KR20240010457A - Systems, methods, kits and devices for digital product network systems and biology-based value chain networks - Google Patents
Systems, methods, kits and devices for digital product network systems and biology-based value chain networks Download PDFInfo
- Publication number
- KR20240010457A KR20240010457A KR1020237039157A KR20237039157A KR20240010457A KR 20240010457 A KR20240010457 A KR 20240010457A KR 1020237039157 A KR1020237039157 A KR 1020237039157A KR 20237039157 A KR20237039157 A KR 20237039157A KR 20240010457 A KR20240010457 A KR 20240010457A
- Authority
- KR
- South Korea
- Prior art keywords
- digital
- data
- product
- value chain
- applications
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 567
- 230000015654 memory Effects 0.000 claims abstract description 15
- 238000007726 management method Methods 0.000 claims description 745
- 239000000047 product Substances 0.000 claims description 686
- 230000008569 process Effects 0.000 claims description 401
- 230000003044 adaptive effect Effects 0.000 claims description 397
- 238000013473 artificial intelligence Methods 0.000 claims description 396
- 238000010801 machine learning Methods 0.000 claims description 283
- 238000012544 monitoring process Methods 0.000 claims description 241
- 230000003993 interaction Effects 0.000 claims description 146
- 238000013500 data storage Methods 0.000 claims description 140
- 239000003795 chemical substances by application Substances 0.000 claims description 131
- 238000012384 transportation and delivery Methods 0.000 claims description 129
- 238000004801 process automation Methods 0.000 claims description 123
- 238000005516 engineering process Methods 0.000 claims description 120
- 238000003860 storage Methods 0.000 claims description 99
- 238000012423 maintenance Methods 0.000 claims description 92
- 238000004519 manufacturing process Methods 0.000 claims description 92
- 238000009826 distribution Methods 0.000 claims description 77
- 230000006399 behavior Effects 0.000 claims description 74
- 230000033001 locomotion Effects 0.000 claims description 65
- 238000004458 analytical method Methods 0.000 claims description 60
- 238000013439 planning Methods 0.000 claims description 58
- 238000001514 detection method Methods 0.000 claims description 45
- 238000004891 communication Methods 0.000 claims description 36
- 230000006854 communication Effects 0.000 claims description 36
- 230000010354 integration Effects 0.000 claims description 26
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 23
- 239000013598 vector Substances 0.000 claims description 20
- 230000000007 visual effect Effects 0.000 claims description 19
- 238000005457 optimization Methods 0.000 claims description 17
- 230000003190 augmentative effect Effects 0.000 claims description 14
- 229910052751 metal Inorganic materials 0.000 claims description 9
- 239000002184 metal Substances 0.000 claims description 9
- 230000001133 acceleration Effects 0.000 claims description 8
- 230000000116 mitigating effect Effects 0.000 claims description 8
- 230000003416 augmentation Effects 0.000 claims description 7
- 238000013145 classification model Methods 0.000 claims description 6
- 230000003287 optical effect Effects 0.000 claims description 6
- 239000006227 byproduct Substances 0.000 claims description 4
- 238000010146 3D printing Methods 0.000 claims description 3
- 230000005855 radiation Effects 0.000 claims description 3
- 230000004931 aggregating effect Effects 0.000 claims description 2
- 239000002131 composite material Substances 0.000 claims description 2
- 238000004146 energy storage Methods 0.000 claims 11
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 claims 1
- 208000034804 Product quality issues Diseases 0.000 claims 1
- 238000003326 Quality management system Methods 0.000 claims 1
- 239000012491 analyte Substances 0.000 claims 1
- 230000002547 anomalous effect Effects 0.000 claims 1
- 150000001875 compounds Chemical class 0.000 claims 1
- 210000001787 dendrite Anatomy 0.000 claims 1
- 238000006073 displacement reaction Methods 0.000 claims 1
- 229910001416 lithium ion Inorganic materials 0.000 claims 1
- 150000002894 organic compounds Chemical class 0.000 claims 1
- 230000035484 reaction time Effects 0.000 claims 1
- 238000004088 simulation Methods 0.000 description 275
- 230000000694 effects Effects 0.000 description 219
- 238000010586 diagram Methods 0.000 description 154
- 238000012545 processing Methods 0.000 description 146
- 238000012549 training Methods 0.000 description 137
- 238000007667 floating Methods 0.000 description 108
- 230000013016 learning Effects 0.000 description 102
- 238000013480 data collection Methods 0.000 description 90
- 239000003981 vehicle Substances 0.000 description 83
- 238000013461 design Methods 0.000 description 79
- 230000009471 action Effects 0.000 description 77
- 101000616009 Homo sapiens E3 ubiquitin-protein transferase MAEA Proteins 0.000 description 69
- 238000012360 testing method Methods 0.000 description 68
- 238000013528 artificial neural network Methods 0.000 description 67
- 239000000463 material Substances 0.000 description 57
- 230000007613 environmental effect Effects 0.000 description 55
- 230000008520 organization Effects 0.000 description 51
- 230000008901 benefit Effects 0.000 description 50
- 230000018109 developmental process Effects 0.000 description 47
- 238000011161 development Methods 0.000 description 46
- 230000004044 response Effects 0.000 description 45
- 238000007689 inspection Methods 0.000 description 42
- 238000004806 packaging method and process Methods 0.000 description 41
- 239000002699 waste material Substances 0.000 description 38
- 238000011068 loading method Methods 0.000 description 32
- 238000012800 visualization Methods 0.000 description 30
- 238000013135 deep learning Methods 0.000 description 28
- 230000006870 function Effects 0.000 description 28
- 238000004422 calculation algorithm Methods 0.000 description 27
- 238000001914 filtration Methods 0.000 description 27
- 230000006855 networking Effects 0.000 description 27
- 230000001976 improved effect Effects 0.000 description 26
- 239000000243 solution Substances 0.000 description 26
- 230000008859 change Effects 0.000 description 24
- 238000010276 construction Methods 0.000 description 23
- 238000013068 supply chain management Methods 0.000 description 23
- 238000013523 data management Methods 0.000 description 22
- 230000002776 aggregation Effects 0.000 description 21
- 238000004220 aggregation Methods 0.000 description 21
- 230000006872 improvement Effects 0.000 description 21
- 230000035882 stress Effects 0.000 description 21
- 230000006378 damage Effects 0.000 description 19
- 230000007547 defect Effects 0.000 description 19
- 239000000203 mixture Substances 0.000 description 19
- 230000008093 supporting effect Effects 0.000 description 18
- 238000013499 data model Methods 0.000 description 17
- 238000012856 packing Methods 0.000 description 17
- 230000009466 transformation Effects 0.000 description 17
- 230000033228 biological regulation Effects 0.000 description 16
- 230000036541 health Effects 0.000 description 16
- 238000003058 natural language processing Methods 0.000 description 15
- 230000002829 reductive effect Effects 0.000 description 15
- 230000002441 reversible effect Effects 0.000 description 15
- 239000000126 substance Substances 0.000 description 14
- 238000006243 chemical reaction Methods 0.000 description 13
- 230000000875 corresponding effect Effects 0.000 description 13
- 230000004438 eyesight Effects 0.000 description 13
- 230000009467 reduction Effects 0.000 description 13
- 230000001105 regulatory effect Effects 0.000 description 13
- 239000003570 air Substances 0.000 description 12
- 230000003542 behavioural effect Effects 0.000 description 12
- 230000001965 increasing effect Effects 0.000 description 12
- 238000001228 spectrum Methods 0.000 description 12
- 230000001413 cellular effect Effects 0.000 description 11
- 238000004140 cleaning Methods 0.000 description 11
- 238000005259 measurement Methods 0.000 description 11
- 238000009662 stress testing Methods 0.000 description 11
- 239000000654 additive Substances 0.000 description 10
- 230000000996 additive effect Effects 0.000 description 10
- 210000004556 brain Anatomy 0.000 description 10
- 238000003066 decision tree Methods 0.000 description 10
- -1 devices Substances 0.000 description 10
- 238000000605 extraction Methods 0.000 description 10
- 239000000446 fuel Substances 0.000 description 10
- 238000010606 normalization Methods 0.000 description 10
- 230000029305 taxis Effects 0.000 description 10
- 241000282412 Homo Species 0.000 description 9
- 230000002068 genetic effect Effects 0.000 description 9
- 230000007246 mechanism Effects 0.000 description 9
- 230000008439 repair process Effects 0.000 description 9
- 238000012552 review Methods 0.000 description 9
- 230000007423 decrease Effects 0.000 description 8
- 230000001934 delay Effects 0.000 description 8
- 238000003745 diagnosis Methods 0.000 description 8
- 230000004927 fusion Effects 0.000 description 8
- 238000003384 imaging method Methods 0.000 description 8
- 238000012913 prioritisation Methods 0.000 description 8
- 230000009286 beneficial effect Effects 0.000 description 7
- 235000013339 cereals Nutrition 0.000 description 7
- 238000007906 compression Methods 0.000 description 7
- 230000006835 compression Effects 0.000 description 7
- 230000001276 controlling effect Effects 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 7
- 238000013501 data transformation Methods 0.000 description 7
- 235000013305 food Nutrition 0.000 description 7
- 230000008676 import Effects 0.000 description 7
- 230000036651 mood Effects 0.000 description 7
- 238000005067 remediation Methods 0.000 description 7
- 238000012827 research and development Methods 0.000 description 7
- 230000002123 temporal effect Effects 0.000 description 7
- 238000012546 transfer Methods 0.000 description 7
- 230000006978 adaptation Effects 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 6
- 230000008451 emotion Effects 0.000 description 6
- 230000000704 physical effect Effects 0.000 description 6
- 238000012795 verification Methods 0.000 description 6
- 238000013459 approach Methods 0.000 description 5
- 235000013361 beverage Nutrition 0.000 description 5
- 238000002591 computed tomography Methods 0.000 description 5
- 238000013075 data extraction Methods 0.000 description 5
- 238000013079 data visualisation Methods 0.000 description 5
- 238000005265 energy consumption Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 5
- 230000002349 favourable effect Effects 0.000 description 5
- 239000011521 glass Substances 0.000 description 5
- 230000005484 gravity Effects 0.000 description 5
- 230000002452 interceptive effect Effects 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000010399 physical interaction Effects 0.000 description 5
- 230000002787 reinforcement Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 230000008685 targeting Effects 0.000 description 5
- ATUOYWHBWRKTHZ-UHFFFAOYSA-N Propane Chemical compound CCC ATUOYWHBWRKTHZ-UHFFFAOYSA-N 0.000 description 4
- 208000027418 Wounds and injury Diseases 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 4
- 230000002411 adverse Effects 0.000 description 4
- 230000001149 cognitive effect Effects 0.000 description 4
- 230000002860 competitive effect Effects 0.000 description 4
- 238000012937 correction Methods 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 238000011049 filling Methods 0.000 description 4
- 239000007789 gas Substances 0.000 description 4
- 208000014674 injury Diseases 0.000 description 4
- 230000000670 limiting effect Effects 0.000 description 4
- 239000007788 liquid Substances 0.000 description 4
- 238000013178 mathematical model Methods 0.000 description 4
- 230000001404 mediated effect Effects 0.000 description 4
- 238000005065 mining Methods 0.000 description 4
- 238000003909 pattern recognition Methods 0.000 description 4
- 239000000825 pharmaceutical preparation Substances 0.000 description 4
- 229940127557 pharmaceutical product Drugs 0.000 description 4
- 230000037081 physical activity Effects 0.000 description 4
- 239000002994 raw material Substances 0.000 description 4
- 238000000611 regression analysis Methods 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 241000196324 Embryophyta Species 0.000 description 3
- OKKJLVBELUTLKV-UHFFFAOYSA-N Methanol Chemical compound OC OKKJLVBELUTLKV-UHFFFAOYSA-N 0.000 description 3
- 238000012356 Product development Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 3
- 238000001994 activation Methods 0.000 description 3
- 125000002015 acyclic group Chemical group 0.000 description 3
- 238000002485 combustion reaction Methods 0.000 description 3
- 238000001816 cooling Methods 0.000 description 3
- 238000012517 data analytics Methods 0.000 description 3
- 230000006837 decompression Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000011835 investigation Methods 0.000 description 3
- 238000002595 magnetic resonance imaging Methods 0.000 description 3
- 239000004570 mortar (masonry) Substances 0.000 description 3
- 239000003921 oil Substances 0.000 description 3
- 230000036961 partial effect Effects 0.000 description 3
- 230000000149 penetrating effect Effects 0.000 description 3
- 230000002688 persistence Effects 0.000 description 3
- 239000004033 plastic Substances 0.000 description 3
- 229920003023 plastic Polymers 0.000 description 3
- 230000001737 promoting effect Effects 0.000 description 3
- 238000003908 quality control method Methods 0.000 description 3
- 238000002601 radiography Methods 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 238000007670 refining Methods 0.000 description 3
- 238000009877 rendering Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 239000002910 solid waste Substances 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000013179 statistical model Methods 0.000 description 3
- 238000000547 structure data Methods 0.000 description 3
- 239000013589 supplement Substances 0.000 description 3
- 238000011282 treatment Methods 0.000 description 3
- 230000007306 turnover Effects 0.000 description 3
- 206010000117 Abnormal behaviour Diseases 0.000 description 2
- 206010048909 Boredom Diseases 0.000 description 2
- 108010078791 Carrier Proteins Proteins 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 2
- 238000012550 audit Methods 0.000 description 2
- 238000003339 best practice Methods 0.000 description 2
- 239000011449 brick Substances 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000000969 carrier Substances 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 230000009194 climbing Effects 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 2
- 230000019771 cognition Effects 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 230000009850 completed effect Effects 0.000 description 2
- 239000000306 component Substances 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000013479 data entry Methods 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 230000002542 deteriorative effect Effects 0.000 description 2
- 238000002405 diagnostic procedure Methods 0.000 description 2
- 238000005553 drilling Methods 0.000 description 2
- 230000002996 emotional effect Effects 0.000 description 2
- 230000004424 eye movement Effects 0.000 description 2
- 230000008921 facial expression Effects 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 238000013467 fragmentation Methods 0.000 description 2
- 238000006062 fragmentation reaction Methods 0.000 description 2
- 238000002599 functional magnetic resonance imaging Methods 0.000 description 2
- 231100001261 hazardous Toxicity 0.000 description 2
- 230000001939 inductive effect Effects 0.000 description 2
- 239000004615 ingredient Substances 0.000 description 2
- 230000000977 initiatory effect Effects 0.000 description 2
- 239000010805 inorganic waste Substances 0.000 description 2
- 238000011900 installation process Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 230000003278 mimic effect Effects 0.000 description 2
- 238000003032 molecular docking Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 210000001331 nose Anatomy 0.000 description 2
- 239000005022 packaging material Substances 0.000 description 2
- 238000010422 painting Methods 0.000 description 2
- 230000035790 physiological processes and functions Effects 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 230000003449 preventive effect Effects 0.000 description 2
- 239000001294 propane Substances 0.000 description 2
- 102000037983 regulatory factors Human genes 0.000 description 2
- 108091008025 regulatory factors Proteins 0.000 description 2
- 231100000279 safety data Toxicity 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 230000011664 signaling Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 235000019640 taste Nutrition 0.000 description 2
- 238000000844 transformation Methods 0.000 description 2
- 238000005303 weighing Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 235000008733 Citrus aurantifolia Nutrition 0.000 description 1
- 238000006424 Flood reaction Methods 0.000 description 1
- 241000941423 Grom virus Species 0.000 description 1
- 229920003266 Leaf® Polymers 0.000 description 1
- 235000011941 Tilia x europaea Nutrition 0.000 description 1
- 230000035508 accumulation Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000036626 alertness Effects 0.000 description 1
- 239000012080 ambient air Substances 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000004873 anchoring Methods 0.000 description 1
- 230000003466 anti-cipated effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 239000012298 atmosphere Substances 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000007177 brain activity Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 210000000080 chela (arthropods) Anatomy 0.000 description 1
- 239000007795 chemical reaction product Substances 0.000 description 1
- 239000003653 coastal water Substances 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 239000000356 contaminant Substances 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 230000034994 death Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000003292 diminished effect Effects 0.000 description 1
- 238000002224 dissection Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 238000009429 electrical wiring Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000000537 electroencephalography Methods 0.000 description 1
- 230000005670 electromagnetic radiation Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 230000004720 fertilization Effects 0.000 description 1
- 230000005057 finger movement Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 239000003502 gasoline Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 description 1
- 230000012010 growth Effects 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 239000002920 hazardous waste Substances 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000013632 homeostatic process Effects 0.000 description 1
- 150000004677 hydrates Chemical class 0.000 description 1
- 210000000987 immune system Anatomy 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000004571 lime Substances 0.000 description 1
- 239000010808 liquid waste Substances 0.000 description 1
- 238000001459 lithography Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 238000011089 mechanical engineering Methods 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 239000010813 municipal solid waste Substances 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000002610 neuroimaging Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 239000005416 organic matter Substances 0.000 description 1
- 238000012858 packaging process Methods 0.000 description 1
- 239000010816 packaging waste Substances 0.000 description 1
- 239000000123 paper Substances 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000002006 petroleum coke Substances 0.000 description 1
- 230000004962 physiological condition Effects 0.000 description 1
- 238000009428 plumbing Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 230000002062 proliferating effect Effects 0.000 description 1
- 230000035755 proliferation Effects 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000000275 quality assurance Methods 0.000 description 1
- 238000012372 quality testing Methods 0.000 description 1
- 238000005295 random walk Methods 0.000 description 1
- 230000009257 reactivity Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 230000010076 replication Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 210000001525 retina Anatomy 0.000 description 1
- 238000009420 retrofitting Methods 0.000 description 1
- 239000012852 risk material Substances 0.000 description 1
- 238000007790 scraping Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000007958 sleep Effects 0.000 description 1
- 230000003997 social interaction Effects 0.000 description 1
- 238000000527 sonication Methods 0.000 description 1
- 238000012358 sourcing Methods 0.000 description 1
- 239000003381 stabilizer Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 238000013530 stochastic neural network Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 210000001103 thalamus Anatomy 0.000 description 1
- 239000010891 toxic waste Substances 0.000 description 1
- 238000013518 transcription Methods 0.000 description 1
- 230000035897 transcription Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
- 239000002351 wastewater Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- 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
- G05B13/048—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 using a predictor
-
- 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
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock 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
- G06Q10/087—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
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Automation & Control Theory (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Security & Cryptography (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
- Selective Calling Equipment (AREA)
- Steroid Compounds (AREA)
Abstract
디지털 제품 네트워크 시스템은 개괄적으로 각각 제품 메모리, 제품 네트워크 인터페이스, 및 제품 명령어로 프로그래밍된 제품 프로세서를 갖는 디지털 제품들의 세트; 제어 타워 메모리, 제어 타워 네트워크 인터페이스, 및 제어 타워 명령어로 프로그래밍된 제어 타워 프로세서를 갖는 제품 네트워크 제어 타워; 및 디지털 제품들의 세트를 나타내는 디지털 트윈들의 세트를 인코딩하기 위해 제품 명령어들 또는 제어 타워 명령어들 중 적어도 하나에 의해 적어도 부분적으로 정의되는 디지털 트윈 시스템을 포함한다.A digital product network system generally includes a set of digital products each having a product memory, a product network interface, and a product processor programmed with product instructions; A product network control tower having a control tower memory, a control tower network interface, and a control tower processor programmed with control tower instructions; and a digital twin system defined at least in part by at least one of product instructions or control tower instructions to encode a set of digital twins representing a set of digital products.
Description
관련 출원들에 대한 상호 참조Cross-reference to related applications
본 출원은 2021년 4월 16일에 출원된 미국 가특허 출원 번호 제63/176,198호, 2021년 11월 23일에 출원된 미국 가특허 출원 번호 제63/282,507호, 2022년 1월 14일에 출원된 미국 가특허 출원 번호 제63/299,710호 및 2022년 1월 21일에 출원된 미국 가특허 출원 번호 제63/302,013호의 이익을 주장한다. 본 출원은 2022년 2월 18일에 출원된 인도 특허 출원 IN202211008709호에 대한 우선권을 주장한다. 상기 출원들의 전체 개시는 참조로 본 출원에 통합된다.This application is filed under U.S. Provisional Patent Application No. 63/176,198, filed on April 16, 2021, and U.S. Provisional Patent Application No. 63/282,507, filed on November 23, 2021, on January 14, 2022. Claims the benefit of U.S. Provisional Patent Application No. 63/299,710, filed on January 21, 2022, and U.S. Provisional Patent Application No. 63/302,013, filed on January 21, 2022. This application claims priority to Indian patent application IN202211008709 filed on February 18, 2022. The entire disclosures of the above applications are incorporated herein by reference.
분야Field
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 분야에 관한 것으로, 보다 구체적으로는 양자 및 생물학 기반 밸류 체인 네트워크들을 수반한다.This disclosure relates to information technology methods and systems for management of value chain network entities, including supply chain and demand management entities. The present disclosure also relates to the field of enterprise management platforms, and more specifically involves quantum and biology-based value chain networks.
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.Historically, the majority of the various categories of goods purchased and used by household consumers, businesses, and other customers were supplied primarily through relatively linear arrangements, in which manufacturers and other suppliers of finished goods, components, and other items The item is handed over to a delivery company, freight forwarder, etc., and the delivery company, freight forwarder, etc. deliver the item to a warehouse for temporary storage, to a retailer where the customer purchases the item, or directly to the customer's location. Manufacturers and retailers perform a variety of sales and marketing activities to encourage and satisfy customer demand, including designing products, positioning and advertising products on shelves, and setting prices. did.
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, 부두 및 항구와 같은 해양 시설 및 기반구조를 통해 원산지 지점(102)과 하나 이상의 목적지(104) 사이의 수로를 통한 수송이 제공된다.Orders for products are processed by manufacturers through supply chains such as those shown in FIG. 1 and
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.Organizations have access to virtually unlimited amounts of data. With the advent of smart connected devices, wearable technology, and the Internet of Things (IoT), the amount of data available to organizations planning, overseeing, managing, and operating value chain networks has increased dramatically and is likely to continue to do so. . For example, in a manufacturing facility, warehouse, campus, or other operational environment, vibration data to measure the vibration signature of critical machines, motion sensors to track temperature and throughput throughout the facility, and locating items. There may be hundreds or thousands of IoT sensors providing metrics such as asset tracking sensors and beacons, cameras and optical sensors, chemical and biological sensors, etc. Additionally, as wearable technology becomes more prevalent, wearables can provide insight into workers' movements, health indicators, physiological state, activity status, movement, and other characteristics. Additionally, as organizations implement CRM systems, ERP systems, operational systems, information technology systems, advanced analytics, and other systems that leverage information and information technology, the data sets and Access third-party data sets and an increasingly wide range of other large-scale data sets, such as marketing data, sales data, operational data, information technology data, performance data, customer data, financial data, market data, pricing data, supply chain data, and more. You can.
더 많은 데이터 및 새로운 유형의 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.Although the existence of more data and new types of data provides many opportunities for organizations to achieve competitive advantage; However, this also raises issues such as complexity and capacity, which can lead to users being overwhelmed and missing opportunities for insight. There is a need for methods and systems that enable businesses to not only acquire data, but also transform data into insights, and insights into timely execution of well-informed decisions and efficient operations.
밸류 체인 네트워크(value chain network)에서 다수의 조직에 분산되어 있는 수천 개 또는 잠재적으로 수백만 개의 디바이스(많은 수의 센서들을 포함)로부터 대규모 데이터 세트를 취득하는 것이 더욱 일반화되었다. 예를 들어, 소매점의 개별 상품에 대해 RFID(Radio Frequency Identification) 태그가 확산되고 있다. 이러한 상황 및 다른 유사한 상황들에서, 방대한 수의 데이터 스트림들이 네트워크들을 통해 데이터를 송신하는 능력 및/또는 효과적인 자동화된 중앙 집중식 결정들을 생성하는 능력을 압도할 수 있다.In value chain networks, it has become more common to acquire large data sets from thousands or potentially millions of devices (including large numbers of sensors) distributed across multiple organizations. For example, RFID (Radio Frequency Identification) tags are proliferating on individual products in retail stores. In this and other similar situations, the vast number of data streams can overwhelm the ability to transmit data over networks and/or generate effective automated centralized decisions.
데이터 생성기들(예를 들어, 센서들)의 확산은 반-지능형 제어의 방대한 수의 분산 포인트들로부터의 입력을 갖는 밸류 체인 네트워크들과 같은 네트워크들을 관리할 기회를 생성하였다. 그러나, 현재의 접근법들은 종종 대역폭, 저장, 처리(processing), 및/또는 다른 제한들로 인해 제한된 중앙 집중식 데이터 수집에 의존한다.The proliferation of data generators (e.g., sensors) has created an opportunity to manage networks such as value chain networks with input from a vast number of distributed points of semi-intelligent control. However, current approaches rely on centralized data collection that is often limited due to bandwidth, storage, processing, and/or other limitations.
본 개시의 일 양태는 제1 디바이스로부터 제2 디바이스로 데이터 스트림의 예측 모델을 송신하기 위한 방법에 관한 것이다. 방법은, 제1 디바이스에 의해, 데이터 스트림의 복수의 데이터 값들을 수신하는 단계를 포함할 수 있다. 데이터 값은 하나 이상의 센서 디바이스로부터 수집된 센서 데이터를 포함할 수 있다. 방법은 제1 디바이스에 의해, 수신된 복수의 데이터 값들에 기초하여 데이터 스트림의 미래 데이터 값들을 예측하기 위한 예측 모델을 생성하는 단계를 포함할 수 있다. 예측 모델을 생성하는 단계는 복수의 모델 파라미터들을 결정하는 단계를 포함할 수 있다. 방법은, 제1 디바이스에 의해, 복수의 모델 파라미터들을 제2 디바이스로 송신하는 단계를 포함할 수 있다. 방법은, 제2 디바이스에 의해, 복수의 모델 파라미터들을 수신하는 단계를 포함할 수 있다. 방법은 제2 디바이스에 의해, 복수의 모델 파라미터들을 사용하여 예측 모델을 파라미터화하는 단계(parameterizing)를 포함할 수 있다. 방법은 제2 디바이스에 의해, 파라미터화된 예측 모델을 사용하여 데이터 스트림의 미래 데이터 값들을 예측하는 단계를 포함할 수 있다. 실시예들에서, 파라미터들은 벡터를 포함한다. 실시예들에서, 벡터는 로봇과 연관된 모션 벡터(motion vector)이다. 실시예에서, 데이터 스트림의 미래 데이터 값은 로봇의 하나 이상의 미래 예측된 위치를 포함한다. 실시예에서, 예측 모델은 아이템의 스톡 레벨을 예측하고, 방법은 미래 데이터 값에 기초하여, 아이템의 다가오는(upcoming) 공급 부족을 검출하는 단계를 더 포함한다. 방법은 아이템의 품귀를 회피하기 위한 조치를 취하는 단계를 더 포함할 수 있다. 실시예들에서, 예측 모델은 거동 분석 모델(behavior analysis model)이다. 실시예들에서, 미래 데이터 값들은 엔티티의 예측된 거동을 나타낸다. 실시예들에서, 예측 모델은 증강 모델이고, 여기서 미래 데이터 값들은 비작동 센서(inoperative sensor)에 대응한다. 실시예들에서, 예측 모델은 분류 모델이다. 실시예들에서, 미래 데이터 값들은 하나 이상의 센서 디바이스들을 포함하는 시스템의 예측된 미래 상태를 나타낸다. 실시예들에서, 센서들은 화물(cargo)과 연관된 RFID 센서들이다. 실시예들에서, 미래 데이터 값들은 화물의 미래 위치들을 나타낸다. 실시예들에서, 센서들은 보안 카메라들이다. 실시예들에서, 데이터 스트림은 보안 카메라들에 의해 캡처된 비디오 데이터로부터 추출된 모션 벡터들을 포함한다. 실시예들에서, 센서들은 기계들에 의해 생성된 진동들을 측정하는 진동 센서들이다. 실시예들에서, 미래의 데이터 값들은 기계들의 유지보수에 대한 잠재적인 필요성을 나타낸다. 방법은, 제1 디바이스에 의해, 데이터 스트림의 추가적인 데이터 값들을 수신하는 단계를 더 포함할 수 있다. 방법은 제1 디바이스에 의해, 추가 데이터 값들을 사용하여 예측 모델을 개량하는 단계(refining)를 포함할 수 있다. 실시예들에서, 예측 모델을 개량하는 단계는 모델 파라미터들을 조정한다. 방법은 조정된 모델 파라미터들을 제2 디바이스에 송신하는 단계를 포함할 수 있다. 방법은 제2 디바이스에 의해, 조정된 모델 파라미터들을 수신하는 단계를 더 포함할 수 있다. 방법은 조정된 모델 파라미터들을 사용하여 예측 모델을 재파라미터화하는 단계(re-parameterizing)를 포함할 수 있다. 방법은 재-파라미터화된 예측 모델을 사용하여 추가적인 미래 데이터 값들을 생성하는 단계를 포함할 수 있다.One aspect of the present disclosure relates to a method for transmitting a predictive model of a data stream from a first device to a second device. The method may include receiving, by a first device, a plurality of data values of a data stream. Data values may include sensor data collected from one or more sensor devices. The method may include generating, by the first device, a prediction model to predict future data values of the data stream based on the plurality of data values received. Creating a prediction model may include determining a plurality of model parameters. The method may include transmitting, by the first device, a plurality of model parameters to the second device. The method may include receiving, by a second device, a plurality of model parameters. The method may include parameterizing, by a second device, a prediction model using a plurality of model parameters. The method may include predicting, by the second device, future data values of the data stream using a parameterized prediction model. In embodiments, parameters include vectors. In embodiments, the vector is a motion vector associated with the robot. In embodiments, the future data values of the data stream include one or more future predicted positions of the robot. In embodiments, the predictive model predicts a stock level of an item, and the method further includes detecting an upcoming shortage of the item based on future data values. The method may further include taking steps to avoid shortage of the item. In embodiments, the prediction model is a behavior analysis model. In embodiments, future data values represent predicted behavior of an entity. In embodiments, the predictive model is an augmented model, where future data values correspond to an inoperative sensor. In embodiments, the prediction model is a classification model. In embodiments, future data values represent a predicted future state of a system including one or more sensor devices. In embodiments, the sensors are RFID sensors associated with cargo. In embodiments, future data values represent future locations of the cargo. In embodiments, the sensors are security cameras. In embodiments, the data stream includes motion vectors extracted from video data captured by security cameras. In embodiments, the sensors are vibration sensors that measure vibrations produced by machines. In embodiments, future data values indicate a potential need for maintenance of machines. The method may further include receiving, by the first device, additional data values of the data stream. The method may include refining, by the first device, the prediction model using additional data values. In embodiments, refining the predictive model adjusts model parameters. The method may include transmitting the adjusted model parameters to the second device. The method may further include receiving, by the second device, the adjusted model parameters. The method may include re-parameterizing the prediction model using the adjusted model parameters. The method may include generating additional future data values using the re-parameterized prediction model.
본 개시의 다른 양태는 예측 모델 데이터 스트림들을 우선순위화하기 위한 방법에 관한 것이다. 방법은 제1 디바이스에 의해, 복수의 예측 모델 데이터 스트림들을 수신하는 단계를 포함할 수 있다. 실시예들에서, 예측 모델 데이터 스트림들 각각은 대응하는 예측 모델에 대한 모델 파라미터들의 세트를 포함한다. 실시예들에서, 각각의 예측 모델은 데이터 소스의 미래 데이터 값들을 예측하도록 훈련된다. 방법은 제1 디바이스에 의해, 복수의 예측 모델 데이터 스트림들 각각에 대한 우선순위들을 우선순위화하는 단계를 포함할 수 있다. 방법은 대응하는 우선순위에 기초하여 예측 모델 데이터 스트림들 중 적어도 하나를 선택하는 단계를 포함할 수 있다. 방법은, 제1 디바이스에 의해, 선택된 예측 모델 스트림에 포함된 모델 파라미터들의 세트를 사용하여 예측 모델을 파라미터화하는 단계를 포함할 수 있다. 방법은 제1 디바이스에 의해, 파라미터화된 예측 모델을 사용하여 데이터 소스의 미래 데이터 값들을 예측하는 단계를 포함할 수 있다. 실시예들에서, 선택된 적어도 하나의 예측 모델 데이터 스트림은 높은 우선순위와 연관된다. 실시예들에서, 선택하는 단계는 각각의 선택되지 않은 예측 모델 데이터 스트림과 연관된 우선순위들에 기초하여 선택되지 않은 예측 모델 데이터 스트림들을 억제하는 단계(suppressing)를 포함한다. 실시예들에서, 복수의 예측 모델 데이터 스트림들 각각에 우선순위들을 할당하는 단계는 모델 파라미터들의 각각의 세트가 비정상적인지 여부를 결정하는 단계를 포함한다. 실시예들에서, 복수의 예측 모델 데이터 스트림들 각각에 우선순위들을 할당하는 단계는 모델 파라미터들의 각각의 세트가 이전 값으로부터 변경되었는지 여부를 결정하는 단계를 포함한다. 실시예들에서, 모델 파라미터들의 세트는 적어도 하나의 벡터를 포함한다. 실시예에서, 적어도 하나의 벡터는 로봇과 연관된 모션 벡터를 포함한다. 실시예들에서, 미래 데이터 값들은 로봇의 하나 이상의 미래 예측된 위치들을 포함한다. 일부 실시예들에서, 예측 모델은 아이템들의 재고 레벨(stock level)들을 예측한다. 방법은, 미래 데이터 값들에 기초하여, 아이템의 다가오는 공급 부족을 검출하는 단계를 더 포함할 수 있다. 방법은 아이템의 품귀를 회피하기 위한 조치를 취하는 단계를 포함할 수 있다. 실시예들에서, 예측 모델은 거동 분석 모델이다. 실시예들에서, 미래 데이터 값들은 엔티티의 예측된 거동을 나타낸다. 일부 실시예들에서, 예측 모델은 증강 모델이다. 실시예들에서, 미래 데이터 값들은 비작동 센서에 대응한다. 실시예들에서, 예측 모델은 분류 모델이다. 일부 실시예들에서, 미래 데이터 값들은 하나 이상의 센서 디바이스들을 포함하는 시스템의 예측된 미래 상태를 나타낸다. 실시예들에서, 센서들은 화물과 연관된 RFID 센서들이다. 일부 실시예에서, 미래 데이터 값은 화물의 미래 위치를 나타낸다. 실시예들에서, 센서들은 보안 카메라들이다. 일부 실시예들에서, 데이터 스트림은 보안 카메라들에 의해 캡처된 비디오 데이터로부터 추출된 모션 벡터들을 포함한다. 실시예들에서, 센서들은 기계들에 의해 생성된 진동들을 측정하는 진동 센서들이다. 일부 실시예들에서, 미래 데이터 값들은 기계들의 유지보수에 대한 잠재적인 필요성을 나타낸다.Another aspect of the present disclosure relates to a method for prioritizing predictive model data streams. The method may include receiving, by a first device, a plurality of predictive model data streams. In embodiments, each of the prediction model data streams includes a set of model parameters for the corresponding prediction model. In embodiments, each prediction model is trained to predict future data values of a data source. The method may include prioritizing, by the first device, priorities for each of the plurality of predictive model data streams. The method may include selecting at least one of the predictive model data streams based on a corresponding priority. The method may include parameterizing, by the first device, a prediction model using a set of model parameters included in the selected prediction model stream. The method may include predicting, by the first device, future data values of a data source using a parameterized prediction model. In embodiments, the selected at least one predictive model data stream is associated with high priority. In embodiments, selecting includes suppressing unselected predictive model data streams based on priorities associated with each unselected predictive model data stream. In embodiments, assigning priorities to each of the plurality of predictive model data streams includes determining whether each set of model parameters is abnormal. In embodiments, assigning priorities to each of the plurality of predictive model data streams includes determining whether each set of model parameters has changed from a previous value. In embodiments, the set of model parameters includes at least one vector. In an embodiment, the at least one vector includes a motion vector associated with the robot. In embodiments, the future data values include one or more future predicted positions of the robot. In some embodiments, the predictive model predicts stock levels of items. The method may further include detecting an upcoming shortage of an item based on future data values. The method may include taking steps to avoid shortage of the item. In embodiments, the predictive model is a behavior analysis model. In embodiments, future data values represent predicted behavior of an entity. In some embodiments, the predictive model is an augmented model. In embodiments, future data values correspond to a non-operational sensor. In embodiments, the prediction model is a classification model. In some embodiments, future data values represent a predicted future state of a system including one or more sensor devices. In embodiments, the sensors are RFID sensors associated with the cargo. In some embodiments, the future data values represent the future location of the cargo. In embodiments, the sensors are security cameras. In some embodiments, the data stream includes motion vectors extracted from video data captured by security cameras. In embodiments, the sensors are vibration sensors that measure vibrations produced by machines. In some embodiments, future data values indicate a potential need for maintenance of machines.
본 개시의 일부 실시예들에 따르면, 예들 중 임의의 것 및/또는 첨부 도면들 중 임의의 것을 참조하여 실질적으로 전술한 바와 같은 컴퓨터 구현 방법이 개시된다. 본 개시의 일부 실시예들에 따르면, 예들 중 임의의 것 및/또는 첨부 도면들 중 임의의 것을 참조하여 실질적으로 전술한 바와 같은 동작들을 수행하도록 구성된 하나 이상의 프로세서 및 하나 이상의 메모리를 포함하는 컴퓨팅 시스템이 개시된다. 본 개시의 일부 실시예들에 따르면, 하나 이상의 프로세서들에 걸쳐 실행될 때, 하나 이상의 프로세서들의 적어도 일부가 예들 중 임의의 것 및/또는 첨부 도면들 중 임의의 것을 참조하여 실질적으로 전술된 바와 같은 동작들을 수행하게 하는 복수의 명령어들이 저장된 컴퓨터 판독가능 저장 매체 상에 상주하는 컴퓨터 프로그램 제품이 개시된다. 본 개시의 일부 실시예들에 따르면, 예들 중 임의의 것 및/또는 첨부 도면들 중 임의의 것을 참조하여 실질적으로 전술된 바와 같이 구성된 디바이스가 개시된다.In accordance with some embodiments of the present disclosure, a computer-implemented method is disclosed substantially as described above with reference to any of the examples and/or any of the accompanying drawings. According to some embodiments of the present disclosure, a computing system comprising one or more processors and one or more memory configured to perform operations substantially as described above with reference to any of the examples and/or any of the accompanying drawings. This begins. According to some embodiments of the present disclosure, when executed across one or more processors, at least a portion of the one or more processors performs operations substantially as described above with reference to any of the examples and/or any of the accompanying drawings. A computer program product residing on a computer-readable storage medium storing a plurality of instructions for performing instructions is disclosed. According to some embodiments of the present disclosure, a device configured substantially as described above with reference to any of the examples and/or any of the accompanying drawings is disclosed.
본 개시의 보다 완전한 이해는 이하의 설명 및 첨부 도면 및 청구범위로부터 이해될 것이다. 본 출원에 참조된 모든 문서는 본원에 참조로 포함된다.A more complete understanding of the present disclosure will be gained from the following description and accompanying drawings and claims. All documents referenced in this application are incorporated herein by reference.
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 중앙 집중식 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 데이터(outcome data)를 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 유형의 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, 자가-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.
도 143은 본 개시의 일부 실시예에 따른 다목적 로봇이 농작물을 수확하기 위해 실행되는 예시적인 프로세스를 예시하는 개략도이다.
도 144는 본 개시의 일부 실시예에 따른 인터모달(intermodal) 스마트 컨테이너 시스템의 예시적인 환경을 예시하는 개략도이다.
도 145는 본 개시의 일부 실시예에 따른 스마트 컨테이너의 예시적인 구성을 예시하는 개략도이다.
도 146은 본 개시의 일부 실시예에 따른 스마트 인터모달 컨테이너 시스템에 지능 서비스를 제공하도록 적응된 지능 서비스를 예시하는 개략도이다.
도 147은 본 개시의 일부 실시예들에 따른 디지털 트윈 모듈을 예시하는 개략도이다.
도 148은 배송 엔티티(shipping entity) 및/또는 환경의 디지털 트윈의 하나 이상의 특성을 업데이트하기 위한 요청을 수신하는 방법의 예시적인 실시예를 예시한다.
도 149는 본 개시의 일부 실시예에 따른 스마트 컨테이너의 디지털 트윈에서 다운타임 비용 값들(cost of downtime values)의 세트를 업데이트하기 위한 방법의 예시적인 실시예를 예시한다.
도 150은 본 개시의 일부 실시예들에 따른 디지털 제품 네트워크의 예시적인 환경을 예시하는 개략도이다.
도 151은 본 개시의 일부 실시예에 따른 연결된 제품의 예시적인 환경을 도시하는 개략도이다.
도 152는 본 개시의 일부 실시예들에 따른 디지털 제품 네트워크의 예시적인 환경을 예시하는 개략도이다.
도 153은 본 개시의 일부 실시예들에 따른 디지털 제품 네트워크의 예시적인 환경을 예시하는 개략도이다.
도 154는 본 개시의 일부 실시예에 따른 제품 레벨 데이터를 사용하는 방법을 예시하는 흐름도이다.
도 155는 본 개시의 일부 실시예들에 따른 디지털 제품 네트워크의 예시적인 환경을 예시하는 개략도이다.
도 156은 본 개시의 일부 실시예에 따른 스마트 선물 계약 시스템의 일 예를 예시하는 개략도이다.
도 157은 본 개시의 일부 실시예들에 따른 에지 네트워킹 시스템의 예시적인 환경을 예시하는 개략도이다.
도 158은 본 개시의 일부 실시예에 따른 VCN 버스를 포함하는 에지 네트워킹 시스템의 예시적인 환경을 예시하는 개략도이다.
도 159는 구성된 디바이스 EDNW 시스템을 포함하는 본 개시의 일부 실시예들에 따른 에지 네트워킹 시스템의 예시적인 환경을 예시하는 개략도이다.
도 160은 본 개시의 일부 실시예에 따른 양자 컴퓨팅 서비스의 예시적인 실시예의 개략도이다.
도 161은 본 개시의 일부 실시예에 따른 양자 컴퓨팅 서비스 요청 취급(handling)을 예시한다.
도 162는 본 개시에 따른 생물학 기반 밸류 체인 네트워크 시스템의 실시예들을 예시하는 개략도이다.
도 163은 본 개시에 따른 시상 서비스(thalamus service) 및 그것이 모듈들 내에서 어떻게 조정되는지의 개략도이다.
도 164는 본 개시의 일부 실시예들에 따른 유사한 시스템들, 서브시스템들, 컴포넌트들, 및 밸류 체인 네트워크 관리 플랫폼과 통신할 수 있는 에너지 시스템을 도시하는 블록도이다.
도 165는 본 개시의 일부 실시예에 따른 이중 프로세스 인공 신경망 시스템의 개략도를 도시하는 블록도이다.The accompanying drawings, which are included to provide a better understanding of the disclosure, illustrate embodiments of the disclosure and, together with the description, serve to explain many aspects of the disclosure. In the drawing:
1 is a block diagram illustrating the prior art relationships of various entities and facilities in a supply chain.
Figure 2 is a block diagram showing the components and interrelationships of the system and process of the value chain network according to the present disclosure.
3 is another block diagram illustrating the components and interrelationships of the system and process of the value chain network according to the present disclosure.
FIG. 4 is a block diagram illustrating the components and interrelationships of the systems and processes of the digital product network of FIGS. 2 and 3 according to the present disclosure.
Figure 5 is a block diagram showing the components and interrelationships of the system and process of the value chain network technology stack according to the present disclosure.
FIG. 6 is a block diagram illustrating a platform and relationships for orchestrating control of various entities in a value chain network according to the present disclosure.
Figure 7 is a block diagram showing components and relationships in an embodiment of a value chain network management platform according to the present disclosure.
8 is a block diagram illustrating components and relationships of value chain entities managed by an embodiment of the value chain network management platform according to the present disclosure.
Figure 9 is a block diagram showing the network relationship of entities in the value chain network according to the present disclosure.
10 is a block diagram illustrating a set of applications supported by the integrated data handling layer in the value chain network management platform according to the present disclosure.
11 is a block diagram illustrating components and relationships in an embodiment of a value chain network management platform according to the present disclosure.
Figure 12 is a block diagram showing the components and relationships of the data storage layer in an embodiment of the value chain network management platform according to the present disclosure.
Figure 13 is a block diagram showing the components and relationships of the adaptive intelligence system layer in an embodiment of the value chain network management platform according to the present disclosure.
14 is a block diagram illustrating providing an adaptive intelligence system for coordinated intelligence for a set of supply and demand applications for a category of goods in accordance with the present disclosure.
FIG. 15 is a block diagram illustrating providing a hybrid adaptive intelligence system for coordinated intelligence for a set of demand and supply applications or categories of goods in accordance with the present disclosure.
FIG. 16 is a block diagram illustrating providing an adaptive intelligence system for predictive intelligence for a set of supply and demand applications for a category of goods in accordance with the present disclosure.
FIG. 17 is a block diagram illustrating providing an adaptive intelligence system for classification intelligence for a set of supply and demand applications for categories of products in accordance with the present disclosure.
FIG. 18 is a block diagram illustrating providing an adaptive intelligence system for generating automated control signals for a set of supply and demand applications for a category of goods in accordance with the present disclosure.
19 is a block diagram illustrating training an artificial intelligence/machine learning system to generate information routing recommendations for a selected value chain network in accordance with this disclosure.
Figure 20 is a block diagram illustrating a semi-perceptual problem recognition system for recognition of pain points/problem states in a value chain network according to the present disclosure.
21 is a block diagram illustrating a set of artificial intelligence systems operating on value chain information to enable automated coordination of value chain activities for an enterprise according to the present disclosure.
FIG. 22 is a block diagram illustrating the components and relationships involved in integrating a set of digital twins in an embodiment of a value chain network management platform according to the present disclosure.
FIG. 23 is a block diagram illustrating a set of digital twins involved in an embodiment of a value chain network management platform according to the present disclosure.
FIG. 24 is a block diagram illustrating components and relationships of an entity discovery and management system in an embodiment of a value chain network management platform according to the present disclosure.
Figure 25 is a block diagram showing components and relationships of a robotic process automation system in an embodiment of the value chain network management platform according to the present disclosure.
FIG. 26 is a block diagram illustrating the components and relationships of a set of opportunity miners in an embodiment of a value chain network management platform according to the present disclosure.
FIG. 27 is a block diagram illustrating the components and relationships of a set of edge intelligence systems in an embodiment of a value chain network management platform according to the present disclosure.
Figure 28 is a block diagram showing components and relationships in an embodiment of a value chain network management platform according to the present disclosure.
FIG. 29 is a block diagram illustrating additional details of components and relationships in an embodiment of a value chain network management platform according to the present disclosure.
FIG. 30 is a block diagram illustrating components and relationships in an embodiment of a value chain network management platform enabling centralized orchestration of value chain network entities according to this disclosure.
Figure 31 is a block diagram showing the components and relationships of an integrated database in an embodiment of the value chain network management platform according to the present disclosure.
32 is a block diagram illustrating the components and relationships of a set of integrated data collection systems in an embodiment of a value chain network management platform according to the present disclosure.
Figure 33 is a block diagram showing the components and relationships of a set of Internet of Things monitoring systems in an embodiment of the value chain network management platform according to the present disclosure.
34 is a block diagram illustrating the components and relationships of a machine vision system and a digital twin in an embodiment of a value chain network management platform according to the present disclosure.
35 is a block diagram illustrating the components and relationships of a set of adaptive edge intelligence systems in an embodiment of a value chain network management platform according to the present disclosure.
36 is a block diagram illustrating additional details of the components and relationships of a set of adaptive edge intelligence systems in an embodiment of a value chain network management platform according to the present disclosure.
Figure 37 is a block diagram illustrating the components and relationships of a set of integrated adaptive intelligence systems in an embodiment of a value chain network management platform according to the present disclosure.
38 is a schematic diagram of a system configured to train artificial systems utilized by value chain systems and digital twin systems using real-world outcome data, according to some embodiments of the present disclosure.
39 is a schematic diagram of a system configured to train artificial systems utilized by a container fleet management system and digital twin system using real-world outcome data, according to some embodiments of the present disclosure.
40 is a schematic diagram of a system configured to train artificial systems utilized by a logistics design system and digital twin system using real-world outcome data, according to some embodiments of the present disclosure.
Figure 41 is a schematic diagram of a system configured to train artificial systems utilized by a packaging design system and digital twin system using real-world results data, according to some embodiments of the present disclosure.
42 is a schematic diagram of a system configured to train artificial systems utilized by waste mitigation systems and digital twin systems using real-world outcome data, according to some embodiments of the present disclosure.
43 is a schematic diagram illustrating an example of a portion of an information technology system for value chain artificial intelligence utilizing digital twins according to some embodiments of the present disclosure.
44 is a block diagram illustrating the components and relationships of a set of intelligent project management facilities in an embodiment of a value chain network management platform according to the present disclosure.
Figure 45 is a block diagram showing the components and relationships of an intelligent task recommendation system in an embodiment of the value chain network management platform according to the present disclosure.
Figure 46 is a block diagram showing the components and relationships of a routing system between nodes of a value chain network in an embodiment of the value chain network management platform according to the present disclosure.
Figure 47 is a block diagram illustrating the components and relationships of a dashboard for managing a set of digital twins in an embodiment of a value chain network management platform.
Figure 48 is a block diagram illustrating components and relationships in an embodiment of a value chain network management platform using a microservices architecture.
Figure 49 is a block diagram illustrating the components and relationships of an Internet of Things data collection architecture and sensor recommendation system in an embodiment of a value chain network management platform.
Figure 50 is a block diagram illustrating the components and relationships of a social data collection architecture in an embodiment of a value chain network management platform.
Figure 51 is a block diagram illustrating the components and relationships of a crowdsourcing data collection architecture in an embodiment of a value chain network management platform.
Figure 52 is a schematic diagram illustrating an embodiment of a set of value chain network digital twins representing a virtual model of a set of value chain network entities according to the present disclosure.
Figure 53 is a schematic diagram showing an embodiment of a warehouse digital twin kit system according to the present disclosure.
Figure 54 is a schematic diagram showing an embodiment of a stress test performed on a value chain network according to the present disclosure.
Figure 55 is a schematic diagram illustrating an embodiment of a method used by a machine to detect defects and predict any future failure of the machine in accordance with the present disclosure.
Figure 56 is a schematic diagram illustrating an embodiment of the deployment of machine twins to perform predictive maintenance on a set of machines according to the present disclosure.
Figure 57 is a schematic diagram illustrating an example of a portion of a system for value chain customer digital twin and customer profile digital twin according to some embodiments of the present disclosure.
Figure 58 is a schematic diagram illustrating an example of an advertising application interfacing with an adaptive intelligence system layer according to the present disclosure.
Figure 59 is a schematic diagram illustrating an example of an e-commerce application integrated with an adaptive intelligence system layer according to the present disclosure.
Figure 60 is a schematic diagram illustrating an example of a demand management application integrated with an adaptive intelligence system layer according to the present disclosure.
61 is a schematic diagram illustrating an example of a portion of a system for value chain smart supply component digital twin according to some embodiments of the present disclosure.
Figure 62 is a schematic diagram illustrating an example of a risk management application interfacing with an adaptive intelligence system layer according to the present disclosure.
63 is a schematic diagram of maritime assets associated with a value chain network management platform including components of port infrastructure according to the present disclosure.
64 and 65 are schematic diagrams of maritime assets associated with a value chain network management platform including components of a vessel according to the present disclosure.
66 is a schematic diagram of maritime assets associated with a value chain network management platform including components of a barge according to the present disclosure.
67 is a schematic diagram of maritime assets associated with a value chain network management platform, including those involving maritime events, legal proceedings, and utilizing geofenced parameters in accordance with this disclosure.
Figure 68 is a schematic diagram illustrating an example environment of an enterprise and executive control tower and management platform, including data sources in communication therewith, according to some embodiments of the present disclosure.
Figure 69 is a schematic diagram illustrating an example set of components of an enterprise control tower and management platform according to some embodiments of the present disclosure.
Figure 70 is a schematic diagram illustrating an example of an enterprise data model according to some embodiments of the present disclosure.
Figure 71 is a schematic diagram illustrating examples of different types of enterprise digital twins, including executive digital twins, in relation to the data layer, processing layer, and application layer of an enterprise digital twin framework according to some embodiments of the present disclosure.
Figure 72 is a schematic diagram illustrating an example implementation of an enterprise and executive control tower and management platform in accordance with some embodiments of the present disclosure.
Figure 73 is a flow diagram illustrating an example set of operations for configuring and serving an enterprise digital twin.
Figure 74 illustrates an example set of operations of a method for constructing an organizational digital twin.
Figure 75 illustrates an example set of operations of a method for creating an executive digital twin.
76-103 include those involving expert systems, self-organization, machine learning, artificial intelligence, for pattern recognition, for classification of one or more parameters, characteristics, or phenomena, according to embodiments of the present disclosure; A schematic diagram of an embodiment of a neural network system that may be connected to, integrated with, and accessible by the platform to enable intelligent transactions, including trained neural network systems, for support of autonomous control, and for other purposes. .
104 is a schematic diagram illustrating an example intelligent service system according to some embodiments of the present disclosure.
105 is a schematic diagram illustrating an example neural network with multiple layers according to some embodiments of the present disclosure.
106 is a schematic diagram illustrating an example convolutional neural network (CNN) according to some embodiments of the present disclosure.
107 is a schematic diagram illustrating an example neural network for implementing natural language processing according to some embodiments of the present disclosure.
108 is a schematic diagram illustrating an example reinforcement learning-based approach for executing one or more tasks by a mobile system in accordance with some embodiments of the present disclosure.
109 is a schematic diagram illustrating an example physical orientation crystal chip according to some embodiments of the present disclosure.
110 is a schematic diagram illustrating an example network enhancement chip according to some embodiments of the present disclosure.
Figure 111 is a schematic diagram illustrating an example diagnostic chip according to some embodiments of the present disclosure.
112 is a schematic diagram illustrating an example governance chip according to some embodiments of the present disclosure.
Figure 113 is a schematic diagram illustrating an example prediction, classification, and recommendation chip according to some embodiments of the present disclosure.
Figure 114 is a schematic diagram illustrating an example environment of an autonomous additive manufacturing platform according to some embodiments of the present disclosure.
Figure 115 is a schematic diagram illustrating an example implementation of an autonomous additive manufacturing platform for automating and optimizing digital production workflows for metal additive manufacturing, according to some embodiments of the present disclosure.
Figure 116 is a flow chart illustrating optimization of different parameters of an additive manufacturing process according to some embodiments of the present disclosure.
117 is a schematic diagram illustrating a system for learning based on data from an autonomous additive manufacturing platform to train an artificial learning system to use a digital twin for classification, prediction, and decision-making, according to some embodiments of the present disclosure. am.
118 is a schematic diagram illustrating an example implementation of an autonomous additive manufacturing platform including various components along with other entities in a distributed manufacturing network according to some embodiments of the present disclosure.
119 automates manufacturing functions and subprocesses, including process and material selection, hybrid part workflow, feedstock composition, part design optimization, risk prediction and management, marketing and customer service, according to some embodiments of the present disclosure; Schematic diagram illustrating an example implementation of an autonomous additive manufacturing platform for managing.
120 is a schematic diagram of a distributed manufacturing network built on a distributed ledger system and enabled by an autonomous additive manufacturing platform, according to some embodiments of the present disclosure.
121 illustrates an example implementation of a distributed manufacturing network where digital thread data is tokenized and stored in a distributed ledger to ensure traceability of printed parts across one or more manufacturing nodes of the distributed manufacturing network according to some embodiments of the present disclosure. This is a schematic diagram illustrating.
122 is a schematic diagram illustrating an example implementation of a conventional computer vision system for generating images of objects of interest.
Figure 123 is a schematic diagram illustrating an example implementation of a dynamic vision system for dynamically learning object concepts regarding an object of interest according to some embodiments of the present disclosure.
124 is a schematic diagram illustrating an example architecture of a dynamic vision system according to some embodiments of the present disclosure.
125 is a flowchart illustrating a method for object recognition by a dynamic vision system according to some embodiments of the present disclosure.
126 is a schematic diagram illustrating an example implementation of a dynamic vision system for modeling, simulating, and optimizing various optical, mechanical, design, and lighting parameters of a dynamic vision system in accordance with some embodiments of the present disclosure.
127 is a schematic diagram illustrating an example implementation of a dynamic vision system displaying details of various components along with integration of the dynamic vision system with one or more third-party systems, according to some embodiments of the present disclosure.
128 is a schematic diagram illustrating an example environment of a fleet management platform according to some embodiments of the present disclosure.
Figure 129 is a schematic diagram illustrating example configurations of a multipurpose robot and a special purpose robot according to some embodiments of the present disclosure.
130 is a schematic diagram illustrating an example platform-level intelligence layer of a fleet management platform according to some embodiments of the present disclosure.
Figure 131 is a schematic diagram illustrating an example configuration of an intelligence layer according to some embodiments of the present disclosure.
Figure 132 is a schematic diagram illustrating an example security framework according to some embodiments of the present disclosure.
Figure 133 is a schematic diagram illustrating an example environment of a fleet management platform according to some embodiments of the present disclosure.
Figure 134 is a schematic diagram illustrating example data flow of a task organization system according to some embodiments of the present disclosure.
Figure 135 is a schematic diagram illustrating example data flow of a flit operation system according to some embodiments of the present disclosure.
136 is a schematic diagram illustrating an example task parsing system and task definition system and example data flows thereof according to some embodiments of the present disclosure.
Figure 137 is a schematic diagram illustrating an example fleet configuration system and example data flows thereof according to some embodiments of the present disclosure.
138 is a schematic diagram illustrating an example workflow definition system and example data flows according to some embodiments of the present disclosure.
Figure 139 is a schematic diagram illustrating an example configuration of a multipurpose robot and its components according to some embodiments of the present disclosure.
140 is a schematic diagram illustrating an example architecture of a robot control system according to some embodiments of the present disclosure.
141 is a schematic diagram illustrating an example architecture of a
142 is a schematic diagram illustrating an example vision and sensing system for a robot according to some embodiments of the present disclosure.
Figure 143 is a schematic diagram illustrating an example process executed by a multi-purpose robot to harvest crops, according to some embodiments of the present disclosure.
Figure 144 is a schematic diagram illustrating an example environment of an intermodal smart container system according to some embodiments of the present disclosure.
Figure 145 is a schematic diagram illustrating an example configuration of a smart container according to some embodiments of the present disclosure.
Figure 146 is a schematic diagram illustrating an intelligent service adapted to provide intelligent services in a smart intermodal container system according to some embodiments of the present disclosure.
Figure 147 is a schematic diagram illustrating a digital twin module according to some embodiments of the present disclosure.
Figure 148 illustrates an example embodiment of a method for receiving a request to update one or more characteristics of a digital twin of a shipping entity and/or environment.
Figure 149 illustrates an example embodiment of a method for updating a set of cost of downtime values in a digital twin of a smart container according to some embodiments of the present disclosure.
Figure 150 is a schematic diagram illustrating an example environment of a digital product network according to some embodiments of the present disclosure.
Figure 151 is a schematic diagram illustrating an example environment of a connected product according to some embodiments of the present disclosure.
Figure 152 is a schematic diagram illustrating an example environment of a digital product network according to some embodiments of the present disclosure.
Figure 153 is a schematic diagram illustrating an example environment of a digital product network according to some embodiments of the present disclosure.
Figure 154 is a flow chart illustrating a method of using product level data according to some embodiments of the present disclosure.
Figure 155 is a schematic diagram illustrating an example environment of a digital product network according to some embodiments of the present disclosure.
Figure 156 is a schematic diagram illustrating an example of a smart futures contract system according to some embodiments of the present disclosure.
Figure 157 is a schematic diagram illustrating an example environment of an edge networking system according to some embodiments of the present disclosure.
Figure 158 is a schematic diagram illustrating an example environment of an edge networking system including a VCN bus according to some embodiments of the present disclosure.
Figure 159 is a schematic diagram illustrating an example environment of an edge networking system according to some embodiments of the present disclosure, including a configured device EDNW system.
160 is a schematic diagram of an example embodiment of a quantum computing service according to some embodiments of the present disclosure.
Figure 161 illustrates quantum computing service request handling according to some embodiments of the present disclosure.
Figure 162 is a schematic diagram illustrating embodiments of a biology-based value chain network system according to the present disclosure.
Figure 163 is a schematic diagram of the thalamus service and how it is coordinated within modules according to the present disclosure.
Figure 164 is a block diagram illustrating an energy system that can communicate with similar systems, subsystems, components, and a value chain network management platform in accordance with some embodiments of the present disclosure.
Figure 165 is a block diagram illustrating a schematic diagram of a dual-process artificial neural network system according to some embodiments of the present disclosure.
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.Over time, the company developed software systems to predict and manage customer demand, RFID and asset tracking systems to track goods as they move through the supply chain, and navigation and routing to improve the efficiency of route selection. Technological solutions, such as systems, are increasingly being used to improve the outcomes associated with traditional supply chains, such as those shown in Figure 1. However, several larger trends are placing increasing pressure on manufacturers, retailers and other operators to improve supply chain performance. First, online and e-commerce operators, especially Amazon™, have become the largest retail channel for goods in many categories, and in some cases the day after a customer orders an item, and in some cases the same day (and in some cases, drones, robots, and/or delivered to your doorstep by autonomous vehicles) have introduced distribution and fulfillment centers (112) throughout some regions, such as the United States, housing hundreds of thousands, and sometimes more, of product categories (SKUs). For retailers without a wide geographic distribution of fulfillment centers or warehouses, customer expectations for speed of delivery have placed increased pressure on supply chain efficiency and optimization. Accordingly, there still exists a need for improved supply chain methods and systems.
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.Second, agile manufacturing capabilities (e.g., using 3D printing and robotic assembly technologies, among others), customer profiling technologies, and online ratings and reviews have increased customer expectations for customization and personalization of products. Accordingly, to compete, manufacturers and retailers need improved methods and systems for understanding, predicting, and satisfying customer demand.
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.Historically, supply chain management and demand planning and management were mostly separate activities that were integrated primarily when demand was converted into orders, which were then passed on to the supply side for processing in the supply chain. As expectations for speed and personalization increase, there is a need for methods and systems that can provide integrated orchestration of supply and demand.
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 선적 부두(loading dock)로부터 고객(662) 또는 소매업자(664)의 목적지 지점(612)까지의 제품(1510)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.Parallel to these other big trends, the Internet of Things has emerged, and some categories of products, especially smart home products such as thermostats, lighting systems, and speakers, can provide specific functions such as playing music or even ordering products. They are becoming increasingly capable with onboard network connectivity and processing capabilities, often including voice-controlled intelligent agents such as Alexa™ or Siri™ that allow device control and triggering of application features. In some cases,
밸류 체인 네트워크(VALUE CHAIN NETWORKS)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(21002)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 유형의 입력과 관련된 통신이 또한 밸류 체인 제어 타워에 의해 이용될 수 있다.2, a block diagram illustrating the components and interrelationships of the systems and processes of a value chain network is presented at 200. In an exemplary embodiment, a “value chain network,” as used in this application, refers to historically separate demand management systems and processes and supply chain management, enabled by the development and convergence of a number of different technologies. Refers to the elements and interconnections of systems and processes. In an exemplary embodiment, value chain control tower 260 (e.g., referred to herein in some cases as a “value chain network management platform,” “VCNP,” or simply “system,” or “platform”) may be connected to, in communication with, or otherwise operably coupled to a data processing facility, which may be, for example, a customer (e.g., directly connected customer 250), or A big data center that receives data flows, data pools, data streams and/or other data configurations and transmission modalities directly from some other
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(21002), 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.3, another block diagram is presented illustrating the components and interrelationships of the systems and processes of a value chain network, and associated use cases, data handling, and associated entities. In an exemplary embodiment, value
디지털 제품 네트워크(DIGITAL PRODUCT NETWORKS)("DPN")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.Referring to Figure 4, a block diagram is presented at 400 illustrating the components and interrelationships of the systems and processes of a digital product network. In example embodiments, products (including goods and services) may generate and transmit data, such as product level data, to a communication layer and/or edge data processing facility within the value chain network technology stack. This data may generate enhanced product level data and may be combined with third party data for further processing, modeling or other adaptive or coordinated intelligence activities, as described herein. This may include, but is not limited to, producing and/or simulating product and value chain use cases, and data therefor may be utilized by the product, product development process, product design, etc.
스택 뷰 예(STACK VIEW EXAMPLES)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.5, a presentation layer, an intelligence layer, and platforms (e.g., development and hosting platforms), data facilities (e.g., related to data with IoT and big data), and data aggregation facilities. A block diagram illustrating the components and interrelationships of the systems and processes of the value chain network technology stack, which may include, but is not limited to, serverless functionality, is presented at 500. In an example embodiment, the presentation layer may include, but is not limited to, a user interface and modules for research and discovery and tracking the user's experience and engagement. In an example embodiment, the intelligence layer may include, but is not limited to, statistical and computational methods, semantic models, analysis libraries, development environments for analysis, algorithms, logic and rules, and machine learning. In an example embodiment, the platform or value chain network technology stack may include a development environment, APIs for connectivity, cloud and/or hosted applications, and device discovery. In an example embodiment, the data aggregation facility or layer may include, but is not limited to, modules for data normalization for general transmission and heterogeneous data collection from heterogeneous devices. In example embodiments, data facilities or tiers may include, but are not limited to, IoT and big data access, control, and collection and alternatives. In example embodiments, the value chain network technology stack may further be associated with additional data sources and/or technology enablers.
커맨드 플랫폼으로부터의 밸류 체인 오케스트레이션(VALUE CHAIN ORCHESTRATION FROM A COMMAND PLATFORM)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(1510) 뿐만 아니라, 또한 그에 대한 수요를 계획하고 만족시키는 데 수반되는 장비, 기반구조, 인력 및 다른 엔티티 모두를 포함할 수 있다.6 illustrates that the value chain network management platform 604 (referred to in some cases in this application as “value chain control tower”, “VCNP”, or simply “system” or “platform”) manages supply and production factors, demand, and Illustrates a connected
밸류 체인 네트워크 및 밸류 체인 네트워크 관리 플랫폼(VALUE CHAIN NETWORK AND VALUE CHAIN NETWORK MANAGEMENT PLATFORM)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(1510)일 수 있는 제품(1510); 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.7, the
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(1510)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 유형의 제품 및/또는 관련 서비스 세트와 같은 임의의 카테고리의 제품일 수 있거나, 실시예에서, 지능형 제품(1510)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, 자가-조직화, 자가-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).Still referring to Figure 7, a high-level schematic diagram of value chain
실시예에서, 관리 플랫폼(604)은 데이터 취급 계층(data handling layer)(608)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(608)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(608)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(608)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.In embodiments,
실시예에서, 데이터 취급 계층(608)은 도면에서 수직 스택 또는 리본으로 표시될 수 있고, 저장, 모니터링, 및 처리 애플리케이션 및 자원 및 이들의 조합을 포함하는 플랫폼(604)에 이용가능한 많은 기능성을 나타낼 수 있다. 실시예에서, 데이터 취급 계층(608)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(608)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(608)의 능력의 연결 및 사용을 용이하게 할 수 있다. 다른 예에서, 적응형 지능 시스템은 데이터 취급 계층(608)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(608)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.In embodiments,
플랫폼에 의해 관리되는 밸류 체인 네트워크 엔티티(VALUE CHAIN NETWORK ENTITIES MANAGED BY THE PLATFORM)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.8, a value chain
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 유형의 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, 부두 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 유형의 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, 선적 및 하적 부두, 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), (부두, 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 자원 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(1510)은 지능형 제품(1510)으로서 포괄될 수 있거나 VCNP(604)는 지능형 제품(1510)을 포함할 수 있다. 지능형 제품(1510)은, 특히, 제한 없이, 데이터 처리, 네트워킹, 감지, 자율 동작, 지능형 에이전트, 자연어 처리, 대화 인식, 음성 인식, 터치 인터페이스, 원격 제어, 자가-조직화, 자가-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(1510)은 정보 기술의 형태를 포함할 수 있다. 지능형 제품(1510)은 프로세서, 컴퓨터 랜덤 액세스 메모리, 및 통신 모듈을 가질 수 있다. 지능형 제품(1510)은 지능형 제품이 핑되거나 판독될 수 있는 RFID 유형의 데이터 구조와 유사한 수동적 지능형 제품일 수 있다. 제품(1510)은 (예를 들어, 플랫폼의 제어 하에 있는) 밸류 체인 네트워크 엔티티로 고려될 수 있고, 데이터가 지능형 제품(1510)으로부터 판독될 수 있도록 주변 기반구조에 의해, 그리고, RFID를 추가함으로써 지능형이 되게 될 수 있다. 지능형 제품(1510)은 연결성이 센서, IoT 디바이스, 태그, 또는 다른 컴포넌트를 통해 지능형 제품(1510) 주위에 구축되도록 연결된 방식으로 밸류 체인 네트워크에 맞춰질 수 있다.These value chain entities 652 may be any of the wide variety of assets, systems, devices, machines, components, equipment, facilities, individuals or other entities mentioned throughout this disclosure or in documents incorporated by reference herein; Examples may include, without limitation: machine 724 and its components (e.g., delivery vehicles, forklifts, conveyors, loading machines, cranes, lifts, transporters, trucks, loading machines, unloading machines, packing machines) , picking machines, and robotic systems such as physical robots, collaborative robots (e.g., “cobots”), drones, autonomous vehicles, software bots, and many others); Products (650) (finished products, software products, hardware products, component products, materials, items of equipment, items of consumer packaged goods, consumer products, food products, beverage products, household products, business supply products, consumable products, pharmaceutical products) , may be any category of products, such as medical device products, technology products, entertainment products, or any other type of product and/or set of related services); Value chain process 722 (e.g., shipping process, transport process, maritime process, inspection process, transport process, loading/unloading process, packing/unpacking process, construction process, assembly process, installation process, quality control process, environmental Control processes (e.g. temperature control, humidity control, pressure control, vibration control, etc.), boundary control processes, port-related processes, software processes (including applications, programs, services, etc.), packing and loading processes, financial processes. (e.g. insurance process, reporting process, transaction process, etc.), testing and diagnostic process, security process, safety process, reporting process, asset tracking process, etc.); Wearable and portable devices 720 (e.g., mobile phones, tablets, dedicated portable devices for value chain applications and processes, data collectors (including mobile data collectors), sensor-based devices, watches, glasses, hearing devices, head-mounted devices) devices, clothing-integrated devices, arm bands, bracelets, neck-worn devices, AR/VR devices, headphones, etc.); Workers 718 (e.g., delivery workers, delivery workers, barge workers, dock workers, dock workers, train workers, ship workers, distribution or fulfillment center workers, warehouse workers, vehicle drivers, business managers, engineers, floor managers, Demand managers, marketing managers, inventory managers, supply chain managers, freight handlers, inspectors, delivery personnel, environmental control managers, financial asset managers, process supervisors and operators (for any of the processes mentioned in this application), security personnel, safety personnel, etc.); Suppliers 642 (e.g., suppliers of all types of goods and related services, component suppliers, ingredient suppliers, material suppliers, manufacturers, etc.); Customers 662 (consumers, licensees, businesses, businesses, value-added and other resellers, retailers, end users, distributors, and others who purchase, license, or otherwise use categories of goods and/or related services) (including others who may); Extensive operational facilities 712 (e.g., loading and unloading docks, storage and warehousing facilities 654, vaults, distribution facilities 658, and fulfillment centers 628) (aircraft, airports, hangars, runways, refueling depots, etc.) (including) air travel facilities 740, (piers, yards, cranes, roll-on/roll-off facilities, ramps, containers, container handling systems, waterways 732, locks) Marine facilities 622 (such as port infrastructure facilities 622), shipyard facilities 638, floating assets 620 (such as ships, barges, boats, etc.), point of origin 610 and/or destination. Facilities and other items at points 628, transport facilities 710 (such as container ships, barges, and other floating assets 620), as well as land-based vehicles used to transport goods, such as trucks, trains, etc. vehicles and other delivery systems (632), etc.); Items or factors for which demand is considered (i.e., demand factors 644) (including market factors, events, etc.); Items or factors considered for supply (i.e., supply factors 648) (including market factors, weather, availability of components and materials, etc.); Logistics factors 750 (e.g., availability of travel routes, weather, fuel prices, regulatory factors, availability of space (e.g., on a vehicle, within a container, within a package, within a warehouse, within a fulfillment center, on the shelf) on, etc.), etc.); Retailers 664 (including other retailers such as online retailers 730 and e-commerce sites 730); routes for transportation (e.g., waterways 732, roads 734, air travel routes, railways 738, etc.); Robotic systems 744 (including mobile robots, cobots, robotic systems to assist human workers, robotic delivery systems, etc.); Drones (748) (including those for package delivery, site mapping, monitoring or inspection, etc.); Autonomous vehicles 742 (e.g., for package delivery); Software platform 752 (e.g., enterprise resource planning platform, customer relationship management platform, sales and marketing platform, asset management platform, Internet of Things platform, supply chain management platform, platform as a service platform, infrastructure as a service platform, software-based data storage platform, analysis platform, artificial intelligence platform, etc.); etc. In some example embodiments,
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(608)의 다양한 능력을 통해, 밸류 체인 엔티티(652) 중 임의의 것에 제어 명령어를 제공하거나 그로부터 명령어를 취할 수 있는 등이다.In embodiments,
밸류 체인 네트워크 엔티티의 네트워크 특성(NETWORK CHARACTERISTICS OF THE VALUE CHAIN NETWORK ENTITIES)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 자원을 구성 또는 프로비저닝하거나 및/또는 연결성을 활용하는 애플리케이션(630)을 관리할 수 있다.9, the orchestration of a set of deeply interconnected value
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. 그런 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(1510)에 관한 고객 피드백을 취하는 지능형 제품(1510)과 조정될 수 있고, 주문 처리 센터(628)에 대한 애플리케이션(630)은, 제품(1510)과의 문제에 관한 지능형 제품(1510)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.For example, an IoT system deployed at a
플랫폼에 의해 관리되는 밸류 체인 네트워크 활동 및 애플리케이션(VALUE CHAIN NETWORK ACTIVITIES AND APPLICATIONS MANAGED BY THE PLATFORM)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(614)의 세트는, 제한 없이, 다음과 같은 광범위한 유형의 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(21004)(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 자원, 소프트웨어, 정보 기술 자원, 데이터 처리 자원, 데이터 저장 자원, 발전 및/또는 저장 자원, 계산 자원 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(1510)의 하나 이상의 특징을 사용하거나 그에 의해 인에이블되거나 지능형 제품(1510) 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, 매수 또는 매도, 현물 대가의 교환, 스마트 계약 이벤트 등, 또는 다른 블록체인 기반 애플리케이션을 캡처하는 분산 원장); 시설 관리 애플리케이션(850)(예컨대, 제한 없이, 쉽야드, 항구, 유통 센터, 웨어하우스, 부두, 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(marketplace), 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 유형, 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 자원을 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, 선물, 옵션, 파생상품 등을 위한 스마트 계약, 현재 또는 미래 자원을 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 유형 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 유형의 격리된 애플리케이션에 비해 개선될 수 있다.Referring to FIG. 10 , a set of value
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(614)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(1510)과의 컨테이너 또는 패키지의 호환성, 고객 요건의 세트와의 제품(1510)의 호환성, 다른 제품(1510)과의 제품(1510)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(1510) 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).Still referring to FIG. 10 , it involves a set of value
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(614)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 자원의 낭비, 인적 자원의 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(1510)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(1510), 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(1510)과의 상호작용에서 캡처된 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).Still referring to FIG. 10 , a set of value
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(614)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 및 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, 자원(예컨대, 연결성, 컴퓨팅, 인간, 에너지, 및 다른 자원들)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 자원에 대한 액세스를 위한 정책을 수반함), 데이터 액세스(프라이버시 데이터, 운영 데이터, 상태 데이터, 및 많은 다른 데이터 유형을 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(1510)에 대한 구성을 결정하는 것을 허용하기 위한 것으로서, 예컨대 애자일(agile) 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 선적 부두 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(1510)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).Still referring to FIG. 10 , it involves a set of value
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(614)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 부두, 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 자원 계획(ERP) 애플리케이션(892)(예컨대, 노동력 자원, 재무 자원, 에너지 자원, 물리적 자산, 디지털 자산, 및 다른 자원을 포함하는 기업 자원의 활용을 계획하기 위한 것).Still referring to FIG. 10 , a set of value
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)CORE CAPABILITIES AND INTERACTIONS OF THE DATA HANDLING LAYERS (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(1510)(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 유형의 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.11, a high-level schematic diagram of an embodiment of a value chain
실시예에서, 밸류 체인 네트워크 관리 플랫폼(604)은 데이터 취급 계층(608)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(608)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(604)을 포함할 수 있다. 밸류 체인 네트워크 관리 플랫폼(604)은 데이터 취급 계층(608)을 포함할 수 있으며, 따라서 밸류 체인 네트워크 관리 플랫폼(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(608) 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(608) 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, 유형 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, 자원 관리 시스템, CRM 시스템, 공급 체인 관리 시스템 등)과 같은 외부 시스템과 교환될 수 있다. 데이터 취급 계층(608) 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.In embodiments, the value chain
실시예에서, 각각의 데이터 취급 계층(608)은 다른 데이터 취급 계층(608) 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(608)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(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.In an embodiment, each
실시예에서, 데이터 취급 계층(608)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(608)에 의해 생성된 데이터가 데이터 저장 계층(624)에 저장될 수 있어서, 다양한 데이터 취급 계층(608)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(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.In an embodiment, the
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.In embodiments, value chain network data objects 1004 are classes, objects, properties, etc. of the set of data objects (such as those associated with value
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 유형을 수집할 때에도, 데이터 취급 계층(608)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 유형의 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 자원으로서 용이하게 할 수 있도록 로봇 프로세스 자동화, 예측, 예상, 및 다른 자원을 지원하거나 배치하는 것을 비롯하여 플랫폼 상의 다른 계층으로 마이그레이션(migrate)될 수 있다.In embodiments, data
다양한 저장 매체 및 데이터 저장 유형, 데이터 아키텍처(1002), 및 포맷을 사용하여 광범위한 데이터 유형이 저장 계층(624)에 저장될 수 있으며, 이는 밸류 체인 네트워크 엔티티(652) 및 애플리케이션(630)과 연관된 많은 다른 데이터 유형 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 유형을 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 유형의 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).A wide range of data types can be stored in the
실시예에서, 데이터 취급 계층(608)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 자원, (단일 디바이스 또는 피어링된 네트워크에 대한) 이용가능한 온-디바이스 자원, 및 이용가능한 클라우드 기반구조와 같은) 컴퓨팅 자원, (디바이스 상의 로컬 저장소, 밸류 체인 엔티티 또는 환경 내의 또는 그 상의 저장 자원(온-디바이스 저장소, 자산 태그 상의 저장소, 로컬 영역 네트워크 저장소 등을 포함함), 네트워크 저장 자원, 클라우드 기반 저장 자원, 데이터베이스 자원 등을 포함하는 데이터 저장 자원), (셀룰러 네트워크 스펙트럼, 무선 네트워크 자원, 고정 네트워크 자원 등을 포함하는) 네트워킹 자원, (이용가능한 배터리 전력, 이용가능한 재생가능 에너지, 연료, 그리드 기반 전력 등과 같은) 에너지 자원 등과 같은 다양한 자원의 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 자원을 관리하고 프로비저닝할 수 있어서, 낮은 레이턴시의 자원이 공급 체인 관리 애플리케이션(신속한 결정이 중요할 수 있음)을 위해 사용되고, 더 긴 레이턴시의 자원이 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.In embodiments,
본 출원의 일부 경우에서 편의상 플랫폼(604)이라고 지칭되는 밸류 체인 관리 플랫폼(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(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 유형의 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(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.Value
일부 데이터 저장 계층 상세 - 대안적 데이터 아키텍처(SOME DATA STORAGE LAYER DETAILS - ALTERNATIVE DATA ARCHITECTURES)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), 자가-조직화 아키텍처(1134), 및 다른 데이터 아키텍처(1002)를 포함하는 다양한 데이터 아키텍처가 사용될 수 있다.12, additional details, components, subsystems, and other elements of an optional embodiment of the
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.The adaptive
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.In an embodiment, the value chain network-oriented data
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, 자가-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(1124))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 캡처하는 데 사용될 수 있다. 플랫폼은 일종의 전문가가, 수반되는 전문 지식의 유형에 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 자가-조직화 맵에 대해 상이한 유형의 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 유형의 데이터를 포함할 수 있다.In an embodiment,
적응형 지능 시스템 및 모니터링 계층(ADAPTIVE INTELLIGENT SYSTEMS AND MONITORING LAYERS)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(614)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.13, additional details, components, subsystems, and other elements of an optional embodiment of
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(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.In embodiments, adaptive
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 시스템(1920)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.This
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 자원, 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, 선적 또는 하적 부두, 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 유형 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)(설문조사 시스템(survey system), 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.In embodiments, value chain
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 자원에 대한 근접도에 의해), 셀룰러 위치에 의해(예컨대 셀룰러 타워에 대한 근접도에 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.In an embodiment, the value chain
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.14, a management platform of an information technology system, such as a management platform for a value chain of goods and/or services, is shown as a block diagram of functional elements and representative interconnections. The management platform includes, among other things, a
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.In embodiments, the user interface may be configured to interact with selected members of the value chain to enhance, control, improve, optimize, configure, adapt, or otherwise influence the value chain for a category of
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.In embodiments, providing coordinated intelligence may include providing artificial intelligence capabilities, such as
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.In embodiments,
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 유형은 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.In embodiments,
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 유형의 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.In embodiments, providing coordinated intelligence for a set of
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.Similarly, providing coordinated intelligence for a set of
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.In an embodiment,
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.In embodiments,
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 자원 또는 다른 자원이 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.In an embodiment, the
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 우선순위화(temporal prioritization)를 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.In embodiments, a set of
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.The set of
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.In addition to providing coordinated intelligence configured for a specific category of goods, coordinated intelligence may be provided for specific
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 자원을 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.Providing coordinated intelligence may include using neural networks to process at least one of the inputs and outputs of a set of demand management and supply chain applications. Neural networks can be used in demand planning applications, demand forecasting applications, sales applications, future demand aggregation applications, marketing applications, advertising applications, e-commerce applications, marketing analytics applications, customer relationship management applications, search engine optimization applications, sales management applications, advertising network applications, It can be used with demand applications such as behavior tracking applications, marketing analytics applications, location-based product or service targeting applications, collaborative filtering applications, recommendation engines for products or services, etc. Neural networks can also be used with supply chain applications, such as product timing management applications, product quantity management applications, logistics management applications, shipping applications, delivery applications, order to product management applications, order to component management applications, etc. Neural networks can be used to manage processes, bill of materials, weather, traffic, design specifications, customer complaint logs, customer reviews, Enterprise Resource Planning (ERP) systems, Customer Relationship Management (CRM) systems, Customer Experience Management (CEM) systems, and Service Lifecycle Management (SLM). Coordinated intelligence can be provided by processing data available from any of a plurality of value chain data sources for categories of goods, including without limitation ) systems, Product Lifecycle Management (PLM) systems, etc. Neural networks configured to provide coordinated intelligence may share adaptive capabilities with other
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 유형의 인공 지능 시스템, 유형 A(3052) 및 유형 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 유형의 인공 지능 능력을 포함할 수 있는 하이브리드 인공 지능 시스템(3060)을 포함할 수 있다. 하이브리드 적응형 지능 시스템(614)은 제1 유형의 인공 지능 시스템(1160)을 수요 관리 애플리케이션(824)의 세트에 적용하고 제2 유형의 인공 지능 시스템(1160)을 공급 체인 애플리케이션(812)의 세트에 적용하는 것을 용이하게 할 수 있으며, 여기서 제1 유형 및 제2 유형의 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.15, a management platform of an information technology system, such as a management platform for a value chain of goods and/or services, is shown as a block diagram of functional elements and representative interconnections. The management platform includes, inter alia, a
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 유형의 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 유형은 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.In an embodiment,
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 유형의 인공 지능을 포함할 수 있고 공급 체인 애플리케이션(812)에 적용되는 제2 유형의 인공 지능과 구별되는 하이브리드 인공 지능 시스템(3060)을 제공할 수 있다. 하이브리드 인공 지능 시스템(3060)은 복수의 제1 유형의 인공 지능(예를 들어, 신경망들) 및 적어도 하나의 제2 유형의 인공 지능(예를 들어, 전문가 시스템) 등을 포함하는 유형의 인공 지능 시스템의 임의의 조합을 포함할 수 있다. 실시예에서, 하이브리드 인공 지능 시스템은 수요 관리 애플리케이션(824)에 대해 제1 유형의 신경망을 적용하고 공급 체인 애플리케이션(812)에 대해 제2 유형의 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 유형의 인공 지능을 제공할 수 있다.In an embodiment, hybrid
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, 자가-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.In embodiments, hybrid
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.16, a management platform of an information technology system, such as a management platform for a value chain of goods and/or services, is shown as a block diagram of functional elements and representative interconnections for providing a set of
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.In an embodiment, the set of
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.In embodiments,
실시예에서, 예측의 세트(3070)는 적응형 인공 지능 시스템의 세트를 통해 관리 플랫폼(102)에 의해 직접 제공될 수 있다.In embodiments, the set of
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.In embodiments, the forecast set 3070 may be provided for a coordinated set of demand management applications and supply chain applications for a category of goods by applying artificial intelligence capabilities to coordinate the set of demand management applications and supply chain applications. there is.
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.In an embodiment, the set of
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.17, a management platform of an information technology system, such as a management platform for a value chain of goods and/or services, is depicted as a block diagram of functional elements and representative interconnections to provide a set of
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.In an embodiment, the
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.In embodiments,
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.In embodiments, the set of
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.In an embodiment, the set of
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.In embodiments, the set of classifications may include a set of adaptive intelligence functions, such as a neural network, that can be adapted to classify information associated with a category of products. In an example, the neural network may be a multilayer feedforward neural network.
실시예에서, 분류를 수행하는 것은 발견된 밸류 체인 엔티티를 수요 중심 및 공급 중심 중 하나로서 분류하는 것을 포함할 수 있다.In embodiments, performing classification may include classifying the discovered value chain entities as either demand-driven or supply-driven.
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.In an embodiment, the set of
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.18, a management platform of an information technology system, such as a management platform for a value chain of goods and/or services, is shown as a block diagram of functional elements and representative interconnections to achieve automated control intelligence. The management platform includes, inter alia, a
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.In embodiments,
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.In one example, the set of automated control signals is at least one for automating the execution of supply chain applications, such as production start, automated material ordering, inventory verification, billing applications, etc., in a coordinated set of demand management applications and supply chain applications. May include control signals. In another example of automated control signal generation, the set of automated control signals is at least one for automating the execution of a demand management application, such as a product recall application, an email distribution application, etc., in a coordinated set of demand management applications and supply chain applications. It may include control signals. In another example, automated control signals may control the timing of a demand management application based on product supply status.
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.In embodiments,
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.For example, automated control of a supply chain application may be limited by, for example, policies, operational restrictions, safety constraints, etc. A set of adaptive intelligence systems can determine the range of supply chain application control values over which controls can be automated. In embodiments, the range may be associated with supply rate, supply timing rate, mix of products within a category of products, etc.
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.Embodiments for using artificial intelligence systems or capabilities to identify, configure, and condition automated control signals are described herein. Such embodiments include demand management and supply chain applications that are selectively processed with machine learning and used to adapt automated control signals for at least one of the products within a category of products (e.g., status information, output information, results, etc. ) may further include a closed loop of feedback from the adjusted set. Automated control signals may be adapted, for example, based on indications of feedback from a supply chain application that the yield of goods suggests a production problem. In this example, an automated control signal can affect production speed, and feedback can cause the signal to automatically self-adjust to a slower production speed until the production problem is resolved.
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 유형에 대해 훈련하기 위해 기계 학습을 사용할 수 있고, 그에 의해 상이한 트랜잭션 유형(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 유형 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 유형, 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.19, a management platform of an information technology system, such as a management platform for a value chain of goods and/or services, is shown as a block diagram of functional elements and representative interconnections for providing information routing recommendations. The management platform includes a set of
실시예에서, 인공 지능 시스템(1160)은 트랜잭션 유형, 트랜잭션 유형 및 정보 유형, 네트워크 유형 등에 기초하여 정보 라우팅 추천(3130)을 제공할 수 있다. 정보 라우팅 추천은 정보 유형(스트리밍)이 네트워크 유형(소규모 트랜잭션)과 호환가능하지 않을 때와 같이, 정보 유형 및 네트워크 유형과 같은 인자의 조합에 기초할 수 있다.In embodiments,
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 유형은 네트워크 유형과 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 유형과 호환성이다. 이는 또한 에지 컴퓨팅, 서버 액세스, 네트워크 기반 저장 자원 등과 같은 정보 라우팅 추천 - 네트워크 자원(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.In embodiments,
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 자원을 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).In embodiments,
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 자원을 선택할 수 있다.Information routing recommendations may be formed by the
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.Information value and its impact on information value can be considered in information routing recommendations. By way of example, information valid for a single shipment (e.g., one production run of goods) may lose substantial value once the shipment is satisfactorily received. In this example, an information routing recommendation may refer to routing relevant information to all of the highest priority consumers of that information while the relevant information is still valid. Likewise, the routing of information consumed by more than one value chain entity can be done at the desired time/moment of each value chain entity, e.g. during the same production shift, at the beginning of their day - if the entities are in different time zones. The back may be different - the back may need to be adjusted to receive information.
실시예에서, 정보 라우팅 추천은 밸류 체인의 토폴로지에 기초할 수 있고, 네트워크 저장 자원의 위치 및 가용성 등에 기초할 수 있다.In embodiments, information routing recommendations may be based on the topology of the value chain, location and availability of network storage resources, etc.
실시예에서, 예를 들어, 네트워크 자원 가용성, 네트워크 자원 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.In embodiments, while information is being routed, for example, based on changes in network resource availability, network resource discovery, network dynamic loading, priority of recommendations generated after the information for the first recommendation is within the path, etc. , one or more information routing recommendations may be adapted.
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 자원(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.Referring to FIG. 20, a management platform of an information technology system, such as a management platform for the value chain of goods and/or services, includes functional elements for semi-perceptual problem recognition of pain points in the value chain network, and It is shown as a block diagram of representative interconnections. The management platform includes a set of value
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.In embodiments, recognizing problem states may be based on analysis of fluctuations, such as fluctuations occurring in value chain metrics (e.g., loading, latency, delivery time, cost, etc.), particularly at certain scales over time. there is. Variations that exceed variation thresholds (e.g., selective dynamic range of outcomes of value chain operations such as production, delivery, customs clearance, etc.) may indicate pain points.
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.In addition to detecting problem states,
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.In embodiments, semi-perceptual problem recognition may involve more than simple links of data and operational states of entities involved in the value chain. Problem recognition may also be based on human factors, such as the perceived stress of production supervisors, deliverers, etc. Human factors for use in semi-perceptual problem recognition may be collected from sensors (e.g., wearable physiological sensors, etc.) that facilitate detection of human stress levels, etc.
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.In embodiments, semi-perceptual problem recognition may also be based on unstructured information, such as digital communications, voice messaging, etc., that may be shared between, sent with, or received by humans involved in value chain operations. can do. As an example, natural language processing of email communications between workers within an enterprise may indicate, for example, a level of inconvenience to suppliers up the value chain. Although data associated with a supplier (e.g., on-time production, quality, etc.) may be within the range of variation considered acceptable, information within this unstructured content may be associated with potential pain points, such as personal issues with the supplier's key participants. can indicate. By using natural language processing, artificial intelligence, and optionally machine learning, problem state recognition can be improved.
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 자원 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.In embodiments, semi-perceptual problem recognition may be based on analysis of changes in the scale of a value chain operation/entity/application, including changes in a given measure over time, changes in two related measures, etc. In embodiments, variation in results over time may indicate problem status and/or suggest pain points. In embodiments, an artificial intelligence-based system determines an acceptable range of outcome variation and applies that range to measurements of a selected set of value chain network entities, such as entities that share one or more similarities, to facilitate detection of problematic conditions. can do. In an embodiment, the acceptable range of outcome variation may indicate a problem state trigger threshold that can be used by a local instance of artificial intelligence for signaling the problem state. In this scenario, a problem state may be detected when at least one metric of a value chain activity/entity, etc. is greater than an artificial intelligence determined problem state threshold. Variation analysis for problem state detection may include variations in at least one of the following: variation in start/end times of scheduled value chain network entity activities, production time, production quality, production rate, production start time, production resource availability, or trends thereof, delivery, Variations in the measurement of supply chain entities, variations in the duration of time for transfer from one mode of transport to another (e.g. when the variation is greater than the transport mode problem status threshold), variations in quality testing, etc. It may include detecting.
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.In embodiments, the semi-sentient problem recognition system may further respond along the supply chain due to detected pain points, such as risk and/or need for overtime, expedited delivery, product price discounts, etc. May include machine learning/artificial intelligence prediction of identified pain points.
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.In embodiments, the machine learning/artificial intelligence system may be used to: late delivery, damaged container, damaged goods, incorrect goods, customs delays, unpaid duties, weather events, damaged infrastructure, blocked waterways, incompatible infrastructure, congested ports, Congested handling infrastructure, congested roads, congested distribution centers, rejected goods, returned goods, waste, wasted energy, wasted labor, untrained labor, poor customer service, empty transport vehicles on return routes; Process results, parameters, and data collected from a set of data sources associated with a set of value chain entities and activities to detect at least one pain point selected from a list of pain points consisting of excessive fuel prices, excessive tariffs, etc. there is.
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.21, a management platform of an information technology system, such as a management platform for a value chain of goods and/or services, is an automated coordination of functional elements and representative interconnections of a set of value chain network activities for a set of products of an enterprise. It is shown as a block diagram of . The management platform provides
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-유형 시스템(예를 들어, 본 출원 및 본 출원에 참조로 포함된 문서에 설명된 이러한 시스템을 포함하는 기계 학습, 전문가 시스템, 자가-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.A value chain can include multiple interconnected entities, each performing several activities to complete the value chain. Although humans play an important role in some activities within the value chain network, artificial intelligence-type systems (including, for example, such systems described in this application and the documents incorporated herein by reference) are used to coordinate supply chain activities. Greater automated coordination and integrated orchestration of supply and demand can be achieved using machine learning, expert systems, self-organizing systems, etc. The use of artificial intelligence not only provides greater capabilities to end users, but also the emerging nature of self-adaptive systems, including Internet of Things (IoT) devices and intelligent products, which can play a key role in the automated coordination of supply chain activities. can be made more abundant.
예를 들어, 주문 처리 센터(fulfillment center)(628)에 배치된 IoT 시스템은 제품(1510)에 관한 고객 피드백을 취하는 지능형 제품(1510)과 조정될 수 있고, 주문 처리 센터(628)를 위한 애플리케이션(630)은, 지능형 제품(1510)에 의한 연결 경로를 통해 제품(1510)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(1510)과의 문제를 분석하고, 제품을 생산하는 밸류 체인 네트워크 활동의 이해를 개발하고, 작업흐름에 요구되는 자원을 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.For example, an IoT system deployed in a
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 유형의 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.In embodiments, automated coordination of a set of value chain network activities for a set of products for an enterprise, e.g., to provide selectively coordinated intelligence and coordinate activities, such as demand management activities, supply chain activities, etc. may rely on the methods and systems of coordinated intelligence described herein to facilitate coordinating . As an example, artificial intelligence can facilitate determining relationships between value-changing network activities based on the inputs used by the activities and the outcomes generated by the activities. Artificial intelligence can be used by value chain network entities to continuously monitor activities, identify temporal aspects that require adjustments (for example, when changes in supply have a temporal impact on demand activity), and automate such adjustments. Integrate with and/or work in collaboration with activities on platforms such as Activities. An advanced artificial intelligence system that can enable the use of different artificial intelligence capabilities for any given value chain set of entities, applications, or conditions. You can benefit from The use of hybrid artificial intelligence systems can provide advantages by applying more than one type of intelligence to a set of conditions to facilitate human and/or computer automated selection. Artificial intelligence further enhances the automated coordination of value chain network entity activities through intelligent actions such as generation of sets of predictions, sets of classifications, generation of automated control signals (which can be communicated across value chain network entities, etc.) You can do it. Other exemplary artificial intelligence-based impacts on automated coordination of value chain network entity activities include machine learning-based information routing and recommendations therefor, structured (e.g., production data) and unstructured (e.g., human emotions) s) includes semi-perceptual problem recognition based on both sources. The artificial intelligence system will facilitate the automated coordination of the activities of value chain network entities for a set of products or an enterprise based on the adaptive intelligence provided by the platform for the categories of goods into which the enterprise's set of products can be grouped. You can. In an example, adaptive intelligence may be provided by a platform for a drapery hanging category of merchandise, and a set of products for a business may include a line of adaptable drapery hangers. With the understanding developed for the entire drapery hanging category, artificial intelligence capabilities can be applied to a company's value chain network activities to automate aspects of the value chain, such as the exchange of information between activities.
밸류 체인 엔티티 관리 플랫폼에서의 디지털 트윈 시스템(DIGITAL TWIN SYSTEM IN VALUE CHAIN ENTITY MANAGEMENT PLATFORM)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(614) 각각에 의해 관리, 제어 또는 중재되는 프로세스 각각에 대해 사용 및/또는 적용될 수 있다.22, the
실시예에서, 디지털 트윈(1700)은 밸류 체인 관리 플랫폼(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.In embodiments,
실시예에서, 디지털 트윈(1700)은 애플리케이션(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(614)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.In embodiments,
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.In embodiments,
밸류 체인 네트워크 디지털 트윈(VALUE CHAIN NETWORK DIGITAL TWINS)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.23 , as described throughout this disclosure, a component or element of the value
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(21010)(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.Accordingly, platform 604 may include, integrate, be integrated with, manage, control, coordinate, or otherwise handle any of the following, among others: distribution twin 1714 (e.g., A wide variety of digital twins (1700), such as those representing distribution facilities, assets, objects, workers, etc.; Warehousing Twin (1712) (e.g., representing warehouse facilities, assets, goods, workers, etc.); port infrastructure twin 1714 (e.g., representing a port, airport, or other facility, as well as assets, objects, workers, etc.); Shipping Facility Twin (1720); Operating Facility Twin (1722); customer twin 1730 (e.g., representing the physical, behavioral, demographic, psychological, financial, historical, affinity, interests, and other characteristics of a group of customers or an individual customer); Worker twin 1740 (e.g., physical attributes, physiological data, state data, psychological information, emotional state, state of fatigue/energy, state of attention, skills, training, competencies, roles, authority, responsibilities, work status, activities , and other properties of or accompanying the worker); Wearable/Portable Device Twin (1750); Process Twin (1760); machine twin 21010 (e.g., for the various machines used to support the value chain network 668); product twin (1780); Origin point twin (1560); provider twin (1630); supplyfactor twin(1650); Marine Facility Twin (1572); Floating Asset Twin (1570); Shipyard Twin (1620); Destination Twin (1562); Fulfillment Twin (1600); Delivery System Twin (1610); demand factor twin (1640); Retailer Twin (1790); E-commerce and online site and operator Twin (1800); Aqueduct Twin (1810); Road Twin (1820); Railway Twin (1830); aviation facility twins 1840 (e.g., twins of aircraft, runways, airports, hangars, warehouses, air travel corridors, refueling facilities, and other assets, objects, personnel, etc. used in connection with the air transportation of products 650); Autonomous Vehicle Twin (1850); Robotics Twin (1860); Drone Twin (1870); and Logistic Factor Twin (1880); etc. Each of these includes: mirroring or reflecting changes in the state of an associated physical object or other entity, providing the ability to model the behavior or interaction of an associated physical object or other entity, enabling simulation, state The digital twin may have the characteristics described throughout this disclosure and the documents incorporated by reference in this application, such as providing a representation of.
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.In an example embodiment, a digital twin system may be configured to create various enterprise
엔티티 발견 및 상호작용 관리(ENTITY DISCOVERY AND INTERACTION MANAGEMENT)ENTITY DISCOVERY AND INTERACTION MANAGEMENT
도 24를 참조하면, 다양한 데이터 수집 시스템(640)(예컨대, IoT 데이터 수집 시스템, 소셜 네트워크, 웹사이트, 및 다른 온라인 자원을 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 유형을 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 유형의 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 유형 중 임의의 것을 포함함)을 포함할 수 있는 엔티티 상호작용 관리 시스템(1902)의 세트를 포함할 수 있다.24, a monitoring system layer (e.g., IoT data collection system, data collection system that searches social networks, websites, and other online resources, crowdsourcing system, etc.) including various data collection systems 640 ( 614), as well as for identifying a set of value
많은 가능한 것 중 예시적인 예로서, 엔티티 발견 시스템(1900)은 기업을 위한 제품을 생산하는 시설의 선적 부두를 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 선적 부두를 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 유형 중 임의의 것에서 수행될 수 있다.As an illustrative example among many possibilities, the
밸류 체인 네트워크에서의 로봇 프로세스 자동화(ROBOTIC PROCESS AUTOMATION IN VALUE CHAIN NETWORK)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(614)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.25, the
실시예에서, 로봇 프로세스 자동화(1442)는 밸류 체인 관리 플랫폼(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 유형, 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.In embodiments,
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(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(614)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.In embodiments, robotic process automation may include, but is not limited to, converged processes involving
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 유형의 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.In embodiments,
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.In an embodiment,
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)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 자원 관리 애플리케이션을 포함하는 다양한 애플리케이션(630) 사이의 조정된 자동화를 제공하는 로봇 프로세스 자동화 시스템(1442)의 통합된 세트를 포함할 수 있다.In embodiments, methods, systems, components and other elements for an information technology system are provided in this application, including a micro-service architecture, a set of
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 자원 관리 애플리케이션의 세트 중에서 적어도 2개의 유형의 애플리케이션 사이에 조정된 자동화를 제공하는 로봇 프로세스 자동화 시스템의 통합된 세트를 포함한다.Accordingly, the present application provides methods, systems, components and other elements for an information technology system, comprising a micro-service architecture, a set of interfaces, network connectivity facilities, coordinated for monitoring and management of a set of value chain network entities; a cloud-based management platform with adaptive intelligence facilities, data storage facilities, and monitoring facilities; A set of applications to enable enterprises to manage a set of value chain network entities from point of origin to point of customer use; and a robotic process automation system that provides coordinated automation between at least two types of applications: a set of demand management applications for a category of goods, a set of supply chain applications, a set of intelligent product applications, and a set of enterprise resource management applications. Includes an integrated set.
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)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.In embodiments, the present application provides methods, systems, components and other elements for an information technology system, which includes a micro-services architecture, interfaces 702, coordinated for monitoring and management of a set of value
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.Accordingly, the present application provides methods, systems, components and other elements for an information technology system, comprising a micro-service architecture, a set of interfaces, network connectivity facilities, coordinated for monitoring and management of a set of value chain network entities; a cloud-based management platform with adaptive intelligence facilities, data storage facilities, and monitoring facilities; A set of applications to enable enterprises to manage a set of value chain network entities from point of origin to point of customer use; and a set of microservice layers, including an application layer supporting at least one supply chain application and at least one demand management application, wherein the microservice layer is configured to automate a set of actions for at least a subset of the applications. It includes a robotic process automation layer that uses the information collected by the data collection layer and a set of results and activities followed by the application of the application layer.
밸류 체인 관리 플랫폼 - 밸류 체인 네트워크 프로세스를 위한 로봇 프로세스 자동화(VALUE CHAIN MANAGEMENT PLATFORM - ROBOTIC PROCESS AUTOMATION FOR VALUE CHAIN NETWORK PROCESSES)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.In embodiments, methods, systems, components and other elements for an information technology system are provided in this application, including a micro-service architecture, a set of
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.In an embodiment, value
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 유형의 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.In embodiments, the robotic process automation layer may perform, for example, but not limited to, selection of quantity of product for an order, selection of a carrier for delivery, selection of a vendor for a component, selection of a vendor for a finished product order, marketing, etc. Selection of product variants, selection of assortment of goods on the shelf, determination of price for finished products, composition of product-related service offers, composition of product bundles, composition of product kits, composition of product packages, product Composition of display, composition of product image, composition of product description, composition of website navigation path related to the product, determination of inventory level for the product, selection of logistics type, composition of schedule for product delivery, composition of logistics schedule, Organizing a set of inputs for machine learning, preparing product documentation, preparing mandatory disclosures regarding the product, organizing the product against a set of local requirements, organizing a set of products for compatibility, organizing a request for proposals, ware Order of equipment to the house, order of equipment to the fulfillment center, classification of product defects in the image, inspection of the product in the image, inspection of product quality data from a set of sensors, a set of on-board diagnostics for the product. examination of data, examination of diagnostic data from Internet of Things systems, examination of sensor data from environmental sensors in a set of supply chain environments, selection of inputs to the digital twin, selection of outputs from the digital twin, from the digital twin Selection of visual elements for the presentation of, Diagnosis of sources of delay in the supply chain, Diagnosis of sources of scarcity in the supply chain, Diagnosis of sources of congestion in the supply chain, Diagnosis of sources of cost overruns in the supply chain , automates processes that may include diagnosing the source of product defects in the supply chain, predicting maintenance requirements in the supply chain infrastructure, etc.
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.Accordingly, the present application provides methods, systems, components and other elements for an information technology system, comprising a micro-service architecture, a set of interfaces, network connectivity facilities, coordinated for monitoring and management of a set of value chain network entities; a cloud-based management platform with adaptive intelligence facilities, data storage facilities, and monitoring facilities; It may include a set of robotic process automation systems for automating a set of processes in a value chain network, wherein the robotic process automation system may include a set of interfaces to a set of software systems used to monitor and manage value chain network entities. It learns based on a training data set that involves a set of user interactions.
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 유형의 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.In an embodiment, one of the processes automated by robotic process automation as described in any of the embodiments disclosed herein may involve: In embodiments, RPA involves selection of quantities of products for an order. In an embodiment, one of the processes automated by robotic process automation involves selection of a carrier for a shipment. In embodiments, one of the processes automated by robotic process automation involves selection of vendors for components. In an embodiment, one of the processes automated by robotic process automation involves selection of a vendor for ordering finished products. In an embodiment, one of the processes automated by robotic process automation involves selection of variants of a product for marketing. In an embodiment, one of the processes automated by robotic process automation involves the selection of an assortment of merchandise on a shelf. In an embodiment, one of the processes automated by robotic process automation involves determining a price for a finished product. In an embodiment, one of the processes automated by robotic process automation involves the composition of service offerings related to products. In an embodiment, one of the processes automated by robotic process automation involves the construction of product bundles. In an embodiment, one of the processes automated by robotic process automation involves the construction of product kits. In an embodiment, one of the processes automated by robotic process automation involves the construction of product packages. In an embodiment, one of the processes automated by robotic process automation involves the construction of a product display. In an embodiment, one of the processes automated by robotic process automation involves the construction of product images. In an embodiment, one of the processes automated by robotic process automation involves the construction of product descriptions. In an embodiment, one of the processes automated by robotic process automation involves the construction of website navigation paths related to products. In an embodiment, one of the processes automated by robotic process automation involves determining inventory levels for products. In an embodiment, one of the processes automated by robotic process automation involves selection of a logistics type. In an embodiment, one of the processes automated by robotic process automation involves the construction of schedules for product delivery. In an embodiment, one of the processes automated by robotic process automation involves the construction of a logistics schedule. In an embodiment, one of the processes automated by robotic process automation involves constructing a set of inputs for machine learning. In an embodiment, one of the processes automated by robotic process automation involves preparation of product documentation. In an embodiment, one of the processes automated by robotic process automation involves the preparation of mandatory disclosures regarding products. In an embodiment, one of the processes automated by robotic process automation involves configuration of a product to a set of local requirements. In an embodiment, one of the processes automated by robotic process automation involves organizing sets of products for compatibility. In an embodiment, one of the processes automated by robotic process automation involves the formulation of requests for proposals.
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.In an embodiment, one of the processes automated by robotic process automation involves ordering equipment for a warehouse. In an embodiment, one of the processes automated by robotic process automation involves ordering equipment for a fulfillment center. In an embodiment, one of the processes automated by robotic process automation involves classification of product defects in images. In an embodiment, one of the processes automated by robotic process automation involves inspection of a product in an image.
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.In an embodiment, one of the processes automated by robotic process automation involves inspection of product quality data from a set of sensors. In an embodiment, one of the processes automated by robotic process automation involves examination of data from a set of onboard diagnostics for a product. In an embodiment, one of the processes automated by robotic process automation involves examination of diagnostic data from an Internet of Things system. In an embodiment, one of the processes automated by robotic process automation involves reviewing sensor data from environmental sensors within a set of supply chain environments.
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.In an embodiment, one of the processes automated by robotic process automation involves selection of inputs to a digital twin. In an embodiment, one of the processes automated by robotic process automation involves selection of outputs from a digital twin. In an embodiment, one of the processes automated by robotic process automation involves selection of visual elements for presentation in the digital twin. In an embodiment, one of the processes automated by robotic process automation involves diagnosing sources of delays in the supply chain. In an embodiment, one of the processes automated by robotic process automation involves diagnosis of sources of scarcity in the supply chain. In an embodiment, one of the processes automated by robotic process automation involves diagnosing sources of congestion in the supply chain.
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.In an embodiment, one of the processes automated by robotic process automation involves diagnosing sources of cost overruns in the supply chain. In an embodiment, one of the processes automated by robotic process automation involves diagnosing the source of product defects in the supply chain. In an embodiment, one of the processes automated by robotic process automation involves predicting maintenance requirements in the supply chain infrastructure.
실시예에서, 수요 관리 애플리케이션, 공급 체인 애플리케이션, 지능형 제품 애플리케이션 및 기업 자원 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, 자가-구성, 자가-치유, 자가-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 자원 계획 등을 수반하는 것을 포함할 수 있다.In embodiments, a set of demand management applications, supply chain applications, intelligent product applications, and enterprise resource management applications may include, for example, supply chain, asset management, risk management, inventory management, demand management, demand forecasting, demand aggregation, and pricing. , location, deployment, promotion, blockchain, smart contracts, infrastructure management, facilities management, analytics, finance, transactions, tax, regulation, identity management, commerce, e-commerce, payments, security, safety, vendor management, process management. , compatibility testing, compatibility management, infrastructure testing, incident management, predictive maintenance, logistics, monitoring, remote control, automation, self-organization, self-healing, self-organization, logistics, reverse logistics, waste reduction, augmented reality, Virtual reality, mixed reality, demand customer profiling, entity profiling, enterprise profiling, worker profiling, workforce profiling, component supply policy management, product design, product configuration, product updates, product maintenance, product support, product testing , warehousing, distribution, fulfillment, kit configuration, kit deployment, kit support, kit updates, kit maintenance, kit modifications, kit management, delivery fleet management, vehicle fleet management, workforce management, maritime fleet management, navigation, routing, It may involve delivery management, opportunity matching, search, advertising, entity discovery, entity discovery, distribution, delivery, enterprise resource planning, etc.
적응형 지능의 자동화된 개선을 위한 기회 마이너(Opportunity Miners for Automated Improvement of Adaptive Intelligence)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, 유형별로, 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.26,
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 캡처하는 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 유형의 데이터를 특정할 수 있는 시스템을 포함할 수 있다. 사양에 응답하여 캡처된 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 캡처될 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) 캡처된 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 유형의 예는 인공 지능을 이용할 수 있으며, 인공 지능은 최종 기능에 추가되는 일련의 하위 기능이 있을 수 있다는 것을 이해할 수 있다.In embodiments, opportunity mining may include facilities for requesting appropriate training data sets that may be used to facilitate process automation. Certain types of input, if available, will provide very high value for automation, for example, video data sets that capture very experienced and/or highly specialized workers performing complex tasks.
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(608)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.In embodiments,
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 유형의 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.In some examples, as shown in FIG. 26 ,
광범위 관리 플랫폼(BROAD MANAGEMENT PLATFORM)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(614)의 세트, 데이터 저장 시설 또는 시스템(624)의 세트, 및 모니터링 시설 또는 시스템(808)의 세트를 포함할 수 있다. 플랫폼(604)은 기업이 예컨대 지능형 제품일 수 있는 제품(1510)의 원산지 지점으로부터 고객 사용 지점까지 밸류 체인 네트워크 엔티티(652)의 세트를 관리할 수 있게 하기 위한 애플리케이션(614)의 세트(프로세스, 작업흐름, 활동, 이벤트, 사용 사례 및 애플리케이션을 포함함)를 지원할 수 있다.28, additional details of an embodiment of
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.Accordingly, this application provides methods, systems, components and other elements for an information technology system, including a cloud-based management platform with a micro-services architecture; A set of interfaces, network connection facilities, adaptive intelligence facilities, data storage facilities, and monitoring facilities; and a set of applications to enable an enterprise to manage a set of value chain network entities from the point of origin to the point of customer use.
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.Also provided in this application are methods, systems, components and other elements for an information technology system, which may include a cloud-based management platform with a micro-services architecture, where the platform can access and configure features of the platform. A set of interfaces for; a set of network connectivity facilities to enable a set of value chain network entities to connect to the platform; A set of adaptive intelligence facilities to automate a set of platform capabilities; A set of data storage facilities for storing data collected and handled by the Platform; It has a set of monitoring facilities for monitoring value chain network entities; The platform hosts a set of applications to enable enterprises to manage a set of value chain network entities from the point of origin of the enterprise's products to the point of customer use.
광범위 관리 플랫폼 - 상세(BROAD MANAGEMENT PLATFORM - DETAILS)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(614)의 세트, 데이터 저장 시설 또는 시스템(624)의 세트, 및 모니터링 시설 또는 시스템(808)의 세트를 포함할 수 있다. 플랫폼(604)은 기업이 예컨대 지능형 제품일 수 있는 제품(1510)의 원산지 지점으로부터 고객 사용 지점까지 밸류 체인 네트워크 엔티티(652)의 세트를 관리할 수 있게 하기 위한 애플리케이션(614)의 세트(프로세스, 작업흐름, 활동, 이벤트, 사용 사례 및 애플리케이션을 포함함)를 지원할 수 있다.29, additional details of an embodiment of
실시예에서, 인터페이스의 세트(702)는 수요 관리 인터페이스(1402) 및 공급 체인 관리 인터페이스(1404)를 포함할 수 있다.In an embodiment, set of
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(1410)을 포함할 수 있다.In an embodiment, a set of
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.In embodiments, a set of
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(1420)를 포함할 수 있다.In an embodiment, a set of
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(1430)을 포함할 수 있다.In an embodiment, a set of
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.In embodiments, an adaptive intelligence facility or set of
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.In embodiments, an adaptive intelligence facility or set of
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, 자가-구성 데이터 수집 시스템(1440)을 포함하거나 이와 통합될 수 있다. 이는 적응형 지능 시스템(614)의 요소와 상호작용하거나 통합하는 데이터 취급 계층(608)의 데이터 수집 시스템(640)의 요소를 포함할 수 있다.In embodiments, an adaptive intelligence facility or set of
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.In embodiments, a set of adaptive intelligence facilities or
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(608)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.In embodiments, an adaptive intelligence facility or set of
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.In embodiments, a data storage facility or set of
실시예에서, 플랫폼에 의해 수집되고 취급되는 데이터를 저장하기 위한 데이터 저장 시설의 세트는 블록체인(844)을 사용한다.In embodiments,
실시예에서, 플랫폼에 의해 수집되고 취급되는 데이터를 저장하기 위한 데이터 저장 시설의 세트는 분산 원장(1452)을 이용한다.In embodiments, distributed
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.In an embodiment, a set of data storage facilities for storing data collected and handled by the platform uses a
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.In an embodiment, the set of
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(1510) 내에 또는 상에 배치된 센서 시스템(1462)의 세트를 포함한다.In an embodiment, a set of
실시예에서, 애플리케이션의 세트(614)는, 예를 들어, 공급 체인 관리 애플리케이션(21004), 수요 관리 애플리케이션(1502), 지능형 제품 애플리케이션(1510) 및 기업 자원 관리 애플리케이션(1520)의 세트 중에서 다양한 유형을 포함할 수 있는 애플리케이션의 세트를 포함한다.In an embodiment, the set of
실시예에서, 애플리케이션의 세트는 자산 관리 애플리케이션(1530)을 포함한다.In an embodiment, the set of applications includes
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.In embodiments, value
실시예에서, 플랫폼(604)은 수요 인자(1540)의 세트, 공급 인자(1550)의 세트 및 밸류 체인 기반구조 시설(1560)의 세트를 관리한다.In an embodiment,
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.In embodiments,
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 유형, 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.In embodiments,
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 부두, 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, 선적 부두, 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.In embodiments, supply
실시예에서, 본 개시 전반에 걸쳐 언급된 바와 같은 애플리케이션(614)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, 자가-구성, 자가-치유, 자가-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 자원 계획 및 다른 애플리케이션을 포함할 수 있다.In embodiments, the set of
제어 타워(CONTROL TOWER)CONTROL TOWER
도 30을 참조하면, 플랫폼(604)의 일 실시예가 제공된다. 플랫폼(604)은 다양한 데이터 취급 계층(608), (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(808)의 세트를 갖는 마이크로-서비스 아키텍처를 이용할 수 있다. 플랫폼(604)은 기업이 예컨대 지능형 제품일 수 있는 제품(1510)의 원산지 지점으로부터 고객 사용 지점까지 밸류 체인 네트워크 엔티티(652)의 세트를 관리할 수 있게 하기 위한 애플리케이션(614)의 세트(프로세스, 작업흐름, 활동, 이벤트, 사용 사례 및 애플리케이션을 포함함)를 지원할 수 있다.30, one embodiment of
실시예에서, 플랫폼(604)은 밸류 체인 네트워크 및 밸류 체인 네트워크 엔티티(652)의 세트를 모니터링 및/또는 관리하는, 공급 체인 관리 애플리케이션(21004), 수요 관리 애플리케이션(1502), 지능형 제품 애플리케이션(1510) 및 기업 자원 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(1510)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.In an embodiment, the
실시예에서, 사용자 인터페이스는 음성 동작 보조기(1580)를 포함한다.In an embodiment, the user interface includes a
실시예에서, 사용자 인터페이스는 밸류 체인 네트워크 엔티티(652)의 세트의 속성의 세트의 시각적 표현을 제시하기 위한 디지털 트윈(1700)의 세트를 포함한다.In an embodiment, the user interface includes a set of
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.In embodiments,
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)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.Accordingly, the present application provides methods, systems, components and other elements for an information technology system, comprising a micro-service architecture, a set of interfaces, network connectivity facilities, coordinated for monitoring and management of a set of value chain network entities; a cloud-based management platform with adaptive intelligence facilities, data storage facilities, and monitoring facilities; A set of applications to enable enterprises to manage a set of value chain network entities from point of origin to point of customer use; and a user interface that provides a set of integrated views of a set of demand management information and supply chain information for a category of products.
통합 데이터베이스(UNIFIED DATABASE)UNIFIED DATABASE
도 31을 참조하면, 플랫폼(604)의 실시예가 제공된다. 다른 실시예에서와 같이, 플랫폼(604)은 다양한 데이터 취급 계층(608), (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(808)의 세트를 갖는 마이크로-서비스 아키텍처를 이용할 수 있다. 플랫폼(604)은 기업이 예컨대 지능형 제품일 수 있는 제품(1510)의 원산지 지점으로부터 고객 사용 지점까지 밸류 체인 네트워크 엔티티(652)의 세트를 관리할 수 있게 하기 위한 애플리케이션(614)의 세트(프로세스, 작업흐름, 활동, 이벤트, 사용 사례 및 애플리케이션을 포함함)를 지원할 수 있다.31, an embodiment of
실시예에서, 플랫폼(604)은 밸류 체인 네트워크 및 밸류 체인 네트워크 엔티티(652)의 세트를 모니터링 및/또는 관리하는, 공급 체인 관리 애플리케이션(21004), 수요 관리 애플리케이션(1502), 지능형 제품 애플리케이션(1510) 및 기업 자원 관리 애플리케이션(1520)의 세트 중의 것과 같은 다수의 유형의 애플리케이션의 세트를 지원하는 통합 데이터베이스(1590)를 포함할 수 있다. 따라서, 통합 데이터베이스(1590)는, 실시예에서, 제품(1510)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.In an embodiment, the
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 자원 관리 애플리케이션의 세트 중에서 적어도 2개의 유형의 애플리케이션의 세트를 지원하는 통합 데이터베이스를 포함할 수 있다.Accordingly, the present application provides methods, systems, components and other elements for an information technology system, comprising a micro-service architecture, a set of interfaces, network connectivity facilities, coordinated for monitoring and management of a set of value chain network entities; a cloud-based management platform with adaptive intelligence facilities, data storage facilities, and monitoring facilities; A set of applications to enable enterprises to manage a set of value chain network entities from point of origin to point of customer use; and an integrated database supporting a set of at least two types of applications among a set of demand management applications for a category of product, a set of supply chain applications, a set of intelligent product applications, and a set of enterprise resource management applications.
실시예에서, 상품의 카테고리를 위한 수요 관리 애플리케이션의 세트, 공급 체인 애플리케이션의 세트, 지능형 제품 애플리케이션의 세트 및 기업 자원 관리 애플리케이션의 세트를 지원하는 통합 데이터베이스는 분산 데이터베이스이다.In an embodiment, the integrated database that supports a set of demand management applications, a set of supply chain applications, a set of intelligent product applications, and a set of enterprise resource management applications for a category of products is a distributed database.
실시예에서, 상품 카테고리를 위한 수요 관리 애플리케이션 세트, 공급 체인 애플리케이션 세트, 지능형 제품 애플리케이션 세트 및 기업 자원 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.In an embodiment, a unified database supporting a set of demand management applications, a set of supply chain applications, a set of intelligent product applications, and a set of enterprise resource management applications for product categories utilizes a graph database architecture. In an embodiment, the set of demand management applications includes a demand forecasting application. In an embodiment, the set of demand management applications includes a demand aggregation application. In an embodiment, the set of demand management applications includes a demand activation application.
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.In an embodiment, the set of supply chain management applications includes a vendor search application. In an embodiment, the set of supply chain management applications includes a route configuration application. In an embodiment, the set of supply chain management applications includes a logistics scheduling application.
통합 데이터 수집 시스템(UNIFIED DATA COLLECTION SYSTEMS)UNIFIED DATA COLLECTION SYSTEMS
도 32를 참조하면, 플랫폼(604)의 실시예가 제공된다. 다른 실시예에서와 같이, 플랫폼(604)은 다양한 데이터 취급 계층(608), (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(808)의 세트를 갖는 마이크로-서비스 아키텍처를 이용할 수 있다. 플랫폼(604)은 기업이 예컨대 지능형 제품일 수 있는 제품(1510)의 원산지 지점으로부터 고객 사용 지점까지 밸류 체인 네트워크 엔티티(652)의 세트를 관리할 수 있게 하기 위한 애플리케이션(614)의 세트(프로세스, 작업흐름, 활동, 이벤트, 사용 사례 및 애플리케이션을 포함함)를 지원할 수 있다.32, an embodiment of
실시예에서, 플랫폼(604)은 밸류 체인 네트워크 및 밸류 체인 네트워크 엔티티(652)의 세트를 모니터링 및/또는 관리하는, 공급 체인 관리 애플리케이션(21004), 수요 관리 애플리케이션(1502), 지능형 제품 애플리케이션(1510) 및 기업 자원 관리 애플리케이션(1520)의 세트를 포함하는 다양한 유형의 애플리케이션(614)의 세트를 지원하는 모니터링 시설 또는 시스템(808)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(1510)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 유형 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 유형의 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.In an embodiment, the
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 자원 관리 애플리케이션의 세트 중에서 적어도 2개의 유형의 애플리케이션의 세트를 지원하는 데이터 수집 시스템의 통합된 세트를 포함할 수 있다.Accordingly, the present application provides methods, systems, components and other elements for an information technology system, comprising a micro-service architecture, a set of interfaces, network connectivity facilities, coordinated for monitoring and management of a set of value chain network entities; a cloud-based management platform with adaptive intelligence facilities, data storage facilities, and monitoring facilities; A set of applications to enable enterprises to manage a set of value chain network entities from point of origin to point of customer use; and an integrated set of data collection systems that support a set of at least two types of applications among a set of demand management applications, a set of supply chain applications, a set of intelligent product applications, and a set of enterprise resource management applications for a category of goods. It can be included.
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 자가-구성 센서 시스템의 세트를 포함한다. 실시예에서, 데이터 수집 시스템의 통합된 세트는 네트워크 연결된 제품과 상호작용하는 데이터 수집 시스템의 세트를 포함한다.In an embodiment, the integrated set of data collection systems includes a set of crowdsourcing data collection systems. In an embodiment, the integrated set of data collection systems includes a set of Internet of Things data collection systems. In an embodiment, the integrated set of data collection systems includes a set of self-organizing sensor systems. In embodiments, the integrated set of data collection systems includes a set of data collection systems that interact with a networked product.
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 자가-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.In an embodiment, the integrated set of data collection systems includes a set of mobile data collectors deployed in a set of value chain network environments operated by an enterprise. In an embodiment, the integrated set of data collection systems includes a set of edge intelligence systems deployed in a set of value chain network environments operated by an enterprise. In an embodiment, the integrated set of data collection systems includes a set of crowdsourcing data collection systems. In an embodiment, the integrated set of data collection systems includes a set of Internet of Things data collection systems. In an embodiment, the integrated set of data collection systems includes a set of self-organizing sensor systems. In embodiments, the integrated set of data collection systems includes a set of data collection systems that interact with a networked product. In an embodiment, the integrated set of data collection systems includes a set of mobile data collectors deployed in a set of value chain network environments operated by an enterprise. In an embodiment, the integrated set of data collection systems includes a set of edge intelligence systems deployed in a set of value chain network environments operated by an enterprise.
통합 IoT 모니터링 시스템(Unified IoT Monitoring Systems)Unified IoT Monitoring Systems
도 33을 참조하면, 플랫폼(604)의 일 실시예가 제공된다. 다른 실시예에서와 같이, 플랫폼(604)은 다양한 데이터 취급 계층(608), (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(808)의 세트를 갖는 마이크로-서비스 아키텍처를 이용할 수 있다. 플랫폼(604)은 기업이 예컨대 지능형 제품일 수 있는 제품(1510)의 원산지 지점으로부터 고객 사용 지점까지 밸류 체인 네트워크 엔티티(652)의 세트를 관리할 수 있게 하기 위한 애플리케이션(614)의 세트(프로세스, 작업흐름, 활동, 이벤트, 사용 사례 및 애플리케이션을 포함함)를 지원할 수 있다.33, one embodiment of
실시예에서, 플랫폼(604)은, 밸류 체인 네트워크 및 밸류 체인 네트워크 엔티티(652)의 세트를 모니터링 및/또는 관리하는, 공급 체인 관리 애플리케이션(21004), 수요 관리 애플리케이션(1502), 지능형 제품 애플리케이션(1510) 및 기업 자원 관리 애플리케이션(1520)의 세트와 같은, 다양한 유형의 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.In an embodiment, the
따라서, 통합된 세트의 사물 인터넷 시스템(1172)은, 실시예에서, 제품(1510)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.Accordingly, the integrated set of Internet of
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 자원 관리 애플리케이션의 세트 중에서 적어도 2개의 유형의 애플리케이션의 세트의 조정된 모니터링을 제공하는 사물 인터넷 시스템의 통합된 세트를 포함할 수 있다.Accordingly, the present application provides methods, systems, components and other elements for an information technology system, comprising a micro-service architecture, a set of interfaces, network connectivity facilities, coordinated for monitoring and management of a set of value chain network entities; a cloud-based management platform with adaptive intelligence facilities, data storage facilities, and monitoring facilities; A set of applications integrated with the Platform to enable enterprise users of the Platform to manage a set of value chain network entities from point of origin to point of customer use; and an Internet of Things system that provides coordinated monitoring of a set of at least two types of applications among a set of demand management applications, a set of supply chain applications, a set of intelligent product applications, and a set of enterprise resource management applications for a category of goods. May contain integrated sets.
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.In an embodiment, an integrated set of Internet of Things systems includes a set of smart home Internet of Things devices to enable monitoring of a set of demand factors and a set of supply chain infrastructure facilities to enable monitoring of a set of supply factors. It includes a set of Internet of Things devices placed in close proximity.
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.In an embodiment, an integrated set of Internet of Things systems is provided to enable monitoring of a set of supply factors and a set of workplace Internet of Things devices to enable monitoring of a set of demand factors for a set of business customers and a supply chain infrastructure to enable monitoring of a set of supply factors. It includes a set of Internet of Things devices deployed in close proximity to a set of facilities.
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.In embodiments, an integrated set of Internet of Things systems enables monitoring of a set of supply factors and a set of Internet of Things devices to monitor a set of consumer goods stores to enable monitoring of a set of demand factors for a set of consumers. It includes a set of Internet of Things devices deployed in close proximity to a set of supply chain infrastructure facilities.
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.In embodiments, Internet of Things systems as referenced throughout this disclosure may include, for example and without limitation, camera systems, lighting systems, motion detection systems, weighing systems, inspection systems, machine vision systems, environmental sensor systems, etc. , on-board sensor systems, on-board diagnostic systems, environmental control systems, sensor-enabled network switching and routing systems, RF sensing systems, magnetic sensing systems, pressure monitoring systems, vibration monitoring systems, temperature monitoring systems, heat flow monitoring systems, biological measurements. systems, chemical measurement systems, ultrasonic monitoring systems, radiography systems, LIDAR-based monitoring systems, access control systems, penetrating wave detection systems, SONAR-based monitoring systems, radar-based monitoring systems, computed tomography systems, magnetic resonance imaging systems, network monitoring. It may include systems, etc.
기계 비전 공급 디지털 트윈(Machine Vision Feeding Digital Twin)Machine Vision Feeding Digital Twin
도 34를 참조하면, 플랫폼(604)의 실시예가 제공된다. 다른 실시예에서와 같이, 플랫폼(604)은 다양한 데이터 취급 계층(608), (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(808)의 세트를 갖는 마이크로-서비스 아키텍처를 이용할 수 있다. 플랫폼(604)은 기업이 예컨대 지능형 제품일 수 있는 제품(1510)의 원산지 지점으로부터 고객 사용 지점까지 밸류 체인 네트워크 엔티티(652)의 세트를 관리할 수 있게 하기 위한 애플리케이션(614)의 세트(프로세스, 작업흐름, 활동, 이벤트, 사용 사례 및 애플리케이션을 포함함)를 지원할 수 있다.34, an embodiment of
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(21004), 수요 관리 애플리케이션(1502), 지능형 제품 애플리케이션(1510) 및 기업 자원 관리 애플리케이션(1520)의 세트와 같은 다양한 유형의 다수의 애플리케이션(630)의 세트에 대해 협력하여 동작할 수 있다.In embodiments,
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(1510)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.Accordingly,
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 자원 관리 애플리케이션의 세트 중에서 적어도 2개의 유형의 애플리케이션의 세트를 포함하고, 기계 비전 시스템 및 디지털 트윈 시스템을 가질 수 있고, 기계 비전 시스템은 디지털 트윈 시스템에 데이터를 공급한다.Accordingly, the present application provides methods, systems, components and other elements for an information technology system, comprising a micro-service architecture, a set of interfaces, network connectivity facilities, coordinated for monitoring and management of a set of value chain network entities; a cloud-based management platform with adaptive intelligence facilities, data storage facilities, and monitoring facilities; A set of applications to enable enterprises to manage a set of value chain network entities from point of origin to point of customer use; It includes a set of at least two types of applications among a set of supply chain applications, a set of demand management applications, a set of intelligent product applications, and a set of enterprise resource management applications, and may have a machine vision system and a digital twin system, and the machine The vision system supplies data to the digital twin system.
실시예에서, 공급 체인 애플리케이션 및 수요 관리 애플리케이션의 세트는 본 개시 전반에 걸쳐 또는 본 출원에 참조로 포함된 문서에 설명된 임의의 것 중 하나이다.In embodiments, the set of supply chain applications and demand management applications are any of those described throughout this disclosure or in documents incorporated by reference herein.
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 자원 계획, 노동력 관리, 고객 디지털 트윈, 제품 가격, 제품 번들링, 제품 및 서비스 번들링, 제품 종류별 분류, 업셀 제안 구성, 고객 피드백 참여, 고객 설문조사, 등을 수반하는 하나 이상을 포함한다.In embodiments, a set of supply chain applications and demand management applications may include, for example, and without limitation, inventory management, demand forecasting, demand aggregation, pricing, blockchain, smart contracts, positioning, placement, promotions, analytics, financial , trading, arbitrage, customer identity management, store planning, shelf planning, customer path planning, customer path analysis, commerce, e-commerce, payments, customer relationship management, sales, marketing, advertising, bidding, customer monitoring, customer process monitoring, Customer relationship monitoring, collaborative filtering, customer profiling, customer feedback, similarity analysis, customer clustering, product clustering, seasonality factor analysis, customer behavior tracking, customer behavior analysis, product design, product configuration, A/B testing, product fluctuation analysis, Augmented Reality, Virtual Reality, Mixed Reality, Customer Demand Profiling, Customer Mood, Emotion or Affect Detection, Customer Mood, Emotion of Impact Analysis, Business Entity Profiling, Customer Enterprise Profiling, Demand Matching, Location-Based Targeting, Location- Base offer, point-of-sale interface, point-of-use interface, search, advertising, entity discovery, entity discovery, enterprise resource planning, workforce management, customer digital twin, product pricing, product bundling, product and service bundling, segmentation by product type, upsell offer configuration , one or more involving customer feedback engagement, customer surveys, etc.
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, 자가-구성, 자가-치유, 자가-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 자원 계획 또는 다른 애플리케이션 중 하나 이상을 포함할 수 있다.In embodiments, a set of supply chain applications and demand management applications may include, but are not limited to, supply chain, asset management, risk management, inventory management, blockchain, smart contracts, infrastructure management, facilities management, analytics, finance, trading, and tax. , regulation, identity management, commerce, e-commerce, payments, security, safety, vendor management, process management, compatibility testing, compatibility management, infrastructure testing, incident management, predictive maintenance, logistics, monitoring, remote control, automation, self-service. -Organization, self-healing, self-organizing, logistics, reverse logistics, waste reduction, augmented reality, virtual reality, mixed reality, supply chain digital twin, vendor profiling, supplier profiling, manufacturer profiling, logistics entity profiling, Enterprise profiling, worker profiling, workforce profiling, component supply policy management, warehousing, distribution, fulfillment, delivery fleet management, vehicle fleet management, workforce management, maritime fleet management, navigation, routing, delivery management, opportunity matching, It may include one or more of the following: search, entity discovery, entity discovery, distribution, delivery, enterprise resource planning, or other applications.
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, 자가-구성, 자가-치유, 자가-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 자원 계획, 또는 다른 애플리케이션 중 하나 이상을, 제한 없이, 포함할 수 있다.In embodiments, a set of supply chain applications and demand management applications may include asset management, risk management, inventory management, blockchain, smart contracts, analytics, finance, trading, tax, regulatory, identity management, commerce, e-commerce, payments, and security. , safety, compatibility testing, compatibility management, incident management, predictive maintenance, monitoring, remote control, automation, self-organization, self-healing, self-organization, waste reduction, augmented reality, virtual reality, mixed reality, product design, Product configuration, product updates, product maintenance, product support, product testing, kit configuration, kit deployment, kit support, kit update, kit maintenance, kit modification, kit management, product digital twin, opportunity matching, search, advertising, entities One or more of the following applications: discovery, entity search, permutation, simulation, user interface, application programming interface, connectivity management, natural language interface, voice/conversation interface, robot interface, touch interface, haptic interface, vision system interface, enterprise resource planning, or other applications. may include, without limitation.
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, 자원 관리, 재산 관리, 또는 다른 애플리케이션 중 하나 이상을 포함할 수 있다.In embodiments, a set of supply chain applications and demand management applications may include, without limitation, operations, finance, asset management, supply chain management, demand management, human resources management, product management, risk management, regulatory and compliance management, inventory management, and infrastructure. Structural management, facilities management, analytics, transactions, taxes, identity management, vendor management, process management, project management, operations management, customer relationship management, workforce management, incident management, research and development, sales management, marketing management, fleet management, It may include one or more of opportunity analysis, decision support, strategic planning, forecasting, resource management, asset management, or other applications.
실시예에서, 기계 비전 시스템은 이러한 유형의 밸류 체인 자산의 이미지의 라벨링된 데이터 세트에 기초하여 밸류 체인 자산의 유형을 인식하도록 훈련되는 인공 지능 시스템을 포함한다.In an embodiment, the machine vision system includes an artificial intelligence system that is trained to recognize types of value chain assets based on a labeled dataset of images of these types of value chain assets.
실시예에서, 디지털 트윈은 인공 지능 시스템의 출력에 기초하여 자산의 유형의 지표를 제시한다.In embodiments, a digital twin provides an indication of the type of asset based on the output of an artificial intelligence system.
실시예에서, 기계 비전 시스템은 이러한 유형의 활동의 이미지의 라벨링된 데이터 세트에 기초하여 밸류 체인 엔티티의 세트를 수반하는 활동의 유형을 인식하도록 훈련되는 인공 지능 시스템을 포함한다.In an embodiment, the machine vision system includes an artificial intelligence system that is trained to recognize types of activities involving a set of value chain entities based on a labeled data set of images of these types of activities.
실시예에서, 디지털 트윈은 인공 지능 시스템의 출력에 기초하여 활동 유형의 지표를 제시한다.In embodiments, the digital twin presents an indicator of the type of activity based on the output of the artificial intelligence system.
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.In embodiments, the machine vision system comprises an artificial intelligence system that is trained to recognize safety risks accompanying value chain entities based on a training data set that includes a set of images of value chain network activity and a set of value chain network safety results. Includes.
실시예에서, 디지털 트윈은 인공 지능 시스템의 출력에 기초하여 위험의 지표를 제시한다.In embodiments, a digital twin presents indicators of risk based on the output of an artificial intelligence system.
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.In an embodiment, the machine vision system includes an artificial intelligence system that is trained to predict delays based on a training data set that includes a set of images of value chain network activity and a set of value chain network timing results.
실시예에서, 디지털 트윈은 인공 지능 시스템의 출력에 기초하여 지연 가능성의 지표를 제시한다.In embodiments, the digital twin provides an indication of potential delays based on the output of an artificial intelligence system.
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, 자원 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 솔루션을 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.As referenced elsewhere in this application and in documents incorporated by reference, with respect to value
이러한 과제에 대한 솔루션의 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 유형의 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 유형, 처리 유형, 출력 유형, 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.One set of solutions to this challenge is an
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.Referring to FIG. 43,
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 유형의 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 유형의 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.In some embodiments,
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 유형의 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 유형의 센서 데이터를 디지털 트윈 시스템(1700)으로의 출력을 위한 시뮬레이션 데이터로 처리하는 것을 우선순위화할 수 있다. 일부 실시예에서, 기계 학습 모델(3000)은, 우선순위화된 유형의 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 유형의 더 많은 및/또는 상이한 센서가 구현될 것을 정보 기술 시스템의 사용자에게 제안할 수 있다.In some embodiments,
일부 실시예에서, 기계 학습 모델(3000)은 모델링 목표 및 센서 데이터의 품질 또는 유형 중 하나 또는 둘 모두에 기초하여 디지털 트윈 시스템(1700)으로의 송신을 위해 어느 유형의 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 유형을 결정하는 것을 학습하도록 구성될 수 있다. 일부 실시예에서, 기계 학습 모델(3000)은 어느 유형의 센서 데이터가 수집되고 있는지, 수집되고 있는 센서 데이터의 품질 및 수량, 및 수집되고 있는 센서 데이터가 무엇을 나타내는지를 분석할 수 있고, 어느 유형의 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.In some embodiments,
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 유형의 센서가 모델링 목표를 달성하기에 충분하거나 및/또는 충분하지 않은 것과 같은, 어느 유형의 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 유형이 유형의 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.In some embodiments, a user of the information technology system may input modeling goals into
일부 실시예에서, 사용자는, 예를 들어, 하나 이상의 모델링 커맨드를 정보 기술 시스템에 입력함으로써, 하나 이상의 모델링 목표를 입력할 수 있다. 하나 이상의 모델링 커맨드는, 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 커맨드(command)를 포함할 수 있고, 실시간 시뮬레이션 및 가상 시뮬레이션 중 하나 이상인 디지털 복제본 시뮬레이션에 대한 커맨드를 포함할 수 있다. 모델링 커맨드는 또한, 예를 들어, 어떤 유형의 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 커맨드를 훈련 데이터로서 사용함으로써, 모델링 커맨드를 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 커맨드를 제안할 수 있다.In some embodiments, a user may input one or more modeling objectives, for example, by entering one or more modeling commands into an information technology system. One or more modeling commands may be used to generate a digital replica simulation of a
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 커맨드의 결과로서, 하나 이상의 모델링 목표, 하나 이상의 모델링 커맨드의 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.In some embodiments,
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 종속성 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 데이터 세트 시각화 시스템을 포함할 수 있다. 모델 데이터 세트 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.In some embodiments,
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, 프로토유형 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.In some embodiments, the
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.In some embodiments,
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 유형의 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.In some embodiments,
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.In some embodiments,
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.In some embodiments,
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.In some embodiments,
실시예에서, (회귀 모델, 베이지안 네트워크, 지도 모델, 또는 다른 유형의 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.In embodiments, inputs to machine learning model 3000 (such as a regression model, Bayesian network, supervised model, or other type of model) may be used to test the impact of various inputs on the accuracy of
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.In some embodiments,
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.In some embodiments,
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.In some embodiments,
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, 및/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.In some embodiments,
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.In some embodiments,
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.In some embodiments,
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.In some embodiments,
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.In some embodiments,
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.In some embodiments,
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 캡처된 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.In some embodiments,
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(3502)의 세트를 포함할 수 있다. 기능적 이미징 시스템(3502)는, 실시예에서, 특정 유형의 문제를 가장 효과적으로 해결하는 데 가장 효과적일 가능성이 있는 인공 지능의 유형에 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 솔루션을 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(3502)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 이미징을 통해, 단독으로 또는 모니터링 시스템(808)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 시스템으로부터 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.In embodiments, another set of solutions that may be deployed alone or in conjunction with other elements of the platform, including
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 자원을 갖는 환경에서, 태스크는 현재 상황(예를 들어, 네트워크 가용성, 레이턴시, 혼잡 등)에 기초하여 지능적으로 로드 밸런싱될 수 있고, 예에서, 하나의 유형의 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.Referring to FIG. 27 ,
실시예에서, 에지 지능(1420)은 에지 계산의 적응(다양한 이용가능한 네트워킹 자원 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.In embodiments,
도 35를 참조하면, 플랫폼(604)의 일 실시예가 제공된다. 다른 실시예에서와 같이, 플랫폼(604)은 다양한 데이터 취급 계층(608), (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(808)의 세트를 갖는 마이크로-서비스 아키텍처를 이용할 수 있다. 플랫폼(604)은 기업이 예컨대 지능형 제품일 수 있는 제품(1510)의 원산지 지점으로부터 고객 사용 지점까지 밸류 체인 네트워크 엔티티(652)의 세트를 관리할 수 있게 하기 위한 애플리케이션(614)의 세트(프로세스, 작업흐름, 활동, 이벤트, 사용 사례 및 애플리케이션을 포함함)를 지원할 수 있다.35, one embodiment of
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(21004) 및 기업 자원 관리 애플리케이션(1520)의 세트와 같은, 다양한 유형의 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 자원와 같은 구내 에지 디바이스 및 자원, 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 커맨드 또는 중앙 데이터 센터에 전달하기 전에 이러한 에지 위치에서 지능형 처리 태스크를 수행하기 위해, 본 출원에 설명된 바와 같이, 에지 지능을 배치할 수 있다.In an embodiment, the
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 자원 관리 애플리케이션의 세트 중에서 적어도 2개의 유형의 애플리케이션의 세트를 위한 조정된 에지 계산을 제공하는 통합된 적응형 에지 컴퓨팅 시스템의 세트를 포함할 수 있다.Accordingly, the present application provides methods, systems, components and other elements for an information technology system, comprising a micro-service architecture, a set of interfaces, network connectivity facilities, coordinated for monitoring and management of a set of value chain network entities; a cloud-based management platform with adaptive intelligence facilities, data storage facilities, and monitoring facilities; A set of applications to enable enterprises to manage a set of value chain network entities from point of origin to point of customer use; and a set of integrated edge calculations that provide coordinated edge calculations for a set of at least two types of applications among a set of demand management applications, a set of supply chain applications, a set of intelligent product applications, and a set of enterprise resource management applications for a category of goods. May include a set of adaptive edge computing systems.
따라서, 적응형 에지 컴퓨팅 및 다른 에지 지능 시스템(1420)은, 실시예에서, 제품(1510)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 유형의 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.Accordingly, adaptive edge computing and other
도 36을 참조하면, 실시예에서, 조정된 에지 계산을 제공하는 통합된 세트의 적응형 에지 컴퓨팅 시스템은, 분류 시스템(1610)(예컨대, 이미지 분류 시스템, 객체 유형 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, 자가-구성 시스템, 자가-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 자원 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.36, in embodiments, an integrated set of adaptive edge computing systems that provide coordinated edge computation include a classification system 1610 (e.g., an image classification system, an object type recognition system, etc.), a video processing system (1612) (e.g., video compression systems), signal processing system 1614 (e.g., analog-to-digital conversion system, digital-to-analog conversion system, RF filtering system, analog signal processing system, multiplexing system, statistical signal processing system, signal filtering system, natural language processing system, sound processing system, ultrasonic processing system, etc.), data processing system 1630 (e.g., data filtering system, data integration system, data extraction system, data loading system, data conversion system, point cloud processing systems, data normalization systems, data cleansing systems, data deduplication systems, graph-based data storage systems, object-oriented data storage systems, etc.), prediction systems 1620 (e.g., motion prediction systems, output prediction systems, activity prediction systems, faults prediction system, failure prediction system, accident prediction system, event prediction system, event prediction system, etc.), configuration system 1630 (e.g., protocol selection system, storage configuration system, peer-to-peer network configuration system, power management system, self-organizing system, self-healing system, handshake negotiation system, etc.), artificial intelligence system 1160 (e.g., clustering system, variational system, machine learning system, expert system, rule-based system, deep learning system, etc.), system Management and control systems 1640 (e.g., autonomous control systems, robotic control systems, RF spectrum management systems, network resource management systems, storage management systems, data management systems, etc.), robotic process automation systems, analysis and modeling systems 1650 (e.g., data visualization system, clustering system, similarity analysis system, random forest system, physical modeling system, interaction modeling system, simulation system, etc.), entity discovery system, security system 1670 (e.g., cybersecurity system, biometric recognition system, intrusion detection system, firewall system, etc.), rule engine system, workflow automation system, opportunity discovery system, testing and diagnostic system (1660), software image propagation system, virtualization system, digital twin system, Internet of Things monitoring system, routing It includes a wide range of systems such as systems, switching systems, indoor positioning systems, geolocation systems, etc.
실시예에서, 인터페이스는 기업이 제품의 유형에 관련된 밸류 체인 엔티티의 세트를 오케스트레이션하는 커맨드 센터 대시보드에 대한 사용자 인터페이스이다.In an embodiment, the interface is a user interface to a command center dashboard through which an enterprise orchestrates a set of value chain entities related to a type of product.
실시예에서, 인터페이스는 밸류 체인 엔티티의 세트를 호스팅하는 환경에 위치한 로컬 관리 시스템의 사용자 인터페이스이다.In an embodiment, the interface is a user interface of a local management system located in an environment hosting a set of value chain entities.
실시예에서, 로컬 관리 시스템 사용자 인터페이스는 적응형 에지 컴퓨팅 시스템에 대한 네트워크 연결의 세트의 구성을 용이하게 한다.In embodiments, a local management system user interface facilitates configuration of a set of network connections to an adaptive edge computing system.
실시예에서, 로컬 관리 시스템 사용자 인터페이스는 적응형 에지 컴퓨팅 시스템에 대한 데이터 저장 자원의 세트의 구성을 용이하게 한다.In embodiments, a local management system user interface facilitates configuration of a set of data storage resources for an adaptive edge computing system.
실시예에서, 로컬 관리 시스템 사용자 인터페이스는 적응형 에지 컴퓨팅 시스템에 대한 데이터 통합 능력의 세트의 구성을 용이하게 한다.In embodiments, a local management system user interface facilitates configuration of a set of data integration capabilities for an adaptive edge computing system.
실시예에서, 로컬 관리 시스템 사용자 인터페이스는 적응형 에지 컴퓨팅 시스템에 대한 기계 학습 입력 자원의 세트의 구성을 용이하게 한다.In embodiments, a local management system user interface facilitates configuration of a set of machine learning input resources for an adaptive edge computing system.
실시예에서, 로컬 관리 시스템 사용자 인터페이스는 적응형 에지 컴퓨팅 시스템을 지원하는 전력 자원의 세트의 구성을 용이하게 한다.In embodiments, a local management system user interface facilitates configuration of a set of power resources to support an adaptive edge computing system.
실시예에서, 로컬 관리 시스템 사용자 인터페이스는 적응형 에지 컴퓨팅 시스템에 의해 관리되는 작업흐름의 세트의 구성을 용이하게 한다.In embodiments, a local management system user interface facilitates configuration of a set of workflows managed by an adaptive edge computing system.
실시예에서, 인터페이스는 적응형 에지 컴퓨팅 시스템에 대한 네트워크 연결을 갖는 모바일 컴퓨팅 디바이스의 사용자 인터페이스이다.In an embodiment, the interface is a user interface of a mobile computing device with a network connection to an adaptive edge computing system.
실시예에서, 인터페이스는 애플리케이션 프로그래밍 인터페이스이다.In an embodiment, the interface is an application programming interface.
실시예에서, 애플리케이션 프로그래밍 인터페이스는 적응형 에지 컴퓨팅 시스템과 클라우드 기반 인공 지능 시스템 사이의 데이터의 교환을 용이하게 한다.In embodiments, an application programming interface facilitates the exchange of data between an adaptive edge computing system and a cloud-based artificial intelligence system.
실시예에서, 애플리케이션 프로그래밍 인터페이스는 적응형 에지 컴퓨팅 시스템과 클라우드 데이터 관리 플랫폼의 실시간 운영 체제 사이의 데이터 교환을 용이하게 한다.In embodiments, an application programming interface facilitates data exchange between an adaptive edge computing system and a real-time operating system of a cloud data management platform.
실시예에서, 애플리케이션 프로그래밍 인터페이스는 적응형 에지 컴퓨팅 시스템과 클라우드 데이터 관리 플랫폼의 계산 시설 사이의 데이터 교환을 용이하게 한다.In embodiments, an application programming interface facilitates data exchange between computational facilities of an adaptive edge computing system and a cloud data management platform.
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.In embodiments, an application programming interface facilitates the exchange of data between an adaptive edge computing system and a set of environmental sensors that collect data about the environment hosting a set of value chain network entities.
실시예에서, 애플리케이션 프로그래밍 인터페이스는 적응형 에지 컴퓨팅 시스템과 제품에 관한 데이터를 수집하는 센서의 세트 사이의 데이터의 교환을 용이하게 한다.In embodiments, an application programming interface facilitates the exchange of data between an adaptive edge computing system and a set of sensors that collect data about a product.
실시예에서, 애플리케이션 프로그래밍 인터페이스는 적응형 에지 컴퓨팅 시스템과 지능형 제품에 의해 게시된 데이터를 수집하는 센서의 세트 사이의 데이터의 교환을 용이하게 한다.In embodiments, an application programming interface facilitates the exchange of data between an adaptive edge computing system and a set of sensors that collect data posted by intelligent products.
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.In embodiments, an application programming interface facilitates the exchange of data between an adaptive edge computing system and a set of sensors that collect data posted by a set of Internet of Things systems deployed in an environment hosting a set of value chain network entities. Let's do it.
실시예에서, 수요 관리 애플리케이션, 공급 체인 애플리케이션, 지능형 제품 애플리케이션 및 기업 자원 관리 애플리케이션의 세트는, 예를 들어, 본 개시 전반에 걸쳐 또는 본 출원에 참조로 포함된 문서에서 언급된 애플리케이션 중 임의의 것을 포함할 수 있다.In embodiments, a set of demand management applications, supply chain applications, intelligent product applications, and enterprise resource management applications may include, for example, any of the applications mentioned throughout this disclosure or in documents incorporated by reference herein. It can be included.
통합 적응형 지능(Unified Adaptive Intelligence)Unified Adaptive Intelligence
도 37을 참조하면, 플랫폼(604)의 일 실시예가 제공된다. 다른 실시예에서와 같이, 플랫폼(604)은 다양한 데이터 취급 계층(608), (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(808)의 세트를 갖는 마이크로-서비스 아키텍처를 이용할 수 있다. 플랫폼(604)은 기업이 예컨대 지능형 제품일 수 있는 제품(1510)의 원산지 지점으로부터 고객 사용 지점까지 밸류 체인 네트워크 엔티티(652)의 세트를 관리할 수 있게 하기 위한 애플리케이션(614)의 세트(프로세스, 작업흐름, 활동, 이벤트, 사용 사례 및 애플리케이션을 포함함)를 지원할 수 있다.37, one embodiment of
실시예에서, VCNP(102)는 수요 관리 애플리케이션(1502), 공급 체인 애플리케이션(1500)의 세트, 지능형 제품 애플리케이션(1510)의 세트, 기업 자원 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.In an embodiment,
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 유형 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, 자가-구성 시스템, 자가-치유 시스템, 자가-조직화 시스템, 자가-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 자원 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.In embodiments, an integrated set of adaptive intelligence systems may be used to serve various layers of the
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 자원 관리 애플리케이션의 세트를 위한 조정된 지능을 제공하는 통합 적응형 지능 시스템의 세트를 포함할 수 있다.Accordingly, the present application provides methods, systems, components and other elements for an information technology system, comprising a micro-service architecture, a set of interfaces, network connectivity facilities, coordinated for monitoring and management of a set of value chain network entities; a cloud-based management platform with adaptive intelligence facilities, data storage facilities, and monitoring facilities; A set of applications to enable enterprises to manage a set of value chain network entities from point of origin to point of customer use; and a set of integrated adaptive intelligence systems that provide coordinated intelligence for a set of demand management applications for a category of goods, a set of supply chain applications, a set of intelligent product applications, and a set of enterprise resource management applications. .
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.In an embodiment, the integrated set of adaptive intelligence systems includes a set of artificial intelligence systems. In an embodiment, the set of integrated adaptive intelligence systems includes a set of neural networks. In an embodiment, the integrated set of adaptive intelligence systems includes a set of deep learning systems. In an embodiment, the set of integrated adaptive intelligence systems includes a set of model-based systems.
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.In an embodiment, the integrated set of adaptive intelligence systems includes a set of expert systems. In an embodiment, the integrated set of adaptive intelligence systems includes a set of machine learning systems. In an embodiment, the integrated set of adaptive intelligence systems includes a set of rule-based systems. In an embodiment, the integrated set of adaptive intelligence systems includes a set of opportunity miners.
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.In an embodiment, the integrated adaptive intelligence system set includes a robotic process automation system set. In an embodiment, the integrated adaptive intelligence system set includes a data transformation system set. In an embodiment, the integrated adaptive intelligence system set includes a data extraction system set. In an embodiment, the integrated set of adaptive intelligence systems includes a set of data loading systems. In an embodiment, the set of integrated adaptive intelligence systems includes a set of genetic programming systems.
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.In an embodiment, the set of integrated adaptive intelligence systems includes a set of image classification systems. In an embodiment, the integrated adaptive intelligence system set includes a video compression system set. In an embodiment, the integrated adaptive intelligence system set includes a set of analog-to-digital conversion systems. In an embodiment, the integrated adaptive intelligence system set includes a digital-to-analog conversion system set. In an embodiment, the integrated adaptive intelligence system set includes a signal analysis system set.
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 유형 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.In an embodiment, the set of integrated adaptive intelligence systems includes a set of RF filtering systems. In an embodiment, the integrated set of adaptive intelligence systems includes a set of motion prediction systems. In an embodiment, the integrated set of adaptive intelligence systems includes a set of object type recognition systems. In an embodiment, the integrated adaptive intelligence system set includes a point cloud processing system set. In an embodiment, the integrated adaptive intelligence system set includes a set of analog signal processing systems.
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.In an embodiment, the integrated adaptive intelligence system set includes a signal multiplexing system set. In an embodiment, the integrated adaptive intelligence system set includes a data fusion system set. In an embodiment, the integrated adaptive intelligence system set includes a sensor fusion system set. In an embodiment, the integrated adaptive intelligence system set includes a data filtering system set. In an embodiment, the integrated adaptive intelligence system set includes a statistical signal processing system set.
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.In an embodiment, the integrated adaptive intelligence system set includes a signal filtering system set. In an embodiment, the integrated adaptive intelligence system set includes a signal processing system set. In an embodiment, the integrated adaptive intelligence system set includes a protocol selection system set. In an embodiment, the integrated set of adaptive intelligence systems includes a set of stored configuration systems. In an embodiment, the integrated set of adaptive intelligence systems includes a set of power management systems.
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.In an embodiment, the integrated adaptive intelligence system set includes a clustering system set. In an embodiment, the integrated set of adaptive intelligent systems includes a set of variable systems. In an embodiment, the integrated set of adaptive intelligence systems includes a set of machine learning systems. In an embodiment, the integrated set of adaptive intelligence systems includes a set of event prediction systems. In an embodiment, the set of integrated adaptive intelligence systems includes a set of autonomous control systems.
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.In an embodiment, the integrated adaptive intelligence system set includes a robot control system set. In an embodiment, the integrated adaptive intelligence system set includes a robotic process automation system set. In an embodiment, the integrated set of adaptive intelligence systems includes a set of data visualization systems. In an embodiment, the set of integrated adaptive intelligence systems includes a set of data normalization systems. In an embodiment, the integrated adaptive intelligence system set includes a data cleansing system set.
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.In an embodiment, the integrated set of adaptive intelligence systems includes a set of data deduplication systems. In an embodiment, the set of integrated adaptive intelligence systems includes a set of graph-based data storage systems. In an embodiment, the set of integrated adaptive intelligence systems includes a set of intelligent agent systems. In an embodiment, the set of integrated adaptive intelligence systems includes a set of object-oriented data storage systems.
실시예에서, 통합 적응형 지능 시스템 세트는 자가-구성 시스템 세트를 포함한다. 실시예에서, 통합된 적응형 지능 시스템 세트는 자가-치유 시스템의 세트를 포함한다. 실시예에서, 통합 적응형 지능 시스템 세트는 자가-조직화 시스템 세트를 포함한다. 실시예에서, 통합된 적응형 지능 시스템 세트는 자가-조직화 맵 시스템의 세트를 포함한다.In an embodiment, the integrated adaptive intelligence system set includes a self-organizing system set. In an embodiment, the integrated set of adaptive intelligence systems includes a set of self-healing systems. In an embodiment, the set of integrated adaptive intelligence systems includes a set of self-organizing systems. In an embodiment, the integrated set of adaptive intelligence systems includes a set of self-organizing map systems.
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.In an embodiment, the set of integrated adaptive intelligence systems includes a set of cost-based routing systems. In an embodiment, the integrated set of adaptive intelligence systems includes a set of handshake negotiation systems. In an embodiment, the integrated set of adaptive intelligence systems includes a set of entity discovery systems. In an embodiment, the integrated adaptive intelligence system set includes a cybersecurity system set.
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.In an embodiment, the integrated set of adaptive intelligence systems includes a set of biometric systems. In an embodiment, the integrated set of adaptive intelligence systems includes a set of natural language processing systems. In an embodiment, the integrated set of adaptive intelligence systems includes a set of conversation processing systems. In an embodiment, the integrated set of adaptive intelligence systems includes a set of speech recognition systems.
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.In an embodiment, the integrated adaptive intelligence system set includes a sound processing system set. In an embodiment, the integrated adaptive intelligence system set includes a ultrasonic processing system set. In an embodiment, the integrated set of adaptive intelligence systems includes a set of artificial intelligence systems. In an embodiment, the integrated set of adaptive intelligence systems includes a set of rule engine systems.
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.In an embodiment, the integrated adaptive intelligence system set includes a workflow automation system set. In an embodiment, the integrated set of adaptive intelligence systems includes a set of opportunity discovery systems. In an embodiment, the set of integrated adaptive intelligence systems includes a set of physical modeling systems. In an embodiment, the integrated set of adaptive intelligence systems includes a set of test systems.
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.In an embodiment, the integrated adaptive intelligence system set includes a diagnostic system set. In an embodiment, the integrated adaptive intelligence system set includes a software image propagation system set. In an embodiment, the set of integrated adaptive intelligence systems includes a set of peer-to-peer network configuration systems. In an embodiment, the set of integrated adaptive intelligence systems includes a set of RF spectrum management systems.
실시예에서, 통합 적응형 지능 시스템 세트는 네트워크 자원 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.In an embodiment, the integrated adaptive intelligence system set includes a network resource management system set. In an embodiment, the integrated adaptive intelligence system set includes a storage management system set. In an embodiment, the integrated adaptive intelligence system set includes a data management system set. In an embodiment, the integrated set of adaptive intelligence systems includes a set of intrusion detection systems.
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.In an embodiment, the integrated adaptive intelligence system set includes a firewall system set. In an embodiment, the integrated adaptive intelligence system set includes a virtualized system set. In an embodiment, the integrated adaptive intelligence system set includes a digital twin system set. In an embodiment, the integrated set of adaptive intelligence systems includes a set of Internet of Things monitoring systems.
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.In an embodiment, the integrated set of adaptive intelligence systems includes a set of routing systems. In an embodiment, the integrated set of adaptive intelligence systems includes a set of transition systems. In an embodiment, the integrated set of adaptive intelligence systems includes a set of indoor location systems. In an embodiment, the integrated set of adaptive intelligence systems includes a set of geolocation systems.
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.In an embodiment, the integrated set of adaptive intelligence systems includes a set of parsing systems. In an embodiment, the integrated set of adaptive intelligence systems includes a set of semantic filtering systems. In an embodiment, the integrated set of adaptive intelligence systems includes a set of machine vision systems. In an embodiment, the integrated set of adaptive intelligence systems includes a set of fuzzy logic systems.
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 유형에 관련된 밸류 체인 엔티티의 세트를 오케스트레이션하는 커맨드 센터 대시보드에 대한 사용자 인터페이스이다.In an embodiment, the set of integrated adaptive intelligence systems includes a set of recommender systems. In an embodiment, the integrated set of adaptive intelligence systems includes a set of conversation management systems. In an embodiment, the set of interfaces includes a demand management interface and a supply chain management interface. In an embodiment, the interface is a user interface to a command center dashboard through which an enterprise orchestrates a set of value chain entities related to a type of product.
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 자원의 세트의 구성을 용이하게 한다. 실시예에서, 로컬 관리 시스템 사용자 인터페이스는 적응형 지능 시스템에 대한 데이터 통합 능력의 세트의 구성을 용이하게 한다.In an embodiment, the interface is a user interface of a local management system located in an environment hosting a set of value chain entities. In embodiments, the local management system user interface facilitates configuration of a set of network connections to the adaptive intelligence system. In embodiments, a local management system user interface facilitates configuration of a set of data storage resources for an adaptive intelligence system. In embodiments, a local management system user interface facilitates configuration of a set of data integration capabilities for an adaptive intelligence system.
실시예에서, 로컬 관리 시스템 사용자 인터페이스는 적응형 지능 시스템에 대한 기계 학습 입력 자원의 세트의 구성을 용이하게 한다. 실시예에서, 로컬 관리 시스템 사용자 인터페이스는 적응형 지능 시스템을 지원하는 전력 자원의 세트의 구성을 용이하게 한다. 실시예에서, 로컬 관리 시스템 사용자 인터페이스는 적응형 지능 시스템에 의해 관리되는 작업흐름의 세트의 구성을 용이하게 한다.In embodiments, a local management system user interface facilitates configuration of a set of machine learning input resources for an adaptive intelligence system. In embodiments, a local management system user interface facilitates configuration of a set of power resources to support an adaptive intelligence system. In embodiments, the local management system user interface facilitates configuration of a set of workflows managed by the adaptive intelligence system.
실시예에서, 인터페이스는 적응형 지능 시스템에 대한 네트워크 연결을 갖는 모바일 컴퓨팅 디바이스의 사용자 인터페이스이다.In an embodiment, the interface is a user interface of a mobile computing device with a network connection to an adaptive intelligence system.
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.In an embodiment, the interface is an application programming interface. In embodiments, an application programming interface facilitates the exchange of data between an adaptive intelligence system and a cloud-based artificial intelligence system. In embodiments, an application programming interface facilitates data exchange between an adaptive intelligence system and a real-time operating system of a cloud data management platform.
실시예에서, 애플리케이션 프로그래밍 인터페이스는 적응형 지능 시스템과 클라우드 데이터 관리 플랫폼의 계산 시설 사이의 데이터 교환을 용이하게 한다.In embodiments, an application programming interface facilitates data exchange between the adaptive intelligence system and the computational facilities of the cloud data management platform.
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.In embodiments, an application programming interface facilitates the exchange of data between an adaptive intelligence system and a set of environmental sensors that collect data about the environment hosting a set of value chain network entities. In embodiments, an application programming interface facilitates the exchange of data between an adaptive intelligence system and a set of sensors that collect data about a product.
실시예에서, 애플리케이션 프로그래밍 인터페이스는 지능형 제품에 의해 게시된 데이터를 수집하는 센서의 세트와 적응형 지능 시스템 사이의 데이터의 교환을 용이하게 한다.In embodiments, an application programming interface facilitates the exchange of data between an adaptive intelligence system and a set of sensors that collect data posted by an intelligent product.
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.In embodiments, an application programming interface facilitates the exchange of data between an adaptive intelligence system and a set of sensors that collect data published by a set of Internet of Things systems deployed in an environment hosting a set of value chain network entities. do.
실시예에서, 수요 관리 애플리케이션, 공급 체인 애플리케이션, 지능형 제품 애플리케이션 및 기업 자원 관리 애플리케이션의 세트는 본 개시 전체에 걸쳐 또는 본 출원에 참조로 포함된 문서에 언급된 임의의 애플리케이션을 포함할 수 있다.In embodiments, the set of demand management applications, supply chain applications, intelligent product applications, and enterprise resource management applications may include any of the applications mentioned throughout this disclosure or in documents incorporated by reference into this application.
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.In an embodiment, adaptive
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 유형의 물리적 자산, 디바이스, 및 환경의 예가 본 개시 전반에 걸쳐 참조된다.In some of these embodiments, one or more digital twins may be utilized by adaptive
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.In embodiments, a digital twin may include other digital twins (e.g., through reference, or by partial or complete integration). For example, a digital twin of a package may include a digital twin of the container and one or more digital twins of each of one or more products enclosed within the container. Taking this example one step further, one or more digital twins of a package could be included in a digital twin of a vehicle crossing a road, or located on a digital twin of a stall within a digital twin of a warehouse, where the Digital twins will include digital twins of other physical assets and devices.
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 유형, 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 가단성, 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 유형, 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.In embodiments, a digital representation of a digital twin collectively defines a set of characteristics, attributes, and/or parameters of a represented physical asset, device, or environment, possible behavior or activity, and/or possible state or condition, among other things. may contain a set of data structures (e.g., classes of objects). For example, the set of characteristics of a physical asset may include the type of physical asset, the shape and/or dimensions of the asset, the mass of the asset, the density of the asset, the material(s) of the asset, the physical properties of the material(s), and the chemical properties of the asset. characteristics, the expected life of the asset, the surface of the physical asset, the price of the physical asset, the condition of the physical asset, the location of the physical asset, and/or other attributes, as well as the digital twin and/or can be used to populate the digital twin. Other relevant data sources (e.g., data sources within the management platform described in this application, or external data sources that may affect the characteristics expressed in the digital twin (e.g., how ambient air pressure or temperature expands or contracts) may include identifiers of other digital twins contained within or associated with environmental data sources that may affect the physical dimensions of the asset. Examples of the behavior of a physical asset include the physical asset's state of matter (e.g., solid, liquid, plasma, or gas), the melting point of the physical asset, the density of the physical asset when in a liquid state, and the physical asset's physical state when in a liquid state. Viscosity of an asset, freezing point of a physical asset, density of a physical asset when in a solid state, hardness of a physical asset when in a solid state, malleability of a physical asset, buoyancy of a physical asset, conductivity of a physical asset, Electromagnetic properties, radiation properties, optical properties (e.g., reflectivity, transparency, opacity, albedo, etc.), wave interaction properties (e.g., transparency or opacity to radio waves, reflection properties, shielding properties, etc.), and physical property properties. This can include things like combustion point, how humidity affects a physical asset, how water or other liquids affect a physical asset, and more. In another example, the set of characteristics of the device may include the type of device, the dimensions of the device, the mass of the device, the density of the device, the material(s) of the device, the physical properties of the material(s), the surface of the device, and the output of the device. , the state of the device, the location of the device, the trajectory of the device, the identifier of another digital twin to which the device is connected and/or contains, etc. Examples of the behavior of the device include: maximum acceleration of the device, maximum speed of the device, possible motions of the device, possible configurations of the device, operating modes of the device, heating profile of the device, cooling profile of the device, processes performed by the device, It may include operations performed by, etc. Exemplary characteristics of the environment may include environmental dimensions, environmental air pressure, environmental temperature, environmental humidity, environmental air currents, physical objects within the environment, environmental currents (in the case of a body of water), etc. Examples of the behavior of the environment may include scientific laws that govern the environment, processes performed in the environment, rules or regulations that must be followed in the environment, etc.
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.In embodiments, the characteristics of the digital twin may be adjusted. For example, the temperature of the digital twin, the humidity of the digital twin, the geometry of the digital twin, the material of the digital twin, the dimensions of the digital twin, or any other suitable parameter may be used to determine the current state data and/or the predicted state of the corresponding entity. It can be adjusted to suit.
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.In embodiments, a digital twin may be rendered by a computing device so that a human user can view a digital representation of a set of physical assets, devices, or other entities, and/or their environment. For example, the digital twin can be rendered and provided as output, or the output can be provided to a display device. In some embodiments, the digital twin may be rendered and output in augmented reality and/or virtual reality displays. For example, a user can view a 3D rendering of the environment (e.g., using a monitor or virtual reality headset). While doing so, users can inspect digital twins of physical assets or devices within the environment. In embodiments, a user may view processes (e.g., inventorying, loading, packing, shipping, etc.) performed on one or more digital twins. In embodiments, a user may provide input to control one or more characteristics of the digital twin through a graphical user interface.
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.In some embodiments, adaptive
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 유형의 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.38 illustrates an example embodiment of a system for controlling and/or performing decisions, predictions, and/or classifications on behalf of
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 캡처된 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 유형의 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.In the illustrated example,
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.In some embodiments,
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 유형에 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.In some embodiments, training data,
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 유형, 컨테이너의 제공자 등)를 선택하고, 컨테이너의 배달/픽업을 스케줄링하고, 배송 경로를 선택하고, 컨테이너에 대한 저장소의 유형(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 유형을 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 유형, 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 유형, 및/또는 비용의 특정 조합에 대해 훈련될 수 있다. 컨테이너 플릿 관리 모델을 훈련하는 다른 예는 컨테이너의 내용물, 컨테이너가 이동될 필요가 있을 때, 컨테이너의 유형, 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.39 illustrates an example of a container fleet management system 2070 interfacing with an adaptive
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 유형(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 유형(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 유형의 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.In operation,
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 유형(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/자원, 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, 자원 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 유형(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.40 illustrates an example of a logistics design system interfacing with the adaptive
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.In embodiments, the logistics design system may interface with the
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(1700)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(1700)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(1700)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.In embodiments, the
일부 실시예에서, 디지털 트윈 시스템(1700)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.In some embodiments, simulations run by
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.41 illustrates an example of a packaging design system interfacing with the adaptive
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.In some embodiments, the packaging design system may provide the packaging design to a
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.In embodiments,
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 자원, 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.42 illustrates an example of a waste mitigation system interfacing with the adaptive
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 솔루션을 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.In embodiments,
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.In embodiments,
스마트 프로젝트 관리 시설(Smart Project Management Facilities)Smart Project Management Facilities
도 43을 참조하면, 플랫폼(604)의 실시예가 제공된다. 다른 실시예에서와 같이, 플랫폼(604)은 다양한 데이터 취급 계층(608), (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(808)의 세트를 갖는 마이크로-서비스 아키텍처를 이용할 수 있다. 플랫폼(604)은 기업이 예컨대 지능형 제품일 수 있는 제품(1510)의 원산지 지점으로부터 고객 사용 지점까지 밸류 체인 네트워크 엔티티(652)의 세트를 관리할 수 있게 하기 위한 애플리케이션(614)의 세트(프로세스, 작업흐름, 활동, 이벤트, 사용 사례 및 애플리케이션을 포함함)를 지원할 수 있다.43, an embodiment of
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 자원 관리 애플리케이션(1520)의 세트에 대한 애플리케이션 출력의 세트 및/또는 결과의 세트(1040)에 대해 자동화된 추천을 제공하는 자동화된 프로젝트 관리 시설(21006)의 세트를 더 포함할 수 있다.In an embodiment, the adaptive
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 자원 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.Accordingly, the present application provides methods, systems, components and other elements for an information technology system, comprising a micro-service architecture, a set of interfaces, network connectivity facilities, coordinated for monitoring and management of a set of value chain network entities; a cloud-based management platform with adaptive intelligence facilities, data storage facilities, and monitoring facilities; A set of applications to enable enterprises to manage a set of value chain network entities from point of origin to point of customer use; of value chain project management tasks based on processing a set of current status information and results for a set of demand management applications, a set of supply chain applications, a set of intelligent product applications and a set of enterprise resource planning applications for a category of goods. It may include a set of project management facilities that provide automated recommendations for the set.
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, 자원 계획 프로젝트 등과 같은 매우 다양한 유형의 프로젝트를 관리하도록 구성된다.In an embodiment, the set of project management facilities may include procurement projects, logistics projects, reverse logistics projects, fulfillment projects, distribution projects, warehousing projects, inventory management projects, product design projects, product management projects, shipping projects, maritime projects, and loading. Or, it is configured to manage many different types of projects, such as unloading projects, packing projects, purchasing projects, marketing projects, sales projects, analysis projects, demand management projects, demand planning projects, resource planning projects, etc.
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.In embodiments, a project management facility is configured to manage a set of procurement projects. In embodiments, a project management facility is configured to manage a set of logistics projects. In embodiments, a project management facility is configured to manage a set of reverse logistics projects. In embodiments, a project management facility is configured to manage a set of fulfillment projects.
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.In embodiments, a project management facility is configured to manage a set of distribution projects. In embodiments, a project management facility is configured to manage a set of warehousing projects. In embodiments, a project management facility is configured to manage a set of inventory management projects. In embodiments, a project management facility is configured to manage a set of product design projects.
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.In embodiments, a project management facility is configured to manage a set of product management projects. In embodiments, a project management facility is configured to manage a set of delivery projects. In embodiments, a project management facility is configured to manage a set of offshore projects. In embodiments, a project management facility is configured to manage a set of loading or unloading projects.
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.In embodiments, a project management facility is configured to manage a set of packing projects. In embodiments, a project management facility is configured to manage a set of purchasing projects. In embodiments, a project management facility is configured to manage a set of marketing projects. In embodiments, a project management facility is configured to manage a set of sales projects.
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 자원 계획 프로젝트의 세트를 관리하도록 구성된다.In embodiments, a project management facility is configured to manage a set of analysis projects. In embodiments, a project management facility is configured to manage a set of demand management projects. In embodiments, a project management facility is configured to manage a set of demand planning projects. In embodiments, a project management facility is configured to manage a set of resource planning projects.
스마트 태스크 추천(Smart Task Recommendations)Smart Task Recommendations
도 45를 참조하면, 플랫폼(604)의 실시예가 제공된다. 다른 실시예에서와 같이, 플랫폼(604)은 다양한 데이터 취급 계층(608), (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(808)의 세트를 갖는 마이크로-서비스 아키텍처를 이용할 수 있다.45, an embodiment of
플랫폼(604)은 기업이 예컨대 지능형 제품일 수 있는 제품(1510)의 원산지 지점으로부터 고객 사용 지점까지 밸류 체인 네트워크 엔티티(652)의 세트를 관리할 수 있게 하기 위한 애플리케이션(614)(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 자원 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.Accordingly, the present application provides methods, systems, components and other elements for an information technology system, comprising a micro-service architecture, a set of interfaces, network connectivity facilities, coordinated for monitoring and management of a set of value chain network entities; a cloud-based management platform with adaptive intelligence facilities, data storage facilities, and monitoring facilities; A set of applications to enable enterprises to manage a set of value chain network entities from point of origin to point of customer use; of value chain project management tasks based on processing a set of current status information and results for a set of demand management applications, a set of supply chain applications, a set of intelligent product applications and a set of enterprise resource planning applications for a category of goods. It may include a set of project management facilities that provide automated recommendations for the set.
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(1710)의 세트에 대해 자동화된 추천을 제공하는 프로세스 자동화 시설(1710)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 자원 관리 애플리케이션(1520)의 세트를 더 포함할 수 있다. 일부 예에서, 프로세스 자동화 시설(1710)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(1710)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(1710)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 유형 작업에 기초할 수 있는 이상적인 값을 향해 가격, 프로모션, 수요 관리에 관한 다음 세트의 활동을 집중시키는 것을 학습하는 데 사용될 수 있다.In an embodiment, adaptive
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 유형의 활동을 수반하는 추천을 제공한다.In embodiments, a set of facilities that provide automated recommendations for a set of value chain process tasks may include, without limitation, a product configuration activity, a product selection activity for a customer, a supplier selection activity, a shipper selection activity, a route selection activity, It provides recommendations involving a wide range of types of activities, such as factory selection activities, product type classification activities, product management activities, logistics activities, reverse logistics activities, artificial intelligence configuration activities, maintenance activities, product support activities, product recommendation activities, etc.
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.In embodiments, automated recommendations relate to a set of product configuration activities. In embodiments, automated recommendations involve a set of product selection activities for a customer. In embodiments, automated recommendations relate to a set of supplier selection activities. In embodiments, automated recommendations relate to a set of courier selection activities.
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.In embodiments, automated recommendations relate to a set of route selection activities. In embodiments, automated recommendations involve a set of factory selection activities. In embodiments, automated recommendations relate to a set of sorting activities by product type. In embodiments, automated recommendations relate to a set of product management activities. In an embodiment, the automated recommendation relates to a set of logistics activities.
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.In an embodiment, the automated recommendation relates to a set of reverse logistics activities. In embodiments, automated recommendations relate to a set of artificial intelligence-constructed activities. In embodiments, automated recommendations relate to a set of maintenance activities. In embodiments, automated recommendations relate to a set of product support activities. In embodiments, automated recommendations involve a set of product recommendation activities.
노드 간의 최적화된 라우팅(Optimized routing among nodes)Optimized routing among nodes
도 44를 참조하면, 플랫폼(604)의 실시예가 제공된다. 다른 실시예에서와 같이, 플랫폼(604)은 다양한 데이터 취급 계층(608), (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(808)의 세트를 갖는 마이크로-서비스 아키텍처를 이용할 수 있다. 플랫폼(604)은 기업이 예컨대 지능형 제품일 수 있는 제품(1510)의 원산지 지점으로부터 고객 사용 지점까지 밸류 체인 네트워크 엔티티(652)의 세트를 관리할 수 있게 하기 위한 애플리케이션(614)의 세트(프로세스, 작업흐름, 활동, 이벤트, 사용 사례 및 애플리케이션을 포함함)를 지원할 수 있다.44, an embodiment of
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.Accordingly, the present application provides methods, systems, components and other elements for an information technology system, comprising a micro-service architecture, a set of interfaces, network connectivity facilities, coordinated for monitoring and management of a set of value chain network entities; A cloud-based management platform for value chain networks with adaptive intelligence facilities, data storage facilities, and monitoring facilities; and a set of applications to enable an enterprise to manage a set of value chain network entities from point of origin to point of customer use; A set of routing facilities generates a set of routing instructions for routing information between a set of nodes within a value chain network based on current state information about the value chain network.
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 자원 관리 애플리케이션(1520)의 세트의 이익을 위한 라우팅을 포함할 수 있다.In embodiments, adaptive
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.In an embodiment, a set of routing facilities that generate a set of routing instructions for routing information between a set of nodes within a value chain network include priority-based routing, master controller routing, least-cost routing, rule-based routing, and genetically programmed routing. routing, random linear network coding routing, traffic-based routing, spectrum-based routing, RF condition-based routing, energy-based routing, latency-sensitive routing, protocol compatibility-based routing, dynamic spectrum access routing, peer-to-peer negotiated routing, queue-based routing. A wide variety of routing systems or configurations are used, such as, but not limited to, routing, etc.
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.In an embodiment, routing includes priority based routing. In an embodiment, routing includes master controller routing. In an embodiment, routing includes least cost routing. In an embodiment, routing includes rule-based routing. In an embodiment, routing includes genetically programmed routing.
실시예에서, 라우팅은 랜덤 선형 네트워크 코딩 라우팅을 포함한다. 실시예에서, 라우팅은 트래픽 기반 라우팅을 포함한다. 실시예에서, 라우팅은 스펙트럼 기반 라우팅을 포함한다.In an embodiment, the routing includes random linear network coding routing. In an embodiment, routing includes traffic based routing. In an embodiment, routing includes spectrum-based routing.
실시예에서, 라우팅은 RF 조건 기반 라우팅을 포함한다. 실시예에서, 라우팅은 에너지 기반 라우팅을 포함한다. 실시예에서, 라우팅은 레이턴시 감응 라우팅을 포함한다.In an embodiment, routing includes RF condition based routing. In an embodiment, routing includes energy-based routing. In an embodiment, routing includes latency-sensitive routing.
실시예에서, 라우팅은 프로토콜 호환성 기반 라우팅을 포함한다.In an embodiment, routing includes protocol compatibility based routing.
실시예에서, 라우팅은 동적 스펙트럼 액세스 라우팅을 포함한다. 실시예에서, 라우팅은 피어-투-피어 협상 라우팅을 포함한다. 실시예에서, 라우팅은 큐 기반 라우팅을 포함한다.In an embodiment, routing includes dynamic spectrum access routing. In an embodiment, routing includes peer-to-peer negotiated routing. In an embodiment, routing includes queue-based routing.
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.In embodiments, state information for a value chain network may include, but is not limited to, traffic state, congestion state, bandwidth state, operational state, workflow progress state, incident state, damage state, safety state, power availability state, worker state, data state, Availability Status, Predicted System Status, Delivery Location Status, Delivery Timing Status, Delivery Status, Expected Delivery Status, Environmental Conditions Status, System Diagnostic Status, System Fault Status, Cybersecurity Status, Compliance Status, Demand Status, Supply Status, Price It involves a wide range of states, events, workflows, activities, occurrences, etc., such as states, volatile states, need states, states of interest, aggregated states for groups or populations, individual states, etc.
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.In an embodiment, the state information involves traffic status. In an embodiment, the state information involves congestion conditions. In an embodiment, the status information involves bandwidth status. In embodiments, the status information involves operational status. In embodiments, the status information involves workflow progress.
실시예에서, 상태 정보는 사건 상태를 수반한다. 실시예에서, 상태 정보는 손상 상태를 수반한다. 실시예에서, 상태 정보는 안전 상태를 수반한다.In embodiments, the status information involves event status. In an embodiment, the status information involves a corruption condition. In an embodiment, the status information entails a safety status.
실시예에서, 상태 정보는 전력 가용성 상태를 수반한다. 실시예에서, 상태 정보는 작업자 상태를 수반한다. 실시예에서, 상태 정보는 데이터 가용성 상태를 수반한다.In an embodiment, the status information involves power availability status. In an embodiment, the status information involves operator status. In an embodiment, the status information involves data availability status.
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.In embodiments, the state information involves predicted system states. In embodiments, the status information involves delivery location status. In embodiments, the status information involves delivery timing status. In an embodiment, the status information entails delivery status.
실시예에서, 상태 정보는 예상된 전달 상태를 수반한다. 실시예에서, 상태 정보는 환경 조건 상태를 수반한다.In embodiments, the status information entails expected delivery status. In embodiments, the status information involves environmental condition status.
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.In embodiments, the status information involves system diagnostic status. In an embodiment, the status information involves a system fault condition. In embodiments, the status information involves cybersecurity status. In embodiments, the status information involves compliance status.
디지털 트윈을 관리하기 위한 대시보드(DASHBOARD FOR MANAGING DIGITAL TWINS)DASHBOARD FOR MANAGING DIGITAL TWINS
도 47을 참조하면, 플랫폼(604)의 실시예가 제공된다. 다른 실시예에서와 같이, 플랫폼(604)은 다양한 데이터 취급 계층(608), (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(808)의 세트를 갖는 마이크로-서비스 아키텍처를 이용할 수 있다. 플랫폼(604)은 기업이 예컨대 지능형 제품일 수 있는 제품(1510)의 원산지 지점으로부터 고객 사용 지점까지 밸류 체인 네트워크 엔티티(652)의 세트를 관리할 수 있게 하기 위한 애플리케이션(614)의 세트(프로세스, 작업흐름, 활동, 이벤트, 사용 사례 및 애플리케이션을 포함함)를 지원할 수 있다.47, an embodiment of
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.Accordingly, the present application provides methods, systems, components and other elements for an information technology system, comprising a micro-service architecture, a set of interfaces, network connectivity facilities, coordinated for monitoring and management of a set of value chain network entities; a cloud-based management platform with adaptive intelligence facilities, data storage facilities, and monitoring facilities; A set of applications to enable enterprises to manage a set of value chain network entities from point of origin to point of customer use; and a dashboard for managing the set of digital twins, wherein at least one digital twin represents a set of supply chain entities, workflows, and assets, and at least one other digital twin represents a set of demand management entities and workflows. represents.
실시예에서, VCNP(604)는 디지털 트윈(1700)의 세트를 관리하기 위한 대시보드(4200)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(4200)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 유형에 의해 영향을 받을 수 있다. 예시적인 실시예에서, 디지털 트윈 구성 시스템은 기업에 대해 지원될 수 있는 디지털 트윈의 유형들 뿐만 아니라, 또한 각각의 유형의 디지털 트윈에 표시될 상이한 객체, 엔티티, 및/또는 상태를 수신할 수 있다. 각각의 유형의 디지털 트윈에 대해, 디지털 트윈 구성 시스템은 각각의 유형의 디지털 트윈에 표시되는 각각의 객체, 엔티티, 또는 상태를 공급하거나 다른 방식으로 지원하는 하나 이상의 데이터 소스 및 데이터의 유형을 결정할 수 있고, 식별된 데이터 유형을 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 유형의 데이터와 그 세분성 사이의 관계를 분석함으로써 식별된 데이터 유형을 지원하는 내부 및/또는 외부 소프트웨어 요청을 결정할 수 있다. 추가적으로 또는 대안적으로, 사용자는 각각의 디지털 트윈에 표시되는 각각의 데이터 유형을 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 유형을 표시할 수 있다.In an embodiment,
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 자원 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.The dashboard may include, for example, a set of
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.In an embodiment, a dashboard is for managing a set of digital twins, wherein at least one digital twin represents a set of supply chain entities and workflows, and at least one other digital twin represents a set of demand management entities and workflows. Represents a set.
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.In an embodiment, the entities and workflows are related to a set of enterprise products. In an embodiment, the entities and workflows are associated with a set of enterprise suppliers. In an embodiment, the entities and workflows are associated with a set of producers of a set of products. In an embodiment, the entities and workflows relate to a set of manufacturers of a set of products.
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.In an embodiment, the entities and workflows relate to a retailer's set of lines of products. In an embodiment, the entities and workflows relate to a set of operators involved in the ecosystem for a category of products. In an embodiment, the entities and workflows relate to a set of owners of a set of assets involved in the value chain for a set of products. In an embodiment, the entities and workflows relate to an operator's set of assets involved in a value chain for a set of products.
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.In embodiments, entities and workflows are associated with a set of operational facilities. In embodiments, entities and workflows are associated with sets of customers. In embodiments, entities and workflows are associated with sets of consumers. In embodiments, entities and workflows are associated with sets of workers.
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.In embodiments, entities and workflows relate to a set of mobile devices. In an embodiment, entities and workflows relate to a set of wearable devices. In an embodiment, the entities and workflows are associated with a set of distributors. In an embodiment, entities and workflows are associated with a set of resellers.
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.In embodiments, entities and workflows are associated with a set of supply chain infrastructure facilities. In embodiments, entities and workflows are associated with a set of supply chain processes. In embodiments, entities and workflows are associated with a set of logistics processes. In embodiments, entities and workflows are associated with a set of reverse logistics processes.
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.In embodiments, entities and workflows are related to a set of demand forecasting processes. In embodiments, entities and workflows are associated with a set of demand management processes. In embodiments, entities and workflows are associated with a set of demand aggregation processes. In an embodiment, entities and workflows relate to sets of machines.
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.In an embodiment, entities and workflows are associated with a set of vessels. In an embodiment, the entities and workflows are associated with a set of barges. In an embodiment, entities and workflows are associated with a set of warehouses. In an embodiment, the entities and workflows are associated with a set of maritime ports.
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.In an embodiment, the entities and workflows are associated with a set of airports. In an embodiment, entities and workflows are related to a set of routes. In an embodiment, entities and workflows are associated with sets of channels. In an embodiment, entities and workflows are related to a set of roads.
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.In an embodiment, the entities and workflows are related to a set of railroads. In an embodiment, entities and workflows are related to a set of bridges. In an embodiment, entities and workflows are associated with a set of tunnels. In an embodiment, the entities and workflows are associated with a set of online retailers.
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.In an embodiment, the entities and workflows are associated with a set of e-commerce sites. In an embodiment, entities and workflows are related to a set of demand factors. In an embodiment, entities and workflows are associated with sets of provisioning factors. In embodiments, entities and workflows are associated with a set of delivery systems.
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.In embodiments, entities and workflows are related to sets of floating assets. In embodiments, entities and workflows are associated with a set of origin points. In an embodiment, entities and workflows are associated with a set of destination points. In an embodiment, entities and workflows are associated with a set of points in the repository.
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.In embodiments, entities and workflows relate to a set of points of product use. In an embodiment, entities and workflows are associated with a set of networks. In embodiments, entities and workflows relate to a set of information technology systems. In embodiments, entities and workflows relate to a set of software platforms.
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.In an embodiment, entities and workflows are associated with a set of distribution centers. In embodiments, entities and workflows are associated with a set of fulfillment centers. In an embodiment, entities and workflows are related to sets of containers. In an embodiment, the entities and workflows relate to a set of container handling facilities.
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.In embodiments, entities and workflows are associated with a set of customs. In embodiments, entities and workflows are associated with a set of export controls. In an embodiment, entities and workflows are associated with a set of boundary controls. In an embodiment, entities and workflows are associated with a set of drones.
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.In embodiments, entities and workflows are associated with sets of robots. In an embodiment, the entities and workflows are associated with a set of autonomous vehicles. In an embodiment, the entities and workflows relate to a set of transport facilities. In embodiments, entities and workflows relate to sets of drones, robots, and autonomous vehicles. In an embodiment, entities and workflows are associated with sets of channels. In an embodiment, the entities and workflows relate to a set of port infrastructure facilities.
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.In an embodiment, a set of digital twins may include, for example, and without limitation, a distribution twin, a warehousing twin, a port infrastructure twin, a shipping facility twin, an operations facility twin, a customer twin, a worker twin, a wearable device twin, a portable device Twin, mobile device twin, process twin, machine twin, asset twin, product twin, point of origin twin, point of destination twin, supply factor twin, offshore facility twin, floating asset twin, shipyard twin, fulfillment twin, delivery system twin, demand Factor twin, retailer twin, e-commerce twin, online twin, waterway twin, road twin, road twin, railway twin, aviation facility twin, aircraft twin, ship twin, vehicle twin, train twin, autonomous vehicle twin, robot system twin, It may include drone twins, logistics factor twins, etc.
마이크로서비스 아키텍처(MICROSERVICES ARCHITECTURE)MICROSERVICES ARCHITECTURE
도 48을 참조하면, 플랫폼(604)의 일 실시예가 제공된다. 다른 실시예에서와 같이, 플랫폼(604)은 다양한 데이터 취급 계층(608), (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(808)의 세트를 갖는 마이크로-서비스 아키텍처를 이용할 수 있다. 플랫폼(604)은 기업이 예컨대 지능형 제품일 수 있는 제품(1510)의 원산지 지점으로부터 고객 사용 지점까지 밸류 체인 네트워크 엔티티(652)의 세트를 관리할 수 있게 하기 위한 애플리케이션(614)의 세트(프로세스, 작업흐름, 활동, 이벤트, 사용 사례 및 애플리케이션을 포함함)를 지원할 수 있다.48, one embodiment of
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.Accordingly, the present application provides methods, systems, components and other elements for an information technology system, comprising a micro-service architecture, a set of interfaces, network connectivity facilities, coordinated for monitoring and management of a set of value chain network entities; a cloud-based management platform with adaptive intelligence facilities, data storage facilities, and monitoring facilities; A set of applications to enable enterprises to manage a set of value chain network entities from point of origin to point of customer use; It may include a set of microservice layers, including an application layer supporting at least one supply chain application and at least one demand management application, wherein the applications in the application layer include data processing services, data collection services, and data storage services. Use a set of common services between sets.
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 자원 관리 애플리케이션(1520)의 세트 중 적어도 2개의 애플리케이션을 지원하는 애플리케이션 계층을 포함하는 마이크로서비스 계층의 세트를 더 포함할 수 있다.In an embodiment,
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.Microservice architecture provides several advantages to
다른 센서 및 카메라의 IoT 데이터 수집 아키텍처 추천Recommend IoT data collection architectures from different sensors and cameras
도 49를 참조하면, 플랫폼(604)의 실시예가 제공된다. 다른 실시예에서와 같이, 플랫폼(604)은 다양한 데이터 취급 계층(608), (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(808)의 세트를 갖는 마이크로-서비스 아키텍처를 이용할 수 있다. 플랫폼(604)은 기업이 예컨대 지능형 제품일 수 있는 제품(1510)의 원산지 지점으로부터 고객 사용 지점까지 밸류 체인 네트워크 엔티티(652)의 세트를 관리할 수 있게 하기 위한 애플리케이션(614)의 세트(프로세스, 작업흐름, 활동, 이벤트, 사용 사례 및 애플리케이션을 포함함)를 지원할 수 있다.49, an embodiment of
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 자원의 세트로부터 정보를 수집하는 데이터 수집 계층을 포함한다.Accordingly, the present application provides methods, systems, components and other elements for an information technology system, comprising a micro-service architecture, a set of interfaces, network connectivity facilities, coordinated for monitoring and management of a set of value chain network entities; a cloud-based management platform with adaptive intelligence facilities, data storage facilities, and monitoring facilities; A set of applications to enable enterprises to manage a set of value chain network entities from point of origin to point of customer use; It may include a set of microservice layers, including an application layer supporting at least one supply chain application and at least one demand management application, wherein the microservice layer is a set of microservice layers that collect information about supply chain entities and demand management entities. Includes a data collection layer that collects information from a set of Internet resources.
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.Additionally, methods, systems, components and other elements for an information technology system are provided in this application, including a micro-service architecture, a set of interfaces, network connectivity facilities, coordinated for monitoring and management of a set of value chain network entities; a cloud-based management platform with adaptive intelligence facilities, data storage facilities, and monitoring facilities; A set of applications to enable enterprises to manage a set of value chain network entities from point of origin to point of customer use; A machine learning/artificial intelligence system configured to generate recommendations for placing additional sensors/and/or cameras on and/or proximate to a value chain entity, wherein data from the additional sensors and/or cameras The chain is fed into a digital twin that represents a set of entities.
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 자원(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 자원 관리 애플리케이션(1520)의 세트 중에서 다양한 애플리케이션을 지원할 수 있다.In an embodiment,
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 자원의 세트는 본 개시 전반에 걸쳐 그리고 본 출원에 참조로 포함된 문서에 설명된 유형 중 임의의 유형의 엔티티로부터 정보를 수집한다.In an embodiment,
실시예에서, 사물 인터넷 자원의 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 유형의 것일 수 있다.In an embodiment, the set of Internet of Things resources may include a camera system, a lighting system, a motion detection system, a weighting system, an inspection system, a machine vision system, an environmental sensor system, an on-board sensor system, an on-board diagnostic system, an environmental control system, and sensor-enables. Network switching and routing systems, RF sensing systems, magnetic sensing systems, pressure monitoring systems, vibration monitoring systems, temperature monitoring systems, heat flow monitoring systems, biological measurement systems, chemical measurement systems, ultrasonic monitoring systems, radiography systems, LIDAR-based monitoring The system may be of a wide variety of types, such as, without limitation, an access control system, a penetrating wave detection system, a SONAR-based monitoring system, a radar-based monitoring system, a computed tomography system, a magnetic resonance imaging system, a network monitoring system, and the like.
실시예에서, 사물 인터넷 자원의 세트는 카메라 시스템의 세트를 포함한다. 실시예에서, 사물 인터넷 자원의 세트는 조명 시스템의 세트를 포함한다. 실시예에서, 사물 인터넷 자원의 세트는 기계 비전 시스템의 세트를 포함한다. 실시예에서, 사물 인터넷 자원의 세트는 모션 감지 시스템의 세트를 포함한다.In an embodiment, the set of Internet of Things resources includes a set of camera systems. In an embodiment, the set of Internet of Things resources includes a set of lighting systems. In an embodiment, the set of Internet of Things resources includes a set of machine vision systems. In an embodiment, the set of Internet of Things resources includes a set of motion detection systems.
실시예에서, 사물 인터넷 자원의 세트는 가중 시스템의 세트를 포함한다. 실시예에서, 사물 인터넷 자원의 세트는 검사 시스템의 세트를 포함한다. 실시예에서, 사물 인터넷 자원의 세트는 환경 센서 시스템의 세트를 포함한다. 실시예에서, 사물 인터넷 자원의 세트는 온보드 센서 시스템의 세트를 포함한다.In an embodiment, the set of Internet of Things resources includes a set of weighting systems. In an embodiment, the set of Internet of Things resources includes a set of inspection systems. In an embodiment, the set of Internet of Things resources includes a set of environmental sensor systems. In an embodiment, the set of Internet of Things resources includes a set of onboard sensor systems.
실시예에서, 사물 인터넷 자원의 세트는 온보드 진단 시스템의 세트를 포함한다. 실시예에서, 사물 인터넷 자원의 세트는 환경 제어 시스템의 세트를 포함한다. 실시예에서, 사물 인터넷 자원의 세트는 센서-인에이블형 네트워크 전환 및 라우팅 시스템의 세트를 포함한다. 실시예에서, 사물 인터넷 자원의 세트는 RF 감지 시스템의 세트를 포함한다. 실시예에서, 사물 인터넷 자원의 세트는 자기 감지 시스템의 세트를 포함한다.In an embodiment, the set of Internet of Things resources includes a set of onboard diagnostic systems. In an embodiment, the set of Internet of Things resources includes a set of environmental control systems. In an embodiment, the set of Internet of Things resources includes a set of sensor-enabled network switching and routing systems. In an embodiment, the set of Internet of Things resources includes a set of RF sensing systems. In an embodiment, the set of Internet of Things resources includes a set of magnetic sensing systems.
실시예에서, 사물 인터넷 자원의 세트는 압력 모니터링 시스템의 세트를 포함한다. 실시예에서, 사물 인터넷 자원의 세트는 진동 모니터링 시스템의 세트를 포함한다. 실시예에서, 사물 인터넷 자원의 세트는 온도 모니터링 시스템의 세트를 포함한다. 실시예에서, 사물 인터넷 자원의 세트는 열 흐름 모니터링 시스템의 세트를 포함한다. 실시예에서, 사물 인터넷 자원의 세트는 생물학적 측정 시스템의 세트를 포함한다.In an embodiment, the set of Internet of Things resources includes a set of pressure monitoring systems. In an embodiment, the set of Internet of Things resources includes a set of vibration monitoring systems. In an embodiment, the set of Internet of Things resources includes a set of temperature monitoring systems. In an embodiment, the set of Internet of Things resources includes a set of heat flow monitoring systems. In an embodiment, the set of Internet of Things resources includes a set of biological measurement systems.
실시예에서, 사물 인터넷 자원의 세트는 화학적 측정 시스템의 세트를 포함한다. 실시예에서, 사물 인터넷 자원의 세트는 초음파 모니터링 시스템의 세트를 포함한다. 실시예에서, 사물 인터넷 자원의 세트는 방사선 촬영 시스템의 세트를 포함한다. 실시예에서, 사물 인터넷 자원의 세트는 LIDAR 기반 모니터링 시스템의 세트를 포함한다. 실시예에서, 사물 인터넷 자원의 세트는 액세스 제어 시스템의 세트를 포함한다.In an embodiment, the set of Internet of Things resources includes a set of chemical measurement systems. In an embodiment, the set of Internet of Things resources includes a set of ultrasonic monitoring systems. In an embodiment, the set of Internet of Things resources includes a set of radiography systems. In an embodiment, the set of Internet of Things resources includes a set of LIDAR-based monitoring systems. In an embodiment, a set of Internet of Things resources includes a set of access control systems.
실시예에서, 사물 인터넷 자원의 세트는 침투파 감지 시스템의 세트를 포함한다. 실시예에서, 사물 인터넷 자원의 세트는 SONAR 기반 모니터링 시스템의 세트를 포함한다. 실시예에서, 사물 인터넷 자원의 세트는 레이더 기반 모니터링 시스템의 세트를 포함한다. 실시예에서, 사물 인터넷 자원의 세트는 컴퓨터 단층촬영 시스템의 세트를 포함한다. 실시예에서, 사물 인터넷 자원의 세트는 자기 공명 이미징 시스템의 세트를 포함한다. 실시예에서, 사물 인터넷 자원의 세트는 네트워크 모니터링 시스템의 세트를 포함한다.In an embodiment, a set of Internet of Things resources includes a set of penetrating wave detection systems. In an embodiment, the set of Internet of Things resources includes a set of SONAR-based monitoring systems. In an embodiment, a set of Internet of Things resources includes a set of radar-based monitoring systems. In an embodiment, the set of Internet of Things resources includes a set of computed tomography systems. In an embodiment, the set of Internet of Things resources includes a set of magnetic resonance imaging systems. In an embodiment, the set of Internet of Things resources includes a set of network monitoring systems.
소셜 데이터 수집 아키텍처(SOCIAL DATA COLLECTION ARCHITECTURE)SOCIAL DATA COLLECTION ARCHITECTURE
도 50을 참조하면, 플랫폼(604)의 일 실시예가 제공된다. 다른 실시예에서와 같이, 플랫폼(604)은 다양한 데이터 취급 계층(608), (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(808)의 세트를 갖는 마이크로-서비스 아키텍처를 이용할 수 있다. 플랫폼(604)은 기업이 예컨대 지능형 제품일 수 있는 제품(1510)의 원산지 지점으로부터 고객 사용 지점까지 밸류 체인 네트워크 엔티티(652)의 세트를 관리할 수 있게 하기 위한 애플리케이션(614)의 세트(프로세스, 작업흐름, 활동, 이벤트, 사용 사례 및 애플리케이션을 포함함)를 지원할 수 있다.50, one embodiment of
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.Accordingly, the present application provides methods, systems, components and other elements for an information technology system, comprising a micro-service architecture, a set of interfaces, network connectivity facilities, coordinated for monitoring and management of a set of value chain network entities; a cloud-based management platform with adaptive intelligence facilities, data storage facilities, and monitoring facilities; A set of applications to enable enterprises to manage a set of value chain network entities from point of origin to point of customer use; It may include a set of microservice layers, including an application layer supporting at least one supply chain application and at least one demand management application, wherein the microservice layer is a social service layer that provides information about the supply chain entity and the demand management entity. Includes a data collection layer that collects information from a set of network sources.
실시예에서, VCNP(604)는 공급 체인 엔티티 및 수요 관리 엔티티에 대한 정보를 제공하는 소셜 네트워크 자원 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 자원 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.In an embodiment,
크라우드소싱 데이터 수집 아키텍처(CROWDSOURCING DATA COLLECTION ARCHITECTURE)CROWDSOURCING DATA COLLECTION ARCHITECTURE
도 51을 참조하면, 플랫폼(604)의 일 실시예가 제공된다. 다른 실시예에서와 같이, 플랫폼(604)은 다양한 데이터 취급 계층(608), (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(808)의 세트를 갖는 마이크로-서비스 아키텍처를 이용할 수 있다. 플랫폼(604)은 기업이 예컨대 지능형 제품일 수 있는 제품(1510)의 원산지 지점으로부터 고객 사용 지점까지 밸류 체인 네트워크 엔티티(652)의 세트를 관리할 수 있게 하기 위한 애플리케이션(614)의 세트(프로세스, 작업흐름, 활동, 이벤트, 사용 사례 및 애플리케이션을 포함함)를 지원할 수 있다.51, one embodiment of
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 자원의 세트로부터 정보를 수집하는 데이터 수집 계층을 포함한다.Accordingly, the present application provides methods, systems, components and other elements for an information technology system, comprising a micro-service architecture, a set of interfaces, network connectivity facilities, coordinated for monitoring and management of a set of value chain network entities; a cloud-based management platform with adaptive intelligence facilities, data storage facilities, and monitoring facilities; A set of applications to enable enterprises to manage a set of value chain network entities from point of origin to point of customer use; It may include a set of microservice layers, including an application layer supporting at least one supply chain application and at least one demand management application, wherein the microservice layer provides information about the supply chain entity and the demand management entity. Includes a data collection layer that collects information from a set of sourcing resources.
실시예에서, VCNP(604)는 공급 체인 엔티티 및 수요 관리 엔티티에 관한 정보를 제공하는 크라우드소싱 자원의 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 시설(1770)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 자원 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 인터페이스에 의해 촉진될 수 있다.In an embodiment,
밸류 체인 디지털 트윈 처리(VALUE CHAIN DIGITAL TWIN PROCESSING)(DTPT)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 캡처되거나, 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.Referring now to FIG. 52 , a set of value chain network
예를 들어, 기계 트윈(21010)은 기계(724)의 주요 동작 메트릭을 연속적으로 캡처할 수 있고, 실시간으로 기계 성능을 모니터링하고 최적화하기 위해 사용될 수 있다. 기계 트윈(21010)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(21010)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(21010)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.For example, machine twin 21010 may continuously capture key operating metrics of
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.Similarly,
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(1510)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.In embodiments, multiple digital twins of value
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.The ability to integrate digital twins of value
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.Similarly, a process digital twin can be viewed as consisting of a digital twin of multiple subprocesses representing selected entities among supply chain entities, demand management entities, and value chain network entities. For example, a digital twin of a packaging process consists of a digital twin of subprocesses for picking, moving, inspecting, and packing products. As another example, a digital twin of a warehousing process can be viewed as consisting of a digital twin of multiple subprocesses, including receiving, storing, picking, and shipping stored inventory.
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.It will be clear that a value chain network digital twin system can be created from a plurality of digital twin subsystems, or conversely a digital twin subsystem can be created from a digital twin system, with at least one of the digital twin subsystem and the digital twin system. One represents selected entities among supply chain entities, demand management entities, and value chain network entities.
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.Similarly, a value chain network digital twin process can be created from a plurality of digital twin subprocesses, or conversely, it can be a digital twin subprocess created from a digital twin process, and at least one of the digital twin subprocess and the digital twin process is a supply. Represents selected entities among chain entities, demand management entities, and value chain network entities.
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.The analysis obtained from the
실시예에서, 플랫폼(604) 및 애플리케이션(630)은 밸류 체인 엔티티의 세트를 나타내는 자가-확장 디지털 트윈(self-expanding digital twin)을 생성하고 업데이트하기 위한 시스템을 가질 수 있다. 자가-확장 디지털 트윈은 점점 더 많은 데이터를 수집하고 직면하는 시나리오와 함께, 학습 및 범위 확장을 계속 유지한다. 그 결과, 자가-확장 트윈은 시간에 따라 진화할 수 있고, 더 복잡한 태스크를 취하고, 자가-확장 디지털 트윈의 사용자에 의해 제기된 더 복잡한 질문에 답변할 수 있다.In embodiments,
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.In embodiments,
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.In embodiments,
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.In an embodiment, the value chain
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.In an embodiment, the value chain
밸류 체인 디지털 트윈 키트(Value Chain Digital Twin Kit)(DTIB)Value Chain Digital Twin Kit (DTIB)
밸류 체인 네트워크 관리 플랫폼은 자가-구성 능력을 갖는 독창적인(out-of-the-box) 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 독창적인 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.A value chain network management platform can provide digital twin subsystems in the form of out-of-the-box kit systems with self-configuration capabilities. The kit can provide a data-rich, interactive overview of the set of value chain network entities that make up a subsystem. For example, a supply chain creative digital twin kit system could represent a set of supply chain entities that are associated with the identity of the owner or operator of the supply chain entities. The owner or operator of the supply chain entity can then use the kit to get a holistic picture of the complete portfolio. Owners can research information related to various supply chain entities and ask interactive questions from the digital twin kit system.
실시예에서, 수요 관리 독창적인 디지털 트윈 키트 시스템은 수요 관리 엔티티의 소유자 또는 운영자의 아이덴티티에 연관되는 수요 관리 엔티티의 세트를 나타낼 수 있다.In embodiments, a demand management proprietary digital twin kit system may represent a set of demand management entities that are associated with the identity of the owner or operator of the demand management entity.
실시예에서, 독창적인, 자가-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.In an embodiment, a value chain network digital twin kit system to provide unique, self-configuring capabilities includes a set of demand management entities and a set of supply chain entities that are associated with the identity of the owner or operator of the demand management entity and the supply chain entity. can represent.
실시예에서, 독창적인, 자가-구성 능력을 제공하기 위한 웨어하우스 디지털 트윈 키트 시스템은 웨어하우스의 소유자 또는 운영자의 아이덴티티에 연관되는 웨어하우스 엔티티의 세트를 나타낼 수 있다.In embodiments, a warehouse digital twin kit system to provide unique, self-configuring capabilities may represent a set of warehouse entities that are associated with the identity of the owner or operator of the warehouse.
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.Referring now to Figure 53, an example warehouse digital twin kit system 5000 is shown. Warehouse digital twin kit system 5000 includes a warehousing twin in
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 캡처된 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.Warehouse digital twin kit system 5000 allows an owner or
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.In an embodiment, the warehouse digital twin kit system 5000 may provide the
실시예에서, 독창적인, 자가-구성 능력을 제공하기 위한 컨테이너 선박 디지털 트윈 키트 시스템은 컨테이너 선박의 소유자 또는 운영자의 아이덴티티에 연관되는 컨테이너 선박 엔티티의 세트를 나타낼 수 있다.In embodiments, a container ship digital twin kit system to provide unique, self-configuring capabilities may represent a set of container ship entities that are associated with the identity of the owner or operator of the container ship.
실시예에서, 독창적인, 자가-구성 능력을 제공하기 위한 항구 기반구조 디지털 트윈 키트 시스템은 항구 기반구조의 소유자 또는 운영자의 아이덴티티에 연관되는 항구 기반구조 엔티티의 세트를 나타낼 수 있다.In embodiments, a port infrastructure digital twin kit system to provide unique, self-configuring capabilities may represent a set of port infrastructure entities that are associated with the identity of the owner or operator of the port infrastructure.
밸류 체인 호환성 테스트(Value Chain Compatibility Testing)(VCCT)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.This yields visibility into the compatibility and performance of various systems and subsystems within the value chain network before any physical impact. Any incompatibilities or performance deficiencies in different value
디지털 트윈(1700)은 밸류 체인 네트워크에서 호환성 테스트를 수행하기 위해 인공 지능 시스템(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.The
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.In embodiments, a platform may provide a system for testing the compatibility or configuration of a set of vendor components for a container vessel using a set of digital twins representing the container vessel and vendor components.
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.In embodiments, a platform may provide a system for testing the compatibility or configuration of a set of vendor components for a warehouse using a set of digital twins representing the warehouse and vendor components.
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.In embodiments, a platform may provide a system for testing the compatibility or configuration of a set of vendor components for a port infrastructure facility using a set of digital twins representing the port infrastructure facility and the vendor components.
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.In embodiments, a platform may provide a system for testing the compatibility or configuration of a set of vendor components for a shipyard facility using a set of digital twins representing the shipyard facility and vendor components.
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.In embodiments, a platform may provide a system for testing the compatibility or configuration of a set of container ships and port infrastructure facilities using a set of digital twins representing the container ships and port infrastructure facilities.
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.In embodiments, a platform may provide a system for testing the compatibility or configuration of barge and waterway sets for a navigation route using a digital twin set representing the barge and waterway sets.
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.In embodiments, a platform may provide a system for testing the compatibility or configuration of a set of container ships and cargoes for an identified shipment using a set of digital twins representing the container ships and cargoes.
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.In embodiments, a platform may provide a system for testing the compatibility or configuration of barge and cargo sets for an identified shipment using a digital twin set representing the barge and cargo.
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.In embodiments, a platform may provide a system for testing the compatibility or configuration of a set of cargo handling infrastructure facilities and cargo for an identified shipment using a set of digital twins representing the cargo handling infrastructure facilities and cargo. You can.
밸류 체인 기반구조 테스트(Value Chain Infrastructure Testing)(VCIT)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 시스템들(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.In an embodiment, the platform uses a digital twin representing a set of value chain entities to train an artificial intelligence/machine learning system to perform stress tests on machines collected from data sources related to a set of value chain network activities. It may include a system for learning based on a training set of results, parameters, and data.
설명된 바와 같이, 밸류 체인 네트워크는 공급자와 제조자 사이의 원자재의 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. As explained, the value chain network extends from the acquisition and distribution of raw materials between suppliers and manufacturers, through the delivery, distribution and storage of materials to retailers or wholesalers, and finally to the sale of products to end users. It includes a number of interrelated subsystems and subprocesses that manage and control all aspects associated with the production and delivery of finished products to end users. The complex interconnected nature of value chain networks means that adverse events within one subsystem or one or more value chain entities are reflected throughout the entire value chain network.
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.Figure 54 is an example method for performing a stress test on a value chain network. Stress testing is intended to test the resilience of a value chain network (including its subsystems) and determine its ability to handle adverse scenarios, such as natural disasters, congested routes, changes in laws, or deep economic recessions. May include simulation exercises. These negative or stressful scenarios may impact one or more entities or subsystems within the value chain network, depending on the nature of the scenario. Therefore, any stress test will require simulating scenarios and analyzing the impact of different scenarios across different subsystems and on the entire value chain network.
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.At 5102, all historical and current data related to the value chain network is received. The data may include information related to various operating parameters of the value chain network over a specific historical period, for example, the last 12 months. The data can also provide information about typical values of various operating parameters under normal conditions. Some examples of operating parameters include: product demand, procurement turnaround time, productivity, inventory levels in one or more warehouses, inventory turnover, warehousing costs, average time to transport products from a warehouse to a shipping terminal, product Total cost of delivery, service level, etc. At 5104, one or more simulation models of the value chain network are created based on the data. Simulation models help visualize the value chain network as a whole and predict how changes in operating parameters will affect the behavior and performance of the value chain network. In embodiments, the simulation model may be the sum of multiple models of different subsystems of the value chain network.
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.At 5106, one or more stress scenarios may be simulated by changing one or more parameters beyond normal operating values. Simulation of stress scenarios overcomes the limitations of arbitrary analysis based only on historical data and helps analyze network performance over a range of hypothetical but plausible stress conditions. Simulation involves changing (shocking) one or more parameters while keeping other parameters fixed to analyze the impact of these fluctuations on the value chain network. In embodiments, a single parameter may be changed while keeping the remaining parameters fixed. In other embodiments, multiple parameters may be changed simultaneously. At 5108, the results of stress scenario simulations are determined and the performance of the value chain network and its different subsystems is estimated across various scenarios. At 5110, data, parameters and results are fed to a machine learning process in
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.The advantage of generating data through simulation and then training machine learning algorithms on this data is the control this approach provides over the volume and frequency of the data, as well as the features in the data.
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.In an embodiment, the platform collects data from sources related to a set of value chain network activities to train an artificial intelligence/machine learning system to perform stress testing on physical objects using a digital twin representing a set of value chain entities. and a system for learning based on a training set of results, parameters, and data.
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.In an embodiment, the platform uses a connected network of entities and a digital twin representing a set of value chain entities in the telecommunication network to train an artificial intelligence/machine learning system to perform stress testing on a telecommunication network. It may include a system for learning based on a training set of results, parameters, and data collected from data sources related to the set of activities.
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.For example, a telecommunication network may be stress tested for resilience by intentionally increasing network traffic by generating data packets and sending them to specific target nodes within the telecommunication network. Additionally, the amount of traffic can be varied to create variable load conditions on the target node by manipulating the number, rate or amount of data within the data packets. A response from the target node can be determined to evaluate how the node performed in the stress test. Target nodes may be selected from different parts of the telecommunication network for stress testing to test the robustness of any part of the network in any topology. Simulated stress testing for telecommunications networks can be used to identify vulnerabilities in any part of the network, so that vulnerabilities can be remedied before users experience network outages in deployed networks.
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.In embodiments, a platform may include a system for using a digital twin to represent a set of value chain entities in a demand management environment to perform a set of stress tests on a set of workflows in the demand management environment using the digital twin. Stress testing can demonstrate the impact on a digital twin of changing a set of demand-related parameters to levels that exceed normal operating levels. For example, the demand for a product in a value chain network can be affected by factors such as changes in consumer confidence, recession, excessive inventory levels, replacement product prices, overall market index, exchange rate changes, etc.
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.In embodiments, a platform may include a system for using a digital twin representing a set of value chain entities in a supply chain to perform a set of stress tests on a set of workflows in the supply chain using the digital twin. Stress testing demonstrates the impact on the digital twin of changing a set of supply chain-related parameters to levels that exceed normal operating levels. For example, the supply of products in a value chain network can be affected by factors such as weather, natural disasters, traffic congestion, changes in regulations including taxes and subsidies, and border restrictions.
밸류 체인 사건 관리(Value Chain Incident Management)(VCIM)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.Additionally,
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.In embodiments, the platform may deploy a
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 불일치(mismatch)를 검출하는 데 도움이 될 수 있다.In an embodiment, the platform may be used to train an
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. 그런 다음, 이 정보는 보험료를 계산하기 위해 사용될 수 있다.In an embodiment, the platform may use an artificial intelligence system (1700) of a selected set of value
마지막으로, 사고에 결부된 다수의 엔티티가 있는 경우, 데이터는 검증을 위해 다른 엔티티의 디지털 트윈과 삼각측량될 수 있다.Finally, if there are multiple entities involved in an incident, the data can be triangulated with digital twins of other entities for verification.
밸류 체인 예측 유지보수(Value Chain Predictive Maintenance)(PMVC)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.By examining historical and current operational data, a digital twin can predict the expected wear and failure of a system's components, thereby reducing the risk of unplanned downtime and the need for scheduled maintenance. Instead of over-servicing or over-maintaining products to avoid costly downtime, repairs, or replacements, any product performance issues predicted by the digital twin are resolved proactively or just-in-time. It can be.
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 시스템들(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.In embodiments, the platform uses the machine's digital twin to collect data, parameters, and machine maintenance from data sources related to a set of machine activities to train an artificial intelligence/machine learning system to perform predictive maintenance on the machine. It may include a system for learning based on a training set of reward results.
실시예에서, 인공 지능 시스템(1160)은 예측 모델(예를 들어, 다양한 유형의 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.In embodiments,
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.Example
예측 모델이 답변할 수 있는 질문의 일부 예는 다음과 같다: 기계가 언제 고장날 것인지, 어떤 유형의 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.Some examples of questions that predictive models can answer are: when will the machine fail, what type of failure will it be, what is the probability that the failure will occur in the next Are the machines behaving in an uncharacteristic way? Which machines are in most urgent need of maintenance?
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.In embodiments, training may be performed based on feedback received by the system, also referred to as “reinforcement learning.” In embodiments,
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.In embodiments,
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. 그런 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.In an embodiment,
도 55는 결함을 검출하고 기계(724)의 임의의 미래의 고장을 예측하기 위해 기계 트윈(1770)에 의해 사용되는 예시적인 방법이다.55 is an example method used by
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 데이터 세트만이 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 데이터 세트를 사용하여 훈련되고 테스트 데이터 세트를 사용하여 성능에 대해 테스트된다. 5212에서, 훈련된 모델은 결함을 검출하고 생산 데이터에 대한 기계의 미래의 고장을 예측하기 위해 사용된다.At 5202, multiple streams of machine-related data from multiple data sources are received at
도 56은 기계 트윈(21010)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 유형의 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.56 is an example embodiment showing the deployment of machine twin 21010 to perform predictive maintenance on
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.The Remaining Useful Life (RUL)
실시예에서, 이러한 모델 중 하나 이상의 조합이 기계 트윈(1770)에 의해 선택될 수 있다.In embodiments, a combination of one or more of these models may be selected by
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 데이터 세트(5350)를 사용하여 훈련될 수 있다. 모델(5324) 및 분류기의 성능은 이어서 테스트 데이터 세트(5350)를 사용하여 테스트될 수 있다.The
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.In embodiments, the model may then be updated or enhanced based on model results 5360. For example, an artificial intelligence system can receive a set of circumstances that led to a failure and a prediction of the outcome, and update the model based on the feedback.
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.In embodiments, the platform uses a digital twin of a vessel to train an artificial intelligence/machine learning system to perform predictive maintenance on a vessel, a training set of vessel maintenance results collected from data sources related to a set of vessel activities. , parameters, and a system for learning based on data.
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.In embodiments, the platform uses a digital twin of a barge to train an artificial intelligence/machine learning system to perform predictive maintenance on a barge, including a training set of barge maintenance results collected from data sources associated with a set of barge activities; It may include a system for learning parameters and data.
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.In an embodiment, the platform uses a digital twin of a port infrastructure facility to train an artificial intelligence/machine learning system to perform predictive maintenance on the port infrastructure facility, collected from data sources related to a set of port activities. It may include a system for learning based on a training set of maintenance results, parameters, and data.
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.In embodiments, the platform collects data from data sources associated with a set of value chain entities to train an artificial intelligence/machine learning system to use a digital twin of a selected set of value chain entities to estimate the cost of repair of a damaged object. , a system for learning based on a training set of parameters, and mathematical results.
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.In embodiments, the platform uses a digital twin of the infrastructure to train an artificial intelligence/machine learning system to predict infrastructure degradation based on a training set of infrastructure results, parameters, and data collected from data sources. May include a system for learning.
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.In an embodiment, the platform uses a digital twin of a city to train an artificial intelligence/machine learning system to model natural hazard risks for a set of delivery infrastructure facilities, using natural hazards collected from data sources associated with a set of delivery activities. It may include a system for learning based on a training set of results, parameters, and data.
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.In embodiments, the platform uses a digital twin of the set of facilities to train an artificial intelligence/machine learning system to monitor delivery infrastructure maintenance activities for a set of delivery infrastructure facilities using data sources related to the set of delivery activities. and a system for learning based on a training set of maintenance results, parameters, and data collected from.
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.In embodiments, the platform uses a digital twin of a set of delivery infrastructure facilities to train an artificial intelligence/machine learning system to detect the occurrence and location of maintenance issues, collected from data sources related to a set of delivery activities. It may include a system for learning based on a training set of maintenance results, parameters, and data, and has a system for automatically deploying maintenance services to detected locations.
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.Referring to FIG. 57 ,
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.Customer
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(1510)과의 상호작용에서 캡처된 데이터를 포함함), 온라인 클릭스트림 데이터, 지능형 에이전트와의 상호작용, 및 다른 데이터 소스에 기초하여 고객 프로파일(5504)을 관리하기 위해 사용될 수 있다.On the other hand, the customer profile
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.Customer
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.If
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 유형 데이터, 제품 및/또는 서비스 제안 데이터, (아이덴티티 데이터, 역할 데이터 등과 같은) 작업자 데이터, 및 다른 기업 관련 속성으로 채워질 수 있다.In another example where
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 시스템(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.Customer Digital Twin and Customer
실시예에서, 고객 디지털 트윈(5502) 및 고객 프로파일 디지털 트윈(1730)은 밸류 체인 관리 플랫폼(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 시스템(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.In an embodiment, customer
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.An environment for the development of a customer
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.In embodiments, customer
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.The environment for development of the customer profile
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.In embodiments, adaptive
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 개량하고, 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.In embodiments, customer profile
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.In embodiments,
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(1510)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, 자가-조직화, 자가-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 유형의 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.In an embodiment, adaptive
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.58 illustrates an example of an advertising application interfacing with the adaptive
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.In embodiments,
예시적인 실시예에서, 모델(5750)은 하나 이상의 결과를 최적화하기 위해(예를 들어, 밸류 체인 네트워크(668)에서 제품(1510)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 유형(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(1510)에 사용할 광고의 유형(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 유형의 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.In an example embodiment,
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(1510)에 대한 하나 이상의 제품 특징을 수신하도록 구성될 수 있다. 제품 특징의 예는 제품 유형, 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.59 illustrates an example of an e-commerce application 5604 integrated with an adaptive
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 유형, 제품 능력, 제품 가격, 제품 재료, 연중 시간, 위치 등을 포함할 수 있다. 실시예에서, 인공 지능 시스템(1160)은 밸류 체인 제품(1510)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.60 is a schematic diagram illustrating an example of a
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.In embodiments,
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.In embodiments, the API allows users to access customer
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.The environment for development of the household demand
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.In embodiments,
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.In an embodiment, an environment for the development of anonymized customer
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.In an embodiment, anonymized customer
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.The environment for the development of an enterprise customer engagement digital twin allows developers to take inputs from selected data sources in the
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.Referring to FIG. 61 ,
제품 컴포넌트는, 예컨대 컴포넌트 디지털 트윈(6002)을 밸류 체인 네트워크 제품 컴포넌트에 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.A product component can be created into one, for example, by populating the component
제품(1510)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 유형의 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, 자가-조직화, 자가-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(1510)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.As an example, component
컴포넌트 디지털 트윈(6002)은 컴포넌트 디지털 트윈으로 인에이블되거나 용이하게 되는 조정된 지능(인공 지능 시스템(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(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 시스템(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.In embodiments, component
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.An environment for the development of component
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.In embodiments,
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.In embodiments, adaptive
예를 들어, 환경 디지털 트윈(6004)에서 밸류 체인 제품(1510)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.For example, in running a simulation on a set of component
실시예에서, 기계 학습 시스템(6150)은 훈련 데이터(6170), 결과 데이터(6160), 시뮬레이션 데이터(6140), 및/또는 다른 유형의 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.In embodiments,
실시예에서, 기계 학습 시스템(6150)은 모델을 개선하기 위해 수신된 데이터를 사용하여 기계 학습 모델(6120)을 훈련/강화할 수 있다.In embodiments,
도 62는 적응형 지능 시스템 계층(614)과 인터페이스하는 위험 관리 시스템(6102)의 예를 예시한다. 예시적인 실시예에서, 위험 관리 시스템(6102)은 양호한 또는 양호한 컴포넌트에 대한 위험 또는 책임을 관리하도록 구성될 수 있다.62 illustrates an example of a
실시예에서, 기계 학습 시스템(6150)은 제품(650) 및 제품 컴포넌트에 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 상태를 검출함으로써 위험 및 책임을 완화하도록 훈련된다. 기계 학습 시스템(6150)은 컴포넌트에 관한 특징 및 컴포넌트 조건과 연관된 하나 이상의 결과를 포함하는 n-튜플(tuple)을 사용하여 모델을 훈련할 수 있다. 이 예에서, 컴포넌트에 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.In an embodiment,
동작 시, 인공 지능 시스템(1160)은 태스크 또는 이벤트에 관련된 하나 이상의 특징이 주어지면 위험 관리 시스템(6102)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 시스템(6102)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.In operation,
실시예에서, 인공 지능 시스템(1160)은 제안된 결정에 대한 시뮬레이션을 실행하기 위해 컴포넌트 디지털 트윈(6002)을 활용할 수 있다.In embodiments,
그 다음, 위험 관리 시스템(6102)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.An environment for the development of a component attribute
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.In embodiments, methods, systems, and devices include a value chain network management platform having an asset management application associated with maritime assets, and a set of maritime activities of one or more of the maritime assets and design results, parameters, and parameters associated with the one or more maritime assets. An information technology system having a data handling layer of a management platform that includes data sources containing information used to populate a training set based on one of the data. The information technology system is also configured to learn based on the training set collected from the data source, simulate one or more properties of one or more of the marine assets, and change the one or more properties based on the training set collected from the data source. It has an artificial intelligence system that generates one or more sets of recommendations. The information technology system may also be included in a value chain network management platform that provides visualization of a digital twin of one or more marine assets, including details generated by an artificial intelligence system of one or more attributes in combination with one or more recommendation sets. It has a digital twin system.
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.6, the value chain
도 6 및 도 11을 참조하면, 해양 환경에 배치된 관리 플랫폼(604)은 데이터 취급 계층(608)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(608)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.6 and 11, a
실시예에서, 데이터 취급 계층(608)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(608)에 의해 생성된 데이터가 데이터 저장 계층(624)에 저장될 수 있어서, 다양한 데이터 취급 계층(608)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(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.In an embodiment, the
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, 자가-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.6 and 12, the value chain network-oriented data
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(7000)을 포함할 수 있다. 실시예에서, 항구 기반구조 시설(7000)은, 적용 가능한 경우, 부두(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, 부두(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(7000)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(7000)은 또한 전용 적층 영역(7052)을 갖는 냉장 컨테이너(7050) 및 냉장 컨테이너(7050) 내의 제어된 환경을 유지하기 위한 냉각 기반구조를 포함한다.Referring to FIG. 8 , the value chain
항구 기반구조 시설(7000)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.Port infrastructure facilities (7000) further include shipyard facilities (638) and floating assets (620). Floating assets (620) include ships (7060) and boats, container ships (7062), barges (7064), tugboats (7068, 7070), and small boats (7072), as well as partially floating assets such as submarines, underwater drones, etc. can do. In this example, floating
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 자원을 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.63, the orchestration of a set of deeply interconnected value
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 원자재, 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(1510), 원자재, 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.In embodiments,
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 이동가능한 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.One or
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.In another example,
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 이동가능한 배플 및 깔개(7244)를 포함할 수 있다.In another example,
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.In another example,
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.In another example,
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.In embodiments,
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.In embodiments,
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.In embodiments,
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.In some examples, barge 7500 may be designed to be submerged to pick up
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.In many instances, barges 7500 may be classified by their length and width, as well as how they are used, launched, etc. In some examples, one or more barges 7500 may be less than 200 feet long and 50 feet wide. In this example, barge 7500 may include a small pontoon that can be used to transport small structures in protected coastal waters. In some examples, one or more of the barges 7500 may be approximately 250 feet by 70 feet and may include small pontoons to support barges 7500 that are otherwise configured without an onboard ballast system. In this example, barges in this configuration may be used to transport small marine loads, work in and near port infrastructure, perform maintenance at shipyards, etc. In some examples, one or more of the barges 7500 may be approximately 300 feet long and 90 or 100 feet wide. In this example, one or more barges of this configuration may be utilized as standard cargo barges, but may not be equipped with an onboard ballast system. In some examples, one or more barges 7500 may be approximately 400 feet by 100 feet, and these barges may be equipped with an onboard ballast system.
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.In some examples, one or more barges 7500 may be approximately 450 feet or longer and may be deployed with an
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.In embodiments, one or more barges 7500 may be configured as
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.In light of the present disclosure, it will be understood that barges are rated and paired with jobs in terms of dead weight, which provides a broad indication of the barge's carrying capacity. However, barges have additional requirements such as global strength, local deck and frame strength and the height of the cargo's center of gravity. With regard to center of gravity, one exemplary barge would be capable of transporting a 20,000 ton structure, the center of gravity of which would be very close to the deck so that it is sufficiently anchored and supported on the deck. The same exemplary barge can transport half the weight only if the cargo has a relatively high center of gravity. With this in mind, many attributes of one or more barges are the placement, orientation, center of gravity, and weight of cargo on its decks.
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.In an embodiment, one of the barges is a
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.In some examples, the roll acceleration of a barge may be directly proportional to the lateral stiffness of the barge, which can be measured by its transverse height. In some arrangements, the barge may have a large radial height and, as a result, roll acceleration may be significant. In another example with a relatively high load, the radial height may be low, resulting in a period and amplitude of roll and a larger static force resulting from the load, but a smaller dynamic component. In many examples, the attributes of barge 7500 include the positioning of
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.In embodiments,
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 부두, 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(transit shed) 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.In embodiments,
실시예에서, 적응형 지능 시스템 계층(614)은 애플리케이션 플랫폼(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.In embodiments, the adaptive
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.These
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.In an embodiment, a set of digital
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(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 자원, 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, 선적 또는 하적 부두, 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 유형 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)(설문조사 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.In embodiments, value chain
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, 유형별로, 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.26, a set of
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 캡처하는 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 유형의 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 캡처된 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 캡처될 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.In embodiments, opportunity mining may include facilities for requesting appropriate training data sets that may be used to facilitate process automation. Certain types of input, if available, will provide very high value for automation, for example, video data sets that capture very experienced and/or highly specialized workers performing complex tasks. This information becomes even more valuable when collected in close proximity to other
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 자원에 대한 근접도에 의해), 셀룰러 위치에 의해(예컨대 셀룰러 타워에 대한 근접도에 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.In an embodiment, the value chain
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(614) 각각에 의해 관리, 제어, 또는 중재되는 프로세스 각각에 대해 사용 및/또는 적용될 수 있다.22, the
실시예에서, 디지털 트윈(1700)은 밸류 체인 관리 플랫폼(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.In embodiments,
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.23 , as described throughout this disclosure, a component or element of the value
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(21010)(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.Accordingly, platform 604 may include, integrate, be integrated with, manage, control, coordinate, or otherwise handle any of the following, among others: distribution twin 1714 (e.g., A wide variety of digital twins (1700), such as those representing distribution facilities, assets, objects, workers, etc.; Warehousing Twin (1712) (e.g., representing warehouse facilities, assets, goods, workers, etc.); port infrastructure twin 1714 (e.g., representing a port, airport, or other facility, as well as assets, objects, workers, etc.); Shipping Facility Twin (1720); Operating Facility Twin (1172); Customer Twin (1730); Worker Twin (1740); Wearable/Portable Device Twin (1750); Process Twin (1760); machine twin 21010 (e.g., for the various machines used to support the value chain network 668); product twin (1780); point of origin twin (1502); provider twin (1630); supplyfactor twin(1650); Marine Facility Twin (1572); Floating Asset Twin (1570); Shipyard Twin (1620); Destination Twin (1562); Fulfillment Twin (1600); Delivery System Twin (1610); demand factor twin (1640); Retailer Twin (1790); E-commerce and online site and operator Twin (1800); Aqueduct Twin (1810); Road Twin (1820); Railway Twin (1830); aviation facility twins 1840 (e.g., twins of aircraft, runways, airports, hangars, warehouses, air travel corridors, refueling facilities, and other assets, objects, personnel, etc. used in connection with the air transportation of products 650); Autonomous Vehicle Twin (1850); Robotics Twin (1860); Drone Twin (1870); and Logistic Factor Twin (1880); etc.
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 원자재 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 자원 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.Referring to FIG. 27 ,
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.In an embodiment,
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.In embodiments, use of floating
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.In embodiments, the use of floating
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 에너지원 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.In an embodiment, the use of floating
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.In embodiments, the use of the floating
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.In embodiments, the use of floating
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.In embodiments, the use of the floating
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.In embodiments, the use of a floating
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.In embodiments, the use of floating
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.In embodiments, the use of floating
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.In embodiments, use of floating
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.In embodiments, use of floating
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.In embodiments, the use of the floating
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.In embodiments, the use of floating
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(608)으로부터의 데이터 중 하나는 하나 이상의 해양 자산과 연관된다. 실시예에서, 적응형 지능 계층(614)과 같은 인공 지능 시스템은 하나 이상의 데이터 취급 계층(608)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.In an embodiment, the information technology system that includes the value chain
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.In embodiments, maritime assets may include one or more container ships. In embodiments, marine assets include one or more barges. In embodiments, marine assets include one or more components of port infrastructure installed on or adjacent to land. In embodiments, maritime assets include one or more moored navigation units deployed on the water. In an embodiment, the marine assets include a vessel and the marine activities include the forward speed of the vessel relative to water and weather conditions based on parameters associated with the energy consumption of a propulsion unit on the vessel.
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.In an embodiment, the information technology system includes a set of intelligent systems to automatically populate a digital twin of maritime value chain network entities based on data collected by the value chain
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.In an embodiment, a marine value chain network entity is associated with one or
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.In an embodiment, the maritime value chain network entity is a port infrastructure facility, and the data collected by the value chain network management platform correlates data between a set of data collectors for one or more
실시예에서, 해양 밸류 체인 네트워크 엔티티는 육상에 또는 육상에 인접하여 설치된 항구 기반구조에 계류되는 컨테이너 선박이다.In an embodiment, the maritime value chain network entity is a container ship moored in port infrastructure installed on or adjacent to land.
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.In an embodiment, the data collected by the value chain network management platform is based on the container ship with parameters associated with at least forward speed for water and weather conditions and energy consumption of the propulsion unit on the container ship.
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.In an embodiment, the value chain
실시예에서, 자산 관리 애플리케이션은 바지선에 연결된 하나 이상의 선박과 연관된다.In embodiments, the asset management application is associated with one or more vessels connected to a barge.
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.In an embodiment, the maritime value chain network entity is one or more vessels and the digital twin may provide visualization of the navigation course of the one or more vessels. In an embodiment, the maritime value chain network entity is one or more vessels, and the digital twin may provide visualization of engine performance of the one or more vessels. In an embodiment, the maritime value chain network entity is one or more vessels, and the digital twin may provide visualization of the hull integrity of one or more vessels.
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.In embodiments, a digital twin may provide visualization of a plurality of
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.In an embodiment, the digital twin is a visualization of a plurality of
밸류 체인 네트워크를 위한 제어 타워 및 기업 관리 플랫폼(CONTROL TOWER AND ENTERPRISE MANAGEMENT PLATFORM FOR VALUE CHAIN NETWORK)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, 부두 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 유형의 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; 선적 및 하적 부두, 저장 및 웨어하우징 시설, 볼트, 유통 시설 및 주문 처리 센터, 항공기, 공항, 격납고, 활주로, 재급유 데포 등을 포함하는 항공 여행 시설, 부두, 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 자원 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.In embodiments, the control tower may include or interface with an enterprise management platform (or “EMP”). In embodiments, an EMP may be configured to create, integrate, support, and/or operate one or more digital twins. Generally, a digital twin is a digital twin that combines data from multiple data sources into an object, asset, system, device, machine, component, equipment, facility, individual or other entity referred to throughout this disclosure or in documents incorporated by reference herein. Incorporating into models and representations of the core characteristics of entities, these include, for example, but not limited to: machines and their components (e.g. delivery vehicles, forklifts, conveyors, loading machines, cranes, lifts, transporters, trucks) , loading machines, unloading machines, packing machines, picking machines, and others, including robotic systems (e.g., physical robots, collaborative robots, “cobots”), drones, autonomous vehicles, software bots, etc. etc); Shipping process, transport process, maritime process, inspection process, transport process, loading/unloading process, packing/unpacking process, construction process, assembly process, installation process, quality control process, environmental control process (e.g. temperature control , humidity control, pressure control, vibration control, etc.), boundary control processes, port-related processes, software processes (including applications, programs, services, etc.), packing and loading processes, financial processes (e.g. insurance processes, reporting) process, transaction process, etc.), value chain processes such as testing and diagnostic process, security process, safety process, reporting process, asset tracking process, etc.; Mobile phones, tablets, dedicated handheld devices for value chain applications and processes, data collectors (including mobile data collectors), sensor-based devices, watches, glasses, wearables, head-worn devices, clothing-integrated devices, bands, bracelets, neckbands Wearable and portable devices such as wearable devices, AR/VR devices, headphones, etc.; Workers, such as delivery workers, delivery workers, barge workers, dock workers, dock workers, train workers, ship workers, distribution or fulfillment center workers, warehouse workers, fleet drivers, business managers, engineers, floor managers, demand managers, Marketing managers, inventory managers, supply chain managers, freight handlers, inspectors, delivery personnel, environmental control managers, financial asset managers, process supervisors and operators (for any of the processes mentioned in this application), security personnel, safety personnel, etc. ; Suppliers, such as suppliers of all types of goods and related services, component suppliers, ingredient suppliers, material suppliers, manufacturers, etc.; Includes consumers, licensees, business owners, businesses, value-added and other resellers, retailers, end users, distributors, and others who may purchase, license, or otherwise use categories of goods and/or related services. customers who do; Air travel facilities, docks, yards, cranes, roll-on/roll-on, including loading and unloading docks, storage and warehousing facilities, vaults, distribution facilities and fulfillment centers, aircraft, airports, hangars, runways, refueling depots, etc. Off-shore facilities, such as port infrastructure facilities such as ramps, containers, container handling systems, waterways, locks, etc., shipyard facilities, floating assets such as ships, barges, boats, etc., facilities at the point of origin and/or point of destination, and A wide range of operational facilities, such as transport facilities such as container ships, barges, and other floating assets, as well as land-based vehicles and other delivery systems used to transport goods, such as trucks, trains, etc.; Items or factors that take into account demand, including market factors, events, etc. (i.e., demand factors); Items or factors considered for supply (i.e., supply factors), including market factors, weather, availability of components and materials, etc.; Logistics factors such as availability of travel routes, weather, fuel prices, regulatory factors, availability of space such as vehicles, containers, packages, warehouses, fulfillment centers, stalls, etc.; Retailers, including online retailers; routes for transport such as waterways, roads, air travel routes, railways, etc.; Robotic systems including mobile robots, cobots, robotic systems to assist human workers, robotic delivery systems, etc.; Drones, including package delivery, site mapping, monitoring or inspection; Autonomous vehicles, such as those for package delivery; Enterprise resource planning platform, customer relationship management platform, sales and marketing platform, asset management platform, Internet of Things platform, supply chain management platform, platform-as-a-service platform, infrastructure-as-a-service platform, software-based data storage platform, analytics platform, artificial intelligence software platforms such as platforms; etc.
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.68 is a schematic diagram of an example environment of
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, 지능 서비스 시스템(8010)은 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.In an embodiment,
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 자원, 서비스형 플랫폼, 서비스형 소프트웨어, 멀티-테넌트 데이터 자원 및/또는 유사한 자원 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.In embodiments,
실시예에서, 온-보딩 사용자는 온-보딩되는 기업을 대신하여 디지털 트윈 시스템(8004)에 의해 생성될 수 있는 기업 디지털 트윈의 유형을 정의할 수 있다. 실시예에서, 온-보딩 사용자는 기업 구성 시스템(8002)에 의해 제시되는 GUI를 통해 EMP(8000)에 의해 기업에 대해 지원될 상이한 유형의 디지털 트윈을 선택할 수 있다. 예를 들어, 사용자는 디지털 트윈 유형의 메뉴로부터 상이한 유형의 역할 기반 디지털 트윈을 선택할 수 있고, 여기서 상이한 유형의 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 유형을 선택할 수 있다. 일부 실시예에서, 각각의 유형의 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 유형의 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 설문조사 결과를 볼 수 있다.In embodiments, an on-boarding user may define the type of enterprise digital twin that can be created by
다른 예에서, COO 또는 CTO 디지털 트윈은 기업 운영과 정보 기술 사이의 상호연결, 관계 및 종속성의 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 유형의) 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 유형 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 자원, 계산 자원, 인공 지능 자원, 데이터베이스 자원, 애플리케이션 자원, 또는 다른 자원이 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 유형의 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.In another example, a COO or CTO digital twin may be configured to represent and assist in the discovery and management of interconnections, relationships, and dependencies between enterprise operations and information technology. For example, a COO digital twin or CFO digital twin can be configured to represent a set of operating entities and workflows (e.g., a flowchart representing a production process, assembly process, logistics process, etc.), where the entities (human workers) , robots, processing equipment, and other assets) to generate and hand off sets of outputs (of various types) to the next set of entities within the workflow for further processing. It is indicated to operate on a set of inputs such as information. These may be represented, for example, in a flow diagram showing each entity and its relationship in the flow to other entities. In embodiments, a role-based digital twin (such as a CIO digital twin) may also include any of the types described throughout this disclosure, including sensors, IoT devices, data collection and monitoring systems, data storage systems, edge and other computation systems. may represent information technology systems, such as representing systems, wired and wireless networking systems, etc. Each information technology component or system is a role-based entity, with associated data such as specifications, configuration parameters and settings, processing capabilities, relationships to other components such as data representation, and networking connectivity to other components or systems. Can be displayed in a digital twin. In embodiments, a role-based digital twin may be configured to indicate which information technology entities are located with wired or close wireless connectivity to which operating entities, and which information technology entities are logically associated with which operating entities. (e.g., where cloud resources, compute resources, artificial intelligence resources, database resources, application resources, or other resources are provisioned to support or interact with the behavioral entity, e.g., in a virtual machine, container, or other logical relationship) and Likewise, it can provide a converged view that displays operational technology entities and information technology entities in relation to each other. In embodiments, the converged view presented in the role-based digital twin may thus indicate location-based and/or logical interconnections between operations and information technology. In embodiments, alerts such as those indicating failure modes, congestion, delays, interruptions in service, poor latency, reduced quality of service, bandwidth constraints, poor performance on key performance indicators, downtime, or other issues are converged. It can be provided as an augmentation or overlay of the information technology and operational digital twin, so that a COO, CTO, CIO or other user can see interconnections between information technology and operational entities that may be contributing to the problem. Other types of problems that can be provided as augmentations or overlays include alerts regarding existing conditions and/or predictions or projections of such conditions, such as by an analytical system or predictive artificial intelligence system, such as an expert agent trained to make such predictions. may include. In an example, if high latency in the control system for a warehouse is slowing down the process of picking and packing goods due to the associated edge compute nodes experiencing congestion on the input data path, users of the role-based digital twin may experience congestion in their actions. You may be alerted to the fact that you are being adversely affected by an Therefore, a converged digital twin of operational technology entities and information technology entities provides insight into how executives can adapt operations and/or information technology to improve outcomes and/or avoid anticipated problems before they become catastrophic failures. can be provided.
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), 콘텐츠 마케팅 플랫폼(8028), 뉴스 웹사이트(8048), 비즈니스의 비용을 추적하는 재무 데이터베이스(8030), 설문조사(survey)(8032)(예를 들어, 고객 만족도 및/또는 직원 만족도 설문조사), 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(webscraping), 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.In embodiments, a user (e.g., on-boarding user) may connect one or
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 유형의 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 유형 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 유형을 정의할 수 있다. 예를 들어, 사용자는 환경에 있는 기업 자원(예를 들어, 공장, 웨어하우스, 또는 유통 센터 장비 및 기계, 조립 라인, 컨베이어, 차량, 로봇, 하이-로우 등, IT 시스템, 작업자 등)의 유형, 환경에서 제조되고, 저장되고, 주위에서 이동되고, 조립되고, 내부의 입력으로서 사용되고, 환경에서 생산되고, 환경으로부터 판매되고, 및/또는 환경에서 수신되는 제품, 재료 및 컴포넌트의 유형, 환경에서 사용되는 센서/센서 키트 및/또는 데이터 수집, 저장 및/또는 처리 디바이스의 유형, 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.In some embodiments, on-boarding users may include, among other things, an environmental digital twin, an information technology digital twin, an operational digital twin, an organizational digital twin, a supply chain digital twin, a product digital twin, a facility digital twin, a customer digital twin, a cohort digital twin, etc. You can choose from a variety of types of enterprise digital twins supported for your enterprise, including process digital twins and/or process digital twins. In some of these embodiments, users can create these digital twins and define the data sources used to update the enterprise digital twin. In embodiments, a user may define any physical location to be represented as an environmental digital twin (which may be a digital twin of a facility or other suitable environment). For example, users can define manufacturing facilities (e.g., factories), shipping facilities, warehouses, office buildings, etc. Each facility may be given an identifier, such as a location (which may include a logical and/or virtual location and/or a geographic location) and a name and type description. In embodiments,
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, 자원 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 유형에 적용되는 것은 아니라는 점이 이해된다. 또한, 일부 역할은 상이한 유형의 노동력과 연관될 수 있다.In an embodiment,
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 유형의 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 유형을 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.In some embodiments, an organizational digital twin may further include data access rules for different departments and/or roles within the organization. For example, the CEO may be granted access to most or all of the organization's data, the CFO may be granted access to financial-related data and may be restricted from viewing R&D data, and the CTO may be granted access to R&D-related data. Granted access and viewing of financial data may be restricted, members of the engineering team may be restricted from accessing financial-related data, and so on. Analytical models, including role-based or identity-based control of the ability to view results, configure inputs, configure or adjust models (e.g., weights, inputs, or processing functions), perform control actions, etc. , similar rules may apply to access to features such as artificial intelligence systems, intelligent agents, etc. In some embodiments, the EMP may utilize an organizational digital twin when determining what level of access a particular individual can be granted and/or whether to deny certain types of access to the individual. In some embodiments, access rights specify the types of data a particular user can access, such as information about each individual listed in the organization's digital twin (e.g., salary, start date, availability, work status, etc.). It can be limited. For example, lower-level employees may not be granted access to sensitive information such as financial data, product strategy, marketing strategy, trade secrets, etc. In some embodiments, specific users may be granted permission to change the access rights of other employees, which may be reflected in the organization's digital twin. For example, specific executives and managers can be granted permission to grant access to members of their respective teams when working on specific projects.
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 자원 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.In an embodiment,
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 유형의 데이터 또는 특징을 정의할 수 있다. 실시예에서, 액세스 권한은 특정 사용자 또는 사용자의 그룹이 액세스할 수 있는 데이터 또는 특징의 하나 이상의 유형 및 사용자 또는 사용자의 그룹이 액세스할 수 있는 액세스의 유형을 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 유형의 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 유형을 정의할 수 있다. 일부 실시예에서, 조직 디지털 트윈은 추가적인 또는 대안적인 정보를 표시할 수 있다.In embodiments, enterprise organization system 8002 (in collaboration with
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 유형의 기업 디지털 트윈의 각각의 각각의 유형을 생성하고 유지하는 데 사용되는 상이한 유형의 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 유형의 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 유형에 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 유형에 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 유형의 데이터를 사용하는지를 학습하는 것과 같은 특정 사용자 상호작용에 관한 학습을 포함할 수 있어서, 데이터 자원이 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 자원을 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 유형의 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 자원을 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 자원의 상황 인식 할당, 서버리스 계산 시스템, 적응형 에지 계산 시스템, 채널 인식 에러 정정, 스마트 계약 구현 네트워크 자원 할당; 및/또는 다른 적합한 기술.In an embodiment,
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.In embodiments,
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 근접도를 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(8000)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.In embodiments,
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(8000)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(8000)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.In embodiments, the
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.In an embodiment,
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 유형, 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, 종속성, 자원 등과 같은) 작업흐름 데이터, 및 많은 다른 유형의 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.In some embodiments, expert agent system 8008 (operating in connection with artificial intelligence service system 8010) may utilize, for example, robotic process automation techniques, machine learning techniques, or techniques incorporated by reference into this disclosure and/or this application. Train expert agents (e.g., executive agents and other expert agents) using other artificial intelligence or expert systems, as described throughout the document, to perform activities that are automated by robotic process automation or other technologies. One or more executive actions can be performed on behalf of each user, such as the responsible officer or another user. In some of these embodiments,
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.In embodiments,
실시예에서, 전문가 에이전트가 수행/추천하도록 훈련될 수 있는 액션의 유형은 다음을 포함한다: 다른 가능한 유형의 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 자원의 선택, 노동력 자원의 선택, 인적 자원에 지침을 제공하는 것, 및 노동력 자원에 지침을 제공하는 것. 실시예에서, 전문가 에이전트는 다음과 같은 다른 유형의 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 자원을 유지하는 것, 장비를 유지하는 것, 하드웨어를 유지하는 것, 시스템을 수리하는 것, 디바이스를 수리하는 것, 프로세스를 수리하는 것, 네트워크를 수리하는 것, 계산 자원을 수리하는 것, 장비를 수리하는 것, 하드웨어를 수리하는 것, 시스템을 조립하는 것, 디바이스를 조립하는 것, 프로세스를 조립하는 것, 네트워크를 조립하는 것, 계산 자원을 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 자원을 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 자원을 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 자원을 튜닝하는 것, 장비를 튜닝하는 것, 하드웨어를 튜닝하는 것, 시스템을 최적화하는 것, 디바이스를 최적화하는 것, 프로세스를 최적화하는 것, 네트워크를 최적화하는 것, 계산 자원을 최적화하는 것, 장비를 최적화하는 것, 하드웨어를 최적화하는 것, 시스템을 모니터링하는 것, 디바이스를 모니터링하는 것, 프로세스를 모니터링하는 것, 네트워크를 모니터링하는 것, 계산 자원을 모니터링하는 것, 장비를 모니터링하는 것, 하드웨어를 모니터링하는 것, 시스템을 구성하는 것, 디바이스를 구성하는 것, 프로세스를 구성하는 것, 네트워크를 구성하는 것, 계산 자원을 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.In embodiments, the types of actions that expert agents can be trained to perform/recommend include: selection of tools, selection of tasks, selection of dimensions, settings of parameters, configuration of settings, among other possible types of actions. , flagging items for review, providing alerts, providing summary reporting of data, selection of objects, selection of workflows, triggering of workflows, sequencing of processes, sequencing of workflows, processing of workflows. Interruption, selection of data sets, selection of design choices, creation of a set of design choices, identification of failure modes, identification of defects, identification of operating modes, identification of problems, selection of human resources, selection of labor resources, human resources Providing guidance, and providing guidance to workforce resources. In embodiments, expert agents may be trained to perform different types of tasks, such as: determining the architecture for the system, reporting status, reporting events, reporting conditions, and conditions. reporting, determining the model, constructing the model, populating the model, designing the system, designing the process, designing the device, engineering the system, engineering the device. engineering processes, engineering products, maintaining systems, maintaining devices, maintaining processes, maintaining networks, maintaining computational resources, maintaining equipment. , maintaining hardware, repairing systems, repairing devices, repairing processes, repairing networks, repairing computational resources, repairing equipment, repairing hardware, Assembling the system, assembling the device, assembling the process, assembling the network, assembling the computational resources, assembling the equipment, assembling the hardware, setting the price, system physically securing the device, physically securing the process, physically securing the network, physically securing the computational resources, physically securing the equipment, physically securing the hardware. Securing physically, cybersecuring systems, cybersecuring devices, cybersecuring processes, cybersecuring networks, cybersecuring computational resources, cybersecuring equipment -Securing, cyber-securing hardware, detecting threats, detecting defects, tuning systems, tuning devices, tuning processes, tuning networks, computing Tuning resources, tuning equipment, tuning hardware, optimizing systems, optimizing devices, optimizing processes, optimizing networks, optimizing computational resources, equipment optimizing hardware, monitoring systems, monitoring devices, monitoring processes, monitoring networks, monitoring computational resources, monitoring equipment, monitoring hardware Monitoring, configuring systems, configuring devices, configuring processes, configuring networks, configuring computational resources, configuring equipment, and configuring hardware. As discussed, the expert agent may be configured to determine an action and output the action to a
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 캡처하는 분산 원장(예를 들어, 블록체인)을 사용하여 추적된다. 이러한 실시예 중 일부에서, 스마트 계약은 전문가 사용자에 대한 보상의 관리를 관장할 수 있다.In embodiments,
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 유형을 식별하기 위해 파싱될 수 있으며, 이에 의해 처리의 유형은 각각의 전문가 에이전트의 구성으로 구현된다. 노동력의 예는 공장 동작, 플랜트 동작, 자원 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.In some embodiments, the set of expert agents trained by
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. 그런 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, 자원 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.In some embodiments,
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.In some embodiments,
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 유형을 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 유형을 식별한다. 예를 들어, 처리의 유형은 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.In embodiments, an expert agent may be configured, at least in part, to act dually as an expert for a defined role within the enterprise. In this embodiment,
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.In embodiments, the expert agent includes an executive agent trained to output actions on behalf of the executive and/or the executive's manager. In this embodiment, expert agents can be trained for executive roles, such that users in executive roles can train executive agents by performing their respective roles. For example, an enforcement agent may be trained to perform actions on behalf of a user in an executive role or to recommend actions to the user. In some of these embodiments,
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.In an embodiment, artificial
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 자원)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.In an embodiment,
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 유형(및 그 특징)을 나타낼 수 있다.In embodiments,
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 선택한 것에 응답하여, 클라이언트 애플리케이션(8052)은 상신 요청을 EMP(8000)에 송신한다. 그런 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. 그런 다음, 사용자는 의도된 수신자의 식별자(예를 들어, 이메일 어드레스, 전화 번호, 텍스트 어드레스, 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.In embodiments,
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.In another example,
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.In embodiments,
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.69 illustrates an example set of components of a
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 자원의 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.In an embodiment,
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 유형에 의해 영향을 받을 수 있다. 실시예에서, 디지털 트윈 구성 시스템(8102)은 기업에 대해 지원될 디지털 트윈의 유형들 뿐만 아니라, 또한 각각의 유형의 디지털 트윈에 표시될 상이한 객체, 엔티티, 및/또는 상태를 수신한다. 각각의 유형의 디지털 트윈에 대해, 디지털 트윈 구성 시스템(8102)은 각각의 유형의 디지털 트윈에 표시되는 각각의 객체, 엔티티, 또는 상태를 공급하거나 다른 방식으로 지원하는 하나 이상의 데이터 소스 및 데이터의 유형을 결정하고, 식별된 데이터 유형 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 유형의 데이터와 그 세분성 사이의 관계를 분석함으로써 식별된 데이터 유형을 지원하는 내부 및/또는 외부 소프트웨어 요청을 결정한다. 추가적으로 또는 대안적으로, 사용자는 각각의 디지털 트윈에 표시되는 각각의 데이터 유형을 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 유형을 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 유형에 대한 다른 적합한 시스템을 식별할 수 있다. 이 데이터 정의 프로세스에서, 사용자는 특정 데이터 유형 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.In an embodiment, the digital
실시예에서, 구성 시스템(8102)은 상이한 데이터 유형을 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.In an embodiment,
실시예에서, 디지털 트윈 구성 시스템(8102)은 데이터 레이크, 관계형 데이터베이스, SQL 데이터베이스, NOSQL 데이터베이스, 그래프 데이터베이스 등과 같은 각각의 유형의 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 유형 및 그러한 데이터 유형 사이의 관계를 정의한다. 추가적으로 또는 대안적으로, 디지털 트윈 구성 시스템(8102)은 구성될 디지털 트윈의 유형에 기초하여 온톨로지를 도출할 수 있다.In embodiments, digital
일부 실시예에서, 상이한 유형의 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 유형의 기업 디지털 트윈에 대한 디폴트 선호도 템플릿), 분류체계(예를 들어, 상이한 유형의 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 유형의 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 유형의 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 유형을 포함할 수 있다. 예를 들어, CEO 템플릿은 전체 조직에 걸친 공급자 정보 및 노동 비용 정보에 대한 데이터 유형 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.In some embodiments, different types of enterprise digital twins may be configured according to sets of preference settings, granularity settings, alert settings, taxonomy settings, topology settings, etc. In some embodiments,
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 유형 각각에 대한 데이터를 수집하는 데 필요한 임의의 외부 자원을 식별하고 연결할 수 있다. 각각의 식별된 외부 자원에 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.In an embodiment, digital
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), 설문조사, 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 유형의 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 유형(예를 들어, 제품, 센서, 기계, 가구 등), 객체 특성(예를 들어, 재료, 물리적 특성, 설명, 가격 등), 출력 유형(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, 자원 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), 설문조사(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 자원 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.In embodiments, the digital twin I/
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.In some embodiments, digital twin I/
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 유형의 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.In an embodiment,
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 유형의 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 유형의 디지털 트윈에 대한 요청을 수신한다. 요청은 기업, 디지털 트윈의 유형, (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 유형에 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 결정한 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.In an embodiment, digital
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.In embodiments, digital
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, 설문조사 데이터 등)를 포함하는 데이터 스트림을 포함할 수 있다. 예를 들어, 물리적 시설 또는 다른 엔티티와 연관된 메타데이터는 관리되고 있는 데이터의 유형 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.In some embodiments, the digital twin creation system 8108 (in combination with the digital twin I/O system 8104) includes relational databases, API interfaces, direct sensor input, human-generated input, Hadoop file storage, operations in the environment, and Data streams can be obtained from traditional data sources such as graph databases, telemetry data sources, onboard diagnostic systems, blockchains, distributed ledgers, distributed data sources, feeds, streams, and many other sources, which serve as the basis for reporting tooling. In embodiments, the digital
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 데이터 세트는 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 유형의 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 캡처되는 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 유형의 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.In embodiments, the digital
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 유형을 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. 그런 다음, 이 사용자 특정 다이어그램은 역할 기반 디지털 트윈 경험을 제공하기 위해 기본 데이터에 연결된다.In an embodiment,
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 유형을 수신할 수 있다. 이에 응답하여, 디지털 트윈 액세스 제어기(8112)는 사용자 식별자에 의해 표시된 사용자가 하나 이상의 데이터 유형 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.In an embodiment, the digital
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 유형, 또는 이러한 상호작용을 구축하기 위한 인간 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.In an embodiment, the digital
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.In embodiments, digital
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.In embodiments, digital
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.In an embodiment, digital
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 유형의 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.In embodiments, the digital
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 유형의 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.In embodiments, the digital twin behavior model may be updated and improved using results from actual experiments and real-world events. The use of these digital twin mathematical models and simulations avoids real-world experiments, which can be costly and time-consuming. Instead, the acquired knowledge about the entity's behavior and computational capabilities is used to diagnose and solve real-world problems in an inexpensive and/or time-efficient manner. As such, digital
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.In embodiments, a simulation environment may be constructed using a model configured to predict a set of future states. These models may include deep learning, regression models, quantum prediction engines, inference engines, pattern recognition engines, and many other forms of modeling engines that use past outcomes, current state information, and other inputs to build future state predictions. You can. In some embodiments, considerations in creating the functionality of the digital twin model include the ability to also show the response of perspective-based digital twin structural elements (e.g., defining the deformation of a vehicle's axle in response to different magnitude loads). am. For example, the resulting digital twin representation may then be presented to the user in a virtual reality or augmented reality environment where a particular viewpoint is depicted in digital twin form.
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 유형 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, 자가-구성 시스템, 자가-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 자원 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.In embodiments, a digital twin may operate in concert with an adaptive edge computing system and/or a set of adaptive edge computing systems that provide coordinated edge computation, as described herein, including a wide range of systems: For example, classification systems (e.g., image classification systems, object type recognition systems, etc.), video processing systems (e.g., video compression systems), signal processing systems (e.g., analog-to-digital conversion systems, digital-to-analog conversion systems, RF filtering systems, Analog signal processing systems, multiplexing systems, statistical signal processing systems, signal filtering systems, natural language processing systems, sound processing systems, ultrasonic processing systems, etc.), data processing systems (e.g., data filtering systems, data integration systems, data extraction systems, data Loading system, data transformation system, point cloud processing system, data normalization system, data cleansing system, data deduplication system, graph-based data storage system, object-oriented data storage system, etc.), prediction system (e.g., motion prediction system, output prediction) systems, activity prediction systems, fault prediction systems, failure prediction systems, accident prediction systems, event prediction systems, event prediction systems, etc.), configuration systems (e.g., protocol selection systems, storage configuration systems, peer-to-peer network configuration systems, power management systems, self-organizing systems, self-healing systems, handshake negotiation systems, etc.), artificial intelligence systems (e.g., clustering systems, variational systems, machine learning systems, expert systems, rule-based systems, deep learning systems, etc.), System management and control systems (e.g., autonomous control systems, robot control systems, RF spectrum management systems, network resource management systems, storage management systems, data management systems, etc.), robotic process automation systems, analysis and modeling systems (e.g., data visualization) systems, clustering systems, similarity analysis systems, random forest systems, physical modeling systems, interaction modeling systems, simulation systems, etc.), entity discovery systems, security systems (e.g., cybersecurity systems, biometric systems, intrusion detection systems, firewall systems) etc.), rule engine system, workflow automation system, opportunity discovery system, testing and diagnostic system, software image propagation system, virtualization system, digital twin system, IoT monitoring system, routing system, switching system, indoor location system, geolocation system. Includes etc.
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.In an embodiment, digital
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 유형의 사용자가 스킬 세트 또는 지식 레벨에 대해 적절한 방식으로 상호작용하는 것을 허용하는 변환과 유사하다.As discussed, the digital twin model is based on a combination of data and its relationship to the digital twin environment and/or process. As such, different digital twins may share the same data, and different digital twin perspectives may be the result of a digital twin data model or set of metadata built on top of the data environment. In embodiments, a digital twin data model provides details of the information to be stored and is used to build a layered system that can represent low-level information in a form appropriate to the digital twin perspective for which the final computer software code will be used. . One aspect of a digital twin model is that a single digital can be shared across multiple viewpoints, and each viewpoint viewer can then interact with the same underlying digital twin model. In this way, multiple perspectives are similar to transformations that allow each type of user to interact in a manner appropriate for their skill set or knowledge level.
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.70 illustrates an example of how a digital twin data model and digital twin are created, executed, and served to a requesting digital twin application, where the digital twin data model is drawn from existing systems and digital twin structures to achieve a digital twin representation. Defines the physical implementation of the underlying data stream. In an embodiment, digital twin data model 81B00 defines how traditional data streams are linked together with a digital twin structure to achieve a digital twin representation. In embodiments, a digital twin is a combination of process/structure and system data streams. In other words, process and structure definitions are either real-world “things” (e.g. factories, robots, cargo containers, ships, roads, etc.) or logical “things” (e.g. organizational charts, hiring processes, marketing campaigns, tax reporting workflows, etc.), while system data stream definitions define how real-world data can be collected into digital twin representations of real-world and/or logical “things.” Therefore, constructing a digital twin includes structural construction and collection and data construction and collection.
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.During structural construction and collection,
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.During system data configuration and collection, users define data sources that provide data to hydrate or populate the digital twin, and configure data buses to receive data from various data sources. As discussed, data sources may include sensor systems, ERP, CRM, financial systems, inventory management systems, invoicing systems, third party systems (e.g., weather services, news services, government databases, etc.), and other suitable systems. It can be received from various systems including. In embodiments, a user may identify a data source and provide any information required to enable a data bus to receive data from the data source and between data derived from the data source and the digital twin element. The correlation can be further defined. A data bus may refer to a middleware layer that provides data wiring and data infrastructure for moving data from one system to another. The data bus may be configured to handle real-time data, near real-time data, aggregated data, and/or stored data, or any combination thereof. The data bus can provide data directly to the digital twin and/or store data in a data warehouse that hydrates the digital twin. In embodiments, a user may enable data acquisition from a data source by providing an API interface or key and/or webhook URL to the digital twin system 8004 (e.g., via a GUI). In embodiments,
실시예에서, 디지털 트윈 시스템(8004)은 상이한 유형의 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 유형을 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 유형을 디지털 트윈의 다양한 요소에 연계시킬 수 있다. 디지털 트윈과 연관되는 데이터 유형은 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.In embodiments,
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).Once a data bus is configured for a particular digital twin and the structural, logical, or schematic elements of the digital twin (e.g., layout definition, process definition, and spatial definition) are defined, the digital twin system 8004 A digital simulation may be performed and/or the digital twin may be served to a digital twin-enabled application based on the digital twin's structural elements, connected system data sources, and the digital twin's external keys. In embodiments, the digital twin may be a role-based digital twin, whereby views into the digital twin are served to users occupying specific roles within the organization. In this way, each user can interact with each role-based digital twin and gain an appropriate perspective based on their respective needs for the organization. In another embodiment, multiple users can interact with a shared role-enabled digital twin and obtain an appropriate perspective based on their respective needs regarding the organization of the single digital twin. In embodiments, a role-based digital twin may allow users to provide feedback to the source system, allowing control of the source system environment, such as corrective actions taken against the source system. In some embodiments, multiple users can make behavioral changes to a shared role-based digital twin, and each user can view these changes in a manner appropriate to their role. Additionally, when behavioral changes involve multiple users, the digital twin can enable role-based workflow management of the displayed environment (for example, the CEO may spend money to change a machine as requested by the CTO). can be approved).
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.In embodiments,
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 백엔드에 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.In embodiments, a digital twin application may request and display a digital twin to a user, which may be a new twin for that user or a role-specific access with a role-specific view of an existing or shared digital twin. there is. Digital twin applications can be provided on mobile applications, virtual reality applications, PCs, etc. In an embodiment, a digital twin application provides a request for a specific digital twin to
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.In an example implementation of the framework discussed in FIG. 70,
도 71은 기업 디지털 트윈 프레임워크의 데이터 계층, 처리 계층, 및 애플리케이션 계층과 관련하여, 집행 디지털 트윈을 포함하는 상이한 유형의 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), 민첩(agility) 디지털 트윈(8322), CRM 디지털 트윈(8324) 등을 포함할 수 있다. 상이한 유형의 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.Figure 71 shows examples of different types of enterprise digital twins, including executive digital twins, in relation to the data layer, processing layer, and application layer of the enterprise digital twin framework. In embodiments, the executive digital twin includes CEO digital twin (8302), CFO digital twin (8304), COO digital twin (8306), CMO digital twin (8308), CTO digital twin (8310), CIO digital twin (8312), It may include, but is not limited to, GC digital twin (8314), HR digital twin (8316), etc. Additionally, enterprise digital twins that may be associated with the executive suite may include cohort digital twins (8320), agility digital twins (8322), CRM digital twins (8324), etc. The discussion of different types of digital twins is provided as an example and is not intended to limit the scope of the present disclosure. It is understood that in some embodiments, users may change the configuration of various executive digital twins based on the business needs of the enterprise, the reporting structure of the enterprise, and the roles and responsibilities of various executives within the enterprise.
실시예에서, 집행 디지털 트윈 및 추가적인 기업 디지털 트윈은 상이한 데이터 소스로부터 수집된 다양한 유형의 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 유형의 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 유형의 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 유형의 데이터가 사용될 수 있다.In embodiments, executive digital twins and additional enterprise digital twins are created using various types of data collected from different data sources. As discussed, data can be real-time data (8330), historical data (8332), analytical data (8334), simulated/modeled data (8336), CRM data (8338), organizational charts, and/or organizational digital twins (8340). It may include organizational data,
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 유형의 디지털 트윈(예를 들어, CEO 디지털 트윈(8302) 또는 CTO 디지털 트윈(8310))에 대한 요청을 수신할 수 있고, 요청된 유형의 디지털 트윈의 구성에 기초하여 디지털 트윈을 채우는 데 필요한 데이터의 유형을 결정할 수 있다. 실시예에서, 디지털 트윈 생성 시스템(8108)은 이어서 (데이터 구조화 시스템(8106)에 의해 구조화되는 구조화된 데이터를 포함할 수 있는) 다양한 유형의 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.In embodiments,
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 유형의 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-유형 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, 자원 할당, 투자, 및 다른 집행 관련 자원을 포함하지만 이에 제한되지 않는 기능성을 제공할 수 있다.In an embodiment, CEO
실시예에서, CEO 디지털 트윈(8302)을 채울 수 있는 데이터의 유형은 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 유형의 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.In embodiments, the types of data that may populate CEO
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.In embodiments, CEO
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.In embodiments, CEO
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.In embodiments, CEO
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 유형의 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 유형의 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.In embodiments, CEO
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.In embodiments, CEO
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, 신제품의 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.In embodiments, CEO
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.In embodiments, CEO
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, 자원 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), 설문조사(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 자원 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.In embodiments, CEO digital twin 8302 stores, aggregates, merges, analyzes, prepares, reports, and distributes material related to financial reporting, ratings, rankings, financial trend data, earnings data, or other data related to executive responsibilities. It can be configured to do so. CEO
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.In an embodiment, the CEO
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, 자원 사용에 관한 데이터, 산업 요약(예를 들어, 산업 세그먼트에서의 합병 및 인수 활동의 요약), 또는 일부 다른 유형의 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.In embodiments, CEO
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 유형 및 식별된 데이터 소스의 세트에 기초하여 코호트 디지털 트윈(8320)을 구성할 수 있다. 그런 다음, EMP(8000)는 요청된 당사자(예를 들어, 경쟁자)와 연관된 코호트 디지털 트윈(8320)을 CEO 디지털 트윈(8302)에게 서빙할 수 있다.In embodiments, CEO
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.In embodiments, CEO
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 유형, 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.In an embodiment, a
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.References to the features and functionality of EMP and digital twins in this example of CEO
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-유형 처리에 기초한 결정 지원을 제공할 수 있다.In embodiments, Chief Financial Officer (CFO)
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 자원의 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.In embodiments, CFO
실시예에서, CFO 디지털 트윈을 채울 수 있는 데이터의 유형은 비즈니스 유닛별, 제품별, 지리별, 공장별, 상점 위치(들)별, 자산 클래스별 재무 성과 메트릭, 수익, 현금, 대차대조표 데이터, 현금 흐름, 수익성, 자원 활용, 감사 데이터, 일반 원장 데이터, 자산 성과 데이터, 증권 및 상품 데이터, 보험 및 위험 관리 데이터, 자산 노후화(aging) 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 유형의 데이터를 포함할 수 있지만, 이들로 제한되지 않는다. 실시예에서, 본 출원에서 사용될 때, "데이텀", "데이터", "데이터 세트", "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 유형의 정보를 포함한다.In embodiments, the types of data that can populate a CFO digital twin include: financial performance metrics, revenue, cash, and balance sheet data by business unit, by product, by geography, by factory, by store location(s), by asset class; Cash flow, profitability, resource utilization, audit data, general ledger data, asset performance data, securities and commodities data, insurance and risk management data, asset aging and depreciation data, asset allocation data, macroeconomic data, microeconomics. Analytics data, tax data, pricing data, competitive product and pricing data, forecast data, demand planning data, employment and salary data, analytical results from AI and/or machine learning modeling (e.g. financial projections), forecast data, recommendations. may include, but is not limited to, data, or some other type of data related to the operations of the CFO and/or finance department. In embodiments, when used in this application, “datum,” “data,” “data set,” “datastore,” “data warehouse,” and/or “database” means to summarize, input, or use statistical or scientific notation. It can refer to information stored in a numerical or statistical format, including output, information stored in natural language format (e.g. text extracts from reports, press releases, legislation, etc.), and information stored in graphical format. (e.g., financial performance graphs), information stored in audio and/or audio-visual format (e.g., recorded information from conference calls, including natural language transcription summaries of the information in audio and/or audio-visual format). audio or video from a presentation), or some other type of information.
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 유형의 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 유형의 제3자 인력을 포함하지만 이에 제한되지 않는다.In embodiments, CFO
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.In embodiments, CFO
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.In embodiments, CFO
실시예에서, CFO 디지털 트윈(8304)은 전체 부서 예산, 단일 또는 그룹의 재무 이니셔티브에 대한 예산, 감사, 제3자 벤더 활동, 또는 일부 다른 유형의 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.In embodiments, CFO
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.In some embodiments, CFO
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 유형에 대한 더 큰 창의적 제어를 어서팅할 수 있게 하기 때문이다.In embodiments, CFO
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/유형, 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 유형의 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.In embodiments, CFO
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.In embodiments, CFO
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 자원 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.In an embodiment, CFO
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.In embodiments, CFO
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.In embodiments, CFO
실시예에서, CFO 디지털 트윈(8304)은 데이터 소스 및 유형을 집계하여, 다른 곳에서는 이용가능하지 않은 새로운 데이터 유형, 요약 및 보고를 생성할 수 있다. 이는 다수의 제3자 제공자 및 현재의 솔루션의 필요성에 대한 종속성을 감소시킬 수 있다. 이는, 다른 이점 및 개선 중에서도, 건전한 재무 의사 결정을 위해 필요한 데이터를 취득하는 것과 연관된 비용을 감소시킬 수 있다.In embodiments, CFO
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 및/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.In embodiments, CFO
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.In embodiments, trained
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.In embodiments, CFO
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.In embodiments, CFO
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.In an embodiment, a
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.In this example of the Finance Department and
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.In embodiments, Chief Operating Officer (COO)
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 유형 처리, 예를 들어, 조직에 대한 효과적인 성장 전략 및 프로세스의 개발, 통신 및 구현과 관련된 것들을 제공할 수 있다.In embodiments, COO
실시예에서, COO 디지털 트윈을 채울 수 있는 데이터의 유형은, 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, 자원 활용에 의한 재무적 성능 메트릭; 감사 데이터, 자산 성과 데이터, 자산 노후화 및 감가상각 데이터, 자산 할당 데이터, 또는 일부 다른 유형의 운영 관련 데이터 또는 정보.In embodiments, the types of data that may populate a COO digital twin may include, but are not limited to: operational data, key performance indicators (KPIs) for plants/plants, business units, and assets/equipment. ; Uptime/downtime, safety data, risk management data, supply chain/component availability data, demand planning data, logistics data, workflow data, by business unit, by product, by geography, by factory, by store location(s), Financial performance metrics by asset class, revenue, and resource utilization; Audit data, asset performance data, asset aging and depreciation data, asset allocation data, or some other type of operational-related data or information.
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.In embodiments, COO
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.In an embodiment, COO
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.In embodiments, COO
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.In some of these embodiments, COO
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.In embodiments, COO
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.In an embodiment, the COO
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.In embodiments, COO
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.In embodiments,
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.In an embodiment, a
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.In this example of the Operations Department and COO Digital Twin (8306), references to the features and functionality of the EMP and Digital Twin are to other departments and Digital Twins, and their respective projects and tasks, unless the context indicates otherwise. It should be understood that it also applies to flow.
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 자원의 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.In embodiments, Chief Marketing Officer (CMO)
실시예에서, CMO 디지털 트윈(8308)에 의해 채워지고/거나 이용될 수 있는 데이터의 유형은 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 유형의 데이터.In embodiments, types of data that may be populated and/or utilized by CMO
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 유형의 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 유형의 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 유형의 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 유형의 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 유형의 제한과 관련될 수 있다. 실시예에서, 경보는 이메일, 전화 통화, 텍스트, 또는 일부 다른 통신 유형일 수 있다.In embodiments, an executive digital twin, such as CMO
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 유형(예를 들어, "새로운 마케팅 작업 포스팅을 개시")에 기초하여, 사용자는 통신 유형과 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 유형의 통신이 호출될 수 있는데, 예를 들어, 이메일, 회의를 예약하기 위한 캘린더 초대, 또는 일부 다른 유형의 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.In embodiments, CMO
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 유형의 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 유형의 통신이 CMO 디지털 트윈(8308)에 의해 호출될 수 있는데, 예를 들어, 정보에 대한 요청, 훈련 등록, 또는 일부 다른 유형의 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.In one example, a user can select a subdepartment within the marketing department to view the subdepartment's performance in greater detail. For example, further details could include the number of types of training sessions selected marketing department employees receive, tutorials, events, conferences, etc. Users can compare these training and event attendance levels to specified target criteria stored in or associated with the EMP. This may cause CMO
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.In embodiments, CMO
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 유형의 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 주체인 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.In embodiments, CMO
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.In embodiments, CMO
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 유형의 마케팅 플랫폼 관련 자료 또는 활동을 포함할 수 있지만, 이들로 제한되지 않는다.In an embodiment, CMO
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.In some of these embodiments, CMO
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 유형의 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.In embodiments, CMO
실시예에서, CMO 디지털 트윈(8308)은 시장 설문조사, 온라인 설문조사, 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), 설문조사(8032)(예를 들어, 고객 만족도 설문조사), 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.In embodiments, CMO digital twin 8308 stores, aggregates, merges, analyzes, prepares, and reports material related to market surveys, online surveys, customer panels, ratings, rankings, marketing trend data, or other data related to marketing. and may be configured to distribute. CMO
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.In embodiments, CMO
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 유형의 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.In an embodiment, CMO
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 유형의 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.In embodiments, CMO
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.In embodiments, CMO
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 유형(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(right to be forgotten)"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 유형을 요약하고, 이 정보를 CPO(Chief Privacy Officer)와 공유하는 것을 비롯하여, CPO 디지털 트윈과 공유할 수 있다.In embodiments, CMO
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.In an embodiment, a
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-유형 처리에 기초한 결정 지원을 제공할 수 있다.In embodiments, a Chief Technical Officer (CTO)
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 자원, 및/또는 보고를 포함하지만 이에 제한되지 않는 특징 및 기능성을 제공할 수 있다.In embodiments, CTO
실시예에서, CTO 디지털 트윈을 채울 수 있는 데이터의 유형은 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 유형 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, 자원 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 유형의 데이터를 포함할 수 있지만, 이에 제한되지 않는다.In embodiments, the types of data that can populate a CTO digital twin include technical performance and specification data, interoperability and compatibility data, cybersecurity data, competitor data, failure mode effects analysis (FMEA) data, technology/engineering roadmap data, and information. Technical system data (including relating to any of the hardware, software, networking, and other types mentioned or described in this application), operational technical and system data, uptime/downtime/operational performance data, asset aging/vintage. /Timing data, technical performance metrics by business unit, product, geography, factory, store location(s), resource utilization, competitive product and pricing data, forecasting data, demand planning data, analytics results from AI and/or Machine learning modeling (e.g., technical projections), forecast data, metrics regarding patent disclosures, patent applications, and/or patent grants, recommendation data, and/or the CTO and/or technology, development, and/or engineering departments. May include, but is not limited to, other types of data relevant to operations.
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 유형의 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 유형의 제3자 인력을 포함하지만, 이에 제한되지 않는다.In embodiments, CTO
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.In an embodiment, CTO
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.In an embodiment, a
실시예에서, CTO 디지털 트윈(8310)은 사용자가 신제품 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 및/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.In embodiments, CTO
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 유형의 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.In embodiments, CTO
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 유형의 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.In embodiments, CTO
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.In embodiments, CTO
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.In embodiments, CTO
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.In embodiments, CTO
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.In embodiments, CTO
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.In embodiments, CTO
실시예에서, CTO 디지털 트윈(8310)은 데이터 소스 및 유형을 집계하여, 다른 곳에서는 이용가능하지 않은 새로운 데이터 유형, 요약 및 보고를 생성할 수 있다. 이는 다수의 제3자 제공자 및 현재의 솔루션의 필요성에 대한 종속성을 감소시킬 수 있다. 이는, 다른 이점 및 개선 중에서도, 건전한 기술적 의사 결정을 위해 필요한 데이터를 취득하는 것과 연관된 비용을 감소시킬 수 있다.In embodiments, CTO
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.In an embodiment, CTO
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.In embodiments, CTO
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.In embodiments, CTO
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.In embodiments, a
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.In this example of
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.In embodiments, the Chief Information Officer (CIO)
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-유형 처리에 기초한 결정 지원을 제공할 수 있다.In embodiments, CIO
실시예에서, CIO 디지털 트윈(8312)을 채울 수 있는 데이터의 유형은 정보 및 IT 자산 성능 및 사양 데이터, 상호운용성 및 호환성 데이터, 사이버보안 데이터, 가동시간/중단시간/운영 성과 데이터, 자산 노후화/빈티지/타이밍 데이터, 자원 활용, AI 및/또는 기계 학습 모델링(예를 들어, IT 성능 시뮬레이션)의 결과, 또는 CIO의 동작과 관련된 일부 다른 유형의 데이터를 포함할 수 있지만, 이들로 제한되지 않는다.In embodiments, the types of data that can populate CIO
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.In embodiments, CIO
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 유형의 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.In embodiments, CIO
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.In embodiments, CIO
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.In embodiments, CIO digital twin 8312 stores information and/or materials related to IT reporting, ratings, rankings, information, knowledge and IT trend data, or other data related to company information and/or IT assets and infrastructure. , can be configured to aggregate, merge, analyze, prepare, report, and distribute. The
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.In embodiments, CIO
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.In embodiments, CIO
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.In this example of Marketing Department and
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 자원의 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.In embodiments, general counsel (GC)
실시예에서, GC 디지털 트윈(8314)에 의해 채워지고/거나 이용될 수 있는 데이터의 유형은 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 유형의 데이터.In embodiments, the types of data that may be populated and/or utilized by GC
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.In embodiments, GC
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 유형의 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 유형의 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 주체인 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.In embodiments, GC
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 유형의 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 유형의 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 유형의 법률 플랫폼 관련 자료 또는 활동을 포함할 수 있지만, 이들로 제한되지 않는다.In embodiments, GC
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.In embodiments, GC
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.In embodiments, GC
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.In an embodiment, GC
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.In embodiments, GC
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.In embodiments,
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.In embodiments, GC
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.In this example of the Legal Department and GC Digital Twin (8314), references to the features and functionality of the EMP and Digital Twin refer to other departments and Digital Twins, and their respective projects and It should be understood as applying to the workflow.
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.In embodiments, Chief Human Resources Officer (CHRO) Digital Twin 8316 (or HR Digital Twin 8316) is an enterprise human resources executive (e.g., CHRO) or It is an executive digital twin created for similar executives, such as Chief People Officers (CPOs), Chief Talent Managers, Human Resources Directors, and Human Resources Directors. In embodiments, CHRO
실시예에서, CHRO 디지털 트윈(8316)에 표시될 수 있는 데이터의 유형은 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 설문조사 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.In an example, Types of data that can be displayed in CHRO Digital Twin (8316) may include: This is not limited to: individual employee data; Key performance indicators by business unit; Key performance indicators for each individual employee; risk management data, Compliance data (e.g. OSHA and EPA compliance data); safety data, diversity data, Benefits data (e.g. Medical treatment, Dentist, vision, and health savings accounts (HSA) compensation data; compensation comparison data, compensation trend data, payroll data, overtime data, recruitment data, employee referral data; applicant data, Applicant screening data; Applicant reference data; Applicant background check data; offer data, Time and attendance data; employee relations data, employee complaint data; on-boarding data, offboarding data, staff training and development data; employee turnover data; voluntary employee turnover data; new hire turnover data; high performer turnover data; Turnover rate by performance rating data; Headcount and/or headcount planning data (e.g. number of people to plan percentage); promotion rate data, succession planning data, organization level data, control span data, employee survey data; Cost data for moving employees below the midpoint; comparison ratio data, simulation data, decision support data from AI and/or machine learning systems; Predictive data from AI and/or machine learning systems; Classified data from AI and/or machine learning systems; Detection and/or identification data from AI and/or machine learning systems, etc.
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.In embodiments, CHRO
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 유형의 임원 사이의 협력을 용이하게 하는 것을 포함하여, 다른 임원을 위한 것을 비롯한, 본 출원에 설명된 다른 유형의 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.In embodiments, CHRO
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 및/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.In embodiments, CHRO
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.In embodiments, EMP 8000 (e.g., via an API) may be used to support an enterprise's human resources management software, human capital software, workforce management software, payroll software, applicant tracking software, accounting software, employee applicant software, publicly disclosed financial services, etc. HR-related data can be obtained from statements, third-party reporting, tax filings, social media software, job listing websites, recruiting software, and more.
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.In embodiments, CHRO
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.In an embodiment, CHRO
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.References to the features and functionality of the EMP and Digital Twin in this example of Human Resources and CHRO Digital Twin (8316) refer to other departments and Digital Twins, and their respective projects and It should be understood as applying to the workflow.
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.In embodiments, an executive digital twin may connect to, interact with, integrate with, and/or be used by multiple different applications. For example, the executive digital twin may be used in an automated AI-reporting tool (8360), in a collaboration tool (8362), in relation to an executive agent (8364), in a board meeting tool (8366), in a training module (8368), And may be used for
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 유형, 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 유형의 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.In embodiments,
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.In some embodiments, AI-reporting
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.In embodiments,
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 멤버에게 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.In an embodiment,
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 유형의 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 및/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.In embodiments,
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.In embodiments,
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 개량할 수 있다. 실시예에서, 집행 에이전트(8362)는 계획이 사용자에 의해 개량되고 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.In an embodiment,
기업 디지털 트윈은 본 개시의 범위를 벗어나지 않고 다른 소프트웨어 애플리케이션과 인터페이스 및/또는 그와 함께 활용될 수 있다.The enterprise digital twin may interface with and/or be utilized in conjunction with other software applications without departing from the scope of this disclosure.
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 자원 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 자원 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.84 illustrates an example implementation of
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.In embodiments, corporate entities may communicate directly with
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 자가- 또는 자동으로 구성하는 컴퓨팅 디바이스일 수 있다. 에지 관련 프로세스는 센서 데이터를 저장하고, 통신 네트워크 상의 대역폭을 감소시키고, 및/또는 백엔드 시스템에서 요구되는 계산 자원을 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.In embodiments,
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.In embodiments,
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.In embodiments,
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.In embodiments,
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 유형의 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.In embodiments,
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 유형이 각각의 유형의 집행 디지털 트윈에 포함될 수 있다.The executive digital twin discussed in connection with FIG. 71 is provided as an example and is not intended to limit the scope of the present disclosure. Additional and/or alternative data types may be included in each type of executive digital twin.
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 유형의 기업 디지털 트윈에 대해 수행될 수 있다.Figure 73 illustrates an
8512에서, 특정 유형의 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.At 8512, a structural view for a specific type of digital twin is selected. In embodiments, structural views may be stored in a graph database (representing interconnected data) or a geospatial database (representing the coordinates of an actual facility).
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.At 8514, associated transaction data for the digital twin is selected. In embodiments, a combination of interaction data and transaction data is selected at a grain suitable for dynamic interaction within the digital twin. This selection process may involve dynamic configuration of the structure, functionality, and features of a data mart or other abstraction system and/or may operate dynamically, typically using a high-performance database storage mechanism (e.g., a columnar database or an in-memory database). there is.
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.At 8516, embellishment and/or augmentation data for the digital twin is selected. In embodiments, decoration data is an associated attribute that can be bound to an element within an executive digital twin. For example, in creating a digital twin of a facility's environment, decorative or augmented data can include the age of machinery or other assets within the facility, the names of key third-party suppliers whose items may be substituted for supply chain delivery, and It may include the input or output of the process flow that occurs, the identity of the manager, and indicators of the status and flow. In an abstract executive digital twin, embellishment data may include social media data, for example, sentiment analysis that may be associated with a customer hierarchical view.
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.At 8518, a representation medium for the digital twin is selected. In an embodiment, the final representation may be multifaceted, including a range of devices from simple mobile phone-based devices and touchscreen tablets to special purpose devices and/or immersive AR/VR headsets, among others. The presentation medium preferably influences the volume and nature of the data selected in the previous steps. In embodiments, selection of presentation medium is provided as a feedback indicator to the data and networking pipeline, so that filtering and data path selection can be performed recognizing the different capabilities and requirements of the end device and presentation medium. This may occur automatically, for example, by an agent being trained to provide context-sensitive feedback based on a training set of results.
8520에서, 관점 뷰(perspective view)가 구성된다. 실시예에서, 관점 빌더(8110)는 상이한 유형의 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.At 8520, a perspective view is constructed. In an embodiment,
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.At 8522, user notification is enabled. In embodiments, notifications within the digital twin are controlled by the grain of data selected and the viewpoint required. For example, the CTO level view requires notification of various technological changes and technological market forces, and the CTO digital twin is continuously overlaid with these notifications, which are structurally associated with relevant parts of the digital environment abstract or concrete. For example, in an organizational chart, a CTO can see implementation options for new technologies to provide more efficient communication between organizational units in a strategic planning exercise to acquire a new company. Simultaneously, CFOs are seeing the financial implications of these various options, and CEOs are being informed of decisions that could impact future market opportunities regarding upcoming company acquisitions.
이 방법은 단지 예로서 제공된다. 본 개시의 범위를 벗어나지 않고 디지털 트윈을 생성하고 서빙하기 위해 추가적인 및/또는 대안적인 방법이 수행될 수 있다.This method is provided as an example only. Additional and/or alternative methods may be implemented to create and serve digital twins without departing from the scope of this disclosure.
도 73의 방법은 예를 들어, 제공되고 본 개시의 범위를 제한하기를 의도하지 않는다. 방법은 추가적인 또는 대안적인 동작을 포함할 수 있다.The method of Figure 73 is provided as an example and is not intended to limit the scope of the present disclosure. Methods may include additional or alternative acts.
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.Figure 74 illustrates an example set of operations for a
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.At 8610, the organization chart of the company is determined. In embodiments, a user may upload an organizational chart through a GUI displayed to the user. In some embodiments,
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.At 8612, the enterprise's organizational framework is updated based on user input. In embodiments, a user may define roles within an enterprise to individuals listed in an organizational chart, may grant access to different roles and/or individuals, may grant permissions to individuals and/or roles, and may grant permissions to individuals and/or roles. and/or define relationships between individuals. In embodiments, relationships may represent reporting structures, teams, business units, etc.
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.In 8614, an enterprise's organizational digital twin is created and deployed. In embodiments,
도 74의 방법은 예를 들어, 제공되고 본 개시의 범위를 제한하기를 의도하지 않는다. 방법은 추가적인 또는 대안적인 동작을 포함할 수 있다.The method of Figure 74 is provided as an example and is not intended to limit the scope of the present disclosure. Methods may include additional or alternative acts.
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.Figure 75 illustrates an example set of operations of a
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.At 8710, a request for an executive digital twin is received from a user. In embodiments,
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.At 8712, the user's role is determined. In embodiments,
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.At 8714, the configuration of the executive digital twin is determined based on the user's role. In embodiments, the configuration of the executive digital twin represents the granularity of the digital twin and the set of states to be represented in the executive digital twin. In embodiments, the configuration of the executive digital twin is stored in a configuration file within a digital twin data repository associated with the enterprise. The configuration file can define the initial state of the digital twin and the granularity of the state.
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.At 8716, a digital twin is created based on one or more data sources corresponding to the enterprise. In embodiments,
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. 그런 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.At 8718, the executive digital twin is served to the user's user device. In embodiments,
도 75의 방법은 예를 들어, 제공되고 본 개시의 범위를 제한하기를 의도하지 않는다. 방법은 추가적인 또는 대안적인 동작을 포함할 수 있다.The method of Figure 75 is provided as an example and is not intended to limit the scope of the present disclosure. Methods may include additional or alternative acts.
인공 지능 및 신경망 실시예(Artificial Intelligence and Neural Network Embodiments)Artificial Intelligence and Neural Network Embodiments
도 76 내지 도 103을 참조하면, 인공 지능(1160)을 수반하는 것을 포함하는 본 개시의 실시예에서, 전문가 시스템, 자가-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, 자가-조직화 신경망(예를 들어, 코호넨(Kohonen) 자가-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, 자가-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 유형의 신경망, 기계 학습 시스템, 인공 지능 시스템 등을 포함하는 것으로 이해하여야 한다.76-103, in embodiments of the present disclosure including those involving
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.The neural network described above may have various nodes or neurons, which may perform various functions on input, such as input received from sensors or other data sources, including other nodes. A function may involve weights, features, feature vectors, etc. Neurons may include perceptrons, neurons that mimic biological functions (such as the human senses of touch, sight, taste, hearing, and smell). Continuous neurons, such as sigmoidal activation, can be used in the context of various types of neural networks, such as those involving backpropagation.
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 유형을 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.In many embodiments, an expert system or neural network may be trained, such as by a human operator or supervisor, or based on a data set, model, etc. Training involves not only one or more training data sets representing values (including many of the types described throughout this disclosure), but also one or more sets of results, such as the result of a process, the result of a computation, the result of an event, the result of an activity, etc. It may involve presenting indicators to a neural network. Training a neural network to optimize one or more systems based on one or more optimization approaches such as Bayesian approach, parametric Bayes classifier approach, k-nearest-neighbor classifier approach, iterative approach, interpolation approach, Pareto optimization approach, algorithmic approach, etc. This may include training in optimization, such as training . Feedback may be provided in a process of variation and selection, such as using a genetic algorithm to evolve one or more solutions based on feedback over a series of rounds.
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 유형(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 유형 및 기능 등을 갖는 적절한 유형의 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.In embodiments, receiving data streams and other inputs collected from one or more environments (e.g., by a mobile data collector) and transmitted to a cloud platform over one or more networks, including using network coding to provide efficient transmission. Multiple neural networks may be deployed on a cloud platform. In the cloud platform, a plurality of different neural networks of various types (including modular form, structurally adaptive form, hybrid, etc.), optionally using massively parallel computing power, perform prediction, classification, and control functions, and the present disclosure It may be used to provide other outputs as described with respect to the expert system disclosed throughout. Different neural networks can be selected, for example by an expert system, for a particular task involved in a given situation, workflow, environmental process, system, etc., so that an appropriate type of neural network with appropriate input set, weights, node types and functions, etc. They can be structured to compete with each other (optionally including using evolutionary algorithms, genetic algorithms, etc.).
실시예에서, 전문가 시스템 또는 자가-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 유형의 유닛으로 구성될 수 있으며, 그 중 가장 단순한 것은 퍼셉트론이다.In embodiments, the methods and systems described herein involving expert systems or self-organizing capabilities may operate in one direction from a data input, such as a source of data about an individual, to an output, through a series of neurons or nodes. You can use a feedforward neural network that moves information to . Data can move from input nodes to output nodes, and optionally through one or more hidden nodes without looping. In embodiments, a feedforward neural network may be composed of various types of units, such as binary McCulloch-Pitts neurons, the simplest of which is a perceptron.
실시예에서, 전문가 시스템 또는 자가-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 "프로토유형"으로서 저장한다. 이 신경망의 기능에 수반되는 선형성은 RBF에게 전형적으로 로컬 최소값 또는 최대값의 문제를 겪지 않는 이점을 제공한다.In embodiments, the methods and systems described in this application involving expert systems or self-organizing capabilities may be used in some situations involving interpolation in a multidimensional space (e.g., when interpolation helps optimize a multidimensional function). RBF (which may be desirable, e.g., when optimizing data markets as described in this application, when optimizing the efficiency or output of power generation systems, factory systems, etc., or in other situations involving multiple dimensions) A radial basis function (radial basis function) neural network can be used. In an embodiment, each neuron within the RBF neural network stores examples from the training set as “prototypes.” The linearity involved in the functioning of this neural network gives RBF the advantage of not typically suffering from local minima or maxima problems.
실시예에서, 전문가 시스템 또는 자가-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.In embodiments, the methods and systems described in this application involving expert systems or self-organizing capabilities may utilize radial basis function (RBF) neural networks, such as those using a distance to centroid criterion (e.g., a Gaussian function). there is. Radial basis functions can be applied as a replacement for hidden layers, such as sigmoidal hidden layer propagation in multilayer perceptrons. An RBF network may have two layers, such that inputs are mapped onto each RBF in a hidden layer. In an embodiment, the output layer may include, for example, a linear combination of hidden layer values representing the average predicted output. Output layer values may provide outputs that may be the same or similar to those of a regression model in statistics. In a classification problem, the output layer may be a sigmoid function of a linear combination of hidden layer values representing the posterior probability. In both cases, performance can often be improved by shrinkage techniques, such as ridge regression in classical statistics. This corresponds to the a priori confidence in small parameter values (and therefore smooth output functions) in the Bayesian framework. RBF networks can avoid local minima because the only parameter adjusted in the learning process is the linear mapping from the hidden layer to the output layer. Linearity ensures that the error surface can be quadratic and therefore has a single minimum. In regression problems, this can be found in one matrix operation. In classification problems, the fixed nonlinearity introduced by the sigmoid output function can be treated using iterative use. Reweighted least squares function, etc.
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.In embodiments, the RBF network may use kernel methods such as support vector machines (SVM) and Gaussian processes (where RBF may be a kernel function). A non-linear kernel function can be used to project the input data into a space where the learning problem can be solved using a linear model.
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, 중앙값(median)을 감산하고 사분위간 범위(interquartile range)로 나눔(dividing)으로써 값 범위를 표준화할 수 있다. 그런 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. 그런 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.In an embodiment, an RBF neural network may include an input layer, a hidden layer, and a summation layer. In the input layer, one neuron appears in the input layer for each predictor. For categorical variables, N-1 neurons are used, where N is the number of categories. The input neuron may, in an embodiment, normalize the range of values by subtracting the median and dividing by the interquartile range. The input neuron can then feed the value to each neuron in the hidden layer. In the hidden layer, a variable number of neurons can be used (determined by the training process). Each neuron can be composed of a radial basis function that can be centered at a point with as many dimensions as the number of predictors. The spread (eg, radius) of the RBF function may be different for each dimension. Center and spread can be determined by training. When presented with a vector of input values from the input layer, the hidden neuron can compute the Euclidean distance of the test case from the neuron's center point and then apply the RBF kernel function to this distance, for example using the diffusion value. there is. The resulting value can then be passed to the summation layer. In the summation layer, the value originating from a neuron in the hidden layer can be multiplied by the weight associated with the neuron and added to the weighted values of other neurons. This sum becomes the output. For classification problems, one output (with a separate set of weights and summing units) can be generated for each target category. The value output for a category is the probability that the case being evaluated has that category. In the training of RBF, the number of neurons in the hidden layer, the coordinates of the centroid of each hidden layer function, the spread of each function in each dimension, and the weights applied to the output when it is passed to the summation layer. Various parameters can be determined. Training can be used by clustering algorithms (such as k-means clustering), evolutionary approaches, etc.
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.In embodiments, a recurrent neural network may have time-varying real-valued (just greater than 0 or 1) activations (outputs). Each connection can have a modifiable real-valued weight. Some of the nodes are called labeled nodes, some output nodes, and others hidden nodes. For supervised learning in a discrete-time setting, the training sequence of real-valued input vectors can be a sequence of activations of input nodes, one input vector at a time. At each time step, each non-input unit can calculate its current activation as a non-linear function of the weighted sum of the activations of all units from which it receives a connection. The system can explicitly activate some output units (independent of the incoming signal) at certain time steps.
실시예에서, 전문가 시스템 또는 자가-조직화 능력을 수반하는 본 출원에 설명된 방법 및 시스템은, 예컨대 고차원 데이터의 저차원 뷰와 같은 데이터의 뷰의 시각화를 위해, 코호넨 자가-조직화 신경망과 같은 자가-조직화 신경망을 사용할 수 있다. 자가-조직화 신경망은 예컨대, 개인으로부터의 또는 개인과 연관된 하나 이상의 센서 또는 다른 데이터 입력으로부터의 입력 데이터의 세트에 경쟁적 학습을 적용할 수 있다. 실시예에서, 자가-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. 자가-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.In embodiments, the methods and systems described in this application involving expert systems or self-organizing capabilities may be used to provide a self-organizing neural network, such as a Kohonen self-organizing neural network, for visualization of views of data, such as low-dimensional views of high-dimensional data. -Organizational neural networks can be used. A self-organizing neural network may apply competitive learning to a set of input data, for example, from an individual or from one or more sensors or other data inputs associated with the individual. In embodiments, self-organizing neural networks may be used to identify structure in data, such as unlabeled data, such as data from various unstructured sources, such as social media sources about individuals, where the source of the data is unknown (e.g., when data comes from various unknown or uncertain sources). Self-organizing neural networks can organize structures or patterns in data so that they can be recognized, analyzed, and labeled, such as identifying the structures as corresponding to individuals, disease conditions, health states, activity states, etc.
실시예에서, 전문가 시스템 또는 자가-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 유형의, 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.In embodiments, the methods and systems described in this application involving expert systems or self-organization capabilities may use recurrent neural networks, where connected units (e.g., neurons or nodes) form directed cycles and Likewise, bidirectional flow of data can be allowed. Such networks model or represent dynamic temporal behavior, such as that involved in dynamic systems such as the wide variety of disease conditions, health states, and biological systems described throughout this disclosure, such as bodies experiencing multiple different diseases or health states. It can be used to determine where dynamic system behavior involves complex interactions that an observer may wish to understand, diagnose, predict, control, treat and/or optimize. For example, recurrent neural networks can be used to predict an individual's state (e.g., maintenance state, health state, disease state, etc.), such as interacting with a system, performing an action, etc. In embodiments, recurrent neural networks may utilize inputs from other nodes and/or sensors and environments of various types described herein, such as social networks, home or work environments, healthcare environments, recreational or sports environments, etc. Internal memory can be used to process sequences of different data inputs from. In embodiments, recurrent neural networks may also be used for pattern recognition, such as to recognize people based on biomarkers, facial, voice or sound signatures, heat signatures, sets of feature vectors in an image, chemical signatures, etc. In a non-limiting example, a recurrent neural network may recognize changes or shifts in a human state by learning to classify shifts or changes from a training data set that consists of a stream of data from unstructured data sources, such as social media sources. You can.
실시예에서, 전문가 시스템 또는 자가-조직화 능력을 수반하는 본 출원에 설명된 방법 및 시스템은, 중개자에 의해 중재되는 일련의 독립적인 신경망(예컨대, 본 출원에 설명된 다양한 유형 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 유형의 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.In embodiments, the methods and systems described herein involving expert systems or self-organizing capabilities may include a set of independent neural networks (e.g., one of the various types described herein) mediated by an intermediary. A modular neural network can be used. Each independent neural network in a modular neural network can operate with separate inputs to accomplish subtasks that make up the task that the modular network as a whole is intended to perform. For example, a modular neural network can, once understood, identify some type of person, condition, or state by, e.g., one or more sensors providing input channels to the modular network and the RBF neural network to optimize the system, protocol, etc. It may include a recurrent neural network for pattern recognition to recognize whether something is being detected. The intermediary can accept inputs from each individual neural network, process them, and produce outputs for the modular neural network, such as appropriate control parameters, predictions of states, etc.
본 출원에 설명된 다양한 신경망 유형의 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 자가-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 자가-조직화하기 위해 상이한 신경망을 사용하는 상황을 포함할 수 있다.Combinations between any of the various neural network types described in this application, such as pairs, triplets, or larger combinations, are encompassed by this disclosure. This means that an expert system uses a single neural network to recognize patterns (e.g., patterns that indicate problem or fault conditions) and provides outputs that govern the system's autonomous control in response to the recognized conditions or patterns. ) may include a combination of using different neural networks to self-organize activities or workflows based on recognized patterns. This also means that expert systems use a neural network to classify an item (e.g., identify a machine, component, or mode of operation) and classify the item's state (e.g., defect state, operating state, expected state, maintenance, etc.). state, predicted state, etc.). Modular neural networks also allow expert systems to use one neural network to determine a state or situation (e.g., the state of a machine, process, workflow, storage system, network, data collector, etc.) and the processes that entail the state or situation (e.g. This may include situations where different neural networks are used to self-organize (for example, a data storage process, a network coding process, a network selection process, a data processing process, or other processes described herein).
실시예에서, 전문가 시스템 또는 자가-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 유형 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 유형의 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 유형의 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.In embodiments, the methods and systems described in this application involving expert systems or self-organization capabilities may use physical neural networks in which one or more hardware elements may be used to perform or simulate neural behavior. One or more hardware nodes may be configured to stream output data resulting from the activity of the neural network. Hardware nodes, which may include one or more chips, microprocessors, integrated circuits, programmable logic controllers, application-specific integrated circuits, field programmable gate arrays, etc., can be used to determine the speed of some portion of a neural network of any of the types described in this application; It may be provided to optimize input/output efficiency, energy efficiency, signal-to-noise ratio, or other parameters. Hardware nodes are hardware for acceleration of computations (e.g., dedicated processors to perform basic or more sophisticated calculations on input data to provide output, dedicated processors to filter or compress data, dedicated processors to decompress data). processor, a dedicated processor for compression of specific files or data types (e.g., for handling image data, video streams, acoustic signals, vibration data, thermal images, thermal maps, etc.). The physical neural network may be a data collector, an edge intelligence system, an adaptive intelligence system, a mobile data collector, an IoT monitoring system, or an expert system (optionally, may include a software-based neural network located on the data collector or remotely). may be implemented in other systems described in this application, including those that can be reconfigured by switching or routing inputs in various configurations, such as providing different neural network configurations within the system to handle different types of input (switching and configuring); You can. A physical or at least partially physical neural network may be used, e.g. to accelerate the input/output functions of one or more storage elements that feed data to or take data from the neural network, e.g. to store data within a machine, product, etc. , may include physical hardware nodes located in the storage system. A physical or at least partially physical neural network transmits data in, to, or from an environment, e.g., to accelerate input/output functions to one or more network nodes within a net, to accelerate relay functions, etc. To do so, it may include physical hardware nodes located on a network. In embodiments of physical neural networks, electrically tunable resistive materials can be used to emulate the function of neural synapses. In embodiments, physical hardware emulates neurons and software emulates neural networks between neurons. In embodiments, neural networks complement conventional algorithmic computers. They can be trained to perform appropriate functions without requiring arbitrary instructions, such as classification functions, optimization functions, pattern recognition functions, control functions, selection functions, evolution functions, etc.
실시예에서, 전문가 시스템 또는 자가-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.In embodiments, the methods and systems described in this application involving expert systems or self-organizing capabilities may use multilayer feedforward neural networks, e.g., for complex pattern classification of one or more items, phenomena, modes, states, etc. . In embodiments, multilayer feedforward neural networks may be trained by optimization techniques, such as genetic algorithms, to search a large, complex space of options to find an optimal or near-optimal global solution. For example, one or more genetic algorithms may be used to classify complex phenomena, e.g., modes involving complex interactions between entities (including interference effects, amplification effects, etc.), analysis of symptoms of entities, or diagnosis of conditions. Modes that involve non-linear phenomena, such as the impact of protocol interactions, which can make it difficult; modes that carry significant risks, such as when multiple simultaneous conditions occur, making root cause analysis difficult; and complex modes of individual behavior, such as Alternatively, it can be used to train a multilayer feedforward neural network to recognize states. In embodiments, a multi-layer feedforward neural network may be used to classify results from monitoring unstructured data, such as forming social media.
실시예에서, 전문가 시스템 또는 자가-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.In embodiments, the methods and systems described in this application involving expert systems or self-organizing capabilities may be used to address one or more remote sensing applications, e.g., in a variety of environments, including home and work environments, business environments, etc. To take input from sensors distributed throughout the human-inhabited environment, a feed-forward, backpropagation multilayer perceptron (MLP) neural network can be used. In an embodiment, an MLP neural network may be used for classification of the physical environment. This may include fuzzy classification.
실시예에서, 전문가 시스템 또는 자가-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.In embodiments, the methods and systems described in this application involving expert systems or self-organizing capabilities may use a structure-adaptive neural network, wherein the structure of the neural network adapts based on, e.g., rules, sensed conditions, situational parameters, etc. It can be. For example, if a neural network does not converge on a solution, such as classifying items or reaching a prediction, then when acting on a set of inputs after a certain amount of training, the neural network may By converting the data path from a unidirectional to a bidirectional data path, it can be modified from a feedforward neural network to a recurrent neural network. Structural adaptation refers to recognizing the occurrence of a critical value (e.g., lack of convergence to a solution within a given amount of time) or recognizing a phenomenon as requiring a different or additional structure (e.g., the ability for a system to dynamically or nonlinearly (e.g., to trigger adaptation upon the occurrence of a trigger, rule, or event), which may occur under the control of an expert system.
실시예에서, 전문가 시스템 또는 자가-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.In embodiments, the methods and systems described in this application involving expert systems or self-organizing capabilities may include, for example, a multilayer perceptron (MLP), where there may be an input layer, an output layer, and one or more hidden layers connecting them. You can use autoencoder, autoassociator, or diabolo neural networks, which can be similar to neural networks. However, the output layer in an auto-encoder may have the same number of units as the input layer, where the goal of the MLP neural network may be to reconstruct its own input (rather than just emitting target values). Therefore, the autoencoder can operate as an unsupervised learning model. Autoencoders can be used for unsupervised learning of efficient coding, for example for dimensionality reduction, for learning generative models of data, etc. In embodiments, an auto-encoding neural network may be used to self-learn efficient network coding for transmission of data from or about an individual over one or more networks, which may include social networks. In embodiments, an auto-encoding neural network may be used to self-learn an efficient storage approach for storage of streams of analog sensor data from the environment.
실시예에서, 전문가 시스템 또는 자가-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.In embodiments, the methods and systems described in this application involving expert systems or self-organizing capabilities may, in embodiments, include a probabilistic neural network (e.g., 4-layer), which may include a multi-layer (e.g., 4-layer) feedforward neural network. PNN) may be used, where the layers may include an input layer, a hidden layer, a pattern/summation layer, and an output layer. In an embodiment of the PNN algorithm, the parent probability distribution function (PDF) of each class may be approximated, for example, by a Pazen window and/or a non-parametric function. Then, using the PDF of each class, the class probability of the new input can be estimated, and Bayes' rule can be used, for example, to assign to the class with the highest posterior probability. PNN can implement a Bayesian network and can use statistical algorithms or analysis techniques such as kernel Fisher discriminant analysis technique. PNNs may be used for classification and pattern recognition in any of the wide range of embodiments disclosed in this application. In one non-limiting example, a probabilistic neural network may be used to predict defect conditions in a product or system based on a collection of data inputs from sensors and instruments on the engine.
실시예에서, 전문가 시스템 또는 자가-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.In embodiments, the methods and systems described in this application involving expert systems or self-organization capabilities may use a time delay neural network (TDNN), which recognizes features independent of sequence position. May include a feedforward architecture for sequential data. In embodiments, delays are added to one or more inputs, or between one or more nodes, so that multiple data points (from separate points in time) are analyzed together to account for time shifts in the data. A time delay neural network can form part of a larger pattern recognition system, for example using a perceptron network. In embodiments, a TDNN may be trained with supervised learning, such as when connection weights are trained with backpropagation or under feedback. In embodiments, TDNNs may be used to process sensor data from separate streams, where time delays are used to temporally align data streams, e.g., to help understand patterns that accompany understanding of the various streams. It is used.
실시예에서, 전문가 시스템 또는 자가-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.In embodiments, the methods and systems described in this application involving expert systems or self-organizing capabilities may use convolutional neural networks (referred to in some cases as CNNs, ConvNets, shift invariant neural networks, or spatial invariant neural networks); , where the units are connected in a pattern similar to the visual cortex of the human brain. Neurons can respond to stimuli in a limited region of space called the receptive field. Receptive fields may partially overlap to collectively cover the entire (e.g., visual) field. The node response can be calculated mathematically, for example by a convolution operation, for example using a multilayer perceptron using minimal preprocessing. Convolutional neural networks can be used for recognition within image and video streams, such as recognizing individuals, recognizing markers of disease conditions, etc. This may include, for example, using camera systems deployed on mobile data collectors, such as drones or mobile robots, to recognize individuals in a crowd. In embodiments, convolutional neural networks may be used to provide recommendations based on data input, including sensor input and other contextual information. In embodiments, convolutional neural networks may be used to process input, such as natural language processing of instructions provided by one or more parties involved in workflow in the environment. In embodiments, a convolutional neural network may have multiple neurons (e.g., 100,000, 500,000 or more), many (e.g., 4, 5, 6 or more) layers, and many (e.g., millions). ) can be placed together with the parameter. A convolutional neural network can use one or more convolutional nets.
실시예에서, 전문가 시스템 또는 자가-조직화 능력을 수반하는 본 출원에 설명된 방법 및 시스템은 예컨대, (개인 또는 개인의 집단에서 이전에 이해되지 않은 새로운 유형의 조건과 같은) 응급 현상을 인식하기 위해, 규제 피드백 네트워크를 사용할 수 있다.In embodiments, the methods and systems described in this application involving expert systems or self-organizing capabilities may be used to, for example, recognize emergent phenomena (such as new types of conditions not previously understood in an individual or group of individuals). , regulatory feedback networks can be used.
실시예에서, 전문가 시스템 또는 자가-조직화 능력을 수반하는 본 출원에 설명된 방법 및 시스템은 비지도 학습을 수반하는 자가-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.In embodiments, the methods and systems described in this application involving expert systems or self-organizing capabilities may use self-organizing maps (SOMs) involving unsupervised learning. A set of neurons can learn to map points in input space to coordinates in output space. The input space can have different dimensions and topology than the output space, and a SOM can preserve these while mapping phenomena into groups.
실시예에서, 전문가 시스템 또는 자가-조직화 능력을 수반하는 본 출원에 설명된 방법 및 시스템은 학습 벡터 양자화 신경망(LVQ)을 사용할 수 있다. 클래스의 프로토유형 대표는, 적절한 거리 측정과 함께, 거리 기반 분류 기법에서 파라미터화할 수 있다.In embodiments, the methods and systems described in this application involving expert systems or self-organizing capabilities may use learning vector quantization networks (LVQ). Prototypical representatives of a class can be parameterized in a distance-based classification technique, with an appropriate distance measure.
실시예에서, 전문가 시스템 또는 자가-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.In embodiments, the methods and systems described in this application involving expert systems or self-organization capabilities may use echo state networks (ESNs), which may include recurrent neural networks with sparsely connected random hidden layers. The weights of the output neurons may be changed (e.g., the weights may be trained based on feedback). In embodiments, an ESN may be used to handle time series patterns, for example, to recognize patterns in the progression of a process.
실시예에서, 전문가 시스템 또는 자가-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.In embodiments, methods and systems described herein involving expert systems or self-organizing capabilities may be used to predict or label each element of a sequence based on both past and future contexts of the element, e.g., using a finite number of values. A bidirectional, recurrent neural network (BRNN) can be used that uses sequences (e.g., voltage values from sensors). This can be done by adding the outputs of two RNNs, such that one processes the sequence from left to right and the other processes the sequence from right to left. The combined output is a prediction of the target signal, such as that provided by a teacher or supervisor. Bidirectional RNNs can be combined with short- and long-term memory RNNs.
실시예에서, 전문가 시스템 또는 자가-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.In embodiments, the methods and systems described in this application involving expert systems or self-organizing capabilities may use hierarchical RNNs that connect elements in various ways to decompose hierarchical behavior into useful subprograms, for example. . In embodiments, a hierarchical RNN may be used to manage one or more hierarchical templates for data collection in social networks, value chain environments, etc.
실시예에서, 전문가 시스템 또는 자가-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.In embodiments, the methods and systems described in this application involving expert systems or self-organizing capabilities may use probabilistic neural networks, which may introduce random fluctuations into the network. These random fluctuations can be considered a form of statistical sampling, such as Monte Carlo sampling or other statistical sampling techniques.
실시예에서, 전문가 시스템 또는 자가-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.In embodiments, the methods and systems described herein involving expert systems or self-organizing capabilities may use genetic scale recurrent neural networks. In these embodiments, a RNN (often a LSTM) may be used, where the series can be decomposed into a number of scales where every scale gives the primary length between two consecutive points. The first scale consists of a normal RNN, the second scale consists of all points separated by two indices, and so on. Nth-order RNN connects the first node and the last node. The output from all the various scales can be treated as a committee of members, and the associated scores can be used genetically for the next iteration.
실시예에서, 전문가 시스템 또는 자가-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.In embodiments, the methods and systems described in this application involving expert systems or self-organizing capabilities may use a Committee of Machines (CoM) comprising a collection of different neural networks that “vote” together on a given example. Because neural networks may suffer from local minima starting with the same architecture and training, using randomly different initial weights often gives different results. CoM tends to stabilize results.
실시예에서, 전문가 시스템 또는 자가-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.In embodiments, the methods and systems described in this application involving expert systems or self-organizing capabilities may be associated with association, such as those involving extensions of machine committees combining multiple feedforward neural networks and k-nearest neighbor techniques. A neural network (ASNN) can be used. This allows using the correlation between ensemble responses as a measure of distance among the analyzed cases for kNN. This corrects bias in the neural network ensemble. An associative neural network can have a memory that can match the training set. When new data becomes available, the network immediately improves its prediction ability and provides data approximation without retraining (self-learning). Another important feature of ASNN may be the possibility to interpret neural network results by analysis of correlations between data instances in the space of the model.
실시예에서, 전문가 시스템 또는 자가-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.In embodiments, the methods and systems described in this application involving expert systems or self-organizing capabilities may use an Instantaneous Training Neural Network (ITNN), where the weights of the hidden and output layers are mapped directly from training vector data.
실시예에서, 전문가 시스템 또는 자가-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.In embodiments, the methods and systems described in this application involving expert systems or self-organizing capabilities may use spiking neural networks that can explicitly take into account the timing of inputs. Network inputs and outputs can be represented as a series of spikes (such as delta functions or more complex shapes). SNNs can process information in the time domain (e.g., signals that change over time, such as signals involving an individual's dynamic behavior, disease conditions, health status, etc.). These can be implemented as circular networks.
실시예에서, 전문가 시스템 또는 자가-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.In embodiments, the methods and systems described in this application involving expert systems or self-organizing capabilities may use dynamic neural networks that address nonlinear multivariate behavior and include learning of time-dependent behavior such as transients and delay effects. Transient phenomena may include progressive state behavior.
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. 그런 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.In embodiments, cascade correlation may be used as an architecture and supervised learning algorithm to supplement the adjustment of weights in networks of fixed topology. Cascade-correlation can start with a minimal network, and then automatically train and add new hidden units one by one, creating a multi-layer structure. Once a new hidden unit is added to the network, its input weights can be frozen. This unit then becomes a permanent feature detector in the network, available to generate output or generate other more complex feature detectors. Cascade-correlated architectures can learn quickly, determine their own size and topology, maintain the structure they build even when the training set changes, and do not require backpropagation.
실시예에서, 전문가 시스템 또는 자가-조직화 능력을 수반하는 본 출원에 설명된 방법 및 시스템은 예컨대, 인공 신경망의 본체에 퍼지 간섭 시스템을 수반하는 신경-퍼지 네트워크를 사용할 수 있다. 유형에 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.In embodiments, the methods and systems described in this application involving expert systems or self-organizing capabilities may use, for example, neuro-fuzzy networks involving a fuzzy interference system in the body of an artificial neural network. Depending on the type, multiple layers can simulate the processes involved in fuzzy inference, such as fuzzification, inference, aggregation, and defuzzification. We embed the fuzzy system in the general structure of a neural network, exploiting the use of available training methods to find the parameters of the fuzzy system.
실시예에서, 전문가 시스템 또는 자가-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 유형 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 유형의 네트워크는 재훈련 없이 새로운 패턴을 추가할 수 있다. 실시예에서, 전문가 시스템 또는 자가-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.In embodiments, the methods and systems described in this application involving expert systems or self-organizing capabilities may be used in a configurational pattern generation network (CPPN), such as a variant of an association neural network (ANN), that differentiates a set of activation functions and how they are applied. ) can be used. Typical ANNs often contain only sigmoid functions (and sometimes Gaussian functions). A PPN can include both types of functionality. Additionally, CPPN can be applied over the entire space of possible inputs, so they can represent a complete image. Because they are compositions of functions, CPPN encodes images at virtually infinite resolution and can be sampled for a particular display at whatever resolution may be optimal. This type of network can add new patterns without retraining. In embodiments, the methods and systems described herein involving expert systems or self-organization capabilities create a specific memory structure that assigns each new pattern to an orthogonal plane, e.g., using adjacently connected hierarchical arrays. By doing so, a one-shot associative memory network can be used.
실시예에서, 전문가 시스템 또는 자가-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.In embodiments, the methods and systems described in this application involving expert systems or self-organizing capabilities may use, for example, hierarchical temporal memory (HTM) neural networks that incorporate the structural and algorithmic properties of the neocortex. HTM can use biomimetic models, such as those based on memory prediction. HTM can be used to discover and infer high-level causes of observed input patterns and sequences.
실시예에서, 전문가 시스템 또는 자가-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.In embodiments, the methods and systems described in this application involving expert systems or self-organizing capabilities may use holographic associative memory (HAM) neural networks, which may include analog, correlation-based, associative, stimulus-response systems. there is. Information can be mapped to complex phase orientations. Memory can be effective in associative memory tasks, generalization, and pattern recognition with mutable attention.
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.The neural network described above may have various nodes or neurons, which may perform various functions on input, such as input received from sensors or other data sources, including other nodes. A function may involve weights, features, feature vectors, etc. Neurons may include perceptrons, neurons that mimic biological functions (such as the human senses of touch, sight, taste, hearing, and smell). Continuous neurons, such as sigmoidal activation, can be used in the context of various types of neural networks, such as those involving backpropagation.
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 유형의 데이터(본 개시 전반에 걸쳐 설명된 많은 유형을 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.In many embodiments, an expert system or neural network may be trained, such as by a human operator or supervisor, or based on a data set, model, etc. Training may include one or more training data sets representing values such as sensor data, event data, parameter data, and other types of data (including many of the types described throughout this disclosure), as well as the results of the process, It may include presenting one or more indicators of a result, such as the result of a calculation, the result of an event, the result of an activity, etc., to the neural network. Training a neural network to optimize one or more systems based on one or more optimization approaches such as Bayesian approach, parametric Bayes classifier approach, k-nearest-neighbor classifier approach, iterative approach, interpolation approach, Pareto optimization approach, algorithmic approach, etc. This may include training in optimization, such as training . Feedback may be provided in a process of variation and selection, such as using a genetic algorithm to evolve one or more solutions based on feedback over a series of rounds.
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 유형(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 유형 및 기능 등을 갖는 적절한 유형의 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.In embodiments, receiving data streams and other inputs collected from one or more industrial environments (e.g., by a mobile data collector) and transmitted to a cloud platform over one or more networks, including using network coding to provide efficient transmission. Multiple neural networks can be deployed on a cloud platform. In the cloud platform, a plurality of different neural networks of several types (including modular form, structural adaptive form, hybrid, etc.) are performed to perform prediction, classification, and control functions, optionally using massively parallel computing power, and the present disclosure It may be used to provide other outputs as described with respect to the expert system disclosed throughout. Different neural networks can be selected, for example by an expert system, for a particular task involved in a given situation, workflow, environmental process, system, etc., so that an appropriate type of neural network with appropriate input set, weights, node types and functions, etc. They can be structured to compete with each other (optionally including the use of evolutionary algorithms, genetic algorithms, etc.).
실시예에서, 전문가 시스템 또는 자가-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 유형의 유닛으로 구성될 수 있으며, 그 중 가장 단순한 것은 퍼셉트론이다.In embodiments, the methods and systems described in this application involving expert systems or self-organizing capabilities may provide information in one direction, e.g., from a data input such as an analog sensor located on or proximate to an industrial machine; You can use a feedforward neural network that moves the output through a series of neurons, or nodes. Data can move from input nodes to output nodes, and optionally through one or more hidden nodes without looping. In embodiments, a feedforward neural network may be composed of various types of units, such as binary McCulloch-Pitts neurons, the simplest of which is a perceptron.
실시예에서, 전문가 시스템 또는 자가-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 "프로토유형"으로서 저장한다. 이 신경망의 기능에 수반되는 선형성은 RBF에게 전형적으로 로컬 최소값 또는 최대값의 문제를 겪지 않는 이점을 제공한다.In embodiments, the methods and systems described in this application involving expert systems or self-organizing capabilities may be used in some situations involving interpolation in a multidimensional space (e.g., when interpolation helps optimize a multidimensional function). RBF (which may be desirable, e.g., when optimizing data markets as described in this application, when optimizing the efficiency or output of power generation systems, factory systems, etc., or in other situations involving multiple dimensions) A radial basis function (radial basis function) neural network can be used. In an embodiment, each neuron within the RBF neural network stores examples from the training set as “prototypes.” The linearity involved in the functioning of this neural network gives RBF the advantage of not typically suffering from local minima or maxima problems.
실시예에서, 전문가 시스템 또는 자가-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 에러 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.In embodiments, the methods and systems described in this application involving expert systems or self-organizing capabilities may utilize radial basis function (RBF) neural networks, such as those using a distance to centroid criterion (e.g., a Gaussian function). there is. Radial basis functions can be applied as a replacement for hidden layers (such as sigmoidal hidden layer propagation) in multilayer perceptrons. An RBF network may have two layers, such that inputs are mapped onto each RBF in a hidden layer. In an embodiment, the output layer may include, for example, a linear combination of hidden layer values representing the average predicted output. The output layer values can provide the same or similar output to that of a regression model in statistics. In a classification problem, the output layer may be a sigmoid function of a linear combination of hidden layer values representing the posterior probability. In both cases, performance is often improved by shrinkage techniques, such as ridge regression in classical statistics. This corresponds to the a priori confidence in small parameter values (and therefore smooth output functions) in the Bayesian framework. RBF networks can avoid local minima because the only parameter adjusted in the learning process is the linear mapping from the hidden layer to the output layer. Linearity ensures that the error surface is quadratic and therefore has a single minimum. In regression problems, this can be found in one matrix operation. In classification problems, the fixed nonlinearity introduced by the sigmoid output function can be handled using an iteratively reweighted least squares function, etc.
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.RBF networks can use kernel methods such as support vector machines (SVM) and Gaussian processes (where RBF is the kernel function). A non-linear kernel function can be used to project the input data into a space where the learning problem can be solved using a linear model.
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. 그런 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. 그런 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.In an embodiment, an RBF neural network may include an input layer, a hidden layer, and a summation layer. In the input layer, one neuron appears in the input layer for each predictor. For categorical variables, N-1 neurons are used, where N is the number of categories. The input neuron may, in embodiments, normalize the range of values by subtracting the median and dividing by the interquartile range. The input neuron can then feed the value to each neuron in the hidden layer. In the hidden layer, a variable number of neurons can be used (determined by the training process). Each neuron can be constructed with a radial basis function centered on a point that has as many dimensions as the number of predictors. The spread (eg, radius) of the RBF function may be different for each dimension. Center and spread can be determined by training. When presented with a vector of input values from the input layer, the hidden neuron can calculate the Euclidean distance of the test case from the neuron's center point and then apply the RBF kernel function to this distance, for example using the diffusion value. there is. The resulting value can then be passed to the summation layer. In the summation layer, the value originating from a neuron in the hidden layer can be multiplied by the weight associated with the neuron and added to the weighted values of other neurons. This sum becomes the output. For classification problems, one output is generated (with a separate set of weights and summing units) for each target category. The value output for a category is the probability that the case being evaluated has that category. In the training of RBF, the number of neurons in the hidden layer, the coordinates of the centroid of each hidden layer function, the spread of each function in each dimension, and the weights applied to the output when it is passed to the summation layer. Various parameters can be determined. Training can be used by clustering algorithms (such as k-means clustering), evolutionary approaches, etc.
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.In embodiments, a recurrent neural network may have time-varying real-valued (just greater than 0 or 1) activations (outputs). Each connection can have a modifiable real-valued weight. Some of the nodes are called labeled nodes, some output nodes, and others hidden nodes. For supervised learning in a discrete-time setting, the training sequence of real-valued input vectors can be a sequence of activations of input nodes, one input vector at a time. At each time step, each non-input unit can calculate its current activation as a non-linear function of the weighted sum of the activations of all units from which it receives a connection. The system can explicitly activate some output units (independent of the incoming signal) at certain time steps.
실시예에서, 전문가 시스템 또는 자가-조직화 능력을 수반하는 본 출원에 설명된 방법 및 시스템은, 예컨대 고차원 데이터의 저차원 뷰와 같은 데이터의 뷰의 시각화를 위해, 코호넨 자가-조직화 신경망과 같은 자가-조직화 신경망을 사용할 수 있다. 자가-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, 자가-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. 자가-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.In embodiments, the methods and systems described in this application involving expert systems or self-organizing capabilities may be used to provide a self-organizing neural network, such as a Kohonen self-organizing neural network, for visualization of views of data, such as low-dimensional views of high-dimensional data. -Organizational neural networks can be used. A self-organizing neural network can apply competitive learning to a set of input data, such as from an industrial machine or from one or more sensors or other data inputs associated with the industrial machine. In embodiments, a self-organizing neural network may be used to detect, for example, vibration, acoustic, or other analog sensors in an industrial environment where the source of the data is unknown (e.g., the vibration may originate from any of a range of unknown sources). In data sensed from a range of, it can be used to identify structures in the data, such as unlabeled data. Self-organizing neural networks allow them to be recognized, analyzed, and labeled, such as identifying structures as corresponding to vibrations induced by the movement of a floor, or acoustic signals generated by the high-frequency rotation of a more or less distant machine's shaft. You can organize structures or patterns in your data so that you can
실시예에서, 전문가 시스템 또는 자가-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, 개량 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 유형의, 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.In embodiments, the methods and systems described in this application involving expert systems or self-organization capabilities may use recurrent neural networks, e.g., where connected units (e.g., neurons or nodes) form directed cycles. In this case, bidirectional flow of data can be allowed. These networks are involved in dynamic systems, including the wide variety of industrial machines and devices described throughout this disclosure, such as power generation machines, robotic manufacturing systems, retrofit systems, etc., operating at variable speeds or frequencies under variable conditions with variable inputs. It can be used to model or represent dynamic temporal behavior, such as where dynamic system behavior involves complex interactions that operators may wish to understand, predict, control, and/or optimize. For example, recurrent neural networks can be used, for example, to predict the state (e.g., maintenance state, fault state, operating state, etc.) of an industrial machine performing a dynamic process or action. In embodiments, a recurrent neural network may use internal memory to process sequences of inputs from other nodes and/or sensors and other data inputs, such as those described herein, of the various types described herein. In embodiments, recurrent neural networks may also be used for pattern recognition, such as to recognize industrial machines based on sound signatures, heat signatures, sets of feature vectors in an image, chemical signatures, etc. In a non-limiting example, a recurrent neural network can be used to classify shifts in turbines, generators, and motors by learning to classify shifts from a training data set consisting of a stream of data from three-axis vibration sensors and/or acoustic sensors applied to one or more of these machines. , a shift (eg, gear shift) in the operation mode of a compressor, etc. can be recognized.
실시예에서, 전문가 시스템 또는 자가-조직화 능력을 수반하는 본 출원에 설명된 방법 및 시스템은, 중개자에 의해 중재되는 일련의 독립적인 신경망(예컨대, 본 출원에 설명된 다양한 유형 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 유형의 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.In embodiments, the methods and systems described herein involving expert systems or self-organizing capabilities may include a set of independent neural networks (e.g., one of the various types described herein) mediated by an intermediary. A modular neural network can be used. Each independent neural network in a modular neural network can operate with separate inputs to accomplish subtasks that make up the task that the modular network as a whole is intended to perform. For example, a modular neural network may be a recurrent neural network for pattern recognition, such as for recognizing what type of industrial machine is being sensed by one or more sensors that are provided as input channels to the modular network, and then , may include an RBF neural network to optimize the behavior of the machine. The intermediary can accept inputs from each individual neural network, process them, and produce outputs for the modular neural network, such as appropriate control parameters, predictions of states, etc.
본 출원에 설명된 다양한 신경망 유형의 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 자가-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, 개량 프로세스, 디깅(digging) 프로세스, 보링(boring) 프로세스, 또는 본 출원에 설명된 다른 프로세스)를 자가-조직화하기 위해 상이한 신경망을 사용하는 상황을 포함할 수 있다.Combinations between any of the various neural network types described in this application, such as pairs, triplets, or larger combinations, are encompassed by this disclosure. This means that an expert system uses a single neural network to recognize patterns (for example, patterns that indicate problem or fault conditions) and provides outputs that govern the system's autonomous control in response to the recognized conditions or patterns. ) may include a combination of using different neural networks to self-organize activities or workflows based on recognized patterns. This also allows the expert system to use one neural network to classify the item (e.g., identify the machine, component, or mode of operation) and the state of the item (e.g., defect state, operating state, expected state, maintenance state, etc.). ) may include a combination of using different neural networks to predict. Modular neural networks can also be defined when an expert system uses a single neural network to determine a state or situation (e.g., state of a machine, process, workflow, market, storage system, network, data collector, etc.), and entails the state or situation. A process (e.g., a data storage process, a network coding process, a network selection process, a data market process, a power generation process, a manufacturing process, an improvement process, a digging process, a boring process, or any of the methods described in this application) may include situations where different neural networks are used to self-organize different processes).
실시예에서, 전문가 시스템 또는 자가-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 유형 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 유형의 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 유형의 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.In embodiments, the methods and systems described in this application involving expert systems or self-organization capabilities may use physical neural networks in which one or more hardware elements are used to perform or simulate neural behavior. In embodiments, one or more hardware neurons may stream voltage values representing analog vibration sensor data voltage values, compute velocity information from analog sensor inputs representing acoustic, vibration, or other data, and calculate velocity information from analog sensor inputs representing acoustic, vibration, or other data. It may be configured to calculate acceleration information from input, etc. One or more hardware nodes may be configured to stream output data resulting from the activity of the neural network. Hardware nodes, which may include one or more chips, microprocessors, integrated circuits, programmable logic controllers, application-specific integrated circuits, field programmable gate arrays, etc., can be used to determine the speed of some portion of a neural network of any of the types described in this application; It may be provided to optimize input/output efficiency, energy efficiency, signal-to-noise ratio, or other parameters. Hardware nodes are hardware for acceleration of computations (e.g., dedicated processors to perform basic or more sophisticated calculations on input data to provide output, dedicated processors to filter or compress data, dedicated processors to decompress data). processor, a dedicated processor for compression of specific files or data types (e.g., for handling image data, video streams, acoustic signals, vibration data, thermal images, thermal maps, etc.). A physical neural network may be configured to have different neural network configurations within the data collector to handle different types of input (optionally, with switching and configuration under the control of an expert system, which may include a software-based neural network located on the data collector or remotely). It may be implemented in a data collector, such as a mobile data collector described herein, including one that may be reconfigured by switching or routing inputs in various configurations, as provided herein. A physical or at least partially physical neural network stores data, e.g. within an industrial machine or in an industrial environment, for example to accelerate input/output functions for one or more storage elements that feed data to or take data from the neural network. To do so, it may include a physical hardware node located in the storage system. A physical or at least partially physical neural network transmits data, e.g., within an environment, to or from an industrial environment, e.g., to accelerate input/output functions to one or more network nodes within a net, to accelerate relay functions, etc. To do so, it may include physical hardware nodes located on a network. In embodiments of physical neural networks, electrically tunable resistive materials can be used to emulate the function of neural synapses. In embodiments, physical hardware emulates neurons and software emulates neural networks between neurons. In embodiments, neural networks complement conventional algorithmic computers. They are versatile and can be trained to perform appropriate functions without requiring arbitrary instructions, such as classification functions, optimization functions, pattern recognition functions, control functions, selection functions, evolution functions, etc.
실시예에서, 전문가 시스템 또는 자가-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, 개량 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.In embodiments, the methods and systems described in this application involving expert systems or self-organizing capabilities may use multi-layer feedforward neural networks, e.g., for complex pattern classification of one or more items, phenomena, modes, states, etc. there is. In embodiments, multilayer feedforward neural networks may be trained by optimization techniques, such as genetic algorithms, to search a large, complex space of options to find an optimal or near-optimal global solution. For example, one or more genetic algorithms may be used to determine, for example, the effects of variable speed shafts, which can make analysis of modes, vibrations and other signals that involve complex interactions between machines (including interference effects, resonance effects, etc.) difficult to analyze. To recognize the complex operating modes of industrial machines, to classify complex phenomena, such as modes involving non-linear phenomena such as modes involving significant faults such as multiple simultaneous faults occurring, making root cause analysis difficult, etc. It can be used to train multilayer feedforward neural networks. In an embodiment, a multi-layer feedforward neural network can be used in industrial applications, such as monitoring an internal set of components within a housing such as motor components, pumps, valves, fluid handling components, etc., in refrigeration systems, retrofit systems, reactor systems, catalyst systems, etc. It can be used to classify results from ultrasonic or acoustic monitoring of a machine.
실시예에서, 전문가 시스템 또는 자가-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.In embodiments, the methods and systems described herein involving expert systems or self-organizing capabilities address one or more remote sensing applications, e.g., to take input from sensors distributed throughout a variety of industrial environments. To do this, a feedforward, backpropagation multilayer perceptron (MLP) neural network can be used. In embodiments, the MLP neural network may be used to solve problems such as mining environments, exploration environments, including classification of geological structures (including subsurface features and above-ground features), classification of materials (including fluids, minerals, metals, etc.), and other problems. It can be used for classification of physical environments such as drilling environments. This may include fuzzy classification.
실시예에서, 전문가 시스템 또는 자가-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.In embodiments, the methods and systems described in this application involving expert systems or self-organizing capabilities may use a structure-adaptive neural network, wherein the structure of the neural network adapts based on, e.g., rules, sensed conditions, situational parameters, etc. do. For example, if a neural network does not converge on a solution, such as classifying items or reaching a prediction, then when acting on a set of inputs after a certain amount of training, the neural network may By converting the data path from a unidirectional to a bidirectional data path, it can be modified from a feedforward neural network to a recurrent neural network. Structural adaptation refers to recognizing the occurrence of a critical value (e.g., lack of convergence to a solution within a given amount of time) or recognizing a phenomenon as requiring a different or additional structure (e.g., the ability for a system to dynamically or nonlinearly (recognizing that something is changing in a certain way) can occur under the control of an expert system, for example, to trigger adaptation upon the occurrence of a trigger, rule, or event. In one non-limiting example, when the expert system receives an indication that a continuously variable transmission is being used to drive generators, turbines, etc. in the system being analyzed, the expert system can transform from a simple neural network structure such as a feedforward neural network to a recurrent neural network, a convolutional neural network, etc. You can switch to more complex neural network structures, such as neural networks.
실시예에서, 전문가 시스템 또는 자가-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.In embodiments, the methods and systems described in this application involving expert systems or self-organizing capabilities may include, for example, a multilayer perceptron (“MLP”), where there may be an input layer, an output layer, and one or more hidden layers connecting them. ") You can use autoencoder, autoassociator, or diabolo neural networks, which can be similar to neural networks. However, the output layer in an auto-encoder can have the same number of units as the input layer, where the goal of the MLP neural network is to reconstruct its own input (rather than just emitting target values). Therefore, the autoencoder can operate as an unsupervised learning model. Autoencoders can be used for unsupervised learning of efficient coding, for example for dimensionality reduction, for learning generative models of data, etc. In embodiments, an auto-encoding neural network may be used to self-learn efficient network coding for transmission of analog sensor data from industrial machines over one or more networks. In an embodiment, an auto-encoding neural network can be used to self-learn an efficient storage approach for storage of streams of analog sensor data from an industrial environment.
실시예에서, 전문가 시스템 또는 자가-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.In embodiments, the methods and systems described in this application involving expert systems or self-organizing capabilities may, in embodiments, include a probabilistic neural network (e.g., 4-layer), which may include a multi-layer (e.g., 4-layer) feedforward neural network. “PNN”) may be used, where the layers may include an input layer, a hidden layer, a pattern/summation layer, and an output layer. In an embodiment of the PNN algorithm, the parent probability distribution function (PDF) of each class may be approximated, for example, by a Pazen window and/or a non-parametric function. Then, using the PDF of each class, the class probability of the new input is estimated, and Bayes' rule can be used, for example, to assign it to the class with the highest posterior probability. PNN can implement a Bayesian network and can use statistical algorithms or analysis techniques such as kernel Fisher discriminant analysis technique. PNNs may be used for classification and pattern recognition in any of the wide range of embodiments disclosed in this application. In one non-limiting example, a probabilistic neural network may be used to predict fault conditions for an engine based on a collection of data inputs from sensors and instruments on the engine.
실시예에서, 전문가 시스템 또는 자가-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.In embodiments, the methods and systems described in this application involving expert systems or self-organization capabilities may use a time delay neural network (TDNN), which recognizes features independent of sequence position. May include a feedforward architecture for sequential data. In embodiments, delays are added to one or more inputs, or between one or more nodes, so that multiple data points (from separate points in time) are analyzed together to account for time shifts in the data. A time delay neural network can form part of a larger pattern recognition system, for example using a perceptron network. In embodiments, a TDNN may be trained with supervised learning, such as when connection weights are trained with backpropagation or under feedback. In embodiments, a TDNN may be used to process sensor data from distinct streams, such as a stream of velocity data, a stream of acceleration data, a stream of temperature data, a stream of pressure data, etc., where the time delay is present in the various streams, e.g. It is used to align data streams temporally to help understand patterns that entail understanding (for example, increases in pressure and acceleration as an industrial machine overheats).
실시예에서, 전문가 시스템 또는 자가-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 유형을 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.In embodiments, the methods and systems described in this application involving expert systems or self-organizing capabilities may use convolutional neural networks (referred to in some cases as CNNs, ConvNets, shift invariant neural networks, or spatial invariant neural networks); , where the units are connected in a pattern similar to the visual cortex of the human brain. Neurons can respond to stimuli in a limited region of space called the receptive field. Receptive fields may partially overlap to collectively cover the entire (e.g., visual) field. The node response can be calculated mathematically, for example by a convolution operation using a multilayer perceptron using minimal preprocessing. Convolutional neural networks can be used to recognize types of machines in large-scale environments, for example, using camera systems deployed on mobile data collectors such as drones or mobile robots for recognition within image and video streams. In embodiments, convolutional neural networks may be used to provide recommendations based on data input, including sensor input and other contextual information, such as recommending a route for a mobile data collector. In embodiments, convolutional neural networks may be used to process input, such as natural language processing of instructions provided by one or more parties involved in workflow in the environment. In embodiments, a convolutional neural network may have multiple neurons (e.g., 100,000, 500,000 or more), many (e.g., 4, 5, 6 or more) layers, and many (e.g., millions). ) can be placed together with the parameter. A convolutional neural network can use one or more convolutional nets.
실시예에서, 전문가 시스템 또는 자가-조직화 능력을 수반하는 본 출원에 설명된 방법 및 시스템은, 예컨대, (산업 환경에서 이전에 이해되지 않은 새로운 유형의 결함과 같은) 응급 현상을 인식하기 위해서, 규제 피드백 네트워크를 사용할 수 있다.In embodiments, the methods and systems described in this application involving expert systems or self-organizing capabilities may be used to regulate, e.g., to recognize emergent phenomena (such as new types of defects not previously understood in industrial environments). You can use a feedback network.
실시예에서, 전문가 시스템 또는 자가-조직화 능력을 수반하는 본 출원에 설명된 방법 및 시스템은 비지도 학습을 수반하는 자가-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.In embodiments, the methods and systems described in this application involving expert systems or self-organizing capabilities may use self-organizing maps (“SOMs”) involving unsupervised learning. A set of neurons can learn to map points in input space to coordinates in output space. The input space can have different dimensions and topology than the output space, and a SOM can preserve these while mapping phenomena into groups.
실시예에서, 전문가 시스템 또는 자가-조직화 능력을 수반하는 본 출원에 설명된 방법 및 시스템은 학습 벡터 양자화 신경망("LVQ")을 사용할 수 있다. 클래스의 프로토유형 대표는, 적절한 거리 측정과 함께, 거리 기반 분류 기법에서 파라미터화할 수 있다.In embodiments, the methods and systems described in this application involving expert systems or self-organizing capabilities may use learning vector quantization neural networks (“LVQ”). Prototypical representatives of a class can be parameterized in a distance-based classification technique, with an appropriate distance measure.
실시예에서, 전문가 시스템 또는 자가-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.In embodiments, the methods and systems described in this application involving expert systems or self-organization capabilities may use echo state networks (“ESNs”), which may include recurrent neural networks with sparsely connected random hidden layers. . The weights of the output neurons may be changed (e.g., the weights may be trained based on feedback). In embodiments, ESN may be used to handle time series patterns, such as recognizing patterns of events associated with gear shifts in industrial turbines, generators, etc., for example.
실시예에서, 전문가 시스템 또는 자가-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.In embodiments, methods and systems described in this application involving expert systems or self-organizing capabilities may be used to predict or label each element of a sequence based on both past and future contexts of the element, e.g., using a finite number of values. A bidirectional, recurrent neural network (“BRNN”) that uses a sequence (e.g., voltage values from a sensor) can be used. This can be done by adding the outputs of two RNNs, such that one processes the sequence from left to right and the other processes the sequence from right to left. The combined output is a prediction of the target signal, such as that provided by a teacher or supervisor. Bidirectional RNNs can be combined with short- and long-term memory RNNs.
실시예에서, 전문가 시스템 또는 자가-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.In embodiments, the methods and systems described in this application involving expert systems or self-organizing capabilities may use hierarchical RNNs that connect elements in various ways to decompose hierarchical behavior into useful subprograms, for example. . In embodiments, a hierarchical RNN may be used to manage one or more hierarchical templates for data collection in an industrial environment.
실시예에서, 전문가 시스템 또는 자가-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.In embodiments, the methods and systems described in this application involving expert systems or self-organizing capabilities may use probabilistic neural networks, which may introduce random fluctuations into the network. These random fluctuations can be considered as a form of statistical sampling, such as Monte Carlo sampling.
실시예에서, 전문가 시스템 또는 자가-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.In embodiments, the methods and systems described herein involving expert systems or self-organizing capabilities may use genetic scale recurrent neural networks. In these embodiments, RNNs (often LSTMs) are used in which the series is decomposed into a number of scales, where every scale gives the linear length between two consecutive points. The first scale consists of a normal RNN, the second scale consists of all points separated by two indices, and so on. Nth-order RNN connects the first node and the last node. The output from all the various scales can be treated as a committee of members, and the associated scores can be used genetically for the next iteration.
실시예에서, 전문가 시스템 또는 자가-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.In embodiments, the methods and systems described in this application involving expert systems or self-organizing capabilities may use a Committee of Machines ("CoM") comprising a collection of different neural networks that "vote" together on a given example. . Because neural networks may suffer from local minima starting with the same architecture and training, using randomly different initial weights often gives different results. CoM tends to stabilize results.
실시예에서, 전문가 시스템 또는 자가-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.In embodiments, the methods and systems described in this application involving expert systems or self-organizing capabilities may involve, for example, extensions of machine committees combining multiple feedforward neural networks and k-nearest neighbor techniques. A neural network (“ASNN”) can be used. This allows using the correlation between ensemble responses as a measure of distance among the analyzed cases for kNN. This corrects for bias in the neural network ensemble. An associative neural network can have a memory that can match the training set. When new data becomes available, the network immediately improves its prediction ability and provides data approximation without retraining (self-learning). Another important feature of ASNN is the possibility to interpret neural network results by analysis of correlations between data instances in the space of the model.
실시예에서, 전문가 시스템 또는 자가-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.In embodiments, the methods and systems described in this application involving expert systems or self-organizing capabilities may use an Instantaneous Training Neural Network (“ITNN”), where the weights of the hidden and output layers are mapped directly from training vector data. do.
실시예에서, 전문가 시스템 또는 자가-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.In embodiments, the methods and systems described in this application involving expert systems or self-organizing capabilities may use spiking neural networks that can explicitly take into account the timing of inputs. Network inputs and outputs can be represented as a series of spikes (such as delta functions or more complex shapes). SNNs can process information in the time domain (for example, signals that change over time, such as signals accompanying the dynamic behavior of industrial machinery). These are often implemented as circular networks.
실시예에서, 전문가 시스템 또는 자가-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.In embodiments, the methods and systems described in this application involving expert systems or self-organizing capabilities may use dynamic neural networks that address nonlinear multivariate behavior and include learning of time-dependent behavior such as transients and delay effects. Transients may include the behavior of shifting industrial components, such as the variable speed of a rotating shaft or other rotating component.
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. 그런 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.In embodiments, cascade correlation may be used as an architecture and supervised learning algorithm to supplement the adjustment of weights in networks of fixed topology. Cascade-correlation can start with a minimal network, and then automatically train and add new hidden units one by one, creating a multi-layer structure. Once a new hidden unit is added to the network, its input weights can be frozen. This unit then becomes a permanent feature detector in the network, available to generate output or generate other more complex feature detectors. Cascade-correlated architectures can learn quickly, determine their own size and topology, maintain the structure they build even when the training set changes, and do not require backpropagation.
실시예에서, 전문가 시스템 또는 자가-조직화 능력을 수반하는 본 출원에 설명된 방법 및 시스템은 예컨대, 인공 신경망의 본체에 퍼지 추론 시스템을 수반하는 신경-퍼지 네트워크를 사용할 수 있다. 유형에 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.In embodiments, the methods and systems described in this application involving expert systems or self-organizing capabilities may use, for example, neuro-fuzzy networks involving a fuzzy inference system on the body of an artificial neural network. Depending on the type, multiple layers can simulate the processes involved in fuzzy inference, such as fuzzification, inference, aggregation, and defuzzification. We embed the fuzzy system in the general structure of a neural network, exploiting the use of available training methods to find the parameters of the fuzzy system.
실시예에서, 전문가 시스템 또는 자가-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 유형의 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.In embodiments, the methods and systems described in this application involving expert systems or self-organizing capabilities may be comprised of a set of activation functions and how they are applied and how they are applied and configured pattern generation networks, such as variants of Associative Neural Networks (“ANNs”). "CPPN") can be used. Typical ANNs often contain only sigmoid functions (and sometimes Gaussian functions), but CPPNs can contain both types of functions, and so on. Additionally, CPPN can be applied over the entire space of possible inputs, so they can represent a complete image. Because they are compositions of functions, CPPN encodes images at virtually infinite resolution and can be sampled for a particular display at the optimal resolution.
이러한 유형의 네트워크는 재훈련 없이 새로운 패턴을 추가할 수 있다. 실시예에서, 전문가 시스템 또는 자가-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.This type of network can add new patterns without retraining. In embodiments, the methods and systems described herein involving expert systems or self-organizing capabilities create a specific memory structure that assigns each new pattern to an orthogonal plane, e.g., using adjacently connected hierarchical arrays. By doing so, a one-shot associative memory network can be used.
실시예에서, 전문가 시스템 또는 자가-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.In embodiments, the methods and systems described in this application involving expert systems or self-organizing capabilities may use hierarchical temporal memory (“HTM”) neural networks, e.g., involving the structural and algorithmic properties of the neocortex. there is. HTM can use a biomimetic model based on memory prediction theory. HTM can be used to discover and infer high-level causes of observed input patterns and sequences.
실시예에서, 전문가 시스템 또는 자가-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 어텐션(attention)을 갖는 패턴 인식에 효과적이다.In embodiments, the methods and systems described in this application involving expert systems or self-organization capabilities include holographic associative memory (“HAM”) neural networks, which may include analog, correlation-based, associative, stimulus-response systems. You can use it. Information can be mapped to complex phase orientations. Memory is effective for associative memory tasks, generalization, and pattern recognition with mutable attention.
지능형 시스템(INTELLIGENCE SYSTEM)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 유형의 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.104 illustrates an example intelligent services system 8800 (also referred to as “intelligent services”) in accordance with some embodiments of the present disclosure. In an embodiment,
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.In an embodiment,
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.In an embodiment,
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.It should be further noted that in some scenarios, the
실시예에서, 지능 태스크는 요청에 응답하기 위해 특정 유형의 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.In embodiments, an intelligence task may require certain types of data to respond to the request. For example, a machine vision task is to classify objects that appear in one or more images (and potentially other data) in an image or set of images (position of the item, presence of a face, symbols or commands, expressions, parameters of motion, It requires determining features within a set of images (such as changes in state, etc.). In other examples, NLP tasks require audio of dialogue and/or text data (and potentially other data) to determine meaning or other elements of the dialogue and/or text. In another example, an AI-based control task (e.g., decisions about a robot's movement) may require environmental data (e.g., maps, coordinates, images of known obstacles) to make decisions about how to control the robot's motion. etc.) and/or motion planning may be required. In a platform-level example, analytics-based reporting tasks may require data from multiple different databases to generate reports. Accordingly, in embodiments, tasks that may be performed by
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.In an embodiment,
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 유형의 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.In embodiments, machine learning models may perform various types of classification based on input data. Classification is a predictive modeling problem in which class labels are predicted for given examples of input data. For example, machine learning models can perform binary classification, multi-class, or multi-label classification. In an embodiment, a machine learning model may output “confidence scores” that indicate the respective confidence levels associated with the classification of the input into each class. In embodiments, confidence scores may be compared to one or more thresholds to render discrete category predictions. In an embodiment, only a certain number of classes (e.g., one) with the relatively largest confidence score may be selected to render a discrete category prediction.
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 대한 확률 분포는 1로 합산될 수 있다. 실시예에서, 소프트맥스 함수, 또는 다른 유형의 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.In embodiments, a machine learning model may output a probabilistic classification. For example, a machine learning model can predict a probability distribution over a set of classes, given sample input. Therefore, rather than outputting only the most likely class to which the sample input should belong, the machine learning model can output, for each class, the probability that the sample input belongs to that class. In an embodiment, the probability distribution for all possible classes may sum to 1. In embodiments, a softmax function, or other type of function or hierarchy, may be used to convert a set of real values each associated with a possible class into a set of real values in the range (0, 1) that sums to 1. In embodiments, the probabilities provided by the probability distribution may be compared to one or more thresholds to render discrete category predictions. In embodiments, only a certain number of classes (e.g., one) with the relatively greatest prediction probability may be selected to render discrete category predictions.
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.In embodiments, a machine learning model may perform regression to provide output data in the form of continuous numeric values. By way of example, a machine learning model may perform linear regression, polynomial regression, or non-linear regression. As described, in embodiments, the softmax function or other function or layer squashes the set of real values each associated with two or more possible classes into a set of real values in the range (0, 1) that sums to 1. can be used to For example, machine learning models can perform linear regression, polynomial regression, or nonlinear regression. As an example, a machine learning model may perform simple regression or multiple regression. As described above, in some implementations, the softmax function or other functions or hierarchies convert a set of real values, each associated with two or more possible classes, into a set of real values in the range (0, 1) whose sum is 1. Can be used for quashing.
실시예에서, 기계 학습 모델은 다양한 유형의 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.In embodiments, machine learning models may perform various types of clustering. For example, a machine learning model may identify one or more previously defined clusters to which the input data is most likely to correspond. In some implementations where the machine learning model performs clustering, the machine learning model may be trained using unsupervised learning techniques.
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.In embodiments, a machine learning model may perform anomaly detection or outlier detection. For example, a machine learning model may identify input data that does not conform to expected patterns or other characteristics (e.g., as previously observed from previous input data). For example, anomaly detection may be used to detect fraudulent transactions or detect system failures.
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.In some implementations, a machine learning model may provide output data in the form of one or more recommendations. For example, machine learning models may be included in a recommendation system or engine. For example, given input data that describes previous outcomes (e.g., scores, rankings, or grades representing amounts of success or enjoyment) for a particular entity, a machine learning model can, based on the prior outcomes, produce the desired outcome. It may output suggestions or recommendations of one or more additional entities that are expected to have .
위에서 설명된 바와 같이, 기계 학습 모델은 다양한 상이한 유형의 기계 학습 모델 중 하나 이상일 수 있거나 이를 포함할 수 있다. 이러한 상이한 유형의 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.As described above, a machine learning model may be or include one or more of a variety of different types of machine learning models. Examples of these different types of machine learning models are provided below for illustration. One or more of the example models described below may be used (e.g., combined) to provide output data in response to input data. Additional models other than the example models provided below may also be used.
일부 구현예에서, 기계 학습 모델은, 하나 이상의 분류기 모델, 예컨대, 예를 들어, 선형 분류 모델; 2차 분류 모델; 등일 수 있거나 이를 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.In some implementations, the machine learning model includes one or more classifier models, such as, for example, a linear classification model; secondary classification model; It may be or may include this. A machine learning model may include one or more regression models, such as, for example, a simple linear regression model; multiple linear regression model; Logistic regression model; stepwise regression model; Multivariate adaptive regression spline; Locally estimated scatterplot smoothing model; It may be or may include this.
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.In some examples, the machine learning model is one or more decision tree-based models, such as, for example, classification and/or regression trees; Chi-square automatic interaction detection decision tree; decision stump; conditional decision tree; It may be or may include this.
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; 자가-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-종속성 추정기; 베이지안 네트워크; 베이지안 신뢰 네트워크; 은닉 마르코프 모델; 등일 수 있거나 이를 포함할 수 있다.A machine learning model may be or include one or more kernel machines. In some implementations, a machine learning model may be or include one or more support vector machines. The machine learning model may include one or more instance-based learning models, such as, for example, a learning vector quantization model; Self-organizing map model; Locally weighted learning model; It may be or may include this. In some implementations, the machine learning model includes one or more nearest neighbor models, such as, for example, a k-nearest neighbor classification model; k-nearest neighbor regression model; It may be or may include this. The machine learning model may include, for example, one or more Bayesian models, such as a naive Bayes model; Gaussian naive Bayes model; multinomial naive Bayes model; averaged 1-dependency estimator; Bayesian network; Bayesian trust network; Hidden Markov Model; It may be or may include this.
기계 학습 모델은, 하나 이상의 클러스터링 모델, 예컨대, 예를 들어, k-평균 클러스터링 모델; k-중앙값 클러스터링 모델; 기대치 최대화 모델; 계층적 클러스터링 모델; 등을 포함할 수 있다.The machine learning model may include one or more clustering models, such as, for example, a k-means clustering model; k-median clustering model; expectation maximization model; hierarchical clustering model; It may include etc.
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.In some implementations, the machine learning model can be modified using one or more dimensionality reduction techniques, such as, for example, principal component analysis; Kernel principal component analysis; Graph-based kernel principal component analysis; principal component regression; Partial least squares regression; Salmon Mapping; multidimensional scaling; projection pursuit; linear discriminant analysis; mixed discriminant analysis; second-order discriminant analysis; generalized discriminant analysis; flexible discriminant analysis; auto-encoding; etc. can be performed.
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.In some implementations, a machine learning model can be implemented using one or more reinforcement learning techniques, such as a Markov decision process; dynamic programming; Q function or Q-learning; value function approach; deep Q-network; differentiable neural computer; A3C(asynchronous advantage actor-critics); deterministic policy gradient; etc. can be performed or these can be applied.
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 유형의 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 유형 중 임의의 것을 포함할 수 있으며, 여기서 주어진 유형의 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.In embodiments,
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.Neural networks contain groups of connected nodes, which may also be referred to as neurons or perceptrons. Neural networks can be organized into one or more layers. A neural network containing multiple layers may be referred to as a “deep” network. A deep network may include an input layer, an output layer, and one or more hidden layers located between the input layer and the output layer. Nodes in a neural network can be connected or completely disconnected.
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. In embodiments, the neural network may be or include one or more feedforward neural networks. In a feedforward network, the connections between nodes do not form cycles. For example, each connection may connect a node from a previous layer to a node from a later layer.
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.In embodiments, the neural network may be or include one or more recurrent neural networks. In some cases, at least some of the nodes of a recurrent neural network may form a cycle. Recurrent neural networks can be particularly useful for processing input data that is sequential in nature. In particular, in some cases, a recurrent neural network may transfer or retain information from a previous portion of an input data sequence to a subsequent portion of the input data sequence through the use of recursive or directed recurrent node connections.
일부 예에서, 순차적 입력 데이터는 시계열 데이터(예를 들어, 센서 데이터 대 상이한 시간에서 캡처된 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 음표; (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.In some examples, sequential input data may include time series data (e.g., time or images captured at different times subject to sensor data). For example, recurrent neural networks can analyze sensor data versus time to detect or predict swipe direction, perform handwriting recognition, and more. Sequential input data includes words within sentences (e.g., for natural language processing, conversation detection or processing, etc.); notes in musical composition; sequential actions taken by the user (e.g., to detect or predict sequential application usage); sequential object states; It may include etc. In some example embodiments, the recurrent neural network may be a long short-term (LSTM) recurrent neural network; gated circulation unit; Bidirectional recurrent neural network; Continuous-time recurrent neural network; neural history compressor; echo state network; Elman Network; Jordan Network; recursive neural network; Hopfield Network; fully recurrent network; Sequence-to-sequence composition; Includes etc.
일부 예에서, 신경망은 트랜스포머 신경망과 같은 자가-어텐션에 기초한 하나 이상의 비순환 시퀀스-투-시퀀스 모델일 수 있거나 이를 포함할 수 있다. 예시적인 트랜스포머 신경망의 세부사항은 http://papers.nips.cc/paper/7181-attention-is-all-you-need.pdf에서 찾을 수 있다.In some examples, the neural network may be or include one or more acyclic sequence-to-sequence models based on self-attention, such as a transformer neural network. Details of an example transformer neural network can be found at http://papers.nips.cc/paper/7181-attention-is-all-you-need.pdf.
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 비전 문제에 특히 유용할 수 있다. 그러나, 컨볼루션 신경망은 또한 자연어 처리를 위해 적용될 수 있다.In embodiments, the neural network may be or include one or more convolutional neural networks. In some cases, a convolutional neural network may include one or more convolutional layers that perform convolutions on input data using learned filters. A filter may also be referred to as a kernel. Convolutional neural networks can be particularly useful for vision problems, such as when the input data includes images such as still images or video. However, convolutional neural networks can also be applied for natural language processing.
실시예에서, 신경망은, 예를 들어, 적대적 생성 신경망과 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.In embodiments, the neural network may be or include one or more generative networks, such as, for example, an adversarial generative neural network. Generative networks can be used to generate new data, such as new images or other content.
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.In an embodiment, the neural network may be or include autoencoders. In some cases, the goal of an autoencoder is to learn a representation (e.g., low-dimensional encoding) for a set of data, typically for the purpose of dimensionality reduction. For example, in some cases, an autoencoder may attempt to encode input data and then provide output data that reconstructs the input data from the encoding. Recently, the autoencoder concept has become more widely used to learn generative models of data. In some cases, autoencoders may involve additional losses beyond reconstructing the input data.
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.In embodiments, the neural network may be one or more other types of artificial neural networks, such as, for example, a deep Boltzmann machine; deep trust network; Stacked autoencoder; It may be or may include this. Any of the neural networks described in this application can be combined (e.g., stacked) to form more complex networks.
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 영향을 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.Figure 105 illustrates an example neural network with multiple layers.
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 패턴들의 패턴들을 검출하고, 제3 계층이 그 패턴들의 패턴들을 검출하도록 구성된다. 일부 실시예에서, 신경망(8840) 내의 노드는 바로 이전 계층 및 바로 다음 계층 내의 모든 노드에 대한 연결을 가질 수 있다. 따라서, 계층은 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 바이어스 행렬이 추가된다. 또한, 활성화 함수가 각각의 결과 값에 적용되고, 결과 값은 다음 계층에 대한 행렬에 놓인다. 따라서, 신경망 내의 노드 i로부터의 출력은 다음과 같이 표현될 수 있다:In an embodiment,
yi= f (Σxiwi+ bi)yi=f (Σxiwi+bi)
여기서, f는 활성화 함수이고, Σxiwi는 입력 행렬의 가중 합이고, bi는 바이어스 행렬(bias matrix)이다.Here, f is the activation function, Σxiwi is the weighted sum of the input matrices, and bi is the bias matrix.
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:The activation function determines the level of activity or excitation generated in a node as a result of an input signal of a certain magnitude. The purpose of an activation function is to introduce non-linearity into the output of a neural network node, since most real-world functions are non-linear and it is desirable for neurons to be able to learn such non-linear representations. Several activation functions can be used in artificial neural networks. One example activation function is the sigmoid function σ(x), which is a continuous sigmoid monotonically increasing function that asymptotically approaches a fixed value as the input approaches plus or minus infinity. The sigmoid function σ(x) takes a real-valued input and converts it to a value between 0 and 1:
σ(x)=1/(1+exp(-x)).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:Another example activation function is the tanh function, which takes a real-valued input and converts it to a value in the range [-1, 1]:
tanh(x)=2σ(2x)- 1tanh(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):A third example activation function is a rectified linear unit (ReLU) function. The ReLU function takes a real-valued input and thresholds it above 0 (i.e. replaces negative values with 0):
f(x)=max(0, x).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, 정현파, sinc, 가우시안, 소프트맥스, 맥스아웃, 및/또는 활성화 함수의 조합을 포함하는(그러나 이에 제한되지 않음) 다양한 활성화 함수를 이용할 수 있다는 것이 명백할 것이다.Activation functions are provided by way of example, and in various embodiments, the
도 105에 도시된 예에서, 입력 계층 내의 노드(8842, 8844, 8846, 8848 및 8850)는 입력 데이터 세트에 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:In the example shown in Figure 105,
Y8852=f(x1w1+x2w2+x3w3+x4w4+x5w5 +b8852).Y 8852 =f(x1w1+x2w2+x3w3+x4w4+x5w5 +b 8852 ).
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:The outputs from
Y8858= f(y8852v1+y8854v2+y8856v3+b8858);Y 8858 = f(y 8852 v1+y 8854 v2+y 8856 v3+b 8858 );
여기서, Y8858은 신경망(8840)의 출력이다.Here, Y 8858 is the output of the
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 데이터 세트에서의 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.As mentioned, connections between nodes within a neural network have weights associated with them, which determine how much relative influence the input value has on the output value of that node. Before the network is trained, random values are chosen for each weight. Weights are adjusted during the training process, and this adjustment of weights to determine the best set of weights that maximizes the accuracy of the neural network is referred to as training. For every input in the training data set, the output of the artificial neural network can be observed and compared to the expected output, and the error between the expected and observed outputs can be propagated back to the previous layer. The weights can be adjusted accordingly based on the error. This process is repeated until the output error is below a predetermined threshold.
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 기법일 수 있다. 예를 들어, 훈련 입력 데이터를 사용하여 결정된 순방향 전파의 결과(예를 들어, 출력 활성화 값(들))는 대응하는 알려진 기준 출력 데이터와 비교되어 손실 함수 구배를 계산한다. 그런 다음, 구배는 손실 함수를 최소화하려는 시도로 새로운 업데이트된 가중치를 결정하기 위해 최적화 방법에서 이용될 수 있다. 예를 들어, 에러를 측정하기 위해, 평균 제곱 에러는 하기 방정식을 사용하여 결정된다:In embodiments, backpropagation (e.g., backward propagation of errors) is used in conjunction with optimization methods such as gradient descent to adjust weights and update neural network properties. Backpropagation can be a supervised training technique that learns from labeled training data and errors at nodes by changing the parameters of the neural network to reduce errors. For example, the results of forward propagation (e.g., output activation value(s)) determined using training input data are compared to corresponding known reference output data to calculate the loss function gradient. The gradient can then be used in an optimization method to determine new updated weights in an attempt to minimize the loss function. For example, to measure error, the mean square error is determined using the equation:
E=(타겟-출력)2 E=(target-output) 2
가중치 "w"에 대한 구배를 결정하기 위해, 가중치에 대한 에러의 편미분이 결정될 수 있으며, 여기서:To determine the gradient for weight “w”, the partial derivative of the error with respect to the weight can be determined, where:
구배=∂E/∂wGradient=∂E/∂w
가중치에 대한 에러의 편미분의 계산은 신경망의 노드 레벨을 통해 역방향으로 흐를 수 있다. 그런 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:Computation of the partial derivative of the error with respect to the weights can flow backwards through the node levels of the neural network. Then, a portion of the gradient (e.g., ratio, percentage, etc.) is subtracted from the weight to determine the updated weight. That part can be designated as the learning rate "a". Accordingly, an exemplary equation for determining the updated weights is given by the formula:
w new =w old -α∂E/∂ww 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.Choose the learning rate so that it is not too small (e.g., a rate that is too small may lead to slow convergence to the desired weights) and not too large (e.g., a rate that is too large may cause the weights to not converge to the desired weights). It has to be.
가중치 조정 후에, 네트워크는 동일한 입력에 대해 이전보다 더 양호하게 기능하여야 하는데, 그 이유는 이제 가중치가 에러를 최소화하도록 조정되었기 때문이다.After adjusting the weights, the network should perform better than before for the same input because the weights have now been adjusted to minimize errors.
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 유형의 패턴 인식에 사용될 수 있다.As mentioned, neural networks may include convolutional neural networks (CNNs). CNN is a specialized neural network for processing data with a known grid-like topology, such as image data. Therefore, CNNs are commonly used in classification, object recognition, and computer vision applications, but they can also be used for other types of pattern recognition, such as conversation and language processing.
컨볼루션 신경망은 많은 상이한 계층에 배열된 인공 뉴런의 계층을 계층 종속성을 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 연결 계층이 뒤따른다.Convolutional neural networks learn highly nonlinear mappings by interconnecting layers of artificial neurons arranged in many different layers with activation functions that form layer dependencies. It includes one or more convolutional layers interspersed with one or more subsampling layers and non-linear layers, which are typically followed by one or more fully connected layers.
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 연결 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.106, CNN 8860 includes an input layer with input images 8862 to be classified by CNN 8860, interspersed with one or more activation or non-linear layers (e.g., ReLU), and a pooling or subsampling layer. a hidden layer, which in turn contains one or more convolutional layers, and an output layer, which typically contains one or more fully connected layers. The input image 8862 may be represented by a matrix of pixels and may have multiple channels. For example, a color image may have red, green, and blue channels, respectively representing the red, green, and blue (RGB) components of the input image. Each channel can be represented by a 2-D matrix of pixels with pixel values ranging from 0 to 255. Meanwhile, a gray scale image can have only one channel. The next section describes the processing of a single image channel using CNN 8860. It will be appreciated that multiple channels may be handled in a similar manner.
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.As shown, input image 8862 may be processed by a hidden layer that includes a set of convolutional and activation layers 8864 and 8868, respectively, followed by pooling layers 8866 and 8870.
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 특징 맵을 구성하는 출력 행렬의 단일 요소를 나타내는 최종 값을 얻을 수 있다. 특징 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 구현예에서, 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.The convolutional layer of a convolutional neural network serves as a feature extractor that can learn the input image and decompose it into hierarchical features. A convolution layer can perform a convolution operation on an input image, where a filter (also called a kernel or feature detector) can slide over the input image with a specific step size (also called a stride). For every position (or step), an element-wise multiplication between the filter matrix and the nested matrix within the input image is computed and summed to obtain a final value that represents a single element of the output matrix that makes up the feature map. A feature map refers to image data representing various features of input image data, and may have smaller dimensions compared to the input image. The activation or non-linear layers use different non-linear trigger functions for signaling distinct identifications of likely features on each hidden layer. The nonlinear layer uses a variety of specific functions to implement nonlinear triggering, including rectified linear units (ReLU), hyperbolic tangent, and absolute and sigmoid functions of hyperbolic tangent. In one implementation, ReLU activation implements the function y=max(x, 0) and keeps the input and output sizes of the layer the same. The advantage of using ReLU is that convolutional neural networks are trained many times faster. ReLU is a discontinuous, non-saturating activation function that is linear with respect to the input if the input value is greater than 0 and is 0 otherwise.
도 106에 도시된 바와 같이, 제1 컨볼루션 및 활성화 계층(8864)은 다수의 출력 행렬(또는 특징 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 특징 맵을 생성한다. 그런 다음, 특징 맵(8872)은 출력 행렬(8874)을 생성하기 위해 풀링 함수를 사용하여 특징 맵을 서브샘플링 또는 다운샘플링할 수 있는 제1 풀링 계층에 전달될 수 있다. 풀링 함수는 추출된 특징 맵의 공간 차원을 감소시키기 위해 특징 맵을 요약 통계로 대체하고, 그에 의해 네트워크에서의 파라미터 및 계산의 수를 감소시킨다. 따라서, 풀링 계층은 가장 중요한 정보를 유지하면서 특징 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.As shown in Figure 106, the first convolution and activation layer 8864 consists of a number of output matrices (or feature maps) 8872 followed by a non-linear operation (e.g., ReLU). Convolution can be performed on the input image 8862 using a filter. The number of filters used may be referred to as the depth of the convolutional layer. Accordingly, the first convolution and activation layer 8864 in the example of Figure 106 has a depth of 3 and uses 3 filters to generate 3 feature maps. Feature map 8872 can then be passed to a first pooling layer that can subsample or downsample the feature map using a pooling function to generate output matrix 8874. The pooling function replaces feature maps with summary statistics to reduce the spatial dimension of the extracted feature maps, thereby reducing the number of parameters and computations in the network. Therefore, the pooling layer reduces the dimensionality of the feature map while retaining the most important information. Pooling functions can also be used to introduce translation invariance into a neural network, such that small transformations on the input do not change the pooled output. Different pooling functions can be used in the pooling layer, including max pooling, average pooling, and 12-norm pooling.
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 특징 맵(8876)을 생성할 수 있다. 도 106에 도시된 예에서, 제2 컨볼루션 및 활성화 계층(8868)은 5의 깊이를 가질 수 있다. 그런 다음, 특징 맵(8876)은 풀링 계층(8870)에 전달될 수 있고, 여기서 특징 맵(8876)은 출력 행렬(8878)을 생성하기 위해 서브샘플링 또는 다운샘플링될 수 있다.The output matrix 8874 is then processed by a second convolution and activation layer 8868 to perform convolution and non-linear activation operations (e.g., ReLU) as described above to produce a feature map 8876. can be created. In the example shown in Figure 106, the second convolution and activation layer 8868 may have a depth of 5. Feature map 8876 can then be passed to a pooling layer 8870, where feature map 8876 can be subsampled or downsampled to generate output matrix 8878.
풀링 계층(8870)에 의해 생성된 출력 행렬(8878)은 이어서 CNN(8860)의 출력 계층의 일부를 형성하는 하나 이상의 완전 연결 계층(8880)에 의해 처리된다. 완전 연결 계층(8880)은 풀링 계층(8870)의 출력 행렬(8878)의 모든 특징 맵과의 완전 연결을 갖는다. 실시예에서, 완전 연결 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 연결 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.The output matrix 8878 produced by the pooling layer 8870 is then processed by one or more fully connected layers 8880 that form part of the output layer of the CNN 8860. The fully connected layer 8880 has full connectivity with all feature maps in the output matrix 8878 of the pooling layer 8870. In an embodiment, the fully connected layer 8880 takes the output matrix 8878 generated by the pooling layer 8870 as input in the form of a vector and outputs a feature vector containing information of the structure within the input image. A level decision can be made. In an embodiment, fully connected layer 8880 may use a softmax function to classify objects in input image 8862 into one of several categories. The softmax function can be used as an activation function in the output layer, taking a vector of real-valued scores and mapping it to a vector of values between 0 and 1, which sum to 1. In embodiments, other classifiers may be used, such as a support vector machine (SVM) classifier.
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.In embodiments, one or more normalization layers may be added to CNN 8860 to normalize the output of the convolutional filter. Regularization layers can provide whitening or lateral suppression, avoid vanishing or exploding gradients, stabilize training, and enable learning at higher rates and faster convergence. In an embodiment, a normalization layer is added after the convolution layer, but before the activation layer.
따라서, CNN(8860)은 입력 이미지(8862)에서 내재 특징 및 패턴을 학습, 향상 및 추출하기 위해 함께 적층된 컨볼루션, 활성화, 풀링, 정규화 및 완전 연결 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.Accordingly, CNN 8860 can be viewed as a multiple set of convolutional, activation, pooling, normalization, and fully connected layers stacked together to learn, enhance, and extract intrinsic features and patterns in the input image 8862. As used in this application, a layer has similar functions by mathematical or other functional means to process the received input to generate/derive an output for the next layer to one or more other components for further processing within the CNN 8860. It can refer to one or more components that operate as .
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.An initial layer of CNN 8860, such as a convolutional layer, may extract low-level features, such as edges and/or gradients, from the input image 8862. Subsequent layers can extract or detect progressively more complex features and patterns, such as the presence of curvature and texture in the image data, etc. The output of each layer can serve as an input to a subsequent layer in CNN 8860 to learn a hierarchical feature representation from data in the input image 8862. This allows convolutional neural networks to efficiently learn increasingly complex and abstract visual concepts.
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 신경망 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 신경망(Squeeze and excitation network)(전역 컨텍스트를 특징에 포함함), 및 AmobeaNet(이미지 인식을 위한 최적의 아키텍처를 검색하고 찾기 위해 진화 알고리즘을 사용함)를 포함한다.Although only two convolutional layers are shown in the example, the present disclosure is not limited to the example architecture, and the CNN (8860) architecture may have any number of layers in total, and any number for convolution, activation, and pooling. It may include a hierarchy of For example, there have been many variations and improvements over the basic CNN model described above. Some examples are Alexnet, GoogLeNet, VGGNet (stacks many layers including a narrow convolutional layer followed by a max-pooling layer), residual neural network or ResNet (uses residual blocks and skip connections to learn residual mappings), DenseNet (connects each layer of the CNN to every other layer in a feed-forward manner), Squeeze and excitation network (includes global context in features), and AmobeaNet (optimal architecture for image recognition) uses evolutionary algorithms to search and find.
컨볼루션 신경망의 훈련(TRAINING OF CONVOLUTIONAL NEURAL NETWORK)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.The training process of a convolutional neural network, such as CNN 8860, may be similar to the training process discussed in FIG. 105 with respect to
실시예에서, 모든 파라미터 및 가중치(필터에서의 가중치 및 완전 연결 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.In an embodiment, all parameters and weights (including weights in filters and weights for fully connected layers) are initially assigned (e.g., randomly assigned). Then, during training, the training image or images in which objects are detected and classified are provided as input to CNN 8860, and the CNN performs a forward propagation step. That is, the CNN 8860 applies convolution, nonlinear activation, and pooling layers to each training image to determine a classification vector (i.e., detects and classifies each training image). These classification vectors are compared to predetermined classification vectors. The error (e.g., sum of squares of differences, log loss, softmax log loss) between the CNN's classification vector and a predetermined classification vector is determined. These errors are then used to update the CNN's weights and parameters in a backpropagation process, which may use gradient descent and may include one or more iterations. The training process is repeated for each training image in the training set.
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.The training process and inference process described above may be performed on hardware, software, or a combination of hardware and software. However, training a convolutional neural network such as CNN 8860 or using a trained CNN for inference typically requires a significant amount of computational power, for example, to perform matrix multiplication or convolution. Therefore, specialized hardware circuits such as graphics processing units (GPUs), tensor processing units (TPUs), neural network processing units (NPUs), FPGAs, ASICs, or other highly parallel processing circuits may be used for training and/or inference. there is. Training and inference can be performed in the cloud, in a data center, or on the device.
영역 기반 CNN(REGION BASED CNN)(RCNN) 및 객체 검출(AND OBJECT DETECTION)REGION BASED CNN (RCNN) 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 일원화한 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 단 대 단 훈련가능 프레임워크에 통합한다. 마스크 R-CNN은 인스턴스 세그먼트화를 추가하는 반면, 메시 R-CNN은 2D 이미지로부터 3D 메시를 생성하는 능력을 추가한다.In embodiments, an object detection model extends the functionality of a CNN-based image classification neural network model by not only classifying an object but also determining its location in the image in terms of its bounding box. Region-based CNN (R-CNN) method is used to extract regions of interest (ROI), where each ROI is a rectangle that can represent the boundaries of objects within the image. Conceptually, R-CNN operates in two steps. In the first step, the region proposal method generates all potential bounding box candidates in the image. In the second stage, for all proposals, a CNN classifier is applied to distinguish objects. Alternatively, a fast R-CNN architecture can be used that integrates feature extractors and classifiers into a unified network. Other faster R-CNNs can be used, which integrate Region Proposal Network (RPN) and fast R-CNN into an end-to-end trainable framework. Mask R-CNN adds instance segmentation, while Mesh R-CNN adds the ability to generate 3D meshes from 2D images.
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.In embodiments,
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 분석 정보는 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.In embodiments,
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 유형의 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.In embodiments,
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.In embodiments,
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 캡처된) 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.In embodiments,
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 커맨드를 인에이블 할 수 있다. 실시예에서, NLP 모듈(8824)은 (예를 들어, 마이크로폰으로부터) 오디오 스트림을 수신하고, 오디오 스트림에 대해 음성-텍스트 변환을 수행하여 오디오 스트림의 필사를 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 필사)를 처리할 수 있다. 실시예에서, NLP 모듈(8824)은 NLP의 결과에 기초하여 오디오 스트림에서 말한 액션 또는 커맨드를 결정할 수 있다. 실시예에서, NLP 모듈(8824)은 NLP의 결과를 지능 서비스 클라이언트(8836)에 출력할 수 있다.In embodiments,
실시예에서, NLP 모듈(8824)은 인간 사용자와 통신할 뿐만 아니라 하나 이상의 태스크를 수행하기 위해 인간 사용자에 의해 제공되는 하나 이상의 대화 음성 명령을 파싱하는 능력을 지능 서비스 클라이언트(8836)에 제공한다. NLP 모듈(8824)은 음성 명령을 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.In an embodiment,
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.In an embodiment, the
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.107 illustrates an example
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.The
신경망의 추가적인 예는 본 개시의 다른 곳에서 찾을 수 있다(예를 들어, 도 78 내지 도 103).Additional examples of neural networks can be found elsewhere in this disclosure (e.g., Figures 78-103).
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.Referring back to FIG. 104 , in embodiments, the
실시예에서, 인공 지능 모듈(8804)은 지능 서비스 클라이언트(8836)에 의해 발행되는 요청의 유형을 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.In an embodiment, the
실시예에서, 지능 서비스 제어기(8802)는 지능 서비스 클라이언트(8836)에 의해 발행되는 요청의 유형을 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 유형 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.In an embodiment, the
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 유형, 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 유형의 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 유형, 특정 표준이 적용되는 재료 또는 제품 등일 수 있다.In some embodiments,
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.In some embodiments, the
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 유형의 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), 위해 분석(hazard analysis) 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.In some embodiments,
일부 실시예에서, 분석 관리 모듈(8806)은 지능 서비스 클라이언트(8836)에 의해 요청된 결정의 유형에 기초하여 어느 유형의 분석을 수행할지를 결정하도록 구성된다. 이러한 실시예 중 일부에서, 분석 관리 모듈(8806)은 요청된 결정 유형에 기초하여 분석 모듈(8808)의 세트를 식별하는 인덱스 또는 다른 적합한 메커니즘을 포함할 수 있다. 이러한 실시예에서, 분석 관리 모듈(8806)은 결정 유형을 수신할 수 있고, 결정 유형에 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 유형의 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 분석한 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.In some embodiments,
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.Note here that, in some embodiments, one or
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.As mentioned, the above-described framework of
최적 정책을 결정하기 위한 강화 학습(REINFORCEMENT LEARNING TO DETERMINE OPTIMAL POLICY)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.Reinforcement learning (RL: reinforcement learning) is a machine learning technology in which an agent repeatedly learns the optimal policy through interaction with the environment. In RL, the agent must discover the correct action by trial and error to maximize some notion of long-term reward. Specifically, in a system using RL, there are two entities: (1) the environment and (2) the agent. An agent is a computer program component that connects to the environment so that it can sense the state of the environment as well as perform actions on the environment. At each step of interaction, the agent senses the current state s of the environment and selects an action a to take. An action changes the state of the environment, and the value of this state transition is communicated to the agent by a reward signal r, where the magnitude of r indicates the desirability of the action. Over time, the agent builds a policy π that specifies the action the agent will take for each state of the environment.
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.Formally, in reinforcement learning, a discrete set S of environmental states; A discrete set of agent actions; and there is a set R of scalar enhancement signals. After learning, the system generates a policy π that defines the value of taking action aεA in state sεS. The policy defines Qπ(s, a) as the expected return value starting from s, taking action a, and following policy π.
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.Reinforcement learning agents are trained on a policy through repeated exposure to various states, allow the agent to select actions according to the policy, and provide rewards based on a function designed to reward desirable behavior. Based on the reward feedback, the system can “learn” the policy and is trained to produce desirable actions. For example, for a navigation policy, an RL agent iteratively evaluates its state (e.g., location, distance from the target object), selects an action (e.g., uses a motor to move toward the target object), and an action may be evaluated using a reward signal that provides an indication of the success of the action (e.g., a reward of +10 if the movement reduces the distance between the mobile system and the target object, and -10 reward for increasing this distance). Similarly, the RL agent repeatedly acquires an image of the target object to be grasped, attempts to grasp the object, evaluates the attempt, and then evaluates the attempts of the preceding iteration(s) to assist in deciding the next attempt. It can be trained on a phage policy by executing subsequent iterations using
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.There can be several approaches to train RL agents in policy. Imitation learning is a core approach where agents learn from state/action pairs, where the actions are those selected by an expert (e.g., a human) in response to the observed state. Imitation learning not only solves sample inefficiency or computability problems, but also makes the training process safer. A RL agent can derive multiple examples of state/action pairs by observing a human (e.g., navigating toward and grasping a target object) and uses these as a basis for training policies. Behavior replication (BC), which focuses on learning experts' policies using supervised learning, is an example of an imitation learning approach.
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.Value-based learning approaches aim to find a policy containing a sequence of actions that maximizes the expected value of future rewards (or minimizes the expected cost). The RL agent can learn the value/cost function and then derive a policy for it. Two different expected values are often mentioned: state value (V(s)) and action value (Q(s,a)), respectively. The state value function V(s) represents the value associated with the agent in each state, while the action value function Q(s,a) represents the value associated with the agent in state s and performing action a. Value-based learning approaches work by approximating the optimal value (V * or Q * ) and then deriving the optimal policy. For example, the optimal value function Q * (s, a) can be identified by finding the sequence of actions that maximizes the state-action value function Q(s, a). The optimal policy for each state can be derived by identifying the highest action that can be taken from each state.
π*(s)=argmax Q*(s,a)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:The Bellman optimality equation can be applied to iteratively compute the value function as the actions in the sequence are executed and the mobile system transitions from one state to another. The optimal value function Q * (s,a) follows the Bellman optimality equation and can be expressed as:
Q*(st, at) = E [rt+1+γmax Q*(st+1 ,at+1)]Q * (s t , a t ) = E [r t+1 +γmax Q * (s t+1 ,a t+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.Policy-based learning approaches directly optimize the policy function π using suitable optimization techniques (e.g., stochastic gradient descent) to fine-tune the vector of parameters without computing the value function. Policy-based learning approaches are typically effective in high-dimensional or continuous action spaces.
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.Figure 108 illustrates an approach that is based on reinforcement learning and includes evaluation of various states, actions, and rewards in determining the optimal policy for executing one or more tasks by a mobile system.
8902에서, (예를 들어, 지능 서비스 시스템(8900)의) 강화 학습 에이전트는 환경에서 모바일 시스템에 의해 캡처된 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.At 8902, a reinforcement learning agent (e.g., of intelligent service system 8900) receives sensor information including a plurality of images captured by a mobile system in the environment. Analysis of one or more of these images may enable the agent to determine a first state associated with the mobile system at 8904. Data representing the first state includes information about the environment, such as images, sounds, temperature, or time, and information about the mobile system, including the location, speed, internal state of the mobile system (e.g., battery life, clock settings), etc. may include.
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.At 8906, 8908, and 8910, various potential actions in response to the state may be determined. Some examples of potential actions include providing control commands to actuators, motors, wheels, wing flaps, or other components that control the agent's speed, acceleration, orientation, or position; Changing the agent's internal settings, such as placing certain components into sleep mode to preserve battery life; changing direction if the agent is at risk of colliding with an obstacle object; Obtaining or transmitting data; This includes attempting to grab the target object, etc.
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.At 8912, 8914 and 8916, an expected reward may be determined for each potential action based on a reward function. For each potential action determined, an expected reward may be determined based on the reward function. Rewards may be based on desired outcomes such as avoiding obstacles, conserving power, or acquiring data. If the action produces a desired outcome (e.g., avoiding an obstacle), the reward is high; Otherwise, rewards may be low.
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.Agents can also look into the future to analyze whether there may be opportunities to realize higher rewards in the future. At 8918, 8920, and 8922, the agent may determine future states resulting from potential actions at 8906, 8908, and 8910, respectively.
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.For each of the future states predicted at 8918, 8920, and 8922, one or more future actions may be determined and evaluated. In steps 8924, 8926, and 8928, for example, a value or other indicator of expected reward associated with one or more of the future actions may be developed. The expected reward associated with one or more future actions can be evaluated by comparing the values of the reward function associated with each future action.
8930에서, 기대되는 현재 및 미래 보상의 비교에 기초하여 액션이 선택될 수 있다.At 8930, an action may be selected based on a comparison of expected current and future rewards.
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.In embodiments, a reinforcement learning agent may be pre-trained through simulation in a digital twin system. In embodiments, reinforcement agents may be pre-trained using behavior replication. In an embodiment, the reinforcement agent is a deep Q-network (DQN), a double deep Q-network (DDQN), a deep deterministic policy gradient (DDPG), a soft actor critic (SAC), and an advantage actor critic. It can be trained using a deep reinforcement learning algorithm selected from actor critic (A2C), asynchronous advantage actor critic (A3C), proximity policy optimization (PPG), and trust region policy optimization (TRPO).
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.In embodiments, a reinforcement learning agent may balance exploitation (of current knowledge) and exploration (of unknown territory) while traversing the action space. For example, an agent may follow an ε-greedy policy by taking the optimal action most of the time with probability 1-ε while randomly choosing exploration occasionally with probability ε, where ε is 0<ε. This is a parameter that satisfies <1.
특수화된 칩(SPECIALIZED CHIPS)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.109-113 provide various system functionality for use in various situations, and illustrate a plurality of specialized chips that may be utilized in systems described herein and/or that may provide functionality described herein. do. As described in more detail below, chip functionality is configurable for specific situations and to solve specific tasks. Accordingly, using the functionality of one or more of the chips, systems of systems such as those described in this application can be more easily created, configured, deployed, and reconfigured. Any of the chips may be used in the various systems described herein and by various value chain entities in ways that will be apparent from the disclosure of the capabilities of each chip.
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. 그런 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.109 illustrates physical orientation determination chips 9100, one or more of which may be used to determine data regarding one or more physical orientations as described herein. Chip 9100 may be used by any value chain entity utilizing a mobile system. In embodiments, chip(s) 9100 may use artificial intelligence (AI) and other technologies to determine the physical orientation of the mobile system. As described herein, chip(s) 9100 may receive one or
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.The physical orientation(s) determined by chip(s) 9100 may be any real reference point/frame (e.g., within the solar system, GPS coordinates, coordinates within another system, etc.) or a simulated reference point/frame (e.g., environment coordinates with a digital twin or other virtual space). In embodiments, physical orientation can be location, rotation/orientation (e.g., the direction the mobile system is facing and/or the angle at which the mobile system is rotated), and tilt (e.g., the amount the mobile system is tilted in one or more directions). , velocity, and/or acceleration, each of which can be for any real or simulated point/frame. Accordingly, output(s) 9194 may include one or more data structures representing various orientation information.
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.In embodiments, chip(s) 9100 may determine and/or output the orientation of the entire mobile system. Additionally or alternatively, chip(s) 9100 may determine and/or output the orientation of one or more components (e.g., rims, wheels, mechanisms, attachments, or other components) of the mobile system.
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.In embodiments, chip(s) 9100 may be modular component(s) that can be integrated with mobile systems in a variety of ways. As discussed above, the chip(s) may be integrated with a mobile system and/or with a system that communicates with the mobile system. To facilitate such modularity, chip(s) 9100 may be provided partially or fully within a housing (not shown) and may include electrical connectors, optical connectors, and/or wireless connectors (e.g., antennas, may receive an
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.Chip(s) 9100 may include one or more system-on-chip (SOC), integrated circuit (IC), application specific integrated circuit (ASIC) components to provide the functionality and/or any other functionality ascribed to chip 9100. It may be and/or may include the like. For example, chip 9100 may be provided as part of a SOC that also provides other functionality described in this application. Generally, the components of chip 9100 may include one or more general purpose processing chips configured using software instructions or other code and/or special purpose processing chips (e.g. For example, ASIC) may be included.
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.Multiple chip(s) 9100 may be used to perform the functions described in this application. For example, multiple chip(s) 9100 may be used to determine physical orientation data more quickly, offloading more complex calculations from one chip 9100 to another chip 9100 with a better power source. Thus, serial, parallel, and/or other processing techniques may be used to more efficiently determine physical orientation data. As another example, one chip 9100 may be used to provide physical orientation data for one component of a mobile system (e.g., left arm/leg/wheel) while the other chip 9100 may be used to provide physical orientation data for one component of a mobile system (e.g., left arm/leg/wheel) It may be used to provide physical orientation data for a second component of the system (eg, right arm/leg/wheel).
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.In an embodiment, physical input interface 9102 receives one or
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.As noted above, the output data 9194 transmitted from the physical output interface 9104 may include data indicative of position, rotation/direction, tilt, velocity, and/or acceleration as determined by the chip 9100. It may contain more than one. In embodiments, the output of chip 9100 may be transmitted by physical output interface 9104 to other chips, circuits, modules, and/or other components as described herein. Physical output interface 9104 may be connected to these components via wired or wireless connections.
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.In an embodiment, chip 9100 may include one or more of
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.Processing core(s) 9106 may be configured to perform any of the functions attributed to chip 9100, with or without assistance from
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.Accordingly, processing core(s) 9106 may perform functions in addition to those provided by
처리 코어(들)(9106)는 또한 에러 검사를 위해 및/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.Processing core(s) 9106 may also compare data output by different modules for error checking and/or to improve accuracy. For example, if
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.In embodiments, processing core(s) 9106 may generate data based on the output of different modules. For example, processing core(s) 9106 may determine a velocity vector data structure based on both the current position output by
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.In embodiments, processing core(s) 9106 may further operate to store and/or retrieve data to/from storage 9150. For example, processing core(s) 9106 may store and retrieve images in image library 9152 (e.g., for use by machine vision module 9130, as described in more detail below). may store and retrieve environmental digital twins 9154 (e.g., as created/updated by orientation module 9140, as described in more detail below), (e.g. , to store and retrieve system specification(s) 9156 (to determine information regarding components of a mobile system), and/or to implement various functions described in this application, intelligence module(s) 9158 ) can be saved and searched. In an embodiment, the processing core(s) may use intelligence modules 9158 (which may include one or more of the
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 캡처 회로(9112)는 입력(9192)으로부터 위치 신호 데이터를 수신하고, 위치 신호로부터 데이터를 캡처하기 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 캡처 회로(9112)는 저장소로부터 및/또는 환경 디지털 트윈 회로(9142)로부터 환경 디지털 트윈(9154)을 검색할 수 있다. 그런 다음, 위치 결정 회로(9114)는 캡처된 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. 그런 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 캡처 회로(9122)는 가속도계, 자이로스코프 등과 같은 모션 센서로부터 데이터 신호를 수신하고, 상대 운동 데이터를 캡처하기 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 캡처 회로(9122)는 저장소로부터 및/또는 환경 디지털 트윈 회로(9142)로부터 환경 디지털 트윈(9154)을 검색할 수 있다. 그런 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. 그런 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 캡처 회로(9132)는 입력(9192)으로부터 비전 관련 신호를 수신하고, 이미지 또는 다른 비전 데이터를 캡처하기 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. 그런 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.In embodiments, machine vision module 9130 may receive images, video, or other vision-related signals (e.g., LIDAR data) and process the data to detect and/or classify objects. Image sensor capture circuitry 9132 receives vision-related signals from
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.Object classification circuitry 9136 may recognize or otherwise classify objects that appear in images or other vision data. In some embodiments (not shown), object detection circuitry 9134 and object classification circuitry 9136 may be the same circuit. For example, the machine vision module 9130 can detect and recognize/classify objects in image/vision data using deep learning technology. In some embodiments, as shown, machine vision module 9130 may use separate circuitry and different technologies (e.g., different machine learned models) to detect and classify objects.
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.In some embodiments, machine vision module 9130 may utilize image data stored in image library 9152. For example, machine vision module 9130 and/or processing core(s) 9106 may cause object detection circuitry 9134 and/or object classification circuitry 9136 to be based on training data stored in image library 9152. Thus, it can be trained to recognize/classify objects. Examples of image/object classification are described in greater detail throughout this disclosure. In some embodiments, the trained model may be stored as intelligence module 9158. Thus, for example, chip 9100 may be configured to operate in a particular environment by storing images of objects in an image library 9152 for training purposes, and/or by storing customized intelligence modules 9158 trained for that particular environment. Can be configured to recognize objects.
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.In embodiments, orientation module 9140 may receive various data from
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.Position determination circuitry 9144 may use a variety of techniques to determine position. For example, the location determination circuitry may compare the environmental digital twin generated by the environmental digital twin circuitry 9142 to a prestored environmental digital twin 9154 (e.g., environmental digital twin 9154) to determine the location of the mobile system. If the twin circuit 9142 detects multiple stationary objects near the mobile system, and the same object is located in a particular room in the pre-stored environmental digital twin 9154, then the positioning circuit 9144 determines whether the mobile system is located in the particular room. You can decide where it is located). In some embodiments, positioning circuitry 9144 may include location data obtained from a location module, relative motion data obtained from a relative motion module, and an object obtained from a machine vision module to accurately determine the current location of the mobile system within a particular environment. The detection and classification data, the environmental digital twin generated by environmental digital twin circuitry 9142, and/or any pre-stored environmental digital twin 9154 may be reconciled. Accordingly, position determination circuitry 9144 may utilize any of the
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.In embodiments, attitude determination circuitry 9146 may determine attitude information based on data associated with a wheel, rim, mechanism, attachment, or other component of the mobile system. For example, based on position and/or relative motion data associated with the various components, pose determination circuitry 9146 may determine whether the mobile system is currently sitting, standing, falling, moving forward, or moving backward. You can decide things like that. Attitude determination circuitry 9146 may compare position and/or relative motion data associated with various components to data within one or more system specifications 9156 to determine current posture information. Accordingly, chip 9100 may be configured to operate with a particular mobile system by storing system specifications 9156 for that mobile system in storage 9150.
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.In embodiments, orientation circuitry 9148 may be used to generate orientation data for transmission as output 9194 or as part of various data generated by other circuits and/or modules and/or received via input interface 9102. Everything can be handled. For example, orientation circuitry 9148 may format data, place it into various data structures, manipulate data, check data for errors, and perform other such functions prior to transmission as output 9194. .
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 유형 등), 각각의 네트워크 각각에 관련된 과거 데이터(예를 들어, 과거 데이터 흐름, 이력 대역폭 메트릭, 이력 처리량 메트릭, 이력 에러 레이트, 이력 트래픽 유형 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.110 illustrates network enhancement chips 9200, one or more of which may be used to enhance the operation and/or performance of communications network(s) as described herein. Chip 9200 may be used by any value chain entity utilizing a communications network. In embodiments, chip(s) 9200 may use artificial intelligence (AI) and other technologies to analyze, predict, optimize, and reconfigure communication network(s). In some of these embodiments, network enhancement chip 9200 utilizes a network digital twin to analyze, predict, optimize, and reconfigure the network (e.g., create, access, update, process, render, and/or otherwise use) can be used. A network digital twin can provide a virtual representation of the physical communication network(s) that a network device can access and the current state of that network(s) and/or the network device, as described in more detail below. For example, a network digital twin is an available communication network for a device or set of devices (e.g., LAN network, WIFI network, cellular network (e.g., 4G, 5G, etc.), satellite network, Bluetooth network, RFID a set of devices (networks, etc.), a device or each network to which each device is or has been connected in the past, real-time data associated with each of each network (e.g., current data flow, current bandwidth metrics, current throughput metrics, current error rate) , current traffic type, etc.), historical data related to each network (e.g., historical data flow, historical bandwidth metric, historical throughput metric, historical error rate, historical traffic type, etc.). In an embodiment, network enhancement chip 9200 may, for example, predict which configuration of the network may optimize certain network characteristics and then reconfigure host devices and/or other devices on the network accordingly (e.g. For example, you can switch protocols, switch networks, configure schedules for transmission of data, configure data priorities, configure compression of specific data, configure reformatting of specific data, and Such information may be used to optimize the network (configure upsampling and/or downsampling, configure dropping, buffering, or scheduling of specific data, etc.).
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.As described herein, chip(s) 9200 receives one or
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.In embodiments, network enhancement chip 9200 generates network-specific data by analyzing one or more connected communication network(s) and can be used to generate network-specific data from other components of the host device, from other network devices, and/or from other network enhancement chip(s). Configured to receive network specific data from 9200. Network enhancement chips may use (e.g., analyze or otherwise leverage) network-specific data to update information about the communications network (e.g., update the network digital twin) and predict future conditions of the network. there is.
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.In embodiments, network enhancement chip 9200 may analyze network traffic data at various levels of granularity. For example, a network enhancement chip may analyze traffic flows and/or individual data messages (e.g., packets) based on message headers and/or message payloads. Additionally or alternatively, network enhancement chip 9200 may receive messages from other network enhancement chip(s) 9200 and/or network devices. These messages may provide device information that can be used by network enhancement chip 9200 to create and/or update a network digital twin.
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.In an embodiment, network enhancement chip 9200 determines network-specific data (e.g., data indicative of the quality/reliability of one or more network links) and determines future network conditions (e.g., data indicative of the quality/reliability of one or more network links) You can analyze the physical properties of network signals, such as signal strength, packet error rate, retransmission, etc. Network enhancement chip 9200 may use this information to create and/or update a network digital twin.
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 유형 또는 구성, 네트워크 상의 메시지, 및/또는 네트워크 상의 디바이스, 및 이러한 최적화의 예측된 효과를 결정할 수 있다.In embodiments, network enhancement chip 9200 may be configured to determine the current state of the network, the past state of the network, or the future predicted state of the network (e.g., historical network data metrics, predicted network demand), as described in more detail below. , one or more AI-enhanced technologies may be used to determine optimization for the network based on the network (represented by the network digital twin, etc.). Accordingly, network enhancement chip 9200 may determine optimizations for traffic flows in the network, specific types or configurations of data carried on the network, messages on the network, and/or devices on the network, and expected effects of such optimizations. .
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.Network enhancement chip 9200 may then initiate and/or perform network optimization. For example, network enhancement chip 9200 may reconfigure a network or segment (e.g., by performing traffic shaping or otherwise modifying data flows or other data received as input 9292) and/or other devices. may be configured to instruct the network or segment to reconfigure the network or segment.
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.Network enhancement chip 9200 may initiate reconfiguration of the network, traffic flow on the network, data transmitted over the network, devices on the network, etc., as described in more detail below. In embodiments, network enhancement chip 9200 may instruct one or more network devices to perform one or more reconfiguration functions to cause optimization in the network. Additionally or alternatively, network enhancement chip 9200 may be used to reroute flows (e.g., switching from one network to another and/or switching routing paths on a network), formatting flows, and/or reconfigure the network by changing protocols, or otherwise modifying flows.
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.In embodiments, network enhancement chip 9200 may reconstruct data transmitted over a network by processing the data according to one or more optimizations. For example, network enhancement chip 9200 is configured to compress or decompress data, reformat data, resample data, bundle data, schedule data transmission of bundled data, etc. It can be.
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.In embodiments, chip(s) 9200 may be modular component(s) that can be integrated with one or more networks (e.g., as a stand-alone device) and/or network device(s) in a variety of ways. For example, multiple network devices may each include a network enhancement chip 9200 that may communicate with each other to exchange information, determine optimization, and/or configure the network at various points in the network. To facilitate modularity, chip(s) 9200 may be provided partially or completely within a housing (not shown) and may be provided with electrical connectors, optical connectors, and/or wireless connectors (e.g., antenna, inductive coil, etc.) may receive an
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.Chip(s) 9200 may include one or more system-on-chip (SOC), integrated circuit (IC), application specific integrated circuit (ASIC) components to provide the functionality and/or any other functionality ascribed to chip 9200. It may be and/or may include the like. For example, chip 9200 may be provided as part of a SOC that also provides other functionality described in this application. Generally, the components of chip 9200 may include one or more general-purpose processing chips configured using software instructions or other code and/or special-purpose processing chips (e.g., For example, ASIC) may be included.
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.Multiple chip(s) 9200 may be used to perform the functions described in this application. For example, multiple chip(s) 9200 may be used to perform analysis, optimization, and/or configuration functions more quickly, or to transfer more complex calculations from one chip 9200 to another chip with a better power source. Serial, parallel, and/or other processing techniques may be used, such as offloading to 9200 to perform such functions more efficiently. As another example, one chip 9200 may be used to provide network enhancement functionality for one portion of a network (e.g., a specific area covered by a wireless network) while another chip 9200 may be used to provide network enhancement functionality for a portion of the network (e.g., a specific area covered by a wireless network). may be used to provide network enhancement functionality for a second portion of a network (e.g., a different area covered by the same wireless network).
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.In an embodiment, physical input interface 9202 receives one or
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.As noted above, output data 9294 transmitted from physical output interface 9204 may be used to store network traffic, host devices, including network enhancement chips (e.g., for use by other network enhancement chips 9200). and/or instructions for optimizing or otherwise configuring the network (e.g., to be transmitted to other network devices and/or network enhancement chip(s) 9200). In embodiments, the output of chip 9200 may be transmitted by physical output interface 9204 over any of the physical network(s) connected to the host device.
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.In an embodiment, chip 9200 may include one or more of
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.Processing core(s) 9206 may be configured to perform any of the functions attributed to chip 9200, with or without assistance from
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.Accordingly, processing core(s) 9206 may perform functions in addition to those provided by
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.In embodiments, processing core(s) 9206 may further operate to store and/or retrieve data to/from storage 9250. For example, processing core(s) 9206 may store and retrieve protocols in protocol library 9252 (e.g., for use by various modules, as described in more detail below); store and retrieve network digital twins 9254 (e.g., as created/updated or otherwise utilized by various modules, as described in more detail below); store and retrieve system specification(s) 9256 (to determine information about network devices), and/or store intelligence module(s) 9258 to implement various functions described herein. and searchable. In an embodiment, the processing core(s) may use intelligence modules 9258 (which may include one or more of the
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 유형, 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.In embodiments,
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.In embodiments, data analysis circuitry 9214 may determine additional network information based on data in the analyzed signal. For example, data analysis circuitry 9214 may determine whether the data for a particular traffic flow is encrypted, compressed, has a particular format, and is associated with a particular priority level (e.g., a priority level associated with the contracted data rate). You can analyze whether it works, etc. Data analysis circuitry 9214 may add such information to one or more corresponding network digital twins, each of which may represent a specific communications network carrying the data, one or more devices on the network, one or more data configurations for the network, and one or more data configurations for the network. You can specify one or more rate schedules, etc. In embodiments, data analysis circuitry 9214 may be application-specific, which may indicate a particular application and/or one or more attributes (e.g., whether the data is payment data, customer data, whether the data is associated with a particular project, etc.). Data can be analyzed. In this embodiment, data analysis circuitry 9214 may add this information to the network digital twin. Additionally or alternatively, data analysis circuitry 9214 may analyze the received message to detect information regarding the network device. For example, data analysis circuitry 9214 may analyze data included in the data message (e.g., MAC address or other identifier) to identify the specific manufacturer, model, or identity of the network device. In these cases, data analysis circuitry 9214 may then retrieve additional information regarding the identified network device using system specifications 9256 corresponding to the identified device. Additionally or alternatively, data analysis circuitry 9214 may analyze status messages indicating the current state of the network device, such as battery level, currently available bandwidth, currently available processing capacity, etc. The data analysis circuit 9214 may store information about various network devices in the network digital twin 9254 corresponding to a specific network.
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.In embodiments, network diagnostic circuitry 9216 may then determine network information based on the analyzed signals and/or data. For example, network diagnostic circuitry 9216 may determine the protocol, format, endpoint device, bandwidth, and/or throughput (e.g., current, average, minimum, and/or maximum) for each traffic flow on one or more connected networks. bandwidth/throughput), error rate, packet loss rate, flow priority, flow quality of service (QoS) metrics/requirements, flow schedule, application-specific data, etc. can be detected and recorded. As another example, network diagnostic circuitry 9216 may detect a new traffic flow and add it to a list of traffic flows for a particular network. Network diagnostic circuitry 9216 may also determine diagnostic information indicative of errors or other conditions in the network. For example, if network diagnostic circuitry 9216 detects that no traffic is being received over a particular network or from a particular device, it may detect that the corresponding network/device is not available. In embodiments, network diagnostic circuitry 9216 may perform diagnostic workflows to detect problems or other conditions on the network. For example, network diagnostic circuitry 9216 may poll network devices for status information, attempt to transmit data over one or more communication networks, send or receive test data flows to measure bandwidth, throughput, etc. , and may perform other such diagnostic functions. In embodiments, network diagnostic circuitry 9216 may use the determined network/diagnostic information to create or update one or more network digital twins 9254 corresponding to specific networks, network devices, data configurations, rate schedules, etc.
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.In embodiments, optimization module 9220 utilizes network analysis output by
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 유형의 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 유형, 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.In embodiments, data optimization circuitry 9222 may predict the effect of one or more optimizations to be applied to network data. For example, data optimization circuitry 9222 may utilize intelligence module 9258 (e.g., a trained deep learning model) and/or stored optimization parameters to optimize specific network metrics based on current network information. It may be determined that certain types of data should be rerouted (e.g., over a different network), compressed, downsampled, dropped, buffered, and/or rescheduled. Optimization parameters may be specified by one or more system specifications 9256, such that data optimization circuitry 9222 may be configured to optimize the communication network in a specified manner by storing the corresponding system specifications in storage 9250. As another example, data optimization circuitry 9222 may cause the network to improve the quality of data transmitted over the network, such as by upsampling, decompressing, providing a higher priority, or otherwise increasing the quality of data transmitted over the network. AI-assisted technology (e.g., utilizing intelligence module 9258) may be used to determine that there is sufficient capacity to increase quality. In this example, system specifications 9256 state that data optimization circuitry 9222 should optimize flows, data types, transmit/receive network devices, etc. for increased data quality generally, increased data quality for specific applications, etc. can indicate that Accordingly, data optimization circuitry 9222 may utilize AI techniques to optimize various network parameters as required by specific system specifications.
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.In embodiments, network optimization circuitry 9224 may determine one or more optimizations to apply to a network device. For example, network optimization circuitry 9224 may utilize intelligence module 9258 (e.g., a trained deep learning model) to determine, based on current network information, certain network devices to take certain actions (e.g., power Up or down, switching networks, adjusting the transmission schedule of other devices, adjusting the protocols used by other network devices, rerouting traffic from other devices, transmitting or receiving by other devices. that network performance should be improved (e.g., by performing compression or some other data modification on all traffic being generated) or optimized for some other parameter (e.g., as indicated by the system specification 9256). You can decide. Similarly, network optimization circuitry 9224 may determine that a network device should take certain actions to improve the quality of data transmitted over the network and/or perform any other optimizations.
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 유형 또는 트래픽 흐름에 대해 안전하지 않을 수 있다고 결정할 수 있고, 따라서 제안된 최적화를 오버라이드 및/또는 변경할 수 있다.In embodiments, data optimization circuitry 9222 and/or network optimization circuitry 9224 may utilize network security circuitry 9226 and/or network governance circuitry 9228 as part of determining optimization for data and/or network. You can utilize it. Network security circuitry 9226 may enforce security rule(s) that may change and/or override optimizations proposed by data optimization circuitry 9222 and/or network optimization circuitry 9224. For example, network security circuitry 9226 may be used to control network device(s), data, and/or network(s) to determine whether a proposed optimization is sufficiently or insufficiently secure, or otherwise complies with security rules. ) can be analyzed for the proposed optimization. As a specific example, network security circuitry 9226 may determine that a proposed optimization involving decryption of network traffic may be insecure for certain data types or traffic flows, and may therefore override and/or change the proposed optimization. there is.
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.In a similar manner, network governance circuit 9228 may enforce governance rules specifying specific legal requirements, business requirements, technical requirements, etc. Accordingly, network governance circuitry 9228 may change and/or override optimizations proposed by data optimization circuitry 9222 and/or network optimization circuitry 9224 such that the optimization complies with the governance rule(s). In embodiments, network security circuitry 9226 and/or network governance circuitry 9228 may utilize intelligence module 9258 to store and/or otherwise specify security and/or governance rules. In embodiments, network security circuitry 9226 and/or network governance circuitry 9228 may use intelligence module 9258 (which may include one or more of
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 캡처/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.In an embodiment, data composition module 9230 receives data traffic via
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 유형의 데이터 또는 트래픽 흐름의 보안을 증가시키기 위해) 데이터 암호화가 적용되어야 한다고 결정하는 경우 데이터에 암호화를 적용할 수 있다.The data encryption circuit 9234 may perform any necessary encryption/decryption operations on the extracted data. Data encryption circuitry 9234 may decrypt data received from another device so that the data can be analyzed and data-specific optimizations applied. For example, if the optimization module 9220 indicates that the data should be reformatted (e.g., up or downsampled, compressed/decompressed, etc.), the data must first be processed through the data encryption circuit 9234 before optimization can be applied. ) may need to be decrypted. Additionally or alternatively, data encryption circuitry 9234 may encrypt data if optimization module 9220 determines that data encryption should be applied (e.g., to increase the security of a particular type of data or traffic flow). can be applied.
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 유형의 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.Data processing circuitry 9236 may perform arbitrary processing on data to implement optimizations determined by optimization module 9220. For example, data optimization circuitry 9222 and/or network optimization circuitry 9224 may be configured to determine certain attribute(s) (e.g., a specific type of data, a specific data flow, a specific application-specific attribute, a specific data priority, When you determine that data associated with a particular data protocol (e.g., a specific data protocol, etc.) should be optimized by being processed in a particular way (e.g., by compression/decompression, upsampling or downsampling, reformatting, delay, buffering, rescheduling, etc.), , the data processing circuit may perform the corresponding processing when detecting data matching the attribute(s). Accordingly, data processing circuitry 9236 may perform data optimization on data received by network enhancement chip 9200.
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.In embodiments, network configuration module 9240 may transmit and receive signals to and from a communications network to perform certain optimizations for the network and/or network devices as determined by network optimization circuitry 9224. The network configuration module 9240 may perform network optimization in parallel or sequentially before or after the data configuration module 9230 optimizes data.
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 및/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.In an embodiment, signal processing circuitry 9242 may be configured to coordinate with other network enhancement chip(s) 9200 and/or network devices on a network (e.g., to/from and/or network enhancement chip(s) 9200 on a network. 9200) may generate and receive inbound or outbound data signals) to/from a host device. For example, network enhancement chip 9200 may send a signal to a target network device instructing the target network device to perform some action (e.g., as determined by network optimization circuitry 9224) to optimize the network. Can be sent. Additionally or alternatively, signal processing circuitry 9242 may receive instructions from other network enhancement chip(s) on the network directing network enhancement chip 9200 to perform configuration functions to optimize the network.
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.In embodiments, signal processing circuitry 9242 may modify signals transmitted to other network devices based on optimization determined by optimization module 9220. For example, signal processing circuitry 9242 detects a message being sent (e.g., by another network device) that will cause the target network device to use a first protocol, but optimization module 9220 detects a message being sent (e.g., by another network device) that will cause the target network device to use the first protocol. If it is determined that using a protocol will optimize the network, then signal processing circuitry 9242 may modify the message to indicate use of a second protocol instead. Similarly, signal processing circuitry 9242 may drop (e.g., delete without sending) or delay a message being transmitted to another device if the message contains instructions that conflict with optimizations determined by optimization module 9220. there is. Accordingly, signal processing circuitry 9242 may effect optimization by delaying or overriding various instructions transmitted and received by various network devices.
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 유형의 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.In embodiments, protocol conversion circuitry 9244 may configure the protocol of data signals transmitted over a network. As a specific example, protocol conversion circuitry 9244 may convert specific types of data or data flows from the TCP/IP protocol to the UDP/IP protocol to optimize specific network parameters. Protocol conversion circuitry 9244 may access protocol information from protocol library 9252 to configure one or more protocols. In embodiments, protocol conversion circuitry 9244 may reconfigure other protocol level attributes of signals and/or other data to be transmitted over the network. For example, protocol conversion circuitry 9244 may reconstruct the source or destination address, protocol time stamp, protocol stream identifier, and/or any other fields of the protocol header. Additionally or alternatively, protocol conversion circuitry 9244 may generate instructions for transmission to another network device that may cause the other network device to reconfigure the protocol of a data signal transmitted by that network device. Protocol switching circuitry 9244 may reconfigure the protocol of traffic on the network based on optimizations determined by optimization module 9220. Additionally or alternatively, the protocol switching circuitry 9244 may perform a switch based on the current state of the network (e.g., as indicated by the network digital twin 9254) and/or by the signal processing circuitry 9242. The protocol can be reconfigured based on processing.
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.In embodiments, network switching circuitry 9246 may reconfigure routing, scheduling, network topology, or other properties of one or more network(s) communicating with network enhancement chip 9200. For example, network transition circuitry 9246 may reconfigure a network from a mesh topology to a star topology (e.g., by instructing one or more network devices to change roles) and reconfigure the network to a star topology (e.g., by instructing one or more network devices to change roles) and routing traffic across one network instead of another (to balance bandwidth, for example); routing traffic through one router instead of another (for example, to balance the load on two routers); Scheduling the transmission of the first traffic in 1 transmission slot and the second traffic in the second transmission slot can be performed, etc. In some cases, network switching circuitry 9246 may reconfigure the routing and/or scheduling of data received by network enhancement chip 9200 (e.g., as input 9292). Additionally or alternatively, protocol switching circuitry 9244 may generate instructions for transmission to another network device that may cause the other network device to reconfigure aspects of the network. Network transition circuitry 9246 may reconfigure the network based on optimizations determined by optimization module 9220. Additionally or alternatively, the network transition circuitry 9246 may be configured to provide a signal processing circuit 9242 based on the current state of the network (e.g., as indicated by the network digital twin 9254) and/or The network can be reconstructed based on prediction/analysis.
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 유형, 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.111 illustrates diagnostic chips 9300, one or more of which may be used to perform one or more diagnostic functions as described herein. Chip 9300 may be used by any value chain entity to perform diagnostics. In embodiments, chip(s) 9300 may perform diagnostics based on data from one or more sensors, including biological sensors, chemical sensors, and/or electromechanical sensors, and analyze and recommend actions based on the diagnostics. Artificial intelligence (AI) and other technologies may be used to generate reports, including: In embodiments, diagnostic chip 9300 performs one or more specific diagnostics by receiving, storing, and utilizing corresponding specifications indicating the type of sensor input, how to process and format sensor input, how to analyze sensor input, etc. It can be configured to do so. Similarly, diagnostic chip 9300 may be configured to perform a particular diagnosis by receiving, storing, and utilizing corresponding analysis libraries and/or intelligence modules that may be used to configure and perform one or more analyses.
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.In embodiments, chip 9300 may include, without limitation, chemical sensors (e.g., hazard-specific sensors, flammability sensors, compound-specific sensors, etc.), biological sensors (e.g., bio-hazardous materials and/or hazardous level sensors, radiation sensors, etc.), electromechanical sensors (e.g. vibration sensors, stress/strain sensors, electrical resistance/current sensors, sensors that measure motion and/or position data such as inertia, velocity, acceleration, GPS, etc.) , a wide variety of sensors, including optical/imaging (e.g., optical sensors, hyperspectral sensors, intensity sensors, thermal sensors, etc.) and other environmental sensors (e.g., temperature sensors, humidity sensors, air movement sensors, etc.). Can be configured or reconfigured to receive and interpret data from. Chip 9300 may be reconfigured to receive and interpret specific sensor data based on sensor specification(s) that enable chip 9300 to receive and interpret sensor data from a corresponding sensor.
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.In embodiments, chip 9300 may be configured or reconfigured to perform organic analysis, laboratory analysis, and/or electromechanical analysis based on sensor data. For example, chip 9300 may be a lab-on-chip and/or organ-on-chip that may allow for simulating organisms, performing laboratory analyses, performing electromechanical analyses, etc. -chip) functionality may be included. Chip 9300 performs the corresponding simulation/analysis and makes predictions using corresponding AI technology (e.g., using a deep learning model trained to interpret corresponding sensor data). Receive, store, and utilize certain analysis libraries and/or intelligence modules that allow you to do things like: Using similar techniques, chip 9300 may further combine the results of various analyzes to perform one or more combined analyzes.
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.In embodiments, chip 9300 may be configured to use a governance library to control analytics, perform predictions, and/or provide recommendations. For example, a governance library can indicate whether a particular condition is acceptable and thus control whether action should be taken to resolve the condition. Chip 9300 may be configured to report the results of any analysis, including current or predicted conditions, recommended actions to address the conditions, etc.
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.In embodiments, chip(s) 9300 may be modular component(s) that can be integrated with a host system in a variety of ways. For example, the chip(s) may be integrated with a mobile host system (eg, a robot), a stationary host system, or any other host system that receives sensor input. To facilitate such modularity, chip(s) 9300 may be provided partially or completely within a housing (not shown) and may include electrical connectors, optical connectors, and/or wireless connectors (e.g., antennas, Induction coil, etc.) may receive an
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.Chip(s) 9300 may include one or more system-on-chip (SOC), integrated circuit (IC), application specific integrated circuit (ASIC) components to provide functionality and/or any other functionality ascribed to chip 9300. It may be and/or may include the like. For example, chip 9300 may be provided as part of a SOC that also provides other functionality described in this application. Generally, the components of chip 9300 may include one or more general purpose processing chips configured using software instructions or other code and/or special purpose processing chips (e.g. For example, ASIC) may be included.
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.Multiple chip(s) 9300 may be used to perform the functions described in this application. For example, multiple chip(s) 9300 may be used to perform analysis more quickly, by offloading more complex calculations from one chip 9300 to another chip 9300 with a better power source. Serial, parallel, and/or other processing techniques may be used to perform processing more efficiently. As another example, one chip 9300 may be used to provide a first analysis and a second analysis, while the other chip 9300 may be used to provide a combined analysis based on the first analysis and the second analysis. can be used
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 유형의 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.In an embodiment, physical input interface 9302 receives one or
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.Output data 9394 transmitted from physical output interface 9304 may include results of the analysis, specific conditions indicated by the analysis, predictions, other diagnostic information, and/or recommended actions to address any specific or predicted conditions. May include report(s) that indicate In embodiments, the output of chip 9300 may be transmitted by physical output interface 9304 to other chips, circuits, modules, and/or other components of a host system or other devices in communication with the host system, as described herein. can be sent. Physical output interface 9304 can connect to these components via wired or wireless connections.
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.In embodiments, chip 9300 may include one or more of sensor module 9310, analysis module 9320, and/or output module 9330. In an embodiment, sensor module 9310 may include circuitry 9312-9318 to receive sensor data received as
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.Processing core(s) 9306 may be one or more processing cores that may be configured to perform any of the functions attributed to chip 9300, with or without assistance from various modules 9310, 9320, and/or 9330. May include (s). For example, processing core(s) 9306 may utilize and/or call various modules to perform various functions described herein. Processing core(s) 9306 may include general-purpose and/or special-purpose processors. In embodiments, processing core(s) 9306 may use serial, parallel, and/or other processing techniques to achieve the functionality described herein.
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.Accordingly, processing core(s) 9306 may perform functions in addition to those provided by various modules 9310, 9320, and/or 9330. For example, processing core(s) may receive the output of one module (e.g., sensor data output by sensor module 9310) and transmit it to another module (e.g., analysis module 9320). It can be provided as input. Processing core(s) 9306 may also process the output of any of the module(s) to convert the output to a different format.
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.In embodiments, processing core(s) 9306 may further operate to store and/or retrieve data to/from storage 9350. For example, processing core(s) 9306 may store analysis configurations/data and/or data in analysis library 9352 (e.g., for use by analysis module 9320, as described in more detail below). Alternatively, governance configurations/data may be stored and retrieved in governance library 9354 and system specifications 9356 (e.g., to configure sensor module 9310, as described in more detail below). and retrieve, and/or store and retrieve intelligence module(s) 9358 to implement various functions described herein. In an embodiment, the processing core(s) may use intelligence modules 9358 (which may include one or more of the
센서 모듈(9310)은 임의의 유형의 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.Sensor module 9310 may receive and perform initial processing on sensor data from any type of sensor. In some embodiments,
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.In embodiments,
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.Analysis module 9320 receives processed sensor data from sensor module 9310 and performs various analyzes using organic analysis circuitry 9322, laboratory analysis circuitry 9324, and/or
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.Organic analysis circuit 9322, laboratory analysis circuit 9324,
실시예에서, 단일 작업흐름에 대해 상이한 유형의 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.In embodiments, multiple intelligence module(s) 9358 may be used to provide different types of diagnostics for a single workflow. In an embodiment,
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.In embodiments, output module 9330 may use results from analysis module 9320 to perform combined analysis, enforce governance rules, and/or use results from analysis module 9320 and/or combined A report containing the results of the analysis generated by the analysis circuitry 9332 may be generated/sent.
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.Combined analysis circuitry 9332 may correlate and further analyze multiple analyzes generated by analysis module 9320. For example, a first diagnostic analysis (e.g., using a first AI-assisted technology and/or a first set of sensor inputs) indicates the presence of a specific condition (e.g., a disease is present), If a second diagnostic analysis (e.g., using a second AI-assisted technology and/or a second set of sensor inputs) indicates the absence of a particular condition (e.g., a disease is absent), the combined analysis Circuitry 9332 may combine the results of the first and second diagnostic analyzes, apply weights, utilize
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 유형의 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.Governance circuit 9334 may enforce rules, override actions in an action plan, control the analysis performed by analysis circuits 9322-9328, or direct the analysis and/or output of the analysis to comply with governance rules. You can modify it in other ways. For example, a governance circuit may require that certain actions in an action plan be non-dangerous to humans, non-illegal, etc. Governance circuitry 9334 may retrieve governance rules from governance library 9354, which may store customized rules for specific applications. For example, when chip 9300 is monitoring environmental conditions at a location where a human is working, governance circuitry 9334 may search a governance library that specifies acceptable environmental conditions for humans. Governance circuit 9334 then requests specific actions when certain conditions are detected (e.g., sounding an alarm when a hazardous substance is detected) and, in the action plan, requires specific actions (e.g., placing the environment at risk or This information may be used to override actions that could otherwise be modified to be unsuitable for humans, control which type of analysis is used and/or how the analysis is performed by the various analysis circuits, etc. In contrast, when chip 9300 is configured to monitor environmental conditions in a non-human location, it may use a different set of governance rules. In some cases, governance rules may require reporting certain conditions to certain parties (e.g., reporting disease data to patients, doctors, etc.); You may request a ban on reporting. To control the operation of the analysis circuit, the governance circuit 9334 may instruct the analysis circuit to perform or not perform a particular analysis, modify how the analysis is performed, etc. , may be configured to monitor and/or be utilized by analysis circuits 9322-9328.
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.Reporting circuitry 9336 may generate a report containing the results of the analysis and/or combined analysis, as modified by any governance rules, and output the report (e.g., as output 9394). You can. Reporting circuitry 9336 may format data as required for interoperability with any module/device/system that receives output 9394. In an embodiment, reporting circuitry 9336 generates a human-readable report containing the results of the analysis (e.g., as indicated by system specification 9356 or other configuration parameters) and reports the human-readable analysis to one or more Can be transmitted to a client device.
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.112 illustrates governance chips 9400, one or more of which may be used to perform one or more governance functions as described herein. Chip 9400 may be used by any value chain entity that complies with various governance standards, including safety, security, quality, regulatory, financial, or other standards. In embodiments, chip 9400 may use artificial intelligence (AI) to perform governance functions on input data from one or more components of a host device, including governance chip 9400 and/or other devices in communication with the host device. and other techniques may be used. In embodiments, governance chip 9400 may be configured to receive and analyze data to determine situations in which governance may be applied, and may be configured to build one or more models to enforce governance, and then govern governance. Trigger actions in response to a violation, reconstruct data to avoid a governance violation, issue commands to one or more devices in communication with governance chip 9400, and/or perform governance actions using governance chip 9400 in other ways. You can use models to enforce rules, constraints, requirements, quality, or other aspects of governance by performing .
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.In embodiments, chip 9400 may be configured to receive input data containing data sets to which governance standards may be applied. Input data may include data sets that must comply with one or more safety, security, quality, regulatory, financial, or other standards for a particular domain. In embodiments, multiple governance standards may be applied to a single data set. For example, both safety and quality standards may apply to a given data set. Governance standards may apply only to sets of data based on certain conditions, such as the location or other conditions of a particular device communicating with chip 9400, the current state of a module, device, system, or network, or other such conditions.
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. Accordingly, chip 9400 may initially analyze a particular data set (e.g., a data set received as input 9492) to determine whether one or more governance standards apply, as described in more detail below. can do. Based on a determination that one or more governance standards apply, chip 9400 may then prioritize applicable standards and create and/or verify models that enforce the governance standards. A model may contain one or more flows to check whether data complies with governance standards, perform actions to ensure compliance with governance standards, take corrective action when governance violations occur, and so on. When multiple governance standards are applied, chip 9400 may create a model that reconciles any potential overlap or conflict between the multiple standards. Chip 9400 may verify the model using test data or other strategies, as described in more detail below.
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.After the model is created and/or verified, chip 9400 may use the model to enforce governance standards. Chip 9400 may use the model to enforce governance standards on one or more received data sets, including data sets that are not received until after the model has been created and validated. In embodiments, chip 9400 may continuously optimize the model over time to ensure governance compliance as conditions change, to allow review of governance enforcement, and/or to allow other devices to enforce governance enforcement. It can generate reports and other output for you to perform.
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.In embodiments, chip(s) 9400 may be modular component(s) that can be integrated with a host system in a variety of ways. For example, the chip(s) may be integrated with a mobile host system, a stationary host system, or any other host system that receives input data according to governance. To facilitate such modularity, chip(s) 9400 may be provided partially or fully within a housing (not shown) and may include electrical connectors, optical connectors, and/or wireless connectors (e.g., antennas, Induction coil, etc.) may receive an input 9492 and/or provide an output 9494. Additionally or alternatively, chip(s) 9400 may be integrated with other circuits, processors, systems, etc. on one or multiple substrates/chips.
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.Chip(s) 9400 may include one or more system-on-chip (SOC), integrated circuit (IC), application specific integrated circuit (ASIC) components to provide the functionality and/or any other functionality ascribed to chip 9400. It may be and/or may include the like. For example, chip 9400 may be provided as part of a SOC that also provides other functionality described in this application. Generally, the components of chip 9400 may include one or more general purpose processing chips configured using software instructions or other code and/or special purpose processing chips (e.g., For example, ASIC) may be included.
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.Multiple chip(s) 9400 may be used to perform the functions described in this application. For example, multiple chip(s) 9400 may be used to perform analytics and/or governance functions more quickly, or to transfer more complex computations from one chip 9400 to another chip 9400 with a better power source. Serial, parallel, and/or other processing techniques may be used to offload analytics and/or governance functions more efficiently. As another example, one chip 9400 may be used to provide a first analytics and governance function, while another chip 9400 may be used to provide a second analytics and governance function for the same data set. .
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 유형의 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.In an embodiment, physical input interface 9402 receives one or more inputs 9492 to governance chip 9400 as described herein. Input 9492 may be connected to physical input interface 9402 by other chips, circuits, modules, and/or other components of the host system, or by other devices in communication with the host system (e.g., over a communications network). can be sent. For example, input data may come from a sensor, sensor processing chip/module/circuit, antenna, storage device, network interface, or any other data source for chip(s) 9400 as described herein. You can. Physical input interface 9402 may be coupled to the source(s) of input 9492 via a wired or wireless connection. Input 9492 may include any type of data to which governance may be applied. Input 9492 may also include data that may be stored in repository 9450, such as governance rules/configurations for governance library 9452, one or more digital twins for digital twin library 9454, one or more system specification(s), ) (9456), and/or one or more intelligence module(s) (9458).
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.Output data 9494 sent from physical output interface 9404 may include report(s) indicating the status of governance functions (e.g., governance compliance and/or violations that may have occurred) (e.g., of a model validation process). (as part of it) may contain data representing the functionality of the generated model, instructions for other modules/devices/systems to enforce compliance with governance standards, etc. In embodiments, the output of chip 9400 may be transmitted by physical output interface 9404 to other chips, circuits, modules, and/or other components of a host system or other devices in communication with the host system, as described herein. can be sent. Physical output interface 9404 may be connected to these components via wired or wireless connections.
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.In embodiments, chip 9400 may include one or more of a governance analysis module 9410, a governance framework module 9420, and/or a governance output module 9430. In embodiments, governance analysis module 9410 may include circuitry 9412-9416 for receiving and processing input 9492 to determine governance applicability and format input data for application of governance. . Additionally or alternatively, chip 9400 may include a governance framework module 9420 that includes circuitry 9422, 9426 for prioritizing governance, creating governance models, and validating governance models. there is. Additionally or alternatively, chip 9400 may include a governance output module that includes
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.Processing core(s) 9406 may be one or more processing cores that may be configured to perform any of the functions attributed to chip 9400, with or without assistance from various modules 9410, 9420, and/or 9430. May include (s). For example, processing core(s) 9406 may utilize and/or call various modules to perform various functions described herein. Processing core(s) 9406 may include general-purpose and/or special-purpose processors. In embodiments, processing core(s) 9406 may use serial, parallel, and/or other processing techniques to achieve the functionality described herein.
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.Accordingly, processing core(s) 9406 may perform functions in addition to those provided by various modules 9410, 9420, and/or 9430. For example, processing core(s) may receive the output of one module (e.g., data extracted by a data set analyzed by governance analysis module 9410) and transfer it to another module (e.g., governance analysis module 9410). It may be provided as input to the framework module 9420 and/or the governance output module 9430. Processing core(s) 9406 may also process the output of any of the module(s) to convert the output to a different format.
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.In embodiments, processing core(s) 9406 may further operate to store and/or retrieve data to/from storage 9450. For example, processing core(s) 9406 may store and retrieve governance configuration/data in governance library 9452 and/or store and retrieve digital twins within digital twin library 9454 and/or , may store and retrieve system specifications 9456 and/or may store and retrieve intelligence module(s) 9458 for implementing various functions described in this application. In an embodiment, the processing core(s) may use intelligence modules 9458 (which may include one or more of the
거버넌스 분석 모듈(9410)은 입력 데이터(9492)를 수신하고 처리하여 거버넌스가 적용될 수 있는지 및 어떤 유형의 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.Governance analysis module 9410 may receive and process input data 9492 to determine whether governance can be applied and what type of governance can be applied. In embodiments, input data analysis circuitry 9412 may analyze input 9492 to detect conditions indicating that governance applies. For example, the input data may be associated with specific governance requirements (e.g., governance requirements established by the owner of the property corresponding to the location, governance requirements established by a specific state or other governmental entity corresponding to the location, etc.). Can indicate location. As another example, input data may include specific data fields, and one or more values of the data fields may indicate that governance applies. Additionally or alternatively, the input data analysis circuit may access the governance library 9452, digital twin 9454, and/or system specification 9456 to determine whether one or more governance standards apply. For example, governance library 9452 may indicate one or more conditions under which a governance standard applies, which may indicate that a particular governance standard always applies and/or provide other rules, triggers, or conditions indicating that a governance standard applies. . In an embodiment, a digital twin may indicate that input data 9492 relates to a device having a specific state within the digital twin, and the specific state may be associated with a specific set of governance standards. Similarly, system specifications 9456 may provide information about the system corresponding to the data and may indicate if/when governance is applied to the system. Accordingly, using one or more strategies that include analyzing input data 9492 and/or data within storage 9450, chip 9400 may or may not apply governance to input data received as input 9492. You can decide not to.
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 유형, 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 유형의 AI 분석을 제공하는 데 사용될 수 있다. 실시예에서, 지능 모듈(9458)은 도 104의 인공 지능 모듈(8804) 중 하나 이상을 포함할 수 있다.In embodiments, governance selection circuitry 9414 may determine which of the identified governance requirements apply. For example, one or more governance rules related to safety, security, quality, regulatory, financial, or other standards, the location or other conditions corresponding to the input data, the type of data received as input data, and the type of data received as input data. It may be applied based on various conditions as described above, such as above values, data stored in storage 9450, etc. One or more conditions, triggers, values, or other indications to which a governance requirement applies, as detected by input data analysis circuitry 9412, may each be associated with one or more governance requirements that governance selection circuitry 9414 may retrieve and select. We can respond. In some cases, governance selection circuitry 9414 may need to further analyze the data (e.g., using intelligence module 9458) to determine what governance requirements apply. For example, governance selection circuitry 9414 may process input 9492 using a neural network or other machine learning model to generate a prediction and then determine which governance requirements apply based on the prediction. . In embodiments, multiple intelligence module(s) 9458 may be used to provide various types of AI analytics for governance selections. In an embodiment, intelligence module 9458 may include one or more of
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.In embodiments, data analysis circuitry 9416 may perform data analysis to determine and/or extract data to apply governance. For example, data analysis circuitry 9416 may parse or otherwise analyze input 9492 to extract specific values to which governance applies and/or detect specific values to which governance does not apply. In embodiments, data analysis circuitry 9416 may create one or more data structures containing extracted data and format the data structures so that governance standards can be created and/or enforced using the data structures. Data analysis circuitry 9416 may access any of the data stored in repository 9450, which may specify how to detect data values subject to governance for governance requirements selected by governance selection circuitry 9414. You can.
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.Governance framework module 9420 may receive one or more selected governance requirements from governance analysis module 9410 and develop and validate a model for applying the governance requirements to the data set. In embodiments, prioritization circuitry 9422 may manage multiple and/or overlapping governance requirements by prioritizing governance requirements, resolving conflicts between governance requirements, etc. Prioritization circuitry 9422 may execute one or more prioritization rules contained in governance library 9452 (e.g., by retrieving from governance library 9452 the assigned priority associated with each governance requirement). A priority may be assigned to each of the governance requirements selected by the governance selection circuit 9414 (by using, etc.). In embodiments, prioritization circuitry 9422 may detect whether any of the selected governance requirements overlap or conflict. In some cases, governance requirements may overlap without causing conflict, for example, when a first governance requirement requires a certain minimum standard and a second governance requirement requires a higher standard. In such cases, prioritization circuit 9422 may determine that a higher standard should be used to satisfy both sets of governance requirements. In other cases, such as when governance requirements conflict, prioritization circuitry 9422 may decide to use one or the other conflicting standard based on the priority assigned to each governance requirement.
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. 그런 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.In embodiments, modeling circuitry 9424 may generate models based on prioritized governance requirements as determined by prioritization circuitry 9422. For example, if the highest priority governance requirement is a set of safety requirements, then the generated model can initially check for safety violations or apply other safety governance requirements. Then, if the second highest priority governance requirement is a set of regulatory governance requirements, the model can enforce regulatory governance after implementing safety governance. In some cases (e.g., due to conflicts), the model may omit certain governance requirements from the model (e.g., quality requirements that conflict with safety requirements). In this way, modeling circuitry 9424 can create a model that specifies flows for enforcing governance over the data set. Modeling circuitry 9424 causes the generated model to reference various digital twins from the digital twin library 9454 specifying information about one or more environments, networks, systems, etc., to retrieve various data that may be needed for inspection and enforcement. You can do it.
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.In an embodiment, verification circuitry 9426 may verify the generated model, for example, by testing the generated model against test data provided by governance library 9452. In some cases, the selected governance standard may require specific verifications (e.g. verification that the model complies with safety requirements when processing data), so the governance library can successfully fulfill the governance requirement(s) to which the model corresponds. May include test data and/or target output(s) to verify compliance. Additionally or alternatively, verification circuitry 9426 may test the generated model against the digital twin to simulate its effects on one or more devices, networks, systems, etc. In some cases, the simulated effects on the digital twin may be provided as output 9494 (e.g., for analysis/approval on other devices) prior to placing the generated model into governance output module 9430. .
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.In embodiments, governance output module 9430 may process one or more inputs 9492 using the generated model to enforce governance standards, optimize the model based on various conditions, and/or other It may output processed input, reports, and/or messages to communicate with the device.
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, 및/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.In embodiments,
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.In embodiments, output and reporting circuitry 9436 may send output including data to be processed by
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, 및/또는 사양의 세트에 따른 데이터 분류 및 예측 모델링에 기초하여 추천된 액션을 제공하도록 구성될 수 있다.113 illustrates prediction, classification, and recommendation chips 9500, one or more of which may be used to perform one or more prediction, classification, and/or recommendation functions as described herein. Chip 9500 may be used by any value chain entity to perform prediction, classification, and/or recommendation. In embodiments, chip 9500 may perform prediction, classification, and/or recommendation functions on input data from one or more components of a host device, including chip 9500 and/or other devices in communication with the host device. Artificial intelligence (AI) and other technologies may be used to do this. In embodiments, chip 9500 may analyze and classify incoming data according to a given set of specifications, develop and/or provide optimized predictive models according to a given set of specifications, and/or provide data according to a given set of specifications. It may be configured to provide recommended actions based on classification and predictive modeling.
실시예에서, 칩(9500)은 이미지/비디오/오디오 데이터와 같은 미디어 데이터, 트랜잭션 데이터를 포함하는 데이터 세트, 생체인식 데이터, 모션 캡처 데이터, 병리학 데이터, 및/또는 다른 이러한 데이터를 포함하는 임의의 유형의 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.In embodiments, chip 9500 may be configured to store any data including media data such as image/video/audio data, datasets including transaction data, biometric data, motion capture data, pathology data, and/or other such data. It may be configured to receive input of various types and analyze such data to determine additional information (e.g., metadata) about the input data, objects or entities appearing in the input data, etc. Chip 9500 may then classify the input, objects or entities appearing in the input, etc. using various classification techniques, as described in detail below. Chip 9500 may output the classification as output 9594 for use by other modules, devices, systems, etc.
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.In embodiments, chip 9500 may develop one or more conditions for use in generating a predictive model. Conditions can be developed based on classification. That is, based on classifying a particular object, entity, or grouping thereof, one or more of the Conditions may be developed and selected for predictive analysis. Chip 9500 may then create and utilize a predictive model to predict the effect of an action involving an object, entity, or grouping thereof, based on the updated data, as described in more detail below. The prediction model can be further optimized.
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.In an embodiment, chip 9500 may use various system specifications to determine the scope of actions that may be taken with respect to various entities, including: one or more actions, one or more direct or indirect objects or other entities on which actions may be taken; You can create an action matrix containing one or more action modifiers, etc. Chip 9500 then analyzes and determines which action(s) should be taken from the action matrix (e.g., using the generated predictive model) and transmits an output 9594 that results in performance of the selected action. , may provide feedback to improve the functionality of the classification, prediction, and recommendation functions, as described in more detail below.
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.In embodiments, chip(s) 9500 may be modular component(s) that can be integrated with a host system in a variety of ways. For example, the chip(s) may be integrated with a mobile host system, a stationary host system, or any other host system that receives input data for prediction, classification, and/or recommendation tasks. To facilitate such modularity, chip(s) 9500 may be provided partially or completely within a housing (not shown) and may include electrical connectors, optical connectors, and/or wireless connectors (e.g., antennas, Induction coil, etc.) may receive an
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.Chip(s) 9500 may include one or more system-on-chip (SOC), integrated circuit (IC), application specific integrated circuit (ASIC) components to provide the functionality and/or any other functionality ascribed to chip 9500. It may be and/or may include the like. For example, chip 9500 may be provided as part of a SOC that also provides other functionality described in this application. Generally, the components of chip 9500 may include one or more general purpose processing chips configured using software instructions or other code and/or special purpose processing chips (e.g. For example, ASIC) may be included.
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.Multiple chip(s) 9500 may be used to perform the functions described in this application. For example, multiple chip(s) 9500 can perform AI-assisted functions faster, offloading more complex computations from one chip 9500 to another chip 9500 with a better power source. Thus, serial, parallel, and/or other processing techniques can be used to perform AI-assisted functions more efficiently. As another example, one chip 9500 may be used to provide a first AI-assisted functionality described herein, while another chip 9500 may provide a second AI-assisted function based on the
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 유형의 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.In an embodiment, physical input interface 9502 receives one or
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.Output data 9594 transmitted from physical output interface 9504 may include one or more classified, predicted, and/or recommended actions, as well as information about the input to chip 9500, generated by chip 9500. It may include one or more reports to provide data, functions of the chip 9500, etc.
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.In embodiments, chip 9500 may include one or more of a classification module 9510, a prediction module 9520, and/or a recommendation module 9530. In an embodiment, classification module 9510 may include circuitry 9512-9516 to receive and extract/separate data, analyze data, and classify data. Additionally or alternatively, chip 9500 may develop and/or otherwise utilize conditions (e.g., based on classifications provided by classification module 9510) and generate predictions using prediction models. and may include a prediction module 9520 including circuits 9522 and 9526 for optimizing the prediction model. Additionally or alternatively, chip 9500 may generate a recommended action matrix, analyze the decision criteria applied (e.g., to select one or more recommended actions), view the recommended action(s), and or otherwise perform, and may include a recommendation module 9530 that includes circuitry 9532, 9538 to provide feedback data for use by various modules and/or circuits of chip 9500. The functionality of the various circuits of modules 9510, 9520, and/or 9530 are described in greater detail below.
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.Processing core(s) 9506 may be one or more processing cores that may be configured to perform any of the functions attributed to chip 9500, with or without assistance from various modules 9510, 9520, and/or 9530. May include (s). For example, processing core(s) 9506 may utilize and/or call various modules to perform various functions described herein. Processing core(s) 9506 may include general-purpose and/or special-purpose processors. In embodiments, processing core(s) 9506 may use serial, parallel, and/or other processing techniques to achieve the functionality described herein.
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.Accordingly, processing core(s) 9506 may perform functions in addition to those provided by various modules 9510, 9520, and/or 9530. For example, processing core(s) may receive the output of one module (e.g., classification data generated by classification module 9510) and process it into another module (e.g., prediction module 9520). It can be provided as input. Processing core(s) 9506 may also process the output of any of the module(s) to convert the output to a different format.
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.In embodiments, processing core(s) 9506 may further operate to store and/or retrieve data to/from storage 9550. For example, processing core(s) 9506 may store and retrieve governance configurations/data in governance library 9552 and/or store and retrieve digital twins in digital twin library 9554 and/or , may store and retrieve system specifications 9556 and/or may store and retrieve intelligence module(s) 9558 for implementing various AI-assisted functions described in this application. In an embodiment, the processing core(s) may use intelligence modules 9558 (which may include one or more of the
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 유형의 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.The classification module 9510 may receive input data, isolate/extract the input data, analyze the data, and classify the data. In embodiments, data isolation circuitry 9512 may receive
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 유형 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.In embodiments, analysis circuitry 9514 may analyze isolated data and/or other data to determine information for classification. For example, the analysis circuitry may perform image analysis on the image to identify one or more objects appearing in the image and transaction metadata (e.g., sender/recipient identity, type of transaction, etc.) Transaction data may be analyzed to determine personal information, biometric data may be analyzed to determine personal metadata (e.g., identity, demographic information, etc.), /or analyze motion seen in video data (e.g., to determine response information), analyze diagnostic data (e.g., to determine abnormalities or other conditions from a diagnostic data set), etc. In some cases, analysis circuitry 9514 may utilize information stored in storage 9550 to perform analysis. For example, analysis circuitry 9514 may use various digital twins from digital twin library 9554 and/or system specifications 9556 to obtain information about various systems corresponding to input data (e.g. Intelligence module 9558 may be used to perform various analyzes (e.g., provide additional information about the device or other entity corresponding to the input data, allow interpretation of the input data, etc.) machine vision intelligence module that performs recognition), etc. Additionally or alternatively, analysis circuitry 9514 may structure data for classification by classification circuitry 9516.
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 유형을 식별함으로써) 이미지에 나타나는 객체를 분류할 수 있고, (예를 들어, 트랜잭션의 유형에 의해, 트랜잭션이 비정상인지/의심스러운지 등에 의해, 트랜잭션의 당사자의 유형에 의해 등으로) 트랜잭션 데이터를 분류할 수 있고, (예를 들어, 인구통계에 의해, 감정의 유형에 의해 등으로) 생체인식 데이터에 따라 사람을 분류할 수 있고, (예를 들어, 반응 유형에 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.In embodiments, classification circuitry 9516 may perform classification tasks on isolated data and/or any additional data generated by analysis circuitry 9514. Classification circuit 9516 may use one or more machine learning or other AI-assisted techniques (e.g., regression, naive Bayes, stochastic gradient descent, k-nearest neighbors, decision-making) to classify the data. tree, random forest, etc.) can be used. For example, classification circuitry 9516 may classify objects appearing in an image (e.g., by identifying types of different groupings of objects) and whether a transaction is abnormal (e.g., by type of transaction). /classify transaction data (e.g., by whether suspicious, etc., by type of party to the transaction, etc.), and classify people according to biometric data (e.g., by demographics, by type of emotion, etc.) may classify motion data (e.g., by response type), may classify diagnostic data (e.g., to identify pathology or other abnormalities in individual or population data), etc. am. Classification circuitry 9516 may utilize unsupervised machine learning techniques to group data isolated by data isolation circuitry 9512 and/or generated by analysis circuitry 9514 and/or supervised learning for specific tasks. Technologies (e.g., trained models that may be stored in repository 9550 as intelligence modules 9558) may be used. Accordingly, chip 9500 can be configured for a particular classification task by storing appropriate configuration data (e.g., trained models) in storage 9550.
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 유형의 객체를 인식하는 것에 기초하여, 조건 개발 회로(9522)는 예측 모델의 개발에 사용하기 위해 검출된 유형의 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 유형의 트랜잭션을 인식하는 것에 기초하여, 조건 개발 회로(9522)는 검출된 유형의 미래 트랜잭션의 추정치를 타겟 변수로서 선택할 수 있다. 다른 예로서, 분류 회로(9516)가 특정 유형의 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 유형의 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.Prediction module 9520 may develop, utilize, and/or optimize a prediction model to generate predictions based on data received as
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.In embodiments, predictive modeling circuitry 9524 may create a predictive model for predicting a target variable based on input data, data generated by analysis circuitry 9514, and/or classification data generated by classification circuitry 9516. The target variable generated by the condition development circuit 9522 can be used to train. That is, predictive modeling circuitry 9524 can train a model to predict a target variable using a training data set that includes any of the data described above. Predictive modeling circuitry 9524 may use various AI-assisted learning techniques (e.g., neural networks, deep learning, etc.) to develop a model based on selected target variables.
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.Additionally or alternatively, predictive modeling circuitry 9524 may utilize predictive models to generate predictions based on various modeling inputs. Modeling input may include input 9592 (e.g., input data used by classification module 9510 and/or a new set of input data as described above), isolated data generated by data isolation circuit 9512, and /can be derived from extracted input data, data generated by the analysis circuit 9514, classification generated by the classification 9516, etc. That is, any of the data received as
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.In embodiments, prediction model optimization circuitry 9526 may optimize a prediction model by updating a training data set, retraining the prediction model, selecting different target variables, developing a new model, etc. For example, a predictive model may periodically update a training data set, received as
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.In embodiments, recommendation module 9530 may provide recommendations based on various specifications 9556, classifications generated by classification module 9510, and/or predictions generated by prediction module 9520. In embodiments, action matrix circuitry 9532 may generate a matrix (e.g., an N-dimensional array that may contain a simple list) of potential actions that can be taken with respect to a particular task, system, or domain. . For example, system specification 9556 may provide a first set of potential actions, a second set of potential entities on which actions may be taken, a third set of modifiers for the actions, etc., and thus an action matrix circuit. 9532 may generate a matrix of potential actions that can be recommended. Additionally or alternatively, certain actions, entities, etc. may be associated with input data, analysis performed by analysis circuitry 9514, classification generated by classification circuitry 9516, and/or predictive modeling circuitry 9524. Based on predictions, they can be automatically identified and added to the action matrix. Additionally or alternatively, certain actions, entities, etc. may be automatically maintained or removed from the action matrix (e.g., from governance library 9552) based on governance data. Actions may include instructions addressed to digital and/or real-world entities, such as instructions to be performed by a human, computing device, system, module, etc.
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 자원을 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 유형의 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 유형의 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 유형의 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 유형의 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.In embodiments, decision analysis circuitry 9534 may analyze some or all of the actions in the action matrix to determine one or more recommended actions. Decision analysis circuitry 9534 determines the effects of a particular action (which may involve using, for example, prediction module 9520, intelligence module 9558, and/or some other resource to predict the effects of an action). You can utilize the digital twin(s) in the digital twin library 9554 to simulate. Additionally or alternatively, decision analysis circuitry 9534 may use one or more governance requirements stored in governance library 9552 to determine whether a particular action violates a governance requirement (e.g., because it is unsafe or illegal) and/or You may decide that certain actions are required to comply with governance requirements. As a first example, detecting a particular type of object that appears in one or more images (e.g., as determined by classification module 9510) and detecting an object (e.g., as determined by prediction module 9520) Based on predicting that the target variable may decrease, the decision analysis circuit 9534 may interact with the object to increase the target variable (e.g., by moving the object or otherwise interacting with the object). I can recommend doing this. As another example, detecting a particular type of transaction from transaction data (e.g., as determined by classification module 9510) and determining if the transaction has a specific negative Based on what it predicts may result in the outcome, decision analysis circuitry 9534 may recommend preventing similar transactions in the future. As a third example, detecting a particular type of condition from biometric or diagnostic data (e.g., as determined by classification module 9510) and (e.g., as determined by prediction module 9520) Based on predicting that a particular pathology or other condition is present, decision analysis circuitry 9534 may recommend a particular intervention. As a fourth example, detecting a particular type of individual and/or group behavior (e.g., as determined by classification module 9510) and conditions (e.g., as determined by prediction module 9520) Based on predicting that this is becoming abnormal or unsafe, decision analysis circuitry 9534 may recommend shutting down a particular location, system, or taking other corrective action.
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.In embodiments, recommended action and reporting circuitry 9536 may perform one or more recommended actions and/or cause other module(s), device(s), system(s), etc. to perform recommended actions. may cause transmission of an output message (e.g., via output 9594). Additionally or alternatively, recommended action and reporting circuitry 9536 may generate reports that may include classifications, predictions, recommendations, and/or any of other data received or generated by chip 9500. there is. Recommended action and reporting circuitry 9536 may send reports as output 9594 to other modules, devices, systems, etc.
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.In embodiments, feedback circuitry 9538 monitors results associated with classifications, predictions, and/or recommended actions to determine whether the classifications and/or predictions were accurate, whether the recommended actions had the desired/predicted impact, etc. can do. Accordingly, the feedback circuit 9538 may utilize one or more digital twin(s) within the digital twin library 9554 to monitor one or more devices, systems, environments, etc. In such embodiments, the digital twin(s) are continuously monitored by other components (e.g., as described elsewhere in this application) that keep the digital twin updated for monitoring by feedback circuitry 9538. can be updated. Based on the monitored results, feedback circuit 9538 adjusts (e.g., retrains) any models used by classification module 9510, prediction module 9520, and/or recommendation module 9530. can do.
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 유형, 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 자원 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 유형, 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 캡처 데이터를 자동으로 분석 및 분류하고(예를 들어, 거동을 정상 또는 비정상, 안전 또는 안전하지 않은 것 등으로 분류하고), 모션 캡처 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 자원의 할당, 보험료의 조정 등)에 기초하여 추천을 제공하도록 구성될 수 있다.Accordingly, classification, prediction, and recommendation chip 9500 may perform a wide variety of classification, prediction, and recommendation tasks, including any of the classification, prediction, and recommendation tasks described herein, but some examples include classification , may be useful in demonstrating the flexibility and functionality of the prediction, and recommendation chip 9500. According to a first example, chip 9500 automatically analyzes and classifies satellite images (e.g., recognizes specific vegetation types, densities and locations, animal populations and movements, etc.) and based on classified objects within the images. provide forecasts (e.g. crop evaluation, fire risk assessment, water allocation and pricing, etc.) and make recommendations based on classification and forecasts (e.g. crop production adjustments, brush clearing, increase in insurance reserves, water allocation) It can be configured to provide a reduction of, etc.). According to this first example, enterprise resource planning system inputs (e.g. inventory, pricing, accounting, sales, employee information), customer relationship management system inputs (e.g. customer data, payment methods, etc.), security system inputs A wide variety of
적층 제조(Additive Manufacturing)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.114-121 illustrate various embodiments of an additive manufacturing platform. In embodiments, the additive manufacturing platform may be a standalone system or may be integrated into a larger system, in which case the additive manufacturing platform is a value chain entity. In embodiments, “additive manufacturing” allows a 3D digital model (CAD design) to be converted into a three-dimensional object by depositing multiple thin layers of material, such as according to a series of two-dimensional cross-sectional deposition maps. Refers to a collection of versatile manufacturing technologies for rapid prototyping and/or manufacturing of parts.
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.Accordingly, the term “additive manufacturing platform” as used in this application includes a platform that prints, builds, or otherwise produces 3D parts and/or products at least in part using additive manufacturing technologies. Additive manufacturing platforms include technologies such as 3D printing, vapor deposition, polymer (or other material) coating, epitaxial and/or crystalline growth approaches, and other technologies, alone or in combination with other technologies, such as cutting or assembly techniques. This makes it possible to manufacture a three-dimensional product from a design through a process that forms successive layers of the product, reaching a finished component or system with optional intermediate or subsequent steps. The design may be in the form of a data source, such as a computer-aided design package or an electronic 3D model created through a 3D scanner. 3D printing or other additive manufacturing processes then involve forming a first material layer and then adding successive material layers, each new material layer following the previous one until the entire designed three-dimensional product is complete. is added on the formed layer of material. The additive manufacturing platform may be a stand-alone unit, a sub-unit of a larger system or production line, and/or may incorporate other non-additive manufacturing features, such as subtractive manufacturing features, pick-and-place features, It may include coating features, finishing features (e.g., etching, lithography, painting, polishing, etc.), two-dimensional printing features, etc. Additionally, the platform includes three-dimensional additive manufacturing machines configured for rapid prototyping, three-dimensional printing, two-dimensional printing, freeform manufacturing, solid freeform manufacturing, and stereo-orithography; Subtractive manufacturing machines, including computer numerical control manufacturing machines; It may include injection molding machines, etc.
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 유형으로 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(10128)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 어셈블리의 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 및/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 어셈블리가 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).114 is a schematic diagram illustrating an example environment of an autonomous
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.In embodiments,
실시예에서, 재료 취급 시스템(10108)은, 선택적으로 동일한 하우징, 유닛 또는 시스템 내에, 재료를 캡처하고(예컨대, 작업으로부터 미사용 재료를 재캡처하고 및/또는 작업 현장으로부터, 예컨대, 사용된, 파손된, 또는 결함이 있는 아이템으로부터 이용 가능한 재료를 캡처함) 예컨대 다음의 단계에 의해 소스 재료로서 사용하기에 적합한 재료를 렌더링하기 위한 재료 캡처 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 유형의 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, 재캡처된 재료를 열가소성 상태가 되게 하기 위해서 그리고 적층 제조 동작을 위한 재료를 준비하기 위해서, 상이한 온도에서의 대안적인 가열 지점과 함께, 공통 열원이 이용된다.In embodiments,
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, 부두 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 유형의 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, 선적 및 하적 부두, 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, 부두, 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 자원 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, 유형 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, 자원 관리 시스템, CRM 시스템, 공급 체인 관리 시스템 등)과 같은 외부 시스템과 교환될 수 있다. 실시예에서, 연결 시설은, 연결성의 자가-조직화 또는 자가-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 자원을 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 및/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.In embodiments, connectivity facilities include network connections (including various configurations, types, and protocols for fixed and wireless connections), Internet of Things devices, edge devices, routers, switches, access points, repeaters, mesh networking systems, interfaces, and ports. , including application programming interfaces (APIs), brokers, services, connectors, wired or wireless communication links, human-accessible interfaces, software interfaces, micro-services, SaaS interfaces, PaaS interfaces, IaaS interfaces, cloud capabilities, etc. Includes various connectivity facilities described throughout the disclosure and documents incorporated by reference herein, whereby data or information may be transferred between systems or subsystems of autonomous
적층 제조 유닛(10102)은 임의의 적합한 유형의 3D 프린팅 프로세스를 실행하는 임의의 적합한 유형의 프린터, 또는 다른 적층 제조 프로세스를 실행하는 임의의 다른 유형의 유닛일 수 있다. 다양한 상이한 유형의 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 후속하여 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.In an embodiment,
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.In embodiments, the
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.In an embodiment,
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.In an embodiment,
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.In an embodiment,
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 유형의 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.In embodiments,
실시예에서, 본 출원에 설명된 다양한 유형의 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.In embodiments, the various types of
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 유형에 대한 전환 및/또는 동시 작업을 허용한다.In embodiments,
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 유형에 대한 전환 및/또는 동시 작업을 허용한다.In an embodiment,
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.In an embodiment,
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 유형의 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 유형에서는 일부 설계에 대해 다른 3D 프린팅 방법보다 최대 100배 이상 더 빠르게 작업된다.In embodiments,
실시예에서, 적층 제조 유닛(10102)은 액체 또는 콜로이드성 결합제 물질을 분말화된 축조 재료의 층에 전달하기 위해 잉크젯 유형 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.In embodiments,
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.In an embodiment, a method performed by
실시예에서, 적층 제조 유닛(10102)은 본 출원에 설명되거나 본 기술분야의 통상의 기술자에 의해 이해되는 것 중에서 다수의 유형의 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.In embodiments,
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.In embodiments,
실시예에서, 플랫폼(10110)은 자체-시작 및 자체-파워를 위한 능력을 갖는다.In an embodiment,
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.In embodiments,
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.Figure 115 is a schematic diagram illustrating an example implementation of an autonomous additive manufacturing platform for automating and optimizing digital production workflows for additive manufacturing (e.g., metal manufacturing), according to some embodiments of the present disclosure.
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.Autonomous
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 캡처/카메라, 비디오 캡처, 열 이미징, 초분광 이미징, 사운드 센서 및 공기 품질 센서를 포함한다.Data collection and management system 10202 collects and organizes data collected from various data sources, including real-time data collected from a set of sensors. Some examples of sensors that provide data as input to the data collection and management system 10202 include power and energy sensors, mass sensors, position sensors, temperature sensors, humidity sensors, pressure sensors, viscosity sensors, flow sensors, chemical/ It includes gas sensors, strain gauges to be measured, image capture/cameras, video capture, thermal imaging, hyperspectral imaging, sound sensors and air quality sensors.
데이터 저장 시스템(10204)은 플랫폼(10110)과 연관된 많은 다른 데이터 유형 중에서, 다음을 포함하지만 이에 제한되지 않는 다양한 저장 매체, 데이터 아키텍처 및 포맷을 사용하여 광범위한 데이터 유형을 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 유형을 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 유형의 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.Data storage system 10204 may store a wide range of data types using a variety of storage media, data architectures, and formats, including, but not limited to, the following, among many other data types associated with platform 10110: (part profiles, entity or asset data (such as a product profile, printer profile), state data (such as indicating a state, condition state, or other indicator for any asset, entity, application, component or element of platform 10110), ( User data (including process events, financial events, transaction events, output events, input events, state changes) (including identity data, role data, task data, workflow data, health data, performance data, quality data and many other types) Events that occur within platform 10110, including operation events, workflow events, repair events, maintenance events, service events, damage events, replacement events, refueling events, recharge events, delivery events, supply chain events, etc. , or for any of a wide range of events, including operational data, transaction data, workflow data, maintenance data, and many other types of data, including events related to or related to one or more applications) data; Claims data (e.g., data relating to product liability, general liability, personal injury and other liability claims, and contracts such as supply contract performance claims, product delivery requirements, quality assurance claims, indemnity claims, delivery requirements, timing requirements, milestones, key performance indicators, etc.) billing data relating to); Accounting data (e.g. data on completion of contractual requirements, satisfaction of receivables, payment of duties and customs, etc.) and risk management (e.g. on parts or products supplied, quantities, prices, delivery, source, route, customs information, etc.) data.
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.In embodiments,
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 유형 중 임의의 것을 포함함)를 포함할 수 있고, 이는 (a) 설계/작업에 적합한 유형의 적층 제조를 자동으로 선택하기 위해 입력의 세트 및/또는 최적화 인자의 세트에 대해 동작하도록; (b) (선택적으로 단일-유형 유닛 및/또는 하이브리드 유형 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 유형, 적층 제조 유닛에 대한 현재 작업 스케줄, 비용 인자(예컨대, 재료 비용, 에너지 비용, IT 자원의 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 유형의 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 자가-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 유형의 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.Data processing system 10206 includes an
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.In an embodiment, the AI system is implemented as an intelligence layer 140 that receives requests from a set of intelligence layer clients and responds to these requests by providing intelligent services (e.g., decisions, classifications, predictions, etc.) to these clients. .
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.In embodiments, machine learning model 10213 is an algorithm and/or statistical model that performs a particular task without using explicit instructions and instead relying on patterns and inferences. Machine learning model 10213 may build one or more mathematical models based on training data to make predictions and/or decisions without being explicitly programmed to perform a specific task. Machine learning model 10213 may receive input of sensor data or other data as training data, including event data and state data related to one or more of the entities or assets, or other inputs mentioned above or throughout this disclosure. You can. Sensor data input to machine learning model 10213 may be used for data processing, data analysis, simulation generation, and/or simulation analysis of one or more of the distributed manufacturing network entities or assets, simulations, decision making, and/or predictive analytics. It can be used to train a machine learning model 10213 to perform. Machine learning model 10213 may also use input data from a user or users of autonomous
실시예에서, 인공 지능 시스템(10212)은 분산 제조 네트워크 엔티티 중 하나 이상의 디지털 복제본 또는 디지털 트윈을 생성하기 위해 디지털 트윈 시스템(10214)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.In embodiments,
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 유형의 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.A digital twin allows simulation of one or more distributed manufacturing network entities during both the design and operation phases of the one or more distributed manufacturing network entities, as well as the simulation of virtual operating conditions and configurations of one or more distributed manufacturing network entities. A digital twin is a digital twin of one or more distributed manufacturing network entities, including temperature, pressure, wear, light, humidity, strain, expansion, contraction, deflection, bending, stress, deformation, load-bearing, and shrinkage within, on, and around each of the entities. It allows analysis and simulation of one or more distributed manufacturing network entities by facilitating the observation and measurement of almost any type of metric. Insights gained from analysis and simulation using digital twins can be passed on to design or manufacturing processes to improve these processes.
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.In embodiments, machine learning model 10213 may process sensor data, including event data and state data, to define simulation data for use by digital twin system 10214. Machine learning model 10213 may, for example, receive state data and event data related to a particular distributed manufacturing network entity, and store the state data and event data in the creation of a digital replica of the distributed manufacturing network entity. A series of operations can be performed on state data and event data to format it into a format suitable for use. For example, one or more distributed manufacturing network entities may include products manufactured by
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.In embodiments, machine learning model 10213 and digital twin system 10214 process sensor data and create a digital twin of a set of distributed manufacturing network entities to enable design, real-time simulation, and predictive simulation of related groups of distributed manufacturing network entities. , and/or may facilitate virtual simulation.
실시예에서, 데이터 처리 시스템(10206) 내의 제어 시스템(10216)은 시뮬레이션에 기초하여 실시간으로 3D 프린팅 프로세스의 프로세스 파라미터를 조정할 수 있다.In embodiments, control system 10216 within data processing system 10206 may adjust process parameters of a 3D printing process in real time based on simulation.
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(volumne data), 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.In embodiments, a distributed manufacturing network entity, such as an
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 원자재 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.116 is a block diagram illustrating information flow in an autonomous
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.Referring to Figure 116, at 10300, input data for printing a product is received at autonomous
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.At 10302, an instruction set for additive manufacturing, such as a 3D printing profile, is determined based on inputs received at 10300 as well as simulations received from
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 자원, 예컨대 5G(또는 다른 셀룰러), Wifi, 블루투스, 고정 네트워킹 자원 등을 갖는 경우와 같은, 클라우드-연결가능 에지 디바이스의 사용은, 서버 등과 같은, 고도의 확장가능 클라우드 컴퓨팅 자원에 의해 제공되는 광범위한 컴퓨팅 및 데이터 저장 능력으로부터 이익을 얻으면서 신속한, 실시간 또는 거의 실시간 처리 응답성을 제공할 기회를 제공한다.At 10304, sensor data (including but not limited to ambient, product or material temperature); compressive, shear, tensile, bending and torsional stresses; oxygen, carbon dioxide levels, and ozone levels; humidity; vibration; sound signatures and visual indicators) are collected from additive manufacturing (e.g., 3D printing) processes. Data collection and management system 10202 helps collect sensor data through an array of sensors and other data collection technologies, such as IoT devices, machine vision systems, etc. Collected data may be analyzed at an edge device or transmitted to one or more data pools within
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 캡처할 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.In embodiments, data may also be stored in a blockchain such that storage is distributed across multiple manufacturing nodes as well as other data storage devices or systems. In embodiments, this may take the form of a distributed ledger that can capture transactions, events, etc., such as financial events involving additive manufacturing, smart contract related events, operational events (such as scheduling or completion of a task), etc. Data may also be multiplexed using sensor fusion or otherwise condensed, relayed over a network, and fed to a machine learning system that utilizes one or more machine learning models.
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.At 10306, parameters may be dynamically adjusted as needed based on analysis of sensor data. As 3D printing is completed, data related to the results of the 3D printing process is collected at 10308. Resulting data may be collected through a user interface that provides the user with information regarding the success or failure of the 3D print. The data is then provided as feedback to a
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.In an embodiment, autonomous
실시예에서, 자율 적층 제조 플랫폼(10110)은 제조에 적합한 적어도 하나의 제품 설계를 결정하기 위해 생성적 설계 및 토폴로지 최적화를 제공한다.In an embodiment, autonomous
실시예에서, 자율 적층 제조 플랫폼(10110)은 축조 준비 프로세스의 최적화를 제공한다.In embodiments, autonomous
실시예에서, 자율 적층 제조 플랫폼(10110)은 우수한 생산 결과를 위해 부품 배향 프로세스를 최적화한다.In embodiments, autonomous
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.In embodiments, autonomous
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 유형의 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.In an embodiment, autonomous
실시예에서, 자율 적층 제조 플랫폼(10110)은 원자재 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.In embodiments, autonomous
실시예에서, 자율 적층 제조 플랫폼(10110)은 후처리 프로세스의 최적화를 제공한다.In embodiments, autonomous
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.In an embodiment, autonomous
실시예에서, 자율 적층 제조 플랫폼(10110)은 자동화된 핸즈프리 지지 구조 제거를 제공한다.In embodiments, autonomous
실시예에서, 자율 적층 제조 플랫폼(10110)은 자동화된 표면 마감을 제공한다.In an embodiment, autonomous
실시예에서, 자율 적층 제조 플랫폼(10110)은 통합된 품질 및 프로세스 제어 시스템과 함께 사용하기 위한 자동화된 부품 계측을 제공한다.In embodiments, autonomous
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.In embodiments, the manufacturing methods described herein may use material additives during processing that impart various properties to the finished part. Examples in plastic injection molding include glass fibers for added strength, and electrically conductive and shielding fibers for tailored electrical properties. In some applications, the orientation of added fibers or other materials can affect the performance of the finished part. For example, in glass fiber reinforced applications, long fiber orientation can dictate the minimum and maximum strain orientation under stress. Fiber orientation during manufacturing can only be partially controlled through mold design, injection nozzle position and pressure, and other process controls.
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 개량하기 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.3D printed parts can also be manufactured using material additives; However, most 3D printing methods can only produce materials with limited ability to optimize layer properties, such as fiber orientation, to help optimize finished part performance. For example, 3D printers can use nozzles to extrude a variety of plastic materials, but the inherent flow characteristics of fixed nozzles, and the limitations of the 3D printing process in general, limit options for materials engineering the finished part. The use of these 3D printing nozzles provides the ability to control the orientation of the layered material as it is placed for part production. These developments provide opportunities to fine-tune material performance, for example, localized orientation for structural enhancement, or homogeneous random orientation for electrical shielding performance. In an example, this capability may be provided by a 3D printing nozzle that uses actuated flexible elements to change the shape of the nozzle during material application, resulting in predictable fiber orientation. This can be used in conjunction with other printing process parameters such as nozzle orientation, flow rate and pressure to further improve material properties. Example use cases include, but are not limited to: one or more engineering properties that can be varied across a single part to provide targeted performance, e.g., varying stiffness; Optimized use of materials based on improved process control, e.g. using less material to produce parts with the same functional performance, and the combined ability to combine with random conductive additives for specified electrical performance; For example, providing control of multiple additives to impart orientation of structural long fibers for structural performance.
인공 지능, 기계 학습, 자동화(로봇 프로세스 자동화, 원격 제어, 자율 동작, 자동화된 구성 등을 포함함), 전문가 시스템, 자가-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.Artificial intelligence, machine learning, automation (including robotic process automation, remote control, autonomous behavior, automated configuration, etc.), expert systems, self-organization, and adaptive intelligent systems for prediction, classification, optimization, etc. Embodiments of the present disclosure, including those that benefit from the use of neural networks, such as trained neural networks, for pattern recognition, classification of one or more parameters, characteristics, or phenomena, support of autonomic control, and for other purposes. You can get it.
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.Neural networks (or artificial neural networks) are a family of statistical learning models that derive their inspiration from biological neural networks, can rely on large numbers of inputs, and are commonly used to estimate or approximate unknown functions. A neural network represents a system of interconnected “neurons” that send messages to each other. Connections have numerical weights that can be tuned based on experience, allowing the neural network to adapt to input and learn.
본 개시 전반에 걸쳐 인공 지능, 신경망 또는 신경망에 대한 참조는 광범위한 상이한 유형의 기계 학습 시스템, 피드포워드 신경망, 컨볼루션 신경망(CNN), 순환 신경망(RNN), 장단기 메모리(LSTM) 신경망과 같은 신경망, 게이트식 순환 유닛(GRU) 신경망, 자가-조직화 맵(SOM) 신경망(예를 들어, 코호넨 자가-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.Throughout this disclosure, references to artificial intelligence, neural networks, or neural networks refer to a wide range of different types of machine learning systems, neural networks such as feedforward neural networks, convolutional neural networks (CNNs), recurrent neural networks (RNNs), long short-term memory (LSTM) neural networks; Gated recurrent unit (GRU) neural network, self-organizing map (SOM) neural network (e.g., Kohonen self-organizing neural network), autoencoder (AE) neural network, encoder-decoder neural network, modular neural network, or a variant, tactic. Hybrids or combinations of one, or rule-based systems, such as reinforcement learning (RL) systems or other expert systems, and model-based systems (including those based on physical models, statistical models, flow-based models, biological models, biomimetic models, etc. It should be understood to include combinations with).
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.The neural network described above may have various nodes or neurons, which may perform various functions on input, such as input received from a sensor or other data source, including other nodes for predicting one or more outputs. A function may involve weights, features, feature vectors, etc. Neurons may include perceptrons, neurons that mimic biological functions (such as the human senses of touch, sight, taste, hearing, and smell). Neural networks may utilize multiple operational layers, including one or more hidden layers located between the input layer and the output layer. The output of each layer can be used as input to another layer, for example the next hidden layer or output layer. The output of a particular neuron may be a weighted sum of the inputs to the neuron, adjusted by the bias and multiplied by an activation function, such as a rectified linear unit (ReLU) or sigmoid function.
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.In many embodiments, an expert system or neural network may be trained, such as by a human operator or supervisor, or based on a data set, model, etc. Training a neural network involves providing input to an untrained neural network to produce a predicted output, comparing the predicted output to the expected output, and adjusting the algorithm to take into account the differences between the predicted and expected outputs. This may involve updating weights and biases. Specifically, a cost function can be used to calculate the difference between predicted and expected output. By calculating the derivative of the cost function with respect to the network's weights and biases, the weights and biases can be adjusted iteratively over multiple cycles to minimize the cost function. Training may be completed when the predicted output satisfies a convergence condition, e.g., a calculated cost of small size, as determined by a cost function.
훈련은 (본 개시 전반에 걸쳐 설명된 많은 유형을 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.Training involves not only one or more training data sets representing values (including many of the types described throughout this disclosure), but also one or more sets of results, such as the result of a process, the result of a computation, the result of an event, the result of an activity, etc. It may involve presenting indicators to a neural network. Training a neural network to optimize one or more systems based on one or more optimization approaches such as Bayesian approach, parametric Bayes classifier approach, k-nearest-neighbor classifier approach, iterative approach, interpolation approach, Pareto optimization approach, algorithmic approach, etc. This may include training in optimization, such as training . Feedback may be provided in a process of variation and selection, such as using a genetic algorithm to evolve one or more solutions based on feedback over a series of rounds.
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 유형(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 유형 및 기능 등을 갖는 적절한 유형의 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.In embodiments, receiving data streams and other inputs collected in one or more environments (e.g., by a mobile data collector) and transmitted to a cloud platform over one or more networks, including using network coding to provide efficient transmission. Multiple neural networks may be deployed on a cloud platform. In the cloud platform, a plurality of different neural networks of various types (including modular form, structurally adaptive form, hybrid, etc.), optionally using massively parallel computing power, perform prediction, classification, and control functions, and the present disclosure It may be used to provide other outputs as described with respect to the expert system disclosed throughout. Different neural networks can be selected, for example by an expert system, for a particular task involved in a given situation, workflow, environmental process, system, etc., so that an appropriate type of neural network with appropriate input set, weights, node types and functions, etc. They can be structured to compete with each other (optionally including using evolutionary algorithms, genetic algorithms, etc.).
실시예에서, 전문가 시스템 또는 자가-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 유형의 유닛으로 구성될 수 있으며, 그 중 가장 단순한 것은 퍼셉트론이다.In embodiments, the methods and systems described in this application involving expert systems or self-organizing capabilities may use feedforward neural networks, which generate a series of neurons or nodes from data input, such as a source of data about an individual. Through this, information is moved in one direction to the output. Data can move from input nodes to output nodes, and optionally through one or more hidden nodes without looping. In embodiments, a feedforward neural network may be composed of various types of units, such as binary McCulloch-Pitts neurons, the simplest of which is a perceptron.
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.In embodiments, artificial intelligence and machine learning systems in the data processing system of autonomous
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 캡처하고 분석하는 것에 의해서, 적층 제조 프로세스를 실시간으로 모니터링할 수 있다. 캡처된 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.The automated parts and defect classification methods and systems of the present disclosure may be implemented using image sensors and/or machine vision systems. Machine vision systems can monitor the additive manufacturing process in real time, for example, by capturing and analyzing images of the part or other item being printed. Automated image processing of the captured images can then be used to determine various part characteristics, such as dimensions (overall dimensions or dimensions of specific features), feature angles, feature areas, and surface finish (e.g., degree of light reflectivity, per unit area). number of pits and/or scratches), etc. Machine vision systems also track the process to detect any defects or errors in the printed part in real time while successive layers of material are being deposited by the 3D printer.
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.Defects are identified, for example, by removing noise from inspection data and subtracting a reference data set (e.g., a reference image of defect-free areas if a machine vision tool is being used for inspection), and individual objects. Use unsupervised machine learning algorithms, such as cluster analysis or artificial neural networks, to classify defects as meeting or not meeting a specified set of decision criteria (e.g., decision boundaries) in the feature space being monitored. It can be classified as follows. For example, a partially printed part can be compared to a rendering of the partial part, and if the partial part differs from the rendering by more than a selected threshold, the part can be classified as defective.
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.In embodiments, in-process defect classification data may be a set or sequence of process control parameter adjustments to implement corrective action, for example, to adjust layer dimensions or thickness to correct a defect when first detected. Can be used by machine learning algorithms to determine . In some embodiments, in-process automated defect classification may be used by machine learning algorithms to send warning or error signals to operators, or, optionally, to automatically stop the deposition process.
실시예에서, 기계 비전 시스템은 이미지 캡처 및 결함 검출을 위해 가변 초점 액체 렌즈 기반 카메라를 사용한다. 실시예에서, 기계 비전 시스템은 적외선 또는 가시 파장 카메라를 사용한다.In an embodiment, a machine vision system uses a variable focus liquid lens-based camera for image capture and defect detection. In embodiments, the machine vision system uses infrared or visible wavelength cameras.
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.In an embodiment, the data processing system is implemented as an intelligence layer 140 that uses neural networks to provide real-time adaptive control of the additive manufacturing process, including part defect classification and feedback.
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.In some embodiments, a neural network model may be used directly to determine adjustments to handle control parameters using training or learning of the neural network model. Initially, the model is allowed to randomly select from a range of values for each input process control parameter or action. If a process control parameter adjustment or sequence of actions leads to a defect or defect, it is scored as leading to an undesirable (or negative) result. Repetition of the process using a different set of randomly selected values for each process control parameter or action leads to consolidation of the sequence resulting in a desired (or positive) result. Ultimately, the neural network model “learns” what adjustments to make to the set or sequence of deposition process control parameters or actions to achieve the target result, i.e., a defect-free printed part.
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.In embodiments, the methods and systems described in this application may use convolutional neural networks (referred to in some cases as CNNs, ConvNets, shift invariant neural networks, or spatially invariant neural networks), the units of which are similar to the visual cortex of the human brain. Connected by patterns. For example, CNNs can provide automatic classification and clustering of parts and defects in additive manufacturing processes.
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.In embodiments, one or more models built on the basic framework of convolutional neural networks may be used. For example, an object detection model can be used that extends the functionality of CNN-based image classification models by not only classifying parts or defects but also determining their location in the image in terms of bounding boxes. Similarly, Region-based CNN (R-CNN) models can be used to extract regions of interest (ROIs), where each ROI is a rectangle that can represent the boundary of a portion within the image.
실시예에서, 더 적은 수의 라벨링된 훈련 예를 사용하여 CNN의 유사한 분류 성능을 달성하기 위해 캡슐 네트워크가 이용될 수 있다.In embodiments, a capsule network may be used to achieve similar classification performance of a CNN using fewer labeled training examples.
실시예에서, 어텐션 메커니즘을 사용하는 트랜스포머 기반 인코더-디코더 아키텍처가 컨볼루션 신경망과 함께 또는 그 대신에 사용될 수 있다.In embodiments, a transformer-based encoder-decoder architecture using an attention mechanism may be used in conjunction with or instead of a convolutional neural network.
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.117 is a schematic diagram illustrating a system for learning based on data from
도 117을 참조하면, 자율 적층 제조 플랫폼(10110) 내의 디지털 트윈 시스템(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 시스템(10214)은 관련 데이터로 채워질 수 있는데, 예를 들어, 제품 트윈(10215)은 치수 데이터, 재료 데이터, 특징 데이터, 열 데이터, 가격 데이터 등을 포함하는 대응하는 제품과 관련된 데이터로 채워질 수 있다.117, the digital twin system 10214 within the autonomous
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.In embodiments, a digital twin may be created from another digital twin. For example,
실시예에서, 시뮬레이션 관리 시스템(10514)은 디지털 트윈(10214) 사이의 상호작용 및 시뮬레이션을 설정, 프로비저닝, 구성, 및 다른 방식으로 관리할 수 있다.In embodiments,
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.In embodiments,
실시예에서, 기계 학습 시스템(10210)은 분류, 예측, 추천을 행하기 위해, 및/또는 설계, 구성, 재료 선택, 형상 선택, 제조 유형, 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.In embodiments,
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 유형의 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.In an example embodiment,
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. 기계 학습 시스템(10212)은 각각의 입력과 각각의 고장 모드 사이의 상관 정도를 결정할 수 있다.In embodiments,
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 유형, 장비 내의 컴포넌트 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 캡처된 입력을 취할 수 있다. 예를 들어, 서비스 기술자는 손상된 부분을 보여주는 사진의 세트를 캡처할 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 캡처하고, 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 유형 등을 수반하는 시뮬레이션과 같은 시뮬레이션의 세트를 수행하게 함으로써 이루어질 수 있다. 실시예에서, 시뮬레이션은, 로봇 취급 시스템에 의해 핸드오프가 취급되는 경우와 같이, 상이한 제조 엔티티 유형의 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.In embodiments,
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 유형의 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.In embodiments,
실시예에서, 인공 지능 시스템(10212)은 재료, 특성, 부품 유형, 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 캡처하는 데이터 수집 시스템의 세트를 포함할 수 있다.In embodiments,
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.In embodiments,
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 유형의 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.In embodiments,
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.In embodiments,
실시예에서, 인공 지능 시스템(10212)은 플랫폼(10110)에 대한 사이버 보안 위험 및 위협을 검출하도록 구성될 수 있다.In embodiments,
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.In embodiments,
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.In embodiments,
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.In embodiments, models trained by
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.In embodiments, models trained by
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.In embodiments, the model trained by
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 유형의 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.In embodiments, models trained by
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.In embodiments, models trained by
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.In embodiments, models trained by
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.In an embodiment, a model trained by
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.In embodiments, models trained by
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.In embodiments, the model trained by
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.In embodiments, models trained by
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.In embodiments, the model trained by
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.In embodiments, models trained by
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.In embodiments, models trained by
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.In embodiments, an instruction set for additive manufacturing uses a blend of natural language-based artificial intelligence and other artificial intelligence to handle and/or generate images and/or spatial representations, e.g., DALL- from OpenAI™. E language models or models for converting images to 3D models and/or other Transformer language models (a combination of text-based and image-based models) further combined with models for converting images or 3D models to an additive manufacturing instruction set. can be automatically generated from text descriptions. A hybrid, transformative artificial intelligence system, for example, generates a set of parameters that represent a set of semantic objects (such as a pair of glasses and a cat) and have cat-like properties (such as whiskers or cat-eye lenses). It can be trained to create output designs (such as eyeglasses) and translate the output designs into a set of additive manufacturing instructions. In such embodiments, a user may, for example, enter a text string for a desired output and be presented with various 3D models representing options. The user can select the desired option and initiate an additive manufacturing operation to create the item. In embodiments, a platform may track interests, attributes, search results, profiles, news topics, or other factors to generate a set of input text strings to generate a set of recommended objects for additive manufacturing for the user. In embodiments, recommendations are based on similarity to other users, such as based on clustering techniques. In an embodiment, recommendations are based on collaborative filtering.
실시예에서, 디지털 트윈 시스템(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.In embodiments, digital twin system 10214 is configured to communicate with a user through multiple communication channels, such as conversation, text, gestures, etc. For example, a digital twin can receive a query from a user regarding a distributed manufacturing network entity, generate a response to the query, and communicate such response to the user. Additionally, digital twins can communicate with each other to learn and identify similar operating patterns and problems in other distributed manufacturing network entities, as well as steps taken to solve those problems. For example, a digital twin of two manufacturing nodes, or a digital twin of a part, a printer, and a manufacturing node can communicate with each other to resolve or respond to customer requests.
도 118은 본 개시의 일부 실시예에 따른 분산 제조 네트워크의 다른 엔티티와 함께 다양한 컴포넌트를 포함하는 자율 적층 제조 플랫폼의 예시적인 구현을 예시하는 개략도이다.118 is a schematic diagram illustrating an example implementation of an autonomous additive manufacturing platform including various components along with other entities in a distributed manufacturing network according to some embodiments of the present disclosure.
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.Autonomous
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.In embodiments, data visualization 10615 in
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.In embodiments,
실시예에서, 사용자 인터페이스(10112)는 분말 제거, 지지부 제거 및 표면 마감을 위한 미리 설정된 구성을 트리거링하는 단일 클릭 후처리 프로세스를 포함할 수 있다.In embodiments,
플랫폼의 사용자는 또한 설계 및 시뮬레이션 시스템(10116)을 사용하여 프린팅될 부품 또는 제품의 설계를 캡처하는 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 캡처될 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 캡처될 수 있다.Users of the platform can also use the design and
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.In an embodiment, digital thread 10626 organizes information related to the entire lifecycle of an item produced by additive manufacturing, such as a part, from design, through modeling, production, verification, use and maintenance, and then disposal.
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.In embodiments, digital thread 10626 may be associated with one or more additive manufacturing machines, or tools, including post-processing tools such as CNC equipment, robotics support, part/part marking, metrology equipment, etc., across multiple manufacturing facilities/locations. Organize information.
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.In embodiments, digital thread 10626 optionally includes aggregated, linked, or integrated information from multiple configurations into an overall product digital thread, from design to modeling, production, verification, use, and maintenance. It consists of information related to the entire life cycle of the product, from repair to disposal.
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.Data processing system 10206 processes data collected by data collection and management system 10202 as detailed in Figures 115, 116, and 118 or elsewhere in this application or in documents incorporated by reference herein. Together, the artificial intelligence system 10212 (including the machine learning system 10210), the digital twin system 10214, and the control system 10216 optimize and adjust process parameters in real time.
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.Manufacturing workflow management application 10208 may manage various workflows, events, and applications related to production or printing and value chain management. In embodiments, matching system 10632 may help match a set of customer orders with a set of
실시예에서, 적층 제조 플랫폼은, 맞춤 및/또는 규제에 의해 다중 이중화(redundancy)가 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 이중화를 포함한다. 이러한 예에서, 특정 시스템은 이전에는 전체 제3, 제4 등의 이중화를 적절하게 공급하기 위해 이전에 전체 재고가 요구될 때, 제3, 제4 등의 이중화를 채우는 기성품 제품을 활용할 수 있다. 본 개시에 비추어, 일부 중요한 시스템은 이미 의무화된 공급에 대한 추가 이중화 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 제어기에 항공 전자 컴포넌트를 유지하는 것, 갤리에 접대 아이템을 유지하는 것, 좌석 레일 상에 좌석을 유지하는 것 등을 포함한다.In embodiments, an additive manufacturing platform may be configured to maintain an inventory of available parts for large aircraft or marine systems where redundancy is mandated by customization and/or regulations. In embodiments, example systems include two, three, or more redundancies compared to a basic operating system. In this example, a particular system may utilize off-the-shelf products to fill third, fourth, etc. redundancies when previously a full inventory was required to properly supply the entire third, fourth, etc. redundancy. In light of this disclosure, it will be understood that the present disclosure will not be applicable to all systems in that some critical systems may only accept these components as an additional layer of redundancy over already mandated supplies. During flight, the desire to minimize weight and energy consumption may limit the desire to produce certain parts, but the ability to produce parts for longer endurance flights to accommodate cabin requirements provides some in-flight functionality. It can be one motivation to do it. For example, locking components that may fail during flight, such as latches, hinges, seat belts, etc., can be replaced or temporarily locked closed to improve cabin safety. Components that may become loose can also be shimmed or temporarily held in place by custom printed parts to wedging or holding the part in place through flight. Examples include maintaining avionics components on the dashboard, overhead, or other cockpit controls, maintaining entertainment items in the galley, maintaining seats on seat rails, etc.
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.In an example, an additive manufacturing platform could be used to create additional inventory to equip an aircraft with configurable items during flight, which would result in a minimum equipment list being required for the flight, before the aircraft lands and returns to the gate for service. Before these parts can be replaced, and thus at least contribute to repairs, which would otherwise not require an early landing, may then prevent the next deployment of the aircraft until its desired use.
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.In seafaring embodiments, additive manufacturing platforms can be used to create additional inventory to equip sailing vessels with configurable items during a voyage, thereby requiring a mandatory minimum equipment list for embarkation (etc.), and allowing the vessel to Before anchoring and reloading, these parts are replaced and, therefore, at least contribute to repairs, which would not otherwise require diversion and early landing, but may then prevent the next timely deployment of the ship until its next desired use. .
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.In embodiments, the additive manufacturing platform may be configured to coordinate with land-based additive manufacturing assets to coordinate the configuration of coordinated parts and parts of larger assemblies, so that downtime at ports or hangers can be minimized. In this example, the entity providing timely maintenance inventory may augment one or more offers or coordinate one or more offers within a port or hanger system that may coordinate with one or more field systems active during the voyage and/or flight. By doing so, you can extend your reach and depth.
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.In embodiments, matching system 10632 helps match additive manufacturing tasks to engineers where matching can be based on factors such as task complexity, engineer experience, and expertise. In embodiments, matching system 10632 helps match additive manufacturing tasks to the location and/or availability of finish operators, where matching may be based on factors such as task complexity, operator experience, and expertise. In an embodiment, matching system 10632 helps match additive manufacturing tasks to sets of
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.In embodiments, scoring system 10634 helps score and rank various entities within distributed
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.In an embodiment, order tracking system 10636 helps track product orders through their movement in distributed
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.In an embodiment, alert and notification system 10640 provides alerts, notifications, or reports regarding one or more events to users or customers of
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.In embodiments, error notifications may provide options for use of
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 유형, 출력 파라미터, 사용되는 재료, 비용, ROI 등과 관련된 데이터 및 분석을 포함할 수 있다.In another example, users or customers of the distributed manufacturing network may be provided with customized reporting, including live status and analytics, based on real-time and historical data from the distributed
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 이벤트를 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.In an embodiment, payment gateway 10642 manages the entire billing, payment, and invoicing process for customers ordering products using distributed
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.It will be apparent that these applications provided by
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.In embodiments, an authentication application may be provided to authenticate the identity of a user of the platform through one or more authentication mechanisms, including a simple username/password mechanism, a biometric mechanism, or a cryptographic key exchange mechanism. Similarly, an authorization application may define the roles and access rights of users of the platform such that users with different roles are provided with different access rights. For example, “administrator” or “host” privileges may allow a user of the platform to change platform configuration, add and remove programs, access arbitrary files, and manage other users on the platform; “Engineer” privileges may allow users of the platform to operate the platform; And “service” privileges may allow users of the platform to access a subset of administrator privileges to perform maintenance and repair activities.
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.Some other example applications provided by
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 유형의 하나 이상의 제3자 시스템과 통합된다. 실시예에서, 플랫폼은 또는 밸류 체인 네트워크 엔티티의 세트를 관리하기 위한 것과 같이, 밸류 체인 네트워크 제어 타워 시스템에 통합된다.In an embodiment, the
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.In embodiments, the API system facilitates the transfer of data between
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, 자원, 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.In an embodiment, the enterprise resource planning (ERP) system 10644 performs functions such as finance, sales, marketing, service, engineering, product, within a manufacturing node and across multiple manufacturing nodes within the distributed
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.In an embodiment, a manufacturing execution system (MES) 10646 connects machines, processes, equipment, tooling, and materials to streamline manufacturing operations within a manufacturing node and across multiple manufacturing nodes in a distributed
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.In embodiments, an additive manufacturing platform, such as that associated with a value chain or other network, may be designed, prepared, configured, and/or deployed to support the design, development, manufacturing, and distribution of: trucks, trains, airplanes, boats, Parts and maintenance materials (e.g., oil, gas, other chemicals) for vehicles used to distribute products, which may include drones, etc.; Parts and maintenance materials for machines (e.g. robots) used in packaging products; Parts and maintenance materials for tools and machines (e.g., robots) used to move packaged products from warehouses to vehicles; Parts repairs for existing (and in-service) parts; Missing parts or parts from otherwise off-the-shelf products and some other parts or components for the design, development, manufacture and distribution of maintenance materials.
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.In embodiments, an additive manufacturing platform as described herein may be designed, prepared, configured, and/or positioned to support monitoring of packaging materials (e.g., boxes, boxes, wrap materials, etc.) “There is a need to create more.” Additive manufacturing platforms can address “recall” situations by adding or modifying products in the warehouse, monitoring problems with vehicles, machines, tools, and other equipment used, and then “receiving” needed parts or materials. Tools can be replaced “accordingly,” and tools can be created on-demand as needed by workers or robots within the warehouse/distribution network.
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 유형의 3D 프린팅 적층 제조의 하이브리드/쌍을 사용하는 것.In embodiments, an additive manufacturing platform as described herein processes manufacturing inputs, e.g., using an artificial intelligence system (e.g., a robotic process automation system trained on a training set of professional service visit data). Designed, prepared, configured and/or arranged to assist in determining a recommended action, which in embodiments may involve replacement of a part and/or repair of a part, or some other activity. In embodiments, an additive manufacturing platform may automatically determine that an element should be additively manufactured to facilitate repair, such as when a complementary component can be created to replace a worn or missing element. In an exemplary embodiment, some techniques and/or techniques that may be utilized in conjunction with a warehouse/distribution center may include, but are not limited to: transporting different tools, parts, and/or packaging in real time (i.e. , providing and/or including a number of source materials to create (on the spot); Use AI to design products, configure manufacturing processes (including the packaging material creation process), schedule, prioritize, and/or logistics tasks (including parts, materials, etc.) without disrupting other typical processes involved in a warehouse/distribution center. optimizing the efficiency of warehouse processes to replace; Enriching the AI with input/source/training set data related to design factors, economic factors, quality factors, etc. involved in certain example embodiments (in particular, e.g., manufacturing processes of component materials required for machinery and/or packaging materials) using sensors and monitoring of data to adjust); Input, process data to run simulations of individual processes or combinations of processes to anticipate material needs to be able to produce or manufacture tools, parts, packaging, and/or fixture machinery in real time (as required) and combining the output with a digital twin; Additive manufacturing nodes within a mesh and/or fleet for coordinated operation within a warehouse/distribution network in an efficient manner for producing tools, parts, packaging, and/or other materials used to fasten machines in real time. networking; Robots that can be attached to a machine and then print directly on the product, printing tools, printed parts for machines used in warehouse/distribution networks, printed packaging, and/or printing materials used to hold machines in place in real time. to use; Enumerated within a warehouse/distribution center network process to secure products, produce tools, produce parts, produce packaging, and/or produce other materials to secure machines (as needed) in real time. Using a hybrid/pair of different types of 3D printing additive manufacturing, including any and all items created.
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.In embodiments, a product lifecycle management (PLM) system 10648 helps manage parts or products throughout their entire lifecycle, from concept and design through manufacturing and distribution to customer use and service. The PLM system 10648 can contain accurate, real-time product information across the lifecycle and value chain. This involves developing a product in response to feedback from one or more distributed manufacturing network entities such as customers, distributors, logistics providers, regulators, safety experts, service specialists, salespeople, product managers, designers, resellers, etc. who use the product. and help manage it. This can also enable rapid customization of products and accelerated proof of concept during the product development stage. Additionally, it can help predict product demand and pricing, improve customer engagement, conduct product testing during customer use, and provide proactive warranty management.
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.In an embodiment, Maintenance Management System (MMS) 10650 monitors a set of 3D printers, cutting tools, filters, machine lasers, and other machines, manages spare parts, maintains records, and supports artificial intelligence and machine tools. It uses learning models to efficiently self-diagnose maintenance requirements and generate work orders. In embodiments, MMS 10650 monitors, maintains records, and creates sets of other machines, equipment, products, fixtures, or other assets (e.g., spare parts, tools, workpieces, accessories, replacement elements, etc. (to) manage maintenance operations for that set of items, including coordinating the additive manufacturing workflow with other maintenance workflows. In embodiments, this is done in conjunction with automation, such as robotic process automation, such as when an RPA agent is trained on a set of expert interactions to perform or support operations performed by maintenance workers.
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.In an embodiment, a quality management system (QMS) 10652 determines whether a printed part was produced correctly by comparing real-time sensor data to expected feedback data, where the expected feedback data includes historical data, test data, and machine learning data. Created from at least one In an embodiment, QMS 10652 also generates a warranty certification that includes the duration and scope of coverage of the parts warranty upon determining completion of testing and quality assurance.
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.In an embodiment, QMS 10652 includes automated part metrology and utilizes a vision system with variable focus optical system and artificial intelligence-based pattern recognition for automated part metrology. In embodiments, a vision system dynamically learns about a conformal variable focus liquid lens assembly and training data of results, parameters and data collected from the conformable variable focus liquid lens assembly to train an artificial intelligence system to recognize objects. It may include a processing system that does. The adaptive variable focus liquid lens assembly can continuously adjust based on environmental factors and based on feedback from the processing system to generate training data that corresponds to the physical light that the image represents while providing greater context. By training the vision system to recognize objects using variable optical parameters through a liquid lens assembly, the processing system can learn about the most optimal optical settings for detecting the object. Much more dynamic input to the vision system can result in creating richer context and providing superior object recognition.
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.In an embodiment, certification system 10654 is configured to generate workflow and process control documentation to obtain a certificate of conformity from one or more manufacturing certification bodies or standards bodies. In embodiments, one or more manufacturing certification bodies or standards bodies include the International Organization for Standardization (ISO), a European Certification (CE marking) body, Underwriters Laboratories (UL), the Society of Automotive Engineers (SAE), the Federal Aviation Administration (FAA), Includes TUV SUD, DNV GL, AS9100, IAQG 9100, American Society of Testing and Materials (ASTM), NIST (Research, Measurement Sciences, and Standards), Fraunhofer Institute (Research), and Sandia National Labs (Research).
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.In an embodiment, compliance system 10656 is configured to perform compliance checks on 3D printed parts. In embodiments, compliance checking may be performed by or from robotic process automation, such as when a compliance model or algorithm is trained by a qualified expert in certification/compliance to specific requirements on a training set of compliance review data, etc. It is achieved with the support of In embodiments, a domain-specific or subject-specific model, such as for each compliance domain or subject, such as compliance with environmental standards, material standards, structural standards, chemical standards, safety standards, electrical standards, fire-related standards, etc. A set of can be trained.
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 어셈블리의 동작 단부 상에 배치된 노즐로부터 적층 성층을 전달하도록 구성될 수 있다.In embodiments, robot/cobot system 10658 may include an autonomous robotic system or arm unit integrated with a set of
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, 유형, 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 유형, 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.In embodiments, autonomous
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.The metal
프로세스 및 재료 선택(Process and material Selection)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.The selection and use of one or more processes or materials for additive manufacturing can be automated and optimized.
이제 도 115, 116 및 119를 참조하여, 프로세스 및 재료 선택을 자동화하기 위한 예시적인 실시예가 설명된다.Referring now to Figures 115, 116 and 119, example embodiments for automating process and material selection are described.
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 유형과의 제조 호환성에 대해 평가된다. 설계 및 시뮬레이션(10116)은 인공 지능(10212), 시뮬레이션 관리(10514), 프린터 트윈(10506)(실시예에서 임의의 유형의 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 시스템(10214)에서 프린터 트윈(10506)을 사용하여 부품 설계 치수 및 정확도를 시뮬레이션하고 이용 가능한 3D 프린터 작업 봉투 및 사양과 비교하는 것을 포함한다.The part design, including model information and product requirements, is presented to design and
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.After the part design is verified to be compatible with one or more of the
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.Autonomous
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.116, 118, and 120, when manufacturing is completed, part and process data related to the results of the 3D printing process are collected by data collection and management system 10202. The resulting data is provided to the
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.The following is an example of autonomous design verification and selection of 3D printing processes and materials. 114 and 115, part design data is entered into
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.With assistance from
하이브리드 부품 작업흐름(HYBRID PART WORKFLOWS)HYBRID PART WORKFLOWS
기존 부품 상에 적층 재료를 적용하기 위해 최적화된 하나 이상의 하이브리드 제조 작업흐름의 선택 및 사용은 수정된 부품 어셈블리를 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.The selection and use of one or more hybrid manufacturing workflows optimized for applying additive materials onto existing parts can be automated to create modified part assemblies. Hybrid part workflows can be used to develop new manufacturing processes, repair existing parts, and modify existing parts to improve value chain outcomes.
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.Autonomous
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 유형의 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 시스템(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 시스템(10214)에서 프린터 트윈(10506) 및 부품 트윈(10504)의 사용을 포함할 수 있다.In the component repair example, data from
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.After the modified part is verified by design and
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.118 and 119, when modified part manufacturing is completed, part and process data related to the results of the 3D printing process are collected by data collection and management system 10202, where modified part parameters, measurements, The data may be exported to systems responsible for managing assurance, safety, and related compliance, such as ERP systems 10644, certification systems 10654, compliance systems 10656, etc. In embodiments, the data may be used to set parameters for a smart contract, such as filling out warranty-related, safety-related, liability-related, or other provisions of the smart contract. The platform and/or smart contract may store data on the blockchain.
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.In embodiments, a hybrid manufacturing workflow may be used to modify an existing part design to create a new design, for example, when incorporating new functional or safety features that improve part performance.
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.In embodiments, hybrid manufacturing workflows may be used to create new parts comprising multiple materials, which may require more than one 3D printer or 3D printing process to create targeted parts or product characteristics.
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.114 and 115, in an embodiment, a hybrid manufacturing workflow may specify and manage specialized pre-processing (10104) and post-processing (10106) for manufacturing an additive manufacturing unit (10102). Examples include part cleaning, machining, grinding, surface finishing, etc. to enable 3D printing or to create modified parts that meet the original equipment part specifications.
공급원료 조성(FEEDSTOCK FORMULATION)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.The selection, purchasing, and management of 3D printer feedstock can be automated and optimized to improve manufacturing efficiency, control supply chain logistics and costs, and provide new part production capabilities.
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 유형, 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 및/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.Referring now to FIG. 119 , feedstock composition system 10706, assisted by
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.In an embodiment, the feedstock composition system 10706 includes a
도 116 및 119를 참조하면, 공급원료 조성 시스템(10706)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.116 and 119, feedstock formulation system 10706 operates in conjunction with
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(10706)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(10706)은, 공급원료 재료를 전달하고 적층 제조 유닛(10102)에 대한 공급원료 재료 변경을 수행하는 하나 이상의 자동화된 생산 및 수송 시스템을 포함할 수 있다.Referring now to FIGS. 114 , 115 , and 119 , in embodiments, feedstock composition system 10706 may include a physical subsystem that is integrated with one or more of a
설계 최적화(DESIGN OPTIMIZATION)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.Optimizing part design for use with an additive manufacturing process typically requires specialized software, equipment, training, technical knowledge, and the ability to provide and interpret process data and manufacturing results. Autonomous or guided product design can be used to improve value chain outcomes by using pre-engineered part libraries or expert systems to provide autonomous part design or expert-assisted design optimized for metal additive manufacturing processes. The resulting workflow and process functionality can be further optimized by including constraints or recommendations based on real-time analysis of selected materials or value chain entities providing data on the availability of 3D printers, part costs and delivery times, etc.
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 툴을 위한 부품을 포함한다.118, part design optimization for a 3D printing process can be automated using design and
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 어셈블리 및 어셈블리 내의 모든 부품은 기능적 또는 클래스 기준을 충족시키는 제품 어셈블리를 포함할 수 있다.115, 116, 118, and 119, in one example embodiment, a request for a new part with specific functionality is received by
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.In embodiments, one or more candidate portions are automatically selected by design optimization system 10710. With the assistance of
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.In embodiments, design optimization system 10710 may use machine learning models trained by product design experts. In embodiments, design optimization system 10710 may use machine learning models trained using data and results from previous designs.
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.In embodiments, design optimization system 10710 may use a generative or evolutionary approach to design. The system can start with a design goal and then explore countless variations by adding constraints before choosing a final design based on an evolutionary model. Evolutionary models are based on the principles of natural selection, where the most optimal design is selected from an initial population of potential designs through a series of evolutionary stages. Generative models include models such as DALL-E™ that blend visual and text-based artificial intelligence systems, as well as additional hybrid models to generate visual, 3D, text, color, texture, strength, flexibility, and many other properties. This may involve using specialized artificial intelligence systems to generate variations of each of a large set of features and to generate combinations such as pairs, triplets, and higher-order n-tuples of features. Includes. In embodiments, a generative model represents a combination of properties shared between semantically distinct objects or subjects, such as a cat and a basket, to generate and/or select a set of designs that implement the shared set of properties. You can create and/or select design instances.
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, (설문조사, 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.In embodiments, the evolutionary model may be based on genetic algorithm (GA), evolutionary strategy (ES) algorithm, evolutionary programming (EP), genetic programming (GP), and other suitable evolutionary algorithms. In embodiments, the evolutionary model may be based on semantic features, based on design constraints (such as an acceptable color palette for the brand), based on physical or functional requirements (such as surveys, engagement tracking, and/or A/B generated by consumer participation (such as testing), outcome-based (such as sales, profits, etc.), cost-based (materials, manufacturing, logistics, etc.), safety or liability-based, regulatory requirements, or Various feedback and filtering functions are available, such as those based on authentication. In an embodiment, feedback on design evolution is taken from a set of smart contracts, such as a set of smart contracts providing various design variations for purchases, reservations, etc. For example, a design may evolve based on the execution of a favorable smart contract, such as when a particular design is booked through a set of smart contracts at a profitable price and in a favorable volume.
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.In an embodiment, an evolutionary design system coupled to a set of
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.116 and 119, once manufacturing is complete, part and process data related to the results of the 3D printing process are collected by data collection and management system 10202. The resulting data is provided to the
위험 예측 및 관리(RISK PREDICTION AND MANAGEMENT)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.Referring now to FIG. 119 , risk prediction and
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.In embodiments,
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 유형의 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.In an example embodiment, model 10213 may be trained to predict the risk of component failure by detecting the condition of the component.
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. 그런 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.In an exemplary embodiment, model 10213 may be used to address, for example, equipment failures, strikes and other labor disruptions, border control activities (e.g., customs inspections, travel bans, etc.), restrictions on shipping, traffic congestion, power outages, storms, and other conditions. Such as natural disasters, disasters, economic disruptions (such as major changes in tariffs), regulatory changes (such as bans on imports or exports or changes in where products can legally be sold or used), pandemics, political unrest, etc. It can be trained to predict the risk that products will not reach customers due to supply chain and other disruptions, such as those caused by various external events. In this example, the model can be accessed from social media feeds, weather patterns, news feeds, websites (e.g. websites providing content related to the above, marketplace websites, research websites, etc.), crowdsourcing systems (economic factors, behavior one or more external sources, such as posing a query or project to the crowd to solicit input on specific factors such as factors, trends, etc.), algorithms (e.g. trained to provide specific predictions of events), etc. Can be trained to predict supply chain disruptions by discovering, extracting, transforming, normalizing, processing, and/or analyzing data from The
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.In embodiments,
마케팅 및 고객 서비스(MARKETING AND CUSTOMER SERVICE)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.Referring now to FIG. 119 , marketing and customer service system 10716 interfaces with, links to, or integrates with
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.In embodiments,
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 유형의 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 유형 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 캡처할 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.In an example embodiment, model 10213 may be trained to predict the behavior and purchasing patterns of one or more customers to provide personalized sales, marketing, advertising, promotions, and/or customer service. In embodiments,
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 유형, 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.In embodiments, marketing and customer service system 10716 may use artificial intelligence to provide personalized sales, marketing, advertising, promotions, and/or customer service, including delivering personalized marketing and advertising campaigns and providing product recommendations. May interface with
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.In embodiments, an
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 캡처된 입력들과 같은 엔터테인먼트 장소 소유자로부터의 또는 엔터테인먼트 장소 소유자와 관련된 입력을 취할 수 있다.In embodiments, the platform may include input indicating the item being printed (e.g., technical specifications, CAD design, etc.); Input indicating requirements (e.g., need to improve existing roller coaster personnel with custom rockwork, need to build dinosaur replicas, etc.); and inputs captured by cameras, microphones, data collectors, sensors, and other information sources associated with the entertainment venue.
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.In embodiments that recommend or configure instructions for additive manufacturing,
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 유형 등을 수반하는 시뮬레이션과 같은 시뮬레이션의 세트를 수행하게 함으로써 이루어질 수 있다. 실시예에서, 시뮬레이션은, 로봇 취급 시스템에 의해 핸드오프가 취급되는 경우와 같이, 상이한 제조 엔티티 유형의 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.In embodiments,
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.It will be clear that the above decisions regarding prediction, optimization using
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 자원, 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.In embodiments, autonomous
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.Accordingly, distributed
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.In an embodiment, a method for facilitating manufacturing and delivery of a 3D printed product to a customer using one or more manufacturing nodes in distributed
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.In embodiments, the product requirements may be a 3D printing instruction set that includes a file (e.g., a CAD file and/or an STL file) and any accompanying instructions for printing the product defined in the file.
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.In embodiments, a distributed manufacturing network may be implemented through a distributed ledger system integrated with a digital thread to store a set of entities, activities, and transactions associated with the distributed manufacturing network.
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.In embodiments, a smart contract system may communicate with a distributed ledger system and may be configured to implement and manage smart contracts via the distributed ledger. Smart contracts can be stored in a distributed ledger and can contain triggering events. A smart contract can be configured to perform smart contract actions in response to the occurrence of a triggering event. A distributed manufacturing network may be configured to receive instances of a 3D printing instruction set from a user. The 3D printing instruction set may be tokenized so that instances of the 3D printing instruction set can be manipulated as tokens on a distributed ledger. Tokenized 3D printing instruction sets can be stored through a distributed ledger. Commitments from various parties (distributed manufacturing network entities) to smart contracts can be processed. The use of smart contracts in distributed manufacturing networks helps automate distributed manufacturing workflows.
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.In embodiments, a distributed manufacturing network facilitates the creation of a distributed manufacturing marketplace or exchange for the purchase and sale of additive manufacturing components, products, and instruction sets with manufacturing nodes constituting sellers and customers constituting buyers.
실시예에서, 분산 제조 네트워크는 제조 노드에 의한 동작 적층 제조 데이터를 데이터 집선기(aggregator)에 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.In embodiments, a distributed manufacturing network facilitates the creation of a data marketplace for selling operational additive manufacturing data by manufacturing nodes to a data aggregator. In an embodiment, a data marketplace is built on a distributed ledger and manufacturing nodes are rewarded using digital tokens through smart contracts. In embodiments, the data is anonymized to hide the identity of the manufacturing node that owns the data.
도 120은 본 개시의 일부 실시예에 따른, 자율 적층 제조 플랫폼에 의해 인에이블되고 분산 원장 시스템 상에 구축되는 분산 제조 네트워크의 개략도이다.120 is a schematic diagram of a distributed manufacturing network built on a distributed ledger system and enabled by an autonomous additive manufacturing platform, according to some embodiments of the present disclosure.
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.Distributed
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.The
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.A distributed computing node is essentially a computing device having a processor and a computer-readable medium with machine-readable instructions stored thereon, and containing a complete copy of the transaction history of the distributed ledger. Nodes in the distributed ledger can be implemented in a variety of computing systems, including additive manufacturing systems, enterprise systems, inventory management systems, packaging systems, shipping and/or delivery tracking systems, SKU databases, smart factories, etc. Whenever an additional transaction is proposed to be added to the distributed ledger, one or more of the nodes typically verify the proposed additional transaction record, such as through a consensus algorithm. Typically, once a proposed transaction has been verified, for example through some consensus algorithm, the proposed transaction is added to each copy of the distributed ledger across all nodes.
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.In embodiments, transaction data is verified by nodes through a proof-of-work (POW) consensus algorithm and hashed into an ongoing chain of cryptographically approved blocks of transaction records that constitute a distributed ledger.
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 유형의 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.In an embodiment, the proof of operation algorithm requires a node to perform a series of computations to solve a cryptographic puzzle. For example, to verify a pending data record, a node may be required to compute a hash via a hash algorithm (e.g., SHA256) that satisfies certain conditions set by the system. Computing a hash in this manner may be referred to in this application as “mining,” and the node performing mining may be referred to as a “miner” or “miner node.” A distributed ledger may, for example, require that the value of a hash be below a certain threshold. In this embodiment, the node inputs a “base string” (i.e., a combination of various types of metadata within the block header, e.g., cause hash, hash of the previous block, timestamp, etc.) into the POW algorithm. You can create a hash by combining it with a "nonce" (e.g., an integer value). In an example embodiment, the nonce may initially be set to 0 when calculating the hash value using the POW algorithm. The nonce can then be incremented by a value of 1, until the node can determine the nonce value that results in a hash value below a specified threshold (e.g., the requirement that the resulting hash begins with a specified number of zeros). It can be used to calculate a new hash value as needed. The first node to identify a valid nonce may broadcast the solution (in this example, the nonce value) to other nodes in the distributed ledger for verification. Once other nodes verify the “winning” node’s solution, the pending transaction record can be attached to the final block in the distributed ledger. In some cases, divergence in distributed ledger copies may occur when multiple nodes compute valid solutions in a short time frame. In such cases, nodes using the POW algorithm accept the longest chain of blocks (i.e. the chain with the largest proof-of-work) as the “true” version of the distributed ledger. Subsequently, all nodes with divergent versions of the distributed ledger can adjust their copy of the ledger to match the true version as determined by the consensus algorithm.
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. 그런 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.In another embodiment, the consensus algorithm may be a “proof of stake” (“PoS”) algorithm, where verification of pending transaction records relies on the user’s “stake” in the distributed ledger. For example, a user's “stake” may depend on a digital currency within a distributed ledger or the user's stake in a points system (e.g., cryptocurrency, token system, asset sharing system, reputation point system, etc.). The next block within the distributed ledger can then be determined by the record of pending transactions collecting the largest number of votes. A larger stake (e.g. in a given digital currency or token system) results in a larger number of votes that a user can allocate to a particular pending transaction record, which in turn allows that particular user to create a block on the distributed ledger. increases the chances of doing so. In embodiments, the distributed ledger need not be based on a token or cryptocurrency system, but rather may be secured by, for example, conventional or other security techniques. In embodiments such as those involving digital threads, proof-of-stake may be weighted, such that the product manufacturer's votes, customers' votes, etc. are counted more than any third party's.
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.In another embodiment, the consensus algorithm may be a “Practical Byzantine Fault Tolerance” (“PBFT”) algorithm in which each node verifies pending transaction records using stored internal state within the node. In particular, users or nodes can submit requests to post records of pending transactions to the distributed ledger. Each node in the distributed ledger can then run a PBFT algorithm using the pending transaction record and each node's internal state to reach a conclusion regarding the validity of the pending transaction record. Upon reaching the above conclusion, each node may submit a vote (e.g., “yes” or “no”) to other nodes in the distributed ledger. A consensus is reached between nodes by considering the total number of votes submitted by the nodes. Subsequently, once a critical number of nodes vote “yes”, the pending transaction record is treated as “valid” and is then attached to the distributed ledger across all nodes.
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.In embodiments, nodes are paid transaction fees for mining activities. In an embodiment, the distributed ledger is a private and permissioned blockchain controlled by a single entity or a consortium of trusted entities, built using pre-built APIs provided for CORD A, Hyperledger, and Quorum.
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.In embodiments, the distributed ledger is a public permissionless blockchain built on the Ethereum or Bitcoin blockchain. In embodiments, event data related to the movement of goods through a supply chain in a trade finance network may be tracked using an IoT subsystem.
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.In embodiments, transaction records stored in a distributed ledger may be hashed, encrypted, or otherwise protected from unauthorized access and may be accessible only using a private key to decrypt the stored information/data.
블록체인은 그 안에 모든 트랜잭션을 저장하도록 구성된 단일 블록체인일 수 있거나, 또는 복수의 블록체인을 포함할 수 있고, 각각의 블록체인은 특정 유형의 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.A blockchain may be a single blockchain configured to store all transactions within it, or it may include multiple blockchains, each blockchain being utilized to store transaction records representing a specific type of transaction. For example, a first blockchain may be configured to store shipping data and supply chain transactions, and a second blockchain may be configured to store financial transactions (e.g., via virtual currency).
실시예에서, 분산 원장 시스템은 분산 제조 네트워크 내의 엔티티에 의해 다운로드가능한 탈중앙화된 애플리케이션을 포함한다.In an embodiment, a distributed ledger system includes a decentralized application downloadable by entities within a distributed manufacturing network.
실시예에서, 분산 원장 시스템은 분산 제조 네트워크의 엔티티의 세트에 작업흐름의 통합 뷰의 세트를 제공하도록 구성된 사용자 인터페이스를 포함한다.In an embodiment, the distributed ledger system includes a user interface configured to provide a set of integrated views of workflows to a set of entities in a distributed manufacturing network.
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.In embodiments, the distributed ledger system includes a user interface configured to provide tracking and reporting on the status and movement of products from ordering through manufacturing and assembly to final delivery to a customer.
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.In an embodiment, the distributed ledger system includes a system for digital rights management of entities within a distributed manufacturing network. In an embodiment, the distributed ledger system stores digital fingerprinting information and other information of documents/files, including creation, modification.
실시예에서, 분산 원장 시스템은 분산 제조 네트워크 내의 엔티티 사이에서 가격 생성을 장려하고 가격을 이체하기 위한 암호화폐 토큰을 포함한다.In an embodiment, the distributed ledger system includes cryptocurrency tokens to encourage price creation and transfer prices between entities within a distributed manufacturing network.
실시예에서, 분산 원장 시스템은 제조 노드의 경험을 증명하기 위한 시스템을 포함한다.In an embodiment, the distributed ledger system includes a system for verifying the experience of a manufacturing node.
실시예에서, 분산 원장 시스템은 부분의 단 대 단(end-to-end) 추적성을 캡처하기 위한 시스템을 포함한다.In an embodiment, a distributed ledger system includes a system for capturing end-to-end traceability of parts.
실시예에서, 분산 원장 시스템은 분산 원장 상의 모든 트랜잭션, 수정, 품질 검사 및 인증을 추적하기 위한 시스템을 포함한다.In an embodiment, a distributed ledger system includes a system for tracking all transactions, modifications, quality checks, and certifications on the distributed ledger.
실시예에서, 분산 원장 시스템은 제조 노드의 능력을 검증하기 위한 시스템을 포함한다.In an embodiment, the distributed ledger system includes a system for verifying the capabilities of manufacturing nodes.
실시예에서, 분산 원장 시스템은 분산 제조 네트워크에서 작업흐름을 자동화하고 관리하기 위한 스마트 계약을 포함한다.In an embodiment, the distributed ledger system includes smart contracts to automate and manage workflow in a distributed manufacturing network.
실시예에서, 분산 원장 시스템은 작업 범위, 견적, 타임라인, 및 지불 기한을 커버하는 구매 주문을 실행하기 위한 스마트 계약을 포함한다.In an embodiment, the distributed ledger system includes smart contracts to execute purchase orders covering work scope, estimates, timelines, and payment due dates.
실시예에서, 분산 원장 시스템은 제품의 배달 시에 고객에 의한 지불의 처리를 위한 스마트 계약을 포함한다.In an embodiment, the distributed ledger system includes smart contracts for processing payments by customers upon delivery of products.
실시예에서, 분산 원장 시스템은 결함 있는 제품에 대한 보험 청구를 처리하기 위한 스마트 계약을 포함한다.In an embodiment, the distributed ledger system includes smart contracts for processing insurance claims for defective products.
실시예에서, 분산 원장 시스템은 품질 보증 청구를 처리하기 위한 스마트 계약을 포함한다.In an embodiment, the distributed ledger system includes smart contracts for processing quality assurance claims.
실시예에서, 분산 원장 시스템은 유지보수의 자동화된 실행 및 지불을 위한 스마트 계약을 포함한다.In an embodiment, the distributed ledger system includes smart contracts for automated execution and payment of maintenance.
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.121 illustrates an example implementation of a distributed manufacturing network where digital thread data is tokenized and stored in a distributed ledger to ensure traceability of printed parts from one or more manufacturing nodes within the network, according to some embodiments of the present disclosure. This is a schematic diagram. Users of the distributed
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 캡처하고, 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.Upon receipt, the 3D printing instruction set 10902 is tokenized and stored in distributed ledger 10624 of autonomous
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.In an embodiment, matching system 10632 matches product parts 10904 and 10910 to
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 캡처하도록 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.Each part also contains a part specification that includes information such as purchase order identifier (orderID), instruction set identifier (fileID), manufacturing node (manufacturerID), 3D printer (printerID), part number (partID), and material and quantity. It can be tokenized to capture information and stored as a record or block in a distributed ledger. The part can then be linked to the block and tracked using a physical tracker using a unique part number, engraving, RFID tag, barcode or smart label unique to the token. In a similar manner, products assembled from all components may also be tokenized and tracked as they move through the distributed
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.In embodiments, tokenizing a part, product, or 3D printed instruction set may include: This may include wrapping intellectual property, licensing, ownership, financial, time sharing, rental, lending, use sharing and/or other suitable rights into a token.
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.In embodiments, distributed
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 자원, 공유된 보안 자원, 공유된 물리적 위치 등을 가능하게 하는 것과 같은) 분산 제조 시장과 다른 거래소 사이의 자원 공유를 제공하는 것; 및/또는 분산 제조 시장 및 다른 거래소의 통합된 조정을 제공하는 것. 공유 자원 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.In embodiments, the Distributed Manufacturing Marketplace as described herein may be integrated with or within other exchanges, such as domain-specific exchanges, geography-specific exchanges, etc., wherein the Distributed Manufacturing Marketplace may be a subject matter of other exchanges, such as: It can be configured to deal with: changes in other exchanges in the models and algorithms (e.g. pricing models, prediction models, control systems, etc.) used in the distributed manufacturing market; these include supply, demand, price, volume, operating factors, and taking into account the extent to which they influence other factors; A set of items that can be used by other exchanges through a distributed manufacturing unit (e.g., by providing products that can be exchanged on other exchanges, by providing data sets, analytical measurements, etc. that can inform the behavior of other exchanges, etc.) and /or providing a set of data; Providing resource sharing between distributed manufacturing markets and other exchanges (such as enabling shared computation, shared data storage, shared network resources, shared security resources, shared physical locations, etc.); and/or providing integrated coordination of decentralized manufacturing markets and other exchanges. Utilizing shared resources may include, for example, embedding a set of services from another exchange into one or more additive manufacturing units, so as to result in a hybrid of the additive manufacturing unit and other exchange-enabled units. Other exchanges include product exchanges (e.g. e-commerce markets, auction markets, etc.), stock exchanges, commodity exchanges, derivatives exchanges, futures exchanges, advertising exchanges, energy exchanges, renewable energy credit exchanges, knowledge exchanges, cryptocurrency exchanges, and bond exchanges. Exchange, currency exchange, precious metals exchange, oil exchange, exchange for goods, exchange for services, exchange for legal rights (e.g. intellectual property, real estate, rights of publicity, rights of privacy, etc.), or any of a wide variety of others. It could be. This may include integration by APIs, connectors, ports, brokers, and other interfaces, as well as extraction, transformation, and loading (ETL) technologies, smart contracts, wrappers, containers, or other capabilities.
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, 자원 등의 공급 및/또는 수요의 증가, 정부 규제의 변화, 및 임의의 다른 적합한 파라미터를 포함한다.In embodiments, digital twin system 10214 may be configured to present a simulation of a market, exchange, product, seller, buyer, transaction, or combination thereof via a market digital twin. A digital twin or replica can be a two-dimensional or three-dimensional simulation of a market, exchange, product, seller, buyer, transaction, etc. The digital twin can be viewed on a computer monitor, television screen, three-dimensional display, virtual reality display and/or augmented reality display such as a headset, AR goggles or glasses, etc. The digital twin may be configured to be manipulated by one or more users of autonomous
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 유형의 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.In embodiments, autonomous
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.In embodiments, scoring system 10634 may evaluate one or more manufacturing nodes or 3D printers within distributed
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.In an embodiment, scoring system 10634 crowdsources customer satisfaction scores from multiple entities within distributed
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.In embodiments, a certification entity or domain expert may authenticate one or more 3D printed parts as being of good quality, accurate, and/or reliable. In embodiments, a customer may review and certify one or more 3D printed parts or products, such as indicating that the part or product is in working order and/or of expected quality. In embodiments, manufacturers and/or wholesalers may sign instances of a 3D printed instruction set, such as applying a serial number to a 3D printed instruction set piece, before the 3D printed instruction set is available for transfer to a customer. Certifications, reviews, signatures, and/or any other verification indications made by a crowd source are recorded in the distributed ledger, such as by adding to the distributed ledger one or more new blocks indicating the verification, review, signature, or other verification indications. It can be.
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.In an embodiment, autonomous
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.In embodiments, autonomous
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.In an embodiment, autonomous
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.In an embodiment, autonomous
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.In an embodiment, autonomous
실시예에서, 분산 원장은, 예컨대, 하나 이상의 암호 증명 및/또는 기술에 의해, 3D 프린팅 명령어 세트(10902)에 대한 증명가능한 액세스를 제공한다.In an embodiment, the distributed ledger provides verifiable access to the 3D printing instruction set 10902, such as by one or more cryptographic authentication and/or techniques.
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.In embodiments, a distributed ledger may provide provable access to the 3D printing instruction set 10902 by one or more zero-knowledge proof techniques.
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.In embodiments, autonomous
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.In embodiments, a trusted authorizing authority (e.g., autonomous
실시예에서, 자율 적층 제조 플랫폼(10110) 또는 다른 적절한 권한은 사용자에게 2개 이상의 액세스 레벨을 제공할 수 있다.In embodiments, autonomous
실시예에서, 자율 적층 제조 플랫폼(10110)은 사용자의 하나 이상의 클래스를 정의할 수 있고, 여기서 사용자의 클래스 각각은 각각의 액세스 레벨을 승인받는다.In embodiments, autonomous
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.In embodiments, autonomous
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.In embodiments, possession of a particular access key may be used to determine the level of access to the distributed ledger. For example, a first class of users may be granted full observation access of a block, while a second class of users may be granted observation access of a block and the ability to verify and/or authenticate one or more instances of transactions contained within the block. Both may be granted, and a third class of users may have observation access to the block, the ability to verify and/or authenticate one or more instances of transactions contained within the block, and the ability to modify one or more instances of transactions contained within the block. Ability can be approved. In some embodiments, a class of users may be verified as legitimate users of the distributed ledger in one or more roles, and may grant relevant permissions to the distributed ledger and content stored therein.
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.In embodiments, distributed
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.In embodiments,
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 유형의 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 유형의 제품 샘플을 포함할 수 있다.In embodiments,
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.In embodiments,
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 유형을 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 유형을 결정할 수 있다.In embodiments,
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 품절(out of stock)되었다는 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.In embodiments,
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.In embodiments,
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.In embodiments, an additive manufacturing platform may be configured to create customized products for shoppers (i.e., customers) in or moving into a retail environment. Customized products can be printed in a retail environment by 3D printing devices, thereby attracting customers to the retail environment. Customized products may include either or both decorative design and functional design. The decorative design may be configured to have one or more aesthetic elements that are customized according to the customer's profile. A functional design may be configured to have one or more functional features that are customized according to the customer's profile. For example, an additive manufacturing platform may use customer profile information, such as location data and/or search data, to determine that a customer will visit a retail environment. When a customer determines that they will visit a retail environment, the additive manufacturing platform can use information indicating the customer's aesthetic and/or functional desires to design a customized product for the customer. 3D printing devices can manufacture customized products so that the customized products can be purchased by customers from a retail environment. A customized product may be a product tailored to fit the customer's physiology. For example, a customized product may be the case for a cellular phone designed to fit a customer's hand based on data related to the shape and/or size of the customer's hand.
실시예에서, 적층 제조 플랫폼은 쇼핑객에게 맞춤화된 제품 샘플을 생성하도록 구성될 수 있다. 적층 제조 플랫폼은 고객에게 어필할 수 있는 하나 이상의 유형의 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 유형의 제품 샘플을 포함할 수 있다.In embodiments, an additive manufacturing platform may be configured to generate customized product samples to shoppers. The additive manufacturing platform may use data from customer profiles to determine samples of one or more types of products that may appeal to the customer. A 3D printing device may print samples of products that appeal to customers before and/or during their visit to a retail environment. Product samples may include, for example, material samples, fabric samples, food samples, or any other suitable type of product sample.
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.In embodiments, an additive manufacturing platform may be configured to use images, text, audio, and/or video associated with a customer to build a customer profile. Images, text, audio, and/or video may be sourced from one or more of web crawlers, social media feeds, public databases, etc.
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 유형을 결정하는 것을 허용하도록 구성될 수 있다. AI 시스템은 고객에게 다소 바람직할 수 있는 맞춤형 설계의 유형을 결정하기 위해 하나 이상의 기계 학습 모델을 사용할 수 있다.In embodiments, an additive manufacturing platform may include an AI system configured to perform AI and/or machine learning tasks related to the functionality of the additive manufacturing platform. The AI system may be configured to design, at least in part, customized products for shoppers. The AI system may use one or more machine learning models to analyze customer profiles and determine one or more customized products or features thereof that are desirable to the customer. The AI system may use one or more machine learning models to analyze the source of images, text, and/or video to build customer profiles. The machine learned model can be configured to allow the AI system to determine the types of images, text, and/or video that are somewhat valuable and/or effective for building customer profiles. The AI system may use one or more machine learning models to determine the type of custom design that may be more or less desirable for the customer.
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.In embodiments, an additive manufacturing platform may be configured to produce out-of-stock and/or low-stock products on-site in a retail environment. The platform may receive data related to the amount of inventory of products in the retail environment. The platform may determine that one or more products are out of stock and/or may be out of stock. The AI system can be configured to determine rewarehousing needs. Upon determining that one or more products are out of stock and/or may be out of stock, the platform may, by means of a 3D printing device, produce more products.
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.In embodiments, an additive manufacturing platform may be configured to create infrastructure for a retail environment. The infrastructure may be a new infrastructure and/or a replacement infrastructure. The infrastructure can be created through 3D printing devices. Examples of infrastructure include pallets, storage racks, display environments, signs, packages, tags, escalator components, elevator components, etc. The additive manufacturing platform can be configured to automatically determine the infrastructure needs of a retail environment. The AI system may be configured to use machine learning models to determine and/or predict the infrastructure needs of the retail environment.
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.In embodiments, an
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.Based on the nature of the health care consultation (e.g., medical specialty and corresponding devices, equipment, and components),
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.In embodiments,
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, 프로토유형, 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.In embodiments,
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 프로토유형 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.In an example embodiment, an outpatient may visit an orthopedic office for a healthcare consultation related to a knee injury. Given the likelihood that a patient will require some form of external knee support from a medical device, such as a brace, prior to a health care consultation, the attending physician may determine whether the
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.In embodiments, for example, an
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.In embodiments,
실시예에서, 적층 제조 플랫폼(10110)은 다가오는 호텔 방문과 관련된 입력, 예컨대, 프린팅할 아이템의 유형(들)을 표시하는 입력(예를 들어, 베개, 침구, 수건 등); (면, 실크 등과 같은) 직물 유형을 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 캡처된 입력을 취할 수 있다. 예를 들어, 호텔 직원은 호텔 게스트 선호도와 관련된 정보를 캡처할 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.In an embodiment, the
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.In any such embodiment that recommends or configures instructions for additive manufacturing, the
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 유형 등을 수반하는 시뮬레이션과 같은 시뮬레이션의 세트를 수행하게 함으로써 이루어질 수 있다. 실시예에서, 시뮬레이션은, 로봇 취급 시스템에 의해 핸드오프가 취급되는 경우와 같이, 상이한 제조 엔티티 유형의 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.In an embodiment, the
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.In embodiments,
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 캡처 디바이스(들)(예를 들어, 이미지 캡처 특징을 갖는 개인용 모바일 전화)를 비롯한, 예약과 연관된 카메라, 마이크로폰, 데이터 수집기, 센서, 및 다른 정보 소스에 의해 캡처된 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 캡처할 수 있다.Based on the nature of the reservation (e.g., special dietary requirements, accessibility requirements, reservation opportunities) and the services and supplies available at the restaurant, the
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.In embodiments,
실시예에서, 자동 결정은 예약 참가자의 얼굴 이미지의 세트를 캡처하고 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.In embodiments, automated decisions may be made using a machine vision system that captures a set of facial images of reservation participants and generates a set of instructions for additive manufacturing a complementary service item, such as a glass cup, that matches the facial images. In any such embodiment recommending or configuring instructions for additive manufacturing, the
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 유형 등을 수반하는 시뮬레이션과 같은 시뮬레이션의 세트를 수행하게 함으로써 적층 제조 엔티티/유닛의 세트에 걸친 작업흐름의 최적화가 이루어질 수 있다.In embodiments, restaurant service items that can be enhanced and/or produced through additive manufacturing technologies include, but are not limited to, keeping a salad cool, keeping a hot meal warm, and keeping a serving of crispy French fries. , takeout/away containers configured to meet individual food item needs, containers shaped to meet food service item sizes/shapes (e.g., triangular-sized containers for sliced pies, round for pancakes, sandwich items) Includes rectangles/squares for . In embodiments, user-specific platformware, such as age range-specific platformware suitable for use by babies who have only learned to use a fork and spoon or children who are practicing their skills using a knife, (associate with reservation) These include non-traditional flatware items based on user preferences (expressed explicitly) or implicitly derived from user situations/images. Additionally, in embodiments, table and service items such as mugs, coasters, chargers, plates, etc. may be created to meet reservation aspects such as logos supplied with the reservation, opportunity specific designs/decor recommended during the reservation process, etc. In embodiments, an artificial intelligence system may be used to perform a set of simulations, such as simulations involving alternative food preparation and/or scheduling sequences, design configurations, alternative output/material types, etc., across a set of additive manufacturing entities/units. Optimization of workflow can be achieved.
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.In embodiments, a scheduled service item that relies on a blend of additive manufacturing materials, such as a paper-like material and an insulating structure (e.g., to maintain internal temperature and improve the comfort of the user holding the glass), may be used as a service item (e.g., to maintain internal temperature and improve user comfort while holding the glass). It can provide performance advantages over single material items, such as lower heat transfer from the interior of a custom printed glass cup (for example, a custom printed glass cup) to the exterior of the item.
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.In embodiments,
실시예에서, 적층 제조 플랫폼(10110)은 고객으로부터의 또는 고객과 관련된 입력, 예컨대, 프린팅할 식품 아이템(예를 들어, 피자, 파스타, 디저트 등)의 유형(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 캡처된 입력, 또는 일부 다른 입력 유형을 취할 수 있다. 예를 들어, 고객이 어떠한 해산물 알레르기도 갖지 않는다는 것을 결정하기 위해 고객 생물학적 정보와 관련된 정보가 캡처될 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.In an embodiment, the
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.In embodiments,
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.In embodiments, food items may be printed in mobile
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 유형 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 유형의 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.In an embodiment, the
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.In embodiments,
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 데이터 세트 및 완제품을 생성할 수 있고, 완제품은 고객이 대기하거나, 또는 나중에 가정, 비즈니스, 또는 장소 좌석에 전달될 수 있다.In embodiments,
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.In embodiments,
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.In embodiments, equipment may be printed near or at the point of use as needed. For example, eyewear, earmuffs, helmets, and boots can be custom printed based on patient measurements. Similarly, equipment including respirators, ventilators, custom valves and nozzles can be printed on mobile additive manufacturing platforms based on immediate patient needs and delivered at the point of care.
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.In embodiments, the
실시예에서, 적층 제조 유닛(10102)의 세트는 상업용 부동산 빌딩과 같은 빌딩의 다수의 테넌트에 대한 공유 자원으로서 제공될 수 있으며, 여기서 적층 제조 유닛(10102)은 네트워킹 자원(예를 들어, RF, 셀룰러, Wifi, 광섬유 및 다른 자원), 계산 자원(예를 들어, 데이터 저장 자원, 에지 및 클라우드 계산 자원), IoT 자원(예를 들어, 카메라, 센서 등) 등과 같은 다른 빌딩 자원들과 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 자원의 세트를 비롯한, 빌딩, 캠퍼스 등을 위한 백본 내의 디바이스, 시스템, 서비스 및 다른 자원의 세트를 포함하거나, 이들에 링크하거나, 또는 이들과 통합할 수 있다. 공유 연결 자원은 인터넷 연결을 위한 자원(예컨대, 무선 인터넷 서비스 제공자(wireless internet service provider)(WISP) 자원 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 자원의 세트를 포함하거나, 그에 링크하거나, 또는 그와 통합할 수 있다. 실시예에서, 적층 제조 유닛(10102) 및 다른 공유 자원은, 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 자원은 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) 자원 활용의 우선순위화를 설정하는 것을 포함하는 자동화된 프로비저닝 시스템에 의해 프로비저닝될 수 있다. 이는 전문가 자원 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. 자원 공유 및 지불은 자원을 할당하기 위한 관장 규칙 및 우선순위화 및/또는 지불 책임을 결정하는 조건부 로직과 같은 스마트 계약에 의해 관장되고 제어될 수 있으며, 선택적으로 자원을 수반하는 이벤트의 분산 원장 상에서 동작한다. 실시예에서, 스마트 계약 프레임워크 자체는 테넌트가 예컨대, 서비스를 제공하고, (예컨대, 본 출원에 언급된 자원 중 임의의 것 뿐만 아니라 또한 다른 자원을 포함하는 다른 테넌트와) 자원을 공유하는 것 등을 가능하게 하기 위해, 테넌트에 제공되는 공유 자원일 수 있다.In embodiments, a set of
액체 렌즈(LIQUID LENS)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.122-127 relate to various embodiments and applications of liquid lens devices. Liquid lens devices can be used in a suite of applications, including autonomous systems that rely on image classification to perform tasks. Liquid lens devices can be integrated into many different areas of the value chain to improve the performance of various autonomous systems, especially by providing improved image sensing capabilities and image classification.
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. 그런 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. 그런 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.122 is a schematic diagram illustrating an example implementation of a conventional computer vision system 11100 for recognizing an object of interest 11102. Computer vision system 11100 includes a lens assembly 11104 that attempts to focus light from object 11102 onto
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 캡처할 수 없다. 컴퓨터 비전 시스템(11100)에서의 알고리즘은 2D 프레임 및 정보로부터 3D 장면/객체에 관한 정보를 추론하려고 시도함으로써 추론의 품질을 제한한다.Conventional computer vision systems 11100 have many limitations. Attempting to recreate vision by creating a focused image results in the loss of a large amount of information, leaving the vision system 11100 with limited data. Computer vision systems 11100 typically generate two-dimensional images of three-dimensional objects and are unable to capture information related to aspects such as object depth, motion, orientation, etc. Algorithms in computer vision system 11100 limit the quality of inference by attempting to infer information about 3D scenes/objects from 2D frames and information.
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 캡처할 수 있게 한다.FIG. 123 is a schematic diagram illustrating an example implementation of a dynamic vision system 11200 for dynamically learning object concepts regarding an object of interest 11202 according to an embodiment of the present disclosure. The dynamic vision system 11200 may replace and/or augment the lens 11104 of the conventional vision system 11100 with a variable focus liquid lens 11204. Variable focus liquid lens 11204 can be an electrically controlled cell containing an optical grade liquid that is deformed through an electric current to change the shape of the lens. The dynamic vision system 11200 measures focal length, spherical aberration, field curvature, coma, chromatics aberrations, distortion, vignetting, ghosting and flaring, and diffraction of light. This flexibility of the liquid lens 11204 is exploited by continuously adjusting the lens parameters to dynamically change the various optical properties of the light passing through the containing lens. Accordingly, a fully variable liquid lens allows for a more dynamic input to the sensor 11206, allowing the capture of visual information and metadata that would otherwise be lost in a conventional computer vision system 11100.
아날로그-디지털(AD) 변환기(11208)는 전처리로 센서(11206) 및 이미지 처리 시스템(11208)에서 캡처된 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.An analog-to-digital (AD) converter 11208 may generate digital data from the rich visual information captured by the sensor 11206 and an image processing system 11208 with pre-processing capabilities and the ability to post-process additional optical parameters as part of the image. You can create an image based on . Processing system 11209 may also include a control system 11212 configured to adjust in real time one or more optical parameters including focal length, liquid material, reflectivity, color, environment, and lens shape. Adaptive intelligence system 11214 may then dynamically learn based on the training set of results, parameters, and data collected from liquid lens 11204 to generate object concepts 11216. Object concept 11216 may include contextual intelligence about the object and the environment, which may then be processed by adaptive intelligence system 11214 to recognize object 11202.
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.In embodiments, adaptive intelligence system 11214 may process input data from the liquid lens and dynamically learn object concepts to provide superior object recognition and vision, such as using machine learning or other algorithms, neural networks, expert experts, etc. May include artificial intelligence capabilities, involving systems, models, etc.
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.In an embodiment, the adaptive intelligence system 11214 is an intelligence layer that receives requests from a set of intelligence layer clients and responds to these requests by providing intelligent services (e.g., decisions, classifications, predictions, etc.) 140).
실시예에서, 동적 비전 시스템(11200)은, 종래의 비전 시스템(11100)의 포커싱된 이미지에서 깊이 및 거리를 추론할 때 다른 방식에서는 손실되는 많은 양의 정보를 캡처하기 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 캡처되지 않은 객체 및 그 주변에 관한 새로운 통찰 세트를 생성하기 위해 이전에는 손실되던 정보를 포함할 수 있다.In an embodiment, dynamic vision system 11200 may be used to capture a large amount of information that would otherwise be lost when inferring depth and distance from a focused image of a conventional vision system 11100. A real-time adjustable data stream may be supplied to processing system 11209 to generate situational awareness or generate out-of-focus images. Dynamic input to liquid lens 11204 can provide richer metadata for image processing because the image is based on additional optical parameters rather than just focal length and aperture. Image processing system 11210 may include information that was previously lost to generate a new set of insights about objects and their surroundings that were not captured by conventional computer vision systems 11100.
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.Compared to a conventional computer vision system 11100 that utilizes fixed sensory elements, the dynamic vision system 11200 provided in this application may utilize a dynamically learned liquid lens assembly. The compliant liquid lens 11204 within the assembly may be continuously and/or frequently adjusted, for example, based on environmental factors and/or feedback from the processing system 11209 to better understand the physical properties the image represents while providing deeper context. Training data corresponding to light can be generated. By training dynamic vision system 11200 to recognize objects using variable optical parameters through a liquid lens assembly, processing system 11209 can learn the optimal optical setting(s) for detecting the object. More dynamic input to the dynamic vision system 11200 may result in creating richer context and providing superior object recognition.
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(11204)를 동적으로 조정한다.Dynamic vision system 11200 may integrate sensing, control, and processing functions and dynamically adjust liquid lens 11204 as vision algorithms in processing system 11209 take different inputs to produce real-world vision results. Adjust.
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).Dynamic vision system 11200 mimics biological vision by integrating sensing, control, and processing functions (biological vision involves a stream of information directly conveyed by deep learning systems, where these deep learning systems determine orientation, centration, and can directly alter aspects of vision processing, including attention, eyelid action, blinking, and communication with other humans).
실시예에서, 동적 비전 시스템(11200)은 컨텍스트에 의해 객체를 특성화하고 연관을 통해 상황 지능을 캡처함으로써 그 환경에서 객체의 풍부한 모델을 구축하기 위해 단속적 운동을 이용할 수 있다. 이는 단속적 운동이 환경에서 객체에 관한 정보를 어떻게 캡처하는지를 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.In embodiments, dynamic vision system 11200 may use saccades to build rich models of objects in their environment by characterizing them by context and capturing situational intelligence through associations. This reflects how saccades capture information about objects in the environment. A saccade refers to the rapid, simultaneous movement of both eyes between two or more areas of focus. While observing a scene, the human eye makes several sporadic saccade stops, moving quickly between each stop, locating key parts of the scene, building a mental three-dimensional map corresponding to the scene. The dynamic vision system 11200 and methods described in this application may use saccades to characterize objects by context and allow control of the optical system to more quickly identify and characterize the field of view. Saccades integrate a variety of physical/optical properties with object-oriented learning, rapidly improving comprehension and retrieval in the visual sphere.
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.In embodiments, dynamic vision system 11200 may also mimic a human baby's biofeedback loop to create a system of associative memory and vision and build a causal three-dimensional model of the environment. The human baby's learning system involves many feedback loops of activity in which the baby builds a causal model of the world around him by performing a sequence of controlled experiments. The dynamic vision provided by liquid lens-based vision systems can mirror a baby's learning algorithm, in part, by starting a training set around an object and letting the learning algorithm figure out the right way to look at the object.
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.124 displays a schematic diagram illustrating an example architecture of a dynamic vision system 11300 showing details of various components in accordance with some embodiments of the present disclosure. A dynamic vision system 11300 for recognizing an object 11302 may include an optical assembly 11304 and a processing system 11306. Optical assembly 11304 may include a compliant
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(11326)은 객체의 위치, 배향 및 모션을 결정하는 것을 포함하여 객체와 관련된 분류, 예측, 및 다른 결정을 행하도록 구성될 수 있다.The compliant
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.In embodiments, dynamic vision system 11300 may be configured to process sensor information to create a three-dimensional representation of object 11302 in a single step without the intermediate step of processing it into a flat image.
실시예에서, 제어 시스템(11314)은 차례로 액체 렌즈 구성의 조정을 구동하는 하나 이상의 액추에이터에 제어 명령을 제공할 수 있다. 액추에이터는 에너지원, 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 유형의 유압, 공압, 전기, 기계, 열, 자기 유형의 액추에이터, 또는 일부 다른 유형의 액추에이터를 포함할 수 있다.In embodiments, control system 11314 may provide control commands to one or more actuators that in turn drive adjustment of the liquid lens configuration. An actuator may be actuated by an energy source, typically electric current, hydraulic fluid pressure, or pneumatic pressure, and may convert such energy into motion. Examples of actuators include linear actuators, solenoids, comb drives, digital micromirror devices, electric motors, electroactive polymers, hydraulic cylinders, piezoelectric actuators, pneumatic actuators, servomechanisms, servo motors, thermal bimorphs, screw jacks, or any other type of hydraulic, pneumatic, electrical, mechanical, thermal, magnetic type actuator, or some other type of actuator.
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.In embodiments, control system 11314 may provide control instructions to one or more actuators to change the focal length of the liquid lens based on a stimulus. This can provide autofocus capabilities to the dynamic vision system 11300 by focusing, refocusing, or defocusing the lens to a desired focal length. Stimulation mechanisms may include electrical, hydraulic, pneumatic, mechanical, thermal, or magnetic.
제어 시스템(11314)의 일부 예는 전기습윤, 사운드 압전 및 전기-활성 폴리머를 포함한다.Some examples of control systems 11314 include electrowetting, sound piezoelectric, and electro-active polymers.
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.In embodiments, a compliant liquid lens assembly within the dynamic vision system 11300 may have an electrowetting control system such that application of a voltage to the fluid within the liquid lens changes the shape of the liquid, effectively changing the focus of the liquid lens assembly. there is.
실시예에서, 가변 포커싱된 액체 렌즈 기반 광학 어셈블리에서의 액추에이터의 배치는 기계 학습을 사용하여 최적화될 수 있다.In embodiments, the placement of actuators in a variable focused liquid lens based optical assembly may be optimized using machine learning.
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.In embodiments, control system 11314 may control liquid lens 11304 configuration based on feedback from processing system 11306 in response to changes in environmental factors. Some examples of environmental factors include temperature, vibration, ambient sensor data, workflow, entity ID, user behavior data, entity profiling, similarity to known data, etc.
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.In embodiments, control system 11314 responds to changes in source illumination, including controlling color, color temperature, timing (PWM), amplitude (e.g., increasing PWM but decreasing amplitude, direction, polarization, etc.). Thus, the configuration of the liquid lens 11304 can be controlled based on feedback from the processing system 11306.
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.In embodiments, control system 11314 may control liquid lens configuration based on human occupancy and recognition of when illumination needs to be coordinated with human needs versus when it needs to be coordinated only to serve the liquid lens system. .
실시예에서, 광학 어셈블리(11304)는 다수의 액체 렌즈 셋업의 제어를 조정하는 처리 시스템(11306)을 갖는 액체 렌즈 다수의 세트를 포함할 수 있다.In an embodiment, optical assembly 11304 may include multiple sets of liquid lenses with a processing system 11306 that coordinates control of multiple liquid lens setups.
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.In an embodiment, optical assembly 11304 may include multiple sets of liquid lenses, where each lens has a separate objective function, and separate processing systems with AI setups or algorithms.
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.In embodiments, optical assembly 11304 may include one or more liquid lenses in combination with conventional convex or concave optical lenses, and processing system 11306 coordinates control of the combination.
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. 그런 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.In embodiments, processing system 11306, e.g., using adaptive intelligence system 11318, digital twin system 11320, and simulation system 11322, can control mechanical, optical, or lighting aspects of dynamic vision system 11300. You can run simulations to model, simulate, and characterize. Simulations executed by processing system 11306 can help identify suitable imaging components for dynamic vision system 11300, including sensors, lenses, and lights. Simulations may include real-time analysis to calculate a wide range of metrics, build charts, graphs, and models, and visualize the impact of changes in one or more optical parameters on the performance of dynamic vision system 11300.
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 캡처함으로써 3차원(3D) 객체를 인식하는 것; 작은 객체를 인식하는 것; 얼굴 특징을 인식하는 것; 전력 제약된 또는 네트워크 제약된 환경에서 객체를 인식하는 것; 등.The dynamic vision system 11300 can utilize dynamically learned sensory elements to recognize objects, ensuring richer object recognition capabilities that can be applied to a very wide range of use cases. This approach is ideal for imaging applications requiring rapid focusing, high throughput, and control over depth of field and working distance. Moreover, this approach is particularly beneficial for complex vision applications where conventional vision techniques are inadequate. Some examples of these applications include: recognizing objects in dynamic environments, such as when the object or vision system is moving; recognizing three-dimensional (3D) objects by capturing depth data; recognizing small objects; recognizing facial features; recognizing objects in power-constrained or network-constrained environments; etc.
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.In embodiments, dynamic vision system 11300 is within or with a set of Value Chain Network (VCN) entities (such term includes many examples and embodiments disclosed in this application and documents incorporated herein by reference). can be integrated.
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.In embodiments, dynamic vision system 11300 may be integrated within or with a set of robotic systems, such as mobile and/or autonomous robotic systems. For example, dynamic vision system 11300 may be included within the housing or body of a robotic system, such as a multipurpose/general purpose robotic system that simulates human or other animal species capabilities. Vision capabilities may enable robots to identify and manipulate target objects for use in robotic assembly lines where object depth, orientation, position, and motion can be inferred for improved object identification. Vision capabilities can also enable a robot to simultaneously localize and map, a technique for estimating a robot's position relative to its surroundings while simultaneously mapping the environment. As another example, dynamic vision system 11300 may be integrated with a robotic exoskeleton designed to augment the capabilities of a human operator and provide optimized sensing and control for the human operator.
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 유형의 센서를 포함한다.In an embodiment, the output from the dynamic vision system 11300 is temporally combined with output from other sensors within the robot using conditional probabilities to provide a richer representation of the object, including information about the object's position, orientation, and motion. You can create combined views. Some examples of sensors that may be used with the liquid lens based dynamic vision system 11300 include cameras, LIDAR, RADAR, SONAR, thermal imaging sensors, hyperspectral imaging sensors, light sensors, force sensors, torque sensors, speed sensors, and acceleration sensors. , position sensor, proximity sensor, gyro sensor, sound sensor, motion sensor, position sensor, load sensor, temperature sensor, touch sensor, depth sensor, ultrasonic range sensor, infrared sensor, chemical sensor, magnetic sensor, inertial sensor, gas sensor, Includes a humidity sensor, pressure sensor, viscosity sensor, flow sensor, object sensor, tactile sensor, or some other type of sensor.
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.In embodiments, a dynamic vision system 11300 comprising compliant liquid lenses controlled by AI and augmented by sensors as needed may be adapted to build a neuroprosthetic system.
실시예에서, 필요에 따라 AI에 의해 제어되는 순응형 액체 렌즈 기술을 포함하는 동적 비전 시스템(11300)은 외골격 시스템을 구축하도록 적응될 수 있다.In embodiments, a dynamic vision system 11300 including adaptive liquid lens technology controlled by AI as needed may be adapted to build an exoskeleton system.
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.In embodiments, a dynamic vision system 11300 comprising compliant liquid lenses controlled by AI and augmented by sensors as needed may be adapted to perform facial recognition on human faces obscured by facial masks.
도 125는 본 개시의 일부 실시예에 따른 액체 렌즈 기반 동적 비전 시스템에 의한 객체 인식을 위한 방법을 예시하는 흐름도를 도시한다.Figure 125 shows a flowchart illustrating a method for object recognition by a liquid lens-based dynamic vision system according to some embodiments of the present disclosure.
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 및/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 자원, 예컨대 5G(또는 다른 셀룰러), Wi-Fi, 블루투스, 고정 네트워킹 자원 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.Referring to Figure 125, at 11402, a real-time data stream representing object concepts is received from a liquid lens based optical assembly. The data stream may be received from the sensor and may contain rich context and visual information generated by continuously adjusting the liquid lens in response to changes in optical parameters. Data streams can be analyzed on edge devices or sent for data processing by local or remote intelligence. The use of cloud-connectable edge devices, e.g., within a computing infrastructure proximate to and/or integrated with or included in dynamic vision system 11300, may include, e.g. If the dynamic vision system 11300 has onboard edge computation and/or connectivity resources, such as 5G (or other cellular), Wi-Fi, Bluetooth, fixed networking resources, etc., it may provide rapid, real-time or near-real-time processing responsiveness. It can provide an opportunity. At 11404, the real-time data stream is processed by an image processing system to determine object concepts, including contextual intelligence about the object and its environment. At 11406, optical parameters are adjusted by the control system to induce changes in the configuration of the liquid lens. A continuously adjusting liquid lens generates a real-time data stream from the sensor and rich metadata for image processing because the image is based on additional optical parameters rather than just focal length and aperture. At 11408, the object concept is sequentially modified and used as input to train a machine learning model that dynamically learns based on a training set of results, parameters and data collected from the liquid lens-based optical assembly. At 11410, object concepts, including contextual intelligence about the object and the environment, are utilized by artificial intelligence to make classification, prediction, and other decisions related to the object, including determining the location, orientation, and motion of the object.
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 조정한 것에 응답하여 센서에 의해 캡처된 데이터에 기초하여 학습할 수 있다.Figure 126 shows a schematic diagram illustrating an example implementation of a dynamic vision system for modeling, simulating, and optimizing various optical, mechanical, design, and lighting parameters of a dynamic vision system in accordance with some embodiments of the present disclosure. Dynamic vision systems can learn based on data captured by sensors in response to sequential adjustments of liquid lenses to train an artificial learning system to use the digital twin for classification, prediction, and decision making.
디지털 트윈 시스템(11320)은 주요 동작 메트릭을 연속적으로 캡처하기 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.Digital twin system 11320 may be configured to simulate the behavior of dynamic vision system 11300 to continuously capture key operational metrics, and monitor and optimize performance of dynamic vision system 11300 in real time or near real time. It can be used to: Digital twin system 11320 may create a digital replica, or digital twin 502, of one or more of the components or subsystems of dynamic vision system 11300. The digital twin 502 of one or more of the components or subsystems may use real-time sensor data to provide a realistic, real-time virtual representation and simulation of one or more possible future states of the one or more components and subsystems. there is. Digital twin 502 may be continuously updated based on sensor data to reflect current conditions or parameter values of the component or subsystem. Therefore, a digital twin provides a high-fidelity digital simulation of the behavior of a component or subsystem. This capability can be used to create digital profiles of both the previous and current behavior of a component or subsystem, with the resulting profiles used to predict future behavior of the component or subsystem as well as detect suboptimal behavior. do.
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.126, the digital twin 11502 in the dynamic vision system 11300 includes an object twin 11504, an environment twin ( 11506), liquid lens twin (11508), optical lens twin (11510), sensor twin (11512), process twin (11514), actuator twin (11516), object concept twin (11518), etc. Digital twin 11502 may be populated with related data, for example, liquid lens twin 11508 may have a corresponding liquid lens twin including dimensional data, material data, geometry data, feature data, thermal data, vibration data, etc. It can be filled with relevant data. A digital twin may, in embodiments, provide one or more simulations of both the physical elements and characteristics of one or more replicated components or subsystems and their dynamics throughout the lifecycle of the one or more replicated components.
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 어셈블리 내의 최적의 배열을 예측하기 위해 가상 시뮬레이션을 실행할 수 있다.In embodiments, digital twin 11502 may be used during any suitable hypothetical situation, such as, for example, during a design phase before one or more components are manufactured or fabricated, or during or after construction or fabrication of one or more components, It can provide a virtual simulation of one or more components or subsystems by allowing virtual extrapolation of sensor data to simulate the state of one or more components. In an embodiment, machine learning model 11520 may, for example, predict possible improvements to one or more components, predict whether one or more components are compatible with each other, predict when one or more components may fail, etc. , and/or by suggesting possible improvements to one or more components, such as changes to parameters, arrangement, configuration, or any other suitable changes to the component. It can be predicted automatically. For example,
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.In embodiments, machine learning model 11520 along with digital twin 11502 can help drive a variety of applications including material selection 11522,
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.In embodiments, digital twin 11502 can be used during both the design and operation phases of one or more components by facilitating the observation, measurement, and analysis of various metrics and then conveying insights to the design or operation process for improvement of these processes. In addition to simulation of one or more components, it may also allow simulation of virtual operating conditions and configurations of one or more components.
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.Simulation system 11322 may set up, provision, configure, and otherwise manage simulations and interactions between digital twins 11502. Accordingly, the simulation system can help simulate, evaluate, and optimize the behavior and characteristics of the various components and subsystems of the dynamic vision system 11300 using the digital twin 11502 of these components and subsystems.
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.In embodiments,
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.In embodiments, machine learning model 11520 may process data received from sensors, including event data and state data, to define simulation data for use by digital twin system 11320. Machine learning model 11520 may, for example, receive state data and event data related to specific components of dynamic vision system 11300 and format the state data and event data in a format suitable for use by digital twin system 11320. A series of operations can be performed on status data and event data to format them. For example, machine learning model 11520 may collect data from one or more sensors located on, near, within, and/or around the liquid lens, process the sensor data into simulation data, and convert the simulation data into a digital twin. It can be output to the system 11320. Digital twin system 11320 may then use the simulation data to create a
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.In embodiments, machine learning model 11520 and digital twin system 11320 process sensor data and create a digital twin for a set of components to perform real-time simulation, predictive simulation, and/or virtual simulation of related groups of components. It can be done easily.
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.The machine learning model 11520 may be an algorithm and/or statistical model that does not use explicit instructions but instead relies on patterns and inferences to perform a specific task. Machine learning model 11520 may build one or more mathematical models based on training data to make predictions and/or decisions without being explicitly programmed to perform a specific task. In example implementations, machine learning models may perform classification, regression, clustering, anomaly detection, recommendation generation, digital twin creation, and/or other tasks.
실시예에서, 기계 학습 모델(11520)은 입력 데이터에 기초하여 다양한 유형의 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.In embodiments, machine learning model 11520 may perform various types of classification based on input data. Classification is a predictive modeling problem in which class labels are predicted for given examples of input data. For example, machine learning model 11520 may perform binary classification, multi-class, or multi-label classification. In embodiments, a machine learning model may output a “confidence score” indicating the respective confidence associated with the classification of the input into each class. In embodiments, confidence scores may be compared to one or more thresholds to render discrete category predictions. In an embodiment, a certain number of classes (e.g., one) with the relatively greatest confidence score may be selected to render a discrete category prediction.
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 대한 확률 분포는 1로 합산될 수 있다. 실시예에서, 소프트맥스 함수, 또는 다른 유형의 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.In embodiments, machine learning model 11520 may output a probabilistic classification. For example, machine learning model 11520 can predict a probability distribution for a set of classes, given sample input. Therefore, rather than outputting only the most likely class to which the sample input should belong, machine learning model 11520 may output, for each class, the probability that the sample input belongs to that class. In an embodiment, the probability distribution for all possible classes may sum to 1. In embodiments, a softmax function, or other type of function or hierarchy, may be used to convert a set of real values each associated with a possible class into a set of real values in the range (0, 1) that sums to 1. In embodiments, the probabilities provided by the probability distribution may be compared to one or more thresholds to render discrete category predictions. In embodiments, only a certain number of classes (e.g., one) with the relatively greatest prediction probability may be selected to render discrete category predictions.
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.In embodiments, machine learning model 11520 may perform regression modeling and related processes to provide output data in the form of continuous numeric values. By way of example, machine learning model 11520 may perform linear regression, polynomial regression, logistic regression, non-linear regression, or some other modeling process. As described, in embodiments, the softmax function or other function or layer squashes the set of real values each associated with two or more possible classes into a set of real values in the range (0, 1) that sums to 1. can be used to For example, machine learning model 11520 may perform linear regression, polynomial regression, or non-linear regression. As an example, machine learning model 11520 may perform simple regression or multiple regression. As described above, in some implementations, the softmax function or other functions or hierarchies convert a set of real values, each associated with two or more possible classes, into a set of real values in the range (0, 1) whose sum is 1. Can be used for quashing.
실시예에서, 기계 학습 모델(11520)은 다양한 유형의 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.In embodiments, machine learning model 11520 may perform various types of clustering. For example, machine learning model 11520 may identify one or more previously defined clusters to which the input data most likely corresponds. In some implementations in which machine learning model 11520 performs clustering, machine learning model 11520 may be trained using unsupervised learning techniques.
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.In embodiments, machine learning model 11520 may perform anomaly detection or outlier detection. For example, machine learning model 11520 may identify input data that does not conform to expected patterns or other characteristics (e.g., as previously observed from previous input data). As an example, anomaly detection may be used to detect fraudulent transactions or detect system failures.
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.In some implementations, machine learning model 11520 may provide output data in the form of one or more recommendations. For example, machine learning model 11520 may be included in a recommender system or engine. As an example, given input data describing previous results (e.g., scores, rankings, or grades representing amounts of success or enjoyment) for a particular entity, machine learning model 11520 may: , can output suggestions or recommendations of one or more additional entities that are expected to have the desired results.
위에서 설명된 바와 같이, 기계 학습 모델(11520)은 다양한 상이한 유형의 기계 학습 모델 중 하나 이상일 수 있거나 이를 포함할 수 있다. 이러한 상이한 유형의 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.As described above, machine learning model 11520 may be or include one or more of a variety of different types of machine learning models. Examples of these different types of machine learning models are provided below for illustration. One or more of the example models described below may be used (e.g., combined) to provide output data in response to input data. Additional models other than the example models provided in this application may also be used.
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.In some implementations, machine learning model 11520 can be, for example, a linear classification model; secondary classification model; It may be or include one or more classifier models, such as the like. Machine learning model 11520 may include, for example, a simple linear regression model; multiple linear regression model; Logistic regression model; stepwise regression model; Multivariate adaptive regression spline; locally estimated scatterplot smoothing model; It may be or include one or more regression models, such as the like.
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.In some examples, machine learning model 11520 may include, for example, a classification and/or regression tree; chi-squared automatic interaction detection decision tree; decision stump; conditional decision tree; It may be or include one or more decision tree-based models, such as the like.
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; 자가-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-종속성 추정기; 베이지안 네트워크; 베이지안 신뢰 네트워크; 은닉 마르코프 모델; 등과 같은 하나 이상의 베이지안 모델일 수 있거나 이를 포함할 수 있다.Machine learning model 11520 may be or include one or more kernel machines. In some implementations, machine learning model 11520 may be or include one or more support vector machines. Machine learning model 11520 may include, for example, a learning vector quantization model; Self-organizing map model; Locally weighted learning model; It may be or include one or more instance-based learning models, such as the like. In some implementations, machine learning model 11520 can be, for example, a k-nearest neighbor classification model; k-nearest neighbor regression model; It may be or include one or more nearest neighbor models, such as the like. Machine learning model 11520 may include, for example, a Naive Bayes model; Gaussian naive Bayes model; multinomial naive Bayes model; averaged 1-dependency estimator; Bayesian network; Bayesian trust network; Hidden Markov Model; It may be or include one or more Bayesian models, such as the like.
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. In some implementations, machine learning model 11520 may be or include one or more artificial neural networks (also referred to simply as neural networks). A neural network may contain groups of connected nodes, which may also be referred to as neurons or perceptrons. Neural networks can be organized into one or more layers. A neural network containing multiple layers may be referred to as a “deep” network. A deep network may include an input layer, an output layer, and one or more hidden layers located between the input layer and the output layer. Nodes in a neural network can be connected or completely disconnected.
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.Machine learning model 11520 may be or include one or more feedforward neural networks. In a feedforward network, the connections between nodes do not form cycles. For example, each connection may connect a node from a previous layer to a node from a later layer.
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.In some cases, machine learning model 11520 may be or include one or more recurrent neural networks. In some cases, at least some of the nodes of a recurrent neural network may form a cycle. Recurrent neural networks can be particularly useful for processing input data that is sequential in nature. In particular, in some cases, a recurrent neural network may transfer or retain information from a previous portion of an input data sequence to a subsequent portion of the input data sequence through the use of recursive or directed recurrent node connections.
일부 예에서, 순차적 입력 데이터는 시계열 데이터(예를 들어, 센서 데이터 대 상이한 시간에서 캡처된 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 음표; (예를 들어, 순차적 애플리케이션 사용을 검출하거나 예측하기 위해) 사용자에 의해 취해지는 순차적 액션; 순차적 객체 상태; 등을 포함할 수 있다.In some examples, sequential input data may include time series data (e.g., time or images captured at different times subject to sensor data). For example, a recurrent neural network can analyze sensor data versus time to detect or predict swipe direction, perform handwriting recognition, etc. Sequential input data includes words within sentences (e.g., for natural language processing, conversation detection or processing, etc.); notes in musical composition; sequential actions taken by the user (e.g., to detect or predict sequential application usage); sequential object states; It may include etc.
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.Exemplary recurrent neural networks include long short-term (LSTM) recurrent neural networks; gated circulation unit; Bidirectional recurrent neural network; Continuous-time recurrent neural network; neural history compressor; echo state network; Elman Network; Jordan Network; recursive neural network; Hopfield Network; fully recurrent network; Includes sequence-to-sequence configuration, etc.
일부 예에서, 기계 학습 모델(11520)은 트랜스포머 신경망과 같은 자가-어텐션에 기초한 하나 이상의 비순환 시퀀스-투-시퀀스 모델일 수 있거나 이를 포함할 수 있다.In some examples, machine learning model 11520 may be or include one or more acyclic sequence-to-sequence models based on self-attention, such as a transformer neural network.
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.In some implementations, machine learning model 11520 may be or include one or more convolutional neural networks. In some cases, a convolutional neural network may include one or more convolutional layers that perform convolutions on input data using learned filters.
필터는 커널이라고도 지칭될 수 있다. 컨볼루션 신경망은 입력 데이터가 스틸 이미지 또는 비디오와 같은 이미지를 포함할 때와 같은 비전 문제에 특히 유용할 수 있다. 그러나, 컨볼루션 신경망은 또한 자연어 처리를 위해 적용될 수 있다.A filter may also be referred to as a kernel. Convolutional neural networks can be particularly useful for vision problems, such as when the input data includes images such as still images or video. However, convolutional neural networks can also be applied for natural language processing.
일부 예에서, 기계 학습 모델(11520)은, 예를 들어, 적대적 생성 신경망과 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.In some examples, machine learning model 11520 may be or include one or more generative networks, such as, for example, an adversarial generative neural network. Generative networks can be used to generate new data, such as new images or other content.
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.Machine learning model 11520 may be or include an autoencoder. In some cases, the goal of an autoencoder may be to learn a representation for a set of data (e.g., low-dimensional encoding), typically for the purpose of dimensionality reduction. For example, in some cases, an autoencoder may attempt to encode input data and provide output data that reconstructs the input data from the encoding. Recently, the autoencoder concept has become more widely used to learn generative models of data. In some cases, autoencoders may involve additional losses beyond reconstructing the input data.
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.Machine learning model 11520 may be, for example, a deep Boltzmann machine; deep trust network; Stacked autoencoder; It may be or include one or more different types of artificial neural networks, such as the like. Any of the neural networks described in this application may be combined (e.g., stacked) to form more complex networks.
기계 학습 모델(11520)은, 예를 들어, k-평균 클러스터링 모델과 같은 하나 이상의 클러스터링 모델; k-중앙값 클러스터링 모델; 기대치 최대화 모델; 계층적 클러스터링 모델; 등을 포함할 수 있다.Machine learning model 11520 may include one or more clustering models, such as, for example, a k-means clustering model; k-median clustering model; expectation maximization model; hierarchical clustering model; It may include etc.
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.In some implementations, machine learning model 11520 may include, for example, principal component analysis; Kernel principal component analysis; Graph-based kernel principal component analysis; principal component regression; Partial least squares regression; Salmon Mapping; multidimensional scaling; projection tracking; linear discriminant analysis; mixed discriminant analysis; second-order discriminant analysis; generalized discriminant analysis; flexible discriminant analysis; auto-encoding; One or more dimensionality reduction techniques may be performed, such as:
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.In some implementations, machine learning model 11520 includes one or more reinforcement learning techniques, such as a Markov decision process; dynamic programming; Q function or Q-learning; value function approach; deep Q-network; differentiable neural computer; A3C (asynchronous advantage actor-critics); deterministic policy gradient; etc. can be performed or applied to it.
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.In an embodiment, the data processing system is implemented using a neural network to provide real-time adaptive control of the dynamic vision system 11300, including object classification and determination of object location, orientation, and motion.
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.In some embodiments, a neural network model may be used directly to determine adjustments to optical parameters using training or learning of the neural network model. Initially, the model may be allowed to randomly select from a range of values for each input optical control parameter or action. If an optical control parameter adjustment or sequence of actions leads to incorrect prediction/classification, it can be scored as leading to an undesirable (or negative) outcome. Repetition of the process using a different set of randomly selected values for each optical control parameter or action leads to strengthening of the sequence with minimal to desirable (or positive) results. Ultimately, the neural network model “learns” what adjustments to make to a set or sequence of optical control parameters or actions to achieve the target result, i.e., accurate prediction or classification.
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. In embodiments, the methods and systems described in this application may use convolutional neural networks (referred to in some cases as CNNs, ConvNets, shift invariant neural networks, or spatially invariant neural networks), the units of which are similar to the visual cortex of the human brain. Connected by patterns.
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.The initial layer of the CNN (e.g., a convolutional layer) may extract low-level features, such as edges and/or gradients, from the
실시예에서, 캡슐 네트워크는 CNN의 유사한 분류 성능을 달성하기 위해 더 적은 수의 라벨링된 훈련 예를 사용하기 위해 이용될 수 있다.In embodiments, a capsule network can be used to use fewer labeled training examples to achieve similar classification performance of a CNN.
실시예에서, 어텐션 메커니즘을 사용하는 트랜스포머 기반 인코더-디코더 아키텍처가 컨볼루션 신경망과 함께 또는 그 대신에 사용될 수 있다.In embodiments, a transformer-based encoder-decoder architecture using an attention mechanism may be used in conjunction with or instead of a convolutional neural network.
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 캡처하도록 구성된 액체 렌즈 광학 어셈블리(11304), 및 데이터 라이브러리(11912)를 포함할 수 있다.127 displays a schematic diagram illustrating an example implementation of a dynamic vision system showing details of various components along with integration of the dynamic vision system with one or more third-party systems in accordance with some embodiments of the present disclosure. The dynamic vision system 11900 includes a vision sensor 11904, a feedback source 11906 that provides resulting data from a machine learning system, and a system that generates data in response to changes in environmental factors including temperature, pressure, humidity, vibration, etc. to capture data from a variety of data sources 11902, including an environmental control 11908, a lighting control 11910 that generates data in response to changes in source lighting including color, color temperature, timing (PWM), amplitude, etc. It may include a configured liquid lens optical assembly 11304, and a data library 11912.
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 자원에 대한 액세스 및 제어와 같은 능력을 포함할 수 있다.The data storage and management system 11914 allows any of the services, applications, programs, etc. to access a common data source (which may include a single logical data source distributed across disparate physical and/or virtual storage locations). Records of status and event data for various components and subsystems of the dynamic vision system 11300 may be maintained. Data storage and management system 11914 may include a memory subsystem for storage of instructions and data and a file storage subsystem that provides persistent storage for program and data files. Additionally, storage and management system 11914 may include capabilities such as data allocation, data caching, data pruning and data management, and access to and control of intelligence and data resources.
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 캡처되고 데이터 저장 및 관리 시스템(11914)에 저장된 데이터를 처리할 수 있다.The processing system 11306 may include a
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.In embodiments, a set of applications 11916 may enable dynamic vision system 11300 to present semantic information to a user and enable the user to perform specific vision tasks. Some examples of applications provided on the dynamic vision system 11918 include particle filters 11918, 3D model generation 11920, position or motion prediction 11922, visual SLAM 11924, defect detection 11926, and adversarial neural networks. Includes detection (11928).
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.In embodiments, dynamic vision system 11300 may include an interface, network connection, port, application programming interface (API), broker, service, connector, wrapper, container, wired or wireless communication link, human-accessible interface, software interface, It may be integrated with one or more third party systems 11930 through connectivity facilities including micro-services, SaaS interfaces, PaaS interfaces, IaaS interfaces, cloud capabilities, etc. Connectivity facilities may facilitate the transfer of data between the dynamic vision system 11300 and one or more third party systems 11930.
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.In embodiments, dynamic vision system 11300 may be integrated with or with a set of Value Chain Network (VCN) entities for quality control inspection and classification of objects on a production assembly line or logistics chain, where liquid lenses may be used to It is configured to quickly adjust focus to accommodate, recognize and classify objects located at a working distance or at different heights.
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.In embodiments, dynamic vision system 11300 may be integrated into or with a set of autonomous vehicle systems to scan the vehicle environment and monitor the vehicle's distance from other objects on the road.
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.In an embodiment, dynamic vision system 11300 includes an interactive head configured to display virtual content, having electrically adjustable liquid lenses to provide corrections to the displayed content by adjusting the electrically adjustable liquid lenses. It may be integrated within or with a mounting device.
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.In embodiments, dynamic vision system 11300 may be integrated within or with a UAV navigation system to help control the position or course of an unmanned automotive vehicle (UAV) in three dimensions.
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.Some non-limiting examples of third party systems 11930 that may be included in the dynamic vision system 11300 to integrate vision capabilities include IoT systems 11932, value chain network (VCN) systems 11934, and manufacturing execution systems. (MES) (11936), robot/cobot system (11938), automotive system (11940), 3D printing system, ophthalmic system, surgical system, microscopy system, exoskeleton system, prosthesis system, biometric system, quality management system (QMS) ), compliance system, certification system, etc.
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.In embodiments, the integration of dynamic vision system 11300 with further third-party systems 11930 takes into account the specific needs and requirements of third-party systems 11930 and, based on those requirements, dynamic vision system 11300 You can customize specific components and applications. For example, when integrating with a 3D printing system, defect detection may be provided, while integration with a robotic cleaning system may benefit from the inclusion of a virtual SLAM 11924.
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 결정한 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 유형의 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.128-142 relate to various embodiments of a fleet management platform configured to configure fleets of robotic operational units to perform a wide range of tasks. In some embodiments, a fleet management platform may be used as a value chain entity utilized by one or more organizations. A fleet management platform can be a standalone service or included as part of a larger multi-service offering. In an embodiment, a fleet management platform receives a work request (e.g., from a client device) and identifies a set of tasks to be performed upon completion of the requested work. In response to determining the set of tasks, the fleet management platform may determine a robot fleet configuration that includes the set of robotic operational units and assign the robotic operational units to the sets of tasks. As used in this application, a robot operating unit may refer to an individual robot, a team of robots, or a fleet of robots that operate to complete a task or set of tasks. An individual robot may refer to a special purpose robot, multi-purpose robot, exoskeleton robot, robotic process automation software, or other software-based bot, as discussed further below. As will be discussed, in some embodiments, a fleet management platform may define configurations of one or more multipurpose robots to perform respective tasks or sub-tasks and/or operate in specific types of environments as part of a fleet configuration. . As will be discussed, a multipurpose robot can be comprised of various modules that enable the multipurpose robot to perform specific tasks. For example, multipurpose robots may have specialized chips that enable the robot to perform intelligent tasks, specialized sensors for the task or environment, liquid lenses to enable specific machine vision functionality, and task-specific specialized appendages (e.g. (e.g., clamps, grippers, drilling, lifts, etc.), and/or other modules that configure the multipurpose robot to perform a specific task or set of tasks.
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 자원을 작업 현장(들)에 전달하는 것과 관련된 물류를 용이하게 할 수 있다. 또한, 일부 실시예에서, 플릿 관리 플랫폼은 자원 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 자원의 유지보수를 자동화할 수 있다.In some embodiments, a fleet management platform may define a set of workflows, wherein the workflows define the order in which specific tasks or sub-tasks are performed and the robot operating organization units assigned to each task or sub-task ( s) can be defined. In some embodiments, the fleet management platform may perform workflow simulations to iteratively redefine fleet configurations and/or workflows to substantially optimize the operation of the robotic fleet. For example, fleet configurations and/or workflows may be iteratively adjusted to reduce costs, improve logistics efficiency, reduce overall operation time, etc. Once the fleet configuration and workflow is complete, the fleet management platform can deploy the fleet. In some embodiments, a fleet management platform may facilitate the logistics associated with delivering robotic operating units and/or robotic components, and/or support resources to the work site(s). Additionally, in some embodiments, a fleet management platform may utilize additive manufacturing capabilities, such as 3D printers or other capabilities described in this application or in documents incorporated by reference herein, to promote resource provisioning/logistics, Items that can be 3D printed in an efficient manner can be printed instead of shipped. In embodiments, a fleet management platform may monitor a fleet of robots while performing tasks, including the status of robot operating units, performance of tasks, etc. In some of these embodiments, the fleet management platform may automate maintenance of robots and/or resources to ensure efficient use of available inventory and/or reduce downtime at work locations.
일부 실시예에서, 플릿 관리 플랫폼은 로봇 운영 편성 단위 또는 에지 디바이스, 환경 센서 시스템, 플랫폼 자원(예를 들어, 물류 플랫폼, 기업 자원 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 에너지원의 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 커맨드를 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.In some embodiments, the fleet management platform may include robotic operating units or edge devices, environmental sensor systems, platform resources (e.g., logistics platforms, enterprise resource management platforms, customer relationship management platforms, etc.), and/or other suitable data sources. A fleet digital twin may be supported to indicate the status and/or operational performance of a robotic operating unit based on data received from other suitable data sources, such as The digital twin served by the fleet management platform can be adapted for a variety of purposes. For example, in some embodiments, a digital twin may be configured to provide real-time status of tasks being performed by a fleet of robots. In this way, users can drill down in different areas of the job site to see progress with tasks. In some example embodiments, a digital twin may be configured to provide the status of a robot fleet, including individual robots within the fleet. In this example, the user can drill down to an individual robot within a team or fleet of robots to view the robot's status. For example, users can view the robot's battery life, availability of other energy sources, the robot's location, mobility options for the robot, the robot's productivity, the robot's task completion status, the robot's maintenance alerts, etc. In some example embodiments, a fleet management platform may serve an environmental digital twin that represents the robot fleet's environment with real-time information such as locations of objects and other robots, sensor readings of the environment, etc. In this embodiment, a user may utilize the environmental digital twin to provide remote control commands to a robot, a team of robots, or a fleet of robots. For example, a robot or team of robots may encounter an unidentified object when performing a task and may be unable to make decisions related to performing the task. In some embodiments, a fleet management platform may obtain relevant data (e.g., LIDAR data, video feeds, environmental maps, etc.) that may be displayed in an environmental digital twin. Users can view the current scenario in the environmental digital twin and command the robot fleet on how to proceed given the scenario presented in the environmental digital twin. The foregoing are non-limiting examples of digital twins that may be used in connection with a fleet management platform, and other examples are discussed below.
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.128 illustrates an example environment of fleet management platform 12000 (also referred to as “platform 12000”) in accordance with some embodiments of the present disclosure. In some embodiments, fleet management platform 12000 may be used as a value chain entity utilized by one or more organizations. Fleet management platform 12000 may be a standalone service or may be included as part of a larger multi-service offering. In an embodiment, robotic fleet management platform 12000 includes a fleet operating system 12002, a
실시예에서, 플릿 운영 시스템(12002)은 통신 관리 시스템(12010), 원격 제어 시스템(12012), 자원 프로비저닝 시스템(12014), 물류 시스템(12016), 작업 구성 시스템(12018), 플릿 구성 시스템(fleet configuration system)(12020), 작업 실행 시스템(12022), 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 자원의 제어를 원격으로 관리하고 인에이블하도록 구성된다. 실시예에서, 자원 프로비저닝 시스템(12014)은 플릿 자원(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 자원 및 공급의 사용 및 수송을 조정한다. 실시예에서, 유지보수 관리 시스템(12026)은 플릿 자원의 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 자원의 효율적인 사용을 보장한다. 실시예에서, 인간 인터페이스 시스템은 인간 사용자가 로봇 운영 편성 단위와 인터페이스할 수 있는 인터페이스를 제공한다.In an embodiment, fleet operating system 12002 includes
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.As noted, robot operating organization unit 12040 may refer to an individual robot, an individual robot task assembly 12050, a robot fleet 12060, and/or a robot fleet support unit 12080. In embodiments, individual robots may include, but are not limited to, multipurpose robots 12042, special purpose robots 12044, exoskeleton robots 12046, etc. 129 illustrates a non-limiting example set of components of multipurpose robot 12100 (MPR) and special purpose robot 12180.
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(12130) 및 지능 계층(12140)을 포함한다. 논의될 바와 같이, 데이터 처리 시스템은 로봇의 팀 또는 플릿 사이에서 중앙 집중 및/또는 분산될 수 있는 데이터 처리 자원을 포함할 수 있다. 추가적으로 또는 대안적으로, 데이터 처리 자원은 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 자원로부터의, 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.In an embodiment, SPR 12180 and
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 유형에 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 유형에 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.In embodiments, the
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(12120)은 제어 모듈 인터페이스(12130) 및 물리적 모듈 인터페이스(12122)를 포함할 수 있다. 제어 모듈 인터페이스(12130) 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(12130)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.Referring back to Figure 128, individual robot task assembly 12050 may refer to a collection of one or more individual robots assigned to perform a specific task or set of related tasks. The robots within the robotic task assembly may include any combination of MPR 12042, SPR 12044, exoskeleton robot 12046, etc. In some embodiments, an individual robot task assembly 12050 may include a local manager that controls or otherwise provides instructions to the robots within the task assembly 12050. In this embodiment, the local manager may be a designated supervisor robot or human operator. In embodiments, a supervisor robot may refer to a robot assigned to organize, direct, monitor, reallocate, and/or reorganize (or request reconfiguration) robots in task assembly 12050. In embodiments, the robotic supervisor may act as an edge device on behalf of the task assembly 12050 such that the robotic supervisor communicates with the fleet management platform 12000 or other suitable device or system and/or manages the task assembly 12050. may be assigned specific processing and/or communication capabilities that enable it to perform data processing operations on its behalf. In embodiments, a robot fleet is a collection of individual robots and/or task assemblies that collectively perform a set of projects upon completion of work. In embodiments, a fleet of robots may include individual SPRs, MPRs, exoskeletons, etc. Additionally, fleets may be arranged as fleets of task groups, regional fleets, and/or fleets of swarms. In embodiments, a robot fleet may be supported by robot fleet support. In embodiments, examples of robotic fleet support include buildings, edge and IoT devices, local data storage (and corresponding data interfaces), maintenance support, charging stations and devices, replacement parts, batteries, accessories, shipping containers, docking stations, May include spare parts, and/or technicians.
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(12036) 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 서비스(12034)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 자원, 중앙 집중형 자원, 및/또는 "온-칩" 자원을 포함할 수 있다.130 illustrates the
실시예에서, 플랫폼-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-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-레벨 지능 계층(12004)은 지능 계층 제어기(12007) 및 인공 지능 서비스(12005)의 세트를 포함한다. 실시예에서, 인공 지능 서비스(12007)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 시스템을 포함할 수 있다. 실시예에서, 인공 지능 서비스(12007)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(12007)는 분석 관리 모듈, 거버넌스 라이브러리, 및 분석 모듈을 포함한다.In embodiments, platform-
지능 계층(INTELLIGENCE LAYER)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 자원을 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.131 illustrates an
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.In an embodiment,
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.Note that in some scenarios, the artificial intelligence service of
실시예에서, 지능 태스크는 요청에 응답하기 위해 특정 유형의 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 캡처된 비디오 스트림, 비디오 카메라 스트림 등), 오디오 스트림(예를 들어, 로봇 캡처된 오디오 스트림, 외부 마이크로폰으로부터 캡처된 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.In embodiments, an intelligence task may require certain types of data to respond to the request. For example, a machine vision task is to classify objects that appear in one or more images (and potentially other data) in an image or set of images (position of the item, presence of a face, symbols or commands, expressions, parameters of motion, It requires determining features within a set of images (such as changes in state, etc.). In other examples, NLP tasks require audio of dialogue and/or text data (and potentially other data) to determine meaning or other elements of the dialogue and/or text. In another example, an AI-based control task (e.g., decisions about the movement of a robot) may require environmental data (e.g., maps, coordinates, images of known obstacles) to make decisions about how to control the motion of the robot. etc.) and/or motion planning may be required. In a platform-level example, analytics-based reporting tasks may require data from multiple different databases to generate reports. Accordingly, in embodiments, tasks that can be performed by a intelligence layer instance may require or benefit from specific
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.In an embodiment,
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.In embodiments,
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.In embodiments,
실시예에서, 인공 지능 서비스(12204)는 신경망 시스템(12214)에 대한 액세스를 포함 및/또는 제공할 수 있다. 실시예에서, 신경망 시스템(12214)은 지능 계층 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 유형의 신경망을 훈련시키도록 구성될 수 있다. 상이한 유형의 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 유형 중 임의의 것을 포함할 수 있으며, 여기서 주어진 유형의 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.In embodiments,
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 자원 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 분석 정보는 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), 로봇 플릿(robot fleet), 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.In embodiments,
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.In embodiments, a value chain network analysis system may process a set of supply chain robotic fleet data and a set of demand intelligence robotic process automation data to generate recommended actions to adjust supply and demand for a set of goods or other items. there is. In an embodiment, a value chain network automation system is provided, comprising a set of supply chain robot fleet data, comprising attributes of a set of states and capabilities of a set of robotic systems in the supply chain for a set of goods; Demand Intelligence Robotic Process Automation Data Set - containing the attributes of a set of states of a set of robotic process automation systems that perform automation of a set of demand anticipation tasks for a set of goods; and a coordination system - which provides a set of robotic task instructions for a supply chain robot fleet based on processing the supply chain robot fleet data set and the demand intelligence robotic process automation data set to coordinate supply and demand for a set of goods. Includes.
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 유형의 디지털 트윈에 대한 실행 환경을 제공하도록 구성될 수 있다. 예시적인 실시예에서, 디지털 트윈 시스템(12220)은 플릿 자원; 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 자원(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.In embodiments,
실시예에서, 디지털 트윈 시스템(12220)은 로봇 운영 편성 단위 디지털 트윈 시스템에 대한 액세스를 제공하고 그 라이브러리를 관리할 수 있다. 다른 인공 지능 서비스(12240)와 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 자원 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.In embodiments,
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 캡처된) 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.In embodiments,
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 계층 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 커맨드를 인에이블 할 수 있다. 실시예에서, NLP 시스템(12224)은 (예를 들어, 마이크로폰으로부터) 오디오 스트림을 수신하고, 오디오 스트림의 필사를 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 필사)를 처리할 수 있다. 실시예에서, NLP 시스템(12224)은 NLP의 결과에 기초하여 오디오 스트림에서 말한 액션 또는 커맨드를 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.In embodiments,
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.In embodiments,
실시예에서, 인공 지능 서비스(12204)는 지능 계층 제어기(12202)와 인터페이스하고, 지능 계층 클라이언트(12260)에 의해 발행되는 요청의 유형을 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.In an embodiment,
실시예에서, 지능 계층 제어기(12202)는 지능 계층 클라이언트(12260)에 의해 발행되는 요청의 유형을 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 유형 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.In an embodiment,
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 유형, 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 유형의 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 유형, 특정 표준이 적용되는 재료 또는 제품 등일 수 있다.In some embodiments,
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 유형에 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 유형의 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.In some embodiments,
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 유형의 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), 위해 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.In some embodiments,
일부 실시예에서, 분석 관리 모듈(12206)은 지능 시스템 클라이언트(12260)에 의해 요청된 결정의 유형에 기초하여 어느 유형의 분석을 수행할지를 결정하도록 구성된다. 이러한 실시예 중 일부에서, 분석 관리 모듈(12206)은 요청된 결정 유형에 기초하여 분석 모듈(12208)의 세트를 식별하는 인덱스 또는 다른 적합한 메커니즘을 포함할 수 있다. 이러한 실시예에서, 분석 관리 모듈(12206)은 결정 유형을 수신할 수 있고, 결정 유형에 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 유형의 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 유형의 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.In some embodiments,
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.When
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 유형의 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 유형, 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.In embodiments,
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 유형의 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 유형의 로봇을 동작시키는 것)을 보장하기 위해 제안된 플릿 구성을 분석할 수 있다. 제안된 결정을 분석한 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 계층 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.In one example, before the output of a proposed control decision directing the robot to move forward is provided to the robot's robot controller, the robot's
여기서, 일부 실시예에서, 하나 이상의 분석 모듈(12208) 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.Note here that, in some embodiments, one or
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 계층(12200))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.As mentioned, the above-described framework of
보안 시스템(SECURITY SYSTEM)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 및/또는 다른 로봇, 로봇 팀, 및/또는 플랫폼(12000)과의 통신 및/또는 다른 상호작용과 관련하여 보안 관련 기능성을 제공하도록 구성될 수 있다.132 illustrates an example of a
실시예에서, 보안 시스템(12280)은 자율 적응형 보안 모듈(12282), 자율 비적응형 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 수신한 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. 그런 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 계층 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.In embodiments,
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.In embodiments, autonomous
실시예에서, 보안 시스템(12280)은 자율 비적응형 보안 모듈(12284)을 포함할 수 있다. 실시예에서, 자율 비적응형 보안 모듈(12284)은 클라이언트를 대신하여 자율적으로(예를 들어, 인간 개입 없이) 보안 관련 결정을 내리도록 구성된다. 실시예에서, 비적응형 보안 모듈(12284)은 조건의 하나 이상의 특정 세트를 검출한 것에 응답하여 로직 기반 보안 관련 액션(예를 들어, 위험 완화 액션)을 수행한다. 예를 들어, 비적응형 보안 모듈(12284)은, 특정 세트의 상태를 검출한 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, 비적응형 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.In embodiments,
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), 비적응형 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 인간 인터페이스를 통해 수동 보안 모듈(12286)과 인터페이스할 수 있다.In an embodiment,
다양한 보안 및 위험 완화 전략이 본 개시 전반에 걸쳐 논의된다.Various security and risk mitigation strategies are discussed throughout this disclosure.
도 133은 플릿 관리 플랫폼의 플릿 운영 시스템(12002)의 컴포넌트의 예시적인 세트를 예시한다. 실시예에서, 플릿 운영 시스템(12002)은 플릿 자원 수요를 예상하고 예상된 사용에 앞서 이들 자원을 준비함으로써 플릿 자원의 실질적으로 최적화된 이용을 용이하게 하기 위해 로봇 플릿 관리 플랫폼(12000)의 특징 및 능력을 이용할 수 있다. 실시예에서, 자원 수요 예상은 유지보수의 부족으로 인한 방지가능한 중단이 방지되는 것을 보장하기 위해 유지보수 활동을 작업 스케줄링과 조정하는 것을 포함할 수 있다. 추가적으로 또는 대안적으로, 자원 수요 예상은, 특히, 작업 요청의 예상을 지원하는 정보와 검출된 플릿 자원 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), 자원 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 인간 인터페이스 시스템(12024)을 포함할 수 있다.133 illustrates an example set of components of a fleet operating system 12002 of a fleet management platform. In embodiments, fleet operating system 12002 may utilize features and functionality of robotic fleet management platform 12000 to facilitate substantially optimized use of fleet resources by anticipating fleet resource demands and preparing those resources in advance of anticipated use. You can use your abilities. In embodiments, resource demand forecasting may include coordinating maintenance activities with job scheduling to ensure preventable outages due to lack of maintenance are avoided. Additionally or alternatively, resource demand projections may be based on alignment of detected fleet resource usage with information supporting projections of work requests, among other things. In embodiments, factors such as expected weather patterns, time of year, location, etc. may affect the likelihood of a particular work request (e.g., during hurricane season, urgent infrastructure repair work is likely to be requested). An example implementation for generating fleet demand forecasts and addressing such forecasts follows a discussion of the components of the fleet operating system 12002 and the associated robotic fleet management platform 12000. As previously discussed, example components of the fleet operations system 12002 include a
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 계층(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 자원 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 유형을 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 자원을 통한) 지능 서비스를 포함하거나 이에 액세스할 수 있다: 배치된 로봇 운영 편성 단위에 의해 수집된 데이터를 중요한 계산, 분석 및/또는 데이터 저장 자원에 적시에 전달하는 것; 로봇 구성 및 동작 명령의 우선순위화된 전달; 등. 플릿 자원 관리 및 제어 실시예에서, 통신 관리 시스템(12010)은 플릿 자원의 높은 정도의 보안 및 무결성을 지원하기 위해 플릿 지능 시스템 컴포넌트 사이의 통신들보다 플릿 통신 자원의 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 시스템(380)를 포함하는 네트워킹에 대한 액세스를 제공하고 관리할 수 있다.In an embodiment,
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 자원(예를 들어, 네트워크, 라디오 시스템, 라우터와 같은 데이터 통신 디바이스 등)의 컨텍스트 사양, 및/또는 적응을 포함할 수 있다. 플릿 통신 자원의 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 유형을 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 자원은 태스크가 예시적인 환경을 통해 진행함에 따라 로봇의 각각의 팀에 대해 통신 관리 시스템(12010)에 의해 적응적으로 제어될 수 있다.In embodiments, the capabilities of the
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 자원은 그에 따라 적응될 수 있다. 예로서, 작업을 수행할 때 병치되도록 할당된 플릿 자원의 팀 사이의 통신은 추가적인 암호화 또는 종래의 검출을 방어하는 라디오 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 자원 구성의 이 추가 실시예에서, 통신 관리 시스템(12006)은 이러한 플릿 구성을 시행하기 위해 통신 자원(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 저 에너지 근거리 통신의 사용만을 허용하는 것과 같은 적응가능한 격리 통신 프로토콜을 포함할 수 있다. 통신 시스템(12006)은, 로봇 운영 편성 단위(robot operating unit)를 구성하는 것, 작업 요청 통신 요건을 충족시키는 로봇 유닛의 선택, 플릿 통신 자원의 배치의 구성 및 지정(예를 들어, 팀과 로봇간 조작 유닛 중계기 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 자원의) 적응화 능력에 관해 통신 제어 시스템에 질의할 수 있다.Task request criteria can directly invoke isolated actions. Alternatively, the circumstances of the work request may favor isolated operation (e.g., operation within a foreign jurisdiction, etc.). Communication resources for the requested task can be adapted accordingly. By way of example, communications between teams of fleet resources assigned to collocate when performing a task may be configured by the fleet configuration system with additional encryption or radio frequencies to defend against conventional detection, thereby allowing the communications management system to This can facilitate activation when required by request (for example, when a team enters a foreign jurisdiction as mentioned above). Additionally, communications outside of the team may be limited to specific sites by the communications system, such as only when the entire team is located outside of a high-risk area or other designation (e.g., within a building, etc.). In this example, the delivery robot may be configured to travel from a collocated operation site to a secure external communication site to exchange information with a remote fleet management facility, etc., and upon return to the collocated site, may be configured to process authorized communications for that location and You can only use the system. This non-limiting example illustrates a representative degree of diversity in communication capabilities and conditions that will be handled by a fleet communication management system. Isolated operation does not include inter-robot operating unit communication, such as wireless communication, in addition to or instead of meeting task request requirements and/or environmental constraints (e.g., working in a remote mountain or other isolated environment). It may not be possible. In this additional embodiment of fleet resource configuration, communications management system 12006 may be configured to use communications resources (e.g., robotic operating organization unit radio interfaces, communications infrastructure proximate to an isolated robotic operating organization unit, etc.) to effectuate such fleet configuration. ) can be detected and controlled. Another consideration for isolated operation is to only allow the use of low-energy short-range communications conditionally based on the deployment situation, such as the expected location of the team robots, for example when multiple robot operating units are expected to be nearby. It may include adaptable isolation communication protocols such as Communication system 12006 is responsible for configuring robot operating units, selecting robot units that meet task request communication requirements, and configuring and specifying the deployment of fleet communication resources (e.g., teams and robots). The fleet configuration system can be assisted with fleet configuration, such as juxtaposing relay devices between operating units, and other fleet and robot configuration considerations. In this example of fleet configuration assistance, a work request may indicate a preference for using a particular robot operating unit. The fleet configuration system may query the communications control system regarding adaptation capabilities (e.g., the fleet communications management system and/or specific fleet communications resources) to support the preferred robot operating organization unit.
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 라디오 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 듀얼 라디오 시스템을 통해, 자동 채널 선택(예를 들어, 로컬 네트워킹, 셀룰러 네트워킹, 메시 네트워킹, 장거리 위성 네트워킹 등)과 같은 이중화의 사용을 통해 신뢰성 있는 통신을 제공할 수 있다. 플릿 통신 자원은, 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 라디오 주파수 신호를 사용할 수 있는 것과 매우 유사하게, 병치된 로봇은 상이한 청각적 시그널링을 사용하여 팀 멤버 사이의 통신 명확성을 보조할 수 있다.In an example of a communications management adaptability capability to support various robotic operating organization unit communications configurations,
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 계층 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 컴포넌트(예를 들어, 작업 구성 시스템(12018) 등)는, 기계 학습 시스템과 같은 플릿 지능 계층 요소에 대한 액세스가 플릿 지능 계층을 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 자원의 격리 및 회피(shunning)에 영향을 미치는 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, 자원이 지정된 영역 외부에 있을 때) 특정 자원에 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.In embodiments,
분리된 통신 시스템에 더하여 및/또는 그 대신에, 플릿 통신 관리 시스템(12010)은 네트워크 손상을 야기할 수 있는 예외 조건을 해결하기 위해 이중화(다중 주파수 라디오 등)를 제공할 수 있고, 긴급 사용 등을 위해 동작 통신 채널을 오버라이드하는 것을 요구할 수 있다.In addition to and/or instead of separate communications systems, fleet
실시예에서, 플릿 통신 관리 시스템(12010)은 2개의 플릿 자원(예를 들어, 2개의 로봇 운영 편성 단위, 로봇 운영 편성 단위 및 플릿 모니터링 시스템 등)가 안전하게 통신할 수 있도록 플릿 자원-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 자원에 대한 통지), 팀-특정적(예를 들어, 팀 멤버의 역할 변경에 관한 모든 팀 멤버에 대한 업데이트), 작업-특정적(예를 들어, 작업이 보류된다는, 작업에 할당된 플릿 자원- 복수의 로봇 팀을 포함할 수 있음 -에 대한 경보), 특정 유형의 플릿 자원(예를 들어, 플릿 로봇 운영 편성 단위, 다목적 로봇 운영 편성 단위, 하나 이상의 유형의 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 자원 유형-특정적 등일 수 있다.In an embodiment, the fleet
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 자원을 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 자원에 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 자원 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 자원의 구성을 특정할 수 있다. 이러한 구성은 플릿 자원에 적용될 수 있고 요청된 작업에서의 자원 참여의 지속기간 동안 통신 관리 시스템에 의해 유지될 수 있다.In embodiments, fleet
플릿 통신 관리 시스템(12010)과의 플릿 보안 시스템(12006)의 추가 협력 동작은 외부 자원(예를 들어, 웹사이트 등)에 대한 플릿 자원에 의한 액세스 뿐만 아니라 플릿 자원에 대한 외부 자원에 의한 액세스를 관리하는 것을 포함할 수 있다. 플릿 보안 시스템(12006)은 보안 에이전트 등을 그 자원의 할당/구성에 기초하여 플릿 자원에 배치할 수 있다. 예로서, 플릿 보안 시스템(12006)의 방화벽 유형 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 유형 배치)에 대한 액세스를 갖도록 플릿 구성 시스템에 의해 구성되는 모바일 로봇 운영 편성 단위와 같은 하나 이상의 플릿 자원의 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.Additional cooperative operation of the fleet security system 12006 with the fleet
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 자원와 같이 플릿 자원의 지능 능력의 이점을 취할 수 있다. 예로서, 플릿 자원(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 자원을 적응시킬 수 있다.In an embodiment, the fleet
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 자원이 네트워크를 활용하는지, 동시에 네트워크를 사용하는 자원이 어떻게 조정될 수 있는지, 그러한 자원에 대한 네트워크 로딩 제한 등을 결정 및/또는 제어함으로써, 플릿 네트워크 시스템(380)을 통신을 위한 플릿 자원으로서 사용하기 위해 자원으로서 관리되도록 취급할 수 있다.Fleet
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 자원을 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 자원 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 멤버에게 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.In embodiments, the fleet operating system 12002 is configured to assist the
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 자원을 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 자원 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 멤버에게 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 시스템(380)을 포함하는 플릿 구성 및/또는 플릿 관리 플랫폼(12000)의 자원을 사용하여 정보에 액세스하고, 일부 경우에서 결정을 행하고, 커맨드를 실행한다. 로봇 운영 편성 단위를 원격 제어하기 위한 프레임워크는 일련의 액션 기반 표준 규칙, 상황 인식에 의해 수정된 적응된 규칙, 비상 규칙, 예외, 인간 결정, 윤리적 규칙, 플릿 지능 시스템 등을 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.In embodiments, fleet operating system 12002 is configured to assist
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 자원, 기반구조 자원, 제3자 로봇 서비스 제공자 등과 같은 플릿 외부 자원에 대한 원격 제어 신호를 관리하는 것을 포함할 수 있다.
원격 제어 동작에 참여할 수 있는 플릿 자원은 구현 및 프로토콜 둘 모두에서 다양할 수 있는데, 예컨대, 구세대 로봇 운영 편성 단위, 인간 플릿 자원, 양자 컴퓨팅 요소 등이다. 따라서, (통신 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 계층의 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.Fleet resources that can participate in remote control operations can vary in both implementation and protocol, such as older generation robotic operational units, human fleet resources, quantum computing elements, etc. Accordingly, remote control system 12012 (cooperating with communication system 12006) may use multiple remote operation protocols (multi-protocol) to ensure that any two devices exchanging control signals can do so reliably. ) can be comprised of knowledge of ability. In embodiments, multi-protocol capabilities may include handling and/or providing services as protocol-to-protocol conversion, remote control signal integration and interpretation, protocol normalization, etc. In embodiments,
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 멤버의 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.The
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.Remote control, such as control of a robotic operating unit, may be initiated at least in part by a human operator. In embodiments, fleet operating system 12002 may encounter unexpected and/or unknown conditions during task execution (e.g., as may exemplarily be reported by task execution system 12022); Remote control of the robotic operating unit(s) can be deferred to a human operator. Optionally, one or more
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 자원(예를 들어, 인공 지능 시스템 등)의 도움으로, 인간 운영자로부터의 입력(예를 들어, "정지", "대피" 등과 같은 커맨드)을 처리하고, 로봇 운영 편성 단위 등과 같은, 플릿 자원을 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 자원의 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-유형 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.In embodiments,
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 유형 각각에 대한 대응하는 원격 제어 신호를 생성하고, 인간 운영자에 의해 원격 제어될 로봇 운영 편성 단위로의 (예를 들어, 통신 관리 시스템(12010) 자원을 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 커맨드된 조명을 제공하기 위해 그 자원을 전향시키는 경우 방해를 받게 될 시간-민감 기능을 수행하고 있을 수 있다. 다른 로봇 운영 편성 단위와 조정함으로써, 제1 로봇은 원격 제어 커맨드를 실행하는 것에 관한 다른 로봇 운영 편성 단위로부터의 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 명령 예에서, 작업-전반, 팀-전반, 플릿-전반 또는 다른 자원 특정 원격 제어 명령이 발행되어 플릿의 취득, 플릿 자원(들)의 일시적 할당, 플릿 메시징의 변경 등으로 인한 변경된 로고를 반영하도록 플릿 자원(들)의 디스플레이 스크린 상에 제시되는 이미지를 조정할 수 있다.Although generally described in this application as remote control signals,
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.Robot operating unit responsiveness to aggregated remote control signals (e.g., commands or sets of commands) may be based on broad fleet intelligence capabilities, knowledge, priorities, goals, etc. In general, the use of platform-based and/or robotic operating unit-based artificial intelligence capabilities supports broader independent decision-making capabilities for individual robotic operating units with greater situational significance.
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 자원(예를 들어, 데이터 저장 자원, 컴퓨팅 자원, 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.In embodiments,
자원 프로비저닝(RESOURCE PROVISIONING)RESOURCE PROVISIONING
실시예에서, 플릿 운영 시스템(12002)은, 로봇 팀, 로봇 플릿, 다목적 로봇, 및/또는 지원 자원(예를 들어, 에지 디바이스, 통신 디바이스, 적층 제조 시스템(예를 들어, 3D 프린터) 등)에 대한 자원을 프로비저닝하는 것과 같은, 플릿 내의 로봇 운영 편성 단위에 대한 자원을 프로비저닝하는 것을 관리하는 자원 프로비저닝 시스템(12014)을 포함한다. 실시예에서, 자원은 물리적 자원, 디지털 자원, 및/또는 소모성 자원을 포함할 수 있다. 물리적 자원의 예는 예컨대, 엔드 이펙터/매니퓰레이터, 환경 차폐 컴포넌트, 센서 및/또는 센서 시스템, 컴패니언 자원(예를 들어, 드론, 수송 자원 등), 하드웨어 자원(예를 들어, 특수화된 처리 모듈, 데이터 저장소, 네트워킹 모듈, 테더링 모듈 등), 스페어 부품, 인적 자원(예를 들어, 기술자, 운영자 등), 전원(예를 들어, 생성기, 휴대용 배터리 등)을 포함할 수 있지만, 이에 제한되지 않는다. 디지털 자원의 비제한적인 예는 소프트웨어, 동작 파라미터, 작업 특정 데이터 세트 등을 포함할 수 있다. 소모성 자원의 비제한적인 예는 연료, 샘플 수집 컨테이너, 용접 공급물, 세척/청소 공급물, 전개 가능한 자원(예를 들어, 플레어, 안전 원뿔, 낙하 구역 안전망 등) 등을 포함할 수 있다.In embodiments, fleet operating system 12002 may operate on a robot team, a robot fleet, a multi-purpose robot, and/or support resources (e.g., edge devices, communication devices, additive manufacturing systems (e.g., 3D printers), etc.) and a
실시예에서, 자원 프로비저닝 시스템(12014)은 플릿 특정 재고, 지역 공공 사용 재고, 임대/사용당 요금 기반 자원 재고, 온-디맨드 자원 생산 시스템(예를 들어, 엔드 이펙터 등의 3D 프린팅), 제3자 재고 등과 같은 물리적 자원의 재고로부터 물리적 자원을 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 자원(예를 들어, 자원의 식별자 및/또는 자원의 유형), 자원의 일반적인 가용성(예를 들어, 그것이 이용가능한지, 그것이 이용가능한 때 등), 자원에 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 자원에 대해, 재고 기록은 아이템 식별자(예를 들어, 자원 및/또는 자원의 유형을 식별하는 고유 식별자), 물리적 자원의 위치, 물리적 자원의 물리적 상태(예를 들어, 물리적 자원의 조건, 물리적 자원의 유지보수 기록, 자원의 예측된 조건 등), 소유권 데이터(예를 들어, 자원을 소유하는 사람, 자원 구매가능 또는 임대가능 등), 물리적 자원의 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 자원을 포함할 수 있다. 이러한 실시예에서, 재고 기록은 추가적으로 또는 대안적으로 프린팅 요건(예를 들어, 자원을 프린팅할 수 있는 3D 프린터, 자원을 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 자원의 재고를 제공할 수 있다. 이러한 실시예에서, 재고 기록은 디지털 자원의 식별자, 디지털 자원의 제공자, 디지털 자원에 관련된 호환성 정보, 액세스 정보(예를 들어, API, 웹훅, 및/또는 디지털 자원에 액세스하거나 디지털 자원와 인터페이스하기 위한 다른 정보), 가격 정보, 디지털 자원의 기능성 등과 같은 디지털 자원에 관련된 데이터를 표시할 수 있다. 논의될 바와 같이, 데이터 처리 시스템(12030)은 이용가능한 재고, 재고 상태, 재고 가격 등을 결정하기 위해 자원 프로비저닝 시스템(12014)(또는 플릿 구성 시스템(12020)과 같은 다른 적합한 컴포넌트)으로부터 요청을 수신하도록 구성될 수 있다. 실시예에서, 자원 프로비저닝 시스템(12014)은 특정 자원의 가용성, 특정 자원의 가격, 특정 자원의 위치, 특정 자원의 상태 등을 결정하기 위해 데이터 처리 시스템(12030)에 질의할 수 있다. 추가적으로 또는 대안적으로, 일부 실시예에서, 자원 프로비저닝 시스템(12014)(또는 플릿 구성 시스템(12020)과 같은 다른 컴포넌트)은 자원의 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 자원을 반환할 수 있다.In embodiments,
실시예에서, 자원 프로비저닝 시스템(12014)은 플릿 자원 프로비저닝 규칙이 준수되는 것을 보장하기 위해 플릿 구성 시스템, 플릿 자원 스케줄링 및 활용 시스템 등과 같은 플릿 운영 플랫폼의 다른 시스템과 협력하여 작동할 수 있다. 프로비저닝될 물리적 자원은 또한 컴퓨팅 자원, 예컨대, 온-로봇 컴퓨팅 자원, 로봇 운영 편성 단위-로컬 플릿-제어 컴퓨팅 자원, 클라우드/제3자 기반 컴퓨팅 자원, 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, 자원 프로비저닝 시스템(12014)이 프로비저닝된 자원이 프로비저닝 규칙을 준수하는 것을 보장하기 위해 지능 계층과 인터페이스하도록, 플릿 자원 프로비저닝 규칙이 거버넌스 표준 라이브러리에서 정의될 수 있다.In embodiments,
실시예에서, 자원 프로비저닝 시스템(12014)에 의해 프로비저닝될 디지털 자원은 (예를 들어, 로봇의 온보드 소프트웨어를 업데이트하기 위한) 소프트웨어/펌웨어 업데이트 푸싱, (예를 들어, 작업 특정 로봇 구성 데이터 등과 같은 네트워크 자원에 액세스하기 위한) 자원 액세스 자격증명, 온-로봇 데이터 저장 구성/할당/이용 데이터 등과 같은 플릿 구성 능력을 통해 프로비저닝될 수 있다. 실시예에서, 자원 프로비저닝 시스템(12014)에 의해 프로비저닝될 소모성 자원은 특수 공급 체인, 작업 요청자 자원(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 자원 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(customized end effector))을 포함할 수 있다.In embodiments, digital resources to be provisioned by
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 자원 프로비저닝 제약의 세트를 생성할 수 있다.In embodiments,
프로비저닝 시스템(12014)에 대해 위에서 설명된 예는 일반적으로 작업 실행 관련 프로비저닝에 초점을 맞추지만, 프로비저닝 시스템(12014)은 컴퓨팅 자원와 같은 플릿 자원의 프로비저닝, 플릿 구성 시스템, 지능 계층 등과 같은 플릿 요소에 대한 액세스 및/또는 플릿 요소의 실행을 추가로 취급할 수 있다. 실시예에서, 특정 자원의 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.The examples described above for the
일부 시나리오에서, 플릿 구성 시스템과 같은 플랫폼(12000) 자원의 우선순위화는 프로비저닝 시스템 기능에 영향을 미칠 수 있다. 작업 요청이 오프-피크 시간 동안 그러한 플릿 자원의 사용만을 (예를 들어, 작업에 대해 지불된 가격에 기초하여) 지원하는 경우, 플랫폼(12000) 자원이 이용가능하더라도, 플랫폼(12000) 자원은 피크 시간 동안 작업에 프로비저닝되지 않을 수 있다.In some scenarios, prioritization of platform 12000 resources, such as a fleet configuration system, may affect provisioning system functionality. If a job request only supports the use of those fleet resources (e.g., based on the price paid for the job) during off-peak times, then even if the platform 12000 resources are available, the platform 12000 resources will be Jobs may not be provisioned for some time.
실시예에서, 플릿 운영 시스템(12002)은, 특히, 작업 요건을 충족시키기 위한 물류 계획 및 실행, 로봇을 유지하는 것, 플릿 자원(로봇 운영 편성 단위, 물리적 자원 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 자원의 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.In an embodiment, the fleet operating system 12002 may, among other things, plan and execute logistics to meet operational requirements, maintain robots, maintain availability of fleet resources (robot operating units, physical resources, etc.); Includes a
물류 계획은 특정 위치로의 아이템의 세트의 전달을 초래하도록 생성되는 작업흐름을 지칭할 수 있다. 실시예에서, 물류 시스템(12015)은 물류 계획의 실행을 위해 수송 유형 로봇과 같은 플릿 자원을 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 자원 이외의 것이 활용될 수 있다. 물류 계획의 실행을 위해 어느 자원을 사용할지의 결정은 비용 및 자원의 가용성에 기초할 수 있다. 예를 들어, 물류 시스템(12015)은 작업 인근에 이용가능한 플릿 자원이 있어 제3자 트럭 운송 서비스가 원격 위치로부터 이용가능한 자원을 전달할 필요가 없다고 결정할 수 있고, 이에 응답하여, 물류 시스템(12015)은 제3자 트럭 운송 솔루션보다 이용가능한 자원을 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.A logistics plan may refer to the workflow created to result in the delivery of a set of items to a specific location. In embodiments,
실시예에서, 플릿 운영 시스템(12002)은 로봇 운영 편성 단위와 같은 플릿 자원에 대한 유지보수를 스케줄링하고 실행하도록 구성될 수 있는 유지보수 관리 시스템(12026)을 포함한다. 유지보수 관리 시스템(12026)은 배치된 작업 현장으로부터 수리 데포로의 이동으로 인한 로봇 운영 편성 단위 이용에 대한 영향을 완화하기 위해 현장에서의 플릿 자원의 스케줄링된 유지보수를 포함하는 현장 유지보수 요구 및 요청을 취급할 수 있다. 유지보수 관리 시스템(12026)은 또한 수리 데포에서의 유지보수 및 수리 동작 등을 조정할 수 있다. 또한, 유지보수 관리 시스템(12026)은 작업 현장 사이에서 로봇 운영 편성 단위와 같은 플릿 자원의 수송 동안 유지보수가 수행되게 하기 위해 물류 시스템(12015)과 같은 다른 플랫폼 시스템과 협력하여 작동할 수 있다. 실시예에서, 유지보수 관리 시스템(12026)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 자원에 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(12026)에 의해 평가될 수 있다.In an embodiment, fleet operating system 12002 includes a maintenance management system 12026 that can be configured to schedule and perform maintenance on fleet resources, such as robotic operational units. Maintenance management system 12026 is responsible for field maintenance requirements, including scheduled maintenance of fleet resources in the field, to mitigate the impact on robot operating unit utilization due to movement from deployed work sites to repair depots. Requests can be processed. Maintenance management system 12026 may also coordinate maintenance and repair operations at a repair depot, etc. Additionally, maintenance management system 12026 may operate in conjunction with other platform systems, such as
실시예에서, 유지보수 관리 시스템(12026)은 스케줄링된 기반으로 또는 유지보수 관리 시스템(12026) 등에 의한 로봇 운영 편성 단위 상태에 대한 질의에 응답하여 제공될 수 있는 자원 상태 보고를 통해 로봇 운영 편성 단위와 같은 플릿 자원의 상태를 모니터링할 수 있다. 실시예에서, 유지보수 관리 시스템(12026)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 자원로의 심장박동 신호의 결여 등과 같은, 잠재적 서비스 조건의 표시에 대해 로봇 운영 편성 단위 통신을 모니터링할 수 있다. 또한, 유지보수 관리 시스템(12026)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(12026)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 자원에 대한 유지보수 액션을 수행하기 위해 팀에 배치되는 동안 동적으로(그리고 선택적으로 일시적으로) 재구성될 수 있다.In embodiments, maintenance management system 12026 may be configured to provide a robotic operating unit status through resource status reporting, which may be provided on a scheduled basis or in response to a query regarding robotic operating unit status by maintenance management system 12026, etc. You can monitor the status of fleet resources such as. In an embodiment, maintenance management system 12026 may include a robot operation orchestration unit that signals to the supervisor robot that it is experiencing reduced power output, and a robot operation unit that reports exposure to certain ambient conditions (e.g., excessive heat). Robot operating organization unit communications may be monitored for indications of potential service conditions, such as lack of heartbeat signal from the organization unit, robot operating organization unit to the robot health monitor resource, etc. Additionally, maintenance management system 12026 monitors information in a robot data repository that stores robot operating unit status information, activates self-test operating modes, and stores data that provides indication of robot maintenance needs. Probes may be placed within robot operation and/or supervision software that may perform maintenance management functions for the robot operating unit, such as collection, etc. Maintenance management system 12026 may also include maintenance robots that can be deployed with other robots in a team of robot operating units to perform requested tasks. A maintenance robot may be a configuration of multi-purpose robots deployed with a robotic team. This configuration may be temporal within the boundaries of team placement. Multi-purpose robots deployed to perform tasks in a work workflow can be dynamically (and optionally temporarily) reconfigured while deployed in teams to perform maintenance actions on other robots and fleet resources.
유지보수 관리 시스템(12026)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(12026)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 자원, 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(12026)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 자원에 할당될 수 있다.Maintenance management system 12026 provides human/operator input (e.g., a human observer may indicate that a robotic operating unit appears to be behaving abnormally), robotic process automation of maintenance activities, and scheduling. Artificial intelligence to predict maintenance instances, schedule them, and identify new opportunities to perform maintenance (such as replacing an air filter before performing a task in a dusty environment, under those conditions). A variety of platform services and capabilities for scheduling and executing maintenance, including leveraging machine learning to help analyze the performance of maintained robotic operating units for specific conditions before performing specific tasks. It can be configured to use . In embodiments, maintenance management system 12026 may receive maintenance-related input. Maintenance-related input may include a maintenance request from a robot operating unit (either to the requesting robot operating unit or to another robot operating unit, such as a companion robot operating unit). Maintenance-related inputs may be from edge devices (e.g., near-job-site and/or task-specific edge devices, such as fixed infrastructure devices, fleet resources, edge devices deployed at the job site by task requestors, etc.). May include requests for maintenance. Other candidate sources of maintenance-related input may include supervisor robot operations coordination units, human operators/observers, maintenance scheduling services, third party service providers, robot production vendors, and parts providers for scheduling maintenance. Maintenance management system 12026 may also use business rules (e.g., established by the task requestor, for the team, fleet, as determined by regulatory agencies, etc.) to determine appropriate maintenance workflows, service actions, required parts, etc. rules), associated tables, data sets, databases, and/or maintenance management libraries. In embodiments, maintenance activities may be assigned by a maintenance management system to fleet resources, such as maintenance robots, human technicians, third-party service providers, etc.
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(12026)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(12026)은 유지보수에 대한 이 호출을 처리하고, 이동 동안 및/또는 로봇 운영 편성 단위가 도달할 것으로 기대될 때 작업 현장에서 이용가능할 유지보수 자원을 조정할 수 있다.In embodiments, a deployed robotic operating unit may perform self-maintenance, such as correcting end effector motion, adjusting tensile structures to maintain a high degree of mobility, etc., among other things. It may consist of one or more maintenance protocols for: Self-maintenance may include, but is not limited to, a reduction in the ability to respond to detection of a damaged robotic operating unit feature, such as a rotation mechanism that no longer rotates continuously through 360 degrees. A deployed robotic operating unit may determine that a capability has been impaired and, optionally with the assistance of maintenance management system 12026, ensure that the impaired capability can be addressed when time permits rather than causing a delay in completion of the task. You can exchange assignments with robots. Additionally, robot operational unit intelligence (e.g., on-robot AI, etc.) may predict trade-offs in robot capabilities, for example, based on time-to-failure data for robot capabilities. If this predicted compromise time lands within the target task performance timeframe, the robot operating unit can request preemptive maintenance to be performed while the robot operating unit is en route to the work site. Maintenance management system 12026 may process this call for maintenance and coordinate maintenance resources to be available at the work site during the trip and/or when the robotic operating organization unit is expected to arrive.
실시예에서, 유지보수 관리 시스템(12026)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(12026)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.In embodiments, maintenance management system 12026 may use intelligence layer 12200 (e.g., platform 12000 level intelligence) to predict when maintenance may be performed on robotic operational units and/or components. The intelligent service of the layer (12004) can be utilized. In some of these embodiments, maintenance management system 12026 may request a digital twin of a robotic operating organization unit from
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 유형(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 유형의 로봇 운영 편성 단위가 필요한지 및/또는 기능을 나타낼 수 있다. 이들 및 다른 작업 요청 세부사항은 본 출원의 다른 곳에서 설명된다.In an embodiment, fleet operating system 12002 includes
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 자원의 조합을 사용하여 프로젝트, 작업흐름, 및 태스크를 결정할 수 있다: (i) 프로젝트, 작업흐름, 및/또는 태스크를 정의하기 위한 인공 지능 기술; (ii) 상이한 유형의 작업 및/또는 프로젝트의 디폴트 구성을 정의할 수 있는 라이브러리; (iii) 로봇 프로세스 자동화; (iv) 지능 서비스(예를 들어, 딥러닝); 및 (v) 양자 최적화.In an embodiment,
실시예에서, 양자 최적화는 로봇 운영 편성 단위 등과 같은 플릿 자원에 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 자원 계획, 참여 및 활용, 위험 관리, 컴퓨팅 저장 용량 등을 포함하는 다양한 플릿 기능에 걸쳐 로봇 자원와 다른 자원의 조합을 최적화하기 위해 양자 최적화 시스템(12008)이 이용될 수 있다.In embodiments, quantum optimization may be enabled by quantum optimization system 12008, which may optimize task allocation across fleet resources, such as robot operating units, etc. Quantum optimization system 12008 may further optimize routing (logical, physical, and electronic) associated with robot fleets, tasks, teams, communications, logistics, etc. Additionally or alternatively, in some embodiments, robotic resources and other resources across a variety of fleet functions, including workforce diversity, energy consumption, compute capacity and utilization, infrastructure resource planning, engagement and utilization, risk management, compute storage capacity, etc. A quantum optimization system 12008 may be used to optimize the combination of .
실시예에서, 작업 구성 시스템(12018) 및 다른 플릿 자원(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.In an embodiment, the
실시예에서, 작업 구성, 플릿 구성(로봇 구성을 포함할 수 있음), 및/또는 작업 실행으로서 로컬 컨텍스트 적응 태스크 할당, 실행, 자원 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.In embodiments, task configuration, fleet configuration (which may include robot configuration), and/or task execution further improve fleet functionality, performance, and results through the use of local context adaptive task assignment, execution, resource routing, etc. It can be improved. This adaptive capability could be further enabled through peer-to-peer based communication (e.g., to a robotic operating unit within a team) that quickly and efficiently reveals the context of work activities.
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, 자원에 대한 ROI, 자원 활용 등을 포함하는 성공의 결과 척도에 기초할 수 있다.In embodiments, artificial intelligence for automation of multi-purpose robotic task assignment and execution (e.g., robotic process automation through learning) may be implemented through a fleet management platform 12000, such as a fleet operations system 12002 and a
작업 구성 시스템(12018)의 동작 흐름을 포함하는 이들 및 다른 작업 구성 세부사항은 본 출원의 관련 도면에 도시되고 설명된다.These and other task configuration details, including the operational flow of
실시예에서, 플릿 운영 시스템(12002)은 복수의 동시 및/또는 중첩 작업 요청으로부터의 작업 요청을 충족시키기 위해 플릿 자원(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 유형의 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 유형의 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 계층(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.In embodiments, the fleet operating system 12002 works to determine the configuration of fleet resources (e.g., robotic operating units, teams, etc.) to satisfy work requests from multiple concurrent and/or overlapping work requests. and a fleet and robot configuration system 12020 (also referred to as fleet configuration system 12020) that may work in conjunction with
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 자원 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 자원을 비롯한, 자원을 커밋하고 관리하는 것으로 작업을 시작할 수 있다.In embodiments, fleet operating system 12002 may include a job execution, monitoring, and reporting system 12022 (also referred to as job execution system 12022). The
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(12026), 자원 프로비저닝 시스템(resource provisioning system)(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 자원은 요청된 작업의 동작 양태, 예컨대, 어느 통신 자원이 요청된 작업에 대해 예약 및/또는 할당된 플릿 통신 관리 시스템(12010)을 갖는지, 로봇 운영 편성 단위 및 작업을 실행하기 위해 사용되는 다른 자원에 대한 서비스 및/또는 유지보수 요건, 작업의 동작이 시작된 후에 발생하는 자원 프로비저닝에 대한 변경 등을 용이하게 하기 위한 정보를 작업 실행 시스템(12022)에 제공할 수 있다.In embodiments,
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.In embodiments,
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.In embodiments,
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 에너지원 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.In embodiments,
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.In embodiments, fleet functionality may be combined with 3D printing services and systems, including during job execution, to provide optional automated robotic 3D printing and point-of-use (e.g., shop floor, logistics floor, warehouse, etc.). The deployment and use of production capacity in close proximity (transportation vehicles, etc.) can enable, for example, agile, remote and flexible manufacturing as needed. Another exemplary use of fleet robot functionality with 3D printing combines these agile, flexible production capabilities with customizable product delivery for last-mile customization of products. Several example embodiments of 3D printing functionality in combination with methods and systems of fleet management are described elsewhere in this application, including, without limitation, on-robotic 3D printing of service items at a service site; 3D printing of task-specific end effectors and/or adapters based on context acquired from the shop floor; Robotic control of transportable (e.g., shop-floor-deployed) 3D printing systems; Includes 3D scanning and on-site printing.
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 자원 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, 자원 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.In embodiments,
실시예에서, 플릿 운영 시스템(12002)은, 특히, 임의의 플릿 동작 및/또는 지능 자원에 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 자원 재고 제어 및 관리 데이터 구조 등을 제공할 수 있는 데이터 처리 시스템(12030)을 포함할 수 있다.In embodiments, the fleet operating system 12002 may provide, among other things, access to scalable computing power for any fleet operations and/or intelligence resources, data management capabilities (e.g., data caching, storage allocation and management, etc.) , a
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 인간 인터페이스를 제공하는 인간 인터페이스 시스템(12024)을 포함할 수 있다. 실시예에서, 인간 인터페이스 시스템(12024)은 (임의의 작업 관련 파라미터를 포함하는) 작업 요청 진입, 플릿 동작 관리, 플릿 자원 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. 인간 인터페이스 시스템(12024)의 사용의 예로서, 작업 요청자는 인간 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, 인간 인터페이스 시스템(12024)은 작업 실행 시스템(12022)과 같은 다른 플릿 컴포넌트와 상호작용하여, 이미지 캡처 자원(예를 들어, 카메라 기반 오버헤드 드론)에 지시하여 작업 태스크에 할당되고 현재 기능하는 로봇 운영 편성 단위의 이미지를 제공할 수 있다.In an embodiment, the fleet operating system 12002 allows a user to access the
실시예에서, 플릿 운영 시스템(12002)은 작업 요청을 충족시키기 위한 지원을 제공할 수 있다. 예를 들어, 플릿 운영 시스템(12002)의 컴포넌트는 플릿 자원(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 자원 프로비저닝 및 물류를 용이하게 할 수 있다. 예를 들어, 일부 실시예에서, 플릿 운영 시스템(12002)은 플릿 자원의 전달 및/또는 유지보수 태스크를 용이하게 하여 플릿 자원이 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 자원 수요를 예상하고 및/또는 플릿 자원 수요를 예상하는 작업 실행 계획을 예상하고 그러한 플릿 자원의 전달 및/또는 유지보수를 준비하기 위해 지능 서비스를 활용할 수 있다.In embodiments, fleet operating system 12002 may provide support for satisfying work requests. For example, components of the fleet operating system 12002 may configure fleet resources (e.g., robotic operating units, physical modules, and/or support devices) in an efficient manner to meet work request needs, such as the timing of task execution. This can facilitate resource provisioning and logistics to ensure they are delivered to the job site. For example, in some embodiments, fleet operating system 12002 facilitates the delivery and/or maintenance tasks of fleet resources to ensure that fleet resources are allocated in an efficient manner without significantly impacting completion time. You can use a “just-in-time” strategy. In some of these embodiments, fleet operations system 12002 may be configured to anticipate fleet resource demands in response to various task requests and/or predict task execution plans that anticipate fleet resource demands and deliver and/or maintain such fleet resources. Intelligence services can be used to prepare repairs.
일부 실시예에서, 다수의 종속 스테이지를 포함하는 작업 작업흐름은 다른 작업흐름 스테이지가 완료될 때까지 특정 자원이 요구되지 않도록 파이프라이닝될 수 있다. 이러한 시나리오에서, 플릿 운영 체제(12002)는 이전 작업흐름 스테이지가 거의 완료될 때까지 특정 자원의 프로비저닝을 지연시킬 수 있다. 이러한 방식으로, 그러한 자원은 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 자원이 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, 자원 프로비저닝 시스템(12014) 및 물류 시스템(12015)은 이전 태스크가 완료되기 전에 자원을 프로비저닝하여 작업 현장에 전달하도록 조합하여 작동할 수 있다.In some embodiments, job workflows that include multiple dependent stages can be pipelined such that no particular resource is required until other workflow stages are completed. In such a scenario, fleet operating system 12002 may delay provisioning of certain resources until previous workflow stages are nearly complete. In this way, those resources can be used in conjunction with other tasks (or other parts of the same task) while previous workflow stages are completed. In these embodiments,
실시예에서, 작업 실행 시스템(12022)은 특정 자원이 특정 작업에 대해 요구될 때를 예측하기 위해 작업-특정 방식으로 작업 관련 자원 수요를 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 자원이 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 자원을 예측할 수 있다. 예를 들어, 자원 수요의 예측은 다음으로부터 도출된 바와 같은 플릿 자원 수요의 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 자원 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 자원 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 자원 수요 및 타이밍을 예측하기 위한 기초를 형성할 수 있다.In embodiments,
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 자원 수요 예측에 영향을 미칠 수 있다. 플릿 자원 수요 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 자원 수요의 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 자원이 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 자원 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 유형을 할당할 수 있다.In embodiments, weather forecasts and seasonal impacts (e.g., requests for snow removal and related work in northern areas during the winter season, requests for beach erosion prevention/remediation work in warm weather riparian areas on the edge of hurricane season, grassing during the spring season) Many other factors can affect fleet resource demand forecasts, such as requests for maintenance work, requests for leaf clearing work in areas with deciduous trees during the fall season, etc. Fleet resource demand forecasts also include natural disasters, vehicle accidents/emergencies, timing of social activities (e.g., assisting and incident response to stuck vehicles on high-traffic roads during rush hour, etc.), and scheduled public and/or private events. It may be activated by an event external to the core task request process, such as an event (e.g., cleaning of city streets around a sports venue after completion of a scheduled game), etc. In other examples, other sources of information that may affect projections of fleet resource needs include business objectives, such as reducing or increasing spending near the end of a financial reporting period (e.g., financial quarter, year, etc.); May include purpose. An indication that the target task requestor intends to reduce costs in the final weeks or months of the financial reporting period may indicate that fleet resources typically assigned to the task request by the target task requestor include maintenance, upgrades, pro-bono work, training opportunities, and fleet promotions. It can indicate that it will be available for other actions, such as activities, assignments to other task requesters, etc. In embodiments, fleet goals or objectives may also influence fleet resource expectations and thus corresponding readiness activities, etc. One such example is the required upgrade of a class of robots. The fleet configuration function may anticipate the need to reserve robots of that class and assign alternative robot types that can be reconfigured to meet the requirements of the reserved robot class for the duration of the upgrade activity.
실시예에서, 플릿 자원 수요의 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 자원 수요에 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 자원 수요를 예측할 수 있다. 이러한 실시예에서, 플랫폼(12000) 지능 계층(12004)은 이종 데이터 소스로부터의 데이터를 처리하고, 인자의 범위에 걸쳐 플릿 자원 수요의 가능성을 결정할 수 있다.In embodiments, projections of fleet resource demands may be determined through use of a fleet management platform 12000, such as platform 12000
플릿 자원 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 자가-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.Other aspects of fleet resource forecasting include fleet preparation and/or by automatically configuring one or more work requests for fleet preparation-oriented activities (e.g., preparation and/or maintenance of a robotic operating unit or support device). or may include use of the work request process described herein for maintenance activities. In this way,
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 자원 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.In embodiments, fleet management platform 12000 may use
일부 실시예에서, 플릿 관리 플랫폼(12000)은 작업 요청, 작업 성능, 자원, 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 캡처하는 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 자원에 대한 액세스를 제공할 수 있다.In some embodiments, fleet management platform 12000 may support the use of smart contracts related to work requests, work performance, resources, allocation, etc. In embodiments, work requests may be routed through a smart contract handler that captures work requirements, requester goals and objectives, and fleet work execution constraints into a dynamic smart contract. In some embodiments, a smart contract provides negotiated routing of a multi-purpose robot from a first location (e.g., current shop floor, warehouse, temporary storage/service location) to a second location (e.g., target shop floor). It can be used across fleet management platforms to address all manner of fleet operations, such as managing As a further example, smart contracts can be deployed as controls for a bidding system for robot time/task utilization. As another example, a smart contract may monitor certain activities associated with a work request (e.g., task-related activities, etc.). Smart contracts rely on and/or derive from access to fleet platform data (e.g. task progress, sensor data, etc.) to trigger actions defined by the smart contract, such as payment upon completion of a task or task. You can make a profit. The fleet management platform 12000 may provide access to fleet resources, including fleet data, through application programming interfaces, infrastructure elements such as sensor networks, edge computing systems, etc., to update status related to smart contract terms and conditions. You can.
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.Referring to the embodiment shown in FIG. 134 ,
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.In the example of FIG. 135 ,
실시예에서, 작업 파싱 시스템(12302)은 작업 정의, 프로젝트 정의(들), 태스크 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 인간 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.In an embodiment,
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 유형(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.In embodiments,
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 있다.In embodiments,
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 식별한 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.In embodiments, task parsing of task content may include automated parsing of structured and unstructured text. In some embodiments,
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 설문조사와 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.In embodiments, the scope of job description information may be provided to, determined, and/or extracted from
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 설명의 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 실행 계획(12310)을 현재 플릿 표준 등에 의한 추가 검증을 위한 제안된 작업 실행 계획(12310)으로서 사용할 수 있다. 예를 들어, 플랫폼 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 지능 계층(12004)은 제안된 작업 구성에 대해 다른 지능 기반 태스크를 수행할 수 있다.In embodiments, task organization system 12018 (e.g.,
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.In some scenarios,
실시예에서, 작업 파싱 시스템(12302)은 플랫폼(12000)의 지능 계층(12004)의 분석 모듈/거버넌스(governance) 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.In embodiments,
실시예에서, 작업 파싱 시스템(12302)은, 작업 구성 시스템(120118)이 로봇 태스크를 정의하고, 플릿 자원을 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).In embodiments,
실시예에서, 작업 콘텐츠 파싱 시스템(12302)은 태스크, 서브-태스크, 태스크 순서화, 태스크 종속성, 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.In embodiments, work
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.In embodiments,
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.In embodiments,
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 개량할 수 있다. 태스크를 정의하는 것은 정의된 태스크를 수행할 수 있는 로봇, 로봇 유형, 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 자원을 참조할 수 있다.In embodiments,
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 유형의 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, 네스트된(nested) 태스크 등을 포함할 수 있다.As
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.Information about jobs may be stored in
태스크 정의 시스템의 최적화 특징은 작업흐름 시뮬레이션 시스템(12308) 등과 같은 작업 구성 시스템(12018)의 다른 요소로부터의 피드백과 관련하여 아래에 설명된다.Optimization features of the task definition system are described below in relation to feedback from other elements of the
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 자원 재고 및 요청된 작업에 관련된 할당 데이터에 기초하여 (태스크 설명(들)(12304A)에 표시된 바와 같이) 태스크를 수행하기 위한 후보 로봇의 세트를 특정 로봇 유형(및 선택적으로 플릿 내의 특정 로봇)으로 좁힐 수 있다. 플릿 구성 시스템 프록시(12305)는 플릿의 자원을 관련 태스크 정보와 정렬하기 위해, 로봇 식별 정보(예를 들어, 로봇 유형 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 자원 할당, 스케줄링 등을 수행하기 위해, 플릿 자원 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, 자원 할당 등 동안 고려될 수 있는 플릿 자원에 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 자원의 사용을 포함할 수 있다. 플릿 구성 시스템(12020)은 본 개시의 다른 곳에서 더 상세히 설명된다.Task definitions may be created and provided to other elements of the
작업흐름 정의 시스템(WORKFLOW DEFINITION SYSTEM)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 유형을 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.In an embodiment,
작업흐름 정의 시스템은 작업흐름을 정의할 때 로봇 구성 라이브러리(12314)의 자원을 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.The workflow definition system may utilize the resources of the
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.Other examples of
작업 작업흐름 정의 시스템은 팀 등과 같은 플릿 자원의 병렬화된 사용을 포함할 수 있는 작업 실행 계획을 구성하는 특히 잠재적인 작업흐름 독립성 및 종속성을 식별하기 위해 태스크 대 태스크 종속성을 검사할 수 있다(예를 들어, 제2 태스크를 수행하는 것은 제1 태스크를 완료하는 것에 의존한다).A job workflow definition system may examine task-to-task dependencies to identify potential workflow independence and dependencies, especially when constructing a job execution plan that may involve parallelized use of fleet resources such as teams (e.g. For example, performing a second task depends on completing the first task).
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.Features of the intelligence layer, such as team twin capabilities, fleet twin capabilities, etc., may also be beneficially applied to simulate and verify workflows, such as in the
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 자원을 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.Additionally,
실시예에서, 작업흐름 시뮬레이션의 결과는 작업 실행 계획에서 사용하기에 적합한 하나 이상의 데이터 구조를 포함할 수 있다.In embodiments, the results of a workflow simulation may include one or more data structures suitable for use in task execution planning.
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 자원(예를 들어, 로봇의 플릿)에 대한 배달 시간, 결과물의 스케줄 등과 같은 작업에 대한 계약을 식별할 수 있다.In addition to task definitions, robot definitions, workflow definitions, fleet configuration parameters, etc., work execution plans can be configured with smart contracts, work resources (e.g. You can identify contracts for work, such as delivery times for fleets, schedules for deliverables, etc.
실시예에서, 플릿 구성 시스템(12020)은 태스크 정의 및/또는 작업흐름 정의에 기초하여 작업에 대한 플릿의 자원을 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 유형의 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 유형의 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.In an embodiment,
실시예에서, 요청된 작업에 대한 플릿 구성은 플릿 자원을 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 자원의 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 자원 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.In embodiments, configuring a fleet for a requested task may include organizing fleet resources into teams of robots assigned to specific tasks and/or projects (a robot or team of robots may be assigned multiple tasks and/or projects). Please note that you may receive it). Each robotic team may include one or more robotic operational units, which may include any one or more of special purpose robots, multipurpose robots, rigid and/or soft robots, exoskeleton robots, humans, working animals, etc. Additionally, the constructed robot teams may be task specific, and team membership may be temporary for any given robot operating organizational unit. By way of example, a special purpose welding robot configured to perform a welding task, or optionally a multi-purpose robot, may be assigned to a first robotic team only for the duration of time that the welding task is being performed by the first robotic team. The same welding capable robot may also be assigned to a second robot team only for the duration of time that the second robot team welding is being performed. Time sharing of fleet resources, such as welding-capable robots, can be communicated, for example, from
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.In embodiments, fleet configuration may be a multipurpose robot (e.g., as may be indicated by a task definition system, etc.) to configure multipurpose robots to be included in a team or fleet of robots for the performance of one or more tasks in a task. Additional configuration information may be included. Multipurpose robot configuration information may define modules that can be combined with the robot, including end effectors, synchronous adapters, sensors, image processing modules, special purpose processing modules, communication modules, etc. Multi-purpose robotic modules and applications are further described elsewhere in this application.
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 자원을 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 멤버 참여 요건, 지원, 장비 등을 비롯하여, 인간에 대해 일부 팀 역할을 지정할 수 있다. 플릿 구성 시스템은 팀 멤버로서 인간을 지정할 때 인간 안전을 고려할 수 있다. 예로서, 인간 팀 멤버는 용접 작업을 수행하는 팀에 참여할 때 안전 얼굴 차폐구를 착용하도록 요구될 수 있다.In some embodiments, configuring a fleet for a requested task may include allocating robotic support resources such as edge devices, charging capabilities, local data storage capabilities, shipping containers, docking stations, spare parts, required technicians, etc. In embodiments, a fleet configuration system may also assign robots to distinct roles, such as roles related to team organization (e.g., supervisor), security, human interaction, inspection/quality control, etc. These roles may not be individually defined in the work request; However, criteria in work requests (e.g., quality inspection reports) may lead to the assignment of these robot roles. In embodiments,
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 유형의 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 유형을 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 유형/구성을 식별하려고 시도할 것이다. 실시예에서, 플릿 구성 시스템(12020)은 정의된 태스크의 요건에 맞도록 로봇 크기/유형 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 유형, 로봇 구성 등을 포함하는 플릿 정의를 작업 구성 시스템(12018)에 전달할 수 있다. 플릿 구성 시스템(12020)의 일반적인 목표는 요청된 작업의 일부의 적절한 실행을 위해 가장 적은 수의 로봇 및/또는 로봇 유형을 요구하는 플릿 구성(들)을 생성하는 것을 포함할 수 있다. 그러나, 플릿 구성 시스템(12020)은 하나보다 많은 로봇 유형/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.In embodiments,
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 자원 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 서비스(12028)는 태스크 정의, 작업흐름(workflow) 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 인간 인터페이스를 통해 플릿 구성의 임의의 부분을 정의하거나 재정의할 수 있다.In embodiments,
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.In embodiments, job and fleet configurations may be fed to a digital twin system, whereby the digital twin system can perform a simulation of the job given the job and fleet configuration.
실시예에서, 플릿 구성 시스템(12020)은 플릿 자원을 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.In embodiments,
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.In embodiments, optimization features of the task definition system are described below in conjunction with feedback from other elements of the
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 계층(12004)은 적어도 이러한 반복을 위해 사용될 수 있다. 그러나, 플릿 지능 계층(12004)의 자원은 또한 또는 추가적으로 작업 실행 계획(12310)의 실행을 향상시키기 위해 사용될 수 있는 것으로 고려된다.Figure 136 presents a flow diagram illustrating an embodiment of a fleet operating system and its data flow. In an example embodiment, the fleet operating system and fleet intelligence system perform feedback on task run-time iterations of configuration activities, such as to adapt execution instances of a task execution plan. The embodiment of FIG. 136 illustrates an embodiment of the methods and systems of the robotic fleet platform 12002 shown and described herein, wherein feedback within the
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 자원을 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 계층(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.In the example of FIG. 136 ,
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 계층(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.This real-time (or near-real-time) visual feedback can be analyzed by the fleet intelligence system to determine, for example, that a portion of the baffle on the cover was deformed during removal. The artificial intelligence system in the
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).Examples of task composition, etc., presented in this application generally consider a single task being configured by
또한, 도 136에는, 특히, 학습 및 최적화를 위해 플릿 지능 계층(12004)에 의해 사용하기 위한 피드백의 형태로서 요청된 작업의 완료를 나타내는 데이터를 선택적으로 캡처함으로써 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 캡처하는 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 계층(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 유형의 지표로 구성될 수 있다. 플릿 지능 계층(12004)은 로봇 설계 엔지니어링 팀 등에 의해 이루어진 문의와 같은, 플릿 지능 시스템에 알려진 다른 인자에 기초하여 그렇게 표시될 데이터의 유형을 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 유형, 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.136 also illustrates, among other things, a configuration for handling future work requests by selectively capturing data indicating completion of requested work as a form of feedback for use by
도 137을 참조하면, 작업 파싱 시스템(12302) 및 태스크 정의 시스템(12304)의 실시예가 상호연결된 블록 및 데이터 흐름도로 도시되어 있다. 파싱될 작업 설명은 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 종속성 등), 작업의 법적 요건(예를 들어, 연합 승인, 관련 법률 등), 작업의 세부사항, 요청자 작업 표준(예를 들어, 요청자에 대한 숙련도 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 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.137, embodiments of
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.In embodiments, one or more human interaction capabilities to facilitate task parsing and task definition include interacting with a human (e.g., via text input, chat-bot, haptic-input, etc.) to retrieve task and task data. may include a knowledge-based system (e.g., AI-based, etc.) that can collect information for pre-formatting, organizing, and researching. This interaction can replace or supplement receiving job descriptions. By way of example, a job description may include reference to performing the task after normal working hours, which may include working after sunset. Disambiguation, such as the ability to examine interactive task descriptions, as mentioned here, can be beneficial in parsing task descriptions, and task definitions can include, for example, whether the task will require human-friendly lighting and, if so, what conditions this will require. You can decide. Because robot sensing may not require such lighting (for example, robot vision functions may be met through the use of infrared or other non-human visible light emissions), human-visible lighting may be required at certain times during task execution. It may only be required to be deployed at the beginning of a function (e.g., at the beginning of a function, when a delivery is taking place, when a human inspector is on-site, etc.). By providing the ability for human interaction as part of task parsing, such questions can be asked and answered interactively.
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 유형, 태스크의 세트 등과 관련된 용어들), 로봇 유형, 로봇 능력(예를 들어, 유형, 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 유형 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.Job
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 유형을 식별할 수 있다. 라이브러리 내의 태스크의 디스크립터가 하나 이상의 작업 설명 키워드와 정렬되는 경우, 태스크는 작업에 대한 후보 태스크로 고려될 수 있다.Keyword-based task lookup module 124010 can retrieve information, such as task-oriented keywords, from
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 유형을 식별하는 데 유용한 정보를 포함할 수 있다.In an embodiment, task definer module 12412 processes candidate tasks provided by
실시예에서, 태스크 정의 시스템(12304)은 태스크 데이터와 정렬되는 로봇 유형의 특성을 식별함으로써 로봇 유형의 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 유형에 포함하기에 적합하지 않을 수 있는 하나 이상의 로봇의 특성을 추가로 결정할 수 있다. 이 결정은, 예를 들어, 라이브러리(12314)에서 액세스가능한 로봇 특성 및 유형 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 자원을 구성할 때 플릿 구성 시스템(12020)이 사용할 수 있는 다수의 비호환성 로봇 특성의 각각의 유형을 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 유형에 기반하여, 태스크를 수행하기 위한 로봇의 유형에 대한 하나 이상의 제안을 포함할 수 있다. 아래에 설명되는 바와 같이, 플릿 구성 시스템(12020)은 임의의 제안된 로봇 유형을 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 종속성을 포함할 수 있다. 예로서, 샘플 준비 태스크는 샘플 채취 태스크 후에 수행되도록 요구될 수 있다. 이러한 종속성은 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.In an embodiment,
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) 자원 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 자원 식별 시스템에 포워딩할 수 있다. 이러한 식별 시스템 각각은 플릿 구성 프록시를 통해 제공되는 태스크 정의 데이터를 처리하여, 플릿 자원 데이터로부터 운영 데이터를 분리할 수 있다. 태스크 정의는 로봇 운영 편성 단위(예를 들어, 하나 이상의 특수 목적 로봇), 지원 자원(예를 들어, 전력 시스템, 조명, 통신 시스템 등)의 유형과 같은, 태스크를 수행하기 위해 요구되는 플릿 자원의 세트를 설명할 수 있다. 로봇 운영 편성 단위 유형 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 유형 및 수량, (예를 들어, 고유 식별자에 의한) 특정 로봇 운영 편성 단위, 로봇 운영 편성 단위 능력 등을 식별할 수 있다.Figure 138 illustrates an example embodiment of a
일부 실시예에서, 플릿 구성 스케줄러(12468)는 작업 요청 요구를 충족시키기 위해 플릿 자원을 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 유형의 모든 특수 목적 로봇은 요청된 작업이 수행되도록 제약되는 지속기간의 시간 전체에 걸쳐 할당될 수 있다. (예를 들어, 플릿 지능 계층(12004), 플릿 프로비저닝 시스템(12014) 등과 같은 다른 플랫폼 자원로부터의 지원으로) 플릿 구성 스케줄러(12468)는, 작업 요청에서의 조건 및 플릿 구성 스케줄러(12468)에 이용가능한 로봇 유형 등가성 데이터에 기초하여, 특수 목적 로봇에 의해 수행되도록 요청된 활동에 대한 다목적 로봇을 할당할 수 있다. 이러한 할당을 달성하기 위해, 플릿 지능 계층(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 계층(12004)에 이용가능할 수 있다. 2개의 상이한 로봇 유형의 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 자원(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.In some embodiments,
실시예에서, 태스크 정의(12304D)는 (예를 들어, 태스크 요건, 로봇 특성, 및 로봇 유형의 정렬에 기초하여) 하나 이상의 유형의 로봇에 대한 추천을 포함할 수 있고, 선호되는 유형이 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 유형이 표시될 때, 구성 데이터(및/또는 데이터 자체)에 대한 참조가 또한 태스크 정의(12304D)에서 통신될 수 있다.In embodiments,
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 유형은 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 자원 할당을 준비할 때 태스크를 수행하기 위한 팀 멤버의 특정 요구를 고려할 수 있다.As mentioned above, task information can be converted into task definitions that may require different or at least multiple robots. As an example, a sampling task requiring a robot with different characteristics to be defined may be identified as SAMPLE-T1. A first robot may be assigned by the
플릿 구성 스케줄러(12468)는 플릿 및 제3자 자원 및 공급의 프로비저닝에 기여하고/하거나 이를 결정할 수 있는 플릿 프로비저닝 모듈(12014)과 같은 다른 플릿 시스템에 의존할 수 있다.
플랫폼(12000) 지능 계층(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 계층(12004)의 디지털 트윈 시스템과 선택적으로 연관될 수 있는 플릿 디지털 트윈을 사용하는 것에 의해서, 플릿 구성의 시뮬레이션을 제공할 수 있다.Other fleet systems, including the platform 12000
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 수요 데이터(job-specific demand data)(12476)는 팀으로서 구성될 로봇 운영 편성 단위의 세트(들)를 식별(예를 들어, 추천)할 수 있다. 또한, 작업 특정 수요 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.In embodiments,
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 자원 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.The
도 139는 본 개시의 일부 실시예에 따른 작업흐름 정의 시스템(12306)의 예시적인 실시예를 예시한다. 실시예에서, 작업흐름 정의 시스템(12306)은 플릿 관리 플랫폼의 자원을 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.Figure 139 illustrates an example embodiment of a
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.Gathering task definitions and/or fleet configuration information may include aligning
수집은 수집된 콘텐츠 중 임의의 것에서 발견될 수 있는 라이브러리(12314) 내의 작업흐름 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.Collection may further include processing references (e.g., URLs, hyperlinks, external names, etc.) to workflow content within
수집 모듈(12502)에 의한 처리의 하나 이상의 결과는 태스크 사이의 종속성을 결정, 예컨대, 어느 태스크가 순차적으로 수행될 필요가 있고 어느 태스크가 다른 태스크와 독립적으로 수행될 수 있는지를 결정할 수 있는 태스크 종속성 결정 모듈(12506)을 포함하는 작업흐름 정의 활동의 세트에 제시될 수 있다. 태스크 종속성 결정 모듈(12506)은 또한 플릿 자원의 가용성, 캘린더/날짜/시간, 공급 재료의 준비성 등과 같은 다른 인자에 대한 태스크의 종속성을 결정할 수 있다. 다른 인자에 대한 종속성은, 예컨대, 주어진 작업 상태를 태스크에 대한 시작 포인트로서 마킹함으로써, 태스크 정의에서 식별될 수 있다. 작업 상태 태스크 종속성의 예에서, 재료의 샘플을 처리하는 태스크는 샘플 카탈로그 로봇 등이 수용하는 재료에 의존할 수 있다. 추가의 다른 인자 태스크 종속성은 (예를 들어, 특수 목적 로봇 등과 같은 플릿 자원의 가용성에 대한 종속성을 설정하는 플릿 구성과 태스크를 정렬하는 것에 기초하여) 수집 동안 주어진 태스크 정의에 기인할 수 있다.One or more results of processing by
태스크 그룹화 활동(12508)은 태스크 종속성 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 자원 가용성에 대한 종속성에 기초할 수 있어서, 플릿 자원에 의존하는 태스크는 자원이 이용 가능해지면 그룹화되고 수행될 수 있다. 이러한 그룹화된 태스크의 수행 순서는 태스크간 종속성에 기초할 수 있다. 일반적으로, 태스크는 비용 절감, 자원 보호, 작업 우선순위화, 이용가능한 작업 실행 자금, 예상된 플릿 자원 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 종속성(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 종속성의 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 종속성이 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 자원이 이용가능할 때에만 각각의 작업흐름이 시작되도록 의존적으로 이루어질 수 있다. 이러한 작업흐름에서의 다른 태스크의 수행은 포트를 개방하는 초기 태스크가 플릿 자원 활용 종속성으로 인해 순차적으로 수행되어야 하는 경우에도 동시적일 수 있다.Task workflow
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 서비스(12028)와 같은 다른 플릿 자원 플랫폼 서비스로부터 입력을 요청할 수 있다.In embodiments, the defined workflow steps may be adapted variations of candidate workflow steps 12514, such as workflow steps retrieved from
작업흐름 단계 종속성과 같은 정보는 플릿 지능 계층(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 종속성 등과 같은 작업 특정 작업흐름 정보를 캡처하는 데이터를 포함할 수 있다.Information such as workflow step dependencies may be utilized by workflow
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 자원에 분산되는 것과 같은 아키텍처 고려사항에 기초하여 다른 곳(예를 들어, 클라우드 저장 시설)에 저장될 수 있다.In embodiments, workflow definition(s) 12306D may be stored in a
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.In embodiments, workflows may be simulated as indicated in the description of
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 유형을 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 자원, 인간 플릿 자원 등을 포함하는 플릿 자원에 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.In a specific example, an exemplary robotic fleet task may include inspecting a building ventilation system. Work
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 캡처을 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 자원 등의 효율적인 사용을 보장하기 위해, 작업흐름을 정의할 때 작업흐름 시스템의 유연성의 정도를 표시한다.Continuing further to describe the exemplary robotic fleet task of inspecting a building ventilation system,
작업흐름 시뮬레이션 시스템(12308)을 통한 이들 3개의 태스크의 작업흐름의 시뮬레이션은 또한 태스크 정의, 플릿 자원 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).Simulation of the workflow of these three tasks through
실시예에서, 건물 환기 시스템을 검사하기 위한 작업 실행 계획(12310)은 적어도 3개의 정의된 태스크 (i), (ii), 및 (iii), 각각의 태스크에 대한 플릿 자원(예를 들어, 로봇 구성) 및 (예를 들어, 플릿 구성 시스템(12020)으로부터의) 할당 정보, 및 3개의 태스크의 시퀀스를 정의하는 작업흐름을 포함할 수 있다.In an embodiment, the
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 유형의 태스크에 대해 많은 상이한 유형의 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.In light of the foregoing disclosure, fleet management platform 12000 may be a standalone service or may be integrated into a larger system-of-systems (SoS). Additionally, fleet management platform 12000 is configured to facilitate many different types of fleets for different types of tasks. In addition to the configurations described above, some additional examples of fleet and robotic operational organizing units that may be configured by fleet management platform 12000 are provided below.
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.FIG. 139 illustrates an example embodiment of a
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.In an embodiment, the
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(leg)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 배터리에 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.As can be appreciated, the
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 유형의 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.In embodiments, the energy storage and
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 전력망으로부터 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.In embodiments, the power components within the energy storage and
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 유형의 유압 시스템의 전형적인 응답 시간은 수 밀리초 이하 정도로 매우 신속하다.In an embodiment, the power source within energy storage and
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.In embodiments, hydraulic systems are designed to utilize additive manufacturing methods and their associated design advantages to produce manifolds and reservoirs that minimize hoses and connections that can lead to leaks and system inefficiencies. The hydraulic system may include the ability of the MPR (2B00) to apply repairs, service equipment and handle emergency situations that the application must avoid. In embodiments, hydraulic systems are designed to utilize additive manufacturing methods and their associated design advantages to produce manifolds, reservoirs, and distribution systems containing valve actuation.
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.In embodiments,
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.In some embodiments, the
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.In some embodiments, the
일부 실시예에서, MPR(12100)의 인클로저(12106)는 비전도성 및 방열 스마트 재료로 만들어진다. 재료는 비전 및 감지 시스템(12112) 및 로봇 제어 시스템(12150)의 컴포넌트를 포함하는 민감한 전자 컴포넌트를 보호하는 것을 도울 수 있다.In some embodiments, the
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 유형의 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 시스템들이 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.In some embodiments, the electromechanical and
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 유형의 유압, 공압, 전기, 기계, 열, 및 자기 유형의 액추에이터를 포함할 수 있다.In some embodiments,
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.In some embodiments,
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.In embodiments, the
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.In embodiments, vision and
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.The
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 유형의 로봇에도 적용가능한 것으로 이해된다.In an embodiment, the
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 레벨로 연장되는 더 넓은 지능 계층의 일부로서 구성될 수 있다.In an embodiment,
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 유형을 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.In an embodiment,
실시예에서, 성능 관리 시스템(12146)은 건강, 에너지, 열 흐름, 네트워크 등을 포함하는 하나 이상의 로봇 자원의 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.In embodiments,
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.In an embodiment,
실시예에서, 에너지 관리 서비스(12162)는 로봇이 동적 동작 환경에서 작동하는 동안 이용가능한 에너지 자원을 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.In embodiments,
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 자원의 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 자원의 상태 및/또는 진단에 관한 실시간 및 과거 데이터에 기초한 분석을 포함하는 맞춤 보고를 사용자에게 제공할 수 있다.In embodiments, monitoring and
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.In an embodiment,
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.In embodiments,
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.In another example, the
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.In an embodiment,
실시예에서, 데이터 처리 시스템(12142)은 중앙 집중형 및/또는 분산형일 수 있는 데이터 처리 자원을 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 자원을 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 자원에 대한 액세스 및 제어를 포함하는 능력을 갖는 데이터 관리 시스템, 및 사용자 인터페이스 입력 및 출력 디바이스를 포함하는 데이터 저장소를 포함할 수 있다.In embodiments,
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.In an embodiment,
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.In an embodiment,
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 자원 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 유형을 포함하거나 이에 대한 액세스를 제공할 수 있다. 실시예에서, 통신 시스템(12152)은 MPR(12100) 내부 및 외부의 다양한 시스템에 대한 데이터 및 자원을 구성, 우선순위화 및 제어하기 위해 지능 서비스를 활용할 수 있다.In embodiments,
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.In an embodiment,
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 비전 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.In embodiments,
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.Additionally, in some embodiments,
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.In embodiments, the
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.In an embodiment, safety and
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.In an embodiment,
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.In embodiments,
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(12130) 및/또는 물리적 인터페이스 모듈(12122)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.In embodiments,
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.In an embodiment,
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.In an embodiment,
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.In an embodiment,
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.In an embodiment,
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.In embodiments,
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 자원을 자율적으로 최적화하도록 구성될 수 있다: 계산을 위한 최적화; 저장소; 네트워크; 에너지; 가열/냉각 용량; 배터리 용량; 인사 능력; 공간; 적층 제조 능력 등.In embodiments,
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 자원의 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 캡처한 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.In an embodiment, a modular AI-on-a-chip package can be used to recognize situations (bottlenecks in a warehouse, congestion/lines in a store, low/sparse customer mix in a part of the environment), object Classifying and recognizing /faces/products/emotions, setting demand-side parameters (price, promotion, advertising position); It can be trained as a model to execute and govern robotic process automation, such as managing supply-side interactions, including managing onboard chatbot interactions, managing recommendation engines to recommend baskets of complementary products, etc. . In embodiments, a modular AI-on-a-chip package may be trained with a model to analyze a user's physiological, neurological, emotional, and cognitive states and customize the response of
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.In embodiments,
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.In embodiments,
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 컵(suction cup)을 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.In some example embodiments, the end effector may include a gripper for grasping and gripping objects for a wide range of material handling applications, from stacking large boxes to handling small delicate electronic components. In some example embodiments, fingers or jaws may be attached to the gripper to grasp or hold objects as well as to pick up and place them on, for example, an assembly line, conveyor system, or other automated system. there is. For example, a parallel gripper may have two fingers arranged parallel to each other that can be closed on an object to hold and grip the object, while an inclined gripper may have a variety of different fingers, such as three fingers offset by 120°. The suction gripper may have fingers of angular openings, and the suction gripper may have one or more suction cups for engaging the surface of the object and using negative or suction pressure or vacuum to grip the object; Electromagnetic grippers can be used to grip metal objects, hydraulic grippers driven by hydraulic fluid can be used for high load applications such as lifting heavy objects, and soft grippers can be used for gripping different shapes and sizes such as fresh fruits and vegetables. can mimic human fingers to pick and manipulate delicate objects, Bernoulli grippers can use airflow to attach to objects without physical contact, can be used to handle sterile materials to prevent contamination, and so on. In embodiments, the gripper may include sensors that assist the gripper in finding, handling, and positioning the product. In embodiments, the gripper may include accessories such as force torque sensors and compliant force feedback systems for force control processes that require precise application of force. In embodiments, the gripper may be driven by compressed air, vacuum, or electricity. In some example embodiments,
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, 이동가능한 다리, 핀, 제트, 터빈, 또는 다른 적합한 수송 수단을 포함할 수 있다.In embodiments,
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.In an embodiment,
상이한 모듈의 전술한 설명은 예를 들어, 각각의 유형의 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.The above description of the different modules is provided for each type of physical module and control module, for example. It is understood that
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(12170)을 비롯한 MPR(12100)의 다른 적합한 시스템을 포함하는 베이스라인 시스템(12102)의 다양한 컴포넌트들을 포함할 수 있다.140 is an example architecture of a
예로서, 지능 계층(12140)은 비전 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.As an example,
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.In embodiments, motion planning system (MPS) 12158 may be configured to control the motion of
일부 실시예에서, MPS(12158)는 비전 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.In some embodiments,
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.In an embodiment,
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.In embodiments,
실시예에서, MPS(12158)는 임의의 이동 장애물을 결정하기 위해 비전 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.In embodiments,
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 솔루션을 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.In embodiments,
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.In an embodiment,
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 비전 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.In an embodiment,
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.In embodiments, when a suitable end effector is not found,
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 네스트된 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.In embodiments,
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.Policies may be defined and updated in any suitable way. In some embodiments, policies may be defined by human users (eg, programmers). In some embodiments,
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.In embodiments, policies may be pre-trained for a wide variety of objects and adapted based on the characteristics of the objects to which they apply. For example, to train a grip policy, the
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, 적대적 생성 신경망(GAN)은 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.In some embodiments,
로봇-레벨 지능 계층(ROBOT-LEVEL INTELLIGENCE LAYER)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(12200))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.In embodiments, the robot-
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 유형 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 유형의 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), 위해 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.In an embodiment,
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.Artificial intelligence services (12143) include digital twin systems (12630), machine vision systems (12618), machine learning (ML) systems (12632), robotic process automation (RPA) systems (12652), and natural language processing (NLP) systems (12656). ), an analysis system 12660, and/or a
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 캡처하기 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.The digital twin system (12630) is a digital twin for the MPR (12100), robotic subsystems such as electromechanical and electrofluidic systems (12108), transportation systems (12110), vision and sensing systems (12112), batteries, sensors, valves, etc. , robot components such as actuators, motors, end effectors, etc., and can be configured to create robot policies such as navigation, grasping, lifting, transport, etc. The digital twin of the
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.In embodiments,
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.In embodiments, multiple digital twins of components and subsystems of
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 신경망, 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)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 유형의 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.In embodiments, machine learning model 12664 may perform various types of classification based on input data. Classification is a predictive modeling problem in which class labels are predicted for given examples of input data. For example, machine learning models can perform binary classification, multi-class, or multi-label classification. In an embodiment, a machine learning model may output “confidence scores” that indicate the respective confidence levels associated with the classification of the input into each class. In embodiments, confidence scores may be compared to one or more thresholds to render discrete category predictions. In an embodiment, only a certain number of classes (e.g., one) with the relatively largest confidence score may be selected to render a discrete category prediction.
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 대한 확률 분포는 1로 합산될 수 있다. 실시예에서, 소프트맥스 함수, 또는 다른 유형의 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.In embodiments, machine learning model 12664 may output a probabilistic classification. For example, a machine learning model can predict a probability distribution over a set of classes, given sample input. Therefore, rather than outputting only the most likely class to which the sample input should belong, the machine learning model can output, for each class, the probability that the sample input belongs to that class. In an embodiment, the probability distribution for all possible classes may sum to 1. In embodiments, a softmax function, or other type of function or hierarchy, may be used to convert a set of real values each associated with a possible class into a set of real values in the range (0, 1) that sums to 1. In embodiments, the probabilities provided by the probability distribution may be compared to one or more thresholds to render discrete category predictions. In embodiments, only a certain number of classes (e.g., one) with the relatively greatest prediction probability may be selected to render discrete category predictions.
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.In embodiments, machine learning model 12664 may perform regression to provide output data in the form of continuous numeric values. By way of example, a machine learning model may perform linear regression, polynomial regression, or non-linear regression. As described, in embodiments, the softmax function or other function or layer squashes the set of real values each associated with two or more possible classes into a set of real values in the range (0, 1) that sums to 1. can be used to For example, machine learning model 12664 may perform linear regression, polynomial regression, or non-linear regression. As an example, machine learning model 12664 may perform simple regression or multiple regression. As described above, in some implementations, the softmax function or other functions or hierarchies convert a set of real values, each associated with two or more possible classes, into a set of real values in the range (0, 1) whose sum is 1. Can be used for quashing.
실시예에서, 기계 학습 모델(12664)은 다양한 유형의 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.In embodiments, machine learning model 12664 may perform various types of clustering. For example, a machine learning model may identify one or more previously defined clusters to which the input data is most likely to correspond. In some implementations where the machine learning model performs clustering, the machine learning model may be trained using unsupervised learning techniques.
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.In embodiments, machine learning model 12664 may perform anomaly detection or outlier detection. For example, a machine learning model may identify input data that does not conform to expected patterns or other characteristics (e.g., as previously observed from previous input data). As an example, anomaly detection may be used to detect fraudulent transactions or detect system failures.
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.In some implementations, machine learning model 12664 may provide output data in the form of one or more recommendations. For example, machine learning model 12664 may be included in a recommender system or engine. For example, given input data that describes previous outcomes for a particular entity (e.g., scores, rankings, or grades representing amounts of success or enjoyment), a machine learning model can, based on the prior outcomes, produce the desired outcome. It may output suggestions or recommendations of one or more additional entities that are expected to have .
위에서 설명된 바와 같이, 기계 학습 모델(12664)은 다양한 상이한 유형의 기계 학습 모델 중 하나 이상일 수 있거나 이를 포함할 수 있다. 이러한 상이한 유형의 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.As described above, machine learning model 12664 may be or include one or more of a variety of different types of machine learning models. Examples of these different types of machine learning models are provided below for illustration. One or more of the example models described below may be used (e.g., combined) to provide output data in response to input data. Additional models other than the example models provided below may also be used.
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.In some implementations, machine learning model 12664 includes one or more classifier models, such as, for example, a linear classification model; It may be or include a secondary classification model, etc. Machine learning models 12664 may include one or more regression models, such as, for example, a simple linear regression model; multiple linear regression model; Logistic regression model; stepwise regression model; Multivariate adaptive regression spline; Locally estimated scatterplot smoothing model; It may be or may include this.
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.In some examples, machine learning model 12664 can be one or more decision tree-based models, such as, for example, classification and/or regression trees; Chi-square automatic interaction detection decision tree; decision stump; conditional decision tree; It may be or may include this.
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; 자가-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-종속성 추정기; 베이지안 네트워크; 베이지안 신뢰 네트워크; 은닉 마르코프 모델; 등일 수 있거나 이를 포함할 수 있다.Machine learning model 12664 may be or include one or more kernel machines. In some implementations, machine learning model 12664 may be or include one or more support vector machines. Machine learning model 12664 may include one or more instance-based learning models, such as, for example, a learning vector quantization model; Self-organizing map model; Locally weighted learning model; It may be or may include this. In some implementations, the machine learning model includes one or more nearest neighbor models, such as, for example, a k-nearest neighbor classification model; k-nearest neighbor regression model; It may be or may include this. Machine learning model 12664 may include, for example, one or more Bayesian models, such as a naive Bayes model; Gaussian naive Bayes model; multinomial naive Bayes model; averaged 1-dependency estimator; Bayesian network; Bayesian trust network; Hidden Markov Model; It may be or may include this.
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.In some implementations, machine learning model 12664 may be or include one or more artificial neural networks (also referred to simply as neural networks). A neural network may contain groups of connected nodes, which may also be referred to as neurons or perceptrons. Neural networks can be organized into one or more layers. A neural network containing multiple layers may be referred to as a “deep” network. A deep network may include an input layer, an output layer, and one or more hidden layers located between the input layer and the output layer. Nodes in a neural network can be connected or completely disconnected.
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.Machine learning model 12664 may be or include one or more feedforward neural networks. In a feedforward network, the connections between nodes do not form cycles. For example, each connection may connect a node from a previous layer to a node from a later layer.
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.In some cases, machine learning model 12664 may be or include one or more recurrent neural networks. In some cases, at least some of the nodes of a recurrent neural network may form a cycle. Recurrent neural networks can be particularly useful for processing input data that is sequential in nature. In particular, in some cases, a recurrent neural network may transfer or retain information from a previous portion of an input data sequence to a subsequent portion of the input data sequence through the use of recursive or directed recurrent node connections.
일부 예에서, 순차적 입력 데이터는 시계열 데이터(예를 들어, 센서 데이터 대 상이한 시간에서 캡처된 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 음표; (예를 들어, 순차적 애플리케이션 사용을 검출하거나 예측하기 위해) 사용자에 의해 취해지는 순차적 액션; 순차적 객체 상태; 등일 수 있거나 이를 포함할 수 있다.In some examples, sequential input data may include time series data (e.g., time or images captured at different times subject to sensor data). For example, recurrent neural networks can analyze sensor data versus time to detect or predict swipe direction, perform handwriting recognition, and more. Sequential input data includes words within sentences (e.g., for natural language processing, conversation detection or processing, etc.); notes in musical composition; sequential actions taken by the user (e.g., to detect or predict sequential application usage); sequential object states; It may be or may include this.
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.Exemplary recurrent neural networks include long short-term (LSTM) recurrent neural networks; gated circulation unit; Bidirectional recurrent neural network; Continuous-time recurrent neural network; neural history compressor; echo state network; Elman Network; Jordan Network; recursive neural network; Hopfield Network; fully recurrent network; Sequence-to-sequence composition; Includes etc.
일부 예에서, 기계 학습 모델(12664)은 트랜스포머 신경망과 같은 자가-어텐션에 기초한 하나 이상의 비순환 시퀀스-투-시퀀스 모델일 수 있거나 이를 포함할 수 있다. 예시적인 트랜스포머 신경망의 세부사항은 http://papers.nips.cc/paper/7181-attention-is-all-you-need.pdf에서 찾을 수 있다.In some examples, machine learning model 12664 may be or include one or more acyclic sequence-to-sequence models based on self-attention, such as a transformer neural network. Details of an example transformer neural network can be found at http://papers.nips.cc/paper/7181-attention-is-all-you-need.pdf.
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.In some implementations, machine learning model 12664 may be or include one or more convolutional neural networks. In some cases, a convolutional neural network may include one or more convolutional layers that perform convolutions on input data using learned filters.
필터는 커널이라고도 지칭될 수 있다. 컨볼루션 신경망은 입력 데이터가 스틸 이미지 또는 비디오와 같은 이미지를 포함할 때와 같은 비전 문제에 특히 유용할 수 있다. 그러나, 컨볼루션 신경망은 또한 자연어 처리를 위해 적용될 수 있다.A filter may also be referred to as a kernel. Convolutional neural networks can be particularly useful for vision problems, such as when the input data includes images such as still images or video. However, convolutional neural networks can also be applied for natural language processing.
일부 예에서, 기계 학습 모델(12664)은, 예를 들어, 적대적 생성 신경망과 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.In some examples, machine learning model 12664 may be or include one or more generative networks, such as, for example, an adversarial generative neural network. Generative networks can be used to generate new data, such as new images or other content.
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.Machine learning model 12664 may be or include an autoencoder. In some cases, the goal of an autoencoder is to learn a representation (e.g., low-dimensional encoding) for a set of data, typically for the purpose of dimensionality reduction. For example, in some cases, an autoencoder may attempt to encode input data and provide output data that reconstructs the input data from the encoding. Recently, the autoencoder concept has become more widely used to learn generative models of data. In some cases, autoencoders may involve additional losses beyond reconstructing the input data.
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.Machine learning model 12664 may be, for example, one or more other types of artificial neural networks, such as, for example, a deep Boltzmann machine; deep trust network; Stacked autoencoder; It may be or may include this. Any of the neural networks described in this application may be combined (e.g., stacked) to form more complex networks.
기계 학습 모델(12664)은, 하나 이상의 클러스터링 모델, 예컨대, 예를 들어, k-평균 클러스터링 모델; k-중앙값 클러스터링 모델; 기대치 최대화 모델; 계층적 클러스터링 모델; 등을 포함할 수 있다.Machine learning model 12664 may include one or more clustering models, such as, for example, a k-means clustering model; k-median clustering model; expectation maximization model; hierarchical clustering model; It may include etc.
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.In some implementations, machine learning model 12664 may be implemented using one or more dimensionality reduction techniques, such as, for example, principal component analysis; Kernel principal component analysis; Graph-based kernel principal component analysis; principal component regression; Partial least squares regression; Salmon Mapping; multidimensional scaling; projection tracking; linear discriminant analysis; mixed discriminant analysis; second-order discriminant analysis; generalized discriminant analysis; flexible discriminant analysis; auto-encoding; etc. can be performed.
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.In some implementations, a machine learning model can be implemented using one or more reinforcement learning techniques, such as a Markov decision process; dynamic programming; Q function or Q-learning; value function approach; deep Q-network; differentiable neural computer; A3C (asynchronous advantage actor-critics); deterministic policy gradient; etc. can be performed or these can be applied.
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.Reinforcement learning is a machine learning technique for learning optimal behavior in an environment by taking actions and getting feedback, similar to how humans and animals learn by interacting with their environment. A typical reinforcement learning approach observes the environment, evaluates the current state (e.g., robot speed, distance to an object ahead), and selects an action (e.g., provides control commands to an actuator or motor, an agent (e.g., robot control system 12150) that adjusts speed, changes direction, etc. When performing an action, the agent receives, in addition to the new state, a reward that provides some indication of the success of the action (e.g. +10 for allowing sufficient space between the robot and the obstacle in front of it and +10 for allowing insufficient space). You are given -10) for acceptance. The goal of a reinforcement learning agent is to learn the optimal policy or behavior that maximizes the expected cumulative reward.
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.Reinforcement learning system 12668 includes one or more reinforcement learning algorithms for evaluating various states, actions, and rewards when determining an optimal policy for executing one or more tasks by
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 명령을 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(12143)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.In embodiments,
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.Neural networks (or artificial neural networks) are a family of statistical learning models that derive their inspiration from biological neural networks, can rely on large numbers of inputs, and are commonly used to estimate or approximate unknown functions. A neural network represents a system of interconnected “neurons” that send messages to each other. Connections have numerical weights that can be tuned based on experience, allowing the neural network to adapt to input and learn.
신경망 시스템(12662)은 피드포워드 신경망, 컨볼루션 신경망(CNN), 순환 신경망(RNN), 장단기 메모리(LSTM) 신경망, 게이트식 순환 유닛(GRU) 신경망, 자가-조직화 맵(SOM) 신경망(예를 들어, 코호넨 자가-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.141 uses data from multiple sensors in the vision and
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 캡처할 수 있다. 추가적인 비전 센서가 카메라(12608)의 위치와 상이한 위치에 장착되어 다수의 뷰포인트(viewpoint)로부터 이미지 데이터를 캡처할 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.In embodiments,
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.In an embodiment,
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 유형, MPR(12100)에 대해 파지될 타겟 객체를 포함하는 맵 상의 객체의 거리 및 위치, 타겟 객체의 재료 특성 등을 포함할 수 있다.When
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. 그런 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.In an embodiment,
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.Based on the output of the policy library in
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.The term actuator includes a mechanical or electrical device that generates motion, in addition to any driver(s) that may be associated with the actuator and that converts received control commands into one or more signals to drive the actuator. Accordingly, providing control commands to an actuator may include providing control commands to a driver that converts the control commands into appropriate signals for driving an electrical or mechanical device to produce the desired motion.
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 캡처할 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.142 illustrates an example vision and
실시예에서, 비전 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 캡처할 수 있다. 다양한 환경에서 상이한 데이터를 캡처하도록 작동할 수 있는 센서(12602)의 일부 예는 (예를 들어, 이미지 데이터를 캡처하기 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.In embodiments, vision and
실시예에서, 비전 및 감지 시스템(12112)은 캡처된 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.In embodiments, vision and
이제 도 142를 참조하면, 카메라(12608)는 카메라(12608)의 시야 내에 위치한 객체(12606)의 이미지를 캡처하도록 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 캡처함으로써 3차원(3D) 객체를 인식하는 것; 작은 객체를 인식하는 것; 전력 제약된 또는 네트워크 제약된 환경에서 객체를 인식하는 것; 등을 가능하게 한다.Referring now to FIG. 142 , camera 12608 is configured to capture an image of
RGB 이미지, 열 이미지, 포인트 클라우드를 포함하는 다양한 형태들일 수 있는 카메라(12608)에 의해 캡처된 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. 그런 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.Raw image data captured by camera 12608, which can be in various forms including RGB images, thermal images, point clouds, can then be subjected to data transformation, filtering, de-noising, aggregation, artifact reduction, compression, analog-to-digital conversion, It is sent to the preprocessor 12614 to perform data preprocessing, including preliminary feature recognition. The image data is then sent to the image processing engine 12616 for further processing, for example, to identify the
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 캡처하도록 동적 비전 시스템을 조정하기 위해 기계 비전 결과의 세트에 기초하여 학습한다.In an embodiment, the vision and
실시예에서, 비전 및 감지 시스템(12112)은 순응형 가변 초점 액체 렌즈(12616)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.In an embodiment, vision and
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.Dynamic vision capabilities provided by vision and
실시예에서, 비전 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.In embodiments, visual output from vision and
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.In embodiments, the dynamic vision capabilities of vision and
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(organ-on-chip sensor robot) 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.104-142, according to some example implementations, a fleet management platform with wireless power routing and management for robotic instrumentation and associated electronics also includes a modular, removable organ-on-chip sensor robot. -on-chip sensor robot) It is easy to configure and operate the robot with sub-assembly. In embodiments, power to the organ-on-chip sub-assembly is provided such that primary power to the robot is provided by a replaceable battery pack and power to the organ-on-chip is provided by a sub-assembly-specific battery pack. It can be delivered and managed wirelessly to satisfy a wide range of robot deployments, including an optional mobile environment. In embodiments, power sharing and routing of power between battery packs may be performed and managed wirelessly, such as by a robot-local power management facility. The platform may facilitate performing fleet configuration based on wireless power routing options available for candidate robots. Examples include, but are not limited to, a single power pack for wirelessly providing power to an on-robot sub-assembly, such as an organ-on-chip sub-assembly driven via a robot-local wireless power routing system. Wireless power routing and management can be extended to removable robotic sensor-type sub-assemblies, such as organ-on-chip examples, that can be placed separately from but within the wireless power routing scope of the robot. This may be useful in environments where sensors and robots cannot be co-located (e.g., due to size, environment, or other constraints). According to some example implementations, a fleet management platform with a control tower for combined control of robots such as MPR, SPR and exoskeleton, and an additive manufacturing system also includes an artificial intelligence system for automated design and 3D printing of robot accessories. You can have it. In some of these examples, artificial intelligence systems can automate design and 3D printing based on contextual task recognition. This task recognition may be based on shape recognition sensors (e.g., vision sensors) and motion history (either about the robot or based on other factors such as the task) to determine, for example, robot end-effector requirements to complete the task. May depend on usage. In embodiments, the results of this AI generated task recognition may be provided to a control tower to further enhance flexible on-demand additive manufacturing based on recognition of the tasks to be performed. In embodiments, the control tower may further combine control of robotic 3D printing for additive manufacturing with robotic control of contextually determined 3D printing of end effectors, thereby adding value to the 3D printing capabilities of the fleet of robots. can be increased. In embodiments, this combination may facilitate field maintenance of robots, production equipment, warranty repairs, etc. Additionally, the use of artificial intelligence to facilitate task recognition can be useful for servicing/repairing production systems in cases where some details of the required task may not be known until the robot participates (e.g. fully automated production operations). Autonomous responsiveness can be improved.
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.According to some example implementations, a robotic fleet management platform with autonomous local system task allocation adaptability based on sensed local context may also be integrated with supply chain infrastructure entities for improved dynamic supply chain adaptability and efficiency. In some of these example implementations, application of local system task allocation adaptability with supply chain integration may enhance the capabilities of robots deployed within containers, for example. This combination of fleet management capabilities may also facilitate coordination (e.g., based on peer communication, etc.) between robots along the supply chain, e.g., deployed within or alongside smart containers, etc., thereby It can provide flexibility when configuring individual robots in advance. In one example, a set of robots deployed with long-distance trucks, ships, etc. can allocate supply chain tasks among themselves based on locally sensed conditions. The set of tasks to be performed during a transoceanic journey that is part of a supply chain may be adaptively assigned based on local time circumstances, such as local weather conditions.
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 자원은 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 자원은 요구되지 않는다.According to some example implementations, in particular, a robot fleet management platform with smart contract support capabilities for negotiated routing of robots may also have an artificial intelligence-governed data pipeline to support remote robot management. In embodiments, detectable smart contract duration as a function of robot behavior may affect how the AI-governed data pipeline is managed. By way of example, a data pipeline may be configured to, for example, require robots to deliver certain data pipeline requirements (e.g., ensure that high priority data signals are delivered to workers, robots, and/or clients to ensure security, safety, and other concerns). can be managed to ensure that average and peak throughputs are achieved while ensuring that . However, these robotic data pipelines also allow data representing smart contract durations (e.g. timeliness of response, up-time, etc.) to be accurately and timely tracked (optionally recorded, stored, and It can be managed (e.g. through AI-governance) to ensure that it can be delivered later. Within this context, configuring a data pipeline for one or more robots involved in the execution of a smart contract (e.g. to provide assurance services) to the value chain network to update state related to the smart contract terms and conditions. (VCN) may include configuring infrastructure elements. An AI-based data pipeline governance system can, for example, optimize the use of sensor detection packages on robots across the VCN to ensure that data pipeline requirements are met. In one example, a set of robots working collaboratively across a value chain network may have differently configured (e.g., optimized) sensors depending on their relative positions in the value chain network when smart contract terms are taken into account in robot configuration. You can have a package. As another example, the construction and use of an on-robot data store may also allow certain data collected (e.g., through robot sensor packages, etc.) to be stored locally and optionally passed through a data pipeline to a smart contract control facility. It can be influenced by smart contract terminology to be curated/filtered before it becomes available. In this example, data pipeline resources can be prioritized so that only substantial deviations from normal for a particular smart contract term utilize the pipeline. AI-governance of the data pipeline can enable local evaluation of sensed data to influence smart contracts, as long as the information derived from robot behavior regarding satisfying smart contract requirements remains within acceptable bounds. No data pipeline resources are required.
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 자원이 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.According to some example implementations, the robot fleet management platform with an artificial intelligence (AI) based robot health monitoring system also includes hydraulic flow and actuation systems optimized to reduce hydraulic interconnection through the application of 3D printing in an additive manufacturing environment. You can have In some of these example implementations, the information obtained by the AI-based robot health monitoring system may be used to replace multiple interconnections, for example, with structures with little or no interconnections, for example during preventative maintenance phases. By applying automated design and additive manufacturing, it can be directly applied to mitigate the likelihood of hydraulic interconnect failure. In embodiments, a computer vision system for identifying visual defects or hazards (e.g., identifying hydraulic systems with multiple interconnections), vibration-based detection (e.g., where defect-induced vibration levels are applied), identifying hydraulic interconnection sub-assemblies), multiple interconnection hydraulic system components (e.g. Robot health monitoring systems are provided, such as temperature sensing systems that can provide thermal data regarding (e.g., interconnections, etc.). In embodiments, an AI-based robot health monitoring system can further predict failure areas, such as hydraulic interconnections, that can be used according to additive manufacturing requirements to deliver a potentially more robust hydraulic system. Additionally, failure prediction capabilities can be used as a control over which components should be prioritized for production with an additive manufacturing system. Additionally, the scheduling and routing of robotic systems with additive manufacturing capabilities can be influenced by the predictive capabilities of AI-based robot health monitoring systems, so that services can include the deployment of robotic elements with improved reliability. Service or maintenance by ensuring that additive manufacturing resources are routed to service areas for localized part manufacturing or utilized to produce components (e.g., hydraulic assemblies with fewer interconnections) so that they are locally available when available. The conservative visit value can be optimized.
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 유형을 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 유형의 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 유형 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 유형과 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.According to some example implementations, a robotic fleet management platform with artificial intelligence-based shape recognition capabilities for automated task execution may also have a system for coordinated control of robotic systems that incorporates 3D printing for task execution. Robotic sensing and analysis systems analyze visual images and sensor information along with past motion history and task criteria (e.g. definitions, goals, etc.) to evaluate objects associated with a task, such as the object on which the robot motion is to be performed. AI can be used. Object analysis may optionally facilitate determining one or more actions to perform an assigned task, including the type of end effector or other physical interface required to perform the task in a given analysis. In embodiments, one or more operations required may include selection and use of a specific type of end effector, such as a gripper, j-hook, pressure sensitive clamp, gripping and rotation capabilities, etc. In embodiments, 3D printing control capabilities of a robot or companion robot configured to facilitate performing a task are utilized to create suitable end effectors, adapters, or other features based on visual and/or sensed analysis associated with the object. It can be. In an example, an object may have a keyhole type interface for handling the object. Image analysis can be commissioned into the 3D printing control system to detect these features of the object and generate keys suitable for use with the object. Other examples that combine robotic object detection (e.g., shape recognition, etc.) with control of 3D printing capabilities to execute one or more actions of a task associated with the object include non-straight (e.g., circular) objects without an identifiable flat surface. , oval, and rectangle) and detecting the shape of the object. Artificial intelligence-based shape recognition can facilitate detecting the appropriate orientation for lifting an object, including the shape and size of the required contact surface. This contact surface shape and size information can be provided to a 3D printing control system to create an adapter for the robot's armature. The results of AI-based shape recognition can identify objects as similar to types the platform has previously encountered. As an example, the object's parameters may be used by the platform to identify candidate objects in a library of objects that manage a fleet of robotic tasks. The library may further indicate that Sling has been used successfully in one or more previous encounters with objects of this class. In embodiments, control of a robotic system for 3D printing may be directed to create an appropriate sling to be used by one or more robots assigned to perform object-specific tasks to lift and transport an object. In another exemplary embodiment of a robot management platform with both 3D printing control and artificial intelligence-based shape recognition capabilities, repair of an object is accomplished by the use of vision and other sensors of the robotic system, such that the handle of the object to be repaired is broken and , which may be accomplished by determining that performance of the repairs as indicated thereby is impossible. Based on the determination of this unexpected condition, assign the current repair to instruct the robotic control system for 3D printing to create a replacement handle or perform repairs on the handle (e.g., repair a break in the structural part of the handle). A supplementary set of robot movements can be created for . These remedial actions may be determined based on an evaluation of the object to be repaired and incorporated into the current instance of the object repair process, even when the cause of the failure requiring the repair task is something other than the handle.
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.According to some example implementations, a robotic fleet management platform with a compliant (e.g., liquid) lens vision system may also focus on completing a set of tasks using quality of task completion as one of one or more training factors. You can have an AI loop-based training and learning system that can have. In embodiments, adaptive lens vision systems may be configured, controlled, and adapted through the use of artificial intelligence to improve image formation. Feedback from the AI loop-based training and learning system can be used as one element of feedback to adjust the adaptive lens for improved image formation. In embodiments, a combined AI system may facilitate adapting adaptive lenses to improve the quality of task completion. Factors such as destruction of task objects and/or robot components may suggest that image formation needs improvement, based on robot movements with a track record of success (e.g., not destroying objects). Robotic vision systems with adaptive lens technology can further improve robot behavior by using loop-based learning capabilities to train themselves to detect and provide guidance to avoid task execution hazards, such as objects along the path. there is.
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 유형의 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.According to some example implementations, the robotic fleet management platform with quantum optimization of thermal and energy factors in robotic systems may also include chip sensor systems (e.g., organ-on-a-chip, etc.) that provide biological detection and evaluation. You can have it. In some of these embodiments, the system detects radioactivity to evaluate conditions associated with the use and deployment of radioactive materials (e.g., as fuel for electric generators). The sensitivity of radiometric sensors and many other types of sensors can be affected by temperature conditions proximate to the sensing element. Ensuring that thermal factors are automatically and appropriately addressed throughout the robot's task assignment and over the life of the robot (or at least the sensing element) can improve sensitivity and thus reduce potentially hazardous levels of radiation with greater safety. This could potentially make detection easier. Maintaining thermal stability could provide additional benefits to other robotic sensing capabilities, such as chip-based medical diagnostic sensors, chip-based medical laboratory testing, etc.
일부 예시적인 구현에 따르면, 일반 로봇 자산을 추적하고 관장하기 위한 컴퓨터 비전 기반구조를 갖는 로봇 플릿 관리 플랫폼은 또한 공유 경제 로봇 자원 스케줄링 및 라우팅 능력을 가질 수 있다. 실시예에서, 컴퓨터 비전 로봇 추적 기반구조는 공유 경제 로봇 자원 스케줄링 및 라우팅 능력의 자율 로봇 자원 라우팅 실시예에 상황 데이터를 제공할 수 있다. 예에서, 컴퓨터 비전 기반구조는 검출된 비-준수 거동의 소스에서 하나 이상의 로봇을 대체/지원/조절하기 위해 로봇 자원의 라우팅에 대한 필요성을 나타낼 수 있는 비-준수 로봇 거동을 검출할 수 있다. 또한, 로봇 자산을 관장하기 위한 컴퓨터 비전 기반구조는 라우팅된 자원의 배치 및 라우팅된 자원에 의한 태스크 완료에 대한 자동화된 청구를 용이하게 하기 위해 자율적으로 라우팅된 로봇 자원에 대한 태스크 완료의 증거를 제공할 수 있다. 이러한 증거는, 온-로케이션 존재의 결여, 비-준수 로봇 거동(out-of-compliance robotic behavior) 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.According to some example implementations, a robotic fleet management platform with a computer vision infrastructure for tracking and managing general robotic assets may also have shared economy robotic resource scheduling and routing capabilities. In embodiments, a computer vision robot tracking infrastructure may provide context data to an autonomous robot resource routing embodiment of a shared economy robot resource scheduling and routing capability. In an example, the computer vision infrastructure may detect non-compliant robot behavior that may indicate a need for routing of robotic resources to replace/support/adjust one or more robots at the source of the detected non-compliant behavior. Additionally, a computer vision infrastructure for governing robotic assets provides evidence of task completion for autonomously routed robotic resources to facilitate the deployment of routed resources and automated billing of task completion by routed resources. can do. Such evidence may be provided to third parties (e.g. , other robot fleet platforms) can further substantiate claims.
도 143은 농산물의 작물을 수확하도록 적응된 MPR(12100)의 예시적인 데이터 흐름을 예시한다. 실시예들에서, MPR(12100)의 데이터 흐름은 MPR(12100)의 비전 및 감지 시스템(12112), 모션 계획 시스템(12158), 로봇 제어 시스템(12150), 및 모듈 관리 시스템(12148)에 의해 부분적으로 실행된다. 이 예에서, MPR(12100)은 농업 환경(예를 들어, 실외 농업 시설, 실내 농업 시설, 농산물을 성장시키도록 구성된 컨테이너 등)을 서비스하는 로봇 플릿(fleet)의 일부로서 채용될 수 있으며, 이에 의해 MPR(12100)은 농업 유닛을 선택적으로 수확한다. 실시예에서, MPR(12100)은 수확될 준비가 된 농업 농장 내의 유닛을 식별하도록 구성될 수 있다. 이에 응답하여, MPR(12100)은 수확 태스크를 수행하기 위해 그러한 유닛들에 도달하도록 환경을 내비게이팅한다. MPR(12100)은 어느 유닛들이 수확될 준비가 되어 있는지를 식별하기 위해 비전 및 감지 시스템(vision and sensing system)(12112)을 이용할 수 있다. 이에 응답하여, 모션 계획 시스템(12158)은 환경을 내비게이팅하고, 수확될 준비가 된 것으로 결정된 유닛들의 위치에 도달하기 위해 모션 계획을 생성할 수 있다. 실시예들에서, MPR(12100)은 준비가 된 유닛의 선택적 수확을 위해 모듈 시스템(12120)으로부터 하나 이상의 적절한 엔드 이펙터들(end effector)(12124)을 선택할 수 있다.143 illustrates an example data flow of an
12652에서, MPR(12100)은 농업 환경으로부터 이미지 데이터를 캡처할 수 있다. 이미지 데이터는 비전 및 감지 시스템(12112)의 카메라들 및/또는 다른 이미지 센서들에 의해 캡처된 하나 이상의 이미지들을 포함할 수 있다. 일부 실시예들에서, 이미지들 중 하나 이상은 순응성 가변 초점 액체 렌즈(12612)를 갖는 카메라(12608)를 사용하여 캡처될 수 있다. 이미지들은 다수의 상이한 뷰포인트들로부터 캡처될 수 있고 하나 이상의 에어리얼 이미지(aerial image)들을 포함할 수 있다. 실시예들에서, 카메라 및/또는 다른 이미지 센서들은 MPR(12100)의 하우징 내에 통합될 수 있어서, MPR(12100)은 이미지들을 캡처하기 위해 농업 환경을 내비게이팅한다. 추가적으로 또는 대안적으로, 하나 이상의 카메라들 및/또는 다른 이미지 센서들은 다른 로봇들에 통합될 수 있거나 농업 환경의 다양한 영역들에 위치될 수 있어서, 캡처된 이미지들은 처리를 위해 MPR(12100)에 통신된다. 이미지 데이터는 지능 계층(12140)의 기계 비전 시스템(12618)에 제공될 수 있다.At 12652,
12654에서, 기계 비전 시스템(12618)은 그런 다음 이미지 데이터를 분석하여 환경 내의 장애물들을 식별할 수 있다. 실시예들에서, 기계 비전 시스템(12618)은 이미지들에서 다양한 객체들 및 장애물들을 검출하기 위해 하나 이상의 신경망 모델들(예를 들어, CNN 또는 RCNN)을 활용할 수 있다. 실시예들에서, 모션 계획 시스템(12158)은 환경의 기하학적 구조 뿐만 아니라 수확될 작물들(타겟 객체들)로 이어질 수 있는 상이한 가능한 경로들을 나타내는 모션 계획 그래프를 구축한다.At 12654,
12656에서, 모션 계획 시스템은 MPR(12100)에 대한 모션 계획을 생성하여 그에 대한 최적 경로를 식별한다. 실시예들에서, 모션 계획 시스템(12158)은 충돌 평가에 기초하여 비용 함수를 고려한 후에 최적의 경로를 결정하기 위해 지능 계층(12140)과 협력한다. 최적의 경로는 로봇 제어 시스템(12150)에 통신될 수 있다. 12658에서, 로봇 제어 시스템(12150)은 수송 시스템(12110) 내의 액추에이터들을 구동하여, MPR(12100)이 수확될 유닛들의 위치로 내비게이팅할 수 있게 한다. MPR(12100)에 대한 내비게이션 액션들(예를 들어, 전진, 후진, 우회전, 회전 등)은 훈련된 내비게이션 정책(기계 학습 알고리즘)에 기초한다. 12660에서, 12622의 강화 학습 시스템 지능 계층(12140)은 정책을 업데이트 및 개선하기 위해 내비게이션 정책에 대한 결과 데이터를 수집할 수 있다.At 12656, the motion planning system generates a motion plan for the
MPR(12100)이 수확될 작물들에 근접하면, 제어기는 아암의 단부에 장착된 카메라(12608)를 사용하여 추가 이미지들을 클릭하도록 가동 아암(movable arm)을 구동할 수 있다. 가동 아암은 동적 환경에서 유연해야 하며 이동 동안에 작물을 손상시키지 않을 정도로 정확해야 한다.Once
12662에서, MPR(12100)은 추가적인 이미지 데이터를 캡처할 수 있다. 예를 들어, MPR(12100)의 아암 상에 장착된 카메라(12608) 및/또는 다른 센서들은 MPR(12100)의 아암에 근접한 영역에서 이미지들 또는 다른 센서 데이터를 캡처할 수 있다. 12664에서, 기계 비전 시스템(12618)은 수확될 하나 이상의 작물을 식별하기 위해 (CNN 또는 RCNN을 포함하는 신경망 모델들을 사용하여) 이미지들을 분석한다. 12666에서, 이미지들은 모션 계획 시스템(12158)에 의해 분석되어, 최적의 경로를 결정할 수 있을 뿐만 아니라, 작물들을 손상시키지 않고 아암을 회전시키거나 이동시키기 위해 로봇 아암에 대한 모션 계획을 구축할 수 있다. 12668에서, 최적의 경로는 제어 시스템(12150)에 전달될 수 있고, 제어기(12160)는 작물의 유닛을 수확하기 위해 아암 및 엔드 이펙터(12124) 내의 액추에이터를 구동할 수 있다. 12670에서, 수확 정책에 대한 결과 데이터는 수확 정책을 개선하기 위한 피드백으로서 지능 계층(12140)에서 강화 학습 시스템(12622)에 의해 수집된다.At 12662,
스마트 컨테이너(SMART CONTRAINERS)SMART CONTRAINERS
일부 실시예에서, 밸류 체인 네트워크는 밸류 체인 네트워크 내의 스마트 컨테이너 플릿 관리 서비스를 포함하여, 상기에서 언급된 다양한 능력을 가능하게 하는 스마트 인터모달 배송 컨테이너 시스템(13000)을 포함할 수 있다. 시스템(1300)(상기에서 언급된 바와 같이, 문맥이 달리 나타내는 경우를 제외하고, 시스템, 방법, 제조 상품, 디바이스, 기계, 장비, 알고리즘, 부품, 컴포넌트, 서비스, 모듈, 작업흐름, 프로세스, 구조, 제품, 및 다른 요소를 포함하는 용어)은, 매우 기능적인 스마트 배송 컨테이너의 범위를 구현하거나 가능하게 하도록 배열될 뿐만 아니라, 스마트 컨테이너 운영 단위의 플릿을 구성하여, 예를 들어, 다양한 능력 중에서도, 공장, 선박, 선적 부두, 항구(port), 웨어하우스, 및 운송 인프라(예를 들어, 트럭, 철도 등)와의 운영을 조정하기 위해, (자율적으로, 원격 제어 하에서, 또는 조합에 의해) 컨테이너 내 운영(예를 들어, 상품의 패키징, 마감(finishing), 제조, 아이템의 이동 또는 배열 및/또는 저장 조건의 취급)을 착수하기 위해, 및/또는 자율적으로 또는 원격으로 제어되는 이동성(또는 이들의 조합)을 착수하기 위해, 밸류 체인 네트워크의 다른 요소 및 엔티티와 연결, 결합 및 조정하도록 구성된다. 실시예들에서, 스마트 컨테이너는 화물(cargo)을 물리적으로 저장하고 운송할 수 있으며, 여기서 화물은 임의의 상품들, 판촉 상품들, 재료들, 액체들, 고형물들, 분말들, 가스들, 식품들, 및 많은 다른 것들을 지칭할 수 있다.In some embodiments, the value chain network may include a smart intermodal
실시예들에서, 인터모달 스마트 컨테이너들(13026)은 많은 상이한 유형들, 클래스들, 크기들, 중량들, 재료들, 형상들, 능력들 등의 컨테이너들을 포함할 수 있다. 실시예들에서, 스마트 컨테이너들은 8-ft 폭 x 20-ft 또는 40-ft 길이의 치수들을 갖는 것들과 같은 표준 직사각형 컨테이너들, 또는 비표준 컨테이너들을 포함할 수 있다. 실시예들에서, 스마트 컨테이너들은 40-ft 하이-큐브(high-cube) 컨테이너들, 45-ft 하이-큐브 컨테이너들, 48-ft 하이-큐브 컨테이너들, 53-ft 하이-큐브 컨테이너들 등, 뿐만 아니라, 특정한 바람직한 실시예에서 부두(dock)들, 공장들, 항구(port)들, 트럭들, 기차들 등의 기반구조 요소들과의 호환성을 위해 공급 체인 및 운송 운영자들에 의해 설계된 임의의 다른 크기의 컨테이너를 포함할 수 있다. 실시예에서, 스마트 컨테이너는 탱크 컨테이너(예를 들어, 액체, 가스, 고체, 분말 등을 위한), 범용 건조 밴(van)(예를 들어, 박스, 상자, 케이스, 자루, 발렛, 팔레트, 드럼 등을 위한), 롤링 플로어 컨테이너(rolling floor container), 가멘테이너(garmentainer)(예를 들어, 행거 상의 의복을 배송하기 위한), 통풍 컨테이너(수동적으로 또는 능동적으로 통풍되는), 온도 제어 컨테이너(예를 들어, 단열, 냉장 및/또는 가열된), 벌크 컨테이너, 오픈-탑(open-top) 컨테이너, 오픈-사이드(open-side) 컨테이너, 로그 크래들(log cradles), 플랫폼 기반 컨테이너(예를 들어, 플랫 랙 및 볼스터 컨테이너(flat rack and bolster container)), 회전 및/또는 혼합 컨테이너(예를 들어, 시멘트 믹서), 항공 컨테이너(유닛 로드 디바이스), 자동차 컨테이너(예를 들어, 이동하는 승객 차량을 위한), (공기 흐름을 조절하기 위한 양압 또는 음압 시스템을 포함하는 것과 같은 독성 또는 생체활성 물질을 배송하기 위한) 생체보호 컨테이너(bioprotective container), 및 많은 다른 컨테이너일 수 있다. 일부 실시예에서, 스마트 컨테이너는 스마트 패키지(예를 들어, 작은 16-in x 12-in x 12-in 박스 및 많은 다른 더 작고 더 큰 크기)일 수 있다. 일부 실시예들에서, 스마트 컨테이너들은 페이로드를 조작, 이송, 저장 또는 배달하도록 구성된 로봇들로 구현되거나, 포함되거나, 통합되거나, 또는 사용할 수 있다. 실시예들에서, 스마트 컨테이너는, 예를 들어, 컨테이너의 체적을 증가 또는 감소시키거나 컨테이너 내의 공간의 하나 이상의 파티션(partiion)의 치수를 변화시키기 위해, 외부 또는 내부 벽, 하우징 요소, 또는 다른 내부 요소를 확장 또는 수축시킬 수 있게 하는 메커니즘을 포함할 수 있다. 스마트 컨테이너는 자가 조립 및/또는 자기 분해(self-disassembling) 메커니즘을 가질 수 있다. 실시예들에서, 스마트 컨테이너들은, 실시예들에서, (예컨대, 가열 또는 냉각 환경 또는 능동 가열 또는 냉각 요소에 전도성 또는 대류 인터페이스를 제공함으로써 열 관리를 가능하게 하기 위해) 유기-유사(organic-like) 또는 생체모방 형태들과 같은, 선형, 비선형, 및 불규칙한 형태들을 포함하는 형상들을 포함하는, 직사각형 고형물, 큐브, 구, 원통, 또는 다른 형상의 형상일 수 있다.In embodiments, intermodal smart containers 13026 may include containers of many different types, classes, sizes, weights, materials, shapes, capabilities, etc. In embodiments, smart containers may include standard rectangular containers, such as those with dimensions of 8-ft wide by 20-ft or 40-ft long, or non-standard containers. In embodiments, smart containers include 40-ft high-cube containers, 45-ft high-cube containers, 48-ft high-cube containers, 53-ft high-cube containers, etc. Additionally, in certain preferred embodiments, any module designed by supply chain and transportation operators for compatibility with infrastructure elements such as docks, factories, ports, trucks, trains, etc. Can contain containers of different sizes. In embodiments, smart containers may include tank containers (e.g., for liquids, gases, solids, powders, etc.), general purpose dry vans (e.g., boxes, crates, cases, sacks, pallets, pallets, drums, etc.). etc.), rolling floor containers, garmenttainers (e.g. for shipping garments on hangers), ventilated containers (passively or actively ventilated), temperature controlled containers (e.g. e.g. insulated, refrigerated and/or heated), bulk containers, open-top containers, open-side containers, log cradles, platform-based containers (e.g. , flat rack and bolster containers), rotating and/or mixing containers (e.g. cement mixers), air containers (unit load devices), automotive containers (e.g. transporting passenger vehicles) for), bioprotective containers (for shipping toxic or bioactive substances, such as those containing positive or negative pressure systems to regulate air flow), and many other containers. In some embodiments, smart containers may be smart packages (e.g., small 16-in x 12-in x 12-in boxes and many other smaller and larger sizes). In some embodiments, smart containers may be implemented, included, integrated with, or use robots configured to manipulate, transport, store, or deliver payload. In embodiments, a smart container may be configured to use external or internal walls, housing elements, or other interior elements, for example, to increase or decrease the volume of the container or to change the dimensions of one or more partitions of space within the container. May include mechanisms that allow elements to expand or contract. Smart containers may have self-assembly and/or self-disassembling mechanisms. In embodiments, smart containers are organic-like (e.g., to enable thermal management by providing a conductive or convective interface to a heating or cooling environment or an active heating or cooling element). ) or shapes that include linear, non-linear, and irregular shapes, such as biomimetic shapes, may be rectangular solids, cubes, spheres, cylinders, or other shapes.
스마트 컨테이너(13026)는 주름형 풍화 강철(corrugated weathering steel), 강철 합금, 스테인리스 강, 알루미늄, 주철, 콘크리트, 세라믹 재료(들), 다른 합금, 유리, 다른 금속, 플라스틱, 합판, 대나무, 판지(cardboard), 목재, 및/또는 많은 다른 재료와 같은 다양한 세트의 재료로 구성되거나 이를 포함할 수 있다. 실시예에서, 스마트 컨테이너는 생분해성(biodegradable)일 수 있다. 실시예에서, 스마트 컨테이너는 3D 인쇄된 스마트 컨테이너일 수 있거나 3D 인쇄된 요소를 포함할 수 있다. 실시예에서, 3D 인쇄된 스마트 컨테이너는 단일 통합 유닛으로 인쇄될 수 있다. 실시예에서, 3D 인쇄된 스마트 컨테이너는 내장된 3D 인쇄 전자기기를 가질 수 있다. 실시예에서, 스마트 컨테이너는 컨테이너 내로의 통합 및/또는 컨테이너에 의한 사용을 위해 하나 이상의 컴포넌트, 툴, 액세서리 등을 인쇄하는 3D 프린터 또는 다른 적층 제조 시설을 포함한다.Smart Container (13026) can be made of corrugated weathering steel, steel alloy, stainless steel, aluminum, cast iron, concrete, ceramic material(s), other alloys, glass, other metals, plastic, plywood, bamboo, cardboard ( It may consist of or include a diverse set of materials such as cardboard, wood, and/or many other materials. In embodiments, the smart container may be biodegradable. In embodiments, the smart container may be a 3D printed smart container or may include 3D printed elements. In embodiments, the 3D printed smart container may be printed as a single integrated unit. In embodiments, a 3D printed smart container may have embedded 3D printed electronics. In embodiments, a smart container includes a 3D printer or other additive manufacturing facility that prints one or more components, tools, accessories, etc. for integration into and/or use by the container.
실시예들에서, 인터모달 스마트 컨테이너(13026)는 자율 및/또는 자가 주행일 수 있다. 예를 들어, 인터모달 스마트 컨테이너는 지상, 지하, 해양, 해저, 항공 및/또는 우주 환경을 자율적으로 횡단하도록 구성될 수 있다. 실시예들에서, 스마트 컨테이너는 상이한 환경들에서 운송을 지원하기 위해 (예를 들어, 도로, 지형, 레일 등을 위한) 접어 넣을 수 있는(retractable) 또는 접어 넣을 수 없는(non-retractable) 휠들, 연속 트랙 시스템들, 스키들, 레일들, 프로펠러들, 추진 시스템들, 다리들 등으로 구성될 수 있다. 추가적으로 또는 대안적으로, 스마트 컨테이너는 철도, 트럭, 컨테이너 선박, 항공 등의 전통적인 방법에 의해 운송될 수 있다. 예를 들어, 접어 넣을 수 있는 휠들을 갖는 스마트 컨테이너는 컨테이너 터미널을 가로질러 자율적으로 주행할 수 있고, 컨테이너 선박 상으로 램프(ramp)를 위로 주행할 수 있고, 컨테이너 선박 상의 특정 위치로 주행할 수 있고, 컨테이너 선박을 통해 다른 컨테이너 터미널로 운송될 수 있다. 스마트 컨테이너는 또한 하이퍼루프(hyperloop) 시스템 및 네트워크에 의해 운송되도록 구성될 수 있다.In embodiments, intermodal smart container 13026 may be autonomous and/or self-driving. For example, intermodal smart containers can be configured to autonomously traverse terrestrial, underground, marine, subsea, airborne, and/or space environments. In embodiments, a smart container may include retractable or non-retractable wheels (e.g., for roads, terrain, rail, etc.) to support transportation in different environments; It may consist of continuous track systems, skis, rails, propellers, propulsion systems, bridges, etc. Additionally or alternatively, smart containers can be transported by traditional methods such as rail, truck, container ship, and air. For example, a smart container with retractable wheels could autonomously drive across a container terminal, drive up a ramp onto a container ship, and drive to a specific location on a container ship. and can be transported to other container terminals via container ships. Smart containers can also be configured to be transported by hyperloop systems and networks.
일부 실시예들에서, 스마트 컨테이너들(13026)은 자가 적층(self-stacking)되도록 구성될 수 있다. 예를 들어, 스마트 컨테이너는 컨테이너가 상하로 및/또는 다른 컨테이너를 가로질러 활주할 수 있게 하는 기계적 적층 레일을 측면 상에 가질 수 있다. 실시예들에서, 레일들은 전자기 레일들일 수 있다. 추가적으로 또는 대안적으로, 스마트 컨테이너는 접어 넣을 수 있는 또는 접어 넣을 수 없는 기계적 리프트 시스템, 컨테이너 취급 디바이스 등으로 구성될 수 있다. 예를 들어, 스마트 컨테이너는 리프트 시스템 예컨대, 스마트 배송 컨테이너의 자가 적층을 가능하게 하는 가위형 리프트(scissor lift)(예를 들어, 유압 가위형 리프트, 디젤 가위형 리프트, 전기 가위형 리프트, 거친 지형 가위형 리프트, 또는 공압 가위형 리프트), 접이식 연장 가능한 레그 등으로 구성될 수 있다. 다른 예에서, 스마트 컨테이너는 크레인, 지게차, 리치 스태커(reach stacker) 등으로 구성될 수 있다.In some embodiments, smart containers 13026 may be configured to be self-stacking. For example, a smart container may have mechanical stacking rails on the sides that allow the container to slide up and down and/or across other containers. In embodiments, the rails may be electromagnetic rails. Additionally or alternatively, smart containers may be comprised of collapsible or non-collapsible mechanical lift systems, container handling devices, etc. For example, smart containers can be equipped with lift systems such as scissor lifts (e.g. hydraulic scissor lifts, diesel scissor lifts, electric scissor lifts, rough terrain lifts) that enable self-stacking of smart shipping containers. Scissor lift, or pneumatic scissor lift), foldable extendable legs, etc. In other examples, smart containers may consist of cranes, forklifts, reach stackers, etc.
실시예에서, 스마트 인터모달 컨테이너 시스템(13000)의 플릿 관리 시스템(13002)은 (예를 들어, 클라이언트 디바이스로부터) 화물 보관 및/또는 운송 서비스 주문을 수신하고, 주문의 완료시 수행될 화물 보관 및/또는 운송 서비스를 식별한다. 일부 실시예들에서, 사용자는 하나 이상의 화물 운송 서비스 요건 파라미터 값들을 제공하기 위해 클라이언트 디바이스 상에 GUI가 제공받을 수 있다. 예를 들어, GUI는 사용자가 서비스 타이밍 요건들(예를 들어, 화물이 얼마나 신속하게 배달될 필요가 있는지), 배송원(origin of shipment), 운송물이 터미널/램프 또는 다른 위치에서 수신되는지 여부, 운송물의 목적지, 배달이 터미널/램프 또는 다른 위치인지 여부, 요구되는 컨테이너의 유형, 요구되는 컨테이너의 수, 컨테이너 사용 요건들(예를 들어, FCL(full container) 대 LCL(shared container)), FCL 배송을 위한 컨테이너 크기 요건들(예를 들어, 20-ft 컨테이너, 40-ft 컨테이너, 40-ft 하이 큐브(high-cube), 탱크 등), LCL 배송을 위한 화물 설명들(예를 들어, 패키지의 수, 총 체적, 총 중량 등), 화물이 개인 물품(person effects)를 포함하는지 여부 등을 정의하기 위한 필드들을 포함할 수 있다. 화물 보관 및/또는 운송 서비스 주문의 요건을 결정한 것에 응답하여, 스마트 컨테이너 시스템의 플릿 관리 시스템(13002)은 스마트 컨테이너 운영 단위의 세트를 포함하는 스마트 컨테이너 플릿 구성을 결정할 수 있고, 스마트 컨테이너 운영 단위를 화물 보관 및/또는 운송 서비스 주문에 할당할 수 있다. 본 명세서에서 사용되는, 스마트 컨테이너 운영 단위(smart container operating unit)는 개별 스마트 컨테이너, 스마트 컨테이너들의 팀, 요청을 완료하도록 동작하는 스마트 컨테이너들의 플릿 등을 지칭할 수 있다. 논의될 바와 같이, 일부 실시예에서, 스마트 컨테이너 플릿 관리 시스템(13002)은 화물 보관 및/또는 운송 서비스 주문을 실행하고 및/또는 플릿 구성의 일부로서 특정 유형의 환경에서 동작하도록 하나 이상의 스마트 컨테이너의 구성을 정의할 수 있다. 논의되는 바와 같이, 스마트 컨테이너는 스마트 컨테이너가 특정 태스크를 수행할 수 있게 하는 다양한 모듈로 구성될 수 있다. 예를 들어, 스마트 컨테이너에는 특수 디바이스 및 시스템 예컨대, IoT 디바이스(카메라 및 센서 기반 디바이스를 포함함), 에지 네트워크 디바이스, 칩셋, 칩 및 스마트 컨테이너가 지능형 태스크를 수행할 수 있게 하는 데이터 저장, 계산, 처리 및/또는 연결 능력을 갖는 다른 디바이스; 특정 환경을 위한 특수 센서; 특정 기계 비전 기능을 가능하게 하기 위한 액체 렌즈; 특정 태스크를 수행하는 특수 로봇, 특정 태스크인 특수 툴 및/또는 시스템(예를 들어, 조명, 관개 시스템, 가열, 냉각, 3D 프린터, 클램프, 그리퍼(gripper), 드릴, 리프트, 크레인, 컨베이어, 믹서, 지게차 등); 스마트 램프; 및/또는 특정 태스크 또는 태스크 세트를 수행하도록 스마트 컨테이너를 구성하는 다른 모듈이 프로비저닝될 수 있다.In an embodiment, the
일부 실시예에서, 스마트 인터모달 컨테이너 시스템의 플릿 관리 시스템(13002)은 작업흐름(workflow) 세트를 정의할 수 있으며, 여기서 작업흐름은 특정 화물 보관 및/또는 운송 서비스 또는 태스크가 수행되는 순서 및 각각의 서비스 또는 태스크에 할당된 스마트 컨테이너 운영 단위(들)를 정의할 수 있다. 일부 실시예에서, 스마트 컨테이너 플릿 관리 시스템은 스마트 컨테이너 플릿의 운영을 실질적으로 최적화하기 위한 플릿 구성 및/또는 작업흐름을 반복적으로 재정의하기 위해 작업흐름 시뮬레이션을 수행할 수 있다. 예를 들어, 플릿 구성 및/또는 작업흐름은 비용을 감소시키고, 물류 효율을 개선하고, 전체 배송 시간을 감소시키고, 탄소 배출을 감소시키는 등을 위해 반복적으로 조정될 수 있다. 플릿 구성 및 작업흐름이 완료되면, 스마트 컨테이너 플릿 관리 시스템은 플릿(fleet)을 배치할 수 있다. 일부 실시예에서, 스마트 컨테이너 플릿 관리 시스템은 스마트 컨테이너 운영 단위 및/또는 스마트 컨테이너 컴포넌트의 공급, 및/또는 자원의 지원과 관련된 물류를 용이하게 할 수 있다. 또한, 일부 실시예에서, 스마트 컨테이너 플릿 관리 시스템은 신속한 맞춤화로 로컬화된 선호도를 수용하는 것을 촉진하기 위해, 3D 프린터 또는 본 명세서에 설명된 다른 능력과 같은 적층 제조 능력을 활용할 수 있어서, 아이템이 스마트 컨테이너가 목적지에 접근할 때 스마트 컨테이너 내에 3D 인쇄될 수 있다. 실시예에서, 스마트 컨테이너 플릿 관리 시스템은 스마트 컨테이너 운영 단위의 상태, 스마트 컨테이너 유닛의 성능(예를 들어, 타이밍 성능, 재무 성능 등), 스마트 컨테이너 내에 포함된 화물의 상태 등을 포함하여 스마트 컨테이너 플릿을 모니터링할 수 있다. 이들 실시예 중 일부에서, 스마트 컨테이너 시스템(13000)은 이용 가능한 재고의 효율적인 사용을 보장하고 및/또는 다운타임(downtime)을 감소시키기 위해 스마트 컨테이너 및/또는 자원의 유지보수를 자동화할 수 있다.In some embodiments, the
실시예들에서, 스마트 컨테이너 시스템(13000)은, 예를 들어, 아이템들을 분류함으로써(예를 들어, 유형별로 아이템들을 인식하기 위해 데이터의 훈련 세트에 대해 훈련되는 기계 비전 기반 인공 지능 시스템을 사용하는 것); 세트에 대한 적절한 저장 조건들을 결정함으로써(예를 들어, 특히, 모델과의 전문가 상호작용들, 전문가 명령들 또는 저장 조건들의 설정 및/또는 동작들로부터의 결과들에 대해 훈련되는 것과 같은 인공 지능 시스템에 의해 또한 수행될 수 있는 상이한 최적의 저장 조건들을 가질 수 있는 아이템들의 값을, 예컨대, 경제 또는 다른 모델에 기초하여, 고려하는 것을 포함할 수 있음); 및 (예를 들어, 인간 조작자 또는 다른 엔티티에 의한 것과 같은) 추가 고려를 위한 추천으로서 또는 환경에 대한 자율 또는 반자율 제어 시스템에 대한 입력으로 취해질 수 있는 온도 프로파일들, 습도 프로파일들, 움직임 프로파일들 등의 세트와 같은 저장을 위한 명령어 세트를 제공함으로써, 아이템들의 세트의 저장 조건들을 자동으로 통제할 수 있다. AI 또는 전문가 시스템은, 흔들림, 온도 변화들, 습도, 방사선, 화학적 인자들(예를 들어, 염에 의한 부식), 및 많은 다른 것들에 대한 내용물들의 민감도와 관련된 인자들; 내용물들의 가격과 관련된 인자들(예를 들어, 시장 인자들, 계약 조건들, 위험 할당 등에 기초하는 것을 포함하는, 내용물들의 가격, 비용, 또는 수익 마진들과 같은); 및 운송 인자들(예를 들어, 장비 조건들, 도로, 수로, 항로 또는 철로 조건들, 날씨 조건들, 및 유사한 것); 및 다른 것들을 포함하는, 적절한 저장을 결정하는데 있어서의 다양한 인자들을 포함할 수 있다. 시간이 지남에 따라, 입력 인자들은 인공 지능 시스템들(모델-기반, 딥러닝, 또는 다른 시스템들을 포함함)의 성공에 따라 추가되거나 제거될 수 있으며, 이는 전문가 모델들에게 공급되고, 전문가-라벨링된 데이터 세트들에 기초하여 훈련되고 및/또는 전문가 상호작용들(예컨대, 로봇 프로세스 자동화를 사용함)에 기초하여 훈련되고 및/또는 사용으로부터의 결과들에 기초하여 훈련될 수 있다. 따라서, 자가 통제 또는 자율 저장 조건 시스템, 또는 반자율 저장 조건 시스템은 컨테이너 시스템과 통합되거나 컨테이너 시스템에 통합될 수 있다.In embodiments,
일부 실시예에서, 스마트 컨테이너 시스템은 스마트 컨테이너 운영 단위 또는 에지 디바이스, 환경 센서 시스템, 물류 시스템 및/또는 다른 적절한 데이터 소스와 같은 다른 적절한 데이터 소스로부터 수신된 데이터에 기초하여 스마트 컨테이너 운영 단위의 상태 및/또는 성능을 나타내는 디지털 트윈을 지원할 수 있다. 스마트 인터모달 컨테이너 시스템에 의해 서비스되는 디지털 트윈은 다양한 용도를 위하여 적응될 수 있다. 일부 예시적인 실시예에서, 디지털 트윈은 플릿 내의 개별 스마트 컨테이너를 포함하는 스마트 컨테이너 플릿의 상태를 제공하도록 구성될 수 있다. 이러한 예들에서, 사용자는 스마트 컨테이너들의 팀 또는 플릿 내의 개별 스마트 컨테이너들에 드릴다운(drill down)하여 스마트 컨테이너들의 상태를 볼 수 있다. 예를 들어, 사용자는 스마트 컨테이너의 배터리 수명, 스마트 컨테이너 에너지원들 및/또는 충전 스테이션들의 가용성, 스마트 컨테이너의 위치, 스마트 컨테이너에 대한 이동 옵션들, 스마트 컨테이너 내의 화물의 상태, 스마트 컨테이너의 태스크 완료 상태, 스마트 컨테이너의 유지보수 경보들 등을 볼 수 있다. 일부 예시적인 실시예에서, 스마트 컨테이너 시스템은 이용 가능한 스마트 컨테이너 기반구조의 위치 및/또는 운송 모드(예를 들어, 컨테이너 선박, 잠수함, 우주선, 하이퍼루프, 철도, 트럭 등), 시설(예를 들어, 컨테이너 터미널, 쉽야드(shipyard), 저장 영역 등), 객체, 다른 스마트 컨테이너, 환경의 센서 판독 등과 같은 실시간 정보를 갖는 스마트 컨테이너 플릿의 환경을 묘사하는 환경 디지털 트윈을 서비스할 수 있다. 이러한 실시예들에서, 사용자는 스마트 컨테이너, 스마트 컨테이너들의 팀, 또는 스마트 컨테이너들의 플릿에 원격 제어 커맨드들을 제공하기 위해 환경 디지털 트윈을 활용할 수 있다. 예를 들어, 스마트 컨테이너 또는 스마트 컨테이너들의 팀은 경로(route)를 방해하는 미확인 물체를 만날 수 있고, 재경로지정(re-routing)과 관련된 결정을 생성할 필요가 있을 수 있다. 일부 실시예에서, 스마트 컨테이너 플릿 관리 시스템은 환경 디지털 트윈에 묘사될 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 트윈에 제시된 시나리오가 주어지면 어떻게 진행할지에 대한 명령을 스마트 컨테이너 플릿에 제공할 수 있다. 전술한 것은 스마트 컨테이너 플릿 관리 시스템과 관련하여 사용될 수 있는 디지털 트윈의 비제한적인 예이고, 다른 예가 아래에서 논의된다.In some embodiments, the smart container system may monitor the status of the smart container operating unit and /Or it can support a digital twin that represents performance. The digital twin served by the smart intermodal container system can be adapted for a variety of purposes. In some example embodiments, a digital twin may be configured to provide the state of a smart container fleet, including individual smart containers within the fleet. In these examples, a user can drill down to individual smart containers within a team or fleet of smart containers to view the status of the smart containers. For example, the user can determine the smart container's battery life, availability of smart container energy sources and/or charging stations, location of the smart container, movement options for the smart container, status of cargo within the smart container, and task completion of the smart container. You can view the status, maintenance alerts of smart containers, etc. In some example embodiments, the smart container system may be configured to determine the location of available smart container infrastructure and/or transportation modes (e.g., container ships, submarines, spacecraft, hyperloops, rail, trucks, etc.), facilities (e.g. , container terminals, shipyards, storage areas, etc.), objects, other smart containers, sensor readings of the environment, etc., can serve an environmental digital twin that depicts the environment of a smart container fleet with real-time information. In these embodiments, a user can utilize the environmental digital twin to provide remote control commands to a smart container, a team of smart containers, or a fleet of smart containers. For example, a smart container or team of smart containers may encounter an unidentified object that disrupts the route and may need to make decisions regarding re-routing. In some embodiments, a smart container fleet management system may acquire relevant data (e.g., LIDAR data, video feeds, environmental maps, etc.) that can be depicted in an environmental digital twin. Users can view the current scenario in the environmental digital twin and provide commands to the smart container fleet on how to proceed given the scenario presented in the environmental digital twin. The foregoing are non-limiting examples of digital twins that can be used in connection with a smart container fleet management system, and other examples are discussed below.
도 144는 스마트 컨테이너 시스템(13000)의 예시적인 환경을 예시한다. 실시예에서, 스마트 컨테이너 시스템(13000)은 플릿 관리 시스템(13002), 데이터 처리 시스템(13024), 및 지능 서비스(13004)(예를 들어, 시스템 레벨 지능 서비스(13004))를 포함한다. 실시예에서, 플릿 관리 시스템(13002)은 스마트 컨테이너 운영 단위(13040) 및/또는 스마트 컨테이너 운영 단위(13040)에 의해 수행되는 화물 보관 및/또는 운송 서비스 및/또는 태스크를 구성 및 관리한다. 논의될 바와 같이, 스마트 컨테이너 운영 단위(13040)는 개별 스마트 컨테이너, 개별 스마트 컨테이너 태스크 어셈블리(13050), 스마트 컨테이너 플릿(13060) 및/또는 스마트 컨테이너 플릿 지원 유닛(13080)을 지칭할 수 있다.144 illustrates an example environment of
실시예들에서, 플릿 관리 시스템(13002)은 통신 관리 시스템(13010), 원격 제어 시스템(13012), 자원 프로비저닝 시스템(13014), 물류 시스템(13016), 작업 구성 시스템(13018), 플릿 구성 시스템(13020), 주문 실행, 모니터링, 및 보고 시스템(13022)("주문 실행 시스템"(13022)이라고도 지칭됨), 인간 인터페이스 시스템(human interface system)(13038), 및 유지보수 관리 시스템(13028)을 포함하지만, 이에 제한되지 않는다. 실시예에서, 통신 관리 시스템(13010)은 스마트 컨테이너 시스템(13000) 외부의 요소를 포함하는 플릿 관리 시스템 통신을 용이하게 하도록 구성된다. 실시예에서, 플릿 관리 시스템 통신은 위성 통신을 포함한다. 실시예에서, 원격 제어 시스템(13012)은 스마트 컨테이너 운영 단위 및 플릿 자원의 제어를 원격으로 관리하고 가능하게 하도록 구성된다. 실시예에서, 자원 프로비저닝 시스템(13014)은 플릿 자원(예를 들어, 스마트 컨테이너 운영 단위)에 대한 할당 및 액세스를 취급하도록 구성된다. 실시예에서, 물류 시스템(13016)은 플릿 자원 및 스마트 컨테이너 운영 단위에 대한 공급의 사용 및 운송을 조정한다. 실시예들에서, 유지보수 관리 시스템(13028)은 플릿 자원들의 조정된 적시의 유지보수를 용이하게 한다. 실시예에서, 작업 구성 시스템(13018)은 화물 보관 및/또는 운송 서비스 주문에 기초하여 주문 실행 계획을 생성한다. 실시예에서, 플릿 구성 시스템(13020)은 스마트 컨테이너 운영 단위(예를 들어, 개별 스마트 컨테이너 및/또는 스마트 컨테이너 플릿)를 구성하여 주문 실행 계획을 완료한다. 실시예에서, 주문 실행 시스템(13022)은 주문 실행 계획을 실행하고 배송 및 플릿 관련 보고 요건을 해결하면서 플릿 자원의 효율적인 사용을 보장하기 위해 (예를 들어, 주문 실행 계획에 따라) 스마트 컨테이너 운영 단위에 의해 수행되는 화물 보관 및/또는 운송 서비스에 대해 실행, 모니터링 및/또는 보고한다. 실시예에서, 인간 인터페이스 시스템은 인간 사용자가 스마트 컨테이너 운영 단위와 인터페이스할 수 있는 인터페이스를 제공한다.In embodiments,
언급된 바와 같이, 스마트 컨테이너 운영 단위(13040)는 개별 스마트 컨테이너(13026), 개별 스마트 컨테이너 태스크 어셈블리(13050), 스마트 컨테이너 플릿(13060) 및/또는 스마트 컨테이너 플릿 지원 유닛(13080)을 지칭할 수 있다.As mentioned, smart
도 145에 도시된 바와 같이, 스마트 컨테이너(13026)는 베이스라인 시스템(13106), 스마트 컨테이너 제어 시스템(13104), 및 스마트 컨테이너 보안 시스템(13046)을 포함할 수 있다. 실시예에서, 스마트 컨테이너 제어 시스템(13104)은 데이터 처리 시스템(13024) 및 지능 서비스(13004)를 포함한다. 논의될 바와 같이, 데이터 처리 시스템은 스마트 컨테이너들의 팀 또는 플릿 사이에 중앙 집중화 및/또는 분산될 수 있는 데이터 처리 자원들을 포함할 수 있다. 추가적으로 또는 대안적으로, 데이터 처리 자원은 범용 칩셋, 특수 칩셋, 및/또는 구성 가능한 칩셋을 포함할 수 있다. 논의되는 바와 같이, 지능 서비스(13004)는 스마트 컨테이너 또는 스마트 컨테이너의 집합(예를 들어, 태스크 어셈블리 또는 플릿)을 대신하여 지능형 관련 태스크를 수행한다. 예를 들어, 지능 서비스(13004)는 인공 지능, 기계 학습, 자연어 처리, 기계 비전, 분석 등과 같은 작업들을 수행할 수 있고, 이의 수행에서 복잡한 데이터 구조들(예를 들어, 디지털 트윈들) 및 이질적인 데이터 소스들(예를 들어, 많은 다른 것들 중에서도, IoT, 에지 및 다른 네트워크-가능 디바이스들로부터, 구내(on-premises) 및 클라우드-배치된 데이터베이스들 및 다른 자원들로부터, 및/또는 API들, 이벤트 스트림들, 로그들, 또는 다른 데이터 소스들로부터)을 활용할 수 있다. 스마트 컨테이너 레벨 및 플릿 레벨 지능 서비스는 아래에서 더 상세히 논의된다. 실시예들에서, 스마트 컨테이너 보안 시스템(13046)은 스마트 컨테이너 또는 스마트 컨테이너들의 집합(예를 들어, 태스크 어셈블리 또는 플릿)을 대신하여 보안 관련 기능들을 수행한다. 이러한 보안 관련 기능들은 수동 보안 기능들뿐만 아니라 자율 적응형 및 비적응형(non-adaptive) 보안 기능들을 포함할 수 있다.As shown in FIG. 145 , smart container 13026 may include a baseline system 13106, a smart
실시예들에서, 스마트 컨테이너(13026)의 베이스라인 시스템(13106)은 에너지 저장 및 전력 분배 시스템(13112), 인클로저(enclosure)(13114), 전기-기계 및/또는 전기-유체 시스템(13116), 운송 시스템(13118), 비전 및 감지 시스템(13120), 및/또는 구조 시스템(13122)을 포함할 수 있다. 아래에서 추가로 논의되는 바와 같이, 스마트 컨테이너(13026)의 베이스라인 시스템의 구성은 스마트 컨테이너(13026)가 수행하도록 구성되는 화물 보관 및/또는 운송 서비스들의 유형들 및/또는 태스크들 및/또는 스마트 컨테이너가 동작하도록 의도되는 환경들의 유형에 의존한다. 예를 들어, 심해 조건에서 동작하도록 구성된 스마트 컨테이너는 북극 조건 또는 항공 스마트 컨테이너에서 동작하도록 구성된 스마트 컨테이너와 상이한 베이스라인 시스템을 가질 수 있다.In embodiments, the baseline system 13106 of the smart container 13026 may include an energy storage and power distribution system 13112, an
실시예들에서, 스마트 컨테이너(13026)는 스마트 컨테이너가 다양한 하드웨어 및/또는 소프트웨어 컴포넌트들로 구성될 수 있게 하는 모듈 시스템(13102)을 더 포함할 수 있다. 이러한 방식으로, 스마트 컨테이너(13026)는 스마트 컨테이너가 구성되는 화물 보관 및/또는 운송 서비스들 및/또는 태스크들의 범위 및/또는 스마트 컨테이너가 동작하도록 구성되는 환경들에 따라 상이한 액세서리들, 센서 세트들, 칩셋들, 기동 어댑터(motive adaptor)들 등을 구비할 수 있다. 실시예들에서, 모듈 시스템(13102)은 제어 모듈 인터페이스들(13108) 및 물리적 모듈 인터페이스들(13110)을 포함할 수 있다. 제어 모듈 인터페이스들(13108) 및 물리적 모듈 인터페이스들(13110)은 특정 태스크들을 수행하도록 스마트 컨테이너(13026)를 구성하기 위해 보조 컴포넌트들을 수용하는 기계적, 전기적 및/또는 디지털 인터페이스들을 지칭할 수 있다. 실시예들에서, 제어 모듈 인터페이스들(13108)은 스마트 컨테이너(13026)의 제어와 관련된 하나 이상의 특징들을 변경하는 보조 컴포넌트들을 수용(또는 달리 "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(13110)는 스마트 컨테이너(13026)에 의해 취해질 수 있는 물리적 액션 및/또는 스마트 컨테이너의 물리적 동작을 변경하는 보조 물리적 모듈을 수용(또는 다른 방식으로 연결)한다. 물리적 모듈의 예는 휠, 로봇 아암(robotic arms), 소팅 시스템(sorting system), 패키징 시스템, 3D 프린터, 크레인, 리프트, 전원(power supply) 등을 포함할 수 있지만, 이에 제한되지 않는다. 논의될 바와 같이, 스마트 컨테이너(13026)는 화물 보관 및/또는 운송 서비스 주문의 완료시에 하나 이상의 태스크를 수행하도록 재구성될 수 있다. 이들 실시예에서, 스마트 컨테이너 시스템(13000)은 주문 실행 계획 및 지원 스마트 컨테이너 또는 스마트 컨테이너 플릿을 정의할 수 있고, 스마트 컨테이너(13026)가 주문 실행 계획에서 하나 이상의 특정된 태스크를 수행하기 위해 재구성되도록, 하나 이상의 모듈을 스마트 컨테이너(13026)에 프로비저닝할 수 있다.In embodiments, smart container 13026 may further include a
도 144를 다시 참조하면, 개별 스마트 컨테이너 태스크 어셈블리(13050)는 화물 보관 및/또는 운송 서비스 주문에 할당된 하나 이상의 개별 스마트 컨테이너의 집합을 지칭할 수 있다. 스마트 컨테이너 태스크 어셈블리 내의 스마트 컨테이너들은 스마트 컨테이너들(예를 들어, 40-ft 스마트 컨테이너 및 탱커(tanker))의 임의의 조합을 포함할 수 있다. 일부 실시예들에서, 개별 스마트 컨테이너 태스크 어셈블리(13050)는 태스크 어셈블리(13050) 내의 스마트 컨테이너들에 대한 명령들을 제어하거나 다른 방식으로 제공하는 로컬 관리자를 포함할 수 있다. 이들 실시예에서, 로컬 관리자는 지정된 감독자 스마트 컨테이너, 로봇, 또는 인간 조작자일 수 있다. 실시예에서, 스마트 컨테이너 감독자는 태스크 어셈블리(13050)를 대신하여 에지 디바이스로서 작용할 수 있어서, 스마트 컨테이너 감독자는 스마트 컨테이너 감독자가 스마트 컨테이너 시스템(13000) 또는 다른 적절한 디바이스 또는 시스템과 통신하고 및/또는 태스크 어셈블리(13050)를 대신하여 데이터 처리 동작을 수행할 수 있게 하는 특정 처리 및/또는 통신 능력을 할당받을 수 있다. 실시예에서, 스마트 컨테이너 플릿은 화물 보관 및/또는 운송 서비스 주문의 완료시 태스크의 세트를 총괄하여 수행하는 개별 스마트 컨테이너 및/또는 태스크 어셈블리의 집합이다. 또한, 플릿들은 태스크 그룹들의 플릿, 지역 플릿들, 및/또는 플릿들 중 플릿으로서 배열될 수 있다. 실시예에서, 스마트 컨테이너 플릿은 스마트 컨테이너 플릿 지원부에 의해 지원될 수 있다. 실시예들에서, 스마트 컨테이너 플릿 지원부의 예들은 구내 에지 및 IoT 디바이스들, 로컬 데이터 저장소들(및 대응하는 데이터 인터페이스들), 지게차들, 크레인들, 기계식 리프트들, 리치 스태커들, 유지보수 지원, 충전 스테이션들 및 디바이스들, 교체 부품들, 배터리들, 액세서리들, 도킹 스테이션(docking station)들, 예비 부품(spare part)들, 및/또는 기술자들을 포함할 수 있다.Referring back to Figure 144, individual smart container task assembly 13050 may refer to a collection of one or more individual smart containers assigned to order cargo storage and/or transportation services. Smart containers Smart containers within a task assembly may include any combination of smart containers (eg, a 40-ft smart container and a tanker). In some embodiments, an individual smart container task assembly 13050 may include a local manager that controls or otherwise provides instructions for smart containers within the task assembly 13050. In these embodiments, the local manager may be a designated supervisor smart container, robot, or human operator. In embodiments, the smart container supervisor may act as an edge device on behalf of the task assembly 13050 such that the smart container supervisor communicates with the
실시예들에서, 스마트 컨테이너 시스템(13000)은 데이터 처리 시스템(13024)을 포함할 수 있다. 실시예에서, 데이터 처리 시스템(13024)은 데이터 취급 서비스(data handling service)(13032) 및 데이터 처리 서비스(data processing service)(13030)를 포함한다. 데이터 취급 서비스(13032)는 스마트 컨테이너 시스템(13000)의 데이터를 저장, 검색 및 다른 방식으로 관리하도록 구성된다. 실시예에서, 데이터 취급 서비스(13032)는 데이터 저장소(13042) 및/또는 라이브러리(13044)의 세트에 액세스하고, 이에 의해 데이터 취급 서비스(13032)는 스마트 컨테이너 시스템(13000) 및/또는 스마트 컨테이너 운영 단위(13040)의 다른 컴포넌트를 대신하여 데이터 저장소(13042) 및/또는 라이브러리(13044)로부터 데이터를 기록하고 판독한다. 실시예에서, 데이터 처리 서비스(13030)는 스마트 컨테이너 시스템(13000) 및/또는 스마트 컨테이너 운영 단위(13040)의 다른 컴포넌트를 대신하여 데이터 처리 동작을 수행한다. 예를 들어, 데이터 처리 서비스(13030)는 데이터베이스 동작(예를 들어, 테이블 조인(table join), 검색 등), 데이터 융합 동작 등을 수행할 수 있다. 실시예들에서, 데이터 처리 시스템은 분산 자원들, 중앙 집중형 자원들, 및/또는 "온-칩(on-chip)" 자원들을 포함할 수 있다.In embodiments,
도 146에 도시된 바와 같이, 지능 서비스(13004)는 지능 서비스를 스마트 인터모달 컨테이너 시스템(13000) 및/또는 다른 지능 서비스 클라이언트에 제공하도록 구성된다. 일부 실시예에서, 지능 서비스(13004) 프레임워크는 스마트 인터모달 컨테이너 시스템(13000), 스마트 컨테이너, VCN 제어 타워, 다양한 VCN 엔티티 및/또는 다른 인텔에서 적어도 부분적으로 복제될 수 있다. 이들 실시예에서, 스마트 인터모달 컨테이너 시스템(13000)은 지능 서비스(13004)의 능력의 일부 또는 전부를 포함할 수 있고, 이에 의해 지능 서비스(13004)는 지능형 클라이언트의 서브시스템에 의해 수행되는 특정 기능에 적응된다. 추가적으로 또는 대안적으로, 일부 실시예들에서, 지능 서비스(13004)는 마이크로서비스들의 세트로서 구현될 수 있어서, 상이한 지능 서비스 클라이언트들이 지능형 클라이언트들에 노출된 하나 이상의 API들을 통해 지능 서비스(13004)를 활용할 수 있다. 이들 실시예에서, 지능 서비스(13004)는 상이한 지능 서비스 클라이언트에 대해 적응될 수 있는 다양한 유형의 지능 서비스를 수행하도록 구성될 수 있다. 이들 구성들 중 어느 하나에서, 지능 서비스 클라이언트(13324)는 지능형 요청을 지능 서비스(13004)에 제공할 수 있고, 이에 의해 요청은 특정 지능형 태스크(예를 들어, 검출/식별, 결정, 추천, 보고, 명령, 분류, 예측, 최적화, 제어 액션, 구성 액션, 자동화, 훈련 액션, NLP 요청 등)를 수행한다. 이에 응답하여, 지능 서비스(13004)는 요청된 지능형 태스크를 실행하고 응답을 지능 서비스 클라이언트(13324)로 반환한다. 추가적으로 또는 대안적으로, 일부 실시예에서, 지능 서비스(13004)는 이미지 처리, 진단, 위치 및 배향, 화학적 분석, 데이터 처리 등과 같은 AI 보조 마이크로서비스를 제공하도록 구성된 하나 이상의 특수 칩을 사용하여 구현될 수 있다. 예를 들어, AI 칩셋을 갖는 스마트 컨테이너는 내비게이션 명령, 컨테이너 보안(예를 들어, 생체인식 액세스), 환경 모니터링을 제공하고, 컨테이너 및/또는 화물 중량과 관련된 통찰을 생성하고, 컨테이너 용량에 관련된 통찰을 생성하고, 컨테이너의 구조적 무결성과 관련된 통찰을 생성하고, 화물 손상과 관련된 통찰을 생성하고, 규제 문제(예를 들어, 관세)를 예측하고, 불법 및/또는 위험한 화물을 검출하고, 자율 제어를 제공하는 등을 제공하기 위해 지능 서비스(13004)를 구현하도록 구성될 수 있다.As shown in FIG. 146,
일부 시나리오들에서, 인공 지능 모듈들(13404) 자체가 또한 지능 서비스 클라이언트들일 수 있다는 점에 추가로 유의한다. 예를 들어, 규칙 기반 지능 모듈(13428)은 비디오 및/또는 객체의 모션에 나타나는 객체의 분류를 요청하는 것과 같이, 기계 학습 모듈(13412) 또는 신경망 모듈(13414)로부터 지능 태스크를 요청할 수 있다. 이 예에서, 규칙 기반 지능 모듈(13428)은 분류를 사용하여 특정 액션을 취할지 여부를 결정하는 지능 서비스 클라이언트(13324)일 수 있다. 다른 예에서, 기계 비전 모듈(13422)은 디지털 트윈 모듈(13420)로부터 지정된 환경의 디지털 트윈을 요청할 수 있어서, 기계 학습 모듈(13412)은 특정 환경에 대해 훈련된 기계 학습 모델을 훈련하기 위한 특징들로서 디지털 트윈으로부터 특정 데이터를 요청할 수 있다.It is further noted that in some scenarios,
실시예들에서, 지능형 태스크(intelligence task)는 요청에 응답하기 위해 특정 유형들의 데이터를 요구할 수 있다. 예를 들어, 기계 비전 태스크는 이미지 또는 이미지들의 세트에 나타나는 객체들을 분류하고, 이미지들의 세트 내의 특징들(예컨대, 아이템들의 위치들, 다른 컨테이너들(예를 들어, BIC(Bureau International des Containers) 코드, CSC 승인 플레이트들, ISO 6346 보고 마크들 등) 상의 코드들 또는 정보, 얼굴들, 심볼들 또는 명령들의 존재, 표현들, 모션의 파라미터들, 상태의 변화들 등) 등을 결정하기 위해 하나 이상의 이미지들(및 잠재적으로 다른 데이터)을 요구한다. 다른 예에서, NLP 태스크는 스피치 및/또는 텍스트의 의미 또는 다른 요소를 결정하기 위해 스피치 및/또는 텍스트 데이터(및 잠재적으로 다른 데이터)의 오디오를 요구한다. 또 다른 예에서, AI 기반 제어 태스크(예를 들어, 스마트 컨테이너의 이동에 대한 결정)은 스마트 컨테이너의 모션의 제어와 관련된 결정을 생성하기 위해 환경 데이터(예를 들어, 맵, 알려진 장애물의 좌표, 이미지 등) 및/또는 모션 계획을 요구할 수 있다. 플랫폼 레벨 예에서, 분석 기반 보고 태스크는 보고서를 생성하기 위해 다수의 상이한 데이터베이스들로부터의 데이터를 요구할 수 있다. 따라서, 실시예들에서, 지능 서비스(13004)에 의해 수행될 수 있는 태스크들은 특정 지능 서비스 입력들(13470)을 요구하거나, 그로부터 이익을 얻을 수 있다. 일부 실시예들에서, 지능 서비스(13004)는 개개의 지능형 태스크를 수행하기 위해 지능 서비스 입력들(13470)로부터 특정 데이터를 수신 및/또는 요청하도록 구성될 수 있다. 추가적으로 또는 대안적으로, 요청 지능 서비스 클라이언트(13324)는 요청에 특정 데이터를 제공할 수 있다. 예를 들어, 지능 서비스(13004)는 하나 이상의 API를 지능 서비스 클라이언트에 노출시킬 수 있으며, 이에 의해 요청 클라이언트(13324)는 API를 통해 요청 내의 특정 데이터를 제공한다. 지능 서비스 입력들의 예들은 센서 데이터, 비디오 스트림들, 오디오 스트림들, 데이터베이스들, 데이터 피드들, 인간 입력, 및/또는 다른 적절한 데이터를 제공하는 센서들을 포함할 수 있지만, 이에 제한되지 않는다.In embodiments, an intelligence task may require certain types of data to respond to the request. For example, a machine vision task classifies objects that appear in an image or set of images and identifies features within the set of images (e.g., locations of items, other containers (e.g., Bureau International des Containers (BIC) code) , CSC approval plates, ISO 6346 reporting marks, etc.) to determine the presence of codes or information, faces, symbols or commands, expressions, parameters of motion, changes of state, etc.), etc. Requires images (and potentially other data). In other examples, NLP tasks require audio of speech and/or text data (and potentially other data) to determine meaning or other elements of the speech and/or text. In another example, an AI-based control task (e.g., decisions about the movement of a smart container) may require environmental data (e.g., a map, coordinates of known obstacles, images, etc.) and/or motion plans may be requested. In a platform level example, an analytics-based reporting task may require data from multiple different databases to generate a report. Accordingly, in embodiments, tasks that may be performed by
일 실시예에서, 지능 서비스(13004)는 지능 서비스 제어기(13402) 및 인공 지능 모듈(13404)을 포함할 수 있다. 실시예들에서, 인공 지능 서비스(13004)는 지능 서비스 클라이언트(13324)로부터의 지능 요청 및 지능 서비스 클라이언트(13324)로부터의 요청을 처리하기 위한 임의의 필요한 데이터를 수신한다. 요청 및 특정 데이터에 응답하여, 하나 이상의 연루된 인공 지능 모듈들(13404)은 지능 태스크를 수행하고 "지능 응답(intelligence response)"을 출력한다. 지능 모듈들(13304) 응답들의 예들은 결정(예를 들어, 제어 명령, 제안된 액션, 기계 생성 텍스트 등), 예측(예를 들어, 텍스트 스니펫(text snippet)의 예측된 의미, 제안된 액션과 연관된 예측된 결과, 예측된 고장 상태 등), 분류(예를 들어, 이미지 내의 객체의 분류, 음성 발언의 분류, 센서 데이터에 기초한 분류된 고장 상태 등), 및/또는 인공 지능 시스템의 다른 적합한 출력들을 포함할 수 있다.In one embodiment,
실시예들에서, 인공 지능 모듈들(13404)은 기계 학습 모듈(13412), 규칙 기반 모듈(13428), 분석 모듈(13418), RPA 모듈(13416), 디지털 트윈 모듈(13420), 기계 비전 모듈(13422), NLP 모듈(13424), 및/또는 신경망 모듈(13414)을 포함할 수 있다. 전술한 것은 인공 지능 모듈의 비제한적인 예이고, 모듈 중 일부는 다른 인공 지능 모듈에 의해 포함되거나 활용될 수 있다는 것이 이해된다. 예를 들어, NLP 모듈(13424) 및 기계 비전 모듈(13422)은 그들 개개의 기능들의 수행에 있어서 신경망 모듈(13414)의 일부인 상이한 신경망들을 활용할 수 있다.In embodiments,
실시예들에서, 지능 모듈들(13304)은 하나 이상의 지능 서비스 클라이언트들에 통합되거나 그에 의해 액세스될 수 있는 기계 학습 모듈(13412)을 포함하고 그에 대한 액세스를 제공한다. 실시예들에서, 기계 학습 모듈(13412)은 기계 학습 모델들을 훈련하는 것, 기계 학습 모델들을 활용하는 것, 기계 학습 모델들을 강화하는 것, 다양한 클러스터링 기법들을 수행하는 것, 특징 추출 등과 같은 지능 서비스 클라이언트(13324)에 의해 사용하기 위한 기계 기반 학습 능력들, 특징들, 기능들 및 알고리즘들을 제공할 수 있다. 일 예에서, 기계 학습 모듈(13412)은 시뮬레이션 시스템에 기계 학습 컴퓨팅, 데이터 저장, 및 피드백 기반구조를 제공할 수 있다. 기계 학습 모듈(13412)은 또한, 규칙 기반 모듈(13428), 기계 비전 모듈(13422), RPA 모듈(13416) 등과 같은 다른 모듈들과 협력하여 동작할 수 있다.In embodiments,
기계 학습 모듈(13412)은 지능 서비스 클라이언트(13324)의 하나 이상의 컴포넌트 또는 서브시스템의 데이터 처리, 데이터 분석, 시뮬레이션 생성, 시뮬레이션 우선순위화 및 시뮬레이션 분석과 관련된 분석, 시뮬레이션, 의사 결정, 최적화 및 예측 분석을 수행하기 위한 하나 이상의 기계 학습 모델을 정의할 수 있다. 실시예들에서, 기계 학습 모델들은, 대신에 패턴들 및 추론에 의존하여, 명시적 명령들을 사용하지 않고 특정 태스크들을 수행하는 알고리즘들 및/또는 통계 모델들이다. 기계 학습 모델들은 특정 태스크들을 수행하도록 명시적으로 프로그래밍되지 않고 예측들 및/또는 결정들을 하기 위해 훈련 데이터에 기초하여 하나 이상의 수학적 모델들을 구축한다. 예시적인 구현예들에서, 기계 학습 모델들은 분류, 예측, 회귀(regression), 클러스터링, 이상 검출, 추천 생성, 의사 결정(decision-making), 최적화, 및/또는 다른 태스크들을 수행할 수 있다.The
실시예들에서, 기계 학습 모델들은 입력 데이터에 기초하여 다양한 유형들의 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 분류(multi-class classification) 또는 멀티-라벨 분류(multi-label classification)를 수행할 수 있다. 실시예에서, 기계 학습 모델은 각각의 클래스로의 입력의 분류와 연관된 각각의 신뢰도를 나타내는 "신뢰도 점수들(confidence scores)"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.In embodiments, machine learning models may perform various types of classification based on input data. Classification is a predictive modeling problem in which class labels are predicted for given examples of input data. For example, a machine learning model can perform binary classification, multi-class classification, or multi-label classification. In an embodiment, a machine learning model may output “confidence scores” that indicate the respective confidence associated with the classification of the input into each class. In embodiments, confidence scores may be compared to one or more thresholds to render discrete category predictions. In an embodiment, only a certain number of classes (e.g., one) with the relatively largest confidence score may be selected to render a discrete category prediction.
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 대한 확률 분포는 1로 합산될 수 있다. 실시예에서, 소프트맥스 함수, 또는 다른 유형의 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.In embodiments, a machine learning model may output a probabilistic classification. For example, a machine learning model can predict a probability distribution over a set of classes, given sample input. Therefore, rather than outputting only the most likely class to which the sample input should belong, the machine learning model can output, for each class, the probability that the sample input belongs to that class. In an embodiment, the probability distribution for all possible classes may sum to 1. In embodiments, a softmax function, or other type of function or hierarchy, may be used to convert a set of real values each associated with a possible class into a set of real values in the range (0, 1) that sums to 1. In embodiments, the probabilities provided by the probability distribution may be compared to one or more thresholds to render discrete category predictions. In embodiments, only a certain number of classes (e.g., one) with the relatively greatest prediction probability may be selected to render discrete category predictions.
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 스쿼싱(squash)하는 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.In embodiments, a machine learning model may perform regression to provide output data in the form of continuous numeric values. By way of example, a machine learning model may perform linear regression, polynomial regression, or non-linear regression. As described, in an embodiment, the softmax function or other function or layer squashes the set of real values each associated with two or more possible classes into a set of real values in the range (0, 1) that sums to 1 ( It can be used to squash). For example, a machine learning model may perform linear regression, polynomial regression, or nonlinear regression. As an example, a machine learning model may perform simple regression or multiple regression. As described above, in some implementations, the softmax function or other functions or hierarchies convert a set of real values, each associated with two or more possible classes, into a set of real values in the range (0, 1) whose sum is 1. Can be used for quashing.
실시예에서, 기계 학습 모델은 다양한 유형의 클러스터링(clustering)을 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.In embodiments, machine learning models may perform various types of clustering. For example, a machine learning model may identify one or more previously defined clusters to which the input data is most likely to correspond. In some implementations where the machine learning model performs clustering, the machine learning model may be trained using unsupervised learning techniques.
실시예에서, 기계 학습 모델은 이상 검출(anomaly detection) 또는 이상치 검출(outlier detection)을 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(fraud detection) 또는 시스템 고장 검출에 사용될 수 있다.In embodiments, the machine learning model may perform anomaly detection or outlier detection. For example, a machine learning model may identify input data that does not conform to expected patterns or other characteristics (e.g., as previously observed from previous input data). For example, anomaly detection may be used for fraud detection or system failure detection.
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.In some implementations, a machine learning model may provide output data in the form of one or more recommendations. For example, machine learning models may be included in a recommendation system or engine. For example, given input data that describes previous outcomes (e.g., scores, rankings, or grades representing amounts of success or enjoyment) for a particular entity, a machine learning model can, based on the prior outcomes, produce the desired outcome. It may output suggestions or recommendations of one or more additional entities that are expected to have .
위에서 설명된 바와 같이, 기계 학습 모델은 다양한 상이한 유형의 기계 학습 모델 중 하나 이상일 수 있거나 이를 포함할 수 있다. 이러한 상이한 유형의 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.As described above, a machine learning model may be or include one or more of a variety of different types of machine learning models. Examples of these different types of machine learning models are provided below for illustration. One or more of the example models described below may be used (e.g., combined) to provide output data in response to input data. Additional models other than the example models provided below may also be used.
일부 구현예에서, 기계 학습 모델은, 하나 이상의 분류기 모델, 예컨대, 예를 들어, 선형 분류 모델; 2차 분류 모델; 등일 수 있거나 이를 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(estimated scatterplot smoothing models); 등일 수 있거나 이를 포함할 수 있다.In some implementations, the machine learning model includes one or more classifier models, such as, for example, a linear classification model; secondary classification model; It may be or may include this. A machine learning model may include one or more regression models, such as, for example, a simple linear regression model; multiple linear regression model; Logistic regression model; stepwise regression model; Multivariate adaptive regression spline; local estimated scatterplot smoothing models; It may be or may include this.
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(decision stumps); 조건부 결정 트리; 등일 수 있거나 이를 포함할 수 있다.In some examples, the machine learning model is one or more decision tree-based models, such as, for example, classification and/or regression trees; Chi-square automatic interaction detection decision tree; decision stumps; conditional decision tree; It may be or may include this.
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; 자가-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, 하나 이상의 베이지안 모델 예컨대, 예를 들어, 나이브 베이즈 모델(); 가우시안 나이브 베이즈 모델; 다항 나이브 베이즈 모델; 평균화된 1-종속성 추정기; 베이지안 네트워크; 베이지안 신뢰 네트워크; 은닉 마르코프 모델; 등일 수 있거나 이를 포함할 수 있다.A machine learning model may be or include one or more kernel machines. In some implementations, a machine learning model may be or include one or more support vector machines. The machine learning model may include one or more instance-based learning models, such as, for example, a learning vector quantization model; Self-organizing map model; Locally weighted learning model; It may be or may include this. In some implementations, the machine learning model includes one or more nearest neighbor models, such as, for example, a k-nearest neighbor classification model; k-nearest neighbor regression model; It may be or may include this. The machine learning model may be a Bayesian model, such as one or more Bayesian models, such as, for example, a naive Bayes model ( ); Gaussian Naive Bayes Model; multinomial naive Bayes model; averaged 1-dependency estimator; Bayesian network; Bayesian trust network; Hidden Markov Model; It may be or may include this.
기계 학습 모델은, 하나 이상의 클러스터링 모델, 예컨대, 예를 들어, k-평균 클러스터링 모델; k-중앙값(median) 클러스터링 모델; 기대치 최대화 모델; 계층적 클러스터링 모델; 등을 포함할 수 있다.The machine learning model may include one or more clustering models, such as, for example, a k-means clustering model; k-median clustering model; expectation maximization model; hierarchical clustering model; It may include etc.
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(Sammon mapping); 다차원 스케일링; 투영 추적(projection pursuit); 선형 판별 분석; 혼합 판별 분석; 2차 판별 분석; 일반화된 판별 분석; 유연한 판별 분석; 오토인코딩(autoencoding); 등을 수행할 수 있다.In some implementations, the machine learning model can be modified using one or more dimensionality reduction techniques, such as, for example, principal component analysis; Kernel principal component analysis; Graph-based kernel principal component analysis; principal component regression; Partial least squares regression; Sammon mapping; multidimensional scaling; projection pursuit; linear discriminant analysis; mixed discriminant analysis; second-order discriminant analysis; generalized discriminant analysis; flexible discriminant analysis; autoencoding; etc. can be performed.
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.In some implementations, a machine learning model can be implemented using one or more reinforcement learning techniques, such as a Markov decision process; dynamic programming; Q function or Q-learning; value function approach; deep Q-network; differentiable neural computer; A3C(asynchronous advantage actor-critics); deterministic policy gradient; etc. can be performed or these can be applied.
실시예에서, 인공 지능 모듈(13404)은 신경망 모듈(13414)에 대한 액세스를 포함 및/또는 제공할 수 있다. 실시예에서, 신경망 모듈(13414)은 지능 서비스 클라이언트(13324)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(13414)은 기계 학습 모듈(13412)의 일부일 수 있다는 점에 유의한다. 실시예에서, 신경망 모듈(13414)은 스마트 컨테이너 관리 시스템(13000) 및 다른 지능 서비스 클라이언트에 의해 사용될 수 있는 신경망을 훈련시키도록 구성될 수 있다. 상이한 유형의 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 유형 중 임의의 것을 포함할 수 있으며, 여기서 주어진 유형의 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(13414)은 기계 비전 모듈(13422), NLP 모듈(13424), 규칙 기반 모듈(13428), 디지털 트윈 모듈(13420) 등과 같은 다른 인공 지능 모듈(13404)에 의해 활용될 수 있다. 신경망 모듈(13414)의 예시적인 애플리케이션이 본 개시 전반에 걸쳐 설명된다.In embodiments,
신경망은 뉴런(neuron) 또는 퍼셉트론(perceptron)이라고도 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.Neural networks contain groups of connected nodes, which may also be referred to as neurons or perceptrons. Neural networks can be organized into one or more layers. A neural network containing multiple layers may be referred to as a “deep” network. A deep network may include an input layer, an output layer, and one or more hidden layers located between the input layer and the output layer. Nodes in a neural network can be connected or completely disconnected.
실시예에서, 신경망은 하나 이상의 피드포워드 신경망(feed forward neural networks)일 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. In embodiments, the neural network may be or include one or more feed forward neural networks. In a feedforward network, the connections between nodes do not form cycles. For example, each connection may connect a node from a previous layer to a node from a later layer.
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.In embodiments, the neural network may be or include one or more recurrent neural networks. In some cases, at least some of the nodes of a recurrent neural network may form a cycle. Recurrent neural networks can be particularly useful for processing input data that is sequential in nature. In particular, in some cases, a recurrent neural network may transfer or retain information from a previous portion of an input data sequence to a subsequent portion of the input data sequence through the use of recursive or directed recurrent node connections.
일부 예에서, 순차적 입력 데이터는 시계열 데이터(예를 들어, 센서 데이터 대 상이한 시간에서 캡처된 시간 또는 이미지)를 포함할 수 있다. 예를 들어, 순환 신경망(recurrent neural network)은 스와이프 방향(swipe direction)을 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 음표(notes); (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(gated recurrent units); 양방향 순환 신경망; 연속 시간 순환 신경망; 신경 이력 압축기; 에코 상태 네트워크; 엘만 네트워크(Elman networks); 요르단 네트워크(Jordan networks); 재귀적 신경망; 홉필드 네트워크(Hopfield networks); 완전 순환 네트워크(fully recurrent network); 시퀀스-투-시퀀스 구성(sequence-to-sequence configurations); 등을 포함한다.In some examples, sequential input data may include time series data (e.g., time or images captured at different times subject to sensor data). For example, a recurrent neural network can analyze sensor data versus time to detect or predict swipe direction, perform handwriting recognition, etc. Sequential input data includes words within sentences (e.g., for natural language processing, conversation detection or processing, etc.); notes in musical composition; sequential actions taken by the user (e.g., to detect or predict sequential application usage); sequential object states; It may include etc. In some example embodiments, the recurrent neural network may be a long short-term (LSTM) recurrent neural network; gated recurrent units; Bidirectional recurrent neural network; Continuous-time recurrent neural network; neural history compressor; echo state network; Elman networks; Jordan networks; recursive neural network; Hopfield networks; fully recurrent network; sequence-to-sequence configurations; Includes etc.
일부 예에서, 신경망은 트랜스포머 신경망(Transformer network)과 같은 자가-어텐션(self-attention)에 기초한 하나 이상의 비순환 시퀀스-투-시퀀스 모델일 수 있거나 이를 포함할 수 있다. 예시적인 트랜스포머 신경망의 세부사항은 http://papers.nips.cc/paper/7181-attention-is-all-you-need.pdf에서 찾을 수 있다.In some examples, the neural network may be or include one or more acyclic sequence-to-sequence models based on self-attention, such as a Transformer network. Details of an example transformer neural network can be found at http://papers.nips.cc/paper/7181-attention-is-all-you-need.pdf.
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 비전 문제(vision problem)에 특히 유용할 수 있다. 그러나, 컨볼루션 신경망은 또한 자연어 처리를 위해 적용될 수 있다.In embodiments, the neural network may be or include one or more convolutional neural networks. In some cases, a convolutional neural network may include one or more convolutional layers that perform convolutions on input data using learned filters. A filter may also be referred to as a kernel. Convolutional neural networks can be particularly useful for vision problems, such as when the input data includes images such as still images or video. However, convolutional neural networks can also be applied for natural language processing.
실시예에서, 신경망은, 예를 들어, 적대적 생성 신경망(generative adversarial networks)과 같은 하나 이상의 생성적 네트워크일 수 있거나 이를 포함할 수 있다. 생성 네트워크는 새로운 이미지 또는 다른 콘텐츠와 같은 새로운 데이터를 생성하기 위해 사용될 수 있다.In embodiments, the neural network may be or include one or more generative networks, such as, for example, generative adversarial networks. Generative networks can be used to generate new data, such as new images or other content.
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.In an embodiment, the neural network may be or include autoencoders. In some cases, the goal of an autoencoder is to learn a representation (e.g., low-dimensional encoding) for a set of data, typically for the purpose of dimensionality reduction. For example, in some cases, an autoencoder may attempt to encode input data and then provide output data that reconstructs the input data from the encoding. Recently, the autoencoder concept has become more widely used to learn generative models of data. In some cases, autoencoders may involve additional losses beyond reconstructing the input data.
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.In embodiments, the neural network may be one or more other types of artificial neural networks, such as, for example, a deep Boltzmann machine; deep trust network; Stacked autoencoder; It may be or may include this. Any of the neural networks described in this application can be combined (e.g., stacked) to form more complex networks.
일 실시예에서, 신경망은 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 영향을 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 신경망에 제공할 수 있는 복수의 입력 노드를 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 노드는 정보를 다음 계층에 전달할 수 있고, 입력 노드에 의해 계산이 수행되지 않을 수 있다. 은닉 계층은 복수의 노드를 포함할 수 있다. 은닉 계층 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 노드를 포함할 수 있다.In one embodiment, a neural network may include an input layer, a hidden layer, and an output layer, each layer including a plurality of nodes or neurons that respond to a different combination of inputs from the previous layer. Connections between neurons have numerical weights that determine how much relative influence the input has on the output value of that node. The input layer may include a plurality of input nodes that can provide information or input data (eg, sensor data, image data, text data, audio data, etc.) from the external world to the neural network. The input data may be from different sources and may include library data (x1), simulation data (x2), user input data (x3), training data (x4) and results data (x5). An input node may pass information to the next layer, and no computation may be performed by the input node. The hidden layer may include multiple nodes. Nodes in the hidden layer can process information from the input layer and pass the information to the output layer based on the weights of the connections between the input layer and the hidden layer. The output layer processes information based on the weights of the connections between the hidden layer and the output layer, computes and transmits the information from the network to the outside world, such as recognizing specific objects or activities, or predicting conditions or actions. It may contain output nodes that are responsible for doing this.
실시예에서, 신경망은 2개 이상의 은닉 계층을 포함할 수 있고 심층 신경망이라고 지칭될 수 있다. 계층은 제1 계층이 입력(예를 들어, 이미지) 데이터에서 프리미티브 패턴(primitive pattern)의 세트를 검출하고, 제2 계층이 패턴들의 패턴들을 검출하고, 제3 계층이 해당 패턴들의 패턴들을 검출하도록 구성된다. 일부 실시예에서, 신경망(8840) 내의 노드는 바로 이전 계층 및 바로 다음 계층 내의 모든 노드에 대한 연결을 가질 수 있다. 따라서, 계층은 완전 연결 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, 계층은 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 바이어스 행렬이 추가된다. 또한, 활성화 함수가 각각의 결과 값에 적용되고, 결과 값은 다음 계층에 대한 행렬에 놓인다. 따라서, 신경망 내의 노드 i로부터의 출력은 다음과 같이 표현될 수 있다:In embodiments, a neural network may include two or more hidden layers and may be referred to as a deep neural network. The layers are arranged such that the first layer detects a set of primitive patterns in the input (e.g., image) data, the second layer detects patterns of patterns, and the third layer detects patterns of corresponding patterns. It is composed. In some embodiments, a node within
yi= f (Σxiwi+ bi)yi=f (Σxiwi+bi)
여기서, f는 활성화 함수이고, Σxiwi는 입력 행렬의 가중 합이고, bi는 바이어스 행렬(bias matrix)이다.Here, f is the activation function, Σxiwi is the weighted sum of the input matrices, and bi is the bias matrix.
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(sigmoid function) σ(x)이다. 시그모이드 함수 σ(x)는 실수값 입력을 취하고, 그것을 0과 1 사이의 값으로 변환한다:The activation function determines the level of activity or excitation generated in a node as a result of an input signal of a certain magnitude. The purpose of an activation function is to introduce non-linearity into the output of a neural network node, since most real-world functions are non-linear and it is desirable for neurons to be able to learn such non-linear representations. Several activation functions can be used in artificial neural networks. One exemplary activation function is the sigmoid function σ(x), which is a continuous sigmoid monotonically increasing function that asymptotically approaches a fixed value as the input approaches plus or minus infinity. The sigmoid function σ(x) takes a real-valued input and converts it to a value between 0 and 1:
σ(x)=1/(1+exp(-x)).σ(x)=1/(1+exp(-x)).
다른 예시적인 활성화 함수는 tanh 함수이며, 이는 실수 값 입력을 취하고 그것을 [-1, 1]의 범위 내의 값으로 변환한다:Another example activation function is the tanh function, which takes a real-valued input and converts it to a value in the range [-1, 1]:
tanh(x)=2σ(2x)- 1tanh(x)=2σ(2x)- 1
제3 예시적인 활성화 함수는 ReLU(rectified linear unit) 함수이다. ReLU 함수는 실수 값 입력을 취하고 그것을 0 초과로 임계화한다(즉, 음의 값을 0으로 대체한다):A third example activation function is a rectified linear unit (ReLU) function. The ReLU function takes a real-valued input and thresholds it above 0 (i.e. replaces negative values with 0):
f(x)=max(0, x).f(x)=max(0, x).
활성화 함수는 예로서 제공되고, 다양한 실시예에서, 신경망(8840)은 아이덴티티, 이진 스텝, 로지스틱, 소프트 스텝, tanh, 아크탄젠트(arctan), 소프트사인(softsign), 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(adaptive piecewise linear), 소프트플러스, 벤딩된 아이덴티티, 소프트엑스포넨셜(softexponential), 정현파, sinc, 가우시안, 소프트맥스, 맥스아웃, 및/또는 활성화 함수의 조합을 포함하는(그러나 이에 제한되지 않음) 다양한 활성화 함수를 이용할 수 있다는 것이 명백할 것이다.Activation functions are provided as examples, and in various embodiments, the
실시예들에서, 입력 계층은 입력 데이터 세트에 따라 수치 값들일 수 있는 외부 입력 x1, x2, x3, x4 및 x5을 취할 수 있다. 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 출력은 각각 x1, x2, x3, x4 및 x5이며, 이들은 은닉 계층에 공급된다. 은닉 계층에서의 노드의 출력은 입력 계층(x1, x2, x3, x4 및 x5)으로부터의 출력 및 입력 계층과 은닉 계층 사이의 연결(w1, w2, w3, w4 및 w5)과 연관된 가중치에 의존할 수 있다. In embodiments, the input layer may take external inputs x1, x2, x3, x4, and x5, which may be numeric values depending on the input data set. It will be appreciated that a node can contain dozens, hundreds, thousands, or more inputs. As discussed above, no computation is performed on the input layer, so the outputs are x1, x2, x3, x4 and x5 respectively, which are fed to the hidden layer. The output of a node in the hidden layer may depend on the output from the input layer (x1, x2, x3, x4, and x5) and the weights associated with the connections between the input layer and the hidden layer (w1, w2, w3, w4, and w5). You can.
은닉 계층에서의 노드로부터의 출력은 또한 유사한 방식으로 계산된 다음 출력 계층에서의 노드에 공급될 수 있다. 출력 계층에서의 노드는 은닉 계층에서의 노드들과 유사한 계산(연결과 연관된 가중치 v1, v2 및 v3을 사용함)을 수행할 수 있다.The output from the node in the hidden layer can also be computed in a similar way and then fed to the node in the output layer. Nodes in the output layer can perform similar calculations (using weights v1, v2, and v3 associated with the connection) as nodes in the hidden layer.
언급된 바와 같이, 신경망 내의 노드 사이의 연결은 연관된 가중치를 가지며, 이는 입력 값이 문제의 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 데이터 세트에서의 모든 입력에 대해, 인공 신경망의 출력이 관찰되고 기대 출력과 비교될 수 있고, 기대 출력과 관찰된 출력 사이의 에러는 이전 계층으로 거꾸로 전파될 수 있다. 가중치는 에러에 기초하여 그에 따라 조정될 수 있다. 이 프로세스는 출력 에러가 미리 결정된 임계값 미만일 때까지 반복된다.As mentioned, connections between nodes within a neural network have weights associated with them, which determine how much relative influence the input value has on the output value of the node in question. Before the network is trained, random values are chosen for each weight. Weights are adjusted during the training process, and this adjustment of weights to determine the best set of weights that maximizes the accuracy of the neural network is referred to as training. For every input in the training data set, the output of the artificial neural network can be observed and compared to the expected output, and the error between the expected and observed outputs can be propagated backwards to the previous layer. The weights can be adjusted accordingly based on the error. This process is repeated until the output error is below a predetermined threshold.
실시예에서, 역전파(backpropagation)(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 기법일 수 있다. 예를 들어, 훈련 입력 데이터를 사용하여 결정된 순방향 전파의 결과(예를 들어, 출력 활성화 값(들))는 대응하는 알려진 기준 출력 데이터와 비교되어 손실 함수 구배를 계산한다. 그런 다음, 구배는 손실 함수를 최소화하려는 시도로 새로운 업데이트된 가중치를 결정하기 위해 최적화 방법에서 이용될 수 있다. 예를 들어, 에러를 측정하기 위해, 평균 제곱 에러는 하기 방정식을 사용하여 결정된다:In embodiments, backpropagation (e.g., backward propagation of errors) is used in conjunction with optimization methods such as gradient descent to adjust weights and update neural network properties. Backpropagation can be a supervised training technique that learns from labeled training data and errors at nodes by changing the parameters of the neural network to reduce errors. For example, the results of forward propagation (e.g., output activation value(s)) determined using training input data are compared to corresponding known reference output data to calculate the loss function gradient. The gradient can then be used in an optimization method to determine new updated weights in an attempt to minimize the loss function. For example, to measure error, the mean square error is determined using the equation:
E=(타겟-출력)2 E=(target-output) 2
가중치 "w"에 대한 구배를 결정하기 위해, 가중치에 대한 에러의 편미분이 결정될 수 있으며, 여기서:To determine the gradient for weight “w”, the partial derivative of the error with respect to the weight can be determined, where:
구배=∂E/∂wGradient=∂E/∂w
가중치에 대한 에러의 편미분의 계산은 신경망의 노드 레벨을 통해 역방향으로 흐를 수 있다. 그런 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:Computation of the partial derivative of the error with respect to the weights can flow backwards through the node levels of the neural network. Then, a portion of the gradient (e.g., ratio, percentage, etc.) is subtracted from the weight to determine the updated weight. That part can be designated as the learning rate "a". Accordingly, an exemplary equation for determining the updated weights is given by the formula:
w new =w old -α∂E/∂ww 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.Choose the learning rate so that it is not too small (e.g., a rate that is too small may lead to slow convergence to the desired weights) and not too large (e.g., a rate that is too large may cause the weights to not converge to the desired weights). It has to be.
가중치 조정 후에, 네트워크는 동일한 입력에 대해 이전보다 더 양호하게 기능하여야 하는데, 그 이유는 이제 가중치가 에러를 최소화하도록 조정되었기 때문이다.After adjusting the weights, the network should perform better than before for the same input because the weights have now been adjusted to minimize errors.
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 흔히 사용되지만, 이들은 또한 대화 및 언어 처리와 같은 다른 유형의 패턴 인식에 사용될 수 있다.As mentioned, neural networks may include convolutional neural networks (CNNs). CNN is a specialized neural network for processing data with a known grid-like topology, such as image data. Therefore, CNNs are commonly used in classification, object recognition, and computer vision applications, but they can also be used for other types of pattern recognition, such as conversation and language processing.
컨볼루션 신경망은 많은 상이한 계층에 배열된 인공 뉴런의 계층을 계층 종속성을 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 연결 계층이 뒤따른다.Convolutional neural networks learn highly nonlinear mappings by interconnecting layers of artificial neurons arranged in many different layers with activation functions that form layer dependencies. It includes one or more convolutional layers interspersed with one or more subsampling layers and non-linear layers, which are typically followed by one or more fully connected layers.
실시예들에서, CNN은 CNN에 의해 분류될 입력 이미지를 갖는 입력 계층, 하나 이상의 활성화 또는 비선형 계층(예를 들어, ReLU), 풀링 또는 서브샘플링 계층이 산재되어 있는 하나 이상의 컨볼루션 계층을 차례로 포함하는 은닉 계층, 및 전형적으로 하나 이상의 완전 연결 계층을 포함하는 출력 계층을 포함한다. 입력 이미지는 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 CNN을 사용하는 단일 이미지 채널의 처리를 설명한다. 다수의 채널이 유사한 방식으로 처리될 수 있다는 것을 이해할 것이다.In embodiments, a CNN includes, in that order, an input layer with an input image to be classified by the CNN, one or more activation or non-linear layers (e.g., ReLU), and one or more convolutional layers interspersed with pooling or subsampling layers. a hidden layer, and an output layer that typically includes one or more fully connected layers. The input image can be represented by a matrix of pixels and can have multiple channels. For example, a color image may have red, green, and blue channels, respectively representing the red, green, and blue (RGB) components of the input image. Each channel can be represented by a 2-D matrix of pixels with pixel values ranging from 0 to 255. Meanwhile, a gray scale image can have only one channel. The next section describes the processing of a single image channel using CNN. It will be appreciated that multiple channels may be handled in a similar manner.
도시된 바와 같이, 입력 이미지는, 각각이 풀링 계층이 뒤따르는, 컨볼루션 및 활성화 계층의 세트를 포함하는 은닉 계층에 의해 처리될 수 있다.As shown, the input image can be processed by a hidden layer comprising a set of convolutional and activation layers, each followed by a pooling layer.
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 특징 맵(feature map)을 구성하는 출력 행렬의 단일 요소를 나타내는 최종 값을 얻을 수 있다. 특징 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 구현예에서, 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.The convolutional layer of a convolutional neural network serves as a feature extractor that can learn the input image and decompose it into hierarchical features. A convolution layer can perform a convolution operation on an input image, where a filter (also called a kernel or feature detector) can slide over the input image with a specific step size (also called a stride). For every position (or step), an element-wise multiplication between the filter matrix and the nested matrix within the input image is computed and summed to obtain a final value that represents a single element of the output matrix, forming the feature map. . A feature map refers to image data representing various features of input image data, and may have smaller dimensions compared to the input image. The activation or non-linear layers use different non-linear trigger functions for signaling distinct identifications of likely features on each hidden layer. The nonlinear layer uses a variety of specific functions to implement nonlinear triggering, including rectified linear units (ReLU), hyperbolic tangent, and absolute and sigmoid functions of hyperbolic tangent. In one implementation, ReLU activation implements the function y=max(x, 0) and keeps the input and output sizes of the layer the same. The advantage of using ReLU is that convolutional neural networks are trained many times faster. ReLU is a discontinuous, non-saturating activation function that is linear with respect to the input if the input value is greater than 0 and is 0 otherwise.
일 예에서, 제1 컨볼루션 및 활성화 계층은 다수의 출력 행렬(또는 특징 맵)을 생성하기 위해 비선형성 연산(예를 들어, ReLU)이 뒤따르는 다수의 필터를 사용하여 입력 이미지에 대해 컨볼루션을 수행할 수 있다. 사용되는 필터의 수는 컨볼루션 계층의 깊이라고 지칭될 수 있다. 따라서, 제1 컨볼루션 및 활성화 계층은 3의 깊이를 갖고, 3개의 필터를 사용하여 3개의 특징 맵을 생성한다. 그런 다음, 특징 맵은 출력 행렬을 생성하기 위해 풀링 함수를 사용하여 특징 맵을 서브샘플링 또는 다운샘플링할 수 있는 제1 풀링 계층에 전달될 수 있다. 풀링 함수는 추출된 특징 맵의 공간 차원을 감소시키기 위해 특징 맵을 요약 통계(summary statistic)로 대체하고, 그에 의해 네트워크에서의 파라미터 및 계산의 수를 감소시킨다. 따라서, 풀링 계층은 가장 중요한 정보를 유지하면서 특징 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(norm) 풀링을 포함하는 상이한 풀링 함수가 풀링 계층에서 사용될 수 있다.In one example, the first convolution and activation layer convolves the input image using a number of filters followed by a non-linearity operation (e.g., ReLU) to generate a number of output matrices (or feature maps). can be performed. The number of filters used may be referred to as the depth of the convolutional layer. Therefore, the first convolution and activation layer has a depth of 3 and uses 3 filters to generate 3 feature maps. The feature map may then be passed to a first pooling layer that may subsample or downsample the feature map using a pooling function to generate an output matrix. The pooling function replaces the feature maps with summary statistics to reduce the spatial dimension of the extracted feature maps, thereby reducing the number of parameters and computations in the network. Therefore, the pooling layer reduces the dimensionality of the feature map while retaining the most important information. Pooling functions can also be used to introduce translation invariance into a neural network, such that small transformations on the input do not change the pooled output. Different pooling functions can be used in the pooling layer, including max pooling, average pooling, and 12-norm pooling.
그런 다음, 출력 행렬은 제2 컨볼루션 및 활성화 계층에 의해 처리되어 위에서 설명된 바와 같이 컨볼루션 및 비선형 활성화 연산(예를 들어, ReLU)을 수행하여 특징 맵을 생성할 수 있다. 실시예들에서, 제2 컨볼루션 및 활성화 계층은 5의 깊이를 가질 수 있다. 그런 다음, 특징 맵은 풀링 계층에 전달될 수 있고, 여기서 특징 맵은 출력 행렬을 생성하기 위해 서브샘플링 또는 다운샘플링될 수 있다.The output matrix may then be processed by a second convolution and activation layer to perform convolution and non-linear activation operations (e.g., ReLU) as described above to generate a feature map. In embodiments, the second convolution and activation layer may have a depth of 5. The feature maps can then be passed to a pooling layer, where the feature maps can be subsampled or downsampled to produce an output matrix.
풀링 계층에 의해 생성된 출력 행렬은 그런 다음 CNN의 출력 계층의 일부를 형성하는 하나 이상의 완전 연결 계층에 의해 처리된다. 완전 연결 계층은 풀링 계층의 출력 행렬의 모든 특징 맵과의 완전 연결을 갖는다. 실시예에서, 완전 연결 계층은 풀링 계층에 의해 생성된 출력 행렬을 벡터 형태의 입력으로서 취하고, 입력 이미지 내의 구조의 정보를 포함하는 특징 벡터를 출력하기 위해 하이-레벨 결정을 수행할 수 있다. 실시예에서, 완전 연결 계층은 소프트맥스 함수를 사용하여 입력 이미지 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.The output matrix generated by the pooling layer is then processed by one or more fully connected layers that form part of the output layer of the CNN. A fully connected layer has full connectivity with all feature maps in the output matrix of the pooling layer. In an embodiment, a fully connected layer may take the output matrix generated by the pooling layer as input in the form of a vector and perform high-level decisions to output a feature vector containing information of the structure within the input image. In an embodiment, a fully connected layer may use a softmax function to classify objects in an input image into one of several categories. The softmax function can be used as an activation function in the output layer, taking a vector of real-valued scores and mapping it to a vector of values between 0 and 1, which sum to 1. In embodiments, other classifiers may be used, such as a support vector machine (SVM) classifier.
실시예에서, 컨볼루션 필터의 출력을 정규화하기 위해 하나 이상의 정규화 계층이 CNN에 추가될 수 있다. 정규화 계층은 화이트닝(whitening) 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.In embodiments, one or more normalization layers may be added to the CNN to normalize the output of the convolutional filter. A regularization layer can provide whitening or lateral suppression, avoid vanishing or exploding gradients, stabilize training, and enable learning at higher rates and faster convergence. In an embodiment, a normalization layer is added after the convolution layer, but before the activation layer.
따라서, CNN은 입력 이미지에서 내재(implicit) 특징 및 패턴을 학습, 향상 및 추출하기 위해 함께 적층된 컨볼루션, 활성화, 풀링, 정규화 및 완전 연결 계층의 다수의 세트로서 보여질 수 있다. 본 출원에 사용되는 바와 같은 계층은 CNN 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.Therefore, a CNN can be viewed as a multiple set of convolutional, activation, pooling, regularization and fully connected layers stacked together to learn, enhance and extract implicit features and patterns in input images. As used in this application, a layer operates with similar functionality by mathematical or other functional means to process the received input to generate/derive an output for the next layer to one or more other components for further processing within the CNN. Can refer to one or more components.
CNN의 초기 계층(예를 들어, 컨볼루션 계층)은 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 이미지에서의 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.An initial layer (e.g., a convolutional layer) of the CNN may extract low-level features, such as edges and/or gradients, from the input image 8862. Subsequent layers can extract or detect progressively more complex features and patterns, such as the presence of curvature and texture in the image data, etc. The output of each layer can serve as the input to subsequent layers in a CNN to learn hierarchical feature representations from data in the input image. This allows convolutional neural networks to efficiently learn increasingly complex and abstract visual concepts.
단지 2개의 컨볼루션 계층만이 예에 도시되어 있지만, 본 개시는 예시적인 아키텍처로 제한되지 않고, CNN 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 신경망(Residual network) 또는 ResNet(잔차 매핑을 학습하기 위해 잔차 블록 및 스킵 연결을 사용함), DenseNet(피드-포워드 방식(feed-forward fashion)으로 CNN의 각각의 계층을 모든 다른 계층에 연결함), 스퀴즈 및 여기 신경망(Squeeze and excitation network)(전역 컨텍스트를 특징에 포함함), 및 AmobeaNet(이미지 인식을 위한 최적의 아키텍처를 검색하고 찾기 위해 진화 알고리즘을 사용함)를 포함한다.Although only two convolutional layers are shown in the example, the present disclosure is not limited to the example architecture, and the CNN architecture may include any number of layers in total, and any number of layers for convolution, activation, and pooling. It can be included. For example, there have been many variations and improvements over the basic CNN model described above. Some examples are Alexnet, GoogLeNet, VGGNet (stacks many layers including a narrow convolutional layer followed by a max-pooling layer), residual network, or ResNet (which uses residual blocks and skip connections to learn residual mappings). used), DenseNet (connects each layer of the CNN to every other layer in a feed-forward fashion), Squeeze and excitation network (includes global context in features), and AmobeaNet (which uses evolutionary algorithms to search and find the optimal architecture for image recognition).
CNN과 같은 컨볼루션 신경망의 훈련 프로세스는 신경망과 관련하여 도 148에서 논의된 훈련 프로세스와 유사할 수 있다.The training process of a convolutional neural network, such as a CNN, may be similar to the training process discussed in Figure 148 with respect to neural networks.
실시예에서, 모든 파라미터 및 가중치(필터에서의 가중치 및 완전 연결 계층에 대한 가중치를 포함함)가 초기에 할당된다(예를 들어, 무작위로 할당된다). 그런 다음, 훈련 동안, 객체가 검출되고 분류된 훈련 이미지 또는 이미지가 CNN에 대한 입력으로서 제공되고, 이는 순방향 전파 단계를 수행한다. 즉, CNN은 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.In an embodiment, all parameters and weights (including weights in filters and weights for fully connected layers) are initially assigned (e.g., randomly assigned). Then, during training, the training image or images in which objects are detected and classified are provided as input to the CNN, which performs a forward propagation step. That is, the CNN applies convolution, nonlinear activation, and pooling layers to each training image to determine a classification vector (i.e., detects and classifies each training image). These classification vectors are compared to predetermined classification vectors. The error (e.g., sum of squares of differences, log loss, softmax log loss) between the CNN's classification vector and a predetermined classification vector is determined. These errors are then used to update the CNN's weights and parameters in a backpropagation process, which may use gradient descent and may include one or more iterations. The training process is repeated for each training image in the training set.
위에서 설명된 훈련 프로세스 및 추론 프로세스는 하드웨어, 소프트웨어, 또는 하드웨어와 소프트웨어의 조합에 대해 수행될 수 있다. 그러나, CNN과 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.The training process and inference process described above may be performed on hardware, software, or a combination of hardware and software. However, training a convolutional neural network, such as a CNN, or using a trained CNN for inference typically requires a significant amount of computational power, for example, to perform matrix multiplication or convolution. Therefore, specialized hardware circuits such as graphics processing units (GPUs), tensor processing units (TPUs), neural network processing units (NPUs), FPGAs, ASICs, or other highly parallel processing circuits may be used for training and/or inference. there is. Training and inference can be performed in the cloud, in a data center, or on the device.
실시예에서, 객체 검출 모델은 객체를 분류할 뿐만 아니라 또한 경계 박스(bounding box)의 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 일원화한 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 단 대 단(end-to-end) 훈련가능 프레임워크에 통합한다. 마스크 R-CNN은 인스턴스 세그먼트화를 추가하는 반면, 메시 R-CNN은 2D 이미지로부터 3D 메시를 생성하는 능력을 추가한다.In embodiments, an object detection model extends the functionality of a CNN-based image classification neural network model by not only classifying an object but also determining its location in the image in terms of its bounding box. Region-based CNN (R-CNN) method is used to extract regions of interest (ROI), where each ROI is a rectangle that can represent the boundaries of objects within the image. Conceptually, R-CNN operates in two steps. In the first step, the region proposal method generates all potential bounding box candidates in the image. In the second stage, for all proposals, a CNN classifier is applied to distinguish objects. Alternatively, a fast R-CNN architecture can be used that integrates feature extractors and classifiers into a unified network. Other faster R-CNNs can be used, which integrate Region Proposal Network (RPN) and fast R-CNN into an end-to-end trainable framework. Mask R-CNN adds instance segmentation, while Mesh R-CNN adds the ability to generate 3D meshes from 2D images.
실시예에서, 인공 지능 모듈(13404)은 로봇 프로세스 자동화(RPA) 모듈(13416)에 대한 액세스를 제공하고/하거나 이를 통합할 수 있다. RPA 모듈(13416)은, 특히, 작업흐름을 생성하고 검증하는 컴퓨터 자동화를 용이하게 할 수 있다. 실시예에서, RPA 모듈(13416)은 개개의 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 관찰(observation)을 포함할 수 있다. 관찰은, 많은 다른 예 중에서도 특히 인간이 실제 태스크를 수행할 때의 현장 관찰들 뿐만 아니라, 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(13416)은 학습된 패턴 및 프로세스에 기초하여 특정 태스크를 수행하도록 학습할 수 있어서, 태스크는 인간 의사 결정자 대신에 또는 그를 지원하여 RPA 모듈(13416)에 의해 수행될 수 있다. RPA 모듈(13416)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.In embodiments,
실시예에서, 인공 지능 모듈(13404)은 분석 모듈(13418)에 대한 액세스를 포함 및/또는 제공할 수 있다. 실시예에서, 분석 모듈(13418)은 밸류 체인 엔티티 또는 다른 데이터 소스로부터 출력된 데이터에 대해 다양한 분석 프로세스를 수행하도록 구성된다. 예시적인 실시예에서, 분석 모듈(13418)에 의해 생성된 분석 정보는 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(13418)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(demand) 지능의 조정을 수반하는 목표 및/또는 특정 메트릭을 추적하는 것을 포함할 수 있다.In embodiments,
실시예에서, 인공 지능 모듈(13404)은 디지털 트윈 모듈(13420)을 포함하고/하거나 이에 대한 액세스를 제공할 수 있다. 디지털 트윈 모듈(13420)은 본 출원에 설명된 광범위한 특징 및 능력 중 임의의 것을 포함할 수 있다. 실시예에서, 디지털 트윈 모듈(13420)은 무엇보다도 스마트 컨테이너 디지털 트윈(13504), 물리적 배송 환경(적하장(shipping yard), 컨테이너 항구 등)의 디지털 트윈, 운송 모드(컨테이너 선박, 트럭, 철도 등)의 디지털 트윈, 스마트 컨테이너 운영 단위의 디지털 트윈, 물류 디지털 트윈, 조직 디지털 트윈, 역할 기반 디지털 트윈 등과 같은 상이한 유형의 디지털 트윈에 대한 실행 환경을 제공하도록 구성될 수 있다. 실시예에서, 디지털 트윈 모듈(13420)은 본 개시 전반에 걸쳐 다른 곳에서 설명된 디지털 트윈 시스템 및/또는 모듈에 따라 구성될 수 있다. 예시적인 실시예에서, 디지털 트윈 모듈(13420)은 지능 서비스 클라이언트에 의해 요청되는 디지털 트윈을 생성하도록 구성될 수 있다. 또한, 디지털 트윈 모듈(13420)은 외부 데이터 소스로부터 정보를 수신하기 위한 API 등과 같은 인터페이스로 구성될 수 있다. 예를 들어, 디지털 트윈 모듈(13420)은 스마트 컨테이너, 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(13420)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(13420)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(points-of-sale), 사용 지점(points-of-use) 등과 같은 수요 엔티티의 특징, 상태 등을 나타내는 디지털 트윈 데이터를 포함할 수 있다. 디지털 트윈 모듈(13420)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 연동(link)되거나, 또는 다른 방식으로 상호작용할 수 있다.In embodiments,
실시예에서, 디지털 트윈 모듈(13420)은 디지털 트윈의 라이브러리에 대한 액세스를 제공하고 이를 관리할 수 있다. 인공 지능 모듈8은 특정 자극에 응답하여 주어진 환경에서의 액션의 시뮬레이션과 같은 기능을 수행하기 위해 라이브러리에 액세스할 수 있다.In embodiments,
실시예에서, 인공 지능 모듈(13404)은 기계 비전 모듈(13422)에 대한 액세스를 포함 및/또는 제공할 수 있다. 실시예에서, 기계 비전 모듈(13422)은 이미지 내의 객체를 검출하고 분류하기 위해 (예를 들어, 카메라, 액체 렌즈 시스템 등에 의해 캡처된) 이미지를 처리하도록 구성된다. 실시예에서, 기계 비전 모듈(13422)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(13422)은 이어서 블롭을 분류할 수 있다. 일부 실시예에서, 기계 비전 모듈(13422)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(13422)은 분류 전에 이미지 및/또는 이미지 내의 각각의 블롭에 대해 특징 추출을 수행할 수 있다. 일부 실시예에서, 기계 비전 모듈(13422)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(13422)은 기계 비전 모듈(13422)이 더 높은 신뢰도로 객체의 분류를 결정할 수 있는 경우 분류를 확인하거나 업데이트할 수 있다. 실시예에서, 기계 비전 모듈(13422)은 예컨대, 다른 객체에 의해 가려질 수 있는 객체와 같은 가려짐을 검출하도록 구성된다. 실시예에서, 기계 비전 모듈(13422)은, 레이더, 소나, (공지된 객체의 위치를 보여줄 수 있는) 환경의 디지털 트윈, 및/또는 유사한 것으로부터와 같이, 이미지 분류 태스크를 보조하기 위한 추가적인 입력을 수신한다. 일부 실시예에서, 기계 비전 모듈(13422)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.In embodiments,
실시예에서, 인공 지능 모듈(13404)은 자연어 처리(NLP) 모듈(13424)에 대한 액세스를 포함 및/또는 제공할 수 있다. 실시예에서, NLP 모듈(13424)은 지능 서비스 클라이언트(13436)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(13424)은 인간으로부터 수신되는 음성 커맨드를 인에이블 할 수 있다. 실시예에서, NLP 모듈(13424)은 (예를 들어, 마이크로폰으로부터) 오디오 스트림을 수신하고, 오디오 스트림에 대해 음성-텍스트 변환을 수행하여 오디오 스트림의 필사(transcription)를 획득할 수 있다. NLP 모듈(13424)은 다양한 NLP 기술(예를 들어, NLP 모델, 신경망 등)을 사용하여 텍스트의 의미를 결정하기 위해 텍스트(예를 들어, 오디오 스트림의 필사)를 처리할 수 있다. 실시예에서, NLP 모듈(13424)은 NLP의 결과에 기초하여 오디오 스트림에서 말한 액션 또는 커맨드를 결정할 수 있다. 실시예에서, NLP 모듈(13424)은 NLP의 결과를 지능 서비스 클라이언트(13324)에 출력할 수 있다.In embodiments,
실시예에서, NLP 모듈(13424)은 인간 사용자와 통신할 뿐만 아니라 하나 이상의 태스크를 수행하기 위해 인간 사용자에 의해 제공되는 하나 이상의 대화 음성 명령을 파싱하는 능력을 지능 서비스 클라이언트(13324)에 제공한다. NLP 모듈(13424)은 음성 명령을 인식하기 위한 대화 인식, 명령으로부터 의미를 파싱하고 도출하기 위한 자연어 이해, 및 사용자 명령의 처리 시에 사용자에 대한 음성 응답을 생성하기 위한 자연어 생성을 수행할 수 있다. 일부 실시예에서, NLP 모듈(13424)은 지능 서비스 클라이언트(13324)가 명령을 이해하고, 지능 서비스 클라이언트(13324)에 의한 태스크의 성공적인 완료 시에, 사용자에게 응답을 제공할 수 있게 한다. 실시예에서, NLP 모듈(13424)은 사용자 요청의 컨텍스트가 완전히 명확하지 않은 경우 사용자에게 질문을 조성하고 질문할 수 있다. 실시예에서, NLP 모듈(13424)은 처리된 대화 또는 텍스트 데이터와 연관된 컨텍스트 정보를 결정하기 위해 비전 센서, 위치-기반 데이터(예를 들어, GPS 데이터)를 포함하는 하나 이상의 센서로부터 수신된 입력을 이용할 수 있다.In an embodiment,
실시예에서, NLP 모듈(13424)은 NLP 태스크를 수행할 때, 순환 신경망, 장단기 메모리(LSTM), 게이트식 순환 유닛(GRU), 트랜스포머 신경망, 컨볼루션 신경망 등과 같은 신경망을 사용한다.In an embodiment, the
NLP 모듈(13424)을 구현하기 위한 예시적인 신경망에서, 신경망은 트랜스포머 신경망이다. 이 예에서, 트랜스포머 신경망은 입력 시퀀스를 출력 시퀀스로 변환하기 위해 3개의 입력 스테이지 및 5개의 출력 스테이지를 포함한다. 예시적인 트랜스포머는 인코더 및 디코더를 포함한다. 인코더는 입력을 처리하고, 디코더는, 예를 들어, 출력 확률을 생성한다. 인코더는 3개의 스테이지를 포함하고, 디코더는 5개의 스테이지를 포함한다. 인코더 스테이지 1은 입력을 임베디드 입력에 추가된 위치 인코딩의 시퀀스로서 표현한다. 인코더 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 스테이지 2의 각각의 어텐션 기반 서브계층은 인코더 스테이지 3의 위치별 FNN에 제공되도록 추가되고 정규화될 4개의 선형 투영 및 멀티-헤드 어텐션 로직을 포함한다. 인코더 스테이지 2 및 3은 출력에서 정규화 계층이 뒤따르는 잔차 연결을 이용한다.In an example neural network for implementing
예시적인 디코더는 위치 i에 대한 예측이 i 이전의/미만의 위치에 의존하는 것을 보장하는 것을 돕기 위해 그 입력으로서의 출력 임베딩을 처리하며, 출력 임베딩은 하나의 위치만큼 오른쪽으로 시프트(shift)된다. 디코더의 스테이지 2에서, 위치가 후속 위치에 어텐딩(attend)하는 것을 방지하기 위해 마스킹된 멀티-헤드 어텐션이 수정된다. 디코더의 스테이지 3-4는 N개의 계층(예를 들어, N=6 등)을 포함하고, 여기서 각각의 계층은 위치별 FNN 및 2개의 어텐션 기반 서브계층을 포함한다. 디코더 스테이지 3의 각각의 어텐션 기반 서브계층은 디코더 스테이지 4의 위치별 FNN에 제공되도록 추가되고 정규화될 4개의 선형 투영 및 멀티-헤드 어텐션 로직을 포함한다. 디코더 스테이지 2-4는 출력에서 정규화 계층이 뒤따르는 잔차 연결을 이용한다. 디코더 스테이지 5는 K개의 수의 결과적인 벡터를 K개의 입력 수의 지수에 비례하는 K개의 확률을 포함하는 확률 분포로 정규화하기 위해 소프트맥스 함수가 뒤따르는 선형 변환을 제공한다.An example decoder processes the output embedding as its input to help ensure that the prediction for position i depends on positions before/below i, with the output embedding shifted right by one position. In stage 2 of the decoder, the masked multi-head attention is modified to prevent positions from attending to subsequent positions. Stages 3-4 of the decoder include N layers (e.g., N=6, etc.), where each layer includes a location-specific FNN and two attention-based sublayers. Each attention-based sublayer in
실시예에서, 인공 지능 모듈(13404)은 또한, 지능 서비스 클라이언트(13324)에 통합되거나 이에 의해 액세스될 수 있는 규칙 기반 모듈(13428)에 대한 액세스를 포함 및/또는 제공할 수 있다. 일부 실시예에서, 규칙 기반 모듈(13428)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(13428)은 입력을 수신하고 입력에 기초하여 하나 이상의 규칙이 만족되는지를 결정하는 프로그램 로직으로 구성될 수 있다. 조건이 만족되면, 규칙 기반 모듈(13428)은 수행할 액션을 결정하고, 이는 요청 지능 서비스 클라이언트(13324)에 출력될 수 있다. 규칙 기반 엔진에 의해 수신된 데이터는 지능 서비스 입력(13470)로부터 수신될 수 있고/있거나 기계 비전 모듈(13422), 신경망 모듈(13414), ML 모듈(13412) 등과 같은 인공 지능 모듈(13404) 내의 다른 모듈로부터 요청될 수 있다. 예를 들어, 규칙 기반 모듈(13428)은 기계 비전 시스템으로부터의 스마트 컨테이너의 시야(field of view) 내의 객체의 분류 및/또는 스마트 컨테이너의 라이다 센서로부터의 센서 데이터를 수신할 수 있고, 이에 응답하여, 스마트 컨테이너가 그 경로를 계속해야 하는지, 그 코스를 변경해야 하는지, 또는 정지해야 하는지를 결정할 수 있다. 실시예에서, 규칙 기반 모듈(13428)은 개개의 지능 서비스 클라이언트(13324)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.In embodiments,
실시예에서, 인공 지능 모듈(13404)은 지능 서비스 클라이언트(13324)에 의해 발행되는 요청의 유형을 결정하도록 구성되는 지능 서비스 제어기(13402)와 인터페이스하고, 이에 응답하여, 요청에 응답할 때 인공 지능 모듈(13404)에 의해 적용될 거버넌스 표준 및/또는 분석의 세트를 결정할 수 있다. 실시예에서, 지능 서비스 제어기(13402)는 분석 관리 모듈(13406), 분석 모듈(13408)의 세트, 및 거버넌스 라이브러리(13410)를 포함할 수 있다.In an embodiment, the
실시예에서, 지능 서비스 제어기(13402)는 지능 서비스 클라이언트(13324)에 의해 발행되는 요청의 유형을 결정하도록 구성되고, 이에 응답하여, 요청에 응답할 때 인공 지능 모듈(13404)에 의해 적용될 거버넌스 표준 및/또는 분석의 세트를 결정할 수 있다. 실시예에서, 지능 서비스 제어기(13402)는 분석 관리 모듈(13406), 분석 모듈(13408)의 세트, 및 거버넌스 라이브러리(13410)를 포함할 수 있다. 실시예에서, 분석 관리 모듈(13406)은 인공 지능 모듈(13404) 요청을 수신하고, 요청에 의해 결부된 거버넌스 표준 및/또는 분석을 결정한다. 실시예에서, 분석 관리 모듈(13406)은 요청된 결정의 유형 및/또는 요청된 결정에 대해 특정 분석이 수행되어야 하는지에 기초하여 요청에 적용되는 거버넌스 표준을 결정할 수 있다. 예를 들어, 지능 서비스 클라이언트(13324)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.In an embodiment, the
일부 실시예에서, 분석 관리 모듈(13406)은 하나 이상의 조건에 기초하여 결정 요청에 적용되는 거버넌스 표준을 결정할 수 있다. 이러한 조건의 비제한적인 예는 요청되는 결정의 유형, 결정이 이루어지고 있는 지리위치, 결정이 영향을 미칠 환경, 환경의 현재 또는 예측된 환경 조건 등을 포함할 수 있다. 실시예에서, 거버넌스 표준은 거버넌스 라이브러리(13410)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 유형의 표준 라이브러리를 포함할 수 있다. 실시예에서, 거버넌스 라이브러리(13410)는 상이한 조건에 기초하여 개개의 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 유형, 특정 표준이 적용되는 재료 또는 제품 등일 수 있다.In some embodiments,
일부 실시예에서, 분석 관리 모듈(13406)은 특정 결정과 관련하여 적용되어야 하는 표준의 적절한 세트를 결정할 수 있고, 인공 지능 모듈(13404)이 결정을 결정할 때 결부된 거버넌스 표준을 활용하도록, 인공 지능 모듈(13404)에 표준의 적절한 세트를 제공할 수 있다. 이러한 실시예에서, 인공 지능 모듈(13404)은, 인공 지능 모듈(13404)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, 개개의 표준 세트를 결부시키는 조건의 세트를 포함할 수 있다.In some embodiments, the
일부 실시예에서, 분석 관리 모듈(13406)은 특정 결정에 대해 수행될 하나 이상의 분석을 결정할 수 있고, 이들 분석을 수행하는 대응하는 분석 모듈(13408)을 인공 지능 모듈(13404)에 제공할 수 있어서, 인공 지능 모듈(13404)은 결정을 요청 클라이언트에 출력하기 전에 결정을 분석하기 위해 대응하는 분석 모듈(13408)을 활용한다. 실시예에서, 분석 모듈(13408)은 특정 유형의 결정에 대해 특정 분석을 수행하도록 구성되는 모듈을 포함할 수 있으며, 여기서, 각각의 모듈은 지능 서비스(13400)의 인스턴스를 호스팅하는 처리 시스템에 의해 실행된다. 분석 모듈(13408)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), 위해 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.In some embodiments,
일부 실시예에서, 분석 관리 모듈(13406)은 지능 서비스 클라이언트(13324)에 의해 요청된 결정의 유형에 기초하여 어느 유형의 분석을 수행할지를 결정하도록 구성된다. 이러한 실시예 중 일부에서, 분석 관리 모듈(13406)은 요청된 결정 유형에 기초하여 분석 모듈(13408)의 세트를 식별하는 인덱스 또는 다른 적합한 메커니즘을 포함할 수 있다. 이러한 실시예에서, 분석 관리 모듈(13406)은 결정 유형을 수신할 수 있고, 결정 유형에 기초하여 실행될 분석 모듈(13408)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 유형의 결정에 대한 요청에 의해 결부되었을 수 있고, 엔지니어링 표준은 FMEA 분석이 수행될 때의 시나리오를 정의할 수 있다. 이 예에서, 인공 지능 모듈(13404)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 분석한 것에 응답하여, 인공 지능 모듈(13404)은 실행된 분석의 결과에 기초하여 제안된 조건을 선택적으로 출력할 수 있다. 결정이 허용되면, 인공 지능 모듈(13404)은 요청 지능 서비스 클라이언트(13324)에 결정을 출력할 수 있다. 제안된 구성이 분석 중 하나 이상에 의해 플래깅되는 경우, 인공 지능 모듈(13404)은 대안적인 결정을 결정하고, 일치하는 결정이 획득될 때까지 대안적인 제안된 결정에 대한 분석을 실행할 수 있다.In some embodiments,
여기서, 일부 실시예에서, 하나 이상의 분석 모듈(13408) 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 하나 이상의 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.Note here that, in some embodiments, one or
언급된 바와 같이, 지능 서비스(13004)의 전술한 프레임워크는 밸류 체인의 다양한 엔티티에서 적용 및/또는 활용될 수 있다. 예를 들어, 일부 실시예에서, 플랫폼 레벨 지능 시스템은 지능 서비스(13400)의 전체 능력으로 구성될 수 있고, 지능 서비스(13400)의 특정 구성은 각각의 밸류 체인 엔티티에 대해 프로비저닝될 수 있다. 또한, 일부 실시예에서, 지능 서비스 클라이언트(13324) 예컨대, 스마트 컨테이너 시스템(13000)은 지능 서비스 클라이언트(13324)가 태스크를 자율적으로 수행할 수 없을 때 지능 시스템 태스크를 상위 레벨 밸류 체인 엔티티(예를 들어, 에지-레벨 또는 플랫폼-레벨)로 상신(escalate)하도록 구성될 수 있다. 일부 실시예에서, 지능 서비스 제어기(13402)는 지능 태스크를 하위 레벨 컴포넌트에 지시할 수 있다는 점에 유의한다. 또한, 일부 구현예에서, 지능 서비스(13004)는 지능 서비스(13004) 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.As mentioned, the above-described framework of
실시예에서, 기계 학습 모델의 "세트"는 다수의 구성 부재(member)를 갖는 세트를 포함할 수 있다. 실시예들에서, 기계 학습 모델들의 "세트"는 상이한 유형들의 모델들의 하이브리드들(예를 들어, RNN 및 CNN의 하이브리드들)을 포함할 수 있다.In embodiments, a “set” of machine learning models may include a set with multiple members. In embodiments, a “set” of machine learning models may include hybrids of different types of models (e.g., hybrids of RNN and CNN).
일 예에서, 기계 학습 모델들의 세트는 스마트 컨테이너 예측 유지보수를 위해 사용될 수 있다. 이 예에서, 지능 서비스(13004)는 사용자 디바이스(13094)에 대한 스마트 컨테이너 내부의 센서들로부터 주문 데이터, 과거 주문 데이터, 유지보수 데이터, 날씨 데이터, 및/또는 비디오 피드를 수신할 수 있고, 수신된 데이터에 기초하여 특징 벡터들의 세트를 생성할 수 있다. 지능 서비스(13004)는 예를 들어, 결과들의 훈련 데이터 세트에 기초하여, 특정 스마트 컨테이너가 유지보수를 필요로 할 때를 예측하기 위해 (예를 들어, 시뮬레이션 데이터와 실세계 데이터의 조합을 사용하여) 훈련된 기계 학습 모델들에 특징 벡터들을 입력할 수 있다. 실시예들에서, 지능 서비스(13004)는 인간 전문가들의 무리 및/또는 다른 시스템들 또는 모델들에 의한 예측들 또는 요구되는 유지보수의 확률을 나타내는 훈련 데이터의 입력 세트를 포함할 수 있다.In one example, a set of machine learning models can be used for smart container predictive maintenance. In this example,
또 다른 예에서, 기계 학습 모델들의 세트는 주어진 시점에서 컨테이너 터미널에서의 트래픽을 예측하는 데 사용될 수 있다. 이 예에서, 지능 서비스(13004)는 과거 컨테이너 터미널 트래픽 데이터, 해상 데이터, 뉴스 데이터 및 날씨 데이터를 수신할 수 있고, 수신된 데이터에 기초하여 특징 벡터를 생성할 수 있다. 실시예들에서, 특징 벡터들은 트래픽이 의존할 수 있는 컨테이너 터미널 레이아웃 요소들을 특징짓는 데이터와 같은 다른 데이터를 포함할 수 있다. 지능 서비스(13004)는 컨테이너 터미널에서 트래픽을 예측하기 위해 (예를 들어, 조합 시뮬레이션 데이터 및 실세계 데이터를 사용하여) 훈련된 기계 학습 모델에 특징 벡터를 입력할 수 있다.In another example, a set of machine learning models can be used to predict traffic at a container terminal at a given point in time. In this example,
다른 예에서, 기계 학습 모델들의 세트는 배송되는 위법 및/또는 불법 아이템들을 검출하는 데 사용될 수 있다. 이 예에서, 지능 서비스(13004)는 스마트 컨테이너 내부에 배치된 센서들로부터 주문 데이터, 송하인(shipper) 데이터, 이력 화물 데이터, 및/또는 비디오 피드 및 다른 센서 데이터를 수신할 수 있고, 수신된 데이터에 기초하여 특징 벡터를 생성할 수 있다. 지능 서비스(13004)는 위법 및/또는 불법 아이템들을 검출하기 위해 (예를 들어, 시뮬레이션 데이터와 실세계 데이터의 조합을 사용하여) 훈련된 기계 학습 모델들에 특징 벡터들을 입력할 수 있다. 실시예들에서, 위법 및/또는 불법 아이템들의 검출은 법들 또는 규정들(예를 들어, 합법성에 대한 인식을 갖는 훈련), 문화적 인자들(예를 들어, 아이템이 불법으로 간주되는지 여부가 문화적 규범들에 기초하여 변하는 경우 등)을 포함하는 관할 인자들에 특정한 훈련 데이터 세트들 및/또는 특징 벡터 입력들에 기초하여 각각 훈련되는 별개의 모델들의 세트를 수반할 수 있다. 실시예에서, 훈련은 예를 들어, 인간 전문가를 통해, 송하인 또는 다른 사용자가 코드 워드, 완곡어(euphemism) 등과 같은 불법 또는 위법 아이템을 설명하기 위해 (예를 들어, 송하인 또는 다른 사용자가 주문으로 배송될 화물을 설명할 때) 채용할 수 있는 대체 용어에 관한 정보 등을 제공하는 것을 포함할 수 있다. 실시예들에서, 모델은, 불법 또는 위법 아이템들의 인식 및/또는 단어들, 이미지들, 또는 이들을 특성화하는 데 사용되는 다른 요소들의 인식을 용이하게 하기 위해, 단어 클라우드, 단어들의 클러스터, 또는 다른 특징들을 제공하도록 훈련될 수 있다. 하나의 비제한적인 예로서, 엔티티들, 클래스들, 객체들, 작업흐름들 등을 관할 구역들, 토픽(topic)들, 서로에 대해 매핑하는 것 등과 같은 엔티티들의 매핑을 생성하기 위해 SOM(self-organizing map)이 이용될 수 있다. 추가적으로 또는 대안적으로, 기계 학습 모델은 컨테이너 내용물을 식별하도록 구성될 수 있다.In another example, a set of machine learning models may be used to detect counterfeit and/or illegal items being delivered. In this example,
다른 예에서, 기계 학습 모델들의 세트는 하나 이상의 화물 보관 및/또는 운송 서비스들(예를 들어, 스마트 컨테이너의 사용을 요구하는 서비스들)의 가격(pricing)과 관련된 결정 지원을 제공하기 위해 사용될 수 있다. 예를 들어, 지능 서비스(13004)는 본 문서 및 본 명세서에 참고로 포함된 문서 전체에 걸쳐 설명된 다양한 소스로부터 데이터를 수신할 수 있고, 수신된 데이터에 기초하여 특징 벡터의 세트를 생성할 수 있다. 지능 서비스(13004)는, 결과들의 훈련 데이터 세트에 기초하는 것과 같이, 하나 이상의 서비스의 가격과 관련된 결정 지원을 제공하기 위해 (예를 들어, 시뮬레이션 데이터와 실세계 데이터의 조합을 사용하여) 훈련된 기계 학습 모델에 특징 벡터를 입력할 수 있다. 실시예들에서, 지능 서비스(13004)는 인간 전문가들의 무리 및/또는 다른 시스템들 또는 모델들에 의한 서비스 가격에 관련된 결정 지원을 나타내는 훈련 데이터의 입력 세트를 포함할 수 있다. 특징 벡터의 세트를 생성하는데 사용되는 데이터 소스는 주문 데이터, 수요 데이터, 공급 데이터, 비용 데이터, 변동성 데이터, 가격 패턴 데이터, 주문 크기 데이터, 주문 수량 데이터, 지리적 거래 데이터, 해상 데이터, 트럭 플릿 데이터, 철도 데이터, 트래픽 데이터, 날씨 데이터, 소셜 미디어 사이트, 외부 데이터(예를 들어, 스마트 컨테이너 또는 배송 등을 포함하는 뉴스), 및 많은 다른 것을 포함할 수 있지만 이에 제한되지 않는다.In another example, a set of machine learning models can be used to provide decision support related to pricing of one or more cargo storage and/or transportation services (e.g., services requiring the use of smart containers). there is. For example,
다른 예에서, 기계 학습 모델들의 세트는 화물의 적재(loading) 및/또는 하역(unloading)과 관련된 결정 지원을 제공하기 위해 사용될 수 있다. 지능 서비스(13004)는 스마트 컨테이너 외부 및/또는 스마트 컨테이너 내에 배치된 센서로부터 주문 데이터(선택적으로 중량 데이터, 용적 데이터, 화물 설명 데이터, 목적지 위치 등을 포함함) 및/또는 비디오 피드를 수신할 수 있고, 수신된 데이터에 기초하여 특징 벡터의 세트를 생성할 수 있다. 지능 서비스(13004)는 화물 적재 및/또는 하역과 관련된 결정 지원을 제공하기 위해 (예를 들어, 시뮬레이션 데이터와 실세계 데이터의 조합을 사용하여) 훈련된 기계 학습 모델에 특징 벡터의 세트를 입력할 수 있다. 예를 들어, 기계 학습 모델은 특정 화물이 적재 및/또는 하역되는 순서, 화물의 클러스터링, 스마트 컨테이너 내의 화물의 구성 등에 대한 결정 지원을 제공하도록 구성될 수 있다. 실시예들에서, 모델 또는 모델들의 세트는 화물의 적재 및/또는 하역에서 전문가에 의해 훈련될 수 있다.In another example, a set of machine learning models may be used to provide decision support related to loading and/or unloading of cargo.
또 다른 예에서, 기계 학습 모델들의 세트는 배송의 규제 준수를 결정하는 데 사용될 수 있다. 예를 들어, 지능 서비스(13004)는 본 문서 및 본 명세서에 참고로 포함된 문서 전체에 걸쳐 설명된 다양한 소스로부터 데이터를 수신할 수 있고, 수신된 데이터에 기초하여 특징 벡터의 세트를 생성할 수 있다. 지능 서비스(13004)는 규제 준수를 결정하도록 훈련된 기계 학습 모델에 특징 벡터를 입력할 수 있다. 하나의 비제한적인 예로서, 규제 준수는 관세가 납부되었음을 확인하는 서류가 요구되는 규정의 준수를 포함할 수 있다. 이러한 예에 관한 실시예들에서, 기계 학습 모델은, 예컨대, 요구된 관세 지불의 검증을 찾기 위해, 문서, 상업적 송장 등을 파싱할 수 있다.In another example, a set of machine learning models can be used to determine regulatory compliance of a shipment. For example,
다른 예에서, 기계 학습 모델들의 세트는 화물을 카테고리화 또는 분류하는 데 사용될 수 있다. 예를 들어, 지능 서비스(13004)는 본 문서 및 본 명세서에 참고로 포함된 문서 전체에 걸쳐 설명된 다양한 소스로부터 데이터를 수신할 수 있고, 수신된 데이터에 기초하여 특징 벡터의 세트를 생성할 수 있다. 지능 서비스(13004)는, 예를 들어, 결과들의 훈련 데이터 세트에 기초하여, 화물을 카테고리화하기 위해 (예를 들어, 시뮬레이션 데이터와 실세계 데이터의 조합을 사용하여) 훈련된 기계 학습 모델에 특징 벡터들의 세트를 입력할 수 있다. 실시예들에서, 지능 서비스(13004)는 인간 전문가들의 무리(set)에 의한 및/또는 다른 시스템들 또는 모델들에 의한 화물의 카테고리화들 또는 분류들을 나타내는 훈련 데이터의 입력 세트를 포함할 수 있다. 화물의 카테고리화 또는 분류를 위해 사용되는 데이터 소스들 및 특징 벡터들은 화물의 카테고리화 또는 분류를 보조할 수 있는 외부 데이터 소스들뿐만 아니라, 본 명세서에 설명된 많은 유형들의 운송 데이터, 송하인 프로파일 데이터를 포함할 수 있다. 본 예 및 본 명세서에 설명된 다른 예들에서, 분류를 위해 사용되는 그러한 인공 지능 시스템들은, 순환 신경망(게이팅(gated) 순환 신경망을 포함함), 컨볼루션 신경망, 순환 신경망과 컨볼루션 신경망의 조합, 또는 본 명세서에 또는 본 명세서에 참고로 포함된 문서들에 설명된 다른 유형의 신경망 또는 유형들의 조합 또는 하이브리드를 포함할 수 있다.In another example, a set of machine learning models can be used to categorize or classify cargo. For example,
다른 예에서, 기계 학습 모델들의 세트는 스마트 컨테이너 설계를 최적화하기 위해 사용될 수 있다. 예를 들어, 지능 서비스(13004)는 본 문서 및 본 명세서에 참고로 포함된 문서 전체에 걸쳐 설명된 다양한 소스로부터 데이터를 수신할 수 있고, 수신된 데이터에 기초하여 특징 벡터의 세트를 생성할 수 있다. 지능 서비스(13004)는, 예를 들어, 결과들의 훈련 데이터 세트에 기초하여, 스마트 컨테이너의 설계를 최적화하기 위해 (예를 들어, 시뮬레이션 데이터와 실세계 데이터의 조합을 사용하여) 훈련된 기계 학습 모델들에 특징 벡터들을 입력할 수 있다. 실시예들에서, 지능 서비스(13004)는 인간 전문가의 무리 및/또는 다른 시스템들 또는 모델들에 의한 스마트 컨테이너 최적화를 나타내는 훈련 데이터의 입력 세트를 포함할 수 있다. 시장(marketplace) 효율성의 최적화를 위해 사용되는 데이터 소스들 및 특징 벡터들은 스마트 컨테이너 설계 최적화를 보조할 수 있는 본 명세서에 설명된 많은 유형들의 배송 데이터를 포함할 수 있다. 본 예 및 본 명세서에 설명된 다른 예에서 최적화에 사용되는 이러한 인공 지능 시스템은 순환 신경망(게이팅 순환 신경망을 포함함), 컨볼루션 신경망, 순환 신경망과 컨볼루션 신경망의 조합, 또는 본 명세서 또는 본 명세서에 참고로 포함된 문서에 설명된 다른 유형의 신경망 또는 유형의 신경망의 조합 또는 하이브리드를 포함할 수 있다. 실시예에서, 스마트 컨테이너 설계는 비용, 탄소 배출, 속도, 효율, 성능, 특정 환경에서의 성능(예를 들어, 북극 조건에서 동작하도록 최적화됨), 운반 용량, 안전성 등에 대해 최적화될 수 있다.In another example, a set of machine learning models can be used to optimize smart container design. For example,
다른 예에서, 기계 학습 모델들의 세트는 스마트 컨테이너 경로를 최적화하기 위해 사용될 수 있다. 예를 들어, 지능 서비스(13004)는 본 문서 및 본 명세서에 참고로 포함된 문서 전체에 걸쳐 설명된 다양한 소스로부터 데이터를 수신할 수 있고, 수신된 데이터에 기초하여 특징 벡터의 세트를 생성할 수 있다. 지능 서비스(13004)는 예를 들어, 결과들의 훈련 데이터 세트에 기초하여, 스마트 컨테이너 루트를 최적화하기 위해 (예를 들어, 시뮬레이션 데이터와 실세계 데이터의 조합을 사용하여) 훈련된 기계 학습 모델들에 특징 벡터들을 입력할 수 있다. 실시예들에서, 지능 서비스(13004)는 인간 전문가들의 무리 및/또는 다른 시스템들 또는 모델들에 의한 시장 수익성 최적화를 나타내는 훈련 데이터의 입력 세트를 포함할 수 있다. 스마트 컨테이너 경로의 최적화를 위해 사용되는 데이터 소스 및 특징 벡터는 이력 경로 데이터, 주문 데이터, 날씨 데이터, 해상 데이터, 트래픽 데이터, 트럭 플릿 데이터, 철도 데이터, 뉴스 데이터 등을 포함하여, 스마트 컨테이너 루트 최적화를 보조할 수 있는 본 명세서에 설명된 많은 유형의 배송 데이터를 포함할 수 있다.In another example, a set of machine learning models can be used to optimize the smart container path. For example,
전술한 예들은 비제한적인 예들이고 지능 서비스(13004)는 스마트 컨테이너들 및 배송 환경들에 대해 수행되는 임의의 다른 적합한 AI/기계 학습 관련 태스크들에 사용될 수 있다.The foregoing examples are non-limiting examples and
실시예들에서, 보안 시스템(13046)은 개시된 시스템들의 다양한 레벨들에서 구현될 수 있는 프레임워크를 포함한다. 이들 실시예에서, 보안 시스템(13046)의 인스턴스는 시스템 레벨, 플릿 또는 팀 레벨, 또는 개별 레벨에서 구현될 수 있다. 예를 들어, 시스템 레벨에서, 보안 시스템(13046)은 시스템(13000)을 대신하여 및/또는 스마트 컨테이너 운영 단위와의 임의의 통신 및/또는 다른 상호 작용에 대해 보안 관련 기능을 제공할 수 있다. 실시예에서, 보안 시스템(13046)은 플릿 레벨 또는 팀-레벨에서 구현되고, 보안 시스템이 스마트 컨테이너 팀 또는 플릿을 대신하여 및/또는 팀 또는 플릿의 스마트 컨테이너와의 통신 및/또는 다른 상호 작용에 대해 보안 관련 기능을 제공하도록 구성될 수 있다. 실시예에서, 스마트 컨테이너 레벨에서 구현되는 보안 시스템(13046)은 스마트 컨테이너를 대신하여 및/또는 다른 스마트 컨테이너, 스마트 컨테이너 팀 및/또는 시스템(13000)과의 통신 및/또는 다른 상호 작용에 대해 보안 관련 기능을 제공하도록 구성될 수 있다.In embodiments,
실시예들에서, 보안 시스템(13046)은 자율 적응형 보안 모듈, 자율 비적응형 보안 모듈, 및/또는 수동 보안 모듈을 포함할 수 있다. 자율 적응형 보안 모듈은 지능 서비스(13004)로부터 지능형 태스크들을 요청하도록 구성될 수 있고, 이에 의해 적응형 보안 모듈은 보안 위험을 평가하고, 지능 서비스(13004)의 출력에 기초하여 액션을 결정하기 위해 지능 서비스(13004)의 인공 지능 모듈들을 활용한다. 예를 들어, 스마트 컨테이너 플릿의 적응형 보안 모듈은 데이터 소스의 세트(예를 들어, 날씨 데이터, 비디오 피드, 스마트 컨테이너 및/또는 환경으로부터의 센서 데이터, 개별 스마트 컨테이너로부터의 입력 등)에 기초하여 잠재적으로 위험한 조건에 대한 경로를 모니터링하는 것과 같이, 데이터 소스의 세트로부터 데이터를 수신함으로써 스마트 컨테이너 플릿과 연관된 하나 이상의 조건을 모니터링할 수 있다. 데이터를 수신한 것에 응답하여, 적응형 보안 모듈은 환경의 보안에 관하여 지능 서비스(13004)로부터 환경의 평가 (예를 들어, 분류)를 요청할 수 있다. 이에 응답하여, 지능 서비스(13004)는 환경의 평가를 나타내는 하나 이상의 분류를 제공할 수 있다. 그런 다음, 적응형 보안 모듈은 평가가 취해질 액션을 필요로 하는지 여부, 및 그렇다면, 어떤 특정 액션을 취할지를 결정할 수 있다. 이들 실시예 중 일부에서, 적응형 보안 모듈은 평가가 액션을 필요로 하는지 여부 및, 그렇다면, 어떤 액션을 취할지를 결정하기 위해 규칙 기반 접근법을 사용할 수 있다. 추가적으로 또는 대안적으로, 적응형 보안 모듈은 주어진 특징들의 세트(예를 들어, 분류들, 하나 이상의 스마트 컨테이너들로부터의 센서 판독들, 스마트 컨테이너들의 위치들, 환경에서 검출된 객체들 및 이들의 위치들, 및/또는 임의의 다른 관련 특징들)를 추천하기 위한 액션으로 훈련되는 신경망을 활용할 수 있다. 이들 실시예들에서, 신경망 모듈(13414)은 적응형 보안 모듈 및/또는 지능 서비스 입력들의 세트(13470)로부터 특징들을 수신할 수 있고, 특징들의 세트가 주어지면 제안된 액션을 출력할 수 있다. 이들 실시예 중 일부에서, 지능 서비스(13004)의 지능 서비스 제어기(13402)는 인공 지능 모듈(13404)에 의해 이루어진 결정을 허용하거나 무시할 수 있다. 예를 들어, 분석 모듈(13408)은 동적 위험 분석 및/또는 정적 위험 분석을 수행할 수 있다. 동적 위험 분석의 예들은 실시간 데이터 기반 분석들(예를 들어, 현재 기상 패턴들, 현재 규제 환경, 현재 컨테이너 항구 이벤트들 등) 및/또는 특정 화물 보관 및/또는 운송 서비스 주문에 특정한 위험 분석들(예를 들어, 계약 위험들, 환경 위험들, 안전 책임들, 금전적 책임들 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.In embodiments,
실시예에서, 자율 적응형 보안 모듈은 격리된 방식으로(예를 들어, 외부 디바이스 또는 시스템과의 통신 없이) 또는 연결된 방식으로(예를 들어, 외부 디바이스 또는 시스템과의 통신으로) 동작할 수 있다.In embodiments, an autonomous adaptive security module may operate in an isolated manner (e.g., without communication with an external device or system) or in a connected manner (e.g., with communication with an external device or system). .
실시예에서, 보안 시스템(13046)은 자율 비적응형 보안 모듈을 포함할 수 있다. 실시예에서, 자율 비적응형 보안 모듈은 클라이언트를 대신하여 자율적으로(예를 들어, 인간 개입 없이) 보안 관련 결정을 내리도록 구성된다. 실시예에서, 비적응형 보안 모듈은 조건의 하나 이상의 특정 세트를 검출한 것에 응답하여 로직 기반 보안 관련 액션(예를 들어, 위험 완화 액션)을 수행한다. 예를 들어, 비적응형 보안 모듈은, 특정 세트의 상태를 검출한 것에 응답하여, 스마트 컨테이너 잠금(locking), 스마트 컨테이너의 디지털 트윈 잠금(locking), 스마트 컨테이너 전원 끄기, 스마트 컨테이너의 이동 중지, 충전 시작, 알람 또는 사이렌 울리기, 스트로브(strobe) 또는 조명 작동, 다른 디바이스 또는 시스템에 통지를 전송하는 것, 자체-파괴하는 것 등과 같은 액션을 트리거 액션하도록 구성될 수 있다. 실시예에서, 비적응형 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.In embodiments,
실시예에서, 보안 시스템(13046)은 수동 보안 모듈을 포함할 수 있다. 실시예에서, 수동 보안 모듈은 사용자가 보안 관련 액션에 관한 결정을 할 수 있게 하도록 구성된다. 이러한 실시예 중 일부에서, 수동 보안 모듈은 (예를 들어, 적응형 보안 모듈, 비적응형 보안 모듈, 지능 클라이언트 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 인간 인터페이스를 통해 수동 보안 모듈과 인터페이스할 수 있다.In embodiments,
실시예에서, 플릿 관리 시스템(13002)은 스마트 컨테이너 시스템(13000)의 특징 및 능력을 이용하여, 플릿 자원 수요를 예상하고 예상되는 사용에 앞서 이들 자원을 준비함으로써 플릿 자원의 실질적으로 최적화된 이용을 용이하게 할 수 있다. 실시예들에서, 자원 수요 예상은 유지보수의 결여로 인한 예방가능한 중단들이 방지되는 것을 보장하기 위해 배송 스케줄링과 유지보수 활동들을 조정하는 것을 포함할 수 있다. 추가적으로 또는 대안적으로, 자원 수요 예상은, 다른 것들 중에서도, 화물 보관 및/또는 운송 서비스 주문의 예측을 지원하는 정보와 검출된 플릿 자원 사용의 정렬에 기초할 수 있다. 실시예에서, 날씨 패턴 예측, 연중 시간, 위치 등과 같은 인자는 특정 화물 보관 및/또는 운송 서비스 주문의 가능성에 영향을 미칠 수 있다. 예를 들어, 높은 화물 물량은 8월부터 10월까지의 최대 배송 기간 동안 발생할 가능성이 있는 반면, 화물 물량은 1월부터 3월까지의 연도 시작 동안 낮을 가능성이 있다. 플릿을 생성하기 위한 예시적인 구현예들은 예측들을 필요로 하고 이러한 예측들을 다루는 것은 플릿 관리 시스템(13002)의 컴포넌트들 및 관련 스마트 컨테이너 시스템(13000)의 컴포넌트들의 논의를 따른다. 이전에 논의된 바와 같이, 스마트 컨테이너 시스템(13000)의 예시적인 컴포넌트들은 통신 관리 시스템(13010), 원격 제어 시스템(13012), 및 인간 인터페이스 시스템(13038)을 포함할 수 있다.In embodiments,
실시예에서, 통신 관리 시스템(13010)은 본 출원에 설명된 플릿 관리 시스템(13002) 및 그 요소, 본 출원에 설명된 지능 서비스(13004) 및 그 요소, 외부 데이터 소스(13036), (예를 들어, 인터넷 등을 통한) 제3자 시스템, 스마트 컨테이너 운영 단위, 지원 시스템 및 장비, 운송 자원(예를 들어, 컨테이너 선박, 트럭, 철도 등), 인간 플릿 자원 등과 같은 시스템 요소 사이의 통신(예를 들어, 효율적 및/또는 고속 통신)을 가능하게 하도록 구성된다. 통신 관리 시스템(13010)은 인터넷 프로토콜(IP) 등과 같은 다양한 데이터 프로토콜을 지원할 수 있는 유선, 무선 등과 같은 하나 이상의 통신 네트워크 유형을 포함하거나 그에 대한 액세스를 제공할 수 있다. 통신 관리 시스템은, 예를 들어, 다음을 보장하기 위해 통신과 연관된 스마트 컨테이너 플릿 관리 시스템 기반구조의 부분을 관리 및 제어하는 (예를 들어, 본 출원에 설명된 플릿 지능 시스템 자원을 통한) 지능 서비스를 포함하거나 이에 액세스할 수 있다: 배치된 스마트 컨테이너 운영 단위에 의해 수집된 데이터를 중요한 계산, 분석 및/또는 데이터 저장 자원에 적시에 전달하는 것; 스마트 컨테이너 구성 및 운영 명령의 우선순위화된 전달; 등. 플릿 자원 관리 및 제어 실시예에서, 통신 관리 시스템(13010)은 플릿 자원의 높은 정도의 보안 및 무결성을 지원하기 위해 플릿 지능 시스템 컴포넌트 사이의 통신들보다 플릿 통신 자원의 플릿 보안 시스템 통신 사용을 우선순위화할 수 있다. 통신 관리 시스템(13010)은 적어도 스마트 컨테이너 시스템(13000)을 외부 시스템, 배치된 스마트 컨테이너 운영 단위, 및 다른 네트워크 연결가능한 요소(예를 들어, 플릿 에지 디바이스 등)와 연결하는 네트워크 시스템(13202)를 포함하는 네트워킹에 대한 액세스를 제공하고 관리할 수 있다.In an embodiment,
실시예에서, 통신 관리 시스템(13010)의 능력은, 특히, 주문 실행 계획, 계획 정의, 태스크 정의, 스마트 컨테이너 운영 단위 구성, 실시간 작업 상태 등에 기초한 스마트 컨테이너 시스템 통신 자원(예를 들어, 네트워크, 라디오 시스템, 라우터와 같은 데이터 통신 디바이스 등)의 컨텍스트 사양, 및/또는 적응을 포함할 수 있다. 플릿 통신 자원의 통신 관리 시스템(13010) 적응은 다양한 실세계 조건(예를 들어, 날씨, 대기 조건, 컨테이너 항구 트래픽, 컨테이너 항구 및 다른 시설 구조, 환경(예를 들어, 토지-대-잠수지, 지하) 등)에 의해 영향을 받을 수 있다. 실시예에서, 통신 관리 시스템(13010)은 주문 실행 동안 적응의 필요성 및 유형을 예상하는 것을 용이하게 할 수 있는 컨텍스트를 화물 보관 및/또는 운송 서비스 주문으로부터 얻을 수 있다. 화물 저장 및 운송 서비스 주문 컨텍스트 기반 통신 적응의 예로서, 작업은 해수면에서 개시될 수 있고, 그 후 지하 팀에 의한 액션을 포함할 수 있다. 작업 구성 활동 동안 플릿 구성 시스템에 의해 구성되는 이러한 상이한 태스크 환경에서 사용하기에 적합한 통신 자원은 작업이 예시적인 환경을 통해 진행함에 따라 스마트 컨테이너의 개개의 팀에 대해 통신 관리 시스템(13010)에 의해 적응적으로 제어될 수 있다.In embodiments, the capabilities of the
화물 보관 및/또는 운송 서비스 주문 기준은 격리된 동작을 직접 호출할 수 있다. 대안적으로, 화물 보관 및/또는 운송 서비스 주문의 상황은 격리된 동작(예를 들어, 외국 관할권 내에서의 동작 등)을 선호할 수 있다. 요청된 서비스에 대한 통신 자원은 그에 따라 적응될 수 있다. 예로서, 작업을 수행할 때 병치(예를 들어, 원점 위치에 병치)하도록 할당된 플릿 자원들의 팀 사이의 통신은 통신 관리 시스템이 (예를 들어, 팀이 외부 관할에 진입할 때 위에서 언급된 바와 같이) 화물 보관 및/또는 운송 서비스 주문에 의해 요구될 때 활성화를 용이하게 할 수 있는 종래의 검출을 거부하는 무선 주파수로 또는 추가 암호화로 플릿 구성 시스템에 의해 구성될 수 있다. 플릿 자원 구성의 이러한 추가 실시예에서, 통신 관리 시스템(13010)은 이러한 플릿 구성을 시행하기 위해 통신 자원들(예를 들어, 스마트 컨테이너 운영 단위 무선 인터페이스들, 격리된 스마트 컨테이너 운영 단위들에 근접한 통신 기반구조 등)을 검출 및 제어할 수 있다. 격리된 동작에 대한 또 다른 고려사항은, 다수의 스마트 컨테이너 동작 단위들이 근처에 있을 것으로 예상될 때와 같이, 팀 스마트 컨테이너들의 예상된 위치와 같은, 배치 컨텍스트에 기초하여 조건부로 저에너지 근거리 통신의 사용만을 허용하는 것과 같은, 적응가능한 격리 통신 프로토콜들을 포함할 수 있다. 통신 관리 시스템(13010)은 스마트 컨테이너 운영 단위의 구성, 화물 보관 및/또는 운송 서비스 주문 통신 요건을 충족하는 스마트 컨테이너 단위의 선택, 플릿 통신 자원의 배치(예를 들어, 팀과 스마트 컨테이너 간 운영 단위 중계 디바이스의 병치)의 구성 및 지정, 및 다른 플릿 및 스마트 컨테이너 구성 고려 사항과 같은 플릿 구성을 갖는 플릿 구성 시스템을 보조할 수 있다. 이러한 플릿 구성 지원의 예에서, 화물 보관 및/또는 운송 서비스 주문은 특정 스마트 컨테이너 운영 단위를 사용하는 선호도를 나타낼 수 있다. 플릿 구성 시스템은 바람직한 스마트 컨테이너 운영 단위들을 지원하기 위해 (예를 들어, 통신 관리 시스템 및/또는 특정 플릿 통신 자원들의) 적응 능력들에 관하여 통신 제어 시스템에 질의할 수 있다.Freight storage and/or transportation service ordering criteria may directly invoke isolated operations. Alternatively, the circumstances of ordering cargo storage and/or transportation services may favor isolated operation (eg, operation within a foreign jurisdiction, etc.). Communication resources for the requested service can be adapted accordingly. By way of example, communication between teams of fleet resources assigned to juxtapose (e.g., co-locate at a point of origin) when performing a task may require a communications management system (e.g., as mentioned above when a team enters an external jurisdiction). (as indicated) may be configured by the fleet configuration system with additional encryption or with radio frequencies that defy conventional detection, which may facilitate activation when required by cargo storage and/or transportation service orders. In this additional embodiment of a fleet resource configuration, the
다양한 스마트 컨테이너 운영 단위 통신 구성들을 지원하기 위한 통신 관리 적응성 능력들의 예에서, 통신 관리 시스템(13010)은 스마트 컨테이너 운영 단위들의 제1 팀과 동일한 라디오 신호 범위에서 동작들을 수행하는 스마트 컨테이너 운영 단위들의 제2 팀과 무선 통신을 위해 상이한 라디오 주파수를 사용하여 동작들을 수행하는 스마트 컨테이너 운영 단위들의 제1 팀을 지원함으로써, 교차 라디오 간섭의 가능성을 완화시킬 수 있다. 또한, 통신 관리 시스템(13010)은 이중화(redundancy)의 사용을 통해 예컨대, 듀얼 라디오 시스템들, 자동 채널 선택(예를 들어, 로컬 네트워킹, 셀룰러 네트워킹, 메시 네트워킹, 장거리 위성 네트워킹 등)을 통해 신뢰성 있는 통신을 제공할 수 있다. 플릿 통신 자원들은 스마트 컨테이너 운영 단위들이 하나 이상의 메시 네트워크들 등으로 구성될 때와 같이, 네트워크 요소들로서 작용하는 스마트 컨테이너 운영 단위들을 포함할 수 있다. 스마트 컨테이너 운영 단위들은 시각적으로 예컨대, 광원들(예를 들어, 모스 코드(Morse code) 또는 이진 송신들), 물리적 제스처들, 적외선 신호들, 개미-기반 트레일들(ant-based trails) 등의 사용을 통해서를 포함하는 다른 방식들로 통신을 용이하게 할 수 있다. 스마트 컨테이너들 간의 청각적 통신들(예를 들어, 비인간 언어 인코딩된 오디오 시그널링), 초음파 및 다른 청각적 기반 기술들은 스마트 컨테이너들 사이의 통신의 형태로서 렌더링될 수 있다. 상이한 팀들 상의 병치된(co-located) 스마트 컨테이너들이 상이한 라디오 주파수 신호들을 사용할 수 있는 방법과 매우 유사하게, 병치된 스마트 컨테이너들은 팀 멤버들 사이의 통신 명료함을 돕기 위해 상이한 청각 시그널링을 사용할 수 있다.In an example of communication management adaptability capabilities to support various smart container operating unit communication configurations,
실시예들에서, 통신 관리 시스템(13010)은 플릿 통신 요구들의 적어도 대응하는 부분을 충족시키도록 구성되는 복수의 독립적인 통신 시스템들로서 구성될 수 있다. 일 예에서, 통신 관리 시스템(13010)은 플릿 관리 시스템(13002) 내의 요소들(또는 임의의 다른 플릿 시스템, 시스템, 모듈, 팀, 플릿 세그먼트 등) 사이에서 통신하기 위한 제1 통신 시스템, 및 지능 서비스(13004) 요소들(또는 제1 통신 시스템으로부터 분리될 수 있는 플릿 시스템의 임의의 다른 부분) 사이에서 통신하기 위한 제2 통신 시스템으로 구성될 수 있어서, 임의의 개별 통신 시스템의 방해가 다른 시스템 통신 시스템들로부터 격리될 수 있고, 그에 의해 시스템 전체에 걸쳐 통신 문제들의 영향을 감소시킬 수 있다. 또한, 이 예에서, 플릿 관리 시스템(13002) 및 그 컴포넌트들(예를 들어, 작업 구성 시스템(13018) 등)은 제1 통신 시스템을 통해 계속 통신할 수 있고, 설사 기계 학습 시스템과 같은 지능 서비스(13004) 요소들에 대한 액세스가 지능 서비스(13004)를 서빙하는 제2 통신 시스템과의 문제들로 인해 손상될 수 있을지라도 실제로 모든 관련 플릿 동작 기능들(원격에 배치된 플릿 스마트 컨테이너 운영 단위들 등과의 통신을 포함함)을 수행할 수 있다. 또한, 통신 관리 시스템(13010)은, 시스템들, 서브-시스템들, 시스템 요소들, 통신 시스템들, 및 멀웨어 등으로 인해 손상된 것으로 보이는 다른 시스템 자원들의 격리 및 회피(shunning)에 영향을 미치는 보안 특징들을 포함할 수 있다. 다른 독립적인 통신 시스템들은 스마트 컨테이너-스마트 컨테이너 통신 시스템들, 로봇-스마트 컨테이너 통신 시스템들, 인간-스마트 컨테이너 통신 시스템들, 비상 응답 통신 시스템들 등을 포함한다. 또 다른 독립적인 통신 시스템들은 정보의 기밀성(예를 들어, 플릿 관리 제공자와 송하인(shipper) 사이의 협상들), 플릿 운영 감독 등과 같은 양태들에 기초할 수 있다. 실시예들에서, 통신 관리 시스템(13010)은 상이한 통신 시스템들에 대한 역할 기반(role-based)(또는 기타 등등) 액세스를 제공하도록 구성될 수 있다. 예를 들어, 플릿 운영 임원(fleet operations executive)은 플릿 감독 기능들을 수행하기 위해 상이한 작업들에 할당된 스마트 컨테이너 운영 단위들에 대한 동시 액세스가 승인될 수 있다.In embodiments,
분리된 통신 시스템들에 더하여 및/또는 그 대신에, 통신 관리 시스템(13010)은 네트워크 손상을 야기할 수 있는 예외 조건들을 해결하기 위해 이중화(다중 주파수 라디오들 등)를 제공할 수 있고, 긴급 사용을 위해 동작 통신 채널들을 오버라이딩하는 것 등을 요구할 수 있다.In addition to and/or instead of separate communication systems,
실시예에서, 통신 관리 시스템(13010)은 2개의 플릿 자원(예를 들어, 2개의 스마트 컨테이너 운영 단위, 스마트 컨테이너 운영 단위 및 플릿 모니터링 시스템 등)가 안전하게 통신할 수 있도록 플릿 자원-특정(예를 들어, 개별 스마트 컨테이너 운영 단위) 보안 통신을 제공할 수 있다. 통신 관리 시스템(13010)은 통지, 업데이트, 경고, 및 다른 서비스들을 지원하기 위해 브로드캐스트 능력들을 추가로 제공할 수 있다. 브로드캐스트 능력들은 플릿-전반(fleet-wide)(예를 들어, 일광 절약 시간을 관찰하기 위해 모든 플릿 자원들에 대한 통지), 팀-특정(예를 들어, 팀 멤버들의 역할 변경들에 관한 모든 팀 멤버들에 대한 업데이트), 작업-특정(예를 들어, 작업이 보류되는 복수의 스마트 컨테이너 팀들을 포함할 수 있는 작업에 할당된 플릿 자원들에 대한 경고), 특정 유형들의 플릿 자원들(예를 들어, 스마트 컨테이너 운영 단위들과 같은)에 관한 문제들을 해결하기 위한 플릿 자원 유형-특정, 플릿 지원 유닛들, 위치-특정 유닛들(예를 들어, 외국 관할 내의 모든 유닛들) 등일 수 있다.In an embodiment,
실시예들에서, 통신 관리 시스템(13010)은, 제한 없이, 보안 시스템(13046), 네트워크 시스템(13202), 및 인공 지능(AI) 칩셋들, 데이터 인코더들, 통신 스펙트럼 주파수들 등을 포함하는 다양한 자원들을 포함하는 다른 플릿 관리 시스템 특징들 또는 서비스들과 함께 작업 특정 통신 요소들을 사용하거나 관리할 수 있다. 통신 관리 시스템(13010)은, 예컨대 플릿 및 연관된 통신 자원들에 대한 보안 하이-업-시간(high-up-time) 액세스를 제공함으로써, 보안 시스템(13046)과 함께 동작할 수 있다. 예로서, 보안 시스템(13046)은 보안 사용을 위해 통신 관리 시스템에 의해 리저브(reserve)될 수 있는 구성된 통신 채널들(예를 들어, 유선 인터-컴퓨터 링크들, 무선 네트워크들 등)의 일부를 이용할 수 있다. 해당 부분은 물리적으로 전용 요소들 (예를 들어, 유선 연결들, 주파수들의 전용 세트를 통해 동작하는 무선 액세스 포인트들 등)을 포함할 수 있다. 실시예들에서, 전용 무선 액세스를 제공하는 것은, 예컨대, 비보안 시스템 패킷들에 앞서 보안 시스템 데이터 패킷들, 스트림들 등을 라우팅함으로써, 기존의 무선 네트워크들에 대한 보안 시스템 액세스의 우선순위화를 포함할 수 있다. 다른 예로서, 통신 관리 시스템은 보안 시스템 사용을 위해 더 큰 배터리 에너지(더 높은 충전) 및/또는 고정 전력 공급을 갖는 통신 디바이스들을 할당하는 한편, 비-보안 시스템 사용을 위해 더 낮은 전력, 더 낮은 에너지, 및/또는 재충전 가능한 디바이스들을 할당할 수 있다. 보안 시스템 통신 자원 관리 및 제어는 플릿-전반(fleet-wide), 작업-특정(job-specific), 팀-특정(team-specific), 배치 로케일-기반(deployment locale-based), 지오로케이션-기반 등일 수 있다.In embodiments,
통신 관리 시스템(13010)과 보안 시스템(13046)의 추가 협력 동작은 외부 자원들(예를 들어, 웹사이트들 등)에 대한 플릿 자원들에 의한 액세스를 관리하는 것뿐만 아니라 플릿 자원들에 대한 외부 자원들에 의한 액세스를 관리하는 것을 포함할 수 있다. 보안 시스템(13046)은 보안 에이전트들 등을 배치하여, 이러한 자원들의 할당 및/또는 구성에 기초하여 자원들을 플리팅(fleet)할 수 있다. 예로서, 보안 시스템(13046)의 방화벽-유형 보안 기능은, 다른 것들 중에서도, 별개의 작업-특정 통신 시스템들을 연결하기 위해 통신 관리 시스템에 의해 관리되는 액세스 포인트들에 배치될 수 있다.Additional cooperative operations of
실시예들에서, 통신 관리 시스템(13010)은, 플릿 통신 시스템으로의 성공적인 침입의 가능성을 추가로 감소시키기 위해 플릿 보안 능력들을 풍부하게 하고 플릿 보안 능력들과 함께 작동하는 동적 통신 관리 기능들을 확립하기 위해, 인공 지능 능력들을 갖는 자원들(선택적으로 AI-특정 칩들 및 칩 세트들 등에 의해 제공됨)과 같은 플릿 자원들의 지능 능력들을 이용할 수 있다. 예로서, 플릿 자원들의 적어도 일부(예를 들어, 개별 스마트 컨테이너 운영 단위들 등)에 걸쳐 배치된 AI-기반 기능에 의존하여 (예를 들어, 이러한 환경들 등을 나타내는 컨텍스트 및 이력 정보에 기초하여) 증가된 침입 위험 또는 다른 위협을 갖는 로컬 환경들을 검출할 수 있어서, 선택적으로 보안 시스템(13046)과 협력하여 통신 관리 시스템이 이러한 위험을 감소시키기 위해 플릿 통신 자원들을 적응시킬 수 있다.In embodiments,
통신 관리 시스템(13010)은 네트워크 시스템(13202)의 다른 것들에 의한 사용의 제어를 용이하게 하고/하거나 이를 이용할 수 있다. 네트워크 시스템(13202)의 관리의 예로서, 통신 관리 시스템(13010)은, 예를 들어, 어느 자원들이 네트워크를 활용하는지, 동시에 네트워크를 이용하는 자원들이 어떻게 조정될 수 있는지, 그러한 자원들에 대한 네트워크 로딩 제한들 등을 결정 및/또는 제어함으로써, 통신을 위해 플릿 자원들에 의한 사용을 위해 관리될 자원으로서 네트워크 시스템(13202)을 취급할 수 있다.
실시예에서, 스마트 컨테이너 시스템은 화물 보관 및/또는 운송 서비스 주문을 완료하기 위해 스마트 컨테이너 운영 단위 및 다른 외부 자원을 원격 제어하기 위한 프레임워크를 제공하도록 구성된 원격 제어 시스템(13012)을 포함한다. 실시예에서, 원격 제어 시스템(13012)은 스마트 컨테이너 운영 단위, 플릿 지원 유닛, 외부 자원 등의 원격 작동을 위한 제어 신호의 정의 및 사용을 관리할 수 있다. 원격 제어 시스템(13012)에 의해 인에이블되는 스마트 컨테이너 원격 제어는, 예를 들어, 팀 감독 스마트 컨테이너가 하나 이상의 스마트 컨테이너 팀 멤버에게 컨테이너 선박에 자가 적재(self-load)할 것을 지시하고 있을 때와 같이, 스마트 컨테이너 운영 단위 제어 시그널링에 대한 로컬 스마트 컨테이너 운영 단위의 정의 및 관리를 포함할 수 있다. 원격 제어 신호 관리의 다른 예들은 스마트 컨테이너-스마트 컨테이너 플릿 지원 시그널링, 팀 내(intra-team) 스마트 컨테이너 운영 단위 시그널링 등을 포함할 수 있다.In an embodiment, the smart container system includes a
실시예에서, 원격 제어 시스템(13012)은 주문 실행 시스템(13022)을 보조하고 스마트 컨테이너 운영 단위 및 다른 외부 자원을 원격으로 제어하여 태스크 및/또는 작업을 완료하기 위한 프레임워크를 제공하도록 구성된다. 원격 제어 시스템은 스마트 컨테이너 운영 단위, 플릿 지원 유닛, 외부 자원 등의 원격 동작을 위한 제어 신호의 정의 및 사용을 관리할 수 있다. 원격 제어 시스템(13012)에 의해 인에이블 되는 스마트 컨테이너 원격 제어는, 예를 들어, 팀 감독 스마트 컨테이너가 하나 이상의 스마트 컨테이너 팀 멤버에게 화물을 적재 및/또는 하역하도록 지시할 때, 스마트 컨테이너 운영 단위 제어 시그널링에 대한 로컬 스마트 컨테이너 운영 단위의 정의 및 관리를 포함할 수 있다. 원격 제어 신호 관리의 다른 예들은 스마트 컨테이너-스마트 컨테이너 플릿 지원 시그널링, 팀 내 스마트 컨테이너 운영 단위 시그널링 등을 포함할 수 있다. 실시예에서, 원격 제어 시스템은, 예를 들어, 통신 관리 시스템(13010), 보안 시스템(13046) 및/또는 네트워크 시스템(13202)을 포함하는 스마트 컨테이너 시스템(13000)의 자원을 사용하여, 일부 경우에 정보에 액세스하고, 결정을 하고, 커맨드를 실행한다. 스마트 컨테이너 운영 단위를 원격으로 제어하기 위한 프레임워크는 일련의 액션 기반 표준 규칙, 상황 인식에 의해 수정된 적응 규칙, 비상 규칙, 예외, 인간 결정, 윤리적 규칙, 플릿 지능 시스템 등을 포함할 수 있다. 그러나, 원격 제어 요건의 범위를 취급하는데 필요한 특수화된, 폴오버(fall-over), 또는 다른 통신은 원격 제어 통신의 전달을 용이하게 할 수 있고 및/또는 원격 제어 시스템(13012)의 사용으로부터 통신이 무엇과 대비되어야 하는지를 시그널링하는 통신 관리 시스템(13010)의 일부일 수 있다.In embodiments,
원격 제어 시스템(13012)은 로컬 감독자 원격 제어 개시자들, 인간(로컬 또는 원격) 원격 제어 개시자들, 자동화된 플릿 기반 원격 제어 개시자들(예를 들어, 플릿 인공 지능 시스템 등), 및 (예를 들어, 법 집행 등을 위한) 제3자 원격 제어 개시자들을 포함하는 원격 제어 신호들의 복수의 개시자들을 인식할 수 있다. 원격 제어 시그널링은 화재 및 비상 응답 자원들, 기반구조 자원들, 제3자 스마트 컨테이너 서비스 제공자들 등과 같은 플릿 외부 자원들에 대한 원격 제어 신호들을 관리하는 것을 포함할 수 있다.
원격 제어 동작들에 참여할 수 있는 플릿 자원들은, 구세대 스마트 컨테이너 운영 단위들, 인간 플릿 자원들, 양자 컴퓨팅 요소들 등과 같은, 구현 및 프로토콜들 둘 모두에서 다양할 수 있다. 따라서, 원격 제어 시스템(13012)(통신 관리 시스템(13010)과 협력함)은 제어 신호를 교환하는 임의의 2개의 디바이스가 신뢰성 있게 할 수 있음을 보장하기 위해 다수의 원격 동작 프로토콜(다중 프로토콜) 능력의 지식으로 구성될 수 있다. 실시예들에서, 멀티-프로토콜 능력들은 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(13010)은 전술한 바와 같이 직접 그리고 API 등에 의해, 또는 이러한 프로토콜 취급 능력으로 구성됨으로써(예를 들어, 원격 제어 시스템(13012)의 프로토콜 취급 능력으로 배치됨) 이러한 프로토콜 처리 능력을 이용할 수 있다. 실시예들에서, 원격 제어 시스템(13012)(또는 통신 관리 시스템(13010)과 통합된 그의 동등한 기능들)은 예를 들어, 프로토콜 변환 및/또는 적응을 용이하게 하기 위해 디지털 트윈 및/또는 인공 지능 서비스와 같은 지능 서비스(13004)의 부분들에 의존할 수 있다. 따라서, 원격 제어 시스템(13012)은 플릿 지능 시스템에 의해 선택적으로 보조되는 실시간 온-디맨드 프로토콜 변환을 제공할 수 있다. 원격 제어 시스템(13012)은 외부 및/또는 제3자 원격 제어 아키텍처와의 통합을 위해 구성된 포트를 통해 플릿 외부 원격 제어를 지원할 수 있다. 원격 제어는 전용 기반구조 및/또는 통신 특징들(예를 들어, 단거리 브로드캐스트 능력들)을 통해 통신될 수 있다.Fleet resources that can participate in remote control operations can vary in both implementation and protocols, such as older generation smart container operating units, human fleet resources, quantum computing elements, etc. Accordingly, the remote control system 13012 (in cooperation with the communications management system 13010) has multiple remote operation protocol (multi-protocol) capabilities to ensure that any two devices exchanging control signals can reliably do so. It can be composed of knowledge. In embodiments, multi-protocol capabilities may include handling and/or providing services as protocol-to-protocol conversion, remote control signal integration and interpretation, protocol normalization, etc. In embodiments,
스마트 컨테이너 운영 단위의 제어와 같은 원격 제어는 적어도 부분적으로 인간 조작자에 의해 개시될 수 있다. 실시예에서, 스마트 컨테이너(13026)는 (예를 들어, 주문 실행 시스템(13022)에 의해 예시적으로 보고될 수 있는) 주문 실행 동안 예상치 못한 및/또는 알려지지 않은 조건에 직면할 수 있고, 스마트 컨테이너 운영 단위(들)을 원격으로 제어하기 위해 인간 조작자에게 맡길 수 있다. 선택적으로, 인공 지능 시스템과 같은 하나 이상의 지능 서비스(13004) 컴포넌트들이 적어도 후보 원격 제어 신호들에 대해 참조될 수 있다. 실시예에서, 주문 실행 계획은, 미리 결정된 동작 태스크에서, 스마트 컨테이너 동작이 인간 조작자에 의해 안내되어야 함을 나타낼 수 있다. 그러한 태스크가 작업 작업흐름(workflow)에서 발생할 것으로 예상될 때(예를 들어, 감독 스마트 컨테이너 등과 같은 운송 실행 모니터링 인스턴스에 의해), 원격 제어 시스템(13012)은 적절한 인간 조작자와 스마트 컨테이너, 스마트 컨테이너 운영 단위, 팀, 팀 감독자 등 사이의 원격 제어 연결을 감독하도록 호출되어, 인간 조작자 제어를 호출하는 작업흐름을 실행할 수 있다.Remote control, such as control of a smart container operating unit, may be initiated, at least in part, by a human operator. In embodiments, smart container 13026 may encounter unexpected and/or unknown conditions during order execution (e.g., as may be illustratively reported by order execution system 13022), and the smart container The operating unit(s) may be entrusted to a human operator to remotely control them. Optionally, one or
실시예에서, 원격 제어 시스템(13012)은 특정 태스크를 원격으로 수행하기 위해 원격 제어 신호 시퀀스 세트에 액세스할 수 있다. 원격 제어 시스템(13012)은, 수행되는 작업흐름의 컨텍스트에 기초하여, 인간 조작자 및/또는 자동 제어 시스템에 하나 이상의 원격 제어 신호 시퀀스를 제안할 수 있다. 실시예에서, 원격 제어 시스템은, 선택적으로 다른 플릿 자원(예를 들어, 인공 지능 시스템 등)의 도움으로, 인간 조작자로부터의 입력(예를 들어, "정지", "언로드(unload)" 등과 같은 커맨드)을 처리하고, 스마트 컨테이너 운영 단위 등과 같은 플릿 자원을 원격으로 제어하기 위한 원격 제어 신호의 세트를 생성할 수 있다. 원격 제어 신호 시퀀스들은 보안 침해, 장비 고장 등과 같은 실시간 상황들의 범위를 취급하기 위해 미리 구성될 수 있다. 스마트 컨테이너 운영 단위의 원격 제어를 용이하게 하고 및/또는 관리하는 것에 더하여, 원격 제어 신호 시퀀스들은 작업, 태스크, 작업흐름 등을 위해 배치 및/또는 할당된 플릿 자원들의 재구성을 위해 사용될 수 있다. 인간 조작자(또는 자동화된 시스템 모니터-유형 애플리케이션)는 재구성 명령들 및 재구성 데이터를 수신하도록 스마트 컨테이너 운영 단위 구성 서버와 통신하기 위해 하나 이상의 생존 멤버들에게 원격 제어 신호를 통신하는 것과 같이, 태스크 역할들 및 액션들을 조정하기 위해 팀의 생존 멤버들에게 통신되는 원격 제어 신호들을 제공할 수 있다.In embodiments,
본 명세서에서는 일반적으로 원격 제어 신호로 설명되지만, 원격 제어 시스템(13012)은 플릿 레벨, 팀 레벨, 스마트 컨테이너 레벨 등에서 원격 제어 신호를 원격 제어 명령(예를 들어, 원격 제어 신호의 조합, 이들의 추상화 등)으로 배열함으로써 원격 제어를 용이하게 할 수 있다. 원격 제어 명령 기능의 예로서, 원격 제어 시스템(13012)은, 예를 들어, 스마트 컨테이너에 컨테이너 선박 상으로 램프(ramp)를 끌어올리도록 명령하기를 원하는 인간 조작자로부터 입력을 수신할 수 있다. 이 예에서, 원격 제어 시스템은 인간 조작자 원격 제어 명령을 수신하고, 해당 명령을 스마트 컨테이너(13026)에 대한 하나 이상의 상이한 원격 제어 신호에 적응시키고, 대응하는 원격 제어 신호를 생성하고, 인간 조작자에 의해 원격으로 제어될 스마트 컨테이너(13026)로의 (예를 들어, 통신 관리 시스템(13010) 자원을 통한) 이들 신호의 통신을 보장할 수 있다.Although generally described herein as a remote control signal, the
집계된 원격 제어 신호들(예를 들어, 명령들 또는 명령들의 세트)에 대한 스마트 컨테이너 운영 단위 응답성은 광범위한 플릿 지능 능력들, 지식, 우선순위들, 목표들 등에 기초할 수 있다. 일반적으로, 시스템 기반 및/또는 스마트 컨테이너 운영 단위 기반 인공 지능 능력의 사용은 더 큰 컨텍스트 중대성(gravity)을 갖는 개별 스마트 컨테이너 운영 단위에 대한 더 넓은 독립적인 의사 결정 능력을 지원한다.Smart container operating unit responsiveness to aggregated remote control signals (e.g., commands or set of commands) may be based on broad fleet intelligence capabilities, knowledge, priorities, goals, etc. In general, the use of system-based and/or smart container operating unit-based artificial intelligence capabilities supports broader independent decision-making capabilities for individual smart container operating units with greater context gravity.
실시예에서, 원격 제어 시스템(13012)은 원격 제어되는 스마트 컨테이너 운영 단위의 제어와 인계, 절충, 오용 또는 간섭을 저지하기 위해 보안 특징을 통합할 수 있다. 원격 제어 시스템(13012)에 의해 사용되는 자원들(예를 들어, 데이터 저장 자원들, 컴퓨팅 자원들, 원격 제어 시스템 상태 데이터 등)은 인코딩, 디코딩, 패킷화 등과 같은 보안 특징들을 이용하여 구성될 수 있다. 또한, 원격 제어 시스템(13012)은, 원격 제어 시그널링에 직접 관여하지 않거나 원격 제어 신호와는 독립적으로, 예컨대, 자율적으로, 다른 스마트 컨테이너 운영 단위 등과 협력하여 동작하는 스마트 컨테이너의 원격 제어를 인간 조작자가 안전하게 획득할 수 있게 하는 제어 오버라이드(control override) 능력을 포함 및/또는 지원할 수 있다.In embodiments,
실시예에서, 스마트 컨테이너 시스템(13000)은 사용자가 원격 디바이스(예를 들어, 사용자 디바이스, VR 디바이스, AR 디바이스 등)로부터 스마트 컨테이너 시스템(13000) 및/또는 개별 스마트 컨테이너 운영 단위(예를 들어, 원격 제어를 위해)에 액세스할 수 있게 하는 인간 인터페이스를 제공하는 인간 인터페이스 시스템(13038)을 포함할 수 있다. 실시예에서, 인간 인터페이스 시스템(13038)은 (임의의 작업 관련 파라미터를 포함하는) 화물 보관 및/또는 운송 서비스 주문 입력, 플릿 운영 관리, 플릿 자원 관리, 플릿 컴퓨팅 시스템, 소프트웨어 및 데이터 구조 관리(예를 들어, 시스템 업그레이드 등), (예를 들어, 스마트 컨테이너 운영 단위의 원격 제어를 위한) 스마트 컨테이너 운영 단위에 대한 인간 액세스, 플릿 운영의 증강 및/또는 가상 현실 시각화, 및 (예를 들어, 하나 이상의 화물 보관 및/또는 운송 서비스 주문 등과 연관된 스마트 계약의 생성 및/또는 검증을 위한) 데이터 추출을 용이하게 한다. 인간 인터페이스 시스템(13038)의 사용의 예로서, 사용자는 인간 인터페이스 시스템(13038)을 통해 요청된 작업의 상태 업데이트들에 액세스할 수 있다. 사용자는 요청된 작업에 대한 작업들을 수행하는 스마트 컨테이너 운영 단위들을 관찰하기 위해 원격 디바이스를 사용할 수 있다. 이 예에서, 인간 인터페이스 시스템(13038)은 주문 실행 시스템(13022)과 같은 다른 플릿 컴포넌트와 상호작용하여, 작업 태스크에 할당되고 현재 수행 중인 스마트 컨테이너 운영 단위의 이미지를 제공하도록 이미지 캡처 자원(예를 들어, 카메라 기반 오버헤드 드론)을 지시할 수 있다.In embodiments, the
실시예에서, 플릿 관리 시스템(13002)은 작업 구성 시스템(13018), 플릿 구성 시스템(13020), 자원 프로비저닝 시스템(13014), 물류 시스템(13016), 및 주문 실행, 모니터링, 및 보고 시스템(13022)("주문 실행 시스템"(13022)이라고도 지칭됨)을 포함할 수 있다.In an embodiment,
실시예에서, 플릿 관리 시스템(13002)은, 스마트 컨테이너 팀, 스마트 컨테이너 플릿, 스마트 컨테이너, 및/또는 지원 자원(예를 들어, 에지 디바이스, 통신 디바이스, 컨테이너 선박, 크레인, 적층 제조 시스템(예를 들어, 3D 프린터) 등)에 대한 프로비저닝 자원와 같은, 플릿 내의 스마트 컨테이너 운영 단위에 대한 프로비저닝 자원을 관리하는 자원 프로비저닝 시스템(13014)을 포함한다. 실시예들에서, 자원들은 물리적 자원들, 디지털 자원들, 및/또는 소모성 자원들을 포함할 수 있다. 물리적 자원들의 예들은 엔드 이펙터들/조작기들, 환경 차폐 컴포넌트들, 센서들 및/또는 센서 시스템들, 동반 자원들(예를 들어, 드론들, 로봇들, 컨테이너 선박들, 트럭들, 철도 시스템들, 크레인들, 리프트들 등), 하드웨어 자원들(예를 들어, 특수 처리 모듈들, 데이터 스토리지, 네트워킹 모듈들, 테더링 모듈들 등), 예비 부품들, 인적 자원들(예를 들어, 기술자들, 조작자들 등), 전원들(예를 들어, 발전기들, 휴대용 배터리들) 등을 포함할 수 있지만, 이에 제한되지 않는다. 디지털 자원들의 비제한적인 예들은 소프트웨어, 동작 파라미터들, 작업-특정 데이터 세트들 등을 포함할 수 있다. 소모성 자원의 비제한적인 예는 연료, 패키징 용품, 용접 용품, 세척/정화 용품 등을 포함할 수 있다.In embodiments,
실시예에서, 자원 프로비저닝 시스템(13014)은 플릿 특정 재고, 지역 공용 재고, 대여/사용당 요금 기반 자원 재고(rental/per-use fee-based resource inventories), 주문형(on-demand) 자원 생산 시스템(예를 들어, 엔드 이펙터의 3D 프린팅 등), 제3자 재고 등과 같은 물리적 자원의 재고 목록으로부터 물리적 자원을 제공할 수 있다.In embodiments,
실시예들에서, 자원 프로비저닝 시스템(13014)은 플릿 자원 프로비저닝 규칙들이 준수되는 것을 보장하기 위해 플릿 구성 시스템들, 플릿 자원 스케줄링 및 활용 시스템들 등과 같은 플릿 운영 시스템의 다른 시스템들과 협력하여 작동할 수 있다. 프로비저닝될 물리적 자원들은 또한 컴퓨팅 자원들, 예컨대 온-스마트 컨테이너 컴퓨팅 자원들, 스마트 컨테이너 운영 단위-로컬 플릿-제어 컴퓨팅 자원들, 클라우드/제3자 기반 컴퓨팅 자원들, 컴퓨팅 및 다른 모듈들 및 칩들(예를 들어, 스마트 컨테이너 운영 단위와/내에 배치하기 위한) 등을 포함할 수 있다. 일부 실시예들에서, 플릿 자원 프로비저닝 규칙들은, 프로비저닝된 자원들이 프로비저닝 규칙들을 준수하는 것을 보장하기 위해 자원 프로비저닝 시스템(13014)이 지능 서비스와 인터페이스하도록, 거버넌스 표준 라이브러리들에서 정의될 수 있다.In embodiments,
실시예에서, 자원 프로비저닝 시스템(13014)에 의해 프로비저닝될 디지털 자원은 소프트웨어/펌웨어 업데이트 푸싱(update pushing)(예를 들어, 스마트 컨테이너의 온보드 소프트웨어를 업데이트하기 위해), 자원 액세스 자격증명(resource access credentialing)(예를 들어, 작업 특정 스마트 컨테이너 구성 데이터 등과 같은 네트워크 자원에 액세스하기 위해), 온-스마트 컨테이너 데이터 저장 구성/할당/활용 데이터 등과 같은 플릿 구성 능력을 통해 프로비저닝될 수 있다. 프로비저닝 시스템(13014)의 사용은 주어진 화물 보관 및/또는 운송 서비스 주문에 대해 구체적으로 이루어지고 및/또는 소싱되는 프로비저닝 장비, 재료, 소프트웨어, 데이터 구조 등을 포함할 수 있다.In an embodiment, digital resources to be provisioned by
실시예들에서, 프로비저닝 시스템(13014)은 또한 제3자 스마트 계약 시스템들 등과 같은 계약 시스템들과 협력하여 동작할 수 있다. 일부 실시예에서, 화물 보관 및/또는 운송 서비스 주문은 요청을 준수하는 프로비저닝 시스템(13014)의 인스턴스의 구성을 포함할 수 있고 및/또는 초래할 수 있는 스마트 계약을 참조하거나 포함할 수 있다. 예로서, 프로비저닝 시스템(13014)은, 예컨대 작업 구성 시스템(13018)으로부터, 프로비저닝 제약들 및/또는 가이던스(guidance)를 호출하는 스마트 계약 조건들을 수신할 수 있다. 프로비저닝 시스템(13014)은 이러한 계약 조건들을 해석할 수 있고, 이에 의해 플릿 및 소모성 자원 프로비저닝 제약들의 세트를 생성할 수 있다.In embodiments,
자원 프로비저닝 시스템(13014)에 대해 위에서 설명된 예들은 일반적으로 주문 실행 관련 프로비저닝에 초점을 맞추지만, 자원 프로비저닝 시스템(13014)은 컴퓨팅 자원들과 같은 플릿 자원들의 프로비저닝, 플릿 구성 시스템, 지능 서비스 등과 같은 플릿 요소들에 대한 액세스 및/또는 플릿 요소들의 실행을 추가로 취급할 수 있다. 실시예에서, 특정 자원의 프로비저닝은 화물 보관 및/또는 운송 서비스 주문의 수락을 위한 협상 작업흐름의 일부로서 실행될 수 있다. 예로서, 특정 지능 서비스들(예를 들어, 플릿 레벨 지능 서비스)을 프로비저닝하는 것은 다른 지능 서비스들보다 송하인에게 더 높은 요금을 초래할 수 있다(예를 들어, 스마트 컨테이너 레벨 지능 서비스가 스마트 컨테이너 운영 단위들에 배치되는 경우에만). 위에서 그리고 본 명세서의 다른 곳에서 언급된 바와 같이, 지능 서비스들은 시스템의 플릿 및 작업 구성 기능들에 가치를 가져올 수 있고; 따라서, 화물 보관 및/또는 운송 서비스 주문 협상의 일부로서 그러한 시스템들을 프로비저닝하는 것은 송하인에게 추가 비용을 정당화할 수 있다. 일부 시나리오들에서, 플릿 구성 시스템과 같은 시스템 자원들의 우선순위화는 프로비저닝 시스템(13014) 기능들에 영향을 미칠 수 있다.While the examples described above for
실시예들에서, 플릿 관리 시스템(13002)은, 무엇보다도, 배송 요건들을 충족시키고, 스마트 컨테이너들을 유지하고, 플릿 자원들(스마트 컨테이너 운영 단위들, 물리적 자원들 등)의 가용성을 유지하고, 부품들(예를 들어, 교체 부품들, 엔드 이펙터들, 공급품들 등)의 픽업 및 배달을 위한 물류 계획 및 실행을 취급하는 물류 시스템(13016)을 포함한다. 실시예들에서, 물류 시스템(13016)은 물류 계획들을 추천하기 위해 기계 학습 시스템들 및/또는 인공 지능 시스템들과 같은 지능 서비스들을 활용할 수 있다.In embodiments,
물류 계획들은 특정 위치로 아이템들의 세트의 배달을 초래하기 위해 생성되는 작업흐름을 지칭할 수 있다. 실시예에서, 물류 시스템(13016)은 물류 계획의 실행을 위해 플릿 자원(예를 들어, 스마트 컨테이너, 컨테이너 선박, 로봇, 트럭, 크레인, 철도 등)을 이용하는 물류 계획을 생성할 수 있다. 실시예에서, 플릿 운영 시스템(13002)은 물류 계획 및 의사 결정을 돕기 위해 (시스템-레벨) 지능 서비스(13004)를 활용할 수 있다.Logistics plans may refer to the workflow created to result in the delivery of a set of items to a specific location. In embodiments,
실시예에서, 플릿 관리 시스템(13002)은 스마트 컨테이너 운영 단위와 같은 플릿 자원에 대한 유지보수를 스케줄링하고 실시하도록 구성될 수 있는 유지보수 관리 시스템(13028)을 포함한다. 유지보수 관리 시스템(13028)은 배치된 작업 현장으로부터 수리 차고로의 이동으로 인한 스마트 컨테이너 운영 단위 활용에 대한 영향을 완화하기 위해 현장에서 플릿 자원들의 스케줄링된 유지보수를 포함하는 현장 유지보수 요구들 및 요청들을 취급할 수 있다. 유지보수 관리 시스템(13028)은 또한 수리 차고들 등에서의 유지보수 및 수리 동작들을 조정할 수 있다. 실시예들에서, 유지보수 관리 시스템(13028)은 모바일 유지보수 차량들, 예비 부품들 차고들, 제3자 유지보수 서비스 제공자들 등을 포함하고, 그에 대한 액세스를 제공하고, 및/또는 통합될 수 있다. 실시예들에서, 웨어하우스들, 원격 재고 차고들 등과 같은 저장 영역들에 하우징된 플릿 자원들에 대한 유지보수 요구들은, 스마트 컨테이너가 배치 동안 유지보수를 요구할 가능성이 적도록 스마트 컨테이너에 대한 예방적 유지보수 활동이 다가올 때와 같은, 사전 스케줄링된 유지보수를 위해 유지보수 관리 시스템(13028)에 의해 평가될 수 있다.In an embodiment,
실시예에서, 유지보수 관리 시스템(13028)은 스마트 컨테이너 운영 단위와 같은 플릿 자원의 상태를, 스케줄링된 기반으로 또는 유지보수 관리 시스템(13028) 등에 의한 스마트 컨테이너 운영 단위 상태에 대한 질의에 응답하여 제공될 수 있는 자원 상태 보고를 통해 모니터링할 수 있다. 실시예에서, 유지보수 관리 시스템(13028)은 스마트 컨테이너 운영 단위가 감소된 전력 출력을 경험하고 있음을 시그널링하는 스마트 컨테이너 운영 단위, 특정 주변 조건(예를 들어, 과도한 열)에 대한 노출을 보고하는 스마트 컨테이너 운영 단위, 세정을 필요로 하는 액체 화물을 포함하는 누출을 보고하는 스마트 컨테이너 운영 단위, 스마트 컨테이너 운영 단위으로부터 스마트 컨테이너 헬스 모니터 자원(health monitor resource)으로의 하트비트 신호(heartbeat signal)의 결여 등과 같은 잠재적인 서비스 조건의 표시를 위해 스마트 컨테이너 운영 단위 통신을 모니터링할 수 있다. 또한, 유지보수 관리 시스템(13028)은 스마트 컨테이너 운영 단위 상태 정보를 저장하는 스마트 컨테이너 데이터 저장소 내의 모니터링 정보, 자체 테스트 동작 모드를 활성화하는 것, 스마트 컨테이너 유지보수 요구의 표시를 제공하는 데이터의 수집 등과 같은 스마트 컨테이너 운영 단위 상의 유지보수 관리 기능을 수행할 수 있는 스마트 컨테이너 운영 및/또는 감독 소프트웨어 내에 프로브(probe)를 배치할 수 있다. 또한, 유지보수 관리 시스템(13028)은 요청된 작업을 수행하기 위해 스마트 컨테이너 운영 단위들의 팀에 스마트 컨테이너들과 함께 배치될 수 있는 유지보수 로봇들을 포함할 수 있다.In embodiments,
유지보수 관리 시스템(13028)은, 인간/조작자 입력을 활용하는 것(예를 들어, 인간 관찰자는 스마트 컨테이너 운영 단위가 불규칙적으로 동작하는 것으로 보인다는 것을 나타낼 수 있음), 유지보수 활동들의 스마트 컨테이너 프로세스 자동화, 스케줄링을 위한 유지보수 인스턴스들을 예측하기 위한 인공 지능, 스케줄링 및 유지보수를 수행하기 위한 새로운 기회들을 식별하는 것을 돕기 위한 기계 학습(예를 들어, 고온 환경에서 동작하기 전에 스마트 컨테이너의 냉각 시스템을 업그레이드하는 것과 같은 그러한 조건들 하에서 동작하기 전에 특정 조건들 동안 유지된 스마트 컨테이너 운영 단위들의 성능을 분석함) 등을 포함하여, 유지보수를 스케줄링하고 실시하기 위한 다양한 시스템 서비스들 및 능력들을 이용하도록 구성될 수 있다. 실시예에서, 유지보수 관리 시스템(13028)은 유지보수 관련 입력을 수신할 수 있다. 실시예들에서, 유지보수 관련 입력의 후보 소스들은 인간 조작자들/관찰자들, 유지보수 스케줄링 서비스들, 제3자 서비스 제공자들, 스마트 컨테이너 생산 벤더들, 및 유지보수를 스케줄링하기 위한 부품 제공자들을 포함할 수 있다. 유지보수 관리 시스템(13028)은 또한 적절한 유지보수 작업흐름들, 서비스 액션들, 필요한 부품들 등을 결정하기 위해 비즈니스 규칙들(예를 들어, 규제 기관에 의해 결정된, 송하인에 의해, 팀, 플릿에 대해 확립된 규칙들 등), 연관 테이블들, 데이터 세트들, 데이터베이스들, 및/또는 유지보수 관리 라이브러리들을 활용할 수 있다. 실시예에서, 유지보수 활동은 유지보수 관리 시스템에 의해 유지보수 스마트 컨테이너, 인간 기술자, 제3자 서비스 제공자 등과 같은 플릿 자원에 할당될 수 있다.
실시예들에서, 전개되는 스마트 컨테이너 운영 단위들은, 다른 것들 중에서도, 자체 세정, 엔드 이펙터 작동들을 교정하는 것 등과 같은 자체 유지보수를 수행하기 위해 하나 이상의 유지보수 프로토콜들로 구성될 수 있다. 자가-유지보수는 결함 3D 프린팅 시스템 또는 화물을 고정하기 위한 결함 시스템(예를 들어, 강철 스트래핑, 폴리에스테르 스트래핑, 완충재 백 등)과 같은 손상된 스마트 컨테이너 운영 단위 특징의 검출에 응답하는 능력의 감소를 제한 없이 포함할 수 있다. 전개되는 스마트 컨테이너 운영 단위는 능력이 손상되었다고 결정할 수 있고, 선택적으로 유지보수 관리 시스템(13028)의 지원으로, 손상된 능력이 배송 완료의 지연을 야기하기보다는 시간이 허용될 때 해결될 수 있도록 다른 스마트 컨테이너와의 할당을 전환할 수 있다. 또한, 스마트 컨테이너 운영 단위 지능(예를 들어, 온-스마트 컨테이너 AI 등)는 예를 들어, 스마트 컨테이너 능력에 대한 고장 시간 데이터에 기초하여 스마트 컨테이너 능력의 손상을 예측할 수 있다.In embodiments, deployed smart container operating units may be configured with one or more maintenance protocols to perform self-maintenance, such as self-cleaning, correcting end-effector operations, etc., among other things. Self-maintenance reduces the ability to respond to the detection of damaged smart container operating unit features, such as defective 3D printing systems or defective systems for securing cargo (e.g. steel strapping, polyester strapping, dunnage bags, etc.). It can be included without limitation. A deployed smart container operating unit may determine that a capability has been compromised and, optionally with the assistance of
실시예에서, 유지보수 관리 시스템(13028)은 스마트 컨테이너 운영 단위 및/또는 그 컴포넌트에 대해 유지보수가 수행될 수 있는 때를 예측하기 위해 지능 서비스(13004)(예를 들어, 시스템 레벨 지능 서비스(13004))를 활용할 수 있다. 이들 실시예 중 일부에서, 유지보수 관리 시스템(13028)은 지능 서비스(13004)로부터 스마트 컨테이너 운영 단위의 디지털 트윈을 요청할 수 있다. 이때, 디지털 트윈은 스마트 컨테이너 운영 단위의 현재 상태를 반영하여 스마트 컨테이너 운영 단위의 디지털 트윈을 분석하여 스마트 컨테이너 운영 단위에 대한 유지보수가 필요한지 여부를 판단할 수 있다. 추가적으로 또는 대안적으로, 지능 서비스(13004)의 디지털 트윈 서비스는 유지보수가 필요할 수 있는 때를 예측하기 위해 스마트 컨테이너 운영 단위를 수반하는 하나 이상의 시뮬레이션을 실행할 수 있다. 이들 실시예 중 일부에서, 스마트 컨테이너 운영 단위의 디지털 트윈의 출력은 유지보수가 필요할 수 있는 경우/때를 예측하기 위해 (예를 들어, 기계 학습 예측 모델 또는 신경망을 사용하여) 분석될 수 있다.In an embodiment,
실시예에서, 플릿 관리 시스템(13002)은 작업 구성 시스템(13018)을 포함한다. 실시예에서, 배송 구성 시스템은 예컨대 스마트 컨테이너 배송 서비스를 예약하는 고객으로부터 화물 보관 및/또는 운송 서비스 주문을 수신한다. 실시예에서, 화물 보관 및/또는 운송 서비스 주문은 화물 보관 및/또는 운송 서비스 주문 파라미터의 세트를 나타낼 수 있다. 화물 보관 및/또는 운송 서비스 주문 파라미터의 비제한적인 예는 : 타이밍 요건, 배송의 기점 및 목적지(예를 들어, 지역, 어드레스, 좌표 등), 필요한 스마트 컨테이너의 수, 필요한 컨테이너의 유형(예를 들어, 탱크 컨테이너, 벌크 컨테이너, 20-ft 표준 컨테이너, 40-ft 하이-큐브 컨테이너 등), 컨테이너 이용 요건(예를 들어, 전체 컨테이너(FCL) 대 공유 컨테이너(LCL)), 화물 설명(예를 들어, 패키지의 수, 총 체적, 또는 총 중량), 화물이 개인 물품(person effects)을 포함하는지 여부, 다른 필요한 태스크(예를 들어, 검사 태스크, 패키징 태스크, 언패키징 태스크, 하역 태스크, 적재 태스크, 3D 인쇄 태스크, 성장 태스크, 조립 태스크, 모니터링 태스크 등), 가격 정보, 및 임의의 다른 적절한 파라미터를 포함할 수 있다. 실시예에서, 어떤 유형의 스마트 컨테이너 운영 단위가 필요한지 및/또는 그 기능을 나타낼 수 있는 화물 보관 및/또는 운송 서비스 주문 파라미터가 필요하다. 이들 및 다른 화물 보관 및/또는 운송 서비스 주문 세부사항은 본 명세서의 다른 곳에서 설명된다.In an embodiment,
실시예들에서, 양자 최적화는 스마트 컨테이너 운영 단위들 등과 같은 플릿 자원들에 걸친 할당들을 최적화할 수 있는 양자 컴퓨팅 서비스(13008)에 의해 인에이블될 수 있다. 양자 컴퓨팅 서비스(13008)는 스마트 컨테이너 플릿, 배송, 팀, 통신, 물류 등과 연관된 라우팅(논리적, 물리적, 및 전자적)을 추가로 최적화할 수 있다. 추가적으로 또는 대안적으로, 일부 실시예들에서, 양자 컴퓨팅 서비스(13008)는 에너지 소비, 계산 용량 및 활용, 기반구조 자원 계획, 관여 및 활용, 위험 관리, 컴퓨팅 저장 용량 등을 포함하는 다양한 플릿 기능들에 걸쳐 스마트 컨테이너 자원들과 다른 자원들의 조합들을 최적화하기 위해 이용될 수 있다. 양자 컴퓨팅 서비스(13008)는 또한 스마트 컨테이너 설계를 최적화하고, 스마트 컨테이너 서비스 가격을 최적화하고, 스마트 컨테이너 충전을 최적화하는(예를 들어, 태양광 패널을 갖는 스마트 컨테이너가 충분한 레벨의 태양광을 수신하도록 그의 경로를 최적화하는) 등을 위해 사용될 수 있다.In embodiments, quantum optimization may be enabled by
실시예에서, 작업 구성 시스템(13018) 및 다른 플릿 자원(예를 들어, 플릿 구성, 시스템 지능, 스마트 컨테이너 동작 등)은, 다른 것들 중에서도, 장애로부터의 학습뿐만 아니라 작업, 작업흐름, 및 주문 실행 계획 최적화를 위한 딥러닝 기술의 사용으로부터 이익을 얻을 수 있다. 이들 실시예들에서, 작업 구성 시스템(13018)은 시스템-레벨 지능 서비스(13004)로부터 딥러닝 서비스들을 요청할 수 있으며, 이는 화물 보관 및/또는 운송 서비스 주문으로부터 추출된 특징들을 포함하는, 특징들의 세트에 기초하여 작업 구성들을 결정하기 위해 신경망들 및/또는 다른 기계 학습 모델들을 활용한다. 이러한 실시예들에서, 인공 지능 서비스들은 태스크 작업흐름들, 작업 구성들 등을 학습하도록 구성될 수 있다.In embodiments, the
실시예에서, 작업 구성, 플릿 구성(스마트 컨테이너 구성을 포함할 수 있음), 및/또는 주문 실행은 로컬 컨텍스트 적응형 태스크 할당, 실행, 자원 라우팅 등의 사용을 통해 플릿 기능, 성능, 및 결과를 추가로 향상시킬 수 있다. 이러한 적응적 능력은 작업 활동들의 컨텍스트를 빠르고 효율적으로 드러내는 피어-투-피어 기반 통신(예를 들어, 팀 내의 스마트 컨테이너 운영 단위들)을 통해 추가로 인에이블될 수 있다.In embodiments, task configuration, fleet configuration (which may include smart container configuration), and/or order execution may be used to improve fleet functionality, performance, and results through the use of local context adaptive task assignment, execution, resource routing, etc. Additional improvements can be made. This adaptive capability can be further enabled through peer-to-peer based communication (e.g., smart container operating units within a team) that quickly and efficiently reveals the context of work activities.
실시예에서, 스마트 컨테이너 할당 및 실행의 자동화(예를 들어, 학습을 통한 스마트 컨테이너 프로세스 자동화)를 위한 인공 지능은 예를 들어, 인간 조작자 할당 활동으로부터 스마트 컨테이너 할당을 학습하기 위해 플릿 관리 시스템(13002) 및 지능 서비스(13004)와 같은 스마트 컨테이너 시스템(13000)의 요소와 협력하여 기능할 수 있다. 스마트 컨테이너 플릿 구성 및 동작의 컨텍스트에서 인공 지능 시스템이 산출할 수 있는 다른 학습은 태스크 완료, 완료 시간, 배달된 무손상 배송의 백분율, 완료 비용, 완료 품질, 자원에 대한 ROI, 자원 활용 등을 포함하는 성공의 결과 측정치에 기초할 수 있다.In embodiments, artificial intelligence for automation of smart container allocation and execution (e.g., smart container process automation through learning) may be used in a fleet management system (13002), for example, to learn smart container allocation from human operator allocation activities. ) and
작업 구성 시스템(13018)의 동작 흐름들을 포함하는 이들 및 다른 작업 구성 세부사항들이 본 명세서의 관련 도면들에 도시되고 설명된다.These and other task organization details, including the operational flows of
실시예에서, 플릿 관리 시스템(13002)은 복수의 동시 및/또는 중첩하는 화물 보관 및/또는 운송 서비스 주문으로부터 화물 보관 및/또는 운송 서비스 주문을 만족시키기 위해 플릿 자원(예를 들어, 스마트 컨테이너 운영 단위, 팀 등)의 구성을 결정하기 위해 작업 구성 시스템(13018)과 협력하여 작동할 수 있는 플릿 및 스마트 컨테이너 구성 시스템(13020)(플릿 구성 시스템(13020)으로도 지칭됨)을 포함한다. 플릿 구성 시스템(13020)은 화물 보관 및/또는 운송 서비스 주문, 필요한 태스크, 예산, 타임라인, 스마트 컨테이너 또는 스마트 컨테이너 유형의 가용성, 컨테이너 선박 또는 다른 운송 모드의 가용성, 컨테이너 터미널 또는 항구에서의 트래픽, 및/또는 다른 적절한 고려사항에 기초하여 플릿 및 스마트 컨테이너 구성을 결정할 수 있다. 일부 실시예에서, 플릿 구성 시스템(13020)은 플릿 및/또는 스마트 컨테이너 구성을 결정하기 위해 시스템 레벨 지능 서비스(13004)를 활용할 수 있다. 이들 실시예 중 일부에서, 지능 요청은 제안된 플릿 구성 및 다른 관련 데이터(예를 들어, 비용 제약, 화물 유형, 출발지 위치, 목적지 위치, 경로 환경 등)를 포함할 수 있다. 이에 응답하여, 지능 서비스(13004)는 제안된 플릿 구성을 출력할 수 있다. 플릿 구성 시스템(13020)의 추가 세부사항들이 본 명세서의 다른 곳에서 도면들에 설명되고 도시된다.In embodiments,
실시예에서, 플릿 관리 시스템(13002)은 주문 실행, 모니터링, 및 보고 시스템(13022)(주문 실행 시스템(13022)으로도 지칭됨)을 포함할 수 있다. 주문 실행 시스템(13022)은 스마트 컨테이너 및 플릿 자원 배달을 위한 물류, 데이터 수집, 카탈로그화, 라이브러리 관리 및 주문 실행을 위한 데이터 처리 활동을 용이하게 하기 위한 데이터 처리 시스템(13024) 할당과 같은 시스템 기능의 활동을 조정함으로써 처리하는 작업 구성 시스템(13018)으로부터 주문 실행 계획을 수신할 수 있다. 일반적으로, 주문 실행 시스템(13022)은, 주문 실행 계획을 실행하는데 유용하다고 결정될 수 있고 및/또는 이에 의해 정의될 수 있는 컴퓨팅, 저장, 대역폭 등과 같은, 작업 구성 시스템(13018)에 의해 구성된 것 이외의 자원을 포함하는, 자원을 투입하고 관리하는 것으로 작업을 시작할 수 있다.In embodiments,
실시예에서, 주문 실행 시스템(13022)은 주문 실행과 연관된 보고 요건(예를 들어, 배송-특정, 플릿-특정, 준수-관련 보고 등)에 대한 준수를 더 용이하게 할 수 있다. 실시예에서, 보고는 (예를 들어, 스마트 컨테이너 운영 단위, 센서 시스템, 사용자 디바이스, 데이터베이스 등으로부터의) 데이터 수집, 데이터 처리, 및 작업 및 플릿 구성 시스템 등에 의한 주문 실행 데이터의 사용을 위한 피드백 준비를 포함할 수 있다. 실시예에서, 주문 실행 시스템(13022)은 스마트 컨테이너 운영 단위, 팀 및 플릿 등 사이의 통신을 용이하게 하는 유지 관리 시스템(13028), 자원 프로비저닝 시스템(13014) 및 통신 관리 시스템(13010)과 같은, 주문 실행에 영향을 미치는 데이터를 전송, 처리, 저장 및 관리하는 다른 시스템 능력에 의해 보조될 수 있다. 이들 및 다른 플릿 및 외부 자원은 요청된 작업의 동작 양태, 예를 들어, 어느 통신 자원이 요청된 작업에 대해 리저브 및/또는 할당된 통신 관리 시스템(13010)을 갖는지, 스마트 컨테이너 운영 단위 및 작업을 실행하는 데 사용되는 다른 자원에 대한 서비스 및/또는 유지보수 요건, 작업의 동작이 시작된 후에 발생하는 자원 프로비저닝에 대한 변경 등을 용이하게 하기 위해 주문 실행 시스템(13022)에 정보를 제공할 수 있다.In embodiments,
실시예에서, 주문 실행 시스템(13022)은 예를 들어, 작업 중(on-the-job) 상태(예를 들어, 과도한 컨테이너 항구 트래픽, 과도한 비로 인해 예상되지 않은 지상 상태 등)로 인해 발생하고 있는 병목 현상을 식별함으로써 작업을 실행하는 동안 주문 실행 계획의 평가 및 수정을 추가로 용이하게 할 수 있다.In an embodiment, the
실시예에서, 주문 실행 시스템(13022)은 작업의 실행 동안 다양한 데이터 파이프라인 기능을 수행할 수 있다. 실시예들에서, 데이터 파이프라인 기능들은, 다른 것들 중에서도, 센서 선택, 감지, 정보 수집, 전처리, 라우팅, 통합, 처리 등을 결합하는 미리 구성된 센서 및 검출 패키지들의 사용을 최적화하는 것을 포함할 수 있다. 실시예에서, 센서 및 검출 패키지는 그 사용이 모니터링/보고 활동의 범위를 제공하는 것으로 표시될 때 주문 실행 시스템(13022)에 의해 활성화될 수 있다. 다른 데이터 파이프라인 기능 예들은 온-스마트 컨테이너 저장을 최적화하는 것, 통신 대역폭에 대한 감소된 영향을 위한 선택적 센서 데이터 필터링(예를 들어, 무선 네트워크 이용에 대한 요구를 감소시키는 것), 예외 조건 검출 및 파이프라인 적응/데이터 필터링 등을 포함한다.In embodiments,
실시예에서, 주문 실행 시스템(13022)은 주문 실행 동안 스마트 컨테이너 전력 수요를 모니터링하고, 필요한 경우 해결할 수 있다. 이들 실시예에서, 주문 실행 시스템(13022)은, 예를 들어, 중단되지 않아야 하는 태스크의 큐(queue)와 같은 작업 태스크 및 작업흐름 요건을 충족시키기 위해 다수의 스마트 컨테이너 운영 단위에 걸쳐 배터리 충전 용량(또는 연료 레벨과 같은 다른 에너지원 레벨)을 보장할 수 있다. 실시예들에서, 스마트 컨테이너 전력 수요 관리는 통합된 스마트 컨테이너 충전 활동들로 전체 생산성에서의 감소된 지연들로 태스크들을 완료하기 위해 플릿, 팀, 및 개별 스마트 컨테이너 운영 단위 라우팅을 포함할 수 있다. 주문 실행 시스템(13022)의 기능 및 동작의 추가 세부 사항은 본 개시 전반에 걸쳐 설명된다.In embodiments,
실시예에서, 주문 실행 동안에를 포함하는 스마트 컨테이너 기능은, 예를 들어, 제품의 라스트 마일(last-mile) 맞춤화를 위한 선택적으로 자동화된 스마트 컨테이너 3D 프린팅 및 생산 능력의 배치 및 사용을 통해, 예를 들어, 애자일(agile)하고, 원격이며, 요구된 기반으로 유연한 제조를 가능하게 하기 위해 3D 프린팅 서비스 및 시스템과 결합될 수 있다.In embodiments, smart container functionality, including during order execution, can be implemented, for example, through the deployment and use of optionally automated smart container 3D printing and production capabilities for last-mile customization of products. For example, it can be combined with 3D printing services and systems to enable agile, remote, and flexible manufacturing on an on-demand basis.
실시예에서, 주문 실행 시스템(13022)은 스마트 컨테이너 운영 단위(13040)을 모니터링하고 보고하는 스마트 계약의 세트를 실행, 배치 및/또는 이와 인터페이스할 수 있다. 실시예에서, 분산 원장(예를 들어, 공용 또는 사설 블록체인)과 같은 강력한 분산 데이터 시스템은 스마트 컨테이너 플릿 및/또는 스마트 컨테이너 활동을 추적 및 향상시킬 뿐만 아니라 관련 당사자에 대한 스마트 컨테이너 자원 사용 비용의 할당을 위해 사용될 수 있다. 이러한 실시예들 중 일부에서, 분산 원장 노드들은 스마트 계약들을 저장하고 실행한다. 실시예에서, 스마트 계약은 화물 보관 및/또는 운송 서비스 주문, 주문 실행, 자원 사용 등을 모니터링하도록 구성될 수 있다. 예를 들어, 일부 실시예들에서, 스마트 컨테이너 운영 단위들은 스마트 계약에 태스크(예를 들어, 화물의 배송)의 완료의 증거를 제공하도록 구성될 수 있어서, 스마트 계약은 완료된 태스크들에 응답하여 액션들(예를 들어, 지불, 기록 등)을 트리거할 수 있다. 다른 예에서, 스마트 컨테이너 운영 단위는 위치 데이터, 센서 데이터, 상태 데이터(예를 들어, 충전 레벨, 화물 상태 및/또는 상태 등) 및/또는 다른 적절한 데이터를 보고하도록 구성될 수 있고, 이에 의해 스마트 계약은 수신된 데이터에 기초하여 특정 액션들을 트리거하도록 구성될 수 있다.In embodiments,
실시예에서, 스마트 컨테이너 시스템(13000)은, 다른 것들 중에서도, 임의의 스마트 컨테이너 화물 서비스 운영 및/또는 지능 자원에 대한 확장 가능한 계산 능력, 데이터 관리 능력(예를 들어, 데이터 캐싱, 저장소 할당 및 관리 등), 라이브러리, 플릿 자원 재고 제어 및 관리 데이터 구조 등과 같은 플릿 및/또는 작업 관련 데이터 저장소에 대한 액세스 및 제어를 제공할 수 있는 데이터 처리 시스템(13024)을 포함할 수 있다.In embodiments,
실시예에서, 플릿 관리 시스템(13002)은 화물 보관 및/또는 운송 서비스 주문을 충족시키기 위한 지원을 제공할 수 있다. 예를 들어, 플릿 관리 시스템(13002)의 컴포넌트들은, 주문 실행의 타이밍 등과 같은 화물 보관 및/또는 운송 서비스 주문을 충족시키기 위해 플릿 자원들(예를 들어, 스마트 컨테이너 운영 단위들, 물리적 모듈들, 및/또는 지원 디바이스들)이 효율적인 방식으로 제공되는 것을 보장하기 위해 자원 프로비저닝 및 물류를 용이하게 할 수 있다. 예를 들어, 일부 실시예들에서, 플릿 관리 시스템(13002)은 플릿 자원들이 작업 완료 시간들에 상당한 영향을 미치지 않고 효율적인 방식으로 할당되는 것을 보장하기 위해 플릿 자원들 및/또는 유지보수 태스크들의 배달을 용이하게 하기 위해 "적시(just-in-time)" 전략들을 이용할 수 있다. 이들 실시예들 중 일부에서, 플릿 관리 시스템(13002)은, 다양한 화물 보관 및/또는 운송 서비스 주문들에 대응하는 플릿 자원 수요들을 예측하고, 플릿 자원 수요들을 예측하고 그러한 플릿 자원들의 qo달 및/또는 유지를 준비하기 위한 주문 실행 계획들을 예측하기 위해 지능 서비스들을 활용할 수 있다.In embodiments,
실시예에서, 주문 실행 시스템(13022)은 특정 자원이 특정 작업에 필요할 때를 예측하기 위해 작업 특정 방식으로 작업 관련 자원 수요를 예측할 수 있다. 예를 들어, 주문 실행 시스템(13022)(지능 서비스와 조합하여 작업함)은 특정 화물 보관 및/또는 운송 서비스 주문에 대한 진행 중인 및/또는 다가오는 작업의 스케줄을 생성할 수 있고, 이에 응답하여, 특정 플릿 자원이 필요할 것 같고 및/또는 이용 가능할 것 같은 때를 결정할 수 있다. 추가적으로 또는 대안적으로, 주문 실행 시스템(13022)은 다른 적절한 방식으로 특정 작업에 대한 작업 관련 자원을 예측할 수 있다. 예를 들어, 자원 수요들의 예측은 송하인의 화물 보관 및/또는 운송 서비스 주문 이력으로부터 도출된 플릿 자원 수요들의 패턴; 송하인에 대해 수행된 이전의 N개의 작업으로부터의 송하인의 자원 사용 이력; 화물 보관 및/또는 운송 서비스 주문들의 타이밍(예를 들어, 주문들은 통상적으로 다음 주 월요일에 시작될 작업들에 대해 목요일에 수신됨) 등에 기초하여 결정될 수 있다. 엔티티들 사이의 비즈니스 관계들은 공급자/판매자/소비자의 화물 보관 및/또는 운송 서비스 주문들을 포함하는 액션들에 기초하여 송하인/구매자의 플릿 자원 수요들 및 타이밍을 예측하기 위한 기초를 형성할 수 있다.In embodiments,
실시예들에서, 날씨 예보 및 계절 영향들과 같은 많은 다른 인자들이 플릿 자원 수요 예측들에 영향을 미칠 수 있다. 플릿 자원 수요 예측은 또한 자연 재해, 사고/긴급 상황, 유행병 등과 같은 핵심 화물 보관 및/또는 운송 서비스 주문 프로세스 외부의 이벤트들에 의해 활성화될 수 있다. 다른 예에서, 플릿 자원 수요들의 예상에 영향을 미칠 수 있는 정보의 다른 소스들은 재무 보고 기간(예를 들어, 회계 분기, 연도 등)의 종료 근처에서 지출을 감소시키거나 증가시키는 것과 같은 비즈니스 목표들 및 목적들을 포함할 수 있다. 타겟 송하인이 회계 보고 기간의 마지막 몇 주 또는 몇 달 동안 비용을 줄이려고 의도한다는 표시는 타겟 송하인에 의해 화물 보관 및/또는 운송 서비스 주문에 통상적으로 할당되는 플릿 자원이 유지보수, 업그레이드, 다른 송하인에 대한 할당 등과 같은 다른 액션에 이용 가능할 것임을 시사할 수 있다. 실시예들에서, 플릿 목표들 또는 목적들은 또한 플릿 자원 예상 및 그에 따른 대응하는 준비 활동들 등에 영향을 미칠 수 있다. 이러한 하나의 예는 스마트 컨테이너의 클래스의 필수 업그레이드이다. 이 클래스에서 스마트 컨테이너들을 예약할 필요가 있다는 것을 예상하여, 플릿 구성 기능들은 업그레이드 활동의 지속기간 동안 예약된 스마트 컨테이너 클래스의 요건들을 충족시키도록 재구성될 수 있는 대안적인 스마트 컨테이너 유형들을 할당할 수 있다.In embodiments, many other factors may affect fleet resource demand forecasts, such as weather forecasts and seasonal effects. Fleet resource demand forecasts may also be activated by events outside of the core cargo storage and/or transportation service ordering process, such as natural disasters, accidents/emergencies, pandemics, etc. In other examples, other sources of information that can affect the projection of fleet resource demands include business objectives such as reducing or increasing spending near the end of a financial reporting period (e.g., fiscal quarter, year, etc.) and purposes. An indication that the target shipper intends to reduce costs in the final weeks or months of the fiscal reporting period may be an indication that fleet resources normally allocated by the target shipper to cargo storage and/or transportation service orders may be diverted from maintenance, upgrades, or other costs to other shippers. It may indicate that it will be available for other actions, such as allocation. In embodiments, fleet goals or objectives may also influence fleet resource expectations and corresponding preparation activities, etc. One such example is the required upgrade of a class of smart containers. In anticipation of the need to reserve smart containers in this class, fleet configuration functions can assign alternative smart container types that can be reconfigured to meet the requirements of the reserved smart container class for the duration of the upgrade activity. .
실시예에서, 플릿 자원 수요의 예상은 지능 서비스(13004) 및 플릿 관리 시스템(13002)과 같은 스마트 컨테이너 시스템(13000)의 사용을 통해 결정될 수 있다. 예를 들어, 일부 실시예들에서, 지능 서비스(13004)는 일기 예보들, 공공 활동 달력들, 화물 보관 및/또는 운송 서비스 주문 데이터(예를 들어, 타이밍, 작업 파라미터들, 다른 화물 보관 및/또는 운송 서비스 주문들에 대한 관계들 등), 소셜 미디어 활동, 정부 활동 및/또는 법제 등과 같은 플릿 자원 수요들에 영향을 줄 수 있는 데이터의 소스들을 분석할 수 있다. 이 예에서, 플릿 관리 시스템(13002)과 협력하여 동작하는 지능 서비스(13004)는 (예를 들어, 신경망 등을 사용하여) 상이한 데이터 소스들의 분석에 기초하여 플릿 자원 수요를 예측할 수 있다. 이러한 실시예들에서, 지능 서비스(13004)는 상이한 데이터 소스들로부터의 데이터를 처리하고, 다양한 인자들에 걸쳐 플릿 자원 수요들의 가능성을 결정할 수 있다.In embodiments, projections of fleet resource demands may be determined through the use of
실시예에서, 스마트 컨테이너 시스템(13000)은 작업 구성, 플릿 구성, (예를 들어, 스마트 계약 시설을 통한) 작업 협상, 주문 실행 등을 포함하는 다양한 시스템 기능을 수행하기 위해 외부 데이터 소스(13036)와 인터페이스할 수 있다. 시스템에 의해 사용하기 위한 외부 데이터 소스들의 예들은 밸류 체인 엔티티들(예를 들어, 배송 서비스들 등에 대해 지불하는 제3자들), 요청된 작업, 스마트 계약들 등의 팀 구성 및/또는 실행을 수행하기 위한 작업 컨텍스트를 제공할 수 있는 ERP들(enterprise resource planning systems)을 포함한다. 다른 외부 데이터 소스들은 제3자 센서 시스템들(예를 들어, GPS 데이터, 밸류 체인 물류 데이터 등)뿐만 아니라 제3자 데이터 스트림들(예를 들어, 날씨, 교통, 전기 요금 등)을 포함할 수 있다.In embodiments,
일부 실시예에서, 스마트 컨테이너 시스템(13000)은 화물 보관 및/또는 운송 서비스 주문, 작업 수행, 자원 할당 등과 관련하여 스마트 계약의 사용을 지원할 수 있다. 실시예에서, 화물 보관 및/또는 운송 서비스 주문은 작업 요건, 요청자 목표 및 목적, 및 플릿 주문 실행 제약을 동적 스마트 계약으로 캡처하는 스마트 계약 핸들러(smart contract handler)를 통해 라우팅될 수 있다. 일부 실시예에서, 스마트 계약은 제1 위치(예를 들어, 기점 위치, 컨테이너 항구 또는 터미널, 임시 저장/서비스 위치)로부터 제2 위치(예를 들어, 목적지 위치, 컨테이너 항구 또는 터미널 등)로의 스마트 컨테이너의 협상된 라우팅을 관리하는 것과 같은 모든 방식의 플릿 동작을 처리하기 위해 스마트 컨테이너 플릿 관리 시스템 전체에 걸쳐 이용될 수 있다. 추가 예로서, 스마트 콘테이너 시간/태스크 활용을 위한 입찰 시스템에 대한 제어로서 스마트 계약이 실행될 수 있다. 다른 예로서, 스마트 계약은 화물 보관 및/또는 운송 서비스 주문과 관련된 특정 활동들(예를 들어, 태스크-관련 활동들 등)을 모니터링할 수 있다. 스마트 계약은 스마트 컨테이너 화물의 배달의 완료 시 지불과 같은 스마트 계약에 의해 정의된 액션들을 트리거하기 위해 플릿 시스템 데이터(예를 들어, 경로 진행, 센서 데이터 등)에 대한 액세스에 의존하고/하거나 그로부터 이익을 얻을 수 있다. 스마트 컨테이너 시스템(13000)은 스마트 계약 조건들과 관련된 상태들을 업데이트하기 위해 애플리케이션 프로그래밍 인터페이스들(API들), 기반구조 요소들 예컨대, 센서 네트워크들, 에지 컴퓨팅 시스템들 등을 통해 플릿 데이터를 포함하는 플릿 자원들에 대한 액세스를 제공할 수 있다.In some embodiments,
실시예에서, 작업 구성 시스템(13018) 및 플릿 구성 시스템(13020)은 본 개시의 일부 실시예에 따라 주문 실행 계획을 총괄하여 생성한다. 실시예에서, 주문 실행 계획은 요청된 작업의 완료 시에 수행될 스마트 컨테이너 경로 및/또는 작업 세트를 정의할 수 있고, 작업을 완료할 스마트 컨테이너 운영 단위의 플릿의 구성을 추가로 정의할 수 있다. 실시예에서, 주문 실행 계획은 태스크 정의(경로 정의를 포함할 수 있음), 작업흐름 정의, 플릿 구성(개별 스마트 컨테이너의 스마트 컨테이너 구성을 포함할 수 있음), 팀 할당, 및 컨테이너 항구 사이트 세부 사항 등과 같은 컨텍스트 정보에 대한 참조(또는 통합)를 포함할 수 있다. 실시예에서, 작업 구성 시스템(13018)은 행해질 작업을 정의하는 주문을 수신하고, 작업 구성 시스템(13018)은 작업의 완료시 스마트 컨테이너에 의해 수행되는 배송 서비스 및/또는 태스크를 각각 정의하는 태스크 정의의 세트를 결정할 수 있다. 실시예에서, 작업 구성 시스템(13018)은 작업흐름 정의의 세트를 더 정의한다. 작업흐름 정의들은 임의의 루프들, 반복들, 트리거링 조건들 등을 포함하여, 태스크들이 프로젝트 및/또는 작업의 완료에서 수행되는 적어도 하나의 순서를 정의한다. 실시예에서, 작업 구성 시스템(13018)은 작업을 포함하는 태스크 정의에 기초하여 작업흐름을 결정할 수 있다. 작업 구성 시스템(13018)은 특정 작업들을 완료하기 위해 미리 구성된 작업흐름들의 라이브러리들을 활용할 수 있다. 추가적으로 또는 대안적으로, 작업 구성 시스템(13018)은 더 큰 작업의 일부인 작업 및/또는 프로젝트에 대한 초기 작업흐름 정의를 획득하기 위해 지능 서비스(13004)를 활용할 수 있다. 일부 실시예들에서, 인간은 초기 작업흐름 정의를 구성할 수 있고/있거나 초기 작업흐름 정의를 결정하는 데 사용되는 입력을 제공할 수 있다. 실시예에서, 작업 구성 시스템(13018)은 스마트 컨테이너 플릿 주문 실행 계획을 개발하기 위한 정보를 교환하고 및/또는 스마트 컨테이너 플릿 주문 실행 계획의 하나 이상의 서비스를 활용하기 위해 스마트 컨테이너 시스템(13000)의 하나 이상의 컴포넌트와 인터페이스할 수 있다. 예를 들어, 작업 구성 시스템(13018)은 데이터 처리 시스템(13024), 스마트 컨테이너, 플릿, 프로젝트 및 태스크 관련 정보의 스마트 컨테이너 구성 라이브러리, 플릿 레벨 지능 서비스(13004), 플릿 구성 시스템(13020) 등과 인터페이스할 수 있다.In an embodiment,
실시예에서, 작업 구성 시스템(13018)은 화물 보관 및/또는 운송 서비스 주문에 수신된 정보를 처리함으로써 주문 실행 계획 준비 기능을 수행하는 복수의 시스템을 포함할 수 있다. 실시예들에서, 작업 구성 시스템(13018)의 시스템들은 작업 파싱 시스템, 태스크 정의 시스템, 작업흐름 정의 시스템, 및 작업흐름 시뮬레이션 시스템을 포함할 수 있다. 예시된 예에서, 작업 구성 시스템(13018) 시스템들은 스마트 컨테이너 운영 단위 할당들의 세트를 정의하는 데 사용되는 주문 실행 계획을 생성하기 위해 조합하여 작동한다. 실시예에서, 스마트 컨테이너 운영 단위 할당은 주문 실행 계획을 보충하거나 이와 통합될 수 있고, 특정 스마트 컨테이너 팀 및/또는 각각의 태스크에 할당된 스마트 컨테이너를 식별할 수 있다. 예를 들어, 스마트 컨테이너 운영 단위 할당은 특정 태스크를 정의할 수 있고, 각각의 태스크에 대해, 스마트 컨테이너 고유 식별자 및/또는 태스크에 할당된 팀 식별자를 갖는 특정 스마트 컨테이너 팀을 통해 태스크에 할당된 특정 스마트 컨테이너를 식별할 수 있다. 실시예에서, 스마트 컨테이너 운영 단위 할당은 작업 구성 시스템(13018) 및/또는 플릿 구성 시스템(13020)에 의해 생성될 수 있다.In embodiments, work
실시예에서, 작업 파싱 시스템은 화물 보관 및/또는 운송 서비스 주문을 수신 및 파싱하여, 작업 정의, 프로젝트 정의(들), 태스크 정의, 작업흐름 정의, 플릿 구성, 및 스마트 컨테이너 구성을 결정하는데 궁극적으로 사용되는 화물 보관 및/또는 운송 서비스 주문 파라미터의 세트를 결정한다. 실시예에서, 작업 파싱 시스템은 화물 보관 및/또는 운송 서비스 주문의 파싱을 구성, 적응 또는 그렇지 않으면 용이하게 하기 위해 조작자에 의한 입력을 수신하는 인간 인터페이스 시스템(13038)과 같은 사용자 인터페이스를 통해 사용자로부터 화물 보관 및/또는 운송 서비스 주문을 수신할 수 있다. 추가적으로 또는 대안적으로, 작업 파싱 시스템은 요청 조직과 연관된 클라이언트 디바이스로부터 화물 보관 및/또는 운송 서비스 주문을 수신할 수 있다.In embodiments, a task parsing system receives and parses cargo storage and/or transportation service orders to ultimately determine task definitions, project definition(s), task definitions, workflow definitions, fleet configurations, and smart container configurations. Determine the set of cargo storage and/or transportation service ordering parameters to be used. In embodiments, the task parsing system may be configured to receive input from an operator to configure, adapt, or otherwise facilitate parsing of freight storage and/or transportation service orders from a user via a user interface, such as
실시예들에서, 작업 파싱 시스템은 GPS 데이터, 스마트 계약 데이터 및/또는 기한들, 그들에 대한 링크들 등과 같은 작업 설명들 및 관련 문서들의 전자 버전들을 수신하기 위한 수집 시설로 구성될 수 있다. 수집 시설은 작업 요건을 결정하는데 유용할 수 있는 키워드, 활동에 대한 참조 등에 대한 문서를 파싱할 수 있다. 또한, 중량 용어, 체적 용어, 경로 환경 용어 등과 같은 수집된 작업 콘텐츠에서의 키워드들은 필요한 스마트 컨테이너들의 유형(들) 및 그 구성들에 관한 통찰력을 제공함으로써 작업 구성 시스템(13018) 요소들에 의해 유용하게 적용될 수 있다. 일례로서, 이동될 콘텐츠를 시사하는 키워드는 25톤 무게로, 적어도 그 이동 용량을 갖는 스마트 컨테이너 운송 디바이스/팀을 시사한다.In embodiments, the task parsing system may consist of a collection facility for receiving electronic versions of task descriptions and related documents, such as GPS data, smart contract data and/or due dates, links to them, etc. The collection facility can parse documents for keywords, references to activities, etc., which may be useful in determining work requirements. Additionally, keywords in the collected work content, such as weight terms, volume terms, path environment terms, etc., can be useful by
실시예에서, 작업 파싱 시스템은 설명 데이터를 포함할 수 있는 작업 콘텐츠를 파싱하기 위한 기술을 개선하기 위해 (예를 들어, 지능 서비스(13004)에 의해 제공될 수 있는) 기계 학습 기능을 통합 및/또는 이용할 수 있다. 작업 콘텐츠 파싱 결과들에 대한 인간 생성 피드백으로부터의 기계 기반 학습에 더하여, 학습은 다른 작업 콘텐츠 파싱 액션들(예를 들어, 이전 화물 보관 및/또는 운송 서비스 주문들), 공통 및 특수 지식 베이스들(예컨대, 기술 사전들), 전문가 인간들 등과의 경험에 기초할 수 있다.In embodiments, a task parsing system may incorporate machine learning capabilities (e.g., which may be provided by intelligence services 13004) to improve techniques for parsing task content, which may include descriptive data, and/ Or you can use In addition to machine-based learning from human-generated feedback on work content parsing results, learning can be performed on other work content parsing actions (e.g., previous freight storage and/or transportation service orders), common and specialized knowledge bases ( It may be based on experience with, for example, technical dictionaries), expert humans, etc.
실시예들에서, 작업 콘텐츠의 파싱은 정형(structured) 및 비정형(unstructured) 텍스트의 자동화된 파싱을 포함할 수 있다. 일부 실시예들에서, 작업 파싱 시스템은 누락된/불명확한 데이터 및 자격이 있는 작업 콘텐츠 데이터(총괄하여 "불충분한 정보"로 지칭됨)를 식별(및 선택적으로 분해)하도록 구성될 수 있다. 불충분한 정보를 식별한 것에 응답하여, 작업 파싱 시스템은 불충분한 정보에 대한 명확화를 위해 사용자 인터페이스를 통해 인간 조작자에게 요청을 생성하고 제공할 수 있다. 이러한 요청은 제공할 사용자로부터의 특정 입력들을 식별할 수 있어서, 요청은 초기에 누락되었거나 불명확한 명확화 콘텐츠를 식별한다. 추가적으로 또는 대안적으로, 파싱 시스템(13214)은, 명확화 콘텐츠가 요청으로부터의 이전 화물 보관 및/또는 운송 서비스 주문 정보 및 컨텍스트를 사용하여 획득될 수 있도록, 이전 화물 보관 및/또는 운송 서비스 주문으로부터의 데이터를 유지하는 라이브러리(13044)로부터 (예를 들어, 질의를 통해) 명확화 콘텐츠를 결정할 수 있다. 파싱 작업이 명확화 콘텐츠를 결정할 수 없는 경우, 파싱 시스템(13214)은 위에서 논의된 바와 같이 콘텐츠를 명확화하기 위한 요청을 생성할 수 있다.In embodiments, parsing work content may include automated parsing of structured and unstructured text. In some embodiments, a task parsing system may be configured to identify (and selectively disassemble) missing/unclear data and eligible task content data (collectively referred to as “insufficient information”). In response to identifying insufficient information, the task parsing system may generate and provide a request to a human operator via a user interface for clarification of the insufficient information. This request may identify specific inputs from the user to provide, so that the request identifies disambiguation content that was initially missing or unclear. Additionally or alternatively, parsing system 13214 may be configured to retrieve information from a previous freight storage and/or transportation service order such that disambiguation content may be obtained using previous freight storage and/or transportation service order information and context from the request. Disambiguation content may be determined (e.g., via a query) from a
실시예에서, 다양한 작업 설명 정보가 작업 구성 시스템(13018)에 제공, 결정 및/또는 추출될 수 있다. 화물 보관 및/또는 운송 서비스 주문 파라미터의 예는 원산지 위치 및 목적지 위치 정보 및/또는 경로를 따른 다른 물리적 위치; 중량 요건; 체적 요건; 화물 설명; 스마트 컨테이너 유형(들); 필요한 스마트 컨테이너의 수; 운송 모드(컨테이너 선박, 트럭, 철도, 자율 주행 스마트 컨테이너, 하이퍼루프(hyperloop) 등)를 포함할 수 있지만, 이에 제한되지 않는다. 3D 프린팅 요건들(라스트 마일 맞춤화와 같은); 3D CAD 모델들 또는 스캔들과 같은 선박들, 운송 컨테이너 항구들, 배송 컨테이너 보관 시설들 등의 환경 레이아웃들에 대한 디지털 데이터는 초기 작업 스코핑의 일부로서 이용가능할 수 있거나 완료될 수 있고, 작업 우선순위 및 작업흐름 라우팅, 스마트 컨테이너 선택, 감독 요구들 등을 자동으로 제공하기 위해 사용될 수 있음; 온도, 위해 설명(들), 지형, 날씨 등을 포함하는 (경로를 따르는 것과 같은) 동작 환경; 데이터, 보고들, 분석 등과 같은 산출물들; 네트워크 인터페이스들, API들, 보안과 같은 데이터 교환을 위한 고객 인터페이스들; 지상 라인, 4G, 5G, Wi-Fi, 사설 네트워크들, 위성, 연결성 제약들 등과 같은 통신 네트워크 가용성; 예산 제약들; 항구 가용성에 대한 스케줄링, 선박 가용성에 대한 스케줄링, 가장 이른 시작 시간, 최종 종료 시간, 임의의 주어진 시간에 활성인 스마트 컨테이너들의 수와 같은 활동 속도 등을 포함하는 타이밍 요건들. 작업 파싱 시스템에 의해 취급될 수 있는 다른 작업 설명 정보의 예들은 스마트 계약 조건들, 배치된 스마트 컨테이너들에 대한 스마트 컨테이너 동작 소프트웨어의 인증 레벨, 보험 규정들, 규제 요건들(예를 들어, 세관 요건들), 사이트 액세스 요건들(예를 들어, 특정 컨테이너 항구는 인간이 존재할 때만 또는 사이트 상에 존재하는 인간들과의 조정을 통해서만 액세스될 수 있음), 태스크, 활동, 작업흐름, 또는 전체 작업에 대한 프록시를 할당하기 위한 조건들과 같은 계약 관련 정보를 포함할 수 있다.In embodiments, various job description information may be provided to, determined, and/or extracted from
실시예에서, 작업 구성 시스템(13018) 시스템(예를 들어, 작업 파싱 시스템, 태스크 정의 시스템, 및 작업흐름 정의 시스템)은 스마트 컨테이너 자동화 작업 콘텐츠를 다른 작업 콘텐츠(예를 들어, 비용, 지불, 금융 등)와 구별하기 위한 콘텐츠 및 구조적 필터, 미리 구성된 후보 태스크, 작업흐름, 및/또는 화물 보관 및/또는 운송 서비스 주문의 요건을 실질적으로 충족하는 완료된 작업 구성을 식별하기 위해 라이브러리(13044)를 참조할 수 있다. 실시예들에서, 라이브러리(13044) 또는 다른 작업 구성 라이브러리는 작업 콘텐츠의 표시를 스마트 컨테이너 자동화를 표시하는 타겟 용어들과 매핑하는 것을 용이하게 할 수 있다. 라이브러리(13044)로부터의 자동화된 작업의 사용의 예로서, 요청된 화물 운송 서비스는 온도 센서들의 세트를 사용하여 스마트 컨테이너 내부의 온도를 측정하기 위한 요건을 포함할 수 있다. 작업 파싱 시스템은 온도 측정 요건을 식별할 수 있고, 이에 응답하여, 태스크 정의 시스템은 주문 실행 계획을 정의하는 데 사용될 수 있는, 화물 보관 및/또는 운송 서비스 주문의 해당 부분의 요건들을 충족시키는 라이브러리(13044) 내의 컨테이너 온도를 측정하기 위한 자동화된 측정 태스크를 식별할 수 있다. 작업 구성 시스템(13018)이, 주문된 화물 보관 및/또는 운송 서비스가 이전에 요청된 경우와 같이, 적절한 작업 구성이 (예를 들어, 라이브러리(13044)로부터) 이용 가능하다고 결정하면, 작업 구성 시스템(13018)은 현재 플릿 표준 등과의 추가 검증을 위해 제안된 작업 구성으로서 이전에 요청된 작업에 대응하는 이전 작업 구성을 사용할 수 있다. 예를 들어, 지능 서비스(13004)는 제안된 작업 구성이 상기 표준들과 일치하는 것을 보장하기 위해 거버넌스 표준들의 세트에 대해 제안된 작업 구성(예를 들어, 기계 학습 서비스를 제한 없이 포함하는 하나 이상의 지능 서비스들로)을 분석할 수 있다. 지능 서비스(13004)는 제안된 작업 구성에 대해 다른 지능 기반 태스크를 수행할 수 있다.In an embodiment, the
일부 시나리오들에서, 작업 구성 시스템(13018)은 하나 이상의 태스크, 작업흐름들, 루틴들 등이 라이브러리(13044)에 적절한 대응물을 갖지 않는다고 결정할 수 있다. 이러한 시나리오에서, 작업 파싱 시스템은 처리를 위해 다른 배송 구성 시스템 모듈들로 전달되는 태스크를 수행하기 위한 스마트 컨테이너 플릿 포커싱된 요건들(예를 들어, 태스크 정의 파라미터들, 스마트 컨테이너 구성 파라미터들, 제안된 태스크 순서 등)을 포함하는 데이터 세트를 생성할 수 있다. 실시예들에서, 작업 파싱 시스템은 선택적으로 적응될 때 작업 요건을 충족시킬 수 있는 태스크들의 조합들을 포함하는, 그러한 요건들의 제안들을 위해 지능 서비스(13004)에 의존할 수 있다.In some scenarios,
실시예들에서, 작업 파싱 시스템은 시스템(13000)의 지능 서비스(13004)의 분석 모듈들/거버넌스 라이브러리들을 포함하고/하거나 이들과 인터페이싱할 수 있다. 작업 파싱 시스템은 처리를 위해 작업 콘텐츠(예를 들어, 용어들 등)의 후보 스마트 컨테이너 자동화 부분들의 부분들을 제공함으로써 거버넌스 기반 분석들을 활용할 수 있다. 지능 서비스(13004)는, 작업 콘텐츠의 제공된 부분에 응답하여, 작업 구성 시스템(13018)에 의한 주문 실행 계획의 준비 동안 적용될 안전 표준들 중 하나 이상 및/또는 동작 표준들 중 하나 이상을 제공 및/또는 표시할 수 있다.In embodiments, the operational parsing system may include and/or interface with analysis modules/governance libraries of
실시예에서, 작업 파싱 시스템은 작업 구성 시스템(13018)이 스마트 컨테이너 태스크를 정의하고, 플릿 자원을 구성하고, 작업흐름을 정의하고, 작업흐름을 시뮬레이션하고, 주문 실행 계획을 생성하는 등의 경우에 사용하기 위한 화물 보관 및/또는 운송 서비스 주문 인스턴스 특정 요건의 세트를 생성하는 작업 요건 모듈(job requirements module)을 포함할 수 있다. 실시예에서, 화물 보관 및/또는 운송 서비스 주문 인스턴스 특정 요구사항의 세트는 스마트 컨테이너 자동화를 나타내는 작업 콘텐츠의 후보 부분(예를 들어, 스마트 컨테이너 태스크를 나타내는 용어), 사용자 인터페이스로부터의 하나 이상의 입력(예를 들어, 용어의 명확화), 안전 및 동작 표준(예를 들어, 거버넌스 계층으로부터의), 및 추천된 스마트 컨테이너 태스크 및 관련 컨텍스트 정보(예를 들어, 플릿 지능 서비스에 의해 제공됨) 중 적어도 하나 이상에 기초하여 결정될 수 있다.In an embodiment, the job parsing system allows the
실시예들에서, 작업 파싱 시스템은 태스크들, 서브-태스크들, 태스크 순서화, 태스크 종속성들, 태스크 요건들 등 중 하나 이상을 나타낼 수 있는 작업 콘텐츠 내의 구조적 요소들을 식별하기 위해 콘텐츠 필터들 및/또는 구조적 필터들을 적용할 수 있다. 실시예에서, 검출된 구조적 요소는 예를 들어, 플릿 구성 시스템(13020)에 의한 스마트 컨테이너 운영 단위의 선택 및 구성을 용이하게 할 수 있다. 일 예에서, 태스크들의 세트를 구별하는 구조적 요소는 구조적 요소에 의해 기술되는 태스크들의 세트 내의 태스크들 및 세트 밖의 태스크들에 동일한 스마트 컨테이너 운영 단위을 할당하는 것을 피하기 위해 플릿 구성 시스템에 의해 사용될 수 있다.In embodiments, the task parsing system may use content filters and/or to identify structural elements within the task content that may represent one or more of tasks, sub-tasks, task sequencing, task dependencies, task requirements, etc. Structural filters can be applied. In embodiments, detected structural elements may facilitate selection and configuration of smart container operating units, for example, by fleet configuration system 13020. In one example, a structural element that distinguishes a set of tasks can be used by a fleet configuration system to avoid assigning the same smart container operating unit to tasks within and outside the set of tasks described by the structural element.
실시예에서, 작업 파싱 시스템은 작업 설명 파싱 능력의 개발을 용이하게 하도록 구성될 수 있는 화물 보관 및/또는 운송 서비스 주문 구성 에이전트/전문가 시스템을 통합 및/또는 이용할 수 있다.In embodiments, the job parsing system may integrate and/or utilize a freight storage and/or transportation service order configuration agent/expert system that may be configured to facilitate the development of job description parsing capabilities.
실시예들에서, 태스크 정의 시스템은 작업 데이터를 태스크 정의들(예를 들어, 개별 스마트 컨테이너 태스크들 또는 스마트 컨테이너 팀들에 의해 수행되는 태스크들)로 구성할 수 있다. 태스크 정의 시스템은 태스크 정의들을 최적화하기 위해 작업흐름 시뮬레이션 시스템과 같은 작업 구성 시스템(13018)의 다른 시스템들을 추가로 조정할 수 있다.In embodiments, a task definition system may organize work data into task definitions (e.g., individual smart container tasks or tasks performed by smart container teams). The task definition system may further coordinate other systems in the
실시예에서, 태스크 정의 시스템은 요청된 작업의 수행에서 스마트 컨테이너의 플릿 내의 하나 이상의 스마트 컨테이너 운영 단위의 개별 동작을 정의하는 것을 용이하게 하기 위해 작업 파싱 시스템에 의해 컴파일된 작업 데이터를 개량할 수 있다. 태스크들을 정의하는 것은 정의된 태스크를 수행할 수 있는 스마트 컨테이너들, 배송 컨테이너 항구들, 컨테이너 선박들, 철도들, 트럭들, 하이퍼루프들, 스마트 컨테이너 유형들, 스마트 컨테이너 특징들, 및 스마트 컨테이너 구성들에 관한 정보에 기초할 수 있다. 실시예들에서, 태스크 정의 시스템은 각각의 정의된 태스크에 대한 스마트 컨테이너들의 사용을 결정하는데 있어서 플릿 구성 시스템(13020)을 용이하게 하는 태스크 정의들에 정보를 추가로 제공할 수 있다. 실시예들에서, 태스크 정의 시스템은 태스크 제안들을 행할 때 라이브러리(13044), 지능 서비스(13004), 또는 다른 시스템 특정 또는 액세스 가능한 자원들을 참조할 수 있다.In embodiments, the task definition system may refine the task data compiled by the task parsing system to facilitate defining the individual actions of one or more smart container operating units within a fleet of smart containers in performing the requested tasks. . Defining tasks includes smart containers, shipping container ports, container ships, railways, trucks, hyperloops, smart container types, smart container features, and smart container configurations that can perform the defined task. It can be based on information about people. In embodiments, the task definition system may further provide information in task definitions to facilitate fleet configuration system 13020 in determining the use of smart containers for each defined task. In embodiments, the task definition system may
태스크 정의 시스템이 작업의 태스크들을 정의할 때, 태스크 정의는, 라이브러리(13044)에서와 같이, 장래의 사용을 위해 카탈로그화되고 저장될 수 있다. 일부 실시예들에서, 태스크 정의 시스템은 이전에 카탈로그화된 태스크 정의로부터 태스크 정의를 적응시킬 수 있다(예를 들어, 이전에 카탈로그화된 태스크 정의로부터 특정 유형의 환경 또는 그의 특정 조건들에 대하여 태스크 정의를 적응시킴). 이들 실시예들에서, 태스크 정의 시스템은 적응 명령들로 라이브러리(13044) 내의 파생 태스크 정의를 카탈로그화할 수 있다. 일부 실시예들에서, 라이브러리(13044)에 카탈로그화된 태스크 정의는 이미 카탈로그화된 태스크 정의와 연관될 수 있고/있거나 이미 카탈로그화된 태스크 정의를 대체할 수 있고, 기존 태스크의 하위 태스크로서 카탈로그화될 수 있는 등등이다. 일반적으로, 태스크 정의는 연관된 태스크, 직렬화된 태스크, 네스트된(nested) 태스크 등을 포함할 수 있다.When the task definition system defines the tasks of a job, the task definitions may be cataloged and stored for future use, such as in
작업에 관한 정보는 장래의 사용을 위해 라이브러리(13044)에 저장될 수 있고; 따라서, 태스크 정의 시스템은 작업, 스마트 컨테이너들, 플릿들 등에 관한 정보를 검색하기 위해 라이브러리(13044)에 액세스할 수 있다. 컨테이너 선박 상에 스마트 컨테이너를 자가-적층하는 예시적인 실시예에서, 라이브러리(13044)를 통해 액세스 가능한 정보는, 예를 들어, 컨테이너 선박의 물리적 레이아웃에 관한 정보에 액세스하는 방법을 포함할 수 있다. 태스크 정의 시스템은 또한, 예를 들어, 자가-적층 태스크에 대한 태스크들의 리스트, 주문 실행 시스템에 의해 수행되는 태스크 정의의 최적화들로부터의 결과들 등에 하나 이상의 태스크를 추가함으로써, 정보를 업데이트하기 위해 라이브러리(13044)에 액세스할 수 있다.Information about the task may be stored in
태스크 정의 시스템의 최적화 특징들은 작업흐름 시뮬레이션 시스템 등과 같은 작업 구성 시스템(13018)의 다른 요소들로부터의 피드백과 관련하여 아래에서 설명된다.Optimization features of the task definition system are described below in relation to feedback from other elements of the
태스크 정의들이 생성되어 작업 구성 시스템(13018)의 다른 요소들, 예컨대, 작업흐름 정의 시스템 및 플릿 구성 시스템 프록시에 제공될 수 있다. 실시예들에서, 플릿은 태스크 정의들(경로 정의들 및 다른 적절한 정보를 포함할 수 있음)을 플릿 구성 시스템(13020)에 제공할 수 있다. 일 예에서, 플릿 구성 시스템 프록시는 요청된 작업(예를 들어, 지리, 타이밍 등에 기초하여)과 관련된 플릿 구성 및 플릿 자원 재고 및 할당 데이터에 기초하여 태스크(태스크 설명들에 표시된)들을 수행하기 위한 후보 스마트 컨테이너들의 세트들을 특정 스마트 컨테이너 유형(및 선택적으로 플릿 내의 특정 스마트 컨테이너)으로 좁힐 수 있다. 플릿 구성 시스템 프록시는 플릿의 자원을 관련 태스크 정보와 정렬하기 위해 스마트 컨테이너 식별 정보(예를 들어, 스마트 컨테이너 유형 등)를 포함할 수 있는 태스크 정의를 처리할 수 있다. 일 예에서, 플릿 구성 시스템 프록시는, 작업 구성 시스템(13018)을 통해 처리되고 있는 화물 보관 및/또는 운송 서비스 주문의 목표들 중 적어도 일부를 지원하는 플릿 자원 할당, 스케줄링 등을 수행하기 위해, 플릿 자원 프로비저닝 시스템(13014)과 같은 플릿 운영 요소들에 의한 사용에 적합한 데이터를 생성할 수 있다. 플릿 구성 시스템 프록시는 작업 요건들을 충족시키는 후보 플릿 구성들을 결정하기 위해 플릿 구성 모델링을 이용할 수 있다. 모델링은 플릿 구성 기능들, 자원 할당 등 동안 고려될 수 있는 플릿 자원들에 대한 영향을 결정하는 데 유용할 수 있다. 실시예에서, 플릿 구성 모델링은 하나 이상의 작업 설명 요건을 또한 충족시키는 하나 이상의 선호 플릿 구성을 결정할 때 기계 학습, 인공 지능 등과 같은 시스템 지능 서비스 자원의 사용을 포함할 수 있다. 플릿 구성 시스템(13020)은 본 개시의 다른 곳에서 더 상세히 설명된다.Task definitions may be created and provided to other elements of the
실시예에서, 작업 구성 시스템(13018)은 태스크 정의 시스템으로부터 태스크 정의를 수신하고, 플릿 구성 시스템(13020)으로부터 플릿 구성 정보를 수신하고, 작업 시퀀싱(예를 들어, 산출물 및/또는 태스크의 타이밍)을 용이하게 할 수 있는 다른 화물 보관 및/또는 운송 서비스 주문 정보를 수신하고, 이에 기초하여 하나 이상의 태스크 작업흐름을 생성하는 작업흐름 정의 시스템을 포함할 수 있다. 실시예에서, 작업흐름 정의 시스템은 태스크 작업흐름을 결정하기 위해 태스크 정의, 작업 파싱 시스템, 및 실시간 외부 데이터 예컨대, 유지보수 관리 시스템, ERP 시스템 등으로부터의 출력을 사용하여 작업흐름 가능성을 식별하기 위해 스마트 컨테이너 플릿 관리 시스템으로부터의 정보를 통합한다. 실시예들에서, 태스크 작업흐름은 태스크들이 프로젝트/작업에 대해 수행되는 순서 및 방식을 정의한다. 실시예에서, 작업흐름 정의 시스템은 작업의 하나 이상의 활동을 수행하기 위한 하나 이상의 작업흐름을 생성하기 위해 태스크 정의 및 플릿 구성 데이터의 세트에 작업 설명 정보(job descriptive information)를 적용할 수 있다. 예로서, 작업흐름은 컨테이너 내의 운동화의 라스트 마일 3D 프린팅과 같은 활동을 커버할 수 있다. 이 활동에 대해 정의된 태스크들은 작업흐름 또는 그 일부로 수집될 수 있고, 작업 요건들을 적절히 준수하도록 순서화될 수 있고, 활동/작업흐름을 수행하기 위한 요건들의 세트로서 발행될 수 있다. 작업 작업흐름 정의는 작업흐름 정의 시스템에 의해 순서화된 하나 이상의 태스크에 대해 플릿 구성 시스템(13020)에 의해 제공될 수 있는 스마트 컨테이너, 3D 프린터, 로봇, 툴 및/또는 엔드 이펙터 등의 수량 및 유형을 설명하는 정보를 포함할 수 있다. 실시예에서, 작업흐름 정의의 이 부분은 예를 들어, 작업흐름에서 태스크를 수행하기 전에 준비될 하나 이상의 스마트 컨테이너 등의 요구되는 구성을 식별하고 결정하기 위해(예를 들어, 스마트 컨테이너가 작업흐름에서 정의된 태스크를 수행하기 전에 태스크를 수행할 수 있게 하는 구성으로 (재)구성되도록 보장하기 위해) 작업 구성 시스템(13018)(예를 들어, 주문 실행 시스템(13022))의 다른 모듈에 의해 이용될 수 있다. 주문 실행 계획에서 생성된 다른 정보는 (예를 들어, 작업흐름 시스템에 의해 생성된) 작업 시퀀스를 포함할 수 있으며, 이는 작업을 수행하는 데 필요한 스마트 컨테이너의 시퀀스를 추가로 식별할 수 있다.In an embodiment,
작업흐름 정의 시스템은 작업흐름을 정의할 때 스마트 컨테이너 구성 라이브러리의 자원을 활용할 수 있다. 태스크들 사이의 최소 시간을 결정하는 방법, 태스크 간 조정, 태스크 분류, 작업흐름 범위 등과 같은 작업흐름 정의 파라미터들은 라이브러리(13044)에서 및/또는 화물 보관 및/또는 운송 서비스 주문으로부터 검색된 정보에서 이용 가능할 수 있다. 이들 및 다른 파라미터들은 디폴트 값들로 설정될 수 있지만, 예를 들어, 작업-특정 요구들을 충족시키기 위해 작업흐름 정의 시스템에 의해 조정될 수 있는 작업-특정 변수들을 포함할 수 있다. 작업 작업흐름 정의들을 개발하기 위해 스마트 컨테이너 구성 라이브러리 정보의 사용의 예는 (예를 들어, 스마트 컨테이너에 부착된 로봇 아암들의 세트에 의한 또는 컨테이너 내에 내장된 로봇들에 의한) 화물 하역 태스크, 및 이어서 (예를 들어, 온-컨테이너 레일 및/또는 리프트 시스템에 의한) 자가-적층 보관 태스크를 포함할 수 있다. 작업흐름 정의 시스템이 스마트 컨테이너 구성 라이브러리로부터 이용할 수 있는 유용한 정보는 작업의 이전 실행을 위해 개발된 작업흐름들과 같은 템플릿(template), 미리 구성된 또는 디폴트 작업흐름들을 포함할 수 있다. 작업흐름 정의 시스템은, 존재하는 경우, 라이브러리(13044)(기본 작업흐름) 내의 어느 작업흐름이 현재 작업 작업흐름 정의 인스턴스에서 사용하기에 적합한지를 결정하고; 검색된 작업흐름에 대한 조정들을 결정하며; 기본 작업흐름에서 발견되지 않는 추가적인 태스크들을 포함할 수 있는 인스턴스-특정 작업 작업흐름을 생성하고/하거나 기본 작업흐름에서 발견된 불필요한 태스크들을 배제하는 것 등을 할 수 있다.The workflow definition system can leverage the resources of the smart container configuration library when defining workflows. Workflow definition parameters, such as how to determine minimum time between tasks, coordination between tasks, task classification, workflow scope, etc., may be available in
작업 작업흐름 정의들을 개발하는 데 유용할 수 있는 스마트 컨테이너 구성 라이브러리 정보의 다른 예들은 센서 검출 패키지들의 가용성을 포함한다. 이러한 센서 검출 패키지들은 감지 태스크들의 바람직한 시퀀스를 나타낼 수 있고, 따라서 이러한 태스크들의 작업흐름들에 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. 이들 센서 및 검출 패키지는, 주문 실행, 모니터링, 및 보고 시스템(13022)에 의해 사용하기 위한 주문 실행 계획에 포함되는 것과 같이, 플릿 구성 프로세스에 포함될 수 있다. 실시예들에서, 이의 사용은 다양한 모니터링 활동들 등을 제공하는 것으로 표시된다.Other examples of smart container configuration library information that may be useful in developing task workflow definitions include the availability of sensor detection packages. These sensor detection packages can indicate a preferred sequence of sensing tasks and thus influence the workflows of these tasks. These and related reconfigured sensor and detection packages can combine sensor selection, sensing, information collection, preprocessing, routing, integration, processing, etc. These sensor and detection packages may be included in the fleet configuration process, such as being included in an order execution plan for use by order execution, monitoring, and
작업 작업흐름 정의 시스템은, 무엇보다도, 팀들 등과 같은 플릿 자원들의 병렬화된 사용을 포함할 수 있는 주문 실행 계획을 구성하기 위한 잠재적인 작업흐름 독립성 및 종속성을 식별하기 위해, 태스크 대 태스크 종속성(예를 들어, 화물을 하역하는 제2 태스크를 수행하는 것은 화물을 목적지 컨테이너 터미널로 운송하는 제1 태스크를 완료하는 것에 종속적임)을 검사할 수 있다.The job workflow definition system is designed to, among other things, identify potential workflow independence and dependencies for constructing order execution plans that may involve parallelized use of fleet resources such as teams, task-to-task dependencies (e.g. For example, performing the second task of unloading cargo may be dependent on completing the first task of transporting the cargo to the destination container terminal.
디지털 트윈 능력들 등과 같은 지능 서비스의 특징들은 또한, 예컨대 작업 구성 시스템(13018)의 작업흐름 시뮬레이션 시스템을 이용하여 작업흐름들을 시뮬레이션하고 검증하기 위해 유리하게 적용될 수 있다. 작업흐름 시뮬레이션 시스템은 작업흐름 정의 시스템에 의해 작업 작업흐름들로 조직된 부분들과 같은 작업 구성의 부분들의 시뮬레이션들을 수행할 수 있다. 작업흐름 시뮬레이션의 예에서, 태스크 정의 시스템에 의해 정의되고 작업 작업흐름의 일부로 조직화된 태스크 세트는 스마트 컨테이너 디지털 트윈(13504), 컨테이너 선박 디지털 트윈, 운송 컨테이너 항구 디지털 트윈, 철도 디지털 트윈, 트럭 디지털 트윈, 환경 디지털 트윈, 태스크 디지털 트윈, 작업흐름 디지털 트윈, 팀 디지털 트윈, 플릿 디지털 트윈 등과 같은 스마트 컨테이너, 태스크, 작업흐름 등에 대한 기능적 등가물을 사용하여 모델링될 수 있다. 이러한 디지털 트윈들은 라이브러리(13044)로부터 검색되고, 정의된 태스크들을 검증하는 것과 같이, 태스크들의 세트를 시뮬레이션하기 위해 프로세서에 의해 실행될 수 있다. 실시예들에서, 플릿 지능 시스템은, 예컨대 인공 지능 환경 기계 학습 환경에서 동작하는 하나 이상의 작업흐름 모델 및/또는 디지털 트윈에 작업흐름 정의 및 태스크 정의를 적용함으로써, 이러한 작업흐름 시뮬레이션의 적어도 일부를 제공하기 위해 이용될 수 있다.Features of the intelligent service, such as digital twin capabilities, can also be advantageously applied to simulate and verify workflows, for example using the workflow simulation system of the
작업흐름 시뮬레이션 시스템은 또한 작업흐름 정의, 태스크 정의, 스마트 컨테이너 선택 등을 개선하는 데 유용할 수 있는 작업흐름 정의 시스템에 의해 정의된 작업흐름을 시뮬레이션하는 것으로부터 피드백을 생성할 수 있다.A workflow simulation system may also generate feedback from simulating workflows defined by the workflow definition system, which may be useful for improving workflow definition, task definition, smart container selection, etc.
작업흐름 시뮬레이션 시스템은 태스크, 작업 등을 적시에 성공적으로 완료하는 것과 같이, 작업흐름이 기준을 충족시키는지를 결정하기 위한 기준을 확립하거나 그렇지 않으면 이에 액세스할 수 있다. 작업흐름 시뮬레이션의 결과를 측정하기 위한 이러한 기준을 적용함으로써, 작업흐름 시뮬레이션 시스템은 예를 들어, 태스크 정의 시스템, 작업 파싱 시스템 등에 피드백을 제공하기 전에 하나 이상의 작업흐름 옵션, 작업흐름 정의 시스템에 전달된 스마트 컨테이너 옵션, 플릿 구성 옵션 등을 검증할 수 있다. 기준들을 충족시키지 않는 옵션들(예를 들어, 과도한 자원들을 소비하고, 스마트 컨테이너의 마모를 초래하고, 스케줄을 충족시키지 못하고, 손상된 화물의 높은 백분율을 초래하는 것 등)은 태스크들을 작업흐름들 등으로 구조화하는 것과 같은 작업 구성 기능들을 개선하기 위한 것으로 마킹될 수 있다.A workflow simulation system can establish or otherwise access criteria for determining whether a workflow meets criteria, such as successfully completing tasks, tasks, etc. in a timely manner. By applying these criteria for measuring the results of the workflow simulation, the workflow simulation system can determine one or more workflow options, passed to the workflow definition system, before providing feedback to, for example, the task definition system, task parsing system, etc. Smart container options, fleet configuration options, etc. can be verified. Options that do not meet the criteria (e.g. consume excessive resources, cause wear and tear on the smart container, fail to meet schedule, result in a high percentage of damaged cargo, etc.) can be implemented by adding tasks to workflows, etc. It can be marked to improve task organization functions such as structuring.
또한, 작업흐름 시뮬레이션 시스템은 시스템 지능 서비스를 활용할 수 있다. 실시예들에서, 시스템 지능 서비스는 요청된 작업을 수행하기 위한 작업흐름 정의에 대한 플릿 기반 영향들의 중요한 이해를 제공할 수 있는 플릿 디지털 트윈 모듈들의 인스턴스들에 대한 액세스 및 동작을 제공할 수 있다. 실시예에서, 플릿 지능 시스템의 물류 디지털 트윈은 스마트 컨테이너 플릿 서비스를 위한 스마트 컨테이너, 인원, 지원 장비 등의 배송 및 비용의 모델링 동작을 통해 유용한 작업흐름 시뮬레이션 정보를 제공할 수 있다. 플릿 물류의 이러한 모델링은 (아마도 요청된 작업의 선호 시작 날짜 이후에) 곧 이용가능하게 될 제1 로컬 플릿이 현재 이용가능한 제2 플릿을 사용하는 것보다 더 낮은 비용으로 작업을 완료할 수 있음을 나타낼 수 있다. 실시예에서, 플릿 디지털 트윈은 선호 주문 실행 시간 동안 스마트 컨테이너에 대한 스마트 컨테이너 유지보수 요건과 같은 플릿 동작을 모델링함으로써 스케줄링된 작업 동안 이용 가능한 스마트 컨테이너 운영 자산을 식별하는 것을 용이하게 할 수 있다. 실시예들에서, 플릿 지능 시스템의 태스크 디지털 트윈 능력은, 스마트 컨테이너 화물이 작업 동안 재구성될 때와 같이, 스마트 컨테이너 화물 구성들의 모델링을 용이하게 할 수 있다. 플릿 지능 시스템의 태스크 디지털 트윈 능력은 선택적으로 정의되는 후보 작업흐름 또는 그 일부를 수행하기 위해 미리 구성된 스마트 컨테이너 디지털 트윈의 가상 세트(13504)를 적용함으로써 작업흐름 시뮬레이션을 통해 작업흐름 정의 명확성에 더 이익을 줄 수 있다. 실시예들에서, 플릿 지능 시스템의 팀 디지털 트윈 능력은, 예를 들어, 작업흐름 정의 시스템에 의해 준비된 후보 작업흐름들을 동작시키고 검증하기 위해 미리 구성된 스마트 컨테이너 팀들을 사용함으로써 작업 구성 시스템(13018)의 작업흐름 시뮬레이션 시스템에 이익을 줄 수 있다.Additionally, workflow simulation systems can utilize system intelligence services. In embodiments, a system intelligence service may provide access to and operation of instances of fleet digital twin modules that may provide critical understanding of fleet-based impacts on workflow definition for performing requested tasks. In an embodiment, the logistics digital twin of the fleet intelligence system can provide useful workflow simulation information through modeling operations of delivery and costs of smart containers, personnel, and support equipment for smart container fleet services. This modeling of fleet logistics shows that a first local fleet that will soon become available (perhaps after the preferred start date of the requested work) can complete the work at a lower cost than using a currently available second fleet. It can be expressed. In embodiments, a fleet digital twin may facilitate identifying smart container operational assets available during scheduled operations by modeling fleet behavior, such as smart container maintenance requirements for smart containers during preferred order execution times. In embodiments, the fleet intelligence system's task digital twin capabilities may facilitate modeling of smart container cargo configurations, such as when smart container cargo is reconfigured during operations. The task digital twin capability of fleet intelligence systems further benefits workflow definition clarity through workflow simulation by applying a virtual set 13504 of pre-configured smart container digital twins to perform optionally defined candidate workflows or parts thereof. can give. In embodiments, the team digital twin capabilities of the fleet intelligence system can be implemented by the
실시예에서, 작업흐름 시뮬레이션의 결과는 주문 실행 계획에서 사용하기에 적합한 하나 이상의 데이터 구조를 포함할 수 있다.In embodiments, the results of a workflow simulation may include one or more data structures suitable for use in order execution planning.
태스크 정의들, 스마트 컨테이너 정의들, 작업흐름 정의들, 플릿 구성 파라미터들 등에 추가하여, 주문 실행 계획은 작업에 대한 계약들 예컨대, 작업 구성 시스템(13018)에 의해 또는 이와 연관하여 구조/구성될 수 있는 스마트 계약들, 작업 자원들(예를 들어, 스마트 컨테이너들의 플릿들)에 배달 전달 시간들, 산출물들의 스케줄 등을 식별할 수 있다.In addition to task definitions, smart container definitions, workflow definitions, fleet configuration parameters, etc., the order execution plan may be structured/organized into contracts for the work, e.g., by or in association with the
실시예에서, 플릿 구성 시스템(13020)은 태스크 정의, 작업흐름 정의 등에 기초하여 작업에 대한 플릿의 자원을 구성한다. 플릿 구성 시스템(13020)은 비용, 운송 모드(들)(예를 들어, 컨테이너 선박, 철도, 트럭, 컨테이너 하이퍼루프, 및/또는 자율 주행 컨테이너), 환경 조건, 시간 제약, 스마트 컨테이너 및/또는 부품의 이용 가능한 재고 등과 같은 다른 고려 사항에 기초하여 플릿 구성을 결정할 수 있다. 플릿 구성 시스템(13020)은, 태스크들이 작업흐름들로 조직화될 때와 같이, 작업 구성 시스템(13018)과 협력하여 동작할 수 있다. 작업 작업흐름은 각각의 유형의 스마트 컨테이너의 가용성에 의해 영향을 받을 수 있으므로, 작업 구성 시스템(13018)은 후보 작업 작업흐름을 결정할 때 플릿 구성 시스템(13020)을 활용할 수 있다.In an embodiment, fleet configuration system 13020 configures the fleet's resources for work based on task definitions, workflow definitions, etc. Fleet configuration system 13020 may consider cost, transportation mode(s) (e.g., container ship, rail, truck, container hyperloop, and/or self-driving container), environmental conditions, time constraints, smart containers, and/or components. Fleet composition can be determined based on other considerations, such as available inventory. Fleet organization system 13020 may operate in cooperation with
실시예에서, 요청된 작업에 대한 플릿 구성은 플릿 자원을 특정 태스크 및/또는 프로젝트에 할당된 스마트 컨테이너 팀으로 구성하는 것을 포함할 수 있다(스마트 컨테이너 또는 스마트 컨테이너 팀은 다수의 태스크 및/또는 프로젝트를 할당받을 수 있다는 것에 유의한다). 각각의 스마트 컨테이너 팀은 하나 이상의 스마트 컨테이너 운영 단위를 포함할 수 있으며, 이는 스마트 컨테이너, 로봇, 인간, 운송 모드, 기계(예를 들어, 3D 프린터), 툴 등 중 임의의 하나 이상을 포함할 수 있다. 또한, 구성된 스마트 컨테이너 팀은 작업-특정적일 수 있고, 팀 멤버쉽은 임의의 주어진 스마트 컨테이너 운영 단위에 대해 일시적일 수 있다. 예로서, 화물 적재 및/또는 하역 작업을 수행하도록 구성된 로봇은 화물 적재 및/또는 하역 작업이 제1 스마트 컨테이너 팀에 의해 수행되고 있는 지속 기간 동안에만 제1 스마트 컨테이너 팀에 할당될 수 있다. 동일한 로봇은 또한 제2 스마트 컨테이너 팀 화물 하역 및/또는 적재가 수행되고 있는 시간 지속기간(duration) 동안만 제2 스마트 컨테이너 팀에 할당될 수 있다. 로봇, 컨테이너 선박, 트럭, 철도, 리치 스태커(reach stacker), 지게차(forklift), 크레인 등과 같은 플릿 자원의 시간 공유는 예를 들어, 플릿 구성 시스템(13020)으로부터 배송 구성 시스템으로 통신될 수 있어서, 배송 구성 시스템에 의해 정의된 작업흐름은 스마트 컨테이너 팀 각각에 대한 화물 적재/하역 로봇의 가용성을 고려할 수 있다. 실시예들에서, 임의의 주어진 스마트 컨테이너 또는 스마트 컨테이너들의 그룹은 스마트 컨테이너-특정 시간-공유 접근법 또는 다른 자원 활용 최적화 기술을 사용하여 플릿 구성 시스템(13020)에 의해 다수의 작업들에 걸쳐 확산된 다수의 팀들에 할당될 수 있다. 일 예에서, 플릿 구성 시스템(13020)은 하루, 시간, 또는 이의 부분과 같은 시간 단위 동안 하나의 작업에 플릿 내의 각각의 스마트 컨테이너를 할당하는 다차원 스마트 컨테이너 이용 계획 시스템을 사용하여, 배송 구성 시스템의 각각의 인스턴스가 특정 기간 동안 스마트 컨테이너의 사용을 요청할 수 있게 할 수 있다. 플릿 구성 시스템(13020)은 작업 작업흐름 정의 등을 통지하는 스마트 컨테이너 플릿 구성 설명으로 요청에 응답할 수 있다.In embodiments, configuring a fleet for requested work may include configuring fleet resources into smart container teams assigned to specific tasks and/or projects (smart containers or smart container teams may be comprised of multiple tasks and/or projects). Note that you can be assigned). Each smart container team may include one or more smart container operating units, which may include any one or more of smart containers, robots, humans, transportation modes, machines (e.g., 3D printers), tools, etc. there is. Additionally, the configured smart container team may be task-specific, and team membership may be temporary for any given smart container operating unit. By way of example, a robot configured to perform cargo loading and/or unloading operations may be assigned to a first smart container team only for the duration of time that cargo loading and/or unloading tasks are being performed by the first smart container team. The same robot may also be assigned to a second smart container team only for a duration of time during which the second smart container team cargo unloading and/or loading is being performed. Time sharing of fleet resources such as robots, container ships, trucks, rail, reach stackers, forklifts, cranes, etc. can be communicated, for example, from the fleet configuration system 13020 to the delivery configuration system, The workflow defined by the delivery configuration system can take into account the availability of cargo loading/unloading robots for each smart container team. In embodiments, any given smart container or group of smart containers can be distributed across multiple tasks by the fleet configuration system 13020 using a smart container-specific time-sharing approach or other resource utilization optimization technique. Can be assigned to teams. In one example, the fleet configuration system 13020 uses a multidimensional smart container utilization planning system to assign each smart container within a fleet to a task for a time unit, such as a day, hour, or portion thereof, of the shipment configuration system. Each instance can request the use of a smart container for a specific period of time. The fleet configuration system 13020 may respond to the request with a smart container fleet configuration description notifying task workflow definitions, etc.
일부 실시예들에서, 요청된 작업에 대한 플릿 구성은 에지 디바이스들, 충전 능력들 및/또는 충전 스테이션들, 로컬 데이터 저장 능력들, 컨테이너 보관 시설들, 예비 부품들, 인간 기술자들 등과 같은 스마트 컨테이너 지원 자원들을 할당하는 것을 포함할 수 있다.In some embodiments, fleet configuration for the requested task may include smart containers such as edge devices, charging capabilities and/or charging stations, local data storage capabilities, container storage facilities, spare parts, human technicians, etc. May include allocating support resources.
실시예에서, 플릿 구성 시스템(13020)은 플릿 구성을 결정하기 위해 라이브러리를 활용할 수 있다. 이러한 실시예들에서, 플릿 구성 시스템(13020)은 특정 태스크들을 수행하기 위해 상이한 구성들을 정의하는 라이브러리(13044)를 사용하여 정의된 태스크들 또는 프로젝트들에 대한 팀 구성들을 결정할 수 있고, 이에 의해 룩업 테이블 또는 다른 연관 관계가 주어진 태스크 세트에 대한 팀 구성들을 결정하는 데 사용된다. 실시예들에서, 라이브러리(13044)는 상이한 스마트 컨테이너 유형들의 속성들을 포함할 수 있다. 일 예로, 스마트 컨테이너의 속성은 스마트 컨테이너의 크기 또는 부피를 나타낼 수 있다. 실시예에서, 플릿 구성 시스템(13020)은 작업 파싱 시스템에 의해 식별된(그리고 선택적으로 태스크 정의로 구성된) 속성 및 하나 이상의 화물 보관 및/또는 운송 서비스 주문 파라미터에 기초하여 태스크를 수행할 수 있는 스마트 컨테이너의 유형을 필터링할 수 있다. 태스크 또는 작업 동작이 (예를 들어, 작업 파싱 시스템에 의해 생성된 데이터, 기존 주문 실행 계획, 화물 보관 및/또는 운송 서비스 주문 등에 기초하여) 이용가능한 스마트 컨테이너보다 작은 터널을 통해 액세스할 것을 요구할 때, 플릿 구성 시스템(13020)은 스마트 컨테이너를 포함하지 않을 것이고; 대신에 터널 크기 요건들을 충족시킬 수 있는 상이한 스마트 컨테이너 및/또는 스마트 컨테이너 유형/구성을 식별하려고 시도할 것이다. 실시예들에서, 플릿 구성 시스템(13020)은 정의된 태스크의 요건들에 맞추기 위해 스마트 컨테이너 크기들 및/또는 유형들 등의 조합들을 참조할 수 있다. 또한, 플릿 구성 시스템(13020)은 태스크의 다른 요구 사항을 충족하지 않을 수 있는 경우 태스크를 수행하기 위해 2개의 스마트 컨테이너를 제안할 수 있다. 실시예에서, 플릿 구성 시스템(13020)은 복수의 스마트 컨테이너, 스마트 컨테이너 유형, 스마트 컨테이너 구성 등을 포함하는 플릿 정의를 작업 구성 시스템(13018)에 전달할 수 있다. 플릿 구성 시스템(13020)의 일반적인 목표는 주문의 일부의 적절한 실행을 위해 가장 적은 스마트 컨테이너 및/또는 스마트 컨테이너 유형을 요구하는 플릿 구성(들)을 생성하는 것을 포함할 수 있다. 그러나, 플릿 구성 시스템(13020)은 하나 초과의 스마트 컨테이너 유형/구성 조합을 포함하는 태스크-특정 플릿 구성을 생성하기 위해 태스크 정의 시스템과 협력하여 동작할 수 있고, 이에 의해 스마트 컨테이너 시스템(13000)의 다른 요소들이 요청된 작업의 실행을 효율적으로 관리할 수 있게 한다. 이러한 플릿 구성은, 예를 들어, 복수의 정의된 스마트 컨테이너 태스크들을 작업 작업흐름로 구성할 때 배송 구성 시스템(예를 들어, 작업 작업흐름 생성 시스템)의 다른 요소들이 고려할 수 있는 스마트 컨테이너들 등의 효율적인 사용과 같은 목표를 충족시키기 위한 바람직한 스마트 컨테이너 및/또는 스마트 컨테이너 조합을 나타낼 수 있다. 따라서, 플릿 구성은 태스크를 수행하기 위한 1차, 2차 및 3차 스마트 컨테이너 표시를 포함할 수 있다. 대안적으로, 화물 보관 및/또는 운송 서비스 주문을 위한 플릿 구성은 복수의 스마트 컨테이너를 식별할 수 있고, 각각은 효율적인 작업 완료, 수익성, 플릿 스마트 컨테이너 사용 선호도 등과 같은 기준에 기초하여 이용 가중치를 할당한다.In embodiments, fleet configuration system 13020 may utilize a library to determine fleet configuration. In these embodiments, the fleet configuration system 13020 may determine team configurations for defined tasks or projects using a
실시예에서, 플릿 구성 시스템(13020)은 재고 데이터 저장소를 참조하여 스마트 컨테이너를 구성하기 위한 이용 가능한 스마트 컨테이너 및/또는 모듈(예를 들어, 물리적 모듈 및/또는 소프트웨어 모듈)을 결정하고, 이들 스마트 컨테이너 및/또는 부품의 위치, 부품의 상태(예를 들어, 유지보수가 이용 가능한 스마트 컨테이너 또는 부품에 대해 만기되거나 필요한지 여부) 등을 구성할 수 있다. 이러한 방식으로, 작업, 태스크, 팀 등에 대한 플릿 구성은 스마트 컨테이너, 모듈, 지원 장비 및/또는 예비 부품의 이용 가능한 재고에 의해 결정될 수 있다. 또한, 본 명세서에 설명된 플릿 유지보수 관리 시스템은 재고 데이터 저장소에 추가되고/되거나 보충될 수 있는 스마트 컨테이너 상태의 양태들, 예컨대 어떤 스마트 컨테이너들이 중요 유지보수를 위해 사용으로부터 리저브(reserve)되고 있는지, 어떤 스마트 컨테이너들이 배치될 수 있지만 서비스 및/또는 유지보수 또는 다른 관심들, 예비 부품들의 상태, 또는 다른 서비스 활동들(예를 들어, 만기일, 현재 위치, 예상된 설치 등)로 인해 감소된 능력을 가질 수 있는지를 추적할 수 있다. 따라서, 플릿 구성 시스템(13020)은 작업에 영향을 줄 수 있는 플릿 자원 유지보수 지식에 대해 플릿 유지 관리 시스템에 의해 참조 및/또는 통지될 수 있다. 추가적으로 또는 대안적으로, 플릿 구성 시스템(13020)은 지능 서비스(13004)로부터 플릿 구성을 요청할 수 있으며, 여기서 인공 지능 모듈들(13404)은 입력으로서 태스크 정의들, 작업흐름 정의들, 예산, 환경 정의, 작업 타임라인 등을 포함하는 파라미터들의 세트를 수신하고, 복수의 후보 플릿 구성들을 평가하고, 작업을 수행할 수 있는 타겟 플릿 구성을 결정할 수 있다. 실시예에서, 인간은 플릿 구성 시스템의 인간 인터페이스를 통해 플릿 구성의 임의의 부분을 정의하거나 재정의할 수 있다.In an embodiment, fleet configuration system 13020 consults an inventory data repository to determine available smart containers and/or modules (e.g., physical modules and/or software modules) for configuring smart containers, and You can configure the location of the container and/or part, the condition of the part (e.g., whether maintenance is expired or required for an available smart container or part), etc. In this way, fleet composition for jobs, tasks, teams, etc. can be determined by available inventory of smart containers, modules, support equipment and/or spare parts. Additionally, the fleet maintenance management system described herein may provide aspects of smart container status that may be added and/or replenished to the inventory data store, such as which smart containers are being reserved from use for critical maintenance. , some smart containers may be deployed but have reduced capacity due to service and/or maintenance or other concerns, status of spare parts, or other service activities (e.g. due date, current location, expected installation, etc.) You can track whether you can have it. Accordingly, the fleet configuration system 13020 may be consulted and/or notified by the fleet maintenance system for fleet resource maintenance knowledge that may impact operations. Additionally or alternatively, fleet configuration system 13020 may request fleet configuration from
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(13018) 및/또는 플릿 구성 시스템(13020)은 작업 타임라인, 전체 비용, 스마트 컨테이너 다운타임, 유지보수-관련 다운타임, 운송 비용 등과 같은 하나 이상의 파라미터를 최적화(또는 실질적으로 최적화)하기 위해 작업 구성 및 플릿 구성을 반복적으로 재정의할 수 있다. 작업 구성 시스템(13018) 및 플릿 구성 시스템(13020)이 태스크 및 작업흐름 정의뿐만 아니라 플릿 구성을 결정하면, 스마트 컨테이너 플릿 관리 시스템은 화물 보관 및/또는 운송 서비스 주문에 대응하는 주문 실행 계획을 출력할 수 있다.In embodiments, job and fleet configurations may be fed to a digital twin system, whereby the digital twin system can perform a simulation of the job given the job and fleet configuration.
실시예에서, 플릿 구성 시스템(13020)은 플릿 자원을 구성할 때 디지털 트윈을 활용할 수 있다. 플릿 구성을 갖는 디지털 트윈들의 사용은 태스크 정의 내의 정보에 기초하여 하나 이상의 스마트 컨테이너의 하나 이상의 디지털 트윈들을 식별 및/또는 정의하는 것을 포함할 수 있다. 플릿 구성은 스마트 컨테이너가 루트 및/또는 태스크 또는 그 일부를 수행할 수 있도록 스마트 컨테이너의 구성 및/또는 동작을 식별하는 것을 포함할 수 있다. 이러한 스마트 컨테이너 태스크 구성 명령들은 태스크를 수행하기 위한 후보 스마트 컨테이너들의 세트 중 하나 이상에 대한 디지털 트윈의 사용을 통해 생성될 수 있다. 예시적인 예에서, 스마트 컨테이너는 루틴, 액션, 루트, 태스크 등을 수행하도록 스마트 컨테이너를 구성하기 위한 복수의 구성/동작 데이터 구조와 연관될 수 있다. 플릿 구성 시스템(13020)은 태스크를 수행하는 데 사용하기 위해 (예를 들어, 라이브러리(13044)로부터의) 하나 이상의 후보 스마트 컨테이너 구성 데이터 구조를 식별하거나 달리 제공받을 수 있다. 이러한 후보 구성 데이터 구조의 부분은 컨테이너 선박 상으로의 램프 위로 이동시키기 위한 이동 속도를 포함할 수 있다. 요청된 작업 요건들은 이동 속도가 후보 구성 데이터 구조에서의 값과 상이하다는 것을 명시적으로 또는 암시적으로 나타낼 수 있다. 실시예에서, 플릿 구성 시스템은 후보 구성 데이터 구조에 임의의 조정을 하고(예를 들어, 이동 속도를 감소시키고), 이를 후보 스마트 컨테이너의 디지털 트윈의 인스턴스화에 적용하고, 조정된 구성 데이터 구조를 갖는 디지털 트윈의 실행(예를 들어, 시뮬레이션)을 관찰 및/또는 평가하고, 이를 라이브러리(13044) 등에 저장할 수 있다. 새롭게 저장된 구성 데이터 구조는 미래에 효율적인 액세스를 이루기 위해 화물 보관 및/또는 운송 서비스 주문 및/또는 요청된 작업, 태스크 등의 다른 파라미터에 기초하여 카테고리화될 수 있다.In embodiments, fleet configuration system 13020 may utilize digital twins when configuring fleet resources. Use of digital twins with a fleet configuration may include identifying and/or defining one or more digital twins of one or more smart containers based on information in a task definition. Fleet configuration may include identifying the configuration and/or operation of the smart container so that the smart container can perform the root and/or task or portion thereof. These smart container task configuration instructions may be generated through the use of a digital twin for one or more of the set of candidate smart containers to perform the task. In an illustrative example, a smart container may be associated with a plurality of configuration/action data structures to configure the smart container to perform routines, actions, roots, tasks, etc. Fleet configuration system 13020 may identify or otherwise be provided with one or more candidate smart container configuration data structures (e.g., from library 13044) for use in performing the task. Part of this candidate configuration data structure may include travel speeds for moving up a ramp onto a container ship. Requested task requirements may explicitly or implicitly indicate that the movement speed is different from the value in the candidate configuration data structure. In an embodiment, the fleet configuration system makes arbitrary adjustments to the candidate configuration data structure (e.g., reduces the movement speed) and applies them to an instantiation of the digital twin of the candidate smart container with the adjusted configuration data structure. The execution (e.g., simulation) of the digital twin may be observed and/or evaluated, and stored in a
스마트 컨테이너 구성 라이브러리는 작업 정보, 스마트 컨테이너 정보, 플릿 정보, 스마트 컨테이너 태스크를 정의하는 방법을 결정하는 데 유용할 수 있는 태스크 정의 규칙/메타데이터, 작업흐름 구성 규칙 및/또는 기술, 배송 구성 시스템의 애플리케이션으로부터의 이전 화물 보관 및/또는 운송 서비스 주문 결과(예를 들어, 이전 주문 실행 계획) 등을 포함할 수 있다. 라이브러리(13044)는 작업 운영 시스템의 기능들에 의해 액세스 및/또는 업데이트될 수 있다. 라이브러리(13044)의 예시적인 예들은 작업 구성 등과 같은 작업 운영 시스템 기능들 및 특징들과 관련하여 본 명세서에서 다양하게 설명된다. 예로서, 스마트 컨테이너 구성 라이브러리는 플릿 구성, 주문 실행 등 동안 이용될 수 있는 스마트 컨테이너의 구성에 대한 특정 참조를 포함할 수 있다. 이 예에서, 스마트 컨테이너 구성 라이브러리는 스마트 컨테이너 구성 데이터 세트(예를 들어, 스마트 컨테이너에 업로드될 때 스마트 컨테이너가 3D 인쇄, 컨테이너 내 패키징 등과 같은 기능을 수행할 수 있게 하는 데이터)에 대한 참조를 가질 수 있다. 또한, 라이브러리는 주어진 구성으로 구성된 스마트 컨테이너의 성공적인 배치를 위해 요구될 수 있는 기본 모델, 버전, 필요한 특징 등과 같은 다른 스마트 컨테이너 관련 정보를 갖는 스마트 컨테이너 구성의 상호 참조를 제공할 수 있다. 또한, 라이브러리는 스마트 컨테이너 모델의 더 새로운 버전이 특정 구성에 의해 제공되는 빌트인 능력을 포함할 수 있음을 나타내는 것과 같이, 스마트 컨테이너 및 구성의 특정 조합에 대한 대안을 제안할 수 있다. 따라서, 플릿 구성 시스템은 상이한 작업들에 대해 어느 스마트 컨테이너들을 배치할지를 결정하는 데 더 큰 유연성을 가질 수 있다. 스마트 컨테이너 구성 라이브러리 등과 같은 컨텍스트 수정자(modifier)를 사용하여 라이브러리(13044)에 대한 참조가 본 명세서에서 이루어진다. 이러한 컨텍스트 수경자들은 단지 예시적인 목적들을 위해 라이브러리(13044)의 하나 이상의 부분들 및/또는 인스턴스를 제안할 수 있다.The Smart Container Configuration Library provides job information, smart container information, fleet information, task definition rules/metadata that can be useful in determining how to define smart container tasks, workflow configuration rules and/or techniques, and shipping configuration system information. Results of previous cargo storage and/or transportation service orders from the application (e.g., previous order execution plans), etc.
실시예들에서, 태스크 정의 시스템의 최적화 특징들은 작업 구성 시스템(13018), 이를테면 작업흐름 시뮬레이션 시스템 등의 다른 요소들로부터의 피드백과 관련하여 아래에서 설명된다.In embodiments, optimization features of the task definition system are described below with respect to feedback from other elements, such as the
일부 실시예들에서, 플릿 운영 시스템 및 플릿 지능 시스템은 주문 실행 계획의 인스턴스들을 적응시키고 실행하기 위한 것과 같이, 구성 활동들의 주문 실행 시간 반복을 위해 피드백을 수행한다. 이들 실시예에서, 작업 구성 시스템(13018) 내의 피드백은 태스크 정의 및 작업흐름 정의와 같은 주문 실행 계획의 컴포넌트를 생성할 때 구성 활동의 반복을 용이하게 한다. 이들 실시예에 대해 설명된 바와 같이, 지능 서비스(13004)는 적어도 이들 반복에 대해 사용될 수 있다. 그러나, 지능 서비스(13004)의 자원은 또한 또는, 추가적으로, 주문 실행 계획의 실행을 향상시키기 위해 사용될 수 있는 것으로 생각된다.In some embodiments, the fleet operating system and fleet intelligence system perform feedback for order execution time iterations of component activities, such as to adapt and execute instances of an order execution plan. In these embodiments, feedback within
실시예에서, 플릿 관리 시스템(13002)의 주문 실행 시스템(13022)은, 예를 들어, 화물 보관 및/또는 운송 서비스 주문에 응답하여 작업 구성 시스템(13018)으로부터 주문 실행 계획을 수신할 수 있다. 주문 실행 시스템(13022)은 계획을 진척시키고, 스마트 컨테이너 유닛 및 다른 플릿 자원을 활성화 및 모니터링하고, 예를 들어, 스마트 컨테이너 유닛 모니터링 데이터에 기초하여 피드백, 선택적으로 실시간 피드백을 제공함으로써 주문 실행 계획의 수행을 용이하게 할 수 있다. 이 피드백은, 예를 들어, 태스크 정의 등과 같은 주문 실행 계획에 대한 조정을 결정하기 위해 지능 서비스(13004)의 인공 지능 능력에 의해 처리될 수 있다. 피드백 및 조정이 실시간으로 또는 거의 실시간으로 수행될 때(예를 들어, 작업흐름에서의 단계와 같은 다가오는 주문 실행 활동 전에), 작업 구성 시스템(13018)의 기능은 주문 실행 시스템(13022)에 의해 현재 실행되고 있는 계획의 인스턴스와 같은 기존 주문 실행 계획을 수정하기 위해 반복될 수 있다.In embodiments,
지능 서비스(13004)의 인공 지능 시스템은 시뮬레이션을 수행하고 시뮬레이션의 결과를 대응하는 태스크 정의를 업데이트하기 위한 작업 구성 시스템(13018)에 대한 입력으로서 하나 이상 사용할 수 있다. 실시예들에서, 플릿 지능 시스템은 예를 들어, 스마트 컨테이너 태스크 라이브러리(13044) 등에 저장된 미리 구성된 태스크 정의들을 업데이트하기 위해 시스템에 의해 사용될 수 있는 이러한 태스크 정의를 적응시킬 필요성에 관한 경보를 플릿 관리 시스템(13002)에 발송할 수 있다. 이러한 경보는 주문 실행 시스템(13022)과 조정하기 위해 플릿 운영 시스템에 의해 사용될 수 있어서, 보류 태스크들이 주문 실행 계획에서 리프레시(refresh)되기 전에 실행되지 않는다. 실시예에서, 작업 구성 시스템(13018)은 주문 실행 계획의 일부만을 주문 실행 시스템(13022)에 공개(release)할 수 있어서, 공개되지 않은 부분들이 적응될 수 있고, 이에 의해 실행 계획에 대한 업데이트가 이루어지는 동안 작업이 정지, 지연 또는 다른 방식으로 약화될 것을 요구하는 것과 같은, 주문 실행 시스템에 대한 영향을 완화시킬 수 있다.The artificial intelligence systems of
본 명세서에 제시된 작업 구성 등에 대한 예들은 일반적으로 단일 작업이 작업 구성 시스템(13018)에 의해 구성되는 것을 고려하지만, 많은 작업들이 동시에 구성될 수 있다. 본 명세서에 설명된 실시간 또는 거의 실시간 피드백을 위한 방법들 및 시스템들은, 상이한 엔티티들로부터의 화물 보관 및/또는 운송 서비스 주문들을 동시에 처리하는 것을 지원하기 위해 필요한 작업 격리 요건들(예를 들어, 작업 식별 데이터가 난독화될 수 있음)을 유지하면서, 제1 작업의 태스크 정의에 대한 피드백이 제2 작업의 태스크 정의에 유익할 수 있도록 수행되는 작업 구성 활동의 임의의 인스턴스에 적용될 수 있다.Examples of task organization, etc., presented herein generally consider a single task to be composed by the
실시예에서, 요청된 작업의 완료를 나타내는 데이터를 캡처하는 것은 작업 완료 데이터 세트로부터 이러한 데이터를 추출하는 것을 포함할 수 있다. 이 작업 완료 데이터 세트는 학습 및 최적화에 유용할 수 있는 정보를 식별하는 것을 용이하게 하도록 구성될 수 있다. 일 예에서, 작업 완료 데이터 세트는, 예컨대 메타데이터 태그들, 논리적 및/또는 물리적 분리, 또는 예측으로부터의 예외들 또는 큰 변형들을 나타내는 다른 표시 데이터의 사용에 의해 지정될 수 있다. 예에서, 작업 완료 시에, 스마트 컨테이너에 의해 반송되는 손상된 패키지의 백분율은 예상 및/또는 허용 가능한 수를 초과할 수 있다. 손상된 패키지의 이러한 과도한 카운트는 추출되어 지능 서비스(13004)로 발송될 학습 및 최적화 피드백을 위한 후보 정보로서 플래그(flag)될 수 있다. 실시예에서, 주문 실행 계획은 학습 및 최적화 피드백을 위해 수집되고 사용될 데이터의 유형의 표시자로 구성될 수 있다. 지능 서비스(13004)는 스마트 컨테이너 설계 엔지니어링 팀 등에 의해 이루어진 질의와 같은 플릿 지능 시스템에 알려진 다른 인자에 기초하여 그렇게 표시될 데이터의 유형을 작업 구성 시스템(13018)에 추천할 수 있다. 실시예들에서, 학습 및 최적화 피드백은, 다른 것들 중에서도, 인공 지능 서비스의 최적화(예를 들어, 스마트 컨테이너 팀들, 스마트 컨테이너 유형들, 작업흐름들 등을 추천하는 것)를 수행하기 위해 플릿 지능 서비스에 의해 사용될 수 있다. 본 명세서의 설명을 참조하면, 미리 구성된 태스크, 스마트 컨테이너 구성, 팀 구성 등이 라이브러리(13044)로부터 검색될 수 있다. 주문 실행 계획의 이러한 미리 구성된 양태들이 실행될 때, 수행을 나타내는 데이터는 이러한 미리 구성된 양태들을 연속적으로 개선하기 위해 학습 및 최적화 피드백으로서 사용하기 위해 플래그될 수 있다. 이러한 데이터의 사용 결과는 실세계에서 더 잘 수행할 수 있는 필드 조건-적응된 미리 구성된 태스크들을 포함한다. 이 데이터의 또 다른 사용 결과는 개선된 디지털 트윈 및 기계 학습 모델을 포함한다.In embodiments, capturing data indicative of completion of a requested task may include extracting such data from a task completion data set. This work done data set can be organized to facilitate identifying information that may be useful for learning and optimization. In one example, a work-complete data set may be designated, such as by the use of metadata tags, logical and/or physical separation, or other indicative data that indicates exceptions or major variations from a prediction. In an example, upon completion of a task, the percentage of damaged packages returned by the smart container may exceed an expected and/or acceptable number. This excessive count of corrupted packages can be extracted and flagged as candidate information for learning and optimization feedback to be sent to
실시예들에서, 파싱될 작업 설명은 관련 작업 설명 세부사항들, 목표들, 목적들, 요건들, 선호도들 등을 포함할 수 있고, 본 명세서의 다른 곳에서 설명될 수 있다. 모든 관련 작업 정보가 요청 내에 포함되는 것은 아니지만, 보조 작업 설명 데이터에 대한 하나 이상의 링크가 포함될 수 있다. 보조 작업 데이터는 화물 보관 및/또는 운송 서비스 주문 데이터 세트로부터 원격에 저장될 수 있다(예를 들어, 작업 설명의 인터넷 URL을 통해 액세스될 수 있다). 선택적으로, 보조 작업 데이터는 스마트 컨테이너 시스템(13000)에 액세스 가능한 데이터 구조, 예컨대 플릿 라이브러리(13044), 요청자 특정 스토리지 등에 저장될 수 있다. 보조 작업 데이터는 공식적인 표준(예를 들어, 로컬 방해 규정, 안전(OSHA), 전기(NEC), 품질 등), 허용 요건(예를 들어, 형태, 단계, 타이밍, 다른 작업에 대한 종속성 등), 작업의 법적 요건(예를 들어, 관세 요건, 관련 법 등) 세부사항, 송하인 표준(예를 들어, 손상된 화물의 허용 가능한 백분율), 산업 규범(예를 들어, 작업 시간, 재료 선택, 템플릿 등), 승인된 벤더(예를 들어, 공급 및 다른 소모품이 취득될 업체), 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 응답하는 방법 등) 등을 포함할 수 있다. 화물 보관 및/또는 운송 서비스 주문 데이터(13096) 및, 표시되는 경우, 보조 작업 데이터는 작업 인스턴스 특정 콘텐츠를 생성하기 위해 작업 파싱 시스템과 협력하여 작동하는 태스크 정의 수집 시설에 의해 처리된다. 이러한 작업 인스턴스-특정 콘텐츠는, 다른 것들 중에서도, 입력 데이터에서 정의될 수 있는 초기 시퀀스 타이밍(예를 들어, "태스크 B 전에 태스크 A 수행") 및/또는 그로부터 도출될 수 있는 초기 시퀀스 타이밍을 포함할 수 있다(예를 들어, 강철 스트래핑(steel strapping)을 갖는 컨테이너 내의 화물을 고정하는 것은 화물이 컨테이너 내로 적재된 후에 반드시 해야 함). 작업 파싱 시스템은 작업 및 플릿 라이브러리(13044)와 같은 스마트 컨테이너 플릿 관리 시스템 액세스 가능 라이브러리로부터 도출된 정보를 이용하기 위해 작업 설명 데이터를 변환할 때 데이터 처리 시스템(13024)과 상호작용할 수 있다. 수집 시설은 작업 식별 정보, 내부 보조 데이터에 대한 링크 등과 같은 일부 작업 설명 콘텐츠를 작업 인스턴스 스토리지에 직접 저장할 수 있다.In embodiments, the job description to be parsed may include relevant job description details, goals, objectives, requirements, preferences, etc., and may be described elsewhere herein. Not all relevant task information will be included within the request, but one or more links to auxiliary task description data may be included. Ancillary task data may be stored remotely (e.g., accessed via an Internet URL in the task description) from the freight storage and/or transportation service order data set. Optionally, auxiliary task data may be stored in a data structure accessible to
실시예들에서, 작업 파싱 및 태스크 정의를 용이하게 하기 위한 하나 이상의 인간 상호작용 능력들은 작업 및 작업 데이터를 사전 포맷팅, 조직화, 및 검사하기 위한 정보를 수집하기 위해 (예를 들어, 텍스트 입력, 대화 봇, 햅틱 입력 등을 통해) 인간과 상호작용할 수 있는 지식 기반 시스템들(예를 들어, AI 기반 등)을 포함할 수 있다. 이러한 상호 작용은 작업 설명을 수신하는 것을 대체하거나 보완할 수 있다.In embodiments, one or more human interaction capabilities to facilitate task parsing and task definition may be used to collect information for pre-formatting, organizing, and inspecting tasks and task data (e.g., text entry, dialogue, etc.). May include knowledge-based systems (e.g., AI-based, etc.) that can interact with humans (via bots, haptic input, etc.). These interactions can replace or supplement receiving job descriptions.
작업 파싱 시스템은 태스크 정의에 적합한 작업 인스턴스 콘텐츠를 구성하기 위해 수집 시설에 의해 생성되거나 수집 시설을 통해 전달되는 작업 설명 정보를 사용할 수 있다. 작업 파싱 시스템은 (예를 들어, 선택적으로 도시된 바와 같이 데이터 처리 시설(13024)을 통해) 라이브러리(13044) 내의 콘텐츠를 질의하기 위해 수집 시설에 의해 제공된 정보를 사용할 수 있다. 태스크 정의에 유용하거나 정보를 줄 수 있는 라이브러리 내의 콘텐츠는 작업 구문(job syntax)(예를 들어, 주어진 작업, 작업 유형, 태스크들의 세트, 스마트 컨테이너 유형들, 스마트 컨테이너 능력들(예를 들어, 유형, 크기, 비용, 가용성 등에 의해), 키워드-대-태스크 상호 참조, 작업흐름 정의 규칙들, 주문 실행 계획 포맷/콘텐츠/구조와 관련된 용어들)을 포함할 수 있다. 또한, 라이브러리는 (예를 들어, 태스크 키워드 등에 기초한) 예시적인 스마트 컨테이너 구성, (예를 들어, 태스크의 특정 유형 또는 클래스를 수행하기 위한) 예시적인 팀 구성, 태스크 정의, 작업흐름 및 작업흐름 정의, 예시적인 주문 실행 계획(들) 등과 같은 다양한 태스크 정의 관련 활동을 위한 템플릿(template)을 포함할 수 있다.The task parsing system may use task description information generated by or passed through the collection facility to construct task instance content appropriate for the task definition. The operational parsing system may use information provided by the collection facility to query content within library 13044 (e.g., optionally via
키워드-기반 태스크 룩업 모듈은 태스크-지향 키워드(task-oriented keyword)들 등과 같은, 작업 인스턴스 저장소 내의 정보를 검색하고, 이들을 라이브러리(13044)에 적용하여 사전 구성된 또는 템플릿화된 태스크들 또는 이들의 일부들을 잠재적으로 식별할 수 있다. 예로서, 작업 설명은 수중에서 이동하도록 구성된 스마트 컨테이너에 대한 필요성을 제안할 수 있는 "잠수(submerged)" 등과 같은 키워드를 포함할 수 있다. 이러한 키워드들이 액션 "잠수 3D 프린팅"과 조합될 때, 키워드 기반 태스크 룩업 모듈은 3D 프린팅을 수행하고 수중에서 이동할 수 있는 스마트 컨테이너 유형들을 식별할 수 있다. 라이브러리 내의 태스크의 디스크립터(descriptor)가 하나 이상의 작업 설명 키워드와 정렬되는 경우, 태스크는 작업에 대한 후보 태스크로 간주될 수 있다.The keyword-based task lookup module retrieves information in the job instance repository, such as task-oriented keywords, and applies them to the
실시예들에서, 태스크 정의기 모듈은 하나 이상의 스마트 컨테이너에 의해 수행될 태스크들에 대한 정의들을 형성하기 위해 태스크 룩업 모듈에 의해 제공된 후보 태스크들뿐만 아니라 작업 인스턴스 스토리지 내의 정보를 처리할 수 있다. 태스크를 정의하는 것은 표준, 법률(예를 들어, 관세) 등에 의해 미리 정의된 태스크를 포함할 수 있다. 각각의 태스크 정의는 태스크를 수행하기 위한 스마트 컨테이너 유형을 식별하는 데 유용한 정보를 포함할 수 있다.In embodiments, the task definer module may process information in the job instance storage as well as candidate tasks provided by the task lookup module to form definitions for tasks to be performed by one or more smart containers. Defining a task may include tasks predefined by standards, laws (eg, tariffs), etc. Each task definition can contain information useful for identifying the smart container type to perform the task.
실시예에서, 태스크 정의 시스템은 태스크 데이터와 정렬되는 스마트 컨테이너 유형의 특성을 식별함으로써 스마트 컨테이너 유형의 컨텍스트에서 (예를 들어, 화물 보관 및/또는 운송 서비스 주문 파서에 의해 제공되는 바와 같은) 화물 보관 및/또는 운송 서비스 주문으로부터 도출된 태스크 데이터를 처리할 수 있다. 예시적인 실시예에서, 태스크 정의 시스템은 태스크 데이터가 선박용 스마트 컨테이너의 특성을 나타내는 것이 북극 환경에서의 이동을 포함할 수 있다고 결정할 수 있다. 이 예에서, 태스크 정의 시스템은 이 특성에 기초하여 스마트 컨테이너 선택에 대한 요건을 적어도 포함하는 배송 태스크에 대한 태스크 정의를 생성할 수 있다. 이러한 예시적인 실시예들에서, 태스크 정의는 저온 온도들에 대한 요구되는 정도의 허용오차를 추가로 포함할 수 있다. 태스크 정의 시스템은 또한 단일 스마트 컨테이너/스마트 컨테이너 유형에 통합하기에 적합하지 않을 수 있는 하나 이상의 스마트 컨테이너의 특성(예를 들어, 화물 보관 및/또는 운송 서비스 주문으로부터 도출된 태스크 정보에 기초하여)을 결정할 수 있다. 이 결정은, 예를 들어, 스마트 컨테이너 특성들 및 라이브러리(13044)에서 액세스 가능한 유형 데이터에 기초할 수 있다. 이러한 예에서, 태스크 정의 시스템은 다수의 태스크들을 정의할 수 있으며, 이들의 각각은 라이브러리(13044) 내의 스마트 컨테이너 특성 정보와 일치하는 스마트 컨테이너 특성들을 갖는다. 실시예에서, 태스크 정의 시스템은, 선택적으로, 스마트 컨테이너 등과 같은, 플릿 자원을 구성할 때 플릿 구성 시스템(13020)이 사용할 수 있는 다수의 호환불가능한 스마트 컨테이너 특성의 각각의 유형을 요구하는 태스크의 하나 이상의 부분의 표시와 함께, 다수의 잠재적으로 호환불가능한 스마트 컨테이너 특성을 갖는 태스크를 정의할 수 있다. 실시예들에서, 태스크 정의는, 예를 들어, 태스크 요건들의 정렬(예를 들어, 화물 보관 및/또는 운송 서비스 주문의 태스크 정보로부터 도출됨), 스마트 컨테이너 특성들, 및 라이브러리(13044)에서 이용가능할 수 있는 스마트 컨테이너 유형들에 기초하여, 태스크를 수행하기 위한 스마트 컨테이너들의 유형들에 대한 하나 이상의 제안들을 포함할 수 있다. 아래에서 설명되는 바와 같이, 플릿 구성 시스템(13020)은 임의의 제안된 스마트 컨테이너 유형들을 포함하는 태스크 정의를 평가할 수 있다. 태스크를 정의할 때 전달될 수 있는 다른 예시적인 데이터는 정의된 태스크를 포함하는 작업 흐름을 정의하는 데 적합할 수 있는 태스크 시퀀스 종속성을 포함할 수 있다. 일 예로서, 컨테이너 자가-세정 태스크는 하역 작업 후에 수행될 것이 요구될 수 있다. 이러한 종속성은 문서화되고 작업흐름 정의 시스템에 의해 의존될 수 있다. 태스크 정의기 모듈은 정의된 태스크를 작업 인스턴스 스토리지 내에 저장할 수 있으며, 여기서 정의된 태스크는 작업 설명 데이터(예를 들어, 키워드들 등)에 대해 상호 참조될 수 있어서, 상호 참조된 키워드들의 미래 검출들은 적절한 태스크 정의를 신속하게 초래할 수 있다.In embodiments, the task definition system may store cargo in the context of a smart container type (e.g., as provided by a cargo storage and/or transportation service order parser) by identifying characteristics of the smart container type that align with the task data. and/or process task data derived from transportation service orders. In an example embodiment, the task definition system may determine that the task data represents characteristics of a marine smart container that may include movement in an arctic environment. In this example, the task definition system may create a task definition for the delivery task that includes at least the requirements for smart container selection based on these characteristics. In these example embodiments, the task definition may further include a desired degree of tolerance for cold temperatures. The task definition system may also define characteristics of one or more smart containers (e.g., based on task information derived from cargo storage and/or transportation service orders) that may not be suitable for integration into a single smart container/smart container type. You can decide. This decision may be based, for example, on smart container properties and type data accessible in
실시예에서, 플릿 구성 시스템(13020)은 주문 실행 계획의 완료를 위한 특정 소프트웨어, 하드웨어, 및 스마트 컨테이너 구성 요건을 제공한다. 이 예시적인 구성에서, 플릿 구성 프록시 모듈은 작업 구성 시스템(13018)으로부터 태스크 정의들을 수신하도록 구성될 수 있다. 플릿 구성 프록시 모듈은 플릿 구성 시스템(13020) 자원들 및 시스템들에 대한 액세스 및 사용을 용이하게 하기 위해 작업 구성 시스템(13018)에 의한 화물 보관 및/또는 운송 서비스 주문의 처리와 관련하여 인스턴스화될 수 있다. 플릿 구성 프록시 모듈의 이러한 및 다른 인스턴스화들은 본 명세서에서 작업 구성 시스템(13018)과 관련하여 추가로 설명된다. 플릿 구성 프록시 모듈은 태스크 정의들을 처리하고, 이들을 플릿 스마트 컨테이너 운영 단위 식별 및 플릿 비-스마트 컨테이너 운영 단위 식별 시스템과 같은 플릿 자원 식별 시스템들에 포워딩할 수 있다. 이들 식별 시스템들 각각은 플릿 구성 프록시를 통해 제공된 태스크 정의 데이터를 처리하여, 플릿 자원 데이터로부터 동작 데이터를 분리할 수 있다. 태스크 정의는 스마트 컨테이너 운영 단위들의 유형들, 지원 자원들(예를 들어, 전력 시스템들, 로봇들, 크레인들, 통신 시스템들 등)과 같은, 태스크를 수행하기 위해 요구되는 플릿 자원들의 세트를 설명할 수 있다. 스마트 컨테이너 운영 단위 유형 식별 시스템은 작업-특정 스마트 컨테이너 운영 단위 요구 데이터를 플릿 구성 스케줄러에 제공할 수 있다. 작업-특정 스마트 컨테이너 운영 단위 수요 데이터는 스마트 컨테이너의 유형 및 수량, 특정 스마트 컨테이너 운영 단위(예를 들어, 고유 식별자에 의해), 스마트 컨테이너 운영 단위 능력 등을 식별할 수 있다.In an embodiment, fleet configuration system 13020 provides specific software, hardware, and smart container configuration requirements for completion of an order execution plan. In this example configuration, the fleet configuration proxy module may be configured to receive task definitions from
일부 실시예에서, 플릿 구성 스케줄러는 화물 보관 및/또는 운송 서비스 주문 요구를 충족시키기 위해 플릿 자원을 할당함으로써 화물 보관 및/또는 운송 서비스 주문에 응답할 수 있다. 이들 요구들은, 본 명세서에서 설명된 바와 같이, 작업 구성 시스템(13018)에 의해, 그리고 구체적으로 플릿 구성, 할당, 및 스케줄링을 용이하게 하기 위해 태스크 정의 시스템에 의해 전처리될 수 있다. 플릿 구성 스케줄러는 화물 보관 및/또는 운송 서비스 주문을 충족시키기 위한 후보 재고 요소를 식별하기 위해 스마트 컨테이너 운영 단위 재고 및 전통적인 컨테이너 운영 단위 재고와 같은 플릿 재고를 설명하는 입력을 처리한다. 이러한 재고는 스마트 컨테이너 운영 단위 및 전통적인 컨테이너 운영 단위의 기존 할당에 기초하여 조정될 수 있다. 예로서, 스마트 컨테이너 운영 단위 작업-특정 수요 데이터에서 식별된 유형의 모든 스마트 컨테이너는 요청된 작업이 수행되도록 제약되는 시간 지속 기간에 걸쳐 할당될 수 있다. 플릿 구성 스케줄러는 (예를 들어, 지능 서비스(13004), 자원 프로비저닝 시스템(13014) 등과 같은 다른 시스템 자원들로부터의 지원을 통해) 화물 보관 및/또는 운송 서비스 주문 및 스마트 컨테이너 유형에서의 조건들에 기초하여, 플릿 구성 스케줄러에 이용가능한 등가 데이터를 요청된 활동들에 대한 스마트 컨테이너에 할당할 수 있다. 이러한 할당을 달성하기 위해, 지능 서비스(13004)에는 작업-특정 수요 데이터에 표시된 스마트 컨테이너에 의해 제공될 기능을 설명하는 정보 및 스마트 컨테이너에 의해 수행되어야 하는 태스크 및/또는 활동을 설명하는 정보가 제공될 수 있다. 적절하게 구성된 스마트 컨테이너에 의해 태스크를 수행하기 위한 사양의 차이와 같은 다른 컨텍스트가 또한 지능 서비스(13004)에 이용 가능할 수 있다. 2개의 상이한 스마트 컨테이너 유형의 사용에 기초하여 전체 화물 보관 및/또는 운송 서비스 주문에 대한 영향을 결정하는 것을 포함할 수 있는 인공 지능의 사용을 통해, 지능 서비스(13004)는 스마트 컨테이너 대체 안내를 플릿 구성 스케줄러에 제공할 수 있다. 이러한 안내는 이러한 플릿 구성 스케줄링 활동을 프롬프트한 화물 보관 및/또는 운송 서비스 주문에 대응하는 주문 실행 계획을 실행할 때 사용하기 위한 스마트 컨테이너 및 필요한 구성 데이터/특징의 할당을 초래할 수 있다.In some embodiments, a fleet configuration scheduler may respond to cargo storage and/or transportation service orders by allocating fleet resources to meet cargo storage and/or transportation service order demands. These requests may be preprocessed by the
실시예들에서, 태스크 정의는 (예를 들어, 태스크 요건들, 스마트 컨테이너 특성들, 및 스마트 컨테이너 유형들의 정렬에 기초하여) 하나 이상의 유형의 스마트 컨테이너들에 대한 추천들을 포함할 수 있고, 선호되는 유형이 태스크 정의에서 지정될 수 있다.In embodiments, the task definition may include recommendations for one or more types of smart containers (e.g., based on task requirements, smart container characteristics, and sorting of smart container types), and may include recommendations for preferred The type can be specified in the task definition.
플릿 구성 스케줄러는 플릿 및 제3자 자원들 및 공급들의 프로비저닝에 기여하고 및/또는 프로비저닝들을 결정할 수 있는 자원 프로비저닝 모듈(13014)과 같은 다른 플릿 시스템들에 의존할 수 있다.The fleet configuration scheduler may rely on other fleet systems, such as the
지능화 서비스(13004), 자원 프로비저닝 모듈(13014), 및 플릿 구성 스케줄러를 포함하는 다른 플릿 시스템들은, 작업 구성 활동들 등에 응답하여 플릿을 구성할 때 플릿 구성 스케줄러에 의해 고려될 수 있는 플릿 구성 옵션들의 생성을 용이하게 할 수 있는 플릿 구성 모델링 시스템과 상호작용할 수 있다. 플릿 구성 모델링 시스템은, 예컨대, 선택적으로 지능 서비스(13004)의 디지털 트윈 모듈(13420)과 연관될 수 있는 플릿 디지털 트윈들을 사용함으로써 플릿 구성들의 시뮬레이션을 제공할 수 있다.Other fleet systems, including the
실시예들에서, 플릿 구성 스케줄러는 팀 구성들을 결정 및/또는 달성하는 것을 돕는 플릿 팀 조직자 모듈(fleet team organizer module)에 의존할 수 있다. 작업-특정 데이터는 팀으로 구성될 스마트 컨테이너 운영 단위의 세트(들)를 식별(예를 들어, 추천)할 수 있다. 또한, 작업-특정 데이터는 컨테이너 터미널에서 스마트 컨테이너의 병치(co-location) 등과 같이 팀을 구성하는 것을 나타낼 수 있는 정보를 나타낼 수 있다. 플릿 팀 조직자 모듈은 플릿을 구성할 때 사용하기 위한 팀 메타데이터를 확인 및/또는 지정할 수 있다. 팀 메타데이터는 팀 멤버십 및 멤버십에 대한 시간 프레임을 나타낼 수 있다(예를 들어, 하나의 날짜로부터 다른 날짜로, 태스크의 시작으로부터 태스크가 완료될 때까지 등).In embodiments, the fleet configuration scheduler may rely on a fleet team organizer module to help determine and/or achieve team configurations. Task-specific data may identify (e.g., recommend) a set(s) of smart container operating units to be organized into teams. Additionally, task-specific data may represent information that may indicate teaming, such as co-location of smart containers at a container terminal. The Fleet Team Organizer module can identify and/or specify team metadata to use when organizing a fleet. Team metadata may indicate team membership and a time frame for membership (e.g., from one date to another date, from the start of a task until the task is completed, etc.).
플릿 구성 스케줄러는 제공된 작업-특정 수요 데이터에 대해 생성된 구성(들)에 기초하여 플릿 구성 할당 정보로 플릿 스마트 컨테이너 운영 단위 할당 데이터 세트 및 비-컨테이너 운영 단위 할당 데이터 세트의 플릿과 같은 플릿 할당 데이터 세트(본 명세서에 설명된 플릿 자원 할당 및/또는 예약 능력에 의해 사용될 수 있음)를 업데이트할 수 있다. 외부 데이터(13036)에 영향을 미치는 플릿 구성(예를 들어, 날씨, 위치 데이터, 트래픽 데이터, 산업 표준들, 작업-특정 컨텍스트 정보 등)을 포함하는 다양한 입력들은, 다른 것들 중에서도, 플릿 구성 프록시 모듈을 통해 작업 구성 시스템(13018)의 실행 인스턴스로 반환될 수 있는 플릿 구성들을 생성하기 위해 플릿 구성 스케줄러에 의해 선택적으로 반복적으로 처리될 수 있다.The Fleet Configuration Scheduler configures fleet allocation data, such as fleets in the Fleet Smart Container Operating Unit Allocation Dataset and the Non-Container Operating Unit Allocation Dataset, with Fleet Configuration Allocation Information based on the configuration(s) generated for the provided task-specific demand data. The set (which may be used by the fleet resource allocation and/or reservation capabilities described herein) may be updated. Various inputs, including fleet configuration (e.g., weather, location data, traffic data, industry standards, task-specific context information, etc.) that affect
실시예에서, 작업흐름 정의 시스템은 스마트 컨테이너 플릿 관리 시스템의 자원을 이용하여 요청된 작업에 대한 작업흐름의 정의를 생성하도록 구성될 수 있다. 작업흐름 정의 시스템의 구성은, 태스크 정의 시스템으로부터 제공되거나 라이브러리(13044)로부터 소싱될 수 있는 태스크 정의들, 및 플릿 구성 시스템(13020)과의 상호작용하는(예를 들어, 플릿 구성 프록시 모듈을 통해) 작업 구성 시스템(13018)으로부터 제공될 수 있는 작업 특정 플릿 구성 정보를 수신 및 처리하는 수집 모듈을 포함할 수 있다.In embodiments, a workflow definition system may be configured to create a definition of a workflow for a requested task using the resources of a smart container fleet management system. The configuration of the workflow definition system includes task definitions, which may be provided from a task definition system or sourced from a
태스크 정의들 및/또는 플릿 구성 정보의 수집은 플릿 구성 정보를 하나 이상의 태스크 정의들과 정렬시키는 것을 포함할 수 있다. 태스크들을 플릿 구성 정보와 정렬시키는 예로서, 플릿 구성 정보는, 예컨대 태스크 또는 태스크들의 식별자를 이용하여, 수집된 태스크 정의들의 세트 내의 하나 이상의 태스크들에 적용하는 것으로서 태깅될 수 있다. 태스크 정의(들)를 플릿 구성 정보와 정렬시키는 다른 방식들은, 예를 들어, 플릿 구성 참조/값이 태스크 정의와 동시에 수신될 때, 수집 모듈이 이들 2개의 데이터 아이템들을 정렬된 것으로 마킹할 수 있도록 이러한 수집의 타이밍에 기초할 수 있다. 태스크 정의(들)를 플릿 구성 정보와 정렬시키는 다른 방식들은 태스크 정의 내의 하나 이상의 데이터 값들을 포함할 수 있으며, 이는 태스크(들)가 정렬되어야 하는 플릿 구성 정보를 나타내는 데이터 세트, 링크된 리스트, 플랫 파일(flat file), 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.Collecting task definitions and/or fleet configuration information may include aligning the fleet configuration information with one or more task definitions. As an example of aligning tasks with flit configuration information, flit configuration information may be tagged as applying to one or more tasks within a set of collected task definitions, such as using an identifier of the task or tasks. Other ways to align task definition(s) with fleet configuration information include, for example, when a fleet configuration reference/value is received simultaneously with a task definition, so that the collection module can mark these two data items as aligned. This may be based on the timing of collection. Other ways to align task definition(s) with fleet configuration information may include one or more data values within the task definition, such as a data set, linked list, flat, etc., representing the fleet configuration information by which the task(s) should be aligned. It can be a flat file, a structured data set, etc. The fleet configuration information may include one or more task identifiers to which the fleet configuration information is associated and/or should be applied when creating a workflow definition.
수집은 임의의 수집된 콘텐츠에서 발견될 수 있는 라이브러리(13044) 내의 작업흐름 콘텐츠에 대한 참조들(예를 들어, URL들, 하이퍼링크들, 외부 이름들 등)을 처리하는 것을 더 포함할 수 있다. 일 예에서, 태스크 정의는 라이브러리(13044)에 저장된 태스크의 이름을 포함할 수 있다. 수집 모듈은 그것의 신택스(예를 들어, 프리픽스(prefix)가 태스크가 라이브러리로부터 검색될 것임을 나타내는 태스크 식별자에 추가될 수 있음) 및/또는 태스크 정의 구조화(예를 들어, 태스크들의 서브세트가 라이브러리로부터 검색될 것임을 나타내도록 구조화되는 태스크 정의의 서브세트 내에 저장된 태스크 이름들의 리스트)에 의해 이름을 식별할 수 있다. 본 명세서에서의 수집의 예들은 하나 이상의 태스크 정의들의 수집의 인스턴스에 관한 것이지만, 수집은 태스크들의 묶음(batch)들 상에서 수행될 수 있다. 수집 모듈의 다수의 인스턴스들이 인스턴스화되고 동시에 동작하여 수행될 수 있는 복수의 태스크 정의들을 처리할 수 있다. 선택적으로, 태스크 정의들의 스트림이 수집에 의해 수신될 수 있고, 스트림 내의 각각의 태스크가 순차적으로 수집된다.Collection may further include processing references to workflow content within library 13044 (e.g., URLs, hyperlinks, external names, etc.) that may be found in any collected content. . In one example, the task definition may include the name of the task stored in
수집 모듈에 의한 처리의 하나 이상의 결과들은, 어느 태스크들이 시퀀스로 수행될 필요가 있는지 및 어느 태스크들이 다른 태스크들과 독립적으로 수행될 수 있는지와 같은, 태스크들 간의 종속성들을 결정할 수 있는 태스크 종속성 결정 모듈을 포함하는, 작업흐름 정의 활동들의 세트에 제공될 수 있다. 태스크 종속성 결정 모듈은 또한, 플릿 자원들의 가용성, 캘린더/날짜/시간, 공급 재료들의 준비 등과 같은 다른 인자들에 대한 태스크들의 종속성을 결정할 수 있다. 다른 인자들에 대한 종속성은, 주어진 작업 상태를 태스크에 대한 시작 포인트로서 마킹하는 것에 의해서와 같이, 태스크 정의에 식별될 수 있다. 또한, 다른 인자들에 대한 종속성은 (예를 들어, 특수 목적 스마트 컨테이너 등과 같은 플릿 자원들의 가용성에 대한 종속성을 설정하는 플릿 구성과 태스크를 정렬시키는 것에 기초하여) 수집 동안 주어진 태스크 정의에 기인할 수 있다.One or more results of processing by the collection module may include a task dependency determination module that can determine dependencies between tasks, such as which tasks need to be performed in sequence and which tasks can be performed independently of other tasks. A set of workflow definition activities may be provided, including: The task dependency determination module may also determine the dependency of tasks on other factors such as availability of fleet resources, calendar/date/time, readiness of supply materials, etc. Dependencies on other arguments can be identified in the task definition, such as by marking a given task state as the starting point for the task. Additionally, dependencies on other factors may be due to the task definition given during collection (e.g., based on aligning tasks with the fleet configuration, establishing dependencies on the availability of fleet resources such as special-purpose smart containers, etc.). there is.
태스크 그룹화 활동은 태스크 종속 활동의 결과들을 처리하여, 완료되고 있는 주어진 태스크에 의존하는 태스크들이 동시 실행을 위해 그룹화될 수 있는 것과 같은, 일정 범위의 기준에 기초하여 태스크들의 그룹들을 생성할 수 있다. 태스크들을 그룹화하는 것은 플릿 자원 가용성에 대한 종속성에 기초할 수 있어서, 플릿 자원에 종속하는 태스크들은 자원이 이용가능하면 그룹화되고 수행될 수 있다. 이러한 그룹화된 태스크들의 수행 순서는 태스크 간 종속성에 기초할 수 있다. 일반적으로, 태스크들은 비용 절감, 자원 가딩(resource guarding), 작업 우선순위, 이용 가능한 주문 실행 자금, 예상되는 플릿 자원 유지보수 요구, 가장 이른 태스크 시작/완료 시간, 가장 늦은 태스크 시작/완료 시간 등과 같은 다양한 목적들을 위해 그룹화될 수 있다.A task grouping activity can process the results of task dependent activities to create groups of tasks based on a range of criteria, such as tasks that depend on a given task being completed can be grouped for concurrent execution. Grouping tasks can be based on dependency on fleet resource availability, such that tasks dependent on a fleet resource can be grouped and performed when the resource is available. The execution order of these grouped tasks may be based on dependencies between tasks. Typically, tasks are evaluated based on factors such as cost reduction, resource guarding, task priority, available order execution funds, expected fleet resource maintenance needs, earliest task start/finish time, latest task start/finish time, etc. Can be grouped for various purposes.
태스크 작업흐름 단계 정의 활동은 어느 태스크(들)가 하나 이상의 작업흐름의 각각의 단계로 조직화될 수 있는지를 결정할 수 있다. 태스크간 종속성(또는 이의 결여)에 기초하여, 다수의 작업흐름들이 정의될 수 있으며, 각각의 작업흐름은작업흐름 단계 정의 활동에 정의된 하나 이상의 작업흐름 단계들을 포함한다. 또한, 작업흐름 단계는, 일단 정의되면, 복수의 작업흐름에 할당 및/또는 참조될 수 있다. 작업흐름 단계에서 태스크를 수행하기 위한 스마트 컨테이너의 가용성과 같은 종속성이 존재할 때, 복수의 작업흐름 자체가 종속적이 될 수 있다. 이러한 작업흐름에서 다른 작업의 수행은 플릿 자원 사용률 종속성으로 인해 포트를 여는 초기 태스크가 순차적으로 수행되어야 하는 경우에도 동시에 수행될 수 있다.The Task Workflow Step Definition activity may determine which task(s) can be organized into each step of one or more workflows. Based on inter-task dependencies (or lack thereof), multiple workflows may be defined, each workflow containing one or more workflow steps defined in the Define Workflow Steps activity. Additionally, a workflow step, once defined, can be assigned and/or referenced to multiple workflows. When dependencies exist, such as the availability of smart containers to perform tasks in a workflow step, multiple workflows themselves can become dependent. In this workflow, the performance of other tasks can be performed simultaneously even if the initial task of opening a port must be performed sequentially due to fleet resource utilization dependencies.
실시예들에서, 정의된 작업흐름 단계는 라이브러리(13044)로부터 검색되는 작업흐름 단계와 같은 후보 작업흐름 단계의 적응된 변형일 수 있다. 작업흐름 단계 정의 활동은 주어진 작업에 대한 하나 이상의 작업흐름 단계를 정의할 때 사용하기 위한 후보 작업흐름 단계를 적응시키기 위해 데이터 처리 시스템(13024) 및/또는 인공 지능 모듈(13404)과 같은 다른 플릿 자원 시스템 서비스로부터의 입력을 요청할 수 있다.In embodiments, the defined workflow step may be an adapted variant of a candidate workflow step, such as a workflow step retrieved from
작업흐름 단계 종속성과 같은 정보는 지능 서비스(13004) 등으로부터 단계 링크 추천(들)을 수신할 수 있는 작업흐름 단계 링크 활동에 의해 이용될 수 있다. 작업흐름 단계 링크 활동은 정의된 작업흐름 스텝들을 수행하는 시퀀스(예를 들어, 작업흐름 정의)를 나타내는 데이터 구조를 생성할 수 있다. 작업흐름 정의는 작업흐름 단계 순서화, 작업흐름 단계 수행 시퀀스, 작업흐름 단계 독립성, 작업흐름 단계들에 대한 단계별 링크들, 작업흐름 성공 기준, 교차 작업흐름 종속성 등과 같은 작업-특정 작업흐름 정보를 캡처하는 데이터를 포함할 수 있다.Information such as workflow step dependencies may be utilized by the workflow step link activity, which may receive step link recommendation(s) from
실시예에서, 작업흐름 정의(들)는 작업 인스턴스 스토리지에 저장될 수 있으며, 여기서 작업흐름 정의(들)는 작업 구성 및/또는 주문 실행 동안 필요에 따라 참조될 수 있다. 작업흐름 정의는 플릿 라이브러리(13044)에 저장될 수 있으며, 여기서 작업흐름 정의는 송하인 등과 같은 제3자에 의한 다른 작업에 의해 참조될 수 있다. 작업흐름 정의는 작업 배치 사이트들에 근접한 에지 컴퓨팅 기반구조 자원들 등에 분배되는 것과 같은 아키텍처 고려사항들에 기초하여 다른 곳(예를 들어, 클라우드 저장 시설)에 저장될 수 있다.In embodiments, the workflow definition(s) may be stored in job instance storage, where the workflow definition(s) may be referenced as needed during job configuration and/or order execution. The workflow definition may be stored in a
실시예에서, 작업흐름이 작업 구성 시스템(13018)의 설명에 표시된 대로 시뮬레이션될 수 있다. 시뮬레이션의 결과들은, 예를 들어, 태스크 설명 데이터와 플릿 구성 데이터의 정렬과 같은 수집 동작들이 개선될 수 있는 수집 모듈로 지향될 수 있다. 결과들은 또한 태스크 정의, 작업 구성, 플릿 구성 등을 개선하기 위해 시스템의 다른 컴포넌트들에 피드백으로서 전달될 수 있다.In embodiments, workflows may be simulated as indicated in the description of
도 147은 본 발명의 일부 실시예에 따른 디지털 트윈 모듈을 도시한다. 실시예에서, 디지털 트윈 모듈(13420)은 배송 디지털 트윈(13302)의 세트(예를 들어, 개별 스마트 컨테이너 디지털 트윈(13504), 스마트 컨테이너 플릿 디지털 트윈, 컨테이너 선박 디지털 트윈, 컨테이너 항구 디지털 트윈, 스마트 컨테이너 플릿 관리자 또는 운영자 디지털 트윈, 송하인 디지털 트윈 등)를 생성한다. 실시예에서, 디지털 트윈 모듈(13420)은, 예를 들어, 배송 디지털 트윈들(13302)을 모니터링하는 각각의 센서 시스템들(13304)로부터 획득된 센서 데이터를 사용하여, 개개의 배송 디지털 트윈들(13302)의 상태들의 세트를 유지한다. 실시예에서, 디지털 트윈 모듈(13420)은 디지털 트윈 관리 시스템(13306), 디지털 트윈 I/O 시스템(13308), 디지털 트윈 시뮬레이션 시스템(13310), 디지털 트윈 동적 모델 시스템(13312) 및/또는 디지털 트윈 제어 모듈(13314)을 포함할 수 있다. 실시예들에서, 디지털 트윈 모듈(13420)은 개개의 센서 시스템들(13304)의 센서들에 대한 인터페이스들의 세트를 인에이블하게 하기 위한 능력들의 세트를 제공하는 실시간 센서 API를 제공할 수 있다. 실시예들에서, 디지털 트윈 모듈(13420)은 디지털 트윈 모듈(13420)로 그리고 이로부터의 데이터의 전송을 용이하게 하기 위해 다른 적절한 API들, 브로커들, 커넥터들, 브리지들, 게이트웨이들, 허브들, 포트들, 라우터들, 스위치들, 데이터 통합 시스템들, 피어-투-피어 시스템들 등을 포함하고 및/또는 이용할 수 있다. 이들 실시예에서, 이들 연결 컴포넌트는 센서 시스템(13304) 내의 IIOT 센서 또는 중개 디바이스(예를 들어, 릴레이, 에지 디바이스, 스위치 등)가 디지털 트윈 모듈(13420)에 데이터를 통신하게 하고 및/또는 디지털 트윈 모듈(13420) 또는 다른 외부 시스템으로부터 데이터(예를 들어, 구성 데이터, 제어 데이터 등)를 수신하게 할 수 있다. 실시예에서, 디지털 트윈 모듈(13420)은 배송 디지털 트윈(13302)을 저장하는 디지털 트윈 데이터 저장소(digital twin datastore)(13316)를 더 포함할 수 있다.Figure 147 shows a digital twin module according to some embodiments of the present invention. In an embodiment, the
디지털 트윈은 개별 스마트 컨테이너(13026), 스마트 컨테이너들(13026)의 플릿, 배송 환경(예를 들어, 경로를 따른 물리적 위치, 배송 컨테이너 항구 또는 터미널, 스마트 컨테이너 충전 스테이션, 배송 야드, 컨테이너 보관 시설, 컨테이너 선박 등), 스마트 컨테이너 기계, 물리적 객체, 디바이스, 센서, 인간, 또는 이들의 임의의 조합과 같은 하나 이상의 배송 엔티티의 디지털 표현을 지칭할 수 있다. 물리적 객체의 비제한적인 예는 스마트 컨테이너 화물, 경로를 따른 물리적 장벽, 원자재, 제조 제품, 굴착 재료, 박스, 쓰레기통, 냉각탑, 통(vat), 팔레트(pallet), 배럴(barrel), 패럿(palate), 빈(bin), 및 더 많은 것을 포함한다. 디바이스의 비제한적인 예는 로봇, 컴퓨터, 차량(예를 들어, 선박, 자동차, 트럭, 기차 등), 기계/장비(예를 들어, 지게차, 크레인, 리치 스태커, 패키징 시스템, 분류 시스템, 트랙터, 틸러(tiller), 드릴, 프레스, 조립 라인, 컨베이어 벨트 등) 등을 포함한다. 센서들은 환경 내의 센서 시스템에서 발견되는 임의의 센서 디바이스들 및/또는 센서 집성 디바이스들일 수 있다. 센서 시스템에서 구현될 수 있는 센서들의 비제한적인 예들은 온도 센서들, 습도 센서들, 진동 센서들, LIDAR 센서들, SLAM 센서들, SONAR 센서들, 모션 센서들, 화학 센서들, 오디오 센서들, 압력 센서들, 중량 센서들, 방사선 센서들, 비디오 센서들, 웨어러블 디바이스들, 릴레이(relay)들, 에지 디바이스들, 크로스포인트 스위치(crosspoint switch)들, 및/또는 임의의 다른 적절한 센서들을 포함할 수 있다. 상이한 유형들의 물리적 객체들, 디바이스들, 센서들, 및 환경들의 예들이 본 개시 전반에 걸쳐 참조된다.The digital twin may be an individual smart container 13026, a fleet of smart containers 13026, a shipping environment (e.g., a physical location along the route, a shipping container port or terminal, a smart container charging station, a shipping yard, a container storage facility, may refer to a digital representation of one or more shipping entities, such as a container ship, a smart container machine, a physical object, a device, a sensor, a human, or any combination thereof. Non-limiting examples of physical objects include smart container cargo, physical barriers along the route, raw materials, manufactured products, excavated materials, boxes, bins, cooling towers, vat, pallets, barrels, and pallets. ), bin, and more. Non-limiting examples of devices include robots, computers, vehicles (e.g., ships, automobiles, trucks, trains, etc.), machines/equipment (e.g., forklifts, cranes, reach stackers, packaging systems, sorting systems, tractors, including tillers, drills, presses, assembly lines, conveyor belts, etc.). Sensors may be any sensor devices and/or sensor aggregation devices found in a sensor system in the environment. Non-limiting examples of sensors that can be implemented in a sensor system include temperature sensors, humidity sensors, vibration sensors, LIDAR sensors, SLAM sensors, SONAR sensors, motion sensors, chemical sensors, audio sensors, May include pressure sensors, weight sensors, radiation sensors, video sensors, wearable devices, relays, edge devices, crosspoint switches, and/or any other suitable sensors. You can. Examples of different types of physical objects, devices, sensors, and environments are referenced throughout this disclosure.
일부 실시예들에서, 온-디바이스 센서 융합 및 스마트 컨테이너들에 대한 데이터 저장이 지원되며, 여기서 다수의 센서들로부터의 데이터는 융합된 데이터 스트림의 저장을 위해 디바이스에서 멀티플렉싱된다. 예를 들어, 압력 및 온도 데이터는, 융합된 데이터가 스마트 컨테이너 상에 저장될 수 있도록, 바이트-유사 구조(byte-like structure)(여기서, 시간, 압력 및 온도는 데이터 구조 내의 바이트들이고, 따라서 압력 및 온도는 외부 시스템들에 의한 스트림들의 별도의 처리를 요구하지 않고, 시간적으로 링크된 채로 유지된다)에서와 같이, 또는 가산, 분할, 승산, 감산 등에 의해, 시계열적으로 압력 및 온도를 조합하는 데이터 스트림으로 멀티플렉싱될 수 있다. 본 개시 전반에 걸쳐 설명된 센서 데이터 유형들 중 임의의 것은 이러한 방식으로 융합될 수 있고, 로컬 데이터 풀에, 스토리지에, 또는 데이터 수집기, 기계의 컴포넌트 등과 같은 IoT 디바이스 상에 저장될 수 있다.In some embodiments, on-device sensor fusion and data storage in smart containers are supported, where data from multiple sensors is multiplexed at the device for storage of a fused data stream. For example, pressure and temperature data can be stored in a byte-like structure (where time, pressure and temperature are bytes in the data structure, and thus pressure and temperature remain linked in time, without requiring separate processing of the streams by external systems), or by combining pressure and temperature in time series, by addition, division, multiplication, subtraction, etc. Can be multiplexed into data streams. Any of the sensor data types described throughout this disclosure can be fused in this way and stored in a local data pool, in storage, or on an IoT device such as a data collector, component of a machine, etc.
일부 실시예들에서, 디지털 트윈들의 세트는 배송 라인들, 컨테이너 터미널 운영자들, 송하인들, 제조사들, 에너지 생산 조직들, 규제 조직들, 정부들 등과 같은 전체 조직을 나타낼 수 있다. 이러한 예들에서, 디지털 트윈들은 조직의 하나 이상의 시설의 디지털 트윈들을 포함할 수 있다.In some embodiments, a set of digital twins may represent an entire organization, such as shipping lines, container terminal operators, shippers, manufacturers, energy production organizations, regulatory organizations, governments, etc. In these examples, the digital twins may include digital twins of one or more facilities of the organization.
실시예에서, 디지털 트윈 관리 시스템(13306)은 디지털 트윈을 생성한다. 디지털 트윈은 (예를 들어, 참조를 통해) 다른 디지털 트윈들로 구성될 수 있다. 이러한 방식으로, 이산 디지털 트윈은 다른 이산 디지털 트윈들의 세트로 구성될 수 있다. 예를 들어, 스마트 컨테이너의 디지털 트윈은 스마트 컨테이너 상의 그리고 스마트 컨테이너 내의 센서들의 디지털 트윈들, 스마트 컨테이너를 구성하는 컴포넌트들의 디지털 트윈들, 스마트 컨테이너 화물의 디지털 트윈들, 스마트 컨테이너에 통합되거나 스마트 컨테이너와 통합된 다른 디바이스들(예컨대, 로봇들, 3D 프린터들, 패키징 시스템들, 또는 분류 시스템들)의 디지털 트윈들 등을 포함할 수 있다. 이 예를 한 단계 더 참조하면, 컨테이너 터미널의 디지털 트윈은 터미널 내 또는 주변의 물리적 자산 및 시스템의 배열, 터미널 내의 배송 엔티티의 디지털 트윈뿐만 아니라 터미널 내의 보관 영역의 디지털 트윈을 포함하는 터미널의 레이아웃을 나타내는 디지털 트윈을 포함할 수 있다. 이 제2 예에서, 컨테이너 터미널의 디지털 트윈은 임베딩된 디지털 트윈들을 참조할 수 있고, 이는 그런 다음 이들 디지털 트윈들 내에 임베딩된 다른 디지털 트윈들을 참조할 수 있다.In an embodiment, digital
일부 실시예들에서, 디지털 트윈은 그러한 작업흐름들 및 프로세스들을 구성하는 입력들, 출력들, 단계들의 시퀀스들, 결정 포인트들, 처리 루프들 등을 포함하는, 작업흐름들 및/또는 프로세스들과 같은 추상적 엔티티들을 나타낼 수 있다. 예를 들어, 디지털 트윈은 물류 작업흐름, 화물 적재 프로세스, 화물 하역 프로세스, 세관 프로세스, 3D 인쇄 프로세스, 스마트 컨테이너 에너지 충전 프로세스 등의 디지털 표현일 수 있다. 이들 실시예에서, 디지털 트윈은 작업흐름 또는 프로세스에 포함되는 배송 엔티티에 대한 참조를 포함할 수 있다. 배송 프로세스의 디지털 트윈은 프로세스의 다양한 단계를 반영할 수 있다. 이들 실시예 중 일부에서, 디지털 트윈 모듈(13420)은 배송 프로세스가 일어나는 스마트 컨테이너, 배송 엔티티 및/또는 배송 환경으로부터(예를 들어, 컨테이너 항구 시설의 센서 시스템으로부터) 실시간 데이터를 수신하고 실시간으로 프로세스의 현재(또는 실질적으로 현재) 상태를 반영할 수 있다.In some embodiments, a digital twin is comprised of workflows and/or processes, including the inputs, outputs, sequences of steps, decision points, processing loops, etc. that make up such workflows and processes. Can represent the same abstract entities. For example, a digital twin can be a digital representation of a logistics workflow, cargo loading process, cargo unloading process, customs process, 3D printing process, smart container energy charging process, etc. In these embodiments, the digital twin may include references to delivery entities included in the workflow or process. A digital twin of a delivery process can reflect the various stages of the process. In some of these embodiments,
실시예에서, 디지털 표현은 표현된 스마트 컨테이너, 스마트 컨테이너 플릿, 물리적 객체(예를 들어, 화물), 디바이스, 센서 또는 배송 환경 및/또는 이들의 가능한 거동의 속성 세트를 총괄하여 정의하는 데이터 구조(예를 들어, 클래스)의 세트를 포함할 수 있다. 예를 들어, 스마트 컨테이너의 속성 세트는 스마트 컨테이너의 유형 또는 클래스, 스마트 컨테이너의 치수, 스마트 컨테이너의 질량 또는 중량, 스마트 컨테이너의 재료(들), 스마트 컨테이너 재료(들)의 물리적 속성, 스마트 컨테이너의 표면, 스마트 컨테이너의 상태, 스마트 컨테이너의 위치, 스마트 컨테이너 내에 포함된 다른 디지털 트윈의 식별자, 및/또는 다른 적절한 속성을 포함할 수 있다.In embodiments, the digital representation is a data structure ( For example, it may contain a set of classes). For example, the set of properties of a smart container may include the type or class of the smart container, the dimensions of the smart container, the mass or weight of the smart container, the material(s) of the smart container, the physical properties of the smart container material(s), and the smart container's It may include the surface, the state of the smart container, the location of the smart container, identifiers of other digital twins contained within the smart container, and/or other suitable properties.
스마트 컨테이너의 거동들의 예들은 스마트 컨테이너의 최대 가속도, 스마트 컨테이너의 최대 속도, 스마트 컨테이너의 이동 범위들, 스마트 컨테이너 내부의 가열 프로파일, 스마트 컨테이너 내부의 냉각 프로파일, 스마트 컨테이너에 의해 수행되는 프로세스들, 스마트 컨테이너에 의해 수행되는 동작들 등을 포함할 수 있다.Examples of the behaviors of the smart container include the maximum acceleration of the smart container, the maximum speed of the smart container, the movement ranges of the smart container, the heating profile inside the smart container, the cooling profile inside the smart container, the processes performed by the smart container, the It may include operations performed by the container, etc.
물리적 객체의 속성들의 세트는 물리적 객체의 유형, 물리적 객체의 치수들, 물리적 객체의 질량 또는 중량, 물리적 객체의 밀도, 물리적 객체의 재료(들), 재료들(들)의 물리적 속성들, 물리적 객체의 표면, 물리적 객체의 상태, 물리적 객체의 위치, 물리적 객체 내에 포함된 다른 디지털 트윈들의 식별자들, 및/또는 다른 적절한 속성들을 포함할 수 있다.The set of properties of a physical object includes: type of physical object, dimensions of the physical object, mass or weight of the physical object, density of the physical object, material(s) of the physical object, physical properties of the material(s), physical object It may include the surface of the physical object, the state of the physical object, the location of the physical object, identifiers of other digital twins contained within the physical object, and/or other suitable properties.
물리적 객체의 거동의 예들은, 물리적 객체(예를 들어, 고체, 액체, 또는 가스)의 상태, 물리적 객체의 융점, 액체 상태에 있을 때의 물리적 객체의 밀도, 액체 상태에 있을 때의 물리적 객체의 점도, 물리적 객체의 동결점, 고체 상태에 있을 때의 물리적 객체의 밀도, 고체 상태에 있을 때의 물리적 객체의 경도, 물리적 객체의 가단성, 물리적 객체의 부력, 물리적 객체의 전도율, 물리적 객체의 연소점, 습도가 물리적 객체에 영향을 미치는 방식, 물 또는 다른 액체들이 물리적 객체에 영향을 미치는 방식, 물리적 객체의 종단 속도(terminal velocity) 등을 포함할 수 있다.Examples of the behavior of a physical object include the state of the physical object (e.g., solid, liquid, or gas), the melting point of the physical object, the density of the physical object when in a liquid state, and the state of the physical object when in a liquid state. Viscosity, freezing point of a physical object, density of a physical object in a solid state, hardness of a physical object in a solid state, malleability of a physical object, buoyancy of a physical object, conductivity of a physical object, combustion point of a physical object , how humidity affects a physical object, how water or other liquids affect a physical object, the terminal velocity of a physical object, etc.
디바이스의 속성 세트는 디바이스의 유형, 디바이스의 치수, 디바이스의 질량 또는 중량, 디바이스의 밀도, 디바이스의 재료(들), 재료(들)의 물리적 속성, 디바이스의 표면, 디바이스의 출력, 디바이스의 상태, 디바이스의 위치, 디바이스의 궤적, 디바이스의 진동 특성, 디바이스가 연결되어 있고/있거나 포함하는 다른 디지털 트윈의 식별자 등을 포함할 수 있다.The set of properties of a device includes the type of device, the dimensions of the device, the mass or weight of the device, the density of the device, the material(s) of the device, the physical properties of the material(s), the surface of the device, the output of the device, the state of the device, It may include the location of the device, the trajectory of the device, the vibration characteristics of the device, identifiers of other digital twins to which the device is connected and/or contains, etc.
디바이스의 거동들의 예들은 디바이스의 최대 가속도, 디바이스의 최대 속도, 디바이스의 이동 범위들, 디바이스의 가열 프로파일, 디바이스의 냉각 프로파일, 디바이스에 의해 수행되는 프로세스들, 디바이스에 의해 수행되는 동작들 등을 포함할 수 있다.Examples of behaviors of the device include the maximum acceleration of the device, the maximum speed of the device, the ranges of movement of the device, the heating profile of the device, the cooling profile of the device, processes performed by the device, operations performed by the device, etc. can do.
배송 환경의 예시적인 속성들은 환경의 치수들, 환경의 경계들, 환경의 온도, 환경의 습도, 환경의 기류, 환경 내의 물리적 객체들, 환경의 흐름(current)들(수역인 경우) 등을 포함할 수 있다. 환경의 거동들의 예들은 환경을 관리하는 과학 법칙들, 환경에서 수행되는 프로세스들, 환경에서 준수되어야 하는 규칙들 또는 규정들 등을 포함할 수 있다.Exemplary properties of the delivery environment include environmental dimensions, environmental boundaries, environmental temperature, environmental humidity, environmental air currents, physical objects within the environment, environmental currents (if a body of water), etc. can do. Examples of behaviors of the environment may include scientific laws that govern the environment, processes performed in the environment, rules or regulations that must be followed in the environment, etc.
실시예들에서, 디지털 트윈의 속성들이 조정될 수 있다. 예를 들어, 디지털 트윈의 온도, 디지털 트윈의 습도, 디지털 트윈의 형상, 디지털 트윈의 재료, 디지털 트윈의 치수들, 또는 임의의 다른 적절한 파라미터들이 조정될 수 있다. 디지털 트윈의 속성이 조정될 때 다른 속성도 영향을 받을 수 있다. 예를 들어, 스마트 컨테이너 내의 온도가 증가되면, 이상 기체 법칙에 따라 가스의 압력과 같은, 스마트 컨테이너 내의 압력도 증가할 수 있다. 다른 예에서, 영하의 배송 환경의 디지털 트윈이 동결 온도를 초과하여 증가되면, 고체 상태(즉, 얼음)의 매립된 물의 트윈의 특성은 시간이 지남에 따라 액체 상태로 변할 수 있다.In embodiments, properties of the digital twin may be adjusted. For example, the temperature of the digital twin, the humidity of the digital twin, the shape of the digital twin, the material of the digital twin, the dimensions of the digital twin, or any other suitable parameters can be adjusted. When properties of a digital twin are adjusted, other properties may also be affected. For example, as the temperature within the smart container increases, the pressure within the smart container, such as the pressure of a gas, may also increase according to the ideal gas law. In another example, if a digital twin of a sub-zero shipping environment is increased beyond freezing temperatures, the properties of the twin of buried water in a solid state (i.e., ice) may change over time to a liquid state.
디지털 트윈은 많은 상이한 형태로 표현될 수 있다. 실시예에서, 디지털 트윈은 컴퓨팅 디바이스에 의해 렌더링되는 시각적 디지털 트윈일 수 있어서, 인간 사용자는 스마트 컨테이너 플릿, 개별 스마트 컨테이너, 물리적 객체(예를 들어, 화물 등), 디바이스, 센서 및/또는 배송 환경의 디지털 표현을 볼 수 있다. 실시예들에서, 디지털 트윈은 렌더링되어 디스플레이 디바이스로 출력될 수 있다. 이러한 실시예들 중 일부에서, 디지털 트윈은 사용자가 디지털 트윈과 상호작용할 수 있도록 그래픽 사용자 인터페이스(예를 들어, SVG(scalable vector graphics) 인에이블 사용자 인터페이스)에서 렌더링될 수 있다. 예를 들어, 사용자는 특정 요소(예를 들어, 스마트 컨테이너)에 대해 "드릴 다운(drill down)"하여 요소에 관한 추가 정보(예를 들어, 스마트 컨테이너의 상태, 스마트 컨테이너의 속성 등)를 볼 수 있다. 일부 실시예에서, 디지털 트윈은 가상 현실 디스플레이에서 렌더링되고 출력될 수 있다. 예를 들어, 사용자는 (예를 들어, 모니터, 증강 현실 헤드셋 또는 가상 현실 헤드셋을 사용하여) 배송 환경의 3D 렌더링을 볼 수 있다. 그렇게 하는 동안, 사용자는 환경 내의 스마트 컨테이너들, 물리적 자산들, 디바이스들 등의 디지털 트윈들을 관찰/검사할 수 있다.A digital twin can be expressed in many different forms. In embodiments, a digital twin may be a visual digital twin rendered by a computing device so that a human user can interact with a fleet of smart containers, individual smart containers, physical objects (e.g., cargo, etc.), devices, sensors, and/or the delivery environment. You can see the digital representation of . In embodiments, the digital twin may be rendered and output to a display device. In some of these embodiments, the digital twin may be rendered in a graphical user interface (e.g., a scalable vector graphics (SVG) enabled user interface) to allow a user to interact with the digital twin. For example, a user can "drill down" on a specific element (e.g., a smart container) to view additional information about the element (e.g., the state of the smart container, the properties of the smart container, etc.). You can. In some embodiments, the digital twin may be rendered and output on a virtual reality display. For example, a user may view a 3D rendering of the delivery environment (e.g., using a monitor, augmented reality headset, or virtual reality headset). While doing so, users can observe/inspect digital twins of smart containers, physical assets, devices, etc. within the environment.
일부 실시예들에서, 시각적 디지털 트윈들(즉, 2D 또는 3D 방식으로 디스플레이되도록 구성된 디지털 트윈들)의 데이터 구조는 표면들(예를 들어, 스플라인들, 메시(mesh)들, 다각형 메시들 등)을 포함할 수 있다. 일부 실시예들에서, 표면들은 텍스처 데이터, 음영(shading) 정보, 및/또는 반사 데이터를 포함할 수 있다. 이러한 방식으로, 표면이 보다 현실감 있게 디스플레이될 수 있다. 일부 실시예들에서, 이러한 표면들은 디지털 트윈이 시야 내에 있을 때 및/또는 더 큰 디지털 트윈(예를 들어, 배송 환경의 디지털 트윈)에 존재할 때 시각화 엔진(도시되지 않음)에 의해 렌더링될 수 있다. 이러한 실시예들에서, 디지털 트윈 모듈(13420)은 디지털 객체들의 표면들을 렌더링할 수 있고, 이에 의해 렌더링된 디지털 트윈은 인접한 표면들의 세트로서 묘사될 수 있다.In some embodiments, the data structure of visual digital twins (i.e., digital twins configured to be displayed in 2D or 3D fashion) includes surfaces (e.g., splines, meshes, polygon meshes, etc.) may include. In some embodiments, surfaces may include texture data, shading information, and/or reflection data. In this way, the surface can be displayed more realistically. In some embodiments, these surfaces may be rendered by a visualization engine (not shown) when the digital twin is within view and/or when present in a larger digital twin (e.g., a digital twin in a shipping environment) . In these embodiments,
실시예에서, 사용자는 그래픽 사용자 인터페이스를 통해 디지털 트윈의 하나 이상의 속성을 제어하는 입력을 제공할 수 있다. 예를 들어, 사용자는 디지털 트윈의 속성을 변경하는 입력을 제공할 수 있다. 이에 응답하여, 디지털 트윈 모듈(13420)은 변경된 속성의 영향을 계산할 수 있고, 디지털 트윈 및 속성의 변경에 의해 영향을 받은 임의의 다른 디지털 트윈들을 업데이트할 수 있다.In embodiments, a user may provide input to control one or more properties of the digital twin through a graphical user interface. For example, a user can provide input that changes the properties of a digital twin. In response,
실시예에서, 사용자는 하나 이상의 디지털 트윈에 대해 수행되는 프로세스(예를 들어, 스마트 컨테이너 내의 3D 프린터를 통한 제품의 라스트-마일 맞춤화, 화물 검사, 화물 분류 등)를 볼 수 있다. 이러한 실시예들에서, 사용자는 전체 프로세스 또는 프로세스 내의 특정 단계들을 볼 수 있다.In embodiments, a user may view a process being performed on one or more digital twins (e.g., last-mile customization of a product via 3D printer within a smart container, cargo inspection, cargo classification, etc.). In these embodiments, the user can view the entire process or specific steps within the process.
일부 실시예에서, 배송 디지털 트윈(및 그 안에 내장된 임의의 디지털 트윈)은 비시각적 표현(또는 "데이터 표현")으로 표현될 수 있다. 이러한 실시예들에서, 디지털 트윈 및 임의의 임베디드 디지털 트윈들이 이진 표현으로 존재하지만, 디지털 트윈들 사이의 관계들은 유지된다. 예를 들어, 실시예들에서, 각각의 디지털 트윈 및/또는 그 컴포넌트들은 디지털 트윈(또는 그 컴포넌트)의 형상을 정의하는 물리적 치수들의 세트에 의해 표현될 수 있다. 또한, 디지털 트윈을 구현하는 데이터 구조는 디지털 트윈의 위치를 포함할 수 있다. 일부 실시예들에서, 디지털 트윈의 위치는 좌표들의 세트로 제공될 수 있다. 예를 들어, 배송 환경의 디지털 트윈은 좌표 공간(예를 들어, 직교 좌표 공간, 극 좌표 공간 등)에 대해 정의될 수 있다. 실시예들에서, 임베디드 디지털 트윈들은 하나 이상의 순서화된 트리플(triple)들의 세트(예를 들어, [x 좌표, y 좌표, z 좌표들] 또는 다른 벡터 기반 표현들)로서 표현될 수 있다. 이들 실시예 중 일부에서, 각각의 정렬된 트리플은 배송 엔티티가 상주하는 환경과 관련하여 배송 엔티티(예를 들어, 스마트 컨테이너, 객체, 디바이스, 센서 등) 상의 특정 포인트(예를 들어, 중심점, 상단 포인트, 하단 포인트 등)의 위치를 나타낼 수 있다. 일부 실시예에서, 디지털 트윈의 데이터 구조는 환경에 대한 디지털 트윈의 움직임을 나타내는 벡터를 포함할 수 있다. 예를 들어, 유체(예를 들어, 액체 또는 기체) 또는 고체는 디지털 트윈에 의해 표현되는 엔티티의 속도(예를 들어, 속도의 방향 및 크기)를 나타내는 벡터에 의해 표현될 수 있다. 실시예에서, 디지털 트윈 내의 벡터는 유체 내의 입자와 같은 초소형 하위 컴포넌트를 나타낼 수 있고, 디지털 트윈은 변위, 속도, 가속도, 운동량, 운동 에너지, 진동 특성, 열 특성, 전자기 특성 등과 같은 물리적 특성을 나타낼 수 있다.In some embodiments, the shipping digital twin (and any digital twin embedded therein) may be represented in a non-visual representation (or “data representation”). In these embodiments, the digital twin and any embedded digital twins exist in a binary representation, but the relationships between the digital twins are maintained. For example, in embodiments, each digital twin and/or its components may be represented by a set of physical dimensions that define the shape of the digital twin (or its components). Additionally, the data structure that implements the digital twin may include the location of the digital twin. In some embodiments, the location of the digital twin may be provided as a set of coordinates. For example, a digital twin of a delivery environment may be defined in terms of a coordinate space (e.g., Cartesian coordinate space, polar coordinate space, etc.). In embodiments, embedded digital twins may be represented as a set of one or more ordered triples (e.g., [x coordinate, y coordinate, z coordinates] or other vector-based representations). In some of these embodiments, each aligned triple represents a specific point (e.g., center point, top, etc.) on the shipping entity (e.g., smart container, object, device, sensor, etc.) with respect to the environment in which the shipping entity resides. point, bottom point, etc.) can be displayed. In some embodiments, the data structure of the digital twin may include vectors representing the movement of the digital twin with respect to the environment. For example, a fluid (e.g., a liquid or gas) or a solid may be represented by a vector representing the velocity (e.g., the direction and magnitude of the velocity) of the entity represented by the digital twin. In embodiments, vectors within a digital twin may represent tiny subcomponents, such as particles in a fluid, and the digital twin may represent physical properties such as displacement, velocity, acceleration, momentum, kinetic energy, vibration properties, thermal properties, electromagnetic properties, etc. You can.
일부 실시예들에서, 2개 이상의 디지털 트윈들의 세트는 노드들 및 노드들을 연결하는 에지들을 포함하는 그래프 데이터베이스에 의해 표현될 수 있다. 일부 구현예들에서, 에지는 공간적 관계(예를 들어, "접하다", "받쳐지다", "함유하다" 등)를 나타낼 수 있다. 이들 실시예에서, 그래프 데이터베이스 내의 각각의 노드는 엔티티(예를 들어, 배송 엔티티)의 디지털 트윈을 나타내고, 디지털 트윈을 정의하는 데이터 구조를 포함할 수 있다. 이러한 실시예들에서, 그래프 데이터베이스 내의 각각의 에지는 연결된 노드들에 의해 표현되는 2개의 엔티티들 사이의 관계를 나타낼 수 있다. 일부 구현예들에서, 에지는 공간적 관계(예를 들어, "접하다", "받쳐지다", "연동되다", "지탱하다", "함유하다" 등)를 나타낼 수 있다. 실시예에 있어서, 노드 또는 에지에는 다양한 유형의 데이터가 저장될 수 있다. 실시예에서, 노드는 시설, 시스템, 서브시스템, 및/또는 컴포넌트와 관련된 속성 데이터, 상태 데이터, 및/또는 메타데이터를 저장할 수 있다. 속성 데이터와 상태 데이터의 유형은 노드에 의해 표시되는 엔터티에 기초하여 상이할 것이다. 예를 들어, 배송 로봇을 나타내는 노드는 로봇의 재료, 로봇(또는 그 컴포넌트들)의 치수들, 로봇의 질량 등을 나타내는 속성 데이터를 포함할 수 있다. 이 예에서, 로봇의 상태 데이터는 로봇의 현재 포즈, 로봇의 위치(예를 들어, 스마트 컨테이너 내 또는 컨테이너 선박 상) 등을 포함할 수 있다. 실시예들에서, 에지는 2개의 노드들 사이의 관계에 관한 관계 데이터 및 메타데이터 데이터를 저장할 수 있다. 관계 데이터의 예들은 관계의 성질, 관계가 영구적인지 여부(예를 들어, 고정된 컴포넌트는 그것이 부착되거나 받쳐지는 구조와 영구적인 관계를 가질 것이다) 등을 포함할 수 있다. 실시예들에서, 에지는 2개의 엔티티들 사이의 관계에 관한 메타데이터를 포함할 수 있다. 예를 들어, 센서는 스마트 컨테이너의 상태와 관련된 측정을 수행할 수 있으며, 이에 의해 센서와 스마트 컨테이너 사이의 하나의 관계는 "측정된"을 포함할 수 있고 센서에 의해 측정되는 측정 유형을 정의할 수 있다. 이 예에서, 에지에 저장된 메타데이터는 취해진 N개의 측정들의 리스트 및 각각의 개별 측정의 타임스탬프를 포함할 수 있다. 이러한 방식으로, 2개의 엔티티들 사이의 관계의 본질에 관한 시간적 데이터가 유지될 수 있고, 그에 의해, 예컨대 예측 시스템들에 사용되는 원인-및-효과 분석을 용이하게 하기 위해, 분석 엔진, 기계 학습 엔진, 및/또는 시각화 엔진이, 예컨대, 이질적인 데이터 세트들을 일련의 시점들과 정렬함으로써, 그러한 시간적 관계 데이터를 활용하는 것을 허용한다.In some embodiments, a set of two or more digital twins may be represented by a graph database containing nodes and edges connecting the nodes. In some implementations, an edge can represent a spatial relationship (e.g., “adjoins,” “supports,” “contains,” etc.). In these embodiments, each node within the graph database represents a digital twin of an entity (e.g., a shipping entity) and may include data structures defining the digital twin. In these embodiments, each edge within the graph database may represent a relationship between two entities represented by connected nodes. In some implementations, an edge may represent a spatial relationship (e.g., “adjoins,” “supports,” “interlocks,” “supports,” “contains,” etc.). In embodiments, various types of data may be stored in nodes or edges. In embodiments, a node may store attribute data, state data, and/or metadata associated with a facility, system, subsystem, and/or component. The types of attribute data and state data will be different based on the entity represented by the node. For example, a node representing a delivery robot may include attribute data representing the material of the robot, the dimensions of the robot (or its components), the mass of the robot, etc. In this example, the robot's state data may include the robot's current pose, the robot's location (e.g., within a smart container or on a container ship), etc. In embodiments, an edge may store relationship data and metadata data regarding the relationship between two nodes. Examples of relationship data may include the nature of the relationship, whether the relationship is persistent (e.g., a fixed component will have a permanent relationship with the structure to which it is attached or supported), etc. In embodiments, an edge may include metadata regarding a relationship between two entities. For example, a sensor may perform measurements related to the state of a smart container, whereby one relationship between a sensor and a smart container may include "measured" and define the type of measurement measured by the sensor. You can. In this example, metadata stored at the edge may include a list of N measurements taken and a timestamp of each individual measurement. In this way, temporal data about the nature of the relationship between two entities can be maintained, thereby facilitating cause-and-effect analysis used in, for example, predictive systems, analytics engines, and machine learning. Allow the engine, and/or visualization engine, to utilize such temporal relationship data, such as by aligning disparate data sets with a series of viewpoints.
일부 실시예들에서, 그래프 데이터베이스는 그래프 데이터베이스가 시설들, 시스템들, 및 컴포넌트들의 세트와 관련되도록 계층적 방식으로 구현될 수 있다. 예를 들어, 배송 환경의 디지털 트윈은 배송 환경을 나타내는 노드를 포함할 수 있다. 그래프 데이터베이스는 스마트 컨테이너 플릿(smart container fleet), 스마트 컨테이너 충전 영역, 보관 영역 등을 나타내는 노드들과 같은, 배송 환경 내의 다양한 시스템들을 나타내는 노드들을 더 포함할 수 있으며, 이들 모두는 배송 환경을 나타내는 노드에 연결될 수 있다. 이 예에서, 시스템들 각각은 시스템의 다양한 서브시스템들 및/또는 컴포넌트들에 추가로 연결될 수 있다. 예를 들어, 스마트 컨테이너 시스템은 스마트 컨테이너의 냉각 시스템을 나타내는 서브시스템 노드, 스마트 컨테이너의 가열 시스템을 나타내는 제2 서브시스템 노드, 스마트 컨테이너의 팬 시스템을 나타내는 제3 서브시스템 노드, 및 스마트 컨테이너의 서모스탯(thermostat)(또는 다수의 서모스탯)을 나타내는 하나 이상의 노드에 연결될 수 있다. 이 예를 추가로 참조하면, 서브시스템 노드들 및/또는 컴포넌트 노드들은 서브시스템 노드들 및/또는 컴포넌트 노드들을 포함할 수 있는 하위 레벨 노드들에 연결될 수 있다. 예를 들어, 냉각 서브시스템을 나타내는 서브시스템 노드는 공조 유닛을 나타내는 컴포넌트 노드에 연결될 수 있다. 유사하게, 서모스탯 디바이스를 나타내는 컴포넌트 노드는 다양한 센서들(예를 들어, 온도 센서들, 습도 센서들 등)을 나타내는 하나 이상의 컴포넌트 노드들에 연결될 수 있다.In some embodiments, a graph database may be implemented in a hierarchical manner such that the graph database is associated with a set of facilities, systems, and components. For example, a digital twin of a delivery environment may include nodes representing the delivery environment. The graph database may further include nodes representing various systems within the delivery environment, such as nodes representing a smart container fleet, smart container charging area, storage area, etc., all of which are nodes representing the delivery environment. can be connected to In this example, each of the systems may be further connected to various subsystems and/or components of the system. For example, a smart container system may include a subsystem node representing the cooling system of the smart container, a second subsystem node representing the heating system of the smart container, a third subsystem node representing the fan system of the smart container, and the thermostat of the smart container. It may be connected to one or more nodes representing a thermostat (or multiple thermostats). With further reference to this example, subsystem nodes and/or component nodes may be connected to lower level nodes that may include subsystem nodes and/or component nodes. For example, a subsystem node representing a cooling subsystem may be connected to a component node representing an air conditioning unit. Similarly, a component node representing a thermostat device may be connected to one or more component nodes representing various sensors (eg, temperature sensors, humidity sensors, etc.).
그래프 데이터베이스가 구현되는 실시예들에서, 그래프 데이터베이스는 단일 환경과 관련될 수 있거나 더 큰 기업을 나타낼 수 있다. 후자의 시나리오에서, 회사는 다양한 배송 유통 시설을 가질 수 있다. 이러한 실시예들에서, 기업을 나타내는 기업 노드는 각각의 시설의 환경 노드들에 연결할 수 있다. 이와 같이, 디지털 트윈 모듈(13420)은 기업의 복수의 배송 시설에 대한 디지털 트윈을 유지할 수 있다.In embodiments where a graph database is implemented, the graph database may be associated with a single environment or may represent a larger enterprise. In the latter scenario, the company may have multiple shipping distribution facilities. In these embodiments, an enterprise node representing an enterprise may connect to each facility's environment nodes. In this way, the
실시예에서, 디지털 트윈 모듈(13420)은 렌더링 및 디스플레이될 수 있고 및/또는 데이터 표현으로 표현될 수 있는 디지털 트윈을 생성하기 위해 그래프 데이터베이스를 사용할 수 있다. 실시예에서, 디지털 트윈 모듈(13420)은 디지털 트윈을 렌더링하기 위한 요청을 수신할 수 있으며, 이에 의해 요청은 묘사될 뷰를 나타내는 하나 이상의 파라미터를 포함한다. 예를 들어, 하나 이상의 파라미터는 묘사될 배송 환경 및 렌더링의 유형(예를 들어, 인간이 볼 수 있는 환경을 묘사하는 "실세계 뷰", 객체들을 그들 각각의 온도의 함수로서 묘사하는 "적외선 뷰", 디지털 트윈에서의 기류를 묘사하는 "기류 뷰" 등)을 나타낼 수 있다. 이에 응답하여, 디지털 트윈 모듈(13420)은 그래프 데이터베이스를 자세히 고찰하고, 환경의 환경 노드에 (직접적으로 또는 하위 레벨 노드를 통해) 관련된 그래프 데이터베이스 내의 노드들 및 관련된 노드들 사이의 관계들을 정의하는 에지들에 기초하여 묘사될 환경의 구성을 결정할 수 있다. 구성을 결정할 때, 디지털 트윈 모듈(13420)은 묘사될 표면들을 식별할 수 있고, 이들 표면들을 렌더링할 수 있다. 디지털 트윈 모듈(13420)은 그런 다음 구성에 따라 표면들을 연결함으로써 요청된 디지털 트윈을 렌더링할 수 있다. 그런 다음, 렌더링된 디지털 트윈은 시청 디바이스(예를 들어, VR 헤드셋, AR 헤드셋, 모니터 등)에 출력될 수 있다. 일부 시나리오들에서, 디지털 트윈 모듈(13420)은 환경의 센서 시스템으로부터 실시간 센서 데이터를 수신할 수 있고, 센서 데이터에 기초하여 시각적 디지털 트윈을 업데이트할 수 있다. 예를 들어, 디지털 트윈 모듈(13420)은 스마트 컨테이너 화물과 관련된 센서 데이터(예를 들어, 진동 센서로부터의 진동 데이터)를 수신할 수 있다. 센서 데이터에 기초하여, 디지털 트윈 모듈(13420)은 스마트 컨테이너의 디지털 트윈 내의 화물의 대략적인 진동 특성을 나타내도록 시각적 디지털 트윈을 업데이트할 수 있다.In embodiments,
디지털 트윈 모듈(13420)이 (예를 들어, 동적 모델링, 시뮬레이션들, 기계 학습을 위해) 디지털 트윈들의 데이터 표현들을 제공하고 있는 시나리오들에서, 디지털 트윈 모듈(13420)은 그래프 데이터베이스를 자세히 고찰할 수 있고, 환경의 환경 노드에 (직접적으로 또는 하위 레벨 노드를 통해) 관련되는 그래프 데이터베이스 내의 노드들 및 관련된 노드들 사이의 관계들을 정의하는 에지들에 기초하여 묘사될 환경의 구성을 결정할 수 있다. 일부 시나리오들에서, 디지털 트윈 모듈(13420)은 배송 엔티티 및/또는 환경의 센서 시스템으로부터 실시간 센서 데이터를 수신할 수 있고, 센서 데이터에 기초하여 하나 이상의 동적 모델을 디지털 트윈에 적용할 수 있다. 다른 시나리오들에서, 디지털 트윈의 데이터 표현은, 본 명세서 전반에 걸쳐 더 상세히 논의되는 바와 같이, 시뮬레이션들을 수행하는 데 사용될 수 있다.In scenarios where
일부 실시예에서, 디지털 트윈 모듈(13420)은 배송 엔티티(예를 들어, 스마트 컨테이너 플릿 또는 개별 스마트 컨테이너) 및/또는 배송 환경의 디지털 트윈에 대해 실행되는 디지털 고스트(digital ghost)를 실행할 수 있다. 이들 실시예에서, 디지털 고스트는 악성 바이러스, 손상된 센서, 또는 다른 보안 문제를 나타낼 수 있는 이상을 검출하기 위해 배송 엔티티 및/또는 환경의 센서 시스템의 하나 이상의 센서를 모니터링할 수 있다.In some embodiments,
논의된 바와 같이, 디지털 트윈 모듈(13420)은 디지털 트윈 관리 시스템(13306), 디지털 트윈 I/O 시스템(13308), 디지털 트윈 시뮬레이션 시스템(13310), 디지털 트윈 동적 모델 시스템(13312) 및/또는 디지털 트윈 제어 모듈(13314)을 포함할 수 있다.As discussed, the
실시예에서, 디지털 트윈 관리 시스템(13306)은 새로운 디지털 트윈을 생성하고, 기존 디지털 트윈을 유지/업데이트하며, 및/또는 디지털 트윈을 렌더링한다. 디지털 트윈 관리 시스템(13306)은 기존의 디지털 트윈들을 생성 및 유지하기 위해 사용자 입력, 업로드된 데이터, 및/또는 센서 데이터를 수신할 수 있다. 새로운 디지털 트윈을 생성할 때, 디지털 트윈 관리 시스템(13306)은 디지털 트윈을 디지털 트윈 데이터 저장소(13316)에 저장할 수 있다. 디지털 트윈들을 생성, 업데이트, 및 렌더링하는 것은 본 개시 전반에 걸쳐 더 상세히 논의된다.In embodiments, digital
실시예들에서, 디지털 트윈 I/O 시스템(13308)은 다양한 소스들로부터 입력을 수신하고, 다양한 수신자들에게 데이터를 출력한다. 실시예에서, 디지털 트윈 I/O 시스템은 하나 이상의 센서 시스템으로부터 센서 데이터를 수신한다. 이들 실시예에서, 각각의 센서 시스템은 각각의 센서 데이터를 출력하는 하나 이상의 센서를 포함할 수 있다. 각각의 센서는 IP 어드레스를 할당받을 수 있거나 다른 적절한 식별자를 가질 수 있다. 각각의 센서는 센서의 식별자 및 센서 데이터를 포함하는 센서 패킷들을 출력할 수 있다. 일부 실시예들에서, 센서 패킷들은 센서 데이터가 수집된 시간을 나타내는 타임스탬프를 더 포함할 수 있다. 일부 실시예에서, 디지털 트윈 I/O 시스템(13308)은 실시간 센서 API를 통해 센서 시스템과 인터페이스할 수 있다. 이들 실시예에서, 센서 시스템의 하나 이상의 디바이스(예를 들어, 센서, 집선기(aggregator), 에지 디바이스)는 센서 데이터를 포함하는 센서 패킷을 API를 통해 디지털 트윈 I/O 시스템(13308)에 송신할 수 있다. 디지털 트윈 I/O 시스템은 센서 패킷 및 이의 화물을 송신한 센서 시스템을 결정할 수 있고, 센서 데이터 및 임의의 다른 관련 데이터(예를 들어, 타임 스탬프, 환경 식별자/센서 시스템 식별자 등)를 디지털 트윈 관리 시스템(13306)에 제공할 수 있다.In embodiments, digital twin I/
실시예에서, 디지털 트윈 I/O 시스템(13308)은 하나 이상의 소스로부터 임포트된 데이터를 수신할 수 있다. 예를 들어, 디지털 트윈 모듈(13420)은 사용자가 디지털 트윈을 생성하고 관리하기 위한 포털(portal)을 제공할 수 있다. 이러한 실시예들에서, 사용자는 생성되고 있는 새로운 디지털 트윈과 관련하여 하나 이상의 파일들(예를 들어, 이미지 파일들, LIDAR 스캔들, 청사진들 등)을 업로드할 수 있다. 이에 응답하여, 디지털 트윈 I/O 시스템(13308)은 임포트된 데이터를 디지털 트윈 관리 시스템(13306)에 제공할 수 있다. 디지털 트윈 I/O 시스템(13308)은 본 개시의 범위를 벗어나지 않고 다른 적절한 유형의 데이터를 수신할 수 있다.In embodiments, digital twin I/
일부 실시예에서, 디지털 트윈 시뮬레이션 시스템(13310)은 디지털 트윈을 사용하여 시뮬레이션을 실행하도록 구성된다. 예를 들어, 디지털 트윈 시뮬레이션 시스템(13310)은 디지털 트윈 및/또는 하나 이상의 임베디드 디지털 트윈의 하나 이상의 파라미터를 반복적으로 조정할 수 있다. 실시예들에서, 디지털 트윈 시뮬레이션 시스템(13310)은, 파라미터들의 각각의 세트에 대해, 파라미터들의 세트에 기초하여 시뮬레이션을 실행하고, 시뮬레이션으로부터 발생하는 시뮬레이션 결과 데이터를 수집할 수 있다. 달리 말하면, 디지털 트윈 시뮬레이션 시스템(13310)은 시뮬레이션 동안 사용된 디지털 트윈 내의 또는 이를 포함하는 디지털 트윈 및 디지털 트윈의 속성들에 관한 데이터뿐만 아니라 시뮬레이션으로부터 비롯된 임의의 결과들을 수집할 수 있다. 예를 들어, 잠재적인 새로운 스마트 컨테이너 설계의 디지털 트윈에 대한 시뮬레이션을 실행할 때, 디지털 트윈 시뮬레이션 시스템(13310)은 치수들, 재료들, 능력들, 및/또는 다른 관련 파라미터들을 변경할 수 있고, 파라미터들의 상이한 조합들로부터 발생하는 결과들을 출력하는 시뮬레이션들을 실행할 수 있다. 다른 예로, 디지털 트윈 시뮬레이션 시스템(13310)은 스마트 컨테이너 내 화물의 진동을 시뮬레이션할 수 있다. 이 예에서, 스마트 컨테이너의 디지털 트윈은 스마트 컨테이너의 동작 파라미터들의 세트를 포함할 수 있다. 일부 실시예들에서, 동작 파라미터들은 화물 손상에 대한 동작 파라미터들의 효과를 평가하기 위해 변경될 수 있다. 디지털 트윈 시뮬레이션 시스템(13310)은 본 개시 전반에 걸쳐 더 상세히 논의된다.In some embodiments, digital
실시예에서, 디지털 트윈 동적 모델 시스템(13312)은 환경의 디지털 트윈에 대한 하나 이상의 거동을 모델링하도록 구성된다. 실시예에서, 디지털 트윈 동적 모델 시스템(13312)은 배송 엔티티, 환경 또는 프로세스에 관한 특정 유형의 거동을 모델링하기 위한 요청을 수신할 수 있고, 동적 모델, 환경 또는 프로세스의 디지털 트윈, 및 환경 또는 프로세스를 모니터링하고 있는 하나 이상의 센서로부터 수집된 센서 데이터를 사용하여 해당 거동을 모델링할 수 있다. 예를 들어, 스마트 컨테이너 플릿의 운영자는 플릿이 화물 운송 서비스 수요의 증가를 견딜 수 있는지 여부를 결정하기 위해 플릿의 수행을 모델링하기를 원할 수 있다. 이 예에서, 디지털 트윈 동적 모델 시스템(13312)은 수요의 증가가 부정적인 결과(예를 들어, 고장, 다운타임 등)를 초래할 것인지 여부를 결정하도록 구성된 동적 모델을 실행할 수 있다. 디지털 트윈 동적 모델 시스템(13312)은 본 개시 전반에 걸쳐 더 상세히 논의된다.In an embodiment, digital twin
실시예들에서, 지능 서비스(13004)는 디지털 트윈 시스템을 대신하여 기계 학습 및 인공 지능 관련 작업들을 수행한다. 실시예에서, 지능 서비스(13004)는 디지털 트윈 시뮬레이션 시스템(13310)에 의해 실행되는 시뮬레이션의 출력을 사용하여 기계 학습 모델을 훈련시킨다. 이러한 실시예들 중 일부에서, 시뮬레이션들의 결과들은 실세계 환경들 및/또는 프로세스들로부터 수집된 훈련 데이터를 보충하기 위해 사용될 수 있다. 실시예들에서, 지능 서비스(13004)는 예측들 및 분류들을 수행하고 각각의 디지털 트윈들에 의해 표현되는 실세계 환경들 및/또는 프로세스들에 관한 결정 지원을 제공하기 위해 기계 학습 모델들을 활용한다.In embodiments,
예를 들어, 기계 학습된 예측 모델은 스마트 컨테이너의 엔진의 베어링에 대한 불규칙한 진동 패턴의 원인을 예측하는 데 사용될 수 있다. 이 예에서, 지능 서비스(13004)는 엔진 상에 또는 근처에 배치된 하나 이상의 진동 센서로부터 진동 센서 데이터를 수신할 수 있고, 스마트 컨테이너로부터 유지보수 데이터를 수신할 수 있고, 진동 센서 데이터 및 유지보수 데이터에 기초하여 특징 벡터를 생성할 수 있다. 지능 서비스(13004)는 불규칙한 진동 패턴의 원인을 예측하기 위해 엔진에 대해 특별히 훈련된(예를 들어, 불규칙한 진동 패턴의 원인의 실제 데이터와 조합 시뮬레이션 데이터를 사용하여) 기계 학습 모델에 특징 벡터를 입력할 수 있다. 이 예에서, 불규칙한 진동 패턴의 원인은 느슨한 베어링, 베어링 윤활유의 부족, 정렬되지 않은 베어링, 마모된 베어링, 베어링의 위상이 엔진의 위상과 정렬될 수 있는 것, 느슨한 하우징, 느슨한 볼트 등일 수 있다.For example, a machine-learned predictive model could be used to predict the cause of irregular vibration patterns in the bearings of a smart container's engine. In this example,
실시예에서, 디지털 트윈 제어 모듈(13314)은 스마트 컨테이너, 스마트 컨테이너 플릿 및/또는 다른 배송 엔티티 및 환경의 하나 이상의 양태를 제어한다. 실시예에서, 디지털 트윈 제어 모듈(13314)은 디지털 트윈 시뮬레이션 시스템(13310), 디지털 트윈 동적 모델 시스템(13312) 및/또는 지능 서비스(13004)를 활용하여 하나 이상의 제어 명령을 결정할 수 있다. 실시예에서, 디지털 트윈 제어 모듈(13314)은 제어 명령을 결정하기 위해 규칙 기반 및/또는 기계 학습 접근법을 구현할 수 있다. 제어 명령을 결정한 것에 응답하여, 디지털 트윈 제어 모듈(13314)은 디지털 트윈 I/O 시스템(13308)을 통해 스마트 컨테이너, 스마트 컨테이너 플릿, 및/또는 다른 배송 엔티티 및 환경에 제어 명령을 출력할 수 있다.In embodiments, digital
실시예에서, 디지털 트윈 관리 시스템(13306)은 디지털 트윈 구성 모듈(13318), 디지털 트윈 업데이트 모듈(13320) 및 디지털 트윈 시각화 모듈(13322)을 포함할 수 있지만, 이에 제한되지 않는다.In embodiments, the digital
실시예들에서, 디지털 트윈 구성 모듈(13318)은 사용자들로부터의 입력, 임포트된 데이터(예를 들어, 청사진, 사양 등), 환경의 이미지 스캔들, LIDAR 디바이스 및/또는 SLAM 센서들로부터의 3D 데이터, 및 다른 적절한 데이터 소스들을 사용하여 환경들의 세트의 새로운 디지털 트윈들의 세트를 구성할 수 있다. 예를 들어, 사용자(예를 들어, 조직/고객 계정에 소속된 사용자)는 클라이언트 애플리케이션(13324)을 통해(예를 들어, 스마트 컨테이너 시스템(13000)을 통해) 새로운 배송 디지털 트윈을 생성하기 위한 입력을 제공할 수 있다. 그렇게 함으로써, 사용자는 배송 엔티티 및/또는 환경의 2D 또는 3D 이미지 스캔 및/또는 청사진을 업로드할 수 있다. 사용자는 또한 예컨대, 카메라, LIDAR 디바이스, IR 스캐너, SLAM 센서들의 세트, 레이더 디바이스, EMF 스캐너 등에 의해 촬영된 3D 데이터를 업로드할 수 있다. 제공된 데이터에 응답하여, 디지털 트윈 구성 모듈(13318)은 3D 데이터에서 캡처된/검출된 이미지 데이터에서 캡처된 임의의 객체를 포함할 수 있는 배송 엔티티 또는 환경의 3D 표현을 생성할 수 있다. 실시예들에서, 지능 서비스(13004)는 입력 데이터(예를 들어, 청사진, 이미지 스캔, 3D 데이터)를 분석하여 3D 표현의 생성을 보조하기 위해 룸, 경로, 장비 등을 분류할 수 있다. 일부 실시예에서, 디지털 트윈 구성 모듈(13318)은 디지털 트윈을 3D 좌표 공간(예를 들어, x, y 및 z 축을 갖는 직교 공간)에 매핑할 수 있다.In embodiments, the digital
일부 실시예에서, 디지털 트윈 구성 모듈(13318)은 배송 엔티티 및/또는 환경의 3D 표현을 그래픽 사용자 인터페이스(GUI)에 출력할 수 있다. 이러한 실시예들 중 일부에서, 사용자는 특정 영역들 및/또는 객체들을 식별할 수 있고, 식별된 영역들 및/또는 객체들에 관한 입력을 제공할 수 있다. 예를 들어, 사용자는 특정 룸들, 장비, 기계들, 디바이스들, 센서들 등에 라벨링할 수 있다. 추가적으로 또는 대안적으로, 사용자는 식별된 객체들 및/또는 영역들에 관한 데이터를 제공할 수 있다. 예를 들어, 스마트 컨테이너를 식별함에 있어서, 사용자는 스마트 컨테이너의 제조사/모델 번호를 제공할 수 있다. 일부 실시예에서, 디지털 트윈 구성 모듈(13318)은 디바이스, 장비 또는 기계의 제조자로부터 정보를 획득할 수 있다. 이 정보는 디바이스, 장비, 또는 기계의 하나 이상의 속성 및/또는 거동을 포함할 수 있다. 일부 실시예들에서, 사용자는 GUI를 통해, 배송 엔티티 및/또는 환경 전체에 걸쳐 센서들의 위치들을 식별할 수 있다. 각각의 센서에 대해, 사용자는 센서의 유형 및 관련 데이터(예를 들어, 제조사, 모델, IP 어드레스 등)를 제공할 수 있다. 디지털 트윈 구성 모듈(13318)은 배송 디지털 트윈의 위치(예를 들어, 센서의 x, y, z 좌표)를 기록할 수 있다. 실시예들에서, 디지털 트윈 모듈(13420)은 디지털 트윈들의 집단을 자동화하는 하나 이상의 시스템들을 이용할 수 있다. 예를 들어, 디지털 트윈 모듈(13420)은 디바이스, 장비 또는 센서의 제조사 및 모델을 분류하는 기계 비전 기반 분류기를 채용할 수 있다. 추가적으로 또는 대안적으로, 디지털 트윈 모듈(13420)은 환경에 있는 특정 유형의 센서들의 존재를 식별하기 위해 상이한 유형의 알려진 센서들을 반복적으로 핑(ping)할 수 있다. 센서가 핑에 응답할 때마다, 디지털 트윈 모듈(13420)은 센서의 제조사 및 모델을 외삽할 수 있다.In some embodiments, digital
일부 실시예에서, 제조자는 그들의 제품(예를 들어, 센서, 디바이스, 기계, 장비, 원자재 등)의 디지털 트윈을 제공하거나 이용 가능하게 할 수 있다. 이들 실시예에서, 디지털 트윈 구성 모듈(13318)은 환경에서 식별되는 하나 이상의 제품의 디지털 트윈을 임포트할 수 있고, 환경의 디지털 트윈에 이들 디지털 트윈을 임베딩할 수 있다. 실시예에서, 다른 디지털 트윈 내에 디지털 트윈을 임베딩하는 것은 임베딩된 디지털 트윈과 다른 디지털 트윈 사이의 관계를 생성하는 것을 포함할 수 있다. 이러한 실시예들에서, 디지털 트윈의 제조자는 개개의 제품들의 거동들 및/또는 속성들을 정의할 수 있다. 예를 들어, 스마트 컨테이너 내의 3D 프린터의 디지털 트윈은 3D 프린터가 동작하는 방식, 3D 프린터의 입력/출력 등을 정의할 수 있다. 이러한 방식으로, 3D 프린터의 디지털 트윈은 입력들의 세트가 주어지면 3D 프린터의 동작을 반영할 수 있다.In some embodiments, manufacturers may provide or make available digital twins of their products (e.g., sensors, devices, machines, equipment, raw materials, etc.). In these embodiments, digital
실시예에서, 사용자는 하나 이상의 배송 프로세스를 정의할 수 있다. 이러한 실시예들에서, 사용자는 프로세스의 단계들, 프로세스의 각각의 단계를 수행하는 기계들/디바이스들, 프로세스에 대한 입력들, 및 프로세스의 출력들을 정의할 수 있다.In embodiments, a user may define one or more delivery processes. In these embodiments, a user can define the steps of the process, the machines/devices that perform each step of the process, the inputs to the process, and the outputs of the process.
실시예들에서, 디지털 트윈 구성 모듈(13318)은 디지털 트윈들의 세트 사이의 관계들을 정의하는 그래프 데이터베이스를 생성할 수 있다. 이러한 실시예들에서, 디지털 트윈 구성 모듈(13318)은 배송 엔티티 및/또는 환경, 배송 엔티티 및/또는 환경의 시스템들 및 서브시스템들, 배송 엔티티 및/또는 환경 내의 디바이스들, 배송 엔티티 및/또는 환경 내의 센서들, 배송 환경에서 작업하는 작업자들, 배송 엔티티 및/또는 환경을 수반하여 수행되는 배송 프로세스들 등에 대한 노드들을 생성할 수 있다. 실시예들에서, 디지털 트윈 구성 모듈(13318)은 디지털 트윈들의 세트를 나타내는 그래프 데이터베이스를 디지털 트윈 데이터 저장소(13316)에 기록할 수 있다.In embodiments, digital
실시예들에서, 디지털 트윈 구성 모듈(13318)은, 각각의 노드에 대해, 엔티티를 나타내는 노드 내의 엔티티에 관한 임의의 데이터를 포함할 수 있다. 예를 들어, 컨테이너 선박을 나타내는 노드를 정의할 때, 디지털 트윈 구성 모듈(13318)은 치수, 경계, 레이아웃, 경로, 및 노드에서의 다른 관련 공간 데이터를 포함할 수 있다. 또한, 디지털 트윈 구성 모듈(13318)은 컨테이너 선박에 대한 좌표 공간을 정의할 수 있다. 디지털 트윈이 렌더링될 수 있는 경우, 디지털 트윈 구성 모듈(13318)은 환경을 렌더링하는 데 사용될 수 있는 임의의 형상, 메시, 스플라인(spline), 표면 등에 대한 노드 내의 참조를 포함할 수 있다. 시스템, 서브시스템, 디바이스, 또는 센서를 표현함에 있어서, 디지털 트윈 구성 모듈(13318)은 각각의 엔티티에 대한 노드를 생성할 수 있고, 임의의 관련 데이터를 포함할 수 있다. 예를 들어, 디지털 트윈 구성 모듈(13318)은 배송 로봇을 나타내는 노드를 생성할 수 있다. 이 예에서, 디지털 트윈 구성 모듈(13318)은 로봇을 나타내는 노드에서 로봇에 관한 치수들, 거동들, 속성들, 위치, 및/또는 임의의 다른 적절한 데이터를 포함할 수 있다. 디지털 트윈 구성 모듈(13318)은 관련된 엔티티들의 노드들을 에지에 연결함으로써 엔티티들 간의 관계를 생성할 수 있다. 그렇게 함에 있어서, 엔티티들 사이의 생성된 관계는 에지에 의해 특징지어지는 관계의 유형을 정의할 수 있다. 프로세스를 나타낼 때, 디지털 트윈 구성 모듈(13318)은 전체 프로세스에 대한 노드를 생성하거나 프로세스의 각 단계에 대한 노드를 생성할 수 있다. 이들 실시예들 중 일부에서, 디지털 트윈 구성 모듈(13318)은 프로세스 노드들을 프로세스의 단계들을 수행하는 기계류/디바이스들을 나타내는 노드들에 관련시킬 수 있다. 에지가 프로세스 단계 노드들을 프로세스 단계를 수행하는 기계류/디바이스에 연결하는 실시예들에서, 에지 또는 노드들 중 하나는 단계에 대한 입력, 단계의 출력, 단계가 취하는 시간의 양, 출력들을 생성하기 위한 입력들의 처리의 성질, 프로세스가 겪을 수 있는 상태들 또는 모드들의 세트 등을 나타내는 정보를 포함할 수 있다.In embodiments, digital
실시예에서, 디지털 트윈 업데이트 모듈(13320)은 하나 이상의 배송 엔티티 및/또는 환경의 현재 상태에 기초하여 디지털 트윈의 세트를 업데이트한다. 일부 실시예에서, 디지털 트윈 업데이트 모듈(13320)은 배송 엔티티 및/또는 환경의 센서 시스템으로부터 센서 데이터를 수신하고, 배송 엔티티 또는 환경의 디지털 트윈 및/또는 임의의 영향받은 시스템, 서브시스템, 디바이스, 작업자, 프로세스 등의 디지털 트윈의 상태를 업데이트한다. 논의된 바와 같이, 디지털 트윈 I/O 시스템(13308)은 하나 이상의 센서 패킷에 센서 데이터를 수신할 수 있다. 디지털 트윈 I/O 시스템(13308)은 센서 데이터를 디지털 트윈 업데이트 모듈(13320)에 제공할 수 있고, 센서 패킷이 수신된 엔티티 또는 환경 및 센서 패킷을 제공한 센서를 식별할 수 있다. 센서 데이터에 응답하여, 디지털 트윈 업데이트 모듈(13320)은 센서 데이터에 기초하여 하나 이상의 디지털 트윈의 상태를 업데이트할 수 있다. 이들 실시예 중 일부에서, 디지털 트윈 업데이트 모듈(13320)은 현재 센서 데이터를 반영하기 위해 센서 데이터를 제공한 센서에 대응하는 레코드(예를 들어, 그래프 데이터베이스 내의 노드)를 업데이트할 수 있다. 일부 시나리오들에서, 디지털 트윈 업데이트 모듈(13320)은 센서에 의해 모니터링되는 엔티티 또는 환경 내의 특정 영역들을 식별할 수 있고, 현재 센서 데이터를 반영하기 위해 레코드(예를 들어, 그래프 데이터베이스 내의 노드)를 업데이트할 수 있다. 예를 들어, 디지털 트윈 업데이트 모듈(13320)은 스마트 컨테이너 및/또는 컴포넌트들의 상이한 진동 특성들을 반영하는 센서 데이터를 수신할 수 있다. 이 예에서, 디지털 트윈 업데이트 모듈(13320)은 진동 센서 데이터를 제공한 진동 센서들을 나타내는 레코드들 및/또는 진동 센서 데이터를 반영하기 위해 스마트 컨테이너 및/또는 스마트 컨테이너 컴포넌트들을 나타내는 레코드들을 업데이트할 수 있다. 다른 예에서, 일부 시나리오들에서, 배송 환경(예를 들어, 컨테이너 항구, 컨테이너 보관 시설 등)의 작업자들은 웨어러블 디바이스들(예를 들어, 스마트 시계들, 스마트 헬멧들, 스마트 신발들 등)을 착용하는 것이 요구될 수 있다. 이러한 실시예들에서, 웨어러블 디바이스들은 작업자 및/또는 작업자를 둘러싼 환경에 관한 센서 데이터(예를 들어, 위치, 움직임, 심박수, 호흡률, 체온 등)를 수집할 수 있고, 수집된 센서 데이터를 (예를 들어, 실시간 센서 API(13326)를 통해) 직접 또는 센서 시스템의 집성 디바이스를 통해 디지털 트윈 모듈(13420)에 통신할 수 있다. 작업자의 웨어러블 디바이스로부터 센서 데이터를 수신한 것에 응답하여, 디지털 트윈 업데이트 모듈(13320)은 예를 들어, 작업자의 위치, 작업자의 궤적, 작업자의 건강 상태 등을 반영하기 위해 작업자의 디지털 트윈을 업데이트할 수 있다. 이러한 실시예들 중 일부에서, 디지털 트윈 업데이트 모듈(13320)은 작업자의 현재 상태를 반영하기 위해 작업자를 나타내는 노드 및/또는 환경을 나타내는 노드를 수집된 센서 데이터와 연결하는 에지를 업데이트할 수 있다.In an embodiment, digital
일부 실시예에서, 디지털 트윈 업데이트 모듈(13320)은 하나 이상의 센서로부터의 센서 데이터를 디지털 트윈 동적 모델 시스템(13312)에 제공할 수 있고, 이는 추가적인 상태 데이터를 외삽하기 위해 배송 환경 및/또는 하나 이상의 배송 엔티티의 거동을 모델링할 수 있다.In some embodiments, digital
실시예에서, 디지털 트윈 시각화 모듈(13322)은 시각적 디지털 트윈 또는 그 일부를 시청하기 위한 요청을 수신한다. 실시예에서, 요청은 시청될 디지털 트윈(예를 들어, 스마트 컨테이너 식별자)을 나타낼 수 있다. 이에 응답하여, 디지털 트윈 시각화 모듈(13322)은 요청된 디지털 트윈 및 요청에 의해 연루된 임의의 다른 디지털 트윈들을 결정할 수 있다. 예를 들어, 스마트 컨테이너의 디지털 트윈을 시청할 것을 요청할 때, 디지털 트윈 시각화 모듈(13322)은 스마트 컨테이너 내의 임의의 배송 엔티티의 디지털 트윈을 추가로 식별할 수 있다. 실시예에서, 디지털 트윈 시각화 모듈(13322)은, 예를 들어, 그래프 데이터베이스에 정의된 관계에 기초하여 배송 엔티티 및 스마트 컨테이너 사이의 공간 관계를 식별할 수 있다. 이러한 실시예들에서, 디지털 트윈 시각화 모듈(13322)은 포함하는 디지털 트윈 내의 임베딩된 디지털 트윈들의 상대적 위치, 인접한 디지털 트윈들의 상대적 위치들, 및/또는 관계의 과도 상태(transience)(예를 들어, 한 지점에 고정된 객체이거나 객체가 이동함)를 결정할 수 있다. 디지털 트윈 시각화 모듈(13322)은 식별된 관계들에 기초하여 요청된 디지털 트윈들 및 임의의 다른 내포된 디지털 트윈을 렌더링할 수 있다. 일부 실시예들에서, 디지털 트윈 시각화 모듈(13322)은 각각의 디지털 트윈에 대해, 디지털 트윈의 표면들을 결정할 수 있다. 일부 실시예들에서, 디지털의 표면들은 디지털 트윈에 대응하는 레코드에서 정의되거나 참조될 수 있으며, 이는 사용자에 의해 제공되거나, 수입된 이미지들로부터 결정되거나, 배송 엔티티의 제조자에 의해 정의될 수 있다. 객체가 상이한 포즈 또는 형상을 취할 수 있는 시나리오(예를 들어, 배송 로봇)에서, 디지털 트윈 시각화 모듈(13322)은 디지털 트윈에 대한 객체의 포즈 또는 형상을 결정할 수 있다. 디지털 트윈 시각화 모듈(13322)은 요청된 디지털 트윈에 디지털 트윈을 내장하고, 요청된 디지털 트윈을 클라이언트 애플리케이션에 출력할 수 있다.In an embodiment, digital
이러한 실시예들 중 일부에서, 디지털 트윈을 시청하기 위한 요청은 시청의 유형을 추가로 나타낼 수 있다. 논의된 바와 같이, 일부 실시예들에서, 디지털 트윈들은 다수의 상이한 뷰 유형들로 도시될 수 있다. 예를 들어, 배송 엔티티 또는 환경은, 이들이 전형적으로 나타나는 바와 같은 환경 또는 디바이스를 묘사하는 "실세계" 뷰, 환경 또는 엔티티의 온도를 나타내는 방식으로 환경 또는 엔티티를 묘사하는 "히트(heat)" 뷰, 엔티티들의 진동 특성들을 나타내는 방식으로 배송 엔티티들을 묘사하는 "진동" 뷰, 엔티티들의 속도를 나타내는 방식으로 배송 엔티티들을 묘사하는 "속도" 뷰, 특정 유형들의 객체들 또는 컴포넌트들(예컨대, 예를 들어, 고장 상태, 경고, 업데이트된 리포트, 또는 다른 인자의 인식으로부터 초래되는 주의를 요구하는 객체들)만을 디스플레이하는 "필터링된(filtered)" 뷰, 디지털 트윈 상에 데이터를 오버레이하는 증강 뷰, 및/또는 임의의 다른 적합한 뷰 유형들에서 보여질 수 있다.In some of these embodiments, a request to view a digital twin may further indicate the type of viewing. As discussed, in some embodiments, digital twins may be shown in multiple different view types. For example, a delivery entity or environment can be divided into a "real-world" view that depicts the environment or device as they typically appear, a "heat" view that depicts the environment or entity in a way that represents the temperature of the environment or entity, a “vibration” view that depicts shipping entities in a way that represents the vibrational properties of the entities, a “velocity” view that depicts shipping entities in a way that represents the velocity of the entities, and a “velocity” view that depicts shipping entities in a way that represents the oscillation characteristics of the entities, a “velocity” view that depicts shipping entities in a way that represents the oscillation characteristics of the entities, and a “velocity” view that depicts shipping entities in a way that represents the oscillation characteristics of the entities. a “filtered” view that displays only objects requiring attention (resulting from recognition of fault conditions, warnings, updated reports, or other factors), an augmented view that overlays data on the digital twin, and/or Can be displayed in any other suitable view types.
실시예들에서, 디지털 트윈들은 다수의 상이한 역할-기반 뷰 유형들로 도시될 수 있다. 예를 들어, 스마트 컨테이너 플릿은 스마트 컨테이너 플릿 관리자에 적합한 방식으로 스마트 컨테이너를 묘사하는 "관리자(manager)" 뷰에서 시청될 수 있고, 컨테이너 터미널 환경은 컨테이너 터미널 운영자에 적합한 방식으로 컨테이너 터미널을 묘사하는 "운영자" 뷰에서 시청될 수 있고, 규정 관리자에 적합한 방식으로 시설을 묘사하는 "규정" 뷰에서 시청될 수 있고, 송하인는 송하인에 적합한 방식으로 스마트 컨테이너를 묘사하는 "송하인(shipper)" 뷰에서 스마트 컨테이너 디지털 트윈(13504)을 시청할 수 있는 식이다. 뷰 유형을 나타내는 요청에 응답하여, 디지털 트윈 시각화 모듈(13322)은 뷰 유형에 대응하는 각각의 디지털 트윈에 대한 데이터를 검색할 수 있다. 예를 들어, 사용자가 스마트 컨테이너 플릿의 히트 뷰를 요청한 경우, 디지털 트윈 시각화 모듈(13322)은 (스마트 컨테이너들, 배송 환경들, 상이한 스마트 컨테이너 컴포넌트들로부터 취해진 온도 측정치들, 및/또는 디지털 트윈 동적 모델 시스템(13312)에 의해 외삽된 온도 측정치들 및/또는 디지털 트윈 시뮬레이션 시스템(13310)으로부터의 시뮬레이션된 온도 데이터를 포함할 수 있는) 그 스마트 컨테이너들의 세트에 대한 온도 데이터뿐만 아니라 임의의 다른 배송 엔티티들에 대한 이용가능한 온도 데이터를 검색할 수 있다. 이 예에서, 디지털 트윈 시각화 모듈(13322)은 온도 결함 레벨 상태를 나타내는 각각의 스마트 컨테이너에 대응하는 컬러들(예를 들어, 경보에 대한 적색, 임계값에 대한 주황색, 차선(suboptimal)에 대한 황색, 및 정상 동작에 대한 녹색)을 결정할 수 있다. 그런 다음, 디지털 트윈 시각화 모듈(13322)은 결정된 컬러들에 기초하여 스마트 컨테이너들의 디지털 트윈들을 렌더링할 수 있다. 일부 실시예에서, 디지털 트윈 모듈(13420)은 디지털 트윈 시각화 모듈(13322)이 인간 사용자에게 정보를 제시하는 방식을 결정하는 분석 시스템(도시되지 않음)을 포함할 수 있다는 점에 유의한다. 예를 들어, 분석 시스템은 시각적 디지털 트윈에 제시된 정보에 응답하여 실세계 환경 또는 객체와의 인간 상호 작용과 관련된 결과를 추적할 수 있다. 일부 실시예들에서, 분석 시스템은 결과 데이터에 기초하여 시각화된 정보(예를 들어, 알람 상태를 나타내기 위해 어떤 컬러들을 사용할지, 어떤 유형의 움직임들 또는 애니메이션들이 알람 상태에 주의를 끌지 등) 또는 오디오 정보(알람 상태를 나타내기 위해 어떤 사운드들을 사용할지)를 디스플레이하기 위해 가장 효과적인 방식을 결정하기 위해 인지 모델들을 적용할 수 있다. 일부 실시예들에서, 분석 시스템은 사용자의 역할에 기초하여 시각화된 정보를 디스플레이하기에 가장 적합한 방식을 결정하기 위해 인지 모델들을 적용할 수 있다. 실시예들에서, 시각화는, 그래픽 정보, 물리적 특성들을 묘사하는 그래픽 정보, 재정 특성들을 묘사하는 그래픽 정보, 성능 특성들을 묘사하는 그래픽 정보, 지능 서비스(13004)로부터의 추천들, 지능 서비스(13004)로부터의 예측들, 고장 데이터의 확률, 유지보수 이력 데이터, 고장 시간 데이터, 다운타임 비용 데이터, 다운타임 데이터의 확률, 수리 비용 데이터, 교체 비용(예를 들어, 스마트 컨테이너 또는 스마트 컨테이너 컴포넌트를 교체하는 것) 등을 포함하는, 시각화된 디지털 트윈들에 관련된 정보의 디스플레이를 포함할 수 있다.In embodiments, digital twins may be depicted in multiple different role-based view types. For example, a smart container fleet may be viewed in a "manager" view, which depicts smart containers in a manner suitable for a smart container fleet manager, and a container terminal environment may be viewed in a "manager" view, which depicts container terminals in a manner suitable for a container terminal operator. Smart containers can be viewed in the “Operator” view, which depicts the facility in a manner appropriate for the regulatory administrator, and Shippers can be viewed in the “shipper” view, which depicts the smart container in a manner appropriate for the shipper. You can watch the container digital twin (13504). In response to a request indicating a view type, digital
실시예에서, 스마트 컨테이너 플릿 관리자 디지털 트윈(13328)은 스마트 컨테이너 플릿의 관리자 및/또는 운영자를 위해 구성된 디지털 트윈이다. 실시예들에서, 스마트 컨테이너 플릿 관리자 디지털 트윈(13328)은 시스템(13000)과 관련하여 작동하여, 분석, 기계 학습, 및/또는 다른 AI 및 입력(예를 들어, 해상 데이터, 트래픽 데이터, 날씨 데이터, 센서 데이터, 규제 데이터 등)의 학습 유형 처리에 기초하여 시뮬레이션, 최적화, 분류, 구성 및/또는 제어, 예측, 통계 요약, 및 결정 지원을 제공할 수 있다. 실시예에서, 스마트 컨테이너 플릿 관리자 디지털 트윈(13328)은 화물 보관 및/또는 운송 서비스 주문을 확인하는 것, 운송/경로의 스마트 컨테이너 모드를 선택하는 것, 제3자 서비스 제공자와의 유지 서비스 거래에 관여하는 것, 개별 스마트 컨테이너를 검사하는 것, 스마트 컨테이너 플릿을 모니터링하는 것, 스마트 계약을 생성하는 것, 규제 준수를 모니터링하는 것, 위험 관리를 수행하는 것, 및 다른 플릿 관리자 관련 활동을 포함하지만 이에 제한되지 않는 기능을 제공할 수 있다.In an embodiment, smart container fleet manager digital twin 13328 is a digital twin configured for managers and/or operators of smart container fleets. In embodiments, smart container fleet manager digital twin 13328 operates in conjunction with
실시예들에서, 스마트 컨테이너 플릿 관리자 디지털 트윈(13328)을 채울 수 있는 데이터의 유형들은: 금융 데이터, 날씨 데이터, 거시경제 데이터, 미시경제 데이터, 예측 데이터, 수요 계획 데이터, AI 및/또는 기계 학습 모델링(예를 들어, 금융 예측)의 분석 결과들, 예측 데이터, 자산 데이터, 추천 데이터, 전략적 경쟁 데이터(예를 들어, 산업 트렌드들 및 경쟁자들에 관한 뉴스 및 이벤트들), 운송 데이터, 해상 데이터, 트럭 운송 데이터, 화물 데이터, 항공 데이터, 철도 데이터, 트래픽 데이터, 소셜 미디어 데이터, 설문조사 데이터, 및 많은 다른 것들을 포함할 수 있지만, 이에 제한되지 않는다. 실시예들에서, 디지털 트윈 모듈(13420)은, 예를 들어, 공개 개시된 재무제표, 제3자 보고서, 세금 신고, 공공 뉴스 소스 등으로부터 재무 데이터를 획득할 수 있다. 실시예들에서, 거시 경제 데이터는 시스템(13000)에 의해 수집된 다양한 금융 및 운영 데이터로부터 분석하여 도출될 수 있다. 실시예에서, 비즈니스 성과 메트릭은, 실시간 동작 데이터에 적어도 부분적으로 기초하여, 지능 서비스(13004)에 의해 분석하여 도출되고/되거나 다른 사용자 및/또는 이들의 각각의 트레이더 디지털 트윈으로부터 제공될 수 있다.In embodiments, the types of data that may populate smart container fleet manager digital twin 13328 include: financial data, weather data, macroeconomic data, microeconomic data, forecast data, demand planning data, AI and/or machine learning. Analytical results of modeling (e.g. financial forecasting), forecast data, asset data, recommendation data, strategic competitive data (e.g. news and events about industry trends and competitors), transportation data, maritime data , trucking data, freight data, airline data, rail data, traffic data, social media data, survey data, and many others. In embodiments,
실시예들에서, 스마트 컨테이너 플릿 관리자 디지털 트윈(13328)은 플릿의 상이한 상태들의 하이-레벨 뷰들, 플릿의 실시간 표현들, 플릿의 이력 표현들, 플릿의 투영된 표현들(예를 들어, 미래 상태들), 개별 스마트 컨테이너들의 실시간 표현들, 개별 스마트 컨테이너들의 이력 표현들, 개별 스마트 컨테이너들의 투영된 표현들(예를 들어, 미래 상태들), 송하인들의 실시간 표현들, 송하인들의 이력 표현들, 송하인들의 투영된 표현들, 해운 회사(shipping line)들의 실시간 표현들, 해운 회사들의 이력 표현들, 해운 회사들의 투영된 표현들, 뉴스 및/또는 텔레비전 데이터, 경제 감정 데이터(economic sentiment data), 소셜 미디어 데이터, 차트들, 마감 정보에 대한 카운트다운, 임대 조건들, 스마트 계약 조건들, 계약 조건들, 및 많은 다른 것들을 포함할 수 있다. 실시예에서, 스마트 컨테이너 플릿 관리자 디지털 트윈(13328)은 사용자가 다른 배송 디지털 트윈에 액세스 및/또는 상호 작용할 수 있게 할 수 있다. 실시예들에서, 스마트 컨테이너 플릿 관리자 디지털 트윈(13328)은 사용자가 스마트 컨테이너 디지털 트윈들(13504)의 플릿 및/또는 개별 스마트 컨테이너 디지털 트윈들(13504)에 액세스하고 및/또는 상호작용하는 것을 허용할 수 있다. 실시예에서, 스마트 컨테이너 플릿 관리자 디지털 트윈(13328)은 사용자가 다른 스마트 컨테이너 플릿 관리자 디지털 트윈(13328) 및/또는 송하인 디지털 트윈(13502)과 상호작용할 수 있게 할 수 있다. 스마트 컨테이너 플릿 관리자 디지털 트윈(13328)은 초기에 더 낮은 세분성(granularity) 레벨로 다양한 상태를 도시할 수 있다. 실시예에서, 스마트 컨테이너 플릿 관리자 디지털 트윈(13328)을 시청하고 있는 사용자는 선택된 상태로 드릴 다운(drill down)하고 선택된 상태를 더 높은 레벨의 세분성으로 시청하도록 선택할 수 있다. 예를 들어, 스마트 컨테이너 플릿 관리자 디지털 트윈(13328)은 초기에 가격 상태(예를 들어, 스마트 컨테이너에 대한 가격을 나타내는 시각적 표시자)를 포함하는 스마트 컨테이너 플릿의 다양한 상태의 서브세트를 더 낮은 세분성 레벨로 도시할 수 있다. 선택에 응답하여, 스마트 컨테이너 플릿 관리자 디지털 트윈(13328)은 실시간, 이력, 집계, 비교 및/또는 예측된 가격 데이터(예를 들어, 실시간, 이력, 시뮬레이션 및/또는 예측된 수익, 부채 등)를 포함하지만 이에 제한되지 않는 데이터, 분석, 요약 및/또는 보고를 제공할 수 있다. 실시예에서, 스마트 컨테이너 플릿 관리자 디지털 트윈(13328)은 초기에 사용자(예를 들어, 플릿 관리자)에게 플릿의 다양한 상이한 양태의 뷰(예를 들어, 플릿의 상이한 "건전성(health)" 레벨을 나타내는 상이한 표시자)를 제시할 수 있지만, 사용자가 어느 양태가 사용자의 더 많은 주의를 필요로 하는지를 선택하게 할 수 있다. 이러한 선택에 응답하여, 스마트 컨테이너 플릿 관리자 디지털 트윈(13328)은 시스템(13000)으로부터 선택된 상태(들)의 더 세분화된 뷰를 요청할 수 있으며, 이는 더 세분화된 레벨에서 요청된 상태들을 반환할 수 있다.In embodiments, smart container fleet manager digital twin 13328 provides high-level views of different states of the fleet, real-time representations of the fleet, historical representations of the fleet, and projected representations of the fleet (e.g., future states). s), real-time representations of individual smart containers, historical representations of individual smart containers, projected representations (e.g., future states) of individual smart containers, real-time representations of shippers, historical representations of shippers, shippers projected representations of shipping lines, real-time representations of shipping lines, historical representations of shipping lines, projected representations of shipping lines, news and/or television data, economic sentiment data, social media It can include data, charts, countdowns to closing information, lease terms, smart contract terms, contract terms, and many other things. In embodiments, smart container fleet manager digital twin 13328 may allow users to access and/or interact with other shipping digital twins. In embodiments, smart container fleet manager digital twin 13328 allows a user to access and/or interact with a fleet of smart container digital twins 13504 and/or individual smart container digital twins 13504. can do. In embodiments, smart container fleet manager digital twin 13328 may allow users to interact with other smart container fleet manager digital twins 13328 and/or shipper
실시예에서, 디지털 트윈 시뮬레이션 시스템(13310)은 스마트 컨테이너 플릿 관리자 디지털 트윈(13328)에 의해 요청된 시뮬레이션을 수행하라는 요청을 수신할 수 있으며, 여기서 요청은 하나 이상의 디지털 트윈에서 변경될 하나 이상의 파라미터를 나타낸다. 이에 응답하여, 디지털 트윈 시뮬레이션 시스템(13310)은 시뮬레이션 결과를 스마트 컨테이너 플릿 관리자 디지털 트윈(13328)에 반환할 수 있고, 이는 결국 클라이언트 디바이스 디스플레이를 통해 사용자에게 결과를 출력한다. 이와 같이, 사용자는 상이한 파라미터 구성에 대응하는 다양한 결과를 제공받을 수 있다. 예를 들어, 사용자는 상이한 구성들이 이익들 및 손실들에 대한 전체 영향에 어떻게 영향을 미치는지를 보기 위해 상이한 플릿 구성들을 테스트하기 위해 실행될 시뮬레이션들의 세트를 요청할 수 있다. 디지털 트윈 시뮬레이션 시스템(13310)은 상이한 구성을 변화시켜서 시뮬레이션할 수 있고, 각각의 개별 구성에 대한 재무 예측치를 출력할 수 있다. 일부 실시예들에서, 사용자는 다양한 결과들에 기초하여 파라미터 세트를 선택할 수 있고, 적어도 변경된 이전 결과들에 기초하여 시뮬레이션들을 반복할 수 있다. 일부 실시예들에서, 지능형 에이전트는 각각의 개별 파라미터 세트와 연관된 각각의 결과들에 기초하여 파라미터 세트를 추천 및/또는 선택하도록 훈련될 수 있다.In embodiments, digital
실시예에서, 스마트 컨테이너 플릿 관리자 디지털 트윈(13328)은 가격, 스케줄링, 재무 보고, 성능, 유지보수, 규제 데이터, 또는 스마트 컨테이너 배송 서비스와 관련된 다른 데이터와 관련된 자료를 저장, 집계, 병합, 분석, 준비, 보고, 및 분배하도록 구성될 수 있다. 본 명세서에 설명된 바와 같이, 스마트 컨테이너 플릿 관리자 디지털 트윈(13328)은 외부 데이터 소스에 링크되고, 그와 상호작용하고, 그와 연관될 수 있고, 시스템(13000)의 내부 데이터를 포함하여 외부 데이터 소스를 업로드, 다운로드, 집계하고, 그러한 데이터를 분석할 수 있다. 데이터 분석, 기계 학습, AI 처리, 및 다른 분석이 스마트 컨테이너 플릿 관리자 디지털 트윈(13328)과 지능 서비스(13004) 사이에서 조정될 수 있다. 이러한 협력 및 상호작용은 최적의 플릿 구성, 화물 보관 및/또는 배송 서비스 주문들의 최적의 스케줄링 실행, 또는 일부 다른 배송 관련 메트릭 또는 양태를 식별하기 위해 모델링, 기계 학습, 및 AI 처리에서 사용하기 위한 디지털 트윈 데이터 저장소(13316)에 배송 관련 데이터 요소들 및 도메인들을 시딩(seeding)하는 것 뿐만 아니라, 플릿 구성의 판단 또는 스케줄링 실행 성공을 기초로 하는 최적의 데이터 측정 파라미터들의 식별을 보조하는 것을 포함할 수 있다. 실시예들에서, 디지털 트윈 모듈(13420)은 디지털 트윈 내의 상이한 뷰들(또는 상태들)을 적절한 세분성으로 추상화한다. 예를 들어, 디지털 트윈 모듈(13420)은 실시간 센서 데이터 스트림에 대한 액세스뿐만 아니라 13000을 대신하여 수집된 모든 센서 데이터에 대한 액세스를 가질 수 있다. 이 예에서, 특정 스마트 컨테이너로부터의 센서 판독치들이 잠재적으로 중요한 상황(예를 들어, 고장 상태, 위험 조건, 손상된 화물, 잠재적으로 불법적인 화물 등)을 나타내는 경우, 잠재적으로 위급한 상황을 나타내는 분석은 플릿 관리자에게 매우 중요해질 수 있다. 따라서, 디지털 트윈 모듈(13420)은, 플릿 관리자에 대한 적절한 관점을 구축할 때, 플릿 관리자 디지털 트윈(13328)에 스마트 컨테이너의 상태 표시자를 포함할 수 있다. 이러한 방식으로, 플릿 관리자는 스마트 컨테이너의 상태 표시자로 드릴 다운하여 잠재적으로 중요한 상황을 더 세분화하여 시청할 수 있다(예를 들어, 상황을 식별하는 데 사용되는 센서 데이터의 분석 및 스마트 컨테이너 기계).In embodiments, smart container fleet manager digital twin 13328 stores, aggregates, merges, and analyzes material related to pricing, scheduling, financial reporting, performance, maintenance, regulatory data, or other data related to smart container shipping services. It can be configured to prepare, report, and distribute. As described herein, smart container fleet manager digital twin 13328 can link to, interact with, and associate with external data sources, and can access external data sources, including data internal to
실시예에서, 스마트 컨테이너 플릿 관리자 디지털 트윈(13328)은 플릿 내의 스마트 컨테이너의 성능에 대해 보고하도록 구성될 수 있다. 본 명세서에 설명된 바와 같이, 보고는 타이밍 성능 메트릭, 재무 성능 메트릭, 물리적 성능 메트릭, 화물 손상 메트릭, 자원 사용에 관한 데이터, 또는 일부 다른 유형의 보고 데이터를 포함할 수 있다. 실시예들에서, 사용자에 의해 훈련된 지능형 에이전트는 사용자에게 가장 중요한 보고들을 표면화하도록 훈련될 수 있다. 예를 들어, 사용자(예를 들어, 플릿 관리자)가 타이밍 성능을 지속적으로 보고 주의깊게 관찰하지만, 일상적으로 금융 성과와 관련된 보고들을 건너뛰는 경우, 실행 에이전트는 금융 성과 데이터를 억제하면서 타이밍 메트릭과 관련된 보고들을 사용자에게 자동으로 표면화할 수 있다.In an embodiment, smart container fleet manager digital twin 13328 may be configured to report on the performance of smart containers within a fleet. As described herein, reporting may include timing performance metrics, financial performance metrics, physical performance metrics, cargo damage metrics, data regarding resource usage, or some other type of reporting data. In embodiments, an intelligent agent trained by a user may be trained to surface the reports that are most important to the user. For example, if a user (e.g., a fleet manager) continuously views and carefully observes timing performance, but routinely skips reporting related to financial performance, the execution agent may suppress financial performance data while also Reports can be automatically surfaced to users.
실시예에서, 스마트 컨테이너 플릿 관리자 디지털 트윈(13328)은 다른 배송 엔티티(예를 들어, 송하인, 배송 라인, 컨테이너 터미널 또는 명명된 관심 엔티티)와 관련된 재료를 모니터링, 저장, 집계, 병합, 분석, 준비, 보고 및 분배하도록 구성될 수 있다. 실시예에서, 이러한 데이터는 규제 정보, 배송에 관한 정보, 보도 자료, SEC 또는 다른 재무 보고서, 또는 일부 다른 공개적으로 이용 가능한 데이터를 포함하지만 이에 제한되지 않는 소스로부터 배송 엔티티 정보를 검색하고 수집하기 위해 데이터 집계, 웹스크레이핑(webscraping), 또는 다른 기술을 통해 시스템(13000)에 의해 수집될 수 있다. 예를 들어, 특정 배송 엔티티를 모니터링하기를 원하는 사용자는 스마트 컨테이너 플릿 관리자 디지털 트윈(13328)이 특정 배송 엔티티에 관한 재료를 제공할 것을 요청할 수 있다. 이에 응답하여, 시스템(13000)은 공개적으로 이용가능하거나 플릿 관리자가 액세스하는 데이터 소스들의 세트(예를 들어, 내부 데이터 소스들, 인가된 제3자 데이터 등)를 식별할 수 있다.In embodiments, smart container fleet manager digital twin 13328 monitors, stores, aggregates, merges, analyzes, and prepares materials associated with other shipping entities (e.g., shippers, shipping lines, container terminals, or named entities of interest). , reporting and distribution. In embodiments, such data may be used to retrieve and collect shipping entity information from sources including, but not limited to, regulatory information, information regarding shipping, press releases, SEC or other financial reports, or some other publicly available data. Data may be collected by
실시예에서, 스마트 컨테이너 플릿 관리자 디지털 트윈(13328)을 실행하는 13000과 같은 클라이언트 애플리케이션(13324)은 플릿 관리자의 액션(거동 및/또는 선호도를 나타낼 수 있음)에 대해 훈련된 지능형 에이전트로 구성될 수 있다. 실시예들에서, 지능형 에이전트는 액션들과 관련된 특징들(예를 들어, 사용자의 동작과 관련된 상황)을 지능형 에이전트 시스템에 기록할 수 있다. 예를 들어, 지능형 에이전트는 사용자가 화물 보관 및/또는 배송 서비스 주문(액션임)을 승인할 때마다, 뿐만 아니라 승인을 둘러싼 특징(예를 들어, 액션의 유형, 주문의 유형, 주문의 가격, 송하인, 스마트 컨테이너의 수량, 경로 정보 등)을 기록할 수 있다. 지능형 에이전트는 지능형 에이전트가 미래에 승인 태스크 및 다른 태스크를 착수하거나 추천할 수 있는 방식에 대해 지능형 에이전트를 훈련할 수 있는 액션 및 특징을 지능형 에이전트 시스템에 보고할 수 있다. 일단 훈련되면, 지능형 에이전트는 동작들을 자동으로 수행하고 및/또는 사용자에게 동작들을 추천할 수 있다. 또한, 실시예들에서, 지능형 에이전트는 수행된/추천된 액션들과 관련된 결과들을 기록함으로써, 지능형 에이전트 시스템과 피드백 루프를 생성할 수 있다.In embodiments, a
실시예에서, 스마트 컨테이너 플릿 관리자 디지털 트윈(13328)은 플릿 관리자가 하나 이상의 플릿 관리자 관련 작업흐름을 수행하기 위한 인터페이스를 제공할 수 있다. 예를 들어, 스마트 컨테이너 플릿 관리자 디지털 트윈(13328)은 관리자가 화물 운송 주문 승인 작업흐름, 스마트 컨테이너 유지보수 작업흐름, 물류 작업흐름, 스마트 계약 작업흐름, 배송 및/또는 배달 작업흐름, 규제 작업흐름 등을 수행, 감독 또는 모니터링하기 위한 인터페이스를 제공할 수 있다.In embodiments, smart container fleet manager digital twin 13328 may provide an interface for a fleet manager to perform one or more fleet manager-related workflows. For example, the Smart Container Fleet Manager Digital Twin (13328) allows managers to configure cargo transportation order approval workflows, smart container maintenance workflows, logistics workflows, smart contract workflows, shipping and/or delivery workflows, and regulatory workflows. An interface may be provided to perform, supervise, or monitor, etc.
다른 예에서, 사용자는 프로세스의 디지털 트윈의 필터링된 뷰를 요청할 수 있으며, 이에 의해 프로세스의 디지털 트윈은 프로세스에 수반되는 배송 엔티티들만을 도시한다. 이 예에서, 디지털 트윈 시각화 모듈(13322)은 프로세스의 디지털 트윈뿐만 아니라 임의의 관련된 디지털 트윈들(예를 들어, 환경의 디지털 트윈 및 프로세스에 영향을 미치는 임의의 배송 엔티티들의 디지털 트윈들)을 검색할 수 있다. 디지털 트윈 시각화 모듈(13322)은 그런 다음 디지털 트윈들(예를 들어, 환경 및 관련 배송 엔티티들) 각각을 렌더링할 수 있고, 그 후 렌더링된 디지털 트윈들에 대해 프로세스를 수행할 수 있다. 프로세스가 일정 시간 기간에 걸쳐 수행될 수 있고 이동하는 아이템들 및/또는 부분들을 포함할 수 있기 때문에, 디지털 트윈 시각화 모듈(13322)은 프로세스를 입증하는 일련의 순차적 프레임들을 생성할 수 있다는 것에 유의한다. 이 시나리오에서, 프로세스에 의해 연루된 배송 엔티티들의 움직임들은 기계들 및/또는 디바이스들의 각각의 디지털 트윈들에서 정의된 거동들에 따라 결정될 수 있다.In another example, a user may request a filtered view of the digital twin of a process, whereby the digital twin of the process shows only the delivery entities involved in the process. In this example, digital
논의된 바와 같이, 디지털 트윈 시각화 모듈(13322)은 요청된 디지털 트윈을 클라이언트 애플리케이션(13324)에 출력할 수 있다. 일부 실시예들에서, 클라이언트 애플리케이션(13324)은 가상 현실 애플리케이션이고, 이에 의해 요청된 디지털 트윈은 가상 현실 헤드셋 상에 디스플레이된다. 일부 실시예들에서, 클라이언트 애플리케이션(13324)은 증강 현실 애플리케이션이고, 이에 의해 요청된 디지털 트윈은 AR 인에이블 디바이스에 도시된다. 이들 실시예에서, 요청된 디지털 트윈은 시각적 요소 및/또는 텍스트가 AR 인에이블 디바이스의 디스플레이 상에 오버레이되도록 필터링될 수 있다.As discussed, digital
그래프 데이터베이스가 논의되지만, 디지털 트윈 모듈(13420)은 디지털 트윈들의 세트에 관한 정보를 저장하기 위해 다른 적절한 데이터 구조들을 이용할 수 있다는 것에 유의한다. 이러한 실시예들에서, 데이터 구조들 및 임의의 관련된 저장 시스템은 데이터 구조들이 흐름들의 반복을 나타낼 때 어느 정도의 피드백 루프들 및/또는 재귀를 제공하도록 구현될 수 있다.Note that although a graph database is discussed,
실시예들에서, 디지털 트윈 I/O 시스템(13308)은 본 개시의 일부 실시예들에 따라 결합된 컴포넌트들 사이의 데이터의 양방향 전송을 제공하기 위해 배송 엔티티 및/또는 환경, 디지털 트윈 모듈(13420), 및/또는 그의 컴포넌트들과 인터페이싱한다.In embodiments, the digital twin I/
실시예들에서, 전송된 데이터는 소프트웨어 컴포넌트들, 하드웨어 컴포넌트들, 물리적 디바이스들, 가상화된 디바이스들, 시뮬레이션된 디바이스들, 이들의 조합들 등을 포함할 수 있는, 연결된 컴포넌트들 사이의 신호들(예를 들어, 요청 신호들, 커맨드 신호들, 응답 신호들 등)을 포함한다. 신호들은 재료 속성들(예를 들어, 온도, 압력, 습도, 밀도, 점도 등의 물리량들), 측정된 값들(예를 들어, 디바이스 또는 시스템에 의해 획득된 동시 또는 저장된 값들), 디바이스 속성들(예를 들어, 디바이스 ID 또는 디바이스의 설계 사양들의 속성들, 재료들, 측정 능력들, 치수들, 절대적 위치, 상대적 위치, 이들의 조합들 등), 세트 포인트(set point)들(예를 들어, 재료 속성들, 디바이스 속성들, 시스템 속성들, 이들의 조합들 등에 대한 타겟들), 및/또는 임계 포인트들(예를 들어, 재료 속성들, 디바이스 속성들, 시스템 속성들 등에 대한 최소 또는 최대 값들과 같은 임계값들)을 정의할 수 있다. 신호들은 데이터를 취득(예를 들어, 직접 측정 또는 생성)하거나 딜리 획득(예를 들어, 수신, 계산, 룩업, 필터링 등)하는 시스템들 또는 디바이스들로부터 수신될 수 있고, 미리 결정된 시간에 또는 디지털 트윈 I/O 시스템(13308)로부터의 요청(예를 들어, 폴링)에 응답하여 디지털 트윈 I/O 시스템(13308)으로 또는 그로부터 통신될 수 있다. 통신은 직접 또는 간접 연결을 통해 (예를 들어, 회로 내의 중간 모듈들 및/또는 연결된 컴포넌트들 사이의 중간 디바이스들을 통해) 발생할 수 있다. 값들은 실세계 요소들 또는 가상 요소들(예를 들어, 데이터를 제공하는 디지털 트윈 및/또는 시뮬레이션된 요소에 대한 입력 또는 출력)에 대응할 수 있다.In embodiments, the transmitted data may include signals between connected components, which may include software components, hardware components, physical devices, virtualized devices, simulated devices, combinations thereof, etc. For example, request signals, command signals, response signals, etc.). Signals can be material properties (e.g. physical quantities such as temperature, pressure, humidity, density, viscosity, etc.), measured values (e.g. simultaneous or stored values obtained by a device or system), device properties (e.g. For example, properties of the device ID or design specifications of the device, materials, measurement capabilities, dimensions, absolute position, relative position, combinations thereof, etc.), set points (e.g. targets for material properties, device properties, system properties, combinations thereof, etc.), and/or threshold points (e.g., minimum or maximum values for material properties, device properties, system properties, etc. Thresholds such as ) can be defined. Signals may be received from systems or devices that acquire (e.g., directly measure or generate) or directly obtain (e.g., receive, compute, lookup, filter, etc.) data, and may be received at a predetermined time or digitally. May be communicated to or from digital twin I/
실시예들에서, 실세계 요소들은 배송 엔티티 또는 환경 내의 요소들일 수 있다. 실세계 요소는 예를 들어, 비-네트워크 요소, 디바이스(스마트 또는 비-스마트), 센서 및 인간을 포함할 수 있다. 실세계 요소는 배송 엔티티 또는 환경 내의 프로세스 또는 비-프로세스 장비일 수 있다. 예를 들어, 프로세스 장비는 모터, 크레인, 리치 스태커(reach stacker), 지게차, 펌프, 팬 등을 포함할 수 있고, 비-프로세스 장비는 개인용 보호 장비, 안전 장비, 비상 스테이션 또는 디바이스(예를 들어, 안전 샤워기, 눈 세척기, 소화기, 스프링클러 시스템 등), 컨테이너 터미널 또는 다른 시설 특징부(예를 들어, 벽, 바닥 레이아웃 등), 장애물(예를 들어, 엔티티 또는 환경 내의 사람 또는 다른 상품) 등을 포함할 수 있다.In embodiments, real-world elements may be delivery entities or elements within the environment. Real-world elements may include, for example, non-network elements, devices (smart or non-smart), sensors, and humans. Real-world elements may be shipping entities or process or non-process equipment within the environment. For example, process equipment may include motors, cranes, reach stackers, forklifts, pumps, fans, etc., while non-process equipment may include personal protective equipment, safety equipment, emergency stations or devices (e.g. , safety showers, eyewashes, fire extinguishers, sprinkler systems, etc.), container terminals or other facility features (e.g., walls, floor layout, etc.), obstacles (e.g., people or other goods within the entity or environment), etc. It can be included.
가상 요소들은 동시에 존재하는 실세계 요소들의 디지털 표현들일 수 있거나 그에 대응할 수 있다. 추가적으로 또는 대안적으로, 가상 요소들은 엔티티 또는 환경으로의 나중의 추가 및 구현을 위해 이용가능할 수 있는 실세계 요소들의 또는 그에 대응하는 디지털 표현들일 수 있다. 가상 요소는 예를 들어, 시뮬레이션된 요소 및/또는 디지털 트윈을 포함할 수 있다. 실시예들에서, 시뮬레이션된 요소들은 배송 엔티티 또는 환경 내에 존재하지 않는 실세계 요소들의 디지털 표현들일 수 있다. 시뮬레이션된 요소들은 실세계 요소들(예를 들어, 실세계 요소들의 치수들을 모방하는 "블랙 박스")로서 엔티티 또는 환경 내에 나중에 통합될 수 있는 원하는 물리적 속성들을 모방할 수 있다. 시뮬레이션된 요소들은 기존 객체들의 디지털 트윈들을 포함할 수 있다(예를 들어, 단일 시뮬레이션된 요소는 기존 센서들에 대한 하나 이상의 디지털 트윈들을 포함할 수 있다). 시뮬레이션된 요소들에 관련된 정보는, 예를 들어, 시뮬레이션된 요소들의 정보 및 거동을 정의하는 라이브러리들(예를 들어, 물리적 라이브러리들, 화학적 라이브러리들 등)로부터, 수학적 모델들 또는 알고리즘들을 사용하여 대응하는 실세계 요소들의 거동을 평가함으로써 획득될 수 있다.Virtual elements may be digital representations of, or correspond to, simultaneously existing real-world elements. Additionally or alternatively, virtual elements may be digital representations of or corresponding real-world elements that may be available for later addition and implementation into an entity or environment. Virtual elements may include, for example, simulated elements and/or digital twins. In embodiments, simulated elements may be digital representations of real-world elements that do not exist within the delivery entity or environment. Simulated elements can mimic desired physical properties that can later be incorporated within an entity or environment as real-world elements (e.g., a “black box” that mimics the dimensions of real-world elements). Simulated elements may include digital twins of existing objects (e.g., a single simulated element may include one or more digital twins for existing sensors). Information related to simulated elements is mapped using mathematical models or algorithms, for example from libraries defining the information and behavior of the simulated elements (e.g. physical libraries, chemical libraries, etc.). It can be obtained by evaluating the behavior of real-world elements.
실시예에서, 디지털 트윈은 하나 이상의 실세계 요소의 디지털 표현일 수 있다. 디지털 트윈들은 주변 환경의 입력들, 출력들, 및/또는 조건들에 응답하여 실세계 요소들의 거동들 및 응답들을 모방, 복사, 및/또는 모델링하도록 구성된다. 실세계 요소들의 물리적 속성들 및 응답들과 관련된 데이터는, 예를 들어, 사용자 입력, 센서 입력, 및/또는 물리적 모델링(예를 들어, 열역학 모델들, 전기역학 모델들, 기계역학 모델들 등)을 통해 획득될 수 있다. 디지털 트윈에 대한 정보는 디지털 트윈에 대응하는 하나 이상의 실세계 요소에 대응하고 그로부터 획득될 수 있다. 예를 들어, 일부 실시예들에서, 디지털 트윈은 하나의 스마트 컨테이너 화물 상에 고정된 디지털 진동 센서인 하나의 실세계 요소에 대응할 수 있고, 디지털 트윈에 대한 진동 데이터는 화물 상의 고정된 디지털 진동 센서에 의해 측정된 진동 데이터를 폴링(polling) 또는 페칭(fetching)함으로써 획득될 수 있다. 추가 예에서, 디지털 트윈은 스마트 컨테이너 컴포넌트 상의 고정된 디지털 진동 센서인 복수의 실세계 요소에 대응할 수 있고, 디지털 트윈에 대한 진동 데이터는 복수의 실세계 요소 상의 고정된 디지털 진동 센서 각각에 의해 측정된 진동 데이터를 폴링 또는 페칭함으로써 획득될 수 있다. 추가적으로 또는 대안적으로, 제1 디지털 트윈의 진동 데이터는 제1 디지털 트윈에 내장된 제2 디지털 트윈의 진동 데이터를 페치함으로써 획득될 수 있고, 제1 디지털 트윈에 대한 진동 데이터는 제2 디지털 트윈에 대한 진동 데이터를 포함하거나 이로부터 도출될 수 있다. 예를 들어, 제1 디지털 트윈은 스마트 컨테이너의 디지털 트윈일 수 있고, 제2 디지털 트윈은 스마트 컨테이너 내의 화물에 대응하는 디지털 트윈일 수 있어서 제2 디지털 트윈에 대한 진동 데이터를 포함하는 데이터로부터 또는 그에 기초하여 제1 디지털 트윈에 대한 진동 데이터가 획득되거나 계산된다.In embodiments, a digital twin may be a digital representation of one or more real-world elements. Digital twins are configured to mimic, copy, and/or model the behaviors and responses of real-world elements in response to inputs, outputs, and/or conditions of the surrounding environment. Data related to the physical properties and responses of real-world elements can be obtained, for example, from user input, sensor input, and/or physical modeling (e.g., thermodynamic models, electrodynamic models, mechanistic models, etc.). It can be obtained through Information about the digital twin may correspond to and be obtained from one or more real-world elements that correspond to the digital twin. For example, in some embodiments, the digital twin may correspond to one real-world element, a digital vibration sensor fixed on a smart container cargo, and vibration data for the digital twin can be transmitted to a digital vibration sensor fixed on the cargo. It can be obtained by polling or fetching the vibration data measured by. In a further example, the digital twin may correspond to a plurality of real-world elements that are fixed digital vibration sensors on a smart container component, and the vibration data for the digital twin includes vibration data measured by each of the fixed digital vibration sensors on the plurality of real-world elements. Can be obtained by polling or fetching. Additionally or alternatively, the vibration data of the first digital twin may be obtained by fetching the vibration data of a second digital twin embedded in the first digital twin, and the vibration data for the first digital twin may be acquired by fetching the vibration data of the second digital twin embedded in the first digital twin. It may include or be derived from vibration data. For example, the first digital twin may be a digital twin of a smart container, and the second digital twin may be a digital twin corresponding to the cargo within the smart container, such that data including vibration data for the second digital twin is derived from or thereto. Based on this, vibration data for the first digital twin is obtained or calculated.
실시예들에서, 디지털 트윈 모듈(13420)은 디지털 트윈 및/또는 하나 이상의 시뮬레이션된 요소들에 대한 모델들의 출력들에 의해 표현될 수 있는 센서들을 사용하여 실세계 요소들의 속성들을 모니터링한다. 실시예들에서, 디지털 트윈 모듈(13420)은 다른 소스들(예를 들어, 영향을 받은 실세계 요소들에 물리적으로 근접하거나 영향을 미치는 센서들)로부터 획득된 데이터를 사용하여 확장된 간격 동안 (예를 들어, 디지털 트윈 시뮬레이션 시스템(13310)을 통해) 시뮬레이션을 수행함으로써 그리고 영향을 받은 실세계 요소들에 대응하는 센서들에 대한 데이터 전송을 최소화하고 및/또는 폴링 간격들을 확장함으로써 프로세스들의 효과적인 모니터링을 유지하면서 네트워크 혼잡을 최소화할 수 있다. 추가적으로 또는 대안적으로, 수집된 센서 데이터를 디지털 트윈 시뮬레이션 시스템(13310)으로부터 획득된 데이터와 비교함으로써 에러 검사가 수행될 수 있다. 예를 들어, 실세계 요소와 시뮬레이션된 요소로부터 획득된 센서 데이터 사이의 일관된 편차 또는 변동은 각각의 센서의 오작동 또는 다른 결함 상태를 나타낼 수 있다.In embodiments,
실시예에서, 디지털 트윈 모듈(13420)은 하나 이상의 시뮬레이션된 요소의 사용을 통해 스마트 컨테이너 플릿, 스마트 컨테이너, 및 다른 배송 엔티티 및/또는 환경의 특징을 최적화할 수 있다. 예를 들어, 디지털 트윈 모듈(13420)은 스마트 컨테이너 내의 실세계 요소의 포함, 배제 또는 대체로부터 흐르는 비용 및/또는 이익을 빠르고 효율적으로 결정하기 위해 스마트 컨테이너의 디지털 트윈 내의 시뮬레이션된 요소의 효과를 평가할 수 있다. 비용 및 이익은, 예를 들어, 제조 비용, 유지보수 비용, 효율성(예를 들어, 폐기물을 감소시키거나 처리량을 증가시키기 위한 프로세스 최적화), 기후 고려사항(예를 들어, 탄소 풋프린트), 수명, 컴포넌트 결함의 최소화, 컴포넌트 다운타임 등을 포함할 수 있다.In embodiments,
실시예들에서, 디지털 트윈 I/O 시스템(13308)은 설명된 기능들에 영향을 미치기 위해 하나 이상의 디바이스들(예를 들어, 서버 디바이스들, 사용자 디바이스들, 및/또는 분산형 디바이스들)의 하나 이상의 제어기들에 의해 실행되는 하나 이상의 소프트웨어 모듈들을 포함할 수 있다. 디지털 트윈 I/O 시스템(13308)은 예를 들어, 입력 모듈, 출력 모듈 및 어댑터 모듈을 포함할 수 있다.In embodiments, the digital twin I/
실시예에서, 입력 모듈은 센서 시스템 및 디지털 트윈 시뮬레이션 시스템(13310)과 같은 디지털 트윈 I/O 시스템(13308)과 통신하는 데이터 소스로부터 데이터를 획득하거나 임포트할 수 있다. 데이터는 디지털 트윈 모듈(13420)에 의해 즉시 사용되거나 저장될 수 있다. 임포트된 데이터는 트리거링 이벤트에 응답하여 데이터 스트림들, 데이터 묶음(batch)들, 이들의 조합들 등으로부터 수집될 수 있다. 입력 모듈은 디지털 트윈 모듈(13420) 내에서 정보를 전달, 판독 및/또는 기록하기에 적합한 포맷으로 데이터를 수신할 수 있다.In embodiments, input modules may acquire or import data from data sources that communicate with digital twin I/
실시예에서, 출력 모듈은 다른 시스템 컴포넌트(예를 들어, 디지털 트윈 데이터 저장소(13316), 디지털 트윈 시뮬레이션 시스템(13310), 지능 서비스(13004) 등), 디바이스 및/또는 클라이언트 애플리케이션(13324)에 데이터를 출력하거나 엑스포트할 수 있다. 데이터는 트리거링 이벤트(예를 들어, 요청)에 응답하여 데이터 스트림들, 데이터 묶음들, 이들의 조합들 등으로 출력될 수 있다. 출력 모듈은 타겟 요소에 의해 사용되거나 저장되기에 적합한 포맷으로 데이터를 출력할 수 있다(예를 들어, 클라이언트 애플리케이션으로의 출력을 위한 하나의 프로토콜 및 디지털 트윈 데이터 저장소(13316)를 위한 다른 프로토콜).In embodiments, the output module may transmit data to other system components (e.g., digital
실시예들에서, 어댑터 모듈은 입력 모듈과 출력 모듈 사이에서 데이터를 처리 및/또는 변환할 수 있다. 실시예에서, 어댑터 모듈은 자동으로(예를 들어, 데이터 유형에 기초하여) 또는 수신된 요청에 응답하여(예를 들어, 데이터 내의 정보에 응답하여) 데이터를 변환 및/또는 라우팅할 수 있다.In embodiments, an adapter module may process and/or convert data between an input module and an output module. In embodiments, an adapter module may transform and/or route data automatically (e.g., based on data type) or in response to a received request (e.g., in response to information within the data).
실시예들에서, 디지털 트윈 모듈(13420)은 디지털 트윈에서의 배송 워크피스 요소들의 세트를 나타낼 수 있고, 디지털 트윈 시뮬레이션 시스템(13310)은 작업자 또는 배송 로봇과 워크피스 요소들의 물리적 상호 작용들의 세트를 시뮬레이션한다.In embodiments,
실시예들에서, 디지털 트윈 시뮬레이션 시스템(13310)은 시뮬레이션된 인간 인자들을 설명하는 시뮬레이션된 물리적 상호작용들에 대한 프로세스 결과들을 결정할 수 있다. 예를 들어, 워크피스 처리량의 변동들은, 예를 들어, 이벤트들에 대한 작업자 응답 시간들, 작업자 피로, 작업자 액션들 내의 불연속성(예를 들어, 인간-이동 속도의 자연스러운 변동들, 상이한 포지셔닝 시간들 등), 다운스트림 프로세스들에 대한 불연속들의 효과들 등을 포함하는 디지털 트윈 모듈(13420)에 의해 모델링될 수 있다. 실시예들에서, 개별화된 작업자 상호작용들은 디지털 트윈 모듈(13420)에 의해 수집, 획득 및/또는 저장되는 이력 데이터를 사용하여 모델링될 수 있다. 시뮬레이션은 추정된 금액(예를 들어, 근로자 연령, 산업 평균, 직장 기대 등)에 기초하여 시작될 수 있다. 시뮬레이션은 또한 각각의 작업자에 대한 데이터를 개별화할 수 있다(예를 들어, 추정된 양을 수집된 작업자 특정 결과와 비교).In embodiments, digital
실시예들에서, 작업자들에 관한 정보(예를 들어, 피로율들, 효율률들 등)는 시간에 따른 특정 작업자들의 성과를 분석하고 상기 성과를 모델링함으로써 결정될 수 있다.In embodiments, information about workers (e.g., fatigue rates, efficiency rates, etc.) may be determined by analyzing the performance of specific workers over time and modeling that performance.
실시예에서, 디지털 트윈 모듈(13420)은 센서 어레이 내에 복수의 근접 센서를 포함한다. 근접 센서들은 미리 결정된 영역 내에 있는 배송 엔티티 또는 환경의 요소들을 검출하도록 구성되거나 구성될 수 있다. 예를 들어, 근접 센서는 전자기 센서, 광 센서, 및/또는 음향 센서를 포함할 수 있다.In an embodiment,
전자기 센서들은 하나 이상의 전자기장들(예를 들어, 방출된 전자기 방사선 또는 수신된 전자기 방사선)을 통해 객체들 또는 상호작용들을 감지하거나 감지하도록 구성될 수 있다. 실시예들에서, 전자기 센서들은 유도성 센서들(예를 들어, 라디오 주파수 식별 센서들), 용량성 센서들(예를 들어, 접촉 및 비접촉 용량성 센서들), 이들의 조합들 등을 포함한다.Electromagnetic sensors may detect or be configured to detect objects or interactions through one or more electromagnetic fields (eg, emitted or received electromagnetic radiation). In embodiments, electromagnetic sensors include inductive sensors (e.g., radio frequency identification sensors), capacitive sensors (e.g., contact and non-contact capacitive sensors), combinations thereof, etc. .
광 센서들은, 예를 들어, 원적외선, 근적외선, 광학, 및/또는 자외선 스펙트럼들에서 전자기 방사선을 통해 객체들 또는 상호작용들을 감지하도록 구성되거나 또는 구성될 수 있다. 실시예들에서, 광 센서들은 이미지 센서들(예를 들어, 전하-결합 디바이스들 및 CMOS 능동-픽셀 센서들), 광전 센서들(예를 들어, 투과-빔 센서들, 재귀반사성 센서들, 및 확산 센서들), 이들의 조합들 등을 포함할 수 있다. 실시예들에서, 광 센서들은 액체 렌즈 비전 시스템들을 포함할 수 있다. 또한, 광 센서들은 LIDAR(light detection and ranging) 센서와 같은 시스템 또는 서브시스템의 일부로서 구현될 수 있다.Optical sensors may be configured or configured to detect objects or interactions via electromagnetic radiation, for example, in the far-infrared, near-infrared, optical, and/or ultraviolet spectra. In embodiments, optical sensors include image sensors (e.g., charge-coupled devices and CMOS active-pixel sensors), photoelectric sensors (e.g., transmitted-beam sensors, retroreflective sensors, and diffusion sensors), combinations thereof, etc. In embodiments, optical sensors may include liquid lens vision systems. Additionally, optical sensors may be implemented as part of a system or subsystem, such as a light detection and ranging (LIDAR) sensor.
음향 센서들은 음향 센서들에 의해 방출 및/또는 수신되는 음파들을 통해 객체들 또는 상호작용들을 감지하도록 구성되거나 구성될 수 있다. 실시예들에서, 음향 센서들은 초저주파, 음파, 및/또는 초음파 센서들을 포함할 수 있다. 또한, 음향 센서들은 사운드 내비게이션 및 레인징("SONAR") 센서와 같은 시스템 또는 서브시스템의 일부로서 그룹화될 수 있다.Acoustic sensors may be configured or configured to detect objects or interactions through sound waves emitted and/or received by the acoustic sensors. In embodiments, acoustic sensors may include infrasound, acoustic, and/or ultrasonic sensors. Additionally, acoustic sensors may be grouped as part of a system or subsystem, such as a sound navigation and ranging (“SONAR”) sensor.
실시예들에서, 디지털 트윈 모듈(13420)은 근접 센서들의 세트로부터 데이터를 저장하고 수집한다. 수집된 데이터는, 예를 들어, 디지털 트윈 모듈(13420)의 컴포넌트들에 의한 사용 및/또는 사용자에 의한 시각화를 위해 디지털 트윈 데이터 저장소(13316)에 저장될 수 있다. 이러한 사용 및/또는 시각화는 데이터의 수집과 동시에 또는 데이터의 수집 후에(예를 들어, 프로세스의 추후 분석 및/또는 최적화 동안) 발생할 수 있다.In embodiments,
실시예들에서, 데이터 수집은 트리거링 조건에 응답하여 발생할 수 있다. 이러한 트리거링 조건들은, 예를 들어, 정적 또는 동적 미리 결정된 간격의 만료, 정적 또는 동적 값의 미만 또는 초과의 값 획득, 디지털 트윈 모듈(13420) 또는 그의 컴포넌트들로부터 자동으로 생성된 요청 또는 명령 수신, (예를 들어, 근접 센서로부터 미리 결정된 거리 내에 오는 객체에 응답하여) 각각의 센서 또는 센서들과 요소의 상호작용, 디지털 트윈과 사용자의 상호작용(예를 들어, 스마트 컨테이너 디지털 트윈, 센서 어레이 디지털 트윈, 또는 센서 디지털 트윈의 선택), 이들의 조합들 등을 포함할 수 있다.In embodiments, data collection may occur in response to a triggering condition. These triggering conditions may include, for example, expiration of a static or dynamic predetermined interval, obtaining a value below or above a static or dynamic value, receiving an automatically generated request or command from
일부 실시예에서, 디지털 트윈 모듈(13420)은 작업자 또는 로봇과 실세계 요소의 상호 작용에 응답하여 RFID 데이터를 수집 및/또는 저장한다. 예를 들어, 스마트 컨테이너 화물과의 로봇 상호작용에 응답하여, 디지털 트윈은 대응하는 화물과 연관된 RFID 센서들로부터 RFID 데이터를 수집 및/또는 저장할 것이다. 추가적으로 또는 대안적으로, 센서-어레이 디지털 트윈과의 로봇 상호작용은 대응하는 센서 어레이 내의 또는 그와 연관된 RFID 센서들로부터 RFID 데이터를 수집 및/또는 저장할 것이다. 유사하게, 센서 디지털 트윈과의 로봇 상호작용은 대응하는 센서로부터 RFID 데이터를 수집 및/또는 저장할 것이다. RFID 데이터는 근접 RFID 태그들, RFID 태그 위치, 인가된 RFID 태그들, 비인가된 RFID 태그들, 인식되지 않은 RFID 태그들, RFID 유형(예를 들어, 능동 또는 수동), 에러 코드들, 이들의 조합들 등과 같은 RFID 센서들에 의해 달성가능한 적절한 데이터를 포함할 수 있다.In some embodiments,
실시예들에서, 디지털 트윈 모듈(13420)은 대응하는 디지털 트윈 내의 하나 이상의 디바이스들로부터의 출력들을 추가로 임베딩할 수 있다. 실시예들에서, 디지털 트윈 모듈(13420)은 개별-연관된 디바이스들의 세트로부터의 출력을 배송 디지털 트윈에 임베딩한다. 예를 들어, 디지털 트윈 I/O 시스템(13308)은 개인과 연관된 하나 이상의 웨어러블 디바이스 또는 모바일 디바이스(도시되지 않음)로부터 출력된 정보를 수신할 수 있다. 웨어러블 디바이스들은 이미지 캡처 디바이스들(예를 들어, 신체 카메라들 또는 증강 현실 헤드웨어), 내비게이션 디바이스들(예를 들어, GPS 디바이스들, 관성 안내 시스템들), 모션 추적기들, 음향 캡처 디바이스들(예를 들어, 마이크로폰들), 방사선 검출기들, 이들의 조합들 등을 포함할 수 있다.In embodiments,
실시예에서, 출력 정보를 수신하면, 디지털 트윈 I/O 시스템(13308)은 정보를 디지털 트윈 구성 모듈(13318)로 라우팅하여 배송 디지털 트윈 및/또는 관련 디지털 트윈을 확인 및/또는 업데이트한다. 또한, 디지털 트윈 모듈(13420)은 임베딩된 출력을 사용하여 배송 엔티티 또는 환경의 특성을 결정할 수 있다.In embodiments, upon receiving output information, digital twin I/
실시예에서, 디지털 트윈 모듈(13420)은 LIDAR 포인트 클라우드 시스템으로부터의 출력을 배송 디지털 트윈에 내장한다. 예를 들어, 디지털 트윈 I/O 시스템(13308)은 하나 이상의 LIDAR 디바이스로부터 출력된 정보를 수신할 수 있다. LIDAR 디바이스들은 연관된 위치 데이터(예를 들어, 절대 또는 상대 x, y, 및 z 값들에서의 좌표들)를 갖는 복수의 포인트들을 제공하도록 구성된다. 복수의 포인트들 각각은 세기, 반환 수, 총 반환들, 레이저 컬러 데이터, 반환 컬러 데이터, 스캔 각도, 스캔 방향 등과 같은 추가의 LIDAR 속성들을 포함할 수 있다. LIDAR 디바이스들은 예를 들어, 디지털 트윈 I/O 시스템(13308)을 통해 디지털 트윈 모듈(13420)에 복수의 포인트들을 포함하는 포인트 클라우드를 제공할 수 있다. 추가적으로 또는 대안적으로, 디지털 트윈 모듈(13420)은 포인트들의 스트림을 수신하고 그 스트림을 포인트 클라우드로 어셈블링할 수 있거나, 또는 포인트 클라우드를 수신하고 수신된 포인트 클라우드를 기존 포인트 클라우드 데이터, 맵 데이터 또는 3차원(3D) 모델 데이터와 어셈블링할 수 있다.In an embodiment,
실시예에서, 출력 정보를 수신하면, 디지털 트윈 I/O 시스템(13308)은 포인트 클라우드 정보를 디지털 트윈 구성 모듈(13318)로 라우팅하여 배송 디지털 트윈 및/또는 관련 디지털 트윈을 확인 및/또는 업데이트한다. 일부 실시예들에서, 디지털 트윈 모듈(13420)은 수신된 LIDAR 데이터 내의 폐형상(closed-shape) 객체들을 결정하도록 추가로 구성된다. 예를 들어, 디지털 트윈 모듈(13420)은 포인트 클라우드 내의 복수의 포인트들을 객체로서 그룹화하고, 필요한 경우, 객체들의 차단된 면들(예를 들어, 바닥에 접촉하거나 인접한 객체의 면 또는 다른 장비와 같은 다른 객체에 접촉하거나 인접한 객체의 면)을 추정할 수 있다. 시스템은 디지털 트윈들에 대한 검색 공간을 좁히기 위해 이러한 폐쇄된 형상의 객체들을 사용할 수 있고, 이에 의해 매칭 알고리즘들(예를 들어, 형상 매칭 알고리즘)의 효율을 증가시킬 수 있다.In embodiments, upon receiving output information, digital twin I/
실시예들에서, 디지털 트윈 모듈(13420)은 환경 디지털 트윈에 동시 위치 및 매핑("SLAM") 시스템으로부터의 출력을 임베딩한다. 예를 들어, 디지털 트윈 I/O 시스템(13308)은 SLAM 센서와 같은 SLAM 시스템으로부터 출력된 정보를 수신하고, SLAM 시스템에 의해 결정된 위치에 대응하는 환경 디지털 트윈 내에 수신된 정보를 임베딩할 수 있다. 실시예들에서, SLAM 시스템으로부터 출력 정보를 수신하면, 디지털 트윈 I/O 시스템(13308)은 정보를 디지털 트윈 구성 모듈(13318)로 라우팅하여 배송 디지털 트윈 및/또는 연관된 디지털 트윈들을 확인 및/또는 업데이트한다. 이러한 업데이트는 디지털 트윈 모듈(13420)과의 사용자 상호 작용을 필요로 하지 않고 자동으로 연결되지 않은 요소들의 디지털 트윈들을 제공한다.In embodiments,
실시예들에서, 디지털 트윈 모듈(13420)은 차선의 맵-구축 알고리즘들을 사용함으로써 SLAM 센서에 대한 계산 요건들을 감소시키기 위해 알려진 디지털 트윈들을 활용할 수 있다. 예를 들어, 차선의 맵-구축 알고리즘들은 간단한 경계-영역 표현들 및 가능한 디지털 트윈들을 식별하는 것을 사용하여 더 높은 불확실성 허용오차를 허용할 수 있다. 추가적으로 또는 대안적으로, 디지털 트윈 모듈(13420)은 디지털 트윈들의 수를 제한하기 위해 경계 영역 표현을 사용하고, 특징들을 구별하기 위해 잠재적인 트윈들의 그룹을 분석하고, 그런 다음 개별 디지털 트윈들의 카테고리들, 그룹들의 카테고리들, 또는 개별 디지털 트윈들을 식별 및/또는 제거하기 위해 구별 특징들에 대해 더 높은 정밀 분석을 수행하고, 매칭 디지털 트윈이 발견되지 않는 경우, 스캐닝될 나머지 영역들의 정밀 스캔을 수행할 수 있다.In embodiments,
실시예들에서, 디지털 트윈 모듈(13420)은 환경 내의 다른 센서들로부터 캡처된 데이터(예를 들어, 캡처된 이미지들 또는 비디오, 라디오 이미지들 등)를 활용하여 초기 맵-구축 프로세스(예를 들어, 단순 경계-영역 맵 또는 다른 적절한 사진 측량 방법)를 수행하고, 알려진 환경 객체들의 디지털 트윈들을 단순 경계-영역 맵의 특징들과 연관시켜 단순 경계-영역 맵을 개량하고, 나머지 단순 경계 영역들의 더 정밀한 스캔들을 수행하여 맵을 추가로 개량함으로써 위치 맵을 구축하는데 필요한 컴퓨팅을 추가로 감소시킬 수 있다. 일부 실시예들에서, 디지털 트윈 모듈(13420)은 수신된 매핑 정보 내의 객체들을 검출하고, 각각의 검출된 객체에 대해, 검출된 객체가 실세계 요소의 기존의 디지털 트윈에 대응하는지 여부를 결정할 수 있다. 검출된 객체가 기존의 실세계 요소 디지털 트윈에 대응하지 않는다고 결정한 것에 응답하여, 디지털 트윈 모듈(13420)은 예를 들어, 디지털 트윈 구성 모듈(13318)을 사용하여 검출된 객체에 대응하는 새로운 디지털 트윈(예를 들어, 검출된 객체 디지털 트윈)을 생성하고 검출된 객체 디지털 트윈을 디지털 트윈 데이터 저장소 내의 실세계 요소 디지털 트윈들에 추가할 수 있다. 추가적으로 또는 대안적으로, 검출된 객체가 기존의 실세계 요소 디지털 트윈에 대응한다고 결정한 것에 응답하여, 디지털 트윈 모듈(13420)은, 존재하는 경우, 동시 위치 및 매핑 센서에 의해 검출된 새로운 정보를 포함하도록 실세계 요소 디지털 트윈을 업데이트할 수 있다.In embodiments,
실시예에서, 디지털 트윈 모듈(13420)은 자율적으로 또는 원격으로 이동가능한 요소의 위치 및 배송 디지털 트윈 내의 그 속성을 표시한다. 이러한 이동가능한 요소는 예를 들어, 화물, 차량, 자율 주행 차량, 로봇 등을 포함할 수 있다. 이동가능한 요소들의 위치들은 트리거링 조건에 응답하여 업데이트될 수 있다. 이러한 트리거링 조건들은, 예를 들어, 정적 또는 동적 미리 결정된 간격의 만료, 디지털 트윈 모듈(13420) 또는 그의 컴포넌트들로부터 자동으로 생성된 요청 또는 명령 수신, (예를 들어, 작업자 또는 기계가 빔을 파괴하거나 근접 센서로부터 미리 결정된 거리 내에 오는 것에 응답하여) 각각의 센서 또는 센서들과 요소의 상호작용, 디지털 트윈과 사용자의 상호작용(예를 들어, 배송 디지털 트윈, 센서 어레이 디지털 트윈, 또는 센서 디지털 트윈의 선택), 이들의 조합들 등을 포함할 수 있다.In an embodiment,
실시예들에서, 시간 간격들은 각각의 이동가능한 요소가 시간 기간 내에 이동했을 확률에 기초할 수 있다. 예를 들어, 로봇 위치를 업데이트하기 위한 시간 간격은 빈번하게 이동할 것으로 예상되는 로봇들(예를 들어, 컨테이너 터미널 내에서 그리고 컨테이너 터미널을 통해 화물을 리프팅하고 운반하는 작업을 수행하는 로봇)에 대해 상대적으로 짧고, 드물게 이동할 것으로 예상되는 로봇들(예를 들어, 프로세스를 모니터링하는 작업을 수행하는 로봇)에 대해 상대적으로 길 수 있다. 추가적으로 또는 대안적으로, 시간 간격은, 이동가능한 요소들이 검출되지 않을 때 시간 간격을 증가시키는 것, 환경 내의 이동가능한 요소들의 수가 증가할 때 또는 증가할 때 시간 간격을 감소시키는 것(예를 들어, 로봇들 및 로봇 상호작용들의 수를 증가시키는 것), 감소된 활동의 기간들 동안 시간 간격을 증가시키는 것, 비정상적인 활동(예를 들어, 검사들 또는 유지보수)의 기간들 동안 시간 간격을 감소시키는 것, 예상치 못한 또는 비특징적인 움직임이 검출될 때 시간 간격을 감소시키는 것(예를 들어, 전형적으로 정적인 요소 또는 조정된 움직임에 의한 빈번한 움직임, 예를 들어, 큰 객체를 운반하기 위해 공동으로 움직이는 로봇들의), 이들의 조합들 등과 같은 적용 가능한 조건들에 기초하여 동적으로 조정될 수 있다. 또한, 시간 간격은 또한 추가적인, 반-랜덤 취득물들을 포함할 수 있다. 예를 들어, 때때로 중간 간격 위치들은 특정 시간 간격의 효용을 강화하거나 평가하기 위해 디지털 트윈 모듈(13420)에 의해 획득될 수 있다.In embodiments, time intervals may be based on the probability that each movable element has moved within a time period. For example, the time interval for updating robot position is relative to robots that are expected to move frequently (e.g., robots that perform tasks such as lifting and transporting cargo within and through container terminals). It can be relatively short for robots that are expected to move infrequently (for example, robots that perform the task of monitoring a process). Additionally or alternatively, the time interval may include increasing the time interval when movable elements are not detected, decreasing the time interval when or when the number of movable elements in the environment increases (e.g., increasing the number of robots and robot interactions), increasing the time interval during periods of reduced activity, decreasing the time interval during periods of unusual activity (e.g. inspections or maintenance). , reducing the time interval when unexpected or uncharacteristic movements are detected (e.g., frequent movements by typically static elements or coordinated movements, e.g., jointly to transport large objects). of moving robots), combinations thereof, etc. Additionally, the time interval may also include additional, semi-random acquisitions. For example, sometimes mid-interval positions may be acquired by
실시예에서, 디지털 트윈 모듈(13420)은 디지털 트윈 I/O 시스템(13308)으로부터 수신된 데이터를 분석하여 조건을 개량, 제거 또는 추가할 수 있다. 예를 들어, 디지털 트윈 모듈(13420)은 필요한 것보다 더 빈번하게 업데이트되는 이동가능한 요소들(예를 들어, 다수의 연속적인 수신된 위치들이 동일하거나 미리 결정된 에러 마진 내에 있음)에 대한 데이터 수집 시간들을 최적화할 수 있다.In embodiments,
실시예들에서, 디지털 트윈 모듈(13420)은 배송 엔티티들 또는 환경들과 관련된 상태들의 세트를 수신, 식별, 및/또는 저장할 수 있다. 상태들의 세트는, 예를 들어, 복수의 속성들 및 각각의 개별 상태를 고유하게 식별하기 위한 식별 기준들의 세트를 포함하는 데이터 구조들일 수 있다. 실시예들에서, 상태들의 세트는 디지털 트윈 모듈(13420)이 실세계 요소들 및/또는 환경의 조건들을 설정 또는 변경하는 것(예를 들어, 모니터링 간격들을 증가/감소시키고, 동작 조건들을 변경하는 등)이 바람직한 상태들에 대응할 수 있다.In embodiments,
실시예들에서, 상태들의 세트는, 예를 들어, 각각의 상태에 대한 최소 모니터링된 속성들, 각각의 상태에 대한 식별 기준들의 세트, 및/또는 각각의 상태에 응답하여 취해지거나 취해질 것이 추천되는 이용가능한 액션들을 추가로 포함할 수 있다. 이러한 정보는 예를 들어, 디지털 트윈 데이터 저장소(13316) 또는 다른 데이터 저장소에 의해 저장될 수 있다. 상태들의 세트 또는 그 부분들은 디지털 트윈 모듈(13420)에 제공되거나, 디지털 트윈 모듈에 의해 결정되거나, 변경될 수 있다. 또한, 상태들의 세트는 별개의 소스들로부터의 데이터를 포함할 수 있다. 예를 들어, 제1 상태의 발생을 식별 및/또는 응답하기 위한 세부 사항들은 사용자 입력을 통해 디지털 트윈 모듈(13420)에 제공될 수 있고, 제2 상태의 발생을 식별 및/또는 응답하기 위한 세부 사항들은 외부 시스템을 통해 디지털 트윈 모듈(13420)에 제공될 수 있고, 제3 상태의 발생을 식별 및/또는 응답하기 위한 세부 사항들은 (예를 들어, 프로세스 데이터의 시뮬레이션 또는 분석을 통해) 디지털 트윈 모듈(13420)에 의해 결정될 수 있고, 제4 상태의 발생을 식별 및/또는 응답하기 위한 세부 사항들은 디지털 트윈 모듈(13420)에 의해 저장되고 원하는 대로 (예를 들어, 상태의 시뮬레이션된 발생에 응답하여 또는 상태의 발생 및 상태에 대한 응답 동안 수집된 데이터의 분석에 응답하여) 변경될 수 있다.In embodiments, the set of states may include, for example, the minimum monitored attributes for each state, a set of identification criteria for each state, and/or a set of conditions taken or recommended to be taken in response to each state. Additional available actions can be included. This information may be stored, for example, by digital
실시예에서, 복수의 속성은 적어도 각각의 상태를 식별하는 데 필요한 속성을 포함한다. 복수의 속성들은 각각의 상태를 결정할 때 모니터링되거나 모니터링될 수 있지만, 각각의 상태를 식별할 필요는 없는 추가 속성들을 더 포함할 수 있다. 예를 들어, 제1 상태에 대한 복수의 속성은 회전 속도, 배터리 레벨, 에너지 입력, 선형 속도, 가속도, 온도, 스트레인(strain), 토크, 부피, 중량 등과 같은 관련 정보를 포함할 수 있다.In an embodiment, the plurality of attributes includes at least attributes necessary to identify each state. The plurality of attributes may be monitored or monitored when determining each state, but may further include additional attributes that do not necessarily identify each state. For example, the plurality of attributes for the first state may include related information such as rotational speed, battery level, energy input, linear speed, acceleration, temperature, strain, torque, volume, weight, etc.
식별 기준들의 세트는 각각의 상태를 고유하게 식별하기 위해 속성들의 세트 각각에 대한 정보를 포함할 수 있다. 식별 기준들은, 예를 들어, 규칙들, 임계값들, 한계치들, 범위들, 논리 값들, 조건들, 비교들, 이들의 조합들 등을 포함할 수 있다.The set of identification criteria may include information about each set of attributes to uniquely identify each state. Identification criteria may include, for example, rules, thresholds, limits, ranges, logical values, conditions, comparisons, combinations thereof, etc.
동작 조건들 또는 모니터링에서의 변화는 임의의 적합한 변화일 수 있다. 예를 들어, 각각의 상태의 발생을 식별한 후, 디지털 트윈 모듈(13420)은 스마트 컨테이너의 동작을 변경하지 않고 스마트 컨테이너에 대한 모니터링 간격을 증가 또는 감소시킬 수 있다(예를 들어, 공칭 동작과 상이한 측정된 파라미터에 응답하여 모니터링 간격을 감소시킬 수 있다). 추가적으로 또는 대안적으로, 디지털 트윈 모듈(13420)은 스마트 컨테이너의 모니터링을 변경하지 않고 스마트 컨테이너의 동작을 변경(예를 들어, 속도 또는 전력 입력 감소)할 수 있다. 추가 실시예에서, 디지털 트윈 모듈(13420)은 스마트 컨테이너의 동작을 변경하고(예를 들어, 속도 또는 전력 입력을 감소시키고) 디바이스에 대한 모니터링 간격을 변경할 수 있다(예를 들어, 모니터링 간격을 감소시킴).Changes in operating conditions or monitoring may be any suitable change. For example, after identifying the occurrence of each condition,
실시예들에서, 본 개시의 일부 실시예들에 따라, 디지털 트윈 모듈(13420)이 지능 시스템들(예를 들어, 지능 서비스(13004)) 또는 디지털 트윈 모듈(13420)의 사용자들에 의한 액세스를 위해 식별 및/또는 저장할 수 있는 배송 엔티티들 및 환경들과 관련된 상태들의 식별된 세트의 세트. 상태들의 세트는 동작 상태들(예를 들어, 하나 이상의 컴포넌트들의 차선의, 보통의, 최적의, 임계, 또는 알람 동작), 초과 또는 부족 상태들(예를 들어, 공급측 또는 출력측 수량들), 이들의 조합들 등을 포함할 수 있다.In embodiments, in accordance with some embodiments of the present disclosure,
실시예들에서, 디지털 트윈 모듈(13420)은 개별 상태를 결정하기 위해 실세계 요소들 및/또는 디지털 트윈들의 속성들을 모니터링할 수 있다. 속성들은, 예를 들어, 동작 조건들, 설정 포인트들, 임계 포인트들, 상태 표시자들, 다른 감지된 정보, 이들의 조합들 등일 수 있다. 예를 들어, 속성들은 전력 입력, 동작 속도, 임계 속도, 및 모니터링된 요소들의 동작 온도를 포함할 수 있다. 예시된 예가 균일한 모니터링된 속성들을 예시하지만, 모니터링된 속성들은 타겟 디바이스에 의해 상이할 수 있다(예를 들어, 디지털 트윈 모듈(13420)은 회전가능한 컴포넌트들을 갖지 않는 객체에 대한 회전 속도를 모니터링하지 않을 것이다).In embodiments,
상태들의 세트 각각은 상태들의 모니터링된 세트의 그룹 중에서 고유한 특정 기준들을 충족시키는 식별 기준들의 세트를 포함한다. 디지털 트윈 모듈(13420)은, 예를 들어, 모니터링된 속성들이 식별 기준들의 제1 세트를 충족하는 것(예를 들어, 동작 속도가 임계 속도보다 높음)에 응답하여, 과속 상태를 식별할 수 있다.Each set of states includes a set of identification criteria that meet certain criteria that are unique among the group of monitored sets of states. Digital
상태들의 하나 이상의 세트가 존재하거나 발생했다고 결정한 것에 응답하여, 디지털 트윈 모듈(13420)은 하나 이상의 모니터링 프로토콜들에 대한 트리거링 조건들을 업데이트하거나, 경보 또는 통지를 발행하거나, 디지털 트윈 모듈(13420)의 서브컴포넌트들의 액션들을 트리거할 수 있다. 예를 들어, 디지털 트윈 모듈(13420)의 서브컴포넌트들은 검출된 상태들의 세트의 영향들을 완화 및/또는 평가하기 위한 조치들을 취할 수 있다. 실세계 요소들에 대한 상태들의 검출된 세트의 영향들을 완화시키기 위한 동작들을 취하려고 시도할 때, 디지털 트윈 모듈(13420)은 명령들이 존재하는지(예를 들어, 디지털 트윈 데이터 저장소(13316)에 저장됨) 또는 개발되어야 하는지(예를 들어, 시뮬레이션 및 지능 서비스들을 통해 또는 사용자 또는 작업자 입력을 통해 개발됨) 여부를 결정할 수 있다. 또한, 디지털 트윈 모듈(13420)은, 예를 들어, 완화 액션들과 동시에, 또는 디지털 트윈 모듈(13420)이 검출된 상태들의 세트에 대한 저장된 완화 명령들을 갖지 않는다고 결정한 것에 응답하여, 검출된 상태들의 세트의 영향들을 평가할 수 있다.In response to determining that one or more sets of conditions exist or have occurred,
실시예에서, 디지털 트윈 모듈(13420)은 디지털 트윈 시뮬레이션 시스템(13310)을 사용하여, 인식된 상태들의 즉각적인, 업스트림, 다운스트림, 및/또는 계속적인 효과와 같은 하나 이상의 영향을 시뮬레이션한다. 디지털 트윈 시뮬레이션 시스템(13310)은 평가된 상태들의 세트와 관련된 값들을 수집 및/또는 제공받을 수 있다. 하나 이상의 상태 세트의 영향을 시뮬레이션함에 있어서, 디지털 트윈 시뮬레이션 시스템(13310)은 수렴이 달성될 때까지 영향을 받는 디지털 트윈들의 성능 특성들을 재귀적으로 평가할 수 있다. 디지털 트윈 시뮬레이션 시스템(13310)은, 예를 들어, 지능 서비스(13004)와 협력 작동하여 하나 이상의 상태 세트의 발생을 경감, 완화, 억제 및/또는 방지하기 위한 응답 액션을 결정할 수 있다. 예를 들어, 디지털 트윈 시뮬레이션 시스템(13310)은 원하는 피팅(fit)을 달성할 때까지(예를 들어, 수렴이 달성될 때까지) 하나 이상의 상태 세트의 영향을 재귀적으로 시뮬레이션하고, 잠재적인 액션들의 평가 및 결정을 위해 시뮬레이션된 값들을 지능 서비스(13004)에 제공하고, 잠재적인 액션들을 수신하고, 및/또는 각각의 원하는 피팅에 대한 잠재적인 액션들 각각의 영향을 평가할 수 있다(예를 들어, 생산 장애를 최소화하고, 중요한 컴포넌트들을 보존하고, 유지보수 및/또는 다운타임을 최소화하고, 시스템, 작업자, 사용자, 또는 개인 안전을 최적화하기 위한 비용 함수들 등).In an embodiment,
실시예들에서, 디지털 트윈 시뮬레이션 시스템(13310) 및 지능 서비스(13004)는 원하는 조건들이 충족될 때까지(예를 들어, 각각의 평가된 액션에 대한 각각의 평가된 비용 함수에 대한 수렴) 각각의 원하는 결과에 대한 시뮬레이션된 값들 및 응답 액션들을 반복적으로 공유 및 업데이트할 수 있다. 디지털 트윈 모듈(13420)은 하나 이상의 상태 세트가 발생했다는 결정에 응답하여 사용하기 위해 디지털 트윈 데이터 저장소(13316)에 결과를 저장할 수 있다. 추가적으로, 디지털 트윈 시뮬레이션 시스템(13310) 및/또는 지능 서비스(13004)에 의한 시뮬레이션 및 평가는 이벤트의 발생 또는 검출에 응답하여 발생할 수 있다.In embodiments, digital
실시예들에서, 시뮬레이션들 및 평가들은 연관된 액션들이 디지털 트윈 모듈(13420) 내에 존재하지 않을 때에만 트리거된다. 추가 실시예들에서, 시뮬레이션들 및 평가들은 저장된 액션들의 사용과 동시에 수행되어 액션들의 효용 또는 유효성을 실시간으로 평가하고/하거나 추가 액션들이 사용되어야 하는지 여부 또는 인식되지 않은 상태들이 발생했을 수 있는지 여부를 평가한다. 실시예들에서, 지능 서비스(13004)에는 또한, 나중의 평가들을 최적화하기 위해 바람직하지 않은 양태들 또는 그러한 액션들의 결과들에 대한 데이터를 갖거나 갖지 않는 바람직하지 않은 액션들의 인스턴스들의 통지들이 제공될 수 있다.In embodiments, simulations and evaluations are triggered only when associated actions do not exist within
실시예에서, 디지털 트윈 모듈(13420)은 스마트 컨테이너 플릿의 디지털 트윈 내의 스마트 컨테이너의 다운타임의 영향을 평가 및/또는 표시한다. 예를 들어, 디지털 트윈 모듈(13420)은 디지털 트윈 시뮬레이션 시스템(13310)을 이용하여 스마트 컨테이너 다운타임 상태의 즉각적인, 업스트림의, 다운스트림의, 및/또는 계속적인 영향을 시뮬레이션할 수 있다. 디지털 트윈 시뮬레이션 시스템(13310)은 영향받은 디지털 트윈들 내의 요소들(예를 들어, 실세계 요소들 및/또는 네스팅된(nested) 디지털 트윈들)에 대한 최적, 차선, 및 최소 성능 요건들, 및/또는 영향받은 디지털 트윈들에 이용가능한 이들의 특성들, 네스팅된 디지털 트윈들에 대한 영향, 영향받은 디지털 트윈들 내의 이중화(redundant) 시스템들, 이들의 조합들 등과 같은 성능 관련 값들을 수집하거나 제공받을 수 있다.In an embodiment,
실시예들에서, 디지털 트윈 모듈(13420)은: 실세계 요소 디지털 트윈들을 사용하여 주어진 특성들이 제공되는 배송 엔티티 또는 환경에 응답하여 실세계 요소들에 대한 하나 이상의 동작 파라미터들을 시뮬레이션하고; 동시 특성들이 제공되는 것에 응답하여 실세계 요소들 중 하나 이상에 의해 취해질 완화 액션을 계산하고; 동시 특성들을 검출한 것에 응답하여, 완화 액션을 작동시키도록 구성된다. 계산은 각각의 설계 파라미터들 외부에 있는 동시 특성들 또는 동작 파라미터들을 검출한 것에 응답하여 수행될 수 있거나, 또는 이러한 특성들의 검출 전에 시뮬레이션을 통해 결정될 수 있다.In embodiments,
추가적으로 또는 대안적으로, 디지털 트윈 모듈(13420)은 상태를 검출한 것에 응답하여 하나 이상의 사용자 또는 시스템 요소에 경고를 제공할 수 있다.Additionally or alternatively,
실시예에서, 디지털 트윈 I/O 시스템(13308)은 경로지정 모듈(pathing module)을 포함한다. 경로지정 모듈은 요소들로부터 내비게이션 데이터를 수집하고, 내비게이션 데이터를 디지털 트윈 모듈(13420)의 컴포넌트들(예를 들어, 디지털 트윈 시뮬레이션 시스템(13310), 디지털 트윈 동적 모델 시스템(13312), 및/또는 지능 서비스(13004))에 제공 및/또는 요청하고, 내비게이션 데이터를 요소들(예를 들어, 웨어러블 디바이스들)에 출력할 수 있다. 내비게이션 데이터는, 예를 들어, 이력 데이터, 요소들에 제공된 안내 데이터, 이들의 조합 등을 사용하여 수집 또는 추정될 수 있다.In an embodiment, digital twin I/
예를 들어, 내비게이션 데이터는 디지털 트윈 모듈(13420)에 의해 저장된 이력 데이터를 사용하여 수집되거나 추정될 수 있다. 이력 데이터는 취득 시간, 관련 요소, 폴링 간격, 수행된 태스크, 적재된 또는 적재되지 않은 조건, 이전 안내 데이터가 제공 및/또는 팔로우되었는지 여부, 배송 엔티티 또는 환경의 조건, 배송 엔티티 또는 환경 내의 다른 요소, 이들의 조합 등과 같은 정보를 제공하기 위해 포함되거나 처리될 수 있다. 추정된 데이터는 하나 이상의 적절한 경로지정 알고리즘을 사용하여 결정될 수 있다. 예를 들어, 추정 데이터는 적절한 순서 선택 알고리즘(order-picking algorithm), 적절한 경로 검색 알고리즘, 이들의 조합 등을 사용하여 계산될 수 있다. 순서 선택 알고리즘은, 예를 들어, 최대 갭 알고리즘, s-형상 알고리즘, 통로-바이-통로(aisle-by-aisle) 알고리즘, 조합된 알고리즘, 이들의 조합들 등일 수 있다. 경로 검색 알고리즘은, 예를 들어, Dijkstra 알고리즘, A* 알고리즘, 계층적 경로 탐색 알고리즘, 증분 경로 탐색 알고리즘, 임의의 각도 경로 탐색 알고리즘, 흐름 필드(flow field) 알고리즘, 이들의 조합 등일 수 있다.For example, navigation data may be collected or estimated using historical data stored by
실시예들에서, 디지털 트윈 모듈(13420)은 디지털 트윈에서의 표현을 위해 스마트 컨테이너들의 세트에 대한 내비게이션 데이터를 수집한다. 추가적으로 또는 대안적으로, 디지털 트윈 모듈(13420)은 배송 환경의 모바일 장비 자산들의 세트에 대한 내비게이션 데이터를 디지털 트윈에 수집한다.In embodiments,
실시예에서, 디지털 트윈 모듈(13420)은 배송 디지털 트윈에서 모바일 요소(예를 들어, 스마트 컨테이너, 컨테이너 선박, 로봇, 트럭, 기차, 화물 등)의 트래픽을 모델링하기 위한 시스템을 수집한다. 예를 들어, 디지털 트윈 모듈(13420)은 스마트 컨테이너들, 모바일 장비 자산들, 이들의 화물 조합들 등의 세트에 대한 트래픽 패턴들을 모델링할 수 있다. 트래픽 패턴들은 이력 데이터 및 동시적으로 수집된 데이터로부터 트래픽 패턴들을 모델링한 것에 기초하여 추정될 수 있다. 또한, 트래픽 패턴은 조건에 따라 지속적으로 또는 간헐적으로 업데이트될 수 있다.In an embodiment,
디지털 트윈 모듈(13420)은 하나 이상의 미리 결정된 기준을 달성하기 위해 (예를 들어, 모바일 요소들 중 하나 이상에 업데이트된 내비게이션 데이터를 제공함으로써) 트래픽 패턴들을 변경할 수 있다. 미리 결정된 기준들은, 예를 들어, 프로세스 효율을 증가시키는 것, 스마트 컨테이너들과 모바일 장비 자산들 사이의 상호작용들을 감소시키는 것, 스마트 컨테이너 경로 길이를 최소화하는 것, 사람들의 경로들 또는 잠재적 경로들 주위에 스마트 컨테이너들의 경로를 지정하는 것(routing), 이들의 조합들 등을 포함할 수 있다.Digital
실시예에서, 디지털 트윈 모듈(13420)은 배송 디지털 트윈 내의 모바일 요소에 트래픽 데이터 및/또는 내비게이션 정보를 제공할 수 있다. 내비게이션 정보는 명령들 또는 규칙 세트들, 디스플레이된 경로 데이터, 또는 디바이스들의 선택적 작동으로서 제공될 수 있다. 예를 들어, 디지털 트윈 모듈(13420)은 스마트 컨테이너를 출발지 위치로부터 루트를 따라 하나 이상의 지정된 위치로 및/또는 원하는 경로를 따라 안내하기 위해 스마트 컨테이너에 명령 세트를 제공할 수 있다. 스마트 컨테이너는 장애물들, 재경로지정(reroute)들, 경로를 따라서의 다른 자산들과의 예상치 못한 상호작용들을 포함하는 업데이트들을 시스템에 통신할 수 있다.In embodiments,
일부 실시예들에서, 개미-기반(ant-based) 시스템은 스마트 컨테이너들을 포함하는 배송 엔티티들이 다른 배송 컨테이너들 및/또는 자신을 포함하는 배송 엔티티들이 나중의 여정을 따라가기 위한 하나 이상의 메시지를 갖는 트레일(trail)을 남길 수 있게 한다. 실시예들에서, 메시지들은 측정 수집에 관련된 정보를 포함한다.In some embodiments, an ant-based system allows shipping entities, including smart containers, to send other shipping containers and/or shipping entities, including themselves, with one or more messages to follow on later journeys. Allows you to leave a trail. In embodiments, the messages include information related to measurement collection.
실시예들에서, 디지털 트윈 모듈(13420)은 디지털 트윈을 이용한 실세계 요소를 표현하기 위한 설계 사양 정보(design specification information)를 포함한다. 디지털 트윈은 기존의 실세계 요소 또는 잠재적인 실세계 요소에 대응할 수 있다. 설계 사양 정보는 하나 이상의 소스로부터 수신될 수 있다. 예를 들어, 설계 사양 정보는 사용자 입력에 의해 설정되고, 디지털 트윈 모듈(13420)(예를 들어, 디지털 트윈 시뮬레이션 시스템(13310)을 통해)에 의해 결정되며, 사용자 또는 디지털 트윈 시뮬레이션 시스템(13310)에 의해 최적화된 설계 파라미터, 이들의 조합 등을 포함할 수 있다. 디지털 트윈 시뮬레이션 시스템(13310)은 예를 들어, 모니터 또는 가상 현실 헤드셋을 통해 사용자에게 컴포넌트에 대한 설계 사양 정보를 나타낼 수 있다. 설계 사양 정보는 (예를 들어, 프로세스 다이어그램 또는 정보의 테이블의 일부로서) 개략적으로 또는 증강 현실 또는 가상 현실 디스플레이의 일부로서 디스플레이될 수 있다. 설계 사양 정보는, 예를 들어, 디지털 트윈 모듈(13420)과의 사용자 상호 작용에 응답하여 (예를 들어, 일반적으로 디스플레이 내에 설계 사양 정보를 포함하기 위한 요소의 사용자 선택 또는 사용자 선택을 통해) 디스플레이될 수 있다. 추가적으로 또는 대안적으로, 설계 사양 정보는 예를 들어, 요소가 증강 현실 또는 가상 현실 디바이스의 뷰 내에 들어 올 때 자동으로 디스플레이될 수 있다. 실시예에서, 디스플레이된 설계 사양 정보는 정보 소스의 표시 (예를 들어, 상이한 디스플레이된 컬러는 사용자 입력 대 디지털 트윈 모듈 (13420) 결정을 나타냄), (예를 들어, 설계 사양 정보와 동작 정보 사이의) 불일치(mismatch)의 표시, 이들의 조합 등을 더 포함할 수 있다. 일부 실시예들에서, 디지털 트윈 모듈(13420)은 실세계 요소들의 설계 파라미터들 또는 예상된 파라미터들 사이의 불일치들을 착용자에게 디스플레이하는 증강 현실 뷰를 제공할 수 있다. 디스플레이된 정보는 착용자의 시야 내에 있지 않은 실세계 요소들(예를 들어, 다른 방 내의 또는 기계에 의해 가려진 요소들)에 대응할 수 있다. 이를 통해 작업자는 불일치에 대한 하나 이상의 소스를 결정하기 위해 빠르고 정확하게 불일치를 해결할 수 있다. 그런 다음, 불일치의 원인은, 예를 들어, 디지털 트윈 모듈(13420) 및 순서화된 정정 액션들에 의해 결정될 수 있다. 예시적인 실시예들에서, 착용자는 폐색 요소들(예를 들어, 하우징들 또는 실드들)을 제거하지 않고 기계들의 오작동하는 서브컴포넌트들을 볼 수 있다. 추가적으로 또는 대안적으로, 착용자는, 예를 들어, 제거 프로세스의 디스플레이(예를 들어, 제거될 체결구들의 위치), 수리를 위해 다른 영역들로 운반되어야 하는 어셈블리들 또는 서브어셈블리들(예를 들어, 먼지 민감 컴포넌트들), 윤활유를 필요로 하는 어셈블리들 또는 서브어셈블리들, 및 재조립을 위한 객체들의 위치들(예를 들어, 착용자가 제거된 객체들을 배치한 위치를 저장하고 재조립을 촉진하고 재조립된 요소에서 추가 분해 또는 누락된 부품들을 최소화하기 위해 착용자 또는 다른 착용자를 저장된 위치들로 향하게 함)을 포함하는, 디바이스를 수리하기 위한 명령들을 제공받을 수 있다. 이는 수리 작업을 촉진하고, 프로세스 영향을 최소화하며, 작업자가 (예를 들어, 작업자들 사이의 직접 통신 없이 분해를 조정함으로써) 장비를 분해 및 재조립할 수 있게 하고, (예를 들어, 다시 서비스에 배치하기 전에 모든 컴포넌트가 적절하게 교체되는 것을 보장함으로써) 장비 수명 및 신뢰성을 증가시킬 수 있고, 이들의 조합 등을 할 수 있다.In embodiments,
실시예들에서, 디지털 트윈 모듈(13420)은 디지털 트윈 동적 모델 시스템(13312)을 포함, 통합, 함께 통합, 관리, 취급, 링크, 입력, 출력 제공, 제어, 조정, 또는 다른 방식으로 상호작용할 수 있다. 디지털 트윈 동적 모델 시스템(13312)은 디지털 트윈이 실시간으로 또는 매우 거의 실시간으로 이들 배송 엔티티 및 환경, 및 이의 속성 또는 특질을 나타낼 수 있는 방식으로 물리적 운송 자산, 작업자, 프로세스, 운송 시설, 웨어하우스 등의 속성(또는 본 개시 또는 본 명세서에 참고로 포함된 문서에 설명된 다른 유형의 엔티티 또는 환경 중 임의의 것)을 포함하는 한 세트의 배송 엔티티 및/또는 환경의 디지털 트윈의 속성을 업데이트할 수 있다. 일부 실시예에서, 디지털 트윈 동적 모델 시스템(13312)은 센서 시스템으로부터 수신된 센서 데이터를 획득할 수 있고, 센서 데이터에 기초하여 그리고 하나 이상의 동적 모델에 기초하여 배송 환경 또는 배송 엔티티의 하나 이상의 속성을 결정할 수 있다.In embodiments,
실시예에서, 디지털 트윈 동적 모델 시스템(13312)은 진동 값, 고장 확률 값, 다운타임(downtime) 확률 값, 다운타임 비용 값, 가격 값, 에너지 값, 성능 값, 재무 값, 온도 값, 습도 값, 열 유량 값, 화물 적재 값, 유체 흐름 값, 방사 값, 물질 농도 값, 속도 값, 가속도 값, 위치 값, 압력 값, 응력 값, 스트레인 값, 광 세기 값, 사운드 레벨 값, 볼륨 값, 형상 특성, 재료 특성 및 치수를 포함하지만 이에 제한되지 않는 디지털 트윈 및/또는 하나 이상의 임베디드 디지털 트윈의 다양한 속성의 값을 업데이트/할당할 수 있다.In an embodiment, the digital twin
실시예에서, 디지털 트윈은 (예를 들어, 참조를 통해) 다른 임베디드 디지털 트윈으로 구성될 수 있다. 예를 들어, 컨테이너 터미널의 디지털 트윈은 컨테이너 선박의 임베디드 디지털 트윈 및 컨테이너 선박 내에 둘러싸인 하나 이상의 각각의 스마트 컨테이너의 하나 이상의 임베디드 디지털 트윈을 포함할 수 있다. 디지털 트윈은 예를 들어, 온보드 IT 시스템(예를 들어, 온보드 진단 시스템, 제어 시스템(예를 들어, SCADA 시스템) 등의 메모리)을 갖는 스마트 컨테이너의 메모리에 내장될 수 있다. 디지털 트윈이 내장될 수 있는 다른 비제한적인 예들은 다음을 포함한다: 작업자의 웨어러블 디바이스 상에; 스위치, 라우터, 액세스 포인트 등과 같은 로컬 네트워크 자산 상의 메모리 내에서; 환경 또는 엔티티에 대해 프로비저닝되는 클라우드 컴퓨팅 자원 내에; 및 엔티티에 전용되는 자산 태그 또는 다른 메모리 구조 상에.In embodiments, a digital twin may be comprised of other embedded digital twins (e.g., via references). For example, a digital twin of a container terminal may include an embedded digital twin of a container ship and one or more embedded digital twins of each of one or more smart containers enclosed within the container ship. The digital twin may be embedded, for example, in the memory of a smart container with onboard IT systems (e.g., memory of onboard diagnostic systems, control systems (e.g., SCADA systems), etc.). Other non-limiting examples of where a digital twin can be embedded include: on a worker's wearable device; Within memory on local network assets such as switches, routers, access points, etc.; Within cloud computing resources provisioned for an environment or entity; and on asset tags or other memory structures dedicated to the entity.
실시예에서, 디지털 트윈 동적 모델 시스템(13312)은 (스마트 컨테이너 시스템(13000)과 같은) 클라이언트 애플리케이션(13324)을 대신하여 디지털 트윈 및/또는 하나 이상의 임베디드 디지털 트윈의 속성을 업데이트할 수 있다. 실시예에서, 클라이언트 애플리케이션(13324)은 스마트 컨테이너 시스템(13000), 배송 컴포넌트 또는 환경에 관한 애플리케이션(예를 들어, 배송 시설 또는 내부의 컴포넌트를 모니터링하거나, 배송 환경을 시뮬레이션하는 등)일 수 있다. 실시예들에서, 클라이언트 애플리케이션(13324)은 고정 및 모바일 데이터 수집 시스템들 둘 모두와 관련하여 사용될 수 있다. 실시예들에서, 클라이언트 애플리케이션(13324)은 산업용 사물 인터넷 센서 시스템과 관련하여 사용될 수 있다.In embodiments, digital twin
실시예들에서, 디지털 트윈 동적 모델 시스템(13312)은 배송 엔티티 및/또는 환경의 거동을 모델링하기 위해 디지털 트윈 동적 모델들(13374)을 활용한다. 동적 모델들(13374)은, 과학 원리들에 기초하는 것과 같이, 배송 엔티티 및/또는 환경의 디지털 표현을 풍부하게 하기 위해 제한된 수의 측정들을 사용함으로써, 디지털 트윈들이 배송 엔티티들의 상호작용들을 포함하는 물리적 현실을 표현하는 것을 가능하게 할 수 있다. 실시예들에서, 동적 모델들(13374)은 공식적 또는 수학적 모델들이다. 실시예들에서, 동적 모델들(13374)은 과학 법칙들, 자연 법칙들, 및 공식들(예컨대, 뉴턴의 운동 법칙들, 열역학의 제2 법칙, 베르누이의 원리, 이상 기체 법칙, 달톤의 분압 법칙, 후크의 탄성 법칙, 푸리에의 열전도 법칙, 아르키메데스의 부력 원리 등)을 고수한다. 실시예들에서, 동적 모델들은 기계 학습 모델들이다.In embodiments, digital twin
실시예에서, 디지털 트윈 모듈(13420)은 디지털 트윈으로 표현될 수 있는 동적 모델(13374)을 저장하기 위한 디지털 트윈 동적 모델 데이터 저장소(13376)를 가질 수 있다. 실시예들에서, 디지털 트윈 동적 모델 데이터 저장소(13376)는 검색 가능 및/또는 탐색 가능할 수 있다. 실시예들에서, 디지털 트윈 동적 모델 데이터 저장소(13376)는 사용자가 주어진 동적 모델이 어떤 특성들을 취급할 수 있는지, 어떤 입력들이 요구되는지, 어떤 출력들이 제공되는지 등을 이해할 수 있게 하는 메타데이터를 포함할 수 있다. 일부 실시예들에서, 디지털 트윈 동적 모델 데이터 저장소(13376)는, 예컨대, 이용가능한 데이터 및/또는 입력들의 범위, 입력들의 세분성, 및/또는 상황 인자들에 기초하여 모델이 더 심화되거나 더 단순화될 수 있는 경우(예컨대, 어떤 것이 높은 관심을 갖게 되고 더 높은 충실도 모델이 일정 기간 동안 액세스되는 경우)에 계층적일 수 있다.In an embodiment,
실시예들에서, 배송 엔티티 또는 환경의 디지털 트윈 또는 디지털 표현은 표현된 물리적 배송 자산, 디바이스, 작업자, 프로세스, 시설, 및/또는 환경, 및/또는 이들의 가능한 거동들의 속성들의 세트를 총괄하여 정의하는 데이터 구조들의 세트를 포함할 수 있다. 실시예들에서, 디지털 트윈 동적 모델 시스템(13312)은 실시간 데이터 값들을 갖는 디지털 트윈을 총괄하여 정의하는 데이터 구조들의 세트를 통지하기 위해 동적 모델들(13374)을 활용할 수 있다. 디지털 트윈 동적 모델들(13374)은 입력들로서 하나 이상의 센서 측정치들, 산업용 사물 인터넷 디바이스 데이터, 및/또는 다른 적절한 데이터를 수신하고, 수신된 데이터 및 하나 이상의 동적 모델들(13374)에 기초하여 하나 이상의 출력들을 계산할 수 있다. 그런 다음, 디지털 트윈 동적 모델 시스템(13312)은 디지털 트윈 데이터 구조를 업데이트하기 위해 하나 이상의 출력을 사용한다.In embodiments, a digital twin or digital representation of a delivery entity or environment collectively defines a set of attributes of the represented physical delivery assets, devices, personnel, processes, facilities, and/or environment, and/or their possible behaviors. It may contain a set of data structures. In embodiments, digital twin
일 예에서, 동적 모델들(13374)을 사용하여 디지털 트윈 동적 모델 시스템(13312)에 의해 업데이트될 수 있는 배송 엔티티의 디지털 트윈의 속성들의 세트는 배송 엔티티의 진동 특성들, 배송 엔티티의 온도(들), 배송 엔티티의 상태(예를 들어, 고체, 액체, 또는 가스), 배송 엔티티의 위치, 배송 엔티티의 변위, 배송 엔티티의 속도, 배송 엔티티의 가속도, 배송 엔티티와 연관된 다운타임 값들의 확률, 배송 엔티티와 연관된 다운타임 값들의 비용, 배송 엔티티와 연관된 재무 정보, 배송 엔티티와 연관된 열 흐름 특성들, 배송 엔티티와 연관된 유체 흐름율들(예를 들어, 파이프를 통해 흐르는 유체의 유체 흐름율들), 배송 엔티티의 디지털 트윈 내에 임베딩된 다른 디지털 트윈들의 식별자들 및/또는 배송 엔티티의 디지털 트윈을 임베딩한 디지털 트윈들의 식별자들, 및/또는 다른 적합한 속성들을 포함할 수 있다. 자산의 디지털 트윈과 연관된 동적 모델들(13374)은 산업 환경에 배치된 센서들 및/또는 디바이스들로부터 수집된 입력 데이터 및/또는 다른 적절한 데이터에 기초하여 이러한 자산 디지털 트윈 속성들에 대한 값들을 계산, 보간, 외삽, 및/또는 출력하고, 후속하여 계산된 값들로 자산 디지털 트윈을 채우도록 구성될 수 있다.In one example, the set of properties of the digital twin of a shipping entity that can be updated by the digital twin
일부 실시예들에서, 동적 모델들(13374)을 사용하여 디지털 트윈 동적 모델 시스템(13312)에 의해 업데이트될 수 있는 배송 디바이스의 디지털 트윈의 속성들의 세트는 디바이스의 상태, 디바이스의 위치, 디바이스의 온도(들), 디바이스의 궤적, 디바이스의 디지털 트윈이 임베딩되고, 내장되고, 링크되고, 포함되고, 통합되고, 입력을 취하고, 출력을 제공하고/하거나 상호작용하는 다른 디지털 트윈들의 식별자들 등을 포함할 수 있다. 디바이스의 디지털 트윈과 연관된 동적 모델들(13374)은 입력 데이터에 기초하여 이러한 디바이스 디지털 트윈 속성들에 대한 값들을 계산 또는 출력하고, 후속하여 계산된 값들로 디바이스 디지털 트윈을 업데이트하도록 구성될 수 있다.In some embodiments, the set of properties of the digital twin of the delivery device that can be updated by the digital twin
동적 모델들(13374)을 사용하여 디지털 트윈 동적 모델 시스템(13312)에 의해 업데이트될 수 있는 배송 환경의 디지털 트윈의 예시적인 속성들은 배송 환경의 치수들, 배송 환경의 온도(들), 배송 환경의 습도 값(들), 배송 환경에서의 유체 흐름 특성들, 배송 환경의 열 흐름 특성들, 배송 환경의 조명 특성들, 배송 환경의 음향 특성들, 환경 내의 물리적 객체들, 배송 환경에서 발생하는 프로세스들, 배송 환경의 흐름들(수역(body of water)인 경우) 등을 포함할 수 있다. 배송 환경의 디지털 트윈과 연관된 동적 모델들은 배송 환경에 배치된 센서들 및/또는 디바이스들로부터 수집된 입력 데이터 및/또는 다른 적절한 데이터에 기초하여 이러한 속성들을 계산 또는 출력하고, 후속하여, 계산된 값들로 배송 환경 디지털 트윈을 채우도록 구성될 수 있다.Exemplary properties of the digital twin of the delivery environment that can be updated by the digital twin
실시예들에서, 동적 모델들(13374)은 디지털 트윈 모델링을 위한 경계 조건들, 상수들 또는 변수들을 정의하는 물리적 제한들을 고수할 수 있다. 예를 들어, 배송 엔티티 또는 배송 환경의 디지털 트윈의 물리적 특성화는 중력 상수(예를 들어, 9.8m/s2), 표면의 마찰 계수, 재료의 열 계수, 자산의 최대 온도, 최대 유동 용량 등을 포함할 수 있다. 추가적으로 또는 대안적으로, 동적 모델들은 자연 법칙들을 따를 수 있다. 예를 들어, 동적 모델은 열역학 법칙, 운동 법칙, 유체 역학 법칙, 부력 법칙, 열 전달 법칙, 방사선 법칙, 양자 역학 법칙 등을 고수할 수 있다. 일부 실시예에서, 동적 모델은 생물학적 노후화 이론(aging theory) 또는 기계적 노후화 원리를 고수할 수 있다. 따라서, 디지털 트윈 동적 모델 시스템(13312)이 실시간 디지털 표현을 용이하게 할 때, 디지털 표현은 동적 모델들에 따를 수 있어서, 디지털 표현들은 실세계 조건들을 모방한다. 일부 실시예들에서, 동적 모델로부터의 출력(들)은 인간 사용자에게 제시될 수 있고 및/또는 실세계와 동적 모델들의 수렴을 보장하기 위해 실세계 데이터에 대해 비교될 수 있다. 또한, 동적 모델들이 부분적으로 가정들에 기초하기 때문에, 디지털 트윈의 특성들은 실세계 거동이 디지털 트윈의 거동과 상이할 때 개선 및/또는 정정될 수 있다. 실시예들에서, 입력이 원하는 동적 모델로부터 누락되고, 동작 중인 모델이 예상대로 작동하지 않고(아마도 누락 및/또는 결함 센서 정보로 인해), 상이한 결과가 필요하다는 인식(예를 들어, 높은 관심을 갖는 것을 만드는 상황 인자들로 인해) 등에 기초하여, 추가적인 데이터 수집 및/또는 계측이 추천될 수 있다.In embodiments,
동적 모델은 다수의 상이한 소스로부터 획득될 수 있다. 일부 실시예에서, 사용자는 사용자 또는 제3자에 의해 생성된 모델을 업로드할 수 있다. 추가적으로 또는 대안적으로, 모델들은 그래픽 사용자 인터페이스를 사용하여 디지털 트윈 시스템 상에 생성될 수 있다. 동적 모델들은 특정 환경 및/또는 배송 엔티티들의 세트에 대해 구성된 맞춤형 모델들 및/또는 유사한 유형들의 디지털 트윈들에 적용 가능한 애그노스틱 모델(agnostic model)들을 포함할 수 있다. 동적 모델들은 기계 학습 모델들일 수 있다. 실시예에서, 동적 모델은 지능 서비스(13004)에 의해 제공되는 기계 학습 모델일 수 있다.Dynamic models can be obtained from a number of different sources. In some embodiments, users may upload models created by the user or a third party. Additionally or alternatively, models may be created on a digital twin system using a graphical user interface. Dynamic models may include custom models constructed for a specific environment and/or set of delivery entities and/or agnostic models applicable to digital twins of similar types. Dynamic models may be machine learning models. In an embodiment, the dynamic model may be a machine learning model provided by
실시예들에서, 디지털 트윈 동적 모델 시스템(13312)은 센서 시스템으로부터의 수집된 센서 데이터, 사물 인터넷 접속 디바이스들(13338)로부터 수집된 데이터, 및/또는 배송 디지털 트윈들을 인에이블하게 하는 데 사용되는 동적 모델들(13374)의 세트 내의 다른 적절한 데이터의 영향에 기초하여 클라이언트 애플리케이션(13324)을 대신하여 디지털 트윈 및/또는 하나 이상의 임베디드 디지털 트윈들의 속성들의 세트를 업데이트하기 위해 하나 이상의 동적 모델들(13374)을 활용한다. 실시예에서, 디지털 트윈 동적 모델 시스템(13312)은 클라이언트 애플리케이션(13324)에 의해 관리, 유지 및/또는 모니터링되는 물리적 배송 엔티티, 디바이스, 작업자, 프로세스 및/또는 배송 환경을 나타내는 하나 이상의 디지털 트윈을 사용하여 특정 동적 모델을 실행하도록 지시될 수 있다.In embodiments, the digital twin
실시예에서, 디지털 트윈 동적 모델 시스템(13312)은 반드시 배송 데이터 소스가 아닌 다른 유형의 외부 데이터 소스로부터 데이터를 획득할 수 있지만, 동적 모델에 대한 입력 데이터로서 사용될 수 있는 데이터를 제공할 수 있다. 예를 들어, 트래픽 데이터, 트럭 플릿 데이터, 항공 데이터, 도로 데이터, 화물 데이터, 해상 데이터, 기상 데이터, 뉴스 이벤트, 소셜 미디어 데이터 등은 센서 데이터, 산업용 사물 인터넷 디바이스 데이터, 및/또는 동적 모델에 의해 사용되는 다른 데이터를 보충하기 위해 수집, 크롤링(crawled), 신청될 수 있다. 실시예들에서, 디지털 트윈 동적 모델 시스템(13312)은 기계 비전 모듈(13422)로부터 데이터를 획득할 수 있다. 기계 비전 모듈(13422)은 동적 모델들에 의한 입력들로서 사용될 수 있는 측정치들(예를 들어, 위치들, 상태들 등)을 제공하기 위해 비디오 및/또는 정지 이미지들을 사용할 수 있다.In embodiments, the digital twin
실시예들에서, 디지털 트윈 동적 모델 시스템(13312)은 하나 이상의 출력들을 획득하기 위해 이 데이터를 위에서 논의된 동적 모델들 중 하나 이상에 공급할 수 있다. 이들 출력은 계산된 진동 특성, 고장 확률 값, 다운타임 확률 값, 다운타임 비용 값, 고장 시간 값, 온도 값, 압력 값, 습도 값, 강수량 값, 가시성 값, 공기 품질 값, 스트레인(strain) 값, 응력 값, 변위 값, 속도 값, 가속도 값, 위치 값, 성능 값, 재무 값, 가격 값, 전기 역학 값, 열역학 값, 유체 유량 값 등을 포함할 수 있다. 그런 다음, 클라이언트 애플리케이션(13324)은 디지털 트윈 동적 모델 시스템(13312)에 의해 획득된 결과들을 사용하여 디지털 트윈 시각화 이벤트를 개시할 수 있다. 실시예들에서, 시각화는 히트 맵(heat map) 시각화일 수 있다.In embodiments, digital twin
도 148에 의해 예시된 바와 같이, 디지털 트윈 동적 모델 시스템(13312)은 디지털 트윈이 실시간으로 배송 엔티티들 및/또는 환경들을 나타내도록 배송 엔티티들 및/또는 환경들의 디지털 트윈들의 하나 이상의 속성들을 업데이트하기 위한 요청들을 수신할 수 있다. 단계 A100에서, 디지털 트윈 동적 모델 시스템(13312)은 배송 엔티티 및/또는 환경의 디지털 트윈의 하나 이상의 속성을 업데이트하라는 요청을 수신한다. 예를 들어, 디지털 트윈 동적 모델 시스템(13312)은 클라이언트 애플리케이션(13324)으로부터 또는 디지털 트윈 모듈(13420)에 의해 실행되는 다른 프로세스(예를 들어, 예측 유지보수 프로세스)로부터 요청을 수신할 수 있다. 요청은 요청에 의해 연루된 하나 이상의 속성 및 디지털 트윈 또는 디지털 트윈들을 나타낼 수 있다. 단계 A102에서, 디지털 트윈 동적 모델 시스템(13312)은 요청을 이행하기 위해 필요한 하나 이상의 디지털 트윈을 결정하고, 디지털 트윈 데이터 저장소(13316)로부터 임의의 내장된 디지털 트윈을 포함하는 하나 이상의 필요한 디지털 트윈을 검색한다. 단계 A104에서, 디지털 트윈 동적 모델 시스템(13312)은 요청을 이행하는데 필요한 하나 이상의 동적 모델을 결정하고, 디지털 트윈 동적 모델 데이터 저장소(13376)로부터 하나 이상의 필요한 동적 모델을 검색한다. 단계 A106에서, 디지털 트윈 동적 모델 시스템(13312)은 동적 모델(들)의 이용가능한 데이터 소스들 및 하나 이상의 요구되는 입력들에 기초하여 센서 시스템으로부터의 하나 이상의 센서들, 사물 인터넷 연결 디바이스들(13338)로부터 수집된 데이터, 및/또는 디지털 트윈 I/O 시스템(13308)으로부터의 다른 데이터 소스들을 선택한다. 실시예들에서, 데이터 소스들은 하나 이상의 동적 모델들에 의해 요구되는 입력들에서 정의될 수 있거나 룩업 테이블을 사용하여 선택될 수 있다. 단계 A108에서, 디지털 트윈 동적 모델 시스템(13312)은 디지털 트윈 I/O 시스템(13308)으로부터 선택된 데이터를 검색한다. 단계 A110에서, 디지털 트윈 동적 모델 시스템(13312)은 검색된 입력 데이터(예를 들어, 속도 센서 데이터, 이미지 데이터 등)를 입력으로서 사용하여 동적 모델(들)을 실행하고, 동적 모델(들) 및 입력 데이터에 기초하여 하나 이상의 출력 값을 결정한다. 단계 A112에서, 디지털 트윈 동적 모델 시스템(13312)은 동적 모델(들)의 하나 이상의 출력에 기초하여 하나 이상의 디지털 트윈의 하나 이상의 속성의 값을 업데이트한다.As illustrated by FIG. 148, digital twin
예시적인 실시예에서, 클라이언트 애플리케이션(13324)은 배송 엔티티의 디지털 트윈의 디지털 표현 및/또는 시각화를 제공하도록 구성될 수 있다. 실시예에서, 클라이언트 애플리케이션(13324)은 하나 이상의 서버 디바이스에 의해 실행되는 하나 이상의 소프트웨어 모듈을 포함할 수 있다. 이들 소프트웨어 모듈들은 디지털 트윈의 속성들, 디지털 트윈의 모델 속성들을 정량화하고/하거나 디지털 트윈 거동들을 시각화하도록 구성될 수 있다. 실시예에서, 이들 소프트웨어 모듈은 사용자가 시청을 위해 특정 디지털 트윈 거동 시각화를 선택할 수 있게 할 수 있다. 실시예들에서, 이들 소프트웨어 모듈들은 사용자가 디지털 트윈 거동 시각화 재생(digital twin behavior visualization playback)을 시청하도록 선택할 수 있게 할 수 있다. 일부 실시예들에서, 클라이언트 애플리케이션(13324)은 선택된 거동 시각화를 디지털 트윈 동적 모델 시스템(13312)에 제공할 수 있다.In an example embodiment,
실시예에서, 디지털 트윈 동적 모델 시스템(13312)은 배송 엔티티 및/또는 환경의 디지털 표현을 인에이블하게 하기 위해 디지털 트윈의 속성을 업데이트하라는 요청을 클라이언트 애플리케이션(13324)으로부터 수신할 수 있고, 여기서 실시간 디지털 표현은 디지털 트윈의 시각화이다. 실시예들에서, 디지털 트윈은 컴퓨팅 디바이스에 의해 렌더링될 수 있어서, 인간 사용자는 실세계 배송 엔티티들, 디바이스들, 작업자들, 프로세스들 및/또는 환경들의 디지털 표현들을 볼 수 있다. 예를 들어, 디지털 트윈은 디스플레이 디바이스에 결과를 제공할 수 있다. 실시예들에서, 동적 모델 출력들 및/또는 관련 데이터는 디지털 트윈의 렌더링에 오버레이될 수 있다. 실시예들에서, 동적 모델 출력들 및/또는 관련 정보는 디스플레이 인터페이스에서 디지털 트윈의 렌더링과 함께 나타날 수 있다. 실시예들에서, 관련 정보는 디지털 트윈에 의해 표현되는 실세계 엔티티와 연관된 실시간 비디오 영상(video footage)을 포함할 수 있다. 실시예에서, 관련 정보는 그래픽 정보일 수 있다. 실시예들에서, 그래픽 정보는 모션을 묘사할 수 있으며, 여기서 사용자는 x, y, 및 z 차원에서 그래픽 정보의 뷰를 선택하도록 인에이블된다. 실시예에서, 관련 정보는 일일 다운타임 비용, 수리 데이터 비용, 새로운 부품 데이터 비용, 새로운 기계 데이터 비용 등을 포함하는 비용 데이터일 수 있다. 실시예에서, 관련 정보는 다운타임 데이터의 확률, 고장 데이터의 확률 등일 수 있다. 실시예들에서, 관련 정보는 고장 데이터에 대한 시간일 수 있다.In embodiments, digital twin
실시예에서, 관련 정보는 추천 및/또는 통찰일 수 있다. 예를 들어, 스마트 컨테이너와 관련된 지능 서비스로부터 수신된 추천 또는 통찰은 디스플레이 인터페이스에서 스마트 컨테이너의 디지털 트윈의 렌더링과 함께 보이게될 수 있다.In embodiments, relevant information may be recommendations and/or insights. For example, recommendations or insights received from an intelligence service related to a smart container may be displayed along with a rendering of the smart container's digital twin in a display interface.
실시예들에서, 디스플레이 인터페이스에서 렌더링된 디지털 트윈을 클릭, 터치 또는 다른 방식으로 상호작용하는 것은 사용자가 "드릴 다운(drill down)"하고 기본 서브시스템들 또는 프로세스들 및/또는 임베디드 디지털 트윈들을 볼 수 있게 할 수 있다. 실시예들에서, 디스플레이 인터페이스에서 렌더링된 디지털 트윈에 관련된 정보를 클릭, 터치 또는 다른 방식으로 상호작용하는 것은 사용자가 "드릴 다운"하고 기본 정보를 볼 수 있게 할 수 있다.In embodiments, clicking, touching, or otherwise interacting with a rendered digital twin in a display interface allows the user to “drill down” and view the underlying subsystems or processes and/or embedded digital twins. It can be done. In embodiments, clicking, touching, or otherwise interacting with information related to a digital twin rendered in a display interface may allow a user to “drill down” and view basic information.
일부 실시예에서, 디지털 트윈 동적 모델 시스템(13312)은 배송 엔티티 및/또는 환경의 디지털 표현을 가능하게 하기 위해 디지털 트윈의 속성을 업데이트하라는 요청을 클라이언트 애플리케이션(13324)으로부터 수신할 수 있으며, 여기서 디지털 표현은 디지털 트윈의 히트 맵 시각화이다. 실시예들에서, 디스플레이 인터페이스에 입력을 제공하기 위한 동적 모델들(13374)로부터의 데이터 출력들, 사물 인터넷 연결 디바이스들(13338) 및 센서 시스템으로부터 수집된 데이터를 디스플레이하는 히트 맵들을 갖는 플랫폼이 제공된다. 실시예들에서, 히트 맵 인터페이스는, 다양한 센서 데이터, 동적 모델 출력 데이터, 및 다른 데이터(예컨대, 맵 데이터, 아날로그 센서 데이터, 및 다른 데이터)의 시각화를 위한 정보를 취급하고 제공하기 위한 것과 같은, 디지털 트윈 데이터에 대한 출력으로서, 예컨대, 모바일 디바이스, 태블릿, 대시보드(dashboard), 컴퓨터, AR/VR 디바이스 등과 같은 다른 시스템에 제공된다. 디지털 트윈 표현은 아날로그 센서 데이터, 디지털 센서 데이터 및 동적 모델들로부터의 출력 값들의 레벨들의 표시자들을 포함하는 맵의 프리젠테이션과 같이, 시각적 입력을 사용자에게 전달하기에 적합한 폼 팩터(예를 들어, 사용자 디바이스, VR 인에이블 디바이스, AR 인에이블 디바이스 등)로 제공될 수 있다. 실시예들에서, 다양한 센서들 또는 입력 소스들(또는 선택적 조합들, 순열들, 혼합들 등)로부터의 신호들뿐만 아니라 디지털 트윈 동적 모델 시스템(13312)에 의해 결정된 데이터는 입력 데이터를 히트 맵에 제공할 수 있다. 좌표들은 (지리적 위치 또는 맵 상의 위치와 같은) 실세계 위치 좌표들뿐만 아니라, 다른 좌표들 예컨대, 시간 기반 좌표들, 주파수 기반 좌표들, 또는 아날로그 센서 신호들, 디지털 센서 신호들, 동적 모델 출력들, 입력 소스 정보, 및 다양한 조합들의 표현을 허용하는 다른 좌표들, 및/또는 맵 기반 시각화에 포함할 수 있어서 컬러들이 관련 치수들을 따라 다양한 레벨들의 입력을 표현할 수 있다. 예를 들어, 많은 다른 가능성들 중에서, 컨테이너 터미널이 (예를 들어, 과도한 트래픽 또는 지연들로 인해) 임계 레벨 상태에서 동작하고 있는 경우, 히트 맵 인터페이스는 컨테이너 항구를 오렌지색으로 표시함으로써 사용자에게 경고할 수 있다. 히트 맵의 예에서, 히트 맵을 클릭하거나, 터치하거나, 달리 히트 맵과 상호작용하는 것은 사용자가 드릴다운하여 하부 컨테이너 선박들, 동적 모델 출력들, 또는 히트 맵 디스플레이에 대한 입력으로서 사용되는 다른 입력 데이터를 볼 수 있게 한다. 디지털 트윈이 VR 또는 AR 환경에서 디스플레이되는 것과 같은 다른 예들에서, 스마트 컨테이너 기계 컴포넌트가 정상 동작 외부에서 진동하고 있는 경우, 햅틱 인터페이스는 사용자가 기계 컴포넌트의 표현을 터치할 때 진동을 유도할 수 있거나, 기계 컴포넌트가 안전하지 않은 방식으로 동작하고 있는 경우, 지향성 사운드 신호가 헤드셋 또는 다른 사운드 시스템의 특정 스피커에서 플레이하는 것과 같이 디지털 트윈에서 기계를 향해 사용자의 주의를 유도할 수 있다.In some embodiments, the digital twin
실시예들에서, 디지털 트윈 동적 모델 시스템(13312)은 주변 환경 데이터 및/또는 다른 데이터의 세트를 취할 수 있고, 디지털 트윈을 인에이블 하기 위해 사용되는 동적 모델들의 세트(13374) 내의 환경 데이터 및/또는 다른 데이터의 영향에 기초하여 배송 엔티티 또는 환경의 디지털 트윈의 속성들의 세트를 자동으로 업데이트할 수 있다. 주변 환경 데이터는 온도 데이터, 기압 데이터, 습도 데이터, 바람 데이터, 강우 데이터, 조수 데이터, 풍랑 해일 데이터, 구름 커버 데이터, 해류(current) 데이터, 강설 데이터, 가시성 데이터, 수위 데이터 등을 포함할 수 있다. 추가적으로 또는 대안적으로, 디지털 트윈 동적 모델 시스템(13312)은 디지털 트윈을 인에이블 하기 위해 사용되는 동적 모델들(13374)의 세트에 대한 입력들로서 산업 환경에 배치된 사물 인터넷 연결 디바이스들(13338)의 세트에 의해 수집된 환경 데이터 측정들의 세트를 사용할 수 있다. 예를 들어, 디지털 트윈 동적 모델 시스템(13312)은, 예컨대 배송 환경들의 기계들, 디바이스들, 컴포넌트들, 부품들, 동작들, 기능들, 조건들, 상태들, 이벤트들, 작업흐름들 및 다른 요소들(총괄하여 용어 "상태들"에 의해 포함됨)의 다양한 파라미터들 및 특징들을 모니터링하기 위해, 카메라들, 모니터들, 내장 센서들, 모바일 디바이스들, 진단 디바이스들 및 시스템들, 계측 시스템들, 텔레매틱스 시스템들 등과 같은 사물 인터넷 연결 디바이스들에 의해 수집, 취급 또는 교환되는 데이터를 동적 모델들(13374)에 공급할 수 있다. 사물 인터넷 연결 디바이스의 다른 예는 스마트 화재 경보, 스마트 보안 시스템, 스마트 공기 품질 모니터, 스마트/학습 온도 조절기, 및 스마트 조명 시스템을 포함한다.In embodiments, the digital twin
도 149는 스마트 컨테이너의 디지털 트윈에서 다운타임 비용 값들의 세트를 업데이트하기 위한 방법의 예시적인 실시예를 도시한다. 본 예에서, 디지털 트윈 동적 모델 시스템(13312)은 스마트 컨테이너 플릿 디지털 트윈에 스마트 컨테이너와 연관된 다운타임 실시간 비용 값들을 채우기 위해 클라이언트 애플리케이션(13324)으로부터 요청들을 수신할 수 있다. 단계 B200에서, 디지털 트윈 동적 모델 시스템(13312)은 클라이언트 애플리케이션(13324)으로부터 스마트 컨테이너 디지털 트윈(13504) 및 임의의 임베디드 디지털 트윈(예를 들어, 로봇, 화물 등)의 하나 이상의 다운타임 비용 값을 업데이트하라는 요청을 클라이언트 애플리케이션(13324)으로부터 수신한다. 다음으로, 단계 B202에서, 디지털 트윈 동적 모델 시스템(13312)은 요청을 이행하기 위해 필요한 하나 이상의 디지털 트윈을 결정하고 하나 이상의 필요한 디지털 트윈을 검색한다. 이 예에서, 디지털 트윈 동적 모델 시스템(13312)은 디지털 트윈 데이터 저장소(13316)로부터 플릿의 디지털 트윈들, 스마트 컨테이너들, 및 임의의 다른 임베디드 디지털 트윈들을 검색할 수 있다. 단계 B204에서, 디지털 트윈 동적 모델 시스템(13312)은 요청을 이행하는데 필요한 하나 이상의 동적 모델을 결정하고, 동적 모델 데이터 저장소(13316)로부터 하나 이상의 필요한 동적 모델을 검색한다. 단계 B206에서, 디지털 트윈 동적 모델 시스템(13312)은 이용 가능한 데이터 소스들(예를 들어, 센서 시스템 내의 센서들의 세트로부터의 이용 가능한 센서들) 및 디지털 트윈 I/O 시스템(13308)을 통한 동적 모델(들)의 하나 이상의 요구되는 입력들에 기초하여 동적 모델 입력 데이터 소스들(예를 들어, 센서 시스템으로부터의 하나 이상의 센서들 및/또는 임의의 다른 적절한 데이터)을 선택한다. 본 예에서, 검색된 동적 모델(들)은 과거 다운타임 데이터 및 동작 데이터를 입력으로서 취하고, 스마트 컨테이너 플릿의 스마트 컨테이너들에 대한 일일 다운타임의 비용을 나타내는 데이터를 출력하도록 구성될 수 있다. 단계 B208에서, 디지털 트윈 동적 모델 시스템(13312)은 디지털 트윈 I/O 시스템(13308)으로부터 이력 다운타임 데이터 및 동작 데이터를 검색한다. 단계 B210에서, 디지털 트윈 동적 모델 시스템(13312)은 검색된 데이터를 입력으로서 사용하여 동적 모델(들)을 실행하고 스마트 컨테이너 플릿 내의 스마트 컨테이너들에 대한 일일 다운타임의 비용을 나타내는 하나 이상의 출력을 계산한다. 다음으로, 단계 B212에서, 디지털 트윈 동적 모델 시스템(13312)은 동적 모델(들)의 하나 이상의 출력에 기초하여 스마트 컨테이너 디지털 트윈(13504) 및 임베디드 디지털 트윈들의 하나 이상의 다운타임 비용 값들을 업데이트한다.Figure 149 shows an example embodiment of a method for updating a set of downtime cost values in a digital twin of a smart container. In this example, digital twin
실시예들에서, 스마트 컨테이너 시스템(13000)은 로봇 프로세스 자동화에 기초하여 내부 배송 작업흐름들을 자동화하도록 구성된 로봇 프로세스 자동화(RPA) 모듈(13416)을 포함한다. RPA 모듈(13416)은 디바이스들, 프로그램들, 네트워크들, 데이터베이스들 등과 같은 외부 시스템의 사용자 인터페이스에 대한 프로그램 인터페이스를 개발할 수 있다. RPA 모듈(13416)은 스마트 컨테이너 시스템(13000)이 API(application programming interface)를 사용하지 않고 또는 API에 부가하여 외부 시스템과 인터페이스할 수 있도록 구성된다. RPA 모듈(13416)은 사용자가 그래픽 사용자 인터페이스(GUI)에서 태스크를 수행하는 것을 지켜 보고, 액션 리스트에 태스크를 기록함으로써 액션 리스트를 개발할 수 있다. RPA 모듈(13416)은 GUI 내의 액션 리스트의 태스크들을 반복함으로써 작업흐름을 자동화할 수 있다.In embodiments,
일부 실시예들에서, RPA 모듈(13416)은 로봇 프로세스 자동화 프로세스들을 수행하도록 구성된 지능 서비스(13004)를 포함하고/하거나 통신할 수 있다. 지능 서비스(13004)는 하나 이상의 기계 학습 모델을 개발하기 위해 하나 이상의 기계 학습 기술을 사용할 수 있다. 기계 학습 모델들은 시스템(13000)과 하나 이상의 외부 디바이스들의 인터페이싱을 용이하게 하기 위해 RPA 기반 프로그램 인터페이스들을 개발, 정의 및/또는 구현할 수 있다.In some embodiments,
RPA 모듈(13416)은 스마트 컨테이너 시스템(13000)이 API를 갖지 않거나 구식(outdated) API를 갖는 외부 시스템과 통신하는 데 필요할 수 있다. 예를 들어, RPA 모듈(13416)은 스마트 컨테이너 시스템(13000)이 API를 포함하지 않거나 구식 API를 갖는 더 오래된 외부 디바이스와 인터페이스하는 것을 허용할 수 있다. RPA 모듈(13416)은 스마트 컨테이너 시스템(13000)이 외부 시스템의 사용자 인터페이스를 통해서와 같이, 사용자가 외부 시스템과 인터페이스하는 방법과 유사하게 외부 시스템과 인터페이스하도록 허용할 수 있다. 일부 실시예에서, RPA 모듈(13416)은 스마트 컨테이너 시스템(13000)이 외부 시스템과 인터페이스하기 위해 사용자에 의해 수행 가능한 동작 및/또는 일련의 동작을 에뮬레이트(emulate)할 수 있게 한다. 외부 시스템과 인터페이싱하기 위해 RPA 모듈(13416)에 의해 프로그램적으로 인터페이싱하는 예들은, 마크업 언어의 조작, 컴퓨터 마우스 움직임들 및/또는 사용자 인터페이스의 하나 이상의 요소들에 대한 "클릭"을 에뮬레이팅하는 것, 충진가능한 필드들에 정보를 입력하고 클라이언트 프로그램 및/또는 포털을 통해 정보를 제출하는 것, 및 사용자 디바이스로부터 전송되는 것으로 보이는 디지털 신호들을 외부 시스템에 송신하는 것을 포함한다.
일부 실시예들에서, RPA 모듈(13416)은 새로운 및/또는 업데이트된 외부 시스템들과의 통신을 용이하게 하도록 구성될 수 있다. 새로운 외부 시스템이 개발되거나 또는 외부 시스템이 업데이트될 때, RPA 모듈(13416)은, 새로운 및/또는 업데이트된 외부 시스템의 발간 이전의 구식 외부 디바이스, 즉, 외부 디바이스와의 인터페이싱과 일치하는 방식으로 스마트 컨테이너 시스템(13000)에 의해 새로운 및/또는 업데이트된 외부 시스템과의 인터페이싱을 용이하게 하기 위해 새로운 및/또는 업데이트된 프로그램 인터페이스를 개발할 수 있다. 예를 들어, RPA 모듈(13416)은, 스마트 컨테이너 시스템(13000)이 구식 외부 디바이스와 인터페이스했던 방식에 일관된 방식으로, 스마트 컨테이너 시스템(13000)이 새로운 및/또는 업데이트된 외부 디바이스와 인터페이스할 수 있도록, 오래된 외부 디바이스에 입력을 제공하고, 새로운 및/또는 업데이트된 외부 디바이스에 입력을 제공하고, 관련 출력을 비교하고, 새로운 및/또는 업데이트된 외부 디바이스에 입력을 조정하도록 구성될 수 있다.In some embodiments,
일부 실시예들에서, RPA 모듈(13416)은 구식 및/또는 외부 시스템들에 대한 API로서 작용할 수 있다. RPA 모듈(13416)은, 스마트 컨테이너 시스템(13000)이 하나 이상의 외부 디바이스와 인터페이싱할 수 있거나 그렇지 않으면 외부 디바이스들에 의해 송신된 신호들을 프로그램적으로 취급할 수 있는 API를 갖는 것으로 외부에 표현되도록 구성될 수 있고, 여기서 RPA 모듈(13416)은 API 이외의 그러한 요청들을 취급하기 위한 프로그램 인터페이스를 개발하였다. 예를 들어, 구식 외부 시스템은 구식 API에 의해 이해되는 일련의 신호들을 통해 통신하도록 구성될 수 있다. RPA 모듈(13416)은 스마트 컨테이너 시스템(13000)이 구식 API를 포함하는 것처럼 동작하는 스마트 컨테이너 시스템(13000)을 구성할 수 있다.In some embodiments,
일부 실시예에서, RPA 모듈(13416)은 스마트 컨테이너 시스템(13000)의 하나 이상의 사용자에 의한 사용을 위해 사용자 인터페이스를 제공하도록 구성될 수 있다. 지능 서비스(13004)는, 하나 이상의 기계 학습 방법에 의해, 사용자가 스마트 컨테이너 시스템(13000)의 하나 이상의 컴포넌트 및/또는 기능과 인터페이스할 수 있게 하는 사용자 인터페이스를 생성할 수 있다. RPA 모듈(13416)은 지능 서비스(13004)에 의해 생성된 사용자 인터페이스를 동작시키기 위해 로봇 프로세스 자동화 기술들을 사용할 수 있다. 지능 서비스(13004)는 수요 조건의 변경, 스마트 컨테이너 시스템(13000)의 새로운 및/또는 수정된 기능, 스마트 컨테이너 시스템(13000) 외부의 시스템의 새로운 및/또는 수정된 조건 등과 같은 변수에 따라 사용자 인터페이스를 동적으로 생성 및/또는 조정할 수 있다. 스마트 컨테이너 시스템(13000) 외부의 시스템의 새로운 및/또는 수정된 조건의 예는 제3자 서비스 제공에 대한 변경, 규제 변경 등을 포함할 수 있다.In some embodiments,
일부 실시예들에서, RPA 모듈(13416)은 스마트 컨테이너 시스템(13000) 외부의 시스템들에 의한 로봇 프로세스 자동화의 검출을 회피하도록 구성될 수 있다. 외부 시스템들 중 일부는 외부 시스템이 로봇 프로세스 자동화를 사용하는 시스템, 예컨대 스마트 컨테이너 시스템(13000)과 통신할 때 검출을 시도하도록 설계될 수 있다. 스마트 컨테이너 시스템(13000)이 로봇 프로세스 자동화를 사용하고 있음을 검출하면, 외부 시스템은 외부 시스템과의 스마트 컨테이너 시스템(13000)의 통신 능력을 제한, 제거 또는 수정할 수 있다. RPA 모듈(13416)은, 로봇 프로세스 자동화의 검출을 회피하고, 외부 시스템에 의한 통신의 제한 또는 제거를 회피하기 위해 RPA 모듈(13416)이 인간 사용자인 것으로 믿도록 외부 시스템을 "속이기(trick)" 위해 외부 시스템과의 인간 인터페이싱을 에뮬레이트할 수 있다. RPA 모듈(13416)은, 예를 들어, 외부 시스템과의 상호작용의 경로들을 동적으로 변경하고, 일관성 없는 타이밍으로 사용자 인터페이스 요소들과 상호작용하고, "오클릭(misclick)들" 또는 "오타(typo)들" 등과 같은 인간-유사 에러들을 만듦으로써 검출을 회피할 수 있다.In some embodiments,
일부 실시예들에서, 지능 서비스(13004)는 로봇 프로세스 자동화의 검출을 회피하기 위한 기계 학습 모델을 생성하도록 구성될 수 있다. 기계 학습 모델은 실제 인간들에 의한 하나 이상의 그래픽 인터페이스들과의 상호작용으로부터의 데이터를 사용하고 실제 인간이 하나 이상의 그래픽 사용자 인터페이스들과 인터페이스하는 방식들을 에뮬레이트하는 로봇 프로세스 자동화 기술들을 개발함으로써 생성될 수 있다. 예를 들어, 훈련 데이터는 마우스 및/또는 터치 타이밍 및 정확도, 타이핑 속도 및 정확도, 사용되는 그래픽 사용자 인터페이스의 요소 등을 포함할 수 있다.In some embodiments,
일부 실시예들에서, RPA 모듈(13416)은 외부 시스템들로 송신 및/또는 외부 시스템들로부터 수신된 데이터를 검증하도록 구성될 수 있다. RPA 모듈(13416)은 외부 시스템의 사용자들에 의해 스마트 컨테이너 시스템(13000)에 송신된 데이터, 스마트 컨테이너 시스템(13000)의 사용자들에 의해 스마트 컨테이너 시스템(13000)에 송신된 데이터, 및/또는 스마트 컨테이너 시스템(13000)의 사용자들에 의해 외부 시스템에 송신된 데이터 중 하나 이상을 검증할 수 있다. RPA 모듈(13416)은 광학 특징(optical character) 인식 수행, 이미지 인식 및/또는 처리 수행, 웹페이지들에 저장된 데이터 식별, 외부 시스템의 백엔드 데이터베이스로부터 데이터 수신, 스마트 컨테이너 시스템(13000)의 백엔드 데이터베이스로부터 데이터 수신 등 중 하나 이상에 의해 데이터를 검증할 수 있다.In some embodiments,
일부 실시예에서, 지능 서비스(13004)는 데이터 검증을 위한 하나 이상의 기계 학습 모델을 개발하도록 구성될 수 있다. 예를 들어, 지능 서비스(13004)는 사용자에 의해 송신된 데이터 및/또는 스마트 컨테이너 시스템(13000) 외부의 하나 이상의 데이터베이스 및/또는 소스로부터 수신된 데이터를 유효한 데이터를 식별하는 "학습"을 위한 훈련 데이터로서 사용할 수 있다. 지능 서비스(13004)는 데이터 검증을 위한 하나 이상의 기계 학습 모델을 RPA 모듈(13416)에 송신할 수 있다. RPA 모듈(13416)은 데이터 검증을 위해 하나 이상의 기계 학습 모델을 구현할 수 있다.In some embodiments,
일부 실시예들에서, RPA 모듈(13416)은 RPA 모듈(13416)에 의해 수행되는 프로세스들의 검증을 용이하게 하도록 구성될 수 있다. RPA 모듈(13416)은, RPA 모듈(13416)이 한명 이상의 사용자를 대신하여 스마트 컨테이너 시스템(13000) 및/또는 외부 시스템과 관련된 하나 이상의 프로세스를 수행할 때 복수의 프로세스 검증 로그(validation log)를 생성할 수 있다. 프로세스 검증 로그들은 RPA 모듈(13416)에 의해 수행되는 프로세스들의 검증을 제공하기 위해 타임스탬프들, 트랜잭션 영수증들, 사용자 인터페이스 스크린샷들, 또는 임의의 다른 적절한 데이터 엔트리, 파일 등 중 하나 이상을 포함할 수 있다. RPA 모듈(13416)은 하나 이상의 데이터베이스에 프로세스 검증 로그를 저장할 수 있고, 스마트 컨테이너 시스템(13000) 및/또는 스마트 컨테이너 시스템(13000)의 사용자에게 프로세스 검증 로그를 송신할 수 있다. RPA 모듈(13416)은 스케줄에 따라, 스마트 컨테이너 시스템(13000)의 사용자에 의한 요구 시, 하나 이상의 조건이 참인 경우 등에 프로세스 검증 로그를 자동으로 송신할 수 있다.In some embodiments,
일부 실시예들에서, RPA 모듈(13416)은 데이터 검증 및 프로세스 검증 중 하나 또는 둘 모두를 통해 획득된 피드백에 응답하여 로봇 프로세스 자동화의 거동을 조정하도록 구성될 수 있다. 스마트 컨테이너 시스템(13000)의 사용자는 RPA 모듈 (13416)에 의해 제공된 데이터의 검증을 볼 수도 있고, 데이터의 검증에 응답하여, RPA 모듈 (13416)에 RPA 모듈 (13416)의 거동을 조정하도록 명령할 수 있다. 스마트 컨테이너 시스템(13000)의 사용자는 프로세스 검증 로그들 중 하나 이상을 볼 수 있고, 하나 이상의 프로세스 검증 로그들에 응답하여, RPA 모듈(13416)에게 RPA 모듈(13416)의 거동을 조정하도록 명령할 수 있다. RPA 모듈(13416)의 거동의 조정은, 예를 들어, 스마트 컨테이너 시스템(13000)의 사용자들에게 제시되는 RPA-기반 사용자 인터페이스 요소들을 변경하는 것, RPA 모듈(13416)이 하나 이상의 외부 시스템들과 인터페이싱하는 방법을 조정하는 것, 및 RPA 모듈(13416)에 의한 임의의 다른 적합한 조정과 같은, RPA 모듈(13416)의 특징들을 수행하기 위해 상이한 로봇 프로세스 자동화 기술들을 사용하는 것을 포함할 수 있다.In some embodiments,
일부 실시예에서, 지능 서비스(13004)는 데이터 검증 정보 및/또는 피드백, 프로세스 검증 로그, 또는 이들의 조합을 훈련 데이터로서 사용할 수 있다. 지능 서비스(13004)는 데이터 검증 정보 및/또는 피드백, 프로세스 검증 로그들, 또는 이들의 조합에 기초하여 RPA 모듈(13416)의 거동에 영향을 미치고, 조정하고, 및/또는 다른 방식으로 제어하기 위해 하나 이상의 기계 학습 모델들을 훈련할 수 있다.In some embodiments,
일부 실시예들에서, RPA 모듈(13416)은 RPA 모듈(13416)이 인터페이싱하는 그래픽 사용자 인터페이스들에서 이미지들을 인식하기 위해 이미지 처리를 수행하도록 구성될 수 있다. 외부 시스템들의 그래픽 사용자 인터페이스들을 이용하여 RPA 모듈(13416) 인터페이스들은 변경 및/또는 업데이트될 수 있고, 그에 의해 GUI와의 로봇 프로세스 자동화 기반 인터페이싱을 잠재적으로 방해할 수 있다. RPA 모듈(13416)은 이미지 인식 및/또는 이미지 처리를 통해 GUI에 대한 변경들을 자동으로 검출할 수 있다. RPA 모듈(13416)은 업데이트된 GUI와의 지속적인 인터페이싱을 용이하게 하고 외부 시스템과의 통신에서 에러들 또는 중단들을 회피하기 위해 업데이트된 GUI와의 로봇 프로세스 자동화-기반 인터페이싱을 자동으로 업데이트할 수 있다.In some embodiments,
일부 실시예들에서, 지능 서비스(13004)는 RPA 모듈(13416)의 외부 시스템과의 로봇 프로세스 자동화 기반 인터페이싱을 자동으로 정정하기 위해 하나 이상의 기계 학습 모델을 사용하도록 이미지 프로세스 최적화를 사용할 수 있다. 예를 들어, 지능 서비스(13004)는, 외부 시스템들의 GUI들에서의 변경들을 자동으로 검출하고 RPA 모듈(13416)이 GUI에 대한 변경에 비추어 GUI와 자동으로 인터페이싱을 계속할 수 있도록 RPA 모듈(13416)의 로봇 프로세스 자동화를 조정하는 방법을 결정할 수 있는 기계 학습 모델을 생성하기 위한 훈련 데이터로서 이미지들을 갖는 복수의 GUI들을 사용할 수 있다.In some embodiments,
일부 실시예에서, RPA 모듈(13416)은 스마트 컨테이너 시스템(13000) 및/또는 하나 이상의 외부 시스템의 한명 이상의 사용자 인터페이스와 인터페이스하도록 인간에게 명령하기 위한 인간 훈련 시스템을 개발하도록 구성될 수 있다. 인간 훈련 시스템은, 인간 사용자들이 RPA 모듈(13416)과 유사하게 태스크들을 수행할 수 있도록, 하나 이상의 사용자 인터페이스들과 인터페이싱하기 위해 RPA 모듈(13416)에 의해 이용되는 복수의 액션들 및/또는 기법들을 한명 이상의 인간 사용자들에게 교시할 수 있다. 인간 훈련 시스템은 사용자 인터페이스들과 인터페이싱하기 위한 액션들 및/또는 기법들의 인간 학습을 용이하게 하기 위한 하나 이상의 문서들, 비디오들, 튜토리얼들 등을 포함할 수 있다.In some embodiments,
일부 실시예들에서, RPA 모듈(13416)은 RPA 모듈(13416)에 의해 구현된 로봇 프로세스 자동화의 성공 기준들을 처리하고 문서화하도록 구성될 수 있다. 처리되고 문서화된 성공 기준은 기술적(descriptive)이어서, 스마트 컨테이너 시스템(13000) 및/또는 RPA 모듈(13416)의 인간 사용자가 외부 시스템들과의 인터페이싱을 용이하게 하기 위해 및/또는 스마트 컨테이너 시스템(13000)의 내부 시장 작업흐름들을 자동화하기 위해 RPA 모듈(13416)에 의해 사용되는 하나 이상의 프로세스 단계들 및/또는 알고리즘들을 이해하하도록 처리되고 문서화된 성공 기준을 사용할 수 있다.In some embodiments,
일부 실시예들에서, RPA 모듈(13416)은 스마트 컨테이너 시스템(13000)의 로봇 프로세스 자동화 능력들의 게임화를 구현할 수 있다. 로봇 프로세스 자동화 능력들의 게임화는 스마트 컨테이너 시스템(13000)의 동작에 바람직한 및/또는 스마트 컨테이너 시스템(13000)의 로봇 프로세스 자동화 동작들의 개선에 바람직한 태스크들을 수행하기 위해 사용자들에게 포인트들을 수여하는 것을 포함할 수 있다. 예를 들어, 로봇 프로세스 자동화 알고리즘의 증강을 위해 포인트들이 수여될 수 있다. 포인트들을 수여받은 사용자들은 서로 경쟁할 수 있고, 디지털 및/또는 물리적 상품들은 하나 이상의 포인트 임계값들을 달성하고/하거나 포인트 리더보드(leaderboard) 상에서 하나 이상의 다른 사용자들 위에 랭킹한 사용자들에게 수여될 수 있다.In some embodiments,
실시예들에서, 스마트 컨테이너 시스템(13000)은 에지 계산 및 지능을 수행하도록 구성된 에지 디바이스를 포함한다. 일부 실시예들에서, 에지 계산 및 지능은 처리된 및/또는 저장된 데이터가 필요한 곳에 물리적으로 가까운 영역에서 데이터 처리 및 데이터 저장 중 하나 또는 둘 모두를 수행하는 것을 포함할 수 있다. 일부 실시예에서, 스마트 컨테이너 시스템(13000)은 복수의 에지 디바이스를 포함할 수 있다. 예로서, 에지 디바이스는 라우터, 라우팅 스위치, 통합 액세스 디바이스, 멀티플렉서, 근거리 네트워크(LAN) 및/또는 광역 네트워크(WAN) 액세스 디바이스, 사물 인터넷 디바이스, 스마트 컨테이너, 및/또는 임의의 다른 적절한 디바이스일 수 있다. 일부 실시예들에서, 에지 계산 및 지능은 데이터 처리 및/또는 데이터 필터링을 수행하는 것을 포함할 수 있다. 처리된 및/또는 필터링된 데이터는 처리된 및/또는 필터링된 데이터를 사용할 디바이스들로 직접 송신될 수 있다. 처리 및/또는 필터링된 데이터는 범용 또는 높은 트래픽 데이터 송신 경로들보다 덜 혼잡한 송신 경로들을 따라 송신될 수 있다. 처리된 및/또는 필터링된 데이터의 송신은 처리되지 않은 및/또는 필터링되지 않은 데이터의 송신보다 더 낮은 대역폭을 사용할 수 있다.In embodiments,
일부 실시예들에서, 에지 디바이스는 에지 디바이스에 의해 수신 및/또는 저장된 데이터를 사용하여 관련 배송 인자들을 예상하기 위한 로컬 에지 지능을 구현할 수 있다. 에지 디바이스는 특정 스마트 컨테이너, 스마트 컨테이너의 클래스, 송하인, 송하인의 클래스, 배송 라인, 배송 라인의 클래스, 컨테이너 항구, 컨테이너 항구의 클래스 등 중 하나 이상과 관련된 데이터를 수집하고 처리하는 것에 관한 것일 수 있다. 일부 실시예들에서, 에지 디바이스는 원격 컨테이너 항구 또는 배송 허브 영역 근처에 물리적으로 위치될 수 있다. 예를 들어, 에지 디바이스는 지리적 영역에서 특정 유형의 스마트 컨테이너와 관련된 성능에 관한 데이터를 수집하도록 위치되고 구성될 수 있다. 에지 디바이스는 데이터와 관련된 데이터 처리, 분석, 필터링, 트렌드 파인딩, 예측 수행 등을 수행할 수 있고, 처리 결과, 분석, 필터링된 데이터, 트렌드, 예측 등 또는 이들의 일부를 스마트 컨테이너 시스템(13000) 내의 보다 중앙화된 서버, 프로세서 및/또는 데이터 센터에 발송할 수 있다.In some embodiments, an edge device may implement local edge intelligence to predict relevant delivery factors using data received and/or stored by the edge device. The edge device may be directed to collecting and processing data related to one or more of a particular smart container, a class of smart containers, a shipper, a class of shippers, a shipping line, a class of shipping lines, a container port, a class of container ports, etc. . In some embodiments, the edge device may be physically located near a remote container port or shipping hub area. For example, an edge device may be positioned and configured to collect data regarding performance associated with a specific type of smart container in a geographic area. The edge device may perform data processing, analysis, filtering, trend finding, prediction performance, etc. related to data, and may store processing results, analysis, filtered data, trends, predictions, etc., or parts thereof within the smart container system (13000). Can be dispatched to more centralized servers, processors and/or data centers.
일부 실시예에서, 에지 디바이스는 스마트 컨테이너 시스템(13000)의 일부 또는 모든 다른 컴포넌트로부터 물리적 및/또는 전자적으로 격리되면서 의사 결정을 수행하도록 구성될 수 있다. 본 명세서에서, 전자적 격리(electronic isolation)는 하나 이상의 다른 시스템들, 디바이스들, 컴포넌트들 등과 일시적으로 통신할 수 없는 것을 의미하거나 포함할 수 있다. 에지 디바이스는 에지 디바이스에 의해 수신된 데이터와 관련된 데이터 처리, 분석, 필터링, 트렌드 파인딩, 예측 수행 등으로부터 도출된 출력들 및/또는 결론들에 기초하여 결정들을 할 수 있다. 에지 디바이스에 의해 행해진 결정들의 예들은 하나 이상의 데이터를 검증할지 여부, 스마트 컨테이너 시스템(13000)의 사용자 또는 그 일부를 검증할지 여부, 화물 보관 및/또는 운송 서비스 주문이 실행되었는지 여부 등을 포함한다. 에지 디바이스는 에지 디바이스에 의해 행해진 결정에 관련된 데이터를 스마트 컨테이너 시스템(13000)의 다른 컴포넌트들에 송신할 수 있다.In some embodiments, edge devices may be configured to perform decision making while physically and/or electronically isolated from some or all other components of
일부 실시예에서, 에지 디바이스가 스마트 컨테이너 시스템(13000)의 다른 컴포넌트로부터 일시적으로 전자적으로 격리되는 경우에, 에지 디바이스는 스마트 컨테이너 시스템(13000)의 다른 컴포넌트를 대신하여 결정을 내릴 수 있고, 스마트 컨테이너 시스템(13000)의 다른 컴포넌트와 재연결될 때 스마트 컨테이너 시스템(13000)의 다른 컴포넌트에 의해 감사, 평가 및/또는 기록된 결정을 가질 수 있다. 에지 디바이스는 스마트 컨테이너 시스템(13000)의 다른 컴포넌트들에 대한 연결 및/또는 이에 의한 감독 없이 일부 결정을 행하는 것이 제한될 수 있다. 제한된 결정의 예는 기밀 및/또는 보안이 우려되는 배송 거래, 변하기 쉬운 화물이 배송되는 곳 등과 관련된 결정을 포함할 수 있다.In some embodiments, when an edge device is temporarily electronically isolated from other components of the
일부 실시예에서, 에지 디바이스는 분산 원장의 사본을 저장할 수 있고, 분산 원장은 스마트 컨테이너 시스템(13000)에 의해 관리되는 하나 이상의 스마트 컨테이너, 스마트 컨테이너 플릿 및/또는 배송 거래와 관련된 정보를 포함한다. 분산 원장은 블록체인과 같은 암호화 원장일 수 있다. 에지 디바이스는 스마트 컨테이너 정보를 포함하는 분산 원장에 블록을 기록할 수 있고, 스마트 컨테이너 시스템(13000)의 다른 컴포넌트에 저장된 분산 원장의 사본과 비교하여 블록을 검증할 수 있다.In some embodiments, an edge device may store a copy of a distributed ledger, which includes information related to one or more smart containers, smart container fleets, and/or shipping transactions managed by
일부 실시예에서, 스마트 컨테이너 시스템(13000)은 분산 원장의 사본을 저장하는 에지 디바이스와 같은 디바이스의 네트워크를 관리하도록 구성된 원장 관리 시스템을 포함할 수 있다. 분산 원장의 사본들을 저장하는 디바이스들은 집계, 비교, 및/또는 검증을 위해 원장 관리 시스템에 저장된 사본들을 송신하도록 구성될 수 있다. 원장 관리 시스템은 신뢰된 당사자들 및/또는 디바이스들의 화이트리스트, 비신뢰된 당사자들 및/또는 디바이스들의 블랙리스트, 또는 이들의 조합을 설정할 수 있다. 원장 관리 시스템은 특정 사용자, 디바이스 등에 허가를 수여할 수 있다. 분산 원장의 버전들은 고유 상품의 다수의 사본들의 판매와 같은 중복 트랜잭션들을 방지하기 위해 비교될 수 있다. 실시예들에서, 스마트 컨테이너 시스템(13000)은 분산 원장의 사본을 각각 저장할 수 있고 블록들의 검증 및 에지 디바이스들 및/또는 전부에 의한 새로운 블록들의 추가와 관련하여 사본들을 서로 비교할 수 있는 복수의 에지 디바이스들을 포함한다.In some embodiments,
일부 실시예에서, 스마트 컨테이너 시스템(13000)은 에지 디바이스와 같은 분산 디바이스를 업데이트하기 위한 하나 이상의 분산 업데이트 관리 알고리즘을 구현할 수 있다. 분산형 업데이트 관리 알고리즘은 어떻게 그리고 언제 분산형 디바이스들에 업데이트들을 롤아웃(roll out)할 것인지에 대한 하나 이상의 절차들을 포함할 수 있다. 스마트 컨테이너 시스템(13000)은 분산 업데이트 관리 알고리즘을 통해 에지 계산 소프트웨어의 버전을 관리할 수 있다. 분산 디바이스들은 스마트 컨테이너 시스템(13000)으로부터 직접 업데이트들을 수신할 수 있거나, 업데이트들을 서로 송신할 수 있거나, 또는 이들의 조합일 수 있다.In some embodiments,
일부 실시예에서, 스마트 컨테이너 시스템(13000)은 복수의 에지 디바이스를 포함하고, 에지 디바이스는 배송 데이터를 기록 및/또는 검증하기 위해 서로 통신할 수 있다. 에지 디바이스들은 또한 하나 이상의 스마트 컨테이너, 스마트 컨테이너 플릿, 컨테이너 선박, 컨테이너 터미널, 적하장(shipping yard), 충전 스테이션, 지역, 사용자, 송하인, 배송 라인, 제3자 등과 관련된 데이터를 서로 통신할 수 있다. 복수의 에지 디바이스들 중 에지 디바이스는, 에지 디바이스가 스마트 컨테이너 시스템(13000)의 다른 에지 디바이스들 및/또는 다른 컴포넌트들로부터 전자적으로 격리되는 경우들에 가능하면 그러한 정보를 통신할 수 있다.In some embodiments,
일부 실시예들에서, 전기적으로 격리되고 스마트 컨테이너 수리를 용이하게 하도록 할당되는 제1 에지 디바이스는 제2 에지 디바이스에 의해 지원될 수 있다. 제2 에지 디바이스는 제1 에지 디바이스가 수리가 가능하지 않고 및/또는 연장된 기간 동안 스마트 컨테이너 시스템(13000)의 다른 컴포넌트들과 통신하지 않아 제1 에지 디바이스에 의한 수리의 가능성이 검증될 수 없는 경우에 동일한 수리가 가능하도록 할당될 수 있다. 통신 범위에 재진입 시, 제1 에지 디바이스는 제1 에지 디바이스가 전자적으로 격리되어 있는 동안 발생한 유지보수 동작을 스마트 컨테이너 시스템(13000)의 제2 에지 디바이스 및/또는 다른 컴포넌트를 업데이트할 수 있다.In some embodiments, a first edge device that is electrically isolated and assigned to facilitate smart container repair may be supported by a second edge device. The second edge device determines that the first edge device is not serviceable and/or is not in communication with other components of the
일부 실시예에서, 스마트 컨테이너 시스템(13000)은 에지 디바이스와 같은 스마트 컨테이너 시스템(13000)의 하나 이상의 컴포넌트가 동작을 중단하고 및/또는 달리 적절하게 동작할 수 없을 때를 결정 하도록 구성된 하드웨어 고장 알고리즘을 구현할 수 있다. 하드웨어 고장 알고리즘은, 예를 들어, 현재 오동작 또는 비동작 에지 디바이스에 이전에 할당된 동작들을 능가하도록 에지 디바이스를 할당하는 것을 포함할 수 있다.In some embodiments,
일부 실시예에서, 스마트 컨테이너 시스템(13000)은 에지 디바이스, 플릿 시스템의 다른 컴포넌트, 외부 시스템, 또는 이들의 조합으로 및/또는 이들로부터 송신되는 데이터의 흐름을 최적화하도록 구성된 데이터 라우팅 알고리즘을 구현할 수 있다. 에지 디바이스는 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 실시예들에서, 네트워크 증강 시스템은, 그 전체가 본원에 참조로 통합되는, Pergal의 미국 특허 제7,623,826호에 의해 개시된 것과 같은 무선 중계기 시스템을 포함할 수 있다. 에지 디바이스는, 예를 들어, 데이터를 필터링하고, 데이터 송신을 반복하고, 데이터 송신을 증폭하고, 하나 이상의 샘플링 레이트들 및/또는 송신 레이트들을 조정하고, 하나 이상의 데이터 통신 프로토콜들을 구현함으로써 데이터의 흐름을 최적화할 수 있다. 실시예들에서, 에지 디바이스는 복수의 데이터 경로들 중 제1 경로를 통해 데이터의 제1 부분을 그리고 복수의 데이터 경로들 중 제2 경로를 통해 데이터의 제2 부분을 송신할 수 있다. 에지 디바이스는 제1 데이터 경로, 제2 데이터 경로, 및/또는 다른 데이터 경로들과 같은 하나 이상의 데이터 경로가 데이터의 하나 이상의 부분들의 송신에 유리한 것을 결정할 수 있다. 에지 디바이스는 송신되는 데이터의 하나 이상의 유형들, 송신에 적합한 하나 이상의 프로토콜들, 현재 및/또는 예상되는 네트워크 혼잡, 데이터 송신의 타이밍, 송신되고 있거나 송신될 데이터의 현재 및/또는 예상되는 볼륨들 등과 같은 하나 이상의 네트워킹 변수들에 기초하여 유리한 데이터 경로들을 결정할 수 있다. 송신에 적합한 프로토콜은 TCP(Transmission Control Protocol), UDP(User Datagram Protocol) 등을 포함할 수 있다. 일부 실시예들에서, 에지 디바이스는, 그 전체가 본원에 참고로 포함되는 Ho et al.의 미국 특허 제9,979,664호에 의해 개시된 것과 같은 데이터 통신을 위한 방법을 구현하도록 구성될 수 있다.In some embodiments,
실시예들에서, 스마트 컨테이너 시스템(13000)은 에지 디바이스로부터 데이터를 수신하고 수신된 데이터로부터 디지털 트윈을 생성하도록 구성된 디지털 트윈 모듈(13420)을 포함한다. 디지털 트윈 모듈(13420)에 의해 생성된 디지털 트윈은 스마트 컨테이너 플릿, 스마트 컨테이너, 플릿 관리자, 컨테이너 터미널, 적하장, 컨테이너 선박, 송하인, 화물 등 중 하나 이상의 디지털 트윈일 수 있고, 에지 디바이스로부터 수신된 데이터 중 임의의 것 또는 전부를 사용하여 생성될 수 있다. 에지 디바이스는 스마트 컨테이너, 스마트 컨테이너 화물, 송하인, 컨테이너 항구 등과 관련된 데이터 또는 이들의 조합과 같은 선박 관련 데이터를 송신할 수 있다. 실시예들에서, 스마트 컨테이너 시스템(13000)이 복수의 에지 디바이스를 포함하는 경우, 디지털 트윈 모듈(13420)은 복수의 에지 디바이스로부터 수신한 데이터에 기초하여 디지털 트윈을 생성할 수 있다.In embodiments,
일부 실시예들에서, 에지 디바이스는 사용자 구성 보고서들의 세트에 대한 데이터의 사전 계산 및 집계를 용이하게 하도록 구성될 수 있다. 사용자 구성 보고서들은 디지털 트윈 모듈(13420)에 의해 생성된 디지털 트윈에 통합될 수 있다. 스마트 컨테이너 시스템(13000)의 사용자는 디지털 트윈에 포함될 사용자 구성 보고서의 하나 이상의 파라미터를 정의할 수 있다. 에지 디바이스는 사용자 구성 보고서의 파라미터들에 따라 하나 이상의 데이터 처리 및/또는 필터링을 구현할 수 있다. 에지 디바이스는 사용자 구성 보고서 파라미터들과 관련된 처리된 및/또는 필터링된 데이터를 디지털 트윈 모듈(13420)에 송신할 수 있다. 처리 및/또는 필터링된 데이터를 수신하면, 디지털 트윈 모듈(13420)은 수신된 데이터를 사용하여 사용자 구성 보고서를 포함하는 디지털 트윈을 생성하고 디지털 트윈을 사용자에게 제시할 수 있다.In some embodiments, an edge device may be configured to facilitate pre-computation and aggregation of data for a set of user-organized reports. User-configured reports may be integrated into the digital twin created by
일부 실시예들에서, 에지 디바이스는 하나 이상의 인공 지능(AI) 시스템들에 의한 사용을 위해 데이터를 수집하고 처리하도록 구성될 수 있다. AI 시스템은 지능 서비스(13004), 디지털 트윈 모듈(13420)에 의한 디지털 트윈의 생성을 용이하게 하도록 구성된 하나 이상의 인공 지능 시스템 및/또는 스마트 컨테이너 시스템(13000)에 연결 및/또는 포함된 임의의 다른 인공 지능 시스템을 포함할 수 있다. 에지 디바이스는 데이터가 하나 이상의 AI 시스템에 의한 사용에 적합하도록 데이터를 수집 및 처리 및/또는 필터링하도록 구성될 수 있다. 하나 이상의 AI 시스템에 의한 사용을 위해 에지 디바이스에 의해 수집된 처리 및/또는 필터링된 데이터의 예는 하나 이상의 기계 학습 모델을 훈련하는데 사용하기 위한 훈련 데이터이다.In some embodiments, an edge device may be configured to collect and process data for use by one or more artificial intelligence (AI) systems. The AI system may include an
일부 실시예들에서, 에지 디바이스는 디지털 트윈 모듈(13420)에 의한 디지털 트윈의 생성과 관련된 데이터를 로컬에 저장하도록 구성될 수 있다. 디지털 트윈이 특정 영역, 송하인, 스마트 컨테이너, 플릿(fleet), 컨테이너 항구, 선박 등과 관련되는 경우에, 에지 디바이스는 예를 들어, 특정 영역, 송하인, 스마트 컨테이너, 플릿, 컨테이너 항구, 선박 등에 인접하게 위치됨으로써, 디지털 트윈을 채우는 데 사용하기 위한 데이터를 수집하고 저장하도록 특별히 위치될 수 있다. 에지 디바이스는 디지털 트윈 모듈(13420)로의 데이터의 송신 전에 데이터를 수신, 처리, 필터링, 구성 및/또는 저장할 수 있어서, 데이터는 디지털 트윈의 채움(population)과 관련되고 및/또는 디지털 트윈의 채움에 적합하다. 일부 실시예들에서, 에지 디바이스는 디지털 트윈을 채우기 위해 사용되는 데이터의 송신 타이밍을 조직화하도록 구성될 수 있다. 에지 디바이스는 하나 이상의 네트워크 경로들 및/또는 루트들의 혼잡을 측정 및/또는 예측하도록 구성된 하나 이상의 알고리즘들을 구현할 수 있고, 혼잡의 측정들 및/또는 예측들에 기초하여 송신 데이터의 타이밍의 조직화를 수행할 수 있다. 에지 디바이스는 일부 경우들에서, 예컨대 사용자에 의해 또는 디지털 트윈 모듈(13420)에 의해 설정된 우선순위들에 따라, 다른 것들에 비해 일부 유형들의 데이터의 송신을 우선순위화할 수 있다. 예를 들어, 에지 디바이스는 혼잡이 낮은 저녁 시간 동안 낮은 우선순위 정보의 정규 송신들을 스케줄링할 수 있고, 높은 우선순위 정보를 수신하고 및/또는 높은 우선순위 정보에 대한 요청을 수신하는 즉시 높은 우선순위 정보를 실질적으로 즉시 송신할 수 있다. 일부 실시예들에서, 에지 디바이스는 디지털 트윈을 채우기 위해 사용되는 데이터의 송신을 위한 데이터 프로토콜을 선택하도록 구성될 수 있다. 에지 디바이스는 하나 이상의 최적의 네트워크 경로들 및/또는 루트들을 선택하도록 구성된 하나 이상의 알고리즘들을 구현할 수 있고, 혼잡의 측정들 및/또는 예측들에 기초하여 데이터 송신 프로토콜을 선택할 수 있다.In some embodiments, an edge device may be configured to locally store data related to the creation of a digital twin by
일부 실시예들에서, 에지 디바이스는 복수의 센서들과 통신하고 그로부터 데이터를 수신할 수 있다. 에지 디바이스는 디지털 트윈에 대한 배송 환경에서 이용 가능한 센서들 중에서 대안적인 센서들을 지능적으로 다중화하도록 구성될 수 있다.In some embodiments, an edge device can communicate with and receive data from multiple sensors. Edge devices can be configured to intelligently multiplex alternative sensors among those available in the delivery environment for the digital twin.
디지털 제품 네트워크digital product network
도 150은 본 개시의 일부 실시예에 따른 예시적인 디지털 제품 네트워크(14000) 내의 엔티티들 사이의 통신을 예시한다. 일부 실시예들에서, 디지털 제품 네트워크들은 제품 레벨 거동, 제품 레벨 사용, 환경 데이터, 제품 레벨에서 처리되는 데이터 등과 관련된 데이터를 제공할 수 있는 밸류 체인 네트워크의 엔티티들에 통신가능하게 결합된다. 예를 들어, 제품 데이터는 센서, 진동, 습도, 온도, 압력, 근접, 레벨, 가속도계, 자이로스코프, 적외선 센서, MEM, 액체 렌즈, 충격, 보안, 기계, 제품, 공압, 전도성, 상태 종속 주파수 모니터, 초음파, 커패시턴스 또는 마이크로파 중 적어도 하나에 관한 것일 수 있다.150 illustrates communication between entities within an example
그런 다음, 디지털 제품 네트워크의 지능 계층은 품질, 효율성, 응답, 민첩성, 및 투명성에 대한 고객 요구들과 연관된 과제들을 기업들이 해결할 수 있게 하기 위해 제품 레벨 데이터를 사용할 수 있다. 예를 들어, 제품 레벨 거동 및 사용 데이터는 인공 지능(AI) 시스템들, 기계 학습(ML) 시스템들, 디지털 트윈 시스템들, 로봇 프로세스 자동화(RPA) 시스템들 등에 의해 분석 및 조작될 제3자 소스들과 결합될 수 있다. 데이터 처리 기술들은 난독화, 예측, 시뮬레이션, 변환, 자동화, 보고, 매칭, 스트림 처리, 이벤트 처리 및 정책, 파견(dispatch) 및 오케스트레이션(orchestration), 분석 및 알고리즘들, 또는 기계 학습 중 적어도 하나와 관련될 수 있다.The intelligence layer of the digital product network can then use product-level data to enable companies to address challenges associated with customer demands for quality, efficiency, responsiveness, agility, and transparency. For example, product-level behavior and usage data can be analyzed and manipulated by third-party sources such as artificial intelligence (AI) systems, machine learning (ML) systems, digital twin systems, robotic process automation (RPA) systems, etc. can be combined with Data processing techniques involve at least one of obfuscation, prediction, simulation, transformation, automation, reporting, matching, stream processing, event processing and policy, dispatch and orchestration, analytics and algorithms, or machine learning. It can be.
일부 실시예들에서, 분석은 기술 분석, 진단 분석, 예측 분석, 또는 처방 분석(prescriptive analytic) 중 적어도 하나와 관련될 수 있다. 기술 분석에서는 효과적인 시각화를 위해 압축, 정확 및 라이브 데이터를 사용하여 어떤 일이 일어나고 있는지 기술한다. 진단 분석에서는 근본 원인으로 드릴다운하는 능력과 혼동 정보를 격리하는 기능을 제공한다. 예측 분석에서는 비즈니스 전략, 능동적 적응 및 시뮬레이션을 기술한다. 처방 분석은 챌린저 테스트에 기초하여 액션들 및 전략들을 추천하기 위한 증거 기반 추천들일 수 있고, 특정 추천들을 행하기 위해 진보된 AI 및 분석 기법들을 사용할 수 있다.In some embodiments, the analytics may relate to at least one of descriptive analytics, diagnostic analytics, predictive analytics, or prescriptive analytics. Technical analytics describes what is happening using compressed, accurate, and live data for effective visualization. Diagnostic analytics provides the ability to drill down to the root cause and isolate confusing information. Predictive analytics describes business strategy, proactive adaptation, and simulation. Prescriptive analytics can be evidence-based recommendations to recommend actions and strategies based on challenger testing, and can use advanced AI and analytics techniques to make specific recommendations.
일부 실시예들에서, 디지털 제품 네트워크는 서로 패밀리 관계를 갖는 제품들의 네트워크이다. 예를 들어, 제품들은 모두 동일한 브랜드를 가질 수 있거나, 동일한 메타버스의 일부일 수 있거나, 동일한 표준화된 포맷에 따라 데이터를 생성할 수 있거나, 서로 상호작용하거나 통신하도록 특별히 설계될 수 있다. 디지털 제품 네트워크는 단일 제품에서 사용할 수 없는 정보 및 결과를 생성하기 위해 제품군의 상이한 부분들로부터 정보를 수집한다. 패밀리는 물리적 상품 또는 콘텐츠가 혼합된 물리적인 상품을 포함할 수 있다. 예를 들어, 콘텐츠는 기술 데이터, 사용자 프로파일 정보, 또는 다른 콘텐츠일 수 있다.In some embodiments, a digital product network is a network of products that have family relationships with each other. For example, products may all have the same brand, may be part of the same metaverse, may generate data according to the same standardized format, or may be specifically designed to interact or communicate with each other. A digital product network collects information from different parts of a product line to generate information and results that are not available from a single product. A family may include physical products or physical products with mixed content. For example, the content may be technical data, user profile information, or other content.
일부 실시예에서, 분석 및 조작은 제품 라이프사이클의 개발, 제조, 공급 체인 및 고객 관계 단계에 걸쳐 소중한 통찰력을 이끌어낼 수 있다. 예를 들어, 연결된 제품에서 새로운 연결성 및 기술은 제품 연결, 트랜잭션 및 지원 플랫폼을 만드는 데 사용될 수 있는 지능형 프로비저닝, 데이터 집계 및 분석을 가능하게 한다. 연결된 제품들에 의해 생성된 데이터는 공급 및 수요 체인들 사이의 갭을 브리징(bridge)하기 위해 분석될 수 있다.In some embodiments, analysis and manipulation can lead to valuable insights across the development, manufacturing, supply chain, and customer relationship stages of the product lifecycle. For example, in connected products, new connectivity and technologies enable intelligent provisioning, data aggregation and analytics that can be used to create product connectivity, transactions and support platforms. Data generated by connected products can be analyzed to bridge the gap between supply and demand chains.
디지털 제품 네트워크에서 발생할 수 있는 상호작용들의 유형들 중 2개는 느슨하게(loosely) 결합된 상호작용들 및 플랫폼 상호작용들이다. 느슨하게 결합된 상호 작용의 경우 제품은 서로 직접 연결되지 않는다. 제품은 별도로 작동하며 서로 간의 상호 작용을 본질적으로 신뢰하지 않는다. 예를 들어, 차들이 도로에 있는 동안, 그것들의 시스템들은 차량 조향, 가속, 또는 제동 제어를 위해 다른 차들로부터의 데이터에 의존하지 않는다. 이러한 유형의 상호 작용의 제품은 인근 차량이 곧 차선을 변경할 것임을 나타낼 때와 같이 공유 의도 정보를 사용할 수 있다. 의도를 수령하고 해석하는 제품은 대응 패턴을 평가할 때 의사를 고려할 수 있다. 느슨하게 결합된 상호작용들을 갖는 제품들로부터의 데이터는 인공 지능 시스템들, 기계 학습 시스템들, 로봇 프로세스 자동화 시스템들, 디지털 트윈들 등에서 사용하기 위해 융합되거나 통합될 수 있다.Two of the types of interactions that can occur in a digital product network are loosely coupled interactions and platform interactions. In loosely coupled interactions, products are not directly connected to each other. Products operate separately and do not inherently trust their interaction with each other. For example, while cars are on the road, their systems do not rely on data from other cars to control vehicle steering, acceleration, or braking. Products of this type of interaction can use shared intent information, such as when a nearby vehicle indicates that it will soon change lanes. Products that receive and interpret intent can take the intent into account when evaluating response patterns. Data from products with loosely coupled interactions can be fused or integrated for use in artificial intelligence systems, machine learning systems, robotic process automation systems, digital twins, etc.
플랫폼 기반 상호작용은 동일한 운영 플랫폼 또는 생태계를 공유하는 상이한 제품들을 수반한다. 이러한 공유 생태계는 다양한 종류의 응답 패턴을 조정하고 특정 대응 패턴을 장려하거나 요구할 수 있다. 예를 들어, 빌딩 내의 연기 검출기들은 독립적으로 동작하도록 설계될 수 있지만, 공통 프레임워크를 공유함으로써, 이들은 경보들 또는 심지어 중요한 이벤트 응답들(예를 들어, 스프링클러들의 세트)을 트리거할 수 있다. 연기 검출기는 또한, 감소된 배터리 소비를 위해 그 외에는 휴면될 수 있는 능력들을 가능하게 하기 위해 강화된 경보의 기간들 동안 모니터링 레벨 (예를 들어, 센서 폴링의 주파수, 데이터 송신의 주파수, 데이터 충실도)을 증가시킬 수 있다. 연기 검출기 예에서, 연기 검출기는 자동차가 화재 이벤트들로부터 다른 방향으로 재지향되도록 자율 주행 자동차 시스템에 통신가능하게 결합될 수 있다. 일부 실시예에서, 자율 주행 소방차는 연기 검출기 경보에 응답하여 화재 이벤트로 주행할 수 있다. 이러한 자가 대응 소방차는, 예를 들어, 소방관들이 소방차를 먼저 검색하지 않고 화재 위치에 대응할 수 있는 일부 시골 위치들에서와 같이 지역사회가 전임 전문 소방서를 갖지 않는 경우에 유리할 수 있다.Platform-based interaction involves different products sharing the same operating platform or ecosystem. These shared ecosystems can coordinate different types of response patterns and encourage or require certain response patterns. For example, smoke detectors in a building may be designed to operate independently, but by sharing a common framework, they can trigger alarms or even critical event responses (eg, a set of sprinklers). Smoke detectors also monitor levels (e.g., frequency of sensor polling, frequency of data transmission, data fidelity) during periods of heightened alert to enable capabilities that might otherwise be dormant for reduced battery consumption. can increase. In the smoke detector example, a smoke detector may be communicatively coupled to an autonomous vehicle system to redirect the vehicle away from fire events. In some embodiments, an autonomous fire truck may drive to a fire event in response to a smoke detector alarm. Such self-responding fire trucks can be advantageous in cases where a community does not have a full-time professional fire department, such as in some rural locations where firefighters can respond to a fire location without first searching for a fire truck.
도 150에서, 디지털 제품 네트워크 서비스(14002)의 예는 연결된 제품 또는 지능형 제품과 같은 복수의 디지털 엔티티와 관련된 알고리즘과 통신하고 알고리즘을 실행한다. 예를 들어, 디지털 제품 네트워크 서비스(14002)는 후술되는 디지털 제품 네트워크(14000)의 특정 기능에 적응된 지능 서비스(1IT00)의 버전일 수 있다.150, an example of a digital product network service 14002 communicates with and executes algorithms associated with multiple digital entities, such as connected products or intelligent products. For example, digital product network service 14002 may be a version of intelligence service 1IT00 adapted to specific functions of
일부 예시적인 실시예들에서, 연결된 제품은 특히, 데이터 처리, 네트워킹, 감지, 자율 동작, 지능형 에이전트, 자연어 처리, 담화(speech) 인식, 음성 인식, 터치 인터페이스들, 원격 제어, 자가 구성, 자가 치유, 프로세스 자동화, 계산, 인공 지능, 아날로그 또는 디지털 센서들, 카메라들, 사운드 처리 시스템들, 데이터 스토리지, 데이터 통합, 및/또는 다양한 사물 인터넷(IoT) 능력들과 같은 능력들의 세트로 인에이블될 수 있다. 연결된 제품은 정보 기술의 형태를 포함할 수 있다. 연결된 제품은 프로세서, 컴퓨터 랜덤 액세스 메모리, 및 통신 모듈을 가질 수 있다. 제품은 제품 사용 데이터를 제공하기 위해 밸류 체인 네트워크에 맞는 밸류 체인 네트워크 엔티티로 간주될 수 있다.In some example embodiments, connected products may include, among other things, data processing, networking, sensing, autonomous operation, intelligent agents, natural language processing, speech recognition, speech recognition, touch interfaces, remote control, self-configuration, self-healing. , can be enabled by a set of capabilities such as process automation, computation, artificial intelligence, analog or digital sensors, cameras, sound processing systems, data storage, data integration, and/or various Internet of Things (IoT) capabilities. there is. Connected products may involve any form of information technology. Connected products may have processors, computer random access memory, and communication modules. A product can be considered a value chain network entity that fits into the value chain network to provide product usage data.
제공된 예에서, 연결된 제품(14010), 애드혹 네트워크(14012), 애드혹 네트워크(14014), 로컬 네트워크(14016), 및 로컬 네트워크(14018)는 직접 또는 네트워크(14019)를 통해 디지털 제품 네트워크 서비스(14002)와 통신한다.In the examples provided, connected product 14010, ad hoc
연결된 제품들은 소비자 제품들, 산업 제품들, 또는 디지털 제품 네트워크 서비스(14002)와 통신하거나 적어도 부분적으로 포함할 수 있는 디지털 컴포넌트들을 갖는 다른 제품들일 수 있다. 연결된 제품들은 다양한 산업들 내의 다양한 엔티티들일 수 있다. 예를 들어, 연결된 제품들 각각은 의류, 전자 기기(일반), 컴퓨터 및 컴퓨터 주변기기, 화학 제품(특수), 기계류, 식품 가공, 자동차 부품, 강철, 소매(온라인), 소매(유통업자), 소매(특수 라인), 소매(일반), 소매(식료품 및 식품), 전자 기기(소비자 및 사무실), 농업/농업, 식품 도매업자, 또는 의료 제품에 관한 것일 수 있다.Connected products may be consumer products, industrial products, or other products with digital components that may communicate with or at least partially include digital product network service 14002. Connected products can be various entities within various industries. For example, each of the connected products may be: Clothing, Electronics (General), Computers and Computer Peripherals, Chemicals (Specialty), Machinery, Food Processing, Auto Parts, Steel, Retail (Online), Retail (Distributor), Retail (Specialty Lines), Retail (General), Retail (Grocery and Food), Electronics (Consumer and Office), Agriculture/Agriculture, Food Wholesalers, or Medical Products.
연결된 제품(14010)은 디지털 제품 네트워크 서비스와 직접 통신한다. 예를 들어, 연결된 제품(14010)은 디지털 제품 네트워크 서비스(14002)를 호스팅하는 엔티티에 직접 전자기 대역 통신들을 발송하기 위한 안테나를 포함할 수 있다. 일부 실시예에서, 디지털 제품 네트워크 서비스(14002)는 연결된 제품(14010) 내에서 적어도 부분적으로 호스팅된다. 예를 들어, 연결된 제품(14010)은, 연결된 제품(14010)의 프로세서들에 프로그래밍되는 디지털 제품 네트워크 서비스(14002)의 다양한 지능 계층 모듈들에 직접 센서 데이터를 발송하는 센서들을 포함할 수 있다.Connected product 14010 communicates directly with the digital product network service. For example, connected product 14010 may include an antenna for sending electromagnetic band communications directly to an entity hosting digital product network service 14002. In some embodiments, digital product network service 14002 is at least partially hosted within connected product 14010. For example, connected product 14010 may include sensors that send sensor data directly to various intelligence layer modules of digital product network service 14002 that are programmed into processors of connected product 14010.
애드혹 네트워크(14012)는 연결된 제품(14020) 및 연결된 제품(14022)을 포함한다. 연결된 제품(14020) 및 연결된 제품(14022)은 서로 직접 통신하고 디지털 제품 네트워크 서비스(14002)와 총괄하여 통신한다.
애드혹 네트워크(14014)는 연결된 제품(14024) 및 연결된 제품(14026)을 포함한다. 연결된 제품(14024) 및 연결된 제품(14026)은 서로 직접 통신하고, 네트워크(14019)를 통해 디지털 제품 네트워크 서비스(14002)와 통신한다.
로컬 네트워크(14016)는 게이트웨이(14030), 적어도 하나의 센서 시스템(14032), 적어도 하나의 연결된 제품(14034), 및 추가 데이터 소스(14036)를 포함한다. 제공된 예에서, 게이트웨이(14030)는 센서 시스템(14032), 연결된 제품(14034) 및 추가 데이터 소스(14036) 각각과 통신한다. 그런 다음, 게이트웨이(14030)는 디지털 제품 네트워크 서비스(14002)와 직접 통신한다. 일부 실시예들에서, 게이트웨이(14030)는 디지털 제품 네트워크 서비스(14002)를 호스팅한다.
로컬 네트워크(14018)는 게이트웨이(14040), 적어도 하나의 센서 시스템(14042), 적어도 하나의 연결된 제품(14044), 및 적어도 하나의 추가 데이터 소스(14046)를 포함한다. 게이트웨이(14040)는 센서 시스템(14042), 연결된 제품(14044) 및 추가 데이터 소스(14046) 각각과 통신한다. 그런 다음, 게이트웨이(14040)는 네트워크(14019)를 통해 디지털 제품 네트워크 서비스(14002)와 통신한다. 예를 들어, 게이트웨이(14040)는 라우터 또는 홈 자동 시스템 허브일 수 있다.
네트워크(14019)는 긴 거리에 걸쳐 데이터를 통신하기 위한 임의의 네트워크일 수 있다. 제공된 예에서, 네트워크(14019)는 인터넷 서비스 제공자(ISP)를 통해 액세스되는 인터넷이다.Network 14019 may be any network for communicating data over long distances. In the example provided, network 14019 is the Internet accessed through an Internet Service Provider (ISP).
도 151은 연결된 제품(14110)의 예를 예시한다. 제공된 예에서, 연결된 제품(14110)은 네트워크 인터페이스(14112), 적어도 하나의 프로세서(14114) 및 적어도 하나의 메모리(14116)를 포함한다. 일부 실시예들에서, 연결된 제품들(14010, 14020, 14022, 14024, 14026, 14034, 및 14044)은 연결된 제품(14110)의 구성과 유사한 구성들을 갖는다.151 illustrates an example of connected product 14110. In the example provided, connected product 14110 includes a
연결된 제품(14110)은 적어도 하나의 네트워크 인터페이스(14112), 적어도 하나의 프로세서(14114), 및 적어도 하나의 메모리(14116)를 포함한다. 네트워크 인터페이스(14112)는 네트워크(예를 들어, 인터넷, 사설 네트워크 등)와 통신하는 하나 이상의 통신 유닛을 포함한다.Connected product 14110 includes at least one
프로세서(14114)는 중앙 처리 유닛(CPU), 그래픽 처리 유닛(GPU), 로직 보드, 칩(예를 들어, 그래픽 칩, 비디오 처리 칩, 데이터 압축 칩 등), 칩셋, 제어기, 시스템-온-칩(예를 들어, RF 시스템 온 칩, AI 시스템 온 칩, 비디오 처리 시스템 온 칩 등), 집적 회로, ASIC(application specific integrated circuit), FPGA(field programmable gate array), 근사 컴퓨팅 프로세서, 양자 컴퓨팅 프로세서, 병렬 컴퓨팅 프로세서, 신경망 프로세서, 또는 다른 유형의 프로세서를 포함하는 프로그램 명령, 코드, 이진 명령 등을 실행할 수 있는 임의의 종류의 계산 또는 처리 디바이스일 수 있다.The processor 14114 includes a central processing unit (CPU), a graphics processing unit (GPU), a logic board, a chip (e.g., a graphics chip, a video processing chip, a data compression chip, etc.), a chipset, a controller, and a system-on-chip. (e.g., RF system-on-chip, AI system-on-chip, video processing system-on-chip, etc.), integrated circuit, application specific integrated circuit (ASIC), field programmable gate array (FPGA), approximate computing processor, quantum computing processor, It may be any type of computing or processing device capable of executing program instructions, code, binary instructions, etc., including a parallel computing processor, neural network processor, or other type of processor.
제공된 예에서, 프로세서(14114)는 데이터 수집 모듈(14120), 데이터 보고 모듈(14122), 데이터 분석 모듈(14124), 및 지능 서비스(14126)를 포함한다. 예를 들어, 모듈들은 본 명세서에서 코딩되고 설명된 알고리즘을 수행하도록 프로세서에 명령하기 위해 컴퓨터에 커밋된 전용 전자 회로들 또는 비일시적 컴퓨터 코드일 수 있다.In the example provided, processor 14114 includes a
데이터 수집 모듈(14120)은 연결된 제품(14110)에게 센서들 및/또는 네트워크 인터페이스(14112)로부터 데이터를 수신하고 수신된 데이터를 메모리(14116)에 커밋(commit)하도록 명령한다. 데이터 보고 모듈(14122)은 메모리(14116)에 저장된 데이터를 검색하거나 센서 또는 네트워크 인터페이스(14112)로부터 데이터를 재지향시키고 네트워크 인터페이스(14112)로부터 수신 엔티티로 데이터를 송신한다. 데이터 분석 모듈(14124) 및 지능 서비스(14126)는 분석을 수행하고 데이터에 대해 인공 지능 및/또는 기계 학습 알고리즘을 실행한다.The
메모리(14116)는 CD-ROM, DVD, 메모리, 하드 디스크, 플래시 드라이브, RAM, ROM, 캐시, 네트워크-부착 스토리지, 서버-기반 스토리지 등 중 하나 이상과 같은 임의의 유형의 비일시적 저장 매체일 수 있다. 메모리(14116)는 프로세서(14114)에 의해 실행될 수 있는 방법들, 프로그램들, 코드들, 프로그램 명령들 또는 다른 유형의 명령들을 저장한다.Memory 14116 may be any type of non-transitory storage medium, such as one or more of CD-ROM, DVD, memory, hard disk, flash drive, RAM, ROM, cache, network-attached storage, server-based storage, etc. there is. Memory 14116 stores methods, programs, codes, program instructions or other types of instructions that can be executed by processor 14114.
메모리(14116)는 다양한 데이터 구조로 데이터를 저장한다. 제공된 예에서, 데이터 구조는 사용 데이터 구조(14130), 센서 데이터 구조(14132), 및 도출된 데이터 구조(14134)를 포함한다. 사용 데이터 구조(14130)는 연결된 제품(14110)의 사용과 관련된 데이터를 저장한다. 예를 들어, 사용 데이터 구조는 시간, 위치, 설정, 및 연결된 제품이 사용자에 의해 언제 그리고 어떻게 사용되었는지에 관한 다른 세부사항들을 저장할 수 있다. 센서 데이터 구조(14132)는 연결된 제품(14110)과 관련된 센서로부터 수집된 데이터를 저장한다. 예를 들어, 센서 데이터는 연결된 제품(14110) 내의 센서들로부터 생성되거나 네트워크 인터페이스(14112)에서 수신된 아날로그 센서 신호들에 대응하는 양자화된 디지털 데이터로서 저장될 수 있다. 도출된 데이터 구조(14134)는 사용 데이터 및 센서 데이터로부터 도출된 데이터를 저장한다. 예를 들어, 데이터 분석 모듈(14124)은 도출된 데이터 구조(14134)에 저장될 환경 온도 범위에 의해 카테고리화된 사용 빈도를 결정하기 위해 사용 데이터로부터의 사용 빈도를 센서 데이터로부터의 환경 온도와 비교할 수 있다.The memory 14116 stores data in various data structures. In the example provided, the data structures include a usage data structure 14130, a
도 152는 디지털 제품 네트워크(14200)를 예시한다. 제공된 예에서, 디지털 제품들(14210)의 집합은 제품 데이터(14212) 및 증강된 제품 데이터(14214)를 지능 계층(14220)과 공유한다. 예를 들어, 제품들(상품들 및 서비스들을 포함함)은 제품 레벨 데이터와 같은 데이터를 생성하고, 이를 밸류 체인 네트워크 기술 스택 내의 통신 계층 및/또는 에지 데이터 처리 시설로 송신할 수 있다. 이 데이터는 증강된 제품 레벨 데이터를 생성할 수 있고, 지능 계층에서 추가 처리, 모델링 또는 다른 적응형 또는 조정된 지능 활동을 위해 제3자 데이터와 결합될 수 있다. 이는 제품 및 밸류 체인 사용 사례를 생산 및/또는 시뮬레이션하는 것을 포함할 수 있지만, 이에 제한되지 않으며, 이에 대한 데이터는 제품, 제품 개발 프로세스, 제품 설계 등에 의해 이용될 수 있다.152 illustrates
디지털 제품들(14210)은 산업 제품들(14216), 소비자 제품들(14218), 및 지능 계층(14220)과 통신할 수 있는 다른 유형들의 연결된 제품들을 포함할 수 있다. 일부 실시예들에서, 디지털 제품들(14210)은 도 151의 적어도 하나의 연결된 제품(14110)을 포함한다.
제3자 데이터 시스템(14221)은 제3자 데이터(14222)를 지능 계층(14220)과 공유한다. 예를 들어, 제3자 데이터 시스템(14221)은 제품 데이터(14212)에서 아직 이용 가능하지 않은 지능 계층(14220)에 의해 사용되는 임의의 지원 데이터와 관련된 제3자 데이터(14222)를 공유할 수 있다.Third-party data system 14221 shares third-
지능 계층(14220)은 제품 데이터(14212), 증강된 제품 데이터(14214) 및 제3자 데이터(14220)에 대한 분석을 수행하는 다양한 모듈을 포함한다. 분석은 적어도 하나의 사용자 시스템(14228)에 발송하도록 구성된 데이터(14226)를 출력한다.
제공된 예에서, 지능 계층(14220)은 수요 집계 모듈(14230), 공급 체인 관리 모듈(14232), 신제품 개발 모듈(14234), 고객 관계 관리 모듈(14236), 제품 라이프사이클 관리(PLM) 모듈(14238), 디지털 트윈 모듈(14240), 동기화된 계획 모듈(14242), 지능형 조달 모듈(14244) 및 동적 이행 모듈(14246)을 포함한다. 다른 실시예들은 본 개시의 범위를 벗어나지 않고 다른 조합들 및 유형들의 모듈들을 포함할 수 있다는 것이 이해되어야 한다.In the example provided,
사용자 시스템들(14228)은 구성된 데이터(14226)를 구매하는 제3자 시스템들일 수 있거나, 사용자 시스템(14228)에 의해 생산된 분석 결과를 구매할 수 있거나, 또는 지능 계층(14220)을 동작시키는 동일한 기업에 의해 소유된 시스템들일 수 있다.
제공된 예에서, 사용자 시스템(14228)은 수요 집계 시스템(14250), 공급 체인 관리 시스템(14252), 신제품 개발 시스템(14254), 고객 관계 관리 시스템(14256), 제품 라이프사이클 관리(PLM) 시스템(14258), 디지털 트윈 시스템(14260), 동기화된 계획 시스템(14262), 지능형 조달 시스템(14264) 및 동적 이행 시스템(14266)을 포함한다. 사용자 시스템들 각각은 구성된 데이터에 대한 상이한 사용에 대응하고, 지능 계층 내의 대응하는 모듈에 의해 생성된다.In the example provided,
PLM 시스템(14238)은 밸류 체인 및 제품 라이프사이클 전반에 걸쳐 액세스 가능한 정확하고 최신 제품 정보를 제공할 수 있다. PLM 시스템은 설계, 협업 혁신, 제조/조달을 위한 설계, 플랫폼 기반 설계 철학, 더 빠른 시장 진출 시간, 및 개선된 포트폴리오 관리에 대한 증강된 교차 기능(cross-function) 및 교차 조직 관여(cross-organizational involvement)를 가능하게 할 수 있다.PLM systems (14238) can provide accurate, up-to-date product information that is accessible throughout the value chain and product life cycle. PLM systems provide augmented cross-function and cross-organizational engagement for design, collaborative innovation, design for manufacturing/procurement, platform-based design philosophy, faster time to market, and improved portfolio management. involvement) can be made possible.
신제품 개발 시스템(14234)은, 고객 경험에 응답하고 스마트 실시간 데이터, 진보된 기술들, 및 애자일(agile) 혁신에 의해 변형되는 제품 및 서비스 밸류 체인들을 개발 및 관리하는 것과 연관된다. 신제품 개발 시스템은 개선된 설계 품질, 증가된 생산성, 및 증강된 통신 및 가시성(visibility)에 기여할 수 있다. 예를 들어, 실세계 환경에서 설계를 물리적으로 테스트하는 데 자원을 소비하지 않고 상세한 가상 모델 처리를 통해 이익을 얻는 시뮬레이션; 미래의 설계를 위한 사용자 습관에 대한 최신 모니터링/실시간 모니터링; 조립 설계의 용이성; 조립 후 제품을 형성할 부품의 제조/수집의 용이성을 위한 설계; 품질 제품을 생산하기 위한 작업을 관리하기 위한 기본 기반을 제공하는 사양에 대한 설계 및 준수; 및 더 빠른 문제 해결, 문제 예방, 고객 만족, 성능, 준수 검증 및 회피 보증을 위해 고객 연결에 의해 구동되는 단 대 단(end-to-end) 투명성, 실시간 근본 원인 분석 및 사전 예방 해결에서 개선이 실현될 수 있다. 추가적인 이점으로는 사물 인터넷의 적용을 통한 공급 체인 관리, 첨단 로봇 기술의 사용, 공급 체인 관리 수행 및 고객 만족에서 빅 데이터의 고급 분석의 적용을 들 수 있다. 다른 사용자 시스템들을 구동하는 것 외에도, 많은 추가적인 이점들이 설계 결정들에 영향을 미칠 수 있다. 고객 수요를 이해하고 예측하여 기업 공급 체인 및 비즈니스 관리에 의한 공급 결정을 최적화하는 예측 분석으로 수요 예측을 향상시킬 수 있다. 예측 조달은 이전 조달 데이터를 기반으로 적절한 분석을 통해 미래의 가격 추세, 가격 변동, 관리할 미래 위험 및 필요한 잠재력을 예측할 수 있다. 실시간/최신 제품 관리를 통해 고객 참여를 향상시키고 제품 수명을 연장할 수 있다. 기업(제조 기업 또는 타사 계약업체)은 기존 제품 공급(예를 들어, 장비 유지 관리, 데이터 마이그레이션, 데이터 스토리지)을 보완하는 서비스 및 솔루션을 제공할 수 있는 능력을 개발할 수 있다.New
고객 관계 관리 시스템(14236)에서, 통합 솔루션은 비즈니스 지능 능력들뿐만 아니라 산업 특정 기능성들을 갖춘 솔루션을 갖는 고객들의 뷰를 제공하기 위해 다수의 애플리케이션들로부터의 고객 프로파일들, 상호작용들, 및 거래 정보를 조합할 수 있다. 예를 들어, 디지털 제품 네트워크는: 진단을 수행하는 사람 또는 시스템과 함께 위치된 피검체 대신에 물리적 거리에 의해 피검체들이 분리될 수 있도록 하는 원격 진단; 센서 또는 계량기가 그것이 기록하는 정보를 사용할 수 있는 애플리케이션 소프트웨어에 전달할 수 있게 함으로써 기계 간(inter-machine) 연결(M2); 및 IoT 기반 디지털 보증 관리 시스템으로 더 용이하게 되는 사전적이고 선제적인 보증 관리를 갖는 보증/수리를 가능하게 할 수 있다. 디지털 제품 네트워크는 : 실시간 제품 모니터링 및 더 큰 브랜드 민첩성으로 이어지는 시장을 신속하게 개관하는 능력을 갖는 브랜드/제품 민첩성; 단 대 단 투명성, 실시간 근본 원인 분석, 및 고객 연결성에 의해 도출되는 사전적 솔루션을 갖는 디지털 제품 품질; 실세계 환경에서 설계를 물리적으로 테스트하기 위해 자원을 소비하지 않고 가상 모델 프로세스/사용 VR 및 AR에 고객 툴을 제공함에 의한 시뮬레이션; 부분적인 소유권 사용 및 추적 및 계약의 파라미터를 충족시키기 위한 물리적 양호한 실제 규정 준수; 다른 컴포넌트들 사이의 연결을 제한함으로써 시스템에서 진화하는 다양성 및 능력을 지원하는 일련의 안정적인 컴포넌트들에 대한 공통 플랫폼 및 제품 아키텍처; 및 고객이 제품을 사용/소비하는 방법을 개선하기 위한 소비 통찰력 및 방법을 위한 설계를 추가로 개선할 수 있다.In the customer
도 153은 예시적인 디지털 제품 네트워크(14300)를 예시하고, 도 154는 본 개시의 일부 실시예에 따른 제품 레벨 데이터를 사용하는 방법(14400)을 예시한다. 디지털 제품 네트워크(14300)는 디지털 제품 네트워크(14000)와 유사하며, 여기서 유사한 번호는 유사한 컴포넌트를 지칭한다.Figure 153 illustrates an example
디지털 제품들(14310)은 디지털 제품들(14210)과 유사하다. 제공된 예에서, 디지털 제품들은 각각 제품 프로세서, 제품 메모리, 및 제품 네트워크 인터페이스를 갖는 디지털 제품들의 세트를 포함한다. 일부 실시예들에서, 디지털 제품들(14310) 중 하나는 제어 타워 프로세서, 제어 타워 메모리, 및 제어 타워 네트워크 인터페이스를 갖는 제품 네트워크 제어 타워이다. 일부 실시예들에서, 제품 네트워크 제어 타워는 디지털 제품들(14310) 중 하나가 아닌 제품 또는 서버이다. 제품 프로세서 및 제어 타워 프로세서는 총괄하여 본 명세서에 설명된 바와 같이 디지털 제품 네트워크 시스템을 프로그래밍하는 비일시적 명령어들을 포함한다. 예를 들어, 지능 계층(14320)은 디지털 제품(14310) 및 원격 서버 사이에 분산될 수 있다.Digital products 14310 are similar to
일부 실시예들에서, 디지털 제품들(14310)은 디스플레이(14311)를 포함한다. 일부 실시예에서, 디스플레이(14311)는 제품 네트워크 제어 타워와 연관된다. 디스플레이(14311)는 디스플레이(14311)의 사용자에게 이미지들을 제시한다. 예를 들어, 디스플레이(14311)는 휴대폰, 텔레비전, 프로젝터 등의 화면일 수 있다.In some embodiments, digital products 14310 include a
제공된 예에서, 디지털 제품들의 세트 및 제품 네트워크 제어 타워는 마이크로서비스들의 세트 및 마이크로서비스들 아키텍처를 갖는다. 디지털 제품들(14210) 또는 디지털 제품들(14310)은 방법(14400)의 태스크(14410)내의 제품 프로세서에서 제품 레벨 데이터를 생성한다. 디지털 제품들(14210) 또는 디지털 제품들(14310)은 태스크(14412)내의 제품 네트워크 인터페이스로부터 제품 레벨 데이터를 송신한다.In the example provided, a set of digital products and a product network control tower have a set of microservices and a microservices architecture.
제품 네트워크 제어 타워는 태스크(14414)내의 제어 타워 네트워크 인터페이스에서 제품 레벨 데이터를 수신한다. 제공된 예에서, 제품 프로세서 및 제어 타워 프로세서는 제품 제어 타워와 그리고 디지털 제품들간에 디지털 제품들의 세트로부터 제품 레벨 데이터의 통신을 용이하게 하도록 구성된 공유 통신 시스템에 기초하여 통신하도록 추가로 프로그래밍된다. 일부 실시예에서, 공유 통신 시스템은 디지털 제품 네트워크(14300)를 운영하거나 소유하는 기업에 인가된 전자기기를 포함한다. 일부 실시예들에서, 통신 시스템은 공유 전자기 대역들, 로컬 영역 네트워크들, 인터넷, 5G 등을 통해 통신하기 위한 공유 보안 프로토콜을 포함한다.The product network control tower receives product level data from the control tower network interface in
디지털 제품 네트워크(14300)는 태스크(14416)내의 디지털 제품들의 세트에 걸쳐 제품 레벨 데이터에 의해 표시된 파라미터들을 전달하도록 구성된 제품 레벨 데이터 구조로서 제품 레벨 데이터를 인코딩한다. 디지털 제품 네트워크(14300)는 태스크(14418)내의 제품 레벨 데이터 구조를 제품 메모리 및 제어 메모리 중 적어도 하나에 기록한다. 디지털 제품 네트워크(14300)는 태스크(14420)내의 제품 레벨 데이터 구조를 처리한다. 디지털 제품 네트워크(14300)는 처리된 데이터를 태스크(14422)내의 사용자 시스템으로 송신한다.
일부 실시예에서, 지능 계층(14320)은 그래픽 사용자 인터페이스(GUI) 모듈(14340) 및 근접 모듈(14342)을 포함한다. GUI 모듈은 디스플레이(14311) 상에 표시를 위한 적어도 하나의 사용자 인터페이스 디스플레이를 생성할 수 있다. GUI 모듈(14340)은 적어도 하나의 사용자 인터페이스 디스플레이에서 디지털 제품들의 세트의 적어도 하나의 디지털적으로 인에이블된 제품의 파라미터들을 생성할 수 있고, 적어도 하나의 사용자 인터페이스 디스플레이에서 디지털 제품들의 세트의 근위 디지털 제품들의 근접 디스플레이를 생성할 수 있다. 일부 실시예들에서, 근접 디스플레이를 생성하는 단계는 지리적으로 근접한 근위 제품들의 근접 디스플레이를 생성하는 단계를 포함하며, 여기서 디지털 제품 네트워크는 제품 유형, 제품 능력, 또는 제품 브랜드 중 적어도 하나에 의해 근위 제품들을 필터링하도록 추가로 프로그래밍된다. 일부 실시예들에서, 근접 디스플레이를 생성하는 단계는 제품 유형 근접도, 제품 능력 근접도, 또는 제품 브랜드 근접도에 의해 디지털 제품들의 세트 중 하나에 근접한 근접 제품들의 근접 디스플레이를 생성하는 단계를 포함한다.In some embodiments, intelligence layer 14320 includes a graphical user interface (GUI)
일부 실시예들에서, 지능 계층(14320)은 데이터 통합 모듈(14344)을 포함한다. 일부 실시예들에서, 지능 계층(14320)은 디지털 제품들의 세트 사이에서 에지 분산 의사 결정을 위한 에지 계산 및 에지 지능 모듈 또는 에지 모듈(14346)을 포함한다. 일부 실시예들에서, 에지 모듈(14346)은 디지털 제품들의 세트 사이 또는 세트 밖의 에지 네트워크 대역폭 관리를 위해 구성된다.In some embodiments, intelligence layer 14320 includes
일부 실시예들에서, 지능 계층(14320)은 분산 원장 시스템 모듈(14348)을 포함한다. 일부 실시예들에서, 분산 원장 시스템은 디지털 제품들(14310) 내에 배타적으로 분산될 수 있다. 일부 실시예들에서, 분산 원장은 블록 체인 원장이다.In some embodiments, intelligence layer 14320 includes distributed ledger system module 14348. In some embodiments, the distributed ledger system may be distributed exclusively within digital products 14310. In some embodiments, the distributed ledger is a blockchain ledger.
일부 실시예들에서, 지능 계층(14320)은 디지털 제품들의 세트에서 제품 불만들을 캡처하기 위한 제품 불만 모듈(product complaint module)(14350)을 갖는 품질 관리 시스템을 포함한다. 일부 실시예들에서, 디지털 제품들(14310)은 다른 디지털 제품들(14310)에 대한 불만들을 검출한다. 예를 들어, 디지털 제품은 사용자가 다른 디지털 제품을 사용하는 동안 사용자의 불만을 식별하기 위해 기계 비전 또는 사운드 처리를 사용할 수 있다.In some embodiments, intelligence layer 14320 includes a quality management system with a
일부 실시예들에서, 지능 계층(14320)은 제품 상태 모듈(14352)을 포함한다. 제품 상태 모듈(14352)은 디지털 제품들의 세트의 상태를 식별할 수 있다. 제품 상태 모듈(14352)은 제품 레벨 데이터 구조의 파라미터들 중 하나로서 상태를 추가로 인코딩할 수 있다. 제품 상태 모듈(14352)은 디지털 제품들의 세트에 걸쳐 상태를 또한 추적 및/또는 모니터링할 수 있다. 예를 들어, 자전거 제조업자는 판매된 스마트 자전거의 상태를 모니터링하여 수리 부품 또는 새로운 자전거에 대한 잠재적인 수요를 결정할 수 있다. 다른 예에서, 임대가능한 스쿠터 회사는 수리 및 교체 스쿠터에 대한 예산을 편성하기 위해 스쿠터 플릿 내의 활성 스쿠터의 상태를 모니터링할 수 있다.In some embodiments, intelligence layer 14320 includes
일부 실시예들에서, 지능 계층(14320)은 제품 레벨 데이터 구조에 기초하여 스마트 계약들의 생성을 가능하게 하기 위한 스마트 계약 모듈(14354)을 포함한다. 일부 실시예들에서, 지능 계층(14320)은 스마트 계약 조건 및 조항들이 디지털 제품들의 세트의 복수의 디지털 제품들의 근접도에 의존하도록 하는 조건들의 병치 감응 구성(co-location-sensitive configuration)에 기초하여 스마트 계약들을 구성한다.In some embodiments, intelligence layer 14320 includes a
일부 실시예들에서, 지능 계층(14320)은 로봇 프로그램 자동화(RPA) 모듈(14356)을 포함한다. 일부 실시예들에서, RPA 모듈(14356)은 어떤 디지털 제품들이 디지털 제품들의 세트 내에 있는지에 기초하여 상호작용을 게임화하도록 구성된다. 일부 실시예들에서, RPA 모듈(14356)은 디지털 제품들의 세트의 복수의 디지털 제품들의 사용에 기초하여 RPA 프로세스들을 생성한다.In some embodiments, intelligence layer 14320 includes robotic program automation (RPA)
도 155는 데이터 증강 시스템(14510)이 데이터 사용자 시스템(14514)에 의한 사용을 위해 디지털 제품(14512)으로부터 데이터를 수신하는 디지털 제품 네트워크 시스템(14508)의 예를 예시한다. 일부 실시예들에서, 데이터 증강은 교차 제품 데이터를 활용하기 위한 데이터 융합 및 데이터 통합 중 적어도 하나를 포함한다. 데이터 증강 시스템(14510)은 제품들 내의 분산된 프로세서들내, 또는 다른 적합한 시스템들내 지능 서비스 또는 계층의 일부, 디지털 트윈의 일부, 제어 타워의 일부일 수 있다.155 illustrates an example of a digital
디지털 제품들(14512)은 상기에서 설명된 연결된 제품들(14110)과 유사하다. 디지털 제품들(14512) 각각은 데이터를 데이터 증강 시스템(14510)에 제공한다. 제공된 예에서, 3개의 상이한 디지털 제품들(14512)은 데이터 증강 시스템(14510)과 데이터를 공유하고 있다. 데이터는 제품에 대한 사용 데이터, 제품에 의해 수집된 센서 데이터, 다른 제품으로부터 검색된 데이터, 외부 소스로부터 통합된 데이터, 또는 다른 방법을 통해 획득된 다른 데이터일 수 있다. 예를 들어, 사용 데이터는 제품이 사용되었을 때를 나타내는 타임스탬프, 제품이 얼마나 오래 사용되는지를 나타내는 시간 길이 데이터, 제품이 사용 동안 어떤 다른 제품과 상호 작용했는지를 나타내는 데이터, 및 임의의 다른 적절한 사용 데이터를 포함할 수 있다. 센서 데이터는 환경 데이터, 상태 데이터, 이미지 데이터, 사운드 데이터 등을 포함할 수 있다.
데이터 사용자 시스템(14514)은 증강된 데이터를 사용하거나 생성하는 임의의 시스템일 수 있다. 일부 실시예들에서, 데이터 사용자 시스템들은 데이터 증강 시스템(14510)을 포함한다. 예를 들어, 기계 학습 시스템은 증강된 데이터를 생성하기 위해 제품들(14512)로부터의 다양한 데이터 스트림들에 근거하여 훈련할 수 있다. 제공된 예에서, 데이터 사용자 시스템들(14514)은 AI/ML 시스템들, 로봇 프로세스 자동화(RPA) 시스템들, 및 디지털 트윈 시스템들을 포함한다.Data user system 14514 may be any system that uses or generates augmented data. In some embodiments, data user systems include
일부 실시예에서, 디지털 제품 네트워크 시스템(14508)은 구성, 가정 개선, 품질 제어, 또는 유사한 시스템이다. 예를 들어, 제품들(14512)은 툴들의 패밀리의 일부일 수 있다. 레이저 레벨은 정확한 드릴 포지셔닝을 보장하기 위해 핸드 헬드 자체 레벨링 드릴에 레벨링 데이터 입력을 제공할 수 있다. 디지털 제품 네트워크는 작업 제어 시설로부터 제공된 관련 사양(예를 들어, 적절한 부하 부담(load bearing)을 위해)을 검색할 수 있다. 툴 벨트(tool belt)는 사양에 기초하여 다음 태스크를 위해 사용하거나 액세스하기 위한 적절한 툴을 나타낼 수 있다. 디지털 능력들을 갖는 툴 박스는 이어서 드릴링될 기판의 재료에 기초하여 적절한 드릴 비트 및 패스너 유형을 표시할 수 있다. 그런 다음, 자가 레벨링 드릴은 사양을 검색하여 회전 속도를 설정하고, 해머 드릴 기능 등을 켜거나 끌 수 있다. 그런 다음, 디지털 제품 툴들에 의해 생성된 데이터는 숙련도(workmanship) 사양에 따른 적절한 실행의 검증을 위해 결합될 수 있다.In some embodiments, digital
일부 실시예들에서, 디지털 제품 네트워크 시스템(14508)은 공기 품질 시스템, 에너지 감사 시스템, 또는 유사한 시스템일 수 있다. 예를 들어, 디지털 제품들(14512)은 청소 제품들, 공기 가열 및 냉각 제품들, 공기 필터 제품들, 윈도우 상태 검출 제품들 등일 수 있다. 디지털 진공 청소기는 진공 작동 중에 픽업되는 먼지 및 파편의 양을 검출할 수 있다. 그런 다음, 데이터 증강 시스템(14510)은 먼지 데이터를 디지털 가열/냉각 및 공기 필터 제품 시스템으로부터의 데이터 및 제3자로부터의 날씨 데이터와 융합할 수 있다. 그런 다음, 데이터 사용자 시스템(14514)은 실내 공기 품질 메트릭 및 열악한 실내 공기 품질의 잠재적인 원인을 예측하기 위해 융합된 데이터로 AI 시스템, ML 시스템, RPA 시스템 등을 훈련할 수 있다.In some embodiments, digital
일부 실시예들에서, 디지털 제품 네트워크 시스템(14508)은 수면 품질 시스템(sleep quality system)이다. 예를 들어, 디지털 제품(14512)은 디지털 침대 제품, 전등 스위치 제품, 냉장고 도어 상태 검출기 등을 포함할 수 있다. 디지털 침대 제품은 수면 시간, 불안정, 및 기타 수면 데이터를 검출할 수 있다. 광 스위치 제품은 침대 근처의 주변 광의 양을 표시하기 위해 광의 상태를 표시할 수 있다. 냉장고 도어 상태 검출기는 사용자가 잠자리에서 잠을 시작하기 전에 도어가 마지막으로 개방된 시간을 나타낼 수 있다. 데이터 증강 시스템(14510)은 그런 다음 수면 데이터를 냉장고 사용 데이터 및 주변 광 데이터와 융합할 수 있다. 그런 다음, 데이터 사용자 시스템(14514)은 불량한 수면에 기여할 수 있는 잠재적인 음식 또는 식사 행동을 식별하기 위해 융합된 데이터로 AI 시스템, ML 시스템, RPA 시스템 등을 훈련할 수 있다.In some embodiments, digital
일부 실시예들에서, 디지털 제품 네트워크 시스템(14508)은 전기 회로 분석 시스템이다. 예를 들어, 디지털 제품들(14512)은 회로 차단기 디지털 제품, 감응 전자 제품들 등을 포함할 수 있다. 차단기 디지털 제품은 회로 사용 데이터를 생성할 수 있다. 감응 전자 제품들은 성능 데이터 또는 입력 전압 데이터를 생성할 수 있다. 데이터 증강 시스템(14510)은 그런 다음 다양한 홈 디지털 제품들로부터의 성능 데이터 및 전압 입력 데이터와 회로 사용 데이터를 융합할 수 있다. 그런 다음, 데이터 사용자 시스템(14514)은 건물 내의 회로들을 맵핑하기 위해 융합된 데이터로 AI 시스템, ML 시스템, RPA 시스템 등을 훈련할 수 있고, 심하게 부하가 걸린(loaded) 회로들 등에서의 전압 강하들로부터의 성능 문제들을 피하기 위해 감응 전자 기기들에 대해 사용할 상이한 리셉터클(receptacle)들을 추천할 수 있다.In some embodiments, digital
일부 실시예에서, 디지털 제품 네트워크 시스템(14508)은 어린이 엔터테인먼트 관리 시스템이다. 예를 들어, 디지털 제품(14512)은 디지털 어린이 장난감, 시청 카테고리 데이터를 갖는 텔레비전 등을 포함할 수 있다. 디지털 어린이 장난감은 사용 데이터를 생성할 수 있다. 텔레비전들은 아이들 쇼 시청의 시간 및 지속기간을 나타내는 데이터를 생성할 수 있다. 데이터 증강 시스템(14510)은 이어서 어린이 장난감 사용 데이터를 어린이 시청 쇼와 융합할 수 있다. 그런 다음, 데이터 사용자 시스템(14514)은 텔레비전으로부터 어린이들을 끌어내는 장난감들의 유형들 및 특징들을 식별하고, 새로운 장난감들을 마케팅하고, 새로운 장난감들을 개발하고, 장난감 집중 그룹들 교정 등을 위해 융합된 데이터로 AI 시스템, ML 시스템, RPA 시스템 등을 훈련할 수 있다.In some embodiments, digital
일부 실시예에서, 디지털 제품 네트워크 시스템(14508)은 디지털 엔터테인먼트 콘텐츠를 증강 현실에 관련시키기 위한 큐레이션(curation) 시스템이다. 예를 들어, 디지털 제품들(14512)은 텔레비전들, 증강 현실 헤드웨어, GPS 로케이터들 등을 포함할 수 있다. 데이터 증강 시스템(14510)은 이어서 텔레비전 데이터를 위치 정보 및 랜드마크 정보와 융합할 수 있다. 그런 다음, 데이터 사용자 시스템(14514)은 재생 디바이스(playback device) 상에서 행해진 엔터테인먼트 선택들의 실체에 기초하여 증강 현실 묘사들을 맥락화하기 위해 융합된 데이터로 AI 시스템, ML 시스템, RPA 시스템 등을 훈련할 수 있다. 예를 들어, 도시 X에 있는 텔레비전 쇼 세트는 - 증강 현실에서 - 사용자가 도시 X에 있는 동안 텔레비전 쇼의 내용과 수학적으로 관련된 묘사, 라벨, 마커 및 다른 것들을 제시하기 위해 전화 및 헤드셋 디지털 제품에 연결될 수 있다. 라벨들 및 마커들은 "이 건물은 마피아 보스 Z가 그의 작업을 실행한 곳이다"라고 표시하는 것과 같이, 텔레비전 쇼에서 장면들이 발생한 건물들을 식별할 수 있다. 일부 실시예들에서, 시스템은 식물학(botany)과 관련된 재료를 제시할 수 있다. 예를 들어, 증강 현실은 식물군 관련(flora-related) 환경 특징 등의 지표를 큐레이션할 수 있다. 이는 사용자에게 새로운 위치의 "투어(tour)"를 큐레이션하는 데 사용될 수 있다. 일부 실시예에서, 시스템은 사용자가 도시에 진입할 때 도시를 통과하는 5개의 경로를 제안할 수 있다. 경로들은 사용자 미디어/엔터테인먼트 소비로부터 추론된 사용자 관심들에 관한 증강 현실에 의해 보충될 수 있다. 그런 다음, 시스템은 사용자 미디어 플레이어, 텔레비전, 북 리더기, 전화 등에 관련 콘텐츠를 제공할 수 있다.In some embodiments, digital
일부 실시예에서, 디지털 제품 네트워크 시스템(14508)은 운동 시스템이다. 예를 들어, 디지털 제품들(14512)은 트레드밀, 운동 자전거, 계단식 밀(stair mill), 센서를 갖는 약물 볼, 기계 비전 제품 등을 포함할 수 있다. 운동 제품은 다양한 디바이스에 걸쳐 운동의 기록, 요약 및 분석을 생성할 수 있다. 데이터 증강 시스템(14510)은 그런 다음 운동 기구 제품들에 걸쳐 생성된 데이터를 융합할 수 있다. 데이터 사용자 시스템(14514)은 사용자가 다른 장비에서 한 것을 보완하는 방식으로 장비를 사용하도록 사용자를 안내하기 위해 융합된 데이터로 AI 시스템, ML 시스템, RPA 시스템 등을 훈련할 수 있다. 시스템은 어떤 근육 그룹, 칼로리 등이 관련되거나 사용되는지를 이해하는 디바이스와 조화될 수 있다. 예를 들어, 사용자가 자전거로 10마일을 라이딩하지만 트레드밀, 웨이트, 스텝 카운터 등을 사용하지 않은 경우, 시스템은 사용 정보에 기초하여 사용자가 주어진 기간 동안 특정 장비에서 일부 운동을 수행해야 함을 나타낼 수 있다. 일부 실시예들에서, 시스템은 심장 재활 내의 환자들을 모니터링하기 위해 사용될 수 있다. 일부 실시예들에서, 시스템은 플랫폼들에 걸쳐 엘리트 운동 선수들에 의한 데이터의 훈련 세트들에 기초하는 것을 포함하여, 스포츠 특정 향상들에 대해 운동 선수들을 모니터링할 수 있다.In some embodiments, digital
일부 실시예에서, 디지털 제품 네트워크 시스템(14508)은 탄소 풋프린트 계산 시스템(carbon footprint calculation system)이다. 예를 들어, 디지털 제품들(14512)은 자동차, 서모스탯, 가전 제품, 식품 구매 (POS 데이터), 의류 등과 같은 탄소 방출에 기여하는 액션들을 검출하는 개인용 디바이스들 또는 디바이스들을 포함할 수 있다. 데이터 증강 시스템(14510)은 그런 다음 탄소 풋프린트 계산 제품들에 걸쳐 생성된 데이터를 융합할 수 있다. 그런 다음, 데이터 사용자 시스템(14514)은 융합된 데이터로 AI 시스템, ML 시스템, RPA 시스템 등을 훈련하여 개인 목표, 가족 목표, 사업 목표, 규제 요건 등에 부합하는 계획을 생성할 수 있다. 일부 실시예에서, 계획은 풋프린트가 임계값을 초과할 때 고 탄소 방출 기구의 사용을 제한하기 위해 디바이스 제어를 구현한다.In some embodiments, digital
일부 실시예들에서, 디지털 제품 네트워크 시스템(14508)은 크로스-플랫폼(cross-platform) 또는 크로스-제품 명성 시스템이다. 예를 들어, 디지털 제품들(14512)은 온라인 커뮤니티들과 상호작용할 수 있는 다양한 디지털 제품들을 포함할 수 있다. 데이터 증강 시스템(14510)은 그런 다음 디지털 제품들에 걸쳐 생성된 데이터를 융합할 수 있다. 그런 다음, 데이터 사용자 시스템(14514)은 직립 디지털 시민들을 인증하고 디지털 불량 행위자들을 식별하기 위해 융합된 데이터로 AI 시스템, ML 시스템, RPA 시스템 등을 훈련할 수 있다. 시스템은 다양한 온라인 커뮤니티, 포럼, 애플리케이션, 및 게임에서 사용 조건 또는 규칙과 충돌할 수 있는 치팅(cheating), 불량한 행동, 불량한 스포츠맨십, 성인 언어, 또는 잠재적인 활동의 다른 표시자를 식별할 수 있다. 시스템은 메타버스 ID들, 정부 ID들, 신용 보고서들, 범죄 보고서들 등을 사용할 수 있다. 정보는 디바이스들(예를 들어, 개인용 컴퓨터들, 게이밍 디바이스들, 게임 콘솔들, 게이밍 핸드헬드들, 모바일 디바이스들, 웨어러블들, 가상 현실 헤드셋들 등) 및 데이터베이스들에 걸쳐 공유될 수 있다. 메타버스 ID들은 정부 ID들(예를 들어, 주(state) ID들, 연방 ID들, 운전 면허증들, 여권들 등)과 관련될 수 있고, 그런 다음 또한 하나 이상의 제품 카테고리들에 걸쳐 개인의 ID(예를 들어, 웹사이트에 대한 ID, 엔티티에 대한 ID, 일반 메타버스 ID)와 관련될 수 있어서, 불량한 행동, 치팅, 해킹 등이 플랫폼들에 걸쳐 플래그되고 및/또는 처벌될 수 있다. 일부 실시예들에서, 다음의 유형들의 행동들이 추적된다: 소셜 미디어 상에 혐오 콘텐츠/토론을 포스팅하는 것, 경쟁 환경들 및/또는 보안 애플리케이션들(예를 들어, 비디오 게임들에서의 치팅 프로그램들, DDoSing 웹사이트들/앱들/게임 서버들, 웹사이트들/앱들/보안 데이터베이스들의 서비스 위반들의 약관들, 시스템 취약성들 또는 제3자 프로그램들을 이용하는 것을 통한 돈/거래 사기 등)을 사용하는 것. ID들은 PC들, 랩톱들, 모바일 디바이스들, 스마트 워치들, 스마트 디바이스들 등에 로그인하기 위해 사용될 수 있다. ID들은 플래그된 ID와 관련된 임의의 디바이스, IP 어드레스, 사용자 등으로부터의 데이터가 특정 활동들에 참여하는 것을 방지하기 위해 디바이스로부터의 데이터 스트림 위에 네트워크 게이트웨이, 셀룰러 ID들, 또는 추가의 다른 정보에 결부될 수 있다. 또한, 이러한 트래픽 및 상호작용들은 스로틀링(throttle)될 수 있고, 수정될 수 있고, 감사(auditing)에 종속되고, 실시간 AI/ML 모니터링에 종속되는 것 등일 수 있다. 또한, AI/ML 프로세스는 치트(cheat), ToS 위반, 불량한 행동, 불량한 스포츠 맨십 등을 식별하도록 훈련될 수 있다. AI 칩셋은 이러한 행동, 프로그램 등을 식별하기 위한 디바이스로 개발되어 구현될 수 있다. 일부 실시예들에서, 시스템은 제품들에 걸쳐 양호한 행동에 대한 보상들(예를 들어, NFT들)을 제공하는 인센티브 프로그램들을 포함한다. 보상 및 금융 내역은 디지털 지갑으로 구현될 수 있다.In some embodiments, digital
일부 실시예에서, 디지털 제품 네트워크 시스템(14508)은 개인 건강 관리 시스템이다. 디지털 제품들(14512)은 이식가능/영구 의료 디바이스, 웨어러블 디바이스, 스마트폰, 외부 치료 디바이스, 또는 다른 건강 제품들을 포함하는 패밀리일 수 있다. 이식가능 디바이스들은 (관절 상의 상대적인 압력들을 측정하기 위한 것과 같은) 내부 하중 베어링(internal load bearing)뿐만 아니라 혈액 검사(blood chemistry), 혈압, 면역 반응의 추적을 위한 데이터, 다른 "랩(lab)" 데이터를 생성할 수 있다. 웨어러블 디바이스들은 일반화된 건강 상태들, 움직임, 활동 등에 대한 데이터를 측정하고 생성할 수 있다. 스마트폰 디바이스들은 위치 및 사회적 참여, 영향, 행복, 및 사회적 메트릭들을 포함하는 다양한 사용자 행동 특성들에 대한 데이터를 측정하고 생성할 수 있다. 외부 치료 디바이스는 약물, 물리 치료 및 기타 치료 요법의 준수 여부를 나타내는 데이터를 생성할 수 있다. 데이터 증강 시스템(14510)은 그런 다음 디지털 제품에 걸쳐 생성된 데이터를 융합할 수 있고, 데이터 사용자 시스템(14514)은 그런 다음 AI 시스템, ML 시스템, RPA 시스템 등을 융합된 데이터로 훈련하여 환자의 디지털 트윈 및 시뮬레이션, 진단, 치료 조정, 통신 및 코칭, 사전 문제 검출 등을 위한 요법을 형성할 수 있다. 예를 들어, 개인 건강 관리 시스템은 진단, 처방, 보험(인수, 청구, 감사, 지불, 조정), 치료(약물, PT, 수술), 장기 건강 관리 계획 및 추천, 건강 개선을 위한 추천(운동 수정, 사회적 참여), 건강 관련 행동의 게임화, 및 다른 건강 관련 작업 및 분야를 자동화할 수 있다. 일부 실시예들에서, 시스템은 스마트 냉장고로부터의 데이터와 조합된 수면 패턴들, 심박수, 혈압, 및 다른 건강 파라미터들을 모니터링하여, 사람이 먹어야 하는 음식을 추천하여 전체 건강을 개선할 수 있다.In some embodiments, digital
일부 실시예들에서, 디지털 제품 네트워크 시스템(14508)은 자동차 디지털 현실 시스템이다. 디지털 제품들(14512)은 자동차들, 청각 디바이스들, 증강 현실(AR) 디바이스들, 가상 현실(VR) 디바이스들, 혼합 현실(MR) 디바이스들 등을 포함할 수 있다. 이러한 제품군은 고객의 자동차를 주위에서 회전하며 차량에 연결할 수 있는 다양한 제품에서 데이터 스트림을 활용하려고 할 수 있다. 예를 들어, 주행 데이터 및 차량 내 승객 관찰을 소음, 엔터테인먼트 트랙, 및 음성 단어 콘텐츠를 포함하는 들을 수 있는 데이터와 융합하는 것은 운전자 또는 승객의 전체론적 치료의 감각을 제공할 수 있다. 인-이어(in-ear) 디바이스는 차량과 함께 제품군으로 작동하도록 특별히 설계될 수 있다. AR/VR 헤드셋들은 운전자가 단지 현재 구성으로부터 분리된 자동차의 유형 또는 모델에 대해서가 아니라, 제품들에 의해 결정된 자동차의 현재 상태 및 구성에 기초하여 특정 자동차를 운전하는 것을 학습하는 것을 돕기 위해 구비될 수 있다. AR/VR 헤드셋은 현재 타이어 상태, 연료 레벨, 위치 등을 나타내는 데이터에 기초하여 자동차 소유자가 자신의 자동차를 자신의 자동차에서 친구들과 레이싱할 수 있는 게임과 같은 소셜 비디오 게임을 사용자들이 플레이할 수 있게 하도록 구성될 수 있다.In some embodiments, digital
일부 실시예들에서, 디지털 제품 네트워크 시스템(14508)은 디지털 지갑, 메타버스, AR/VR 디바이스들, 차량, 가정의 개별 방들, 직장, 스마트 시티, 자연 등에서 상주하고 동작하도록 구성된 요소들을 갖는 제품군이다.In some embodiments, the digital
일부 실시예들에서, 디지털 제품 네트워크 시스템(14508)은 산업 시스템이다. 디지털 제품들(14512)은 기계에 대한 조정들의 필요성을 나타내는 기계 센서들(예를 들어, 너무 뜨거운 기계에 대한 팬 사용을 증가시키기 위한 필요성, 윤활에 대한 필요성, 제조 또는 패키징 시스템들의 관점에서 재료들에 대한 필요성, 컨베이어 벨트 센서에 의해 표시된 파손되거나 누락된 롤러들을 수리하기 위한 필요성 등)을 포함할 수 있다. 데이터 증강 시스템(14510)은 환경(예를 들어, 온도, 기류, 습도, 조명, UV 광 등)과 같은 특정 목적들을 위해 웨어하우스 내의 센서 데이터를 융합할 수 있다. 이러한 융합은 이러한 유형들의 데이터 각각에 관련될 수 있거나, 또는 분석 엔진으로부터의 이러한 데이터의 결과들이 임계값들에 기초하여 모바일 디바이스로만 출력될 수 있도록 이러한 데이터의 조합이 별개의 디바이스 상에서 융합될 수 있다(예를 들어, 너무 차가움 - 열을 제안함, 너무 많은 습도 - 제습기를 개시하거나 너무 건조할 때 가습기를 개시함, 너무 많은 UV 광인 경우 차양막(shade)들을 풀다운함, 증가된 기류를 위해 윈도우들을 개방하거나 팬들을 턴온하는 등). 이러한 환경 데이터는 패키징 디바이스들을 위한 제조 시스템들 또는 시스템들에 관한 센서 데이터와 융합될 수 있다. 이 데이터는 기계 상태들의 결과들을 제공하는 분석 엔진에 개별적으로 융합될 수 있다. 그런 다음, 데이터 사용자 시스템(14514)은, 환경 이슈들 또는 기계 상태 이슈들을 해결하기 위해 추천들을 제공하고 및/또는 시스템들을 자동화하기 위해 기계 감지 및 환경 감지의 조합의 결과들을 모바일 디바이스 상의 소프트웨어 애플리케이션에 출력하는 분석 엔진, 추천 엔진, 및/또는 자동화 엔진을 생성하기 위해, 융합된 데이터로 AI 시스템, ML 시스템, RPA 시스템 등을 훈련할 수 있다. 시스템은 또한 비용을 최소로 유지하면서 최적의 조건들을 제공하기 위해 기계 및 환경 조건들을 자동으로 조정하도록 최대 출력에 대한 최적의 조건들을 결정하기 위해 환경 조건들과 기계 상태 조건들의 조합을 모니터링할 수 있다.In some embodiments, digital
일부 실시예들에서, 디지털 제품 네트워크 시스템(14508)은 스포츠 장비 시스템이다. 디지털 제품들(14512)은 골프 클럽들 및 골프 볼들, 야구 배트들 및 베이스볼들, 하키 스틱들 및 하키 퍽들, 테니스 라켓들 및 테니스 볼들, 볼링 볼들 등을 포함할 수 있다. 다양한 타격 도구 및 공은 얼마나 멀리, 얼마나 직진하는지, 공이 타겟으로 이동하는 방법을 나타내는 데이터를 생성할 수 있다. 타격 도구의 기계 비전 시스템 또는 센서들은 타격 도구의 스윙에 대한 가속도, 각도, 회전에 대한 데이터, 및 다른 데이터를 생성할 수 있다. 데이터 증강 시스템(14510)은 그런 다음 스포츠 장비에 걸쳐 생성된 데이터를 융합할 수 있고, 데이터 사용자 시스템(14514)은 융합된 데이터로 AI 시스템, ML 시스템, RPA 시스템 등을 훈련하여 사용자를 코칭하고 스윙을 개선하기 위한 정정 사항들을 식별할 수 있다. 일부 실시예들에서, 시스템은 스마트 운동 기계들 및 스마트 워치들/웨어러블들로부터의 데이터를 융합한다.In some embodiments, digital
일부 실시예들에서, 디지털 제품 네트워크 시스템(14508)은 물리적 소매 시스템이다. 디지털 상품(14512)은 구매하고자 하는 상품, 상품의 패키징, 쇼핑 카트, 스마트폰 등을 포함할 수 있다. 제품은 카트에 추가된 아이템의 유형, 카트에 추가된 아이템의 수량, 스마트 폰의 쇼핑 리스트 상의 아이템 등을 나타낼 수 있다. 데이터 증강 시스템(14510)은 데이터를 융합할 수 있고, 데이터 사용자 시스템(14514)은 융합된 데이터로 AI 시스템, ML 시스템, RPA 시스템 등을 훈련하여, 상보적 제품들에 대한 제안들을 수행하고, 상점에서 상보적 제품들의 위치들을 표시하고, 인센티브들을 제공하는 것 등을 행할 수 있다. 예를 들어, 인센티브는 할인, 보상 포인트, 디지털 배지 등을 포함할 수 있다.In some embodiments, digital
일부 실시예들에서, 디지털 제품 네트워크 시스템(14508)은 상업적 대출 위험 관리 시스템이다. 디지털 제품들(14512)은 웨어하우스, 패키징, 환경 센서들에서의 제품 또는 유사한 제품들을 포함할 수 있다. 제품들은 동일한 웨어하우스에서 상이한 제품들의 근접도 또는 상이한 웨어하우스들에서 동일하거나 상이한 제품들의 존재를 나타내는 데이터를 생성할 수 있다. 데이터 증강 시스템(14510)은 데이터를 융합할 수 있고, 데이터 사용자 시스템(14514)은 AI 시스템, ML 시스템, RPA 시스템 등을 융합된 데이터로 훈련시켜 대출자에게 대출(신용 한도) 조건에 대한 위험 또는 불준수를 표시하거나 가격을 다른 브래킷에 부과하거나 추가 요금을 트리거할 수 있는 재고 물품 이동의 경고를 할 수 있다. 이 시스템은 또한 위험한 조건에서 저장되거나 이동되는 유해 물질이나 폭발 물질과 같이 정부 당국이 관심을 가질 수 있는 극단적인 위험을 표시할 수 있다.In some embodiments, digital
일부 실시예들에서, 디지털 제품 네트워크 시스템(14508)은 미디어 소비 추천 시스템이다. 디지털 제품들(14512)은 마이크로폰들, 텔레비전들 등을 포함할 수 있다. 제품은 사람이 듣는 음악, 책에 대한 사람의 취향, 텔레비전 및 영화 콘텐츠에 대한 사람의 관심을 나타내는 데이터를 생성할 수 있다. 데이터 증강 시스템(14510)은 데이터를 융합할 수 있고, 데이터 사용자 시스템(14514)은 융합된 데이터로 AI 시스템, ML 시스템, RPA 시스템 등을 훈련시켜, 사람에게 어필할 수 있는 비디오 게임을 추천할 수 있다.In some embodiments, digital
일부 실시예들에서, 디지털 제품 네트워크 시스템(14508)은 건강 개선 시스템이다. 디지털 제품들(14512)은 네트워킹된 운동 장비, 로잉 머신들, 고정 자전거들, 스마트 기기(예를 들어, 냉장고), 웨어러블들(예를 들어, 스마트 링 또는 스마트 시계), 스마트 침대들, 및 다른 제품들을 포함할 수 있다. 제품들은 사용자의 전반적인 건강을 더 잘 이해하는 데 사용될 수 있는 데이터를 생성한다. 데이터 증강 시스템(14510)은 데이터를 융합할 수 있고, 데이터 사용자 시스템(14514)은 융합된 데이터로 AI 시스템, ML 시스템, RPA 시스템 등을 훈련하여 사용자의 식습관, 운동 습관, 수면/앉아 있는 습관에 대해 학습할 수 있다. 시스템은 사용자가 너무 많은 칼로리를 소비하고 있는지 또는 그들의 운동 루틴들을 고려하여 잘못된 음식을 먹고 있는지를 결정할 수 있다. 시스템은 또한 사용자의 수면 패턴을 추적하고 사용자가 적절한 시간에 운동 및/또는 식사를 하고 있는지 여부를 결정할 수 있다. 네트워킹된 운동 기구는 사용자에 의해 소유될 수 있거나 짐(gym)에 의해 소유될 수 있다. 기구가 짐에 위치할 때, 운동 디바이스들은 누가 장비에 있는지, 얼마나 오랫동안 사용했는지 등을 알기 위해 사용자의 폰 또는 웨어러블 디바이스와 페어링할 수 있다. 스마트 냉장고는 사용자가 무엇을 구매하는지, 실제로 무엇을 먹는지, 언제 먹는지 등을 판단하는 센서 및 영상 디바이스를 포함할 수 있다. 일부 실시예에서, 스마트 냉장고는 사용자의 프로파일(예를 들어, 자녀가 있는 가족, 독신, 동거 하지만 자녀가 없는 등) 및/또는 누가 먹고 있는지, 무엇을 요리하고 있는지 등을 검증하는 음성 제어 인터페이스를 포함한다. 데이터는 사용자의 전체 건강 프로파일을 결정하도록 AI 시스템을 훈련할 수 있다. 시스템은 사용자에게 더 나은 음식, 더 나은 식사 시간, 얼마나 많이 운동하는지, 몇 번 운동하는지 등과 같은 추천을 하도록 구성될 수 있다.In some embodiments, digital
일부 실시예들에서, 디지털 제품 네트워크 시스템(14508)은 제품 유지보수 시스템이다. 디지털 제품들(14512)은 일부 레벨의 연결성 및 보증들/수리의 일부 컴포넌트들을 갖는 임의의 제품 또는 기계를 포함할 수 있다. 그 결과 생성된 데이터 세트 및 누적 데이터 계층은 원격 진단, 보증 가격, 수리 가격, 교체 제안, 업그레이드 제안 등을 위해 분석되고 사용될 수 있다. 원격 진단의 경우, 피검체는 진단을 수행하는 사람 또는 시스템과 같은 장소에 있는 대신에 물리적 거리에 의해 분리될 수 있다. 보증 및 수리 가격의 경우 IoT 기반 디지털 보증 관리 시스템을 통해 사전 예방적이고 선제적인 보증 관리가 더욱 용이해진다.In some embodiments, digital
일부 실시예들에서, 디지털 제품 네트워크 시스템(14508)은 전력 소비 관리 시스템이다. 디지털 제품들(14512)은 서모스탯들, 조명 스위치들, 전구, 냉장고, 커피 메이커들, HVAC 제품들 등을 포함할 수 있다. 전기 서비스 패널 박스에서 차단기에 의해 분할된 전력 소비 모니터는 다양한 가전 제품/회로에 연결될 수 있다. 일부 실시예들에서, 제품들은 회로 패널 박스 모니터가 제품별 사용 패턴들을 보기 위해 생략될 수 있는 충분한 데이터를 제공한다. 단일 회로는 상이한 기기 소비 패턴(냉장고 온/오프, 진공 온/오프, HVAC 온/오프/열/냉각/팬)을 이해하기 위해 모니터링될 수 있고, 다른 스마트 디바이스(서모스탯, 조명 스위치/전구 등)에 대한 근원-보호(parent-umbrella)일 수 있다. 시스템은 데이터를 조합하고 유지보수, 행동 사용 안내 등을 위한 사용 패턴(냉장고 온도 설정, 커피 메이커 온 타임, 서모스탯/HVAC 사용 등)의 분석을 수행할 수 있다. 예를 들어, HVAC는 에너지를 절약하기 위해 필터 변경들 또는 거동 제안들을 추천하기 위해 전력 소비 (온도, 습도 등을 고려함)에 의해 기류를 모니터링할 수 있다.In some embodiments, digital
일부 실시예에서, 디지털 제품 네트워크 시스템(14508)은 작업 관리 시스템이다. 디지털 제품들(14512)은 위치 센서들, 상태 센서들, 작업 완료 센서들 등을 포함할 수 있다. 데이터 증강 시스템(14510)은 데이터를 융합할 수 있고, 데이터 사용자 시스템(14514)은 메타버스, 실생활 또는 둘 모두에서 태스크 및/또는 서비스를 조정하기 위해 융합된 데이터로 AI 시스템, ML 시스템, RPA 시스템 등을 훈련시킬 수 있다. 예를 들어, 시스템은 지리적 위치, 쿠폰 배포(couponing), 물류 등을 사용하여 어떤 직원들, 가족 구성원들, 또는 다른 참가자들이 태스크를 수행하기 위한 최상의 포지션에 있는지를 결정할 수 있다. 최상의 포지션은 미리 프로그래밍되거나, 절약, 타이밍, 중요도 등과 같은 우선순위들에 대해 AI 최적화될 수 있다. 시스템은 그에 따라 다른 참가자들의 태스크 순서화, 태스크 명령, 및 조정을 제공할 수 있다. 시스템은 실생활에서 그리고 메타버스 작업 환경들에서 수행될 태스크들에 기초하여 동작할 수 있고, 메타버스 및 실생활 활동들을 링크시킬 수 있다. 일부 실시예들에서, 시스템은 입찰하기 위해 서비스들을 내놓을 수 있다. 일부 실시예들에서, 시스템은 메타버스 작업자들 및 실제 작업자들이 결과를 얻기 위해 협력적으로 작업하기 위해 메타버스 내의 서비스들에 대한 시장 및 메타버스 작업 환경을 제공한다.In some embodiments, digital
일부 실시예에서, 디지털 제품 네트워크 시스템(14508)은 개인 건강 시스템이다. 디지털 제품들(14512)은 웨어러블 디바이스들, 안경, 액체 렌즈들을 갖는 안경, 활성 의류(난방, 냉방, 응력/변형, 힘 등), 레크리에이션 디바이스들(GPS 모니터 디바이스들 등), 빌딩 및 다른 환경 시스템들(온도, 습도, 조명 등), 자동차 시스템들 등을 포함할 수 있다. 제품은 개인의 건강에 영향을 미치는 센서 또는 정의된 다른 데이터(마이크로 또는 매크로)를 생성한다. 데이터 증강 시스템(14510)은 개인 건강을 모니터링 및 관리하기 위해 통합될 수 있는 에코시스템들 외부의 것들을 포함하는 다수의 데이터 스트림들을 융합할 수 있다. 데이터 사용자 시스템(14514)은 특정 분석 모델(GPS 내비게이션 알고리즘 등)을 증강하고 검증하기 위해 융합된 데이터로 AI 시스템, ML 시스템, RPA 시스템 등을 훈련할 수 있다. 시스템은 활성 경보들, 시간에 걸쳐 개인 프로파일을 구축하는 자동화된 보고, 제안된 활성 측정들, (예를 들어, 활성화된 의류 또는 다른 디바이스들 등에 의해) 활성 측정들을 시행하기 위한 명령들을 제공할 수 있다. 시스템은 심리적 평가, 권고, 환자 소개하기(referral), 온도, UV 노출, 병원체 존재 등과 같은 위험 요소 식별, 발암 물질 또는 장기 질병을 유발할 수 있는 다른 것에 대한 누적 노출, 평생 의학적 분석, 온도 변화를 위한 의복 활성화, 마사지 등을 수행할 수 있다.In some embodiments, digital
선물 스마트 계약(Futures Smart Contract)Futures Smart Contract
도 156은 스마트 선물 계약 시스템(15000)을 도시한다. 스마트 선물 계약 시스템(15000)은, 예를 들어, 다양한 밸류 체인 네트워크 엔티티들(예를 들어, 지능형 특징들을 갖는 상품들, 지능형 특징들을 갖는 패키징 또는 컨테이너들, 지능형 특징들을 갖는 기반구조 또는 시설들, 지능형 특징들을 갖는 운송 시스템들, 계획 시스템들 등)과 연관된 스마트 계약들의 세트, 예컨대, 위험을 관리하거나 완화하고 (예를 들어, 공급의 부족, 공급 체인 장애들, 수요의 변화들, 입력들의 가격들의 변화들, 시장 가격들의 변화들 등과 같은 다양한 잠재적으로 불리한 우발성의 경우에 개선된 결과들을 헤징(hedging)하거나 제공함으로써), 동작 효율들을 제공하고 (예를 들어, 계획들 또는 예측들에 기초하여 아이템들의 가용성을 보장함으로써), 수익들을 개선하고(예를 들어, 달리 이용 가능할 것보다 더 유리한 가격들로 입력들을 획득함으로써 등), 및/또는 예를 들어, 밸류 체인 네트워크 내에 또는 제공되는 아이템들의 세트와 관련된 선물 시장들(상품들, 주식들, 통화들, 에너지, 및 다른 아이템들을 수반하는 옵션들, 선물들 등에 대한 다양한 시장들을 포함함)에 참여함으로써 다른 이점들을 제공하도록 구성된 스마트 계약들의 세트에 관련될 수 있다. 스마트 계약들에 수반되는 아이템들은 본 명세서에 그리고 본 명세서에 참고로 통합된 문서들에 설명된 상품들, 서비스들, 및 다양한 유형들의 상품들 및 서비스들의 컴포넌트들을 포함하는 임의의 혼합된 제품을 포함할 수 있다.156 illustrates a smart
일부 실시예들에서, 로봇 프로세스 자동화는 선물 계약들을 오케스트레이션하기 위해 수요측 계획으로 동작할 수 있다. 예를 들어, 로봇 에이전트는, 위험 제거(de-risking) 알고리즘들에서 설정된 파라미터들 또는 조건들(예를 들어, 가격 결정 조건들)의 세트를 만족하는 시장 조건들의 발견 시 공급을 위한 약정들을 획득하기 위해 스마트 선물 계약들의 세트가 자동으로 실행되도록, 아이템의 계획된 재고 세트를 제공하기 위해 요구될 입력들의 세트(예를 들어, 부품들, 컴포넌트들, 연료, 재료들, 또는 많은 다른 것들)에 대한 가격들, 배달 시간들, 및 배달 위치들을 설정하는 스마트 선물 계약들의 세트에 대한 항목들 및 조건들을 구성하기 위해 위험 제거 알고리즘들의 세트를 수행할 수 있다. 로봇 에이전트는, 이러한 조건 하에서 이러한 전문가들에 의해 추천되거나 관여되는 계약을 포함하여, 전문가 조달 전문가들의 세트와, 수요 계획 입력들(예를 들어, 수요 예측, 재고 예측 등, 수요 탄력성 곡선, 경쟁 거동의 예측, 공급 체인 예측 및 많은 다른 것들)과 같은 입력들의 세트와의 상호작용들의 훈련 세트와 같은, 데이터의 훈련 세트에 기초하여 훈련될 수 있다. 이것은 기업 수요 계획 소프트웨어 스위트 내의 이러한 전문가의 상호작용을 포함할 수 있다. 에이전트는 수요 인자들, 공급 인자들, 가격 인자들, 및 공급과 수요 사이의 예상 균형, 적절한 재고 추정, 공급 및/또는 유통을 위한 가격, 위치 및 시기를 위한 추천 등을 생성하는 것들을 포함하는 다른 인자들을 예측하는 모델들과 같은, 수요 계획 모델들의 세트와 상호작용하도록 훈련되거나 또는 이를 포함할 수 있다. 실시예에서, 위험 제거 알고리즘은 공급의 부족, 공급 체인 장애, 수요의 변화, 입력물의 가격의 변화, 및 시장 가격의 변화와 같은 상기 언급된 것들을 포함하는 다양한 위험 및 우발성을 감소시키기 위한 것 뿐만 아니라, 거시 경제 인자, 지정학적 장애, 기상 및 기후로 인한 장애, 전염병 또는 팬데믹의 영향, 상대방 위험(counterparty risk)(자금세탁 방지 위험, 신용 위험, 채무불이행 위험 등을 포함함) 등을 포함하는 것을 포함할 수 있다. 실시예들에서, 위험 제거 알고리즘들은, 입력 바이어스(예컨대, 훈련 입력들에서의 바이어스들, 모델들에서의 바이어스들, 불완전하거나 부정확한 데이터로 인한 바이어스들 등), 가중치에서의 바이어스들, 및 다른 것들을 포함할 수 있는 다양한 바이어스들을 식별하는 것을 돕는 것들과 같은 다른 알고리즘들의 사용에 의해 생성된 위험들을 완화시키려고 하는 알고리즘들뿐만 아니라, 알고리즘 수행이 인간 수행보다 열등한 곳(예컨대, 지능 시스템들이 인간 의사 결정자의 일부 중요한 요소를 효과적으로 복제할 수 없는 곳)을 식별하는 것들을 포함할 수 있다. 실시예들에서, 이러한 위험 제거 알고리즘들은 스마트 선물 계약들 및/또는 스마트 선물 계약들을 구성하는데 사용되는 위험 제거 알고리즘들에 대한 조정들에 대한 추천들의 세트를 제공할 수 있다. 일부 실시예들에서, 스마트 선물 계약 시스템(15000)은 디지털 트윈(예를 들어, 공급 체인 디지털 트윈 또는 일반 디지털 트윈 인터페이스)으로부터 동작하거나, 구현하거나, 또는 디지털 트윈과 통합된다.In some embodiments, robotic process automation may operate with demand-side planning to orchestrate futures contracts. For example, a robotic agent obtains commitments for supply upon finding market conditions that satisfy a set of parameters or conditions (e.g., pricing conditions) set in de-risking algorithms. for a set of inputs that will be required to provide a planned inventory set of items (e.g., parts, components, fuel, materials, or many others), so that a set of smart futures contracts can be automatically executed. A set of de-risking algorithms may be performed to construct terms and conditions for a set of smart futures contracts that set prices, delivery times, and delivery locations. The robot agent is equipped with a set of expert procurement experts, including contracts recommended or engaged by these experts under these conditions, and demand planning inputs (e.g. demand forecasts, inventory forecasts, etc., demand elasticity curves, competitive behavior). can be trained based on a training set of data, such as a training set of interactions with a set of inputs (such as predictions, supply chain forecasts, and many others). This may include the interaction of these experts within the enterprise demand planning software suite. Agents may use demand factors, supply factors, price factors, and other factors, including those that generate expected balances between supply and demand, appropriate inventory estimates, recommendations for price, location, and timing for supply and/or distribution, etc. It may be trained to interact with or include a set of demand planning models, such as models that predict factors. In embodiments, de-risking algorithms are intended to reduce various risks and contingencies, including those mentioned above, such as shortages of supply, supply chain disruptions, changes in demand, changes in prices of inputs, and changes in market prices. , macroeconomic factors, geopolitical disturbances, disruptions caused by weather and climate, the impact of epidemics or pandemics, counterparty risk (including anti-money laundering risk, credit risk, default risk, etc.), etc. may include In embodiments, de-risking algorithms may include input biases (e.g., biases in training inputs, biases in models, biases due to incomplete or inaccurate data, etc.), biases in weights, and other factors. Algorithms attempt to mitigate the risks created by the use of other algorithms, such as those that help identify various biases that may include those where algorithmic performance is inferior to human performance (e.g., where intelligent systems This may include those that identify where some important elements of the system cannot be effectively replicated. In embodiments, these de-risking algorithms may provide a set of recommendations for smart futures contracts and/or adjustments to the de-risking algorithms used to construct smart futures contracts. In some embodiments, smart
일부 실시예들에서, 스마트 계약 시스템(15000)은 밸류 체인 네트워크에서의 조건들에 기초하여 선물 시스템(15006)과 스마트 미래 계약들의 세트를 구성 및/또는 입력한다. 일부 실시예들에서, 스마트 선물 계약 시스템(15000)은 선물 시장들의 세트 내의 조건들 및 가격들에 기초하여 밸류 체인 네트워크 상에서 동작한다.In some embodiments,
일부 실시예들에서, 스마트 선물 계약 시스템(15000)은 위험을 관리하거나 완화하기 위해 제품 또는 제품 패키징에 적어도 부분적으로 통합될 수 있다. 예를 들어, 제품 또는 제품 패키징이 불리한 환경 조건에 노출되는 경우, 스마트 선물 계약은 제품이 대체를 필요로 할 피해를 발생시켰다는 우발성을 커버하면서 대체 제품들의 세트를 취득하기 위한 옵션으로서 자동으로 구성될 수 있다. 이는, 예를 들어, 제품/패키지가 제품, 패키지, 운송 차량, 또는 근위 기반구조 상의 센서들에 의해 결정되는 바와 같이 계속 운송 중에 있는 동안, 예를 들어, 실제로 대체가 요구될 것인지 여부를 결정하기에 충분히 잘 제품들의 세트를 테스트하는 것이 가능하거나 가까워 지기 전에 발생할 수 있다. 이러한 옵션 유형(option-type) 선물 계약의 구성은 제품(또는 그 일부 서브세트)이 알려진 노출 데이터에 기초하여 대체될 필요가 있을 확률에 대한 예측을 제공하는 모델 또는 예측 인공 지능 시스템(예를 들어, 이력 데이터 세트 및 다른 입력에 기초하여 훈련될 수 있는 알고리즘에 의해 생성된 것)뿐만 아니라, 대체 필요성의 영향(가격 및 다른 인자에 대한 지연 및/또는 공급 감소의 영향을 포함함)의 예측에 기초할 수 있다. 실시예에서, 스마트 선물 계약은 대체에 대한 요구의 실제 범위, 적절한 옵션 가격 등의 결정을 허용하기 위해 적절한 옵션 지속기간으로 구성될 수 있어서, 재난적 손실의 위험은 완화되는 한편, 수익성 결과의 가능성은 상황들 하에서 가능한 정도로 유지된다. 실시예에서, 대체 상품을 취득하기 위한 옵션 유형 선물 계약은, 고객에게 환불을 제공하거나, 대체 상품 또는 서비스를 제공하거나, 지연된 상품을 수락하기 위한 인센티브를 제공하는, 등과 같은, 대체에 대한 대안들에 대한 조건들을 설정함으로써 위험을 완화시키는 자동으로 구성된 선물 계약들의 세트와 페어링될 수 있다. 이러한 계약들은 본 명세서에 설명된 다른 스마트 선물 계약들에 사용되는 것들과 유사한 입력들, 모델들 및 알고리즘들을 사용하여 구성될 수 있다.In some embodiments, smart
일부 실시예에서, 스마트 선물 계약 시스템(15000)은 현재 시장 상태에 기초하여 선물 가격들의 세트를 재협상한다. 재협상은 이력 데이터에 기초하여, 결과들로부터의 피드백에 기초하여, 및/또는 계약 협상들에 수반된 인간 상호작용들에 기초하여 훈련된 것과 같은 로봇 프로세스 자동화 에이전트들 또는 다른 인공 지능 시스템의 세트에 의해 수행될 수 있다. 많은 예들 중 하나로서, 상품들의 세트에 대한 입력 컴포넌트에 대한 가능한 광범위한 공급 체인 중단의 인식 시에, 시스템은 입력들의 미래 가격(예를 들어, 공급의 연속성을 보장하기 위해), 출력들의 미래 가격(예를 들어, 시장 가격들에서의 가능한 증가들을 반영하기 위해), 및 다른 인자들을 재협상하도록 제안할 수 있고, 이는 재협상의 제안 조건들을 구현하는 선물 스마트 계약들의 세트에서 제안될 수 있다.In some embodiments, smart
일부 실시예들에서, 스마트 선물 계약 시스템(15000)은, 선택적으로 이전 조달 데이터에 기초한 분석, 모델 등의 도움으로, 미래의 가격 트렌드들, 가격 변동들, 관리할 미래의 위험들, 및 잠재적으로 요구되는 다른 요소들을 예측하기 위해 예측 조달에 관련되거나 착수한다. 여기에는 날씨, 기후, 지정학적 상황, 전염병/팬데믹, 상대방 거동, 정부 거동(수입 및 수출 규제 및 그 집행 포함), 교통, 항구 혼잡, 주요 컴포넌트의 재고 레벨, 재료의 가용성 및 가격 및 기타 많은 요소를 고려하는 모델이 포함될 수 있다.In some embodiments, smart
제공된 예에서, 스마트 선물 계약 시스템(15000)은 적어도 하나의 계약 엔티티(15001), 적어도 하나의 데이터 소스(15002), 적어도 하나의 지능 서비스(15004), 적어도 하나의 선물 시스템(15006), 및 적어도 하나의 유통 시스템(15008)을 포함한다. 계약 엔티티(15001)는 지능 서비스(15004)를 소유, 임차, 임대, 구매 또는 다른 방식으로 제어하는 밸류 체인 네트워크의 엔티티이다. 예를 들어, 계약 엔티티(15001)는 미래의 제품 사이클에서 원자재 희소 위험을 관리하는데 관심이 있는 제품의 제조자일 수 있다. 다른 예에서, 계약 엔티티(15001)는 다음 패션 시즌에 대해 대중화될 수 있는 패브릭(fabric), 다이(die), 디자인 등에 대한 조기 식별 및 가격 협상에 관심이 있는 의류 제조자일 수 있다. 또 다른 예에서, 계약 엔티티(15001)는, 다양한 기계들 내의 컴포넌트들의 상태를 모니터링하고 단기도(near future)에 파산(fail)할 것으로 예측되는 컴포넌트들의 선도(future delivery)를 위해 주문하는 산업 엔티티일 수 있다. 산업 엔티티 예에서, 계약 엔티티(15001)는, 선물 가격들이 새로운 기계를 돈을 지불하고(part out) 구매하는 것이 지속적인 수리보다 비용이 덜 든다고 나타낼 때, 수리보다는 기계에 "돈을 지불(parting out)"하기 위한 계약들을 입력하기 위해, 새로운 기계들을 구매하기 위한 선물 가격들을 기계의 고장나지 않은 컴포넌트들을 판매하기 위한 선물 가격들과 비교하도록 지능 서비스(15004)를 구성할 수 있다.In the example provided, smart
데이터 소스(15002)는 지능 서비스(15004)에 의해 사용하기 위한 데이터를 생성한다. 데이터는 본 개시의 범위를 벗어나지 않고 로컬에서 측정되거나(예컨대, 센서들 또는 IoT 디바이스들에 의해), 제3 자들로부터 검색되거나, 다른 지능 서비스들에 의해 결정되거나 증강되거나, 또는 임의의 다른 방식으로 수집될 수 있다. 예를 들어, 데이터 소스(15002)는 제품 레벨 데이터, 고객 레벨 데이터, 또는 다른 밸류 체인 레벨들에서의 데이터를 생성할 수 있다. 제공된 예에서, 데이터 소스(15002)는 직접 연결된 고객들(15010), 지능형 제품들(15012), 및 환경 센서들(15014)을 포함한다. 지능형 제품들(15012) 및 환경 센서들(15014)은 진동, 습도, 온도, 압력, 근접, 레벨, 가속도계들, 자이로스코프, 적외선 센서들, 광학 센서들, MEMS, 액체 렌즈들, 충격, 보안, 기계, 제품, 공압, 전도성, 상태 종속 주파수 모니터, 초음파, 커패시턴스, 또는 마이크로파 중 적어도 하나와 같은 임의의 측정가능한 파라미터와 연관된 센서 데이터를 제공할 수 있다. 데이터 소스(15002)는 사물 인터넷(IoT), 소셜 네트워크, 소셜 미디어, 자동화된 에이전트 거동, 비즈니스 엔티티 거동, 인간 거동, 데이터 소스 결과, 데이터 소스 파라미터, 웨어러블, 개인, 금융, 경제, 신용 점수, 환경, 날씨, 노동, 고용, 센서스(census), 범죄, 건강, 생활(living), 저널리즘/미디어, 엔터테인먼트, 위치/모션, 충성도, 명성, 부동산, 리뷰(review), 마케팅, 식품 및 약물, 교육, 소매, 운송, 생체 인식, 여행, 이벤트, 또는 고객 활동 중 적어도 하나와 같은 임의의 적절한 주제 또는 산업과 연관된 데이터를 생성할 수 있다.Data source 15002 generates data for use by
지능 서비스(15004)는 지능 서비스(1IT00)의 구성된 버전일 수 있다. 예를 들어, 지능 서비스(15004)는 아래에서 설명되는 스마트 선물 계약 시스템(15000)의 특정 기능들을 실행하도록 적응될 수 있다. 제공된 예에서, 지능 서비스(15004)는 적어도 하나의 데이터 스토리지(15019), 스마트 계약 서비스(15020), 수요 집계 서비스(15022), 디지털 지갑(15024), 위험 결정 서비스(15026) 및 로봇 프로세스 자동화(RPA) 서비스(15028)를 포함한다.
데이터 스토리지(15019)는 CD-ROM, DVD, 메모리, 하드 디스크, 플래시 드라이브, RAM, ROM, 캐시, 네트워크-부착 스토리지, 서버-기반 스토리지 등 중 하나 이상과 같은 임의의 유형의 비-일시적 스토리지 매체일 수 있다. 데이터 스토리지(15019)는 방법들, 프로그램들, 코드들, 프로그램 명령어들, 또는 지능 서비스(15004)의 프로세서들에 의해 실행될 수 있는 다른 유형의 명령어들을 저장한다.Data storage 15019 may be any type of non-transitory storage medium, such as one or more of CD-ROM, DVD, memory, hard disk, flash drive, RAM, ROM, cache, network-attached storage, server-based storage, etc. It can be. Data storage 15019 stores methods, programs, codes, program instructions, or other types of instructions that can be executed by processors of
데이터 스토리지(15019)는 다양한 데이터 구조로 데이터를 저장한다. 제공된 예에서, 데이터 스토리지(15019)는 위험 데이터 구조(15021) 및 로봇 프로세스 자동화(RPA) 데이터 구조(15022)를 포함한다. 위험 데이터 구조(15021)는 위험 허용 한도 정보, 위험 식별, 위험 평가, 및 계약 엔티티(15001)와 연관된 다른 위험 정보를 저장한다. 예를 들어, 리스크 데이터 구조(15021)는 가격 변동 허용 오차 및 계약 엔티티(15001)가 미래에 제품에 대해 지불하는데 관심이 있을 수 있는 최대 가격을 저장할 수 있다.The data storage 15019 stores data in various data structures. In the example provided, data storage 15019 includes a
RPA 데이터 구조(15022)는 RPA 서비스(15028)에 의해 실행되는 로봇 프로세스 자동화 알고리즘을 저장한다. 알고리즘들은 다양한 유형들의 신경망들, 다양한 알고리즘들 및 전문가 시스템들 등과 같은, 본 개시 전반에 걸쳐 설명된 다양한 인공 지능 실시예들 및 본 명세서에 참고로 포함된 문서들을 사용할 수 있다.
스마트 계약 서비스(15020)는 데이터 소스들(15002)로부터의 데이터, 선물 시스템들(15006)로부터 수신된 정보, 및 지능 서비스(15004)의 다른 특징들로부터의 분석에 기초하여 스마트 계약들의 수행을 생성, 수정, 및 모니터링한다. 예를 들어, 스마트 계약 서비스(15020)는 상품에 대한 선물 계약을 관할하는 스마트 계약에서 상품의 유형, 단위 수(예를 들어, 기름 배럴, 밀 부셸(bushel), 금 온스 등), 상품에 대해 지급될 계약 가격, 선물 계약의 실행일 및 기타 적절한 파라미터 값들을 상술할 수 있다. 일부 실시예들에서, 스마트 계약 서비스(15020)는, 트랜잭션과 연관된 인증 프로세스를 개시하는 것, 트랜잭션과 연관된 보고 프로세스를 개시하는 것, 트랜잭션과 연관된 물류 정보를 구성하는 것, 조건들(예를 들어, 프리미엄률, 이자율들, 계약 가격, 배달 날짜, 결제 기한 등)의 재구성하는 것과 같은 트리거링 액션(triggering action)들에 대응하는 파라미터 값들을 표시할 수 있다. 스마트 계약을 파라미터화하는 데 사용될 수 있는 데이터의 유형은 본 개시의 범위를 벗어나지 않고 상이할 수 있다는 것이 이해되어야 한다.
일부 실시예들에서, 스마트 계약 서비스(15020)는 자율적으로 동작할 수 있다. 예를 들어, 스마트 계약 서비스(15020)는 RPA 서비스(15028)로부터의 명령들에 기초하여 또는 계약 엔티티(15001)에 의해 제공되는 다른 기준들에 기초하여 인간의 개입 없이 동작할 수 있다.In some embodiments,
일부 실시예에서, 수요 집계 서비스(15022)는 환경 센서(15014)로부터의 데이터에 기초하여 제품의 제조에 사용되는 특정 원자재에 대한 수요가 단기도(near future)에 증가할 수 있음을 예측할 수 있다. 예측된 수요 증가에 기초하여, 스마트 계약 서비스(15020)는 예측된 수요 증가로 인한 가격 증가를 예상하여 원자재의 선도(future delivery)를 위해 선물 시스템(15006)과 스마트 계약을 생성할 수 있고, 데이터 소스(15002)로부터의 다른 데이터는 원자재의 생산이 예상된 수요 증가를 앞서지 않을 수 있음을 시사한다.In some embodiments,
스마트 계약 서비스(15020)는 완료된 태스크들에 응답하여 액션들(예를 들어, 지불, 기록 등)을 트리거하기 위해 태스크의 완료의 증거를 수신한다. 다른 예로, 스마트 계약 서비스(15020)는 계약 엔티티에 의해 표시되는 위험 허용 한도에 기초하여 선물 가격을 모니터링하고 상품 및 서비스를 매수 또는 매도할 수 있다.
수요 집계 서비스(15022)는 그룹, 현장(locale) 등에 걸쳐 수요를 집계한다. 집계는 가상 제품들, 가상 이벤트들, 가상 서비스들, 또는 가상 제품들 또는 이벤트들과 관련된 서비스들 중 적어도 하나에 대한 수요를 집계하는 것을 포함할 수 있다. 수요 집계 서비스(15022)는 수요가 공급의 변화(예를 들어, 희소성 효과), 가격 변화, 맞춤화, 가격, 광고 등에 응답하는 방법과 같은 다수의 시스템들에 걸친 수요 응답을 모니터링한다.The demand aggregation service (15022) aggregates demand across groups, locales, etc. Aggregating may include aggregating demand for at least one of virtual products, virtual events, virtual services, or services associated with virtual products or events.
일부 실시예에서, 수요 집계 서비스(15022)는 하나 이상의 제품, 카테고리, 원자재, 컴포넌트, 물류 예약, 소모품, 장비 등에 대한 정보, 주문 및/또는 약정(선택적으로, 스마트 계약일 수 있는 하나 이상의 계약으로 구현됨)을 집계한다. 수요 집계는 기존 제품에 대한 현재 수요 및 아직 사용할 수 없는 제품에 대한 장래 수요를 포함할 수 있다.In some embodiments,
디지털 지갑(15024)은 선물 시스템(15006) 내외로의 지불을 위한 뱅킹 및 금융 정보를 저장한다. 예를 들어, 디지털 지갑(15024)은 암호화폐 정보, 은행 잔고 및 라우팅 정보, 및 선물 시스템들 및 유통 시스템들(15008)에서 트랜잭션들을 완료하는 데 사용될 수 있는 다른 정보를 저장할 수 있다.Digital wallet 15024 stores banking and financial information for payments into and out of
위험 결정 서비스(15026)는 데이터 소스(15002), 수요 집계 서비스(15022), 및 선물 시스템(15006)에 의해 수신된 이벤트 및 조건과 연관된 위험을 결정한다. 예를 들어, 위험 결정 서비스(15026)는 원자재가 필요할 때 배달을 위해 원자재가 필요하기 전의 어느 시점에 선물 시스템(15006)에서 원자재를 구매할 위험보다 원자재를 필요할 때 구매하기 위해 기다리는 재정적 위험이 더 크다는 데이터를 스마트 계약 서비스(15020)에 제공할 수 있다. 일부 실시예에서, 위험 결정 서비스(15026)는 위험 데이터(15021)로부터 가격 변동 허용 한도와 같은 위험 정보를 검색한다. 가격 변동 허용 한도가 낮은 경우, 스마트 계약 서비스(15020)는 계약 엔티티(15001)가 지급하고자 하는 최대 가격에 선물 가격이 근접함에 따라 원자재의 선도를 위한 스마트 계약을 실행할 수 있다. 높은 가격 변동 허용 한도로 인해, 스마트 계약 서비스(15020)는 나중에 가격이 하락할 수 있다는 희망으로 선물 가격이 최대 가격을 초과하는 것을 허용할 수 있다.Risk determination service 15026 determines the risk associated with events and conditions received by data source 15002,
로봇 프로세스 자동화(RPA) 서비스(15028)는, 다른 것들 중에서도, 계약 엔티티(15001)와 선물 시스템(15006) 사이의 스마트 계약들을 생성 및 검증하는 컴퓨터 자동화를 용이하게 할 수 있다. 일부 실시예들에서, RPA 서비스(15028)는 개개의 태스크들의 수행에서 인간들에 의해 수행되는 패턴들 및 프로세스들을 학습하기 위해 다양한 시스템들과의 인간 상호작용을 모니터링한다. 이것은 하드웨어 요소들, 소프트웨어 인터페이스들, 및 다른 요소들과의 상호작용들을 수반하는 인간 행동들의 관찰을 포함할 수 있다. 관찰들은, 많은 다른 예들 중에서도 특히, 특징들 또는 객체들을 인식 또는 분류하기 위해 RPA 시스템이 학습하는 것을 돕는 특징들로 인간이 훈련 데이터 세트를 태깅하거나 라벨링(label)하는 경우와 같이, 인간이 실제 테스트를 수행할 때의 현장 관찰들, 뿐만 아니라, 인간이 RPA 시스템에 대한 훈련 데이터 세트 또는 입력을 제공하기 위한 명시적 의도로 인간이 액션을 수행하는 시뮬레이션들 또는 다른 활동들의 관찰들을 포함할 수 있다.Robotic process automation (RPA) service 15028 may facilitate, among other things, computer automation of creating and validating smart contracts between contract entity 15001 and
일부 실시예들에서, RPA 서비스(15028)는 학습된 패턴들 및 프로세스들에 기초하여 특정 태스크들을 수행하는 것을 학습할 수 있어서, 태스크들은 인간 결정자(human decision maker)의 지원 또는 대신에 RPA 서비스(15028)에 의해 수행될 수 있다. 예를 들어, RPA 서비스(15028)는 농부가 전형적으로 작물을 수확하기 대략 2주 전에 작물을 판매 장소로 운송하기 위해 트럭 서비스들을 예약하는 것을 식별할 수 있다. RPA 서비스(15028)는 농부가 수확 기계 상에서 연간 서비스를 수행하고, 작물을 수확하기 대략 3주 전에 작물이 일정한 높이로 성장했음을 추가로 식별할 수 있다. (예를 들어, 기계 자체로부터의 데이터에 의해, 신용 카드 영수증에서 연료 필터를 식별함으로써, 서비스를 식별하는 기계 비전에 의해 등) 수확기의 연간 서비스를 검출하는 것에 기초하여 또는 (예를 들어, 데이터 소스(15002)로부터의 기계 비전 데이터에 의해) 작물의 높이가 일정한 높이에 도달했다는 것을 식별하는 것에 기초하여, RPA 서비스(15028)는 물류 예약 시스템(15038)에 질의할 수 있다. 물류 예약 시스템(15038)으로부터의 응답에 기초하여, 스마트 계약(15020)은 서비스 또는 작물 높이 결정으로부터 3주에 트럭 운송 서비스에 대해 농부에게 예약 옵션을 제시하거나 농부에 대신하여 예약을 협상할 수 있다.In some embodiments, the RPA service 15028 can learn to perform certain tasks based on learned patterns and processes, such that tasks can be performed in support of or on behalf of a human decision maker. 15028). For example, RPA service 15028 may identify that a farmer typically schedules truck services to transport crops to a sales location approximately two weeks before harvesting the crops. The RPA service 15028 may further identify that the crop has grown to a certain height approximately three weeks before the farmer performs annual services on the harvesting machine and harvests the crop. On the basis of detecting the harvester's annual service (e.g. by data from the machine itself, by identifying fuel filters on credit card receipts, by machine vision identifying service, etc.) or (e.g. by data from Based on identifying that the height of the crop has reached a certain height (by machine vision data from source 15002), RPA service 15028 may query logistics reservation system 15038. Based on the response from the logistics reservation system 15038, the
선물 시스템(future system)(15006)은 미래에 배송 또는 수행될 상품과 서비스가 구매되고 판매되는 임의의 시스템일 수 있다. 예를 들어, 선물 시스템(15006)은 선도 계약(forward contract), 거래소 선물, 옵션, 각종 파생 상품(derivative) 등을 수반할 수 있다. 배달하거나 이행하여야 할 상품 및 서비스는 부동산, 상품, 원자재, 완제품, 계산 용역, 기타 장래에 배달되거나 이행하여야 할 의무가 발생할 수 있는 임의의 물적 또는 이행가능한 서비스를 포함할 수 있다. 제공된 예에서, 선물 시스템(15006)은 컴포넌트 선물(component future)((15030), 원자재 선물(15032), 소비재 선물(15034), 장비 선물(15036), 및 물류 예약(15038)을 포함한다.A
컴포넌트 선물(15034)은 기계 부품, 상품의 수리 부품, 상품의 웨어러블 부품, 상품의 업그레이드 부품, 제조자에 의해 새로운 상품으로 조립될 부품, 및 다른 컴포넌트 유형에 관한 것일 수 있다. 일부 실시예들에서, 컴포넌트 선물들(15030)은 순환 경제 시스템(circular economy system)들과 연관된다. 예를 들어, 스마트 계약 서비스(15020)는 컴포넌트와 같은 상품의 선물 가격에 기초하여 순환 경제 최적화를 수행할 수 있다.Component gift 15034 may relate to mechanical parts, repair parts of a product, wearable parts of a product, upgrade parts of a product, parts to be assembled into a new product by the manufacturer, and other component types. In some embodiments, component gifts 15030 are associated with circular economy systems. For example, the
원자재 선물(15032)은 다른 상품을 생성하는 데에 사용되는 재료일 수 있다. 예를 들어, 원자재(15032)는 구리, 강철, 철, 리튬 등일 수 있다. 소비재 선물(15034)은, 상품을 생성하거나 서비스를 수행할 때 소비되는 아이템에 관한 것일 수 있다. 예를 들어, 소비재는 면도기 블레이드, 커피 포드(coffee pod), 일회용 배터리, 저장 처리를 하지 않은 돼지의 옆구리살(pork belly) 등을 포함할 수 있다.Commodity futures (15032) can be materials used to create other commodities. For example, the raw material 15032 may be copper, steel, iron, lithium, etc. Consumer goods futures 15034 may relate to items consumed when creating a product or performing a service. For example, consumer products may include razor blades, coffee pods, disposable batteries, raw pork belly, etc.
장비 선물(15036)은 기계류, 차량들, 및 다른 장비에 관한 것일 수 있다. 물류 예약 선물(15038)은 입고(warehousing), 운송 등을 위한 선물 서비스에 관한 것일 수 있다. 예를 들어, 물류 예약 선물(15038)은 포트 도킹(port docking) 예약, 트럭 예약, 웨어하우스 공간 대여, 운하 통로 예약 등을 포함할 수 있다.Equipment gifts (15036) may relate to machinery, vehicles, and other equipment. Logistics reservation gift (15038) may relate to gift services for warehousing, transportation, etc. For example, logistics reservation gifts 15038 may include port docking reservations, truck reservations, warehouse space rentals, canal passage reservations, etc.
유통 시스템(15008)은 공급 체인 내의 아이템들의 세트의 피킹(picking), 패킹(packing), 이동(moving), 저장, 입고, 수송 또는 배달 중 적어도 하나에 관한 것이다. 제공된 예에서, 스마트 계약 서비스(15020)는 유통 시스템(15008)을 통한 물리적 아이템들의 선도, 저장, 및 취급을 위해 스마트 계약들에 상세히 설명된 배달 날짜들 및 위치들과 협력하여, 배달, 저장, 및 아이템들의 다른 취급을 위한 계약들을 물류 예약 시스템(15038)에 입력한다.
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 유형을 재조작하는 것(예컨대, 컨볼루션 신경망, 순환 신경망, 피드포워드 신경망, 장기/단기 메모리(LSTM) 신경망, 자가-조직화 신경망, 또는 많은 다른 유형 및 조합 중에서 신경망 유형을 수정함으로써), 및/또는 인공 지능 시스템에 대한 입력의 세트를 증강시키는 것을 포함할 수 있다.In some embodiments, the value chain may include an intelligent agent system receiving feedback from users regarding each intelligent agent. For example, in some embodiments, a client application utilizing an intelligent agent may provide an interface through which a user can provide feedback regarding actions output by the intelligent agent. In embodiments, the user provides feedback identifying and characterizing any errors by the intelligent agent. In some of these embodiments, a report may be generated (e.g., by a client application or platform) indicating the set of errors encountered by the user. Reports can be used to reconfigure/retrain intelligent agents. In embodiments, reconfiguring/retraining an intelligent agent includes removing inputs that are a source of error, reconfiguring a set of nodes of an artificial intelligence system, reconfiguring a set of weights of an artificial intelligence system, and reconfiguring the set of outputs, reconfiguring the processing flow within an artificial intelligence system (e.g., placing gates on a recurrent neural network to balance learning with the need to reduce certain inputs to avoid explosive error problems) RNNs), reengineering types of artificial intelligence systems (e.g., convolutional neural networks, recurrent neural networks, feedforward neural networks, long/short-term memory (LSTM) neural networks, self-organizing neural networks, or many other types. and, in combination, by modifying the type of neural network), and/or augmenting the set of inputs to the artificial intelligence system.
실시예에서, 신피질 활동(neocortex activity)을 모방하거나 시뮬레이션하는 신경망 유형의 조합을 표현하는 신경망 자원의 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 유형은 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 자원 유형의 세트를 선택하고, 처리 흐름에 따라 신경망 자원 유형을 배열하고, 신경망 자원의 세트에 대한 입력 데이터 소스를 구성하고, 및/또는 이용가능한 계산 자원 상에 신경망 유형의 세트를 자동으로 배치하여, 원하는 지능형 에이전트/자동화 작업흐름을 수행하기 위해 구성된 신경망 자원의 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 유형의 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 유형 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.In an embodiment, a library of neural network resources representing combinations of neural network types that mimic or simulate neocortex activity is provided to human experts to perform a variety of activities that are the subject of the development of intelligent agents, such as those involving robotic process automation. It can be configured to allow the selection and implementation of modules that replicate the combinations used by. In embodiments, the various neural network types from the library may be configured in serial and/or parallel configurations to represent the processing flow, when involved in an activity that is the subject of automation, e.g., based on spatiotemporal imaging of the brain. It can be arranged to mimic or replicate the flow of processing in . In embodiments, an intelligent software agent for agent development may select a set of neural network resource types, arrange the neural network resource types according to a processing flow, and configure the neural network resource types, such as using any of the training techniques described herein. Configure input data sources for a set of neural network resources, and/or automatically deploy a set of neural network types on available computational resources to initiate training of a set of neural network resources configured to perform the desired intelligent agent/automation workflow. can be trained to do so. In embodiments, an intelligent software agent used in agent development operates on an input data set of spatiotemporal imaging data of the human brain, such as an expert performing a workflow that is subject to the development of additional applications, and initiates learning of a neural network. It uses spatiotemporal imaging data to automatically select and organize the selection and arrangement of sets of types. Accordingly, a system for developing intelligent agents may be configured for (optionally automatic) selection of neural network types and/or arrangements based on the spatiotemporal neocortical activity patterns of human users involved in the workflow in which the agent is trained. Once developed, the resulting intelligent agent/process automation system can be trained as described throughout this disclosure.
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 유형 및 소스의 (선택적으로 자동적인) 선택을 위해 구성될 수 있다.In embodiments, a system for developing intelligent agents (including the aforementioned agents for development of intelligent agents) may be configured to enable a human user to (optionally automatically) infer which data sources should be selected as input to the intelligent agent. Information from brain imaging is available. For example, for processes in which the neocortical area (O1) is highly active (involving visual processing), visual input (e.g., available information from cameras, or especially visual representations of information such as price patterns) is advantageous data. Can be selected as a source. Similarly, for processes involving area C3 (which involves storage and retrieval of facts), a data source that provides reliable factual information (such as a blockchain-based distributed ledger) may be selected. Accordingly, systems for developing intelligent agents can be configured for (optionally automatic) selection of input data types and sources based on the spatiotemporal neocortical activity patterns of human users involved in the workflow for which the agent is trained.
도 157은 본 개시의 일부 실시예에 따른 에지 네트워킹(EDNW) 시스템(16100)의 예시적인 환경을 예시한다. 실시예들에서, 에지 네트워킹 시스템(16100)은 하나 이상의 에지 환경(16102-108)에 에지 네트워킹 서비스들을 제공하기 위한 프레임워크를 제공한다. 일부 실시예들에서, 에지 네트워킹 서비스(16100)는 각각의 에지 환경들(16102-108)에서 적어도 부분적으로 복제될 수 있다. 에지 네트워킹 시스템(16100)이 적어도 부분적으로 복제될 수 있는 에지 환경(16102-108)의 예는 디바이스(16102), 구내(16104), 텔레콤 설치(16106) 및 컴퓨팅 클라우드(16108)를 포함한다. 이들 실시예들에서, 에지 네트워킹 시스템(16100)의 개별 인스턴스는 본 명세서에서 논의된 에지 네트워킹 시스템(16100)의 능력들 및/또는 모듈들의 일부 또는 전부를 포함할 수 있으며, 이에 의해 에지 네트워킹 시스템(16100)은 에지 네트워킹 시스템(16100)이 복제되는 각각의 에지 환경(16102-108)에 의해 수행되는 특정 기능들에 적응된다. 에지 디바이스들(16102)의 예들은 클라이언트 디바이스들, 스마트 디바이스들, 및 연결된 디바이스들, 웨어러블 디바이스들, 및 임의의 다른 적절한 디바이스를 포함한다. 구내(16104)의 예들은 가정/주거 건물들, 공장 건물들, 사무실 건물들, 캠퍼스들, 정부 건물들, 의료 건물들, 및 임의의 다른 적합한 건물, 캠퍼스, 또는 구내를 포함한다. 에지 텔레콤 설치들(16106)의 예들은 기지국들, 위성들, 지역 데이터 센터들, 중계국들, 신호 어레이들, 및 임의의 다른 적합한 텔레콤 설치를 포함한다. 컴퓨팅 클라우드들(16108)의 예들은 인-클라우드(in-cloude) 계산 네트워크들, 사설 클라우드들, 공용 클라우드들, 하이브리드 클라우드들, 멀티클라우드들, 서비스형 인프라스트럭처(infrastructure-as-a-service cloud) 클라우드들, 서비스형 플랫폼들(platforms-as-a-service) 클라우드들, 서비스형 소프트웨어(software-as-a-service) 클라우드들, 및 임의의 다른 적절한 유형의 컴퓨팅 클라우드들을 포함한다.157 illustrates an example environment of an edge networking (EDNW)
추가적으로 또는 대안적으로, 일부 실시예들에서, 에지 네트워킹 시스템(16100)은 마이크로서비스들의 세트로서 구현될 수 있어서, 상이한 에지 환경들(16102-108)이 에지 환경들(16102-108)에 노출된 하나 이상의 API들을 통해 에지 네트워킹 시스템을 활용할 수 있다. 이들 실시예들에서, 에지 네트워킹 시스템(16100)은 상이한 에지 환경들(16102-108)에 적응될 수 있는 다양한 유형들의 에지 네트워킹 서비스들을 수행하도록 구성될 수 있다. 이들 구성 중 어느 하나에서, 에지 환경(16102-108)은 네트워킹 요청을 에지 네트워킹 시스템(16100)에 제공할 수 있고, 이에 의해 요청은 특정 네트워킹 태스크(예를 들어, 연결 개시, 일련의 연결 개시, 데이터의 암호화, 연결을 통한 암호화된 데이터의 송신, 연결 및/또는 데이터 송신을 위한 프로토콜의 사용, 라우팅 결정 또는 계산, 데이터 송신을 위한 애플리케이션 특정 프로토콜의 사용, AI 칩셋 인터페이싱 인스턴스, 5G 소프트웨어 정의, AI 보조 또는 인에이블된(enabled) 네트워킹, 튜닝 가능한 신호 필터링, AI 보조 또는 인에이블된 네트워크 증강, 또는 디지털 트윈 네트워크 구성, 시뮬레이션, 예측, 테스트 등)을 수행하는 것이다. 이에 응답하여, 에지 네트워킹 시스템(16100)은 각각의 에지 환경(16102-108)에 대해 요청된 네트워킹 태스크를 실행한다.Additionally or alternatively, in some embodiments,
추가적으로 또는 대안적으로, 일부 실시예들에서, 에지 네트워킹 시스템(16100)은 마이크로서비스들 및/또는 네트워킹 태스크들로 구성된 하나 이상의 특수 칩들을 사용하여 구현될 수 있다. 실시예들에서, 에지 네트워킹 시스템(16100)은 VCN 버스(16110)를 통해 통신할 수 있다. 에지 환경들(16102-108) 중 하나 이상은 VCN 버스에 연결될 수 있고, 이에 의해 에지 네트워킹 시스템(16100)의 인스턴스들이 버스를 통해 서로 통신할 수 있게 한다. VCN 제어 타워(16112)는 또한 버스에 연결될 수 있다. 이와 같이, 에지 네트워킹 시스템(16100)의 하나 이상의 인스턴스는 VCN 제어 타워(16112)로 데이터를 송신하고 그로부터 신호를 수신할 수 있다.Additionally or alternatively, in some embodiments,
도 158은 복수의 VCN 시스템 서비스(16202-206)가 VCN 버스(16110)에 연결되는 에지 네트워킹 시스템(16100)의 환경의 예시적인 실시예를 예시한다. 실시예들에서, 에지 네트워킹 시스템(16100)은 VCN 제어 타워 및/또는 다른 VCN 시스템 서비스들(16202-206)(예를 들어, DPNW 시스템, ROBO 시스템, NRGY 시스템과 같은 에너지 시스템 및 프로세스 등) 중 하나 이상으로 데이터를 송신하고 및/또는 이들로부터 데이터를 수신할 수 있다. 에너지 시스템 및 프로세스는 본 개시에 설명된 에너지 시스템, 프로세스, 모듈, 서비스, 플랫폼 등일 수 있거나 이를 포함할 수 있는 에너지 시스템(예를 들어, NRGY 시스템)으로 지칭될 수 있다. VCN 제어 타워(16112)로부터 에지 네트워킹 시스템(16100)에 의해 수신된 데이터는, 예를 들어, VCN 제어 타워에 의해 명령되고 다수의 VCN 엔티티들 사이의 데이터의 공유에 의해 완료될 VCN 태스크들에 관련된 데이터를 포함할 수 있다. 에지 네트워킹 시스템(16100)은 암호화 코드들, 라우팅 데이터, 프로토콜 정보, 데이터, AI 예측들, AI 라우팅 정보, AI 결론들, 또는 임의의 다른 적절한 데이터와 같은 하나 이상의 VCN 태스크들에 따라 하나 이상의 네트워킹 태스크들을 수행할 수 있다. 에지 네트워킹 시스템(16100)은 추가적으로 또는 대안적으로 VCN 버스를 통해 VCN 엔티티들 중 다른 것에 데이터를 송신할 수 있다.Figure 158 illustrates an example embodiment of an environment of
일부 실시예들에서, 에지 네트워킹 시스템(16100)은 다른 VCN 모듈들 사이의 통신 및 프로세스들의 최적화를 용이하게 하도록 구성된다. 에지 네트워킹 시스템(16100)은, 예를 들어, 다른 VCN 모듈들 중 2개 사이의, 및/또는 하나 이상의 데이터 소스들과 VCN 모듈들 중 다른 것 사이의 데이터 스트림에 대한 데이터 패킷 통신 및/또는 암호화 프로토콜들을 최적화함으로써, 다른 VCN 모듈들 중 하나 이상과 관련된 하나 이상의 네트워킹 태스크를 수행할 수 있다. 예를 들어, IoT 센서들로부터 ROBO 시스템의 하나 이상의 모듈들로의 데이터의 고속 송신 뿐만 아니라 NRGY 시스템에 의한 에너지 시스템들의 ROBO 시스템으로의 고속 보고를 요구하는 VCN 태스크는 VCN 제어 타워(16112)가 ROBO 시스템과 IoT 데이터 소스들 및 NRGY 시스템 중 하나 이상 사이의 데이터 루트들 및 프로토콜들을 최적화하도록 에지 네트워킹 시스템(16100)에 명령하는 것을 수반할 수 있다.In some embodiments,
도 159는 에지 네트워킹 시스템(16100)의 인스턴스를 포함하는 에지 디바이스(16102)의 예시적인 실시예를 예시한다. 도 159는 디바이스(16102) 상에 설치된 에지 네트워킹 시스템(16100)을 도시하지만, 에지 네트워킹 시스템 및/또는 에지 네트워킹 시스템의 구성된 인스턴스들은 본 명세서에 개시된 임의의 적절한 유형의 에지 환경(16102-108) 상에 또는 그 내에서 업로드/설치/동작/동작될 수 있다는 것이 인식될 것이다. 에지 네트워킹 시스템(16100)의 인스턴스는 에지 네트워킹 시스템(16100)에 의한 네트워킹 태스크들의 수행을 용이하게 하도록 구성된 하나 이상의 모듈을 포함할 수 있다. 에지 네트워킹 시스템(16100)의 구성된 인스턴스가 저장되는 특정 에지 환경에 대한 에지 네트워킹 시스템(16100)의 인스턴스의 원하는 성능에 적합하도록 에지 네트워킹 시스템(16100)의 인스턴스가 특별히 변경, 추가, 제거 및/또는 그렇지 않으면 맞춤화될 수 있는 모듈들. 예를 들어, 에지 네트워킹 시스템(16100)의 상이한 구성들은 상이한 유형들의 에지 환경들(16102-108) 각각에 기초하여, 뿐만 아니라 경우에 따라 에지 환경들(16102-108)의 유형들 내의 개별 에지 환경들에 기초하여 구성되고 업로드/설치될 수 있다. 에지 네트워킹 시스템의 개별 인스턴스들의 구성들은 VCN 태스크들 중 하나 이상에 따라 VCN 제어 타워(16112)에 의해 결정될 수 있다.159 illustrates an example embodiment of an
실시예들에서, 에지 네트워킹 시스템(16100)은 다음의 모듈들 중 하나 이상을 포함할 수 있다: 서비스형 에지 디바이스 모듈(edge device-as-a-service module)(16302), 애플리케이션-특정 프로토콜 모듈(16304), 에지 로보틱스 모듈(16306), SDWAN 모듈(16308), 네트워크 맞춤화 모듈(16310), AI 칩셋 인터페이싱 모듈(16312), 5G 소프트웨어 정의 모듈(16314), 에지 네트워킹 AI 모듈(16316), 튜닝가능한 신호 필터링 모듈(16318), 네트워크 라우팅 모듈(16320), AI 네트워크 향상 모듈(16322), 및 에지 네트워크 디지털 트윈 모듈(16324).In embodiments,
실시예들에서, 서비스형 에지 디바이스 모듈(16302)은, 에지 네트워킹 시스템(16100)이 설치되는 에지 환경(16102-108)의 하나 이상의 기능들 및/또는 구성된 에지 네트워킹 디바이스(16100)의 하나 이상의 기능들을, 예컨대 VCN 버스(16110)를 통해, 에지 네트워킹 시스템(16100)이 통신하는 다른 디바이스들 및/또는 플랫폼들에 프로비전(provision)하는 것을 용이하게 하도록 구성된다. 예를 들어, 스마트 컨테이너에 설치된 에지 네트워킹 시스템(16100)의 구성된 인스턴스는 스마트 컨테이너의 기능을 서비스형 에지 디바이스 모듈(16302)을 통해 다른 연결된 아이템(예를 들어, 이행 시스템(fulfillment system))에 이용 가능하게 할 수 있다.In embodiments, edge device-as-
실시예들에서, 애플리케이션-특정 프로토콜 모듈(16304)은, 에지 네트워킹 시스템(16100)이 설치되는 에지 환경(16102-108) 및/또는 에지 네트워킹 시스템(16100)이 예컨대 VCN 버스(16110)를 통해 통신하는 하나 이상의 다른 디바이스 및/또는 플랫폼에 대한 하나 이상의 애플리케이션-특정 네트워킹 프로토콜의 프로비전을 결정 및/또는 용이하게 하도록 구성된다. 예를 들어, 애플리케이션-특정 프로토콜 모듈(16304)은 독점 암호화된 통신 프로토콜을 통해 데이터를 송신 및/또는 수신할 것을 요구하는 애플리케이션으로의 및/또는 애플리케이션으로부터의 통신을 용이하게 할 수 있다.In embodiments, application-
실시예들에서, 에지 로보틱스 모듈(16306)은 에지 환경(16102-16108)에서 로보틱스와 관련된 네트워킹을 용이하게 하도록 구성된다. 에지 로보틱스 모듈(16306)은, 예를 들어, 하나 이상의 로보틱스 관련 데이터 라우팅, 로보틱스 관련 통신 프로토콜 선택 및 인에이블링, 로컬 제어 인터페이싱, 원격 제어 인터페이싱, 센서 데이터 송신 및 수신, 및 다른 적절한 특징들을 에지 네트워킹 시스템(16100)이 설치되는 에지 환경(16102-108)에 로컬에 있고 및/또는 그로부터 원격에 있는 로봇들에 제공할 수 있다.In embodiments,
실시예들에서, SDWAN 모듈(16308)은 SDWAN(software-defined wide area network)를 통해 통신들의 생성, 관리, 및/또는 취급을 용이하게 하도록 구성된다. 에지 네트워킹 시스템(16100)은, 예를 들어, SDWAN 모듈(16308)을 통해 SDWAN을 정의할 수 있고, 및/또는 SDWAN에 접속된 디바이스들의 일부 또는 전부는 하나 이상의 SDWAN 모듈들(16308)에 의해 정의된 SDWAN 내에서의 통신들을 용이하게 하기 위해 에지 네트워킹 시스템(16100)의 인스턴스들이 그 위에 설치되어 있을 수 있다.In embodiments,
실시예들에서, 네트워크 맞춤화 모듈(16310)은 하나 이상의 네트워크들의 생성, 관리, 맞춤화, 및/또는 취급을 용이하게 하도록 구성된다. 에지 네트워킹 시스템(16100)은 네트워크 맞춤화 모듈(16310)을 통해 특정 VCN 작업에 대한 네트워크를 맞춤화할 수 있다. 예를 들어, 네트워크 맞춤화 모듈은 특정 제품 및/또는 산업에 대한 수요 예측을 수반하는 VCN 태스크와 관련된 네트워크의 맞춤화를 용이하게 할 수 있다. 네트워크는 그에 접속된 디바이스들 사이의 빠르고 효율적이고 안전한 통신을 용이하게 하도록 맞춤화될 수 있다.In embodiments, network customization module 16310 is configured to facilitate creation, management, customization, and/or handling of one or more networks.
실시예들에서, AI 칩셋 인터페이싱 모듈(16312)은 하나 이상의 AI 칩셋을 통해 에지 네트워킹 시스템(16100)에 의해 하나 이상의 네트워킹 태스크의 수행을 가능하게 하도록 구성된다. 예를 들어, 에지 네트워킹 시스템(16100)은 AI 칩셋 상에 내장된 AI 시스템을 통해 하나 이상의 네트워크 라우팅 결정을 할 수 있다. 추가적으로 또는 대안적으로, AI 칩셋 인터페이싱 모듈(16312)은, 예컨대 VCN 버스(16110)를 통해, 에지 네트워킹 시스템(16100)이 설치되는 에지 환경(16102-108)과 통신하는 AI 칩셋으로부터 데이터를 수신하고/하거나 AI 칩셋으로 데이터를 송신하는 것을 용이하게 하도록 구성될 수 있다.In embodiments, AI
실시예들에서, 5G 소프트웨어 정의 모듈(16314)은 5G 네트워크들과 관련된 관리, 맞춤화, 취급, 및/또는 다른 태스크들을 용이하게 하도록 구성된다. 예를 들어, 에지 네트워킹 시스템(16100)이 설치되는 텔레콤 설치(16106)는 5G 기지국이거나 이를 포함할 수 있고, 5G 기지국의 에지 네트워킹 시스템(16100)의 소프트웨어 정의 모듈(16314)은 5G 기지국을 통과하는 트래픽을 관리하는 것과 관련된 하나 이상의 네트워킹 태스크를 수행할 수 있다. 추가적으로 또는 대안적으로, 일부 예들에서, 5G 네트워크에 연결된 5G 인에이블 모바일 디바이스들은 그 위에 설치된 5G 소프트웨어 정의 모듈(16314)의 인스턴스들에 의해 용이하게 되는 네트워크를 통한 통신을 가질 수 있다.In embodiments, 5G software-defined
실시예들에서, 에지 네트워킹 AI 모듈(16316)은 네트워킹 태스크들 중 하나 이상과 관련된 인공 지능 및/또는 기계 학습 관련 기능들을 수행하도록 구성된다. 예를 들어, 라우팅 결정들, 프로토콜 선택들, 프로토콜 관리, 암호화 프로세스들, 필터링 결정들, 및/또는 임의의 다른 적절한 유형의 네트워킹 작업이 에지 네트워킹 AI 모듈(16316)을 통해 AI/ML에 의해 수행 및/또는 보조될 수 있다.In embodiments, edge
실시예들에서, 튜닝가능한 신호 필터링 모듈(16318)은 에지 환경(16102-108)에 의해 및/또는 에지 환경 내에서 송신 및/또는 수신되는 디지털 신호들의 튜닝을 수행하도록 구성된다. 튜닝가능한 신호 필터링 모듈(16318)은 하나 이상의 튜닝가능한 디지털 필터들을 포함할 수 있다. 튜닝가능한 디지털 필터들은 신호들을 튜닝하여, 예를 들어, 불필요한 통신들을 컬링(culling)함으로써 네트워크 트래픽을 감소시키고, 에지 환경(16102-108) 상에서 제3자 신호들 "피기배킹(piggybacking)"을 제거 또는 감소시키고, IoT 센서 데이터를 필터링하는 등을 수행할 수 있다.In embodiments, tunable
실시예들에서, 네트워크 라우팅 모듈(16320)은 에지 환경(16102-108)에 의해 송신 및/또는 수신된 신호들에 대해 네트워크 라우팅 동작들을 수행하도록 구성된다. 네트워크 라우팅 동작들은, 예를 들어, 구내 내의 센서 데이터에 대한 최적의 데이터 경로를 결정하는 것, 5G 네트워크에 대한 최적의 트래픽 흐름을 결정하는 것, 모바일 데이터가 송신되어야 하는 라우팅 디바이스를 결정하는 것 등과 같은 네트워킹 태스크들을 포함할 수 있다.In embodiments,
실시예들에서, AI 네트워크 증강 모듈(16322)은 하나 이상의 AI 및/또는 기계 학습 프로세스들을 통해 네트워크 성능을 최적화하도록 구성된다. 예를 들어, AI 네트워크 증강 모듈(16322)은 데이터 처리량에 대한 최적의 프로토콜을 결정하고, 및/또는 네트워크 상태 및 혼잡/처리량의 예측 및/또는 시뮬레이션을 행하기 위해 하나 이상의 AI 및/또는 기계 학습 프로세스를 사용할 수 있다.In embodiments, AI
실시예들에서, 에지 네트워크 디지털 트윈 모듈(16324)은 에지 환경들(16102-108) 중 하나 이상에 의해, 에지 환경에서, 및/또는 에지 환경 상에서 네트워킹과 관련된 하나 이상의 디지털 트윈을 생성 및/또는 관리하도록 구성된다. 예를 들어, 디지털 트윈 모듈(16324)은 생산 공장 내의 네트워크를 모델링하고, 네트워크 혼잡을 예측하기 위해 디지털 트윈을 통해 시뮬레이션들을 실행할 수 있다.In embodiments, the edge network
일부 실시예들에서, 에지 네트워크 시스템(16100)은 링크 손실로부터 혼잡 제어를 디커플링(decoupling)하기 위한 시스템을 갖는다.In some embodiments,
일부 실시예에서, 에지 네트워크 시스템(16100)은 UDP의 상부에 지능 계층을 갖는다.In some embodiments,
일부 실시예들에서, 에지 네트워크 시스템(16100)은 에지 워크로드(workload) 배치를 위한 자동화된 정책 및 거버넌스(goverance) 엔진을 갖는다.In some embodiments,
일부 실시예들에서, 에지 네트워크 시스템(16100)은 서비스 지향 아키텍처(service-oriented architecture)와의 에지 데이터 통합을 갖는다.In some embodiments,
일부 실시예들에서, 에지 네트워크 시스템(16100)은 에지-특정 프로토콜들을 갖는다.In some embodiments,
일부 실시예에서, 에지 네트워크 시스템(16100)은 에지 스토리지 프로토콜을 갖는다.In some embodiments,
일부 실시예에서, 에지 네트워크 시스템(16100)은 AI 관리 스토리지와 통합된 에지 스토리지 프로토콜을 갖는다.In some embodiments,
일부 실시예에서, 에지 네트워크 시스템(16100)은 분산된 에지 데이터베이스를 갖는다.In some embodiments,
일부 실시예에서, 에지 네트워크 시스템(16100)은 에지 분산 질의 언어(edge-distributed query language)를 갖는다.In some embodiments,
일부 실시예들에서, 에지 네트워크 시스템(16100)은 에지 정책 엔진을 갖는다.In some embodiments,
일부 실시예들에서, 에지 네트워크 시스템(16100)은 자동화된 에지 데이터 마켓플레이스를 갖는다.In some embodiments,
일부 실시예들에서, 에지 네트워크 시스템(16100)은 무선 노드들을 위한 RF 필터링 시스템을 갖는다.In some embodiments,
일부 실시예들에서, 에지 네트워크 시스템(16100)은 네트워크 코딩을 갖는다.In some embodiments,
일부 실시예들에서, 에지 네트워크 시스템(16100)은 네트워크의 각각의 노드에서 기계 학습 및/또는 인공 지능 시스템을 갖는다.In some embodiments,
일부 실시예들에서, 에지 네트워크 시스템(16100)은 신호 특성들에 기초하여 필터링 및 멀티-레벨 신호 압축을 위해 구성된 네트워크의 각각의 노드에서 기계 학습 및/또는 인공 지능 시스템을 갖는다.In some embodiments,
일부 실시예들에서, 에지 네트워크 시스템(16100)은 컨텍스트 및/또는 콘텐츠에 기초하여 필터링하도록 구성된 네트워크의 각각의 노드에서 기계 학습 및/또는 인공 지능 시스템을 갖는다.In some embodiments,
일부 실시예들에서, 에지 네트워크 시스템(16100)은 결과들에 대한 피드백에 기초하여 필터링하도록 구성된 네트워크의 각각의 노드에서 기계 학습 및/또는 인공 지능 시스템을 갖는다.In some embodiments,
일부 실시예들에서, 에지 네트워크 시스템(16100)은 최적의 세분성(granularity) 레벨로 보관하도록 구성된 기계 학습 및/또는 인공 지능 시스템을 갖는다.In some embodiments,
일부 실시예들에서, 에지 네트워크 시스템(16100)은 AI-증강된 에지-인식 네트워크 패브릭을 갖는다.In some embodiments,
일부 실시예들에서, 에지 네트워크 시스템(16100)은 저장 용량의 최적화를 위해 구성된 기계 학습 및/또는 인공 지능 시스템을 갖는다.In some embodiments,
일부 실시예들에서, 에지 네트워크 시스템(16100)은 컴퓨트의 최적화를 위해 구성된 기계 학습 및/또는 인공 지능 시스템을 갖는다.In some embodiments,
일부 실시예들에서, 에지 네트워크 시스템(16100)은 에너지의 최적화를 위해 구성된 기계 학습 및/또는 인공 지능 시스템을 갖는다.In some embodiments,
일부 실시예에서, 에지 네트워크 시스템(16100)은 메일을 위한 메일 프로토콜을 갖는다.In some embodiments,
일부 실시예들에서, 에지 네트워크 시스템(16100)은 비디오 스트리밍을 위한 비디오 스트리밍 프로토콜을 갖는다.In some embodiments,
일부 실시예들에서, 에지 네트워크 시스템(16100)은 게이밍을 위한 게이밍 프로토콜을 갖는다.In some embodiments,
일부 실시예들에서, 에지 네트워크 시스템(16100)은 패킷 활동을 모니터링하기 위한 시스템을 갖는다.In some embodiments,
일부 실시예들에서, 에지 네트워크 시스템(16100)은 기계 학습 및/또는 인공 지능 시스템에 의한 나중의 사용을 위해 데이터 스트림들을 저장하고 복제하기 위한 시스템을 갖는다.In some embodiments,
일부 실시예들에서, 에지 네트워크 시스템(16100)은 에지 디바이스들로서 로보틱스를 갖는다.In some embodiments,
일부 실시예들에서, 에지 네트워크 시스템(16100)은 로컬 제어를 가능하게 하기 위한 시스템을 갖는다.In some embodiments,
일부 실시예들에서, 에지 네트워크 시스템(16100)은 네트워크 및/또는 네트워크 상의 디바이스들의 보안을 맞춤화하기 위한 시스템을 갖는다.In some embodiments,
일부 실시예들에서, 에지 네트워크 시스템(16100)은 다양한 유형들의 통신들을 위한 채널들을 구성하기 위한 시스템을 갖는다.In some embodiments,
일부 실시예들에서, 에지 네트워크 시스템(16100)은 디바이스들의 발견 후에 환경을 구성하기 위한 시스템을 갖는다.In some embodiments,
일부 실시예들에서, 에지 네트워크 시스템(16100)은 데이터 스케줄링 및 자원 가용성에 의해 네트워크를 맞춤화하기 위한 시스템을 갖는다.In some embodiments,
일부 실시예들에서, 에지 네트워크 시스템(16100)은 데이터 유형 및/또는 보안에 기초하여 데이터 라우팅, 처리, 및/또는 컴퓨팅의 맞춤화를 위한 시스템을 갖는다.In some embodiments,
일부 실시예들에서, 에지 네트워크 시스템(16100)은 맞춤형 가상화 배치들을 갖는다.In some embodiments,
일부 실시예들에서, 에지 네트워크 시스템(16100)은 새로운 AI 구조들을 형성하기 위해 신경망 계층화(neural network layering)의 맞춤화를 위한 시스템을 갖는다.In some embodiments,
일부 실시예들에서, 에지 네트워크 시스템(16100)은 특정된 요구들을 충족시키기 위해 안테나 레이아웃들 및 전력 공급의 맞춤화를 위한 시스템을 갖는다.In some embodiments,
일부 실시예들에서, 에지 네트워크 시스템(16100)은 AI-기반 배터리 최적화 및 열 생성의 AI 관리를 포함하는 무선 충전을 인에이블하기 위한 시스템을 갖는다.In some embodiments,
일부 실시예들에서, 에지 네트워크 시스템(16100)은 인간 인터페이스를 맞춤화하기 위한 시스템을 갖는다.In some embodiments,
일부 실시예들에서, 에지 네트워크 시스템(16100)은 서비스 맞춤화된 5G 네트워크들에서 최적의 라우팅 알고리즘의 맞춤화를 위한 시스템을 갖는다.In some embodiments,
일부 실시예들에서, 에지 네트워크 시스템(16100)은 네트워크 디바이스를 갖는다.In some embodiments,
일부 실시예들에서, 에지 네트워크 시스템(16100)은 AI 칩셋을 갖는다.In some embodiments,
일부 실시예들에서, 에지 네트워크 시스템(16100)은 프론트 엔드를 너머 채널화를 갖는다.In some embodiments,
일부 실시예에서, 에지 네트워크 시스템(16100)은 인터페이스를 너머 채널화를 갖는다.In some embodiments,
일부 실시예에서, 에지 네트워크 시스템(16100)은 네트워크 및/또는 AI 에지 시스템의 디지털 트윈을 생성 및 관리하기 위한 시스템을 갖는다.In some embodiments,
일부 실시예들에서, 에지 네트워크 시스템(16100)은 서비스형 에지 디바이스 시스템을 갖는다.In some embodiments,
일부 실시예들에서, 에지 네트워크 시스템(16100)은 서비스형 판독기 시스템(reader-as-a-service system)을 갖는다.In some embodiments,
일부 실시예들에서, 에지 네트워크 시스템(16100)은 서비스형 게이트웨이 시스템을 갖는다.In some embodiments,
일부 실시예들에서, 에지 네트워크 시스템(16100)은 서비스형 중계기 시스템(repeater-as-a-service system)을 갖는다.In some embodiments,
일부 실시예들에서, 에지 네트워크 시스템(16100)은 서비스형 자산 태그 시스템(asset tag-as-a-service system)을 갖는다.In some embodiments,
일부 실시예들에서, 에지 네트워크 시스템(16100)은 서비스형 로봇 데이터 수집기 시스템(robotic data collector-as-a-service system)을 갖는다.In some embodiments,
VCN을 위한 양자 컴퓨팅Quantum Computing for VCNs
도 160은 본 개시의 일부 실시예에 따른 예시적인 양자 컴퓨팅 시스템(17000)을 예시한다. 실시예들에서, 양자 컴퓨팅 시스템(17000)은 양자 컴퓨팅 서비스들의 세트를 하나 이상의 양자 컴퓨팅 클라이언트들에 제공하기 위한 프레임워크를 제공한다. 일부 실시예들에서, 양자 컴퓨팅 시스템(17000) 프레임워크는 각각의 양자 컴퓨팅 클라이언트들(예를 들어, VCN 제어 타워들 및/또는 다양한 VCN 엔티티들)에서 적어도 부분적으로 복제될 수 있다. 이러한 실시예들에서, 개별 클라이언트는 양자 컴퓨팅 시스템(17000)의 능력들 중 일부 또는 전부를 포함할 수 있고, 이에 의해 양자 컴퓨팅 시스템(17000)은 양자 컴퓨팅 클라이언트의 서브시스템들에 의해 수행되는 특정 기능들에 적응된다. 추가적으로 또는 대안적으로, 일부 실시예들에서, 양자 컴퓨팅 시스템(17000)은 마이크로서비스들의 세트로서 구현될 수 있어서, 상이한 양자 컴퓨팅 클라이언트들이 양자 컴퓨팅 클라이언트들에 노출된 하나 이상의 API들을 통해 양자 컴퓨팅 시스템(17000)을 활용할 수 있다. 이러한 실시예들에서, 양자 컴퓨팅 시스템(17000)은 상이한 양자 컴퓨팅 클라이언트들에 적응될 수 있는 다양한 유형들의 양자 컴퓨팅 서비스들을 수행하도록 구성될 수 있다. 이들 구성들 중 어느 하나에서, 양자 컴퓨팅 클라이언트는 양자 컴퓨팅 시스템(17000)에 요청을 제공할 수 있으며, 이에 의해 요청은 특정 태스크(예를 들어, 최적화)를 수행하는 것이다. 이에 응답하여, 양자 컴퓨팅 시스템(17000)은 요청된 태스크를 실행하고, 응답을 양자 컴퓨팅 클라이언트에 반환한다.160 illustrates an example
도 160을 참조하면, 일부 실시예들에서, 양자 컴퓨팅 시스템(17000)은 양자 적응 서비스 라이브러리(17002), 양자 일반 서비스 라이브러리(17004), 양자 데이터 서비스 라이브러리(17006), 양자 컴퓨팅 엔진 라이브러리(17008), 양자 컴퓨팅 구성 서비스(17010), 양자 컴퓨팅 실행 시스템(17012), 및 양자 컴퓨팅 API 인터페이스(17014)를 포함할 수 있다.160, in some embodiments,
실시예들에서, 양자 컴퓨팅 엔진 라이브러리(17008)는 다양한 지원되는 양자 모델들에 기초하여 양자 컴퓨팅 엔진 구성들(17016) 및 양자 컴퓨팅 프로세스 모듈들(17018)을 포함한다. 실시예들에서, 양자 컴퓨팅 시스템(17000)은 양자 회로 모델, 양자 튜링 기계(quantum Turing machine), 스핀트로닉 컴퓨팅 시스템(spintronic computing system)(예를 들어, 다이아몬드 재료들을 사용하는 것들과 같은, 비-자기 고체들에서 스핀-편극 전자 상태들을 생성하기 위해 스핀-궤도 결합(spin-orbit coupling)을 사용하는 것), 단열 양자 컴퓨터(adiabatic quantum computer), 단방향 양자 컴퓨터, 양자 어닐링, 및 다양한 양자 셀룰러 오토마타(quantum cellular automata)를 포함하지만 이에 제한되지 않는 많은 상이한 양자 모델들을 지원할 수 있다. 양자 회로 모델 하에서, 양자 회로들은 양자 비트, 또는 "큐비트(qubit)"에 기초할 수 있으며, 이는 고전적 계산의 비트와 다소 유사하다. 큐비트들은 1 또는 0 양자 상태에 있을 수 있거나, 1 및 0 상태들의 중첩에 있을 수 있다. 그러나, 큐비트들이 측정의 결과를 측정했을 때, 큐비트들은 항상 1 또는 0 양자 상태에 있을 것이다. 이들 두 결과와 관련된 확률은 큐비트가 측정 직전에 있었던 양자 상태에 의존한다. 계산은 고전적 논리 게이트와 다소 유사한 양자 논리 게이트로 큐비트를 조작함으로써 수행된다.In embodiments, quantum computing engine library 17008 includes quantum
실시예들에서, 양자 컴퓨팅 시스템(17000)은 아날로그 방식 또는 디지털 방식을 사용하여 물리적으로 구현될 수 있다. 아날로그 접근법들은 양자 시뮬레이션, 양자 어닐링, 및 단열 양자 계산을 포함할 수 있지만, 이에 제한되지 않는다. 실시예들에서, 디지털 양자 컴퓨터들은 계산을 위해 양자 로직 게이트들을 사용한다. 아날로그 및 디지털 접근법들 둘 모두는 양자 비트들, 또는 큐비트들을 사용할 수 있다.In embodiments,
실시예들에서, 양자 컴퓨팅 시스템(17000)은 양자 어닐링 모듈(17020)을 포함하고, 양자 어닐링 모듈은 양자 변동들을 사용하여 후보 솔루션들(예를 들어, 후보 상태들)의 주어진 세트에 걸쳐 주어진 목적 함수(objective function)의 전역적 최소 또는 최대치를 찾도록 구성될 수 있다. 본 명세서에서 사용되는 바와 같이, 양자 어닐링은 고전적 계산 대신에 양자 변동 기반 계산을 사용하여 가능하게는 매우 크지만 유한한 가능한 솔루션들의 세트 내로부터 크기, 길이, 비용, 시간, 거리 또는 다른 측정과 같은 절대 최소 또는 최대값을 식별하는 절차를 찾기 위한 메타 절차(meta-procedure)를 지칭할 수 있다. 양자 어닐링 모듈(17020)은, 스핀 유리의 바닥 상태(ground state) 또는 외판원 문제(traveling salesman problem)를 찾는 것과 같이, 검색 공간이 많은 로컬 최소치들과 불연속적인 문제들(예를 들어, 조합 최적화 문제들)에 활용될 수 있다.In embodiments,
실시예들에서, 양자 어닐링 모듈(17020)은 동일한 가중치들을 갖는 모든 가능한 상태들(후보 상태들)의 양자-기계적 중첩으로부터 시작한다. 그런 다음, 양자 어닐링 모듈(17020)은 진화할 수 있고 예컨대, 시간-의존적 슈뢰딩거 방정식, 시스템들(예를 들어, 물리적 시스템들, 논리적 시스템들 등)의 자연적인 양자-기계적 진화를 따를 수 있다. 실시예들에서, 모든 후보 상태들의 진폭들이 변화하여, 횡방향 필드의 시간-의존 강도에 따라 양자 병렬성(quantum parallelism)을 실현하며, 이는 상태들 사이의 양자 터널링을 야기한다. 횡방향 필드의 변화율이 충분히 느리면, 양자 어닐링 모듈(17020)은 순간 해밀토니안(Hamiltonian)의 바닥 상태에 가깝게 유지될 수 있다. 횡방향 필드의 변화율이 가속되면, 양자 어닐링 모듈(17020)은 일시적으로 바닥 상태를 떠날 수 있지만, 최종 문제 에너지 상태 또는 해밀토니안의 바닥 상태에서 종결될 더 높은 가능성을 생성할 수 있다.In embodiments,
실시예들에서, 양자 컴퓨팅 시스템(17000)은 임의의 많은 수의 큐비트들을 포함할 수 있고, 이온들을 이온 트랩들의 어레이 내의 공간적으로 별개의 위치들로 전송하여, 원격에 얽힌(entangled) 이온 체인들의 광자적으로 연결된 네트워크들을 통해 큰 얽힌 상태들을 구축할 수 있다.In embodiments,
일부 구현예에서, 양자 컴퓨팅 시스템(17000)은 복잡한 문제를 해결하기 위해 트래핑된(trapped) 이온을 인가하는 양자 컴퓨터일 수 있는 트래핑된 이온 컴퓨터 모듈(17022)을 포함한다. 트래핑된 이온 컴퓨터 모듈(17022)은 낮은 양자 결어긋남(quantum decoding)을 가질 수 있고, 큰 솔루션 상태를 구성할 수 있다. 이온들, 또는 하전된 원자 입자들은 전자기장들을 사용하여 자유 공간 내에 가두어지고 부유될 수 있다. 큐비트들은 각 이온의 안정한 전자 상태들에 저장되고, 양자 정보는 (쿨롱력을 통해 상호작용하는) 공유 트랩에서 이온들의 총괄 양자화된 모션을 통해 전달될 수 있다. 레이저는 (단일-큐비트 동작들을 위한) 큐비트 상태들 사이의 커플링 또는 (큐비트들 사이의 얽힘을 위한) 내부 큐비트 상태들과 외부 움직임 상태들 사이의 커플링을 유도하기 위해 적용될 수 있다.In some implementations,
일부 실시예들에서, 프로세서, 메모리, 및 그래픽 사용자 인터페이스(GUI)를 포함하는 전통적인 컴퓨터가 실행으로부터 출력을 설계, 컴파일, 및 제공하는 데 사용될 수 있고, 양자 컴퓨팅 시스템(17000)은 기계 언어 명령어들을 실행하는 데 사용될 수 있다. 일부 실시예들에서, 양자 컴퓨팅 시스템(17000)은 전통적인 컴퓨터에 의해 실행되는 컴퓨터 프로그램에 의해 시뮬레이션될 수 있다. 이러한 실시예들에서, 양자 컴퓨팅 시스템(17000)의 상태들의 중첩(superposition)은 초기 조건들로부터의 입력에 기초하여 준비될 수 있다. 양자 컴퓨터에서 사용 가능한 초기화 동작은 큐비트를 단지 |0> 또는 |1> 상태 중 하나로 초기화할 수 있기 때문에, 상태의 중첩으로 초기화하는 것은 물리적으로 비현실적이다. 그러나, 시뮬레이션 목적들을 위해, 초기화 프로세스를 우회하고 양자 컴퓨팅 서비스(17000)를 직접 초기화하는 것이 유용할 수 있다.In some embodiments, a traditional computer, including a processor, memory, and a graphical user interface (GUI), can be used to design, compile, and provide output from execution, and
일부 실시예들에서, 양자 컴퓨팅 시스템(17000)은 양자 입력 필터링, 양자 출력 필터링, 양자 애플리케이션 필터링, 및 양자 데이터베이스 엔진을 포함하는 다양한 양자 데이터 서비스들을 제공한다.In some embodiments,
실시예들에서, 양자 컴퓨팅 시스템(17000)은 양자 입력 필터링 서비스(17024)를 포함할 수 있다. 실시예들에서, 양자 입력 필터링 서비스(17024)는 양자 컴퓨팅 시스템(17000) 상에서 모델을 실행할지 또는 클래식 컴퓨팅 시스템 상에서 모델을 실행할지를 선택하도록 구성될 수 있다. 일부 실시예들에서, 양자 입력 필터링 서비스(17024)는 클래식 컴퓨터 상의 나중의 모델링을 위해 데이터를 필터링할 수 있다. 실시예들에서, 양자 컴퓨팅 시스템(17000)은 분산 시스템들로 흐르는 것으로부터 불필요한 정보를 필터링하면서 전통적인 컴퓨팅 플랫폼들에 입력을 제공할 수 있다. 일부 실시예들에서, 시스템(17000)은 지능형 에이전트들에 대한 필터링된 특정된 경험들을 통해 신뢰할 수 있다.In embodiments,
실시예들에서, 시스템들 중 하나의 시스템 내의 시스템은 입력들의 세트에 기초하여, 양자 계산 또는 양자 알고리즘 자원들을 밸류 체인 네트워크 활동에 배치할지, 전통적인 계산 자원들 및 알고리즘들을 배치할지, 또는 그들의 하이브리드 또는 조합을 적용할지 여부를 자동으로 결정하기 위한 모델 또는 시스템을 포함할 수 있다. 실시예들에서, 모델 또는 자동화 시스템에 대한 입력들은 수요 정보, 공급 정보, 에너지 비용 정보, 계산 자원들에 대한 자본 비용들, 개발 비용들(예컨대, 알고리즘들에 대한), 에너지 비용들, 운영 비용들(노동 및 다른 비용들을 포함함), 이용가능한 자원들에 대한 성능 정보(양자 및 전통적인), 및 (예컨대, 본 명세서에 및/또는 본 명세서에 참조로서 통합된 문서들에 설명된 매우 다양한 시뮬레이션 기법들 중 임의의 것을 사용하여) 시뮬레이션하고/하거나 양자-최적화된 결과와 비-양자-최적화된 결과 사이의 결과의 차이를 예측하는 데 사용될 수 있는 많은 다른 데이터 세트들 중 임의의 것을 포함할 수 있다. (DPANN 시스템에 포함된) 기계 학습 모델은 주어진 요청에 대한 입력 데이터를 주어진 방식으로 어떤 세트의 자원을 배치할지를 결정하기 위해, 결과들에 대한 딥러닝(deep learning)에 의해 또는 인간 전문가 결정들로부터의 데이터 세트에 의해 훈련될 수 있다. 모델은 그 자체가 양자 계산 자원들 상에 배치될 수 있고 및/또는 양자 시스템들, 종래의 시스템들, 및/또는 하이브리드들 또는 조합들을 사용하는지 여부, 장소 및 시기를 결정하기 위해 양자 어닐링과 같은 양자 알고리즘들을 사용할 수 있다.In embodiments, a system within one of the systems may deploy quantum computing or quantum algorithmic resources to a value chain network activity, traditional computational resources and algorithms, or a hybrid thereof, based on a set of inputs. It may include a model or system to automatically decide whether to apply the combination. In embodiments, inputs to the model or automated system may include demand information, supply information, energy cost information, capital costs for computational resources, development costs (e.g., for algorithms), energy costs, and operating costs. (including labor and other costs), performance information on available resources (quantum and traditional), and (e.g., a wide variety of simulations described herein and/or in documents incorporated herein by reference). may include any of a number of different data sets that can be used to simulate (using any of the techniques) and/or predict the difference in results between quantum-optimized and non-quantum-optimized results. there is. A machine learning model (included in the DPANN system) uses input data for a given request to determine which set of resources to deploy in a given way, either by deep learning the results or from human expert decisions. Can be trained on a data set of The model may itself be deployed on quantum computational resources and/or use quantum systems, conventional systems, and/or hybrids or combinations, such as quantum annealing, to determine whether, where, and when. Quantum algorithms can be used.
일부 실시예들에서, 양자 컴퓨팅 시스템(17000)은 양자 출력 필터링 서비스(17026)를 포함할 수 있다. 실시예들에서, 양자 출력 필터링 서비스(17026)는 다수의 신경망들의 솔루션들로부터 솔루션을 선택하도록 구성될 수 있다. 예를 들어, 다수의 신경망들은 특정 문제에 대한 솔루션들을 생성하도록 구성될 수 있고, 양자 출력 필터링 서비스(17026)는 솔루션들의 세트로부터 최상의 솔루션을 선택할 수 있다.In some embodiments,
일부 실시예들에서, 양자 컴퓨팅 시스템(17000)은 신경망 개발 또는 선택 프로세스를 연결하고 지시한다. 이 실시예에서, 양자 컴퓨팅 시스템(17000)은 신경망이 원하는 출력들을 제공하도록 신경망의 가중치들을 직접 프로그래밍할 수 있다. 이어서, 이러한 양자-프로그래밍된 신경망은 양자 컴퓨팅 시스템(17000)의 감독 없이 동작할 수 있지만, 원하는 계산 엔진의 예상된 파라미터들 내에서 여전히 동작할 것이다.In some embodiments,
실시예들에서, 양자 컴퓨팅 시스템(17000)은 양자 데이터베이스 엔진(17028)을 포함한다. 실시예들에서, 양자 데이터베이스 엔진(17028)은 데이터베이스 내(in-database) 양자 알고리즘 실행으로 구성된다. 실시예들에서, 양자 데이터베이스 엔진(17028)에 질의하기 위해 양자 질의 언어(quantum query language)가 이용될 수 있다. 일부 실시예들에서, 양자 데이터베이스 엔진은 전체 우선순위뿐만 아니라 양자 컴퓨팅 자원들을 사용하는 것과 다른 것들의 비교 이점에 기초하는 것과 같이, 질의 워크로드들의 우선순위화를 포함하는, 양자 작업흐름들의 우선순위화 및/또는 할당을 위한 임베디드 정책 엔진(17030)을 가질 수 있다. 실시예들에서, 양자 데이터베이스 엔진(17028)은 상호작용들 및 터치포인트들에 걸쳐 유효한 것에 대한 단일 아이덴티티를 확립함으로써 밸류 체인 네트워크들에 걸친 엔티티들의 인식을 보조할 수 있다. 양자 데이터베이스 엔진(17028)은 개별 데이터 요소들을 매칭하기 위해 데이터 매칭의 최적화 및 지능형 전통적인 컴퓨트 최적화를 수행하도록 구성될 수 있다. 양자 컴퓨팅 시스템(17000)은 데이터를 난독화하기 위한 양자 데이터 난독화 시스템을 포함할 수 있다.In embodiments,
양자 컴퓨팅 시스템(17000)은 아날로그 양자 컴퓨터들, 디지털 컴퓨터들, 및/또는 에러-정정된 양자 컴퓨터들을 포함할 수 있으나, 이에 제한되지 않는다. 아날로그 양자 컴퓨터들은 이러한 액션들을 프리미티브 게이트 동작(primitive gate operation)들로 분해하지 않고 큐비트들 사이의 상호작용들을 직접 조작할 수 있다. 실시예들에서, 아날로그 기계들을 실행할 수 있는 양자 컴퓨터들은 양자 어닐러들, 단열 양자 컴퓨터들, 및 직접 양자 시뮬레이터들을 포함하지만, 이에 제한되지 않는다. 디지털 컴퓨터들은 물리적 큐비트들에 대한 프리미티브 게이트 동작들을 사용하여 관심 알고리즘을 수행함으로써 동작할 수 있다. 에러-정정된 양자 컴퓨터들은 양자 에러 정정(QEC)의 배치를 통해 더 강건하게 만들어진 게이트-기반 양자 컴퓨터들의 버전을 지칭할 수 있으며, 이는 잡음이 있는 물리적 큐비트들이 안정적인 논리적 큐비트들을 에뮬레이트(emulate)할 수 있게 하여, 컴퓨터가 임의의 계산을 위해 신뢰성 있게 행동하게 한다. 또한, 양자 정보 제품들은 컴퓨팅 파워, 양자 예측들, 양자 최적화들, 및 양자 결정 지원을 포함할 수 있지만, 이에 제한되지 않는다.
일부 실시예들에서, 양자 컴퓨팅 시스템(17000)은 전통적인 컴퓨터들을 최적화하고, 다수의 소스들로부터의 데이터를 의사 결정 프로세스에 통합하는 것 등에 사용될 수 있는 엔진으로서 구성된다. 데이터 통합 프로세스는 밸류 체인 네트워크 활동과 직간접적으로 모두 관련된 광범위한 추적 능력에 의한 상호 작용 데이터의 실시간 캡처 및 관리를 수반할 수 있다. 실시예들에서, 양자 컴퓨팅 시스템(17000)은 쿠키들, 이메일 어드레스들 및 다른 연락처 데이터, 소셜 미디어 피드들, 뉴스 피드들, 이벤트 및 트랜잭션 로그 데이터(트랜잭션 이벤트들, 네트워크 이벤트들, 계산 이벤트들, 및 많은 다른 것들을 포함함), 이벤트 스트림들, 웹 크롤링(web crawling)의 결과들, 분산 원장 정보(블록체인 업데이트들 및 상태 정보를 포함함), 데이터 소스들의 분산 또는 연합 질의들로부터의 결과들, 채팅방들 및 토론 포럼들로부터의 데이터의 스트림들, 및 많은 다른 것들을 수용하도록 구성될 수 있다.In some embodiments,
실시예들에서, 양자 컴퓨팅 시스템(17000)은 복수의 큐비트들을 갖는 양자 레지스터를 포함한다. 또한, 양자 컴퓨팅 시스템(17000)은 양자 레지스터 내의 큐비트들 각각에 대한 기본 동작들을 구현하기 위한 양자 제어 시스템 및 필요한 동작들을 조정하기 위한 제어 프로세서를 포함할 수 있다.In embodiments,
실시예들에서, 양자 컴퓨팅 시스템(17000)은 스마트 컨테이너 기반 화물 운송 서비스들의 가격을 최적화하도록 구성된다. 실시예들에서, 양자 컴퓨팅 시스템(17000)은 최적화된 화물 운송 서비스 가격을 제공하기 위해 양자 어닐링을 이용할 수 있다. 실시예들에서, 양자 컴퓨팅 시스템(17000)은 가격을 최적화하기 위해 q-비트(q-bit) 기반 계산 방법들을 사용할 수 있다.In embodiments,
실시예들에서, 양자 컴퓨팅 시스템(17000)은 밸류 체인 네트워크 제품들, 디바이스들, 차량들, 서비스들 등의 설계 또는 구성 특징들을 최적화하도록 구성된다. 예를 들어, 양자 컴퓨팅 시스템(17000)은 제품 설계, 스마트 컨테이너 설계, 로봇 설계, 스마트 컨테이너 플릿 구성, 로봇 플릿 구성, 액체 렌즈 설계, 데이터 스토리 구성 등을 최적화하도록 구성될 수 있다. 추가적으로 또는 대안적으로, 양자 컴퓨팅 시스템(17000)은 로봇 또는 로봇 플릿 경로들, 스마트 컨테이너 또는 스마트 컨테이너 플릿 경로들 등을 포함하는 밸류 체인 네트워크 엔티티들의 이동 또는 경로들을 최적화하도록 구성된다.In embodiments,
실시예들에서, 양자 컴퓨팅 시스템(17000)은 스마트 계약 구성 기회들을 자동으로 발견하도록 구성된다. 스마트 계약 구성 기회들의 자동화된 발견은 (예를 들어, 주주(stakeholder), 자산, 및 트랜잭션 유형들의 로봇 프로세스 자동화(RPA)에 의한) 마켓플레이스들 및 기계 학습에 대한 공개된 API들에 기초할 수 있다.In embodiments,
실시예들에서, 양자 확립된 또는 다른 블록체인-기반 스마트 계약 애플리케이션들은 로봇 플릿으로부터 로봇들의 세트를 부킹하는 것(booking), 스마트 컨테이너 플릿으로부터 스마트 컨테이너를 부킹하는 것, 자회사들 사이의 이전 가격 합의들을 실행하는 것 등을 포함할 수 있지만, 이들로 제한되지 않는다. 실시예들에서, 양자 확립된 또는 다른 블록체인-인에이블된 스마트 계약들은 당사자들의 네트워크 사이에서 발생하는 빈번한 트랜잭션들을 가능하게 하고, 수동 또는 복제 작업들은 각각의 트랜잭션에 대해 상대방들에 의해 수행된다. 양자 확립된 또는 다른 블록체인은 안전한 단일 진리원(source of truth)을 제공하기 위한 공유 데이터베이스 역할을 하고, 스마트 계약은 지연과 에러가 발생하기 쉬운 승인, 계산 및 다른 거래 활동을 자동화한다. 스마트 계약들은 태스크들을 자동화하기 위해 소프트웨어 코드를 사용할 수 있고, 일부 실시예들에서, 이 소프트웨어 코드는 매우 정교한 최적화된 결과들을 가능하게 하는 양자 코드를 포함할 수 있다.In embodiments, quantum-established or other blockchain-based smart contract applications may include booking a set of robots from a robot fleet, booking a smart container from a smart container fleet, and agreeing a transfer price between subsidiaries. This may include, but is not limited to, executing them. In embodiments, quantum-established or other blockchain-enabled smart contracts enable frequent transactions to occur between a network of parties, and manual or replication operations are performed by counterparties for each transaction. A quantum-established or other blockchain acts as a shared database to provide a single, secure source of truth, and smart contracts automate authorizations, calculations, and other transaction activities that are prone to delays and errors. Smart contracts may use software code to automate tasks, and in some embodiments, this software code may include quantum code to enable highly sophisticated optimized results.
실시예들에서, 양자 컴퓨팅 시스템(17000) 또는 시스템들 중 하나의 시스템 내의 다른 시스템은 위험 식별 및/또는 완화를 수행하도록 구성된 양자-인에이블 또는 다른 위험 식별 모듈을 포함할 수 있다. 위험 식별 모듈에 의해 취해질 수 있는 단계들은 위험 식별, 영향 평가 등을 포함할 수 있지만, 이에 제한되지 않는다. 일부 실시예들에서, 위험 식별 모듈은 위험 유형들의 세트로부터 위험 유형을 결정한다. 실시예들에서, 위험들은 예방가능, 전략적, 및 외부 위험들을 포함할 수 있지만, 이에 제한되지 않는다. 예방 가능한 위험은 운영 절차 모니터링, 직원 및 관리자 지침 및 명시를 사용하는 것과 같이 내부에서 발생하며 일반적으로 규칙 기반 레벨에서 관리될 수 있는 위험을 의미할 수 있다. 전략 위험은 더 큰 보상을 달성하기 위해 자발적으로 취해지는 위험을 지칭할 수 있다. 외부 위험은 외부에서 발생하며 기업의 통제 범위에 속하지 않는 위험(예컨대, 자연 재해)을 의미할 수 있다. 외부 위험은 예방할 수 없거나 바람직하지 않다. 실시예에서, 위험 식별 모듈은 위험의 임의의 카테고리에 대한 예측 비용을 결정할 수 있다. 위험 식별 모듈은 전체 위험 프로파일에 대한 현재 및 잠재적인 영향의 계산을 수행할 수 있다. 실시예에서, 위험 식별 모듈은 특정 이벤트의 확률 및 중대성을 결정할 수 있다. 추가적으로 또는 대안적으로, 위험 식별 모듈은 이벤트들을 예상하도록 구성될 수 있다.In embodiments,
일부 실시예들에서, 양자 컴퓨팅 시스템(17000) 또는 시스템(17000)의 다른 시스템은 위험 분석을 위한 확률적 프로세스들로부터의 가속화된 샘플링을 위해 구성된다. 실시예들에서, 양자-시뮬레이션된 가속 테스트는, 가속 열화 테스트들 및 시변 스트레스 로딩(time-varying stress loading)들을 포함하는, 일정한 스트레스 로딩들을 갖는 가속 수명 테스트들을 유지하도록 초기화된다.In some embodiments,
실시예들에서, 양자 컴퓨팅 시스템(17000) 또는 시스템(17000)의 다른 시스템은 이상 및 사기 검출을 위한 그래프 클러스터링 분석을 위해 구성된다.In embodiments,
일부 실시예들에서, 양자 컴퓨팅 시스템(17000)은 예측들을 생성하도록 구성된 양자 예측 모듈을 포함한다. 또한, 양자 예측 모듈은 예측들을 추가로 생성하기 위해 고전적인 예측 엔진들을 구성할 수 있고, 이는 전통적인 컴퓨터들에 비해 상당할 수 있는 진행중인 양자 계산 비용들에 대한 필요성을 감소시킨다.In some embodiments,
실시예들에서, 양자 컴퓨팅 시스템(17000)은, 양자 역학적 형태로 주어진 벡터들에 대한 특정 가정들 하에서, 데이터의 공분산 행렬(covariance matrix)이 밀도 행렬로서 효율적으로 획득가능한 경우, 입력 벡터 데이터를 처리할 수 있는 양자 주성분 분석(QPCA : quantum principal component analysis) 알고리즘을 포함할 수 있다. 사용자가 양자 메모리의 훈련 벡터 데이터에 대한 양자 액세스를 갖는다고 가정될 수 있다. 또한, 각각의 훈련 벡터는 클래스 수단과의 차이 측면에서 양자 메모리에 저장되는 것으로 가정할 수 있다. 이러한 QPCA는 양자 방법의 계산적 이점을 사용하여 차원 감소를 제공하기 위해 적용될 수 있다.In embodiments,
실시예들에서, 양자 컴퓨팅 시스템(17000)은 지분 증명 블록체인(proof-of-stake blockchains)에 대한 인증된 임의성을 위한 그래프 클러스터링 분석을 위해 구성된다. 양자 암호 기법들은 그들의 설계들에서 양자 역학을 사용할 수 있으며, 이는 그러한 기법들이 그들의 보안을 위해 아마도 깨지지 않는 물리학의 법칙들에 의존할 수 있게 한다. 양자 암호 기법들은 그들의 보안이 임의의 비근본적인 가정들에 기초하지 않도록 정보 이론적으로 안전할 수 있다. 블록체인 시스템의 설계에서는 정보 이론적 보안성(information-theoretic security)이 입증되지 않는다. 오히려 고전적인 블록체인 기술은 전형적으로 공격자의 자원의 한계에 대한 가정을 하는 보안 주장에 의존한다.In embodiments,
실시예들에서, 양자 컴퓨팅 시스템(17000)은 적대적 컨볼루션 신경망들을 포함하는 적대적 신경망들과 같은 적대적 시스템들을 검출하도록 구성된다. 예를 들어, 양자 컴퓨팅 시스템(17000) 또는 플랫폼(17000)의 다른 시스템은 가짜 거래 패턴(fake trading pattern)들을 검출하도록 구성될 수 있다.In embodiments,
실시예들에서, 양자 컴퓨팅 시스템(17000)은 양자 연속 학습(QCL : quantum continual learning) 시스템(17032)을 포함하고, 여기서 QCL 시스템(17032)은 외부 세계에 대해 연속적으로 그리고 적응적으로 학습하여, 상이한 태스크들 및 데이터 분포들을 설명하기 위해 양자 모델을 업데이트함으로써 복잡한 기술들 및 지식의 자율적인 점진적인 발전을 가능하게 한다. QCL 시스템(17032)은 데이터 및/또는 태스크들이 동작 동안에만 이용가능하게 되는 현실적인 시간 스케일 상에서 동작한다. 이전의 양자 상태들은 QCL에 대한 용량을 제공하기 위해 양자 엔진 내에 중첩될 수 있다. QCL 시스템(17032)은 결정론적으로 처리될 수 있는 유한한 수의 변수들에 제한되지 않기 때문에, 그것은 미래 상태들에 연속적으로 적응할 수 있어서, 동적 연속 학습 능력을 생성할 수 있다. QCL 시스템(17032)은 데이터 분포들이 비교적 정적으로 유지되지만 데이터가 연속적으로 수신되는 애플리케이션들을 가질 수 있다. 예를 들어, QCL 시스템(17032)은 데이터가 연속적으로 수신되고 있고 다양한 결과들, 예측들 등을 제공하기 위해 양자 모델이 연속적으로 개량되는 양자 추천 애플리케이션들 또는 양자 이상 검출 시스템들에서 사용될 수 있다. QCL은 태스크들의 비동기식 교번 훈련(asynchronous alternate training)을 가능하게 하고, 특정 순간에 하나 이상의 스트리밍 소스들로부터 이용가능한 실시간 데이터에 대한 양자 모델만을 업데이트한다.In embodiments,
실시예들에서, QCL 시스템(17032)은 타겟 데이터가 제어되지 않는 숨겨진 변수(hidden variable)에 기초하여 계속 변하는 복잡한 환경에서 동작한다. 실시예들에서, QCL 시스템(17032)은 증가하는 양의 데이터를 처리하면서 그리고 현실적인 수의 양자 상태들을 유지하면서 지능의 관점에서 스케일링될 수 있다. QCL 시스템(17032)은 양자 방법들을 적용하여, 이력 데이터의 저장에 대한 요건을 크게 감소시키면서, 연속적인 계산들의 실행이 세부-구동 최적 결과들을 제공하도록 허용한다. 실시예들에서, QCL 시스템(17032)은 그것이 새로운 이용가능한 데이터로 양자 모델을 지속적으로 업데이트하기 때문에 비지도 스트리밍 인지 데이터(unsupervised streaming perception data)를 위해 구성된다.In embodiments,
실시예들에서, QCL 시스템(17032)은 멀티-모달-멀티-태스크(multi-modal-multi-task) 양자 학습을 가능하게 한다. QCL 시스템(17032)은 인지 데이터의 단일 스트림으로 제한되지 않지만, 상이한 센서들 및 입력 모달리티들로부터의 인지 데이터의 많은 스트림들을 허용한다. 실시예들에서, QCL 시스템(17032)은 양자 상태를 복제하고, 복제 양자 환경 상에서 계산들을 실행함으로써 다수의 태스크들을 해결할 수 있다. QCL의 핵심 이점은 중첩 상태가 모든 이전 입력과 관련된 정보를 보유하기 때문에 양자 모델이 이력 데이터에 대해 재훈련될 필요가 없다는 것이다. 멀티모달 및 멀티태스크 양자학습은 방대한 양의 상태 정보 적용을 통해 양자 기계에 추론 기술(reasoning skill)을 부여하기 때문에 양자최적화를 강화한다.In embodiments,
실시예들에서, 양자 컴퓨팅 시스템(17000)은 양자 중첩, 또는 단일 양자 환경에 오버레이될 상태들의 세트의 능력을 지원한다.In embodiments,
실시예들에서, 양자 컴퓨팅 시스템(17000)은 양자 원격 전송(quantum teleportation)을 지원한다. 예를 들어, 정보는 광자들이 물리적으로 연결되지 않더라도 칩셋들의 광자들 사이에서 전달될 수 있다.In embodiments,
실시예들에서, 양자 컴퓨팅 시스템(17000)은 양자 전송 가격 시스템(quantum transfer pricing system)을 포함할 수 있다. 양자 이전 가격은 자회사, 계열사 또는 대기업의 일부인 일반적으로 통제되는 기업 사이에서 교환되는 상품 및/또는 서비스에 대한 가격의 확립을 허용하고, 기업에 대한 세금 절감을 제공하는 데 사용될 수 있다. 양자 전송 가격 시스템은 양자 컴퓨팅 기술들을 사용하여 시스템들 중 하나의 시스템 및 시스템들을 연결하는 인터페이스들 내의 모든 시스템들에 걸쳐 전송 가격 문제를 해결하도록 구성된다. 실시예들에서, 전송 가격 문제를 해결하는 것은 테스트들의 세트로 시스템들 중 하나의 시스템 내의 각각의 시스템의 탄성을 테스트하는 것을 수반한다. 이러한 실시예들에서, 테스트는 주기적인 묶음(batch)들로 행해질 수 있고, 그런 다음 반복될 수 있다. 본 명세서에 설명된 바와 같이, 이전 가격은 회사의 하나의 사업부가 상품 및 서비스에 대해 해당 회사의 다른 사업부에 부과하는 가격을 지칭할 수 있다. 실시예에서, 양자 전송 가격 시스템은 전체 제품 가치를 최적화하기 위해 밸류 체인 네트워크에 걸쳐 적용될 수 있다.In embodiments,
실시예들에서, 양자 전송 가격 시스템은 조직의 모든 엔티티들에 대해 연중 내내 지속적으로(on an ongoing basis) 전송 가격에 관련된 모든 금융 데이터를 통합하며, 여기서 통합은 데이터를 단일 양자 상태로 오버레이(overlay)하기 위해 양자 얽힘(quantum entanglement)을 적용하는 것을 포함한다. 실시예에서, 재무 데이터는 이익 데이터, 손실 데이터, 본지사 송장으로부터의 데이터(잠재적으로 수량 및 가격을 포함함) 등을 포함할 수 있다.In embodiments, a quantum transfer pricing system integrates all financial data related to transfer pricing on an ongoing basis for all entities in an organization, where the integration overlays the data into a single quantum state. ) involves applying quantum entanglement to In embodiments, financial data may include profit data, loss data, data from branch office invoices (potentially including quantity and price), etc.
실시예에서, 양자 이전 가격 시스템은 중첩 데이터에 기초하여 분할된 손익, 트랜잭션 행렬, 세금 최적화 결과 등을 보고하는 보고 시스템과 인터페이스할 수 있다. 실시예들에서, 양자 전송 가격 시스템은 예측 계산들을 자동으로 생성하고 임의의 세트의 양자 상태들에 대한 예상 로컬 이익들을 평가한다.In embodiments, a quantum transfer pricing system may interface with a reporting system that reports segmented P&Ls, transaction matrices, tax optimization results, etc. based on overlapping data. In embodiments, a quantum transfer pricing system automatically generates prediction calculations and evaluates expected local benefits for an arbitrary set of quantum states.
실시예들에서, 양자 전송 가격 시스템은 시뮬레이션들을 수행하기 위한 시뮬레이션 시스템과 통합될 수 있다. 신제품 가격에 대한 제안된 최적 값은 통합된 양자 작업흐름과 양자 전송 통신 상태를 통해 크로스보더(cross-border)을 넘어 논의될 수 있다.In embodiments, the quantum transfer pricing system may be integrated with a simulation system to perform simulations. The proposed optimal values for new product prices can be discussed cross-border through integrated quantum workflows and quantum transport communication states.
실시예들에서, 양자 전송 가격은, 예를 들어, 1년(the course of a calendar year) 동안, 다중 국가 기업(MNE) 내의 수익의 분배를 선제적으로 제어하는 데 사용될 수 있어서, 엔티티들이 각각의 유형의 거래에 대한 정상 거래 이익 범위(arms-length profit range)들을 달성할 수 있게 한다.In embodiments, quantum transfer pricing may be used to proactively control the distribution of revenue within a multi-national enterprise (MNE), e.g., over the course of a calendar year, such that the entities may each It is possible to achieve arms-length profit ranges for this type of trade.
실시예들에서, QCL 시스템(17032)은 QCUP(quantum comparable uncontrolled price) 방법, QCPM(quantum cost plus percent method), QRPM(quantum resale price method), QTNM(quantum transaction net margin method), 및 양자 이익 분할 방법을 포함하는 다수의 방법들을 사용하여 양자 전송 가격(quantum transfer pricing)을 계산할 수 있다.In embodiments, the
QCUP 방법은 잠재적으로 양자 중첩 데이터의 공유를 통해 관련 조직과 관련 없는 조직 간에 이루어진 비교 가능한 트랜잭션을 찾기 위해 양자 계산을 적용할 수 있다. 양자 비교 엔진의 적용을 통해 내부 거래 트랜잭션에서 상품 및/또는 서비스의 가격과 독립 당사자들이 사용하는 가격을 비교함으로써, 벤치마크 가격(benchmark price)이 결정될 수 있다.The QCUP method can potentially apply quantum computation to find comparable transactions made between related and unrelated organizations through the sharing of quantum overlapping data. Through the application of a bilateral comparison engine, a benchmark price can be determined by comparing the price of goods and/or services in an internal transaction with the price used by independent parties.
QCPM 방법은 총 이익을 판매 원가와 비교할 수 있고, 따라서 원가-플러스 마크-업(cost-plus mark-up)(제품으로부터 얻은 실제 이익)을 측정할 수 있다. 일단 이 마크업이 결정되면, 제3자가 유사한 외부 시장 조건을 가진 비교 가능한 컨텍스트에서 비교 가능한 거래를 위해 만들 것과 동일해야 한다. 실시예들에서, 양자 엔진은 외부 시장 조건들을 시뮬레이션할 수 있다.The QCPM method can compare gross profit to cost of sales and thus measure cost-plus mark-up (the actual profit earned from the product). Once this markup is determined, it must be identical to what a third party would make for a comparable transaction in a comparable context with similar external market conditions. In embodiments, the quantum engine may simulate external market conditions.
QRPM 방법은 개별 거래가 아닌 거래 그룹을 보고 상품을 구매한 가격과 제3자에게 판매한 가격 사이의 총이익률 또는 차이를 기준으로 한다. 실시예들에서, 양자 엔진(quantum engine)은 가격 차이들을 계산하고 중첩 시스템에서 트랜잭션들을 기록하기 위해 적용될 수 있다.The QRPM method looks at groups of transactions rather than individual transactions and is based on the gross profit margin, or difference, between the price at which the product was purchased and the price at which it was sold to a third party. In embodiments, a quantum engine may be applied to calculate price differences and record transactions in the nested system.
QTNM 방법은 비교 가능한 외부시장 가격보다는 통제된 트랜잭션의 순이익을 기반으로 한다. 순이익의 계산은 매우 다양한 인자를 고려하고, 제품 가격에 최적으로 해결할 수 있는 양자 엔진을 통해 이루어진다. 그런 다음 순이익을 독립 기업의 순이익과 비교하여 잠재적으로 양자 원격 전송(quantum teleportation)을 사용할 수 있다.The QTNM method is based on the net proceeds of controlled transactions rather than comparable external market prices. The calculation of net profit is done through a quantum engine that takes into account a wide variety of factors and can optimally resolve the product price. The net profit can then be compared to that of an independent company, potentially using quantum teleportation.
양자 이익 분할 방법(quantum profit-split method)은 두 개의 관련 회사가 동일한 사업 벤처에서 작업하되 별도로 작업하는 경우에 사용될 수 있다. 이러한 애플리케이션에서, 양자 전송 가격(quantum transfer pricing)은 수익을 기반으로 한다. 양자 이익 분할 방법은 특정 거래와 연관된 이익이 관련된 독립 당사자들 사이에서 어떻게 분할되었는지를 결정하기 위해 양자 계산을 적용한다.The quantum profit-split method can be used when two related companies work on the same business venture, but separately. In these applications, quantum transfer pricing is based on revenue. The bilateral profit split method applies quantum calculations to determine how the profits associated with a particular transaction are divided among the independent parties involved.
실시예들에서, 시스템들 중 하나의 시스템은 양자-인식 디바이스-레벨 키트들, 양자-인식 산업 사물 인터넷(IoT) 키트들, 양자-인에이블형 FPGA들, 및 상이한 양자 컴퓨터 유형들 및/또는 상이한 양자 알고리즘 유형들의 능력들의 인식을 갖는 시스템들을 포함하는 양자-인식 디바이스 스택들을 지원할 수 있다.In embodiments, one of the systems includes quantum-aware device-level kits, quantum-aware industrial Internet of Things (IoT) kits, quantum-enabled FPGAs, and different quantum computer types and/or Can support quantum-aware device stacks that include systems with recognition of the capabilities of different quantum algorithm types.
실시예들에서, 양자 컴퓨팅 시스템(17000)은 양자 컴퓨팅 클라이언트의 요청을 이행하기 위해 하나 이상의 인공 네트워크를 활용할 수 있다. 예를 들어, 양자 컴퓨팅 시스템(17000)은 (예를 들어, 액체 렌즈 시스템으로부터의 이미지 데이터를 사용하여) 이미지들에서 패턴들을 식별하고, 이진 행렬 인수분해를 수행하고, 국소 콘텐츠 타겟팅을 수행하고, 유사성-기반 클러스터링을 수행하고, 협력 필터링을 수행하고, 기회 마이닝(opportunity mining)을 수행하는 등의 인공 신경망들의 세트를 활용할 수 있다.In embodiments,
실시예들에서, 시스템들 중 하나의 시스템은 양자 컴퓨팅 자원들 및 전통적인 컴퓨팅 자원들의 우선순위화 및 할당을 위한 하이브리드 컴퓨팅 할당 시스템을 포함할 수 있다. 실시예들에서, 양자 컴퓨팅 자원들 및 전통적인 컴퓨팅 자원들의 우선순위화 및 할당은 측정 기반(measure-based)(예를 들어, 다른 이용가능한 자원들에 대한 양자 자원의 이점의 정도를 측정하는 것), 비용 기반, 최적 기반, 속도 기반, 영향 기반 등일 수 있다. 일부 실시예들에서, 하이브리드 컴퓨팅 할당 시스템은 양자 컴퓨팅 시스템(17000)과 전통적인 컴퓨팅 시스템 사이에서 시분할 다중화를 수행하도록 구성된다. 실시예들에서, 하이브리드 컴퓨팅 할당 시스템은 계산 자원들의 할당, 계산 자원들의 가용성, 계산 자원들의 비용 등을 자동으로 추적하고 보고할 수 있다.In embodiments, one of the systems may include a hybrid computing allocation system for prioritizing and allocating quantum computing resources and traditional computing resources. In embodiments, the prioritization and allocation of quantum computing resources and traditional computing resources is measure-based (e.g., measuring the degree of advantage of a quantum resource over other available resources). , it can be cost-based, optimality-based, speed-based, impact-based, etc. In some embodiments, the hybrid computing allocation system is configured to perform time division multiplexing between
실시예들에서, 양자 컴퓨팅 시스템(17000)은 컨텍스트 기반 큐 최적화들을 포함하는 양자 컴퓨팅 자원들의 이용을 위한 큐 최적화(queue optimization)에 활용될 수 있다.In embodiments,
실시예들에서, 양자 컴퓨팅 시스템(17000)은 양자 계산 인식 위치 기반 데이터 캐싱(quantum-computation-aware location-based data caching)을 지원할 수 있다.In embodiments,
실시예들에서, 양자 컴퓨팅 시스템(17000)은 양자 컴퓨팅 자원들, 전통적인 컴퓨팅 자원들, 에너지 자원들, 인적 자원들, 로봇 플릿 자원들, 스마트 컨테이너 플릿 자원들, I/O 대역폭, 저장 자원들, 네트워크 대역폭, 주의 자원들 등의 최적화를 포함하는, 시스템들 중 하나의 시스템에서 다양한 시스템 자원들의 최적화를 위해 활용될 수 있다.In embodiments,
양자 컴퓨팅 시스템(17000)은 지능 서비스(17034)와 유사하게 시스템 아키텍처의 시스템에서 구현될 수 있으며, 여기서 완전한 범위의 능력들이 임의의 구성된 서비스에 또는 그의 일부로서 이용가능하다. 구성된 양자 컴퓨팅 서비스들은 특정 미리 정의된 기능을 수행하거나, 새롭게 정의된 기능들을 생성하거나, 또는 이 둘의 다양한 조합들을 수행하기 위해 이러한 능력들의 서브세트들로 구성될 수 있다.
도 161은 본 개시의 일부 실시예에 따른 양자 컴퓨팅 서비스 요청 취급을 예시한다. 지시된 양자 컴퓨팅 요청(17102)은 하나 이상의 양자 인식 디바이스 또는 디바이스들의 스택으로부터 올 수 있으며, 여기서 요청은 특정 양자 인스턴스(들), 양자 컴퓨팅 엔진(들), 또는 다른 양자 컴퓨팅 자원들로 구성된 알려진 애플리케이션에 대한 것이고, 요청과 연관된 데이터는 양자 컴퓨팅과 함께 사용하기 위해 전처리되거나 달리 최적화될 수 있다.Figure 161 illustrates quantum computing service request handling according to some embodiments of the present disclosure. Directed
일반적인 양자 컴퓨팅 요청(17104)은 시스템들 또는 구성된 서비스의 시스템 내의 임의의 시스템으로부터 올 수 있으며, 여기서 요청자는 양자 컴퓨팅 자원들이 추가적인 값 또는 다른 개선된 결과들을 제공할 수 있다고 결정하였다. 개선된 결과는 또한 일부 형태의 모니터링 및 분석과 관련하여 양자 컴퓨팅 서비스에 의해 제안될 수 있다. 일반적인 양자 컴퓨팅 요청(17104)의 경우, 입력 데이터는 양자 컴퓨팅을 위해 필요한 대로 구조화되지 않거나 포맷되지 않을 수 있다.A generic
실시예들에서, 외부 데이터 요청들(17106)은 새로운 양자 인스턴스들을 훈련하는 데 필요할 수 있는 임의의 이용가능한 데이터를 포함할 수 있다. 이러한 요청의 소스는 공용 데이터, 센서, ERP 시스템 및 많은 다른 것일 수 있다.In embodiments,
유입 동작 요청들 및 연관된 데이터는 요청된 동작(들)을 수행하기 위해 적용될 수 있는 알려진 양자 인스턴스들, 양자 컴퓨팅 엔진들, 또는 다른 양자 컴퓨팅 자원들의 하나 이상의 가능한 세트들을 식별하는 표준화된 접근법을 사용하여 분석될 수 있다. 잠재적인 기존 세트들은 양자 세트 라이브러리(17108)에서 식별될 수 있다.Incoming operation requests and associated data use a standardized approach to identify one or more possible sets of known quantum instances, quantum computing engines, or other quantum computing resources that can be applied to perform the requested operation(s). can be analyzed. Potential existing sets may be identified in the quantum set
실시예들에서, 양자 컴퓨팅 시스템(17000)은 양자 컴퓨팅 구성 서비스(17010)를 포함한다. 양자 컴퓨팅 구성 서비스는 요청자의 우선순위를 또한 포함하는 자원 및 우선순위 분석을 사용하여 최상의 이용가능한 구성을 선택하기 위해 단독으로 또는 지능 서비스(17034)와 함께 동작할 수 있다. 양자 컴퓨팅 구성 서비스는 솔루션을 제공하거나(예) 또는 새로운 구성이 필요하다고 결정할 수 있다(아니오).In embodiments,
일 예에서, 요청된 양자 컴퓨팅 서비스들의 세트는 양자 세트 라이브러리(17108)에 존재하지 않을 수 있다. 이 예에서, 하나 이상의 새로운 양자 인스턴스는 이용 가능한 데이터를 사용하여 개발(훈련)되어야 한다. 예를 들어, 미국에서 트럭 화물 배달을 최적화하기 위한 양자 컴퓨팅 모듈이 양자 세트 라이브러리(17108)에 존재할 수 있다. 그러나 요청자 입력은 캐나다에서 배송을 최적화할 필요성을 확인했다. 이 경우, 양자 인스턴스 훈련은 배송 스케줄, 속도 제한, 연료 마일리지 및 비용 등과 같은 다양한 공공 데이터를 사용하여 캐나다에 대한 새로운 인스턴스를 훈련하기 위해 지능 서비스(17034)와 함께 작동할 수 있다. 실시예들에서, 적절한 자원들이 이용가능하게 될 때까지 요청된 양자 컴퓨팅 서비스들의 전부 또는 일부를 제공하기 위한 대안적인 방식들을 식별하기 위해 대안적인 구성들이 지능 서비스(17034)로부터의 도움으로 개발될 수 있다. 예를 들어, 요청된 서비스를 제공하지만 더 느린 레이트로 제공하는 양자/전통적인 하이브리드 모델이 가능할 수 있다.In one example, the requested set of quantum computing services may not exist in quantum set
실시예들에서, 요청된 양자 컴퓨팅 서비스들의 전부 또는 일부를 제공하기 위한 대안적인 그리고 가능하게는 일시적인 방법들을 식별하기 위해 대안적인 구성들이 지능 서비스(17034)로부터의 도움으로 개발될 수 있다. 예를 들어, 요청된 서비스를 제공하지만 더 느린 레이트로 제공하는 하이브리드 양자/전통적인 모델이 가능할 수 있다. 이것은 또한 실시간으로 서비스들을 조정하거나 개선된 저장된 라이브러리 요소들에 대한 피드백 학습 루프를 포함할 수 있다.In embodiments, alternative configurations may be developed with assistance from
양자 컴퓨팅 구성이 식별되고 이용 가능할 때, 그것은 하나 이상의 양자 상태(솔루션)의 실행 및 전달을 위해 할당되고 프로그래밍된다.When a quantum computing configuration is identified and available, it is assigned and programmed for execution and delivery of one or more quantum states (solutions).
VCN을 위한 생물학 기반 시스템(Biology-Based Systems For VCNs)Biology-Based Systems For VCNs
본 명세서에 설명된 기술들은 대량의 데이터, 특히 센서들 및 다른 밸류 체인 데이터 생성기들로부터의 데이터를 수집, 송신 및 처리하는 네트워크들 및 시스템들의 능력을 개선한다. 이러한 기술들은 생물학적 시상(biological thalamus), 데이터를 필터링하고 중계하기 위한 신경 시스템에 등가물을 제공하는 시상 서비스를 사용하는 것을 포함한다. 본 명세서에 설명된 시상 서비스는 많은 양의 정보를 수신하고, 제한된 송신, 처리, 수집, 및/또는 분석 자원들이 유입되는 정보의 양에 의해 압도되지 않도록 가장 많은 임포팅 정보를 전달하면서 정보를 빠르게 우선순위화할 수 있다.The techniques described herein improve the ability of networks and systems to collect, transmit, and process large amounts of data, particularly data from sensors and other value chain data generators. These techniques include using the biological thalamus, a thalamus service that provides the equivalent of a neural system for filtering and relaying data. The awards service described herein receives large amounts of information and quickly prioritizes the information while delivering the most imported information so that limited transmission, processing, collection, and/or analysis resources are not overwhelmed by the volume of incoming information. You can rank them.
추가적으로, 예측 모델 통신 프로토콜(PMCP : predictive model communication protocol)이 본 명세서에 설명된다. PMCP는, 특히 데이터가 예측 가능하거나 일반적으로 예측 가능한 경우, 송신된 데이터의 볼륨을 감소시키는 데 사용될 수 있다. PMCP는 일반적으로 센서 디바이스 또는 다른 데이터 소스에 의해 송신될 데이터 값들의 일부 또는 전부 대신에 예측 모델 파라미터들을 송신함으로써 동작할 수 있다. 예를 들어, PMCP를 구현하는 디바이스는 입력들(예를 들어, 센서 데이터)을 지속적으로 수신하고 센서 데이터의 스트림을 사용하여 예측 모델을 훈련할 수 있다. 중요한 네트워크 및/또는 처리 자원을 사용할 수 있는 센서 데이터를 전송하는 대신, PMCP 디바이스는 현재 및 미래의 센서 데이터를 예측하기 위한 예측 모델을 동작시키기 위해 수신 디바이스에 의해 사용될 수 있는 모델 파라미터를 송신할 수 있다. 따라서, 수신 디바이스는 센서 데이터를 수신하지 않고 센서 데이터의 예측 모델을 가질 수 있다. 실시예들에서, PMCP 디바이스에서의 센서 데이터가 예상들 밖에서 동작하기 시작하면, 모델 파라미터들은 수신 디바이스로 재송신될 수 있으며, 이는 예측 모델을 업데이트하고, 이에 의해 더 정확한 예측 데이터를 획득할 수 있다.Additionally, the predictive model communication protocol (PMCP) is described herein. PMCP can be used to reduce the volume of transmitted data, especially when the data is predictable or generally predictable. PMCP may operate by transmitting predictive model parameters in place of some or all of the data values that would normally be transmitted by a sensor device or other data source. For example, a device implementing PMCP can continuously receive inputs (e.g., sensor data) and use the stream of sensor data to train a predictive model. Instead of transmitting sensor data, which can use up significant network and/or processing resources, PMCP devices can transmit model parameters that can be used by the receiving device to run predictive models to predict current and future sensor data. there is. Accordingly, the receiving device may have a prediction model of the sensor data without receiving the sensor data. In embodiments, if sensor data at a PMCP device begins to behave outside of expectations, model parameters can be retransmitted to the receiving device, which can update the prediction model and thereby obtain more accurate prediction data.
일부 실시예들에서, 의사 결정(decision-making)을 최적화하기 위해, 양자 컴퓨터들 및/또는 예측 모델들이 본 명세서에 설명된 기술들과 함께 사용될 수 있다. 또한, 양자 조정(quantum coordination)은 (예를 들어, 전통적인 통신 메커니즘들에 대한 필요 없이) 상이한 유닛들이 액션들을 안전하게 조정할 수 있게 하도록 적용될 수 있다. 따라서, 본 명세서에 설명된 기술들은 양자 능력들 및 밸류 체인 네트워크 내의 디바이스들에 걸쳐 분산된 분산 생물학 기반 의사 결정 능력들의 조합을 사용할 수 있다. 또한, 이들 기술들은 또한 조정 밸류 체인 네트워크의 동작 효율성을 인에이블하게 하기 위한 효율적인 메커니즘이다.In some embodiments, quantum computers and/or predictive models may be used with the techniques described herein to optimize decision-making. Additionally, quantum coordination can be applied to allow different units to safely coordinate actions (eg, without the need for traditional communication mechanisms). Accordingly, the techniques described herein may use a combination of quantum capabilities and distributed biology-based decision-making capabilities distributed across devices in a value chain network. Additionally, these technologies are also efficient mechanisms to enable operational efficiency of coordinated value chain networks.
도 162는 밸류 체인 네트워크 시상 서비스(18000) 및 밸류 체인 네트워크 및 시스템(SOS) 제어 시스템(18002)에 걸쳐 다양한 소스로부터 데이터를 스트리밍하는 입력 센서의 세트를 그 중앙 관리 데이터 소스(18004)와 함께 도시한다. 시상 서비스(thalamus service)(18000)는 다양한 데이터 소스(18004)로부터 제어 시스템(18002)으로의 입력을 필터링하여, 제어 시스템이 정보의 총 볼륨에 의해 결코 압도되지 않도록 한다. 실시예들에서, 시상 서비스(18000)는 밸류 체인 내의 정보 흐름들에 대한 정보 억제 메커니즘을 제공한다. 이 메커니즘은 모든 입력 센서들로부터의 최대 데이터 흐름들이 항상 제약되는 것을 보장함으로써 모든 데이터 스트림들을 모니터링하고 무관한 데이터 스트림들을 억제 및/또는 필터링한다.162 illustrates a set of input sensors streaming data from various sources across the Value Chain
실시예들에서, 시상 서비스(18000)는 시스템 제어 시스템(18002) 중 시스템의 우선 순위에 응답하는 모든 통신을 위한 게이트웨이일 수 있다. 시스템 제어 시스템(18002) 중 시스템은 예를 들어, 격리된 영역에서의 알려진 화재 동안, 시상 서비스(18000)로부터 스트리밍된 데이터의 우선 순위를 변경할 것을 결정할 수 있고, 이벤트는 이러한 데이터의 대부분이 비정상적(unusual)이지 않다는 사실에도 불구하고 화염 센서 정보를 계속 제공하도록 시상 서비스(18000)에 지시할 수 있다. 시상 서비스(thalamus service)(18000)는 시스템 통신 프레임워크의 전체 시스템의 필수 부분일 수 있다.In embodiments,
실시예들에서, 시상 서비스(18000)는 인테이크 관리 시스템(intake management system)(18006)을 포함한다. 인테이크 관리 시스템(18006)은, 다수의 큰 데이터 세트들을, 시스템들 중 하나의 시스템 내에서 동작하는 중앙 제어 시스템(18002)에 의한 후속 사용을 위해 사이징 및 조직화되는 데이터 스트림들로 변환함으로써, 이들을 수신 및 처리하도록 구성될 수 있다. 예를 들어, 로봇은 환경을 실시간으로 식별하고 환경을 통과하여 이동하기 위해 중앙 제어 시스템(18002)(로봇에 탑재될 수 있고 및/또는 로봇과 통신하는 별도의 디바이스에 있을 수 있음)에 의해 사용되는 비전 및 감지 시스템(vision and sensing system)들을 포함할 수 있다. 인테이크 관리 시스템(18006)은 파싱, 필터링, 분류, 또는 그렇지 않으면 크기를 감소시키고 그렇지 않으면 중앙 제어 시스템(18002)을 압도할 다수의 큰 데이터 세트들의 유용성을 증가시킴으로써 로봇 의사 결정을 용이하게 할 수 있다. 실시예에서, 인테이크 관리 시스템은 유입 데이터를 평가하고 액션 기반 평가 결과를 취하기 위해 지능 서비스(18010)와 함께 작동하는 인테이크 제어기(18008)를 포함할 수 있다. 평가들 및 액션들은 시상 서비스(18000)에 의해 수신된 특정 명령 세트들, 예를 들어, "네트워킹" 라이브러리 모듈 내에 규정된 특정 압축 및 우선순위화 툴들의 세트의 사용을 포함할 수 있다. 다른 예에서, 시상 서비스 입력들은 특정 필터링 및 억제 기술들의 사용을 지시할 수 있다. 제3 예에서, 시상 서비스 입력들은 특정 유형의 금융 트랜잭션과 같은 관심 영역과 연관된 데이터 필터링을 규정할 수 있다. 인테이크 관리 시스템은 또한 예컨대, 예측 모델 통신 프로토콜(PMCP)(아래에서 논의됨)에 따르는 벡터화된(vectorized) 포맷으로 있는 데이터 세트들을 인식하고 관리하도록 구성되며, 여기서 데이터 세트들은 중앙 제어 시스템(18002)으로 직접 전달될 수 있거나, 대안적으로 개별적으로 분해되고 처리될 수 있다. 인테이크 관리 시스템(18006)은 애플리케이션 및 데이터 관리 라이브러리 모듈의 개선 및 생성을 가능하게 하는 외부 소스로부터 데이터를 수신하는 학습 모듈을 포함할 수 있다. 일부 경우에, 인테이크 관리 시스템(18006)은 기존 데이터 세트를 증강시키기 위해 외부 데이터를 요청할 수 있다.In embodiments,
일부 실시예들에서, SOS 제어 시스템(18002)은 특정 소스들의 세트로부터 더 많은 입력을 제공하기 위해 필터링을 변경하도록 시상 서비스(18000)에 지시할 수 있다. 더 많은 입력을 제공하기 위한 이러한 표시는 시상 서비스(18000)에 의해 취급된다. 예를 들어, 시상 서비스는 전체 데이터 흐름을 중앙 제어 시스템이 처리할 수 있는 볼륨 내로 제한하기 위해 다른 정보 흐름을 억제할 수 있다.In some embodiments,
실시예들에서, 시상 서비스(18000)는 0개 이상의 디폴트 인자들을 포함하는 몇몇 상이한 인자들에 기초하여 데이터를 억제함으로써 동작할 수 있다. 예를 들어, 일부 실시예들에서, 디폴트 인자들은 예상된 데이터 세트로부터의 데이터의 발산 또는 발산 정도를 나타내는 값일 수 있는 "비정상 인자(unusualness factor)"를 포함할 수 있다. 실시예들에서, 비정상 인자는 모든 입력들 또는 입력들 중 일부(예를 들어, 입력 센서들 중 일부)에 대해 지속적으로 모니터링된다.In embodiments,
일부 실시예들에서, 시상 서비스(18000)는 지리 공간적 인자들에 기초하여 데이터를 억제할 수 있다. 지리공간적 인자들의 예들은 위치 데이터, 모션 데이터, 가속도 데이터, 진동 데이터, 및/또는 절대 또는 상대 위치, 시간에 따른 위치의 변화, 시간에 따른 위치의 다른 도함수들 또는 적분들 등을 나타내는 임의의 다른 데이터를 포함할 수 있다. 시상 서비스(18000)는 센서들의 일부 또는 전부에 대한 지리 공간적 인자들을 인식할 수 있고, 따라서 지리 공간적 컨텍스트에 기초하여 데이터에서 특이한 패턴들을 찾고 그에 따라 데이터를 억제할 수 있다.In some embodiments,
일부 실시예들에서, 시상 서비스(18000)는 시간적 인자들에 기초하여 데이터를 억제할 수 있다. 예를 들어, 전체 데이터 스트림이 SOS 제어 시스템(18002) 및/또는 중앙 처리 유닛에 의해 처리될 수 있는 레벨로 필터링되도록 데이터의 케이던스(cadence)가 감소될 수 있다면, 데이터는 시간적으로 억제될 수 있다.In some embodiments,
일부 실시예들에서, 시상 서비스(18000)는 컨텍스트 인자들에 기초하여 데이터를 억제할 수 있다. 실시예들에서, 컨텍스트 기반 필터링은 시상 서비스(18000)가 일부 컨텍스트 기반 이벤트를 인식하는 필터링 이벤트이다. 컨텍스트 기반 이벤트들은, 예를 들어, 다른 센서들 또는 시스템들에 의한 비정상적인 거동의 하나 이상의 통지들(덜 중요한 데이터의 일시적인 억제를 초래할 수 있음), 하나 이상의 인간 입력들(예를 들어, 보안 데이터에 대한 이전의 포커스를 억제할 수 있는 보안 경보를 디스에이블하는 인간), 다른 시스템들 또는 센서들에 의해 트리거링되는 하나 이상의 이벤트들(예를 들어, 자원들이 보안 데이터 수집, 송신, 및 분석에 전용될 수 있도록 하기 위해 특정 데이터의 억제를 초래할 수 있는 자동화된 보안 경보), 다른 센서 데이터로부터 검출되는 하나 이상의 컨텍스트들(예를 들어, 네트워크 센서에 의해 보고되는 이용가능한 대역폭의 감소, 이용가능한 대역폭이 개선될 때까지 특정 데이터의 억제를 초래할 수 있음), 또는 임의의 다른 컨텍스트 기반 조건 또는 이벤트를 포함할 수 있다. 이러한 컨텍스트에서, 필터링은 이벤트로부터의 데이터와 관련되지 않은 정보 흐름들을 억제할 수 있다.In some embodiments,
실시예들에서, 시상 서비스(18000)는 분석 결과들(18018), 데이터베이스들(18020), 센서들(18022), 및/또는 보고들(18024)을 포함하는 다양한 데이터 소스들(18004)로부터 데이터를 수신할 수 있다. 예를 들어, 시상 서비스(18000)는 미리 전처리된 센서 데이터 또는 다른 데이터를 갖는 다른 분석/처리/보고 디바이스들로부터 분석 결과들 및/또는 보고들을 수신할 수 있다. 추가적으로 또는 대안적으로, 시상 서비스(18000)는 센서들(18022)로부터의 현재 또는 이력 데이터에 추가하여 데이터베이스(18020)에 저장되는 데이터(예를 들어, 이력 데이터)를 수신할 수 있다. 실시예들에서, 데이터는 PMCP 디바이스 인터페이스(18052)로부터 수신 및/또는 생성될 수 있다(예를 들어, 예측 모델들은 미래 데이터를 생성할 수 있다).In embodiments,
실시예에서, 시상 서비스(18000)는 네트워킹 라이브러리(18014), 보안 라이브러리(18016), 및/또는 다양한 유형의 입력 데이터를 해석하기 위한 임의의 다른 라이브러리를 포함할 수 있는 인테이크 애플리케이션 라이브러리(18012)에 기초하여 데이터 소스(18004) 중 임의의 것으로부터의 입력을 처리 및/또는 해석할 수 있다. 예를 들어, 시상 서비스(18000)는 네트워크 데이터(예를 들어, 네트워킹 센서 또는 디바이스로부터 수신된 데이터, 네트워킹 분석, 네트워킹 보고, 네트워크 데이터베이스 데이터 등)를 파싱, 해석, 추출 및/또는 다른 방식으로 처리하기 위해 네트워킹 라이브러리(18014)를 사용할 수 있다. 유사하게, 시상 서비스(18000)는 보안 데이터(예를 들어, 보안 센서들 또는 디바이스들로부터 수신된 데이터, 보안 분석들, 보안 보고들, 보안 데이터베이스 데이터 등)를 파싱, 해석, 추출, 및/또는 다른 방식으로 처리하기 위해 보안 라이브러리(18016)를 사용할 수 있다. 실시예에서, 인테이크 데이터(intake data)는 또한, 데이터를 전처리하고, 데이터를 사용하여 예측 모델을 생성하고, 데이터의 미래 상태를 예측하는 등을 위해 하나 이상의 인공 지능 기술을 사용할 수 있는 인테이크 학습 모듈(18026)을 사용하여 처리될 수 있다. 인테이크 애플리케이션 라이브러리(18012) 및/또는 인테이크 학습 모듈(18026)을 사용하여 처리한 후, 데이터는 인테이크 데이터 관리 시스템(18028)에 의한 관리를 위해 준비될 수 있다.In an embodiment,
인테이크 데이터 관리 시스템(18028)은 데이터를 우선순위화(18030), 포맷팅(18032), 억제(18034), 영역 포커스(area focus)(18036)를 사용하여, 필터링(18038), 및/또는 조합(combining)(18040)함으로써 데이터를 처리할 수 있다. 우선순위화(18030)는 제한된 자원들이 가장 중요한 데이터에 할당될 수 있도록 우선순위화하거나 또는 다른 방법으로 우선순위들(예를 들어, 카테고리들, 수치 우선순위 점수들 등)을 할당하는 것을 수반할 수 있다. 예를 들어, 억제 (18034) 및/또는 필터링(18038)은 압도적인 제한된 송신, 처리, 및/또는 분석 자원들을 회피하기 위해 가장 덜 중요한 데이터 (예를 들어, 가장 낮은 우선순위 점수와 연관된 데이터) 를 억제 또는 필터링하기 위해 우선순위들에 기초하여 동작할 수 있다. 포맷팅(formatting)(18032)은 더 용이한 관리를 허용하기 위해 데이터를 포맷팅하는 것을 수반할 수 있으며, 이는 송신 자원들의 사용을 감소시키기 위해 데이터의 특정 부분들을 압축하거나 다른 방식으로 드롭(drop)하는 것, 압축해제(decompression) 자원들의 사용을 감소시키기 위해 데이터를 압축하지 않기(un-compressing)(예를 들어, 대역폭이 충분하고 데이터가 중요한 경우), 특정 양태들을 강조하거나 강조해제하기 위해 데이터를 포맷하는 것, 또는 다른 방식으로 포맷팅을 조정하는 것을 수반할 수 있다. 실시예들에서, 포맷팅(18032)은 우선순위화(18030)에 의존할 수 있어서, 더 많거나 더 나은 분석을 허용하기 위해 더 중요한 데이터가 포맷팅될 수 있는 반면, 덜 중요한 데이터는 다양한 자원들의 사용을 감소시키기 위해 포맷팅될 수 있다.The intake
실시예들에서, 억제(suppressing)(18034)는 데이터의 양, 데이터가 송신되는 목적지들의 수를 감소시키는 것, 또는 그렇지 않으면 데이터의 제한된 자원들(예를 들어, 대역폭, 처리, 분석 등)의 사용을 감소시키는 것을 수반할 수 있다. 실시예들에서, 억제된 데이터는 (예를 들어, 데이터베이스에) 저장되고 나중에 처리(예를 들어, 송신, 처리)될 수 있다. 실시예들에서, 억제(18034)는 전술된 바와 같은 다양한 인자들에 기초할 수 있다.In embodiments, suppressing 18034 may involve reducing the amount of data, the number of destinations to which the data is transmitted, or otherwise utilizing limited resources of the data (e.g., bandwidth, processing, analysis, etc.). This may involve reducing use. In embodiments, suppressed data may be stored (e.g., in a database) and later processed (e.g., transmitted, processed). In embodiments,
실시예들에서, 영역 포커스(18036)는 특정 높은 우선순위 데이터에 대해 행해진 어텐션(attention)을 증가시키는 것을 수반할 수 있다. 예를 들어, 보안 사고 동안, 보안 센서 데이터는 추가 목적지들로 발송되고, 추가 분석들을 사용하여 처리되고, 허용된 추가 대역폭 및 처리 파워 등을 사용하여 처리될 수 있다. 실시예들에서, 영역 포커스(18036)는 영역 포커스(18036)와 연관되지 않은 다른 데이터의 억제 또는 필터링을 야기할 수 있다.In embodiments,
실시예들에서, 필터링(18038)은 중요하지 않은(예를 들어, 영역 포커스(18036)와 매칭되지 않는 것, 낮은 우선순위인 것 등) 데이터를 무시, 삭제, 또는 다른 방식으로 제거하는 것을 수반할 수 있다. 실시예들에서, 데이터는 초기에 억제될 수 있지만(예를 들어, 나중을 위해 감소되거나 저장될 수 있지만), 조건들이 추가로 변경되어 데이터가 필터링(예를 들어, 삭제, 무시)되게 할 수 있다. 따라서, 인테이크 데이터 관리 시스템(18028)은 조건에 따라 데이터를 먼저 억제하고 나중에 필터링함으로써 데이터의 점진적인 다운그레이드(downgrade)를 허용할 수 있다.In embodiments, filtering 18038 involves ignoring, deleting, or otherwise removing data that is not important (e.g., does not match
실시예들에서, 조합(18040)은 더 나은 분석들을 제공하고, 새로운 데이터를 생성하고, (예를 들어, 다수의 데이터 값들을 단일 데이터 값으로 조합함으로써) 데이터의 볼륨을 감소시키고, (예를 들어, 더 정확한 평균 판독치를 획득하기 위해 상이한 센서 판독치들을 평균화함으로써) 데이터의 품질을 개선하는 등을 위해 다양한 유형들의 데이터를 조합하는 것을 포함할 수 있다. 일부 실시예들에서, 더 낮은 우선순위 데이터는 요건들을 감소시키기 위해 다른 데이터와 조합될 수 있다. 추가적으로 또는 대안적으로, 더 높은 우선순위 데이터는 데이터 품질을 개선하기 위해 다른 데이터와 조합될 수 있다.In embodiments,
실시예에서, 인테이크 데이터 관리 시스템은 인테이크 제어기(18008) 및/또는 지능 시스템(18042)과 인터페이싱할 수 있다. 지능 시스템(18042)은, 예를 들어, 다양한 인공 지능 기술을 사용하여 인테이크 데이터 관리를 수행하고(예를 들어, 데이터를 우선순위화하고, 데이터를 포맷하고, 데이터를 억제하고, 영역 포커스를 선택하고 및/또는 데이터를 영역 포커스에 할당하고, 데이터를 필터링하고, 데이터를 조합하는 등), 인테이크 데이터 관리의 결과를 예측하고, 미래의 데이터 값을 예측하는 등을 수행할 수 있다. 추가적으로 또는 대안적으로, 인테이크 제어기(18008) 및/또는 지능 시스템(18042)은 인테이크 데이터 관리, 인공 지능 기술(예를 들어, 파라미터는 AI 모델에 대한 모델 파라미터일 수 있음)을 통제할 수 있고/있거나, 그렇지 않으면 인테이크 관리 시스템(18006)의 동작을 구성할 수 있는 구성된 시상 파라미터(18044)에 따라 동작할 수 있다.In embodiments, the intake data management system may interface with
실시예들에서, 제어 시스템(18002)은, 일부 경우들에서, 대량의 데이터를 더 신속하게 처리하고, 양자 모델들 등을 사용하기 위해 양자 컴퓨팅 자원들을 제공할 수 있는 양자 컴퓨팅 서비스(18046)를 사용할 수 있다.In embodiments,
제어 시스템(18002)은 다양한 데이터 소스(18004)로부터 데이터를 수신하고 (예를 들어, 인테이크 데이터 관리 후에) 데이터를 다양한 목적지로 송신하기 위한 하나 이상의 데이터 인터페이스(18048)를 더 포함할 수 있다. 실시예들에서, 제어 시스템(18002)은 분석 서브시스템들, 다양한 처리 칩들, 또는 관리된 데이터를 사용하여 결정들을 하거나, 분석들을 생성하거나, 또는 달리 데이터 연산들을 수행할 수 있는 임의의 다른 서브시스템들과 같은 다른 시스템 서브시스템들(18050)을 포함할 수 있다. 실시예들에서, 지능 서비스(18010)는 관리된 데이터를 다양한 다른 시스템 서브시스템들(18050)로 라우팅하거나, 그렇지 않으면 데이터에 대한 초기 및/또는 최종 처리를 수행하도록 동작할 수 있다.
실시예들에서, SOS 제어 시스템(18002)은 시상 필터링을 오버라이드(override)하고 임의의 특정 이유에 대해 상이한 영역에 포커싱하도록 결정할 수 있다. 예를 들어, 보안 사건 동안, SOS 제어 시스템은 보안 센서들로부터의 데이터가 임의의 탈우선순위화, 억제, 필터링 등 없이 전부가 전달되는 것을 보장하기 위해 시상 필터링(일반적으로 보안 센서들로부터의 데이터를 탈우선순위화할 수 있음) 주위에 라우팅할 수 있다. 다른 예로서, 장비의 정규 검사들 동안, 장비의 동작을 측정하는 센서 데이터(예를 들어, 진동 센서 데이터)는, 데이터가 정상 파라미터들 내에 있는 것으로 보이고 따라서 일반적으로 억제 또는 필터링될 수 있더라도, 억제되지 않을 수 있다.In embodiments, the
실시예에서, 제어 시스템(18002)은 PMCP를 사용하여 데이터를 송신 및/또는 수신하는데 사용될 수 있는 PMCP 디바이스 인터페이스(18052)를 포함할 수 있다. PMCP 디바이스 인터페이스의 세부사항은 제2 PMCP 디바이스 인터페이스(18060) 내에 추가로 도시된다. 실시예에서, PMCP 디바이스 인터페이스(18052)는 PMCP 디바이스 인터페이스(18060)와 통신할 수 있다. PMCP 디바이스 인터페이스(18052)는 PMCP 디바이스 인터페이스(18060) 내에 도시된 것과 동일한 컴포넌트를 가질 수 있다.In an embodiment,
실시예들에서, PMCP 디바이스 인터페이스는 송신 전에 데이터를 벡터화된 포맷으로 변환하기 위해 사용될 수 있다. 이러한 실시예들에서, 벡터는 단순한 예측 모델의 예로 간주될 수 있다(예를 들어, 벡터는 데이터 값에 대한 변화의 양 및 변화의 방향을 나타낼 수 있고, 따라서 변화가 계속된다면 데이터 값의 미래 상태를 예측할 수 있다). 예를 들어, 종종 유사한 데이터 값들의 긴 시퀀스의 변화의 양 및 방향을 나타내는 벡터로의 변환은, 데이터 값들의 미래 상태를 암시할 수 있고, 데이터 값들의 통신을 더 작은 크기로 그리고 본질적으로 포워드 룩킹(forward looking) 둘 모두를 가능하게 한다.In embodiments, a PMCP device interface may be used to convert data to a vectorized format prior to transmission. In these embodiments, the vector can be considered an example of a simple predictive model (e.g., a vector can indicate the amount of change and the direction of change for a data value, and thus the future state of the data value if the change continues). can be predicted). For example, the transformation of a long sequence of often similar data values into a vector, which represents the amount and direction of change, can imply the future state of the data values, allows communication of the data values to a smaller size and is essentially forward looking. (forward looking) makes both possible.
실시예들에서, PMCP는 가중된 이동 평균; 칼만 필터링; 지수 평활화; ARMA(autoregressive moving average)(예측들은 예측되는 변수의 과거 값들 및 과거 예측 에러들에 의존함); ARIMA(autoregressive integrated moving average)(예측된 변수의 기간 대 기간 변화에 대한 ARMA); 외삽; 선형 예측; 트렌드 추정(변수를 시간의 선형 또는 다항식 함수로서 예측함); 성장 곡선(예를 들어, 통계); 및 순환 신경망 기반 예측을 포함하는, 현재 및 미래 데이터 값들을 예측하기 위해 다양한 유형들의 예측 모델들을 사용할 수 있다.In embodiments, PMCP is a weighted moving average; Kalman filtering; exponential smoothing; ARMA (autoregressive moving average) (predictions depend on historical values of the variable being predicted and historical prediction errors); ARIMA (autoregressive integrated moving average) (ARMA for period-to-period changes in predicted variables); extrapolation; linear prediction; Trend estimation (forecasting a variable as a linear or polynomial function of time); growth curves (e.g., statistics); Various types of prediction models can be used to predict current and future data values, including recurrent neural network-based prediction.
PMCP 프로토콜을 사용하면, 개별 데이터 아이템들이 송신되는 전통적인 스트림들 대신에, 데이터가 어떻게 변경되고 있는지 또는 데이터의 예측 트렌드들이 무엇인지를 나타내는 벡터들이 통신된다. PMCP 시스템은, 에지 디바이스들이 미래 상태들을 결정하기 위해 벡터 기반 예측 모델들을 적용할 수 있도록 실제 모델 파라미터들을 수신 유닛들에 송신할 수 있다. 예를 들어, 밸류 체인 네트워크 내의 각각의 자동화된 디바이스는 데이터 스트림들을 현재 입력 데이터에 지속적으로 피팅하는 회귀 모델 또는 신경망을 훈련하도록 구성될 수 있다. 일부 실시예들에서, PMCP 시스템을 활용하는 자동화된 디바이스들은, 예를 들어, 아이템에 대한 재고의 고갈이 발생하는 것을 대기하기보다는, 실제로 발생하는 이벤트들에 미리 반응할 수 있다. 예를 계속하면, 스테이트리스(stateless) 자동화 디바이스는 예측된 미래 상태에 반응하고, 더 많은 아이템을 주문하는 것과 같은 필요한 조정들을 수행할 수 있다.Using the PMCP protocol, instead of traditional streams where individual data items are transmitted, vectors are communicated that indicate how the data is changing or what the predicted trends in the data are. The PMCP system can transmit actual model parameters to receiving units so that edge devices can apply vector-based predictive models to determine future states. For example, each automated device within the value chain network may be configured to train a regression model or neural network that continuously fits data streams to current input data. In some embodiments, automated devices utilizing a PMCP system may proactively react to events that actually occur, for example, rather than waiting for depletion of inventory for an item to occur. Continuing the example, a stateless automation device can react to predicted future states and make necessary adjustments, such as ordering more items.
실시예들에서, PMCP 시스템은 수신단 상의 예측 모델들이 미래 값들의 확률들을 예측할 수 있게 하는 모델 파라미터들과 함께 벡터화된 정보를 통신하는 것을 가능하게 한다. 벡터화된 정보는 다수의 확률 기반 상태를 결정하기 위해 송신 및 처리될 수 있다. 예를 들어, 모션 벡터들에 기초하여 미래 위치들을 예측하기 위한 모션 벡터들 및 모델 파라미터들은 PMCP를 사용하여 송신될 수 있고, 수신 위치는 모션 벡터들을 파라미터화된 예측 모델 (예를 들어, 모델 파라미터들을 사용하여 아이템의 미래 위치들을 결정하는 모델)에 대한 입력들로서 사용할 수 있으며, 이는 모션 벡터와 연관된 아이템이 상이한 위치들에 있을 확률들을 생성할 수 있다. 다른 예로서, PMCP 시스템은 현재 및/또는 미래의 센서 판독들이 예측될 수 있게 하는 모델 파라미터들과 함께 벡터화된 센서 판독들을 통신하는 것을 지원할 수 있다. 상이한 정확도 및 신뢰도를 갖는 많은 수의 센서를 갖는 환경에서 적용되는, PMCP 시스템의 확률적 벡터 기반 메커니즘은 전부는 아니지만 많은 수의 데이터 스트림이 밸류 체인 아이템(예를 들어, 상품, 서비스 등)의 현재 상태, 과거 상태 및 가능성 있는 미래 상태를 나타내는 개선된 모델을 생성하는 데 사용될 수 있게 한다. 근사 방법들은 중요 샘플링을 포함할 수 있고, 결과적인 예측 모델은 입자 필터, 응축 알고리즘(condensation algorithm), 몬테 카를로 로컬라이제이션, 또는 다른 적합한 모델들일 수 있다.In embodiments, a PMCP system enables communicating vectorized information along with model parameters that enable predictive models on the receiving end to predict probabilities of future values. Vectorized information can be transmitted and processed to determine multiple probability-based states. For example, motion vectors and model parameters for predicting future positions based on motion vectors may be transmitted using PMCP, and the received position may be configured to use the motion vectors to parameterize the prediction model (e.g., model parameters can be used as inputs to a model that determines the future locations of the item, which can generate probabilities that the item associated with the motion vector is at different locations. As another example, a PMCP system may support communicating vectorized sensor readings with model parameters that allow current and/or future sensor readings to be predicted. Applied in environments with a large number of sensors with different accuracies and reliability, the probabilistic vector-based mechanism of PMCP systems allows many, if not all, data streams to determine the current status of value chain items (e.g. goods, services, etc.). It can be used to create improved models representing states, past states, and likely future states. Approximation methods may include critical sampling, and the resulting prediction model may be a particle filter, condensation algorithm, Monte Carlo localization, or other suitable models.
실시예들에서, PMCP 시스템의 벡터 기반 통신은 디바이스들 및/또는 다른 시스템들이 미래의 보안 이벤트들을 예상할 수 있게 한다. 예를 들어, 간단한 에지 디바이스들의 세트는 로컬에서 감지된 보안 데이터에 기초하여 모델 파라미터들을 생성 및 송신하기 위해 PMCP를 사용하여 반-자율적으로 실행되도록 구성될 수 있다. 이 예에서, 에지 디바이스들은 데이터의 트렌드들을 보여주는 예측 모델들의 세트를 구축하도록 구성될 수 있다. 예측 모델들의 이러한 세트의 파라미터들은 PMCP 시스템을 사용하여 송신될 수 있다. 이 예에서, 에지 디바이스들은 데이터의 트렌드들을 보여주는 예측 모델들의 세트를 구축하도록 구성될 수 있다. 이러한 예측 모델들의 세트의 파라미터들은 보안 데이터가 재구축되어 수신 디바이스에서 미래 상태들을 예측하는데 사용될 수 있도록 PMCP 시스템을 사용하여 송신될 수 있다.In embodiments, the vector-based communication of a PMCP system allows devices and/or other systems to anticipate future security events. For example, a set of simple edge devices can be configured to run semi-autonomously using PMCP to generate and transmit model parameters based on locally sensed security data. In this example, edge devices can be configured to build a set of predictive models that show trends in the data. The parameters of this set of predictive models can be transmitted using a PMCP system. In this example, edge devices can be configured to build a set of predictive models that show trends in the data. The parameters of this set of predictive models can be transmitted using a PMCP system so that the secure data can be reconstructed and used to predict future states at the receiving device.
실시예들에서, 비정상적인 이벤트들은 하나 이상의 벡터들이 비정상적인 패턴들을 나타내게 하는 경향이 있기 때문에, 보안 시스템들은 상태의 변화들을 나타내는 벡터들을 생성 및 송신할 수 있다. 보안 설정에서, 다수의 동시 비정상 벡터들을 검출하는 것은, 예를 들어, 제어 타워 또는 시스템들 중 하나의 시스템 내의 다른 시스템들에 의한 에스컬레이션(escalation) 및 응답을 트리거할 수 있다. 또한, 통신 보안 문제의 주요 영역 중 하나는 저장된 데이터의 보호에 관한 것이고, 벡터 기반 시스템에서 데이터는 저장될 필요가 없을 수 있고(또는 더 적은 디바이스에 저장될 수 있고), 따라서 데이터 손실의 위험이 제거되거나 감소된다.In embodiments, because abnormal events tend to cause one or more vectors to exhibit unusual patterns, security systems may generate and transmit vectors representing changes in state. In a security setting, detecting multiple simultaneous abnormal vectors may trigger escalation and response by, for example, a control tower or other systems within one of the systems. Additionally, one of the main areas of communication security issues concerns the protection of stored data, in vector-based systems data may not need to be stored (or can be stored on fewer devices), and thus the risk of data loss is high. eliminated or reduced.
실시예에서, PMCP 데이터는 실제 데이터가 질의에 응답하여 동적으로 재구성되는 질의가능한 데이터베이스에 직접 저장될 수 있다. 일부 실시예들에서, PMCP 데이터 스트림들은 미세-세분화된(fine-grained) 데이터를 재생성하는데 사용될 수 있어서, 이들은 ETL(Extract Transform and Load) 프로세스의 일부가 된다.In embodiments, PMCP data may be stored directly in a queryable database where the actual data is dynamically reorganized in response to queries. In some embodiments, PMCP data streams can be used to recreate fine-grained data, so that they become part of an Extract Transform and Load (ETL) process.
PMCP 디바이스 인터페이스는 트랜시버 모듈(18062), 모델링 모듈(18064), 라이브러리 모듈(18066) 및 저장 모듈(18068)을 포함하는 여러 모듈들을 포함할 수 있다. 트랜시버 모듈은 데이터 소스(18004)로부터의 다양한 데이터 및/또는 다른 PMCP 디바이스 인터페이스(예를 들어, PMCP 디바이스 인터페이스(18052))로/로부터 및/또는 PMCP 디바이스 인터페이스를 포함하는 시스템의 다른 컴포넌트로/로부터 PMCP 데이터(예를 들어, 벡터, 모델 파라미터 등)를 포함하는 데이터를 송신/수신하기 위해 사용될 수 있는 데이터 트랜시버(18070)를 포함할 수 있다. 실시예들에서, 트랜시버 모듈(18062)은 송신 및/또는 수신 처리를 돕기 위해 인공 지능 기술들을 사용할 수 있는 지능 시스템(18072)을 포함할 수 있다. 예를 들어, 지능 시스템(18072)은 다양한 유형의 착신 및 발신 데이터를 라우팅하고, 데이터 소스(18004)로부터의 송신 및/또는 수신 데이터 대 PMCP 데이터 등을 우선순위화 또는 비우선순위화할 수 있다. 지능 시스템(18072)은 PMCP 송신을 이해하고, PMCP 데이터를 파싱하고, 수신된 PMCP 데이터를 추가 동작을 위해 모델링 모듈에 제공할 수 있는 PMCP 제어기(18074)를 더 포함할 수 있다.The PMCP device interface may include several modules including a
모델링 모듈(18064)은 송신 역할 및/또는 수신기 역할에서의 다양한 동작들을 담당할 수 있다. 송신 역할에서, 모델링 모듈(18064)은 다양한 데이터 소스들(18004)(예를 들어, 센서들(18022))로부터 데이터를 연속적으로 수신하고, 유입 데이터의 미래 상태들을 예측하는 모델들을 연속적으로 생성 및/또는 개선할 수 있다. 다양한 모델들은, 예를 들어, 분류 모델들, 거동 분석 모델들, 예측 모델들, 데이터 증강 모델들, 및/또는 임의의 다른 유형들의 모델일 수 있다. 그런 다음, 생성된/개량된 모델들로부터의 모델 파라미터들(예를 들어, 신경망 가중치들)은 수신기들로 송신될 수 있으며, 수신기들은 데이터 스트림에 액세스할 필요 없이 분류들, 거동 분석, 예측, 증강 등을 수행하기 위해 파라미터들을 사용할 수 있다. 따라서, 수신기 역할에서, 모델링 모듈(18064)은 다른 PMCP 디바이스 인터페이스로부터 수신된 다양한 파라미터들을 사용하여 다양한 유형들의 모델들을 파라미터화한 다음, 파라미터화된 모델들을 사용하여 수신 디바이스에 의한 추가 사용을 위한 데이터를 생성할 수 있다.
실시예에서, PMCP 디바이스 인터페이스는 분류 모델(18076)을 훈련 및/또는 실행할 수 있으며, 이는 다양한 라벨 또는 분류를 생성하는 데이터 소스(18004)로부터 캡처된 데이터를 사용하여 훈련될 수 있다. 예를 들어, 분류 모델들은 예측된 미래 상태들 또는 조건들을 포함하는, 입력 데이터에 기초하여 다양한 상태들 또는 조건들을 출력하는 데 사용될 수 있다. PMCP를 사용하여 분류 모델 파라미터들을 수신 디바이스에 송신함으로써, 수신 디바이스는 또한 데이터 소스들(18004)로부터 입력 데이터를 수신할 필요 없이 미래의 상태들 또는 조건들을 예측할 수 있다.In embodiments, the PMCP device interface may train and/or run a
실시예들에서, PMCP 디바이스 인터페이스는, 다양한 거동 분석들 및 미래의 거동 데이터를 생성하기 위해 데이터 소스들(18004)로부터 캡처된 데이터를 사용하여 훈련될 수 있는 거동 분석 모델들(18078)을 훈련 및/또는 실행할 수 있다. 예를 들어, 거동 분석 모델들은 특정 엔티티들에 의해 취해질 가능성이 있는 현재 또는 미래의 액션들 및/또는 액션들이 정상 조건들 내에 있는지 또는 비정상적인지 여부의 분석들을 출력하기 위해 사용될 수 있다. PMCP를 사용하여 거동 분석 모델 파라미터들을 수신 디바이스에 송신함으로써, 수신 디바이스는 또한 데이터 소스들(18004)로부터 입력 데이터를 수신할 필요 없이 미래의 액션들 및/또는 분석들을 예측할 수 있다.In embodiments, the PMCP device interface trains and trains
실시예들에서, PMCP 디바이스 인터페이스는 데이터 스트림들에 대한 현재 및 예측된 데이터 값들을 생성하기 위해 데이터 소스들(18004)로부터 캡처된 데이터 스트림들을 사용하여 훈련될 수 있는 예측 모델들(18080)을 훈련 및/또는 실행할 수 있다. 예를 들어, 예측 모델들은 센서들(18022)로부터 캡처된 데이터에 기초하여 현재 또는 미래의 센서 판독들을 출력하는 데 사용될 수 있다. PMCP를 사용하여 예측 모델 파라미터들을 수신 디바이스에 송신함으로써, 수신 디바이스는 또한 센서들(18022) 또는 다른 데이터 소스들(18004)로부터 입력 데이터를 수신할 필요 없이 센서 값들을 예측할 수 있다.In embodiments, the PMCP device interface trains
실시예들에서, PMCP 디바이스 인터페이스는 증강된 데이터 스트림들을 생성하기 위해 데이터 소스들(18004)로부터 캡처된 데이터를 사용하여 훈련될 수 있는 증강 모델들(18082)을 훈련 및/또는 실행할 수 있다. 예를 들어, 증강 모델들은 (예를 들어, 네트워크 중단들로 인해) 누락된 데이터일 수 있는 데이터 스트림들로부터 보간된 또는 외삽된 값들을 생성하는 데 사용될 수 있고, 다른 근처의 센서들로부터의 센서 판독들에 기초하여 센서(예를 들어, 파손된 센서)에 대한 예측된 센서 판독들을 생성할 수 있고, 다른 방법으로 데이터 소스들(18004)로부터 수신된 데이터를 추가 데이터로 증강시킬 수 있다. PMCP를 사용하여 수신 디바이스에 증강 모델 파라미터들을 송신함으로써, 수신 디바이스는 또한 데이터 소스들(18004)로부터 입력 데이터를 수신할 필요 없이 누락된 데이터, 예측된 데이터, 또는 다른 증강된 데이터를 생성할 수 있다.In embodiments, the PMCP device interface may train and/or execute augmented models 18082, which may be trained using data captured from
실시예에서, PMCP 디바이스 인터페이스(18060)는 모델링 및/또는 다른 동작을 보조하는데 사용될 수 있는 하나 이상의 모듈을 포함하는 라이브러리 모듈(18066)을 사용할 수 있다. 예를 들어, 네트워킹 모듈(18084)은 네트워크 디바이스들, 네트워크 토폴로지들, 네트워크 디지털 트윈들, 및 다양한 모델들을 훈련하기 위해, 아래에서 더 상세히 설명되는 바와 같이 ETL 동작들을 수행하기 위해, 또는 다른 그러한 처리를 수행하기 위해 활용될 수 있는 다른 네트워크 데이터에 관한 다양한 데이터를 포함할 수 있다. 다른 예로서, 보안 모듈(18086)은 보안 디바이스들, 빌딩 레이아웃들(예를 들어, 빌딩 보안 시스템들을 위한), 맵들, 토폴로지들, 디지털 트윈들, 취약성들, 및 다양한 모델들을 훈련하기 위해, 아래에서 더 상세히 설명되는 바와 같이 ETL 동작들을 수행하기 위해, 또는 보안 이유들로 다른 그러한 처리를 수행하기 위해 활용될 수 있는 다른 보안 데이터에 관한 다양한 데이터를 포함할 수 있다. 특정 사용 사례들을 가능하게 하거나 지원하기 위해 다양한 다른 특정 모듈들이 제공될 수 있다.In embodiments, PMCP device interface 18060 may use a
실시예들에서, 저장 모듈(18068)은 저장을 위해 데이터를 처리하고 및/또는 데이터를 저장하기 위한 다양한 동작들을 제공할 수 있다. ETL 인터페이스(18088)는 PMCP 데이터베이스(18090)에 데이터를 저장하기 위한 ETL(exchange, transform, and load) 동작을 수행하도록 구성될 수 있다. PMCP 데이터베이스(18090)는, 데이터 소스들(18004)로부터 수신된 데이터를 포함하는 (예를 들어, 다양한 모델들을 생성/개량하기 위해 이력 데이터가 사용될 수도 있도록) 다양한 데이터 뿐만 아니라, 모델들 자체, 모델 파라미터들 등을 저장하는데 사용될 수 있다.In embodiments,
실시예들에서, 시상 서비스 및 PMCP는 대량의 데이터를 관리하기 위한 상보적인 기술들을 제공할 수 있다. 예를 들어, PMCP는 대량의 데이터로 작업하기 위한 대역폭 및 저장 요건을 감소시킬 수 있는데, 이는 PMCP가 대역폭 집약 데이터 스트림을 송신하는 대신에 송신 모델 파라미터만을 요구할 수 있기 때문이다. 그러나, 많은 수의 데이터 센서들 또는 다른 데이터 소스들을 처리할 때, PMCP 스트림들의 수, 모델들의 수 등이 여전히 취급하기에 너무 클 수 있기 때문에, PMCP는 데이터를 관리 가능한 레벨들로 감소시키기에 충분하지 않을 수 있다. 이러한 경우에, 시상 서비스는 임의의 주어진 시간에 가장 중요한 PMCP 데이터 스트림에 포커싱하기 위해 PMCP 데이터 스트림을 우선순위화, 포맷화, 억제, 필터링 또는 조합하도록 동작할 수 있다. 이러한 방식으로 기술들을 조합함으로써 몇몇 이점들이 실현된다. 예를 들어, 대량의 데이터가 수집될 수 있지만, PMCP는 데이터의 일부 또는 전부를 예측하기 위한 모델 파라미터의 통신을 허용할 수 있고, 시상 서비스는 임의의 주어진 시간에 가장 중요한 모델 및 예측에 포커싱할 수 있다. 또한, PMCP의 사용은 데이터가 본질적으로 예측되고 따라서 포워드 룩킹(forward looking)이 되게 하며, 이는, 시상 서비스와 조합하여, 다양한 액션들(예를 들어, 개입들, 유지보수, 구매 주문들, 공급 조정들, 추정 조정들 등)을 필요로 할 수 있는 잠재적인 문제들의 발생 전에 가장 중요한 데이터에 대한 포커싱을 허용한다.In embodiments, the awards service and PMCP may provide complementary technologies for managing large amounts of data. For example, PMCP can reduce bandwidth and storage requirements for working with large amounts of data because PMCP can only require transmission model parameters instead of transmitting bandwidth-intensive data streams. However, when processing a large number of data sensors or other data sources, the number of PMCP streams, number of models, etc. may still be too large to handle, so PMCP is sufficient to reduce the data to manageable levels. You may not. In such cases, the award service may act to prioritize, format, suppress, filter, or combine PMCP data streams to focus on the most important PMCP data streams at any given time. Several advantages are realized by combining technologies in this way. For example, large amounts of data may be collected, but PMCP may allow communication of model parameters to predict some or all of the data, and the award service may focus on the most important models and predictions at any given time. You can. Additionally, the use of PMCP allows the data to be inherently predictive and therefore forward looking, which, in combination with award services, can be used to track various actions (e.g. interventions, maintenance, purchase orders, supply Allows focusing on the most important data before potential problems arise that may require adjustments (adjustments, estimate adjustments, etc.).
도 163은 본 발명의 일부 실시예에 따른 인테이크 제어기(18008), 인테이크 관리 시스템(18006), 및 시상 서비스(18000)의 다양한 다른 컴포넌트와 PMCP의 상호 작용을 도시한다. 예시된 실시예들에서, 입력들은 상이한 소스들로부터 인테이크 제어기(18008)로 수신될 수 있다. 예를 들어, 데이터의 제1 소스는 다양한 센서들, 외부 시스템들, 프로세스 데이터, 및 시상 서비스 외부의 다양한 데이터 생성기들, 데이터 분석 시스템들, 및 다른 데이터 출력들로부터 수신될 수 있는 다른 그러한 데이터(18102)를 포함할 수 있다. 추가적으로 또는 대안적으로, 데이터의 제2 소스는, 18104에서 제공되는, PMCP 모델 파라미터들, 벡터화된 데이터, 또는 다른 PMCP 데이터를 포함할 수 있는 위치 처리를 갖는 하나 이상의 미리 구성된 PMCP 디바이스들을 포함할 수 있다.163 illustrates the interaction of PMCP with various other components of
인테이크 제어기(intake controller)(18008)는 데이터를 수집하고, 결정(18106)에서, 데이터가 PMCP 데이터인지 아닌지를 결정할 수 있다. 데이터가 PMCP 데이터가 아니면, 인테이크 제어기(18008)는 데이터가 감소되었는지 여부를 결정할 수 있다. 데이터가 감소되지 않았다면, 데이터는 처리(예를 들어, 위에서 논의된 바와 같이, 우선순위화, 포맷팅, 억제, 영역 포커스, 필터링, 조합 등)을 위해 인테이크 관리 시스템으로 발송될 수 있다. 다시 말해서, 데이터가 (예를 들어, PMCP를 통해 또는 다른 데이터 감소 기술을 사용하여) 어떤 방식으로 이미 감소되지 않았다면, 데이터는 처리될 수 있고 잠재적으로 필터링되고, 억제되거나, 그렇지 않으면 감소될 수 있다. 따라서, 시상 서비스는 PMCP를 포함할 수 있는 다른 데이터 감소 기술에 더하여 또는 이에 대한 대안으로서 사용될 수 있는 하나의 데이터 감소 기술을 제공할 수 있다.An
18108에서 결정된 바와 같이 데이터가 PMCP 데이터가 아니었다면 또는 18106에서 결정된 바와 같이 데이터가 PMCP 데이터였다면, 인테이크 제어기(18110)는 시상 서비스가 데이터에 대한 PMCP 소비자로서 작용하고 있는지 여부를 결정할 수 있다. 그렇다면, 데이터는 수신 및 처리(예를 들어, 모델링, 예측 등)을 위해 PMCP 디바이스 인터페이스(18052)로 발송될 수 있다. 그렇지 않다면, 하나 이상의 ETL 프로세스들이 18114에서 데이터를 추출, 변환 및 PMCP 데이터베이스에 로딩하기 위해 사용될 수 있다.If the data was not PMCP data as determined in 18108, or if the data was PMCP data as determined in 18106, intake controller 18110 may determine whether the awards service is acting as a PMCP consumer for the data. If so, the data may be sent to
18114에서 데이터가 PMCP 디바이스 인터페이스(18052)에 의해 처리되든지 또는 ETL 프로세스를 사용하여 처리되든지 간에, 그 결과 데이터는 18116에서 추가 처리를 위해 시스템 데이터 소비자의 다운스트림 시스템에 제공될 수 있다.Whether the data is processed at 18114 by the
PMCP 및 시상 서비스 기법들은 매우 다양한 실시예들에서 (함께 또는 개별적으로) 사용될 수 있다. 에지 디바이스들이 매우 제한된 용량들로 구성되는 실시예들에서, 데이터를 PMCP 포맷으로 변환하기 위해 추가적인 에지 통신 디바이스들이 추가될 수 있다. 예를 들어, 분산 의료 장비를 해킹 시도로부터 보호하기 위해, 많은 제조자들은 디바이스를 임의의 종류의 네트워크에 연결하지 않도록 선택할 것이다. 이러한 한계를 극복하기 위해, 의료 장비는 카메라들, 사운드 모니터들, 전력 사용을 위한 전압 검출기들, 화학적 스니퍼(sniffer)들 등과 같은 센서들을 사용하여 모니터링될 수 있다. 기능 유닛 학습 및 다른 데이터 기술은 네트워크 기능 유닛으로부터 분리된 의료 장비의 실제 사용을 결정하고, 그로부터 벡터화된 데이터를 생성하고, 및/또는 PMCP를 사용하여 다양한 모델 파라미터를 송신하는 데 사용될 수 있다. 수신단에서, 시상 서비스는 벡터화된 데이터 및/또는 모델 파라미터들을 수신할 수 있고, 다른 의료 디바이스들로부터 수신된 PMCP 데이터 및/또는 다른 데이터가 우선순위화, 필터링, 억제 등이 되어야 하는지 여부를 결정하기 위해 시상 기술들을 사용할 수 있고, PMCP 데이터에 기초하여 의료 장비의 미래 상태들을 예측할 수 있고, 다양한 액션들을 취하고, 다양한 분석들을 수행하기 위해 데이터의 일부 또는 전부를 사용할 수 있다.PMCP and award service techniques can be used (together or separately) in a wide variety of embodiments. In embodiments where edge devices are configured with very limited capacities, additional edge communication devices may be added to convert data to PMCP format. For example, to protect distributed medical equipment from hacking attempts, many manufacturers will choose not to connect their devices to any kind of network. To overcome these limitations, medical equipment can be monitored using sensors such as cameras, sound monitors, voltage detectors for power usage, chemical sniffers, etc. Functional unit learning and other data techniques can be used to determine actual usage of medical equipment separate from network functional units, generate vectorized data therefrom, and/or transmit various model parameters using PMCP. At the receiving end, the award service may receive vectorized data and/or model parameters and determine whether PMCP data and/or other data received from other medical devices should be prioritized, filtered, suppressed, etc. You can use a variety of techniques to predict future states of medical equipment based on PMCP data, take various actions, and use some or all of the data to perform various analyses.
일부 실시예들에서, 벡터화된 데이터를 사용하는 밸류 체인 내의 통신은 밸류 체인이 가능성 있는 미래 상태가 무엇인지에 대한 일정한 뷰를 가질 수 있게 한다. 이러한 기술들은 미래 상태들이 밸류 체인에 통신될 수 있게 하여, 밸류 체인 엔티티들이 미세-세분화된 데이터에 대한 액세스를 필요로 하지 않고 미래 상태 요건들에 앞서 응답할 수 있게 한다.In some embodiments, communication within the value chain using vectorized data allows the value chain to have a consistent view of what likely future states are. These technologies allow future states to be communicated to the value chain, allowing value chain entities to respond in advance to future state requirements without requiring access to fine-grained data.
일부 실시예들에서, PMCP 프로토콜은 다양한 외부 엔티티들에 생산 레벨들 및 생산의 미래 트렌드들에 관한 관련 정보(예를 들어, 시상 서비스에 의해 결정되는, 중요한 또는 높은 우선순위 정보)를 송신 및 수신하기 위해 사용될 수 있다. 이러한 예시적인 실시예들 중 일부에서, PMCP 데이터 피드는 데이터 난독화(예를 들어, 벡터화된 데이터 및/또는 모델 파라미터들로서 민감한 데이터를 통신함)를 위해 사용될 수 있다. 예를 들어, PMCP는 민감한 데이터 값들의 직접 공유 없이 생산 레벨들에 관한 실제 컨텍스트 정보가 소비자들, 규제 기관들, 및 밸류 체인 네트워크 외부의 다른 엔티티들과 공유될 수 있게 한다. 예를 들어, 고객이 새로운 자동차를 구매하기로 선택할 때, 하나 이상의 밸류 체인 엔티티는 선택 프로세스에 통합될 수 있고 (예를 들어, 예측 모델에 기초하여) 다가오는(upcoming) 적색 페인트의 부족이 있다고 결정할 수 있다. 이 경우, 밸류 체인 실체는 고객 디바이스 또는 다른 외부 엔티티에 민감한 데이터를 제공하지 않고, 고객 디바이스에 배달 시간에 대한 상이한 선택의 영향을 나타내기 위해 처리 및 사용될 PMCP 데이터를 통신할 수 있다.In some embodiments, the PMCP protocol transmits and receives relevant information regarding production levels and future trends in production (e.g., important or high priority information, as determined by the awards service) to various external entities. It can be used to: In some of these example embodiments, PMCP data feeds may be used for data obfuscation (e.g., communicating sensitive data as vectorized data and/or model parameters). For example, PMCP allows real-world contextual information about production levels to be shared with consumers, regulators, and other entities outside the value chain network without directly sharing sensitive data values. For example, when a customer chooses to purchase a new car, one or more value chain entities may be integrated into the selection process and determine (e.g., based on a predictive model) that there is an upcoming shortage of red paint. You can. In this case, the value chain entity can communicate PMCP data to be processed and used to show the impact of different choices on delivery times to the customer device, without providing sensitive data to the customer device or other external entities.
PMCP 및 벡터화된 데이터 프로세스는 또한 사용자가 엄청나게 복잡한 빅 데이터 엔진을 구축할 필요 없이 적용할 수 있는 간단한 데이터 정보 대화형 시스템(data-informed interactive system)을 인에이블한다. 예로서, 업스트림 제조자는 많은 다운스트림 소비 포인트들을 조정하는 매우 복잡한 태스크를 가질 수 있다. PMCP 및/또는 시상 서비스의 사용을 통해, 제조자는 상세한 데이터를 저장하고 복잡한 모델을 구축할 필요 없이 소비자에게 실제 정보를 제공할 수 있으며, 이는 대량의 데이터 등을 처리하기 위한 대규모 시스템을 셋업하는 것을 요구할 수 있다.PMCP and vectorized data processing also enable simple data-informed interactive systems that users can apply without having to build incredibly complex big data engines. By way of example, an upstream manufacturer may have the very complex task of coordinating many downstream consumption points. Through the use of PMCP and/or award services, manufacturers can provide real information to consumers without the need to store detailed data and build complex models, which saves setting up large-scale systems to process large amounts of data, etc. You can request it.
실시예들에서, 에지 디바이스 유닛들은 이동 방향 및 가능하게는 미래 위치들을 보여주기 위해 PMCP 시스템을 통해 통신할 수 있다. 예를 들어, 이동 로봇은 가능성 있는 미래 이동 트랙을 통신할 수 있다. 많은 수의 이동 로봇들을 수반하는 실시예들에서, 시상 서비스는 어느 로봇들이 우선순위화되고 근접하게 모니터링될 필요가 있는지를 결정할 수 있다(예를 들어, 그것들이 규정된 경계들 밖으로 이동하고 있기 때문에, 예측할 수 없는 방식들로 행동하기 때문에 등).In embodiments, edge device units may communicate via a PMCP system to show direction of movement and possibly future locations. For example, mobile robots can communicate likely future movement tracks. In embodiments involving large numbers of mobile robots, the award service may determine which robots need to be prioritized and closely monitored (e.g., because they are moving outside defined boundaries). , because they behave in unpredictable ways, etc.).
실시예들에서, PMCP 시스템 및/또는 시상 시스템은 막대한 양의 데이터를 처리할 필요 없이 관심 영역들의 강조를 포함하여, (예를 들어, 사용자 인터페이스를 통해) 벡터 기반 데이터의 시각적 표현들을 가능하게 한다. 시각적 표현은 많은 모니터링된 벡터 입력들의 디스플레이를 허용한다. 그런 다음, 사용자 인터페이스는 관심 있는 주요 아이템들에 관한 정보, 구체적으로 비정상적인 또는 곤란한 움직임의 영역들을 나타내는 벡터들을 디스플레이할 수 있다. 이 메커니즘은 에지 디바이스 에지 노드들에 구축된 정교한 모델들이 시각적으로 유익한 방식으로 최종 사용자 통신들에 공급할 수 있게 한다.In embodiments, the PMCP system and/or vision system enables visual representations of vector-based data (e.g., via a user interface), including highlighting regions of interest without the need to process enormous amounts of data. . The visual representation allows the display of many monitored vector inputs. The user interface can then display information about key items of interest, specifically vectors representing areas of abnormal or difficult movement. This mechanism allows sophisticated models built on edge device edge nodes to feed end-user communications in a visually informative manner.
이해될 수 있는 바와 같이, 기능 유닛들은 "보링(boring)" 데이터(예를 들어, 변경되지 않거나, 약간 변경되거나, 매우 예측 가능하게 변경되는 데이터)의 일정한 스트림을 생성한다. 데이터 생성에서 문제 모니터링으로 전환함으로써 미세-세분화된 데이터에 대한 조사 없이 물류 모듈의 문제를 강조할 수 있다. 실시예들에서, PMCP 디바이스 인터페이스들은 미래 상태를 예측하는 예측 모델을 지속적으로 생성 및/또는 개선할 수 있다. 유지보수의 컨텍스트에서, 예측 모델에서의 파라미터들에 대한 개선들이 잠재적으로 유지보수의 필요성을 나타내는, 동작 파라미터들의 변화의 예측자들 내에 그리고 그 자신들에 있다. 더욱이, 다수의 디바이스들에 대한 동작 파라미터들의 통신은, 조건들이 변경될 때까지 정상적으로 기능하는 디바이스들에 대한 데이터가 필터링되거나 억제될 수 있도록 시상 서비스에 의해 처리될 수 있다.As can be appreciated, the functional units generate a constant stream of “boring” data (eg, data that does not change, changes slightly, or changes very predictably). By shifting from data generation to problem monitoring, problems in logistics modules can be highlighted without delving into micro-granular data. In embodiments, PMCP device interfaces may continuously create and/or improve predictive models that predict future states. In the context of maintenance, improvements to parameters in a predictive model are within and themselves predictors of changes in operating parameters, potentially indicating a need for maintenance. Moreover, communication of operating parameters for multiple devices may be handled by the award service such that data for normally functioning devices may be filtered or suppressed until conditions change.
실시예들에서, 기능 영역들이 항상 밸류 체인 네트워크에 연결되도록 설계되는 것이 아니라, 외부 디바이스가 디바이스들을 가상으로 모니터링하는 것을 허용함으로써, 연결을 허용하지 않는 기능 영역들이 밸류 체인 상품들에서의 정보 흐름의 일부가 될 수 있다. 이 개념은 벡터화된 모니터링 정보로 데이터 스트림을 윤색(embellish)함으로써 제한된 연결성을 갖는 기능 영역이 효과적으로 모니터링될 수 있도록 한다. 연결이 제한되거나 없는 기능 장치 근처에 자동화된 디바이스를 배치하면 연결 요구 사항 없이 디바이스로부터 정보를 캡처할 수 있다. 이러한 연결되지 않거나 제한적으로 연결된 기능 영역들에 대한 훈련 데이터 캡처 기능 유닛들을 추가할 가능성이 또한 있다. 이러한 훈련 데이터 캡처 기능 유닛들은 통상적으로 상당히 고가이며, 지도 학습 알고리즘들에 대한 데이터를 제공하기 위해 근접 에지 디바이스 모니터링 디바이스로의 입력으로서 사용되는 고품질 모니터링 데이터를 제공할 수 있다.In embodiments, functional areas are not designed to always be connected to the value chain network, but instead allow external devices to virtually monitor the devices, thereby allowing functional areas that do not allow connectivity to access information flow in value chain products. can be a part This concept allows functional areas with limited connectivity to be monitored effectively by embellishing the data stream with vectorized monitoring information. Placing automated devices near functional devices with limited or no connectivity allows information to be captured from the devices without connectivity requirements. There is also the possibility of adding training data capture functional units for these unconnected or limitedly connected functional areas. These training data capture functional units are typically quite expensive and can provide high quality monitoring data that is used as input to a near edge device monitoring device to provide data for supervised learning algorithms.
종종 밸류 체인 네트워크 위치는 전기적 간섭에 시달리고, 통신에 근본적인 문제를 야기한다. 모든 미세-세분화된 데이터를 스트리밍하는 전통적인 접근법은 데이터 스트림의 완전성에 의존한다. 예를 들어, 에지 디바이스가 10분 동안 오프라인으로 전환되면, 스트리밍 데이터 및 그 정보는 손실될 것이다. 벡터화된 통신으로, 오프라인 유닛은 그것이 재연결되는 순간까지 예측 모델을 계속 개량할 수 있으며, 이는 업데이트된 모델이 PMCP 시스템을 통해 송신될 수 있게 한다.Often, value chain network locations suffer from electrical interference, causing fundamental problems in communication. Traditional approaches to streaming all fine-grained data rely on the integrity of the data stream. For example, if an edge device goes offline for 10 minutes, streaming data and its information will be lost. With vectorized communication, an offline unit can continue to refine its predictive model until the moment it reconnects, allowing the updated model to be transmitted over the PMCP system.
실시예들에서, 밸류 체인 네트워크 시스템들 및 디바이스들은 PMCP 프로토콜에 기초할 수 있다. 예를 들어, 밸류 체인 네트워크 카메라 및 비전 시스템(예를 들어, 액체 렌즈 시스템), 사용자 디바이스, 센서, 로봇, 스마트 컨테이너 등은 PMCP 및/또는 벡터 기반 통신을 사용할 수 있다. 예를 들어, 벡터 기반 카메라들을 사용함으로써, 아이템들의 이동에 관한 정보만이 송신된다. 이는 데이터 볼륨을 감소시키고, 그 본질에 의해 정적 아이템들에 관한 정보를 필터링하여, 이미지들의 변화들만을 보여주고 데이터 통신을 변화의 요소들에 포커싱한다. 커뮤니케이션에서 변화의 커뮤니케이션으로의 전체적인 이동은 인간의 시각 과정이 어떻게 기능하는지와 유사하며, 여기서 정적 아이템은 뇌의 더 높은 레벨까지 전달되지도 않는다.In embodiments, value chain network systems and devices may be based on the PMCP protocol. For example, value chain network cameras and vision systems (e.g., liquid lens systems), user devices, sensors, robots, smart containers, etc. may use PMCP and/or vector-based communications. For example, by using vector-based cameras, only information about the movement of items is transmitted. This reduces data volume and filters information about items that are static by their nature, showing only changes in images and focusing data communication on the elements of change. The overall shift from communication to communication of change is similar to how human visual processes function, where static items are not even transmitted to higher levels of the brain.
라디오 주파수 식별은 밸류 체인 네트워크(value chain network)에서 방대한 양의 모바일 태그들(예를 들어, 스마트 컨테이너에 의해 운송되는 화물에 대한 화물 RFID 태그들)이 실시간으로 추적될 수 있게 한다. 실시예들에서, 태그들의 이동은 PMCP 프로토콜을 통해 벡터 정보로서 통신될 수 있는데, 이는 이러한 형태의 통신이 자연스럽게 밸류 체인 상품 내의 태그의 위치에 관한 정보를 취급하는 데 적합하기 때문이다. 이전 이동의 경로들을 사용할 수 있는 예측 모델들을 사용하여 위치의 미래 상태를 보여주는 능력을 추가하는 것은 밸류 체인 상품들이 데이터 스트림들을 소비하는 유닛들이 밸류 체인 상품들의 가능성 있는 미래 상태에 관한 정보를 소비하고 있는 것으로 기본적인 통신 메커니즘을 변경하는 것을 허용한다. 실시예들에서, 각각의 태깅된 아이템은 태깅된 아이템이 공간 내의 위치에 있을 가능성이 있는 확률을 나타내는 확률 기반 위치 행렬로서 표현될 수 있다. 이동의 통신은 새로운 확률 세트로의 위치 확률 행렬의 변환을 도시한다. 이 확률적 위치 개요는 이동 유닛들의 가능한 교차의 영역들의 일정한 모델링을 제공하고, 밸류 체인 네트워크 내의 아이템들의 위치의 확률적 뷰의 개선을 허용한다. 벡터 기반 확률 행렬로 이동하면, 유닛들은 밸류 체인 네트워크 아이템들, 엔티티들 등의 상태의 측정에서 고유의 불확실성을 지속적으로 처리할 수 있다. 실시예들에서, 상태는 위치, 온도, 이동 및 전력 소비를 포함하지만, 이에 제한되지 않는다.Radio frequency identification allows vast quantities of mobile tags (for example, cargo RFID tags for cargo transported by smart containers) to be tracked in real time in value chain networks. In embodiments, the movement of tags may be communicated as vector information via the PMCP protocol, as this form of communication is naturally suited to handling information regarding the location of tags within value chain products. Adding the ability to show the future state of a location using predictive models that can use paths of previous movement means that units consuming data streams from value chain products can consume information about the likely future state of value chain products. This allows changing the basic communication mechanism. In embodiments, each tagged item may be represented as a probability-based location matrix representing the probability that the tagged item is likely to be at that location in space. The communication of movement illustrates the transformation of the position probability matrix into a new probability set. This probabilistic location overview provides consistent modeling of areas of possible intersection of mobile units and allows refinement of the probabilistic view of the locations of items within the value chain network. Moving to a vector-based probability matrix allows units to continuously handle the inherent uncertainty in the measurement of the state of value chain network items, entities, etc. In embodiments, status includes, but is not limited to, location, temperature, movement, and power consumption.
실시예들에서, PMCP 기반 통신 시스템에서 센서 입력들의 지속적인 모니터링을 위해 지속적인 연결이 요구되지 않는다. 예를 들어, 복수의 센서들을 갖는 모바일 로봇 디바이스는 네트워크로부터 연결 해제되는 동안 데이터 스트림들의 모델들 및 예측들을 계속 구축할 수 있고, 재연결시, 업데이트된 모델들이 통신된다. 또한, 모니터링된 시스템 또는 디바이스로부터의 입력을 사용하는 다른 시스템들 또는 디바이스들은 가장 잘 알려진, 통상적으로 마지막으로 통신된, 벡터 예측들을 적용하여 밸류 체인 상품들의 상태들의 확률론적 이해를 계속 유지할 수 있다.In embodiments, a persistent connection is not required for continuous monitoring of sensor inputs in a PMCP-based communication system. For example, a mobile robotic device with multiple sensors can continue to build models and predictions of data streams while disconnected from the network, and upon reconnection, updated models are communicated. Additionally, other systems or devices using input from the monitored system or device can maintain a probabilistic understanding of the states of value chain commodities by applying the best known, typically last communicated, vector predictions.
에너지 시스템 및 프로세스Energy systems and processes
본 개시는 에너지 시스템들 및 프로세스들에 관한 것이다. 예시적인 실시예들에서, 에너지 시스템 및 프로세스(예를 들어, 에너지 시스템, 프로세스, 모듈, 서비스, 플랫폼 등일 수 있거나 이를 포함할 수 있는 에너지 시스템이라고도 지칭됨)가 존재한다. 예시적인 실시예에서, 도 164에 도시된 바와 같이, 본 개시에서 설명되는 임의의 시스템, 서브시스템, 컴포넌트, 프로세스, 플랫폼(예를 들어, 밸류 체인 네트워크 관리 플랫폼) 등과 상호작용할 수 있는 에너지 시스템(19000)이 존재한다. 일부 예들에서, 에너지 시스템(19000)은 본 개시에서 시스템들, 서브시스템들, 컴포넌트들, 프로세스들, 플랫폼들 등의 외부에 있는 별개의 시스템일 수 있다. 다른 예들에서, 에너지 시스템(19000)은 본 개시의 시스템들, 서브시스템들, 컴포넌트들, 프로세스들, 플랫폼들 등 중 임의의 하나와 통합될 수 있다. 예를 들어, 도 164에 도시된 바와 같이, 에너지 시스템(19000)은 밸류 체인 네트워크 엔티티(652) 및 데이터 취급 계층(608)(예를 들어, 밸류 체인 관리 플랫폼(604), 적응형 지능 시스템(614), 모니터링 시스템(808), 데이터 저장 시스템(624), 인터페이스(702), 연결 시설(642), 및 "프로세스 및 애플리케이션 출력 및 결과"(1040)를 포함함)과 통신한다. (예를 들어, 적어도 하나의 에너지 프로세스를 포함하는) 에너지 시스템(19000)은 에너지 모델을 이용할 수 있다. 에너지 시스템(19000)은 기업 제어 타워 내의 다양한 다른 프로세스들 및/또는 시스템들과 조합될 수 있는 밸류 체인 빌딩 블록들의 그룹의 일부일 수 있다. 예시적인 실시예들에서, 에너지 시스템(19000)은 (예를 들어, 에너지, 에너지 컴퓨팅, 및/또는 에너지 네트워킹 프로세스들을 갖는) 모듈식 적응형 자원 패키지 기술을 제공할 수 있다. 예를 들어, 에너지 시스템(19000)은 에너지 저장 시스템들 및 디바이스들의 네트워크에 걸친 모듈형 레벨 상의 에너지 저장 장치(예를 들어, 모듈형 에너지 저장 장치의 사용)에 관한 것일 수 있다. 에너지 시스템(19000)은 커뮤니티, 기업/회사, 조직, 대학/대학 등에 걸친 전력 관리에 대한 다양한 요구를 해결할 수 있다. 이는, 예를 들어, 전력 저장의 모듈화에 의해 달성될 수 있다. 예시적인 실시예들에서, 제한된 전력 자원들 및 재생 가능한 에너지에 포커싱할 필요가 있을 수 있는 경우, 전력 저장의 최적화 및 모듈화는 이러한 문제들을 해결할 수 있다.This disclosure relates to energy systems and processes. In example embodiments, there are energy systems and processes (also referred to as energy systems, which may be or include, e.g., energy systems, processes, modules, services, platforms, etc.). In an example embodiment, as shown in Figure 164, an energy system (e.g., a value chain network management platform) that can interact with any of the systems, subsystems, components, processes, platforms, etc. described in this disclosure (e.g., a value chain network management platform) 19000) exists. In some examples, energy system 19000 may be a separate system external to the systems, subsystems, components, processes, platforms, etc. in this disclosure. In other examples, energy system 19000 may be integrated with any one of the systems, subsystems, components, processes, platforms, etc. of this disclosure. For example, as shown in FIG. 164, energy system 19000 includes a value
예시적인 실시예에서, 에너지 시스템(19000)은 다음의 기술, 시스템 및/또는 프로세스 중 임의의 하나 이상을 포함 및/또는 이용할 수 있다: 배터리의 3차원(3d) 인쇄, 배터리 에너지 저장 시스템(BESS), 다양한 배터리 유형, 조정 프로세스, 분산형 에너지 그리드, 에너지 가격, 에너지 저장 기술, 서비스형 에너지(energy-as-a-service) 예컨대, 서비스형 에너지 시스템(예를 들어, 에너지 분산 및 로컬화된), 에너지 관련 섹터 및 트랜잭션, 에너지 최적화를 위한 기계 학습(ML) 및/또는 인공 지능(AI), 자동화를 위한 ML/AI, 분산형 네트워크(예를 들어, 에너지 생산, 저장 및 배달 시스템의 네트워크)를 통한 에너지 생산에 에너지 이용/수요를 매칭시키기 위한 ML/AI, 양자, 재생 에너지(예를 들어, 재생 에너지 키트), 슬라이싱(slicing)을 위한 기술(예를 들어, 생산, 저장 및 전달을 위한 시스템 및/또는 프로세스) 등.In example embodiments, energy system 19000 may include and/or utilize any one or more of the following technologies, systems and/or processes: three-dimensional (3D) printing of batteries, battery energy storage system (BESS) ), various battery types, coordination processes, distributed energy grids, energy prices, energy storage technologies, energy-as-a-service (energy-as-a-service), e.g. ), energy-related sectors and transactions, machine learning (ML) and/or artificial intelligence (AI) for energy optimization, ML/AI for automation, decentralized networks (e.g. networks of energy production, storage and delivery systems) ML/AI for matching energy use/demand to energy production via ), quantum, renewable energy (e.g. renewable energy kits), technologies for slicing (e.g. systems and/or processes for use, etc.
예시적인 실시예들에 있어서, 에너지 시스템(19000)은 에너지 저장 기술을 포함할 수 있다. 일부 실시예들에서, 에너지 저장 기술은 하나 이상의 유형들의 배터리들을 포함할 수 있다. 예를 들어, 배터리들은 리튬-이온 배터리들, 가요성 배터리들, 구조적 배터리들, 고체-상태 배터리들(예를 들어, 기술 진보들은 상업적 대안들로서 고체-상태 배터리들의 일부 경우들에서 출현 또는 재출현을 초래할 수 있음), 및/또는 유동 배터리(flow battery)들을 포함할 수 있다.In example embodiments, energy system 19000 may include energy storage technology. In some embodiments, energy storage technology may include one or more types of batteries. For example, batteries include lithium-ion batteries, flexible batteries, structural batteries, and solid-state batteries (e.g., technological advances have led to the emergence or re-emergence of solid-state batteries in some cases as commercial alternatives). may result in), and/or flow batteries.
예시적인 실시예에서, 새로운 재료 및 제조 방법은 가요성 배터리(예를 들어, 가요성 1차 및 2차 전지)의 도입, 및 새로운 가능성의 파이프라인을 초래할 수 있다. 사용 사례 또는 제품 중심(product driven) 적합성 및 준수 기능은 제품 설계를 최적화하기 위한 새로운 변수를 제공할 수 있다. 가요성 배터리들은 애드-온 모듈(add-on module)로서가 아니라 제품의 일체형 부분으로서 설계될 수 있고, 의류 및 다른 웨어러블 전자 디바이스들, 의료 디바이스들, 약물 전달 시스템들, 마이크로 IoT 디바이스들, 가요성 회로들 및 배터리들 둘 모두를 통합하는 가요성 전자 디바이스들 등에 적응될 수 있다.In exemplary embodiments, new materials and manufacturing methods may lead to the introduction of flexible batteries (e.g., flexible primary and secondary cells), and a pipeline of new possibilities. Use case or product driven conformance and compliance capabilities can provide new parameters for optimizing product design. Flexible batteries can be designed as an integrated part of a product rather than as an add-on module and can be used in clothing and other wearable electronic devices, medical devices, drug delivery systems, micro IoT devices, flexible batteries, etc. flexible electronic devices incorporating both flexible circuits and batteries, etc.
예시적인 실시예에서, 구조적 배터리는 음극으로 탄소 섬유를 사용하고, 양극으로 리튬 인산철 코팅 알루미늄 호일(lithium iron phosphate-coated aluminum foil)을 사용할 수 있다. 배터리 무게와 제품 성능 간의 트레이드오프로 인해 배터리 전원 제품 카테고리가 없어지거나 제한될 수 있다. 기술적 진보는 제품 자체에 적어도 하나의 구조적 배터리를 통합하는 설계에 대한 기회를 제공할 수 있다. 구조적 요소로서 탄소 나노튜브 전극을 사용하는 배터리는, 예를 들어, 선박의 선체의 일부로서 전체 중량 감소를 위한 설계 유연성 및 기회를 제공할 수 있다. 구조적 저장 요소들은 트랜잭션 능력들을 통합할 수 있는 배터리-전력 공급, 및 가능하게는 그리드-독립적 기반구조, 차량들, 디바이스들 등을 위한 통합된 시스템들을 지원할 수 있다. 예시적인 용도는 인도, 도로, 공항 등(공공 또는 사설)을 포함할 수 있다. 형상, 비용, 구조적 요구 사항, 설계 수명, 열 관리, 전력 및 에너지, 또는 이러한 특징들의 조합은 설계 및 밸류 체인 고려 프로세스의 일부로서 자동화될 수 있다.In an exemplary embodiment, a structural battery may use carbon fiber as the cathode and lithium iron phosphate-coated aluminum foil as the anode. Trade-offs between battery weight and product performance could eliminate or limit battery-powered product categories. Technological advances may provide opportunities for designs that integrate at least one structural battery into the product itself. Batteries using carbon nanotube electrodes as structural elements can provide design flexibility and opportunities for overall weight reduction, for example as part of the hull of a ship. Structural storage elements can support battery-powered supplies that can integrate transaction capabilities, and possibly integrated systems for grid-independent infrastructure, vehicles, devices, etc. Exemplary uses may include sidewalks, roads, airports, etc. (public or private). Geometry, cost, structural requirements, design life, thermal management, power and energy, or a combination of these characteristics can be automated as part of the design and value chain consideration process.
예시적인 실시예들에서, 유동 배터리들은 에너지 및 전력을 분리하기 위해 사용될 수 있다. 예를 들어, 에너지 및 전력을 분리하는 유동 배터리들의 유형을 사용하는 것은, 특정 목적의 건물들 및 기반구조와 같은 일부 고유한 설계 및 통합 기회들을 제공할 수 있다. 이러한 유동 배터리 시스템들은 리튬-이온 배터리들에 대한 단기적인 대안을 제공할 수 있다. 유기 제형과 같은 새로운 화학 물질은 이 기술을 덜 비싸게 만들 수 있는 풍부하고 덜 부식성인 전해질의 더 용이한 사용으로 이어질 수 있다.In example embodiments, flow batteries can be used to separate energy and power. For example, using a type of flow battery that separates energy and power can provide some unique design and integration opportunities, such as purpose-built buildings and infrastructure. These flow battery systems could provide a short-term alternative to lithium-ion batteries. New chemistries, such as organic formulations, could lead to easier use of abundant and less corrosive electrolytes, which could make this technology less expensive.
예시적인 실시예들에 있어서, 에너지 저장 기술은 스마트 배터리들을 포함할 수 있다. 스마트 배터리는 BMS(Battery Management System) 및 다른 기능들이 전지 레벨(cell-level)로 다운되는 스마트 배터리일 수 있다. 전지 레벨의 BMS는 충전, 방전, 전압 밸런싱(voltage balacing) 등을 관리하는데 사용될 수 있다. 다른 예들에서, 스마트 배터리들은 전지 레벨 모니터링 및 데이터 스트림들을 갖는 스마트 배터리들일 수 있다. 다른 예들에서, 스마트 배터리들은 전지 레벨 분산 에너지 관리를 갖는 스마트 배터리들일 수 있다. 다른 예들에서, 스마트 배터리들은 전지 레벨 또는 시스템 레벨 제어를 위한 칩(예를 들어, 칩셋) 상의 에너지 관리를 갖는 스마트 배터리들일 수 있다. 예시적인 실시예에서, 자동화된 배터리 어셈블리 모니터링, 유지보수, 및 성능 관리는 전지들이 그들 자신을 모니터링할 때 더 간단할 수 있어서, 더 높은 레벨 동작들을 수행하기 위해 어셈블리 제어를 자유롭게 할 수 있다. 예를 들어, BMS 및 다른 기능들을 전지 레벨로 끌어내리는 것은 충전, 방전, 전압 밸런싱 등을 관리할 수 있다. 예시적인 실시예들에서, 스마트 배터리들은 셀 또는 시스템 레벨을 위해 칩 상에서 전지 레벨 모니터링 및 데이터 스트림들, 전지 레벨 분산 에너지 관리, 및/또는 에너지 관리를 제공할 수 있다. 예시적인 실시예들에서, 칩 상의 에너지 관리는 셀 또는 시스템 레벨 제어를 제공할 수 있다. 예를 들어, 전력 및 에너지 요건들의 밸런싱을 최적화하기 위해 전지 연결들을 전기적으로 스위칭하는 칩이 사용될 수 있다. 개별 전지는 자신의 대체를 요청하거나 오프라인 상태로 전환할 수 있다. 예시적인 실시예들에서, 스마트 배터리들은 자동화된 설계 및 시스템 제어를 포함하는 설계 또는 실시간 동작 온도 최적화를 위해 양자 컴퓨팅을 이용할 수 있다. 스마트 배터리는 또한 덴드라이트(dendrite)를 관리하고 리튬 이온, 아연 등에 대한 배터리 수명을 개선하기 위해 제어된 진동과 같은 진동 제어를 제공할 수 있다.In example embodiments, energy storage technology may include smart batteries. A smart battery may be a smart battery with a Battery Management System (BMS) and other functions down to the cell-level. A battery-level BMS can be used to manage charging, discharging, voltage balancing, etc. In other examples, smart batteries may be smart batteries with cell level monitoring and data streams. In other examples, smart batteries may be smart batteries with cell-level distributed energy management. In other examples, smart batteries may be smart batteries with energy management on a chip (e.g., chipset) for cell level or system level control. In an example embodiment, automated battery assembly monitoring, maintenance, and performance management may be simpler when the cells monitor themselves, freeing assembly control to perform higher level operations. For example, BMS and other functions down to the cell level can manage charging, discharging, voltage balancing, etc. In example embodiments, smart batteries may provide cell level monitoring and data streams, cell level distributed energy management, and/or energy management on a chip for the cell or system level. In example embodiments, on-chip energy management may provide cell or system level control. For example, a chip could be used to electrically switch cell connections to optimize balancing of power and energy requirements. Individual cells can request their own replacement or go offline. In example embodiments, smart batteries may utilize quantum computing for design or real-time operating temperature optimization, including automated design and system control. Smart batteries can also provide vibration control, such as controlled vibration to manage dendrites and improve battery life for lithium-ion, zinc, etc.
예시적인 실시예들에서, 에너지 저장 기술은 다양한 제어 및/또는 관리 기능들을 포함할 수 있다. 예를 들어, 에너지 저장 기술은 덴드라이트를 관리하고 (예를 들어, 리튬 이온, 아연 등에 대해) 배터리 수명을 개선하기 위해 제어된 진동을 제공할 수 있다. 에너지 저장 기술은 배터리 제품 라이프사이클 관리(예를 들어, 배터리 제품 라이프사이클 관리 시스템) 및/또는 배터리 관리 및 제어(예를 들어, 무선 전력 및 제어를 갖는 배터리)를 제공할 수 있다.In example embodiments, energy storage technology may include various control and/or management functions. For example, energy storage technologies can manage dendrites (e.g., for lithium ion, zinc, etc.) and provide controlled oscillations to improve battery life. Energy storage technologies may provide battery product lifecycle management (e.g., battery product lifecycle management system) and/or battery management and control (e.g., batteries with wireless power and control).
예시적인 실시예들에서, 배터리 제품 라이프사이클 관리는 1차 및 중간 배터리 재료들 및 관련 기회들에 대한 공급 체인 최적화의 우려들을 해결할 수 있다. 배터리 제품 라이프사이클 관리는 프로세스들의 통합, 배터리 생산 및 제품들의 병치(co-location) 등을 포함하는 보다 수직으로 통합된 동작들에 관련될 수 있다. 예시적인 실시예들에서, 배터리 제품 라이프사이클 관리는 VCN(value chain network) 모델링으로 최적화된 재료 사용을 포함하는 배터리 제조 및/또는 3D 인쇄 재료들 및 프로세스들을 갖는 배터리 제조와 함께 사용될 수 있다. 예시적인 실시예들에서, 배터리 제품 라이프사이클 관리는 VCN 최적화를 위한 배터리 "전지(cell)" 및 다른 서브 컴포넌트들의 테스트 및 추적을 통합할 수 있는 데이터 수집, 관리, 및 분석을 포함할 수 있다. 배터리 제품 라이프사이클 관리는 또한 배터리 폐기, 탄소 풋프린트 관리 등과 함께 뿐만 아니라 배터리 재활용 및 재사용(예를 들어, 리튬 및/또는 코발트 재활용 재료)과 함께 사용될 수 있다.In example embodiments, battery product lifecycle management can address supply chain optimization concerns for primary and intermediate battery materials and related opportunities. Battery product lifecycle management may involve more vertically integrated operations including integration of processes, battery production and co-location of products. In example embodiments, battery product lifecycle management may be used with battery manufacturing including material use optimized with value chain network (VCN) modeling and/or battery manufacturing with 3D printed materials and processes. In example embodiments, battery product lifecycle management may include data collection, management, and analysis that may incorporate testing and tracking of battery “cells” and other sub-components for VCN optimization. Battery product lifecycle management can also be used with battery recycling and reuse (e.g., lithium and/or cobalt recycled materials), as well as with battery disposal, carbon footprint management, etc.
예시적인 실시예에서, 무선 전력 및 제어와 같은 배터리 관리 및 제어는 모든 레벨의 배터리 구현 및 제어를 위한 무선 기술을 포함할 수 있다. 이는 설계 및 동작 유연성, 예를 들어, 충전/방전 제어, 실시간 전력/에너지 구성들, 및/또는 전지 레벨까지의 동작 통지들을 제공할 수 있다. 예시적인 실시예들에서, 무선 전력 및 제어는 단순화된 시스템 통합, 시스템 및 소프트웨어 표준화, 통합된 상위 레벨 전력 급송(power dispatch) 및 제어 시스템들, 및/또는 칩 레벨 집적 회로들 및 전력 관리를 지원하기 위한 BMS 소프트웨어를 포함할 수 있다.In example embodiments, battery management and control, such as wireless power and control, may include wireless technologies for all levels of battery implementation and control. This can provide design and operational flexibility, such as charge/discharge control, real-time power/energy configurations, and/or operational notifications down to the cell level. In example embodiments, wireless power and control supports simplified system integration, system and software standardization, integrated higher-level power dispatch and control systems, and/or chip-level integrated circuits and power management. It may include BMS software to do this.
다른 예들에서, 에너지 저장 기술은 배터리 전력 공급식/그리드 독립식 기반구조를 활용할 수 있다. 예시적인 실시예들에서, 구조적 저장 요소들은 트랜잭션 능력들을 통합할 수 있는, 배터리 전력 공급식, 가능하게는 그리드 독립식 기반구조, 차량들, 디바이스들 등을 위한 통합된 시스템들을 지원할 수 있다. 예들은 인도, 도로, 공항 등(공공 또는 사설 기반구조)을 포함할 수 있다. 예시적인 실시예들에서, 형상, 비용, 구조적 요건들, 설계 수명, 열 관리, 전력 및 에너지, 또는 이들의 조합은 설계 및 밸류 체인 고려 프로세스의 일부로서 자동화될 수 있다.In other examples, energy storage technology may utilize battery-powered/grid-independent infrastructure. In example embodiments, structural storage elements can support integrated systems for battery-powered, possibly grid-independent infrastructure, vehicles, devices, etc., that can integrate transaction capabilities. Examples may include sidewalks, roads, airports, etc. (public or private infrastructure). In example embodiments, geometry, cost, structural requirements, design life, thermal management, power and energy, or a combination thereof may be automated as part of the design and value chain consideration process.
예시적인 실시예들에서, 에너지 저장 기술은 고성능 전극들 및/또는 고성능 분리막들을 활용할 수 있다. 예시적인 실시예들에 따르면, 고성능 전극들은 그래핀 및/또는 나노튜브를 포함할 수 있다. 이러한 고성능 전극은 더 빠른 충전 및 방전, 더 적은 열 관리 문제 및 연관된 안전성, 사이클 수명, 및 다른 성능 개선을 허용할 수 있다. 전극 개선들은 거의 모든 배터리 유형들에 이익을 줄 수 있고, 이들은 더 많은 그리고 더 높은 성능의 제품 구현들에 대한 설계 기회들을 나타낼 수 있다. 몇몇 발전들은 그래핀 및 나노튜브들과 같은 다양한 탄소 구성들, 및 활성 표면적을 증가시키고, 더 나은 제조성을 제공하며, 더 낮은 저항, 더 긴 수명 등을 제공할 수 있는 다른 재료들을 포함하는 예들과 같은 전극 개선들을 강조한다. 예시적인 실시예들에서, 고성능 분리막들이 일부 예시적인 배터리 기술들과 함께 사용될 수 있다. 예를 들어, 일부 배터리 기술, 특히 흐름 배터리 및 연료 전지의 경우, 분리막은 애노드액(anolyte) 및 캐소드액(catholyte) 성분의 직접 혼합 없이 전하 전달을 허용하는 핵심 요소일 수 있다. 개선된 분리막은 더 효율적인 배터리 동작, 더 낮은 비용, 및 더 넓은 전개를 초래할 수 있다.In example embodiments, energy storage technology may utilize high-performance electrodes and/or high-performance separators. According to example embodiments, high-performance electrodes may include graphene and/or nanotubes. These high-performance electrodes can allow for faster charge and discharge, fewer thermal management issues, and associated safety, cycle life, and other performance improvements. Electrode improvements can benefit almost all battery types, and they can represent design opportunities for more and higher performance product implementations. Some advances include various carbon compositions such as graphene and nanotubes, and other materials that can increase active surface area, provide better manufacturability, lower resistance, longer lifetime, etc. Emphasizes improvements in the same electrode. In example embodiments, high-performance separators can be used with some example battery technologies. For example, for some battery technologies, particularly flow batteries and fuel cells, separators can be a key element in allowing charge transfer without direct mixing of anolyte and catholyte components. Improved separators could result in more efficient battery operation, lower costs, and wider deployment.
예시적인 실시예들에서, 에너지 저장 기술은 유기 흐름 배터리 전해질들 및/또는 폴리머 리튬-이온 화학물질들을 이용할 수 있다. 예를 들어, 에너지 저장 기술은 유기 유동 배터리 전해질들을 갖는 배터리를 포함할 수 있다. 기존 및 개선된 기반구조 내로 롤링될 수 있는 유기 유동 배터리 전해질들에 관한 일련의 증분 개선들이 있을 수 있다. 최신 연구는 저비용 및 환경 친화적인 옵션에 포커싱할 수 있다. 예들은 유기 유동 배터리 전해질들, 폴리머 리튬-이온 화학물질들 등을 포함할 수 있다. 예시적인 실시예들에 있어서, 에너지 저장 기술은 고분자 리튬-이온 화학물질을 포함하는 전지를 포함할 수 있다.In example embodiments, energy storage technology may utilize organic flow battery electrolytes and/or polymer lithium-ion chemistries. For example, energy storage technology may include batteries with organic flow battery electrolytes. There may be a series of incremental improvements to organic flow battery electrolytes that can be rolled into existing and improved infrastructure. Latest research can focus on low-cost and environmentally friendly options. Examples may include organic flow battery electrolytes, polymeric lithium-ion chemistries, etc. In example embodiments, energy storage technology may include batteries comprising polymeric lithium-ion chemistries.
예시적인 실시예들에서, 에너지 저장 기술은 파동 에너지(예를 들어, 파동 에너지를 저장하기 위한 시스템) 및/또는 열 에너지(예를 들어, 열 에너지를 저장하기 위한 시스템)를 이용할 수 있다. 예를 들어, 대양 및 지열 개방 및 폐쇄 시스템들은 흥미로운 배치들을 제공할 수 있다. 일 실시예에 따르면, 에너지 저장 기술은 중력 에너지 저장(gravity energy storage)을 제공할 수 있다. 예를 들어, 중력 에너지 저장 기술은 건물 및 기반구조 프로젝트에 통합될 수 있고 통합 에너지 관리 시스템의 일부로서 관리될 수 있다. 예시적인 실시예들에서, 에너지 저장 기술은 주변의 유기 용매와 상호작용함으로써 전류를 생성하는 탄소 입자들(예를 들어, 주변의 유기 용매와 상호작용함으로써 전류를 생성할 수 있는 탄소 입자들을 갖는 에너지를 생성하기 위한 시스템)을 제공할 수 있다.In example embodiments, energy storage technology may utilize wave energy (e.g., a system for storing wave energy) and/or thermal energy (e.g., a system for storing thermal energy). For example, ocean and geothermal open and closed systems can provide interesting arrangements. According to one embodiment, energy storage technology may provide gravity energy storage. For example, gravity energy storage technology can be integrated into building and infrastructure projects and managed as part of an integrated energy management system. In exemplary embodiments, the energy storage technology includes carbon particles that generate an electric current by interacting with a surrounding organic solvent (e.g., energy having carbon particles capable of generating an electric current by interacting with a surrounding organic solvent). A system for generating a) can be provided.
예시적인 실시예들에 있어서, 에너지 시스템(19000)은 다양한 종류의 배터리를 포함할 수 있다. 이들 배터리 유형은 아연 배터리 유형, 니켈 배터리 유형, 및/또는 코발트 배터리 유형을 포함할 수 있다.In example embodiments, the energy system 19000 may include various types of batteries. These battery types may include zinc battery types, nickel battery types, and/or cobalt battery types.
예시적인 실시예들에서, 에너지 시스템(19000)은 배터리 에너지 저장을 제공하기 위한 시스템들 및/또는 프로세스들을 포함할 수 있다. 이는 배터리 에너지 저장 시스템(BESS)에 관한 것일 수 있다. 기존의 배치들 및 다른 가까운 장래의 가능성들을 갖는 일부 예시적인 BESS 기술들은 수소 연료 전지들 및 다양한 유형들의 유동 배터리들(예를 들어, 바나듐계 배터리들)일 수 있다. 바나듐계 배터리는 예를 들면, 재충전이 가능한 유동 배터리의 유형인 바나듐 레독스 전지(VRB)(예를 들어, VFB(vanadium flow batter) 또는 VRFB(vanadium redox flow battery)로 알려진))일 수 있다. BESS 기술의 다른 예는 펌핑된 수력, 중력, 열, 조류 및 파도를 포함할 수 있다.In example embodiments, energy system 19000 may include systems and/or processes to provide battery energy storage. This could be about battery energy storage systems (BESS). Some example BESS technologies with existing deployments and other near future possibilities could be hydrogen fuel cells and various types of flow batteries (eg, vanadium-based batteries). The vanadium-based battery may be, for example, a vanadium redox battery (VRB), a type of rechargeable flow battery (e.g., known as vanadium flow batter (VFB) or vanadium redox flow battery (VRFB)). Other examples of BESS technologies may include pumped hydraulic power, gravity, heat, tidal currents, and waves.
예시적인 실시예들에 있어서, BESS는 건물 에너지 관리 시스템과 통합될 수 있다. 미국에서, 공유 임차인을 갖는 상업 건물(예를 들어, 뉴욕)과 고밀도 인구 구역에서의 리튬 이온 및 다른 에너지 저장 배치를 위한 커버를 제공하는 "고정 에너지 저장 시스템의 설치에 대한 표준(Standard for the Installation of Stationary Energy Storage Systems)"이 있다. 안전성, 원자재의 채굴, 재활용, 사이클 수명, 총 소유 비용, 품질 관리, 온도 구동 성능 제한, 에너지 밀도 등과 같은 리튬-이온 기술을 사용하는 데에는 일부 단점이 있을 수 있다. 표준, 단점 및 다른 인자들은 빌딩 에너지 관리(BEM) 시스템들과의 BESS 통합과 같은 다양한 산업 융합(convergence)들에 박차를 가할 수 있다.In example embodiments, BESS may be integrated with a building energy management system. In the United States, the Standard for the Installation of Fixed Energy Storage Systems provides cover for lithium-ion and other energy storage deployments in commercial buildings with shared tenants (e.g., New York) and in densely populated areas. of Stationary Energy Storage Systems)”. There may be some drawbacks to using lithium-ion technology, such as safety, mining of raw materials, recycling, cycle life, total cost of ownership, quality control, temperature operating performance limitations, energy density, etc. Standards, shortcomings and other factors may spur various industry convergences, such as BESS integration with Building Energy Management (BEM) systems.
일 실시예에서, BESS는 유동 배터리 기반의 BESS일 수 있다. 유동 배터리는 다음으로 가장 가까운 상업적 규모의 대규모 BESS일 수 있다. 유동 배터리 시스템은 리튬 이온 배치와 함께 사용되는 동일한 전력, 제어 및 데이터 기반구조의 대부분을 사용할 수 있다. 유동 배터리 시스템은 리튬 이온 시스템에 비해 화재 위험을 제기하지 않을 수 있고, 충전/방전 사이클에 대한 제한이 적으며, 20-30년 기간에 걸쳐 더 낮은 소유 비용을 가질 수 있다. 전형적인 유동 배터리 전해질은 쉽게 재활용 또는 재사용될 수 있고, 일부 자금조달 모델들에서, 유동 배터리 전해질은 구현 비용을 감소시키기 위해 리스(lease)될 수 있다. 전력 전자기기, 제어기, 전극, 분리막, 및 일부 경우에 전해질과 같은 리튬-이온 배터리와 관련된 기술적 진보는 또한 유동 배터리 시스템에 대한 성능 및 비용 개선을 제공할 수 있다.In one embodiment, the BESS may be a floating battery-based BESS. Flow batteries may be the next closest commercial-scale large-scale BESS. Flow battery systems can use much of the same power, control and data infrastructure used with lithium-ion deployments. Flow battery systems may not pose a fire risk compared to lithium-ion systems, have fewer restrictions on charge/discharge cycles, and may have lower cost of ownership over a 20-30 year period. A typical flow battery electrolyte can be easily recycled or reused, and in some financing models, the flow battery electrolyte can be leased to reduce implementation costs. Technological advances associated with lithium-ion batteries, such as power electronics, controllers, electrodes, separators, and in some cases electrolytes, can also provide performance and cost improvements for flow battery systems.
예시적인 실시예들에서, 에너지 시스템(19000)은 배터리들의 3d 프린팅을 제공하기 위한 시스템들 및/또는 프로세스들을 포함할 수 있다. 이는 배터리들을 인쇄하기 위해 3d 프린터를 활용하여 다양한 유형들의 3d 인쇄된 배터리들을 생성할 수 있다. 1차 및 중간 배터리 재료에 대한 공급 체인 최적화는 배터리 생산 및 제품의 병치를 포함하는 프로세스의 통합을 포함할 수 있는 더 수직으로 통합된 동작에 관련될 수 있는 관심사 및 기회일 수 있다. 예시적인 실시예들에서, 배터리 제조는 VCN(value chain network) 모델링으로 최적화된 재료 사용을 포함할 수 있다. 다른 예들에서, 배터리 제조는 3d 인쇄 재료들 및 프로세스들을 포함할 수 있다. 예시적인 실시예들에서, 데이터 수집, 관리, 및 분석은 VCN 최적화를 위한 배터리 "전지" 및 다른 서브-컴포넌트들의 테스트 및 추적을 통합할 수 있다. 배터리 폐기, 탄소 풋프린트 관리 등을 수반하는 시스템들 및/또는 프로세스들이 있을 수 있다. 배터리 재활용 및 재사용(예를 들어, 리튬의 재활용 및 재사용과 같은 리튬-이온 배터리 재활용 및 재사용)을 제공할 수 있는 다른 시스템 및/또는 프로세스가 있을 수 있다.In example embodiments, energy system 19000 may include systems and/or processes for providing 3D printing of batteries. This can create various types of 3d printed batteries by utilizing a 3d printer to print the batteries. Supply chain optimization for primary and intermediate battery materials may be a concern and opportunity that may relate to more vertically integrated operations that may involve integration of processes involving battery production and juxtaposition of products. In example embodiments, battery manufacturing may include material use optimized with value chain network (VCN) modeling. In other examples, battery manufacturing may include 3d printing materials and processes. In example embodiments, data collection, management, and analysis may incorporate testing and tracking of battery “cells” and other sub-components for VCN optimization. There may be systems and/or processes involving battery disposal, carbon footprint management, etc. There may be other systems and/or processes that can provide for battery recycling and reuse (e.g., lithium-ion battery recycling and reuse, such as recycling and reuse of lithium).
예시적인 실시예들에 있어서, 에너지 시스템(19000)은 재생 가능한 에너지 기술(예를 들어, 재생 가능한 에너지 키트)을 포함할 수 있다. 이것은 재생 가능한 에너지를 생성, 저장 및/또는 사용하기 위한 시스템(예를 들어, 재생 가능한 에너지 키트/인어박스(in-a-box))에 관한 것일 수 있다.In example embodiments, energy system 19000 may include renewable energy technology (e.g., a renewable energy kit). This may relate to a system for generating, storing and/or using renewable energy (e.g. a renewable energy kit/in-a-box).
예시적인 실시예들에서, 에너지 제공자(들)는 구매자들, 서비스자들, 자가-생성(self-generated), 사설/공공, 및/또는 혼합된 조합과 같은 다양한 옵션들을 포함할 수 있다. 예시적인 실시예들에서, 에너지원(들)은 태양, 바람, 배터리들, 열, 중력, 파도, 및/또는 그리드와 같은 다양한 옵션들을 포함할 수 있다.In example embodiments, energy provider(s) may include various options such as purchasers, servicers, self-generated, private/public, and/or mixed combinations. In example embodiments, energy source(s) may include various options such as solar, wind, batteries, thermal, gravity, waves, and/or grid.
예시적인 실시예들에서, 에너지 시스템(19000)은 분산형 에너지 그리드(decentralized energy grid)들을 포함할 수 있다. 이러한 분산형 에너지 그리드는 분산형 가상 그리드를 위한 안전 시스템을 포함할 수 있다. 일부 예들에서, 분산형 에너지 그리드들은 분산형 가상 그리드들을 위한 제어 시스템들을 포함할 수 있다.In example embodiments, energy system 19000 may include decentralized energy grids. These distributed energy grids may include safety systems for distributed virtual grids. In some examples, distributed energy grids may include control systems for distributed virtual grids.
다른 예들에서, 분산형 에너지 그리드들은 최종 사용자들 사이의 트랜잭션들을 허용할 수 있다. 예시적인 실시예들에서, 분산형 에너지 그리드는 상이한 에너지 생성 소스들(예를 들어, 태양광, 수력, 바람)을 허용할 수 있고, 생성되고 필요하지 않은 초과 에너지에 대한 최종 사용자들 사이의 트랜잭션들을 허용할 수 있다. 가정의 에너지 자산은 토큰화되고, 분산형 마켓플레이스에서 매수 또는 매도될 수 있다. 트랜잭션들은 동일한 지리적 위치 또는 상이한 위치들에 속하는 사용자들 사이에 있을 수 있고 가격 차익을 고려할 수 있다. 초과 에너지는 스마트 계약을 통해 에너지 그리드에 공급될 수 있다. 에너지 데이터(예를 들어, 클러스터 내의 개인 또는 집계 데이터)는 사용 데이터를 판매함으로써 수익화될 수 있다.In other examples, distributed energy grids may allow transactions between end users. In example embodiments, a distributed energy grid may allow for disparate energy generation sources (e.g., solar, hydro, wind) and transactions between end users for generated and unneeded excess energy. can be allowed. Home energy assets can be tokenized and bought or sold on a decentralized marketplace. Transactions may be between users belonging to the same geographic location or different locations and may take price differentials into account. Excess energy can be supplied to the energy grid through smart contracts. Energy data (e.g., individual or aggregated data within a cluster) can be monetized by selling usage data.
예시적인 실시예들에서, 에너지 시스템(19000)은 에너지 관련 섹터들 및 트랜잭션들(예를 들어, 에너지 트랜잭션들)을 제공하기 위한 시스템들 및/또는 프로세스들을 포함할 수 있다. "에너지 관련 섹터들 및 트랜잭션들"은 본 개시 전반에 걸쳐 에너지 관련 섹터들 및 트랜잭션들을 제공하기 위해 이러한 시스템들 및/또는 프로세스들을 통합하고 지칭하는 데 사용될 수 있다. 예를 들어, 에너지 시스템(19000)은 당사자들 사이의 에너지 거래들을 용이하게 하기 위한 에너지 거래 시스템을 포함할 수 있다. 에너지 관련 섹터들 및 트랜잭션들은 (예를 들어, 로컬 및/또는 지역 에너지 중재 시스템을 사용하여) 로컬 및 지역 에너지 중재(energy arbitrage)를 제공할 수 있다. 에너지 관련 섹터 및 트랜잭션은 또한 (예를 들어, 로컬 및/또는 지역 에너지 관리 시스템을 사용하여) 로컬 및 지역 에너지 관리를 제공할 수 있다. 일부 예들에서, 에너지 관련 섹터들 및 트랜잭션들은 (예를 들어, 에너지 데이터의 개인적 또는 집계된 수익화를 위해 에너지 데이터 마켓플레이스를 사용하여) 에너지 데이터 마켓플레이스를 제공할 수 있다. 다른 예들에서, 에너지 관련 섹터들 및 트랜잭션들은 원격 또는 부족한 영역들에서 에너지를 위한 키오스크들 및/또는 마이크로서비스들을 포함할 수 있다. 예시적인 실시예들에서, 에너지 관련 섹터들 및 트랜잭션들은 개인 탄소 사용량 모니터링 및 관리 시스템(예를 들어, 개인 탄소 사용량의 모니터링 및 관리를 위한 시스템)을 포함할 수 있다. 다른 예들에서, 에너지 관련 섹터들 및 트랜잭션들은 기업 탄소 사용량 모니터링 및 관리 시스템(예를 들어, 기업 탄소 사용량 및/또는 에너지 탄소 사용의 모니터링 및 관리를 위한 시스템)을 포함할 수 있다. 에너지 관련 섹터 및 트랜색션은 스마트 계약을 지원할 수 있는 작물 관개(crop irrigation)를 위한 태양열 펌프 및/또는 배터리 시스템을 포함할 수 있다. 일부 예들에서, 에너지 관련 섹터들 및 트랜잭션들은, 민간 에너지(private) 기반구조 투자들을 지원할 수 있는 자동화된 자금조달/지불들/보험 메커니즘들 및/또는 스마트 계약들 (예를 들어, 민간 에너지 기반구조 투자들을 지원하는 자금조달, 지불들, 보험 메커니즘들, 및/또는 스마트 계약들을 자동화하기 위한 시스템)을 제공할 수 있다. 예시적인 실시예들에서, 에너지 관련 섹터들 및 트랜잭션들은 게이밍 엔진 스마트 계약 에너지 관리 플랫폼을 포함할 수 있다. 게이밍 엔진 스마트 계약 에너지 관리 플랫폼은 에너지 관리, 에너지 시각화, 모델링 에너지 옵션들, 및/또는 스마트 계약 실행을 가능하게 하도록 구성될 수 있다.In example embodiments, energy system 19000 may include systems and/or processes for serving energy-related sectors and transactions (e.g., energy transactions). “Energy-related sectors and transactions” may be used throughout this disclosure to refer to and incorporate such systems and/or processes for providing energy-related sectors and transactions. For example, energy system 19000 may include an energy trading system to facilitate energy transactions between parties. Energy-related sectors and transactions may provide for local and regional energy arbitration (e.g., using local and/or regional energy arbitration systems). Energy-related sectors and transactions may also provide local and regional energy management (e.g., using local and/or regional energy management systems). In some examples, energy-related sectors and transactions may provide an energy data marketplace (eg, using the energy data marketplace for individual or aggregated monetization of energy data). In other examples, energy-related sectors and transactions may include kiosks and/or microservices for energy in remote or scarce areas. In example embodiments, energy-related sectors and transactions may include a personal carbon usage monitoring and management system (eg, a system for monitoring and managing personal carbon usage). In other examples, energy-related sectors and transactions may include a corporate carbon usage monitoring and management system (e.g., a system for monitoring and managing corporate carbon usage and/or energy carbon usage). Energy-related sectors and transactions could include solar pumps and/or battery systems for crop irrigation that could support smart contracts. In some examples, energy-related sectors and transactions may use automated financing/payments/insurance mechanisms and/or smart contracts that can support private energy infrastructure investments (e.g., private energy infrastructure investments). may provide a system for automating financing, payments, insurance mechanisms, and/or smart contracts to support investments. In example embodiments, energy-related sectors and transactions may include the Gaming Engine smart contract energy management platform. The Gaming Engine smart contract energy management platform may be configured to enable energy management, energy visualization, modeling energy options, and/or smart contract execution.
예시적인 실시예들에서, 에너지 관련 섹터들 및 트랜잭션들은 에너지 소유권 개념들 및 유틸리티 경계 영역(utility penumbra) 외부의 시장들과 관련될 수 있는 당사자들 사이의 에너지 트랜잭션들, 로컬 및 지역 에너지 중재, 및/또는 로컬 및 지역 에너지 관리를 포함할 수 있다. 다른 예들에서, 에너지 관련 섹터들 및 트랜잭션들은 개인 또는 집계된 데이터와 같은 데이터의 수익화(monetization)를 포함할 수 있다. 예시적인 실시예들에서, 에너지 관련 섹터들 및 트랜잭션들은 (예를 들어, 키오스크들/마이크로서비스들을 사용하여) 원격 또는 저서비스 영역들에서 이용될 수 있다. 다른 예시적인 실시예들에서, 에너지 관련 섹터들 및 트랜잭션들은 개인 및 상업적 라이프사이클 탄소 모니터링 및 관리를 제공할 수 있다. 이는 에너지 사용 혼합의 최적화, 하루 중의 시간에 기초한 실시간 비용 오프셋, 인센티브, 지역 규정 등을 제공할 수 있고, 및/또는 개인 밸류 체인의 일부일 수 있다. 예시적인 실시예들에서, 에너지 관련 섹터들 및 트랜잭션들은 통합된 목적 구축된 시스템들(예를 들어, 스마트 계약들을 지원하는 작물 관개를 위한 태양열 구동 펌프/배터리 시스템)을 포함할 수 있다. 다른 예시적인 실시예들에서, 에너지 관련 섹터들 및 트랜잭션들은 자동화된 자금조달, 지불, 보험 메커니즘들, 및 민간 에너지 기반구조 투자들을 지원하는 연관된 스마트 계약들을 제공할 수 있다. 에너지 관련 섹터 및 트랜잭션은 또한 게이밍 엔진 스마트 계약 에너지 관리 플랫폼을 포함할 수 있다. 데이터 센터, 통신, 발전, 스토리지 및 디스패치와 같은 분산 허브의 조합된 기술은 다수의 복잡한 최적화 시나리오를 생성할 수 있다. 게이밍 엔진은 에너지 관리, 시각화, 및 계약 실행을 위해 사용될 수 있다. 이것은 임베디드 또는 독립형 플랫폼일 수 있고, 라이센스 또는 가입 기반일 수 있다. 게이밍 엔진들의 애플리케이션들은, 다중-테넌트 건물들, 주거 에너지 구매, 주거 사용 결정들, 주거 시각화, 제품들에 임베딩된 게이밍 엔진들, 및/또는 스마트 계약들을 갖는 게이밍 엔진들을 사용하는 모델 에너지 옵션들을 포함할 수 있지만 이에 제한되지 않을 수 있다.In example embodiments, energy-related sectors and transactions may include energy ownership concepts and energy transactions between parties that may involve markets outside the utility penumbra, local and regional energy arbitration, and /or may include local and regional energy management. In other examples, energy-related sectors and transactions may involve monetization of data, such as personal or aggregated data. In example embodiments, energy-related sectors and transactions may be utilized in remote or low-service areas (eg, using kiosks/microservices). In other example embodiments, energy-related sectors and transactions may provide for personal and commercial lifecycle carbon monitoring and management. This may provide optimization of energy use mix, real-time cost offsets based on time of day, incentives, local regulations, etc., and/or may be part of a private value chain. In example embodiments, energy-related sectors and transactions may include integrated purpose-built systems (e.g., a solar-powered pump/battery system for crop irrigation supporting smart contracts). In other example embodiments, energy-related sectors and transactions may provide automated financing, payment, insurance mechanisms, and associated smart contracts that support private energy infrastructure investments. Energy-related sectors and transactions may also include Gaming Engine smart contract energy management platforms. The combined technologies of distributed hubs such as data centers, communications, power generation, storage, and dispatch can create multiple complex optimization scenarios. The gaming engine can be used for energy management, visualization, and contract execution. This may be an embedded or standalone platform, and may be license or subscription based. Applications of gaming engines include multi-tenant buildings, residential energy purchasing, residential use decisions, residential visualization, gaming engines embedded in products, and/or model energy options using gaming engines with smart contracts. It may be possible, but may not be limited to this.
에너지 관련 섹터 및 트랜잭션은 (예를 들어, 에너지 관리 시스템을 사용하여) 에너지 관리를 제공할 수 있다. 예시적인 실시예들에서, 에너지 관련 섹터들 및 트랜잭션들은 (예를 들어, 에너지 관리 시스템을 사용하여) 저장 및 디스패치를 위한 다수의 에너지원들의 통합을 제공할 수 있다. 에너지 관련 섹터 및 트랜잭션은 또한 상호 교환성을 통합하는 배치 가능한 통합 및 모듈형 에너지 저장 시스템을 제공할 수 있다. 예를 들어, 에너지 관리 시스템은 상호교환성을 통합하는 통합된 모듈형 에너지 저장 시스템을 포함할 수 있다.Energy-related sectors and transactions may provide energy management (e.g., using energy management systems). In example embodiments, energy-related sectors and transactions may provide integration of multiple energy sources for storage and dispatch (e.g., using an energy management system). Energy-related sectors and transactions can also provide deployable, integrated and modular energy storage systems that incorporate interchangeability. For example, an energy management system may include an integrated modular energy storage system incorporating interchangeability.
예시적인 실시예들에서, 에너지 관리 시스템은 새로운 기술, 더 낮은 비용, 진보된 규정들, 블록체인 분산 원장, 전기 차량 통합, 에너지 관리 애플리케이션들을 구축하는 것 등이 더 넓고 가속화된 채택을 장려할 수 있는 에너지 관리를 제공할 수 있다. 에너지 관리 시스템은 저장 및 디스패치(예를 들어, 병치 또는 다른 것)를 위한 다수의 에너지원들의 통합을 제공할 수 있다. 또한, 에너지 관리 시스템은 상호 교환성(예를 들어, 전력 툴들과 연관된 부품들과 유사한 부품들의 패밀리)을 통합할 수 있는 배치가능한 통합된 모듈형 에너지 저장 시스템들을 제공할 수 있다. 에너지 관리 시스템은 상업적 및 건물 관리 시스템들을 포함하고 및/또는 이들과 함께 이용될 수 있다. 전기 차량 및 대규모 BESS의 채택으로, 에너지 관리 시스템은 더 작은 규모의 분산 및 분리 저장/플러스 기회를 제공할 수 있다. 많은 소규모 육지/그리드 연결 시스템들은 섬들, 채광 장소들 등과 같은 원격 장소들에서 디젤 발전기들에 연료유를 수송하고 유지하는 비용을 해결하기 위해 사용될 수 있다. 에너지 관리 시스템은 다양한 생성 자산(예를 들어, 풍력, 태양광, 디젤), 저장, 모니터링, 및 제어의 통합을 포함할 수 있는 더 넓은 고객 세트를 위한 패키징된 시스템 또는 패키징된 시스템의 일부를 제공할 수 있다. 예시적인 실시예들에서, 에너지 관리 시스템은 주택/커뮤니티 시스템들을 포함하고/하거나 그와 통합될 수 있다. 예를 들어, 상업적 및 주거용 멀티-테넌트 시설들을 위한 통합된 제어, 에너지 관리, 거래, 및 시장 가능 기술들은 전기 차량들 및 그들의 배터리들뿐만 아니라 고정식 배터리들을 포함할 수 있으며, 이는 더 정교해질 수 있다. 예시적인 실시예들에서, 에너지 관리 시스템은 (예를 들어, 스마트 배터리들을 사용하는) 주거용 및 상업용 저장을 위한 새로운 배터리들을 포함할 수 있다. 예시적인 실시예들에 있어서, 에너지 관리 시스템은 에너지 서비스 계약을 제공할 수 있다. 예를 들어, 에너지 서비스 계약은 다양한 통합 에너지 저장 및 서비스 옵션들을 포함하도록 확장될 수 있는 주거용 태양광 시스템들의 설치 및 동작과 연관된 독립적인 서비스 산업과 관련될 수 있다. 광범위한 계약된 서비스에 대한 기회가 있을 수 있다.In example embodiments, energy management systems may encourage broader and accelerated adoption as new technologies, lower costs, advanced regulations, blockchain distributed ledgers, electric vehicle integration, and energy management applications are deployed. can provide energy management. An energy management system may provide integration of multiple energy sources for storage and dispatch (eg, collocated or otherwise). Additionally, the energy management system may provide deployable integrated modular energy storage systems that may incorporate interchangeability (eg, a family of components similar to those associated with power tools). Energy management systems may include and/or be used in conjunction with commercial and building management systems. With the adoption of electric vehicles and large-scale BESS, energy management systems can provide smaller-scale distributed and separate storage/plus opportunities. Many small-scale land/grid connected systems can be used to address the cost of transporting and maintaining fuel oil for diesel generators in remote locations such as islands, mining sites, etc. Energy management systems provide packaged systems, or parts of packaged systems, for a broader set of customers that may include integration of various generating assets (e.g., wind, solar, diesel), storage, monitoring, and control. can do. In example embodiments, the energy management system may include and/or be integrated with home/community systems. For example, integrated control, energy management, trading, and market-enabling technologies for commercial and residential multi-tenant facilities could include electric vehicles and their batteries as well as stationary batteries, which could become more sophisticated. . In example embodiments, the energy management system may include new batteries for residential and commercial storage (eg, using smart batteries). In example embodiments, an energy management system may provide energy service contracts. For example, energy services contracts may involve an independent service industry associated with the installation and operation of residential solar systems that can be expanded to include a variety of integrated energy storage and service options. There may be opportunities for a wide range of contracted services.
예시적인 실시예들에서, 에너지 관련 섹터들 및 트랜잭션들은 분산형 데이터 센터 자원들의 동적 할당을 위한 플랫폼을 포함할 수 있다. 예를 들어, 플랫폼은 에너지 비용, 환경 영향, 트랜잭션 볼륨, 트랜잭션 유형, 및/또는 트랜잭션 우선순위에 기초하여 자원들을 할당하기 위한 시스템을 포함할 수 있다. 에너지 관련 섹터 및 트랜잭션은 또한 에너지를 생성 및/또는 저장할 수 있는 통합된 에지 기반 시스템을 포함할 수 있다. 예시적인 실시예들에서, 분산 및 애자일(agile) 데이터 센터들은 구내(on-premises), 병치(co-location), 클라우드, 및 에지 전달 옵션들의 통합과 같은 새로운 기반구조 변경들 및 전략들을 초래할 수 있는 워크로드 배치에 포커싱될 수 있다. 예시적인 실시예들에서, 분산 데이터 센터 자원들의 동적 할당을 위한 플랫폼은 에너지 비용, 환경 영향(예를 들어, 입법이 이 영역에서의 이동을 나타냄), 트랜잭션 볼륨, 트랜잭션들의 유형 및 우선순위 등에 기초하여 자원들을 할당할 수 있다. 예시적인 실시예들에서, 통합된 에지 기반 시스템들은 에너지를 생성하고, 에너지를 저장하고, 및/또는 다른 에너지 관리 능력들과 함께 데이터센터와 같은 서비스들을 제공하는 시스템들일 수 있다. 이러한 다른 에너지 관리 능력들은 홈 시스템들, 통합 지능을 갖는 하나 이상의 제품들과 연관된 시스템들, 서비스 집계기로부터의 가입 요금에 대해 이용가능할 수 있는 시스템들, 통합 5G 통신 기반구조 계획, 및/또는 홈 기반 암호화폐 동작들을 포함하고/하거나 그에 관련될 수 있다.In example embodiments, energy-related sectors and transactions may include a platform for dynamic allocation of distributed data center resources. For example, the platform may include a system for allocating resources based on energy cost, environmental impact, transaction volume, transaction type, and/or transaction priority. Energy-related sectors and transactions may also include integrated edge-based systems capable of generating and/or storing energy. In example embodiments, distributed and agile data centers may result in new infrastructure changes and strategies, such as integration of on-premises, co-location, cloud, and edge delivery options. The focus can be on workload placement. In example embodiments, a platform for dynamic allocation of distributed data center resources based on energy cost, environmental impact (e.g., legislation indicates movement in this area), transaction volume, type and priority of transactions, etc. So you can allocate resources. In example embodiments, integrated edge-based systems may be systems that generate energy, store energy, and/or provide data center-like services along with other energy management capabilities. These other energy management capabilities may include home systems, systems associated with one or more products with integrated intelligence, systems that may be available for a subscription fee from a service aggregator, integrated 5G communications infrastructure planning, and/or home May include and/or relate to underlying cryptocurrency operations.
일부 예시적인 실시예들에서, 에너지 관련 섹터들 및 트랜잭션들은 토지 이용 비용들의 분석을 제공할 수 있다. 예를 들어, 토지 이용 비용의 분석은 재생가능 배치의 비용을 분석하기 위한 시스템에 의해 달성될 수 있으며, 여기서 비용은 환경, 규제 및/또는 구역 지정(zoning) 인자에 적어도 부분적으로 기초할 수 있다. 토지 사용은 에너지 밸류 체인의 일부일 수 있으며 환경, 규정, 구역 지정 및 기타 지역 문제는 재생 가능한 배치에 대한 비용이 될 수 있다. 이러한 분석은 부유풍(floating wind), 태양광 프로젝트 등 다양한 예시와 함께 사용될 수 있다.In some example embodiments, energy-related sectors and transactions may provide analysis of land use costs. For example, analysis of land use costs may be accomplished by a system for analyzing the costs of renewable deployments, where the costs may be based at least in part on environmental, regulatory and/or zoning factors. . Land use can be part of the energy value chain, and environmental, regulatory, zoning and other local issues can be a cost to renewable deployment. This analysis can be used with a variety of examples, including floating wind and solar projects.
에너지 관련 섹터 및 트랜잭션은 개인의 에너지 관리도 제공할 수 있다. 예시적인 실시예들에서, 개인 에너지 관리는 개인 에너지 사용, 저장, 및/또는 생성을 관리하기 위한 개인 에너지 관리 시스템에 의해 제공될 수 있다. 입력들은 개인 에너지 자산들 및 설명들, 개인 선호도들(예를 들어, 탄소 풋프린트, 예산), 실시간 데이터(예를 들어, 시각 가격, 클라우드 예측들, 바람 예측들), 기반구조(예를 들어, 지역 규칙들, 상호연결), 자산 가격 모델들(예를 들어, 감가상각, 운영 비용들)일 수 있다. 이는 시간 분할된 자동화된 개인 마이크로그리드 제어(예를 들어, 능동적으로 관리, 설정 및 망각(forget))를 제공할 수 있다.Energy-related sectors and transactions can also provide personal energy management. In example embodiments, personal energy management may be provided by a personal energy management system to manage personal energy use, storage, and/or generation. Inputs include personal energy assets and accounts, personal preferences (e.g. carbon footprint, budget), real-time data (e.g. hourly prices, cloud forecasts, wind forecasts), infrastructure (e.g. , local rules, interconnections), asset pricing models (e.g., depreciation, operating costs). This can provide time-sliced automated private microgrid control (e.g., active management, setup and forget).
예시적인 실시예들에서, 에너지 시스템(19000)은 조정 특징들을 포함할 수 있다. 예를 들어, 이러한 조정 특징들은 다수의 분산 에너지 생산, 저장, 및/또는 전달 시스템들에 걸쳐 에너지 수요를 조정하기 위한 시스템을 포함할 수 있다. 예시적인 실시예들에서, 조정 특징들은 다수의 분산된 그리고 부분적으로 격리된 에너지 생산, 저장, 및/또는 전달 시스템들에 걸친 에너지 수요의 조정을 포함할 수 있다.In example embodiments, energy system 19000 may include regulation features. For example, such coordination features may include a system for coordinating energy demand across multiple distributed energy production, storage, and/or delivery systems. In example embodiments, coordination features may include coordination of energy demand across multiple distributed and partially isolated energy production, storage, and/or transmission systems.
예시적인 실시예들에서, 에너지 시스템(19000)은 에너지 가격(energy pricing)을 제공하기 위한 시스템들 및/또는 프로세스들을 포함할 수 있다. 에너지 가격은 가격 행렬에 보안, 신뢰성, 유형-슬라이싱(type-slicing), 및/또는 시간-슬라이싱(time-slicing)을 통합하는 가격 메커니즘들을 포함할 수 있다. 이러한 가격 메커니즘들은 중앙 집중식 그리드 대신에 생산, 저장, 및 배달 시스템들의 분산형 네트워크와 같은 에너지 밸류 체인 네트워크와 함께 사용될 수 있다.In example embodiments, energy system 19000 may include systems and/or processes for providing energy pricing. Energy pricing may include pricing mechanisms that incorporate security, reliability, type-slicing, and/or time-slicing into the price matrix. These pricing mechanisms can be used with energy value chain networks, such as decentralized networks of production, storage, and delivery systems instead of centralized grids.
예시적인 실시예들에서, 에너지 시스템(19000)은 에너지 트랜잭션들 및/또는 에너지 관리의 자동화에 관련될 수 있는 자동화를 위한 ML/AI를 포함할 수 있다. 일부 예들에서, 자동화를 위한 ML/AI는 블록체인 시스템 상에서 스마트 계약 추적(예를 들어, 스마트 계약 관리) 및/또는 가격 에너지 생산을 위한 ML 및/또는 AI 시스템을 포함할 수 있다.In example embodiments, energy system 19000 may include ML/AI for automation, which may relate to automation of energy transactions and/or energy management. In some examples, ML/AI for automation may include ML and/or AI systems for smart contract tracking (e.g., smart contract management) and/or price energy production on a blockchain system.
다른 예들에서, 자동화를 위한 ML/AI는 공급 체인에서의 에너지 관리의 자동화(예를 들어, 공급 체인에서의 재생 가능한 에너지 관리를 자동화)를 위해 구성된 ML 및/또는 AI 시스템을 포함할 수 있다. 예를 들어, 공급 체인(예를 들어, 공장 또는 유통 센터)에서의 재생 가능한 에너지 사용은 매일 사용을 위해 저장된 충분한 양의 에너지가 있을 수 있도록 에너지의 공급 및 사용을 추적하는 데 AI 능력을 포함할 수 있다. 이러한 ML 및/또는 AI 시스템은 임의의 기간(예를 들어, 시간, 일, 주, 월, 년)의 과정에 걸쳐 수요를 모니터링할 수 있다. 수요의 변동은 ML 및/또는 AI 시스템에 의해 예상될 수 있어서, 만약 수요가 새로운 추가 소스가 필요한 임계값에 도달하면, ML 및/또는 AI 시스템은 공급 체인/밸류 체인에 대한 문제가 되기 전에 이러한 수요를 예상할 수 있다. 재생 가능한 에너지는 태양광, 바람, 물, 지열 등을 포함할 수 있는 위치 및 지역에 따라 달라질 수 있다. ML 및/또는 AI 시스템은 또한 에너지 사용을 더 효율적으로 하기 위해 이용될 수 있다. 수요 추적과 유사하게, 비효율성이 실현될 수 있는 곳을 결정하기 위해 에너지 사용과 관련하여 사용량이 유사하게 추적될 수 있고, 그런 다음 ML 및/또는 AI 시스템은 네트워크에 대해 공급 체인/밸류 체인에 걸친 에너지 사용의 조정을 위한 제안을 할 수 있다.In other examples, ML/AI for automation may include ML and/or AI systems configured for automation of energy management in the supply chain (e.g., automating renewable energy management in the supply chain). For example, the use of renewable energy in the supply chain (e.g. in a factory or distribution center) will involve AI capabilities to track the supply and use of energy to ensure there is a sufficient amount of energy stored for daily use. You can. These ML and/or AI systems can monitor demand over the course of any period of time (e.g., hours, days, weeks, months, years). Fluctuations in demand can be anticipated by ML and/or AI systems, so that if demand reaches a threshold where new additional sources are needed, ML and/or AI systems can detect these before they become a problem for the supply chain/value chain. Demand can be predicted. Renewable energy can vary depending on location and region and may include solar, wind, water, geothermal, etc. ML and/or AI systems can also be used to make energy use more efficient. Similar to demand tracking, usage can be similarly tracked in relation to energy use to determine where inefficiencies may be realized, and then ML and/or AI systems can then inform the network about the supply chain/value chain. Suggestions can be made for adjustments in energy use across the globe.
예시적인 실시예들에서, 에너지 시스템(19000)은 에너지 최적화를 위해 ML 및/또는 AI를 포함할 수 있다. 에너지 최적화를 위한 ML 및/또는 AI는 다음의 시스템들 및/또는 프로세스들을 추가로 포함하고/하거나 이용할 수 있다: 리튬-이온 배터리들의 안전성을 최적화하도록 구성된 ML 및/또는 AI 시스템, 리튬-이온 배터리들의 비용을 최적화하도록 구성된 ML 및/또는 AI 시스템, 리튬-이온 배터리들의 재활용 특성들을 최적화하도록 구성된 ML 및/또는 AI 시스템, 및/또는 식품 및 에너지 생산 및 저장을 최적화하도록 구성된 ML 및/또는 AI 시스템.In example embodiments, energy system 19000 may include ML and/or AI for energy optimization. ML and/or AI for energy optimization may further include and/or utilize the following systems and/or processes: ML and/or AI system configured to optimize the safety of lithium-ion batteries, lithium-ion batteries ML and/or AI system configured to optimize the cost of lithium-ion batteries, ML and/or AI system configured to optimize recycling characteristics of lithium-ion batteries, and/or ML and/or AI system configured to optimize food and energy production and storage .
예시적인 실시예들에서, 식품 및 에너지 생산을 최적화하기 위한 ML 및/또는 AI 시스템은 유통 식품 생산 밸류 체인 네트워크를 포함할 수 있다. 이는 식품(예를 들어, 무겁고 따라서 에너지 수요에 기초하여 수송하기에 비교적 비싼) 및 식물(예를 들어, 비교적 높은 에너지 밀도를 필요로 할 수 있는 성장하는 식물)에 관한 것일 수 있다. 식품 공급 체인은 선진 산업화된 세계에서 고도로 최적화되고 효과적일 수 있지만 중단에 취약할 수 있으며, 많은 식품(예를 들어, 농산물 및 육류)의 경우 주로 물로 구성될 수 있는 아이템을 운송하는 데 엄청난 양의 에너지가 소비될 수 있다. 식품 생산은 에너지 집약적일 수 있고 일부 예에서 특정 유형의 에너지(예를 들어, 시간 경과에 따라 식물 성장을 촉진시키기 위해 주어진 세트의 스펙트럼 특성)를 필요로 한다. 일부 예들에서, 로컬화된 식품 공급 체인은 동시에 관리될 수 있고, 위치가 프로비저닝될 수 있고, 소규모 에너지 생산 엔티티들, 에너지 저장 엔티티들, 배달 시스템들, 및 식품 생산 시스템들의 활용은 강건하고, 효율적이며, 식품 에너지 밸류 체인 네트워크를 제공할 수 있다. 예시적인 실시예들에서, 플랫폼은 원하는 결과들(예를 들어, 예측 수요를 충족시키기 위한 식물 성장)을 생성하기 위해 (예를 들어, 시간-시프팅(time-shifting)에 의해) 타겟 예산 내에서 (예를 들어, 환경 목표들에 대한) 원하는 혼합의 에너지를 프로비저닝 및 전달하기 위해 로봇 프로세스 자동화를 통합할 수 있다. 이는 본 개시에서 DPANN 기술들, 양자 컴퓨팅, 및/또는 다른 최적화 기술들에 의해 달성될 수 있다. 수요 측 예측은 (예를 들어, 매우 다양한 IoT 및 크라우드-소싱된 데이터에 기초하여) 식품 및 에너지에 대한 소비자 수요에 적용될 수 있다. 이는 생산 엔티티(예를 들어, 기반구조와 식품의 혼합)의 프로비저닝을 정당화할 수 있는 지점으로의 로봇 에이전트에 의한 수요의 집계를 포함할 수 있다. 일부 상품은 (수직 농장에서와 같이) 최소한의 풋프린트로 생산될 수 있는 반면, 다른 상품은 더 많은 토지를 필요로 할 수 있지만, 어느 경우든 에너지 및 식품을 위한 생산, 저장 및 배달 시스템을 위한 임시 위치를 스케줄링하고 각각의 파라미터(예를 들어, 식품 저장 파라미터에 대한 에너지 요건)를 고려하는 것과 같이, 토지 사용은 시스템에 의해 최적화될 수 있다.In example embodiments, ML and/or AI systems for optimizing food and energy production may include a distributed food production value chain network. This may relate to food (e.g., heavy and therefore relatively expensive to transport based on energy demands) and plants (e.g., growing plants that may require relatively high energy densities). Food supply chains may be highly optimized and effective in the advanced industrialized world, but they can also be vulnerable to disruption, and for many foods (e.g. produce and meat), enormous amounts of transport are required to transport items that may consist primarily of water. Energy may be consumed. Food production can be energy intensive and in some instances requires a specific type of energy (e.g., a given set of spectral characteristics to promote plant growth over time). In some examples, a localized food supply chain can be managed simultaneously, locations can be provisioned, and the utilization of small-scale energy production entities, energy storage entities, delivery systems, and food production systems can be robust, efficient, and efficient. and can provide a food energy value chain network. In example embodiments, the platform may be configured to within a target budget (e.g., by time-shifting) to produce desired results (e.g., plant growth to meet forecast demand). Robotic process automation can be integrated to provision and deliver the desired mix of energy (e.g., for environmental goals). This may be achieved by DPANN techniques, quantum computing, and/or other optimization techniques in this disclosure. Demand-side forecasting can be applied to consumer demand for food and energy (e.g., based on a wide variety of IoT and crowd-sourced data). This may involve the aggregation of demand by robotic agents to a point that can justify the provisioning of production entities (e.g. a mix of infrastructure and food). Some goods can be produced with a minimal footprint (as in vertical farms), while others may require more land, but in either case, there is a need for production, storage and delivery systems for energy and food. Land use can be optimized by the system, such as scheduling temporary locations and considering individual parameters (e.g., energy requirements for food storage parameters).
예시적인 실시예들에서, 에너지 최적화를 위한 ML 및/또는 AI는 (예를 들어, 특정 위치, 시간 윈도우, 및 애플리케이션에 대한) 에너지 활용을 최적화하기 위한 ML 및/또는 AI 시스템을 포함할 수 있다. 예를 들어, 대량의 소스 생산은 사용 지점에 근접한(예를 들어, 장거리 작업은 비용 효율적인 옵션이 아닐 수 있음) 특정 사용 윈도우(예를 들어, 아스팔트가 사용되기 직전에)에서 충족하도록 시간이 정해질 수 있고, 현장(on-site) 적용은 재료를 유연하게 유지하고, 재료를 증착시키고, 사용을 준비하도록 재료를 구성하기 위해 추가 에너지를 필요로 할 수 있다. 현장 적용은 또한 여러 에너지 소비 디바이스(예를 들어, 스프레더, 롤러, 압축기) 및 재료(예를 들어, 에지 실러(edge sealer), 탑코트 실러(topcoat sealer), 라인 스트라이핑(line striping))를 필요로 할 수 있다. 예시적인 실시예들에서, 분산형 에너지 시스템들은 재표면화가 필요할 수 있는 아스팔트 사용을 위한 타겟 영역들(예를 들어, 새로운 개발, 도시 또는 고속도로의 스트레치(stretch)와 같은 도로들)에 근접하여 구성될 수 있다. 에너지 및 저장에 대한 유연한 접근으로, 건설 팀(crew)은 필요한(또는 초과 요구된) 에너지를 동반할 수 있다.In example embodiments, ML and/or AI for energy optimization may include a ML and/or AI system for optimizing energy utilization (e.g., for a specific location, time window, and application). . For example, large volumes of source production may be timed to meet close to the point of use (e.g., long-distance operations may not be a cost-effective option) or within a specific window of use (e.g., just before the asphalt is used). may require additional energy to keep the material flexible, deposit the material, and configure the material to prepare it for use. Field applications also require several energy consuming devices (e.g. spreaders, rollers, compressors) and materials (e.g. edge sealer, topcoat sealer, line striping). You can do this. In example embodiments, distributed energy systems are configured close to target areas for asphalt use that may require resurfacing (e.g., new developments, urban areas, or roads such as stretches of highways). It can be. With a flexible approach to energy and storage, construction crews can bring along the energy they need (or exceed demand).
예시적인 실시예들에서, 에너지 최적화를 위한 ML 및/또는 AI는 다음의 시스템들 및/또는 프로세스들을 포함 및/또는 이용할 수 있다: 전력망들의 최적화를 위해 구성된 ML 및/또는 AI 시스템, 설계 최적화를 위해 구성된(예를 들어, 배터리의 설계 최적화를 위해 구성된) ML 및/또는 AI 시스템, 및/또는 실시간 동작 온도 최적화를 위해 구성된(예를 들어, 배터리의 실시간 동작 온도 최적화를 위해 구성된) ML 및/또는 AI 시스템. 예시적인 실시예들에서, 설계 또는 실시간 동작 온도 최적화를 위한 양자 컴퓨팅은 자동화된 설계 및 시스템 구성 제어를 포함할 수 있다.In example embodiments, ML and/or AI for energy optimization may include and/or utilize the following systems and/or processes: ML and/or AI system configured for optimization of power grids, design optimization, ML and/or AI systems configured for (e.g. configured for design optimization of batteries), and/or ML and/or configured for real-time operating temperature optimization (e.g. configured for real-time operating temperature optimization of batteries) Or AI systems. In example embodiments, quantum computing for design or real-time operating temperature optimization may include automated design and system configuration control.
예시적인 실시예에서, 에너지 최적화를 위한 ML 및/또는 AI는 다음의 시스템 및/또는 프로세스를 포함 및/또는 이용할 수 있다: 배터리 폐기를 최적화하기 위한 ML 및/또는 AI 시스템 및/또는 배터리 재활용 또는 재사용을 최적화하도록 구성된 ML 및/또는 AI 시스템. 예시적인 실시예들에서, 이들 ML 및/또는 AI 시스템들은, 프로세스들의 통합 및 배터리 생산 및 제품들의 병치(co-location)를 포함하는, 더 수직으로 통합된 동작들에 관련될 수 있는 1차 및 중간 배터리 재료들에 대한 공급 체인 최적화를 둘러싼 우려들을 해결할 수 있다. 예를 들어, 이들 ML 및/또는 AI 시스템은 VCN 모델링으로 최적화된 재료 사용을 포함할 수 있는 배터리 제조에 대한 요구를 해결할 수 있다. 이들 ML 및/또는 AI 시스템은 3d 인쇄 재료 및 프로세스를 이용한 배터리 제조에 이용될 수 있다. 이러한 ML 및/또는 AI 시스템은 또한 VCN 최적화를 위한 배터리 "전지(cell)" 및 다른 서브 컴포넌트의 테스트 및 추적을 통합할 수 있는 데이터 수집, 관리, 및 분석과 함께 이용될 수 있다. 배터리 폐기를 최적화하기 위한 ML 및/또는 AI 시스템은 배터리 폐기, 탄소 풋프린트 관리 등을 제공할 수 있다. 배터리 재활용 또는 재사용을 최적화하기 위한 ML 및/또는 AI 시스템은 리튬-이온 배터리에 필요한 리튬 또는 코발트의 공급과 같은 배터리 재활용 및 재사용을 제공할 수 있다.In example embodiments, ML and/or AI for energy optimization may include and/or utilize the following systems and/or processes: ML and/or AI systems for optimizing battery disposal and/or battery recycling; or ML and/or AI systems configured to optimize reuse. In example embodiments, these ML and/or AI systems may be involved in more vertically integrated operations, including integration of processes and co-location of products and battery production. Addresses concerns surrounding supply chain optimization for intermediate battery materials. For example, these ML and/or AI systems could address the needs of battery manufacturing, which could include material use optimized with VCN modeling. These ML and/or AI systems can be used for battery manufacturing using 3D printing materials and processes. These ML and/or AI systems may also be used with data collection, management, and analysis that may incorporate testing and tracking of battery “cells” and other sub-components for VCN optimization. ML and/or AI systems to optimize battery disposal can provide battery disposal, carbon footprint management, and more. ML and/or AI systems for optimizing battery recycling or reuse can provide battery recycling and reuse, such as the supply of lithium or cobalt needed for lithium-ion batteries.
예시적인 실시예들에서, 에너지 최적화를 위한 ML 및/또는 AI는 에너지 사용 혼합의 최적화를 위한 ML 및/또는 AI 시스템을 포함할 수 있다. 다른 예시적인 실시예들에서, 에너지 최적화를 위한 ML 및/또는 AI는 (예를 들어, 생산, 저장, 배달 시스템의 사용, 및/또는 활용의 프로세스를 수반하는) 에너지원들 및 저장 요소들의 혼합의 생산, 저장, 및 활용의 최적화를 위해 구성된 ML 및/또는 AI 시스템을 포함할 수 있다.In example embodiments, ML and/or AI for energy optimization may include a ML and/or AI system for optimization of energy use mix. In other example embodiments, ML and/or AI for energy optimization may be used to optimize the mix of energy sources and storage elements (e.g., involving the process of production, storage, use, and/or utilization of delivery systems). It may include ML and/or AI systems configured to optimize the production, storage, and utilization of
다른 예시적인 실시예들에서, 에너지 최적화를 위한 ML 및/또는 AI는 분산형(decentralized) 상거래 모델들에 걸쳐 에너지 비용 최적화를 제공하기 위한 시스템들 및/또는 프로세스들(예를 들어, 분산형 상거래 모델들에 걸쳐 에너지 비용을 최적화하도록 구성된 ML 및/또는 AI 시스템)을 포함하고/하거나 이용할 수 있다. 이러한 ML 및/또는 AI 시스템들은 몇몇 제조 위치들을 포함하고 다수의 유형들의 경로들 및 다수의 유형들의 운송 수단들(예를 들어, 제3자 물류(3PL), 제4자 물류(4PL), 슈퍼 그리드 물류(super grid logistics), 물류 시장들)을 사용하는 VCN들과 함께 사용될 수 있다. 이러한 ML 및/또는 AI 시스템은 입력으로서 실시간 및 예측된 에너지 비용에 따라 제조 장소/시기 및 운송 방법/시기에 대한 결정을 최적화할 수 있다. 이는 VCN에 걸쳐 모든 엔티티들을 모니터링하고, 에너지 비용을 최소로 유지하면서(예를 들어, AI, 예측 분석, 및 양자를 사용하여) 고객 수요들이 충족되고 있음을 보장하기 위해 상이한 변수들을 분석함으로써 달성될 수 있다. 고객의 에너지 사용 비용을 최적화할 수 있는 기회를 제공하기 위해 멀티-테넌시(multi-tenancy) 시설에 대해서도 동일하게 적용될 수 있다. 또한, 미래의 에너지 수요를 예측하고 확보하는 것은 예상되는 고객 수요에 기초할 수 있다.In other example embodiments, ML and/or AI for energy optimization may be implemented in systems and/or processes for providing energy cost optimization across decentralized commerce models (e.g., decentralized commerce models). ML and/or AI systems configured to optimize energy costs across models). These ML and/or AI systems include several manufacturing locations, multiple types of routes, and multiple types of transportation (e.g., third-party logistics (3PL), fourth-party logistics (4PL), super It can be used with VCNs that use grid logistics (super grid logistics, logistics markets). These ML and/or AI systems can optimize decisions about where/when to manufacture and how/when to ship, based on real-time and predicted energy costs as input. This will be achieved by monitoring all entities across the VCN and analyzing different variables to ensure that customer demands are being met while keeping energy costs to a minimum (e.g., using AI, predictive analytics, and quantum). You can. The same can be applied to multi-tenancy facilities to provide customers with the opportunity to optimize their energy usage costs. Additionally, predicting and securing future energy demand can be based on expected customer demand.
예시적인 실시예들에서, 에너지 시스템(19000)은 분산형 네트워크(예를 들어, 에너지 생산, 저장, 및 배달 시스템들의 네트워크)에 걸쳐 에너지 활용 및/또는 수요를 에너지 생산에 매칭시키도록 구성된 ML/AI 시스템을 포함할 수 있다.In example embodiments, energy system 19000 may be configured to match energy utilization and/or demand to energy production across a distributed network (e.g., a network of energy production, storage, and delivery systems). May include AI systems.
예시적인 실시예들에서, 에너지 시스템(19000)은 양자 특징들을 포함할 수 있다. 예를 들어, 이러한 양자 특징들은 위치, 시간 및/또는 애플리케이션에 대한 에너지 활용을 최적화하기 위한 양자(예를 들어, 특정 위치, 시간 윈도우 및 애플리케이션에 대한 에너지 활용을 최적화하기 위한 양자 컴퓨팅 시스템)를 포함할 수 있다. 예시적인 실시예들에서, 양자 컴퓨팅 시스템은 사용 지점에 근접한 (예를 들어, 아스팔트가 사용되기 직전에) 특정 사용 윈도우에서 충족하도록 타이밍될 수 있는 대량의 소스 생산을 해결할 수 있고(예를 들어, 장거리 작업(long haul)은 비용 효율적인 옵션이 아닐 수 있음), 현장 적용은 재료를 유연하게 유지하고, 재료를 퇴적하고, 사용을 준비하도록 재료를 구성하기 위해 추가 에너지를 요구할 수 있다. 현장 적용은 또한 여러 에너지 소비 디바이스(예를 들어, 스프레더, 롤러, 압축기) 및 재료(예를 들어, 에지 실러, 탑코트 실러, 라인 스트라이핑)를 필요로 할 수 있다. 예시적인 실시예들에서, 분산형 에너지 시스템들은 재표면화가 필요할 수 있는 아스팔트 사용을 위한 타겟 영역들(예를 들어, 새로운 개발, 도시 또는 고속도로의 스트레치(stretch)와 같은 도로들)에 근접하여 구성될 수 있다. 에너지 및 저장에 대한 유연한 접근으로, 건설 팀은 필요한(또는 초과 요구된) 에너지를 함께 동반할 수 있다.In example embodiments, energy system 19000 may include quantum features. For example, these quantum features include quantum for optimizing energy utilization for a location, time, and/or application (e.g., a quantum computing system for optimizing energy utilization for a specific location, time window, and application). can do. In example embodiments, a quantum computing system can address the production of large quantities of sources that can be timed to meet a specific window of use close to the point of use (e.g., just before the asphalt is used) and (e.g., Long hauls may not be a cost-effective option), and field applications may require additional energy to keep the material flexible, deposit the material, and configure the material to prepare it for use. Field applications may also require multiple energy consuming devices (e.g., spreaders, rollers, compactors) and materials (e.g., edge sealers, topcoat sealers, line striping). In example embodiments, distributed energy systems are configured in close proximity to target areas for asphalt use (e.g., new developments, urban areas, or roads such as stretches of highways) that may require resurfacing. It can be. With a flexible approach to energy and storage, construction teams can bring together the energy they need (or exceed their needs).
예시적인 실시예들에서, 양자 특징들은 일반적으로 양자 컴퓨팅을 포함할 수 있다. 예를 들어, 양자 특징들은 전력망들의 양자 최적화(예를 들어, 전력망을 최적화하도록 구성된 양자 컴퓨팅 시스템)를 포함할 수 있다. 양자 컴퓨팅의 예들은 또한 설계 최적화(예를 들어, 배터리의 설계 최적화)를 위해 구성된 양자 컴퓨팅 시스템 및/또는 실시간 동작 온도 최적화(예를 들어, 배터리의 동작 온도 최적화)를 위해 구성된 양자 컴퓨팅 시스템을 포함할 수 있다. 예시적인 실시예들에서, 설계 또는 실시간 동작 온도 최적화를 위한 양자 컴퓨팅은 자동화된 설계 및 시스템 제어를 포함할 수 있다.In example embodiments, quantum features may include quantum computing generally. For example, quantum features may include quantum optimization of power grids (e.g., a quantum computing system configured to optimize a power grid). Examples of quantum computing also include a quantum computing system configured for design optimization (e.g., optimizing the design of a battery) and/or a quantum computing system configured for real-time operating temperature optimization (e.g., optimizing the operating temperature of a battery). can do. In example embodiments, quantum computing for design or real-time operating temperature optimization may include automated design and system control.
다른 예시적인 실시예에서, 양자 특징는 양자 최적화 배터리 폐기(예를 들어, 배터리 폐기를 최적화하기 위한 양자 컴퓨팅 시스템) 및/또는 양자 최적화 배터리 재활용 또는 재사용(예를 들어, 배터리 재활용 또는 재사용을 최적화하기 위한 양자 컴퓨팅 시스템)과 같은 양자 배터리 최적화를 포함할 수 있다. 예시적인 실시예들에서, 이들 양자 컴퓨팅 시스템들은 프로세스들의 통합 및 배터리 생산 및 제품들의 병치를 포함하는 더 수직으로 통합된 동작들에 관련될 수 있는 1차 및 중간 배터리 재료들에 대한 공급 체인 최적화를 둘러싼 우려들을 해결할 수 있다. 예를 들어, 이들 양자 컴퓨팅 시스템들은 VCN 모델링으로 최적화된 재료 사용을 포함할 수 있는 배터리 제조에 대한 수요들을 해결할 수 있다. 이러한 양자 컴퓨팅 시스템들은 3d 인쇄 재료들 및 프로세스들을 이용하여 배터리 제조에 활용될 수 있다. 이러한 양자 컴퓨팅 시스템들은 또한 VCN 최적화를 위한 배터리 "전지" 및 다른 서브 컴포넌트들의 테스트 및 추적을 통합할 수 있는 데이터 수집, 관리, 및 분석과 함께 이용될 수 있다. 양자 컴퓨팅 시스템들은 배터리 폐기, 탄소 풋프린트 관리 등과 함께 뿐만 아니라 배터리 재활용 또는 재사용을 위해 사용될 수 있다(예를 들어, 리튬-이온 배터리들에 필요한 리튬 또는 코발트의 공급은 재활용된 재료들로부터 비롯될 수 있다).In other example embodiments, quantum features may be used for quantum optimized battery disposal (e.g., quantum computing systems for optimizing battery disposal) and/or quantum optimized battery recycling or reuse (e.g., for optimizing battery recycling or reuse). It may include quantum battery optimization, such as quantum computing systems. In example embodiments, these quantum computing systems provide supply chain optimization for primary and intermediate battery materials that may involve integration of processes and more vertically integrated operations including battery production and juxtaposition of products. Surrounding concerns can be resolved. For example, these quantum computing systems could address the needs of battery manufacturing, which could include material use optimized with VCN modeling. These quantum computing systems can be utilized in battery manufacturing using 3D printing materials and processes. These quantum computing systems can also be used with data collection, management, and analysis that can integrate testing and tracking of battery “cells” and other subcomponents for VCN optimization. Quantum computing systems can be used for battery recycling or reuse, as well as with battery disposal, carbon footprint management, etc. (for example, the supply of lithium or cobalt needed for lithium-ion batteries can come from recycled materials). there is).
예시적인 실시예들에서, 양자 특징들은 에너지 사용 혼합의 양자 최적화(예를 들어, 에너지 사용 혼합을 최적화하기 위한 양자 컴퓨팅 시스템)를 포함할 수 있다. 다른 예시적인 실시예들에서, 양자 특징들은 분산형 상거래 모델들에 걸친 에너지 비용 최적화(예를 들어, 분산형 상거래 모델들에 걸쳐 에너지 비용을 최적화하도록 구성된 양자 컴퓨팅 시스템)를 포함할 수 있다. 이러한 양자 컴퓨팅 시스템들은, 몇몇 제조 위치들을 포함하고 다수의 유형들의 경로들 및 유형들의 운송수단들(예를 들어, 제3자 물류(3PL), 제4자 물류(4PL), 슈퍼 그리드 물류, 물류 시장들)을 사용하는 VCN들과 함께 사용될 수 있다. 이러한 양자 컴퓨팅 시스템들은 입력으로서 에너지의 실시간 및 예측된 비용에 따라 어디에서/언제 제조할지 및 어떻게/언제 수송할지에 대한 결정들을 최적화할 수 있다. 이는 VCN에 걸쳐 모든 엔티티들을 모니터링하고, 에너지 비용을 최소로 유지하면서(예를 들어, AI, 예측 분석, 및 양자를 사용하여) 고객 수요들이 충족되고 있음을 보장하기 위해 상이한 변수들을 분석함으로써 달성될 수 있다. 고객의 에너지 사용 비용을 최적화할 수 있는 기회를 제공하기 위해 멀티-테넌시 시설에 대해서도 동일하게 적용될 수 있다. 또한, 미래의 에너지 수요를 예측하고 확보하는 것은 예상되는 고객 수요에 기초할 수 있다.In example embodiments, quantum features may include quantum optimization of energy use mix (e.g., a quantum computing system for optimizing energy use mix). In other example embodiments, quantum features may include energy cost optimization across distributed commerce models (e.g., a quantum computing system configured to optimize energy cost across distributed commerce models). These quantum computing systems include several manufacturing locations and multiple types of routes and types of transportation (e.g., third party logistics (3PL), fourth party logistics (4PL), super grid logistics, logistics It can be used with VCNs that use markets). These quantum computing systems can optimize decisions about where/when to manufacture and how/when to transport according to the real-time and predicted cost of energy as input. This will be achieved by monitoring all entities across the VCN and analyzing different variables to ensure that customer demands are being met while keeping energy costs to a minimum (e.g., using AI, predictive analytics, and quantum). You can. The same can be applied to multi-tenancy facilities to provide customers with the opportunity to optimize their energy usage costs. Additionally, predicting and securing future energy demand can be based on expected customer demand.
예시적인 실시예들에서, 에너지 시스템(19000)은 에너지의 분할(slicing) 생산, 저장, 및/또는 배달(예를 들어, 유형/혼합, 시간, 및 위치 추적)을 위한 시스템과 같은 기술들을 포함할 수 있다.In example embodiments, energy system 19000 includes technologies such as systems for slicing production, storage, and/or delivery (e.g., type/mix, time, and location tracking) of energy. can do.
예시적인 실시예들에서, 에너지 시스템(19000)은 다양한 사용 사례들에서 활용될 수 있다. 예시적인 실시예들에서, 에너지 시스템 또는 프로세스(19000)는 로컬 수요를 가질 수 있는 고가치 아이템들(예를 들어, 성장하는 고마진 식품들, 고에너지 계산 워크로드들, 및/또는 고온 재료들 프로세스들)에 대한 모듈형/소규모 에너지 공급 시스템들 및 다양한 생산 시스템들의 병치와 같은 다양한 사용 사례들과 함께 적용될 수 있다. 예시적인 실시예들에서, 다른 사용 사례들은 에너지 저장 장치를 이동시키는 것(예를 들어, 에너지 트럭들과 같은 에너지 저장 장치를 이동시키는 네트워크를 갖는 시스템), 음식-에너지 밸류 체인 네트워크, 마이크로 발전소들의 부분 소유권(예를 들어, 마이크로 발전소의 투자 비용들이 소유자들 사이에서 크라우드-소싱될 수 있도록 마이크로 발전소들의 소유권 지분을 토큰화하기 위한 시스템), 태양광 패널들 및 도로(예를 들어, 통합된 태양광 패널들을 갖는 도로)의 통합, 공급 및 수요 교차점들의 조정 시스템(예를 들어, 지리적 및 토지 사용 허가, 컴퓨팅 및/또는 데이터 센터 자원들, 및 에너지 가용성을 갖는 시간 내 둘 모두), 배터리-기반 인쇄 회로 기판 제조 플랜트(예를 들어, 에너지는 재생가능 에너지원들로부터 생성될 수 있음), 및/또는 에너지 지수(energy index)(예를 들어, 상품의 가격을 결정하기 위한 에너지 지수)를 포함할 수 있다. 일부 예시적인 실시예들에서, 로봇 기술 및 에너지 최적화 기술이 함께 이용될 수 있다(예를 들어, 자율 로봇 동작들을 위한 에너지-최적화된 플랫폼을 제공함).In example embodiments, energy system 19000 may be utilized in a variety of use cases. In example embodiments, energy system or process 19000 may be used to process high-value items that may have local demand (e.g., growing high-margin foods, high-energy computational workloads, and/or high-temperature materials processes). It can be applied with a variety of use cases such as modular/small-scale energy supply systems and the juxtaposition of various production systems. In example embodiments, other use cases include moving energy storage devices (e.g., systems with a network of moving energy storage devices such as energy trucks), food-to-energy value chain networks, and micro-power plants. Fractional ownership (e.g., a system for tokenizing ownership stakes in micro-power plants so that their investment costs can be crowd-sourced among owners), solar panels and roads (e.g., integrated solar integration of roadways with optical panels), coordination systems of supply and demand intersections (e.g., geographic and land use permits, computing and/or data center resources, and both in time with energy availability), battery-based Includes a printed circuit board manufacturing plant (e.g., the energy may be generated from renewable energy sources), and/or an energy index (e.g., an energy index for determining the price of a product) can do. In some example embodiments, robotics technology and energy optimization technology may be used together (eg, to provide an energy-optimized platform for autonomous robotic operations).
예시적인 실시예들에서, 마이크로 발전소들의 부분 소유권의 다양한 예들이 있을 수 있다. "마이크로-발전소들(micro-power station)"의 소유권 지분들은 토큰화될 수 있어서(예를 들어, "소유권(ownership)" 토큰들의 사용), 그러한 재생가능 에너지원들의 투자 비용들이 소유자들 사이에서 크라우드-소싱될 수 있다. 각각의 마이크로 발전소는 재생 가능한 에너지원들, 예컨대 태양광 패널들, 풍력 터빈들, 지열 에너지 변환, 및/또는 에너지 저장소들(예를 들어, 대형 배터리들)을 포함할 수 있다. 또한, 마이크로-발전소들이 위치될 수 있는 부동산 소유자는 또한 소유권 토큰들이 수여될 수 있다. 스마트 계약은 에너지를 그리드로 방출하기 위해 생성될 수 있으며, 이에 의해 각각의 마이크로-발전소(예를 들어, 에너지원/배터리)은 "코인 동작(coin-operated)"될 수 있다. 스마트 계약은 에너지에 대한 가격을 정의할 수 있고, 필요한 자금이 스마트 계약과 연관된 계좌에 입금될 때 그리드로 에너지를 방출할 것을 에너지 저장소들/에너지원들에 지시하도록 구성될 수 있는 조건부 로직을 포함할 수 있다. 그런 다음, 스마트 계약은 각각의 소유자가 소유하는 소유권 토큰들에 기초하여 에너지원, 에너지 저장소, 및/또는 재산 소유자의 총괄 소유자들에게 자금을 분배할 수 있다(예를 들어, 마이크로발전소에 대한 소유권 토큰들의 ¼의 소유자는 분배 자금의 ¼을 수신할 수 있다). 그런 다음, 소유권 토큰들은, 마이크로-발전소가 성공적인 것을 가정하여 거래 가능하게 될 수 있다. 이것은 에너지를 다시 "그리드(grid)"에 넣는 것을 고려하지만, 다른 예들은 노변 차량 충전기들, 산업 성장 시설들, 크립토 마이닝(crypto mining) 시설들 등에 관한 솔루션들에 적용될 수 있다. 일부 예들에서, 새로운 시설의 구축자(예를 들어, 산업 성장, 발전소, 크립토-마이닝 시설)는 자신의 사업에 대한 형평을 포기하거나 대출을 받지 않고도 전력 생산을 크라우드-소스(crowd-source)할 수 있다. 이러한 시나리오에서, 초과 에너지는 그리드로 판매될 수 있고, 이는 이어서 소유권 토큰들의 값을 증가시킬 것이다.In example embodiments, there may be various examples of fractional ownership of micro plants. Ownership shares of “micro-power stations” can be tokenized (e.g., through the use of “ownership” tokens), so that the investment costs of such renewable energy sources can be divided among owners. Can be crowd-sourced. Each micro-power plant may include renewable energy sources, such as solar panels, wind turbines, geothermal energy conversion, and/or energy storage (eg, large batteries). Additionally, property owners where micro-power plants may be located may also be awarded ownership tokens. Smart contracts can be created to release energy into the grid, whereby each micro-power plant (e.g., energy source/battery) can be “coin-operated.” Smart contracts can define prices for energy and contain conditional logic that can be configured to instruct energy stores/energy sources to release energy into the grid when the required funds are deposited into the account associated with the smart contract. can do. The smart contract can then distribute funds to the overall owners of the energy source, energy storage, and/or property owner based on the ownership tokens each owner owns (e.g., ownership of a micropower plant) Owners of ¼ of the tokens can receive ¼ of the distribution funds). The ownership tokens can then become tradable, assuming the micro-power plant is successful. This considers putting energy back into the “grid,” but other examples could apply to solutions for roadside vehicle chargers, industrial growth facilities, crypto mining facilities, etc. In some examples, builders of new facilities (e.g., industrial growth, power plants, crypto-mining facilities) can crowd-source electricity production without having to give up equity in their business or take out a loan. You can. In this scenario, excess energy could be sold to the grid, which would in turn increase the value of ownership tokens.
예시적인 실시예들에서, 배터리 기반 인쇄 회로 기판 제조 플랜트의 다양한 예들이 있을 수 있다. 예를 들어, 인쇄 회로 기판 제조 플랜트는 원자재를 받을 수 있고, 하루에 수백만 개의 PCB(polychlorinated biphenyl)을 생산할 수 있고, AI-인에이블 문제/결함 식별 및 예측을 가질 수 있고, PCB를 전기 차량(예를 들어, 전기 트럭 및 화물 밴)의 포트, 웨어하우스, 유통 센터 등에 출하할 수 있다. 제조 플랜트는 플랜트 내에 저장된 배터리들에 공급할 수 있는 태양광 패널들을 플랜트 빌딩 꼭대기 및 근처에 가질 수 있다. 인근 해양 해안에 파도 에너지 수확 디바이스가 설치될 수 있으며, 이에 의해 수확된 에너지는 식물에 송신되고 배터리에도 저장된다. 인근 필드는 그 위에 저장된 풍력 농장(wind farm)을 가질 수 있고 풍력 에너지가 배터리에 송신된다. 배터리들의 각각의 세트가 태양 전지판들, 파도 에너지 수확 디바이스들, 및 풍력 발전 단지 중 하나 이상으로부터 전력을 수신할 수 있는 배터리들의 몇몇 세트들이 있을 수 있다. 배터리들의 세트들 중 하나는 동작 시간 동안 제조 플랜트에 전력을 공급하도록 구성될 수 있다. 배터리들의 제2 세트, 또는 배터리들의 제1 세트의 서브세트는 전기 차량들을 충전하도록 구성된 변압기들에 공급하도록 구성될 수 있다. 태양광, 파도 및 풍력 에너지원들로부터 오는 전력은, 이를테면 전기 차량(EV) 충전 변압기들 대 제조 기계들, 대 AI-인에이블된 예측 및 플랜트 관리/제어 시스템들과 같은 고전력 컴퓨팅 디바이스들에 공급하기 위한 위상, 커패시턴스 등을 조정함으로써, 상이한 유형들의 배터리들에서의 저장 및 상이한 애플리케이션들에서 사용하기 위해 조정될 수 있다.In example embodiments, there may be various examples of battery-based printed circuit board manufacturing plants. For example, a printed circuit board manufacturing plant can receive raw materials, produce millions of polychlorinated biphenyl (PCB) per day, have AI-enabled problem/defect identification and prediction, and transport PCBs to electric vehicles ( It can be shipped to ports, warehouses, distribution centers, etc. (for example, electric trucks and cargo vans). A manufacturing plant may have solar panels on top and near the plant building that can supply batteries stored within the plant. Wave energy harvesting devices could be installed on nearby ocean shores, where the energy harvested would be transmitted to plants and stored in batteries. A nearby field may have a wind farm stored thereon and the wind energy is transmitted to the battery. There may be several sets of batteries, each set of batteries capable of receiving power from one or more of solar panels, wave energy harvesting devices, and wind farms. One of the sets of batteries may be configured to power the manufacturing plant during operating hours. The second set of batteries, or a subset of the first set of batteries, may be configured to supply transformers configured to charge electric vehicles. Power from solar, wave and wind energy sources supplies high-power computing devices, such as electric vehicle (EV) charging transformers to manufacturing machines, and AI-enabled forecasting and plant management/control systems. By adjusting the phase, capacitance, etc., it can be adapted for storage in different types of batteries and for use in different applications.
예시적으로, 에너지 지수(energy index)를 이용하는 다양한 예들이 있을 수 있다. 예를 들어, 이것이 사설 네트워크 또는 공급 체인의 공급자들 사이의 에너지 효율에 대한 경쟁인 경우, 에너지 지수가 상품들(예를 들어, 최종 제품에 들어갈 수 있는 유사한 부품들과 같은 균일하거나 필적할 수 있는 상품들)의 가격을 결정하기 위해 추가될 수 있다. 제조(또는 제조 및 배달)에 더 많은 에너지를 사용했을 수 있는 상품은 할인된 가격으로 판매될 수 있는 반면, 제조(또는 제조 및 배달)에 더 적은 에너지를 사용했을 수 있는 상품은 프리미엄으로 판매될 수 있다. 블록체인은 개별 아이템이 아닌 경우 묶음(batch)을 추적하는 데 사용될 수 있다. 검증(또는 인증) 능력이 필요할 수 있다. 에너지원은 또한 석탄 대 재생 가능성과 같은 요소일 수 있다. 최종 제품의 여러 제조업체가 참여하는 경우, 반독점(anti-trust) 메커니즘이 마련될 필요가 있을 수 있다. 일부 예들에서, 이러한 사용 사례들은 (예를 들어, 블록체인에 공급하기 위해) 에너지 생산 비용 추적 기술들과 결부될 수 있다.Illustratively, there may be various examples using an energy index. For example, if this is a competition on energy efficiency between suppliers in a private network or supply chain, the energy index can be uniform or comparable across products (e.g. similar components that may go into the final product). can be added to determine the price of products). Goods that may have used more energy to manufacture (or manufacture and deliver) may be sold at a discount, while goods that may have used less energy to manufacture (or manufacture and deliver) may be sold at a premium. You can. Blockchain can be used to track batches rather than individual items. Verification (or certification) capabilities may be required. Energy sources can also be factors such as coal versus renewable potential. If multiple manufacturers of the end product are involved, anti-trust mechanisms may need to be in place. In some examples, these use cases may be coupled with energy production cost tracking technologies (e.g., to feed a blockchain).
이중 프로세스 인공 신경망(Dual Process Artificial Neural Networks)Dual Process Artificial Neural Networks
도 165와 함께 도 104를 참조하면, 실시예들에서, 지능 서비스들은 이중 프로세스 인공 신경망(DPANN) 시스템(20000)을 포함한다. DPANN 시스템(20000)은 훈련 시스템 및 재훈련(retraining) 시스템의 산물인 거동 및 동작 프로세스(예컨대, 의사 결정)를 갖는 인공 신경망(ANN)을 포함한다. 훈련 시스템은 ANN 동작들의 자동 훈련된 실행을 수행하도록 구성된다. 재훈련 시스템은 예컨대, 메모리, 하나 이상의 입력 데이터 세트(이러한 데이터 세트 내의 요소들에 대한 시간 정보를 포함함), 하나 이상의 목표 또는 목적(예컨대, 주기적으로 및/또는 ANN의 사용 컨텍스트와 관련된 것들과 같은 컨텍스트 변화에 기초하여 동적으로 변할 수 있는 것들을 포함함), 및/또는 다른 것들과 같은 ANN의 하나 이상의 관련 양태에 기초하여 ANN의 효과적이고 분석적이며 의도적인 재훈련을 수행한다. 메모리 기반 재훈련을 수반하는 경우들에서, 메모리는 원본/이력 훈련 데이터 및 개량된 훈련 데이터를 포함할 수 있다. DPANN 시스템(20000)은 진행중인 데이터 보존 프로세스를 관리하고 수행하도록 구성된 이중 프로세스 학습 기능(DPLF)을 포함한다. DPLF(적용 가능한 경우, 메모리 관리 프로세스를 포함함)는 ANN의 거동의 재훈련 및 개선을 용이하게 한다. DPLF는 ANN이 이력 입력들, 새로운 입력들, 및 새로운 출력들(이용의 컨텍스트의 파라미터들(레이턴시 파라미터들, 정확도 파라미터들, 일관성 파라미터들, 대역폭 이용 파라미터들, 처리 용량 이용 파라미터들, 우선순위화 파라미터들, 에너지 이용 파라미터들, 및 많은 다른 것들과 같은 성능 파라미터들을 포함할 수 있음)에 의해 결정된 것들을 포함하는, 특정 사용 사례들에 대해 구성된 출력들을 포함함)에 기초하여 예측들, 분류들, 추천들, 결론들 및/또는 다른 출력들과 같은 출력들을 생성하는 프레임워크를 제공한다.Referring to FIG. 104 in conjunction with FIG. 165 , in embodiments, intelligent services include a dual process artificial neural network (DPANN)
실시예들에서, DPANN 시스템(20000)은 훈련 데이터를 저장하여, ANN의 결정들, 예측들, 및/또는 다른 동작들의 결과들에 기초하여 일정한 재훈련을 허용할 뿐만 아니라 ANN의 출력들에 기초하여 훈련 데이터의 분석을 허용한다. 메모리에 저장된 엔티티들의 관리는 훈련 시스템에 의해 또는 그 관리 하에서 처리, 실행 또는 달리 수행될 수 있는 것들과 같은 새로운 모델들의 구성 및 실행을 허용한다. DPANN 시스템(20000)은 메모리의 인스턴스들을 사용하여 액션들을 검증하고(예를 들어, 생물학적 신경망의 사고에 유사한 방식으로(최적의 주어진 상황 하에서 수행된 액션들에 대한 소급적 또는 자기 반성적 사고를 포함함), ANN에 의도적으로 메모리들의 적절한 세트들(즉, ANN에 대한 성능 요건들이 주어진 유리한 결과들을 생성하는 것들)을 공급하는 훈련을 포함하는 ANN의 훈련을 수행한다.In embodiments,
실시예들에서, DPLF는 시간 경과에 따라 메모리에 저장된 하나 이상의 훈련 데이터 세트들 및/또는 메모리들의 계속된 프로세스 보유이거나 이를 포함할 수 있다. 이에 의해, DPLF는 ANN이 기존의 신경 기능들을 적용하고, ANN의 시뮬레이션들에서, 훈련 프로세스들 동안, 및 전체가 동작가능한 배치들에서 포함하는 현재, 최근, 및/또는 새로운 시나리오들 내의 거동의 이해를 프레임화하는 것 같은, 과거 이벤트들의 세트들(별개의 목적들을 위해 의도적으로 변경 및/또는 큐레이션되는 것들을 포함함)을 도출할 수 있게 한다. DPLF는 ANN이 과거, 현재 및 미래에 관련된 데이터와 같은 데이터를 분석, 평가 및/또는 관리할 수 있는 프레임워크를 ANN에 제공할 수 있다. 이와 같이, DPLF는 훈련 시스템 및 재훈련 시스템을 통해 ANN을 훈련 및 재훈련하는 데 중요한 역할을 한다.In embodiments, the DPLF may be or include a continued process retention of one or more training data sets and/or memories stored in memory over time. Thereby, DPLF enables an ANN to apply existing neural functions and understand its behavior within current, recent, and/or new scenarios, including in simulations of the ANN, during training processes, and in fully operational deployments. allows to derive sets of past events (including those that are intentionally altered and/or curated for distinct purposes), such as framing a DPLF can provide ANNs with a framework through which ANNs can analyze, evaluate and/or manage data, such as data related to the past, present and future. In this way, DPLF plays an important role in training and retraining ANN through training system and retraining system.
실시예들에서, DPLF는 기존의 훈련 프로세스들을 관리하기 위해 이중 프로세스 동작을 수행하도록 구성되고, 또한 새로운 훈련 프로세스들, 즉 재훈련 프로세스들을 관리 및/또는 수행하도록 구성된다. 실시예들에서, ANN의 각각의 인스턴스는 훈련 시스템을 통해 훈련되고 재훈련 시스템을 통해 재훈련되도록 구성된다. ANN은 훈련 및/또는 재훈련 데이터 세트를 인코딩하고, 데이터 세트를 저장하고, 훈련 시스템을 통한 훈련 및 재훈련 시스템을 통한 재훈련 둘 모두 동안 데이터 세트를 검색한다. DPANN 시스템(20000)은 데이터 세트(훈련 또는 재훈련을 위해 사용되는 베이스 데이터 세트에 비해 다양한 서브세트들, 수퍼세트들, 조합들, 순열들, 요소들, 메타데이터, 증강들 등을 선택적으로 포함하는 이러한 컨텍스트에서의 용어 데이터 세트), 저장 활동, 처리 동작 및/또는 출력이 그의 각각의 입력들, 처리(예를 들어, 그의 구조, 유형, 모델들, 동작들, 실행 환경, 자원 활용 등에 기초하여) 및/또는 결과들(결과 유형들, 성능 요건들(컨텍스트 또는 동적 요건들을 포함함) 등을 포함하는 것에 기초하여 훈련 시스템 대 재훈련 시스템을 기본적으로 선호하는 특성들을 갖는지 여부를 인식할 수 있다. 예를 들어, DPANN 시스템(20000)은 분류 태스크에 대한 훈련 시스템의 열악한 성능이 ANN의 훈련이 적절하지 않은 새로운 문제(예를 들어, 데이터 세트의 유형, 입력 모델들 및/또는 피드백의 성질, 훈련 데이터의 양, 태깅 또는 라벨링의 품질, 감독의 품질 등)를 나타낼 수 있고, ANN의 처리 동작들이 잘 맞지 않고(예를 들어, 사용된 신경망의 유형, 사용된 모델들의 유형 등으로 인해 알려진 취약성들에 경향이 있음), 새로운 분류 문제를 해결하기 위해 학습하도록 모델을 교시하도록 모델을 재훈련하기 위해 재훈련 시스템을 관여시킴으로써 해결될 수 있다(예를 들어, 정확하게 분류된 아이템들의 훨씬 더 라벨링된 인스턴스들을 공급함으로써) 고 결정할 수 있다. ANN의 성능의 주기적 또는 지속적인 평가로, DPANN 시스템은 후속하여 (예를 들어, 재훈련 시스템에 의한 재훈련의 많은 반복들에 걸쳐 ANN의 작은 개선들만이 발생하는 경우) ANN의 매우 안정적인 성능이 재훈련 시스템을 대체할 훈련 시스템에 대한 준비를 표시한다고 (또는 둘 모두가 수반되는 경우에 더 유리하게 가중될 것이라고) 결정할 수 있다. 더 긴 시간 기간에 걸쳐, 일련의 새로운 문제들이 나타나는 것과 같이, 가변 성능의 사이클들이 나타날 수 있으며, 따라서 DPANN의 재훈련 시스템은 필요에 따라 ANN을 재훈련하고 및/또는 출력들의 제2 소스를 제공함으로써 ANN을 증강시키기 위해 직렬로 관여된다 (ANN 출력들과 융합되거나 조합되어 단일 결과(이들에 걸친 다양한 가중치들을 가짐)를 제공할 수 있거나, 또는 각각의 출력들의 비교, 선택, 평균화, 또는 컨텍스스- 또는 상황-특정 적용을 가능하게 하는 것과 같이 병렬로 제공될 수 있는).In embodiments, the DPLF is configured to perform dual process operation to manage existing training processes, and also to manage and/or perform new training processes, i.e., retraining processes. In embodiments, each instance of the ANN is configured to be trained via a training system and retrained via a retraining system. An ANN encodes training and/or retraining data sets, stores the data sets, and retrieves the data sets during both training with the training system and retraining with the retraining system. The DPANN system (20000) provides a data set (selectively including various subsets, supersets, combinations, permutations, elements, metadata, augmentations, etc. relative to the base data set used for training or retraining). The term data set in this context), storage activity, processing operation and/or output is based on its respective inputs, processing (e.g. its structure, type, models, operations, execution environment, resource utilization, etc. ) and/or outcomes (including outcome types, performance requirements (including context or dynamic requirements), etc.) to recognize whether a training system versus a retraining system has characteristics that inherently favor it. For example, the DPANN system (20000) suggests that poor performance of a training system on a classification task may be due to new problems for which the training of the ANN is not appropriate (e.g., type of data set, nature of input models, and/or feedback). , the amount of training data, the quality of tagging or labeling, the quality of supervision, etc.), and whether the processing operations of the ANN are not well suited (e.g., the type of neural network used, the type of models used, etc.) prone to vulnerabilities), can be addressed by engaging a retraining system to retrain the model to teach the model to learn to solve new classification problems (e.g., much better labeling of correctly classified items). With periodic or continuous evaluation of the performance of the ANN, the DPANN system can subsequently determine that only small improvements in the ANN are achieved over many iterations of retraining (e.g. by a retraining system). (or, if both occur, will be weighted more favorably) that the highly stable performance of the ANN indicates readiness for the training system to replace the retraining system (or, if both are involved, over longer time periods). , cycles of variable performance may emerge, as a series of new problems emerge, and thus the DPANN's retraining system can retrain the ANN as needed and/or augment the ANN by providing a second source of outputs. Serially involved (can be fused or combined with ANN outputs to provide a single result (with various weights across them)), or can involve comparison, selection, averaging, or context- or situation-specific application of individual outputs. (which can be served in parallel).
실시예들에서, ANN은 훈련 시스템 및 재훈련 시스템을 통한 ANN의 이중 프로세스 훈련에 따라 데이터의 수집과 함께 새로운 기능들을 학습하도록 구성된다. DPANN 시스템(20000)은 훈련 시스템을 통해 ANN의 분석을 수행하고, ANN이 새로운 내부 기능들(또는 내부 기능들이 차감되거나 수정됨 예컨대, 기존 기능들이 유리한 결과들에 기여하지 않는 경우)을 획득하도록 ANN의 초기 훈련을 수행한다. 초기 훈련 후에, DPANN 시스템(20000)은 재훈련 시스템을 통해 ANN의 재훈련을 수행한다. 재훈련을 수행하기 위해, 재훈련 시스템은 재훈련을 위한 타겟팅된 DPLF 프로세스들을 구성하기 위해 ANN의 메모리 및 이력 처리를 평가한다. DPLF 프로세스들은 식별된 시나리오들에 특정될 수 있다. ANN 프로세스는 DPLF 프로세스와 병렬로 실행될 수 있다. 예로서, ANN은 훈련 시스템에 의한 초기 훈련 후에 자율 주행 자동차의 특정 제조사 및 모델을 동작시키는 기능을 할 수 있다. DPANN 시스템(20000)은, 예컨대, ANN이 자동차의 상이한 제조 및 모델(예컨대, 상이한 카메라들, 가속도계들 및 다른 센서들, 상이한 물리적 특성들, 상이한 성능 요건들 등을 갖는 것), 또는 심지어 자전거 또는 우주선과 같은 상이한 종류의 차량을 동작시킬 수 있게 하기 위해, 재훈련 시스템을 통해 ANN의 기능들의 재훈련을 수행할 수 있다.In embodiments, the ANN is configured to learn new functions with the collection of data following dual process training of the ANN through a training system and a retraining system. The
실시예들에서, ANN의 출력들 및/또는 동작들의 품질이 개선됨에 따라, 그리고 ANN에 대한 수행 요건들 및 활용의 컨텍스트가 상당히 안정적으로 유지되는 한, 이중 프로세스 훈련 프로세스를 수행하는 것은 점점 덜(decreaingly) 까다로운 프로세스가 될 수 있다. 이와 같이, DPANN 시스템(20000)은 ANN의 동작들 및/또는 프로세스들을 수행하기 위해 ANN의 더 적은 뉴런들이 요구되고, 성능 모니터링이 덜 집약적일 수 있고(예컨대, 성능 검사들 사이의 더 긴 간격들로) , 및/또는 (적어도, 장기 유지보수 기간이 도달할 때까지 및/또는 이용의 컨텍스트에서 상당한 시프트들이 있을 때까지 등의 일정 시간 기간 동안) 재훈련이 더 이상 필요하지 않다고 결정할 수 있다. ANN이 이중 프로세스 훈련 프로세스를 통해 기존 기능들을 개선하고/하거나 새로운 기능들을 계속 추가함에 따라, ANN은 때때로 더 "지능적으로-까다로운(intellectually-demanding)"(예를 들어, 재훈련 집약적) 태스크들을 동시에 수행할 수 있다. 예를 들어, 훈련되는 기능 또는 프로세스의 이중 프로세스 학습 지식을 이용하여, ANN은 관련되지 않은 복잡한 문제를 해결하거나 동시에 재훈련 결정을 할 수 있다. 재훈련은, 에이전트(예를 들어, 인간 감독자 또는 지능형 에이전트)가 ANN에게 재훈련 목표(예를 들어, "이 새로운 기능을 마스터하기")를 지시하고 재훈련을 위한 훈련 태스크들 및 피드백 기능들(예를 들어, 감독 등급화)의 세트를 제공하는 것과 같은 감독을 포함할 수 있다. 실시예들에서, ANN은 다른 이중 프로세스 훈련된 ANN들의 감독, 훈련 및 재훈련을 조직화하고, 이러한 훈련 또는 재훈련을 시딩(seed)하는 것 등에 사용될 수 있다.In embodiments, as the quality of the ANN's outputs and/or operations improves, and as long as the performance requirements for the ANN and the context of utilization remain fairly stable, performing a dual-process training process becomes less and less ( It can be a (decreaingly) tricky process. As such, the
실시예들에서, ANN의 하나 이상의 거동들 및 동작 프로세스들(예컨대, 의사 결정)은 각각 훈련 시스템 및 재훈련 시스템에 의해 용이하게 되는 훈련 및 재훈련 프로세스들의 산물들일 수 있다. 훈련 시스템은, 예컨대, 다양한 데이터 소스들에 의해 또는 그로부터 수집될 때 훈련 데이터의 추가적인 인스턴스들을 연속적으로 추가함으로써, ANN의 자동 훈련을 수행하도록 구성될 수 있다. 재훈련 시스템은 예를 들어, 메모리(예를 들어, 저장된 훈련 데이터 또는 개량된 훈련 데이터)에 기초하여 및/또는 선택적으로 추론 또는 다른 인자들에 기초하여 ANN의 효율적인, 분석적인, 의도적인 재훈련을 수행하도록 구성될 수 있다. 예를 들어, 배치 관리 맥락에서, 훈련 시스템은 ANN에 의한 표준 응답과 연관될 수 있는 반면, 재훈련 시스템은 ANN의 DPLF 재훈련 및/또는 네트워크 적응을 구현할 수 있다. 일부 경우들에서, 공장 너머의 ANN, 또는 "독창적인(out-of-the-box)" 훈련 레벨의 재훈련은 재훈련 시스템에 의한 재훈련보다 더 많은 것을 수반할 수 있다. 하나 이상의 네트워크 적응에 의한 ANN의 성공적인 조정은 훈련 시스템의 하나 이상의 네트워크 조정의 동작에 의존할 수 있다.In embodiments, one or more behaviors and operational processes (eg, decision making) of the ANN may be the products of training and retraining processes facilitated by a training system and a retraining system, respectively. The training system may be configured to perform automatic training of the ANN, such as by continuously adding additional instances of training data as collected by or from various data sources. A retraining system may be an efficient, analytical, purposeful retraining of an ANN, for example, based on memory (e.g., stored training data or refined training data) and/or optionally based on inference or other factors. It can be configured to perform. For example, in a deployment management context, a training system may be associated with standard responses by an ANN, while a retraining system may implement DPLF retraining and/or network adaptation of the ANN. In some cases, retraining of an ANN beyond the factory, or “out-of-the-box” training level may involve more than retraining by a retraining system. Successful tuning of an ANN by means of one or more network adaptations may depend on the operation of the one or more network adaptations of the training system.
실시예들에서, 훈련 시스템은 이전 데이터 세트들을 갖는 ANN의 훈련에 기초하여 ANN의 기존 신경 함수들을 적용함으로써 ANN에 의한 빠른 동작 및 ANN의 훈련을 용이하게 할 수 있다. 훈련 시스템에 크게 의존할 수 있는 ANN의 표준 동작 활동들은, 제한 없이, 본 개시 전반에 걸쳐 설명된 방법들, 프로세스들, 작업흐름들, 시스템들 등 및 본 명세서에 포함된 문서들 중 하나 이상을 포함할 수 있다: 네트워킹 내의 정의된 기능들(예를 들어, 이용가능한 네트워크들 및 연결들을 발견하는 것, 네트워크들에서 연결들을 확립하는 것, 디바이스들 및 시스템들 사이의 네트워크 대역폭을 프로비저닝하는 것, 네트워크들 내의 데이터를 라우팅하는 것, 이용가능한 네트워크 경로들로 트래픽을 조종하는 것, 네트워킹 자원들에 걸친 로드 밸런싱(load balancing), 및 많은 다른 것들과 같은); 인식 및 분류(예를 들어, 이미지들, 텍스트, 심볼들, 객체들, 비디오 콘텐츠, 음악 및 다른 오디오 콘텐츠, 스피치 콘텐츠, 및 많은 다른 것들과 같은); 음성 단어들; 상태들 및 이벤트들의 예측(예를 들어, 기계들 또는 시스템들의 고장 모드들의 예측, 작업흐름들 내의 이벤트들의 예측, 쇼핑 및 다른 활동들에서의 거동의 예측들, 및 많은 다른 것들과 같은); 제어(예를 들어, 자율 또는 반자율 시스템들, 자동화된 에이전트들(예를 들어, 자동화된 콜-센터 동작들, 채팅 봇들 등) 및 다른 것들을 제어하는 것); 및/또는 최적화 및 추천(예를 들어, 제품들, 콘텐츠, 결정들, 및 많은 다른 것들에 대한 것). ANN들은 또한 출력만을 요구하는 시나리오들에 대한 훈련 데이터 세트들에 적합할 수 있다. 표준 동작 활동들은, 잘 정의된 사용 사례들에 대한 잘 정의된 출력들을 계산하기 위해, 잘 정의된 데이터 입력들에 대해 동작하는 것을 넘어 ANN이 요청하고 있는 것을 ANN이 능동적으로 분석할 것을 요구하지 않을 수 있다. 훈련 시스템 및/또는 재훈련 시스템의 동작들은 하나 이상의 이력 데이터 훈련 데이터 세트들에 기초할 수 있고, 새로운 입력 값들에 기초하여 결과들을 계산하기 위해 이력 데이터 훈련 데이터 세트들의 파라미터들을 사용할 수 있고, ANN 또는 그의 입력 유형들에 대해 작은 변경들로 또는 변경 없이 수행될 수 있다. 실시예들에서, 훈련 시스템의 인스턴스는, 예컨대 ANN에 의해 분류되고 있는 이미지 또는 사운드가 이력상 높은 정확도로(예를 들어, 임계값 초과로) 분류된 유형인지를 인식함으로써, ANN이 주어진 상황에서 잘 수행할 수 있는지를 분류하도록 훈련될 수 있다.In embodiments, a training system may facilitate fast operation and training of an ANN by applying existing neural functions of the ANN based on training of the ANN with previous data sets. Standard operational activities of an ANN, which may rely heavily on the training system, include, without limitation, one or more of the methods, processes, workflows, systems, etc. described throughout this disclosure and the documents included herein. May include: defined functions within networking (e.g., discovering available networks and connections, establishing connections in networks, provisioning network bandwidth between devices and systems, such as routing data within networks, directing traffic to available network paths, load balancing across networking resources, and many others); Recognition and classification (such as images, text, symbols, objects, video content, music and other audio content, speech content, and many others); spoken words; prediction of states and events (such as prediction of failure modes of machines or systems, prediction of events in workflows, predictions of behavior in shopping and other activities, and many others); Control (e.g., controlling autonomous or semi-autonomous systems, automated agents (e.g., automated call-center operations, chat bots, etc.) and others); and/or optimization and recommendations (e.g., for products, content, decisions, and many others). ANNs can also be suited to training data sets for scenarios that only require output. Standard operational activities will not require the ANN to actively analyze what the ANN is requesting beyond operating on well-defined data inputs to compute well-defined outputs for well-defined use cases. You can. The operations of the training system and/or retraining system may be based on one or more historical data training data sets and may use parameters of the historical data training data sets to calculate results based on new input values, such as an ANN or It can be performed with or without small changes to its input types. In embodiments, an instance of the training system may be configured to determine whether the ANN is capable of performing a task in a given situation, such as by recognizing whether the image or sound being classified by the ANN is of a type that has historically been classified with high accuracy (e.g., above a threshold). They can be trained to classify whether they can perform well or not.
실시예들에서, 훈련 시스템 및 재훈련 시스템 중 하나 또는 둘 모두에 의한 ANN의 네트워크 적응은 새로운 입력 값들의 대상이 될 때 ANN의 다수의 정의된 네트워크 기능들, 지식, 및 직관과 유사한 거동을 포함할 수 있다. 이러한 실시예들에서, 재훈련 시스템은 새로운 입력 값들을 DPLF 시스템에 적용하여 ANN의 기능적 응답을 조정함으로써, ANN의 재훈련을 수행할 수 있다. DPANN 시스템(20000)은, 예를 들어, 제한 없이, 기능적 신경망들이 새로운 문제에 대한 솔루션을 제공하기 위해 ANN을 필요로 하는 활동들 및 과제들을 할당받고, 네트워크 적응 또는 다른 고차 인지 활동에 관여하고, DPANN이 원래 설계된 도메인 외부의 개념을 적용하고, (사용 사례, 성능 요건들, 이용가능한 자원들, 또는 다른 인자들이 변경된 경우와 같은) 배치의 상이한 컨텍스트를 지원하는 경우, 네트워크 조정을 통한 ANN의 재훈련이 필요하다고 결정할 수 있다. ANN은, 예를 들어, 훈련 시스템의 열악한 성능, 훈련 시스템을 훈련하는 데 사용되는 이력 데이터 세트들에 대한 입력 데이터 세트들의 높은 변동성, 새로운 기능적 또는 수행 요건들, 사용 사례 또는 컨텍스트에서의 동적 변화들, 또는 다른 인자들을 인식하도록 ANN을 훈련함으로써, 재훈련 시스템이 필요한 곳을 인식하도록 훈련될 수 있다. ANN은 성능을 평가하고 피드백을 재훈련 시스템에 제공하기 위해 추론을 적용할 수 있다. ANN은 예를 들어, 입력들(예를 들어, 데이터 소스들), 프로세스들/기능들(예를 들어, 신경망 유형들 및 구조들), 피드백, 및 출력들, 또는 이들의 요소들이 다양한 순열들 및 조합들로 배열되는 유전적 프로그래밍을 포함하는 조합적 또는 재조합적 프로세스에 의해 선택적으로 포함하는 직관적인 기능들을 수행하도록 훈련 및/또는 재훈련될 수 있고, ANN은 (시뮬레이션들 또는 라이브 배치들에서) 각각과 관련하여, 예컨대 일련의 라운드들 또는 진화 단계들에서 테스트되어, 주어진 시나리오, 사용 사례, 또는 요건들의 세트에 대해 바람직한 ANN 또는 ANN들의 바람직한 세트가 식별될 때까지 유리한 변형들을 촉진한다. 이것은 재훈련 시스템 및 후속 훈련에 의한 및/또는 베이지안 추론 프로세스, 인과적 또는 조건부 추론 프로세스, 연역적 추론 프로세스, 유도성 추론 프로세스, 또는 본 개시 또는 본원에 참고로 포함된 문서들에 설명된 다른 것들(위의 조합들을 포함함)과 같은 명시적 추론 프로세스에 의해 처리하기 위한 입력 "아이디어들"의 세트(예를 들어, 진단 프로세스에서 원인 및 효과에 관한 상이한 결론들의 조합들)를 생성하는 것을 포함할 수 있다.In embodiments, network adaptation of an ANN by one or both the training system and the retraining system includes a number of defined network functions, knowledge, and intuition-like behavior of the ANN when subjected to new input values. can do. In these embodiments, the retraining system may perform retraining of the ANN by applying new input values to the DPLF system to adjust the functional response of the ANN. DPANN System (20000) includes, for example, and without limitation, functional neural networks being assigned activities and tasks that require ANNs to provide solutions to new problems, engage in network adaptation or other higher-order cognitive activities, and When a DPANN applies concepts outside the domain for which it was originally designed and supports different contexts of deployment (such as when use cases, performance requirements, available resources, or other factors have changed), the re-development of the ANN through network adaptation You may decide that training is needed. ANNs are susceptible to, for example, poor performance of the training system, high variability of input data sets relative to the historical data sets used to train the training system, new functional or performance requirements, and dynamic changes in use cases or context. By training the ANN to recognize , or other factors, a retraining system can be trained to recognize where it is needed. ANNs can apply inference to evaluate performance and provide feedback to the retraining system. ANN may have, for example, inputs (e.g., data sources), processes/functions (e.g., neural network types and structures), feedback, and outputs, or various permutations of these elements. and optionally by a combinatorial or recombinant process involving genetic programming arranged in combinations, the ANN may be trained and/or retrained (in simulations or live batches) ), with respect to each, are tested, e.g., in a series of rounds or evolutionary steps, promoting advantageous variations until a preferred ANN or preferred set of ANNs for a given scenario, use case, or set of requirements is identified. This may be achieved by retraining systems and subsequent training and/or Bayesian inference processes, causal or conditional inference processes, deductive inference processes, inductive inference processes, or other methods described in this disclosure or documents incorporated herein by reference ( may involve generating a set of input "ideas" (e.g., combinations of different conclusions about cause and effect in a diagnostic process) for processing by an explicit inference process (including combinations of the above). You can.
도 2xm을 참조하면, 실시예들에서, DPLF는 재훈련 시스템에 의한 ANN의 재훈련과 같은, 장래의 사용을 위해 데이터 세트들을 저장된 형태로 처리하기 위해 DPLF의 인코딩 프로세스를 수행할 수 있다. 인코딩 프로세스는 메모리에서의 저장 및 메모리로부터의 사용을 더 잘 지원하기 위해 DPLF에 의해 데이터 세트들이 취해지고, 이해되고, 변경될 수 있게 한다. DPLF는 새로운 입력 값들을 통합하기 위해 현재의 기능적 지식 및/또는 추론을 적용할 수 있다. 메모리는 단기 메모리(STM), 장기 메모리(LTM) 또는 이들의 조합을 포함할 수 있다. 데이터 세트는 STM 및 LTM 중 하나 또는 둘 모두에 저장될 수 있다. STM은 ANN 내부의 전문화된 거동들(예컨대, 게이팅(gated)되거나 게이팅되지 않을 수 있는 순환 신경망, 또는 장기 단기 신경망들)의 적용에 의해 구현될 수 있다. LTM은 새로운 시나리오들의 발견에 적용될 수 있는 시나리오들, 연관된 데이터, 및/또는 처리되지 않은 데이터를 저장함으로써 구현될 수 있다. 인코딩 프로세스는, 예를 들어, 시각적 인코딩 데이터(예를 들어, 컨볼루션 신경망을 통해 처리됨), 음향 센서 인코딩 데이터(예를 들어, 무엇인가가 어떻게 사운딩되는지, 음성 인코딩 데이터(예를 들어, 선택적으로 음소 인식을 포함하는, 심층 신경망(DNN)을 통해 처리됨), 예를 들어, 은닉 마르코프 모델(HMM : Hidden Markov Model)을 사용함으로써 의미론적 의미를 결정하기 위한 단어들의 의미론적 인코딩 데이터; 및/또는 이동 및/또는 촉각 인코딩 데이터(예컨대, 진동/가속도계 센서 데이터, 터치 센서 데이터, 위치 또는 지리적 위치 데이터 등에 대한 동작)를 처리 및/또는 저장하는 것을 포함할 수 있다. 데이터 세트들이 이들 모드들 중 하나를 통해 DPLF 시스템에 진입할 수 있지만, 데이터 세트들이 저장되는 형태는 데이터 세트들의 원래 형태와 상이할 수 있고, 압축된 및/또는 컨텍스트 관련 포맷으로 인코딩되도록 신경 처리 엔진들을 통과(pass-through)할 수 있다. 예를 들어, ANN의 감독되지 않은 인스턴스는 이력 데이터를 압축된 포맷으로 학습하는 데 사용될 수 있다.Referring to Figure 2xm, in embodiments, the DPLF may perform an encoding process of the DPLF to process the data sets into a stored form for future use, such as retraining of the ANN by a retraining system. The encoding process allows data sets to be taken, understood, and modified by the DPLF to better support storage in and use from memory. DPLF can apply current functional knowledge and/or reasoning to integrate new input values. Memory may include short-term memory (STM), long-term memory (LTM), or a combination thereof. Data sets may be stored in either or both STM and LTM. STM can be implemented by the application of specialized behaviors inside the ANN (e.g., recurrent neural networks, or long-short-term neural networks, which may be gated or ungated). LTM can be implemented by storing scenarios, associated data, and/or unprocessed data that can be applied to the discovery of new scenarios. The encoding process can, for example, combine visual encoding data (e.g. processed through a convolutional neural network), acoustic sensor encoded data (e.g. how something sounds), speech encoded data (e.g. (processed through a deep neural network (DNN), including phoneme recognition), for example, semantic encoding data of words to determine semantic meaning by using a Hidden Markov Model (HMM); and/ or processing and/or storing movement and/or tactile encoded data (e.g., motion for vibration/accelerometer sensor data, touch sensor data, location or geo-location data, etc.) Data sets may be used in any of these modes. Although they may enter the DPLF system through one, the format in which the data sets are stored may differ from their original form and pass-through neural processing engines to be encoded in a compressed and/or context-relevant format. For example, an unsupervised instance of an ANN can be used to learn historical data in a compressed format.
실시예들에서, 인코딩된 데이터 세트들은 DPLF 시스템 내에 유지된다. 인코딩된 데이터 세트는 먼저 단기 DPLF, 즉 STM에 저장된다. 예를 들어, 센서 데이터 세트는 STM에 일차적으로 저장될 수 있고, 일정한 반복을 통해 STM에 유지될 수 있다. STM에 저장된 데이터 세트는 활성이며 새로운 입력값에 대한 일종의 즉각적 응답으로 기능한다. DPANN 시스템(20000)은, 예를 들어, 새로운 데이터가 임포트, 처리 및/또는 저장될 때 STM에서의 공간 소진(out of space)으로 인한 데이터 스트림들에서의 변화들에 응답하여 STM으로부터 데이터 세트들을 제거할 수 있다. 예를 들어, 단기 DPLF가 15초와 30초 사이에서만 지속되는 것이 가능하다. STM은 ANN 내부에 전형적으로 내장된 소량의 데이터만을 저장할 수 있다.In embodiments, encoded data sets are maintained within the DPLF system. The encoded data set is first stored in short-term DPLF, or STM. For example, a sensor data set may be stored primarily in an STM and maintained in the STM through constant repetition. Data sets stored in STM are active and function as a kind of immediate response to new input.
실시예들에서, DPANN 시스템(20000)은, 예를 들어, ANN으로부터의 출력들에 대한 주의 및/또는 활용의 다양한 표시자들을 소비하고 이에 응답하여 이러한 표시자들을 ANN에 송신함으로써(주의력(attention)이 어떤 것을 간과하고 인지 시스템이 "aha!"를 말하는 뇌에서의 "인식 순간"과 유사함), 훈련 시스템의, 전체로서의 DPANN 시스템(20000)의, 및/또는 유사한 것의 이용에 기초하여 주의력을 측정할 수 있다. 실시예에서, 주의력은 데이터 스트림 상의 시스템 중 하나 또는 둘 모두의 순전히(sheer) 활동량에 의해 측정될 수 있다. 실시예들에서, ANN으로부터의 출력을 사용하는 시스템은, 예컨대, 운영자가 ANN에게 특정 활동에 주의를 기울이도록(예를 들어, 많은 다른 가능성들 중에서, 진단된 문제에 응답하도록) 지시하는 것에 의해 주의력을 명시적으로 나타낼 수 있다. DPANN 시스템(20000)은, 예를 들어, 이력 패턴들로부터의 높은 고유 변동성(예를 들어, 변화율들, 기준(norm)으로부터의 이탈 등에서)을 갖는 데이터, 이력 성능에서의 높은 변동성을 나타내는 데이터(예를 들어, ANN이 훈련에서 불량하게 수행된 상황들에 수반된 데이터 세트들과 유사한 특성들을 갖는 데이터) 등에 대해 더 큰 주의력을 촉구 및/또는 계산함으로써, 주의력 측정들을 용이하게 하기 위해 데이터 입력들을 관리할 수 있다.In embodiments,
실시예에서, DPANN 시스템(20000)은 하나 이상의 저장 프로세스에 따라 및/또는 그 일부로서 DPLF 시스템 내에 인코딩된 데이터 세트를 보유할 수 있다. DPLF 시스템은 인코딩된 데이터 세트들이 STM에 저장되고 ANN, 훈련 프로세스, 재훈련 프로세스 등의 현재 동작에 대해 더 이상 필요하지 않고 및/또는 낮은 우선순위로 결정된 후 필요에 따라 인코딩된 데이터 세트들을 LTM에 저장할 수 있다. LTM은 시나리오들을 저장함으로써 구현될 수 있고, DPANN 시스템(20000)은 연관된 데이터 및/또는 미처리된 데이터를 새로운 시나리오들의 발견에 적용할 수 있다. 예를 들어, 의미론적으로 인코딩된 데이터 세트와 같은 특정 처리된 데이터 스트림으로부터의 데이터는 주로 LTM에 저장될 수 있다. LTM은 또한 많은 다른 예들 중에서, 인코딩된 형태로 이미지(및 센서) 데이터 세트들을 저장할 수 있다.In embodiments,
실시예들에서, LTM은 비교적 높은 저장 용량을 가질 수 있고, LTM 내에 저장된 데이터 세트들은 일부 시나리오들에서 무기한으로 효과적으로 저장될 수 있다. DPANN 시스템(20000)은, 예를 들어, 이용을 트리거하기 위해 점점 더 긴 검색 기간들 또는 점점 더 높은 임계 요건들을 갖는 일련의 메모리 구조들을 통해 LTM 데이터를 전달함으로써(생물학적 뇌가 도전적인 문제를 처리하는 선례를 찾기 위해 "매우 어렵게 생각하는" 것과 유사함), LTM으로부터 데이터 세트들을 제거하도록 구성될 수 있고, 이에 의해 상황이 더 포괄적인 메모리 이용을 정당화할 때 (더 많은 시간/노력으로) 오래된 메모리들을 검색하는 능력을 유지하면서 더 최근의 또는 더 빈번하게 사용되는 메모리들의 증가된 중요점(salience)을 제공한다. 이와 같이, DPANN 시스템(20000)은, 예를 들어, 더 오래된 메모리들(발신 시간 및/또는 이용의 최신 시간에 의해 측정됨)을 별개의 및/또는 더 느린 시스템 상에 저장함으로써, 더 오래된 메모리들의 검색에 인위적인 지연들을 부과함에 의해 페널티를 부과함으로써, 및/또는 이용 전에 임계 요건들(예컨대, 개선된 결과들에 대한 높은 수요의 표시자들)을 부과함으로써, 타임라인 상에 LTM에 저장된 데이터 세트들을 배열할 수 있다. 추가적으로 또는 대안적으로, LTM은 토픽(topic)에 의한 것과 같은 다른 분류 프로토콜에 따라 클러스터링(cluster)될 수 있다. 예를 들어, 주기적으로 인식된 사람에 대해 시간적으로 근접한 모든 메모리들은 함께 검색을 위해 클러스터링될 수 있고/있거나 시나리오와 관련된 모든 메모리들은 함께 검색을 위해 클러스터링될 수 있다.In embodiments, the LTM may have a relatively high storage capacity, and data sets stored within the LTM may effectively be stored indefinitely in some scenarios.
실시예들에서, DPANN 시스템(20000)은, 예를 들어, 카탈로그, 계층, 클러스터, 지식 그래프(방향성/비순환 또는 조건부 로직을 가짐) 등에서, LTM 데이터 세트들을 모듈화하고 링크하여, 관련 메모리들에 대한 검색을 용이하게 할 수 있다. 예를 들어, 사람, 토픽, 아이템, 프로세스, 그러한 것들의 n-튜플(tuple)들의 연결(예를 들어, 엔티티들의 선택된 쌍을 포함하는 모든 메모리 모듈들) 등을 포함하는 인스턴스들을 갖는 모든 메모리 모듈들. DPANN 시스템(20000)은, 로봇 또는 인간 에이전트들, 및/또는 유사한 로봇 또는 인간 에이전트들의 특정 세트와 관련된 메모리들을 사용함으로써 로봇 또는 인간 에이전트 거동을 예측하기 위한 모델을 훈련하는 것과 같은, 하나 이상의 도메인-특정 및/또는 태스크-특정적 사용들로 구현할 DPLF에 대한 지식 그래프의 서브-그래프들을 선택할 수 있다. DPLF 시스템은 상이한 속도 및/또는 이용 가능성 때문에 자주 사용되는 모듈들을 캐싱할 수 있다. 고가치 모듈들(예를 들어, 고품질 결과들, 성능 특성들 등을 갖는 것들)은 STM 보관/망각(keep/forget) 프로세스들의 선택/훈련과 같은 다른 기능들을 위해 사용될 수 있다.In embodiments, the
실시예들에서, DPANN 시스템(20000)은 관련 메모리들에 대한 검색을 용이하게 하기 위해, 위에서 언급된 다양한 방식들에서와 같이, LTM 데이터 세트들을 모듈화하고 링크할 수 있다. 예를 들어, 사람, 토픽, 아이템, 프로세스, 그러한 것들의 n-튜플들의 연결(예를 들어, 엔티티들의 선택된 쌍을 포함하는 모든 메모리 모듈들), 또는 시나리오와 연관된 모든 메모리들 등을 수반하는 인스턴스들을 갖는 메모리 모듈들이 연결 및 검색될 수 있다. DPANN 시스템(20000)은, 로봇 또는 인간 에이전트들 및/또는 유사한 로봇 또는 인간 에이전트들의 특정 세트와 관련된 메모리들을 사용함으로써 로봇 또는 인간 에이전트 거동을 예측하기 위해 모델을 훈련하는 것과 같은, 도메인-특정적 및/또는 태스크-특정적 사용을 위해 DPLF에 대한 시나리오의 서브세트들(예를 들어, 지식 그래프의 서브그래프들)을 선택할 수 있다. 자주 사용하는 모듈이나 시나리오는 속도/사용 가능성 또는 기타 성능 특성 때문에 캐시에 저장될 수 있다. 고가치 모듈 또는 시나리오(고품질 결과가 나오는 시나리오)는 특히 STM 보관/망각 프로세스의 선택/훈련과 같은 다른 기능에 사용할 수 있다.In embodiments,
실시예들에서, DPANN 시스템(20000)은, 예를 들어, 전체 성능 측정치들을 최적화하면서 그의 목표들에 도달하기 위해 선언적으로 설명된 시스템에 대한 절차적 행동 과정을 찾기 위해 LTM 계획을 수행할 수 있다. DPANN 시스템(20000)은, 예를 들어, 문제가 선언적 방식으로 설명될 수 있고, DPANN 시스템(20000)이 무시되지 않아야 하는 도메인 지식을 갖고, 문제를 순수 학습 기술들에 대해 어렵게 하는 구조에 대한 문제가 있고, 및/또는 ANN이 DPANN 시스템(20000)에 의해 취해진 특정 행동 과정을 설명할 수 있도록 훈련 및/또는 재훈련될 필요가 있을 때 LTM 계획을 수행할 수 있다. 실시예들에서, DPANN 시스템(20000)은 계획 인식 문제, 즉 계획 문제의 역에 적용될 수 있다: 목표 상태 대신에, 가능한 목표들의 세트가 주어지고, 계획 인식에서의 목적은 어느 목표가 달성되고 있었는지 및 방법을 알아내는 것이다.In embodiments,
실시예에서, DPANN 시스템(20000)은 장기 계획을 개발하기 위해 사용자에 의한 LTM 시나리오 계획을 용이하게 할 수 있다. 예를 들어, 위험 관리 사용 사례들에 대한 LTM 시나리오 계획은, 많은 다른 것들 중에서, 벨 곡선(bell curve) 또는 정상 분포 밖에 있는 것들과 같이, 일상 동작들에서 일반적으로 고려되지 않지만, 사실상 정보 또는 시장 가격 책정 프로세스들을 수반하는 것과 같이, "롱 테일(long tail)" 또는 "팻 테일(fat tail)" 상황들에서 예상보다 더 많은 빈도로 발생하는, 극단적이거나 비정상적이지만, 가능성있는 위험들 및 기회들을 식별하는 것에 추가적인 강조를 둘 수 있다. LTM 시나리오 계획은 현재 상황을 설명하기 위해 (사회적, 기술적, 경제적, 환경적, 및/또는 정치적 트렌드들과 같은) 영향력들 사이의 관계들을 분석하는 것을 수반할 수 있고/있거나 잠재적인 미래 상태들에 대한 시나리오들을 제공하는 것을 포함할 수 있다.In embodiments,
실시예들에서, DPANN 시스템(20000)은 예측된 상태들에 응답하는 능력과 함께 가능한 대안 미래들을 예측하고 예상하기 위한 LTM 시나리오 계획을 용이하게 할 수 있다. LTM 계획은 전문가 도메인 지식으로부터 유도될 수 있거나 현재 시나리오들로부터 투영될 수 있는데, 그 이유는 (새로운 엔티티들 또는 거동들을 초래하는 조합 프로세스들의 결과들을 포함하는 것들과 같은) 많은 시나리오들이 아직 발생하지 않았고 따라서 이력 분포들에 전적으로 의존하는 확률적 수단에 의해 투영될 수 없기 때문이다. DPANN 시스템(20000)은 많은 상이한 시나리오들을 생성하기 위해 LTM에 대한 애플리케이션을 준비하여, 예상된 및 놀라운 미래들 둘 모두에 대해 DPLM에 대한 다양한 가능한 미래들을 탐색할 수 있다. 이는 특히 위에서 언급된 바와 같은 유전 프로그래밍 및 추론 기술에 의해 용이하게 되거나 증대될 수 있다.In embodiments,
실시예들에서, DPANN 시스템(20000)은 위험 관리를 계획 인식 문제로 변환하는 것을 용이하게 하고 DPLF를 적용하여 가능한 솔루션들을 생성하기 위해 LTM 시나리오 계획을 구현할 수 있다. LTM 시나리오 유도는 계획 예측에서 발생하는 여러 가지 문제를 해결한다. LTM 시나리오 유도는, 예를 들어, 예측을 위해 사용되는 모델들이 일관되지 않고, 누락되고, 신뢰할 수 없는 관측들을 가질 때; 단지 하나만이 아니라 많은 미래의 계획들을 생성하는 것이 가능할 때; 및/또는 LTM 도메인 지식이 캡처되고 인코딩되어 예측을 개선할 수 있을 때(예를 들어, 도메인 전문가들이 이용가능한 계산 모델들을 능가하는 경향이 있는 경우) 적용가능할 수 있다. LTM 시나리오는 위험 관리를 위한 LTM 시나리오 계획을 적용하는 것에 포커싱할 수 있다. LTM 시나리오 계획은 새로운 스토리라인들을 검출함으로써 관련 위험 드라이버들의 상황 인식을 제공할 수 있다. 또한 LTM 시나리오 계획은 DPLM 또는 운영자가 미래의 우발사항 및 기회에 대해 설명하고 계획할 수 있도록 하는 미래 시나리오를 생성할 수 있다.In embodiments,
실시예들에서, DPANN 시스템(20000)은 ANN의 저장된 데이터 세트들에 액세스하기 위해 DPLF를 통해 검색 프로세스를 수행하도록 구성될 수 있다. 검색 프로세스는 리콜을 테스트하도록 설계된 할당들에 대해 ANN이 얼마나 잘 수행하는지를 결정할 수 있다. 예를 들어, ANN은 제어된 차량 주차 동작을 수행하도록 훈련될 수 있으며, 이에 의해 자율 차량은 LTM에 저장된 데이터의 검색을 통해 이전 방문을 연관시킴으로써, 지정된 지점 또는 출구로 복귀한다. STM 및 LTM에 저장된 데이터 세트들은 상이한 프로세스들에 의해 검색될 수 있다. STM에 저장된 데이터 세트는 특정 입력에 응답하여 및/또는 데이터 세트가 저장되는 순서에 의해, 예를 들어, 순차적인 번호 리스트에 의해 검색될 수 있다. LTM에 저장된 데이터 세트들은 이벤트들의 이력 활동들에 대한 연관 및/또는 매칭을 통해, 예를 들어, 큰 데이터 세트들의 복잡한 연관들 및 인덱싱을 통해 검색될 수 있다.In embodiments,
실시예에서, DPANN 시스템(20000)은 검색 프로세스의 적어도 일부로서 시나리오 모니터링을 구현할 수 있다. 시나리오는 컨텍스트 의사 결정 프로세스들에 대한 컨텍스트를 제공할 수 있다. 실시예들에서, 시나리오들은 명시적 추론(예컨대, 원인-및-결과 추론, 베이지안, 인과적, 조건부 로직 등, 또는 이들의 조합들)을 수반할 수 있으며, 그 출력은 어떤 LTM-저장된 데이터가 검색되는지를 선언한다(예를 들어, 평가되고 있는 이벤트들의 타임라인 및 잠재적으로 유사한 원인-및-결과 패턴을 따르는 이벤트들을 수반하는 다른 타임라인들). 예를 들어, 기계 또는 작업흐름의 고장의 진단은 이력 센서 데이터뿐만 아니라 해당 유형의 기계 또는 작업흐름의 다양한 고장 모드들(및/또는 문제 상태 또는 조건의 진단, 이벤트 또는 거동의 인식, 고장 모드(예를 들어, 금융 고장, 계약 위반 등), 또는 많은 다른 것들을 포함하는 유사한 프로세스)에 관한 LTM 데이터를 검색할 수 있다.In embodiments,
결론(CONCLUSION)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.Background information is presented merely for context and is not necessarily well-known, routine, or conventional. Additionally, the background description is not an admission of what may or may not qualify as prior art. In fact, some or all of the background description may be the work of the named inventor, who is not otherwise known in the art.
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.Physical (e.g., spatial and/or electrical) and functional relationships between elements (e.g., between modules, circuit elements, semiconductor layers, etc.) are described using various terms. Unless explicitly described as being “direct,” when a relationship between a first element and a second element is described, that relationship (i) is defined as such: (i) no other intervening elements exist between the first element and the second element; It includes both direct relationships and (ii) indirect relationships where one or more intervening elements exist between the first element and the second element. Exemplary relationship terms include “attached,” “sending,” “receiving,” “connected,” “involved,” “coupled,” “adjacent,” “next to,” “above,” “above,” and “below.” Includes “on,” “adjacent to,” and “placed on.”
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.The detailed description includes specific examples for illustrative purposes only and does not limit the disclosure or its applicability. The examples are not intended to be an exhaustive list, but rather are simply intended to demonstrate that the full scope of the presently presented and contemplated future claims belongs to the inventor. Modifications, combinations and equivalents of the examples are within the scope of this disclosure. No language in the specification should be construed as indicating that any non-claimed element is essential or critical to the practice of the disclosure.
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.The term “exemplary” simply means “example” and does not refer to the best or preferred example. The term "set" does not necessarily exclude empty sets, that is, in some situations a "set" may have zero elements. The term "non-empty set" may be used to indicate the exclusion of an empty set, i.e., a non-empty set must have at least one element. The term "subset" does not necessarily require a true subset. That is, a “subset” of the first set may span the same space as the first set. Additionally, the term "subset" does not necessarily exclude empty sets in some situations, and a "subset" may have zero elements.
"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.The phrase "at least one of A, B, and C" shall be interpreted to mean logic (A or B or C) using the non-exclusive logical OR, and "at least one A, at least one B, and at least It should not be interpreted to mean "one C". The use of singular terms and similar referents in the context of describing the present disclosure and claims includes both the singular and the plural, unless explicitly or contradictory by context. Unless otherwise specified, the terms “comprising,” “having,” “with,” “including,” and “containing,” and their Variants are open-ended terms meaning “including, but not limited to.”
외국 및 국내 특허 출원 및 특허를 포함하여 본 개시에서 참조된 각각의 간행물은 그 전문이 본 출원에 참조로 포함된다.Each publication referenced in this disclosure, including foreign and domestic patent applications and patents, is hereby incorporated by reference in its entirety.
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.Although each of the embodiments has been described above as having specific features, any one or more of such features described in connection with any embodiment of the present disclosure may be used in any of the other embodiments, even if the combination thereof is not explicitly described. It may be implemented in the features of and/or combined with it. That is, the described embodiments are not mutually exclusive, and permutations of many embodiments remain within the scope of the present disclosure.
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.One or more elements (e.g., steps, instructions, actions, or operations) within a method may be executed in a different order (and/or simultaneously) without changing the principles of the present disclosure. Unless technically infeasible, elements described as serial may be implemented partially or fully in parallel. Similarly, unless technically infeasible, elements described as parallel may be implemented partially or fully serially.
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.Although this disclosure describes structures that correspond to claimed elements, such elements do not necessarily invoke a functional interpretation of the claims unless the "means for" description is explicitly used. Unless otherwise indicated, recitations of ranges of values are intended to serve only as a shorthand way of referring individually to each individual value falling within the range, and each individual value is incorporated into the specification as if it were individually recited. .
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.The drawings divide elements of the disclosure into different functional blocks or action blocks, but this division is for illustrative purposes only. According to the principles of the present disclosure, functionality can be combined in different ways such that some or all functionality from multiple individually shown blocks can be implemented in a single functional block; Similarly, functionality displayed in a single block may be separated into multiple blocks. Unless explicitly stated to be mutually exclusive, features shown in different drawings may be combined consistent with the principles of the disclosure.
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.In the drawings, reference numbers may be reused to identify identical elements or may simply identify elements that implement similar functionality. The numbering or other labeling of instructions or method steps is intended for convenient reference and not to indicate a fixed order. In the drawings, the direction of arrows, as indicated by arrow heads, generally shows the flow of information (such as data or instructions) relevant to the example. For example, when element A and element B exchange various information, but information transmitted from element A to element B is relevant for the example, an arrow may point from element A to element B. This one-way arrow does not imply that no other information is transmitted from element B to element A. As just one example, for information sent from element A to element B, element B may send a request and/or acknowledgment to element A.
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.Special purpose systems include hardware and/or software and may be described in terms of devices, methods, or computer-readable media. In various embodiments, functionality may be allocated differently between software and hardware. For example, some functionality may be implemented by hardware in one embodiment and by software in another embodiment. Additionally, software can be encoded by hardware structures, and hardware can be defined by software, as in software-defined networking or software-defined radio.
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.In this application, including the claims, the term module refers to a special purpose system. A module may be implemented by one or more special-purpose systems. One or more special-purpose systems may also implement some or all of the other modules. In this application, including the claims, the term module may be replaced by the term controller or circuit. In this application, including the claims, the term platform refers to one or more modules that provide a set of functionality. In this application, including the claims, the term system may be used interchangeably with the term module or special purpose system.
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.Special purpose systems can be directed or controlled by an operator. A special purpose system may be hosted by one or more of assets owned by the operator, assets leased by the operator, and third party assets. The asset may be referred to as a private, community, or hybrid cloud computing network or cloud computing environment. For example, special-purpose systems may be partially or fully hosted by third parties providing software as a service (SaaS), platform as a service (PaaS), and/or infrastructure as a service (IaaS). . Special-purpose systems can be implemented using agile DevOps (agile development and operations) principles. In embodiments, some or all of a special purpose system may be implemented in a multi-environment architecture. For example, multiple environments may include one or more production environments, one or more integration environments, one or more development environments, etc.
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.A special purpose system may be implemented partially or fully using or by a mobile device. Examples of mobile devices include navigation devices, cell phones, smartphones, mobile phones, mobile personal digital assistants, palmtops, netbooks, pagers, e-book readers, tablets, music players, etc. A special purpose system may be implemented partially or fully using or by a network device. Examples of network devices include switches, routers, firewalls, gateways, hubs, base stations, access points, repeaters, head-ends, user equipment, cell sites, antennas, towers, etc.
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.Special purpose systems can be partially or fully implemented using computers of various form factors and different characteristics. For example, a computer may be characterized as a personal computer, server, etc. The computer may be portable, as in the case of a laptop, netbook, etc. A computer may or may not have any output devices, such as a monitor, line printer, liquid crystal display (LCD), light emitting diode (LED), etc. A computer may or may not have any input devices such as a keyboard, mouse, touchpad, trackpad, computer vision system, barcode scanner, button array, etc. The computer may run a general-purpose operating system, such as a variant of the WINDOWS operating system from Microsoft Corporation, the MACOS operating system from Apple, Inc., or the LINUX operating system. Examples of servers include file servers, print servers, domain servers, Internet servers, intranet servers, cloud servers, infrastructure-as-a-service servers, platform-as-a-service servers, web servers, secondary servers, host servers, distributed servers, failover servers, and Includes backup server.
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.The term hardware includes components such as processing hardware, storage hardware, networking hardware, and other general-purpose and special-purpose components. Note that these are not mutually exclusive categories. For example, processing hardware may integrate storage hardware, and vice versa.
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.Examples of components include integrated circuits (ICs), application-specific integrated circuits (ASICs), digital circuit elements, analog circuit elements, combinational logic circuits, gate arrays such as field programmable gate arrays (FPGAs), digital signal processors (DSPs), and complex Programmable logic devices (CPLD), etc.
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 라디오 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.Multiple components of hardware may be integrated, for example, on a single die, within a single package, or on a single printed circuit board or logic board. For example, multiple components of hardware may be implemented as a system-on-chip. A component, or set of integrated components, may be referred to as a chip, chipset, chiplet, or chip stack. Examples of system-on-chip include radio frequency (RF) system-on-chip, artificial intelligence (AI) system-on-chip, video processing system-on-chip, organs-on-chip, and quantum algorithm system-on-chip. Including chips, etc.
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 캡처을 포함할 수 있다.Hardware may integrate and/or receive signals from sensors. Sensors measure temperature, pressure, wear, light, humidity, strain, expansion, contraction, deflection, bending, stress, strain, load-bearing, contraction, power, energy, mass, position, temperature, humidity, pressure, viscosity, and liquid flow. , may allow for the observation and measurement of conditions including chemical/gas presence, sound, and air quality. The sensor may include image and/or video capture in visible and/or invisible (e.g., thermal) wavelengths, such as a charge-coupled device (CCD) or complementary metal-oxide semiconductor (CMOS) sensor.
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.Examples of processing hardware include central processing units (CPUs), graphics processing units (GPUs), approximate computing processors, quantum computing processors, parallel computing processors, neural network processors, signal processors, digital processors, data processors, embedded processors, microprocessors, and Includes a coprocessor. A coprocessor may provide additional processing capabilities and/or optimizations, such as for speed or power consumption. Examples of coprocessors include math coprocessors, graphics coprocessors, communications coprocessors, video coprocessors, and artificial intelligence (AI) coprocessors.
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.A processor may enable execution of multiple threads. These multiple threads may correspond to different programs. In various embodiments, a single program may be implemented as multiple threads by a programmer or may be decomposed into multiple threads by processing hardware. Threads can run concurrently to improve processor performance and facilitate concurrent operation of applications. A processor may be implemented as a packaged semiconductor die. A die contains one or more processing cores and may include additional functional blocks such as a cache. In various embodiments, a processor may be implemented by multiple dies that may be combined into a single package or packaged individually.
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.Networking hardware may include one or more interface circuits. In some examples, the interface circuit(s) may implement a wired or wireless interface that connects directly or indirectly to one or more networks. Examples of networks include cellular networks, local area networks (LANs), wireless personal area networks (WPANs), metropolitan area networks (MANs), and/or wide area networks (WANs). The network may include one or more of point-to-point and mesh technologies. Data transmitted or received by a networking component may traverse the same or different networks. Networks can be connected to each other over WANs or point-to-point leased lines using technologies such as Multiprotocol Label Switching (MPLS) and virtual private networks (VPN).
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.Examples of cellular networks include GSM, GPRS, 3G, 4G, 5G, LTE, and EVDO. Cellular networks may be implemented using frequency division multiple access (FDMA) networks or code division multiple access (CDMA) networks. Examples of LANs are Institute of Electrical and Electronics Engineers (IEEE) Standard 802.11-2020 (also known as the WIFI wireless networking standard) and IEEE Standard 802.3-2018 (also known as the ETHERNET wired networking standard). Examples of WPAN include IEEE standard 802.15.4, which includes the ZIGBEE standard from the ZigBee Alliance. Other examples of WPANs include the Bluetooth wireless networking standard, including Core Specification versions 3.0, 4.0, 4.1, 4.2, 5.0, and 5.1 from the Bluetooth Special Interest Group (SIG). WAN may also be referred to as a distributed communications system (DCS). One example of a WAN is the Internet.
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.Storage hardware is or includes computer-readable media. The term computer-readable media, as used in this disclosure, includes both volatile and non-volatile storage, such as dynamic random access memory (DRAM). The term computer-readable medium excludes only transient electrical or electromagnetic signals propagating through the medium (e.g., on a carrier wave). Accordingly, computer-readable media in this disclosure may be considered non-transitory and also tangible.
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.Examples of storage implemented by storage hardware include databases (e.g., relational databases or NoSQL databases), data stores, data lakes, column stores, and data warehouses. Examples of storage hardware include non-volatile memory devices, volatile memory devices, magnetic storage media, storage area network (SAN), network-attached storage (NAS), optical storage media, printing media (such as barcodes and magnetic ink), and ( Includes paper media (such as punch cards and paper tape). Storage hardware may include cache memory that may be co-located or integrated with processing hardware. Storage hardware may have read-only, write-once, or read/write characteristics. Storage hardware may be random access or sequential access. Storage hardware may be location-addressable, file-addressable, and/or content-addressable.
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.Examples of non-volatile memory devices include flash memory (including NAND and NOR technologies), solid state drives (SSD), erasable programmable read-only memory devices such as electrically erasable programmable read-only memory (EEPROM) devices, and ROM. Includes (mask read-only memory device). Examples of volatile memory devices include random access memory (RAM) and processor registers such as static RAM (SRAM), dynamic RAM (DRAM), synchronous DRAM (SDRAM), synchronous graphics RAM (SGRAM), and video RAM (VRAM). do. Examples of magnetic storage media include analog magnetic tape, digital magnetic tape, and rotating hard disk drives (HDD). Examples of optical storage media include CDs (eg, CD-R, CD-RW, or CD-ROM), DVDs, Blu-ray Discs, and Ultra HD Blu-ray Discs.
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.Examples of storage implemented by storage hardware include distributed ledgers, such as permissioned or permissionless blockchains. As in blockchain, the entities recording transactions can reach consensus using algorithms such as proof-of-stake, proof-of-work, and proof-of-storage. Elements of the present disclosure may be represented by or encoded as a non-fungible token (NFT). Ownership rights associated with non-fungible tokens may be recorded in or referenced by a distributed ledger. Transactions initiated by or related to this disclosure may use one or both fiat currency and cryptocurrency, examples of which include bitcoin and ether. Some or all features of the hardware may be defined using languages for hardware description, such as IEEE Std 1364-2005 (commonly referred to as "Verilog") and IEEE Std 1076-2008 (commonly referred to as "VHDL"). You can. A hardware description language can be used to manufacture and/or program hardware.
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.Special-purpose systems can be distributed across multiple different software and hardware entities. Communication within and between special purpose systems can be accomplished using networking hardware. The distribution may vary across embodiments and may change over time. For example, the distribution may vary based on demand, and additional hardware and/or software entities are invoked to handle higher demands. In various embodiments, a load balancer may direct requests to one of multiple instantiations of a special-purpose system. Hardware and/or software entities may be physically distinct and/or may share some hardware and/or software, such as in a virtualized environment. Multiple hardware entities may be referred to as server racks, server farms, data centers, etc.
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.Software includes machine readable and/or executable instructions. Instructions can be logically grouped into programs, code, methods, steps, actions, routines, functions, libraries, objects, classes, etc. Software may be stored by storage hardware or encoded on other hardware. The software consists of (i) descriptive text to be parsed, such as hypertext markup language (HTML), extensible markup language (XML), and JavaScript Object Notation (JSON), (ii) assembly code, and (iii) source code generated by a compiler. (iv) source code for execution by an interpreter, (v) byte code, (vi) source code for compilation and execution by a just-in-time compiler, etc. By way of example only, source code may be written using syntax from languages including C, C++, JavaScript, Java, Python, R, etc.
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.Software also includes data. However, data and instructions are not mutually exclusive categories. In various embodiments, instructions may be used as data in one or more operations. As another example, instructions may be derived from data. The functional blocks and flow diagram elements in this disclosure serve as software specifications, which can be converted into software by the routine work of a skilled technician or programmer. Software includes firmware, processor microcode, operating system (OS), basic input/output system (BIOS), application programming interfaces (APIs), libraries such as dynamic-link libraries (DLLs), device drivers, hypervisors, user applications, May include and/or rely on background services, background applications, etc. Software includes native applications and web applications. For example, a web application can be served to a device through a browser using HTML5 (hypertext markup language 5th revision).
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.The Software may contain artificial intelligence systems, which may include machine learning or other computational intelligence. For example, artificial intelligence may include one or more models used in one or more problem domains. When presented with many data features, identification of a subset of features related to the problem domain can improve prediction accuracy, reduce storage space, and increase processing speed. This identification may be referred to as feature engineering. Feature engineering can be performed by the user or guided only by the user. In various implementations, a machine learning system may computationally identify relevant features, such as performing singular value decomposition on the contributions of different features to the output.
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.Examples of models include recurrent neural networks (RNN) such as long short term memory (LSTM), transformers, decision trees, support-vector machines, genetic algorithms, Bayesian networks, and deep learning models such as regression analysis. Examples of systems based on the transformer model include bidirectional encoder representations from transformers (BERT) and generative pre-trained transformers (GPT). Training a machine learning model may include supervised learning (e.g., based on labeled input data), unsupervised learning, and reinforcement learning. In various embodiments, machine learning models may be pre-trained by the operator or by a third party. Problem domains include almost any situation in which structured data can be collected, and include natural language processing (NLP), computer vision (CV), classification, image recognition, etc.
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 자원은, 예를 들어, DOCKER 컨테이너 플랫폼, 피봇 클라우드 파운드리(PCF) 플랫폼 등을 사용하여 제어될 수 있다.Some or all of the software may run in a virtual environment rather than directly on hardware. The virtual environment may include a hypervisor, emulator, sandbox, container engine, etc. Software can be built as a virtual machine, container, etc. Virtualized resources may be controlled using, for example, the DOCKER container platform, the Pivot Cloud Foundry (PCF) platform, etc.
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.In the client-server model, some portions of the software run on a first piece of hardware that is functionally identified as a server, while other pieces of software run on a second piece of hardware that is functionally identified as a client. The identities of the client and server are not fixed: for some functions the first hardware may act as a server, while for other functions the first hardware may act as a client. In different embodiments and in different scenarios, functionality may be shifted between client and server. In one dynamic example, some functionality normally performed by the second hardware is shifted to the first hardware when the second hardware has less capability. In various embodiments, the term “local” may be used in place of “client” and the term “remote” may be used in place of “server.”
소프트웨어의 일부 또는 전부는 마이크로서비스로 논리적으로 파티셔닝될 수 있다. 각각의 마이크로서비스는 기능의 감소된 서브세트를 제공한다. 다양한 실시예에서, 각각의 마이크로서비스는, 마이크로서비스에 더 많은 자원을 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.Some or all of the software can be logically partitioned into microservices. Each microservice provides a reduced subset of functionality. In various embodiments, each microservice can be scaled independently depending on the load, either by devoting more resources to the microservice or by instantiating more instances of the microservice. In various embodiments, the functionality provided by one or more microservices may be combined with each other and/or with other software that does not conform to the microservice model.
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.Some or all of the software can be logically arranged into layers. In a layered architecture, the second layer may be logically placed between the first and third layers. The first and third layers will then generally interact with the second layer without interacting with each other. In various embodiments, this is not strictly enforced - that is, some direct communication may occur between the first and third layers.
Claims (88)
제품 프로세서, 제품 메모리, 및 제품 네트워크 인터페이스를 각각 갖는 디지털 제품들의 세트; 및
제어 타워 프로세서, 제어 타워 메모리 및 제어 타워 네트워크 인터페이스를 갖는 제품 네트워크 제어 타워를 포함하되,
상기 제품 프로세서 및 상기 제어 타워 프로세서는,
상기 제품 프로세서에서 제품 레벨 데이터(product level data)를 생성하고;
상기 제품 네트워크 인터페이스로부터 상기 제품 레벨 데이터를 송신하고;
상기 제어 타워 네트워크 인터페이스에서 상기 제품 레벨 데이터를 수신하고;
상기 제품 레벨 데이터를, 상기 디지털 제품들의 세트에 걸쳐 상기 제품 레벨 데이터에 의해 표시된 파라미터들을 전달하도록 구성된 제품 레벨 데이터 구조로 인코딩하고; 및
상기 제품 메모리 및 상기 제어 타워 메모리 중 적어도 하나에 상기 제품 레벨 데이터 구조를 기록하도록 상기 디지털 제품 네트워크 시스템을 프로그래밍하는 비일시적 명령어들을 총괄하여 포함하는, 디지털 제품 네트워크 시스템.In a digital product network system,
A set of digital products each having a product processor, product memory, and product network interface; and
A product network control tower having a control tower processor, a control tower memory, and a control tower network interface,
The product processor and the control tower processor,
generate product level data at the product processor;
transmit the product level data from the product network interface;
receive the product level data at the control tower network interface;
encode the product level data into a product level data structure configured to convey parameters indicated by the product level data across the set of digital products; and
A digital product network system, collectively comprising non-transitory instructions that program the digital product network system to write the product level data structure to at least one of the product memory and the control tower memory.
적어도 하나의 사용자 인터페이스 디스플레이를 갖는 그래픽 사용자 인터페이스를 생성하고;
상기 적어도 하나의 사용자 인터페이스 디스플레이에서 상기 디지털 제품들의 세트의 적어도 하나의 디지털적으로 인에이블된 제품의 파라미터들을 생성하고; 및
상기 적어도 하나의 사용자 인터페이스 디스플레이에서 상기 디지털 제품들의 세트 중 근위 디지털 제품들의 근접 디스플레이(proximity display)를 생성하도록 추가로 프로그래밍되는, 디지털 제품 네트워크 시스템.2. The system of claim 1, further comprising a display associated with at least one of the product network control tower or the set of digital products, the digital product network system comprising:
create a graphical user interface having at least one user interface display;
generate parameters of at least one digitally enabled product of the set of digital products in the at least one user interface display; and
and further programmed to generate a proximity display of proximal digital products of the set of digital products in the at least one user interface display.
상기 디지털 제품들의 세트의 상태를 식별하고;
상기 상태를 상기 제품 레벨 데이터 구조의 파라미터 중 하나로 인코딩하고; 및
상기 디지털 제품들의 세트에 걸쳐 상기 상태를 추적 또는 모니터링하는 것 중 적어도 하나를 위해 추가로 프로그래밍되는, 디지털 제품 네트워크 시스템.The method of claim 1, wherein the digital product network system:
identify the status of the set of digital products;
encode the state into one of the parameters of the product level data structure; and
A digital product network system, further programmed to at least one of: track or monitor the condition across the set of digital products.
제품 메모리, 제품 네트워크 인터페이스, 및 제품 명령어들로 프로그래밍된 제품 프로세서를 각각 갖는 디지털 제품들의 세트;
제어 타워 메모리, 제어 타워 네트워크 인터페이스, 및 제어 타워 명령어로 프로그래밍된 제어 타워 프로세서를 갖는 제품 네트워크 제어 타워; 및
상기 제품 명령어들 또는 상기 제어 타워 명령어들 중 적어도 하나에 의해,
상기 디지털 제품들의 세트를 나타내는 디지털 트윈들의 세트를 인코딩하도록 적어도 부분적으로 정의된 디지털 트윈 시스템을 포함하는, 디지털 제품 네트워크 시스템. In a digital product network system,
A set of digital products each having a product memory, a product network interface, and a product processor programmed with product instructions;
A product network control tower having a control tower memory, a control tower network interface, and a control tower processor programmed with control tower instructions; and
By at least one of the product instructions or the control tower instructions,
A digital product network system, comprising a digital twin system defined at least in part to encode a set of digital twins representing the set of digital products.
적응형 사용자 인터페이스(adaptive user interface)를 생성하고; 및
상기 디지털 제품들의 세트의 디지털 제품들에 대한 사용자의 연관성 또는 근접도 중 적어도 하나에 기초하여 이용가능한 데이터, 특징들, 또는 시각적 표현들 중 적어도 하나를 상기 적응형 사용자 인터페이스에 적응시키도록 추가로 정의된, 디지털 제품 네트워크 시스템.The method of claim 19, wherein the digital twin system,
create an adaptive user interface; and
further define to adapt at least one of the available data, features, or visual representations to the adaptive user interface based on at least one of the user's association or proximity to digital products of the set of digital products. , digital product network system.
복수의 디지털 트윈들에 표현된 공통 자산 유형(common asset type)에 대한 디지털 트윈들의 세트 중 복수의 디지털 트윈들로부터의 성능 데이터를 집계하고; 및
검색을 위해 집계된 상기 성능 데이터를 성능 데이터 세트(performance data set)에 연관시키도록 추가로 정의되는, 디지털 제품 네트워크 시스템.The method of claim 19, wherein the digital twin system,
Aggregating performance data from a plurality of digital twins among a set of digital twins for a common asset type represented in the plurality of digital twins; and
A digital product network system further defined to associate said aggregated performance data to a performance data set for retrieval.
비일시적 컴퓨터 판독가능 명령어들의 세트로 프로그래밍된 하나 이상의 프로세서들의 세트를 포함하고, 상기 비일시적 컴퓨터 판독가능 명령어들은,
데이터 소스로부터, 제품을 매수 또는 매도하는 것 중 적어도 하나의 엔티티(entity)와 관련된 제품과 연관된 표시를 수신하고;
상기 표시에 기초하여 미래 시점에서 상기 제품을 매수 또는 매도하는 것 중 적어도 하나의 기본 비용(baseline cost)을 예측하고;
상기 미래 시점에 상기 제품의 배달 또는 이행 중 적어도 하나를 위한 상기 제품을 매수 또는 매도하는 것 중 적어도 하나에 대한 의무를 위한 선물 계약의 선물 비용을, 현재 시점에, 검색하고;
상기 기본 비용 및 상기 선물 비용에 기초하여 상기 선물 계약에 대한 스마트계약을 실행하고; 및
상기 미래 시점에서 상기 제품의 배달 또는 이행 중 적어도 하나를 오케스트레이션하는 것을 총괄하여 실행하는, 자율 선물 계약 오케스트레이션 플랫폼.In the autonomous futures contract orchestration platform,
A set of one or more processors programmed with a set of non-transitory computer-readable instructions, the non-transitory computer-readable instructions comprising:
receive, from a data source, an indication associated with a product associated with at least one entity that is buying or selling the product;
predict at least one baseline cost of buying or selling the product at a future time based on the indication;
retrieve, at a current time, the futures cost of a futures contract for an obligation to either buy or sell the product for at least one of delivery or performance of the product at the future time;
execute a smart contract for the futures contract based on the base cost and the futures cost; and
An autonomous futures contract orchestration platform that collectively executes orchestrating at least one of delivery or fulfillment of said product at said future point in time.
상기 기본 비용 및 상기 선물 비용에 대해 상기 엔티티가 기꺼이 감수할 위험의 양을 나타내는 위험 데이터 구조를 더 포함하고,
상기 컴퓨터 판독가능 명령어들은,
위험 관리 또는 완화 중 적어도 하나를 위해 상기 위험 데이터 구조에 기초하여 상기 스마트 계약을 실행하는 것을 총괄하여 수행하는, 자율 선물 계약 오케스트레이션 플랫폼.According to clause 37,
further comprising a risk data structure representing the amount of risk the entity is willing to take for the base cost and the futures cost;
The computer readable instructions are:
An autonomous futures contract orchestration platform that collectively performs executing the smart contract based on the risk data structure for at least one of risk management or mitigation.
상기 스마트 계약을 실행하도록 훈련된 로봇 프로세스 자동화 시스템을 초기화하고; 및
상기 로봇 프로세스 자동화 시스템을 사용하여 상기 스마트 계약을 실행하는 것을 총괄하여 수행하는, 자율 선물 계약 오케스트레이션 플랫폼.38. The method of claim 37, wherein the computer readable instructions are:
initialize a robotic process automation system trained to execute the smart contract; and
An autonomous futures contract orchestration platform that collectively performs execution of the smart contracts using the robotic process automation system.
비일시적 컴퓨터 판독가능 명령어들의 세트로 프로그래밍된 하나 이상의 프로세서들의 세트로서, 상기 비일시적 컴퓨터 판독가능 명령어들은,
미래 시점에 엔티티(entity)에게 제품의 배달 또는 이행 중 적어도 하나를 위한 상기 제품의 매수 또는 매도 중 적어도 하나에 대한 의무를 위한 선물 계약의 선물 비용을 현재 시점에서 검색하는 단계;
상기 엔티티와 관련된 상기 제품과 연관된 표시에 기초하여 상기 미래 시점에 상기 제품을 매수 또는 매도하는 것 중 적어도 하나의 상기 엔티티에 대한 기본 비용을 예측하고;
상기 기본 비용 및 상기 선물 비용에 기초하여 상기 선물 계약을 위한 스마트 계약을 실행하고; 및
상기 미래 시점에 상기 엔티티로의 상기 제품의 배달 또는 이행 중 적어도 하나를 오케스트레이션하는 것을 총괄하여 수행하는, 자율 선물 계약 오케스트레이션 플랫폼.In the autonomous futures contract orchestration platform,
A set of one or more processors programmed with a set of non-transitory computer-readable instructions, the non-transitory computer-readable instructions comprising:
Retrieving, at a current time, the futures cost of a futures contract for an obligation to buy or sell a product for at least one of delivery or performance of the product to an entity at a future time;
predict a basic cost for at least one of the entity to buy or sell the product at the future time based on an indication associated with the product associated with the entity;
execute a smart contract for the futures contract based on the base cost and the futures cost; and
An autonomous futures contract orchestration platform that collectively performs orchestrating at least one of the delivery or fulfillment of the product to the entity at the future point in time.
제1 디바이스에 의해, 데이터 스트림의 복수의 데이터 값들을 수신하는 단계 - 수신된 상기 복수의 데이터 값들은 하나 이상의 센서 디바이스들로부터 수집된 센서 데이터를 포함함 -;
상기 제1 디바이스에 의해, 상기 수신된 복수의 데이터 값들에 기초하여 상기 데이터 스트림의 미래 데이터 값들을 예측하기 위한 예측 모델을 생성하는 단계 - 상기 예측 모델을 생성하는 단계는 복수의 모델 파라미터들을 결정하는 단계를 포함함 -;
상기 제1 디바이스에 의해, 상기 복수의 모델 파라미터들을 상기 제2 디바이스로 송신하는 단계;
상기 제2 디바이스에 의해, 상기 복수의 모델 파라미터들을 수신하는 단계;
상기 제2 디바이스에 의해, 상기 복수의 모델 파라미터들을 사용하여 상기 예측 모델을 파라미터화하는 단계(parameterizing); 및
상기 제2 디바이스에 의해, 파라미터화된 상기 예측 모델을 사용하여 상기 데이터 스트림의 미래 데이터 값들을 예측하는 단계를 포함하는, 방법.A method for transmitting a predictive model of a data stream from a first device to a second device, the method comprising:
Receiving, by a first device, a plurality of data values of a data stream, the plurality of data values received comprising sensor data collected from one or more sensor devices;
generating, by the first device, a predictive model for predicting future data values of the data stream based on the received plurality of data values, wherein generating the predictive model comprises determining a plurality of model parameters; Contains steps -;
transmitting, by the first device, the plurality of model parameters to the second device;
receiving, by the second device, the plurality of model parameters;
parameterizing, by the second device, the prediction model using the plurality of model parameters; and
Predicting, by the second device, future data values of the data stream using the parameterized prediction model.
상기 미래 데이터 값에 기초하여, 아이템의 다가오는 공급 부족을 검출하는 단계; 및
상기 아이템의 부족 방지를 위한 조치를 취하는 단계를 더 포함하는, 방법.46. The method of claim 45, wherein the predictive model predicts stock levels of items, and the method further comprises:
based on the future data values, detecting an upcoming supply shortage of an item; and
The method further comprising taking steps to prevent shortage of the item.
상기 제1 디바이스에 의해, 상기 데이터 스트림의 추가 데이터 값들을 수신하는 단계;
상기 제1 디바이스에 의해, 상기 추가 데이터 값들을 사용하여 예측 모델을 개량하는 단계 - 상기 예측 모델을 개량하는 단계는 복수의 모델 파라미터들을 조정함 -; 및
조정된 상기 모델 파라미터들을 상기 제2 디바이스에 송신하는 단계를 더 포함하는, 방법.According to clause 45,
receiving, by the first device, additional data values of the data stream;
improving, by the first device, a predictive model using the additional data values, wherein improving the predictive model adjusts a plurality of model parameters; and
The method further comprising transmitting the adjusted model parameters to the second device.
상기 제2 디바이스에 의해, 상기 조정된 모델 파라미터들을 수신하는 단계;
상기 모델 파라미터들을 사용하여 상기 예측 모델을 재파라미터화하는 단계(re-parameterizing); 및
재파라미터화된 상기 예측 모델을 사용하여 추가 미래 데이터 값들을 생성하는 단계를 더 포함하는, 방법.According to clause 56,
receiving, by the second device, the adjusted model parameters;
re-parameterizing the prediction model using the model parameters; and
The method further comprising generating additional future data values using the reparameterized prediction model.
제1 디바이스에 의해, 복수의 예측 모델 데이터 스트림들을 수신하는 단계 - 각각의 상기 예측 모델 데이터 스트림들은 대응하는 예측 모델에 대한 모델 파라미터들의 세트를 포함하고, 각각의 예측 모델은 데이터 소스의 미래 데이터 값들을 예측하도록 훈련됨 -;
상기 제1 디바이스에 의해, 상기 복수의 예측 모델 데이터 스트림들 각각에 대한 우선순위들을 우선순위화하는 단계(prioritizing);
대응하는 우선순위에 기초하여 상기 예측 모델 데이터 스트림들 중 적어도 하나를 선택하는 단계;
상기 제1 디바이스에 의해, 선택된 상기 예측 모델 데이터 스트림에 포함된 모델 파라미터들의 세트를 사용하여 예측 모델을 파라미터화하는 단계; 및
상기 제1 디바이스에 의해, 파라미터화된 상기 예측 모델을 사용하여 상기 데이터 소스의 미래 데이터 값들을 예측하는 단계를 포함하는, 방법.A method for prioritizing predictive model data streams, the method comprising:
Receiving, by a first device, a plurality of predictive model data streams, each of the predictive model data streams comprising a set of model parameters for a corresponding predictive model, each predictive model having a future data value of a data source. trained to predict -;
prioritizing, by the first device, priorities for each of the plurality of prediction model data streams;
selecting at least one of the predictive model data streams based on a corresponding priority;
parameterizing, by the first device, a predictive model using a set of model parameters included in the selected predictive model data stream; and
Predicting, by the first device, future data values of the data source using the parameterized prediction model.
상기 미래 데이터 값에 기초하여, 상기 아이템의 다가오는 공급 부족을 감지하는 단계; 및
상기 아이템의 부족 방지를 위한 조치를 취하는 단계를 더 포함하는, 방법.59. The method of claim 58, wherein the predictive model predicts inventory levels of items, and the method further comprises:
based on the future data values, detecting an upcoming supply shortage of the item; and
The method further comprising taking steps to prevent shortage of the item.
하나 이상의 배송 디지털 트윈의 하나 이상의 속성들을 업데이트하기 위한 요청을 수신하는 단계;
상기 요청을 이행하는 데 필요한 하나 이상의 배송 디지털 트윈을 검색하는 단계;
상기 요청을 이행하는 데 필요한 하나 이상의 동적 모델을 검색하는 단계;
상기 하나 이상의 동적 모델의 하나 이상의 입력에 기초하여 이용 가능한 데이터 소스들의 세트로부터 데이터 소스를 선택하는 단계;
선택한 데이터 소스에서 데이터를 검색하는 단계;
검색된 데이터를 상기 하나 이상의 동적 모델에 대한 하나 이상의 입력으로 사용하여 하나 이상의 출력을 계산하는 단계; 및
상기 하나 이상의 동적 모델의 출력에 기초하여 상기 하나 이상의 배송 디지털 트윈의 하나 이상의 속성을 업데이트하는 단계를 포함하는, 방법.A method for updating one or more properties of one or more delivery digital twins, the method comprising:
Receiving a request to update one or more properties of one or more shipping digital twins;
Retrieving one or more shipping digital twins required to fulfill the request;
retrieving one or more dynamic models needed to fulfill the request;
selecting a data source from a set of available data sources based on one or more inputs of the one or more dynamic models;
Retrieving data from a selected data source;
using the retrieved data as one or more inputs to the one or more dynamic models to calculate one or more outputs; and
A method comprising updating one or more properties of the one or more shipping digital twins based on the output of the one or more dynamic models.
하나 이상의 밸류 체인 네트워크 엔티티 및 관련 데이터 취급 계층들과 통신하는 단계;
상기 에너지 저장 시스템의 네트워크를 통해 에너지를 제공하기 위해 하나 이상의 밸류 체인 네트워크 엔티티를 모듈식 적응형 자원 패키지에 연결하는 단계; 및
상기 하나 이상의 밸류 체인 네트워크 엔티티의 데이터 취급 계층에서 식별된 에너지에 대한 사용에 기초하여 상기 에너지 저장 시스템의 네트워크를 통해 에너지를 사용 및 저장하는 것을 결정하는 단계를 포함하는, 방법.A method of managing energy through a network of energy storage systems, the method comprising:
Communicating with one or more value chain network entities and associated data handling layers;
connecting one or more value chain network entities to a modular adaptive resource package to provide energy through the network of energy storage systems; and
Determining to use and store energy through the network of energy storage systems based on the use for energy identified in the data handling layer of the one or more value chain network entities.
Applications Claiming Priority (11)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202163176198P | 2021-04-16 | 2021-04-16 | |
US63/176,198 | 2021-04-16 | ||
US202163282507P | 2021-11-23 | 2021-11-23 | |
US63/282,507 | 2021-11-23 | ||
US202263299710P | 2022-01-14 | 2022-01-14 | |
US63/299,710 | 2022-01-14 | ||
US202263302013P | 2022-01-21 | 2022-01-21 | |
US63/302,013 | 2022-01-21 | ||
IN202211008709 | 2022-02-18 | ||
IN202211008709 | 2022-02-18 | ||
PCT/US2022/025103 WO2022221719A2 (en) | 2021-04-16 | 2022-04-15 | Systems, methods, kits, and apparatuses for digital product network systems and biology-based value chain networks |
Publications (1)
Publication Number | Publication Date |
---|---|
KR20240010457A true KR20240010457A (en) | 2024-01-23 |
Family
ID=83639726
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020237039157A KR20240010457A (en) | 2021-04-16 | 2022-04-15 | Systems, methods, kits and devices for digital product network systems and biology-based value chain networks |
Country Status (7)
Country | Link |
---|---|
US (2) | US20230127651A1 (en) |
EP (1) | EP4323940A2 (en) |
JP (1) | JP2024517412A (en) |
KR (1) | KR20240010457A (en) |
AU (1) | AU2022256517A1 (en) |
CA (1) | CA3177585A1 (en) |
WO (1) | WO2022221719A2 (en) |
Families Citing this family (103)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108680185B (en) * | 2018-04-26 | 2020-09-22 | 广东宝乐机器人股份有限公司 | Mobile robot gyroscope data correction method, device and equipment |
EP3565261B1 (en) * | 2018-05-02 | 2020-05-27 | Spotify AB | Predictive caching |
RS20181564A1 (en) * | 2018-12-21 | 2020-06-30 | Zivanovic Sava | System for automatic management and depositing of the hash of the documents (images) in block-chain technology |
CN112529344B (en) * | 2019-09-18 | 2023-09-05 | 中国科学院沈阳计算技术研究所有限公司 | Algorithm for optimizing air quality value based on Elman neural network |
US11550491B2 (en) * | 2021-04-30 | 2023-01-10 | Nutanix, Inc. | Container-based application processing |
US11709820B2 (en) * | 2021-09-03 | 2023-07-25 | Bank Of America Corporation | System for implementing intelligent data analysis |
US20240086911A1 (en) * | 2022-09-12 | 2024-03-14 | Bank Of America Corporation | Systems, methods, and apparatuses for tracking and logging resource transfers via a distributed network |
US11816692B1 (en) * | 2022-09-14 | 2023-11-14 | Inmar Clearing, Inc. | Component supply digital coupon generation system and related methods |
US11924026B1 (en) * | 2022-10-27 | 2024-03-05 | Dell Products L.P. | System and method for alert analytics and recommendations |
CN115660733A (en) * | 2022-11-04 | 2023-01-31 | 鹏展万国电子商务(深圳)有限公司 | Sales prediction system and method based on artificial intelligence |
CN115630677B (en) * | 2022-11-07 | 2023-10-13 | 北京百度网讯科技有限公司 | Task processing method, device, electronic equipment and medium |
CN115712726B (en) * | 2022-11-08 | 2023-09-12 | 华南师范大学 | Emotion analysis method, device and equipment based on double word embedding |
EP4369268A1 (en) * | 2022-11-08 | 2024-05-15 | Siemens Aktiengesellschaft | Automated electrical product monitoring and disassembling system |
CN115659993B (en) * | 2022-11-14 | 2023-05-26 | 杰为软件系统(深圳)有限公司 | Product digital main line implementation method based on federal semantic model driving |
US20240193146A1 (en) * | 2022-12-07 | 2024-06-13 | Bentley Systems, Incorporated | Serverless code service |
CN115598164B (en) * | 2022-12-14 | 2023-04-07 | 南京师范大学 | Machine learning integrated soil heavy metal concentration detection method and system |
CN116588359B (en) * | 2022-12-30 | 2024-05-28 | 北京天兵科技有限公司 | Heterogeneous hot standby system and method for filling and launching liquid rocket |
CN116051519B (en) * | 2023-02-02 | 2023-08-22 | 广东国地规划科技股份有限公司 | Method, device, equipment and storage medium for detecting double-time-phase image building change |
CN115878832B (en) * | 2023-02-15 | 2023-05-16 | 武汉理工大学三亚科教创新园 | Ocean remote sensing image audio retrieval method based on fine pair Ji Panbie hash |
CN115946820A (en) * | 2023-03-15 | 2023-04-11 | 天津大学 | Training method of floating environment data prediction model, floating control method and equipment |
CN116341160A (en) * | 2023-03-30 | 2023-06-27 | 上海交通大学 | Topology optimization method and system for inward stability augmentation of cylindrical pressure-resistant structure |
CN116156093B (en) * | 2023-04-04 | 2023-07-18 | 福建环宇通信息科技股份公司 | Medical terminal equipment based on audio and video gathers and talkbacks |
CN116307251B (en) * | 2023-04-12 | 2023-09-19 | 哈尔滨理工大学 | Work schedule optimization method based on reinforcement learning |
CN116561472B (en) * | 2023-04-14 | 2023-12-26 | 广州力麒智能科技有限公司 | Government browser system architecture based on Electron cross-platform technology |
CN116458443B (en) * | 2023-04-26 | 2024-04-02 | 江苏大地动物保健品有限公司 | Stacked chicken raising equipment convenient to combine |
CN116208669B (en) * | 2023-04-28 | 2023-06-30 | 湖南大学 | Intelligent lamp pole-based vehicle-mounted heterogeneous network collaborative task unloading method and system |
CN116246175B (en) * | 2023-05-05 | 2023-07-14 | 西昌学院 | Land utilization information generation method, electronic device, and computer-readable medium |
CN116229700B (en) * | 2023-05-06 | 2023-08-04 | 苏州时代华景新能源有限公司 | Method and system for analyzing error of monitoring data of lithium battery energy storage box |
CN116501548B (en) * | 2023-05-06 | 2024-03-19 | 深圳市时代经纬科技有限公司 | Internet data disaster recovery backup method and server applied to artificial intelligence |
CN116226788B (en) * | 2023-05-06 | 2023-07-25 | 鹏城实验室 | Modeling method integrating multiple data types and related equipment |
CN116225513B (en) * | 2023-05-09 | 2023-07-04 | 安徽思高智能科技有限公司 | RPA dynamic flow discovery method and system based on concept drift |
CN116307260B (en) * | 2023-05-11 | 2023-08-08 | 深圳市规划和自然资源数据管理中心(深圳市空间地理信息中心) | Urban road network toughness optimization method and system for disturbance of defective road sections |
CN116245670B (en) * | 2023-05-12 | 2023-08-04 | 辽联(辽宁)信息技术股份有限公司 | Method, device, medium and equipment for processing financial tax data based on double-label model |
CN116259053B (en) * | 2023-05-15 | 2023-07-21 | 西南科技大学 | Medical microscopic image imaging focus prediction method based on convolutional neural network |
CN116822146B (en) * | 2023-05-23 | 2024-01-30 | 西南交通大学 | Flexible protection system intelligent rapid calculation method based on multilayer perceptron |
CN116703075B (en) * | 2023-05-29 | 2024-04-16 | 中国南方电网有限责任公司 | Power scheduling decision method, device, electronic equipment and storage medium |
CN116361801B (en) * | 2023-06-01 | 2023-09-01 | 山东省计算中心(国家超级计算济南中心) | Malicious software detection method and system based on semantic information of application program interface |
CN116401960A (en) * | 2023-06-05 | 2023-07-07 | 长春理工大学 | Optimization method and device for grain compression molding process |
CN117274656B (en) * | 2023-06-06 | 2024-04-05 | 天津大学 | Multi-mode model countermeasure training method based on self-adaptive depth supervision module |
CN116431616B (en) * | 2023-06-13 | 2023-09-01 | 深圳市诚识科技有限公司 | Big data model management system and method based on cloud computing |
CN116432870B (en) * | 2023-06-13 | 2023-10-10 | 齐鲁工业大学(山东省科学院) | Urban flow prediction method |
CN116909136B (en) * | 2023-06-21 | 2023-12-26 | 山东大学 | 2-DOF helicopter sliding mode control method and system based on determined learning |
CN116502544B (en) * | 2023-06-26 | 2023-09-12 | 武汉新威奇科技有限公司 | Electric screw press life prediction method and system based on data fusion |
CN116541667B (en) * | 2023-06-29 | 2023-11-03 | 厦门大学 | Interpolation method and system for buoy time sequence data missing value |
CN116522007B (en) * | 2023-07-05 | 2023-10-20 | 中国科学技术大学 | Recommendation system model-oriented data forgetting learning method, device and medium |
CN116595811B (en) * | 2023-07-18 | 2023-09-19 | 东方空间技术(山东)有限公司 | Inspection method and device for rocket system |
CN116611519B (en) * | 2023-07-19 | 2023-10-13 | 中国电子科技集团公司第十研究所 | Time planning method and system based on production chain full-period rational atlas |
CN116611674B (en) * | 2023-07-20 | 2023-09-22 | 中建五局第三建设有限公司 | Intelligent dispatching operation method for building supply water |
CN116910912B (en) * | 2023-07-28 | 2024-04-30 | 小米汽车科技有限公司 | Method, device, equipment and storage medium for generating three-dimensional model of vehicle |
CN116668198B (en) * | 2023-07-31 | 2023-10-20 | 南京争锋信息科技有限公司 | Flow playback test method, device, equipment and medium based on deep learning |
CN116684687B (en) * | 2023-08-01 | 2023-10-24 | 蓝舰信息科技南京有限公司 | Enhanced visual teaching method based on digital twin technology |
CN116703531B (en) * | 2023-08-03 | 2023-10-13 | 腾讯科技(深圳)有限公司 | Article data processing method, apparatus, computer device and storage medium |
CN116720161B (en) * | 2023-08-04 | 2023-11-14 | 山西合力思创科技股份有限公司 | Intelligent authority system authority control method and device, electronic equipment and medium |
CN116757095B (en) * | 2023-08-14 | 2023-11-07 | 国网浙江省电力有限公司宁波供电公司 | Electric power system operation method, device and medium based on cloud edge end cooperation |
CN116738960B (en) * | 2023-08-16 | 2024-04-30 | 深圳高灯计算机科技有限公司 | Document data processing method, system, computer equipment and storage medium |
CN116798590A (en) * | 2023-08-17 | 2023-09-22 | 北京大学第三医院(北京大学第三临床医学院) | Processing method, device, equipment and medium for constructing medicine management prediction model |
CN116824512B (en) * | 2023-08-28 | 2023-11-07 | 西华大学 | 27.5kV visual grounding disconnecting link state identification method and device |
CN117233274B (en) * | 2023-08-29 | 2024-03-15 | 江苏光质检测科技有限公司 | Method and system for detecting and correcting content of semi-volatile organic compounds in soil |
CN116993459A (en) * | 2023-08-30 | 2023-11-03 | 深圳市大同信息技术有限公司 | E-commerce ordering management method based on cloud data analysis |
CN116860978B (en) * | 2023-08-31 | 2023-11-21 | 南京云创大数据科技股份有限公司 | Primary school Chinese personalized learning system based on knowledge graph and large model |
CN117275220B (en) * | 2023-08-31 | 2024-06-18 | 云南云岭高速公路交通科技有限公司 | Mountain expressway real-time accident risk prediction method based on incomplete data |
CN117075479B (en) * | 2023-09-15 | 2024-05-03 | 滨沅国科(秦皇岛)智能科技股份有限公司 | Uniform batching control system and method for bulk cargo port |
CN117130351B (en) * | 2023-09-18 | 2024-03-19 | 上海勘测设计研究院有限公司 | New energy station area joint control protection system based on digital twin technology |
CN117353545A (en) * | 2023-09-19 | 2024-01-05 | 山东大学 | Hybrid self-adaptive efficient predictive control method and system for modularized multi-level converter |
CN116959696B (en) * | 2023-09-20 | 2023-12-08 | 武汉光盾科技有限公司 | Data processing method and device based on laser therapeutic instrument |
CN117239928A (en) * | 2023-09-21 | 2023-12-15 | 国网江苏省电力有限公司南通供电分公司 | Deep learning power data monitoring method and system |
CN117010576B (en) * | 2023-10-07 | 2024-02-02 | 聊城莱柯智能机器人有限公司 | Energy consumption prediction method based on elastic dynamic neural network |
CN117037432B (en) * | 2023-10-08 | 2023-12-19 | 四川省公路规划勘察设计研究院有限公司 | Risk evaluation geological disaster early warning method based on multi-method cooperation |
CN117091799B (en) * | 2023-10-17 | 2024-01-02 | 湖南一特医疗股份有限公司 | Intelligent three-dimensional monitoring method and system for oxygen supply safety of medical center |
CN117375239A (en) * | 2023-10-24 | 2024-01-09 | 南通豪强电器设备有限公司 | Power transmission and transformation equipment safe operation monitoring method and system |
CN117236788B (en) * | 2023-10-30 | 2024-03-26 | 水利部珠江水利委员会技术咨询(广州)有限公司 | Water resource scheduling optimization method and system based on artificial intelligence |
CN117194648B (en) * | 2023-11-07 | 2024-03-26 | 福建神威系统集成有限责任公司 | Intelligent charging pile management platform software method and system |
CN117201334B (en) * | 2023-11-08 | 2024-01-26 | 之江实验室 | Multi-mode network traffic prediction method and device |
CN117236201B (en) * | 2023-11-16 | 2024-02-23 | 南京信息工程大学 | Diffusion and ViT-based downscaling method |
CN117271981B (en) * | 2023-11-21 | 2024-02-09 | 湖南嘉创信息科技发展有限公司 | Artificial intelligence management system based on cross-platform data interaction |
CN117372880B (en) * | 2023-12-07 | 2024-02-09 | 天津市祥途测绘科技有限公司 | Road engineering supervision system and method based on remote sensing image |
CN117376538B (en) * | 2023-12-08 | 2024-03-26 | 深圳拜波赫技术有限公司 | Response speed optimization method, device, equipment and medium of laser projection optical machine |
CN117387559B (en) * | 2023-12-12 | 2024-03-12 | 华东交通大学 | Concrete bridge monitoring system and method based on digital twinning |
CN117633489B (en) * | 2023-12-13 | 2024-06-21 | 智车信安(苏州)信息安全科技有限公司 | AI-based vehicle safety analysis method and system |
CN117649204B (en) * | 2023-12-14 | 2024-04-26 | 广东图灵智新技术有限公司 | Visual detection system and method for intelligent robot |
CN117437091B (en) * | 2023-12-21 | 2024-02-23 | 南京市文化投资控股集团有限责任公司 | Operation interaction management system and method for meta-universe scene |
CN117971203A (en) * | 2023-12-22 | 2024-05-03 | 上海米链信息技术有限公司 | Data processing method, device, equipment and storage medium based on micro-service architecture |
CN117496133B (en) * | 2024-01-03 | 2024-03-22 | 山东工商学院 | Closed bus R-CNN temperature fault monitoring method based on multi-mode data |
CN117648388B (en) * | 2024-01-29 | 2024-04-12 | 成都七柱智慧科技有限公司 | Visual safe real-time data warehouse implementation method and system |
CN117670000B (en) * | 2024-02-01 | 2024-04-12 | 四川省机械研究设计院(集团)有限公司 | Pump station water supply quantity prediction method based on combined prediction model |
CN117690301B (en) * | 2024-02-04 | 2024-04-23 | 福建省高速公路科技创新研究院有限公司 | Expressway diversion induction method considering induction compliance rate |
CN117728585B (en) * | 2024-02-07 | 2024-05-10 | 华能江苏综合能源服务有限公司 | Distributed photovoltaic power station state prediction method and system |
CN117765421B (en) * | 2024-02-22 | 2024-04-26 | 交通运输部天津水运工程科学研究所 | Coastline garbage identification method and system based on deep learning |
CN117780346B (en) * | 2024-02-23 | 2024-05-24 | 太原矿机物联科技有限公司 | Remote coal machine control method based on 3D visual model |
CN117789965B (en) * | 2024-02-23 | 2024-06-07 | 北京惠每云科技有限公司 | Venous thrombosis prevention simulation evaluation method and system based on digital twin |
CN117788302B (en) * | 2024-02-26 | 2024-05-14 | 山东全维地信科技有限公司 | Mapping graphic processing system |
CN117808176B (en) * | 2024-03-01 | 2024-06-04 | 成都信息工程大学 | Konjak yield prediction method and konjak yield prediction equipment |
CN117830314B (en) * | 2024-03-05 | 2024-05-03 | 深圳前海量子云码科技有限公司 | Microscopic coded image reproduction detection method and device, mobile terminal and storage medium |
CN117828450B (en) * | 2024-03-06 | 2024-05-17 | 深圳市铨天科技有限公司 | Big data-based package test method, system and medium |
CN117907965B (en) * | 2024-03-19 | 2024-05-24 | 江苏省气象台 | Three-dimensional radar echo proximity forecasting method for convection storm fine structure |
CN117933840B (en) * | 2024-03-21 | 2024-05-31 | 中国民用航空总局第二研究所 | Digital twin-driven flight ground guarantee delay diagnosis method, system and equipment |
CN117933580B (en) * | 2024-03-25 | 2024-05-31 | 河北省农林科学院农业信息与经济研究所 | Breeding material optimization evaluation method for wheat breeding management system |
CN117950381B (en) * | 2024-03-26 | 2024-05-28 | 深圳市永迦电子科技有限公司 | Digital production and manufacturing management system |
CN117973268B (en) * | 2024-03-29 | 2024-06-07 | 中国空气动力研究与发展中心超高速空气动力研究所 | Flow field multisource pneumatic data fusion model based on semi-supervised learning and training method |
CN117973507B (en) * | 2024-03-29 | 2024-06-04 | 山东省计算中心(国家超级计算济南中心) | Group federation element learning method based on data enhancement and privacy enhancement |
CN117972314B (en) * | 2024-03-29 | 2024-06-04 | 山东华立供水设备有限公司 | Cloud platform monitoring method and system based on digital twinning |
CN118095358B (en) * | 2024-04-18 | 2024-06-25 | 清华大学 | Method, device and program for generating super-resolution of network traffic of data center |
CN118070573B (en) * | 2024-04-24 | 2024-06-21 | 深圳百通玄武技术有限公司 | Preparation process optimization method and system for realizing optical fiber equipment |
Family Cites Families (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020010685A1 (en) * | 2000-01-05 | 2002-01-24 | Ashby David C. | Electronic exchange apparatus and method |
US9390440B2 (en) * | 2008-01-17 | 2016-07-12 | Apple Inc. | Activation of digital products on mobile electronic devices |
US10255580B2 (en) * | 2008-05-05 | 2019-04-09 | Apple Inc. | Network-based distribution of application products |
US20090307683A1 (en) * | 2008-06-08 | 2009-12-10 | Sam Gharabally | Network-Based Update of Application Programs |
US20110153518A1 (en) * | 2009-12-17 | 2011-06-23 | American Express Travel Related Services Company, Inc. | System and method for enabling product development |
US10430878B2 (en) * | 2012-09-14 | 2019-10-01 | Chicago Mercantile Exchange Inc. | Matched order fulfillment with linear optimization |
US9645575B2 (en) * | 2013-11-27 | 2017-05-09 | Adept Ai Systems Inc. | Method and apparatus for artificially intelligent model-based control of dynamic processes using probabilistic agents |
US11416459B2 (en) * | 2014-04-11 | 2022-08-16 | Douglas T. Migliori | No-code, event-driven edge computing platform |
US10770899B2 (en) * | 2014-09-11 | 2020-09-08 | Gerald Bernard Sheble | Resource control by probability tree convolution production cost valuation by iterative equivalent demand duration curve expansion (aka. tree convolution) |
US10677886B2 (en) * | 2015-01-05 | 2020-06-09 | Locatorx, Inc. | Mini blockchain in a chip device and methods of utilization |
WO2016179248A1 (en) * | 2015-05-05 | 2016-11-10 | Ptc Inc. | Augmented reality system |
US9418337B1 (en) * | 2015-07-21 | 2016-08-16 | Palantir Technologies Inc. | Systems and models for data analytics |
KR101980603B1 (en) * | 2016-05-20 | 2019-05-22 | 구글 엘엘씨 | Relating to predicting the motion (s) of the object (s) in the robotic environment based on the image (s) capturing the object (s) and parameter (s) for future robot motion in the environment Methods and apparatus |
US11983641B2 (en) * | 2017-06-05 | 2024-05-14 | Umajin Inc. | Asset tracking system and methods |
US20190079996A1 (en) * | 2017-09-08 | 2019-03-14 | General Electric Company | Collaborative analytic ecosystem |
US11676098B2 (en) * | 2017-11-21 | 2023-06-13 | International Business Machines Corporation | Digital twin management in IoT systems |
KR102328648B1 (en) * | 2018-07-04 | 2021-11-18 | 주식회사 엘지에너지솔루션 | Anode for lithium metal battery, manufacturing method of the same, lithium metal battery including the same |
US11403541B2 (en) * | 2019-02-14 | 2022-08-02 | Rockwell Automation Technologies, Inc. | AI extensions and intelligent model validation for an industrial digital twin |
US11119882B2 (en) * | 2019-10-09 | 2021-09-14 | International Business Machines Corporation | Digital twin workflow simulation |
WO2021160260A1 (en) * | 2020-02-12 | 2021-08-19 | Swiss Reinsurance Company Ltd. | Digital platform using cyber-physical twin structures providing an evolving digital representation of a risk-related real world asset for quantifying risk measurements, and method thereof |
US11079748B1 (en) * | 2020-04-29 | 2021-08-03 | Grale Technologies | In-process digital twinning |
US20220083976A1 (en) * | 2020-09-17 | 2022-03-17 | International Business Machines Corporation | Digital twin based supply chain routing |
US11886576B2 (en) * | 2020-09-30 | 2024-01-30 | Rockwell Automation Technologies, Inc. | Systems and methods for industrial information solutions and connected microservices |
EP4241226A1 (en) * | 2020-11-05 | 2023-09-13 | Swiss Reinsurance Company Ltd. | Digital resilience marketplace platform and method thereof |
US11921872B2 (en) * | 2020-12-16 | 2024-03-05 | International Business Machines Corporation | Access control for a data object including data with different access requirements |
-
2022
- 2022-04-15 EP EP22789049.8A patent/EP4323940A2/en active Pending
- 2022-04-15 WO PCT/US2022/025103 patent/WO2022221719A2/en active Application Filing
- 2022-04-15 KR KR1020237039157A patent/KR20240010457A/en unknown
- 2022-04-15 AU AU2022256517A patent/AU2022256517A1/en active Pending
- 2022-04-15 JP JP2023563306A patent/JP2024517412A/en active Pending
- 2022-04-15 CA CA3177585A patent/CA3177585A1/en active Pending
- 2022-09-09 US US17/942,069 patent/US20230127651A1/en active Pending
- 2022-12-02 US US18/061,417 patent/US20230123322A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
US20230127651A1 (en) | 2023-04-27 |
WO2022221719A3 (en) | 2022-12-22 |
JP2024517412A (en) | 2024-04-22 |
US20230123322A1 (en) | 2023-04-20 |
AU2022256517A1 (en) | 2023-11-09 |
EP4323940A2 (en) | 2024-02-21 |
CA3177585A1 (en) | 2022-10-16 |
WO2022221719A2 (en) | 2022-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230123322A1 (en) | Predictive Model Data Stream Prioritization | |
US20230289340A1 (en) | Edge-Device Processing of Distributed Database Queries | |
US20220245574A1 (en) | Systems, Methods, Kits, and Apparatuses for Digital Product Network Systems and Biology-Based Value Chain Networks | |
US20230252545A1 (en) | Control Tower Encoding of Cross-Product Data Structure | |
US20230219228A1 (en) | Multi-Purpose Robot Configuration in Robotic Fleet | |
US20230297904A1 (en) | Clustering-Based Intelligence Service Layer for Robotic Fleet Maintenance | |
KR20230135069A (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 | |
US20230078448A1 (en) | Robotic Fleet Provisioning for Value Chain Networks | |
US20230102048A1 (en) | Component-Inventory-Based Robot Fleet Management in Value Chain Networks | |
WO2024091687A2 (en) | Systems, methods, kits, and apparatuses for managing value chain networks in system of systems |