KR20240012298A - 시니어 전담 배송원을 매칭하여, 머신러닝을 결합한 알고리즘을 통해 최적 배송 경로를 제공하는 통합 관제 서버의 제어 방법 - Google Patents
시니어 전담 배송원을 매칭하여, 머신러닝을 결합한 알고리즘을 통해 최적 배송 경로를 제공하는 통합 관제 서버의 제어 방법 Download PDFInfo
- Publication number
- KR20240012298A KR20240012298A KR1020230078108A KR20230078108A KR20240012298A KR 20240012298 A KR20240012298 A KR 20240012298A KR 1020230078108 A KR1020230078108 A KR 1020230078108A KR 20230078108 A KR20230078108 A KR 20230078108A KR 20240012298 A KR20240012298 A KR 20240012298A
- Authority
- KR
- South Korea
- Prior art keywords
- delivery
- server
- task
- time
- terminal
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000010801 machine learning Methods 0.000 title abstract description 10
- 238000004364 calculation method Methods 0.000 claims description 13
- 230000002787 reinforcement Effects 0.000 claims description 13
- 230000003213 activating effect Effects 0.000 claims description 3
- 229940124447 delivery agent Drugs 0.000 claims 1
- 230000002354 daily effect Effects 0.000 description 29
- 238000013528 artificial neural network Methods 0.000 description 20
- 238000004891 communication Methods 0.000 description 15
- 238000013473 artificial intelligence Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 230000004913 activation Effects 0.000 description 7
- 235000013305 food Nutrition 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000000306 recurrent effect Effects 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000009877 rendering Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 235000021152 breakfast Nutrition 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000000060 site-specific infrared dichroism spectroscopy Methods 0.000 description 1
- 235000011888 snacks Nutrition 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0835—Relationships between shipper or supplier and carriers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/092—Reinforcement learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
- G06Q10/063112—Skill-based matching of a person or a group to a task
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
- G06Q10/063114—Status monitoring or status determination for a person or group
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
- G06Q10/063116—Schedule adjustment for a person or group
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0835—Relationships between shipper or supplier and carriers
- G06Q10/08355—Routing methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0838—Historical data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C1/00—Registering, indicating or recording the time of events or elapsed time, e.g. time-recorders for work people
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Multimedia (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
본 발명은 서버가, 배송 업무(delivery task)를 등록하는 단계, 서버가, 배송 업무의 목표 상차지 및 목표 하차지를 식별하는 단계, 및 서버가, 목표 상차지 및 목표 하차지를 바탕으로 배송 업무를 수행하기 위한 배송원을 선택하는 단계를 포함하는, 시니어 전담 배송원을 매칭하여, 머신러닝을 결합한 알고리즘을 통해 최적 배송 경로를 제공하는 통합 관제 서버의 제어 방법에 관한 것이다.
Description
본 발명은 시니어 전담 배송원을 매칭하여, 머신러닝을 결합한 알고리즘을 통해 최적 배송 경로를 제공하는 통합 관제 서버의 제어 방법에 관한 것으로, 상세하게는, 베테랑 시니어(노인) 배송원의 정기 배송 전문 대행 서비스를 제공하는 서버에 관한 것으로, 시니어 배송원을 고객사(물품 배송을 의뢰한 업체) 별로 매칭하여 (정기) 배송 서비스를 제공하되, 시니어 배송원에 대하여는, 노인 특화 모바일 UI(User Interfac)로 구성된 어플리케이션을 제공하여, 머신러닝을 결합한 알고리즘 통해 일정 및 배송 경로를 제공하는 기술이다.
일자리를 필요로 하는 노인의 수가, 노인 10명 중 7명 정도로 증가한 상태로, 실제 노인 취업률은 약 35%로 10명 중 3명에 그쳤다.
이에 노인 빈곤, 우울증 등 사회문제가 발생하여, 국내 노인 빈곤율은 O\ECD 국가 중 1위에 달하였다.
한국의 고령화 속도는 OECD 평균 1.7배로 세계에서 가장 빠르게 고령화가 이루어지고 있으며, 그 문제가 점점 가속화되고 있다.
정부 주관 일자리의 경우 전체 노인 일자리 시장의 90%를 차지하며 취약계층을 대상으로 하나, 민간 일자리는 전체 10%에 그치며 고학력자를 대상으로 하기에 접근이 쉽지 않다.
이로 인해, 고학력 및 취약계층이 아닌 노인 380만명은 취업이 어려운 현실이다.
노인들이 원하는 일자리 3가지 요소로는 전문성이 없어도 할 수 있는 쉬운 난이도, 단시간 근로, 및 최저시급 조건으로, 매년 물량이 100% 증가하고 있어 손이 부족한 정기 배송 대행사업에 적합하다.
이러한 정기 배송 대행사업의 경우, 매일 같은 곳을 반복 배송함으로써 업무 난이도가 낮고, 단시간 근로가 가능하며, 노인 일자리 평균 급여의 2 내지 4배의 급여가 지급되므로 높은 경제적 만족도를 보장할 수 있다.
한편, 정기 배송의 경우 케이터링, 음식 용기 수거, 생필품 배송, 세탁물품 수거, 직장인 조식/간식, 로컬 푸드와 같은 신선식품 배송 등 다양한 분야에 적용가능하며, 효율을 중시하는 MZ 직장인 중심으로 오피스 푸드 정기 배송 대행 시장이 매년 144% 성장하는 추세이다.
한편, 상기의 배경기술로서 설명된 사항들은 본 발명의 배경에 대한 이해 증진을 위한 것일 뿐, 이 기술분야에서 통상의 지식을 가진 자에게 이미 알려진 종래기술에 해당함을 인정하는 것으로 받아들여져서는 안 될 것이다.
본 발명이 해결하고자 하는 과제는 배송 경로를 일정에 맞춰 간소화하면서 단시간 근무가 가능한 정기 배송 서비스를 제공하되, 노인인 배송원들이 복잡한 어플리케이션을 조작할 필요가 없도록, 배송원들의 근무시간에 대응하는 시간 동안 배송원의 단말에 대한 카메라를 활성화하여 관리자 및/또는 고객사에 촬영되는 이미지를 제공하여 업무 상황을 체크할 수 있도록 하는, 시니어 전담 배송원을 매칭하여, 머신러닝을 결합한 알고리즘을 통해 최적 배송 경로를 제공하는 통합 관제 서버의 제어 방법을 제공하는 것이다.
본 발명이 해결하고자 하는 과제들은 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
상술한 과제를 해결하기 위한 본 발명의 일 면에 따른 통합 관제 서버의 제어 방법에 있어서, 통합 관제 서버의 제어 방법에 있어서, 서버가, 배송 업무(delivery task)를 등록하는 단계, 서버가, 배송 업무의 목표 상차지 및 목표 하차지를 식별하는 단계, 및 서버가, 목표 상차지 및 목표 하차지를 바탕으로 배송 업무를 수행하기 위한 배송원을 선택하는 단계를 포함하고, 배송원을 선택하는 단계는, 복수의 배송원이 수행한 배송 업무들 각각의 상차지 및 하차지를 식별하고, 복수의 배송원 중 목표 상차지 및 목표 하차지 중 적어도 하나와 관련된 업무를 수행한 이력이 있는 배송원을 선택한다.
추가로, 배송 업무를 등록하는 단계는, 업체의 제1 단말로부터 업무 등록 요청을 획득하는 단계, 업무 등록 요청을 바탕으로, 목표 상차지, 목표 하차지, 업무 카테고리, 및 배송 기한을 식별하는 단계, 및 목표 상차지, 목표 하차지, 업무 카테고리, 및 배송 기한을 바탕으로 배송 업무를 등록하는 단계를 더 포함하고, 업무 카테고리는, 물품 배송, 정기 배송, 케이터링(Catering) 서비스, 물품 수거, 아동 이동 서비스, 및 장보기 서비스 중 적어도 하나를 포함하는 것을 특징으로 할 수 있다.
추가로, 서버의 제어 방법은, 서버가, 배송원에 대하여 등록된 복수의 배송 업무를 수행하기 위한 일 배송 경로를 선택하는 단계, 및 서버가, 배송 경로를 바탕으로, 배송원의 제2 단말에 기 매칭된 일정을 업데이트하는 단계를 더 포함하고, 일정은, 배송 체크리스트(Check list), 시점 별 배송 위치, 업무 별 예상 배송 소요 시간, 업무 별 예상 작업 소요 시간, 시점 별 수거 위치, 및 업무 별 예상 수거 소요 시간 중 적어도 하나를 포함할 수 있다.
추가로, 일 배송 경로를 선택하는 단계는, 복수의 배송 업무를 순차적으로 수행하기 위한 서로 다른 순서를 포함하는 복수의 후보 경로를 생성하고, 복수의 배송 업무 각각에 대한, 목표 상차지, 목표 하차지, 및 배송 기한을 포함하는 데이터를 벡터화하고, 벡터화된 데이터를 강화 학습 모델에 입력하여, 복수의 후보 경로 중 일 배송 경로를 선택하고, 강화 학습 모델은, 입력된 경로의 시간 및 거리 중 적어도 하나가 짧을수록 더 큰 보상(reward)을 출력하도록 훈련된 것을 특징으로 할 수 있다.
추가로, 서버의 제어 방법은, 서버가, 배송이 완료된 일 배송 업무에 대한 업무 카테고리를 획득하는 단계, 서버가, 일 배송 업무에 대한 완료 시점, 및 일 배송 업무에 대한 수거 종료 시점 중 적어도 하나를 획득하는 단계, 서버가, 일 배송 업무에 대한 배송 예상 시점과 일 배송 업무에 대한 완료 시점에 따른 제1 시간 산출 정확도, 및, 일 배송 업무에 대한 수거 종료 예상 시점과 일 배송 업무에 대한 수거 종료 시점에 따른 제2 시간 산출 정확도 중 적어도 하나를 획득하는 단계, 및 제1 시간 산출 정확도 및 제2 시간 산출 정확도 중 적어도 하나가 일 배송 업무에 대한 업무 카테고리에 대해 기 설정된 정확도 미만인 경우, 서버가, 일 배송 업무에 대한 업무 카테고리, 일 배송 업무에 대한 배송 위치, 일 배송 업무에 대한 완료 시점, 및 일 배송 업무에 대한 수거 종료 시점을 바탕으로, 강화 학습 모델을 업데이트하는 단계를 더 포함할 수 있다.
추가로, 서버의 제어 방법은, 서버가, 일정을 바탕으로, 선택된 배송원에 대한 근무 시간을 식별하는 단계, 서버가, 근무 시간에 대하여, 제2 단말의 위치 정보를 획득하는 단계, 제2 단말의 위치 정보가 변경되는 경우, 서버가, 변경된 위치 정보를 바탕으로 배송 경로를 업데이트 하는 단계, 및 서버가, 업데이트된 배송 경로를 제2 단말로 제공하는 단계를 더 포함할 수 있다.
추가로, 서버의 제어 방법은, 서버가, 일정에 따른 일정 시간 동안 제2 단말의 카메라 어플리케이션을 활성화하여, 카메라 어플리케이션을 통해 이미지를 실시간으로 획득하거나, 또는 제2 단말의 위치 정보에 따라 획득하는 단계, 서버가, 일정 및 배송 경로에 따른 일정 시간 동안 획득된 이미지를 제1 단말로 제공하는 단계, 및 서버가, 일정 및 배송 경로를 제1 단말로 제공하는 단계를 더 포함하고, 서버의 제어 방법은, 업무 카테고리에 물품 수거가 포함된 경우, 서버가, 배송 업무에 대한 완료 시점 및 일정을 바탕으로 수거 종료 예상 시점을 제1 단말로 제공하는 단계를 더 포함할 수 있다.
본 발명의 기타 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.
본 발명의 시니어 전담 배송원을 매칭하여, 머신러닝을 결합한 알고리즘을 통해 최적 배송 경로를 제공하는 통합 관제 서버의 제어 방법에 의하면, 노인 일자리를 창출할 수 있으며, 기존 시장가 대비 30% 낮은 비용으로 전담 배송원 배정 안정성을 높이는 것이 가능하고, 시니어 인건비 지원금으로 높은 매출 총이익을 발생시킬 수 있다.
본 발명의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 개시의 일 실시예에 따른 전자 장치 구성도이다.
도 2는 본 개시의 일 실시예에 따른 시스템 구성도이다.
도 3은 본 개시의 일 실시예에 따른 기본 흐름도이다.
도 4 내지 도 6은 본 개시의 일 실시예에 따른 알고리즘 설명도이다.
도 7 및 도 8은 본 개시의 일 실시예에 따른 시스템 설명도이다.
도 2는 본 개시의 일 실시예에 따른 시스템 구성도이다.
도 3은 본 개시의 일 실시예에 따른 기본 흐름도이다.
도 4 내지 도 6은 본 개시의 일 실시예에 따른 알고리즘 설명도이다.
도 7 및 도 8은 본 개시의 일 실시예에 따른 시스템 설명도이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 개시되는 실시예들에 제한되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술 분야의 통상의 기술자에게 본 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.
본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소 외에 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다. 명세서 전체에 걸쳐 동일한 도면 부호는 동일한 구성 요소를 지칭하며, "및/또는"은 언급된 구성요소들의 각각 및 하나 이상의 모든 조합을 포함한다. 비록 "제1", "제2" 등이 다양한 구성요소들을 서술하기 위해서 사용되나, 이들 구성요소들은 이들 용어에 의해 제한되지 않음은 물론이다. 이들 용어들은 단지 하나의 구성요소를 다른 구성요소와 구별하기 위하여 사용하는 것이다. 따라서, 이하에서 언급되는 제1 구성요소는 본 발명의 기술적 사상 내에서 제2 구성요소일 수도 있음은 물론이다.
다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야의 통상의 기술자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또한, 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.
명세서에서 사용되는 "부" 또는 “모듈”이라는 용어는 소프트웨어, FPGA 또는 ASIC과 같은 하드웨어 구성요소를 의미하며, "부" 또는 “모듈”은 어떤 역할들을 수행한다. 그렇지만 "부" 또는 “모듈”은 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. "부" 또는 “모듈”은 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 "부" 또는 “모듈”은 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들을 포함한다. 구성요소들과 "부" 또는 “모듈”들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 "부" 또는 “모듈”들로 결합되거나 추가적인 구성요소들과 "부" 또는 “모듈”들로 더 분리될 수 있다.
공간적으로 상대적인 용어인 "아래(below)", "아래(beneath)", "하부(lower)", "위(above)", "상부(upper)" 등은 도면에 도시되어 있는 바와 같이 하나의 구성요소와 다른 구성요소들과의 상관관계를 용이하게 기술하기 위해 사용될 수 있다. 공간적으로 상대적인 용어는 도면에 도시되어 있는 방향에 더하여 사용시 또는 동작시 구성요소들의 서로 다른 방향을 포함하는 용어로 이해되어야 한다. 예를 들어, 도면에 도시되어 있는 구성요소를 뒤집을 경우, 다른 구성요소의 "아래(below)"또는 "아래(beneath)"로 기술된 구성요소는 다른 구성요소의 "위(above)"에 놓일 수 있다. 따라서, 예시적인 용어인 "아래"는 아래와 위의 방향을 모두 포함할 수 있다. 구성요소는 다른 방향으로도 배향될 수 있으며, 이에 따라 공간적으로 상대적인 용어들은 배향에 따라 해석될 수 있다.
본 명세서에서, 컴퓨터는 적어도 하나의 프로세서를 포함하는 모든 종류의 하드웨어 장치를 의미하는 것이고, 실시 예에 따라 해당 하드웨어 장치에서 동작하는 소프트웨어적 구성도 포괄하는 의미로서 이해될 수 있다. 예를 들어, 컴퓨터는 스마트폰, 태블릿 PC, 데스크톱, 노트북 및 각 장치에서 구동되는 사용자 클라이언트 및 애플리케이션을 모두 포함하는 의미로서 이해될 수 있으며, 또한 이에 제한되는 것은 아니다.
이하, 첨부된 도면을 참조하여 본 발명의 실시예를 상세하게 설명한다.
도 1은 본 개시의 일 실시예에 따른 서버 구성도이다.
도 1에 도시된 바와 같이, 본 발명의 시니어 전담 배송원을 매칭하여, 머신러닝을 결합한 알고리즘을 통해 최적 배송 경로를 제공하는 통합 관제 서버(100)의 제어 방법에 있어서, 서버(100)는 메모리(110), 적어도 하나의 단말과 통신하기 위한 통신부(120) 및 메모리(110) 및 통신부(120)와 연결된 프로세서(130)를 포함한다.
한편, 메모리(110)는 서버(100)의 동작에 필요한 각종 프로그램 및 데이터를 저장할 수 있다. 메모리(110)는 비휘발성 메모리(110), 휘발성 메모리(110), 플래시메모리(110)(flash-memory), 하드디스크 드라이브(HDD) 또는 솔리드 스테이트 드라이브(SSD) 등으로 구현될 수 있다.
통신부(120)는 외부 장치와 통신을 수행할 수 있다. 특히, 통신부(120)는 와이파이 칩, 블루투스 칩, 무선 통신 칩, NFC칩, 저전력 블루투스 칩(BLE 칩) 등과 같은 다양한 통신 칩을 포함할 수 있다. 이때, 와이파이 칩, 블루투스 칩, NFC 칩은 각각 LAN 방식, WiFi 방식, 블루투스 방식, NFC 방식으로 통신을 수행한다. 와이파이 칩이나 블루투스칩을 이용하는 경우에는 SSID 및 세션 키 등과 같은 각종 연결 정보를 먼저 송수신 하여, 이를 이용하여 통신 연결한 후 각종 정보들을 송수신할 수 있다. 무선 통신칩은 IEEE, 지그비, 3G(3rd Generation), 3GPP(3rd Generation Partnership Project), LTE(Long Term Evolution), 5G(5th Generation) 등과 같은 다양한 통신 규격에 따라 통신을 수행하는 칩을 의미한다.
프로세서(130)는 메모리(110)에 저장된 각종 프로그램을 이용하여 서버(100)의 전반적인 동작을 제어할 수 있다. 프로세서(130)는 RAM, ROM, 그래픽 처리부, 메인 CPU, 제1 내지 n 인터페이스 및 버스로 구성될 수 있다. 이때, RAM, ROM, 그래픽 처리부, 메인 CPU, 제1 내지 n 인터페이스 등은 버스를 통해 서로 연결될 수 있다.
RAM은 O/S 및 어플리케이션 프로그램을 저장한다. 구체적으로, 서버(100)가 부팅되면 O/S가 RAM에 저장되고, 사용자가 선택한 각종 어플리케이션 데이터가 RAM에 저장될 수 있다.
ROM에는 시스템 부팅을 위한 명령어 세트 등이 저장된다. 턴 온 명령이 입력되어 전원이 공급되면, 메인 CPU는 ROM에 저장된 명령어에 따라 메모리(110)에 저장된 O/S를 RAM에 복사하고, O/S를 실행시켜 시스템을 부팅시킨다. 부팅이 완료되면, 메인 CPU는 메모리(110)에 저장된 각종 어플리케이션 프로그램을 RAM에 복사하고, RAM에 복사된 어플리케이션 프로그램을 실행시켜 각종 동작을 수행한다.
그래픽 처리부는 연산부(미도시) 및 렌더링부(미도시)를 이용하여 아이템, 이미지, 텍스트 등과 같은 다양한 객체를 포함하는 화면을 생성한다. 여기서, 연산부는 입력부로부터 수신된 제어 명령을 이용하여 화면의 레이아웃에 따라 각 객체들이 표시될 좌표값, 형태, 크기, 컬러 등과 같은 속성값을 연산하는 구성일 수 있다. 그리고, 렌더링부는 연산부에서 연산한 속성값에 기초하여 객체를 포함하는 다양한 레이아웃의 화면을 생성하는 구성이 일 수 있다. 이러한 렌더링부에서 생성된 화면은 디스플레이의 디스플레이 영역 내에 표시될 수 있다.
메인 CPU는 메모리(110)에 액세스하여, 메모리(110)에 저장된 OS를 이용하여 부팅을 수행한다. 그리고, 메인 CPU는 메모리(110)에 저장된 각종 프로그램, 컨텐츠, 데이터 등을 이용하여 다양한 동작을 수행한다.
제1 내지 n 인터페이스는 상술한 각종 구성요소들과 연결된다. 제1 내지 n 인터페이스 중 하나는 네트워크를 통해 외부 장치와 연결되는 네트워크 인터페이스가 될 수도 있다.
한편, 나아가, 프로세서는 인공지능 모델을 제어할 수 있다. 이 경우, 프로세서는 인공지능 모델을 제어하기 위한 그래픽 전용 프로세서(예: GPU)를 포함할 수 있음은 물론이다.
한편, 본 발명에 따른 인공지능 모델은 교사 지도학습(supervised learning) 또는 비교사 지도학습(unsupervised learning)기반의 모델일 수 있다. 나아가, 본 발명에 따른 인공지능 모델은 SVM(support vector machine), Decision tree, neural network 등 및 이들이 응용된 방법론을 포함할 수 있다.
일 실시예로, 본 발명에 따른 인공지능 모델은 학습데이터를 입력하여 학습된 합성곱 신경망(Convolutional deep Neural Networks, CNN) 기반의 인공지능 모델일 수 있다. 다만, 이에 한정되는 것은 아니며, 다양한 인공지능 모델이 본 발명에 적용될 수 있음은 물론이다. 예컨대, DNN(Deep Neural Network), RNN(Recurrent Neural Network), BRDNN(Bidirectional Recurrent Deep Neural Network)과 같은 모델이 인공지능 모델로서 사용될 수 있으나, 이에 한정되지 않는다.
이때, 합성곱 신경망(Convolutional deep Neural Networks, CNN)은 최소한의 전처리(preprocess)를 사용하도록 설계된 다계층 퍼셉트론(multilayer perceptrons)의 한 종류이다. 합성곱 신경망은 하나 또는 여러개의 합성곱 계층(convolutional layer)과 그 위에 올려진 일반적인 인공신경망 계층들로 이루어져 있으며, 가중치와 통합 계층(pooling layer)들을 추가로 활용한다. 이러한 구조 덕분에 합성곱 신경망은 2차원 구조의 입력 데이터를 충분히 활용할 수 있다. 또한, 합성곱 신경망은 표준 역전달을 통해 훈련될 수 있다. 합성곱 신경망은 다른 피드포워드 인공신경망 기법들보다 쉽게 훈련되는 편이고 적은 수의 매개변수를 사용한다는 이점이 있다.
또한, 심층 신경망(Deep Neural Networks, DNN)은 입력 계층(input layer)과 출력 계층(output layer) 사이에 복수개의 은닉 계층(hidden layer)들로 이뤄진 인공신경망(Artificial Neural Network, ANN)이다.
이때, 심층 신경망의 구조는 퍼셉트론(perceptron)으로 구성될 수 있다. 퍼셉트론은 여러 개의 입력 값(input)과 하나의 프로세서(prosessor), 하나의 출력 값으로 구성된다. 프로세서는 여러 개의 입력 값에 각각 가중치를 곱한 후, 가중치가 곱해진 입력 값들을 모두 합한다. 그 다음 프로세서는 합해진 값을 활성화함수에 대입하여 하나의 출력 값을 출력한다. 만약 활성화함수의 출력 값으로 특정한 값이 나오기를 원하는 경우, 각 입력 값에 곱해지는 가중치를 수정하고, 수정된 가중치를 이용하여 출력 값을 다시 계산할 수 있다. 이때, 각각의 퍼셉트론은 서로 다른 활성화함수를 사용할 수 있다. 또한 각각의 퍼셉트론은 이전 계층에서 전달된 출력들을 입력으로 받아들인 다음, 활성화 함수를 이용해서 출력을 구한다. 구해진 출력은 다음 계층의 입력으로 전달된다. 상술한 바와 같은 과정을 거치면 최종적으로 몇 개의 출력 값을 얻을 수 있다.
순환 신경망(Reccurent Neural Network, RNN)은 인공신경망을 구성하는 유닛 사이의 연결이 Directed cycle을 구성하는 신경망을 말한다. 순환 신경망은 앞먹임 신경망과 달리, 임의의 입력을 처리하기 위해 신경망 내부의 메모리를 활용할 수 있다.
심층 신뢰 신경망(Deep Belief Networks, DBN)이란 기계학습에서 사용되는 그래프 생성 모형(generative graphical model)으로, 딥 러닝에서는 잠재변수(latent variable)의 다중계층으로 이루어진 심층 신경망을 의미한다. 계층 간에는 연결이 있지만 계층 내의 유닛 간에는 연결이 없다는 특징이 있다.
심층 신뢰 신경망은 생성 모형이라는 특성상 선행학습에 사용될 수 있고, 선행학습을 통해 초기 가중치를 학습한 후 역전파 혹은 다른 판별 알고리즘을 통해 가중치의 미조정을 할 수 있다. 이러한 특성은 훈련용 데이터가 적을 때 굉장히 유용한데, 이는 훈련용 데이터가 적을수록 가중치의 초기값이 결과적인 모델에 끼치는 영향이 세지기 때문이다. 선행학습된 가중치 초기값은 임의로 설정된 가중치 초기값에 비해 최적의 가중치에 가깝게 되고 이는 미조정 단계의 성능과 속도향상을 가능케 한다.
상술한 인공지능 및 그 학습방법에 관한 내용은 예시를 위하여 서술된 것이며, 상술한 실시 예들에서 이용되는 인공지능 및 그 학습방법은 제한되지 않는다. 예를 들어, 당 업계의 통상의 기술자가 동일한 과제해결을 위하여 적용할 수 있는 모든 종류의 인공지능 기술 및 그 학습방법이 개시된 실시 예에 따른 시스템을 구현하는 데 활용될 수 있다.
한편, 프로세서(130)는 하나 이상의 코어(core, 미도시) 및 그래픽 처리부(미도시) 및/또는 다른 구성 요소와 신호를 송수신하는 연결 통로(예를 들어, 버스(bus) 등)를 포함할 수 있다.
일 실시예에 따른 프로세서(130)는 메모리(110)에 저장된 하나 이상의 인스트럭션을 실행함으로써, 본 발명과 관련하여 설명된 방법을 수행한다.
예를 들어, 프로세서(130)는 메모리(110)에 저장된 하나 이상의 인스트럭션을 실행함으로써 신규 학습용 데이터를 획득하고, 학습된 모델을 이용하여, 상기 획득된 신규 학습용 데이터에 대한 테스트를 수행하고, 상기 테스트 결과, 라벨링된 정보가 소정의 제1 기준값 이상의 정확도로 획득되는 제1 학습용 데이터를 추출하고, 상기 추출된 제1 학습용 데이터를 상기 신규 학습용 데이터로부터 삭제하고, 상기 추출된 학습용 데이터가 삭제된 상기 신규 학습용 데이터를 이용하여 상기 학습된 모델을 다시 학습시킬 수 있다.
한편, 프로세서(130)는 프로세서(130) 내부에서 처리되는 신호(또는, 데이터)를 일시적 및/또는 영구적으로 저장하는 램(RAM: Random Access Memory, 미도시) 및 롬(ROM: Read-Only Memory, 미도시)을 더 포함할 수 있다. 또한, 프로세서(130)는 그래픽 처리부, 램 및 롬 중 적어도 하나를 포함하는 시스템온칩(SoC: system on chip) 형태로 구현될 수 있다.
메모리(110)에는 프로세서(130)의 처리 및 제어를 위한 프로그램들(하나 이상의 인스트럭션들)을 저장할 수 있다. 메모리(110)에 저장된 프로그램들은 기능에 따라 복수 개의 모듈들로 구분될 수 있다.
카메라는 적어도 하나의 피사체를 촬영하기 위한 구성으로, 프로세서(130)는 카메라를 통해 적어도 하나의 객체를 인식하거나 객체와의 거리를 식별할 수 있다.
도 2는 본 개시의 일 실시예에 따른 시스템 구성도이다.
도 2에 도시된 바와 같이, 본 발명의 서버(100)는 통신부(120)를 통해 고객사(물품을 배송하는 업체)의 전자 장치인 제1 단말(200) 및 시니어 배송원(노인 배송 업자)의 전자 장치인 제2 단말(300)과 각각 통신을 수행하며, 그 밖에도, 서버(100)에 대한 관리 및 서버(100)에 등록된 적어도 하나의 시니어 배송원에 대한 모니터링을 수행하는 관지라의 전자 장치인 제3 단말을 더 포함할 수도 있다.
일 실시예로, 전자 장치는, 서버, 스마트폰(smartphone), 태블릿 PC(tablet personal computer), 이동 전화기(mobile phone), 영상 전화기, 랩탑 PC(laptop PC), 넷북 컴퓨터(netbook computer), 노트북 컴퓨터(notebook computer), PDA(personal digital assistant), PMP(portable multimedia player), 웨어러블 장치(wearable device), 네비게이션(navigation) 중 적어도 하나를 포함할 수 있다.
전자 장치는, 저장모듈, 서버(100) 및 적어도 하나의 다른 단말과 통신하기 위한 통신모듈, 어플리케이션을 통해 제공되는 이미지를 출력하고 사용자 명령을 획득하기 위한 입출력모듈, 촬영을 수행하여 이미지를 획득하는 카메라모듈, 및 전자 장치의 전반적인 동작을 수행하며, 저장모듈, 통신모듈, 입출력모듈, 및 카메라모듈 각각에 연결된 제어모듈을 포함할 수 있다.
이때, 입출력모듈은 디스플레이, 키패드, 키보드, 조이스틱 등을 포함할 수 있다.
일 실시예로, 카메라 모듈은 입체 이미지를 획득하는 뎁스 카메라(Depth camera), RGB 카메라 등으로 구현될 수 있다.
뎁스 카메라는, 동시에 2장의 화상을 획득하여 피사체를 입체적으로 획득하는 스테레오 카메라(stereoscopic camera, stereo camera, 쌍안 촬영기, 양 시점 카메라) 및 피사체에 반사된 빛이 돌아오는 시간 및 속도를 바탕으로 배경내 피사체의 3차원 영상 정보를 얻는 ToF 카메라(Time of Flight camera) 등일 수 있다.
디스플레이는 다양한 정보를 시각적으로 출력하기 위한 구성이다.
디스플레이는 LCD(Liquid Crystal Display), PDP(Plasma Display Panel), OLED(Organic Light Emitting Diodes), TOLED(Transparent OLED), Micro LED 등으로 구현될 수 있으나, 이에 한정되는 것은 아니고 이밖에 종래 알려진 다양한 형태의 디스플레이를 포함할 수 있다.
디스플레이는, 사용자의 터치 조작을 감지할 수 있는 터치스크린 형태로 구현될 수 있으며, 접히거나 구부러질 수 있는 플렉서블 디스플레이로 구현될 수도 있다.
도 3은 본 개시의 일 실시예에 따른 기본 흐름도이다.
도 3에 도시된 바와 같이, 본 발명의 시니어 전담 배송원을 매칭하여, 머신러닝을 결합한 알고리즘을 통해 최적 배송 경로를 제공하는 통합 관제 서버(100)의 제어 방법에 있어서, 서버(100)는, 배송 업무(delivery task)를 등록 (S310)하면, 배송 업무의 목표 상차지 및 목표 하차지를 식별(S320)한다.
이때, 서버(100)는 목표 상차지 및 목표 하차지를 바탕으로 배송 업무를 수행하기 위한 배송원을 선택(S330)하며, 구체적으로, 복수의 배송원이 수행한 배송 업무들 각각의 상차지 및 하차지를 식별하고, 복수의 배송원 중 목표 상차지 및 목표 하차지 중 적어도 하나와 관련된 업무를 수행한 이력이 있는 배송원을 선택한다.
단계 S310을 수행함에 있어서, 서버(100)는 업체의 제1 단말(200)로부터 업무 등록 요청을 획득하여, 등록 요청을 바탕으로, 목표 상차지, 목표 하차지, 업무 카테고리, 및 배송 기한을 식별함으로써, 목표 상차지, 목표 하차지, 업무 카테고리, 및 배송 기한을 바탕으로 배송 업무를 등록한다.
업무 카테고리는, 물품 배송, 정기 배송, 케이터링(Catering) 서비스, 물품 수거, 아동 이동 서비스, 및 장보기 서비스 중 적어도 하나의 업무를 포함할 수 있다.
한편, 서버(100)는 배송원에 대하여 등록된 복수의 배송 업무를 수행하기 위한 일 배송 경로를 선택하고, 배송 경로를 바탕으로, 배송원의 제2 단말(300)에 기 매칭된 일정을 업데이트할 수 있다.
일정은, 배송 체크리스트(Check list), 시점 별 배송 위치, 업무 별 예상 배송 소요 시간, 업무 별 예상 작업 소요 시간, 시점 별 수거 위치, 및 업무 별 예상 수거 소요 시간 중 적어도 하나를 포함할 수 있다.
배송 경로는 맵(map) 상에 제2 단말(300)의 현재 위치 및 배송지가 표시된 네비게이션 이미지를 포함할 수 있다.
배송 체크리스트는, 일 시니어 배송원에게 배정된 적어도 하나의 업무가 배송 경로 및 배송 기한를 바탕으로 배정된 처리 순서에 따라 나열된 데이터이다.
실시예로, 업무 카테고리에 포함된 업무 각각에 대하여 기 설정된 업무 난이도가 매칭되어 저장될 수 있다.
예컨대, 물품 배송에 대한 난이도는 1, 케이터링 서비스에 대한 난이도는 8, 아동 이동 서비스에 대한 난이도는 6으로 저장될 수 있다.
실시예로, 서버(100)는 일 배송 업무에 따라 업데이트된 일정을 제2 단말(300)로 제공함에 있어서, 해당 배송 업무에 대한 업무 등록의 수락 및 거절 중 어느 하나에 대한 사용자 명령을 획득하는 UI(User Interface)를 제2 단말(300)로 제공할 수 있다.
이때, 제2 단말(300)을 통해 거절에 대한 사용자 명령을 획득하면, 서버(100)는 업무 난이도, 비선호 카테고리, 및 비선호 주소 중 적어도 하나에 대한 사용자 명령을 획득하는 UI를 제2 단말(300)로 제공하고, 업무 난이도, 비선호 카테고리, 및 비선호 주소 중 적어도 하나의 거절 사유를 선택하는 사용자 명령을 획득하면, 획득된 거절 사유를 바탕으로 제2 단말(300)의 사용자에 대한 비선호 업무 정보를 업데이트한다.
이에 따라, 단계 S320을 수행함에 있어서, 서버(100)는 업무 등록 요청 및 시니어 배송원 별 비선호 업무 정보를 바탕으로 제2 단말을 선택할 수 있다.
비선호 업무 정보는, 업무 카테고리 중 일정 횟수 이상 거절이 발생한 업무, 업무 카테고리 중 거절 발생 횟수가 가장 많은 업무, 배송지 중 거절 횟수가 일정 횟수를 초과하는 주소, 및 거절이 발생한 업무 난이도의 평균값 중 적어도 하나의 데이터를 포함하여, 서버(100)는 비선호 업무 정보를 시니어 배송원 각각에 대해 저장하고, 업무 등록 요청이 발생한 경우, 해당 요청이 비선호 업무로 분류되지 않은 시니어 배송원을 식별하여, 제2 단말(300)을 선택함으로써 업무에 대한 거절이 발생하는 횟수를 감소시킬 수 있다.
한편, 일 배송 경로를 선택함에 있어서, 서버(100)는 복수의 배송 업무를 순차적으로 수행하기 위한 서로 다른 순서를 포함하는 복수의 후보 경로를 생성할 수 있다.
이에 따라, 서버(100)는 복수의 배송 업무 각각에 대한, 목표 상차지, 목표 하차지, 및 배송 기한을 포함하는 데이터를 벡터화하고, 벡터화된 데이터를 강화 학습 모델에 입력하여, 복수의 후보 경로 중 일 배송 경로를 선택한다.
여기서, 강화 학습 모델(Reinforcement Learning Model)은, 입력된 경로의 시간 및 거리 중 적어도 하나가 짧을수록 더 큰 보상(reward)을 출력하도록 훈련된다.
강화 학습 모델은, 현재의 상태(State)에서 어떤 행동(Action)을 취하는 것이 최적인지를 학습하는 강화 학습을 바탕으로 훈련된 것이며, 행동을 취할 때마다 외부 환경에서 보상(Reward)이 주어지는데, 이러한 보상을 최대화하는 방향으로 학습이 진행된다. 강화 학습 모델은 강화 학습에 딥 러닝이 접목된 DQN(Deep Q Networks)으로 구성될 수 있으나, 이에 한정되지는 않는다.
한편, 서버(100)는 일정을 바탕으로, 선택된 배송원에 대한 근무 시간을 식별하여, 근무 시간 내에서의 시점에 대한, 제2 단말(300)의 위치 정보를 획득할 수 있다.
이에 따라, 서버(100)는, 제2 단말(300)의 위치 정보가 변경되는 경우, 변경된 위치 정보를 바탕으로 배송 경로를 업데이트하고, 업데이트된 배송 경로를 제2 단말(300)로 제공할 수 있다.
실시예로, 서버(100)는 위치 정보가 변경됨에 따라, 제2 단말(300)의 위치가 배송 경로로부터 일정 거리를 초과하여 이탈한 것으로 식별되면, 경로 이탈에 따라 수정된 배송 경로를 제2 단말로 제공하고, 이때, 수정된 배송 경로에 따라 복수의 배송 업무에 대한 처리 순서가 변경된 경우, 순서의 변경에 따라 예상 완료 시점이 늦춰진 업무를 식별할 수 있다.
이때, 식별된 업무에 기 매칭된 배송 물품이 음식으로 분류되는 경우, 서버(100)는 제2 단말을 통해 경로 복귀를 요청하는 알람을 시니어 배송원에게 제공할 수 있다.
서버(100)는 일정에 따른 일정 시간 동안 제2 단말(300)의 카메라 어플리케이션을 활성화하여, 카메라 어플리케이션을 통해 이미지를 실시간으로 획득하거나, 또는 위치 정보에 따라 획득할 수 있다.
이에 따라, 서버(100)는 일정 및 배송 경로에 따른 일정 시간 동안 획득된 이미지를 제1 단말(200)로 제공하고, 또한, 일정 및 배송 경로를 제1 단말(200)로 제공할 수 있다.
실시예로, 이미지를 획득함에 있어서, 제2 단말에 대해 업데이트된 일정에 따른 근무 시간 중, 임계시간을 초과하여 이미지가 획득되지 않는 경우, 서버(100)는 카메라 어플리케이션에 대한 활성화를 요청하는 알람 및 활성화를 승인하는 사용자 명령을 획득하는 UI를 제2 단말(300)로 제공할 수 있다.
이때, 일정 시간을 초과하여 활성화를 승인하는 사용자 명령이 제2 단말(300)로부터 미획득되는 경우, 서버(100)는 제2 단말(300)에 대한 통화를 수행하여, 통화 연결이 되면, 카메라 렌즈에 대한 이물질 확인을 요청하는 오디오를 출력할 수 있다.
통화 종료 이후, 일정 시간을 초과하여 이미지가 미획득되면, 서버(100)는 제2 단말(300)에 대한 통화를 재수행하여, 통화 연결이 되면, 제3 단말와 제2 단말(300)간의 통화 연결을 수행할 수 있다.
이후, 서버(100)가 제3 단말로부터 제2 단말(300)을 서버(100)에 기 등록된 보조 단말로 대체하는 요청을 수신하면, 서버(100)는 보조 단말로 제2 단말에 대해 업데이트된 일정 및 배송 경로를 제공하고, 보조 단말을 통해 카메라 어플리케이션을 활성활할 수 있다.
이를 통해, 전자 장치에 대한 사용이 어려운 시니어 배송원에 대해서 전자 장치의 문제 발생시 3단계에 따른 순차적 대응으로 일정을 수행할 수 있도록 지원할 수 있다.
한편, 서버(100)는 일 배송 업무에 대한 업무 카테고리에 물품 수거가 포함된 경우, 배송 업무에 대한 완료 시점 및 일정을 바탕으로 수거 종료 예상 시점을 제1 단말(200)로 제공할 수 있다.
도 4 내지 도 6은 본 개시의 일 실시예에 따른 알고리즘 설명도이고, 도 7 및 도 8은 본 개시의 일 실시예에 따른 시스템 설명도이다.
도 4 내지 도 6에 도시된 바와 같이, 서버(100)는 배송이 완료된 일 배송 업무에 대한 업무 카테고리를 획득하고, 또한, 일 배송 업무에 대한 완료 시점, 및 일 배송 업무에 대한 수거 종료 시점 중 적어도 하나를 획득할 수 있다.
이에 따라, 서버(100)는 일 배송 업무에 대한 배송 예상 시점과 일 배송 업무에 대한 완료 시점에 따른 제1 시간 산출 정확도, 및, 일 배송 업무에 대한 수거 종료 예상 시점과 일 배송 업무에 대한 수거 종료 시점에 따른 제2 시간 산출 정확도 중 적어도 하나를 획득할 수 있다.
이때, 1 시간 산출 정확도 및 제2 시간 산출 정확도 중 적어도 하나가 일 배송 업무에 대한 업무 카테고리에 대해 기 설정된 정확도 미만인 경우, 서버(100)는 일 배송 업무에 대한 업무 카테고리, 일 배송 업무에 대한 배송 위치, 일 배송 업무에 대한 완료 시점, 및 일 배송 업무에 대한 수거 종료 시점을 바탕으로, 강화 학습 모델을 업데이트할 수 있다.
이에 따라, 일정 가공 및 배차에 있어, 시간, 장소별 배송정보 클러스터링 및 자체 배차 알고리즘에 따라 생성된 최적 배송 경로가 제2 단말(300)로 서버(100)에 의해 제공되며, 데이터 기반 배송 일정 시스템을 적용하고, 배송 관제 시스템에 있어, 대시보드와 지도를 활용해 배송원, 상하차, 물품 등 배송 주요 정보를 실시간으로 관제할 수 있는 배송 관제 시스템을 제공하되, 이러한 시스템을 제공하기 위한 어플리케이션은, 도 8에 도시된 바와 같이, 시니어 특화 UX(User experience)/UI(User Interface)가 적용되어 있다.
제1 단말(200)은, 배송 물품과 상하차 정보를 포함한 데이터(주문 정보)를 서버(100)로 전송하거나, 웹에 업로드하고, 서버(100)는 데이터를 전처리하여 고객사 별로 주문을 접수한다.
도 4 내지 도 7에 도시된 바와 같이, 배송 일정 정보를 생성하기 위한 AI 모델을 포함하고, 이에 따라, 전처리된 데이터 및 AI 모델을 이용해 데이터 기반 통합 배송 관제 시스템을 구현할 수 있다.
예컨대, 서버(100)는 적어도 하나의 시니어 배송원에 대한 단말로 본 발명에 의한 시니어 인력 기반 정기 배송 대행 플랫폼을 제공함에 있어서, 주문 접수 시스템 상에서 데이터 전환, 가공 및 저장을 수행하고, 배송 일정 생성 AI 시스템 상에서 Deep Q Network와 같은, 배송 정보 클러스터링 및 머신러닝을 결합한 알고리즘을 통해 물류 동선을 최적화하여 지역별 배차를 최적화하여 배송원을 선택하고, 배송 주요 정보들을 대시보드와 지도를 활용해 실시간 관제한다.
이때, 서버(100)는 시니어 특화 UX/UI를 포함하는 어플리케이션을 제2 단말(300)로 제공함에 있어, 배송 중 발생하는 방대한 데이터를 효율적으로 생성, 전송 및 축적하기 위해, 100명의 시니어 및 누적 20만인 분의 심층 UX 인터뷰 내용을 반영한 특화 UX/UI를 적용하여 업무 효율성을 극대화하고 시니어 배송원 업무 적응기간을 단축시킬 수 있다.
예컨대, 일정 자동 전송, 일정 정보 조회, 네비게이션 자동 실행, 길 찾기 보조 기능, 위치 정보 전송, 물품 체크리스트 자동 전송, 어플리케이션 내 카메라 자동 실행, 사진 자동 전송, 상차지/전달지 담당자 및 배송 관제 매니저 자동 설정(제3 단말) 등과 같은 기능을 포함하는 어플리케이션을 제2 단말(300)을 통해 실행할 수 있다.
본 발명의 실시예와 관련하여 설명된 방법 또는 알고리즘의 단계들은 하드웨어로 직접 구현되거나, 하드웨어에 의해 실행되는 소프트웨어 모듈로 구현되거나, 또는 이들의 결합에 의해 구현될 수 있다. 소프트웨어 모듈은 RAM(Random Access Memory), ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리(Flash Memory), 하드 디스크, 착탈형 디스크, CD-ROM, 또는 본 발명이 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터 판독가능 기록매체에 상주할 수도 있다.
또한, 본 발명의 서로 다른 실시예들은 상호 보완되거나 결합될 수 있다.
본 발명의 구성 요소들은 하드웨어인 컴퓨터와 결합되어 실행되기 위해 프로그램(또는 애플리케이션)으로 구현되어 매체에 저장될 수 있다. 본 발명의 구성 요소들은 소프트웨어 프로그래밍 또는 소프트웨어 요소들로 실행될 수 있으며, 이와 유사하게, 실시 예는 데이터 구조, 프로세스들, 루틴들 또는 다른 프로그래밍 구성들의 조합으로 구현되는 다양한 알고리즘을 포함하여, C, C++, 자바(Java), 어셈블러(assembler), 파이썬(Python) 등과 같은 프로그래밍 또는 스크립팅 언어로 구현될 수 있다. 기능적인 측면들은 하나 이상의 프로세서들에서 실행되는 알고리즘으로 구현될 수 있다.
이상, 첨부된 도면을 참조로 하여 본 발명의 실시예를 설명하였지만, 본 발명이 속하는 기술분야의 통상의 기술자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로, 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며, 제한적이 아닌 것으로 이해해야만 한다.
100 : 서버
110 : 메모리
120 : 통신부
130 : 프로세서
200 : 제1 단말
300 : 제2 단말
110 : 메모리
120 : 통신부
130 : 프로세서
200 : 제1 단말
300 : 제2 단말
Claims (7)
- 통합 관제 서버의 제어 방법에 있어서,
상기 서버가, 배송 업무(delivery task)를 등록하는 단계;
상기 서버가, 상기 배송 업무의 목표 상차지 및 목표 하차지를 식별하는 단계; 및
상기 서버가, 상기 목표 상차지 및 상기 목표 하차지를 바탕으로 상기 배송 업무를 수행하기 위한 배송원을 선택하는 단계;를 포함하고,
상기 배송원을 선택하는 단계는,
복수의 배송원이 수행한 배송 업무들 각각의 상차지 및 하차지를 식별하고,
상기 복수의 배송원 중 상기 목표 상차지 및 상기 목표 하차지 중 적어도 하나와 관련된 업무를 수행한 이력이 있는 배송원을 선택하는, 서버의 제어 방법. - 제1 항에 있어서,
상기 배송 업무를 등록하는 단계는,
업체의 제1 단말로부터 업무 등록 요청을 획득하는 단계;
상기 업무 등록 요청을 바탕으로, 목표 상차지, 목표 하차지, 업무 카테고리, 및 배송 기한을 식별하는 단계; 및
상기 목표 상차지, 상기 목표 하차지, 상기 업무 카테고리, 및 상기 배송 기한을 바탕으로 배송 업무를 등록하는 단계;를 더 포함하고,
상기 업무 카테고리는,
물품 배송, 정기 배송, 케이터링(Catering) 서비스, 물품 수거, 아동 이동 서비스, 및 장보기 서비스 중 적어도 하나를 포함하는 것을 특징으로 하는, 서버의 제어 방법. - 제2 항에 있어서,
상기 서버의 제어 방법은,
상기 서버가, 상기 배송원에 대하여 등록된 복수의 배송 업무를 수행하기 위한 일 배송 경로를 선택하는 단계; 및
상기 서버가, 상기 배송 경로를 바탕으로, 상기 배송원의 제2 단말에 기 매칭된 일정을 업데이트하는 단계;를 더 포함하고,
상기 일정은,
배송 체크리스트(Check list), 시점 별 배송 위치, 업무 별 예상 배송 소요 시간, 업무 별 예상 작업 소요 시간, 시점 별 수거 위치, 및 업무 별 예상 수거 소요 시간 중 적어도 하나를 포함하는, 서버의 제어 방법. - 제3 항에 있어서,
상기 일 배송 경로를 선택하는 단계는,
상기 복수의 배송 업무를 순차적으로 수행하기 위한 서로 다른 순서를 포함하는 복수의 후보 경로를 생성하고,
상기 복수의 배송 업무 각각에 대한, 목표 상차지, 목표 하차지, 및 배송 기한을 포함하는 데이터를 벡터화하고,
상기 벡터화된 데이터를 강화 학습 모델에 입력하여, 상기 복수의 후보 경로 중 일 배송 경로를 선택하고,
상기 강화 학습 모델은,
입력된 경로의 시간 및 거리 중 적어도 하나가 짧을수록 더 큰 보상(reward)을 출력하도록 훈련된 것을 특징으로 하는, 서버의 제어 방법. - 제4 항에 있어서,
상기 서버의 제어 방법은,
상기 서버가, 배송이 완료된 일 배송 업무에 대한 업무 카테고리를 획득하는 단계;
상기 서버가, 상기 일 배송 업무에 대한 완료 시점, 및 상기 일 배송 업무에 대한 수거 종료 시점 중 적어도 하나를 획득하는 단계;
상기 서버가, 상기 일 배송 업무에 대한 배송 예상 시점과 상기 일 배송 업무에 대한 완료 시점에 따른 제1 시간 산출 정확도, 및, 상기 일 배송 업무에 대한 수거 종료 예상 시점과 상기 일 배송 업무에 대한 수거 종료 시점에 따른 제2 시간 산출 정확도 중 적어도 하나를 획득하는 단계; 및
상기 제1 시간 산출 정확도 및 상기 제2 시간 산출 정확도 중 적어도 하나가 상기 일 배송 업무에 대한 업무 카테고리에 대해 기 설정된 정확도 미만인 경우, 상기 서버가, 일 배송 업무에 대한 업무 카테고리, 상기 일 배송 업무에 대한 배송 위치, 상기 일 배송 업무에 대한 완료 시점, 및 상기 일 배송 업무에 대한 수거 종료 시점을 바탕으로, 상기 강화 학습 모델을 업데이트하는 단계;를 더 포함하는, 서버의 제어 방법. - 제3 항에 있어서,
상기 서버의 제어 방법은,
상기 서버가, 상기 일정을 바탕으로, 상기 선택된 배송원에 대한 근무 시간을 식별하는 단계;
상기 서버가, 상기 근무 시간에 대하여, 상기 제2 단말의 위치 정보를 획득하는 단계;
상기 제2 단말의 위치 정보가 변경되는 경우, 상기 서버가, 변경된 위치 정보를 바탕으로 상기 배송 경로를 업데이트 하는 단계; 및
상기 서버가, 상기 업데이트된 배송 경로를 상기 제2 단말로 제공하는 단계;를 더 포함하는, 서버의 제어 방법. - 제3 항에 있어서,
상기 서버의 제어 방법은,
상기 서버가, 상기 일정에 따른 일정 시간 동안 상기 제2 단말의 카메라 어플리케이션을 활성화하여, 상기 카메라 어플리케이션을 통해 이미지를 실시간으로 획득하거나, 또는 상기 제2 단말의 위치 정보에 따라 획득하는 단계;
상기 서버가, 상기 일정 및 상기 배송 경로에 따른 일정 시간 동안 상기 획득된 이미지를 상기 제1 단말로 제공하는 단계; 및
상기 서버가, 상기 일정 및 상기 배송 경로를 상기 제1 단말로 제공하는 단계;를 더 포함하고,
상기 서버의 제어 방법은,
상기 업무 카테고리에 물품 수거가 포함된 경우, 상기 서버가, 상기 배송 업무에 대한 완료 시점 및 상기 일정을 바탕으로 수거 종료 예상 시점을 상기 제1 단말로 제공하는 단계;를 더 포함하는, 서버의 제어 방법.
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220088377 | 2022-07-18 | ||
| KR20220088377 | 2022-07-18 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20240012298A true KR20240012298A (ko) | 2024-01-29 |
| KR102638334B1 KR102638334B1 (ko) | 2024-02-21 |
Family
ID=89717184
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230078108A KR102638334B1 (ko) | 2022-07-18 | 2023-06-19 | 시니어 전담 배송원을 매칭하여, 머신러닝을 결합한 알고리즘을 통해 최적 배송 경로를 제공하는 통합 관제 서버의 제어 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102638334B1 (ko) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2018144925A (ja) * | 2017-03-02 | 2018-09-20 | 本田技研工業株式会社 | 配達管理装置、配達管理方法および配達管理システム |
| KR20190008623A (ko) * | 2017-07-17 | 2019-01-25 | 현영화 | 대여 도서 배달 서비스 제공 방법 |
| KR102041971B1 (ko) * | 2018-05-09 | 2019-11-07 | 주식회사 모베이스 | 최적 배송경로 패턴 마이닝 학습 방법을 이용한 클라우드 배송 서비스 시스템 |
| KR20200131007A (ko) * | 2019-05-13 | 2020-11-23 | 우석대학교 산학협력단 | 실버 배송을 활용한 도서 공유 시스템 |
| KR20220020501A (ko) * | 2020-08-12 | 2022-02-21 | 주식회사 착한아들들 | 공유경제형 비대면 배송 시스템 |
-
2023
- 2023-06-19 KR KR1020230078108A patent/KR102638334B1/ko active IP Right Grant
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2018144925A (ja) * | 2017-03-02 | 2018-09-20 | 本田技研工業株式会社 | 配達管理装置、配達管理方法および配達管理システム |
| KR20190008623A (ko) * | 2017-07-17 | 2019-01-25 | 현영화 | 대여 도서 배달 서비스 제공 방법 |
| KR102041971B1 (ko) * | 2018-05-09 | 2019-11-07 | 주식회사 모베이스 | 최적 배송경로 패턴 마이닝 학습 방법을 이용한 클라우드 배송 서비스 시스템 |
| KR20200131007A (ko) * | 2019-05-13 | 2020-11-23 | 우석대학교 산학협력단 | 실버 배송을 활용한 도서 공유 시스템 |
| KR20220020501A (ko) * | 2020-08-12 | 2022-02-21 | 주식회사 착한아들들 | 공유경제형 비대면 배송 시스템 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102638334B1 (ko) | 2024-02-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20200401886A1 (en) | Method and system for providing machine learning service | |
| US11238576B2 (en) | Information processing device, data structure, information processing method, and non-transitory computer readable storage medium | |
| CN108664651B (zh) | 一种图案推荐方法、装置及存储介质 | |
| US20220207461A1 (en) | On-Demand Coordinated Comestible Item Delivery System | |
| CN111931067A (zh) | 兴趣点推荐方法、装置、设备和介质 | |
| CN114036398B (zh) | 内容推荐和排序模型训练方法、装置、设备以及存储介质 | |
| KR20210077482A (ko) | 복수의 갱신 정보를 융합하여 인공 지능 모델을 갱신하는 인공 지능 서버 및 그 방법 | |
| KR102352991B1 (ko) | 인공지능 모델 생성 플랫폼 제공 시스템을 이용한 인공지능 모델 생성 방법 | |
| US20200051559A1 (en) | Electronic device and method for providing one or more items in response to user speech | |
| CN107481054A (zh) | 酒店优惠信息的推送及装置、电子设备、存储介质 | |
| AU2023202891A1 (en) | Image classification system | |
| KR102638334B1 (ko) | 시니어 전담 배송원을 매칭하여, 머신러닝을 결합한 알고리즘을 통해 최적 배송 경로를 제공하는 통합 관제 서버의 제어 방법 | |
| US20210174396A1 (en) | Apparatus and method for presentation of in-store visualizations and/or supply of products to customers | |
| US20230119860A1 (en) | Matching system, matching method, and matching program | |
| CN112541145B (zh) | 一种页面展现方法、装置、设备及存储介质 | |
| KR20210133818A (ko) | 딥러닝 인공지능 기반의 음성인식 쇼핑 서비스 제공 방법 | |
| KR102507508B1 (ko) | 바이럴 마케팅 방법 및 이를 지원하는 장치 | |
| CN112529624B (zh) | 生成业务预测模型的方法、装置、设备以及存储介质 | |
| KR101934489B1 (ko) | 드론을 이용한 이벤트 제공 시스템 | |
| KR102650671B1 (ko) | 심부름 요청에 따른 적정 심부름 가격을 제시하는 전자 장치 | |
| KR20220009039A (ko) | 사용자의 위치 정보 및 여행 스케쥴에 기반하여 전자 여행 안내 브로슈어를 제공하는 방법 | |
| KR102325298B1 (ko) | 업무 분야에 따른 비대면 비서 매칭 시스템의 제어 방법 | |
| KR102562714B1 (ko) | 심부름 요청에 따른 헬퍼 매칭 서비스를 제공하는 전자 장치의 제어 방법 | |
| KR20220009038A (ko) | 현지인 여행 플래너 매칭 서비스를 통한 여행 상품 제공 방법, 장치 및 컴퓨터프로그램 | |
| CN114547430A (zh) | 信息对象的标签标注方法、装置、设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| GRNT | Written decision to grant |