WO2020022669A1 - 인공지능 과제매칭 방법, 장치 및 프로그램 - Google Patents

인공지능 과제매칭 방법, 장치 및 프로그램 Download PDF

Info

Publication number
WO2020022669A1
WO2020022669A1 PCT/KR2019/008394 KR2019008394W WO2020022669A1 WO 2020022669 A1 WO2020022669 A1 WO 2020022669A1 KR 2019008394 W KR2019008394 W KR 2019008394W WO 2020022669 A1 WO2020022669 A1 WO 2020022669A1
Authority
WO
WIPO (PCT)
Prior art keywords
task
information
applicant
artificial intelligence
matching
Prior art date
Application number
PCT/KR2019/008394
Other languages
English (en)
French (fr)
Inventor
김보언
Original Assignee
(주)엔터랩
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by (주)엔터랩 filed Critical (주)엔터랩
Priority to US17/050,164 priority Critical patent/US20210097441A1/en
Publication of WO2020022669A1 publication Critical patent/WO2020022669A1/ko

Links

Images

Classifications

    • 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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/29—Graphical models, e.g. Bayesian networks
    • G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models

Definitions

  • the present invention relates to an AI task matching method, apparatus and program.
  • AI Artificial Intelligence
  • AI technology is composed of elementary technology that utilizes machine learning (deep learning) and machine learning.
  • Machine learning is an algorithm technology that classifies / learns characteristics of input data by itself
  • element technology is a technology that simulates the functions of human brain cognition and judgment by using machine learning algorithms such as deep learning. It consists of technical fields such as understanding, reasoning / prediction, knowledge representation and motion control.
  • Linguistic understanding is a technology for recognizing and applying / processing human language / characters and includes natural language processing, machine translation, dialogue system, question and answer, speech recognition / synthesis, and the like.
  • Visual understanding is a technology that recognizes and processes objects as human vision, and includes object recognition, object tracking, image retrieval, human recognition, scene understanding, spatial understanding, and image enhancement.
  • Inference prediction is a technique of judging information, logically inferring, and predicting information, and includes knowledge / probability based inference, optimization prediction, preference based planning, and recommendation.
  • Knowledge expression is a technology that automatically processes human experience information into knowledge data, and includes knowledge construction (data generation / classification) and knowledge management (data utilization).
  • Motion control is a technique for controlling autonomous driving of a vehicle and movement of a robot, and includes motion control (navigation, collision, driving), operation control (action control), and the like.
  • MICE is an abbreviation of English letters such as meetings, incentive trips, conventions, exhibitions and events. In the broader sense, it means a convergence industry that includes participant-centered reward tourism and mega events.
  • the problem to be solved by the present invention is to provide an AI problem matching method, apparatus and program.
  • the step of obtaining training data including at least one task performance record (S101), learning the artificial intelligence model using the training data (S102), collecting one or more applicant information (S103), collecting one or more assignment information (S104), and matching at least one assignment with at least one applicant using the artificial intelligence model. (S105).
  • FIG. 1 is a diagram illustrating a system according to an exemplary embodiment.
  • FIG. 2 is a flowchart illustrating an AI task matching method according to an exemplary embodiment.
  • FIG. 3 is a flowchart illustrating a method of generating training data according to an exemplary embodiment.
  • FIG. 4 is a flowchart illustrating a matching method according to an exemplary embodiment.
  • FIG. 5 is a flowchart illustrating a method of determining suitability according to an embodiment.
  • FIG. 6 is a flowchart illustrating a clustering method according to an exemplary embodiment.
  • FIG. 7 is a flowchart illustrating a MICE task matching method according to an embodiment.
  • FIG. 8 is a flowchart illustrating a matching method based on task matching criteria according to an exemplary embodiment.
  • FIG. 9 is a flowchart illustrating a method of learning an artificial intelligence model according to an embodiment.
  • FIG. 10 is a block diagram of an apparatus according to an embodiment.
  • the step of obtaining training data including at least one task performance record (S101), learning the artificial intelligence model using the training data (S102), collecting one or more applicant information (S103), collecting one or more assignment information (S104), and matching at least one assignment with at least one applicant using the artificial intelligence model. (S105).
  • step (S101) the step of collecting data including at least one of the content of the task, information on the subject registration subject, information on the subject performing the task and the task execution result (S106), from the collected data Extracting one or more parameters (S107) and generating training data including the extracted one or more parameters (S108).
  • step (S105), the step of extracting one or more parameters from the applicant information of the first applicant (S109), the step of extracting one or more parameters from the task information of the first task (S110), the step (S109) And inputting the parameter extracted in the step S110 into the artificial intelligence model (S111) and obtaining a fitness of the first applicant for the first task from the output of the artificial intelligence model (S112). can do.
  • step (S112), the step of obtaining the selection probability of the first applicant for the first task (S113) and the step of obtaining the feasibility of the first applicant for the first task (S114) may include.
  • the step (S105) is generated as a clustering result of the step (S115), the step (S116), the step (S115) and step (S116) of clustering the one or more applicant information (S115).
  • determining a first task cluster (S119) and matching at least one applicant included in the determined first applicant cluster with at least one task included in the determined first task cluster (S120). can do.
  • the step (S104) includes the step (S121) of acquiring MICE task information including a plurality of tasks, and the step (S116) includes each of the plurality of tasks included in the MICE task information. Determining a plurality of second task clusters (S122) and determining a midpoint of the plurality of second task clusters (S123), wherein the step (S119) includes each of the plurality of second tasks Determining a plurality of second volunteer clusters whose association with the cluster exceeds the reference value (S124) and determining a third volunteer cluster whose association from the midpoint exceeds the reference value (S125)
  • the step S120 may include matching the plurality of tasks with the plurality of applicants included in the plurality of second volunteer clusters and the third volunteer clusters, respectively (S126).
  • the step (S105), the step of obtaining information on the matched task (S131), the step of obtaining the execution result of the matched task (S132) and the artificial intelligence based on the obtained execution result may further include training the model (S133).
  • a memory for storing one or more instructions and a processor for executing the one or more instructions stored in the memory, the processor by executing the one or more instructions, Acquiring training data including at least one task performance record; training the artificial intelligence model using the training data; collecting one or more volunteer information; collecting one or more task information; and the artificial intelligence model. Matching the at least one applicant and at least one task may be performed using.
  • a computer program stored in a computer-readable recording medium that can be combined with a computer that is hardware, to perform the AI task matching method according to the disclosed embodiment.
  • part or module refers to a hardware component such as software, FPGA or ASIC, and the “part” or “module” plays certain roles. However, “part” or “module” is not meant to be limited to software or hardware.
  • the “unit” or “module” may be configured to be in an addressable storage medium or may be configured to play one or more processors.
  • a “part” or “module” may include components such as software components, object-oriented software components, class components, and task components, processes, functions, properties, Procedures, subroutines, segments of program code, drivers, firmware, microcode, circuits, data, databases, data structures, tables, arrays, and variables. Functions provided within components and “parts” or “modules” may be combined into smaller numbers of components and “parts” or “modules” or into additional components and “parts” or “modules”. Can be further separated.
  • a computer refers to any kind of hardware device including at least one processor, and according to an embodiment, it may be understood as a meaning encompassing a software configuration that operates on the hardware device.
  • a computer may be understood as including, but not limited to, a smartphone, a tablet PC, a desktop, a notebook, and a user client and an application running on each device.
  • the task may be understood as including, but not limited to, procurement performed by the government and bidding announcements therefor.
  • the subject of registration of the project may include, but is not limited to, public enterprises, private companies, and individuals.
  • the kinds of tasks may also include various kinds of things, such as in-kind and services, and are not limited to specific kinds.
  • the task may be to deliver a specific product or may be for research or professional services.
  • FIG. 1 is a diagram illustrating a system according to an exemplary embodiment.
  • a management server 100 a management server 100, a cloud server 200, and user terminals 300 are illustrated.
  • the management server 100 or the cloud server 200 may learn an artificial intelligence model used for matching tasks according to the disclosed embodiment.
  • the management server 100 and the cloud server 200 may share learning data necessary for learning the artificial intelligence model, and may share parameters constituting the model generated as a learning result.
  • the management server 100 or the cloud server 200 may acquire the training data using the information collected from the user terminals 300 and train the artificial intelligence model based on the acquired training data. have.
  • the learning of the artificial intelligence model is performed in the cloud server 200, the management server 100 obtains the learned artificial intelligence model from the cloud server 200 to perform the task matching according to the disclosed embodiment It may be.
  • the management server 100 obtains a variety of applicant information, such as each applicant's career, business history, sales, performance, business area, past procurement history, and analyzes this task that each applicant can easily perform Information can be extracted and provided.
  • an artificial intelligence model for extracting a fitness by comparing applicant information and task information may be utilized.
  • an artificial intelligence model is understood as meaning including a model trained through machine learning.
  • the artificial intelligence model may mean a model trained using existing data and big data including information on a company selected in response to each task information as learning data.
  • information on the procurement performance of the selected companies is included in the training data, and information on whether each company actually performed the procurement business is also collected as big data, which can be used to train the AI model.
  • the computer may obtain the form of the proposal based on the task information, and prepare the proposal using the applicant information.
  • the computer may extract candidate information suitable for the task information (that is, an advantage of the applicant corresponding to the task information) using an artificial intelligence model, and automatically generate a proposal based on the extracted applicant information. .
  • the computer may assist the applicant in preparing the proposal by extracting candidate information suitable for the task information using the artificial intelligence model and providing the candidate information.
  • the computer can calculate the probability that the candidate can be selected for each task information by analyzing and comparing the applicant information and the contents included in each task information.
  • AI models can be used to calculate the probability. For example, as a model trained on the basis of machine learning, an artificial intelligence model capable of inputting applicant information and task information and outputting a selection probability may be utilized.
  • the artificial intelligence model may extract a parameter for calculating a selection probability from each applicant information and task information through natural language processing.
  • the computer can input the extracted parameters into the artificial intelligence model and obtain the selection probability as an output thereof.
  • the artificial intelligence model may be trained by using big data including previously completed task information and information on applicants selected in correspondence with each task information as learning data.
  • the learned model may include parameters obtained by preprocessing the big data.
  • a model from which parameters can be extracted may be separately learned and used, or after a computer guesses a parameter, provides a guess result to the applicant, and then selects the parameter selected by the applicant into an artificial intelligence model. You can also calculate the probability.
  • FIG. 2 is a flowchart illustrating an AI task matching method according to an exemplary embodiment.
  • step S101 the computer acquires training data including one or more task performance records.
  • the task performance record may include information about the type of task, subject performing task, task registering subject and information on each subject, task execution result and history, and the like, but are not limited thereto.
  • step S102 the computer trains the artificial intelligence model using the training data.
  • the artificial intelligence model may mean a model trained using machine learning, and in particular, may mean a model trained using deep learning, but is not limited thereto. .
  • step S103 the computer collects one or more applicant information.
  • the applicant information may include information on a company (applicant) performing the bidding project, but is not limited thereto.
  • the 'company' may be understood to encompass not only a business such as a sole proprietor or a corporation, but also a general individual, and does not limit a specific subject.
  • step S104 the computer collects one or more task information.
  • the task may be understood as including, but not limited to, procurement performed by the government and bidding announcements therefor.
  • the subject of registration of the project may include, but is not limited to, public enterprises, private companies, and individuals.
  • step S105 the computer matches the at least one volunteer with at least one task using the artificial intelligence model.
  • the AI model may be a model that calculates a probability based on an input parameter, or may be a model that performs classification through clustering, but is not limited thereto.
  • FIG. 3 is a flowchart illustrating a method of generating training data according to an exemplary embodiment.
  • the computer may perform the step (S106) of collecting data including at least one of the contents of the task, information on the subject registration subject, information on the subject performing the task and the task execution result. .
  • the computer may collect data from the user terminals 300 and may collect data from an external server or database.
  • the computer may perform step S107 of extracting one or more parameters from the collected data.
  • the parameter may be composed of quantified numbers or keywords, but is not limited thereto.
  • the parameter may refer to data in a form that may be used as an input or output of an artificial intelligence model.
  • the computer may perform step S108 of generating training data including the extracted one or more parameters.
  • the computer may generate training data including parameters corresponding to the input data format and the output data format of the artificial intelligence model, respectively.
  • the learning data may further include information on the relationship between the parameters extracted from each task and the applicant and the matching task and the parameters of the applicant based on information about the previously matched task and the applicant. In this regard, evaluation items according to the results of the task can be reflected in the relationship between each parameter.
  • FIG. 4 is a flowchart illustrating a matching method according to an exemplary embodiment.
  • the computer may perform step S109 of extracting one or more parameters from the applicant information of the first applicant.
  • the computer may perform the step S110 of extracting one or more parameters from the task information of the first task.
  • the computer may perform the step (S111) of inputting the parameters extracted in the step (S109) and step (S110) to the artificial intelligence model.
  • the computer may perform a step (S112) of obtaining a fitness of the first volunteer for the first task from the output of the artificial intelligence model.
  • the computer may extract parameters from different applicants and tasks, input the extracted parameters to the learned AI model, and determine the fitness between the subject and the applicant as the output.
  • the goodness of fit may be obtained in the form of positive / negative binary data or in the form of probability, but is not limited thereto.
  • FIG. 5 is a flowchart illustrating a method of determining suitability according to an embodiment.
  • the computer may perform an operation S113 of acquiring a selection probability of the first applicant for the first task.
  • the computer can calculate the probability that the candidate can be selected for each task information by analyzing and comparing the applicant information and the contents included in each task information.
  • AI models can be used to calculate the probability. For example, as a model trained on the basis of machine learning, an artificial intelligence model capable of inputting applicant information and task information and outputting a selection probability may be utilized.
  • the artificial intelligence model may extract a parameter for calculating a selection probability from each applicant information and task information through natural language processing.
  • the computer can input the extracted parameters into the artificial intelligence model and obtain the selection probability as an output thereof.
  • the artificial intelligence model may be trained by using big data including previously completed task information and information on applicants selected in correspondence with each task information as learning data.
  • the learned model may include parameters obtained by preprocessing the big data.
  • a model from which parameters can be extracted may be separately learned and used, or after a computer guesses a parameter, provides a guess result to the applicant, and then selects the parameter selected by the applicant into an artificial intelligence model. You can also calculate the probability.
  • the computer may perform the step (S114) of acquiring the feasibility of the first volunteer for the first task.
  • the computer determines whether the applicant has the resources to perform the task task. Can be evaluated
  • the computer may determine whether the applicant has a double bid and a multiple of multiple bids. For example, the computer may determine how many times the task information corresponding to the applicant's resources will be provided to the applicant.
  • the computer may calculate the extended resource of the applicant based on the volunteer information and the overlapped bid multiple. For example, the computer may calculate the candidate's enlarged resource by multiplying the applicant's resource information by the multiple times the multiple bids.
  • the computer may provide the applicant with a number of task information that the applicant can support based on the extended resource. For example, when the multiple of multiple bidding is three times, the computer may provide the applicant with an amount of task information corresponding to three times the resource of the applicant.
  • the computer may provide the task information based on the extended resource, but if the required resource of the single task information exceeds the applicant's resource, the task information may not be provided to the applicant. That is, the computer may provide task information requiring resources below the applicant's resources, and may provide a number of task information such that the required resources of the entire task information become less than the applicant's extended resources.
  • FIG. 6 is a flowchart illustrating a clustering method according to an exemplary embodiment.
  • the computer may perform step S115 of clustering the one or more applicant information.
  • the computer may obtain, as a keyword, a feature that represents each candidate cluster.
  • the computer may perform the step S116 of clustering the one or more task information.
  • the computer may obtain, as a keyword, a feature representative of each task cluster.
  • the computer may perform the step S117 of calculating the distance between the clusters generated as a result of the clustering of the step S115 and the step S116.
  • the computer may perform an operation (S118) of determining the degree of association between the clusters based on the calculated distance.
  • clusters with similar features may be located closer to each other.
  • the computer can determine the degree of association between each cluster based on the distance.
  • the computer may determine the first volunteer cluster and the first task cluster in which the determined association degree exceeds a preset reference value.
  • the computer may select a candidate cluster located within a predetermined distance for each task cluster and associate the selected task with the candidate cluster.
  • the computer may match at least one applicant included in the determined first volunteer cluster and at least one task included in the determined first task cluster.
  • the computer determines a fitness between the first volunteer cluster and each of the tasks and volunteers included in the first task cluster using the artificial intelligence model described with reference to FIGS. Based on this, candidates and tasks can be matched with each other.
  • FIG. 7 is a flowchart illustrating a MICE task matching method according to an embodiment.
  • step S104 the computer may perform step S121 of obtaining MICE task information including a plurality of tasks.
  • the computer may perform an operation S122 of determining a plurality of second task clusters each of which includes the plurality of tasks included in the MICE task information.
  • MICE is a term that is taken from the English letters such as meeting, incentive trip, convention, exhibition and event (Exhibition & Event), in a narrow sense international conferences and exhibitions It is a promising industry centered on the core, and the broad concept refers to the convergence industry including participant-centered reward tourism and mega events.
  • the meaning of MICE herein is not limited to the term itself, and may be used in various terms according to time and region.
  • the MICE task information may include task information for each meeting, tourism, shopping, transportation (air, bus, etc.), accommodation, exhibition, and the like.
  • the computer may perform step S123 of determining a midpoint of the plurality of second task clusters.
  • the midpoint of the plurality of second task clusters may represent a median value of each characteristic.
  • the computer may perform a step S124 of determining a plurality of second volunteer clusters whose association with each of the plurality of second task clusters exceeds the reference value.
  • the second volunteer cluster may mean a volunteer cluster suitable for each task characteristic.
  • the computer may perform a step S125 of determining a third volunteer cluster whose association degree from the midpoint exceeds the reference value.
  • the third volunteer cluster may mean a cluster corresponding to the median value of all task characteristics.
  • the computer may perform an operation S126 of matching the plurality of tasks with each of the plurality of applicants included in the plurality of second volunteer clusters and the third volunteer clusters.
  • the computer may select candidates for each task characteristic, or may select candidates having characteristics corresponding to the middle of the overall task characteristics and match the tasks.
  • FIG. 8 is a flowchart illustrating a matching method based on task matching criteria according to an exemplary embodiment.
  • the computer requests the subject of registration of the MICE task information to select a task matching criterion, and the task matching criterion includes a best form and a harmonized form.
  • the computer may perform a step (S128) of receiving a selection input from the registration subject of the MICE task information.
  • the computer may perform a step of matching each of the plurality of tasks with the plurality of applicants included in the plurality of second applicant clusters (S129). .
  • the best type is to match applicants with the best characteristics for each task.
  • the computer may perform a step (S130) of matching the plurality of tasks with each of the plurality of applicants included in the third applicant cluster.
  • the harmonic type is to match applicants with intermediate characteristics of each task.
  • the coherence between the different tasks can be important. Accordingly, the computer may select and match candidates having intermediate characteristics of each task cluster according to a user's selection.
  • the computer may generate co-bidding information by integrating applicants matching each task included in the MICE task information and provide the generated co-bidding information to each applicant.
  • the computer may collect information about other companies that can perform the task item that the applicant cannot perform and provide it to each applicant, and at least some of the companies and the applicant may jointly support the MICE task. .
  • FIG. 9 is a flowchart illustrating a method of learning an artificial intelligence model according to an embodiment.
  • step S105 the computer may perform step S131 of obtaining information about the matched task.
  • the computer may perform a step (S132) of obtaining a result of performing the matched task.
  • the computer may perform the step S133 of training the artificial intelligence model based on the obtained result.
  • the computer may acquire the result and use it as learning data to train the artificial intelligence model.
  • the computer may evaluate the task performance result according to the matching result and perform reinforcement learning on the artificial intelligence model accordingly.
  • the task information provided to the applicant may include information for bidding on the task.
  • the computer may automatically apply to the extracted task information or automatically generate at least a part or all of proposals for applying to the extracted task information according to a selection input or a preset content from the applicant. You can also provide
  • the computer may obtain the form of the proposal based on the task information, and prepare the proposal using the applicant information.
  • the computer may extract candidate information suitable for the task information (that is, an advantage of the applicant corresponding to the task information) using an artificial intelligence model, and automatically generate a proposal based on the extracted applicant information. .
  • the artificial intelligence model according to the disclosed embodiments may classify proposals of different applicants, proposals adopted in each task, and proposals not adopted.
  • each proposal can be classified by field.
  • the artificial intelligence model may use each proposal as learning data, extract a keyword or feature included in the adopted proposal, and obtain a model that automatically generates a proposal based on this.
  • the computer may assist the applicant in preparing the proposal by extracting candidate information suitable for the task information using the artificial intelligence model and providing the candidate information.
  • FIG. 10 is a block diagram of an apparatus according to an embodiment.
  • the processor 102 may include a connection passage (eg, a bus, etc.) that transmits and receives signals with one or more cores (not shown) and graphics processing unit (not shown) and / or other components. .
  • a connection passage eg, a bus, etc.
  • the processor 102 executes one or more instructions stored in the memory 104 to perform the method described in connection with FIGS. 1-9.
  • the processor 102 obtains training data including one or more task performance records by executing one or more instructions stored in a memory, trains an artificial intelligence model using the training data, and provides one or more applicant information. Collect, collect one or more task information, and match the at least one task with at least one applicant using the artificial intelligence model.
  • the processor 102 may include random access memory (RAM) and read-only memory (ROM) for temporarily and / or permanently storing a signal (or data) processed in the processor 102. , Not shown) may be further included.
  • the processor 102 may be implemented in the form of a system on chip (SoC) including at least one of a graphic processor, a RAM, and a ROM.
  • SoC system on chip
  • the memory 104 may store programs (one or more instructions) for processing and controlling the processor 102. Programs stored in the memory 104 may be divided into a plurality of modules according to functions.
  • RAM random access memory
  • ROM read only memory
  • EPROM erasable programmable ROM
  • EEPROM electrically erasable programmable ROM
  • flash memory hard disk, removable disk, CD-ROM, or It may reside in any form of computer readable recording medium well known in the art.
  • the components of the present invention may be implemented in a program (or an application) and stored in a medium to be executed in combination with a computer which is hardware.
  • the components of the present invention may be implemented in software programming or software elements, and similarly, embodiments include C, C ++, including various algorithms implemented in combinations of data structures, processes, routines, or other programming constructs. It may be implemented in a programming or scripting language such as Java, assembler, or the like. Functional aspects may be implemented in algorithms running on one or more processors.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

컴퓨터에 의하여 수행되는 과제매칭 방법으로서, 하나 이상의 과제수행 기록을 포함하는 학습 데이터를 획득하는 단계, 상기 학습 데이터를 이용하여 인공지능 모델을 학습시키는 단계, 하나 이상의 지원자정보를 수집하는 단계, 하나 이상의 과제정보를 수집하는 단계 및 상기 인공지능 모델을 이용하여 적어도 하나의 지원자와 적어도 하나의 과제를 매칭하는 단계를 포함하는, 인공지능 과제매칭 방법이 개시된다.

Description

인공지능 과제매칭 방법, 장치 및 프로그램
본 발명은 인공지능 과제매칭 방법, 장치 및 프로그램에 관한 것이다.
인공지능(Artificial Intelligence, AI) 시스템은 인간 수준의 지능을 구현하는 컴퓨터 시스템이며, 기존 Rule 기반 스마트 시스템과 달리 기계가 스스로 학습하고 판단하며 똑똑해지는 시스템이다. 인공지능 시스템은 사용할수록 인식률이 향상되고 사용자 취향을 보다 정확하게 이해할 수 있게 되어, 기존 Rule 기반 스마트 시스템은 점차 딥러닝 기반 인공지능 시스템으로 대체되고 있다.
인공지능 기술은 기계학습(딥러닝) 및 기계학습을 활용한 요소 기술들로 구성된다.
기계학습은 입력 데이터들의 특징을 스스로 분류/학습하는 알고리즘 기술이며, 요소기술은 딥러닝 등의 기계학습 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 기술로서, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야로 구성된다.
인공지능 기술이 응용되는 다양한 분야는 다음과 같다. 언어적 이해는 인간의 언어/문자를 인식하고 응용/처리하는 기술로서, 자연어 처리, 기계 번역, 대화시스템, 질의 응답, 음성 인식/합성 등을 포함한다. 시각적 이해는 사물을 인간의 시각처럼 인식하여 처리하는 기술로서, 객체 인식, 객체 추적, 영상 검색, 사람 인식, 장면 이해, 공간 이해, 영상 개선 등을 포함한다. 추론 예측은 정보를 판단하여 논리적으로 추론하고 예측하는 기술로서, 지식/확률 기반 추론, 최적화 예측, 선호 기반 계획, 추천 등을 포함한다. 지식 표현은 인간의 경험정보를 지식데이터로 자동화 처리하는 기술로서, 지식 구축(데이터 생성/분류), 지식 관리(데이터 활용) 등을 포함한다. 동작 제어는 차량의 자율 주행, 로봇의 움직임을 제어하는 기술로서, 움직임 제어(항법, 충돌, 주행), 조작 제어(행동 제어) 등을 포함한다.
MICE는 기업회의(Meeting), 포상관광(Incentive trip), 컨벤션(Convention), 전시박람회와 이벤트(Exhibition&Event) 등의 영문 앞 글자를 딴 용어로, 좁은 의미에서는 국제회의와 전시회를 주축으로 한 유망 산업을 뜻하며, 광의적 개념으로는 참여자 중심의 보상관광과 메가 이벤트 등을 포함하는 융복합산업을 뜻한다.
본 발명이 해결하고자 하는 과제는 인공지능 과제매칭 방법, 장치 및 프로그램을 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 인공지능 과제매칭 방법은, 하나 이상의 과제수행 기록을 포함하는 학습 데이터를 획득하는 단계(S101), 상기 학습 데이터를 이용하여 인공지능 모델을 학습시키는 단계(S102), 하나 이상의 지원자정보를 수집하는 단계(S103), 하나 이상의 과제정보를 수집하는 단계(S104) 및 상기 인공지능 모델을 이용하여 적어도 하나의 지원자와 적어도 하나의 과제를 매칭하는 단계(S105)를 포함한다.
개시된 실시 예에 따르면, 인공지능 모델을 이용하여 과제와 지원자를 매칭함으로써 입찰과정에서 발생하는 불필요한 절차를 간소화하고, 과제내용에 적합한 지원자가 과제를 수행할 수 있도록 하는 효과가 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 일 실시 예에 따른 시스템을 도시한 도면이다.
도 2는 일 실시 예에 따른 인공지능 과제매칭 방법을 도시한 흐름도이다.
도 3은 일 실시 예에 따른 학습 데이터 생성방법을 도시한 흐름도이다.
도 4는 일 실시 예에 따른 매칭방법을 도시한 흐름도이다.
도 5는 일 실시 예에 따른 적합도 판단방법을 도시한 흐름도이다.
도 6은 일 실시 예에 따른 클러스터링 방법을 도시한 흐름도이다.
도 7은 일 실시 예에 따른 MICE 과제 매칭방법을 도시한 흐름도이다.
도 8은 일 실시 예에 따른 과제 매칭기준에 따른 매칭방법을 도시한 흐름도이다.
도 9는 일 실시 예에 따른 인공지능 모델 학습방법을 도시한 흐름도이다.
도 10은 일 실시 예에 따른 장치의 구성도이다.
상술한 과제를 해결하기 위한 본 발명의 일 면에 따른 인공지능 과제매칭 방법은, 하나 이상의 과제수행 기록을 포함하는 학습 데이터를 획득하는 단계(S101), 상기 학습 데이터를 이용하여 인공지능 모델을 학습시키는 단계(S102), 하나 이상의 지원자정보를 수집하는 단계(S103), 하나 이상의 과제정보를 수집하는 단계(S104) 및 상기 인공지능 모델을 이용하여 적어도 하나의 지원자와 적어도 하나의 과제를 매칭하는 단계(S105)를 포함한다.
또한, 상기 단계(S101)는, 과제의 내용, 과제 등록주체에 대한 정보, 과제 수행주체에 대한 정보 및 과제 수행결과 중 적어도 하나를 포함하는 데이터를 수집하는 단계(S106), 상기 수집된 데이터로부터 하나 이상의 파라미터를 추출하는 단계(S107) 및 상기 추출된 하나 이상의 파라미터를 포함하는 학습 데이터를 생성하는 단계(S108)를 포함할 수 있다.
또한, 상기 단계(S105)는, 제1 지원자의 지원자정보로부터 하나 이상의 파라미터를 추출하는 단계(S109), 제1 과제의 과제정보로부터 하나 이상의 파라미터를 추출하는 단계(S110), 상기 단계(S109) 및 단계(S110)에서 추출된 파라미터를 상기 인공지능 모델에 입력하는 단계(S111) 및 상기 인공지능 모델의 출력으로부터 상기 제1 과제에 대한 상기 제1 지원자의 적합도를 획득하는 단계(S112)를 포함할 수 있다.
또한, 상기 단계(S112)는, 상기 제1 과제에 대한 상기 제1 지원자의 선정확률을 획득하는 단계(S113) 및 상기 제1 과제에 대한 상기 제1 지원자의 수행가능성을 획득하는 단계(S114)를 포함할 수 있다.
또한, 상기 단계(S105)는, 상기 하나 이상의 지원자정보를 클러스터링하는 단계(S115), 상기 하나 이상의 과제정보를 클러스터링하는 단계(S116), 상기 단계(S115) 및 단계(S116)의 클러스터링 결과로 생성된 클러스터들 간의 거리를 산출하는 단계(S117), 상기 산출된 거리에 기초하여 상기 클러스터들 간의 연관도를 판단하는 단계(S118), 상기 판단된 연관도가 기 설정된 기준값을 초과하는 제1 지원자 클러스터 및 제1 과제 클러스터를 결정하는 단계(S119) 및 상기 결정된 제1 지원자 클러스터에 포함된 적어도 하나의 지원자와 상기 결정된 제1 과제 클러스터에 포함된 적어도 하나의 과제를 서로 매칭하는 단계(S120)를 포함할 수 있다.
또한, 상기 단계(S104)는, 복수의 과제를 포함하는 MICE 과제정보를 획득하는 단계(S121)를 포함하고, 상기 단계(S116)는, 상기 MICE 과제정보에 포함된 상기 복수의 과제가 각각 포함된 복수의 제2 과제 클러스터를 결정하는 단계(S122) 및 상기 복수의 제2 과제 클러스터의 중점을 결정하는 단계(S123)를 포함하고, 상기 단계(S119)는, 각각의 상기 복수의 제2 과제 클러스터와의 연관도가 상기 기준값을 초과하는 복수의 제2 지원자 클러스터를 결정하는 단계(S124) 및 상기 중점으로부터의 연관도가 상기 기준값을 초과하는 제3 지원자 클러스터를 결정하는 단계(S125)를 더 포함하고, 상기 단계(S120)는, 상기 복수의 제2 지원자 클러스터 및 상기 제3 지원자 클러스터에 포함된 복수의 지원자와, 상기 복수의 과제를 각각 서로 매칭하는 단계(S126)를 포함할 수 있다.
또한, 상기 단계(S126)는, 상기 MICE 과제정보의 등록주체에 과제 매칭기준의 선택을 요청하되, 상기 과제 매칭기준은 최선형 및 조화형을 포함하는, 단계(S127), 상기 MICE 과제정보의 등록주체로부터 선택 입력을 수신하는 단계(S128), 상기 MICE 과제정보의 등록주체가 최선형을 선택한 경우, 상기 복수의 제2 지원자 클러스터에 포함된 복수의 지원자와, 상기 복수의 과제를 각각 서로 매칭하는 단계(S129) 및 상기 MICE 과제정보의 등록주체가 조화형을 선택한 경우, 상기 제3 지원자 클러스터에 포함된 복수의 지원자와, 상기 복수의 과제를 각각 서로 매칭하는 단계(S130)를 더 포함할 수 있다.
또한, 상기 단계(S105)는, 상기 매칭된 과제에 대한 정보를 획득하는 단계(S131), 상기 매칭된 과제의 수행결과를 획득하는 단계(S132) 및 상기 획득된 수행결과에 기초하여 상기 인공지능 모델을 학습시키는 단계(S133)를 더 포함할 수 있다.
상술한 과제를 해결하기 위한 본 발명의 일 면에 따라 하나 이상의 인스트럭션을 저장하는 메모리 및 상기 메모리에 저장된 상기 하나 이상의 인스트럭션을 실행하는 프로세서를 포함하고, 상기 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써, 하나 이상의 과제수행 기록을 포함하는 학습 데이터를 획득하는 단계, 상기 학습 데이터를 이용하여 인공지능 모델을 학습시키는 단계, 하나 이상의 지원자정보를 수집하는 단계, 하나 이상의 과제정보를 수집하는 단계 및 상기 인공지능 모델을 이용하여 적어도 하나의 지원자와 적어도 하나의 과제를 매칭하는 단계를 수행할 수 있다.
상술한 과제를 해결하기 위한 본 발명의 일 면에 따라 하드웨어인 컴퓨터와 결합되어, 개시된 실시 예에 따른 인공지능 과제매칭 방법을 수행할 수 있도록 컴퓨터에서 독출가능한 기록매체에 저장된 컴퓨터프로그램이 제공된다.
본 발명의 기타 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.
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.
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.
본 명세서에서 설명되는 각 단계들은 컴퓨터에 의하여 수행되는 것으로 설명되나, 각 단계의 주체는 이에 제한되는 것은 아니며, 실시 예에 따라 각 단계들의 적어도 일부가 서로 다른 장치에서 수행될 수도 있다.
본 명세서에서, 과제는 정부에서 수행하는 조달 및 이를 위한 입찰공고를 포함하는 의미로 이해될 수 있으나, 이에 제한되는 것은 아니다. 예를 들어, 과제의 등록주체는 정부 외에 공기업이나 사기업, 개인 등을 포함할 수 있으며, 제한되지 않는다.
과제의 종류 또한 현물, 용역 등 다양한 종류를 포함할 수 있으며, 특정한 종류로 제한되지 않는다. 예를 들어, 과제는 특정한 제품을 납품하기 위한 것일 수도 있고, 연구용역이나 전문서비스업 용역 등을 위한 것일 수도 있다.
도 1은 일 실시 예에 따른 시스템을 도시한 도면이다.
도 1을 참조하면, 관리서버(100), 클라우드 서버(200) 및 사용자 단말들(300)이 도시되어 있다.
일 실시 예에서, 관리서버(100) 또는 클라우드 서버(200)는 개시된 실시 예에 따른 과제매칭에 이용되는 인공지능 모델을 학습시킬 수 있다. 관리서버(100)와 클라우드 서버(200)는 인공지능 모델의 학습에 필요한 학습 데이터를 공유할 수 있으며, 학습 결과로서 생성되는 모델을 구성하는 파라미터를 공유할 수 있다.
일 실시 예에서, 관리서버(100) 또는 클라우드 서버(200)는 사용자 단말들(300)로부터 수집되는 정보를 이용하여 학습 데이터를 획득하고, 획득된 학습 데이터에 기초하여 인공지능 모델을 학습시킬 수 있다.
일 실시 예에서, 인공지능 모델의 학습은 클라우드 서버(200)에서 수행되고, 관리서버(100)는 학습된 인공지능 모델을 클라우드 서버(200)로부터 획득하여 개시된 실시 예에 따른 과제 매칭을 수행할 수도 있다.
일 실시 예에서, 관리서버(100)는 각 지원자의 경력, 사업이력, 매출, 실적, 사업분야, 과거 조달이력 등 다양한 지원자정보를 획득하고, 이를 분석하여 각 지원자가 용이하게 수행할 수 있는 과제정보를 추출 및 제공할 수 있다.
실시 예에 따라서, 지원자정보와 과제정보를 비교하여 적합도를 추출하는 인공지능 모델이 활용될 수 있다. 본 명세서에서, 인공지능 모델은 머신러닝을 통하여 학습된 모델을 포함하는 의미로서 이해된다.
예를 들어, 인공지능 모델은 기존의 과제정보와, 각 과제정보에 대응하여 선정된 업체에 대한 정보를 포함하는 빅데이터를 학습 데이터로 하여 학습된 모델을 의미할 수 있다. 또한, 선정된 업체의 조달실적에 대한 정보가 학습 데이터에 포함되어, 실제로 각 업체가 조달업무를 잘 수행했는지 여부에 대한 정보 또한 빅데이터로 수집되어, 인공지능 모델을 학습시키는 데 활용될 수 있다.
예를 들어, 컴퓨터는 과제정보에 기초하여 제안서의 서식을 획득하고, 지원자정보를 이용하여 제안서를 작성할 수 있다. 실시 예에 따라서, 컴퓨터는 인공지능 모델을 이용하여 과제정보에 적합한 지원자정보(즉, 해당 과제정보에 대응하는 지원자의 장점)를 추출하고, 추출된 지원자정보에 기초하여 제안서를 자동으로 작성할 수 있다.
다른 예로, 컴퓨터는 인공지능 모델을 이용하여 과제정보에 적합한 지원자정보를 추출하고, 지원자에게 제공함으로써 지원자가 제안서를 작성하는 것을 보조할 수도 있다.
예를 들어, 각각의 과제정보에 포함된 자격조건을 만족한다고 하여, 해당 과제정보에 대한 입찰을 성공할 수 있는(즉, 선정될 수 있는)것은 아닐 수 있다. 따라서, 컴퓨터는 지원자 정보와 각각의 과제정보에 포함된 내용을 분석 및 비교함으로써, 지원자가 각각의 과제정보에 대하여 선정될 수 있는 확률을 산출할 수 있다.
확률의 산출에는 다양한 인공지능 모델이 이용될 수 있다. 예를 들어, 머신러닝에 기초하여 학습된 모델로서, 지원자 정보와 과제정보를 입력으로 하고, 이에 기초하여 선정확률을 출력할 수 있는 인공지능 모델이 활용될 수 있다.
일 실시 예에서, 인공지능 모델은 자연어처리를 통해 각각의 지원자정보와 과제정보로부터 선정확률을 산출하기 위한 파라미터를 추출할 수 있다. 컴퓨터는 추출된 파라미터들을 인공지능 모델에 입력함으로써, 이에 대한 출력으로써 선정확률을 획득할 수 있다. 인공지능 모델은 기존에 종료된 과제정보와, 각각의 과제정보에 대응하여 선정된 지원자에 대한 정보를 포함하는 빅데이터를 학습 데이터로 하여 학습될 수 있다. 실시 예에 따라서, 학습된 모델은 빅데이터를 전처리하여 획득된 파라미터들을 포함할 수 있다.
다른 실시 예에서, 파라미터를 추출할 수 있는 모델이 별도로 학습되어 이용될 수도 있고, 컴퓨터가 파라미터를 추측한 후, 추측 결과를 지원자에게 제공한 후, 지원자가 선택한 파라미터를 인공지능 모델에 입력함으로써 선정확률을 산출할 수도 있다.
이하에서는 도면을 참조하여 개시된 실시 예에 따른 인공지능 과제매칭 방법을 구체적으로 설명한다.
도 2는 일 실시 예에 따른 인공지능 과제매칭 방법을 도시한 흐름도이다.
단계 S101에서, 컴퓨터는 하나 이상의 과제수행 기록을 포함하는 학습 데이터를 획득한다.
일 실시 예에서, 과제수행 기록은 과제의 종류, 과제 수행주체, 과제 등록주체 및 각 주체에 대한 정보, 과제 수행 결과 및 이력 등에 대한 정보를 포함할 수 있으나, 이에 제한되지 않는다.
단계 S102에서, 컴퓨터는 상기 학습 데이터를 이용하여 인공지능 모델을 학습시킨다.
본 명세서에서, 인공지능 모델은 기계학습(Machine Learning)을 이용하여 학습된 모델을 의미할 수 있고, 특히 딥 러닝(Deep Learning)을 이용하여 학습된 모델을 의미할 수 있으나, 이에 제한되는 것은 아니다.
단계 S103에서, 컴퓨터는 하나 이상의 지원자정보를 수집한다.
본 명세서에서, 지원자정보는 과제입찰을 수행하는 업체(지원자)에 대한 정보를 포함할 수 있으나, 이에 제한되는 것은 아니다. 본 명세서에서, '업체'는 개인사업자나 법인 등의 사업체뿐 아니라, 일반 개인도 포괄하는 의미로 이해될 수 있으며, 특정한 대상을 제한하는 것은 아니다.
단계 S104에서, 컴퓨터는 하나 이상의 과제정보를 수집한다.
본 명세서에서, 과제는 정부에서 수행하는 조달 및 이를 위한 입찰공고를 포함하는 의미로 이해될 수 있으나, 이에 제한되는 것은 아니다. 예를 들어, 과제의 등록주체는 정부 외에 공기업이나 사기업, 개인 등을 포함할 수 있으며, 제한되지 않는다.
단계 S105에서, 컴퓨터는 상기 인공지능 모델을 이용하여 적어도 하나의 지원자와 적어도 하나의 과제를 매칭한다.
일 실시 예에서, 인공지능 모델은 입력 파라미터에 기초하여 확률을 산출하는 형태의 모델일 수도 있고, 클러스터링을 통한 분류를 수행하는 모델일 수도 있으며, 또한 이에 제한되지 않는다.
인공지능 모델을 이용하여 과제와 지원자를 매칭하는 구체적인 방법에 대해서는 후술한다.
도 3은 일 실시 예에 따른 학습 데이터 생성방법을 도시한 흐름도이다.
상술한 단계(S101)에서, 컴퓨터는 과제의 내용, 과제 등록주체에 대한 정보, 과제 수행주체에 대한 정보 및 과제 수행결과 중 적어도 하나를 포함하는 데이터를 수집하는 단계(S106)를 수행할 수 있다.
일 실시 예에서, 컴퓨터는 사용자 단말들(300)로부터 데이터를 수집할 수 있으며, 외부 서버나 데이터베이스로부터 데이터를 수집할 수 있다.
또한, 컴퓨터는 상기 수집된 데이터로부터 하나 이상의 파라미터를 추출하는 단계(S107)를 수행할 수 있다.
예를 들어, 파라미터는 정량화된 숫자나 키워드로 구성될 수 있으나, 이에 제한되지 않으며, 파라미터는 인공지능 모델의 입력 또는 출력으로 이용될 수 있는 형태의 데이터를 의미할 수 있다.
또한, 컴퓨터는 상기 추출된 하나 이상의 파라미터를 포함하는 학습 데이터를 생성하는 단계(S108)를 수행할 수 있다.
예를 들어, 컴퓨터는 인공지능 모델의 입력 데이터 형식과 출력 데이터 형식에 각각 대응하는 파라미터들을 포함하는 학습 데이터를 생성할 수 있다. 예를 들어, 학습 데이터는 기존에 매칭된 과제와 지원자에 대한 정보에 기초하여, 각 과제 및 지원자로부터 추출된 파라미터 및 서로 매칭된 과제 및 지원자의 파라미터 간의 연관관계에 대한 정보를 더 포함할 수 있고, 과제 수행결과에 따른 평가항목이 각 파라미터 간의 연관관계에 반영될 수 있다.
도 4는 일 실시 예에 따른 매칭방법을 도시한 흐름도이다.
상술한 단계(S105)에서, 컴퓨터는 제1 지원자의 지원자정보로부터 하나 이상의 파라미터를 추출하는 단계(S109)를 수행할 수 있다.
또한, 컴퓨터는 제1 과제의 과제정보로부터 하나 이상의 파라미터를 추출하는 단계(S110)를 수행할 수 있다.
또한, 컴퓨터는 상기 단계(S109) 및 단계(S110)에서 추출된 파라미터를 상기 인공지능 모델에 입력하는 단계(S111)를 수행할 수 있다.
또한, 컴퓨터는 상기 인공지능 모델의 출력으로부터 상기 제1 과제에 대한 상기 제1 지원자의 적합도를 획득하는 단계(S112)를 수행할 수 있다.
즉, 컴퓨터는 서로 다른 지원자와 과제로부터 파라미터를 추출하고, 학습된 인공지능 모델에 추출된 파라미터를 입력하고, 그 출력으로서 해당 과제와 지원자 간의 적합도를 판단할 수 있다. 적합도는 긍정/부정의 이진 데이터 형태로 획득될 수도 있고, 확률 형태로 획득될 수도 있으며, 이에 제한되지 않는다.
도 5는 일 실시 예에 따른 적합도 판단방법을 도시한 흐름도이다.
상술한 단계(S112)에서, 컴퓨터는 상기 제1 과제에 대한 상기 제1 지원자의 선정확률을 획득하는 단계(S113)를 수행할 수 있다.
예를 들어, 상술한 바와 같이 각각의 과제정보에 포함된 자격조건을 만족한다고 하여, 해당 과제정보에 대한 입찰을 성공할 수 있는(즉, 선정될 수 있는)것은 아닐 수 있다. 따라서, 컴퓨터는 지원자 정보와 각각의 과제정보에 포함된 내용을 분석 및 비교함으로써, 지원자가 각각의 과제정보에 대하여 선정될 수 있는 확률을 산출할 수 있다.
확률의 산출에는 다양한 인공지능 모델이 이용될 수 있다. 예를 들어, 머신러닝에 기초하여 학습된 모델로서, 지원자 정보와 과제정보를 입력으로 하고, 이에 기초하여 선정확률을 출력할 수 있는 인공지능 모델이 활용될 수 있다.
일 실시 예에서, 인공지능 모델은 자연어처리를 통해 각각의 지원자정보와 과제정보로부터 선정확률을 산출하기 위한 파라미터를 추출할 수 있다. 컴퓨터는 추출된 파라미터들을 인공지능 모델에 입력함으로써, 이에 대한 출력으로써 선정확률을 획득할 수 있다. 인공지능 모델은 기존에 종료된 과제정보와, 각각의 과제정보에 대응하여 선정된 지원자에 대한 정보를 포함하는 빅데이터를 학습 데이터로 하여 학습될 수 있다. 실시 예에 따라서, 학습된 모델은 빅데이터를 전처리하여 획득된 파라미터들을 포함할 수 있다.
다른 실시 예에서, 파라미터를 추출할 수 있는 모델이 별도로 학습되어 이용될 수도 있고, 컴퓨터가 파라미터를 추측한 후, 추측 결과를 지원자에게 제공한 후, 지원자가 선택한 파라미터를 인공지능 모델에 입력함으로써 선정확률을 산출할 수도 있다.
또한, 컴퓨터는 상기 제1 과제에 대한 상기 제1 지원자의 수행가능성을 획득하는 단계(S114)를 수행할 수 있다.
예를 들어, 컴퓨터는 지원자의 리소스정보에 기초하여, 각각의 과제정보에 대한 입찰에 성공하는 경우, 해당 지원자가 과제업무를 수행할 수 있는 리소스를 보유하고 있는지 여부를 판단함으로써 지원자의 수행가능성을 평가할 수 있다.
일 실시 예에서, 컴퓨터는 지원자의 중복입찰 여부 및 중복입찰 배수를 결정할 수 있다. 예를 들어, 컴퓨터는 지원자의 리소스의 몇 배에 해당하는 과제정보를 지원자에게 제공할지를 결정할 수 있다.
또한, 컴퓨터는 상기 지원자의 리소스정보 및 상기 중복입찰 배수에 기초하여 상기 지원자의 확대리소스를 산출할 수 있다. 예를 들어, 컴퓨터는 지원자의 리소스정보에 중복입찰 배수를 곱하여 지원자의 확대리소스를 산출할 수 있다.
일 실시 예에서, 컴퓨터는 상기 확대리소스에 기초하여 상기 지원자가 지원가능한 수의 과제정보를 상기 지원자에게 제공할 수 있다. 예를 들어, 중복입찰 배수가 3배인 경우, 컴퓨터는 지원자의 리소스의 3배에 해당하는 양의 과제정보를 지원자에게 제공할 수 있다.
일 실시 예에서, 컴퓨터는, 확대리소스에 기초하여 과제정보를 제공하되, 단일 과제정보의 필요 리소스가 지원자의 리소스를 초과하는 경우, 해당 과제정보는 지원자에게 제공하지 않을 수 있다. 즉, 컴퓨터는 지원자의 리소스 이하의 리소스를 요구하는 과제정보들을 제공하되, 전체 과제정보의 필요 리소스가 지원자의 확장 리소스 이하가 되도록 하는 수의 과제정보를 제공할 수 있다.
도 6은 일 실시 예에 따른 클러스터링 방법을 도시한 흐름도이다.
상술한 단계(S105)에서, 컴퓨터는 상기 하나 이상의 지원자정보를 클러스터링하는 단계(S115)를 수행할 수 있다.
일 실시 예에서, 컴퓨터는 각각의 지원자 클러스터를 대표하는 특징을 키워드로서 획득할 수 있다.
또한, 컴퓨터는 상기 하나 이상의 과제정보를 클러스터링하는 단계(S116)를 수행할 수 있다.
일 실시 예에서, 컴퓨터는 각각의 과제 클러스터를 대표하는 특징을 키워드로서 획득할 수 있다.
또한, 컴퓨터는 상기 단계(S115) 및 단계(S116)의 클러스터링 결과로 생성된 클러스터들 간의 거리를 산출하는 단계(S117)를 수행할 수 있다.
또한, 컴퓨터는 상기 산출된 거리에 기초하여 상기 클러스터들 간의 연관도를 판단하는 단계(S118)를 수행할 수 있다.
일 실시 예에서, 유사한 특징을 가진 클러스터일수록 서로 가까이 위치할 수 있다. 따라서, 컴퓨터는 거리에 기초하여 각 클러스터 간의 연관도를 판단할 수 있다.
또한, 컴퓨터는 상기 판단된 연관도가 기 설정된 기준값을 초과하는 제1 지원자 클러스터 및 제1 과제 클러스터를 결정하는 단계(S119)를 수행할 수 있다.
예를 들어, 컴퓨터는 각각의 과제 클러스터에 대하여 소정의 거리 내에 위치한 지원자 클러스터를 선택하고, 선택된 과제와 지원자 클러스터를 연관시킬 수 있다.
또한, 컴퓨터는 상기 결정된 제1 지원자 클러스터에 포함된 적어도 하나의 지원자와 상기 결정된 제1 과제 클러스터에 포함된 적어도 하나의 과제를 서로 매칭하는 단계(S120)를 수행할 수 있다.
일 실시 예에서, 컴퓨터는 도 2 내지 도 5와 관련하여 설명된 인공지능 모델을 이용하여 제1 지원자 클러스터와 제1 과제 클러스터에 포함된 각각의 과제 및 지원자 간의 적합도를 판단하고, 판단된 적합도에 기초하여 지원자와 과제를 서로 매칭시킬 수 있다.
도 7은 일 실시 예에 따른 MICE 과제 매칭방법을 도시한 흐름도이다.
상술한 단계(S104)에서, 컴퓨터는 복수의 과제를 포함하는 MICE 과제정보를 획득하는 단계(S121)를 수행할 수 있다.
상술한 단계(S116)에서, 컴퓨터는 상기 MICE 과제정보에 포함된 상기 복수의 과제가 각각 포함된 복수의 제2 과제 클러스터를 결정하는 단계(S122)를 수행할 수 있다.
한편, 본 명세서에서, MICE는 기업회의(Meeting), 포상관광(Incentive trip), 컨벤션(Convention), 전시박람회와 이벤트(Exhibition&Event) 등의 영문 앞 글자를 딴 용어로, 좁은 의미에서는 국제회의와 전시회를 주축으로 한 유망 산업을 뜻하며, 광의적 개념으로는 참여자 중심의 보상관광과 메가 이벤트 등을 포함하는 융복합산업을 뜻한다. 다만, 본 명세서에서 MICE의 의미는 그 용어 자체에 한정되는 것은 아니고, 시간 및 지역에 따라 다양한 용어로 사용될 수 있다.
예를 들어, 캐나다의 경우 Meeting, Convention and Incentive Travel을 줄여 MC&IT로 사용하고 미국은 ME&I 또는 MEEC (Meetings, Expositions, Events and Conventions)로 사용하고, 싱가포르의 경우 Business Travel & MICE를 줄여서 BT MICE로 사용하는 것과 같이, 각 국가의 산업구조와 정책에 따라 다양한 용어가 사용되고 있다. 본 명세서에서, MICE 과제정보는 회의, 관광, 쇼핑, 교통(항공, 버스 등), 숙박, 전시 등에 대한 각각의 과제정보를 포함할 수 있다.
또한, 컴퓨터는 상기 복수의 제2 과제 클러스터의 중점을 결정하는 단계(S123)를 수행할 수 있다.
일 실시 예에서, 복수의 제2 과제 클러스터의 중점은 각 특성들의 중간값을 나타낼 수 있다.
상술한 단계(S119)에서, 컴퓨터는 각각의 상기 복수의 제2 과제 클러스터와의 연관도가 상기 기준값을 초과하는 복수의 제2 지원자 클러스터를 결정하는 단계(S124)를 수행할 수 있다.
즉, 제2 지원자 클러스터는 각각의 과제 특성에 맞는 지원자 클러스터를 의미할 수 있다.
또한, 컴퓨터는 상기 중점으로부터의 연관도가 상기 기준값을 초과하는 제3 지원자 클러스터를 결정하는 단계(S125)를 수행할 수 있다.
즉, 제3 지원자 클러스터는 전체 과제 특성의 중간값에 대응하는 클러스터를 의미할 수 있다.
상술한 단계(S120)에서, 컴퓨터는 상기 복수의 제2 지원자 클러스터 및 상기 제3 지원자 클러스터에 포함된 복수의 지원자와, 상기 복수의 과제를 각각 서로 매칭하는 단계(S126)를 수행할 수 있다.
일 실시 예에서, 컴퓨터는 각각의 과제특성에 맞는 지원자를 각각 선별할 수도 있고, 전체 과제특성의 중간에 해당하는 특징을 갖는 지원자를 선별하여 과제와 매칭할 수도 있다.
도 8은 일 실시 예에 따른 과제 매칭기준에 따른 매칭방법을 도시한 흐름도이다.
상술한 단계(S126)에서, 컴퓨터는 상기 MICE 과제정보의 등록주체에 과제 매칭기준의 선택을 요청하되, 상기 과제 매칭기준은 최선형 및 조화형을 포함하는, 단계(S127)를 수행할 수 있다.
또한, 컴퓨터는 상기 MICE 과제정보의 등록주체로부터 선택 입력을 수신하는 단계(S128)를 수행할 수 있다.
또한, 컴퓨터는 상기 MICE 과제정보의 등록주체가 최선형을 선택한 경우, 상기 복수의 제2 지원자 클러스터에 포함된 복수의 지원자와, 상기 복수의 과제를 각각 서로 매칭하는 단계(S129)를 수행할 수 있다.
즉, 최선형은 각각의 과제에 대하여 최선의 특성을 갖는 지원자를 매칭하는 것이다.
또한, 컴퓨터는 상기 MICE 과제정보의 등록주체가 조화형을 선택한 경우, 상기 제3 지원자 클러스터에 포함된 복수의 지원자와, 상기 복수의 과제를 각각 서로 매칭하는 단계(S130)를 수행할 수 있다.
즉, 조화형은 각각의 과제의 중간적 특성을 갖는 지원자를 매칭하는 것이다. MICE 과제의 경우, 서로 다른 과제 간의 통일성이 중요할 수 있다. 따라서, 컴퓨터는 사용자의 선택에 따라 각 과제 클러스터의 중간적인 특성을 갖는 지원자를 선택하여 매칭할 수 있다.
일 실시 예에서, 컴퓨터는 MICE 과제정보에 포함된 각각의 과제에 매칭되는 지원자들을 통합하여 공동입찰정보를 생성하고, 생성된 공동입찰정보를 각각의 지원자에게 제공할 수 있다.
예를 들어, MICE 과제의 경우 다양한 항목들이 함께 포함되어 있는데, 하나의 업체가 이들을 모두 수행하기는 어려울 수 있다. 따라서, 컴퓨터는 지원자가 수행할 수 없는 과제항목을 수행할 수 있는 다른 업체들에 대한 정보를 수집하여 각 지원자에게 제공하고, 해당 업체들 중 적어도 일부와 지원자가 MICE 과제에 공동지원하도록 할 수 있다.
도 9는 일 실시 예에 따른 인공지능 모델 학습방법을 도시한 흐름도이다.
상술한 단계(S105)에서, 컴퓨터는 상기 매칭된 과제에 대한 정보를 획득하는 단계(S131)를 수행할 수 있다.
또한, 컴퓨터는 상기 매칭된 과제의 수행결과를 획득하는 단계(S132)를 수행할 수 있다.
또한, 컴퓨터는 상기 획득된 수행결과에 기초하여 상기 인공지능 모델을 학습시키는 단계(S133)를 수행할 수 있다.
즉, 컴퓨터는 매칭 결과에 따라 계약이 수행되고, 과제가 수행되는 경우, 그 결과를 획득하여 다시금 학습 데이터로 활용, 인공지능 모델을 학습시킬 수 있다. 실시 예에 따라서, 컴퓨터는 매칭 결과에 따른 과제수행 결과를 평가하고, 이에 따라 인공지능 모델에 대한 강화학습을 수행할 수 있다.
일 실시 예에서, 지원자에게 제공되는 과제정보는 해당 과제에 입찰하기 위한 정보를 포함할 수 있다. 실시 예에 따라서, 컴퓨터는 지원자로부터의 선택 입력 또는 기 설정된 내용에 따라, 추출된 과제정보에 자동으로 지원하거나, 추출된 과제정보에 지원하기 위한 제안서의 적어도 일부 또는 전부를 자동으로 작성하여 지원자에게 제공할 수도 있다.
예를 들어, 컴퓨터는 과제정보에 기초하여 제안서의 서식을 획득하고, 지원자정보를 이용하여 제안서를 작성할 수 있다. 실시 예에 따라서, 컴퓨터는 인공지능 모델을 이용하여 과제정보에 적합한 지원자정보(즉, 해당 과제정보에 대응하는 지원자의 장점)를 추출하고, 추출된 지원자정보에 기초하여 제안서를 자동으로 작성할 수 있다.
일 실시 예에서, 개시된 실시 예에 따른 인공지능 모델은 서로 다른 지원자들의 제안서와, 각각의 과제에 있어서 채택된 제안서와 채택되지 않은 제안서를 분류할 수 있다. 또한, 각 제안서는 분야별로 분류될 수 있다.
인공지능 모델은 각각의 제안서를 학습 데이터로 이용하여, 채택되는 제안서에 포함되는 키워드나 특징을 추출하고, 이에 기초하여 자동으로 제안서를 생성하는 모델을 획득할 수 있다.
다른 예로, 컴퓨터는 인공지능 모델을 이용하여 과제정보에 적합한 지원자정보를 추출하고, 지원자에게 제공함으로써 지원자가 제안서를 작성하는 것을 보조할 수도 있다.
도 10은 일 실시 예에 따른 장치의 구성도이다.
프로세서(102)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(102)는 메모리(104)에 저장된 하나 이상의 인스트럭션을 실행함으로써, 도 1 내지 도 9와 관련하여 설명된 방법을 수행한다.
예를 들어, 프로세서(102)는 메모리에 저장된 하나 이상의 인스트럭션을 실행함으로써 하나 이상의 과제수행 기록을 포함하는 학습 데이터를 획득하고, 상기 학습 데이터를 이용하여 인공지능 모델을 학습시키고, 하나 이상의 지원자정보를 수집하고, 하나 이상의 과제정보를 수집하고, 상기 인공지능 모델을 이용하여 적어도 하나의 지원자와 적어도 하나의 과제를 매칭한다.
한편, 프로세서(102)는 프로세서(102) 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(102)는 그래픽 처리부, 램 및 롬 중 적어도 하나를 포함하는 시스템온칩(SoC: system on chip) 형태로 구현될 수 있다.
메모리(104)에는 프로세서(102)의 처리 및 제어를 위한 프로그램들(하나 이상의 인스트럭션들)을 저장할 수 있다. 메모리(104)에 저장된 프로그램들은 기능에 따라 복수 개의 모듈들로 구분될 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.
본 발명의 구성 요소들은 하드웨어인 컴퓨터와 결합되어 실행되기 위해 프로그램(또는 어플리케이션)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) 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.

Claims (10)

  1. 컴퓨터에 의하여 수행되는 과제매칭 방법으로서,
    하나 이상의 과제수행 기록을 포함하는 학습 데이터를 획득하는 단계(S101);
    상기 학습 데이터를 이용하여 인공지능 모델을 학습시키는 단계(S102);
    하나 이상의 지원자정보를 수집하는 단계(S103);
    하나 이상의 과제정보를 수집하는 단계(S104); 및
    상기 인공지능 모델을 이용하여 적어도 하나의 지원자와 적어도 하나의 과제를 매칭하는 단계(S105); 를 포함하는,
    인공지능 과제매칭 방법.
  2. 제1 항에 있어서,
    상기 단계(S101)는,
    과제의 내용, 과제 등록주체에 대한 정보, 과제 수행주체에 대한 정보 및 과제 수행결과 중 적어도 하나를 포함하는 데이터를 수집하는 단계(S106);
    상기 수집된 데이터로부터 하나 이상의 파라미터를 추출하는 단계(S107); 및
    상기 추출된 하나 이상의 파라미터를 포함하는 학습 데이터를 생성하는 단계(S108); 를 포함하는,
    인공지능 과제매칭 방법.
  3. 제2 항에 있어서,
    상기 단계(S105)는,
    제1 지원자의 지원자정보로부터 하나 이상의 파라미터를 추출하는 단계(S109);
    제1 과제의 과제정보로부터 하나 이상의 파라미터를 추출하는 단계(S110);
    상기 단계(S109) 및 단계(S110)에서 추출된 파라미터를 상기 인공지능 모델에 입력하는 단계(S111); 및
    상기 인공지능 모델의 출력으로부터 상기 제1 과제에 대한 상기 제1 지원자의 적합도를 획득하는 단계(S112); 를 포함하는,
    인공지능 과제매칭 방법.
  4. 제3 항에 있어서,
    상기 단계(S112)는,
    상기 제1 과제에 대한 상기 제1 지원자의 선정확률을 획득하는 단계(S113); 및
    상기 제1 과제에 대한 상기 제1 지원자의 수행가능성을 획득하는 단계(S114); 를 포함하는,
    인공지능 과제매칭 방법.
  5. 제1 항에 있어서,
    상기 단계(S105)는,
    상기 하나 이상의 지원자정보를 클러스터링하는 단계(S115);
    상기 하나 이상의 과제정보를 클러스터링하는 단계(S116);
    상기 단계(S115) 및 단계(S116)의 클러스터링 결과로 생성된 클러스터들 간의 거리를 산출하는 단계(S117);
    상기 산출된 거리에 기초하여 상기 클러스터들 간의 연관도를 판단하는 단계(S118);
    상기 판단된 연관도가 기 설정된 기준값을 초과하는 제1 지원자 클러스터 및 제1 과제 클러스터를 결정하는 단계(S119); 및
    상기 결정된 제1 지원자 클러스터에 포함된 적어도 하나의 지원자와 상기 결정된 제1 과제 클러스터에 포함된 적어도 하나의 과제를 서로 매칭하는 단계(S120); 를 포함하는,
    인공지능 과제매칭 방법.
  6. 제5 항에 있어서,
    상기 단계(S104)는,
    복수의 과제를 포함하는 MICE 과제정보를 획득하는 단계(S121); 를 포함하고,
    상기 단계(S116)는,
    상기 MICE 과제정보에 포함된 상기 복수의 과제가 각각 포함된 복수의 제2 과제 클러스터를 결정하는 단계(S122); 및
    상기 복수의 제2 과제 클러스터의 중점을 결정하는 단계(S123); 를 포함하고,
    상기 단계(S119)는,
    각각의 상기 복수의 제2 과제 클러스터와의 연관도가 상기 기준값을 초과하는 복수의 제2 지원자 클러스터를 결정하는 단계(S124); 및
    상기 중점으로부터의 연관도가 상기 기준값을 초과하는 제3 지원자 클러스터를 결정하는 단계(S125); 를 더 포함하고,
    상기 단계(S120)는,
    상기 복수의 제2 지원자 클러스터 및 상기 제3 지원자 클러스터에 포함된 복수의 지원자와, 상기 복수의 과제를 각각 서로 매칭하는 단계(S126); 를 포함하는,
    인공지능 과제매칭 방법.
  7. 제6 항에 있어서,
    상기 단계(S126)는,
    상기 MICE 과제정보의 등록주체에 과제 매칭기준의 선택을 요청하되, 상기 과제 매칭기준은 최선형 및 조화형을 포함하는, 단계(S127);
    상기 MICE 과제정보의 등록주체로부터 선택 입력을 수신하는 단계(S128);
    상기 MICE 과제정보의 등록주체가 최선형을 선택한 경우, 상기 복수의 제2 지원자 클러스터에 포함된 복수의 지원자와, 상기 복수의 과제를 각각 서로 매칭하는 단계(S129); 및
    상기 MICE 과제정보의 등록주체가 조화형을 선택한 경우, 상기 제3 지원자 클러스터에 포함된 복수의 지원자와, 상기 복수의 과제를 각각 서로 매칭하는 단계(S130); 를 더 포함하는,
    인공지능 과제매칭 방법.
  8. 제1 항에 있어서,
    상기 단계(S105)는,
    상기 매칭된 과제에 대한 정보를 획득하는 단계(S131);
    상기 매칭된 과제의 수행결과를 획득하는 단계(S132); 및
    상기 획득된 수행결과에 기초하여 상기 인공지능 모델을 학습시키는 단계(S133); 를 더 포함하는,
    인공지능 과제매칭 방법.
  9. 하나 이상의 인스트럭션을 저장하는 메모리; 및
    상기 메모리에 저장된 상기 하나 이상의 인스트럭션을 실행하는 프로세서를 포함하고,
    상기 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써,
    하나 이상의 과제수행 기록을 포함하는 학습 데이터를 획득하는 단계;
    상기 학습 데이터를 이용하여 인공지능 모델을 학습시키는 단계;
    하나 이상의 지원자정보를 수집하는 단계;
    하나 이상의 과제정보를 수집하는 단계; 및
    상기 인공지능 모델을 이용하여 적어도 하나의 지원자와 적어도 하나의 과제를 매칭하는 단계; 를 수행하는, 장치.
  10. 하드웨어인 컴퓨터와 결합되어, 제1 항의 방법을 수행할 수 있도록 컴퓨터에서 독출가능한 기록매체에 저장된 컴퓨터프로그램.
PCT/KR2019/008394 2018-07-25 2019-07-09 인공지능 과제매칭 방법, 장치 및 프로그램 WO2020022669A1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US17/050,164 US20210097441A1 (en) 2018-07-25 2019-07-09 Artificial intelligence task matching method, apparatus, and program

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020180086736A KR101922725B1 (ko) 2018-07-25 2018-07-25 인공지능 과제매칭 방법, 장치 및 프로그램
KR10-2018-0086736 2018-07-25

Publications (1)

Publication Number Publication Date
WO2020022669A1 true WO2020022669A1 (ko) 2020-01-30

Family

ID=64603400

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2019/008394 WO2020022669A1 (ko) 2018-07-25 2019-07-09 인공지능 과제매칭 방법, 장치 및 프로그램

Country Status (3)

Country Link
US (1) US20210097441A1 (ko)
KR (1) KR101922725B1 (ko)
WO (1) WO2020022669A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112910708A (zh) * 2021-02-07 2021-06-04 中国工商银行股份有限公司 分布式服务调用方法及装置

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101922725B1 (ko) * 2018-07-25 2018-11-27 (주)엔터랩 인공지능 과제매칭 방법, 장치 및 프로그램
WO2023102867A1 (en) * 2021-12-10 2023-06-15 Citrix Systems, Inc. Intelligent task assignment and performance
CN116932228B (zh) * 2023-09-14 2023-12-12 湖南希赛网络科技有限公司 一种基于志愿者计算的边缘ai任务调度和资源管理系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4378646B2 (ja) * 2005-09-28 2009-12-09 ソニー株式会社 情報処理装置、情報処理方法、およびプログラム
KR101548526B1 (ko) * 2013-11-27 2015-09-01 한국과학기술정보연구원 외부 인적자원의 평가를 이용한 핵심기술과 수행주체 선정 장치, 시스템 및 방법
KR20160149050A (ko) * 2015-06-17 2016-12-27 한국과학기술정보연구원 텍스트 마이닝을 활용한 순수 기업 선정 장치 및 방법
KR20170087435A (ko) * 2017-07-10 2017-07-28 주식회사 인브레인 컴포넌트 기반 소프트웨어 분석 도구의 전문가 지식 학습 및 추천 방법
KR101922725B1 (ko) * 2018-07-25 2018-11-27 (주)엔터랩 인공지능 과제매칭 방법, 장치 및 프로그램

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4378646B2 (ja) * 2005-09-28 2009-12-09 ソニー株式会社 情報処理装置、情報処理方法、およびプログラム
KR101548526B1 (ko) * 2013-11-27 2015-09-01 한국과학기술정보연구원 외부 인적자원의 평가를 이용한 핵심기술과 수행주체 선정 장치, 시스템 및 방법
KR20160149050A (ko) * 2015-06-17 2016-12-27 한국과학기술정보연구원 텍스트 마이닝을 활용한 순수 기업 선정 장치 및 방법
KR20170087435A (ko) * 2017-07-10 2017-07-28 주식회사 인브레인 컴포넌트 기반 소프트웨어 분석 도구의 전문가 지식 학습 및 추천 방법
KR101922725B1 (ko) * 2018-07-25 2018-11-27 (주)엔터랩 인공지능 과제매칭 방법, 장치 및 프로그램

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
MOON, BYOUNG JU ET AL.: "Evaluation Staff Recommendation System based on Hybrid-LDA Model", 2016 KICS - THE KOREAN INSTITUTE OF COMM. SCIENCES, June 2016 (2016-06-01), pages 1051 - 1052 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112910708A (zh) * 2021-02-07 2021-06-04 中国工商银行股份有限公司 分布式服务调用方法及装置
CN112910708B (zh) * 2021-02-07 2023-03-03 中国工商银行股份有限公司 分布式服务调用方法及装置

Also Published As

Publication number Publication date
US20210097441A1 (en) 2021-04-01
KR101922725B1 (ko) 2018-11-27

Similar Documents

Publication Publication Date Title
WO2020022669A1 (ko) 인공지능 과제매칭 방법, 장치 및 프로그램
WO2018212494A1 (ko) 객체를 식별하는 방법 및 디바이스
WO2019050247A2 (ko) 클래스 인식을 위한 뉴럴 네트워크 학습 방법 및 디바이스
WO2020032467A1 (ko) 인공지능 기반 질의응답 도출방법, 장치 및 프로그램
WO2019098449A1 (ko) 메트릭 학습 기반의 데이터 분류와 관련된 장치 및 그 방법
WO2019098414A1 (ko) 약한 지도 학습에 기초한 뉴럴 네트워크의 계층적 학습 방법 및 장치
US20160132730A1 (en) Semantic Parsing of Objects in Video
US11663502B2 (en) Information processing apparatus and rule generation method
WO2020256204A1 (ko) 텍스트의 내용 및 감정 분석에 기반한 답변 추천 시스템 및 방법
WO2019098418A1 (ko) 뉴럴 네트워크 학습 방법 및 디바이스
WO2019245182A1 (ko) 조달입찰정보 매칭방법, 장치 및 프로그램
Oikarinen et al. Clip-dissect: Automatic description of neuron representations in deep vision networks
JP2017211689A (ja) 分類モデル装置、分類モデル学習方法、および分類モデル学習プログラム
WO2019050297A1 (ko) 뉴럴 네트워크 학습 방법 및 장치
WO2018212584A2 (ko) 딥 뉴럴 네트워크를 이용하여 문장이 속하는 클래스를 분류하는 방법 및 장치
CN112560823B (zh) 基于分布学习的自适应方差和权重的人脸年龄估计方法
WO2021107445A1 (ko) 지식 그래프 및 국가별 음역 전환 기반 신조어 정보 서비스 제공 방법 및 그 장치
WO2020141907A1 (ko) 키워드에 기초하여 이미지를 생성하는 이미지 생성 장치 및 이미지 생성 방법
Rohani et al. Lip segmentation in color images
KR101944087B1 (ko) 과제매칭용 인공지능 모델의 학습을 위한 학습데이터 생성방법
KR20230020116A (ko) 상표 관련 서비스를 제공하는 컴퓨팅 장치 및 그 방법
JP2021197184A (ja) 分類器を訓練及びテストするためのデバイス及び方法
KR101944095B1 (ko) 클러스터링 기반 인공지능 과제매칭 방법
Higa Dog Breed Classification Using Convolutional Neural Networks: Interpreted Through a Lockean Perspective
Nasim et al. Emotional understanding of an image by applying high-level concepts on image parts

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19840214

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19840214

Country of ref document: EP

Kind code of ref document: A1