WO2021049700A1 - 서비스 인력 관리를 위한 애플리케이션 및 서버 - Google Patents

서비스 인력 관리를 위한 애플리케이션 및 서버 Download PDF

Info

Publication number
WO2021049700A1
WO2021049700A1 PCT/KR2019/012520 KR2019012520W WO2021049700A1 WO 2021049700 A1 WO2021049700 A1 WO 2021049700A1 KR 2019012520 W KR2019012520 W KR 2019012520W WO 2021049700 A1 WO2021049700 A1 WO 2021049700A1
Authority
WO
WIPO (PCT)
Prior art keywords
service
information
machine learning
service personnel
evaluation
Prior art date
Application number
PCT/KR2019/012520
Other languages
English (en)
French (fr)
Inventor
김희정
Original Assignee
째깍악어 주식회사
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 째깍악어 주식회사 filed Critical 째깍악어 주식회사
Publication of WO2021049700A1 publication Critical patent/WO2021049700A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—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
    • G06Q10/10—Office automation; Time management
    • G06Q10/103—Workflow collaboration or project management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management
    • G06Q10/105—Human resources

Definitions

  • Embodiments of the present disclosure relate to an application that performs a method of controlling a service manpower management system, and a service manpower management server.
  • Embodiments of the present disclosure are to provide a more improved manpower provision service by evaluating the quality of service personnel through artificial intelligence and matching service personnel with service targets.
  • embodiments of the present disclosure are for obtaining evaluation information for a more objective service from a user.
  • the service manpower management system control method when executed by a processor, in an application that performs a service manpower management system control method and is stored in a storage medium, includes user input information and service Providing a list of a plurality of candidate service personnel based on the personnel information; Selecting one service personnel from a list of a plurality of candidate service personnel and receiving a user input for requesting a service; Providing an evaluation screen view for querying evaluation information on the selected service personnel after the service use time; And transmitting the evaluation information input through the evaluation screen view to the server, wherein the evaluation screen view includes an evaluation item for querying evaluation information on service personnel, and a service or service personnel for the evaluation item.
  • An application is provided, including a selection option to select a relative rating rank.
  • the method of controlling the service manpower management system further includes providing a screen view of a candidate service manpower that provides information on a candidate service manpower, wherein the screen view of the candidate service manpower includes whether or not to check a personality, It may include information on at least one or a combination of whether to check the history of sex offenses, whether to verify identification documents, whether to complete education, and whether to pay a liability bond.
  • the method of controlling the service personnel management system further comprises providing a candidate service personnel screen view providing information on candidate service personnel, wherein the candidate service personnel screen view is Introductory video can be included.
  • the providing of the plurality of candidate service personnel list may include inputting the user input information and service personnel information into a machine learning model; And displaying a list of a plurality of candidate service personnel obtained from the machine learning model.
  • the service is an education or childcare service
  • the service manpower management system control method includes determining educational content matching a user using a machine learning model based on the user input information.
  • the user input information may include at least one of age, gender, interest, and disposition of the service target, or a combination thereof.
  • an input unit for receiving service target information and service request information; Including a first machine learning model for receiving service personnel information and the service subject information and outputting at least one candidate service manpower matching the service subject, and determining an evaluation item and a selection option for the service providing service manpower, and the At least one processor for obtaining evaluation information on the evaluation item; A list of the at least one candidate service personnel, and an output unit for outputting the evaluation item and the selection option, and the selection option includes a selection option for selecting a service or a relative evaluation number of service personnel for the evaluation item.
  • a service personnel management server is provided.
  • the service is an education or childcare service
  • the at least one processor receives the service target information and server application information, and outputs at least one educational content matching the service target. It can contain a learning model.
  • the input unit receives service personnel information
  • the one or more processors are configured based on at least one of service personnel information, a video of the service personnel, and the evaluation information on the service personnel, or a combination thereof. It may include a third machine learning model that determines whether service personnel are ineligible.
  • the first machine learning model and the second machine learning model may share at least one sub-machine learning model.
  • the one or more processors may update the first machine learning by using the evaluation information as a compensation value for reinforcement learning.
  • the service is an education or childcare service
  • the one or more processors generate parental propensity information of the service target based on the evaluation information, and upon request for an additional server, parental propensity information of the service target Is input into the first machine learning model to determine at least one candidate service personnel.
  • the at least one processor may predict missing data among the service target information, and input the service target information and the predicted missing data into the first machine learning model.
  • embodiments of the present disclosure have an effect of obtaining more objective evaluation information on service personnel from a user.
  • FIG. 1 is a diagram showing the structure of a service manpower management system 100 according to an embodiment.
  • FIG. 2 is a block diagram showing the structure of a user terminal according to an embodiment.
  • FIG. 3 is a flowchart illustrating a service manpower management method according to an embodiment.
  • 4A is a diagram illustrating a GUI view providing a list of candidate service personnel according to an embodiment.
  • 4B is a diagram illustrating a screen view of candidate service personnel showing detailed information on candidate service personnel.
  • FIG. 5 is a diagram illustrating an evaluation screen view according to an exemplary embodiment.
  • FIG. 6 is a diagram showing the structure of a service manpower management server according to an embodiment.
  • FIG. 7 is a diagram illustrating an operation of a first machine learning model according to an embodiment.
  • FIG. 8 is a diagram illustrating an operation of a second machine learning model according to an embodiment.
  • FIG. 9 is a diagram illustrating an operation of a third machine learning model according to an embodiment.
  • FIG. 10 is a flowchart illustrating a method of predicting missing data according to an exemplary embodiment.
  • the service manpower management system control method when executed by a processor, in an application that performs a service manpower management system control method and is stored in a storage medium, includes user input information and service Providing a list of a plurality of candidate service personnel based on the personnel information; Selecting one service personnel from a list of a plurality of candidate service personnel and receiving a user input for requesting a service; Providing an evaluation screen view for querying evaluation information on the selected service personnel after the service use time; And transmitting the evaluation information input through the evaluation screen view to the server, wherein the evaluation screen view includes an evaluation item for querying evaluation information on service personnel, and a service or service personnel for the evaluation item.
  • An application is provided, including a selection option to select a relative rating rank.
  • FIG. 1 is a diagram showing the structure of a service manpower management system 100 according to an embodiment.
  • the service manpower management system 100 is a system that receives a service request from a user, matches a service manpower according to the service request, and sends the service manpower to a service target person.
  • services include educational services or child care services.
  • service targets include students or caregivers.
  • Parents include not only legal parents of students or caregivers, but also various managers who manage the education of service targets, such as guardians other than parents and educational intermediaries.
  • Service personnel include teachers who provide educational services or child care services.
  • the service manpower management system 100 receives a service request through the user terminal 110 and receives a service request input to the service manpower management server 120.
  • the service manpower management server 120 extracts candidate service manpower based on the service request information, and provides a list of candidate service manpower to the user terminal 110.
  • the user terminal 110 displays a list of candidate service personnel, receives a user input for selecting a service personnel, and transmits it to the service personnel management server 120.
  • a company operating the service manpower management server 120 provides a service by allowing a selected service manpower to visit a predetermined time and place.
  • the user terminal 110 executes an application that performs a method of controlling a service manpower management system.
  • the application provides the user with information related to the service and receives user input.
  • the application may be downloaded and installed from a predetermined server to the user terminal 110.
  • the user terminal 110 may be implemented in the form of, for example, a portable communication terminal, a smart phone, a wearable device, a tablet PC, a desktop PC, and a laptop PC.
  • the service manpower management server 120 is a server that stores data for service provision and performs predetermined processing.
  • the user terminal 110 and the service personnel management server 120 may be connected through a network to exchange data and control signals.
  • FIG. 2 is a block diagram showing the structure of a user terminal.
  • the user terminal 110 may include a communication unit 210, a processor 220, a display 230, and a memory 240.
  • the communication unit 210 may communicate with the service manpower management server 120 through a network.
  • the communication unit 210 receives a list of candidate service personnel, service personnel information, and service-related information from the service personnel management server 120, and transmits the user input input through the user terminal 110 to the service personnel management server 120. I can.
  • the communication unit 210 may transmit service-related data and control signals to the service personnel management server 120 and receive data and control signals from the service personnel management server 120.
  • the communication unit 210 may communicate with an external device by wire or wirelessly.
  • the communication unit 210 may perform short-range communication, for example, Bluetooth, Bluetooth Low Energy (BLE), Near Field Communication, WLAN (Wi-Fi), Zigbee, and infrared (IrDA, infrared). Data Association) communication, WFD (Wi-Fi Direct), UWB (ultra wideband), Ant+ communication, etc. can be used.
  • the communication unit 210 may use mobile communication, and may transmit and receive wireless signals with at least one of a base station, an external terminal, and a server on a mobile communication network.
  • the processor 220 controls the overall operation of the user terminal 110.
  • the processor 220 may be implemented with one or more processors.
  • the processor 220 may execute an instruction or command stored in the memory 240 to perform a predetermined operation.
  • the processor 220 according to embodiments of the present disclosure executes an application that performs a method for controlling a service manpower management system, and performs each step of the method for controlling a service manpower management system.
  • the application includes computer program instructions for performing each step of the service personnel management system control method.
  • the processor 220 executes instructions included in an application. Instructions are stored in the memory 240 and may be executed by the processor 220.
  • the processor 220 uses a machine learning model.
  • the machine learning model includes various types of machine learning models, and includes a deep neural network model.
  • the machine learning model may include an artificial intelligence algorithm in which interference is executed by a combination of at least one matrix multiplication operation and at least one non-linear operation.
  • the machine learning model may operate within the processor 220 by executing a computer program stored in the memory 240.
  • the machine learning model may be implemented as a software module in the processor 220.
  • the processor 220 may include a separate dedicated processor for executing the deep neural network model.
  • the processor 220 may use a machine learning model operating in an external device such as a server.
  • the processor 220 may use a machine learning model provided in the service manpower management server 120.
  • the processor 220 may transmit input data to be input as a machine learning model to an external device and receive an output of the machine learning model from the external device.
  • the processor 220 may communicate with an external device using the communication unit 210 provided in the user terminal 110.
  • the machine learning model may use, for example, a deep neural network structure such as a convolutional neural network (CNN) or a recurrent neural network (RNN), or a combination of various deep neural network structures.
  • a deep neural network structure such as a convolutional neural network (CNN) or a recurrent neural network (RNN), or a combination of various deep neural network structures.
  • CNN convolutional neural network
  • RNN recurrent neural network
  • the display 230 displays a GUI view and various data related to the operation of the user terminal 110.
  • the display 230 displays a GUI view for performing a method of controlling the service manpower management system.
  • the display 230 may be implemented in the form of, for example, a liquid crystal display device, an organic electroluminescent display device, or an electrophoretic display device.
  • the memory 240 may store data and commands necessary for the operation of the user terminal 110.
  • the memory 240 may be implemented as at least one of a volatile storage medium or a nonvolatile storage medium, or a combination thereof.
  • FIG. 3 is a flowchart illustrating a method of controlling a service manpower management system according to an exemplary embodiment.
  • Each step of the method for controlling the service manpower management system of the present disclosure may be performed by various types of electronic devices including a processor and an output unit, and using a machine learning model.
  • This specification will be described focusing on an embodiment in which the user terminal 110 performs a service manpower management system control method according to embodiments of the present disclosure. Therefore, the embodiments described for the user terminal 110 can be applied to the embodiments of the service manpower management system control method, and on the contrary, the embodiments described for the service manpower management system control method are implemented for the user terminal 110. Applicable to examples.
  • the method of controlling the service personnel management system according to the disclosed embodiments is performed by the user terminal 110 disclosed in the present specification, and the embodiment is not limited, and may be performed by various types of electronic devices.
  • the user terminal 110 receives basic service-related information and service target information (S302).
  • the basic information related to the service may include the type of service, the service location, the service date and time, and other requested matters.
  • the service target information may include information such as the number of service targets, the name of the service target, date of birth, gender, and characteristics of the service target.
  • Types of services may include housekeeping, cleaning, delivery, medical services, child care, education, and the like.
  • Childcare services may include detention, transfer, learning, play, English, and the like.
  • the service location may include home or not, area, etc.
  • the service date and time may include information such as a service provision date, a start time, and an end time.
  • the user terminal 110 When the application is executed, the user terminal 110 provides a GUI view capable of receiving basic service-related information and service target information, and may receive user input through input devices such as a touch screen, a keyboard, and a mouse. . When the user terminal 110 receives basic service-related information and service target information, the user terminal 110 transmits the input information to the service manpower management server 120.
  • the service manpower management server 120 determines at least one candidate service manpower based on service-related basic information and service target information received from the user terminal 110, and transmits a list of candidate service manpower to the user terminal 110. .
  • the user terminal 110 provides a list of candidate service personnel through the display 230 (S304).
  • 4A is a diagram illustrating a GUI view providing a list of candidate service personnel according to an embodiment.
  • 4A and 4B disclose an embodiment of providing education or child care services.
  • the user terminal 110 may provide a list of candidate service personnel as shown in FIG. 4A through the display 230.
  • the candidate service personnel list includes each candidate service personnel items 410a, 410b, and 410c.
  • Each of the candidate service personnel items 410a, 410b, and 410c may include basic candidate service personnel information 414 and a picture 412.
  • the user may select one of the candidate service manpower items 410a, 410b, and 410c to inquire detailed information on each candidate service manpower.
  • 4B is a diagram illustrating a screen view of candidate service personnel showing detailed information on candidate service personnel.
  • the user terminal 110 receives a user input for selecting one of a plurality of candidate service personnel items in the candidate service personnel list.
  • the user terminal 110 may include a touch screen and receive a user input of touching one of candidate service personnel items in the candidate service personnel list.
  • the user terminal 110 displays a screen view of the candidate service personnel screen for the candidate service personnel selected by the user.
  • the candidate service personnel screen view may include at least one or a combination of basic personal information 424, photo information 422, authentication information 426, and candidate service personnel video 430 of the candidate service personnel.
  • the basic personal information 424 may include information such as affiliation, age, and career.
  • the authentication information 426 is information verified by a service provider, and may include information on whether or not to check personality, whether to search for sex crime history, whether to verify identity documents, whether to complete training, and whether or not to pay a liability deposit.
  • the candidate service personnel screen view may provide a candidate service personnel video 430 photographing candidate service personnel.
  • the candidate service personnel video 430 is a video that introduces an opportunity for the candidate service personnel to become a service personnel, how to work with a child, and his/her strengths, and may be included as an essential item of the candidate service personnel screen view.
  • the user can directly hear information on the candidate service personnel through the candidate service personnel video 430 through the voice of the candidate service personnel, and view a video of the candidate service personnel's speech, gestures, impressions, etc. There is an effect that can be checked through.
  • the user terminal 110 selects a service manpower from a list of candidate service personnel, and receives a user input for requesting a service (S306).
  • the user terminal 110 transmits service personnel selection and service request information to the service personnel management server 120.
  • the service manpower management server 120 receives service manpower selection and service request information
  • the service manpower management server 120 provides a service to the user based on the received information.
  • the service is provided to the service target by visiting the selected service personnel to the designated place at the designated date and time.
  • the user terminal 110 After the service is provided, the user terminal 110 provides an evaluation process for service personnel who provided the service through the application. In the evaluation process for service personnel, an evaluation screen view for service personnel is provided (S308).
  • the evaluation screen view provides at least one evaluation item for evaluating service personnel and a selection option for answering the evaluation item.
  • An evaluation screen view according to an embodiment provides a selection option for relative evaluation of services or service personnel.
  • 5 is a diagram illustrating an evaluation screen view according to an exemplary embodiment. 5 illustrates an embodiment related to management of service providing personnel providing education or childcare services.
  • an application executed in the user terminal 110 provides an evaluation screen view for relative evaluation of a service.
  • the evaluation question is provided to inquire about how this caring service was, and the selection item is provided to select the number of caring service this time among the predetermined number of caring services.
  • the number of total care services which is a parameter of the selection item, may be the number of care services actually received by the user, or the number of random services different from the number of care services actually received by the user.
  • the evaluation questions may include, for example, questions about how this service was, how the learning guidance of this service was, and what was the intimacy between the child and the teacher in this service.
  • the application executed in the user terminal 110 provides an evaluation screen view for relative evaluation of service personnel.
  • the evaluation questions may include questions that ask about the service attitude of the service personnel, the learning achievement by the service personnel, and the intimacy between the service personnel and the child.
  • the selection item is provided to select the number of service personnel this time among the service personnel of a predetermined number.
  • the total number of service personnel which is a parameter of the selection item, may be the number of service personnel that the user has actually met through the care service, or may be an arbitrary number different from the number of service personnel that the user has actually met.
  • Embodiments of the present disclosure have an effect of obtaining more accurate evaluation information by evaluating services or service personnel in a relative evaluation method.
  • evaluation information for a service or service personnel
  • the evaluation score is defined between 1-10, and the user can select a number between 1 and 10 as the evaluation score, then User 1 shows a high deviation by selecting the evaluation score between 1 and 10, User 2 may show a low variance by choosing an evaluation score between 3 and 7.
  • User 2 selects an evaluation score from 3 to 7, and user 3 selects an evaluation score from 5 to 10, so that the average value of the score may vary greatly for each user.
  • the reliability of the evaluation score is degraded when evaluation information is obtained by using an absolute evaluation method.
  • the performance of the automatic matching between the service subject and the service manpower is deteriorated due to a decrease in the reliability of the evaluation score.
  • a machine learning model is trained using an evaluation score or an evaluation score is used as an input value of an artificial intelligence model, there is a problem that the performance of the machine learning model is degraded.
  • the service personnel management system control method may acquire evaluation information in a relative evaluation method or obtain evaluation information in an absolute evaluation method according to a property of the evaluation information.
  • the evaluation item may be directly inquired.
  • the service manpower management system control method can query evaluation information in a relative evaluation method for subjective data such as satisfaction with service manpower, intimacy between service manpower and service targets, and educational achievement.
  • FIG. 6 is a diagram showing the structure of a service manpower management server according to an embodiment.
  • the service personnel management server 120 may include an input unit 610, a processor 620, an output unit 630, and a memory 640.
  • the input unit 610 receives service target information and service request information.
  • the input unit 610 may directly receive information from the user terminal 110 or may receive information indirectly through a predetermined communication device or server.
  • the input unit 610 is, for example, a communication device, and may communicate with an external device by wire or wirelessly.
  • the input unit 610 may perform short-range communication, for example, Bluetooth, Bluetooth Low Energy (BLE), Near Field Communication, WLAN (Wi-Fi), Zigbee, and infrared (IrDA, infrared). Data Association) communication, WFD (Wi-Fi Direct), UWB (ultra wideband), Ant+ communication, etc. can be used.
  • the input unit 610 may use mobile communication, and may transmit and receive wireless signals with at least one of a base station, an external terminal, and a server on a mobile communication network.
  • the processor 620 controls the overall operation of the service personnel management server 120.
  • the processor 620 may be implemented with one or more processors.
  • the processor 620 may execute an instruction or command stored in the memory 640 to perform a predetermined operation.
  • the processor 620 uses a machine learning model.
  • the machine learning model includes a deep neural network model.
  • the deep neural network model may operate within the processor 620 by executing a computer program stored in the memory 640.
  • the deep neural network model may be implemented as a software module in the processor 620.
  • the processor 620 may include a separate dedicated processor for executing the deep neural network model.
  • the processor 620 may use a deep neural network model operating in an external device such as a server.
  • the processor 620 may transmit input data to be input to the deep neural network model to an external device and receive an output of the deep neural network model from the external device.
  • the machine learning model may use, for example, a deep neural network structure such as a convolutional neural network (CNN) or a recurrent neural network (RNN), or a combination of various deep neural network structures.
  • a deep neural network structure such as a convolutional neural network (CNN) or a recurrent neural network (RNN), or a combination of various deep neural network structures.
  • CNN convolutional neural network
  • RNN recurrent neural network
  • the processor 620 includes at least one of a first machine learning model for determining a candidate service manpower, a second machine learning model for determining educational content matching a service target, and a third machine learning model for determining whether the service manpower is ineligible. Alternatively, a combination of these may be used.
  • the second machine learning model can be used in the case of providing education and childcare services.
  • the first machine learning model, the second machine learning model, and the third machine learning model may be provided in the processor 620 or may be provided in a separate server. According to an embodiment, the first machine learning model, the second machine learning model, and the third machine learning model may be implemented in hardware by a dedicated processor.
  • computer program instructions corresponding to the corresponding machine learning model are executed by the processor 620, and the processor 620 includes the first machine learning model, the second machine learning model, and the third machine learning model.
  • the operation can be performed. Detailed operations of the first machine learning model, the second machine learning model, and the third machine learning model will be described in detail below.
  • the processor 620 outputs at least one candidate service personnel matching the service target based on the received service target information and service request information.
  • the processor 620 includes a first machine learning model, and the first machine learning model outputs at least one candidate service personnel matching the service target based on the received service target information and service request information.
  • the processor 620 acquires evaluation information on the service and service personnel.
  • the processor 620 provides evaluation items and selection options for acquiring evaluation information on services and service personnel in a relative evaluation method to the user terminal 110, and from the user terminal 110 to the user. Evaluation information may be obtained by receiving the evaluation information input by the user. For each evaluation item, the processor 620 may determine a parameter for inputting evaluation information in a relative evaluation method and provide it to the user terminal 110.
  • the output unit 630 outputs a list of at least one candidate service personnel.
  • the output unit 630 is, for example, a communication device, and may communicate with an external device by wire or wirelessly.
  • the input unit 610 and the output unit 630 may be implemented as one communication device.
  • the output unit 630 transmits the evaluation item and selection option determined by the processor 620 to the user terminal 110.
  • the output unit 630 may transmit a parameter for acquiring evaluation information in a relative evaluation method for each evaluation item to the user terminal 110.
  • the service manpower management server 120 may include a user interface for directly receiving a user input from a corresponding server.
  • the input unit 610 may include an input user interface such as a touch screen, a keyboard, a mouse, and a touch pad
  • the output unit 630 may include an output user interface such as a display and a speaker.
  • the memory 640 may store data and commands necessary for the operation of the service personnel management server 120.
  • the memory 640 may be implemented as at least one of a volatile storage medium or a nonvolatile storage medium, or a combination thereof. Also, the memory 640 may store information on a plurality of service personnel.
  • FIG. 7 is a diagram illustrating an operation of a first machine learning model according to an embodiment.
  • the processor 620 of the service personnel management server 120 generates a list of candidate service personnel using the first machine learning model 710.
  • the first machine learning model 710 may be provided in the service manpower management server 120 or may be provided in a separate server.
  • the first machine learning model 710 receives service target information and basic service-related information, and outputs at least one candidate service personnel.
  • Basic service-related information is information related to the service included in the service request information.
  • the basic service-related information may include, for example, a service date and time, a service location, and a service type.
  • the service target person information may include information such as gender, date of birth, and characteristics of the service target person.
  • the first machine learning model 710 determines at least one candidate service manpower from the service manpower DB 720 based on the input service-related basic information and service target information.
  • the service personnel DB 720 stores information on at least one service personnel.
  • Information on service personnel may store information such as affiliation, career, age, gender, and service style of the service personnel.
  • the service personnel DB 720 may store information such as authentication information and service personnel video.
  • the service manpower DB 720 stores the result value of the service manpower authentication process performed by the service provider.
  • the service personnel authentication process first, in order to authenticate the basic information of the teacher, an individual's real name is authenticated, and authentication documents such as an enrollment certificate, graduation certificate, qualification certificate, and resident registration copy are verified. Next, a personality test is performed on service personnel, and sexual crime history inquiry, face-to-face education, interview, introduction video shooting, mock caring test through situational play, and child abuse prevention education are conducted.
  • the service personnel DB 720 stores the history and result data of performing this service personnel authentication process, and the first machine learning model 710 uses the data stored in the service personnel DB 720 to match the service target and the service personnel. Can be used.
  • the processor 620 provides the data stored in the service personnel DB 720 to the user terminal 110 in order to provide a GUI view of a candidate service personnel list and a screen view of a candidate service personnel provided from the user terminal 110. can do.
  • the first machine learning model 710 may include an input layer, a hidden layer, and an output layer. Each layer includes at least one node, and nodes included in each layer are weighted and transmitted to a predetermined node of the next layer. Layers and nodes of the first machine learning model 710 may be defined through machine learning.
  • the first machine learning model 710 may be trained using a plurality of training data including basic service-related information, service target information, and output candidate service personnel information.
  • the service personnel or service relative evaluation information 730 input by the user may be used as a compensation value for reinforcement learning of the first machine learning model 710.
  • the relative evaluation information 730 as a compensation value
  • the processor 620 may generate parental propensity information of a service target based on the evaluation information.
  • the processor 620 may input parental propensity information of the corresponding user into the first machine learning model.
  • the processor 620 may predict parental propensity information from service-related information input by a user and input it to the first machine learning model.
  • FIG. 8 is a diagram illustrating an operation of a second machine learning model according to an embodiment.
  • the processor 620 of the service personnel management server 120 generates a list of candidate service personnel using the second machine learning model 810.
  • the second machine learning model 810 may be provided in the service manpower management server 120 or may be provided in a separate server.
  • the second machine learning model 810 receives service target information and basic service-related information, and outputs educational content matching the service target.
  • the second machine learning model 810 determines education content to be used in the service from the education content DB 820 based on the input basic information related to the service and service target information.
  • the second machine learning model 810 may output a list of at least one educational content, and educational content may be selected by a service person or a user.
  • the educational content DB 820 stores information on at least one educational content.
  • the information on the educational content may include an identification number, a name of the educational content, and attribute information of the educational content.
  • the educational content attribute information may include information such as an area of the educational content, an appropriate age, a child's temperament relationship, a quantity, an available quantity, and an inventory location.
  • the educational content is digital content
  • the educational content itself may be stored in the educational content DB 820.
  • identification information and inventory location of the educational content may be stored in the educational content DB 820.
  • the second machine learning model 810 may include an input layer, a hidden layer, and an output layer. Each layer includes at least one node, and nodes included in each layer are weighted and transmitted to a predetermined node of the next layer. Layers and nodes of the second machine learning model 810 may be defined through machine learning.
  • the second machine learning model 810 may be trained using a plurality of training data including basic service-related information, service target information, and output education content.
  • the second machine learning model 810 is trained to recommend appropriate educational contents to the service target in consideration of factors such as age, disposition, grade curriculum, and Nuri course linkage of the service target.
  • the service personnel or service relative evaluation information 730 input by the user may be used as a compensation value for reinforcement learning of the second machine learning model 810.
  • the service personnel or service relative evaluation information 730 input by the user may be used as a compensation value for reinforcement learning of the second machine learning model 810.
  • the relative evaluation information 730 as a compensation value
  • the matching performance of the service target and the service target of the second machine learning model 810 is determined. It can be further improved.
  • service personnel input by a user or relative evaluation information for a service may be used as an input of the second machine learning model 810.
  • the relative evaluation information when there is no relative evaluation information in the input service request, the relative evaluation information may be input as an arbitrary value.
  • a predicted value for the relative evaluation information when there is no relative evaluation information in the input service request, may be input. If there is no relative evaluation information corresponding to the input service request, the processor 620 may generate a predicted value for the relative evaluation information and input it as the second machine learning model 810.
  • FIG. 9 is a diagram illustrating an operation of a third machine learning model according to an embodiment.
  • the processor 620 of the service manpower management server 120 determines whether the service manpower is ineligible using the third machine learning model 910.
  • the service personnel who determine whether they are ineligible in the third machine learning model 910 may be a support service manpower who applied for employment as a service manpower, or a service manpower who is currently performing work as a service manpower.
  • the third machine learning model 910 may be provided in the service manpower management server 120 or may be provided in a separate server.
  • the third machine learning model 910 receives service manpower information and a service manpower video, and outputs a result of determining whether the service manpower is ineligible. Determining whether a service manpower is ineligible is a process of determining whether a service manpower is qualified as a service manpower in order to exclude the service manpower who is not eligible as a service manpower.
  • the third machine learning model (3rd machine learning model ( 910) determines whether or not the service personnel are ineligible. Whether or not the service personnel are ineligible may be determined based on data such as a result of a personality test of the service personnel, an interview result, and a video of a service personnel.
  • the third machine learning model 910 may detect an abnormal symptom of a service manpower based on the input service manpower information and service manpower video information, and determine the service manpower whose abnormality symptom was detected as an ineligible service manpower.
  • the third machine learning model 910 may include an input layer, a hidden layer, and an output layer. Each layer includes at least one node, and nodes included in each layer are weighted and transmitted to a predetermined node of the next layer. Layers and nodes of the third machine learning model 910 may be defined through machine learning.
  • the third machine learning model 910 may be trained using a plurality of training data including service manpower information, service manpower video information, and an ineligible output.
  • the third machine learning model 910 is trained so as to filter out inadequate service personnel by capturing abnormal signs of service personnel, and not make an erroneous ineligibility determination.
  • the service personnel or service relative evaluation information 730 input by the user may be used as a compensation value for reinforcement learning of the third machine learning model 910.
  • Embodiments of the present disclosure further improve the performance of determining ineligibility of service personnel of the third machine learning model 810 by reinforcement learning the third machine learning model 910 using the relative evaluation information 730 as a compensation value. I can make it.
  • service personnel input by a user or relative evaluation information for a service may be used as an input of the third machine learning model 910.
  • the relative evaluation information when there is no relative evaluation information in the input of the third machine learning model 910, the relative evaluation information may be input as an arbitrary value.
  • a prediction value for the relative evaluation information when there is no relative evaluation information in the input of the third machine learning model 910, may be input. If there is no relative evaluation information corresponding to the input service personnel information, the processor 620 may generate a predicted value for the relative evaluation information and input it to the third machine learning model 910.
  • the first machine learning model 710, the second machine learning model 810, and the third machine learning model 910 may each include a plurality of sub-machine learning blocks.
  • the first machine learning model 710, the second machine learning model 810, and the third machine learning model 910 may share at least one sub-machine learning block.
  • the shared sub-machine learning blocks are determined by the learning of each machine learning.
  • FIG. 10 is a flowchart illustrating a method of predicting missing data according to an exemplary embodiment.
  • elements of input data are defined in each of the first machine learning model, the second machine learning model, and the third machine learning model.
  • the input data is transformed into a tensor of a defined form and input to a first machine learning model, a second machine learning model, and a third machine learning model.
  • the machine learning model may not operate properly.
  • the missing value is predicted, the input data tensor is filled, and then the input data is input as a machine learning model.
  • the service manpower management server 120 receives service target information and service request information from the user terminal 110 (S1002).
  • the service personnel management server 120 determines whether there is missing data based on the received information, and predicts a missing value of the missing data (S1004).
  • the missing data may be at least one sub-item of service target information, service request information, and relative evaluation information. For example, when a user applies for a service and does not input the characteristics of the service target, the service personnel management server 120 recognizes the characteristics of the service target as missing data, and predicts the missing data to obtain a predicted value. .
  • the processor 620 may predict missing data by performing a missing data prediction algorithm. For example, the processor 620 may predict missing data by performing various algorithms for matrix completion. Since the prediction of service-related data belongs to high-rank prediction, which makes it difficult to predict the relationship between data, a prediction algorithm may be performed in consideration of the high-rank attribute. According to an embodiment, the processor 620 may predict missing data using a machine learning model. To this end, the processor 620 trains a machine learning model for predicting missing data by using a plurality of training data including service-related data such as service target information, service request information, service personnel information, and relative evaluation information, and learns. The missing data can be predicted using the machine learning model.
  • service-related data such as service target information, service request information, service personnel information, and relative evaluation information
  • the processor 620 predicts missing data and, when input values inputted to the first machine learning model and the second machine learning model are complete, determines at least one candidate service personnel using the machine learning model. In addition, in the case of education or childcare service, the processor 620 outputs a list of candidate service personnel and recommended education contents after determining education contents (S1006). Next, after the service is provided, the service manpower management server 120 acquires evaluation information on the service through the user terminal 110 (S1008).
  • the disclosed embodiments may be implemented in the form of a computer-readable recording medium storing instructions and data executable by a computer.
  • the instruction may be stored in the form of a program code, and when executed by a processor, a predetermined program module may be generated to perform a predetermined operation.
  • a predetermined program module when executed by a processor, certain operations of the disclosed embodiments may be performed.

Abstract

저장 매체에 저장된 애플리케이션에 있어서, 상기 서비스 인력 관리 시스템 제어 방법은, 사용자 입력 정보 및 서비스 인력 정보에 기초하여, 복수의 후보 서비스 인력 목록을 제공하는 단계; 복수의 후보 서비스 인력 목록 중 한 명의 서비스 인력을 선택하고, 서비스를 신청하는 사용자 입력을 수신하는 단계; 서비스 이용 시간 이후에, 선택된 서비스 인력에 대한 평가 정보를 질의하는 평가 화면 뷰를 제공하는 단계; 및 상기 평가 화면 뷰를 통해 입력된 평가 정보를 서버로 전송하는 단계를 포함하고, 상기 평가 화면 뷰는, 서비스 인력에 대한 평가 정보를 질의하는 평가 문항, 및 상기 평가 문항에 대해 서비스 또는 서비스 인력의 상대 평가 등수를 선택할 수 있는 선택 옵션을 포함하는, 애플리케이션이 제공된다.

Description

서비스 인력 관리를 위한 애플리케이션 및 서버
본 개시의 실시 예들은 서비스 인력 관리 시스템 제어 방법을 수행하는 애플리케이션, 및 서비스 인력 관리 서버에 관한 것이다.
최근 온라인을 통해 다양한 종류의 서비스 인력 서비스가 제공되고 있다. 예를 들면, 교육 및 보육 분야에서 교육 또는 보육 서비스를 제공하는 서비스 시스템이 보급되어 있다. B2C(Business to Customer) 모델의 서비스 인력 제공 시스템에서는 서비스 인력(예를 들면, 교사)과 서비스 대상자(예를 들면, 학생, 서비스 대상자 등)의 매칭이 매우 중요하다. 인력 제공 서비스는 단순히 시간, 장소, 서비스 대상자의 연령 등 객관적인 기준 이외에도, 서비스 인력의 자질, 서비스 인력과 서비스 대상자의 성격 매칭 등 주관적인 기준이 서비스의 질에 큰 영향을 준다. 기존의 시스템들은 서비스 인력의 자질을 평가하기 위한 적절한 시스템을 갖추지 못해, 서비스의 질이 담보되지 못하는 한계가 있다.
본 개시의 실시예들은, 인공지능을 통해 서비스 인력의 자질을 평가하고, 서비스 인력과 서비스 대상자를 매칭함에 의해, 보다 개선된 인력 제공 서비스를 제공하기 위한 것이다.
또한, 본 개시의 실시예들은 사용자로부터 보다 객관적인 서비스에 대한 평가 정보를 획득하기 위한 것이다.
본 개시의 일 실시예의 일 측면에 따르면, 프로세서에 의해 실행되었을 때, 서비스 인력 관리 시스템 제어 방법을 수행하고, 저장 매체에 저장된 애플리케이션에 있어서, 상기 서비스 인력 관리 시스템 제어 방법은, 사용자 입력 정보 및 서비스 인력 정보에 기초하여, 복수의 후보 서비스 인력 목록을 제공하는 단계; 복수의 후보 서비스 인력 목록 중 한 명의 서비스 인력을 선택하고, 서비스를 신청하는 사용자 입력을 수신하는 단계; 서비스 이용 시간 이후에, 선택된 서비스 인력에 대한 평가 정보를 질의하는 평가 화면 뷰를 제공하는 단계; 및 상기 평가 화면 뷰를 통해 입력된 평가 정보를 서버로 전송하는 단계를 포함하고, 상기 평가 화면 뷰는, 서비스 인력에 대한 평가 정보를 질의하는 평가 문항, 및 상기 평가 문항에 대해 서비스 또는 서비스 인력의 상대 평가 등수를 선택할 수 있는 선택 옵션을 포함하는, 애플리케이션이 제공된다.
일 실시예에 따르면, 상기 서비스 인력 관리 시스템 제어 방법은, 후보 서비스 인력에 대한 정보를 제공하는 후보 서비스 인력 화면 뷰를 제공하는 단계를 더 포함하고, 상기 후보 서비스 인력 화면 뷰는, 인적성 검사 여부, 성범죄 이력 조회 여부, 신원 증명 서류 확인 여부, 교육 이수 여부, 및 책임보증금 납입 여부 중 적어도 하나 또는 이들의 조합에 대한 정보를 포함할 수 있다.
일 실시예에 따르면, 상기 서비스 인력 관리 시스템 제어 방법은, 후보 서비스 인력에 대한 정보를 제공하는 후보 서비스 인력 화면 뷰를 제공하는 단계를 더 포함하고, 상기 후보 서비스 인력 화면 뷰는, 상기 후보 서비스 인력의 소개 동영상을 포함할 수 있다.
일 실시예에 따르면, 상기 복수의 후보 서비스 인력 목록을 제공하는 단계는, 상기 사용자 입력 정보 및 서비스 인력 정보를 기계 학습 모델에 입력하는 단계; 및 상기 기계 학습 모델로부터 획득된 복수의 후보 서비스 인력 목록을 표시하는 단계를 포함할 수 있다.
일 실시예에 따르면, 상기 서비스는 교육 또는 보육 서비스이고, 상기 서비스 인력 관리 시스템 제어 방법은, 상기 사용자 입력 정보에 기초하여, 기계 학습 모델을 이용하여, 사용자에 매칭되는 교육 컨텐츠를 결정하는 단계를 더 포함하고, 상기 사용자 입력 정보는, 서비스 대상자의 나이, 성별, 관심사, 및 성향 중 적어도 하나 또는 이들의 조합을 포함할 수 있다.
본 개시의 일 실시예의 다른 측면에 따르면, 서비스 대상자 정보 및 서비스 신청 정보를 수신하는 입력부; 서비스 인력 정보 및 상기 서비스 대상자 정보를 입력 받아 서비스 대상자에 매칭되는 적어도 한 명의 후보 서비스 인력을 출력하는 제1 기계 학습 모델을 포함하고, 서비스 제공 서비스 인력에 대한 평가 항목과 선택 옵션을 결정하고, 상기 평가 항목에 대한 평가 정보를 획득하는 하나 이상의 프로세서; 상기 적어도 한 명의 후보 서비스 인력의 목록, 및 상기 평가 항목과 상기 선택 옵션을 출력하는 출력부를 포함하고, 상기 선택 옵션은 상기 평가 문항에 대해 서비스 또는 서비스 인력의 상대 평가 등수를 선택할 수 있는 선택 옵션을 포함하는, 서비스 인력 관리 서버가 제공된다.
일 실시예에 따르면, 상기 서비스는 교육 또는 보육 서비스이고, 상기 하나 이상의 프로세서는, 상기 서비스 대상자 정보 및 서버 신청 정보를 입력 받아, 상기 서비스 대상자에 매칭되는 적어도 하나의 교육 컨텐츠를 출력하는 제2 기계 학습 모델을 포함할 수 있다.
일 실시예에 따르면, 상기 입력부는, 서비스 인력 정보를 수신하고, 상기 하나 이상의 프로세서는, 서비스 인력 정보, 서비스 인력의 동영상, 및 서비스 인력에 대한 상기 평가 정보 중 적어도 하나 또는 이들의 조합에 기초하여 서비스 인력의 부적격 여부를 판단하는 제3 기계 학습 모델을 포함할 수 있다.
일 실시예에 따르면, 상기 제1 기계 학습 모델 및 상기 제2 기계 학습 모델은 적어도 하나의 서브 기계 학습 모델을 공유할 수 있다.
일 실시예에 따르면, 상기 하나 이상의 프로세서는, 상기 평가 정보를 강화 학습의 보상 값으로 이용하여, 상기 제1 기계 학습을 업데이트할 수 있다.
일 실시예에 따르면, 상기 서비스는 교육 또는 보육 서비스이고, 상기 하나 이상의 프로세서는, 상기 평가 정보에 기초하여, 서비스 대상자의 부모 성향 정보를 생성하고, 추가적인 서버 신청 시, 상기 서비스 대상자의 부모 성향 정보를 상기 제1 기계 학습 모델에 입력하여, 적어도 한 명의 후보 서비스 인력을 결정할 수 있다.
일 실시예에 따르면, 상기 하나 이상의 프로세서는, 상기 서비스 대상자 정보 중 결측 데이터를 예측하고, 입력된 서비스 대상자 정보 및 예측된 결측 데이터를 상기 제1 기계 학습 모델에 입력할 수 있다.
본 개시의 실시 예들에 따르면, 인공지능을 통해 서비스 인력의 자질을 평가하고, 서비스 인력과 서비스 대상자를 매칭함에 의해, 보다 개선된 서비스 인력을 제공할 수 있는 효과가 있다.
또한, 본 개시의 실시예들은 사용자로부터 보다 객관적인 서비스 인력에 대한 평가 정보를 획득할 수 있는 효과가 있다.
도 1은 일 실시 예에 따른 서비스 인력 관리 시스템(100)의 구조를 나타낸 도면이다.
도 2는 일 실시예에 따른 사용자 단말의 구조를 나타낸 블록도이다.
도 3은 일 실시예에 따른 서비스 인력 관리 방법을 나타낸 흐름도이다.
도 4a는 일 실시예에 따라 후보 서비스 인력 목록을 제공하는 GUI 뷰를 나타낸 도면이다.
도 4b는 후보 서비스 인력에 대한 상세 정보를 나타내는 후보 서비스 인력 화면 뷰를 나타낸 도면이다.
도 5는 일 실시예에 따른 평가 화면 뷰를 나타낸 도면이다.
도 6은 일 실시예에 따른 서비스 인력 관리 서버의 구조를 나타낸 도면이다.
도 7은 일 실시예에 따른 제1 기계 학습 모델의 동작을 나타낸 도면이다.
도 8은 일 실시예에 따른 제2 기계 학습 모델의 동작을 나타낸 도면이다.
도 9는 일 실시예에 따른 제3 기계 학습 모델의 동작을 나타낸 도면이다.
도 10은 일 실시예에 따른 결측 데이터 예측 방법을 나타낸 흐름도이다.
본 개시의 일 실시예의 일 측면에 따르면, 프로세서에 의해 실행되었을 때, 서비스 인력 관리 시스템 제어 방법을 수행하고, 저장 매체에 저장된 애플리케이션에 있어서, 상기 서비스 인력 관리 시스템 제어 방법은, 사용자 입력 정보 및 서비스 인력 정보에 기초하여, 복수의 후보 서비스 인력 목록을 제공하는 단계; 복수의 후보 서비스 인력 목록 중 한 명의 서비스 인력을 선택하고, 서비스를 신청하는 사용자 입력을 수신하는 단계; 서비스 이용 시간 이후에, 선택된 서비스 인력에 대한 평가 정보를 질의하는 평가 화면 뷰를 제공하는 단계; 및 상기 평가 화면 뷰를 통해 입력된 평가 정보를 서버로 전송하는 단계를 포함하고, 상기 평가 화면 뷰는, 서비스 인력에 대한 평가 정보를 질의하는 평가 문항, 및 상기 평가 문항에 대해 서비스 또는 서비스 인력의 상대 평가 등수를 선택할 수 있는 선택 옵션을 포함하는, 애플리케이션이 제공된다.
본 명세서는 본 개시의 청구항의 권리범위를 명확히 하고, 본 개시의 실시 예들이 속하는 기술분야에서 통상의 지식을 가진 자가 본 개시의 실시 예들을 실시할 수 있도록, 본 개시의 실시 예들의 원리를 설명하고, 실시 예들을 개시한다. 개시된 실시 예들은 다양한 형태로 구현될 수 있다.
명세서 전체에 걸쳐 동일 참조 부호는 동일 구성요소를 지칭한다. 본 명세서가 실시 예들의 모든 요소들을 설명하는 것은 아니며, 본 개시의 실시 예들이 속하는 기술분야에서 일반적인 내용 또는 실시 예들 간에 중복되는 내용은 생략한다. 명세서에서 사용되는 '부'(part, portion)라는 용어는 소프트웨어 또는 하드웨어로 구현될 수 있으며, 실시 예들에 따라 복수의 '부'가 하나의 요소(unit, element)로 구현되거나, 하나의 '부'가 복수의 요소들을 포함하는 것도 가능하다. 이하 첨부된 도면들을 참고하여 본 개시의 실시 예들, 및 실시 예들의 작용 원리에 대해 설명한다.
이하에서는 도면을 참조하여 실시 예들을 상세히 설명한다.
도 1은 일 실시 예에 따른 서비스 인력 관리 시스템(100)의 구조를 나타낸 도면이다.
서비스 인력 관리 시스템(100)은 사용자로부터 서비스 신청을 수신하고, 서비스 신청에 따라 서비스 인력을 매칭하고 서비스 인력을 서비스 대상자에게 보내주는 시스템이다. 본 명세서에서 서비스는 교육 서비스 또는 보육 서비스를 포함한다. 본 명세서에서 서비스 대상자는 학생 또는 피보육자를 포함한다. 부모는 학생 또는 피보육자의 법적인 부모뿐만 아니라, 부모 이외의 보호자, 교육 중계자 등 서비스 대상자의 교육을 관리하는 다양한 관리자를 포함한다. 서비스 인력은 교육 서비스 또는 보육 서비스를 제공하는 교사를 포함한다.
본 개시의 실시 예들에 따른 서비스 인력 관리 시스템(100)은 사용자 단말(110)을 통해 서비스 신청을 입력 받고, 서비스 인력 관리 서버(120)로 입력된 서비스 신청이 수신된다. 서비스 인력 관리 서버(120)는 서비스 신청 정보에 기초하여, 후보 서비스 인력을 추출하고, 후보 서비스 인력의 목록을 사용자 단말(110)로 제공한다. 사용자 단말(110)은 후보 서비스 인력의 목록을 디스플레이하고, 서비스 인력을 선택하는 사용자 입력을 수신하여 서비스 인력 관리 서버(120)로 전송한다. 서비스 인력 관리 서버(120)를 운용하는 업체는 선택된 서비스 인력이 정해진 시간과 장소에 방문할 수 있도록 하여, 서비스를 제공한다.
사용자 단말(110)은 서비스 인력 관리 시스템 제어 방법을 수행하는 애플리케이션을 수행한다. 애플리케이션은 사용자에게 서비스에 관련된 정보를 제공하고, 사용자 입력을 수신한다. 애플리케이션은 소정의 서버로부터 사용자 단말(110)로 다운로드 되어 설치될 수 있다. 사용자 단말(110)은 예를 들면, 휴대용 통신 단말, 스마트폰, 웨어러블 장치, 태블릿 PC, 데스크톱 PC, 랩톱 PC 등의 형태로 구현될 수 있다.
서비스 인력 관리 서버(120)는 서비스 제공을 위한 데이터를 저장하고, 소정의 처리를 수행하는 서버이다. 사용자 단말(110)과 서비스 인력 관리 서버(120)는 네트워크를 통해 연결되어, 데이터와 제어 신호를 교환할 수 있다.
도 2는 사용자 단말의 구조를 나타낸 블록도이다.
일 실시예에 따른 사용자 단말(110)은 통신부(210), 프로세서(220), 디스플레이(230), 및 메모리(240)를 포함할 수 있다.
통신부(210)는 서비스 인력 관리 서버(120)와 네트워크를 통해 통신할 수 있다. 통신부(210)는 서비스 인력 관리 서버(120)로부터 후보 서비스 인력 목록, 서비스 인력 정보, 서비스 관련 정보를 수신하고, 사용자 단말(110)을 통해 입력된 사용자 입력을 서비스 인력 관리 서버(120)로 전송할 수 있다. 또한, 통신부(210)는 서비스 관련 데이터 및 제어 신호를 서비스 인력 관리 서버(120)로 전송하고, 서비스 인력 관리 서버(120)로부터 데이터 및 제어 신호를 수신할 수 있다.
통신부(210)는 유선 또는 무선으로 외부 장치와 통신할 수 있다. 통신부(210)는 근거리 통신을 수행할 수 있으며, 예를 들면, 블루투스, BLE(Bluetooth Low Energy), 근거리 무선 통신 (Near Field Communication), WLAN(와이파이), 지그비(Zigbee), 적외선(IrDA, infrared Data Association) 통신, WFD(Wi-Fi Direct), UWB(ultra wideband), Ant+ 통신 등을 이용할 수 있다. 또한, 통신부(210)는 이동 통신을 이용할 수 있으며, 이동 통신망 상에서 기지국, 외부의 단말, 서버 중 적어도 하나와 무선 신호를 송수신할 수 있다.
프로세서(220)는 사용자 단말(110) 전반의 동작을 제어한다. 프로세서(220)는 하나 또는 그 이상의 프로세서로 구현될 수 있다. 프로세서(220)는 메모리(240)에 저장된 인스트럭션 또는 커맨드를 실행하여 소정의 동작을 수행할 수 있다. 본 개시의 실시 예들에 따른 프로세서(220)는 서비스 인력 관리 시스템 제어 방법을 수행하는 애플리케이션을 실행하여, 서비스 인력 관리 시스템 제어 방법의 각 단계들을 수행한다. 애플리케이션은 서비스 인력 관리 시스템 제어 방법의 각 단계들을 수행하기 위한 컴퓨터 프로그램 명령어들을 포함한다. 프로세서(220)는 애플리케이션에 포함된 명령어들을 수행한다. 명령어들은 메모리(240)에 저장되고, 프로세서(220)에 의해 실행될 수 있다.
프로세서(220) 기계 학습 모델을 이용한다. 본 명세서에서 기계 학습 모델은 다양한 종류의 기계 학습 모델을 포함하고, 심층 신경망(Deep neural network) 모델을 포함한다. 일 실시예에 따르면, 기계 학습 모델은 적어도 하나의 matrix multiplication 연산 및 적어도 하나의 non-linear operation의 조합으로 interference가 실행되는 인공지능 알고리즘을 포함할 수 있다. 일 실시예에 따르면, 기계 학습 모델은 메모리(240)에 저장된 컴퓨터 프로그램을 실행하여 프로세서(220) 내에서 동작할 수 있다. 예를 들면, 기계 학습 모델은 프로세서(220) 내의 소프트웨어 모듈로 구현될 수 있다. 다른 실시예에 따르면, 프로세서(220)는 심층 신경망 모델을 실행시키는 별도의 전용 프로세서를 구비할 수 있다.
다른 실시예에 따르면, 프로세서(220)는 서버 등의 외부 장치에서 동작하는 기계 학습 모델을 이용할 수 있다. 예를 들면, 프로세서(220)는 서비스 인력 관리 서버(120)에 구비된 기계 학습 모델을 이용할 수 있다. 이러한 경우, 프로세서(220)는 기계 학습 모델로 입력될 입력 데이터를 외부 장치로 전송하고, 외부 장치로부터 기계 학습 모델의 출력을 수신할 수 있다. 이를 위해, 프로세서(220)는 사용자 단말(110)에 구비된 통신부(210)를 이용하여 외부 장치와 통신할 수 있다.
기계 학습 모델은 예를 들면, CNN(Convolutional neural network), RNN(Recurrent neural network) 등의 심층 신경망 구조 또는 다양한 심층 신경망 구조의 조합을 이용할 수 있다.
디스플레이(230)는 사용자 단말(110)의 동작과 관련된 GUI 뷰 및 다양한 데이터를 표시한다. 또한, 디스플레이(230)는 서비스 인력 관리 시스템 제어 방법을 수행하기 위한 GUI 뷰를 표시한다. 디스플레이(230)는 예를 들면, 액정 표시 장치, 유기 전계 발광 표시 장치, 전기 영동 표시 장치 등의 형태로 구현될 수 있다.
메모리(240)는 사용자 단말(110)의 동작에 필요한 데이터 및 명령어를 저장할 수 있다. 메모리(240)는 휘발성 저장 매체 또는 비휘발성 저장 매체 중 적어도 하나 또는 이들의 조합으로 구현될 수 있다.
도 3은 일 실시예에 따른 서비스 인력 관리 시스템 제어 방법을 나타낸 흐름도이다.
본 개시의 서비스 인력 관리 시스템 제어 방법의 각 단계들은 프로세서 및 출력부를 구비하고, 기계 학습 모델을 이용하는 다양한 형태의 전자 장치에 의해 수행될 수 있다. 본 명세서는 본 개시의 실시 예들에 따른 사용자 단말(110)이 서비스 인력 관리 시스템 제어 방법을 수행하는 실시 예를 중심으로 설명한다. 따라서 사용자 단말(110)에 대해 설명된 실시예들은 서비스 인력 관리 시스템 제어 방법에 대한 실시 예들에 적용 가능하고, 반대로 서비스 인력 관리 시스템 제어 방법에 대해 설명된 실시예들은 사용자 단말(110)에 대한 실시 예들에 적용 가능하다. 개시된 실시 예들에 따른 서비스 인력 관리 시스템 제어 방법은 본 명세서에 개시된 사용자 단말(110)에 의해 수행되는 것으로 그 실시 예가 한정되지 않고, 다양한 형태의 전자 장치에 의해 수행될 수 있다.
서비스 인력 관리 시스템 제어 방법을 수행하는 애플리케이션이 실행되면, 사용자 단말(110)은 서비스 관련 기본 정보 및 서비스 대상자 정보를 수신한다(S302). 서비스 관련 기본 정보는, 서비스의 종류, 서비스 장소, 서비스 일시, 기타 요청 사항 등을 포함할 수 있다. 서비스 대상자 정보는, 서비스 대상자 인원, 서비스 대상자 성명, 생년월일, 성별, 서비스 대상자 특징 등의 정보를 포함할 수 있다. 서비스의 종류는, 가사, 청소, 배달, 의료서비스, 육아, 교육 등을 포함할 수 있다. 육아 서비스는 등하원, 이동, 학습, 놀이, 영어 등을 포함할 수 있다. 서비스 장소는 자택여부, 지역 등을 포함할 수 있다. 서비스 일시는, 서비스 제공 날짜, 시작 시간, 종료 시간 등의 정보를 포함할 수 있다. 사용자 단말(110)은 애플리케이션이 실행되었을 때, 서비스 관련 기본 정보 및 서비스 대상자 정보를 수신할 수 있는 GUI 뷰를 제공하고, 터치스크린, 키보드, 마우스 등의 입력 디바이스를 통해 사용자 입력을 수신할 수 있다. 사용자 단말(110)은 서비스 관련 기본 정보 및 서비스 대상자 정보가 수신되면, 서비스 인력 관리 서버(120)로 입력된 정보를 전달한다.
서비스 인력 관리 서버(120)는 사용자 단말(110)로부터 수신된 서비스 관련 기본 정보 및 서비스 대상자 정보에 기초하여 적어도 한 명의 후보 서비스 인력을 결정하고, 후보 서비스 인력 목록을 사용자 단말(110)로 전송한다. 사용자 단말(110)은 후보 서비스 인력 목록이 수신되면, 디스플레이(230)를 통해 후보 서비스 인력 목록을 제공한다(S304).
도 4a는 일 실시예에 따라 후보 서비스 인력 목록을 제공하는 GUI 뷰를 나타낸 도면이다. 도 4a 및 도 4b는 교육 또는 보육 서비스를 제공하는 실시예를 개시한다.
일 실시예에 따르면, 사용자 단말(110)은 디스플레이(230)를 통해 도 4a에 도시된 바와 같이, 후보 서비스 인력 목록을 제공할 수 있다. 후보 서비스 인력 목록은 각각의 후보 서비스 인력 항목(410a, 410b, 410c)을 포함한다. 각각의 후보 서비스 인력 항목(410a, 410b, 410c)은 후보 서비스 인력 기본 정보(414) 및 사진(412)을 포함할 수 있다. 사용자는 후보 서비스 인력 항목(410a, 410b, 410c) 중 하나를 선택하여, 각 후보 서비스 인력에 대한 상세 정보를 조회할 수 있다.
도 4b는 후보 서비스 인력에 대한 상세 정보를 나타내는 후보 서비스 인력 화면 뷰를 나타낸 도면이다.
사용자 단말(110)은 후보 서비스 인력 목록의 복수의 후보 서비스 인력 항목 중 하나를 선택하는 사용자 입력을 수신한다. 예를 들면, 사용자 단말(110)은 터치 스크린을 포함하고, 후보 서비스 인력 목록의 후보 서비스 인력 항목 중 하나를 터치하는 사용자 입력을 수신할 수 있다. 사용자 단말(110)은 후보 서비스 인력 항목 중 하나를 선택하는 사용자 입력이 수신되면, 사용자가 선택한 후보 서비스 인력에 대한 후보 서비스 인력 화면 뷰를 디스플레이한다.
후보 서비스 인력 화면 뷰는 후보 서비스 인력의 기본 신상 정보(424), 사진 정보(422), 인증 정보(426), 및 후보 서비스 인력 동영상(430) 중 적어도 하나 또는 이들의 조합을 포함할 수 있다. 기본 신상 정보(424)는 소속, 나이, 경력 등의 정보를 포함할 수 있다. 인증 정보(426)는 서비스 제공 업체에서 확인한 정보로서, 인적성 검사 여부, 성범죄이력 조회 여부, 신원 증명 서류 확인 여부, 교육 이수 여부, 및 책임 보증금 납입 여부 등에 대한 정보를 포함할 수 있다.
일 실시예에 따르면, 후보 서비스 인력 화면 뷰는 후보 서비스 인력을 촬영한 후보 서비스 인력 동영상(430)을 제공할 수 있다. 후보 서비스 인력 동영상(430)은 후보 서비스 인력이 서비스 인력이 되기로 결심한 계기, 아이와 어떻게 활동할지, 본인의 장점 등을 소개한 동영상으로서, 후보 서비스 인력 화면 뷰의 필수 항목으로 포함될 수 있다. 본 개시의 실시 예들에 따르면, 사용자가 후보 서비스 인력 동영상(430)을 통해 후보 서비스 인력에 대한 정보를 후보 서비스 인력의 음성으로 직접 들을 수 있고, 후보 서비스 인력의 말투, 제스처, 인상 등을 동영상을 통해 확인할 수 있는 효과가 있다.
다시 도 3을 참조하면, 사용자 단말(110)은 후보 서비스 인력 목록으로부터 서비스 인력을 선택하고, 서비스를 신청하는 사용자 입력을 수신한다(S306). 사용자 단말(110)은 서비스 인력의 선택 및 서비스 신청 정보를 서비스 인력 관리 서버(120)로 전송한다. 서비스 인력 관리 서버(120)는 서비스 인력 선택 및 서비스 신청 정보가 수신되면, 수신된 정보에 기초하여 사용자에게 서비스를 제공한다. 서비스는 서비스 대상자에게 선택된 서비스 인력이 지정된 일시에 지정된 장소로 방문하여 제공된다.
서비스가 제공된 후, 사용자 단말(110)은 애플리케이션을 통해 서비스를 제공한 서비스 인력에 대한 평가 프로세스를 제공한다. 서비스 인력에 대한 평가 프로세스에서는 서비스 인력에 대한 평가 화면 뷰가 제공된다(S308). 평가 화면 뷰에서는 서비스 인력을 평가하기 위한 적어도 하나의 평가 문항, 및 평가 문항에 대해 답을 하기 위한 선택 옵션을 제공한다. 일 실시예에 따른 평가 화면 뷰는, 서비스 또는 서비스 인력을 상대 평가하기 위한 선택 옵션을 제공한다. 사용자 단말(110)은 사용자로부터 평가 정보가 입력되면, 입력된 평가 정보를 서비스 인력 관리 서버(120)로 전송한다(S310).
도 5는 일 실시예에 따른 평가 화면 뷰를 나타낸 도면이다. 도 5는 교육 또는 보육 서비스를 제공하는 서비스 제공 인력 관리에 관련된 실시예에 대해 설명한다.
일 실시예에 따르면, 사용자 단말(110)에서 실행되는 애플리케이션은 서비스를 상대 평가하기 위한 평가 화면 뷰를 제공한다. 예를 들면, 평가 문항은 이번 돌봄 서비스는 어땠는지는 질의하고, 선택 항목은 소정 횟수의 돌봄 서비스 중 이번 돌봄 서비스가 몇 등인지를 선택하도록 제공된다. 선택 항목의 모수가 되는 전체 돌봄 서비스의 횟수는 사용자가 실제로 받은 돌봄 서비스의 횟수이거나, 사용자가 실제로 받은 돌봄 서비스의 횟수와 다른 임의의 서비스 횟수일 수 있다. 평가 문항은 예를 들면, 이번 서비스는 어땠는지, 이번 서비스의 학습 지도는 어땠는지, 이번 서비스에서 아이와 선생님의 친밀도는 어땠는지를 질의하는 문항 등을 포함할 수 있다.
일 실시예에 따르면, 사용자 단말(110)에서 실행되는 애플리케이션은 서비스 인력을 상대 평가하기 위한 평가 화면 뷰를 제공한다. 예를 들면, 평가 문항은 서비스 인력의 서비스 태도는 어땠는지, 서비스 인력의 서비스에 의한 학습 성취도는 어땠는지, 서비스 인력과 아이의 친밀도는 어땠는지를 질의하는 문항 등을 포함할 수 있다. 선택 항목은 소정 인원의 서비스 인력 중 이번 서비스 인력이 몇 등인지를 선택하도록 제공된다. 선택 항목의 모수가 되는 전체 서비스 인력의 수는 사용자가 실제로 돌봄 서비스를 통해 만난 서비스 인력의 수이거나, 사용자가 실제로 만난 서비스 인력의 수와는 다른 임의의 수일 수 있다.
본 개시의 실시예들은 서비스 또는 서비스 인력을 상대 평가 방식으로 평가하도록 함에 의해, 보다 정확한 평가 정보를 획득할 수 있는 효과가 있다. 서비스 또는 서비스 인력에 대해 평가 정보를 문의하는 경우, 사용자 각 개인마다 점수를 부여하는 기준이나 성향이 다르기 때문에, 평가 점수에 대한 신뢰성이 매우 떨어지는 문제가 있다. 예를 들면, 평가 점수가 1~10 사이에서 정의되고, 사용자가 평가 점수로 1~10 사이의 숫자를 선택할 수 있는 경우, 사용자 1은 1~10 사이에서 평가 점수를 선택하여 높은 편차를 보이고, 사용자 2는 3~7 사이에서 평가 점수를 선택하여 낮은 편차를 보일 수 있다. 사용자 2는 3~7 사이에서 평가 점수를 선택하고, 사용자 3은 5~10 사이에서 평가 점수를 선택하여, 사용자 별로 점수의 평균 값이 크게 차이 날 수 있다. 이와 같은 개인간의 성향 차이 때문에, 절대 평가 방식으로 평가 정보를 획득하는 경우, 평가 점수의 신뢰성이 떨어진다. 그런데 평가 점수를 이용하여 서비스 대상자와 서비스 인력을 자동으로 매칭하는 경우, 평가 점수의 신뢰성이 떨어짐으로 인해 서비스 대상자와 서비스 인력의 자동 매칭의 성능이 떨어지는 문제가 있다. 또한, 평가 점수를 이용하여 기계 학습 모델을 트레이닝 하거나, 평가 점수를 인공지능 모델의 입력 값으로 이용하는 경우, 기계 학습 모델의 성능이 떨어지는 문제가 있다.
반면에 상대 평가 방식으로 서비스 또는 서비스 인력에 대한 평가 정보를 획득하는 경우, 소정의 모수 내에서 등수를 결정하는 방식이기 때문에, 평가 점수에 대한 개인간의 편차가 적어지고, 개인간의 평균 값의 차이가 적어지며, 평가 점수의 신뢰성이 높아질 수 있다. 따라서 본 개시의 실시예들에 따르면, 보다 신뢰성 높은 평가 점수를 획득함에 의해, 평가 점수를 이용하여 서비스 대상자와 서비스 인력을 매칭하는 기능의 성능, 평가 점수를 이용하여 트레이닝된 기계 학습 모델의 성능, 평가 점수를 입력 값으로 이용하는 기계 학습 모델의 성능이 향상되는 효과가 있다.
일 실시예에 따르면, 서비스 인력 관리 시스템 제어 방법은, 평가 정보의 성질에 따라, 상대 평가 방식으로 평가 정보를 획득하거나, 절대 평가 방식으로 평가 정보를 획득할 수 있다. 예를 들면, 서비스 인력 관리 시스템 제어 방법은, 서비스 인력의 서비스 제공 시간 준수 여부 등과 같이 객관적인 데이터에 대해서는 평가 항목에 대해 직접적으로 물어볼 수 있다. 반면에 서비스 인력 관리 시스템 제어 방법은, 서비스 인력에 대한 만족도, 서비스 인력과 서비스 대상자의 친밀도, 교육 성취도 등의 주관적인 데이터에 대해서는 상대 평가 방식으로 평가 정보를 질의할 수 있다.
도 6은 일 실시예에 따른 서비스 인력 관리 서버의 구조를 나타낸 도면이다.
일 실시예에 따르면, 서비스 인력 관리 서버(120)는 입력부(610), 프로세서(620), 출력부(630), 및 메모리(640)를 포함할 수 있다.
입력부(610)는 서비스 대상자 정보 및 서비스 신청 정보를 수신한다. 입력부(610)는 사용자 단말(110)로부터 직접적으로 정보를 수신하거나, 소정의 통신 장비 또는 서버를 통해 간접적으로 정보를 수신할 수 있다. 입력부(610)는 예를 들면, 통신 디바이스로서, 유선 또는 무선으로 외부 장치와 통신할 수 있다. 입력부(610)는 근거리 통신을 수행할 수 있으며, 예를 들면, 블루투스, BLE(Bluetooth Low Energy), 근거리 무선 통신 (Near Field Communication), WLAN(와이파이), 지그비(Zigbee), 적외선(IrDA, infrared Data Association) 통신, WFD(Wi-Fi Direct), UWB(ultra wideband), Ant+ 통신 등을 이용할 수 있다. 또한, 입력부(610)는 이동 통신을 이용할 수 있으며, 이동 통신망 상에서 기지국, 외부의 단말, 서버 중 적어도 하나와 무선 신호를 송수신할 수 있다.
프로세서(620)는 서비스 인력 관리 서버(120) 전반의 동작을 제어한다. 프로세서(620)는 하나 또는 그 이상의 프로세서로 구현될 수 있다. 프로세서(620)는 메모리(640)에 저장된 인스트럭션 또는 커맨드를 실행하여 소정의 동작을 수행할 수 있다.
프로세서(620) 기계 학습 모델을 이용한다. 본 명세서에서 기계 학습 모델은 심층 신경망(Deep neural network) 모델을 포함한다. 일 실시예에 따르면, 심층 신경망 모델은 메모리(640)에 저장된 컴퓨터 프로그램을 실행하여 프로세서(620) 내에서 동작할 수 있다. 예를 들면, 심층 신경망 모델은 프로세서(620) 내의 소프트웨어 모듈로 구현될 수 있다. 다른 실시예에 따르면, 프로세서(620)는 심층 신경망 모델을 실행시키는 별도의 전용 프로세서를 구비할 수 있다.
다른 실시예에 따르면, 프로세서(620)는 서버 등의 외부 장치에서 동작하는 심층 신경망 모델을 이용할 수 있다. 이러한 경우, 프로세서(620)는 심층 신경망 모델로 입력될 입력 데이터를 외부 장치로 전송하고, 외부 장치로부터 심층 신경망 모델의 출력을 수신할 수 있다.
기계 학습 모델은 예를 들면, CNN(Convolutional neural network), RNN(Recurrent neural network) 등의 심층 신경망 구조 또는 다양한 심층 신경망 구조의 조합을 이용할 수 있다.
프로세서(620)는 후보 서비스 인력을 결정하는 제1 기계 학습 모델, 서비스 대상자에게 매칭되는 교육 컨텐츠를 결정하는 제2 기계 학습 모델, 및 서비스 인력의 부적격 여부를 판단하는 제3 기계 학습 모델 중 적어도 하나 또는 이들의 조합을 이용할 수 있다. 제2 기계 학습 모델은 교육 및 보육 서비스 제공의 경우에 이용될 수 있다. 제1 기계 학습 모델, 제2 기계 학습 모델, 및 제3 기계 학습 모델은 프로세서(620)에 구비되거나, 별도의 서버에 구비될 수 있다. 일 실시예에 따르면, 제1 기계 학습 모델, 제2 기계 학습 모델, 및 제3 기계 학습 모델은 전용 프로세서에 의해 하드웨어적으로 구현될 수 있다. 다른 실시예에 따르면, 해당 기계 학습 모델에 대응하는 컴퓨터 프로그램 명령어들이 프로세서(620)에 의해 수행되어, 프로세서(620)에서 제1 기계 학습 모델, 제2 기계 학습 모델, 및 제3 기계 학습 모델의 동작이 수행될 수 있다. 제1 기계 학습 모델, 제2 기계 학습 모델, 및 제3 기계 학습 모델의 상세한 동작은 아래에서 상세히 설명한다.
프로세서(620)는 수신된 서비스 대상자 정보 및 서비스 신청 정보에 기초하여, 서비스 대상자에 매칭되는 적어도 한 명의 후보 서비스 인력을 출력한다. 프로세서(620)는 제1 기계 학습 모델을 포함하고, 제1 기계 학습 모델은 수신된 서비스 대상자 정보 및 서비스 신청 정보에 기초하여, 서비스 대상자에 매칭되는 적어도 한 명의 후보 서비스 인력을 출력한다.
프로세서(620)는 서비스가 제공된 후에, 서비스와 서비스 인력에 대한 평가 정보를 획득한다. 일 실시예에 따르면, 프로세서(620)는 서비스와 서비스 인력에 대한 평가 정보를 상대 평가 방식으로 획득하기 위한 평가 항목 및 선택 옵션을 사용자 단말(110)로 제공하고, 사용자 단말(110)로부터 사용자에 의해 입력된 평가 정보를 수신하여 평가 정보를 획득할 수 있다. 프로세서(620)는 각 평가 문항에 대해, 상대 평가 방식으로 평가 정보를 입력하기 위한 모수를 결정하여, 사용자 단말(110)로 제공할 수 있다.
출력부(630)는 적어도 한 명의 후보 서비스 인력의 목록을 출력한다. 출력부(630)는 예를 들면, 통신 디바이스로서, 유선 또는 무선으로 외부 장치와 통신할 수 있다. 예를 들면, 입력부(610)와 출력부(630)는 하나의 통신 디바이스로 구현될 수 있다.
출력부(630)는 프로세서(620)에 의해 결정된 평가 항목 및 선택 옵션을 사용자 단말(110)로 전송한다. 또한, 출력부(630)는 각각의 평가 항목에 대해 상대 평가 방식으로 평가 정보를 획득하기 위한 모수를 사용자 단말(110)로 전송할 수 있다.
일 실시예에 따르면, 서비스 인력 관리 서버(120)는 해당 서버에서 직접 사용자 입력을 수신하기 위한 사용자 인터페이스를 구비할 수 있다. 본 실시예에 따르면, 입력부(610)는 터치스크린, 키보드, 마우스, 터치 패드 등의 입력 사용자 인터페이스를 포함하고, 출력부(630)는 디스플레이, 스피커 등의 출력 사용자 인터페이스를 포함할 수 있다.
메모리(640)는 서비스 인력 관리 서버(120)의 동작에 필요한 데이터 및 명령어를 저장할 수 있다. 메모리(640)는 휘발성 저장 매체 또는 비휘발성 저장 매체 중 적어도 하나 또는 이들의 조합으로 구현될 수 있다. 또한, 메모리(640)는 복수의 서비스 인력에 대한 정보를 저장할 수 있다.
도 7은 일 실시예에 따른 제1 기계 학습 모델의 동작을 나타낸 도면이다.
일 실시예에 따르면, 서비스 인력 관리 서버(120)의 프로세서(620)는 제1 기계 학습 모델(710)을 이용하여 후보 서비스 인력 목록을 생성한다. 제1 기계 학습 모델(710)은 서비스 인력 관리 서버(120)에 구비되거나, 별도의 서버에 구비될 수 있다.
제1 기계 학습 모델(710)은 서비스 대상자 정보 및 서비스 관련 기본 정보를 입력 받아, 적어도 한 명의 후보 서비스 인력을 출력한다. 서비스 관련 기본 정보는 서비스 신청 정보에 포함된 서비스에 관련된 정보이다. 서비스 관련 기본 정보는 예를 들면, 서비스 일시, 서비스 장소, 서비스 종류 등을 포함할 수 있다. 서비스 대상자 정보는 서비스 대상자의 성별, 생년월일, 특징 등의 정보를 포함할 수 있다. 제1 기계 학습 모델(710)은 입력된 서비스 관련 기본 정보 및 서비스 대상자 정보에 기초하여, 서비스 인력 DB(720)로부터 적어도 한 명의 후보 서비스 인력을 결정한다. 서비스 인력 DB(720)는 적어도 한 명의 서비스 인력에 대한 정보를 저장한다. 서비스 인력에 대한 정보는, 서비스 인력의 소속, 경력, 나이, 성별, 서비스 스타일 등의 정보를 저장할 수 있다. 또한, 서비스 인력 DB(720)는 인증 정보, 서비스 인력 동영상 등의 정보를 저장할 수 있다.
서비스 인력 DB(720)에는 서비스 제공 업체에서 실시한 서비스 인력 인증 프로세스의 결과 값이 저장되어 있다. 서비스 인력 인증 프로세스에 따르면, 우선 선생님의 기본 정보를 인증하기 위해, 개인의 실명 인증을 수행하고, 재학 증명서, 졸업 증명서, 자격 증명서, 주민등록등본 등의 인증 문서를 확인한다. 다음으로 서비스 인력에 대해 인적성 검사를 수행하고, 성범죄 경력 조회, 대면 교육, 면접, 소개 동영상 촬영, 상황극을 통한 모의 돌봄 테스트, 아동학대 예방 교육 등을 실시한다. 서비스 인력 DB(720)는 이러한 서비스 인력 인증 프로세스를 수행한 이력 및 결과 데이터를 저장하고, 제1 기계 학습 모델(710)은 서비스 인력 DB(720)에 저장된 데이터를 서비스 대상자와 서비스 인력의 매칭에 이용할 수 있다. 또한, 프로세서(620)는, 사용자 단말(110)에서 제공되는 후보 서비스 인력 목록 GUI 뷰 및 후보 서비스 인력 화면 뷰를 제공하기 위해, 서비스 인력 DB(720)에 저장된 데이터를 사용자 단말(110)로 제공할 수 있다.
제1 기계 학습 모델(710)은 입력 레이어, 히든 레이어(hidden layer), 및 출력 레이어를 포함할 수 있다. 각 레이어는 적어도 하나의 노드를 포함하고, 각 레이어에 포함된 노드들은 가중치가 부여되어 다음 레이어의 소정의 노드로 전달될 수 있다. 제1 기계 학습 모델(710)의 레이어 및 노드는 기계 학습의 학습을 통해 정의될 수 있다. 제1 기계 학습 모델(710)은 서비스 관련 기본 정보, 서비스 대상자 정보, 출력 후보 서비스 인력 정보를 포함하는 다수의 트레이닝 데이터를 이용하여 학습될 수 있다. 일 실시예에 따르면, 사용자에 의해 입력된 서비스 인력 또는 서비스에 대한 상대 평가 정보(730)가 제1 기계 학습 모델(710)의 강화 학습을 위한 보상 값으로 이용될 수 있다. 본 개시의 실시예들은 상대 평가 정보(730)를 보상 값으로 이용하여 제1 기계 학습 모델(710)을 강화 학습 함에 의해, 제1 기계 학습 모델(710)의 서비스 대상자와 서비스 인력의 매칭 성능을 더욱 향상시킬 수 있다.
일 실시예에 따르면, 교육 또는 보육 서비스를 제공하는 경우, 프로세서(620)는, 평가 정보에 기초하여, 서비스 대상자의 부모 성향 정보를 생성할 수 있다. 또한, 프로세서(620)는 동일한 사용자가 추가로 서비스를 신청하는 경우, 해당 사용자의 부모 성향 정보를 제1 기계 학습 모델에 입력할 수 있다. 일 실시예에 따르면, 프로세서(620)는 사용자에 의해 입력된 서비스 관련 정보로부터 부모 성향 정보를 예측하여, 제1 기계 학습 모델에 입력할 수 있다.
도 8은 일 실시예에 따른 제2 기계 학습 모델의 동작을 나타낸 도면이다.
일 실시예에 따르면, 서비스 인력 관리 서버(120)의 프로세서(620)는 제2 기계 학습 모델(810)을 이용하여 후보 서비스 인력 목록을 생성한다. 제2 기계 학습 모델(810)은 서비스 인력 관리 서버(120)에 구비되거나, 별도의 서버에 구비될 수 있다.
교육 또는 보육 서비스를 제공하는 경우, 제2 기계 학습 모델(810)은 서비스 대상자 정보 및 서비스 관련 기본 정보를 입력 받아, 서비스 대상자에 매칭되는 교육 컨텐츠를 출력한다. 제2 기계 학습 모델(810)은 입력된 서비스 관련 기본 정보 및 서비스 대상자 정보에 기초하여, 교육 컨텐츠 DB(820)로부터 서비스에서 이용할 교육 컨텐츠를 결정한다. 제2 기계 학습 모델(810)은 적어도 하나의 교육 컨텐츠의 목록을 출력하고, 서비스 인력 또는 사용자에 의해 교육 컨텐츠가 선택될 수 있다.
교육 컨텐츠 DB(820)는 적어도 하나의 교육 컨텐츠에 대한 정보를 저장한다. 교육 컨텐츠에 대한 정보는 교육 컨텐츠의 식별번호, 명칭, 교육 컨텐츠의 속성 정보를 포함할 수 있다. 교육 컨텐츠 속성 정보는, 교육 컨텐츠의 영역, 적정 연령, 아이 기질 연관성, 수량, 가용 수량, 재고 위치 등의 정보를 포함할 수 있다. 교육 컨텐츠가 디지털 컨텐츠인 경우, 교육 컨텐츠 자체가 교육 컨텐츠 DB(820)에 저장될 수 있다. 교육 컨텐츠가 오프라인 상에서 사용되는 교재 또는 교구인 경우, 교육 컨텐츠의 식별 정보 및 재고 위치가 교육 컨텐츠 DB(820)에 저장될 수 있다.
제2 기계 학습 모델(810)은 입력 레이어, 히든 레이어, 및 출력 레이어를 포함할 수 있다. 각 레이어는 적어도 하나의 노드를 포함하고, 각 레이어에 포함된 노드들은 가중치가 부여되어 다음 레이어의 소정의 노드로 전달될 수 있다. 제2 기계 학습 모델(810)의 레이어 및 노드는 기계 학습의 학습을 통해 정의될 수 있다. 제2 기계 학습 모델(810)은 서비스 관련 기본 정보, 서비스 대상자 정보, 출력 교육 컨텐츠를 포함하는 다수의 트레이닝 데이터를 이용하여 학습될 수 있다. 제2 기계 학습 모델(810)은 서비스 대상자의 연령, 성향, 학년 커리큘럼, 누리과정 연계 등의 요소를 고려하여 서비스 대상자에게 적절한 교육 컨텐츠를 추천하도록 학습된다.
일 실시예에 따르면, 사용자에 의해 입력된 서비스 인력 또는 서비스에 대한 상대 평가 정보(730)가 제2 기계 학습 모델(810)의 강화 학습을 위한 보상 값으로 이용될 수 있다. 본 개시의 실시예들은 상대 평가 정보(730)를 보상 값으로 이용하여 제2 기계 학습 모델(810)을 강화 학습 함에 의해, 제2 기계 학습 모델(810)의 서비스 대상자와 서비스 대상자의 매칭 성능을 더욱 향상시킬 수 있다.
일 실시예에 따르면, 사용자에 의해 입력된 서비스 인력 또는 서비스에 대한 상대 평가 정보가 제2 기계 학습 모델(810)의 입력으로 이용될 수 있다. 일 실시예에 따르면, 입력된 서비스 신청에 상대 평가 정보가 없는 경우, 상대 평가 정보는 임의의 값으로 입력될 수 있다. 다른 실시예에 따르면, 입력된 서비스 신청에 상대 평가 정보가 없는 경우, 상대 평가 정보에 대한 예측 값이 입력될 수 있다. 프로세서(620)는 입력된 서비스 신청에 대응하는 상대 평가 정보가 없는 경우, 상대 평가 정보에 대한 예측 값을 생성하여, 제2 기계 학습 모델(810)로 입력할 수 있다.
도 9는 일 실시예에 따른 제3 기계 학습 모델의 동작을 나타낸 도면이다.
일 실시예에 따르면, 서비스 인력 관리 서버(120)의 프로세서(620)는 제3 기계 학습 모델(910)을 이용하여 서비스 인력의 부적격 여부를 판단한다. 제3 기계 학습 모델(910)에서 부적격 여부를 판단하는 서비스 인력은, 서비스 인력으로 채용을 위해 지원한 지원 서비스 인력이거나, 현재 서비스 인력으로 업무를 수행하고 있는 서비스 인력일 수 있다. 제3 기계 학습 모델(910)은 서비스 인력 관리 서버(120)에 구비되거나, 별도의 서버에 구비될 수 있다.
제3 기계 학습 모델(910)은 서비스 인력 정보 및 서비스 인력 동영상을 입력 받아, 서비스 인력의 부적격 여부를 판단한 결과를 출력한다. 서비스 인력의 부적격 여부 판단은, 서비스 인력으로 부적격한 서비스 인력을 제외시키기 위해 서비스 인력이 서비스 인력으로서 자질이 있는지 판단하는 절차이다. 서비스 인력으로서 갖추어야 할 인성을 갖추지 못하거나, 서비스 신청에 대응하여 정해진 시간에 서비스 장소에 방문하는 성실성을 갖추지 못하는 등 서비스 인력으로서의 자질을 갖추지 못한 서비스 인력은 사전에 걸러내도록, 제3 기계 학습 모델(910)은 서비스 인력의 부적격 여부를 판단한다. 서비스 인력의 부적격 여부는 서비스 인력의 인적성 검사 결과, 면접 결과, 서비스 인력 동영상 등의 데이터에 기초하여 판단할 수 있다. 제3 기계 학습 모델(910)은 입력된 서비스 인력 정보 및 서비스 인력 동영상 정보에 기초하여, 서비스 인력의 이상 징후를 검출하고, 이상 징후가 검출된 서비스 인력은 부적격한 서비스 인력으로 판단할 수 있다.
제3 기계 학습 모델(910)은 입력 레이어, 히든 레이어, 및 출력 레이어를 포함할 수 있다. 각 레이어는 적어도 하나의 노드를 포함하고, 각 레이어에 포함된 노드들은 가중치가 부여되어 다음 레이어의 소정의 노드로 전달될 수 있다. 제3 기계 학습 모델(910)의 레이어 및 노드는 기계 학습의 학습을 통해 정의될 수 있다. 제3 기계 학습 모델(910)은 서비스 인력 정보, 서비스 인력 동영상 정보, 및 부적격 여부 출력을 포함하는 다수의 트레이닝 데이터를 이용하여 학습될 수 있다. 제3 기계 학습 모델(910)은 서비스 인력의 이상 징후를 포착하여 부적격한 서비스 인력을 걸러내고, 잘못된 부적격 판단을 하지 않도록 학습된다.
일 실시예에 따르면, 사용자에 의해 입력된 서비스 인력 또는 서비스에 대한 상대 평가 정보(730)가 제3 기계 학습 모델(910)의 강화 학습을 위한 보상 값으로 이용될 수 있다. 본 개시의 실시예들은 상대 평가 정보(730)를 보상 값으로 이용하여 제3 기계 학습 모델(910)을 강화 학습 함에 의해, 제3 기계 학습 모델(810)의 서비스 인력의 부적격 판단 성능을 더욱 향상시킬 수 있다.
일 실시예에 따르면, 사용자에 의해 입력된 서비스 인력 또는 서비스에 대한 상대 평가 정보가 제3 기계 학습 모델(910)의 입력으로 이용될 수 있다. 일 실시예에 따르면, 제3 기계 학습 모델(910)의 입력에 상대 평가 정보가 없는 경우, 상대 평가 정보는 임의의 값으로 입력될 수 있다. 다른 실시예에 따르면, 제3 기계 학습 모델(910)의 입력에 상대 평가 정보가 없는 경우, 상대 평가 정보에 대한 예측 값이 입력될 수 있다. 프로세서(620)는 입력된 서비스 인력 정보에 대응하는 상대 평가 정보가 없는 경우, 상대 평가 정보에 대한 예측 값을 생성하여, 제3 기계 학습 모델(910)로 입력할 수 있다.
일 실시예에 따르면, 제1 기계 학습 모델(710), 제2 기계 학습 모델(810), 및 제3 기계 학습 모델(910)은 각각 복수의 서브 기계 학습 블록을 포함할 수 있다. 또한, 제1 기계 학습 모델(710), 제2 기계 학습 모델(810), 및 제3 기계 학습 모델(910)은 적어도 하나의 서브 기계 학습 블록을 공유할 수 있다. 공유되는 서브 기계 학습 블록은 각 기계 학습의 학습에 의해 결정된다.
도 10은 일 실시예에 따른 결측 데이터 예측 방법을 나타낸 흐름도이다.
본 개시의 실시예에 따른 서비스 인력 관리 서버(120)는 제1 기계 학습 모델, 제2 기계 학습 모델, 및 제3 기계 학습 모델은 각각 입력 데이터의 엘리먼트들이 정의된다. 입력 데이터는 정의된 형태의 텐서(tensor)로 변환되어 제1 기계 학습 모델, 제2 기계 학습 모델, 및 제3 기계 학습 모델에 입력된다. 그런데 정의된 형태의 텐서 중 일부 엘리먼트의 값이 입력되지 않는 경우, 기계 학습 모델이 제대로 동작하지 않을 수 있다. 본 개시의 실시예들은 입력 데이터 중 결측 값이 있는 경우, 결측 값을 예측하여 입력 데이터 텐서를 채운 후, 기계 학습 모델로 입력한다.
우선 서비스 인력 관리 서버(120)는 사용자 단말(110)로부터 서비스 대상자 정보 및 서비스 신청 정보를 수신한다(S1002). 서비스 인력 관리 서버(120)는 수신된 정보에 기초하여, 결측 데이터가 있는지 판단하고, 결측 데이터의 결측 값을 예측한다(S1004). 결측 데이터는 서비스 대상자 정보, 서비스 신청 정보, 및 상대 평가 정보 중 적어도 하나의 서브 항목일 수 있다. 예를 들면, 사용자가 서비스를 신청하면서 서비스 대상자의 특징을 입력하지 않은 경우, 서비스 인력 관리 서버(120)는 서비스 대상자의 특징을 결측 데이터로 인식하고, 결측 데이터를 예측하여 예측 값을 구할 수 있다.
프로세서(620)는 결측 데이터 예측 알고리즘을 수행하여 결측 데이터를 예측할 수 있다. 예를 들면, 프로세서(620)는 매트릭스 완성(matrix completion)을 위한 다양한 알고리즘을 수행하여 결측 데이터를 예측할 수 있다. 서비스 관련된 데이터의 예측은 데이터 간의 관련성을 예측하기 어려운 하이 랭크(high rank) 예측에 속하므로, 하이 랭크 속성을 고려하여 예측 알고리즘을 수행할 수 있다. 일 실시예에 따르면, 프로세서(620)는 기계 학습 모델을 이용하여 결측 데이터를 예측할 수 있다. 이를 위해 프로세서(620)는 서비스 대상자 정보, 서비스 신청 정보, 서비스 인력 정보, 상대 평가 정보 등의 서비스 관련 데이터를 포함하는 다수의 트레이닝 데이터를 이용하여 결측 데이터 예측을 위한 기계 학습 모델을 학습시키고, 학습된 기계 학습 모델을 이용하여 결측 데이터를 예측할 수 있다.
프로세서(620)는 결측 데이터를 예측하여 제1 기계 학습 모델 및 제2 기계 학습 모델로 입력되는 입력 값이 완비되면, 기계 학습 모델을 이용하여 적어도 하나의 후보 서비스 인력을 결정한다. 또한 교육 또는 보육 서비스의 경우, 프로세서(620)는 교육 컨텐츠를 결정한 후, 후보 서비스 인력 목록과 추천 교육 컨텐츠를 출력한다(S1006). 다음으로 서비스가 제공된 이후에, 서비스 인력 관리 서버(120)는 사용자 단말(110)을 통해 서비스에 대한 평가 정보를 획득한다(S1008).
한편, 개시된 실시예들은 컴퓨터에 의해 실행 가능한 명령어 및 데이터를 저장하는 컴퓨터로 읽을 수 있는 기록매체의 형태로 구현될 수 있다. 상기 명령어는 프로그램 코드의 형태로 저장될 수 있으며, 프로세서에 의해 실행되었을 때, 소정의 프로그램 모듈을 생성하여 소정의 동작을 수행할 수 있다. 또한, 상기 명령어는 프로세서에 의해 실행되었을 때, 개시된 실시 예들의 소정의 동작들을 수행할 수 있다.
이상에서와 같이 첨부된 도면을 참조하여 개시된 실시 예들을 설명하였다. 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고도, 개시된 실시 예들과 다른 형태로 본 발명이 실시될 수 있음을 이해할 것이다. 개시된 실시 예들은 예시적인 것이며, 한정적으로 해석되어서는 안 된다.

Claims (12)

  1. 프로세서에 의해 실행되었을 때, 서비스 인력 관리 시스템 제어 방법을 수행하고, 저장 매체에 저장된 애플리케이션에 있어서, 상기 서비스 인력 관리 시스템 제어 방법은,
    사용자 입력 정보 및 서비스 인력 정보에 기초하여, 복수의 후보 서비스 인력 목록을 제공하는 단계;
    복수의 후보 서비스 인력 목록 중 한 명의 서비스 인력을 선택하고, 서비스를 신청하는 사용자 입력을 수신하는 단계;
    서비스 이용 시간 이후에, 선택된 서비스 인력에 대한 평가 정보를 질의하는 평가 화면 뷰를 제공하는 단계; 및
    상기 평가 화면 뷰를 통해 입력된 평가 정보를 서버로 전송하는 단계를 포함하고,
    상기 평가 화면 뷰는, 서비스 인력에 대한 평가 정보를 질의하는 평가 문항, 및 상기 평가 문항에 대해 서비스 또는 서비스 인력의 상대 평가 등수를 선택할 수 있는 선택 옵션을 포함하는, 애플리케이션.
  2. 제1항에 있어서,
    상기 교과 관리 시스템 제어 방법은, 후보 서비스 인력에 대한 정보를 제공하는 후보 서비스 인력 화면 뷰를 제공하는 단계를 더 포함하고,
    상기 후보 서비스 인력 화면 뷰는, 인적성 검사 여부, 성범죄 이력 조회 여부, 신원 증명 서류 확인 여부, 교육 이수 여부, 및 책임보증금 납입 여부 중 적어도 하나 또는 이들의 조합에 대한 정보를 포함하는, 애플리케이션.
  3. 제1항에 있어서,
    상기 서비스 인력 관리 시스템 제어 방법은, 후보 서비스 인력에 대한 정보를 제공하는 후보 서비스 인력 화면 뷰를 제공하는 단계를 더 포함하고,
    상기 후보 서비스 인력 화면 뷰는, 상기 후보 서비스 인력의 소개 동영상을 포함하는, 애플리케이션.
  4. 제1항에 있어서,
    상기 복수의 후보 서비스 인력 목록을 제공하는 단계는,
    상기 사용자 입력 정보 및 서비스 인력 정보를 기계 학습 모델에 입력하는 단계; 및
    상기 기계 학습 모델로부터 획득된 복수의 후보 서비스 인력 목록을 표시하는 단계를 포함하는, 애플리케이션.
  5. 제1항에 있어서,
    상기 서비스는 교육 또는 보육 서비스이고,
    상기 서비스 인력 관리 시스템 제어 방법은,
    상기 사용자 입력 정보에 기초하여, 기계 학습 모델을 이용하여, 사용자에 매칭되는 교육 컨텐츠를 결정하는 단계를 더 포함하고,
    상기 사용자 입력 정보는, 서비스 대상자의 나이, 성별, 관심사, 및 성향 중 적어도 하나 또는 이들의 조합을 포함하는, 애플리케이션.
  6. 서비스 대상자 정보 및 서비스 신청 정보를 수신하는 입력부;
    서비스 인력 정보 및 상기 서비스 대상자 정보를 입력 받아 서비스 대상자에 매칭되는 적어도 한 명의 후보 서비스 인력을 출력하는 제1 기계 학습 모델을 포함하고, 서비스 제공 서비스 인력에 대한 평가 항목과 선택 옵션을 결정하고, 상기 평가 항목에 대한 평가 정보를 획득하는 하나 이상의 프로세서;
    상기 적어도 한 명의 후보 서비스 인력의 목록, 및 상기 평가 항목과 상기 선택 옵션을 출력하는 출력부를 포함하고,
    상기 선택 옵션은 상기 평가 문항에 대해 서비스 또는 서비스 인력의 상대 평가 등수를 선택할 수 있는 선택 옵션을 포함하는, 서비스 인력 관리 서버.
  7. 제6항에 있어서,
    상기 서비스는 교육 또는 보육 서비스이고,
    상기 하나 이상의 프로세서는, 상기 서비스 대상자 정보 및 서비스 신청 정보를 입력 받아, 상기 서비스 대상자에 매칭되는 적어도 하나의 교육 컨텐츠를 출력하는 제2 기계 학습 모델을 포함하는, 서비스 인력 관리 서버.
  8. 제6항에 있어서,
    상기 입력부는, 서비스 인력 정보를 수신하고,
    상기 하나 이상의 프로세서는, 서비스 인력 정보, 서비스 인력의 동영상, 및 서비스 인력에 대한 상기 평가 정보 중 적어도 하나 또는 이들의 조합에 기초하여 서비스 인력의 부적격 여부를 판단하는 제3 기계 학습 모델을 포함하는, 서비스 인력 관리 서버.
  9. 제7항에 있어서,
    상기 제1 기계 학습 모델 및 상기 제2 기계 학습 모델은 적어도 하나의 서브 기계 학습 모델을 공유하는, 서비스 인력 관리 서버.
  10. 제6항에 있어서,
    상기 하나 이상의 프로세서는, 상기 평가 정보를 강화 학습의 보상 값으로 이용하여, 상기 제1 기계 학습을 업데이트하는, 서비스 인력 관리 서버.
  11. 제7항에 있어서,
    상기 서비스는 교육 또는 보육 서비스이고,
    상기 하나 이상의 프로세서는, 상기 평가 정보에 기초하여, 서비스 대상자의 부모 성향 정보를 생성하고, 추가적인 서비스 신청 시, 상기 서비스 대상자의 부모 성향 정보를 상기 제1 기계 학습 모델에 입력하여, 적어도 한 명의 후보 서비스 인력을 결정하는, 서비스 인력 관리 서버.
  12. 제6항에 있어서,
    상기 하나 이상의 프로세서는, 상기 서비스 대상자 정보 중 결측 데이터를 예측하고, 입력된 서비스 대상자 정보 및 예측된 결측 데이터를 상기 제1 기계 학습 모델에 입력하는, 서비스 인력 관리 서버.
PCT/KR2019/012520 2019-09-10 2019-09-26 서비스 인력 관리를 위한 애플리케이션 및 서버 WO2021049700A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020190112365A KR102154287B1 (ko) 2019-09-10 2019-09-10 서비스 인력 관리를 위한 애플리케이션 및 서버
KR10-2019-0112365 2019-09-10

Publications (1)

Publication Number Publication Date
WO2021049700A1 true WO2021049700A1 (ko) 2021-03-18

Family

ID=72451519

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2019/012520 WO2021049700A1 (ko) 2019-09-10 2019-09-26 서비스 인력 관리를 위한 애플리케이션 및 서버

Country Status (2)

Country Link
KR (1) KR102154287B1 (ko)
WO (1) WO2021049700A1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102424507B1 (ko) * 2021-09-28 2022-07-25 주식회사 티홀 인공지능과 위치정보 기술을 기반으로 유저 맞춤형 팀매칭과 라운딩 노쇼를 방지하는 골프팀매칭 플랫폼의 운영방법

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20000072272A (ko) * 2000-04-24 2000-12-05 김창섭 인터넷 사이트 혹은 제품 및 용역에 대한 평가 설문조사방법
KR20140094059A (ko) * 2013-01-16 2014-07-30 (주)링커 가격 결정 방법 및 시스템
KR20150057182A (ko) * 2013-11-18 2015-05-28 김현수 강사를 선택하는 사용자 인터페이스를 제공하는 교육 중개 서비스 방법 및 시스템
KR20180085634A (ko) * 2017-01-19 2018-07-27 주식회사 맘편한세상 공유경제 서비스에 최적화된 영유아 케어 방법 및 장치
KR20190037893A (ko) * 2017-09-29 2019-04-08 (주)다이사 후기 컨텐츠 제공 방법 및 그 장치

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007257309A (ja) * 2006-03-23 2007-10-04 Nec Corp 相対評価情報ランキング・システム及び方法並びにそのプログラム
KR20190088134A (ko) * 2018-01-05 2019-07-26 유남구 인공지능을 이용한 시설관리 서비스

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20000072272A (ko) * 2000-04-24 2000-12-05 김창섭 인터넷 사이트 혹은 제품 및 용역에 대한 평가 설문조사방법
KR20140094059A (ko) * 2013-01-16 2014-07-30 (주)링커 가격 결정 방법 및 시스템
KR20150057182A (ko) * 2013-11-18 2015-05-28 김현수 강사를 선택하는 사용자 인터페이스를 제공하는 교육 중개 서비스 방법 및 시스템
KR20180085634A (ko) * 2017-01-19 2018-07-27 주식회사 맘편한세상 공유경제 서비스에 최적화된 영유아 케어 방법 및 장치
KR20190037893A (ko) * 2017-09-29 2019-04-08 (주)다이사 후기 컨텐츠 제공 방법 및 그 장치

Also Published As

Publication number Publication date
KR102154287B1 (ko) 2020-09-09

Similar Documents

Publication Publication Date Title
WO2021020667A1 (ko) 원격 재활 훈련 제공 방법 및 프로그램
US20100227304A1 (en) Virtual school system and school city system
WO2014115963A1 (ko) 재능경력중심학점 인정 학사관리시스템 및 학사관리방법
US20160104259A1 (en) Practitioner career management method and tool
WO2020218758A1 (ko) 학습자 맞춤형 교육 서비스를 제공하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체
WO2015064840A1 (ko) 학습자 맞춤형 학습 서비스 제공 서버 및 방법
WO2014077566A1 (ko) 학습효과 확인기능이 구비된 교육시스템 및 그 제어방법
WO2011034309A2 (ko) 시험기반의 전자학습 시스템 및 방법
WO2021201317A1 (ko) 궁합 기반 온라인 회원 매칭 시스템 및 방법
US20160104260A1 (en) Practitioner Career Management Assessment Interviewer Method and Tool
WO2023182724A1 (ko) 인력 매칭 시스템
WO2020149592A1 (ko) 디지털 오답 노트 정보 기반의 학습 서비스 제공 장치 및 그 방법
WO2019240343A1 (ko) 사용자 상태에 따른 맞춤형 자기관리정보 제공시스템
KR20150102629A (ko) 학원 관리 시스템 및 방법
WO2016125930A1 (ko) 학습활동 분석 방법 및 시스템
WO2021049700A1 (ko) 서비스 인력 관리를 위한 애플리케이션 및 서버
JP6795301B2 (ja) 学習支援システム、情報処理装置、情報処理方法及びプログラム
WO2021133076A1 (ko) 인공지능 학습데이터 생성을 위한 크라우드소싱 기반 프로젝트의 작업단가 관리 방법 및 장치
WO2015068894A1 (ko) 재능 및 경력 기반의 학사관리 시스템 및 방법
WO2015170863A1 (ko) 이동단말기를 이용한 공부데이터 제공방법
US20140095269A1 (en) Automated assessment center
WO2022080666A1 (ko) 인공 지능 학습 기반의 사용자 지식 추적 장치, 시스템 및 그것의 동작 방법
WO2020230999A1 (ko) 업무 추적기에 기반한 담당자 추천 시스템
KR101750172B1 (ko) 강의실 운용 서비스 제공 시스템, 서버 및 방법
KR20140028292A (ko) 위치 기반 강의 출결 관리 시스템 및 방법

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: 19945026

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: 19945026

Country of ref document: EP

Kind code of ref document: A1

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205A DATED 07/09/2022)

122 Ep: pct application non-entry in european phase

Ref document number: 19945026

Country of ref document: EP

Kind code of ref document: A1