WO2023182693A1 - 카페 큐레이션 장치 및 카페 큐레이션 방법 - Google Patents

카페 큐레이션 장치 및 카페 큐레이션 방법 Download PDF

Info

Publication number
WO2023182693A1
WO2023182693A1 PCT/KR2023/002832 KR2023002832W WO2023182693A1 WO 2023182693 A1 WO2023182693 A1 WO 2023182693A1 KR 2023002832 W KR2023002832 W KR 2023002832W WO 2023182693 A1 WO2023182693 A1 WO 2023182693A1
Authority
WO
WIPO (PCT)
Prior art keywords
cafe
data
curation
scheme
status
Prior art date
Application number
PCT/KR2023/002832
Other languages
English (en)
French (fr)
Inventor
송기선
고경민
Original Assignee
메이즈 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
Priority claimed from KR1020220141946A external-priority patent/KR20230138865A/ko
Application filed by 메이즈 주식회사 filed Critical 메이즈 주식회사
Publication of WO2023182693A1 publication Critical patent/WO2023182693A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/12—Hotels or restaurants
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T19/00—Manipulating 3D models or images for computer graphics

Definitions

  • the disclosure relates to a cafe curation device and a cafe curation method.
  • the cafe curation service is a service that collects and selects information about various cafes, adds new value, and disseminates it.
  • a cafe owner who wants to attract customers registers his cafe in the cafe curation service, customers can receive recommendations for cafes that suit their tastes or purpose of visit through the user terminal.
  • the cafe curation service goes beyond simply providing information on cafes located nearby or with high review ratings based on the location of the user's terminal, and presents cafes that match the values considered important by cafe users. It is different from previous cafe recommendation services in that it does this.
  • ways to collect information on the real-time or predicted status of cafes and utilize this for cafe curation services are being studied.
  • a cafe curation device collects cafe monitoring data provided from an artificial intelligence-based cafe monitoring device installed in a cafe, and the cafe monitoring data includes at least one of status data and prediction data about the cafe interior.
  • cafe monitoring data collection module a customer data collection module that collects customer data associated with the customer from a customer terminal used by the customer;
  • a status check signal transmission module that transmits a status check signal to the artificial intelligence-based cafe monitoring device;
  • a cafe curation scheme determination module that determines a cafe curation scheme according to a response signal to the status confirmation signal;
  • it may include a cafe list creation module that generates a cafe list based on the determined cafe curation scheme and provides it to the customer terminal.
  • the status data includes table or seat arrangement status, table or seat occupancy status, noise status, visiting customer gender status, visiting customer age status, visiting customer behavior status, visiting customer stay time status, and menu order status. and data on at least one of the interior interior status, wherein the predicted data includes prediction of change in table or seat occupancy, prediction of seat atmosphere, prediction of waiting time, prediction of noise change, prediction of gender of visiting customer, prediction of age of visiting customer, and prediction of visiting customer. It may include data on at least one of behavior pattern prediction, visit purpose prediction, menu ranking prediction, recommended menu prediction, sales prediction, inventory prediction, and cafe interior atmosphere prediction.
  • the status data and the prediction data may be anonymized within the artificial intelligence-based cafe monitoring device.
  • the customer data may include data about at least one of customer gender, customer age, customer location, service use history, customer taste, preferred menu, cafe visit history, and predicted visit purpose.
  • the first scheme includes a scheme that uses both the status data and the prediction data for cafe curation, and when the response signal includes a first response signal, the cafe curation scheme determination module The first scheme may be determined as the cafe curation scheme.
  • the second scheme includes a scheme that uses the status data and does not use the prediction data for cafe curation, and when the response signal includes a second response signal different from the first response signal.
  • the cafe curation scheme determination module may determine the second scheme as the cafe curation scheme.
  • the third scheme includes a scheme that does not use both the status data and the prediction data for cafe curation, and a third response where the response signal is different from the first response signal and the second response signal. If the signal is included, the cafe curation scheme determination module may determine the third scheme as the cafe curation scheme.
  • the fourth scheme includes a scheme that uses past cafe monitoring data collected in the cafe monitoring data collection module for cafe curation, and when the response signal includes the third response signal,
  • the cafe curation scheme determination module may determine the third scheme and the fourth scheme as the cafe curation scheme.
  • the fifth scheme includes a scheme that uses the customer data for the curation
  • the cafe curation scheme determination module is configured to determine at least one of the first to fourth schemes and the fifth scheme. can be determined by the cafe curation scheme.
  • the device further includes a digital twin creation module that creates the interior of a cafe included in the generated cafe list as a digital twin virtual space
  • the cafe list creation module includes the digital twin creation module and By operating together, the interior of a cafe included in the cafe list can be provided to the customer terminal in the form of the digital twin virtual space.
  • the digital twin creation module may update the digital twin virtual space by reflecting changes in the status data.
  • the digital twin creation module provides sound data corresponding to the interior of a cafe included in the cafe list to the customer terminal, so that the customer terminal plays it together when rendering the digital twin virtual space. can do.
  • the digital twin creation module may update the sound data associated with the digital twin virtual space by reflecting changes in the status data.
  • the cafe list creation module causes the customer terminal to display predicted data about cafes included in the cafe list in the form of at least one of text, icons, images, and videos on the screen. can be provided to.
  • a cafe curation method collects cafe monitoring data provided from an artificial intelligence-based cafe monitoring device installed in a cafe, and the cafe monitoring data includes at least one of status data and prediction data about the cafe interior. step;
  • the method includes generating the interior of a cafe included in the generated cafe list as a digital twin virtual space; And it may further include providing the interior of the cafe included in the cafe list to the customer terminal in the form of the digital twin virtual space.
  • the method may further include providing sound data associated with the digital twin virtual space to the customer terminal.
  • the method provides predictive data for cafes included in the cafe list to the customer terminal to display the customer terminal in the form of at least one of text, icons, images, and videos on the screen. Additional steps may be included.
  • Cafe curation services can be provided to customers based on status data and forecast data inside the cafe collected through artificial intelligence and IoT (Internet of Things)-based monitoring devices installed in the cafe.
  • IoT Internet of Things
  • Figure 1 is a block diagram for explaining a cafe curation system according to an embodiment.
  • Figure 2 is a block diagram to explain an artificial intelligence-based cafe monitoring device according to an embodiment.
  • Figure 3 is a block diagram for explaining a cafe curation device according to an embodiment.
  • Figure 4 is a flowchart explaining a cafe curation method according to an embodiment.
  • Figure 5 is a block diagram for explaining the operation of a cafe curation device according to an embodiment.
  • Figure 6 is a block diagram for explaining the operation of a cafe curation device according to an embodiment.
  • Figure 7 is a block diagram for explaining the operation of a cafe curation device according to an embodiment.
  • Figure 8 is a block diagram for explaining a cafe curation device according to an embodiment.
  • Figure 9 is a flowchart for explaining a cafe curation method according to an embodiment.
  • Figure 10 is a diagram for explaining an example of a screen displayed on a customer terminal according to an embodiment.
  • Figure 11 is a block diagram to explain a computing device according to an embodiment.
  • ... unit capable of processing at least one function or operation described in the specification, which means It can be implemented in hardware, software, or a combination of hardware and software.
  • Figure 1 is a block diagram for explaining a cafe curation system according to an embodiment.
  • the cafe curation system 1 includes an artificial intelligence-based cafe monitoring device (10, 11, 12), a cafe curation device (20), a customer terminal (30), and a store owner terminal ( 32) may be included.
  • the artificial intelligence-based cafe monitoring device (10, 11, 12), cafe curation device (20), customer terminal (30), and store owner terminal (32) can exchange data with each other through the network (40).
  • the artificial intelligence-based cafe monitoring devices 10, 11, and 12 may be IoT devices. IoT is a technology that connects to the Internet by embedding sensing and communication functions in objects. Artificial intelligence-based cafe monitoring devices (10, 11, 12) are installed inside the cafe to monitor the cafe interior and transmit the monitoring results to the network (40). It can be transmitted to another device, for example, the cafe curation device 20.
  • the artificial intelligence-based cafe monitoring device (10, 11, 12) can be equipped with an artificial intelligence model (e.g., deep learning model) to monitor the inside of the cafe, and is installed inside several cafes to monitor the real-time status inside the cafe. You can monitor and predict future conditions.
  • an artificial intelligence model e.g., deep learning model
  • the artificial intelligence-based cafe monitoring device (10, 11) is installed inside a certain cafe (A) and can monitor and predict the status inside the cafe (A), and the artificial intelligence-based cafe monitoring device (12) is installed inside another cafe (B) and can monitor and predict the status inside the other cafe (B).
  • the monitoring and prediction results that can be obtained from the artificial intelligence-based cafe monitoring device (10, 11) installed in the cafe (A) and the monitoring and prediction results that can be obtained from the monitoring device (12) installed in the cafe (B) are network ( It can be transmitted to the cafe curation device 20 through 40).
  • the artificial intelligence-based cafe monitoring devices (10, 11, 12) installed in cafes (A, B) provide monitoring and prediction results as cafe monitoring data to the cafe curation device (20), cafe curation The device 20 will be described in detail.
  • the cafe curation device 20 is based on cafe monitoring data for cafes (A, B) collected through the cafe monitoring devices 10, 11, and 12, and determines the values that customers consider important to select a cafe. Matching cafes can be presented to customers through the customer terminal 30.
  • cafe monitoring data collected through the cafe monitoring devices 10, 11, and 12 may be stored and managed in a database that the cafe curation device 20 can access.
  • cafe monitoring data may include at least one of status data and predicted data about the interior of the cafe.
  • the status data is generated by artificial intelligence-based cafe monitoring devices (10, 11, and 12) using sensors such as cameras and microphones and artificial intelligence technologies such as object detection, pose estimation, and semantic segmentation. This may include information about the interior of the cafe collected.
  • status data includes, for example, table or seat arrangement status, table or seat occupancy status, noise status, status of music played in the store, status of music playing history in the store, status of gender of visiting customers, visit It may include data on at least one of the following: customer age status, visiting customer behavior status, visiting customer stay time status, order status by menu, and internal interior status status.
  • the predicted data may include information about the interior of the cafe collected using sensors, data inferred, derived, or predicted based on an artificial intelligence inference model, or data estimated from accumulated status data.
  • predictive data includes, for example, prediction of changes in table or seat occupancy, prediction of seat atmosphere, prediction of waiting time, prediction of noise changes, prediction of music to be played in the store, prediction of visiting customer gender, prediction of visiting customer age group, visit It may include data on at least one of customer behavior pattern prediction, visit purpose prediction, menu ranking prediction, recommended menu prediction, sales prediction, inventory prediction, and cafe interior atmosphere prediction.
  • forecast data on sales forecasts can be estimated from status data on order status for each menu, and visiting customer behavior patterns (e.g., computer Predictive data regarding predictions (30% work, 20% conversation, 50% rest, etc.), prediction of purpose of visit, or prediction of waiting time can be inferred.
  • prediction data regarding seat atmosphere prediction, visiting customer gender prediction, or visiting customer age group prediction may be inferred from status data regarding visiting customer gender status or visiting customer age status status.
  • prediction data about noise change prediction, prediction about music to be played in the store, or prediction of the atmosphere inside a cafe from status data about the noise status, music played in the store, or the status of the playing history of store music. can be inferred.
  • the status data and predicted data may be implemented so that they are generated in the artificial intelligence-based cafe monitoring device (10, 11, 12) and only transmitted to the cafe curation device (20), and in some other embodiments, , some of the status data and predicted data are generated in the artificial intelligence-based cafe monitoring device (10, 11, 12) and delivered to the cafe curation device (20), but other part of the predicted data is generated by the cafe curation device (20). ) may be implemented to be generated by the cafe curation device 20 from cafe monitoring data transmitted to ).
  • cafe monitoring data including status data and predicted data may be anonymized within the artificial intelligence-based cafe monitoring device 10, 11, and 12.
  • the cafe monitoring data generated by the artificial intelligence-based cafe monitoring device (10, 11, 12) is, for example, anonymized in the process of being generated as various data as described above or after generation is completed, thereby identifying the user's identity. It is possible to prevent data that could potentially be deleted from being transmitted to the cafe curation device 20.
  • data on gender and number of people is extracted from the shooting data of visitors inside a cafe, only the data on gender and number of people is transmitted to the cafe curation device 20, and the shooting data is transmitted to the cafe curation device 20. It can be destroyed within the base cafe monitoring device (10, 11, 12). Accordingly, it is possible to understand and predict the current status of the cafe while protecting personal information.
  • cafe monitoring data may be implemented as text data that follows certain standards. For example, cafe monitoring data is organized as "3 people at table 1, 1 person at table 3, 2 cups of latte, 3 cups of iced Americano, 3 women, 2 men" and is formatted as text with certain specifications such as JSON. It can be abstracted into data.
  • one type of cafe monitoring data provided by the artificial intelligence-based cafe monitoring device 10, 11, and 12 to the cafe curation device 20 may be transmitted to the cafe curation device 20 in real time.
  • the artificial intelligence-based cafe monitoring devices 10, 11, and 12 may transmit one type of cafe monitoring data to the cafe curation device 20 at a first predetermined time interval (e.g., 20 seconds).
  • the predetermined time interval may be set differently depending on the specific implementation purpose and implementation environment.
  • other types of cafe monitoring data provided by the artificial intelligence-based monitoring devices 10, 11, and 12 to the cafe curation device 20 are provided at a second time interval (e.g., predetermined to be longer than the first time interval).
  • the type of cafe monitoring data that needs to be frequently updated in order for the cafe curation device 20 to provide the service is transmitted in real time or at short time intervals, and updates do not need to be made frequently.
  • network bandwidth can be used efficiently and the power consumption of artificial intelligence-based cafe monitoring devices (10, 11, 12) can be reduced.
  • the status data data on table or seat arrangement status, table or seat occupancy status, noise status, status of music played in the store, etc. are data that must be immediately updated in the cafe curation service. It may correspond to tangible cafe monitoring data, and data on the gender of visiting customers, the age status of visiting customers, the status of visiting customer behavior, the status of visiting customer stays, the status of orders by menu, and the status of internal interior are not updated immediately. This is data that is not unreasonable, and may correspond to the other types of cafe monitoring data mentioned above.
  • this division is illustrative, and the division may vary depending on the specific implementation purpose and implementation environment.
  • the predicted data data on table or seat occupancy change prediction, seat atmosphere prediction, waiting time prediction, noise change prediction, prediction of music to be played in the store, etc. are data that must be immediately updated in the cafe curation service.
  • it may correspond to the above type of cafe monitoring data, predicting visiting customer gender, predicting visiting customer age, predicting visiting customer behavior pattern, predicting purpose of visit, predicting menu rank, predicting recommended menu, sales forecast, inventory forecast, and cafe.
  • Data related to internal atmosphere prediction, etc. is data that is safe even if updates are not made immediately, and may correspond to the other types of cafe monitoring data mentioned above.
  • this division is illustrative, and the division may vary depending on the specific implementation purpose and implementation environment.
  • the status data is transmitted in real time or at short time intervals, and the prediction data is transmitted over a relatively long period of time. It can also be implemented to be transmitted at time intervals.
  • this division is illustrative, and the division may vary depending on the specific implementation purpose and implementation environment.
  • the artificial intelligence-based cafe monitoring devices 10, 11, and 12 may adjust the number of times information is transmitted to the cafe curation device 20 in consideration of computing and network resources. For example, the artificial intelligence-based cafe monitoring devices 10, 11, and 12 monitor and The prediction results may be averaged and transmitted to the cafe curation device 20 by performing the averaged results only once.
  • the artificial intelligence-based cafe monitoring devices 10, 11, and 12 may be equipped with a processor to monitor and predict the current status of the cafe based on an artificial intelligence inference model.
  • the processor can be used elaborately.
  • the artificial intelligence-based cafe monitoring devices 10, 11, and 12 may control the processor to use only the object detection function to acquire some of the cafe monitoring data, and may use the object detection function to acquire other data.
  • the processor can be controlled to use the and pose estimation functions together, and to obtain other data, the processor can be controlled to use the object detection function and semantic segmentation function together. In this way, by using a mixture of object detection, pose estimation, and semantic segmentation according to the characteristics of the data to be acquired, the limited computing resources of the artificial intelligence-based cafe monitoring device (10, 11, 12) can be efficiently operated. .
  • data related to seat occupancy status such as table or seat arrangement status, table or seat occupancy status, table or seat occupancy change prediction, etc.
  • data related to customer appearance inference e.g. visit
  • the processor may be controlled to use the object detection function and semantic segmentation function together for data related to customer gender status, visiting customer age status, visiting customer gender prediction, and visiting customer age prediction, etc.
  • this division is illustrative, and the division may vary depending on the specific implementation purpose and implementation environment.
  • the object detection function and pose estimation function are used together for data related to customer behavior inference, such as data related to visiting customer behavior status, visiting customer residence time status, visiting customer behavior pattern prediction, and visiting purpose prediction, etc.
  • the processor can be controlled to do so.
  • this division is illustrative, and the division may vary depending on the specific implementation purpose and implementation environment.
  • the processor may be controlled to use only the object detection function for data related to menu or sales estimation, such as order status by menu, menu ranking prediction, recommended menu prediction, sales prediction, inventory prediction, etc. You can.
  • this division is illustrative, and the division may vary depending on the specific implementation purpose and implementation environment.
  • the customer terminal 30 may receive a curated cafe list from the cafe curation device 20 and provide a cafe curation service to the customer.
  • the customer terminal 30 provides customer data associated with customers using the customer terminal 30 to the cafe curation device 20, allowing the cafe curation device 20 to provide a cafe curation service.
  • Customer data can be used along with cafe monitoring data.
  • the cafe curation device 20 does not simply select only cafes close to the current location or famous franchise cafes through tasks such as analyzing the correlation between cafe monitoring data and customer data, but also selects cafes that can actually provide satisfaction to customers. You can discover and recommend cafes.
  • customer data may include data regarding at least one of customer gender, customer age, customer location, service usage history, customer tastes, preferred menu, preferred music genre, cafe visit history, and predicted visit purpose.
  • the store owner terminal 32 is a terminal used by the store owner of the cafe, and has functions such as registering cafe information and menu information in the cafe curation service, or processing orders when an order is received from a customer through the cafe curation service. can be provided to the cafe owner.
  • the customer terminal 30 and the store owner terminal 32 may be computing devices, including a smart phone, tablet computer, wearable device, laptop computer, desktop computer, etc. Users can use the cafe curation service through applications running on the customer terminal 30 and the store owner terminal 32.
  • the network 40 may include a wireless network including a Wi-Fi network, a Bluetooth network, a cellular network, a wired network including a LAN (Local Area Network), and a network that is a mixture of a wireless network and a wired network.
  • a wireless network including a Wi-Fi network, a Bluetooth network, a cellular network, a wired network including a LAN (Local Area Network), and a network that is a mixture of a wireless network and a wired network.
  • Figure 2 is a block diagram to explain an artificial intelligence-based cafe monitoring device according to an embodiment.
  • the artificial intelligence-based cafe monitoring device 10 includes a camera 101, a memory 102, an artificial intelligence status analysis model 103, an artificial intelligence inference model 104, and data deletion. It may include a module 105 and an anonymization module 106. In this specification, the description of the artificial intelligence-based cafe monitoring device 10 can be equally applied to the artificial intelligence-based cafe monitoring devices 11 and 12.
  • the camera 101 can photograph the interior of a cafe and output captured data including captured images or videos.
  • the camera 101 may include a PTZ camera capable of rotation, tilt, and zoom, a fixed camera, etc.
  • the camera 101 may include an RGB camera, an IR camera, etc.
  • multiple cameras 101 may be installed in the cafe, and they can exchange data with each other through the network 40. Additionally, filming of the interior of the cafe using the camera 101 can be done extensively, including seats, tables, visiting customers, floors, walls, ceilings, etc.
  • camera 101 may include a plurality of cameras assigned different roles. For example, among multiple cameras filming the same cafe, one camera is responsible for taking pictures of seats or tables, another camera is responsible for taking pictures of visiting customers, and yet another camera is responsible for taking pictures of the floor, walls, and fabric.
  • the role may be assigned to be in charge of filming interior scenes, etc.
  • the memory 102 can load software and data necessary for the artificial intelligence-based cafe monitoring device 10 to operate. Specifically, the memory 102 is loaded with program code for monitoring and predicting the status of the cafe using the artificial intelligence status analysis model 103 and the artificial intelligence inference model 104, or the data deletion module 105. And program code implementing the later-described functions of the anonymization module 106 may be loaded, or data used when executing the program code may be loaded. Additionally, the memory 102 may be loaded with program code corresponding to firmware or an operating system that controls the overall operation of the artificial intelligence-based cafe monitoring device 10.
  • the shooting data output from the camera 101 is loaded into the memory 102, and the artificial intelligence status analysis model 103 and the artificial intelligence inference model 104 store the shooting data loaded in the memory 102 as camera data ( CD) can be accessed to monitor and predict the current status inside the café and generate café monitoring data (CMD) including status data (D1) and predicted data (D2).
  • CD camera data
  • CMD café monitoring data
  • D1 status data
  • D2 predicted data
  • the artificial intelligence status analysis model 103 can generate status data (D1) based on camera data (CD). That is, the artificial intelligence status analysis model 103 can generate status data (D1) about the interior of the cafe based on camera data (CD) including images or videos. To this end, the artificial intelligence status analysis model 103 may include a deep learning model to implement object detection, pose estimation, semantic segmentation, etc.
  • the artificial intelligence status analysis model 103 may analyze the status of empty tables or empty seats for the store based on camera data (CD) included in the store tables or seats.
  • the status of empty tables or empty seats may include not only the table or seat occupancy rate, but also information about the properties of the empty tables or empty seats, or information about the properties around the empty tables or empty seats.
  • the properties of the empty table or empty seat may include the location of the empty table or empty seat in the store, the type of empty seat (single chair, two-seat sofa, etc.), and properties surrounding the empty table or empty seat. It may also include the behavior patterns or noise level of other customers sitting at an empty table or next to an empty seat.
  • the artificial intelligence inference model 104 may generate prediction data (D2) based on camera data (CD). That is, the artificial intelligence inference model 104 can generate prediction data (D2) based on camera data (CD) including images or videos.
  • the predicted data may include data inferred, derived, or predicted based on at least one of camera data (CD) and status data (D1), or data estimated from accumulated status data.
  • the artificial intelligence inference model 104 may also include a deep learning model.
  • the artificial intelligence inference model 140 determines whether the purpose of the visiting customer's visit is rest, work on a laptop, paperwork, conversation with a person accompanying him, meeting other people, reading, etc.
  • the purpose of the visit can be analyzed. This analysis takes camera data (CD) containing visiting customers as input and categorizes them into, for example, “relaxation”, “laptop work”, “paper work”, “conversation”, “meeting”, “reading”, etc. It can be implemented by an artificial intelligence inference model 140 that has been learned to output the purpose of the visit.
  • CD camera data
  • the artificial intelligence inference model 140 may analyze the interior of the store by analyzing shooting results including the floor, wall, ceiling, etc. Specifically, the interior atmosphere can be analyzed based on the color and pattern of the floor, walls, and ceiling. This analysis uses camera data (CD) about the interior of the store, including the floor, walls, and ceiling, as input, and categorizes it into, for example, “nature-friendly interior,” “modern interior,” and “office space-like interior.” It can be implemented by an artificial intelligence inference model 140 that has been learned to output the interior atmosphere.
  • CD camera data
  • the data deletion module 105 deletes the camera data (CD) used in the artificial intelligence status analysis model 103 and the artificial intelligence inference model 104 to generate cafe monitoring data (CMD). ) Images and videos used for creation can be safely deleted to protect personal information.
  • CD camera data
  • CMD cafe monitoring data
  • the anonymization module 106 may perform anonymization processing on cafe monitoring data (CMD). In other words, the anonymization module 106 deletes or modifies data that may identify the user during the process of creating the cafe monitoring data (CMD) or after the creation of the cafe monitoring data (CMD) is completed. When monitoring data (CMD) is provided to the cafe curation device 20, the data can be processed so that information related to identity is not transmitted together.
  • CMD cafe monitoring data
  • the artificial intelligence-based cafe monitoring device 10 may further include a sound collection unit 107.
  • the sound collection unit 107 may include a microphone that can measure or record sounds occurring in the store.
  • the sound collection unit 107 collects sounds related to music played in the store as well as noise and noise generated in the store, and can transmit the collected sound data to the memory 102.
  • the artificial intelligence status analysis model 103 identifies the noise status in the store based on the sound data, the music played in the store, and the voice of a visiting customer identified in the sound data.
  • Status data (D1) regarding the analyzed gender status of visiting customers can be generated.
  • the artificial intelligence inference model 104 predicts noise changes based on sound data, predicts music to be played in the store, or predicts the atmosphere inside a cafe, and further makes inferences based on gender inferred from the voice of a visiting customer from sound data. Predictive data (D2) regarding prediction of gender of visiting customers, etc. can be generated.
  • the sound collection unit 107 may be implemented outside of the artificial intelligence-based cafe monitoring device 10.
  • the sound collection unit 107 is implemented in the form of a sound analysis application capable of collecting sounds within the store, and can be installed and executed on the store owner terminal 32 shown in FIG. 1.
  • the sound collection unit 107 is a separate device from the artificial intelligence-based cafe monitoring device 10 and may be implemented as a hardware device installed at various points inside the cafe.
  • the store owner terminal 32 or the hardware device is an artificial intelligence status analysis model ( 103) and a configuration corresponding to the artificial intelligence inference model 104, as described above, the visit is analyzed from the noise status in the store, the result of identifying the music played in the store, and the voice of the visiting customer identified in the sound data.
  • Prediction data (D2) regarding predictions, etc. can be generated.
  • the sound collection unit 107 may include a plurality of sound collection units 107, and accurately detect sound through difference analysis on sound data collected through the plurality of sound collection units 107. It can be implemented. Specifically, the first sound data collected through the sound collection unit 107 implemented on the store owner terminal 32, and the artificial intelligence-based cafe monitoring device 10 and implemented as a separate device at a point inside the cafe. Through difference analysis of the second sound data collected through the hardware device, the size of the noise can be measured more precisely and the music played in the store can be more accurately identified among the noise.
  • identifying music played in a store may be implemented using an API (Application Programming Interface) that provides a service using a deep learning model, and may be used to identify music within the sound collection unit 107. It can also be implemented by embedding a deep learning model implemented as a recurrent neural network (RNN).
  • API Application Programming Interface
  • RNN recurrent neural network
  • Figure 3 is a block diagram for explaining a cafe curation device according to an embodiment.
  • the cafe curation device 20 includes a cafe monitoring data collection module 200, a status check signal transmission module 220, a cafe curation scheme determination module 230, and a cafe list. It may include a generation module 240 and a customer data collection module 250.
  • the cafe monitoring data collection module 200 can collect cafe monitoring data (CMD) provided from the artificial intelligence-based cafe monitoring device 10 installed in the cafe. As described above, cafe monitoring data (CMD) may include at least one of status data and predicted data. In some embodiments, the cafe monitoring data collection module 200 stores cafe monitoring data (CMD) received from the artificial intelligence-based cafe monitoring device 10 through the network 40 for each cafe using a database or storage. and can be managed.
  • CMD cafe monitoring data
  • CMS cafe monitoring data
  • the status check signal transmission module 220 can transmit a status check signal (SCS) to the artificial intelligence-based cafe monitoring device 10.
  • the status confirmation signal may be a signal for checking the operation mode of the artificial intelligence-based cafe monitoring device 10 through the network 40.
  • the artificial intelligence-based cafe monitoring device 10 may transmit a response signal (RSP) to the cafe curation scheme decision module 230 in response to the status confirmation signal (SCS).
  • the response signal (RSP) to the status check signal (SCS) may include a first to third response signal.
  • the first response signal is a first operation mode in which the artificial intelligence-based cafe monitoring device 10 provides both status data (D1) and predicted data (D2) among cafe monitoring data (CMD) to the cafe curation device 20. It can mean that it is in.
  • the artificial intelligence-based cafe monitoring device 10 provides status data (D1) among cafe monitoring data (CMD) to the cafe curation device 20, but predicts data (D2) is provided to the cafe queue.
  • This may mean that it is in a second operation mode that does not provide information to the ration device 20.
  • the second operation mode for example, operates only the artificial intelligence status analysis model 103 in the artificial intelligence-based cafe monitoring device 10, and prevents the artificial intelligence inference model 104 from operating or intentionally does not operate. This may be the operation mode when set.
  • the third response signal may mean that the artificial intelligence-based cafe monitoring device 10 is in a third operation mode in which all of the cafe monitoring data (CMD) is not provided to the cafe curation device 20.
  • the third operation mode is, for example, a case where the artificial intelligence status analysis model 103 and the artificial intelligence inference model 104 do not operate in the artificial intelligence-based cafe monitoring device 10 or are intentionally set not to operate. It may be an operation mode, but in cases where the artificial intelligence-based cafe monitoring device 10 does not operate normally due to a malfunction or a connection through the network 40 is not established, cafe monitoring is performed from the artificial intelligence-based cafe monitoring device 10. This may even indicate a situation in which data (CMD) cannot be transmitted to the cafe curation device 20.
  • the cafe curation scheme determination module 230 may determine the cafe curation scheme (SCM) according to the response signal (RSP) to the status check signal (SCS) received from the artificial intelligence-based cafe monitoring device 10. .
  • the cafe curation scheme (SCM) can allow the cafe curation device 20 to specify various ways to perform cafe curation.
  • the cafe curation scheme may include a first scheme, and the first scheme is status data among cafe monitoring data (CMD) when the cafe curation device 20 performs cafe curation. It may be a scheme that uses both (D1) and prediction data (D2).
  • the cafe curation scheme (SCM) may include a second scheme, and the second scheme is status data among cafe monitoring data (CMD) when the cafe curation device 20 performs cafe curation. It may be a scheme that uses (D1) and does not use prediction data (D2).
  • the cafe curation scheme (SCM) may include a second scheme, and the second scheme may include the current status of cafe monitoring data (CMD) when the cafe curation device 20 performs cafe curation.
  • the cafe curation scheme may include a fourth scheme, and the fourth scheme is a cafe monitoring data collection module 200 when the cafe curation device 20 performs cafe curation. It may be a scheme that uses past cafe monitoring data (CMD) collected in.
  • the cafe curation scheme (SCM) may include a fifth scheme, and the fifth scheme allows the cafe curation device 20 to use customer data (UD) in performing cafe curation. It could be a scheme.
  • the scope of the present invention is not limited to the listed examples, and the cafe curation scheme (SCM) can be set in various ways depending on the specific implementation purpose and implementation environment.
  • the cafe curation scheme determination module 230 selects the first scheme as the cafe curation scheme. (SCM).
  • SCM the cafe curation scheme.
  • the first response signal indicates that the artificial intelligence-based cafe monitoring device 10 provides both status data (D1) and prediction data (D2) among the cafe monitoring data (CMD), so the cafe curation device (20) can perform cafe curation using both status data (D1) and forecast data (D2) among cafe monitoring data (CMD).
  • the cafe curation scheme determination module 230 2 when the response signal (RSP) received from the artificial intelligence-based cafe monitoring device 10 includes a second response signal different from the first response signal, the cafe curation scheme determination module 230 2 The scheme can be decided as cafe Curation Scheme (SCM). As described above, the second response signal indicates that the artificial intelligence-based cafe monitoring device 10 provides only status data (D1) and not prediction data (D2) among cafe monitoring data (CMD), and thus The curation device 20 may perform cafe curation using only the status data (D1) among the cafe monitoring data (CMD).
  • SCM Collection Scheme
  • the cafe curation scheme determination module (230) may determine the third scheme to be a cafe curation scheme (SCM).
  • SCM cafe curation scheme
  • the third response signal indicates that the artificial intelligence-based cafe monitoring device 10 does not provide all of the cafe monitoring data (CMD), so the cafe curation device 20 provides the cafe monitoring data (CMD). You can perform cafe curation without using .
  • the cafe curation scheme determination module 230 determines the fourth scheme along with the third scheme.
  • the scheme can be decided as cafe Curation Scheme (SCM).
  • the cafe curation device 20 may perform cafe curation using past cafe monitoring data (CMD) collected in the cafe monitoring data collection module 200.
  • CMS cafe monitoring data
  • the café curation scheme determination module 230 may determine the fifth scheme together with at least one of the first to fourth schemes as the café curation scheme (SCM).
  • SCM café curation scheme
  • at least one of status data (D1), predicted data (D2), and past cafe monitoring data (CMD) collected in the cafe monitoring data collection module 200 according to at least one of the first to fourth schemes, and , cafe curation can be performed using customer data (UD) together.
  • the cafe list creation module 240 generates a cafe list based on the cafe curation scheme (SCM) determined by the cafe curation scheme decision module 230, and sends this to the customer terminal 30 as cafe list data (CLD). can be provided to.
  • SCM cafe curation scheme
  • CLD cafe list data
  • the customer data collection module 250 collects customer data (UD) associated with the customer from the customer terminal 30 used by the customer and provides cafe curation service to the cafe curation device 20, providing cafe monitoring data. Customer data can be used with . Additionally, the customer data collection module 250 can display the cafe list provided from the cafe list creation module 240 on the screen to discover and recommend cafes to customers.
  • UD customer data
  • the cafe curation device 20 may perform cafe recommendation based on customer data (UD) or general user data. For example, while a customer visits a cafe, the cafe curation device 20 may inquire about the purpose of the visit through the customer terminal 30 and store the response as customer data (UD). Afterwards, the cafe curation device 20 can analyze the stored data and infer that the customer mainly does paperwork when he or she visits the cafe during weekday morning hours. Thereafter, when a customer searches for a cafe during weekday morning hours, the cafe curation device 20 may preferentially recommend a cafe whose interior is judged to be suitable for document work.
  • UD customer data
  • general user data For example, while a customer visits a cafe, the cafe curation device 20 may inquire about the purpose of the visit through the customer terminal 30 and store the response as customer data (UD). Afterwards, the cafe curation device 20 can analyze the stored data and infer that the customer mainly does paperwork when he or she visits the cafe during weekday morning hours. Thereafter, when a customer searches for a cafe during weekday
  • the curation device 20 may preferentially recommend cafes whose interior is judged to be suitable for meeting other people.
  • cafe candidates can be selected based on user data about the customer in question, or cafe candidates can be selected based on general user data.
  • the user data for the customer may be information collected from questions the customer received and responded to while visiting the cafe in the past. For example, if a customer receives an inquiry about the purpose of the visit while visiting a cafe and responds to it, information such as the content of the response, response time (or cafe visit time), and response location is stored in the customer's customer data (UD). ) can be stored as.
  • General user data may be data obtained by the cafe curation device 30 from several anonymized users.
  • Figure 4 is a flowchart explaining a cafe curation method according to an embodiment.
  • step S401 cafe monitoring data provided from an artificial intelligence-based cafe monitoring device installed in the cafe is collected, and in step S402, the customer Customer data related to the customer can be collected from the customer terminal being used.
  • step S403 a status confirmation signal is transmitted to an artificial intelligence-based cafe monitoring device, and in step S404, a cafe curation scheme can be determined according to a response signal to the status confirmation signal.
  • the method may generate a cafe list based on the determined cafe curation scheme in step S405 and provide the cafe list to the customer terminal in step S406.
  • Figure 5 is a block diagram for explaining the operation of a cafe curation device according to an embodiment.
  • the cafe curation device 20 may store a plurality of predefined schemes (SCM1, SCM2, SCM3) in, for example, memory, registers, storage, database, etc.
  • the cafe curation scheme decision module 230 receives a first response signal (RSP1) from the artificial intelligence-based cafe monitoring device 10, and selects a plurality of predefined schemes (SCM1, SCM2) according to the first response signal (RSP1). , SCM3), the first scheme (SCM1) can be selected.
  • the cafe curation scheme determination module 230 may transmit the selected first scheme (SCM1) as a cafe curation scheme (SCM) to the cafe list creation module 240, and the cafe list creation module 240 may transmit the selected first scheme (SCM1) as a cafe curation scheme (SCM) to the cafe list creation module 240.
  • SCM1 a cafe list can be created using both status data (D1) and forecast data (D2) among cafe monitoring data (CMD).
  • the cafe list creation module 240 can provide the created cafe list to the customer terminal 30, and allows the customer terminal 30 to display status data (D1) among the cafe monitoring data (CMD) along with the cafe list on the screen. and that all of the prediction data D2 has been used may be displayed in at least one of text, icon, image, and video.
  • CMD cafe monitoring data
  • Figure 6 is a block diagram for explaining the operation of a cafe curation device according to an embodiment.
  • the cafe curation scheme determination module 230 receives a second response signal (RSP2) from the artificial intelligence-based cafe monitoring device 10, and , the second scheme (SCM2) can be selected among a plurality of predefined schemes (SCM1, SCM2, and SCM3) according to the second response signal (RSP2).
  • the cafe curation scheme determination module 230 may transmit the selected second scheme (SCM2) as a cafe curation scheme (SCM) to the cafe list creation module 240, and the cafe list creation module 240 may transmit the selected second scheme (SCM2) as a cafe curation scheme (SCM) to the cafe list creation module 240.
  • SCM2 a cafe list can be created using only the status data (D1) and not the prediction data (D2) among the cafe monitoring data (CMD).
  • the cafe list creation module 240 can provide the created cafe list to the customer terminal 30, and allows the customer terminal 30 to display status data (D1) among the cafe monitoring data (CMD) along with the cafe list on the screen.
  • the fact that only the prediction data D2 is used and that the prediction data D2 is not used may be displayed in the form of at least one of text, icon, image, and video.
  • Figure 7 is a block diagram for explaining the operation of a cafe curation device according to an embodiment.
  • the cafe curation scheme decision module 230 receives a third response signal (RSP3) from the artificial intelligence-based cafe monitoring device 10, and , the third scheme (SCM3) can be selected among a plurality of predefined schemes (SCM1, SCM2, SCM3) according to the third response signal (RSP3).
  • the cafe curation scheme determination module 230 may transmit the selected third scheme (SCM3) as a cafe curation scheme (SCM) to the cafe list creation module 240, and the cafe list creation module 240 may transmit the selected third scheme (SCM3) as a cafe curation scheme (SCM) to the cafe list creation module 240.
  • SCM3 a cafe list can be created without using cafe monitoring data (CMD).
  • the cafe list creation module 240 can provide the created cafe list to the customer terminal 30, and allows the customer terminal 30 to display the cafe list on the screen and indicate that cafe monitoring data (CMD) has not been used. Displayed in the form of at least one of text, icons, images, and videos, or in the form of at least one of text, icons, images, and videos indicating that past cafe monitoring data (CMD) collected in the cafe monitoring data collection module 200 has been used. It can be displayed as .
  • Figure 8 is a block diagram for explaining a cafe curation device according to an embodiment.
  • the cafe curation device 20 includes a cafe monitoring data collection module 200, a status check signal transmission module 220, and a cafe curation device 20 according to an embodiment. It may include a curation scheme determination module 230, a cafe list creation module 240, a customer data collection module 250, and a digital twin creation module 260.
  • the cafe monitoring data collection module 200, status confirmation signal transmission module 220, cafe curation scheme determination module 230, cafe list creation module 240, and customer data collection module 250 are related to FIG. 3. Since the above-mentioned description can be referred to, the description here will focus on the differences between the embodiment of FIG. 3 and this embodiment.
  • the digital twin creation module 260 creates a digital twin virtual interior of the cafe included in the cafe list generated by the cafe list creation module 240, using status data regarding the interior status of the cafe monitoring data (CMD). It can be created in space.
  • cafe monitoring data (CMD) along with status data, includes the floor plan of the cafe store, color and pattern information such as the floor, walls, and ceiling inside the cafe, and information placed in the store such as tables, chairs, and sofas. It may further include data about the shape, color, and location information of the furniture, and the digital twin creation module 260 can be implemented in a way that reproduces a virtual space according to these data.
  • the cafe list creation module 240 operates together with the digital twin creation module 260 to provide the interior of a cafe included in the cafe list to the customer terminal 30 in the form of a digital twin virtual space. Specifically, the cafe list creation module 240 generates a cafe list based on the cafe curation scheme (SCM) determined by the cafe curation scheme determination module 230, and converts it into a digital twin as cafe list data (CLD). It can be provided to the creation module 260 and the customer terminal 30, and the digital twin creation module 260 is a digital twin containing data about the interior of the cafe in the form of a digital twin virtual space based on cafe list data (CLD). Twin data (DTD) can be provided to the customer terminal 30.
  • SCM cafe curation scheme
  • CLD cafe list data
  • DTD Twin data
  • the customer terminal 30 can render the interior of the cafe in the form of a digital twin virtual space based on digital twin data (DTD) and provide it to the customer. Accordingly, customers can explore and experience the interior spaces of cafes recommended in the curry list in advance and select a cafe with an interior that suits their taste without having to visit the cafe in person.
  • DTD digital twin data
  • the digital twin creation module 260 includes status data of cafe monitoring data (CMD) and floor plan of the cafe store, color and pattern information such as floor, wall, and ceiling inside the cafe, tables, chairs,
  • the digital twin virtual space can be updated by reflecting changes in data about the shape, color, and location information of furniture placed in the store, such as sofas.
  • the interior of the cafe such as seats, tables, visiting customers, floors, walls, and ceilings, is changed, and the cafe monitoring data collection module 200 is changed from the artificial intelligence-based cafe monitoring device 10 to the changed interior interior status.
  • the digital twin creation module 260 updates the digital twin virtual space from the status data, and digital twin data ( DTD) can be provided to the customer terminal 30. Accordingly, it is possible to enable customers to accurately experience the cafe interior in order to select the desired cafe.
  • DTD digital twin data
  • the digital twin creation module 260 periodically or aperiodically checks the cafe monitoring data (CMD) managed by the cafe monitoring data collection module 200 to detect whether there is a change in the interior of the cafe and whether the change occurs. If detected, the digital twin virtual space can be updated.
  • the artificial intelligence-based cafe monitoring device 10 detects whether there is a change in the interior of the cafe and transmits an interior interior change notification signal along with cafe monitoring data (CMD) to the cafe monitoring data collection module 200. Then, the digital twin creation module 260 may update the digital twin virtual space according to the internal interior change notification signal.
  • the status data and prediction data regarding sound data collected through the sound collection unit 107 described above with respect to FIG. 2 may be stored in the cafe monitoring data collection module 200 as cafe monitoring data (CMD). You can.
  • the digital twin creation module 260 uses the current status data and prediction data about the interior of the cafe included in the cafe list generated by the cafe list creation module 240 to visually provide a digital twin virtual space and at the same time provide appropriate sound. You can play it.
  • the digital twin creation module 260 determines the size of noise in the store, the current state of music played in the store, prediction of noise change, prediction of music to be played in the store, and atmosphere inside the cafe based on cafe monitoring data (CMD). From information such as predictions, playback sound data can be included in the digital twin data (DTD) transmitted to the customer terminal 30.
  • the playback sound data may be data about sounds to be played together when the interior of the cafe is rendered and visually expressed in the form of a digital twin virtual space based on the customer terminal 30.
  • the customer terminal 30 can provide appropriate sound to customers while rendering the interior of the cafe in the form of a digital twin virtual space based on digital twin data (DTD) including playback sound data.
  • the digital twin creation module 260 causes the customer terminal 30 to create a quiet ambient in the digital twin data (DTD).
  • DTD digital twin data
  • Playback sound data can be included in the form of commands or information instructing to play sound.
  • the customer terminal 30 can acquire music according to the corresponding command or information from the terminal local or over the network and play it together when rendering inside the cafe.
  • the digital twin creation module 260 may include the sound source itself of a predetermined length including quiet ambient sound as playback sound data in the digital twin data (DTD).
  • the customer terminal 30 can receive the corresponding playback sound data and play it together when rendering the interior of the cafe.
  • the genre of the cafe's store music rendered in the form of a digital twin virtual space is mainly rock ( rock)
  • the digital twin creation module 260 plays the sound in the digital twin data (DTD) in the form of a command or information instructing the customer terminal 30 to play the sound corresponding to the rock genre. Data can be included.
  • the customer terminal 30 can acquire music according to the corresponding command or information from the terminal local or over the network and play it together when rendering inside the cafe.
  • the digital twin creation module 260 may include the sound source itself of a predetermined length corresponding to the rock genre as playback sound data in the digital twin data (DTD).
  • the customer terminal 30 can receive the corresponding playback sound data and play it together during internal rendering of the cafe.
  • the digital twin creation module 260 reflects changes in status data and prediction data regarding sound data collected through the sound collection unit 107 in the cafe monitoring data (CMD), thereby creating a digital twin virtual space. You can update the sound played when rendering.
  • the specific method of updating may be performed in a similar manner to the update method according to the interior interior change described above. Accordingly, it is possible to enable customers to accurately experience the cafe interior in order to select the desired cafe.
  • Figure 9 is a flowchart for explaining a cafe curation method according to an embodiment.
  • the cafe curation method generates a cafe list based on the determined cafe curation scheme in step S901, and includes the cafe list included in the generated cafe list in step S902.
  • the interior of a cafe can be created as a digital twin virtual space.
  • a list of cafes is provided to the customer terminal, and in step S904, the interior of the cafe included in the cafe list can be provided to the customer terminal in the form of a digital twin virtual space.
  • the method may update the digital twin virtual space by reflecting the status data in step S905, and provide the updated interior of the cafe in the form of a digital twin virtual space in step S905.
  • Figure 10 is a diagram for explaining an example of a screen displayed on a customer terminal according to an embodiment.
  • a screen displayed on a customer terminal may include a cafe list curated based on curry list data (CLD) provided from the cafe list creation module 240.
  • CLD curry list data
  • the screen displays cafe information for "Cafe A" and "Cafe B", specifically information about the cafe's representative image, sales performance, cafe location, distance to the cafe, estimated discount amount, etc. It can be.
  • the cafe list creation module 240 causes the customer terminal 30 to display status data and prediction data for cafes included in the cafe list in the form of at least one of text, icons, images, and videos on the screen. It can be provided to the customer terminal 30. For example, referring to area (A) of the screen, "Table occupancy: 36%” and “(about 30 dB)” are displayed in text as status data, and “It's quiet” and "Have a chat” as prediction data. “Like” may be displayed as text. Additionally, on the right side of area A, “expected to wait approximately 12 minutes” may be displayed in text as another prediction data.
  • Rendering may be performed in the form of a digital twin virtual space as described above.
  • whether any data among the cafe monitoring data (CMD) has been used may be displayed in the form of at least one of text, icons, images, and videos. For example, referring to area (A) of the screen, an icon containing the text "AI Live” is displayed if status data among cafe monitoring data (CMD) is used, or prediction data among cafe monitoring data (CMD) is displayed. If data is used, an icon containing the text “Big Data” can be displayed to help users select a cafe.
  • Figure 11 is a block diagram for explaining a computing device according to an embodiment.
  • an artificial intelligence cafe monitoring device may be implemented using the computing device 50.
  • Computing device 50 includes a processor 501, memory 502, a storage device 503, a display device 504 that communicate over a bus 509, and a connection to a network 40 for communication with other entities. It may include at least one of a network interface device 505 that provides and an input/output interface device 506 that provides a user input interface or a user output interface.
  • the computer device 50 although not shown in FIG. 11, may further include any electronic device necessary to implement the technical ideas described in this specification.
  • the processor 501 may be implemented in various types such as an Application Processor (AP), Central Processing Unit (CPU), Graphic Processing Unit (GPU), Neural Processing Unit (NPU), and may include a memory 502 or a storage device ( 503) may be any electronic device that executes a stored program or command.
  • the processor 501 may be configured to implement the functions or methods described above with respect to FIGS. 1 to 10, and calculations specialized for artificial intelligence in relation to the cafe curation device and cafe curation method according to embodiments are performed. Can be processed on GPU or NPU.
  • Memory 502 and storage device 503 may include various types of volatile or non-volatile storage media.
  • the memory 502 may include read-only memory (ROM) or random access memory (RAM), and the memory 502 may be located inside or outside the processor 501, and may include a known It can be connected to the processor 501 through various means.
  • examples of the storage device 503 include a hard disk drive (HDD) or a solid state drive (SSD), and the scope of the present invention is not limited to the elements listed above for explanation.
  • At least some of the cafe curation devices and cafe curation methods according to embodiments may be implemented as programs or software running on the computing device 50, and such programs or software may be stored in a computer-readable medium. .
  • cafe curation devices and cafe curation methods may be implemented using hardware of the computing device 50, or may be implemented as separate hardware that can be electrically connected to the computing device 50. It may be possible.

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • General Engineering & Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Primary Health Care (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Graphics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Biophysics (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

카페 큐레이션 장치 및 카페 큐레이션 방법이 제공된다. 카페 큐레이션 장치는, 카페에 설치된 인공지능 기반 카페 모니터링 장치로부터 제공되는 카페 모니터링 데이터를 수집하고, 상기 카페 모니터링 데이터는 카페 내부에 대한 현황 데이터 및 예측 데이터 중 적어도 하나를 포함하는, 카페 모니터링 데이터 수집 모듈; 고객이 사용하는 고객 단말로부터 상기 고객과 연관된 고객 데이터를 수집하는 고객 데이터 수집 모듈; 상기 인공지능 기반 카페 모니터링 장치에 상태 확인 신호를 전송하는 상태 확인 신호 전송 모듈; 상기 상태 확인 신호에 대한 응답 신호에 따라 카페 큐레이션 스킴을 결정하는 카페 큐레이션 스킴 결정 모듈; 및 상기 결정된 카페 큐레이션 스킴에 기초하여 카페 리스트를 생성하고 상기 고객 단말에 제공하는 카페 리스트 생성 모듈을 포함할 수 있다.

Description

카페 큐레이션 장치 및 카페 큐레이션 방법
개시 내용은 카페 큐레이션 장치 및 카페 큐레이션 방법에 관한 것이다.
카페 큐레이션(curation) 서비스는 여러 카페에 대한 정보를 수집 및 선별하고 새로운 가치를 부여해 전파하는 서비스이다. 고객 유치를 원하는 카페 점주가 자신의 카페를 카페 큐레이션 서비스에 등록하면, 고객은 사용자 단말을 통해 자신의 취향이나 방문 목적에 맞는 카페를 추천 받을 수 있다. 특히, 카페 큐레이션 서비스는 단순히 사용자 단말의 위치를 중심으로 가까운 거리에 소재한 카페들이나 후기 평점이 높은 카페들의 정보를 제공하는 수준을 넘어서, 카페를 찾는 사용자가 중요하게 여기는 가치에 부합하는 카페들을 제시한다는 점에서 이전의 카페 추천 서비스로부터 구별된다. 보다 가치 있는 카페 큐레이션 서비스를 구현하기 위해, 카페 내부의 실시간 현황 또는 예측 현황에 관한 정보를 수집하고 이를 카페 큐레이션 서비스에 활용하기 위한 방안들이 연구되고 있다.
해결하고자 하는 일 과제는, 카페에 설치된 인공지능 및 IoT(Internet of Things) 기반의 모니터링 장치를 통해 수집한 카페 내부의 현황 데이터 및 예측 데이터에 기초하여 고객에게 카페 큐레이션을 서비스할 수 있는 카페 큐레이션 장치 및 카페 큐레이션 방법을 제공하는 것이다.
일 실시 예에 따른 카페 큐레이션 장치는, 카페에 설치된 인공지능 기반 카페 모니터링 장치로부터 제공되는 카페 모니터링 데이터를 수집하고, 상기 카페 모니터링 데이터는 카페 내부에 대한 현황 데이터 및 예측 데이터 중 적어도 하나를 포함하는, 카페 모니터링 데이터 수집 모듈; 고객이 사용하는 고객 단말로부터 상기 고객과 연관된 고객 데이터를 수집하는 고객 데이터 수집 모듈; 상기 인공지능 기반 카페 모니터링 장치에 상태 확인 신호를 전송하는 상태 확인 신호 전송 모듈; 상기 상태 확인 신호에 대한 응답 신호에 따라 카페 큐레이션 스킴을 결정하는 카페 큐레이션 스킴 결정 모듈; 및 상기 결정된 카페 큐레이션 스킴에 기초하여 카페 리스트를 생성하고 상기 고객 단말에 제공하는 카페 리스트 생성 모듈을 포함할 수 있다.
몇몇 실시 예에서, 상기 현황 데이터는, 테이블 또는 좌석 배치 현황, 테이블 또는 좌석 점유 현황, 소음 현황, 방문 고객 성별 현황, 방문 고객 연령대 현황, 방문 고객 행동 현황, 방문 고객 체류 시간 현황, 메뉴별 주문 현황 및 내부 인테리어 현황 중 적어도 하나에 관한 데이터를 포함하고, 상기 예측 데이터는, 테이블 또는 좌석 점유율 변화 예측, 좌석 분위기 예측, 대기 시간 예측, 소음 변화 예측, 방문 고객 성별 예측, 방문 고객 연령대 예측, 방문 고객 행동 패턴 예측, 방문 목적 예측, 메뉴 순위 예측, 추천 메뉴 예측, 매출 예측, 재고 예측 및 카페 내부 분위기 예측 중 적어도 하나에 관한 데이터를 포함할 수 있다.
몇몇 실시 예에서, 상기 현황 데이터 및 상기 예측 데이터는 상기 인공지능 기반 카페 모니터링 장치 내에서 익명화 처리가 될 수 있다.
몇몇 실시 예에서, 상기 고객 데이터는, 고객 성별, 고객 연령, 고객 위치, 서비스 사용 이력, 고객 취향, 선호 메뉴, 카페 방문 이력 및 예측된 방문 목적 중 적어도 하나에 관한 데이터를 포함할 수 있다.
몇몇 실시 예에서, 제1 스킴은 카페 큐레이션에 상기 현황 데이터 및 상기 예측 데이터를 모두 사용하는 스킴을 포함하고, 상기 응답 신호가 제1 응답 신호를 포함하는 경우, 상기 카페 큐레이션 스킴 결정 모듈은 상기 제1 스킴을 상기 카페 큐레이션 스킴으로 결정할 수 있다.
몇몇 실시 예에서, 제2 스킴은 카페 큐레이션에 상기 현황 데이터는 사용하고 상기 예측 데이터는 사용하지 않는 스킴을 포함하고, 상기 응답 신호가 상기 제1 응답 신호와 상이한 제2 응답 신호를 포함하는 경우, 상기 카페 큐레이션 스킴 결정 모듈은 상기 제2 스킴을 상기 카페 큐레이션 스킴으로 결정할 수 있다.
몇몇 실시 예에서, 제3 스킴은 카페 큐레이션에 상기 현황 데이터 및 상기 예측 데이터를 모두 사용하지 않는 스킴을 포함하고, 상기 응답 신호가 상기 제1 응답 신호 및 상기 제2 응답 신호와 상이한 제3 응답 신호를 포함하는 경우, 상기 카페 큐레이션 스킴 결정 모듈은 상기 제3 스킴을 상기 카페 큐레이션 스킴으로 결정할 수 있다.
몇몇 실시 예에서, 제4 스킴은 카페 큐레이션에 상기 카페 모니터링 데이터 수집 모듈에 수집된 과거의 카페 모니터링 데이터를 사용하는 스킴을 포함하고, 상기 응답 신호가 상기 제3 응답 신호를 포함하는 경우, 상기 카페 큐레이션 스킴 결정 모듈은, 상기 제3 스킴과 상기 제4 스킴을 상기 카페 큐레이션 스킴으로 결정할 수 있다.
몇몇 실시 예에서, 제5 스킴은 상기 큐레이션에 상기 고객 데이터를 사용하는 스킴을 포함하고, 상기 카페 큐레이션 스킴 결정 모듈은, 상기 제1 스킴 내지 상기 제4 스킴 중 적어도 하나와 상기 제5 스킴을 상기 카페 큐레이션 스킴으로 결정할 수 있다.
몇몇 실시 예에서, 상기 장치는, 상기 생성된 카페 리스트에 포함되는 카페의 내부를 디지털 트윈 가상 공간으로 생성하는 디지털 트윈 생성 모듈을 더 포함하고, 상기 카페 리스트 생성 모듈은, 상기 디지털 트윈 생성 모듈과 함께 동작하여 상기 카페 리스트에 포함되는 카페의 내부를 상기 디지털 트윈 가상 공간의 형태로 상기 고객 단말에 제공할 수 있다.
몇몇 실시 예에서, 상기 디지털 트윈 생성 모듈은, 상기 현황 데이터의 변화를 반영하여 상기 디지털 트윈 가상 공간을 업데이트할 수 있다.
몇몇 실시 예에서, 상기 디지털 트윈 생성 모듈은, 상기 카페 리스트에 포함되는 카페의 내부에 대응하는 사운드 데이터를 상기 고객 단말에 제공하여, 상기 고객 단말로 하여금 상기 디지털 트윈 가상 공간의 렌더링 시 함께 재생하도록 할 수 있다.
몇몇 실시 예에서, 상기 디지털 트윈 생성 모듈은, 상기 현황 데이터의 변화를 반영하여 상기 디지털 트윈 가상 공간에 연관된 상기 사운드 데이터를 업데이트할 수 있다.
몇몇 실시 예에서, 상기 카페 리스트 생성 모듈은, 상기 카페 리스트에 포함되는 카페에 대한 예측 데이터를, 상기 고객 단말로 하여금 화면에 텍스트, 아이콘, 이미지 및 비디오 중 적어도 하나의 형태로 표시하도록 상기 고객 단말에 제공할 수 있다.
일 실시 예에 따른 카페 큐레이션 방법은, 카페에 설치된 인공지능 기반 카페 모니터링 장치로부터 제공되는 카페 모니터링 데이터를 수집하고, 상기 카페 모니터링 데이터는 카페 내부에 대한 현황 데이터 및 예측 데이터 중 적어도 하나를 포함하는 단계;
고객이 사용하는 고객 단말로부터 상기 고객과 연관된 고객 데이터를 수집하는 단계; 상기 인공지능 기반 카페 모니터링 장치에 상태 확인 신호를 전송하는 단계; 상기 상태 확인 신호에 대한 응답 신호에 따라 카페 큐레이션 스킴을 결정하는 단계; 및 상기 결정된 카페 큐레이션 스킴에 기초하여 카페 리스트를 생성하고 상기 고객 단말에 제공하는 단계를 포함할 수 있다.
몇몇 실시 예에서, 상기 방법은, 상기 생성된 카페 리스트에 포함되는 카페의 내부를 디지털 트윈 가상 공간으로 생성하는 단계; 및 상기 카페 리스트에 포함되는 카페의 내부를 상기 디지털 트윈 가상 공간의 형태로 상기 고객 단말에 제공하는 단계를 더 포함할 수 있다.
몇몇 실시 예에서, 상기 방법은, 상기 디지털 트윈 가상 공간에 연관된 사운드 데이터를 상기 고객 단말에 제공하는 단계를 더 포함할 수 있다.
몇몇 실시 예에서, 상기 방법은, 상기 카페 리스트에 포함되는 카페에 대한 예측 데이터를, 상기 고객 단말로 하여금 화면에 텍스트, 아이콘, 이미지 및 비디오 중 적어도 하나의 형태로 표시하도록 상기 고객 단말에 제공하는 단계를 더 포함할 수 있다.
카페에 설치된 인공지능 및 IoT(Internet of Things) 기반의 모니터링 장치를 통해 수집한 카페 내부의 현황 데이터 및 예측 데이터에 기초하여 고객에게 카페 큐레이션을 서비스할 수 있다.
도 1은 일 실시 예에 따른 카페 큐레이션 시스템을 설명하기 위한 블록도이다.
도 2는 일 실시 예에 따른 인공지능 기반 카페 모니터링 장치를 설명하기 위한 블록도이다.
도 3은 일 실시 예에 따른 카페 큐레이션 장치를 설명하기 위한 블록도이다.
도 4는 일 실시 예에 따른 카페 큐레이션 방법을 설명하기 위한 흐름도이다.
도 5는 일 실시 예에 따른 카페 큐레이션 장치의 동작을 설명하기 위한 블록도이다.
도 6은 일 실시 예에 따른 카페 큐레이션 장치의 동작을 설명하기 위한 블록도이다.
도 7은 일 실시 예에 따른 카페 큐레이션 장치의 동작을 설명하기 위한 블록도이다.
도 8은 일 실시 예에 따른 카페 큐레이션 장치를 설명하기 위한 블록도이다.
도 9는 일 실시 예에 따른 카페 큐레이션 방법을 설명하기 위한 흐름도이다.
도 10은 일 실시 예에 따른 고객 단말에서 표시되는 화면의 예시를 설명하기 위한 도면이다.
도 11은 일 실시 예에 따른 컴퓨팅 장치를 설명하기 위한 블록도이다.
아래에서는 첨부한 도면을 참조하여 본 발명의 실시 예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 및 청구범위 전체에서, 어떤 부분이 어떤 구성 요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것을 의미한다.
또한, 명세서에 기재된 "...부", "...기", "모듈" 등의 용어는 본 명세서에서 설명되는 적어도 하나의 기능이나 동작을 처리할 수 있는 단위를 의미할 수 있으며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.
본 명세서에서는 설명의 명확성을 위해 카페를 대상으로 한 실시 예들로 설명하지만, 본 발명의 범위는 카페가 아닌 임의의 매장, 또는 임의의 공간에서 IoT 장치를 이용하여 매장 또는 공간 내부의 실시간 현황을 모니터링하고 예측한 현황을 기반으로 매장 또는 공간을 사용자에게 큐레이션, 추천 또는 제안하는 경우에까지 미친다.
도 1은 일 실시 예에 따른 카페 큐레이션 시스템을 설명하기 위한 블록도이다.
도 1을 참조하면, 일 실시 예에 따른 카페 큐레이션 시스템(1)은 인공지능 기반 카페 모니터링 장치(10, 11, 12), 카페 큐레이션 장치(20), 고객 단말(30) 및 점주 단말(32)을 포함할 수 있다. 인공지능 기반 카페 모니터링 장치(10, 11, 12), 카페 큐레이션 장치(20), 고객 단말(30) 및 점주 단말(32)은 네트워크(40)를 통해 서로 데이터를 주고 받을 수 있다.
인공지능 기반 카페 모니터링 장치(10, 11, 12)는 IoT 장치일 수 있다. IoT는 사물에 센싱 및 통신 기능을 내장하여 인터넷에 연결하는 기술로서, 인공지능 기반 카페 모니터링 장치(10, 11, 12)는 카페 내부에 설치되어 카페 내부를 모니터링하고, 모니터링 결과를 네트워크(40)를 통해 다른 장치, 예를 들어 카페 큐레이션 장치(20)로 전송할 수 있다. 인공지능 기반 카페 모니터링 장치(10, 11, 12)는 카페 내부를 모니터링하기 위해 인공지능 모델(예를 들어, 딥러닝 모델)을 탑재할 수 있으며, 여러 카페 내부에 설치되어 그 내부의 실시간 현황을 모니터링하고 미래의 현황을 예측할 수 있다. 예를 들어, 인공지능 기반 카페 모니터링 장치(10, 11)는 어떤 카페(A)의 내부에 설치되어 해당 카페(A) 내부의 현황을 모니터링 및 예측할 수 있고, 인공지능 기반 카페 모니터링 장치(12)는 다른 카페(B)의 내부에 설치되어 다른 카페(B) 내부의 현황을 모니터링 및 예측할 수 있다. 카페(A)에 설치된 인공지능 기반 카페 모니터링 장치(10, 11)로부터 획득할 수 있는 모니터링 및 예측 결과와 카페(B)에 설치된 모니터링 장치(12)로부터 획득할 수 있는 모니터링 및 예측 결과는 네트워크(40)를 통해 카페 큐레이션 장치(20)로 전송될 수 있다. 이하에서는 카페(A, B)에 설치된 인공지능 기반 카페 모니터링 장치(10, 11, 12)가 모니터링 및 예측 결과를 카페 모니터링 데이터로서 카페 큐레이션 장치(20)에 제공하는 경우에 있어서, 카페 큐레이션 장치(20)에 대해 상세히 설명하도록 한다.
카페 큐레이션 장치(20)는, 카페 모니터링 장치(10, 11, 12)를 통해 수집된 카페(A, B)에 대한 카페 모니터링 데이터에 기반하여, 고객이 카페를 선택하기 위해 중요하게 여기는 가치에 부합하는 카페들을 고객 단말(30)을 통해 고객에게 제시할 수 있다. 몇몇 실시 예에서, 카페 모니터링 장치(10, 11, 12)를 통해 수집되는 카페 모니터링 데이터는 카페 큐레이션 장치(20)가 액세스할 수 있는 데이터베이스에 저장되고 관리될 수 있다.
몇몇 실시 예에서, 카페 모니터링 데이터는 카페 내부에 대한 현황 데이터 및 예측 데이터 중 적어도 하나를 포함할 수 있다. 현황 데이터는, 인공지능 기반 카페 모니터링 장치(10, 11, 12)가 카메라, 마이크 등 센서와 객체 검출(object detection), 포즈 추정(pose estimation), 시맨틱 세그멘테이션(semantic segmentation) 등 인공지능 기술을 이용하여 수집한 카페 내부에 관한 정보를 포함할 수 있다. 구체적으로, 현황 데이터는, 예를 들어, 테이블 또는 좌석 배치 현황, 테이블 또는 좌석 점유 현황, 소음 현황, 매장에서 재생되는 음악에 대한 현황, 매장 음악의 재생 이력에 관한 현황, 방문 고객 성별 현황, 방문 고객 연령대 현황, 방문 고객 행동 현황, 방문 고객 체류 시간 현황, 메뉴별 주문 현황 및 내부 인테리어 현황 중 적어도 하나에 관한 데이터를 포함할 수 있다. 한편, 예측 데이터는, 센서를 이용하여 수집한 카페 내부에 관한 정보와 인공지능 추론 모델에 기반하여 추론, 도출 또는 예측된 데이터, 또는 누적된 현황 데이터로부터 추정된 데이터 등을 포함할 수 있다. 구체적으로, 예측 데이터는, 예를 들어, 테이블 또는 좌석 점유율 변화 예측, 좌석 분위기 예측, 대기 시간 예측, 소음 변화 예측, 매장에서 재생될 음악에 대한 예측, 방문 고객 성별 예측, 방문 고객 연령대 예측, 방문 고객 행동 패턴 예측, 방문 목적 예측, 메뉴 순위 예측, 추천 메뉴 예측, 매출 예측, 재고 예측 및 카페 내부 분위기 예측 중 적어도 하나에 관한 데이터를 포함할 수 있다.
예를 들어, 메뉴별 주문 현황에 관한 현황 데이터로부터 매출 예측에 관한 예측 데이터가 추정될 수 있고, 방문 고객 행동 현황 및 방문 고객 체류 시간 현황에 관한 현황 데이터로부터 방문 고객 행동 패턴(예를 들어, 컴퓨터 작업 30%, 대화 20%, 휴식 50% 등) 예측, 방문 목적 예측 또는 대기 시간 예측에 관한 예측 데이터가 추론될 수 있다. 다른 예로서, 방문 고객 성별 현황 또는 방문 고객 연령대 현황에 대한 현황 데이터로부터 좌석 분위기 예측, 방문 고객 성별 예측 또는 방문 고객 연령대 예측에 관한 예측 데이터가 추론될 수 있다. 또 다른 예로서, 소음 현황, 매장에서 재생되는 음악, 또는 매장 음악의 재생 이력에 관한 현황에 대한 현황 데이터로부터 소음 변화 예측, 매장에서 재생될 음악에 대한 예측, 또는 카페 내부 분위기 예측에 관한 예측 데이터가 추론될 수 있다.
몇몇 실시 예에서, 현황 데이터 및 예측 데이터는 인공지능 기반 카페 모니터링 장치(10, 11, 12)에서 생성이 완료되어 카페 큐레이션 장치(20)로 전달만 되도록 구현될 수도 있고, 다른 몇몇 실시 예에서, 현황 데이터 및 예측 데이터 중 일부는 인공지능 기반 카페 모니터링 장치(10, 11, 12)에서 생성이 완료되어 카페 큐레이션 장치(20)로 전달되지만, 예측 데이터 중 다른 일부는 카페 큐레이션 장치(20)로 전달된 카페 모니터링 데이터로부터 카페 큐레이션 장치(20)에 의해 생성되도록 구현될 수도 있다.
몇몇 실시 예에서, 현황 데이터 및 예측 데이터를 포함하는 카페 모니터링 데이터는 인공지능 기반 카페 모니터링 장치(10, 11, 12) 내에서 익명화 처리가 될 수 있다. 즉, 인공지능 기반 카페 모니터링 장치(10, 11, 12)에서 생성된 카페 모니터링 데이터는, 예를 들어 전술한 바와 같은 여러 가지 데이터로 생성되는 과정에서, 또는 생성이 완료된 후 익명화되어, 신원을 식별할 여지가 존재하는 데이터가 카페 큐레이션 장치(20)로 전송되지 않도록 할 수 있다. 일 구현 예로서, 카페 내부의 방문자를 촬영한 촬영 데이터로부터 성별과 인원 수에 대한 데이터가 추출되었다면, 성별과 인원 수에 대한 데이터만 카페 큐레이션 장치(20)에 전송되고 해당 촬영 데이터는 인공지능 기반 카페 모니터링 장치(10, 11, 12) 내에서 파기될 수 있다. 이에 따라, 개인 정보 보호를 구현하면서도 카페 내부에 대한 현황 파악 및 예측을 구현할 수 있다.
몇몇 실시 예에서, 카페 모니터링 데이터는 일정 규격을 따르는 텍스트 데이터로 구현될 수 있다. 예를 들어, 카페 모니터링 데이터는 "테이블 1에 3명, 테이블 3에 1명, 라떼 2잔, 아이스 아메리카노 3잔, 여성 3명, 남성 2명"과 같이 정리되어 JSON 등의 일정 규격을 갖춘 텍스트 데이터로 추상화될 수 있다.
몇몇 실시 예에서, 인공지능 기반 카페 모니터링 장치(10, 11, 12)가 카페 큐레이션 장치(20)에 제공하는 일 유형의 카페 모니터링 데이터는 실시간으로 카페 큐레이션 장치(20)에 전송될 수 있다. 구체적으로, 인공지능 기반 카페 모니터링 장치(10, 11, 12)는, 일 유형의 카페 모니터링 데이터를 미리 정해진 제1 시간 간격(예를 들어, 20초)으로 카페 큐레이션 장치(20)로 전송할 수 있다. 여기서 미리 정해진 시간 간격은 구체적인 구현 목적과 구현 환경에 따라 다르게 설정될 수 있다. 한편, 인공지능 기반 모니터링 장치(10, 11, 12)가 카페 큐레이션 장치(20)에 제공하는 타 유형의 카페 모니터링 데이터는, 상기 제1 시간 간격보다 길도록 미리 정해진 제2 시간 간격(예를 들어, 수 시간, 수 일)으로 카페 큐레이션 장치(20)에 전송될 수 있다. 즉, 카페 큐레이션 장치(20)가 서비스를 제공하기 위해 업데이트가 빈번하게 이루어질 필요가 있는 일 유형의 카페 모니터링 데이터에 대해서는 실시간 또는 짧은 시간 간격으로 전송이 이루어지고, 업데이트가 빈번하게 이루어질 필요가 없는 타 유형의 카페 모니터링 데이터에 대해서는 상대적으로 긴 시간 간격으로 전송이 이루어지도록 하여, 네트워크 대역폭을 효율적으로 사용하고 인공지능 기반 카페 모니터링 장치(10, 11, 12)의 소모 전력을 절감할 수 있다.
예를 들어, 현황 데이터 중, 테이블 또는 좌석 배치 현황, 테이블 또는 좌석 점유 현황, 소음 현황, 매장에서 재생되는 음악에 대한 현황 등에 관한 데이터는 카페 큐레이션 서비스에서 즉각적인 업데이트가 이루어져야 하는 데이터로서, 상기 일 유형의 카페 모니터링 데이터에 해당할 수 있고, 방문 고객 성별 현황, 방문 고객 연령대 현황, 방문 고객 행동 현황, 방문 고객 체류 시간 현황, 메뉴별 주문 현황 및 내부 인테리어 현황 등에 관한 데이터는 업데이트가 즉각적으로 이루어지지 않더라도 무리가 없는 데이터로서, 상기 타 유형의 카페 모니터링 데이터에 해당할 수 있다. 물론, 이와 같은 구분은 예시적인 것이며, 구체적인 구현 목적과 구현 환경에 따라 그 구분은 달라질 수도 있다.
다른 예로서, 예측 데이터 중, 테이블 또는 좌석 점유율 변화 예측, 좌석 분위기 예측, 대기 시간 예측, 소음 변화 예측, 매장에서 재생될 음악에 대한 예측 등에 관한 데이터는 카페 큐레이션 서비스에서 즉각적인 업데이트가 이루어져야 하는 데이터로서, 상기 일 유형의 카페 모니터링 데이터에 해당할 수 있고, 방문 고객 성별 예측, 방문 고객 연령대 예측, 방문 고객 행동 패턴 예측, 방문 목적 예측, 메뉴 순위 예측, 추천 메뉴 예측, 매출 예측, 재고 예측 및 카페 내부 분위기 예측 등에 관한 데이터는 업데이트가 즉각적으로 이루어지지 않더라도 무리가 없는 데이터로서, 상기 타 유형의 카페 모니터링 데이터에 해당할 수 있다. 물론, 이와 같은 구분은 예시적인 것이며, 구체적인 구현 목적과 구현 환경에 따라 그 구분은 달라질 수도 있다.
또 다른 예로서, 현황 데이터를 상기 일 유형의 카페 모니터링 데이터로 하고, 예측 데이터를 상기 타 유형의 카페 모니터링 데이터로 하여, 현황 데이터에 대하여는 실시간 또는 짧은 시간 간격으로 전송되고 예측 데이터에 대하여는 상대적으로 긴 시간 간격으로 전송되도록 구현할 수도 있다. 물론, 이와 같은 구분은 예시적인 것이며, 구체적인 구현 목적과 구현 환경에 따라 그 구분은 달라질 수도 있다.
몇몇 실시 예에서, 인공지능 기반 카페 모니터링 장치(10, 11, 12)는 컴퓨팅 및 네트워크 자원을 고려하여 카페 큐레이션 장치(20)로 정보를 전송하는 횟수를 조절할 수도 있다. 예를 들어, 인공지능 기반 카페 모니터링 장치(10, 11, 12)는, 컴퓨팅 및 네트워크 자원을 효율적으로 사용하기 위해, 제1 시점, 제2 시점 및 제3 시점에 3회에 걸쳐 획득한 모니터링 및 예측 결과들을 평균하고, 카페 큐레이션 장치(20)로의 전송은 평균한 결과를 1회만 수행할 수도 있다.
몇몇 실시 예에서, 인공지능 기반 카페 모니터링 장치(10, 11, 12)는, 인공지능 추론 모델을 기반으로 카페 내부의 현황을 모니터링 및 예측하기 위한 프로세서를 구비할 수 있다. 그런데 인공지능 카페 모니터링 장치(10, 11, 12)가 설치되는 환경에서 컴퓨팅 자원의 효율적인 운용이 요구되는 경우가 흔하기 때문에, 프로세서를 정교하게 사용할 수 있다. 구체적으로, 인공지능 기반 카페 모니터링 장치(10, 11, 12)는, 카페 모니터링 데이터 중 일부 데이터를 획득하기 위해서는 객체 검출 기능만을 사용하도록 프로세서를 제어할 수도 있고, 다른 데이터를 획득하기 위해서는 객체 검출 기능과 포즈 추정 기능을 함께 사용하도록 프로세서를 제어할 수도 있고, 또 다른 데이터를 획득하기 위해서는 객체 검출 기능과 시맨틱 세그멘테이션 기능을 함께 사용하도록 제어할 수도 있다. 이와 같이, 객체 검출, 포즈 추정 및 시맨틱 세그멘테이션을 획득하고자 하는 데이터의 특성에 따라 혼합하여 사용함으로써, 인공지능 기반 카페 모니터링 장치(10, 11, 12)의 제한적인 컴퓨팅 자원을 효율적으로 운용할 수 있다.
예를 들어, 좌석 점유 현황과 관련된 데이터, 예를 들어, 테이블 또는 좌석 배치 현황, 테이블 또는 좌석 점유 현황, 테이블 또는 좌석 점유율 변화 예측 등에 관한 데이터와, 고객 외형 추론과 관련된 데이터, 예를 들어, 방문 고객 성별 현황, 방문 고객 연령대 현황, 방문 고객 성별 예측, 방문 고객 연령대 예측 등에 관한 데이터에 대해서는 객체 검출 기능과 시맨틱 세그멘테이션 기능을 함께 사용하도록 프로세서가 제어될 수 있다. 물론, 이와 같은 구분은 예시적인 것이며, 구체적인 구현 목적과 구현 환경에 따라 그 구분은 달라질 수도 있다.
다른 예로서, 고객 행동 추론과 관련된 데이터, 예를 들어, 방문 고객 행동 현황, 방문 고객 체류 시간 현황, 방문 고객 행동 패턴 예측, 방문 목적 예측 등에 관한 데이터에 대해서는 객체 검출 기능과 포즈 추정 기능을 함께 사용하도록 프로세서가 제어될 수 있다. 물론, 이와 같은 구분은 예시적인 것이며, 구체적인 구현 목적과 구현 환경에 따라 그 구분은 달라질 수도 있다.
또 다른 예로서, 메뉴 또는 매출 추정과 관련된 데이터, 예를 들어, 메뉴별 주문 현황, 메뉴 순위 예측, 추천 메뉴 예측, 매출 예측, 재고 예측 등에 관한 데이터에 대해서는 객체 검출 기능만을 사용하도록 프로세서가 제어될 수 있다. 물론, 이와 같은 구분은 예시적인 것이며, 구체적인 구현 목적과 구현 환경에 따라 그 구분은 달라질 수도 있다.
고객 단말(30)은, 카페 큐레이션 장치(20)로부터 큐레이션된 카페 리스트를 제공받고, 고객에게 카페 큐레이션 서비스를 제공할 수 있다. 이를 위해, 고객 단말(30)은, 고객 단말(30)을 사용하는 고객과 연관된 고객 데이터를 카페 큐레이션 장치(20)에 제공하여, 카페 큐레이션 장치(20)로 하여금 카페 큐레이션 서비스를 제공함에 있어서 카페 모니터링 데이터와 함께 고객 데이터를 사용하도록 할 수 있다. 이에 따라 카페 큐레이션 장치(20)는 카페 모니터링 데이터와 고객 데이터 간의 연관성을 분석하는 등의 작업을 통해 단순히 현재 위치와 가까운 카페 또는 저명한 프랜차이즈 카페만을 선택하지 않고, 실질적으로 고객에게 만족감을 줄 수 있는 카페를 발굴 및 추천할 수 있다.
몇몇 실시 예에서, 고객 데이터는, 고객 성별, 고객 연령, 고객 위치, 서비스 사용 이력, 고객 취향, 선호 메뉴, 선호 음악 장르, 카페 방문 이력 및 예측된 방문 목적 중 적어도 하나에 관한 데이터를 포함할 수 있다. 점주 단말(32)은, 카페의 점주가 사용하는 단말로서, 카페 큐레이션 서비스에 카페 정보 및 메뉴 정보를 등록하거나, 카페 큐레이션 서비스를 통해 고객으로부터 주문이 접수되는 경우 주문을 처리하는 등의 기능을 카페 점주에게 제공할 수 있다.
몇몇 실시 예에서, 고객 단말(30) 및 점주 단말(32)은 스마트 폰, 태블릿 컴퓨터, 웨어러블 장치, 랩톱 컴퓨터, 데스크톱 컴퓨터 등을 비롯한 컴퓨팅 장치일 수 있다. 사용자는 고객 단말(30) 및 점주 단말(32) 상에서 구동되는 애플리케이션을 통해 카페 큐레이션 서비스를 이용할 수 있다.
네트워크(40)는 Wi-Fi 네트워크, 블루투스 네트워크, 셀룰러 네트워크 등을 비롯한 무선 네트워크, LAN(Local Area Network)를 비롯한 유선 네트워크, 무선 네트워크과 유선 네트워크가 혼합된 형태의 네트워크를 포함할 수 있다.
이하에서는 도 2 내지 도 10을 참조하여, 실시 예들에 따른 카페 큐레이션 장치 및 카페 큐레이션 방법에 대해 상세히 설명하도록 한다.
도 2는 일 실시 예에 따른 인공지능 기반 카페 모니터링 장치를 설명하기 위한 블록도이다.
도 2를 참조하면, 일 실시 예에 따른 인공지능 기반 카페 모니터링 장치(10)는 카메라(101), 메모리(102), 인공지능 현황 분석 모델(103), 인공지능 추론 모델(104), 데이터 삭제 모듈(105) 및 익명화 모듈(106)을 포함할 수 있다. 본 명세서에서, 인공지능 기반 카페 모니터링 장치(10)에 관한 설명은 인공지능 기반 카페 모니터링 장치(11, 12)에 대해서도 동일하게 적용될 수 있다.
카메라(101)는 카페의 내부를 촬영하고 촬영된 이미지 또는 비디오를 포함하는 촬영 데이터를 출력할 수 있다. 몇몇 실시 예에서, 카메라(101)는 회전, 틸트, 줌이 가능한 PTZ 카메라, 고정형 카메라 등을 포함할 수 있다. 한편, 몇몇 실시 예에서, 카메라(101)는 RGB 카메라, IR 카메라 등을 포함할 수 있다. 카페의 내부를 사각지대 없이 촬영하기 위해, 카페에는 여러 대의 카메라(101)가 설치될 수 있고, 이들은 서로 네트워크(40)를 통해 데이터를 교환할 수 있다. 또한, 카메라(101)를 이용한 카페 내부에 대한 촬영은, 좌석, 테이블, 방문 고객, 바닥면, 벽면, 천장면 등을 포함하여 광범위하게 이루질 수 있다.
몇몇 실시 예에서, 카메라(101)는 역할이 다르게 지정된 복수의 카메라를 포함할 수 있다. 예를 들어, 동일한 카페를 촬영하는 복수의 카메라 중 일 카메라는 좌석 또는 테이블에 대한 촬영을 담당하고, 다른 일 카메라는 방문 고객에 대한 촬영을 담당하고, 또 다른 일 카메라는 바닥면, 벽면, 천장면 등을 비롯한 인테리어에 대한 촬영을 담당하도록 그 역할이 지정될 수도 있다.
메모리(102)는 인공지능 기반 카페 모니터링 장치(10)가 구동되기 위해 필요한 소프트웨어 및 데이터를 적재할 수 있다. 구체적으로, 메모리(102)에는 인공지능 현황 분석 모델(103) 및 인공지능 추론 모델(104)을 이용하여 카페 내부의 현황 모니터링 및 예측을 수행하기 위한 프로그램 코드가 적재되거나, 데이터 삭제 모듈(105) 및 익명화 모듈(106)의 후술하는 기능을 구현하는 프로그램 코드가 적재되거나, 프로그램 코드의 실행 시 사용되는 데이터가 적재될 수 있다. 또한, 메모리(102)에는 인공지능 기반 카페 모니터링 장치(10)의 전반적인 동작을 제어하는 펌웨어 또는 운영 체제에 해당하는 프로그램 코드가 적재될 수 있다. 또한, 카메라(101)로부터 출력되는 촬영 데이터가 메모리(102)에 적재되고, 인공지능 현황 분석 모델(103) 및 인공지능 추론 모델(104)은 메모리(102)에 적재된 촬영 데이터를 카메라 데이터(CD)로서 액세스하여 카페 내부의 현황 모니터링 및 예측을 수행하고, 현황 데이터(D1) 및 예측 데이터(D2)를 포함하는 카페 모니터링 데이터(CMD)를 생성할 수 있다.
인공지능 현황 분석 모델(103)은 카메라 데이터(CD)에 기반하여 현황 데이터(D1)를 생성할 수 있다. 즉, 인공지능 현황 분석 모델(103)은 이미지 또는 비디오를 포함하는 카메라 데이터(CD)에 기반하여 카페 내부에 관한 현황 데이터(D1)를 생성할 수 있다. 이를 위해, 인공지능 현황 분석 모델(103)은 객체 검출(object detection), 포즈 추정(pose estimation), 시맨틱 세그멘테이션(semantic segmentation) 등을 구현하기 위한 딥러닝 모델을 포함할 수 있다.
몇몇 실시 예에서, 인공지능 현황 분석 모델(103)은 매장 테이블 또는 좌석에 포함된 카메라 데이터(CD)에 기반하여 해당 매장에 대한 빈 테이블 또는 빈 좌석의 현황을 분석할 수 있다. 여기서 빈 테이블 또는 빈 좌석의 현황은, 테이블 또는 좌석 점유율 뿐 아니라, 빈 테이블 또는 빈 좌석에 대한 속성에 대한 정보나, 빈 테이블 또는 빈 좌석 주변 속성에 대한 정보까지 포함할 수도 있다. 여기서, 빈 테이블 또는 빈 좌석에 대한 속성은, 매장 내 빈 테이블 또는 빈 좌석의 위치, 빈 좌석의 유형(1인용 의자, 2인용 소파 등) 등을 포함할 수 있고, 빈 테이블 또는 빈 좌석 주변 속성은 빈 테이블 또는 빈 좌석 옆에 자리한 다른 고객의 행동 패턴 또는 소음 정도 등을 포함할 수도 있다.
인공지능 추론 모델(104)은 카메라 데이터(CD)에 기반하여 예측 데이터(D2)를 생성할 수 있다. 즉, 인공지능 추론 모델(104)은 이미지 또는 비디오를 포함하는 카메라 데이터(CD)에 기반하여 예측 데이터(D2)를 생성할 수 있다. 여기서 예측 데이터는 카메라 데이터(CD) 및 현황 데이터(D1) 중 적어도 하나에 기반하여 추론, 도출 또는 예측된 데이터, 또는 누적된 현황 데이터로부터 추정된 데이터 등을 포함할 수 있다. 이를 위해, 인공지능 추론 모델(104) 역시 딥러닝 모델을 포함할 수 있다.
몇몇 실시 예에서, 인공지능 추론 모델(140)은, 방문 고객의 방문 목적이 휴식인지, 노트북 작업인지, 서류 작업인지, 동행한 사람과의 대화인지, 다른 사람을 만나기 위한 것인지, 독서인지 등의 방문 목적을 분석할 수 있다. 이러한 분석은 방문 고객이 포함된 카메라 데이터(CD)를 입력으로 하고, 예를 들어 "휴식", "노트북 작업", "페이퍼 작업", "대화", "만남", "독서" 등으로 카테고리화된 방문 목적을 출력하도록 학습된 인공지능 추론 모델(140)에 의해 구현될 수 있다.
다른 몇몇 실시 예에서, 인공지능 추론 모델(140)은, 바닥면, 벽면, 천장면 등이 포함된 촬영 결과를 분석하여 해당 매장의 인테리어에 대해 분석할 수 있다. 구체적으로, 바닥면, 벽면, 천장면의 색상, 무늬 등을 기반으로 인테리어 분위기를 분석할 수 있다. 이러한 분석은 바닥면, 벽면, 천장면 등 매장 내부에 대한 카메라 데이터(CD)를 입력으로 하고, 예를 들어 "자연 친화적 인테리어", "모던 인테리어", "사무 공간 느낌의 인테리어" 등으로 카테고리화된 인테리어 분위기를 출력하도록 학습된 인공지능 추론 모델(140)에 의해 구현될 수 있다.
데이터 삭제 모듈(105)은 카페 모니터링 데이터(CMD)을 생성하기 위해 인공지능 현황 분석 모델(103) 및 인공지능 추론 모델(104)에 사용된 카메라 데이터(CD)를 삭제하여, 카페 모니터링 데이터(CMD) 생성을 위해 사용되었던 이미지 및 비디오에 대해, 개인 정보 보호를 위한 삭제를 안전하게 수행할 수 있다.
익명화 모듈(106)은 카페 모니터링 데이터(CMD)에 대해 익명화 처리를 수행할 수 있다. 즉, 익명화 모듈(106)은, 카페 모니터링 데이터(CMD)가 생성되는 과정에서, 또는 카페 모니터링 데이터(CMD)의 생성이 완료된 후, 신원을 식별할 여지가 존재하는 데이터를 삭제하거나 변형하여, 카페 모니터링 데이터(CMD)가 카페 큐레이션 장치(20)에 제공될 때 신원과 관계된 정보가 함께 전달되지 않도록 데이터를 처리할 수 있다.
몇몇 실시 예에서, 일 실시 예에 따른 인공지능 기반 카페 모니터링 장치(10)는 소리 수집부(107)를 더 포함할 수 있다. 소리 수집부(107)는, 매장에서 발생하는 소리를 측정하거나 녹음할 수 있는 마이크로폰을 포함할 수 있다. 소리 수집부(107)는 매장에서 발생하는 소음, 잡음뿐 아니라 매장에서 재생되는 음악에 관한 소리를 수집하고, 수집한 소리 데이터를 메모리(102)에 전달할 수 있다. 메모리(102)에 소리 데이터가 적재되면, 인공지능 현황 분석 모델(103)은 소리 데이터에 기반하여 매장 내 소음 현황, 매장에서 재생되는 음악을 식별한 결과, 소리 데이터에서 식별되는 방문 고객의 목소리로부터 분석한 방문 고객 성별 현황 등에 관한 현황 데이터(D1)를 생성할 수 있다. 한편, 인공지능 추론 모델(104)은 소리 데이터에 기반하여 소음 변화 예측, 매장에서 재생될 음악에 대한 예측, 또는 카페 내부 분위기 예측, 나아가 소리 데이터로부터 방문 고객의 목소리로부터 추론한 성별에 기초하여 추론되는 방문 고객 성별 예측 등에 관한 예측 데이터(D2)를 생성할 수 있다.
몇몇 실시 예에서, 소리 수집부(107)는 인공지능 기반 카페 모니터링 장치(10)의 외부에 구현될 수도 있다. 구체적으로, 소리 수집부(107)는 매장 내 소리를 수집할 수 있는 소리 분석 애플리케이션의 형태로 구현되어, 도 1에 도시된 점주 단말(32) 상에 설치 및 실행될 수 있다. 또는, 소리 수집부(107)는, 인공지능 기반 카페 모니터링 장치(10)와 별개의 장치로서, 카페 내부의 여러 지점에 설치되는 하드웨어 장치로 구현이 될 수도 있다. 이와 같이 소리 수집부(107)는 인공지능 기반 카페 모니터링 장치(10)의 외부에 구현되는 경우, 점주 단말(32)이나 하드웨어 장치는 인공지능 기반 카페 모니터링 장치(10)의 인공지능 현황 분석 모델(103) 및 인공지능 추론 모델(104)에 대응되는 구성을 구비하여, 전술한 바와 같이 매장 내 소음 현황, 매장에서 재생되는 음악을 식별한 결과, 소리 데이터에서 식별되는 방문 고객의 목소리로부터 분석한 방문 고객 성별 현황 등에 관한 현황 데이터(D1) 또는 소음 변화 예측, 매장에서 재생될 음악에 대한 예측, 또는 카페 내부 분위기 예측, 나아가 소리 데이터로부터 방문 고객의 목소리로부터 추론한 성별에 기초하여 추론되는 방문 고객 성별 예측 등에 관한 예측 데이터(D2)를 생성할 수 있다.
몇몇 실시 예에서, 소리 수집부(107)는 복수의 소리 소집부(107)를 포함할 수 있고, 복수의 소리 소집부(107)를 통해 수집된 소리 데이터에 대해 차이 분석을 통해 정확한 소리 검출을 구현할 수 있다. 구체적으로, 점주 단말(32) 상에 구현된 소리 수집부(107)를 통해 수집된 제1 소리 데이터와, 카페 내부의 일 지점에 인공지능 기반 카페 모니터링 장치(10)와 별개의 장치로서 구현된 하드웨어 장치를 통해 수집된 제2 소리 데이터에 대한 차이 분석을 통해, 소음의 크기를 보다 정밀하게 측정할 수 있고, 소음 속에서 매장에서 재생되는 음악을 보다 정확하게 식별할 수 있다.
몇몇 실시 예에서, 매장에서 재생되는 음악을 식별하는 것은, 딥러닝 모델을 이용하여 서비스를 제공하는 API(Application Programming Interface)를 이용하여 구현될 수도 있고, 소리 수집부(107) 내에 음악 식별을 위해 순환 신경망(Recurrent Neural Network, RNN)으로 구현되는 딥러닝 모델을 자체 탑재하는 방식으로 구현될 수도 있다.
도 3은 일 실시 예에 따른 카페 큐레이션 장치를 설명하기 위한 블록도이다.
도 3을 참조하면, 일 실시 예에 따른 카페 큐레이션 장치(20)는, 카페 모니터링 데이터 수집 모듈(200), 상태 확인 신호 전송 모듈(220), 카페 큐레이션 스킴 결정 모듈(230), 카페 리스트 생성 모듈(240) 및 고객 데이터 수집 모듈(250)을 포함할 수 있다.
카페 모니터링 데이터 수집 모듈(200)은, 카페에 설치된 인공지능 기반 카페 모니터링 장치(10)로부터 제공되는 카페 모니터링 데이터(CMD)를 수집할 수 있다. 전술한 바와 같이, 카페 모니터링 데이터(CMD)는 현황 데이터 및 예측 데이터 중 적어도 하나를 포함할 수 있다. 몇몇 실시 예에서, 카페 모니터링 데이터 수집 모듈(200)은, 데이터베이스 또는 스토리지를 이용하여, 인공지능 기반 카페 모니터링 장치(10)로부터 네트워크(40)를 통해 수신한 카페 모니터링 데이터(CMD)를 카페 별로 저장 및 관리할 수 있다.
상태 확인 신호 전송 모듈(220)은, 인공지능 기반 카페 모니터링 장치(10)에 상태 확인 신호(SCS)를 전송할 수 있다. 여기서, 상태 확인 신호(SCS)는 네트워크(40)를 통해 인공지능 기반 카페 모니터링 장치(10)의 동작 모드를 확인하기 위한 신호일 수 있다. 인공지능 기반 카페 모니터링 장치(10)는 상태 확인 신호(SCS)에 대한 응답으로 응답 신호(RSP)를 카페 큐레이션 스킴 결정 모듈(230)에 전송할 수 있다.
상태 확인 신호(SCS)에 대한 응답 신호(RSP)는 제1 응답 신호 내지 제3 응답 신호를 포함할 수 있다. 제1 응답 신호는, 인공지능 기반 카페 모니터링 장치(10)가 카페 모니터링 데이터(CMD) 중 현황 데이터(D1) 및 예측 데이터(D2) 모두를 카페 큐레이션 장치(20)에 제공하는 제1 동작 모드에 있다는 것을 의미할 수 있다. 이와 다르게, 제2 응답 신호는, 인공지능 기반 카페 모니터링 장치(10)가 카페 모니터링 데이터(CMD) 중 현황 데이터(D1)는 카페 큐레이션 장치(20)에 제공하지만 예측 데이터(D2)는 카페 큐레이션 장치(20)에 제공하지 않는 제2 동작 모드에 있다는 것을 의미할 수 있다. 제2 동작 모드는, 예를 들어, 인공지능 기반 카페 모니터링 장치(10)에서 인공지능 현황 분석 모델(103)만 동작하고, 인공지능 추론 모델(104)이 동작하지 못하거나, 의도적으로 동작하지 않도록 설정된 경우의 동작 모드일 수 있다.
이와 다르게, 제3 응답 신호는, 인공지능 기반 카페 모니터링 장치(10)가 카페 모니터링 데이터(CMD) 전부를 카페 큐레이션 장치(20)에 제공하지 않는 제3 동작 모드에 있다는 것을 의미할 수 있다. 제3 동작 모드는, 예를 들어, 인공지능 기반 카페 모니터링 장치(10)에서 인공지능 현황 분석 모델(103) 및 인공지능 추론 모델(104)이 동작하지 못하거나, 의도적으로 동작하지 않도록 설정된 경우를 나타내는 동작 모드일 수 있으나, 인공지능 기반 카페 모니터링 장치(10)가 고장으로 정상적으로 동작하지 못하는 경우, 네트워크(40)를 통한 연결이 수립되지 않는 경우 등 인공지능 기반 카페 모니터링 장치(10)로부터 카페 모니터링 데이터(CMD)가 카페 큐레이션 장치(20)로 전송될 수 없는 상황까지 나타낼 수 있다.
카페 큐레이션 스킴 결정 모듈(230)은, 인공지능 기반 카페 모니터링 장치(10)로부터 수신되는, 상태 확인 신호(SCS)에 대한 응답 신호(RSP)에 따라 카페 큐레이션 스킴(SCM)을 결정할 수 있다. 여기서, 카페 큐레이션 스킴(SCM)은, 카페 큐레이션 장치(20)가 카페 큐레이션을 수행하는 방식을 다양하게 지정할 수 있도록 할 수 있다.
예를 들어, 카페 큐레이션 스킴(SCM)은 제1 스킴을 포함할 수 있으며, 제1 스킴은, 카페 큐레이션 장치(20)가 카페 큐레이션을 수행함에 있어서 카페 모니터링 데이터(CMD) 중 현황 데이터(D1) 및 예측 데이터(D2)를 모두 사용하도록 하는 스킴일 수 있다. 다른 예로서, 카페 큐레이션 스킴(SCM)은 제2 스킴을 포함할 수 있으며, 제2 스킴은, 카페 큐레이션 장치(20)가 카페 큐레이션을 수행함에 있어서 카페 모니터링 데이터(CMD) 중 현황 데이터(D1)는 사용하고 예측 데이터(D2)는 사용하지 않도록 하는 스킴일 수 있다. 또 다른 예로서, 카페 큐레이션 스킴(SCM)은 제2 스킴을 포함할 수 있으며, 제2 스킴은, 카페 큐레이션 장치(20)가 카페 큐레이션을 수행함에 있어서 카페 모니터링 데이터(CMD) 중 현황 데이터(D1) 및 예측 데이터(D2)를 모두 사용하지 않도록 하는 스킴일 수 있다. 또 다른 예로서, 카페 큐레이션 스킴(SCM)은 제4 스킴을 포함할 수 있으며, 제4 스킴은, 카페 큐레이션 장치(20)가 카페 큐레이션을 수행함에 있어서 카페 모니터링 데이터 수집 모듈(200)에 수집된 과거의 카페 모니터링 데이터(CMD)를 사용하도록 하는 스킴일 수 있다. 또 다른 예로서, 카페 큐레이션 스킴(SCM)은 제5 스킴을 포함할 수 있으며, 제5 스킴은, 카페 큐레이션 장치(20)가 카페 큐레이션을 수행함에 있어서 고객 데이터(UD)를 사용하도록 하는 스킴일 수 있다. 물론, 본 발명의 범위가 나열한 예들로 제한되는 것은 아니며, 카페 큐레이션 스킴(SCM)은 구체적인 구현 목적 및 구현 환경에 따라 다양하게 설정될 수 있다.
몇몇 실시 예에서, 인공지능 기반 카페 모니터링 장치(10)로부터 수신되는 응답 신호(RSP)가 제1 응답 신호를 포함하는 경우, 카페 큐레이션 스킴 결정 모듈(230)은 제1 스킴을 카페 큐레이션 스킴(SCM)으로 결정할 수 있다. 제1 응답 신호는, 전술한 바와 같이, 인공지능 기반 카페 모니터링 장치(10)가 카페 모니터링 데이터(CMD) 중 현황 데이터(D1) 및 예측 데이터(D2) 모두를 제공함을 나타내므로, 카페 큐레이션 장치(20)는 카페 모니터링 데이터(CMD) 중 현황 데이터(D1) 및 예측 데이터(D2)를 모두 사용하여 카페 큐레이션을 수행할 수 있다.
다른 몇몇 실시 예에서, 인공지능 기반 카페 모니터링 장치(10)로부터 수신되는 응답 신호(RSP)가 제1 응답 신호와 상이한 제2 응답 신호를 포함하는 경우, 카페 큐레이션 스킴 결정 모듈(230)은 제2 스킴을 카페 큐레이션 스킴(SCM)으로 결정할 수 있다. 제2 응답 신호는, 전술한 바와 같이, 인공지능 기반 카페 모니터링 장치(10)가 카페 모니터링 데이터(CMD) 중 현황 데이터(D1)만 제공하고 예측 데이터(D2)는 제공하지 않음을 나타내므로, 카페 큐레이션 장치(20)는 카페 모니터링 데이터(CMD) 중 현황 데이터(D1)만을 사용하여 카페 큐레이션을 수행할 수 있다.
다른 몇몇 실시 예에서, 인공지능 기반 카페 모니터링 장치(10)로부터 수신되는 응답 신호(RSP)가 제1 응답 신호 및 제2 응답 신호와 상이한 제3 응답 신호를 포함하는 경우, 카페 큐레이션 스킴 결정 모듈(230)은 제3 스킴을 카페 큐레이션 스킴(SCM)으로 결정할 수 있다. 제3 응답 신호는, 전술한 바와 같이, 인공지능 기반 카페 모니터링 장치(10)가 카페 모니터링 데이터(CMD) 전부를 제공하지 않음을 나타내므로, 카페 큐레이션 장치(20)는 카페 모니터링 데이터(CMD)를 사용하지 않고 카페 큐레이션을 수행할 수 있다.
다른 몇몇 실시 예에서, 인공지능 기반 카페 모니터링 장치(10)로부터 수신되는 응답 신호(RSP)가 제3 응답 신호를 포함하는 경우, 카페 큐레이션 스킴 결정 모듈(230)은 제3 스킴과 함께 제4 스킴을 카페 큐레이션 스킴(SCM)으로 결정할 수 있다. 이 경우, 카페 큐레이션 장치(20)는 카페 모니터링 데이터 수집 모듈(200)에 수집된 과거의 카페 모니터링 데이터(CMD)를 사용하여 카페 큐레이션을 수행할 수 있다.
다른 몇몇 실시 예에서, 카페 큐레이션 스킴 결정 모듈(230)은 제1 스킴 내지 제4 스킴 중 적어도 하나와 함께 제5 스킴을 카페 큐레이션 스킴(SCM)으로 결정할 수 있다. 이 경우, 제1 스킴 내지 제4 스킴 중 적어도 하나에 따른 현황 데이터(D1), 예측 데이터(D2) 및 카페 모니터링 데이터 수집 모듈(200)에 수집된 과거의 카페 모니터링 데이터(CMD) 중 적어도 하나와, 고객 데이터(UD)를 함께 사용하여 카페 큐레이션을 수행할 수 있다.
카페 리스트 생성 모듈(240)은, 카페 큐레이션 스킴 결정 모듈(230)에 의해 결정된 카페 큐레이션 스킴(SCM)에 기초하여 카페 리스트를 생성하고, 이를 카페 리스트 데이터(CLD)로서 고객 단말(30)에 제공할 수 있다.
고객 데이터 수집 모듈(250)은, 고객이 사용하는 고객 단말(30)로부터 고객과 연관된 고객 데이터(UD)를 수집하여 카페 큐레이션 장치(20)로 하여금 카페 큐레이션 서비스를 제공함에 있어서 카페 모니터링 데이터와 함께 고객 데이터를 사용하도록 할 수 있다. 또한, 고객 데이터 수집 모듈(250)은, 카페 리스트 생성 모듈(240)로부터 제공받은 카페 리스트를 화면에 표시하여, 고객에게 카페를 발굴 및 추천할 수 있다.
몇몇 실시 예에서, 카페 큐레이션 장치(20)는, 고객 데이터(UD) 또는 일반적인 사용자 데이터에 기반하여 카페 추천을 수행할 수도 있다. 예를 들어, 고객이 카페를 방문하는 동안, 카페 큐레이션 장치(20)는 고객 단말(30)을 통해 방문 목적에 대해 질의하고, 이에 대한 응답을 고객 데이터(UD)로서 저장해 둘 수 있다. 이후 카페 큐레이션 장치(20)는, 저장해 둔 데이터를 분석하여, 해당 고객이 평일 오전 시간대에 카페 방문을 하는 경우 주로 서류 작업을 한다고 추론할 수 있다. 이후, 고객이 평일 오전 시간대에 카페 검색을 하는 경우, 카페 큐레이션 장치(20)는 내부 인테리어가 서류 작업을 하기에 적합한 것으로 판단되는 카페를 우선적으로 추천할 수 있다. 이와 다르게, 임의의 여러 사용자로부터 획득한 일반적인 사용자 데이터를 분석한 결과, 평일 오전 시간대에 카페 방문의 목적이 주로 다른 사람과의 만남이라고 추론되었다면, 고객이 평일 오전 시간대에 카페 검색을 하는 경우, 카페 큐레이션 장치(20)는 내부 인테리어가 다른 사람과의 만남을 하기에 적합한 것으로 판단되는 카페를 우선적으로 추천할 수도 있다.
즉, 카페 리스트에 포함될 카페 후보를 선정하는 것은, 해당 고객에 대한 사용자 데이터에 기반하여 카페 후보를 선정하거나, 일반적인 사용자 데이터에 기반하여 카페 후보를 선정할 수 있다. 여기서, 해당 고객에 대한 사용자 데이터는, 고객이 과거에 카페에 방문하는 동안 질의를 받고 응답한 내용을 수집한 것일 수 있다. 예를 들어, 고객이 카페에 방문하는 동안 방문 목적에 대한 질의를 받고 그에 대한 응답을 한 경우, 응답 내용과 응답 시간(또는 카페 방문 시간), 응답 장소 등의 정보가 해당 고객의 고객 데이터(UD)로서 저장될 수 있다. 일반적인 사용자 데이터는, 카페 큐레이션 장치(30)가 익명화된 임의의 여러 사용자로부터 획득한 데이터일 수 있다.
도 4는 일 실시 예에 따른 카페 큐레이션 방법을 설명하기 위한 흐름도이다.
도 4를 참조하면, 일 실시 예에 따른 카페 큐레이션 방법은, 단계(S401)에서, 카페에 설치된 인공지능 기반 카페 모니터링 장치로부터 제공되는 카페 모니터링 데이터를 수집하고, 단계(S402)에서, 고객이 사용하는 고객 단말로부터 고객과 연관된 고객 데이터를 수집할 수 있다. 상기 방법은, 단계(S403)에서, 인공지능 기반 카페 모니터링 장치에 상태 확인 신호를 전송하고, 단계(S404)에서, 상태 확인 신호에 대한 응답 신호에 따라 카페 큐레이션 스킴을 결정할 수 있다. 또한, 상기 방법은, 단계(S405)에서, 결정된 카페 큐레이션 스킴에 기초하여 카페 리스트를 생성하고, 단계(S406)에서, 카페 리스트를 고객 단말에 제공할 수 있다.
일 실시 예에 따른 카페 큐레이션 방법에 대해 더 상세한 내용에 대해서는 도 1 내지 도 3과 관련하여 전술한 설명을 참조할 수 있으므로, 여기에서는 중복되는 설명을 생략하도록 한다.
도 5는 일 실시 예에 따른 카페 큐레이션 장치의 동작을 설명하기 위한 블록도이다.
도 5를 참조하면, 일 실시 예에 따른 카페 큐레이션 장치(20)는, 예를 들어 메모리, 레지스터, 스토리지, 데이터베이스 등에 복수의 미리 정의된 스킴(SCM1, SCM2, SCM3)을 저장해 둘 수 있다. 카페 큐레이션 스킴 결정 모듈(230)은 인공지능 기반 카페 모니터링 장치(10)로부터 제1 응답 신호(RSP1)를 수신하고, 제1 응답 신호(RSP1)에 따라 복수의 미리 정의된 스킴(SCM1, SCM2, SCM3) 중 제1 스킴(SCM1)을 선택할 수 있다. 카페 큐레이션 스킴 결정 모듈(230)은, 선택한 제1 스킴(SCM1)을 카페 큐레이션 스킴(SCM)으로서 카페 리스트 생성 모듈(240)에 전달할 수 있고, 카페 리스트 생성 모듈(240)은 제1 스킴(SCM1)에 따라 카페 모니터링 데이터(CMD) 중 현황 데이터(D1) 및 예측 데이터(D2)를 모두 사용하여 카페 리스트를 생성할 수 있다.
카페 리스트 생성 모듈(240)은 생성한 카페 리스트를 고객 단말(30)에 제공할 수 있으며, 고객 단말(30)로 하여금 화면에 카페 리스트와 함께, 카페 모니터링 데이터(CMD) 중 현황 데이터(D1) 및 예측 데이터(D2)가 모두 사용되었음을 텍스트, 아이콘, 이미지 및 비디오 중 적어도 하나의 형태로 표시할 수 있다.
도 6은 일 실시 예에 따른 카페 큐레이션 장치의 동작을 설명하기 위한 블록도이다.
도 6을 참조하면, 일 실시 예에 따른 카페 큐레이션 장치(20)에서, 카페 큐레이션 스킴 결정 모듈(230)은 인공지능 기반 카페 모니터링 장치(10)로부터 제2 응답 신호(RSP2)를 수신하고, 제2 응답 신호(RSP2)에 따라 복수의 미리 정의된 스킴(SCM1, SCM2, SCM3) 중 제2 스킴(SCM2)을 선택할 수 있다. 카페 큐레이션 스킴 결정 모듈(230)은, 선택한 제2 스킴(SCM2)을 카페 큐레이션 스킴(SCM)으로서 카페 리스트 생성 모듈(240)에 전달할 수 있고, 카페 리스트 생성 모듈(240)은 제2 스킴(SCM2)에 따라 카페 모니터링 데이터(CMD) 중 현황 데이터(D1)만을 사용하고 예측 데이터(D2)를 사용하지 않고 카페 리스트를 생성할 수 있다.
카페 리스트 생성 모듈(240)은 생성한 카페 리스트를 고객 단말(30)에 제공할 수 있으며, 고객 단말(30)로 하여금 화면에 카페 리스트와 함께, 카페 모니터링 데이터(CMD) 중 현황 데이터(D1)만 사용되고 예측 데이터(D2)가 사용되지 않았음을 텍스트, 아이콘, 이미지 및 비디오 중 적어도 하나의 형태로 표시할 수 있다.
도 7은 일 실시 예에 따른 카페 큐레이션 장치의 동작을 설명하기 위한 블록도이다.
도 7을 참조하면, 일 실시 예에 따른 카페 큐레이션 장치(20)에서, 카페 큐레이션 스킴 결정 모듈(230)은 인공지능 기반 카페 모니터링 장치(10)로부터 제3 응답 신호(RSP3)를 수신하고, 제3 응답 신호(RSP3)에 따라 복수의 미리 정의된 스킴(SCM1, SCM2, SCM3) 중 제3 스킴(SCM3)을 선택할 수 있다. 카페 큐레이션 스킴 결정 모듈(230)은, 선택한 제3 스킴(SCM3)을 카페 큐레이션 스킴(SCM)으로서 카페 리스트 생성 모듈(240)에 전달할 수 있고, 카페 리스트 생성 모듈(240)은 제3 스킴(SCM3)에 따라 카페 모니터링 데이터(CMD)를 사용하지 않고 카페 리스트를 생성할 수 있다.
카페 리스트 생성 모듈(240)은 생성한 카페 리스트를 고객 단말(30)에 제공할 수 있으며, 고객 단말(30)로 하여금 화면에 카페 리스트와 함께, 카페 모니터링 데이터(CMD)가 사용되지 않았음을 텍스트, 아이콘, 이미지 및 비디오 중 적어도 하나의 형태로 표시하거나, 카페 모니터링 데이터 수집 모듈(200)에 수집된 과거의 카페 모니터링 데이터(CMD)가 사용되었음을 텍스트, 아이콘, 이미지 및 비디오 중 적어도 하나의 형태로 표시할 수 있다.
도 8은 일 실시 예에 따른 카페 큐레이션 장치를 설명하기 위한 블록도이다.
도 8을 참조하면, 일 실시 예에 따른 카페 큐레이션 장치는, 일 실시 예에 따른 카페 큐레이션 장치(20)는, 카페 모니터링 데이터 수집 모듈(200), 상태 확인 신호 전송 모듈(220), 카페 큐레이션 스킴 결정 모듈(230), 카페 리스트 생성 모듈(240), 고객 데이터 수집 모듈(250) 및 디지털 트윈 생성 모듈(260)을 포함할 수 있다. 카페 모니터링 데이터 수집 모듈(200), 상태 확인 신호 전송 모듈(220), 카페 큐레이션 스킴 결정 모듈(230), 카페 리스트 생성 모듈(240) 및 고객 데이터 수집 모듈(250)에 관하여는 도 3과 관련하여 전술한 설명을 참조할 수 있으므로, 여기에서는 도 3의 실시 예와 본 실시 예의 차이점을 위주로 설명하도록 한다.
디지털 트윈 생성 모듈(260)은 카페 리스트 생성 모듈(240)에 의해 생성된 카페 리스트에 포함되는 카페의 내부를, 카페 모니터링 데이터(CMD)의 내부 인테리어 현황에 관한 현황 데이터를 이용하여, 디지털 트윈 가상 공간으로 생성할 수 있다. 몇몇 실시 예에서, 카페 모니터링 데이터(CMD)는, 현황 데이터와 함께, 카페 매장의 평면도, 카페 내부의 바닥면, 벽면, 천장면 등의 색상 및 무늬 정보, 테이블, 의자, 소파 등 매장에 배치된 가구의 형상, 색상, 위치 정보 등에 대한 데이터를 더 포함할 수 있으며, 디지털 트윈 생성 모듈(260)은 이들 데이터에 따라 가상의 공간을 재현하는 방식으로 구현될 수 있다.
카페 리스트 생성 모듈(240)은 디지털 트윈 생성 모듈(260)과 함께 동작하여, 카페 리스트에 포함되는 카페의 내부를 디지털 트윈 가상 공간의 형태로 고객 단말(30)에 제공할 수 있다. 구체적으로, 카페 리스트 생성 모듈(240)은, 카페 큐레이션 스킴 결정 모듈(230)에 의해 결정된 카페 큐레이션 스킴(SCM)에 기초하여 카페 리스트를 생성하고, 이를 카페 리스트 데이터(CLD)로서 디지털 트윈 생성 모듈(260) 및 고객 단말(30)에 제공할 수 있고, 디지털 트윈 생성 모듈(260)은 카페 리스트 데이터(CLD)에 기반하여 디지털 트윈 가상 공간의 형태의 카페 내부에 대한 데이터를 포함하는 디지털 트윈 데이터(DTD)를 고객 단말(30)에 제공할 수 있다. 고객 단말(30)은 디지털 트윈 데이터(DTD)에 기반하여 디지털 트윈 가상 공간의 형태로 카페 내부를 렌더링하여 고객에게 제공할 수 있다. 이에 따라, 고객은 카페를 직접 방문하지 않고도 카레 리스트로 추천되는 카페의 내부 공간을 미리 탐색 및 체험해보고 취향에 맞는 인테리어를 갖는 카페를 선택할 수 있다.
몇몇 실시 예에서, 디지털 트윈 생성 모듈(260)은, 카페 모니터링 데이터(CMD)의 현황 데이터 및 카페 매장의 평면도, 카페 내부의 바닥면, 벽면, 천장면 등의 색상 및 무늬 정보, 테이블, 의자, 소파 등 매장에 배치된 가구의 형상, 색상, 위치 정보 등에 대한 데이터의 변화를 반영하여 디지털 트윈 가상 공간을 업데이트할 수 있다. 예를 들어, 좌석, 테이블, 방문 고객, 바닥면, 벽면, 천장면 등 카페 내부의 인테리어가 변경되어, 카페 모니터링 데이터 수집 모듈(200)이 인공지능 기반 카페 모니터링 장치(10)로부터 변경된 내부 인테리어 현황에 관한 현황 데이터를 수신한 경우, 디지털 트윈 생성 모듈(260)은 해당 현황 데이터로부터 디지털 트윈 가상 공간을 업데이트하고, 업데이트된 디지털 트윈 가상 공간의 형태의 카페 내부에 대한 데이터를 포함하는 디지털 트윈 데이터(DTD)를 고객 단말(30)에 제공할 수 있다. 이에 따라, 원하는 카페를 선택하기 위해 고객으로 하여금 정확한 카페 인테리어 체험이 가능하도록 할 수 있다.
몇몇 실시 예에서, 디지털 트윈 생성 모듈(260)은 카페 모니터링 데이터 수집 모듈(200)이 관리하는 카페 모니터링 데이터(CMD)를 주기적 또는 비주기적으로 확인하여 카페 내부 인테리어의 변화 여부를 검출하고, 변화가 검출된 경우 디지털 트윈 가상 공간을 업데이트할 수 있다. 다른 몇몇 실시 예에서, 인공지능 기반 카페 모니터링 장치(10)가 카페 내부 인테리어의 변화 여부를 검출하고, 카페 모니터링 데이터 수집 모듈(200)에게 카페 모니터링 데이터(CMD)와 함께 내부 인테리어 변경 알림 신호를 전송하면, 내부 인테리어 변경 알림 신호에 따라 디지털 트윈 생성 모듈(260)이 디지털 트윈 가상 공간을 업데이트할 수도 있다.
몇몇 실시 예에서, 도 2와 관련하여 전술한 소리 수집부(107)를 통해 수집한 소리 데이터에 관한 현황 데이터 및 예측 데이터는 카페 모니터링 데이터(CMD)로서 카페 모니터링 데이터 수집 모듈(200)에 저장될 수 있다. 디지털 트윈 생성 모듈(260)은 카페 리스트 생성 모듈(240)에 의해 생성된 카페 리스트에 포함되는 카페의 내부에 대한 현황 데이터 및 예측 데이터를 이용하여, 디지털 트윈 가상 공간을 시각적으로 제공하면서 동시에 적절한 사운드를 재생하도록 할 수 있다.
구체적으로, 디지털 트윈 생성 모듈(260)은, 카페 모니터링 데이터(CMD)로부터 매장 내 소음의 크기 현황, 매장에서 재생되는 음악의 현황, 소음 변화 예측, 매장에서 재생될 음악에 대한 예측, 카페 내부 분위기에 대한 예측 등의 정보로부터, 고객 단말(30)에 전송하는 디지털 트윈 데이터(DTD)에 재생 사운드 데이터를 포함시킬 수 있다. 여기서 재생 사운드 데이터는, 고객 단말(30) 상에서 기반하여 디지털 트윈 가상 공간의 형태로 카페 내부를 렌더링하여 시각적으로 표현할 때 함께 재생될 사운드에 관한 데이터일 수 있다. 고객 단말(30)은, 재생 사운드 데이터를 포함하는 디지털 트윈 데이터(DTD)에 기반하여 디지털 트윈 가상 공간의 형태로 카페 내부를 렌더링하면서 고객에게 적절한 사운드를 제공할 수 있다.
예를 들어, 디지털 트윈 가상 공간의 형태로 렌더링되는 카페의 소음도가 비교적 낮아 조용한 것으로 판단된 경우, 디지털 트윈 생성 모듈(260)은 디지털 트윈 데이터(DTD)에, 고객 단말(30)로 하여금 조용한 앰비언트(ambient) 사운드를 재생할 것을 지시하는 명령 또는 정보의 형태로 재생 사운드 데이터를 포함시킬 수 있다. 고객 단말(30)은, 해당 재생 사운드 데이터에 따라, 고객 단말(30)이 해당 명령 또는 정보에 따른 음악을 단말 로컬 또는 네트워크 상에서 획득하여, 카페 내부 렌더링 시 함께 재생할 수 있다. 또는, 디지털 트윈 생성 모듈(260)은 디지털 트윈 데이터(DTD)에, 조용한 앰비언트 사운드를 포함하는 소정의 길이의 음원 자체를 재생 사운드 데이터로 포함시킬 수도 있다. 이 경우, 고객 단말(30)은, 해당 재생 사운드 데이터를 수신한 후 카페 내부 렌더링 시 함께 재생할 수 있다.다른 예로서, 디지털 트윈 가상 공간의 형태로 렌더링되는 카페의 매장 음악의 장르가 주로 락(rock)인 것으로 판단된 경우, 디지털 트윈 생성 모듈(260)은 디지털 트윈 데이터(DTD)에, 고객 단말(30)로 하여금 락 장르에 해당하는 사운드를 재생할 것을 지시하는 명령 또는 정보의 형태로 재생 사운드 데이터를 포함시킬 수 있다. 고객 단말(30)은, 해당 재생 사운드 데이터에 따라, 고객 단말(30)이 해당 명령 또는 정보에 따른 음악을 단말 로컬 또는 네트워크 상에서 획득하여, 카페 내부 렌더링 시 함께 재생할 수 있다. 또는, 디지털 트윈 생성 모듈(260)은 디지털 트윈 데이터(DTD)에, 락 장르에 해당하는 소정의 길이의 음원 자체를 재생 사운드 데이터로 포함시킬 수도 있다. 이 경우, 고객 단말(30)은, 해당 재생 사운드 데이터를 수신한 후 카페 내부 렌더링 시 함께 재생할 수 있다.
몇몇 실시 예에서, 디지털 트윈 생성 모듈(260)은, 카페 모니터링 데이터(CMD)에서 소리 수집부(107)를 통해 수집한 소리 데이터에 관한 현황 데이터 및 예측 데이터의 변화를 반영하여, 디지털 트윈 가상 공간을 렌더링 시 재생되는 사운드를 업데이트할 수 있다. 업데이트하는 구체적인 방식은, 전술한 내부 인테리어 변경에 따른 업데이트 방식과 유사한 방식으로 수행될 수 있다. 이에 따라, 원하는 카페를 선택하기 위해 고객으로 하여금 정확한 카페 인테리어 체험이 가능하도록 할 수 있다.
도 9는 일 실시 예에 따른 카페 큐레이션 방법을 설명하기 위한 흐름도이다.
도 9를 참조하면, 일 실시 예에 따른 카페 큐레이션 방법은, 단계(S901)에서, 결정된 카페 큐레이션 스킴에 기초하여 카페 리스트를 생성하고, 단계(S902)에서, 생성된 카페 리스트에 포함되는 카페의 내부를 디지털 트윈 가상 공간으로 생성할 수 있다. 상기 방법은, 단계(S903)에서, 카페 리스트를 고객 단말에 제공하고, 단계(S904)에서, 카페 리스트에 포함되는 카페의 내부를 디지털 트윈 가상 공간의 형태로 고객 단말에 제공할 수 있다. 또한, 상기 방법은, 단계(S905)에서, 현황 데이터를 반영하여 디지털 트윈 가상 공간을 업데이트하고, 단계(S905)에서, 업데이트된 카페의 내부를 디지털 트윈 가상 공간의 형태로 제공할 수 있다.
일 실시 예에 따른 카페 큐레이션 방법에 대해 더 상세한 내용에 대해서는 도 1 내지 도 8과 관련하여 전술한 설명을 참조할 수 있으므로, 여기에서는 중복되는 설명을 생략하도록 한다.
도 10은 일 실시 예에 따른 고객 단말에서 표시되는 화면의 예시를 설명하기 위한 도면이다.
도 10을 참조하면, 일 실시 예에 따른 고객 단말에서 표시되는 화면은 카페 리스트 생성 모듈(240)로부터 제공받은 카레 리스트 데이터(CLD)에 기반하여 큐레이션된 카페 리스트를 포함할 수 있다. 예를 들어, 화면에는 "카페 A" 및 "카페 B"에 대한 카페 정보가 표시되는데, 구체적으로 카페에 대한 대표 이미지, 판매실적, 카페 위치, 카페까지의 거리, 할인 예상 금액 등에 대한 정보가 표시될 수 있다.
카페 리스트 생성 모듈(240)은, 이와 같은 카페 리스트에 포함되는 카페에 대한 현황 데이터 및 예측 데이터를, 고객 단말(30)로 하여금 화면에 텍스트, 아이콘, 이미지 및 비디오 중 적어도 하나의 형태로 표시하도록 고객 단말(30)에 제공할 수 있다. 예를 들어, 화면의 영역(A)를 참조하면, 현황 데이터로서 "테이블 점유율: 36%", "(약 30 dB)"가 텍스트로 표시되고, 예측 데이터로서 "조용해요", "담소를 나누기 좋아요"가 텍스트로 표시될 수 있다. 또한, 영역(A)의 우측에는 또 다른 예측 데이터로서 "약 12분 대기 예상"이 텍스트로 표시될 수 있다.
몇몇 실시 예에서, 고객이 현재 어떤 카페 리스트 아이템을 화면 중앙에 위치시켰을 때, 또는 고객이 현재 보고 있는 카페에 대한 상세 정보를 보기 위해 카페 리스트 아이템을 터치했을 때, 도 8 및 도 9와 관련하여 전술한 바와 같은 디지털 트윈 가상 공간의 형태로 렌더링이 수행될 수 있다.
몇몇 실시 예에서, 고객이 현재 어떤 카페 리스트 아이템을 화면 중앙에 위치시켰을 때, 또는 고객이 현재 보고 있는 카페에 대한 상세 정보를 보기 위해 카페 리스트 아이템을 터치했을 때, 도 8 및 도 9와 관련하여 전술한 바와 같은 디지털 트윈 가상 공간의 형태로 렌더링이 수행되면서 적절한 사운드 데이터가 함께 재생될 수 있다.
몇몇 실시 예에서, 도 6 내지 도 8과 관련하여 전술한 바와 같이, 카페 모니터링 데이터(CMD) 중 어떤 데이터가 사용되었는지 여부를 텍스트, 아이콘, 이미지 및 비디오 중 적어도 하나의 형태로 표시할 수도 있다. 예를 들어, 화면의 영역(A)를 참조하면, 카페 모니터링 데이터(CMD) 중 현황 데이터가 사용된 경우 "AI Live"라는 텍스트가 포함된 아이콘이 표시되도록 하거나, 카페 모니터링 데이터(CMD) 중 예측 데이터가 사용된 경우 "빅데이터"라는 텍스트가 포함된 아이콘이 표시되도록 하여, 사용자로 하여금 카페 선택에 참고할 수 있도록 할 수도 있다.
도 11은 일 실시 예에 따른 컴퓨팅 장치를 설명하기 위한 블록도이다.
도 11을 참조하면, 실시 예들에 따른 인공지능 카페 모니터링 장치, 카페 큐레이션 장치, 고객 단말 및 점주 단말은 컴퓨팅 장치(50)를 이용하여 구현될 수 있다.
컴퓨팅 장치(50)는 버스(509)를 통해 통신하는 프로세서(501), 메모리(502), 저장 장치(503), 디스플레이 장치(504), 다른 개체와의 통신을 위해 네트워크(40)에 대한 접속을 제공하는 네트워크 인터페이스 장치(505) 및, 사용자 입력 인터페이스 또는 사용자 출력 인터페이스를 제공하는 입출력 인터페이스 장치(506) 중 적어도 하나를 포함할 수 있다. 물론, 컴퓨터 장치(50)는 도 11에 도시되지 않았지만, 본 명세서에 기재된 기술적 사상을 구현하기 위해 필요한 임의의 전자 장치를 추가로 포함할 수 있다.
프로세서(501)는 AP(Application Processor), CPU(Central Processing Unit), GPU(Graphic　Processing　Unit), NPU(Neural Processing Unit) 등과 같은 다양한 종류들로 구현될 수 있으며, 메모리(502) 또는 저장 장치(503)에 저장된 프로그램 또는 명령을 실행하는 임의의 전자 장치일 수 있다. 특히, 프로세서(501)는 도 1 내지 도 10과 관련하여 전술한 기능 또는 방법들을 구현하도록 구성될 수 있으며, 실시 예들에 따른 카페 큐레이션 장치 및 카페 큐레이션 방법과 관련하여 인공지능에 특화된 연산은 GPU 또는 NPU 상에서 처리될 수 있다.
메모리(502) 및 저장 장치(503)는 다양한 형태의 휘발성 또는 비 휘발성 저장 매체를 포함할 수 있다. 예를 들어, 메모리(502)는 ROM(read-only memory) 또는 RAM(random access memory)을 포함할 수 있으며, 메모리(502)는 프로세서(501)의 내부 또는 외부에 위치할 수 있고, 이미 알려진 다양한 수단을 통해 프로세서(501)와 연결될 수 있다. 한편, 저장 장치(503)의 예로서 HDD(Hard Disk Drive) 또는 SSD(Solid State Drive) 등을 들 수 있으며, 본 발명의 범위는 설명을 위해 위에서 나열한 요소들로 제한되는 것은 아니다.
실시 예들에 따른 카페 큐레이션 장치 및 카페 큐레이션 방법 중 적어도 일부는 컴퓨팅 장치(50)에서 실행되는 프로그램 또는 소프트웨어로 구현될 수 있고, 이와 같은 프로그램 또는 소프트웨어는 컴퓨터로 판독 가능한 매체에 저장될 수 있다.
한편, 실시 예들에 따른 카페 큐레이션 장치 및 카페 큐레이션 방법 중 적어도 일부는 컴퓨팅 장치(50)의 하드웨어를 사용하여 구현되거나, 컴퓨팅 장치(50)와 전기적으로 접속될 수 있는 별도의 하드웨어로 구현될 수도 있다.
이상에서 본 발명의 실시 예들에 대하여 상세하게 설명하였지만 본 발명의 권리 범위는 이에 한정되지 않으며, 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자의 여러 변형 및 개량 형태 또한 본 발명의 권리 범위에 속한다.

Claims (18)

  1. 카페에 설치된 인공지능 기반 카페 모니터링 장치로부터 제공되는 카페 모니터링 데이터를 수집하고, 상기 카페 모니터링 데이터는 카페 내부에 대한 현황 데이터 및 예측 데이터 중 적어도 하나를 포함하는, 카페 모니터링 데이터 수집 모듈;
    고객이 사용하는 고객 단말로부터 상기 고객과 연관된 고객 데이터를 수집하는 고객 데이터 수집 모듈;
    상기 인공지능 기반 카페 모니터링 장치에 상태 확인 신호를 전송하는 상태 확인 신호 전송 모듈;
    상기 상태 확인 신호에 대한 응답 신호에 따라 카페 큐레이션 스킴을 결정하는 카페 큐레이션 스킴 결정 모듈; 및
    상기 결정된 카페 큐레이션 스킴에 기초하여 카페 리스트를 생성하고 상기 고객 단말에 제공하는 카페 리스트 생성 모듈을 포함하는
    카페 큐레이션 장치.
  2. 제1항에 있어서,
    상기 현황 데이터는,
    테이블 또는 좌석 배치 현황, 테이블 또는 좌석 점유 현황, 소음 현황, 매장에서 재생되는 음악에 대한 현황, 매장 음악의 재생 이력에 관한 현황, 방문 고객 성별 현황, 방문 고객 연령대 현황, 방문 고객 행동 현황, 방문 고객 체류 시간 현황, 메뉴별 주문 현황 및 내부 인테리어 현황 중 적어도 하나에 관한 데이터를 포함하고,
    상기 예측 데이터는,
    테이블 또는 좌석 점유율 변화 예측, 좌석 분위기 예측, 대기 시간 예측, 소음 변화 예측, 매장에서 재생될 음악에 대한 예측, 방문 고객 성별 예측, 방문 고객 연령대 예측, 방문 고객 행동 패턴 예측, 방문 목적 예측, 메뉴 순위 예측, 추천 메뉴 예측, 매출 예측, 재고 예측 및 카페 내부 분위기 예측 중 적어도 하나에 관한 데이터를 포함하는, 카페 큐레이션 장치.
  3. 제1항에 있어서,
    상기 현황 데이터 및 상기 예측 데이터는 상기 인공지능 기반 카페 모니터링 장치 내에서 익명화 처리가 된, 카페 큐레이션 장치.
  4. 제1항에 있어서,
    상기 고객 데이터는,
    고객 성별, 고객 연령, 고객 위치, 서비스 사용 이력, 고객 취향, 선호 메뉴, 카페 방문 이력 및 예측된 방문 목적 중 적어도 하나에 관한 데이터를 포함하는, 카페 큐레이션 장치.
  5. 제1항에 있어서,
    제1 스킴은 카페 큐레이션에 상기 현황 데이터 및 상기 예측 데이터를 모두 사용하는 스킴을 포함하고,
    상기 응답 신호가 제1 응답 신호를 포함하는 경우, 상기 카페 큐레이션 스킴 결정 모듈은 상기 제1 스킴을 상기 카페 큐레이션 스킴으로 결정하는, 카페 큐레이션 장치.
  6. 제5항에 있어서,
    제2 스킴은 카페 큐레이션에 상기 현황 데이터는 사용하고 상기 예측 데이터는 사용하지 않는 스킴을 포함하고,
    상기 응답 신호가 상기 제1 응답 신호와 상이한 제2 응답 신호를 포함하는 경우, 상기 카페 큐레이션 스킴 결정 모듈은 상기 제2 스킴을 상기 카페 큐레이션 스킴으로 결정하는, 카페 큐레이션 장치.
  7. 제6항에 있어서,
    제3 스킴은 카페 큐레이션에 상기 현황 데이터 및 상기 예측 데이터를 모두 사용하지 않는 스킴을 포함하고,
    상기 응답 신호가 상기 제1 응답 신호 및 상기 제2 응답 신호와 상이한 제3 응답 신호를 포함하는 경우, 상기 카페 큐레이션 스킴 결정 모듈은 상기 제3 스킴을 상기 카페 큐레이션 스킴으로 결정하는, 카페 큐레이션 장치.
  8. 제7항에 있어서,
    제4 스킴은 카페 큐레이션에 상기 카페 모니터링 데이터 수집 모듈에 수집된 과거의 카페 모니터링 데이터를 사용하는 스킴을 포함하고,
    상기 응답 신호가 상기 제3 응답 신호를 포함하는 경우, 상기 카페 큐레이션 스킴 결정 모듈은, 상기 제3 스킴과 상기 제4 스킴을 상기 카페 큐레이션 스킴으로 결정하는, 카페 큐레이션 장치.
  9. 제8항에 있어서,
    제5 스킴은 상기 큐레이션에 상기 고객 데이터를 사용하는 스킴을 포함하고,
    상기 카페 큐레이션 스킴 결정 모듈은, 상기 제1 스킴 내지 상기 제4 스킴 중 적어도 하나와 상기 제5 스킴을 상기 카페 큐레이션 스킴으로 결정하는, 카페 큐레이션 장치.
  10. 제1항에 있어서,
    상기 생성된 카페 리스트에 포함되는 카페의 내부를 디지털 트윈 가상 공간으로 생성하는 디지털 트윈 생성 모듈을 더 포함하고,
    상기 카페 리스트 생성 모듈은, 상기 디지털 트윈 생성 모듈과 함께 동작하여 상기 카페 리스트에 포함되는 카페의 내부를 상기 디지털 트윈 가상 공간의 형태로 상기 고객 단말에 제공하는, 카페 큐레이션 장치.
  11. 제10항에 있어서,
    상기 디지털 트윈 생성 모듈은, 상기 현황 데이터의 변화를 반영하여 상기 디지털 트윈 가상 공간을 업데이트하는, 카페 큐레이션 장치.
  12. 제10항에 있어서,
    상기 디지털 트윈 생성 모듈은, 상기 카페 리스트에 포함되는 카페의 내부에 대응하는 사운드 데이터를 상기 고객 단말에 제공하여, 상기 고객 단말로 하여금 상기 디지털 트윈 가상 공간의 렌더링 시 함께 재생하도록 하는, 카페 큐레이션 장치.
  13. 제12항에 있어서,
    상기 디지털 트윈 생성 모듈은, 상기 현황 데이터의 변화를 반영하여 상기 디지털 트윈 가상 공간에 연관된 상기 사운드 데이터를 업데이트하는, 카페 큐레이션 장치.
  14. 제1항에 있어서,
    상기 카페 리스트 생성 모듈은,
    상기 카페 리스트에 포함되는 카페에 대한 예측 데이터를, 상기 고객 단말로 하여금 화면에 텍스트, 아이콘, 이미지 및 비디오 중 적어도 하나의 형태로 표시하도록 상기 고객 단말에 제공하는, 카페 큐레이션 장치.
  15. 카페에 설치된 인공지능 기반 카페 모니터링 장치로부터 제공되는 카페 모니터링 데이터를 수집하고, 상기 카페 모니터링 데이터는 카페 내부에 대한 현황 데이터 및 예측 데이터 중 적어도 하나를 포함하는 단계;
    고객이 사용하는 고객 단말로부터 상기 고객과 연관된 고객 데이터를 수집하는 단계;
    상기 인공지능 기반 카페 모니터링 장치에 상태 확인 신호를 전송하는 단계;
    상기 상태 확인 신호에 대한 응답 신호에 따라 카페 큐레이션 스킴을 결정하는 단계; 및
    상기 결정된 카페 큐레이션 스킴에 기초하여 카페 리스트를 생성하고 상기 고객 단말에 제공하는 단계를 포함하는
    카페 큐레이션 방법.
  16. 제15항에 있어서,
    상기 생성된 카페 리스트에 포함되는 카페의 내부를 디지털 트윈 가상 공간으로 생성하는 단계; 및
    상기 카페 리스트에 포함되는 카페의 내부를 상기 디지털 트윈 가상 공간의 형태로 상기 고객 단말에 제공하는 단계를 더 포함하는 카페 큐레이션 방법.
  17. 제16항에 있어서,
    상기 디지털 트윈 가상 공간에 연관된 사운드 데이터를 상기 고객 단말에 제공하는 단계를 더 포함하는 카페 큐레이션 방법.
  18. 제15항에 있어서,
    상기 카페 리스트에 포함되는 카페에 대한 예측 데이터를, 상기 고객 단말로 하여금 화면에 텍스트, 아이콘, 이미지 및 비디오 중 적어도 하나의 형태로 표시하도록 상기 고객 단말에 제공하는 단계를 더 포함하는 카페 큐레이션 방법.
PCT/KR2023/002832 2022-03-24 2023-03-02 카페 큐레이션 장치 및 카페 큐레이션 방법 WO2023182693A1 (ko)

Applications Claiming Priority (6)

Application Number Priority Date Filing Date Title
KR20220036960 2022-03-24
KR10-2022-0036960 2022-03-24
KR10-2022-0036959 2022-03-24
KR20220036959 2022-03-24
KR1020220141946A KR20230138865A (ko) 2022-03-24 2022-10-31 카페 큐레이션 장치 및 카페 큐레이션 방법
KR10-2022-0141946 2022-10-31

Publications (1)

Publication Number Publication Date
WO2023182693A1 true WO2023182693A1 (ko) 2023-09-28

Family

ID=88101367

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2023/002832 WO2023182693A1 (ko) 2022-03-24 2023-03-02 카페 큐레이션 장치 및 카페 큐레이션 방법

Country Status (1)

Country Link
WO (1) WO2023182693A1 (ko)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130099819A (ko) * 2012-02-29 2013-09-06 숭실대학교산학협력단 파노라마 가상현실 기반 소셜 커머스 플랫폼 시스템
KR20180134553A (ko) * 2017-06-09 2018-12-19 주식회사 위즈온텍 혼잡도 제공 시스템 및 방법
KR20200111104A (ko) * 2019-03-18 2020-09-28 한화테크윈 주식회사 인공지능에 기반하여 영상을 분석하는 카메라 및 그것의 동작 방법
KR20200111349A (ko) * 2019-03-19 2020-09-29 하늘 시간별 및 상품별 좌석이용료를 이용한 카페 좌석 예약 서비스 제공 시스템
KR20210061739A (ko) * 2019-11-20 2021-05-28 연세대학교 산학협력단 사용자 맞춤형 추천정보 제공장치 및 제공방법, 이를 실행시키기 위한 프로그램을 기록한 컴퓨터 해독 가능한 기록 매체
WO2021158702A1 (en) * 2020-02-03 2021-08-12 Strong Force TX Portfolio 2018, LLC Artificial intelligence selection and configuration

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130099819A (ko) * 2012-02-29 2013-09-06 숭실대학교산학협력단 파노라마 가상현실 기반 소셜 커머스 플랫폼 시스템
KR20180134553A (ko) * 2017-06-09 2018-12-19 주식회사 위즈온텍 혼잡도 제공 시스템 및 방법
KR20200111104A (ko) * 2019-03-18 2020-09-28 한화테크윈 주식회사 인공지능에 기반하여 영상을 분석하는 카메라 및 그것의 동작 방법
KR20200111349A (ko) * 2019-03-19 2020-09-29 하늘 시간별 및 상품별 좌석이용료를 이용한 카페 좌석 예약 서비스 제공 시스템
KR20210061739A (ko) * 2019-11-20 2021-05-28 연세대학교 산학협력단 사용자 맞춤형 추천정보 제공장치 및 제공방법, 이를 실행시키기 위한 프로그램을 기록한 컴퓨터 해독 가능한 기록 매체
WO2021158702A1 (en) * 2020-02-03 2021-08-12 Strong Force TX Portfolio 2018, LLC Artificial intelligence selection and configuration

Similar Documents

Publication Publication Date Title
US10942872B2 (en) Peripheral device, communication system, central control device, communication method, and recording medium recording communication program
US6298374B1 (en) Communication management apparatus with user modifiable symbol movable among virtual spaces shared by user terminals to direct current user position in real world and recording medium used therefor
JPWO2018142765A1 (ja) 学習済みモデル提供方法および学習済みモデル提供装置
JP2013218511A (ja) 監視システムおよび電話システム
JP7097721B2 (ja) 情報処理装置、方法及びプログラム
JP2015208224A (ja) 電気機器制御装置、電気機器制御システム、及び、プログラム
WO2019088734A1 (en) Method and system for automatically creating an instant ad-hoc calendar event
WO2024096146A1 (ko) 제작 데이터 및 사용 데이터를 이용한 사용자 추천 방법 및 이를 위한 장치
JP5353193B2 (ja) 行動分析装置及び行動分析方法並びにプログラム
CN107924544B (zh) 信息处理系统和信息处理方法
US20190147251A1 (en) Information processing apparatus, monitoring system, method, and non-transitory computer-readable storage medium
JP2010113682A (ja) 来訪者情報検索方法、来訪者情報検索装置およびインターホンシステム
WO2019132066A1 (ko) 다중 프로필을 제공하는 방법 및 시스템
WO2023182693A1 (ko) 카페 큐레이션 장치 및 카페 큐레이션 방법
JP6691306B2 (ja) 情報処理装置、制御方法、及びプログラム
WO2019168224A1 (ko) 몰입형 가상피팅 연계 서비스 제공 시스템 및 몰입형 가상피팅 연계 서비스 제공 방법
US7444377B2 (en) Apparatus, method and program for supporting conversation, and conversation supporting system
KR20230138865A (ko) 카페 큐레이션 장치 및 카페 큐레이션 방법
JP2004158950A (ja) 記録映像自動生成システム，記録映像自動生成方法，記録映像自動生成プログラムおよび記録映像自動生成プログラムの記録媒体
JP7395850B2 (ja) 情報処理装置、情報処理システム、及び情報処理方法
WO2023182692A1 (ko) 카페 모니터링 장치 및 카페 모니터링 방법
JP6556391B1 (ja) 監視システム
JP6856084B2 (ja) 情報処理装置、コンテンツ制御装置、情報処理方法、及びプログラム
JP2022185634A (ja) 端末装置、情報処理装置、情報処理方法、情報処理プログラムおよび情報処理システム
KR101189913B1 (ko) 고객 관리 방법 및 장치

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: 23775191

Country of ref document: EP

Kind code of ref document: A1