Search

KR-20260061622-A - LOGISTICS MANAGEMENT PLATFORM WITH AI VOICE RECOGNITION INTERFACE

KR20260061622AKR 20260061622 AKR20260061622 AKR 20260061622AKR-20260061622-A

Abstract

본 개시의 몇몇 실시예에 따른, 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는 AI 음성 인식 인터페이스가 적용된 물류 관리 플랫폼이 개시된다. 상기 AI 음성 인식 인터페이스가 적용된 물류 관리 플랫폼은 스피커; 마이크; 통신 인터페이스; AI 음성 인식 인터페이스; 상기 스피커, 상기 마이크, 상기 통신 인터페이스 또는 상기 AI 음성 인식 인터페이스와 전기적으로 연결된 적어도 하나의 프로세서; 및 상기 프로세서와 전기적으로 연결된 메모리를 포함하고, 상기 메모리는 인스트럭션들(intsructions)을 저장하고, 상기 인스트럭션들은 실행 시에 상기 프로세서로 하여금, 상품의 이력과 관련된 복수의 주문 내역서를 저장하고, 상기 복수의 주문 내역서를 이용하여 데이터베이스를 구축하고, 구축된 데이터베이스를 통해 복수의 통계 정보를 결정하고, 결정된 복수의 통계 정보 중 적어도 하나의 통계 정보를 화면에 디스플레이 또는 스피커를 통해 음성을 출력하기 위한 정보를 생성하고, 상기 마이크에 상기 사용자의 음성이 입력되면, 상기 적어도 하나의 통계 정보에 관한 적어도 하나의 명령을 수행할 수 있다.

Inventors

  • 이혜진

Assignees

  • 주식회사 노리앤드

Dates

Publication Date
20260506
Application Date
20241028

Claims (3)

  1. 컴퓨팅 장치에 의해 수행되는 AI 음성 인식 인터페이스가 적용된 물류 관리 플랫폼으로서, 스피커; 마이크; 통신 인터페이스; AI 음성 인식 인터페이스; 상기 스피커, 상기 마이크, 상기 통신 인터페이스 또는 상기 AI 음성 인식 인터페이스와 전기적으로 연결된 적어도 하나의 프로세서; 및 상기 프로세서와 전기적으로 연결된 메모리를 포함하고, 상기 메모리는 인스트럭션들(intsructions)을 저장하고, 상기 인스트럭션들은 실행 시에 상기 프로세서로 하여금, 상품의 이력과 관련된 복수의 주문 내역서를 저장하고, 상기 복수의 주문 내역서를 이용하여 데이터베이스를 구축하고, 구축된 데이터베이스를 통해 복수의 통계 정보를 결정하고, 결정된 복수의 통계 정보 중 적어도 하나의 통계 정보를 화면에 디스플레이 또는 스피커를 통해 음성을 출력하기 위한 정보를 생성하고, 상기 마이크에 상기 사용자의 음성이 입력되면, 상기 적어도 하나의 통계 정보에 관한 적어도 하나의 명령을 수행하는, 물류 관리 플랫폼.
  2. 제1 항에 있어서, 상기 복수의 통계 정보는, 요일 별 매출 현황, 주간 별 매출 현황, 월 별 매출 현황, 쇼핑몰 별 매출 현황, 주문 상품 순위, 상품 별 재고량, 요일 별 입고량, 주간 별 입고량, 월 별 입고량, 요일 별 출고량, 주간 별 출고량, 월 별 출고량, 기간 별 상품 판매 변화량, 지역 별 출고량 및 창고 별 재고량을 포함하는, 물류 관리 플랫폼.
  3. 제1 항에 있어서, 상기 결정된 복수의 통계 정보 중 적어도 하나의 통계 정보를 화면에 디스플레이 또는 상기 마이크로부터 출력하기 위한 정보를 생성하여 사용자 단말에 전송하고; 상기 화면의 인터페이스를 결정하기 위한 사용자 인터랙션에 따라, 상기 인터페이스를 구성하는 복수의 템플릿을 제공하기 위한 정보를 제공하고; 상기 복수의 템플릿 중 제1 템플릿을 미리보기 선택하는 사용자 인터랙션에 따라, 상기 제1 템플릿을 통해 제공 가능한 적어도 하나의 제1 오브젝트를 결정하고; 상기 적어도 하나의 제1 오브젝트를 포함하는 제1 템플릿 미리보기를 화면에 디스플레이하기 위한 정보를 생성하여 사용자 단말에 전송하고; 상기 제1 템플릿을 저장하는 사용자 인터랙션에 따라, 상기 제1 템플릿을 통해 사용자 인터페이스를 구성하고; 구축된 상기 사용자 인터페이스를 통해 상기 적어도 하나의 제1 통계 정보를 화면에 디스플레이하기 위한 정보를 생성하여 사용자 단말에 제공하고, 상기 데이터베이스를 이용하여, 적어도 하나의 제1 상품의 재고를 결정하고, 상기 적어도 하나의 제1 상품에 매핑된 제1 안전 재고량을 결정하고, 상기 재고가 상기 제1 안전 재고량 이하인 경우, 상기 적어도 하나의 제1 상품의 매입을 안내하는 안내 메시지를 상기 화면에 디스플레이하기 위한 정보를 생성하여 제공하고, 상기 데이터베이스를 이용하여, 적어도 하나의 제1 상품의 재고를 결정하고, 상기 적어도 하나의 제1 상품에 매핑된 제1 안전 재고량을 결정하고, 상기 재고가 상기 제1 안전 재고량 이하인 경우, 상기 적어도 하나의 제1 상품을 획득한 획득 이력을 결정하고, 상기 획득 이력으로부터 상기 적어도 하나의 제1 상품을 판매한 판매처를 결정하고, 상기 판매처의 단말에 상기 적어도 하나의 제1 상품을 주문하는 주문 내역서를 전송하는, 물류 관리 플랫폼.

Description

AI 음성 인식 인터페이스가 적용된 물류 관리 플랫폼{LOGISTICS MANAGEMENT PLATFORM WITH AI VOICE RECOGNITION INTERFACE} 본 개시는 AI 음성 인식 인터페이스가 적용된 물류 관리 플랫폼에 관한 것으로, 구체적으로 쇼핑몰을 운영하는 다수의 사용자의 물류 이슈를 AI 음성 인식에 기반하여 물류 창고와 연계하고, 자동으로 관리하는 솔루션을 제공하는 AI 음성 인식 인터페이스가 적용된 물류 관리 플랫폼에 관한 것이다. 최근 음성 인식 기술이 발전함에 따라 음성 입력 장치(예컨대, 마이크)를 구비하는 다양한 전자 장치에서 음성 인식 기능이 구현될 수 있다. 예컨대, 음성 인식 기능을 통해 전자 장치는 사용자가 발화한 음성을 인식할 수 있으며, 발화한 음성에 기반하여 특정 기능을 실행할 수 있다. 이러한 음성 인식 기능은 최근 전자 장치에서 물리적 입력을 대체하고, 음성으로 전자 장치를 제어하기 위해 점점 보편화되고 있다. 지능형 에이전트(intelligent agent)를 사용하여 전자 장치를 활용하는 서비스가 대중화되어 가고 있다. 지능형 에이전트는 전자 장치에 기능적으로 연결된 여러 외부 장치들을 제어하여 사용자에게 통합적인 기능을 제공할 수 있다. 전자 장치가 음성 기반 지능형 에이전트 서비스를 제공함으로써, 전자 장치의 사용자는 음성을 이용하여 전자 장치의 다양한 기능을 실행할 수 있다. 온라인 기술의 발전에 따라, 소비자들은 손쉽게 집에서 쇼핑을 즐길 수 있다. 온라인 상에는 다양한 상품을 쇼핑할 수 있도록 하는 온라인 쇼핑몰이 운영된다. 온라인 쇼핑몰들은 상품에 대한 검색, 구매, 전자 결제 시스템이 연동되어, 소비자로 하여금 손쉽게 소비 생활을 즐길 수 있도록 환경을 제공한다. 이와 같은 온라인 쇼핑몰은 개점에 제약이 없어 많은 사람들에 의해 운영된다. 이에 따라, 경쟁이 매우 치열하여, 효율적으로 운영하지 못한다면 폐업의 절차를 밟게된다. 쇼핑몰의 효율적인 운영을 위해서는 자신이 판매하는 상품 중 어느 상품이 잘팔리는지, 어떤 플랫폼을 통해 판매했을 때 수익이 좋은지, 자기가 가지고 있는 재고는 얼마나 되는 지 등을 파악해야 한다. 그러나, 판매하는 상품의 물량이 많아질수록 운영자가 이를 관리하기는 쉽지 않다. 또한, 종래의 상품을 처리하고 관리하는데 있어, 물류를 관리하는 운영자들은 각자 PDA(Personal Digital Assistant)와 개인용 전자기기 또는 단말기를 통해 물류 관리 현황을 확인하였다. 이에 따라, 물류를 관리할 때 한 손에는 단말을 소지하고 있어야 하고, 물류를 처리할 때마다 단말의 화면을 보면서 진행해야 하기 때문에, 업무를 수행하는데 불편함이 있다. 따라서, 물류를 관리할 때 두 손을 자유롭게 쓸 수 있도록 해주면서, 단말의 화면을 보지 않고 업무를 진행할 수 있는 기술의 구현에 대한 요구가 증가하고 있는 실정이다. 다양한 양상들이 이제 도면들을 참조로 기재되며, 여기서 유사한 참조 번호들은 총괄적으로 유사한 구성요소들을 지칭하는데 이용된다. 이하의 실시예에서, 설명 목적을 위해, 다수의 특정 세부사항들이 하나 이상의 양상들의 총체적 이해를 제공하기 위해 제시된다. 그러나, 그러한 양상(들)이 이러한 특정 세부사항들 없이 실시될 수 있음은 명백할 것이다. 다른 예시들에서, 공지의 구조들 및 장치들이 하나 이상의 양상들의 기재를 용이하게 하기 위해 블록도 형태로 도시된다. 도 1은 본 개시의 몇몇 실시예에 따른 물류 관리 시스템을 설명하기 위한 블록도이다. 도 2는 본 개시의 몇몇 실시예에 따른 컴퓨팅 장치가 물류 관리 서비스를 제공하는 방법의 일례를 설명하기 위한 흐름도이다. 도 3은 본 개시의 몇몇 실시예에 따른 사용자 단말이 통계 정보를 화면에 디스플레이하는 방법의 일례를 설명하기 위한 흐름도이다. 도 4는 본 개시의 몇몇 실시예에 따른 사용자 인터페이스의 일례를 설명하기 위한 도면이다. 도 5는 본 개시의 몇몇 실시예에 따른 컴퓨팅 장치가 상품의 재고를 관리하는 방법의 일례를 설명하기 위한 흐름도이다. 도 6은 본 개시의 몇몇 실시예에 따른 컴퓨팅 장치가 반품을 수행하는 방법의 일례를 설명하기 위한 흐름도이다. 본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다. 제 1, 제 2, A, B 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다. 어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다. 본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다. 다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다. 인공 지능(AI: Artificial Intelligence)은 인공적인 지능 또는 이를 만들 수 있는 방법론을 연구하는 분야를 의미하며, 머신 러닝(기계 학습, Machine Learning)은 인공 지능 분야에서 다루는 다양한 문제를 정의하고 그것을 해결하는 방법론을 연구하는 분야를 의미한다. 머신 러닝은 어떠한 작업에 대하여 꾸준한 경험을 통해 그 작업에 대한 성능을 높이는 알고리즘으로 정의하기도 한다. 인공 신경망(ANN: Artificial Neural Network)은 머신 러닝에서 사용되는 모델로서, 시냅스의 결합으로 네트워크를 형성한 인공 뉴런(노드)들로 구성되는, 문제 해결 능력을 가지는 모델 전반을 의미할 수 있다. 인공 신경망은 다른 레이어의 뉴런들 사이의 연결 패턴, 모델 파라미터를 갱신하는 학습 과정, 출력값을 생성하는 활성화 함수(Activation Function)에 의해 정의될 수 있다. 인공 신경망은 입력층(Input Layer), 출력층(Output Layer), 그리고 선택적으로 하나 이상의 은닉층(Hidden Layer)을 포함할 수 있다. 각 층은 하나 이상의 뉴런을 포함하고, 인공 신경망은 뉴런과 뉴런을 연결하는 시냅스를 포함할 수 있다. 인공 신경망에서 각 뉴런은 시냅스를 통해 입력되는 입력 신호들, 가중치, 편향에 대한 활성 함수의 함숫값을 출력할 수 있다. 모델 파라미터는 학습을 통해 결정되는 파라미터를 의미하며, 시냅스 연결의 가중치와 뉴런의 편향 등이 포함된다. 그리고, 하이퍼파라미터는 머신 러닝 알고리즘에서 학습 전에 설정되어야 하는 파라미터를 의미하며, 학습률(Learning Rate), 반복 횟수, 미니 배치 크기, 초기화 함수 등이 포함된다. 인공 신경망에서 학습의 목적은 손실 함수를 최소화하는 모델 파라미터를 결정하는 것으로 볼 수 있다. 손실 함수는 인공 신경망의 학습 과정에서 최적의 모델 파라미터를 결정하기 위한 지표로 이용될 수 있다. 머신 러닝은 학습 방식에 따라 지도 학습(Supervised Learning), 비지도 학습(Unsupervised Learning), 강화학습(Reinforcement Learning)으로 분류할 수 있다. 지도 학습은 학습 데이터에 대한 레이블(label)이 주어진 상태에서 인공 신경망을 학습시키는 방법을 의미하며, 레이블이란 학습 데이터가 인공 신경망에 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과 값)을 의미할 수 있다. 비지도 학습은 학습 데이터에 대한 레이블이 주어지지 않는 상태에서 인공 신경망을 학습시키는 방법을 의미할 수 있다. 강화 학습은 어떤 환경 안에서 정의된 에이전트가 각 상태에서 누적 보상을 최대화하는 행동 혹은 행동 순서를 선택하도록 학습시키는 학습 방법을 의미할 수 있다. 인공 신경망 중에서 복수의 은닉층을 포함하는 심층 신경망(DNN: Deep Neural Network)으로 구현되는 머신 러닝을 딥 러닝(심층 학습, Deep Learning)이라 부르기도 하며, 딥 러닝은 머신 러닝의 일부이다. 이하에서, 머신러닝은 딥 러닝을 포함하는 의미로 사용된다. 본 개시에서, 컴퓨팅 장치는 상품의 이력과 관련된 복수의 주문 내역서를 저장할 수 있다. 주문 내역서는 상품의 이력과 관련된 모든 정보를 포함할 수 있다. 예를 들어, 주문 내역서는 상품을 제조한 제