[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

KR20210096367A - 제품의 개발을 보조하기 위한 전자 장치, 방법, 및 컴퓨터 판독가능 매체 - Google Patents

제품의 개발을 보조하기 위한 전자 장치, 방법, 및 컴퓨터 판독가능 매체 Download PDF

Info

Publication number
KR20210096367A
KR20210096367A KR1020200009719A KR20200009719A KR20210096367A KR 20210096367 A KR20210096367 A KR 20210096367A KR 1020200009719 A KR1020200009719 A KR 1020200009719A KR 20200009719 A KR20200009719 A KR 20200009719A KR 20210096367 A KR20210096367 A KR 20210096367A
Authority
KR
South Korea
Prior art keywords
data
electronic device
product
information
developer
Prior art date
Application number
KR1020200009719A
Other languages
English (en)
Inventor
고성준
김선범
이지형
Original Assignee
고성준
이지형
김선범
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 고성준, 이지형, 김선범 filed Critical 고성준
Priority to KR1020200009719A priority Critical patent/KR20210096367A/ko
Publication of KR20210096367A publication Critical patent/KR20210096367A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/08—Auctions
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • G06Q10/063112—Skill-based matching of a person or a group to a task

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

다양한 실시예들에 따른 전자 장치(electronic device)는, 통신 회로와, 인스트럭션들을 저장하도록 구성된 적어도 하나의 메모리와, 적어도 하나의 프로세서를 포함할 수 있고, 상기 적어도 하나의 프로세서는, 상기 인스트럭션들을 실행할 시, 상기 통신 회로를 통해 외부 전자 장치로부터, 개발을 요청하는 제품에 대한 정보를 수신하고, 상기 제품에 대한 상기 정보로부터 이미지 데이터를 식별하고, 상기 제품에 대한 상기 정보로부터 텍스트 데이터를 식별하고, 트레이닝된 신경망을 이용하여 상기 이미지 데이터 및 상기 텍스트 데이터를 인식하고, 상기 인식에 기반하여, 상기 제품의 형상에 대한 제1 데이터, 상기 제품의 적어도 하나의 원재료에 대한 제2 데이터, 상기 제품의 적어도 하나의 기능에 대한 제3 데이터, 및 상기 제품의 구성 요소들에 대한 제4 데이터를 획득하고, 상기 제1 데이터, 상기 제2 데이터, 상기 제3 데이터, 및 상기 제4 데이터를 이용하여 상기 전자 장치와 연관된 데이터베이스 내에 등록된 복수의 개발자들 중에서 상기 제품을 개발할 수 있는 적어도 하나의 후보 개발자를 식별하고, 상기 적어도 하나의 후보 개발자에 대한 정보를 상기 통신 회로를 통해 상기 외부 전자 장치에게 송신하도록 구성될 수 있다.

Description

제품의 개발을 보조하기 위한 전자 장치, 방법, 및 컴퓨터 판독가능 매체{ELECTRONIC DEVICE, METHOD, AND COMPUTER READABLE MEDIUM FOR ASSISTING DEVELOPMENT OF PRODUCT}
후술되는 다양한 실시예들은 제품의 개발을 보조하기 위한 전자 장치, 방법, 및 컴퓨터 판독가능 매체(computer readable medium)에 관한 것이다.
인공 신경망(artificial neural network)은 컴퓨팅 단위에 해당하는 뉴런 여러 개가 가중화된 링크로 연결된 형태일 수 있으며, 여기서, 가중화된 링크는 주어진 환경에 적응할 수 있도록 가중치를 조정할 수 있다.
한편, 인공 신경망은, 자기 조직화 지도(SOM, self-organizing map), 순환 신경망(RNN, recurrent neural network), 콘볼루젼 신경망(CNN, convolutaional neural network), 깊은 신경망(DNN, deep neural network)와 같은 다양한 모델들을 총칭하는 용어로 참조될 수 있다.
사용자는 자신의 아이디어를 구현한 제품을 개발하기 위해, 개발자들을 탐색할 수 있다. 또한, 상기 제품을 구성하는 구성 요소들이 많은 경우, 사용자는 각각의 구성 요소들을 개발할 수 있는 개발자를 탐색할 수 있다. 이러한 탐색은, 사용자에게 번거로움을 제공할 수 있기 때문에, 제품의 개발을 보조하는 전자 장치, 방법, 및 컴퓨터 판독가능 매체가 요구될 수 있다.
본 문서에서 이루고자 하는 기술적 과제는 이상에서 언급한 기술적 과제로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
다양한 실시예들에 따른 전자 장치(electronic device)는, 통신 회로와, 인스트럭션들을 저장하도록 구성된 적어도 하나의 메모리와, 적어도 하나의 프로세서를 포함할 수 있고, 상기 적어도 하나의 프로세서는, 상기 인스트럭션들을 실행할 시, 상기 통신 회로를 통해 외부 전자 장치로부터, 개발을 요청하는 제품에 대한 정보를 수신하고, 상기 제품에 대한 상기 정보로부터 이미지 데이터를 식별하고, 상기 제품에 대한 상기 정보로부터 텍스트 데이터를 식별하고, 트레이닝된 신경망을 이용하여 상기 이미지 데이터 및 상기 텍스트 데이터를 인식하고, 상기 인식에 기반하여, 상기 제품의 형상에 대한 제1 데이터, 상기 제품의 적어도 하나의 원재료에 대한 제2 데이터, 상기 제품의 적어도 하나의 기능에 대한 제3 데이터, 및 상기 제품의 구성 요소들에 대한 제4 데이터를 획득하고, 상기 제1 데이터, 상기 제2 데이터, 상기 제3 데이터, 및 상기 제4 데이터를 이용하여 상기 전자 장치와 연관된 데이터베이스 내에 등록된 복수의 개발자들 중에서 상기 제품을 개발할 수 있는 적어도 하나의 후보 개발자를 식별하고, 상기 적어도 하나의 후보 개발자에 대한 정보를 상기 통신 회로를 통해 상기 외부 전자 장치에게 송신하도록 구성될 수 있다.
다양한 실시예들에 따른, 통신 회로를 가지는 전자 장치를 동작하기 위한 방법은, 상기 통신 회로를 통해 외부 전자 장치로부터, 개발을 요청하는 제품에 대한 정보를 수신하는 동작과, 상기 제품에 대한 상기 정보로부터 이미지 데이터를 식별하는 동작과, 상기 제품에 대한 상기 정보로부터 텍스트 데이터를 식별하는 동작과, 트레이닝된 신경망을 이용하여 상기 이미지 데이터 및 상기 텍스트 데이터를 인식하는 동작과, 상기 인식에 기반하여, 상기 제품의 형상에 대한 제1 데이터, 상기 제품의 적어도 하나의 원재료에 대한 제2 데이터, 상기 제품의 적어도 하나의 기능에 대한 제3 데이터, 및 상기 제품의 구성 요소들에 대한 제4 데이터를 획득하는 동작과, 상기 제1 데이터, 상기 제2 데이터, 상기 제3 데이터, 및 상기 제4 데이터를 이용하여 상기 전자 장치와 연관된 데이터베이스 내에 등록된 복수의 개발자들 중에서 상기 제품을 개발할 수 있는 적어도 하나의 후보 개발자를 식별하는 동작과, 상기 적어도 하나의 후보 개발자에 대한 정보를 상기 통신 회로를 통해 상기 외부 전자 장치에게 송신하는 동작을 포함할 수 있다.
다양한 실시예들에 따른 비일시적 컴퓨터 판독 가능 저장 매체(non-transitory computer readable storage medium)는, 통신 회로를 가지는 전자 장치의 하나 이상의 프로세서들에 의해 실행될 시, 상기 통신 회로를 통해 외부 전자 장치로부터, 개발을 요청하는 제품에 대한 정보를 수신하고, 상기 제품에 대한 상기 정보로부터 이미지 데이터를 식별하고, 상기 제품에 대한 상기 정보로부터 텍스트 데이터를 식별하고, 트레이닝된 신경망을 이용하여 상기 이미지 데이터 및 상기 텍스트 데이터를 인식하고, 상기 인식에 기반하여, 상기 제품의 형상에 대한 제1 데이터, 상기 제품의 적어도 하나의 원재료에 대한 제2 데이터, 상기 제품의 적어도 하나의 기능에 대한 제3 데이터, 및 상기 제품의 구성 요소들에 대한 제4 데이터를 획득하고, 상기 제1 데이터, 상기 제2 데이터, 상기 제3 데이터, 및 상기 제4 데이터를 이용하여 상기 전자 장치와 연관된 데이터베이스 내에 등록된 복수의 개발자들 중에서 상기 제품을 개발할 수 있는 적어도 하나의 후보 개발자를 식별하고, 상기 적어도 하나의 후보 개발자에 대한 정보를 상기 통신 회로를 통해 상기 외부 전자 장치에게 송신하도록, 상기 전자 장치를 야기하는 인스트럭션들을 포함하는 하나 이상의 프로그램들을 저장할 수 있다.
다양한 실시예들에 따른 전자 장치, 방법, 및 컴퓨터 판독 가능 매체는, 개발될 제품에 대한 정보로부터 이미지 데이터 및 텍스트 데이터를 획득하고, 획득된 이미지 데이터 및 텍스트 데이터를 신경망을 이용하여 인식함으로써, 제품 개발 시의 편의성을 강화할 수 있다.
본 개시에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
도 1은 다양한 실시예들에 따른 네트워크 환경의 예를 도시한다.
도 2는 다양한 실시예들에 따른 전자 장치의 간소화된 블록도이다.
도 3은 다양한 실시예들에 따른 전자 장치의 동작을 도시하는 시스템도이다.
도 4는 외부 전자 장치의 디스플레이 상에 표시되는 인터페이스의 예를 도시한다.
도 5는 다양한 실시예들에 따라 제품의 개발 일정을 결정하는 방법을 도시하는 흐름도이다.
도 6은 다양한 실시예들에 따라 개발 일정에 대한 정보를 송신하는 방법을 도시하는 시스템도이다.
본 개시에서 사용되는 용어들은 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 다른 실시 예의 범위를 한정하려는 의도가 아닐 수 있다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함할 수 있다. 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 용어들은 본 개시에 기재된 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가질 수 있다. 본 개시에 사용된 용어들 중 일반적인 사전에 정의된 용어들은, 관련 기술의 문맥상 가지는 의미와 동일 또는 유사한 의미로 해석될 수 있으며, 본 개시에서 명백하게 정의되지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다. 경우에 따라서, 본 개시에서 정의된 용어일지라도 본 개시의 실시 예들을 배제하도록 해석될 수 없다.
이하에서 설명되는 본 개시의 다양한 실시 예들에서는 하드웨어적인 접근 방법을 예시로서 설명한다. 하지만, 본 개시의 다양한 실시 예들에서는 하드웨어와 소프트웨어를 모두 사용하는 기술을 포함하고 있으므로, 본 개시의 다양한 실시 예들이 소프트웨어 기반의 접근 방법을 제외하는 것은 아니다.
도 1은 다양한 실시예들에 따른 네트워크 환경의 예를 도시한다.
도 1을 참조하면, 환경(10)은, 전자 장치(100), 전자 장치(101), 및 전자 장치(102)를 포함할 수 있다.
다양한 실시예들에서, 전자 장치(100)는, 전자 장치(101)로부터 개발을 요청하는 제품에 대한 정보를 수신할 수 있다. 다양한 실시예들에서, 상기 제품에 대한 정보는, 이미지 데이터 및 텍스트 데이터를 포함할 수 있다. 예를 들면, 상기 제품에 대한 정보는 상기 제품의 기대 형상(expected shape)에 대한 이미지 데이터, 상기 제품의 구성 요소들의 형상에 대한 이미지 데이터, 상기 제품의 적어도 하나의 원재료에 대한 설명을 포함하는 텍스트 데이터, 상기 제품의 기능에 대한 설명을 포함하는 텍스트 데이터, 및 상기 제품의 구성 요소들에 대한 설명을 포함하는 텍스트 데이터를 포함할 수 있다.
다양한 실시예들에서, 전자 장치(100)는, 상기 제품에 대한 정보로부터 상기 이미지 데이터 및 상기 텍스트 데이터를 획득할 수 있다. 예를 들면, 전자 장치(100)는, 마크 업 언어로 구성된 상기 제품에 대한 정보를 파싱함으로써 상기 이미지 데이터를 추출하고 상기 텍스트 데이터를 추출할 수 있다.
다양한 실시예들에서, 전자 장치(100)는, 상기 이미지 데이터 및 상기 텍스트 데이터를 트레이닝된 신경망을 이용하여 인식할 수 있다. 예를 들면, 전자 장치(100)는, 인공 신경망(artificial neural network)을 포함하거나 상기 인공 신경망과 작동적으로 결합된 장치일 수 있다. 예를 들면, 전자 장치(100)는, 외부로부터 수신된 학습 데이터를 이용하여 트레이닝을 수행하고, 상기 트레이닝에 기반하여 입력 데이터에 대한 추론을 수행하는 상기 인공 신경망을 제어하는 장치일 수 있다.
다양한 실시예들에서, 전자 장치(100)는, 상기 인식에 기반하여, 상기 제품의 형상에 대한 제1 데이터, 상기 제품의 적어도 하나의 원재료에 대한 제2 데이터, 상기 제품의 적어도 하나의 기능에 대한 제3 데이터, 및 상기 제품의 구성 요소들에 대한 제4 데이터를 획득할 수 있다.
다양한 실시예들에서, 전자 장치(100)는, 상기 제1 데이터, 상기 제2 데이터, 상기 제3 데이터, 및 상기 제4 데이터를 이용하여 전자 장치(100)와 연관된 데이터베이스 내에 등록된 복수의 개발자들 중에서 상기 제품을 개발할 수 있는 적어도 하나의 후보 개발자를 식별할 수 있다. 예를 들면, 전자 장치(100)는, 아크릴 제품을 개발하는 제1 개발자, 금속 제품을 개발하는 제2 개발자, 회로 기판을 개발하는 제3 개발자, 직조물으로 구성된 가공품을 개발하는 제4 개발자, 3D 프린터를 이용하여 제품을 개발하는 제5 개발자에 대한 정보를 포함하는 데이터베이스를 저장할 수 있다. 전자 장치(100)는, 상기 데이터베이스 내에서, 상기 제1 데이터, 상기 제2 데이터, 상기 제3 데이터, 및 상기 제4 데이터 중 적어도 하나에 대응하는 상기 적어도 하나의 후보 개발자를 식별할 수 있다. 예를 들어, 상기 제품이 금속 다리들과 조도에 따라 밝기가 변경되는 조명을 포함하는 아크릴 상판으로 구성된 책상인 경우, 전자 장치(100)는, 상기 제1 개발자, 상기 제2 개발자, 및 상기 제3 개발자를 상기 적어도 하나의 후보 개발자로 식별할 수 있다. 하지만, 이에 제한되지 않는다.
다양한 실시예들에서, 전자 장치(100)는, 상기 식별된 적어도 하나의 후보 개발자에 대한 정보를 전자 장치(101)에게 송신할 수 있다. 전자 장치(101)는, 전자 장치(100)로부터 상기 적어도 하나의 후보 개발자에 대한 정보를 수신할 수 있다.
다양한 실시예들에서, 전자 장치(101)는, 상기 적어도 하나의 후보 개발자에 대한 정보를 전자 장치(101)의 디스플레이를 통해 표시할 수 있다. 다양한 실시예들에서, 전자 장치(101)는, 상기 디스플레이를 통해 표시된 상기 적어도 하나의 후보 개발자에 대한 정보에 대한 사용자 입력을 수신할 수 있다. 예를 들어, 상기 사용자 입력이 상기 적어도 하나의 후보 개발자가 상기 제품을 개발하는 것을 인가함을 나타내는 경우, 전자 장치(101)는, 전자 장치(100)에게 상기 제품을 개발함을 나타내는 메시지를 송신할 수 있다.
다양한 실시예들에서, 전자 장치(100)는, 상기 메시지의 수신에 응답하여, 상기 제품의 개발을 진행함을 나타내는 메시지를 전자 장치(102)에게 송신할 수 있다. 다양한 실시예들에서, 전자 장치(102)는 상기 적어도 하나의 후보 개발자와 연관된 적어도 하나의 전자 장치일 수 있기 때문에, 전자 장치(100)는, 상기 제품의 개발을 진행함을 나타내는 메시지를 전자 장치(102)에게 송신할 수 있다.
도 1은 전자 장치(100), 전자 장치(101), 및 전자 장치(102)가 서로 다른 전자 장치로 구성되는 예를 도시하고 있으나, 이는 설명의 편의를 위한 것이다. 전자 장치(100), 전자 장치(101), 또는 전자 장치(102) 중 적어도 하나는, 실시예들에 따라 하나의 장치로 구현될 수도 있다.
도 2는 다양한 실시예들에 따른 전자 장치의 간소화된 블록도이다. 이러한 간소화된 블록도는, 도 1에 도시된 환경(10) 내의 전자 장치(100)의 기능적 구성들을 나타낼 수 있다.
인공 신경망은 입력에 대하여 일반화된 출력(generalized output)을 제공하기 위한 하드웨어, 소프트웨어, 또는 이들의 조합을 의미할 수 있다.
예를 들어, 인공 신경망은, 합성곱 신경망(CNN, Convolutional Neural Network), 마르코프 체인(Markov Chain), 깊은 신경망(DNN, deep neural network), 또는 이진화 신경망(BNN, binarized neural network) 등을 시뮬레이션하기 위한 어플리케이션 및 상기 어플리케이션을 실행하기 위한 프로세서에 기반하여 작동할 수 있다.
도 2를 참조하면, 전자 장치(100)는 훈련(또는 트레이닝)을 통하여 기계 학습을 수행할 수 있는 장치로서, 인공 신경망으로 구성된 모델을 이용하여 학습하는 장치를 포함할 수 있다. 예를 들면, 전자 장치(100)는 데이터 마이닝, 데이터 분석, 및 기계 학습 알고리즘(예: 딥 러닝 알고리즘(deep learning algorithm))을 위해 이용되는 정보를 입력, 출력, 데이터 베이스 구축 및 저장하도록 구성될 수 있다.
전자 장치(100)는 통신 회로(미도시)를 통해 외부 전자 장치(도 2 내에서 미도시, 예: 전자 장치(101), 전자 장치(102))와 데이터를 송수신할 수 있고, 외부 전자 장치로부터 전달받은 데이터를 분석하거나 학습하여 결과값을 도출할 수 있다. 전자 장치(100)는 외부 전자 장치의 연산을 분산하여 처리할 수 있다.
전자 장치(100)는 서버로 구현될 수 있다. 전자 장치(100)는 복수로 구성되어 신경망 장치 세트를 이룰 수 있다. 각각의 전자 장치(100)는 연산을 분산하여 처리할 수 있고, 분산 처리된 데이터를 바탕으로 데이터 분석 및 학습을 통하여 결과값을 도출할 수 있다. 전자 장치(100)는 기계 학습 알고리즘 등을 이용하여 획득한 결과값을 외부 전자 장치 또는 다른 신경망 장치로 전송할 수 있다.
다양한 실시예들에 따른, 전자 장치(100)는 입력부(110), 프로세서(120), 메모리(130), 및 러닝 프로세서(140)를 포함할 수 있다.
다양한 실시예들에 따르면, 입력부(110)는 인공 신경망 모델 학습을 통한 출력값을 도출하기 위한 입력 데이터를 획득할 수 있다. 입력부(110)는 가공되지 않은 입력 데이터를 획득할 수 있다.
프로세서(120) 또는 러닝 프로세서(140)는 가공되지 않은 입력 데이터를 전처리하여 인공 신경망 모델 학습에 입력 가능한 훈련 데이터를 생성할 수 있다. 상기 전처리는 입력 데이터로부터 특징점을 추출하는 것일 수 있다. 상술한 바와 같이, 입력부(110)는 통신 회로(미도시)를 통하여 데이터를 수신하여 입력 데이터를 획득하거나 데이터를 전처리할 수 있다.
다양한 실시예들에 따르면, 프로세서(120)는 전자 장치(100)에서 사용 히스토리 정보를 수집하여 메모리(130)에 저장할 수 있다. 프로세서(120)는 저장된 사용 히스토리 정보 및 예측 모델링을 통하여 특정 기능을 실행하기 위한 최상의 조합을 결정할 수 있다. 프로세서(120)는 입력부(110)로부터 이미지 정보, 오디오 정보, 데이터, 초기해에 대한 정보, 특징 정보 또는 사용자 입력 정보를 수신할 수 있다.
다양한 실시예들에 따르면, 프로세서(120)는 정보를 실시간으로 수집하고, 정보를 처리 또는 분류하고, 처리된 정보를 메모리(130), 메모리(130)의 데이터 베이스 또는 러닝 프로세서(140)에 저장할 수 있다.
다양한 실시예들에 따르면, 전자 장치(100)의 동작이 데이터 분석 및 머신 러닝 알고리즘을 바탕으로 결정될 때, 프로세서(120)는 결정된 동작을 실행하기 위해 전자 장치(100)의 구성요소를 제어할 수 있다. 다양한 실시예들에 따르면, 프로세서(120)는 제어 명령에 따라 전자 장치(100)를 제어하여 결정된 동작을 수행할 수 있다.
프로세서(120)는 특정 동작이 수행되는 경우, 데이터 분석 및 기계 학습 알고리즘 및 기법을 통해 특정 동작의 실행을 나타내는 이력 정보를 분석하고, 분석된 정보에 기초하여 이전에 학습한 정보의 업데이트를 수행할 수 있다. 프로세서(120)는 러닝 프로세서(140)과 함께, 업데이트된 정보에 기초하여 데이터 분석 및 기계 학습 알고리즘 및 성능의 정확성을 향상시킬 수 있다.
다양한 실시예들에 따르면, 메모리(130)는 입력부(110)에서 획득한 입력 데이터, 학습된 데이터, 또는 학습 히스토리 등을 저장할 수 있다. 메모리(130)는 인공 신경망 모델(131)을 저장할 수 있다.
다양한 실시예들에 따르면, 인공 신경망 모델(131)은 메모리(130)에 할당된 공간에 저장될 수 있다. 메모리(130)에 할당된 공간은 러닝 프로세서(140)를 통하여 학습 중 또는 학습된 인공 신경망 모델(131)을 저장하며, 학습을 통하여 인공 신경망 모델(131)이 갱신되면, 갱신된 인공 신경망 모델(131)을 저장할 수 있다. 상기 메모리(130)에 할당된 공간은 학습된 모델을 학습 시점 또는 학습 진척도 등에 따라 복수의 버전들로 구분하여 저장할 수 있다.
다양한 실시예들에 따르면, 메모리(130)는 입력부(110)에서 획득한 입력 데이터, 학습된 데이터를 저장, 분류가능한 데이터 베이스를 포함할 수 있다.
다양한 실시예들에 따르면, 러닝 프로세서(140)는 프로세서(120)가 입력부(110)를 통해 획득한 입력 데이터를 전처리한 데이터를 바로 획득하여 인공 신경망 모델(131)을 학습하거나, 메모리(130)의 데이터 베이스에 저장된 전처리된 입력 데이터를 획득하여 인공 신경망 모델(131)을 학습시킬 수 있다. 예를 들면, 러닝 프로세서(140)는 다양한 학습 기법들을 이용하여 인공 신경망 모델(131)을 반복적으로 학습시켜 최적화된 인경 신경망 모델(131)의 파라미터를 획득할 수 있다.
다양한 실시예들에 따르면, 학습된 모델은 데이터 베이스에서 인공 신경망 모델(131)을 갱신할 수 있다. 러닝 프로세서(140)는 전자 장치(100)에 통합되거나, 메모리(130)에 구현될 수 있다. 예를 들면, 러닝 프로세서(140)는 메모리(130)를 사용하여 구현될 수 있다.
다양한 실시예들에 따르면, 러닝 프로세서(140)는 일반적으로 감독 또는 감독되지 않은 학습, 데이터 마이닝, 예측 분석 또는 다른 장치에서 사용하기 위해 데이터를 식별, 색인화, 카테고리화, 조작, 저장, 검색 및 출력하기 위해 데이터를 하나 이상의 데이터베이스에 저장하도록 구성될 수 있다. 여기서, 데이터베이스는 메모리(130), 클라우드 컴퓨팅 환경에서 유지되는 메모리, 또는 네트워크와 같은 통신 방식을 통해 단말기에 의해 액세스 가능한 다른 원격 메모리 위치를 이용하여 구현될 수 있다. 러닝 프로세서(140)에 저장된 정보는 다양한 상이한 유형의 데이터 분석 알고리즘 및 기계 학습 알고리즘 중 임의의 것을 사용하여 프로세서(120)에 의해 이용될 수 있다. 예를 들면, 이러한, 알고리즘의 예로는, k-최근 인접 시스템, 퍼지 논리(예: 가능성 이론), 신경 회로망, 볼츠만 기계, 벡터 양자화, 펄스 신경망, 지원 벡터 기계, 최대 마진 분류기, 힐 클라이밍, 유도 논리 시스템 베이지안 네트워크, 페리트넷(예: 유한 상태 머신, 밀리 머신, 무어 유한 상태 머신), 분류기 트리(예: 퍼셉트론 트리, 지원 벡터 트리, 마코프 트리, 의사 결정 트리 포리스트, 임의의 포리스트), 판독 모델 및 시스템, 인공 융합, 센서 융합, 이미지 융합, 보강 학습, 증강 현실, 패턴 인식, 자동화된 계획 등을 포함할 수 있다.
이하, 설명의 편의를 위해, 프로세서(120) 및 러닝 프로세서(140)는, 적어도 하나의 프로세서 또는 프로세서로 참조될 수 있다. 다양한 실시예들에서, 상기 적어도 하나의 프로세서는, 도 3, 및 도 5 내지 6을 통해 예시된 동작들을 실행할 수 있도록 구성될 수 있다.
도 3은 다양한 실시예들에 따른 전자 장치의 동작을 도시하는 시스템도이다. 이러한 동작은 도 1 및 2에 도시된 전자 장치(100), 및 도 1에 도시된 전자 장치(101)에 의해 실행될 수 있다.
도 4는 외부 전자 장치의 디스플레이 상에 표시되는 인터페이스의 예를 도시한다. 이러한 인터페이스는 도 1에 도시된 전자 장치(101)의 디스플레이를 통해 표시될 수 있다.
도 3을 참조하면, 동작 301에서, 전자 장치(101)는, 개발 의뢰 인터페이스를 통해 개발을 요청하는 제품에 대한 정보를 획득할 수 있다. 예를 들면, 전자 장치(101)는, 사용자 입력의 수신에 기반하여, 개발을 요청하는 제품에 대한 설명을 포함하는 상기 제품에 대한 상기 정보를 획득할 수 있다. 예를 들어, 도 4를 참조하면, 전자 장치(101)는, 전자 장치(101)의 디스플레이를 통해, 인터페이스(400)를 표시할 수 있다. 인터페이스(400)는, 개발을 요청하는 제품의 명칭을 입력하기 위한 필드(예: 제목), 개발을 요청하는 사용자의 식별 정보를 입력하기 위한 필드(예: 이름), 추후 관리를 위한 정보를 입력하기 위한 필드(예: 비밀번호), 및 개발을 요청하는 상기 제품에 대한 설명을 입력하기 위한 필드(예: 내용)를 포함할 수 있다. 다양한 실시예들에서, 개발을 요청하는 상기 제품에 대한 정보는, 상기 제품을 설명하기 위해, 이미지 데이터 및 텍스트 데이터로 구성될 수 있다.
다양한 실시예들에서, 전자 장치(101)는, 상기 제품에 대한 상기 정보를 획득하는 것에 응답하여, 동작 303에서, 상기 제품에 대한 상기 정보를 전자 장치(100)에게 송신할 수 있다. 예를 들어, 도 4를 참조하면, 전자 장치(101)는, 인터페이스(400) 내의 실행가능한 객체(예: 저장)에 대한 사용자 입력을 수신하는 것에 응답하여, 상기 제품에 대한 상기 정보의 획득을 완료하고, 상기 제품에 대한 상기 정보를 전자 장치(100)에게 송신할 수 있다. 전자 장치(100)는, 상기 제품에 대한 상기 정보를 전자 장치(101)로부터 수신할 수 있다.
동작 305에서, 전자 장치(100)는, 상기 제품에 대한 상기 정보로부터 이미지 데이터를 식별할 수 있다. 예를 들면, 전자 장치(100)는, 상기 제품의 구성 요소들, 상기 제품의 기능, 상기 제품의 형상, 또는 상기 제품의 원재료 중 적어도 하나에 대한 정보를 획득하기 위해, 상기 제품에 대한 상기 정보로부터 상기 이미지 데이터를 식별할 수 있다. 예를 들어, 상기 제품에 대한 상기 정보가 마크 업 언어로 구성된 경우, 전자 장치(100)는, 상기 마크 업 언어를 파싱함으로써 상기 이미지 데이터를 식별할 수 있다.
동작 307에서, 전자 장치(100)는, 상기 제품에 대한 상기 정보로부터 텍스트 데이터를 식별할 수 있다. 예를 들면, 전자 장치(100)는, 상기 제품의 구성 요소들, 상기 제품의 기능, 상기 제품의 형상, 또는 상기 제품의 원재료 중 적어도 하나에 대한 정보를 획득하기 위해, 상기 제품의 상기 정보로부터 상기 텍스트 데이터를 식별할 수 있다. 예를 들어, 상기 제품에 대한 상기 정보가 마크 업 언어로 구성된 경우, 전자 장치(100)는, 상기 마크 업 언어를 파싱함으로써 상기 텍스트 데이터를 식별할 수 있다.
도 3은 동작 305를 실행한 후 동작 307을 실행하는 예를 도시하고 있으나, 이는 설명의 편의를 위한 것이다. 동작 305 및 동작 307은 독립적인 동작으로 동시에 실행될 수도 있고, 순서에 관계없이 실행될 수도 있다.
동작 309에서, 전자 장치(100)는, 트레이닝된 신경망을 이용하여 이미지 데이터 및 텍스트 데이터를 인식할 수 있다. 예를 들면, 전자 장치(100)는, 트레이닝된 신경망을 이용하여, 상기 이미지 데이터로부터 특징점들을 추출할 수 있다. 전자 장치(100)는, 상기 이미지 데이터로부터 추출된 상기 특징점들에 대한 정보를 상기 신경망에 입력함으로써, 상기 이미지 데이터의 인식을 실행할 수 있다. 예를 들면, 전자 장치(100)는, 상기 신경망을 이용하여, 상기 텍스트 데이터로부터 특징점들을 추출할 수 있다. 전자 장치(100)는, 상기 텍스트 데이터로부터 추출된 상기 특징점들에 대한 정보를 상기 신경망에 입력함으로써, 상기 텍스트 데이터의 인식을 실행할 수 있다.
동작 311에서, 전자 장치(100)는, 상기 인식에 기반하여, 상기 제품의 형상에 대한 제1 데이터, 상기 제품의 적어도 하나의 원재료에 대한 제2 데이터, 상기 제품의 적어도 하나의 기능에 대한 제3 데이터, 및 상기 제품의 구성 요소들에 대한 제4 데이터를 획득할 수 있다.
예를 들면, 전자 장치(100)는, 상기 이미지 데이터의 상기 인식에 기반하여, 상기 제품이 어떻게 생겼는지에 대한 정보를 상기 제1 데이터로 획득할 수 있다. 예를 들면, 전자 장치(100)는, 상기 이미지 데이터 내에서 텍스쳐(texture) 정보를 추출하고, 상기 추출된 텍스쳐 정보에 기반하여 상기 제품의 적어도 하나의 원재료를 추정하고, 상기 제2 데이터를 획득할 수 있다. 예를 들면, 전자 장치(100)는, 상기 이미지 데이터의 상기 인식에 기반하여, 상기 제품의 기능이 무엇인지를 추정하고, 상기 추정에 기반하여 상기 제3 데이터를 획득할 수 있다. 예를 들면, 전자 장치(100)는, 상기 이미지 데이터로부터 상기 제품을 구성하는 구성 요소들에 대한 제4 데이터(예: 상기 구성 요소들이 무엇인지, 상기 구성 요소들의 형상에 대한 정보 등)를 획득할 수 있다.
예를 들면, 전자 장치(100)는, 상기 텍스트 데이터의 상기 인식에 기반하여, 자연어 해석을 실행함으로써 상기 제품의 적어도 하나의 원재료에 대한 상기 제2 데이터를 획득할 수 있다. 예를 들면, 전자 장치(100)는, 상기 텍스트 데이터의 상기 인식에 기반하여, 자연어 해석을 실행함으로써 상기 제품의 기능이 무엇인지에 대한 정보를 상기 제3 데이터로 획득할 수 있다. 예를 들면, 전자 장치(100)는, 상기 텍스트 데이터의 상기 인식에 기반하여, 자연어 해석을 실행함으로써 상기 제품의 구성요소들에 대한 상기 제4 데이터를 획득할 수 있다.
동작 313에서, 전자 장치(100)는, 상기 제1 데이터, 상기 제2 데이터, 상기 제3 데이터, 및 상기 제4 데이터를 이용하여 전자 장치(100)와 연관된 데이터베이스 내에 등록된 복수의 개발자들 중에서 상기 제품을 개발할 수 있는 적어도 하나의 후보 개발자를 식별할 수 있다. 다양한 실시예들에서, 상기 데이터베이스는, 복수의 개발자들에 대한 정보를 포함할 수 있다. 예를 들면, 상기 데이터베이스는, 상기 복수의 개발자들 각각이 개발한 이력을 가지는 제품 정보, 상기 복수의 개발자들 각각에 의해 개발된 제품의 원재료 정보, 상기 복수의 개발자들 각각에 의해 개발된 제품의 형상 정보, 상기 복수의 개발자들 각각에 의해 개발된 제품의 기능 정보 등을 포함할 수 있다. 전자 장치(100)는, 상기 제1 데이터, 상기 제2 데이터, 상기 제3 데이터, 및 상기 제4 데이터를 이용하여 상기 데이터베이스를 탐색함으로써, 상기 제품을 개발할 수 있는 상기 적어도 하나의 후보 개발자를 식별할 수 있다.
동작 315에서, 전자 장치(100)는, 상기 적어도 하나의 후보 개발자에 대한 정보를 전자 장치(101)에게 송신할 수 있다. 전자 장치(101)는, 상기 적어도 하나의 후보 개발자에 대한 정보를 전자 장치(100)로부터 수신할 수 있다. 전자 장치(101)의 사용자는, 상기 제품에 대한 정보의 입력한 후 별도의 노력 없이, 전자 장치(100)에 의해 추천된 상기 적어도 하나의 후보 개발자에 대한 정보를 획득할 수 있기 때문에, 다양한 실시예들에 따른 전자 장치(100)는, 강화된 사용자 경험을 제공할 수 있다.
도 5는 다양한 실시예들에 따라 제품의 개발 일정을 결정하는 방법을 도시하는 흐름도이다. 이러한 방법은, 도 1에 도시된 전자 장치(100), 도 2에 도시된 전자 장치(100), 도 3에 도시된 전자 장치(100), 및 전자 장치(100)의 프로세서에 의해 실행될 수 있다.
동작 510에서, 전자 장치(100)는, 개발을 요청한 상기 제품의 상기 구성 요소들 각각의 개발자를 적어도 하나의 후보 개발자 중에서 결정할 수 있다. 예를 들어, 개발을 요청한 상기 제품이 회로 기판을 제1 구성 요소로서 포함하고, 상기 회로 기판을 실장하기 위해 이용되는 아크릴 재질의 하우징을 제2 구성 요소로서 포함하고, 상기 하우징을 지지하기 위한 철제 다리들을 제3 구성 요소로 포함한다고 가정하자. 전자 장치(100)는, 상기 제1 구성 요소를 개발할 수 있는 개발자 A를 적어도 하나의 후보 개발자 중에서 식별하고, 상기 제2 구성 요소를 개발할 수 있는 개발자 B를 상기 적어도 하나의 후보 개발자 중에서 식별하며, 상기 제3 구성 요소를 개발할 수 있는 개발자 C를 상기 적어도 하나의 후보 개발자 중에서 식별할 수 있다.
동작 520에서, 전자 장치(100)는, 상기 제1 데이터, 상기 제2 데이터, 상기 제3 데이터, 및 상기 제4 데이터에 기반하여 상기 구성 요소들의 개발 순서를 결정할 수 있다. 예를 들어, 상술한 예시를 따르면, 전자 장치(100)는, 회로 기판에 해당하는 상기 제1 구성 요소를 가장 먼저 개발이 필요한 구성 요소로 결정하고, 하우징에 해당하는 상기 제2 구성 요소를 상기 제1 구성 요소의 개발 이후 개발될 구성 요소로 결정하며, 철제 다리들에 해당하는 제3 구성 요소를 상기 제2 구성 요소의 개발 후 개발될 구성 요소로 결정할 수 있다.
동작 530에서, 전자 장치(100)는, 상기 구성 요소들 각각의 개발자의 결정 및 상기 개발 순서에 기반하여, 제품의 개발 일정을 결정할 수 있다. 예를 들면, 전자 장치(100)는, 상기 제1 구성 요소의 개발 일정을 가장 빠른 날로 어레인지하고, 상기 제1 구성 요소가 개발자 B에게 배송될 것으로 판단되는 시점으로부터 상기 제2 구성 요소의 개발 일정을 어레인지하며, 상기 제2 구성 요소가 개발자 C에게 배송될 것으로 판단되는 시점으로부터 상기 제3 구성 요소의 개발 일정을 어레인지할 수 있다.
동작 540에서, 전자 장치(100)는, 상기 개발 일정에 대한 정보를 상기 적어도 하나의 후보 개발자에 대한 정보와 함께 전자 장치(101)에게 송신할 수 있다. 전자 장치(101)는, 상기 개발 일정에 대한 정보를 상기 적어도 하나의 후보 개발자에 대한 정보와 함께 수신할 수 있다. 전자 장치(101)는, 사용자가 상기 제품의 상기 개발을 진행할 수 있도록, 상기 적어도 하나의 후보 개발자에 대한 정보 및 상기 개발 일정에 대한 정보를 전자 장치(101)의 디스플레이를 통해 표시할 수 있다.
도 6은 다양한 실시예들에 따라 개발 일정에 대한 정보를 송신하는 방법을 도시하는 시스템도이다. 이러한 동작은 도 1 및 2에 도시된 전자 장치(100), 도 1에 도시된 전자 장치(101), 및 도 1에 도시된 전자 장치(102)에 의해 실행될 수 있다.
도 6을 참조하면, 동작 315에서, 전자 장치(100)는 적어도 하나의 후보 개발자에 대한 정보를 전자 장치(101)에게 송신할 수 있다. 전자 장치(101)는, 상기 적어도 하나의 후보 개발자에 대한 정보를 전자 장치(100)으로부터 수신할 수 있다.
동작 601에서, 전자 장치(100)는, 상기 개발 일정에 대한 정보를 전자 장치(101)에게 송신할 수 있다. 전자 장치(101)는, 상기 개발 일정에 대한 정보를 전자 장치(100)로부터 수신할 수 있다.
동작 603에서, 전자 장치(101)는, 제품을 개발함을 나타내는 메시지를 전자 장치(100)에게 송신할 수 있다. 예를 들면, 전자 장치(101)는, 전자 장치(101)의 개발 일정에 대한 정보 및 상기 적어도 하나의 후보 개발자에 대한 정보를 디스플레이를 통해 표시할 수 있다. 전자 장치(101)는, 디스플레이를 통해 표시된 정보에 대한 사용자 입력을 수신하고, 상기 사용자 입력이 상기 제품을 개발함을 나타냄을 식별하는 것에 기반하여, 상기 제품을 개발함을 나타내는 상기 메시지를 전자 장치(100)에게 송신할 수 있다. 전자 장치(100)는, 상기 메시지를 전자 장치(101)로부터 수신할 수 있다.
동작 605에서, 전자 장치(100)는, 상기 메시지의 상기 수신에 응답하여, 상기 개발 일정에 대한 정보 및 상기 적어도 하나의 후보 개발자 각각에 의해 개발이 요구되는 상기 적어도 하나의 구성 요소에 대한 정보를 상기 적어도 하나의 후보 개발자와 연관된 전자 장치(102)에게 송신할 수 있다. 전자 장치(102)는, 상기 개발 일정에 대한 정보 및 상기 적어도 하나의 후보 개발자 각각에 의해 개발이 요구되는 상기 적어도 하나의 구성 요소에 대한 정보를 전자 장치(100)로부터 수신할 수 있다.
상술한 바와 같이, 다양한 실시예들에 따른 전자 장치(100)는, 제품을 개발할 수 있는 개발자를 소개할 뿐 아니라 상기 제품의 개발 일정까지 배열함으로써, 강화된 사용자 경험을 제공할 수 있다.
상술한 바와 같은, 다양한 실시예들에 따른 전자 장치(electronic device)는, 통신 회로와, 인스트럭션들을 저장하도록 구성된 적어도 하나의 메모리와, 적어도 하나의 프로세서를 포함할 수 있고, 상기 적어도 하나의 프로세서는, 상기 인스트럭션들을 실행할 시, 상기 통신 회로를 통해 외부 전자 장치로부터, 개발을 요청하는 제품에 대한 정보를 수신하고, 상기 제품에 대한 상기 정보로부터 이미지 데이터를 식별하고, 상기 제품에 대한 상기 정보로부터 텍스트 데이터를 식별하고, 트레이닝된 신경망을 이용하여 상기 이미지 데이터 및 상기 텍스트 데이터를 인식하고, 상기 인식에 기반하여, 상기 제품의 형상에 대한 제1 데이터, 상기 제품의 적어도 하나의 원재료에 대한 제2 데이터, 상기 제품의 적어도 하나의 기능에 대한 제3 데이터, 및 상기 제품의 구성 요소들에 대한 제4 데이터를 획득하고, 상기 제1 데이터, 상기 제2 데이터, 상기 제3 데이터, 및 상기 제4 데이터를 이용하여 상기 전자 장치와 연관된 데이터베이스 내에 등록된 복수의 개발자들 중에서 상기 제품을 개발할 수 있는 적어도 하나의 후보 개발자를 식별하고, 상기 적어도 하나의 후보 개발자에 대한 정보를 상기 통신 회로를 통해 상기 외부 전자 장치에게 송신하도록 구성될 수 있다.
다양한 실시예들에서, 상기 적어도 하나의 프로세서는, 상기 인스트럭션들을 실행할 시, 상기 구성 요소들 각각의 개발자를 상기 적어도 하나의 후보 개발자 중에서 결정하고, 상기 제1 데이터, 상기 제2 데이터, 상기 제3 데이터, 및 상기 제4 데이터에 기반하여, 상기 구성 요소들의 개발 순서를 결정하고, 상기 구성 요소들 각각의 개발자의 상기 결정 및 상기 개발 순서에 기반하여, 상기 제품의 개발 일정을 결정하고, 상기 결정된 개발 일정에 대한 정보를 상기 적어도 하나의 후보 개발자에 대한 정보와 함께 상기 통신 회로를 통해 상기 외부 전자 장치에게 송신하도록 더 구성될 수 있다.
다양한 실시예들에서, 상기 적어도 하나의 프로세서는, 상기 인스트럭션들을 실행할 시, 상기 적어도 하나의 후보 개발자에 대한 정보를 수신한 상기 외부 전자 장치로부터 상기 통신 회로를 통해, 상기 제품을 개발함을 나타내는 메시지를 수신하고, 상기 수신에 응답하여, 상기 통신 회로를 통해 상기 적어도 하나의 후보 개발자와 각각 연관된 적어도 하나의 다른 전자 장치 각각에게, 상기 개발 일정에 대한 정보와 상기 적어도 하나의 후보 개발자 각각에 의해 개발이 요구되는 적어도 하나의 구성 요소에 대한 정보를 송신하도록 더 구성될 수 있다.
다양한 실시예들에 따른, 통신 회로를 가지는 전자 장치를 동작하기 위한 방법은, 상기 통신 회로를 통해 외부 전자 장치로부터, 개발을 요청하는 제품에 대한 정보를 수신하는 동작과, 상기 제품에 대한 상기 정보로부터 이미지 데이터를 식별하는 동작과, 상기 제품에 대한 상기 정보로부터 텍스트 데이터를 식별하는 동작과, 트레이닝된 신경망을 이용하여 상기 이미지 데이터 및 상기 텍스트 데이터를 인식하는 동작과, 상기 인식에 기반하여, 상기 제품의 형상에 대한 제1 데이터, 상기 제품의 적어도 하나의 원재료에 대한 제2 데이터, 상기 제품의 적어도 하나의 기능에 대한 제3 데이터, 및 상기 제품의 구성 요소들에 대한 제4 데이터를 획득하는 동작과, 상기 제1 데이터, 상기 제2 데이터, 상기 제3 데이터, 및 상기 제4 데이터를 이용하여 상기 전자 장치와 연관된 데이터베이스 내에 등록된 복수의 개발자들 중에서 상기 제품을 개발할 수 있는 적어도 하나의 후보 개발자를 식별하는 동작과, 상기 적어도 하나의 후보 개발자에 대한 정보를 상기 통신 회로를 통해 상기 외부 전자 장치에게 송신하는 동작을 포함할 수 있다.
다양한 실시예들에 따른 비일시적 컴퓨터 판독 가능 저장 매체(non-transitory computer readable storage medium)는, 통신 회로를 가지는 전자 장치의 하나 이상의 프로세서들에 의해 실행될 시, 상기 통신 회로를 통해 외부 전자 장치로부터, 개발을 요청하는 제품에 대한 정보를 수신하고, 상기 제품에 대한 상기 정보로부터 이미지 데이터를 식별하고, 상기 제품에 대한 상기 정보로부터 텍스트 데이터를 식별하고, 트레이닝된 신경망을 이용하여 상기 이미지 데이터 및 상기 텍스트 데이터를 인식하고, 상기 인식에 기반하여, 상기 제품의 형상에 대한 제1 데이터, 상기 제품의 적어도 하나의 원재료에 대한 제2 데이터, 상기 제품의 적어도 하나의 기능에 대한 제3 데이터, 및 상기 제품의 구성 요소들에 대한 제4 데이터를 획득하고, 상기 제1 데이터, 상기 제2 데이터, 상기 제3 데이터, 및 상기 제4 데이터를 이용하여 상기 전자 장치와 연관된 데이터베이스 내에 등록된 복수의 개발자들 중에서 상기 제품을 개발할 수 있는 적어도 하나의 후보 개발자를 식별하고, 상기 적어도 하나의 후보 개발자에 대한 정보를 상기 통신 회로를 통해 상기 외부 전자 장치에게 송신하도록, 상기 전자 장치를 야기하는 인스트럭션들을 포함하는 하나 이상의 프로그램들을 저장할 수 있다.
본 개시의 청구항 또는 명세서에 기재된 실시 예들에 따른 방법들은 하드웨어, 소프트웨어, 또는 하드웨어와 소프트웨어의 조합의 형태로 구현될(implemented) 수 있다.
소프트웨어로 구현하는 경우, 하나 이상의 프로그램(소프트웨어 모듈)을 저장하는 컴퓨터 판독 가능 저장 매체가 제공될 수 있다. 컴퓨터 판독 가능 저장 매체에 저장되는 하나 이상의 프로그램은, 전자 장치(device) 내의 하나 이상의 프로세서에 의해 실행 가능하도록 구성된다(configured for execution). 하나 이상의 프로그램은, 전자 장치로 하여금 본 개시의 청구항 또는 명세서에 기재된 실시 예들에 따른 방법들을 실행하게 하는 명령어(instructions)를 포함한다.
이러한 프로그램(소프트웨어 모듈, 소프트웨어)은 랜덤 액세스 메모리 (random access memory), 플래시(flash) 메모리를 포함하는 불휘발성(non-volatile) 메모리, 롬(ROM: Read Only Memory), 전기적 삭제가능 프로그램가능 롬(EEPROM: Electrically Erasable Programmable Read Only Memory), 자기 디스크 저장 장치(magnetic disc storage device), 컴팩트 디스크 롬(CD-ROM: Compact Disc-ROM), 디지털 다목적 디스크(DVDs: Digital Versatile Discs) 또는 다른 형태의 광학 저장 장치, 마그네틱 카세트(magnetic cassette)에 저장될 수 있다. 또는, 이들의 일부 또는 전부의 조합으로 구성된 메모리에 저장될 수 있다. 또한, 각각의 구성 메모리는 다수 개 포함될 수도 있다.
또한, 상기 프로그램은 인터넷(Internet), 인트라넷(Intranet), LAN(Local Area Network), WLAN(Wide LAN), 또는 SAN(Storage Area Network)과 같은 통신 네트워크, 또는 이들의 조합으로 구성된 통신 네트워크를 통하여 접근(access)할 수 있는 부착 가능한(attachable) 저장 장치(storage device)에 저장될 수 있다. 이러한 저장 장치는 외부 포트를 통하여 본 개시의 실시 예를 수행하는 장치에 접속할 수 있다. 또한, 통신 네트워크상의 별도의 저장장치가 본 개시의 실시 예를 수행하는 장치에 접속할 수도 있다.
상술한 본 개시의 구체적인 실시 예들에서, 개시에 포함되는 구성 요소는 제시된 구체적인 실시 예에 따라 단수 또는 복수로 표현되었다. 그러나, 단수 또는 복수의 표현은 설명의 편의를 위해 제시한 상황에 적합하게 선택된 것으로서, 본 개시가 단수 또는 복수의 구성 요소에 제한되는 것은 아니며, 복수로 표현된 구성 요소라 하더라도 단수로 구성되거나, 단수로 표현된 구성 요소라 하더라도 복수로 구성될 수 있다.
한편 본 개시의 상세한 설명에서는 구체적인 실시 예에 관해 설명하였으나, 본 개시의 범위에서 벗어나지 않는 한도 내에서 여러 가지 변형이 가능함은 물론이다. 그러므로 본 개시의 범위는 설명된 실시 예에 국한되어 정해져서는 아니 되며 후술하는 특허청구의 범위뿐만 아니라 이 특허청구의 범위와 균등한 것들에 의해 정해져야 한다.

Claims (3)

  1. 전자 장치에 있어서,
    통신 회로;
    인스트럭션들을 저장하도록 구성된 적어도 하나의 메모리; 및
    적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서는, 상기 인스트럭션들을 실행할 시,
    상기 통신 회로를 통해 외부 전자 장치로부터, 개발을 요청하는 제품에 대한 정보를 수신하고,
    상기 제품에 대한 상기 정보로부터 이미지 데이터를 식별하고,
    상기 제품에 대한 상기 정보로부터 텍스트 데이터를 식별하고,
    트레이닝된 신경망을 이용하여 상기 이미지 데이터 및 상기 텍스트 데이터를 인식하고,
    상기 인식에 기반하여, 상기 제품의 형상에 대한 제1 데이터, 상기 제품의 적어도 하나의 원재료에 대한 제2 데이터, 상기 제품의 적어도 하나의 기능에 대한 제3 데이터, 및 상기 제품의 구성 요소들에 대한 제4 데이터를 획득하고,
    상기 제1 데이터, 상기 제2 데이터, 상기 제3 데이터, 및 상기 제4 데이터를 이용하여 상기 전자 장치와 연관된 데이터베이스 내에 등록된 복수의 개발자들 중에서 상기 제품을 개발할 수 있는 적어도 하나의 후보 개발자를 식별하고,
    상기 적어도 하나의 후보 개발자에 대한 정보를 상기 통신 회로를 통해 상기 외부 전자 장치에게 송신하도록 구성되는 전자 장치.
  2. 청구항 1에 있어서, 상기 적어도 하나의 프로세서는, 상기 인스트럭션들을 실행할 시,
    상기 구성 요소들 각각의 개발자를 상기 적어도 하나의 후보 개발자 중에서 결정하고,
    상기 제1 데이터, 상기 제2 데이터, 상기 제3 데이터, 및 상기 제4 데이터에 기반하여, 상기 구성 요소들의 개발 순서를 결정하고,
    상기 구성 요소들 각각의 개발자의 상기 결정 및 상기 개발 순서에 기반하여, 상기 제품의 개발 일정을 결정하고,
    상기 결정된 개발 일정에 대한 정보를 상기 적어도 하나의 후보 개발자에 대한 정보와 함께 상기 통신 회로를 통해 상기 외부 전자 장치에게 송신하도록 더 구성되는 전자 장치.
  3. 청구항 2에 있어서, 상기 적어도 하나의 프로세서는, 상기 인스트럭션들을 실행할 시,
    상기 적어도 하나의 후보 개발자에 대한 정보를 수신한 상기 외부 전자 장치로부터 상기 통신 회로를 통해, 상기 제품을 개발함을 나타내는 메시지를 수신하고,
    상기 수신에 응답하여, 상기 통신 회로를 통해 상기 적어도 하나의 후보 개발자와 각각 연관된 적어도 하나의 다른 전자 장치 각각에게, 상기 개발 일정에 대한 정보와 상기 적어도 하나의 후보 개발자 각각에 의해 개발이 요구되는 적어도 하나의 구성 요소에 대한 정보를 송신하도록 더 구성되는 전자 장치.
KR1020200009719A 2020-01-28 2020-01-28 제품의 개발을 보조하기 위한 전자 장치, 방법, 및 컴퓨터 판독가능 매체 KR20210096367A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200009719A KR20210096367A (ko) 2020-01-28 2020-01-28 제품의 개발을 보조하기 위한 전자 장치, 방법, 및 컴퓨터 판독가능 매체

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200009719A KR20210096367A (ko) 2020-01-28 2020-01-28 제품의 개발을 보조하기 위한 전자 장치, 방법, 및 컴퓨터 판독가능 매체

Publications (1)

Publication Number Publication Date
KR20210096367A true KR20210096367A (ko) 2021-08-05

Family

ID=77316469

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200009719A KR20210096367A (ko) 2020-01-28 2020-01-28 제품의 개발을 보조하기 위한 전자 장치, 방법, 및 컴퓨터 판독가능 매체

Country Status (1)

Country Link
KR (1) KR20210096367A (ko)

Similar Documents

Publication Publication Date Title
KR102481885B1 (ko) 클래스 인식을 위한 뉴럴 네트워크 학습 방법 및 디바이스
KR102400017B1 (ko) 객체를 식별하는 방법 및 디바이스
EP3886037B1 (en) Image processing apparatus and method for style transformation
CN111507378A (zh) 训练图像处理模型的方法和装置
KR102548732B1 (ko) 신경망 학습 방법 및 이를 적용한 장치
US20200242736A1 (en) Method for few-shot unsupervised image-to-image translation
CN113656582B (zh) 神经网络模型的训练方法、图像检索方法、设备和介质
KR102355489B1 (ko) 약물-표적 단백질의 상호작용을 예측하는 방법 및 그 방법을 수행하는 장치
KR102607208B1 (ko) 뉴럴 네트워크 학습 방법 및 디바이스
KR102387305B1 (ko) 멀티모달 데이터 학습 방법 및 장치
KR102293791B1 (ko) 반도체 소자의 시뮬레이션을 위한 전자 장치, 방법, 및 컴퓨터 판독가능 매체
KR102532748B1 (ko) 뉴럴 네트워크 학습 방법 및 장치
CN111542841A (zh) 一种内容识别的系统和方法
KR20190099153A (ko) 전자 장치
KR20190053481A (ko) 사용자 관심 정보 생성 장치 및 그 방법
US12056616B2 (en) Method for processing image, and apparatus therefor
US20250014698A1 (en) Method and system for analysing medical images to generate a medical report
KR102674954B1 (ko) 거대 언어 모델과 딥러닝을 이용한 검색 서비스를 제공하는 방법 및 장치
CN115131604A (zh) 一种多标签图像分类方法、装置、电子设备及存储介质
CN112420125A (zh) 分子属性预测方法、装置、智能设备和终端
KR102340867B1 (ko) 수산물의 판매량을 추정하기 위한 전자 장치, 방법, 및 컴퓨터 판독가능 매체
KR102575603B1 (ko) 인공지능을 이용한 사용자 리뷰 분석 장치 및 그 방법
KR102440963B1 (ko) 전자 장치, 이의 제어 방법 및 비일시적인 컴퓨터 판독가능 기록매체
CN116704264B (zh) 动物分类方法、分类模型训练方法、存储介质及电子设备
CN117312979A (zh) 对象分类方法、分类模型训练方法及电子设备

Legal Events

Date Code Title Description
PA0109 Patent application

Patent event code: PA01091R01D

Comment text: Patent Application

Patent event date: 20200128

PA0201 Request for examination
PE0902 Notice of grounds for rejection

Comment text: Notification of reason for refusal

Patent event date: 20210520

Patent event code: PE09021S01D

PG1501 Laying open of application
E701 Decision to grant or registration of patent right
PE0701 Decision of registration

Patent event code: PE07011S01D

Comment text: Decision to Grant Registration

Patent event date: 20210830

PC1904 Unpaid initial registration fee