(19)【発行国】日本国特許庁(JP)
(12)【公報種別】公表特許公報(A)
(11)【公表番号】
(43)【公表日】2024-02-16
(54)【発明の名称】献立提供装置及び方法
(51)【国際特許分類】
G06Q 50/10 20120101AFI20240208BHJP
【ＦＩ】
G06Q50/10
【審査請求】有
【予備審査請求】未請求
(21)【出願番号】P 2023549047
(86)(22)【出願日】2022-02-15
(85)【翻訳文提出日】2023-08-25
(86)【国際出願番号】 KR2022002218
(87)【国際公開番号】W WO2022173272
(87)【国際公開日】2022-08-18
(31)【優先権主張番号】10-2021-0019695
(32)【優先日】2021-02-15
(33)【優先権主張国・地域又は機関】KR
(81)【指定国・地域】
(71)【出願人】
【識別番号】521472874
【氏名又は名称】ヌヴィ ラブス カンパニー リミテッド
【氏名又は名称原語表記】ＮＵＶＩ ＬＡＢＳ ＣＯ．， ＬＴＤ．
【住所又は居所原語表記】９Ｆｌ．， ４３２－６， Ｅｏｎｊｕ－ｒｏ， Ｇａｎｇｎａｍ－ｇｕ， Ｓｅｏｕｌ ０６２１０ Ｒｅｐｕｂｌｉｃ ｏｆ Ｋｏｒｅａ
(74)【代理人】
【識別番号】100121382
【弁理士】
【氏名又は名称】山下 託嗣
(72)【発明者】
【氏名】キム，デ フン
(57)【要約】
本発明は、献立提供装置に関する。前記献立提供装置は、ネットワークを介して献立データを収集して献立データベースに格納する献立データ収集部と、前記献立データを学習して献立を生成する献立生成部と、前記生成された献立に基づいてユーザ端末に推薦献立を送り、前記ユーザ端末から選択された献立及び食事数に関する情報を受信する献立推薦部と、前記ユーザ端末から前記推薦献立に対する修正命令を受信し、前記修正命令に従って前記推薦献立を修正して前記ユーザ端末に送る献立修正部と、前記選択された献立に沿った食材の種類を導き出し、前記食事数による前記食材の種類別の必要数量を算定して食材供給者端末に伝送する食材注文部と、を含むことができる。
【特許請求の範囲】
【請求項1】
ネットワークを介して献立データを収集して献立データベースに格納する献立データ収集部と、前記献立データを学習して献立を生成する献立生成部と、
生成された献立に基づいてユーザ端末に推薦献立を送り、前記ユーザ端末から選択された献立及び食事数に関する情報を受信する献立推薦部と、
前記ユーザ端末から前記推薦献立に対する修正命令を受信し、
前記修正命令に従って前記推薦献立を修正して前記ユーザ端末に送る献立修正部と、
選択された献立に沿った食材の種類を導き出し、前記食事数による前記食材の種類別の必要数量を算定して食材供給者端末に伝送する食材注文部と、
を含む献立提供装置。
【請求項2】
前記献立推薦部は、前記ユーザ端末を介して入力された献立構成条件に基づいて前記推薦献立を構成し、
前記献立構成条件は、
献立を構成する食べ物のカロリー、栄養素の構成、味、糖度、辛さの程度、食べ物間の組み合わせ、旬の食材、おかずの品数、食材の価格、イベント料理、節気料理、季節料理、給食対象、献立を構成する個別の食べ物の重複性、供給食事数、選好度、給食所のメニュー数、食べ残し、給食の価格、食べ物の色の組み合わせ、食材に関するアレルギー情報、地域情報、他のユーザの献立評価結果のうち少なくとも１つ以上を含んで構成されることを特徴とする請求項１に記載の献立提供装置。
【請求項3】
前記献立推薦部は、累積された献立構成の統計的結果に基づいて前記ユーザ端末に推薦献立を伝送することを特徴とする請求項１に記載の献立提供装置。
【請求項4】
前記献立推薦部は、前記食材供給者端末から食材供給者が保有している食材在庫情報、主力として供給する食材情報、食材需給状態情報及び前記献立構成条件に基づいて前記推薦献立を構成することを特徴とする請求項２に記載の献立提供装置。
【請求項5】
前記食材需給状態情報は、食材の生産量、食材の予測生産量、食材の輸出入量及び食材の需要増減量を含む食材需給変動情報に基づいて決定されることを特徴とする請求項４に記載の献立提供装置。
【請求項6】
ユーザが構成した献立を記録する献立記録部を更に含み、前記献立生成部は、前記ユーザ構成献立に基づいてユーザの献立構成パターンを学習し、前記献立データの学習結果及び前記献立構成パターンの学習結果に基づいて献立を生成することを特徴とする請求項１に記載の献立提供装置。
【請求項7】
通信部は、前記ユーザ端末から前記推薦献立に対するフィードバックを受信し、前記献立データ収集部は、前記フィードバックに基づいて前記献立データベースを更新し、
前記献立生成部は、更新された献立データベース及び前記フィードバックに基づいて献立を生成し、前記フィードバックに基づいて献立を生成するモデルを更新することを特徴とする請求項１に記載の献立提供装置。
【請求項8】
前記食材注文部は、前記食材供給者端末から前記食材の種類別の必要数量に対する食材購入見積もりを受信して前記ユーザ端末に提供し、
前記ユーザ端末から前記食材購入見積もりに対して承認を受けると、食材購買に対する注文を前記食材供給者端末に伝送することを特徴とする請求項１に記載の献立提供装置。
【請求項9】
前記献立推薦部は、食材供給者の位置に基づいて前記ユーザ端末を地域別にグループ化し、同一のグループに属するユーザ端末に同一の献立を推薦し、前記食材注文部は、前記同一の献立及び前記同一の献立に沿った食事数に対応する食材の種類を導き出し、導き出された食材の種類別に必要数量を算定して前記同一のグループに割り当てられた食材供給者端末に伝送することを特徴とする請求項１に記載の献立提供装置。
【請求項10】
前記献立推薦部は、前記ユーザ端末から受信した選択された献立に関する情報に基づいて選択された献立のイメージを生成し、生成された前記献立のイメージを前記ユーザ端末に伝送することを特徴とする請求項１に記載の献立提供装置。
【請求項11】
前記食材注文部は、選択された献立に対する食事数を予測し、
予測された食事数に基づいて必要な食材の数量を算定して前記食材供給者端末に伝送することを特徴とする請求項１に記載の献立提供装置。
【請求項12】
献立データ収集部、献立生成部、献立推薦部、献立修正部及び食材注文部を含んで献立を推薦する献立提供装置の献立提供方法において、前記献立データ収集部がネットワークを介して献立データを収集する段階と、
前記献立生成部が前記献立データを学習して献立を生成する段階と、
前記献立推薦部が生成された献立に基づいてユーザ端末に推薦献立を送る段階と、
前記ユーザ端末から前記推薦献立に関する献立選択情報又は献立修正情報及び食事数に関する情報を受信する段階と、
前記食材注文部が選択された献立情報又は前記修正された献立情報に沿った食材の種類を導き出し、前記食事数による前記食材の種類別の必要数量を算出して食材供給者端末に伝送する段階と、
を含む献立提供装置の献立提供方法。
【請求項13】
前記献立推薦部は、前記ユーザ端末を介して入力されたユーザの献立構成条件に基づいて前記推薦献立を構成し、前記献立構成条件は、献立を構成する食べ物のカロリー、栄養素、味、糖度、辛さの程度、食べ物間の組み合わせ、旬の食材、おかずの品数、食材の価格、イベント料理、節気料理、季節料理、給食対象、献立を構成する個別の食べ物の重複性、供給食事数、選好度、給食所のメニュー数、食べ残し、給食の価格、食べ物の色の組み合わせ、食材に関するアレルギー情報、地域情報、他のユーザの献立評価結果及び食材需給状態情報のうち少なくとも１つ以上を含んで構成され、
前記食材需給状態情報は、食材の生産量、食材の予測生産量、食材の輸出入量及び食材の需要増減量を含む食材需給変動情報に基づいて決定されることを特徴とする請求項１２に記載の献立提供装置の献立提供方法。
【請求項14】
前記献立推薦部は、累積された献立構成の統計的結果に基づいて前記ユーザ端末に推薦献立を伝送することを特徴とする請求項１３に記載の献立提供方法。
【請求項15】
前記献立提供装置は、ユーザが構成した献立を記録する献立記録部を更に含み、前記献立生成部は、前記ユーザ構成献立に基づいてユーザの献立構成パターンを学習し、前記献立データの学習結果及び前記献立構成パターンの学習結果に基づいて推薦献立を生成することを特徴とする請求項１４に記載の献立提供方法。
【発明の詳細な説明】
【技術分野】
【0001】
本明細書は、人工知能に基づく献立提供装置及び献立提供方法に関する。
【背景技術】
【0002】
現在、幼稚園、保育園、学校、企業の社内食堂などで運営する給食サービスは、通常１人の栄養士が毎日の献立を構成し、構成された献立に従って食材を準備して園生、生徒又は従業員らに食事を提供する。
【0003】
また、栄養士は、献立に沿った食材を食材供給業者に個別に注文して代価を払って納品を受ける。
【発明の概要】
【発明が解決しようとする課題】
【0004】
従来、栄養士が献立を立てて給食を提供するサービスの場合、栄養士が毎日の献立を構成し、構成された献立に従って食材を準備することは栄養士にとって大きなストレスになる。そのため、栄養士の献立の組み立てに対する負担を軽減し、食材を容易に準備できる技術に対する必要性が高まっている。
【0005】
また、栄養士が個別に献立を用意し、用意された献立に沿った食材を食材供給業者に直接注文する場合、食材供給業者が少量で食材を供給しなければならないので、食材が高くなるという問題があり、多数の栄養士の献立を統一して大量に食材を供給することで、食材費を削減できる技術に対する必要性が高まっている。
【0006】
本発明が解決しようとする課題は、以上で言及した課題に制限されず、言及していない更に他の課題は、以下の記載から通常の技術者が明確に理解できるだろう。
【課題を解決するための手段】
【0007】
本明細書は、献立提供装置を提示する。前記献立提供装置は、ネットワークを介して献立データを収集して献立データベースに格納する献立データ収集部と、前記献立データを学習して献立を生成する献立生成部と、生成された献立に基づいてユーザ端末に推薦献立を送り、前記ユーザ端末から選択された献立及び食事数に関する情報を受信する献立推薦部と、前記ユーザ端末から前記推薦献立に対する修正命令を受信し、前記修正命令に従って前記推薦献立を修正して前記ユーザ端末に送る献立修正部と、前記選択された献立に沿った食材の種類を導き出し、前記食事数による前記食材の種類別の必要数量を算定して食材供給者端末に伝送する食材注文部と、を含むことができる。
【0008】
前記献立提供装置及びその他の実施例は、次のような特徴を含むことができる。
【0009】
実施例により、前記献立推薦部は、前記ユーザ端末を介して入力されたユーザの献立構成条件に基づいて前記推薦献立を構成し、前記献立構成条件は、献立を構成する食べ物のカロリー、栄養素の構成、味、糖度、辛さの程度、食べ物間の組み合わせ、旬の食材、おかずの品数、食材の価格、イベント料理、節気料理、季節料理、給食対象、献立を構成する個別の食べ物の重複性、供給食事数、選好度、給食所のメニュー数、食べ残し、給食の価格、食べ物の色の組み合わせ、食材に関するアレルギー情報、地域情報、他のユーザの献立評価結果のうち少なくとも１つ以上を含んで構成されることができる。
【0010】
実施例により、また、前記献立推薦部は、累積された献立構成の統計的結果に基づいて前記ユーザ端末に推薦献立を伝送できる。
【0011】
実施例により、更に、前記献立推薦部は、前記食材供給者端末から食材供給者が保有している食材在庫情報、主力として供給する食材情報、食材需給状態情報及び前記献立構成条件に基づいて前記推薦献立を構成できる。
【0012】
実施例により、また前記食材需給状態情報は、食材の生産量、食材の予測生産量、食材の輸出入量及び食材の需要増減量を含む食材需給変動情報に基づいて決定できる。
【0013】
実施例により、前記献立提供装置は、ユーザが構成した献立を記録する献立記録部を更に含み、前記献立生成部は、前記ユーザが構成した献立に基づいてユーザの献立構成パターンを学習し、前記献立データの学習結果及び前記献立構成パターンの学習結果に基づいて献立を生成できる。
【0014】
実施例により、また、前記通信部は、前記ユーザ端末から前記推薦献立に対するフィードバックを受信し、前記献立データ収集部は、前記フィードバックに基づいて前記献立データベースを更新し、前記献立生成部は、前記更新された献立データベース及び前記フィードバックに基づいて献立を生成し、前記フィードバックに基づいて献立を生成するモデルを更新できる。
【0015】
実施例により、更に、前記食材注文部は、前記食材供給者端末から前記食材の種類別の必要数量に対する食材購入見積もりを受信して前記ユーザ端末に提供し、前記ユーザ端末から前記食材購入見積もりに対して承認を受けると、前記食材購買に対する注文を前記食材供給者端末に伝送できる。
【0016】
実施例により、また、前記献立推薦部は、前記食材供給者の位置に基づいて前記ユーザ端末を地域別にグループ化し、同一のグループに属するユーザ端末に同一の献立を推薦し、前記食材注文部は、前記同一の献立及び前記同一の献立に沿った食事数に対応する食材の種類を導き出し、前記導き出された食材の種類別に必要数量を算定して前記同一のグループに割り当てられた食材供給者端末に伝送できる。
【0017】
実施例により、更に、前記献立推薦部は、前記ユーザ端末から受信した前記選択された献立に関する情報に基づいて選択された献立のイメージを生成し、生成された前記献立のイメージを前記ユーザ端末に伝送できる。
【0018】
実施例により、また、前記食材注文部は、前記選択された献立に対する食事数を予測し、前記予測された食事数に基づいて必要な食材の数量を算定して前記食材供給者端末に伝送できる。
【0019】
一方、本明細書は、献立データ収集部、献立生成部、献立推薦部、献立修正部及び食材注文部を含んで献立を推薦する献立提供装置の献立提供方法を提示する。前記献立提供方法は、前記献立データ収集部がネットワークを介して献立データを収集する段階と、前記献立生成部が前記献立データを学習して献立を生成する段階と、前記献立推薦部が前記生成された献立に基づいてユーザ端末に推薦献立を送る段階と、前記ユーザ端末から前記推薦献立に関する献立選択情報又は献立修正情報及び食事数に関する情報を受信する段階と、前記食材注文部が前記選択された献立情報又は前記修正された献立情報に沿った食材の種類を導き出し、前記食事数による前記食材の種類別の必要数量を算出して食材供給者端末に伝送する段階とを含むことができる。
【0020】
前記献立の提供方法及びその他の実施例は、次のような特徴を含むことができる。
【0021】
実施例により、前記献立推薦部は、前記ユーザ端末を介して入力されたユーザの献立構成条件に基づいて前記推薦献立を構成し、前記献立構成条件は、献立を構成する食べ物のカロリー、栄養素、味、糖度、辛さの程度、食べ物間の組み合わせ、旬の食材、おかずの品数、食材の価格、イベント料理、節気料理、季節料理、給食対象、献立を構成する個別の食べ物の重複性、供給食事数、選好度、給食所のメニュー数、食べ残し、給食の価格、食べ物の色の組み合わせ、食材に関するアレルギー情報、地域情報、他のユーザの献立評価結果及び食材需給状態情報のうち少なくとも１つ以上を含んで構成され、前記食材需給状態情報は、食材の生産量、食材の予測生産量、食材の輸出入量及び食材の需要増減量を含む食材需給変動情報に基づいて決定できる。
【0022】
実施例により、また、前記献立推薦部は、累積された献立構成の統計的結果に基づいて前記ユーザ端末に推薦献立を伝送できる。
【0023】
実施例により、また、前記献立提供装置は、ユーザが構成した献立を記録する献立記録部を更に含み、前記献立生成部は、前記ユーザ構成献立に基づいてユーザの献立構成パターンを学習し、前記献立データの学習結果及び前記献立構成パターンの学習結果に基づいて推薦献立を生成できる。
【発明の効果】
【0024】
本明細書に開示された実施例によれば、ユーザに最適な献立を提供することによって、ユーザが献立を準備する困難を除去できるという効果がある。
【0025】
また、本明細書に開示された実施例によれば、ユーザの献立構成条件による人工知能によって推薦された献立をユーザに提供できるため、ユーザが献立の準備を簡単にできるという効果がある。
【0026】
更に、本明細書に開示された実施例によると、多数のユーザに共通の献立を提供し、共通献立に他の食材を共同購入できるようにすることで、ユーザは、食材を安く手にすることができ、食材供給者は、大量の食材を供給することになり、売上を向上させることができるという効果がある。
【0027】
一方、本発明で得られる効果は、以上で言及した効果に制限されず、言及していない更に他の効果は、以下の記載から本発明の属する技術分野における通常の知識を有する者が明確に理解できるだろう。
【0028】
本明細書に添付される次の図面は、本発明の好適な実施例を例示するものであり、発明を実施するための具体的な内容と共に本発明の技術思想を更に理解させる役割を果たすものであるので、本発明は、そのような図面に記載された事項だけに限定して解釈されてはならない。
【図面の簡単な説明】
【0029】
【図1】パーセプトロン構造を示す。
【図2】多層パーセプトロン構造を示す。
【図3】ディープニューラルネットワークの例を示す。
【図4】畳み込みニューラルネットワークの例を示す。
【図5】畳み込みニューラルネットワークでのフィルタ演算を示す。
【図6】循環ループが存在するニューラルネットワーク構造を示す。
【図7】回帰型ニューラルネットワークの動作構造を示す。
【図8】本発明の一実施例に係るＡＩ装置のブロック図である。
【図9】本発明の実施例に係る献立提供システムを示す。
【図10】本発明の実施例に係る献立提供装置の構成を示すブロック図である。
【図11】ユーザを圏域別にグループ化して献立及び食材を提供するための例を示す。
【図12】公にされた献立データの一部を示す表の例を示す。
【図13】生成された献立に対するイメージの例を示す。
【図14】推薦された献立に関する詳細情報を提供する出力画面の例を示す。
【図15】オーダーメード型献立の生成のための献立修正用のユーザインターフェースの例を示す。
【図16】オーダーメード型献立の生成のための献立修正用のユーザインターフェースの他の例を示す。
【図17】本発明の実施例に係る献立提供システムの構成要素間のデータの流れを示す。
【発明を実施するための形態】
【0030】
本明細書に開示された技術は、給食サービスのための献立の提供に適用できる。しかし、本明細書に開示された技術は、これに限定されず、前記技術の技術的思想が適用できるあらゆる装置及び方法にも適用できる。
【0031】
本明細書で用いられる技術的用語は、単に特定の実施例を説明するために用いられるものであり、本明細書に開示された技術の思想を限定しようとする意図ではないことに留意すべきである。また、本明細書で用いられる技術的用語は、本明細書で特に他の意味として定義されない限り、本明細書に開示された技術の属する分野における通常の知識を有する者によって一般的に理解される意味として解釈されなければならず、過度に包括的な意味として解釈されるか、過度に縮小された意味として解釈されてはならない。また、本明細書で用いられる技術的な用語が本明細書に開示された技術の思想を正確に表現できない誤った技術的用語である場合には、本明細書に開示された技術の属する分野における通常の知識を有する者が正しく理解できる技術的用語に代替されて理解されるべきである。更に、本明細書で用いられる一般的な用語は、辞典に定義されているところによって、又は前後の文脈によって解釈されなければならず、過度に縮小された意味として解釈されてはならない。
【0032】
本明細書で用いられる第１、第２などのように序数を含む用語は、多様な構成要素を説明するのに用いられるが、前記構成要素は、前記用語によって限定されてはならない。前記用語は、１つの構成要素を他の構成要素から区別する目的としてのみ用いられる。例えば、本発明の権利範囲から逸脱することなく、第１構成要素は第２構成要素と命名でき、同様に第２構成要素も第１構成要素と命名できる。
【0033】
以下、添付の図面を参照して本明細書に開示された実施例を詳細に説明するが、図面符号に関係なく、同一又は類似する構成要素は同一の参照番号を付し、これについての重複する説明は省略する。
【0034】
また、本明細書に開示された技術を説明するにあたり、関連する公知技術についての具体的な説明が本明細書に開示された技術の要旨を曖昧にするおそれがあると判断される場合、その詳細な説明を省略する。また、添付の図面は、本明細書に開示された技術の思想を容易に理解できるようにするためのものに過ぎず、添付の図面によってその技術の思想が制限されるものと解釈されてはならないことに留意すべきである。
【0035】
以下、添付の図１ないし８を参照して、本発明の献立提供装置の献立の生成及び献立推薦機能に適用できる人工知能学習について説明する。
【0036】
人工知能（Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ、以下ＡＩという。）は、数多くの分析を用いて複雑な対象作業が行われる方式を決定できる。即ち、ＡＩは効率性を高め、処理遅延を低減できる。大量のデータ分析のような時間消耗的な作業は、ＡＩを用いることによって直ちに実行できる。
【0037】
以下、ＡＩの一種であるマシンラーニングについてより具体的に詳察する。
【0038】
マシンラーニングは、人ができるか、或いはやり難い作業を代わりに行える機械を作り出すために機械を学習させる一連の動作を意味する。マシンラーニングのためには、データとラーニングモデルが必要である。マシンラーニングにおいてデータの学習方法は大きく３つ、即ち教師あり学習（ｓｕｐｅｒｖｉｓｅｄ ｌｅａｒｎｉｎｇ）、教師なし学習（ｕｎｓｕｐｅｒｖｉｓｅｄ ｌｅａｒｎｉｎｇ）、そして強化学習（ｒｅｉｎｆｏｒｃｅｍｅｎｔ ｌｅａｒｎｉｎｇ）に区分できる。
【0039】
ニューラルネットワーク学習は、出力のエラーを最小化するためのものである。ニューラルネットワーク学習は、反復的に学習データをニューラルネットワークに入力させ、学習データに対するニューラルネットワークの出力とターゲットのエラーを計算し、エラーを減らすための方向でニューラルネットワークのエラーをニューラルネットワークの出力レイヤから入力レイヤ方向に逆伝播（ｂａｃｋｐｒｏｐａｇａｔｉｏｎ）してニューラルネットワークの各ノードの重みをアップデートする過程である。
【0040】
教師あり学習は、学習データに正解がラベル付けされた学習データを用い、教師なし学習は、学習データに正解をラベル付けしない。即ち、例えばデータ分類に関する教師あり学習の場合の学習データは、学習データのそれぞれにカテゴリがラベル付けされたデータであり得る。ラベル付けされた学習データがニューラルネットワークに入力され、ニューラルネットワークの出力（カテゴリ）と学習データのラベルとを比較して誤差（ｅｒｒｏｒ）を計算できる。計算された誤差は、ニューラルネットワークにて逆方向（即ち、出力レイヤから入力レイヤ方向）に逆伝播し、逆伝播によってニューラルネットワークの各レイヤの各ノードの接続重みをアップデートできる。アップデートされる各ノードの接続重みは、学習率（ｌｅａｒｎｉｎｇ ｒａｔｅ）によって変化量を決定できる。入力データに対するニューラルネットワークの計算とエラーの逆伝播は、学習サイクル（ｅｐｏｃｈ）を構成できる。学習率は、ニューラルネットワークの学習サイクルの反復回数によって異なって適用できる。例えば、ニューラルネットワークの学習の初期には、高い学習率を用いてニューラルネットワークが一定水準の性能を迅速に確保するようにして効率性を高め、学習の後期には、低い学習率を用いて正確度を高めることができる。
【0041】
データの特徴によって学習方法は異なり得る。例えば、通信システム上で送信端から伝送したデータを受信端で正確に予測することを目的とする場合、教師なし学習又は強化学習よりは教師あり学習を用いて学習を行うことが好ましい。
【0042】
ラーニングモデルは、人間の脳に該当するものであって、最も基本的な線形モデルが考えられるが、人工ニューラルネットワーク（ＡＮＮ、ａｒｔｉｆｉｃｉａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ）のような複雑性の高いニューラルネットワーク構造をラーニングモデルとして用いるマシンラーニングのパラダイムをディープラーニング（ｄｅｅｐ ｌｅａｒｎｉｎｇ）という。
【0043】
学習（ｌｅａｒｎｉｎｇ）方式として用いるニューラルネットワークコア（ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｃｏｒe）は、大きくディープニューラルネットワーク（ＤＮＮ、ｄｅｅｐ ｎｅｕｒａｌ ｎｅｔｗｏｒｋs）、畳み込みニューラルネットワーク（ＣＮＮ、ｃｏｎｖｏｌｕｔｉｏｎａｌ ｄｅｅｐ ｎｅｕｒａｌ ｎｅｔｗｏｒｋs）、回帰型ニューラルネットワーク（ＲＮＮ、Ｒｅｃｕｒｒｅｎｔ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）方式がある。
【0044】
人工ニューラルネットワーク（ａｒｔｉｆｉｃｉａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ）は、複数のパーセプトロンを接続した例示である。
【0045】
図１は、パーセプトロン構造を示す。
【0046】
図１を参照すると、入力ベクトルｘ=（ｘ１、ｘ２、・・・、ｘｄ）が入力されると、各成分に重み（Ｗ１、Ｗ２、...、Ｗｄ）を掛け、その結果を全て合算した後、活性関数σ（・）を適用する全体過程をパーセプトロン（ｐｅｒｃｅｐｔｒｏｎ）という。巨大な人工ニューラルネットワーク構造は、図１に示す単純化されたパーセプトロン構造を拡張し、入力ベクトルを互いに異なる多次元のパーセプトロンに適用することもできる。説明の便宜上、入力値又は出力値をノード（ｎｏｄｅ）と称する。
【0047】
一方、図１に示すパーセプトロン構造は、入力値、出力値を基準に計３つの層（ｌａｙｅｒ）で構成されるものと説明できる。１ｓｔ ｌａｙｅｒと２ｎｄ ｌａｙｅｒとの間には（ｄ＋１）次元のパーセプトロンＨ個、２ｎｄ ｌａｙｅｒと３ｒｄ ｌａｙｅｒとの間には（Ｈ＋１）次元のパーセプトロンがＫ個存在する人工ニューラルネットワークを図２のように表現できる。
【0048】
図２は、多層パーセプトロンの構造を示す。
【0049】
入力ベクトルが位置する層を入力層（ｉｎｐｕｔ ｌａｙｅｒ）、最終の出力値が位置する層を出力層（ｏｕｔｐｕｔ ｌａｙｅｒ）、入力層と出力層との間に位置する全ての層を隠れ層（ｈｉｄｄｅｎ ｌａｙｅｒ）という。図２の例示は、３つの層が開示されるが、実際に人工ニューラルネットワーク層の個数をカウントする際には入力層を除いてカウントするので、計２つの層と考えられる。人工ニューラルネットワークは、基本ブロックのパーセプトロンを２次元的に接続して構成される。
【0050】
前述した入力層、隠れ層、出力層は、多層パーセプトロンだけでなく、後述するＣＮＮ、ＲＮＮなど多様な人工ニューラルネットワーク構造で共通して適用できる。隠れ層の個数が多くなるほど人工ニューラルネットワークが深まったものであり、十分に深まった人工ニューラルネットワークをラーニングモデルとして用いるマシンラーニングパラダイムをディープラーニング（Ｄｅｅｐ Ｌｅａｒｎｉｎｇ）という。また、ディープラーニングのために用いる人工ニューラルネットワークをディープニューラルネットワーク（ＤＮＮ：Ｄｅｅｐ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）という。
【0051】
図３は、ディープニューラルネットワークの例を示す。
【0052】
図３に示すディープニューラルネットワークは、隠れ層＋出力層が８つで構成された多層パーセプトロンである。前記多層パーセプトロン構造を全結合型ニューラルネットワーク（ｆｕｌｌｙ-ｃｏｎｎｅｃｔｅｄ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ）と表現する。全結合型ニューラルネットワークは、互いに同一の層に位置するノード間には接続関係が存在せず、隣接する層に位置するノード間にのみ接続関係が存在する。ＤＮＮは、全結合型ニューラルネットワーク構造を有し、多数の隠れ層と活性関数の組み合わせで構成され、入力と出力間の相関関係特性を把握するのに有用に適用できる。ここで、相関関係特性は、入出力の結合確率（ｊｏｉｎｔ ｐｒｏｂａｂｉｌｉｔｙ）を意味し得る。
【0053】
一方、複数のパーセプトロンを互いにどのように接続するかによって、前述したＤＮＮとは異なる多様な人工ニューラルネットワーク構造を形成できる。
【0054】
【0055】
ＤＮＮは、１つの層の内部に位置するノードが１次元的に縦方向に配置されている。しかし、図４は、ノードが２次元的に横ｗ個、縦ｈ個のノードが配置する場合を仮定できる（図４の畳み込みニューラルネットワーク構造）。この場合、１つの入力ノードから隠れ層に繋がる接続過程で接続１つ当たりに重みが付加されるので、計ｈ×ｗ個の重みを考慮しなければならない。入力層にｈ×ｗ個のノードが存在するので、隣接する２つの層の間には、計ｈ２×ｗ２個の重みが必要である。
【0056】
図４の畳み込みニューラルネットワークは、接続個数によって重みの個数が幾何級数的に増加する問題があり、隣接する層間の全てのモードの接続を考慮する代わりに、大きさが小さいフィルタ（ｆｉｌｔｅｒ）が存在すると仮定して図５のように、フィルタが重なる部分に対しては加重和及び活性関数の演算を行うようにする。
【0057】
１つのフィルタは、その大きさだけの個数に該当する重みを有し、イメージ上のある特定の特徴を要因として抽出して出力できるように重みの学習を行うことができる。図５では、３×３サイズのフィルタが入力層の最上端３×３領域に適用され、該当ノードに対する加重和及び活性関数の演算を行った結果、出力値をｚ２２に格納する。
【0058】
前記フィルタは、入力層をスキャンしながら横、縦を一定間隔だけ移動しながら加重和及び活性関数の演算を行い、その出力値を現在のフィルタの位置に位置させる。このような演算方式は、コンピュータビジョン（ｃｏｍｐｕｔｅｒ ｖｉｓｉｏｎ）分野においてイメージに対する畳み込み（ｃｏｎｖｏｌｕｔｉｏｎ）演算と類似しているため、このような構造のディープニューラルネットワークを畳み込みニューラルネットワーク（ＣＮＮ：ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）といい、畳み込み演算の結果として生成される隠れ層を畳み込み層（ｃｏｎｖｏｌｕｔｉｏｎａｌ ｌａｙｅｒ）という。また、複数の畳み込み層が存在するニューラルネットワークを深層畳み込みニューラルネットワーク（ＤＣＮＮ：Ｄｅｅｐ ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ）という。
【0059】
畳み込み層では、現在フィルタが位置しているノードにて、前記フィルタがカバーする領域に位置するノードのみを包括して加重和を計算することによって、重みの個数を減らすことができる。これにより、１つのフィルタがローカル（ｌｏｃａｌ）領域に対する特徴に集中するように利用され得る。これにより、ＣＮＮは、２次元領域上の物理的距離が重要な判断基準となるイメージデータの処理に効果的に適用できる。一方、ＣＮＮは、畳み込み層の直前に複数のフィルタが適用でき、各フィルタの畳み込み演算を通じて複数の出力結果を生成することもできる。
【0060】
一方、データの属性によってシーケンス（ｓｅｑｕｅｎｃｅ）特性が重要なデータがあり得る。このようなシーケンスデータの長さの可変性、前後関係を考慮してデータシーケンス上の元素を毎時点（ｔｉｍｅｓｔｅｐ）に１つずつ入力し、特定時点で出力された隠れ層の出力ベクトル（隠れベクトル）を、シーケンス上の直ぐ次の元素と共に入力する方式を人工ニューラルネットワークに適用した構造を回帰型ニューラルネットワーク構造という。
【0061】
図６は、循環ループが存在するニューラルネットワーク構造を示す。
【0062】
図６を参照すると、回帰型ニューラルネットワーク（ＲＮＮ：ｒｅｃｕｒｒｅｎｔ ｎｅｕｒａｌ ｎｅｔｗｏｋ）は、データシーケンス上のある時点ｔの元素（ｘ１（ｔ）、ｘ２（ｔ）、・・・、ｘｄ（ｔ））を全結合型ニューラルネットワークに入力する過程で、直前の時点ｔ-１は隠れベクトル（ｚ１（ｔ-１）、ｚ２（ｔ－１）、・・・、ｚＨ（ｔ－１））を共に入力して加重和及び活性関数を適用する構造である。このように、隠れベクトルを次の時点に伝達する理由は、前の時点での入力ベクトル中の情報が現在時点の隠れベクトルに累積されたものと見なすためである。
【0063】
図６を参照すると、回帰型ニューラルネットワークは、入力されるデータシーケンスに対して所定の時点順に動作する。時点１における入力ベクトル（ｘ１（ｔ）、ｘ２（ｔ）、・・・、ｘｄ（ｔ））が回帰型ニューラルネットワークに入力された際の隠れベクトル（z１（１）、z２（１）、・・・、ｚＨ（１））が時点２の入力ベクトル（ｘ１（２）、ｘ２（２）、・・・、ｘｄ（２））と共に入力され、加重和及び活性関数を通じて隠れ層のベクトル（ｚ１（２）、ｚ２（２）、・・・、ｚＨ（２））を決定する。このような過程は、時点２、時点３、・・・、時点Ｔまで繰り返し行われる。
【0064】
図７は、回帰型ニューラルネットワークの動作構造を示す。
【0065】
一方、回帰型ニューラルネットワーク内で複数の隠れ層が配置される場合、これを深層回帰型ニューラルネットワーク（ＤＲＮＮ：Ｄｅｅｐ ｒｅｃｕｒｒｅｎｔ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ）という。回帰型ニューラルネットワークは、シーケンスデータ（例えば、自然言語処理（ｎａｔｕｒａｌ ｌａｎｇｕａｇｅ ｐｒｏｃｅｓｓｉｎｇ））に有用に適用されるように設計されている。
【0066】
学習（ｌｅａｒｎｉｎｇ）方式として用いるニューラルネットワークコアとして、ＤＮＮ、ＣＮＮ、ＲＮＮ以外に制限ボルツマンマシン（ＲＢＭ、Ｒｅｓｔｒｉｃｔｅｄ Ｂｏｌｔｚｍａｎｎ Ｍａｃｈｉｎｅ）、深層信念ネットワーク（ＤＢＮ、ｄｅｅｐ ｂｅｌｉｅｆ ｎｅｔｗｏｒｋs）、深層Ｑ－ネットワーク（Ｄｅｅｐ Ｑ－Ｎｅｔｗｏｒｋ）のような多様なディープラーニング技法を含み、コンピュータビジョン、音声認識、自然言語処理、音声／信号処理、大容量のデータ処理を通じた最適値の導出などの分野に適用できる。
【0067】
図８は、本発明の一実施例に係るＡＩ装置のブロック図である。
【0068】
前記ＡＩ装置２０は、ＡＩプロセッシングを行えるＡＩモジュールを含む電子機器又は前記ＡＩモジュールを含むサーバなどを含むことができる。また、前記ＡＩ装置２０は、図９に示す献立提供装置１００の少なくとも一部の構成に含まれ、ＡＩプロセッシングのうち少なくとも一部を共に行うように備えられることもできる。
【0069】
前記ＡＩ装置２０のＡＩプロセッシングには、図９に示す献立提供装置１００の制御と関連する全ての動作及び人工知能学習を通じた献立の提供のための全ての動作を含めることができる。例えば、献立提供装置１００は、収集された献立データをＡＩプロセッシングして処理／判断、推薦献立の生成、献立推薦の動作を行える。また、例えば、献立提供装置１００は、ネットワーク上の他の装置、公にされた献立データベース及びユーザ／食材供給者端末に備えられた他の構成要素とのインタラクションによって獲得されるデータをＡＩプロセッシングして献立の生成及び献立の推薦を行える。
【0070】
前記ＡＩ装置２０は、ＡＩプロセッサ２１、メモリ２５及び／又は通信部２７を含むことができる。
【0071】
前記ＡＩ装置２０は、ニューラルネットワークを学習できるコンピューティング装置であって、サーバ、デスクトップＰＣ、ノート型パソコン、タブレットＰＣなどのような多様な電子装置として実現できる。本願発明において、前記ＡＩ装置２０は、前記多様な電子装置のうち何れかの形態で実現された献立提供装置であり得る。
【0072】
ＡＩプロセッサ２１は、メモリ２５に格納されたプログラムを用いてニューラルネットワークを学習できる。特に、ＡＩプロセッサ２１は、デバイス関連データを認識するためのニューラルネットワークを学習できる。ここで、デバイス関連データを認識するためのニューラルネットワークは、人間の脳構造をコンピュータ上で模するように設計でき、人間のニューラルネットワークのニューロン（ｎｅｕｒｏｎ）を模する、重みを有する複数のネットワークノードを含むことができる。複数のネットワークモードは、ニューロンがシナプス（ｓｙｎａｐｓｅ）を介して信号をやり取りするニューロンのシナプティック活動を模するように、それぞれ接続関係によってデータをやり取りすることができる。ここで、ニューラルネットワークは、ニューラルネットワークモデルから発展したディープラーニングモデルを含むことができる。ディープラーニングモデルにおいて、複数のネットワークノードは互いに異なるレイヤに位置しながら、畳み込み（ｃｏｎｖｏｌｕｔｉｏｎ）接続関係によってデータをやり取りすることができる。ニューラルネットワークモデルの例は、ディープニューラルネットワーク（ＤＮＮ、ｄｅｅｐ ｎｅｕｒａｌ ｎｅｔｗｏｒｋs）、畳み込みニューラルネットワーク（ＣＮＮ、ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋs）、回帰型ニューラルネットワーク（ＲＮＮ、Ｒｅｃｕｒｒｅｎｔ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ）、制限ボルツマンマシン（ＲＢＭ、Ｒｅｓｔｒｉｃｔｅｄ Ｂｏｌｔｚｍａｎｎ Ｍａｃｈｉｎｅ）、深層信念ネットワーク（ＤＢＮ、ｄｅｅｐ ｂｅｌｉｅｆ ｎｅｔｗｏｒｋs）、深層Ｑ－ネットワーク（Ｄｅｅｐ Ｑ－Ｎｅｔｗｏｒｋ）のような多様なディープラーニング技術を含み、コンピュータビジョン、音声認識、自然言語処理、音声／信号処理などの分野に適用できる。
【0073】
一方、前述したような機能を行うプロセッサは、汎用プロセッサ（例えば、ＣＰＵ）であり得るが、人工知能学習のためのＡＩ専用プロセッサ（例えば、ＧＰＵ）であり得る。
【0074】
メモリ２５は、ＡＩ装置２０の動作に必要な各種プログラム及びデータを格納できる。メモリ２５は、不揮発性メモリ、揮発性メモリ、フラッシュメモリ（ｆｌａｓｈ－ｍｅｍｏｒｙ）、ハードディスクドライブ（ＨＤＤ）又はソリッドステートドライブ（ＳＤＤ）などで実現できる。メモリ２５は、ＡＩプロセッサ２１によってアクセスされ、ＡＩプロセッサ２１によるデータの読み取り／記録／修正／削除／更新などを行うことができる。また、メモリ２５は、本発明の一実施例に係るデータの分類／認識のための学習アルゴリズムによって生成されたニューラルネットワークモデル（例えば、ディープラーニングモデル２６）を格納できる。
【0075】
一方、ＡＩプロセッサ２１は、データの分類／認識のためのニューラルネットワークを学習するデータ学習部２２を含むことができる。データ学習部２２は、データの分類／認識を判断するために、どのような学習データを用いるか、学習データを用いてデータをどのように分類して認識するかに関する基準を学習できる。データ学習部２２は、学習に用いられる学習データを獲得し、獲得された学習データをディープラーニングモデルに適用することで、ディープラーニングモデルを学習できる。
【0076】
データ学習部２２は、少なくとも１つのハードウェアチップの形態に製作されてＡＩ装置２０に搭載できる。例えば、データ学習部２２は、人工知能（ＡＩ）のための専用ハードウェアチップの形態に製作でき、汎用プロセッサ（ＣＰＵ）又はグラフィック専用プロセッサ（ＧＰＵ）の一部として製作し、ＡＩ装置２０に搭載することもできる。また、データ学習部２２は、ソフトウェアモジュールとして実現できる。ソフトウェアモジュール（又はインストラクション（ｉｎｓｔｒｕｃｔｉｏｎ）を含むプログラムモジュール）として実現される場合、ソフトウェアモジュールは、コンピュータで読み取れる読み取り可能な非一時的な読み取り可能記録媒体（ｎｏｎ－ｔｒａｎｓｉｔｏｒｙ ｃｏｍｐｕｔｅｒ ｒｅａｄａｂｌｅ ｍｅｄｉａ）に格納されることができる。この場合、少なくとも1つのソフトウェアモジュールは、オペレーティングシステム（Ｏｐｅｒａｔｉｎｇ Ｓｙｓｔｅｍ）によって提供されるか、アプリケーション（応用プログラム）によって提供することができる。
【0077】
データ学習部２２は、学習データ獲得部２３及びモデル学習部２４を含むことができる。
【0078】
学習データ獲得部２３は、データを分類して認識するためのニューラルネットワークモデルに必要な学習データを獲得できる。例えば、学習データ獲得部２３は学習データであって、ニューラルネットワークモデルに入力するための献立データ及び／又はサンプルデータを獲得できる。
【0079】
モデル学習部２４は、前記獲得された学習データを用いて、ニューラルネットワークモデルが所定のデータをどのように分類するかに関する判断基準を有するように学習できる。このとき、モデル学習部２４は、学習データのうち少なくとも一部を判断基準として用いる教師あり学習（ｓｕｐｅｒｖｉｓｅｄ ｌｅａｒｎｉｎｇ）を通じて、ニューラルネットワークモデルを学習させることができる。または、モデル学習部２４は、指導なしに学習データを用いて自ら学習することで、判断基準を発見する教師なし学習（ｕｎｓｕｐｅｒｖｉｓｅｄ ｌｅａｒｎｉｎｇ）を通じてニューラルネットワークモデルを学習させることができる。また、モデル学習部２４は、学習による状況判断の結果が正しいかに対するフィードバックを用いた強化学習（ｒｅｉｎｆｏｒｃｅｍｅｎｔ ｌｅａｒｎｉｎｇ）を通じて、ニューラルネットワークモデルを学習させることができる。更に、モデル学習部２４は、誤差逆伝播法（ｅｒｒｏｒ ｂａｃｋ－ｐｒｏｐａｇａｔｉｏｎ）又は最急降下法（ｇｒａｄｉｅｎｔ ｄｅｃｅｎｔ）を含む学習アルゴリズムを用いてニューラルネットワークモデルを学習させることができる。
【0080】
ニューラルネットワークモデルが学習されると、モデル学習部２４は、学習されたニューラルネットワークモデルをメモリに格納できる。モデル学習部２４は、学習されたニューラルネットワークモデルをＡＩ装置２０と有線又は無線ネットワークで接続されたサーバのメモリに格納することもできる。
【0081】
データ学習部２２は、認識モデルの分析結果を向上させるか、認識モデルの生成に必要なリソース又は時間を節約するために、学習データ前処理部（図示せず）及び学習データ選択部（図示せず）を更に含むこともできる。
【0082】
学習データ前処理部は、獲得されたデータが状況判断のための学習に利用できるように、獲得されたデータを前処理することができる。例えば、学習データ前処理部は、モデル学習部２４が献立データの認識のための学習のために獲得された学習データを利用できるように、獲得されたデータを既に設定されたフォーマットに加工できる。
【0083】
また、学習データ選択部は、学習データ獲得部２３で獲得された学習データ又は前処理部で前処理された学習データの中から学習に必要なデータを選択できる。選択された学習データは、モデル学習部２４に提供できる。例えば、学習データ選択部は、ネットワークを介して収集した献立データのうち特定のフィールドを認識することによって、特定のフィールドに含まれている献立の構成に関するデータのみを学習データとして選択できる。
【0084】
また、データ学習部２２は、ニューラルネットワークモデルの分析結果を向上させるために、モデル評価部（図示せず）を更に含むこともできる。
【0085】
モデル評価部は、ニューラルネットワークモデルに評価データを入力し、評価データから出力される分析結果が所定の基準を満たしていない場合、モデル学習部２２を再び学習させることができる。この場合、評価データは、認識モデルを評価するための既に定義されたデータであり得る。一例として、モデル評価部は、評価データに対する学習された認識モデルの分析結果のうち、分析結果が正確でない評価データの個数又は比率が予め設定された閾値を超える場合、所定の基準を満たしていないと評価できる。
【0086】
通信部２７は、ＡＩプロセッサ２１によるＡＩプロセッシング結果を外部電子機器に伝送できる。ここで、外部電子機器は、献立提供装置（図１０、１００）と定義できる。一方、前記ＡＩ装置２０を、献立提供装置内に備えられた献立生成部（図１０、１３０）に機能的に埋め込んで実現することもできる。
【0087】
一方、図８に示すＡＩ装置２０は、ＡＩプロセッサ２１とメモリ２５、通信部２７などに機能的に区分して説明したが、前述した構成要素が１つのモジュールに統合されてＡＩモジュールと称されることもできることを明らかにしておく。
【0088】
以下、添付の図９を参照して、本発明の一実施例に係る献立提供方法を概略的に説明する。
【0089】
図９は、本発明の実施例に係る献立提供システムを示す。
【0090】
図９を参照すると、本明細書で開示された献立提供システムは、献立提供装置１００、１つ以上のユーザ端末２００及び食材供給者端末３００を含んで構成できる。図示された構成要素は必須なものではないため、それよりも多くの構成要素を有するか、それよりも少ない構成要素を有する献立提供システムを実現することもできる。このような構成要素は、ハードウェア又はソフトウェアとして実現されるか、ハードウェアとソフトウェアの結合によって実現できる。
【0091】
献立提供装置１００は、ネットワーク上の献立格納サーバ４００から公にされている献立データを収集してデータベース化して格納できる。前記公共の献立データは、保育園、幼稚園、小中高校などの献立データ及び公共病院、公共機関内の食堂の献立データなど公にされている献立データであって、誰でもネットワークを介してアクセスして獲得できる（図１３参照）。また、献立提供装置１００は、システムに加入しているユーザ、即ち栄養士のユーザ端末２００から栄養士が直接構成した献立データを収集してデータベース化して格納できる。
【0092】
献立提供装置１００は、収集された献立データを人工知能基盤の献立構成モデルで学習して献立を生成し、生成された献立に基づいてユーザ端末２００に推薦献立を伝送できる。このとき、献立提供装置１００は、ユーザ端末２００からユーザが選択した献立及び食事数に関する情報を受信できる。また、献立提供装置１００は、受信した食事数情報及び献立に基づいて食材の種類と必要な食材の量を算出し、算出された食材の種類別の必要量に対する食材の注文を食材供給者端末３００に伝送できる。
【0093】
一方、前述した実施例は、ＡＩモデルを用いて献立を生成した後、ユーザ端末２００から推薦献立のうち特定の献立などを選択する過程を含んでいるが、本明細書は、これに限定されるものではない。例えば、献立提供装置１００は、既に学習された献立推薦モデルに基づいて推薦献立を生成した後、ユーザ端末２００に伝送し、前記生成された推薦献立を通じて購買が必要な食材の量を算出する過程を行える。このとき、ユーザ端末２００を介した推薦献立に対する選択過程及び／又は食事数情報の入力過程が省略され得る。食事数情報は、前記献立提供装置１００を介して提供されるサービスを最初に登録する過程で、既に登録された食事数情報が用いられることもできる。
【0094】
ユーザ端末２００は、献立提供装置１００から受信した献立データを確認した後、推薦された献立に関する食事数情報を入力できる。一方、ユーザ（栄養士）は、自分の献立構成に対する要求条件を入力して要求条件を満たす献立を献立提供装置１００から供給を受けることができる。例えば、本明細書の一実施例によれば、献立提供装置１００は、ユーザ端末２００から栄養士の選好度情報を提供され、入力された選好度情報及び公共データに基づいてＡＩプロセッシングを行える。前記ＡＩプロセッシングの結果として生成される推薦献立は、各学校別に異なり得る。この場合にもＡＩプロセッシングを介して献立の推薦及び食材の注文を自動的に供給先に伝達することで、栄養士の業務は減少し得る。
【0095】
食材供給者端末３００は、献立提供装置１００からユーザ（栄養士）が選択した献立の食材購買に対する見積もりの要請又は注文を受信でき、見積もりの提供後、注文を受信する場合、該当食材を供給する取引を成功させることができる。
【0096】
本明細書で開示されるネットワークは、例えば、無線ネットワーク、有線ネットワーク、インターネットのような公共ネットワーク、私設ネットワーク、モバイル通信ネットワーク用グローバルシステム（Ｇｌｏｂａｌ Ｓｙｓｔｅｍ ｆｏｒ Ｍｏｂｉｌｅ ｃｏｍｍｕｎｉｃａｔｉｏｎ ｎｅｔｗｏｒｋ;ＧＳＭ）ネットワーク、汎用パケット無線ネットワーク（Ｇｅｎｅｒａｌ Ｐａｃｋｅｔ Ｒａｄｉｏ Ｎｅｔｗｏｒｋ；ＧＰＲＮ）、構内通信網（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ；ＬＡＮ）、広域通信網（Ｗｉｄｅ Ａｒｅａ Ｎｅｔｗｏｒｋ；ＷＡＮ）、大都市圏ネットワーク（Ｍｅｔｒｏｐｏｌｉｔａｎ Ａｒｅａ Ｎｅｔｗｏｒｋ；ＭＡＮ）、セルラーネットワーク、公衆交換電話網 （Ｐｕｂｌｉｃ Ｓｗｉｔｃｈｅｄ Ｔｅｌｅｐｈｏｎｅ Ｎｅｔｗｏｒｋ；ＰＳＴＮ）、パーソナル・エリア・ネットワーク（Ｐｅｒｓｏｎａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）、ブルートゥース（登録商標）、Ｗｉ－Ｆｉダイレクト（Ｗｉ－Ｆｉ Ｄｉｒｅｃｔ）、近距離無線通信（Ｎｅａｒ Ｆｉｅｌｄ ｃｏｍｍｕｎｉｃａｔｉｏｎ）、超広帯域（Ｕｌｔｒａ－Ｗｉｄｅ ｂａｎｄ）、これらの組み合わせ又は任意の他のネットワークであり得るが、これらに限定されるものではない。
【0097】
献立提供システムの献立提供装置１００、１つ以上のユーザ端末２００及び食材供給者端末３００は、前述したネットワークで接続されており、互いにデータをやり取りすることができる。
【0098】
【0099】
【0100】
図１３は、生成された献立に対するイメージの例を示し、図１４は、推薦された献立に関する詳細情報を提供する出力画面の例を示し、図１５は、オーダーメード型献立の生成のための献立修正用のユーザインターフェースの例を示し、図１６は、オーダーメード型献立の生成のための献立修正用のユーザインターフェースの他の例を示す。
【0101】
図１２は、公にされた献立データの一部を表で示したものであり、政府が提供する公共データポータルから誰でもダウンロードして活用できる。本発明の実施例に係る献立提供装置は、前記ポータルで収集した献立データを学習してユーザの献立構成条件に最適化された献立又は汎用で使用できる献立を生成できる。
【0102】
図１０を参照すると、本発明の実施例に係る献立提供装置１００は、通信部１１０、献立データ収集部１２０、献立生成部１３０、献立推薦部１４０、食材注文部１５０、献立データベース１６０、献立記録部１７０及び献立修正部１８０を含んで構成できる。図示された構成要素は必須ではないため、それよりも多くの構成要素を有するか、それよりも少ない構成要素を有する献立提供システムを実現することもできる。このような構成要素は、ハードウェア又はソフトウェアとして実現するか、ハードウェアとソフトウェアの結合によって実現できる。
【0103】
通信部１１０は、ユーザ端末２００及び食材供給者端末３００とネットワークを介して通信を行ってデータを送受信できる。
【0104】
献立データ収集部１２０は、通信部１１０を介してネットワークに接続して公にされている献立データを収集し、収集された献立データを献立データベース１６０に格納できる。
【0105】
献立生成部１３０は、収集された献立データを人工知能基盤の献立構成モデルで学習して献立を生成できる。献立生成部１３０は、収集された献立データを人工知能献立構成モデルでプロセッシングして標準献立や汎用献立を生成できる。献立生成部１３０は、図１２に示す公共献立データなどの資料を人工知能献立構成モデルに入力して献立を生成できる。例えば、人工知能献立構成モデルは、学校、給食日付、給食人数、料理名（献立の食べ物の構成）、原産地情報、カロリー情報、献立の栄養情報、食材の単価などのデータの入力を受けてプロセッシングした後、日付別又は給食対象別に献立を生成できる。
【0106】
献立推薦部１４０は、献立生成部１３０で生成した献立に基づいてユーザ端末２００に推薦献立を送り、ユーザ端末２００からユーザ、即ち栄養士が選択した献立及び食事数に関する情報を受信できる。献立推薦部１４０は、献立生成部１３０で生成された標準献立又は汎用献立を給食需要者の特性に応じて１つ以上の接続されたユーザ端末２００に一括して提供できる。
【0107】
献立推薦部１４０は、推薦した献立に対してユーザ端末２００から確認メッセージを受信すると、該当献立に対する予想イメージを生成できる。予想イメージの生成は、食べ物別に格納されているイメージデータベースを用いて合成するか、ＧＡＮ（Ｇｅｎｅｒａｔｉｖｅ Ａｄｖｅｒｓａｒｉａｌ Ｎｅｔｗｏｒｋ）を介して生成できる。従って、ユーザは、献立提供装置１００から送られた献立イメージを活用して、給食対象者に提供される献立を効果的に広報できる効果が得られる。例えば、図１３に示すように、献立推薦部１４０は、玄米ご飯、干し白菜の味噌汁、ニンニクの漬物、野菜サラダ、キキョウの和え物、レンコン煮物で構成された献立に対してユーザから献立の選択に対する確認メッセージを受信すると、既に格納されているイメージデータベースで確認された食べ物のイメージを読み上げた後、食品トレーイのメージ１３１０と玄米ご飯のイメージ１３２０、干し白菜味噌汁のイメージ１３３０、ニンニクの漬物のイメージ１３４０、野菜サラダのイメージ１３５０、キキョウの和え物のイメージ１３６０、及びレンコン煮のイメージ１３７０を合成したイメージ１３００、即ちユーザにより選択された献立に対するイメージを生成した後、これをユーザ端末２００に伝送できる。
【0108】
また、献立推薦部１４０は、推薦した献立に対して各献立別に栄養情報とカロリー情報をユーザに提供できる。更に、献立推薦部１４０は、推薦した献立に対して各献立別に個別の食べ物に関する主要色情報をユーザに提供できる。例えば、図１４に示すように、献立提供装置１００が提供した献立がユーザ端末２００上に出力された状態１４００で、ユーザが２０２０年１１月６日の夕食の献立１４１０を選択すると、献立推薦部１４０は、選択された献立に対する栄養情報とカロリー情報及び価格情報に対する詳細画面１４２０を出力できる。前記詳細画面１４２０には、該当献立を構成する個別の食べ物の料理名を表す文字を該当食べ物の主要色で表示できる。更に、前記詳細画面１４２０には、該当献立全体の栄養成分又は個別の食べ物の栄養成分を予め決定された色で表示することで、ユーザが色情報に基づいて推薦された献立を容易に把握できるようにして献立の修正を容易にすることができる。従って、ユーザは、出力された栄養情報とカロリー情報及び原価情報を検討した後、栄養素とカロリー、原価を変更させるために個別の食べ物を修正できる。推薦された献立に対する個別の食べ物の修正は、献立修正部１８０によって行われ、献立修正部１８０は、ユーザの画面に出力された推薦献立に対する修正命令をユーザから入力を受けた後、修正事項を適用して修正された献立をユーザ端末２００に伝送できる。
【0109】
また、本発明の実施例に係る献立提供装置１００の献立修正部１８０は、ユーザ端末２００から推薦献立に対する修正命令を受信し、前記修正命令に従って推薦献立を修正してユーザ端末２００に再送できる。更に、献立修正部１８０は、ユーザインターフェース１５００を提供できる。ユーザは、前記ユーザインターフェース１５００を介して献立推薦部１４０が推薦した献立に対して特定の食べ物を一定期間に提供される回数を確認した後、特定の食べ物に対する提供頻度を考慮して他の食べ物に変更できる。献立修正部１８０は、ユーザインターフェース１５００を介して入力される推薦献立に対する修正命令を受信し、該当命令に従って献立を修正できる。例えば、図１５に示すように、２０２０年１１月６日の中華献立のうち、おかずとして提供される「株漬け白菜キムチ」を他のおかずに変更したい場合、ユーザインターフェース１５００にて「株漬け白菜キムチ」を選択１５１０した後、削除１５２０し、新しいおかずを検索１５３０して検索された新しいおかずに献立を修正１５４０できる。このとき、ユーザインターフェース１５００は、ユーザが「株漬け白菜キムチ」を選択すると、出力された一定期間の献立から選択された食べ物の名称、即ち「株漬け白菜キムチ」に一定の色で表示１５５０して出力することによって、ユーザが簡単に重複提供状態を確認するようにできる。
【0110】
また、ユーザインターフェース１５００は、図１６に示すように、ユーザが選択した特定期間の献立において同一の食べ物を同一の色で表示１６１０してユーザが特定期間の献立におけるメニューの重複状態を一目で分かるようにすることができる。従って、ユーザは、献立修正部１８０を介してユーザインターフェース１５００に出力された特定期間の献立にて重複しているメニューを修正して多様なメニューを提供するように献立を調整できる。
【0111】
食材注文部１５０は、栄養士が選択した献立に沿った食材の種類を導き出し、食事数による食材の種類別に必要数量を算定して食材供給者端末３００に伝送できる。
【0112】
また、食材注文部１５０は、特定の食事又は特定期間の食事に対する食事数を予測した後、この予測された食事数によって食材の種類別に必要数量を算定して食材供給者端末３００に自動的に伝送できる。食材注文部１５０は、食べ残し情報、残った食事量情報、天気情報、過去の食事数情報、曜日情報、メニュー情報、イベント現況情報、勤怠情報／出欠情報などに基づいて食事数を予測できる。給食所が企業である場合、食材注文部１５０は、該当企業の勤怠情報を活用して特定日付又は特定食事の食事数を予測し、給食所が学校又は幼稚園などの教育機関である場合、該当教育機関の出欠情報を活用して特定日付又は特定食事の食事数を予測できる。例えば、食材注文部１５０は、推薦して選択された献立又はユーザが修正した献立に対する過去の食べ残し情報及び／又は残った食事量情報に基づいて該当献立に対する需要を予測できる。更に、食材注文部１５０は、該当献立を提供する日の天気情報を活用して需要を予測できる。例えば、カルグクス（韓国式麺料理）を提供する日の天気を雨が降ると予報した場合、カルグクスの供給食事数を増やすことができる。
【0113】
また、食材注文部１５０は、食材供給者端末３００から食材の種類別に必要数量に対する購入見積もりを受信してユーザ端末２００に提供でき、ユーザ端末２００から食材購入見積もりに対して承認を受けると、前記食材に対する購買注文を食材供給者端末３００に伝送できる。このとき、ユーザは、食材供給者端末３００から受信した購入見積もりを検討した後、最適な価格を提示した食材供給者に購買注文ができるため、食材の購入費用を削減できるという効果が得られる。
【0114】
例えば、献立推薦部１４０が多数のユーザ端末２００に一括して同一の献立を提供すると、食材供給者は、少数の食材に対する大量注文を受けることができるため、食材の在庫管理、食材の配送、及びコストの面で利点を有することになる。このような利点が、ユーザが献立提供サービス提供者に代価を払える理由になり得る。
【0115】
実施例により、献立推薦部１４０は、ユーザ端末２００を介して入力されたユーザの献立構成条件に基づいて推薦献立を構成した後、構成された献立をユーザ端末２００に提供できる。
【0116】
献立構成条件は、献立を構成する食べ物のカロリー、栄養素の構成、味、糖度、辛さの程度、食べ物間の組み合わせ、旬の食材、おかずの品数、食材の価格、イベント料理、節気料理、季節料理、給食対象（給食を受ける人を意味するものであって、小学生、中学生、高校生、一般人などに区分できる。）、献立を構成する個別の食べ物の重複性、１回の供給食事数、選好度、給食所の食べ物数、食べ残し、提供される１回の給食の価格、食べ物の色の組み合わせ、食材に関するアレルギー情報、給食が提供される地域の情報、他のユーザの献立評価結果（生成された献立に対して他の場所で献立提供装置を用いる栄養士の評価結果）のうち少なくとも１つ以上を含んで構成できる。例えば、ユーザ端末２００を介して小学校低学年の子供を給食対象とし、中伏の節気料理として旬の食材及び３種類のおかずの献立を要請する入力を受信した場合、献立推薦部１４０は、献立生成部１３０が生成した献立データのうち献立構成条件を考慮してナツメ１粒、小さな高麗人参１本、もち米玄米ご飯、４００ｇの参鶏湯半羽をメインメニューとし、キュウリ唐辛子和え物及びカクテキをおかずとし、マクワウリ１切れをデザートとする献立を構成してユーザ端末２００に伝送できる。例えば、ユーザがユーザ端末２００を介して受信した他のユーザの献立評価結果を検討した後、他のユーザの献立評価結果が良いものを献立構成条件に反映するよう命令すると、献立推薦部１４０は、他のユーザの献立評価結果が良い食べ物で献立を構成した後、ユーザに提供できる。献立構成条件のうち献立を構成する個別の食べ物の重複性項目は、特定の食べ物が特定期間に提供された回数を意味するものであって、ユーザがユーザ端末２００を介して献立を構成する個別の食べ物の重複性を献立の構成に反映するよう命令した場合、献立推薦部１４０は、予め定められた期間に該当食べ物が重複して提供されないように献立を構成できる。もちろん、この場合にも献立構成の全体的な統計的数値は外れないように長期間の献立が構成されることができる。他のユーザの献立評価結果は、献立提供装置１００が提供するユーザコミュニティを通じて収集でき、ユーザコミュニティは、ユーザが選択するか、直接構成して共有した献立に対してユーザが評価した評価結果を収集し、収集された評価結果を献立構成条件の選択メニューとしてユーザに提供できる。評価結果は、地域別、給食対象別に区分でき、特定の献立に対する注文量、食べ残し、顧客の選好度など多様な情報を含むことができる。
【0117】
また、献立生成部１３０は、収集された献立データに対する学習を通じた推薦献立の生成だけでなく、ユーザが構成した過去の献立データに基づいて統計分析を行い、その分析結果を推薦献立の生成に活用できる。献立生成部１３０は、予め決定された期間中のユーザの献立を分析した後、食べ物別の提供統計結果を献立構成条件に追加し、統計結果が含まれている献立構成条件に基づいて献立を生成できる。献立生成部１３０は、献立構成条件の要素別に該当要素に含まれる食べ物に対する統計を導き出した後、後で生成する献立の構成が前記導き出された結果に従うように献立を構成できる。例えば、特定期間中に豆もやしスープ３９回、白菜キムチ６２０回、カタクチイワシの炒め煮６５回などの個別の食べ物を献立構成条件に基づいて統計基盤で分析した後、新規で推薦する献立の構成が既存の統計数値が維持されるように献立を構成できる。例えば、先月辛くないおかずとしてカタクチイワシ炒め煮を３回含む献立を提供したとすれば、今月も辛くないおかずとしてカタクチイワシ炒め煮が３回提供されるように献立を構成できる。
【0118】
更に、実施例により、献立を生成するためにＡＩプロセッサは、複数の献立生成モデルを利用できる。前記複数の献立生成モデルは、ユーザ端末２００を介して入力される選好度情報によって選択できる。例えば、献立生成モデルは、給食対象年齢に応じて互いに異なる献立を出力値として提供できる少なくとも１つの学習モデルで構成できる。例えば、小学生対象の給食献立と高校生対象の給食献立は、栄養素、カロリー、食事量などを考慮するとき、献立の構成を異にする必要があり、主要メニューが同一であっても付加メニュー、食材の量などを異なるように構成するためには互いに異なる献立構成モデルを用いる必要がある。
【0119】
また、前記献立生成モデルの種類は、前記給食対象年齢の他に季節別に構成可能な献立を出力値として提供するモデルでもあり得る。更に、前記献立生成モデルは、主要メニューの種類に最適な付加メニューを出力できるようにトレーニングされたモデルでもあり得る。
【0120】
実施例により、献立推薦部１４０は、食材供給者端末３００から食材供給者が保有している食材の在庫現況情報又は主力として供給する食材の種類を考慮して献立を構成した後、ユーザ端末２００に推薦献立を伝送できる。例えば、献立推薦部１４０は、食材供給者端末３００から受信した食材の在庫現況情報に基づいて在庫の多い食材を多く用い、在庫の少ない食材を少なく用いるように献立を構成して提供できる。また、献立推薦部１４０は、他のユーザの食材に関する注文量情報をリアルタイムで食材の在庫現況に反映して食材の在庫管理を自動的に行うことで、ユーザが在庫現況に応じて献立を自由に構成できるようにする。
【0121】
また、献立推薦部１４０は、食材需給状態情報及び／又は献立構成条件に基づいて推薦献立を構成できる。食材需給状態情報は、食材の生産量、食材の予測生産量、食材の輸出入量及び食材の需要増減量を含む食材需給変動情報に基づいて決定できる。献立推薦部１４０は、韓国農水産食品流通公社などの公共機関が提供する農産物流通情報（例えば、ＫＡＭＩＳ農産物流通情報）のウェブサイトで食材需給状態情報を取得できる。献立推薦部１４０は、農産物流通情報に基づいて食材の需給状況及び価格情報を取得し、取得された情報に基づいて最適な価格で献立を構成できる。一方、食材の生産量予測情報は、気象予報情報及び／又は過去の気象情報に基づいて予測できるが、献立推薦部１４０は、気象情報に基づいて食材の供給状態を予測し、その予測結果によって献立を構成できる。例えば、献立推薦部１４０は、気象予報により特定の農産物に対する台風の被害が激しくなると予測される場合、該当特定の農産物の供給状況が悪くなる時点で該当特定の農産物を用いる献立を選択せず、他の代替材料を用いる献立を作成することによって、献立構成のコストを削減でき、更に農産物の価格安定化に寄与できるという効果がある。また、例えば、献立推薦部１４０は、特定の農産物の作況が良くて該当農産物が過剰生産される場合、該当農産物を食材として用いる献立を構成してユーザに提供することによって、給食の原価を下げることはもちろん、該当農産物の消費を促進させて市場の安定化に寄与できるという効果もある。即ち、献立推薦部１４０は、食材の現在供給状態、未来供給予測結果、食材の需要状態、食材の需要予測結果などを含む食材需給状態に基づいて献立を構成することで、目標とした給食原価の調節はもちろん、食材に対する市場安定化に寄与できる。
【0122】
実施例により、通信部１１０は、ユーザ端末２００から推薦献立に対するフィードバックを受信し、献立データ収集部１２０は、前記フィードバックに基づいて献立データベースを更新し、献立生成部１３０は、更新された献立データベース及びフィードバックを反映して改善された献立を生成できる。また、献立生成部１３０は、ユーザ端末２００のフィードバックを反映して献立を生成する人工知能基盤の献立構成モデルを学習させて献立構成モデルを更新させることができる。
【0123】
実施例により、献立推薦部１４０は、食材供給者の位置に基づいて１つ以上のユーザを地域別にグループ化し、同一のグループに属するユーザ端末に同一の献立を推薦できる。また、食材注文部１５０は、同一の献立及び同一の献立に沿った食事数に対応する食材の種類を導き出し、導き出された食材の種類別に必要数量を算定した後、同一のグループに割り当てられた食材供給者端末に食材見積もりの要請及び食材購買の注文を伝送できる。
【0124】
献立記録部１７０は、本人又は他人などのユーザが構成した献立を記録でき、本装置使用前の記録部を読み上げることもできる。献立生成部１３０は、献立記録部１７０に記録されたユーザの構成献立に基づいてユーザの献立構成パターンを学習した後、献立データの学習結果及び献立構成パターンの学習結果に基づいて献立を生成できる。ユーザは、献立記録部１７０のお気に入りメニューを通じて本人が構成した献立をお気に入りとして格納でき、必要に応じて随時、献立記録部１７０に格納されたお気に入りを読み込んで新しい献立を構成する際に活用できる。
【0125】
献立生成部１３０及び献立推薦部１４０は、図１ないし８に示された人工知能学習及び人工知能プロセッシングを介して献立データを分析して標準献立及び最適な献立を生成し、ユーザの要求に合わせて献立を生成して推薦できる。
【0126】
例えば、図１１を参照すると、食材供給者が３つの地域に位置している場合、献立推薦部１４０は、複数のユーザ端末を２００食材供給者の位置を考慮して３つのグループＡ、Ｂ、Ｃにグループ化した後、それぞれのグループに近接して位置する食材供給者の端末をマッチングさせることができる。従って、献立推薦部１４０は、食材供給者端末３００－１をユーザ端末グループＡとマッチングさせ、食材供給者端末３００－２をユーザ端末グループＢとマッチングさせ、食材供給者端末３００－３をユーザ端末グループＣとマッチングさせてマッチングされたユーザと食材供給者間で同一の献立に対する食材を供給するようにできる。このようにすることで、食材供給者は、食材の配送にかかる時間を節約でき、配送を効率的に行えるため、コスト削減の効果が得られる。このようなコスト削減は、食材の供給単価を下げることができるため、ユーザにも経済的に利益をもたらす効果がある。
【0127】
図１７は、本発明の実施例に係る献立提供システムの構成要素間のデータの流れを示す。
【0128】
献立データ収集部１２０、献立生成部１３０、献立推薦部１４０、食材注文部１５０を含んで献立を推薦する献立提供装置１００の献立提供方法を図１７の構成要素間のデータ又は信号の流れを通じて説明する。
【0129】
まず、献立データ収集部１２０は、ネットワークを介して公にされた献立データを収集してデータベースに格納できる（Ｓ１００）。
【0130】
次に、献立生成部１３０は、収集された献立データを学習して標準献立又は共用献立を生成できる（Ｓ１１０）。
【0131】
献立推薦部１４０は、献立生成部１３０で生成された献立に基づいてユーザ端末２００に推薦献立を送り（Ｓ１２０）、ユーザ端末２００から選択された献立及び食事数に関する情報を受信できる（Ｓ１３０）。
【0132】
次に、食材注文部１５０は、選択された献立に沿った食材の種類を導き出し、食事数による前記食材の種類別に必要数量を算出して（Ｓ１４０）、食材供給者端末３００に、算出された食材の必要数量に基づいて食材の購入に対する見積もりを要請できる（Ｓ１５０）。
【0133】
食材供給者端末３００は、献立提供装置１００から食材購入見積もりを要請されると、要請された食材に対する見積もりを作成して返信し（Ｓ１６０）、献立提供装置１００は、食材供給者端末３００から受信した見積もりをユーザ端末２００に提供できる（Ｓ１７０）。
【0134】
献立提供装置１００の食材注文部１５０は、ユーザが見積もりを検討した後、最も気に入った見積もりを承認すると（Ｓ１８０）、該当見積もりに対する食材購買の注文を、該当見積もりを提供した食材供給者端末３００に伝送して食材を注文できる（Ｓ１９０）。このとき、ユーザ端末２００は、献立提供装置１００から、多数の食材供給者端末３００から返信された多数の食材購入見積もりを受け取ることができるため、ユーザは、複数の見積もりを比較した後、最も気に入った見積もりを選択できる。
【0135】
献立提供システムで献立の提供及び食材の供給が全て完了すると、献立提供装置１００は、ユーザ端末２００及び食材供給者端末３００にサービス利用料を請求でき、ユーザ端末２００と食材供給者端末３００間の食材の供給に対する費用決済を代行することもできる。
【0136】
上述した説明において、段階（Ｓ１００～Ｓ１９０）は、本発明の具体例によって、追加的な動作に更に分割されるか、より少ない動作によって組み合わせられることができる。また、一部の動作は、必要に応じて省略することもでき、動作間の順序を転換することもできる。
【0137】
本明細書で用いられた用語の「部」は（例えば、制御部など）、例えば、ハードウェア、ソフトウェア又はファームウェア（ｆｉｒｍｗａｒｅ）のうち１つ又は２つ以上の組み合わせを含む単位（ｕｎｉｔ）を意味し得る。「部」は、例えばユニット（ｕｎｉｔ）、ロジック（ｌｏｇｉｃ）、論理ブロック（ｌｏｇｉｃａｌ ｂｌｏｃｋ）、部品（ｃｏｍｐｏｎｅｎｔ）、又は回路（ｃｉｒｃｕｉｔ）などの用語と交換して使用（ｉｎｔｅｒｃｈａｎｇｅａｂｌｙ ｕｓｅ）できる。「部」は、一体に構成された部品の最小単位又はその一部になり得る。「部」は、１つ又はそれ以上の機能を行う最小単位又はその一部になることもできる。「部」は、機械的又は電子的に実現できる。例えば、「部」は、既知又は将来開発される、ある動作を行うＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ-Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）チップ、ＦＰＧＡｓ（Ｆｉｅｌｄ-Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙｓ）又はプログラム可能論理装置（ｐｒｏｇｒａｍｍａｂｌｅ－ｌｏｇｉｃ ｄｅｖｉｃｅ ）のうち少なくとも１つを含むことができる。
【0138】
多様な実施例に係る装置（例えば、モジュール又はその機能）又は方法（例えば、動作）の少なくとも一部は、例えばプログラムモジュールの形態にてコンピュータにより読み取れる格納媒体（ｃｏｍｐｕｔｅｒ－ｒｅａｄａｂｌｅ ｓｔｏｒａｇｅ ｍｅｄｉａ）に格納された命令語として実現できる。前記命令語がプロセッサによって実行される場合、前記１つ以上のプロセッサが前記命令語に該当する機能を行える。コンピュータにより読み取れる格納媒体は、例えば、メモリになり得る。
【0139】
コンピュータにより読み取れる格納媒体／コンピュータにより読み取り可能な記録媒体は、ハードディスク、フロッピーディスク、磁気媒体（ｍａｇｎｅｔｉｃ ｍｅｄｉａ）（例えば、磁気テープ）、光記録媒体（ｏｐｔｉｃａｌ ｍｅｄｉａ）（例えば、ＣＤ－ＲＯＭ（ｃｏｍｐａｃｔ ｄｉｓｃ ｒｅａｄ ｏｎｌｙ ｍｅｍｏｒｙ））、ＤＶＤ（ｄｉｇｉｔａｌ ｖｅｒｓａｔｉｌｅ ｄｉｓｃ）、磁気－光媒体（ｍａｇｎｅｔｏ－ｏｐｔｉｃａｌ ｍｅｄｉａ）（例えば、フロプティカルディスク（ｆｌｏｐｔｉｃａｌ ｄｉｓｋ））、ハードウェア装置（例えば、ＲＯＭ（ｒｅａｄ ｏｎｌｙ ｍｅｍｏｒｙ）、ＲＡＭ（ｒａｎｄｏｍ ａｃｃｅｓｓ ｍｅｍｏｒｙ）、またはフラッシュメモリなど）などを含むことができる。また、プログラム命令には、コンパイラによって生成されるような機械語コードだけでなく、インタープリタなどを用いてコンピュータによって実行され得る高級言語コードを含むことができる。上述したハードウェア装置は、多様な実施例の動作を行うために、１つ以上のソフトウェアモジュールとして作動するように構成でき、その逆も同様である。
【0140】
多様な実施例に係るモジュール又はプログラムモジュールは、前述した構成要素のうち少なくとも１つ以上を含むか、一部が省略されるか、又は追加的な他の構成要素を更に含むことができる。多様な実施例に係るモジュール、プログラムモジュール、又は他の構成要素によって行われる動作は、順次的、並列的、反復的又はヒューリスティック（ｈｅｕｒｉｓｔｉｃ）な方法で実行できる。また、一部の動作は、他の順序で実行されるか、省略されるか、又は他の動作が追加されることができる。
【0141】
本明細書に用いられた用語の「１つ」は、１つ又は１つ以上と定義される。また、請求範囲において「少なくとも１つ」及び「１つ以上」のような導入文句を用いることは、同一の請求項に「少なくとも１つ」及び「１つ以上」のような導入文句及び「１つ」のような不明瞭な文句が含まれている場合であっても、不明瞭な文句「１つ」による他の請求項の要素の導入が、そのような要素を１つのみ含む発明に対してそのように導入された請求項の要素を含む任意の特定の請求項を制限することを意味するものと解釈されてはならない。
【0142】
他に明示しない限り、「第１」及び「第２」のような用語は、そのような用語が説明する要素を任意に区別するのに用いられる。従って、これらの用語は、そのような要素の時間的又は他の優先順位を示すように必ずしも意図されたものではなく、特定の手段が互いに異なる請求項に列挙されているという単純な事実だけでこのような手段の組み合わせが有利に使用できないことを示すものではない。従って、これらの用語は、そのような要素の時間的又は他の優先順位を示すように必ずしも意図されるわけではない。特定の措置が互いに異なる主張に引用されたという単純な事実だけでは、このような措置の組み合わせが有用に使用できないことを示すものではない。
【0143】
同一の機能を達成するための構成要素の配列は、効果的に「関連」して所望の機能が達成される。従って、特定の機能性を達成するために結合された任意の２つの構成要素は、構造又は仲介する構成要素と関係なく、所望の機能が達成されるように互いに「関連」するものと見なされることができる。同様に、このように関連する２つの構成要素は、所望の機能を達成するために、互いに「作動可能に接続」されるか、「作動可能に結合された」ものと見なされることができる。
【0144】
また、通常の技術者は、前述した動作の機能性間の境界が単に例示的なものであることを認識するだろう。複数の動作は、単一の動作で結合でき、単一の動作は追加の動作に分散でき、動作は、時間的に少なくとも部分的に重なって実行できる。また、代替実施例は、特定の動作に対する複数のインスタンスを含むことができ、動作の順序は、多様な他の実施例で変更できる。しかし、他の修正、変形及び代替も可能である。従って、詳細な説明及び図面は、制限的な意味ではなく、例示的なものとして見なされるべきである。
【0145】
「Ｘであり得る」という文句は、条件Ｘが満たされ得ることを示す。この文句はまた、条件Ｘが満たされない可能性もあることを示す。例えば、特定の構成要素を含むシステムに対する参照は、システムが特定の構成要素を含まないシナリオも含まなければならない。例えば、特定の動作を含む方法に対する参照は、該当方法が特定の構成要素を含まないシナリオも含まなければならない。しかし、更に他の例を挙げると、特定の動作を行うように構成されたシステムに対する参照は、システムが特定の作業を行うように構成されていないシナリオも含まなければならない。
【0146】
用語の「含む」、「有する」、「構成された」、「からなる」及び「本質的に成り立つ」は相互交換的に用いられる。例えば、任意の方法は、少なくとも図面及び／又は明細書に含まれている動作を含むことができ、図面及び／又は明細書に含まれている動作のみを含むことができる。
【0147】
通常の技術者は、論理ブロック間の境界が単に例示的なものであり、代替実施例が論理ブロック又は回路素子を併合するか、又は多様な論理ブロック又は回路素子上に機能の代替的な分解を加えることができることを認識するだろう。従って、ここに図示されたアーキテクチャは、単に例示的なものであり、実際に同一の機能を達成する多くの他のアーキテクチャにより実現できるものと理解されるべきである。
【0148】
また、例えば、一実施例において、図示された例は単一集積回路上又は同一の装置内に位置する回路として実現できる。代替的に、前記例は任意の数の個別の集積回路又は適合した方式で互いに相互接続された個別装置として実現でき、他の変更、修正、変形及び代案も可能である。従って、明細書及び図面は制限的な意味ではなく、例示的なものと見なされるべきである。
【0149】
更に、例えば、前記例又はその一部は、任意の適切なタイプのハードウェア技術言語のような物理回路又は物理回路に変換可能な論理表現のソフトウェア又はコード表現として実現できる。
【0150】
また、本発明は、非プログラマブルハードウェアで実現された物理的装置又はユニットに限定されないが、一般に、本願では「コンピュータシステム」として表示されるメインフレーム、ミニコンピュータ、サーバ、ワークステーション、パーソナルコンピュータ、ノートパッド（ｎｏｔｅｐａｄ）、個人情報端末（ＰＤＡ）、電子ゲーム（ｅｌｅｃｔｒｏｎｉｃ ｇａｍｅｓ）、自動車及びその他の組み込みシステム、携帯電話及び多様な他の無線装置などのような、適切なプログラムコードに従って動作することによって、所望の装置機能を行えるプログラム可能な装置又はユニットにも適用できる。
【0151】
この明細書で言及したシステム、装置、又はデバイスは、少なくとも１つのハードウェア構成要素を含む。
【0152】
本明細書で説明されているような接続は、例えば中間装置を介してそれぞれのノード、ユニット又は装置から、又はそれぞれのノード、ユニット又は装置に信号を伝送するのに適した任意のタイプの接続であり得る。従って、黙示的又は他に言及しない限り、接続は例えば直接接続又は間接接続であり得る。接続は、単一接続、多数の接続、単方向接続又は双方向接続ということを参照して説明するか、描写できる。しかし、互いに異なる実施例は、接続の実現を変化させることができる。例えば、双方向接続ではなく、別途の単方向接続を用いることができ、その逆の場合も可能である。また、多数の接続は、複数の信号を順次又は時間多重化方式で伝送する単一の接続に替えられる。同様に、複数の信号を伝送する単一の接続は、このような信号のサブセットを伝送する多様な接続に分離できる。従って、信号を伝送するための多くのオプションが存在する。
【0153】
通常の技術者は、論理ブロック間の境界が単に例示的なものであり、代替実施例が論理ブロック又は回路素子を併合するか、又は多様な論理ブロック又は回路素子上に機能の代替的な分解を加えることができることを認識するだろう。従って、ここに図示されたアーキテクチャは、単に例示的なものであり、実際に同一の機能を達成する多くの他のアーキテクチャが実現できるものと理解されるべきである。
【0154】
請求項において、括弧の間に位置する任意の参照符号は、請求項を制限するものと解釈されてはならない。「含む」という単語は、請求項に羅列された要素又は動作の存在を排除しない。
【0155】
以上、本明細書の技術に対する好適な実施例が添付の図面を参照して説明されている。ここで、本明細書及び請求範囲に用いられた用語や単語は、通常的又は辞書的な意味に限定して解釈されてはならず、本発明の技術的思想に沿う意味及び概念として解釈されるべきである。本発明の範囲は、本明細書に開示された実施例に限定されず、本発明は、本発明の思想及び特許請求の範囲に記載された範囲内で多様な形態に修正、変更、又は改善できる。
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
【図11】
【図12】
【図13】
【図14】
【図15】
【図16】
【図17】
【国際調査報告】