[100%무료] 파일럿 서비스 병원 카피라이팅 A.I 인공지능 서비스 안내

안녕하세요 하룹 인공지능 개발팀입니다. 현재 저희팀은, 인공지능을 어떻게하면 병원에 더욱 큰 가치를 드릴 수 있을까를 고민하며, 실제 병원에 적용가능한 사용화 할 수 있는 인공지능 개발과 도입을 위해, 언제나 최선을 다하고 있습니다.

우선 얼마전에 런칭한 병원안내방송을 제공하는, 인공지능 보이스 서비스가 생각보다 많은 병원에서 사용하고 계심에, 매우 뿌듯함을 느끼고 있습니다. 병원이라면 누구나 하룹에 인공지능 병원안내방송을 무상으로 이용하실 수 있으며, 저작권이나 이용 라이센스등 걱정없이 이용하실 수 있습니다.

하룹 병원안내방송 인공지능 보이스 사용해보기

*CRM프로그램과 연동등은 저희가 별도 코딩을 해드려야 하므로 바로 제공을 해드릴수가 없기에, 별도 요청시 이용하실 수 있는 API를 제공해드리고 있습니다. API는 총7가지에 프로그래밍 언어로 제공이 가능하며, 웹은 물론, 일반 웹애플리케이션이나 어플,앱등에도 연동이 가능합니다. 키오스크나 각종 가전제품, 차량보이스등에도 탑재가 가능하며, 제공 언어는 Java, PHP, Javascript, Python, Shell, C#, Bash 로 제공해드릴 수 있습니다, 하룹 인공지능 보이스 API연동을 문의 주시면, 매우 쉽게 탑재 및 이용이 가능하실 수 있도록 상세하게 안내해드리도록 하겠습니다.

저희 인공지능 개발팀은, 이외에 다양한 도전을 계속 하고 있습니다. 이중에서 인공지능 병원 카피라이팅 서비스와 시스템을 개발하고 있는 중입니다. 현재 파일럿 서비스로 제공해드리고 있으며, 병원들에 이용량에 따라 해당 서비스에 더욱 많은 투자를 진행할지를 결정하므로, 많은분들의 관심과 조회를 부탁드리겠습니다. (오픈기간동안 실고객 조회수를 기반으로 해당 서비스에 지속여부를 본사에서 결정합니다) 많은분들의 관심이 있을 경우, 해당 서비스는 앞으로 계속 공개 오픈될 예정이며, 조회량이 적다면, 내부 업무팀분들을 위한 업무툴로써 공동개발A.I 하룹코어에 광고컨텐츠작성 도우미 역할로써만 기능이 강화될 예정에 있습니다.

현재 카피라이팅 방식은, 과거에 훈련된 Keras모델을 불러와서, 각 데이터셋을 페더레이션이라는 방식을 통해 더욱 심층적으로 분석해갑니다. 이런 방식은 다른 머신러닝과도 쉽게 혼합이 가능하며, 미리 훈련시킬 수 있는 범위가 매우 크게 증가할 수 있습니다. 최근에는 이미 학습되어진 모델들이 많으므로, 처음부터 언어모델 훈련은 필요치 않은 경우가 많죠. 또한 과거에 1~2년간 학습한 데이터가 최근에는 2주내외로도 가능해질 정도로 너무나도 인공지능쪽에 발전이 빨라지고 있습니다.

아래 부분은 Keras모델로 표준도구를 이용해, 쉽게 평가 및 텍스트 생성할 수 있는 방법입니다.

!pip install --quiet --upgrade tensorflow_federated_nightly
!pip install --quiet --upgrade nest_asyncio

import nest_asyncio
nest_asyncio.apply()
import collections
import functools
import os
import time

import numpy as np
import tensorflow as tf
import tensorflow_federated as tff

np.random.seed(0)

# Test the TFF is working:
tff.federated_computation(lambda: 'Haroop, AI for Hospital')()

아래는 어휘 조회 테이블을 생성하는 방법입니다.

# A fixed vocabularly of ASCII chars that occur in the works of Shakespeare and Dickens:
vocab = list('dhlptx@DHLPTX $(,048cgkoswCGKOSW[_#\'/37;?bfjnrvzBFJNRVZ"&*.26:\naeimquyAEIMQUY]!%)-159\r')

# Creating a mapping from unique characters to indices
char2idx = {u:i for i, u in enumerate(vocab)}
idx2char = np.array(vocab)

아래는 사전 훈련된 모델을 불러와서, 일부 텍스트를 생성하는 방법입니다.

def load_model(batch_size):
  urls = {
      1: 'https://storage.googleapis.com/tff-models-public/dickens_rnn.batch1.kerasmodel',
      8: 'https://storage.googleapis.com/tff-models-public/dickens_rnn.batch8.kerasmodel'}
  assert batch_size in urls, 'batch_size must be in ' + str(urls.keys())
  url = urls[batch_size]
  local_file = tf.keras.utils.get_file(os.path.basename(url), origin=url)  
  return tf.keras.models.load_model(local_file, compile=False)
def generate_text(model, start_string):
  # From https://www.tensorflow.org/tutorials/sequences/text_generation
  num_generate = 200
  input_eval = [char2idx[s] for s in start_string]
  input_eval = tf.expand_dims(input_eval, 0)
  text_generated = []
  temperature = 1.0

  model.reset_states()
  for i in range(num_generate):
    predictions = model(input_eval)
    predictions = tf.squeeze(predictions, 0)
    predictions = predictions / temperature
    predicted_id = tf.random.categorical(
        predictions, num_samples=1)[-1, 0].numpy()
    input_eval = tf.expand_dims([predicted_id], 0)
    text_generated.append(idx2char[predicted_id])

  return (start_string + ''.join(text_generated))
# Text generation requires a batch_size=1 model.
keras_model_batch1 = load_model(batch_size=1)
print(generate_text(keras_model_batch1, '하룹은 수십만개에 병원카피라이팅 데이터를 통해 전문가가 수천시간 이상 분석한것보다 더욱 우수한, 각 과목별 최적의 병원카피라이팅을 제공 할 수 있습니다.'))
Downloading data from https://storage.googleapis.com/tff-models-public/dickens_rnn.batch1.kerasmodel
16195584/16193984 [==============================] - 0s 0us/step
16203776/16193984 [==============================] - 0s 0us/step
"하룹은 수십만개에 병원카피라이팅 데이터를 통해 전문가가 수천시간 이상 분석한것보다 더욱 우수한, 각 과목별 최적의 병원카피라이팅을 제공 할 수 있습니다;"
train_data, test_data = tff.simulation.datasets.shakespeare.load_data()
# Input pre-processing parameters
SEQ_LENGTH = 100
BATCH_SIZE = 8
BUFFER_SIZE = 100  # For dataset shuffling
# Construct a lookup table to map string chars to indexes,
# using the vocab loaded above:
table = tf.lookup.StaticHashTable(
    tf.lookup.KeyValueTensorInitializer(
        keys=vocab, values=tf.constant(list(range(len(vocab))),
                                       dtype=tf.int64)),
    default_value=0)


def to_ids(x):
  s = tf.reshape(x['snippets'], shape=[1])
  chars = tf.strings.bytes_split(s).values
  ids = table.lookup(chars)
  return ids


def split_input_target(chunk):
  input_text = tf.map_fn(lambda x: x[:-1], chunk)
  target_text = tf.map_fn(lambda x: x[1:], chunk)
  return (input_text, target_text)


def preprocess(dataset):
  return (
      # Map ASCII chars to int64 indexes using the vocab
      dataset.map(to_ids)
      # Split into individual chars
      .unbatch()
      # Form example sequences of SEQ_LENGTH +1
      .batch(SEQ_LENGTH + 1, drop_remainder=True)
      # Shuffle and form minibatches
      .shuffle(BUFFER_SIZE).batch(BATCH_SIZE, drop_remainder=True)
      # And finally split into (input, target) tuples,
      # each of length SEQ_LENGTH.
      .map(split_input_target))

인공지능개발에서 가장 중요한것은 결국 데이터인데, 데이터수집과 분류 그리고 분석 그리고 그걸 처리하는것이 매우 중요합니다. 하지만 이를 다루기 위해서는 다양한 프로그래밍 언어를 기초적으로 알아야 하고, 저희 하룹 인공지능팀들도 대학시절에 4학년때 정말 잠깐 배운 정도에 과정만 배우므로, 정말 인공지능에 대해 깊게 가려면, 대학원까지 가서 전문적으로 다뤄야 하는 분야라고 생각합니다.

특히 인공지능은 데이터분석이 중요한것만큼, 하룹이 그동안 진행해온 수많은 병원마케팅 데이터를 기반으로 더욱 효율적인 마케팅 서비스를 제공할 수 있도록 최선을 다하도록 하겠습니다. 또한 하룹내 개발자들의 규모도 지속적으로 확장해나가며, 고객들이 느끼지 못하는 사이에 더욱 편리해진 병원마케팅 서비스를 제공해나가기 위해 언제나 최선을 다하겠습니다.

하룹을 매일 방문해주시는 수많은 병원 및 원장님들을 위해 더욱더 유용한 정보, 노하우, 컨텐츠, 서비스를 제공하는 하룹이 되어가겠습니다. 항상 하룹에 많은 관심과 응원을 주시는 전국의 병원장님 및 병원관계자분들께 언제나 진심으로 감사드립니다.

대한민국 병원마케팅 압도적 1위 하룹

병원마케팅 기업중, 최다 성공사례 보유기업, 각종 인증 및 최다 수상기업, Haroop

prices

경영진까지도 차원이 다른 하룹

하룹은 경영진까지도 차원이 다른 경력과 실력 그리고 경험을 갖고 있는, 최상위 온라인마케터 1세대로 구성되어 있습니다.

shuma

자타공인 국내1위 병원마케팅

병원마케팅 효율을 가장 높힐 수 있는, 병원전문 블로그의 전국적인 규모 팀원들과 모든 병원마케팅 분야를 전부 케어할 수 있는 시스템을 갖추고 있습니다.

img.58.27

병원분야 1위 병원전문 웹개발팀

기획부터 디자인 개발 서버 그리고 광고와의 연결과 흉내 불가한 지속적인 사후관리 서비스를 제공하는 국내 최고의 병원전문 웹개발관련 업무자들도 전부 자체상주 하고 있습니다.

시상식