회사 자료를 불러오는 중…
회사 자료를 불러오는 중…
검증 단계 — 어디까지 확인했나
L0 · 국민연금 인력 · 공시 재무 · 특허 — 공공자료
서울특별시에 있는 2023년 설립 회사입니다. 시스템 소프트웨어 개발 및 공급업을 합니다. 2025년 매출은 22.4억입니다. 2026년 8월 기준 국민연금 가입자는 94명입니다. 외부감사를 받는 회사이고, 가장 최근 감사의견은 「적정」입니다. 보도로 확인된 투자유치가 1건 있습니다.
읽어오는 중입니다…
최근 출원 2024-06-12 · 최근 등록 2025-02-28 · 최신 출원순
키-값 캐시 압축을 통해 배치 거대 언어 모델 추론을 가속화하는 가속기가 제공된다. 일실시예에 따른 가속기는 복수의 컴퓨트 코어를 포함할 수 있다. 이때, 복수의 컴퓨트 코어 각각은, 토큰 단위로 거대 언어 모델(Large Language Model, LLM) 추론 연산을 처리하는 복수의 프로세싱 유닛, 및 메모리에서 가중치를 읽고 키(Key)-값(Value) 활성화 데이터를 메모리에 다시 기록하는 작업을 관리하는 직접 메모리 접근 유닛을 포함할 수 있다. 또한, 직접 메모리 접근 유닛은, 키-값 활성화 데이터가 메모리에 기록될 때, 키-값 활성화 데이터의 온라인 압축을 관리하는 압축 엔진, 메모리에서 검색된 압축된 키-값 활성화 데이터를 압축 해제하는 압축 해제 엔진 및 메모리에 대한 압축된 키-값 활성화 데이터의 읽기 및 쓰기를 관리하는 메모리 관리 유닛을 포함할 수 있다.
거대 생성 인공지능 하드웨어의 스트리밍 연산을 위한 가중치 메모리 매핑 방법 및 시스템이 제공된다. 일실시예에 따른 가중치 메모리 매핑 시스템은 사전 학습된 인공지능 모델을 위한 가중치 행렬을 저장하는 가중치 메모리, 복수의 인풋 데이터를 저장하는 인풋 레지스터, 상기 복수의 인풋 데이터와 상기 가중치 행렬간의 행렬 곱 연산을 처리하되, 상기 행렬 곱 연산의 부분합을 재사용하여 상기 행렬 곱 연산의 진행 중에 레인(lane) 단위의 최종합을 계산하는 제1 하드웨어 연산기 및 상기 최종합을 이용하여 상기 행렬 곱 연산의 진행 중에 다음 행렬 곱 연산을 미리 처리하는 제2 하드웨어 연산기를 포함할 수 있다.
이종 컴퓨팅 클러스터 기반 대규모 언어 모델 추론을 효율적으로 연산하는 방법 및 시스템이 제공된다. 일실시예에 따른 이종 컴퓨팅 클러스터 기반 추론 시스템은 대규모 언어 모델(Large Language Models, LLM)의 요약 스테이지(summarization stage)를 처리하기 위한 GPU(Graphic Processing Unit)를 포함하는 제1 디바이스 및 상기 대규모 언어 모델의 생성 스테이지(generation stage)를 처리하기 위해, 상기 생성 스테이지를 위한 가속기를 각각 포함하는 적어도 하나의 제2 디바이스를 포함할 수 있다.
레이턴시 프로세싱 유닛이 제공된다. 일실시예에 따른 레이턴시 프로세싱 유닛은 인공지능 모델을 구현하는 복수의 파티션들 중 적어도 하나의 파티션을 위한 행렬 곱 연산을 수행하는 복수의 MAC(Multipliers-Accumulators) 트리, 상기 복수의 MAC 트리 각각을 상기 적어도 하나의 파티션이 저장된 고대역 메모리와 복수의 채널을 통해 연결시키는 간소화 메모리 액세스, 상기 복수의 MAC 트리의 연산 결과에 대해 추가적인 연산을 수행하는 벡터 실행 엔진, 상기 벡터 실행 엔진의 연산 결과 및 활성화 값을 저장하는 로컬 메모리 유닛 및 상기 복수의 MAC 트리와 상기 벡터 실행 엔진의 연산을 스케쥴링하는 명령어 스케줄링 유닛을 포함할 수 있다.
로터리 포지션 임베딩 연산을 위한 메모리 매핑 방법 및 시스템이 제공된다. 일실시예에 따른 메모리 매핑 시스템은 사전 학습된 인공지능 모델을 위한 가중치 행렬의 값들의 위치를, 행렬 곱 연산의 다음 연산인 로터리 포지션 임베딩(rotary position embedding) 연산에 요구되는 요소의 값들이 서로 인접하도록, 조정하는 전처리부, 상기 값들의 위치가 조정된 가중치 행렬을 저장하는 가중치 메모리 및 입력 벡터와 상기 가중치 행렬간의 상기 행렬 곱 연산을 처리하여 쿼리 벡터 또는 키 벡터를 생성하고, 상기 쿼리 벡터 또는 상기 키 벡터에 대한 로터리 포지션 임베딩 연산을 서로 인접한 요소의 값들을 이용하여 처리하는 하드웨어 연산기를 포함할 수 있다.
생성형 거대 언어 모델의 연산 가속을 위해 메모리 대역폭 사용을 극대화하기 위한 혼합정밀도 MAC(multiply-and-accumulation) 트리 구조가 제공된다. 일실시예에 따른 MAC 트리 기반 연산기는 병렬로 연결되어 외부 메모리로부터 전달되는 데이터에 대한 곱셈 연산을 처리하는 복수의 부동소수점 곱셈기, 상기 복수의 부동소수점 곱셈기 각각의 출력을 부동소수점에서 고정소수점으로 변환하기 위한 복수의 제1 변환기, 상기 복수의 제1 변환기와 연결되어 상기 복수의 부동소수점 곱셈기의 곱셈 결과들의 덧셈을 처리하는 고정소수점 덧셈기 트리, 상기 고정소수점 덧셈기 트리의 출력을 축적하는 고정소수점 축적기 및 상기 고정소수점 축적기의 출력을 고정소수점에서 부동소수점으로 변환하는 제2 변환기를 포함할 수 있다.
대규모 언어 모델 추론을 가속화하기 위한 효율적인 데이터 포워딩 방법 및 시스템이 제공된다. 일실시예에 따른 데이터 포워딩 방법은 컴파일링 과정에서 인스트럭션과 관련된 데이터의 포워딩 여부를 나타내는 비트를 상기 인스트럭션에 추가하는 단계, 처리 장치에서 상기 데이터를 이용하여 상기 인스트럭션을 처리하는 단계 및 상기 처리 장치에서 상기 인스트럭션에 추가된 비트에 기반하여 상기 데이터를 포워딩하는 단계를 포함할 수 있다.
거대 생성 인공지능 하드웨어의 스트리밍 연산을 위한 가중치 메모리 매핑 방법 및 시스템이 제공된다. 일실시예에 따른 가중치 메모리 매핑 시스템은 사전 학습된 인공지능 모델을 위한 가중치 행렬을 저장하는 가중치 메모리, 복수의 인풋 데이터를 저장하는 인풋 레지스터, 상기 복수의 인풋 데이터와 상기 가중치 행렬간의 행렬 곱 연산을 처리하되, 상기 행렬 곱 연산의 부분합을 재사용하여 상기 행렬 곱 연산의 진행 중에 레인(lane) 단위의 최종합을 계산하는 제1 하드웨어 연산기 및 상기 최종합을 이용하여 상기 행렬 곱 연산의 진행 중에 다음 행렬 곱 연산을 미리 처리하는 제2 하드웨어 연산기를 포함할 수 있다.
생성형 거대 인공지능 모델의 효율적인 하드웨어 매핑을 위한 방법 및 시스템이 제공된다. 일실시예에 따른 하드웨어 매핑 방법은 모델 소프트웨어를 입력받는 단계 및 상기 적어도 하나의 프로세서에 의해, 상기 모델 소프트웨어에 대한 소스 코드 레벨 시뮬레이션, 인스트럭션 레벨 시뮬레이션 및 레지스터 트랜스퍼 레벨 시뮬레이션을 순차적으로 수행하는 단계를 포함할 수 있다.
생성형 거대 인공지능 하드웨어의 동작 및 데이터 정밀도를 검증하기 위한 방법 및 시스템이 제공된다. 일실시예에 따른 검증 방법은 적어도 하나의 프로세서에 의해, 인공지능 모델에 대한 타겟 디바이스 정보, 모델 인스트럭션 및 모델 파라미터를 입력받는 단계, 상기 타겟 디바이스 정보에 기반하여 실제 하드웨어에 대응하는 시뮬레이터를 구성하는 단계, 상기 구성된 시뮬레이터를 통해 상기 모델 인스트럭션 및 상기 모델 파라미터간의 연산을 처리하는 단계 및 상기 연산의 처리 결과를 상기 시뮬레이터가 포함하는 메모리 모듈에 저장하는 단계를 포함할 수 있다. 이때, 상기 적어도 하나의 프로세서는 CPU(Central Processing Unit) 및 GPU(Graphic Processing Unit)를 포함할 수 있으며, 상기 시뮬레이터를 구성하는 단계는, 고정밀 모드가 선택됨에 따라 상기 CPU를 이용하는 제1 시뮬레이터를 구성하고, 저지연 모드가 선택됨에 따라 상기 CPU 및 상기 GPU를 모두 이용하는 제2 시뮬레이터를 구성하는 것을 특징으로 할 수 있다.
대규모 언어 모델을 위해 멀티-디바이스에 기반한 추론을 수행하는 방법 및 시스템이 제공된다. 일실시예에 따른 멀티-디바이스 기반의 추론 수행 시스템은 대규모 언어 모델(Large Language Model, LLM)을 인트라-레이어(intra-layer) 패럴리즘 방식에 따라 분리한 파티션들에 매핑되는 복수의 디바이스를 포함할 수 있다. 이때, 본 실시예에 따른 복수의 디바이스 각각은, 데이터에 대한 행렬 곱셈(matrix multiplication)의 하위-결과(sub-result)를 행렬 곱셈이 수행되는 도중에 복수의 디바이스의 다른 디바이스와 공유하여 데이터를 동기화하도록 구현될 수 있다.
레이턴시 프로세싱 유닛이 제공된다. 일실시예에 따른 레이턴시 프로세싱 유닛은 인공지능 모델을 구현하는 복수의 파티션들 중 적어도 하나의 파티션을 위한 행렬 곱 연산을 수행하는 복수의 MAC(Multipliers-Accumulators) 트리, 상기 복수의 MAC 트리 각각을 상기 적어도 하나의 파티션이 저장된 고대역 메모리와 복수의 채널을 통해 연결시키는 간소화 메모리 액세스, 상기 복수의 MAC 트리의 연산 결과에 대해 추가적인 연산을 수행하는 벡터 실행 엔진, 상기 벡터 실행 엔진의 연산 결과 및 활성화 값을 저장하는 로컬 메모리 유닛 및 상기 복수의 MAC 트리와 상기 벡터 실행 엔진의 연산을 스케쥴링하는 명령어 스케줄링 유닛을 포함할 수 있다.
특허청 KIPRIS · 2026-10-15 조회 · 최신 출원순 · 오른쪽은 등록일(등록 전은 출원일) · 전체 12건 중 12건 · 줄을 누르면 자세한 내용이 펼쳐집니다 ▾
지금은 공공자료(국민연금 · 전자공시 · 특허 · 명부 · 보도)만 있습니다. 회사가 IR Room에 자료를 내면 L1로 올라갑니다. 저희는 회사에 점수나 등급을 매기지 않습니다 — 어디까지 확인했는지만 적습니다.
| 단위 억원 | 2024 | 2025 |
|---|---|---|
| 영업수익(매출액) | 2.4 | 22.4 |
| 매출원가 | 1.9 | 0.6 |
| 매출총이익(손실) | 0.5 | 21.8 |
| 판매비와관리비 | 99.5 | 144.8 |
| 영업이익(손실) | (99.0) | (123.0) |
| 영업외수익 | 0.6 | 10.2 |
| 기타이익 | 0.2 | 0.4 |
| 금융수익 | 0.3 | 9.1 |
| 기타 | 0.2 | 0.7 |
| 영업외비용 | 1.8 | 0.1 |
| 기타손실 | 0.0 | 0.0 |
| 금융원가 | 0.0 | 0.1 |
| 기타 | 1.8 | 0.1 |
| 법인세비용차감전순이익(손실) | (100.2) | (113.0) |
| 당기순이익(손실) | (100.2) | (113.0) |
매출은 22.4억으로 전년 대비 837.1% 증가한 것으로 나타났다.
영업이익률은 -548.1%로 전년 -4134.0%에서 상승했다.
당기순이익은 -113억으로 나타났다.
여기 실린 것보다 깊은 자료가 필요하십니까. 추가 정보 요청 — 종합 검토보고서 · 가치평가 · Executive Teaser · IM · 경쟁사 분석 · 실사 의뢰. 고르시면 산출비용과 걸리는 기간을 메일로 안내드립니다.
공개 기사의 제목 · 링크만 싣습니다 · 저희가 확인한 내용이 아닙니다(원문 ↗) · 「증권사 전망」은 확정 실적 아님 · 2026-11-08 확인