회사 자료를 불러오는 중…
회사 자료를 불러오는 중…
검증 단계 — 어디까지 확인했나
L0 · 국민연금 인력 · 공시 재무 · 특허 — 공공자료
서울특별시에 있는 2016년 설립 회사입니다. 응용 소프트웨어 개발 및 공급업을 합니다. 2025년 그룹 연결 매출은 188억입니다. 자회사까지 합친 숫자이며 이 법인 하나의 매출이 아닙니다. 2026년 8월 기준 국민연금 가입자는 179명입니다. 외부감사를 받는 회사이고, 가장 최근 감사의견은 「적정」입니다.
읽어오는 중입니다…
최근 출원 2026-06-16 · 최근 등록 2026-10-02 · 최신 출원순
본 개시에 따르면, 소정의 주기마다 외부 서버로부터 시스템 메트릭을 수집하여 서버 상태 데이터를 식별하는 단계, 상기 서버 상태 데이터와 상기 서버 상태 데이터에 기반하여 식별되는 기준 데이터 간의 비교 결과를 기반으로 제1 위험 지표를 결정하는 단계, 상기 서버 상태 데이터를 기반으로 적어도 하나의 파생 피처를 산출하고, 상기 제1 위험 지표를 기반으로 적어도 하나의 계층 피처를 결정하는 단계, 상기 제1 위험 지표, 상기 적어도 하나의 파생 피처 및 상기 적어도 하나의 계층 피처를 기반으로 상기 외부 서버에 대한 최종 위험 점수를 결정하는 단계 및 상기 최종 위험 점수에 대응되는 권장 점검 정보를 제공하는 단계를 포함하는 위험 정보 제공 방법이 개시된다.
처방 가이드라인 기반 알림 제공 방법이 개시된다. 처방 가이드라인 기반 알림 제공 방법은 사용자 단말로부터 환자에 대한 처방 입력을 수신하는 단계, 상기 환자의 임상 데이터에 기초하여 상기 환자가 소정의 치료 가이드라인에 따른 대상 환자에 해당하는지 여부를 판별하는 단계, 상기 환자가 상기 대상 환자에 해당하는 경우, 상기 처방 입력에 포함된 약제 항목과 상기 치료 가이드라인에서 권장하는 약제군을 비교하여, 각 약제군별 처방 적절성을 판정하는 단계, 상기 처방 적절성의 판정 결과에 기초하여, 상기 약제군, 성분, 및 제품명을 포함하는 알림을 생성하고, 상기 알림을 상기 사용자 단말의 디스플레이에 표시하는 단계 및 상기 알림의 표시 이후 소정의 기간 경과 후에 상기 환자의 처방 변화 여부를 수집하여 성과지표를 산출하는 단계를 포함한다.
본 개시의 일 실시예에 따라, 컴퓨팅 장치에 의해 수행되는 환자의 상태를 예측하는 방법이 개시된다. 상기 방법은 상기 컴퓨팅 장치에 포함된 적어도 하나의 프로세서가, 복수의 측정 항목에 대한 입력 데이터를 수신하는 단계; 및 상기 입력 데이터를 예측 모델에 입력하여 예측 결과를 산출하는 단계를 포함하고, 상기 예측 모델은, 상기 입력 데이터 중 시계열 데이터를 처리하는 제1 경로 및 상기 입력 데이터 중 정적 데이터를 처리하는 제2 경로를 포함하며, 상기 제1 경로의 출력과 상기 제2 경로의 출력에 기초하여 상기 예측 결과를 산출할 수 있다.
본 개시에 따르면, 전자 장치의 의료 데이터 관리 방법에 있어서, 의료정보 데이터베이스에 대응하여, 데이터 조회를 위한 복수의 뷰 테이블들을 포함하는 의료정보 인터페이스를 설정하는 단계; 상기 의료정보 데이터베이스 기반 인덱스가 설정된 재원 상태 컬럼에 대한 조건절을 활용하여, 상기 의료정보 인터페이스를 통해 상기 의료정보 데이터베이스로부터 데이터를 조회하는 단계; 및 상기 데이터에 기반하여, 상기 의료정보 데이터베이스 및 상기 전자 장치에 연계된 관리 시스템 사이의 의료 데이터 연동을 관리하는 단계를 포함하고, 상기 데이터는, 주기적으로 조회되는 상기 의료정보 데이터베이스 기반 인덱스에 기반하여 업데이트 되는 방법이 개시된다.
본 개시의 일 실시예에 따라, 컴퓨팅 장치에 의해 수행되는 환자의 상태를 예측하는 방법이 개시된다. 상기 방법은 상기 컴퓨팅 장치에 포함된 적어도 하나의 프로세서가, 복수의 측정 항목에 대한 입력 데이터를 수신하는 단계; 상기 복수의 측정 항목 중 측정값이 부재한 측정 항목에 대하여 대체값을 결정하는 단계; 및 상기 입력 데이터에 포함된 측정값 및 상기 대체값을 예측 모델에 입력하여 예측 결과를 산출하는 단계를 포함할 수 있다.
응급실 환자 상태 악화 예측 및 알람 관리 시스템 및 그 방법이 개시된다. 본 발명의 일 실시예에 따른 응급실 환자 상태 악화 예측 및 알람 관리 시스템은, 응급실에 입실한 환자의 의료 데이터 또는 환자 데이터를 수신하는 데이터 수신부, 의료 데이터 또는 환자 데이터를 기초로 인공지능 모델을 이용하여, 환자에 대한 복수의 상태 악화 예측점수를 산출하는 예측부, 복수의 상태 악화 예측점수 중 적어도 하나가 기설정된 임계값을 초과하는 경우 알람을 생성하는 알람 생성부, 복수의 환자에 대해 생성된 알람을 환자 간(inter-patient) 정렬 정책에 따라 정렬하고, 각 환자에 대해 복수의 알람이 생성된 경우 환자 내(intra-patient) 표시 정책에 따라 대표 알람을 결정하는 알람 관리부, 그리고 정렬된 알람 및 대표 알람을 포함하는 환자 목록을 표시하는 사용자 인터페이스부를 포함한다.
전자 장치의 환자 상태 예측 방법이 개시된다. 전자 장치의 환자 상태 예측 방법은 응급실에서의 환자에 관한 제1 데이터를 획득하는 단계; 병동에서의 상기 환자에 관한 제2 데이터를 획득하는 단계; 상기 제1 데이터 및 상기 제2 데이터에 기초하여, 환자의 상태를 예측하기 위한 제1 모델을 통해 상기 환자의 상태를 예측한 예측 결과를 획득하는 단계; 및 상기 예측 결과를 시각화한 정보를 제공하는 단계를 포함할 수 있다.
AI 기반 의료 정보 시스템 부하 처리 방법 및 장치가 개시된다. AI 기반 의료 정보 시스템 부하 처리 방법은, 컴퓨팅 장치에 의해 수행되는 AI 기반 의료 정보 시스템 부하 처리 방법으로서, 컴퓨팅 장치에 포함된 적어도 하나의 프로세서가, 의료 정보 시스템에서 의료데이터에 대한 데이터베이스의 응답시간데이터를 수집하여 시계열데이터를 생성하는 단계; 시계열데이터를 학습하여 데이터베이스의 부하수준을 예측하고 이를 통하여 부하예측데이터를 생성하는 단계; 부하예측데이터를 기초로 부하수준에 대한 부하등급정보가 포함된 부하등급데이터를 생성하는 단계; 및 부하등급데이터를 기초로 부하등급정보에 대응하여 의료데이터에 대한 데이터 조회 시간범위를 자동으로 조정하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따라 컴퓨팅 장치의 하나 이상의 프로세서에 의해 수행되는, 추론형 LLM 기반 환자 상태 예측 방법이 개시된다. 상기 방법은 입력 데이터를 수신하는 단계; 및 학습된 언어 모델을 이용하여 구조화된 추론 데이터 생성하는 단계를 포함하되, 상기 구조화된 추론 데이터는, 상기 언어 모델이 최종 결과를 생성함에 있어 근거가 된 중간 해석 데이터를 적어도 하나 포함하는 데이터일 수 있다.
진료 보조 서비스를 제공하는 전자 장치 및 그 방법이 개시된다. 일 실시 예에 따라 제1 단말에 의해 진료 보조 서비스를 제공하는 방법은, 제1 단말의 출력 인터페이스를 통해 질문 데이터를 제공하는 단계; 제1 단말의 입력 인터페이스를 통해 질문 데이터에 대응하는 응답 데이터를 수신하는 단계; 일련의 질문-응답 프로세스가 완료된 이후, 질문-응답 프로세스의 완료 시점까지 누적된 응답 데이터에 기반하여 생성된 초기 예진 데이터를 출력 인터페이스를 통해 제공하는 단계; 입력 인터페이스를 통해 초기 예진 데이터에 대한 피드백 입력을 수신하는 단계; 및 초기 예진 데이터에 피드백 입력을 반영한 의사 제공용 예진 데이터를 서버에 전송하는 단계를 포함한다.
본 개시의 일 실시예에 따라, 컴퓨팅 장치에 의해 수행되는 계층적 분류 체계 기반 쿼리 처리 방법이 개시된다. 상기 방법은, 컴퓨팅 장치에 포함된 적어도 하나의 프로세서가, 복수의 클래스를 포함하는 계층적 분류 체계를 정의하는 단계; 복수의 사용자 쿼리를 수집하고, 수집된 각 사용자 쿼리에 대해 상기 계층적 분류 체계에 따른 클래스 라벨을 부여하여 학습 데이터셋을 구성하는 단계; 및 상기 학습 데이터셋을 이용하여, 사용자 쿼리를 입력으로 하고 상기 복수의 클래스 중 하나를 출력으로 하는 인공 신경망 모델을 학습시키는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따라, 컴퓨팅 장치에 의해 수행되는 의료 진단용 언어 모델 평가 방법이 개시된다. 상기 방법은 상기 컴퓨팅 장치에 포함된 적어도 하나의 프로세서가, 자연어 텍스트 형태의 진단명을 표준 질병 분류 코드로 매핑하는 단계; 계층적 의료 분류 체계에 기초하여 확장된 진단 집합을 생성하는 단계; 및 상기 확장된 진단 집합에 기초하여 평가 점수를 산출하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따라 컴퓨팅 장치의 하나 이상의 프로세서에 의해 수행되는, 멀티 에이전트 기반 데이터 분석 및 의사결정 지원 방법이 개시된다. 상기 방법은 사용자로부터 적어도 하나의 입력 데이터를 획득하는 단계; 복수의 서브 에이전트를 이용하여 복수의 데이터를 생성하는 단계; 및 메인 에이전트를 이용하여 상기 복수의 데이터에 기초하여 결과 데이터를 생성하는 단계를 포함할 수 있다.
지정 병원 맞춤 처치 가이드 제공 시스템이 개시된다. 본 지정 병원 맞춤 처치 가이드 제공 시스템은 시간별 임상정보 DB, 임상의사결정지원시스템, 처치 가이드 DB, 처치 가이드 제공 모듈을 포함하고, 처치 가이드 제공 모듈은 시간별 임상정보 DB로부터 수신한 시간 경과에 따른 환자의 상태 정보, 및 임상의사결정지원시스템으로부터 수신한 미리 정해진 예측 시간 내 발생 가능한 증상에 따라, 처치 가이드 DB의 처치 가이드 정보를 제공하도록 구성된다.
환자 상태 예측에 대한 설명 제공 방법 및 이를 위한 전자 장치가 개시된다. 본 개시에 따른 환자 상태 예측에 대한 설명 제공 방법은, 환자의 시계열 데이터를 획득하는 단계; 인공지능 기반의 예측 모델로부터, 예측 모델이 시계열 데이터에 기반하여 출력한 예측 결과를 획득하는 단계; 설명 가능한 인공 지능(explainable artificial intelligence) 기반의 설명 모델로부터, 설명 모델이 시계열 데이터 및 예측 결과에 기반하여 출력한 설명 데이터를 획득하는 단계; 시계열 데이터, 예측 결과 및 설명 데이터를 포함하는 입력 데이터를 인공지능 기반의 언어 모델에 입력하는 단계; 및 언어 모델로부터, 언어 모델이 입력 데이터에 기반하여 출력한, 예측 결과에 대한 예측 모델의 추론 근거를 포함하는 자연어 텍스트 데이터를 획득하는 단계를 포함할 수 있다.
환자 상태 모니터링 방법 및 이를 위한 전자 장치가 개시된다. 일 실시 예에 따른 환자 상태 모니터링 방법은, 제1 디바이스로부터 환자에 대해 주기적으로 자동 측정된 제1 데이터를 수신하는 단계; 제1 데이터를 제1 입력 주기에 따라 제1 임베딩 모듈에 입력하여 제1 데이터에 대응하는 제1 임베딩 벡터를 획득하는 단계 - 제1 입력 주기는 제1 데이터의 양자화(quantization) 주기를 결정하는 제1 시간 간격(time interval)에 기반하여 설정됨 - ; 및 제1 임베딩 벡터를 기계 학습된 제1 인공지능 모델에 입력하여 환자의 상태와 관련된 이벤트에 대한 예측 데이터를 획득하는 단계를 포함할 수 있다.
환자의 건강 정보를 예측하는 모델을 최적화하는 파인튜닝 시스템이 제공된다. 파인튜닝 시스템은, 생체 신호 데이터를 저장하는 메모리; 및 프로세서를 포함하고, 프로세서는, 생체 신호 데이터가 획득된 시점을 기반으로 생체 신호 데이터를 전처리하고, 전처리의 결과에 따라, 제1 학습 데이터 세트 및 제2 학습 데이터 세트를 결정하고, 제1 학습 데이터 세트에 기반하여 모델에 대해 지도 학습(supervised learning)을 수행하고, 제2 학습 데이터 세트에 기반하여 모델에 대해 비지도 학습(unsupervised learning)을 수행하도록 구성될 수 있다.
환자 상태 예측 방법 및 이를 위한 전자 장치가 개시된다. 본 개시에 따른 환자 상태 예측 방법은, 환자에 대하여 측정된 생체 신호 데이터 및 환자에 관련된 비구조화된(unstructured) 의료 정보를 서버로부터 수신하는 단계; 수신된 생체 신호 데이터를 제1 텍스트 데이터로 변환하는 단계; 수신된 비구조화된 의료 정보를 제2 텍스트 데이터로 변환하는 단계; 제1 텍스트 데이터 및 제2 텍스트 데이터를 인공지능 기반의 분석 모델에 입력하여 환자에 대한 분석 정보를 생성하는 단계; 및 분석 정보를 인공지능 기반의 예측 모델에 입력하여 환자의 상태 정보를 예측하는 단계를 포함할 수 있다.
본 발명은 컴팩트하고 편향이 감소된 음성 인스턴스 임베딩을 구현한 MIL 모델을 이용하는 WSI 분류 시스템 및 방법에 관한 것이다. 이를 위하여 본 발명의 컴팩트하고 편향이 감소된 음성 인스턴스 임베딩을 구현한 MIL 모델을 이용하는 WSI 분류 시스템은, 다중 인스턴스 학습 모델을 이용하여 전체 슬라이드 이미지(WSI)를 분류하는 것으로, 상기 다중 인스턴스 학습 모델은, 상기 전체 슬라이드 이미지를 패치 단위로 분할하여 인코딩한 데이터를 입력받아 패치 단위의 인스턴스 임베딩 벡터로 변환하여 처리하는 맵핑 모듈과, 상기 패치 단위의 인스턴스 임베딩 벡터를 통합하여 슬라이드 단위의 결과값으로 도출하는 통합 모듈;을 포함하며, 상기 다중 인스턴스 학습 모델의 기계 학습 시에, 음성 또는 양성으로 미리 분류된 복수의 학습 대상 전체 슬라이드 이미지를 활용하되, 각 학습 대상 전체 슬라이드 이미지에 대하여, 상기 맵핑 모듈에서 출력된 패치 단위의 학습 대상 인스턴스 임베딩 벡터를 미리 결정된 차원의 공간 벡터로 변환하고, 상기 학습 대상 전체 슬라이드 이미지가 음성인 경우, 학습 가능한 파라미터로 정해진 중심 벡터를 기준으로 상기 공간 벡터의 표준 편차를 줄이는 방향으로 손실 함수를 설정함으로써, 상기 맵핑 모듈 및 통합 모듈의 기계 학습이 이뤄진다. 이로써, 기계 학습 단계에서 모든 정상 패치의 ...(이하생략)
적어도 하나의 사용자 단말로부터 환자의 상태와 관련한 복수의 활력 징후(vital sign) 데이터를 획득하는 단계, 복수의 활력 징후 데이터 각각의 획득 빈도 및 변화율에 기초하여, 복수의 활력 징후 데이터 각각의 그래프들, 복수의 활력 징후 데이터 각각의 그래프들의 시간을 나타내는 제1축(axis), 복수의 활력 징후 데이터 각각의 그래프들의 시간에 따른 수치(value)를 나타내는 제2축을 포함하는 이미지 데이터를 생성하는 단계 및 이미지 데이터를 인공지능 모델에 입력하여 환자의 환자 상태 진단 정보를 획득하는 단계를 포함하는 의료 데이터 처리 방법 및 이를 수행하는 전자 장치가 개시된다.
진료 보조 서비스를 제공하는 전자 장치 및 그 방법이 개시된다. 일 실시 예에 따라 서버를 통해 진료 보조 서비스를 제공하는 방법은, 사전 정의되어 고정된 복수의 질문 및 답변 옵션을 포함하는 제1 예진 세트를 환자 측 제1 단말에 제공하고, 제1 단말로부터 제1 예진 세트에 포함된 질문에 대한 답변을 수신함으로써 제1 예진 프로세스를 수행하는 단계; 및 제1 예진 프로세스가 종료된 이후, 생성형 인공지능 모델에 기반하여 생성된 복수의 질문 및 답변 옵션을 포함하는 제2 예진 세트를 제1 단말에 제공하고, 제1 단말로부터 제2 예진 세트에 포함된 질문에 대한 답변을 수신함으로써 제2 예진 프로세스를 수행하는 단계를 포함한다.
진료 보조 서비스를 제공하는 전자 장치 및 그 방법이 개시된다. 일 실시 예에 따라 제1 단말에 의해 진료 보조 서비스를 제공하는 방법은, 제1 단말의 출력 인터페이스를 통해 질문 데이터를 제공하는 단계; 제1 단말의 입력 인터페이스를 통해 질문 데이터에 대응하는 응답 데이터를 수신하는 단계; 일련의 질문-응답 프로세스가 완료된 이후, 질문-응답 프로세스의 완료 시점까지 누적된 응답 데이터에 기반하여 생성된 초기 예진 데이터를 출력 인터페이스를 통해 제공하는 단계; 입력 인터페이스를 통해 초기 예진 데이터에 대한 피드백 입력을 수신하는 단계; 및 초기 예진 데이터에 피드백 입력을 반영한 의사 제공용 예진 데이터를 서버에 전송하는 단계를 포함한다.
본 발명은 음성 합성 대상이 되는 타겟 텍스트 및 타겟 얼굴 이미지를 입력 받는 입력부, 타겟 텍스트를 타겟 얼굴 이미지에 대응하는 음성으로 합성하는 음성 합성 모델을 포함하고, 음성 합성 모델은, 타겟 텍스트를 타겟 텍스트 벡터로 인코딩하도록 미리 기계 학습된 텍스트 인코더, 타겟 얼굴 이미지를 타겟 얼굴 이미지 벡터 - 타겟 얼굴 이미지 벡터는 타겟 얼굴 이미지에 대응하는 타겟 음성 벡터로 처리될 수 있도록 매핑됨 - 로 인코딩하도록 미리 기계 학습된 얼굴 이미지 인코더, 참조 운율 벡터에 대응하여, 타겟 텍스트에 매핑되는 타겟 운율 벡터를 생성하도록 미리 기계 학습된 운율 언어 모델, 및 타겟 텍스트 벡터, 타겟 운율 벡터, 타겟 얼굴 이미지 벡터를 디코딩하여, 타겟 텍스트를 타겟 얼굴 이미지에 대응하는 음성으로 합성한 음성 데이터를 출력하도록 미리 기계 학습된 디코더를 포함하고, 디코더는 합성 음성 데이터가 타겟 운율 벡터에 대응하는 운율을 따르도록 구성되고, 참조 운율 벡터는 음성 벡터와 독립하여 생성되도록 구성되는, 텍스트를 얼굴 이미지에 대응하는 음성으로 합성하는 음성 합성 시스템을 제공한다. 상기 음성 합성 모델은 학습 데이터에 포함되어 있지 않은 얼굴 이미지에 대해서도 그 얼굴 이미지에 대응하는 음성으로 합성할 수 있고, 얼굴 이미지와 합성 음성의 매칭 성능이 우수한 제로-샷 모델로...(이하생략)
환자 상태 예측 모니터링 방법 및 장치를 제시한다. 환자 상태 예측 모니터링 장치가 수행하는 환자 상태 예측 모니터링 방법은 다면 데이터 전처리 모델을 통해 하나 이상의 환자 식별 정보에 대한 의료 다면 데이터를 전처리하는 단계, 상기 의료 다면 데이터 또는 상기 전처리된 의료 다면 데이터에 대해서 하나 이상의 예측 프로세스를 설정하는 단계, 및 상기 하나 이상의 예측 프로세스에 따라 상기 의료 다면 데이터 또는 상기 전처리된 의료 다면 데이터로부터 인공지능 기반의 예측 분류 모델을 통해 예측 수행 시간에 하나 이상의 시구간에 대한 임상 이벤트를 예측하는 단계를 포함한다.
본 명세서에 개시되는 실시예들은, 의료 예측 방법 및 장치에 관한 것으로, 일 실시예에 따른 의료 예측 방법은, 의료 예측 장치에 의해 수행되고, 관측시점, 관측값 및 특징타입의 삼중항으로 정의되는 관측을 복수개 포함하고, 상기 복수개의 관측 각각에 포함된 관측값은 다중 모달리티 중 적어도 하나를 포함하는, 의료 다면(multi-modal) 데이터를 수집하는 단계 및 상기 의료 다면 데이터에 포함된 관측을 임베딩하고, 상기 임베딩된 관측들을 기초로 상기 의료 다면 데이터의 모달리티 결측 처리가 학습된 인공지능 모델을 이용하여 임상 이벤트를 예측하는 예측 단계를 포함하며, 상기 예측 단계는, 상기 인공지능 모델을 이용하여 상기 임베딩된 관측에 포함된 모달리티별로 예측 결과를 산출하되, 모달리티 간의 상호작용을 학습하기 위해 상기 인공지능 모델에 의해 추가되는 보틀넥 토큰 중 상기 관측들에 포함되지 않은 모달리티에 대한 보틀넥 토큰을 제외하는 단계를 포함한다.
뉴럴 네트워크 장치 및 그 장치에서의 러닝 방법을 개시한다. 본 명세서에서 개시된 일 실시예에 따르면, 사전학습(pre-training)을 위한 데이터를 입력받아 뉴럴 네트워크를 학습시키되, 상기 어텐션 생성기를 이용하여 상기 데이터에 대해 어텐션을 생성하는 단계, 상기 데이터에 포함된 인스턴스에 대해 비용-효율적인 인스턴스 및 특징의 재순위화를 수행(Cost-Effective Instance and Feature Reranking, CER )하는 단계, 재순위화된 인스턴스들 중 일부와 상기 재순위화된 인스턴스들 중 일부에 대한 어텐션을 선택하는 단계, 상기 선택된 어텐션에 대한 주석을 획득하고, 상기 주석을 기초로 뉴럴 어텐션 프로세스(Neural Attention Process, NAP)를 수행하여 상기 뉴럴 네트워크의 파라미터를 수정하는 단계를 포함한다.
본 발명은 딥러닝 기반 의료 데이터 분석 및 상태 악화 예측 방법과 그 시스템을 포함할 수 있다. 본 발명의 실시예에 따른 의료 데이터 분석 및 상태 악화 예측 방법은, 의료 데이터 분석 및 상태 악화 예측 시스템에 의하여, 복수의 관측 데이터를 포함하는 시계열 의료 데이터를 제공받는 단계; 상기 시계열 의료 데이터의 입력 임베딩 벡터를 생성하는 단계; 상기 입력 임베딩 벡터를 질병 예측 모델에 입력하여 상기 복수의 관측 데이터 간 연관성에 기초한 상기 시계열 의료 데이터의 분석을 수행하는 단계; 및 상기 분석 결과에 기초하여 미리 설정된 적어도 하나의 예측대상에 대한 예측값을 출력하는 단계를 포함할 수 있다.
본 발명은 대화형 환자 예진 서비스 제공 서버 및 그 동작방법에 관한 것이다. 보다 구체적으로, 본 발명의 일 실시예에 따른 대화형 환자 예진 서비스 제공 서버는, 예진용 전자장치로 질문 데이터를 전송하고, 상기 예진용 전자장치로부터 응답 데이터를 수신하는 통신모듈; 음성 데이터와 텍스트 데이터 간의 변환을 수행하는 데이터변환모듈; 미리 저장된 필요정보 리스트에 기초하여 적어도 하나의 질문을 생성하고, 누적된 응답 데이터에 기초하여 잔여질문을 정비하는 문답관리모듈; 및 상기 응답 데이터에서 핵심 키워드를 추출하여 예진 기록지를 생성하는 기록모듈을 포함할 수 있다.
본 명세서에서는, 폐색전증에 대한 정보제공 방법 및 이를 이용한 디바이스가 제공되며, 보다 구체적으로 개체로부터 획득한 다양한 데이터를 기초로 폐색전증 발병 위험도를 결정하고 제공하도록 구성된 방법 및 이를 이용한 디바이스가 제공된다.
전자 건강 기록 데이터 분석 장치 및 방법을 개시한다. 전자 건강 기록 데이터 분석 장치는, 전자 건강 기록 데이터를 분석하기 위한 프로그램이 저장되는 메모리; 및 상기 프로그램을 실행함으로써 전자 건강 기록 데이터를 분석하는 제어부;를 포함하고, 상기 제어부는, 타임스탬프에 기초하여 형성된 전자 건강 기록 데이터를 각 타임스탬프 별로 선택적으로 기능 정보를 집계하여 임베딩 벡터를 생성하고, 상기 생성된 임베딩 벡터를 미리 학습된 인공 지능 모델에 입력함으로써 전자 건강 기록 데이터에 대한 분석을 수행하는 것을 특징으로 한다.
뇌파 기반 실시간 발작 탐지 장치 및 방법을 개시한다. 뇌파 기반 실시간 발작 탐지는, 뇌파 기반 실시간 발작을 탐지하기 위한 프로그램이 저장되는 저장부; 및 상기 프로그램을 실행함으로써 뇌파 기반 실시간 발작을 탐지하는 제어부;를 포함하고, 상기 제어부는, 입력되는 뇌파의 원시 신호를 미리 설정된 특정 주파수로 다운 샘플링하고, 상기 다운 샘플링된 원시 신호를 기초로 신호의 특징을 추출하고, 이를 미리 학습된 인공지능 모델에 입력하여 상기 신호에서의 발작을 실시간으로 탐지하는 것을 특징으로 한다.
메타 대조 학습 기반의 태스크 적응형 신경망을 검색하는 장치 및 방법을 개시한다. 메타 대조 학습 기반의 태스크 적응형 신경망을 검색하는 장치는, 복수 개의 데이터셋, 상기 데이터셋을 사전 학습한 신경망으로 구성된 학습모델 풀(pool)을 포함하는 데이터베이스 및 메타 대조 학습 기반의 태스크 적응형 신경망을 검색하기 위한 프로그램이 저장되는 메모리; 및 상기 프로그램을 실행함으로써 메타 대조 학습 기반의 태스크 적응형 신경망을 검색하는 제어부를 포함하고, 상기 제어부는, 상기 데이터베이스에서 미리 선택된 어느 하나의 태스크(task)에 포함된 제약조건(constraint)을 고려하여 데이터셋과 상기 데이터셋에 대해 학습된 신경망 사이의 유사도를 계산함으로써 상기 데이터셋과 상기 데이터셋에 대해 학습된 신경망에 대한 크로스 모달 잠재 공간을 학습하여 최적의 신경망을 검색하는 것을 특징으로 한다.
신약 개발을 위한 히트 분자 발굴 장치 및 방법을 개시한다. 신약 개발을 위한 히트 분자 발굴 장치는, 신약 개발을 위한 분자의 생성 및 히트 분자를 발굴하기 위한 프로그램이 저장되는 저장부; 및 상기 프로그램을 실행함으로써 신약 개발을 위한 분자의 생성 및 히트 분자를 발굴하는 제어부;를 포함하고, 상기 제어부는, 임의의 초기 분자에 분자 생성 알고리즘을 이용하여 단편을 부착함으로써 단편 기반 분자를 생성하고, 상기 단편 기반 분자를 생성하는 과정에서 발생된 경험 정보들을 기초로 탐색적 강화학습 알고리즘을 적용시켜 히트 분자를 발굴하는 것을 특징으로 한다.
신경망의 파라미터 개선 장치 및 그 장치에서의 신경망의 파라미터 개선 방법에 관한 것으로 본 명세서에서 개시된 일 실시예에 따르면, 신경망 장치에서의 신경망의 파라미터 개선 방법에 있어서, 선행학습(pre-training)을 위한 데이터를 입력받아 신경망를 학습시키는 단계, 선행학습된 신경망의 파라미터에 대한 비용-효율적인 인스턴스 및 특징의 재순위화를 수행(Cost-Effective Instance and Feature Reranking, CER )하는 단계를 포함할 수 있다.
템포럴 뉴럴 프로세스에 기반한 실시간 시계열 예측 장치에 있어서, 불규칙적으로 전달되는 시계열 데이터를 수신하는 통신부; 상기 시계열 데이터를 요약하는 인코더, 상기 인코더에서 생성된 요약을 사용하여 새로 도착한 데이터에 대한 표현을 생성하는 디코더를 포함하는 템포럴 뉴럴 프로세스 프로그램을 저장하는 저장부; 상기 저장부에 저장된 상기 템포럴 뉴럴 프로세스 프로그램을 실행하여, 상기 시계열 데이터를 요약하고 상기 요약을 사용하여 새로 도착한 데이터에 대한 표현을 생성하며, 생성된 표현에 기초하여 시간적 특징 표현을 분류 계층에 입력함으로써 다중 모드 시계열 예측을 수행하는 제어부를 포함할 수 있다.
머신 학습 장치 및 그 장치에서의 학습 방법에 관한 것으로 본 명세서에서 개시된 일 실시예에 따르면, 머신 학습 장치에서의 학습 방법에 있어서, 사전학습(pre-training)을 위한 데이터를 입력받아 뉴럴 네트워크를 학습시키는 단계, 사전학습된 뉴럴 네트워크의 파라미터에 대한 비용-효율적인 인스턴스 및 특징의 재순위화를 수행(Cost-Effective Instance and Feature Reranking, CER )하는 단계, 재순위화된 인스턴스 및 특징 중 일부에 기초하여 어텐션 생성기를 이용하여 어텐션을 생성하는 단계, 생성된 어텐션을 인간 감독관에게 제시하는 단계, 상기 인간 감독관으로부터 주석을 입력받는 단계, 및 상기 인간 감독관의 주석을 기초로 뉴럴 어텐션 프로세스(Neural Attention Process, NAP)를 수행하여 상기 뉴럴 네트워크의 파라미터를 수정하는 단계를 포함할 수 있다.
신경 교차 모드 융합 네트워크를 이용한 다중 모드 예측 장치에 있어서, 불규칙적으로 전달되는 시계열 데이터를 수신하는 통신부; 상기 시계열 데이터를 저장하는 저장부; 상기 시계열 데이터를 요약하고, 생성된 요약을 사용하여 새로 도착한 데이터에 대한 표현을 생성하며, 새로 도착한 데이터에 대한 표현을 추출하여, 추출된 시간적 특징 표현을 사용하여, 잠재 변수를 구성하고, 상기 잠재 변수를 결합하여 이벤트를 예측하는 제어부를 포함할 수 있다.
메타 성능 대리 모델을 이용한 데이터세트 성능 예측 장치에 있어서, 쿼리 데이터 세트를 수신하는 통신부; 복수의 데이터 세트-신경망 쌍을 포함하는 모델 데이터베이스가 구축되는 저장부; 상기 저장부에 저장된 복수의 데이터 세트-신경망 쌍 중에서, 상기 쿼리 데이터 세트에 대응하는 쌍을 검색하여 신경망를 선택하며, 메타 성능 대리 모델을 이용하여 데이터 세트의 성능을 평가함으로써, 신경망를 선택하는 제어부를 포함할 수 있다.
교차 모드 검색 기반의 태스크 적응적 신경망 탐색 장치에 있어서, 쿼리 데이터 세트를 수신하는 통신부; 복수의 데이터 세트-네트워크 쌍을 포함하는 모델 데이터베이스가 구축되는 저장부; 상기 저장부에 저장된 복수의 데이터 세트-네트워크 쌍 중에서, 상기 쿼리 데이터 세트에 대응하는 쌍을 검색하여 네트워크를 추천하는 제어부를 포함하여 구성되고, 상기 제어부는, 작업 분포를 이용하여 데이터 세트-네트워크 쌍에 대한 교차 모드 잠재 공간을 구성할 수 있다.
실시간 임상 예측 장치에 있어서, 불규칙적으로 전달되는 시계열 데이터를 수신하는 통신부; 상기 시계열 데이터와, 상기 시계열 데이터를 요약하는 인코더, 상기 인코더에서 생성된 요약을 사용하여 새로 도착한 데이터에 대한 표현을 생성하는 디코더를 포함하는 템포럴 뉴럴 프로세스 프로그램을 저장하는 저장부; 상기 저장부에 저장된 상기 템포럴 뉴럴 프로세스 프로그램을 실행하여, 상기 시계열 데이터를 요약하고 상기 요약을 사용하여 새로 도착한 데이터에 대한 표현을 생성하며, 추출된 시간적 특징 표현을 사용하여 잠재 변수를 구성하고, 상기 잠재 변수를 결합하여 분류 계층에 입력함으로써 이벤트를 예측하는 제어부를 포함할 수 있다.
메타 대조적 학습을 통한 신경망 탐색 장치에 있어서, 쿼리 데이터 세트를 수신하는 통신부; 복수의 데이터 세트-네트워크 쌍을 포함하는 모델 데이터베이스가 구축되는 저장부; 상기 저장부에 저장된 복수의 데이터 세트-네트워크 쌍 중에서, 상기 쿼리 데이터 세트에 대응하는 쌍을 검색하는 제어부를 포함하여 구성되고, 상기 제어부는, 양수 쌍 간의 유사성을 최대화하고 음수 쌍 간의 유사성을 최소화하는 방식으로 메타 대조 학습을 수행하여, 데이터 세트에 대응하는 네트워크를 선택할 수 있다.
뉴럴 어텐션 프로세스를 이용한 어텐션 학습 장치 및 그 장치에서의 어텐션 학습 방법에 관한 것으로 본 명세서에서 개시된 일 실시예에 따르면, 뉴럴 어텐션 프로세스를 이용한 어텐션 학습 장치에서의 어텐션 학습 방법에 있어서, 뉴럴 네트워크를 학습시키는 단계, 인스턴스 및 특징 중 일부에 기초하여 어텐션 생성기를 이용하여 어텐션을 생성하는 단계, 생성된 어텐션을 인간 감독관에게 제시하는 단계, 상기 인간 감독관으로부터 주석을 입력받는 단계, 및 상기 인간 감독관의 주석을 기초로 뉴럴 어텐션 프로세스(Neural Attention Process, NAP)를 수행하여 상기 뉴럴 네트워크의 파라미터를 수정하는 단계를 포함할 수 있다.
뉴럴 네트워크 장치 및 그 장치에서의 러닝 방법에 관한 것으로 본 명세서에서 개시된 일 실시예에 따르면, 뉴럴 네트워크(Neural Network) 장치에서의 러닝 방법에 있어서, 사전학습(pre-training)을 위한 데이터를 입력받아 뉴럴 네트워크를 학습시키는 단계, 사전학습된 뉴럴 네트워크의 파라미터에 대한 비용-효율적인 인스턴스 및 특징의 재순위화를 수행(Cost-Effective Instance and Feature Reranking, CER )하는 단계, 재순위화된 인스턴스 및 특징 중 일부에 기초하여 어텐션 생성기를 이용하여 어텐션을 생성하는 단계, 생성된 어텐션을 인간 감독관에게 제시하는 단계, 상기 인간 감독관으로부터 주석을 입력받는 단계, 및 상기 인간 감독관의 주석을 기초로 뉴럴 어텐션 프로세스(Neural Attention Process, NAP)를 수행하여 상기 뉴럴 네트워크의 파라미터를 수정하는 단계를 포함할 수 있다.
독성예측 장치 및 독성예측 방법을 제시하며, 일 실시예에 따르면, 독성예측 장치로서, 분석대상 화합물의 독성을 예측하기 위한 프로그램이 저장되는 저장부, 및 상기 프로그램을 실행함으로써 분석대상 화합물의 독성을 예측하는 제어부를 포함하며, 상기 제어부는, 분석대상 화합물의 분자구조를 이루는 원자를 노드, 화학결합을 엣지로 표현하는 그래프로 변형하는 전처리를 수행하고 상기 그래프 및 인공 신경망을 이용하여 상기 분석대상 화합물의 독성을 예측할 수 있다.
본 발명은, 프로세서에 의해 구현되는 응급 상황을 예측하는 방법에 있어서, 개체에 대한 생체 신호 데이터를 생체 신호 예측 디바이스로부터 수신하는 단계, 생체 신호 데이터를 기초로 위험도 시퀀스를 생성하도록 구성된 위험도 시퀀스 생성 모델을 이용하여 생체 신호 데이터를 기초로 개체에 대한 위험도 시퀀스를 생성하는 단계, 위험도 시퀀스를 기초로 상기 개체에 대한 위험도를 예측하는 단계를 포함하는 사망 또는 패혈증 위험도의 예측 방법 및 이를 이용한 디바이스를 제공한다.
기초 메타학습장치에 대한 앙상블가중치를 결정하는 방법 및 장치를 제시하며, 메타학습장치에 대한 앙상블가중치를 결정하는 장치에 있어서, 작업이 속하는 분류를 나타내는 에피소드에 기초하여 메타학습장치로부터 상기 에피소드의 특징 표현형(feature representation)을 획득하는 표현형획득부, 상기 에피소드의 특징 표현형에 기초하여 상기 메타학습장치의 예측된 확률인 앙상블확률을 계산하는 가중치계산부 및 상기 앙상블확률을 기초로 학습을 수행하여 상기 장치의 파라미터를 설정하는 파라미터설정부를 포함할 수 있다.
낱알 식별 장치 및 낱알 식별 방법을 제시하며, 일 실시예에 따르면 낱알 식별 장치는 낱알의 이미지 및 상기 낱알의 이미지에 대한 학습 결과를 저장하는 메모리, 및 복수의 낱알의 이미지를 포함하는 제1이미지로부터 하나의 낱알 이미지를 포함하는 제2이미지를 복수 개 추출하며, 보정된 제2이미지에 기초하여 낱알의 식별정보를 제공하는 제어부를 포함한다.
뉴럴네트워크를 희소화하는 방법 및 장치를 제시하며, 일실시예에 따르면 뉴럴네트워크를 희소화하는 장치는, 상기 뉴럴네트워크의 연결관계를 제거하는 드롭아웃(dropout) 모델을 상기 뉴럴네트워크에 적용하여 상기 뉴럴네트워크를 희소화시키는 제어부 및 상기 드롭아웃 모델을 저장하는 메모리를 포함할 수 있다.
본 명세서의 실시예에 따른 뉴럴네트워크 학습 장치는, 입력 적응형 방식으로 분리된 평균과 표준편차를 사용하여 주의 집중 가중치를 생성하고, 생성된 주의 집중 가중치로 학습된 불확정성을 고려한 주의 집중 모델을 뉴럴네트워크에 적용하는 제어부와 상기 불확정성을 고려한 주의 집중 모델을 저장하는 저장부를 포함한다.
본 명세서에서 개시되는 실시예들은 의약품 검색을 위한 낱알 식별 장치 및 낱알 식별 방법에 관한 것으로서 심층 신경망을 통해 낱알에 표기된 기호, 색상, 모양 등을 인식하여 낱알을 식별하는 장치 및 방법에 관한 것이다. 기술적 과제를 달성하기 위한 기술적 수단으로서, 일 실시예에 따르면, 낱알 식별 장치가 수행하는 낱알 식별 방법으로서, 각 낱알의 이미지에 대한 심층 학습을 수행하는 단계; 및 상기 학습에 기초하여 식별 대상에 대한 후보군을 제공하는 단계를 포함하는, 낱알 식별 방법이 개시된다.
특허청 KIPRIS · 2026-10-15 조회 · 최신 출원순 · 오른쪽은 등록일(등록 전은 출원일) · 전체 50건 중 50건 · 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) | 94.5 | 187.7 |
| 영업비용 | 172.1 | 279.9 |
| 영업이익(손실) | (77.6) | (92.1) |
| 영업외수익 | 4.7 | 3.5 |
| 기타이익 | 0.1 | 0.3 |
| 금융수익 | 4.5 | 3.3 |
| 영업외비용 | 129.6 | 426.1 |
| 기타손실 | 0.2 | 0.0 |
| 금융원가 | 129.4 | 426.0 |
| 당기순이익(손실) | (202.5) | (514.6) |
매출은 187.7억으로 전년 대비 98.6% 증가한 것으로 나타났다.
영업이익률은 -49.1%로 전년 -82.1%에서 상승했다.
당기순이익은 -514.6억으로 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 · 2026-11-06 확인