회사 자료를 불러오는 중…
회사 자료를 불러오는 중…
검증 단계 — 어디까지 확인했나
L0 · 국민연금 인력 · 공시 재무 · 특허 — 공공자료
서울특별시에 있는 2017년 설립 회사입니다. 소프트웨어 개발 및 공급업을 합니다. 2025년 그룹 연결 매출은 115억입니다. 자회사까지 합친 숫자이며 이 법인 하나의 매출이 아닙니다. 2026년 8월 기준 국민연금 가입자는 163명입니다. 외부감사를 받는 회사이고, 가장 최근 감사의견은 「적정」입니다.
읽어오는 중입니다…
최근 출원 2025-09-11 · 최근 등록 2026-08-26 · 최신 출원순
본 개시의 일 실시예에 따라 컴퓨팅 장치의 하나 이상의 프로세서에 의해 수행되는, 신경망 모델을 서비스하기위한 플랫폼을 구축하는 방법이 개시된다. 상기 방법은, 자연어 기반의 사용자 입력을 수신하는 단계; 상기 사용자 입력에 기초하여 제 1 의도(intent) 정보를 획득하는 단계; 상기 획득된 제 1 의도 정보에 기초하여 복수의 신경망 에이전트(Agent)를 활용하여 상기 제 1 의도에 대응되는 제 1 신경망 작업 경로를 획득하는 단계; 및 상기 사용자 입력 및 제 1 신경망 작업 경로에 기초하여 상기 사용자 입력에 대한 답변을 획득하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따라 컴퓨팅 장치의 하나 이상의 프로세서에 의해 수행되는, 신경망 모델을 활용하여 신경망 모델을 활용하여 이미지를 처리하기 위한 방법이 개시된다. 상기 방법은, 적어도 하나 이상의 객체가 포함된 이미지를 획득하는 단계; 상기 획득된 이미지가 해당되는 기술 분야를 식별하는 단계; 신경망 모델을 활용하여, 상기 식별된 기술 분야에 기초하여 상기 획득된 이미지에 대해 객체 단위의 분할을 수행하는 단계; 및 상기 획득된 이미지에 대해 객체 단위의 분할된 데이터를 획득하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따라 컴퓨팅 장치의 하나 이상의 프로세서에 의해 수행되는, 신경망 모델을 활용하여 이미지 작업 서비스를 제공하기 위한 방법이 개시된다. 상기 방법은, 적어도 하나의 객체가 포함된 복수의 이미지들을 획득하는 단계; 상기 복수의 이미지들 간 유사도를 계산하는 단계; 상기 계산된 유사도에 기초하여 상기 복수의 이미지들에 포함된 제 1 이미지 및 상기 제 1 이미지와 대응되는 제 2 이미지를 식별하는 단계; 및 신경망 모델을 활용하여, 상기 제 1 이미지 및 상기 제 2 이미지 간 적어도 하나의 수정 부분에 대한 정보를 획득하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따라 컴퓨팅 장치의 하나 이상의 프로세서에 의해 수행되는, 신경망 모델을 활용하여 이미지 작업 서비스를 제공하기 위한 방법이 개시된다. 상기 방법은, 복수의 이미지를 획득하는 단계; 상기 복수의 이미지 중 제 1 이미지 및 상기 제 1 이미지의 수정 후 이미지인 제 2 이미지를 식별하는 단계; 신경망 모델을 활용하여, 상기 제 1 이미지 및 상기 제 2 이미지 간 수정 정보를 획득하는 단계; 및 사용자 인터페이스에 상기 수정 정보를 시각적으로 출력하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따라 컴퓨팅 장치의 하나 이상의 프로세서에 의해 수행되는, 기계 학습 플랫폼의 개발 환경을 제공하기 위한 방법이 개시된다. 상기 방법은, 제 1 개발 환경에서 제 1 파이프라인 코드를 포함하는 제 1 파이프라인을 작성하는 단계; 상기 제 1 파이프라인 코드의 사용 언어를 감지하는 단계; 감지된 상기 사용 언어 및 상기 제 1 개발 환경에 기초하여, 상기 사용 언어의 실행 환경을 정의하는 제 1 실행 환경 정보를 추출하는 단계; 상기 제 1 파이프라인이 실행될 제 2 개발 환경을 식별하는 단계; 상기 제 1 실행 환경 정보를 변환하여, 제 2 개발 환경에서 실행 가능하도록 구성된 실행 환경 패키지를 생성하는 단계; 및 상기 실행 환경 패키지를 활용하여, 제 2 개발 환경을 갱신하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따라 기계 학습 플랫폼의 지속적 통합(CI: Continuous Integration)을 수행하기 위해 컴퓨팅 장치에서 수행되는 방법이 개시된다. 본 개시에 따르면, 컴퓨팅 장치가, 기계 학습 모델이 운용될 수 있는 모의 환경을 구성하고, 상기 모의 환경에서 상기 기계 학습 모델의 운용과 관련된 복수의 유형의 테스트들을 식별하고, 상기 복수의 유형의 테스트들을 순차적으로 실행하기 위한 제1 명령어를 작성하고, 상기 기계 학습 모델의 새로운 버전과 관련된 요청이 식별되는 경우, 상기 제1 명령어를 실행하고, 상기 제1 명령어를 실행한 결과를 기초로, 상기 기계 학습 모델의 새로운 버전의 배포 여부를 결정한다.
본 개시의 컴퓨팅 장치에 의해 수행되는, 이상 탐지 모델의 최적화 방법이 개시된다. 상기 방법은, 복수의 잡 파일들(job files)을 획득하는 단계와, 상기 획득된 복수의 잡 파일들을 클러스터링하여 복수의 클러스터들을 획득하는 단계와, 각 클러스터에 대응하는 이상 탐지 모델의 하이퍼파라미터를 최적화하는 단계와, 상기 최적화 된 이상 탐지 모델을 학습시키는 단계를 포함하고, 상기 복수의 잡 파일들 각각은 특정 로봇 팔이 수행하는 특정 작업에 대한 정보를 포함할 수 있다.
본 개시의 컴퓨팅 장치에 의해 수행되는, 이상 탐지 모델의 재학습 여부를 판단하는 방법이 개시된다. 상기 방법은, 학습 데이터로 학습 된 이상 탐지 모델로 입력되는 추론 데이터를 획득하는 단계와, 상기 추론 데이터와 상기 학습 데이터 간 데이터 분포 변화를 파악하는 단계와, 상기 데이터 분포 변화가 잡(job) 정보의 변경에 의한 변화인지 여부를 판단하는 단계와, 상기 판단 결과에 따라 상기 이상 탐지 모델의 재학습 여부를 판단하는 단계를 포함하고, 상기 잡 정보는 잡 파일(job file)에 포함되며, 로봇 팔이 수행하는 특정 작업에 대한 정보일 수 있다.
본 개시의 일 실시예에 따라 컴퓨팅 장치의 하나 이상의 프로세서에 의해 수행되는, 신경망 모델을 지속 배포하는 방법이 개시된다. 상기 방법은, 신경망 모델을 배포하기 위해 제 1 컨테이너, 제 2 컨테이너 및 서브 컨테이너(container)를 포함하는 컨테이너 그룹을 획득하는 단계; 상기 컨테이너 그룹에 포함된 제 1 컨테이너, 제 2 컨테이너 또는 서브 컨테이너 중 적어도 하나의 변화를 식별하는 단계; 상기 식별된 변화에 기초하여 상기 제 1 컨테이너, 상기 제 2 컨테이너 또는 상기 서브 컨테이너 중 적어도 하나를 업데이트하는 단계; 및 상기 제 1 컨테이너, 상기 제 2 컨테이너 또는 상기 서브 컨테이너 중 적어도 하나가 업데이트된 컨테이너 그룹에 기초하여 신경망 모델 어플리케이션을 조정하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따라 인공 신경망 모델 기반 시뮬레이터를 활용한 브레이크 패드 설계를 위해 컴퓨팅 장치에 의해 수행되는 방법이 개시된다. 구체적으로, 본 개시에 따르면, 컴퓨팅 장치가, 브레이크 패드의 설계 시나리오의 타입을 식별하고, 상기 브레이크 패드의 설계 조건 및 성능 실험 조건을 제1 인공 신경망 모델에 입력하는 것을 기초로, 상기 브레이크 패드의 성능을 검증하는 시뮬레이션을 수행하고, 상기 제1 인공 신경망 모델은, 설계 단위로 생성된 브레이크 패드 성능 실험 데이터를 제동 단위로 분리하는 단계, 상기 제동 단위로 분리된 성능 실험 데이터를 기초로 제1 학습 데이터 세트를 생성하는 단계 및 상기 제1 학습 데이터를 기초로, 상기 제1 인공 신경망 모델을 학습시키는 단계를 기초로 학습된 인공 신경망 모델이다.
본 개시의 일 실시예에 따라 기계 학습 모델의 개발 환경을 제공하는 방법이 개시된다. 구체적으로, 본 개시에 따르면, 컴퓨팅 장치가, 사용자가 작성한 제1 파이프라인 정보를 수신하고, 상기 제1 파이프라인을 기초로, 개발 환경의 타입에 제한되지 않는 유니버셜(Universal) 컴포넌트 집합을 생성하고, 상기 유니버셜 컴포넌트 집합을 기초로, 제2 파이프라인을 생성하되, 상기 제1 파이프라인은 제1 개발 환경에서 작성된 파이프라인이고, 그리고 상기 제2 파이프라인은 상기 제1 개발 환경 이외의 개발 환경에서 작동하는 파이프라인이다.
본 개시의 일 실시예에 따라 강화 학습에 의한 제어를 수행하기 위한 방법이 개시된다. 구체적으로, 본 개시에 따르면, 컴퓨팅 장치가, 강화 학습 에이전트(Agent)가 출력한 제1 액션(Action)을 획득하고, 상기 제1 액션을 환경 정보를 활용하여 후처리하는 것을 기초로, 제2 액션을 생성하고, 상기 제1 액션 및 제2 액션을 비교하는 것을 기초로, 상기 강화 학습 에이전트의 페널티(penalty)를 산출하고, 보상 및 상기 페널티를 상기 강화 학습 에이전트에 입력한다.
본 개시는, 컴퓨팅 장치에 의해 수행되는, 로봇 공정을 위한 프로그램을 생성하는 방법으로서, 상기 방법은, 로봇의 자세(pose)를 분석하는 것에 기초하여, 상기 로봇에 대한 유효 작업 지점(valid working spot)들을 식별하는 단계; 상기 로봇의 상기 유효 작업 지점들 사이의 거리를 추정하는 것에 기초하여, 상기 로봇에 하나 이상의 타겟(target) 작업 지점을 분배하는 단계; 및 상기 로봇의 충돌 가능성을 고려하여, 상기 로봇의 작업 경로(trajectory) 또는 작업 순서를 결정하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따라 컴퓨팅 장치의 하나 이상의 프로세서에 의해 수행되는, 인공지능 플랫폼에 대한 데이터 전송을 제어하기 위한 방법이 개시된다. 상기 방법은, 데이터베이스(database)에 포함된 데이터를 식별하는 단계; 상기 인공지능 플랫폼에 포함된 복수의 서비스 모델들 중 상기 식별된 데이터에 대응되는 서비스 모델을 결정하고, 상기 결정된 서비스 모델을 데이터 파이프-라인(data pipeline)에 연결하는 단계; 상기 인공지능 플랫폼에 연결된 데이터 파이프-라인에 상기 데이터베이스의 상기 식별된 데이터를 연결하는 단계; 및 상기 결정된 서비스 모델에 대해 상기 데이터 파이프-라인을 활용하여 상기 식별된 데이터를 전송하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따라 컴퓨팅 장치의 하나 이상의 프로세서에 의해 수행되는, 복수의 작업 수행 로봇들 간 충돌을 방지하기 위한 방법이 개시된다. 상기 방법은 복수의 작업 수행 로봇 각각에 대한 유효 작업 지점들을 결정하는 단계; 상기 결정된 유효 작업 지점들에 기초하여 상기 복수의 작업 수행 로봇 각각에 대해 타겟 작업 지점들을 분배하고, 상기 분배된 타겟 작업 지점들에 기초하여 상기 복수의 작업 수행 로봇 각각에 대한 복수의 목표 작업 경로들을 예측하는 단계; 상기 예측된 복수의 목표 작업 경로들에 기초하여 상기 복수의 작업 수행 로봇 각각에 대한 작업 영역들을 예측하는 단계; 상기 예측된 복수의 작업 수행 로봇 각각에 대한 작업 영역들 중 두 개 이상의 작업 영역이 교차하는 영역을 계산하고, 상기 교차하는 영역에 기초하여 충돌 위험 영역을 설정하는 단계; 및 상기 설정된 충돌 위험 영역에 기초하여 상기 복수의 작업 수행 로봇들의 작업 순서 또는 작업 경로를 결정하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따라 하나 이상의 데이터베이스에서 학습 데이터를 생성하기 위한 방법이 개시된다. 구체적으로, 본 개시에 따르면, 컴퓨팅 장치가, 사전 결정된 주기에 의한 입력 정보를 수신하고, 상기 입력 정보를 기초로, 데이터 추출 모듈을 활용하여 하나 이상의 데이터베이스에 포함된 적어도 일부의 데이터를 추출하고 데이터프레임(Dataframe)으로 변환하고, 데이터 변환 모듈을 활용하여 상기 데이터프레임을 기초로 복수의 형식(format)으로 기계 학습 모델의 학습 데이터를 생성하고, 상기 데이터 변환 모듈은, 복수의 데이터 변환 서브모듈들을 포함하고, 상기 복수의 데이터 변환 서브모듈들 각각은 사전 결정된, 상이한 형식의 데이터를 출력한다.
본 개시의 일 실시예에 따라 컴퓨팅 장치의 하나 이상의 프로세서에 의해 수행되는, 작업 수행 로봇의 작업 경로를 계산하기 위한 방법이 개시된다. 상기 방법은 작업 수행 로봇의 유효 작업 지점들을 결정하는 단계; 상기 결정된 유효 작업 지점들에 기초하여 상기 작업 수행 로봇에 대한 복수의 후보 작업 경로들을 생성하는 단계; 및 상기 작업 수행 로봇에 타겟 작업 지점을 분배하기 위해, 상기 생성된 복수의 후보 작업 경로들에 기초하여 상기 결정된 유효 작업 지점들 사이의 거리를 예측하는 단계를 포함할 수 있다.
본 개시에 따라 인공지능 플랫폼에서 사용자를 인증하는 방법이 수행된다. 구체적으로, 본 개시에 따르면, 컴퓨팅 장치가, 사용자의 API 요청을 수신하고, 상기 사용자의 인증 정보를 외부 저장소에 저장하고, 상기 사용자로부터 수신한 API 요청에 대응되는 프로세스를 실행하기 위한 정보를 생성하고, 상기 프로세스를 실행하기 위한 정보 및 상기 외부 저장소에 대한 접근 경로 정보를 모델 학습 장치에 송신하며, 상기 인증 정보는, 상기 인공지능 플랫폼의 상태와 관련된 정보를 기초로 지속적으로 업데이트되는 정보에 해당한다.
본 개시에 따라 시계열적 작업의 스케줄을 생성하기 위한 방법이 수행된다. 구체적으로, 본 개시에 따르면, 컴퓨팅 장치가, 개별 액션을 구성하는 복수의 서브 액션들을 식별하고, 상기 복수의 서브 액션들에 대한 특징 집합을 생성하고, 상기 서브 액션들 각각에 대한 특징 집합을 기초로, 액션 행렬을 생성하고, 인공 신경망 모델을 활용하여 상기 액션 행렬을 기초로 상기 작업을 수행하기 위한 스케줄을 생성한다.
본 개시의 일 실시예에 따라 컴퓨팅 장치의 하나 이상의 프로세서에 의해 수행되는, 장비의 이상 원인을 예측하기 위한 방법이 개시된다. 상기 방법은, 복수의 특징(feature)들을 포함하는 데이터를 획득하는 단계; 상기 획득된 데이터를 신경망 모델에 입력하여, 상기 데이터에 대한 출력 데이터를 산출하는 단계; 상기 신경망 모델에 입력된 상기 데이터 및 상기 출력 데이터에 기초하여 비정상 스코어(anomaly score)를 계산하는 단계; 상기 계산된 비정상 스코어에 대한 상기 데이터에 포함된 복수의 특징들 각각의 영향을 계산하는 단계; 및 상기 계산된 상기 복수의 특징들 각각의 영향에 기초하여 상기 데이터 중 이상 원인이 되는 특징(feature)을 예측하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따라 컴퓨팅 장치의 하나 이상의 프로세서에 의해 수행되는, 신경망 모델의 추가 학습 여부를 결정하기 위한 방법이 개시된다. 상기 방법은, 사전 학습된 신경망 모델에 대한 평가를 수행하고, 상기 평가 결과에 기초하여 추가적인 학습 데이터를 수집하는 단계; 상기 수집된 학습 데이터에 대해 상기 신경망 모델의 추가적인 학습에 대한 사용 여부를 결정하는 단계; 및 상기 결정된 사용 여부에 기초하여 상기 신경망 모델에 대한 추가적인 학습의 수행 여부를 결정하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따라 컴퓨팅 장치의 하나 이상의 프로세서에 의해 수행되는, 복수의 작업 수행 로봇들에 작업 지점들을 분배하기 위한 방법이 개시된다. 상기 방법은, 복수의 작업 수행 로봇 각각에 대한 유효 작업 지점들을 결정하는 단계; 상기 결정된 유효 작업 지점들에 기초하여 상기 복수의 작업 수행 로봇 각각에 대해 타겟 작업 지점들을 분배하고, 상기 분배된 타겟 작업 지점들에 기초하여 상기 복수의 작업 수행 로봇 각각에 대한 복수의 목표 작업 경로들을 예측하는 단계; 상기 예측된 복수의 목표 작업 경로들에 기초하여 제 1 손실 또는 제 2 손실을 계산하는 단계; 및 상기 계산된 제 1 손실 또는 상기 제 2 손실 중 적어도 하나에 기초하여 상기 복수의 작업 수행 로봇 각각에 대해 타겟 작업 지점들을 재분배하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따라 컴퓨팅 장치의 하나 이상의 프로세서에 의해 수행되는, 작업 수행 로봇의 작업 경로를 계산하기 위한 방법이 개시된다. 상기 방법은 작업 수행 로봇의 유효 작업 지점들을 결정하는 단계; 상기 결정된 유효 작업 지점들에 기초하여 상기 작업 수행 로봇에 대한 복수의 후보 작업 경로들을 생성하는 단계; 및 상기 작업 수행 로봇에 타겟 작업 지점을 분배하기 위해, 상기 생성된 복수의 후보 작업 경로들에 기초하여 상기 결정된 유효 작업 지점들 사이의 거리를 예측하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따라 컴퓨팅 장치의 하나 이상의 프로세서에 의해 수행되는, 작업 수행 로봇의 작업 경로를 계산하기 위한 방법이 개시된다. 상기 방법은 작업 수행 로봇의 유효 작업 지점들을 결정하는 단계; 상기 결정된 유효 작업 지점들에 기초하여 상기 작업 수행 로봇에 대한 복수의 후보 작업 경로들을 생성하는 단계; 및 상기 작업 수행 로봇에 타겟 작업 지점을 분배하기 위해, 상기 생성된 복수의 후보 작업 경로들에 기초하여 상기 결정된 유효 작업 지점들 사이의 거리를 예측하는 단계를 포함할 수 있다.
전술한 과제를 해결하기 위한 본 개시의 일 실시예에서, 하나 이상의 프로세서들에 의해 실행 가능한 컴퓨턴 판독가능 저장 매체에 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 컴퓨터 장치의 하나 이상의 프로세서에서 실행되는 경우 데이터 처리를 위한 이하의 동작들을 수행하도록 하며, 상기 동작들은: 데이터 세트에 포함된 복수의 데이터 각각에 기초하여 복수의 변형된 데이터를 생성하는 동작, 복수의 데이터 및 복수의 변형된 데이터에 기초하여 테스트 데이터 세트를 생성하는 동작 및 테스트 데이터 세트를 모델을 이용하여 연산함으로써, 모델의 성능을 테스트하는 동작을 포함할 수 있다.
본 개시는 적어도 하나의 컴퓨팅 장치에 의해 수행되는, 공조 장치를 제어하기 위한 방법으로서, 강화학습 에이전트(reinforcement learning agent)를 활용하여, 상기 공조 장치에 대한 제 1 시점의 제어 동작(action)을 결정하는 단계, 상기 강화학습 에이전트를 활용하여, 보상 지연 시간을 기초로, 상기 제 1 시점의 제어 동작에 대한 보상(reward)을 결정하는 단계 및 상기 결정된 보상에 기초하여 상기 공조 장치의 제어와 관련된 강화 학습을 수행하는 단계를 포함하고, 상기 제 1 시점으로부터 상기 보상 지연 시간이 경과한 시점은 제 2 시점에 대응되고, 상기 제 1 시점의 제어 동작에 대한 보상은, 상기 제 1 시점 이후 및 상기 제 2 시점 이전의 상황들은 제외된 상태에서 산출될 수 있다.
컴퓨터 판독가능 저장 매체 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 신경망을 학습시키기 위한 이하의 동작들을 수행하도록 하며, 상기 동작들은: 프로젝트에 대한 선택 입력을 수신하기 위한 적어도 하나의 제 1 객체를 포함하는 제 1 화면을 디스플레이 하는 동작; 및 선택된 프로젝트와 대응되는 프로젝트 관련 정보를 디스플레이 하기 위한 제 2 화면을 디스플레이 하는 동작을 포함하고, 상기 제 2 화면은, 센서로부터 획득한 시계열 데이터를 디스플레이하기 위한 제 1 출력 영역, 모델 재학습에 관련된 선택 입력을 수신하기 위한 적어도 하나의 제 2 객체를 포함하는 선택 영역 또는 상기 제 2 객체에 대응하는 정보를 디스플레이 하기 위한 제 2 출력 영역 중 적어도 하나를 포함하는, 컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
본 개시의 일 실시예에 따라 개발 환경을 제공하기 위한 방법이 개시된다. 구체적으로, 본 개시에 따르면, 컴퓨팅 장치가, 전체 파이프라인에 포함된 복수의 컴포넌트들을 식별하고, 상기 복수의 컴포넌트들 각각에 대한 정보를 기초로, 각각의 컴포넌트가 실행될 실행 환경을 추천하고, 상기 추천을 기초로, 상기 복수의 컴포넌트들을 실행시키고, 상기 실행 환경은, 원격지 실행 환경을 포함한다.
본 개시의 일 실시예에 따라 강화학습 알고리즘의 파라미터를 조절하기 위해 컴퓨팅 장치에 의해 수행되는 방법이 개시된다. 구체적으로, 본 개시에 따르면, 컴퓨팅 장치가, 강화학습 알고리즘의 에피소드 중 적어도 일부를 추출하고, 상기 적어도 일부의 에피소드를 기초로, 상기 강화학습 알고리즘이 수행하는 과제의 복잡도를 결정하고, 상기 복잡도를 기초로, 상기 강화학습 알고리즘의 파라미터를 조절한다.
본 개시의 일 실시예에 따라 산업용 로봇의 작업 경로를 생성하기 위해 컴퓨팅 장치에 의해 수행되는 방법이 개시된다. 구체적으로, 본 개시에 따르면, 컴퓨팅 장치가, 하나 이상의 산업용 로봇에 대하여, 복수의 작업 포인트들을 식별하고, 상기 복수의 작업 포인트 간 경로를 기초로, 충돌 지점을 식별하고, 상기 충돌 지점의 정보를 기초로, 상기 작업 포인트 간 경로를 수정하고, 상기 수정된 작업 포인트 간 경로를 기초로, 상기 산업용 로봇의 작업 경로를 생성한다.
본 개시는 컴퓨팅 장치에 의해 수행되는, 로봇의 유효 작업 지점(valid working spot)을 결정하기 위한 방법에 관한 것으로, 상기 방법은, 작업 지점을 식별하는 단계; 로봇이 상기 작업 지점을 작업하기 위한 적어도 하나의 자세(pose)를 취할 수 있는지 여부를 결정하는 단계; 상기 로봇이 상기 작업 지점을 작업하기 위한 적어도 하나의 자세를 취할 수 있는 경우, 상기 작업 지점을 상기 로봇의 유효 작업 지점으로 결정하는 단계; 및 상기 로봇의 유효 작업 지점에 기초하여, 작업 지점 분배를 위한 탐색 공간(search space)을 생성하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따라 컴퓨팅 장치의 하나 이상의 프로세서에 의해 수행되는, 복수의 작업 수행 로봇들 간 충돌을 방지하기 위한 방법이 개시된다. 상기 방법은 복수의 작업 수행 로봇 각각에 대한 유효 작업 지점들을 결정하는 단계; 상기 결정된 유효 작업 지점들에 기초하여 상기 복수의 작업 수행 로봇 각각에 대해 타겟 작업 지점들을 분배하고, 상기 분배된 타겟 작업 지점들에 기초하여 상기 복수의 작업 수행 로봇 각각에 대한 복수의 목표 작업 경로들을 예측하는 단계; 상기 예측된 복수의 목표 작업 경로들에 기초하여 상기 복수의 작업 수행 로봇 각각에 대한 작업 영역들을 예측하는 단계; 상기 예측된 복수의 작업 수행 로봇 각각에 대한 작업 영역들 중 두 개 이상의 작업 영역이 교차하는 영역을 계산하고, 상기 교차하는 영역에 기초하여 충돌 위험 영역을 설정하는 단계; 및 상기 설정된 충돌 위험 영역에 기초하여 상기 복수의 작업 수행 로봇들의 작업 순서 또는 작업 경로를 결정하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따라 컴퓨팅 장치의 하나 이상의 프로세서에 의해 수행되는, 작업 수행 로봇의 작업 경로를 계산하기 위한 방법이 개시된다. 상기 방법은 작업 수행 로봇의 유효 작업 지점들을 결정하는 단계; 상기 결정된 유효 작업 지점들에 기초하여 상기 작업 수행 로봇에 대한 복수의 후보 작업 경로들을 생성하는 단계; 및 상기 작업 수행 로봇에 타겟 작업 지점을 분배하기 위해, 상기 생성된 복수의 후보 작업 경로들에 기초하여 상기 결정된 유효 작업 지점들 사이의 거리를 예측하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따라 컴퓨팅 장치의 하나 이상의 프로세서에 의해 수행되는, 복수의 작업 수행 로봇들에 작업 지점들을 분배하기 위한 방법이 개시된다. 상기 방법은, 복수의 작업 수행 로봇 각각에 대한 유효 작업 지점들을 결정하는 단계; 상기 결정된 유효 작업 지점들에 기초하여 상기 복수의 작업 수행 로봇 각각에 대해 타겟 작업 지점들을 분배하고, 상기 분배된 타겟 작업 지점들에 기초하여 상기 복수의 작업 수행 로봇 각각에 대한 복수의 목표 작업 경로들을 예측하는 단계; 상기 예측된 복수의 목표 작업 경로들에 기초하여 제 1 손실 또는 제 2 손실을 계산하는 단계; 및 상기 계산된 제 1 손실 또는 상기 제 2 손실 중 적어도 하나에 기초하여 상기 복수의 작업 수행 로봇 각각에 대해 타겟 작업 지점들을 재분배하는 단계를 포함할 수 있다.
본 개시는, 컴퓨팅 장치에 의해 수행되는, 로봇 공정을 위한 프로그램을 생성하는 방법으로서, 상기 방법은, 로봇의 자세(pose)를 분석하는 것에 기초하여, 상기 로봇에 대한 유효 작업 지점(valid working spot)들을 식별하는 단계; 상기 로봇의 상기 유효 작업 지점들 사이의 거리를 추정하는 것에 기초하여, 상기 로봇에 하나 이상의 타겟(target) 작업 지점을 분배하는 단계; 및 상기 로봇의 충돌 가능성을 고려하여, 상기 로봇의 작업 경로(trajectory) 또는 작업 순서를 결정하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는, 반도체를 설계하는 방법이 개시된다. 상기 방법은, 배치될 셀(cell)들 사이의 연결 관계 정보를 획득하는 단계; 상기 연결 관계 정보에 포함된 매크로 셀(macro cell)을 그룹화하여, 둘 이상의 매크로 그룹들을 생성하는 단계; 및 상기 둘 이상의 매크로 그룹들을 설계 영역에 배치하는 단계를 포함하고, 상기 둘 이상의 매크로 그룹들은, 상기 연결 관계 정보에 포함된 계층 정보에 기초하여 생성될 수 있다.
본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는, 반도체 소자를 배치하는 방법에 있어서, 상기 방법은, 강화 학습 모델을 활용하여, 설계 영역 상에서 매크로(macro) 소자의 배치 위치를 결정하는 단계; 상기 강화 학습 모델에 의해 결정된 상기 매크로 소자의 배치 위치를 변경(shift)하기 위한 후보 방향을 결정하는 단계; 및 상기 결정된 후보 방향에 기초하여, 상기 매크로 소자의 배치 위치를 변경하는 단계를 포함하고, 상기 결정된 후보 방향은, 상기 설계 영역의 외곽을 향하는 방향을 포함할 수 있다.
본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는, 반도체 소자의 배치를 평가하기 위해 2중 클러스터링을 수행하는 방법이 개시된다. 상기 방법은, 반도체 소자들 간의 연결 관계를 나타내는 연결 관계 정보를 수신하는 단계; 상기 연결 관계 정보에 기초하는 제 1 기준 정보를 활용하여, 상기 반도체 소자들에 대하여 클러스터링(Clustering)을 수행하는 단계; 및 상기 연결 관계 정보에 기초하는 제 2 기준 정보를 활용하여, 상기 클러스터링에 의해 생성된 클러스터(Cluster) 내에서 서브-클러스터링(Sub-clustering)을 수행하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따라 집적 회로를 설계하기 위한 방법이 개시된다. 구체적으로, 본 개시에 따르면, 컴퓨팅 장치가, 설계 영역에 배치된 같은 타입의 소자를 식별하고, 같은 타입의 소자를 포함하는 소자 세트를 제1 서브세트 및 제2 서브세트로 분할하고, 각 소자에 포함된 연결 부위의 위치를 기초로 제1 서브세트에 포함된 소자를 재배치하고, 재배치된 제1 서브세트에 포함된 소자를 기초로 제2 서브세트에 포함된 소자를 재배치한다.
본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는, 반도체 소자를 배치하는 방법이 개시된다. 상기 방법은, 복수의 제 1 타입의 반도체 소자들 각각에 대하여, 제 2 타입의 반도체 소자로부터 떨어진 거리 정보를 획득하는 단계; 및 상기 제 1 타입의 반도체 소자들 각각에 대하여 획득된 거리 정보에 기초하여, 상기 복수의 제 1 타입의 반도체 소자들에 대하여 클러스터링(Clustering)을 수행하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따라 컴퓨팅 장치의 하나 이상의 프로세서에 의해 수행되는, 수집이 필요한 환경 정보의 영역을 예측하기 위한 방법이 개시된다. 상기 방법은 환경 정보에 기초하여 하나 이상의 에피소드(episode)를 출력하는 단계; 상기 하나 이상의 에피소드 각각에 대하여 불확실성(uncertainty)을 측정하는 단계; 및 상기 측정된 불확실성에 기초하여 수집이 필요한 환경 정보의 영역을 예측하는 단계를 포함할 수 있다.
본 개시는 오토 인코더 모델을 최적화하는 것을 해결과제로 하는 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는, 오토 인코더 모델과 관련된 동작을 수행하는 방법이다. 구체적으로, 본 개시에서는 세트를 기초로 학습된 오토 인코더 모델 또는 학습이 진행 중인 오토 인코더 모델 중 적어도 하나에 대하여, 노이즈(noise)에 대한 복원 오류값(reconstruction error, RE)을 측정하는 단계; 상기 노이즈에 대한 복원 오류값에 기초하여, 상기 학습된 오토 인코더 모델의 크기를 변화시키는 동작 또는 상기 학습이 진행 중인 오토 인코더 모델의 학습을 중단하는 동작 중 적어도 하나의 동작을 수행하는 단계를 포함하는 방법이 기재된다.
본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는, 인공지능 기반의 반도체 설계 자동화 방법이 개시된다. 상기 방법은, 반도체 소자의 특징 정보 및 논리적 설계 정보를 수신하는 단계; 및 상기 특징 정보 및 상기 논리적 설계 정보를 기초로, 반도체 소자를 크기가 큰 순서대로 캔버스(canvas)에 배치하도록 신경망 모델을 학습시키는 단계를 포함할 수 있다.
전술한 과제를 해결하기 위한 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 컴퓨터 장치의 하나 이상의 프로세서에서 실행되는 경우 데이터 처리를 위한 이하의 단계들을 수행하게 하는 명령들을 포함하며, 상기 단계들은: 원시 데이터(raw data) 서브세트로부터 적어도 하나의 연속 구간을 인식하는 단계; 상기 적어도 하나의 연속 구간 각각의 시작 지점 및 종료 지점에 기초하여, 적어도 하나의 연속화 지점을 결정하는 단계; 및 상기 적어도 하나의 연속화 지점에 기초하여, 연속화 된 학습 데이터를 생성함으로써 학습 데이터 세트를 생성하는 단계; 를 포함할 수 있다.
본 개시의 일 실시예에 따라 컴퓨팅 장치의 하나 이상의 프로세서에 의해 수행되는, 수집이 필요한 환경 정보의 영역을 예측하기 위한 방법이 개시된다. 상기 방법은 환경 정보에 기초하여 하나 이상의 에피소드(episode)를 출력하는 단계; 상기 하나 이상의 에피소드 각각에 대하여 불확실성(uncertainty)을 측정하는 단계; 및 상기 측정된 불확실성에 기초하여 수집이 필요한 환경 정보의 영역을 예측하는 단계를 포함할 수 있다.
본 개시는 적어도 하나의 컴퓨팅 장치에 의해 수행되는, 공조 장치를 제어하기 위한 방법으로서, 강화학습 에이전트(reinforcement learning agent)를 활용하여, 상기 공조 장치에 대한 제 1 시점의 제어 동작(action)을 결정하는 단계, 상기 강화학습 에이전트를 활용하여, 보상 지연 시간을 기초로, 상기 제 1 시점의 제어 동작에 대한 보상(reward)을 결정하는 단계 및 상기 결정된 보상에 기초하여 상기 공조 장치의 제어와 관련된 강화 학습을 수행하는 단계를 포함하고, 상기 제 1 시점으로부터 상기 보상 지연 시간이 경과한 시점은 제 2 시점에 대응되고, 상기 제 1 시점의 제어 동작에 대한 보상은, 상기 제 1 시점 이후 및 상기 제 2 시점 이전의 상황들은 제외된 상태에서 산출될 수 있다.
본 개시의 일 실시예에 따라 인공지능 기반 제어 시뮬레이션을 위한 방법이 개시된다. 구체적으로, 본 개시에 따르면, 컴퓨팅 장치가, 제1 상태 정보, 제2 상태 정보 및 제어 정보를 획득하고, 시계열(sequence) 신경망을 포함하는 인공 신경망 모델을 활용하여, 상기 제1 상태 정보. 상기 제2 상태 정보 및 제어 정보를 기초로, 제1 출력 정보를 생성한다. 이 때 상기 제1 출력 정보는, 하나 이상의 출력 변수를 포함하고, 상기 하나 이상의 출력 변수의 적어도 일부는 상기 제2 상태 정보에 포함된 변수에 대응되고, 상기 제1 출력 정보는, 상기 하나 이상의 출력 변수 각각에 대하여 어텐션 메커니즘(attention mechanism)을 적용하는 것을 기초로 생성된다.
본 개시의 일 실시예에 따른 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 컴퓨팅 장치의 하나 이상의 프로세서에서 실행되는 경우 결함 검출 방법을 제공하기 위한 동작들을 수행하도록 하며 상기 동작들은, 결함이 포함된 결함 이미지로부터 결함 패치를 추출하는 동작; 상기 결함 이미지 또는 결함이 포함되지 않은 정상 이미지 중 적어도 하나를 전처리하는 동작; 상기 전처리된 결함 이미지 또는 정상 이미지 중 적어도 하나로부터 정상 패치를 추출하는 동작; 및 상기 결함 패치 및 상기 정상 패치를 포함하는 학습 데이터 세트를 이용하여 패치의 결함 또는 정상을 분류하기 위한 뉴럴 네트워크 모델을 학습시키는 동작을 포함할 수 있다.
본 개시의 일 실시예에 따라 개발환경을 제공하는 그래픽 사용자 인터페이스(GUI)를 구현하기 위해 컴퓨팅 장치에 의해 수행되는 방법이 개시된다. 구체적으로, 본 개시에 따르면 컴퓨팅 장치가 복수의 코드 블록(code block)들을 설정하고, 상기 복수의 코드 블록들 중 둘 이상의 실행 대상 블록들을 지정하고, 상기 둘 이상의 실행 대상 블록들 간의 관계를 정의하는 하나 이상의 파이프라인을 구성하여 상기 둘 이상의 실행 대상 블록들을 연결시키며, 상기 하나 이상의 파이프라인의 연결 관계에 기초하여 상기 둘 이상의 실행 대상 블록들 중 적어도 일부를 실행시킨다.
본 개시의 일 실시예에 따라 컴퓨팅 장치의 하나 이상의 프로세서에 의해 수행되는, 반도체 설계를 위한 방법이 개시된다. 상기 방법은 신경망 모델을 이용하여, 배치 대상인 반도체 소자에 대한 정보를 기초로 상기 반도체 소자가 배치될 수 없는 영역을 식별하는 단계; 및 상기 반도체 소자가 배치될 수 없는 영역에 기초하여 상기 신경망 모델에 대한 보상(reward)을 산출하는 단계를 포함할 수 있다.
특허청 KIPRIS · 2026-10-15 조회 · 최신 출원순 · 오른쪽은 등록일(등록 전은 출원일) · 전체 91건 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) | 82.9 | 114.6 |
| 영업비용 | 191.9 | 195.0 |
| 영업이익(손실) | (109.0) | (80.4) |
| 영업외수익 | 61.2 | 5.7 |
| 기타이익 | 0.8 | 1.2 |
| 금융수익 | 60.4 | 4.4 |
| 영업외비용 | 12.9 | 63.0 |
| 기타손실 | 0.3 | 4.0 |
| 금융원가 | 12.6 | 59.0 |
| 법인세비용차감전순이익(손실) | (60.7) | (137.7) |
| 당기순이익(손실) | (60.7) | (137.7) |
매출은 114.6억으로 전년 대비 38.2% 증가한 것으로 나타났다.
영업이익률은 -70.2%로 전년 -131.4%에서 상승했다.
당기순이익은 -137.7억으로 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 · 2026-11-07 확인