회사 자료를 불러오는 중…
회사 자료를 불러오는 중…
검증 단계 — 어디까지 확인했나
L0 · 국민연금 인력 · 공시 재무 · 특허 — 공공자료
서울특별시에 있는 2004년 설립 회사입니다. 응용 소프트웨어 개발 및 공급업을 합니다. 2025년 매출은 515억입니다. 2026년 8월 기준 국민연금 가입자는 186명입니다. 외부감사를 받는 회사이고, 가장 최근 감사의견은 「적정」입니다.
읽어오는 중입니다…
최근 출원 2025-08-29 · 최근 등록 2026-07-30 · 최신 출원순
본 발명은 지식 그래프와 벡터 임베딩을 융합한 RAG 구조를 기반으로 민원 질의를 재구성하여, 불명확하거나 비표준적인 표현을 표준화하고, 질의의 의미를 명확히 하며, 신뢰성 있는 응답 생성을 가능하게 하는 공공서비스 민원 질의 재구성 방법에 관한 것으로, 공공서비스 민원 질의를 수신하는 단계; 상기 민원 질의의 문장 성분을 분석하고, 키워드를 추출하는 단계; 공공서비스 도메인에 특화되어 구성된 지식 그래프를 통해 상기 키워드의 대표 단어를 추출하는 단계; 상기 키워드를 상기 대표 단어로 변환하고, 문장 구조를 개선하여 상기 민원 질의를 재구성하는 단계; 및 재구성된 민원 질의를 제공하는 단계;를 포함한다.
본 발명은 지식 그래프와 벡터 임베딩을 결합한 검색 증강 생성(RAG, Retrieval-Augmented Generation) 구조를 이용하여 공공서비스 민원 질의를 재구성하고, 이를 통해 불명확하거나 비표준적인 민원 표현을 표준화하며, 질의의 의미를 명확히 파악하여 응답 정확도를 향상시키는 공공서비스 민원 답변 생성 시스템에 관한 것으로, 민원인이 입력한 민원 질의를 수신하는 질의수신부; 입력된 민원 질의와 관련된 문서를 지식데이터베이스에서 검색하고, 검색 결과를 근거로 상기 민원 질의를 재구성하는 질의재구성부; 및 대규모 언어 모델을 통해 재구성된 민원 질의에 대한 답변을 생성하는 답변생성부;를 포함하고, 상기 지식데이터베이스는 공공서비스 도메인 관련 문서를 지식 그래프 및 임베딩 벡터 데이터로 구성하여 비정형 텍스트에 대한 유사도 기반 검색 및 지식 데이터 간의 관계 기반 검색이 가능하도록 결합된 것을 특징으로 한다.
본 발명은, 민원인이 작성한 민원 내용을 법률 정보 검색에 특화된 검색 쿼리 텍스트로 변환한 후, 해당 검색 쿼리를 사용하여 민원 내용과 관련된 법률 정보를 검색하고, 이를 기반으로 대규모 언어 모델(LLM, Large Language Model)이 민원 내용에 대한 답변을 생성하는, RAG기반 공공기관 민원 답변 생성 시스템 및 방법에 관한 것으로, 수신한 민원의 내용을 분석하여 상기 민원과 관련된 조 단위 법률 내용을 생성하는 법률정보쿼리생성부; 상기 법률정보쿼리생성부를 통해 생성된 법률 내용을 검색 쿼리로 사용하여 법률 정보가 저장된 지식데이터베이스에서 관련된 법률 데이터를 검색하는 RAG리트리빙부; 및 특정 민원의 내용 및 상기 민원과 관련되어 검색된 법률 데이터를 대규모 언어 모델로 전달하여 상기 민원에 대한 답변을 생성하는 답변생성부;를 포함할 수 있다.
본 발명은 RAG를 통해 답변을 생성할 때 참고한 정보에 대한 유사도를 기반으로 답변 신뢰도를 복수의 단계로 분류하여 다양한 색상으로 표시해 줌으로써, 생성형 AI를 이용하는 사용자가 답변에 대한 신뢰도를 직관적으로 확인할 수 있는 RAG 기반의 질문에 대한 답변 생성 과정에서의 답변 신뢰도 안내 시스템 및 그 방법에 관한 것이다.
본 발명은 자연어 입력 방식으로 사용자가 질문의 카테고리를 설정할 수 있도록 하고, RAG(Retrieved-Augmented Generation) 기반 질의응답 시스템에서 대규모 언어 모델(LLM)을 통해 질문에 대한 답변을 생성할 때, 설정한 카테고리 범위의 문서를 검색하여 참조하도록 함으로써, 리트리빙(Retrieving) 범위를 축소하여 LLM 답변의 정확도를 향상시키는 방법에 관한 것으로, RAG기반 질의응답 시스템에서 수집된 도메인 관련 문서를 가공하여 지식데이터베이스에 리트리빙 데이터를 구성하는단계; 사용자가 대화 입력창에 입력한 자연어 형태의 입력 문장을 수신하는 단계; 상기 입력 문장을 분석하여 카테고리 설정인지 질문인지를 판단하는 단계; 상기 입력문판단단계에서 판단된 결과가 카테고리 설정인 경우, 상기 입력 문장에서 카테고리를 추출하고, 상기 지식데이터베이스의 검색 범위를 상기 카테고리로 설정하는 단계; 상기 입력문판단단계에서 판단된 결과가 질문인 경우, 상기 지식데이터베이스에서 질문과 관련된 리트리빙 데이터를 검색하는 단계; 및 검색된 리트리빙 데이터를 참조하여 답변을 생성하고 제공하는 단계;를 포함한다.
본 발명은 자연어 방식으로 입력된 카테고리를 판단한 후 설정한 카테고리 범위 내에서 질문과 관련된 문서를 검색하여 이를 기반으로 대규모 언어 모델(LLM)을 통해 질문에 대한 답변을 생성하는 질의응답 시스템에 관한 것으로, 제공된 대화 입력창을 통해 사용자가 입력한 자연어 입력 문장을 수신하여 카테고리 설정인지 질문인지를 판단하여 카테고리 설정 또는 답변 생성 작업을 지시하는 입력문분류부; 상기 입력문분류부의 지시에 따라 상기 입력 문장에서 카테고리를 추출하고 추출된 카테고리를 검색할 문서의 범위로 설정하는 카테고리설정부; 및 상기 입력문분류부의 지시에 따라 상기 입력 문장을 질문으로 인식하고, 설정된 카테고리 내에서 질문과 관련된 문서를 검색하여 상기 문서의 내용을 기반으로 답변을 생성하는 답변생성부;를 포함한다.
본 발명은 대규모 언어 모델을 활용하여 도메인에 특화된 시드 데이터셋을 기반으로 증강하여 학습데이터를 생성하고, 증강된 학습데이터의 품질을 검수하여 개선된 학습데이터를 제공하는 방법에 관한 것으로, 증강데이터 자동 검수 및 교정 시스템에서, 주어진 시드(Seed) 데이터셋을 기반으로 데이터를 증강하여 학습용 데이터셋을 생성하는 단계; 증강된 상기 학습용 데이터셋을 검수용 평가 지표에 따라 평가하는 단계; 및 평가 결과를 반영하여 상기 학습용 데이터셋을 수정하는 단계;를 포함한다.
본 발명은 도메인의 특성이 반영된 시드(Seed) 데이터셋을 사용하여 학습용 데이터셋으로 증강하고, 증강한 데이터를 평가하고, 평가 결과에 따라 품질 기준에 부합하는 학습용 데이터셋을 제공하는 시스템에 관한 것으로, 주어진 시드(Seed) 데이터셋을 기반으로 데이터를 증강하여 학습용 데이터셋을 생성하는 데이터증강부; 및 증강된 학습용 데이터셋을 평가 지표에 따라 평가하고, 평가 결과에 따라 수정된 학습용 데이터셋을 제공하는 증강데이터검수부;를 포함한다.
본 발명은 사용자의 질문을 분석하여 지식 데이터베이스 검색을 통한 빠른 문서 검색을 수행할지 질문에 대한 답변 생성을 통해 원하는 내용을 조회하는 대화형 검색을 수행할지를 판단하는 장치에 관한 것으로, 사용자 단말기로부터 자연어 형태의 질문 문장을 수신하는 질문 수신부; 사용자의 질문을 분석하여 질문 의도를 판단하고, 질문 의도에 따라 상기 사용자 단말기로 제공할 결과 생성 작업 종류를 판단하는 질문 판단부; 및 결정된 결과 데이터 생성 작업을 요청하는 결과 요청부;를 구비한다.
본 발명은 사용자의 질문을 판단하여 지능형 검색을 이용한 문서 조회를 수행할지 질문에 대한 답변 생성을 통해 원하는 내용을 조회하는 대화형 검색을 수행할지를 판단하여 사용자의 질문에 대한 결과의 형태를 사용자의 의도에 맞게 결과를 제공하는 방법에 관한 것으로, 사용자가 입력한 질문 및 질문 유형을 수신하는 단계; 상기 질문 및 상기 질문 유형을 기반으로 질문 의도를 분석하는 단계; 상기 질문 의도에 따라 지능형 검색 또는 대화형 검색을 수행하는 단계; 및 검색 결과를 사용자에게 제공하는 단계;를 포함한다.
본 발명은 법률 정보와 관련된 사용자 질문에 대해 검색 증강 생성 기술을 적용하여 지식 데이터베이스에서 관련 법률 데이터를 검색하고, 사용자 질문 및 검색된 데이터를 기반으로 답변을 생성하는 법률 정보 검색 증강 시스템에 있어서, 지식 데이터베이스의 법률 문서를 주기적으로 업데이트하여 최신 정보로 유지하되, 업데이트되는 정보를 버전별로 관리하여 정보 검색 과정에서 적절한 버전을 선택하여 답변을 제공할 수 있도록 하는 시스템에 관한 것으로, 법률 문서를 수집하여 법률 데이터로 가공한 후 지식 데이터베이스에 추가 및 업데이트하는 법률데이터 관리부; 사용자의 질문에 포함된 법률 관련 키워드 및 상기 질문과 의미적으로 유사한 법률 데이터를 상기 지식 데이터베이스에서 검색하는 법률데이터 검색부; 및 검색된 법률 데이터 및 상기 질문을 기반으로 대규모 언어 모델을 통해 질문에 대한 답변을 생성하는 LLM답변 생성부;를 포함한다.
본 발명은 검색 증강 생성 시스템(Retrieval Augmented Generation System)에서 사용하는 지식 데이터베이스의 법률 문서를 주기적으로 업데이트하여 최신 정보로 유지하되, 이전 데이터를 삭제하지 않고 업데이트되는 정보를 버전별로 관리하는 검색 증강 생성 시스템의 최신 정보 관리를 위한 법률 데이터 확보 및 유지를 위한 방법에 관한 것으로, 법률 데이터 관리 시스템에서 외부서버로부터 법률 문서를 주기적으로 수집하는 데이터 수집 단계; 수집한 법률 문서를 법률의 계층 구조에 따라 구조화하여 법률 데이터로 구성하는 데이터 구조화 단계; 및 상기 법률 데이터와 대응하는 지식 데이터베이스에 저장된 법률 데이터를 비교하여 업데이트 정책에 따라 지식 데이터베이스의 데이터를 갱신하는 업데이트 단계;를 포함한다.
본 발명은 제한된 GPU 리소스를 최대한 활용하기 위하여 다중 LoRA(Low-Rank-Adaptation) 기술을 활용하여 보고서 제목, 개요 및 본문을 생성하는 LoRA 모델을 통해 각 보고서 단락을 병렬로 생성한 후 각 단락을 최종 결합하여 최종 보고서를 생성하는 시스템에 관한 것으로, 보고서 목적 및 참조자료가 포함된 보고서 생성 요청을 수신하는 요청수신부; 보고서의 각 파트별 생성 작업을 병렬적으로 처리하도록 요청하는 작업요청부; 및 주어진 보고서 목적 및 참조자료를 기반으로 요청된 보고서 파트를 생성하는 보고서파트 생성부;를 포함한다.
본 발명은 제한된 개수의 GPU 리소스를 최대한 활용하여 동시에 다수의 보고서를 생성할 수 있도록 다중 LoRA(Low-Rank Adaptation) 기술 및 구조화된 보고서 단락별 생성 프로세스를 결합하여 보고서 생성 시간을 최적화하는 방법에 관한 것으로, 보고서 생성 시스템에서 보고서의 목적 및 참고자료를 포함한 보고서 생성 요청을 수신하는 단계; 제목, 개요 및 본문 내용을 포함하는 보고서의 각 파트를 생성하도록 요청하는 단계; 요청에 따라 상기 보고서의 각 파트를 생성하는 단계; 및 생성된 보고서의 각 파트를 병합하여 최종 보고서를 생성하는 단계;를 포함한다.
본 발명은 초거대 언어 모델(LLM)을 통해 법률 관련 질문에 대한 답변을 제공하는데 있어서, 답변 생성에 필요한 법률 정보를 빠르고 효과적으로 검색하여 초거대 언어 모델의 컨텍스트로 적용할 수 있도록 법률 검색에 특화된 검색 데이터를 구축하는 방법에 관한 것으로, 법률 검색 데이터 구축 시스템에서 수집된 법령 문서를 정해진 기준에 따라 분리하여 텍스트 청크(chunk)를 구성하는 단계; 상기 텍스트 청크(chunk)의 내용을 분석하여 초거대 언어 모델(LLM)의 학습 및 추론 시 참조 정보로 사용될 학습/추론 데이터 및 메타데이터를 구성하는 단계; 및 상기 학습/추론 데이터를 초거대 언어 모델(LLM)의 컨텍스트로 사용할 수 있도록 재구조화하는 단계;를 포함한다.
본 발명은 생성형AI모델을 통해 법률 분야와 관련된 질의에 대한 답변을 생성하는데 있어서 보다 정확하고 신뢰할 수 있는 답변을 제공하기 위해 필요한 추가 정보나 배경 지식을 언어 모델이 이해할 수 있는 형태의 검색 데이터로 구축하는 시스템에 관한 것으로, 법령 문서를 정해진 단위로 분리한 후 법령 구조에 따라 계층을 구분하여 구조화하고, 초거대 언어 모델(LLM)의 학습 및 추론 시 참조 정보로 사용될 학습/추론 데이터 및 메타데이터를 구성하는 정제부; 및 상기 학습/추론 데이터를 초거대 언어 모델(LLM)의 컨텍스트로 사용할 수 있도록 재구조화하는 검색데이터 구성부;를 구비한다.
본 발명은 자연어로 된 보고서 주제를 입력 받아 해당 주제를 기반으로 제목 및 목차를 생성하고, 보고서 내용 작성 시 참조할 문서를 도메인 지식 데이터베이스에서 검색하여 검색된 문서와 생성된 제목 및 목차를 바탕으로 생성형AI를 통해 보고서 본문 내용을 작성하는 생성형 AI 기반 도메인 특화 보고서 생성 시스템에 관한 것으로, 자연어로 입력된 주제를 기반으로 보고서 제목을 생성하는 제목 생성부; 자연어로 입력된 주제에 대한 보고서 목차를 생성하는 목차 생성부; 특정 도메인에 대한 문서를 관리하는 지식 데이터베이스에서 입력된 주제와 관련된 문서를 검색하는 문서 검색부; 및 입력된 주제로 생성된 보고서 제목, 목차 및 검색한 관련 문서를 기반으로 보고서의 본문 내용을 생성하는 본문 생성부;를 포함한다.
본 발명은 입력된 보고서 주제에 대해 목차 생성에 특화된 모델을 적용하여 일정한 규칙에 따라 목차를 생성하고, 도메인 지식 데이터베이스에서 보고서 주제와 관련된 문서를 검색한 후, 목차에 따라 보고서의 본문 내용을 생성하여 도메인에 특화된 보고서를 제공하는 생성형 AI 및 목차 생성 절차를 통한 구조화된 보고서 생성 방법에 관한 것으로, 보고서 생성 시스템에서 생성할 보고서의 주제를 수신하는 주제수신단계; 상기 주제를 기반으로 보고서의 제목 및 목차를 생성하는 목차생성단계; 특정 도메인에 대한 문서를 관리하는 지식 데이터베이스에서 입력된 주제와 관련된 문서를 검색하는 문서검색단계; 생성된 상기 제목, 상기 목차 및 검색된 관련 문서를 기반으로 보고서의 본문 내용을 생성하는 본문생성단계; 및 상기 제목, 상기 목차 및 상기 본문 내용을 결합하여 하나의 보고서로 생성하는 단계;를 포함한다.
본 발명은 검색에 사용되는 인덱싱 데이터와 질문에 대한 답변을 생성하는 LLM(Large Language Model)의 프롬프트에 적용되는 데이터를 각각의 과정에 유리하도록 전처리 후 분해하여 저장하고, 입력된 질문에 대해 정보 검색 과정 및 지식 증강을 통한 답변 생성 과정에서 각 과정에 맞게 분해된 데이터를 적용함으로써, 법률 검색 능력을 개선하고, 생성형 AI의 정확도를 높이는 RAG기반 법률 정보 질의응답 시스템 및 방법에 관한 것으로, 외부 서버로부터 법률 정보를 수집하고, 수집한 법률 정보를 정보 검색 및 답변 생성에 사용되는 데이터로 분해 및 변환하여 검색을 위한 법률 데이터 소스로 저장하는 데이터소스 구성부; 및 입력된 질문 텍스트와 관련된 정보를 상기 법률 데이터 소스에서 검색하고, 상기 질문 텍스트 및 검색된 정보를 기반으로 답변을 생성하는 QA처리부;를 구비한다.
본 발명은 특정 업무 또는 도메인 기반 문서들을 기반으로 AI 기술을 활용하여 정보를 검색하는 시스템에 있어서 문서의 대외비 정보 또는 직급별 볼 수 있는 권한을 메타정보에 부여하고 사용자 질문 입력에 대해 사용자와 문서 권한 정보를 확인하여 RAG 검색에 이를 반영하여 정보를 제공하는 시스템 및 방법에 관한 것으로, 기관 또는 조직의 구성원이 업무단말기를 통해 입력한 질문 문장 및 상기 구성원의 정보를 포함한 답변생성요청을 수신하는 요청수신부; 수신한 답변생성요청에 포함된 구성원의 정보를 통해 상기 구성원의 문서에 대한 권한을 확인하는 문서권한판단부; 수신한 답변생성요청에 포함된 질문 문장과 관련된 문서를 문서저장소에서 검색하되, 상기 권한판단부를 통해 획득한 구성원의 문서 권한에 따라 접근 가능한 문서를 검색하는 문서검색부; 및 검색된 문서를 기반으로 수신한 질문 문장에 대한 답변 문장을 생성하는 답변생성부;를 포함한다.
본 발명은 대규모 언어 모델(LLM)을 사용하여 질문에 대한 답변을 생성하는 Q0026#A 서비스를 제공하는 데 있어, 다수의 질문 주제를 포함한 질문 문장에 대한 답변의 정확도를 높이기 위해 사용자가 입력한 다중 질문에 대한 답변 생성 요청을 수신하는 단계; 수신한 상기 다중 질문을 하나의 질문 내용을 포함하는 단일 질문으로 분해하여 복수개의 단일 질문 문장을 생성하는 단계; 상기 단일 질문 문장에 대한 관련 도메인 지식 정보를 지식저장소에서 검색하는 단계; 검색된 상기 도메인 지식 정보를 기반으로 상기 단일 질문 문장에 대한 답변을 생성하는 단계; 상기 다중 질문에서 분해된 복수개의 단일 질문 문장 및 상기 단일 질문 문장에 대한 답변 전체를 병합하여 답변 요약 문장을 생성하는 단계; 및 상기 답변 생성 요청에 대한 응답으로 상기 답변 요약 문장을 전송하는 단계;를 포함한다.
본 발명은 사용자가 입력한 여러 질문을 포함한 다중 질문에 대해 정확도 및 투명성이 높은 답변을 생성할 수 있도록 하기 위해 다중 질문을 하나의 주제를 포함하는 단일 질문으로 분해한 후 RAG 기반의 생성형 인공지능 기술을 활용하여 각각 질문에 대해서 도메인 지식을 검색한 후 이를 기반으로 답변을 생성하는 시스템에 관한 것으로, 사용자가 입력한 질문 문장을 분석하여 다중 질문을 판단하고 하나의 주제를 가지는 단일 질문 문장으로 분해하는 질문분리부; 다중 질문에서 분해된 복수개의 단일 질문 문장을 입력 받아 상기 단일 질문 문장을 가공하여 쿼리를 생성한 후 지식저장소에서 질문과 관련된 지식데이터를 검색하고, 검색된 상기 지식데이터를 기반으로 생성형AI를 통해 답변을 생성하는 RAG답변생성부; 및 외부서버로부터 수집한 특정 도메인에 대한 텍스트 문서를 가공하여 유사도 검색을 위한 벡터화 및 색인화를 수행하여 상기 지식저장소에 저장하는RAG검색데이터생성부;를 구비한다.
본 발명은 본 발명은 특정 도메인 게시물의 본문내용 및 첨부파일에서 텍스트를 추출하고 생성형 AI 모델을 통해 요약문을 생성하는 방법에 대한 것으로, 딥러닝 기반 요약 대상 판단 및 요약문 생성 시스템에서 특정 도메인의 웹사이트로부터 웹문서 및 첨부파일을 수집하여 대상문서로 저장하는 단계; 상기 대상문서에서 요약 대상이 되는 본문 내용을 포함하는 텍스트를 추출하여 본문텍스트데이터로 저장하는 단계; 상기 본문텍스트데이터에서 사전에 정의된 제거 대상 항목을 확인하여 삭제하는 단계; 상기 본문텍스트데이터를 분석하여 요약 대상 여부를 판단하는 단계; 및 요약 대상 여부 및 대상문서의 종류에 따라 요약 방법을 결정하고, 요약문을 생성하는 단계;를 포함한다.
본 발명은 특정 도메인의 웹문서 및 첨부파일에서 텍스트를 추출하고 생성형 AI 모델을 통해 요약문을 생성하는 시스템에 대한 것으로, 수집한 웹문서에서 요약 대상이 되는 본문 내용 텍스트를 추출하여 본문텍스트데이터로 저장하는 텍스트추출부; 상기 본문텍스트데이터에서 본문 내용과 관련없는 사전에 정의된 제거 항목을 체크하여 삭제하는 텍스트정제부; 정제된 본문텍스트데이터를 분석하여 요약 대상 여부를 판단하는 요약판단부; 및 요약 대상으로 판단된 본문텍스트데이터에 대해 요약 방법을 결정하고, 요약문을 생성하는 요약생성부;를 포함한다.
본 발명은 문장 형식으로 입력된 검색어를 자연어 처리 기술을 통해 의미를 분석하여 정확도 높은 게시물의 본문과 첨부파일을 검색하여 보여주고, 검색된 결과에 게시물의 본문 및 첨부파일의 요약내용을 제공하여 사용자가 원하는 자료인지 쉽게 판단할 수 있도록 하는 생성형 AI 기반 검색키워드 분석을 통한 지능형 문서 검색 방법에 관한 것으로, 지능형 문서 검색 시스템에서 검색자의 단말기로부터 입력된 검색어의 의미를 분석하여 적어도 하나 이상의 검색키워드를 생성하는 단계; 상기 검색키워드를 사용하여 게시물을 검색하는 단계; 및 검색된 게시물에 대한 정보 및 상기 게시물에 대한 요약내용을 제공하는 단계;를 포함하고, 상기 검색어는 적어도 하나 이상의 단어를 나열한 형태 또는 문장 형태로 구성되는 것을 특징으로 한다.
본 발명은 특정 도메인 게시물의 본문내용 및 첨부파일에서 텍스트를 추출하고 생성형 AI 모델을 통해 요약하여 게시물의 메타 정보와 함께 저장, 관리하는 생성형 AI모델 기반 본문 및 첨부파일 요약문 생성 시스템에 관한 것으로, 수집된 게시물의 메타정보를 확인하고, 문서 유형에 따라 텍스트를 추출하는 텍스트추출부; 상기 게시물에서 추출된 텍스트에 대해 요약문을 생성하는 요약문생성부; 및 생성된 요약문을 게시물의 메타 정보와 매핑하여 문서 저장소에 저장하는 요약정보생성부;를 포함한다.
본 발명은 특정 도메인 기반 질문에 대한 답변을 생성하는 딥러닝 모델의 학습을 위해 필요한 학습 데이터셋을 자동으로 생성하는 방법에 관한 것으로, 질문에 대한 답변을 생성하는 생성형 딥러닝 모델에 대한 학습 데이터셋 자동 생성 및 모델 재학습 장치에서, 특정 도메인의 인터넷 게시물을 수집하여 본문 텍스트를 추출하는 단계; 상기 본문 텍스트의 내용에 기반하여 질문 및 답변 세트를 생성하는 단계; 생성된 질문 및 답변 세트에 대해 질문에 대한 답변의 정확도를 검증하여 필터링하는 단계; 상기 필터링하는 단계를 거친 질문 및 답변 세트를 포함하여 학습 데이터셋을 생성하는 단계; 및 질문에 대한 답변을 생성하는 딥러닝 모델의 재학습 조건을 판단하여 상기 학습 데이터셋을 사용하여 상기 딥러닝 모델의 재학습을 수행하는 단계;를 포함한다.
본 발명은 특정 도메인에 대한 질문에 대한 답변을 수행하는 생성형 딥러닝 모델의 학습을 위해, 학습 데이터셋을 자동으로 생성하는 장치에 관한 것으로, 특정 도메인에서 수집된 인터넷 게시물의 본문 텍스트로부터 질문을 생성하는 질문 생성부; 본문 텍스트 및 상기 본문 텍스트로부터 생성된 질문으로부터 상기 질문에 대한 복수개의 답변 후보를 생성하는 답변 생성부; 생성된 질문 및 답변 세트에 대해 질문에 대한 답변의 정확도를 검증하고, 검증 결과에 따라 질문 및 답변을 필터링하는 질문답변 검증부; 및 생성된 질문 및 답변 세트의 검증 결과에 따라 학습 데이터셋을 구성하는 학습데이터 구성부;를 포함한다.
본 발명은 복수개의 생성형 딥러닝 모델의 학습을 위한 데이터셋을 자동으로 생성하기 위해 각 생성형 딥러닝 모델의 목적에 따라 프롬프트를 자동으로 생성하는 장치에 관한 것으로, 생성형 딥러닝 모델의 프롬프트 생성을 요청하는 생성 지시어를 입력받아 생성 지시어의 키워드를 추출하는 지시어 분석부; 및 상기 생성 지시어를 통해 획득한 지시어 키워드를 사용하여 생성할 프롬프트 주제 카테고리를 판단하고, 상기 주제 카테고리에 따라 생성형 딥러닝 모델의 프롬프트를 생성하는 프롬프트 생성부;를 포함한다.
본 발명은 각각 다른 목적으로 추론을 수행하는 복수개의 생성형 딥러닝 모델에 대한 학습 데이터셋을 생성하기 위해, 프롬프트 생성 딥러닝 모델을 이용하여 학습용 데이터 생성에 사용될 프롬프트를 자동으로 생성하고, 생성된 프롬프트 및 추론을 수행할 입력 데이터를 각각의 생성형 딥러닝 모델에 적용하여 자동으로 학습데이터를 생성하는 방법에 관한 것으로, 생성형 딥러닝 모델의 학습 데이터셋의 생성 요청을 수신하는 단계; 생성 요청에 포함된 생성 지시어를 분석하여 학습 데이터셋을 생성할 생성형 딥러닝 모델을 판단하고, 상기 생성형 딥러닝 모델의 프롬프트를 생성하는 단계; 및 생성된 프롬프트에 추론입력 데이터를 삽입한 후 상기 생성형 딥러닝 모델에 적용하여 학습 데이터셋을 생성하는 단계;를 포함한다.
본 발명은 사용자 질의에 대한 추론 응답 시간에 따라 딥러닝 모델을 동적으로 전환하는 방법에 관한 것으로, 다수의 사용자에 의한 추론 요청에 따라 딥러닝 모델을 이용하여 추론을 수행할 때, 여러 매개변수 크기를 갖는 딥러닝 모델을 동적으로 전환하여 최적의 추론 응답 속도를 확보할 수 있는 방법에 관한 것이다.
본 발명은 추론 응답 시간을 기반으로 한 딥러닝 모델 동적 전환 시스템에 관한 것으로, 다수의 사용자의 질의(즉, 추론 요청)에 따른 추론을 수행하는 과정에서, 현재 적용중인 딥러닝 모델을 이용한 추론 응답 시간과 기 설정된 응답 시간별 딥러닝 모델 맵을 활용하여, 최적의 추론 응답 속도를 확보할 수 있는 딥러닝 모델로 동적인 전환을 수행함으로써, 추론을 수행할 때 GPU 리소스가 부족하여 응답 속도가 저하되는 것을 방지할 수 있도록 하는 추론 응답 시간을 기반으로 한 딥러닝 모델 동적 전환 시스템에 관한 것이다.
본 발명은 생성형 AI 모델을 활용한 제품별 정부 및 공공기관 인증 추천과 처리 자동화 시스템 및 그 방법에 관한 것으로, 생성형 AI 모델을 통해서 특정 제품을 개발하는 과정에서 필요한 정부 및 공공기관 인증이 무엇인지 추천하고, 해당 정부 및 공공기관 인증을 수행하기 위한 필요서류를 자동으로 생성하며, 생성한 서류를 관련 기관에 제출하는 것을 지원하는 생성형 AI 모델을 활용한 제품별 정부 및 공공기관 인증 추천과 처리 자동화 시스템 및 그 방법에 관한 것이다.
본 발명은 키워드 추출 시 핵심 키워드가 분할되어 문서 분석 결과에 영향을 미치는 문제를 개선하기 위해, 형태소 분석 단위 키워드 중 하나의 의미로 사용되어야 하는 키워드를 자동으로 추출하여 사용자 사전에 등록할 수 있도록 추천하는 방법에 관한 것으로, 딥러닝 기반 사용자 키워드 추천 시스템에서, 제공된 문서를 문장 단위로 분리하고, 개별 문장에 대해 형태소를 분석하는 단계; 형태소가 분석된 개별 문장에서 어절의 형태소 결합을 분석하여, 사용자 사전에 등록할 사용자 키워드를 추출하는 단계; 및 상기 사용자 키워드를 사용자 단말기로 제공하고, 사용자의 요청에 따라 사용자 사전으로 등록하는 단계;를 포함한다.
본 발명은 핵심 키워드 추출 시 형태소 분석 단계에서 하나의 키워드로 인식되어야 하는 단어들을 자동으로 추출하여 사용자에게 추천하고, 사용자 사전으로 등록하는 시스템에 관한 것으로, 외부 서버로부터 문서를 수집하여 텍스트를 추출하는 문서 수집부; 텍스트 문서를 문장 단위로 분리하고, 개별 문장에서 어절의 형태소 결합을 분석하여, 사용자 사전에 등록할 사용자 키워드를 추출하는 사용자키워드 추출부; 및 상기 사용자 키워드를 사용자 단말기로 제공하고, 사용자의 요청에 따라 사용자 사전으로 등록하는 사용자사전 등록부;를 포함한다.
본 발명은 클라우드 기반 여러 개의 딥러닝 모델의 추론 서비스를 제공하는 시스템에서 발생하는 GPU/CPU 리소스의 물리적 제약에 대해 클라우드 리소스를 효율적으로 할당하는 방법에 관한 것으로, 딥러닝 모델 자원 할당 시스템에서, 사용자 단말기로부터 텍스트 형태의 사용자 질의를 입력 받는 단계; 상기 사용자 질의를 분석하여 질의 의도를 분류하는 단계; 및 사용자가 입력한 질의 의도를 분류한 결과에 따라 클라우드 리소스를 할당하는 단계;를 포함한다.
본 발명은 딥러닝 모델 추론 수행 시 제한된 GPU/CPU 자원을 효과적으로 사용하기 위해 사용자의 질의 내용을 학습된 의도 분류TextCNN 모델을 사용하여 질의 의도를 분류하고, 분류된 결과에 따라 질의 의도별 리소스 할당 맵을 참조하여 리소스를 할당하고, 추론 요청에 대한 결과를 생성하는 질의 의도 분류를 통한 딥러닝 모델 리소스 할당 시스템에 관한 것으로, 사용자 단말기로부터 텍스트 형태의 사용자 질의를 입력 받는 질의 입력부; 상기 사용자 질의를 분석하여 질의 의도를 분류하는 의도 분류부; 및 사용자가 입력한 질의 의도를 분류한 결과에 따라 클라우드 리소스를 할당하는 리소스 할당부;를 포함한다.
본 발명은 복합 명사에 대한 단일 토큰 처리를 포함한 생성형 딥러닝 모델 학습 및 추론 장치에 관한 것으로, 제공된 학습 데이터셋에 포함된 도메인 용어에 대한 전처리를 수행하는 복합명사 전처리부; 전처리를 수행한 상기 학습 데이터셋을 사용하여 스페셜 토큰이 포함된 생성형 AI모델을 생성하는 생성형AI모델 생성부; 및 수신된 추론 요청에 따라 프롬프트 데이터를 생성하고, 상기 생성형 AI모델에 적용하여 스페셜 토큰이 포함된 추론 응답을 생성하는 추론응답 생성부;를 포함한다.
본 발명은 도메인 사전에 등록된 스페셜 토큰을 활용한 생성형 딥러닝 모델의 학습 및 추론 속도 개선 방법에 관한 것으로, 생성형 딥러닝 모델의 학습 및 추론 속도 개선 장치에서, 제공된 학습 데이터셋에 포함된 도메인 용어에 대한 전처리를 수행하는 단계; 전처리를 수행한 상기 학습 데이터셋을 사용하여 스페셜 토큰이 포함된 생성형 AI모델을 생성하는 단계; 및 추론 요청을 수신하고, 추론 요청에 따라 프롬프트 데이터를 생성하여 상기 생성형 AI모델에 적용하여 스페셜 토큰이 포함된 추론 응답을 생성하는 단계;를 포함한다.
본 발명은 OCR 수행 시 문서 구조화 태그를 활용한 표가 포함된 복잡한 구조의 문서 인식으로 데이터셋을 구축하는 방법에 관한 것으로, 복잡한 구조의 문서 인식으로 데이터셋을 구축하는 장치에서, 입력된 대상 문서의 타입에 따라 서식 항목을 식별하고, 상기 서식 항목에 대응하는 텍스트를 추출하는 단계; 상기 대상 문서에서 식별된 적어도 하나 이상의 서식 항목 및 상기 서식 항목의 텍스트에 대한 관계 정보를 포함하여 문서 구조화 데이터를 생성하는 단계; 상기 대상 문서에 포함된 표의 구조를 파악하고, 상기 표의 셀 영역에 포함된 텍스트를 추출하여 표 서식 데이터를 생성하는 단계; 및 상기 문서 구조화 데이터에 문서 구조를 식별하는 문서 구조화 태그를 부착하여 정해진 형식의 텍스트 데이터로 변환하는 단계;를 포함한다.
본 발명은 OCR을 통해 텍스트를 추출하고, 문서의 서식 및 구조를 파악하여 문서 구조화 태그를 부착함으로서 문서의 서식에 따라 문서의 내용 및 표의 내용을 원본 문서대로 파악할 수 있도록 하는 인공지능 학습 데이터셋 구축을 위한 광학 문자 인식 및 문서 구조화 태그를 활용한 문서 인식 장치에 관한 것으로, 입력된 대상 문서의 타입에 따라 서식 항목을 식별하고, 상기 서식 항목에 대응하는 텍스트를 추출하는 OCR분석부; 상기 대상 문서에서 식별된 적어도 하나 이상의 서식 항목 및 상기 서식 항목의 텍스트에 대한 관계 정보를 포함하여 문서 구조화 데이터를 생성하는 문서 구조화부; 상기 대상 문서에 포함된 표의 구조를 파악하고, 상기 표의 셀 영역에 포함된 텍스트를 추출하여 표 서식 데이터를 생성하는 표인식부; 및 상기 문서 구조화 데이터에 문서 구조를 식별하는 문서 구조화 태그를 부착하여 정해진 형식의 텍스트 데이터로 변환하는 문서 태깅부;를 포함한다.
본 발명은 멀티 GPU를 사용하여 다수의 딥러닝 모델 기반 추론 응답을 생성할 때 효율적으로 GPU리소스를 사용하기 위한 배치 스케줄러를 사용 방법에 관한 것으로, 딥러닝 모델 기반 추론 응답 생성을 위한 배치 스케줄링 장치에서, 외부 서버 및 사용자 단말 중 적어도 하나 이상으로부터 딥러닝 모델의 추론 응답 생성 요청을 수신하는 요청수신단계; 상기 추론 응답 생성 요청을 분류하여 추론요청 대기열에 등록하는 요청분류단계; 상기 추론요청 대기열을 주기적으로 확인하여 추론 응답 생성 요청에 대한 처리 순서 및 GPU를 결정하는 스케줄링단계; 및 선택된 GPU에 추론 응답 생성에 필요한 딥러닝 모델을 로딩하고 배치를 실행하는 배치실행단계;를 포함한다.
본 발명은 도메인 용어사전을 활용한 딥러닝 기반 생성형 AI 모델의 요약 정확도를 개선하는 방법에 관한 것으로, 특정 도메인 문서를 요약할 때 부정확한 명사형 단어가 사용되지 않도록 하여 요약 정확도를 개선할 수 있도록 한다. 특히, 본 발명은 도메인 문서를 딥러닝 기반 생성형 AI 모델에 입력하여 요약문을 생성하는 과정에서, 할루시네이션(hallucination, 인공지능 환각)으로 인하여 부정확한 명사형 단어가 요약문에 포함되면, 도메인 용어사전을 참조하여 해당 명사형 단어를 가장 적합한 유사 명사로 교체하여 요약 정확도를 개선한다.
본 발명은 제한된 GPU리소스를 사용한 딥러닝 추론 모델을 위한 배치 스케줄링 장치에 관한 것으로, 추론 배치 스케줄러를 사용하여 다수 딥러닝 모델을 제한된 GPU 리소스에 효율적으로 할당하기 위해 외부 서버 및 사용자 단말 중 적어도 하나 이상으로부터 딥러닝 모델의 추론 응답 생성 요청을 수신하는 요청수신부; 상기 추론 응답 생성 요청을 분류하여 추론요청 대기열에 등록하는 요청분류부; 및 상기 추론요청 대기열을 확인하여 추론 응답 생성 요청을 처리할 GPU 선정 및 추론 처리 순서를 정하여 딥러닝 모델 로딩 및 추론 응답을 생성하는 스케줄링부;를 포함한다.
본 발명은 딥러닝 기반의 요약문 생성 정확도 개선 시스템에 관한 것으로, 딥러닝 기반 생성형 AI 모델을 통해 문서 요약을 수행할 때 할루시네이션(hallucination, 인공지능 환각)으로 인하여 부정확한 명사형 단어가 포함되는 경우, 도메인 용어사전을 바탕으로 해당 명사형 단어를 교체함으로써, 도메인 문서의 요약 정확도를 높일 수 있도록 하는 딥러닝 기반의 요약문 생성 정확도 개선 시스템에 관한 것이다.
본 발명은 인공지능을 활용한 대표어 관리를 위한 유의어 치환장치에 관한 것으로, 문서 내의 유사의미의 단어를 하나의 대표어로 관리할 수 있도록 하는 인공지능을 활용한 대표어 관리를 위한 유의어 치환장치에 관한 것이다.
본 발명은 할루시네이션이 제거된 인공지능을 활용한 생성형 문서 요약 방법에 관한 것으로, 딥러닝 기반 생성형 모델을 이용하여 생성한 문서 요약 결과와 요약 대상 문서를 딥러닝 기반 자연어 추론(NLI, Natural Language Inference)을 통해서 평가하여 할루시네이션이 제거된 요약문을 생성할 수 있도록 하는 할루시네이션이 제거된 인공지능을 활용한 생성형 문서 요약 방법에 관한 것이다.
본 발명은 딥러닝 기반 생성형 문서 요약의 할루시네이션 제거장치에 관한 것으로, 딥러닝 기반 생성형 모델을 통해 요약문을 생성하는 과정에서 발생할 수 있는 할루시네이션(hallucination, 인공지능 환각) 현상을 제거할 수 있도록 하는 딥러닝 기반 생성형 문서 요약의 할루시네이션 제거장치에 관한 것이다.
본 발명은 각 문서에서 추출한 키워드에 대해 비슷한 의미의 키워드를 분류하고, 대표 단어로 그룹화하여, 대표 단어-키워드 사전을 생성하는 인공지능 기술을 활용한 주제별 유사 의미 키워드 분류 사전 구축 방법에 관한 것으로, 인공지능 기술을 활용한 주제별 유사 의미 키워드 분류 사전 구축 시스템에서, 제공된 문서 집합에 대해 키워드를 추출하는 단계; 상기 문서 집합에서 적어도 하나 이상의 주제 및 상기 주제와 관련되어 등장하는 문서 내 단어 집합을 추출하는 단계; 추출된 상기 주제를 대표하는 대표 단어를 지정하는 단계; 상기 키워드와 상기 키워드가 포함된 주제의 대표 단어 간의 유사도를 비교하고 결과를 저장하는 단계; 및 유사도 비교 결과에 따라 주제별로 키워드를 그룹핑하여, 주제별 유사 키워드 그룹을 생성하고, 정해진 데이터 구조로 가공하여 주제별 유사 의미 키워드 분류 사전을 생성하는 단계;를 포함한다.
본 발명은 각 문서에서 추출한 키워드가 동의어나 유의어일 경우 동일한 주제이지만 키워드 통계가 분산되어 정확한 주제 트렌드를 파악하기 어려우므로, 각 문서에서 추출한 키워드에 대해 비슷한 의미의 키워드를 분류하고, 대표 단어로 그룹화하여, 대표 단어-키워드 사전을 생성하는 문서의 주제별 현황 정보 제공을 위한 인공지능 기반 키워드 분류 및 대표 단어 사전 구축 시스템에 관한 것으로, 제공된 문서 집합에 대해 키워드를 추출하는 키워드 추출부; 상기 문서 집합에서 적어도 하나 이상의 주제 및 상기 주제와 관련되어 등장하는 문서 내 단어 집합을 추출하고, 상기 주제를 대표하는 대표 단어를 지정하는 주제별 대표단어 지정부; 상기 키워드와 상기 키워드가 포함된 주제의 대표 단어 간의 유사도를 비교하고 결과를 저장하는 유사도 비교부; 및 유사도 비교 결과에 따라 주제별로 키워드를 그룹핑하여, 주제별 유사 키워드 그룹을 생성하고, 정해진 데이터 구조로 가공하여 주제별 유사 의미 키워드 사전을 생성하는 사전 생성부;를 포함한다.
특허청 KIPRIS · 2026-10-15 조회 · 최신 출원순 · 오른쪽은 등록일(등록 전은 출원일) · 전체 77건 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) | 544.8 | 515.4 |
| 매출원가 | 423.5 | 420.1 |
| 매출총이익(손실) | 121.3 | 95.3 |
| 판매비와관리비 | 61.4 | 59.7 |
| 영업이익(손실) | 59.9 | 35.6 |
| 영업외수익 | 4.5 | 4.6 |
| 기타이익 | 0.0 | 0.2 |
| 금융수익 | 4.2 | 3.9 |
| 기타 | 0.3 | 0.5 |
| 영업외비용 | 3.6 | 1.3 |
| 기타손실 | 0.1 | 0.0 |
| 기타 | 3.4 | 1.3 |
| 법인세비용차감전순이익(손실) | 60.8 | 38.9 |
| 법인세비용 | 9.7 | 4.7 |
| 당기순이익(손실) | 51.2 | 34.2 |
매출은 515.4억으로 전년 대비 5.4% 감소한 것으로 나타났다.
영업이익률은 6.9%로 전년 11.0%에서 하락했다.
당기순이익은 34.2억으로 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