Loading the company…
Loading the company…
㈜무하유
English name as filed with DART, Korea’s corporate disclosure system · Correct the English name ›
Last updated 2026-10-11 · Korean page ›
Verification level — how far we have checked
L0 · Public records — NPS workforce · filed financials · patents — public data
A company based in Seoul, founded in 2011. Industry: Software & IT Services. Group consolidated revenue for 2025 was ₩12.7bn — this includes subsidiaries and is not the revenue of this entity alone. It has 105 employees enrolled in the National Pension Service (as of Aug 2026). It is externally audited; the latest audit opinion is “Unqualified”.
Loading…
Latest filing 2026-03-31 · latest registration 2026-10-07 · newest first
본 개시에 따른 대량 데이터 검수를 위한 다단의 사용자 기반 인터페이스를 포함하는 전자 장치는 채용 관련 문서 또는 영상을 입력 받아 기설정된 분류 기준에 따라 분류 결과를 출력하는 서비스 모델; 상기 서비스 모델로부터 출력된 분류 결과를 기설정된 단위로 묶어 복수의 검수 대상 데이터를 생성하는 적어도 하나의 프로세서; 상기 검수 대상 데이터에 대한 검토 의견을 입력 받고, 상기 검토 의견 또는 상기 검토 의견에 따라 결정된 판정 결과를 출력하는 사용자 기반 인터페이스; 를 포함하며, 상기 사용자 기반 인터페이스는, 제1 검수자에게 상기 채용 관련 문서의 문장 또는 영상의 STT 데이터를 출력하고 제1 검토의견을 입력 받는 제1 인터페이스; 제2 검수자에게 제1 검토의견 및 상기 제1 인터페이스 외 추가 사항을 출력하고 제2 검토의견을 입력 받는 제2 인터페이스; 및 제3 검수자에게 상기 제1 검토의견, 제2 검토의견 및 상기 제1 인터페이스와 제2 인터페이스 외 추가사항을 출력하고 제3 검토의견을 입력 받는 제3 인터페이스;를 포함하며, 이전 사용자 기반 인터페이스의 검토의견에 따라 다음 사용자 기반 인터페이스에 제공될 출력 데이터가 결정될 수 있다.
본 발명은 가역적 의미 복원 기반의 AI 생성 이미지 정밀 판별 시스템 및 판별 방법에 대한 것으로 검증 대상 이미지를 입력받는 이미지 입력부; 상기 입력된 이미지로부터 추출된 특징점(Fingerprint)을 기반으로 사전에 구축된 앵커 그래프(Anchor Graph)에서 유사도 검색을 수행하여 1차 판정(PASS, BLOCK, PENDING)을 수행하는 제1 검증 모듈; 상기 1차 판정 결과 판정이 보류된(PENDING) 이미지를 대상으로, 텍스트 프롬프트를 활용한 확산 모델(Diffusion Model) 기반의 가역적 의미 복원(Reversible Semantic Reconstruction)을 수행하여 원본 이미지와 재구성 이미지 간의 역학적 및 기하학적 차이를 분석하는 제2 검증 모듈; 및 상기 제2 검증 모듈의 분석 결과를 종합하여 생성 이미지 여부에 대한 최종 판정을 수행하고, 새롭게 식별된 위조 패턴의 특징점을 상기 앵커 그래프에 피드백하여 업데이트하는 결과 분석 및 판정부; 및 상기 최종 판정에 대한 근거를 시각적 히트맵 및 자연어 리포트 형태로 제공하는 XAI(설명 가능한 인공지능) 결과 출력 모듈;을 포함하는 것을 특징으로 하는, 가역적 의미 복원 기반의 AI 생성 이미지 정밀 판별 시스템에 관한 것이다.
본 개시에 따른 다중 레벨 양자화 및 슬라이딩 윈도우를 이용한 역색인 키 기반 검색을 수행하는 전자 장치는, 다중 레벨 양자화 및 슬라이딩 윈도우를 이용한 역색인 키 기반 검색 동작의 수행을 위한 적어도 하나의 프로세스가 저장된 메모리; 및 상기 프로세스에 따라 상기 동작을 수행하는 적어도 하나의 프로세서;를 포함하고, 상기 적어도 하나의 프로세서는, 고차원 벡터를 구성하는 각 차원의 성분 값을 기설정된 양자화 레벨에 따른 임계값을 기준으로 양자화하고, 양자화된 상기 차원의 성분 값에 대해 슬라이딩 윈도우를 적용하여 상기 양자화된 차원의 성분 값을 조합한 인덱스 시퀀스를 생성하고, 상기 인덱스 시퀀스를 상기 고차원 벡터의 시작 차원의 인덱스와 맵핑하여 인덱스 키를 생성하고, 상기 인덱스 키를 포함하는 벡터들의 식별자 리스트를 값(value)으로 한 역색인 구조로 벡터 데이터베이스에 저장하도록 구성될 수 있다.
본 개시에 따른 계층적 다중 패스 분석 및 시계열 메타 분석 기반 합성 음성 구간을 탐지하는 전자 장치는, 입력된 오디오 신호를 신뢰도 점수에 따라 계층적 선별하여 시계열 확률 시퀀스를 생성할 구간을 선택하는 동적 게이팅 모듈; 상기 시계열 확률 시퀀스를 메타 분석하여 합성 음성 구간을 결정하는 메타 분석 모델; 상기 오디오 신호의 합성 음성 구간을 탐지하는 동작의 수행을 위한 적어도 하나의 프로세스가 저장된 메모리; 및 상기 프로세스에 따라 상기 동작을 수행하는 적어도 하나의 프로세서;를 포함하고, 상기 적어도 하나의 프로세서는, 평가 대상인 오디오 신호를 수신하고, 상기 오디오 신호를 입력 받은 1차 경량 탐지 모델로부터 1차 신뢰도 점수를 출력 받고, 상기 동적 게이팅 모듈이 상기 1차 신뢰도 점수에 따라 상기 오디오 신호의 구간 별 2차 정밀 탐지 모델에 대한 입력 여부를 결정하고, 상기 오디오 신호의 구간을 입력 받은 상기 2차 정밀 탐지 모델로부터 2차 신뢰도 점수를 출력 받고, 상기 메타 분석 모듈이 상기 2차 신뢰도 점수를 기반으로 생성된 시계열 확률 시퀀스를 메타 분석하여 AI 합성 구간을 결정하도록 구성될 수 있다.
본 개시에 따른 범용적 AI 생성 이미지 탐지 모델을 생성하기 위한 전자 장치는, 범용적 AI 생성 이미지 탐지 모델을 생성하는 동작의 수행을 위한 적어도 하나의 프로세스가 저장된 메모리; 및 상기 프로세스에 따라 상기 동작을 수행하는 적어도 하나의 프로세서;를 포함하고, 상기 적어도 하나의 프로세서는, 사전 학습된 모델을 포함하는 특징 추출기를 이용하여 입력 이미지로부터 특징 벡터를 추출하고, 학습된 선형 분류기를 이용하여 상기 특징 벡터를 입력 받아 상기 입력 이미지의 AI 생성 여부를 판별하도록 AI 생성 이미지 탐지 모델을 구현하고, 상기 특징 추출기의 가중치 파라미터는 상기 AI 생성 이미지 탐지 모델의 학습 과정 동안 갱신되지 않고 고정된 상태로 유지되도록 구성될 수 있다.
본 개시에 따른 다중 레벨 양자화 및 슬라이딩 윈도우를 이용한 역색인 키 기반 검색을 수행하는 전자 장치는, 다중 레벨 양자화 및 슬라이딩 윈도우를 이용한 역색인 키 기반 검색 동작의 수행을 위한 적어도 하나의 프로세스가 저장된 메모리; 및 상기 프로세스에 따라 상기 동작을 수행하는 적어도 하나의 프로세서;를 포함하고, 상기 적어도 하나의 프로세서는, 고차원 벡터를 구성하는 각 차원의 성분 값을 기설정된 양자화 레벨에 따른 임계값을 기준으로 양자화하고, 양자화된 상기 차원의 성분 값에 대해 슬라이딩 윈도우를 적용하여 상기 양자화된 차원의 성분 값을 조합한 인덱스 시퀀스를 생성하고, 상기 인덱스 시퀀스를 상기 고차원 벡터의 시작 차원의 인덱스와 맵핑하여 인덱스 키를 생성하고, 상기 인덱스 키를 포함하는 벡터들의 식별자 리스트를 값(value)으로 한 역색인 구조로 벡터 데이터베이스에 저장하도록 구성될 수 있다.
본 개시에 따른 색인 데이터베이스에 대한 키맵 기반 색인을 수행하는 전자 장치는, 색인 데이터베이스 내 임의의 색인 키 유무를 맵핑한 키맵 생성 동작의 수행을 위한 적어도 하나의 프로세스가 저장된 메모리; 및 상기 프로세스에 따라 상기 동작을 수행하는 적어도 하나의 프로세서;를 포함하고, 상기 적어도 하나의 프로세서는, 상기 색인 데이터베이스에 저장된 복수의 색인 키에 대해서 각각 해시 값을 생성하고, 상기 해시 값을 기반으로 기정의된 해시 테이블 크기 내의 비트 인덱스를 계산하고, 계산된 상기 비트 인덱스에 대응하는 비트 값을 설정하여 상기 색인 키에 대한 키맵을 생성하도록 구성될 수 있다.
본 개시에 따른 증분 데이터 분석을 통한 전처리를 수행하는 전자 장치는, 복수의 데이터 소스와 연결되어 다양한 형식의 입력 데이터를 전달 받는 통신 모듈; 상기 입력 데이터에 대한 전처리 동작 수행을 위한 적어도 하나의 프로세스가 저장된 메모리; 및 상기 프로세스에 따라 상기 입력 데이터에 대한 전처리 동작을 수행하는 적어도 하나의 프로세서;를 포함하고, 상기 적어도 하나의 프로세서는, 상기 복수의 데이터 소스로부터 다양한 형식의 입력 데이터를 입력 받고, 상기 입력 데이터를 분석하여 상기 입력 데이터의 설정 정보를 획득하고, 상기 설정 정보를 기반으로 상기 입력 데이터가 저장된 데이터 소스 종류에 따라 적어도 하나의 전처리 플러그인을 동적으로 호출하여 상기 입력 데이터를 전처리하고, 전처리된 입력 데이터를 사용자 정의에 따라 설정된 출력 형태로 변환하여 출력 데이터를 출력하고, 상기 출력 데이터를 상기 데이터베이스에 저장하도록 구성될 수 있다.
본 개시에 따른 단어 수준 워터마크를 이용하여 생성형 언어 모델의 텍스트 학습 검증을 수행하는 전자 장치는 단어 수준 워터마크를 이용한 생성형 언어 모델의 텍스트 학습 여부 검증 동작 수행을 위한 적어도 하나의 프로세스가 저장된 메모리; 및 상기 프로세스에 따라 상기 동작을 수행하는 적어도 하나의 프로세서;를 포함하고, 상기 적어도 하나의 프로세서는, 변환 전 텍스트 데이터 내에서 기설정된 조건에 해당하는 단어를 변환 전 단어 목록으로 저장하고, 언어 생성 모델을 이용하여 입력된 상기 단어와 동일 범위 의미를 갖는 변환 후 단어를 출력하고, 상기 변환 후 단어만 존재하는 변환 후 텍스트 데이터를 이용하여 사전 학습된 생성형 언어 모델을 추가 학습시키고, 추가 학습 전 생성형 언어 모델과 추가 학습 후 생성형 언어 모델의 출력 텍스트 데이터를 기반으로 상기 생성형 언어 모델이 상기 변환 전 텍스트를 이용하여 학습하였는지 여부를 판단하도록 구성될 수 있다.
채용 분야에 대한 답변 적합도의 평가에 대응되는 시각화 자료 및 등급을 제공하기 위한 장치 및 방법이 개시된다. 본 개시에 따른 장치는, 채용 방식에서의 다양한 질문들에 대한 답변의 적합 기준과 부적합 기준을 정의하고, 질문들에 대한 답변 내용이 적합한지 여부에 대한 라벨링을 수행하고, 채용 방식의 질문 유형을 분류 및 정의하고, 채용 방식의 질문 유형에 따른 힌트 태그를 부여하고, 인공지능 언어 모델의 학습을 위한 입력 자료 형태를 정의하고, 학습된 인공지능 언어 모델을 이용하여, 임의의 채용 방식의 답변 내용에 대해 적합 여부를 평가하고, 학습된 인공지능 언어 모델의 평가 결과에 대한 근거를 시각화하고, 채용 방식의 답변 내용에 대한 등급을 부여할 수 있다.
본 개시에 따른 AI 생성 텍스트를 탐지하는 인공지능 기반 탐지 모델의 자동 최적화를 수행하는 전자 장치는 AI 생성 텍스트를 탐지하는 인공지능 기반 탐지 모델; 유향 비순환 그래프(DAG, Directed Acyclic Graph) 형태로 구조화된 파이프라인 기반으로 상기 탐지 모델의 자동 최적화 동작의 수행을 위한 적어도 하나의 프로세스가 저장된 메모리; 및 상기 프로세스에 따라 상기 동작을 수행하는 적어도 하나의 프로세서;를 포함하고, 상기 적어도 하나의 프로세서는, 탐지 대상인 생성형 AI 모델의 환경 조건을 모니터링하고, 상기 환경 조건의 달성을 감지할 경우 자동 구성된 소규모 데이터셋을 이용하여 상기 탐지 모델의 상기 생성형 AI 모델의 생성 데이터에 대한 탐지 성능을 측정하고, 측정된 상기 탐지 모델의 탐지 성능이 임계값 이하인 경우 상기 탐지 모델의 학습을 수행하고, 임계값 초과인 경우 상기 탐지 모델의 상태를 유지하도록 구성될 수 있다.
본 개시에 따른 비지도 학습 기반 AI 생성 문서 탐지를 수행하는 전자 장치는 오픈 소스 기반 생성형 언어 모델 중 대상 서비스 모델과 유사한 구조를 가지는 대체 모델(surrogate model); 상기 대체 모델을 이용하여 AI가 생성한 문서인지 여부를 판단하는 적어도 하나의 프로세스가 저장된 메모리; 및 상기 프로세스에 따라 상기 동작을 수행하는 적어도 하나의 프로세서;를 포함하고, 상기 적어도 하나의 프로세서는, 탐지 대상 텍스트를 토큰화하여 상기 대체 모델에 입력하고, 상기 대체 모델을 이용하여 출력된 각 토큰 별 로짓(logit) 값을 기반으로 탐지 대상 텍스트의 확률 분포를 계산하고, 상기 탐지 대상 텍스트의 확률 분포를 기반으로 AI 생성 문서 여부를 판단하는 gen-score를 계산하고, 기설정 또는 입력된 임계값과 비교하여 계산된 gen-score가 상기 임계값보다 클 경우 AI 생성 텍스트로 판단하도록 구성될 수 있다.
본 개시는 방송 콘텐츠 텍스트 내 도메인 변화 지점 식별 장치 및 방법에 관한 것이다. 본 장치는, 방송 콘텐츠의 텍스트 내 도메인의 변화 지점을 식별하기 위한 적어도 하나의 명령어를 저장하는 메모리; 및 상기 명령어에 따른 동작을 수행하는 프로세서를 포함하고, 상기 프로세서는 방송 콘텐츠 텍스트 데이터가 입력된 경우 상기 텍스트 데이터의 문장을 분할하고, 언어모델을 통해 전후 발화 내용 간 의미적 유사성을 산출하고, 사후 발화 내용의 응답 적합성을 산출하고, 사전 발화의 어체 변화 구간을 탐색하며, 가중치 기반 도메인 변화 구간을 판단할 수 있다.
본 개시에 따른 AI 생성 텍스트의 인공적 패턴을 제거하는 기능을 수행하는 전자 장치는 인공 지능 모델(AI)이 생성한 문서 내 인공적 패턴을 제거하여 사람이 작성한 것으로 간주되는 문서를 출력하는 휴머나이저(Humanizer) 모델; 상기 휴머나이저 모델을 학습시키기 위하여 양방향 학습 데이터 셋을 생성하는 동작의 수행을 위한 적어도 하나의 프로세스가 저장된 메모리; 및 상기 프로세스에 따라 상기 동작을 수행하는 적어도 하나의 프로세서;를 포함하고, 상기 적어도 하나의 프로세서는, 대형 언어 모델(LLM)을 이용하여 AI가 생성한 제1 페이크 텍스트를 제1 리얼 텍스트로 변환하여 출력하고, 상기 제1 페이크 텍스트 및 상기 제1 리얼 텍스트가 매칭된 제1 페어를 포함하는 정방향 데이터셋을 구축하고, 대형 언어 모델(LLM)을 이용하여 사람이 작성한 제2 리얼 텍스트를 제2 페이크 텍스트로 변환하여 출력하고, 상기 제2 리얼 텍스트 및 상기 제2 페이크 텍스트가 매칭된 제2 페어를 포함하는 역방향 데이터셋을 구축하고, 상기 정방향 데이터셋 및 상기 역방향 데이터셋을 이용하여 상기 휴머나이저 모델을 학습시키도록 구성될 수 있다.
본 개시는, 문서 수집 장치와 통신을 수행하는 통신부; 및 문서 표절 검사와 관련된 동작을 제어하는 프로세서를 포함하며, 프로세서는 통신부를 통해 문서 수집 장치로부터 수신된 대상 문서를 페이지 별로 스캔하여 이미지 파일로 변환하고, 변환된 이미지 파일 내에서 그림, 표 및 차트에 해당하는 이미지 객체들을 추출하며, 그림, 표 및 차트에 상응하는 각각의 고유 값을 핑거 프린트(Finger Print) 기반으로 추출하고, 고유 값이 기 설정된 표절 후보군을 판별하기 위한 기준 값에 해당되는 경우, 이미지 객체들에 대해 문서 표절 검사를 수행하고, 문서 표절 검사를 수행 시에, 그림에 포함된 제1 텍스트, 표에 포함된 제2 텍스트 및 차트에 포함된 제3 텍스트 중 적어도 하나가 기 설정된 표절 텍스트인지를 판단하는 것을 특징으로 할 수 있다.
본 개시에 따른 단어 수준 워터마크를 이용하여 생성형 언어 모델의 텍스트 학습 검증을 수행하는 전자 장치는 단어 수준 워터마크를 이용한 생성형 언어 모델의 텍스트 학습 여부 검증 동작 수행을 위한 적어도 하나의 프로세스가 저장된 메모리; 및 상기 프로세스에 따라 상기 동작을 수행하는 적어도 하나의 프로세서;를 포함하고, 상기 적어도 하나의 프로세서는, 변환 전 텍스트 데이터 내에서 기설정된 조건에 해당하는 단어를 변환 전 단어 목록으로 저장하고, 언어 생성 모델을 이용하여 입력된 상기 단어와 동일 범위 의미를 갖는 변환 후 단어를 출력하고, 상기 변환 후 단어만 존재하는 변환 후 텍스트 데이터를 이용하여 사전 학습된 생성형 언어 모델을 추가 학습시키고, 추가 학습 전 생성형 언어 모델과 추가 학습 후 생성형 언어 모델의 출력 텍스트 데이터를 기반으로 상기 생성형 언어 모델이 상기 변환 전 텍스트를 이용하여 학습하였는지 여부를 판단하도록 구성될 수 있다.
본 개시에 따른 대조 학습 기반 임베딩 벡터 공간을 이용한 문학 저작물 텍스트 검색을 수행하는 전자 장치는, 입력된 키워드에 따라 대응하는 문학 저작물 텍스트 검색을 수행하는 서비스 모델; 대조 학습 기반 임베딩 벡터 공간을 이용한 문학 저작물 텍스트 검색 동작의 수행을 위한 적어도 하나의 프로세스가 저장된 메모리; 및 상기 프로세스에 따라 상기 동작을 수행하는 적어도 하나의 프로세서;를 포함하고, 상기 적어도 하나의 프로세서는, 문학 저작물 도메인에 따라 기설정된 최소 의미 단위 청크로 분할하고, 분할된 청크 집합을 이용하여 비지도 방식의 대조 학습 기반 초기 임베딩 공간을 생성하고, 상기 초기 임베딩 공간을 활용하여 하드 네거티브(Hard Negative) 데이터를 구축하며, 상기 청크 집합 전체에 대한 하드 네거티브 데이터 획득이 완료되면 상기 하드 네거티브 데이터를 이용하여 지도 방식의 대조 학습 기반 확정 임베딩 공간을 생성하여 상기 서비스 모델이 상기 확정 임베딩 공간을 이용하여 문학 저작물 텍스트에 대한 키워드 검색을 수행하도록 구성될 수 있다.
본 개시에 따른 대량 데이터 검수를 위한 다단의 사용자 기반 인터페이스를 포함하는 전자 장치는 채용 관련 문서 또는 영상을 입력 받아 기설정된 분류 기준에 따라 분류 결과를 출력하는 서비스 모델; 상기 서비스 모델로부터 출력된 분류 결과를 기설정된 단위로 묶어 복수의 검수 대상 데이터를 생성하는 적어도 하나의 프로세서; 상기 검수 대상 데이터에 대한 검토 의견을 입력 받고, 상기 검토 의견 또는 상기 검토 의견에 따라 결정된 판정 결과를 출력하는 사용자 기반 인터페이스; 를 포함하며, 상기 사용자 기반 인터페이스는, 제1 검수자에게 상기 채용 관련 문서의 문장 또는 영상의 STT 데이터를 출력하고 제1 검토의견을 입력 받는 제1 인터페이스; 제2 검수자에게 제1 검토의견 및 상기 제1 인터페이스 외 추가 사항을 출력하고 제2 검토의견을 입력 받는 제2 인터페이스; 및 제3 검수자에게 상기 제1 검토의견, 제2 검토의견 및 상기 제1 인터페이스와 제2 인터페이스 외 추가사항을 출력하고 제3 검토의견을 입력 받는 제3 인터페이스;를 포함하며, 이전 사용자 기반 인터페이스의 검토의견에 따라 다음 사용자 기반 인터페이스에 제공될 출력 데이터가 결정될 수 있다.
본 개시에 따른 하위 문장 추출에 기반하여 텍스트의 유사도를 비교하는 전자 장치는 적어도 하나의 명령어를 저장하는 메모리, 및 상기 적어도 하나의 명령어를 실행하는 적어도 하나의 프로세서를 포함할 수 있다. 상기 적어도 하나의 프로세서는 적어도 2개의 텍스트 데이터에 포함된 복수의 형태소 사이의 의존성 분석을 수행하고, 상기 의존성 분석에 기초하여, 상기 복수의 형태소에 대한 의존 관계 그래프를 생성하고, 상기 의존 관계 그래프를 이용하여 적어도 하나의 하위 문장을 추출하고, 상기 적어도 하나의 하위 문장을 교차 비교함으로써, 상기 적어도 2개의 텍스트 데이터의 유사도를 산출할 수 있다.
본 개시에 따른 사건 그래프에 기반하여 뉴스 유사성을 분석하는 전자 장치는 적어도 하나의 명령어를 저장하는 메모리, 및 상기 적어도 하나의 명령어를 실행하는 적어도 하나의 프로세서를 포함할 수 있다. 상기 적어도 하나의 프로세서는 적어도 하나의 뉴스 텍스트를 사건 중심으로 구조화함으로써, 사건 그래프를 구성하고, 상기 사건 그래프에 대한 임베딩 벡터에 기반하여 적어도 둘의 뉴스 기사 간 유사도를 산출할 수 있다.
본 개시에 따른 채용서류에서 답변의 구체성을 평가하는 전자 장치는 적어도 하나의 명령어를 저장하는 메모리, 및 상기 적어도 하나의 명령어를 실행하는 적어도 하나의 프로세서를 포함할 수 있다. 상기 적어도 하나의 프로세서는 채용서류 데이터로부터 답변 데이터를 추출하고, 적어도 4개의 평가 기준에 기초하여 상기 답변 데이터를 분석하고, 상기 답변 데이터의 구체성 평가 점수를 산출할 수 있다. 상기 적어도 4개의 평가 기준은 문장 길이 평가, 키워드 평가, 형태소 평가, 및 개인 경험 평가 중 적어도 하나를 포함할 수 있다.
본 개시에 따른 데이터 테이블 기반 구문 단위 직무적합도 평가를 수행하는 전자 장치는 구문 단위의 직무적합도 평가 동작 수행을 위한 적어도 하나의 프로세스가 저장된 메모리; 및 상기 프로세스에 따라 상기 직무적합도 평가 동작을 수행하는 적어도 하나의 프로세서;를 포함하고, 상기 적어도 하나의 프로세서는, 직군 또는 직무 별 역량 요소 기반으로 표준 데이터셋을 구성하고, 상기 표준 데이터셋에서 각 직군 또는 직무에 대해 구성된 복수의 클러스터를 기반으로 클러스터링 키워드를 추출하고, 상기 표준 데이터셋에서 각 텍스트를 기설정된 의미역에 따라 구분하여 라벨링하고, 상기 클러스터링 키워드 및 상기 라벨링된 텍스트를 이용하여 키워드 풀을 구축하고, 입력 데이터에 대해 상기 키워드 풀과의 구문 단위 매칭도에 따라 직무 적합도를 평가하도록 구성될 수 있다.
본 개시에 따른 생성형 인공지능모델 기반 문서 작성 주체 판별을 수행하는 전자 장치는 문서의 도메인에 따라 대응하는 개별 모델을 호출하여 상기 문서를 이진 분류하는 분류기 모델; 상기 분류기 모델을 이용하여 상기 문서에 대한 작성 주체를 판별하는 동작의 수행을 위한 적어도 하나의 프로세스가 저장된 메모리; 및 상기 프로세스에 따라 상기 동작을 수행하는 적어도 하나의 프로세서;를 포함하고, 상기 적어도 하나의 프로세서는, 사람에 의해 작성된 텍스트로 구성된 리얼 데이터셋을 수집하고, 타겟 모델의 정보에 따라 생성 파라미터를 설정하고, 생성형 인공지능모델을 이용하여 복수의 프롬프트 및 상기 생성 파라미터에 따라 상기 리얼 데이터셋으로부터 가짜 데이터셋을 생성하고, 상기 분류기 모델이 상기 리얼 데이터셋 또는 상기 가짜 데이터셋을 입력받아 문서 작성 주체를 분류하게끔 학습시키도록 구성될 수 있다.
본 개시에 따른 개체명 인식 모델에 대한 품질 측정 기반 교체 여부 결정하는 전자 장치는 자기소개서에 기재된 복수의 문장을 입력 받아 대상 문장 및 상기 대상 문장에 라벨링되는 태그를 출력하는 제1 모델; 상기 대상 문장 및 상기 태그를 입력 받아 상기 대상 문장 및 상기 태그에 대한 그라운트 트루스(ground truth)와의 연관성을 출력하는 제2 모델; 상기 대상 문장을 입력 받아 상기 대상 문장이 해당될 연관성이 가장 높은 태그 및 확률을 출력하는 제3 모델; 상기 제1 모델, 상기 제2 모델 또는 상기 제3 모델의 출력을 입력 받아 상기 제1 모델로의 교체 여부를 판단하는 제4 모델; 상기 자기소개서 내 주요 영역 추출 및 태그 학습 동작 수행을 위한 적어도 하나의 프로세스가 저장된 메모리; 및 상기 프로세스에 따라 상기 자기소개서 내 주요 영역 추출 및 태그 학습 동작을 수행하는 적어도 하나의 프로세서;를 포함하고, 상기 적어도 하나의 프로세서는, 상기 제1 모델의 출력 데이터 중 오류 데이터를 상기 제2 모델 또는 상기 제3 모델에 입력하고, 상기 제2 모델 또는 상기 제3 모델의 출력 데이터에 따라 오류 데이터의 오류 여부를 검증하고, 상기 오류 데이터를 고려하여 상기 제4 모델로부터 출력된 상기 제1 모델의 성능 점수에 따라 상기 제1 모델 교체 여부를 결정하도록 구성될 수 있다.
본 개시에 따른 자기소개서 데이터로부터 중의성을 포함한 맥락을 처리하는 전자 장치는 적어도 하나의 명령어를 저장하는 메모리, 및 상기 적어도 하나의 명령어를 실행하는 적어도 하나의 프로세서를 포함할 수 있다. 상기 적어도 하나의 프로세서는 키워드 추출 모듈을 이용하여 자기소개서 데이터로부터 적어도 하나의 키워드 및 상기 적어도 하나의 키워드를 포함하는 문장을 추출하고, 딥러닝 모델로 상기 적어도 하나의 키워드를 포함하는 문장을 학습하고, 상기 적어도 하나의 키워드를 포함하는 문장으로부터 중의성을 포함하는 맥락을 분석함으로써, 최종 데이터를 출력할 수 있다.
본 개시에 따른 자기소개서 답변의 형태적 미완결성을 검출하는 장치는, 사용자 인터페이스 기반으로 사용자 입력을 받거나 사용자에게 출력을 제공하는 입출력 모듈; 자기소개서 내 문장의 오류 카테고리 검출 동작 수행을 위한 적어도 하나의 프로세스가 저장된 메모리; 및 상기 프로세스에 따라 상기 자기소개서 내 문장의 오류 카테고리 검출 동작을 수행하는 적어도 하나의 프로세서;를 포함하고, 상기 적어도 하나의 프로세서는, 입력된 상기 자기소개서에서 답변 문장을 획득하고, 사전에 정의된 오류 카테고리 중 상기 답변 문장 각각에 해당되는 오류 카테고리를 검출하고, 각 답변 문장에서 검출된 적어도 하나의 오류 카테고리를 리스트화하고, 상기 입출력 모듈에 상기 각 답변 문장 및 리스트화된 오류 카테고리를 제공하도록 구성되며, 상기 오류 카테고리는, 상기 답변 문장이 답변 형태가 아닌 비답변, 문장 구조가 아닌 비문장, 단어가 아닌 비단어, 규칙에 맞지 않은 문장 부호가 포함된 마이너 오류 및 개조식 서술 형태로 작성된 문장인 불렛(bullet) 중 적어도 하나를 포함할 수 있다.
본 개시의 유효 키워드 추출에 기초하여 직무적합도를 평가하는 전자 장치는 적어도 하나의 명령어를 저장하는 메모리, 및 상기 적어도 하나의 명령어를 실행하는 적어도 하나의 프로세서를 포함할 수 있다. 상기 적어도 하나의 프로세서는, 지식, 기술, 및 태도의 관점에서 적어도 하나의 직무에 대한 키워드 풀을 구축하고, 자기소개서 데이터로부터 추출된 키워드를 분할 및 필터링함으로써, 유효 키워드를 식별하고, 상기 유효 키워드의 빈도 및 중요도에 기초하여 직무적합도 점수를 산출할 수 있다.
본 개시의 자기소개서 데이터에서 자사명 오기재를 탐지하는 전자 장치는 적어도 하나의 명령어를 저장하는 메모리, 및 상기 적어도 하나의 명령어를 실행하는 적어도 하나의 프로세서를 포함할 수 있다. 상기 적어도 하나의 프로세서는 NER 모델을 이용하여 자기소개서 데이터로부터 적어도 하나의 기업명을 추출하고, 상기 적어도 하나의 기업명이 자사명 범위에 포함되는지 여부를 판단하고, 상기 적어도 하나의 기업명이 상기 자사명 범위에 포함되는 경우, 상기 적어도 하나의 기업명이 제1 자사명 오기재 유형에 포함되는지 여부를 판단하고, 상기 적어도 하나의 기업명이 상기 자사명 범위에 포함되지 않는 경우, 상기 적어도 하나의 기업명이 제2 자사명 오기재 유형에 포함되는지 여부를 판단할 수 있다.
본 개시에 따른 증분 데이터 분석을 통한 전처리를 수행하는 전자 장치는, 복수의 데이터 소스와 연결되어 다양한 형식의 입력 데이터를 전달 받는 통신 모듈; 상기 입력 데이터에 대한 전처리 동작 수행을 위한 적어도 하나의 프로세스가 저장된 메모리; 및 상기 프로세스에 따라 상기 입력 데이터에 대한 전처리 동작을 수행하는 적어도 하나의 프로세서;를 포함하고, 상기 적어도 하나의 프로세서는, 상기 복수의 데이터 소스로부터 다양한 형식의 입력 데이터를 입력 받고, 상기 입력 데이터를 분석하여 상기 입력 데이터의 설정 정보를 획득하고, 상기 설정 정보를 기반으로 상기 입력 데이터가 저장된 데이터 소스 종류에 따라 적어도 하나의 전처리 플러그인을 동적으로 호출하여 상기 입력 데이터를 전처리하고, 전처리된 입력 데이터를 사용자 정의에 따라 설정된 출력 형태로 변환하여 출력 데이터를 출력하고, 상기 출력 데이터를 상기 데이터베이스에 저장하도록 구성될 수 있다.
본 개시의 채용을 위한 질문의 의도에 기반하여 답변 내용을 평가하는 전자 장치는 적어도 하나의 명령어를 저장하는 메모리, 및 상기 적어도 하나의 명령어를 실행하는 적어도 하나의 프로세서를 포함할 수 있다. 상기 적어도 하나의 프로세서는 질문의 문맥을 분석하여 질문 의도를 파악하고, 질문 의도 풀을 설정하며, 지원자의 답변을 분석하여 상기 답변이 상기 질문 의도 풀 중 어떤 의도에 부합하는지 판단하고, 상기 질문 의도와 상기 답변의 부합도를 점수 및 등급으로 평가하고, 상기 질문 의도를 기반으로 답변 적합도 평가 결과에 대한 설명을 생성할 수 있다.
본 개시에 따른 텍스트 기반 채용 서류 내 상세 정보 추출을 수행하는 전자 장치는, 비정형 채용 서류를 입력 받아 정형화된 채용 서류를 출력하는 인공 지능 모델; 정보 추출이 가능하도록 정형화된 채용 서류 생성 동작 수행을 위한 적어도 하나의 프로세스가 저장된 메모리; 및 상기 프로세스에 따라 상기 정형화된 채용 서류 생성 동작을 수행하는 적어도 하나의 프로세서;를 포함하고, 상기 적어도 하나의 프로세서는, 입력된 채용 서류 내 텍스트를 페이지 단위로 분할하고 분할된 상기 페이지를 기설정된 단위로 전처리하고, 전처리된 상기 페이지를 상기 인공 지능 모델에 입력하여 주요 영역에 영역명이 라벨링된 페이지를 출력하고, 출력된 페이지에 대해 기설정된 프롬프트를 기반으로 상세 정보를 추출하여 정형화된 채용 서류를 출력하도록 구성될 수 있다.
일본어 문서의 표절 여부를 판단하기 위한 장치 및 방법이 개시된다. 본 개시에 따른 일본어 문서의 표절 여부를 판단하기 위한 장치는, 일본어의 문자 형태를 기준으로 일본어 문장에서 개별 구문에 대응되는 청크들을 추출하고, 명사 사전 정보를 이용하여 청크에 포함된 복수의 명사들을 개별 명사로 분할하고, 분할된 개별 명사들에서 조사의 역할을 하는 히라가나 문자 이외의 문자들 사이에 배치된 히라가나 문자를 포함하는 청크와 히라가나 문자에 선행하는 청크를 통합하고, 문자들을 기초로 전각 문자를 생성하고, 반복 부호를 반복 부호에 대응되는 반복 대상이 되는 문자로 치환하고, 추출된 청크들 중 기호가 포함된 청크를 제외하고, 추출된 청크들 중 숫자가 포함된 청크를 앞 청크와 통합하고, 처리 완료된 청크들을 표절 검사에서 활용될 비교 키로 생성할 수 있다.
본 개시는, 문서 수집 장치와 통신을 수행하는 통신부; 및 문서 표절 검사와 관련된 동작을 제어하는 프로세서를 포함하며, 프로세서는 통신부를 통해 문서 수집 장치로부터 수신된 대상 문서를 페이지 별로 스캔하여 이미지 파일로 변환하고, 변환된 이미지 파일 내에서 그림, 표 및 차트에 해당하는 이미지 객체들을 추출하며, 그림, 표 및 차트에 상응하는 각각의 고유 값을 핑거 프린트(Finger Print) 기반으로 추출하고, 고유 값이 기 설정된 표절 후보군을 판별하기 위한 기준 값에 해당되는 경우, 이미지 객체들에 대해 문서 표절 검사를 수행하고, 문서 표절 검사를 수행 시에, 그림에 포함된 제1 텍스트, 표에 포함된 제2 텍스트 및 차트에 포함된 제3 텍스트 중 적어도 하나가 기 설정된 표절 텍스트인지를 판단하는 것을 특징으로 할 수 있다.
본 개시는 방송 콘텐츠 텍스트 내 도메인 변화 지점 식별 장치 및 방법에 관한 것이다. 본 장치는, 방송 콘텐츠의 텍스트 내 도메인의 변화 지점을 식별하기 위한 적어도 하나의 명령어를 저장하는 메모리; 및 상기 명령어에 따른 동작을 수행하는 프로세서를 포함하고, 상기 프로세서는 방송 콘텐츠 텍스트 데이터가 입력된 경우 상기 텍스트 데이터의 문장을 분할하고, 언어모델을 통해 전후 발화 내용 간 의미적 유사성을 산출하고, 사후 발화 내용의 응답 적합성을 산출하고, 사전 발화의 어체 변화 구간을 탐색하며, 가중치 기반 도메인 변화 구간을 판단할 수 있다.
본 개시는 구인자 구직자 간 소프트 매칭 장치 및 방법에 관한 것이다. 본 장치는 구인자 구직자 간 소프트 매칭을 위한 적어도 하나의 명령어를 저장한 메모리; 및 상기 명령어에 따른 동작을 수행하는 프로세서를 포함하고, 상기 프로세서는 구인 조건 및 구직 조건의 연관도를 나타내는 연관도 테이블 (Affinity Table)을 구축하고, 정형 데이터를 포함하는 구조화된 채용공고 및 비정형 데이터를 포함하는 비구조화 채용공고를 분석하고, 구직자의 단말로부터 수집한 이력서, 경력기술서, 자기소개서 및 포트폴리오를 포함하는 구직자 문서를 분석하고, 코드 저장소에 있는 코드베이스를 기반으로 상기 구직자의 기술 스펙을 분석하여, 상기 구직자에 의해 작성된 소스코드 언어 및 라이브러리를 파악하고, 상기 구축한 연관도 테이블 및 대용량 언어 모델(LLM)을 기반으로 상기 구인 조건 및 상기 구직 조건들에 대한 상호 연관도를 산출하고, 상기 산출된 상호 연관도를 기반으로 구인자와 구직자를 매칭할 수 있다.
인공지능 기반의 평가 메트릭을 이용한 대화형 면접 서비스 서버 및 그 방법이 개시된다. 본 발명의 일 실시예에 따른 대화형 면접 서비스 서버는, 자기 소개서를 기초로 최초 면접 질문인 제1 질문 정보를 생성하고, 사용자 단말기를 통해 면접자와 제1 질문 정보를 기초로 면접 절차를 진행하여 영상 및 음성 중 적어도 하나 이상의 형태를 포함하는 면접자 답변을 수신하고, 면접자 답변을 기초로 후속 면접 질문인 제2 질문 정보를 생성하고, 면접자 답변을 제2 조건에 따라 시각적 요소 및 언어적 요소로 분석하여 결함을 파악하고, 제1 및 제2 질문 정보에 대한 면접자 답변 및 결함 중 적어도 하나 이상을 평가 메트릭을 기초로 평가하여 메트릭 기반 평가 결과를 생성하고, 및 메트릭 기반 평가 결과 및 결함을 이용하여 최종 평가 결과를 생성하여 제공한다.
채용 분야에 대한 답변 적합도의 평가에 대응되는 시각화 자료 및 등급을 제공하기 위한 장치 및 방법이 개시된다. 본 개시에 따른 장치는, 채용 방식에서의 다양한 질문들에 대한 답변의 적합 기준과 부적합 기준을 정의하고, 질문들에 대한 답변 내용이 적합한지 여부에 대한 라벨링을 수행하고, 채용 방식의 질문 유형을 분류 및 정의하고, 채용 방식의 질문 유형에 따른 힌트 태그를 부여하고, 인공지능 언어 모델의 학습을 위한 입력 자료 형태를 정의하고, 학습된 인공지능 언어 모델을 이용하여, 임의의 채용 방식의 답변 내용에 대해 적합 여부를 평가하고, 학습된 인공지능 언어 모델의 평가 결과에 대한 근거를 시각화하고, 채용 방식의 답변 내용에 대한 등급을 부여할 수 있다.
일본어 문서의 표절 여부를 판단하기 위한 장치 및 방법이 개시된다. 본 개시에 따른 일본어 문서의 표절 여부를 판단하기 위한 장치는, 일본어의 문자 형태를 기준으로 일본어 문장에서 개별 구문에 대응되는 청크들을 추출하고, 명사 사전 정보를 이용하여 청크에 포함된 복수의 명사들을 개별 명사로 분할하고, 분할된 개별 명사들에서 조사의 역할을 하는 히라가나 문자 이외의 문자들 사이에 배치된 히라가나 문자를 포함하는 청크와 히라가나 문자에 선행하는 청크를 통합하고, 문자들을 기초로 전각 문자를 생성하고, 반복 부호를 반복 부호에 대응되는 반복 대상이 되는 문자로 치환하고, 추출된 청크들 중 기호가 포함된 청크를 제외하고, 추출된 청크들 중 숫자가 포함된 청크를 앞 청크와 통합하고, 처리 완료된 청크들을 표절 검사에서 활용될 비교 키로 생성할 수 있다.
다양한 실시예에 따른 검증 장치에 의해 수행되는 인용 문헌의 타당성 및 유효성을 검증하는 방법에 있어서, 상기 방법은 인용 문헌 표기 양식의 패턴 사전을 생성하는 단계, 상기 입력부로부터 획득한 대상 문서에서 참고 문헌 영역을 추출하는 단계, 상기 대상 문서의 본문 내에서 피인용 문헌의 일부를 인용한 부분인 인용 문구와 상기 피인용 문헌과 관련된 정보인 인용 정보를 포함하는 인용 영역을 추출하는 단계, 상기 인용 영역 및 상기 참고 문헌 영역의 서지 정보를 추출하는 단계, 상기 인용 영역의 서지 정보와 상기 참고 문헌 영역의 서지 정보가 일치하는지 여부와 관련된 인용 타당성을 검증하는 단계 및 상기 인용 문구가 상기 피인용 문헌에 기재되었는지 여부와 관련된 인용 유효성을 검증하는 단계를 포함할 수 있다.
소스 코드를 검색하는 방법으로, 소스 코드를 입력 받는 단계, 입력된 소스 코드를 이용하여 학습 데이터를 구축하는 단계, 입력된 소스 코드를 복수의 청크 소스 코드들로 분할하는 단계, 복수의 청크 소스 코드들을 이용하여 인공지능 모델을 학습시키는 단계, 학습이 완료된 인공지능 모델을 이용하여 복수의 청크 소스 코드들의 임베딩 벡터를 생성하고, 상기 임베딩 벡터에 기반하여 복수의 청크 소스 코드들을 클러스터링하는 단계, 클러스터링된 복수의 클러스터들의 평균 벡터를 산출하는 단계, 자연어를 입력 받고 학습이 완료된 인공지능 모델을 이용하여 입력 받은 자연어의 임베딩 벡터를 산출하는 단계, 복수의 클러스터들의 평균 벡터 및 자연어의 임베딩 벡터 간 유사도에 기반하여 검색 결과를 산출하는 단계를 포함하는 것을 특징으로 한다.
메타데이터를 생성하는 방법으로, 문서를 입력 받는 단계, 입력된 문서를 이미지 파일로 변환하는 단계, 입력된 문서의 서지 정보를 추출하는 단계, 입력된 문서의 서식 정보를 추출하는 단계, 입력된 문서 내 이미지 영역 및 이미지 영역 내 적어도 하나의 이미지 객체를 추출하는 단계, 적어도 하나의 이미지 객체의 구조적 특징점을 추출하는 단계, 적어도 하나의 이미지 객체의 문맥적 특징점을 추출하는 단계, 서지 정보, 서식 정보, 구조적 특징점, 및 문맥적 특징점에 기반하여 통합 메타데이터를 생성하는 단계를 포함하는 것을 특징으로 한다.
AI 면접 환경에서의 음성 인식 후처리 장치 및 방법에 관한 것으로, 상기 방법은, AI 면접 대상자의 면접 자료를 획득하여 면접 자료 데이터를 기반으로 단어 벡터 공간을 생성하는 단계 및 상기 AI 면접 대상자의 음성 인식 결과 텍스트를 획득하고, 상기 단어 벡터 공간을 기반으로 상기 음성 인식 결과 텍스트의 비유창성을 검증하는 단계를 포함하다. 본 발명은 서울특별시 서울산업진흥원 2020년도 인공지능(AI) 기술사업화 지원사업(CY201042)"비대면 채용환경개선을 위한 AI채용 평가시스템 사업화"를 통해 개발된 기술이다.
AI 면접 환경에서의 음성 인식 후처리 장치 및 방법에 관한 것으로, AI 면접 대상자의 면접 자료를 획득하여 면접 자료 데이터를 기반으로 단어 벡터 공간을 생성하는 단계, 상기 AI 면접 대상자의 음성 인식 결과 텍스트를 획득하고, 상기 단어 벡터 공간을 기반으로 상기 음성 인식 결과 텍스트의 비유창성을 검증하는 단계, 상기 음성 인식 결과 텍스트 중 비유창성 부분을 교정 구간으로 정의하고, 상기 단어 벡터 공간을 기반으로 상기 교정 구간에 상응하는 교정 어휘 후보군을 생성하는 단계, 상기 교정 어휘 후보군에 속하는 단어들의 구조적 유사성 및 문맥적 적합성을 검증하고, 이들 간의 선택적 가중치 적용을 통해 유사성 지수를 산출하여 최종 교정 단어 후보를 선정하는 단계, 상기 선정된 최종 교정 단어 후보의 적합성 여부를 판단하는 단계, 및 상기 선정된 최종 교정 단어 후보가 적합하면 상기 음성 인식 결과 텍스트 중 교정 구간을 상기 최종 교정 단어 후보로 교체하여 출력하는 단계를 포함하는 것을 특징으로 한다. 본 발명은 서울특별시 서울산업진흥원 2020년도 인공지능(AI) 기술사업화 지원사업(CY201042)"비대면 채용환경개선을 위한 AI채용 평가시스템 사업화"를 통해 개발된 기술이다.
표정 변화에 강건한 비접촉식 심박 측정 장치 및 방법에 관한 것으로, 심박 측정 대상자의 영상을 획득하는 영상 획득부, 상기 획득한 영상으로부터 얼굴 영역을 검출하는 얼굴 검출부, 상기 얼굴 영역에 상응하는 픽셀별 RGB값을 저장하는 저장부, 그리고 상기 얼굴 검출부 및 저장부를 제어하는 제어부를 포함하고, 상기 제어부는, 상기 얼굴 영역이 검출되면 상기 얼굴 영역 중 피부색 검출을 위한 특정 영역을 선택하고, 상기 선택된 특정 영역에 상응하는 픽셀별 RGB값을 획득하며, 상기 획득한 픽셀별 RGB값을 상기 영상의 구간별로 저장하도록 상기 저장부를 제어하고, 상기 영상의 구간별로 저장된 RGB값들의 평균 분산값을 기초로 구간별 특정 픽셀들을 선택하며, 상기 구간별로 선택된 특정 픽셀들에 상응하는 평균 RGB값을 기초로 피부색 변화를 검출하며, 상기 검출된 피부색 변화로부터 특징을 추출하여 심박수를 측정할 수 있다. 본 발명은 서울특별시 서울산업진흥원 2020년도 인공지능(AI) 기술사업화 지원사업(CY201042) "비대면 채용환경개선을 위한 AI채용 평가시스템 사업화"를 통해 개발된 기술이다.
본 발명은 서버에 의해 수행되는 자기소개서를 기반으로 면접 질문을 생성하는 방법에 있어서, 상기 자기소개서에서 기 설정된 기준에 부합되는 적어도 하나의 일부 텍스트를 핵심 내용으로 결정하여 추출하는 단계, 상기 추출된 핵심 내용을 기반으로 단순 질문, 상세 질문 및 연관 질문 중 적어도 하나를 포함하며 상기 추출된 핵심 내용으로 시작하는 면접 질문을 실시간으로 생성하는 단계, 상기 생성된 면접 질문 중에서 기 설정된 질문 형태, 질문 길이 및 질문 시제 중 적어도 하나에 해당되지 않는 적어도 하나의 면접 질문을 추출하는 단계, 상기 파악된 면접 질문의 개수가 기 설정된 개수를 초과할 경우 상기 기 설정된 개수를 초과하지 않는 범위 내에서, 상기 파악된 면접 질문에서 기 설정된 선정 기준에 부합되는 적어도 하나의 면접 질문을 핵심 면접 질문으로 결정하여 추출하는 단계 및 상기 추출된 핵심 면접 질문을 면접관의 단말로 제공하는 단계를 포함할 수 있다. (무하유)서울특별시 서울산업진흥원 2020년도 인공지능(AI) 기술사업화 지원사업(CY201042)”비대면 채용환경개선을 위한 AI채용 평가시스템 사업화”를 통해 개발된 기술이다.
본 발명은 복수의 사용자들 각각이 창작물 구성 단위를 작성하여 하나의 창작물을 작성하는 단계; 상기 창작물에 의해 발생한 수익을 산출하는 전체 수익 산출 단계; 상기 창작물에 포함되는 상기 창작물 구성 단위의 개수를 산출하는 전체 창작물 구성 단위 산출 단계; 상기 사용자들 각각이 작성한 상기 창작물 구성 단위의 개수를 산출하는 개별 창작물 구성 단위 산출 단계; 및 상기 사용자들 각각에게 제공할 수익을 하기 식 1에 의해 산출하는 개별 수익 산출 단계;를 포함하는 것을 특징으로 한다. [식 1] 상기 사용자들 각각에게 제공할 수익 = (상기 사용자들 각각이 작성한 상기 창작물 구성 단위의 개수/상기 창작물에 포함되는 상기 창작물 구성 단위의 개수)*상기 창작물에 의해 발생한 수익
검사문서 내 특정정보의 블라인드 처리 방법이 제공된다. 상기 방법은 검사문서 내 블라인드 처리가 필요한 검사대상 항목을 결정하는 단계, 상기 검사문서로부터 구문분석을 수행하여 상기 검사대상 항목에 대응하는 특정정보를 추출하는 단계, 및 상기 특정정보에 대해 마스킹 처리 또는 하이라이팅 처리 중 하나를 선택하여 적용하는 단계를 포함한다.
검사문서 내 특정정보의 블라인드 처리 방법이 제공된다. 상기 방법은 검사문서 내 블라인드 처리가 필요한 검사대상 항목을 결정하는 단계, 상기 검사문서로부터 구문분석을 수행하여 상기 검사대상 항목에 대응하는 특정정보를 추출하는 단계, 및 상기 특정정보에 대해 마스킹 처리 또는 하이라이팅 처리 중 하나를 선택하여 적용하는 단계를 포함한다.
비텍스트 영역의 표절 검사 방법이 제공된다. 상기 방법은 표절검사대상인 타겟문서로부터 비텍스트 영역을 인식하는 단계, 상기 타겟문서의 비텍스트 영역을 비교문서의 비텍스트 영역과 비교하는 단계, 및 상기 비교 결과에 기초하여 상기 타겟문서의 비텍스트 영역에 대한 표절여부를 판단하는 단계를 포함한다.
과제 제출 시스템과 표절 검사 시스템의 분리로 인한 문제점을 해결할 수 있는 이메일 주소 기반의 표절 검사 방법 및 시스템이 개시된다. 일 실시예에 따른 이메일 주소 기반의 표절 검사 방법은 서버가 과제 평가자의 요청에 따라 과제방을 생성하는 단계; 상기 서버가 상기 과제방의 이메일 주소를 생성하는 단계; 과제 제출자가 전송한 이메일이 상기 과제방의 이메일 주소로 수신되면, 상기 서버가 상기 수신된 이메일에 기초하여 데이터를 수집하는 단계; 상기 서버가 상기 수집된 데이터 중 전자 문서를 대상으로 표절 검사를 수행하는 단계를 포함한다.
KIPO KIPRIS · checked 2026-10-15 · newest filings first · right: registration date (filing date if not yet registered) · 50 of 59 · titles and abstracts are in Korean as filed · click a row for details ▾
For now we hold public records only (National Pension Service · DART filings · patents · registers · press). When the company files material in our IR Room, it moves to L1. We do not score or rate companies — we only state how far we have checked.
| KRW bn | 2024 | 2025 |
|---|---|---|
| Revenue | 11.1 | 12.7 |
| Operating expenses | 11.5 | 10.5 |
| Operating income (loss) | (0.5) | 2.2 |
| Non-operating income | 1.0 | 0.9 |
| Other gains | 0.4 | 0.3 |
| Finance income | 0.6 | 0.6 |
| Non-operating expenses | 2.8 | 2.2 |
| Other losses | 0.3 | 0.2 |
| Finance costs | 2.5 | 2.0 |
| Profit (loss) before tax | (2.3) | 0.9 |
| Income tax expense | (0.3) | 0.1 |
| Net income (loss) | (2.0) | 0.8 |
Revenue ₩12.7bn, up 15.0% YoY.
Operating margin 17.3% (prior -4.3%).
Net income ₩0.8bn.
Need more than is shown here? Ask for more information — full review report · valuation · executive teaser · IM · competitor analysis · due diligence. Tell us what you need and we will reply by email with scope, cost and timing.
Is this your company?
If anything here is wrong, tell us — we check it against the original and correct it. You do not need to join. If you would like your financials verified and this page completed, that is a separate process.
Headlines and links to public articles only · not checked by us (original ↗) · articles are in Korean — English headlines are our translation; where none is shown, “Read in English ›” opens a machine translation · “Broker view” is a forecast, not reported results · checked 2026-11-07