Loading the company…
Loading the company…
㈜에이아이웍스
English name as filed with DART, Korea’s corporate disclosure system · Correct the English name ›
Last updated 2026-10-09 · Korean page ›
Verification level — how far we have checked
L0 · Public records — NPS workforce · filed financials · patents — public data
A company based in Gyeonggi, founded in 2015. Industry: Software & IT Services. Revenue for 2025 was ₩16.0bn. It has 162 employees enrolled in the National Pension Service (as of Aug 2026). It is externally audited; the latest audit opinion is “Unqualified”.
Loading…
Latest filing 2026-06-24 · latest registration 2026-09-16 · newest first
대화형 인공지능 모델을 이용한 대화 문장 생성 방법은 질문에 대한 사용자의 응답을 기반으로 사용자 의도 정보 및 엔티티를 추출하는 단계, 사용자 의도 및 엔티티를 기반으로 대화 세션의 대화 상태 추적 정보를 갱신하는 단계, 사용자 응답 및 대화 상태 추적 정보에 기초하여, 대화 정책에 따라 다음 대화 노드를 결정하는 단계 및 사용자 의도 정보, 엔티티 및 대화 상태 추적 정보를 입력으로 하는 대화형 인공지능 모델을 통해 후속 질문을 생성하는 단계를 포함할 수 있다.
본 발명은 대형 언어 모델(Large Language Model, LLM)을 활용한 지능형 소프트웨어 개발 지원 도구에 관한 것이다. 본 발명에 따른 다중 에이전트 기반 소스 코드 및 SQL 분석을 수행하는 컴퓨팅 장치에서 실행되는 분석 방법에 있어서, 사용자로부터 코드 또는 SQL을 포함하는 입력과 요청을 수신하는 단계; 상기 입력 및 요청에 기초하여 요청의 처리를 위한 작업 유형을 분류하는 단계; 상기 작업 유형에 대응하여 입력된 코드 또는 SQL에 대하여 사전 정보 처리 및 분석 절차를 수행하는 단계; 및 상기 분석 절차의 결과에 기초하여 사용자 요청에 대응하는 응답을 생성하는 단계를 포함한다. 본 발명에 따르면, 다중 에이전트 기반으로 소스 코드 분석 및 SQL 분석・생성 기능을 수행함으로써 종래 기술에서 제기되었던 토큰 비용, 분석 정확도 저하, SQL 구조 이해의 어려움 등의 문제가 효과적으로 개선될 수 있다.
본 발명은 인공지능 모델의 학습 데이터 구축을 위한 대화 시나리오 생성 방법으로, 기 저장된 사용자 발화에 대한 발화의 의도 정보 및 슬롯 상태 정보를 이용하여 사용자 응답 문장을 생성하는 단계, 사용자 응답 문장에 따라 갱신된 대화 상태 추적 정보 및 다음 대화 노드를 이용하여 응답 문장에 대응되는 다음 질문 문장을 생성하는 단계 및 응답 문장 및 다음 질문 문장을 연결하여, 대화 시나리오를 생성하는 단계를 포함할 수 있다.
대화형 인공지능 모델을 이용한 대화 문장 생성 방법은 질문에 대한 사용자의 응답을 기반으로 사용자 의도 정보 및 엔티티를 추출하는 단계, 사용자 의도 및 엔티티를 기반으로 대화 세션의 대화 상태 추적 정보를 갱신하는 단계, 사용자 응답 및 대화 상태 추적 정보에 기초하여, 대화 정책에 따라 다음 대화 노드를 결정하는 단계 및 사용자 의도 정보, 엔티티 및 대화 상태 추적 정보를 입력으로 하는 대화형 인공지능 모델을 통해 후속 질문을 생성하는 단계를 포함할 수 있다.
본 발명은 언어 모델을 이용한 서비스의 제공 방법에 관한 것이다. 본 발명에 따른 컴퓨팅 장치에서 수행되는 언어 모델을 통한 오류 상황에 대한 응답 제공 방법은 오류 상황에 대한 오류 정보를 입력 받는 단계; 데이터베이스로부터 상기 입력된 오류 정보와 관련된 가상 오류 정보를 추출하는 단계; 상기 언어 모델을 이용하여, 상기 입력된 오류 정보, 상기 추출된 가상 오류 정보 및 상기 오류 상황에 대한 대처 정보의 생성을 위하여 미리 생성된 제1 프롬프트를 입력으로 상기 오류 상황에 대한 대처 정보를 생성하는 단계; 상기 생성된 상기 오류 상황에 대한 대처 정보를 응답으로 제공하는 단계를 포함할 수 있다. 본 발명은 정상 상황을 바탕으로 생성된 오류 시나리오와 이를 대처하기 위한 대응 정보를 프롬프트로 제공함으로써, 언어 모델이 오류 상황에서도 신뢰할 수 있는 응답을 생성할 수 있도록 한다. 이를 통해 실사용 환경에서 언어 모델의 오류 대응 성능이 향상된다.
본 발명은 머신 러닝을 위한 연산 처리 장치의 테스트 방법에 관한 것이다. 본 발명에 따른 컴퓨팅 장치에서 수행되는 머신 러닝을 위한 처리 장치의 테스트 방법은 작업의 테스트를 위한 설정 정보를 입력 받는 단계; 입력된 설정 정보를 기초로 임의의 머신 러닝 모델의 아키텍처를 구성하는 단계; 및 상기 구성된 아키텍처에 따른 머신 러닝 모델의 상기 처리 장치 상의 상기 작업의 수행 결과를 출력하는 단계를 포함한다. 본 발명에 따르면 다양한 연산자 조합의 인공 신경망을 생성하고 이를 수행함으로써, 여러 종류의 인공지능 가속기 및 협력 프로세서 간의 호환성을 검증할 수 있다.
본 발명은 계층적 호스트 구조를 갖는 임베디드 장치의 테스트 방법에 있어서, 메인 호스트가 대상 장치의 실행 환경의 설정 정보를 입력 받는 단계; 상기 설정 정보에 따라 가상화된 실행 환경을 서브 호스트에 구축하는 단계; 상기 구축된 실행 환경에서 하나 이상의 테스트 케이스를 수행하는 단계; 및 상기 수행 결과를 모니터링하는 단계를 포함하고, 상기 테스트 케이스를 수행하는 단계는, 상기 대상 장치와 상기 서브 호스트 간 물리적인 연결 동작을 테스트하는 단계를 포함한다.
본 발명은 계층적 호스트 구조를 갖는 임베디드 장치의 테스트 방법에 있어서, 메인 호스트가 대상 장치의 실행 환경의 설정 정보를 입력 받는 단계; 상기 설정 정보에 따라 가상화된 실행 환경을 서브 호스트에 구축하는 단계; 상기 구축된 실행 환경에서 하나 이상의 테스트 케이스를 수행하는 단계; 및 상기 수행 결과를 모니터링하는 단계를 포함하고, 상기 테스트 케이스를 수행하는 단계는, 상기 대상 장치와 상기 서브 호스트 간 물리적인 연결 동작을 테스트하는 단계를 포함한다.
본 발명은 임베디드 장치의 테스트 방법에 관한 것이다. 바람직하게는 특정 기능 수행을 위해 설계된 임베디드 장치의 기능 테스트를 위한 방법에 관한 것이다. 본 발명에 따른 컴퓨팅 장치에서 수행되는 계층적 호스트 구조를 갖는 임베디드 장치의 테스트 방법은, 메인 호스트가 대상 장치의 실행 환경의 설정 정보를 입력 받는 단계; 상기 설정 정보에 따라 가상화된 실행 환경을 서브 호스트에 구축하는 단계; 상기 구축된 실행 환경에서 특정 소프트웨어 또는 테스트 케이스를 수행하는 단계; 및 상기 수행 결과를 모니터링하는 단계를 포함한다. 본 발명에 따르면 임베디드 장치의 개발 및 테스트 과정에서 물리적인 하드웨어 자원을 매번 새롭게 구성하고 준비할 필요가 없기 때문에 자원을 효율적으로 활용할 수 있다.
본 발명은 라이다와 카메라로부터 영상을 획득하는 방법에 관한 것으로 본 발명에 따른 라이다 및 카메라 센서를 이용한 영상 획득 방법은 라이다 및 카메라 센서로 구성된 센서 시스템 내 라이다로부터 수집된 점군 데이터를 카메라 센서로부터 수집된 영상을 기준으로 투영하여 깊이맵을 생성하는 단계; 상기 깊이맵 내 연속하는 픽셀의 깊이 변화를 통해 이상치를 추출하는 단계; 및 상기 추출된 이상치를 제거하여 깊이맵을 정제하는 단계를 포함한다. 본 발명에 따르면, 라이더의 점군(point cloud) 데이터와 카메라의 영상의 시각 차이를 고려하여 점군 데이터를 정제함으로써 보다 정밀한 깊이맵을 생성할 수 있다.
본 발명은 라이다와 카메라로부터 영상을 획득하는 방법에 관한 것이다. 본 발명에 따른 컴퓨팅 장치에서 수행되는 다중 라이다 및 카메라 센서를 이용한 영상 획득 방법은 복수의 라이다 및 카메라 센서로 구성된 센서 시스템 내 한 쌍의 라이다와 카메라 센서간 위치 차이를 보정하기 위한 외부 행렬을 산출하는 단계; 상기 라이다와 카메라 센서의 처리 속도의 차이를 고려하여 상기 라이다 센서의 촬영 신호를 기준으로 상기 카메라 센서의 촬영 신호의 지연 시간을 설정하는 단계; 상기 라이다 센서 중 적어도 하나의 제1 라이다 센서의 시계를 기준으로 촬영 신호를 발생시키는 다른 라이다 센서의 시계를 동기화하는 단계; 및 상기 센서 시스템에서 수집된 영상을 정합하는 단계를 포함한다. 본 발명에 따르면, 원거리의 라이더 영상을 정밀하게 정합합으로써 보다 광범위한 영역에 대한 깊이 맵을 생성할 수 있다.
본 발명은 라이다로부터 영상을 획득 및 정합하는 방법에 관한 것이다. 본 발명에 따른 라이다 영상의 정합 방법은 복수의 라이다 센서로부터 수집된 점군(Point Cloud) 데이터 내 복수의 제1 평면 객체의 법선 벡터를 이용하여 라이다 센서 각각의 외부 행렬을 산출하는 단계; 외부 행렬에 따라 보정된 각각의 라이다 센서로부터 수신된 점군 데이터 내 공통된 제2 평면 객체를 추출하는 단계; 및 상기 추출된 제2 평면 객체를 이용하여 상기 복수의 라이다 센서를 정합하는 단계를 포함한다. 본 발명에 따르면, 원거리의 라이다 영상을 정밀하게 정합함으로써 보다 광범위한 영역에 대한 깊이 맵을 생성할 수 있다.
생성 모델을 이용한 데이터 증강 처리 시스템 및 그 방법을 개시한다. 본 발명은 자연어 처리 모델에 있어서 텍스트 데이터 증강 기법을 이용할 경우 발생되는 검수 과정에 투입되는 비용을 낮출 수 있다.
본 발명은 원격 서버의 가상화를 통한 딥러닝 모델 기반의 서비스 제공 방법에 관한 것이다. 본 발명의 일 실시 예에 따른 딥러닝 모델 기반의 서비스 제공을 위한 원격 서버 가상화 운용 방법은 가상화 서버를 통해 모델 서버의 딥러닝 모델을 이용한 작업의 구동을 위한 구동 API를 호출하는 단계; 상기 모델 서버의 실행 준비 상태를 체크하고 상기 체크 결과를 리턴받는 단계; 상기 실행 준비된 모델 서버에 입력된 입력 데이터를 전달하고, 상기 입력 데이터로부터 추론 결과를 생성하기 위한 추론 API를 호출하는 단계; 및 상기 추론 API로 호출된 딥러닝 모델의 추론 결과를 출력하는 단계를 포함하고, 상기 호출된 딥러닝 모델의 작업이 완료되면 상기 딥러닝 모델이 이용한 자원의 점유가 해제되는 것이 바람직하다. 본 발명에 따르면, 제한된 컴퓨팅 자원 내에서 다양한 딥러닝 프레임워크의 모델을 제공할 수 있다.
모델 학습을 위한 합성 데이터 생성 장치 및 방법을 개시한다. 본 발명은 도메인 적응(Domain adaptiation)을 이용하여 합성 데이터를 생성하고, 이에 기반한 데이터 셋 가공 시간을 개선하며 인공지능 모델의 성능을 개선할 수 있다.
본 발명은 학습 데이터의 가공 방법, 시스템 및 컴퓨터 프로그램에 관한 것이다. 본 발명에 따른 사용자 디바이스 화면을 통한 신경망 학습 데이터 가공 방법은 상기 사용자 디바이스 화면의 일 영역에 학습 이미지를 표시하는 단계; 상기 학습 이미지에 대한 신경망의 출력을 이용하여 생성된 사용자 입력 인터페이스를 제공하는 단계; 및 상기 사용자 입력 인터페이스에 대한 사용자의 응답을 수신하는 단계를 포함하고, 상기 학습 이미지는 상기 사용자의 응답에 따라 갱신되는 것이 바람직하다. 본 발명에 따르면, 기 학습된 학습 데이터를 기초로 딥러닝 기반 객체 인식 모델을 학습시키기 위한 학습 이미지를 가공할 수 있다.
본 발명의 신경망 모델 추천 방법은 신경망 모델을 학습시키기 위한 학습 데이터를 획득하는 단계, 학습 데이터를 분석하여 제1 데이터 특징 정보를 추출하는 단계, 추출된 제1 데이터 특징 정보를 기초로 기 학습된 성능 예측 모델을 이용하여 후보 신경망 모델들의 각 예측 성능 정보를 산출하는 단계, 산출된 후보 신경망 모델들의 예측 성능 정보를 기초로 후보 신경망 모델 중 학습 데이터에 적합한 신경망 모델을 추천하는 단계를 포함할 수 있다.
본 발명은, 신경망 모델을 이용한 자전거 피팅 방법, 장치 및 컴퓨터 프로그램에 관한 것으로써, 본 발명의 예시적인 실시예들에 따른 신경망 모델을 이용한 자전거 피팅 방법은, 사람과 자전거가 같이 있는 상태를 촬영한 제1 이미지 및 자전거만 있는 상태를 촬영한 제2 이미지를 입력 받는 이미지 입력 단계, 제1 이미지에 대해 사람의 키포인트를 추출하도록 학습된 제1 신경망을 이용하여 제1 키포인트 정보를 추출하는 제1 추출 단계, 제2 이미지에 대해 자전거의 키포인트를 추출하도록 학습된 제2 신경망을 이용하여 제2 키포인트 정보를 추출하는 제2 추출 단계, 제1 이미지에 촬영된 자전거 바퀴의 적어도 일부 제원 정보를 이용하여 제1 키포인트 정보의 절대적 수치를 산출하는 산출 단계 및 산출된 절대적 수치와 제2 키포인트 정보를 이용하여 자전거 피팅 데이터를 출력하는 출력 단계를 포함할 수 있다.
본 발명의 신경망 모델 기반 이미지 증강 방법은 이미지 증강을 위한 원본 이미지를 획득하는 단계, 획득된 원본 이미지를 기초로 유사 이미지를 획득하는 단계, 기 결정된 변형 함수를 기초로 원본 이미지를 변형하는 단계 및 유사 이미지를 기초로 기 학습된 신경망 모델을 이용하여 변형된 원본 이미지에 가상 이미지를 합성하여 합성 이미지를 생성하는 단계를 포함하고 신경망 모델은 가상 이미지를 변형된 원본 이미지의 외곽에 위치한 확장 영역에 합성되도록 기 학습될 수 있다.
객체 분할과 배경 합성을 이용한 데이터 증강 장치 및 방법을 개시한다. 본 발명은 이미지의 단순한 위치 이동이나 회전 등을 통한 데이터 증강이 아니라 이미지 내의 객체를 인지하여 추출하고, 추출된 객체를 변환하여 다양한 이미지 데이터를 생성함으로써, 대규모 이미지 데이터 셋의 구축이 가능하다.
계층형 출력을 이용한 영상 데이터 가공장치 및 방법을 개시한다. 본 발명은 원본 이미지로부터 객체를 인식하고 인식된 객체의 신뢰도에 따라 객체를 시각적으로 계층화시켜 출력함으로써, 검수자가 인식된 객체의 검증 시간을 감소시킬 수 있다.
본 발명은 선택적 데이터 수집 시스템 및 그 동작 방법에 관한 것으로서, 구체적으로는 특정 조건에 부합하는 데이터만을 선택적으로 수집하는 기술에 관한 것이다. 본 발명의 일 실시예에 따르면, 복수의 엣지 디바이스 및 서버를 포함하는 선택적 데이터 수집 시스템에 있어서, 서버가, 데이터를 선택적으로 수집하기 위한 제1 데이터 수집 조건 및 인공 지능 모델을 결정하는 단계; 서버가, 제1 데이터 수집 조건 및 인공 지능 모델을 복수의 엣지 디바이스 각각에 전송하는 단계; 복수의 엣지 디바이스 각각이, 로우 데이터(raw data)를 수집하고, 인공 지능 모델을 기반으로 로우 데이터가 제1 데이터 수집 조건을 만족하는지 판단하는 단계; 복수의 엣지 디바이스 각각이, 제1 데이터 수집 조건을 만족하는 로우 데이터를 포함하는 제1 데이터를 서버에 전송하는 단계; 및 서버가, 제1 데이터를 데이터베이스에 저장하는 단계를 포함하는, 방법이 제공된다.
네이티브 어플리케이션의 테스트케이스 생성 장치 및 방법을 개시한다. 본 발명은 네이티브 어플리케이션에서의 요소 수집과 각 요소에 따른 동작 패턴을 기반으로 요소들을 구분하고, 사용자의 동작에 따른 경로를 생성하여 테스트케이스를 자동으로 생성한다.
웹 페이지의 UI 커버리지 생성 장치 및 방법을 개시한다. 본 발명은 웹 페이지의 기능에 대한 테스트 커버리지를 가시적으로 표현하여 커버되지 않는 요소들의 분석 및 오류 수정을 쉽게 수행하고, 커버리지를 수치화하여 검증자의 정량적 판단이 가능하다.
웹사이트의 검증 시 다중 기기 동시 제어 시스템 및 방법을 개시한다. 본 발명은 웹사이트 및 애플리케이션 검증 시에 다양한 환경을 동시에 테스트하여 화면 호환성 문제에 대하여 검증자가 신속하게 확인할 수 있다.
그래프를 이용한 웹사이트 테스트 케이스 생성 장치 및 방법을 개시한다. 본 발명은 웹사이트의 구조를 분석하여 동작 가능한 웹 요소들을 탐색하고, 탐색된 웹 요소들의 테스트 과정을 그래프로 표시하며, 표시된 그래프에 기반하여 테스트 스크립트를 자동으로 생성한다.
이미지에 포함된 객체의 선택적 비식별화 장치 및 방법을 개시한다. 본 발명은 이미지에 포함된 객체의 비식별화를 수행함에 있어서, 해당 객체의 종류에 따라 선택적으로 비식별화를 수행할 수 있다.
다각형 기반의 객체 인식 성능 보정 장치 및 방법을 개시한다. 본 발명은 이미지에 포함된 객체의 이진화 기반 윤곽선 추출 방법에 인공 지능 (AI)에 기반한 추출 방법에 의해 얻어진 윤곽선을 참조함으로써 보다 향상된 윤곽선의 추출이 가능하다.
저사양 디바이스에서 다중 모델의 실시간 객체 인식 장치 및 방법을 개시한다. 본 발명은 저사양 디바이스 또는 하나의 GPU를 이용하여 복수의 객체 인식 모델이 동작할 수 있도록 입력 이미지를 프레임 별로 구분해서 각각의 객체 인식 모델에 각각 입력으로 제공함으로써, 실시간으로 객체 인식을 수행할 수 있다.
최적화 모델 선택 장치 및 방법을 개시한다. 본 발명은 새로운 객체 인식 모델링 프로그램을 이용하여 학습할 때, 처리속도와 인식률에 따라 최적화된 객체 모델을 선택하여 학습을 진행할 수 있다.
본 발명은 웹페이지 호환성 판단 장치로, 동일한 웹페이지에 포함된 복수의 엘리먼트들을 제 1 웹브라우저 상에 표시할 때 각 엘리먼트들에 부여되는 제 1 속성들과, 해당 복수의 엘리먼트들을 제 2 웹브라우저 상에 표시할 때 각 엘리먼트들에 부여되는 제 2 속성들을 획득하는 획득 수단과; 상기 제 1 속성들과 상기 제 2 속성들을 비교하여, 그 차이를 판단하는 판단 수단과; 상기 차이에 근거하여 호환성의 정도를 수치로 표시하는 표시 수단을 포함한다.
호스트 서버로부터, 테스트하고자 하는 웹 페이지에서 HTML 소스코드를 수집하는 소스 코드 수집 모듈과, 수집된 HTML 소스코드를, 저차원 벡터 매핑 방법으로 전처리하는 전처리 모듈과, CNN (convolution neural network) 엔진에 의하여 HTML 기능코드를 분류하는 분류 모듈과, 해당 기능 분류에 대한 테스트 케이스 생성 데이터를 로드, 케이스 생성 데이터와 코드 레벨 분석 자료를 활용하여 테스트 케이스를 생성하는 테스트 케이스 생성 모듈과, 기능 분류 시 사용한 기능 요소들의 속성값을 활용하여 스크립트를 자동으로 생성하는 스크립트 생성 모듈을 포함하는 웹사이트 테스트 장치가 개시된다.
KIPO KIPRIS · checked 2026-10-15 · newest filings first · right: registration date (filing date if not yet registered) · 32 of 32 · 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 | 10.0 | 16.0 |
| Operating expenses | 15.1 | 19.0 |
| Selling, general and administrative expenses | 10.9 | 15.0 |
| Operating income (loss) | 5.1 | 3.0 |
| Non-operating income | 0.4 | 0.1 |
| Other gains | 0.1 | 0.0 |
| Finance income | 0.2 | 0.0 |
| Other | 0.0 | 0.0 |
| Non-operating expenses | 0.1 | 0.8 |
| Other losses | 0.0 | 0.0 |
| Finance costs | 0.1 | 0.1 |
| Other | 0.0 | 0.7 |
| Profit (loss) before tax | 4.8 | 3.7 |
| Income tax expense | — | (0.0) |
| Net income (loss) | 4.8 | 3.7 |
Revenue ₩16bn, up 61.1% YoY.
Operating margin 18.8% (prior 51.3%).
Net income ₩3.7bn.
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 2026-11-06