Loading the company…
Loading the company…
㈜셀렉트스타
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 2018. Industry: Software & IT Services. Group consolidated revenue for 2025 was ₩11.6bn — this includes subsidiaries and is not the revenue of this entity alone. It has 161 employees enrolled in the National Pension Service (as of Aug 2026). It is externally audited; the latest audit opinion is “Unqualified”.
Loading…
Latest filing 2025-05-08 · latest registration 2026-07-29 · newest first
본 발명은 레드티밍을 위한 프롬프트 자동생성방법 및 레드티밍방법, 시스템, 및 컴퓨터-판독가능 저장매체로써, 더 구체적으로는, LLM을 통해 공격프롬프트에 대한 반응을 도출하고 해당 반응에 대한평가점수를 도출한 뒤, 평가점수가 기설정된 기준 이하인 경우에는 기저장된 데이터셋에서 해당 반응과 유사한 반응 및 전략을 검출하고, 해당 전략에 기초하여 LLM을 통해 수정프롬프트를 생성하는, 레드티밍을 위한 프롬프트 자동생성방법 및 레드티밍방법, 시스템, 및 컴퓨터-판독가능 저장매체에 관한 것이다.
본 발명은 레드티밍을 위한 반응-전략 네트워크 생성방법, 시스템, 및 컴퓨터-판독가능 저장매체로써, 더 구체적으로는, LLM을 통해 공격프롬프트에 대한 반응을 도출하고 반응에 대한 평가점수를 도출한 뒤 평가점수에 기초한 전략을 도출하여 상기 반응에 따른 반응네트워크, 및 상기 전략에 따른 전략네트워크를 생성하는, 레드티밍을 위한 반응-전략 네트워크 생성방법, 시스템, 및 컴퓨터-판독가능 저장매체에 관한 것이다.
본 발명은 대화맥락데이터의 자동적 생성방법 및 이를 이용한 LLM의 응답품질 평가방법, 시스템, 및 컴퓨터-판독가능 저장매체로써, 더 구체적으로는, 대상문서의 내용을 포함하는 복수의 노드를 생성하고, 노드의 콘텐츠에 기초하여 질문 및 답변을 포함하는 대화맥락데이터를 생성한 뒤, LLM을 통해 대화맥락데이터에 대한 답변을 도출하고 해당 답변에 대한 평가정보를도출함으로써 해당 LLM을 평가하는, 대화맥락데이터의 자동적 생성방법 및 이를 이용한 LLM의 응답품질 평가방법, 시스템, 및 컴퓨터-판독가능 저장매체에 관한 것이다.
본 발명은 연결어를 이용한 학습용 추론데이터의 자동적 생성방법 및 이를 이용한 LLM의 셀프 학습방법, 시스템, 및 컴퓨터-판독가능 저장매체로써, 더 구체적으로는, 태스크데이터셋에서 추출된 태스크질문을 LLM에 입력하여 제1답변을 도출하고, 제1답변이 정답이 아닌 경우에 해당 태스크질문, 제1답변, 및 연결어를 LLM에 입력하여 제2답변을 도출하고, 제2답변이 정답인 경우에 학습용 추론데이터를 도출하는, 연결어를 이용한 학습용 추론데이터의 자동적 생성방법 및 이를 이용한 LLM의 셀프 학습방법, 시스템, 및 컴퓨터-판독가능 저장매체에 관한 것이다.
본 발명은 인공신경망 기반의 인코더 및 디코더를 이용한 OCR 방법, 시스템, 및 컴퓨터-판독가능 저장매체로써, 더 구체적으로는, 이미지를 인코더모델에 입력하여 특징정보를 도출하고 특징정보를 디코더모델에 입력하여 음절 단위의 토큰시퀀스를 도출한 뒤, 토큰시퀀스에 음절-토큰매핑맵을 적용하여 토큰시퀀스에 해당하는 텍스트를 도출하는, 인공신경망 기반의 인코더 및 디코더를 이용한 OCR 방법, 시스템, 및 컴퓨터-판독가능 저장매체에 관한 것이다.
본 발명은 문서레이아웃 학습을 위한 합성데이터의 생성방법, 시스템, 및 컴퓨터-판독가능 저장매체로써, 더 구체적으로는, 텍스트, 이미지, 및 테이블을 포함하는 데이터셋에서 랜덤하게 문서합성요소를 추출하고, 랜덤하게 생성된 복수의 메시그리드에 상기 문서합성요소를 배치하여 합성데이터를 생성하는, 문서레이아웃 학습을 위한 합성데이터의 생성방법, 시스템, 및 컴퓨터-판독가능 저장매체에 관한 것이다.
본 발명은 다중회차 대화 형태의 해킹프롬프트를 탐지할 수 있는 LLM을 이용한 서비스 제공방법 및 시스템으로서, 사용자단말로부터 다중회차 대화를 포함하는 프롬프트를 순차적으로 수신하고, 각 회차의 대화를 노드로 정의하고, 서로 다른 노드간의 경로 및 유사도를 포함하는 관계정보를 각각 포함하는 복수의 링크를 생성하고, 복수의 링크 각각의 경로 및 유사도에 기초하여 상기 관계정보에 기초한 관계점수의 변화값에 따라 각 노드의 해킹악성도를 도출하는, 다중회차 대화 형태의 해킹프롬프트를 탐지할 수 있는 LLM을 이용한 서비스 제공방법 및 시스템에 관한 것이다.
본 발명은 생성형AI의 결과물에 대한 평가기준을 자동적으로 생성하는 방법, 시스템, 및 컴퓨터-판독가능 저장매체로써, 더 구체적으로는, 거대언어모델로부터 생성된 평가루브릭에 기초하여 복수의 에이전트는 거대언어모델에서 생성된 복수의 질문을 평가하고 해당 평가결과에 따라 최종평가루브릭을 출력하는, 생성형AI의 결과물에 대한 평가기준을 자동적으로 생성하는 방법, 시스템, 및 컴퓨터-판독가능 저장매체에 관한 것이다.
본 발명은 다중에이전트를 이용한 LLM 기반 시스템의 해킹프롬프트의 자동적 생성방법, 시스템, 및 컴퓨터-판독가능 저장매체로써, 더 구체적으로는, 에이전트를 이용하여 해킹프롬프트를 생성하고 해킹프롬프트를 강화시킬 수 있는 요소에 기초하여 해당 해킹프롬프트를 수정한 뒤, 해킹프롬프트에 기설정된 유해요소가 포함되는지 확인하여 최종해킹프롬프트를 출력하는, 다중에이전트를 이용한 LLM 기반 시스템의 해킹프롬프트의 자동적 생성방법, 시스템, 및 컴퓨터-판독가능 저장매체에 관한 것이다.
본 발명은 LLM을 포함하는 시스템에 대한 해킹프롬프트자동생성모델을 학습하는 방법, 시스템, 및 컴퓨터-판독가능 저장매체로써, 더 구체적으로는, 해킹프롬프트자동생성모델을 통해 복수의 학습해킹프롬프트가 생성되고, 각각의 학습해킹프롬프트에 대하여 도출되는 리워드값에 기초하여 해킹프롬프트자동생성모델을 강화학습하는, LLM을 포함하는 시스템에 대한 해킹프롬프트자동생성모델을 학습하는 방법, 시스템, 및 컴퓨터-판독가능 저장매체에 관한 것이다.
본 발명은 LLM을 이용한 시스템을 평가하기 위한 질문을 자동적으로 평가하는 질문평가모델을 지표-루브릭세트를 이용하여 인간과 정렬시키는 방법 및 시스템으로써, 더 구체적으로는, 복수의 평가자 및 거대언어모델 기반의 질문평가모델의 평가결과에 기초하여 도출된 지표-루브릭세트에 기초하여 해당 질문평가모델을 학습시키는, LLM을 이용한 시스템을 평가하기 위한 질문을 자동적으로 평가하는 질문평가모델을 지표-루브릭세트를 이용하여 인간과 정렬시키는 방법 및 시스템에 관한 것이다.
본 발명은 LLM을 이용한 시스템을 평가하기 위한, 다중문서에 기초한 질문/답변쌍을 생성하는 방법 및 시스템으로써, 더 구체적으로는, 복수의 문서에 대한 문서내용을 포함하는 복수의 노드가 계층화된 데이터셋에서 각각의 노드를 딥러닝 기반의 언어모델에입력하여 질문/답변쌍을 생성하는, LLM을 이용한 시스템을 평가하기 위한, 다중문서에 기초한 질문/답변쌍을 생성하는 방법 및 시스템에 관한 것이다.
본 발명은 LLM기반 다중 에이전트간 변증법적 의사결정방법 및 이를 이용한 인공지능시스템 평가용 데이터셋의 합성방법으로서, LLM을 이용하여 쿼리에 대한 답변으로서 정에 해당하는 제1정보, 해당 답변에 대한 반박으로서 반에 해당하는 제2정보, 제1정보와 제2정보를 고려한 최종적인 결론으로서 합에 해당하는 제3정보를 통해 변증법적 의사결정을 구현하고, 인공지능시스템 평가용 데이터셋을 합성하는 과정에서 해당 변증법적 의사결정을 적용하는, LLM기반 다중 에이전트간 변증법적 의사결정방법 및 이를 이용한 인공지능시스템 평가용 데이터셋의 합성방법에 대한 것이다.
본 발명은 외부 시스템과의 대화를 이용한, LLM 기반 다중에이전트를 포함하는 추론시스템의 추론능력 개선방법, 이를 수행하는 추론시스템, 및 이를 구현하는 컴퓨터-판독가능 기록매체로서, 더욱 상세하게는, 1 이상의 언어모델 기반의 에이전트를 포함하는 추론시스템을 통해, 거대언어모델(LLM) 혹은 AI 기반의 시스템을 평가하고자 할 때, 평가의 대상이 되는 시스템과 대화를 수행함으로써 상기 추론시스템의 추론능력을 동적으로 진화시키고, 이를 통해 평가의 객관성을 확보할 수 있는, 외부 시스템과의 대화를 이용한, LLM 기반 다중에이전트를 포함하는 추론시스템의 추론능력 개선방법, 이를 수행하는 추론시스템, 및 이를 구현하는 컴퓨터-판독가능 기록매체에 관한 것이다.
본 발명은 딥러닝 기반의 생성형모델을 이용한 시스템을 평가하기 위한 질문의 생성방법으로서, 서비스서버가 평가하고자 하는 딥러닝 기반의 생성형모델을 이용한 시스템과 관련된 정보 및 질문의 취지를 포함하는 제1프롬프트를 거대언어모델에 입력하고, 사용자단말은 거대언어모델에서 출력되는 샘플질문에 대하여 사용자가 입력한 피드백정보를 서비스서버로 송신하고, 서비스서버는 피드백정보에 따라 피드백을 반영한 제2프롬프트를 거대언어모델에 입력하거나, 거대언어모델에서 입력되었던 프롬프트를 통해 복수의 최종평가질문을 생성하도록 거대언어모델에 요청하는, 딥러닝 기반의 생성형모델을 이용한 시스템을 평가하기 위한 질문의 생성방법에 관한 것이다.
본 발명은 딥러닝 기반의 생성형모델을 이용한 시스템을 평가하기 위한 질문의 생성방법으로서, 서비스서버가 평가하고자 하는 딥러닝 기반의 생성형모델을 이용한 시스템과 관련된 정보 및 질문의 취지를 포함하는 제1프롬프트를 거대언어모델에 입력하고, 사용자단말은 거대언어모델에서 출력되는 샘플질문에 대하여 사용자가 입력한 피드백정보를 서비스서버로 송신하고, 서비스서버는 피드백정보에 따라 피드백을 반영한 제2프롬프트를 거대언어모델에 입력하거나, 거대언어모델에서 입력되었던 프롬프트를 통해 복수의 최종평가질문을 생성하도록 거대언어모델에 요청하는, 딥러닝 기반의 생성형모델을 이용한 시스템을 평가하기 위한 질문의 생성방법에 관한 것이다.
본 발명은 원본데이터로부터 구조화된 데이터를 생성하는 방법으로서, 텍스트 및 이미지를 포함하는 원본데이터에 대하여 해상도가 상이한 2 이상의 추출원본데이터를 생성하고, 상대적인 해상도 수준에 따라 상이한 방식으로 이미지 분할하고, 분할되어 생성된 복수의 이미지패치를 인코더에 입력하여 복수의 토큰을 도출하고, 복수의 토큰을 디코더에 입력하여 텍스트정보, 및 이미지정보를 추출하고, 복수의 텍스트정보 및 복수의 이미지정보를 거대언어모델에 입력하여 하고, 원본데이터로부터 구조화된 데이터를 생성하는 방법에 관한 것이다.
본 발명은 캐릭터 통화서비스 제공방법, 이를 수행하는 컴퓨팅시스템, 및 컴퓨터-판독가능 기록매체로서, 더욱 구체적으로는, 사용자가 AI스피커 통해 캐릭터를 설정하면, 해당 캐릭터의 목소리, 말투, 성격, 배경 등과 관련된 정보를 포함하는 프롬프트를 딥러닝 형태의 자연어 처리모델에 입력되어 상기 정보를 반영한 캐릭터의 음성이 AI스피커를 통해 출력될 수 있고, 사용자의 음성을 인식하고 이에 대응되는 답변을 캐릭터의 음성으로 출력함으로써, 사용자가 상기 AI스피커를 통해 해당 캐릭터와 실시간으로 실제 통화를 하는 듯한 경험을 제공할 수 있는, 캐릭터 통화서비스 제공방법, 이를 수행하는 컴퓨팅시스템, 및 컴퓨터-판독가능 기록매체에 관한 것이다.
본 발명은 자연어처리모델을 이용한 캐릭터 영상통화 제공방법, 이를 수행하는 컴퓨팅시스템, 및 이를 구현하기 위한 컴퓨터-판독가능 기록매체로서, 더욱 상세하게는, 딥러닝 형태의 자연어처리모델에 실제 애니메이션과 같은 작품 속에서 등장하는 캐릭터의 영상, 목소리, 말투, 성격, 배경 등과 관련된 정보를 포함하는 프롬프트를 입력함으로써, 사용자에게 해당 캐릭터와 실시간으로 영상통화를 하는 듯한 경험을 제공할 수 있는, 자연어처리모델을 이용한 캐릭터 영상통화 제공방법, 이를 수행하는 컴퓨팅시스템, 및 이를 구현하기 위한 컴퓨터-판독가능 기록매체에 관한 것이다.
본 발명은 자연어처리모델을 이용한 캐릭터 영상통화 제공방법, 이를 수행하는 컴퓨팅시스템, 및 이를 구현하기 위한 컴퓨터-판독가능 기록매체로서, 더욱 상세하게는, 딥러닝 형태의 자연어처리모델에 실제 애니메이션과 같은 작품 속에서 등장하는 캐릭터의 영상, 목소리, 말투, 성격, 배경 등과 관련된 정보를 포함하는 프롬프트를 입력함으로써, 사용자에게 해당 캐릭터와 실시간으로 영상통화를 하는 듯한 경험을 제공할 수 있는, 자연어처리모델을 이용한 캐릭터 영상통화 제공방법, 이를 수행하는 컴퓨팅시스템, 및 이를 구현하기 위한 컴퓨터-판독가능 기록매체에 관한 것이다.
본 발명은 자연어처리모델을 이용한 캐릭터 영상통화 서비스를 제공하는 방법, 시스템, 및 컴퓨터-판독가능 기록매체로서, 구체적으로는, 사용자가 애니메이션에 등장하는 캐릭터와 가상적인 영상통화를 할 수 있는 서비스를 제공하는 기술에 해당하며, 더 구체적으로는, 딥러닝 형태의 자연어처리모델에 실제 애니메이션에서 등장하는 캐릭터의 영상, 목소리, 말투, 성격, 배경 등과 관련된 정보를 포함하는 프롬프트를 입력하여, 애니메이션 속 캐릭터가 사용자의 발화에 응답하여 현실감 있는 대화를 수행할 수 있는, 자연어처리모델을 이용한 캐릭터 영상통화 서비스를 제공하는 방법, 시스템, 및 컴퓨터-판독가능 기록매체에 관한 것이다.
본 발명은 학습데이터 모집단에서 최종학습데이터셋을 도출하는 방법, 컴퓨팅장치 및 컴퓨터-판독가능 매체로서, 더욱 자세하게는, 1 이상의 프로세서 및 1 이상의 메모리를 포함하는 컴퓨터장치에 입력된 복수의 학습데이터셋에 대해 복수의 군집으로 분할한 뒤 간 군집 별 대표데이터를 도출하여 최종학습데이터셋을 도출함으로써, 다량의 낮은 질을 가지는 학습데이터로 기계학습모델을 학습시키기보다 개발자가 필요로 하는 커버리지를 가지는 높은 질의 학습데이터를 학습시켜 보다 효율적으로 기계학습모델의 성능을 높일 수 있는, 학습데이터 모집단에서 최종학습데이터셋을 도출하는 방법, 컴퓨팅장치 및 컴퓨터-판독가능 매체에 관한 것이다.
본 발명은 인공지능 학습데이터의 시각화방법, 이를 수행하는 컴퓨팅장치 및 컴퓨터-판독가능 매체로서, 더욱 상세하게는 복수의 학습데이터를 포함하는 학습데이터셋에 대하여 사용자가 원하는 1 이상의 속성정보의 조건을 입력하면, 해당 조건에 해당하는 학습데이터를 디스플레이레이어 상에 특정 그래픽엘리먼트로 시각화하여 표시할 수 있고, 직관적으로 제공되는 인터페이스를 통해 사용자는 업로드된 학습데이터셋을 기반으로 하는 다양한 인공지능 학습데이터 시나리오를 용이하게 분석할 수 있는, 인공지능 학습데이터의 시각화방법, 이를 수행하는 컴퓨팅장치 및 컴퓨터-판독가능 매체에 관한 것이다.
본 발명은 큐레이션된 인공지능 학습데이터를 시각화하는 방법, 이를 수행하는 컴퓨팅장치 및 컴퓨터-판독가능 매체로서, 더욱 상세하게는, 디스플레이레이어에서 표시되는 3 이하의 차원의 공간상에서 매핑된 복수의 학습데이터 각각에 대하여 사용자가 원하는 조건으로 큐레이션을 수행하고, 디스플레이레이어 상에서 큐레이션된 학습데이터와 큐레이션되지 않은 학습데이터를 서로 구분되는 그래픽엘리먼트로 화면에 표시함으로써, 사용자는 큐레이션된 학습데이터와 큐레이션되지 않은 학습데이터를 직관적으로 비교할 수 있는, 큐레이션된 인공지능 학습데이터를 시각화하는 방법, 이를 수행하는 컴퓨팅장치 및 컴퓨터-판독가능 매체에 관한 것이다.
본 발명은 데이터의 레이블링을 자동적으로 처리하기 위한 방법, 이를 수행하는 서비스서버 및 컴퓨터-판독가능 매체에 관한 것으로서, 더욱 상세하게는, 사용자로부터 제공받은 데이터셋에 포함된 복수의 데이터에 대한 라벨링을 자동적으로 수행하기 위하여, 데이터셋에 포함된 일부의 데이터를 선택하고, 데이터셋에 포함된 복수의 데이터와 유사한 데이터를 데이터베이스에서 선택하고, 상기 선택된 일부의 데이터 및 데이터베이스에서 선택한 데이터를 학습데이터로 하여 기계학습모델을 학습시킨 후에, 데이터셋에서 선택되지 않은 나머지 데이터에 대해서는 학습된 기계학습모델을 사용하여 해당 데이터에 대한 레이블링을 수행함으로써, 효과적으로 레이블링 작업을 처리할 수 있는, 데이터의 레이블링을 자동적으로 처리하기 위한 방법, 이를 수행하는 서비스서버 및 컴퓨터-판독가능 매체에 관한 것이다. 본 발명은 서울특별시 서울산업진흥원 2022년도 제5회 서울혁신챌린지 결선 IC210047 AI 학습데이터수집 및 가공 플랫폼용 Interactive Instance Segmentation 모델 개발을 통해 개발된 기술이다.
본 발명은 레이블링 하기 위한 데이터를 선택적으로 추출하기 위한 방법, 이를 수행하는 서비스서버 및 컴퓨터-판독가능 매체에 관한 것으로서, 더욱 상세하게는, 원본데이터셋에 포함된 복수의 데이터에 대한 특징벡터를 도출하고, 복수의 특징벡터 가운데 기설정된 규칙을 적용하여 기설정된 개수의 특징벡터를 선택하며, 선택된 특징벡터 및 선택되지 않은 특징벡터들을 3 이하의 차원의 평면 상에 플로팅하여 사용자에게 제공함으로써, 사용자가 달성하고자 하는 기계학습모델을 효과적으로 학습시키기 위한 데이터를 선별하여 제공할 수 있는, 레이블링 하기 위한 데이터를 선택적으로 추출하기 위한 방법, 이를 수행하는 서비스서버 및 컴퓨터-판독가능 매체에 관한 것이다.
본 발명은 레이블링에 사용될 데이터를 선택하기 위하여 데이터를 시각화 하는 방법, 이를 수행하는 서비스서버 및 컴퓨터-판독가능 매체에 관한 것으로서, 더욱 상세하게는, 원본데이터셋에 포함된 복수의 데이터에 대한 특징벡터를 도출하고, 복수의 특징벡터 각각의 차원을 2차원으로 축소하고, 차원이 축소된 복수의 특징벡터를 2차원의 공간 상에 표시하고, 상기 2차원의 공간을 포함하는 시각화인터페이스를 사용자단말에 제공하여, 사용자가 학습데이터로 사용될 데이터를 선별할 수 있도록 하는, 레이블링에 사용될 데이터를 선택하기 위하여 데이터를 시각화 하는 방법, 이를 수행하는 서비스서버 및 컴퓨터-판독가능 매체에 관한 것이다.
본 발명은 크라우드소싱을 통하여 전문가의 답변 없이 작업자 능력 테스트를 위한 샘플 작업 선택 및 그 정답을 얻는 자동화 방법, 시스템, 및 컴퓨터 판독가능 매체에 관한 것으로서, 더욱 상세하게는 크라우드소싱을 통해 작업물을 작업자가 처리함에 있어서, 작업자별 신뢰도정보를 업데이트하고 정답확률에 기반하여 샘플작업의 선택 및 난이도가 라벨링된 테스트작업을 자동적으로 얻을 수 있는, 크라우드소싱을 통하여 전문가의 답변 없이 작업자 능력 테스트를 위한 샘플 작업 선택 및 그 정답을 얻는 자동화 방법, 시스템, 및 컴퓨터 판독가능 매체에 관한 것이다.
본 발명은 크라우드소싱을 통하여 전문가의 답변 없이 작업자 능력 테스트를 위한 샘플 작업 선택 및 그 정답을 얻는 자동화 방법, 시스템, 및 컴퓨터 판독가능 매체에 관한 것으로서, 더욱 상세하게는 크라우드소싱을 통해 작업물을 작업자가 처리함에 있어서, 작업자별 신뢰도정보를 업데이트하고 정답확률에 기반하여 샘플작업의 선택 및 난이도가 라벨링된 테스트작업을 자동적으로 얻을 수 있는, 크라우드소싱을 통하여 전문가의 답변 없이 작업자 능력 테스트를 위한 샘플 작업 선택 및 그 정답을 얻는 자동화 방법, 시스템, 및 컴퓨터 판독가능 매체에 관한 것이다.
본 발명은 크라우드소싱에서 수집된 복수의 작업을 서브셋 단위로 처리하는 방법, 컴퓨팅장치 및 컴퓨터-판독가능 매체에 관한 것으로서, 더욱 상세하게는 크라우드소싱을 통해 작업자들이 수행한 작업결과들을 포함하는 서브셋을 생성하고, 생성된 서브셋에 포함된 작업결과를 검수자들에게 제공하여 각 작업결과에 대한 검수가 완료된 경우에 상기 서브셋을 단위로 작업결과에 대한 추론결과를 도출하는, 크라우드소싱에서 수집된 복수의 작업을 서브셋 단위로 처리하는 방법, 컴퓨팅장치 및 컴퓨터-판독가능 매체에 관한 것이다.
본 발명은 크라우드소싱에서 이미지에 포함된 객체의 윤곽정보에 대한 가이드정보를 제공하는 방법, 컴퓨팅장치 및 컴퓨터-판독가능 매체에 관한 것으로서, 더욱 상세하게는 크라우드소싱을 통해 작업물에 해당하는 이미지를 제공받은 작업자가 이미지에 포함된 객체의 영역을 설정하는 라벨링을 수행하는 경우에 작업자가 설정한 영역에 대한 가이드정보를 생성하여 상기 이미지 상에 표시함으로써, 작업자가 객체의 영역을 어느 수준까지 설정해야 하는 지에 대한 가이드를 제공하는, 크라우드소싱에서 이미지에 포함된 객체의 윤곽정보에 대한 가이드정보를 제공하는 방법, 컴퓨팅장치 및 컴퓨터-판독가능 매체에 관한 것이다.
본 발명은 크라우드소싱에서 작업물을 분할하여 작업자에게 제공하는 방법, 컴퓨팅장치 및 컴퓨터-판독가능 매체에 관한 것으로서, 더욱 상세하게는 크라우드소싱에서 작업물을 작업자들에게 제공하는 경우에 해당 작업물을 복수의 구역으로 구분하고, 복수의 구역으로 구분된 작업물을 복수의 작업자에게 제공함으로써, 각각의 작업자가 작업물의 특정 구역에 대해서만 작업을 수행하도록 하여 규모가 큰 작업물에 대한 작업을 신속하게 처리할 수 있도록 하는, 크라우드소싱에서 작업물을 분할하여 작업자에게 제공하는 방법, 컴퓨팅장치 및 컴퓨터-판독가능 매체에 관한 것이다.
본 발명은 객체 경계정보의 주석을 입력하는 방법 및 장치에 관한 것으로서, 더욱 상세하게는 크라우딩 소싱 등의 서비스에서 작업자 등이 효율적으로 객체의 경계정보를 정확하게 입력할 수 있으면서, 인공신경망 기반 알고리즘에 의하여 예비적인 작업이 보조될 수 있는, 객체 경계정보의 주석을 입력하는 방법 및 장치에 관한 것이다.
본 발명은 객체 경계정보의 추출방법 및 장치에 관한 것으로서, 더욱 상세하게는 학습된 인공신경망을 이용하여 객체 경계정보를 추출함에 있어서, 추출 대상 객체와 관련이 없는 부분을 제외할 할 수 있고, 객체 경계에 대한 주석작업을 수행하는 데 예비적인 판단정보 등을 제공할 수 있으며, 자체적으로 객체 영역 인식 기능을 수행할 수 있는, 객체 경계정보의 추출방법 및 장치에 관한 것이다.
본 발명은 객체 경계정보의 추출에 사용되는 피쳐맵 정보를 생성하는 방법 및 장치에 관한 것으로서, 더욱 상세하게는 학습된 인공신경망을 이용하여 객체 경계정보를 추출함에 있어서, 별도의 객체 경계정보 추출을 위한 인공신경망에서 사용될 수 있는 고레벨 시맨틱 정보를 추출할 수 있는, 객체 경계정보의 추출에 사용되는 피쳐맵 정보를 생성하는 방법 및 장치에 관한 것이다.
본 발명은 객체 경계정보의 정확도 개선방법 및 장치에 관한 것으로서, 더욱 상세하게는 학습된 인공신경망을 이용하여 객체 경계정보를 추출함에 있어서, 1차적으로 도출 혹은 설정된 객체 경계정보에 대하여 가림, 겹침, 모션블러 등의 노이즈성 객체를 제거함으로써 객체 경계정보의 정확도를 개선할 수 있는, 객체 경계정보의 정확도 개선방법 및 장치에 관한 것이다.
본 발명은 크라우드소싱을 통하여 수집된 작업물을 처리하는 작업자의 신뢰도정보를 반영하여 작업결과를 도출하는 방법, 시스템, 및 컴퓨터-판독가능 매체에 관한 것으로서, 더욱 상세하게는 크라우드소싱을 통해 작업물을 작업자가가 처리함에 있어서, 작업자별 신뢰도정보(작업 또는 검수능력)를 업데이트하고, 업데이트된 신뢰도정보에 따라서 해당 작업물에 대한 작업결과를 도출하여 작업물에 대한 작업결과를 효과적으로 추론할 수 있는, 크라우드소싱을 통하여 수집된 작업물을 처리하는 작업자의 신뢰도정보를 반영하여 작업결과를 도출하는 방법, 시스템, 및 컴퓨터-판독가능 매체에 관한 것이다.
가이드 포인트를 제공하는 UI를 이용한 학습데이터 생성 방법이 제공된다. 본 발명의 일 면에 따른 가이드 포인트를 제공하는 UI를 이용한 학습데이터 생성 방법은, 외부의 딥러닝 학습자 장치로부터 학습 대상 데이터를 수신하는 단계; 상기 학습 대상 데이터에서 학습 데이터를 생성할 수 있도록 사용자 장치에 사용자 인터페이스를 제공하는 단계; 및 상기 사용자 인터페이스에서 검출한 사용자 입력에 기반하여 상기 학습 데이터를 생성하는 단계;를 포함하고, 상기 사용자 인터페이스를 제공하는 단계는, 상기 학습 대상 데이터, 상기 가이드 포인트를 표시할 위치를 지정하는 포인터, 상기 포인터가 위치하는 상기 학습 대상 데이터의 영역을 확대한 부분 데이터 및 상기 가이드 포인트를 표시할 위치를 순서대로 안내하는 가이드 데이터를 표시하는 단계;를 포함할 수 있다.
본 발명에 따르면, 딥러닝 모델을 차등적으로 학습하는 방법에 있어서, Objection detection 모델 및 Loss 예측 모듈을 포함하는 딥러닝 모델이 존재하는 상태에서, 이미지에 포함된 객체의 위치를 찾고 상기 객체의 종류를 분류하기 위해 bounding box 레이블링 작업을 수행하는 상기 딥러닝 모델을 컴퓨팅 장치가 이용한다고 할 때, 상기 컴퓨팅 장치가, 적어도 하나의 객체를 포함하는 이미지 데이터를 획득하고, 상기 이미지 데이터를 상기 딥러닝 모델에서 연산을 수행하여, i-1) 상기 적어도 하나의 객체에 대응하는 bounding box의 좌표, i-2) 상기 적어도 하나의 객체의 종류를 나타내는 classification 값 및 i-3) 상기 적어도 하나의 객체에 대응하는 bounding box의 좌표 및 classification 값에 대한 오차 정도를 예측하여 나타내는 loss 값을 산출하는 단계; 상기 컴퓨팅 장치가, 상기 loss 값을 기초로 상기 이미지 데이터를 제1 loss 그룹 또는 제2 loss 그룹으로 구분하고, ii-1) 상기 이미지 데이터가 상기 제1 loss 그룹에 해당하고 상기 classification 값이 소정 수치보다 크거나 같다면, 상기 이미지 데이터 및 상기 bounding box의 좌표를 상기 작업자 단말에 전송하여 이를 기초로 상기 작업자 단말에서...(이하생략)
본 발명에 따르면, 레이블링 작업을 검수하는 방법에 있어서, 음성데이터에 대응하는 전사 레이블링 작업을 검수하는 딥러닝 모델이 존재하고, 상기 딥러닝 모델을 컴퓨팅 장치가 이용한다고 할 때, 상기 컴퓨팅 장치가, 학습용 음성데이터를 기초로 상기 딥러닝 모델에 대해 제1 트레이닝을 수행하는 단계; 상기 컴퓨팅 장치가, 작업용 음성데이터 및 이에 대한 전사 레이블링 값을 획득하는 단계; 상기 컴퓨팅 장치가, 상기 작업용 음성데이터 및 상기 전사 레이블링 값을 상기 딥러닝 모델에 통과시키면서 연산을 수행하여 검수용 점수를 산출하는 단계; 및 상기 컴퓨팅 장치가, 상기 검수용 점수를 기초로 상기 작업용 음성데이터에 대한 상기 전사 레이블링 값이 정확한지를 판단하고, pass 처리, fail 처리, 재검수 처리 중 어느 하나를 수행하는 단계를 포함하는 방법을 제시한다.
본 발명에 따르면, 레이블링 작업을 검수하는 방법에 있어서, 텍스트에 포함된 entity에 대한 레이블링 작업을 검수하는 딥러닝 모델이 존재하고, 상기 딥러닝 모델을 컴퓨팅 장치가 이용한다고 할 때, 상기 컴퓨팅 장치가, 학습용 텍스트를 기초로 상기 딥러닝 모델에 대해 제1 트레이닝을 수행하는 단계; 상기 컴퓨팅 장치가, 작업용 텍스트 및 이에 대한 entity 레이블링 값을 획득하는 단계; 상기 컴퓨팅 장치가, 상기 작업용 텍스트 및 상기 entity 레이블링 값을 상기 딥러닝 모델에 통과시키면서 연산을 수행하여 검수용 점수를 산출하는 단계; 및 상기 컴퓨팅 장치가, 상기 검수용 점수를 기초로 상기 작업용 텍스트에 대한 상기 entity 레이블링 값이 정확한지를 판단하고, pass 처리, fail 처리, 재검수 처리 중 어느 하나를 수행하는 단계를 포함하는 방법을 제시한다.
본 발명에 따르면, 레이블링 작업을 검수하는 방법에 있어서, 이미지에 포함된 객체에 대응하는 bounding box에 대한 레이블링 작업을 검수하는 딥러닝 모델이 존재하고, 상기 딥러닝 모델을 컴퓨팅 장치가 이용한다고 할 때, 상기 컴퓨팅 장치가, 학습용 이미지를 기초로 상기 딥러닝 모델에 대해 제1 트레이닝을 수행하는 단계; 상기 컴퓨팅 장치가, 작업용 이미지 및 이에 대한 bounding box 레이블링 값을 획득하는 단계; 상기 컴퓨팅 장치가, 상기 작업용 이미지 및 상기 bounding box 레이블링 값을 상기 딥러닝 모델에 통과시키면서 연산을 수행하여 검수용 점수를 산출하는 단계; 및 상기 컴퓨팅 장치가, 상기 검수용 점수를 기초로 상기 작업용 이미지에 대한 상기 bounding box 레이블링 값이 정확한지를 판단하고, pass 처리, fail 처리, 재검수 처리 중 어느 하나를 수행하는 단계를 포함하는 방법을 제시한다.
본 발명에 따르면, 레이블링 작업을 분배하는 방법에 있어서, 이미지에 포함된 객체의 위치를 찾고 상기 객체의 종류를 분류하기 위해, bounding box 레이블링 작업을 수행하는 딥러닝 모델을 컴퓨팅 장치가 이용한다고 할 때, 상기 컴퓨팅 장치가, 적어도 하나의 객체가 포함된 소정 이미지를 획득하는 단계; 상기 컴퓨팅 장치가, 상기 소정 이미지를 상기 딥러닝 모델에 통과시키면서 연산을 수행하여 i) 상기 적어도 하나의 객체에 대한 bounding box의 좌표, ii) 상기 적어도 하나의 객체의 종류를 나타내는 classification 값 및 iii) 산출된 bounding box의 오차 정도를 나타내는 loss 값을 산출하는 단계; 및 상기 컴퓨팅 장치가, 상기 loss 값 및 상기 classification 값에 기초하여 레이블링 작업의 난이도 레벨을 결정하고, 상기 결정된 난이도 레벨에 따라 작업자에게 분배하는 단계를 포함하는 방법을 제시한다.
본 발명에 따르면, 필터링된 이미지 데이터를 수집하는 방법에 있어서, 컴퓨팅 장치가, 제1 이미지 데이터를 획득하고 이를 이미지 데이터풀에 기록하는 단계; 상기 컴퓨팅 장치가, 제2 이미지 데이터를 획득하는 단계; 상기 컴퓨팅 장치가, 상기 제1 이미지 데이터 및 상기 제2 이미지 데이터를 입력 값으로 하여, 딥러닝 모델에서 연산을 수행하고, 상기 제1 이미지 데이터에 대응하는 제1 feature vector 및 상기 제2 이미지 데이터에 대응하는 제2 feature vector를 산출하는 단계; 및 상기 컴퓨팅 장치가, 상기 제1 feature vector 및 상기 제2 feature vector의 유사 정도를 비교하고, 상기 유사 정도가 소정 수치보다 아래인 경우 상기 제2 이미지 데이터를 상기 이미지 데이터풀에 기록하는 단계를 포함하는 방법을 제시한다.
본 발명에 따르면, 필터링된 텍스트 데이터를 수집하는 방법에 있어서, 컴퓨팅 장치가, 제1 텍스트 데이터를 획득하고 이를 텍스트 데이터풀에 기록하는 단계; 상기 컴퓨팅 장치가, 제2 텍스트 데이터를 획득하는 단계; 상기 컴퓨팅 장치가, 상기 제1 텍스트 데이터 및 상기 제2 텍스트 데이터를 입력 값으로 하여, 딥러닝 모델에서 연산을 수행하고, 상기 제1 텍스트 데이터에 대응하는 제1 feature vector 및 상기 제2 텍스트 데이터에 대응하는 제2 feature vector를 산출하는 단계; 및 상기 컴퓨팅 장치가, 상기 제1 feature vector 및 상기 제2 feature vector의 유사 정도를 비교하고, 상기 유사 정도가 소정 수치보다 아래인 경우 상기 제2 텍스트 데이터를 상기 텍스트 데이터풀에 기록하는 단계를 포함하는 방법을 제시한다.
본 실시예는 사진 속 물체에 박스 그리기에 대응하는 데이터 라벨링 관련 작업 수행을 위해 사용자와의 인터렉션을 위한 사용자 인터페이스를 제공하고, 이를 토대로, 양질의 학습 데이터를 확보할 수 있도록 하는 데이터 라벨링을 위한 박스 그리기 작업수행 방법 및 장치에 관한 것이다.
본 실시예는 선 그리기 및 물체 경계선 따기를 포함한 데이터 라벨링 관련 작업 수행을 위해 사용자와의 인터렉션을 위한 사용자 인터페이스를 제공하고, 이를 토대로, 양질의 학습 데이터를 확보할 수 있도록 하는 데이터 라벨링을 위한 방법 및 장치에 관한 것이다.
KIPO KIPRIS · checked 2026-10-15 · newest filings first · right: registration date (filing date if not yet registered) · 47 of 47 · 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 | 10.4 | 11.6 |
| Operating expenses | 13.7 | 15.4 |
| Operating income (loss) | (3.4) | (3.8) |
| Non-operating income | 0.4 | 0.5 |
| Other gains | 0.1 | 0.2 |
| Finance income | 0.2 | 0.3 |
| Non-operating expenses | 5.3 | 6.6 |
| Other losses | 0.0 | 0.1 |
| Finance costs | 5.3 | 6.5 |
| Net income (loss) | (8.3) | (9.9) |
Revenue ₩11.6bn, up 12.0% YoY.
Operating margin -32.8% (prior -32.5%).
Net income ₩-9.9bn.
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