Loading the company…
Loading the company…
㈜인터엑스
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 Ulsan, founded in 2020. Industry: Software & IT Services. Group consolidated revenue for 2025 was ₩8.6bn — this includes subsidiaries and is not the revenue of this entity alone. It has 166 employees enrolled in the National Pension Service (as of Aug 2026). It is externally audited; the latest audit opinion is “Unqualified”. 1 funding round is confirmed by press reports.
Loading…
Latest filing 2025-12-11 · latest registration 2026-10-08 · newest first
본 개시의 일 실시예에 따른 CAD 도면 기반의 지식 그래프 생성 방법은, CAD 도면을 파싱하여 구조적 도면 데이터를 획득하는 단계, 구조적 도면 데이터에 기초하여 CAD 도면에 표현된 설계 정보를 피처 단위로 재구성하여 피처 데이터 리스트를 생성하는 단계, 피처 데이터 리스트에 포함된 피처 데이터 각각을 국내 표준 규격 또는 국제 표준 규격 중 적어도 하나에 매핑하여 표준화된 피처 데이터 리스트를 생성하는 단계 및 표준화된 피처 데이터 리스트에 기초하여 CAD 도면에 대응하는 지식 그래프를 생성하는 단계를 포함할 수 있다.
본 개시는 적어도 하나의 프로세서에 의해 수행되는 도면 관리 방법은, 하나 이상의 제1 도면을 수신하는 단계, 제1 도면에 포함된 오브젝트의 제1 특징 정보를 추출하고, 추출된 제1 특징 정보에 기초하여 제1 임베딩 벡터를 생성하는 단계, 추출된 제1 특징 정보에 기초하여 텍스트 기반의 제1 메타 정보를 생성하는 단계, 및 수신된 제1 도면, 추출된 제1 특징 정보, 생성된 제1 임베딩 벡터 또는 제1 메타 정보 중 적어도 하나를 도면 데이터베이스에 저장하는 단계를 포함할 수 있다.
딥러닝 및 컴퓨터 비전 알고리즘 기반 인쇄 회로 기판(PCB)의 품질 검사방법은 컴퓨팅 장치에 의해 수행되는 방법에 있어서, 인쇄 회로 기판(Printed Circuit Board, PCB)의 적어도 일부분을 촬영함에 따라 생성된 이미지를 획득하는 단계 및 상기 획득된 이미지를 인공신경망 모델을 이용해 분석함에 따라 상기 인쇄 회로 기판의 품질을 검사하는 단계를 포함한다.
본 발명의 일 실시예에 따른 Advanced RAG 기반 생성형 AI를 활용한 챗봇 서비스 제공 시스템(100)은 제조 특화형 언어 데이터베이스를 구축하는 언어 데이터베이스 구축부(110), 사용자 단말과 연결되며, 상기 사용자 단말로부터 자연어 질문을 획득하고, 획득된 상기 자연어 질문에 대한 질문 목적을 파악하는 질문 파악부(120), 제조 특화형 언어 모델을 구축하는 언어모델 구축부(130), 상기 제조 특화형 언어 모델을 통해 상기 제조 특화형 언어 데이터베이스 내에서 기 파악된 질문 목적에 상응하는 정보를 검색하는 관련문서 검색부(140) 및 검색된 정보를 토대로 답변을 생성하여 상기 사용자 단말에 제공하는 개선형 답변증강생성(Advanced RAG) 진행부(150)를 포함할 수 있다.
본 발명의 일 실시예에 따르면, 작업자의 자연어 질문에 대해 개선형 검색증강생성(Advanced RAG) 활용을 통해 외부 정보 소스를 사용하여 가장 정확한 최신 정보를 바탕으로 제조업에 특화된 최적의 답변을 생성 및 제공할 수 있는 이점을 가진다. 특히 본 발명의 일 실시예에 따르면, 현장 엔지니어들이 마치 챗봇과 대화하듯 자연어로 제조 공정, 제원 등에 대한 세부사항을 질문하고, 제안된 사항에 대한 정보 습득 및 논의가 가능하며, 이를 통해 현장 엔지니어 간 숙련도 차이로 인한 운영 차질을 해결할 수 있음은 물론, 엔지니어들의 숙련도를 상향 평준화할 수 있는 이점을 가진다.
본 발명은 작업자의 자연어 질문에 대해 개선형 검색증강생성(Advanced RAG) 활용을 통해 외부 정보 소스를 사용하여 가장 정확한 최신 정보를 바탕으로 제조업에 특화된 최적의 답변을 생성 및 제공할 수 있도록 하는 Advanced RAG 기반 생성형 AI를 활용한 챗봇 서비스 제공 시스템 및 제공 방법을 제공하고자 한다.
본 발명은 다층 PCB 제조 공정에서 물리 모델과 인공지능을 결합한 하이브리드 방식의 두께 예측 시스템 및 방법에 관한 것이다. 제조 현장에서 실시간으로 수집 가능한 파라미터만을 입력으로 사용하고, 인공지능을 통해 미지의 공정 변수들을 예측하며, 수학적 물리 모델을 기반으로 최종 두께를 계산함으로써 예측 정확도와 신뢰성을 동시에 확보할 수 있다. 또한 다중 모델 기반의 불확실성 정량화를 통해 품질 관리 및 공정 최적화에 활용 가능하며, 전자회로, 반도체, 디스플레이 등 다양한 정밀 제조 산업에 적용할 수 있다.
본 개시는 제조 공정 데이터 처리 방법 및 시스템을 제공한다. 제조 공정 데이터 처리 방법은 적어도 하나의 프로세서에 의해 수행되고, 제조 공정 내의 복수의 어셋(asset) 중 제1 어셋과 연관된 적어도 하나의 센서에 의해 생성된 센서 데이터를 포함하는 미가공 데이터를 획득하는 단계, 미가공 데이터를 미리 정해진 형태로 구조화하는 단계, 구조화된 데이터를 사전 학습된 복수의 인공신경망 모델에 입력하여 결과 데이터를 획득하는 단계 및 결과 데이터를 송신하는 단계를 포함하고, 사전 학습된 복수의 인공신경망 모델은 제1 어셋과 연동되는 디바이스에 탑재되고, 결과 데이터를 송신하는 단계는 디바이스에 포함된 데이터 통신 모듈을 통해 수행되는 것이다.
불규칙적으로 서로 인접하게 배치된 솔더볼의 형상을 검출하기 위한 솔더볼 비전 검사 장치 및 방법이 개시된다. 일 실시예에 따른 솔더볼 비전 검사 장치는 하나 이상의 솔더볼에 대한 이미지를 촬영하는 영상 촬영부; 및 이미지를 기초로 촬영된 하나 이상의 솔더볼에 대한 외곽선을 기초로 추출한 중심좌표를 이용하여 솔더볼의 불량을 판정하는 판정부를 포함할 수 있다.
영상 처리된 기판 이미지와 설계 이미지를 비교하여 PCB 기판의 비전 검사를 수행하는 장치 및 방법이 개시된다. 일 실시예에 따른 PCB 기판 비전 검사 장치는 카메라를 통해 PCB 기판의 이미지를 촬영하여 영상 데이터를 생성하는 촬영부; 및 영상 데이터 및 설계 데이터를 기초로 PCB 기판의 불량 여부를 결정하는 판단부를 포함할 수 있다.
본 발명은 인공지능 기반 산업용 광학 문자 인식 모델의 성능 향상을 위한 강한 데이터 증강 방법에 관한 것으로, 보다 상세하게는 제품 표면 이미지에 제품의 표면에서 발생 가능한 실제 노이즈와 유사한 인공 노이즈를 적용하여 인공지능 기반 산업용 광학 문자 인식(Optical Character Recognition, 이하 'OCR') 모델의 학습 데이터셋을 증강시킬 수 있는 인공지능 기반 산업용 광학 문자 인식 모델의 성능 향상을 위한 강한 데이터 증강 방법에 관한 것이다.
본 발명은 제품 표면 이미지에 제품의 표면에서 발생 가능한 실제 노이즈와 유사한 인공 노이즈를 적용하여 인공지능 기반 산업용 OCR 모델의 학습 데이터셋을 증강시킬 수 있는 인공지능 기반 산업용 광학 문자 인식 모델의 성능 향상을 위한 강한 데이터 증강 방법을 제공하고자 한다.
본 발명은 블러링(Blurring), 무작위 밝기(Random Brightness) 기반의 제1 데이터 증강 알고리즘과 무작위 비(Random Rain), 특정 영역 밝게 하기(Lightening Specific Regions), 특정 영역 어둡게 하기(Darkening Specific Areas) 기반의 제2 데이터 증강 알고리즘을 적용하여 인공지능 기반 산업용 OCR 모델의 학습 데이터셋을 증강시킬 수 있는 인공지능 기반 산업용 광학 문자 인식 모델의 성능 향상을 위한 강한 데이터 증강 방법에 관한 것이다.
본 발명은 제품 제조 공정을 통해 생산된 제품의 표면에서 발생 가능한 실제 노이즈와 유사한 인공 노이즈를 제품 표면 이미지에 적용하는 것에 기반한 데이터 증강 알고리즘을 통해 학습 데이터셋을 증강시킴으로써, 인공지능 기반 산업용 OCR 모델의 견고성(Robustness)을 증가시킬 수 있다. 또한, 본 발명은 학습 데이터셋의 증강을 통해 인공지능 기반 산업용 OCR 모델의 성능이 향상되도록 하며, 이를 통해 인공지능 기반 산업용 OCR 모델이 구성된 설비가 제품 고유정보를 인식하기 어려운 산업 환경에서 제품 고유정보를 인식할 수 있도록 한다.
본 발명은 자율제조를 위한 AI 기반 제조 공정 내 설비 제어 방법에 대한 것으로서, 제조 공정에서 발생하는 수치 데이터 및 환경 데이터를 수집하는 단계, 품질 최적화 AI를 통해 제품 품질을 예측하고 공정 불량률을 산출하는 단계, 산출된 공정 불량률이 기 설정된 임계값을 초과할 경우, 생산 최적화 AI를 통해 최적화를 위한 레시피 데이터를 생성하는 단계, 생성된 레시피 데이터를 설비 제어 특화 언어모델에 입력하여 PLC 컨트롤러 또는 PC-based 컨트롤러에 입력 가능한 제어 명령으로 변환하는 단계 및 제어 명령을 설비 컨트롤러에 입력하여 설비를 제어하는 단계를 포함한다.
본 발명은 제조 공정 데이터의 시간적 특성을 활용한 AI 기반 제품 품질 예측 방법 및 시스템에 대한 것으로서, 제조 공정 단계에서 생성된 시간 흐름을 가지는 제조 공정 데이터를 수집하는 단계, 수집된 제조 공정 데이터의 시간적 연속성을 확보하고 이상치를 제거하며 데이터 길이를 정규화하는 데이터 전처리를 수행하는 단계, 제조 공정 데이터의 시계열적 특성을 분해 및 축소하여 주요 변수를 추출하는 단계, 추출된 주요 변수를 기반으로 시계열 딥러닝 모델 및 결정 트리 기반 모델을 학습시키는 단계 및 기 학습된 모델 성능을 평가하고, 평가 결과 가장 높은 성능을 보이는 모델을 품질 예측을 위한 모델로 결정하여 적용하는 단계를 포함한다.
본 발명은 제조 공정 데이터의 시계열 변환 및 특성 추출을 이용한 AI 기반 제품 품질 예측 방법 및 시스템에 대한 것으로서, 제조 공정 단계에서 생성된 시간 흐름을 가지는 제조 공정 데이터를 수집하여 시간적 연속성을 확보하고, 이상치를 제거하며 데이터 길이를 정규화하는 데이터 전처리를 수행하는 단계, 제조 공정 데이터의 시계열적 특성을 STL 및 PCA을 통해 분해 및 축소하여 양품과 불량 간 차이를 명확히 구분할 수 있는 주요 변수를 추출하는 단계, 추출된 주요 변수를 기반으로 시계열 딥러닝 모델 및 결정 트리 기반 모델을 학습시키는 단계 및 기 학습된 모델 성능을 평가하고, 평가 결과 가장 높은 성능을 보이는 모델을 품질 예측을 위한 모델로 결정하여 적용하는 단계를 포함한다.
본 발명은 제품 생산 수치 데이터와 환경 데이터를 활용한 AI 기반 제품 품질 검사 방법에 대한 것으로서, 제조 공정 내 설비 데이터를 수집하는 단계, 제조 공정 내 환경 데이터를 수집하고 환경 변수로 변환하는 단계, 설비 데이터와 환경 데이터를 동일 시간대의 제품의 품질 데이터와 매칭하여 품질 예측 데이터셋을 구성하는 단계, 품질 예측 데이터셋을 토대로 딥러닝(Deep Learning) 모델과 결정 트리(Decision Tree) 기반 모델을 각각 학습시키는 단계, 딥러닝 모델 및 결정 트리 기반 모델의 예측값을 스태킹(Stacking) 기법을 통해 분석하여 예측 결과를 생성하는 단계 및 하나 이상의 목표 지표를 기준으로 기 학습된 모델 성능을 평가하고, 평가 결과 가장 높은 성능을 보이는 모델을 품질 예측을 위한 모델로 결정하여 적용하는 단계를 포함한다.
본 개시는 적어도 하나의 프로세서에 의해 수행되는 테이블 인식 모델을 파인 튜닝하는 방법을 포함한다. 본 방법은 테이블 생성과 연관된 복수의 파라미터 및 복수의 파라미터 각각의 허용 범위 값을 설정하는 단계, 설정된 복수의 파라미터 중 적어도 하나에 기초하여 제1 테이블 데이터 세트를 생성하는 단계, 미리 구축된 테이블 데이터베이스에 기초하여 제2 테이블 데이터 세트를 설정하는 단계, 및 제1 테이블 데이터 세트 및 제2 테이블 데이터 세트에 기초하여 사전 학습된 테이블 인식 모델을 파인 튜닝하는 단계를 포함할 수 있다.
본 개시는 적어도 하나의 프로세서에 의해 수행되는 문서 파싱 방법을 포함한다. 본 문서 파싱 방법은 원본 문서를 수신하는 단계, 수신된 원본 문서를 레이아웃 분석 모델에 입력하여, 원본 문서에 포함된 하나 이상의 구성 요소를 검출하는 단계, 검출된 구성 요소의 종류에 기초한 파싱 로직을 실행하는 단계, 및 파싱 로직의 실행 결과 및 검출된 구성 요소의 원본 문서 내 배치 정보에 기초하여, 원본 문서를 미리 설정된 데이터 포맷의 출력 데이터로 가공하는 단계를 포함할 수 있다.
본 발명은 AI 추론 모듈에 탑재되는 경량화된 산업현장 멀티모달 모델을 통해 산업현장 내 안전 위해 요소를 감지 및 안전 위해 요소의 위험도에 따라 산업현장의 상황을 정상, 위험, 사고의 3단계 중 적어도 하나의 단계로 추론할 수 있다. 또한, 본 발명은 AI 추론 모듈의 추론 결과가 사고 단계인 경우 중앙관리장치에서 응급신고를 진행하여 산업현장 내 사고를 해소하기 위한 즉각적인 대응이 가능하다. 그리고 본 발명은 온 디바이스 AI 액션카메라 시스템이 산업현장 내 작업자가 착용 가능한 형태로 구현됨으로써, 산업현장 내 작업자의 부주의 및 안전 시각으로 인해 발생하는 산업현장 내 사고에 대해 예방 및 대응이 가능한 장점이 있다.
본 발명은 산업현장의 영상과 음성을 기반으로 산업현장의 상황을 판단하여 산업현장 내 사고의 발생을 방지하여 인명피해를 예방하고, 산업현장 내 사고 발생시 사후 대응할 수 있다. 또한, 본 발명은 산업현장 내 작업자가 각각 장착한 온 디바이스 AI 액션카메라 시스템이 무선 통신 기반의 네트워크 모듈을 통해 추론 결과를 송수신하는 양방향 통신이 가능하여 산업현장의 상황을 정확히 판단할 수 있다.
본 발명은 산업현장 내 안전 위해 요소를 감지 및 안전 위해 요소의 위험도에 따라 산업현장의 상황을 추론하는 것으로 산업현장의 상황을 판단하여 산업현장 내 사고의 발생을 방지하여 인명피해를 예방하고, 산업현장 내 사고 발생시 사후 대응할 수 있는 온 디바이스 멀티모달 생성형 인공지능 기반 산업안전 시스템을 제공하고자 한다.
본 발명은 산업 데이터 표준 자산 모델(Industrial Asset Data Model) 기반의 서버를 각 설비에 설치함으로써 제품 생산을 위한 제조 공정에 따른 제품 생산 시 발생하는 정형 및 비정형 데이터의 수집 및 관리의 주체를 각 설비로 설정하는 탈중앙화 기반의 제조 인공지능 프레임워크인 제조 디지털 트랜스포메이션을 위한 데이터 수집 및 관리 방법을 제공하고자 한다.
본 발명은 산업 데이터 표준 자산 모델 기반의 서버가 각 설비, 제품 제조 공정 및 공장에 On-Device 형태로 구성되어 각 설비, 제품 제조 공정 및 공장이 데이터의 수집 및 관리의 주체가 되어 제품 제조를 위한 제조업의 중앙 서버에 문제가 발생하여도 제조업의 시스템이 셧다운 되지 않는 탈중앙화 기반의 제조 인공지능 프레임워크인 제조 디지털 트랜스포메이션을 위한 데이터 수집 및 관리 방법을 제공하고자 한다.
본 개시는 데이터 교환 시스템 및 방법을 제공한다. 데이터 교환 시스템은 각각 인공신경망 모듈 및 통신 모듈을 포함하는 복수의 객체 - 복수의 객체는 적어도 제1 객체 및 제2 객체를 포함함 -; 및 복수의 객체 사이의 데이터스페이스 상에서의 데이터 교환을 위한 관계를 정의하는 관리 서버를 포함하고, 제1 객체 및 제2 객체는 인공신경망 모듈을 통해 각각 제1 데이터 및 제2 데이터를 생성하고, 관리 서버는 제1 객체 및 제2 객체 사이의 관계를 정의하고, 정의된 관계에 따라 제1 객체 및 제2 객체 각자의 통신 모듈을 통해 데이터를 교환한다.
본 개시는 데이터 스페이스 관리 시스템을 제공한다. 이 시스템은, 제1 상위 어셋(asset), 제1 상위 어셋과 상이한 제2 상위 어셋, 제1 상위 어셋의 하위 계층인 복수의 하위 어셋, 제1 상위 어셋 및 복수의 하위 어셋과 연결되고, 제1 상위 어셋의 데이터 및 복수의 하위 어셋의 데이터를 관리하는 제1 관리 서버 및 제1 상위 어셋 및 제2 상위 어셋과 연결되고, 제1 상위 어셋의 데이터 및 제2 상위 어셋의 데이터를 관리하는 제2 관리 서버를 포함하고, 제1 상위 어셋 및 복수의 하위 어셋 사이의 데이터 공유를 위해, 제1 상위 어셋 및 복수의 하위 어셋이 제1 관리 서버에 등록된다.
데이터 관리 시스템에 있어서, 제1 에셋과 연관된 제1 데이터를 획득하는 제1 장치, 제2 에셋과 연관된 제2 데이터를 획득하는 제2 장치, 및 제1 장치 및 제2 장치와 연결되고, 제1 에셋과 제2 에셋 간 데이터 전송과 연관된 제1 계약을 관리하는 관리 장치를 포함하고, 제1 장치는, 제1 계약에 기초하여, 통신 인터페이스를 통해 제2 장치로 제1 데이터의 적어도 일부를 전송하도록 구성된, 데이터 관리 시스템이 개시된다.
본 발명은 데이터 수집 및 관리의 주체를 각 설비로 설정하는 탈중앙화 프레임워크를 제공함으로써, 보안에 민감한 제조업에서 자유로운 데이터의 교환을 가능하게 하는 기반이 될 수 있다. 또한, 본 발명은 데이터 수집 및 관리, 수집된 데이터를 제조 인공지능 서비스, 디지털 트윈 서비스, LCA 서비스 등에 활용하는 것을 고려한 엔드 투 엔드(End to end) 프레임워크를 제공함으로써, 제조 디지털 트랜스포메이션을 구현할 수 있다. 그리고 본 발명은 산업 데이터 표준 자산 모델 기반의 서버가 각 설비, 제품 제조 공정 및 공장에 On-Device 형태로 구성되어 각 설비, 제품 제조 공정 및 공장이 데이터의 수집 및 관리의 주체가 됨으로써, 제품 제조를 위한 제조업의 중앙 서버에 문제가 발생하여도 제조업의 시스템이 셧다운 되지 않는 탈중앙화 기반의 제조 인공지능 프레임워크를 제공할 수 있다.
본 발명의 목적은 산업 데이터 표준 자산 모델(Industrial Asset Data Model) 기반의 서버를 각 설비에 설치함으로써 제품 생산을 위한 제조 공정에 따른 제품 생산 시 발생하는 정형 및 비정형 데이터의 수집 및 관리의 주체를 각 설비로 설정하는 탈중앙화 기반의 제조 인공지능 프레임워크인 제조 디지털 트랜스포메이션을 위한 데이터 수집 및 관리 방법을 제공함에 있다. 또한, 본 발명의 목적은 산업 데이터 표준 자산 모델 기반의 서버가 각 설비, 제품 제조 공정 및 공장에 On-Device 형태로 구성되어 각 설비, 제품 제조 공정 및 공장이 데이터의 수집 및 관리의 주체가 되어 제품 제조를 위한 제조업의 중앙 서버에 문제가 발생하여도 제조업의 시스템이 셧다운 되지 않는 탈중앙화 기반의 제조 인공지능 프레임워크인 제조 디지털 트랜스포메이션을 위한 데이터 수집 및 관리 방법을 제공함에 있다.
본 발명은 가장 최근에 추가된 데이터 혹은 유사 환경의 라벨링 기준을 가진 데이터들에 대한 태그를 추가하여 데이터 셋을 추가 구축하고, 이를 토대로 학습 데이터에 가중치를 부여하여 차등적인 인공지능 학습이 진행되도록 함으로써, 데이터 특성 또는 라벨링 기준이 변경되거나 추후 동일 조건이 재도래한 경우 해당되는 데이터를 즉시 활용할 수 있으며, 데이터의 분포, 라벨링 기준 변화에 빠르게 대응할 수 있도록 하는 데이터 라벨링 기준 변화에 대응 가능한 인공지능 학습 장치 및 방법에 관한 것이다.
본 발명에 따르면, 가장 최근에 추가된 데이터 혹은 유사 환경의 라벨링 기준을 가진 데이터들에 대한 태그를 추가하여 데이터 셋을 추가 구축하고, 이를 토대로 학습 데이터에 가중치를 부여하여 차등적인 인공지능 학습이 진행되도록 할 수 있는 이점을 가진다. 또한 본 발명에 따르면, 추가되는 태그를 통해 전체 데이터셋 내 군집화가 가능하며, 각 군집 별 품질기준, 수집 환경, 데이터 분포를 비교하여 분석하고 이를 활용하여 추후 동일 조건이 재도래하였을 때 해당하는 데이터를 즉시 활용할 수 있는 이점을 가진다.
본 발명은 추가되는 태그를 통해 전체 데이터셋 내 군집화가 가능하며, 각 군집 별 품질기준, 수집 환경, 데이터 분포를 비교하여 분석하고 이를 활용하여 추후 동일 조건이 재도래하였을 때 해당하는 데이터를 즉시 활용할 수 있으며, 데이터의 분포, 라벨링 기준 변화에 빠르게 대응할 수 있도록 하는 데이터 라벨링 기준 변화에 대응 가능한 인공지능 학습 장치 및 방법을 제공하고자 한다.
본 발명의 일 실시예에 따른 유저 시나리오 기반의 프롬프트를 적용한 제조 특화 언어 모델의 답변 제공 방법은, a) 사용자가 단말을 이용하여 사용자 정보 및 사용자 쿼리를 입력하는 단계; b) 프롬프트 라우팅 및 관리 시스템에서 상기 단말에 입력된 사용자 정보와 사용자 쿼리를 분석한 후, 상기 분석된 사용자 정보 및 사용자 쿼리에 따라 소형 언어 모델 기반의 제조 특화 언어 모델에 적용될 프롬프트를 선택하는 단계; 및 c) 상기 제조 특화 언어 모델이 상기 프롬프트가 적용되면, 상기 사용자 쿼리에 대한 답변을 생성한 후 상기 사용자에게 제공하는 단계;를 포함할 수 있다.
본 발명의 일 실시예에 따른 제조 특화 언어 모델의 쿼리 조정에 기반한 답변 제공 방법은, a) 사용자가 입/출력장치를 통해 자연어 기반의 텍스트로 구성된 사용자 쿼리를 입력하고, 상기 사용자 쿼리를 쿼리 조정기로 전송하는 단계; b) 상기 쿼리 조정기에서 상기 사용자 쿼리의 의도와 유형을 분석하여 상기 사용자 쿼리에 대한 답변을 생성하기 위한 경로 및 툴을 설정하는 단계; c) 소형 언어 모델이 상기 쿼리 조정기에서 사용자 쿼리를 제1 사용자 쿼리라고 분석하는 경우, 상기 제1 사용자 쿼리에 대한 답변을 제공하는 단계; d) 상기 쿼리 조정기에 탑재된 제조 특화 언어 모델이 상기 쿼리 조정기에서 사용자 쿼리를 제2 사용자 쿼리라고 분석하는 경우, 상기 제2 사용자 쿼리에 대한 답변을 생성한 후 RAG(Retrieval Augmented Generation)을 기반으로 데이터베이스로부터 제조업의 최신 정보를 검색하여 상기 제2 사용자 쿼리에 대한 답변을 수정 또는 보정한 후 제공하는 단계; 및 e) 상기 쿼리 조정기에서 사용자 쿼리를 제3 사용자 쿼리라고 분석하는 경우, 상기 쿼리 조정기가 상기 제조업의 최신 정보를 도출하는 것이 가능한 추가 처리장치에 구비된 복수의 툴 중 적어도 하나의 툴을 결정하고, 상기 툴에서 상기 제조업의 최신 정보가 포함된 제3 사용자 쿼리에 대한 답변을 제공하는 단계;를...(이하생략)
본 발명의 일 실시예에 따른 인공지능 기반의 제품 이미지 압축 및 복원 시스템은, 제조 공정에서 생산된 제품의 외관을 촬영하여 상기 제품의 비전검사 이미지를 수집하는 비전검사 시스템과, 상기 비전검사 이미지를 제품별로 분류하여 저장하는 데이터베이스가 포함된 이미지 수집부; 상기 데이터베이스에 저장된 비전검사 이미지를 압축하여 압축 이미지를 생성하고 상기 압축 이미지를 재구성하여 복원 이미지로 복원하는 이미지 압축/복원 모델을 학습시키기 위한 모델 학습부; 상기 이미지 압축/복원 모델의 성능을 평가하여 성능 평가 결과 정보를 생성하는 성능 평가부; 및 상기 성능 평가 결과 정보를 기반으로 상기 제품의 비전검사 이미지의 압축 및 복원을 담당하는 최종 이미지/압축 복원 모델을 선택하는 모델 선택부;를 포함하고, 상기 이미지 압축/복원 모델은, Autoencoder 계열로서 압축 신경망과 복원 신경망이 포함된 제1 이미지 압축/복원 모델과, Image Super Resolution 계열로서 SR(Super Resolution) 모델이 포함된 제2 이미지 압축/복원 모델일 수 있다.
본 발명의 일 실시예에 따른 지식 그래프 데이터베이스를 이용한 제조 공정 운영 시스템은, 복수의 데이터 소스를 통해 제조업 데이터와 웹 크롤러를 통해 제조업과 관련된 최신 데이터를 수집하며, 상기 제조업 데이터의 전처리를 수행하는 수집 및 전처리부; 상기 제조업 데이터 및 최신 데이터를 저장하는 중앙 데이터 저장소; 상기 제조업 데이터 및 최신 데이터를 기반으로 제조업의 엔티티, 상기 엔티티의 속성 및 각 엔티티 간의 관계를 정의하며, 상기 각 엔티티 간의 관계를 모델링하여, 제조업과 관련된 지식 그래프와 지식 그래프 데이터베이스를 생성하는 생성부; 상기 지식 그래프가 적재될 상기 지식 그래프 데이터베이스를 선택하기 위한 사용자 인터페이스와, 상기 지식 그래프 데이터베이스에 적재된 지식 그래프에 접근하기 위한 쿼리 언어를 입력할 수 있도록 웹 인터페이스를 제공하는 인터페이스부; 상기 쿼리 언어에 포함된 쿼리를 수행하여, 상기 지식 그래프에서 도출된 데이터의 각 엔티티 및 속성을 기반으로 분석 결과를 도출하는 분석부;를 포함하고, 상기 인터페이스부는, 상기 분석 결과를 시각화하기 위한 플랫폼이 구축될 수 있다.
본 발명의 일 실시예에 따른 제조 특화 언어 모델의 성능 및 효율성을 최적화하는 비용 효율적 파인 튜닝 및 경량화 방법은, a) 단말이 제조 사출성형 공정과 관련된 데이터로 구성되는 제조 사출성형 공정과 관련된 문서가 저장된 제조 언어 데이터베이스를 구축하는 단계; b) 상기 단말이 상기 제조 언어 데이터베이스를 기반으로 소형 언어 모델의 제조 특화 파인 튜닝을 진행하여, 상기 소형 언어 모델이 제조 사출성형 공정에 특화되도록 사전 학습시키는 단계; c) 상기 단말이 상기 소형 언어 모델의 파라미터인 가중치를 동결하는 것에 기반하여, 상기 제조 특화 파인 튜닝의 과정을 경량화시키는 단계; 및 d) 상기 단말이 상기 소형 언어 모델을 경량화하기 위한 어댑터의 파인 튜닝을 진행한 후, 상기 소형 언어 모델과 상기 어댑터를 병합하여 경량화된 제조 특화 언어 모델을 생성한 후 배포하는 단계;를 포함할 수 있다.
본 발명의 일 실시예에 따른 효율적인 배포 및 운영을 위한 제조 특화 언어 모델의 경량화 방법은, a) 단말이 제조 사출성형 공정에 특화되어 상기 제조 사출성형 공정과 관련된 질문에 대한 답변을 생성하는 것이 가능한 제조 특화 언어 모델을 구축하는 단계; 및 b) 상기 단말이 상기 제조 특화 언어 모델을 경량화하는 단계;를 포함하고, 상기 제조 특화 언어 모델은, 소형 언어 모델의 제조 파인 튜닝을 기반으로 구축될 수 있다.
본 발명의 일 실시예에 따른 사용자 맞춤형 제조 특화 언어 모델의 구축 방법은, a) 내부 시스템이 온프레미스 환경을 구축한 후, 소형 언어 모델을 온프레미스 서버에 배포하는 단계; b) 상기 내부 시스템이 상기 소형 언어 모델의 사전 학습에 이용될 제1 제조업 데이터를 저장하기 위한 복수의 데이터베이스를 구축하는 단계; c) 상기 내부 시스템이 복수의 데이터 소스로부터 추출된 제조업과 관련된 정보를 상기 제1 제조업 데이터로 변환한 후 로드하여 상기 복수의 데이터베이스에 저장하는 단계; d) 상기 내부 시스템으로부터 상기 소형 언어 모델을 전달받는 제조 특화 시스템이 제2 제조업 데이터를 저장하는 제2 데이터베이스부를 구축하고, 상기 제2 제조업 데이터를 전처리하는 단계; e) 상기 제조 특화 시스템이 전처리된 제2 제조업 데이터에서 제조업과 관련된 질문과 상기 질문에 대한 답변이 짝을 이루는 형태로 합성 데이터셋을 생성하고, 상기 합성 데이터셋을 이용하여 소형 언어 모델의 제조 특화 파인 튜닝을 진행하여 제조 특화 언어 모델을 구축한 후, 상기 제조 특화 언어 모델을 사용자가 소속된 외부 시스템에 배포하는 단계; 및 f) 상기 외부 시스템이 보유한 제3 제조업 데이터로 상기 제조 특화 언어 모델의 사용자 맞춤형 제조 특화 파인 튜닝을 진행하여 사용자 맞춤형 제조 특화 언어 모델을 구축하는 단계;...(이하생략)
본 발명의 일 실시예에 따른 제조 특화 복합 언어 모델을 이용한 사용자 쿼리 답변 제공 방법은, a) 제1 언어 모델 구축부가 제1 소형 언어 모델과 제2 소형 언어 모델을 포함하는 제조 특화 기반 모델을 구축하고, 제2 언어 모델 구축부가 기업 및 제조 영역별 특화 데이터를 이용한 상기 제조 특화 기반 모델의 파인 튜닝을 통해 복수의 기업 및 제조 영역별 특화 모델을 구축하고, 제3 언어 모델 구축부가 사용자 쿼리에 대한 답변을 제공하기 위한 제조 특화 복합 언어 모델을 구축하는 단계; b) 사용자가 제조업과 관련된 사용자 쿼리를 라우팅 매니저에 입력하는 단계; c) 상기 라우팅 매니저가 상기 제1 소형 언어 모델을 이용하여 상기 사용자 쿼리로부터 기업 및 제조 영역을 추론하고, 상기 복수의 기업 및 제조 영역별 특화 모델 중 추론한 기업 및 제조 영역에 특화된 기업 및 제조 영역별 특화 모델을 선택하는 단계; d) 상기 제조 특화 기반 모델과 상기 기업 및 제조 영역별 특화 모델이 상기 사용자 쿼리에 대한 답변을 생성한 후 텍스트 임베딩을 통해 상기 사용자 쿼리에 대한 답변을 구성하는 텍스트의 의미를 수치 벡터로 변환하는 단계; 및 e) 상기 제조 특화 복합 언어 모델이 상기 제조 특화 기반 모델의 수치 벡터와 상기 기업 및 제조 영역별 특화 모델의 수치 벡터를 병합하여, 상기 사용자 쿼리에 대...(이하생략)
본 개시는 멀티 에이전트 기반 제조 공정 자율 운영 시스템을 제공한다. 이 시스템은 제조 공정과 연관된 태스크에 대한 명령을 생성하여 복수의 하위 에이전트 중 어느 하나로 전송하는 조정 에이전트, 제1 기계 학습 모델을 이용하여, 태스크와 연관된 상황 정보를 생성하는 제1 하위 에이전트, 제2 기계 학습 모델을 이용하여, 상황 정보에 기초한 행동 계획 정보를 생성하는 제2 하위 에이전트, 행동 계획 정보에 기초하여 태스크를 수행함으로써 결과 정보를 생성하는 제3 하위 에이전트 및 결과 정보에 기초하여, 태스크의 결과를 평가한 평가 정보를 생성하는 제4 하위 에이전트를 포함한다.
본 발명의 일 실시예에 따른 제조 업무 특성에 따른 제조 특화 언어모델 학습 및 적용 방법은, a) 사용자가 입력부를 이용하여 한국어 텍스트 기반의 답변을 생성하게 될 대형 언어 모델이 선택하며, 대형 언어 모델을 학습시키기 위한 제조업과 관련된 사용자 질문을 입력하는 단계; b) 분석부가 사용자 질문의 텍스트를 분석하여 대형 언어 모델의 전이 학습 또는 지식 증류에 기반하여 구축될 제조 특화 언어모델의 학습 및 적용 방식을 제시하기 위한 분석 정보를 생성하는 단계; c) 학습 및 적용부가 분석부로부터 분석 정보를 수신하며, 분석 정보를 기반으로 제조 특화 언어모델을 학습 및 적용하는 방법을 선택한 후, 선택된 방법을 기반으로 제조 특화 언어모델을 학습시키고 적용하는 단계; d) 배포부가 제조 특화 언어모델을 복수의 유저에게 배포하는 단계; 및 e) 모니터링부가 복수의 유저에게 배포된 제조 특화 언어모델을 모니터링하는 단계;를 포함하고, c) 단계는, 학습 및 적용부가 RAG(Retrieval Augmented Generation) 방법론 기반의 제1 학습 및 적용 방법, Zero-Shot Prompting 방법론 기반의 제2 학습 및 적용 방법, Few-shot Prompting 방법론 기반의 제3 학습 및 적용 방법, 제조 특화 파인 튜닝(Fine-tuning) 기반의 제4 학습 및 적용 방법 ...(이하생략)
본 발명의 일 실시예에 따른 자동화된 제조 사출성형 데이터 확보를 위한 제조 언어 데이터베이스 구축 방법은, a) 단말로부터 웹 크롤러의 코드가 작성되고, 상기 웹 크롤러가 상기 코드에 의해 주기적으로 실행되어 특정 시간마다 인터넷상의 웹페이지를 방문하여 대형언어모델의 학습에 이용될 제조 사출성형 공정과 관련된 문서를 주기적으로 수집하는 단계; b) 상기 제조 사출성형 공정과 관련된 문서가 제조 언어 데이베이스에 저장되는 단계; c) 상기 단말이 상기 제조 언어 데이터베이스의 제조 사출성형 공정과 관련된 문서를 메모리에 적재하는 로딩 단계; d) 상기 단말이 상기 메모리에 적재된 제조 사출성형 공정과 관련된 문서로부터 제조 사출성형 공정과 관련된 데이터를 파싱하는 단계; e) 상기 단말이 파싱이 완료된 제조 사출성형 공정과 관련된 문서를 전처리하는 단계; f) 상기 단말이 전처리된 제조 사출성형 공정과 관련된 문서로부터 상기 제조 사출성형 공정과 관련된 데이터를 상기 대형언어모델이 학습할 수 있도록 변환시키는 단계; 및 g) 상기 a) 단계 내지 f) 단계가 반복됨으로써 상기 제조 언어 데이터베이스가 업데이트되는 단계;를 포함할 수 있다.
본 발명의 일 실시예에 따른 RAG 기반 제조 특화 소형 언어모델의 구축 및 정확도 향상 방법은, a) 사용자 쿼리가 제어부의 언어모델 통합 프레임워크에 입력되는 단계; b) 사전학습 자연어 이해모델이 상기 사용자 쿼리를 임베딩 벡터로 변환하는 단계; c) 검색부가 의미 기반 검색(Semantic Search)을 진행하여 벡터 데이터베이스로부터 상기 사용자 쿼리와 의미적으로 가장 유사한 임베딩 벡터의 제조업 문서를 컨텍스트 문서로 검색하는 단계; d) 증강부가 상기 컨텍스트 문서에 상기 사용자 쿼리와 프롬프트를 추가시켜 상기 컨텍스트 문서를 증강시키는 단계; e) 생성부가 증강된 컨텍스트 문서와 함께 쿼리 호출에 따른 사용자 쿼리를 전달받게 되면, 제조 특화 소형 언어모델이 상기 사용자 쿼리에 대한 답변을 생성하는 단계; 및 f) 상기 언어모델 통합 프레임워크가 상기 사용자 쿼리에 대한 답변을 사용자에게 제공하는 단계;를 포함할 수 있다.
본 발명은 인공지능 자가학습이 가능한 제품 검사 시스템에 관한 것으로, 보다 상세하게는 자가학습된 인공지능 모델을 이용하여 공정 관리자의 개입없이 자율공장에서 생산된 제품의 품질을 양품 또는 불량품으로 자동 판정할 수 있는 인공지능 자가학습이 가능한 제품 검사 시스템에 관한 것이다. 본 발명의 일 실시예에 의하면, 제품의 검사 기준을 이용하여 제품의 품질을 판정하는 기술과 인공지능을 기반으로 제품의 판정하는 기술을 결합하여 인공지능 모델의 학습 데이터 구축 기간 및 학습 기간 공백을 최소화함으로써, 제조 인공지능 서비스를 도입할 시 즉시 사용할 수 있다.
본 발명의 일 실시예에 의하면, 제조 인공지능 서비스에 기반하여 공정 관리자의 개입없이 제품의 품질을 판정할 수 있으므로, 자율공장의 구축이 가능함과 동시에 제조 공정의 인건비 절감이 가능하다. 본 발명의 일 실시예에 의하면, 제품의 검사 기준을 이용한 제품의 품질 검사 결과와 인공지능을 기반으로 한 제품의 품질 검사 결과를 종합하여 제품의 품질을 양품 또는 불량품으로 판정함으로써, 신뢰도가 높은 제품의 품질 판정이 가능하다.
본 발명의 일 실시예에 따른 멀티모달 및 확장현실을 활용한 제조 특화 AI 에이전트 기반 상호작용 시스템은, 자연어 기반의 제조공정과 관련된 질문에 대한 답변을 제공하기 위한 제조 공정 특화 소규모 언어 모델이 탑재된 제조 특화 AI 에이전트 기반 상호작용 시스템에 있어서, 상기 제조 특화 AI 에이전트 기반 상호작용 시스템은, 상기 제조공정과 관련된 질문의 목적에 상응하는 데이터를 제조공정 특화 언어 데이터베이스로부터 검색한 후 검색 증강 생성(Retrieval-Augmented Generation, RAG) 방식을 기반으로 검색 결과에 대한 시멘틱 검색을 진행하여 자연어 기반의 제조공정과 관련된 질문에 대한 답변을 생성하는 상기 제조 공정 특화 소규모 언어 모델을 추론 엔진으로 사용하고, 멀티모달 처리 시스템과 연계하여 실제 공장에서 사고 이벤트의 발생을 실시간으로 탐지 및 대응하는 것과, 확장현실 제공수단 및 실제 공장의 설비와 상호작용하는 디지털 트윈과의 상호작용에 기반하여 상기 자연어 기반의 제조공정과 관련된 질문에 대해 자연어 기반의 답변과 확장현실 기반의 답변을 각각 생성하는 제조 특화 서비스를 사용자에게 제공할 수 있다.
본 발명의 목적은 설비 설정값 또는 제조 공정의 환경변수가 변화하여 성능이 저하될 때마다 서로 다른 인공지능 모델의 상호 보완적 피드백을 통해 성능을 보장함으로써, 공장 관리자의 개입 없이 제품의 자율 생산이 가능한 자율공장을 구축할 수 있는 지속적인 공정운영이 가능한 인공지능 시스템을 제공함에 있다.
본 발명의 일 실시예에 의하면, 설비 설정값 또는 제조 공정의 환경변수가 변화하여 성능이 저하될 때마다 서로 다른 인공지능 모델의 상호 보완적 피드백을 통해 성능을 보장함으로써, 공장 관리자의 개입 없이 제품의 자율 생산이 가능한 자율공장을 구축할 수 있다.
KIPO KIPRIS · checked 2026-10-15 · newest filings first · right: registration date (filing date if not yet registered) · 50 of 99 · 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.
Compiled from press reports — not confirmed by the company.
| KRW bn | 2024 | 2025 |
|---|---|---|
| Revenue | 14.7 | 8.6 |
| Operating expenses | 21.9 | 16.9 |
| Operating income (loss) | (7.3) | (8.3) |
| Non-operating income | 0.6 | 0.3 |
| Other gains | 0.4 | 0.2 |
| Finance income | 0.3 | 0.2 |
| Non-operating expenses | 5.6 | 13.0 |
| Other losses | 0.0 | 0.0 |
| Finance costs | 5.6 | 12.9 |
| Profit (loss) before tax | (12.3) | (20.9) |
| Income tax expense | — | 0.6 |
| Net income (loss) | (12.3) | (20.3) |
Revenue ₩8.6bn, down 41.0% YoY.
Operating margin -95.8% (prior -49.7%).
Net income ₩-20.3bn.
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