Loading the company…
Loading the company…
㈜어니스트에이아이
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 Seoul, founded in 2015. Industry: Software & IT Services. Group consolidated revenue for 2025 was ₩1.1bn — this includes subsidiaries and is not the revenue of this entity alone. It has 55 employees enrolled in the National Pension Service (as of Aug 2026). It is externally audited; the latest audit opinion is “Unqualified”.
Loading…
Latest filing 2025-12-12 · latest registration 2026-07-10 · newest first
본 개시의 일 실시예에 따르면, 메모리 및 프로세서를 포함하는 금융 이상 거래 탐지 시스템에서 수행되는 금융 이상 거래 탐지 방법에 있어서, (a) 상기 프로세서가, 복수의 사용자로부터 거래 데이터 및 비거래 데이터를 포함하는 시계열 데이터를 수신하는 단계; (b) 상기 프로세서가, 상기 수신된 시계열 데이터를 기반으로, 데이터 변수들 간의 인과관계를 나타내는 사용자별 동적 인과 그래프를 생성하고 실시간으로 또는 기설정된 주기에 따라 배치(Batch) 형태로 업데이트하는 단계; (c) 상기 프로세서가, 새로운 금융 거래 요청이 발생했을 때, 상기 사용자의 동적 인과 그래프를 기반으로 상기 거래에 대한 인과적 기대치를 생성하는 단계; (d) 상기 프로세서가, 상기 실제 발생한 거래와 상기 생성된 인과적 기대치 간의 인과적 괴리를 측정하여 이상 점수를 산출하는 단계; (e) 상기 프로세서가, 상기 산출된 이상 점수가 기설정된 임계치를 초과하는 경우, 상기 거래를 이상 거래로 판단하고, 상기 인과적 괴리가 발생한 인과적 경로 및 변수를 명시하는 자연어 설명 리포트를 생성하는 단계; 및 (f) 상기 자연어 설명 리포트를 FDS 운영자 또는 사용자에게 제공하는 단계를 포함하는, 금융 이상 거래 탐지 방법이 제공된다.
본 개시의 일 실시예에 따르면, 프로세서를 포함하는 전자 장치에서 수행되는 개인화 여신 관리 방법에 있어서, (a) 사용자의 금융 목표 및 상기 사용자의 복수 시점에 걸친 시계열 금융 데이터를 수신하는 단계; (b) 상기 수신된 시계열 금융 데이터를 기반으로, 금융 변수들 간의 인과관계를 나타내는 동적 인과 그래프(Dynamic Causal Graph)를 생성하고, 상기 동적 인과 그래프를 주기적으로 또는 감지된 이벤트에 기반하여 업데이트하는 단계; (c) 상기 설정된 금융 목표와 상기 동적 인과 그래프를 기반으로, 복수의 행동들로 구성된 순차적인 개선 경로 시나리오들을 생성하는 단계; (d) 상기 생성된 각각의 개선 경로 시나리오에 대한 미래 시점의 금융 상태 궤적(Trajectory)을 예측하여, 상기 금융 목표의 달성 확률이 기설정된 기준을 충족하는 최적 개선 경로를 식별하는 단계; (e) 상기 식별된 최적 개선 경로와, 상기 경로의 각 행동이 목표 달성에 기여하는 인과적 근거를 상기 동적 인과 그래프로부터 추론하여 포함하는 자연어 설명 리포트를 생성하는 단계; 및 (f) 상기 자연어 설명 리포트를 사용자에게 제공하는 단계를 포함하는 것을 특징으로 하는 개인화 여신 관리 방법이 제공된다.
본 발명은, 수집된 신용 정보 데이터를 분석하고, 상기 신용 정보 데이터의 항목 중 대출 수요 타겟 및 리스크 타겟 중 적어도 어느 하나와 단조 관계(monotonic relationship)를 갖는 항목을 선택하는 항목 선택부; 상기 항목 선택부에서 선택된 항목을 기초로 상기 대출 수요 타겟과 리스크 타겟을 결합하여 새로운 멀티 타겟을 생성하는 멀티 타겟 생성부; 상기 대출 수요 타겟과 리스크 타겟을 동시에 고려하는 손실 함수를 정의하고 수식화하는 손실 함수 정의부; 상기 멀티 타겟과 손실 함수를 반영한 머신러닝 알고리즘을 통해 복수의 신용 평가 모형을 학습하는 모형 학습부; 및 상기 모형 학습부를 통해 학습된 신용 평가 모형의 성능을 평가하여 복수의 신용 평가 모형 중 어느 하나를 선택하는 모형 선택부를 포함하는, 대출 수요와 리스크를 동시에 고려한 신용 평가 모형 생성 장치를 제공한다.
일 실시예에 따른 대출 승인 전략을 최적화하는 방법은, 2종류 이상의 스코어 값들을 포함하는 해들로 구성되는 집합과 연관된 현재의 승인 전략 기준에서의 승인율 및 승인 불량률을 확인하는 단계; 상기 확인된 승인율 및 승인 불량률 중에서 하나를 유지하고 다른 하나를 조정하는 최적화를 수행하는 단계; 및 상기 최적화 후의 승인율 및 승인 불량률에 따라 새로운 승인 전략 기준을 산출하는 단계;를 포함하고, 상기 최적화를 수행하는 단계는, 메타 휴리스틱 기법을 이용하여 상기 집합과 연관된 컷오프 기준을 변경하는 과정의 반복을 포함할 수 있다.
LLM(Large Language Model)을 활용하여 신용 평가 모형을 학습하는 방법이 제공되며, 이 방법은 컴퓨터가, 표 형태의 신용 정보 데이터를 문장 형태의 신용 정보 데이터로 변환하는 제1 단계; 상기 컴퓨터가, 상기 제1 단계의 상기 신용 정보 데이터와 연관된 추가적인 문장 형태의 데이터들을 상기 신용 정보 데이터에 결합하는 제2 단계; 상기 컴퓨터가, 상기 제2 단계가 완료된 데이터를, LLM 모형에 포함시킬 수 있는 언어 형태로 정제하는 제3 단계; 및 상기 컴퓨터가, 상기 제3 단계가 완료된 데이터를, LLM 모형에 투입하여 신용 평가 모형을 미세조정(Fine Tuning)하는 제4 단계를 포함한다.
경기 상황을 자동으로 반영하는 신용 평가 모형 조정 방법이 제공되며, 이 방법은 컴퓨터가, TTC(Through-The-Cycle) 기반의 월별 신용 평가 스코어를 생성하는 모형을 준비하는 제1 단계; 상기 컴퓨터가, 상기 TTC 기반의 월별 신용 평가 스코어의 구조적 리스크(Structural Risk)량 및 상대적 리스크(Relative Risk)량을 산출하는 제2 단계; 상기 컴퓨터가, 상기 제2 단계에서 산출된 상기 구조적 리스크량 및 상기 상대적 리스크량과 거시경제지표와의 상관식을 생성하는 제3 단계; 및 상기 컴퓨터가, 상기 제3 단계에서 생성된 상기 상관식을 활용하여 산출된 신용 평가 스코어로, 상기 TTC 기반의 월별 신용 평가 스코어를 변환하는 제4 단계를 포함한다.
메모리, 통신 모듈 및 프로세서를 포함하는 장치에 의해 수행되는 신용 활동 추천 방법으로, 메모리는 불특정 고객들의 신용 평가 데이터에 기초하여 불특정 고객을 복수의 클러스터로 클러스터링한 정보를 저장하도록 구성된다. 신용 활동 추천 방법은, 프로세서에 의해, 통신 모듈을 통해 사용자의 신용 평가 데이터를 획득하는 단계; 사용자가 복수의 클러스터 중 어떤 클러스터에 포함되는지 판단하는 단계; 사용자의 목표 신용 점수를 획득하는 단계; 사용자가 속하는 클러스터, 사용자의 신용 평가 데이터 중 적어도 일부 및 목표 신용 점수에 기초하여 사용자가 제1 기간 동안 수행할 제1 신용 활동을 산출하는 단계; 및 제1 신용 활동을 상기 사용자에게 제공하는 단계를 포함한다.
대출 실행 데이터를 활용하여 신용 평가 모형을 연속 학습하는 방법이 제공되며, 이 방법은 대출 신청 데이터 기반의 신용 평가 모형을 준비하는 제1 단계; 표(table) 형태에 특화된 적대적 생성 모델(Generative Adversarial Network)을 이용하여, 상기 신용 평가 모형의 기반이 되는 대출 신청 데이터들과 유사한 분포를 갖는 가상의 대출 신청 데이터들을 생성하는 생성 모형을 구축하는 제2 단계 - 상기 분포는 대출금액 및 불량률에 관한 최소값, 최대값, 평균값, 최빈값, 표준편차, 상관관계를 포함함 -; 상기 제2 단계 이후에 통합 재학습 데이터용의 대출 실행 데이터들을 수집하는 제3 단계; 상기 제2 단계에서 구축된 상기 생성 모형을 통해 상기 통합 재학습 데이터용의 상기 가상의 대출 신청 데이터들을 생성하는 제4 단계; 상기 제3 단계에서 수집된 상기 대출 실행 데이터들과 상기 제4 단계에서 생성된 상기 가상의 대출 신청 데이터들을 합하여 상기 통합 재학습 데이터들을 생성하는 제5 단계; 및 상기 제5 단계에서 생성된 상기 통합 재학습 데이터들을, 상기 제1 단계에서 준비된 상기 신용 평가 모형에 대입하여 재학습 모형을 생성하는 제6 단계를 포함한다.
본 개시의 신용카드 포트폴리오 추천방법은 신용카드 포트폴리오 추천 장치를 사용해 사용자에게 신용카드 포트폴리오를 추천하는 방법으로, 상기 신용카드 포트폴리오 추천 장치에 의해, 상기 사용자가 보유한 복수의 신용카드와 상기 사용자가 결제한 결제 내역들을 수집하는 단계; 상기 신용카드 포트폴리오 추천 장치에 의해, 상기 복수의 신용카드의 혜택에 관한 정보를 수집하는 단계; 상기 신용카드 포트폴리오 추천 장치에 의해, 각각이 상기 복수의 신용카드가 상기 결제 내역들과 매치되는 순서를 포함한 리스트이고 서로가 다른 조합으로 매치된 복수의 연결리스트 포함한 연결리스트 집합을 생성하는 단계; 상기 신용카드 포트폴리오 추천 장치에 의해, 상기 복수의 연결리스트 각각의 순서에 따라 신용카드를 상기 결제 내역들에 적용하여 얻을 수 있는 신용카드 혜택 값을 산출하는 단계; 상기 연결리스트 집합에서 혜택 값이 최대인 연결리스트를 도출하는 단계; 및 상기 신용카드 포트폴리오 추천 장치에 의해, 상기 결제 내역들, 상기 연결리스트 집합에서 상기 혜택 값이 최대인 연결리스트의 상기 결제 내역들 각각과 매치된 신용카드, 및 상기 신용카드의 매치로 얻을 수 있는 혜택 값을 포함한 포트폴리오를 사용자에게 추천하는 단계를 포함한다.
연합 학습 장치는 불특정 다수의 신용 평가 데이터를 저장하도록 구성된 데이터베이스; 암호키를 생성하도록 구성된 암호화부; 암호화된 데이터를 비교하여 중복되는 인터섹션 데이터를 결정하도록 구성된 데이터 인터섹션부; 상기 암호키를 송신하고 상기 암호키를 사용하여 암호화된 데이터 및 신경망의 가중치를 수신받도록 구성된 통신 모듈; 및 제1 신경망 및 제2 신경망을 포함하는 공통 모형을 생성하고, 상기 인터섹션 데이터 및 상기 신용 평가 데이터를 이용하여 상기 제1 신경망을 학습시키고, 상기 통신 모듈이 수신한 가중치를 사용하여 상기 제2 신경망을 학습시켜, 상기 공통 모형을 학습시키도록 구성된 모형 생성부를 포함한다.
본 발명은 음성 데이터 기반 신용평가 장치, 방법 및 컴퓨터 프로그램에 관한 것으로, 대출 상담 통화를 통해 수집된 음성 데이터를 저장하는 데이터 베이스, 저장된 음성 데이터에 대한 언어분석 및 비언어분석을 수행하고, 상기 음성데이터에 포함된 대출상환 의지를 평가하는 음성 데이터 분석부, 및 상기 대출상환 의지가 반영된 신용평가 등급을 산출하는 신용평가 산출부를 포함한다. 본 발명에 따르면 대출상환 의지가 반영된 보다 변별력 있는 신용평가 방법을 제공할 수 있다.
KIPO KIPRIS · checked 2026-10-15 · newest filings first · right: registration date (filing date if not yet registered) · 11 of 11 · 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 | 1.7 | 1.1 |
| Operating expenses | 6.7 | 7.1 |
| Selling, general and administrative expenses | 3.7 | 3.6 |
| Operating income (loss) | (5.0) | (5.9) |
| Non-operating income | 1.3 | 0.7 |
| Finance income | 0.1 | 0.0 |
| Other | 1.2 | 0.7 |
| Non-operating expenses | 3.7 | 2.0 |
| Finance costs | 0.8 | 0.8 |
| Other | 2.9 | 1.3 |
| Profit (loss) before tax | (7.3) | (7.2) |
| Net income (loss) | (7.3) | (7.2) |
Revenue ₩1.1bn, down 31.2% YoY.
Operating margin -520.0% (prior -301.7%).
Net income ₩-7.2bn.
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.