KR101936029B1 - 딥러닝 기반의 가치 평가 방법 및 그 장치 - Google Patents

Abstract

딥러닝 기반의 가치 평가 방법이 제공된다. 가치 평가 장치에 의해 수행되는 본 발명의 일 실시예에 따른 가치 평가 방법은 평가 대상의 클래스 정보를 입력받는 단계, GAN(Generative Adversarial Network) 기반의 딥러닝 모델을 이용하여, 상기 입력된 클래스 정보와 연관된 제1 평가 기초 데이터를 생성하는 단계 및 상기 제1 평가 기초 데이터를 가치 평가 모델에 적용하여 상기 평가 대상의 가치를 평가하는 단계를 포함할 수 있다. 이때, 상기 제1 평가 기초 데이터는 가상의 데이터 샘플로 구성된다.

Description

딥러닝 기반의 가치 평가 방법 및 그 장치{VALUATION METHOD BASED ON DEEP-LEARNING AND APPARATUS THEREOF}

본 발명은 딥러닝 기반의 가치 평가 방법 및 그 장치에 관한 것이다. 보다 자세하게는, GAN(Generative Adversarial Network) 기반의 딥러닝 모델을 이용하여 가상의 평가 기초 데이터를 생성하고, 생성된 평가 기초 데이터를 이용하여 평가 대상의 가치를 평가하는 방법 및 그 방법을 수행하는 장치에 관한 것이다.

종래 유형의 대상에만 국한되었던 가치 평가가 기술과 같은 무형의 대상까지 확대되었으며, 이를 기술 가치 평가라고 한다. 무형의 대상은 대상 자체가 유형의 대상처럼 눈에 보이지 않으며, 시장 및 경제 상황 등과 같이 다양한 요인에 영향을 많이 받는다. 따라서, 기술 가치 평가는 전문가의 경험에 의존할 수밖에 없으며, 이에 따라 기술 가치 평가의 결과는 객관성이 떨어질 수 있다는 문제점이 있다.

이러한 문제점을 해결하기 위해, 현금 흐름 할인(DCF, Discounted Cash Flow) 모형을 기술 가치 평가에 적용하고자 하는 시도가 계속되어 왔다. 현금 흐름 할인 모형은 기술이 접목된 제품이나 서비스를 활용하여 사업화 주체가 미래에 창출 가능한 경제적 부가 가치를 현재 가치로 할인하여 평가하는 모형이다. 도 1에 도시된 바와 같이, 평가 대상에 대한 기초 데이터(3)가 현금 흐름 할인 모형(1)에 적용되면 모형(1)의 수식에 따라 평가 대상의 추정 가치(5)가 객관적으로 산출될 수 있다. 즉, 평가 기초 데이터의 신뢰성 및 정확성만 보장되면 현금 흐름 할인 모형을 통해 객관적이고 정확한 가치 평가 결과가 보장될 수 있다. 따라서, 현금 흐름 할인 모형은 종래 기술 가치 평가의 문제점을 해결할 수 있는 대표적인 가치 평가 모델로 평가받고 있다.

그러나, 이러한 현금 흐름 할인 모형 또한 여러가지 문제점을 가지고 있다. 현금 흐름 할인 모형은 기술의 경제적 수명, 여유 현금 흐름, 할인율, 기술 기여도 등과 같은 모델 변수의 추정 값을 요구하며, 추정 값에 따라 기술 가치 평가 결과에 큰 편차가 발생한다. 따라서, 모델 변수의 추정 값을 정확하게 산출하는 것이 무엇보다 중요하다.

그러나, 창업 초기의 기업과 같은 경우에는 미래의 재무 계획 수립을 통한 현금 흐름의 추정 자체가 매우 어려우며, 할인율이나 기술 기여도 등을 추정함에 있어서도 미래 시장의 불확실성이 제대로 반영되기 어렵기 때문에 가치 평가 결과의 정확성 및 신뢰성이 보장되지 않는다.

아울러, 일반적인 기업이라 하더라도 모델 변수의 추정 값을 산출하기 위한 데이터(e.g. 재무 데이터 등)를 확보하는 것은 어렵기 때문에, 사실상 현금 흐름 할인 모형이 가치 평가 분야에 실용화되기는 어려운 실정이다.

나아가, 현금 흐름 할인 모형은 전문적인 지식이 없는 일반 사용자에게 활용되기 어렵다는 문제도 있다.

따라서, 가치 평가 결과의 정확성 및 신뢰성이 보장되고, 전문적인 지식이 없는 일반 사용자도 손쉽게 이용할 수 있는 새로운 가치 평가 방법이 요구된다.

한국공개특허 제10-2017-0049328 (2017.05.10 공개)

본 발명이 해결하고자 하는 기술적 과제는, 평가 기초 데이터 확보의 어려움 및 가치 평가 결과의 신뢰성 문제를 해결할 수 있는 가치 평가 방법 및 그 방법을 수행하는 장치를 제공하는 것이다.

본 발명이 해결하고자 하는 다른 기술적 과제는, 가치 평가 서비스를 이용하는 사용자의 편의성 향상을 도모할 수 있는 가치 평가 방법 및 그 방법을 수행하는 장치를 제공하는 것이다.

본 발명의 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명의 기술분야에서의 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

상기 기술적 과제를 해결하기 위한, 본 발명의 일 실시예에 따른 가치 평가 방법은, 가치 평가 장치에 의해 수행되는 딥러닝 기반의 가치 평가 방법에 있어서, 평가 대상의 클래스 정보를 입력받는 단계, GAN(Generative Adversarial Network) 기반의 딥러닝 모델을 이용하여, 상기 입력된 클래스 정보와 연관된 제1 평가 기초 데이터를 생성하는 단계 및 상기 제1 평가 기초 데이터를 가치 평가 모델에 적용하여 상기 평가 대상의 가치를 평가하는 단계를 포함할 수 있다. 이때, 상기 제1 평가 기초 데이터는 가상의 데이터 샘플로 구성된다.

일 실시예에서, 상기 평가 대상은 기술이고, 상기 평가 대상의 클래스 정보는 IPC(International Patent Classification) 코드 및 SIC(Standard Industrial Classification) 코드 중 적어도 하나를 포함할 수 있다.

일 실시예에서, 상기 가치 평가 모델은 현금 흐름 할인 모형일 수 있다.

일 실시예에서, 상기 제1 평가 기초 데이터는 복수개의 데이터 샘플을 포함하고, 상기 평가 대상의 가치를 평가하는 단계는, 상기 복수개의 데이터 샘플을 상기 가치 평가 모델에 적용하여, 복수개의 가치 평가 값을 결정하는 단계 및 상기 복수개의 가치 평가 값에 커널 밀도 추정(kernel density estimation) 기법을 적용하여, 상기 평가 대상의 가치 분포를 추정하는 단계를 포함할 수 있다.

일 실시예에서, 상기 딥러닝 모델의 트레이닝 데이터는 범주형 값을 갖는 제1 변수에 관한 데이터를 포함하고, 상기 딥러닝 모델을 트레이닝하는 단계를 더 포함하되, 상기 트레이닝하는 단계는, 상기 제1 변수를 더미 변수(dummy variable)로 변환하는 단계 및 상기 더미 변수에 관한 데이터를 이용하여 상기 딥러닝 모델을 트레이닝하는 단계를 포함할 수 있다.

일 실시예에서, 상기 딥러닝 모델은 가상의 데이터 샘플을 생성하는 생성기와 상기 생성기와 함께 적대적 트레이닝(adversarial training)을 수행하는 판별기를 포함하되, 상기 판별기는 가상 데이터와 실제 데이터를 분류하는 제1 분류기와 상기 평가 대상의 클래스를 분류하는 제2 분류기를 포함하고, 상기 생성기의 입력 데이터 및 출력 데이터는 상기 평가 대상의 클래스 정보를 포함할 수 있다.

일 실시예에서, 상기 딥러닝 모델을 트레이닝하는 단계를 더 포함하되, 상기 트레이닝하는 단계는, 상기 생성기에 의해 생성된 제1 가상 데이터 샘플을 상기 제1 분류기에 적용하여, 상기 제1 가상 데이터 샘플에 대한 제1 오차를 결정하는 단계, 상기 제1 가상 데이터 샘플을 상기 제2 분류기에 적용하여, 상기 제1 가상 데이터 샘플에 대한 제2 오차를 결정하는 단계 및 상기 제1 오차 및 상기 제2 오차를 이용하여, 상기 생성기를 트레이닝하는 단계를 포함할 수 있다.

일 실시예에서, 상기 딥러닝 모델은 상기 평가 대상의 클래스 정보가 포함된 제1 가상 데이터 샘플을 생성하는 생성기와 상기 생성기와 함께 적대적 트레이닝을 수행하는 판별기 및 상기 평가 대상의 클래스를 분류하는 분류기를 포함할 수 있다.

일 실시예에서, 상기 제1 평가 기초 데이터는 상기 가치 평가 모델의 제1 모델 변수에 대응되는 제1 가상 데이터와 제2 모델 변수에 대응되는 제2 가상 데이터를 포함하고, 상기 딥러닝 모델은 상기 제1 평가 기초 데이터를 생성하는 생성기를 포함하되, 상기 생성기는 상기 제1 가상 데이터를 생성하는 제1 서브 생성기(sub-generator)와 상기 제2 가상 데이터를 생성하는 제2 서브 생성기를 포함할 수 있다.

일 실시예에서, 상기 클래스 정보와 연관된 제2 평가 기초 데이터를 획득하되, 상기 제2 평가 기초 데이터는 실제의 데이터 샘플로 구성되는 것인, 단계를 더 포함하고, 상기 평가 대상의 가치를 평가하는 단계는, 상기 제1 평가 기초 데이터에 기초하여 제1 가치 평가 값을 결정하는 단계, 상기 제2 평가 기초 데이터에 기초하여 제2 가치 평가 값을 결정하는 단계 및 상기 제1 가치 평가 값 및 상기 제2 가치 평가 값에 기초하여, 상기 평가 대상의 최종 가치 평가 값을 결정하는 단계를 포함할 수 있다.

상술한 기술적 과제를 해결하기 위한 본 발명의 다른 실시예에 따른 가치 평가 장치는, 프로세서, 상기 프로세서에 의해 실행되는 컴퓨터 프로그램을 로드(load)하는 메모리 및 상기 컴퓨터 프로그램을 저장하는 스토리지를 포함하되, 상기 컴퓨터 프로그램은, 평가 대상의 클래스 정보를 입력받는 동작, GAN(Generative Adversarial Network) 기반의 딥러닝 모델을 이용하여, 상기 클래스 정보와 연관된 제1 평가 기초 데이터를 생성하는 동작 및 상기 제1 평가 기초 데이터를 가치 평가 모델에 적용하여 상기 평가 대상의 가치를 평가하는 동작을 수행하도록 하는 인스트럭션들(instructions)을 포함할 수 있다. 이때, 상기 제1 평가 기초 데이터는 가상의 데이터 샘플로 구성된다.

상술한 기술적 과제를 해결하기 위한 본 발명의 또 다른 실시예에 따른 컴퓨터 프로그램은, 컴퓨팅 장치와 결합되어, 평가 대상의 클래스 정보를 입력받는 단계, GAN(generative adversarial network) 기반의 딥러닝 모델을 이용하여, 상기 클래스 정보와 연관된 제1 평가 기초 데이터를 생성하되, 상기 제1 평가 기초 데이터는 가상의 데이터 샘플로 구성되는 것인, 단계 및 상기 제1 평가 기초 데이터를 가치 평가 모델에 적용하여 상기 평가 대상의 가치를 평가하는 단계를 실행시키기 위하여, 컴퓨터로 판독가능한 기록 매체에 저장될 수 있다.

도 1은 현금 할인 모형의 입력 및 출력 데이터를 개략적으로 나타내는 도면이다.
도 2는 본 발명의 일 실시예에 따른 가치 평가 시스템을 나타내는 구성도이다.
도 3은 본 발명의 일 실시예에 따른 가치 평가 장치를 나타내는 블록도이다.
도 4는 본 발명의 몇몇 실시예에서 참조될 수 있는 평가 대상 기술의 클래스 정보와 데이터 간의 연관 관계를 나타내는 예시도이다.
도 5는 본 발명의 일 실시예에 따른 가치 평가 장치를 나타내는 하드웨어 구성도이다.
도 6은 본 발명의 제1 실시예에 따른 딥러닝 모델의 구조 및 트레이닝 방법을 설명하기 위한 도면이다.
도 7은 본 발명의 몇몇 실시예에서 참조될 수 있는 더미 변수 활용 방법을 설명하기 위한 예시도이다.
도 8 및 도 9는 본 발명의 제2 실시예에 따른 딥러닝 모델의 구조 및 트레이닝 방법을 설명하기 위한 도면이다.
도 10은 본 발명의 제3 실시예에 따른 딥러닝 모델의 구조 및 트레이닝 방법을 설명하기 위한 도면이다.
도 11은 본 발명의 몇몇 실시예에서 참조될 수 있는 생성기의 구조 및 동작을 설명하기 위한 도면이다.
도 12는 본 발명의 제1 실시예에 따른 딥러닝 기반 가치 평가 방법을 나타내는 흐름도이다.
도 13은 본 발명의 몇몇 실시예에서 참조될 수 있는 현금 흐름 할인 모형의 입력 변수 및 수식을 나타내는 도면이다.
도 14 및 도 17은 도 13에 도시된 가치 평가 단계(S260)를 부연 설명하기 위한 도면이다.
도 18은 본 발명의 제2 실시예에 따른 딥러닝 기반 가치 평가 방법을 나타내는 흐름도이다.
도 19 및 도 20은 도 18에 도시된 가치 평가 단계(S380)를 부연 설명하기 위한 도면이다.

이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예들을 상세히 설명한다. 본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.

각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 또한, 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다.

다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있다. 또 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다. 본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다.

또한, 본 발명의 구성 요소를 설명하는 데 있어서, 제 1, 제 2, A, B, (a), (b) 등의 용어를 사용할 수 있다. 이러한 용어는 그 구성 요소를 다른 구성 요소와 구별하기 위한 것일 뿐, 그 용어에 의해 해당 구성 요소의 본질이나 차례 또는 순서 등이 한정되지 않는다. 어떤 구성 요소가 다른 구성요소에 "연결", "결합" 또는 "접속"된다고 기재된 경우, 그 구성 요소는 그 다른 구성요소에 직접적으로 연결되거나 또는 접속될 수 있지만, 각 구성 요소 사이에 또 다른 구성 요소가 "연결", "결합" 또는 "접속"될 수도 있다고 이해되어야 할 것이다.

명세서에서 사용되는 "포함한다 (comprises)" 및/또는 "포함하는 (comprising)"은 언급된 구성 요소, 단계, 동작 및/또는 소자는 하나 이상의 다른 구성 요소, 단계, 동작 및/또는 소자의 존재 또는 추가를 배제하지 않는다.

본 명세서에 대한 설명에 앞서, 본 명세서에서 사용되는 몇몇 용어들에 대하여 명확하게 하기로 한다.

본 명세서에서, 평가 대상은 글자 그대로 가치 평가의 대상을 의미한다. 상기 평가 대상은 예를 들어 기술, 기업, 자산 등 정량적인 가치를 부여할 수 있는 모든 것들을 포함할 수 있다. 다만, 이하에서는, 다른 언급이 없는 한, 상기 평가 대상은 "기술"인 것을 가정하여 본 발명의 몇몇 실시예들에 대하여 설명한다.

본 명세서에서, 평가 기초 데이터는 가치 평가의 기초가 되는 모든 데이터를 총칭한다. 예를 들어, 상기 평가 기초 데이터는 평가 대상과 관련된 기업의 재무 데이터, 가치 평가 모델에 적용하기 위해 가공된 데이터(e.g. 현금 흐름 할인 모형의 경우 기술 수명 데이터, 여유 현금 흐름 데이터, 할인율 데이터, 기술 기여도 데이터 등) 등을 포함할 수 있다.

본 명세서에서, 평가 대상의 클래스 정보는 소정의 분류 기준에 따라 정의되는 분류 정보를 의미한다. 가치 평가 서비스의 신뢰성 및 범용성을 향상시키기 위해 상기 클래스 정보는 표준 분류 기준에 의거하여 정의되는 것이 바람직할 수 있다. 가령, 평가 대상이 기술인 경우, 상기 클래스 정보는 IPC(International Patent Classification)에 따라 정의된 IPC 코드, SIC(Standard Industrial Classification) 분류 기준에 따라 정의된 SIC 코드, KSIC(Korea Standard Industrial Classification) 분류 기준에 따라 정의된 KSIC 코드 등이 되는 것이 바람직할 수 있다.

본 명세서에서, 인스트럭션(instruction)은 기능을 기준으로 묶인 일련의 명령어들로서 컴퓨터 프로그램의 구성 요소이자 프로세서에 의해 실행되는 것을 가리킨다.

이하, 본 발명의 몇몇 실시예들에 대하여 첨부된 도면에 따라 상세하게 설명한다.

도 2는 본 발명의 일 실시예에 따른 가치 평가 시스템을 나타내는 구성도이다. 특히, 도 2는 다수의 사용자에게 가치 평가 서비스를 제공하기 위해 가치 평가 시스템이 구축된 것을 예로써 도시하고 있다.

도 2를 참조하면, 상기 가치 평가 시스템은 가치 평가 장치(100)를 포함할 수 있다. 단, 이는 본 발명의 목적을 달성하기 위한 바람직한 실시예일 뿐이며, 필요에 따라 일부 구성 요소가 추가되거나 삭제될 수 있음은 물론이다. 예를 들어, 가치 평가 시스템은 가치 평가에 이용되는 각종 데이터를 저장하고 관리하는 외부의 DB 시스템을 더 포함할 수도 있다.

또한, 도 2에 도시된 가치 평가 시스템의 각각의 구성 요소들은 기능적으로 구분되는 기능 요소들을 나타낸 것으로서, 적어도 하나의 구성 요소가 실제 물리적 환경에서는 서로 통합되는 형태로 구현될 수도 있음에 유의한다.

상기 가치 평가 시스템에서, 가치 평가 장치(100)는 평가 대상에 대한 가치 평가를 수행하는 컴퓨팅 장치이다. 여기서, 상기 컴퓨팅 장치는, 노트북, 데스크톱(desktop), 랩탑(laptop) 등이 될 수 있으나, 이에 국한되는 것은 아니며 컴퓨팅 기능 및 통신 기능이 구비된 모든 종류의 장치를 포함할 수 있다. 다만, 도 2에 예시된 바와 같이, 다수의 사용자에게 가치 평가 서비스를 제공하는 경우라면, 상기 컴퓨팅 장치는 고성능의 서버 컴퓨팅 장치로 구현되는 것이 바람직할 수 있다.

도 2에 예시된 가치 평가 시스템에서, 가치 평가 장치(100)는 사용자 단말(10)의 평가 요청에 응답하여 가치 평가 서비스를 제공할 수 있다. 가령, 가치 평가 장치(100)는 웹 기반의 사용자 인터페이스를 통해 가치 평가 서비스를 제공할 수 있다. 이와 같은 경우, 사용자는 사용자 단말(10)에 탑재된 웹 브라우저를 통해 가치 평가 서비스를 손쉽게 이용할 수 있는 바, 가치 평가 서비스를 이용하는 사용자의 편의성이 증대될 수 있다. 다만, 본 발명의 범위가 이에 국한되는 것은 아니며, 가치 평가 장치(100)는 웹 이외에도 다양한 방식의 사용자 인터페이스를 통해 가치 평가 서비스를 제공할 수 있다.

본 발명의 실시예에 따르면, 가치 평가 장치(100)는 사용자 인터페이스를 통해 사용자 단말(10)로부터 평가 대상의 클래스 정보를 입력받고, 입력된 클래스 정보에 기초하여 평가 기초 데이터를 획득하며, 획득된 평가 기초 데이터를 가치 평가 모델에 적용하여 평가 대상의 가치를 평가할 수 있다. 이때, 평가 대상의 가치 평가 결과는 상기 사용자 인터페이스를 통해 사용자 단말(10)에게 제공될 수 있다. 본 실시예에 따르면, 복잡한 가치 평가 모델에 대한 전문적인 지식 없이도, 사용자는 평가 대상의 클래스 정보만 이용하여 손쉽게 가치 평가 서비스를 제공받을 수 있다. 따라서, 가치 평가 서비스에 대한 사용자 만족도가 향상될 뿐만 아니라, 가치 평가 서비스의 전반적인 서비스 이용 환경이 개선될 수 있다.

또한, 본 발명의 실시예에 따르면, 가치 평가 장치(100)는 GAN(Generative Adversarial Network) 기반의 딥러닝 모델을 이용하여 평가 대상의 클래스 정보와 연관된 가상의 평가 기초 데이터를 자동으로 생성하고, 생성된 평가 기초 데이터를 이용하여 평가 대상에 대한 가치 평가를 수행할 수 있다. 본 실시예에 따르면, 가치 평가에 이용되는 평가 기초 데이터 확보가 어렵다는 종래의 문제가 해결될 수 있다. 뿐만 아니라, 상기 딥러닝 모델은 신뢰도가 높은 실제 데이터셋으로 트레이닝되는 바, 생성되는 평가 기초 데이터의 신뢰도 및 정확도 또한 보장될 수 있다. 이에 따라, 가치 평가 결과의 신뢰성 및 정확성 문제 또한 해결될 수 있다. 본 실시예에 대한 보다 자세한 설명은 도 3 이하의 도면을 참조하여 후술하도록 한다.

참고로, GAN은 가상의 데이터 샘플을 생성하는 생성기(generator)와 입력된 데이터 샘플이 실제 데이터인지 여부를 판별하는 판별기(discriminator)로 구성되고, 생성기와 판별기 간의 적대적 트레이닝(adversarial training)을 통해 구축되는 기계 학습 모델을 의미한다. 기계 학습 분야의 당업자라면 GAN에 대한 기본적인 내용은 이미 숙지하고 있을 것인 바, GAN에 대한 더 이상의 설명은 생략하도록 한다. 본 발명의 몇몇 실시예들에서 활용될 수 있는 GAN 기반 딥러닝 모델의 구조 및 트레이닝 방법에 대해서는 도 6 내지 도 11을 참조하여 후술하도록 한다.

상기 가치 평가 시스템에서, 가치 평가 장치(100)와 사용자 단말(10)은 네트워크를 통해 통신할 수 있다. 여기서, 상기 네트워크는 근거리 통신망(Local Area Network; LAN), 광역 통신망(Wide Area Network; WAN), 이동 통신망(mobile radio communication network), Wibro(Wireless Broadband Internet) 등과 같은 모든 종류의 유/무선 네트워크로 구현될 수 있다.

지금까지 도 2를 참조하여 본 발명의 일 실시예에 따른 가치 평가 시스템에 대하여 설명하였다. 다음으로, 가치 평가 장치(100)의 구성 및 동작에 대하여 도 3 내지 도 5를 참조하여 설명한다.

도 3은 본 발명의 일 실시예에 따른 가치 평가 장치(100)를 나타내는 블록도이다.

도 3을 참조하면, 가치 평가 장치(100)는 사용자 인터페이스 제공부(110), 가상 데이터 생성부(120), 평가 기초 데이터 DB(130), 실제 데이터 제공부(140) 및 가치 평가부(150)를 포함하도록 구성될 수 있다. 다만, 도 3에는 본 발명의 실시예와 관련 있는 구성요소들만이 도시되어 있다. 따라서, 본 발명이 속한 기술분야의 통상의 기술자라면 도 3에 도시된 구성요소들 외에 다른 범용적인 구성 요소들이 더 포함될 수 있음을 알 수 있다. 물론, 가치 평가 장치(100)는 도 3에 도시된 구성 요소 중 일부 구성 요소가 생략되는 형태로 구현될 수도 있다.

또한, 도 3에 도시된 가치 평가 장치(100)의 각각의 구성 요소들은 기능적으로 구분되는 기능 요소들을 나타낸 것으로서, 적어도 하나의 구성 요소가 실제 물리적 환경에서는 서로 통합되는 형태로 구현될 수도 있음에 유의한다.

각 구성 요소를 살펴보면, 사용자 인터페이스 제공부(110)는 사용자 단말(10)에게 가치 평가 서비스에 대한 사용자 인터페이스를 제공한다. 사용자 단말(10)은 제공된 사용자 인터페이스를 통해 평가 대상의 클래스 정보를 입력하고, 가치 평가 결과를 제공받을 수 있다. 상기 사용자 인터페이스는 웹 기반으로 구현될 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다.

다음으로, 가상 데이터 생성부(120)는 평가 대상의 클래스 정보를 전달받고, GAN 기반의 딥러닝 모델을 이용하여 클래스 정보와 연관된 평가 기초 데이터를 생성한다. 여기서, 상기 평가 기초 데이터는 실제 데이터의 분포를 모사하여 생성된 가상의 데이터 샘플로 구성된다. 상기 평가 기초 데이터는 실제로 수집된 데이터가 아니라 딥러닝 모델에 의해 생성된 데이터이기 때문이다.

예를 들어, 가상 데이터 생성부(120)는 사용자 단말(10)로부터 수신된 SIC 코드와 랜덤 노이즈를 딥러닝 모델의 생성기에 입력하고, 생성기가 출력하는 가상의 데이터 샘플을 종합하여 가상의 평가 기초 데이터를 생성할 수 있다.

GAN 기반의 딥러닝 모델을 통해 신뢰도 높은 평가 기초 데이터를 생성하기 위해서는 사전에 딥러닝 모델에 대한 트레이닝이 수행되어야 한다. 또한, 트레이닝을 위한 최소한의 데이터셋이 미리 확보되어야 한다. 이하에서는, 이해의 편의를 제공하기 위해, 평가 대상이 "기술"인 경우, 상기 딥러닝 모델에 대한 트레이닝 데이터셋을 확보하는 과정에 대하여 간략하게 설명하도록 한다. 이하에서 후술될 내용은 가상 데이터 생성부(120)에 의해 수행될 수 있고, 별도의 트레이닝 모듈(미도시)에 의해 수행될 수도 있다.

평가 대상 기술의 클래스 정보(e.g. IPC 코드, SIC 코드 등)에 따라 딥러닝 모델에 의해 가상 데이터 샘플이 생성되기 위해서는, 상기 클래스 정보를 클래스 레이블로 하는 트레이닝 데이터셋이 확보되어야 한다. 또한, 상기 가상 데이터 샘플이 가치 평가 모델에 바로 적용되기 위해서는, 상기 가치 평가 모델의 모델 변수(e.g. 현금 흐름 할인 모형의 경우 기술 수명, 여유 현금 흐름 등)에 대응되는 데이터가 가상 데이터 샘플에 포함될 필요가 있다. 따라서, 실제로 수집된 기초 데이터를 평가 대상의 클래스 정보와 연관시키고, 상기 기초 데이터를 모델 변수에 대응되도록 가공하는 과정이 요구된다.

도 4는 평가 대상 기술의 클래스 정보와 수집된 기초 데이터 간의 연관 관계를 도시한다.

도 4에 도시된 바와 같이, SIC 코드(21)는 매출액/매출 원가 비율(22), 판매 관리비(23), 감가상각비 비율(24), 유무형 자산 비율(25), 할인율(26) 및 기술 기여도 데이터(27)와 연관될 수 있다. 이와 같은 연관 관계는, 가치 평가 모델에 기초하여 결정되는 것일 수 있다. 특히, 도 4는 SIC 코드에 대한 가치 평가 모델이 현금 흐름 할인 모형인 경우를 예시한 것이다.

평가 대상 기술의 클래스 정보가 SIC 코드인 경우를 가정하여 설명을 이어가면, 딥러닝 모델에 대한 트레이닝 데이터셋을 생성하기 위해, 전술한 연관 데이터(22 내지 27)가 평가 기초 데이터 DB(130) 또는 외부의 저장소로부터 획득될 수 있다. 다음으로, 연관 데이터(22 내지 27)를 기초로 현금 흐름 할인 모형의 모델 변수에 대한 추정 데이터(값)가 생성된다. 연관 데이터(22 내지 27) 중 일부는 미가공 데이터(raw data)이기 때문에, 현금 흐름 할인 모형에 바로 입력될 수 없거나 정확도가 떨어지기 때문이다. 연관 데이터(22 내지 27)를 기초로 상기 모델 변수에 대한 데이터를 추정하는 방식은 어떠한 방식으로 수행되더라도 무방하다. 다음으로, 상기 추정 데이터에 연관된 SIC 코드를 클래스 레이블로 부여함으로써 딥러닝 모델에 대한 트레이닝 데이터셋이 생성될 수 있다. 평가 대상이 자산이거나 기업인 경우에도 전술한 바와 유사한 방식으로 딥러닝 모델에 대한 트레이닝 데이터셋이 생성될 수 있다.

전술한 과정을 통해 생성된 트레이닝 데이터셋을 기초로 GAN 기반의 딥러닝 모델이 트레이닝될 수 있다. 중복된 설명을 배제하기 위해, GAN 기반의 딥러닝 모델의 구조 및 트레이닝 방법에 대한 자세한 설명은 도 6 내지 도 11을 참조하여 후술하도록 한다.

다시 도 3을 참조하면, 평가 기초 데이터 DB(130)는 가치 평가에 이용되는 각종 기초 데이터가 저장된 저장소이다. 평가 기초 데이터 DB(130)는 미가공 데이터(즉, 모델 변수에 대응되지 않는 데이터), 모델 변수에 대응되는 실제 데이터 샘플, 딥러닝 모델에 의해 생성된 가상 데이터 샘플 등 각종 데이터를 저장할 수 있다.

다음으로, 실제 데이터 제공부(140)는 평가 대상의 클래스 정보와 연관된 평가 기초 데이터를 제공한다. 여기서, 상기 평가 기초 데이터는 실제 데이터 샘플로 구성된 기초 데이터를 의미한다. 예를 들어, 실제 데이터 제공부(140)는 평가 기초 데이터 DB(130)에서 상기 클래스 정보로 조회된 실제 데이터 샘플을 가치 평가부(150)로 제공할 수 있다.

다음으로, 가치 평가부(150)는 가상 데이터 생성부(120)로부터 제공받은 가상의 평가 기초 데이터(이하, "제1 평가 기초 데이터") 및/또는 실제 데이터 제공부(140)로부터 제공받은 실제의 평가 기초 데이터(이하, "제2 평가 기초 데이터")를 가치 평가 모델에 적용하여 평가 대상의 가치를 평가한다.

일 실시예에서, 상기 가치 평가 모델은 현금 흐름 할인 모형일 수 있다. 본 실시예에 따르면, 현금 흐름 할인 모형의 수식에 따라 객관적인 가치 평가 결과가 산출될 수 있다.

일 실시예에서, 상기 가치 평가 모델은 기계 학습 모델일 수 있다. 예를 들어, 상기 가치 평가 모델은 딥러닝 등의 기계 학습을 통해 구축된 모델일 수 있다. 보다 구체적인 예를 들면, 가치 평가 장치(100)는 일정 기간 동안 현금 흐름 할인 모형에 따라 가치 평가 서비스를 제공하며 평가 대상의 클래스 정보와 가치 평가 결과로 구성된 데이터셋을 축적하고, 축적된 데이터셋에 기초한 기계 학습을 통해 가치 평가 모델을 구축할 수 있다. 또한, 가치 평가 서비스를 제공받은 사용자의 피드백을 얻을 수 있다면, 피드백이 우수한 일부 데이터셋을 기계 학습하여 보다 신뢰도 높은 가치 평가 모델이 구축될 수도 있다.

또한, 실시예에 따라, 기계 학습 기반의 제1 가치 평가 모델과 현금 흐름 할인 모형에 따른 제2 가치 평가 모델을 혼용하여 가치 평가 서비스가 제공될 수도 있다. 예를 들어, 가치 평가부(150)는 일정 조건(e.g. 제2 가치 평가 모델의 학습 성숙도/정확도가 임계치 미만인 경우)이 만족되면 상기 제2 가치 평가 모델에 따라 가치 평가 서비스를 제공하고, 반대의 경우 상기 제1 가치 평가 모델에 따라 가치 평가 서비스를 제공할 수 있다. 다른 예를 들어, 가치 평가부(150)는 상기 제1 가치 평가 모델의 제1 가치 평가 값과 상기 제2 가치 평가 모델의 제2 가치 평가 값의 가중치 합에 따라 평가 대상에 대한 최종 가치 평가 결과를 제공할 수 있다. 이때, 각 가치 평가 값에 부여되는 가중치는 상기 제1 가치 평가 모델의 학습 성숙도, 정확도, 트레이닝 데이터셋의 개수 등에 기초하여 동적으로 결정될 수 있다.

가치 평가부(150)가 평가 대상에 대한 가치를 평가하는 방법에 대한 자세한 설명은 도 11 내지 도 17, 도 18 내지 도 20의 설명 부분을 더 참조하도록 한다.

도 3의 각 구성 요소는 소프트웨어(Software) 또는, FPGA(Field Programmable Gate Array)나 ASIC(Application-Specific Integrated Circuit)과 같은 하드웨어(Hardware)를 의미할 수 있다. 그렇지만, 상기 구성 요소들은 소프트웨어 또는 하드웨어에 한정되는 의미는 아니며, 어드레싱(Addressing)할 수 있는 저장 매체에 있도록 구성될 수도 있고, 하나 또는 그 이상의 프로세서들을 실행시키도록 구성될 수도 있다. 상기 구성 요소들 안에서 제공되는 기능은 더 세분화된 구성 요소에 의하여 구현될 수 있으며, 복수의 구성 요소들을 합하여 특정한 기능을 수행하는 하나의 구성 요소로 구현될 수도 있다.

도 5는 본 발명의 일실시예에 따른 가치 평가 장치(100)를 나타내는 하드웨어 구성도이다.

도 5를 참조하면, 가치 평가 장치(100)는 하나 이상의 프로세서(101), 버스(105), 네트워크 인터페이스(107), 프로세서(101)에 의하여 수행되는 컴퓨터 프로그램을 로드(load)하는 메모리(103)와, 가치 평가 소프트웨어(109a)를 저장하는 스토리지(109)를 포함할 수 있다. 다만, 도 5에는 본 발명의 실시예와 관련 있는 구성요소들만이 도시되어 있다. 따라서, 본 발명이 속한 기술분야의 통상의 기술자라면 도 5에 도시된 구성요소들 외에 다른 범용적인 구성 요소들이 더 포함될 수 있음을 알 수 있다. 물론, 가치 평가 장치(100)는 도 5에 도시된 구성 요소 중 일부 구성 요소가 생략되는 형태로 구현될 수도 있다.

프로세서(101)는 가치 평가 장치(100)의 각 구성의 전반적인 동작을 제어한다. 프로세서(101)는 CPU(Central Processing Unit), MPU(Micro Processor Unit), MCU(Micro Controller Unit), GPU(Graphic Processing Unit) 또는 본 발명의 기술 분야에 잘 알려진 임의의 형태의 프로세서를 포함하여 구성될 수 있다. 또한, 프로세서(101)는 본 발명의 실시예들에 따른 방법을 실행하기 위한 적어도 하나의 애플리케이션 또는 프로그램에 대한 연산을 수행할 수 있다. 가치 평가 장치(100)는 하나 이상의 프로세서를 구비할 수 있다.

메모리(103)는 각종 데이터, 명령 및/또는 정보를 저장한다. 메모리(103)는 본 발명의 실시예들에 따른 가치 평가 방법을 실행하기 위하여 스토리지(109)로부터 하나 이상의 프로그램(109a)을 로드할 수 있다. 도 5에서 메모리(103)의 예시로 RAM이 도시되었다.

버스(105)는 가치 평가 장치(100)의 구성 요소 간 통신 기능을 제공한다. 버스(105)는 주소 버스(Address Bus), 데이터 버스(Data Bus) 및 제어 버스(Control Bus) 등 다양한 형태의 버스로 구현될 수 있다.

네트워크 인터페이스(107)는 가치 평가 장치(100)의 유무선 인터넷 통신을 지원한다. 또한, 네트워크 인터페이스(107)는 인터넷 통신 외의 다양한 통신 방식을 지원할 수도 있다. 이를 위해, 네트워크 인터페이스(107)는 본 발명의 기술 분야에 잘 알려진 통신 모듈을 포함하여 구성될 수 있다.

스토리지(109)는 상기 하나 이상의 프로그램(109a), 평가 기초 데이터(109b)를 비임시적으로 저장할 수 있다. 도 5에서 상기 하나 이상의 프로그램(109a)의 예시로 가치 평가 소프트웨어(109a)가 도시되었다.

스토리지(109)는 ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리 등과 같은 비휘발성 메모리, 하드 디스크, 착탈형 디스크, 또는 본 발명이 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터로 읽을 수 있는 기록 매체를 포함하여 구성될 수 있다.

가치 평가 소프트웨어(109a)는 메모리(103)에 로드될 때 프로세서(101)로 하여금 본 발명의 몇몇 실시예들에 따른 딥러닝 기반 가치 평가 방법을 수행하도록 인스트럭션들을 포함할 수 있다.

예를 들어, 가치 평가 소프트웨어(109a)는 평가 대상의 클래스 정보를 입력받는 동작, GAN 기반의 딥러닝 모델을 이용하여, 상기 클래스 정보와 연관된 평가 기초 데이터를 생성하는 동작 및 상기 평가 기초 데이터를 가치 평가 모델에 적용하여 상기 평가 대상의 가치를 평가하는 동작을 수행하도록 하는 인스트럭션들을 포함할 수 있다. 이때, 상기 생성된 평가 기초 데이터는 가상의 데이터 샘플로 구성된다.

지금까지, 도 3 내지 도 5를 참조하여 본 발명의 실시예에 따른 가치 평가 장치(100)의 구성 및 동작에 대하여 설명하였다. 이하에서는, 도 6 이하의 도면을 참조하여 본 발명의 몇몇 실시예들에 따른 딥러닝 기반의 가치 평가 방법에 대하여 상세하게 설명한다.

이하에서 후술될 가치 평가 방법의 각 단계는, 컴퓨팅 장치에 의해 수행될 수 있다. 예를 들어, 상기 컴퓨팅 장치는 가치 평가 장치(100)일 수 있다. 다만, 설명의 편의를 위해, 상기 가치 평가 방법에 포함되는 각 단계의 동작 주체는 그 기재가 생략될 수도 있다. 또한, 상기 가치 평가 방법의 각 단계는 메모리에 로드될 때 프로세서에 의해 수행되는 컴퓨터 프로그램으로 구현될 수 있다.

본 발명의 몇몇 실시예들에 따른 딥러닝 기반 가치 평가 방법은 신뢰성 있는 평가 기초 데이터를 확보하기 위해 GAN 기반의 딥러닝 모델을 이용한다. 따라서, 보다 이해의 편의를 제공하기 위해, 도 6 내지 도 11을 참조하여 상기 가치 평가 방법에 활용되는 딥러닝 모델의 구조 및 트레이닝 방법에 대하여 먼저 설명하도록 한다.

도 6은 본 발명의 제1 실시예에 따른 딥러닝 모델의 구조 및 트레이닝 방법을 설명하기 위한 도면이다. 도 6 이하의 도면에 도시된 데이터 샘플은 평가 대상 기술의 클래스 정보가 "KSIC 코드"이고, 가치 평가 모델이 "현금 흐름 할인 모형"인 것을 가정한 것이다. 따라서, 각 데이터 샘플은 KSIC 코드와 현금 흐름 할인 모형의 모델 변수(기술 수명 TCT, 여유 현금 흐름 FCF, 할인율 WACC, 기술 기여도 T.F)로 구성된 것을 알 수 있다. 다만, 이는 이해의 편의를 제공하기 위한 것일 뿐이고, 평가 대상의 종류와 가치 평가 모델의 종류에 따라 클래스 정보, 데이터 샘플의 구성 등은 얼마든지 달라질 수 있다.

도 6을 참조하면, 상기 제1 실시예에 따른 딥러닝 모델은 생성기(31) 및 판별기(32)를 포함하도록 구성된다. 생성기(31)는 랜덤 노이즈(33)를 입력 받고 가상의 데이터 샘플(34)을 생성하는 동작을 수행한다.

판별기(32)는 실제 데이터 샘플(35) 또는 가상 데이터 샘플(34)이 입력되면, 입력된 데이터 샘플이 실제(또는 가상) 데이터인지 여부에 대한 판별을 수행한다. 보다 자세하게는, 판별기(32)는 입력된 데이터 샘플이 실제 데이터에 해당할 컨피던스 스코어(confidence score)를 출력하고, 컨피던스 스코어에 기초하여 입력된 데이터 샘플이 실제 데이터인지 여부를 판별하게 된다. 이를 위해, 판별기(32)는 실제 데이터 샘플(35) 또는 가상 데이터 샘플(34)을 통해 트레이닝될 수 있다.

본 발명의 실시예에 따르면, 생성기(31)와 판별기(32) 간의 적대적 트레이닝이 수행되는 경우, 트레이닝 초기에 판별기(32)에 대한 트레이닝이 충분히 수행된 이후에 생성기(31)에 대한 트레이닝이 수행될 수 있다. 오차 판단 과정(36)을 통해 결정된 판별기(32)의 오차를 역전파(back-propagation)함으로써 생성기(32)가 트레이닝되기 때문이다. 즉, 트레이닝 초기에 부정확한 판별 과정에서 산출된 오차가 역전파되는 경우, 생성기(31)의 트레이닝에 악영향을 미칠 수 있는 바, 트레이닝 초기에는 판별기(32) 중심으로 트레이닝이 수행될 수 있다. 가령, 트레이닝이 번갈아가며 수행될 때, 판별기(32)에 대한 트레이닝은 지정된 횟수 이상으로 반복하여 수행되고, 생성기(31)에 대한 트레이닝은 지정된 횟수 미만으로 수행될 수 있다.

한편, GAN 기반의 딥러닝 모델의 입력 변수는 통상적으로 연속형 데이터를 갖는 변수이기 때문에, 효과적으로 상기 딥러닝 모델을 트레이닝하기 위해서는 범주형 변수(e.g. KSIC 코드)를 연속형 변수로 변환하는 과정이 요구될 수 있다. 따라서, 본 발명의 실시예에 따르면, 도 7에 도시된 바와 같이, 범주형 변수가 연속형 데이터를 갖는 더미 변수(dummy variable)로 변환될 수 있다. 특히, 도 7은 일부 KSIC 코드가 더미 변수로 변환된 것을 예로써 도시하고 있다. 도 7에 도시된 바와 같이, 특정 KSIC 코드("01110")를 기준으로 더미 변수(X₁, X₂, X₃, X₄)에 0 또는 1을 할당함으로써, 범주형 데이터가 연속형 데이터로 변환될 수 있다. 그러나, 더미 변수에 할당되는 값은 실시예에 따라 얼마든지 달라질 수 있다. 당해 기술 분야의 통상의 기술자라면 더미 변수의 활용 방법에 대하여 자명하게 이해할 수 있을 것인 바, 더 이상의 설명은 생략하도록 한다.

지금까지 도 6 및 도 7을 참조하여 본 발명의 제1 실시예에 따른 딥러닝 모델의 구조 및 트레이닝 방법에 대하여 설명하였다. 이하에서는, 본 발명의 제2 실시예에 따른 딥러닝 모델의 구조 및 트레이닝 방법에 대하여 설명하도록 한다.

도 8 및 도 9는 본 발명의 제2 실시예에 따른 딥러닝 모델의 구조 및 트레이닝 방법을 설명하기 위한 도면이다. 이하에서는, 전술한 실시예들과 동일하거나 유사한 내용에 대한 설명은 생략하고, 전술한 실시예들과의 차이점을 중심으로 설명을 이어가도록 한다.

도 8에 도시된 바와 같이, 상기 제2 실시예에 따른 딥러닝 모델의 판별기(42)는 제1 분류기(43) 및 제2 분류기(44)를 포함하도록 구성된다. 즉, 판별기(42)는 도 6에 도시된 판별기(32)와 비교하여 하나의 분류기(44)를 더 포함한다. 참고로, 제1 분류기(43)와 제2 분류기(44)는 기능적으로 구분되는 기능 요소들을 나타낸 것으로서, 구현 방식에 따라 하나의 신경망으로 구현될 수도 있다.

제1 분류기(43)는 도 6에 도시된 판별기(32)와 유사하게 입력된 데이터 샘플이 실제 데이터인지 여부를 예측한다. 제2 분류기(44)는 입력된 데이터 샘플을 기초로 평가 대상의 클래스를 예측한다. 즉, 제1 분류기(43)는 가상 데이터와 실제 데이터 2개의 클래스에 대한 분류 기능을 수행하고, 제2 분류기(44)는 평가 대상과 연관된 클래스(e.g. KSIC 코드)에 대한 분류 기능을 수행한다.

생성기(41)는 랜덤 노이즈 외에도 평가 대상의 클래스 정보(45)를 더 입력받고, 클래스 정보(45)가 포함된 가상의 데이터 샘플을 생성한다. 판별기(42)는 2가지의 판별 결과를 제공하므로, 생성기(41)는 2가지 판별 결과에 대한 오차 판단 과정(46, 47)를 통해 트레이닝될 수 있다. 이하에서, 도 9를 참조하여 상기 딥러닝 모델의 트레이닝 방법에 대하여 부연 설명하도록 한다.

도 9를 참조하면, 단계(S100)에서, 가치 평가 장치(100)는 클래스 정보가 포함된 실제 데이터 샘플 및/또는 가상 데이터 샘플을 이용하여 제1 분류기(43) 및 제2 분류기(44)를 트레이닝한다. 즉, 본 단계(S100)에서, 각 분류기(43, 44)를 통해 입력된 데이터 샘플의 클래스를 예측하고, 예측 결과에 따른 오차를 산출하며, 산출된 오차를 역전파하여 분류기(43, 44)의 가중치를 갱신하는 과정이 수행된다.

단계(S120)에서, 가치 평가 장치(100)는 생성기(41)를 이용하여 클래스 정보가 포함된 가상 데이터 샘플을 생성한다.

단계(S140)에서, 가치 평가 장치(100)는 가상 데이터 샘플을 제1 분류기(43)에 적용하고, 오차 판단 과정(46)을 통해 제1 오차를 결정한다.

단계(S160)에서, 가치 평가 장치(100)는 가상 데이터 샘플을 제2 분류기(44)에 적용하고, 오차 판단 과정(47)을 통해 제2 오차를 결정한다.

단계(S180)에서, 가치 평가 장치(100)는 상기 제1 오차 및 상기 제2 오차를 이용하여 생성기(41)를 트레이닝한다. 즉, 본 단계(S180)에서, 상기 제1 오차 및 상기 제2 오차를 역전파하여 생성기(41)의 가중치를 갱신하는 과정이 수행된다. 이때, 분류기(43, 44)의 가중치는 갱신되지 않을 수 있다.

전술한 단계(S100 내지 S180)는 반복하여 수행될 수 있다. 즉, 판별기(42)와 생성기(41)의 트레이닝은 번갈아가며 반복적으로 수행될 수 있다.

지금까지 도 8 및 도 9를 참조하여 본 발명의 제2 실시예에 따른 딥러닝 모델의 구조 및 트레이닝 방법에 대하여 설명하였다. 상술한 방법에 따르면, 생성기(41)는 평가 대상의 클래스(e.g. KSIC 코드)를 분류하는 제2 분류기(44)의 오차를 더 트레이닝함으로써, 평가 대상의 클래스에 부합하는 정확한 가상 데이터 샘플을 생성할 수 있게 된다. 이에 따라, 가치 평가 결과의 정확성 및 신뢰성이 더욱 향상될 수 있다.

이하에서는, 본 발명의 제3 실시예에 따른 딥러닝 모델의 구조 및 트레이닝 방법에 대하여 설명하도록 한다.

도 10은 본 발명의 제3 실시예에 따른 딥러닝 모델의 구조 및 트레이닝 방법을 설명하기 위한 도면이다. 이하에서는, 전술한 실시예들과 동일하거나 유사한 내용에 대한 설명은 생략하고, 전술한 실시예들과의 차이점을 중심으로 설명을 이어가도록 한다.

도 10을 참조하면, 상기 제3 실시예에 따른 딥러닝 모델은 생성기(51), 판별기(52) 및 분류기(53)를 포함하도록 구성된다. 즉, 상기 딥러닝 모델은 전술한 실시예들과는 달리 별도의 분류기(53)를 더 포함한다. 분류기(53)는 평가 대상의 클래스를 분류하므로, 도 8에 도시된 제2 분류기(44)와 동일한 기능을 수행하는 것으로 이해될 수 있다. 그러나, 분류기(53)는 판별기(52)에 포함되지 않는 점에서 제2 실시예에 따른 딥러닝 모델과 차이가 있다.

분류기(53)는 클래스 레이블이 주어지지 않은 실제 데이터 샘플(54)에 평가 대상에 대한 클래스 레이블을 부여하는데 이용된다. 이는, 보다 많은 실제 데이터 샘플을 이용하여 판별기(52)를 트레이닝함으로써 판별기(52)의 정확성 및 신뢰성을 향상시키고, 나아가 적대적 트레이닝을 통해 생성기(51)의 정확성 또한 향상시키기 위해서이다.

분류기(53)는 본래 클래스 레이블이 포함된 실제 데이터 샘플(56) 및 생성기(51)에 의해 생성된 가상 데이터 샘플을 기초로 트레이닝될 수 있다.

판별기(52)는 분류기(53)를 통해 클래스 레이블이 부여된 실제 데이터 샘플(55), 본래 클래스 레이블이 포함된 실제 데이터 샘플(56) 및 생성기(51)가 생성한 가상 데이터 샘플을 기초로 트레이닝될 수 있다.

생성기(51)는 전술한 바와 유사한 방식으로 트레이닝되는 바, 이에 대한 설명은 생략하도록 한다.

지금까지 도 10을 참조하여 본 발명의 제3 실시예에 따른 딥러닝 모델의 구조 및 트레이닝 방법에 대하여 설명하였다. 상술한 방법에 따르면, 별도의 분류기(53)를 통해 클래스 레이블이 존재하지 않는 실제 데이터 샘플이 판별기(52) 및/또는 생성기(51)의 트레이닝 데이터셋으로 활용될 수 있다. 따라서, 딥러닝 모델의 전반적인 정확도 및 신뢰도가 더욱 향상될 수 있다.

참고로, 전술한 제1 실시예 내지 제3 실시예의 조합을 통해 딥러닝 모델이 구축될 수도 있다. 예를 들어, 딥러닝 모델은 제1 분류기(43), 제2 분류기(44)를 포함하는 판별기, 생성기를 포함하고 별도의 분류기(53)를 더 포함하도록 구성될 수도 있다.

한편, 지금까지 설명한 딥러닝 모델의 생성기(e.g. 31, 41, 51)는 하나의 신경망으로 구성된 것을 가정하여 설명하였다. 그러나, 도 11에 도시된 바와 같이, 본 발명의 다른 실시예에 따른 생성기(60)는 복수의 서브 생성기(61, 63)로 구현되고, 복수의 서브 생성기(61, 63) 각각은 독립적인 신경망으로 구현될 수도 있다.

이와 같은 경우, 제1 서브 생성기(61)는 제1 가상 데이터(62)를 생성하고, 제2 서브 생성기(63)는 제2 가상 데이터(64)를 생성하며, 생성기(60)가 최종적으로 각 서브 생성기(61, 63)에 의해 생성된 가상 데이터(62, 64)를 종합하여 가상의 데이터 샘플(65)을 생성할 수 있다.

전술한 바에 따르면, 각 서브 생성기(61, 63)가 실제 데이터 샘플 전체를 모사하도록 트레이닝되는 것이 아니라 일부 데이터만을 모사하도록 트레이닝된다. 따라서, 실제 데이터의 분포(또는 특성)가 더욱 정밀하게 모사될 수 있으며, 이에 따라, 가상 데이터 샘플의 신뢰성 및 정확성이 더욱 향상될 수 있다.

지금까지 도 6 내지 도 11을 참조하여 본 발명의 몇몇 실시예들에 따른 딥러닝 모델의 구조 및 트레이닝 방법에 대하여 설명하였다. 이하에서는, 도 12 이하의 도면을 참조하여, 본 발명의 몇몇 실시예들에 따른 딥러닝 기반 가치 평가 방법에 대한 설명을 이어가도록 한다.

도 12는 본 발명의 제1 실시예에 따른 딥러닝 기반 가치 평가 방법을 나타내는 흐름도이다. 단, 이는 본 발명의 목적을 달성하기 위한 바람직한 실시예일 뿐이며, 필요에 따라 일부 단계가 추가되거나 삭제될 수 있음은 물론이다.

도 12를 참조하면, 상기 제1 실시예에 따른 딥러닝 기반 가치 평가 방법은 가치 평가 장치(100)가, 정확하게는 가상 데이터 생성부(120)가, GAN 기반의 딥러닝 모델을 구축하는 단계(S200)에서 시작된다. 본 단계(S200)에 대한 자세한 설명은 도 6 내지 도 11에 대한 설명 부분을 참조하도록 한다.

단계(S220)에서, 가치 평가 장치(100)는 평가 대상의 클래스 정보를 획득한다. 예를 들어, 가치 평가 장치(100)는, 정확하게는 사용자 인터페이스 제공부(110)는, 소정의 사용자 인터페이스를 제공하고, 사용자 단말로부터 평가 대상의 클래스 정보를 입력받을 수 있다.

보다 구체적인 예를 들어, 평가 대상이 기술인 경우, 가치 평가 장치(100)는 IPC 코드, SIC 코드 등을 평가 대상 기술의 클래스 정보로 입력받을 수 있다.

단계(S240)에서, 가치 평가 장치(100)는, 정확하게는 가상 데이터 생성부(120)는, GAN 기반 딥러닝 모델을 이용하여 가상 데이터 샘플로 구성된 평가 기초 데이터 생성한다.

단계(S260)에서, 가치 평가 장치(100)는, 정확하게는 가치 평가부(150)는, 생성된 평가 기초 데이터를 가치 평가 모델에 적용하여 평가 대상의 가치를 평가한다. 이때, 상기 가치 평가 모델은 현금 흐름 할인 모형일 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다. 예를 들어, 상기 가치 평가 모델은 전술한 바와 같이 기계 학습 모델로 구현될 수도 있다.

현금 흐름 할인 모형이 가치 평가 모델로 이용되는 경우, 도 13에 도시된 바와 같이, 평가 기초 데이터를 구성하는 가상의 데이터 샘플 각각은 기술 수명(71), 여유 현금 흐름(72), 할인율(73), 기술 기여도(74)에 관한 데이터를 포함하게 된다. 따라서, 가치 평가 장치(100)는 각 데이터(71 내지 74)를 현금 흐름 할인 모형에 기초한 수식(75)에 적용하여, 평가 대상에 대한 가치 평가를 수행할 수 있다.

본 발명의 몇몇 실시예들에 따르면, 딥러닝 모델에 의해 생성된 평가 기초 데이터는 복수개의 데이터 샘플로 구성될 수 있다. 이와 같은 경우, 가치 평가 단계(S260)에서, 평가 대상에 대한 가치 평가 값 외에도 가치 평가 분포, 가치 평가 범위 등의 추가적인 가치 평가 결과가 더 제공될 수 있다. 이하, 도 14 내지 도 17을 참조하여, 상기 몇몇 실시예들에 대하여 설명하도록 한다.

도 14 및 도 15는 평가 대상의 가치 분포 및 범위를 가치 평가 결과로 더 제공하는 실시예를 설명하기 위한 도면이다.

도 14를 참조하면, 단계(S262)에서, 가치 평가 장치(100)는 복수개의 데이터 샘플을 가치 평가 모델에 적용하여 복수개의 가치 평가 값을 결정한다. 예를 들어, 가치 평가 장치(100)는 복수개의 데이터 샘플 각각을 현금 흐름 할인 모형에 적용하여 복수개의 가치 평가 값을 결정할 수 있다.

단계(S264)에서, 가치 평가 장치(100)는 복수개의 가치 평가 값을 기초로 평가 대상의 가치 분포 및 범위를 추정한다. 예를 들어, 도 15에 도시된 바와 같이, 가치 평가 장치(100)는 현금 흐름 할인 모형(77)을 통해 평가 기초 데이터(76)로부터 복수개의 가치 평가 값을 도출하고, 복수개의 가치 평가 값에 커널 밀도 추정(kernel density estimation) 기법을 적용함으로써 평가 대상의 가치 분포(78)를 추정할 수 있다. 특히, 도 15는 평가 대상의 가치 분포(78)가 그래프 형태로 제공된 것이 예로써 도시되었다. 실시예에 따라, 커널 밀도 추정 기법을 적용하지 않고, 히스토그램 형태로 평가 대상의 가치 분포 정보가 제공될 수도 있다.

또한, 가치 평가 장치(100)는 평가 대상의 가치 범위 정보를 제공할 수 있는데, 예를 들어, 상기 가치 범위는 상기 가치 평가 값의 최댓값과 최솟값에 따라 결정될 수 있다. 다른 예를 들어, 상기 가치 범위는 가치 분포의 신뢰 상한 값과 신뢰 하한 값에 따라 결정될 수 있다. 이때, 신뢰 상한 및 하한 값을 결정하기 위한 신뢰 수준 값은 실시예에 따라 얼마든지 달라질 수 있다.

한편, 본 발명의 실시예에 따르면, 가치 평가 결과의 신뢰성을 더욱 향상시키기 위해, 복수의 가상 데이터 샘플에 대한 필터링 과정이 더 수행될 수 있다. 즉, 평가 기초 데이터를 구성하는 복수의 가상 데이터 샘플 중에서 신뢰도가 낮은 일부 데이터 샘플을 제외하고, 나머지 데이터 샘플을 기초로 평가 대상에 대한 가치 평가가 수행될 수 있다. 이하, 본 실시예에 대하여, 도 16 및 도 17을 참조하여 부연 설명하도록 한다.

도 16에 도시된 바와 같이, 가치 평가 장치(100)는 신뢰도가 낮은 일부 데이터 샘플을 제외하고 평가 데이터에 대한 가치 평가를 수행할 수 있다(S261 내지 S265).

도 17에 도시된 바와 같이, 복수의 가상 데이터 샘플(81) 각각의 신뢰도는 분류기 및/또는 판별기(82)의 컨피던스 스코어에 기초하여 결정될 수 있다. 여기서, 분류기(82)는 평가 대상의 클래스를 분류하는 기계 학습 모델을 의미하고, 판별기(82)는 입력된 데이터 샘플이 실제 데이터인지 여부를 판별하는 기계 학습 모델을 의미한다.

보다 구체적으로, 가치 평가 장치(100)는 복수의 가상 데이터 샘플(81) 각각을 분류기(82)에 입력하여 개별 데이터 샘플에 대한 컨피던스 스코어를 획득할 수 있다. 이때, 상기 컨피던스 스코어는 개별 데이터 샘플에 포함된 클래스 정보에 대한 컨피던스 스코어를 의미한다. 다음으로, 가치 평가 장치(100)는 획득된 컨피던스 스코어를 임계치와 비교하는 과정(83)을 수행하고, 임계치 이상인 가상 데이터 샘플만을 기초로 가치 평가 결과(85)를 도출할 수 있다.

상기 임계치는 기 설정된 고정 값 또는 상황에 따라 변동되는 변동 값일 수 있다. 예를 들어, 상기 임계치는 딥러닝 모델에 의해 생성된 가상 데이터 샘플의 개수, 평균 컨피던스 스코어 등에 기초하여 변동되는 변동 값일 수 있다.

판별기(82)를 기초로 신뢰성 판단(83)을 수행하는 경우, 상기 임계치와 비교되는 컨피던스 스코어는 실제 데이터에 대한 컨피던스 스코어가 된다.

지금까지 도 14 내지 도 17을 참조하여 가치 평가 단계(S260)와 연관된 몇몇 실시예들에 대하여 설명하였다. 상술한 바에 따르면, 사용자에게 풍부한 가치 평가가 제공되는 바, 가치 평가 서비스에 대한 사용자의 만족도가 향상될 수 있다. 뿐만 아니라, 가상 데이터 샘플에 대한 필터링 과정을 통해 가치 평가 결과의 신뢰도가 더욱 향상될 수 있다.

이하에서는, 도 18 내지 도 20을 참조하여 본 발명의 제2 실시예에 따른 딥러닝 기반 가치 평가 방법에 대하여 설명하도록 한다. 상기 제2 실시예에 따른 딥러닝 기반 가치 평가 방법은 가상 데이터 샘플 외에도 실제 데이터 샘플을 더 활용하여 가치 평가를 수행한다. 이하, 상기 제1 실시예에 따른 가치 평가 방법과의 차이점을 중심으로 설명을 이어가도록 한다.

도 18은 본 발명의 제2 실시예에 따른 딥러닝 기반 가치 평가 방법을 나타내는 흐름도이다. 단, 이는 본 발명의 목적을 달성하기 위한 바람직한 실시예일 뿐이며, 필요에 따라 일부 단계가 추가되거나 삭제될 수 있음은 물론이다.

도 18을 참조하면, 상기 제2 실시예에 따른 딥러닝 기반 가치 평가 방법 또한 가치 평가 장치(100)가, 정확하게는 가상 데이터 생성부(120)가, GAN 기반의 딥러닝 모델을 구축하는 단계에서 시작된다(S300). 본 단계(S300)에 대한 자세한 설명은 도 6 내지 도 11에 대한 설명 부분을 참조하도록 한다.

단계(S320)에서, 가치 평가 장치(100)는 평가 대상의 클래스 정보를 획득한다.

단계(S340)에서, 가치 평가 장치(100)는, 정확하게는 가상 데이터 생성부(120)는, 딥러닝 모델을 이용하여 가상 데이터 샘플로 구성된 제1 평가 기초 데이터를 생성한다.

단계(S360)에서, 가치 평가 장치(100)는 실제 데이터 샘플로 구성된 제2 평가 기초 데이터를 획득한다. 예를 들어, 실제 데이터 제공부(140)가 평가 기초 데이터 DB(130)에서 평가 대상의 클래스 정보와 연관된 실제 데이터 샘플을 조회함으로써 상기 제2 평가 기초 데이터가 획득될 수 있다.

단계(S380)에서, 가치 평가 장치(100)는, 정확하게는 가치 평가부(150)는, 상기 제1 평가 기초 데이터 및 상기 제2 평가 기초 데이터를 기초로 가치 평가를 수행한다. 본 단계(S380)에 대하여, 도 19 및 도 20을 참조하여 부연 설명하도록 한다.

도 19를 참조하면, 가치 평가 장치(100)는 각각의 평가 기초 데이터를 가치 평가 모델에 적용하고, 가치 평가 모델로부터 획득된 제1 및 제2 가치 평가 값을 이용하여 평가 대상에 대한 최종 가치 평가 값을 결정할 수 있다(S386).

가령, 도 20에 도시된 바와 같이, 가치 평가 장치(100)는 각각의 가치 평가 값의 가중치 합을 통해 최종 가치 평가 값(96)을 결정할 수 있다. 이때, 가상의 평가 기초 데이터(92)를 가치 평가 모델(93)에 적용하여 산출된 제1 가치 평가 값과 실제의 평가 기초 데이터(91)를 가치 평가 모델(93)에 적용하여 산출된 제2 가치 평가 값에 부여되는 가중치(94, 95)는 다양한 방식으로 결정될 수 있다.

일 실시예에서, 상기 제2 가치 평가 값에 더 높은 가중치가 부여될 수 있다. 통상적으로 실제 데이터 샘플의 신뢰도가 가상 데이터 샘플의 신뢰도보다 높을 것이기 때문이다.

다른 실시예에서, 각 가치 평가 값의 가중치는 평가 기초 데이터(91, 92)에 대한 판별기의 컨피던스 스코어에 기초하여 결정될 수 있다. 예를 들어, 평가 기초 데이터(91, 92)의 컨피던스 스코어 간의 비율에 따라 가치 평가 값의 가중치가 결정될 수 있다. 다른 예를 들어, 가상의 평가 기초 데이터(92)의 컨피던스 스코어를 기초로 상기 제1 가치 평가 값의 가중치가 결정되면 상대적인 비중으로 상기 제2 가치 평가 값의 가중치가 결정될 수 있다. 즉, 가상의 평가 기초 데이터(92)의 컨피던스 스코어가 낮을수록 상기 제1 가치 평가 값의 가중치는 낮은 값으로 결정되고, 반대로 제2 가치 평가 값의 가중치는 높은 값으로 결정될 수 있다. 본 실시예에 따르면, 판별기에 의해 실제 데이터에 더 가깝다고 판단된 평가 기초 데이터의 가치 평가 값에 더 높은 가중치가 부여될 수 있다.

또 다른 실시예에서, 각 가치 평가 값의 가중치는 각각의 평가 기초 데이터(91, 92)에 대한 분류기의 컨피던스 스코어에 기초하여 결정될 수 있다. 이때, 상기 분류기는 평가 대상에 대한 클래스를 분류하는 기계 학습 모델을 의미한다. 가중치를 부여하는 방식은 이전 실시예와 유사하므로, 이에 대한 설명은 생략하도록 한다.

또 다른 실시예에서, 각 가치 평가 값의 가중치는 각각의 평가 기초 데이터(91, 92)에 대한 판별기의 제1 컨피던스 스코어와 분류기의 제2 컨피던스 스코어를 모두 고려하여 결정될 수도 있다.

지금까지 도 18 내지 도 20을 참조하여 본 발명의 제2 실시예에 따른 딥러닝 기반 가치 평가 방법에 대하여 설명하였다. 상술한 방법에 따르면, 평가 대상의 클래스 정보에 대한 실제 데이터 샘플이 존재하는 경우, 실제 데이터 샘플을 평가 기초 데이터로 활용함으로써 가치 평가 결과의 신뢰도가 더욱 향상될 수 있다.

지금까지 도 2 내지 도 20을 참조하여 본 발명의 몇몇 실시예들 및 그 실시예들에 따른 효과들을 언급하였다. 본 발명의 효과들은 이상에서 언급한 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

지금까지 도 2 내지 도 20을 참조하여 설명된 본 발명의 개념은 컴퓨터가 읽을 수 있는 매체 상에 컴퓨터가 읽을 수 있는 코드로 구현될 수 있다. 상기 컴퓨터로 읽을 수 있는 기록 매체는, 예를 들어 이동형 기록 매체(CD, DVD, 블루레이 디스크, USB 저장 장치, 이동식 하드 디스크)이거나, 고정식 기록 매체(ROM, RAM, 컴퓨터 구비 형 하드 디스크)일 수 있다. 상기 컴퓨터로 읽을 수 있는 기록 매체에 기록된 상기 컴퓨터 프로그램은 인터넷 등의 네트워크를 통하여 다른 컴퓨팅 장치에 전송되어 상기 다른 컴퓨팅 장치에 설치될 수 있고, 이로써 상기 다른 컴퓨팅 장치에서 사용될 수 있다.

이상에서, 본 발명의 실시예를 구성하는 모든 구성 요소들이 하나로 결합되거나 결합되어 동작하는 것으로 설명되었다고 해서, 본 발명이 반드시 이러한 실시예에 한정되는 것은 아니다. 즉, 본 발명의 목적 범위 안에서라면, 그 모든 구성요소들이 하나 이상으로 선택적으로 결합하여 동작할 수도 있다.

도면에서 동작들이 특정한 순서로 도시되어 있지만, 반드시 동작들이 도시된 특정한 순서로 또는 순차적 순서로 실행되어야만 하거나 또는 모든 도시 된 동작들이 실행되어야만 원하는 결과를 얻을 수 있는 것으로 이해되어서는 안 된다. 특정 상황에서는, 멀티태스킹 및 병렬 처리가 유리할 수도 있다. 더욱이, 위에 설명한 실시예들에서 다양한 구성들의 분리는 그러한 분리가 반드시 필요한 것으로 이해되어서는 안 되고, 설명된 프로그램 컴포넌트들 및 시스템들은 일반적으로 단일 소프트웨어 제품으로 함께 통합되거나 다수의 소프트웨어 제품으로 패키지 될 수 있음을 이해하여야 한다.

이상 첨부된 도면을 참조하여 본 발명의 실시예들을 설명하였지만, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적인 것이 아닌 것으로 이해해야만 한다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.

Claims (22)

1. 가치 평가 장치에 의해 수행되는 딥러닝 기반의 가치 평가 방법에 있어서,
   평가 대상의 클래스 정보를 입력받는 단계;
   GAN(Generative Adversarial Network) 기반의 딥러닝 모델을 이용하여, 상기 입력된 클래스 정보와 연관된 제1 평가 기초 데이터를 생성하되, 상기 제1 평가 기초 데이터는 가상의 데이터 샘플로 구성되는 것인, 단계;
   상기 클래스 정보와 연관된 제2 평가 기초 데이터를 획득하되, 상기 제2 평가 기초 데이터는 실제의 데이터 샘플로 구성되는 것인, 단계;
   상기 제1 평가 기초 데이터를 가치 평가 모델에 적용하여 상기 평가 대상의 제1 가치 평가 결과를 산출하는 단계;
   상기 제2 평가 기초 데이터를 상기 가치 평가 모델에 적용하여 상기 평가 대상의 제2 가치 평가 결과를 산출하는 단계; 및
   상기 제1 가치 평가 결과 및 상기 제2 가치 평가 결과의 가중치 합에 기초하여 상기 평가 대상에 대한 최종 가치 평가 결과를 산출하는 단계를 포함하되,
   상기 딥러닝 모델은 상기 제1 평가 기초 데이터를 생성하는 생성기(generator)와 실제 데이터와 가상 데이터를 판별하는 판별기(discriminator)를 포함하고,
   상기 최종 가치 평가 결과를 산출함에 있어서, 상기 제1 가치 평가 결과와 상기 제2 가치 평가 결과에 적용되는 가중치는, 상기 제1 평가 기초 데이터를 상기 판별기에 적용하여 획득된 컨피던스 스코어(confidence score)에 기초하여 결정되는 것을 특징으로 하는,
   딥러닝 기반의 가치 평가 방법.
2. 제1 항에 있어서,
   상기 평가 대상은 기술이고,
   상기 평가 대상의 클래스 정보는 IPC(International Patent Classification) 코드 및 SIC(Standard Industrial Classification) 코드 중 적어도 하나를 포함하는 것을 특징으로 하는,
   딥러닝 기반의 가치 평가 방법.
3. 제1 항에 있어서,
   상기 가치 평가 모델은 현금 흐름 할인 모형인 것을 특징으로 하는,
   딥러닝 기반의 가치 평가 방법.
4. 제1 항에 있어서,
   상기 제1 평가 기초 데이터는 복수개의 데이터 샘플을 포함하고,
   상기 제1 가치 평가 결과를 산출하는 단계는,
   상기 복수개의 데이터 샘플을 상기 가치 평가 모델에 적용하여, 복수개의 가치 평가 값을 결정하는 단계; 및
   상기 복수개의 가치 평가 값에 커널 밀도 추정(kernel density estimation) 기법을 적용하여, 상기 평가 대상의 가치 분포를 추정하는 단계를 포함하는 것을 특징으로 하는,
   딥러닝 기반의 가치 평가 방법.
5. 제1 항에 있어서,
   상기 제1 평가 기초 데이터는 복수개의 데이터 샘플을 포함하고,
   상기 제1 가치 평가 결과를 산출하는 단계는,
   상기 복수개의 데이터 샘플 각각을 분류기(classifier)에 적용하여, 상기 클래스 정보에 대한 컨피던스 스코어를 결정하는 단계; 및
   상기 컨피던스 스코어가 임계치 이상인 데이터 샘플에 기초하여 상기 제1 가치 평가 결과를 산출하는 단계를 포함하되,
   상기 분류기는 입력된 데이터 샘플을 기초로 상기 평가 대상의 클래스를 예측하는 기계 학습 모델인 것을 특징으로 하는,
   딥러닝 기반의 가치 평가 방법.
6. 제1 항에 있어서,
   상기 제1 평가 기초 데이터는 복수개의 데이터 샘플을 포함하고,
   상기 제1 가치 평가 결과를 산출하는 단계는,
   상기 복수개의 데이터 샘플 각각을 상기 판별기에 적용하여, 실제 데이터에 대한 컨피던스 스코어를 결정하는 단계; 및
   상기 컨피던스 스코어가 임계치 이상인 데이터 샘플에 기초하여 상기 제1 가치 평가 결과를 산출하는 단계를 포함하는 것을 특징으로 하는,
   딥러닝 기반의 가치 평가 방법.
7. 제1 항에 있어서,
   상기 딥러닝 모델의 트레이닝 데이터는 범주형 값을 갖는 제1 변수에 관한 데이터를 포함하고,
   상기 딥러닝 모델을 트레이닝하는 단계를 더 포함하되,
   상기 트레이닝하는 단계는,
   상기 제1 변수를 더미 변수(dummy variable)로 변환하는 단계; 및
   상기 더미 변수에 관한 데이터를 이용하여 상기 딥러닝 모델을 트레이닝하는 단계를 포함하는 것을 특징으로 하는,
   딥러닝 기반의 가치 평가 방법.
8. 제1 항에 있어서,
   상기 판별기는 가상 데이터와 실제 데이터를 분류하는 제1 분류기와 상기 평가 대상의 클래스를 분류하는 제2 분류기를 포함하되,
   상기 생성기의 입력 데이터 및 출력 데이터는 상기 평가 대상의 클래스 정보를 포함하는 것을 특징으로 하는,
   딥러닝 기반의 가치 평가 방법.
9. 제8 항에 있어서,
   상기 딥러닝 모델을 트레이닝하는 단계를 더 포함하되,
   상기 트레이닝하는 단계는,
   상기 생성기에 의해 생성된 제1 가상 데이터 샘플을 상기 제1 분류기에 적용하여, 상기 제1 가상 데이터 샘플에 대한 제1 오차를 결정하는 단계;
   상기 제1 가상 데이터 샘플을 상기 제2 분류기에 적용하여, 상기 제1 가상 데이터 샘플에 대한 제2 오차를 결정하는 단계; 및
   상기 제1 오차 및 상기 제2 오차를 이용하여, 상기 생성기를 트레이닝하는 단계를 포함하는 것을 특징으로 하는,
   딥러닝 기반의 가치 평가 방법.
10. 제1 항에 있어서,
    상기 딥러닝 모델은 상기 평가 대상의 클래스를 분류하는 분류기를 더 포함하는 것을 특징으로 하는,
    딥러닝 기반의 가치 평가 방법.
11. 제10 항에 있어서,
    상기 딥러닝 모델을 트레이닝하는 단계를 더 포함하되,
    상기 트레이닝하는 단계는,
    상기 평가 대상의 클래스 정보가 포함된 제1 실제 데이터 샘플과 상기 생성기에 의해 생성된 제1 가상 데이터 샘플을 이용하여 상기 분류기를 트레이닝하는 단계;
    상기 트레이닝된 분류기를 이용하여, 상기 평가 대상의 클래스 정보가 포함되지 않은 제2 실제 데이터 샘플에 상기 평가 대상의 클래스를 부여하는 단계; 및
    상기 클래스가 부여된 상기 제2 실제 데이터 샘플을 이용하여 상기 딥러닝 모델을 트레이닝하는 단계를 포함하는 것을 특징으로 하는,
    딥러닝 기반의 가치 평가 방법.
12. 제1 항에 있어서,
    상기 제1 평가 기초 데이터는 상기 가치 평가 모델의 제1 모델 변수에 대응되는 제1 가상 데이터와 제2 모델 변수에 대응되는 제2 가상 데이터를 포함하고,
    상기 생성기는 상기 제1 가상 데이터를 생성하는 제1 서브 생성기(sub-generator)와 상기 제2 가상 데이터를 생성하는 제2 서브 생성기를 포함하는 것을 특징으로 하는,
    딥러닝 기반의 가치 평가 방법.
13. 삭제
14. 삭제
15. 프로세서;
    상기 프로세서에 의해 실행되는 컴퓨터 프로그램을 로드(load)하는 메모리; 및
    상기 컴퓨터 프로그램을 저장하는 스토리지를 포함하되,
    상기 컴퓨터 프로그램은,
    평가 대상의 클래스 정보를 입력받는 동작;
    GAN(Generative Adversarial Network) 기반의 딥러닝 모델을 이용하여, 상기 클래스 정보와 연관된 제1 평가 기초 데이터를 생성하되, 상기 제1 평가 기초 데이터는 가상의 데이터 샘플로 구성되는 것인, 동작;
    상기 클래스 정보와 연관된 제2 평가 기초 데이터를 획득하되, 상기 제2 평가 기초 데이터는 실제의 데이터 샘플로 구성되는 것인, 동작;
    상기 제1 평가 기초 데이터를 가치 평가 모델에 적용하여 상기 평가 대상의 제1 가치 평가 결과를 산출하는 동작;
    상기 제2 평가 기초 데이터를 상기 가치 평가 모델에 적용하여 상기 평가 대상의 제2 가치 평가 결과를 산출하는 동작; 및
    상기 제1 가치 평가 결과 및 상기 제2 가치 평가 결과의 가중치 합에 기초하여 상기 평가 대상에 대한 최종 가치 평가 결과를 산출하는 동작을 수행하도록 하는 인스트럭션들(instructions)을 포함하고,
    상기 딥러닝 모델은 상기 제1 평가 기초 데이터를 생성하는 생성기(generator)와 실제 데이터와 가상 데이터를 판별하는 판별기(discriminator)를 포함하고,
    상기 최종 가치 평가 결과를 산출함에 있어서, 상기 제1 가치 평가 결과와 상기 제2 가치 평가 결과에 적용되는 가중치는, 상기 제1 평가 기초 데이터를 상기 판별기에 적용하여 획득된 컨피던스 스코어(confidence score)에 기초하여 결정되는 것을 특징으로 하는,
    가치 평가 장치.
16. 제15 항에 있어서,
    상기 평가 대상은 기술이고,
    상기 평가 대상의 클래스 정보는 IPC(International Patent Classification) 코드 및 SIC(Standard Industrial Classification) 코드 중 적어도 하나를 포함하는 것을 특징으로 하는,
    가치 평가 장치.
17. 제15 항에 있어서,
    상기 가치 평가 모델은 현금 흐름 할인 모형인 것을 특징으로 하는,
    가치 평가 장치.
18. 제15 항에 있어서,
    상기 제1 평가 기초 데이터는 복수개의 데이터 샘플을 포함하고,
    상기 평가 대상의 제1 가치 평가 결과를 산출하는 동작은,
    상기 복수개의 데이터 샘플을 상기 가치 평가 모델에 적용하여, 복수개의 가치 평가 값을 결정하는 동작; 및
    상기 복수개의 가치 평가 값에 커널 밀도 추정(kernel density estimation) 기법을 적용하여, 상기 평가 대상의 가치 분포를 추정하는 동작을 포함하는 것을 특징으로 하는,
    가치 평가 장치.
19. 제15 항에 있어서,
    상기 딥러닝 모델의 트레이닝 데이터는 범주형 값을 갖는 제1 변수에 관한 데이터를 포함하고,
    상기 컴퓨터 프로그램은,
    상기 딥러닝 모델을 트레이닝하는 동작을 수행하도록 하는 인스트럭션들을 더 포함하되,
    상기 트레이닝하는 동작은,
    상기 제1 변수를 더미 변수(dummy variable)로 변환하는 동작; 및
    상기 더미 변수에 관한 데이터를 이용하여 상기 딥러닝 모델을 트레이닝하는 동작을 포함하는 것을 특징으로 하는,
    가치 평가 장치.
20. 제15 항에 있어서,
    상기 판별기는 가상 데이터와 실제 데이터를 분류하는 제1 분류기와 상기 평가 대상의 클래스를 분류하는 제2 분류기를 포함하되,
    상기 생성기의 입력 데이터 및 출력 데이터는 상기 평가 대상의 클래스 정보를 포함하는 것을 특징으로 하는,
    가치 평가 장치.
21. 제20 항에 있어서,
    상기 컴퓨터 프로그램은,
    상기 딥러닝 모델을 트레이닝하는 동작을 수행하도록 하는 인스트럭션들을 더 포함하되,
    상기 트레이닝하는 동작은,
    상기 생성기에 의해 생성된 제1 가상 데이터 샘플을 상기 제1 분류기에 적용하여, 상기 제1 가상 데이터 샘플에 대한 제1 오차를 결정하는 동작;
    상기 제1 가상 데이터 샘플을 상기 제2 분류기에 적용하여, 상기 제1 가상 데이터 샘플에 대한 제2 오차를 결정하는 동작; 및
    상기 제1 오차 및 상기 제2 오차를 이용하여, 상기 생성기를 트레이닝하는 동작을 포함하는 것을 특징으로 하는,
    가치 평가 장치.
22. 컴퓨팅 장치와 결합되어,
    평가 대상의 클래스 정보를 입력받는 단계;
    GAN(Generative Adversarial Network) 기반의 딥러닝 모델을 이용하여, 상기 입력된 클래스 정보와 연관된 제1 평가 기초 데이터를 생성하되, 상기 제1 평가 기초 데이터는 가상의 데이터 샘플로 구성되는 것인, 단계;
    상기 클래스 정보와 연관된 제2 평가 기초 데이터를 획득하되, 상기 제2 평가 기초 데이터는 실제의 데이터 샘플로 구성되는 것인, 단계;
    상기 제1 평가 기초 데이터를 가치 평가 모델에 적용하여 상기 평가 대상의 제1 가치 평가 결과를 산출하는 단계;
    상기 제2 평가 기초 데이터를 상기 가치 평가 모델에 적용하여 상기 평가 대상의 제2 가치 평가 결과를 산출하는 단계; 및
    상기 제1 가치 평가 결과 및 상기 제2 가치 평가 결과의 가중치 합에 기초하여 상기 평가 대상에 대한 최종 가치 평가 결과를 산출하는 단계를 실행시키되,
    상기 딥러닝 모델은 상기 제1 평가 기초 데이터를 생성하는 생성기(generator)와 실제 데이터와 가상 데이터를 판별하는 판별기(discriminator)를 포함하고,
    상기 최종 가치 평가 결과를 산출함에 있어서, 상기 제1 가치 평가 결과와 상기 제2 가치 평가 결과에 적용되는 가중치는, 상기 제1 평가 기초 데이터를 상기 판별기에 적용하여 획득된 컨피던스 스코어(confidence score)에 기초하여 결정되는 것인, 컴퓨터로 판독가능한 기록 매체에 저장된,
    컴퓨터 프로그램.

Images