KR102152081B1 - 딥러닝 기반의 가치 평가 방법 및 그 장치 - Google Patents

Abstract

딥러닝 기반의 가치 평가 방법 및 그 장치가 제공된다. 본 개시에 따른 가치 평가 장치에 의해 수행되는 가치 평가 방법은 생성기를 이용하여 가상의 데이터 샘플을 생성하는 단계, 복수의 판별기를 이용하여 상기 생성된 데이터 샘플을 판별하는 단계, 상기 복수의 판별기에 의한 상기 판별 결과에 따라 정책 기울기를 결정하는 단계 및 상기 결정된 정책 기울기를 이용하여 상기 생성기 또는 상기 복수의 판별기를 학습시키는 단계를 포함한다.
상기한 구성들을 통해, 딥러닝 기반의 인공지능을 이용하여 신뢰성 있고 충분한 볼륨의 평가 기초 데이터를 확보할 수 있다. 또한, 간단한 평가 항목의 입력만으로 가치 평가 결과를 얻을 수 있어 사용자의 편의성이 향상될 수 있다.

Description

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

본 개시는 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 모형으로서, 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 평가 기초 데이터를 요구하는데, 일반적으로 이러한 평가 기초 데이터를 산출하기 위해서는 기업의 실제 데이터(예를 들어, 재무 데이터 등)가 필요하다. 그러나, 평가 대상의 평가 가치 분포를 산출할 수 있을 만큼 기업의 실제 데이터를 충분한 볼륨으로 확보하는 것은 매우 어렵다. 이 때문에, 기존의 방식으로는 현금 흐름 할인 모형을 가치 평가 분야에 적절히 활용하기가 현실적으로 쉽지 않다.

또한, 현금 흐름 할인 모형으로 평가 대상의 가치를 산출하기 위해서는 할인율, 기술수명, 기술기여도와 같은 핵심변수를 추정해야 하는데 이를 위해 수많은 체크리스트(기술성, 권리성, 시장성, 사업성 등) 항목들을 작성해야 한다. 이로 인해 평가 대상의 가치를 산출하기 위한 비용 및 시간이 많이 드는 문제가 있다. 그리고 평가 대상의 가치를 산출하기 위한 현금 흐름 할인 모형 자체가 전문적인 지식을 필요로 하는 어려운 분야이기 때문에, 비전문가가 접근하기 어려운 한계가 있다. 이에, 비전문가도 손쉽게 평가 대상의 가치를 산출할 수 있도록 평가 과정을 단순화한 새로운 솔루션에 대한 요구가 높아지고 있는 상황이다.

한국공개특허 제10-2017-0049328 (2017.05.10 공개)

본 개시가 해결하고자 하는 기술적 과제는, 딥러닝 기반의 인공지능을 이용하여 신뢰성 있고 충분한 볼륨의 평가 기초 데이터를 확보할 수 있는 가치 평가 방법 및 그 방법을 수행하는 장치를 제공하는 데 있다.

본 개시가 해결하고자 하는 다른 기술적 과제는, 간단한 평가 항목의 입력만으로 가치 평가 결과를 얻을 수 있어 사용자의 편의성이 향상된 가치 평가 방법 및 그 방법을 수행하는 장치를 제공하는 것이다.

본 개시의 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 개시의 일 실시예에 따른 가치 평가 방법은, 생성기를 이용하여 가상의 데이터 샘플을 생성하는 단계; 복수의 판별기를 이용하여 상기 생성된 데이터 샘플을 판별하는 단계; 상기 복수의 판별기에 의한 상기 판별 결과에 따라 정책 기울기를 결정하는 단계; 및 상기 결정된 정책 기울기를 이용하여 상기 생성기 또는 상기 복수의 판별기를 학습시키는 단계를 포함한다.

일 실시예로서, 상기 생성기는, 입력층, 출력층 및 은닉층을 포함하는 인공신경망을 포함하고, 랜덤 노이즈를 상기 입력층으로 입력받아 상기 데이터 샘플을 상기 출력층을 통해 출력할 수 있다.

일 실시예로서, 상기 데이터 샘플은 분류 정보에 대응하는 데이터 샘플이고, 상기 생성기는 상기 분류 정보를 참조하여 상기 데이터 샘플을 생성할 수 있다.

일 실시예로서, 상기 복수의 판별기 각각은, 입력층, 출력층 및 은닉층을 포함하는 인공신경망을 포함하되, 상기 복수의 판별기 중 다른 판별기와 서로 다른 인공신경망 구조를 가지도록 구성될 수 있다.

일 실시예로서, 상기 서로 다른 인공신경망 구조는, 은닉층(hidden layer)의 개수, 유닛의 개수, 또는 활성화 함수(activation function)의 종류를 다르게 함으로써 구성될 수 있다.

일 실시예로서, 상기 판별 결과에 따라 정책 기울기를 결정하는 단계는, 상기 복수의 판별기 중 소정의 수 이상의 판별기가 동일 또는 유사한 판단을 하였는지 판단하는 단계; 및 상기 판단 결과에 따라, 상기 데이터 샘플의 가중치를 줄이도록 상기 정책 기울기를 결정하는 단계를 포함할 수 있다.

일 실시예로서, 상기 판별 결과에 따라 정책 기울기를 결정하는 단계는, 상기 복수의 판별기 중 소정의 수 이상의 판별기가 동일 또는 유사한 판단을 하였는지 판단하는 단계; 및 상기 판단 결과에 따라, 상기 데이터 샘플의 가중치를 증가시키도록 상기 정책 기울기를 결정하는 단계를 포함할 수 있다.

상기 기술적 과제를 해결하기 위한, 본 개시의 다른 실시예에 따른 가치 평가 방법은, 평가 대상의 분류 정보를 획득하는 단계; 딥러닝 모델을 이용하여 상기 분류 정보에 대응하는 가상의 데이터 샘플을 포함하는 데이터 세트를 생성하는 단계; 상기 생성된 데이터 세트를 이용하여 평가 기초 데이터를 산출하는 단계; 및 상기 산출된 평가 기초 데이터를 가치 평가 모델에 적용하여 평가 결과를 산출하는 단계를 포함한다.

일 실시예로서, 상기 평가 기초 데이터는, 상기 평가 대상에 대한 할인율 데이터, 기술수명 데이터, 기술기여도 데이터 및 잉여현금흐름 데이터를 포함할 수 있다.

일 실시예로서, 입력 정보를 수신하는 단계를 더 포함하고, 상기 입력 정보는 상기 평가 대상에 대한 기술성 점수, 권리성 점수, 시장성 점수 및 사업성 점수 중 적어도 하나를 포함하는 핵심요인 점수, 상기 분류 정보 및 상기 평가 대상의 기업규모 정보를 포함하고, 상기 할인율 데이터는 상기 핵심요인 점수, 상기 분류 정보 및 상기 기업규모 정보의 함수로서 정의될 수 있다.

일 실시예로서, 입력 정보를 수신하는 단계를 더 포함하고, 상기 입력 정보는 상기 평가 대상에 대한 기술성 점수, 권리성 점수, 시장성 점수 및 사업성 점수 중 적어도 하나를 포함하는 핵심요인 점수, 및 상기 평가 대상의 IPC 정보를 포함하고, 상기 기술수명 데이터는 상기 핵심요인 점수, 및 상기 IPC 정보의 함수로서 정의될 수 있다.

일 실시예로서, 입력 정보를 수신하는 단계를 더 포함하고, 상기 입력 정보는 상기 평가 대상에 대한 기술성 점수, 권리성 점수, 시장성 점수 및 사업성 점수 중 적어도 하나를 포함하는 핵심요인 점수, 및 상기 평가 대상의 분류 정보를 포함하고, 상기 기술기여도 데이터는 상기 핵심요인 점수, 및 상기 분류 정보의 함수로서 정의될 수 있다.

일 실시예로서, 상기 잉여현금흐름 데이터는, 상기 가상의 데이터 샘플에 포함된 재무 항목 데이터의 함수로서 정의될 수 있다.

일 실시예로서, 상기 평가 결과를 산출하는 단계는, 상기 평가 기초 데이터를 상기 가치 평가 모델에 적용하여 산출된 결과 값들의 분포를 데이터 또는 그래프의 형태로 가공하는 단계를 포함할 수 있다.

상술한 기술적 과제를 해결하기 위한 본 개시의 일 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, 생성기를 이용하여 가상의 데이터 샘플을 생성하는 동작, 복수의 판별기를 이용하여 상기 생성된 데이터 샘플을 판별하는 동작, 상기 복수의 판별기에 의한 상기 판별 결과에 따라 정책 기울기를 결정하는 동작 및 상기 결정된 정책 기울기를 이용하여 상기 생성기 또는 상기 복수의 판별기를 학습시키는 동작을 수행하도록 하는 인스트럭션들(instructions)을 포함한다.

상술한 기술적 과제를 해결하기 위한 본 개시의 일 실시예에 따른 가치 평가 방법을 실행하기 위한 컴퓨터 프로그램은, 컴퓨터로 판독가능한 기록 매체에 저장되고, 생성기를 이용하여 가상의 데이터 샘플을 생성하는 단계; 복수의 판별기를 이용하여 상기 생성된 데이터 샘플을 판별하는 단계; 상기 복수의 판별기에 의한 상기 판별 결과에 따라 정책 기울기를 결정하는 단계; 및 상기 결정된 정책 기울기를 이용하여 상기 생성기 또는 상기 복수의 판별기를 학습시키는 단계를 실행시킨다.

도 1은 본 개시의 일 실시예에 따른 가치 평가 방법을 개략적으로 나타내는 개요도이다.
도 2는 본 개시의 일 실시예에 따른 가치 평가 시스템을 나타내는 구성도이다.
도 3은 본 개시의 일 실시예에 따른 가치 평가 장치를 나타내는 블록도이다.
도 4는 본 개시의 몇몇 실시예에서 참조될 수 있는 평가 기초 데이터 산출을 위해 제공되는 데이터의 일 예를 보여주는 예시도이다.
도 5는 도 1의 가상 데이터 생성부(140)의 예시적인 구성을 나타내는 블록도이다.
도 6은 가상 데이터 생성부(140)의 딥러닝 모델의 구조를 설명하기 위한 도면이다.
도 7 및 도 8은 본 개시의 몇몇 실시예들에 따른 가치 평가 장치(100)가 가상 데이터를 생성하고 학습하는 방법을 설명하기 위한 순서도들이다.
도 9는 본 개시의 몇몇 실시예들에 따른 가치 평가 방법 및 그 장치(100)의 성능을 종래 기술과 비교하여 설명하는 도면이다.
도 10은 본 개시의 몇몇 실시예들에 따른 가상 데이터를 이용하여 평가 대상의 가치 평가 결과를 산출하는 방법을 나타내는 순서도이다.
도 11은 본 개시의 몇몇 실시예들에서 가상 데이터 및 입력 정보를 이용하여 평가 기초 데이터를 산출하는 방법을 설명하기 위한 도면이다.
도 12는 산출된 평가 기초 데이터를 현금 흐름 할인 모형에 적용하여 평가 가치 분포를 산출하는 방법을 설명하기 위한 도면이다.
도 13은 본 개시의 다양한 실시예에 따른 장치를 구현할 수 있는 예시적인 컴퓨팅 장치를 나타내는 하드웨어 구성도이다.

이하, 첨부된 도면을 참조하여 본 개시의 바람직한 실시 예들을 상세히 설명한다. 본 개시의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 개시의 기술적 사상은 이하의 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 이하의 실시예들은 본 개시의 기술적 사상을 완전하도록 하고, 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 본 개시의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 개시의 기술적 사상은 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 개시를 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 개시의 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 개시가 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 개시를 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다.

또한, 본 개시의 구성 요소를 설명하는 데 있어서, 제1, 제2, 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 데이터를 의미한다. 예를 들어, 상기 평가 기초 데이터는 평가 대상과 관련하여 가치 평가 모델에 적용하기 위해 가공된 데이터(예를 들어, 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 분류 정보는 소정의 분류 기준에 따라 정의되는 클래스 정보를 의미한다. 가치 평가 서비스의 신뢰성 및 범용성을 향상시키기 위해 상기 분류 정보는 표준 기준에 의거하여 정의되는 것이 바람직할 수 있다. 가령, 평가 대상이 기술인 경우, 상기 분류 정보는 KSIC(Korea Standard Industrial Classification) 분류 기준에 따라 정의된 KSIC 코드일 수 있으며, 그 밖의, IPC(International Patent Classification)에 따라 정의된 IPC 코드, SIC(Standard Industrial Classification) 분류 기준에 따라 정의된 SIC 코드 등도 상기 분류 정보가 될 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 1은 본 개시의 일 실시예에 따른 가치 평가 방법을 개략적으로 나타내는 개요도이다.

도 1에 도시된 바와 같이, 본 개시에 따른 가치 평가 방법은 평가 대상에 대한 평가 기초 데이터(1)를 얻은 후 이를 현금 흐름 할인 모형(2)에 적용하여, 모형(2)의 수식에 따른 평가 대상의 추정 가치 분포(5)를 산출한다.

이때, 상기 평가 기초 데이터는 현금 흐름 할인 모형(2)에 입력값으로 제공되는 기초 데이터로서, 딥러닝을 이용한 데이터 세트 및 사용자가 입력한 입력변수를 기초로 소정의 산출식에 따라 구해진다.

현금 흐름 할인 모형(2)은 장래의 예상되는 현금 흐름을 적정할 할인율로 할인하여 구한 현재가치 측정 모형으로서, 예를 들어, 가치 평가 산출 방법 중 가장 객관적인 방법으로 평가되는 현금 흐름 할인(Discounted Cash Flow, DCF) 방법의 산출식이 상기 현금 흐름 할인 모형(2)이 될 수 있다.

평가 가치 분포(3)는 상기 평가 기초 데이터(1)를 상기 현금 흐름 할인 모형(2)에 적용하여 출력되는 결과 값으로서, 평가 기초 데이터가 일련의 데이터 세트를 포함하여 구성되기 때문에 그 결과 값 역시 일련의 출력 값들로 나오게 되고, 상기 일련의 출력 값들의 분포를 표시한 것이 평가 가치 분포(3)가 된다. 본 개시에 따른 가치 평가 방법에서는 상기 평가 가치 분포(3)가 사용자에게 결과 값으로서 제공되고, 이를 통해 사용자는 평가 대상의 추정 가치를 판단하게 된다.

상기 평가 기초 데이터(1), 현금 흐름 할인 모형(2) 및 평가 가치 분포(3)에 대해서는 도 11 이후에서 더 구체적으로 후술된다.

도 2는 본 개시의 일 실시예에 따른 가치 평가 시스템을 나타내는 구성도이다. 도 2를 참조하면, 가치 평가 시스템(1000)은 다수의 사용자 단말(200)에 가치 평가 서비스를 제공하는 경우를 예시하여 도시되고 있다.

도 2에서, 상기 가치 평가 시스템(1000)은 가치 평가 장치(100), 사용자 단말(200) 및 가치 평가 장치(100)와 사용자 단말(200)을 연결하는 네트워크(10)를 포함한다. 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. 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.

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.

가치 평가 장치(100)는 사용자 단말(200)의 평가 요청에 응답하여 가치 평가 서비스를 제공한다. 일 실시예로서, 가치 평가 장치(100)는 웹 기반의 사용자 인터페이스 또는 앱(APP) 기반의 사용자 인터페이스를 통해 상기 가치 평가 서비스를 제공할 수 있다. 본 개시의 실시예에서, 가치 평가 장치(100)는 사용자 인터페이스를 통해 사용자 단말(200)로부터 평가 대상에 대한 입력변수(예를 들어, KSIC, IPC, 기업규모, 기술성 점수, 권리성 점수, 시장성 점수, 사업성 점수 등)를 입력받고, 상기 입력변수에 기초하여 평가 기초 데이터를 획득한다. 그리고, 획득된 평가 기초 데이터를 가치 평가 모델(예를 들어, 현금 흐름 할인 모형)에 적용하여 평가 대상의 평가 가치 분포(3)를 가치 평가 결과로서 산출한다. 그리고, 산출된 가치 평가 결과는 상기 사용자 인터페이스를 통해 사용자 단말(200)에게 제공한다. 상기한 실시예에 따르면, 사용자는 가치 평가 모델에 대한 전문적인 지식이 없어도, 평가 대상의 입력변수만 입력하면 손쉽게 가치 평가 결과를 얻을 수 있다. 따라서, 가치 평가 서비스에 대한 사용자 만족도가 향상될 뿐만 아니라, 가치 평가 서비스의 전반적인 서비스 이용 환경이 개선될 수 있다.

한편, 상기 실시예에서 입력변수로부터 평가 기초 데이터를 얻는 단계에서, 가치 평가 장치(100)는 딥러닝 모델을 이용하여 평가 대상의 분류 정보와 연관된 가상의 데이터 샘플을 포함하는 데이터 세트를 자동으로 생성하고, 이를 기반으로 상기 평가 기초 데이터를 산출할 수 있다. 이에 따르면 평가 가치 분포를 산출할 수 있을 만큼 충분한 데이터 샘플을 확보하기 어려웠던 종래의 문제점을 해결할 수 있다.

또한, 본 개시에 따른 몇몇 실시예들에서, 가치 평가 장치(100)는 가상의 데이터 샘플을 생성하는 방법에 있어 일반적인 딥러닝 방법보다 신뢰성과 효율성이 크게 향상된 새로운 딥러닝 방법을 제안한다. 상기 실시예에 따르면, 향상된 딥러닝 방법에 의해 더욱 신뢰성 높은(즉, 실제 데이터와 유사한) 가상 데이터 샘플이 생성되므로, 그로부터 산출되는 평가 기초 데이터의 신뢰도 및 정확도 역시 보장될 수 있다. 상기 새로운 딥러닝 방법에 대한 구체적인 설명은 도 5 이하의 도면을 참조하여 후술된다.

사용자 단말(200)은 가치 평가 장치(100)와 통신하며, 상기 가치 평가 장치(100)가 제공하는 가치 평가 서비스를 이용할 수 있도록 사용자에게 적절한 인터페이스를 제공한다. 상기 사용자 단말(200)은 휴대폰, 스마트폰과 같은 모바일 단말, 랩탑, 데스크탑, 워크스테이션과 같은 컴퓨팅 장치를 포함할 수 있으나, 이에 한정되는 것은 아니다.

네트워크(10)는 가치 평가 장치(100)와 사용자 단말(200) 사이의 통신을 중계한다. 여기서, 네트워크(10)는 근거리 통신망(Local Area Network; LAN), 광역 통신망(Wide Area Network; WAN), 이동 통신망(mobile radio communication network), Wibro(Wireless Broadband Internet) 등과 같은 다양한 종류의 유/무선 네트워크 및 그것들의 조합으로 구성될 수 있으나, 이에 한정되지는 않는다.

상기한 가치 평가 시스템(1000) 또는 가치 평가 장치(100)에 따르면, 사용자는 입력변수에 해당하는 간단한 평가 항목의 입력만으로 평가 대상에 대한 가치 평가 결과를 얻을 수 있다. 그에 따라, 가치 평가 서비스를 이용하는 사용자의 편의성이 향상되며, 복잡한 가치 평가 모델에 대한 전문지식이 없어도 손쉽게 평가 대상에 대한 가치 평가 결과를 얻을 수 있다.

또한, 상기 가치 평가 장치(100)는 딥러닝 기반의 인공지능을 이용하여 신뢰성 있고 충분한 볼륨의 가상 데이터 샘플을 생성하고 이를 기반으로 평가 기초 데이터를 확보하므로, 평가 기초 데이터를 확보하기 어렵다는 종래의 문제점을 손쉽게 해결할 수 있다. 나아가, 가상 데이터 샘플의 생성에 있어서 개선된 딥러닝 방법을 제안하므로, 생성되는 가상 데이터 샘플의 신뢰도 및 정확도가 크게 향상될 수 있다.

도 3은 본 개시의 일 실시예에 따른 가치 평가 장치를 나타내는 블록도이다. 도 3을 참조하면, 가치 평가 장치(100)는 인터페이스부(110), 평가 데이터 산출부(120), 가상 데이터 생성부(130), 가치 평가부(130), 및 실제 데이터 DB(150)를 포함한다. 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. 또한, 도 3에 도시된 실시예는 가치 평가 장치(100)의 예시적인 구성을 나타내는 것이므로, 다른 실시예에서는 도 3에 도시된 구성 요소 중 일부 구성 요소가 생략된 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.

인터페이스부(110)는 외부 장치와 통신하거나 사용자에게 입출력 수단을 제공하기 위한 인터페이스를 제공한다. 인터페이스부(110)는 사용자 또는 사용자 단말(200)로부터 입력정보를 수신하고, 상기 입력정보에 대한 처리 결과를 제공한다.

일 실시예로서, 상기 수신하는 입력정보는 평가 기초 데이터 산출에 이용되는 입력변수를 포함할 수 있다. 이때, 상기 입력변수에는 KSIC, IPC, 기업규모(예를 들어, 대, 중, 소, 창업기업 등), 기술성 점수, 권리성 점수, 시장성 점수 또는 사업성 점수가 포함될 수 있다. 상기 기술성 점수, 권리성 점수, 시장성 점수 또는 사업성 점수는 각각 평가 대상의 기술성, 권리성, 시장성 및 사업성을 평가하여 점수화한 것이다. 상기 기술성 점수, 권리성 점수, 시장성 점수 또는 사업성 점수는 핵심요인 점수로 그룹화될 수 있다.

일 실시예로서, 상기 인터페이스부(110)가 제공하는 처리 결과는 평가 대상에 대한 가치 평가 결과를 포함할 수 있다. 이때, 상기 가치 평가 결과는 평가 대상에 대한 평가 가치 분포의 형태로 제공될 수 있다.

평가 데이터 산출부(120)는 입력변수, 가상 데이터 샘플 또는 실제 데이터 샘플을 이용하여 가치 평가에 필요한 평가 기초 데이터를 산출한다. 일 실시예로서, 평가 데이터 산출부(120)가 산출하는 평가 기초 데이터는 할인율(r), 기술수명(n), 잉여현금흐름(FCF) 및 기술기여도(T.F.)를 포함할 수 있다. 이때, 평가 데이터 산출부(120)가 산출하는 각 항목은 상기 입력변수, 상기 가상 데이터 샘플 또는 상기 실제 데이터 샘플의 개별 항목들에 대한 함수로서 정의될 수 있다. 상기 함수는 본 가치 평가 방법이 적용되는 분야 및 상황에 따라 다양하게 정의될 수 있다. 즉, 개별 분야 및 상황마다 가치 평가시 고려되는 요인(factor) 및 비중이 상이할 수 있으므로, 상황에 따라 상기 함수는 다양하게 조정될 수 있다. 다만, 구체적인 이해를 돕기 위해, 상기 함수의 일 예로서 잉여현금흐름(FCF)을 계산하는 하나의 경우를 설명한다.

본 실시예에서, 잉여현금흐름(FCF)은 평가 대상이 속하는 분야의 기업의 재무 데이터 항목에 대한 함수로 정의될 수 있다. 예를 들어, 잉여현금흐름(FCF)은 아래 수학식 1과 같은 함수로서 정의될 수 있다.

여기서, z1은 세후영업이익이고, z2는 감가상각비이고, z3는 자본적지출이고, z4는 순운전자본증감이고, z5는 투자액회수이다.

이때, 상기 세후영업이익, 감가상각비, 자본적지출, 순운전자본증감 및 투자액회수는 다시 아래 수학식 2의 함수로서 정의될 수 있다.

상기 실시예에서, 잉여현금흐름(FCF)은 기업의 재무 데이터 항목을 입력으로 하는 함수로서 정의된다. 이 경우, 평가 데이터 산출부(120)는 가상 데이터 생성부(140)가 제공하는 가상의 재무 데이터 샘플 또는 실제 데이터 DB(150)가 제공하는 실제 재무 데이터 샘플을 이용하여 상기 잉여현금흐름(FCF)를 산출하게 된다. 평가 데이터 산출부(120)가 이용하는 가상의 재무 데이터 샘플 또는 실제 재무 데이터 샘플의 구체적인 예가 도 4에 도시된다.

도 4를 참조하면, 잉여현금흐름(FCF)을 산출하기 위한 입력항목의 값들(22)이 제시되어 있다. 도 4에 표시된 필드(field) 중 '코드'영역은 한국표준산업분류(KSIC)에 따른 분류 코드가 기재된 영역으로 실제 재무 데이터에는 포함되는 필드이지만, 가상의 재무 데이터에는 포함되지 않는 필드일 수 있다. 일반적으로 해당 기업이 속하는 산업에 따라 재무 데이터의 값이나 분포가 상이하므로, 평가 대상과 동일한 분류 코드를 갖는 재무 데이터만 선택하는 것이 바람직하다. 다만, 가상의 재무 데이터의 경우에는 처음부터 평가 대상과 동일한 분류에 속하는 것을 전제로 데이터 샘플을 생성하므로, 코드 영역이 불필요할 수 있고 그에 따라 데이터 샘플에도 코드 정보가 포함되지 않을 수 있다.

상기한 잉여현금흐름(FCF)의 예와 동일한 방식으로, 평가 기초 데이터의 다른 항목들(즉, 할인율, 기술수명, 또는 기술기여도 등)도 상기 입력변수, 상기 가상 데이터 샘플 또는 상기 실제 데이터 샘플의 개별 항목들에 대한 함수로서 정의될 수 있다. 다만, 앞서 설명한 바와 같이, 평가 대상이 속하는 분야 및 개별 상황마다 다양하게 상기 함수가 정의될 수 있으므로, 그에 대한 구체적인 내용은 위에서 설명한 잉여현금흐름(FCF)의 예로서 갈음하고, 더 이상의 자세한 설명은 생략한다.

가치 평가부(130)는 평가 데이터 산출부(120)가 산출한 평가 기초 데이터를 가치 평가 모델에 적용하여 평가 대상의 가치를 평가한다. 이때, 상기 가치 평가 모델은 현금 흐름 할인 모형일 수 있다. 일 실시예로서, 상기 가치 평가부(130)는 상기 가치 평가 모델을 이용하여 산출된 일련의 평가 가치들에 대해 그 분포를 데이터 또는 그래프의 형태로 가공하여 제공할 수 있다.

일 실시예에서, 상기 가치 평가 모델은 딥러닝 등의 기계 학습을 통해 구축된 기계 학습 모델일 수 있다. 가령, 가치 평가 장치(100)가 일정 기간 동안 현금 흐름 할인 모형에 따라 가치 평가 서비스를 제공하며 평가 대상의 분류 정보와 가치 평가 결과로 구성된 누적 데이터를 축적한 경우, 축적된 데이터에 기초한 기계 학습을 통해 자체적인 가치 평가 모델을 구축할 수 있다. 이때, 가치 평가 서비스를 제공받은 사용자로부터 얻은 적절한 피드백이 부가되는 경우, 정형적인 현금 흐름 할인 모형보다 신뢰도가 높은 기계 학습 모델 기반의 가치 평가 모델이 구축될 수도 있다.

일 실시예에서, 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(153)는 일정 조건(가령, 제2 가치 평가 모델의 학습 성숙도/정확도가 임계치 이상인 경우)이 만족되면 상기 제2 가치 평가 모델에 따라 가치 평가 서비스를 제공하고, 반대의 경우에는 상기 제1 가치 평가 모델에 따라 가치 평가 서비스를 제공하는 형태로 하이브리드 가치 평가 모델을 구축할 수 있다. 또는, 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 제공하는 형태로 하이브리드 가치 평가 모델을 구축할 수 있다.

가치 평가부(130)가 산출 또는 평가한 결과는 가치 평가 결과로서 사용자 단말(200)에 제공될 수 있다.

가상 데이터 생성부(120)는 분류 정보를 입력받고, 딥러닝 모델을 이용하여 상기 분류 정보에 대응하는 가상의 데이터 세트를 생성한다. 이때, 상기 딥러닝 모델은 GAN(Generative Adversarial Networks) 알고리즘에 기반한 모델일 수 있다. 가상 데이터 생성부(120)가 생성하는 가상의 데이터 세트는 실제 데이터의 분포를 모사하여 생성된 가상의 데이터 샘플로 구성된다. 즉, 상기 가상의 데이터는 실제 수집된 데이터를 기반으로 딥러닝 모델에 의해 생성된 데이터이다.

일 실시예로서, 상기 가상 데이터 생성부(120)가 입력받는 분류 정보는 KSIC에 따른 분류 정보일 수 있다. 가상 데이터 생성부(120)는 KSIC에 따른 분류 정보를 입력받고, 상기 분류 정보가 나타내는 산업 분야에 속하는 기업들의 실제 데이터를 모사한 가상의 데이터 세트를 생성한다. 상기 생성된 데이터 세트는 평가 데이터 산출부(120)로 제공되어 평가 기초 데이터를 산출하는 데 이용된다. 가상 데이터 생성부(120)가 딥러닝 모델을 기반으로 학습하고, 가상 데이터 세트를 생성하는 구체적인 방법은 도 5 이하에서 자세하게 후술된다.

실제 데이터 DB(150)는 가상 데이터 생성부(140) 또는 평가 데이터 산출부(120)에 제공하기 위한 실제 데이터가 저장된 저장소이다. 여기서, 상기 실제 데이터는 실제 데이터 샘플로 구성된 데이터로서, KSIC와 같은 분류 정보와 연관하여 수집된 데이터일 수 있다. 실제 데이터 DB(150)는 저장된 실제 데이터를 가상 데이터 생성부(140)의 딥러닝을 위해 제공할 수 있다. 또는, 실제 데이터 DB(150)는 저장된 실제 데이터를 평가 기초 데이터 산출을 위해 평가 데이터 산출부(120)에 제공할 수 있다. 이 경우, 평가 데이터 산출부(120)는 가상 데이터 생성부(140)가 생성한 가상의 데이터 세트와 함께 실제 데이터 DB(150)가 제공하는 실제 데이터를 이용하여 평가 기초 데이터를 산출할 수 있다.

상기한, 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 도 1의 가상 데이터 생성부(140)의 예시적인 구성을 나타내는 블록도이다. 도 5에서 가상 데이터 생성부(140)는 GAN 알고리즘에 기반하여 가상 데이터 생성을 위한 딥러닝 학습을 하고, 학습된 딥러닝 모델을 이용하여 입력된 분류 정보에 대응하는 가상의 데이터 세트를 생성한다.

여기서, 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. 다만, 본 실시예에서는 종래의 일반적인 GAN 모델을 이용하지 않고, 보다 개선된 성능을 발휘하는 새로운 GAN 모델을 가상 데이터 생성을 위한 딥러닝 모델로서 제안한다.

이하에서는, 도 5를 참조하여 본 실시예에서 제안하는 딥러닝 모델을 설명한다. 상기 딥러닝 모델은 생성기(141), 복수의 판별기(142a, 142b, 142n) 및 강화학습 수행부(143)를 포함한다. 특히, 상기 딥러닝 모델은 일반적인 GAN 모델과 다르게 복수의 판별기(142a, 142b, 142n)와 하나의 생성기(141) 간의 적대적 트레이닝을 통해 학습하는 것을 특징으로 한다.

생성기(141)는 딥러닝 모델에 의해 실제 데이터를 모사한 가상 데이터를 생성하는 구성요소이다. 생성기(141)는 분류 정보와 랜덤 노이즈를 입력받고, 자신의 인공신경망에 의해 상기 분류 정보에 대응하는 가상 데이터 샘플을 생성한다. 생성기(141)가 생성한 가상 데이터 샘플은 복수의 판별기(142a, 142b, 142n)로 제공된다.

복수의 판별기(142a, 142b, 142n)는 생성기(141)가 생성한 가상의 데이터 샘플을 수신하고, 상기 수신한 데이터가 실제 데이터인지 가상의 데이터인지 각각 병렬적으로 판별하는 구성요소이다. 복수의 판별기(142a, 142b, 142n) 각각에는 생성기(141)가 생성한 가상의 데이터 샘플 및 실제 데이터(30)가 입력되고, 복수의 판별기(142a, 142b, 142n) 각각은 입력된 데이터가 가상의 데이터인지 실제 데이터인지 판별하게 된다.

일 실시예로서, 복수의 판별기(142a, 142b, 142n) 각각은 입력된 데이터 샘플이 실제 데이터에 해당하는지에 대한 컨피던스 스코어(confidence score)를 출력하고, 컨피던스 스코어에 기초하여 입력된 데이터 샘플이 실제 데이터인지 여부를 판별하게 할 수 있다. 이를 위해, 복수의 판별기(142a, 142b, 142n) 각각은 실제 데이터(30) 또는 가상 데이터 샘플을 통해 학습된다.

일 실시예로서, 생성기(141)와 복수의 판별기(142a, 142b, 142n) 간의 적대적 학습을 수행하는 경우, 학습 초기에는 복수의 판별기(142a, 142b, 142n)에 대한 학습이 선행적으로 충분히 수행된 이후에 생성기(31)에 대한 학습이 수행될 수 있다. 학습 초기에 부정확한 판별 과정에서 산출된 오차가 역전파되면 생성기(141)의 트레이닝에 악영향을 미칠 수 있어, 이를 피하기 위해 학습 초기에는 복수의 판별기(142a, 142b, 142n)를 중심으로 학습을 수행할 수 있다. 이 경우, 생성기(141) 및 복수의 판별기(142a, 142b, 142n)에 대한 학습이 번갈아가며 수행되고, 복수의 판별기(142a, 142b, 142n)에 대한 학습은 지정된 횟수 이상으로 반복하여 수행되고, 생성기(141)에 대한 트레이닝은 지정된 횟수 미만으로 수행되는 형태로 학습이 진행될 수 있다.

일 실시예로서, 동일한 데이터 샘플에 대해 다양한 관점에서 판별을 수행하기 위해, 복수의 판별기(142a, 142b, 142n)는 서로 다른 구조를 가지도록 구성될 수 있다. 예를 들어, 복수의 판별기(142a, 142b, 142n) 각각은 은닉층(hidden layer)의 개수, 유닛의 개수, 또는 활성화 함수(activation function)의 종류 등이 달라지도록 각각의 인경신경망이 구성될 수 있다.

강화학습 수행부(143)는 복수의 판별기(142a, 142b, 142n)가 판별한 결과를 수신하여 오차를 판단하고, 그 결과에 따른 정책 기울기를 생성기(141) 및 복수의 판별기(142a, 142b, 142n)로 전달함으로써 생성기(141) 및 복수의 판별기(142a, 142b, 142n)가 딥러닝 학습을 수행하도록 한다.

이때, 강화학습 수행부(143)는 복수의 판별기(142a, 142b, 142n)가 동일한 데이터 샘플에 대해 유사한 판단을 하면 해당 샘플의 가치를 줄이고(즉, 가중치를 줄이고), 복수의 판별기(142a, 142b, 142n)가 동일한 데이터 샘플에 대해 상이한 판단을 하면 해당 샘플의 가치를 증가시키도록(즉, 가중치를 증가시키도록) 정책 기울기를 결정하여 생성기(141) 및 복수의 판별기(142a, 142b, 142n)로 전달한다. 이는 잘못 판정된 데이터 샘플에 더 집중하여 잘 학습하고 분류할 수 있도록, 잘못 판정한 것으로 보이는 데이터 샘플에 더 가중치를 주어 학습시키기 위함이다.

일 실시예로서, 강화학습 수행부(143)는 복수의 판별기(142a, 142b, 142n)가 서로 유사한 판단을 하는지 또는 서로 상이한 판단을 하는지를, 복수의 판별기(142a, 142b, 142n)가 출력하는 데이터의 표준편차를 기준으로 판단할 수 있다. 예를 들어, 복수의 판별기(142a, 142b, 142n)가 해당 샘플이 실제 데이터인지 가상의 데이터인지 판별한 결과를 0 에서 1 사이의 값으로 출력하는 경우(이 경우, 가상의 데이터라는 판정이 강할수록 출력하는 데이터는 0에 가까움), 강화학습 수행부(143)는 복수의 판별기(142a, 142b, 142n)가 출력하는 데이터들의 표준편차가 0.3 이상이면 서로 상이한 판단을 한 것으로 보고 해당 샘플의 가중치를 증가시키도록 정책 기울기를 결정하고, 상기 표준편차가 0.3 미만이면 서로 유사한 판단을 한 것으로 보고 해당 샘플의 가중치를 감소시키도록 정책 기울기를 결정할 수 있다.

상기한 딥러닝 방법에 의하면, 복수의 판별기(142a, 142b, 142n)가 생성기(141)에 대해 판별하고, 그 판별 결과가 서로 유사한지 판정하는 방법을 통해, 다수의 판별기들을 조합하여 더 강한 판별기를 구성하는 효과를 발휘할 수 있게 된다.

상기의 딥러닝 방법에 의해, 생성기(141)가 충분히 학습된 이후에는 생성기(141)는 분류 정보를 입력 받고 그에 대응하는 가상의 데이터 세트를 생성한 후, 이를 본 개시에 따른 가치 평가 방법을 위해 평가 데이터 산출부(120)로 제공하게 된다.

도 6은 가상 데이터 생성부(140)의 딥러닝 모델의 구조를 설명하기 위한 도면이다. 도 6에서는 도 5에서 설명한 생성기(141) 및 제1 판별기(142a)의 딥러닝 구조를 예시적으로 설명한다. 여기서는, 설명의 간결성을 위해, 복수의 판별기(142a, 142b, 142n) 중 제1 판별기(142a)에 대해서만 도시하고 설명하지만, 제1 판별기(142a)에 대한 설명이 다른 복수의 판별기(142b, 142n)에도 동일하게 적용될 수 있음은 당업자에게 자명할 것이다.

생성기(141)는 가상 데이터 생성을 위한 인경신경망 구조를 갖는다. 생성기(141)는 적어도 하나의 입력층, 적어도 하나의 출력층 및 적어도 하나의 은닉층을 가질 수 있다. 생성기(141)는 입력층을 통해 랜덤 노이즈를 입력받는다. 이때, 생성할 가상 데이터에 대한 분류 정보(미도시)를 함께 입력받을 수 있다. 입력된 랜덤 노이즈에 따라 생성기(141)의 인공신경망 작용을 통해, 생성기(141)는 실제 데이터(30)를 모사한 가상 데이터 샘플을 출력한다. 출력된 가상 데이터 샘플은 제1 판별기(142a)로 제공된다.

제1 판별기(142a)는 입력된 데이터 샘플에 대해 실제 데이터 여부를 판정하기 위한 인공신경망 구조를 갖는다. 제1 판별기(142a)도 유사하게 적어도 하나의 입력층, 적어도 하나의 출력층 및 적어도 하나의 은닉층을 가질 수 있다. 제1 판별기(142a)는 생성기(141)가 생성한 가상의 데이터 샘플 및 실제 데이터 샘플(30)을 입력받고, 자신의 인공신경망을 통해 입력받은 데이터 샘플에 대한 실제 데이터 여부를 판정하게 된다. 그리고, 그 판정 결과는 강화학습 수행부(143)로 제공된다.

도 7 및 도 8은 본 개시의 몇몇 실시예들에 따른 가치 평가 장치(100)가 가상 데이터를 생성하고 학습하는 방법을 설명하기 위한 순서도들이다.

도 7을 참조하면, S110 단계에서, 가치 평가 장치(100)는 생성기(141)를 이용하여 실제 데이터 샘플을 모사한 가상의 데이터 샘플을 생성한다. 일 실시예로서, 이때 생성되는 가상의 데이터 샘플은 기업의 재무 정보가 포함된 데이터 샘플일 수 있다.

S120 단계에서, 가치 평가 장치(100)는 복수의 판별기(142a, 142b, 142n)를 통해, 생성된 데이터 샘플이 실제 데이터 샘플인지 여부를 판별한다. 이때, 복수의 판별기(142a, 142b, 142n) 각각은 서로 독립적으로 상기 실제 데이터 샘플인지 여부를 판별한다.

S130 단계에서, 가치 평가 장치(100)는 강화학습 수행부(143)를 이용하여 복수의 판별기(142a, 142b, 142n)가 수행한 판별 결과들에 대한 판정을 수행한다. 그리고 판정한 결과에 따라 정책 기울기를 결정한다. 일 실시예로서, 가치 평가 장치(100)는 복수의 판별기(142a, 142b, 142n)의 판별 결과가 서로 유사한지에 대한 판정을 통해, 정책 기울기를 결정할 수 있다.

도 8을 참조하면, 가치 평가 장치(100)가 복수의 판별기의 판별 결과에 대한 판정을 통해 정책 기울기를 결정하는 구체적인 방법이 도시된다.

먼저, S131 단계에서, 가치 평가 장치(100)는 복수의 판별기(142a, 142b, 142n)로부터 출력된 데이터의 표준편차가 소정의 값 미만인지 판단한다. 일 실시예로서, 상기 소정의 값은 0.3 일 수 있다. 상기 표준편차가 소정의 값 미만이면 본 실시예는 S132 단계로 진행한다. 그렇지 않으면, 본 실시예는 S133 단계로 진행한다.

S132 단계에서, 가치 평가 장치(100)는 복수의 판별기(142a, 142b, 142n) 가 서로 유사한 판별을 한 것으로 보고, 해당 데이터 샘플의 가중치를 줄이도록 정책 기울기를 결정한다.

다시 S131 단계로 돌아가서, S133 단계로 진행하는 경우, 가치 평가 장치(100)는 복수의 판별기(142a, 142b, 142n)가 서로 상이한 판별을 한 것으로 보고, 해당 샘플의 가중치를 증가시키도록 정책 기울기를 결정한다.

이는 복수의 판별기(142a, 142b, 142n)가 서로 다르게 판별한 데이터 샘플에 더욱 집중하여 학습을 할 수 있도록 해당 데이터 샘플의 가치를 올리는 것이다.

다시 도 7로 돌아가면, S140 단계에서, 가치 평가 장치(100)는 상기 결정된 정책 기울기를 생성기(141) 및 복수의 판별기(142a, 142b, 142n)로 각각 역전파하여, 생성기(141) 및 복수의 판별기(142a, 142b, 142n)가 딥러닝 학습을 할 수 있도록 한다.

상기한 본 실시예의 방법에 따르면, 생성기(141)와 복수의 판별기(142a, 142b, 142n) 간의 적대적 트레이닝 및 상기 복수의 판별기(142a, 142b, 142n)의 판별 결과에 대한 유사 여부 판정을 통해, 종래 기술보다 훨씬 뛰어난 성능을 발휘하는 가상 데이터 생성을 위한 딥러닝 모델을 구성할 수 있다.

도 9는 본 개시의 몇몇 실시예들에 따른 가치 평가 방법 및 그 장치(100)의 성능을 종래 기술과 비교하여 설명하는 도면이다. 도 9를 참조하면, (a)에는 종래의 GAN 알고리즘에 따른 딥러닝 모델의 가상 데이터 생성 성능이 도시되고, (b)에는 본 개시가 제안하는 개선된 GAN 알고리즘에 따른 딥러닝 모델의 가상 데이터 생성 성능이 도시되어 있다.도 9를 참조하면, real loss(D)는 판별비가 판별하는 실제 데이터에 대한 손실률 그래프로서 실제 데이터를 판별기가 가짜라고 판단할 확률을 의미하고, fake loss(D)는 판별기가 판별하는 가상 데이터에 대한 손실률 그래프로서 가상 데이터를 판별기가 진짜라고 판단할 확률을 의미하고, fake loss(G)는 생성기가 생성하는 가상 데이터에 대한 손실률 그래프로서 생성기가 만들어낸 데이터를 판별기가 가짜라고 판단할 확률을 의미한다.

도 9의 (a)를 보면, 판별기가 판별하는 실제 데이터에 대한 손실률 그래프(41a)와 가상 데이터에 대한 손실률 그래프(41b)가 약 40 세대(epoch) 근처에서 수렴하고 있다.

반면에, 도 9의 (b)를 보면 판별기가 판별하는 실제 데이터에 대한 손실률 그래프(42a)와 가상 데이터에 대한 손실률 그래프(42b)가 약 20세대 근처에서 수렴하고 있어, 본 개시가 제안하는 딥러닝 모델이 훨씬 더 빠르게 실제 데이터와 유사한 가상 데이터를 생성하고 있음을 알 수 있다.

또한, 생성기가 생성하는 가상 데이터에 대한 손실률 그래프에 있어서도, 도 9 (a)의 그래프보다 도 9 (b)의 그래프에서 훨씬 낮은 수치를 보이고 있어, 본 개시가 제안하는 딥러닝 모델이 더욱 낮은 오류율을 보임을 알 수 있다.

도 10은 본 개시의 몇몇 실시예들에 따른 가상 데이터를 이용하여 평가 대상의 가치 평가 결과를 산출하는 방법을 나타내는 순서도이다. 도 10을 참조하면, 본 실시예에 따른 가치 평가 방법은 S210 단계 내지 S240 단계의 일련의 단계들을 포함한다.

S210 단계에서, 가치 평가 장치(100)는 평가 대상의 분류 정보를 획득한다. 일 실시예로서, 상기 분류 정보는 한국표준산업분류(KSIC)에 따른 분류 정보일 수 있다.

S220 단계에서, 가치 평가 장치(100)는 딥러닝 모델을 이용하여 상기 획득한 분류 정보에 대응하는 가상의 데이터 샘플을 포함하는 데이터 세트를 생성한다. 이때, 상기 딥러닝 모델은 도 5 내지 도 8에서 설명한 알고리즘 및 학습 방법에 따른 딥러닝 모델일 수 있다.

S230 단계에서, 가치 평가 장치(100)는 상기 생성된 데이터 세트를 이용하여 평가 대상에 대한 평가 기초 데이터를 산출한다. 이때, 산출되는 평가 기초 데이터는 가치 평가 모델에 입력값으로서 제공할 데이터들로서, 상기 생성된 데이터 세트를 이용하여 산출되는 데이터 외에 다양한 데이터들을 더 포함할 수 있다. 이에 대해, 도 11을 참조하여 보다 구체적으로 설명한다.

도 11은 본 개시의 몇몇 실시예들에서 가상 데이터 및 입력 정보를 이용하여 평가 기초 데이터를 산출하는 방법을 설명하기 위한 도면이다. 도 11의 실시예에서, 평가 기초 데이터(1)는 잉여현금흐름(FCF), 할인율(r), 기술수명(n) 및 기술기여도(T.F.)의 네 가지 데이터를 포함한다.

잉여현금흐름(FCF)은 가상 데이터 생성부(140)가 제공하는 가상의 데이터 샘플을 포함한 데이터 세트(50)로부터 산출된다. 잉여현금흐름(FCF)은 앞서 수학식 1 및 수학식 2에서 예시된 것과 같이 기업의 재무 데이터의 각 항목들을 입력 값으로 받는 함수로서 정의될 수 있다.

일 실시예로서, 가상 데이터 생성부(140)는 입력 정보(4)에 포함된 분류 정보(예를 들어, KSIC)를 참조하여, 상기 분류 정보에 대응하는 가상 데이터 세트를 생성할 수 있다. 이 경우, 생성된 가상 데이터 세트에 따라 잉여현금흐름(FCF)이 산출될 수 있으므로, 사용자는 간단하게 평가 대상의 분류 정보를 입력하는 것만으로, 평가 대상에 대한 예상 잉여현금흐름(FCF)을 산출할 수 있다.

할인율(r), 기술수명(n) 및 기술기여도(T.F.) 역시 잉여현금흐름(FCF)과 유사하게 입력 정보로부터 얻어지는 입력변수의 함수로서 정의될 수 있다. 다만, 할인율(r), 기술수명(n) 및 기술기여도(T.F.)의 경우는 가상의 데이터 세트에 의존하지 않고, 사용자가 입력한 입력 정보(4)에 기반하여 산출될 수 있는 점이 상이하다.

예를 들어, 사용자가 입력 정보(4)로서 KSIC, IPC, 기업규모, 및 핵심요인 점수(즉, 기술성 점수, 권리성 점수, 시장성 점수 및 사업성 점수)를 입력한다고 가정한다. 이 경우, 할인율(r)은 평가 대상이 속한 산업군, 평가 대상의 기업규모, 및 평가 대상의 기술성 등을 평가한 핵심요인 점수를 기초로 그 값이 결정되는 함수로서 정의될 수 있다. 유사하게, 기술수명(n)은 IPC 및 상기 핵심요인 점수를 기초로 그 값이 결정되는 함수로서 정의될 수 있다. 유사하게, 기술기여도는 KSIC 및 상기 핵심요인 점수를 기초로 그 값이 결정되는 함수로서 정의될 수 있다.

이처럼, 평가 기초 데이터(1)는 잉여현금흐름(FCF)과 같이 가상의 데이터 세트를 기반으로 산출되는 항목과 함께, 가상의 데이터 세트에 의존하지 않고 입력정보(4)로부터 산출되는 항목을 함께 포함하도록 구성될 수 있다.

다시 도 10으로 돌아가면, S240 단계에서, 가치 평가 장치(100)는 상기 산출된 평가 기초 데이터를 가치 평가 모델에 적용하여 평가 결과를 산출한다. 이때, 가치 평가 장치(100)는 복수의 평가 결과를 이용하여 상기 평가 대상에 대한 평가 가치 분포를 데이터 또는 그래프의 형태로 산출할 수 있다. 이에 대해, 도 12를 참조하여 보다 구체적으로 설명한다.

도 12는 산출된 평가 기초 데이터를 현금 흐름 할인 모형에 적용하여 평가 가치 분포를 산출하는 방법을 설명하기 위한 도면이다. 도 12를 참조하면, 산출된 평가 기초 데이터(1)의 각 항목을 현금 흐름 할인 모형(2)에 적용하는 예가 도시된다.

본 실시예에서, 현금 흐름 할인 모형(2)은 도 12에 도시된 것처럼, 잉여현금흐름(FCF), 할인율(r), 기술수명(n) 및 기술기여도(T.F.)의 함수로 정의된다. 따라서, 앞서 S230 단계에서 산출된 평가 기초 데이터(1)를 상기 현금 흐름 할인 모형(1)에 적용하면, 손쉽게 평가 대상의 평가 가치가 산출될 수 있다.

한편, 평가 기초 데이터(1) 중 잉여현금흐름(FCF) 항목은 복수의 데이터 샘플을 포함하는 데이터 세트로 구성될 수 있다. 이 경우, 평가 기초 데이터(1)를 현금 흐름 할인 모형(2)에 적용한 결과는 데이터 세트에 포함된 복수의 데이터 샘플의 개수와 동일한 개수의 값들을 포함할 수 있다. 즉, 가치 평가 장치(100)는 평가 대상의 보다 객관적 평가 가치를 산출하기 위해, 평가 대상이 속한 산업의 기업 재무 데이터를 모사한 가상 데이터를 다수 생성하여 상기 현금 흐름 할인 모형(2)에 적용한다. 이는 하나의 샘플 데이터에 의한 추정보다 다수의 샘플 데이터에 의한 추정이 통계적으로 더 유의미하고 정확할 수 있는 데 따른 것으로, 그에 따라 현금 흐름 할인 모형(2)에 적용한 결과 값 역시 다수개가 산출될 수 있게 된다. 이러한 경우, 가치 평가 장치(100)는 산출된 다수의 결과 값에 대해 그 분포를 데이터 또는 그래프의 형태로 가공할 수 있다. 도 12를 참조하면, 그래프의 형태로 가공된 평가 가치 분포의 예(3)가 도시된다. 산출된 평가 결과 값 또는 평가 가치 분포(3)는 가치 평가 결과로서 사용자 단말(200)에 제공될 수 있다.

상기 실시예에 따른 가치 평가 방법에 따르면, 사용자는 단순히 평가 대상의 분류 정보, IPC, 기업규모 및 핵심요인 점수(즉, 기술성 점수, 권리성 점수, 시장성 점수, 및 사업성 점수)를 입력하는 것만으로 평가 대상에 대한 가치 평가 결과를 얻을 수 있다. 따라서, 가치 평가에 대한 전문지식이 없는 사용자라도 누구나 손쉽게 평가 대상에 대한 가치 평가를 할 수 있어, 가치 평가 분야에 대한 사용자 접근성 및 편의성이 크게 향상될 수 있다.

도 13은 본 개시의 다양한 실시예에 따른 장치를 구현할 수 있는 예시적인 컴퓨팅 장치를 나타내는 하드웨어 구성도이다. 도 13을 참조하면, 컴퓨팅 장치(2000)는 하나 이상의 프로세서(2100), 버스(2500), 통신 인터페이스(2400), 프로세서(2100)에 의하여 수행되는 컴퓨터 프로그램을 로드(load)하는 메모리(2200)와, 가치 평가 소프트웨어(2310)를 저장하는 스토리지(2300)를 포함할 수 있다. 다만, 도 13에는 본 발명의 실시예와 관련 있는 구성요소들만이 도시되어 있다. 따라서, 본 발명이 속한 기술분야의 통상의 기술자라면 도 13에 도시된 구성요소들 외에 다른 범용적인 구성 요소들이 더 포함될 수 있음을 알 수 있다. 물론, 컴퓨팅 장치(2000)는 도 13에 도시된 구성 요소 중 일부 구성 요소가 생략되는 형태로 구현될 수도 있다.

프로세서(2100)는 컴퓨팅 장치(2000)의 각 구성의 전반적인 동작을 제어한다. 프로세서(2100)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(2100)는 본 발명의 실시예들에 따른 방법을 실행하기 위한 적어도 하나의 애플리케이션 또는 프로그램에 대한 연산을 수행할 수 있다. 컴퓨팅 장치(2000)는 하나 이상의 프로세서를 구비할 수 있다.

메모리(2200)는 각종 데이터, 명령 및/또는 정보를 저장한다. 메모리(2200)는 본 발명의 실시예들에 따른 가치 평가 방법을 실행하기 위하여 스토리지(2300)로부터 하나 이상의 프로그램(2310)을 메모리(2200)의 수신 버퍼(2210)로 로드할 수 있다.

버스(2500)는 컴퓨팅 장치(2000)의 구성 요소 간 통신 기능을 제공한다. 버스(2500)는 주소 버스(Address Bus), 데이터 버스(Data Bus) 및 제어 버스(Control Bus) 등 다양한 형태의 버스로 구현될 수 있다.

통신 인터페이스(2400)는 컴퓨팅 장치(2000)의 유무선 인터넷 통신을 지원한다. 또한, 통신 인터페이스(2400)는 인터넷 통신 외의 다양한 통신 방식을 지원할 수도 있다. 이를 위해, 통신 인터페이스(2400)는 본 발명의 기술 분야에 잘 알려진 통신 모듈을 포함하여 구성될 수 있다.

스토리지(2300)는 상기 하나 이상의 컴퓨터 프로그램(2310)을 비일시적으로 저장할 수 있다. 스토리지(2300)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.

컴퓨터 프로그램(2310)는 메모리(2200)에 로드될 때 프로세서(2100)로 하여금 본 발명의 몇몇 실시예들에 따른 딥러닝 기반 가치 평가 방법을 수행하도록 하는 인스트럭션들을 포함한다. 예를 들어, 컴퓨터 프로그램(2310)은 평가 대상의 분류 정보를 획득하는 동작, 딥러닝 모델을 이용하여 상기 분류 정보와 연관된 가상의 데이터 샘플을 포함하는 데이터 세트를 생성하는 동작, 상기 데이터 세트를 이용하여 평가 기초 데이터를 산출하는 동작, 상기 산출된 평가 기초 데이터를 가치 평가 모델에 적용하여 평가 결과를 산출하는 동작을 수행하도록 하는 인스트럭션들을 포함할 수 있다.

지금까지 도 2 내지 도 13을 참조하여 설명된 본 개시에 따른 가치 평가 방법은 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 (16)

1. 가치 평가 장치에 의해 수행되는 딥러닝 기반의 가치 평가 방법에 있어서,
   생성기가 가상의 데이터 샘플을 생성하는 단계;
   복수의 판별기가 각각 병렬적으로 상기 데이터 샘플에 대해 판별하는 단계;
   강화학습 수행부가 상기 복수의 판별기 각각에 의한 상기 판별 결과들을 수신하고, 상기 수신한 판별 결과들에 따라 정책 기울기를 결정하는 단계; 및
   상기 생성기 또는 상기 복수의 판별기가 상기 결정된 정책 기울기를 이용하여 학습하는 단계를 포함하는,
   딥러닝 기반의 가치 평가 방법.
2. 제1 항에 있어서,
   상기 생성기는,
   입력층, 출력층 및 은닉층을 포함하는 인공신경망을 포함하고,
   랜덤 노이즈를 상기 입력층으로 입력받아 상기 데이터 샘플을 상기 출력층을 통해 출력하는,
   딥러닝 기반의 가치 평가 방법.
3. 제2 항에 있어서,
   상기 데이터 샘플은 분류 정보에 대응하는 데이터 샘플이고,
   상기 생성기는 상기 분류 정보를 참조하여 상기 데이터 샘플을 생성하는,
   딥러닝 기반의 가치 평가 방법.
4. 제1 항에 있어서,
   상기 판별 결과에 따라 정책 기울기를 결정하는 단계는,
   상기 수신한 판별 결과들을 기반으로 상기 복수의 판별기가 서로 동일 또는 유사한 판단을 하였는지 판단하는 단계; 및
   상기 판단 결과에 따라, 상기 데이터 샘플의 가중치를 줄이도록 상기 정책 기울기를 결정하는 단계를 포함하는,
   딥러닝 기반의 가치 평가 방법.
5. 제4 항에 있어서,
   상기 서로 동일 또는 유사한 판단을 하였는지 판단하는 단계는,
   상기 복수의 판별기로부터 출력된 데이터들의 표준편차가 소정의 값 미만인지 판단하는 단계를 포함하고,
   상기 정책 기울기를 결정하는 단계는,
   상기 표준편차가 소정의 값 미만이면 상기 데이터 샘플의 가중치를 줄이도록 상기 정책 기울기를 결정하는 단계를 포함하는,
   딥러닝 기반의 가치 평가 방법.
6. 1 항에 있어서,
   상기 판별 결과에 따라 정책 기울기를 결정하는 단계는,
   상기 수신한 판별 결과들을 기반으로 상기 복수의 판별기가 서로 동일 또는 유사한 판단을 하였는지 판단하는 단계; 및
   상기 판단 결과에 따라, 상기 데이터 샘플의 가중치를 증가시키도록 상기 정책 기울기를 결정하는 단계를 포함하는,
   딥러닝 기반의 가치 평가 방법.
7. 제6 항에 있어서,
   상기 서로 동일 또는 유사한 판단을 하였는지 판단하는 단계는,
   상기 복수의 판별기로부터 출력된 데이터들의 표준편차가 소정의 값 이상인지 판단하는 단계를 포함하고,
   상기 정책 기울기를 결정하는 단계는,
   상기 표준편차가 소정의 값 이상이면 상기 데이터 샘플의 가중치를 증가시키도록 상기 정책 기울기를 결정하는 단계를 포함하는,
   딥러닝 기반의 가치 평가 방법.
8. 제1 항에 있어서,
   상기 생성기가 평가 대상의 분류 정보를 획득하는 단계;
   상기 생성기가 상기 분류 정보에 대응하는 가상의 데이터 샘플을 포함하는 데이터 세트를 생성하는 단계;
   평가 데이터 산출부가 상기 데이터 세트를 이용하여 평가 기초 데이터를 산출하는 단계; 및
   가치 평가부가 상기 평가 기초 데이터를 가치 평가 모델에 적용하여 평가 결과를 산출하는 단계를 더 포함하는,
   딥러닝 기반의 가치 평가 방법.
9. 제8 항에 있어서,
   상기 평가 기초 데이터는,
   상기 평가 대상에 대한 할인율 데이터, 기술수명 데이터, 기술기여도 데이터 및 잉여현금흐름 데이터를 포함하는,
   딥러닝 기반의 가치 평가 방법.
10. 제9 항에 있어서,
    가상 데이터 생성부가 입력 정보를 수신하는 단계를 더 포함하고,
    상기 입력 정보는 상기 평가 대상에 대한 기술성 점수, 권리성 점수, 시장성 점수 및 사업성 점수 중 적어도 하나를 포함하는 핵심요인 점수, 상기 분류 정보 및 상기 평가 대상의 기업규모 정보를 포함하고,
    상기 할인율 데이터는 상기 핵심요인 점수, 상기 분류 정보 및 상기 기업규모 정보의 함수로서 정의되는,
    딥러닝 기반의 가치 평가 방법.
11. 제9 항에 있어서,
    가상 데이터 생성부가 입력 정보를 수신하는 단계를 더 포함하고,
    상기 입력 정보는 상기 평가 대상에 대한 기술성 점수, 권리성 점수, 시장성 점수 및 사업성 점수 중 적어도 하나를 포함하는 핵심요인 점수, 및 상기 평가 대상의 IPC 정보를 포함하고,
    상기 기술수명 데이터는 상기 핵심요인 점수, 및 상기 IPC 정보의 함수로서 정의되는,
    딥러닝 기반의 가치 평가 방법.
12. 제9 항에 있어서,
    가상 데이터 생성부가 입력 정보를 수신하는 단계를 더 포함하고,
    상기 입력 정보는 상기 평가 대상에 대한 기술성 점수, 권리성 점수, 시장성 점수 및 사업성 점수 중 적어도 하나를 포함하는 핵심요인 점수, 및 상기 평가 대상의 분류 정보를 포함하고,
    상기 기술기여도 데이터는 상기 핵심요인 점수, 및 상기 분류 정보의 함수로서 정의되는,
    딥러닝 기반의 가치 평가 방법.
13. 제9 항에 있어서,
    상기 잉여현금흐름 데이터는,
    상기 가상의 데이터 샘플에 포함된 재무 항목 데이터의 함수로서 정의되는,
    딥러닝 기반의 가치 평가 방법.
14. 제11 항에 있어서,
    상기 평가 결과를 산출하는 단계는,
    상기 평가 기초 데이터를 상기 가치 평가 모델에 적용하여 산출된 결과 값들의 분포를 데이터 또는 그래프의 형태로 가공하는 단계를 포함하는,
    딥러닝 기반의 가치 평가 방법.
15. 프로세서;
    상기 프로세서에 의해 실행되는 컴퓨터 프로그램을 로드(load)하는 메모리; 및
    상기 컴퓨터 프로그램을 저장하는 스토리지를 포함하되,
    상기 컴퓨터 프로그램은,
    생성기가 가상의 데이터 샘플을 생성하는 동작,
    복수의 판별기가 각각 병렬적으로 상기 데이터 샘플에 대해 판별하는 동작,
    강화학습 수행부가 상기 복수의 판별기 각각에 의한 상기 판별 결과들을 수신하고, 상기 수신한 판별 결과들에 따라 정책 기울기를 결정하는 동작 및
    상기 생성기 또는 상기 복수의 판별기가 상기 결정된 정책 기울기를 이용하여 학습하는 동작을 수행하도록 하는 인스트럭션들(instructions)을 포함하는,
    가치 평가 장치.
16. 컴퓨팅 장치와 결합되어,
    생성기가 가상의 데이터 샘플을 생성하는 단계;
    복수의 판별기가 각각 병렬적으로 상기 데이터 샘플에 대해 판별하는 단계;
    강화학습 수행부가 상기 복수의 판별기 각각에 의한 상기 판별 결과들을 수신하고, 상기 수신한 판별 결과들에 따라 정책 기울기를 결정하는 단계; 및
    상기 생성기 또는 상기 복수의 판별기가 상기 결정된 정책 기울기를 이용하여 학습하는 단계를 실행시키기 위하여, 컴퓨터로 판독가능한 기록 매체에 저장된,
    컴퓨터 프로그램.
    

Images