KR102320787B1 - 기업 데이터 수집 기반 기업 등급 자동 산출 방법, 장치 및 시스템 - Google Patents

Abstract

기업 데이터 수집 기반 기업 등급 자동 산출 시스템이 개시된다. 일실시예에 따른 기업 데이터 수집 기반 기업 등급 자동 산출 시스템에 있어서, 기업 경영 정보들-기업 경영 정보들은 재무제표, 지분 구성, 소비자 만족도 조사 및 경영자 평가 점수를 포함함-을 포함한 기업 데이터들을 수집하는 데이터 수집부; 기업 데이터들을 저장하는 데이터 저장부; 기업 데이터들을 분석해 기업 등급을 산출하는 데이터 분석부; 기업 등급, 점수표 및 기업 등급 확정의 의미를 포함하는 결과 데이터들을 출력하는 데이터 출력부 및; 기업 데이터들 및 결과 데이터들을 데이터 저장부 및 사용자 단말기에 전송하는 데이터 통신부를 포함하고, 결과 데이터들을 수신해 사용자에게 표시하고, 사용자의 피드백을 송신하는 사용자 단말기를 포함하고, 데이터 수집부는 대상 기업들에 대해 기업 경영 정보들을 빅데이터 분석을 통해 수집하고, 데이터 분석부는 기업 등급 평가를 위한 하나 이상의 연산을 수행하는 뉴럴 네트워크들을 포함할 수 있다.

Description

기업 데이터 수집 기반 기업 등급 자동 산출 방법, 장치 및 시스템{METHOD, APPARATUS, AND SYSTEM FOR AUTOMATICALLY CALCULATING CORPORATE RATINGS BASED ON CORPORATE DATA COLLECTION}

아래 실시예들은 기업 데이터 수집에 기반을 둔 기업 등급 자동 산출 방법에 관한 것이다.

기업의 등급 평가는 기업에 대한 보호 조치, 투자 여부 판단 등을 위해 매우 중요한 지표가 될 수 있다. 하지만 이러한 기업들의 등급 평가를 위한 많은 데이터들이 존재하지만, 이러한 데이터들을 자동적으로 수집 및 처리하기 위한 기술이 현재 부족한 것이 사실이다. 이에 따라 자동으로 기업의 데이터를 수집하고, 이를 분석해 현재의 재무 건전성을 평가하며, 기존의 성장세를 분석해 앞으로의 성장을 예측하고, 해당 기업이 속한 산업군의 미래 유망성을 살피기 위한 기술에 대한 연구가 요구된다.

대한민국 공개특허공보 KR10-2002-0050687 대한민국 등록특허공보 KR10-0661304 대한민국 등록특허공보 KR10-1018678 대한민국 등록특허공보 KR10-1772803

실시예들은 현재 재무 상황을 기반으로 한 기업의 정확한 평가를 하고자 한다.

실시예들은 과거로부터의 성장세를 기준으로 한 기업의 성장 가능성 평가를 하고자 한다.

실시예들은 기업이 속한 산업군의 미래 유망도를 판단하고자 한다.

일실시예에 따른 기업 데이터 수집 기반 기업 등급 자동 산출 시스템에 있어서, 기업 경영 정보들-상기 기업 경영 정보들은 재무제표, 지분 구성, 소비자 만족도 조사 및 경영자 평가 점수를 포함함-을 포함한 기업 데이터들을 수집하는 데이터 수집부; 상기 기업 데이터들을 저장하는 데이터 저장부; 상기 기업 데이터들을 분석해 기업 등급을 산출하는 데이터 분석부; 상기 기업 등급, 점수표 및 상기 기업 등급 확정의 의미를 포함하는 결과 데이터들을 출력하는 데이터 출력부; 및 상기 기업 데이터들 및 상기 결과 데이터들을 상기 데이터 저장부 및 사용자 단말기에 전송하는 데이터 통신부를 포함하고, 상기 결과 데이터들을 수신해 사용자에게 표시하고, 상기 사용자의 피드백을 송신하는 상기 사용자 단말기를 포함하고, 상기 데이터 수집부는 대상 기업들에 대해 상기 기업 경영 정보들을 빅데이터 분석을 통해 수집하고, 상기 데이터 분석부는 상기 기업 등급 평가를 위한 하나 이상의 연산을 수행하는 뉴럴 네트워크들을 포함할 수 있다.

일실시예에 따르면, 상기 데이터 분석부는 상기 기업 데이터에 기초하여, 상기 기업 등급을 획득하고, 상기 대상 기업들이 해당하는 업종별 분류에 기초하여, ⅰ) 미래 유망 산업군으로 분류된 경우 문자열 “+”를 상기 기업 등급의 뒤에 추가하고, ⅱ) 미래 불투명 산업군으로 분류된 경우 문자열 “-“를 상기 기업 등급의 뒤에 추가하고, ⅲ) 상기 미래 유망 산업군 및 상기 미래 불투명 산업군으로 분류되지 않은 경우, 문자열을 추가하지 않을 수 있다.

일실시예에 따르면, 상기 데이터 분석부가 상기 기업 등급을 획득하는 데에 있어서, 상기 데이터 분석부는 상기 대상 기업들 중 제1 대상 기업의 기업 데이터에 기초하여, 제1 입력을 생성하고, 상기 제1 입력을 제1 뉴럴 네트워크에 입력하여 제1 출력을 획득하고, 상기 제1 출력에 기초하여, 기본 등급-상기 기본 등급은 A, B, C, D, F의 기본 등급 문자로 표현되고, A부터 순서대로 상대적으로 더 우수한 기업 평가를 획득한 것으로 인정함-을 획득하고, 상기 대상 기업들 중 상기 제1 대상 기업의 상기 기업 데이터 및 상기 제1 대상 기업이 속한 상기 업종별 분류에 속하는 모든 기업들의 상기 기업 데이터들에 기초하여, 제2 입력을 생성하고, 상기 제2 입력을 제2 뉴럴 네트워크에 입력하여 제2 출력을 획득하고, 상기 제2 출력에 기초하여, 상기 기본 등급의 반복 정도를 획득하고, 상기 반복 정도에 기초하여, 상기 기업 등급을 획득하고, 상기 반복 정도는 상기 제1 대상 기업의 성장세 분석 결과와 상기 제1 대상 기업이 속한 상기 업종별 분류에 속하는 모든 기업들의 평균 성장세 분석 결과의 비교를 통해, 상기 제1 대상 기업의 성장세 분석 결과가 상기 제1 대상 기업이 속한 상기 업종별 분류에 속하는 모든 기업들의 평균 성장세 분석 결과보다 큰 경우, 상기 기본 등급의 상기 기본 등급 문자를 세 번 반복해 표현하고, 상기 제1 대상 기업의 성장세 분석 결과가 상기 제1 대상 기업이 속한 상기 업종별 분류에 속하는 모든 기업들의 평균 성장세 분석 결과보다 작은 경우, 상기 기본 등급의 상기 기본 등급 문자를 두 번 반복해 표현하고, 상기 제1 대상 기업의 성장세를 분석할 만한 충분한 상기 기업 데이터가 존재하지 않는 경우, 상기 기본 등급의 상기 기본 등급 문자를 한 번만 표현하고, 상기 제1 대상 기업은 상기 대상 기업들 중 임의로 추출될 수 있다.

일실시예에 따르면, 상기 미래 유망 산업군은 상기 데이터 수집부가 온라인 상의 기사문, 논문 및 SNS를 포함한 빅데이터 분석을 통해, 미래 유망 단어군을 포함하는 문장의 전후 3문장 내에서 동일 문장 내에 긍정 단어군과 함께 표현된 상기 업종별 분류 중 어느 하나이고, 상기 미래 불투명 산업군은 상기 데이터 수집부가 온라인 상의 기사문, 논문 및 SNS를 포함한 빅데이터 분석을 통해, 미래 유망 단어군을 포함하는 문장의 전후 3문장 내에서 동일 문장 내에 부정 단어군과 함께 표현된 상기 업종별 분류 중 어느 하나이고, 상기 미래 유망 산업군 및 상기 미래 불투명 산업군으로 분류되지 않는 경우는 상기 데이터 수집부가 온라인 상의 기사문, 논문 및 SNS를 포함한 빅데이터 분석을 통해, 미래 유망 단어군을 포함하는 문장의 전후 3문장 내에서 표현되지 않은 업종별 분류 중 어느 하나이고, 상기 업종별 분류 중 어느 하나가 상기 미래 유망 산업군과 상기 미래 불투명 산업군에 모두 포함된 경우, 상기 미래 유망 산업군 및 상기 미래 불투명 산업군으로 표현된 비율을 분석하여 상기 미래 유망 산업군의 비율이 높은 경우 상기 미래 유망 산업군으로 분류되고, 상기 미래 불투명 산업군의 비율이 높은 경우 상기 미래 불투명 산업군으로 분류되고, 상기 미래 유망 산업군 및 상기 미래 불투명 산업군은 상기 데이터 분석부의 제3 뉴럴 네트워크를 통해 연산되어 결정될 수 있다.

일실시예에 따르면, 상기 데이터 저장부는 로컬 데이터 저장소 및 클라우드 데이터 저장소를 포함하고, 미리 정해진 기간 마다 상기 로컬 데이터 저장소의 저장 상태를 확인하기 위해, 상기 로컬 데이터 저장소가 포함된 저장 장치의 전원 이상, 접속 불량, 네트워크 연결, 상기 로컬 데이터 저장소의 여유 공간 중 하나 이상의 체크 사항을 통해 상기 로컬 데이터 저장소의 적합성 체크를 수행하고, 상기 적합성 체크의 수행 결과, 상기 로컬 데이터 저장소에 이상이 있는 것으로 판단되면, 상기 로컬 데이터 저장소에 저장된 상기 기업 데이터들 및 상기 결과 데이터들 중 일부가 상기 클라우드 데이터 저장소에 백업 저장되도록 이중 복제 저장 동작을 수행하고, 평가 사유로 판명된 상기 기업 데이터들 및 상기 결과 데이터들에 대해서도 상기 이중 복제 저장 동작을 수행하고, 상기 이중 복제 저장 동작은 상기 데이터 분석부의 제4 뉴럴 네트워크로부터 획득한 이중 복제 저장 전략에 기초하여, 상기 로컬 데이터 저장소에 저장된 상기 기업 데이터들 및 상기 결과 데이터들 중 일부를 상기 로컬 데이터 저장소에만 저장을 수행하거나, 상기 클라우드 데이터 저장소에만 저장을 수행하거나, 상기 로컬 데이터 저장소 및 상기 클라우드 데이터 저장소 모두에 저장을 수행하는 동작을 포함하고, 상기 평가 사유는 상기 로컬 데이터 저장소에 저장된 상기 기업 데이터들 및 결과 데이터들 중 새로 추가되는 데이터들에 기초하여, 상기 데이터 분석부의 제5 뉴럴 네트워크를 통해 생성한 데이터 처리 목표화 지수에 기초하여 생성되고, 상기 데이터 처리 목표화 지수는 상기 데이터 분석부가 상기 로컬 데이터 저장소 및 상기 클라우드 데이터 저장소의 연결 상태, 잔여 저장 공간, 처리 속도 및 안정성 점수에 기초하여 데이터의 효율적인 처리를 위해 생성할 수 있다.

일실시예에 따른 장치는 하드웨어와 결합되어 상술한 방법들 중 어느 하나의 항의 방법을 실행시키기 위하여 매체에 저장된 컴퓨터 프로그램에 의해 제어될 수 있다.

실시예들은 현재 재무 상황을 기반으로 한 기업의 정확한 평가를 할 수 있다.

실시예들은 과거로부터의 성장세를 기준으로 한 기업의 성장 가능성 평가를 할 수 있다.

실시예들은 기업이 속한 산업군의 미래 유망도를 판단할 수 있다.

도 1은 일실시예에 따른 기업 데이터 수집 기반 기업 등급 자동 산출 시스템을 설명하기 위한 도면이다.
도 2는 일실시예에 따른 데이터 분석부가 기업을 평가하는 과정을 설명하기 위한 도면이다.
도 3은 일실시예에 따른 데이터 분석부가 기업 등급을 산출하는 과정을 설명하기 위한 도면이다.
도 4는 일실시예에 따른 데이터들에 대해 데이터 저장부를 분할 관리하는 과정을 설명하기 위한 도면이다.
도 5는 일실시예에 따른 장치의 구성의 예시도이다.

이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 그러나, 실시예들에는 다양한 변경이 가해질 수 있어서 특허출원의 권리 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 실시예들에 대한 모든 변경, 균등물 내지 대체물이 권리 범위에 포함되는 것으로 이해되어야 한다.

실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 실시될 수 있다. 따라서, 실시예들은 특정한 개시형태로 한정되는 것이 아니며, 본 명세서의 범위는 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.

제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.

어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.

실시예에서 사용한 용어는 단지 설명을 목적으로 사용된 것으로, 한정하려는 의도로 해석되어서는 안된다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.

또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.

실시예들은 퍼스널 컴퓨터, 랩톱 컴퓨터, 태블릿 컴퓨터, 스마트 폰, 텔레비전, 스마트 가전 기기, 지능형 자동차, 키오스크, 웨어러블 장치 등 다양한 형태의 제품으로 구현될 수 있다.

도 1은 일실시예에 따른 기업 데이터 수집 기반 기업 등급 자동 산출 시스템을 설명하기 위한 도면이다.

일실시예에 따른 기업 데이터 수집 기반 기업 등급 자동 산출 시스템은 기업 경영 정보들을 포함한 기업 데이터들을 수집하는 데이터 수집부(101); 기업 데이터들을 저장하는 데이터 저장부(102); 기업 데이터들을 분석해 기업 등급을 산출하는 데이터 분석부(103); 기업 등급, 점수표 및 기업 등급 확정의 의미를 포함하는 결과 데이터들을 출력하는 데이터 출력부(104); 및 기업 데이터들 및 결과 데이터들을 데이터 저장부(102) 및 사용자 단말기(106)에 전송하는 데이터 통신부(105)를 포함하고, 결과 데이터들을 수신해 사용자에게 표시하고, 사용자의 피드백을 송신하는 사용자 단말기(106)를 포함할 수 있다. 기업 경영 정보들은 재무제표, 지분 구성, 소비자 만족도 조사 및 경영자 평가 점수를 포함할 수 있다.

일실시예에 따른 기업 데이터 수집 기반 기업 등급 자동 산출 시스템은 서버 및 단말을 포함할 수 있다. 서버 및 단말은 네트워크에 연결되어 유무선 통신을 통해 데이터를 교환할 수 있다. 기업 데이터 수집 기반 기업 등급 자동 산출 시스템을 위한 서버는 단말에 기업 데이터를 분석한 결과로서의 결과 데이터를 송신할 수 있고, 사용자의 피드백을 송신해 분석의 효율 및 정확도를 높이는 데 기여할 수 있다. 서버는 인공지능을 통해 기업 데이트를 기준으로 기업 등급을 세분화해 결정할 수 있다.

서버는 서버를 이용하여 서비스를 제공하는 자 또는 단체가 보유한 자체 서버일 수도 있고; 클라우드 서버일 수도 있고; 분산된 노드(node)들의 p2p(peer-to-peer) 집합일 수도 있다. 서버는 통상의 컴퓨터가 가지는 연산 기능; 저장/참조 기능; 입출력 기능; 및 제어 기능을 전부 또는 일부 수행하도록 구성될 수 있다. 서버는 추론 기능을 수행하는 적어도 하나 이상의 뉴럴 네트워크를 구비할 수 있다. 서버는 단말과 유무선으로 통신하도록 구성될 수 있다.

서버는 단말과 통신하며, 기업 데이터들 및 결과 데이터들을 송수신할 수 있다. 따라서, 서버를 통해 제공되는 서비스는 기업 등급의 평가 정보를 기초로 투자를 위한 자료로 사용하거나, 미래 산업 동향을 파악하고자 하는 사용자 단말기(106)의 사용자에게 적합할 수 있으나, 이에 국한하지 않는다.

일실시예에 따른 단말은 사용자가 보유한 사용자 단말기(106)일 수 있다. 단말은 데스크탑 컴퓨터, 노트북, 태블릿, 스마트폰 등일 수 있다. 단말은 통상의 컴퓨터가 가지는 연산 기능; 저장/참조 기능; 입출력 기능; 및 제어 기능을 전부 또는 일부 수행하도록 구성될 수 있다. 단말은 서버와 유무선으로 통신하도록 구성될 수 있다.

단말은 서버와 연동된 어플리케이션들이 설치되거나, 서버와 연동된 웹페이지에 연결될 수 있다. 단말은 웹페이지 또는 어플리케이션을 통해, 서버가 연산을 통해 전송한 각종 신호들을 수신할 수 있으며, 이에 대해 원격 신호를 전송해 서버에서 제어할 수 있는 동작을 수동으로 조작할 수 있다. 단말의 사용자는 기업 등급의 평가 정보를 기초로 투자를 위한 자료로 사용하거나, 미래 산업 동향을 파악하고자 하는 사용자 단말기(106)의 사용자 개인이 될 수 있으나, 직업에 특별한 제약은 없다. 서버의 처리 용량이 허용하는 한, 단말들의 수는 특별한 제한이 없다.

이하에서, 서버의 동작을 중심으로 실시예가 기술되나, 실시예들은 통신의 주체나 양상에 의해 제한되지 않고 다양한 응용예가 채용될 수 있다.

일실시예에 따른 데이터 수집부(101)는 대상 기업들에 대해 기업 경영 정보들을 빅데이터 분석을 통해 수집할 수 있다. 기업 경영 정보들은 재무제표, 지분 구성, 소비자 만족도 조사 및 경영자 평가 점수를 포함할 수 있으나, 이에 국한하지 않는다. 데이터 수집부(101)는 빅데이터를 분석하기 위한 추가적인 뉴럴 네트워크를 포함할 수 있으나, 이에 국한하지 않는다. 데이터 수집부(101)가 데이터를 수집하는 방식은 문자열을 추출하는 방식이나 표로 구성된 데이터시트의 연산을 수행하는 방식 중 어느 하나일 수 있으나, 이에 국한하지 않는다.

일실시예에 따른 데이터 분석부(103)는 기업 등급 평가를 위한 하나 이상의 연산을 수행하는 뉴럴 네트워크들을 포함할 수 있다. 데이터 분석부(103)가 포함하는 뉴럴 네트워크들은 종래의 뉴럴 네트워크들과 유사한 구성을 가질 수 있으나, 이에 국한하지 않는다. 데이터 분석부(103)에 대한 자세한 설명은 도 2 내지 도 4를 참조하여 후술한다.

일실시예에 따른 데이터 저장부(102)는 로컬 데이터 저장소 및 클라우드 데이터 저장소를 포함할 수 있으며, 기업 데이터들 및 결과 데이터들을 효율적으로 관리하기 위해 분산 저장하는 전략을 취할 수 있다. 데이터 저장부(102)에 분산 저장되는 방법에 관한 자세한 설명은 도 4를 참조하여 후술한다.

도 2는 일실시예에 따른 데이터 분석부가 기업을 평가하는 과정을 설명하기 위한 도면이다.

일실시예에 따르면, 데이터 분석부(103)는 기업 데이터(201)들에 기초하여, 기업 등급(202)을 획득할 수 있다. 데이터 분석부(103)가 기업 데이터(201)들에 기초하여, 기업 등급(202)을 획득하는 데에는 하나 이상의 뉴럴 네트워크 연산이 사용될 수 있으나, 이에 국한하지 않는다. 데이터 분석부(103)가 기업 데이터(201)들을 분석하는 과정에 관한 자세한 설명은 도 3을 참조하여 후술한다.

일실시예에 따르면, 데이터 분석부(103)는 대상 기업들이 해당하는 업종별 분류에 기초하여, 미래 유망 산업군으로 분류된 경우 문자열 “+”를 기업 등급(202)의 뒤에 추가할 수 있다. 예를 들어, 기업 등급(202)이 AA이며, 미래 유망 산업군으로 분류된 경우 해당 기업은 AA+로 표현될 수 있다.

일실시예에 따른 미래 유망 산업군은 데이터 수집부가 온라인 상의 기사문, 논문 및 SNS를 포함한 빅데이터 분석을 통해, 미래 유망 단어군을 포함하는 문장의 전후 3문장 내에서 동일 문장 내에 긍정 단어군과 함께 표현된 업종별 분류 중 어느 하나일 수 있다. 미래 유망 단어군은 미래 유망 산업군으로 분류하기 위한 기준 단어들로서, 예를 들어 “4차 산업혁명”, “미래 먹거리”, “미래 산업” 및 “유망 산업” 등으로 표현될 수 있으나, 이에 국한하지 않는다. 미래 유망 단어군은 학자들, 기자들, 관계부처의 공무원들 및 기업 데이터(201) 수집 기반 기업 등급(202) 자동 산출 시스템의 제작자들에 의해 미리 정해진 단어들의 집합일 수 있으나, 이에 국한하지 않는다. 긍정 단어군은 “포함”, “선정”, “뽑힌” 및 “전망되는” 등으로 표현될 수 있으나, 이에 국한하지 않는다. 긍정 단어군의 선출은 미래 유망 단어군의 선출자들에 의해 지정될 수 있으나, 이에 국한하지 않는다.

일실시예에 따르면, 데이터 분석부(103)는 대상 기업들이 해당하는 업종별 분류에 기초하여, 미래 불투명 산업군으로 분류된 경우 문자열 “-”를 기업 등급(202)의 뒤에 추가할 수 있다. 예를 들어, 기업 등급(202)이 C이며, 미래 유망 산업군으로 분류된 경우 해당 기업은 C-로 표현될 수 있다.

일실시예에 따른 미래 불투명 산업군은 데이터 수집부가 온라인 상의 기사문, 논문 및 SNS를 포함한 빅데이터 분석을 통해, 미래 유망 단어군을 포함하는 문장의 전후 3문장 내에서 동일 문장 내에 부정 단어군과 함께 표현된 업종별 분류 중 어느 하나일 수 있다. 미래 유망 단어군은 미래 유망 산업군을 선정하는 데에 쓰인 미래 유망 단어군과 동일할 수 있으나, 이에 국한하지 않는다. 부정 단어군은 “불포함”, “미선정”, “탈락” 및 “불투명한” 등으로 표현될 수 있으나, 이에 국한하지 않는다. 부정 단어군의 선출은 미래 유망 단어군의 선출자들에 의해 지정될 수 있으나, 이에 국한하지 않는다.

일실시예에 따르면, 데이터 분석부(103)는 대상 기업들이 해당하는 업종별 분류에 기초하여, 미래 유망 산업군 및 미래 불투명 산업군으로 분류되지 않은 경우, 문자열을 추가하지 않을 수 있다. 예를 들어, 기업 등급(202)이 BBB이며, 미래 유망 산업군 및 미리 불투명 산업군으로 분류되지 않은 경우, 해당 기업은 그대로 BBB로 표현될 수 있다.

일실시예에 따르면, 대상 기업이 포함된 업종별 분류가 미래 유망 산업군 및 미래 불투명 산업군으로 분류되지 않는 경우는, 데이터 수집부가 온라인 상의 기사문, 논문 및 SNS를 포함한 빅데이터 분석을 통해, 미래 유망 단어군을 포함하는 문장의 전후 3문장 내에서 표현되지 않은 업종별 분류 중 어느 하나일 수 있다. 예를 들어, 데이터 수집부가 “4차 산업혁명”과 같은 미래 유망 단어군을 찾았지만, 해당 문장의 전후 3문장 내에서 대상 기업이 포함된 업종별 분류에 대한 언급이 어디에도 없다면 이 경우에 해당하는 것으로 볼 수 있다.

일실시예에 따르면, 업종별 분류 중 어느 하나가 미래 유망 산업군과 미래 불투명 산업군에 모두 포함된 경우, 미래 유망 산업군 및 미래 불투명 산업군으로 표현된 비율을 분석하여 미래 유망 산업군의 비율이 높은 경우 미래 유망 산업군으로 분류되고, 미래 불투명 산업군의 비율이 높은 경우 미래 불투명 산업군으로 분류될 수 있다. 예를 들어, 대상 기업이 속한 업종별 분류가 “바이오 산업”일 때, 이 “바이오 산업”이 데이터 수집부의 데이터 수집 결과, 총 50개의 기사문, 논문 및 SNS 등에서 표현되었고, 이 중 30개에서 미래 유망 산업군, 20개에서 미래 불투명 산업군으로 분류된 경우, 미래 유망 산업군의 비율과 미래 불투명 산업군의 비율이 3:2로 미래 유망 산업군 비율이 더 높으므로 이 경우 “바이오 산업”은 미래 유망 산업군으로 분류될 수 있다.

일실시예에 따르면, 데이터 분석부(103)가 미래 유망 산업군 및 미래 불투명 산업군을 분석하는 데에는 제3 뉴럴 네트워크가 사용될 수 있다. 데이터 분석부(103)는 대상 기업이 속한 업종별 분류에 기초하여 제3 입력을 생성할 수 있다. 제3 입력은 제3 뉴럴 네트워크의 입력층 노드에 대응하는 벡터일 수 있다. 제3 뉴럴 네트워크는 제3 출력을 출력으로 할 수 있는데, 제3 출력은 제3 뉴럴 네트워크의 출력층 노드에 대응하는 벡터일 수 있다. 제3 뉴럴 네트워크는 은닉층과 출력층을 가질 수 있다. 제3 뉴럴 네트워크에는 일반적으로 은닉층이 4개 이상 존재하며, 각 은닉층의 노드는 10개로 지정하나 경우에 따라 그 이상 또는 이하로 정할 수 있다. 은닉층의 활성함수는 ReLU 함수, 시그모이드 함수 및 tanh 함수 등을 사용하나 이에 한정하지 않는다. 제3 뉴럴 네트워크의 출력층 노드는 총 3개로 할 수 있으나, 이에 국한하지 않는다. 3개의 출력층 노드는 각각 미래 유망 산업군, 미래 불투명 산업군 및 둘 모두에 해당하지 않는 경우로 표현할 수 있다. 제3 출력은 출력층 노드의 값에 해당하는 값들에 기초하여 기업 등급(202)의 뒤에 “+,” “-“를 추가하거나, 아무것도 추가하지 않도록 하는 데에 사용될 수 있다.

학습 장치는 제3 뉴럴 네트워크를 제3 트레이닝 레이블들을 통해 학습할 수 있다. 학습 장치는 데이터 분석부(103)와 동일할 수 있으나, 이에 국한하지 않는다. 제3 트레이닝 레이블들은 1천개의 업종별 분류들과 이에 대한 온라인 분석으로 나온 미래 유망 산업군 및 미래 불투명 산업군 여부에 대해 전문가들에 의해 평가된 결과들을 포함할 수 있다. 제3 뉴럴 네트워크는 제3 레이블드 트레이닝 입력들을 입력해 얻은 제3 레이블드 트레이닝 출력들을 제3 트레이닝 레이블들과 비교해 손실함수(loss function)를 계산하여 이루어질 수 있다. 손실함수는 기 알려진 평균 제곱 오차(mean squared error, MSE), 교차 엔트로피 오차(cross entropy error, CEE) 등이 이용될 수 있다. 그러나, 이에 제한되는 것은 아니며, 제3 뉴럴 네트워크의 출력과 레이블 간의 편차, 오차 내지는 차이를 측정할 수 있다면, 다양한 뉴럴 네트워크 모델들에서 이용되는 손실함수들이 이용될 수 있다.

다음으로, 학습 장치는 비교값을 기초로 제3 뉴럴 네트워크를 최적화할 수 있다. 학습 장치 비교값이 점점 작아지도록 뉴럴 네트워크의 노드(node)들의 웨이트(weight)를 갱신함으로써, 추론에 해당하는 뉴럴 네트워크의 출력과 정답에 해당하는 레이블을 점점 일치시킬 수 있고, 이를 통해 뉴럴 네트워크는 정답에 가까운 추론을 출력하도록 최적화될 수 있다. 구체적으로, 학습 장치는 비교값에 해당하는 손실함수가 최소값의 추정치에 가까워지도록 뉴럴 네트워크의 웨이트(weight)를 재설정하는 과정을 반복함으로써 뉴럴 네트워크를 최적화할 수 있다. 뉴럴 네트워크의 최적화를 위해 기 알려진 역전파(backpropagation) 알고리즘, 확률론적 경사하강법(stochastic gradient descent) 등이 이용될 수 있다. 그러나, 이에 제한되는 것은 아니며, 다양한 신경망 모델들에서 이용되는 웨이트의 최적화 알고리즘이 이용될 수 있다.

일실시예에 따르면, 데이터 분석부(103)는 제3 출력에 기초하여, 대상 기업이 속한 업종별 분류의 미래 유망 산업군 및 미래 불투명 산업군 여부를 결정하고, 대상 기업의 기업 등급(202) 뒤에 “+”나 “-“의 문자열을 추가하거나, 추가하지 않을 수 있다.

도 3은 일실시예에 따른 데이터 분석부가 기업 등급을 산출하는 과정을 설명하기 위한 도면이다.

일실시예에 따르면, 데이터 분석부가 기업 등급(307)을 획득하는 데에 있어서, 데이터 분석부는 대상 기업들 중 제1 대상 기업의 기업 데이터(301)에 기초하여, 제1 입력을 생성할 수 있다. 제1 입력은 제1 뉴럴 네트워크(302)의 입력층 노드에 대응하는 벡터일 수 있다. 제1 뉴럴 네트워크(302)는 제1 출력을 출력으로 할 수 있는데, 제1 출력은 제1 뉴럴 네트워크(302)의 출력층 노드에 대응하는 벡터일 수 있다. 제1 뉴럴 네트워크(302)는 은닉층과 출력층을 가질 수 있다. 제1 뉴럴 네트워크(302)에는 일반적으로 은닉층이 5개 이상 존재하며, 각 은닉층의 노드는 8개로 지정하나 경우에 따라 그 이상 또는 이하로 정할 수 있다. 은닉층의 활성함수는 ReLU 함수, 시그모이드 함수 및 tanh 함수 등을 사용하나 이에 한정하지 않는다. 제1 뉴럴 네트워크(302)의 출력층 노드는 총 5개로 할 수 있으나, 이에 국한하지 않는다. 5개의 출력층 노드는 각각 기업 등급(307) 중 기본 등급(303)에 해당하는 값들을 의미할 수 있다. 기본 등급(303)은 현재에만 국한한 기업 데이터(301)의 분석을 통해 A, B, C, D, F의 기본 등급(303) 문자로 표현된 값일 수 있으며, 이 중 A부터 순서대로 상대적으로 더 우수한 기업 평가를 획득한 것으로 인정될 수 있다. 즉, 기본 등급(303)에서 A를 받은 기업은 기본 등급(303)에서 B를 받은 기업보다 적어도 현재 시점에서 우수한 것으로 인정될 수 있으며, F를 받은 기업은 적어도 현재 시점에서 다른 기본 등급(303)을 받은 기업보다 열등하다고 인정될 수 있다.

학습 장치는 제1 뉴럴 네트워크(302)를 제1 트레이닝 레이블들을 통해 학습할 수 있다. 학습 장치는 데이터 분석부와 동일할 수 있으나, 이에 국한하지 않는다. 제1 트레이닝 레이블들은 10만개의 기업 데이터들(304)과 이에 대해 전문가들에 의해 평가된 세부 점수들을 포함한 기본 등급(303)들을 포함할 수 있다. 제1 뉴럴 네트워크(302)는 제1 레이블드 트레이닝 입력들을 입력해 얻은 제1 레이블드 트레이닝 출력들을 제1 트레이닝 레이블들과 비교해 손실함수(loss function)를 계산하여 이루어질 수 있다. 손실함수는 기 알려진 평균 제곱 오차(mean squared error, MSE), 교차 엔트로피 오차(cross entropy error, CEE) 등이 이용될 수 있다. 그러나, 이에 제한되는 것은 아니며, 제1 뉴럴 네트워크(302)의 출력과 레이블 간의 편차, 오차 내지는 차이를 측정할 수 있다면, 다양한 뉴럴 네트워크 모델들에서 이용되는 손실함수들이 이용될 수 있다.

다음으로, 학습 장치는 비교값을 기초로 제1 뉴럴 네트워크(302)를 최적화할 수 있다. 학습 장치 비교값이 점점 작아지도록 뉴럴 네트워크의 노드(node)들의 웨이트(weight)를 갱신함으로써, 추론에 해당하는 뉴럴 네트워크의 출력과 정답에 해당하는 레이블을 점점 일치시킬 수 있고, 이를 통해 뉴럴 네트워크는 정답에 가까운 추론을 출력하도록 최적화될 수 있다. 구체적으로, 학습 장치는 비교값에 해당하는 손실함수가 최소값의 추정치에 가까워지도록 뉴럴 네트워크의 웨이트(weight)를 재설정하는 과정을 반복함으로써 뉴럴 네트워크를 최적화할 수 있다. 뉴럴 네트워크의 최적화를 위해 기 알려진 역전파(backpropagation) 알고리즘, 확률론적 경사하강법(stochastic gradient descent) 등이 이용될 수 있다. 그러나, 이에 제한되는 것은 아니며, 다양한 신경망 모델들에서 이용되는 웨이트의 최적화 알고리즘이 이용될 수 있다.

일실시예에 따르면, 데이터 분석부는 제1 출력에 기초하여, 제1 대상 기업의 기본 등급(303)을 획득할 수 있다. 데이터 분석부는 제1 대상 기업의 기업 데이터(301) 및 제1 대상 기업이 속한 업종별 분류 내의 모든 기업들의 기업 데이터들(304)에 기초하여, 제2 입력을 생성할 수 있다. 제2 입력은 제2 뉴럴 네트워크(305)의 입력층 노드에 대응하는 벡터일 수 있다. 제2 뉴럴 네트워크(305)는 제2 출력을 출력으로 할 수 있는데, 제2 출력은 제2 뉴럴 네트워크(305)의 출력층 노드에 대응하는 벡터일 수 있다. 제2 뉴럴 네트워크(305)는 은닉층과 출력층을 가질 수 있다. 제2 뉴럴 네트워크(305)에는 일반적으로 은닉층이 3개 이상 존재하며, 각 은닉층의 노드는 7개로 지정하나 경우에 따라 그 이상 또는 이하로 정할 수 있다. 은닉층의 활성함수는 ReLU 함수, 시그모이드 함수 및 tanh 함수 등을 사용하나 이에 한정하지 않는다. 제2 뉴럴 네트워크(305)의 출력층 노드는 총 3개로 할 수 있으나, 이에 국한하지 않는다. 3개의 출력층 노드는 각각 기본 등급(303)에 대한 반복 정도(306)를 의미할 수 있다. 반복 정도(306)는 총 3가지 경우로 표현될 수 있는데, 반복 없음, 2번 반복, 3번 반복이 이에 해당할 수 있다.

학습 장치는 제2 뉴럴 네트워크(305)를 제2 트레이닝 레이블들을 통해 학습할 수 있다. 학습 장치는 데이터 분석부와 동일할 수 있으나, 이에 국한하지 않는다. 제2 트레이닝 레이블들은 1백개의 기업 데이터들(304)과 이들이 속한 업종별 분류내의 모든 기업 데이터들(304) 및 이에 대해 전문가들에 의해 평가된 성장세 분석 결과를 기초로 한 반복 정도(306)들을 포함할 수 있다. 제2 뉴럴 네트워크(305)는 제2 레이블드 트레이닝 입력들을 입력해 얻은 제2 레이블드 트레이닝 출력들을 제2 트레이닝 레이블들과 비교해 손실함수(loss function)를 계산하여 이루어질 수 있다. 손실함수는 기 알려진 평균 제곱 오차(mean squared error, MSE), 교차 엔트로피 오차(cross entropy error, CEE) 등이 이용될 수 있다. 그러나, 이에 제한되는 것은 아니며, 제2 뉴럴 네트워크(305)의 출력과 레이블 간의 편차, 오차 내지는 차이를 측정할 수 있다면, 다양한 뉴럴 네트워크 모델들에서 이용되는 손실함수들이 이용될 수 있다.

다음으로, 학습 장치는 비교값을 기초로 제2 뉴럴 네트워크(305)를 최적화할 수 있다. 학습 장치 비교값이 점점 작아지도록 뉴럴 네트워크의 노드(node)들의 웨이트(weight)를 갱신함으로써, 추론에 해당하는 뉴럴 네트워크의 출력과 정답에 해당하는 레이블을 점점 일치시킬 수 있고, 이를 통해 뉴럴 네트워크는 정답에 가까운 추론을 출력하도록 최적화될 수 있다. 구체적으로, 학습 장치는 비교값에 해당하는 손실함수가 최소값의 추정치에 가까워지도록 뉴럴 네트워크의 웨이트(weight)를 재설정하는 과정을 반복함으로써 뉴럴 네트워크를 최적화할 수 있다. 뉴럴 네트워크의 최적화를 위해 기 알려진 역전파(backpropagation) 알고리즘, 확률론적 경사하강법(stochastic gradient descent) 등이 이용될 수 있다. 그러나, 이에 제한되는 것은 아니며, 다양한 신경망 모델들에서 이용되는 웨이트의 최적화 알고리즘이 이용될 수 있다.

일실시예에 따르면, 데이터 분석부는 제2 출력에 기초하여, 기본 등급(303)의 반복 정도(306)를 획득 할 수 있다. 반복 정도(306)는 제1 대상 기업의 성장세 분석 결과와 제1 대상 기업이 속한 업종별 분류 내의 모든 기업들의 평균 성장세 분석 결과의 비교에 기초하여, 제1 대상 기업의 성장세 분석 결과가 제1 대상 기업이 속한 업종별 분류에 속하는 모든 기업들의 평균 성장세 분석 결과보다 큰 경우, 기본 등급(303)의 기본 등급(303) 문자를 세 번 반복해 표현하고, 제1 대상 기업의 성장세 분석 결과가 제1 대상 기업이 속한 업종별 분류에 속하는 모든 기업들의 평균 성장세 분석 결과보다 작은 경우, 기본 등급(303)의 기본 등급(303) 문자를 두 번 반복해 표현하고, 제1 대상 기업의 성장세를 분석할 만한 충분한 기업 데이터(301)가 존재하지 않는 경우, 기본 등급(303)의 기본 등급(303) 문자를 한 번만 표현할 수 있다. 예를 들어, 제1 대상 기업이 속한 업종별 분류가 “철강 산업”이고, 이 중에서 제1 대상 기업이 나머지 “철강 산업”에 속하는 다른 기업들보다 성장세가 좋다고 평가되고, 제1 대상 기업의 현재 기본 등급(303)이 A인 경우, 기업 등급(307)은 AAA로 표현될 수 있다. 반대로 제1 대상 기업이 나머지 “철강 산업”에 속하는 다른 기업들보다 성장세가 나쁘다고 평가되면, 기업 등급(307)은 AA로 표현될 수 있다. 또한, 제1 대상 기업이 사업을 시작한지 만 2년이 지나지 않아, 최근 영업 실적은 존재하나 그 이전 영업 실적이 존재하지 않는 경우에는 성장세를 판단할 근거 자료가 부족하므로, 이 경우 제1 대상 기업의 기업 등급(307)은 현재의 기업 등급(307)만을 나타내는 A로 표현될 수 있다.

일실시예에 따른 제1 대상 기업은 데이터 수집부를 통해 기업 데이터들(304)이 수집된 모든 대상 기업들 중 임의로 추출된 한 기업으로서, 모든 기업이 제1 대상 기업으로 선정될 수 있으며, 동일한 절차를 거쳐 기업 등급(307)의 평가를 받을 수 있다.

도 4는 일실시예에 따른 데이터들에 대해 데이터 저장부를 분할 관리하는 과정을 설명하기 위한 도면이다.

도 4를 참조하면, 데이터 저장부는 로컬 데이터 저장소 및 클라우드 데이터 저장소를 포함할 수 있으며, 각 저장소의 연결은 데이터 통신부를 통해 이뤄질 수 있다.

일실시예에 따르면, 데이터 저장부는 미리 정해진 기간 마다 로컬 데이터 저장소의 저장 상태를 확인하기 위해, 로컬 데이터 저장소가 포함된 저장 장치의 전원 이상, 접속 불량, 네트워크 연결, 로컬 데이터 저장소의 여유 공간 중 하나 이상의 체크 사항을 통해 로컬 데이터 저장소의 적합성 체크를 수행할 수 있다. 데이터 저장부는 적합성 체크의 수행 결과(404), 로컬 데이터 저장소에 이상이 있는 것으로 판단되면, 로컬 데이터 저장소에 저장된 기업 데이터들 및 결과 데이터들 중 일부가 클라우드 데이터 저장소에 백업 저장되도록 이중 복제 저장 동작(407)을 수행할 수 있다. 예를 들어, 로컬 데이터 저장소의 전원 상태가 불안정한 경우, 로컬 데이터 저장소의 상태에 이상이 있는 것으로 판단할 수 있으며, 데이터 분석부와 로컬 데이터 저장소 간에 접속이 불량한 경우, 로컬 데이터 저장소의 상태에 이상이 있는 것으로 판단할 수 있으며, 로컬 데이터 저장소와 외부 장치 간의 네트워크 연결이 불안정한 경우, 로컬 데이터 저장소의 상태에 이상이 있는 것으로 판단할 수 있으며, 로컬 데이터 저장소의 여유 공간이 10% 미만 남은 경우, 로컬 데이터 저장소의 상태에 이상이 있는 것으로 판단할 수 있다.

구체적으로, 적합성 체크의 수행 결과(404)에 따라 로컬 데이터 저장소는 정상 상태, 경고 상태, 위험 상태 등으로 분류되어 될 수 있으며, 데이터 분석부는 로컬 데이터 저장소가 경고 상태로 분류된 경우, 데이터 전송 속도가 기준 속도 이상으로 변경될 때까지 로컬 데이터 저장소에 저장된 데이터가 클라우드 데이터 저장소로 전송되지 않고 대기하도록 제어할 수 있다.

예를 들어, 로컬 데이터 저장소와 클라우드 데이터 저장소 간의 데이터 전송 속도가 8Mbps로 기준 속도인 10Mbps 미만으로 확인되고, 로컬 데이터 저장소가 경고 상태로 분류된 경우, 데이터 분석부는 데이터 전송 속도가 10Mbps로 올라갈 때까지 대기 상태를 유지하다 데이터 전송 속도가 10Mbps로 변경되면, 로컬 데이터 저장소에 저장된 기업 데이터들 및 결과 데이터들이 클라우드 데이터 저장소로 전송되도록 제어할 수 있다.

데이터 분석부는 로컬 데이터 저장소가 위험 상태로 분류된 경우, 데이터 전송 속도가 기준 속도 미만이더라도 로컬 데이터 저장소에 저장된 데이터가 클라우드 데이터 저장소로 전송되도록 제어할 수 있다.

예를 들어, 로컬 데이터 저장소와 클라우드 데이터 저장소 간의 데이터 전송 속도가 8Mbps로 기준 속도인 10Mbps 미만으로 확인되고, 로컬 데이터 저장소가 위험 상태로 분류된 경우, 데이터 분석부는 데이터 전송 속도가 8Mbps로 기준 속도 보다 느리지만, 로컬 데이터 저장소의 상태가 위험하기 때문에, 느린 전송 속도를 통해 로컬 데이터 저장소에 저장된 기업 데이터들 및 결과 데이터들이 클라우드 데이터 저장소로 전송되도록 제어할 수 있다.

일실시예에 따르면, 데이터 분석부는 평가 사유(403)로 판명된 기업 데이터들 및 결과 데이터들 중 일부에 대해서도 이중 복제 저장 동작(407)을 수행할 수 있다. 평가 사유(403)는 로컬 데이터 저장소에 저장된 기업 데이터들 및 결과 데이터들 중 새로 추가되는 데이터들에 기초하여, 데이터 분석부의 제5 뉴럴 네트워크(401)를 통해 생성한 데이터 처리 목표화 지수(402)에 기초하여 생성될 수 있다. 데이터 처리 목표화 지수(402)는 데이터 분석부가 로컬 데이터 저장소 및 클라우드 데이터 저장소의 연결 상태, 잔여 저장 공간, 처리 속도 및 안정성 점수에 기초하여 데이터의 효율적인 처리를 위해 생성하는 지수일 수 있다.

제5 뉴럴 네트워크(401)는 기업 데이터들 및 결과 데이터들 중 새로 추가되는 데이터들에 기초하여 제5 입력을 생성할 수 있다. 제5 입력은 제5 뉴럴 네트워크(401)의 입력층 노드에 대응하는 벡터일 수 있다. 제5 뉴럴 네트워크(401)은 제5 출력을 출력으로 할 수 있는데, 제5 출력은 제5 뉴럴 네트워크(401)의 출력층 노드에 대응하는 벡터일 수 있다. 제5 뉴럴 네트워크(401)는 은닉층과 출력층을 가질 수 있다. 제5 뉴럴 네트워크(401)에는 일반적으로 은닉층이 5개 이상 존재하며, 각 은닉층의 노드는 8개로 지정하나 경우에 따라 그 이상 또는 이하로 정할 수 있다. 은닉층의 활성함수는 ReLU 함수, 시그모이드 함수 및 tanh 함수 등을 사용하나 이에 한정하지 않는다. 제5 뉴럴 네트워크(401)의 출력층 노드는 총 10개로 할 수 있으나, 이에 국한하지 않는다. 10개의 출력층 노드는 미리 코드화된 값을 지시할 수 있으며, 이에 따라 제5 출력은 코드를 해석한 데이터 처리 목표화 지수(402)를 획득하기 위해 사용될 수 있다.

학습 장치는 제5 뉴럴 네트워크(401)를 제5 트레이닝 레이블들을 통해 학습할 수 있다. 학습 장치는 데이터 분석부와 동일할 수 있으나, 이에 국한하지 않는다. 제5 트레이닝 레이블들은 1만 개의 기업 데이터들 및 결과 데이터들의 데이터 값들과 이에 대응하는 데이터 처리 목표화 지수(402)들의 코드들을 포함할 수 있다. 제5 뉴럴 네트워크(401)는 제5 레이블드 트레이닝 입력들을 입력해 얻은 제5 레이블드 트레이닝 출력들을 제5 트레이닝 레이블들과 비교해 손실함수(loss function)를 계산하여 이루어질 수 있다. 손실함수는 기 알려진 평균 제곱 오차(mean squared error, MSE), 교차 엔트로피 오차(cross entropy error, CEE) 등이 이용될 수 있다. 그러나, 이에 제한되는 것은 아니며, 제5 뉴럴 네트워크(401)의 출력과 레이블 간의 편차, 오차 내지는 차이를 측정할 수 있다면, 다양한 뉴럴 네트워크 모델들에서 이용되는 손실함수들이 이용될 수 있다.

다음으로, 학습 장치는 비교값을 기초로 제5 뉴럴 네트워크(401)를 최적화할 수 있다. 학습 장치 비교값이 점점 작아지도록 뉴럴 네트워크의 노드(node)들의 웨이트(weight)를 갱신함으로써, 추론에 해당하는 뉴럴 네트워크의 출력과 정답에 해당하는 레이블을 점점 일치시킬 수 있고, 이를 통해 뉴럴 네트워크는 정답에 가까운 추론을 출력하도록 최적화될 수 있다. 구체적으로, 학습 장치는 비교값에 해당하는 손실함수가 최소값의 추정치에 가까워지도록 뉴럴 네트워크의 웨이트(weight)를 재설정하는 과정을 반복함으로써 뉴럴 네트워크를 최적화할 수 있다. 뉴럴 네트워크의 최적화를 위해 기 알려진 역전파(backpropagation) 알고리즘, 확률론적 경사하강법(stochastic gradient descent) 등이 이용될 수 있다. 그러나, 이에 제한되는 것은 아니며, 다양한 신경망 모델들에서 이용되는 웨이트의 최적화 알고리즘이 이용될 수 있다.

일실시예에 따르면, 데이터 분석부는 제5 출력에 기초하여 획득한 데이터 처리 목표화 지수(402)에 기초하여 평가 사유(403)를 생성할 수 있다. 평가 사유(403)는 보다 높은 효율을 위해 사용자가 자주 사용하는 정보는 로컬 데이터 저장소에 저장하고, 사용 빈도가 매우 낮은 정보는 클라우드 데이터 저장소에 저장하도록 할 수 있으며, 보안 수준이 높은 정보는 로컬 데이터 저장소에만 저장하도록 할 수 있다.

일실시예에 따르면, 이중 복제 저장 동작(407)은 데이터 분석부의 제4 뉴럴 네트워크(405)로부터 획득한 이중 복제 저장 전략(406)에 기초하여, 로컬 데이터 저장소에 저장된 기업 데이터들 및 결과 데이터들 중 일부를 로컬 데이터 저장소에만 저장을 수행하거나, 클라우드 데이터 저장소에만 저장을 수행하거나, 로컬 데이터 저장소 및 클라우드 데이터 저장소 모두에 저장을 수행하는 동작을 포함할 수 있다.

제4 뉴럴 네트워크(405)는 적합성 체크의 수행 결과(404) 및 평가 사유(403)에 기초하여 제4 입력을 생성할 수 있다. 제4 입력은 제4 뉴럴 네트워크(405)의 입력층 노드에 대응하는 벡터일 수 있다. 제4 뉴럴 네트워크(405)은 제4 출력을 출력으로 할 수 있는데, 제4 출력은 제4 뉴럴 네트워크(405)의 출력층 노드에 대응하는 벡터일 수 있다. 제4 뉴럴 네트워크(405)는 은닉층과 출력층을 가질 수 있다. 제4 뉴럴 네트워크(405)에는 일반적으로 은닉층이 5개 이상 존재하며, 각 은닉층의 노드는 10개로 지정하나 경우에 따라 그 이상 또는 이하로 정할 수 있다. 은닉층의 활성함수는 ReLU 함수, 시그모이드 함수 및 tanh 함수 등을 사용하나 이에 한정하지 않는다. 제4 뉴럴 네트워크(405)의 출력층 노드는 총 10개로 할 수 있으나, 이에 국한하지 않는다. 10개의 출력층 노드는 미리 코드화된 값을 지시할 수 있으며, 이에 따라 제4 출력은 코드를 해석한 이중 복제 저장 전략(406)을 획득하기 위해 사용될 수 있다.

학습 장치는 제4 뉴럴 네트워크(405)를 제4 트레이닝 레이블들을 통해 학습할 수 있다. 학습 장치는 데이터 분석부와 동일할 수 있으나, 이에 국한하지 않는다. 제4 트레이닝 레이블들은 각각 1만 개의 적합성 체크의 수행 결과(404) 및 평가 사유(403)를 포함할 수 있고, 이에 대응하는 이중 복제 저장 전략(406)의 코드들을 포함할 수 있다. 제4 뉴럴 네트워크(405)는 제4 레이블드 트레이닝 입력들을 입력해 얻은 제4 레이블드 트레이닝 출력들을 제4 트레이닝 레이블들과 비교해 손실함수(loss function)를 계산하여 이루어질 수 있다. 손실함수는 기 알려진 평균 제곱 오차(mean squared error, MSE), 교차 엔트로피 오차(cross entropy error, CEE) 등이 이용될 수 있다. 그러나, 이에 제한되는 것은 아니며, 제4 뉴럴 네트워크(405)의 출력과 레이블 간의 편차, 오차 내지는 차이를 측정할 수 있다면, 다양한 뉴럴 네트워크 모델들에서 이용되는 손실함수들이 이용될 수 있다.

다음으로, 학습 장치는 비교값을 기초로 제4 뉴럴 네트워크(405)를 최적화할 수 있다. 학습 장치 비교값이 점점 작아지도록 뉴럴 네트워크의 노드(node)들의 웨이트(weight)를 갱신함으로써, 추론에 해당하는 뉴럴 네트워크의 출력과 정답에 해당하는 레이블을 점점 일치시킬 수 있고, 이를 통해 뉴럴 네트워크는 정답에 가까운 추론을 출력하도록 최적화될 수 있다. 구체적으로, 학습 장치는 비교값에 해당하는 손실함수가 최소값의 추정치에 가까워지도록 뉴럴 네트워크의 웨이트(weight)를 재설정하는 과정을 반복함으로써 뉴럴 네트워크를 최적화할 수 있다. 뉴럴 네트워크의 최적화를 위해 기 알려진 역전파(backpropagation) 알고리즘, 확률론적 경사하강법(stochastic gradient descent) 등이 이용될 수 있다. 그러나, 이에 제한되는 것은 아니며, 다양한 신경망 모델들에서 이용되는 웨이트의 최적화 알고리즘이 이용될 수 있다.

일실시예에 따르면, 데이터 분석부는 제4 출력에 기초하여 이중 복제 저장 전략(406)을 획득할 수 있다. 데이터 분석부는 이중 복제 저장 전략(406)에 따라 이중 복제 저장 동작(407)을 수행함으로써 기업 데이터들 및 결과 데이터들을 로컬 데이터 저장소 및 클라우드 데이터 저장소에 분산 저장할 수 있다.

도 5는 일실시예에 따른 장치의 구성의 예시도이다.

일실시예에 따른 장치(501)는 프로세서(502) 및 메모리(503)를 포함한다. 일실시예에 따른 장치(501)는 상술한 서버 또는 단말일 수 있다. 프로세서는 도 1 내지 도 4를 통하여 전술한 적어도 하나의 장치들을 포함하거나, 도 1 내지 도 4를 통하여 전술한 적어도 하나의 방법을 수행할 수 있다. 메모리(503)는 상술한 방법과 관련된 정보를 저장하거나 상술한 방법이 구현된 프로그램을 저장할 수 있다. 메모리(503)는 휘발성 메모리 또는 비휘발성 메모리일 수 있다.

프로세서(502)는 프로그램을 실행하고, 장치(501)를 제어할 수 있다. 프로세서(502)에 의하여 실행되는 프로그램의 코드는 메모리(503)에 저장될 수 있다. 장치(501)는 입출력 장치(도면 미 표시)를 통하여 외부 장치(예를 들어, 퍼스널 컴퓨터 또는 네트워크)에 연결되고, 데이터를 교환할 수 있다.

이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.

실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.

이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.

그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.

Claims (3)

1. 기업 데이터 수집 기반 기업 등급 자동 산출 시스템에 있어서,
   기업 경영 정보들-상기 기업 경영 정보들은 재무제표, 지분 구성, 소비자 만족도 조사 및 경영자 평가 점수를 포함함-을 포함한 기업 데이터들을 수집하는 데이터 수집부;
   상기 기업 데이터들을 저장하는 데이터 저장부;
   상기 기업 데이터들을 분석해 기업 등급을 산출하는 데이터 분석부;
   상기 기업 등급, 점수표 및 상기 기업 등급 확정의 의미를 포함하는 결과 데이터들을 출력하는 데이터 출력부; 및
   상기 기업 데이터들 및 상기 결과 데이터들을 상기 데이터 저장부 및 사용자 단말기에 전송하는 데이터 통신부
   를 포함하고,
   상기 결과 데이터들을 수신해 사용자에게 표시하고, 상기 사용자의 피드백을 송신하는 상기 사용자 단말기
   를 포함하고,
   상기 데이터 수집부는
   대상 기업들에 대해 상기 기업 경영 정보들을 빅데이터 분석을 통해 수집하고,
   상기 데이터 분석부는
   상기 기업 등급 평가를 위한 하나 이상의 연산을 수행하는 뉴럴 네트워크들을 포함하며,
   상기 데이터 분석부는
   상기 기업 데이터들에 기초하여, 상기 기업 등급을 획득하고,
   상기 대상 기업들이 해당하는 업종별 분류에 기초하여, ⅰ) 미래 유망 산업군으로 분류된 경우 문자열 “+”를 상기 기업 등급의 뒤에 추가하고, ⅱ) 미래 불투명 산업군으로 분류된 경우 문자열 “-“를 상기 기업 등급의 뒤에 추가하고, ⅲ) 상기 미래 유망 산업군 및 상기 미래 불투명 산업군으로 분류되지 않은 경우, 문자열을 추가하지 않으며,
   ⅰ) 상기 미래 유망 산업군은,
   상기 데이터 수집부가 온라인 상의 기사문, 논문 및 SNS를 포함한 빅데이터 분석을 통해, 미래 유망 단어군을 포함하는 문장의 전후 3문장 내에서 동일 문장 내에 긍정 단어군과 함께 표현된 상기 업종별 분류 중 어느 하나이고,
   ⅱ) 상기 미래 불투명 산업군은,
   상기 데이터 수집부가 온라인 상의 기사문, 논문 및 SNS를 포함한 빅데이터 분석을 통해, 미래 유망 단어군을 포함하는 문장의 전후 3문장 내에서 동일 문장 내에 부정 단어군과 함께 표현된 상기 업종별 분류 중 어느 하나이고,
   ⅲ) 상기 미래 유망 산업군 및 상기 미래 불투명 산업군으로 분류되지 않는 경우는,
   상기 데이터 수집부가 온라인 상의 기사문, 논문 및 SNS를 포함한 빅데이터 분석을 통해, 미래 유망 단어군을 포함하는 문장의 전후 3문장 내에서 표현되지 않은 업종별 분류 중 어느 하나이고,
   ⅳ) 상기 업종별 분류 중 어느 하나가 상기 미래 유망 산업군과 상기 미래 불투명 산업군에 모두 포함된 경우, 상기 미래 유망 산업군 및 상기 미래 불투명 산업군으로 표현된 비율을 분석하여 상기 미래 유망 산업군의 비율이 높은 경우 상기 미래 유망 산업군으로 분류되고, 상기 미래 불투명 산업군의 비율이 높은 경우 상기 미래 불투명 산업군으로 분류되고,
   상기 미래 유망 산업군 및 상기 미래 불투명 산업군은 상기 데이터 분석부의 제3 뉴럴 네트워크를 통해 연산되어 결정되는
   기업 데이터 수집 기반 기업 등급 자동 산출 시스템.
   
2. 삭제
3. 제1 항에 있어서,
   상기 데이터 분석부가 상기 기업 등급을 획득하는 데에 있어서,
   상기 데이터 분석부는
   상기 대상 기업들 중 제1 대상 기업의 기업 데이터에 기초하여, 제1 입력을 생성하고,
   상기 제1 입력을 제1 뉴럴 네트워크에 입력하여 제1 출력을 획득하고,
   상기 제1 출력에 기초하여, 기본 등급-상기 기본 등급은 A, B, C, D, F의 기본 등급 문자로 표현되고, A부터 순서대로 상대적으로 더 우수한 기업 평가를 획득한 것으로 인정함-을 획득하고,
   상기 대상 기업들 중 상기 제1 대상 기업의 상기 기업 데이터 및 상기 제1 대상 기업이 속한 상기 업종별 분류에 속하는 모든 기업들의 상기 기업 데이터들에 기초하여, 제2 입력을 생성하고,
   상기 제2 입력을 제2 뉴럴 네트워크에 입력하여 제2 출력을 획득하고,
   상기 제2 출력에 기초하여, 상기 기본 등급의 반복 정도를 획득하고,
   상기 반복 정도에 기초하여, 상기 기업 등급을 획득하고,
   상기 반복 정도는
   상기 제1 대상 기업의 성장세 분석 결과와 상기 제1 대상 기업이 속한 상기 업종별 분류에 속하는 모든 기업들의 평균 성장세 분석 결과의 비교를 통해,
   (a) 상기 제1 대상 기업의 성장세 분석 결과가 상기 제1 대상 기업이 속한 상기 업종별 분류에 속하는 모든 기업들의 평균 성장세 분석 결과보다 큰 경우, 상기 기본 등급의 상기 기본 등급 문자를 세 번 반복해 표현하고,
   (b) 상기 제1 대상 기업의 성장세 분석 결과가 상기 제1 대상 기업이 속한 상기 업종별 분류에 속하는 모든 기업들의 평균 성장세 분석 결과보다 작은 경우, 상기 기본 등급의 상기 기본 등급 문자를 두 번 반복해 표현하고,
   (c) 상기 제1 대상 기업의 성장세를 분석할 만한 충분한 상기 기업 데이터가 존재하지 않는 경우, 상기 기본 등급의 상기 기본 등급 문자를 한 번만 표현하고,
   상기 제1 대상 기업은 상기 대상 기업들 중 임의로 추출되는
   기업 데이터 수집 기반 기업 등급 자동 산출 시스템.
   
   

Images