KR102385054B1 - 인공지능 기반의 신용등급 변동 예측 처리 장치 및 그 동작 방법 - Google Patents

인공지능 기반의 신용등급 변동 예측 처리 장치 및 그 동작 방법 Download PDF

Info

Publication number
KR102385054B1
KR102385054B1 KR1020200062946A KR20200062946A KR102385054B1 KR 102385054 B1 KR102385054 B1 KR 102385054B1 KR 1020200062946 A KR1020200062946 A KR 1020200062946A KR 20200062946 A KR20200062946 A KR 20200062946A KR 102385054 B1 KR102385054 B1 KR 102385054B1
Authority
KR
South Korea
Prior art keywords
vector
customer
dimensional
credit rating
customers
Prior art date
Application number
KR1020200062946A
Other languages
English (en)
Other versions
KR20210146000A (ko
Inventor
박지만
한정표
이선호
김형채
박진하
정대윤
Original Assignee
주식회사 다날
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 다날 filed Critical 주식회사 다날
Priority to KR1020200062946A priority Critical patent/KR102385054B1/ko
Publication of KR20210146000A publication Critical patent/KR20210146000A/ko
Application granted granted Critical
Publication of KR102385054B1 publication Critical patent/KR102385054B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/03—Credit; Loans; Processing thereof
    • G06Q40/025—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/08—Network architectures or network communication protocols for network security for authentication of entities
    • H04L63/083—Network architectures or network communication protocols for network security for authentication of entities using passwords
    • H04L63/0838—Network architectures or network communication protocols for network security for authentication of entities using passwords using one-time-passwords

Abstract

인공지능 기반의 신용등급 변동 예측 처리 장치 및 그 동작 방법이 개시된다. 본 발명은 인공지능을 기반으로 고객의 신용등급이 어떻게 변동될 것인지를 예측할 수 있는 예측모델을 생성하고, 이를 기초로 고객의 변동 신용등급을 예측할 수 있는 신용등급 변동 예측 처리 장치 및 그 동작 방법을 제시함으로써, 고객에게 보다 정확한 신용등급의 변동 예측 결과를 제공하고, 이를 기초로 고객이 신용등급 관리를 위한 적절한 재무설계를 진행할 수 있도록 지원할 수 있다.

Description

인공지능 기반의 신용등급 변동 예측 처리 장치 및 그 동작 방법{CREDIT RATING CHANGE PREDICTION PROCESSING APPARATUS BASED ON ARTIFICIAL INTELLIGENCE AND OPERATING METHOD THEREOF}
본 발명은 인공지능 기반의 신용등급 변동 예측 처리 장치 및 그 동작 방법에 대한 것이다.
신용등급이란, 개인신용평가회사에서 금융거래 정보를 바탕으로 각 개인의 신용도를 평가한 등급을 의미한다.
여기서, 신용등급은 상환이력, 신용형태정보, 현재부채수준 및 신용거래기간을 기초로 산출된다. 보통, 신용등급이 낮게 산출된 사용자는 신용등급이 높게 산출된 사용자에 비해 높은 이자를 물어야 하며, 대출을 받더라도 원하는 금액을 다 받지 못하게 되는 경우가 많다. 그러므로, 사용자는 지속적인 신용등급 관리를 통해 높은 신용등급을 유지할 필요가 있다.
기존에는 사용자의 현재 대출금액이나 현재의 신용카드 발급건수, 현재의 채무에 대한 연체금액을 고려하여 현재의 신용등급을 산출해 주는 서비스만 존재하고 있을 뿐, 사용자의 신용등급이 미래에 어떻게 변동될 것인지를 예측해 주는 서비스가 존재하지 않았다. 즉, 사용자가 앞으로 대출을 얼마나 더 받을지, 신용카드는 얼마나 더 만들지 등에 따라 미래에 신용등급이 어떻게 변동될 것인지를 예측해 주는 서비스가 존재하지 않아, 사용자는 자신의 신용등급을 관리하기가 쉽지 않은 실정이다.
만약, 사용자의 신규 대출예정금액, 신용카드 신규 발급예정건수, 채무에 대한 신규 연체예정금액을 고려하여 사용자의 신용등급이 어떻게 변동될 것인지를 예측할 수 있는 서비스가 제공된다면, 사용자는 자신의 신용등급의 예측 결과를 참고하여 자신의 신용등급을 높은 상태로 유지하기 위해 적절한 형태의 재무설계를 할 수 있을 것이다.
한편, 최근에는 일부의 샘플 데이터를 기초로 소정의 결과를 예측하기 위한 예측모델을 만들 수 있는 기계학습 기반의 인공지능 기술이 등장하고 있다. 이와 관련해서, 고객의 신용등급의 변동을 예측하는데에 있어서도, 기계학습 기반의 인공지능 기술을 이용할 수 있을 것이다.
따라서, 고객의 신용등급 변동을 예측하기 위한 인공지능 기반의 예측모델을 만들고, 이를 기초로 고객의 신용등급이 어떻게 변동될지를 예측할 수 있는 기술에 대한 연구가 필요하다.
대한민국 공개특허공보 제10-2018-0119674호(2018.11.02.) 대한민국 등록특허공보 제10-1899101호(2018.09.14.)
본 발명은 인공지능을 기반으로 고객의 신용등급이 어떻게 변동될 것인지를 예측할 수 있는 예측모델을 생성하고, 이를 기초로 고객의 변동 신용등급을 예측할 수 있는 신용등급 변동 예측 처리 장치 및 그 동작 방법을 제시함으로써, 고객에게 보다 정확한 신용등급의 변동 예측 결과를 제공하고, 이를 기초로 고객이 신용등급 관리를 위한 적절한 재무설계를 진행할 수 있도록 지원하고자 한다.
본 발명의 일실시예에 따른 인공지능 기반의 신용등급 변동 예측 처리 장치는 N(N은 3이상의 자연수)개의 신용등급들 각각에 대한 미리 정해진(predetermined) 서로 다른 N차원의 원-핫(One-Hot) 벡터가 저장되어 있는 신용등급 벡터 저장부, M(M은 2이상의 자연수)명의 고객들 각각으로부터 수집된 현재 신용등급, 신규 대출예정금액, 신용카드 신규 발급예정건수 및 채무에 대한 신규 연체예정금액으로 구성된 입력 세트 정보와 상기 M명의 고객들 각각의 입력 세트 정보에 대한 정답 정보로 상기 M명의 고객들 각각에 대해서 미리 산출된 변동 신용등급 - 상기 변동 신용등급은 상기 N개의 신용등급들 중에 속하는 어느 하나의 신용등급임 - 이 하나씩 매칭되어 있는 M개의 트레이닝 세트들이 저장되어 있는 트레이닝 세트 저장부, 상기 M명의 고객들 각각에 대해, 각 고객의 현재 신용등급, 신규 대출예정금액, 신용카드 신규 발급예정건수 및 채무에 대한 신규 연체예정금액을 성분으로 하는 4차원의 입력 벡터를 구성함으로써, 상기 M명의 고객들 각각에 대응되는 4차원의 입력 벡터를 생성하는 입력 벡터 생성부, 상기 M명의 고객들 각각에 대응되는 4차원의 입력 벡터가 생성되면, 상기 신용등급 벡터 저장부를 참조하여 상기 M명의 고객들 각각에 대응되는 변동 신용등급에 대한 N차원의 원-핫 벡터를 확인하는 원-핫 벡터 확인부, 상기 M명의 고객들 각각에 대응되는 4차원의 입력 벡터를 둘 이상의 가중치 행렬들로 구성된 심층 신경망 - 상기 심층 신경망을 구성하는 둘 이상의 가중치 행렬들은 상기 심층 신경망의 출력으로 산출되는 벡터의 차원이 N차원이 되도록 구성된 행렬들임 - 에 입력으로 인가하여 상기 M명의 고객들 각각에 대응되는 N차원의 출력 벡터를 생성하는 출력 벡터 생성부, 상기 M명의 고객들 각각에 대응되는 N차원의 출력 벡터가 생성되면, 상기 M명의 고객들 각각에 대응되는 N차원의 출력 벡터를 미리 정해진 활성화 함수(Activation Function) - 상기 활성화 함수는 상기 M명의 고객들 각각에 대응되는 N차원의 출력 벡터를 구성하는 성분들을 0이상 1이하의 값으로 변환하는 함수임 - 에 입력으로 인가하여 상기 M명의 고객들 각각에 대응되는 N차원의 연산 벡터를 생성하는 연산 벡터 생성부 및 상기 M명의 고객들 각각에 대응되는 N차원의 연산 벡터와 상기 M명의 고객들 각각에 대응되는 변동 신용등급에 대한 N차원의 원-핫 벡터를 서로 비교하여 상기 심층 신경망에 대한 기계학습을 수행함으로써, 고객의 신용등급 변동을 예측하기 위한 예측모델을 생성하는 예측모델 생성부를 포함한다.
또한, 본 발명의 일실시예에 따른 인공지능 기반의 신용등급 변동 예측 처리 장치의 동작 방법은 N(N은 3이상의 자연수)개의 신용등급들 각각에 대한 미리 정해진 서로 다른 N차원의 원-핫 벡터가 저장되어 있는 신용등급 벡터 저장부를 유지하는 단계, M(M은 2이상의 자연수)명의 고객들 각각으로부터 수집된 현재 신용등급, 신규 대출예정금액, 신용카드 신규 발급예정건수 및 채무에 대한 신규 연체예정금액으로 구성된 입력 세트 정보와 상기 M명의 고객들 각각의 입력 세트 정보에 대한 정답 정보로 상기 M명의 고객들 각각에 대해서 미리 산출된 변동 신용등급 - 상기 변동 신용등급은 상기 N개의 신용등급들 중에 속하는 어느 하나의 신용등급임 - 이 하나씩 매칭되어 있는 M개의 트레이닝 세트들이 저장되어 있는 트레이닝 세트 저장부를 유지하는 단계, 상기 M명의 고객들 각각에 대해, 각 고객의 현재 신용등급, 신규 대출예정금액, 신용카드 신규 발급예정건수 및 채무에 대한 신규 연체예정금액을 성분으로 하는 4차원의 입력 벡터를 구성함으로써, 상기 M명의 고객들 각각에 대응되는 4차원의 입력 벡터를 생성하는 단계, 상기 M명의 고객들 각각에 대응되는 4차원의 입력 벡터가 생성되면, 상기 신용등급 벡터 저장부를 참조하여 상기 M명의 고객들 각각에 대응되는 변동 신용등급에 대한 N차원의 원-핫 벡터를 확인하는 단계, 상기 M명의 고객들 각각에 대응되는 4차원의 입력 벡터를 둘 이상의 가중치 행렬들로 구성된 심층 신경망 - 상기 심층 신경망을 구성하는 둘 이상의 가중치 행렬들은 상기 심층 신경망의 출력으로 산출되는 벡터의 차원이 N차원이 되도록 구성된 행렬들임 - 에 입력으로 인가하여 상기 M명의 고객들 각각에 대응되는 N차원의 출력 벡터를 생성하는 단계, 상기 M명의 고객들 각각에 대응되는 N차원의 출력 벡터가 생성되면, 상기 M명의 고객들 각각에 대응되는 N차원의 출력 벡터를 미리 정해진 활성화 함수 - 상기 활성화 함수는 상기 M명의 고객들 각각에 대응되는 N차원의 출력 벡터를 구성하는 성분들을 0이상 1이하의 값으로 변환하는 함수임 - 에 입력으로 인가하여 상기 M명의 고객들 각각에 대응되는 N차원의 연산 벡터를 생성하는 단계 및 상기 M명의 고객들 각각에 대응되는 N차원의 연산 벡터와 상기 M명의 고객들 각각에 대응되는 변동 신용등급에 대한 N차원의 원-핫 벡터를 서로 비교하여 상기 심층 신경망에 대한 기계학습을 수행함으로써, 고객의 신용등급 변동을 예측하기 위한 예측모델을 생성하는 단계를 포함한다.
본 발명은 인공지능을 기반으로 고객의 신용등급이 어떻게 변동될 것인지를 예측할 수 있는 예측모델을 생성하고, 이를 기초로 고객의 변동 신용등급을 예측할 수 있는 신용등급 변동 예측 처리 장치 및 그 동작 방법을 제시함으로써, 고객에게 보다 정확한 신용등급의 변동 예측 결과를 제공하고, 이를 기초로 고객이 신용등급 관리를 위한 적절한 재무설계를 진행할 수 있도록 지원할 수 있다.
도 1은 본 발명의 일실시예에 따른 인공지능 기반의 신용등급 변동 예측 처리 장치의 구조를 도시한 도면이다.
도 2는 본 발명에 따른 신용등급 변동 예측 서비스를 제공하는 통합 신용관리 서비스의 가입 화면의 예시를 나타내는 도면이다.
도 3은 본 발명의 일실시예에 따른 인공지능 기반의 신용등급 변동 예측 처리 장치의 동작 방법을 도시한 순서도이다.
이하에서는 본 발명에 따른 실시예들을 첨부된 도면을 참조하여 상세하게 설명하기로 한다. 이러한 설명은 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였으며, 다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 본 명세서 상에서 사용되는 모든 용어들은 본 발명이 속하는 기술분야에서 통상의 지식을 가진 사람에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다.
본 문서에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있다는 것을 의미한다. 또한, 본 발명의 다양한 실시예들에 있어서, 각 구성요소들, 기능 블록들 또는 수단들은 하나 또는 그 이상의 하부 구성요소로 구성될 수 있고, 각 구성요소들이 수행하는 전기, 전자, 기계적 기능들은 전자회로, 집적회로, ASIC(Application Specific Integrated Circuit) 등 공지된 다양한 소자들 또는 기계적 요소들로 구현될 수 있으며, 각각 별개로 구현되거나 2 이상이 하나로 통합되어 구현될 수도 있다.
한편, 첨부된 블록도의 블록들이나 흐름도의 단계들은 범용 컴퓨터, 특수용 컴퓨터, 휴대용 노트북 컴퓨터, 네트워크 컴퓨터 등 데이터 프로세싱이 가능한 장비의 프로세서나 메모리에 탑재되어 지정된 기능들을 수행하는 컴퓨터 프로그램 명령들(instructions)을 의미하는 것으로 해석될 수 있다. 이들 컴퓨터 프로그램 명령들은 컴퓨터 장치에 구비된 메모리 또는 컴퓨터에서 판독 가능한 메모리에 저장될 수 있기 때문에, 블록도의 블록들 또는 흐름도의 단계들에서 설명된 기능들은 이를 수행하는 명령 수단을 내포하는 제조물로 생산될 수도 있다. 아울러, 각 블록 또는 각 단계는 특정된 논리적 기능(들)을 실행하기 위한 하나 이상의 실행 가능한 명령들을 포함하는 모듈, 세그먼트 또는 코드의 일부를 나타낼 수 있다. 또, 몇 가지 대체 가능한 실시예들에서는 블록들 또는 단계들에서 언급된 기능들이 정해진 순서와 달리 실행되는 것도 가능함을 주목해야 한다. 예컨대, 잇달아 도시되어 있는 두 개의 블록들 또는 단계들은 실질적으로 동시에 수행되거나, 역순으로 수행될 수 있으며, 경우에 따라 일부 블록들 또는 단계들이 생략된 채로 수행될 수도 있다.
도 1은 본 발명의 일실시예에 따른 인공지능 기반의 신용등급 변동 예측 처리 장치의 구조를 도시한 도면이다.
도 1을 참조하면, 본 발명에 따른 신용등급 변동 예측 처리 장치(110)는 신용등급 벡터 저장부(111), 트레이닝 세트 저장부(112), 입력 벡터 생성부(113), 원-핫 벡터 확인부(114), 출력 벡터 생성부(115), 연산 벡터 생성부(116) 및 예측모델 생성부(117)를 포함한다.
신용등급 벡터 저장부(111)에는 N(N은 3이상의 자연수)개의 신용등급들 각각에 대한 미리 정해진(predetermined) 서로 다른 N차원의 원-핫(One-Hot) 벡터가 저장되어 있다.
예컨대, 'N=10'이라고 하는 경우, 신용등급 벡터 저장부(111)에는 하기의 표 1과 같이 정보가 저장되어 있을 수 있다.
10개의 신용등급들 10차원의 원-핫 벡터
1등급 [1 0 0 0 0 0 0 0 0 0]
2등급 [0 1 0 0 0 0 0 0 0 0]
3등급 [0 0 1 0 0 0 0 0 0 0]
4등급 [0 0 0 1 0 0 0 0 0 0]
5등급 [0 0 0 0 1 0 0 0 0 0]
6등급 [0 0 0 0 0 1 0 0 0 0]
7등급 [0 0 0 0 0 0 1 0 0 0]
8등급 [0 0 0 0 0 0 0 1 0 0]
9등급 [0 0 0 0 0 0 0 0 1 0]
10등급 [0 0 0 0 0 0 0 0 0 1]
트레이닝 세트 저장부(112)에는 M(M은 2이상의 자연수)명의 고객들 각각으로부터 수집된 현재 신용등급, 신규 대출예정금액, 신용카드 신규 발급예정건수 및 채무에 대한 신규 연체예정금액으로 구성된 입력 세트 정보와 상기 M명의 고객들 각각의 입력 세트 정보에 대한 정답 정보로 상기 M명의 고객들 각각에 대해서 미리 산출된 변동 신용등급이 하나씩 매칭되어 있는 M개의 트레이닝 세트들이 저장되어 있다.
여기서, 상기 변동 신용등급은 상기 N개의 신용등급들 중에 속하는 어느 하나의 신용등급을 의미한다.
예컨대, 'M=5'라고 하는 경우, 트레이닝 세트 저장부(112)에는 하기의 표 2와 같이 정보가 저장되어 있을 수 있다.
5개의
트레이닝 세트들 		고객들 입력 세트 정보 변동 신용등급
현재
신용등급 		신규 대출예정금액 신용카드 신규 발급예정건수 신규 연체예정금액
트레이닝 세트 1 고객 1 5등급 6천만원 3건 4백만원 8등급
트레이닝 세트 2 고객 2 1등급 0천만원 1건 0백만원 1등급
트레이닝 세트 3 고객 3 2등급 0천만원 2건 2백만원 3등급
트레이닝 세트 4 고객 4 3등급 3천만원 6건 3백만원 7등급
트레이닝 세트 5 고객 5 4등급 1천만원 0건 0백만원 5등급
입력 벡터 생성부(113)는 상기 M명의 고객들 각각에 대해, 각 고객의 현재 신용등급, 신규 대출예정금액, 신용카드 신규 발급예정건수 및 채무에 대한 신규 연체예정금액을 성분으로 하는 4차원의 입력 벡터를 구성함으로써, 상기 M명의 고객들 각각에 대응되는 4차원의 입력 벡터를 생성한다.
원-핫 벡터 확인부(114)는 상기 M명의 고객들 각각에 대응되는 4차원의 입력 벡터가 생성되면, 신용등급 벡터 저장부(111)를 참조하여 상기 M명의 고객들 각각에 대응되는 변동 신용등급에 대한 N차원의 원-핫 벡터를 확인한다.
출력 벡터 생성부(115)는 상기 M명의 고객들 각각에 대응되는 4차원의 입력 벡터를 둘 이상의 가중치 행렬들로 구성된 심층 신경망에 입력으로 인가하여 상기 M명의 고객들 각각에 대응되는 N차원의 출력 벡터를 생성한다.
여기서, 상기 심층 신경망을 구성하는 둘 이상의 가중치 행렬들은 상기 심층 신경망의 출력으로 산출되는 벡터의 차원이 N차원이 되도록 구성된 행렬들이다.
예컨대, 앞서 설명한 예시와 같이, 'M=5'라고 하고, 'N=10'이라고 가정하자. 이때, 입력 벡터 생성부(113)는 상기 표 2와 같은 트레이닝 세트 저장부(112)를 참조하여 상기 5명의 고객들인 '고객 1, 고객 2, 고객 3, 고객 4, 고객 5' 각각에 대해, 각 고객의 현재 신용등급, 신규 대출예정금액, 신용카드 신규 발급예정건수 및 채무에 대한 신규 연체예정금액을 성분으로 하는 4차원의 입력 벡터를 구성함으로써, '고객 1, 고객 2, 고객 3, 고객 4, 고객 5' 각각에 대응되는 4차원의 입력 벡터를 생성할 수 있다. 이와 관련해서, '고객 1'에 대해서는 현재 신용등급, 신규 대출예정금액, 신용카드 신규 발급예정건수 및 채무에 대한 신규 연체예정금액이 각각 '5(등급)', '6(천만원)', '3(건)', '4(백만원)'이므로, 입력 벡터 생성부(113)는 '고객 1'에 대한 4차원의 입력 벡터로 '[5 6 3 4]'를 생성할 수 있다. 이러한 방식으로, 입력 벡터 생성부(113)는 상기 표 2와 같은 트레이닝 세트 저장부(112)를 참조하여 '고객 1, 고객 2, 고객 3, 고객 4, 고객 5' 각각에 대응되는 4차원의 입력 벡터로 '[5 6 3 4], [1 0 1 0], [2 0 2 2], [3 3 6 3], [4 1 0 0]'을 생성할 수 있다.
이렇게, 입력 벡터 생성부(113)에 의해 '고객 1, 고객 2, 고객 3, 고객 4, 고객 5' 각각에 대응되는 4차원의 입력 벡터가 '[5 6 3 4], [1 0 1 0], [2 0 2 2], [3 3 6 3], [4 1 0 0]'과 같이 생성되면, 원-핫 벡터 확인부(114)는 상기 표 1과 같은 신용등급 벡터 저장부(111)를 참조하여 '고객 1, 고객 2, 고객 3, 고객 4, 고객 5' 각각에 대응되는 변동 신용등급인 '8등급, 1등급, 3등급, 7등급, 5등급'에 대한 10차원의 원-핫 벡터인 '[0 0 0 0 0 0 0 1 0 0], [1 0 0 0 0 0 0 0 0 0], [0 0 1 0 0 0 0 0 0 0], [0 0 0 0 0 0 1 0 0 0], [0 0 0 0 1 0 0 0 0 0]'을 확인할 수 있다.
그러고 나서, 출력 벡터 생성부(115)는 '고객 1, 고객 2, 고객 3, 고객 4, 고객 5' 각각에 대응되는 4차원의 입력 벡터인 '[5 6 3 4], [1 0 1 0], [2 0 2 2], [3 3 6 3], [4 1 0 0]'을 둘 이상의 가중치 행렬들로 구성된 심층 신경망에 입력으로 인가하여 '고객 1, 고객 2, 고객 3, 고객 4, 고객 5' 각각에 대응되는 10차원의 출력 벡터를 '[a1 a2 a3 a4 a5 a6 a7 a8 a9 a10], [b1 b2 b3 b4 b5 b6 b7 b8 b9 b10], [c1 c2 c3 c4 c5 c6 c7 c8 c9 c10], [d1 d2 d3 d4 d5 d6 d7 d8 d9 d10], [e1 e2 e3 e4 e5 e6 e7 e8 e9 e10]'과 같이 생성할 수 있다.
연산 벡터 생성부(116)는 상기 M명의 고객들 각각에 대응되는 N차원의 출력 벡터가 생성되면, 상기 M명의 고객들 각각에 대응되는 N차원의 출력 벡터를 미리 정해진 활성화 함수(Activation Function)(상기 활성화 함수는 상기 M명의 고객들 각각에 대응되는 N차원의 출력 벡터를 구성하는 성분들을 0이상 1이하의 값으로 변환하는 함수임)에 입력으로 인가하여 상기 M명의 고객들 각각에 대응되는 N차원의 연산 벡터를 생성한다.
이때, 본 발명의 일실시예에 따르면, 상기 활성화 함수는 하기의 수학식 1과 같은 소프트맥스(Softmax) 함수일 수 있다.
Figure 112020052976117-pat00001
여기서,
Figure 112020052976117-pat00002
는 상기 M명의 고객들 각각에 대응되는 N차원의 출력 벡터를 구성하는 성분들 중 i번째 성분에 대한 연산 값으로,
Figure 112020052976117-pat00003
는 상기 M명의 고객들 각각에 대응되는 N차원의 출력 벡터를 구성하는 성분들 중 i번째 성분의 값,
Figure 112020052976117-pat00004
는 자연상수를 의미한다.
예측모델 생성부(117)는 상기 M명의 고객들 각각에 대응되는 N차원의 연산 벡터와 상기 M명의 고객들 각각에 대응되는 변동 신용등급에 대한 N차원의 원-핫 벡터를 서로 비교하여 상기 심층 신경망에 대한 기계학습을 수행함으로써, 고객의 신용등급 변동을 예측하기 위한 예측모델을 생성한다.
예컨대, 앞서 설명한 예시와 같이, 'M=5'라고 하고, 'N=10'이라고 하며, 상기 5명의 고객들인 '고객 1, 고객 2, 고객 3, 고객 4, 고객 5' 각각에 대응되는 10차원의 출력 벡터가 '[a1 a2 a3 a4 a5 a6 a7 a8 a9 a10], [b1 b2 b3 b4 b5 b6 b7 b8 b9 b10], [c1 c2 c3 c4 c5 c6 c7 c8 c9 c10], [d1 d2 d3 d4 d5 d6 d7 d8 d9 d10], [e1 e2 e3 e4 e5 e6 e7 e8 e9 e10]'과 같이 생성되었다고 하는 경우, 연산 벡터 생성부(116)는 '고객 1, 고객 2, 고객 3, 고객 4, 고객 5' 각각에 대응되는 10차원의 출력 벡터인 '[a1 a2 a3 a4 a5 a6 a7 a8 a9 a10], [b1 b2 b3 b4 b5 b6 b7 b8 b9 b10], [c1 c2 c3 c4 c5 c6 c7 c8 c9 c10], [d1 d2 d3 d4 d5 d6 d7 d8 d9 d10], [e1 e2 e3 e4 e5 e6 e7 e8 e9 e10]'을 상기의 수학식 1과 같은 활성화 함수에 입력으로 인가함으로써, '고객 1, 고객 2, 고객 3, 고객 4, 고객 5' 각각에 대응되는 10차원의 연산 벡터를 '[a(1) a(2) a(3) a(4) a(5) a(6) a(7) a(8) a(9) a(10)], [b(1) b(2) b(3) b(4) b(5) b(6) b(7) b(8) b(9) b(10)], [c(1) c(2) c(3) c(4) c(5) c(6) c(7) c(8) c(9) c(10)], [d(1) d(2) d(3) d(4) d(5) d(6) d(7) d(8) d(9) d(10)], [e(1) e(2) e(3) e(4) e(5) e(6) e(7) e(8) e(9) e(10)]'과 같이 생성할 수 있다.
그 이후, 예측모델 생성부(117)는 '고객 1, 고객 2, 고객 3, 고객 4, 고객 5' 각각에 대응되는 10차원의 연산 벡터인 '[a(1) a(2) a(3) a(4) a(5) a(6) a(7) a(8) a(9) a(10)], [b(1) b(2) b(3) b(4) b(5) b(6) b(7) b(8) b(9) b(10)], [c(1) c(2) c(3) c(4) c(5) c(6) c(7) c(8) c(9) c(10)], [d(1) d(2) d(3) d(4) d(5) d(6) d(7) d(8) d(9) d(10)], [e(1) e(2) e(3) e(4) e(5) e(6) e(7) e(8) e(9) e(10)]'과 '고객 1, 고객 2, 고객 3, 고객 4, 고객 5' 각각에 대응되는 변동 신용등급인 '8등급, 1등급, 3등급, 7등급, 5등급'에 대한 10차원의 원-핫 벡터인 '[0 0 0 0 0 0 0 1 0 0], [1 0 0 0 0 0 0 0 0 0], [0 0 1 0 0 0 0 0 0 0], [0 0 0 0 0 0 1 0 0 0], [0 0 0 0 1 0 0 0 0 0]'을 서로 비교하여 상기 심층 신경망에 대한 기계학습을 수행함으로써, 고객의 신용등급 변동을 예측하기 위한 예측모델을 생성할 수 있다.
이때, 본 발명의 일실시예에 따르면, 예측모델 생성부(117)는 기계학습 수행부(118)를 포함할 수 있다.
기계학습 수행부(118)는 상기 M명의 고객들 각각에 대응되는 N차원의 연산 벡터가 상기 M명의 고객들 각각에 대응되는 변동 신용등급에 대한 N차원의 원-핫 벡터에 최대로 근접하도록 상기 심층 신경망에 대한 기계학습을 수행한다.
이때, 본 발명의 일실시예에 따르면, 기계학습 수행부(118)는 상기 M명의 고객들 각각에 대응되는 N차원의 연산 벡터를 구성하는 성분들과 상기 M명의 고객들 각각에 대응되는 변동 신용등급에 대한 N차원의 원-핫 벡터를 구성하는 성분들을 기초로 하기의 수학식 2에 따른 손실 함수(Loss Function)를 기반으로 한 손실 값을 연산함으로써, 상기 M명의 고객들 각각에 대한 손실 값을 산출하고, 상기 M명의 고객들 각각에 대한 손실 값의 평균이 최소가 되도록 상기 심층 신경망에 대한 기계학습을 수행할 수 있다.
Figure 112020052976117-pat00005
여기서,
Figure 112020052976117-pat00006
은 상기 손실 값으로,
Figure 112020052976117-pat00007
는 상기 M명의 고객들 각각에 대응되는 변동 신용등급에 대한 N차원의 원-핫 벡터를 구성하는 성분들 중 i번째 성분의 값,
Figure 112020052976117-pat00008
는 상기 M명의 고객들 각각에 대응되는 N차원의 연산 벡터를 구성하는 성분들 중 i번째 성분의 값을 의미한다.
예컨대, 앞서 설명한 예시와 같이 'M=5'라고 하고, 'N=10'이라고 하며, 상기 5명의 고객들인 '고객 1, 고객 2, 고객 3, 고객 4, 고객 5' 각각에 대응되는 10차원의 연산 벡터를 '[a(1) a(2) a(3) a(4) a(5) a(6) a(7) a(8) a(9) a(10)], [b(1) b(2) b(3) b(4) b(5) b(6) b(7) b(8) b(9) b(10)], [c(1) c(2) c(3) c(4) c(5) c(6) c(7) c(8) c(9) c(10)], [d(1) d(2) d(3) d(4) d(5) d(6) d(7) d(8) d(9) d(10)], [e(1) e(2) e(3) e(4) e(5) e(6) e(7) e(8) e(9) e(10)]'이라고 하고, '고객 1, 고객 2, 고객 3, 고객 4, 고객 5' 각각에 대응되는 변동 신용등급인 '8등급, 1등급, 3등급, 7등급, 5등급'에 대한 10차원의 원-핫 벡터를 '[0 0 0 0 0 0 0 1 0 0], [1 0 0 0 0 0 0 0 0 0], [0 0 1 0 0 0 0 0 0 0], [0 0 0 0 0 0 1 0 0 0], [0 0 0 0 1 0 0 0 0 0]'이라고 가정하자.
이때, 기계학습 수행부(118)는 '고객 1, 고객 2, 고객 3, 고객 4, 고객 5' 각각에 대응되는 10차원의 연산 벡터인 '[a(1) a(2) a(3) a(4) a(5) a(6) a(7) a(8) a(9) a(10)], [b(1) b(2) b(3) b(4) b(5) b(6) b(7) b(8) b(9) b(10)], [c(1) c(2) c(3) c(4) c(5) c(6) c(7) c(8) c(9) c(10)], [d(1) d(2) d(3) d(4) d(5) d(6) d(7) d(8) d(9) d(10)], [e(1) e(2) e(3) e(4) e(5) e(6) e(7) e(8) e(9) e(10)]'을 구성하는 성분들과 '고객 1, 고객 2, 고객 3, 고객 4, 고객 5' 각각에 대응되는 변동 신용등급인 '8등급, 1등급, 3등급, 7등급, 5등급'에 대한 10차원의 원-핫 벡터인 '[0 0 0 0 0 0 0 1 0 0], [1 0 0 0 0 0 0 0 0 0], [0 0 1 0 0 0 0 0 0 0], [0 0 0 0 0 0 1 0 0 0], [0 0 0 0 1 0 0 0 0 0]'을 구성하는 성분들을 기초로 상기의 수학식 2에 따른 손실 함수를 기반으로 한 손실 값을 연산함으로써, '고객 1, 고객 2, 고객 3, 고객 4, 고객 5' 각각에 대한 손실 값을 'L1, L2, L3, L4, L5'와 같이 산출할 수 있다. 그러고 나서, 기계학습 수행부(118)는 '고객 1, 고객 2, 고객 3, 고객 4, 고객 5' 각각에 대한 손실 값인 'L1, L2, L3, L4 L5'의 평균인 'Lm'이 최소가 되도록 상기 심층 신경망에 대한 기계학습을 수행할 수 있다.
이때, 본 발명의 일실시예에 따르면, 기계학습 수행부(118)는 상기 M명의 고객들 각각에 대한 손실 값의 평균이 최소가 되도록 역전파(backpropagation) 처리를 수행함으로써, 상기 심층 신경망에 대한 기계학습을 수행할 수 있다.
본 발명의 일실시예에 따르면, 신용등급 변동 예측 처리 장치(110)는 예측용 입력 벡터 생성부(119), 예측용 출력 벡터 생성부(120), 예측용 연산 벡터 생성부(121), 유사도 연산부(122) 및 변동 신용등급 예측부(123)를 더 포함할 수 있다.
예측용 입력 벡터 생성부(119)는 상기 예측모델의 생성이 완료된 이후, 제1 고객(130)의 고객 단말(140)로부터 제1 고객(130)의 현재 신용등급, 신규 대출예정금액, 신용카드 신규 발급예정건수 및 채무에 대한 신규 연체예정금액으로 구성된 입력 세트 정보가 수신되면서, 제1 고객(130)의 신용등급에 대한 변동 예측 명령이 수신되면, 제1 고객(130)의 고객 단말(140)에 대한 인증을 완료한 후 제1 고객(130)의 현재 신용등급, 신규 대출예정금액, 신용카드 신규 발급예정건수 및 채무에 대한 신규 연체예정금액을 성분으로 하는 4차원의 예측용 입력 벡터를 생성한다.
예측용 출력 벡터 생성부(120)는 상기 4차원의 예측용 입력 벡터가 생성되면, 상기 4차원의 예측용 입력 벡터를 기계학습이 완료된 상기 심층 신경망에 입력으로 인가하여 상기 4차원의 예측용 입력 벡터에 대응되는 N차원의 예측용 출력 벡터를 생성한다.
예측용 연산 벡터 생성부(121)는 상기 N차원의 예측용 출력 벡터가 생성되면, 상기 N차원의 예측용 출력 벡터를 상기 활성화 함수에 입력으로 인가하여 상기 N차원의 예측용 출력 벡터에 대응되는 N차원의 예측용 연산 벡터를 생성한다.
예컨대, 상기 예측모델의 생성이 완료된 이후, 제1 고객(130)의 고객 단말(140)로부터 신용등급 변동 예측 처리 장치(110)에 제1 고객(130)의 현재 신용등급, 신규 대출예정금액, 신용카드 신규 발급예정건수 및 채무에 대한 신규 연체예정금액으로 구성된 입력 세트 정보인 '6등급, 2천만원, 7건, 1백만원'이 수신되면서, 제1 고객(130)의 신용등급인 '6등급'에 대한 변동 예측 명령이 수신되면, 예측용 입력 벡터 생성부(119)는 제1 고객(130)의 고객 단말(140)에 대한 인증을 완료한 후 제1 고객(130)의 현재 신용등급인 '6(등급)', 신규 대출예정금액인 '2(천만원)', 신용카드 신규 발급예정건수인 '7(건)' 및 채무에 대한 신규 연체예정금액인 '1(백만원)'을 성분으로 하는 4차원의 예측용 입력 벡터를 '[6 2 7 1]'과 같이 생성할 수 있다.
이렇게, 예측용 입력 벡터 생성부(119)에 의해 상기 4차원의 예측용 입력 벡터가 '[6 2 7 1]'로 생성되면, 예측용 출력 벡터 생성부(120)는 상기 4차원의 예측용 입력 벡터인 '[6 2 7 1]'을 기계학습이 완료된 상기 심층 신경망에 입력으로 인가하여 상기 4차원의 예측용 입력 벡터인 '[6 2 7 1]'에 대응되는 10차원의 예측용 출력 벡터를 '[f1 f2 f3 f4 f5 f6 f7 f8 f9 f10]'과 같이 생성할 수 있다.
이때, 예측용 출력 벡터 생성부(120)에 의해 상기 10차원의 예측용 출력 벡터가 '[f1 f2 f3 f4 f5 f6 f7 f8 f9 f10]'으로 생성되면, 예측용 연산 벡터 생성부(121)는 상기 10차원의 예측용 출력 벡터인 '[f1 f2 f3 f4 f5 f6 f7 f8 f9 f10]'을 상기의 수학식 1과 같은 활성화 함수에 입력으로 인가하여 상기 10차원의 예측용 출력 벡터인 '[f1 f2 f3 f4 f5 f6 f7 f8 f9 f10]'에 대응되는 10차원의 예측용 연산 벡터를 '[f(1) f(2) f(3) f(4) f(5) f(6) f(7) f(8) f(9) f(10)]'과 같이 생성할 수 있다.
유사도 연산부(122)는 상기 N차원의 예측용 연산 벡터가 생성되면, 상기 N차원의 예측용 연산 벡터와 상기 N개의 신용등급들 각각에 대한 N차원의 원-핫 벡터 간의 유사도를 연산한다.
이때, 본 발명의 일실시예에 따르면, 상기 N차원의 예측용 연산 벡터와 상기 N개의 신용등급들 각각에 대한 N차원의 원-핫 벡터 간의 유사도는 유클리드 거리(Euclidean Distance)나 코사인 유사도(Cosine Similarity) 등과 같은 벡터 유사도가 활용될 수 있다.
변동 신용등급 예측부(123)는 상기 N개의 신용등급들 각각에 대한 N차원의 원-핫 벡터 중 상기 N차원의 예측용 연산 벡터와의 유사도가 최대로 연산된 N차원의 제1 원-핫 벡터를 확인한 후 신용등급 벡터 저장부(111)로부터 상기 N차원의 제1 원-핫 벡터에 대응하는 제1 신용등급을 확인하고, 상기 확인된 제1 신용등급을 제1 고객(130)의 변동 신용등급으로 결정한 후 제1 고객(130)의 변동 신용등급에 대한 정보를 제1 고객(130)의 고객 단말(140)로 전송한다.
예컨대, 앞서 설명한 예시와 같이, 'N=10'이라고 하고, 예측용 연산 벡터 생성부(121)에 의해 상기 10차원의 예측용 연산 벡터가 '[f(1) f(2) f(3) f(4) f(5) f(6) f(7) f(8) f(9) f(10)]'으로 생성되었다고 하는 경우, 유사도 연산부(122)는 상기 10차원의 예측용 연산 벡터인 '[f(1) f(2) f(3) f(4) f(5) f(6) f(7) f(8) f(9) f(10)]'과 상기 10개의 신용등급들인 '1등급, 2등급, 3등급, ..., 10등급' 각각에 대한 10차원의 원-핫 벡터인 '[1 0 0 0 0 0 0 0 0 0], [0 1 0 0 0 0 0 0 0 0], [0 0 1 0 0 0 0 0 0 0], ..., [0 0 0 0 0 0 0 0 0 1]' 간의 유사도를 연산할 수 있다.
만약, 유사도 연산부(122)에 의해 상기 10차원의 예측용 연산 벡터인 '[f(1) f(2) f(3) f(4) f(5) f(6) f(7) f(8) f(9) f(10)]'과 상기 10개의 신용등급들인 '1등급, 2등급, 3등급, ..., 10등급' 각각에 대한 10차원의 원-핫 벡터인 '[1 0 0 0 0 0 0 0 0 0], [0 1 0 0 0 0 0 0 0 0], [0 0 1 0 0 0 0 0 0 0], ..., [0 0 0 0 0 0 0 0 0 1]' 간의 유사도 중 '10등급'에 대한 10차원의 원-핫 벡터인 '[0 0 0 0 0 0 0 0 0 1]'과의 유사도가 최대로 연산되었다고 가정하는 경우, 변동 신용등급 예측부(123)는 상기 10개의 신용등급들인 '1등급, 2등급, 3등급, ..., 10등급' 각각에 대한 10차원의 원-핫 벡터인 '[1 0 0 0 0 0 0 0 0 0], [0 1 0 0 0 0 0 0 0 0], [0 0 1 0 0 0 0 0 0 0], ..., [0 0 0 0 0 0 0 0 0 1]' 중 상기 유사도가 최대로 연산된 10차원의 제1 원-핫 벡터로 '[0 0 0 0 0 0 0 0 0 1]'을 확인할 수 있다.
그 이후, 변동 신용등급 예측부(123)는 상기 표 1과 같은 신용등급 벡터 저장부(111)로부터 상기 10차원의 제1 원-핫 벡터인 '[0 0 0 0 0 0 0 0 0 1]'에 대응하는 제1 신용등급인 '10등급'을 확인하고, 상기 확인된 제1 신용등급인 '10등급'을 제1 고객(130)의 변동 신용등급으로 결정한 후 제1 고객(130)의 변동 신용등급인 '10등급'에 대한 정보를 제1 고객(130)의 고객 단말(140)로 전송할 수 있다.
이를 통해, 제1 고객(130)은 신규 대출로 '2천만원'을 받고, 신용카드를 신규로 '7건' 발급하며, '1백만원'이라는 채무에 대한 연체를 신규로 하는 경우, 신용등급이 '6등급'에서 '10등급'으로 변경될 수 있음을 파악할 수 있고, 높은 신용등급을 유지하기 위해 미래의 재무설계를 다시 진행할 수 있을 것이다.
본 발명의 일실시예에 따르면, 예측용 입력 벡터 생성부(119)는 제1 고객(130)의 고객 단말(140)로부터 신용등급의 변동 예측 명령이 수신되었을 때, 제1 고객(130)의 고객 단말(140)을 인증하기 위한 구성으로, OTP 저장부(124), 유클리드 노름 저장부(125), 요청부(126), 유클리드 노름 확인부(127) 및 인증 완료부(128)를 포함할 수 있다.
OTP 저장부(124)에는 제1 고객(130)의 고객 단말(140)과 서로 동일한 일회용 인증 번호를 생성하도록 사전 공유하고 있는 OTP(One Time Password) 생성 함수가 저장되어 있다.
여기서, OTP란 고정된 패스워드 대신 무작위로 생성되는 일회용 인증 번호를 의미하고, 상기 OTP 생성 함수는 개발자에 의해 미리 설정될 수 있는 함수로서, 일회용 인증 번호가 생성되도록 설정될 수 있다.
유클리드 노름 저장부(125)에는 제1 고객(130)의 고객 단말(140)과 사전 공유하고 있는 유클리드 노름(Euclidean Norm)에 대한 정보가 저장되어 있다.
여기서, 유클리드 노름이란 유클리드 공간 상에 어느 하나의 벡터가 존재할 때, 상기 벡터의 크기를 의미하는 것으로 하기의 수학식 3에 따라 연산될 수 있다.
Figure 112020052976117-pat00009
상기 수학식 3에서
Figure 112020052976117-pat00010
는 유클리드 노름, Ai는 벡터에 포함되어 있는 i번째 성분들을 의미한다.
요청부(126)는 제1 고객(130)의 고객 단말(140)로부터 제1 고객(130)의 현재 신용등급, 신규 대출예정금액, 신용카드 신규 발급예정건수 및 채무에 대한 신규 연체예정금액으로 구성된 입력 세트 정보가 수신되면서, 제1 고객(130)의 신용등급에 대한 변동 예측 명령이 수신되면, 상기 OTP 생성 함수를 기초로 제1 일회용 인증 번호를 생성하고, 상기 제1 일회용 인증 번호에서 미리 정해진 제1 자릿수에 해당되는 숫자를 확인한 후 상기 숫자의 크기에 대응하는 해밍 무게(Hamming Weight)를 가지면서, 미리 정해진 길이를 갖는 랜덤 벡터를 랜덤하게 생성하고, 상기 랜덤 벡터를 제1 고객(130)의 고객 단말(140)로 전송하면서, 제1 고객(130)의 고객 단말(140)로 상기 랜덤 벡터에 대응되는 피드백 벡터의 전송을 요청한다.
여기서, 해밍 무게란 '0'과 '1'의 코드로 구성된 데이터에서 '1'의 개수를 의미하고, 상기 미리 정해진 제1 자릿수는 개발자에 의해 미리 설정될 수 있는 것으로, 왼쪽부터 몇 번째 자리인지를 지시하는 숫자로 설정될 수 있다.
예컨대, 전술한 바와 같이, 제1 고객(130)의 고객 단말(140)로부터 신용등급 변동 예측 처리 장치(110)에 제1 고객(130)의 현재 신용등급, 신규 대출예정금액, 신용카드 신규 발급예정건수 및 채무에 대한 신규 연체예정금액으로 구성된 입력 세트 정보인 '6등급, 2천만원, 7건, 1백만원'이 수신되면서, 제1 고객(130)의 신용등급인 '6등급'에 대한 변동 예측 명령이 수신되면, 요청부(126)는 상기 OTP 생성 함수를 기초로 제1 일회용 인증 번호를 생성할 수 있다. 만약, 상기 제1 일회용 인증 번호가 '123456'으로 생성되었고, 상기 제1 자릿수가 '4'인 경우, 요청부(126)는 상기 제1 일회용 인증 번호인 '123456'에서 4번째 자릿수에 해당되는 숫자 '4'를 확인할 수 있다. 그 이후, 요청부(126)는 상기 숫자인 '4'의 크기에 대응하는 해밍 무게를 가지면서, 상기 길이를 갖는 랜덤 벡터를 랜덤하게 생성할 수 있다. 관련해서, 상기 길이를 '6'이라고 하는 경우, 요청부(126)는 '1'의 개수가 4개이면서 길이가 6인 랜덤 벡터를 랜덤하게 생성할 수 있다.
예컨대, 상기 랜덤 벡터가 '[1 0 1 1 1 0]'으로 생성되었다고 하는 경우, 요청부(126)는 상기 랜덤 벡터인 '[1 0 1 1 1 0]'을 제1 고객(130)의 고객 단말(140)로 전송하면서, 제1 고객(130)의 고객 단말(140)로 상기 랜덤 벡터인 '[1 0 1 1 1 0]'에 대응되는 피드백 벡터의 전송을 요청할 수 있다.
이때, 본 발명의 일실시예에 따르면, 제1 고객(130)의 고객 단말(140)은 메모리 상에 상기 유클리드 노름, 상기 OTP 생성 함수와 동일한 검증용 OTP 생성 함수를 저장하고 있을 수 있다.
만약, 신용등급 변동 예측 처리 장치(110)로부터 제1 고객(130)의 고객 단말(140)에 상기 랜덤 벡터가 수신되면, 제1 고객(130)의 고객 단말(140)은 상기 메모리 상에 저장되어 있는 상기 검증용 OTP 생성 함수를 기초로 검증용 일회용 인증 번호를 생성한 후 상기 검증용 일회용 인증 번호에서 상기 제1 자릿수에 해당되는 검증용 숫자를 확인하여 상기 랜덤 벡터의 해밍 무게가 상기 검증용 숫자의 크기에 대응하는 해밍 무게와 일치하는지 여부를 확인할 수 있다.
이때, 상기 랜덤 벡터의 해밍 무게가 상기 검증용 숫자의 크기에 대응하는 해밍 무게와 일치하는 것으로 확인되는 경우, 제1 고객(130)의 고객 단말(140)은 상기 랜덤 벡터와 합산되었을 때의 유클리드 노름이 상기 메모리 상에 저장되어 있는 상기 유클리드 노름과 동일해지도록 하는 제1 피드백 벡터를 생성하여 신용등급 변동 예측 처리 장치(110)로 전송할 수 있다.
관련해서, 상기 메모리 상에 저장되어 있는 상기 유클리드 노름을 '
Figure 112020052976117-pat00011
'이라고 하고, 신용등급 변동 예측 처리 장치(110)로부터 제1 고객(130)의 고객 단말(140)에 '[1 0 1 1 1 0]'이라고 하는 상기 랜덤 벡터가 수신되었다고 하는 경우, 제1 고객(130)의 고객 단말(140)은 상기 메모리 상에 저장되어 있는 상기 검증용 OTP 생성 함수를 기초로 검증용 일회용 인증 번호인 '123456'을 생성한 후 상기 검증용 일회용 인증 번호에서 상기 제1 자릿수인 '4'에 해당되는 검증용 숫자 '4'를 확인할 수 있다.
그 이후, 제1 고객(130)의 고객 단말(140)은 상기 랜덤 벡터의 해밍 무게가 상기 검증용 숫자인 '4'의 크기에 대응하는 해밍 무게와 일치하는지 확인할 수 있다.
본 실시예에서 상기 랜덤 벡터의 해밍 무게는 '4'로 상기 검증용 숫자와 일치하는데, 상기 랜덤 벡터의 해밍 무게인 '4'와 상기 검증용 숫자인 '4'가 서로 일치한다는 것은 상기 랜덤 벡터가 신용등급 변동 예측 처리 장치(110)와 제1 고객(130)의 고객 단말(140)이 사전 공유하고 있는 동일한 OTP 생성 함수를 기초로 도출된 일회용 인증 번호에 기초하여 생성된 것이 맞다는 의미로 볼 수 있다.
따라서, 상기 랜덤 벡터의 해밍 무게가 상기 검증용 숫자의 크기에 대응하는 해밍 무게와 일치하는 것으로 확인되는 경우, 제1 고객(130)의 고객 단말(140)은 상기 랜덤 벡터와 합산되었을 때의 유클리드 노름이 상기 메모리 상에 저장되어 있는 상기 유클리드 노름인 '
Figure 112020052976117-pat00012
'과 동일해지도록 하는 제1 피드백 벡터를 생성하여 신용등급 변동 예측 처리 장치(110)로 전송할 수 있다.
유클리드 노름 확인부(127)는 제1 고객(130)의 고객 단말(140)로부터 상기 랜덤 벡터에 대응되는 피드백 벡터로 상기 제1 피드백 벡터가 수신되면, 상기 제1 피드백 벡터와 상기 랜덤 벡터를 합산한 합산 벡터에 대한 제1 유클리드 노름을 연산하고, 상기 제1 유클리드 노름이 상기 유클리드 노름과 동일한지 확인한다.
인증 완료부(128)는 상기 제1 유클리드 노름이 상기 유클리드 노름과 동일한 것으로 확인되면, 제1 고객(130)의 고객 단말(140)에 대한 인증을 완료한다.
예컨대, 앞서 설명한 예시와 같이, 상기 랜덤 벡터를 '[1 0 1 1 1 0]'이라고 하고, 상기 유클리드 노름을 '
Figure 112020052976117-pat00013
'이라고 가정하자.
이때, 제1 고객(130)의 고객 단말(140)로부터 상기 랜덤 벡터인 '[1 0 1 1 1 0]'에 대응되는 피드백 벡터로 상기 제1 피드백 벡터가 신용등급 변동 예측 처리 장치(110)에 수신되면, 유클리드 노름 확인부(127)는 상기 제1 피드백 벡터와 상기 랜덤 벡터인 '[1 0 1 1 1 0]'을 합산한 합산 벡터에 대한 제1 유클리드 노름을 연산하고, 상기 제1 유클리드 노름이 상기 유클리드 노름인 '
Figure 112020052976117-pat00014
'과 동일한지 확인할 수 있다.
이렇게, 상기 제1 유클리드 노름이 상기 유클리드 노름인 '
Figure 112020052976117-pat00015
'과 동일한 것으로 확인되면, 인증 완료부(128)는 제1 고객(130)의 고객 단말(140)에 대한 인증을 완료할 수 있다.
즉, 제1 고객(130)의 고객 단말(140)은 신용등급 변동 예측 처리 장치(110)로부터 랜덤 벡터가 수신되는 경우에 상기 랜덤 벡터와 합산되었을 때의 유클리드 노름이 메모리 상에 저장되어 있는 미리 정해진 유클리드 노름과 동일해지도록 하는 제1 피드백 벡터를 생성하여 신용등급 변동 예측 처리 장치(110)로 전송하고, 신용등급 변동 예측 처리 장치(110)는 제1 고객(130)의 고객 단말(140)로부터 상기 랜덤 벡터에 대응되는 피드백 벡터로 상기 제1 피드백 벡터가 수신되면, 상기 제1 피드백 벡터와 상기 랜덤 벡터를 합산한 합산 벡터에 대한 제1 유클리드 노름을 연산한 후 상기 제1 유클리드 노름이 상기 유클리드 노름과 동일한 것으로 확인되는 경우에만 제1 고객(130)의 고객 단말(140)에 대한 인증을 완료함으로써, 비인증 고객이 본 발명에 따른 신용등급 변동 예측 서비스를 이용하는 것을 방지할 수 있다.
본 발명의 일실시예에 따르면, 본 발명에 따른 신용등급 변동 예측 서비스는 신용정보 종합조회, 스미싱 보상 보험 가입 등의 서비스를 제공하는 소정의 통합 신용관리 서비스 내에 포함되는 형태로 고객들에게 제공될 수 있다. 이와 관련해서, 도 2에는 통합 신용관리 서비스의 가입 화면에 대한 예시가 도시되어 있다. 고객들은 도 2에 도시된 그림과 같은 가입 화면을 통해 상기 통합 신용관리 서비스에 가입할 수 있고, 상기 통합 신용관리 서비스에 가입함으로써, 본 발명에 따른 신용등급 변동 예측 서비스를 이용할 수 있다.
도 3은 본 발명의 일실시예에 따른 인공지능 기반의 신용등급 변동 예측 처리 장치의 동작 방법을 도시한 순서도이다.
단계(S310)에서는 N(N은 3이상의 자연수)개의 신용등급들 각각에 대한 미리 정해진 서로 다른 N차원의 원-핫 벡터가 저장되어 있는 신용등급 벡터 저장부를 유지한다.
단계(S320)에서는 M(M은 2이상의 자연수)명의 고객들 각각으로부터 수집된 현재 신용등급, 신규 대출예정금액, 신용카드 신규 발급예정건수 및 채무에 대한 신규 연체예정금액으로 구성된 입력 세트 정보와 상기 M명의 고객들 각각의 입력 세트 정보에 대한 정답 정보로 상기 M명의 고객들 각각에 대해서 미리 산출된 변동 신용등급(상기 변동 신용등급은 상기 N개의 신용등급들 중에 속하는 어느 하나의 신용등급임)이 하나씩 매칭되어 있는 M개의 트레이닝 세트들이 저장되어 있는 트레이닝 세트 저장부를 유지한다.
단계(S330)에서는 상기 M명의 고객들 각각에 대해, 각 고객의 현재 신용등급, 신규 대출예정금액, 신용카드 신규 발급예정건수 및 채무에 대한 신규 연체예정금액을 성분으로 하는 4차원의 입력 벡터를 구성함으로써, 상기 M명의 고객들 각각에 대응되는 4차원의 입력 벡터를 생성한다.
단계(S340)에서는 상기 M명의 고객들 각각에 대응되는 4차원의 입력 벡터가 생성되면, 상기 신용등급 벡터 저장부를 참조하여 상기 M명의 고객들 각각에 대응되는 변동 신용등급에 대한 N차원의 원-핫 벡터를 확인한다.
단계(S350)에서는 상기 M명의 고객들 각각에 대응되는 4차원의 입력 벡터를 둘 이상의 가중치 행렬들로 구성된 심층 신경망(상기 심층 신경망을 구성하는 둘 이상의 가중치 행렬들은 상기 심층 신경망의 출력으로 산출되는 벡터의 차원이 N차원이 되도록 구성된 행렬들임)에 입력으로 인가하여 상기 M명의 고객들 각각에 대응되는 N차원의 출력 벡터를 생성한다.
단계(S360)에서는 상기 M명의 고객들 각각에 대응되는 N차원의 출력 벡터가 생성되면, 상기 M명의 고객들 각각에 대응되는 N차원의 출력 벡터를 미리 정해진 활성화 함수(상기 활성화 함수는 상기 M명의 고객들 각각에 대응되는 N차원의 출력 벡터를 구성하는 성분들을 0이상 1이하의 값으로 변환하는 함수임)에 입력으로 인가하여 상기 M명의 고객들 각각에 대응되는 N차원의 연산 벡터를 생성한다.
단계(S370)에서는 상기 M명의 고객들 각각에 대응되는 N차원의 연산 벡터와 상기 M명의 고객들 각각에 대응되는 변동 신용등급에 대한 N차원의 원-핫 벡터를 서로 비교하여 상기 심층 신경망에 대한 기계학습을 수행함으로써, 고객의 신용등급 변동을 예측하기 위한 예측모델을 생성한다.
이때, 본 발명의 일실시예에 따르면, 상기 활성화 함수는 상기의 수학식 1과 같은 소프트맥스 함수일 수 있다.
또한, 본 발명의 일실시예에 따르면, 단계(S370)에서는 상기 M명의 고객들 각각에 대응되는 N차원의 연산 벡터가 상기 M명의 고객들 각각에 대응되는 변동 신용등급에 대한 N차원의 원-핫 벡터에 최대로 근접하도록 상기 심층 신경망에 대한 기계학습을 수행하는 단계를 포함할 수 있다.
이때, 본 발명의 일실시예에 따르면, 상기 기계학습을 수행하는 단계는 상기 M명의 고객들 각각에 대응되는 N차원의 연산 벡터를 구성하는 성분들과 상기 M명의 고객들 각각에 대응되는 변동 신용등급에 대한 N차원의 원-핫 벡터를 구성하는 성분들을 기초로 상기의 수학식 2에 따른 손실 함수를 기반으로 한 손실 값을 연산함으로써, 상기 M명의 고객들 각각에 대한 손실 값을 산출하고, 상기 M명의 고객들 각각에 대한 손실 값의 평균이 최소가 되도록 상기 심층 신경망에 대한 기계학습을 수행할 수 있다.
또한, 본 발명의 일실시예에 따르면, 상기 신용등급 변동 예측 처리 장치의 동작 방법은 상기 예측모델의 생성이 완료된 이후, 제1 고객의 고객 단말로부터 상기 제1 고객의 현재 신용등급, 신규 대출예정금액, 신용카드 신규 발급예정건수 및 채무에 대한 신규 연체예정금액으로 구성된 입력 세트 정보가 수신되면서, 상기 제1 고객의 신용등급에 대한 변동 예측 명령이 수신되면, 상기 제1 고객의 고객 단말에 대한 인증을 완료한 후 상기 제1 고객의 현재 신용등급, 신규 대출예정금액, 신용카드 신규 발급예정건수 및 채무에 대한 신규 연체예정금액을 성분으로 하는 4차원의 예측용 입력 벡터를 생성하는 단계, 상기 4차원의 예측용 입력 벡터가 생성되면, 상기 4차원의 예측용 입력 벡터를 기계학습이 완료된 상기 심층 신경망에 입력으로 인가하여 상기 4차원의 예측용 입력 벡터에 대응되는 N차원의 예측용 출력 벡터를 생성하는 단계, 상기 N차원의 예측용 출력 벡터가 생성되면, 상기 N차원의 예측용 출력 벡터를 상기 활성화 함수에 입력으로 인가하여 상기 N차원의 예측용 출력 벡터에 대응되는 N차원의 예측용 연산 벡터를 생성하는 단계, 상기 N차원의 예측용 연산 벡터가 생성되면, 상기 N차원의 예측용 연산 벡터와 상기 N개의 신용등급들 각각에 대한 N차원의 원-핫 벡터 간의 유사도를 연산하는 단계 및 상기 N개의 신용등급들 각각에 대한 N차원의 원-핫 벡터 중 상기 N차원의 예측용 연산 벡터와의 유사도가 최대로 연산된 N차원의 제1 원-핫 벡터를 확인한 후 상기 신용등급 벡터 저장부로부터 상기 N차원의 제1 원-핫 벡터에 대응하는 제1 신용등급을 확인하고, 상기 확인된 제1 신용등급을 상기 제1 고객의 변동 신용등급으로 결정한 후 상기 제1 고객의 변동 신용등급에 대한 정보를 상기 제1 고객의 고객 단말로 전송하는 단계를 더 포함할 수 있다.
이때, 본 발명의 일실시예에 따르면, 상기 예측용 입력 벡터를 생성하는 단계는 상기 제1 고객의 고객 단말과 서로 동일한 일회용 인증 번호를 생성하도록 사전 공유하고 있는 OTP 생성 함수가 저장되어 있는 OTP 저장부를 유지하는 단계, 상기 제1 고객의 고객 단말과 사전 공유하고 있는 유클리드 노름에 대한 정보가 저장되어 있는 유클리드 노름 저장부를 유지하는 단계, 상기 제1 고객의 고객 단말로부터 상기 제1 고객의 현재 신용등급, 신규 대출예정금액, 신용카드 신규 발급예정건수 및 채무에 대한 신규 연체예정금액으로 구성된 입력 세트 정보가 수신되면서, 상기 제1 고객의 신용등급에 대한 변동 예측 명령이 수신되면, 상기 OTP 생성 함수를 기초로 제1 일회용 인증 번호를 생성하고, 상기 제1 일회용 인증 번호에서 미리 정해진 제1 자릿수에 해당되는 숫자를 확인한 후 상기 숫자의 크기에 대응하는 해밍 무게를 가지면서, 미리 정해진 길이를 갖는 랜덤 벡터를 랜덤하게 생성하고, 상기 랜덤 벡터를 상기 제1 고객의 고객 단말로 전송하면서, 상기 제1 고객의 고객 단말로 상기 랜덤 벡터에 대응되는 피드백 벡터의 전송을 요청하는 단계, 상기 제1 고객의 고객 단말로부터 상기 랜덤 벡터에 대응되는 피드백 벡터로 제1 피드백 벡터(상기 제1 피드백 벡터는 상기 랜덤 벡터와 합산되었을 때의 유클리드 노름이 상기 제1 고객의 고객 단말에 기 저장되어 있는 상기 유클리드 노름과 동일해지도록 생성된 벡터임)가 수신되면, 상기 제1 피드백 벡터와 상기 랜덤 벡터를 합산한 합산 벡터에 대한 제1 유클리드 노름을 연산하고, 상기 제1 유클리드 노름이 상기 유클리드 노름과 동일한지 확인하는 단계 및 상기 제1 유클리드 노름이 상기 유클리드 노름과 동일한 것으로 확인되면, 상기 제1 고객의 고객 단말에 대한 인증을 완료하는 단계를 포함할 수 있다.
이때, 본 발명의 일실시예에 따르면, 상기 제1 고객의 고객 단말은 메모리 상에 상기 유클리드 노름, 상기 OTP 생성 함수와 동일한 검증용 OTP 생성 함수를 저장하고 있고, 상기 신용등급 변동 예측 처리 장치로부터 상기 랜덤 벡터가 수신되면, 상기 메모리 상에 저장되어 있는 상기 검증용 OTP 생성 함수를 기초로 검증용 일회용 인증 번호를 생성한 후 상기 검증용 일회용 인증 번호에서 상기 제1 자릿수에 해당되는 검증용 숫자를 확인하여 상기 랜덤 벡터의 해밍 무게가 상기 검증용 숫자의 크기에 대응하는 해밍 무게와 일치하는지 여부를 확인하며, 상기 랜덤 벡터의 해밍 무게가 상기 검증용 숫자의 크기에 대응하는 해밍 무게와 일치하는 것으로 확인되는 경우, 상기 랜덤 벡터와 합산되었을 때의 유클리드 노름이 상기 메모리 상에 저장되어 있는 상기 유클리드 노름과 동일해지도록 하는 상기 제1 피드백 벡터를 생성하여 상기 신용등급 변동 예측 처리 장치로 전송할 수 있다.
이상, 도 3을 참조하여 본 발명의 일실시예에 따른 신용등급 변동 예측 처리 장치의 동작 방법에 대해 설명하였다. 여기서, 본 발명의 일실시예에 따른 신용등급 변동 예측 처리 장치의 동작 방법은 도 1을 이용하여 설명한 신용등급 변동 예측 처리 장치(110)의 동작에 대한 구성과 대응될 수 있으므로, 이에 대한 보다 상세한 설명은 생략하기로 한다.
본 발명의 일실시예에 따른 신용등급 변동 예측 처리 장치의 동작 방법은 컴퓨터와의 결합을 통해 실행시키기 위한 저장매체에 저장된 컴퓨터 프로그램으로 구현될 수 있다.
또한, 본 발명의 일실시예에 따른 신용등급 변동 예측 처리 장치의 동작 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 본 발명을 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.
이상과 같이 본 발명에서는 구체적인 구성 요소 등과 같은 특정 사항들과 한정된 실시예 및 도면에 의해 설명되었으나 이는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것일 뿐, 본 발명은 상기의 실시예에 한정되는 것은 아니며, 본 발명이 속하는 분야에서 통상적인 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다.
따라서, 본 발명의 사상은 설명된 실시예에 국한되어 정해져서는 아니되며, 후술하는 특허청구범위뿐 아니라 이 특허청구범위와 균등하거나 등가적 변형이 있는 모든 것들은 본 발명 사상의 범주에 속한다고 할 것이다.
110: 인공지능 기반의 신용등급 변동 예측 처리 장치
111: 신용등급 벡터 저장부 112: 트레이닝 세트 저장부
113: 입력 벡터 생성부 114: 원-핫 벡터 확인부
115: 출력 벡터 생성부 116: 연산 벡터 생성부
117: 예측모델 생성부 118: 기계학습 수행부
119: 예측용 입력 벡터 생성부 120: 예측용 출력 벡터 생성부
121: 예측용 연산 벡터 생성부 122: 유사도 연산부
123: 변동 신용등급 예측부 124: OTP 저장부
125: 유클리드 노름 저장부 126: 요청부
127: 유클리드 노름 확인부 128: 인증 완료부
130: 제1 고객 140: 제1 고객의 고객 단말

Claims (16)

  1. N(N은 3이상의 자연수)개의 신용등급들 각각에 대한 미리 정해진(predetermined) 서로 다른 N차원의 원-핫(One-Hot) 벡터가 저장되어 있는 신용등급 벡터 저장부;
    M(M은 2이상의 자연수)명의 고객들 각각으로부터 수집된 현재 신용등급, 신규 대출예정금액, 신용카드 신규 발급예정건수 및 채무에 대한 신규 연체예정금액으로 구성된 입력 세트 정보와 상기 M명의 고객들 각각의 입력 세트 정보에 대한 정답 정보로 상기 M명의 고객들 각각에 대해서 미리 산출된 변동 신용등급 - 상기 변동 신용등급은 상기 N개의 신용등급들 중에 속하는 어느 하나의 신용등급임 - 이 하나씩 매칭되어 있는 M개의 트레이닝 세트들이 저장되어 있는 트레이닝 세트 저장부;
    상기 M명의 고객들 각각에 대해, 각 고객의 현재 신용등급, 신규 대출예정금액, 신용카드 신규 발급예정건수 및 채무에 대한 신규 연체예정금액을 성분으로 하는 4차원의 입력 벡터를 구성함으로써, 상기 M명의 고객들 각각에 대응되는 4차원의 입력 벡터를 생성하는 입력 벡터 생성부;
    상기 M명의 고객들 각각에 대응되는 4차원의 입력 벡터가 생성되면, 상기 신용등급 벡터 저장부를 참조하여 상기 M명의 고객들 각각에 대응되는 변동 신용등급에 대한 N차원의 원-핫 벡터를 확인하는 원-핫 벡터 확인부;
    상기 M명의 고객들 각각에 대응되는 4차원의 입력 벡터를 둘 이상의 가중치 행렬들로 구성된 심층 신경망 - 상기 심층 신경망을 구성하는 둘 이상의 가중치 행렬들은 상기 심층 신경망의 출력으로 산출되는 벡터의 차원이 N차원이 되도록 구성된 행렬들임 - 에 입력으로 인가하여 상기 M명의 고객들 각각에 대응되는 N차원의 출력 벡터를 생성하는 출력 벡터 생성부;
    상기 M명의 고객들 각각에 대응되는 N차원의 출력 벡터가 생성되면, 상기 M명의 고객들 각각에 대응되는 N차원의 출력 벡터를 미리 정해진 활성화 함수(Activation Function) - 상기 활성화 함수는 상기 M명의 고객들 각각에 대응되는 N차원의 출력 벡터를 구성하는 성분들을 0이상 1이하의 값으로 변환하는 함수임 - 에 입력으로 인가하여 상기 M명의 고객들 각각에 대응되는 N차원의 연산 벡터를 생성하는 연산 벡터 생성부;
    상기 M명의 고객들 각각에 대응되는 N차원의 연산 벡터를 구성하는 성분들과 상기 M명의 고객들 각각에 대응되는 변동 신용등급에 대한 N차원의 원-핫 벡터를 구성하는 성분들을 기초로
    Figure 112021120607339-pat00035
    로 표현되는 손실 함수(Loss Function) - 여기서,
    Figure 112021120607339-pat00036
    은 손실 값으로,
    Figure 112021120607339-pat00037
    는 상기 M명의 고객들 각각에 대응되는 변동 신용등급에 대한 N차원의 원-핫 벡터를 구성하는 성분들 중 i번째 성분의 값,
    Figure 112021120607339-pat00038
    는 상기 M명의 고객들 각각에 대응되는 N차원의 연산 벡터를 구성하는 성분들 중 i번째 성분의 값을 의미함 - 를 기반으로 한 손실 값을 연산함으로써, 상기 M명의 고객들 각각에 대한 손실 값을 산출하고, 상기 M명의 고객들 각각에 대한 손실 값의 평균이 최소가 되도록 상기 심층 신경망에 대한 기계학습을 수행함으로써, 고객의 신용등급 변동을 예측하기 위한 예측모델을 생성하는 예측모델 생성부;
    상기 예측모델의 생성이 완료된 이후, 제1 고객의 고객 단말로부터 상기 제1 고객의 현재 신용등급, 신규 대출예정금액, 신용카드 신규 발급예정건수 및 채무에 대한 신규 연체예정금액으로 구성된 입력 세트 정보가 수신되면서, 상기 제1 고객의 신용등급에 대한 변동 예측 명령이 수신되면, 상기 제1 고객의 고객 단말에 대한 인증을 완료한 후 상기 제1 고객의 현재 신용등급, 신규 대출예정금액, 신용카드 신규 발급예정건수 및 채무에 대한 신규 연체예정금액을 성분으로 하는 4차원의 예측용 입력 벡터를 생성하는 예측용 입력 벡터 생성부;
    상기 4차원의 예측용 입력 벡터가 생성되면, 상기 4차원의 예측용 입력 벡터를 기계학습이 완료된 상기 심층 신경망에 입력으로 인가하여 상기 4차원의 예측용 입력 벡터에 대응되는 N차원의 예측용 출력 벡터를 생성하는 예측용 출력 벡터 생성부;
    상기 N차원의 예측용 출력 벡터가 생성되면, 상기 N차원의 예측용 출력 벡터를 상기 활성화 함수에 입력으로 인가하여 상기 N차원의 예측용 출력 벡터에 대응되는 N차원의 예측용 연산 벡터를 생성하는 예측용 연산 벡터 생성부;
    상기 N차원의 예측용 연산 벡터가 생성되면, 상기 N차원의 예측용 연산 벡터와 상기 N개의 신용등급들 각각에 대한 N차원의 원-핫 벡터 간의 유사도를 연산하는 유사도 연산부; 및
    상기 N개의 신용등급들 각각에 대한 N차원의 원-핫 벡터 중 상기 N차원의 예측용 연산 벡터와의 유사도가 최대로 연산된 N차원의 제1 원-핫 벡터를 확인한 후 상기 신용등급 벡터 저장부로부터 상기 N차원의 제1 원-핫 벡터에 대응하는 제1 신용등급을 확인하고, 상기 확인된 제1 신용등급을 상기 제1 고객의 변동 신용등급으로 결정한 후 상기 제1 고객의 변동 신용등급에 대한 정보를 상기 제1 고객의 고객 단말로 전송하는 변동 신용등급 예측부
    를 포함하는 인공지능 기반의 신용등급 변동 예측 처리 장치.
  2. 제1항에 있어서,
    상기 활성화 함수는 하기의 수학식 1과 같은 소프트맥스(Softmax) 함수인 인공지능 기반의 신용등급 변동 예측 처리 장치.
    [수학식 1]
    Figure 112020052976117-pat00016

    여기서,
    Figure 112020052976117-pat00017
    는 상기 M명의 고객들 각각에 대응되는 N차원의 출력 벡터를 구성하는 성분들 중 i번째 성분에 대한 연산 값으로,
    Figure 112020052976117-pat00018
    는 상기 M명의 고객들 각각에 대응되는 N차원의 출력 벡터를 구성하는 성분들 중 i번째 성분의 값,
    Figure 112020052976117-pat00019
    는 자연상수를 의미함.
  3. 삭제
  4. 삭제
  5. 삭제
  6. 제1항에 있어서,
    상기 예측용 입력 벡터 생성부는
    상기 제1 고객의 고객 단말과 서로 동일한 일회용 인증 번호를 생성하도록 사전 공유하고 있는 OTP(One Time Password) 생성 함수가 저장되어 있는 OTP 저장부;
    상기 제1 고객의 고객 단말과 사전 공유하고 있는 유클리드 노름(Euclidean Norm)에 대한 정보가 저장되어 있는 유클리드 노름 저장부;
    상기 제1 고객의 고객 단말로부터 상기 제1 고객의 현재 신용등급, 신규 대출예정금액, 신용카드 신규 발급예정건수 및 채무에 대한 신규 연체예정금액으로 구성된 입력 세트 정보가 수신되면서, 상기 제1 고객의 신용등급에 대한 변동 예측 명령이 수신되면, 상기 OTP 생성 함수를 기초로 제1 일회용 인증 번호를 생성하고, 상기 제1 일회용 인증 번호에서 미리 정해진 제1 자릿수에 해당되는 숫자를 확인한 후 상기 숫자의 크기에 대응하는 해밍 무게(Hamming Weight)를 가지면서, 미리 정해진 길이를 갖는 랜덤 벡터를 랜덤하게 생성하고, 상기 랜덤 벡터를 상기 제1 고객의 고객 단말로 전송하면서, 상기 제1 고객의 고객 단말로 상기 랜덤 벡터에 대응되는 피드백 벡터의 전송을 요청하는 요청부;
    상기 제1 고객의 고객 단말로부터 상기 랜덤 벡터에 대응되는 피드백 벡터로 제1 피드백 벡터 - 상기 제1 피드백 벡터는 상기 랜덤 벡터와 합산되었을 때의 유클리드 노름이 상기 제1 고객의 고객 단말에 기 저장되어 있는 상기 유클리드 노름과 동일해지도록 생성된 벡터임 - 가 수신되면, 상기 제1 피드백 벡터와 상기 랜덤 벡터를 합산한 합산 벡터에 대한 제1 유클리드 노름을 연산하고, 상기 제1 유클리드 노름이 상기 유클리드 노름과 동일한지 확인하는 유클리드 노름 확인부; 및
    상기 제1 유클리드 노름이 상기 유클리드 노름과 동일한 것으로 확인되면, 상기 제1 고객의 고객 단말에 대한 인증을 완료하는 인증 완료부
    를 포함하는 인공지능 기반의 신용등급 변동 예측 처리 장치.
  7. 제6항에 있어서,
    상기 제1 고객의 고객 단말은
    메모리 상에 상기 유클리드 노름, 상기 OTP 생성 함수와 동일한 검증용 OTP 생성 함수를 저장하고 있고, 상기 신용등급 변동 예측 처리 장치로부터 상기 랜덤 벡터가 수신되면, 상기 메모리 상에 저장되어 있는 상기 검증용 OTP 생성 함수를 기초로 검증용 일회용 인증 번호를 생성한 후 상기 검증용 일회용 인증 번호에서 상기 제1 자릿수에 해당되는 검증용 숫자를 확인하여 상기 랜덤 벡터의 해밍 무게가 상기 검증용 숫자의 크기에 대응하는 해밍 무게와 일치하는지 여부를 확인하며, 상기 랜덤 벡터의 해밍 무게가 상기 검증용 숫자의 크기에 대응하는 해밍 무게와 일치하는 것으로 확인되는 경우, 상기 랜덤 벡터와 합산되었을 때의 유클리드 노름이 상기 메모리 상에 저장되어 있는 상기 유클리드 노름과 동일해지도록 하는 상기 제1 피드백 벡터를 생성하여 상기 신용등급 변동 예측 처리 장치로 전송하는 인공지능 기반의 신용등급 변동 예측 처리 장치.
  8. N(N은 3이상의 자연수)개의 신용등급들 각각에 대한 미리 정해진(predetermined) 서로 다른 N차원의 원-핫(One-Hot) 벡터가 저장되어 있는 신용등급 벡터 저장부를 유지하는 단계;
    M(M은 2이상의 자연수)명의 고객들 각각으로부터 수집된 현재 신용등급, 신규 대출예정금액, 신용카드 신규 발급예정건수 및 채무에 대한 신규 연체예정금액으로 구성된 입력 세트 정보와 상기 M명의 고객들 각각의 입력 세트 정보에 대한 정답 정보로 상기 M명의 고객들 각각에 대해서 미리 산출된 변동 신용등급 - 상기 변동 신용등급은 상기 N개의 신용등급들 중에 속하는 어느 하나의 신용등급임 - 이 하나씩 매칭되어 있는 M개의 트레이닝 세트들이 저장되어 있는 트레이닝 세트 저장부를 유지하는 단계;
    입력 벡터 생성부가, 상기 M명의 고객들 각각에 대해, 각 고객의 현재 신용등급, 신규 대출예정금액, 신용카드 신규 발급예정건수 및 채무에 대한 신규 연체예정금액을 성분으로 하는 4차원의 입력 벡터를 구성함으로써, 상기 M명의 고객들 각각에 대응되는 4차원의 입력 벡터를 생성하는 단계;
    상기 M명의 고객들 각각에 대응되는 4차원의 입력 벡터가 생성되면, 원-핫 벡터 확인부가, 상기 신용등급 벡터 저장부를 참조하여 상기 M명의 고객들 각각에 대응되는 변동 신용등급에 대한 N차원의 원-핫 벡터를 확인하는 단계;
    출력 벡터 생성부가, 상기 M명의 고객들 각각에 대응되는 4차원의 입력 벡터를 둘 이상의 가중치 행렬들로 구성된 심층 신경망 - 상기 심층 신경망을 구성하는 둘 이상의 가중치 행렬들은 상기 심층 신경망의 출력으로 산출되는 벡터의 차원이 N차원이 되도록 구성된 행렬들임 - 에 입력으로 인가하여 상기 M명의 고객들 각각에 대응되는 N차원의 출력 벡터를 생성하는 단계;
    상기 M명의 고객들 각각에 대응되는 N차원의 출력 벡터가 생성되면, 연산 벡터 생성부가, 상기 M명의 고객들 각각에 대응되는 N차원의 출력 벡터를 미리 정해진 활성화 함수(Activation Function) - 상기 활성화 함수는 상기 M명의 고객들 각각에 대응되는 N차원의 출력 벡터를 구성하는 성분들을 0이상 1이하의 값으로 변환하는 함수임 - 에 입력으로 인가하여 상기 M명의 고객들 각각에 대응되는 N차원의 연산 벡터를 생성하는 단계;
    예측모델 생성부가, 상기 M명의 고객들 각각에 대응되는 N차원의 연산 벡터를 구성하는 성분들과 상기 M명의 고객들 각각에 대응되는 변동 신용등급에 대한 N차원의 원-핫 벡터를 구성하는 성분들을 기초로
    Figure 112021120607339-pat00039
    로 표현되는 손실 함수(Loss Function) - 여기서,
    Figure 112021120607339-pat00040
    은 손실 값으로,
    Figure 112021120607339-pat00041
    는 상기 M명의 고객들 각각에 대응되는 변동 신용등급에 대한 N차원의 원-핫 벡터를 구성하는 성분들 중 i번째 성분의 값,
    Figure 112021120607339-pat00042
    는 상기 M명의 고객들 각각에 대응되는 N차원의 연산 벡터를 구성하는 성분들 중 i번째 성분의 값을 의미함 - 를 기반으로 한 손실 값을 연산함으로써, 상기 M명의 고객들 각각에 대한 손실 값을 산출하고, 상기 M명의 고객들 각각에 대한 손실 값의 평균이 최소가 되도록 상기 심층 신경망에 대한 기계학습을 수행함으로써, 고객의 신용등급 변동을 예측하기 위한 예측모델을 생성하는 단계;
    상기 예측모델의 생성이 완료된 이후, 제1 고객의 고객 단말로부터 상기 제1 고객의 현재 신용등급, 신규 대출예정금액, 신용카드 신규 발급예정건수 및 채무에 대한 신규 연체예정금액으로 구성된 입력 세트 정보가 수신되면서, 상기 제1 고객의 신용등급에 대한 변동 예측 명령이 수신되면, 예측용 입력 벡터 생성부가, 상기 제1 고객의 고객 단말에 대한 인증을 완료한 후 상기 제1 고객의 현재 신용등급, 신규 대출예정금액, 신용카드 신규 발급예정건수 및 채무에 대한 신규 연체예정금액을 성분으로 하는 4차원의 예측용 입력 벡터를 생성하는 단계;
    상기 4차원의 예측용 입력 벡터가 생성되면, 예측용 출력 벡터 생성부가, 상기 4차원의 예측용 입력 벡터를 기계학습이 완료된 상기 심층 신경망에 입력으로 인가하여 상기 4차원의 예측용 입력 벡터에 대응되는 N차원의 예측용 출력 벡터를 생성하는 단계;
    상기 N차원의 예측용 출력 벡터가 생성되면, 예측용 연산 벡터 생성부가, 상기 N차원의 예측용 출력 벡터를 상기 활성화 함수에 입력으로 인가하여 상기 N차원의 예측용 출력 벡터에 대응되는 N차원의 예측용 연산 벡터를 생성하는 단계;
    상기 N차원의 예측용 연산 벡터가 생성되면, 유사도 연산부가, 상기 N차원의 예측용 연산 벡터와 상기 N개의 신용등급들 각각에 대한 N차원의 원-핫 벡터 간의 유사도를 연산하는 단계; 및
    변동 신용등급 예측부가, 상기 N개의 신용등급들 각각에 대한 N차원의 원-핫 벡터 중 상기 N차원의 예측용 연산 벡터와의 유사도가 최대로 연산된 N차원의 제1 원-핫 벡터를 확인한 후 상기 신용등급 벡터 저장부로부터 상기 N차원의 제1 원-핫 벡터에 대응하는 제1 신용등급을 확인하고, 상기 확인된 제1 신용등급을 상기 제1 고객의 변동 신용등급으로 결정한 후 상기 제1 고객의 변동 신용등급에 대한 정보를 상기 제1 고객의 고객 단말로 전송하는 단계
    를 포함하는 인공지능 기반의 신용등급 변동 예측 처리 장치의 동작 방법.
  9. 제8항에 있어서,
    상기 활성화 함수는 하기의 수학식 1과 같은 소프트맥스(Softmax) 함수인 인공지능 기반의 신용등급 변동 예측 처리 장치의 동작 방법.
    [수학식 1]
    Figure 112020052976117-pat00024

    여기서,
    Figure 112020052976117-pat00025
    는 상기 M명의 고객들 각각에 대응되는 N차원의 출력 벡터를 구성하는 성분들 중 i번째 성분에 대한 연산 값으로,
    Figure 112020052976117-pat00026
    는 상기 M명의 고객들 각각에 대응되는 N차원의 출력 벡터를 구성하는 성분들 중 i번째 성분의 값,
    Figure 112020052976117-pat00027
    는 자연상수를 의미함.
  10. 삭제
  11. 삭제
  12. 삭제
  13. 제8항에 있어서,
    상기 예측용 입력 벡터를 생성하는 단계는
    상기 제1 고객의 고객 단말과 서로 동일한 일회용 인증 번호를 생성하도록 사전 공유하고 있는 OTP(One Time Password) 생성 함수가 저장되어 있는 OTP 저장부를 유지하는 단계;
    상기 제1 고객의 고객 단말과 사전 공유하고 있는 유클리드 노름(Euclidean Norm)에 대한 정보가 저장되어 있는 유클리드 노름 저장부를 유지하는 단계;
    상기 제1 고객의 고객 단말로부터 상기 제1 고객의 현재 신용등급, 신규 대출예정금액, 신용카드 신규 발급예정건수 및 채무에 대한 신규 연체예정금액으로 구성된 입력 세트 정보가 수신되면서, 상기 제1 고객의 신용등급에 대한 변동 예측 명령이 수신되면, 요청부가, 상기 OTP 생성 함수를 기초로 제1 일회용 인증 번호를 생성하고, 상기 제1 일회용 인증 번호에서 미리 정해진 제1 자릿수에 해당되는 숫자를 확인한 후 상기 숫자의 크기에 대응하는 해밍 무게(Hamming Weight)를 가지면서, 미리 정해진 길이를 갖는 랜덤 벡터를 랜덤하게 생성하고, 상기 랜덤 벡터를 상기 제1 고객의 고객 단말로 전송하면서, 상기 제1 고객의 고객 단말로 상기 랜덤 벡터에 대응되는 피드백 벡터의 전송을 요청하는 단계;
    상기 제1 고객의 고객 단말로부터 상기 랜덤 벡터에 대응되는 피드백 벡터로 제1 피드백 벡터 - 상기 제1 피드백 벡터는 상기 랜덤 벡터와 합산되었을 때의 유클리드 노름이 상기 제1 고객의 고객 단말에 기 저장되어 있는 상기 유클리드 노름과 동일해지도록 생성된 벡터임 - 가 수신되면, 유클리드 노름 확인부가, 상기 제1 피드백 벡터와 상기 랜덤 벡터를 합산한 합산 벡터에 대한 제1 유클리드 노름을 연산하고, 상기 제1 유클리드 노름이 상기 유클리드 노름과 동일한지 확인하는 단계; 및
    상기 제1 유클리드 노름이 상기 유클리드 노름과 동일한 것으로 확인되면, 인증 완료부가, 상기 제1 고객의 고객 단말에 대한 인증을 완료하는 단계
    를 포함하는 인공지능 기반의 신용등급 변동 예측 처리 장치의 동작 방법.
  14. 제13항에 있어서,
    상기 제1 고객의 고객 단말은
    메모리 상에 상기 유클리드 노름, 상기 OTP 생성 함수와 동일한 검증용 OTP 생성 함수를 저장하고 있고, 상기 신용등급 변동 예측 처리 장치로부터 상기 랜덤 벡터가 수신되면, 상기 메모리 상에 저장되어 있는 상기 검증용 OTP 생성 함수를 기초로 검증용 일회용 인증 번호를 생성한 후 상기 검증용 일회용 인증 번호에서 상기 제1 자릿수에 해당되는 검증용 숫자를 확인하여 상기 랜덤 벡터의 해밍 무게가 상기 검증용 숫자의 크기에 대응하는 해밍 무게와 일치하는지 여부를 확인하며, 상기 랜덤 벡터의 해밍 무게가 상기 검증용 숫자의 크기에 대응하는 해밍 무게와 일치하는 것으로 확인되는 경우, 상기 랜덤 벡터와 합산되었을 때의 유클리드 노름이 상기 메모리 상에 저장되어 있는 상기 유클리드 노름과 동일해지도록 하는 상기 제1 피드백 벡터를 생성하여 상기 신용등급 변동 예측 처리 장치로 전송하는 인공지능 기반의 신용등급 변동 예측 처리 장치의 동작 방법.
  15. 제8항, 제9항, 제13항 또는 제14항 중 어느 한 항의 방법을 컴퓨터와의 결합을 통해 실행시키기 위한 컴퓨터 프로그램을 기록한 컴퓨터 판독 가능 기록 매체.
  16. 제8항, 제9항, 제13항 또는 제14항 중 어느 한 항의 방법을 컴퓨터와의 결합을 통해 실행시키기 위한 저장매체에 저장된 컴퓨터 프로그램.
KR1020200062946A 2020-05-26 2020-05-26 인공지능 기반의 신용등급 변동 예측 처리 장치 및 그 동작 방법 KR102385054B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200062946A KR102385054B1 (ko) 2020-05-26 2020-05-26 인공지능 기반의 신용등급 변동 예측 처리 장치 및 그 동작 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200062946A KR102385054B1 (ko) 2020-05-26 2020-05-26 인공지능 기반의 신용등급 변동 예측 처리 장치 및 그 동작 방법

Publications (2)

Publication Number Publication Date
KR20210146000A KR20210146000A (ko) 2021-12-03
KR102385054B1 true KR102385054B1 (ko) 2022-04-08

Family

ID=78866832

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200062946A KR102385054B1 (ko) 2020-05-26 2020-05-26 인공지능 기반의 신용등급 변동 예측 처리 장치 및 그 동작 방법

Country Status (1)

Country Link
KR (1) KR102385054B1 (ko)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102602582B1 (ko) * 2022-04-14 2023-11-16 주식회사 어니스트펀드 고객의 신용 점수 개선을 위한 최적 신용 활동 추천 장치 및 방법
KR102495507B1 (ko) * 2022-08-23 2023-02-06 카투(주) 비대면 친환경차용 정보제공서비스 시스템
KR102495506B1 (ko) * 2022-08-23 2023-02-06 카투(주) 차량 금융사 사전 승인 예측 시스템

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101899101B1 (ko) * 2016-06-01 2018-09-14 서울대학교 산학협력단 인공 신경망 기반 예측 모델 생성 장치 및 방법
KR102062771B1 (ko) * 2019-04-08 2020-01-06 (주)유비펀 위치 정보를 기초로 오프라인 가맹점에 대한 상품 정보 제공 및 가상통화 기반의 결제 처리를 지원하는 결제 서비스 장치 및 그 동작 방법
KR102089354B1 (ko) * 2018-07-17 2020-03-16 주식회사 다날 결제한도에 따른 소액결제 처리를 지원하는 소액결제 처리 대행 장치 및 그 동작 방법

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106127363B (zh) 2016-06-12 2022-04-15 腾讯科技（深圳）有限公司 一种用户信用评估方法和装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101899101B1 (ko) * 2016-06-01 2018-09-14 서울대학교 산학협력단 인공 신경망 기반 예측 모델 생성 장치 및 방법
KR102089354B1 (ko) * 2018-07-17 2020-03-16 주식회사 다날 결제한도에 따른 소액결제 처리를 지원하는 소액결제 처리 대행 장치 및 그 동작 방법
KR102062771B1 (ko) * 2019-04-08 2020-01-06 (주)유비펀 위치 정보를 기초로 오프라인 가맹점에 대한 상품 정보 제공 및 가상통화 기반의 결제 처리를 지원하는 결제 서비스 장치 및 그 동작 방법

Also Published As

Publication number Publication date
KR20210146000A (ko) 2021-12-03

Similar Documents

Publication Publication Date Title
KR102385054B1 (ko) 인공지능 기반의 신용등급 변동 예측 처리 장치 및 그 동작 방법
CN109509080A (zh) 供应链金融业务处理方法、装置、计算机设备及存储介质
KR102128059B1 (ko) 고객의 정보와 금융상품 구매이력에 기초한 기계학습을 통해 최적의 금융상품을 추천하는 전자 장치
US10911455B2 (en) Using third party information to improve predictive strength for authentications
WO2021061159A1 (en) Mapping user vectors between embeddings for a machine learning model
CN112819604A (zh) 基于融合神经网络特征挖掘的个人信用评估方法与系统
WO2021218023A1 (zh) 多轮问答的情绪确定方法、装置、计算机设备及存储介质
CN115836302A (zh) 自动调整简档中的规则权重
US20180225656A1 (en) Transmitting sensitive data from a digital wallet on a user device to a designated server for use by a transaction card application process
Speakman et al. Three population covariate shift for mobile phone-based credit scoring
CN115392913B (zh) 基于用户身份识别的电子合同生成方法及存储介质
US11803813B2 (en) Methods and systems for consolidating profiles for joint application determination
KR102571365B1 (ko) 후불 멤버십 서비스 운영 서버 및 그 동작 방법
US20210166312A1 (en) Systems and Methods for Autonomous Portfolio Management and Funding Using Smart Contracts
KR102271983B1 (ko) 고객정보와 가상화폐 구매이력을 기반으로 한 기계학습 수행을 통해 사용자 맞춤의 가상화폐 추천을 제공하는 가상화폐 거래 플랫폼 서버 및 그 동작 방법
US20240121093A1 (en) Securely processing a contingent action token
CN116205726B (zh) 一种贷款风险预测方法、装置、电子设备及存储介质
US20240163102A1 (en) Processing a contingent action token securely
US20240161089A1 (en) Processing a contingent action token securely
US20240161101A1 (en) Processing a contingent action token securely
US20240163100A1 (en) Processing a contingent action token securely
US20230362004A1 (en) Generating a contingent action token
US20240161099A1 (en) Processing a contingent action token securely
US20240163099A1 (en) Processing a contingent action token securely
US20240163105A1 (en) Processing a contingent action token securely

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant