KR102480518B1 - 신용평가 모델 업데이트 또는 교체 방법 및 장치 - Google Patents
신용평가 모델 업데이트 또는 교체 방법 및 장치 Download PDFInfo
- Publication number
- KR102480518B1 KR102480518B1 KR1020220025364A KR20220025364A KR102480518B1 KR 102480518 B1 KR102480518 B1 KR 102480518B1 KR 1020220025364 A KR1020220025364 A KR 1020220025364A KR 20220025364 A KR20220025364 A KR 20220025364A KR 102480518 B1 KR102480518 B1 KR 102480518B1
- Authority
- KR
- South Korea
- Prior art keywords
- artificial intelligence
- credit evaluation
- intelligence engine
- credit
- data
- Prior art date
Links
- 238000013210 evaluation model Methods 0.000 title claims abstract description 248
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 380
- 238000011156 evaluation Methods 0.000 claims abstract description 283
- 238000013517 stratification Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 28
- 238000012937 correction Methods 0.000 description 9
- 238000012544 monitoring process Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06Q40/02—Banking, e.g. interest calculation or account maintenance
-
- 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
Abstract
본 발명은 신용평가 모델 업데이트 또는 교체 방법 및 장치에 관한 것이다. 신용 평가 모델 업데이트 또는 교체 방법은 인공 지능 엔진 생성부가 신용 평가를 위한 복수의 인공 지능 엔진을 생성하는 단계, 신용 평가 모델 생성부가 복수의 인공 지능 엔진을 기반으로 신용 평가 모델의 생성하는 단계와 신용 평가부가 신용 평가 모델을 기반으로 판매자에 대한 신용 평가 데이터를 생성하는 단계를 포함하되, 신용 평가 모델은 복수의 인공 지능 엔진의 확장 및/또는 계층화를 기반으로 생성되고, 신용 평가 모델의 평가는 신용 평가 모델을 구성하는 핵심 모듈, 관련 모듈 및 비핵심 모듈을 기반으로 수행될 수 있다.
Description
본 발명은 신용평가 모델 업데이트 또는 교체 방법 및 장치에 관한 것이다. 보다 상세하게는 판매자에게 금융 서비스를 제공하기 위해 판매자의 신용 평가에 사용되는 위한 신용 평가 모델을 업데이트하거나 교체하는 방법 및 장치에 관한 것이다.
4차 산업혁명에 의해 촉발된 지능 정보 사회로 진입하면서 데이터의 무한한 활용 가능성이 데이터 산업의 변화를 초래하고 있다. 데이터 시대가 도래함에 따라 향후 데이터 산업의 수준이 국가 사이에 경쟁력의 차이를 결정하게 될 것이다.
특히, 금융 시장에서의 빅데이터 인프라 구축은 매우 시급할 뿐만 아니라, 머지 않아 국가의 데이터 산업의 향방을 좌우할만큼 중요한 자산이 되었다. 금융 빅데이터 인프라는 빅데이터 개방 시스템, 데이터 거래소, 데이터 전문기관 등으로 구성된다.
이러한 빅데이터 기반의 사용자 금융 데이터를 기반으로 한 새로운 금융 상품에 대한 연구가 필요하다. 사용자 금융 상품에 대한 인공 지능 기반의 학습을 통해 다양한 리스크 분석이 가능하고, 리스크 분석을 기반으로 현재까지 없었던 새로운 금융 서비스를 사용자들에게 제공할 수 있다.
따라서, 사용자의 금융 데이터를 활용하고 사용자의 금융 데이터를 기반으로 다양한 금융 서비스를 제공하기 위한 구체적인 방법에 대한 연구가 필요하다.
본 발명은 상술한 문제점을 모두 해결하는 것을 그 목적으로 한다.
또한, 본 발명은, 신용 평가 모델에 대한 피드백 결과를 고려하여 신용 평가 모델을 구성하는 모듈별로 판단 오류를 탐색하여 인공 지능 엔진에 대한 교체 또는 쉬프팅을 수행하는 것을 목적으로 한다.
또한, 본 발명은, 판단 오류 시작 인공 지능 엔진에 대한 교체 및 판단 오류 영향 인공 지능 엔진에 대한 쉬프팅을 통해 신용 평가 모델의 정정을 가능하게 하는 것을 목적으로 한다.
상기 목적을 달성하기 위한 본 발명의 대표적인 구성은 다음과 같다.
본 발명의 일 실시예에 따르면, 신용 평가 모델 업데이트 또는 교체 방법은 인공 지능 엔진 생성부가 신용 평가를 위한 복수의 인공 지능 엔진을 생성하는 단계, 신용 평가 모델 생성부가 상기 복수의 인공 지능 엔진을 기반으로 신용 평가 모델의 생성하는 단계와 신용 평가부가 상기 신용 평가 모델을 기반으로 판매자에 대한 신용 평가 데이터를 생성하는 단계를 포함하되, 상기 신용 평가 모델은 복수의 인공 지능 엔진의 확장 및/또는 계층화를 기반으로 생성되고, 상기 신용 평가 모델의 평가는 상기 신용 평가 모델을 구성하는 핵심 모듈, 관련 모듈 및 비핵심 모듈을 기반으로 수행될 수 있다.
한편, 상기 핵심 모듈은 기준 인공 지능 엔진이고, 상기 관련 모듈은 상기 기준 인공 지능 엔진을 기준으로 직접적으로 연결된 인공 지능 엔진이고, 상기 비핵심 모듈은 상기 핵심 모듈 및 상기 관련 모듈 외에 상기 신용 평가 모델을 구성하는 나머지 인공 지능 엔진일 수 있다.
또한, 상기 신용 평가 모델에 대한 평가는 상기 신용 평가 데이터를 기반으로 한 금융 서비스에 대한 판단 결과가 잘못된 경우, 판단 오류를 발생시킨 모듈에 대한 서치를 통해 수행되고, 상기 서치는 상기 판단 오류를 발생시킨 상기 신용 평가 데이터를 구성하는 복수의 하위 신용 평가 데이터를 분할하고, 분할된 상기 복수의 하위 신용 평가 데이터 중 판단 오류를 발생시킨 타겟 하위 신용 평가 데이터를 결정하고, 상기 타겟 하위 신용 평가 데이터의 결정 이후, 상기 타겟 하위 신용 평가 데이터와 관련된 상기 핵심 모듈, 상기 관련 모듈 또는 상기 비핵심 모듈을 결정하고, 상기 판단 오류의 전파가 시작된 판단 오류 시작 인공 지능 엔진 및 상기 판단 오류에 영향을 받은 판단 오류 영향 인공 지능 엔진을 결정할 수 있다.
본 발명의 다른 실시예에 따르면, 인공 지능 기반 신용 평가 모델 생성하는 신용 평가 장치는 신용 평가를 위한 복수의 인공 지능 엔진을 생성하도록 구현되는 인공 지능 엔진 생성부, 상기 복수의 인공 지능 엔진을 기반으로 신용 평가 모델의 생성하도록 구현되는 신용 평가 모델 생성부와 평가부가 상기 신용 평가 모델을 기반으로 판매자에 대한 신용 평가 데이터를 생성하도록 구현되는 신용 평가부를 포함하되, 상기 신용 평가 모델은 복수의 인공 지능 엔진의 확장 및/또는 계층화를 기반으로 생성되고, 상기 신용 평가 모델의 평가는 상기 신용 평가 모델을 구성하는 핵심 모듈, 관련 모듈 및 비핵심 모듈을 기반으로 수행될 수 있다.
한편, 상기 핵심 모듈은 기준 인공 지능 엔진이고, 상기 관련 모듈은 상기 기준 인공 지능 엔진을 기준으로 직접적으로 연결된 인공 지능 엔진이고, 상기 비핵심 모듈은 상기 핵심 모듈 및 상기 관련 모듈 외에 상기 신용 평가 모델을 구성하는 나머지 인공 지능 엔진일 수 있다.
또한, 상기 신용 평가 모델에 대한 평가는 상기 신용 평가 데이터를 기반으로 한 금융 서비스에 대한 판단 결과가 잘못된 경우, 판단 오류를 발생시킨 모듈에 대한 서치를 통해 수행되고, 상기 서치는 상기 판단 오류를 발생시킨 상기 신용 평가 데이터를 구성하는 복수의 하위 신용 평가 데이터를 분할하고, 분할된 상기 복수의 하위 신용 평가 데이터 중 판단 오류를 발생시킨 타겟 하위 신용 평가 데이터를 결정하고, 상기 타겟 하위 신용 평가 데이터의 결정 이후, 상기 타겟 하위 신용 평가 데이터와 관련된 상기 핵심 모듈, 상기 관련 모듈 또는 상기 비핵심 모듈을 결정하고, 상기 판단 오류의 전파가 시작된 판단 오류 시작 인공 지능 엔진 및 상기 판단 오류에 영향을 받은 판단 오류 영향 인공 지능 엔진을 결정할 수 있다.
본 발명에 의하면, 신용 평가 모델에 대한 피드백 결과를 고려하여 신용 평가 모델을 구성하는 모듈별로 판단 오류를 탐색하여 인공 지능 엔진에 대한 교체 또는 쉬프팅이 수행될 수 있다.
또한, 본 발명에 의하면, 판단 오류 시작 인공 지능 엔진에 대한 교체 및 판단 오류 영향 인공 지능 엔진에 대한 쉬프팅을 통해 신용 평가 모델의 정정이 가능할 수 있다.
도 1은 본 발명의 실시예에 따른 CB(credit bureau)사 신용 평가 장치를 나타낸 개념도이다.
도 2는 본 발명의 실시예에 따른 인공 지능 엔진 생성부의 동작을 나타낸 개념도이다.
도 3은 본 발명의 실시예에 따른 후보 신용 평가 모델 생성부의 동작을 나타낸 개념도이다.
도 4는 본 발명의 실시예에 따른 신용 평가 모델 결정부의 동작을 나타낸 개념도이다.
도 5는 본 발명의 실시예에 따른 신용 평가부의 동작을 나타낸 개념도이다.
도 6은 본 발명의 실시예에 따른 신용 평가 모델 관리부의 동작을 나타낸 개념도이다.
도 7은 본 발명의 실시예에 따른 신용 평가 모델 관리부의 동작을 나타낸 개념도이다.
도 8은 본 발명의 실시예에 따른 신용 평가 모델 모니터링 방법을 나타낸 개념도이다.
도 9는 본 발명의 실시예에 따른 신용 평가 장치를 나타낸 개념도이다.
도 10은 본 발명의 실시예에 따른 인공 지능 기반 신용 평가 모델 생성 방법을 나타낸 개념도이다.
도 11은 본 발명의 실시예에 따른 신용 평가 모델을 구현하기 위한 인공 지능 엔진의 확장을 나타낸 개념도이다.
도 12는 본 발명의 실시예에 따른 신용 평가 모델을 구현하기 위한 인공 지능 엔진의 계층화를 나타낸 개념도이다.
도 13은 본 발명의 실시예에 따른 신용 평가 모델 평가 방법을 나타낸 개념도이다.
도 14는 본 발명의 실시예에 따른 신용 평가 모델 교체 방법을 나타낸 개념도이다.
도 2는 본 발명의 실시예에 따른 인공 지능 엔진 생성부의 동작을 나타낸 개념도이다.
도 3은 본 발명의 실시예에 따른 후보 신용 평가 모델 생성부의 동작을 나타낸 개념도이다.
도 4는 본 발명의 실시예에 따른 신용 평가 모델 결정부의 동작을 나타낸 개념도이다.
도 5는 본 발명의 실시예에 따른 신용 평가부의 동작을 나타낸 개념도이다.
도 6은 본 발명의 실시예에 따른 신용 평가 모델 관리부의 동작을 나타낸 개념도이다.
도 7은 본 발명의 실시예에 따른 신용 평가 모델 관리부의 동작을 나타낸 개념도이다.
도 8은 본 발명의 실시예에 따른 신용 평가 모델 모니터링 방법을 나타낸 개념도이다.
도 9는 본 발명의 실시예에 따른 신용 평가 장치를 나타낸 개념도이다.
도 10은 본 발명의 실시예에 따른 인공 지능 기반 신용 평가 모델 생성 방법을 나타낸 개념도이다.
도 11은 본 발명의 실시예에 따른 신용 평가 모델을 구현하기 위한 인공 지능 엔진의 확장을 나타낸 개념도이다.
도 12는 본 발명의 실시예에 따른 신용 평가 모델을 구현하기 위한 인공 지능 엔진의 계층화를 나타낸 개념도이다.
도 13은 본 발명의 실시예에 따른 신용 평가 모델 평가 방법을 나타낸 개념도이다.
도 14는 본 발명의 실시예에 따른 신용 평가 모델 교체 방법을 나타낸 개념도이다.
후술하는 본 발명에 대한 상세한 설명은, 본 발명이 실시될 수 있는 특정 실시예를 예시로서 도시하는 첨부 도면을 참조한다. 이러한 실시예는 당업자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다. 본 발명의 다양한 실시예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 본 명세서에 기재되어 있는 특정 형상, 구조 및 특성은 본 발명의 정신과 범위를 벗어나지 않으면서 일 실시예로부터 다른 실시예로 변경되어 구현될 수 있다. 또한, 각각의 실시예 내의 개별 구성요소의 위치 또는 배치도 본 발명의 정신과 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 행하여 지는 것이 아니며, 본 발명의 범위는 특허청구범위의 청구항들이 청구하는 범위 및 그와 균등한 모든 범위를 포괄하는 것으로 받아들여져야 한다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 구성요소를 나타낸다.
이하에서는, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있도록 하기 위하여, 본 발명의 여러 바람직한 실시예에 관하여 첨부된 도면을 참조하여 상세히 설명하기로 한다.
도 1은 본 발명의 실시예에 따른 CB(credit bureau)사 신용 평가 장치를 나타낸 개념도이다.
도 1에서는 신용 평가사인 CB사가 판매자의 신용 평가를 수행하기 위한 신용 평가 모델을 생성하고 신용 평가 모델의 관리를 자동화하기 위한 신용 평가 장치가 개시된다.
도 1을 참조하면, CB사 신용 평가 장치는 인공 지능 엔진 생성부(100), 신용 평가 모델 생성부(110), 신용 평가부(170) 및 신용 평가 모델 관리부(180) 및 프로세서(190)를 포함할 수 있다.
인공 지능 엔진 생성부(100)는 신용 평가를 위한 다양한 인공 지능 엔진을 생성하기 위해 구현될 수 있다. 신용 평가 데이터를 결정하기 위해서는 다양한 하위 신용 평가 데이터를 생성하는 개별적인 인공 지능 엔진이 활용될 수 있다. 인공 지능 엔진 생성부(100)는 신용 평가 데이터를 결정하기 위해 기초가 되는 다양한 하위 신용 평가 데이터를 생성할 수 있는 인공 지능 엔진을 생성할 수 있다.
인공 지능 엔진 생성부(100)에 의해 생성된 인공 지능 엔진은 신용 평가 모델 생성부(110)로 전달되어 신용 평가 모델의 생성을 위해 활용될 수 있다.
신용 평가 모델 생성부(110)는 신용 평가 모델의 생성을 위해 구현될 수 있다. 신용 평가 모델은 판매자의 신용 평가 데이터를 생성하기 위한 모델일 수 있다.
신용 평가 모델은 복수의 인공 지능 엔진과 복수의 신용 평가를 위한 알고리즘을 기반으로 구현될 수 있다. 신용 평가 모델은 신용 평가를 위한 전처리 신용 평가 기초 데이터를 수신하여 판매자에 대한 신용 평가 데이터를 생성할 수 있다.
신용 평가 모델 생성부(110)는 후보 신용 평가 모델 생성부(120) 및 신용 평가 모델 결정부(160)를 포함할 수 있다.
후보 신용 평가 모델 생성부(120)는 인공 지능 엔진 결정부(130), 인공 지능 엔진 배치부(140), 신용 평가 데이터 생성부(150)를 포함할 수 있다.
인공 지능 엔진 결정부(130)는 후보 신용 평가 모델에 포함될 적어도 하나의 인공 지능 엔진을 결정하기 위해 구현될 수 있다. 후보 신용 평가 모델은 복수의 인공 지능 엔진을 기반으로 신용 평가 데이터를 생성할 수 있고, 인공 지능 엔진 결정부(130)는 후보 신용 평가 모델을 생성하기 위한 적어도 하나의 인공 지능 엔진을 결정할 수 있다.
인공 지능 엔진 배치부(140)는 인공 지능 모델 결정부(130)에 의해 결정된 인공 지능 엔진을 배치하여 후보 신용 평가 모델을 생성하기 위해 구현될 수 있다. 복수의 인공 지능 엔진 각각은 순차적 또는 병렬적으로 배치되어 복수의 하위 신용 평가 데이터를 생성하고, 복수의 하위 신용 평가 데이터가 종합되어 신용 평가 데이터가 결정될 수 있다.
예를 들어, 복수의 인공 지능 엔진 각각은 병렬적으로 배치되어 하위 신용 평가 데이터를 생성하고, 하위 신용 평가 데이터를 기반으로 판매자의 신용 평가 데이터가 결정될 수 있다. 또는 복수의 인공 지능 엔진이 계층적(또는 순차적)으로 배치되어 하위 신용 평가 데이터를 생성하고, 계층적으로 생성되는 n차 하위 신용 평가 데이터를 기반으로 판매자의 신용 평가 데이터가 결정될 수 있다. 또는 특정 인공 지능 엔진에서 생성된 결과가 다른 인공 지능 엔진으로 입력되는 구조의 신용 평가 데이터를 생성하기 위한 후보 신용 평가 모델이 결정될 수도 있다. 따라서, 인공 지능 엔진 배치부(140)는 신용 평가 데이터를 생성하기 위해 적절한 인공 지능 엔진의 배치를 기반으로 후보 신용 평가 모델을 결정할 수 있다.
신용 평가 데이터 생성부(150)는 인공 지능 엔진 배치부(140)에 의해 결정된 후보 신용 평가 모델을 기반으로 신용 평가 데이터를 생성하기 위해 구현될 수 있다.
신용 평가 모델 결정부(160)는 후보 신용 평가 모델 생성부(120)에 의해 생성된 복수의 후보 신용 평가 모델 중 신용 평가에 임계 신뢰도를 가지는 모델을 신용 평가 모델로서 결정하기 위해 구현될 수 있다. 신용 평가 모델 생성부(110)에 의해 생성된 후보 신용 평가 모델 중 신용 평가를 위해 사용될 신용 평가 모델은 신용 평가부(170)로 전송될 수 있다. 신뢰도는 기존의 신용 평가 기초 데이터를 기반으로 한 후보 신용 평가 모델의 신용 평가 결과와 실제 금융 서비스 결과의 비교를 통해 판단될 수 있다. 후보 신용 평가 모델의 신용 평가 결과와 실제 금융 서비스 결과가 상대적으로 유사할수록 후보 신용 평가 모델이 상대적으로 더 높은 신뢰도를 가지는 것으로 결정될 수 있다.
신용 평가부(170)는 신용 평가 모델 생성부(180)에 의해 생성된 신용 평가 모델을 기반으로 판매자에 대한 신용 평가 데이터를 생성하기 위해 수행할 수 있다.
신용 평가부(170)는 적어도 하나의 신용 평가 모델을 사용하여 판매자에 대한 신용 평가를 통해 신용 평가 데이터를 생성할 수 있다. 신용 평가부(170)에 위치한 적어도 하나의 신용 평가 모델은 평가에 의해 교체되거나 조합되어 판매자의 신용 평가 데이터를 결정하기 위해 활용될 수 있다.
또한, 신용 평가부(170)는 신용 평가 대상에 따라 적응적으로 적용 가능한 다양한 신용 평가 모델을 포함할 수 있고, 이러한 다양한 신용 평가 모델을 기반으로 판매자 특성을 고려한 신용 평가 데이터가 생성될 수 있다.
신용 평가 모델 관리부(180)는 신용 평가 모델의 관리를 위해 구현될 수 있다. 신용 평가부(170)의 신용 평가 모델은 주기적/비주기적 평가에 의해 교체될 수 있다. 신용 평가 모델 관리부(180)는 현재 신용 평가부(170)에서 사용되는 신용 평가 모델을 판단하고, 신용 평가 모델의 교체 여부를 결정할 수 있다.
또는 신용 평가 모델 관리부(180)는 신용 평가부(170)의 신용 평가 모델의 교체가 아닌 결과값의 일부 보정(또는 쉬프팅)을 수행할지 여부에 대해서도 결정하고 보정값(또는 쉬프팅값)을 신용 평가부(170)에 전송할 수도 있다. 예를 들어, 신용 평가부(170)의 신용 평가 모델의 예측 결과와 실제 금융 서비스 결과의 오차가 보정값을 기반으로 좁혀질 수 있는 경우, 신용 평가 모델 관리부(180)는 신용 평가 모델의 예측 결과를 보정할 보정값을 결정하여 신용 평가부(170)로 전달할 수 있다.
프로세서(190)는 인공 지능 엔진 생성부(100), 신용 평가 모델 생성부(110), 신용 평가부(170) 및 신용 평가 모델 관리부(180)의 동작을 제어하기 위해 구현될 수 있다.
도 2는 본 발명의 실시예에 따른 인공 지능 엔진 생성부의 동작을 나타낸 개념도이다.
도 2에서는 인공 지능 엔진 생성부에서 신용 평가를 위한 인공 지능 엔진을 생성하는 방법이 개시된다.
도 2를 참조하면, 인공 지능 엔진 생성부는 신용 평가 모델에 포함되는 인공 지능 엔진을 생성하기 위해 구현될 수 있다.
인공 지능 엔진은 전처리 신용 평가 기초 데이터를 입력값으로 수신하고, 판매자의 신용 평가 데이터를 결정하기 위한 하위 신용 평가 데이터를 생성하기 위해 구현될 수 있다.
인공 지능 엔진 생성부는 후보 인공 지능 엔진 생성부(210), 신뢰도 판단부(260), 인공 지능 엔진 결정부(270)를 포함할 수 있다.
후보 인공 지능 엔진 생성부(210)는 후보 신용 평가 모델에 포함될 후보 인공 지능 엔진을 생성하기 위해 구현될 수 있다. 후보 인공 지능 엔진 생성부(210)는 업데이트 인공 지능 엔진 생성부(220)와 신규 인공 지능 엔진 생성부(230)를 포함할 수 있다.
업데이트 인공 지능 엔진 생성부(220)는 기존의 사용되던 인공 지능 엔진에 새로운 학습 데이터 또는 새로운 피드백 데이터를 기반으로 인공 지능 학습을 재수행하여 업데이트된 인공 지능 엔진을 후보 인공 지능 엔진으로서 생성하기 위해 구현될 수 있다
업데이트 인공 지능 엔진 생성부(220)는 신규 데이터 데이터베이스(222), 피드백 데이터 데이터베이스(224), 업데이트 주기 결정부(226)를 포함할 수 있다.
신규 데이터 데이터베이스(222)는 새롭게 입력되는 신용 평가 기초 데이터를 저장하는 데이터베이스일 수 있다.
피드백 데이터 데이터베이스(224)는 기존에 생성된 인공 지능 엔진과 관련된 피드백 데이터를 저장하는 데이터베이스일 수 있다.
업데이트 주기 결정부(226)는 인공 지능 엔진에 대한 업데이트 주기를 결정하기 위해 구현될 수 있다. 업데이트 주기 결정부(226)는 미리 설정된 주기를 기준으로 추가적인 학습 데이터를 통해 업데이트를 결정할 수 있다. 또한, 업데이트 주기 결정부(226)는 신규로 입력된 신용 평가 기초 데이터, 피드백 데이터의 특성을 고려하여 업데이트 주기를 결정할 수도 있다. 예를 들어, 데이터베이스에 저장된 신용 평가 기초 데이터, 피드백 데이터가 기존의 학습에 사용된 데이터와 상대적으로 유사도가 높은 경우, 업데이트 주기는 상대적으로 길게 설정될 수 있다. 반대로, 데이터베이스에 저장된 신용 평가 기초 데이터, 피드백 데이터가 기존의 학습에 사용된 데이터와 상대적으로 유사도가 낮은 경우, 업데이트 주기는 상대적으로 짧게 설정될 수 있다.
신규 인공 지능 엔진 생성부(230)는 새로운 인공 지능 엔진으로서 인공 지능 학습을 통해 후보 인공 지능 엔진을 생성하기 위해 구현될 수 있다. 새로운 인공 지능 엔진은 기존 인공 지능 엔진과 다른 학습 레이어, 인공 지능 학습 알고리즘, 학습 전처리 등을 수행하는 학습 모델일 수 있다.
신규 인공 지능 엔진 생성부(230)는 타겟 데이터 결정부(233), 학습 데이터 결정부(236)를 포함할 수 있다.
타겟 데이터 결정부(233)는 새롭게 생성되는 인공 지능 엔진에 의해 출력되는 하위 신용 평가 데이터를 결정하기 위해 구현될 수 있다.
학습 데이터 결정부(236)는 하위 신용 평가 데이터에 따라 인공 지능 엔진의 학습을 위한 학습 데이터를 결정하기 위해 구현될 수 있다.
본 발명에서 업데이트 인공 지능 엔진 생성부(220)에 의해 생성된 후보 인공 지능 엔진은 후보 인공 지능 엔진(업데이트)(240), 신규 인공 지능 엔진 생성부(230)에 의해 생성된 인공 지능 엔진은 후보 인공 지능 엔진(신규)(250)라는 용어로 구분하여 표현될 수 있다.
신뢰도 판단부(260)는 후보 인공 지능 엔진(업데이트)(240), 후보 인공 지능 엔진(신규)(250)의 신뢰도를 판단하기 위해 구현될 수 있다. 후보 인공 지능 엔진(업데이트)(240)와 후보 인공 지능 엔진(신규)(250)의 예측값과 기존의 금융 서비스 결과값을 비교하여 후보 인공 지능 엔진(업데이트)(240)와 후보 인공 지능 엔진(신규)(250) 각각의 신뢰도가 결정될 수 있다.
인공 지능 엔진 결정부(270)는 후보 인공 지능 엔진 중 신용 평가 모델에서 사용될 인공 지능 엔진을 결정하기 위해 구현될 수 있다.
후보 인공 지능 엔진의 신뢰도가 기준 인공 지능 엔진보다 높은 신뢰도를 가지는 경우, 후보 인공 지능 엔진은 인공 지능 엔진으로서 결정되어 신용 평가 모델에서 사용될 수 있다.
후보 인공 지능 엔진(업데이트)(240)의 기준 인공 지능 엔진과 후보 인공 지능 엔진(신규)(250)의 기준 인공 지능 엔진은 서로 다를 수 있다. 후보 인공 지능 엔진(업데이트)(240)의 기준 인공 지능 엔진은 후보 인공 지능 엔진(업데이트)(240)에 대응되는 업데이트 전 인공 지능 엔진일 수 있다. 후보 인공 지능 엔진(신규)(250)의 기준 인공 지능 엔진은 후보 인공 지능 엔진(신규)(250)와 동일한 하위 신용 평가 데이터를 생성하는 인공 지능 엔진 중 가장 높은 신뢰도를 가지는 인공 지능 엔진일 수 있다. 또는 후보 인공 지능 엔진(신규)(250)의 기준 인공 지능 엔진은 후보 인공 지능 엔진(신규)(250)와 동일한 하위 신용 평가 데이터를 생성하는 인공 지능 엔진의 신뢰도의 중간값에 대응되는 인공 지능 엔진일 수 있다.
도 3은 본 발명의 실시예에 따른 후보 신용 평가 모델 생성부의 동작을 나타낸 개념도이다.
도 3에서는 후보 신용 평가 모델 생성부가 인공 지능 엔진을 조합하여 후보 신용 평가 모델을 생성하는 방법이 개시된다.
도 3을 참조하면, 후보 신용 평가 모델 생성부(300)는 신용 평가 모델 생성부에 포함되어 후보 신용 평가 모델을 생성하기 위해 구현될 수 있다.
후보 신용 평가 모델 생성부(300)는 인공 지능 엔진 결정부(310), 인공 지능 엔진 배치부(320) 및 신용 평가 데이터 생성부(330)를 포함할 수 있다.
인공 지능 엔진 결정부(310)는 후보 신용 평가 모델의 생성시 사용할 인공 지능 엔진을 결정할 수 있다. 후보 신용 평가 모델은 특정 섹터의 판매자에 특화된 모델일 수도 있고, 일반적으로 모든 판매자에게 적용 가능한 모델일 수도 있다. 따라서, 인공 지능 엔진 결정부(310)는 신용 평가 모델 특성을 고려하여 인공 지능 엔진을 생성할 수도 있다.
인공 지능 엔진 결정부(310)는 인공 지능 엔진을 결정하기 위해 신용 평가 데이터 생성에 사용할 하위 신용 평가 데이터를 결정할 수 있다. 하위 신용 평가 데이터의 결정 이후, 결정된 하위 신용 평가 데이터에 대응되는 인공 지능 엔진이 결정될 수 있다.
인공 지능 엔진은 2가지 타입으로 정의될 수 있다. 인공 지능 엔진(제1 타입)(350)은 전처리된 신용 평가 기초 데이터를 기반으로 하위 신용 평가 데이터를 결정할 수 있다. 인공 지능 엔진(제2 타입)(360)은 입력되는 하위 신용 평가 데이터를 기반으로 다른 하위 신용 평가 데이터를 결정할 수 있다.
인공 지능 엔진(제1 타입)(350)은 신용 평가 기초 데이터(예를 들어, 신용 평가 요소a(매출), 신용 평가 요소b(순이익), 신용 평가 요소c(반품율))를 입력 받고, 하위 신용 평가 데이터를 결정할 수 있다.
인공 지능 엔진(제2 타입)(360)은 적어도 하나의 인공 지능 엔진(제1 타입)(350)에 의해 생성된 하위 신용 평가 데이터를 입력받고, 또 다른 하위 신용 평가 데이터를 생성할 수 있다. 예를 들어, 인공 지능 엔진(제2 타입)(360)은 하위 신용 평가 데이터1(연체 가능성), 하위 신용 평가 데이터2(디폴트 가능성), 하위 신용 평가 데이터3(시장 변화 가능성)을 입력받고, 또 다른 하위 신용 평가 데이터인 신용 등급을 결정할 수 있다.
인공 지능 모델 결정부는 인공 지능 엔진의 신뢰도, 인공 지능 엔진(제1 타입)(350)과 인공 지능 엔진(제2 타입)(360) 간의 연결 관계, 인공 지능 엔진 배치 구조, 인공 지능 엔진 특징 등을 고려하여 인공 지능 엔진을 결정할 수 있다.
인공 지능 엔진(제1 타입)(350)과 인공 지능 엔진(제2 타입)(360) 간의 연결 관계는 인공 지능 엔진(제2 타입)(360)의 입력값을 고려한 인공 지능 엔진(제1 타입)(350)의 연결 가능성에 대한 정보를 포함할 수 있다.
인공 지능 엔진 배치 구조는 인공 지능 엔진(제1 타입)(350)과 인공 지능 엔진(제2 타입)(360) 간의 계층적 배치 및 동일한 계층의 인공 지능 엔진의 배치, 동일/유사 하위 신용 평가 데이터를 생성하는 인공 지능 엔진의 중복 배치 여부, 인공 지능 엔진에 입력되는 신용 평가 기초 데이터의 생성 빈도 등을 고려하여 결정될 수 있다.
인공 지능 엔진 특징은 동일/유사한 입력 데이터에 대한 출력 데이터 특성을 고려한 것으로서 출력 데이터의 값이 유사할수록 상대적으로 유사한 인공 지능 엔진 특징을 가지는 것으로 결정될 수 있다.
인공 지능 엔진 배치부(320)는 인공 지능 엔진을 배치하여 후보 신용 평가 모델을 생성하기 위해 구현될 수 있다. 신뢰도 높은 신용 평가 데이터를 생성하기 위하여 인공 지능 엔진의 배치가 수행될 수 있다. 인공 지능 엔진 배치부(320)는 인공 지능 엔진의 신뢰도, 인공 지능 엔진(제1 타입)(350)과 인공 지능 엔진(제2 타입)(360) 간의 연결 관계, 인공 지능 엔진 배치 구조, 인공 지능 엔진 특징, 신용 평가 기초 데이터의 생성 빈도를 고려하여 다양하게 인공 지능 엔진을 배치할 수 있다.
신용 평가 데이터 생성부(330)는 후보 신용 평가 모델에서 신용 평가 데이터를 생성하기 위해 구현될 수 있다. 신용 평가 데이터 생성부(330)는 인공 지능 엔진 배치부(320)에 의해 생성된 후보 신용 평가 모델에 신용 평가 기초 데이터를 입력하고, 출력값으로 신용 평가 데이터를 생성할 수 있다.
도 4는 본 발명의 실시예에 따른 신용 평가 모델 결정부의 동작을 나타낸 개념도이다.
도 4에서는 신용 평가 모델 결정부에서 후보 신용 평가 모델 중 신용 평가부로 신용 평가 모델로서 전송할 모델을 결정하는 방법이 개시된다.
도 4를 참조하면, 신용 평가 모델 결정부는 제1 평가 요소로서 후보 신용 평가 모델의 신뢰도를 결정하고, 제2 평가 요소로서 후보 신용 평가 모델과 기준 신용 평가 모델과의 비교를 통해 후보 신용 평가 모델을 신용 평가 모델로 결정하고, 신용 평가부로 전송할 수 있다.
(1) 신뢰도 결정(S400)
신용 평가 모델 결정부는 후보 신용 평가 모델에서 출력한 결과값을 기반으로 후보 신용 평가 모델의 신뢰도를 결정할 수 있다.
전술한 바와 같이 신용 평가 모델 결정부는 후보 신용 평가 모델 생성부에 의해 생성된 복수의 후보 신용 평가 모델 중 신용 평가에 임계 신뢰도를 가지는 모델을 신용 평가 모델로서 결정하기 위해 구현될 수 있다. 신용 평가 모델 생성부에 의해 생성된 후보 신용 평가 모델 중 신용 평가를 위해 사용될 신용 평가 모델은 신용 평가부로 전송될 수 있다. 신뢰도는 기존의 신용 평가 기초 데이터를 기반으로 한 후보 신용 평가 모델의 신용 평가 결과와 실제 금융 서비스 결과의 비교를 통해 판단될 수 있다. 후보 신용 평가 모델의 신용 평가 결과와 실제 금융 서비스 결과가 상대적으로 유사할수록 상대적으로 더 높은 신뢰도를 가지는 것으로 결정될 수 있다.
(2) 기준 신용 평가 모델과의 비교(S410)
신용 평가부에서는 상황에 따라 서로 다른 신용 평가 모델이 적응적으로 사용될 수 있도록 다양한 신용 평가 모델이 존재할 수 있다. 신용 평가 모델 결정부는 후보 신용 평가 모델과 가장 유사한 특성을 가지는 신용 평가부의 신용 평가 모델을 기준 신용 평가 모델로 결정할 수 있다.
신용 평가 모델 간 특성의 유사도는 입력되는 신용 평가 기초 데이터의 유사도, 출력되는 신용 평가 데이터의 유사도, 인공 지능 모델 유사도를 기반으로 결정될 수 있다.
신용 평가 모델 결정부는 기준 신용 평가 모델과 후보 신용 평가 모델 간의 신뢰도 비교, 동일한 입력값을 입력시 기준 신용 평가 모델과 후보 신용 평가 모델의 출력값 간의 차이값 및 차이값에 대한 오류 검출을 통해 후보 신용 평가 모델을 신용 평가 모델로 결정할지 여부를 결정할 수 있다.
도 5는 본 발명의 실시예에 따른 신용 평가부의 동작을 나타낸 개념도이다.
도 5에서는 신용 평가부에서 신용 평가 모델을 기반으로 신용 평가 데이터를 생성하는 방법이 개시된다.
도 5를 참조하면, 신용 평가부는 적어도 하나의 신용 평가 모델을 기반으로 판매자의 신용 평가를 통해 신용 평가 데이터(540)를 생성할 수 있다.
신용 평가부는 하나의 신용 평가 모델을 기반으로 판매자의 신용 평가 데이터를 생성할 수도 있으나, 신용 평가부는 판매자 특성 정보(500)를 기반으로 적응적으로 판매자에게 적용 가능한 타겟 신용 평가 모델(520)을 결정하고, 결정된 타겟 신용 평가 모델(520)을 기반으로 신용 평가 데이터(540)를 생성할 수 있다.
예를 들어, 판매자의 판매 상품, 판매자의 상품 판매 플랫폼, 판매자의 매출, 판매자의 순이익 등과 같은 판매자 정보를 기반으로 판매자 특성 정보(500)에 가장 적합한 신용 평가를 위한 타겟 신용 평가 모델(520)이 결정될 수 있다.
신용 평가부는 복수의 신용 평가 모델 각각에 피드백 정보를 기반으로 판매자 특성 정보에 따른 신용 평가 모델의 신뢰도를 결정할 수 있다. 또한, 신용 평가부는 복수의 신용 평가 모델 각각에 대해 판매자 특성 정보별 신뢰도 등급을 결정할 수 있다. 구체적으로 판매자 특성 정보(500)는 하위 판매자 특성 정보 각각을 기반으로 벡터화되고 공간 상에 표현될 수 있고, 공간 간의 거리 정보를 통해 판매자 특성 정보를 기반으로 판매자 그룹이 형성될 수 있고, 판매자 그룹별 신용 평가 데이터와 금융 서비스 결과 데이터를 비교하여 신용 평가 모델의 판매자 그룹별 신뢰도가 결정될 수 있다. 신뢰도 등급은 신용 평가 모델별 판매자 그룹에 대한 신뢰도의 통계적 특성을 고려하여 결정될 수 있다.
신용 평가부는 판매자 특성 정보를 기초로 상대적으로 높은 신뢰도 등급을 가지는 신용 평가 모델을 타겟 신용 평가 모델로서 결정하여 판매자에 대한 신용 평가 데이터를 생성할 수 있다.
도 6은 본 발명의 실시예에 따른 신용 평가 모델 관리부의 동작을 나타낸 개념도이다.
도 6에서는 신용 평가 모델 관리부에서 신용 평가 모델의 쉬프팅(또는 보정) 또는 신용 평가 모델의 교체를 결정하는 방법이 개시된다.
도 6을 참조하면, 신용 평가 모델에 의해 생성된 신용 평가 데이터가 금융 서비스 결과 데이터와 차이가 있는 경우, 신용 평가 모델 관리부는 신용 평가 모델의 쉬프팅 또는 신용 평가 모델의 교체를 수행할 수 있다.
신용 평가 모델 관리부는 신용 평가 모델의 신용 평가 데이터와 금융 서비스 결과 데이터의 비교를 통해 신용 평가 모델의 예측 정확도를 결정할 수 있다. 신용 평가 모델의 예측 정확도가 임계 정확도 이하인 경우, 신용 평가 모델 관리부는 신용 평가 모델을 관리 대상 신용 평가 모델로 결정할 수 있다.
신용 평가 모델 관리부는 관리 대상 신용 평가 모델에 대한 쉬프팅 또는 교체를 결정할 수 있다.
신용 평가 모델 쉬프팅은 관리 대상 신용 평가 모델의 신용 평가 데이터와 금융 서비스 결과 데이터 간의 차이는 존재하나, 그 차이가 음의 방향 또는 양의 방향으로 경향성을 가지고 임계 범위 내에서 존재하는 경우에 수행될 수 있다.
신용 평가 모델 교체는 관리 대상 신용 평가 모델의 신용 평가 데이터와 금융 서비스 결과 데이터 간의 차이는 존재하고, 그 차이가 음의 방향 또는 양의 방향으로 경향성을 가지지 않고, 임계 범위를 벋어나는 경우에 수행될 수 있다.
(1) 신용 평가 모델 쉬프팅(600)
1) 관리 대상 신용 평가 모델의 신용 평가 데이터보다 금융 서비스 결과 데이터가 금융 서비스 측면에서 긍정적인 경우
신용 평가 모델 쉬프팅(600)이 되지 않는 경우, 관리 대상 신용 평가 모델의 신용 평가 데이터를 기반으로 보수적인 금융 서비스(낮은 대출금, 높은 금리)가 제공될 수 있다. 따라서, 신용 평가 모델 쉬프팅(600)을 통해 신용 평가 데이터를 쉬프팅하여 신용 평가 데이터가 실제 금융 서비스 데이터에 가깝도록 설정할 수 있다.
2) 신용 평가 데이터보다 금융 서비스 결과 데이터가 금융 서비스 측면에서 부정적인 경우
신용 평가 모델 쉬프팅(600)이 되지 않는 경우, 관리 대상 신용 평가 모델의 신용 평가 데이터를 기반으로 리스크가 높은 금융 서비스(높은 대출금, 낮은 금리)가 제공될 수 있다. 따라서, 신용 평가 모델 쉬프팅(600)을 통해 신용 평가 데이터를 쉬프팅하여 신용 평가 데이터가 실제 금융 서비스 데이터에 가깝도록 설정할 수 있다.
(2) 신용 평가 모델 교체(620)
1) 신규 신용 평가 모델 생성
관리 대상 신용 평가 모델의 교체를 위해 신용 평가 데이터와 금융 서비스 결과 데이터가 피드백 데이터로서 신용 평가 모델 생성부로 전달되고, 신용 평가 모델 생성부에 의해 새롭게 생성된 신용 평가 모델로 교체가 진행될 수 있다.
2) 기존 신용 평가 모델 이용
기존 신용 평가 모델 중 교체 가능한 신용 평가 모델을 탐색하여 해당 신용 평가 모델로의 교체가 수행될 수 있다.
신용 평가 모델 중 관리 대상 신용 평가 모델로의 기존 입력값을 넣었을 때 실제 금융 서비스 결과와 비교하여 높은 예측 정확도를 가지거나, 신용 평가 모델 쉬프팅을 하는 경우, 실제 금융 서비스 결과를 높은 정확도로 예측 가능한 신용 평가 모델이 존재하는 경우, 해당 신용 평가 모델을 모델을 쉬프팅하여 교체할 수 있다.
도 7은 본 발명의 실시예에 따른 신용 평가 모델 관리부의 동작을 나타낸 개념도이다.
도 7에서는 신용 평가 모델 관리부에서 신용 평가 모델의 쉬프팅(또는 보정) 또는 신용 평가 모델의 교체를 결정하는 방법이 개시된다
도 7을 참조하면, 신용 평가 모델의 교체는 신용 평가 데이터의 분류에 따라 다르게 결정될 수 있다.
신용 평가 데이터는 고위험 클래스(710), 중위험 클래스(720), 저위험 클래스(730)로 구분될 수 있다. 고위험 클래스(710)일수록 금융 서비스를 제공시 디폴트의 확률이 높고, 저위험 클래스(730)일수록 금융 서비스를 제공시 디폴트의 확률이 낮을 수 있다.
신용 평가 모델의 신용 평가 데이터의 잘못된 판단이 누적되는 경우, 신용 평가 모델의 교체 및 업데이트가 결정될 수 있다. 고위험 클래스(710), 중위험 클래스(720), 저위험 클래스(730)로 갈수록 신용 평가 데이터의 오류가 발생되는 경우, 신용 평가 모델의 교체 및 업데이트가 필요하다고 판단될 수 있다. 예를 들어, 신용 평가 모델이 저위험 클래스(730)라고 평가하였는데, 실제로 금융 서비스에 문제가 발생한 경우가 신용 평가 모델이 고위험 클래스(710)라고 평가하였는데 실제로 금융 서비스에 문제가 발생한 경우보다 더욱 큰 문제일 수 있다.
신용 평가 모델 평가부는 저위험 클래스(730), 중위험 클래스(720), 고위험 클래스(710) 각각에 발생되는 금융 서비스 문제를 트래킹하여 누적할 수 있다. 저위험 클래스(730), 중위험 클래스(720), 고위험 클래스(710)에서 발생된 금융 서비스 문제를 누적하되, 고위험 클래스(710), 중위험 클래스(720), 저위험 클래스(730)로 갈수록 더 높은 가중치를 할당하여 신용 평가 모델의 평가값(750)을 기준값에서 마이너스하여 부정적으로 평가할 수 있다.
신용 평가 모델의 평가값(750)이 임계값 이하로 떨어지는 경우, 교체 또는 업데이트(또는 쉬프팅) 여부를 결정할 수 있다.
전술한 바와 같이 업데이트는 일부 보정값으로 신용 평가 데이터를 보정할 수 있는 경우이고, 교체는 일부 보정값으로 신용 평가 데이터를 보정할 수 있는 경우이다.
본 발명의 실시예에 따르면, 클래스별로 별도의 교체 또는 업데이트도 가능하다. 예를 들어, 저위험 클래스(730), 중위험 클래스(720), 고위험 클래스(710) 중 특정 클래스에만 금융 서비스 문제가 발생하는 경우, 해당 클래스에 대응되는 신용 평가 모델을 교체하거나 업데이트하고, 나머지 클래스의 경우, 신용 평가 모델을 그대로 유지할 수도 있다.
도 8은 본 발명의 실시예에 따른 신용 평가 모델 모니터링 방법을 나타낸 개념도이다.
도 8에서는 신용 평가 모델을 실시간으로 모니터링하기 위한 방법이 개시된다.
도 8을 참조하면, 특정 판매자에 대한 신용 평가 데이터(800)가 결정되고, 신용 평가 데이터(800)에 따른 금융 서비스가 제공된 이후, 판매자에 대한 트래킹이 수행될 수 있다. 판매자에 대한 트래킹은 판매자의 신용 평가 기초 데이터(810)의 변화 여부에 대한 트래킹, 금융 서비스 결과(820)에 대한 트래킹일 수 있다.
트래킹을 수행함에 있어서, 신용 평가 기초 데이터(810)의 생성 시점과 금융 서비스 결과(820)에 대한 평가 시점(840)은 복수로 설정될 수 있다.
또한, 복수의 평가 시점(840)을 설정함으로써 평가 시점(840)에 따라 발생되는 신용 평가 기초 데이터(810)와 금융 서비스 결과(820)에 대한 평가 오차가 감소될 수 있다.
신용 평가 기초 데이터(810)의 변화와 금융 서비스 결과(820)를 평가하는 시점은 주기적/비주기적으로 복수의 시점으로 설정되고, 복수의 평가 시점(840)의 평가 결과를 종합하여 금융 서비스 문제(850)의 발생 여부가 결정될 수 있다.
신용 평가 기초 데이터(810)의 변화와 금융 서비스 결과(820)를 평가하는 시점은 판매자 특성 정보(830)을 고려하여 결정될 수 있다. 계절성과 관련없는 상품을 판매하는 판매자의 매출 급감은 금융 서비스에 영향을 끼칠 수 있는 요소이나 계절성과 관련성을 가지는 상품을 판매하는 판매자의 매출 급감은 계절적인 요소를 고려하면 금융 서비스 상에 영향을 끼치지 않는 요소일 수 있다.
따라서, 판매자 특성 정보(830)를 고려하여 신용 평가 기초 데이터(810)의 변화와 금융 서비스 결과(820)를 평가하는 시점이 결정되고, 평가 시점에 따라 변화되는 결과가 금융 서비스 문제인지 여부를 판단하는 기준도 서로 다르게 설정될 수 있다.
도 9는 본 발명의 실시예에 따른 신용 평가 장치를 나타낸 개념도이다.
도 9에서는 판매자의 신용 평가 기초 데이터와 금융 서비스 결과를 모니터링하고, 신용 평가 모델을 업데이트하기 위한 신용 평가 장치가 개시된다.
도 9를 참조하면, 신용 평가 장치는 신용 평가부(910), 모니터링 정보 수집부(920), 클래스 분류부(930), 신용 평가 모델 평가부(940), 신용 평가 모델 관리부(950)를 포함할 수 있다.
신용 평가부(910)는 판매자 특성을 고려하여 결정된 신용 평가 모델을 기반으로 판매자의 신용 평가 데이터를 결정하기 위해 구현될 수 있다.
모니터링 정보 수집부(920)는 판매자의 신용 평가 기초 데이터와 금융 서비스 결과를 모니터링하고, 신용 평가 기초 데이터와 금융 서비스 결과를 수집하기 위해 구현될 수 있다. 모니터링 정보에 의해 수집된 신용 평가 기초 데이터와 금융 서비스 결과는 신용 평가 모델을 업데이트하거나 교체하기 위해 사용될 수 있다.
클래스 분류부(930)는 판매자의 신용 데이터를 기반으로 판매자의 클래스를 저위험 클래스, 중위험 클래스, 고위험 클래스로 분류하기 위해 구현될 수 있다.
신용 평가 모델 평가부(940)는 신용 평가 모델에 대한 평가를 위해 구현될 수 있다. 신용 평가 모델 평가부(940)는 저위험 클래스, 중위험 클래스, 고위험 클래스에 대응되는 판매자의 모니터링 정보(신용 평가 기초 데이터와 금융 서비스 결과)를 기반으로 판매자에게 적용된 신용 평가 모델을 평가하기 위해 구현될 수 있다.
신용 평가 모델 관리부(950)는 신용 평가 모델의 평가 결과를 기반으로 신용 평가 모델을 교체하거나 업데이트(또는 쉬프팅)하기 위해 구현될 수 있다.
도 10은 본 발명의 실시예에 따른 인공 지능 기반 신용 평가 모델 생성 방법을 나타낸 개념도이다.
도 10에서는 인공 지능 엔진을 기반으로 신용 평가 모델을 생성하는 방법이 개시된다.
도 10을 참조하면, 복수의 인공 지능 엔진의 확장 및/또는 계층화를 기반으로 신용 평가 모델이 생성될 수 있다.
신용 평가 모델을 구현하기 위한 인공 지능 엔진의 확장을 위해 우선적으로 기준이 되는 기준 인공 지능 엔진(1000)이 결정될 수 있다. 기준 인공 지능 엔진(1000)은 상대적으로 높은 신뢰도를 가지는 엔진이고, 기준 인공 지능 엔진(1000)을 기준으로 관련성을 가지는 관련 인공 지능 엔진(1010)이 확장되어 설정될 수 있다. 기준 인공 지능 엔진(1000)은 복수개로 설정될 수도 있다.
기준 인공 지능 엔진(1000)을 결정하기 위해서는 신용 평가 모델의 목적에 따른 판매자 특성이 고려되거나, 기준 인공 지능 엔진(1000)의 확장성이 고려될 수 있다. 기준 인공 지능 엔진(1000)이 인공 지능 엔진(제2 타입)인 경우, 기준 인공 지능 엔진(1000)의 확장성은 입력값을 고려한 인공 지능 엔진(제1 타입)의 연결 가능성 및 기준 인공 지능 엔진(1000)으로 입력되는 입력 데이터의 생성 빈도를 고려하여 결정될 수 있다. 기준 인공 지능 엔진(1000)이 인공 지능 엔진(제1 타입)인 경우, 기준 인공 지능 엔진(1000)으로 입력되는 입력 데이터의 생성 빈도가 고려될 수 있다.
기준 인공 지능 엔진(1000)의 결정 이후, 기준 인공 지능 엔진(1000)을 기준으로 다른 인공 지능 엔진을 연결하는 확장이 수행될 수 있다. 확장 절차를 통해 기준 인공 지능 엔진(1000)을 기준으로 신용 평가 데이터를 생성하기 위한 다른 관련 인공 지능 엔진이 연결될 수 있다.
본 발명에서는 신용 평가 모델을 생성시 인공 지능 엔진 각각을 모듈화(또는 부품화)하여 설계하고 모듈화(또는 부품화)된 신용 평가 모델을 개선하기 위한 인공 지능 엔진의 교체도 모듈 단위로 이루어질 수 있다.
신용 평가 모델을 구성하는 복수의 인공 지능 엔진은 핵심 모듈(1020), 관련 모듈(1030), 비핵심 모듈(1040)로 구분될 수 있다. 핵심 모듈(1020)은 기준 인공 지능 엔진이고, 관련 모듈(1030)은 기준 인공 지능 엔진을 기준으로 직접적으로 연결된 인공 지능 엔진일 수 있다. 핵심 모듈(1020) 및 관련 모듈(1030) 외에 다른 인공 지능 엔진은 비핵심 모듈(1040)로 구분될 수 있다.
또한 본 발명의 실시예에 따르면, 하나의 신용 평가 모델이 생성되되, 특정 판매자 그룹에 적용 가능한 특성화된 인공 지능 엔진이 계층화되어 배치될 수 있다. 즉, 복수의 인공 지능 엔진이 수직 방향으로 계층화되고, 판매자에 대한 신용 평가 데이터가 생성될 수 있다.
판매자 특성을 고려하지 않고, 범용적인 신용 평가 데이터를 생성하기 위해 생성된 인공 지능 엔진은 일반화 인공 지능 엔진(1075)이고, 일반화 인공 지능 엔진(1075)을 기반으로 형성된 신용 평가 모델은 일반화 신용 평가 모델(1070)이라는 용어로 표현될 수 있다. 판매자 특성을 고려하여 판매자에게 범용적인 신용 평가 데이터를 생성하기 위해 생성된 인공 지능 엔진은 특성화 인공 지능 엔진(1085)이고, 특성화 인공 지능 엔진(1085)을 기반으로 형성된 신용 평가 모델은 특성화 신용 평가 모델(1080)이라는 용어로 표현될 수 있다.
제1 계층(1050)는 판매자 특성에 상관없이 입력값을 기반으로 판매자의 신용 평가 데이터를 생성하는 일반화 신용 평가 모델(1070)로서 일반화 인공 지능 엔진(1075)을 기반으로 구현될 수 있다. 제2 계층(1060) 내지 제n 계층은 판매자 특성을 고려하여 판매자의 특성에 따라 생성된 특성화 신용 평가 모델(1080)로서 특성화 인공 지능 엔진(1085)을 포함할 수 있다.
이하, 본 발명에서는 신용 평가 모델을 구현하기 위한 인공 지능 엔진의 확장 및 계층화 방법이 개시된다.
도 11은 본 발명의 실시예에 따른 신용 평가 모델을 구현하기 위한 인공 지능 엔진의 확장을 나타낸 개념도이다.
도 11에서는 기준 인공 지능 엔진과 기준 인공 지능 엔진을 기반으로 한 인공 지능 엔진의 확장이 개시된다.
도 11을 참조하면, 인공 지능 엔진의 확장을 위해서 기준 인공 지능 엔진(1100)의 결정 이후, 기준 인공 지능 엔진(1100)의 입력값 및 출력값에 대응되는 다른 관련 인공 지능 엔진(1120)이 결정될 수 있다.
기준 인공 지능 엔진(1100)의 입력값으로 사용되는 하위 신용 평가 데이터가 다른 인공 지능 엔진을 기반으로 생성되는 경우, 기준 인공 지능 엔진(1100)과 연결할 관련 인공 지능 엔진(1120)에 대한 선택이 수행될 수 있다.
예를 들어, 하위 신용 평가 데이터A가 기준 인공 지능 엔진(1100)으로 입력되고, 하위 신용 평가 데이터A는 특정 인공 지능 엔진을 기반으로 생성되는 데이터일 수 있다. 이러한 경우, 하위 신용 평가 데이터A를 생성 가능한 복수의 인공 지능 엔진 중 기준 인공 지능 엔진(1100)과 연결될 관련 인공 지능 엔진(1120)이 선택될 수 있다. 관련 인공 지능 엔진(1120)의 선택을 위해 인공 지능 엔진의 신뢰도가 고려될 수 있다. 또한, 입력 데이터 간의 생성 사이클이 유사할수록 시간에 따른 판매자의 신용의 변화를 고려한 보다 정확한 신용 평가 결과가 생성될 수 있으므로 기준 인공 지능 엔진(1100)으로 입력되는 입력 데이터의 데이터 생성 사이클이 고려될 수 있다.
인공 지능 엔진의 신뢰도가 상대적으로 높을수록 관련 인공 지능 엔진으로 결정될 가능성이 상대적으로 증가되고, 인공 지능 엔진의 입력 데이터의 데이터 생성 사이클이 상대적으로 서로 유사할수록 관련 인공 지능 엔진(1120)으로 결정될 가능성이 상대적으로 증가될 수 있다.
본 발명에서는 신용 평가 데이터의 정확도를 높이기 위해 데이터 생성 사이클을 고려한 확장이 수행될 수 있다. 데이터 생성 사이클이 맞지 않는 경우, 생성된 신용 평가 데이터의 정확도가 낮아질 수 있다. 따라서, 데이터 생성 사이클을 맞출 수 있도록 인공 지능 엔진이 확장될 수 있다.
도 12는 본 발명의 실시예에 따른 신용 평가 모델을 구현하기 위한 인공 지능 엔진의 계층화를 나타낸 개념도이다.
도12에서는 신용 평가 모델을 구현하기 위한 인공 지능 엔진의 계층화가 계시된다.
도 12를 참조하면 신용 평가 모델의 제1 계층은 모든 판매자에게 적용 가능한 일반화 신용 평가 모델(1250)일 수 있다.
신용 평가 모델의 제2 계층 내지 제n 계층은 특정 판매자에게 적용되는 특성화 신용 평가 모델(1260)일 수 있다. 신용 평가 모델의 계층은 신용 평가 모델을 구성하는 인공 지능 엔진의 입력 및 출력에 있어서 서로 연결될 수 있고, 서로 연결된 입력 및 출력을 기반으로 피드백 결과를 공유한 학습이 수행되고, 출력된 신용 평가 데이터 간의 비교가 수행될 수 있다.
예를 들어, 제2 계층은 옷을 판매하는 판매자를 위한 신용 평가 모델로서 특성화 인공 지능 엔진 및/또는 일반화 인공 지능 엔진을 포함할 수 있다. 제2 계층에 포함되는 특성화 인공 지능 엔진과 일반화 인공 지능 엔진은 다른 계층 예를 들어, 제1 계층 또는 제3 계층 내지 제n 계층과 연결되어 공유될 수 있다. 즉, 하나의 계층에 포함되는 인공 지능 엔진은 다른 계층과 수직적으로 연결되어 신용 평가 데이터를 생성하기 위해 활용될 수 있다.
또한, 계층 간 인공 지능 엔진의 공유 외에 계층 간 인공 지능 엔진의 병렬적인 공유도 가능하다. 예를 들어, 제2 계층의 인공 지능 엔진과 병렬적으로 다른 계층의 인공 지능 엔진이 사용되어 서로 다른 신용 평가 데이터를 생성하도록 구현될 수도 있다.
이러한 계층 간의 인공 지능 엔진의 입력 및 출력 결과는 복수의 신용 평가 데이터를 생성할 수 있도록 하고, 판매자에게 금융 서비스를 제공하기 위해서 복수의 신용 평가 데이터가 활용될 수 있다.
도 12의 예시와 같이 제2 계층은 제1 계층, 제n 계층과 인공 지능 엔진을 공유하거나 병렬적으로 구성하여 신용 평가 모델을 생성할 수 있다. 공유되는 인공 지능 엔진은 공유 인공 지능 엔진(1200), 병렬적으로 배치되는 인공 지능 엔진은 병렬 인공 지능 엔진(1220)이라는 용어로 표현될 수 있다.
공유 인공 지능 엔진(1200)의 공유를 기반으로 생성된 신용 평가 데이터는 기준 신용 평가 데이터일 수 있다. 병렬 인공 지능 엔진(1220)의 병렬적인 배치를 기반으로 생성된 신용 평가 데이터는 추가 신용 평가 데이터일 수 있다. 추가 신용 평가 데이터의 신뢰도에 따라 병렬적인 배치를 한 병렬 인공 지능 엔진의 ON/OFF가 결정되고, 추가 신용 평가 데이터가 선택적으로 생성되어 판매자에게 금융 서비스를 제공하기 위해 활용될 수 있다.
예를 들어, 제1 인공 지능 엔진(1270)은 공유 인공 지능 엔진(1200)으로서 공유되어 사용되고, 제2 인공 지능 엔진(1280), 제3 인공 지능 엔진(1290) 각각은 병렬 인공 지능 엔진(1220)으로서 제2 계층, 제3 계층 상에 병렬적으로 배치된 경우가 가정될 수 있다. 병렬 인공 지능 엔진인 제2 인공 지능 엔진(1280), 제3 인공 지능 엔진(1290) 각각은 ON/OFF로 제어되어 다양한 신용 평가 데이터를 생성할 수 있다. 즉, 피드백 결과에 따라 병렬적으로 배치된 인공 지능 ON/OFF가 결정되고, 추가 신용 평가 데이터가 생성될 수 있다.
이뿐만 아니고, 공유 인공 지능 엔진(1200) 및/또는 병렬 인공 지능 엔진(1220)은 피드백 결과를 기반으로 추가적으로 설정될 수 있다. 또한, 본 발명에서는 인공 지능 엔진 각각에 대해 관련도를 기준으로 병렬 인공 지능 엔진(1220)이 페어로 정의되고, 페어로 정의된 인공 지능 엔진의 ON/OFF를 기반으로 다양한 조합을 통해 추가 신용 평가 데이터가 생성될 수 있다. 병렬 인공 지능 엔진(1220)의 ON/OFF는 병렬 인공 지능 엔진(1220)의 신뢰도를 고려하여 피드백 결과 임계 신뢰도 이상을 가지는 병렬 인공 지능 엔진(1220)이 임계 신뢰도 미만의 병렬 인공 지능 엔진(1220)보다 ON 상태로 동작할 확률이 높도록 조합하여 신용 평가 데이터가 생성될 수 있다.
도 13은 본 발명의 실시예에 따른 신용 평가 모델 평가 방법을 나타낸 개념도이다.
도 13에서는 신용 평가 모델에 대한 피드백 결과를 고려하여 신용 평가 모델을 평가하는 방법이 개시된다.
도 13을 참조하면, 신용 평가 모델의 평가는 모듈별로 수행될 수 있다.
전술한 바와 같이 신용 평가 모델을 구성하는 복수의 인공 지능 엔진은 핵심 모듈(1310), 관련 모듈(1320), 비핵심 모듈(1330)로 구분될 수 있다. 핵심 모듈(1310)은 기준 인공 지능 엔진이고, 관련 모듈(1320)은 기준 인공 지능 엔진을 기준으로 직접적으로 연결된 인공 지능 엔진일 수 있다. 핵심 모듈(1310) 및 관련 모듈(1320) 외에 다른 인공 지능 엔진은 비핵심 모듈(1330)로 분류될 수 있다.
본 발명의 신용 평가 모델의 평가는 핵심 모듈(1310), 관련 모듈(1320) 및 비핵심 모듈(1330)에 대하여 수행될 수 있다. 신용 평가 모델에 대한 평가를 위해서 신용 평가 데이터를 기반으로 한 금융 서비스에 대한 판단 결과가 잘못된 경우, 판단 오류를 발생시킨 모듈에 대한 서치가 수행될 수 있다.
판단 오류를 발생시킨 신용 평가 데이터를 구성하는 복수의 하위 신용 평가 데이터가 분할되고, 분할된 복수의 하위 신용 평가 데이터 중 판단 오류를 발생시킨 타겟 하위 신용 평가 데이터(1300)가 결정될 수 있다. 타겟 하위 신용 평가 데이터(1300)는 실제 금융 서비스 결과를 기반으로 한 실제 하위 신용 평가 데이터와 인공 지능 엔진에 의해 예측된 예측 하위 신용 평가 데이터 간의 오차를 고려하여 결정될 수 있다.
판단 오류를 발생시킨 타겟 하위 신용 평가 데이터(1300)의 결정 이후, 타겟 하위 신용 평가 데이터와 관련된 핵심 모듈(1310), 관련 모듈(1320) 또는 비핵심 모듈(1330)이 결정될 수 있다. 판단 오류의 전파가 시작된 판단 오류 시작 인공 지능 엔진(1350) 및 판단 오류에 영향을 받은 판단 오류 영향 인공 지능 엔진(1360)이 결정될 수 있다.
금융 서비스 결과를 결정한 신용 평가 데이터의 오류가 설정된 임계치를 넘어가는 경우, 판단 오류 시작 인공 지능 엔진(1350) 및 판단 오류에 영향을 받은 판단 오류 영향 인공 지능 엔진(1360)에 대한 교체 또는 쉬프팅이 수행될 수 있다. 교체 및 쉬프팅은 도 6에서 개시된 신용 평가 모델 관리부에서 신용 평가 모델의 쉬프팅(또는 보정) 또는 신용 평가 모델의 교체와 동일하게 수행될 수 있다.
도 14는 본 발명의 실시예에 따른 신용 평가 모델 교체 방법을 나타낸 개념도이다.
도 14에서는 판단 오류를 발생시킨 타겟 하위 신용 평가 데이터의 결정 이후, 타겟 하위 신용 평가와 관련된 핵심 모듈, 관련 모듈 또는 비핵심 모듈을 결정하는 방법 및 판단 오류의 전파가 시작된 판단 오류 시작 인공 지능 엔진 및 판단 오류에 영향을 받은 판단 오류 영향 인공 지능 엔진을 결정하는 방법이 개시된다.
도 14를 참조하면, 신용 평가 데이터의 신뢰도를 낮추는 인공 지능 엔진을 탐색하기 위해서는 신용 평가 데이터를 결정하는 하위 신용 평가 데이터를 생성하는 인공 지능 엔진이 역으로 탐색될 수 있다.
판매자에게 금융 서비스를 제공한 후 금융 서비스의 피드백 결과는 판매자의 신용 평가 데이터를 생성한 하위 신용 평가 데이터에 대한 피드백으로서 전달될 수 있다. 하위 신용 평가 데이터 중 잘못 판단된 하위 신용 평가 데이터를 생성한 인공 지능 엔진이 타겟 인공 지능 엔진일 수 있다.
타겟 인공 지능 엔진(1400)은 복수개일 수 있고, 복수개의 타겟 인공 지능 엔진(1400)은 판단 오류 시작 인공 지능 엔진 또는 오류 영향 인공 지능 엔진일 수 있다.
타겟 인공 지능 엔진(1400)의 결정 이후, 타겟 인공 지능 엔진(1400)의 잘못된 판단의 원인이 입력 데이터 오류(1440) 및/또는 인공 지능 엔진 오류(1460)로 판단될 수 있다.
타겟 인공 지능 엔진(1400)의 병렬 인공 지능 엔진(1420)이 동일한 오류 판단을 하는 경우, 입력 데이터 오류(1440)로 판단되고, 타겟 인공 지능 엔진(1400)의 병렬 인공 지능 엔진(1420)이 다른 판단을 하는 경우, 인공 지능 엔진 오류(1460)로 판단될 수 있다.
인공 지능 엔진 오류(1460)로 판단되는 경우, 타겟 인공 지능 엔진(1400)은 판단 오류 시작 인공 지능 엔진(1480)으로 설정되고, 입력 데이터 오류로 판단되는 경우, 타겟 인공 지능 엔진은 판단 오류 영향 인공 지능 엔진(1470)으로 설정될 수 있다. 판단 오류 시작 인공 지능 엔진(1480)에 대한 교체 및 판단 오류 영향 인공 지능 엔진(1470)에 대한 쉬프팅을 통해 신용 평가 모델의 정정이 가능할 수 있다.
이상 설명된 본 발명에 따른 실시예는 다양한 컴퓨터 구성요소를 통하여 실행될 수 있는 프로그램 명령어의 형태로 구현되어 컴퓨터 판독 가능한 기록 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 컴퓨터 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수 있다. 컴퓨터 판독 가능한 기록 매체의 예에는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등과 같은, 프로그램 명령어를 저장하고 실행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령어의 예에는, 컴파일러에 의하여 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용하여 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함된다. 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위하여 하나 이상의 소프트웨어 모듈로 변경될 수 있으며, 그 역도 마찬가지이다.
이상에서 본 발명이 구체적인 구성요소 등과 같은 특정 사항과 한정된 실시예 및 도면에 의하여 설명되었으나, 이는 본 발명의 보다 전반적인 이해를 돕기 위하여 제공된 것일 뿐, 본 발명이 상기 실시예에 한정되는 것은 아니며, 본 발명이 속하는 기술분야에서 통상적인 지식을 가진 자라면 이러한 기재로부터 다양한 수정과 변경을 꾀할 수 있다.
따라서, 본 발명의 사상은 상기 설명된 실시예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 또는 이로부터 등가적으로 변경된 모든 범위는 본 발명의 사상의 범주에 속한다고 할 것이다.
Claims (6)
- 신용 평가 모델 업데이트 또는 교체 방법은,
인공 지능 엔진 생성부가 신용 평가를 위한 복수의 인공 지능 엔진을 생성하는 단계;
신용 평가 모델 생성부가 상기 복수의 인공 지능 엔진을 기반으로 신용 평가 모델의 생성하는 단계; 및
신용 평가부가 상기 신용 평가 모델을 기반으로 판매자에 대한 신용 평가 데이터를 생성하는 단계를 포함하되,
상기 신용 평가 모델은 복수의 인공 지능 엔진의 확장 및/또는 계층화를 기반으로 생성되고,
상기 신용 평가 모델의 평가는 상기 신용 평가 모델을 구성하는 핵심 모듈, 관련 모듈 및 비핵심 모듈을 기반으로 수행되고,
상기 핵심 모듈은 기준 인공 지능 엔진이고,
상기 관련 모듈은 상기 기준 인공 지능 엔진을 기준으로 직접적으로 연결된 인공 지능 엔진이고,
상기 비핵심 모듈은 상기 핵심 모듈 및 상기 관련 모듈 외에 상기 신용 평가 모델을 구성하는 나머지 인공 지능 엔진이고,
상기 기준 인공 지능 엔진은 판매자의 특성 및 확장성을 고려하여 결정되고,
상기 확장성은 상기 기준 인공 지능 엔진이 인공 지능 엔진(제1 타입)인 경우, 상기 기준 인공 지능 엔진으로 입력되는 입력 데이터의 생성 빈도를 고려하여 결정되고,
상기 확장성은 상기 기준 인공 지능 엔진이 인공 지능 엔진(제2 타입)인 경우, 입력 데이터를 고려한 상기 인공 지능 엔진(제1 타입)의 연결 가능성 및 상기 기준 인공 지능 엔진으로 입력되는 상기 입력 데이터의 상기 생성 빈도를 고려하여 결정되고,
상기 인공 지능 엔진(제1 타입)은 전처리된 신용 평가 기초 데이터를 기반으로 하위 신용 평가 데이터를 결정하고,
상기 인공 지능 엔진(제2타입)은 입력되는 하위 신용 평가 데이터를 기반으로 다른 하위 신용 평가 데이터를 결정하는 것을 특징으로 하는 방법. - 제1항에 있어서,
상기 신용 평가 모델은 복수의 계층 상에 위치한 인공 지능 모델을 기반으로 구현되고,
상기 복수의 계층 중 제1 계층 상에는 모든 판매자에게 적용 가능한 일반화 인공 지능 엔진이 위치하고,
상기 복수의 계층 중 제2 계층 내지 제n 계층 상에는 특정 판매자에게 적용되는 특성화 인공 지능 엔진이 위치하고,
신용 평가 모델은 제1 계층 내지 제n 계층 상에 공유되는 공유 인공 지능 엔진 및 제1 계층 내지 제n 계층 각각에 병렬적으로 배치된 병렬 인공 지능 엔진을 기반으로 생성되고,
상기 공유 인공 지능 엔진을 기반으로 생성된 신용 평가 데이터는 기준 신용 평가 데이터이고, 상기 병렬 인공 지능 엔진을 기반으로 생성된 신용 평가 데이터는 추가 신용 평가 데이터이고,
상기 추가 신용 평가 데이터의 신뢰도에 따라 병렬적인 배치를 한 병렬 인공 지능 엔진의 ON/OFF가 결정되고,
상기 추가 신용 평가 데이터는 선택적으로 생성되어 상기 판매자에게 금융 서비스를 제공하기 위해 활용되는 것을 특징으로 하는 방법. - 제2 항에 있어서,
상기 신용 평가 모델에 대한 평가는 상기 신용 평가 데이터를 기반으로 한 금융 서비스에 대한 판단 결과가 잘못된 경우, 판단 오류를 발생시킨 모듈에 대한 서치를 통해 수행되고,
상기 서치는 상기 판단 오류를 발생시킨 상기 신용 평가 데이터를 구성하는 복수의 하위 신용 평가 데이터를 분할하고, 분할된 상기 복수의 하위 신용 평가 데이터 중 판단 오류를 발생시킨 타겟 하위 신용 평가 데이터를 결정하고, 상기 타겟 하위 신용 평가 데이터의 결정 이후, 상기 타겟 하위 신용 평가 데이터와 관련된 상기 핵심 모듈, 상기 관련 모듈 또는 상기 비핵심 모듈을 결정하고, 상기 판단 오류의 전파가 시작된 판단 오류 시작 인공 지능 엔진 및 상기 판단 오류에 영향을 받은 판단 오류 영향 인공 지능 엔진을 결정하는 것을 특징으로 하는 방법. - 인공 지능 기반 신용 평가 모델 생성하는 신용 평가 장치는,
신용 평가를 위한 복수의 인공 지능 엔진을 생성하도록 구현되는 인공 지능 엔진 생성부;
상기 복수의 인공 지능 엔진을 기반으로 신용 평가 모델의 생성하도록 구현되는 신용 평가 모델 생성부; 및
평가부가 상기 신용 평가 모델을 기반으로 판매자에 대한 신용 평가 데이터를 생성하도록 구현되는 신용 평가부를 포함하되,
상기 신용 평가 모델은 복수의 인공 지능 엔진의 확장 및/또는 계층화를 기반으로 생성되고,
상기 신용 평가 모델의 평가는 상기 신용 평가 모델을 구성하는 핵심 모듈, 관련 모듈 및 비핵심 모듈을 기반으로 수행되고,
상기 핵심 모듈은 기준 인공 지능 엔진이고,
상기 관련 모듈은 상기 기준 인공 지능 엔진을 기준으로 직접적으로 연결된 인공 지능 엔진이고,
상기 비핵심 모듈은 상기 핵심 모듈 및 상기 관련 모듈 외에 상기 신용 평가 모델을 구성하는 나머지 인공 지능 엔진이고,
상기 기준 인공 지능 엔진은 판매자의 특성 및 확장성을 고려하여 결정되고,
상기 확장성은 상기 기준 인공 지능 엔진이 인공 지능 엔진(제1 타입)인 경우, 상기 기준 인공 지능 엔진으로 입력되는 입력 데이터의 생성 빈도를 고려하여 결정되고,
상기 확장성은 상기 기준 인공 지능 엔진이 인공 지능 엔진(제2 타입)인 경우, 입력 데이터를 고려한 상기 인공 지능 엔진(제1 타입)의 연결 가능성 및 상기 기준 인공 지능 엔진으로 입력되는 상기 입력 데이터의 상기 생성 빈도를 고려하여 결정되고,
상기 인공 지능 엔진(제1 타입)은 전처리된 신용 평가 기초 데이터를 기반으로 하위 신용 평가 데이터를 결정하고,
상기 인공 지능 엔진(제2타입)은 입력되는 하위 신용 평가 데이터를 기반으로 다른 하위 신용 평가 데이터를 결정하는 것을 특징으로 하는 신용 평가 장치. - 제4항에 있어서,
상기 신용 평가 모델은 복수의 계층 상에 위치한 인공 지능 모델을 기반으로 구현되고,
상기 복수의 계층 중 제1 계층 상에는 모든 판매자에게 적용 가능한 일반화 인공 지능 엔진이 위치하고,
상기 복수의 계층 중 제2 계층 내지 제n 계층 상에는 특정 판매자에게 적용되는 특성화 인공 지능 엔진이 위치하고,
신용 평가 모델은 제1 계층 내지 제n 계층 상에 공유되는 공유 인공 지능 엔진 및 제1 계층 내지 제n 계층 각각에 병렬적으로 배치된 병렬 인공 지능 엔진을 기반으로 생성되고,
상기 공유 인공 지능 엔진을 기반으로 생성된 신용 평가 데이터는 기준 신용 평가 데이터이고, 상기 병렬 인공 지능 엔진을 기반으로 생성된 신용 평가 데이터는 추가 신용 평가 데이터이고,
상기 추가 신용 평가 데이터의 신뢰도에 따라 병렬적인 배치를 한 병렬 인공 지능 엔진의 ON/OFF가 결정되고,
상기 추가 신용 평가 데이터는 선택적으로 생성되어 상기 판매자에게 금융 서비스를 제공하기 위해 활용되는 것을 특징으로 하는 신용 평가 장치. - 제5 항에 있어서,
상기 신용 평가 모델에 대한 평가는 상기 신용 평가 데이터를 기반으로 한 금융 서비스에 대한 판단 결과가 잘못된 경우, 판단 오류를 발생시킨 모듈에 대한 서치를 통해 수행되고,
상기 서치는 상기 판단 오류를 발생시킨 상기 신용 평가 데이터를 구성하는 복수의 하위 신용 평가 데이터를 분할하고, 분할된 상기 복수의 하위 신용 평가 데이터 중 판단 오류를 발생시킨 타겟 하위 신용 평가 데이터를 결정하고, 상기 타겟 하위 신용 평가 데이터의 결정 이후, 상기 타겟 하위 신용 평가 데이터와 관련된 상기 핵심 모듈, 상기 관련 모듈 또는 상기 비핵심 모듈을 결정하고, 상기 판단 오류의 전파가 시작된 판단 오류 시작 인공 지능 엔진 및 상기 판단 오류에 영향을 받은 판단 오류 영향 인공 지능 엔진을 결정하는 것을 특징으로 하는 신용 평가 장치.
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220025364A KR102480518B1 (ko) | 2022-02-25 | 2022-02-25 | 신용평가 모델 업데이트 또는 교체 방법 및 장치 |
| KR1020220165685A KR20230127861A (ko) | 2022-02-25 | 2022-12-01 | 신용평가 모델 업데이트 또는 교체 방법 및 장치 |
| PCT/KR2023/001448 WO2023163405A1 (ko) | 2022-02-25 | 2023-02-01 | 신용평가 모델 업데이트 또는 교체 방법 및 장치 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220025364A KR102480518B1 (ko) | 2022-02-25 | 2022-02-25 | 신용평가 모델 업데이트 또는 교체 방법 및 장치 |
Related Child Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220165685A Division KR20230127861A (ko) | 2022-02-25 | 2022-12-01 | 신용평가 모델 업데이트 또는 교체 방법 및 장치 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102480518B1 true KR102480518B1 (ko) | 2022-12-23 |
Family
ID=84536440
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220025364A KR102480518B1 (ko) | 2022-02-25 | 2022-02-25 | 신용평가 모델 업데이트 또는 교체 방법 및 장치 |
| KR1020220165685A KR20230127861A (ko) | 2022-02-25 | 2022-12-01 | 신용평가 모델 업데이트 또는 교체 방법 및 장치 |
Family Applications After (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220165685A KR20230127861A (ko) | 2022-02-25 | 2022-12-01 | 신용평가 모델 업데이트 또는 교체 방법 및 장치 |
Country Status (2)
| Country | Link |
|---|---|
| KR (2) | KR102480518B1 (ko) |
| WO (1) | WO2023163405A1 (ko) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023163405A1 (ko) * | 2022-02-25 | 2023-08-31 | 주식회사 에이젠글로벌 | 신용평가 모델 업데이트 또는 교체 방법 및 장치 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102264571B1 (ko) * | 2020-10-30 | 2021-06-15 | 주식회사 애자일소다 | 계층 구조를 갖는 의사결정 에이전트 |
| KR102311787B1 (ko) * | 2021-01-06 | 2021-10-08 | 한전케이디엔주식회사 | Ai 모델의 성능 저하 방지를 위한 ai 모델 관리 장치 및 그 방법 |
| KR102336041B1 (ko) * | 2021-02-15 | 2021-12-06 | (주)오아시스비즈니스 | Ai기반 소상공인 신용평가 시스템 및 이를 이용한 신용 평가 방법 |
| KR20220000493A (ko) * | 2020-06-26 | 2022-01-04 | 주식회사 티앤엠테크 | 인공지능 모듈 플랫폼 서비스 제공 방법 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20210141123A (ko) * | 2020-05-15 | 2021-11-23 | 한국전자통신연구원 | 인공지능의 부분 학습 방법 및 이를 위한 장치 |
| KR102480518B1 (ko) * | 2022-02-25 | 2022-12-23 | 주식회사 에이젠글로벌 | 신용평가 모델 업데이트 또는 교체 방법 및 장치 |
-
2022
- 2022-02-25 KR KR1020220025364A patent/KR102480518B1/ko active IP Right Grant
- 2022-12-01 KR KR1020220165685A patent/KR20230127861A/ko unknown
-
2023
- 2023-02-01 WO PCT/KR2023/001448 patent/WO2023163405A1/ko unknown
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20220000493A (ko) * | 2020-06-26 | 2022-01-04 | 주식회사 티앤엠테크 | 인공지능 모듈 플랫폼 서비스 제공 방법 |
| KR102264571B1 (ko) * | 2020-10-30 | 2021-06-15 | 주식회사 애자일소다 | 계층 구조를 갖는 의사결정 에이전트 |
| KR102311787B1 (ko) * | 2021-01-06 | 2021-10-08 | 한전케이디엔주식회사 | Ai 모델의 성능 저하 방지를 위한 ai 모델 관리 장치 및 그 방법 |
| KR102336041B1 (ko) * | 2021-02-15 | 2021-12-06 | (주)오아시스비즈니스 | Ai기반 소상공인 신용평가 시스템 및 이를 이용한 신용 평가 방법 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023163405A1 (ko) * | 2022-02-25 | 2023-08-31 | 주식회사 에이젠글로벌 | 신용평가 모델 업데이트 또는 교체 방법 및 장치 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20230127861A (ko) | 2023-09-01 |
| WO2023163405A1 (ko) | 2023-08-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102567464B (zh) | 基于扩展主题图的知识资源组织方法 | |
| CN110968654B (zh) | 文本数据的地址类目确定方法、设备以及系统 | |
| KR101953190B1 (ko) | 복잡한 양자 또는 다자 상대방 관계를 탐색하기 위해 이용되는 다차원 재귀적 학습 과정 및 시스템 | |
| KR20230109072A (ko) | Cb 사 신용 평가 모델 생성 및 관리 자동화 방법 및 이러한 방법을 수행하는 장치 | |
| CN110334208B (zh) | 基于贝叶斯信念网络的lkj故障预测诊断方法和系统 | |
| US20220253725A1 (en) | Machine learning model for entity resolution | |
| EP4352670A1 (en) | Resource allocation optimization for multi-dimensional machine learning environments | |
| KR102480518B1 (ko) | 신용평가 모델 업데이트 또는 교체 방법 및 장치 | |
| CN115705322A (zh) | 一种数据库管理系统、数据处理方法及设备 | |
| KR101966558B1 (ko) | 장비 재고상태 및 수리부속 조달 요구를 시각화하는 시스템 및 방법 | |
| CN113435101A (zh) | 一种基于粒子群优化的支持向量机停电预测方法 | |
| Hilal et al. | Artificial intelligence based optimal functional link neural network for financial data Science | |
| CN111582313A (zh) | 样本数据生成方法、装置及电子设备 | |
| KR102499435B1 (ko) | 인공 지능 기반 신용 평가 모델 생성 방법 및 장치 | |
| CN115543762A (zh) | 一种磁盘smart数据扩充方法、系统及电子设备 | |
| US11487770B2 (en) | Sorting data elements of a given set of data elements | |
| CN111737319B (zh) | 用户集群的预测方法、装置、计算机设备和存储介质 | |
| KR102433936B1 (ko) | 신용 평가 모델의 실시간 모니터링 결과에 따른 업데이트 및 교체 방법 및 이러한 방법을 수행하는 장치 | |
| CN114662009A (zh) | 一种基于图卷积的工业互联网工厂协同推荐算法 | |
| JP7139723B2 (ja) | 選定プログラム、選定方法および選定装置 | |
| KR102221263B1 (ko) | 뇌기능 지식 베이스 자가 성장 시스템 및 방법 | |
| CN117290610B (zh) | 一种高校招生信息推荐方法和系统 | |
| KR102453979B1 (ko) | 세그먼트별 크레딧 투 맵을 생성하는 방법 및 이러한 방법을 수행하는 장치 | |
| KR102433930B1 (ko) | 세그먼트별 트래킹을 기반으로 크레딧 투 맵을 조정하는 방법 및 이러한 방법을 수행하는 장치 | |
| KR102433932B1 (ko) | 세그먼트별 크레딧 투 맵을 기반으로 금융 서비스를 제공하는 방법 및 이러한 방법을 수행하는 장치 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A107 | Divisional application of patent | ||
| GRNT | Written decision to grant |