KR102485528B1 - 금융 서비스를 위한 금융 모델 및 금융 데이터 가치 평가 방법 및 이러한 방법을 수행하는 장치 - Google Patents

금융 서비스를 위한 금융 모델 및 금융 데이터 가치 평가 방법 및 이러한 방법을 수행하는 장치 Download PDF

Info

Publication number
KR102485528B1
KR102485528B1 KR1020210148713A KR20210148713A KR102485528B1 KR 102485528 B1 KR102485528 B1 KR 102485528B1 KR 1020210148713 A KR1020210148713 A KR 1020210148713A KR 20210148713 A KR20210148713 A KR 20210148713A KR 102485528 B1 KR102485528 B1 KR 102485528B1
Authority
KR
South Korea
Prior art keywords
financial
segment
data
artificial intelligence
value
Prior art date
Application number
KR1020210148713A
Other languages
English (en)
Inventor
강정석
Original Assignee
주식회사 에이젠글로벌
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 에이젠글로벌 filed Critical 주식회사 에이젠글로벌
Priority to KR1020210148713A priority Critical patent/KR102485528B1/ko
Priority to PCT/KR2022/016483 priority patent/WO2023080531A1/ko
Priority to KR1020220165684A priority patent/KR20230063883A/ko
Application granted granted Critical
Publication of KR102485528B1 publication Critical patent/KR102485528B1/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble 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
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Software Systems (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Technology Law (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Tourism & Hospitality (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Operations Research (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

본 발명은 금융 서비스를 위한 금융 모델 및 금융 데이터 가치 평가 방법 및 이러한 방법을 수행하는 장치에 관한 것이다. 금융 서비스를 위한 금융 모델 및 금융 데이터 가치 평가 방법은 데이터 벨류 측정부가 금융 세그먼트 그룹의 금융 세그먼트 데이터 그룹을 기반으로 한 제1 데이터 벨류를 결정하는 단계, 데이터 벨류 측정부가 금융 세그먼트의 금융 세그먼트 데이터를 기반으로 한 제2 데이터 벨류를 결정하는 단계, 데이터 벨류 측정부가 하위 금융 세그먼트의 금융 세그먼트 데이터를 기반으로 한 제3 데이터 벨류를 결정하는 단계와 데이터 벨류 측정부가 제1 데이터 벨류, 제2 데이터 벨류 및 제3 데이터 벨류를 기반으로 금융 세그먼트 데이터의 벨류를 결정하는 단계를 포함할 수 있다.

Description

금융 서비스를 위한 금융 모델 및 금융 데이터 가치 평가 방법 및 이러한 방법을 수행하는 장치{Method for value evaluation of financial model and financial data for financial service and apparatus for performing the method}
본 발명은 금융 서비스를 위한 금융 모델 및 금융 데이터 가치 평가 방법 및 이러한 방법을 수행하는 장치에 관한 것이다. 보다 상세하게는 금융 서비스를 위한 인공 지능 모델 및 인공 지능 모델을 생성하기 위한 금융 데이터의 가치를 평가하기 위한 금융 서비스를 위한 금융 모델 및 금융 데이터 가치 평가 방법 및 이러한 방법을 수행하는 장치에 관한 것이다.
현재 인공 지능 기술의 적용 범위는 의료, 국방, 교육, 물류, 게임 등 다방면에 적용되기 시작하고 있다. 점차 인공 지능 기술이 발달하고, 보다 신뢰할 수 있는 인공 지능 기술이 보편화 되면서, 그 적용의 범위는 확대 가속화 될 것으로 예상된다. 특히, 인공 지능 기술은 금융 시장에도 그 변화의 큰 축을 담당할 것으로 예상하고 있다.
경제를 지탱하기 위해 필수적인 신용 창출 (Credit Creation)이라는 과정이 대출(Lending)을 통해서 이루어진다는 측면에서 인공 지능이 도입되면 그 파급 효과는 매우 클 것으로 예상하고 있다.
특히, 인공 지능 기술은 금융 시장에 보다 잘 적용되고 확산될 수 있는 여러가지 특징을 가지고 있다. 첫번째는, 경제 활동이 디지털화가 진행이 되면서 양질의 데이터들을 취득할 수 있는 루트가 많아지고 있다는 점, 두번째는, 인공 지능 기술을 통하여 병렬적으로 대량의 데이터를 정확하게 처리할 수 있는 기술이 발전되고 있다는 점, 세번째는 데이터 경제를 이루고 있는 다양한 플랫폼사들이 금융을 필요로 하지만 이러한 수요를 적절하게 공급하고 있는 금융 기관이 글로벌하게 많지 않다는 점이다.
특히 데이터 경제의 특성상 차주의 신용을 다양한 각도에서 실시간으로 필요한 시점에서 판단을 해야 하는 기능이 필요로 하는데, 이를 가능하게 하기 위한 인공 지능 기술에 대한 연구가 필요하다.
본 발명은 상술한 문제점을 모두 해결하는 것을 그 목적으로 한다.
또한, 본 발명은, 금융 데이터 및 금융 데이터를 기반으로 생성된 인공 지능 모델의 가치를 평가하여 이를 기반으로 한 데이터 거래 및 인공 지능 모델의 거래를 수행하기 위한 금융 데이터 및 인공 지능 모델의 가치 평가 방법을 제공하는 것을 목적으로 한다.
또한, 본 발명은, 금융 데이터, 금융 서비스를 위한 인공 지능 모델의 거래 시장을 형성하여 다양한 금융 서비스들이 금융 데이터 및 인공 지능 모델의 거래를 통해 제공될 수 있도록 하는 것을 목적으로 한다.
상기 목적을 달성하기 위한 본 발명의 대표적인 구성은 다음과 같다.
본 발명의 일 실시예에 따르면, 금융 서비스를 위한 금융 모델 및 금융 데이터 가치 평가 방법은 데이터 벨류 측정부가 금융 세그먼트 그룹의 금융 세그먼트 데이터 그룹을 기반으로 한 제1 데이터 벨류를 결정하는 단계, 상기 데이터 벨류 측정부가 금융 세그먼트의 금융 세그먼트 데이터를 기반으로 한 제2 데이터 벨류를 결정하는 단계, 상기 데이터 벨류 측정부가 하위 금융 세그먼트의 금융 세그먼트 데이터를 기반으로 한 제3 데이터 벨류를 결정하는 단계와 상기 데이터 벨류 측정부가 상기 제1 데이터 벨류, 상기 제2 데이터 벨류 및 상기 제3 데이터 벨류를 기반으로 금융 세그먼트 데이터의 벨류를 결정하는 단계를 포함할 수 있다.
한편, 상기 제1 데이터 벨류는 제1 하위 데이터 벨류1 및 제1 하위 데이터 벨류2를 포함하고, 상기 제1 하위 데이터 벨류1은 상기 금융 세그먼트 데이터 그룹이 특정 인공 지능 모델에 활용시 얼마나 높은 신뢰도 높은 인공 지능 모델이 생성되는지를 기반으로 결정되고, 상기 제1 하위 데이터 벨류2는 상기 금융 세그먼트 데이터 그룹이 얼마나 다양한 인공 지능 모델에서 범용적으로 활용 가능한지를 기반으로 결정되고, 상기 제2 데이터 벨류는 제2 하위 데이터 벨류1 및 제2 하위 데이터 벨류2를 포함하고, 상기 제2 하위 데이터 벨류1은 상기 금융 세그먼트의 금융 세그먼트 데이터가 특정 인공 지능 모델에 활용시 얼마나 높은 신뢰도 높은 인공 지능 모델이 생성되는지를 기반으로 결정되고, 상기 제2 하위 데이터 벨류2는 상기 금융 세그먼트의 금융 세그먼트 데이터가 얼마나 다양한 인공 지능 모델에서 범용적으로 활용 가능한지를 기반으로 결정되고, 상기 제3 데이터 벨류는 제3 하위 데이터 벨류1 및 제3 하위 데이터 벨류2를 포함하고, 상기 제3 하위 데이터 벨류1은 상기 하위 금융 세그먼트의 금융 세그먼트 데이터가 특정 인공 지능 모델에 활용시 얼마나 높은 신뢰도 높은 인공 지능 모델이 생성되는지를 기반으로 결정되고, 상기 제3 하위 데이터 벨류2는 상기 하위 금융 세그먼트의 금융 세그먼트 데이터가 얼마나 다양한 인공 지능 모델에서 범용적으로 활용 가능한지를 기반으로 결정될 수 있다.
또한, 금융 서비스를 위한 금융 모델 및 금융 데이터 가치 평가 방법은 상기 인공 지능 모델 벨류 측정부가 제1 모델 벨류 판단을 기반으로 제1 모델 벨류를 결정하는 단계, 상기 인공 지능 모델 벨류 측정부가 제2 모델 벨류 판단을 기반으로 제2 모델 벨류를 결정하는 단계, 상기 인공 지능 모델 벨류 측정부가 제3 모델 벨류 판단을 기반으로 제3 모델 벨류를 결정하는 단계를 더 포함하되, 상기 제1 모델 벨류는 인공 지능 모델의 신뢰도를 기반으로 결정되고, 상기 제2 모델 벨류는 인공 지능 모델의 개선 가능성을 기반으로 결정되고, 상기 제3 모델 벨류는 인공 지능 모델의 활용 범용성을 기반으로 결정될 수 있다.
본 발명의 다른 실시예에 따르면, 금융 서비스를 위한 금융 모델 및 금융 데이터 가치 평가를 수행하는 금융 서비스 인공 지능 모델 서비스 장치는 금융 세그먼트 그룹의 금융 세그먼트 데이터 그룹을 기반으로 한 제1 데이터 벨류를 결정하고, 금융 세그먼트의 금융 세그먼트 데이터를 기반으로 한 제2 데이터 벨류를 결정하고, 하위 금융 세그먼트의 금융 세그먼트 데이터를 기반으로 한 제3 데이터 벨류를 결정하고, 상기 제1 데이터 벨류, 상기 제2 데이터 벨류 및 상기 제3 데이터 벨류를 기반으로 금융 세그먼트 데이터의 벨류를 결정하는 데이터 벨류 측정부를 포함할 수 있다.
한편, 상기 제1 데이터 벨류는 제1 하위 데이터 벨류1 및 제1 하위 데이터 벨류2를 포함하고, 상기 제1 하위 데이터 벨류1은 상기 금융 세그먼트 데이터 그룹이 특정 인공 지능 모델에 활용시 얼마나 높은 신뢰도 높은 인공 지능 모델이 생성되는지를 기반으로 결정되고, 상기 제1 하위 데이터 벨류2는 상기 금융 세그먼트 데이터 그룹이 얼마나 다양한 인공 지능 모델에서 범용적으로 활용 가능한지를 기반으로 결정되고, 상기 제2 데이터 벨류는 제2 하위 데이터 벨류1 및 제2 하위 데이터 벨류2를 포함하고, 상기 제2 하위 데이터 벨류1은 상기 금융 세그먼트의 금융 세그먼트 데이터가 특정 인공 지능 모델에 활용시 얼마나 높은 신뢰도 높은 인공 지능 모델이 생성되는지를 기반으로 결정되고, 상기 제2 하위 데이터 벨류2는 상기 금융 세그먼트의 금융 세그먼트 데이터가 얼마나 다양한 인공 지능 모델에서 범용적으로 활용 가능한지를 기반으로 결정되고, 상기 제3 데이터 벨류는 제3 하위 데이터 벨류1 및 제3 하위 데이터 벨류2를 포함하고, 상기 제3 하위 데이터 벨류1은 상기 하위 금융 세그먼트의 금융 세그먼트 데이터가 특정 인공 지능 모델에 활용시 얼마나 높은 신뢰도 높은 인공 지능 모델이 생성되는지를 기반으로 결정되고, 상기 제3 하위 데이터 벨류2는 상기 하위 금융 세그먼트의 금융 세그먼트 데이터가 얼마나 다양한 인공 지능 모델에서 범용적으로 활용 가능한지를 기반으로 결정될 수 있다.
또한, 금융 서비스 인공 지능 모델 서비스 장치는 제1 모델 벨류 판단을 기반으로 제1 모델 벨류를 결정하고, 제2 모델 벨류 판단을 기반으로 제2 모델 벨류를 결정하고, 제3 모델 벨류 판단을 기반으로 제3 모델 벨류를 결정하도록 구현되는 인공 지능 모델 벨류 측정부를 더 포함하되, 상기 제1 모델 벨류는 인공 지능 모델의 신뢰도를 기반으로 결정되고, 상기 제2 모델 벨류는 인공 지능 모델의 개선 가능성을 기반으로 결정되고, 상기 제3 모델 벨류는 인공 지능 모델의 활용 범용성을 기반으로 결정될 수 있다.
본 발명에 의하면, 금융 데이터 및 금융 데이터를 기반으로 생성된 인공 지능 모델의 가치를 평가하여 이를 기반으로 한 데이터 거래 및 인공 지능 모델의 거래를 수행하기 위한 금융 데이터 및 인공 지능 모델의 가치가 평가될 수 있다.
또한, 본 발명에 의하면, 금융 데이터, 금융 서비스를 위한 인공 지능 모델의 거래 시장을 형성하여 다양한 금융 서비스들이 금융 데이터 및 인공 지능 모델의 거래를 통해 제공될 수 있다.
도 1은 본 발명의 실시예에 따른 금융 서비스 인공 지능 모델 서비스 장치를 나타낸 개념도이다.
도 2 및 도 3은 본 발명의 실시예에 따른 데이터 수집부의 동작을 나타낸 개념도이다.
도 4는 본 발명의 실시예에 따른 데이터 전처리부의 동작을 나타낸 개념도이다.
도 5는 본 발명의 실시예에 따른 후보 인공 지능 모델 생성부를 나타낸 개념도이다.
도 6은 본 발명의 실시예에 따른 인공 지능 모델 검증부를 나타낸 개념도이다.
도 7은 본 발명의 실시예에 따른 금융 세그먼트 관리부의 동작을 나타낸 개념도이다.
도 8은 본 발명의 실시예에 따른 금융 세그먼트 관리부의 동작을 나타낸 개념도이다.
도 9는 본 발명의 실시예에 따른 금융 세그먼트 관리부의 동작을 나타낸 개념도이다.
도 10은 본 발명의 실시예에 따른 데이터 벨류 측정부의 동작을 나타낸 개념도이다.
도 11은 본 발명의 실시예에 따른 인공 지능 모델 벨류 측정부의 동작을 나타낸 개념도이다.
도 12는 본 발명의 실시예에 따른 데이터 및 인공 지능 모델 거래 장치의 동작을 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.
본 발명의 실시예에 따른 금융 서비스를 위한 인공 지능 모델 생성 방법 및 이러한 방법을 수행하는 장치에서는 데이터를 기반으로 사용자를 대상으로 사용자의 특성을 구체적으로 고려하여 적응적으로 금융 서비스를 제공하기 위한 방법이 개시된다.
데이터 경제의 특성상, 차주의 신용을 다양한 각도에서 실시간으로 필요한 시점에서 판단해야 하는 기능이 필요로 하는데, 이를 가능하게 하기 위해서는 인공 지능 모델이 수백개, 수천개가 동시에 산출되고 비교되어야 하며 복수의 인공 지능 모델이 서로 상호 작용하여 스스로 판단하여 금융 서비스를 제공하기 위한 기술에 대한 개발이 필요하다.
본 발명에서는 금융 분야에서 개인에게 적응적으로 금융 서비스를 제공하기 위한 데이터 처리 방법 및 복수의 인공 지능 모델의 생성 방법이 개시된다.
도 1은 본 발명의 실시예에 따른 금융 서비스 인공 지능 모델 서비스 장치를 나타낸 개념도이다.
도 1에서는 금융 서비스를 위한 인공 지능 모델을 생성하기 위한 금융 서비스 인공 지능 모델 서비스 장치가 개시된다.
도 1을 참조하면, 금융 서비스 인공 지능 모델 서비스 장치는 데이터 수집부(100), 데이터 전처리부(110), 후보 인공 지능 모델 생성부(120), 후보 인공 지능 모델 검증부(130), 데이터 벨류 측정부(140), 인공 지능 모델 벨류 측정부(145), 인공 지능 모델 제공부(150), 금융 세그먼트 관리부(160) 및 프로세서(170)를 포함할 수 있다.
데이터 수집부(100)는 금융 서비스를 위한 데이터를 수집하기 위해 구현될 수 있다. 인공 지능 기반으로 금융 서비스를 제공하는 단위는 금융 세그먼트(segment)라는 용어로 표현될 수 있다. 금융 세그먼트는 최소로는 인공 지능 기반 금융 서비스를 제공받는 개인일 수도 있다. 금융 세그먼트는 특정 상품 단위로 설정될 수도 있고, 특정 지역, 특정 판매 매체, 특정 판매자 그룹 등 다양한 단위로 설정될 수 있다. 특정 금융 세그먼트는 다른 금융 세그먼트에 포함되거나, 다른 금융 세그먼트와 계층적인 구조를 가질 수 있다.
금융 세그먼트 및 금융 세그먼트 데이터의 구분을 위해 금융 세그먼트 별로 에 대한 별도의 식별자가 부여될 수 있고, 세그먼트 식별자가 금융 세그먼트에 의해 전송되는 금융 세그먼트 데이터에 포함될 수 있다. 또한, 금융 세그먼트 데이터는 데이터의 생성 시기에 대한 정보도 포함할 수 있다.
데이터 수집부(100)는 금융 세그먼트들로부터 금융 서비스를 제공하기 위한 기초 데이터인 금융 세그먼트 데이터를 수집할 수 있다.
데이터 전처리부(110)는 데이터 수집부(100)에 의해 수집된 금융 세그먼트 데이터를 전처리하기 위해 구현될 수 있다. 데이터 전처리부(110)는 금융 세그먼트 별로 데이터를 분류 및/또는 그룹핑하여 후보 인공 지능 모델을 학습시키기 위한 데이터로서 가공할 수 있다. 또한, 데이터 전처리부(110)는 금융 세그먼트 데이터의 생성 시간을 고려하여 데이터를 전처리할 수도 있다. 데이터 생성의 시계열성을 고려하여 금융 세그먼트 데이터를 분류 및 그룹핑하여 후보 인공 지능 모델의 학습을 위해 제공할 수 있다.
후보 인공 지능 모델 생성부(120)는 후보 인공 지능 모델을 생성하기 위해 구현될 수 있다. 후보 인공 지능 모델은 실제 금융 서비스에 제공되기 전에 전처리된 금융 세그먼트 데이터를 기반으로 학습을 진행하는 모델로서 실제적인 금융 서비스를 제공하기 전의 모델일 수 있다. 후보 인공 지능 모델 생성부(120)는 다양하게 분류 및 그룹핑된 전처리된 금융 세그먼트 데이터를 기반으로 학습을 수행하여 후보 인공 지능 모델을 생성할 수 있다. 후보 인공 지능 모델 생성부(120)의 구체적인 동작은 후술된다.
후보 인공 지능 모델 검증부(130)는 생성된 후보 인공 지능 모델에 대한 검증을 위해 구현될 수 있다. 후보 인공 지능 모델을 기반으로 금융 서비스를 진행 가능하지 여부에 대한 백테스트를 수행하고, 백테스트 결과 임계 신뢰도 이상의 신뢰도를 보이는 경우, 해당 후보 인공 지능 모델은 인공 지능 모델 제공부에서 금융 서비스 제공 가능한 인공 지능 모델로서 활용될 수 있다.
데이터 벨류 측정부(140)는 금융 세그먼트 데이터에 대한 가치의 측정을 위해 구현될 수 있다. 인공 지능 모델의 신뢰도에 따라 인공 지능 모델을 학습시킨 금융 세그먼트 데이터의 가치가 변화될 수 있다. 인공 지능 모델의 신뢰도가 상대적으로 높을수록 해당 금융 세그먼트 데이터에 대한 학습을 수행한 데이터에 대한 가치가 상대적으로 높게 설정될 수 있다. 데이터 벨류 측정부는 인공 지능 모델의 학습 결과를 기반으로 입력된 금융 세그먼트 데이터의 가치를 산정하도록 구현될 수 있다.
인공 지능 모델 벨류 측정부(145)는 인공 지능 모델의 벨류를 측정하기 위해 구현될 수 있다. 복수의 금융 세그먼트 각각에 대해 생성된 인공 지능 모델 및 복수의 금융 서비스 각각을 위해 생성된 인공 지능 모델 각각에 대한 벨류 측정이 수행될 수 있다.
인공 지능 모델 제공부(150)는 후보 인공 지능 모델 검증부에 의해 검증된 인공지능 모델을 금융 서비스에 제공하기 위해 구현될 수 있다. 인공 지능 모델 제공부(150)는 금융 세그먼트에 따라 다양한 인공 지능 모델을 조합하여 제공할 수 있고, 이러한 인공 지능 모델의 조합을 기반으로 금융 세그먼트에 대한 금융 서비스가 제공될 수 있다.
금융 세그먼트 관리부(160)는 금융 세그먼트의 관리를 위해 구현될 수 있다. 금융 세그먼트 관리부(160)는 복수의 금융 세그먼트 간의 관계에 따라 그룹핑 또는 계층 설정을 통해 금융 세그먼트 간의 관계를 설정할 수 있다. 복수의 금융 세그먼트 간의 그룹핑 또는 계층 설정은 인공 지능 모델의 학습을 위한 최적의 금융 세그먼트 데이터를 추출하기 위해 수행될 수 있다. 금융 세그먼트 간의 관계에 따라 다른 금융 세그먼트에서 발생된 금융 세그먼트 데이터가 다른 금융 세그먼트에 영향을 끼침으로써 다른 금융 세그먼트가 금융 세그먼트 데이터를 생성할 수도 있다.
프로세서(170)는 데이터 수집부(100), 데이터 전처리부(110), 후보 인공 지능 모델 생성부(120), 후보 인공 지능 모델 검증부(130), 데이터 밸류 측정부(140), 인공 지능 모델 벨류 측정부(145), 인공 지능 모델 제공부(150) 및 금융 세그먼트 관리부(160)의 동작을 제어하기 위해 구현될 수 있다.
도 2 및 도 3은 본 발명의 실시예에 따른 데이터 수집부의 동작을 나타낸 개념도이다.
도 2 및 도 3에서는 데이터 수집부가 금융 세그먼트 상에서 데이터를 수집하는 방법이 개시된다.
도 2를 참조하면, 데이터 수집부(270)는 복수의 금융 세그먼트(200) 각각에서 금융 세그먼트 데이터를 수집할 수 있다.
금융 세그먼트 데이터(220)는 금융 세그먼트 식별자 정보, 금융 세그먼트 데이터 발생 일자 정보, 금융 정보 등을 포함할 수 있다. 금융 세그먼트 식별자 정보는 금융 세그먼트 별로 식별을 위해 정의된 정보일 수 있다. 금융 세그먼트 데이터 발생 일자 정보는 금융 세그먼트 데이터(220)가 생성된 시점에 대한 정보를 포함할 수 있고, 금융 정보는 금융 서비스 또는 금융 서비스를 위한 인공 지능 모델의 학습을 위한 정보를 포함할 수 있다.
데이터 수집부(270)는 직접적으로 특정 금융 세그먼트에 대응되는 장치에서 금융 세그먼트 데이터(220)를 수집할 수도 있고, 금융 세그먼트 관리부(280)에 의해 설정된 금융 세그먼트 간의 관계를 기반으로 발생된 금융 세그먼트 데이터(220)를 수집할 수도 있다. 데이터 수집부(270)에 의해 직접적으로 금융 세그먼트(200)에 대응되는 장치에서 금융 세그먼트 데이터(220)를 수집하는 방법은 직접 금융 세그먼트 데이터 수집 방법(250)이라는 용어로 표현된다. 금융 세그먼트 관리부(280)에 의해 설정된 금융 세그먼트(200) 간의 관계를 기반으로 발생된 금융 세그먼트 데이터(220)를 수집하는 방법은 간접 금융 세그먼트 데이터 수집 방법(260)이라는 용어로 표현된다.
(1) 직접 금융 세그먼트 데이터 수집 방법(250)
직접 금융 세그먼트 데이터 수집 방법(250)에서 금융 세그먼트 데이터(220)는 금융 세그먼트(200)에게 특정 이벤트가 발생하거나 금융 세그먼트(200)를 기준으로 설정된 주기적/비주기적 전송을 기반으로 전송될 수 있다. 예를 들어, 금융 서비스의 대상인 특정 판매자(또는 셀러)와 관련된 판매자 장치에서 매출이 발생하는 경우와 같은 이벤트가 발생한 경우, 금융 세그먼트 데이터(220)가 전송될 수 있고, 특정 판매자 장치에 설정된 금융 세그먼트 데이터 전송 주기를 기반으로 금융 세그먼트 데이터(220)가 전송될 수 있다.
(2) 간접 금융 세그먼트 데이터 수집 방법(260)
간접 금융 세그먼트 데이터 수집 방법(260)은 금융 세그먼트 관리부(280)에 의해 설정된 금융 세그먼트(200) 간의 관계를 기반으로 발생된 금융 세그먼트 데이터(220)를 수집하는 방법이다.
금융 세그먼트(200)는 금융 세그먼트 관리부(280)에 의해 그룹핑되거나 계층을 이루어 관리될 수 있다. 예를 들어, 판매 상품이 옷의 경우, 남성옷에 대한 금융 세그먼트(200), 아동옷에 대한 금융 세그먼트(200), 여성옷에 대한 금융 세그먼트(200)로 분류되고, 이러한 복수의 금융 세그먼트(200)는 그룹핑되어 옷에 대한 금융 세그먼트(200)로 설정되거나, 상위 계층에 옷에 대한 금융 세그먼트(200)가 설정될 수 있다. 이러한 계층적 금융 세그먼트들은 금융 서비스 인공 지능 모델 서비스 장치 상에 설정된 가상의 모듈일 수 있다.
도 3을 참조하면, 금융 세그먼트가 계층을 이룬다고 가정할 경우, 계층1 내지 계층n으로 분화되어 상위 금융 세그먼트와 하위 금융 세그먼트가 설정될 수 있다.
하위 금융 세그먼트 상에서 금융 세그먼트 데이터가 발생하는 경우, 설정된 조건에 따라 상위 금융 세그먼트 상에서도 금융 세그먼트 데이터가 발생될 수 있다.
예를 들어, 계층5의 금융 세그먼트x(300) 상에서 금융 세그먼트 데이터1(305)이 발생될 수 있다. 예를 들어, 금융 세그먼트x(300)에 대응되는 특정 셀러의 매출 상의 변화 등과 같은 금융 서비스를 위한 금융 참조 데이터가 변화될 경우, 금융 세그먼트x(300)는 금융 세그먼트 데이터1(305)을 생성하여 데이터 수집부로 전송할 수 있다.
금융 세그먼트x(300)의 금융 세그먼트 데이터1(305)이 발생되는 경우, 우선, 금융 세그먼트x(300)의 상위 계층인 계층4의 금융 세그먼트y(310)로 금융 세그먼트 데이터1(305)이 전송될 수 있다.
금융 세그먼트y(310)는 금융 세그먼트 데이터1(305)을 기반으로 별도의 금융 세그먼트 데이터의 생성 여부에 대해 결정할 수 있다. 금융 세그먼트 데이터1(305)이 계층4에 대응되는 금융 세그먼트y(310)에서 별도의 금융 정보의 변화를 발생시키지 못하는 경우, 계층4에서 금융 세그먼트 데이터를 생성하지 않고, 수신한 금융 세그먼트 데이터1(305)은 저장되고, 추후 발생된 다른 금융 세그먼트 데이터와 결합하여 금융 세그먼트y(310)에서 별도의 금융 정보의 변화를 발생시키는지 여부를 판단할 수 있다.
반대로 금융 세그먼트 데이터1(305)이 계층4에 대응되는 금융 세그먼트y(310)에서 별도의 금융 정보의 변화를 발생시키는 경우, 계층4에서 금융 세그먼트 데이터2(315)를 생성하고, 금융 세그먼트 데이터2(315)는 데이터 수집부로 전송될 수 있다. 마찬가지 방식으로 금융 세그먼트 데이터2(315)는 금융 세그먼트y(310)의 상위 계층인 금융 세그먼트z(320)로 전송될 수 있다. 유사하게 금융 세그먼트z(320)는 금융 세그먼트 데이터1(305)을 기반으로 별도의 금융 세그먼트 데이터의 생성 여부에 대해 결정할 수 있다. 금융 세그먼트 데이터2(315)가 계층5에 대응되는 금융 세그먼트z(320)에서 별도의 금융 정보의 변화를 발생시키지 못하는 경우, 계층5에서 금융 세그먼트 데이터를 생성하지 않고, 수신한 금융 세그먼트 데이터2(315)는 저장되고, 추후 발생된 다른 금융 세그먼트 데이터와 결합하여 금융 세그먼트z(320)에서 별도의 금융 정보의 변화를 발생시키는지 여부가 판단될 수 있다. 반대로 금융 세그먼트 데이터2(305)가 계층3에 대응되는 금융 세그먼트z(320)에서 별도의 금융 정보의 변화를 발생시키는 경우, 계층3에서 금융 세그먼트 데이터3(325)을 생성하고, 금융 세그먼트 데이터3(325)은 데이터 수집부로 전송될 수 있다.
금융 세그먼트 관리부의 금융 세그먼트 관리 동작은 후술한다.
도 4는 본 발명의 실시예에 따른 데이터 전처리부의 동작을 나타낸 개념도이다.
도 4에서는 후보 인공 지능 모델을 학습시키기 위한 데이터 전처리부의 금융 세그먼트 데이터 전처리 동작이 개시된다.
도 4를 참조하면, 데이터 전처리부는 금융 세그먼트 데이터(400)에 포함된 금융 세그먼트 식별자(410)를 기반으로 금융 세그먼트 데이터(400)를 계층화할 수 있다.
전술한 바와 같이 직접 금융 세그먼트 데이터 수집 방법 및 간접 금융 세그먼트 데이터 수집 방법을 기반으로 금융 세그먼트 데이터(400)는 수집될 수 있고, 금융 세그먼트 데이터(400)에 포함된 금융 세그먼트 식별자(410)를 기반으로 계층화된 금융 세그먼트 데이터 구조(420)를 생성할 수 있다.
데이터 전처리부는 계층화된 금융 세그먼트 데이터 구조(420)를 기반으로 후보 인공 지능 모델을 생성하기 위한 금융 세그먼트 데이터 그룹(440)을 생성할 수 있다.
데이터 전처리부는 금융 세그먼트 데이터 그룹(440)을 결정하기 위해 후보 인공 지능 모델 피드백 정보(430)에 포함되는 후보 인공 지능 모델 신뢰도 정보, 후보 인공 지능 모델 학습 데이터 정보를 피드백 정보로서 활용할 수 있다. 구체적으로 금융 세그먼트 데이터 그룹(440)의 설정에 따라 후보 인공 지능 모델의 신뢰도는 변화될 수 있고, 이러한 신뢰도의 변화를 고려하여 금융 세그먼트 데이터 그룹(440)이 결정될 수 있다.
예를 들어, 특정 계층 미만의 금융 세그먼트 데이터(400)가 금융 세그먼트 데이터 그룹(440)에 포함되는 경우, 계층을 많이 포함할수록 신뢰도가 상대적으로 높아지나, 반대로 특정 계층 이상의 금융 세그먼트 데이터(400)가 금융 세그먼트 데이터 그룹(440)에 포함되는 경우, 계층을 많이 포함할수록 신뢰도가 상대적으로 낮아질 수 있다. 이러한 경우, 데이터 전처리부는 특정 계층 미만의 데이터만 금융 세그먼트 데이터 그룹(440)에 포함되도록 결정할 수 있다.
데이터 전처리되는 특정 계층은 세그먼트 특성별 후보 인공 지능 모델의 신뢰도를 고려하여 세그먼트 특성 별로 구분되어 세그먼트 특성 별로 서로 다른 계층으로 설정될 수도 있다.
또는, 금융 세그먼트 데이터(400)의 금융 정보에 복수의 하위 금융 정보가 포함되는 경우, 하위 금융 정보 중 후보 인공 지능 모델의 신뢰도를 높일 수 있는 하위 금융 정보가 세그먼트 특성별로 피드백될 수 있다. 데이터 전처리부는 이러한 피드백 정보를 기반으로 금융 세그먼트 데이터(400)에 포함된 복수의 하위 금융 정보 중 일부의 하위 금융 정보를 필터링하여 금융 세그먼트 데이터 그룹(440)을 결정할 수도 있다.
즉, 데이터 전처리부는 후보 인공 지능 모델 피드백 정보(430)에 포함되는 후보 인공 지능 모델 신뢰도 정보, 후보 인공 지능 모델 학습 데이터 정보를 고려하여 학습에 활용시 높은 신뢰도를 가지는 후보 인공 지능 모델을 생성할 수 있는 금융 세그먼트 데이터 그룹(440)을 결정할 수 있다.
전술한 바와 같이 데이터 전처리부는 신뢰도를 높이는 방향을 예측하여 금융 세그먼트 데이터 그룹(440)을 생성할 수도 있으나, 신뢰도를 고려하지 않고, 금융 세그먼트 데이터 그룹(440)을 생성할 수도 있다.
신뢰도를 높이는 방향을 예측하여 생성된 금융 세그먼트 데이터 그룹(440)은 제1 금융 세그먼트 데이터 그룹(450)이라는 용어로 정의되고, 신뢰도를 고려하지 않고 생성된 금융 세그먼트 데이터 그룹(440)은 제2 금융 세그먼트 데이터 그룹(460)이라는 용어로 정의될 수 있다.
예를 들어, 데이터 전처리부는 기존에 학습 데이터로서 활용되지 않았던 제2 금융 세그먼트 데이터 그룹(460)을 결정하여 후보 인공 지능 모델의 학습을 위해 제공할 수도 있다. 제2 금융 세그먼트 데이터 그룹(460)은 계속적으로 하나의 방향성으로 금융 세그먼트 데이터 그룹(440)이 형성되어 가질 수 있는 오버피팅의 문제점을 해결하고, 새로운 신뢰도 향상을 위한 금융 세그먼트 데이터 그룹(440)의 확인을 위해 활용될 수 있다.
데이터 전처리부는 학습을 위한 금융 세그먼트 데이터 그룹(440)을 생성시 학습 결과의 검증을 위한 금융 세그먼트 데이터 그룹(440)을 별도로 생성할 수 있다.
도 5는 본 발명의 실시예에 따른 후보 인공 지능 모델 생성부를 나타낸 개념도이다.
도 5에서는 금융 세그먼트 데이터 그룹을 기반으로 후보 인공 지능 모델을 생성하는 방법이 개시된다.
도 5를 참조하면, 후보 인공 지능 모델은 다양한 금융 서비스를 위해 개별적으로 또는 종합적으로 활용될 수 있다.
후보 인공 지능 모델은 목적에 따라 금융 세그먼트, 금융 서비스를 고려하여 분류되어 생성될 수 있다.
금융 세그먼트를 위한 후보 인공 지능 모델은 후보 인공 지능 모델(금융 세그먼트)(500)라는 용어로 표현되고, 금융 서비스를 위한 후보 인공 지능 모델은 후보 인공 지능 모델(금융 서비스)(550)라는 용어로 표현될 수 있다.
후보 인공 지능 모델(금융 세그먼트)(500), 후보 인공 지능 모델(금융 서비스)(550) 각각으로 복수의 금융 세그먼트 데이터 그룹 각각이 입력될 수 있다.
예를 들어, n개의 후보 인공 지능 모델(금융 세그먼트)(500)가 후보 인공 지능 모델(금융 세그먼트1) 내지 후보 인공 지능 모델(금융 세그먼트n)로서 존재할 수 있다.
후보 인공 지능 모델(금융 세그먼트1)로 후보 인공 지능 모델(금융 세그먼트1)을 위해 전처리된 n개의 금융 세그먼트 데이터 그룹 각각이 입력될 수 있다. 마찬가지 방식으로 후보 인공 지능 모델(금융 세그먼트n)으로 후보 인공 지능 모델(금융 세그먼트n)을 위해 전처리된 n개의 금융 세그먼트 데이터 그룹 각각이 입력될 수 있다.
유사한 방식으로 n개의 후보 인공 지능 모델(금융 서비스)(550)가 후보 인공 지능 모델(금융 서비스1) 내지 후보 인공 지능 모델(금융 서비스n)로서 존재할 수 있다.
후보 인공 지능 모델(금융 서비스1)로 후보 인공 지능 모델(금융 서비스1)을 위해 전처리된 n개의 금융 세그먼트 데이터 그룹 각각이 입력될 수 있다. 마찬가지 방식으로 후보 인공 지능 모델(금융 서비스n)으로 후보 인공 지능 모델(금융 서비스n)을 위해 전처리된 n개의 금융 세그먼트 데이터 그룹 각각이 입력될 수 있다.
즉, 본 발명에서는 후보 인공 지능 모델이 금융 세그먼트, 금융 서비스 각각에 대하여 복수의 금융 세금먼트 데이터 그룹을 학습 데이터로서 활용하여 생성될 수 있다.
도 6은 본 발명의 실시예에 따른 인공 지능 모델 검증부를 나타낸 개념도이다.
도 6에서는 생성된 후보 인공 지능 모델(600)에 대한 검증을 수행하는 인공 지능 모델 검증부(610) 및 인공 지능 모델 제공부(620)가 개시된다.
도 6을 참조하면, 전술한 바와 같이 후보 인공 지능 모델 검증부(610)는 생성된 후보 인공 지능 모델(600)에 대한 신뢰도 검증을 위해 구현될 수 있다. 후보 인공 지능 모델(600)을 기반으로 금융 서비스를 진행 가능하지 여부에 대한 백테스트를 수행하고, 백테스트 결과 임계 신뢰도 이상의 신뢰도를 보이는 경우, 해당 후보 인공 지능 모델(600)은 인공 지능 모델 제공부에서 금융 서비스 제공 가능한 인공 지능 모델로서 활용될 수 있다.
인공 지능 모델 검증부(610)는 생성된 후보 인공 지능 모델(600) 각각에 대하여 설정된 검증 금융 세그먼트 데이터를 활용하여 후보 인공 지능 모델(600) 각각에 대한 신뢰도를 결정할 수 있다.
복수의 금융 세그먼트 각각에 대응되어 학습된 후보 인공 지능 모델(600)의 임계 신뢰도(금융 세그먼트n)가 서로 다른 값으로 설정될 수 있고, 복수의 금융 서비스 각각에 대응되어 학습된 후보 인공 지능 모델(600)의 임계 신뢰도(금융 서비스n)가 서로 다른 값으로 설정될 수 있다.
임계 신뢰도(금융 세그먼트n), 임계 신뢰도(금융 서비스n) 각각은 기존에 금융 세그먼트n 및 금융 서비스n 각각에 적용되었던 인공 지능 모델의 신뢰도값으로 설정될 수 있다.
인공 지능 모델 제공부(620)는 기존에 금융 세그먼트n 및 금융 서비스n 각각에 적용되었던 인공 지능 모델의 신뢰도보다 높은 신뢰도를 가지는 후보 인공 지능 모델(600)을 인공 지능 모델로서 제공할 수 있다.
예를 들어, 금융 세그먼트1에 대한 특정 금융 세그먼트 데이터 그룹x를 기반으로 학습한 후보 인공 지능 모델a의 신뢰도가 기존에 금융 세그먼트1에 대해 사용되던 인공 지능 모델a1의 신뢰도보다 상대적으로 높은 경우, 인공 지능 모델 제공부는 후보 인공 지능 모델a를 금융 세그먼트1에 대한 인공 지능 모델로서 제공할 수 있다.
도 7은 본 발명의 실시예에 따른 금융 세그먼트 관리부의 동작을 나타낸 개념도이다.
도 7에서는 금융 세그먼트 관리부에서 금융 세그먼트 계층의 설정을 통해 복수의 금융 세그먼트 간의 관계를 설정하는 방법이 개시된다.
도 7을 참조하면, 금융 세그먼트 관리부는 후보 인공 지능 모델의 학습을 위한 금융 세그먼트 데이터 그룹을 결정하는 금융 세그먼트 간의 관계를 설정할 수 있다.
금융 세그먼트 관리부는 후보 인공지능 모델 피드백 정보를 기반으로 금융 세그먼트 계층을 변화시킬 수 있다. 전술한 바와 같이 후보 인공 지능 모델 피드백 정보는 후보 인공 지능 모델 신뢰도 정보, 후보 인공 지능 모델 학습 데이터 정보 등을 포함한다.
금융 세그먼트 관리부는 신뢰도 비교를 위해서 기존에 임계 신뢰도 이상의 인공 지능 모델을 생성하였던 기준 금융 세그먼트 데이터 그룹에 새로운 금융 세그먼트 데이터의 데이터를 추가하여 새롭게 정의된 금융 세그먼트 데이터 그룹이 신뢰도에 긍정적인 영향을 끼치는 여부에 대한 판단을 수행할 수 있다.
본 발명의 실시예에 따르면, 특정 금융 세그먼트 계층 상에 위치한 복수의 계층 각각 상에 적어도 하나의 금융 세그먼트는 그룹핑되어 기준 금융 세그먼트 그룹을 형성할 수 있다. 기준 금융 세그먼트 그룹의 금융 세그먼트 데이터는 기준 금융 세그먼트 데이터 그룹이고, 기준 금융 세그먼트 데이터 그룹에 대응되는 적어도 하나의 기준 인공 지능 모델이 존재할 수 있다.
기준 금융 세그먼트 데이터 그룹은 임계 신뢰도 이상으로 기준 인공 지능 모델을 학습시킬 수 있는 데이터의 집합일 수 있다. 기준 인공 지능 모델은 기준 금융 세그먼트 데이터 그룹으로 학습시 임계 신뢰도 이상을 가지는 인공 지능 모델일 수 있다.
본 발명에서는 새로운 타겟 금융 세그먼트의 금융 세그먼트 계층 상의 위치 결정을 위해 기준 금융 세그먼트 데이터 그룹에 타겟 금융 세그먼트 데이터를 포함한 타겟 금융 세그먼트 그룹을 사용한 학습이 기준 인공 지능 모델에 긍정적인 변화를 가지고 오는지 여부에 대한 판단이 수행될 수 있다.
타겟 금융 세그먼트는 긍정적으로 기준 인공 지능 모델에 가장 높은 양의 신뢰도의 변화를 가지고 오는 위치에 위치하도록 타겟 금융 세그먼트의 계층, 타겟 금융 세그먼트가 포함되는 기준 금융 세그먼트 그룹이 결정될 수 있다. 만약, 금융 세그먼트 계층 상에서 임계 신뢰도 이상의 양의 변화를 가지고 오는 위치라면 타겟 금융 세그먼트는 중복하여 복수의 금융 세그먼트 계층, 복수의 기준 금융 세그먼트 그룹에 위치할 수 있다.
예를 들어, 동일한 계층의 금융 세그먼트A(760), 금융 세그먼트B(770)이 기준 금융 세그먼트 그룹x(710)로 설정되고, 금융 세그먼트 데이터A 및 금융 세그먼트 데이터B가 기준 금융 세그먼트 데이터 그룹으로 설정될 수 있다.
또한, 새로운 타겟 금융 세그먼트C(780)의 위치를 결정하기 위해 타겟 금융 세그먼트C(780)의 초기 위치가 금융 세그먼트A(760), 금융 세그먼트B(770)와 동일한 계층에 위치하고, 동일한 기준 금융 세그먼트 그룹에 포함되는 것으로 설정될 수 있다.
이러한 경우, 금융 세그먼트A(760), 금융 세그먼트B(770), 타겟 금융 세그먼트C(780) 기반의 타겟 금융 세그먼트 그룹 y(720)로 설정되고, 타겟 금융 세그먼트 그룹 데이터는 기준 인공 지능 모델A(750)의 학습을 위해 사용될 수 있다.
타겟 금융 세그먼트 그룹y(720)를 기반으로 한 기준 인공 지능 모델A(750)의 학습 결과가 양의 신뢰도 변화를 가지는 경우, 타겟 금융 세그먼트C(780)는 금융 세그먼트A(760), 금융 세그먼트B(770)와 동일한 계층 및 동일한 기준 금융 세그먼트 그룹으로 설정될 수 있다.
반대로 , 타겟 금융 세그먼트 그룹y(720)를 기반으로 한 기준 인공 지능 모델A(750)의 학습 결과가 음의 신뢰도 변화를 가지는 경우, 타겟 금융 세그먼트C(780)는 다른 위치로 조정될 수 있다. 타겟 금융 세그먼트의 위치를 조정하는 방법은 도 8에서 후술한다.
도 8은 본 발명의 실시예에 따른 금융 세그먼트 관리부의 동작을 나타낸 개념도이다.
도 8에서는 금융 세그먼트 관리부에서 타겟 금융 세그먼트의 금융 세그먼트 계층 및 금융 세그먼트 그룹을 결정하기 위한 방법이 개시된다.
도 8을 참조하면, 금융 세그먼트 관리부는 타겟 금융 세그먼트의 초기 위치를 결정할 수 있다(단계 S800).
타겟 금융 세그먼트의 초기 위치는 금융 세그먼트에 대응되는 상품, 판매자, 판매 매체 등과 같은 타겟 금융 세그먼트의 특성을 고려하여 설정될 수 있다. 초기 위치는 복수개로 설정될 수도 있다.
타겟 금융 세그먼트의 초기 위치에 대응되는 기준 금융 세그먼트 그룹을 기반으로 설정된 타겟 금융 세그먼트 그룹의 타겟 금융 세그먼트 그룹 데이터가 기준 인공 지능 모델에 입력되고 신뢰도 검증이 수행될 수 있다. 초기 위치에서 타겟 금융 세그먼트 그룹을 기반으로 한 기준 인공 지능 모델의 학습이 양의 신뢰도 향상을 가지는 경우, 타겟 금융 세그먼트 그룹은 초기 위치에 위치할 수 있다.
반대로 초기 위치에서 타겟 금융 세그먼트 그룹 기반의 기준 인공 지능 모델의 학습이 양의 신뢰도 향상을 보이지 않는 경우, 타겟 금융 세그먼트 그룹은 초기 위치에 대응되는 계층 상에서 다른 기준 금융 세그먼트 그룹으로 이동하거나 상위 계층의 금융 세그먼트로 이동하여 다시 신뢰도 검증이 수행될 수 있다.
(1) 제1 타겟 금융 세그먼트 조정(S810)
제1 타겟 금융 세그먼트 조정(단계 S810)은 동일 계층이되 다른 기준 금융 세그먼트 그룹으로 이동일 수 있다. 즉, 상하 이동이 아닌 동일 계층 상에서 좌우 이동을 통해 타겟 금융 세그먼트의 위치가 조정될 수 있다.
다른 기준 금융 세그먼트 그룹에 타겟 금융 세그먼트를 더한 타겟 금융 세그먼트 그룹 데이터가 다른 기준 금융 세그먼트 그룹에 대응되는 다른 기준 인공 지능 모델에 입력되고, 신뢰도 검증이 수행될 수 있다. 초기 위치 이후 동일 계층의 다른 기준 금융 세그먼트 그룹으로 조정된 위치는 제1 조정 위치라는 용어로 표현될 수 있다.
만약,제1 조정 위치에서 타겟 금융 세그먼트 그룹 기반의 다른 기준 인공 지능 모델의 학습이 양의 신뢰도 향상을 보이는 경우, 타겟 금융 세그먼트는 제1 조정 위치로 설정될 수 있다.
반대로, 제1 조정 위치에서 타겟 금융 세그먼트 그룹 기반의 다른 기준 인공 지능 모델의 학습이 양의 신뢰도 향상을 보이지 않는 경우, 또 다른 제1 조정 위치로 이동하여 또 다른 기준 금융 세그먼트 그룹을 기반으로 한 신뢰도 판단이 수행될 수 있다.
만약, 제1 조정 위치와 같은 동일 계층 상의 이동을 통해 신뢰도 향상이 되지 않는 경우, 타겟 금융 세그먼트의 위치는 계층을 변경하는 제2 타겟 금융 세그먼트 조정을 통해 조정될 수 있다.
(2) 제2 타겟 금융 세그먼트 조정(단계 S820)
제2 타겟 금융 세그먼트 조정(단계 S820)은 다른 계층으로의 조정일 수 있다. 예를 들어, 상위 계층으로 타겟 금융 세그먼트가 이동하고, 상위 계층에서 다시 제1 타겟 금융 세그먼트 조정과 같은 동일 계층 상의 이동을 수행하면서 신뢰도 판단이 수행될 수 있다.
이러한 방식으로 타겟 금융 세그먼트는 인공 지능 모델의 신뢰도를 높일 수 있는 계층 및 그룹에 포함될 수 있고, 금융 세그먼트 계층 상에서 금융 세그먼트가 학습 신뢰도를 높일 수 있는 방향으로 배치될 수 있다. 따라서, 결과적으로 개별 금융 세그먼트에 대해 보다 정확하게 적응적으로 금융 서비스의 제공이 가능하다.
도 9는 본 발명의 실시예에 따른 금융 세그먼트 관리부의 동작을 나타낸 개념도이다.
도 9에서는 금융 세그먼트 관리부가 금융 세그먼트의 분할을 수행하는 방법이 개시된다.
도 9를 참조하면, 금융 세그먼트의 분할은 금융 세그먼트 데이터(910)를 기반으로 한 학습 결과 통해 결정될 수 있다.
예를 들어, 특정 금융 세그먼트(900)의 신규 금융 세그먼트 데이터(910)가 계속적으로 발생 및 누적되는 경우, 새롭게 생성된 신규 금융 세그먼트 데이터(910)를 기반으로 세그먼트 분할 판단 인공 지능 모델(920)에 대한 학습이 수행될 수 있다. 세그먼트 분할 판단 인공 지능 모델(920)은 금융 세그먼트의 분할 여부를 결정하기 위한 모델일 수 있다.
신규 금융 세그먼트 데이터(910)의 누적에 따라 세그먼트 분할 판단 인공 지능 모델(920)의 신뢰도가 감소되는 경우, 금융 세그먼트(900)에 대한 분할을 진행할지 여부를 판단할 수 있다. 새롭게 생성되어 세그먼트 분할 판단 인공 지능 모델(920)의 신뢰도를 감소시키는 신규 금융 세그먼트 데이터(910)가 금융 세그먼트(900)에 포함되는 적어도 하나의 특정 하위 금융 세그먼트(예를 들어, 하위 금융 세그먼트2(950))로 인한 것이라면, 특정 하위 금융 세그먼트를 별도의 금융 세그먼트로 분할할 수 있다.
신규 금융 세그먼트 데이터(910)를 하위 금융 세그먼트 별로 분리하여 어떠한 하위 금융 세그먼트에 의해 발생되는 신규 금융 세그먼트 데이터(910)가 세그먼트 분할 판단 인공 지능 모델(920)의 신뢰도를 감소시키는지에 대한 판단이 수행되고, 세그먼트 분할 판단 인공 지능 모델(920)의 신뢰도를 임계값 이상 감소시키는 하위 금융 세그먼트는 분할하여 독립 금융 세그먼트(960)로 설정될 수 있다. 독립 금융 세그먼트(960)는 도 7 및 도 8에서 전술한 절차를 금융 세그먼트 계층 상에서 수행하여 금융 세그먼트 계층 상에 위치할수 있다.
도 10은 본 발명의 실시예에 따른 데이터 벨류 측정부의 동작을 나타낸 개념도이다.
도 10에서는 데이터 벨류 측정부가 금융 세그먼트 데이터의 가치를 측정하는 방법이 개시된다.
도 10을 참조하면, 데이터 벨류 측정부는 금융 세그먼트 데이터에 대한 가치의 측정을 위해 구현될 수 있다. 인공 지능 모델의 신뢰도에 따라 인공 지능 모델을 학습시킨 금융 세그먼트 데이터의 가치가 변화될 수 있다. 인공 지능 모델의 신뢰도가 상대적으로 높을수록 해당 금융 세그먼트 데이터에 대한 학습을 수행한 데이터에 대한 가치가 상대적으로 높게 설정될 수 있다. 데이터 벨류 측정부는 인공 지능 모델의 학습 결과를 기반으로 입력된 금융 세그먼트 데이터의 가치를 산정하도록 구현될 수 있다.
데이터 벨류를 측정하기 위해 임계 신뢰도 이상의 인공 지능 모델을 생성한 금융 세그먼트 그룹의 금융 세그먼트 데이터 그룹이 추출될 수 있다. 금융 세그먼트 데이터 그룹은 복수의 금융 세그먼트를 포함하는 금융 세그먼트 그룹에서 발생된 데이터일 수 있다. 복수의 금융 세그먼트 각각은 적어도 하나의 하위 금융 세그먼트를 포함할 수 있다.
데이터 벨류 측정부는 1차적으로 복수의 금융 세그먼트를 포함하는 금융 세그먼트 그룹(1050)의 금융 세그먼트 데이터 그룹(1055)에 대한 제1 데이터 벨류 측정(1010)을 수행할 수 있다. 금융 세그먼트 데이터 그룹(1055)의 제1 데이터 벨류(1010)는 금융 세그먼트 데이터 그룹(1055)을 사용한 인공 지능 모델의 학습 결과를 기반으로 결정될 수 있다.
금융 세그먼트 데이터 그룹(1055)으로 특정 인공 지능 모델을 학습시 상대적으로 높은 신뢰도를 보일수록 제1 데이터 벨류(1010)는 상대적으로 높은 값으로 설정될 수 있다. 또한, 금융 세그먼트 데이터 그룹(1055)이 다양한 인공 지능 모델에 활용 가능하여 다양한 인공 지능 모델에 대한 학습시 활용 가능하고, 다양한 인공 지능 모델이 상대적으로 높은 신뢰도를 보일수록 제1 데이터 벨류는 상대적으로 높은 값으로 설정될 수 있다.
제1 데이터 벨류(1010)는 제1 하위 데이터 벨류1(1013), 제1 하위 데이터 벨류2(1016)를 포함할 수 있다. 제1 하위 데이터 벨류1(1013)는 금융 세그먼트 데이터 그룹(1050)이 특정 인공 지능 모델에 활용시 얼마나 높은 신뢰도 높은 인공 지능 모델이 생성될지를 기반으로 결정되는 가치이다. 제1 하위 데이터 벨류2(1016)는 금융 세그먼트 데이터 그룹(1050)이 얼마나 다양한 인공 지능 모델에서 범용적으로 활용 가능한지를 고려한 가치이다.
데이터 벨류 측정부는 2차적으로 금융 세그먼트 데이터(1065)의 제2 데이터 벨류 측정을 수행할 수 있다. 제2 데이터 벨류 측정은 금융 세그먼트 그룹에 포함되는 복수의 금융 세그먼트 각각의 금융 세그먼트 데이터(1065)에 대한 가치 측정일 수 있다. 금융 세그먼트 데이터(1065)의 제2 데이터 벨류(1020)는 금융 세그먼트 데이터(1065)를 사용한 인공 지능 모델의 학습 결과를 기반으로 결정될 수 있다.
금융 세그먼트 데이터(1065)로 특정 인공 지능 모델을 학습시 상대적으로 높은 신뢰도를 보일수록 제2 데이터 벨류(1020)는 상대적으로 높은 값으로 설정될 수 있다. 또한, 금융 세그먼트 데이터(1065)가 다양한 인공 지능 모델에 활용 가능하여 다양한 인공 지능 모델에 대한 학습시 활용 가능하고, 다양한 인공 지능 모델이 상대적으로 높은 신뢰도를 보일수록 제2 데이터 벨류(1020)는 상대적으로 높은 값으로 설정될 수 있다.
제2 데이터 벨류(1020)는 제2 하위 데이터 벨류1(1023), 제2 하위 데이터 벨류2(1026)를 포함할 수 있다. 제2 하위 데이터 벨류1(1023)은 금융 세그먼트 데이터(1065)가 특정 인공 지능 모델에 활용시 얼마나 높은 신뢰도 높은 인공 지능 모델이 생성될지를 기반으로 결정되는 가치이다. 제2 하위 데이터 벨류2(1026)는 금융 세그먼트 데이터(1065)가 얼마나 다양한 인공 지능 모델에서 범용적으로 활용 가능한지를 고려한 가치이다.
데이터 벨류 측정부는 3차적으로 하위 금융 세그먼트 데이터(1075)의 제3 데이터 벨류 측정을 수행할 수 있다. 제3 데이터 벨류 측정은 금융 세그먼트에 포함되는 적어도 하나의 하위 금융 세그먼트 각각의 금융 세그먼트 데이터(1075)에 대한 가치 측정일 수 있다. 하위 금융 세그먼트(1070)의 금융 세그먼트 데이터(1075)에 대한 제3 데이터 벨류(1030)는 하위 금융 세그먼트(1070)의 금융 세그먼트 데이터(1075)를 사용한 인공 지능 모델의 학습 결과를 기반으로 결정될 수 있다.
하위 금융 세그먼트(1070)의 금융 세그먼트 데이터(1075)로 특정 인공 지능 모델을 학습시 상대적으로 높은 신뢰도를 보일수록 제3 데이터 벨류(1030)는 상대적으로 높은 값으로 설정될 수 있다. 또한, 하위 금융 세그먼트(1070)의 금융 세그먼트 데이터(1075)가 다양한 인공 지능 모델에 활용 가능하여 다양한 인공 지능 모델에 대한 학습시 활용 가능하고, 다양한 인공 지능 모델이 상대적으로 높은 신뢰도를 보일수록 제3 데이터 벨류(1030)는 상대적으로 높은 값으로 설정될 수 있다.
제3 데이터 벨류(1030)는 제3 하위 데이터 벨류1(1033), 제2 하위 데이터 벨류2(1036)를 포함할 수 있다. 제3 하위 데이터 벨류1(1033)은 하위 금융 세그먼트(1070)의 금융 세그먼트 데이터(1075)가 특정 인공 지능 모델에 활용시 얼마나 높은 신뢰도 높은 인공 지능 모델이 생성될지를 기반으로 결정되는 가치이다. 제3 하위 데이터 벨류2(1036)는 하위 금융 세그먼트(1070)의 금융 세그먼트 데이터(1075)가 얼마나 다양한 인공 지능 모델에서 범용적으로 활용 가능한지를 고려한 가치이다.
데이터 벨류 측정부는 제1 데이터 벨류(1010), 제2 데이터 벨류(1020) 및 제3 데이터 벨류(1030)를 기반으로 데이터 벨류를 측정할 수 있다.
도 11은 본 발명의 실시예에 따른 인공 지능 모델 벨류 측정부의 동작을 나타낸 개념도이다.
도 11에서는 복수의 금융 세그먼트 및 복수의 금융 서비스 각각에 대한 인공 지능 모델의 벨류를 측정하기 위하기 위한 방법이 개시된다.
도 11을 참조하면, 인공 지능 모델의 제1 모델 벨류(1110)는 생성된 인공 지능 모델의 신뢰도를 기반으로 결정될 수 있다. 예를 들어, 특정 세그먼트를 위한 인공 지능 모델에 대한 벨류는 특정 세그먼트에 대한 입력 데이터를 기반으로 얼마나 정확한 금융 예측이 수행되는 지를 기반으로 결정될 수 있다.
인공 지능 모델의 제2 모델 벨류(1120)는 생성된 인공 지능 모델의 개선 가능성을 기반으로 결정될 수 있다. 예를 들어, 인공 지능 모델로 계속적으로 입력 가능한 퀄리티 높은 신규 금융 세그먼트 데이터가 생성될 가능성 및 신규 금융 세그먼트 데이터의 생성양, 신규 금융 세그먼트 데이터의 입력시 오버피팅없이 계속적인 신뢰도 개선이 가능할지에 대한 판단을 기반으로 제2 모델 벨류(1120)가 결정될 수 있다.
인공 지능 모델의 제3 모델 벨류(1130)는 생성된 인공 지능 모델의 활용 범용성을 기반으로 결정될 수 있다. 인공 지능 모델이 특정 금융 세그먼트에 대해서만 신뢰도가 높은 것보다 인공 지능 모델이 다양한 금융 세그먼트에 대해 높은 신뢰도를 가지는 것이 보다 높은 벨류를 가질 수 있다. 또한, 인공 지능 모델이 특정 금융 서비스에 대해서만 신뢰도가 높은 것보다 인공 지능 모델이 다양한 금융 서비스에 대해 높은 신뢰도를 가지는 것이 보다 높은 벨류를 가질 수 있다.
인공 지능 모델별로 제1 모델 벨류 판단, 제2 모델 벨류 판단 및 제3 모델 벨류 판단이 수행될 수 있고, 제1 모델 벨류 판단, 제2 모델 벨류 판단 및 제3 모델 벨류 판단 각각을 기반으로 한 제1 모델 벨류(1110), 제2 모델 벨류(1120), 제3 모델 벨류(1130)를 기반으로 인공 지능 모델 벨류(1150)가 결정될 수 있다.
도 12는 본 발명의 실시예에 따른 데이터 및 인공 지능 모델 거래 장치의 동작을 나타낸 개념도이다.
도 12에서는 데이터 및 인공 지능 모델 거래 장치가 데이터와 인공 지능 모델을 거래하는 방법이 개시된다.
도 12를 참조하면, 데이터 및 인공 지능 모델 거래 장치는 구매자 장치의 요청에 따라 금융 세그먼트 데이터 및/또는 인공 지능 모델을 제공할 수 있다.
구매자 장치는 거래 요청시 인공 지능 모델이 타겟팅하는 타겟 금융 세그먼트에 대한 타겟 금융 세그먼트 요청 데이터(1210), 인공 지능 모델을 기반으로 제공하고자 하는 타겟 서비스에 대한 타겟 금융 서비스 요청 데이터(1220)를 거래 요청 데이터(1230)로서 데이터 및 인공 지능 모델 거래 장치로 전송할 수 있다.
데이터 및 인공 지능 모델 거래 장치는 거래 요청 데이터를 수신하고, 추천 금융 세그먼트 데이터(1250), 추천 인공 지능 모델(1260)을 구매자 장치로 제공될 수 있다.
추천 금융 세그먼트 데이터(1250)는 금융 세그먼트 데이터의 벨류에 따른 가격이 설정되어 다양한 데이터 조합으로 제공될 수 있다. 추천 금융 세그먼트 데이터(1250)에 대한 정보는 가격별로 데이터 기반의 학습시 기대 신뢰도 별로 데이터 및 인공 지능 모델 거래 장치에 의해 구매자 장치로 제공될 수 있다.
추천 인공 지능 모델(1260)은 인공 지능 모델의 벨류에 따른 가격이 설정되어 제공될 수 있다. 추천 인공 지능 모델(1250)에 대한 정보는 가격별로 기대 신뢰도별로 나열되어 데이터 및 인공 지능 모델 거래 장치에 의해 구매자 장치로 제공될 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)

  1. 금융 서비스를 위한 금융 모델 및 금융 데이터 가치 평가 방법은,
    금융 서비스 인공 지능 모델 서비스 장치의 데이터 벨류 측정부가 금융 세그먼트 그룹의 금융 세그먼트 데이터 그룹을 기반으로 한 제1 데이터 벨류를 결정하는 단계;
    상기 금융 서비스 인공 지능 모델 서비스 장치의 상기 데이터 벨류 측정부가 금융 세그먼트의 금융 세그먼트 데이터를 기반으로 한 제2 데이터 벨류를 결정하는 단계;
    상기 금융 서비스 인공 지능 모델 서비스 장치의 상기 데이터 벨류 측정부가 하위 금융 세그먼트의 금융 세그먼트 데이터를 기반으로 한 제3 데이터 벨류를 결정하는 단계; 및
    상기 금융 서비스 인공 지능 모델 서비스 장치의 상기 데이터 벨류 측정부가 상기 제1 데이터 벨류, 상기 제2 데이터 벨류 및 상기 제3 데이터 벨류를 기반으로 금융 세그먼트 데이터의 벨류를 결정하는 단계를 포함하되,
    상기 제1 데이터 벨류는 제1 하위 데이터 벨류1 및 제1 하위 데이터 벨류2를 포함하고,
    상기 제1 하위 데이터 벨류1은 상기 금융 세그먼트 데이터 그룹이 특정 인공 지능 모델에 활용시 생성되는 인공 지능 모델의 신뢰도를 기반으로 결정되고,
    상기 제1 하위 데이터 벨류2는 상기 금융 세그먼트 데이터 그룹이 얼마나 다양한 인공 지능 모델에서 범용적으로 활용 가능한지를 기반으로 결정되고,
    상기 제2 데이터 벨류는 제2 하위 데이터 벨류1 및 제2 하위 데이터 벨류2를 포함하고,
    상기 제2 하위 데이터 벨류1은 상기 금융 세그먼트의 금융 세그먼트 데이터가 특정 인공 지능 모델에 활용시 생성되는 인공 지능 모델의 신뢰도를 기반으로 결정되고,
    상기 제2 하위 데이터 벨류2는 상기 금융 세그먼트의 금융 세그먼트 데이터가 얼마나 다양한 인공 지능 모델에서 범용적으로 활용 가능한지를 기반으로 결정되고,
    상기 제3 데이터 벨류는 제3 하위 데이터 벨류1 및 제3 하위 데이터 벨류2를 포함하고,
    상기 제3 하위 데이터 벨류1은 상기 하위 금융 세그먼트의 금융 세그먼트 데이터가 특정 인공 지능 모델에 활용시 생성되는 인공 지능 모델의 신뢰도를 기반으로 결정되고,
    상기 제3 하위 데이터 벨류2는 상기 하위 금융 세그먼트의 금융 세그먼트 데이터가 얼마나 다양한 인공 지능 모델에서 범용적으로 활용 가능한지를 기반으로 결정되고,
    상기 금융 세그먼트 그룹은 복수의 금융 세그먼트를 포함하고, 금융 세그먼트 계층 상에 위치한 복수의 계층 각각 상에 위치한 적어도 하나의 금융 세그먼트를 그룹핑하여 생성되고,
    상기 금융 세그먼트는 복수의 하위 금융 세그먼트를 포함하고, 인공 지능 기반으로 한 금융 서비스를 제공하는 최소 단위인 것을 특징으로 하는 방법.
  2. 제1항에 있어서,
    상기 금융 서비스 인공 지능 모델 서비스 장치의 인공 지능 모델 벨류 측정부가 제1 모델 벨류 판단을 기반으로 제1 모델 벨류를 결정하는 단계;
    상기 인공 지능 모델 벨류 측정부가 제2 모델 벨류 판단을 기반으로 제2 모델 벨류를 결정하는 단계; 및
    상기 인공 지능 모델 벨류 측정부가 제3 모델 벨류 판단을 기반으로 제3 모델 벨류를 결정하는 단계를 더 포함하되,
    상기 제1 모델 벨류는 인공 지능 모델의 신뢰도를 기반으로 결정되고,
    상기 제2 모델 벨류는 인공 지능 모델의 개선 가능성을 기반으로 결정되고,
    상기 제3 모델 벨류는 인공 지능 모델의 활용 범용성을 기반으로 결정되는 것을 특징으로 하는 방법.
  3. 제2항에 있어서,
    상기 복수의 금융 세그먼트는 금융 세그먼트 관리부에 의해 설정된 상기 복수의 금융 세그먼트 간의 그룹핑 관계 또는 계층 관계를 기반으로 설정되고,
    상기 복수의 금융 세그먼트 간의 상기 계층 관계는 계층1 내지 계층n으로 분화된 상위 계층 금융 세그먼트와 하위 계층 금융 세그먼트를 포함하고,
    상기 하위 계층 금융 세그먼트 상에서 상기 금융 세그먼트 데이터가 발생하는 경우, 상기 금융 세그먼트 데이터를 기반으로 한 상기 상위 계층 금융 세그먼트 상에서의 금융 정보의 변화 여부를 고려하여 상기 상위 계층 금융 세그먼트 상에서도 상기 금융 세그먼트 데이터가 발생되고,
    상기 상위 계층 금융 세그먼트는 상기 금융 세그먼트 데이터를 기반으로 한 상기 금융 정보가 변화되지 않는 경우, 상기 금융 세그먼트 데이터를 저장하고 이후 수신한 다른 금융 세그먼트 데이터와 결합하여 상기 금융 정보의 변화 여부를 결정하고,
    상기 금융 세그먼트 데이터 그룹은 계층화된 금융 세그먼트 데이터 구조를 기반으로 전처리되어 생성되고, 계층화된 금융 세그먼트 데이터 구조 상에서 전처리되는 특정 계층은 상기 복수의 금융 세그먼트 각각의 특성별 후보 인공 지능 모델의 신뢰도를 고려하여 상기 복수의 금융 세그먼트 각각에 대해 서로 다르게 설정되는 것을 특징으로 하는 방법.
  4. 금융 서비스를 위한 금융 모델 및 금융 데이터 가치 평가를 수행하는 금융 서비스 인공 지능 모델 서비스 장치는,
    금융 세그먼트 그룹의 금융 세그먼트 데이터 그룹을 기반으로 한 제1 데이터 벨류를 결정하고, 금융 세그먼트의 금융 세그먼트 데이터를 기반으로 한 제2 데이터 벨류를 결정하고, 하위 금융 세그먼트의 금융 세그먼트 데이터를 기반으로 한 제3 데이터 벨류를 결정하고, 상기 제1 데이터 벨류, 상기 제2 데이터 벨류 및 상기 제3 데이터 벨류를 기반으로 금융 세그먼트 데이터의 벨류를 결정하는 데이터 벨류 측정부를 포함하되,
    상기 제1 데이터 벨류는 제1 하위 데이터 벨류1 및 제1 하위 데이터 벨류2를 포함하고,
    상기 제1 하위 데이터 벨류1은 상기 금융 세그먼트 데이터 그룹이 특정 인공 지능 모델에 활용시 생성되는 인공 지능 모델의 신뢰도를 기반으로 결정되고,
    상기 제1 하위 데이터 벨류2는 상기 금융 세그먼트 데이터 그룹이 얼마나 다양한 인공 지능 모델에서 범용적으로 활용 가능한지를 기반으로 결정되고,
    상기 제2 데이터 벨류는 제2 하위 데이터 벨류1 및 제2 하위 데이터 벨류2를 포함하고,
    상기 제2 하위 데이터 벨류1은 상기 금융 세그먼트의 금융 세그먼트 데이터가 특정 인공 지능 모델에 활용시 생성되는 인공 지능 모델의 신뢰도를 기반으로 결정되고,
    상기 제2 하위 데이터 벨류2는 상기 금융 세그먼트의 금융 세그먼트 데이터가 얼마나 다양한 인공 지능 모델에서 범용적으로 활용 가능한지를 기반으로 결정되고,
    상기 제3 데이터 벨류는 제3 하위 데이터 벨류1 및 제3 하위 데이터 벨류2를 포함하고,
    상기 제3 하위 데이터 벨류1은 상기 하위 금융 세그먼트의 금융 세그먼트 데이터가 특정 인공 지능 모델에 활용시 생성되는 인공 지능 모델의 신뢰도를 기반으로 결정되고,
    상기 제3 하위 데이터 벨류2는 상기 하위 금융 세그먼트의 금융 세그먼트 데이터가 얼마나 다양한 인공 지능 모델에서 범용적으로 활용 가능한지를 기반으로 결정되고,
    상기 금융 세그먼트 그룹은 복수의 금융 세그먼트를 포함하고, 금융 세그먼트 계층 상에 위치한 복수의 계층 각각 상에 위치한 적어도 하나의 금융 세그먼트를 그룹핑하여 생성되고,
    상기 금융 세그먼트는 복수의 하위 금융 세그먼트를 포함하고, 인공 지능 기반으로 한 금융 서비스를 제공하는 최소 단위인 것을 특징으로 하는 금융 서비스 인공 지능 모델 서비스 장치.
  5. 제4 항에 있어서, 금융 서비스 인공 지능 모델 서비스 장치는,
    제1 모델 벨류 판단을 기반으로 제1 모델 벨류를 결정하고, 제2 모델 벨류 판단을 기반으로 제2 모델 벨류를 결정하고, 제3 모델 벨류 판단을 기반으로 제3 모델 벨류를 결정하도록 구현되는 인공 지능 모델 벨류 측정부를 더 포함하되,
    상기 제1 모델 벨류는 인공 지능 모델의 신뢰도를 기반으로 결정되고,
    상기 제2 모델 벨류는 인공 지능 모델의 개선 가능성을 기반으로 결정되고,
    상기 제3 모델 벨류는 인공 지능 모델의 활용 범용성을 기반으로 결정되는 것을 특징으로 하는 금융 서비스 인공 지능 모델 서비스 장치.
  6. 제5항에 있어서,
    상기 복수의 금융 세그먼트는 금융 세그먼트 관리부에 의해 설정된 상기 복수의 금융 세그먼트 간의 그룹핑 관계 또는 계층 관계를 기반으로 설정되고,
    상기 복수의 금융 세그먼트 간의 상기 계층 관계는 계층1 내지 계층n으로 분화된 상위 계층 금융 세그먼트와 하위 계층 금융 세그먼트를 포함하고,
    상기 하위 계층 금융 세그먼트 상에서 상기 금융 세그먼트 데이터가 발생하는 경우, 상기 금융 세그먼트 데이터를 기반으로 한 상기 상위 계층 금융 세그먼트 상에서의 금융 정보의 변화 여부를 고려하여 상기 상위 계층 금융 세그먼트 상에서도 상기 금융 세그먼트 데이터가 발생되고,
    상기 상위 계층 금융 세그먼트는 상기 금융 세그먼트 데이터를 기반으로 한 상기 금융 정보가 변화되지 않는 경우, 상기 금융 세그먼트 데이터를 저장하고 이후 수신한 다른 금융 세그먼트 데이터와 결합하여 상기 금융 정보의 변화 여부를 결정하고,
    상기 금융 세그먼트 데이터 그룹은 계층화된 금융 세그먼트 데이터 구조를 기반으로 전처리되어 생성되고, 계층화된 금융 세그먼트 데이터 구조 상에서 전처리되는 특정 계층은 상기 복수의 금융 세그먼트 각각의 특성별 후보 인공 지능 모델의 신뢰도를 고려하여 상기 복수의 금융 세그먼트 각각에 대해 서로 다르게 설정되는 것을 특징으로 하는 금융 서비스 인공 지능 모델 서비스 장치.
KR1020210148713A 2021-11-02 2021-11-02 금융 서비스를 위한 금융 모델 및 금융 데이터 가치 평가 방법 및 이러한 방법을 수행하는 장치 KR102485528B1 (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
KR1020210148713A KR102485528B1 (ko) 2021-11-02 2021-11-02 금융 서비스를 위한 금융 모델 및 금융 데이터 가치 평가 방법 및 이러한 방법을 수행하는 장치
PCT/KR2022/016483 WO2023080531A1 (ko) 2021-11-02 2022-10-26 금융 서비스를 위한 금융 모델 및 금융 데이터 가치 평가 방법 및 이러한 방법을 수행하는 장치
KR1020220165684A KR20230063883A (ko) 2021-11-02 2022-12-01 금융 서비스를 위한 금융 모델 및 금융 데이터 가치 평가 방법 및 이러한 방법을 수행하는 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210148713A KR102485528B1 (ko) 2021-11-02 2021-11-02 금융 서비스를 위한 금융 모델 및 금융 데이터 가치 평가 방법 및 이러한 방법을 수행하는 장치

Related Child Applications (1)

Application Number Title Priority Date Filing Date
KR1020220165684A Division KR20230063883A (ko) 2021-11-02 2022-12-01 금융 서비스를 위한 금융 모델 및 금융 데이터 가치 평가 방법 및 이러한 방법을 수행하는 장치

Publications (1)

Publication Number Publication Date
KR102485528B1 true KR102485528B1 (ko) 2023-01-06

Family

ID=84923870

Family Applications (2)

Application Number Title Priority Date Filing Date
KR1020210148713A KR102485528B1 (ko) 2021-11-02 2021-11-02 금융 서비스를 위한 금융 모델 및 금융 데이터 가치 평가 방법 및 이러한 방법을 수행하는 장치
KR1020220165684A KR20230063883A (ko) 2021-11-02 2022-12-01 금융 서비스를 위한 금융 모델 및 금융 데이터 가치 평가 방법 및 이러한 방법을 수행하는 장치

Family Applications After (1)

Application Number Title Priority Date Filing Date
KR1020220165684A KR20230063883A (ko) 2021-11-02 2022-12-01 금융 서비스를 위한 금융 모델 및 금융 데이터 가치 평가 방법 및 이러한 방법을 수행하는 장치

Country Status (2)

Country Link
KR (2) KR102485528B1 (ko)
WO (1) WO2023080531A1 (ko)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200080296A (ko) * 2017-11-21 2020-07-06 아마존 테크놀로지스, 인크. 종단 장치에서의 기계 학습을 위한 패키지 생성 및 배포
KR20210017985A (ko) * 2018-06-08 2021-02-17 상하이 캠브리콘 인포메이션 테크놀로지 컴퍼니 리미티드 범용 기계학습 모델, 모델 파일의 생성 및 분석방법
KR20210027590A (ko) * 2019-08-28 2021-03-11 현대자동차주식회사 복수의 서브 모델을 포함한 다층 인공 신경망 성능 평가 장치 및 그 방법
KR20210095429A (ko) * 2020-01-23 2021-08-02 삼성전자주식회사 사용자의 개인 모델을 학습하는 전자 장치 및 그 동작 방법

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6831030B1 (ja) * 2020-06-30 2021-02-17 三菱重工業株式会社 予測モデルの学習方法、予測モデルの学習装置、及び、プラント制御システム

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200080296A (ko) * 2017-11-21 2020-07-06 아마존 테크놀로지스, 인크. 종단 장치에서의 기계 학습을 위한 패키지 생성 및 배포
KR20210017985A (ko) * 2018-06-08 2021-02-17 상하이 캠브리콘 인포메이션 테크놀로지 컴퍼니 리미티드 범용 기계학습 모델, 모델 파일의 생성 및 분석방법
KR20210027590A (ko) * 2019-08-28 2021-03-11 현대자동차주식회사 복수의 서브 모델을 포함한 다층 인공 신경망 성능 평가 장치 및 그 방법
KR20210095429A (ko) * 2020-01-23 2021-08-02 삼성전자주식회사 사용자의 개인 모델을 학습하는 전자 장치 및 그 동작 방법

Also Published As

Publication number Publication date
KR20230063883A (ko) 2023-05-09
WO2023080531A1 (ko) 2023-05-11

Similar Documents

Publication Publication Date Title
CN109271970A (zh) 人脸检测模型训练方法及装置
KR20230063838A (ko) 금융 서비스를 위한 금융 세그먼트 분화 방법 및 이러한 방법을 수행하는 장치
US20200242615A1 (en) First party fraud detection
WO2012084320A2 (en) Method and system for predictive modeling
US20150134424A1 (en) Systems and methods for assessing hybridization of cloud computing services based on data mining of historical decisions
CN113011895B (zh) 关联账户样本筛选方法、装置和设备及计算机存储介质
WO2016144540A1 (en) Visualizing performance, performing advanced analytics, and invoking actions with respect to a financial institution
KR102153912B1 (ko) 인공지능 기반의 보험금 부당청구 및 부당패턴 탐지 장치 및 방법
US20210334798A1 (en) Utilizing machine learning and network addresses to validate online transactions with transaction cards
KR102485528B1 (ko) 금융 서비스를 위한 금융 모델 및 금융 데이터 가치 평가 방법 및 이러한 방법을 수행하는 장치
KR20240029504A (ko) 금융 서비스를 위한 데이터 이코노미 설정 방법 및 이러한 방법을 수행하는 장치
KR20110114181A (ko) 예측 정확성이 향상된 대출 심사 방법
GATPANDAN et al. Implementing knowledge discovery in enhancing university student services portfolio management in higher education institutions
KR20240002900A (ko) 데이터 이코노미에서 금융 데이터 가치 측정 방법 및 이러한 방법을 수행하는 장치
KR102414821B1 (ko) 금융 서비스를 위한 인공지능 모델 생성 방법 및 이러한 방법을 수행하는 장치
US20150287020A1 (en) Inferring cardholder from known locations
Elrefai et al. Using artificial intelligence in enhancing banking services
JP7331926B2 (ja) 学習装置、物体検出装置、学習方法、及び、プログラム
Latheef et al. LSTM Model to Predict Customer Churn in Banking Sector with SMOTE Data Preprocessing
Maleki et al. A Novel Hybrid Model of Scatter Search and Genetic Algorithms for Software Cost Estimation
KR102587475B1 (ko) 금융 서비스를 위한 금융 서비스 매트릭스 설정 방법 및 이러한 방법을 수행하는 장치
KR102587477B1 (ko) 데이터 이코노미를 기반으로 금융 서비스를 제공하는 방법 및 이러한 방법을 수행하는 장치
KR102587476B1 (ko) 금융 서비스를 위한 금융 서비스 매트릭스 조정 방법 및 이러한 방법을 수행하는 장치
KR102453979B1 (ko) 세그먼트별 크레딧 투 맵을 생성하는 방법 및 이러한 방법을 수행하는 장치
Ioannou et al. Branch network and modular service optimization for community banking

Legal Events

Date Code Title Description
A107 Divisional application of patent
GRNT Written decision to grant