KR102583159B1 - 인공지능을 이용한 자동 스왓 분석툴 생성 모듈 및 이를 포함하는 스왓 분석 시스템 - Google Patents

인공지능을 이용한 자동 스왓 분석툴 생성 모듈 및 이를 포함하는 스왓 분석 시스템 Download PDF

Info

Publication number
KR102583159B1
KR102583159B1 KR1020220179834A KR20220179834A KR102583159B1 KR 102583159 B1 KR102583159 B1 KR 102583159B1 KR 1020220179834 A KR1020220179834 A KR 1020220179834A KR 20220179834 A KR20220179834 A KR 20220179834A KR 102583159 B1 KR102583159 B1 KR 102583159B1
Authority
KR
South Korea
Prior art keywords
swat
company
relationship
information
data
Prior art date
Application number
KR1020220179834A
Other languages
English (en)
Inventor
정상현
권태완
이태희
김용신
이찬재
김진희
Original Assignee
오케스트로 주식회사
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 오케스트로 주식회사 filed Critical 오케스트로 주식회사
Priority to KR1020220179834A priority Critical patent/KR102583159B1/ko
Application granted granted Critical
Publication of KR102583159B1 publication Critical patent/KR102583159B1/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
    • 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
    • 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
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management

Abstract

본 발명의 일 실시예에 따른 스왓 분석툴 생성 방법은, 스왓 분석툴 생성 모듈이 구현하는 스왓 분석툴 생성 방법에 있어서, 자연어로 이루어진 기업 정보를 임의의 서버로부터 수신하는 기업 정보 수신 단계; 상기 기업 정보를 미리 정해진 데이터 형태인 학습데이터로 가공하는 데이터 가공 단계; 및 미리 정해진 방법을 통해 상기 학습데이터를 기초로 스왓정보를 산출하는 스왓모델을 생성하는 스왓모델 생성 단계;를 포함하고, 상기 미리 정해진 방법은, 머신 러닝을 이용하여 상기 스왓모델을 생성하는 방법일 수 있다.

Description

인공지능을 이용한 자동 스왓 분석툴 생성 모듈 및 이를 포함하는 스왓 분석 시스템 {A CREATION MODULE FOR AUTOMATIC SWAT ANALYSIS TOOL USING ARTIFICIAL INTELLIGENCE AND A SWOT ANALYSIS SYSTEM COMPRISING THE SAME}
본 발명은 자동 기업 분석을 하기 위한 자동 스왓 분석툴 생성 모듈 및 이를 포함하는 스왓 분석 시스템에 대한 것이다.
기업은 치열한 경쟁에서 살아남기 위해서, 기업의 현 상황을 정확하게 분석하고 미래를 대비하는 전략을 수립해야 한다. 정확한 상황 분석을 위해서 다양한 분석 기법들이 존재하나, 가장 대중적으로 활용되고 있는 분석툴 중 하나는 SWOT 분석이다. SWOT 분석은 기업에 대한 정보를 강점(Strength), 약점(Weakness), 기회(Opportunity), 위협(Threat)으로 구분하여 분석하는 방법이다. SWOT 분석은 분석가가 자료의 수집, 자료의 이해, 자료를 S, W, O, T 분류 과정을 거치면서 수행한다.
이러한 기존의 분석 방법들은 사람이 직접 수행해야 하기 때문에 많은 인력과 집중이 필요한 문제가 존재한다. 또한, 완성도가 높은 SWOT 분석이라고 하더라도 시간이 지남에 따라 변화하는 기업 환경을 반영하지 못하므로, 분석 결과의 유효성이 짧은 문제가 존재한다.
본 발명은 상술한 문제점을 해결하기 위한 것으로, 인공 지능을 이용하여 자자동적으로 스왓 분석을 진행할 수 있는 자동 스왓 분석툴 생성 모듈 및 이를 포함하는 스왓 분석 시스템을 제공하는 것이다.
본 발명의 일 실시예에 따른 스왓 분석툴 생성 방법은, 스왓 분석툴 생성 모듈이 구현하는 스왓 분석툴 생성 방법에 있어서, 자연어로 이루어진 기업 정보를 임의의 서버로부터 수신하는 기업 정보 수신 단계; 상기 기업 정보를 미리 정해진 데이터 형태인 학습데이터로 가공하는 데이터 가공 단계; 및 미리 정해진 방법을 통해 상기 학습데이터를 기초로 스왓정보를 산출하는 스왓모델을 생성하는 스왓모델 생성 단계;를 포함하고, 상기 미리 정해진 방법은, 머신 러닝을 이용하여 상기 스왓모델을 생성하는 방법일 수 있다.
또한, 상기 데이터 가공 단계는, 상기 기업 정보를 제1 유형의 데이터 형태인 제1 학습데이터로 가공하는 제1 데이터 가공 단계 및 상기 기업 정보를 제1 유형과 다른 제2 유형의 데이터 형태인 제2 학습데이터로 가공하는 제2 데이터 가공 단계를 구비하고, 상기 스왓모델 생성 단계는, 상기 제1 학습데이터로 머신 러닝하여 제1 스왓모델을 생성하는 제1 스왓모델 생성 단계 및 상기 제2 학습데이터로 머신 러닝하여 제2 스왓모델을 생성하는 제2 스왓 모델 생성 단계를 구비할 수 있다.
또한, 상기 제1 학습데이터는, 자연어 추론 태스크 형태의 데이터이고, 상기 제1 스왓모델 생성 단계는, 상기 기업 정보를 이루는 문장들 간의 관련성에 대해서 머신 러닝하여 상기 제1 스왓모델을 생성하는 단계일 수 있다.
또한, 상기 제1 스왓모델은, 두 문장들 간의 관계가 기업의 강점과 기업의 약점의 관계성인 제1 관계성, 기업의 강점과 기업의 기회의 관계성인 제2 관계성, 기업의 강점과 기업의 약점의 관계성인 제3 관계성, 기업의 강점과 기업의 위협의 관계성인 제4 관계성, 기업의 약점과 기업의 기회의 관계성인 제5 관계성 및 기업의 약점과 기업의 위협의 관계성인 제6 관계성을 분류하는 자연어 추론 방식으로 학습되어 생성될 수 있다.
또한, 상기 제2 스왓 모델 생성 단계는, 상기 제2 학습데이터를 상기 제1 스왓모델에 입력하여 산출되는 결과값인 연계스왓정보를 미리 정해진 군집 방법으로 군집을 형성한 후 군집마다 특정 레이블을 지정하여 상기 제2 스왓모델을 생성하는 단계일 수 있다.
또한, 상기 미리 정해진 군집 방법은, 4개의 군집이 형성되도록 K-means 클러스터링하는 방법일 수 있다.
또한, 상기 제2 스왓 모델 생성 단계는, 최빈값 각각에 기업의 강점에 해당하는 제1 레이블, 기업의 약점에 해당하는 제2 레이블, 외부적 요인으로서 기업의 기회에 해당하는 제3 레이블 및 외부적 요인으로서 기업의 위협에 해당하는 제4 레이블을 부여할 수 있다.
또한, 상기 제2 데이터 가공 단계는, 상기 제1 학습데이터를 기업의 강점, 기업의 약점, 기업의 기회 및 기업의 위협 범주로 분류되는 다중 클래스 분류 형태 데이터인 상기 제2 학습데이터로 가공하는 단계일 수 있다.
본 발명의 일 실시예에 따른 스왓 분석툴 생성 모듈은, 임의의 서버로부터 기업 정보를 수집하는 수집 모듈; 상기 기업 정보를 미리 정해진 데이터 형태인 학습데이터로 가공하는 가공 모듈; 미리 정해진 방법을 통해 상기 학습데이터를 기초로 스왓정보를 산출하는 스왓모델을 생성하는 모델학습모듈;을 포함하고, 상기 미리 정해진 방법은, 머신 러닝을 이용하여 상기 스왓모델을 생성하는 방법일 수 있다.
본 발명의 일 실시예에 따른 스왓 분석 방법은, 스왓 분석 시스템에 의해 구현되는 스왓 분석 방법에 있어서, 펑가 기업에 대한 정보인 평가 기업 정보를 외부 서버로부터 수집하는 평가 기업 정보 수집 단계; 제1항 내지 제8항 중 어느 한 항에 따른 스왓 분석툴 생성 방법에 의해 생성된 스왓모델에 상기 평가 기업 정보를 입력하여 상기 평가 기업의 스왓정보를 산출하는 스왓 분석 단계;을 포함하고, 상기 스왓 분석 단계는, 상기 평가 기업 정보가 미리 정해진 양이 수집되지 않을 경우, 미리 정해진 보완 방법을 이용하여 상기 평가 기업 정보를 대체할 수 있다.
또한, 상기 미리 정해진 보완 방법은, 상기 평가 기업과 유사한 기업으로 분류된 유사 기업의 기업정보를 이용하는 방법일 수 있다.
본 발명에 따른 인공지능을 이용한 자동 스왓 분석툴 생성 모듈 및 이를 포함하는 스왓 분석 시스템은 스왓 분석 정확도를 극대화할 수 있다.
또한, 스왓 분석의 지속성을 극대화할 수 있다.
또한, 인력 효율성을 극대화할 수 있다.
다만, 본 발명의 효과가 상술한 효과들로 제한되는 것은 아니며, 언급되지 아니한 효과들은 본 명세서 및 첨부된 도면으로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확히 이해될 수 있을 것이다.
도 1은 본 발명의 일 실시예에 따른 스왓 분석 시스템의 관계도
도 2는 본 발명의 일 실시예에 따른 스왓 분석 시스템의 구성도
도 3은 본 발명의 다른 실시예에 따른 스왓 분석 시스템이 제1 스왓모델을 생성하는 과정을 설명하기 위한 도면
도 4는 본 발명의 다른 실시예에 따른 스왓 분석 시스템의 효과를 설명하기 위한 표
도 5는 본 발명의 다른 실시예에 따른 스왓 분석 시스템의 효과를 설명하기 위한 그래프
이하에서는 도면을 참조하여 본 발명의 구체적인 실시예를 상세하게 설명한다. 다만, 본 발명의 사상은 제시되는 실시예에 제한되지 아니하고, 본 발명의 사상을 이해하는 당업자는 동일한 사상의 범위 내에서 다른 구성요소를 추가, 변경, 삭제 등을 통하여, 퇴보적인 다른 발명이나 본 발명 사상의 범위 내에 포함되는 다른 실시예를 용이하게 제안할 수 있을 것이나, 이 또한 본원 발명 사상 범위 내에 포함된다고 할 것이다.
도 1은 본 발명의 일 실시예에 따른 스왓 분석 시스템의 관계도이다.
도 1을 참조하면, 본 발명의 스왓 분석 시스템(100)은 스왓 분석을 희망하는 클라이언트(200) 및/또는 정보 수집을 위한 기업 서버(200), 오픈 서버(200) 등에 유/무선 네트워크로 연결될 수 있다.
본 발명에서 언급하는 네트워크라 함은 유선 공중망, 무선 이동 통신망, 또는 휴대 인터넷 등과 통합된 코어 망일 수도 있고, TCP/IP 프로토콜 및 그 상위 계층에 존재하는 여러 서비스, 즉 HTTP(Hyper Text Transfer Protocol), HTTPS(Hyper Text Transfer Protocol Secure), Telnet, FTP(File Transfer Protocol), DNS(Domain Name System), SMTP(Simple Mail Transfer Protocol) 등을 제공하는 전 세계적인 개방형 컴퓨터 네트워크 구조를 의미할 수 있으며, 이러한 예에 한정하지 않고 다양한 형태로 데이터를 송수신할 수 있는 데이터 통신망을 포괄적으로 의미하는 것이다.
클라이언트는 자신의 기업(평가 기업)의 특정할 수 있는 특징 정보를 상기 스왓 분석 시스템(100)에 전달하며, 스왓 분석 시스템(100)은 특징 정보만으로 평가 기업에 대한 스왓 분석을 완료하여 스왓 분석한 내용을 클라이언트에게 제공할 수 있다.
도 2는 본 발명의 일 실시예에 따른 스왓 분석 시스템(100)의 구성도이다.
도 2를 참조하면, 본 발명의 일 실시예에 따른 스왓 분석 시스템(100)은 스왓 분석을 위한 스왓 분석툴을 생성하는 스왓 분석툴 생성 모듈(110), 클라이언트를 포함하는 외부 서버 및/또는 시스템과 정보를 송수신하는 송수신 모듈(120) 및 분석되고 추출된 스왓정보가 클라이언트의 디스플레이부에 표시되게 하는 인터페이스를 산출하는 인터페이스모듈(130)을 포함할 수 있다.
또한, 상기 스왓 분석 시스템(100)은 소비자에게 스왓 분석 방법을 제공하는데 필요한 모든 정보를 저장하는 저장 모듈(140)을 더 포함할 수 있다.
또한, 상기 스왓 분석 시스템(100)은 관리자가 정보와 제어 명령을 입력할 수 있는 입력 모듈(150)을 더 포함할 수 있다.
또한, 상기 스왓 분석 시스템(100)은 스왓 분석툴 생성 모듈(110)이 산출한 스왓모델을 이용하여 스왓 분석을 실시하는 분석 모듈(160)을 더 포함할 수 있다.
송수신 모듈(120)은 네트워크를 통해, 외부 서버로부터 필요한 정보들을 송수신할 수 있다.
일례로, 송수신 모듈(120)은 공공기관 서버, 기업 사내 서버, 오픈 서버 등에 접속하여 필요한 정보를 크롤링할 수 있다.
일례로, 송수신 모듈은 셀룰러 모듈, WiFi 모듈, 블루투스 모듈, GNSS 모듈, NFC 모듈, RF 모듈, 5G 모듈, LTE 모듈, NB-IOT 모듈 및/또는 LoRa 모듈을 포함할 수 있다.
다만, 이에 한정하지 않고, 송수신 모듈이 포함하는 모듈은 통상의 기술자에게 자명한 수준에서 다양하게 변형 가능하다.
인터페이스 모듈은 스왓 분석툴에서 생성한 스왓정보를 클라이언트의 디스플레이에서 볼 수 있도록 하는 인터페이스를 산출하여 상기 클라이언트에게 제공할 수 있다.
스왓정보는 기업 정보 중에서 기업의 강점(Strength), 기업의 약점(Weakness), 기업의 기회(Opportunity) 및 기업의 위기(Threat)에 대한 정보를 추출하여 분류한 정보를 의미할 수 있다.
수요자는 자신의 기업을 특정할 수 있는 정보(일례로, 사업자등록번호, 기업명, 기업주소 등)를 스왓 분석 시스템(100)에 제공하기만 하면, 스왓 분석 시스템(100)의 평가 기업에 대한 스왓정보를 산출하여 수요자에게 제공할 수 있다.
저장 모듈(140)은 스왓 분석툴 생성 방법 및/또는 스왓 분석 방법을 진행하는데 필요한 모든 정보가 저장될 수 있다.
일례로, 복수의 기업들에 기업 정보들이 저장되어 있을 있으며, 이미 스왓분석이 진행된 결과인 스왓정보들이 저장될 수 있다.
후술하는 수집 모듈(111)은 공공 서버와 연동되어, 새로운 사업자가 발생되는 경우 새로운 사업자에 대한 정보를 실시간으로 크롤링하여 기업 정보를 수집할 수 있다.
수집 모듈(111)은 새로운 기업에 대한 정보는 소정 데이터량이 모일 때까지 일정한 주기별로 수집할 수 있다.
이는, 스왓 분석 요청을 받을 경우, 신속한 기업 정보 수집 및 스왓 분석을 하기 위함일 수 있다.
수집 모듈(111)이 수집한 기업 정보는 저장 모듈(140)에 저장될 수 있다.
기업 정보는 기업에 대한 모든 정보를 포함할 수 있다.
일례로, 기업 정보는 자연어 형태로 이루어진 정보를 의미할 수 있다.
다만, 이에 한정하지 않고 상기 기업 정보의 유형은 통상의 기술자에게 자명한 수준에서 다양하게 변형 가능하다.
입력 모듈(150)은 송수신 모듈(120), 인터페이스 모듈, 저장 모듈(140) 및 스왓 분석툴 생성 모듈(110)을 제어하고, 필요한 명령을 입력할 수 있는 모든 수단을 포함할 수 있다.
일례로, 입력 모듈(150)은 키보드일 수 있다.
다만, 이에 한정하지 않고 상기 입력 모듈(150)의 유형은 통상의 기술자에게 자명한 수준에서 다양하게 변형 가능하다.
스왓 분석툴 생성 모듈(110)은 임의의 서버로부터 기업 정보를 수집하는 수집 모듈(111), 상기 기업 정보를 미리 정해진 데이터 형태인 학습데이터로 가공하는 가공 모듈(112) 및 미리 정해진 방법을 통해 상기 학습데이터를 기초로 스왓정보를 산출하는 스왓모델을 생성하는 모델학습모듈(113)을 포함할 수 있다.
이하, 스왓 분석툴 생성 모듈(110)을 이용하여 실행되는 스왓 분석툴 생성 방법에 대해서 자세하게 서술하도록 한다.
본 발명의 일 실시예에 따른 스왓 분석툴 생성 방법은, 자연어로 이루어진 기업 정보를 임의의 서버로부터 수신하는 기업 정보 수신 단계, 상기 기업 정보를 미리 정해진 데이터 형태인 학습데이터로 가공하는 데이터 가공 단계 및 미리 정해진 방법을 통해 상기 학습데이터를 기초로 스왓정보를 산출하는 스왓모델을 생성하는 스왓모델 생성 단계를 포함할 수 있다.
기업 정보 수신 단계에서, 수집 모듈(111)은 송수신 모듈(120)과 연동되어 평가 기업에 대한 기업 정보를 외부 서버로부터 수집할 수 있다.
또한, 수집 모듈(111)은 저장 모듈(140)에 미리 저장되어 있는 기업 정보를 전달받을 수 있다.
데이터 가공 단계에서, 가공 모듈(112)은 수집된 기업 정보를 기초로 미리 정해진 데이터 형태인 학습데이터로 가공할 수 있다.
상기 미리 정해진 데이터 형태는 기업 정보가 기업의 강점(Strength), 기업의 약점(Weakness), 기업의 기회(Opportunity) 및 기업의 위기(Treat)로 분류될 수 있는 다중 클래스 분류 데이터 형태일 수 있다.
또한, 관리자는 입력부를 통해 학습데이터를 기업의 강점(Strength), 기업의 약점(Weakness), 기업의 기회(Opportunity) 및 기업의 위기(Treat) 중 어디에 속하는지 분류하여 지정할 수 있다.
이와 달리, 가공 모듈(112)에 의해 기업 정보는 별로의 알고리즘 프로세스를 통해 분류될 수 있다.
일례로, 개채명익식(NER)을 위한 BIO 태깅 방식에 의해 기업 정보들 중에서 필요한 정보들만이 선택되고 분류될 수 있다.
다만, 이에 한정하지 않고, 기업 정보의 분류 방법은 통상의 기술자에게 자명한 수준에서 다양한 알고리즘들이 채택되고 활용될 수 있다.
스왓모델 생성 단계에서, 모델학습 모듈은 미리 정해진 방법으로 학습데이터를 이용하여 스왓모델을 생성할 수 있다.
상기 미리 정해진 방법은 머신 러닝을 이용하여 상기 스왓모델을 생성하는 방법일 수 있다.
머신 러닝은 출력 레이어의 레이블 된 데이터(labeled data)를 이용하여 신경망의 가중치(weight)를 업데이트하는 알고리즘인 백 프로파게이션(Back Progation) 알고리즘을 이용한 것일 수 있으나, 이에 한정하는 것은 아니다.
또한, 심층 신경망 및 백 프로파게이션(Back Progation) 알고리즘은 종래에 공지된 바와 같으므로, 이에 대한 구체적인 설명은 생략될 수 있다
일례로, 스왓모델 생성 단계에서 모델학습 모듈은 BERT 알고리즘을 이용할 수 있으니, 이에 본 발명이 한정되는 것은 아니고, 통상의 기술자에게 자명한 수준에서 다양하게 변형 가능하다.
수요자가 스왓 분석을 하고자 하는 경우, 수요자의 조작에 의해 클라이언트는 스왓 분석 요청을 스왓 분석 시스템(100)에 전달할 수 있다.
스왓 분석 요청을 받으면, 인터페이스 모듈은 기업을 특정할 수 있는 정보 및 기업의 내부 환경 정보를 입력할 수 있는 인터페이스를 클라이언트에 제공하 수 있다.
클라이언트는 기업을 특정할 수 있는 정보 및 기업의 내부 환경 정보를 송수신 모듈(120)에 전송할 수 있다.
일례로, 기업의 내부 환경 정보는 기업 자체에 대한 정보로서, 기업 매출액, 기업 직원수, 기업의 조직도, 기업 인력 정보 등을 의미할 수 있다.
송수신 모듈(120)로부터 전달되는 기업 특정 정보를 기초로 스왓 분석툴 생성 모듈(110)은 스왓 분석을 실시할 수 있다.
스왓 분석을 요청한 기업인 평가 기업의 평가 기업 정보를 송수신 모듈(120)이 외부 서로부터 크롤링하여 수집할 수 있다.
여기서, 크롤링하여 수집되는 정보는 기업의 외부 환경 정보를 의미할 수 있다.
일례로, 기업의 외부 환경 정보는 환율, 국제 정세, 기업 제품과 관련된 정부 정책, 환경 변화 등을 의미할 수 있다.
분석 모듈(160)은 송수신 모듈(120)에 의해 수집된 평가 기업 정보와 미리 수집되어 저장 모듈(140)에 저장되어 있는 정보를 스왓모델에 입력할 수 있다.
여기서, 분석 모듈(160)은 자연어 정보로 이루어진 평가 기업 정보를 스왓모델에 직접 입력할 수도 있고, 분석 모듈(160)이 평가 기업 정보가 다중 클래스 분류 데이터 형태로 가공하여 스왓 모델에 입력할 수 있다.
스왓모델로부터 평가 기업에 대한 스왓정보가 산출되며, 인터페이스 모듈은 스왓정보를 스왓 분석을 요청한 기업의 클라이언트에 제공할 수 있다.
이하, 본 발명의 다른 실시예에 따른 스왓 분석 시스템(100)에 대해서 자세하게 설명한다.
이하, 상술한 내용과 중복되는 한도에서 자세한 설명은 생략될 수 있다.
본 발명의 일 실시예에 따른 스왓 분석툴 생성 방법은 자연어로 이루어진 기업 정보를 임의의 서버로부터 수신하는 기업 정보 수신 단계, 상기 기업 정보를 미리 정해진 데이터 형태인 학습데이터로 가공하는 데이터 가공 단계 및 미리 정해진 방법을 통해 상기 학습데이터를 기초로 스왓정보를 산출하는 스왓모델을 생성하는 스왓모델 생성 단계를 포함할 수 있다.
여기서, 데이터 가공 단계는 상기 기업 정보를 제1 유형의 데이터 형태인 제1 학습데이터로 가공하는 제1 데이터 가공 단계 및 상기 기업 정보를 제1 유형과 다른 제2 유형의 데이터 형태인 제2 학습데이터로 가공하는 제2 데이터 가공 단계를 구비할 수 있다.
또한, 상기 스왓모델 생성 단계는 상기 제1 학습데이터으로 머신 러닝하여 제1 스왓모델을 생성하는 제1 스왓모델 생성 단계 및 상기 제2 학습데이터로 머신 러닝하여 제2 스왓모델을 생성하는 제2 스왓 모델 생성 단계를 구비할 수 있다.
가공 모듈(112)은 자연어로 이루어진 기업 정보를 제1 학습데이터로 가공할 수 있다.
제1 학습데이터는 자연어 추론 태스크 형태의 데이터를 의미할 수 있다.
제1 학습데이터는 두 개의 문장이 하나의 쌍으로 이루어지며, 두 문장의 관계성이 지정되어 있는 데이터를 포함할 수 있다.
두 문장의 관계성은 제1 관계성 내지 제6 관계성으로 구분될 수 있다.
일례로, 기업의 강점과 기업의 약점의 관계성인 제1 관계성, 기업의 강점과 기업의 기회의 관계성인 제2 관계성, 기업의 강점과 기업의 약점의 관계성인 제3 관계성, 기업의 강점과 기업의 위협의 관계성인 제4 관계성, 기업의 약점과 기업의 기회의 관계성인 제5 관계성 및 기업의 약점과 기업의 위협의 관계성인 제6 관계성으로 이루어질 수 있다.
또한, 제1 학습데이터는 한 개의 문장으로 이루어지며, 해당 문장이 기업의 강점, 약점, 기회, 위협 중 어디에 해당되는지 지정되어 있는 데이터를 더 포함할 수 있다.
제1 학습데이터로 가공되기 위해서, 입력부로부터 전달되는 지정 명령에 의해 두 문장들의 관계성이 지정되고, 하나의 문장이 기업의 강점, 약점, 기회 및 위협 중 어디에 해당하는지 여부가 지정되어 있을 수 있다.
도 3은 본 발명의 다른 실시예에 따른 스왓 분석 시스템(100)이 제1 스왓모델을 생성하는 과정을 설명하기 위한 도면이다.
상기 제1 스왓모델 생성 단계는 상기 기업 정보를 이루는 문장들 간의 관련성에 대해서 머신 러닝하여 상기 제1 스왓모델을 생성하는 단계일 수 있다.
제1 스왓모델은 두 문장들 간의 관계가 기업의 강점과 기업의 약점의 관계성인 제1 관계성, 기업의 강점과 기업의 기회의 관계성인 제2 관계성, 기업의 강점과 기업의 약점의 관계성인 제3 관계성, 기업의 강점과 기업의 위협의 관계성인 제4 관계성, 기업의 약점과 기업의 기회의 관계성인 제5 관계성 및 기업의 약점과 기업의 위협의 관계성인 제6 관계성을 분류하는 자연어 추론 방식으로 학습되어 생성될 수 있다.
모델학습 모듈은 제1학습데이터를 이용하여 머신 러닝하여 문장의 표현 벡터를 추출하여 문장 임베딩 벡터 추출기 기능을 하는 제1 스왓모델을 생성할 수 있다.
일례로, 기존의 SentenceBert를, 두 문장의 관계성을 수반(entailment) 관계, 모순(contradiction) 관계 및 중립(neutral) 관계로 분류하는 것이 아니라, 상술한 제1 관계 내지 제6 관계로 분류하도록, fine tuning하여, 제1 스왓모델을 생성할 수 있다.
다만, 이에 한정하지 않고, 제1 스왓모델 생성 방법은 통상의 기술자에게 자명한 수준에서 다양하게 변형 가능하다.
도 3을 참조하면, 일례로, 모델학습 모듈은 기업 정보 중의 두개의 문장이 각각의 문장들을 임베딩하여 벡터화하고, 벡터화된 각각의 문장들의 차이를 산출하여, 관리자에 의해 지정된 두개의 문장의 관계성과 서로 비교하면서 제1 스왓모델을 학습시킬 수 있다.
여기서, 문장의 거리를 산출하며, 벡터화된 두 문장을 분류할 때 문장 쌍 분류(NLI) 또는 문장 쌍 회귀(STS) 알고리즘을 활용할 수 있다.
일례로, 벡터화된 두 문장을 6가지 범주로 분류할 때 Softmax Classifier 알고리즘을 활용할 수 있으나, 이에 본 발명이 한정되는 것은 아니다.
제2 데이터 가공 단계에서, 가공 모듈(112)은 제1 학습데이터를 재 가공하여 제2 학습데이터로 가공할 수 있다.
제2 학습데이터는 상기 제1 학습데이터를 기업의 강점, 기업의 약점, 기업의 기회 및 기업의 위협 범주로 분류되는 다중 클래스 분류 형태 데이터일 수 있다.
이는, 제1 스왓모델이 강점, 약점, 기회, 위협 텍스트를 단일 문장으로 입력하여도 문장의 표현 벡터를 잘 포착할 수 있기 때문이다.
제2 스왓 모델 생성 단계에서, 모델학습 모듈은, 상기 제2 학습데이터를 상기 제1 스왓모델에 입력하여 산출되는 결과값인 연계스왓정보를 미리 정해진 군집 방법으로 군집을 형성한 후 군집마다 특정 레이블을 지정하여 상기 제2 스왓모델을 생성하는 단계일 수 있다.
여기서, 연계스왓정보는 제1 스왓모델에 입력되는 단일 문장에 대한 표현 벡터값을 의미할 수 있다.
상기 미리 정해진 군집 방법은 4개의 군집이 형성되도록 K-Means 클러스터링하는 방법일 수 있다.
4개의 군집(K=4)으로 설정한 이유는, 분류되어야 하는 레이블이 4개이기 때문일 수 있다.
상기 제2 스왓 모델 생성 단계에서, 모델학습 모듈은 최빈값 각각에 기업의 강점에 해당하는 제1 레이블, 기업의 약점에 해당하는 제2 레이블, 외부적 요인으로서 기업의 기회에 해당하는 제3 레이블 및 외부적 요인으로서 기업의 위협에 해당하는 제4 레이블을 부여할 수 있다.
즉, 실제 정답 레이블 중 최빈값을 해당 클러스터의 레이블로 간주하였다. 이는 K-Means 클러스터링이 비지도학습 방식이라는 점을 고려하여, 테스트용 데이터의 클러스터가 예측되었을 때, 예측된 클러스터에 대해 특정 레이블을 부여하기 위함일 수 있다.
도 4는 본 발명의 다른 실시예에 따른 스왓 분석 시스템의 효과를 설명하기 위한 표이고, 도 5는 본 발명의 다른 실시예에 따른 스왓 분석 시스템의 효과를 설명하기 위한 그래프일 수 있다.
본 발명의 일 실시예에 따른 스왓 분석툴 생성 방법에 의해 생성된 스왓모델(비교모델)과 본 발명의 다른 실시예에 따른 스왓 분석툴 생성 방법에 의해 생성된 스왓모델(실험모델)의 성능을 비교할 수 있다.
도 4를 참조하면, 학습에 사용한 기업 데이터 수가 일정 수준(일례로, 70개) 이상일 경우, 실험모델의 F-1점수(좌측)가 비교모델의 F-1점수(우측)보다 증가하는 결과를 살펴볼 수 있다.
이는, 기업 데이터 수가 증가할수록 실험 모델의 분류 정확도가 점점 높아진다는 것을 알 수 있다.
도 5를 참조하면, 사용한 기업 데이터 수가 일정 수준인 70개 이상이 되었을 때부터 클러스터의 적정 군집 수를 의미하는 관성(Inertia)이 4로 결정되는 것을 확인할 수 있다.
이는, 실험모델이 최초 여섯 개의 클래스를 분류하는 자연어 추론 방식으로 학습되었음에도 불구하고, 이를 통해 추출한 문장 임배딩의 클러스터는 정답 레이블인 기업의 강점, 약점, 기회 및 위협의 특징을 반영하여 4개로 형성되기 때문일 수 있다.
본 발명의 일 실시예에 따른 스왓 분석 방법은, 펑가 기업에 대한 정보인 평가 기업 정보를 외부 서버로부터 수집하는 평가 기업 정보 수집 단계, 상술한 스왓 분석툴 생성 방법에 의해 생성된 스왓모델에 상기 평가 기업 정보를 입력하여 상기 평가 기업의 스왓정보를 산출하는 스왓 분석 단계 및 산출된 스왓정보가 표시될 수 있는 인터페이스를 산출하고 스왓 분석 요청자에게 인터페이스를 전송하는 인터페이스 제공 단계를 포함할 수 있다.
이 때, 스왓 분석 단계는 상기 평가 기업 정보가 미리 정해진 양이 수집되지 않을 경우, 미리 정해진 보완 방법을 이용하여 상기 평가 기업 정보를 보완할 수 있다.
여기서, 미리 정해진 보완 방법을 통해 보완되는 정보는 기업의 외부환경에 대한 정보를 일 수 있다.
또한, 스왓 분석 방법은, 상기 미리 정해진 보완 방법이 활용되어 스왓정보가 산출되는 경우, 미리 정해진 유사 조건이 만족되는 기업의 스왓정보를 스왓 분석 요청자에게 전송하는 추가 정보 제공 단계를 더 포함할 수 있다.
미리 정해진 보완 방법은 상기 평가 기업과 유사한 기업으로 분류된 유사 기업의 기업정보를 이용하는 방법일 수 있다.
분석 모듈은 평가 기업과 유사한 기업인지 여부는 업종, 매출액, 본사 위치, 주력 상품/서비스를 종합적으로 비교하여 평가 기업과 가장 유사한 기업을 결정할 수 있다.
여기서, 유사한 기업은 스왓 정보가 이미 산출된 기업이거나, 미리 정해진 양 이상의 기업 정보가 저장 모듈에 저장된 기업 중에서 선택될 수 있다.
상기 미리 정해진 보완 방법을 통해 보완된 기업 정보와 평가 기업에 대한 기업 정보는 서로 다른 가중치가 설정되어 활용될 수 있다.
일례로, 보완된 기업 정보다 수집된 평가 기업에 대한 기업 정보가 더욱 높게 가중되어 스왓모델 학습에 활용될 수 있다.
이는, 기업 정보가 온라인 상에 충분하지 못해 스왓정보가 부정확하게 산출되는 것을 예방할 수 있다.
분석 모듈은 상기 미리 정해진 보완 방법이 활용되어 스왓정보가 산출되는 경우, 평가 기업의 스왓정보와 문장 유사도가 가장 높은 스왓정보를 가진 기업의 스왓 정보를 산출하고, 인터페이스 모듈은 이를 스왓 분석 요청자에게 제공하는 인터페이스를 산출할 수 있다.
미리 정해진 유사 조건은 동일하게 분류(강점, 약점, 기회 또는 위협)된 정보들 간에 문장 유사도가 소정 기준 이상인 상태에서 문장 유사도가 가장 높을 조건일 수 있다.
일례로, 문장 유사도는 Cosine Similarity 알고리즘을 활용하여 비교할 수 있으나, 이에 본 발명이 한정되는 것은 아니고, 문장 유사도를 산출하는 방법은 통상의 기술자에게 자명한 수준에서 다양하게 선택 가능할 수 있다.
분류된 정보 별로 문장 유사도가 가장 높은 스왓정보들이 상이하다면, 각 정보 별로 기업의 스왓 정보가 스왓 분석 요청자에게 전달될 수 있다.
예를 들면, 미리 정해진 보완 방법이 활용되어 평가 기업의 기업의 강점정보(Strength), 약점정보(Weakness), 기회정보(Opportunity) 및 위협정보(Threat)가 산출되었다고 가정할 수 있다. 여기서, 평가 기업의 강점정보(Strength)와 가장 문장 유사도가 높은 강점정보를 지닌 기업이 A 기업일 수 있고, 평가 기업의 약점정보(Weakness)와 가장 문장 유사도가 높은 약점정보를 지닌 기업이 B 기업일 수 있다.
인터페이스 모듈은 평가 기업의 스왓정보를 스왓 분석 요청자(클라이언트)에게 송부하면서, A 기업의 강점정보와 B기업의 약점 정보를 함께 전송할 수 있다.
여기서, 문장 유사도가 판단되는 기업은 평가 기업과 유사한 기업 내에서 결정될 수 있으며, 기업의 유사도 판단 방법에 대한 자세한 설명은 상술한 내용과 중복되는 한도에서 생략될 수 있다.
또한, 문장 유사도가 판단되는 기업은 저장 모듈에 스왓 정보가 이미 저장되어 있는 기업들 중에서 결정될 수 있다. 이는, 보완을 위해 추가적인 시간을 최소화하기 위함일 수 있다.
이는, 미리 정해진 보완 방법에 의해 낮아질 수 있는 정확도를 정성적으로 보완하기 위한 프로세스일 수 있다.
본 발명을 시뮬레이션 하기 위해서는 1,358개 기업의 강점, 약점, 기회, 위협 텍스트 데이터를 자체 수집하였고, 이들을 조합하여 자연어 추론 태스크 형태의 데이터 셋을 구축하였다.
상술한 스왓 분석은 소정 시간 주기로 진행되어, 새롭게 업데이트될 수 있다.
첨부된 도면은 본 발명의 기술적 사상을 보다 명확하게 표현하기 위해, 본 발명의 기술적 사상과 관련성이 없거나 떨어지는 구성에 대해서는 간략하게 표현하거나 생략하였다.
상기에서는 본 발명에 따른 실시예를 기준으로 본 발명의 구성과 특징을 설명하였으나 본 발명은 이에 한정되지 않으며, 본 발명의 사상과 범위 내에서 다양하게 변경 또는 변형할 수 있음은 본 발명이 속하는 기술분야의 당업자에게 명백한 것이며, 따라서 이와 같은 변경 또는 변형은 첨부된 특허청구범위에 속함을 밝혀 둔다.
110 : 스왓 분석툴 생성 모듈 120 : 송수신 모듈
130 : 인터페이스 모듈 140 : 저장 모듈

Claims (11)

  1. 스왓 분석툴 생성 모듈이 구현하는 스왓 분석툴 생성 방법에 있어서,
    자연어로 이루어진 기업 정보를 임의의 서버로부터 수신하는 기업 정보 수신 단계;
    상기 기업 정보를 미리 정해진 데이터 형태인 학습데이터로 가공하는 데이터 가공 단계; 및
    미리 정해진 방법인 머신 러닝을 이용하여 상기 학습데이터를 기초로 스왓정보를 산출하는 스왓모델을 생성하는 스왓모델 생성 단계;를 포함하고,
    상기 데이터 가공 단계는,
    상기 기업정보를 자연어 추론 태크스 형태의 데이터인 제1 학습데이터로 가공하는 제1 데이터 가공 단계 및 상기 기업정보를 기업의 강점, 기업의 약점, 기업의 기회 및 기업의 위협 범주로 분류되는 다중 클래스 분류 형태의 데이터인 제2 학습데이터로 가공하는 제2 데이터 가공 단계를 구비하고,
    상기 스왓모델 생성 단계는,
    상기 제1 학습데이터로 머신 러닝하여 제1 스왓모델을 생성하는 제1 스왓모델 생성 단계 및 상기 제2 학습데이터로 머신 러닝하여 제2 스왓모델을 생성하는 제2 스왓 모델 생성 단계를 구비하고,
    상기 제1 스왓모델 생성 단계는,
    sentenceBert를 이용해 자연어 추론 방식으로 머신 러닝하여, 상기 기업정보의 두 문장들 간의 관계가 기업의 강점과 기업의 약점의 관계성인 제1 관계성, 기업의 강점과 기업의 기회의 관계성인 제2 관계성, 기업의 강점과 기업의 약점의 관계성인 제3 관계성, 기업의 강점과 기업의 위협의 관계성인 제4 관계성, 기업의 약점과 기업의 기회의 관계성인 제5 관계성 및 기업의 약점과 기업의 위협의 관계성인 제6 관계성을 분류하면서 문장 인베딩 벡터 추출기 기능을 하는 상기 제1 스왓모델을 생성하는 단계이며,
    상기 제2 스왓모델 생성 단계는,
    상기 제2 학습데이터를 이용하여 미리 정해진 군집 방법으로 군집을 형성한 후 군집마다 특정 레이블을 지정하여 상기 제2 스왓모델을 생성하는 단계이며,
    상기 미리 정해진 군집 방법은,
    4개의 레이블이 지정되도록 K-means 클러스터링하는 방법인,
    스왓 분석툴 생성 방법.
  2. 제1항에 있어서,
    상기 제1 스왓모델 생성 단계는,
    sentenceBert를 fine tuning하여 활용한 것을 특징으로 하는,
    스왓 분석툴 생성 방법.
  3. 제1항에 있어서,
    상기 제1 스왓모델은,
    벡터화된 두 문장을 상기 제1 관계성 내지 제6 관계성의 범주로 분류할 때, Softmax Classifirer 알고리즘을 활용하는 것을 특징으로 하는,
    스왓 분석툴 생성 방법.
  4. 제1항에 있어서,
    상기 제2 데이터 가공 단계는,
    상기 제1 학습데이터를 재 가공하여 상기 제2 학습데이터를 산출하는 단계인,
    스왓 분석툴 생성 방법.
  5. 제1항에 있어서,
    상기 제2 스왓 모델 생성 단계는,
    상기 제2 학습데이터를 상기 제1 스왓모델에 입력하여 산출되는 결과값인 연계스왓정보를 미리 정해진 군집 방법으로 군집을 형성한 후 군집마다 특정 레이블을 지정하여 상기 제2 스왓모델을 생성하는 단계인,
    스왓 분석툴 생성 방법.
  6. 제1항에 있어서,
    상기 제1 스왓모델은,
    벡터와된 두 문장을 분류할 때 문장 쌍 분류(NLI) 또는 문장 쌍 회귀(STS) 알고리즘을 활용하는 것을 특징으로 하는,
    스왓 분석툴 생성 방법.
  7. 제1항에 있어서,
    상기 제2 스왓 모델 생성 단계는,
    최빈값 각각에 기업의 강점에 해당하는 제1 레이블, 기업의 약점에 해당하는 제2 레이블, 외부적 요인으로서 기업의 기회에 해당하는 제3 레이블 및 외부적 요인으로서 기업의 위협에 해당하는 제4 레이블을 부여하는,
    스왓 분석툴 생성 방법.
  8. 제1항에 있어서,
    상기 제2 데이터 가공 단계는,
    상기 제1 학습데이터를 다중 클래스 분류 형태 데이터인 상기 제2 학습데이터로 가공하는 단계인,
    스왓 분석툴 생성 방법.
  9. 임의의 서버로부터 기업 정보를 수집하는 수집 모듈;
    상기 기업 정보를 미리 정해진 데이터 형태인 학습데이터로 가공하는 가공 모듈;
    미리 정해진 방법인 머신러닝을 이용하여 상기 학습데이터를 기초로 스왓정보를 산출하는 스왓모델을 생성하는 모델학습모듈;을 포함하고,
    상기 가공모듈은,
    상기 기업정보를 가공하여 자연어 추론 태스크 형태인 제1 학습데이터 및 상기 기업정보를 가공하여 기업의 강점, 기업의 약점, 기업의 기회 및 기업의 위협 범주로 분류되는 다중 클래스 분류 형태 데이터인 제2 학습데이터를 산출하고,
    상기 모델학습모듈은,
    상기 제1 학습데이터로 머신 러닝하여 제1 스왓모델을 생성하고, 상기 제2 학습데이터로 머신 러닝하여 제2 스왓모델을 생성하며,
    상기 제1 스왓모델은,
    sentenceBert를 이용해 자연어 추론 방식으로 머신 러닝되어 생성되며, 상기 기업정보의 두 문장들 간의 관계가 기업의 강점과 기업의 약점의 관계성인 제1 관계성, 기업의 강점과 기업의 기회의 관계성인 제2 관계성, 기업의 강점과 기업의 약점의 관계성인 제3 관계성, 기업의 강점과 기업의 위협의 관계성인 제4 관계성, 기업의 약점과 기업의 기회의 관계성인 제5 관계성 및 기업의 약점과 기업의 위협의 관계성인 제6 관계성을 분류하면서 문장 인베딩 벡터 추출기 기능을 하고,
    상기 제2 스왓모델은,
    상기 제2 학습데이터를 이용하여 미리 정해진 군집 방법으로 군집을 형성한 후 군집마다 특정 레이블을 지정하여 생성되며,
    상기 미리 정해진 군집 방법은,
    4개의 레이블이 지정되도록 K-means 클러스터링하는 방법인,
    스왓 분석툴 생성 모듈.
  10. 스왓 분석 시스템에 의해 구현되는 스왓 분석 방법에 있어서,
    펑가 기업에 대한 정보인 평가 기업 정보를 외부 서버로부터 수집하는 평가 기업 정보 수집 단계;
    제1항 내지 제8항 중 어느 한 항에 따른 스왓 분석툴 생성 방법에 의해 생성된 스왓모델에 상기 평가 기업 정보를 입력하여 상기 평가 기업의 스왓정보를 산출하는 스왓 분석 단계;을 포함하고,
    상기 스왓 분석 단계는,
    상기 평가 기업 정보가 미리 정해진 양이 수집되지 않을 경우, 미리 정해진 보완 방법을 이용하여 상기 평가 기업 정보를 대체하는,
    스왓 분석 방법.
  11. 제10항에 있어서,
    상기 미리 정해진 보완 방법은,
    상기 평가 기업과 유사한 기업으로 분류된 유사 기업의 기업정보를 이용하는 방법인,
    스왓 분석 방법.
KR1020220179834A 2022-12-20 2022-12-20 인공지능을 이용한 자동 스왓 분석툴 생성 모듈 및 이를 포함하는 스왓 분석 시스템 KR102583159B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220179834A KR102583159B1 (ko) 2022-12-20 2022-12-20 인공지능을 이용한 자동 스왓 분석툴 생성 모듈 및 이를 포함하는 스왓 분석 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220179834A KR102583159B1 (ko) 2022-12-20 2022-12-20 인공지능을 이용한 자동 스왓 분석툴 생성 모듈 및 이를 포함하는 스왓 분석 시스템

Publications (1)

Publication Number Publication Date
KR102583159B1 true KR102583159B1 (ko) 2023-09-26

Family

ID=88190847

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220179834A KR102583159B1 (ko) 2022-12-20 2022-12-20 인공지능을 이용한 자동 스왓 분석툴 생성 모듈 및 이를 포함하는 스왓 분석 시스템

Country Status (1)

Country Link
KR (1) KR102583159B1 (ko)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130050611A (ko) * 2011-11-08 2013-05-16 한국과학기술정보연구원 정량적 정보 기반의 산업기술시장 분석 시스템 및 그 방법
JP2021163122A (ja) * 2020-03-31 2021-10-11 株式会社日立システムズ コンサルティング支援システム、コンサルティング支援方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130050611A (ko) * 2011-11-08 2013-05-16 한국과학기술정보연구원 정량적 정보 기반의 산업기술시장 분석 시스템 및 그 방법
JP2021163122A (ja) * 2020-03-31 2021-10-11 株式会社日立システムズ コンサルティング支援システム、コンサルティング支援方法

Similar Documents

Publication Publication Date Title
CN107025509B (zh) 基于业务模型的决策系统和方法
US20230013306A1 (en) Sensitive Data Classification
US20180165604A1 (en) Systems and methods for automating data science machine learning analytical workflows
DE112019006389T5 (de) Automatisiertes Training und Auswahl von Modellen zur Dokumentenanalyse
KR101548526B1 (ko) 외부 인적자원의 평가를 이용한 핵심기술과 수행주체 선정 장치, 시스템 및 방법
US20140143332A1 (en) Discovering signature of electronic social networks
KR101732319B1 (ko) 목표 지향적 빅데이터 비즈니스 분석 프레임워크
Zhang et al. Objective attributes weights determining based on shannon information entropy in hesitant fuzzy multiple attribute decision making
US20100312737A1 (en) Semi-Automatic Evaluation and Prioritization of Architectural Alternatives for Data Integration
US11900320B2 (en) Utilizing machine learning models for identifying a subject of a query, a context for the subject, and a workflow
US11687717B2 (en) System and method for monitoring and routing of computer traffic for cyber threat risk embedded in electronic documents
Link et al. A Human-is-the-Loop Approach for Semi-Automated Content Moderation.
US20200342410A1 (en) Prediction of psychometric attributes relevant for job positions
US10762438B1 (en) Extracting questions and answers
JP5905651B1 (ja) 実績評価装置、実績評価装置の制御方法、および実績評価装置の制御プログラム
KR102583159B1 (ko) 인공지능을 이용한 자동 스왓 분석툴 생성 모듈 및 이를 포함하는 스왓 분석 시스템
CN117196630A (zh) 交易风险预测方法、装置、终端设备以及存储介质
CN115660695A (zh) 客服人员标签画像构建方法、装置、电子设备及存储介质
Ennima et al. Intelligent system and optimal minimisation of energy consumption on the attitude control of a vtol uav hexacopter based on fractional control laws
CN115237978A (zh) 一种开源威胁情报聚合平台
CN111615178B (zh) 识别无线网络类型及模型训练的方法、装置及电子设备
CN109885647B (zh) 用户履历验证方法、装置、电子设备及存储介质
Trivedi Machine Learning Fundamental Concepts
Ramanathan et al. Apply of sum of difference method to predict placement of students’ using educational data mining
Khan An efficient human resource management system model using web-based hybrid technique

Legal Events

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