KR102637536B1 - 인공지능 모델을 통한 부동산 담보 가치 평가를 수행하여 제공되는 부동산 금융 플랫폼 - Google Patents

Abstract

일실시예에 따른 장치는, 사용자의 단말로부터 사용자의 개인 정보를 획득하고, 사용자의 단말로부터 사용자가 확인하고자 하는 부동산의 기본 정보를 획득하고, 부동산의 기본 정보 및 부동산 데이터베이스를 이용하여 준공 연도, 세대 수, 층, 전용 면적을 포함하는 부동산 제반 정보를 획득하고, 부동산 제반 정보와 부동산 실거래 가격의 상관 관계를 학습한 담보 예측 인공신경망에 부동산 제반 정보를 입력하여 부동산의 제1 예측 담보가액을 결정하고, 부동산의 최종 예측 담보 가격을 사용자의 단말로 제공한다.

Description

인공지능 모델을 통한 부동산 담보 가치 평가를 수행하여 제공되는 부동산 금융 플랫폼 { METHOD, DEVICE AND SYSTEM FOR PROVIDING REAL ESTATE FINANCE PLATFORM THAT PERFORMS REAL ESTATE COLLATERAL VALUATION THROUGH ARTIFICIAL INTELLIGENCE MODEL }

아래 실시예들은 인공지능 모델을 통한 부동산 담보 가치 평가를 수행하는 부동산 금융 플랫폼을 제공하기 위한 기술에 관한 것이다.

부동산은 가계 경제에서 대부분의 비중을 차지하고 있다.

이에 따라 부동산을 담보로 자본을 융통 받으려는 수요는 날로 늘어났으며 주택담보대출 시장 또한 엄청난 규모에 이르렀다.

대출 금액의 대부분이 담보 대출로 구성됨에도 불구하고, 대부분의 금융기관은 부동산 담보대출 단계별로 수작업으로 진행하고 있으며, 보통 일반 금융 대출보다 4배 이상의 많은 시간이 소요되고 있다.

또한, 이러한 오프라인 시스템에 따르면, 사람의 주관적 판단이 개입될 가능성이 크고, 대출 신청자와 금융기관 사이 금융정보의 비대칭성 문제가 야기되고, 또한, 대출 신청자에게도 여러 번 영업점을 방문해야 하는 번거로움이 있으며, 금융 기관 입장에서도 비용과 시간의 많은 투자를 필요로 한다는 문제점이 있었다.

한편, 경기 침체가 지속되면서, 대출수요는 증가하는 동시에 부동산시장의 가격은 하락하고 있는 추세를 보임에 따라, 금융기관들의 담보대출 리스크 관리가 더욱 중요해지고 있다.

그러나, 부동산에 대한 엄청난 양의 자료들은 일률적이지 않고 기준이 달라 컨트롤하기 어려우며, 체계적 관리 및 분석이 동반되기 때문에 이와 관련된 고도화된 기술이 요구된다.

따라서, 인공지능 모델을 통해 부동산 담보 가치 평가를 수행하여, 정확하고 신속하게 담보 가격을 출력하는 기술이 요구된다.

한국등록특허 제10-1851498호 (2018.04.30. 공고) 한국등록특허 제10-2521575호 (2023.04.19. 공고) 한국등록특허 제10-2481105호 (2022.12.26. 공고) 한국공개특허 제10-2022-0093946호 (2022.07.05. 공개)

실시예들은 인공지능 모델을 통한 부동산 담보 가치 평가를 수행하는 부동산 금융 플랫폼을 제공하고자 한다.

실시예들은 부동산의 정보를 인공신경망에 적용하여 부동산 예측 담보가액을 생성하고자 한다.

실시예들은 부동산의 등급을 생성하여 예측 담보가액을 수정하고자 한다.

실시예들은 인공신경망을 통해 생성된 예측 담보가액, 법원 경매 관련 자료를 통해 생성된 예측 담보가액, 시세 자료를 통해 생성된 예측 담보가액을 비교하여 최종 예측 담보가액을 결정하고자 한다.

본 발명의 목적은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 명확하게 이해될 수 있을 것이다.

일실시예에 따르면, 인공지능 모델을 통한 부동산 담보 가치 평가를 수행하여 제공되는 부동산 금융 플랫폼을 제공하는 방법은 사용자의 단말로부터 상기 사용자의 개인 정보를 획득하는 단계; 상기 사용자의 단말로부터 상기 사용자가 확인하고자 하는 부동산의 기본 정보를 획득하는 단계; 상기 부동산의 기본 정보 및 부동산 데이터베이스를 이용하여 준공 연도, 세대 수, 층, 전용 면적을 포함하는 부동산의 제반 정보를 획득하는 단계; 부동산 제반 정보와 부동산 실거래 가격의 상관관계를 학습한 담보 예측 인공신경망에 상기 부동산의 제반 정보를 입력하여 상기 부동산의 제1 예측 담보가액을 결정하는 단계; 및 상기 부동산의 최종 예측 담보 가격을 상기 사용자의 단말로 제공하는 단계;를 포함한다.

상기 부동산의 제반 정보는, 공시 연도, 금리, 개별 주택 가격, 법정동을 더 포함하고, 상기 부동산의 예측 담보가액을 결정하는 단계는, 상기 부동산의 등급을 설정하여 상기 설정된 등급을 이용하여 상기 제1 예측 담보가액을 수정하는 단계를 포함하고, 상기 부동산의 등급을 설정하는 단계는, 상기 부동산이 포함된 지역을 획득하는 단계, 부동산 사이트를 통해 미리 설정된 제1 기간 동안 상기 지역이 검색된 횟수를 획득하여, 상기 지역의 관심 지수를 생성하는 단계, SNS를 통해 미리 설정된 제2 기간 동안 상기 지역이 태그된 횟수를 확인하여, 상기 지역의 SNS 노출 지수를 생성하는 단계, 상기 지역에 포함된 정류장의 개수, 상기 지역을 지나는 대중교통의 개수, 상기 대중교통의 배차 간격을 확인하여, 상기 지역의 대중교통 지수를 생성하는 단계, 상기 지역에 포함된 학원의 개수, 상기 지역에 포함된 병원의 개수, 상기 지역에 포함된 상점의 업종의 개수를 확인하여, 상기 지역의 상권 지수를 생성하는 단계, 및 상기 지역의 관심 지수, 상기 지역의 SNS 노출 지수, 상기 지역의 대중교통 지수, 및 상기 지역의 상권 지수를 기초로, 상기 부동산의 등급을 생성하는 단계를 포함한다.

인공지능 모델을 통한 부동산 담보 가치 평가를 수행하여 제공되는 부동산 금융 플랫폼 제공 방법은 법원 경매 관련 자료에 기반한 상기 부동산의 제2 예측 담보가액 및 다른 주체에서 생성한 시세 자료에 기반한 상기 부동산의 제3 예측 담보가액을 상기 제1 예측 담보가액과 함께 상기 사용자의 단말에 제공하는 단계; 상기 제1 예측 담보가액과 상기 제2 예측 담보가액의 차이가 미리 설정된 제1 기준을 초과하는지 확인하는 제1 확인 단계; 상기 제1 예측 담보가액과 상기 제3 예측 담보가액의 차이가 미리 설정된 제2 기준을 초과하는지 확인하는 제2 확인 단계; 상기 부동산의 개별 주택 가격이 미리 설정된 제3 기준을 초과하는지 확인하는 제3 확인 단계; 및 상기 제1 확인 단계 내지 상기 제3 확인 단계 중 적어도 한 단계에서 비교 대상이 미리 설정된 기준을 초과하는 경우, 상기 제1 예측 담보가액에 법원 경매 관련 자료를 통해 생성한 제1 지수 및 다른 주체에서 생성한 시세 자료를 통해 생성한 제2 지수를 적용하여 상기 부동산의 최종 예측 담보가액을 결정하는 단계;를 더 포함한다.

인공지능 모델을 통한 부동산 담보 가치 평가를 수행하여 제공되는 부동산 금융 플랫폼 제공 방법은 부동산 담보 대출을 수행할 금융 기관을 중개하는 단계를 더 포함하고, 부동산 담보 대출을 수행할 금융 기관을 중개하는 단계는, 상기 사용자의 단말로부터 상기 사용자의 목표 대출 금액 및 상기 사용자의 목표 대출 기간을 획득하는 단계, 상기 사용자의 개인 정보 및 상기 부동산의 최종 예측 담보 가격을 기초로, 금융 기관 데이터베이스에 저장된 금융 기관 별로 사용자에게 적용 가능한 부동산 담보 대출 상품을 확인하고, 확인된 부동산 담보 대출 상품의 금리 및 한도를 확인하는 단계, 상기 부동산 담보 대출 상품의 한도 및 상기 사용자의 목표 대출 금액을 비교하여, 상기 사용자의 목표 대출 금액보다 높은 한도를 갖는 부동산 담보 대출 상품을 후보 부동산 담보 대출 상품으로 선정하는 단계, 상기 후보 부동산 담보 대출 상품을 정렬하여 리스트를 생성하는 단계, 상기 생성된 리스트를 상기 사용자의 단말로 제공하는 단계, 상기 사용자의 단말로부터 상기 사용자가 선택한 부동산 담보 대출 상품을 수신하는 단계, 상기 사용자의 단말로부터 선택된 부동산 담보 대출 상품을 기초로, 상기 사용자와 상기 금융 기관을 매칭하는 단계를 포함하고, 상기 후보 부동산 담보 대출 상품을 정렬하여 리스트를 생성하는 단계는, 상기 사용자의 목표 대출 기간에 따른 후보 부동산 담보 대출 상품의 금리를 확인하여, 금리가 낮은 후보 부동산 담보 대출 상품부터 순서대로 정렬하는 단계, 상기 금리가 동일한 후보 부동산 담보 대출 상품이 존재할 경우, 상기 부동산의 위치를 기초로, 임계 범위를 생성하고, 상기 임계 범위 이내에 금융 기관의 영업점이 있는 후보 부동산 담보 대출 상품부터 순서대로 정렬하는 단계, 상기 금리 및 상기 임계 범위 내 영업점의 존재 여부가 동일한 후보 부동산 담보 대출 상품이 존재할 경우, 금융 기관의 위험성이 낮은 후보 부동산 담보 대출 상품부터 순서대로 정렬하는 단계, 및 상기 금리, 상기 임계 범위 내 영업점의 존재 여부 및 위험성이 동일한 후보 부동산 담보 대출 상품이 존재할 경우, 사용자들이 선택한 횟수를 기초로, 사용자들이 선택한 횟수가 많은 후보 부동산 담보 대출 상품부터 순서대로 정렬하는 단계를 포함한다.

인공지능 모델을 통한 부동산 담보 가치 평가를 수행하여 제공되는 부동산 금융 플랫폼 제공 방법은 상기 부동산의 가치 평가를 담당할 감정 평가사를 매칭하는 단계를 더 포함하고, 상기 부동산의 가치 평가를 담당할 부동산 감정 평가사를 매칭하는 단계는, 부동산 감정 평가사 데이터베이스로부터 부동산 감정 평가사의 포트폴리오를 획득하는 단계, 상기 부동산 감정 평가사의 포트폴리오를 통해, 상기 부동산의 위치와 상기 부동산 감정 평가사의 주소가 미리 설정된 거리 이내에 있는 부동산 감정 평가사를 매칭 후보 그룹으로 분류하는 단계, 상기 매칭 후보 그룹으로 분류된 부동산 감정 평가사가 제1 부동산 감정 평가사 하나 있는 것으로 확인된 경우, 상기 제1 부동산 감정 평가사를 상기 부동산의 감정 평가를 진행할 매칭 상대로 설정하는 단계, 상기 매칭 후보 그룹으로 분류된 부동산 감정 평가사가 둘 이상 있는 것으로 확인된 경우, 부동산을 감정 평가한 횟수인 제1 감정 평가 횟수, 상기 부동산의 명칭과 동일한 부동산을 감정 평가한 횟수인 제2 감정 평가 횟수 및 부동산을 보유하고 있는 보유량을 고려하여, 상기 매칭 후보 그룹으로 분류된 부동산 감정 평가사 별로 매칭 점수를 산출하고, 상기 매칭 후보 그룹으로 분류된 부동산 감정 평가사들 중 제1 부동산 감정 평가사의 매칭 점수가 가장 높은 것으로 확인되면, 상기 제1 부동산 감정 평가사를 상기 부동산을 감정 평가할 매칭 상대로 설정하는 단계, 및 상기 제1 부동산 감정 평가사가 상기 부동산을 감정 평가할 매칭 상대로 설정되면, 상기 제1 부동산 감정 평가사에 대한 추천 정보를 생성하여, 생성된 추천 정보를 상기 사용자의 단말로 제공하는 단계를 포함한다.

실시예들은 인공지능 모델을 통한 부동산 담보 가치 평가를 수행하는 부동산 금융 플랫폼을 제공할 수 있다.

실시예들은 부동산의 정보를 인공신경망에 적용하여 부동산 예측 담보가액을 생성할 수 있다.

실시예들은 부동산의 등급을 생성하여 예측 담보가액을 수정할 수 있다.

실시예들은 인공신경망을 통해 생성된 예측 담보가액, 법원 경매 관련 자료를 통해 생성된 예측 담보가액, 시세 자료를 통해 생성된 예측 담보가액을 비교하여 최종 예측 담보가액을 결정할 수 있다.

실시예들에 따른 효과들은 이상에서 언급한 것으로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 해당 기술 분야의 통상의 지식을 가진 자에게 명확히 이해될 수 있을 것이다.

도 1은 일실시예에 따른 시스템의 구성을 개략적으로 나타낸 도면이다.
도 2는 일실시예에 따른 인공지능 모델을 통한 부동산 담보 가치 평가를 수행하는 부동산 금융 플랫폼을 제공하는 과정을 설명하기 위한 순서도이다.
도 3은 일실시예에 따른 인공신경망을 통해 제1 예측 담보가액을 결정하는 과정을 설명하기 위한 순서도이다.
도 4는 일실시예에 따른 부동산의 등급을 통해 제1 예측 담보가액을 수정하는 과정을 설명하기 위한 순서도이다.
도 5는 일실시예에 따른 부동산의 등급을 생성하는 과정을 설명하기 위한 순서도이다.
도 6은 일실시예에 따른 법원 경매 관련 자료 및 시세 자료를 통해 부동산의 예측 담보가액을 추가로 생성하는 과정을 설명하기 위한 순서도이다.
도 7은 일실시예에 따른 부동산의 최종 예측 담보가액을 결정하는 과정을 설명하기 위한 순서도이다.
도 8은 일실시예에 따른 부동산 담보 대출을 수행할 금융 기관을 중개하는 과정을 설명하기 위한 순서도이다.
도 9는 일실시예에 따른 후보 부동산 담보 대출 상품의 리스트를 생성하는 과정을 설명하기 위한 순서도이다.
도 10은 일실시예에 따른 부동산 가치 평가를 담당할 감정 평가사를 매칭 상대로 추천하는 과정을 설명하기 위한 순서도이다.
도 11은 일실시예에 따른 장치의 구성의 예시도이다.

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

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

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

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

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

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

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

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

도 1은 일실시예에 따른 시스템의 구성을 개략적으로 나타낸 도면이다.

도 1을 참조하면, 일실시예에 따른 시스템은 통신망을 통해 서로 통신 가능한 사용자의 단말(100) 및 장치(200)를 포함할 수 있다.

먼저, 통신망은 유선 및 무선 등과 같이 그 통신 양태를 가리지 않고 구성될 수 있으며, 서버와 서버 간의 통신과 서버와 단말 간의 통신이 수행되도록 다양한 형태로 구현될 수 있다.

사용자의 단말(100)은 부동산 담보 대출을 하고자 하는 사용자, 즉, 부동산의 예측 담보 가격을 알고자 하는 사용자가 사용하는 단말로, 휴대전화기, 데스크톱 PC, 랩탑 PC, 태블릿 PC, 스마트폰 등으로 구현될 수 있으나, 이에 제한되지는 않으며, 외부 서버와 연결될 수 있는 다양한 형태의 통신 장치로 구현될 수도 있다. 예를 들어, 도 1에 도시된 바와 같이, 사용자의 단말(100)은 스마트폰일 수 있으며, 실시예에 따라 달리 채용될 수도 있다.

사용자의 단말(100)은 통상의 컴퓨터가 가지는 연산 기능, 저장/참조 기능, 입출력 기능 및 제어 기능을 전부 또는 일부 수행하도록 구성될 수 있다. 사용자의 단말(100)은 장치(200)와 유무선으로 통신하도록 구성될 수 있다.

사용자의 단말(100)은 장치(200)를 이용하여 서비스를 제공하는 자 내지 단체가 운영하는 웹 사이트에 접속되거나, 장치(200)를 이용하여 서비스를 제공하는 자 내지 단체가 개발·배포한 애플리케이션이 설치될 수 있다. 사용자의 단말(100)은 웹 사이트 또는 애플리케이션을 통해 장치(200)와 연동될 수 있다.

도1 및 이하의 설명에서는, 설명의 편의상, 사용자의 단말(100) 하나만을 도시하고 설명하였으나, 단말들의 수는 실시예에 따라 얼마든지 달라질 수 있다. 장치(200)의 처리 용량이 허용하는 한, 단말들의 수는 특별한 제한이 없다.

장치(200)는 장치(200)를 이용하여 서비스를 제공하는 자 내지 단체가 보유한 자체 서버일수도 있고, 클라우드 서버일 수도 있고, 분산된 노드(node)들의 p2p(peer-to-peer) 집합일 수도 있다. 장치(200)는 통상의 컴퓨터가 가지는 연산 기능, 저장/참조 기능, 입출력 기능 및 제어 기능을 전부 또는 일부 수행하도록 구성될 수 있다. 장치(200)는 사용자의 단말(100)과 유무선으로 통신하도록 구성될 수 있다.

또한, 장치(200)는 블로그, 카페, 인스타그램, 페이스북, 트위터, 유튜브를 포함하는 SNS 및 기사를 포함하는 웹 페이지를 포함하는 웹사이트와 유무선으로 통신할 수 있으며, 장치(200)는 웹사이트에 접속하여 정보를 획득할 수 있다.

또한, 장치(200)는 인공지능 모델을 통한 부동산 담보 가치 평가를 수행하는 부동산 금융 플랫폼을 운영할 수 있으며, 사용자의 단말(100)은 해당 플랫폼을 통해 장치(200)와 유무선으로 통신할 수 있다. 또한, 장치(200)는 인공지능 모델을 통한 부동산 담보 가치 평가를 수행하는 부동산 금융 플랫폼을 통해 획득한 정보를 장치(200)에 구비된 데이터베이스로 저장할 수 있다.

장치(200)는 사용자의 단말(100)로부터 사용자의 개인 정보를 획득하고, 사용자의 단말(100)로부터 사용자가 확인하고자 하는 부동산의 기본 정보를 획득하고, 부동산의 기본 정보 및 부동산 데이터베이스를 이용하여 준공 연도, 세대 수, 층, 전용 면적을 포함하는 부동산 제반 정보를 획득하고, 부동산 제반 정보와 부동산 실거래 가격의 상관 관계를 학습한 담보 예측 인공신경망에 부동산 제반 정보를 입력하여 부동산의 제1 예측 담보가액을 결정하고, 부동산의 최종 예측 담보 가격을 사용자의 단말(100)로 제공할 수 있다.

본 발명에서, 인공지능(Artificial Intelligence, AI)은 인간의 학습능력, 추론능력, 지각능력 등을 모방하고, 이를 컴퓨터로 구현하는 기술을 의미하고, 기계 학습, 심볼릭 로직(Symbolic Logic) 등의 개념을 포함할 수 있다. 기계 학습(Machine Learning, ML)은 입력 데이터들의 특징을 스스로 분류 또는 학습하는 알고리즘 기술이다. 인공지능의 기술은 기계 학습의 알고리즘으로써 입력 데이터를 분석하고, 그 분석의 결과를 학습하며, 그 학습의 결과에 기초하여 판단이나 예측을 할 수 있다. 또한, 기계 학습의 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 기술들 역시 인공지능의 범주로 이해될 수 있다. 예를 들어, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야가 포함될 수 있다.

기계 학습은 데이터를 처리한 경험을 이용해 신경망 모델을 훈련시키는 처리를 의미할 수 있다. 기계 학습을 통해 컴퓨터 소프트웨어는 스스로 데이터 처리 능력을 향상시키는 것을 의미할 수 있다. 신경망 모델은 데이터 사이의 상관 관계를 모델링하여 구축된 것으로서, 그 상관 관계는 복수의 파라미터에 의해 표현될 수 있다. 신경망 모델은 주어진 데이터로부터 특징들을 추출하고 분석하여 데이터 간의 상관 관계를 도출하는데, 이러한 과정을 반복하여 신경망 모델의 파라미터를 최적화해 나가는 것이 기계 학습이라고 할 수 있다. 예를 들어, 신경망 모델은 입출력 쌍으로 주어지는 데이터에 대하여, 입력과 출력 사이의 매핑(상관 관계)을 학습할 수 있다. 또는, 신경망 모델은 입력 데이터만 주어지는 경우에도 주어진 데이터 사이의 규칙성을 도출하여 그 관계를 학습할 수도 있다.

인공지능 학습모델 또는 신경망 모델은 인간의 뇌 구조를 컴퓨터 상에서 구현하도록 설계될 수 있으며, 인간의 신경망의 뉴런(neuron)을 모의하며 가중치를 가지는 복수의 네트워크 노드들을 포함할 수 있다. 복수의 네트워크 노드들은 뉴런이 시냅스(synapse)를 통하여 신호를 주고받는 뉴런의 시냅틱(synaptic) 활동을 모의하여, 서로 간의 연결 관계를 가질 수 있다. 인공지능 학습모델에서 복수의 네트워크 노드들은 서로 다른 깊이의 레이어에 위치하면서 컨볼루션(convolution) 연결 관계에 따라 데이터를 주고받을 수 있다. 인공지능 학습모델은, 예를 들어, 인공 신경망 모델(Artificial Neural Network), 컨볼루션 신경망 모델(Convolution Neural Network: CNN) 등일 수 있다. 일 실시예로서, 인공지능 학습모델은, 지도학습(Supervised Learning), 비지도 학습(Unsupervised Learning), 강화 학습(Reinforcement Learning) 등의 방식에 따라 기계 학습될 수 있다. 기계 학습을 수행하기 위한 기계 학습 알고리즘에는, 의사결정트리(Decision Tree), 베이지안 망(Bayesian Network), 서포트 벡터 머신(Support Vector Machine), 인공 신경망(Artificial Neural Network), 에이다부스트(Ada-boost), 퍼셉트론(Perceptron), 유전자 프로그래밍(Genetic Programming), 군집화(Clustering) 등이 사용될 수 있다.

이중, CNN은 최소한의 전처리(preprocess)를 사용하도록 설계된 다계층 퍼셉트론(multilayer perceptrons)의 한 종류이다. CNN은 하나 또는 여러 개의 합성곱 계층과 그 위에 올려진 일반적인 인공 신경망 계층들로 이루어져 있으며, 가중치와 통합 계층(pooling layer)들을 추가로 활용한다. 이러한 구조 덕분에 CNN은 2차원 구조의 입력 데이터를 충분히 활용할 수 있다. 다른 딥러닝 구조들과 비교해서, CNN은 영상, 음성 분야 모두에서 좋은 성능을 보여준다. CNN은 또한 표준 역전달을 통해 훈련될 수 있다. CNN은 다른 피드포워드 인공신경망 기법들보다 쉽게 훈련되는 편이고 적은 수의 매개변수를 사용한다는 이점이 있다.

컨볼루션 네트워크는 묶인 파라미터들을 가지는 노드들의 집합들을 포함하는 신경 네트워크들이다. 사용 가능한 트레이닝 데이터의 크기 증가와 연산 능력의 가용성이, 구분적 선형 단위 및 드롭아웃 트레이닝과 같은 알고리즘 발전과 결합되어, 많은 컴퓨터 비전 작업들이 크게 개선되었다. 오늘날 많은 작업에 사용할 수 있는 데이터 세트들과 같은 엄청난 양의 데이터 세트에서는 초과 맞춤(outfitting)이 중요하지 않으며, 네트워크의 크기를 늘리면 테스트 정확도가 향상된다. 컴퓨팅 리소스들의 최적 사용은 제한 요소가 된다. 이를 위해, 심층 신경 네트워크들의 분산된, 확장 가능한 구현예가 사용될 수 있다.

도 2는 일실시예에 따른 인공지능 모델을 통한 부동산 담보 가치 평가를 수행하는 부동산 금융 플랫폼을 제공하는 과정을 설명하기 위한 순서도이다.

도 2을 참조하면, 먼저, S201 단계에서, 장치(200)는 사용자의 단말(100)로부터 사용자의 개인 정보를 획득할 수 있다. 여기서, 사용자의 개인 정보는 사용자의 이름, 사용자의 연락처, 사용자의 주소, 사용자의 자산, 사용자의 연령, 사용자의 직업을 포함할 수 있으며, 그 외의 사용자의 정보를 포함할 수 있다.

구체적으로, 장치(200)는 사용자의 단말(100)로부터 사용자의 이름, 사용자의 연락처, 사용자의 주소, 사용자의 자산, 사용자의 연령, 사용자의 직업을 포함하는 사용자의 개인 정보를 획득할 수 있다.

S202 단계에서, 장치(200)는 사용자의 단말(100)로부터 사용자가 확인하고자 하는 부동산의 기본 정보를 획득할 수 있다. 여기서, 부동산의 기본 정보는 부동산의 명칭, 부동산의 위치 및 부동산의 동호수를 포함할 수 있다.

구체적으로, 장치(200)는 사용자의 단말(100)로부터 사용자가 예측 담보 가격을 확인하고자 하는 부동산의 명칭, 부동산의 위치 및 부동산의 동호수를 포함하는 부동산의 기본 정보를 획득할 수 있다.

S203 단계에서, 장치(200)는 부동산의 기본 정보 및 부동산 데이터베이스를 이용하여 준공 연도, 세대 수, 층, 전용 면적을 포함하는 부동산 제반 정보를 획득할 수 있다.

구체적으로, 장치(200)는 사용자의 단말(100)로부터 획득한 부동산의 명칭, 부동산의 위치 및 부동산의 동호수를 포함하는 부동산의 기본 정보 및 부동산 데이터베이스를 통해 사용자가 예측 담보 가격을 확인하고자 하는 부동산의 준공 연도, 세대 수, 층, 전용 면적을 포함하는 부동산 제반 정보를 획득할 수 있다.

이 과정에서 장치(200)는 부동산 데이터베이스를 포함하거나, 별개의 부동산 데이터베이스와 유무선으로 통신할 수 있으며, 부동산 데이터베이스에는 존재하고 있는 부동산에 대한 정보가 저장될 수 있으며, 부동산에 대한 정보에는 부동산의 명칭, 부동산의 위치, 부동산의 종류, 부동산의 준공 연도, 부동산의 세대 수, 부동산의 공시 연도, 부동산의 개별 주택 가격(공시 가격), 부동산의 전용 면적, 부동산의 법정동, 부동산의 건설사, 부동산의 임대인, 부동산의 임차인 등의 정보가 포함될 수도 있다. 이 때, 부동산은 아파트, 주택, 상업용 건물, 땅 등을 포함할 수 있다. 또한, 하나의 부동산에 아파트, 주택과 같이 여러 세대가 포함되어 있는 경우, 부동산 데이터베이스는 각 세대에 대한 정보가 더 포함될 수 있다. 예를 들어, 부동산이 단독 주택일 경우, 부동산 데이터베이스에 저장된 부동산의 전용면적이 하나일 수 있지만, 부동산이 다세대 주택일 경우, 부동산 데이터베이스에 각 세대와 매칭하여 부동산의 전용면적이 저장될 수 있다.

구체적으로, 장치(200)는 사용자의 단말(100)로부터 획득한 부동산의 명칭 및 위치를 기초로, 부동산 데이터베이스에 저장된 부동산들 중 사용자가 예측 담보 가격을 확인하고자 하는 부동산을 확인할 수 있고, 부동산 데이터베이스로부터 확인된 부동산에 매칭되어 있는 부동산의 준공 연도, 세대 수를 확인할 수 있다.

또한, 장치(200)는 사용자의 단말(100)로부터 획득한 부동산의 동호수를 통해 부동산의 층, 부동산의 전용 면적을 획득할 수 있다. 즉, 장치(200)는 사용자가 다세대 주택에 살고 있고, 세대별 전용 면적이 다른 경우, 장치(200)는 부동산 데이터베이스로부터 획득한 부동산의 정보와 사용자의 단말(100)로부터 획득한 사용자의 동호수를 통해 사용자가 확인하고자 하는 부동산 즉, 사용자가 확인하고자 하는 사용자의 세대에 대한 층 및 전용 면적을 확인할 수 있다. 또한, 장치(200)는 사용자가 단독 주택에 살고 있는 경우, 사용자의 동호수를 고려하지 않고, 부동산의 정보를 통해 부동산의 층 및 전용 면적을 확인할 수 있다.

한편, 부동산의 제반 정보에는 부동산의 공시 연도, 금리, 개별 주택 가격, 법정동이 더 포함될 수 있는데, 장치(200)는 부동산 데이터베이스로부터 확인된 부동산에 매칭되어 있는 부동산의 공시 연도, 개별 주택 가격(공시 가격), 및 법정동을 더 획득할 수 있다. 또한, 장치(200)는 은행 데이터베이스와 유무선으로 통신할 수 있으며, 은행 데이터베이스에는 각 시점에 대응하여 적용되는 COFIX 금리 및 MOR 금리를 포함하는 금리, 환율 등이 저장되어 있을 수 있으며, 장치(200)는 은행 데이터베이스로부터 현 시점에 적용된 코픽스 금리 즉, 현 시점의 금리를 획득할 수 있다.

S204 단계에서, 장치(200)는 부동산 제반 정보와 부동산 실거래 가격의 상관 관계를 학습한 담보 예측 인공신경망에 부동산의 제반 정보를 입력하여 부동산의 제1 예측 담보가액을 결정할 수 있다.

구체적으로, 장치(200)는 부동산의 기본 정보 및 부동산 데이터베이스로부터 획득한 부동산의 준공 연도, 부동산의 세대 수, 부동산의 층, 부동산의 전용 면적, 부동산의 공시 연도, 부동산의 개별 주택 가격, 부동산의 법정동 및 은행 데이터베이스로부터 획득한 현 시점의 금리를 포함하는 부동산의 제반 정보를 담보 예측 인공신경망에 적용하여 부동산의 제1 예측 담보가액을 결정할 수 있다. 또한, 부동산 제반 정보를 담보 예측 인공신경망에 적용하여 부동산의 제1 예측 담보가액을 결정하는 과정은 도 3을 참조하여 설명하기로 한다.

S205 단계에서, 장치(200)는 부동산의 최종 예측 담보 가격을 사용자의 단말(100)로 제공할 수 있다.

구체적으로, 장치(200)는 담보 예측 인공신경망을 통해 예측된 부동산의 제1 예측 담보가액을 그대로 부동산의 최종 예측 담보 가격으로 결정하거나, 부동산의 등급을 통해 부동산의 제1 예측 담보가액을 수정하여 부동산의 최종 예측 담보 가격을 생성하거나, 또는 법원 경매 관련 자료 및 시세 자료에 따라 부동산의 제1 예측 담보가액을 보정하여 부동산의 최종 예측 담보 가격을 생성할 수 있으며, 생성된 부동산의 최종 예측 담보 가격을 사용자의 단말(100)로 제공할 수 있다.

이로 인해, 사용자는 사용자가 부동산 가치 평가를 하고자 하는 부동산의 예측 담보 가격을 보다 정확하고, 신속하게 확인할 수 있는 효과가 있다.

도 3은 일실시예에 따른 인공신경망을 통해 제1 예측 담보가액을 결정하는 과정을 설명하기 위한 순서도이다.

도 3을 참조하면, 먼저, S301 단계에서, 장치(200)는 부동산의 준공 연도, 부동산의 세대 수, 부동산의 층, 부동산의 전용 면적, 부동산의 공시 연도, 부동산의 개별 주택 가격, 부동산의 법정동, 현 시점의 금리를 기초로, 제1 입력 신호를 생성할 수 있다.

구체적으로, 장치(200)는 부동산의 준공 연도, 부동산의 세대 수, 부동산의 층, 부동산의 전용 면적, 부동산의 공시 연도, 부동산의 개별 주택 가격, 부동산의 법정동, 현 시점의 금리를 전처리하는 과정을 수행할 수 있다. 전처리가 수행된 부동산의 준공 연도, 부동산의 세대 수, 부동산의 층, 부동산의 전용 면적, 부동산의 공시 연도, 부동산의 개별 주택 가격, 부동산의 법정동, 현 시점의 금리는 인공신경망의 입력으로 그대로 사용하거나, 불필요한 정보를 제거하는 통상의 처리를 거쳐 입력을 생성할 수 있다.

S302 단계에서, 장치(200)는 제1 입력 신호를 담보 예측 인공신경망에 적용하여 제1 출력 신호를 출력할 수 있다.

구체적으로, 장치(200)는 담보 예측 인공신경망을 포함하거나, 별개의 담보 예측 인공신경망과 유무선으로 통신할 수 있으며, 여기서, 담보 예측 인공신경망은 준공 연도, 세대 수, 층, 전용 면적, 공시 연도, 개별 주택 가격, 법정동, 금리를 입력으로 받아 부동산의 담보가액을 예측하는 알고리즘일 수 있다. 담보 예측 인공신경망은 준공 연도, 세대 수, 층, 전용 면적, 공시 연도, 개별 주택 가격, 법정동, 금리와 부동산 실거래 가격의 상관관계를 학습한 인공신경망이다.

즉, 담보 예측 인공신경망은 부동산의 준공 연도, 부동산의 세대 수, 부동산의 층, 부동산의 전용 면적, 부동산의 공시 연도, 부동산의 개별 주택 가격, 부동산의 법정동, 현 시점의 금리를 고려하여, 부동산 실거래 가격을 분석하고, 부동산의 예측 담보가액을 출력할 수 있다.

담보 예측 인공 신경망의 학습이 이루어지는 학습 장치는 학습된 담보 예측 인공 신경망을 이용하여 부동산의 예측 담보가액을 생성하는 장치(200)와 동일한 장치일 수 있고, 별개의 장치일 수도 있다.

학습 장치는 담보 예측 인공신경망에 입력을 적용할 수 있다. 담보 예측 인공신경망은 강화 학습(reinforcement learning)에 따라 학습되는 인공 신경망일 수 있다. 담보 예측 인공신경망은 강화 학습을 통해 추상적 추론을 출력하는데 적합한 Q-Network, DQN(Depp Q-Network), 또는 관계형 네트워크(relation network, RL) 구조일 수 있다.

강화 학습에 따라 학습되는 담보 예측 인공신경망은 다양한 보상에 평가를 반영하여 갱신 및 최적화될 수 있다. 예를 들어, 제1 보상은 준공 연도에 따라 적합한 실거래 가격을 선정할수록 보상 값이 높아질 수 있고, 제2 보상은 세대 수에 따라 적합한 실거래 가격을 선정할수록 보상 값이 높아질 수 있고, 제3 보상은 층에 따라 적합한 실거래 가격을 선정할수록 보상 값이 높아질 수 있고, 제4 보상은 전용 면적에 따라 적합한 실거래 가격을 선정할수록 보상 값이 높아질 수 있고, 제5 보상은 공시 연도에 따라 적합한 실거래 가격을 선정할수록 보상 값이 높아질 수 있고, 제6 보상은 개별 주택 가격에 따라 적합한 실거래 가격을 선정할수록 보상 값이 높아질 수 있고, 제7 보상은 법정동에 따라 적합한 실거래 가격을 선정할수록 보상 값이 높아질 수 있고, 제8 보상은 금리에 따라 적합한 실거래 가격을 선정할수록 보상 값이 높아질 수 있으며, 제9 보상은 준공 연도에 따라 적합하지 않은 실거래 가격을 선정하지 않을수록 보상 값이 높아질 수 있고, 제10 보상은 세대 수에 따라 적합하지 않은 실거래 가격을 선정하지 않을수록 보상 값이 높아질 수 있고, 제11 보상은 층에 따라 적합하지 않은 실거래 가격을 선정하지 않을수록 보상 값이 높아질 수 있고, 제12 보상은 전용 면적에 따라 적합하지 않은 실거래 가격을 선정하지 않을수록 보상 값이 높아질 수 있고, 제13 보상은 공시 연도에 따라 적합하지 않은 실거래 가격을 선정하지 않을수록 보상 값이 높아질 수 있고, 제14 보상은 개별 주택 가격에 따라 적합하지 않은 실거래 가격을 선정하지 않을수록 보상 값이 높아질 수 있고, 제15 보상은 법정동에 따라 적합하지 않은 실거래 가격을 선정하지 않을수록 보상 값이 높아질 수 있고, 제16 보상은 금리에 따라 적합하지 않은 실거래 가격을 선정하지 않을수록 보상 값이 높아질 수 있다.

학습 장치는 담보 예측 인공신경망으로부터 출력을 획득할 수 있다. 담보 예측 인공신경망의 출력은, 준공 연도, 세대 수, 층, 전용 면적, 공시 연도, 개별 주택 가격, 법정동, 금리에 따른 부동산 실거래 가격일 수 있다. 이때, 담보 예측 인공신경망은 준공 연도, 세대 수, 층, 전용 면적, 공시 연도, 개별 주택 가격, 법정동, 금리를 고려하여, 부동산 실거래 가격을 분석할 수 있으며, 예측한 부동산 실거래 가격을 통해 부동산의 예측 담보가액을 출력할 수 있다.

학습 장치는 담보 예측 인공신경망의 출력을 평가하여 보상을 지급할 수 있다. 이때, 출력의 평가는 제1 보상, 제2 보상, 제3 보상, 제4 보상, 제5 보상, 제6 보상, 제7 보상, 제8 보상, 제9 보상, 제10 보상, 제11 보상, 제12 보상, 제13 보상, 제14 보상, 제15 보상, 및 제16 보상 등으로 나뉠 수 있다.

구체적으로, 학습 장치는 준공 연도에 따라 적합한 담보가액을 출력하면 제1 보상을 많이 수여하고, 세대 수에 따라 적합한 담보가액을 출력하면 제2 보상을 많이 수여하고, 층에 따라 적합한 담보가액을 출력하면 제3 보상을 많이 수여하고, 전용 면적에 따라 적합한 담보가액을 출력하면 제4 보상을 많이 수여하고, 공시 연도에 따라 적합한 담보가액을 출력하면 제5 보상을 많이 수여하고, 개별 주택 가격에 따라 적합한 담보가액을 출력하면 제6 보상을 많이 수여하고, 법정동에 따라 적합한 담보가액을 출력하면 제7 보상을 많이 수여하고, 금리에 따라 적합한 담보가액을 출력하면 제8 보상을 많이 수여하고, 준공 연도에 따라 적합하지 않은 담보가액을 출력하지 않으면 제9 보상을 많이 수여하고, 세대 수에 따라 적합하지 않은 담보가액을 출력하지 않으면 제10 보상을 많이 수여하고, 층에 따라 적합하지 않은 담보가액을 출력하지 않으면 제11 보상을 많이 수여하고, 전용 면적에 따라 적합하지 않은 담보가액을 출력하지 않으면 제12 보상을 많이 수여하고, 공시 연도에 따라 적합하지 않은 담보가액을 출력하지 않으면 제13 보상을 많이 수여하고, 개별 주택 가격에 따라 적합하지 않은 담보가액을 출력하지 않으면 출력하면 제14 보상을 많이 수여하고, 법정동에 따라 적합하지 않은 담보가액을 출력하지 않으면 제15 보상을 많이 수여하고, 금리에 따라 적합하지 않은 담보가액을 출력하지 않으면 제16 보상을 많이 수여할 수 있다.

학습 장치는 평가를 기초로 담보 예측 인공신경망을 갱신할 수 있다.

구체적으로, 학습 장치는 담보 예측 인공신경망이, 준공 연도, 세대 수, 층, 전용 면적, 공시 연도, 개별 주택 가격, 법정동, 금리를 고려하여, 부동산 실거래 가격에 대한 정보를 분석하는 환경(environment)에서, 보상값(reward)들의 합의 기대값(expectation)이 최대화되도록, 특정한 상태(state)들에서 취할 행동(action)들을 결정하는 정책(policy)을 최적화하는 과정을 통해 인공신경망을 갱신할 수 있다.

한편, 정책을 최적화하는 과정은 보상들의 합의 기대값의 최대값 또는 Q-함수의 최대값을 추정하거나, Q-함수의 손실 함수(loss function)의 최소값을 추정하는 과정을 통해 이루어질 수 있다. 손실함수의 최소값의 추정은 확률적 경사하강법(stochastic gradient descent, SGD) 등을 통해 이루어질 수 있다. 정책을 최적화하는 과정은 이에 제한되는 것은 아니며, 강화 학습에서 사용하는 다양한 최적화 알고리즘들이 이용될 수 있다.

학습 장치는 상술한 담보 예측 인공신경망의 학습 과정을 반복함으로써, 담보 예측 인공신경망을 점진적으로 갱신시킬 수 있다. 이를 통해, 학습 장치는 준공 연도, 세대 수, 층, 전용 면적, 공시 연도, 개별 주택 가격, 법정동, 금리를 고려하여, 부동산의 담보가액을 예측 출력하는 인공신경망을 학습시킬 수 있다.

즉, 학습 장치는 준공 연도, 세대 수, 층, 전용 면적, 공시 연도, 개별 주택 가격, 법정동, 금리를 고려하여, 부동산의 담보가액을 출력할 때, 제1 보상, 제2 보상, 제3 보상, 제4 보상, 제5 보상, 제6 보상, 제7 보상, 제8 보상, 제9 보상, 제10 보상, 제11 보상, 제12 보상, 제13 보상, 제14 보상, 제15 보상, 및 제16 보상 등을 통한 강화 학습을 반영하여, 분석 기준을 조정함으로써, 담보 예측 인공신경망을 학습시킬 수 있다.

또한, 학습 장치는 감정평가사의 단말로부터 감정평가사가 감정한 실제 감정가를 획득하고, 실제 감정가와 담보 예측 인공신경망을 통해 예측된 부동산의 예측 담보가액을 대조하여 차이(Gap)를 줄여나가는 방식으로 담보 예측 인공신경망을 학습시킬 수 있다.

S303 단계에서, 장치(200)는 제1 출력 신호에 기반하여 부동산의 제1 예측 담보가액을 생성할 수 있다.

이로 인해, 장치(200)는 담보 예측 인공신경망을 통해 부동산의 예측 담보 가액을 생성하여 보다 정확하고 신속하게 담보 가액을 예측할 수 있다.

도 4는 일실시예에 따른 부동산의 등급을 통해 제1 예측 담보가액을 수정하는 과정을 설명하기 위한 순서도이다.

도 4를 참조하면, 먼저, S401 단계에서, 장치(200)는 부동산의 등급을 설정할 수 있다. 여기서, 부동산의 등급은 1등급에서 5등급까지의 등급으로 생성될 수 있으며, 그 외의 방법으로 등급이 나뉠 수 있다. 또한, 부동산의 등급이 1등급에서 5등급으로 나뉠 경우, 1등급에 가까울수록 높은 등급일 수 있고, 5등급에 가까울수록 낮은 등급일 수 있다.

구체적으로, 장치(200)는 부동산의 위치를 기초로, 부동산이 포함된 지역을 확인할 수 있고, 확인된 부동산이 포함된 지역을 분석하여 해당 지역의 수요가 어느정도 있는지, 해당 지역의 인프라가 잘 구축되어 있는지 등을 확인하여 부동산의 등급을 생성할 수 있다. 부동산의 등급을 설정하는 과정은 도 5를 참조하여 설명하기로 한다.

S502 단계에서, 장치(200)는 설정된 등급을 이용하여 제1 예측 담보가액을 수정할 수 있다.

구체적으로, 장치(200)는 설정된 등급을 이용하여, 등급이 1등급에 가까울 즉, 등급이 높을 경우, 제1 예측 담보가액이 높아지도록 수정할 수 있고, 등급이 5등급에 가까울 즉, 등급이 낮을 경우, 제1 예측 담고가액이 낮아지도록 수정할 수 있다.

이때, 데이터베이스에는 등급에 따라 예측 담보가액의 상승 또는 하락 여부가 매칭되어 있을 수 있으며, 또한, 등급에 따라 예측 담보가액이 수정되는 정도가 매칭되어 있을 수 있다. 즉, 부동산의 등급에는 1등급, 2등급, 3등급, 4등급, 5등급이 있을 경우, 1등급에는 예측 담보가액의 25% 상승이 매칭되어 있고, 2등급에는 예측 담보가액의 10% 상승이 매칭되어 있고, 3등급에는 예측 담보가액의 유지가 매칭되어 있고, 4등급에는 예측 담보가액의 10% 하락이 매칭되어 있고, 5등급에는 예측 담보가액의 25% 상승이 매칭되어 있을 수 있다. 또한, 등급에 따른 예측 담보가액의 상승 또는 하락 여부 및 수정 정도는 미리 설정된 값으로 실시 예에 따라 달라질 수 있다.

도 5는 일실시예에 따른 부동산의 등급을 생성하는 과정을 설명하기 위한 순서도이다.

도 5를 참조하면, 먼저, S501 단계에서, 장치(200)는 부동산의 위치를 기초로, 부동산이 포함된 지역을 획득할 수 있다.

구체적으로, 장치(200)는 부동산의 위치를 기초로, 부동산이 어느 지역에 포함되었는지 부동산이 포함된 지역을 획득할 수 있다. 여기서, 지역은 구 단위일 수도 있고, 동 단위일 수도 있고, 그 외의 단위일 수도 있다.

즉, 지역이 구 단위일 경우, 장치(200)는 부동산의 위치를 기초로, 해당 부동산이 어떤 구에 포함되어 있는지 확인하여 확인된 구를 부동산이 포함된 지역으로 획득할 수 있다.

S502 단계에서, 장치(200)는 부동산 사이트를 통해 제1 기간 동안 지역이 검색된 횟수를 획득하여 지역의 관심 지수를 생성할 수 있다. 여기서, 제1 기간은 현재 시점을 기준으로 미리 설정된 기간으로 실시 예에 따라 달라질 수 있다.

구체적으로, 장치(200)는 부동산 사이트의 데이터베이스와 유무선으로 통신할 수 있으며, 부동산 사이트의 데이터베이스에는 부동산 사이트에 등록된 부동산의 정보, 부동산 사이트에 가입된 사용자의 정보, 부동산 사이트를 통해 부동산이 거래된 이력, 및 부동산 사이트의 검색 엔진을 통해 생성된 정보 등이 저장될 수 있으며, 부동산 사이트의 검색 엔진을 통해 생성된 정보에는 각 지역에 대응하여 지역이 검색된 횟수, 기간별 지역이 검색된 횟수, 및 각 지역에 대응하는 검색량 증가 정도 등이 포함될 수 있다.

즉, 장치(200)는 부동산의 위치를 기초로, 사용자가 확인하고자 하는 부동산이 포함된 지역을 획득할 수 있고, 부동산 사이트의 데이터베이스를 통해 미리 설정한 제1 기간 동안 해당 지역이 검색된 횟수를 획득할 수 있고, 또한, 획득한 지역이 검색된 횟수를 통해 지역의 관심 지수를 생성할 수 있다. 이때, 장치(200)는 지역이 검색된 횟수가 많을수록 지역의 관심 지수를 높게 생성할 수 있고, 지역이 검색된 횟수가 적을수록 지역의 관심 지수를 낮게 생성할 수 있다.

즉, 장치(200)는 부동산 사이트의 데이터베이스를 통해 획득한 지역이 검색된 횟수가 미리 설정된 제1 기준 횟수보다 많은지 여부를 확인할 수 있고, 지역이 검색된 횟수가 제1 기준 횟수보다 많을 경우, 지역의 관심 지수로 지역의 관심 지수의 최고 점수를 부여할 수 있고, 지역이 검색된 횟수가 제1 기준 횟수보다 많지 않을 경우, 지역이 검색된 횟수에 비례하여 지역의 관심 지수를 생성할 수 있다.

S503 단계에서, 장치(200)는 SNS를 통해 제2 기간 동안 지역이 태그된 횟수를 확인하여, 지역의 SNS 노출 지수를 생성할 수 있다. 여기서, 제2 기간은 현재 시점으로 기준으로 미리 설정된 기간으로 실시 예에 따라 달라질 수 있다.

구체적으로, 장치(200)는 SNS를 포함하는 웹 사이트와 유무선으로 통신할 수 있고, 웹 사이트에 접속할 수 있다. 즉, 장치(200)는 부동산의 위치를 기초로, 사용자가 확인하고자 하는 부동산이 포함된 지역을 획득할 수 있고, SNS에 접속하여 미리 설정한 제2 기간 동안 지역이 태그된 횟수를 확인할 수 있다. 여기서, 태그는 해시태그 및 위치태그를 포함할 수 있으며, 장치(200)는 SNS에 접속하여 제2 기간 동안 업로드된 게시물 중 지역을 해시태그 또는 위치태그한 게시물을 확인할 수 있고, 확인된 게시물의 개수를 기초로, 제2 기간 동안 지역이 태그된 횟수를 확인할 수 있다. 또한, 장치(200)는 지역이 태그된 횟수를 통해 지역의 SNS 노출 지수를 생성할 수 있다. 이때, 장치(200)는 지역이 태그된 횟수가 많을수록 지역의 SNS 노출 지수를 높게 생성할 수 있고, 지역이 태그된 횟수가 적을수록 지역의 SNS 노출 지수를 낮게 생성할 수 있다.

즉, 장치(200)는 SNS를 통해 획득한 지역이 태그된 횟수가 미리 설정된 제2 기준 횟수보다 많은지 여부를 확인할 수 있고, 지역이 태그된 횟수가 제2 기준 횟수보다 많을 경우, 지역의 SNS 노출 지수로 지역의 SNS 노출 지수의 최고 점수를 부여할 수 있고, 지역이 태그된 횟수가 제2 기준 횟수보다 많지 않을 경우, 지역이 태그된 횟수에 비례하여 지역의 SNS 노출 지수를 생성할 수 있다.

S504 단계에서, 장치(200)는 지역에 포함된 정류장의 개수, 지역을 지나는 대중교통의 개수, 대중교통의 배차 간격을 확인하여, 지역의 대중교통 지수를 생성할 수 있다. 여기서, 대중교통은 버스 및 지하철을 포함할 수 있고, 정류장은 버스 정거장 및 지하철역을 포함할 수 있다.

즉, 장치(200)는 지역 공공기관 데이터베이스와 유무선으로 통신할 수 있고, 지역 공공기관 데이터베이스에는 지역을 지나는 대중교통과 관련하여 대중교통 이용 데이터가 저장될 수 있고, 대중교통 이용 데이터는 지역에 포함된 버스 정거장, 지역에 포함된 지하철역, 상기 버스 정거장을 거치는 즉, 지나는 버스, 상기 지하철역을 지나는 지하철, 상기 버스의 배차 간격, 상기 버스의 평균 이용객 수, 상기 지하철의 배차 간격, 및 상기 지하철의 평균 이용객 수 등이 포함될 수 있다.

구체적으로, 장치(200)는 부동산의 위치를 기초로, 사용자가 확인하고자 하는 부동산이 포함된 지역을 획득할 수 있고, 획득한 지역의 지역 공공기관 데이터베이스를 통해 대중교통 이용 데이터를 획득하고, 획득한 대중교통 이용 데이터를 기초로, 해당 지역에 포함된 버스 정거장, 해당 지역에 포함된 지하철역을 확인하여 해당 지역에 포함된 정류장의 개수를 생성할 수 있다. 또한, 장치(200)는 해당 지역에 포함된 버스 정거장을 지나는 버스, 해당 지역에 포함된 지하철역을 지나는 지하철을 확인하여 해당 지역을 지나는 대중교통의 개수를 생성할 수 있다. 또한, 장치(200)는 해당 지역을 지나는 버스의 배차 간격 및 해당 지역을 지나는 지하철의 배차 간격을 확인하여, 평균 값을 생성할 수 있고, 생성된 평균 값을 대중교통의 배차 간격으로 생성할 수 있다. 또한, 장치(200)는 확인된 해당 지역에 포함된 정류장의 개수, 해당 지역을 지나는 대중교통의 개수 및 대중교통의 배차 간격을 기초로, 지역의 대중교통 지수를 생성할 수 있다.

이때, 장치(200)는 지역에 포함된 정류장의 개수가 많을수록, 지역을 지나는 대중교통의 개수가 많을수록, 대중교통의 배차 간격이 짧을수록 지역의 대중교통 지수를 높게 생성할 수 있고, 지역에 포함된 정류장의 개수가 적을수록, 지역을 지나는 대중교통의 개수가 적을수록, 대중교통의 배차 간격이 길수록 지역의 대중교통 지수를 낮게 생성할 수 있다.

즉, 장치(200)는 지역에 포함된 정류장의 개수가 미리 설정된 기준 정류장 개수보다 많은지 여부, 지역을 지나는 대중교통의 개수가 미리 설정된 기준 대중교통 개수보다 많은지 여부 및 대중교통의 배차 간격이 미리 설정된 기준 배차 간격보다 짧은지 여부를 확인할 수 있고, 지역에 포함된 정류장의 개수가 기준 정류장 개수보다 많고, 지역을 지나는 대중교통의 개수가 기준 대중교통 개수보다 많고, 대중교통의 배차 간격이 기준 배차 간격보다 짧을 경우, 지역의 대중교통 지수로 지역의 대중교통 지수의 최고 점수를 부여할 수 있고, 지역에 포함된 정류장의 개수가 기준 정류장 개수보다 많지 않을 경우, 지역에 포함된 정류장의 개수에 비례하여 지역의 대중교통 지수를 생성할 수 있고, 지역을 지나는 대중교통의 개수가 기준 대중교통 개수보다 많지 않을 경우, 지역을 지나는 대중교통의 개수에 비례하여 지역의 대중교통 지수를 생성할 수 있고, 대중교통의 배차 간격이 기준 배차 간격보다 짧지 않을 경우, 대중교통의 배차 간격에 반비례하여 지역의 대중교통 지수를 생성할 수 있다.

S505 단계에서, 장치(200)는 지역에 포함된 학원의 개수, 지역에 포함된 병원의 개수 및 지역에 포함된 상점의 업종의 개수를 확인하여, 지역의 상권 지수를 생성할 수 있다.

구체적으로, 장치(200)는 상권 데이터베이스와 유무선으로 통신할 수 있으며, 상권 데이터베이스는 각 지역에 매칭하여 지역에 포함된 업체에 대한 정보를 포함할 수 있으며, 이때, 업체는 상점, 학원, 병원 등이 포함될 수 있다. 여기서, 상점에는 음식점, 카페, 의류매장, 편의점, 가구매장 등의 상품을 판매하는 점포가 포함될 수 있고, 미용실, 헬스장, 세탁소 등의 서비스를 판매하는 점포가 포함될 수도 있다.

즉, 장치(200)는 상권 데이터베이스를 통해 지역에 포함된 학원을 확인하여, 지역에 포함된 학원의 개수를 생성할 수 있고, 또한, 장치(200)는 지역에 포함된 병원을 확인하여, 지역에 포함된 병원의 개수를 생성할 수 있고, 또한, 장치(200)는 지역에 포함된 상점을 확인하고, 각 상점의 업종 즉, 각 상점에서 판매하고 있는 상품 또는 서비스를 확인하여, 지역에 포함된 상점의 업종의 개수를 확인할 수 있다. 또한, 장치(200)는 지역에 포함된 학원의 개수, 지역에 포함된 병원의 개수 및 지역에 포함된 상점의 업종의 개수를 통해 지역의 상권 지수를 생성할 수 있다.

이때, 장치(200)는 지역에 포함된 학원의 개수가 많을수록, 지역에 포함된 병원의 개수가 많을수록, 지역에 포함된 상점의 업종의 개수가 많을수록 지역의 상권 지수를 높게 생성할 수 있고, 지역에 포함된 학원의 개수가 적을수록, 지역에 포함된 병원의 개수가 적을수록, 지역에 포함된 상점의 업종의 개수가 적을수록 지역의 상권 지수를 낮게 생성할 수 있다.

즉, 장치(200)는 지역에 포함된 학원의 개수가 미리 설정된 기준 학원 개수보다 많은지 여부, 지역에 포함된 병원의 개수가 미리 설정된 기준 병원 개수보다 많은지 여부, 및 지역에 포함된 상점의 업종의 개수가 미리 설정된 기준 업종 개수보다 많은지 여부를 확인하고, 지역에 포함된 학원의 개수가 기준 학원 개수보다 많고, 지역에 포함된 병원의 개수가 기준 병원 개수보다 많고, 지역에 포함된 상점의 업종의 개수가 기준 업종 개수보다 많을 경우, 지역의 상권 지수로 지역의 상권 지수의 최고 점수를 부여할 수 있고, 지역에 포함된 병원의 개수가 기준 병원 개수보다 많지 않을 경우, 지역에 포함된 병원의 개수에 비례하여 지역의 상권 지수를 생성할 수 있고, 지역에 포함된 학원의 개수가 기준 학원 개수보다 많지 않을 경우, 지역에 포함된 학원의 개수에 비례하여 지역의 상권 지수를 생성할 수 있고, 지역에 포함된 상점의 업종의 개수가 기준 업종 개수보다 많지 않을 경우, 지역에 포함된 상점의 업종의 개수에 비례하여 지역의 상권 지수를 생성할 수 있다.

S506 단계에서, 장치(200)는 지역의 관심 지수, 지역의 SNS 노출 지수, 지역의 대중교통 지수 및 지역의 상권 지수를 기초로, 부동산의 등급을 생성할 수 있다. 여기서, 부동산의 등급은 1등급에서 5등급까지의 등급으로 생성될 수 있으며, 그 외의 방법으로 등급이 나뉠 수 있다. 또한, 부동산의 등급이 1등급에서 5등급으로 나뉠 경우, 1등급에 가까울수록 높은 등급일 수 있고, 5등급에 가까울수록 낮은 등급일 수 있다.

구체적으로, 장치(200)는 부동산 사이트를 통해 생성된 지역의 관심 지수, SNS를 통해 생성된 지역의 SNS 노출 지수, 대중교통을 통해 생성된 지역의 대중교통 지수 및 상권에 따라 생성된 지역의 상권 지수를 기초로, 부동산의 등급을 생성할 수 있다. 이때, 장치(200)는 부동산의 등급을 생성하기 위해 지역의 관심 지수, 지역의 SNS 노출 지수, 지역의 대중교통 지수 및 지역의 상권 지수를 합산한 값으로 합산 점수를 생성할 수 있으며, 합산 점수를 기초로, 부동산의 등급을 생성할 수 있다.

일실시예에 따르면, 지역의 관심 지수, 지역의 SNS 노출 지수, 지역의 대중교통 지수 및 지역의 상권 지수 각각의 최고 점수는 모두 동일한 점수로 설정될 수도 있지만, 장치 관리자 설정에 따라 최고 점수가 다르게 설정될 수도 있다. 예를 들어, 지역의 관심 지수, 지역의 SNS 노출 지수, 지역의 대중교통 지수 및 지역의 상권 지수의 최고 점수가 모두 25점으로 동일하게 설정될 수 있고, 지역의 관심 지수의 최고 점수는 30점, 지역의 SNS 노출 지수의 최고 점수는 27점, 지역의 대중교통 지수의 최고 점수는 23점, 지역의 상권 지수의 최고 점수는 20점으로 상이하게 설정될 수도 있다.

또한, 장치(200)에 구비된 데이터베이스에는 합산 점수를 기초로, 부동산의 등급을 생성하는 지표가 저장되어 있을 수 있으며, 이 때, 지표에는 합산 점수가 80점 초과부터 100점 이하의 경우 1등급, 60점 초과부터 80점 이하의 경우 2등급, 40점 초과부터 60점 이하의 경우 3등급, 20점 초과부터 40점 이하의 경우 4등급, 및 0점 이상부터 20점 이하의 경우 5등급이 매칭되어 있을 수 있고, 그 외의 기준으로 합산 점수 및 등급이 매칭되어 있을 수 있다.

예를 들어, 장치(200)는 사용자가 확인하고자 하는 부동산이 포함된 지역의 관심 지수, 지역의 SNS 노출 지수, 지역의 대중교통 지수 및 지역의 상권 지수를 통해 지역의 합산 점수로 90점을 생성할 수 있고, 합산 점수인 90점을 통해 부동산의 등급을 1등급으로 생성할 수 있다.

이로 인해, 장치(200)는 부동산의 위치를 기초로, 부동산이 포함된 지역을 확인할 수 있고, 해당 지역에 대해 지역의 관심 지수, 지역의 SNS 노출 지수, 지역의 대중교통 지수 및 지역의 상권 지수를 생성하여 부동산의 등급을 생성함으로써, 지역에 대한 수요가 어느정도 있는지, 해당 지역의 인프라가 잘 되어 있는지 등을 확인하여 부동산의 등급을 생성할 수 있는 효과가 있다.

한편, 장치(200)는 부동산의 공시가격이 일정 구간을 넘어갔을 경우, 실제 거래 건수가 매우 적어 인공신경망(AI)를 통해 예측된 예측 담보 가격의 정확도가 낮을 수 있는 것을 고려하여 가중치를 생성하고, 생성된 가중치를 부동산의 예측 담보 가격에 적용하여 예측 담보 가격을 보정할 수 있다.

도 6은 일실시예에 따른 법원 경매 관련 자료 및 시세 자료를 통해 부동산의 예측 담보가액을 추가로 생성하는 과정을 설명하기 위한 순서도이다.

도 6을 참조하면, 먼저, S601 단계에서, 장치(200)는 법원 경매 관련 자료에 기반한 부동산의 제2 예측 담보가액을 생성할 수 있다. 여기서, 법원 경매 관련 자료는 법원 경매를 위해 책정된 가격 정보 및 감정 평가 전례자료가 포함될 수 있으며, 법원 경매 관련 자료는 공중에 공개된 자료를 포함할 수 있다.

구체적으로, 장치(200)는 법원 데이터베이스로부터 법원 경매 관련 자료를 획득할 수 있다. 즉, 장치(200)는 법원 데이터베이스와 유무선으로 통신할 수 있는데, 법원 데이터베이스에는 실제로 법원에서 경매를 수행하기 위해 생성 및 획득한 자료인 법원 경매 관련 자료가 저장되어 있을 수 있으며, 법원 경매 관련 자료에는 법원 경매를 위해 책정된 가격 정보가 포함될 수 있고, 법원 경매를 진행한 전례 자료가 포함될 수 있다. 또한, 법원 경매 관련 자료에는 공중에 공개된 자료가 포함될 수 있다.

또한, 장치(200)는 법원 데이터베이스로부터 획득한 법원 경매 관련 자료에 기반하여 부동산의 제2 예측 담보가액을 생성할 수 있다. 즉, 장치(200)는 획득한 법원 경매 관련 자료를 통해 사용자가 확인하고자 하는 부동산과 준공 연도, 전용 면적, 개별 주택 가격이 미리 설정된 범위 이내에 포함된 부동산인 유사 부동산과 관련된 법원 경매 관련 자료를 추출할 수 있고, 추출된 유사 부동산과 관련된 법원 경매 관련 자료를 통해 부동산의 제2 예측 담보가액을 생성할 수 있다.

S602 단계에서, 장치(200)는 다른 주체에서 생성한 시세 자료에 기반한 부동산의 제3 예측 담보가액을 생성할 수 있다. 여기서, 다른 주체는 부동산원을 포함할 수 있다.

구체적으로, 장치(200)는 다른 주체가 보유한 데이터베이스와 유무선으로 통신할 수 있으며, 다른 주체가 보유한 데이터베이스에는 부동산 거래 현황 자료, 부동산의 시세 자료, 부동산의 실거래가 자료 등이 포함될 수 있다.

또한, 장치(200)는 다른 주체가 보유한 데이터베이스로부터 획득한 시세 자료에 기반하여 부동산의 제3 예측 담보가액을 생성할 수 있다. 즉, 장치(200)는 다른 주체에서 생성한 시세 자료를 통해 사용자가 확인하고자 하는 부동산과 준공 연도, 전용 면적, 개별 주택 가격이 미리 설정된 범위 이내에 포함된 부동산인 유사 부동산과 관련된 시세 자료를 추출할 수 있고, 추출된 유사 부동산과 관련된 시세 자료를 통해 부동산의 제3 예측 담보가액을 생성할 수 있다.

S603 단계에서, 장치(200)는 제2 예측 담보가액 및 제3 예측담보 가액을 제1 예측 담보가액과 함께 사용자의 단말(100)에 제공할 수 있다.

구체적으로, 장치(200)는 법원 경매 관련 자료를 통해 생성된 제2 예측 담보가액과 시세 자료를 통해 생성된 제3 예측 담보가액을 담보 예측 인공신경망을 통해 생성된 제1 예측 담보가액과 함께 사용자의 단말(100)로 제공할 수 있다.

이로 인해, 장치(200)는 담보 예측 인공신경망을 통해 생성된 제1 예측 담보가액, 법원 경매 관련 자료를 통해 생성된 제2 예측 담보가액, 및 시세 자료를 통해 생성된 제3 예측 담보가액을 사용자의 단말(100)로 제공함으로써, 사용자는 더 신뢰할 수 있는 예측 담보가액을 얻을 수 있다.

도 7은 일실시예에 따른 부동산의 최종 예측 담보가액을 결정하는 과정을 설명하기 위한 순서도이다.

도 7을 참조하면, 먼저 S701 단계에서, 장치(200)는 제1 예측 담보가액과 제2 예측 담보가액의 차이가 제1 기준을 초과하는지 확인하는 제1 확인 단계를 수행할 수 있다. 여기서, 제1 기준은 미리 설정된 값으로, 값은 실시 예에 따라 달라질 수 있다.

구체적으로, 장치(200)는 담보 예측 인공신경망을 통해 생성된 제1 예측 담보가액과 법원 경매 관련 자료를 통해 생성된 제2 예측 담보가액을 비교하여 제1 예측 담보가액과 제2 예측 담보가액의 차이 값을 생성하고, 제1 예측 담보가액과 제2 예측 담보가액의 차이 값이 미리 설정된 제1 기준을 초과하는지 확인하는 제1 확인 단계를 수행할 수 있다.

예를 들어, 담보 예측 인공신경망을 통해 생성된 제1 예측 담보가액이 5억원이고, 법원 경매 관련 자료를 통해 생성된 제2 예측 담보가액이 4억원이고, 제1 기준인 5,000만원인 경우, 장치(200)는 제1 예측 담보가액인 5억원과 제2 예측 담보가액인 4억원의 차이를 확인하여 1억원을 생성할 수 있고, 생성된 1억원이 제1 기준인 5,000만원을 초과하는지 확인할 수 있고, 제1 예측 담보가액과 제2 예측 담보가액의 차이인 1억원이 제1 기준인 5,000만원을 초과하는 것을 확인할 수 있다.

S702 단계에서, 장치(200)는 제1 예측 담보가액과 제3 예측 담보가액의 차이가 제2 기준을 초과하는지 확인하는 제2 확인 단계를 수행할 수 있다. 여기서, 제2 기준은 미리 설정된 값으로, 값은 실시 예에 따라 달라질 수 있다. 또한, 제1 기준과 제2 기준은 같은 값으로 설정될 수도 있고, 다른 값으로 설정될 수도 있다.

구체적으로, 장치(200)는 담보 예측 인공신경망을 통해 생성된 제1 예측 담보가액과 다른 주체에서 생성한 시세 자료를 통해 생성된 제3 예측 담보가액을 비교하여 제1 예측 담보가액과 제3 예측 담보가액의 차이 값을 생성하고, 제1 예측 담보가액과 제3 예측 담보가액의 차이 값이 미리 설정된 제2 기준을 초과하는지 확인하는 제2 확인 단계를 수행할 수 있다.

예를 들어, 담보 예측 인공신경망을 통해 생성된 제1 예측 담보가액이 5억원이고, 시세 자료를 통해 생성된 제3 예측 담보가액이 5억 5,000만원이고, 제1 기준인 5,000만원인 경우, 장치(200)는 제1 예측 담보가액인 5억원과 제3 예측 담보가액인 5억 5,000만원의 차이를 확인하여 5,000만원을 생성할 수 있고, 생성된 5,000만원이 제2 기준인 5,000만원을 초과하는지 확인할 수 있고, 제1 예측 담보가액과 제3 예측 담보가액의 차이인 5,000만원이 제2 기준인 5,000만원을 초과하지 않는 것을 확인할 수 있다.

S703 단계에서, 장치(200)는 부동산의 개별 주택 가격이 제3 기준을 초과하는지 확인하는 제3 확인 단계를 수행할 수 있다. 여기서, 제3 기준은 미리 설정된 값으로, 값은 실시 예에 따라 달라질 수 있다.

구체적으로, 고급 빌라 및 펜트 하우스의 경우, 부동산의 개별 주택 가격과 부동산의 시세의 괴리가 클 수 있기 때문에, 장치(200)는 부동산의 기본 정보 및 부동산 데이터베이스를 통해 획득한 부동산의 개별 주택 가격 즉, 부동산의 공시 가격이 미리 설정한 제3 기준을 초과하는지 확인하는 제3 확인 단계를 수행할 수 있다.

예를 들어, 부동산의 개별 주택 가격이 7억원이고, 제3 기준이 30억원일 경우, 장치(200)는 부동산의 개별 주택 가격인 7억원이 제3 기준인 30억원을 초과하는지 확인할 수 있고, 부동산의 개별 주택 가격인 7억원이 제3 기준인 30억원을 초과하지 않는 것을 확인할 수 있다.

S704 단계에서, 장치(200)는 제1 확인 단계 내지 제3 확인 단계 중 적어도 한 단계에서 비교 대상이 기준을 초과하는지 여부를 확인할 수 있다.

구체적으로, 장치(200)는 제1 예측 담보가액과 제2 예측 담보가액의 차이가 제1 기준을 초과하는지 확인하는 제1 확인 단계, 제1 예측 담보가액과 제3 예측 담보가액의 차이가 제2 기준을 초과하는지 확인하는 제2 확인 단계, 및 부동산의 개별 주택 가격이 제3 기준을 초과하는지 확인하는 제3 확인 단계를 수행한 결과, 제1 확인 단계, 제2 확인 단계, 제3 확인 단계 중 적어도 하나의 단계에서 비교 대상이 기준을 초과하는지 여부를 확인할 수 있다.

S704 단계에서 제1 확인 단계 내지 제3 확인 단계 중 적어도 한 단계에서 비교 대상이 기준을 초과한다고 확인되면, S705 단계에서, 장치(200)는 제1 예측 담보가액에 법원 경매 관련 자료를 통해 생성한 제1 지수 및 다른 주체에서 생성한 시세 자료를 통해 생성한 제2 지수를 적용하여 부동산의 최종 예측 담보가액을 결정할 수 있다.

구체적으로, 장치(200)는 제1 예측 담보가액과 제2 예측 담보가액의 차이가 제1 기준을 초과하는지 확인하는 제1 확인 단계, 제1 예측 담보가액과 제3 예측 담보가액의 차이가 제2 기준을 초과하는지 확인하는 제2 확인 단계, 및 부동산의 개별 주택 가격이 제3 기준을 초과하는지 확인하는 제3 확인 단계를 수행한 결과, 제1 확인 단계, 제2 확인 단계, 제3 확인 단계 중 적어도 하나의 단계에서 비교 대상이 기준을 초과한다고 확인되면, 장치(200)는 법원 경매 관련 자료에 기반하여 생성된 부동산의 제2 예측 담보가액에 비례하여 제1 지수를 생성하고, 다른 주체에서 생성한 시세 자료에 기반하여 생성된 제3 예측 담보가액에 비례하여 제2 지수를 생성하여, 제1 예측 담보가액에 생성된 제1 지수 및 제2 지수를 적용하여 부동산의 최종 예측 담보가액을 결정할 수 있다.

한편, 장치(200)는 제1 예측 담보가액과 제2 예측 담보가액의 차이가 제1 기준을 초과하는지 확인하는 제1 확인 단계, 제1 예측 담보가액과 제3 예측 담보가액의 차이가 제2 기준을 초과하는지 확인하는 제2 확인 단계, 및 부동산의 개별 주택 가격이 제3 기준을 초과하는지 확인하는 제3 확인 단계를 수행한 결과, 제1 확인 단계, 제2 확인 단계, 제3 확인 단계 모두에서 비교 대상이 기준을 초과하지 않는다고 확인되면, 장치(200)는 제1 지수 및 제2 지수를 적용하지 않고 제1 예측 담보가액을 부동산의 최종 예측 담보가액으로 결정할 수 있다.

이로 인해, 장치(200)는 담보 예측 인공신경망을 통해 예측된 제1 예측 담보가액의 정확도가 낮다고 판단되면, 법원 경매 관련 자료에 기반하여 생성된 제1 지수 및 시세 자료에 기반하여 생성된 제2 지수를 적용하여 담보 예측 인공신경망을 통해 예측된 제1 예측 담보가액을 보정하여 부동산의 최종 예측 담보가액을 결정함으로써, 정확도를 높일 수 있는 효과가 있다.

도 8은 일실시예에 따른 부동산 담보 대출을 수행할 금융 기관을 중개하는 과정을 설명하기 위한 순서도이다.

도 8을 참조하면, 먼저, S801 단계에서, 장치(200)는 사용자의 단말(100)로부터 사용자의 목표 대출 금액 및 사용자의 목표 대출 기간을 획득할 수 있다.

구체적으로, 장치(200)는 사용자의 단말(100)로부터 사용자가 부동산 담보 대출을 통해 최소 얼마를 대출하는 것이 목표인지에 대한 정보인 사용자의 목표 대출 금액을 획득할 수 있다. 또한, 장치(200)는 사용자의 단말(100)로부터 사용자가 부동산 담보 대출을 어느 정도 기간 동안 상환할 것인지 대한 정보인 사용자의 목표 대출 기간을 획득할 수 있다.

S802 단계에서, 장치(200)는 사용자의 개인 정보 및 부동산의 최종 예측 담보 가격을 기초로, 금융 기관 데이터베이스에 저장된 금융 기관 별로 사용자에게 적용 가능한 부동산 담보 대출 상품을 확인하고, 확인된 부동산 담보 대출 상품의 한도 및 금리를 확인할 수 있다.

구체적으로, 장치(200)는 사용자의 이름, 사용자의 연락처, 사용자의 주소, 사용자의 자산, 사용자의 연령, 사용자의 직업을 포함하는 사용자의 개인 정보 및 담보 예측 인공신경망을 통해 생성된 부동산의 최종 예측 담보 가격을 기초로, 금융 기관 데이터베이스에 저장된 금융 기관 별로 사용자에게 적용 가능한 부동산 담보 대출 상품을 확인하고, 해당 부동산 담보 대출 상품의 부동산 담보 대출의 금리 및 부동산 담보 대출의 한도를 확인할 수 있다. 이를 위해, 장치(200)는 금융 기관 데이터베이스와 유무선으로 통신할 수 있으며, 금융 기관 데이터베이스에는 금융 기관과 매칭하여 금융 기관의 정보, 해당 금융 기관이 보유하고 있는 저축 상품에 대한 정보, 해당 금융 기관이 보유하고 있는 대출 상품에 대한 정보가 저장되어 있을 수 있다.

S803 단계에서, 장치(200)는 부동산 담보 대출의 한도 및 사용자의 목표 대출 금액을 비교하여 사용자의 목표 대출 금액보다 높은 한도를 갖는 부동산 담보 대출 상품을 후보 부동산 담보 대출 상품으로 선정할 수 있다.

구체적으로, 장치(200)는 사용자의 개인 정보 및 부동산의 최종 예측 담보 가격을 기초로, 금융 기관 별로 사용자에게 적용 가능한 부동산 담보 대출 상품을 확인할 수 있고, 장치(200)는 확인된 부동산 담보 대출 상품의 부동산 담보 대출의 한도와 사용자의 목표 대출 금액을 비교할 수 있고, 비교 결과 사용자의 목표 대출 금액보다 높은 부동산 담보 대출의 한도를 갖는 부동산 담보 대출 상품을 확인하여, 해당 부동산 담보 대출 상품을 후보 부동산 담보 대출 상품으로 선정할 수 있다.

S804 단계에서, 장치(200)는 후보 부동산 담보 대출 상품을 정렬하여 리스트를 생성할 수 있다.

구체적으로, 장치(200)는 후보 부동산 담보 대출 상품의 금리, 영업점의 위치, 위험성 등을 분석하여 사용자가 선택할 가능성이 높은 부동산 담보 대출 상품부터 차례로 정렬하여 리스트를 생성할 수 있다. 이때, 리스트를 생성하는 과정은 도 9를 참조하여 설명하기로 한다.

S805 단계에서, 장치(200)는 생성된 리스트를 사용자의 단말(100)로 제공할 수 있다.

S806 단계에서, 장치(200)는 사용자의 단말(100)로부터 사용자가 선택한 부동산 담보 대출 상품을 수신할 수 있다.

구체적으로, 장치(200)는 후보 부동산 담보 대출 상품을 기초로, 리스트를 생성하여 사용자의 단말(100)로 제공할 수 있고, 사용자는 사용자의 단말(100)로 제공된 리스트를 확인하여 사용자가 관심 있는 상품을 선택할 수 있고, 사용자의 단말(100)을 통해 장치(200)로 사용자의 선택을 전송할 수 있다. 이로 인해, 장치(200)는 사용자의 단말(100)로부터 사용자가 선택한 부동산 담보 대출 상품을 수신할 수 있다.

S807 단계에서, 장치(200)는 사용자의 단말(100)로부터 선택된 부동산 담보 대출 상품을 기초로, 사용자와 사용자의 부동산 담보 대출을 수행할 금융 기관을 매칭할 수 있다.

구체적으로, 장치(200)는 사용자의 단말(100)로부터 수신된 사용자가 선택한 부동산 담보 대출 상품을 확인하여 해당 부동산 담보 대출 상품에 매칭된 금융 기관을 확인할 수 있고, 해당 금융 기관을 사용자와 매칭할 수 있다.

이로 인해, 장치(200)는 부동산의 최종 예측 담보 가격을 기초로, 사용자와 사용자의 부동산 담보 대출을 수행할 금융 기관을 매칭할 수 있는 효과가 있다.

도 9는 일실시예에 따른 후보 부동산 담보 대출 상품의 리스트를 생성하는 과정을 설명하기 위한 순서도이다.

도 9를 참조하면, 먼저, S901 단계에서, 장치(200)는 사용자의 목표 대출 기간에 따른 후보 부동산 담보 대출 상품의 금리를 확인하여, 금리가 낮은 후보 부동산 담보 대출 상품부터 순서대로 정렬할 수 있다.

구체적으로, 장치(200)는 금융 기관 데이터베이스에 저장된 후보 부동산 담보 대출 상품에 대한 정보를 확인하여, 사용자의 목표 대출 기간에 따른 후보 부동산 담보 대출 상품의 금리를 획득할 수 있고, 획득한 후보 부동산 담보 대출 상품의 금리를 통해 금리가 가장 낮은 후보 부동산 담보 대출 상품부터 금리가 가장 높은 후보 부동산 담보 대출 상품까지 순서대로 정렬할 수 있다.

예를 들어, 금리가 4%인 제1 후보 부동산 담보 대출 상품, 금리가 4.5%인 제2 후보 부동산 담보 대출 상품, 금리가 5%인 제3 후보 부동산 담보 대출 상품, 금리가 3.7%인 제4 후보 부동산 담보 대출 상품, 금리가 4.2%인 제5 후보 부동산 담보 대출 상품이 있는 경우, 장치(200)는 리스트를 생성하기 위해 제4 후보 부동산 담보 대출 상품, 제1 후보 부동산 담보 대출 상품, 제5 후보 부동산 담보 대출 상품, 제2 후보 부동산 담보 대출 상품, 제3 후보 부동산 담보 대출 상품 순서로 정렬할 수 있다.

S902 단계에서, 장치(200)는 금리가 동일한 경우, 부동산의 위치를 기초로, 임계 범위를 생성하고, 임계 범위 이내에 금융 기관의 영업점이 있는 후보 부동산 담보 대출 상품부터 순서대로 정렬할 수 있다.

구체적으로, 후보 부동산 담보 대출 상품의 금리를 기초로, 리스트를 생성하는 과정에서 장치(200)는 금리가 동일한 후보 부동산 담보 대출 상품이 있다고 확인되면, 금리가 동일한 후보 부동산 담보 대출 상품의 순서를 생성하기 위해 사용자의 단말(100)로부터 획득한 즉, 부동산 담보 대출을 받고자 하는 부동산의 위치를 기초로, 임계 범위를 생성하고, 임계 범위 내에 금융 기관의 영업점이 있는 후보 부동산 담보 대출 상품부터 순서대로 정렬할 수 있다. 이때, 장치(200)는 임계 범위 내에 금융 기관의 영업점이 있는지 여부를 확인하기 위해, 금융 기관 데이터베이스로부터 금융 기관의 정보를 획득할 수 있고, 금융 기관의 정보를 통해 금융 기관에 대응하는 영업점의 위치를 확인할 수 있다. 또한, 장치(200)는 금융 기관에 대응하는 영업점의 위치와 임계 범위를 비교하여 임계 범위 내에 금융 기관의 영업점이 있는지 여부를 확인할 수 있다. 이를 위해, 금융 기관 데이터베이스에는 금융 기관의 정보가 저장될 수 있고, 금융 기관의 정보에는 금융 기관에 대응하는 영업점의 정보가 저장될 수 있으며, 영업점의 정보에는 영업점의 위치가 저장될 수 있다.

예를 들어, 제1 후보 부동산 담보 대출 상품의 금리가 4%이고, 제6 후보 부동산 담보 대출 상품의 금리 또한 4%인 경우, 장치(200)는 부동산 담보 대출을 받고자 하는 부동산의 위치를 기초로, 임계 범위를 생성하고, 생성한 임계 범위를 기초로, 임계 범위 내에 제1 후보 부동산 담보 대출 상품을 보유한 금융 기관의 영업점이 있는지 여부를 확인하고, 임계 범위 내에 제6 후보 부동산 담보 대출 상품을 보유한 금융 기관의 영업점이 있는지 여부를 확인하여, 확인 결과, 임계 범위 내에 제1 후보 부동산 담보 대출 상품을 보유한 금융 기관의 영업점이 있고, 임계 범위 내에 제6 후보 부동산 담보 대출 상품을 보유한 금융 기관의 영업점이 없다고 확인되면, 장치(200)는 리스트를 생성하기 위해 금리 4%에 대응하여 제1 후보 부동산 담보 대출 상품, 제6 후보 부동산 담보 대출 상품 순서로 정렬할 수 있다.

S903 단계에서, 장치(200)는 금리 및 임계 범위 내 영업점의 존재 여부가 동일한 경우, 금융 기관의 위험성이 낮은 즉, 제1 금융권의 후보 부동산 담보 대출 상품부터 순서대로 정렬할 수 있다

구체적으로, 후보 부동산 담보 대출 상품의 금리 및 부동산의 위치를 기초로 생성된 임계 범위 이내 후보 부동산 담보 대출을 보유하는 금융 기관의 영업점이 있는지 여부를 기초로, 리스트를 생성하는 과정에서 장치(200)는 금리가 동일하고, 금융 기관의 영업점이 임계 범위 이내에 있는지 여부가 동일한 후보 부동산 담보 대출 상품이 있다고 확인되면, 금리가 동일하고, 금융 기관의 영업점이 임계 범위 이내에 있는지 여부가 동일한 후보 부동산 담보 대출 상품의 순서를 생성하기 위해 후보 부동산 담보 대출 상품을 보유중인 금융 기관의 위험성을 확인하고, 위험성이 낮은 즉, 제1 금융권의 후보 부동산 담보 대출 상품부터 순서대로 정렬할 수 있다. 이때, 장치(200)는 금융 기관의 위험성을 확인하기 위해 금융 기관 데이터베이스로부터 금융 기관의 정보를 획득할 수 있고, 금융 기관의 정보를 통해 금융 기관이 제1 금융권인지, 제2 금융권인지, 제3 금융권인지 여부를 확인하여 금융 기관의 위험성을 생성할 수 있다. 이를 위해, 금융 기관 데이터베이스에는 금융 기관의 정보가 저장될 수 있고, 금융 기관의 정보에는 금융 기관이 제1 금융권, 제2 금융권, 제3 금융권 중 어떤 금융권인지에 대한 정보가 저장될 수 있다. 또한, 장치(200)는 금융 기관이 제1 금융 기관으로 확인되면, 해당 금융 기관의 위험성을 낮음으로 생성할 수 있고, 장치(200)는 금융 기관이 제2 금융 기관으로 확인되면, 해당 금융 기관의 위험성을 보통으로 생성할 수 있고, 장치(200)는 금융 기관이 제3 금융 기관으로 확인되면, 해당 금융 기관의 위험성을 높음으로 생성할 수 있다.

예를 들어, 제1 후보 부동산 담보 대출 상품의 금리가 4%이고, 임계 범위 이내에 해당 상품을 보유중인 금융 기관의 영업점이 있고, 제7 후보 부동산 담보 대출 상품의 금리 또한 4%이고, 임계 범위 이내에 해당 상품을 보유중인 금융 기관의 영업점이 있는 경우, 장치(200)는 제1 후보 부동산 담보 대출 상품을 보유중인 금융 기관이 제1 금융권임을 확인하여, 제1 후보 부동산 담보 대출 상품을 보유중인 금융 기관의 위험성을 낮음으로 생성할 수 있고, 제7 후보 부동산 담보 대출 상품을 보유중인 금융 기관이 제2 금융권임을 확인하여, 제7 후보 부동산 담보 대출 상품을 보유중인 금융 기관의 위험성을 보통으로 생성할 수 있다. 또한, 장치(200)는 리스트를 생성하기 위해 금리 4%, 임계 범위 이내 영업점 존재에 대응하여 제1 후보 부동산 담보 대출 상품, 제7 후보 부동산 담보 대출 상품 순서로 정렬할 수 있다.

S904 단계에서, 장치(200)는 금리, 임계 범위 내 영업점의 존재 여부, 위험성이 동일한 경우, 사용자들이 선택한 횟수를 기초로, 사용자들이 선택한 횟수가 많은 후보 부동산 담보 대출 상품부터 순서대로 정렬할 수 있다.

구체적으로, 후보 부동산 담보 대출 상품의 금리 및 부동산의 위치를 기초로 생성된 임계 범위 이내 후보 부동산 담보 대출을 보유하는 금융 기관의 영업점이 있는지 여부 및 후보 부동산 담보 대출을 보유한 금융 기관의 위험성을 기초로, 리스트를 생성하는 과정에서 장치(200)는 금리가 동일하고, 금융 기관의 영업점이 임계 범위 이내에 있는지 여부가 동일하고, 금융 기관의 위험성이 동일한 후보 부동산 담보 대출 상품이 있다고 확인되면, 금리가 동일하고, 금융 기관의 영업점이 임계 범위 이내에 있는지 여부가 동일하고, 위험성이 동일한 후보 부동산 담보 대출 상품의 순서를 생성하기 위해 후보 부동산 담보 대출 상품에 대응하여 사용자들이 선택한 횟수를 확인하여, 사용자들이 선택한 횟수가 가장 많은 즉, 인기가 가장 많은 후보 부동산 담보 대출 상품부터 순서대로 정렬할 수 있다. 이때, 장치(200)는 사용자들이 후보 부동산 담보 대출 상품을 선택한 횟수를 확인하기 위해 장치(200)에 구비된 데이터베이스로부터 인공지능 모델을 통한 부동산 담보 가치 평가를 수행하는 부동산 금융 플랫폼을 사용한 사용자 내역을 확인할 수 있으며, 사용자 내역에는 사용자에 대한 정보, 사용자가 확인한 부동산에 대한 정보 및 사용자가 부동산 담보 대출 상품의 정보 등이 포함될 수 있다. 또한, 장치(200)는 데이터베이스로부터 획득한 사용자 내역을 통해 각 후보 부동산 담보 대출 상품이 사용자들에게 선택된 횟수를 확인할 수 있다.

예를 들어, 제1 후보 부동산 담보 대출 상품의 금리가 4%이고, 임계 범위 이내에 해당 상품을 보유중인 금융 기관의 영업점이 있고, 금융 기관의 위험성이 낮음이고, 제8 후보 부동산 담보 대출 상품의 금리 또한 4%이고, 임계 범위 이내에 해당 상품을 보유중인 금융 기관의 영업점이 있고, 금융 기관의 위험성이 낮음인 경우, 장치(200)는 데이터베이스에 저장된 사용자 내역을 통해 사용자들이 제1 후보 부동산 담보 대출 상품을 선택한 횟수를 500회로 확인할 수 있고, 사용자들이 제8 후보 부동산 담보 대출 상품을 선택한 횟수를 300회로 확인할 수 있다. 또한, 장치(200)는 리스트를 생성하기 위해 금리 4%, 임계 범위 내 영업점 존재, 금융 기관의 위험성 낮음에 대응하여 제1 후보 부동산 담보 대출 상품, 제8 후보 부동산 담보 대출 상품 순서로 정렬할 수 있다.

즉, 장치(200)는 후보 부동산 담보 대출 상품의 정보 및 후보 부동산 담보 대출 상품을 보유한 금융 기관의 정보를 통해 사용자가 선택할 가능성이 높은 후보 부동산 담보 대출부터 차례로 정렬하여 리스트를 생성할 수 있는 효과가 있다.

도 10은 일실시예에 따른 부동산 가치 평가를 담당할 감정 평가사를 매칭 상대로 추천하는 과정을 설명하기 위한 순서도이다.

도 10을 참조하면, 먼저, S1001 단계에서, 장치(200)는 부동산 감정 평가사 데이터베이스로부터 부동산 감정 평가사의 포트폴리오를 획득할 수 있다.

구체적으로, 장치(200)는 부동산 감정 평가사 데이터베이스를 보유하거나, 별개의 부동산 감정 평가사 데이터베이스와 유무선으로 통신할 수 있으며, 장치(200)는 부동산 감정 평가사 데이터베이스를 통해 부동산 감정 평가사의 포트폴리오를 획득할 수 있다. 여기서, 부동산 감정 평가사 데이터베이스에는 부동산의 감정 평가를 수행하는 부동산 감정 평가사에 대한 정보가 저장되어 있을 수 있으며, 부동산 감정 평가사에 대한 정보에는 부동산 감정 평가사의 포트폴리오가 저장되어 있을 수 있으며, 부동산 감정 평가사의 포트폴리오에는 부동산 감정 평가사의 명칭, 연락처, 위치를 포함하는 개인 정보, 부동산 감정 평가사의 이력, 부동산 감정 평가사의 평점 및 부동산 감정 평가사의 예약 일정 등이 포함될 수 있다. 또한, 부동산 감정 평가사의 이력에는 부동산 감정 평가사가 어떤 사용자의, 어떤 부동산을, 언제, 어떻게 감정 평가하였는지 등이 포함될 수 있다.

S1002 단계에서, 장치(200)는 부동산 감정 평가사의 포트폴리오를 통해 부동산의 위치와 부동산 감정 평가사의 주소가 미리 설정된 기준 거리 이내에 있는 부동산 감정 평가사를 매칭 후보 그룹으로 분류할 수 있다. 여기서, 기준 거리는 미리 설정된 거리로 실시 예에 따라 달라질 수 있다.

즉, 장치(200)는 부동산 감정 평가사 데이터베이스로부터 부동산 감정 평가사의 포트폴리오를 획득하고, 획득한 부동산 감정 평가사의 포트폴리오를 통해 확인된 부동산 감정 평가사의 위치가 감정 평가를 진행할 부동산의 위치와 설정된 기준 거리 이내에 있는 부동산 감정 평가사를 추출하여 매칭 후보 그룹으로 분류할 수 있다.

S1003 단계에서, 장치(200)는 매칭 후보 그룹으로 분류된 부동산 감정 평가사가 한 명인지 여부를 확인할 수 있다.

S1003 단계에서 매칭 후보 그룹으로 분류된 부동산 감정 평가사가 제1 부동산 감정 평가사 하나만 있는 것으로 확인되면, S1004 단계에서, 장치(200)는 제1 부동산 감정 평가사를 부동산의 감정 평가를 진행할 매칭 상대로 설정할 수 있다.

즉, 장치(200)는 매칭 후보 그룹으로 분류된 부동산 감정 평가사가 제1 부동산 감정 평가사 하나 있는 것으로 확인된 경우, 해당 제1 부동산 감정 평가사를 매칭 상대로 설정할 수 있다.

S1003 단계에서 매칭 후보 그룹으로 분류된 부동산 감정 평가사가 하나가 아닌 둘 이상 있는 것으로 확인되면, S1005 단계에서, 장치(200)는 매칭 후보 그룹으로 분류된 부동산 감정 평가사 별로 매칭 점수를 산출할 수 있다. 이때, 장치(200)는 부동산을 감정 평가한 횟수인 제1 감정 평가 횟수, 감정 평가를 진행하려고 하는 부동산의 명칭과 동일한 부동산을 감정 평가한 횟수인 제2 감정 평가 횟수 및 부동산을 보유하고 있는 보유량을 고려하여, 매칭 후보 그룹으로 분류된 부동산 감정 평가사 별로 매칭 점수를 산출할 수 있다. 부동산을 감정 평가한 횟수 및 감정 평가를 진행하려고 하는 부동산의 명칭과 동일한 부동산을 감정 평가한 횟수는 부동산 감정 평가사의 이력을 통해 확인될 수 있고, 부동산을 보유하고 있는 보유량은 부동산 감정 평가사의 개인 정보에 저장되어 있거나, 또는 부동산 감정 평가사의 단말로부터 획득될 수 있다. 이를 위해, 부동산 감정 평가사 데이터베이스에는 부동산 감정 평가사의 요청에 의해 갱신될 수 있다.

구체적으로, 장치(200)는 부동산을 감정 평가한 횟수인 제1 감정 평가 횟수가 많을수록 제1 감정 평가 점수를 높은 점수로 설정하고, 감정 평가를 진행하려고 하는 부동산의 명칭과 동일한 부동산을 감정 평가한 횟수인 제2 감정 평가 횟수가 많을수록 제2 감정 평가 점수를 높은 점수로 설정하고, 부동산을 보유하고 있는 보유량이 많을수록 보유량 점수를 높은 점수로 설정한 후, 제1 감정 평가 점수, 제2 감정 평가 점수 및 보유량 점수를 합산하여 매칭 점수를 산출할 수 있다.

예를 들어, 제1 부동산 감정 평가사 및 제2 부동산 감정 평가사가 매칭 후보 그룹으로 분류되어 있고, 제1 부동산 감정 평가사의 이력에 부동산을 감정 평가한 횟수인 제1 감정 평가 횟수가 10회 등록되어 있고, 감정 평가를 진행하려고 하는 부동산의 명칭과 동일한 부동산을 감정 평가한 횟수인 제2 감정 평가 횟수가 1회, 부동산을 보유하고 있는 보유량이 1개이고, 제2 부동산 감정 평가사의 이력에 부동산을 감정 평가한 횟수인 제1 감정 평가 횟수가 5회 등록되어 있고, 감정 평가를 진행하려고 하는 부동산의 명칭과 동일한 부동산을 감정 평가한 횟수인 제2 감정 평가 횟수가 2회, 부동산을 보유하고 있는 보유량이 0개이고, 경우, 장치(200)는 제1 부동산 감정 평가사에 대해서 제1 감정 평가 횟수인 10회를 통해 제1 감정 평가 점수를 100점으로 산출하고, 제2 감정 평가 횟수인 1회를 통해 제2 감정 평가 점수를 40점으로 산출하고, 부동산을 보유하고 있는 보유량 1개를 통해 보유량 점수를 20점으로 산출한 후, 100점, 40점 및 20점을 합산하여 제1 부동산 감정 평가사의 매칭 점수를 160점으로 산출할 수 있으며, 제2 부동산 감정 평가사에 대해서 제1 감정 평가 횟수인 5회를 통해 제1 감정 평가 점수를 50점으로 산출하고, 제2 감정 평가 횟수인 2회를 통해 제2 감정 평가 점수를80점으로 산출하고, 부동산을 보유하고 있는 보유량 0개를 통해 보유량 점수를 0점으로 산출한 후, 50점, 80점 및 0점을 합산하여 제2 부동산 감정 평가사의 매칭 점수를 130점으로 산출할 수 있다.

즉, 장치(200)는 매칭 후보 그룹으로 분류된 부동산 감정 평가사가 둘 이상 있는 것으로 확인된 경우, 부동산을 감정 평가한 횟수인 제1 감정 평가 횟수, 감정 평가를 진행하려고 하는 부동산의 명칭과 동일한 부동산을 감정 평가한 횟수인 제2 감정 평가 횟수 및 부동산을 보유하고 있는 보유량을 고려하여, 매칭 후보 그룹으로 분류된 부동산 감정 평가사 별로 매칭 점수를 산출할 수 있다.

장치(200)는 매칭 후보 그룹으로 분류된 부동산 감정 평가사 별로 매칭 점수가 산출되면, 산출된 매칭 점수를 비교하여 어느 부동산 감정 평가사의 매칭 점수가 가장 높은지 확인할 수 있다.

매칭 후보 그룹으로 분류된 부동산 감정 평가사들 중 제1 부동산 감정 평가사의 매칭 점수가 가장 높은 것으로 확인되면, S1005 단계에서, 장치(200)는 제1 부동산 감정 평가사를 부동산의 감정 평가를 진행할 매칭 상대로 설정할 수 있다.

S1006 단계에서, 장치(200)는 제1 감정 평가사가 부동산의 감정 평가를 진행할 매칭 상대로 설정되면, 제1 감정 평가사에 대한 추천 정보를 생성하여 생성된 추천 정보를 사용자의 단말(100)로 제공할 수 있다.

제1 감정 평가사가 부동산의 감정 평가를 진행할 매칭 상대로 설정되면, 제1 감정 평가사의 포트폴리오를 기초로, 제1 감정 평가사에 대한 추천 정보를 생성할 수 있으며, 제1 감정 평가사의 포트폴리오를 기초로, 생성된 제1 감정 평가사에 대한 추천 정보를 사용자의 단말(100)로 제공할 수 있다.

도 11은 일실시예에 따른 장치의 구성의 예시도이다.

일실시예에 따른 장치(200)는 프로세서(210) 및 메모리(220)를 포함한다. 프로세서(210)는 도 1 내지 도 10을 참조하여 전술된 적어도 하나의 장치들을 포함하거나, 도 1 내지 도 10을 참조하여 전술된 적어도 하나의 방법을 수행할 수 있다. 장치(200)를 이용하는 자 또는 단체는 도 1 내지 도 10을 참조하여 전술된 방법들 일부 또는 전부와 관련된 서비스를 제공할 수 있다.

메모리(220)는 전술된 방법들과 관련된 정보를 저장하거나 후술되는 방법들이 구현된 프로그램을 저장할 수 있다. 메모리(220)는 휘발성 메모리 또는 비휘발성 메모리일 수 있다.

프로세서(210)는 프로그램을 실행하고, 장치(200)를 제어할 수 있다. 프로세서(210)에 의하여 실행되는 프로그램의 코드는 메모리(220)에 저장될 수 있다. 장치(200)는 입출력 장치(도면 미 표시)를 통하여 외부 장치(예를 들어, 퍼스널 컴퓨터 또는 네트워크)에 연결되고, 유무선 통신을 통해 데이터를 교환할 수 있다.

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

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

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

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

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

Claims (3)

1. 장치에 의해 수행되는, 인공지능 모델을 통한 부동산 담보 가치 평가를 수행하여 제공되는 부동산 금융 플랫폼을 제공하는 방법에 있어서,
   사용자의 단말로부터 상기 사용자의 개인 정보를 획득하는 단계;
   상기 사용자의 단말로부터 상기 사용자가 확인하고자 하는 부동산의 기본 정보를 획득하는 단계;
   상기 부동산의 기본 정보 및 부동산 데이터베이스를 이용하여 준공 연도, 세대 수, 층, 전용 면적을 포함하는 부동산의 제반 정보를 획득하는 단계; 및
   부동산 제반 정보와 부동산 실거래 가격의 상관관계를 학습한 담보 예측 인공신경망에 상기 부동산의 제반 정보를 입력하여 상기 부동산의 제1 예측 담보가액을 결정하는 단계;
   상기 부동산의 최종 예측 담보 가격을 상기 사용자의 단말로 제공하는 단계;를 포함하고,
   법원 경매 관련 자료에 기반한 상기 부동산의 제2 예측 담보가액 및 다른 주체에서 생성한 시세 자료에 기반한 상기 부동산의 제3 예측 담보가액을 상기 제1 예측 담보가액과 함께 상기 사용자의 단말에 제공하는 단계;
   상기 제1 예측 담보가액과 상기 제2 예측 담보가액의 차이가 미리 설정된 제1 기준을 초과하는지 확인하는 제1 확인 단계;
   상기 제1 예측 담보가액과 상기 제3 예측 담보가액의 차이가 미리 설정된 제2 기준을 초과하는지 확인하는 제2 확인 단계;
   상기 부동산의 개별 주택 가격이 미리 설정된 제3 기준을 초과하는지 확인하는 제3 확인 단계; 및
   상기 제1 확인 단계 내지 상기 제3 확인 단계 중 적어도 한 단계에서 비교 대상이 미리 설정된 기준을 초과하는 경우, 상기 제1 예측 담보가액에 제1 지수 및 제2 지수를 적용하여 상기 부동산의 최종 예측 담보가액을 결정하는 단계;를 포함하고,
   상기 제1 지수는 상기 제2 예측 담보가액에 기반하여 생성되고,
   상기 제2 지수는 상기 제3 예측 담보가액에 기반하여 생성되는,
   인공지능 모델을 통한 부동산 담보 가치 평가를 수행하여 제공되는 부동산 금융 플랫폼 제공 방법.
2. 제1항에 있어서,
   상기 부동산의 제반 정보는,
   공시 연도, 금리, 개별 주택 가격, 법정동을 더 포함하고,
   상기 부동산의 예측 담보가액을 결정하는 단계는, 상기 부동산의 등급을 설정하여 상기 설정된 등급을 이용하여 상기 제1 예측 담보가액을 수정하는 단계를 포함하고,
   상기 부동산의 등급을 설정하는 단계는,
   상기 부동산이 포함된 지역을 획득하는 단계,
   부동산 사이트를 통해 미리 설정된 제1 기간 동안 상기 지역이 검색된 횟수를 획득하여, 상기 지역의 관심 지수를 생성하는 단계,
   SNS를 통해 미리 설정된 제2 기간 동안 상기 지역이 태그된 횟수를 확인하여, 상기 지역의 SNS 노출 지수를 생성하는 단계,
   상기 지역에 포함된 정류장의 개수, 상기 지역을 지나는 대중교통의 개수, 상기 대중교통의 배차 간격을 확인하여, 상기 지역의 대중교통 지수를 생성하는 단계,
   상기 지역에 포함된 학원의 개수, 상기 지역에 포함된 병원의 개수, 상기 지역에 포함된 상점의 업종의 개수를 확인하여, 상기 지역의 상권 지수를 생성하는 단계, 및
   상기 지역의 관심 지수, 상기 지역의 SNS 노출 지수, 상기 지역의 대중교통 지수, 및 상기 지역의 상권 지수를 기초로, 상기 부동산의 등급을 생성하는 단계를 포함하는,
   인공지능 모델을 통한 부동산 담보 가치 평가를 수행하여 제공되는 부동산 금융 플랫폼 제공 방법.
3. 삭제