KR20180054712A - 영구적인 증여시스템 - Google Patents

Abstract

본 발명의 영구적인 증여시스템은 도너개체, 기부기금개체, 사업개체, 제어보드, 투자할당자, 및 이익할당자를 포함한다. 상기 도너개체는 상기 기부기금개체에 투자하고 상기 기부기금개체는 상기 도너개체에 이익을 반환한다. 상기 도너개체에 의하여 지불된 세금과 상기 도너개체의 상기 기부기금개체에 대한 기부금 사이에 소득공제가 적용된다. 상기 기부기금개체는 상기 사업개체에 투자하고 상기 사업개체는 상기 기부기금개체에 이익을 반환한다. 상기 이익할당자는 상기 제어보드에 투자를 권고한다. 상기 제어보드는 상기 투자할당자에 투자 선호도를 제공한다. 상기 이익할당자는 상기 사업개체에 대한 재투자 자금 및 상기 제어보드에 대하여 위임된 기금에 관하여 추천을 생성한다. 각각의 할당자는 패턴매칭모듈과 정적변수모듈을 포함한다. 상기 시스템은 독창성모듈과 CTMP 모듈을 이용한다.

Description

영구적인 증여시스템

본 발명은 컴퓨터 분석에 의한 투자 최적화 시스템에 관한 것이다. 보다 구체적으로, 본 발명은 세금코드를 포함하는 사업 요소를 분석하고 세금코드를 준수하는 이익 활동을 위한 해결책을 생성하기 위한 전산화된 방법에 의하여 기부를 위한 효과적인 시스템을 제공하는 것에 관한 것이다.

조세 규정을 분석하는 것은 힘들고 복잡한 작업이다. 종종 사업 운영으로 인한 이익은 사업을 다양한 관점에서 규제하는 세법의 적용을 통하여 상당부분 조정된다. 조세 규정을 통상적인 사업의 매개 변수와 함께 분석하고 효과적인 투자 전략을 수립하기 위하여 고도의 인공 지능을 채택하는 방안이 오랫동안 필요했다.

본 발명은 영구적인 증여시스템을 제공한다. 상기 시스템은 프로그램된 명령어를 저장하는 메모리, 상기 메모리에 연결되고 상기 프로그램된 명령어를 실행하는 프로세서, 및 하나 이상의 데이터베이스를 포함한다. 상기 프로그램된 명령어는 하기의 구성요소와 관련된다: a) 하나 이상의 도너개체(entity), b) 하나 이상의 기부기금개체에 있어서, 상기 도너개체가 상기 기부기금개체에 투자하고 상기 기부기금개체는 상기 도너개체에 이익을 반환하며, 상기 도너개체에 의하여 지불된 세금과 상기 도너개체의 상기 기부기금개체에 대한 기부금 사이에 소득공제(tax write-off)가 적용되고, c) 하나 이상의 사업개체에 있어서, 상기 기부기금개체가 상기 사업개체에 투자하고 상기 사업개체는 상기 기부기금개체에 이익을 반환하고, d) 제어보드, 및 e) 상기 제어보드에 투자를 추천하는 투자할당자에 있어서, 상기 제어보드는 상기 투자할당자에 투자 선호도를 제공한다. 상기 투자할당자는 패턴매칭모듈 및 정적변수모듈을 포함한다. 상기 기증개체, 상기 기부기금개체, 상기 사업개체, 및 상기 제어보드는 사회의 기업 또는 기관에 상응하는 컴퓨터 렌더링이다. 상기 컴퓨터 렌더링 개체(entity)는 입력장치 및 출력장치를 통하거나 인터넷과 같은 통신 네트워크를 통해 상기 기업 등을 위하여 일하는 인간과 의사소통을 할 수 있다.

상기 시스템은 또한 상기 사업개체에 대한 재투자 자금 및 상기 제어보드에 대하여 위임된 기금에 관하여 추천을 생성하는 이익할당자를 더 포함할 수 있다. 상기 이익할당자는 패턴매칭모듈과 정적변수모듈을 포함한다.

상기 투자할당자의 상기 패턴매칭모듈을 위하여 시장성과 및 이익이력에 대한 데이터가 제공된다. 상기 사업개체의 수익 구성에 관한 데이터는 이익할당자에게 전달된다.

상기 패턴매칭모듈에서, 이익 및/또는 투자할당자의 결정이 저장되고, 독창성모듈은 상기 저장된 결정, 이익이력, 시장성과, 상기 정적변수모듈의 정적변수, 또는 상기 제어보드에 의하여 제공되는 정적기준을 사용하여 새로운 배분 결정을 만든다.

상기 시스템은 또한 투자 포트폴리오를 설계하는 포트폴리오 설계자를 더 포함한다. 상기 포트폴리오 설계자에서, 투자금액, 자선기금(charitable causes) 및 의도된 위험(desired risk), 저장된 할당결정에 따른 장기 할당, 및/또는 수익마진 메이크업 모듈(makeup module)의 수익 추세가 독창성모듈에 입력된다.

상기 시스템은, 2개 이상의 세금코드들 사이에서 계산된 오버랩(overlap)의 검색을 수행하는, 오버랩발견모듈(Find overlap module)을 포함하는 세금코드 해석자; 및 세법 정보를 저장하는 일반세금유닛(Generic tax unit)을 더 포함할 수 있다. 상기 일반세금유닛은 세법 정보를 의존트리(Dependency tree)와 유닛정의(Unit definition)를 포함하는 로우(raw)구조로 변환하는 최초정의업그레이드모듈(Initial definition update module)과 예비변환모듈(Preliminary conversion module)을 포함한다. 상기 의존트리는 오브젝트 의존연결(Rink)을 포함하며, 여기서 상기 유닛정의는 세금 관련 오브젝트의 이름, 설명 및 정의를 포함한다.

상기 일반세금유닛은 정의업그레이드의 일부로서 로우구조를 수신하고 파생구조(Derived structure)를 구성하기 위하여 데이터 세트를 계산하는 측정가능(scalable)하고 병렬적인 데이터 마이닝 프로세스를 수행하는 병렬화 컴퓨터 프로세스 시스템을 더 포함한다.

상기 파생구조는 상기 로우구조의 원본으로부터 암시된 데이터를 포함하는 파생트리, 상기 파생트리에 의하여 참조되는 상기 오브젝트와 관련된 라벨(label)을 포함하는 유닛정의(Unit definition), 상기 파생트리에 의하여 상속되는 파생규칙(Derived rules)을 더 포함하며, 여기서 상기 파생구조는 일반적인 인기 알고리즘(generic popularity algorithm)으로 이익지점을 추론한다.

간단한 정보요청에 대한 응답에서, 첫번째 세금코드의 상기 로우구조와 두번째 세금코드의 로우구조가 비교된다. 복잡한 정보요청에 대한 응답에서, 상기 첫번째 세금코드의 파생구조와 상기 두번째 세금코드의 파생구조가 비교된다. 집중지점분석은 상기 첫번째 세금코드의 이익지점과 상기 두번째 세금코드의 이익지점을 동기화한다. 상기 집중지점분석의 결과는 상기 첫번째 세금코드와 상기 두번째 세금코드의 상기 파생구조로 보내진다. 상기 파생트리로부터 얻어진 정보는 상기 유닛정의로부터 얻은 각각의 정의와 짝지어진다.

상기 독창성모듈은 두 가지 이상의 사전할당결정을 참조한다. 할당결정은 각각 시장상황, 투자자상황, 및 최종결과를 포함한다. 상기 할당결정은 상기 각 할당결정으로부터 얻은 두 오브젝트의 연역 및 비교를 수행하고 출력을 위하여 하이브리드 폼을 푸쉬하는 지능선택자(intelligent selector)에 제공된다. 기준매칭모듈은 상기 패턴매칭모듈로부터 제공된 입력 기준을 참조하여 시장변수에 적합한 상기 하이브리드 폼을 상기 지능선택자로부터 선택한다.

상기 사전할당결정은 사전할당결정 데이터베이스로부터 유래된 재무할당결정의 평균적인 모델과 할당자에 의하여 배포된 새로운 정보를 포함한다. 상기 지능선택자는 그것들을 상기 하이브리드 폼으로 병합한다. 모드(mode)는 상기 독창성모듈이 사용되는 알고리즘의 유형을 정의한다. 오버랩되는 정보의 양은 랭킹 우선순위, 의도된 데이터 비율, 및 데이터를 포함하는 정적기준에 의하여 설정된 비율에 따라 필터링 되어, 선택된 모드에 의존적으로 병합된다. 로우대조는 상기 정적기준에 따른 상기 사전할당결정을 기초로 수행된다.

두 데이터 세트가 상기 폼의 동일 위치에서 특징(Feature)을 정의하기 위하여 경쟁할 때, 상기 정적기준 및 상기 모드에 기초하는 병합된 특성(traits)을 갖는 폼(form)를 생성하기 위하여 우선순위결정 프로세스가 진행된다.

입력모듈은 패턴매칭과 할당결정에 의한 결과를 수신한다. 이유프로세스모듈은 수신된 입력의 속성을 비교하고 규칙을 유도한다. 상기 이유프로세스모듈은 주어진 문제에 대한 인지 범위를 결정하기 위한 기준점으로서 상기 파생된 규칙을 활용하는 규칙프로세스모듈을 포함한다. 비판적 규칙범위 확장자는 알려진 인지 범위를 수신하여 인지 범위에 인지의 비판적 사고범위를 포함하기 위하여 업그레이드 한다. 상기 파생된 규칙은 인지의 비판적 사고범위를 활용함으로써 수집된다.

메모리웹은 이행가능한(fulfillable) 규칙에 관한 로그를 검색한다. 적용가능하고 이행가능한 규칙은 중단결정을 내리기 위하여 실행된다. 규칙실행모듈은 현재상태로 확인되고 비판적 사고 결정을 내리기 위하여 이행된 규칙을 실행한다. 비판적 결정출력모듈은 인지관찰 에뮬레이터와 규칙실행모듈에 의하여 도달된 결론을 비교함으로써 최종로직을 생성한다.

로그모듈은 상기 입력의 영향과 무관하게 비판적 결정을 내리기 위하여 사용되는 로우정보를 포함한다. 응용인지관점모듈은 상기 입력 알고리즘에 의하여 이용되고 응용된 인지관점을 포함한다. 자동화 인지발견 메커니즘은 상기 독창성 모듈을 활용하여 인지범위를 확장한다.

자기비판적 지식밀도모듈은 보고 가능한 로그의 범위를 넘어서는 잠재적이고 알려지지 않은 지식의 범위와 유형을 추정한다. 상기 인지관찰 에뮬레이터는 관찰 및 테스트의 에뮬레이션를 생성하거나 또는 모든 잠재적 인지범위를 관찰 에뮬레이션의 변형과 비교한다. 인지관찰 에뮬레이터에 대한 입력은 상기 잠재적 인지범위와 강화된 데이터 로그를 포함하고, 인지관찰 에뮬레이터에 대한 출력은 상기 강화된 데이터 로그로부터 생성되며 선택인지(selected perception)의 혼합으로서 가장 관련 있는 관찰자에 따른 결정을 포함한다. 강화된 데이터 로그로부터 유래된 상기 CVF는 인지저장장치를 위한 검색 기준으로서 사용된다. 함축유도모듈은 알려진 인지관점으로부터 암시되는 데이터의 인지관점을 끌어낸다. 메트릭조합모듈은 인지관점을 메트릭(Metrics)의 카테고리로 구분한다. 메트릭변환모듈은 각각의 메트릭을 다시 전체 인지관점으로 되돌린다. 메트릭확장모듈은 각각의 데이터베이스에 인지관점의 메트릭을 카테고리에 따라 저장한다.

비판적 규칙범위 확장자는 규칙세트의 비판적 사고범위를 확장하기 위하여 알려진 인지를 활용한다. 인지매칭모듈은 규칙신택스(syntax) 유도로부터 얻어진 인지로 CVF를 형성한다. 메모리인식모듈은 입력 데이터로부터 카오틱필드(chaotic field)를 형성하고 알려진 개념을 인식하기 위한 필드 검색을 수행한다. 메모리개념색인모듈은 개별적으로 상기 모든 개념을 인덱스로 최적화한다. 규칙이행파서(Parser)는 인식태그를 통해 상기 규칙의 각 부분을 수집하고, 규칙 실행을 유도하기 위하여 상기 카오틱필드에서 어떤 규칙이 인식되었는지를 논리적으로 추론한다. 규칙신택스 포맷분리모듈은 유형에 따라 올바른 규칙을 구분하고 구성한다. 규칙신택스 유도모듈은 로직적인 규칙을 메트릭 기반 인지로 변환한다. 규칙신택스 생성모듈은 확인된 인지를 수신하고 인지의 내부 메트릭 메이크업과 연관된다.

최종로직모듈은 직관결정과 사고결정으로부터 지능정보를 수신한다. 직접결정비교모듈은 확증용 확인을 위하여 직관결정과 사고결정에 의한 양 결정을 비교한다. 상기 직관결정은 레버리징(leveraging) 인지를 통한 비판적 사고에 관여한다. 상기 사고결정은 레버리징 규칙을 통한 비판적 사고에 관여한다. 비판적 규칙범위 확장자는 사전에 고려되지 않은 인지관점을 레버리징 함으로써 규칙세트의 이해의 범위를 확장한다. 카오틱필드 파싱(parising)모듈은 상기 로그의 상기 형식을 카오틱필드로서 알려진 단일의 스캔가능한(scannable)유닛으로 조합한다. 추가규칙은 상기 이미 설정된 올바른 규칙을 보완하기 이하여 메모리인식모듈로부터 생성된다.

인지매칭모듈에서, 메트릭 통계에 관하여, 통계정보가 인지저장장치로부터 제공된다. 상기 통계는 메트릭의 인기 트렌드, 내부 메트릭 관계, 및 메트릭 증가율을 정의한다. 오류관리모듈은 신택스 및/또는 상기 각각의 메트릭 중 어느 것으로부터든 유래된 논리적 오류를 파싱(parsing)한다. 노드(node)비교모듈은 둘 이상의 CVF의 상기 노드 메이크업을 수신한다. 상기 CVF의 각 노드는 자산(property)의 크기의 정도를 나타낸다. 유사성비교는 개별 노드 베이시스(basis)를 기초로 수행되고, 집계 분산이 계산된다. 로우인지 직관사고모듈은 아날로그포맷에 따라 상기 인지를 프로세스한다. 로우규칙 논리사고모듈은 디지탈포맷에 따라 규칙을 프로세스한다. 재무할당결정과 관련된 아날로그포맷 인지는 단(step)이 없는 매끄러운 곡선의 그라디언트(gradient)에 저장된다. 재무할당결정과 관련된 디지탈포맷 로우규칙은 회색영역이 없는 단(step)에 저장된다.

본 발명은 또한 프로그램된 지시를 저장하는 메모리, 상기 메모리에 연결되고 상기 프로그램된 지시를 수행하는 프로세서, 그리고 하나 이상의 데이터베이스를 포함하는 시스템을 통하여 수행되는 영구적인 증여방법을 제공한다. 상기 방법은 (a) 하나 이상의 도너개체가 하나 이상의 기부기금개체에 투자하는 단계; (b) 상기 기부기금개체가 상기 도너개체에 이익을 반환하고, 상기 도너개체가 지불한 세금과 상기 도너개체의 상기 기부기금개체에 대한 투자 간에 소득공제가 적용되는 단계; (c) 상기 기부기금개체가 하나 이상의 사업개체에 투자하는 단계; 및 (d) 상기 사업개체가 상기 기부기금개체에 이익을 반환하는 단계를 포함한다. 투자할당자는 제어보드에 투자추천을 한다. 상기 제어보드는 상기 투자할당자에게 투자선호를 제공한다. 이익할당자는 사업체를 위한 재투자 기금 및 제어보드를 위해 위임된 기금과 관련된 추천을 한다. 각각의 할당자는 독창성모듈과 CTMP모듈을 포함한다.

본 발명은 이하의 도면과 관련하여 상세한 설명을 참조함으로써 더욱 완전하게 이해될 수 있다.
도 1은 본 발명에 따른 영구적인 증여시스템의 과제흐름을 나타내는 블록 다이어그램이다.
도 2는 도 1의 개체들 사이의 투자 및 반환 흐름을 도시하는 모식도다.
도 3은 조세 규정을 다루는 모듈을 나타내는 모식도다.
도 4는 이사회에 의한 제어를 나타내는 모식도다.
도 5 및 도 7은 이익할당자 및 투자할당자를 도시하는 모식도다.
도 8은 마진 메이크업 알고리즘을 도시하는 모식도다.
도 8은 할당결정을 위한 패턴매칭 알고리즘을 나타내는 모식도다.
도 9는 포트폴리오 설계자 알고리즘을 나타내는 모식도다.
도 10은 세금코드 해석자 알고리즘을 도시하는 모식도다.
도 11은 일반 세금 유닛의 로우구조 및 파생구조를 나타내는 모식도다.
도 12는 세금코드 해석자 알고리즘을 도시하는 모식도다.
도 13은 독창성모듈이 할당결정에 사용되는 방법을 나타내는 모식도다.
도 14는 독창성모듈을 도시하는 모식도다.
도 15는 독창성모듈의 지능선택자 서브모듈을 나타내는 모식도다.
도 16 및 도 17은 독창성모듈에서 우선순위결정 프로세스에 의한 병합이 이루어지는 방법을 나타내는 모식도이다.
도 18은 CTMP에 의한 인지관점을 이용한 서브모듈을 나타내는 모식도다.
도 19는 상이한 레벨의 인지관점과 관련된 서브모듈을 나타내는 모식도다.
도 20은 인지관찰자 에뮬레이터를 나타내는 모식도다.
도 21은 메트릭 및 인지에 관한 서브모듈을 나타내는 모식도다.
도 22는 규칙의 분석에 관한 서브모듈을 도시하는 모식도다.
도 23은 CTMP에서의 지능정보프로세스(Processing intelligent information)의 흐름을 나타내는 모식도다
도 24는 CTMP의 입출력을 나타내는 모식도이다.
도 25는 선택된 패턴매칭 알고리즘을 나타내는 모식도다.
도 26은 인지 및 규칙을 통하여 CTMP에 의해 수행된 비판적사고 알고리즘을 도시하는 모식도이다.
도 27은 CTMP에 의하여 올바른 규칙이 어떻게 생성되는지를 나타내는 모식도다.
도 28, 도 29, 및 도 30은 인지모듈의 동작을 설명하기 위한 모식도이다.
도 31은 본 발명에 따른 영구적인 증여방법을 나타내는 흐름도이다.

도 1을 참조하면, MPG(Method for perpetual Giving/Good) 시스템의 도너(1)의 가상표현(컴퓨터 렌더링)이 도시되어 있다. 상기 도너(1)는 단독멤버지위(sole member status)와의 호환성으로 인하여 법인 LLC로 구성된다. 상기 MPG 시스템은 모든 기부금, 기부금 선호도, 투자 수익 등을 추적한다. (주의: LLC는 미국 법률에 따른 유한 책임 회사이며, 이는 영국의 유한 책임 파트너쉽(LLP)에 상응한다.) 기부기금(2)의 가상표현(컴퓨터 렌더링)이 도시된다. 상기 MPG 시스템은 이사회의 멤버, 투자 자본의 균형(balance) 및 지출 내역 등을 추적한다. 저이익(low profit) L3C(Low Profit Limited Liability Corporation)(3)와 관련하여, 복수의 L3C 개체의 가상표현(컴퓨터 렌더링)이 도시된다. 상기 MPG 시스템은 그것의 관리, 비용, 수익, 예상 이익, 실제 이익을 추적한다. 프로그램관련 투자(4)와 관련하여, 각각의 저이익 L3C(3)는 이루어진 투자의 카테고리를 정의하는 관련 프로그램을 보유한다. 투자수익(5)과 관련하여, L3C 구조의 세금의 영향으로 인하여, 저위험(low risk) 투자는 투자로 인한 저 이익률(low profit margin)을 수반한다.

도 2의 도면부호 6과 관련하여, 법인 LLC로 구성된 상기 도너(1)는 기부기금에 자금(money)을 투자하고 다른 모든 병행 투자자들과 상기 기금을 통하여 실질적으로 파트너가 된다. 투자(7)와 관련하여, 투자추천에 기반에 정교한 알고리즘을 사용함으로써, 기부기금의 자금이 저위험-저이익 구조를 가지는 다수의 소규모 L3C 사이에서 유동되고 분배된다. 수익(8)과 관련하여, 원 투자에 대한 저 이익률 수익(low profit margin returns)은 상기 파트너가 제어하는 상기 기부기금으로 다시 보내진다. 수익(9)과 관련하여, 장기간 펀드의 성과에 따라, 상기 도너 LLC는 투자된 원금에 비례하는 이익률을 수신한다.

도 3을 참조하면, 관할 구역 내의 사업체에 세금 징수를 부과하는 세금징수청(Agency)(10) (가령, 미국의 국세청(IRS, Internal Revenue Service), 영국의 HMRC(Her Majesty's Revenue & Customs))가 도시되어 있다. 세금환급(11)과 관련하여, 소득공제(tax write-off)(15)로 인하여, 상기 도너 LLC(1)는 전년도에 지불된 (소득공제가 적용되기 전의) 초과금에 의한 세금환급을 받는다. 세금(12)과 관련하여, 세금은 상기 도너 LLC가 세금징수청(10)에 지불한 것이다. 투자수익(13)과 관련하여, 이익은 상기 기부기금(2) 그리고 더 나아가 저이익 L3C(3)으로부터 반환된다. 기부(14)와 관련하여, 상기 도너 LLC는 상기 기부기금에 투자로서 자금을 전달하지만, 법적으로는 기부로서 간주된다. 이는 통상적으로 소득공제(15)로 이어진다. 소득공제(15)로 인하여, 기부로서 수행된 상기 투자는 중장기적으로 투자 사이클을 촉진하기 위해 세금 부담을 경감시키는 수단이 된다.

도 4를 참조하면, 상기 도너 LLC는 투자자본(16)에서 주요 기금(fund) 풀을 조성하는 이사회(23)를 구성한다. 기금은 기부를 통하여 전달된다. 투자할당자(17)는 상기 이사회(23)에 높은 확신의 추천을 제공하는 인공지능 프로그램이다. 제어(18)와 관련하여, 상기 이사회는 상기 투자할당자(17)에게 자신들의 투자선호를 집합적으로 행사한다. 이는 인공지능 소프트웨어의 선호(preference)를 정의하는 대용량 변수 및 기준(Criteria)을 조정하거나, 투자추천의 직접적인 승인이나 거부를 포함할 수 있다. 기부금(19)과 관련하여, 투자할당자의 선호의 승인에 따라, 상기 이사회의 개별 멤버는 기부로서 선호하는 투자금액을 제출한다. 상기 이사회의 각 멤버는 그들의 파트너의 재무적인(financial) 결정을 파악할 수 있는 이해할 자격을 가진바, 감독모듈(20)은 투자의 투명성을 위하여 사용된다. L3C(21)과 관련하여, 상기 L3C는 개별적으로 분리되어 관리된다. 그들은 투자 및 이익은 낮으나 일관된 수익원으로부터 수익을 (일반적으로) 얻는다. 또한, 도면 4를 참조하면, 상기 투자할당자(17)의 인공지능의 확장인, 이익할당자(22)는 재투자로서 상기 L3C 내에 얼마나 많은 자금을 보유해야 하고, (더 많은 투자를 위하여) 상기 이사회에 얼마만큼의 자금이 다시 위임되어야 하는 지와 관련하여 상기 이사회에 높은 확신의 추천을 송신한다. 상기 이사회(23)는 LLC의 단독멤버지위 내에서 합법적으로 활동하는 멤버들로 구성된다. 상임이사(24)는 투자자본(18)에 있어서 많은 지분을 가진 멤버도너 LLC이다.

도 5 및 도 7을 참조하면, 패턴매칭(25)은 이익 및 투자의 배당을 설계하는 지능함수로서 수행된다. 감독(26)과 관련하여, 상기 이사회는 내부적으로 투명한 재무적 이전(financial transfer)과 관련하여 통제권을 행사한다(도 4의 도면부호 20 또한 참조하라). 정적변수(Static Variables)(27)는 지능행동에 대하여 큰 스케일의 영향과 점진적인 영향을 가지는 각 변수마다 수정가능한 지능알고리즘의 양상을 나타낸다. 성과이력데이터(28)는 시장성과(30)와 이익이력(31)을 평가하기 위하여 사용될 수 있다. 데이터전달(29)과 관련하여, 적절한 데이터(시장성과 및 이익이력)가 상기 투자할당자의 상기 패턴매칭(28)을 위하여 전달될 수 있다. 시장성과(30)는 상기 관련 L3C(3) 산업/시장의 일반적인 경향을 나타낸다. 이익이력(31)은 상기 행동중인 L3C(3)와 관련된 특정 수행 경향을 나타낸다. 이익률 메이크업(32)와 관련하여, 데이터 시리즈는 모든 활성 L3C의 특정한 이익 구성(composition)을 포함한다. 이익률 메이크업은 어떤 L3C가 자금을 벌고 있는지, 어떤 L3C의 손익이 비슷한지, 어떤 L3C가 손실을 초래하고 있는지를 나타내는 전반적인 요약보고서와 같다. 그러한 정보는 이익할당자(22)에게 전달되어, 이익이 정확하게 분배될 수 있다. 상기 데이터 시리즈는 또한 차회분(next batch) 투자의 배분과 관련하여 의사의 결정을 보조한다. 이익(33)은 모든 L3C의 합산된 노력의 잠재적인 순이익을 나타낸다. 투자(34)는 투자할당자(17)에 의하여 할당된, 시스템 내에서 이루어진 초기투자를 나타낸다.

도 6의 5/10% 이익(35)에 속한 L3C와 관련하여, 순이익을 가진 것으로 마크된 L3C가 있다. 상기 L3C는 식품, 의약품, 대피소(shelter) 등 다양한 분야와 산업에 걸쳐있을 수 있다. 손익분기(36)에 속한 L3C와 관련하여, L3C는 그들의 이익률에 있어서 실질적으로 손익분기점에 도달하였다. 10% 손실(37)에 속한 L3C와 관련하여, L3C는 투입된 초기 금액과 관련하여 손실을 초래하였다. 상기 손실은 종래 획득한 소득공제(15)에 의하여 통상적으로 완화된다.

도 8의 다음패턴매칭(38)과 관련하여, 이익 및/또는 투자할당자의 결정은 미래의 참조를 위하여 저장된다. 상기 참조는 특히 상기 패턴매칭(25)의 자동화 시스템에 의하여 이루어진다. 모든 이전(prior)할당결정(39)은 미래의 할당결정을 위한 참조의 프레임이 될 수 있도록 저장된다. 상기 독창성모듈(40)은 시장 트렌드의 변화를 반영한 할당결정의 새로운 변화를 생성하기 위하여 상기 이전할당결정(39)뿐만 아니라 (이익이력(31) 및 시장성과(30) 등을 포함하는) 복합변수의 모음(assortment)을 사용한다. 그러한 새로운 할당결정은 차회분의 투자 및/또는 이익할당을 위한 잠재적인 후보이다. 독창성모듈(40)이 시행착오 후보 선택을 수행한 이후에 최종적인 약정 할당결정(41)에 도달한다. 모드(42)는 그 함수 모드를 수정하는 독창성모듈(40)의 특정 변수이다. (즉, 변수 x, y, z를 조합하거나 a, b, 및 c 등의 차이비교(differential comparison)를 생성한다.) 정적기준(43)은 새로운 하이브리드 폼(즉, 할당결정)를 형성하는 방법에 대한 정적이지만 비영구적인 기준을 포함하는 독창성모듈(40)의 특정 변수이다. 상기 패턴매칭모듈(25)의 최종출력(44)은 상기 할당결정 또는 (가령, 불충분한 변수 등에 의하여) 할당결정을 달성하지 못한 것을 나타내는 컴퓨터 코드를 포함한다.

도 9를 참조하면, 포트폴리오 설계자(45)는 교육된(educated) 추천으로서 작용하는 투자 포트폴리오를 자동적으로 설계하기 위하여 도너 LLC(1)으로부터 얻은 기준(criteria)(43)을 병합한다. 일반적인 비즈니스 경향(46)에 기초한 최종적인 투자추천은 상기 포트폴리오 설계자(45)에 의하여 주어진다. 출자액(47)은 투자의 크기 및 유동성에 관한 투자자의 투자 선호의 메이크업이다. 자선기금(48)은 자선기금에 대한 투자자의 투자 선호의 메이크업이다. 파생된 위험(49)은 높은 이득의 잠재력을 내포하는 손실 초래의 위험에 관한 투자자의 투자 선호의 메이크업이다.

도 10의 도면부호 50과 관련하여, 부여된 소득공제(15) 외에도 L3C의 맞춤화된 세금 구조를 회고하여 더 적은 세금(50)이 지불된다. 세금코드 해석자(51)는 그러한 파생된 데이터로부터 의미 있는 동적조작(dynamic operation)이 수행될 수 있도록 세금코드를 해석한다. 세금코드검색자의 오버랩검색(find overlap)(52)은 두 입력 L3C세금코드(53)와 산업세금코드(54) 간에 수행된다. L3C세금코드(53)은 특정 L3C에 관한 세금코드를 나타낸다. 산업세금코드(54)는 일반적인 산업계와 관련된 세금코드를 나타낸다. 신장된 수익(Boosted Revenue)(55)과 관련하여, 세금징수청(10)에 지불되는 더 적은 세금(50)은 세액공제가 고려된 후의 전반적인 수익 신장으로 이어진다. 이는 세금코드해석(52 참조)에서 계산된 효율성의 포인트를 활용하는 맞춤화된 L3C 회사구조 때문이다. 재투자(56)와 관련하여, 상기 신장된 수익(55)은 L3C(3)에 다시 재투자되기 위하여 부분적으로 할당된다. (할당결정은 투자할당자(17)에 의하여 수행된다.) 더 많은 이익(57)과 관련하여, 세금징수청(10)에 지불되는 더 적은 세금(50)은 일반적으로 상기 기부기금(2)에 다시 부분적으로 재할당되는 더 높은 이익률로 이어진다. 세무부서(58)는 세금의 계산 및 제출을 처리하는 유관조직의 세무부서이다.

도 11과 관련하여, 상기 일반세금유닛(59)은 세법(주 세법, 연방 세법 등.)의 전형적인 모음에 관한 정보를 다루는 파일 저장 포맷이다. 상기 유닛은 세법과 관련하여 어떠한 정보프로세스가 수행되는 지에 따라서 다르게 사용되는 세법에 관하여 상이한 종류의 정보를 담는 컨테이너로서 기능한다. 정의업테이트(60)와 관련하여, 59와 관련된 최초정의업데이트는 적절하고 검증된 소스로부터 새롭고 업데이트된 세법 정보를 수신한다. 예를 들어, 상기 정의업데이트(60)는 보트 소유권에 관한 세법을 확인하기 위하여 자동적으로 정부의 웹사이트를 체크하는 웹크롤러(web crawler)에 의하여 수행될 수 있다. 예비변환(61)은 로우(raw) 상태의 정적 리스트를 가져와서 그것을 두 가지 주요부분; 의존트리(63)와 유닛정의(64)으로 나눈다 이는 정적인 법 조회가 이루어질 수 있도록 수행되며, 병렬화 컴퓨터 프로세스 시스템(66)에서 발생하는 주(major)최적화 이전에 이루어지는 부(minor)최적화의 폼이다.

로우구조(62)는 정적이고 최적화되지 않은 피참조 방법(method of being refereced)에 따라 이용가능한 모든 세금 정보를 포함한다. 의존트리(63)는 오브젝트 의존의 일련의 연결관계(링크)를 포함한다. 예를 들어, 오브젝트 1A의 요청 → 오브젝트 5C, 오브젝트 5C의 조건문(CONDITIONAL) → 오브젝트 12B 등. 상기 오브젝트는 스스로 정의되지 않으나, 유닛정의(64)에서 정의된다. 유닛정의(64)는 (상기 로우구조(62)에서) 세금 관련 오브젝트(즉, 법 A3, 섹션 49B, 조직(organization)타입 L3C 등)의 이름과 묘사/정의를 포함한다. 예를 들어, API(76)(응용 프로그램 인터페이스, Application Program Interface)는 클래스 C의 보트의 정의가 무엇인지 찾아보기만 하면, 정부의 웹사이트로부터 얻은 로우 텍스트를 파싱(parsing)하는 대신에, 상기 유닛정의(64)를 효율적이고 효과적이게 검색할 수 있다. 상기 유닛정의(64)는 의존트리(63)를 이해하기 위하여 요구된다. (도면부호(60) 이후의) 두번째 정의업테이트(65)는 동일한 정적 정보를 병렬화 컴퓨터 프로세스 시스템(66)에 전달하여, 상기 API(78)에 의해 상기 정보가 동적으로 액세스 될 수 있도록 만든다.

상기 병렬화 컴퓨터 프로세스 시스템(PCPS, Parallelized Computer Processing System)(66)은 로우구조(62)를 두번째 정의업데이트(66)의 일부로서 수신한다. 그런 다음, 상기 시스템은 파생구조(68)를 구성하는 동적 데이터 세트를 계산하는 고도로 정량화할 수 있는 데이터 마이닝 프로세스를 이용한다. 그러한 정량화할 수 있고 병렬적인 컴퓨터 프로세스 스레드(threads)는 많은 양의 세금 분석 데이터 마이닝이 동시에 수행되도록 하여, 궁극적으로 할당결정의 품질(quality)을 상승시킨다. 파생업데이트(67)는 첫번째 정의업테이트(60)와 두번째 정의업데이트(67)의 파생업데이트가 있을 때마다 파생구조에 새로이 프로세스된 동적 정보를 푸시(push)한다. 상기 파생구조(68)는 상기 세금코드의 원본인 로우구조(62)를 반영한 정보의 동적정보지점을 포함하는 정보 컨테이너이다.

파생트리(69)는 의존트리(63)의 수정된 버전이다. 그 차이점은 파생트리는 원본으로부터 암시되는 주장(assertion)과 서술(statement)을 포함한다는 것이다. 그러한 함의는 규칙의 조합을 포함할 수 있다. 예를 들어, 주 법(state law)이 18세 미만인 경우 세금면제의 대상이라고 규정하고, 동일한 주법의 근로 가능한 연령이 16세라고 한다면, 그 함의는 16세부터 18세 사이의 2년 동안 주 세금(state tax)을 납부하지 않고 일하는 것이 가능하다는 것이다. 유닛정의(70)는 회사타입, 명칭 등과 같이 파생트리(69)에 의하여 참조되는 오브젝트와 관련된 모든 라벨(label)을 포함한다. 알고리즘은 일반적인 인기 알고리즘을 통해 관심지점의 지름길(points of interest shortcuts) 을 추론한다. 그러한 지점은 차후 세금코드 간을 비교하는 빌딩블록으로서 참조된다. 무엇이 우선적으로 문제되는지 비교함으로써, 계산의 효율성이 향상된다. 파생규칙(72)은 파생트리로부터 승계되는(inherited) 결론들이다. 여기에 도면부호 69의 사례(상기 예에서, 16~18세는 세금을 내지 않는다)가 저장될 것이다. 도면부호 73과 관련하여, 파생규칙(72)로부터 파생된 예외(73)가 도시되어 있다. 최적화된 정보(74)와 관련하여, 결과적인 파생구조정보는 데이터 분석의 목적에 적합하도록 최적화되어 있다. 이는 MPG가 전체적으로 세금해석에 접근하도록 허용하는 API(76)의 기능성과 효율성을 도모한다. 정보질의(75)은 세금에 관하여 그러한 정보를 제공하기 위한 API의 요청이다. 상기 API(76)는 일반세금유닛(59)으로부터 파생된 구조정보를 탐색하는 임의의 의도된 프로그램일 수 있다.

도 12의 수행된 정적, 단순조회(lookup)(77)와 관련하여 원본의 로우세금구조가 참조될 것으로 요구되는, 단순정보질의 및 케이스 시나리오의 경우, 양 세금코드(L3C(53) 및 산업(54))의 상기 로우구조가 비교된다. 수행된 동적, 복합분석(78)과 관련하여, 복잡 및/또는 비전형 API(도 11의 76)가 요청하는 경우, 양 세금코드(53, 54)의 파생구조(68)가 참조된다. 정의조회(79)는 정적, 단순 정의조회(77)의 기본(primary)모듈이다. 집중지점분석(80)은 양 세금코드 간의 관심지점을 동기화한다. 오버랩과 패턴은 정보의 복잡성, 범위, 및 질을 추가적으로 확장하기 위하여 양 세금코드(53, 54)의 상기 파생트리(69)로부터 참조로서 푸시된다. 함축세금결론(81)은 파생트리(69)로부터 나타난 정보가 유닛정의(64)로부터 얻어진 각각의 정의와 매치된 후에, 세금질의에 관하여 도달한 결론이다. 최종출력(82)과 관련하여, 도면부호 81의 함축적 세금결론은 상기 API(76)의 요청에 응답하여 푸시된다. 이러한 세금해석결론(82)은 상기 독창성모듈로 하여금 더욱 적합한 재무할당결정의 하이브리드 폼을 도출하도록 하고, 상기 CTMP로 하여금 API(76)에 의하여 보고된 정보에 따라 재무할당결정을 독립적으로 비판하도록 한다.

도 13의 도면부호 83과 관련하여, 상이한 이전할당결정(39)은 상기 독창성모듈(40)에 의하여 새로이 형성되는 할당결정에 대한 전례로서 사용되기 위하여 참조된다. 시장상황(Market Context)(84)은 시장성과(30)와 이익이력(31)을 포함한다. 투자자상황(85)은 상기 도너 LLC 투자기준(43)을 나타낸다. 최종결과(86)는 상기 시장상황(84)과 투자자상황(85)을 고려하여 취해진 실제의 할당분배(allocation apportionment)가 무엇인지 참조한다. 하이브리드 폼이 출력을 위하여 푸시될 때까지 로우비교(97)를 위한 입력으로서 두 개의 오브젝트가 제공되는 동안에 지능비교 및 공제(deduction)를 수행하는 상기 독창성모듈의 핵심 구성인 지능선택자(87)의 인스턴스가 호출된다. 88의 시장상황은 지능선택자(87)에 따른 두 할당결정으로부터 병합되는 것을 제외하고는 시장상황(84)과 같다. 89의 투자자상황은 지능선택자(87)에 따른 두 할당결정으로부터 병합되는 것을 제외하고는 투자자상황(85)과 같다. 90의 최종결과(90)는 지능선택자(87)에 따른 두 할당결정으로부터 병합되는 것을 제외하고는 최종결과(86)과 같다. 기준매칭(91)은 시장성과(30) 및 이익이력(31)과 같은 시장변수에 가장 부합하는 하이브리드 폼을 선택하기 위하여 패턴매칭(25)에 의하여 제공되는 입력기준을 참조한다. 새로운 할당결정제안(92)과 관련하여, 이는 독창성모듈의 최종출력을 위한 설정인 최종의 새로운 하이브리드 할당결정이다.

도 14의 도면부호(93)을 참조하면, 두 개의 상위 폼(이전의 폼)이 하이브리드 폼을 생성하기 위하여 상기 지능선택자(94)에게 푸시된다. 이러한 폼은 데이터의 추상적인 구조를 나타낼 수 있다. 폼 A는 이전할당결정 DB로부터 파생된 재무할당결정의 평균모델을 나타낸다 (도 13의 DB 39). 폼 B는 특정 시장 및 투자자 변수에 대한 재무할당의 대응방식에 의하여 배포되는 새로운 정보를 나타낸다. 폼 B의 상기 정보는 폼 A가 나타내는 것보다 나은 재무할당이 될 수 있도록 생성된 하이브리브 폼(폼 AB)를 허용한다. 상기 지능선택자(94) 알고리즘은 새로운 특징을 하이브리드 폼으로 선택하고 병합한다. 모드(95)는 독창성모듈이 사용되는 알고리즘의 유형을 정의한다. 이 방식으로 상기 지능선택자는 사용되는 어플리케이션에 따라, 병합에 적합한 부분이 무엇인지를 알 수 있다. 이 시스템은 유입 데이터 세트의 유형과 의도된 출력의 유형을 프로세스하기 위해 병합 프로세스를 설정하는(configure) 사전설정모드를 포함한다. 오버랩되는 정보의 양은 정적기준(96)에 의해 설정된 비율에 따라 필터링된다. 만약 상기 비율이 큰 값으로 설정되면, 일관성을 유지하는 폼 데이터의 많은 양이 하이브리드 폼으로 병합된다. 만약 상기 비율이 작은 값으로 설정되면, 생성되는 하이브리드 폼의 대부분은 과거의 반복(iterlation)과 비교하여 매우 다른 폼을 가질 것이다. 두 데이터 세트가 하나의 특징을 동일한 폼의 동일한 위치에서 정의하기 위해 경쟁할 때에는, 어떤 특징이 우세하고 어떤 특징이 오버랩되고 숨겨지는지를 선택하는 우선순위결정 프로세스가 발생한다. 오버랩 지점의 방식이 병합된다. 대부분의 경우 특정 병합이 발생할 수 있는 수많은 방식이 있으므로, 상기 정적기준과 모드는 상기 모듈이 특정 병합을 다른 것에 비하여 선호하도록 지시한다.

투자할당모드로 설정되는 경우를 보자. 상기 지능선택자(94)는 예상되는 입력 데이터로서 할당결정 DB(39)의 표현(폼 A)이고 시장 및/또는 투자자 변수에 대한 규칙세트 반응(reaction)을 상술(detail)하는 새로이 배포된 정보(폼 B)임을 알 수 있다. 모드의 속성(attributed)에 따라 효율적인 하이브리드 폼을 형성하기 위하여 오래된 것과 새로운 데이터를 가장 잘 병합하는 상세한 방법이 규정될 수 있다. 정적기준(96)은 세금 해석/투자 분석에 의하여 폼이 어떻게 병합되어야 하는 지에 관한 일반적인 맞춤(customization)을 제공한다. 그러한 데이터는 랭킹 우선순위결정, 데이터의 의도된 비율, 및 선택되는 모드가 무엇인지에 따라 병합을 지시하는 데이터를 포함할 수 있다. 만약 상기 모드가 '투자할당'으로서 선택되었다면, 실패한 할당결정으로부터 얻은 결과정보는 그러한 할당의 구성을 크게 달리하기 위하여 할당결정 DB(39)에 크게 영향을 주어야만 한다. 만약 그러한 변형 후에도 그러한 활용이 계속하여 실패한다면, 상기 할당을 완전히 포기한다.

도 15를 참조하면, 로우비교(97)이 세금 해석/투자에 의하여 제공되는 정적기준에 의거하여, 두 유입폼(incoming form)에 따라 수행된다. 일 예에서, 로우비교(97)가 수행된 이후에, 폼의 대부분은 정적기준에 따라 호환(compatible)될 수 있다. 발견되는 유일한 차이점은 폼 A가 정적기준에 의하여 '포린(foreign)'으로 표시된 응답을 포함한다는 것이다. 이는 할당결정 DB(39) 표현 B가 폼 A에서 발견되는 특정 불규칙(irregularity)을 포함하거나 나타내지 않음을 의미한다. 랭킹변경중요도(98)는 제공된 정적기준에 따라 어떤 변경사항이 중요하고 중요하지 않은 지 순위를 매긴다. 일 예에서, 폼 B에서는 나타나지 않는 불규칙이 폼 A에서 발견되었기 때문에, 상기 정적기준은 상기 불규칙이 결정적으로 중요하다는 것을 인식하여, 하이브리드 폼 AB를 생성하기 위한 병합 프로세스 상에서 현저한 수정이 이루어진다. 도면부호 99(병합-모드, 비율, 우선순위, 스타일))와 관련하여, 동일한 것으로 남은 것과 다른 것으로 판명된 것은 사용되는 정적기준과 모드에 따라 하이브리드 폼으로 재조립된다. 그러한 변환은 데이터의 비율 분포, 특정 데이터의 중요도, 데이터가 서로 연결되는 망/연관되는 방식을 포함할 수 있다. 일 예에서, 불규칙 구성의 랭크 중요도가 수신된다. 적절한 조정이 수행된 후에, 정적기준에 의하여 안내되는 프로세스는 불규칙에 대한 반응이 데이터의 다른 부분과 호환되는 것인지 식별한다. 그 후, 병합 프로세스는 불규칙 수정이 기존의 데이터와 효과적으로 혼합될 수 있도록 그러한 기존의 데이터를 수정한다.

도 16의 우선순위(100)와 관련하여, 오로지 하나의 특성(trait)만이 특정지점(적색으로 하이라이트)을 점유할 수 있는 경우에는, 특징(feature)을 선택하기 위한 우선순위결정 프로세스가 이루어진다. 두 데이터 세트가 하나의 특징을 동일한 폼의 동일한 위치에서 정의하기 위해 경쟁할 때에는, 어떤 특징이 우세하고 어떤 특징이 오버랩되고 숨겨지는지를 선택하는 우선순위결정 프로세스가 발생한다. 도 17과 관련하여, 두 개의 잠정적인 결과가 도시된다. 실제로, 이러한 폼 중 오로지 하나만이 최종출력이 될 수 있다. 스타일(101)과 관련하여, 오버랩 지점의 방식이 병합된다. 대부분의 경우 특정 병합이 발생할 수 있는 수많은 방식이 있으므로, 상기 정적기준과 모드는 상기 모듈이 특정 병합을 다른 것에 비하여 선호하도록 지시한다. 일 실시예에서, 삼각형과 원이 입력 폼으로 제공되었을 때, '팩맨(pacman)' 형상(스타일 C)이 생성될 수 있다.

도 18 및 도 19를 참조하면, 주관적 의사결정(102)는 입력 알고리즘에 의하여 제공되는 원래의 주관적 결정을 지칭하며, 이 경우, MPG(Method of Perpetual Giving/Good) 패턴의 매칭과 할당을 말한다. 입력시스템 메타데이터(103)는 MPG에 의하여 제공되는 로우 메타데이터를 지시하며, 이는 MPG의 기계적 프로세스를 및, 어떻게 그러한 결정에 도달하는 지를 기술한다. 이유프로세스(reason processing)(104)는 자산의 속성을 비교함으로써 만들어진 주장(assertion)을 논리적으로 이해할 것이다. 규칙프로세스(105)에서, 이유프로세스(104)의 서브세트, 도출된 결과규칙은 현재의 문제 범위를 결정하기 위한 참조지점으로서 사용된다. 비판적 규칙범위 확장자(106)는 알려진 인지범위를 취하여, 그것이 인지의 비판적 사고범위를 포함하도록 업그레이드 한다. 올바른 규칙(107)은 인지의 비판적 사고범위를 사용하여 유도된 올바른 규칙을 나타낸다. 메모리웹(108)에서, 시장변수(시장성과(30)과 이익이력(31))로그는 이행가능한 규칙에 대해 스캔된다. 투자배분 중단(Override)결정을 내리기 위해, 모든 응용가능하고 이행가능한 규칙이 실행된다. 규칙실행(109)에 있어서, 카오틱필드의 메모리 스캔에 따라 현존하고 이행되는 것으로 인식되는 규칙이 의도되고 관련된 비판적 사고결정을 생성하기 위하여 실행된다. 비판적 결정출력(110)에서, 최후로직은 인지관찰자 에뮬레이터(POE)(도 19의 119)와 규칙실행(RE)(109) 양자에 의하여 도달된 결론을 비교함으로써 CTMP의 전반적인 출력을 결정한다. 비판적 결정(111)은 가능한 한 객관적이고자 하는 사안에 관한 의견인 최종출력이다.

로그(112)는 입력 알고리즘(MPG)의 주관적인 의견에 의한 모든 영향 또는 편견 없이 비판적 결정을 독립적으로 수행하기 위하여 사용되는 로우정보이다. 로우인지생산(113)은 카오틱필드의 메모리 스캔에 따라 의도되고 관련된 비판적 사고결정을 생성하기 위하여 실행되는 현존하고 이행되는 것으로 인식되는 규칙을 지칭한다. 응용인지관점(114)은 입력 알고리즘(MPG)에 의하여 이미 응용되고 이용되는 인지관점을 나타낸다. 자동화 인지발견 메커니즘(APDM)(115)는 하이브리드된 (응용인지관점(114)에 의하여 생성되는 입력에 따라 형성되는)인지를 생성하는 독창성모듈을 활용(leverage)하여 인지범위가 확장될 수 있도록 하는 모듈을 나타낸다. 도면부호 116은 컴퓨터 시스템이 접근가능한 전체 인지범위를 나타낸다. 비판적사고(117)은 CTMP 입력 프롬프트뿐만 아니라 CTMP로부터 유래된 새로운 올바른 규칙(107)과 관련하여 잘 정립된 규칙에 대한, 규칙실행(RE)을 초래하는 규칙기반사고의 외부쉘(outer shell) 관할권(jurisdiction)을 나타낸다.

도 19의 자기비판적 지식밀도모듈(118)과 관련하여, 유입되는 로우로그(raw log)는 입력 시스템(MPG)에 의하여 알려진 기술적인(technical) 지식을 나타낸다. 상기 모듈(118)은 보고가능한 로그의 범위를 벗어나는 잠재적이고 알려지지 않은 지식의 유형과 범위를 추정한다. 이러한 방식으로 CTMP의 차후 비판적사고 속성이 연관된 모든, 시스템에 의하여 알려지거나 알려지지 않은, 지식의 잠재적 범위를 활용할 수 있다. 인지관찰 에뮬레이션(119)은 관찰자의 에뮬레이션(emulation)을 생성하고; 모든 잠재적 인지범위를 상기 관찰자 에뮬레이션의 변형과 테스트/비교한다. 입력은 모든 잠재적 인지범위와 향상된 데이터 로그인 반면에; 출력은 선택된 인지의 혼합과 함께, 가장 관련성이 높고, 가장 관련이 깊으며, 가장 조심스러운 관찰자에 따른 상기 향상된 데이터 로그의 결과적 투자할당결정이다. 함축유도(ID)(120)와 관련하여, 현재의 알려진 인지관점으로부터 함축될 수 있는 데이터의 인지각도를 유도한다. 잠재적 블락/승인 중단 시정조치(121)과 관련하여, 인지관찰 에뮬레이터(POE)에 의하여 최종의 정정조치/주장 비평(criticism)이 생성된다.

도 20을 참조하면, 인지관찰자 에뮬레이터(122)는 관찰자의 에뮬레이션을 생성하고, 모든 잠재적 인지범위를 상기 관찰자 에뮬레이션의 변형과 테스트/비교한다. 입력이 모든 잠재적 인지범위 더하기 향상된 데이터 로그인 반면에; 출력은 선택된 인지의 혼합과 함께 최고의, 가장 유관하고, 가장 조심스러운 관찰자에 따른 상기 향상된 로그의 결과적 투자할당결정이다. 리소스 관리&할당(RMA)(123)과 관련하여, 조정가능한 정책은 관찰자 에뮬레이션을 수행하기 위하여 활용된 인지의 양을 지시한다. 선택된 인지의 우선순위는 가중치에 따라 내림차순으로 선택된다. 그 후, 정책은 백분율, 고정된 숫자(fixed number), 또는 더 복잡한 선택 알고리즘 중 어떤 것이든 컷오프(cut-off)를 선택하는 방식을 지시할 수 있다. 저장장치검색(124)와 관련하여, 향상된 데이터 로그로부터 파생된 CVF가 인지저장장치(PS)(133)의 데이터베이스 검색에 있어서 기준으로서 사용된다. 메트릭프로세스(MP)(125)는 선택된 패턴매칭 알고리즘(SPMA) 투자할당으로부터의 변수를 그러한 알고리즘 지능으로부터의 '구조(salvage)'인식으로 리버스 엔지니어링한다. 인지연역(Perception Deduction, PD)(126)은 투자할당응답의 일부 및 그것에 상응하는 시스템 메타데이터를 사용하여 투자할당응답의 본래의 인지를 복제한다. 비판적 결정출력(CDO)(127)은 CTMP 출력을 결정하기 위한 최종로직을 나타낸다. 메타데이터 범주화모듈(Metadata Categorization Module, MCM)(128)과 관련하여, 디버깅 및 알고리즘 트레이스(trace)가 정보범주화를 기반으로 한 전통적인 신택스(syntax)를 사용하는 별개의 카테고리로 분리된다. 그러한 카테고리는 시장/세금 위험 및 기회와의 상관관계를 통한 별개의 투자할당응답을 조직하고 생산하기 위하여 사용될 수 있다. 시스템 메타테이터 분리(System Metadata Separation, SMS)(129)와 관련하여, 입력시스템 메타데이터(103)는 유의미한 투자할당 인과관계로 분리된다. 파퓰레이터 로직(Populator Logic)(130)과 관련하여, 모든 투자할당을 관련있는 시장/세금 위험, 기회, 및 각각의 응답으로 완전히 분류한다. 주제네비게이터(Subject Navigator)(131)는 모든 적용가능한 주제를 스크롤한다. 주제파퓰레이터(132)는 주제와 관련하여 적절한 투자위험과 할당을 검색한다. 도면부호 133과 관련하여, 인지는 색인되고 저당된다. 인지는, 관련 가중치에 더하여, 색인으로서 비교가능한 변수포맷(Comparable Variable Format, CVF)과 함께 저장된다. 이는 데이터베이스가 입력쿼리(query)조회로서 CVF의 수신을 위해 최적화되고, 그 결과는 인지의 모음(assortment of perceptions)일 것이다.

도 21을 참조하면, 함축유도(ID)(134)는 현재의 알려진 인지관점으로부터 함축될 수 있는 데이터의 인지각도를 유도한다. 자기비판적 지식밀도모듈(SCKD)(135)와 관련하여, 유입된 로우로그는 알려진 지식을 나타낸다. 상기 모듈(135)은 보고가능한 로그의 범위를 벗어나는 잠재적이고 알려지지 않은 지식의 유형과 범위를 추정한다. 이러한 방식으로 CTMP의 차후 비판적사고 속성이 연관된 모든, 시스템에 의하여 알려지거나 알려지지 않은, 지식의 잠재적 범위를 활용할 수 있다. 메트릭조합(metric combination)(136)에 있어서, 인지관점은 메트릭의 카테고리로 분리된다. 메트릭변환(metric conversion)(137)에 있어서, 개별의 메트릭은 인지범위 전체로 다시 변환된다. 메트릭확장(Metric Expansion, ME)(138)에 있어서, 복수의 메트릭과 변화하는 인지관점이 개별 테이터베이스로 카테고리별로 저장된다. 상한은 각 개별 메트릭 DB의 최고(peak) 지식에 의하여 표시된다. 향상과 복잡성의 증가에 따라, 인지관점으로 다시 변환되고, 비판적 사고에 활용되도록 메트릭이 다시 반환(return)된다. 비교가능한 변수포맷 생성기(Comparable Variable Format Generator, CVFG)(139)에 있어서, 정보스트림은 비교가능한 변수포맷(CVF)로 변환된다.

도 22는 CTMP의 의존구조(dependency structure)를 보여준다. 비판적 규칙범위 확장자(Critical Rule Scope Extender, CRSE)(140)에서, 알려진 인지는 규칙세트(rulesets)의 비판적 사고범위를 확장하기 위하여 활용된다. 인지매칭(141)에서, 비교가능한 변수포맷(CVF)는 규칙신택스 유도로부터 얻어진 인지로부터 형성된다. 새로이 형성된 CVF는 유사한 색인으로 인지저장소에서 관련된 인지를 조회하기 위해 사용된다. 잠재적인 매칭은 규칙신택스 생성으로 반환된다. 메모리인식(142)에서, 카오틱필드는 입력 데이터로부터 형성된다. 필드 스캐닝은 알려진 개념을 인식하기 위하여 수행된다. 메모리개념색인(143)에서, 전체 개념은 색인으로서 알려진 분리된 부분으로 각각 최적화된다. 이러한 색인은 글자(letter)스캐너에 의하여 카오틱필드와 상호작용(interact)하기 위하여 사용된다. 규칙이행파서(Rule Fulfillment Parser, RFP)(144)는 인식의 표지와 함께 규칙의 개별 부분을 수신한다. 각각의 부분은 메모리인식(Memory Recognition, MR)(142)에 의하여 카오틱필드 상에서 발견된 것과 발견되지 않은 것으로 표시된다. 그 후 상기 RFP는, 그것의 모든 부분의 조합인, 모든 규칙이 규칙실행(RE)을 유도하기 위하여 카오틱필드 상에서 충분히 인식되었는지를 논리적으로 추론할 수 있다. 규칙신택스 포맷분리(Rule Syntax Format Separation, RSFS)(148)에서, 올바른 규칙은 형식(type)에 따라 분리되고 조직된다. 그러므로, 모든 조치, 속성, 조건, 및 객체는 각각 분리되어 쌓여진다(stack). 이는 시스템이 어떤 부분이 카오틱필드에서 발견되었는지, 그리고 어떤 부분이 발견되지 않았는지를 식별할 수 있도록 한다. 규칙신택스 유도(148)에서, 논리적인 “흑백” 규칙은 메트릭 기반 인지로 변환된다. 여러 규칙의 복잡한 배열은 다양한 그라이언트(gradient)의 여러 메트릭을 통하여 표현되는 단일하고 균일한(single uniform) 인지로 변환된다. 규칙신택스 생성기(Rule Syntax Generation, RSG)(147)는 인지포맷에 저장되어 있는 사전에 확인된 인지를 수신하고, 상기 인지의 내부 메트릭 메이크업과 연관된다(engage). 메트릭의 그러한 그라디언트 기반 측정은 원본 인지의 입/출력 정보 흐름을 에뮬레이트하는 이진(binary)이며 논리적인 규칙세트로 변환된다. 규칙신택스 생성기(RSG)(147)는 인지포맷에 저장되어 있는 사전에 확인된 인지를 수신하고, 상기 인지의 내부 메트릭 메이크업과 연관된다. 메트릭의 그러한 그라디언트 기반 측정은 원본 인지의 입/출력 정보 흐름을 에뮬레이트하는 이진(binary)이며 논리적인 규칙세트로 변환된다. 규칙신택스 포맷분리(RSFS)(149) 올바른 규칙은 관찰되는 객체의 실재에 부합하는 정확한 규칙세트의 징후(manifestation)를 나타낸다. 올바른 규칙은 유형에 따라 분리되고 조직된다. 올바른 규칙은 형식에 따라 분리되고 조직된다. 그러므로, 모든 조치, 속성, 조건, 및 객체는 별로도 쌓여진다. 이는 시스템이 어떤 부분이 카오틱필드에서 발견되었는지, 그리고 어떤 부분이 발견되지 않았는지를 식별할 수 있도록 한다. 내적논리연역(150)은, 논리적인 원칙을 사용하여, 그러므로 오류의 회피를 통하여, 인지 내에서 어떠한 규칙이 메트릭의 다양한 그라디언트를 정확하게 나타낼 것인지 추론한다. 예를 들자면, 이는 (라디오 주파스 등의) 아날로그 사인파(sine wave)를 취하고 이를 디지탈 단계로 변환하는 것과 같다. 전반적인 추세, 위치, 및 결과는 동일하다. 그러나, 아날로그 신호는 디지탈로 변환되었다. 메트릭상황(context)분석(151)은 메트릭의 인지 내의 상호연결된 관계를 분석한다. 어떠한 메트릭은 가지각색의 강도(degrees of magnitude)로 다른 메트릭에 의존할 수 있다. 이러한 상황화(contextualization)는 '디지탈' 규칙세트 포맷 내에서 규칙이 가지는 복제되고(mirrored) 상호연결된 관계를 보완하기 위하여 사용된다. 입/출력분석(152)는 각 인지(회색) 또는 규칙(흑백)의 입력 및 출력의 차이분석(differential analysis)를 수행한다. 이 모듈의 목표는 입력과 출력이 (회색에서 흑/백으로 또는 그 반대로) 변환 후에도 가능한 한 유사하거나 동일하게 유지되도록 하는 것이다. 기준계산(153)은 입력규칙의 기준과 테스크(task)를 계산한다. 이것은 규칙세트 배후의 '동기(motivation)'로 번역될 수 있다. 규칙은 이유로 구현되며, 그 이유는 함축에 의하거나 명시적인 정의에 의하여 이해될 수 있다. 그러므로, 왜 '디지탈' 규칙이 구현되었는지에 대한 이유를 계산함으로써, 그와 동일한 이유가 동일한 입/출력 능력(capability)을 추구하는 인지 내의 메티릭스의 메이크업을 정당화(justify)하기 위하여 사용될 수 있다. 규픽포맷분석(154)는 규칙의 전반적인 구성/메이크업과 그것들이 어떻게 상호작용 하는 지를 분석한다. 또한, 메트릭이 '아날로그' 인지 내에서 가지는 복제되고 상호연결된 관계를 보완하기 위해서 사용된다. 규칙신택스 포맷변환(Rule Syntax Format Conversion, RSFC)(155)에 있어서, 규칙은 규칙신택스 포맷(RSF)의 신택스와 일치되도록 분류되고 구분된다.

도 23은 CTMP에서 지능정보를 프로세스하기 위한 최종로직을 도시한다. 상기 최종로직은 직관/인지모드와 사고/논리모드 양자(각각 인지관찰 에뮬레이터(POE)와 규칙실행(RE))로부터 지능정보를 수신한다. 직접결정비교(Direct Decision Comparison, DOC)(156)에 있어서, 직관(intuition)과 사고(thinking)로부터 도출된 각각의 결정을 비교하여 확증을 체크한다. 중요한 차이점은 어떠한 메타-메타데이터도 아직 비교되지 않았다는 것이다. 왜냐하면 그들이 동일하게 일치한다면, 그 이유를 이해하는 것이 불필요하기 때문이다. 터미널출력제어(Terminal Output Control, TOC)(157)는 직관결정(158)과 사고결정(159) 양 모드 사이에서 CTMP 출력을 결정하기 위한 최후의 로직이다. 직관결정(158)은 레버리징 인지를 통하여 비판적 사고와 연관되는 CTMP의 두 주요 섹션 중 하나이다. 인지관찰 에뮬레이터(POE)(119)를 참조하라.

사고결정(159)은 레버리징 규칙을 통하여 비판적 사고와 연관되는 CTMP의 두 주요 섹션 중 하나이다. 규칙실행(RE)(109)을 참조하라. 인지(180)는 내부포맷(152)에서 정의되는 포맷 신택스에 따른 직관결정(158)으로부터 얻어진 데이터이다. 이행된 규칙(161)은 규칙실행(RE)(109)로부터 도출된 응용가능한 (이행가능한) 규칙세트의 집합인 사고결정(160)으로부터 얻어진 데이터이다. 상기 데이터는 내부포맷(162)에서 정의되는 포맷 신택스에 따라 전달된다. 내부포맷(162)에서, 메타데이터 범주화모듈(MCM)(128)은 양 입력의 신택스를 CTMP 내부적으로 사용되는, 일관적이고 이미 알려진 포맷에 따라 표준화된 것으로서 인식할 수 있다.

도 24는 CTMP의 대표인 단일 터미널출력으로 동화되는 직관/인지와 사고/논리의 두 메인 입력을 전체적으로 도시한다. 비판적 결정 + 메타-메타데이터(163)은 내부포맷(162)에서 정의되는 신택스에 따라 인지(186) 또는 이행된 규칙(Fulfilled Rules)(161)을 전송하는 디지탈 캐리어이다.

도 25는 원래의 선택패턴매칭 알고리즘(Select Pattern Matching Algorithm, SPMA)에서 발생하는 지능사고의 범위를 도시한다. 입력변수(168)은 이유와 규칙프로세스에 고려되는 초기 재무/세금할당변수이다. CTMP는 그것을 비판하는 것과 인공지능적인 두번째 의견이 되는 것을 의도한다. 입력변수(169)는 재무/세금할당결정을 정의하는 입력변수를 수신한다. 상기 입력변수는 CTMP에게 어떠한 것이 합리적인 시정조치(corrective action)인지를 식별하기 위한 기준을 제공한다. 만약 더하기, 빼기 또는 변수의 변경이 있으면; 적절한 수정이 결과적인 시정조치에 반드시 반영되어야 한다. CTMP의 결정적인 목적은 입력변수의 변화를 올바르고 정확하게 반영하는 시정조치의 비판적이고 올바른 변화를 식별하는 것이다. 선택패턴매칭 알고리즘(SPMA)(170)에 있어서, 선택패턴매칭 알고리즘은 스스로의 기준에 따라서 가장 적절한 조치를 식별하려고 시도한다. 이러한 용도에서, 기준은 CTMP로부터 얻은 투자할당 알고리즘에 기초한다. 결과적 출력폼(171)은 초기입력변수(188)를 고려하여 SPMA(170)에 의해 생성되는 결과이다. SPMA(170)의 결정에서 파생된 규칙은 '현재규칙'으로 고려되나 반드시 '올바른 규칙'인 것은 아니다. 속성병합(174)은 SPMA 이유프로세스(104)에 의하여 제공되는 로그정보에 따라서, SPMA에 따른 현재의 지식범위로 진행된다.

도 26은 인지(perceptions) 및 규칙(rules)을 통해 CTMP에 의하여 수행된 비판적 사고에 대응하여 병치된 종래의(conventional) SPMA(170)를 도시한다. 오인조치(Misunderstood Action)(175)에서, 선택패턴매칭 알고리즘(SPMA)(170)은 완전히 정확한 시정조치를 제공할 수 없었다. 이는 본래의 프로그래밍이나 SPMA 데이터에서 확인되지 않은 근본적이고 전제적인 가정 때문이다. 일 예에서, 3D 객체를 입력변수로 사용하고 적절한 시정조치를 취하면, SPMA가 고려하지 않은 차원/벡터가 있었음을 알 수 있다. 적절한 조치(176)에서 비판적 사고(117)는 SPMA의 점검을 위한 벡터로서 생략한 3차원을 고려한다. 모든 여분의 인지관점이 수행된 것을 체크하기 때문에 비판적 사고에 의하여 삼차원이 고려되었다. 올바른 규칙(177)과 관련하여, 비판적 규칙범위 확장자(CRSE)는 종래 고려되지 않은 인지관점(즉, 3차원)을 활용함으로써 규칙세트의 이해의 범위를 확장한다. 현재규칙(178)과 관련하여, 현재의 시정조치결정의 파생규칙은 SPMA의 이해, 또는 (올바른 규칙과 비교하여) 부족함을 반영한다. 입력규칙은 SPMA에 의하여 제공되는 기본적인 이해의 범위를 묘사하는 선택패턴매칭 알고리즘(SPMA)(170)으로부터 파생된다. 이는 재무할당의 평면개념에서 오로지 2차원만을 이해하는 SPMA(170)에 의해 설명된다.

도 27은 올바른 규칙(177)이 중대한 통찰(insight) 및/또는 변수를 누락한 종래의 올바른 규칙과 대조적으로 생성되는 방법을 도시한다. 카오틱필드파싱(Chaotic Field Parsing, CFP)(179)에서, 로그의 포맷(Format)은 카오틱필드로서 알려진 단일의 스캔가능한 단위(Unit)로서 결합(combine)된다. 추가규칙(180)은 메모리인지(Memory Recognition, MR)(142)로부터 이미 성립된 올바른 규칙을 보완하기 위하여 생성된다. 인지규칙(181)과 관련하여, 유관하고 인기 있는 것으로 고려된 인지는 논리적인 규칙으로 변환된다. 만일 인지(원래의 인지 포맷에 있어서)가 많은 '회색영역'을 정의하는 다수의 복잡한 메트릭 관계를 가지고 있다면, '흑백' 논리규칙은 상기 '회색'영역을 n차 복잡성의 확장에 의해 망라한다. 규칙신택스 포맷(182)는 변수의 쿼링(querying)과 효율적인 저장을 위하여 최적화된 저장포맷(storage format)이다.

도 28 내지 30은 인지매칭(Perception Matching, PM)(141) 모듈을 묘사한다. 메트릭 통계(183)과 관련하여, 통계 정보는 인지저장장치(Perception Storage, PS)(132)로부터 제공된다. 상기 통계는 메트릭의 인기의 경향, 내부 메트릭의 관계, 및 메트릭 성장율 등을 정의한다. (전체 메트릭 인기 순위와 같은) 몇몇 일반적인 통계 쿼리는 자동적으로 실행되고 저장된다. (메트릭 X와 Y가 연관되는 방법과 같은) 기타 보다 구체적인 쿼리는 실시간 기반(Basis)으로 PS로부터 요청된다. 메트릭 관계 홀드아웃(184)은 메트릭 관계 데이터를 홀드하여, 통일된 출력으로서 푸시될 수 있도록 한다. 오류관리(185)는 개별적인 메트릭으로부터 유래하는 신택스 및/또는 논리적 오류를 분석(parse)한다. 분리메트릭(186)는 개별 매트릭스가 입력인지(189)였던 단일유닛에서 결합(combine)되곤 하였기 때문에 각각의 개별 메트릭을 격리한다. 입력인지(189)는 시각, 후각, 촉각 및 청각 메트릭으로서 만들어진 인지의 예시적 구성이다. 노드비교 알고리즘(Node Comparison Algorithm, NCA)(190)에 있어서, 이 모듈은 둘 이상의 CVF의 노드메이크업을 수신한다. CVF의 각각의 노드는 자산의 크기의 정도를 나타낸다. 유사성비교는 개별적인 노드 베이시스 를 기준으로 수행되며, 집계분산(aggregate variance)이 계산된다. 이는 효율적으로 계산된 정학한 비교를 보장한다. 노드별 또는 집계가중이든 상관없이 더 작은 분산수(variance number)는 더 가까운 매치(match)를 나타낸다.

도 30은 규칙신택스 유도/생성을 도시한다. 로우인지 직관사고(아날로그)(195)는 '아날로그' 포맷에 따라 인지가 프로세스되는 곳이다. 로우규칙 논리사고(디지탈)(196)은 디지탈포맷에 따라 규칙이 프로세스되는 곳이다. 재무할당결정과 관련된 아날로그포맷(197) 인지는 단(step)이 없는 매끄러운 곡선의 그라디언트(gradient)에 저장된다. 재무할당결정과 관련된 디지탈포맷 로우규칙은 회색영역이 없는 단(step)에 저장된다.

본 발명은 청구범위와 관련하여 다시 한번 설명된다.

본 발명은 영구적인 증여시스템을 제공한다. 상기 시스템은 프로그램된 명령어를 저장하는 메모리, 상기 메모리에 연결되고 상기 프로그램된 명령어를 실행하는 프로세서, 및 하나 이상의 데이터베이스를 포함한다. 도 1 내지 5를 참조하면, 상기 프로그램된 명령어는 하기의 구성요소와 관련된다: a) 하나 이상의 도너개체(1), b) 하나 이상의 기부기금개체(2)에 있어서, 상기 도너개체가 상기 기부기금개체에 투자하고 상기 기부기금개체는 상기 도너개체에 이익을 반환하며, 상기 도너개체에 의하여 지불된 세금과 상기 도너개체의 상기 기부기금개체에 대한 기부금 사이에 소득공제(15)가 적용되고, c) 하나 이상의 사업개체(3)에 있어서, 상기 기부기금개체가 상기 사업개체에 투자하고 상기 사업개체는 상기 기부기금개체에 이익을 반환하고, d) 제어보드(4), 및 e) 상기 제어보드에 투자를 추천하는 투자할당자(17)에 있어서, 상기 제어보드는 상기 투자할당자에 투자 선호도를 제공한다. 상기 투자할당자는 패턴매칭모듈(25) 및 정적변수모듈(27)을 포함한다. 상기 기증개체, 상기 기부기금개체, 상기 사업개체, 및 상기 제어보드는 사회의 기업 또는 기관에 상응하는 컴퓨터 렌더링이다. 상기 컴퓨터 렌더링 개체는 입력장치 및 출력장치를 통하거나 인터넷과 같은 통신 네트워크를 통해 상기 기업 등을 위하여 일하는 인간과 의사소통을 할 수 있다.

상기 시스템은 또한 상기 사업개체에 대한 재투자 자금 및 상기 제어보드에 대하여 위임된 기금에 관하여 추천을 생성하는 이익할당자(22)를 더 포함할 수 있다. 상기 이익할당자는 패턴매칭모듈(25)과 정적변수모듈(27)을 포함한다.

상기 투자할당자의 상기 패턴매칭모듈을 위하여 시장성과(30) 및 이익이력(31)에 대한 데이터가 제공된다. 상기 사업개체의 수익 구성에 관한 데이터는 이익할당자에게 전달된다. 상기 사업개체의 이익구성(32)을 위한 데이터는 상기 이익할당자에게 전달된다.

도 8을 참조하면, 상기 패턴매칭모듈에서, 이익 및/또는 투자할당자의 결정이 저장되고, 독창성모듈(40)은 상기 저장된 결정, 이익이력, 시장성과, 상기 정적변수모듈(27)의 정적변수, 또는 상기 제어보드에 의하여 제공되는 정적기준(43)을 사용하여 새로운 배분 결정을 만든다.

도 9를 참조하면, 상기 시스템은 또한 투자 포트폴리오를 설계하는 포트폴리오 설계자(45)를 더 포함한다. 상기 포트폴리오 설계자에서, 투자금액, 자선기금 및 의도된 위험, 저장된 할당결정에 따른 장기 할당, 및/또는 수익마진 메이크업 모듈(32)의 수익 추세가 독창성모듈(40)에 입력된다.

도 10과 11을 참조하면, 상기 시스템은, 2개 이상의 세금코드(52, 53)들 사이에서 계산된 오버랩의 검색을 수행하는, 오버랩발견모듈(42)을 포함하는 세금코드 해석자(51);와 세법 정보를 저장하는 일반세금유닛(59)을 더 포함할 수 있다. 상기 일반세금유닛은 세법 정보를 의존트리(63)와 유닛정의(64)를 포함하는 로우구조(62)로 변환하는 최초정의업그레이드모듈(60)과 예비변환모듈(61)을 포함한다. 상기 의존트리는 오브젝트 의존연결을 포함하며, 여기서 상기 유닛정의는 세금 관련 오브젝트의 이름, 설명 및 정의를 포함한다.

상기 일반세금유닛은 정의업그레이드의 일부로서 로우구조를 수신하고 파생구조(68)를 구성하기 위하여 데이터 세트를 계산하는 측정가능하고 병렬적인 데이터 마이닝 프로세스를 수행하는 병렬화 컴퓨터 프로세스 시스템을 더 포함한다.

상기 파생구조는 상기 로우구조의 원본으로부터 암시된 데이터를 포함하는 파생트리(69), 상기 파생트리에 의하여 참조되는 상기 오브젝트와 관련된 라벨을 포함하는 유닛정의(70), 상기 파생트리에 의하여 상속되는 파생규칙(72)을 더 포함하며, 여기서 상기 파생구조는 일반적인 인기 알고리즘으로 이익지점을 추론한다.

도 12를 참조하면, 간단한 정보요청(77)에 대한 응답에서, 첫번째 세금코드(53)의 상기 로우구조(62)와 두번째 세금코드(54)의 로우구조(62)가 비교된다. 복잡한 정보요청에 대한 응답에서, 상기 첫번째 세금코드의 파생구조(68)와 상기 두번째 세금코드의 파생구조(68)가 비교된다. 집중지점분석(80)은 상기 첫번째 세금코드의 이익지점(71)과 상기 두번째 세금코드의 이익지점을 동기화한다. 상기 집중지점분석의 결과는 상기 첫번째 세금코드와 상기 두번째 세금코드의 상기 파생구조로 보내진다. 상기 파생트리로부터 얻어진 정보는 상기 유닛정의(64)로부터 얻은 각각의 정의와 짝지어진다.

도 13 내지 17을 참조하면, 상기 독창성모듈(40)은 두 가지 이상의 사전할당결정(83)을 참조한다. 할당결정은 각각 시장상황(84), 투자자상황(85), 및 최종결과(86)를 포함한다. 상기 할당결정은 상기 각 할당결정으로부터 얻은 두 오브젝트의 연역 및 비교를 수행하고 출력을 위하여 하이브리드 폼을 푸쉬하는 지능선택자(87)에 제공된다. 기준매칭모듈(91)은 상기 패턴매칭모듈로부터 제공된 입력 기준을 참조하여 시장변수에 적합한 상기 하이브리드 폼을 상기 지능선택자로부터 선택한다.

상기 사전할당결정은 사전할당결정 데이터베이스로부터 유래된 재무할당결정의 평균적인 모델과 할당자에 의하여 배포된 새로운 정보를 포함한다. 상기 지능선택자(94)는 그것들을 상기 하이브리드 폼으로 병합한다. 모드(95)는 상기 독창성모듈이 사용되는 알고리즘의 유형을 정의한다. 오버랩되는 정보의 양은 랭킹 우선순위, 의도된 데이터 비율, 및 데이터를 포함하는 정적기준(96)에 의하여 설정된 비율에 따라 필터링 되어, 선택된 모드에 의존적으로 병합된다. 로우대조(97)는 상기 정적기준에 따른 상기 사전할당결정을 기초로 수행된다.

두 데이터 세트가 상기 폼의 동일 위치에서 특징을 정의하기 위하여 경쟁할 때, 상기 정적기준 및 상기 모드에 기초하는 병합된 특성을 갖는 폼을 생성하기 위하여 우선순위결정 프로세스(100)가 진행된다.

도 18을 참조하면, 입력모듈(103)은 패턴매칭과 할당결정에 의한 결과를 수신한다. 이유프로세스모듈은 수신된 입력의 속성을 비교하고 규칙을 유도한다. 상기 이유프로세스모듈(104)은 주어진 문제에 대한 인지 범위를 결정하기 위한 기준점으로서 상기 파생된 규칙을 활용하는 규칙프로세스모듈(105)을 포함한다. 비판적 규칙범위 확장자(106)는 알려진 인지 범위를 수신하여 인지 범위에 인지의 비판적 사고범위를 포함하기 위하여 업그레이드 한다. 상기 파생된 규칙은 인지의 비판적 사고범위를 활용함으로써 수집된다.

메모리웹(108)은 이행가능한 규칙에 관한 로그를 검색한다. 적용가능하고 이행가능한 규칙은 중단결정을 내리기 위하여 실행된다. 규칙실행모듈(109)은 현재상태로 확인되고 비판적 사고 결정을 내리기 위하여 이행된 규칙을 실행한다. 비판적 결정출력모듈(110)은 인지관찰 에뮬레이터(119)(도 19)와 규칙실행모듈에 의하여 도달된 결론을 비교함으로써 최종로직을 생성한다.

로그모듈(112)은 상기 입력의 영향과 무관하게 비판적 결정을 내리기 위하여 사용되는 로우정보를 포함한다. 응용인지관점모듈(114)은 상기 입력 알고리즘에 의하여 이용되고 응용된 인지관점을 포함한다. 자동화 인지발견 메커니즘(115)은 상기 독창성 모듈을 활용하여 인지범위를 확장한다.

도 19를 참조하면, 자기비판적 지식밀도모듈(118)은 보고 가능한 로그의 범위를 넘어서는 잠재적이고 알려지지 않은 지식의 범위와 유형을 추정한다. 상기 인지관찰 에뮬레이터는 관찰 및 테스트의 에뮬레이션을 생성하거나 또는 모든 잠재적 인지범위를 관찰 에뮬레이션의 변형과 비교한다. 인지관찰 에뮬레이터에 대한 입력은 상기 잠재적 인지범위와 강화된 데이터 로그를 포함하고, 인지관찰 에뮬레이터에 대한 출력은 상기 강화된 데이터 로그로부터 생성되며 선택인지의 혼합으로서 가장 관련 있는 관찰자에 따른 결정을 포함한다. 강화된 데이터 로그로부터 유래된 상기 CVF는 인지저장장치를 위한 검색 기준으로서 사용된다. 함축유도모듈(120)은 알려진 인지관점으로부터 암시되는 데이터의 인지관점을 끌어낸다. 도 21을 참조하면, 메트릭조합모듈은(136) 인지관점을 메트릭의 카테고리로 구분한다. 메트릭변환모듈(137)은 각각의 메트릭을 다시 전체 인지관점으로 되돌린다. 메트릭확장모듈(138)은 각각의 데이터베이스에 인지관점의 메트릭을 카테고리에 따라 저장한다.

도 21을 참조하면, 비판적 규칙범위 확장자(140)는 규칙세트의 비판적 사고범위를 확장하기 위하여 알려진 인지를 활용한다. 인지매칭모듈(141)은 규칙신택스 유도(146)로부터 얻어진 인지로 CVF를 형성한다. 메모리인식모듈(142)은 입력 데이터로부터 카오틱필드를 형성하고 알려진 개념을 인식하기 위한 필드 검색을 수행한다. 메모리개념색인모듈(143)은 개별적으로 상기 모든 개념을 인덱스로 최적화한다. 규칙이행파서(144)는 인식태그를 통해 상기 규칙의 각 부분을 수집하고, 규칙 실행을 유도하기 위하여 상기 카오틱필드에서 어떤 규칙이 인식되었는지를 논리적으로 추론한다. 규칙신택스 포맷분리모듈(148)은 유형에 따라 올바른 규칙을 구분하고 구성한다. 규칙신택스 유도모듈(146)은 로직적인 규칙을 메트릭 기반 인지로 변환한다. 규칙신택스 생성모듈(147)은 확인된 인지를 수신하고 인지의 내부 메트릭 메이크업과 연관된다.

도 22 내지 27을 참조하면, 최종로직모듈은 직관결정(158)과 사고결정(159)으로부터 지능정보를 수신한다. 직접결정비교모듈(156)은 확증용 확인을 위하여 직관결정과 사고결정에 의한 양 결정을 비교한다. 상기 직관결정은 레버리징 인지를 통한 비판적 사고에 관여한다. 상기 사고결정은 레버리징 규칙을 통한 비판적 사고에 관여한다. 비판적 규칙범위 확장자(140)는 사전에 고려되지 않은 인지관점을 레버리징 함으로써 규칙세트의 이해의 범위를 확장한다. 카오틱필드 파싱모듈(179)은 상기 로그의 상기 형식을 카오틱필드로서 알려진 단일의 스캔가능한 유닛으로 조합한다. 추가규칙은 상기 이미 설정된 올바른 규칙을 보완하기 이하여 메모리인식모듈(142)로부터 생성된다.

도 28 내지 30을 참조하면, 인지매칭모듈(141)에서, 메트릭 통계에 관하여, 통계정보가 인지저장장치(132)로부터 제공된다. 상기 통계는 메트릭의 인기 트렌드, 내부 메트릭 관계, 및 메트릭 증가율을 정의한다. 오류관리모듈(185)은 신택스 및/또는 상기 각각의 메트릭 중 어느 것으로부터든 유래된 논리적 오류를 파싱한다. 노드비교모듈(190)은 둘 이상의 CVF의 상기 노드 메이크업을 수신한다. 상기 CVF의 각 노드는 자산의 크기의 정도를 나타낸다. 유사성비교는 개별 노드 베이시스를 기초로 수행되고, 집계 분산이 계산된다. 로우인지 직관사고모듈(195)은 아날로그포맷에 따라 상기 인지를 프로세스한다. 로우규칙 논리사고모듈(196)은 디지탈포맷에 따라 규칙을 프로세스한다. 재무할당결정과 관련된 아날로그포맷 인지는 단이 없는 매끄러운 곡선의 그라디언트에 저장된다. 재무할당결정과 관련된 디지탈포맷 로우규칙은 회색영역이 없는 단에 저장된다.

도 31은 프로그램된 지시를 저장하는 메모리, 상기 메모리에 연결되고 상기 프로그램된 지시를 수행하는 프로세서, 그리고 하나 이상의 데이터베이스를 포함하는 시스템을 통하여 수행되는 영구적인 증여방법을 도시한다. 상기 방법은 (a) 하나 이상의 도너개체가 하나 이상의 기부기금개체에 투자하는 단계(S01); (b) 상기 기부기금개체가 상기 도너개체에 이익을 반환하고, 상기 도너개체가 지불한 세금과 상기 도너개체의 상기 기부기금개체에 대한 투자 간에 소득공제가 적용되는 단계(S02); (c) 상기 기부기금개체가 하나 이상의 사업개체에 투자하는 단계(S03); 및 (d) 상기 사업개체가 상기 기부기금개체에 이익을 반환하는 단계(S04)를 포함한다. 투자할당자는 제어보드에 투자추천을 한다. 상기 제어보드는 상기 투자할당자에게 투자선호를 제공한다. 이익할당자는 사업체를 위한 재투자 기금 및 제어보드를 위해 위임된 기금과 관련된 추천을 한다. 각각의 할당자는 독창성모듈과 CTMP모듈을 포함한다.

Claims (20)

1. 프로그램된 명령어를 저장하는 메모리, 상기 메모리에 연결되고 상기 프로그램된 명령어를 실행하는 프로세서, 및 하나 이상의 데이터베이스를 포함하는, 영구적인 증여시스템으로서:
   a) 하나 이상의 도너개체;
   b) 하나 이상의 기부기금개체에 있어서, 상기 도너개체가 상기 기부기금개체에 투자하고 상기 기부기금개체는 상기 도너개체에 이익을 반환하며, 상기 도너개체에 의하여 지불된 세금과 상기 도너개체의 상기 기부기금개체에 대한 기부금 사이에 소득공제가 적용되는, 하나 이상의 기부기금개체;
   c) 하나 이상의 사업개체에 있어서, 상기 기부기금개체가 상기 사업개체에 투자하고 상기 사업개체는 상기 기부기금개체에 이익을 반환하는, 하나 이상의 사업개체;
   d) 제어보드; 및
   e) 상기 제어보드에 투자를 추천하는 투자할당자에 있어서, 상기 제어보드는 상기 투자할당자에 투자 선호도를 제공하며, 상기 투자할당자는 패턴매칭모듈 및 정적변수모듈을 포함하는, 투자할당자;
   를 포함하는, 영구적인 증여시스템
   
2. 제 1항에 있어서,
   상기 사업개체에 대한 재투자 자금 및 상기 제어보드에 대하여 위임된 기금에 관하여 추천을 생성하는 이익할당자를 더 포함하는 것으로서,
   상기 이익할당자는 패턴매칭모듈과 정적변수모듈을 포함하는, 영구적인 증여시스템.
   
3. 제 2항에 있어서,
   상기 투자할당자의 상기 패턴매칭모듈을 위하여 시장성과 및 이익이력에 대한 데이터가 제공되며, 상기 사업개체의 수익 구성에 관한 데이터는 상기 이익할당자에게 전달되는, 영구적인 증여시스템.
   
4. 제 3항에 있어서,
   상기 패턴매칭모듈에서, 이익 및/또는 투자할당자의 결정이 저장되고,
   독창성모듈은 상기 저장된 결정, 이익이력, 시장성과, 상기 정적변수모듈의 정적변수, 또는 상기 제어보드에 의하여 제공되는 정적기준을 사용하여 새로운 배분 결정을 만드는, 영구적인 증여시스템.
   
5. 제 4항에 있어서,
   투자 포트폴리오를 설계하는 포트폴리오 설계자를 더 포함하며,
   상기 포트폴리오 설계자에서, 투자금액, 자선기금(charitable causes) 및 의도된 위험(desired risk), 저장된 할당결정에 따른 장기 할당, 및/또는 수익마진 메이크업 모듈(makeup module)의 수익 추세가 상기 독창성모듈에 입력되는, 영구적인 증여시스템.
   
6. 제 2항에 있어서,
   2개 이상의 세금코드들 사이에서 계산된 오버랩의 검색을 수행하는 오버랩발견모듈을 포함하는 세금코드 해석자; 및
   세법 정보를 저장하는 일반세금유닛을 더 포함하고,
   상기 일반세금유닛은 세법 정보를 의존트리와 유닛정의를 포함하는 로우구조로 변환하는 최초정의업그레이드모듈과 예비변환모듈을 포함하며,
   상기 의존트리는 오브젝트 의존연결을 포함하며,
   상기 유닛정의는 세금 관련 오브젝트의 이름, 설명 및 정의를 포함하는, 영구적인 증여시스템.
   
7. 제 6항에 있어서,
   상기 일반세금유닛은 정의업데이트의 일부로서 상기 로우구조를 수신하고 파생구조를 구성하기 위하여 데이터 세트를 계산하는 측정가능하고 병렬적인 데이터 마이닝 프로세스를 수행하는 병렬화 컴퓨터 프로세스 시스템을 더 포함하는, 영구적인 증여시스템.
   
8. 제 7항에 있어서,
   상기 파생구조는 상기 로우구조의 원본으로부터 암시된 데이터를 포함하는 파생트리,
   상기 파생트리에 의하여 참조되는 상기 오브젝트와 관련된 라벨을 포함하는 유닛정의,
   상기 파생트리에 의하여 상속되는 파생규칙을 더 포함하며,
   상기 파생구조는 일반적인 인기 알고리즘으로 이익지점을 추론하는, 영구적인 증여시스템.
   
9. 제 8항에 있어서,
   간단한 정보요청에 대한 응답에서, 첫번째 세금코드의 상기 로우구조와 두번째 세금코드의 상기 로우구조가 비교되고,
   복잡한 정보요청에 대한 응답에서, 상기 첫번째 세금코드의 상기 파생구조와 상기 두번째 세금코드의 상기 파생구조가 비교되며,
   집중지점분석은 상기 첫번째 세금코드의 이익지점과 상기 두번째 세금코드의 이익지점을 동기화하고, 상기 집중지점분석의 결과는 상기 첫번째 세금코드와 상기 두번째 세금코드의 상기 파생구조로 보내지며,
   상기 파생트리로부터 얻어진 정보는 상기 유닛정의로부터 얻은 각각의 정의와 짝지어지는, 영구적인 증여시스템.
   
10. 제 5항에 있어서,
    상기 독창성모듈은 두 가지 이상의 사전할당결정을 참조하고,
    상기 할당결정은 각각 시장상황, 투자자상황, 및 최종결과를 포함하며,
    상기 할당결정은 상기 각 할당결정으로부터 얻은 두 오브젝트의 연역 및 비교를 수행하고 출력을 위하여 하이브리드 폼을 푸쉬하는 지능선택자에 제공되고,
    기준매칭모듈은 상기 패턴매칭모듈로부터 제공된 입력 기준을 참조하여 시장변수에 적합한 상기 하이브리드 폼을 상기 지능선택자로부터 선택하는, 영구적인 증여시스템.
    
11. 제 10항에 있어서,
    상기 사전할당결정은 사전할당결정 데이터베이스로부터 유래된 재무할당결정의 평균적인 모델과 할당자에 의하여 배포된 새로운 정보를 포함하며,
    상기 지능선택자는 그것들을 상기 하이브리드 폼으로 병합하고, 모드는 상기 독창성모듈이 사용되는 알고리즘의 유형을 정의하며,
    오버랩되는 정보의 양은 랭킹 우선순위, 의도된 데이터 비율, 및 데이터를 포함하는 정적기준에 의하여 설정된 비율에 따라 필터링 되어, 선택된 모드에 의존적으로 병합되고,
    로우대조는 상기 정적기준에 따른 상기 사전할당결정을 기초로 수행되는, 영구적인 증여시스템.
    
12. 제 11항에 있어서,
    두 데이터 세트가 상기 폼의 동일 위치에서 특징을 정의하기 위하여 경쟁할 때, 상기 정적기준 및 상기 모드에 기초하는 병합된 특성을 갖는 폼(Form)을 생성하기 위하여 우선순위결정 프로세스가 진행되는, 영구적인 증여시스템.
    
13. 제 5항에 있어서,
    입력모듈은 패턴매칭과 할당결정에 의한 결과를 수신하며,
    이유프로세스모듈은 수신된 입력의 속성을 비교하고 규칙을 유도하고,
    상기 이유프로세스모듈은 주어진 문제에 대한 인지 범위를 결정하기 위한 기준점으로서 상기 파생된 규칙을 활용하는 규칙프로세스모듈을 포함하며,
    비판적 규칙범위 확장자는 알려진 인지 범위를 수신하여 인지 범위에 인지의 비판적 사고범위를 포함하기 위하여 알려진 상기 인지 범위를 업그레이드하고, 상기 파생된 규칙은 인지의 비판적 사고범위를 활용함으로써 수집되는, 영구적인 증여시스템.
    
14. 제 13항에 있어서,
    메모리웹은 이행가능한 규칙에 관한 로그를 검색하고,
    적용가능하고 이행가능한 규칙은 중단결정을 내리기 위하여 실행되며,
    규칙실행모듈은 현재상태로 확인되고 비판적 사고 결정을 내리기 위하여 이행된 규칙을 실행하고,
    비판적 결정출력모듈은 인지관찰 에뮬레이터와 규칙실행모듈에 의하여 도달된 결론을 비교함으로써 최종로직을 생성하는, 영구적인 증여시스템.
    
15. 제 14항에 있어서,
    로그모듈은 상기 입력의 영향과 무관하게 비판적 결정을 내리기 위하여 사용되는 로우정보를 포함하며,
    응용인지관점모듈은 상기 입력 알고리즘에 의하여 이용되고 응용된 인지관점을 포함하고,
    자동화 인지발견 메커니즘은 상기 독창성 모듈을 활용하여 상기 인지범위를 확장하는, 영구적인 증여시스템.
    
16. 제 15항에 있어서,
    자기비판적 지식밀도모듈은 보고 가능한 로그의 범위를 넘어서는 잠재적이고 알려지지 않은 지식의 범위와 유형을 추정하고,
    상기 인지관찰 에뮬레이터는 관찰 및 테스트의 에뮬레이션를 생성하거나 또는 모든 잠재적 인지범위를 관찰 에뮬레이션의 변형과 비교하며,
    상기 인지관찰 에뮬레이터에 대한 입력은 상기 잠재적 인지범위와 강화된 데이터 로그를 포함하고,
    상기 인지관찰 에뮬레이터에 대한 출력은 상기 강화된 데이터 로그로부터 생성되며 선택인지(selected perception)의 혼합으로서 가장 관련 있는 관찰자에 따른 결정을 포함하고,
    강화된 데이터 로그로부터 유래된 상기 CVF는 인지저장장치를 위한 검색 기준으로서 사용되며,
    상기 함축유도모듈은 알려진 인지관점으로부터 암시되는 데이터의 인지관점을 끌어내고,
    메트릭조합모듈은 상기 인지관점을 메트릭(Metrics)의 카테고리로 구분하고,
    메트릭변환모듈은 각각의 메트릭을 다시 전체 인지관점으로 되돌리고,
    메트릭확장모듈은 각각의 데이터베이스에 인지관점의 메트릭을 카테고리에 따라 저장하는, 영구적인 증여시스템.
    
17. 제 16항에 있어서,
    비판적 규칙범위 확장자는 규칙세트의 비판적 사고범위를 확장하기 위하여 알려진 인지를 활용하고,
    인지매칭모듈은 규칙신택스(syntax) 유도로부터 얻어진 인지로 CVF를 형성하고,
    메모리인식모듈은 입력 데이터로부터 카오틱필드(chaotic field)를 형성하고 알려진 개념을 인식하기 위한 필드 검색을 수행하며, 메모리개념색인모듈은 개별적으로 상기 모든 개념을 인덱스로 최적화하고, 규칙이행파서(Parser)는 인식태그를 통해 상기 규칙의 각 부분을 수집하고 규칙 실행을 유도하기 위하여 상기 카오틱필드에서 어떤 규칙이 인식되었는지를 논리적으로 추론하며,
    규칙신택스 포맷분리모듈은 유형에 따라 올바른 규칙을 구분하고 구성하고,
    규칙신택스 유도모듈은 로직적인 규칙을 메트릭 기반 인지로 변환하며,
    규칙신택스 생성모듈은 확인된 인지를 수신하고 인지의 내부 메트릭 메이크업과 연관되는, 영구적인 증여시스템.
    
18. 제 13항에 있어서,
    최종로직모듈은 직관결정과 사고결정으로부터 지능정보를 수신하고,
    직접결정비교모듈은 확증용 확인을 위하여 직관결정과 사고결정에 의한 양 결정을 비교하며,
    상기 직관결정은 레버리징 인지를 통한 비판적 사고에 관여하고,
    상기 사고결정은 레버리징 규칙을 통한 비판적 사고에 관여하며,
    비판적 규칙범위 확장자는 사전에 고려되지 않은 인지관점을 레버리징 함으로써 규칙세트의 이해의 범위를 확장하고,
    카오틱필드 파싱모듈은 상기 로그의 상기 형식을 카오틱필드로서 알려진 단일의 스캔가능한 유닛으로 조합하며,
    추가규칙은 상기 이미 설정된 올바른 규칙을 보완하기 이하여 메모리인식모듈로부터 생성되는, 영구적인 증여시스템.
    
19. 제 18항에 있어서
    인지매칭모듈에서, 메트릭 통계에 관하여, 통계정보가 인지저장장치로부터 제공되고,
    상기 메트릭통계는 메트릭의 인기 트렌드, 내부 메트릭 관계, 및 메트릭 증가율을 정의하며,
    오류관리모듈은 신택스 및/또는 상기 각각의 메트릭 중 어느 것으로부터든 유래된 논리적 오류를 파싱하고,
    노드비교모듈은 둘 이상의 CVF의 상기 노드 메이크업을 수신하며,
    상기 CVF의 각 노드는 자산의 크기의 정도를 나타내고,
    유사성비교는 개별 노드 베이시스를 기초로 수행되고 집계 분산이 계산되며,
    로우인지 직관사고모듈은 아날로그포맷에 따라 상기 인지를 프로세스하고,
    로우규칙 논리사고모듈은 디지탈포맷에 따라 규칙을 프로세스하며,
    재무할당결정과 관련된 아날로그포맷 인지는 단(step)이 없는 매끄러운 곡선의 그라디언트에 저장되고,
    재무할당결정과 관련된 디지탈포맷 로우규칙은 회색영역이 없는 단에 저장되는, 영구적인 증여시스템.
    
20. 프로그램된 지시를 저장하는 메모리, 상기 메모리에 연결되고 상기 프로그램된 지시를 수행하는 프로세서, 그리고 하나 이상의 데이터베이스를 포함하는 시스템을 통하여 수행되는 영구적인 증여방법으로서, 상기 영구적인 증여방법은,
    (a) 하나 이상의 도너개체가 하나 이상의 기부기금개체에 투자하는 단계;
    (b) 상기 기부기금개체가 상기 도너개체에 이익을 반환하고, 상기 도너개체가 지불한 세금과 상기 도너개체의 상기 기부기금개체에 대한 투자 간에 소득공제가 적용되는 단계;
    (c) 상기 기부기금개체가 하나 이상의 사업개체에 투자하는 단계; 및
    (d) 상기 사업개체가 상기 기부기금개체에 이익을 반환하는 단계를 포함하며;
    투자할당자는 제어보드에 투자추천을 하고, 제어보드는 상기 투자할당자에게 투자선호를 제공하며,
    이익할당자는 사업체를 위한 재투자 기금 및 상기 제어보드를 위해 위임된 기금과 관련된 추천을 하며,
    각각의 할당자는 독창성모듈과 CTMP모듈을 포함하는, 영구적인 증여방법.
    

Images