KR20220139067A - Ai 기반 합격 예측 시스템 - Google Patents

Abstract

컴퓨팅 장치에 의해 수행되는, AI 기반 지원자의 대상 학교에 대한 합격 가능성 평가 방법이 개시된다.
일 실시예에 따른, 합격 가능성 평가 방법은 지원자의 입학 시험의 결과에 해당하는 제1 데이터를 수신하는 단계, 상기 지원자의 내신 성적에 대응되는 제2 데이터를 수신하는 단계, 상기 제2 데이터에 기초하여, 상기 제1 데이터의 집중 영역에 대한 가중치를 부여하는 제1 프로세스에 사용되는 적어도 하나의 제1 시퀀스를 생성하는 단계, 상기 제1 시퀀스의 개수와 동일한 개수의, 상기 제1 데이터에 대한 제2 시퀀스를 생성하는 단계, 상기 적어도 하나의 제1 시퀀스를 상기 제2 시퀀스와 1 대 1로 매핑하고, 매핑된 제1 시퀀스 및 제2 시퀀스 각각에 대한 제3 시퀀스를 생성함으로써, 상기 제1 데이터에 대한 제1 프로세스를 적용하는 단계, 상기 제3 시퀀스 및 상기 제2 시퀀스에 기초하여 상기 제1 데이터에 대한 제2 프로세스를 적용하는 단계, 및 상기 제2 프로세스가 적용된 제1 데이터 및 미리 학습된 인공 신경망에 기초하여 상기 지원자의 합격 가능성을 평가하는 단계를 포함할 수 있다.

Description

AI 기반 합격 예측 시스템{AI-BASED ACCEPTANCE PREDICTION STSTEM}

아래 실시예들은 AI기반의 합격 예측 시스템에 관한 것으로, 더욱 상세하게는 진학을 원하는 대상 학교(국제학교, 대학교, 대학원)의 합격 여부 정보가 있는 기존 지원자들의 진학 관련 정보와 검사대상자의 정보를 이용하여 대상 학교의 합격여부를 예측하는데 적합한 합격 예측 방법 및 그 장치에 관한 것이다.

국내입시가 치열해지고 미래사회가 요구하는 글로벌 인재에 대한 관심도가 높아지면서 해외 진학을 원하는 학생의 수가 해마다 증가하고 있다. 하지만 해외 진학에는 큰 비용과 노력이 필요한 만큼 이를 결정하는 것에 매우 신중해질 수밖에 없다. 그렇기에 개개인마다 다른 특성에 맞춰 입학 가능성이 높은 학교를 목표로 설정하고 각 학교별 필요한 사항을 정확히 인지한 후 준비를 시작하여야 한다.

본 발명에서 해결하고자 하는 과제는 해외 진학 전형 시 전통적인 통계 이론이나 확률에 기반한 예측 시스템의 방법론적 한계에서 오는 정확도 오차 및 편차를 줄여 보다 정확하고 각각의 지원자 상황에 맞는 합격 예측 시스템을 제공하는데 있다.

컴퓨팅 장치에 의해 수행되는, AI 기반 지원자의 대상 학교에 대한 합격 가능성 평가 방법은 지원자의 입학 시험의 결과에 해당하는 제1 데이터를 수신하는 단계; 상기 지원자의 내신 성적에 대응되는 제2 데이터를 수신하는 단계; 상기 제2 데이터에 기초하여, 상기 제1 데이터의 집중 영역에 대한 가중치를 부여하는 제1 프로세스에 사용되는 적어도 하나의 제1 시퀀스를 생성하는 단계; 상기 제1 시퀀스의 개수와 동일한 개수의, 상기 제1 데이터에 대한 제2 시퀀스를 생성하는 단계; 상기 적어도 하나의 제1 시퀀스를 상기 제2 시퀀스와 1 대 1로 매핑하고, 매핑된 제1 시퀀스 및 제2 시퀀스 각각에 대한 제3 시퀀스를 생성함으로써, 상기 제1 데이터에 대한 제1 프로세스를 적용하는 단계; 상기 제3 시퀀스 및 상기 제2 시퀀스에 기초하여 상기 제1 데이터에 대한 제2 프로세스를 적용하는 단계; 및 상기 제2 프로세스가 적용된 제1 데이터 및 미리 학습된 인공 신경망에 기초하여 상기 지원자의 합격 가능성을 평가하는 단계를 포함할 수 있다.

상기 제1 시퀀스를 생성하는 단계는, 내신에 포함되는 항목의 개수 정보에 기초하여 상기 제1 시퀀스 개수 정보를 결정하는 단계; 입학 시험의 영역의 개수 정보에 기초하여 상기 제1 시퀀스 각각에 포함되는 개별 요소의 개수 정보를 결정하는 단계; 및 상기 제1 시퀀스 개수 정보 및 상기 개별 요소의 개수 정보에 기초하여 상기 적어도 하나의 제1 시퀀스를 생성하는 단계를 포함할 수 있다.

상기 제1 시퀀스를 생성하는 단계는, 내신에 포함되는 각 항목에 대한 점수 정보에 기초하여, 상기 제1 시퀀스에 포함되는 개별 요소의 값을 결정하는 단계를 더 포함하고, 상기 개별 요소는 상기 제1 시퀀스 별로 단일 값으로 결정되고, 상기 제1 프로세스를 적용하는 단계는, 상기 매핑된 제1 시퀀스와 상기 제2 시퀀스에서 대응되는 개별 요소들 사이의 곱셈에 기초하여 상기 제3 시퀀스를 생성하고, 상기 제2 프로세스를 적용하는 단계는, 상기 생성된 제3 시퀀스들 사이에서, 대응되는 개별 요소들의 값에 대한 합 연산에 기초하여 제4 시퀀스를 생성하는 단계; 상기 제4 시퀀스와 상기 적어도 하나의 제2 시퀀스 각각에 대응되는 개별 요소의 값에 대한 곱셈 연산에 기초하여 적어도 하나의 제5 시퀀스를 생성하는 단계를 포함할 수 있다.

상기 대상 학교는, 국제학교, 미국사립학교, 보딩스쿨, 해외법학대학교, 해외법학대학원, 해외 치의과대학교, 해외 치의과대학원, 해외 약학대학교, 해외 약학대학원 중 어느 하나를 포함하고, 상기 입학 시험은, SAT, ACT, AP, SAT2, IB, ALevel, TOEFL, IELTS, GCSE, MYP, AMC, MUN, GED,SSAT, ISEE, MAP, LSAT, MCAT, DAT, PCAT 중 적어도 하나를 포함할 수 있다.

AI 기반 지원자의 대상 학교에 대한 합격 가능성 평가 방법을 수행하는 컴퓨팅 장치는 통신부; 및 프로세서를 포함하고, 상기 프로세서는, 지원자의 입학 시험의 결과에 해당하는 제1 데이터를 수신하고, 상기 지원자의 내신 성적에 대응되는 제2 데이터를 수신하고, 상기 제2 데이터에 기초하여, 상기 제1 데이터의 집중 영역에 대한 가중치를 부여하는 제1 프로세스에 사용되는 적어도 하나의 제1 시퀀스를 생성하고, 상기 제1 시퀀스의 개수와 동일한 개수의, 상기 제1 데이터에 대한 제2 시퀀스를 생성하고, 상기 적어도 하나의 제1 시퀀스를 상기 제2 시퀀스와 1 대 1로 매핑하고, 매핑된 제1 시퀀스 및 제2 시퀀스 각각에 대한 제3 시퀀스를 생성함으로써, 상기 제1 데이터에 대한 제1 프로세스를 적용하고, 상기 제3 시퀀스 및 상기 제2 시퀀스에 기초하여 상기 제1 데이터에 대한 제2 프로세스를 적용하고, 상기 제2 프로세스가 적용된 제1 데이터 및 미리 학습된 인공 신경망에 기초하여 상기 지원자의 합격 가능성을 평가할 수 있다.

본 발명은 AI를 활용하여 지원자의 지원 학교에 대한 합격여부 예측을 보다 정확도 높게 수행할 수 있다. 보다 구체적으로, 단순의 입학 시험과 내신 성적의 의 수치에 대한 통계에 기초하여 합격 여부를 예측하는 종래 방식과 달리, 입학 시험의 각 요소에 대한 점수 및 내신에 포함되는 각 요소에 대한 점수의 상관도를 고려하도록 미리 학습된 인공 신경망을 이용하여 합격을 예측하는 수단을 통해 종래 방식에 비해 정확도가 보다 향상된 예측 모델을 제공할 수 있는 장점이 있다.

도 1은 발명에 따른 AI 기반 합격 예측 시스템의 전체 구성을 도시하는 도면이다.
도 2는 본 발명의 실시예에 지원자의 합격 확률을 예측하는 컴퓨팅 장치에 대한 구성도이다.
도 3은 본 발명에 따른 AI 기반의 합격 가능성 평가 방법을 개략적으로 설명하기 위한 도면이다.
도 4는 본 발명에 따른 합격률 평가 방법을 설명하기 위한 흐름도이다.
도 5는 일 실시예에 다른 컴퓨팅 장치의 구조를 설명하기 위한 블록도이다.

본 명세서에 개시되어 있는 본 발명의 개념에 따른 실시예들에 대해서 특정한 구조적 또는 기능적 설명들은 단지 본 발명의 개념에 따른 실시예들을 설명하기 위한 목적으로 예시된 것으로서, 본 발명의 개념에 따른 실시예들은 다양한 형태로 실시될 수 있으며 본 명세서에 설명된 실시예들에 한정되지 않는다.

본 발명의 개념에 따른 실시예들은 다양한 변경들을 가할 수 있고 여러 가지 형태들을 가질 수 있으므로 실시예들을 도면에 예시하고 본 명세서에 상세하게 설명하고자 한다. 그러나, 이는 본 발명의 개념에 따른 실시예들을 특정한 개시형태들에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 변경, 균등물, 또는 대체물을 포함한다.

제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만, 예를 들어 본 발명의 개념에 따른 권리 범위로부터 이탈되지 않은 채, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.

어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다. 구성요소들 간의 관계를 설명하는 표현들, 예를 들어 "~사이에"와 "바로~사이에" 또는 "~에 직접 이웃하는" 등도 마찬가지로 해석되어야 한다.

본 명세서에서 사용한 용어는 단지 특정한 실시예들을 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 설비된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함으로 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 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 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.

본 발명은, 지원자가 진학을 희망하는 대상 학교에 응시한 이력이 있는 기존 지원자들에 대한 정보를 토대로 학습시킨 인공 신경망을 이용하여, 지원자의 합격 확률을 예측하는 것으로, 본 발명은 이러한 기술적 수단을 통해 정확한 확률 예측으로 지원자의 학습을 돕는다.

이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예에 대하여 상세하게 설명한다.

도 1은 발명에 따른 AI 기반 합격 예측 시스템의 전체 구성을 도시하는 도면이다.

합격 예측 시스템은 사용자 단말장치(110), 네트워크(120) 및 합격 예측 프로세스를 수행하는 서버에 대응되는 컴퓨팅 장치(130)를 포함하여 구성될 수 있다.

사용자 단말장치(100)는 컴퓨팅 장치에(130)에 접속 가능한 데스크탑 컴퓨터, 노트북 컴퓨터, 워크스테이션, PDA, 웹패드, 이동 전화기 등과 같은 메모리 수단을 구비하고 마이크로 프로세서를 탑재한 연산 능력을 갖춘 디지털 기기를 의미한다.

네트워크(120)는 데이터 송수신이 가능한 대형 통신망의 고속 기간 망일 수 있으며, 유무선 인터넷(Internet) 또는 고속의 멀티미디어 서비스를 제공하기 위한 와이파이(Wi-Fi), 왈이기가(WiGig), 와이브로(Wireless Broadband Internet, Wibro), 오 아이맥스(World Interoperability for Microwave Access, Wimax) 등을 포함하는 차세대 무선망일 수 있다.

컴퓨팅 장치(130)는 본 발명의 일 실시예에 따라 네트워크(120) 통하여 지원자에 대한 정보를 수신하고, 수신한 정보를 분석하여 사용자 단말장치(100)에 지원 대학에 대한 합격 확률과 관련된 정보를 제공하는 장치를 의미하는 것으로, 이러한 컴퓨팅 장치는 예컨대 도2에 도시된 바와 같은 형태로 구성될 수 있다.

도 2는 본 발명의 실시예에 지원자의 합격 확률을 예측하는 컴퓨팅 장치에 대한 구성도이다.

도 2를 참고하면, 컴퓨팅 장치(130)는 크게 구분하며 인터페이스부(210), 서비스 실행 모듈(220), 데이터베이스 모듈(230) 등을 포함할 수 있으며 서비스 실행 모듈(220)은 정보관리부(221), 정보획득부(222), 항목분류부(223), 모델링부(224), AI 엔진지(225), 컨설팅부(226) 등을 포함할 수 있으며, 데이터베이스 모듈(230)은 회원 정보 DB(231), 기존 지원자 DB(232) 및 각종 시험 및 입학전형 DB(233) 등을 포함할 수 있다.

도 2를 참조하면, 정보 관리부(221)는 네트워크(120)을 통해 각 이용자로부터 회원 등록 요청이 있을 때 관련 회원 정보를 회원 정보 DB(231)에 저장하여 이용자 회원으로 등록하는 기능을 제공할 수 있다. 또, 회원 정보 DB(232)를 통해 서버에 접속하는 회원들의 로그인을 수행할 수 있다.

다음에, 정보 획득부(222)는 검사 대상자에 해당하는 지원자가 원하는 학교에 대한 합격 예측 서비스를 요청할 때 회원 정보 DB(232)를 탐색하거나 검사대상자에게 요청하여 상기 검사대상자에 대한 정보를 획득한다.

항목분류부(223)은 학교 별 심사항목에 따라 지원자 정보와 검사대상자 정보를 분류한다.

모델링부(224)는 임의의 인공 신경망 모형(Artificial Neural Network)을 이용하여 지원자의 합격 확률을 예측하는 AI 엔진을 생성하는 요소로, 학습 데이터를 통해 미리 학습된 인공 신경망을 생성할 수 있다.

일 실시예에 있어서, 모델링부(224)는 기존 지원자 DB(232)에 저장된 기존 지원자들의 정보(입시 시험 성적 정보, 내신 성적 정보, 자소서, 봉사활동 내역 등)를 학습하여 AI 엔진을 생성한다. 모델링부(224)은 다양한 AI 기반 합격 예측 모델을 생성할 수 있고 이 모델들의 검증을 수행하는 별도의 검증부(미도시)를 더 포함할 수 있다.

AI엔진부(225)는 모델링부(224)에서 생성한 AI 기반 합격 예측 모델에 정보획득부(222)를 통해 획득한 지원자의 정보를 입력하여 분석한다.

컨설팅부(226)는 AI엔진부(225)에서 분석한 결과를 토대로 합격 가능성을 수치로 제공한다. 여기에서, 대상 학교에 대한 합격 가능성을 예측할 때, 분류 정확도를 산출하는데, 분류 정확도란 대상 학교에 지원하여 불합격한 사람을 불합격으로 예측한 확률과 대상 학교에 지원하여 합격한 사람을 합격으로 예측한 확률을 합산하여 평균한 값을 의미한다.

또한, 컨설팅부(226)는 각종 시험 및 입학전형 DB(233)에서 검사대상자가 선택한 대상 학교의 입학전형을 참고하여 검사대상자의 합격 가능성을 높이기 위해 필요한 준비사항이나 보완점을 생성하거나 대상 학교의 대한 설명 자료를 생성하는 기능을 제공할 수 있다.

마지막으로, 데이터베이스 모듈(230)에는 수년간에 걸친 최적화된 학생들의 입시 정보와 case study 정보가 포함된다. 미국기준 최상위권 10-30, 상위권 TOP 30-50 대학, 캐나다 TOP 3 대학, 영국 TOP 10대학, 홍콩, 싱가폴 및 신흥으로 떠오르는 명문 학교들에 대한 정보와 경시대회, 인턴쉽, 봉사활동, 학업뿐만 아니라 성적 추이 통계 및 대학별, 공인점수별, 지역 및 입시 전형에 대한 예상 합격률 통계자료가 포함되어 있다. 데이터베이스 모듈(230)에 저장되는 기준과 관련하여 앞서 설명된 부분은 예시적인 것이 불과할 뿐, 대학 선정의 기준, 정보의 종류 등이 앞서 제시된 예시에 한정되는 것은 아닐 수 있다.

본 발명의 일 실시예에서, 지원자가 로그인을 통해 합격 예측 서비스 서버에 대응하는 컴퓨팅 장치(130)에 접속하면 서비스 실행 모듈(220) 내 정보 관리부(221)에서 학교 선택 항목과 합격 예측 요청 항목 등을 포함하는 화면을 인출하여 인터페이스부(210)를 통해 해당 지원자의 사용자 단말(110)에 전달한다. 이 때, 해당 지원자는 메인 화면에 있는 학교 선택 항목을 이용하여 합격 예측 서비스를 받고자 하는 대상 학교를 선택하고, 합격률 예측 요청 항목을 클릭하는 방식으로 진학을 희망하는 대상학교에 대한 합격 예측 서비스를 요청할 수 있다.

지원자가 합격률 예측 서비스를 요청하면, 정보 획득부(222)는 회원정보 DB(232)의 탐색을 통해 해당 지원자의 예측 대상 정보를 획득하여 항목분류부(223)로 전달한다.

항목분류부(223)는 지원자 정보를 각 학교별 심사 항목에 따라 분류한다.

지원자가 진학을 희망하는 대상 학교에는 국제학교, 미국사립학교, 보딩스쿨, 해외법학대학교, 해외법학대학원, 해외 치의과대학교, 해외 치의과대학원, 해외 약학대학교, 해외 약학대학원을 포함할 수 있고 각 학교별로 입시요강이 매우 다양하여 이를 준비하는데 많은 어려움이 있다.

학교별 심사항목에 에세이, 공인인증점수, 포트폴리오를 포함할 수 있다. 특히 미국 유학 시 에세이 제출은 필수적이다. 에세이 주제는 학교별로 다르지만 일반적으로 유학을 선택한 이유, 학교에 지원하는 이유 등이 있다. 또 학교 측에서 중시하는 개별적인 가치에 기반을 둔 글을 써야하는 경우가 있고 학교 별로 기준이 매우 달라 이를 정확하게 분석하는 것이 중요하다.

입학 시험 점수에 대응되는 공인인증점수도 학교별 나라별로 매우 다양하다. SAT, ACT, AP, IB, LNAT, LSAT, MCAT, DAT, PCAT 등이 있다. 각 공인시험에 대한 장단점을 파악하고 시기에 맞는 맞춤 분석을 통해 진학 준비를 하여야 한다. 예를 들어, SAT, ACT는 모두 미국의 대학입학 자격시험이지만 ACT는 SAT과 다르게 과학과목이 따로 있고 ACT 수학은 계산기 사용이 가능하지만 SAT는 가능한 섹션과 불가능한 식견으로 나누어져 있어 개개인마다 어떤 시험이 자신에게 맞는지 확인하는 것이 필요하다. AP, IB는 각각 미국과 영국의 대학과목 선 이수제이고 LNAT는 영국법학대학교 진학 시에, LSAT는 미국 로스쿨 진학 시, MCAT는 미국의약대학교에 진학시에, DAT는 미국 치의학대학교 진학시에, PCAT는 미국약학대학교 진학시에 필요한 시험이다.

상기 포트폴리오에는 연구경험, 봉사활동, 인턴쉽 경험, 이수교과목, 동아리활동, 수상이력 항목을 포함할 수 있다. 포트폴리오는 전공이나 대학에 따라 요구하는 바가 다르고 개개인의 특성을 잘 살릴 수 있는 부분이기에 학교와 개인에 맞는 준비가 무엇보다 중요하고, 진학을 원하는 학교가 있다면 대상 학교에 맞는 포트폴리오는 미리 준비하여야 한다.

기존 지원자 DB(232)에서 기존 지원자 정보를 획득하여 컴퓨팅 장치(130) AI기반 평가모델을 생성한다. AI기반 평가모델은, 앙상블 모형, 로지스틱 회귀 모형, 신경망 모형, 베이즈 분류 모형 및 서포트 벡터 기계 모형 등을 다양한 인공 신경망에 기초하여 구현될 수 있다.

모델 선정 후에도 정보 양상을 보고 문제점을 진단하고 모델을 개선하기 위해 튜닝(tunning)을 해야 한다. 튜닝에는 아키텍쳐(architecture)를 변경하거나 하이퍼파라미터(hyperparameter)를 조절하는 작업이 포함된다. 이런 작업에는 문제의 원인을 유추하고 기대현상을 개선하기 위한 방법을 찾는 것이 필요하다.

본원 발명에 따른 컴퓨팅 장치(130)는 앞서 설명된 입시방식 중, 입학 시험 결과 및 내신 성적을 통해 미리 학습된 AI 모델인 인공신경망을 이용하여 지원자의 합격 가능성을 평가함으로써, 일반적인 통계 방식에 비해 보다 정밀한 예측 결과를 생성할 수 있다. 컴퓨팅 장치는 인공 신경망을 이용한 예측 결과에 더불어 앞서 설명된 포트폴리오 정보, 에세이 정보에 대한 부가적인 분석을 통해 보다 정밀한 합격 예측 정보를 제공할 수 있다.

도 3은 본 발명에 따른 AI 기반의 합격 가능성 평가 방법을 개략적으로 설명하기 위한 도면이다.

도 3을 참조하면, AI 기반의 합격 가능성 평가 방법을 수행하는 컴퓨팅 장치에 입력된 입학 시험 결과에 해당하는 제1 데이터(301)는 합격 가능성 평가와 관련된 정보를 강조하기 위하여 제1 프로세스(310) 및 제2 프로세스(320)가 적용될 수 있다. 여기에서, 제1 프로세스(310) 및 제2 프로세스(320)는 입력된 정보 중 일부 정보를 강조하여 주요 정보를 부각하기 위하여 수행되는 연산으로, 어텐션(attention)으로 지칭될 수도 있다.

제1 데이터(301)는 입학 시험 성적으로, 예를 들어, SAT 성적을 의미할 수 있으며, 과목별 점수가 시퀀스 형태로 구성된 데이터일 수 있다. 제1 데이터(310)는 적용 대학에 따라 SAT 이외의 다른 임의의 입학 시험에 해당할 수 있음은 통상의 기술자가 이해할 것이다.

컴퓨팅 장치는 제1 데이터(301)에 대응되는 지원자의 내신 성적(311)을 토대로 생성한 제1 시퀀스(312)와, 콘볼루션 모듈(313)을 통해 제1 데이터(101)를 이용하여 생성된 제2 시퀀스(314)의 채널별 곱 연산(channelwise product)(315)을 통해 제3 시퀀스(316)을 생성함으로써, 제1 데이터(101)에 대한 제1 프로세스(310)을 적용할 수 있다.

컴퓨팅 장치는 생성된 모든 제3 시퀀스(316)에 포함된 값들에 대한 합 연산(321)을 수행함으로써, 단일 시퀀스 형태인 제4 시퀀스(322)를 생성하고, 제4 시퀀스(322)와 제2 시퀀스(314) 사이의 채널 별 곱 연산(323)을 통해 제5 시퀀스(324)를 생성함으로써, 제2 프로세스(320)을 적용할 수 있다. 예를 들어, 제3 시퀀스(316)가 12개 존재하는 경우, 생성되는 제4 시퀀스(322)의 값은 12개의 제3 시퀀스(316) 각각에 포함된 값들이 합산된 결과에 기초하여 결정될 수 있다. 컴퓨팅 장치는 동일한 제4 시퀀스(322)를 제2 시퀀스(314)의 개수만큼 생성하고, 생성된 제4 시퀀스들과 제2 시퀀스(314) 사이의 채널별 곱셈 연산을 수행함으로써, 제5 시퀀스(324)를 생성할 수 있다. 제1 프로세스(310) 및 제2 프로세스(320)를 수행하는 구체적인 방식은 이하 첨부되는 도면을 통해 보다 상세하게 설명된다.

컴퓨팅 장치는 미리 학습된 인공신경망(330)에 제5 시퀀스(324)를 입력함으로써 제1 데이터(301)에 기초하여 지원자의 합격 가능성에 대한 평가를 수행할 수 있다. 제1 프로세스(310) 및 제2 프로세스(320)가 적용되어, 소정의 정보들이 강조된 제1 데이터(301)는 미리 학습된 인공신경망(330)을 통해 지원자의 합격 가능성이 평가될 수 있다. 인공신경망(330)은 기존 입시 결과 데이터에 기초하여 생성된 학습 데이터를 통해 미리 학습된 인공 신경망일 수 있다. 보다 구체적으로, 인공신경망(330)을 학습시키기 위한 학습 데이터는 기존 입시 결과에 해당하는 빅데이터(이전 지원자의 입학 시험 성적) 각각에 대해 앞서 설명된 제1 프로세스(310) 및 제2 프로세스(320)가 적용됨으로써 생성될 수 있다. 인공 신경망(330)는 위 학습 데이터에 기초하여 학습 데이터에 대응되는 합격 가능성(확률)을 출력하도록 미리 학습될 수 있다.

도 4는 본 발명에 따른 합격률 평가 방법을 설명하기 위한 흐름도이다.

도 4를 참조하면, 본 발명에 따른 합격률 평가 방법은, 먼저, 컴퓨팅 장치가 지원자의 입학 시험 결과에 대한 제1 데이터를 수신하는 단계(S101)를 포함한다. 예를 들어, 제1 데이터는 입학 시험 결과에 대응하는 점수 정보일 수 있으며, 입학 시험에 A 과목, B 과목, C 과목이 포함되고, 지원자가 A 과목 80점, B 과목 90점, C 과목 75점을 획득한 경우, 제1 데이터의 형태는 [80, 90, 75]의 형태를 가질 수 있다. 예시에서 제시된 80, 90, 75는 본 명세서 전반에 걸쳐 "개별 요소"로 지칭될 수 있다.

또한, 본 발명에 따른 합격률 평가 방법은, 컴퓨팅 장치가 지원자의 내신 성적에 대응되는 제2 데이터를 수신하는 단계(S102)를 포함할 수 있다.

내신 성적은 입학 시험 이외에 지원자가 학교 생활을 수행하며 치른 시험들에 대한 성적에 대한 정보를 포함할 수 있다. 예를 들어, 내신 성적은 과목별(국어, 수학, 과학 등등) 성적이 누적된 형태의 데이터일 수 있으며, 구현 예에 따라서, 평소 행실에 대한 평가 점수, 출석에 대한 평가 점수 등 임의의 요소가 포함될 수 있음은 통상의 기술자가 이해할 것이다.

내신 성적에 대한 일례는 표 1에 대응될 수 있다.

과목	성적
국어(1학년)	평균 85
수학(1학년)	평균 88
과학(1학년)	평균 83
??	??
영어(3학년)	평균 90
사회(3학년)	평균 84
체육(3학년)	평균 90

표 1을 참조하면, 내신 성적은 학년별, 과목별 평균 점수가 각각에 대응되는 과목과 매핑된 형태를 가질 수 있으나, 이는 예시적인 사항으로, 내신 성적에 포함되는 교과목의 종류는 이에 한정되지 않고 임의의 평가 요소가 점수화되어 포함될 수 있음은 통상의 기술자가 이해할 것이다.

위 상황에서, 제2 데이터의 형태는 국어(1학년) 성적부터 체육(3학년) 성적을 나열한 형태인 [85, 88, 83, ??, 90, 84, 90]일 수 있다. 예시에서 제시된 85, 88, 83, 90, 40, 90은 본 명세서 전반에 걸쳐 "개별 요소"로 지칭될 수 있다.

컴퓨팅 장치는 이후 설명되는 바와 같이, 내신 성적에 포함되는 항목의 개수에 따라(예를 들어 7개)의 제1 시퀀스의 개수를 결정하고, 입학 시험 결과에 포함되는 항목(과목)의 개수 및 내신 성적에 따라 제1 시퀀스를 구성하는 개별 요소의 결정할 수 있다.

표 1을 통해 예시적으로 제시된 내신 성적의 내용, 제1 시퀀스의 개수를 결정하는 방식, 제1 시퀀스에 대응되는 값을 결정하는 방식은 예시적인 것에 불과하고, 본원 발명의 실시 예가 표 1을 통해 제시된 예시에 한정되는 것이 아님은 통상의 기술자가 이해할 것이다.

다음으로, 본 발명에 따른 합격률 평가 방법은, 컴퓨팅 장치가 내신 성적에 기초하여 입학 시험 결과에 대한 제1 프로세스를 적용하기 위한 적어도 하나의 제1 시퀀스를 생성하는 단계 (S200)를 포함한다.

컴퓨팅 장치는 내신 성적에 포함된 항목에 기초하여 이후에 생성할 제1 시퀀스의 개수 정보를 결정할 수 있다. 예를 들어, 내신 성적에 10개에 해당하는 과목의 성적이 포함된 경우, 컴퓨팅 장치는 제1 시퀀스를 10개 생성할 수 있다. 다른 실시 예에서는 내신 성적에 포함된 10개의 과목이 3개의 서로 다른 카테고리로 나누어지는 경우, 컴퓨팅 장치는 3개의 제1 시퀀스를 생성할 수 있다. 예를 들어, 내신 성적에 포함되는 과목은 주성분 분석(Principal Component Analysis; PCA)에 기초하여 서로 다른 카테고리로 분류될 수 있고, 카테고리의 개수에 따라 제1 시퀀스의 개수가 결정될 수 있다.

컴퓨팅 장치는 제1 데이터에 포함된 항목의 개수에 기초하여 각각의 제1 시퀀스에 포함될 개별 요소의 개수 정보를 결정할 수 있다. 보다 구체적으로, 컴퓨팅 장치는 제1 데이터인 입학 시험 결과에 포함된 영역(과목)의 개수에 대응되도록 제1 시퀀스에 포함되는 개별 요소의 개수를 결정할 수 있다.

컴퓨팅 장치는 결정된 제1 시퀀스의 개수 정보 및 제1 시퀀스를 구성하는 개별 요소의 개수에 기초하여 제1 시퀀스를 생성할 수 있다. 각각의 제1 시퀀스에 포함되는 개별 요소의 값은 각각의 제1 시퀀스에 대하여 단일 값으로 결정될 수 있다. 또한, 결정되는 단일 값은 제1 시퀀스에 대응되는 내신 성적 과목의 점수에 기초하여 결정될 수 있다. 예를 들어, 내신 성적의 두번째 과목(수학(1학년)) 에 대응하여 생성된 제1 시퀀스에 포함되는 개별 요소들의 값은 두번째 과목의 평균 점수에 기초하여 결정될 수 있다. 보다 구체적으로, 두번째 과목이 "수학(1학년)"이고, 평균 점수가 0~30점인 경우, 대응되는 개별 요소의 값이 1로, 31~60점인 경우 값이 3으로, 61~80점인 경우, 대응되는 개별 요소의 값이 5로, 81~100점인 경우, 대응되는 개별 요소의 값이 7로 결정된 상황에서, 지원자가 1학년 수학에 대해 평균 88점을 맞은 경우, 두번째 과목에 대응되는 제1 시퀀스에 포함되는 개별 요소들은 각각 7로 결정될 수 있다.

컴퓨팅 장치는, 생성된 제1 시퀀스의 개수와 동일한 개수의, 제2 시퀀스를 생성하는 단계(S300)를 더 포함할 수 있다. 예를 들어, 제1 시퀀스가 5개 생성된 경우, 컴퓨팅 장치는 콘볼루션 모듈(Convolution Module)을 이용하여, 입학 시험 결과에 대한 5개의 제2 시퀀스를 생성할 수 있다. 제2 시퀀스는 콘볼루션 모듈을 통해 입학 시험 결과에 해당하는 제2 데이터에 가중치가 부여된 특징 시퀀스를 의미할 수 있다.

합격 가능성 평가 방법에서 컴퓨팅 장치는, 제1 시퀀스를 제2 시퀀스와 1 대 1로 매핑하고, 매핑된 제1 시퀀스 및 제2 시퀀스 각각에 대한 제3 시퀀스를 생성함으로써 상기 입학 시험 결과에 대한 상기 제1 프로세스를 적용하는 단계(S400)를 포함할 수 있다. 컴퓨팅 장치는 수학식 1 내지 수학식 2에 기초하여 제3 시퀀스를 생성함으로써 입력된 입학 시험 결과에 대한 제1 프로세스를 적용할 수 있다.

는 내신 성적,

는 내신 성적의 과목에 기초하여 결정된 총 개수(t) 및 각 과목에 대한 평균 점수에 기초하여 결정되는 개별 요소의 값을 통해 생성된 시퀀스,

은 제1 시퀀스,

는

의 개수만큼 콘볼루션 모듈을 통해 입학 시험 결과인 제1 데이터에 기초하여 생성된 제2 시퀀스,

은 제3 시퀀스를 나타내고,

연산은 채널별 곱셈 연산, t는 제2 데이터에 포함된 과목의 개수를 의미한다. 참고로, 각각의 제1 시퀀스

를 구성하는 개별 요소의 개수는 제1 데이터 내의 과목의 수에 대응하는 u개일 수 있다.

구체적으로, 컴퓨팅 장치는 매핑된 제1 시퀀스

과 제2 시퀀스

에 대응되는 개별 요소의 값을 곱함으로써, 제3 시퀀스

을 생성할 수 있다. 예를 들어, 매핑된 제1 시퀀스

및 제2 시퀀스

각각의 i번째 개별 요소 값의 곱을 제3 시퀀스

의 i 번째 개별 요소에 할당함으로써, 매핑된 제1 시퀀스

과 제2 시퀀스

에 대응하는 제3 시퀀스

이 생성될 수 있다.

합격 가능성 평가 방법은 컴퓨팅 장치가 생성된 제3 시퀀스 및 제2 시퀀스에 기초하여 입학 시험 결과에 대한 제2 프로세스를 적용하는 단계(S500)를 포함할 수 있다. 컴퓨팅 장치는 수학식 3 내지 수학식 5에 기초하여 입학 시험 결과에 제2 프로세스룰 적용할 수 있다.

는 제4 시퀀스,

는 제4 시퀀스의 i 번째 개별 요소,

는 k번째 제3 시퀀스의 i 번째 개별 요소,

는 제4 시퀀스를 제2 시퀀스의 개수만큼 생성함으로써 확장한 확장 제4 시퀀스,

는 확장된 제4 시퀀스 중 k번째 제4 시퀀스,

는 제5 시퀀스를 나타낸다.

구체적으로, 컴퓨팅 장치는 생성된 모든 제3 시퀀스

의 각각의 대응되는 개별 요소들에 대한 합에 기초하여 단일 시퀀스인 제4 시퀀스

를 생성할 수 있다. 컴퓨팅 장치는 제4 시퀀스

를

의 개수(t)만큼 생성한

와 제2 시퀀스

를 1 대 1로 매핑하고, 매핑된

와 제2 시퀀스

의 대응되는 개별 요소들 값의 곱을 제5 시퀀스

의 대응되는 개별 요소에 할당함으로써 제5 시퀀스

을 생성할 수 있다. 이와 같이 컴퓨팅 장치는 매핑된 모든

와 제2 시퀀스

에 대한

를 생성함으로써, 제1 데이터에 대한 제2 프로세스를 적용할 수 있다.

합격 가능성 평가 방법은 컴퓨팅 장치가 제2 프로세스가 적용된 제1 데이터 및 미리 학습된 인공 신경망(330)에 기초하여 상기 제1 데이터를 제공한 지원자의 합격 가능성을 평가하는 단계(S600)을 포함할 수 있다.. 예를 들어, 컴퓨팅 장치는 제1 프로세스 및 제2 프로세스가 적용된 제1 데이터(입학 시험 결과)에 기초하여 미리 학습된 인공 신경망(330)를 이용하여 지원자의 합격 가능성을 평가할 수 있다. 예를 들어, 평가 결과는 지원 학교의 합격 확률의 형태로 제공될 수 있다.

일 실시예에 따르면, 컴퓨팅 장치는 합격 가능성 평가 결과에 대한 그레디언트를 산출하고, 산출된 그레디언트에 기초하여 평가 결과에 대해 제1 데이터 또는 제2 데이터가 미친 영향에 대한 정보를 제공할 수 있다. 보다 구체적으로, 컴퓨팅 장치는 평가 결과를 제1 데이터의 개별 요소(입학 시험 결과에 포함된 개별 과목의 성적) 각각에 기초하여 제1 그레디언트를 산출하고, 제2 데이터의 개별 요소(내신 성적에 포함된 개별 과목의 성적) 각각에 기초하여 제2 그레디언트를 산출하고, 산출된 제1 그레디언트 및 제2 그레디언트에 기초하여 평가 결과에 각각의 개별 요소가 미치는 영향 정보를 제공할 수 있다. 예를 들어, 컴퓨팅 장치는 산출된 그레디언트에 기초하여 개별 요소의 점수 변화에 따라 합격 예측 변화율이 높은 개별 요소를 순위별로 산출한 리스트를 제공할 수 있다. 위 리스트는 입시 컨설팅 과정에서, 해당 년도의 시험 평균 점수 등을 고려하여 대학 지원 전략을 수립하는 근거 자료로 사용될 수 있으며, 차후 년도의 대학 입시 전략을 수립하는 근거 자료로 활용될 수 있다.

도 5는 일 실시예에 다른 컴퓨팅 장치의 구조를 설명하기 위한 블록도이다.

도 5를 참조하면, 일 실시예에 따른 컴퓨팅 장치(500)는 프로세서(520)를 포함한다. 컴퓨팅 장치(500)는 메모리(510) 및 통신 인터페이스(530)를 더 포함할 수 있다. 프로세서(510), 메모리(530) 및 통신 인터페이스(550)는 통신 버스(미도시)를 통해 서로 통신할 수 있다.

프로세서(520)는 지원자의 입학 시험의 결과에 해당하는 제1 데이터를 수신하고, 지원자의 내신 성적에 대응되는 제2 데이터를 수신하고, 제2 데이터에 기초하여, 제1 데이터의 집중 영역에 대한 가중치를 부여하는 제1 프로세스에 사용되는 적어도 하나의 제1 시퀀스를 생성하고, 제1 시퀀스의 개수와 동일한 개수의, 상기 제1 데이터에 대한 제2 시퀀스를 생성하고, 적어도 하나의 제1 시퀀스를 제2 시퀀스와 1 대 1로 매핑하고, 매핑된 제1 시퀀스 및 제2 시퀀스 각각에 대한 제3 시퀀스를 생성함으로써, 제1 데이터에 대한 제1 프로세스를 적용하고, 제3 시퀀스 및 제2 시퀀스에 기초하여 제1 데이터에 대한 제2 프로세스를 적용하고, 제2 프로세스가 적용된 제1 데이터 및 미리 학습된 인공 신경망에 기초하여 지원자의 합격 가능성을 평가할 수 있다.

메모리(510)는 휘발성 메모리 또는 비 휘발성 메모리일 수 있다.

이 밖에도, 프로세서(520)는 프로그램을 실행하고, 컴퓨팅 장치(500)를 제어할 수 있다. 프로세서(520)에 의하여 실행되는 프로그램 코드는 메모리(510)에 저장될 수 있다. 컴퓨팅 장치(500)는 입출력 장치(미도시)를 통하여 외부 장치(예를 들어, 퍼스널 컴퓨터 또는 네트워크)에 연결되고, 데이터를 교환할 수 있다. 컴퓨팅 장치(500)는 서버에 탑재될 수 있다. 컴퓨팅 장치(500)는 앞선 도 1 내지 도 4를 통해 설명된 방식을 수행할 수 있음은 통상의 기술자가 이해할 것이다.

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.

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.

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 광기로 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.

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 특허청구범위의 범위에 속한다.

Claims (7)

1. 컴퓨팅 장치에 의해 수행되는, AI 기반 지원자의 대상 학교에 대한 합격 가능성 평가 방법에 있어서,
   지원자의 입학 시험의 결과에 해당하는 제1 데이터를 수신하는 단계;
   상기 지원자의 내신 성적에 대응되는 제2 데이터를 수신하는 단계;
   상기 제2 데이터에 기초하여, 상기 제1 데이터의 집중 영역에 대한 가중치를 부여하는 제1 프로세스에 사용되는 적어도 하나의 제1 시퀀스를 생성하는 단계;
   상기 제1 시퀀스의 개수와 동일한 개수의, 상기 제1 데이터에 대한 제2 시퀀스를 생성하는 단계;
   상기 적어도 하나의 제1 시퀀스를 상기 제2 시퀀스와 1 대 1로 매핑하고, 매핑된 제1 시퀀스 및 제2 시퀀스 각각에 대한 제3 시퀀스를 생성함으로써, 상기 제1 데이터에 대한 제1 프로세스를 적용하는 단계;
   상기 제3 시퀀스 및 상기 제2 시퀀스에 기초하여 상기 제1 데이터에 대한 제2 프로세스를 적용하는 단계; 및
   상기 제2 프로세스가 적용된 제1 데이터 및 미리 학습된 인공 신경망에 기초하여 상기 지원자의 합격 가능성을 평가하는 단계
   를 포함하는, 합격 가능성 평가 방법.
   
2. 제1항에 있어서,
   상기 제1 시퀀스를 생성하는 단계는,
   내신에 포함되는 항목의 개수 정보에 기초하여 상기 제1 시퀀스 개수 정보를 결정하는 단계;
   입학 시험의 영역의 개수 정보에 기초하여 상기 제1 시퀀스에 포함되는 개별 요소의 개수 정보를 결정하는 단계; 및
   상기 제1 시퀀스 개수 정보 및 상기 개별 요소의 개수 정보에 기초하여 상기 적어도 하나의 제1 시퀀스를 생성하는 단계
   를 포함하는, 합격 가능성 평가 방법.
   
3. 제2항에 있어서,
   상기 제1 시퀀스를 생성하는 단계는,
   내신에 포함되는 각 항목에 대한 점수 정보에 기초하여, 상기 제1 시퀀스에 포함되는 개별 요소의 값을 결정하는 단계
   를 더 포함하고,
   상기 개별 요소는 상기 제1 시퀀스 별로 단일 값으로 결정되고,
   상기 제1 프로세스를 적용하는 단계는,
   상기 매핑된 제1 시퀀스와 상기 제2 시퀀스에서 대응되는 개별 요소들 사이의 곱셈에 기초하여 상기 제3 시퀀스를 생성하고,
   상기 제2 프로세스를 적용하는 단계는,
   상기 생성된 제3 시퀀스들 사이에서, 대응되는 개별 요소들의 값에 대한 합 연산에 기초하여 제4 시퀀스를 생성하는 단계;
   상기 제4 시퀀스와 상기 적어도 하나의 제2 시퀀스 각각에 대응되는 개별 요소의 값에 대한 곱셈 연산에 기초하여 적어도 하나의 제5 시퀀스를 생성하는 단계
   를 포함하는, 합격 가능성 평가 방법.
   
4. 제1항에 있어서,
   상기 대상 학교는,
   국제학교, 미국사립학교, 보딩스쿨, 해외법학대학교, 해외법학대학원, 해외 치의과대학교, 해외 치의과대학원, 해외 약학대학교, 해외 약학대학원 중 어느 하나를 포함하고,
   상기 입학 시험은,
   SAT, ACT, AP, SAT2, IB, ALevel, TOEFL, IELTS, GCSE, MYP, AMC, MUN, GED,SSAT, ISEE, MAP, LSAT, MCAT, DAT, PCAT 중 적어도 하나를 포함하는, 합격 가능성 평가 방법.
   
5. 제1항의 방법을 수행하기 위한 명령어들을 포함하는 하나 이상의 프로그램을 저장한 컴퓨터 판독 가능 저장매체.
   
6. AI 기반 지원자의 대상 학교에 대한 합격 가능성 평가 방법을 수행하는 컴퓨팅 장치에 있어서,
   통신부; 및
   프로세서
   를 포함하고,
   상기 프로세서는,
   지원자의 입학 시험의 결과에 해당하는 제1 데이터를 수신하고,
   상기 지원자의 내신 성적에 대응되는 제2 데이터를 수신하고,
   상기 제2 데이터에 기초하여, 상기 제1 데이터의 집중 영역에 대한 가중치를 부여하는 제1 프로세스에 사용되는 적어도 하나의 제1 시퀀스를 생성하고,
   상기 제1 시퀀스의 개수와 동일한 개수의, 상기 제1 데이터에 대한 제2 시퀀스를 생성하고,
   상기 적어도 하나의 제1 시퀀스를 상기 제2 시퀀스와 1 대 1로 매핑하고, 매핑된 제1 시퀀스 및 제2 시퀀스 각각에 대한 제3 시퀀스를 생성함으로써, 상기 제1 데이터에 대한 제1 프로세스를 적용하고,
   상기 제3 시퀀스 및 상기 제2 시퀀스에 기초하여 상기 제1 데이터에 대한 제2 프로세스를 적용하고,
   상기 제2 프로세스가 적용된 제1 데이터 및 미리 학습된 인공 신경망에 기초하여 상기 지원자의 합격 가능성을 평가하는, 컴퓨팅 장치.
   
7. 상기 프로세서는,
   내신에 포함되는 항목의 개수 정보에 기초하여 상기 제1 시퀀스 개수 정보를 결정하고, 입학 시험의 영역의 개수 정보에 기초하여 상기 제1 시퀀스에 포함되는 개별 요소의 개수 정보를 결정하고, 상기 제1 시퀀스 개수 정보 및 상기 개별 요소의 개수 정보에 기초하여 상기 적어도 하나의 제1 시퀀스를 생성하고,
   상기 프로세서는,
   내신에 포함되는 각 항목에 대한 점수 정보에 기초하여, 상기 제1 시퀀스에 포함되는 개별 요소의 값을 결정하고,
   상기 개별 요소는 상기 제1 시퀀스 별로 단일 값으로 결정되고,
   상기 매핑된 제1 시퀀스와 상기 제2 시퀀스에서 대응되는 개별 요소들 사이의 곱셈에 기초하여 상기 제3 시퀀스를 생성하고,
   상기 생성된 제3 시퀀스들 사이에서, 대응되는 개별 요소들의 값에 대한 합 연산에 기초하여 제4 시퀀스를 생성하고,
   상기 제4 시퀀스와 상기 적어도 하나의 제2 시퀀스 각각에 대응되는 개별 요소의 값에 대한 곱셈 연산에 기초하여 적어도 하나의 제5 시퀀스를 생성하는, 컴퓨팅 장치.

Images