WO2020022639A1 - 딥러닝 기반의 가치 평가 방법 및 그 장치 - Google Patents

딥러닝 기반의 가치 평가 방법 및 그 장치 Download PDF

Info

Publication number
WO2020022639A1
WO2020022639A1 PCT/KR2019/006911 KR2019006911W WO2020022639A1 WO 2020022639 A1 WO2020022639 A1 WO 2020022639A1 KR 2019006911 W KR2019006911 W KR 2019006911W WO 2020022639 A1 WO2020022639 A1 WO 2020022639A1
Authority
WO
WIPO (PCT)
Prior art keywords
valuation
data
evaluation
deep learning
model
Prior art date
Application number
PCT/KR2019/006911
Other languages
English (en)
French (fr)
Inventor
박현우
전승표
이종택
김병훈
Original Assignee
한국과학기술정보연구원
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한국과학기술정보연구원 filed Critical 한국과학기술정보연구원
Publication of WO2020022639A1 publication Critical patent/WO2020022639A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals

Definitions

  • the present invention relates to a deep learning based valuation method and apparatus therefor.
  • a method for generating virtual evaluation basic data using a GAN based deep learning model and evaluating the value of an evaluation target using the generated evaluation basic data and an apparatus for performing the method It is about.
  • the valuation which was limited to conventional types of objects, has been extended to intangible objects such as technology, which is called technology valuation.
  • Intangible objects are not as visible as tangible objects themselves, and are affected by various factors, such as market and economic conditions. Therefore, the technical valuation cannot but rely on the experience of the expert, and thus there is a problem that the result of the technical valuation may be unobjective.
  • the cash flow discount model is a model for evaluating the economic value added by the commercialization entity to the present value by utilizing a product or service incorporating technology.
  • DCF discounted cash flow
  • the cash flow discount model is evaluated as a representative valuation model that can solve the problems of the prior art valuation.
  • the cash flow discount model requires estimates of model variables such as the economic life of the technology, the free cash flow, the discount rate, and the technology contributions, and large deviations occur in the technology valuation results. Therefore, it is most important to accurately calculate the estimated value of the model variable.
  • the technical problem to be solved by the present invention is to provide a valuation method and an apparatus for performing the method that can solve the difficulty of securing the basic evaluation data and the reliability problem of the valuation result.
  • Another technical problem to be solved by the present invention is to provide a valuation method and apparatus for performing the method that can improve the convenience of the user using the valuation service.
  • the value valuation method in the deep learning-based valuation method performed by the value valuation device, receiving the class information of the evaluation target, GAN ( Using a deep learning model based on a Generative Adversarial Network, generating first evaluation basic data associated with the input class information and applying the first evaluation basic data to a value evaluation model to evaluate the value of the evaluation target It may include the step.
  • the first evaluation basic data is composed of virtual data samples.
  • the evaluation target is a technology
  • the class information of the evaluation target may include at least one of an International Patent Classification (IPC) code and a Standard Industrial Classification (SIC) code.
  • IPC International Patent Classification
  • SIC Standard Industrial Classification
  • the valuation model may be a cash flow discount model.
  • the first evaluation basic data includes a plurality of data samples
  • the step of evaluating the value of the evaluation target may include applying the plurality of data samples to the value evaluation model to determine a plurality of value evaluation values. And determining a value distribution of the object to be evaluated by applying a kernel density estimation technique to the plurality of value evaluation values.
  • the training data of the deep learning model includes data relating to a first variable having a categorical value, and further comprising training the deep learning model, wherein the training comprises:
  • the method may include converting a variable into a dummy variable and training the deep learning model using data about the dummy variable.
  • the deep learning model includes a generator for generating a virtual data sample and a discriminator for performing adversarial training with the generator, wherein the discriminator is configured to classify the virtual data and the actual data. And a classifier and a second classifier classifying the class of the evaluation target, wherein the input data and the output data of the generator may include class information of the evaluation target.
  • the method may further include training the deep learning model, wherein the training comprises: applying the first virtual data sample generated by the generator to the first classifier, thereby generating the first virtual data sample. Determining a first error with respect to, applying the first virtual data sample to the second classifier, determining a second error with respect to the first virtual data sample, and the first error and the second error. Using may include training the generator.
  • the deep learning model is a generator for generating a first virtual data sample including the class information of the evaluation target, a discriminator for performing hostile training with the generator and a classifier for classifying the class of the evaluation target It may include.
  • the first evaluation basic data includes first virtual data corresponding to a first model variable of the value evaluation model and second virtual data corresponding to a second model variable
  • the deep learning model includes the deep learning model.
  • a generator for generating first evaluation basic data wherein the generator may include a first sub-generator for generating the first virtual data and a second sub generator for generating the second virtual data. have.
  • the method further comprises obtaining second evaluation basis data associated with the class information, wherein the second evaluation basis data consists of actual data samples.
  • the method may include determining a first valuation value based on the first valuation basis data, determining a second valuation value based on the second valuation basis data, and the first valuation value and the first value. Based on the two valuation values, determining the final valuation value of the valuation object.
  • a value evaluation apparatus including a processor, a memory for loading a computer program executed by the processor, and a storage for storing the computer program.
  • the computer program may receive input of class information of an evaluation target, generate first evaluation basic data associated with the class information by using a deep learning model based on a GAN (Generic Adversarial Network), and the first evaluation basic. Instructions may be applied to apply data to a valuation model to perform an operation of evaluating the value of the valuation object.
  • the first evaluation basic data is composed of virtual data samples.
  • a computer program for solving the above technical problem is combined with a computing device, receiving class information of an evaluation target, and using a deep learning model based on a general adversarial network (GAN). Generating first evaluation basis data associated with the class information, wherein the first evaluation basis data consists of virtual data samples, and applying the first evaluation basis data to a valuation model.
  • GAN general adversarial network
  • FIG. 1 is a diagram schematically illustrating input and output data of a cash discount model.
  • FIG. 2 is a block diagram showing a value evaluation system according to an embodiment of the present invention.
  • FIG. 3 is a block diagram illustrating an apparatus for evaluating a value according to an embodiment of the present invention.
  • FIG. 4 is an exemplary diagram illustrating an association relationship between class information and data of an assessment target technology that may be referred to in some embodiments of the present disclosure.
  • FIG. 5 is a hardware block diagram showing a value evaluation apparatus according to an embodiment of the present invention.
  • FIG. 6 is a view for explaining the structure and training method of a deep learning model according to a first embodiment of the present invention.
  • FIG. 7 is an exemplary view for explaining a method of using a dummy variable that may be referred to in some embodiments of the present invention.
  • FIGS. 8 and 9 are diagrams for explaining a structure and a training method of a deep learning model according to a second embodiment of the present invention.
  • FIG. 10 is a view for explaining the structure and training method of a deep learning model according to a third embodiment of the present invention.
  • FIG. 11 is a view for explaining the structure and operation of the generator that can be referred to in some embodiments of the present invention.
  • FIG. 12 is a flowchart illustrating a deep learning based value evaluation method according to a first embodiment of the present invention.
  • FIG. 13 is a diagram illustrating input variables and equations of a cash flow discount model that may be referred to in some embodiments of the present invention.
  • FIG. 18 is a flowchart illustrating a deep learning based valuation method according to a second embodiment of the present invention.
  • 19 and 20 are diagrams for explaining the value evaluation step S380 illustrated in FIG. 18.
  • an evaluation object literally means an object of value evaluation.
  • the subject of evaluation may include all things that can be assigned quantitative value, such as technology, companies, and assets.
  • some embodiments of the present invention will be described on the assumption that the evaluation target is "technology", unless otherwise stated.
  • valuation base data refers to all data that are the basis of valuation.
  • the valuation base data may be data that is processed to apply to the company's financial data and valuation model (eg, technology life data, free cash flow data, discount rate data, technical contribution in the case of a cash flow discount model). Data, and the like).
  • class information of evaluation target means classification information defined according to a predetermined classification criterion.
  • the class information may be preferably defined based on standard classification criteria.
  • the class information is based on the IPC code defined according to the International Patent Classification (IPC), the SIC code defined according to the Standard Industrial Classification (SIC) classification standard, and the Korea Standard Industrial Classification (KSIC) classification standard. It may be desirable to be a KSIC code or the like defined accordingly.
  • an instruction is a series of instructions grouped by function and refers to a component of a computer program and executed by a processor.
  • FIG. 2 is a block diagram showing a value evaluation system according to an embodiment of the present invention.
  • FIG. 2 illustrates by way of example that a valuation system has been built to provide valuation services to multiple users.
  • the valuation system may include a valuation device 100.
  • the valuation system may further include an external DB system that stores and manages various data used for valuation.
  • each component of the valuation system illustrated in FIG. 2 represents functionally divided functional elements, and at least one component may be implemented in an integrated form in an actual physical environment.
  • the valuation device 100 is a computing device that performs a valuation on the evaluation target.
  • the computing device may be a laptop, a desktop, a laptop, and the like, but is not limited thereto and may include all kinds of devices equipped with a computing function and a communication function.
  • the computing device when providing a value evaluation service to a plurality of users, the computing device may be implemented as a high performance server computing device.
  • the valuation apparatus 100 may provide a valuation service in response to the valuation request of the user terminal 10.
  • the valuation device 100 may provide a valuation service through a web-based user interface.
  • the user can easily use the valuation service through a web browser mounted on the user terminal 10, thereby increasing convenience of the user using the valuation service.
  • the scope of the present invention is not limited thereto, and the valuation device 100 may provide a valuation service through various user interfaces in addition to the web.
  • the value evaluation apparatus 100 receives class information of an evaluation target from the user terminal 10 through a user interface, obtains evaluation basic data based on the input class information, and obtains Basic data can be applied to the valuation model to assess the value of the target.
  • the value evaluation result of the evaluation target may be provided to the user terminal 10 through the user interface.
  • a user can easily be provided with a valuation service using only class information of an evaluation target, without having specialized knowledge of a complex valuation model. Therefore, not only the user satisfaction with the valuation service may be improved, but the overall service usage environment of the valuation service may be improved.
  • the value evaluation apparatus 100 automatically generates and generates virtual evaluation basic data associated with class information of an evaluation target using a deep learning model based on a GAN (Generative Adversarial Network).
  • the evaluation basic data can be used to perform a valuation on the evaluation target.
  • the conventional problem that it is difficult to secure evaluation basic data used for valuation can be solved.
  • the deep learning model is trained on a real dataset having high reliability, the reliability and accuracy of the generated evaluation basic data may also be guaranteed. Accordingly, the reliability and accuracy of the valuation results can also be solved. A more detailed description of this embodiment will be described later with reference to the drawings of FIG. 3.
  • the GAN consists of a generator that generates a virtual data sample and a discriminator that determines whether the input data sample is real data, and performs an adversarial training between the generator and the discriminator. It means the machine learning model that is built through. Those skilled in the field of machine learning will already be familiar with the basic content of the GAN, so further description of the GAN will be omitted.
  • the structure and training method of the GAN based deep learning model that can be utilized in some embodiments of the present invention will be described later with reference to FIGS. 6 to 11.
  • the value valuation device 100 and the user terminal 10 may communicate via a network.
  • the network may be any type of wired / wireless network such as a local area network (LAN), a wide area network (WAN), a mobile radio communication network, a wireless broadband Internet (Wibro), or the like. Can be implemented.
  • FIG. 3 is a block diagram illustrating a value evaluation apparatus 100 according to an embodiment of the present invention.
  • the value evaluating apparatus 100 may include a user interface providing unit 110, a virtual data generating unit 120, an evaluation basic data DB 130, an actual data providing unit 140, and a value evaluating unit 150. Can be configured to include However, FIG. 3 shows only the components related to the embodiment of the present invention. Therefore, it will be appreciated by those skilled in the art that the present invention may further include other general purpose components in addition to the components shown in FIG. 3. Of course, the value valuation apparatus 100 may be implemented in a form in which some of the components shown in FIG. 3 are omitted.
  • each component of the valuation apparatus 100 illustrated in FIG. 3 represents functionally divided functional elements, and may be implemented in a form in which at least one component is integrated with each other in an actual physical environment. do.
  • the user interface providing unit 110 provides the user terminal 10 with a user interface for the valuation service.
  • the user terminal 10 may input class information of the evaluation target through the provided user interface and receive a value evaluation result.
  • the user interface may be implemented on a web basis, but the scope of the present invention is not limited thereto.
  • the virtual data generator 120 receives class information of the evaluation target and generates evaluation basic data associated with the class information by using the GAN based deep learning model.
  • the evaluation basic data is composed of virtual data samples generated by simulating the distribution of actual data. This is because the evaluation basic data is not data actually collected but data generated by the deep learning model.
  • the virtual data generation unit 120 inputs the SIC code and the random noise received from the user terminal 10 into the generator of the deep learning model, synthesizes the virtual data samples output by the generator, and calculates a virtual evaluation basis. You can generate data.
  • a training data set having the class information as a class label must be secured.
  • data corresponding to a model variable of the valuation model eg, technology life, free cash flow, etc. in the case of a cash flow discount model
  • a process of associating the collected basic data with class information of the evaluation target and processing the basic data to correspond to a model variable is required.
  • the SIC code 21 has a sales / cost ratio 22, a sales management cost 23, a depreciation ratio 24, a tangible and intangible asset ratio 25, a discount rate 26, and a technical contribution. May be associated with data 27. Such association may be determined based on a valuation model.
  • Figure 4 illustrates the case where the valuation model for the SIC code is a cash flow discount model.
  • the description continues to generate the training dataset for the deep learning model.
  • estimated data (values) for the model variables of the cash flow discount model are generated based on the association data 22 to 27. Because some of the associated data 22-27 are raw data, they cannot be directly entered into the cash flow discount model or they are less accurate.
  • the method of estimating the data for the model variable based on the association data 22 to 27 may be performed in any manner.
  • a training data set for the deep learning model may be generated by assigning a SIC code associated with the estimated data to a class label. Even if the object to be evaluated is an asset or a company, a training data set for the deep learning model may be generated in a similar manner as described above.
  • the GAN based deep learning model may be trained based on the training data set generated through the above process. In order to exclude the redundant description, a detailed description of the structure and training method of the GAN-based deep learning model will be described later with reference to FIGS. 6 to 11.
  • the evaluation basic data DB 130 is a storage storing various basic data used for valuation.
  • the evaluation basic data DB 130 may store various data such as raw data (that is, data that does not correspond to model variables), actual data samples corresponding to model variables, and virtual data samples generated by the deep learning model.
  • the actual data providing unit 140 provides evaluation basic data associated with class information of the evaluation target.
  • the evaluation basic data means basic data composed of actual data samples.
  • the actual data provider 140 may provide the value evaluator 150 with an actual data sample queried with the class information from the evaluation basic data DB 130.
  • the value evaluator 150 may provide the virtual evaluation basic data (hereinafter referred to as “first evaluation basic data”) provided from the virtual data generator 120 and / or the actual data provided from the actual data provider 140. Is evaluated by applying the evaluation basic data (hereinafter referred to as "second evaluation basic data”) to the valuation model.
  • first evaluation basic data virtual evaluation basic data
  • second evaluation basic data evaluation basic data
  • the valuation model may be a cash flow discount model.
  • the objective valuation result may be calculated according to the formula of the cash flow discount model.
  • the valuation model may be a machine learning model.
  • the value evaluation model may be a model built through machine learning such as deep learning.
  • the valuation apparatus 100 provides a valuation service according to a cash flow discount model for a predetermined period, accumulates a data set composed of class information and valuation results of the valuation, and stores the data set in the accumulated data set. Based on machine learning, you can build a valuation model.
  • a more reliable valuation model may be constructed by machine learning some datasets having excellent feedback.
  • a valuation service may be provided by using a machine learning based first valuation model and a second valuation model based on a cash flow discount model.
  • the value valuation unit 150 provides a valuation service according to the second valuation model when a certain condition (eg, when the learning maturity / accuracy of the second valuation model is less than the threshold) is satisfied, and vice versa
  • a valuation service may be provided according to the first valuation model.
  • the value valuation unit 150 may determine a final valuation result for the evaluation target according to a weighted sum of the first valuation value of the first valuation model and the second valuation value of the second valuation model. Can be provided.
  • a weight assigned to each value evaluation value may be dynamically determined based on learning maturity, accuracy, number of training datasets, etc. of the first value evaluation model.
  • Each component of FIG. 3 may refer to software or hardware such as a field programmable gate array (FPGA) or an application-specific integrated circuit (ASIC).
  • FPGA field programmable gate array
  • ASIC application-specific integrated circuit
  • the components are not limited to software or hardware, and may be configured to be in an addressable storage medium, or may be configured to execute one or more processors.
  • the functions provided in the above components may be implemented by more detailed components, or may be implemented as one component that performs a specific function by combining a plurality of components.
  • 5 is a hardware block diagram showing the value evaluation apparatus 100 according to an embodiment of the present invention.
  • the valuation device 100 may include a memory 103 that loads one or more processors 101, a bus 105, a network interface 107, and a computer program executed by the processor 101. And storage 109 for storing valuation software 109a.
  • FIG. 5 shows only the components related to the embodiment of the present invention. Therefore, it will be appreciated by those skilled in the art that the present invention may further include other general purpose components in addition to the components illustrated in FIG. 5.
  • the valuation apparatus 100 may be implemented in a form in which some of the components shown in FIG. 5 are omitted.
  • the processor 101 controls the overall operation of each component of the valuation apparatus 100.
  • the processor 101 is configured to include a central processing unit (CPU), a micro processor unit (MPU), a micro controller unit (MCU), a graphics processing unit (GPU), or any type of processor well known in the art. Can be.
  • the processor 101 may perform an operation on at least one application or program for executing a method according to embodiments of the present invention.
  • the value valuation device 100 may have one or more processors.
  • the memory 103 stores various data, commands and / or information.
  • the memory 103 may load one or more programs 109a from the storage 109 to execute the valuation method according to embodiments of the present invention.
  • RAM is illustrated as an example of the memory 103 in FIG.
  • the bus 105 provides a communication function between the components of the valuation device 100.
  • the bus 105 may be implemented as various types of buses such as an address bus, a data bus, and a control bus.
  • the network interface 107 supports wired and wireless Internet communication of the valuation device 100.
  • the network interface 107 may support various communication methods other than Internet communication.
  • the network interface 107 may comprise a communication module well known in the art.
  • the storage 109 may non-temporarily store the one or more programs 109a and evaluation basic data 109b.
  • the valuation software 109a is shown as an example of the one or more programs 109a.
  • Storage 109 is well known in the art, such as non-volatile memory, hard disks, removable disks, or the like to which the present invention pertains, such as Read Only Memory (ROM), Eraseable Programmable ROM (EPROM), Electrically Erasable Programmable ROM (EEPROM), flash memory, and the like. And any known type of computer readable recording medium.
  • ROM Read Only Memory
  • EPROM Eraseable Programmable ROM
  • EEPROM Electrically Erasable Programmable ROM
  • flash memory and the like.
  • any known type of computer readable recording medium any known type of computer readable recording medium.
  • the valuation software 109a may include instructions to, when loaded into the memory 103, cause the processor 101 to perform a deep learning based valuation method in accordance with some embodiments of the present invention.
  • the value evaluation software 109a may receive input of class information of an evaluation target, generate evaluation basic data associated with the class information by using a GAN-based deep learning model, and value the evaluation basic data. Instructions may be applied to an evaluation model to perform an operation of evaluating the value of the evaluation target.
  • the generated evaluation basic data is composed of virtual data samples.
  • each step of the valuation method may be performed by a computing device.
  • the computing device may be a value valuation device 100.
  • the description of the operation subject of each step included in the value valuation method may be omitted.
  • each step of the value valuation method may be implemented as a computer program executed by a processor when loaded into a memory.
  • the deep learning based valuation method uses a GAN based deep learning model to obtain reliable evaluation basic data. Therefore, in order to provide a better understanding, the structure and training method of the deep learning model utilized in the value valuation method will be described first with reference to FIGS. 6 to 11.
  • each data sample consists of the model variables of the KSIC code and the cash flow discount model (technical life TCT, free cash flow FCF, discount rate WACC, and technology contribution T.F).
  • KSIC code class information of the technology to be evaluated
  • the valuation model is "cash flow discount model”. Therefore, it can be seen that each data sample consists of the model variables of the KSIC code and the cash flow discount model (technical life TCT, free cash flow FCF, discount rate WACC, and technology contribution T.F).
  • the valuation model is “cash flow discount model”. Therefore, it can be seen that each data sample consists of the model variables of the KSIC code and the cash flow discount model (technical life TCT, free cash flow FCF, discount rate WACC, and technology contribution T.F).
  • TCT model variables of the KSIC code
  • free cash flow FCF free cash flow FCF
  • WACC discount rate WACC
  • T.F technology contribution
  • the deep learning model is configured to include a generator 31 and a discriminator 32.
  • the generator 31 receives the random noise 33 and generates a virtual data sample 34.
  • the discriminator 32 determines whether the input data sample is real (or virtual) data. In more detail, the discriminator 32 outputs a confidence score at which the input data sample corresponds to the actual data, and determines whether the input data sample is the actual data based on the confidence score. To this end, the discriminator 32 may be trained through the actual data sample 35 or the virtual data sample 34.
  • the training for the generator 31 after the training for the discriminator 32 is sufficiently performed at the beginning of the training. This can be done. This is because the generator 32 is trained by back-propagation of the error of the discriminator 32 determined through the error determination process 36. That is, when the error calculated during the inaccurate determination process is reverse propagated at the beginning of training, the training of the generator 31 may be adversely affected. Therefore, the training may be performed around the discriminator 32 at the beginning of the training. For example, when the training is alternately performed, the training for the discriminator 32 may be repeatedly performed more than the designated number of times, and the training for the generator 31 may be performed less than the specified number of times.
  • the categorical variable may be converted into a dummy variable having continuous data.
  • FIG. 7 illustrates by way of example that some KSIC codes have been converted to dummy variables.
  • the categorical data is converted into continuous data by assigning 0 or 1 to the dummy variables X 1 , X 2 , X 3 , and X 4 based on a specific KSIC code ("01110").
  • the value assigned to the dummy variable may vary depending on the embodiment. Those skilled in the art will clearly understand how to use the dummy variable, so further description thereof will be omitted.
  • FIGS. 8 and 9 are diagrams for explaining a structure and a training method of a deep learning model according to a second embodiment of the present invention.
  • descriptions of the same or similar contents as the above-described embodiments will be omitted, and the description will be continued based on differences from the above-described embodiments.
  • the discriminator 42 of the deep learning model according to the second embodiment is configured to include a first classifier 43 and a second classifier 44. That is, the discriminator 42 further includes one classifier 44 as compared to the discriminator 32 shown in FIG.
  • the first classifier 43 and the second classifier 44 represent functional elements that are functionally divided, and may be implemented as one neural network according to an implementation method.
  • the first classifier 43 predicts whether the input data sample is real data similar to the discriminator 32 shown in FIG.
  • the second classifier 44 predicts the class of the evaluation target based on the input data sample. That is, the first classifier 43 performs a classification function on two classes of virtual data and real data, and the second classifier 44 performs a classification function on a class (e.g. KSIC code) associated with the evaluation target.
  • a class e.g. KSIC code
  • the generator 41 receives the class information 45 of the evaluation target in addition to the random noise and generates a virtual data sample including the class information 45. Since the discriminator 42 provides two discrimination results, the generator 41 may be trained through error determination processes 46 and 47 for the two discrimination results. Hereinafter, a training method of the deep learning model will be described with reference to FIG. 9.
  • step S100 the value evaluating apparatus 100 uses the actual data sample and / or the virtual data sample including the class information to operate the first classifier 43 and the second classifier 44. Train. That is, in step S100, the class of data samples input through the classifiers 43 and 44 is predicted, the error is calculated according to the prediction result, and the back-propagated calculated error is used to classify the classifiers 43 and 44. The process of updating the weight of is performed.
  • the value evaluating apparatus 100 In operation S120, the value evaluating apparatus 100 generates a virtual data sample including class information by using the generator 41.
  • the value evaluating apparatus 100 applies the virtual data sample to the first classifier 43 and determines the first error through the error determination process 46.
  • the value evaluating apparatus 100 applies the virtual data sample to the second classifier 44 and determines the second error through the error determination process 47.
  • the value evaluating apparatus 100 trains the generator 41 using the first error and the second error. That is, in step S180, a process of updating the weight of the generator 41 by back propagating the first error and the second error is performed. At this time, the weights of the classifiers 43 and 44 may not be updated.
  • steps S100 to S180 may be repeatedly performed. That is, the training of the discriminator 42 and the generator 41 may be repeatedly performed alternately.
  • the generator 41 further trains the error of the second classifier 44 for classifying the class (eg KSIC code) to be evaluated, thereby generating an accurate virtual data sample corresponding to the class to be evaluated. It becomes possible. Accordingly, the accuracy and reliability of the valuation result can be further improved.
  • class eg KSIC code
  • FIG. 10 is a view for explaining the structure and training method of a deep learning model according to a third embodiment of the present invention.
  • descriptions of the same or similar contents as the above-described embodiments will be omitted, and the description will be continued based on differences from the above-described embodiments.
  • the deep learning model according to the third embodiment is configured to include a generator 51, a discriminator 52, and a classifier 53. That is, the deep learning model further includes a separate classifier 53 unlike the above-described embodiments. Since the classifier 53 classifies the class of the evaluation target, it may be understood that the classifier 53 performs the same function as the second classifier 44 illustrated in FIG. 8. However, the classifier 53 is different from the deep learning model according to the second embodiment in that the classifier 53 is not included in the discriminator 52.
  • the classifier 53 is used to assign a class label for evaluation to an actual data sample 54 that is not given a class label. This is to improve the accuracy and reliability of the discriminator 52 by training the discriminator 52 using more actual data samples, and further improve the accuracy of the generator 51 through hostile training.
  • the classifier 53 may be trained based on the actual data sample 56 that contains the original class label and the virtual data sample generated by the generator 51.
  • the discriminator 52 is based on the real data sample 55 with the class label, the real data sample 56 with the original class label, and the virtual data sample generated by the generator 51 via the classifier 53. Can be trained.
  • the generator 51 is trained in a similar manner as described above, so a description thereof will be omitted.
  • an actual data sample without a class label may be used as a training data set of the discriminator 52 and / or the generator 51 through a separate classifier 53. Therefore, the overall accuracy and reliability of the deep learning model can be further improved.
  • the deep learning model may be constructed through the combination of the first to third embodiments described above.
  • the deep learning model may be configured to include a first classifier 43, a discriminator including the second classifier 44, a generator, and further include a separate classifier 53.
  • the deep learning model generators (e.g. 31, 41, 51) described so far have been described on the assumption that they are composed of one neural network.
  • the generator 60 according to another embodiment of the present invention is implemented with a plurality of sub generators 61 and 63, and each of the plurality of sub generators 61 and 63 is an independent neural network. It may be implemented as.
  • the first sub generator 61 generates the first virtual data 62
  • the second sub generator 63 generates the second virtual data 64
  • the generator 60 finally generates each of the virtual data 62.
  • the virtual data samples 65 may be generated by combining the virtual data 62 and 64 generated by the sub generators 61 and 63.
  • each sub-generator 61, 63 is trained to simulate only some of the data, rather than to simulate the entire actual data sample.
  • the distribution (or characteristic) of the actual data can be more precisely simulated, and thus the reliability and accuracy of the virtual data sample can be further improved.
  • FIG. 12 is a flowchart illustrating a deep learning based value evaluation method according to a first embodiment of the present invention.
  • this is only a preferred embodiment for achieving the object of the present invention, of course, some steps may be added or deleted as necessary.
  • the value valuation apparatus 100 may, for example, establish a GAN based deep learning model by the virtual data generator 120. S200).
  • S200 For a detailed description of this step (S200) refer to the description of Figures 6 to 11.
  • the value evaluating apparatus 100 obtains class information of an evaluation target.
  • the value evaluating apparatus 100 may accurately provide the user interface providing unit 110 with a predetermined user interface and receive class information of the evaluation target from the user terminal.
  • the value evaluation apparatus 100 may receive an IPC code, an SIC code, or the like as class information of the evaluation target technology.
  • the value evaluating apparatus 100 precisely generates the evaluation basic data composed of the virtual data samples by using the GAN-based deep learning model.
  • step S260 the value valuation apparatus 100 accurately evaluates the value of the evaluation target by applying the generated evaluation basic data to the valuation model.
  • the valuation model may be a cash flow discount model, but the scope of the present invention is not limited thereto.
  • the valuation model may be implemented as a machine learning model as described above.
  • each of the fictitious data samples constituting the valuation base data includes the technical life 71, the free cash flow 72, and the discount rate 73. It will include data regarding the technical contribution 74. Therefore, the valuation apparatus 100 may apply the respective data 71 to 74 to the equation 75 based on the cash flow discount model, and perform the valuation on the evaluation target.
  • the evaluation basic data generated by the deep learning model may be composed of a plurality of data samples.
  • additional valuation results such as a valuation distribution and a valuation range may be further provided.
  • 14 and 15 are diagrams for describing an embodiment of further providing a value distribution and a range of a value to be evaluated as a value evaluation result.
  • the valuation apparatus 100 determines a plurality of valuation values by applying a plurality of data samples to a valuation model.
  • the valuation apparatus 100 may determine the plurality of valuation values by applying each of the plurality of data samples to the cash flow discount model.
  • the valuation apparatus 100 estimates the value distribution and the range of the evaluation target based on the plurality of valuation values. For example, as shown in FIG. 15, the valuation apparatus 100 derives a plurality of valuation values from the valuation basic data 76 through the cash flow discount model 77, and applies them to the plurality of valuation values. By applying a kernel density estimation technique, the value distribution 78 of the evaluation target may be estimated. In particular, FIG. 15 is shown by way of example in which a value distribution 78 of an evaluation object is provided in a graphical form. In some embodiments, the value distribution information of the evaluation target may be provided in the form of a histogram without applying the kernel density estimation technique.
  • the valuation apparatus 100 may provide value range information of the object to be evaluated.
  • the value range may be determined according to the maximum value and the minimum value of the valuation value.
  • the value range may be determined according to the upper and lower confidence limits of the value distribution.
  • the confidence level value for determining the confidence upper limit and the lower limit may vary depending on the embodiment.
  • a filtering process for the plurality of virtual data samples may be further performed. That is, except for some data samples having low reliability among the plurality of virtual data samples constituting the evaluation basic data, value evaluation may be performed on the evaluation object based on the remaining data samples.
  • this embodiment will be described in detail with reference to FIGS. 16 and 17.
  • the value valuation apparatus 100 may perform valuation on evaluation data except for some data samples having low reliability (S261 to S265).
  • the reliability of each of the plurality of virtual data samples 81 may be determined based on the confidence scores of the classifier and / or discriminator 82.
  • the classifier 82 means a machine learning model for classifying classes of evaluation targets
  • the discriminator 82 means a machine learning model for determining whether an input data sample is real data.
  • the value evaluator 100 may input each of the plurality of virtual data samples 81 into the classifier 82 to obtain a confidence score for the individual data samples.
  • the confidence score means a confidence score for class information included in an individual data sample.
  • the value evaluating apparatus 100 may perform a process 83 of comparing the obtained confidence score with a threshold value, and may derive the valuation result 85 based only on the virtual data samples that are greater than or equal to the threshold value.
  • the threshold may be a predetermined fixed value or a variation value that varies depending on a situation.
  • the threshold may be a variation value that is changed based on the number of virtual data samples generated by the deep learning model, the average confidence score, and the like.
  • the reliability determination 83 When the reliability determination 83 is performed based on the discriminator 82, the confidence score compared with the threshold becomes the confidence score for the actual data.
  • a deep learning based value evaluation method according to a second embodiment of the present invention will be described with reference to FIGS. 18 to 20.
  • the value evaluation is performed by further utilizing the actual data sample in addition to the virtual data sample.
  • descriptions will be made focusing on differences from the valuation method according to the first embodiment.
  • FIG. 18 is a flowchart illustrating a deep learning based valuation method according to a second embodiment of the present invention.
  • this is only a preferred embodiment for achieving the object of the present invention, of course, some steps may be added or deleted as necessary.
  • the value evaluating apparatus 100 more specifically, the virtual data generating unit 120 constructs a GAN based deep learning model. It is started (S300). For a detailed description of this step (S300) refer to the description of Figures 6 to 11.
  • the value evaluation apparatus 100 obtains class information of an evaluation target.
  • the value evaluating apparatus 100 precisely, the virtual data generating unit 120 generates the first evaluation basic data composed of the virtual data samples using the deep learning model.
  • step S360 the value valuation apparatus 100 obtains second evaluation basic data composed of actual data samples.
  • the second evaluation basic data may be obtained by the actual data providing unit 140 inquiring of the actual data sample associated with the class information of the evaluation target from the evaluation basic data DB 130.
  • step S380 the value valuation apparatus 100 accurately evaluates the value valuation unit 150 based on the first evaluation basic data and the second evaluation basic data. This step S380 will be described in detail with reference to FIGS. 19 and 20.
  • the valuation apparatus 100 applies respective valuation basic data to a valuation model, and uses the first and second valuation values obtained from the valuation model to determine the final valuation of the valuation object.
  • the value can be determined (S386).
  • the valuation apparatus 100 may determine the final valuation value 96 through the weighted sum of each valuation value.
  • the first valuation value calculated by applying the virtual valuation basic data 92 to the valuation model 93 and the second calculated by applying the actual valuation basic data 91 to the valuation model 93
  • the weights 94 and 95 assigned to the valuation values can be determined in various ways.
  • a higher weight may be given to the second value valuation value. This is because the reliability of the actual data sample will typically be higher than the reliability of the virtual data sample.
  • the weight of each valuation value may be determined based on the discriminator score of the discriminator for valuation basis data 91, 92.
  • the weight of the value assessment value may be determined according to the ratio between the confidence scores of the assessment basis data 91, 92.
  • the weight of the second valuation value may be determined as a relative weight. That is, as the confidence score of the virtual evaluation basic data 92 is lower, the weight of the first valuation value may be determined as a lower value, and conversely, the weight of the second valuation value may be determined as a high value. According to this embodiment, a higher weight may be given to the value evaluation value of the evaluation basic data determined to be closer to the actual data by the discriminator.
  • the weight of each valuation value may be determined based on the classifier's confidence score for each valuation basis data 91, 92.
  • the classifier refers to a machine learning model that classifies classes for evaluation targets. Since the weighting method is similar to the previous embodiment, description thereof will be omitted.
  • the weight of each valuation value may be determined taking into account both the first confidence score of the discriminator and the second confidence score of the classifier for each valuation basis data 91, 92.
  • the deep learning based valuation method according to the second embodiment of the present invention has been described with reference to FIGS. 18 to 20. According to the above-described method, when the actual data sample for the class information of the evaluation target exists, the reliability of the valuation result can be further improved by using the actual data sample as the evaluation basic data.
  • the concepts of the present invention described above with reference to FIGS. 2 through 20 may be implemented in computer readable code on a computer readable medium.
  • the computer-readable recording medium may be, for example, a removable recording medium (CD, DVD, Blu-ray disc, USB storage device, removable hard disk) or a fixed recording medium (ROM, RAM, computer equipped hard disk). Can be.
  • the computer program recorded on the computer-readable recording medium may be transmitted to another computing device and installed in the other computing device via a network such as the Internet, thereby being used in the other computing device.
  • the present invention declares that the product is supported by the following.

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

딥러닝 기반의 가치 평가 방법이 제공된다. 가치 평가 장치에 의해 수행되는 본 발명의 일 실시예에 따른 가치 평가 방법은 평가 대상의 클래스 정보를 입력받는 단계, GAN(Generative Adversarial Network) 기반의 딥러닝 모델을 이용하여, 상기 입력된 클래스 정보와 연관된 제1 평가 기초 데이터를 생성하는 단계 및 상기 제1 평가 기초 데이터를 가치 평가 모델에 적용하여 상기 평가 대상의 가치를 평가하는 단계를 포함할 수 있다. 이때, 상기 제1 평가 기초 데이터는 가상의 데이터 샘플로 구성된다.

Description

딥러닝 기반의 가치 평가 방법 및 그 장치
본 발명은 딥러닝 기반의 가치 평가 방법 및 그 장치에 관한 것이다. 보다 자세하게는, GAN(Generative Adversarial Network) 기반의 딥러닝 모델을 이용하여 가상의 평가 기초 데이터를 생성하고, 생성된 평가 기초 데이터를 이용하여 평가 대상의 가치를 평가하는 방법 및 그 방법을 수행하는 장치에 관한 것이다.
종래 유형의 대상에만 국한되었던 가치 평가가 기술과 같은 무형의 대상까지 확대되었으며, 이를 기술 가치 평가라고 한다. 무형의 대상은 대상 자체가 유형의 대상처럼 눈에 보이지 않으며, 시장 및 경제 상황 등과 같이 다양한 요인에 영향을 많이 받는다. 따라서, 기술 가치 평가는 전문가의 경험에 의존할 수밖에 없으며, 이에 따라 기술 가치 평가의 결과는 객관성이 떨어질 수 있다는 문제점이 있다.
이러한 문제점을 해결하기 위해, 현금 흐름 할인(DCF, Discounted Cash Flow) 모형을 기술 가치 평가에 적용하고자 하는 시도가 계속되어 왔다. 현금 흐름 할인 모형은 기술이 접목된 제품이나 서비스를 활용하여 사업화 주체가 미래에 창출 가능한 경제적 부가 가치를 현재 가치로 할인하여 평가하는 모형이다. 도 1에 도시된 바와 같이, 평가 대상에 대한 기초 데이터(3)가 현금 흐름 할인 모형(1)에 적용되면 모형(1)의 수식에 따라 평가 대상의 추정 가치(5)가 객관적으로 산출될 수 있다. 즉, 평가 기초 데이터의 신뢰성 및 정확성만 보장되면 현금 흐름 할인 모형을 통해 객관적이고 정확한 가치 평가 결과가 보장될 수 있다. 따라서, 현금 흐름 할인 모형은 종래 기술 가치 평가의 문제점을 해결할 수 있는 대표적인 가치 평가 모델로 평가받고 있다.
그러나, 이러한 현금 흐름 할인 모형 또한 여러가지 문제점을 가지고 있다. 현금 흐름 할인 모형은 기술의 경제적 수명, 여유 현금 흐름, 할인율, 기술 기여도 등과 같은 모델 변수의 추정 값을 요구하며, 추정 값에 따라 기술 가치 평가 결과에 큰 편차가 발생한다. 따라서, 모델 변수의 추정 값을 정확하게 산출하는 것이 무엇보다 중요하다.
그러나, 창업 초기의 기업과 같은 경우에는 미래의 재무 계획 수립을 통한 현금 흐름의 추정 자체가 매우 어려우며, 할인율이나 기술 기여도 등을 추정함에 있어서도 미래 시장의 불확실성이 제대로 반영되기 어렵기 때문에 가치 평가 결과의 정확성 및 신뢰성이 보장되지 않는다.
아울러, 일반적인 기업이라 하더라도 모델 변수의 추정 값을 산출하기 위한 데이터(e.g. 재무 데이터 등)를 확보하는 것은 어렵기 때문에, 사실상 현금 흐름 할인 모형이 가치 평가 분야에 실용화되기는 어려운 실정이다.
나아가, 현금 흐름 할인 모형은 전문적인 지식이 없는 일반 사용자에게 활용되기 어렵다는 문제도 있다.
따라서, 가치 평가 결과의 정확성 및 신뢰성이 보장되고, 전문적인 지식이 없는 일반 사용자도 손쉽게 이용할 수 있는 새로운 가치 평가 방법이 요구된다.
본 발명이 해결하고자 하는 기술적 과제는, 평가 기초 데이터 확보의 어려움 및 가치 평가 결과의 신뢰성 문제를 해결할 수 있는 가치 평가 방법 및 그 방법을 수행하는 장치를 제공하는 것이다.
본 발명이 해결하고자 하는 다른 기술적 과제는, 가치 평가 서비스를 이용하는 사용자의 편의성 향상을 도모할 수 있는 가치 평가 방법 및 그 방법을 수행하는 장치를 제공하는 것이다.
본 발명의 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명의 기술분야에서의 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
상기 기술적 과제를 해결하기 위한, 본 발명의 일 실시예에 따른 가치 평가 방법은, 가치 평가 장치에 의해 수행되는 딥러닝 기반의 가치 평가 방법에 있어서, 평가 대상의 클래스 정보를 입력받는 단계, GAN(Generative Adversarial Network) 기반의 딥러닝 모델을 이용하여, 상기 입력된 클래스 정보와 연관된 제1 평가 기초 데이터를 생성하는 단계 및 상기 제1 평가 기초 데이터를 가치 평가 모델에 적용하여 상기 평가 대상의 가치를 평가하는 단계를 포함할 수 있다. 이때, 상기 제1 평가 기초 데이터는 가상의 데이터 샘플로 구성된다.
일 실시예에서, 상기 평가 대상은 기술이고, 상기 평가 대상의 클래스 정보는 IPC(International Patent Classification) 코드 및 SIC(Standard Industrial Classification) 코드 중 적어도 하나를 포함할 수 있다.
일 실시예에서, 상기 가치 평가 모델은 현금 흐름 할인 모형일 수 있다.
일 실시예에서, 상기 제1 평가 기초 데이터는 복수개의 데이터 샘플을 포함하고, 상기 평가 대상의 가치를 평가하는 단계는, 상기 복수개의 데이터 샘플을 상기 가치 평가 모델에 적용하여, 복수개의 가치 평가 값을 결정하는 단계 및 상기 복수개의 가치 평가 값에 커널 밀도 추정(kernel density estimation) 기법을 적용하여, 상기 평가 대상의 가치 분포를 추정하는 단계를 포함할 수 있다.
일 실시예에서, 상기 딥러닝 모델의 트레이닝 데이터는 범주형 값을 갖는 제1 변수에 관한 데이터를 포함하고, 상기 딥러닝 모델을 트레이닝하는 단계를 더 포함하되, 상기 트레이닝하는 단계는, 상기 제1 변수를 더미 변수(dummy variable)로 변환하는 단계 및 상기 더미 변수에 관한 데이터를 이용하여 상기 딥러닝 모델을 트레이닝하는 단계를 포함할 수 있다.
일 실시예에서, 상기 딥러닝 모델은 가상의 데이터 샘플을 생성하는 생성기와 상기 생성기와 함께 적대적 트레이닝(adversarial training)을 수행하는 판별기를 포함하되, 상기 판별기는 가상 데이터와 실제 데이터를 분류하는 제1 분류기와 상기 평가 대상의 클래스를 분류하는 제2 분류기를 포함하고, 상기 생성기의 입력 데이터 및 출력 데이터는 상기 평가 대상의 클래스 정보를 포함할 수 있다.
일 실시예에서, 상기 딥러닝 모델을 트레이닝하는 단계를 더 포함하되, 상기 트레이닝하는 단계는, 상기 생성기에 의해 생성된 제1 가상 데이터 샘플을 상기 제1 분류기에 적용하여, 상기 제1 가상 데이터 샘플에 대한 제1 오차를 결정하는 단계, 상기 제1 가상 데이터 샘플을 상기 제2 분류기에 적용하여, 상기 제1 가상 데이터 샘플에 대한 제2 오차를 결정하는 단계 및 상기 제1 오차 및 상기 제2 오차를 이용하여, 상기 생성기를 트레이닝하는 단계를 포함할 수 있다.
일 실시예에서, 상기 딥러닝 모델은 상기 평가 대상의 클래스 정보가 포함된 제1 가상 데이터 샘플을 생성하는 생성기와 상기 생성기와 함께 적대적 트레이닝을 수행하는 판별기 및 상기 평가 대상의 클래스를 분류하는 분류기를 포함할 수 있다.
일 실시예에서, 상기 제1 평가 기초 데이터는 상기 가치 평가 모델의 제1 모델 변수에 대응되는 제1 가상 데이터와 제2 모델 변수에 대응되는 제2 가상 데이터를 포함하고, 상기 딥러닝 모델은 상기 제1 평가 기초 데이터를 생성하는 생성기를 포함하되, 상기 생성기는 상기 제1 가상 데이터를 생성하는 제1 서브 생성기(sub-generator)와 상기 제2 가상 데이터를 생성하는 제2 서브 생성기를 포함할 수 있다.
일 실시예에서, 상기 클래스 정보와 연관된 제2 평가 기초 데이터를 획득하되, 상기 제2 평가 기초 데이터는 실제의 데이터 샘플로 구성되는 것인, 단계를 더 포함하고, 상기 평가 대상의 가치를 평가하는 단계는, 상기 제1 평가 기초 데이터에 기초하여 제1 가치 평가 값을 결정하는 단계, 상기 제2 평가 기초 데이터에 기초하여 제2 가치 평가 값을 결정하는 단계 및 상기 제1 가치 평가 값 및 상기 제2 가치 평가 값에 기초하여, 상기 평가 대상의 최종 가치 평가 값을 결정하는 단계를 포함할 수 있다.
상술한 기술적 과제를 해결하기 위한 본 발명의 다른 실시예에 따른 가치 평가 장치는, 프로세서, 상기 프로세서에 의해 실행되는 컴퓨터 프로그램을 로드(load)하는 메모리 및 상기 컴퓨터 프로그램을 저장하는 스토리지를 포함하되, 상기 컴퓨터 프로그램은, 평가 대상의 클래스 정보를 입력받는 동작, GAN(Generative Adversarial Network) 기반의 딥러닝 모델을 이용하여, 상기 클래스 정보와 연관된 제1 평가 기초 데이터를 생성하는 동작 및 상기 제1 평가 기초 데이터를 가치 평가 모델에 적용하여 상기 평가 대상의 가치를 평가하는 동작을 수행하도록 하는 인스트럭션들(instructions)을 포함할 수 있다. 이때, 상기 제1 평가 기초 데이터는 가상의 데이터 샘플로 구성된다.
상술한 기술적 과제를 해결하기 위한 본 발명의 또 다른 실시예에 따른 컴퓨터 프로그램은, 컴퓨팅 장치와 결합되어, 평가 대상의 클래스 정보를 입력받는 단계, GAN(generative adversarial network) 기반의 딥러닝 모델을 이용하여, 상기 클래스 정보와 연관된 제1 평가 기초 데이터를 생성하되, 상기 제1 평가 기초 데이터는 가상의 데이터 샘플로 구성되는 것인, 단계 및 상기 제1 평가 기초 데이터를 가치 평가 모델에 적용하여 상기 평가 대상의 가치를 평가하는 단계를 실행시키기 위하여, 컴퓨터로 판독가능한 기록 매체에 저장될 수 있다.
도 1은 현금 할인 모형의 입력 및 출력 데이터를 개략적으로 나타내는 도면이다.
도 2는 본 발명의 일 실시예에 따른 가치 평가 시스템을 나타내는 구성도이다.
도 3은 본 발명의 일 실시예에 따른 가치 평가 장치를 나타내는 블록도이다.
도 4는 본 발명의 몇몇 실시예에서 참조될 수 있는 평가 대상 기술의 클래스 정보와 데이터 간의 연관 관계를 나타내는 예시도이다.
도 5는 본 발명의 일 실시예에 따른 가치 평가 장치를 나타내는 하드웨어 구성도이다.
도 6은 본 발명의 제1 실시예에 따른 딥러닝 모델의 구조 및 트레이닝 방법을 설명하기 위한 도면이다.
도 7은 본 발명의 몇몇 실시예에서 참조될 수 있는 더미 변수 활용 방법을 설명하기 위한 예시도이다.
도 8 및 도 9는 본 발명의 제2 실시예에 따른 딥러닝 모델의 구조 및 트레이닝 방법을 설명하기 위한 도면이다.
도 10은 본 발명의 제3 실시예에 따른 딥러닝 모델의 구조 및 트레이닝 방법을 설명하기 위한 도면이다.
도 11은 본 발명의 몇몇 실시예에서 참조될 수 있는 생성기의 구조 및 동작을 설명하기 위한 도면이다.
도 12는 본 발명의 제1 실시예에 따른 딥러닝 기반 가치 평가 방법을 나타내는 흐름도이다.
도 13은 본 발명의 몇몇 실시예에서 참조될 수 있는 현금 흐름 할인 모형의 입력 변수 및 수식을 나타내는 도면이다.
도 14 및 도 17은 도 13에 도시된 가치 평가 단계(S260)를 부연 설명하기 위한 도면이다.
도 18은 본 발명의 제2 실시예에 따른 딥러닝 기반 가치 평가 방법을 나타내는 흐름도이다.
도 19 및 도 20은 도 18에 도시된 가치 평가 단계(S380)를 부연 설명하기 위한 도면이다.
이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예들을 상세히 설명한다. 본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.
각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 또한, 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다.
다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있다. 또 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다. 본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다.
또한, 본 발명의 구성 요소를 설명하는 데 있어서, 제 1, 제 2, A, B, (a), (b) 등의 용어를 사용할 수 있다. 이러한 용어는 그 구성 요소를 다른 구성 요소와 구별하기 위한 것일 뿐, 그 용어에 의해 해당 구성 요소의 본질이나 차례 또는 순서 등이 한정되지 않는다. 어떤 구성 요소가 다른 구성요소에 "연결", "결합" 또는 "접속"된다고 기재된 경우, 그 구성 요소는 그 다른 구성요소에 직접적으로 연결되거나 또는 접속될 수 있지만, 각 구성 요소 사이에 또 다른 구성 요소가 "연결", "결합" 또는 "접속"될 수도 있다고 이해되어야 할 것이다.
명세서에서 사용되는 "포함한다 (comprises)" 및/또는 "포함하는 (comprising)"은 언급된 구성 요소, 단계, 동작 및/또는 소자는 하나 이상의 다른 구성 요소, 단계, 동작 및/또는 소자의 존재 또는 추가를 배제하지 않는다.
본 명세서에 대한 설명에 앞서, 본 명세서에서 사용되는 몇몇 용어들에 대하여 명확하게 하기로 한다.
본 명세서에서, 평가 대상은 글자 그대로 가치 평가의 대상을 의미한다. 상기 평가 대상은 예를 들어 기술, 기업, 자산 등 정량적인 가치를 부여할 수 있는 모든 것들을 포함할 수 있다. 다만, 이하에서는, 다른 언급이 없는 한, 상기 평가 대상은 "기술"인 것을 가정하여 본 발명의 몇몇 실시예들에 대하여 설명한다.
본 명세서에서, 평가 기초 데이터는 가치 평가의 기초가 되는 모든 데이터를 총칭한다. 예를 들어, 상기 평가 기초 데이터는 평가 대상과 관련된 기업의 재무 데이터, 가치 평가 모델에 적용하기 위해 가공된 데이터(e.g. 현금 흐름 할인 모형의 경우 기술 수명 데이터, 여유 현금 흐름 데이터, 할인율 데이터, 기술 기여도 데이터 등) 등을 포함할 수 있다.
본 명세서에서, 평가 대상의 클래스 정보는 소정의 분류 기준에 따라 정의되는 분류 정보를 의미한다. 가치 평가 서비스의 신뢰성 및 범용성을 향상시키기 위해 상기 클래스 정보는 표준 분류 기준에 의거하여 정의되는 것이 바람직할 수 있다. 가령, 평가 대상이 기술인 경우, 상기 클래스 정보는 IPC(International Patent Classification)에 따라 정의된 IPC 코드, SIC(Standard Industrial Classification) 분류 기준에 따라 정의된 SIC 코드, KSIC(Korea Standard Industrial Classification) 분류 기준에 따라 정의된 KSIC 코드 등이 되는 것이 바람직할 수 있다.
본 명세서에서, 인스트럭션(instruction)은 기능을 기준으로 묶인 일련의 명령어들로서 컴퓨터 프로그램의 구성 요소이자 프로세서에 의해 실행되는 것을 가리킨다.
이하, 본 발명의 몇몇 실시예들에 대하여 첨부된 도면에 따라 상세하게 설명한다.
도 2는 본 발명의 일 실시예에 따른 가치 평가 시스템을 나타내는 구성도이다. 특히, 도 2는 다수의 사용자에게 가치 평가 서비스를 제공하기 위해 가치 평가 시스템이 구축된 것을 예로써 도시하고 있다.
도 2를 참조하면, 상기 가치 평가 시스템은 가치 평가 장치(100)를 포함할 수 있다. 단, 이는 본 발명의 목적을 달성하기 위한 바람직한 실시예일 뿐이며, 필요에 따라 일부 구성 요소가 추가되거나 삭제될 수 있음은 물론이다. 예를 들어, 가치 평가 시스템은 가치 평가에 이용되는 각종 데이터를 저장하고 관리하는 외부의 DB 시스템을 더 포함할 수도 있다.
또한, 도 2에 도시된 가치 평가 시스템의 각각의 구성 요소들은 기능적으로 구분되는 기능 요소들을 나타낸 것으로서, 적어도 하나의 구성 요소가 실제 물리적 환경에서는 서로 통합되는 형태로 구현될 수도 있음에 유의한다.
상기 가치 평가 시스템에서, 가치 평가 장치(100)는 평가 대상에 대한 가치 평가를 수행하는 컴퓨팅 장치이다. 여기서, 상기 컴퓨팅 장치는, 노트북, 데스크톱(desktop), 랩탑(laptop) 등이 될 수 있으나, 이에 국한되는 것은 아니며 컴퓨팅 기능 및 통신 기능이 구비된 모든 종류의 장치를 포함할 수 있다. 다만, 도 2에 예시된 바와 같이, 다수의 사용자에게 가치 평가 서비스를 제공하는 경우라면, 상기 컴퓨팅 장치는 고성능의 서버 컴퓨팅 장치로 구현되는 것이 바람직할 수 있다.
도 2에 예시된 가치 평가 시스템에서, 가치 평가 장치(100)는 사용자 단말(10)의 평가 요청에 응답하여 가치 평가 서비스를 제공할 수 있다. 가령, 가치 평가 장치(100)는 웹 기반의 사용자 인터페이스를 통해 가치 평가 서비스를 제공할 수 있다. 이와 같은 경우, 사용자는 사용자 단말(10)에 탑재된 웹 브라우저를 통해 가치 평가 서비스를 손쉽게 이용할 수 있는 바, 가치 평가 서비스를 이용하는 사용자의 편의성이 증대될 수 있다. 다만, 본 발명의 범위가 이에 국한되는 것은 아니며, 가치 평가 장치(100)는 웹 이외에도 다양한 방식의 사용자 인터페이스를 통해 가치 평가 서비스를 제공할 수 있다.
본 발명의 실시예에 따르면, 가치 평가 장치(100)는 사용자 인터페이스를 통해 사용자 단말(10)로부터 평가 대상의 클래스 정보를 입력받고, 입력된 클래스 정보에 기초하여 평가 기초 데이터를 획득하며, 획득된 평가 기초 데이터를 가치 평가 모델에 적용하여 평가 대상의 가치를 평가할 수 있다. 이때, 평가 대상의 가치 평가 결과는 상기 사용자 인터페이스를 통해 사용자 단말(10)에게 제공될 수 있다. 본 실시예에 따르면, 복잡한 가치 평가 모델에 대한 전문적인 지식 없이도, 사용자는 평가 대상의 클래스 정보만 이용하여 손쉽게 가치 평가 서비스를 제공받을 수 있다. 따라서, 가치 평가 서비스에 대한 사용자 만족도가 향상될 뿐만 아니라, 가치 평가 서비스의 전반적인 서비스 이용 환경이 개선될 수 있다.
또한, 본 발명의 실시예에 따르면, 가치 평가 장치(100)는 GAN(Generative Adversarial Network) 기반의 딥러닝 모델을 이용하여 평가 대상의 클래스 정보와 연관된 가상의 평가 기초 데이터를 자동으로 생성하고, 생성된 평가 기초 데이터를 이용하여 평가 대상에 대한 가치 평가를 수행할 수 있다. 본 실시예에 따르면, 가치 평가에 이용되는 평가 기초 데이터 확보가 어렵다는 종래의 문제가 해결될 수 있다. 뿐만 아니라, 상기 딥러닝 모델은 신뢰도가 높은 실제 데이터셋으로 트레이닝되는 바, 생성되는 평가 기초 데이터의 신뢰도 및 정확도 또한 보장될 수 있다. 이에 따라, 가치 평가 결과의 신뢰성 및 정확성 문제 또한 해결될 수 있다. 본 실시예에 대한 보다 자세한 설명은 도 3 이하의 도면을 참조하여 후술하도록 한다.
참고로, GAN은 가상의 데이터 샘플을 생성하는 생성기(generator)와 입력된 데이터 샘플이 실제 데이터인지 여부를 판별하는 판별기(discriminator)로 구성되고, 생성기와 판별기 간의 적대적 트레이닝(adversarial training)을 통해 구축되는 기계 학습 모델을 의미한다. 기계 학습 분야의 당업자라면 GAN에 대한 기본적인 내용은 이미 숙지하고 있을 것인 바, GAN에 대한 더 이상의 설명은 생략하도록 한다. 본 발명의 몇몇 실시예들에서 활용될 수 있는 GAN 기반 딥러닝 모델의 구조 및 트레이닝 방법에 대해서는 도 6 내지 도 11을 참조하여 후술하도록 한다.
상기 가치 평가 시스템에서, 가치 평가 장치(100)와 사용자 단말(10)은 네트워크를 통해 통신할 수 있다. 여기서, 상기 네트워크는 근거리 통신망(Local Area Network; LAN), 광역 통신망(Wide Area Network; WAN), 이동 통신망(mobile radio communication network), Wibro(Wireless Broadband Internet) 등과 같은 모든 종류의 유/무선 네트워크로 구현될 수 있다.
지금까지 도 2를 참조하여 본 발명의 일 실시예에 따른 가치 평가 시스템에 대하여 설명하였다. 다음으로, 가치 평가 장치(100)의 구성 및 동작에 대하여 도 3 내지 도 5를 참조하여 설명한다.
도 3은 본 발명의 일 실시예에 따른 가치 평가 장치(100)를 나타내는 블록도이다.
도 3을 참조하면, 가치 평가 장치(100)는 사용자 인터페이스 제공부(110), 가상 데이터 생성부(120), 평가 기초 데이터 DB(130), 실제 데이터 제공부(140) 및 가치 평가부(150)를 포함하도록 구성될 수 있다. 다만, 도 3에는 본 발명의 실시예와 관련 있는 구성요소들만이 도시되어 있다. 따라서, 본 발명이 속한 기술분야의 통상의 기술자라면 도 3에 도시된 구성요소들 외에 다른 범용적인 구성 요소들이 더 포함될 수 있음을 알 수 있다. 물론, 가치 평가 장치(100)는 도 3에 도시된 구성 요소 중 일부 구성 요소가 생략되는 형태로 구현될 수도 있다.
또한, 도 3에 도시된 가치 평가 장치(100)의 각각의 구성 요소들은 기능적으로 구분되는 기능 요소들을 나타낸 것으로서, 적어도 하나의 구성 요소가 실제 물리적 환경에서는 서로 통합되는 형태로 구현될 수도 있음에 유의한다.
각 구성 요소를 살펴보면, 사용자 인터페이스 제공부(110)는 사용자 단말(10)에게 가치 평가 서비스에 대한 사용자 인터페이스를 제공한다. 사용자 단말(10)은 제공된 사용자 인터페이스를 통해 평가 대상의 클래스 정보를 입력하고, 가치 평가 결과를 제공받을 수 있다. 상기 사용자 인터페이스는 웹 기반으로 구현될 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다.
다음으로, 가상 데이터 생성부(120)는 평가 대상의 클래스 정보를 전달받고, GAN 기반의 딥러닝 모델을 이용하여 클래스 정보와 연관된 평가 기초 데이터를 생성한다. 여기서, 상기 평가 기초 데이터는 실제 데이터의 분포를 모사하여 생성된 가상의 데이터 샘플로 구성된다. 상기 평가 기초 데이터는 실제로 수집된 데이터가 아니라 딥러닝 모델에 의해 생성된 데이터이기 때문이다.
예를 들어, 가상 데이터 생성부(120)는 사용자 단말(10)로부터 수신된 SIC 코드와 랜덤 노이즈를 딥러닝 모델의 생성기에 입력하고, 생성기가 출력하는 가상의 데이터 샘플을 종합하여 가상의 평가 기초 데이터를 생성할 수 있다.
GAN 기반의 딥러닝 모델을 통해 신뢰도 높은 평가 기초 데이터를 생성하기 위해서는 사전에 딥러닝 모델에 대한 트레이닝이 수행되어야 한다. 또한, 트레이닝을 위한 최소한의 데이터셋이 미리 확보되어야 한다. 이하에서는, 이해의 편의를 제공하기 위해, 평가 대상이 "기술"인 경우, 상기 딥러닝 모델에 대한 트레이닝 데이터셋을 확보하는 과정에 대하여 간략하게 설명하도록 한다. 이하에서 후술될 내용은 가상 데이터 생성부(120)에 의해 수행될 수 있고, 별도의 트레이닝 모듈(미도시)에 의해 수행될 수도 있다.
평가 대상 기술의 클래스 정보(e.g. IPC 코드, SIC 코드 등)에 따라 딥러닝 모델에 의해 가상 데이터 샘플이 생성되기 위해서는, 상기 클래스 정보를 클래스 레이블로 하는 트레이닝 데이터셋이 확보되어야 한다. 또한, 상기 가상 데이터 샘플이 가치 평가 모델에 바로 적용되기 위해서는, 상기 가치 평가 모델의 모델 변수(e.g. 현금 흐름 할인 모형의 경우 기술 수명, 여유 현금 흐름 등)에 대응되는 데이터가 가상 데이터 샘플에 포함될 필요가 있다. 따라서, 실제로 수집된 기초 데이터를 평가 대상의 클래스 정보와 연관시키고, 상기 기초 데이터를 모델 변수에 대응되도록 가공하는 과정이 요구된다.
도 4는 평가 대상 기술의 클래스 정보와 수집된 기초 데이터 간의 연관 관계를 도시한다.
도 4에 도시된 바와 같이, SIC 코드(21)는 매출액/매출 원가 비율(22), 판매 관리비(23), 감가상각비 비율(24), 유무형 자산 비율(25), 할인율(26) 및 기술 기여도 데이터(27)와 연관될 수 있다. 이와 같은 연관 관계는, 가치 평가 모델에 기초하여 결정되는 것일 수 있다. 특히, 도 4는 SIC 코드에 대한 가치 평가 모델이 현금 흐름 할인 모형인 경우를 예시한 것이다.
평가 대상 기술의 클래스 정보가 SIC 코드인 경우를 가정하여 설명을 이어가면, 딥러닝 모델에 대한 트레이닝 데이터셋을 생성하기 위해, 전술한 연관 데이터(22 내지 27)가 평가 기초 데이터 DB(130) 또는 외부의 저장소로부터 획득될 수 있다. 다음으로, 연관 데이터(22 내지 27)를 기초로 현금 흐름 할인 모형의 모델 변수에 대한 추정 데이터(값)가 생성된다. 연관 데이터(22 내지 27) 중 일부는 미가공 데이터(raw data)이기 때문에, 현금 흐름 할인 모형에 바로 입력될 수 없거나 정확도가 떨어지기 때문이다. 연관 데이터(22 내지 27)를 기초로 상기 모델 변수에 대한 데이터를 추정하는 방식은 어떠한 방식으로 수행되더라도 무방하다. 다음으로, 상기 추정 데이터에 연관된 SIC 코드를 클래스 레이블로 부여함으로써 딥러닝 모델에 대한 트레이닝 데이터셋이 생성될 수 있다. 평가 대상이 자산이거나 기업인 경우에도 전술한 바와 유사한 방식으로 딥러닝 모델에 대한 트레이닝 데이터셋이 생성될 수 있다.
전술한 과정을 통해 생성된 트레이닝 데이터셋을 기초로 GAN 기반의 딥러닝 모델이 트레이닝될 수 있다. 중복된 설명을 배제하기 위해, GAN 기반의 딥러닝 모델의 구조 및 트레이닝 방법에 대한 자세한 설명은 도 6 내지 도 11을 참조하여 후술하도록 한다.
다시 도 3을 참조하면, 평가 기초 데이터 DB(130)는 가치 평가에 이용되는 각종 기초 데이터가 저장된 저장소이다. 평가 기초 데이터 DB(130)는 미가공 데이터(즉, 모델 변수에 대응되지 않는 데이터), 모델 변수에 대응되는 실제 데이터 샘플, 딥러닝 모델에 의해 생성된 가상 데이터 샘플 등 각종 데이터를 저장할 수 있다.
다음으로, 실제 데이터 제공부(140)는 평가 대상의 클래스 정보와 연관된 평가 기초 데이터를 제공한다. 여기서, 상기 평가 기초 데이터는 실제 데이터 샘플로 구성된 기초 데이터를 의미한다. 예를 들어, 실제 데이터 제공부(140)는 평가 기초 데이터 DB(130)에서 상기 클래스 정보로 조회된 실제 데이터 샘플을 가치 평가부(150)로 제공할 수 있다.
다음으로, 가치 평가부(150)는 가상 데이터 생성부(120)로부터 제공받은 가상의 평가 기초 데이터(이하, "제1 평가 기초 데이터") 및/또는 실제 데이터 제공부(140)로부터 제공받은 실제의 평가 기초 데이터(이하, "제2 평가 기초 데이터")를 가치 평가 모델에 적용하여 평가 대상의 가치를 평가한다.
일 실시예에서, 상기 가치 평가 모델은 현금 흐름 할인 모형일 수 있다. 본 실시예에 따르면, 현금 흐름 할인 모형의 수식에 따라 객관적인 가치 평가 결과가 산출될 수 있다.
일 실시예에서, 상기 가치 평가 모델은 기계 학습 모델일 수 있다. 예를 들어, 상기 가치 평가 모델은 딥러닝 등의 기계 학습을 통해 구축된 모델일 수 있다. 보다 구체적인 예를 들면, 가치 평가 장치(100)는 일정 기간 동안 현금 흐름 할인 모형에 따라 가치 평가 서비스를 제공하며 평가 대상의 클래스 정보와 가치 평가 결과로 구성된 데이터셋을 축적하고, 축적된 데이터셋에 기초한 기계 학습을 통해 가치 평가 모델을 구축할 수 있다. 또한, 가치 평가 서비스를 제공받은 사용자의 피드백을 얻을 수 있다면, 피드백이 우수한 일부 데이터셋을 기계 학습하여 보다 신뢰도 높은 가치 평가 모델이 구축될 수도 있다.
또한, 실시예에 따라, 기계 학습 기반의 제1 가치 평가 모델과 현금 흐름 할인 모형에 따른 제2 가치 평가 모델을 혼용하여 가치 평가 서비스가 제공될 수도 있다. 예를 들어, 가치 평가부(150)는 일정 조건(e.g. 제2 가치 평가 모델의 학습 성숙도/정확도가 임계치 미만인 경우)이 만족되면 상기 제2 가치 평가 모델에 따라 가치 평가 서비스를 제공하고, 반대의 경우 상기 제1 가치 평가 모델에 따라 가치 평가 서비스를 제공할 수 있다. 다른 예를 들어, 가치 평가부(150)는 상기 제1 가치 평가 모델의 제1 가치 평가 값과 상기 제2 가치 평가 모델의 제2 가치 평가 값의 가중치 합에 따라 평가 대상에 대한 최종 가치 평가 결과를 제공할 수 있다. 이때, 각 가치 평가 값에 부여되는 가중치는 상기 제1 가치 평가 모델의 학습 성숙도, 정확도, 트레이닝 데이터셋의 개수 등에 기초하여 동적으로 결정될 수 있다.
가치 평가부(150)가 평가 대상에 대한 가치를 평가하는 방법에 대한 자세한 설명은 도 11 내지 도 17, 도 18 내지 도 20의 설명 부분을 더 참조하도록 한다.
도 3의 각 구성 요소는 소프트웨어(Software) 또는, FPGA(Field Programmable Gate Array)나 ASIC(Application-Specific Integrated Circuit)과 같은 하드웨어(Hardware)를 의미할 수 있다. 그렇지만, 상기 구성 요소들은 소프트웨어 또는 하드웨어에 한정되는 의미는 아니며, 어드레싱(Addressing)할 수 있는 저장 매체에 있도록 구성될 수도 있고, 하나 또는 그 이상의 프로세서들을 실행시키도록 구성될 수도 있다. 상기 구성 요소들 안에서 제공되는 기능은 더 세분화된 구성 요소에 의하여 구현될 수 있으며, 복수의 구성 요소들을 합하여 특정한 기능을 수행하는 하나의 구성 요소로 구현될 수도 있다.
도 5는 본 발명의 일실시예에 따른 가치 평가 장치(100)를 나타내는 하드웨어 구성도이다.
도 5를 참조하면, 가치 평가 장치(100)는 하나 이상의 프로세서(101), 버스(105), 네트워크 인터페이스(107), 프로세서(101)에 의하여 수행되는 컴퓨터 프로그램을 로드(load)하는 메모리(103)와, 가치 평가 소프트웨어(109a)를 저장하는 스토리지(109)를 포함할 수 있다. 다만, 도 5에는 본 발명의 실시예와 관련 있는 구성요소들만이 도시되어 있다. 따라서, 본 발명이 속한 기술분야의 통상의 기술자라면 도 5에 도시된 구성요소들 외에 다른 범용적인 구성 요소들이 더 포함될 수 있음을 알 수 있다. 물론, 가치 평가 장치(100)는 도 5에 도시된 구성 요소 중 일부 구성 요소가 생략되는 형태로 구현될 수도 있다.
프로세서(101)는 가치 평가 장치(100)의 각 구성의 전반적인 동작을 제어한다. 프로세서(101)는 CPU(Central Processing Unit), MPU(Micro Processor Unit), MCU(Micro Controller Unit), GPU(Graphic Processing Unit) 또는 본 발명의 기술 분야에 잘 알려진 임의의 형태의 프로세서를 포함하여 구성될 수 있다. 또한, 프로세서(101)는 본 발명의 실시예들에 따른 방법을 실행하기 위한 적어도 하나의 애플리케이션 또는 프로그램에 대한 연산을 수행할 수 있다. 가치 평가 장치(100)는 하나 이상의 프로세서를 구비할 수 있다.
메모리(103)는 각종 데이터, 명령 및/또는 정보를 저장한다. 메모리(103)는 본 발명의 실시예들에 따른 가치 평가 방법을 실행하기 위하여 스토리지(109)로부터 하나 이상의 프로그램(109a)을 로드할 수 있다. 도 5에서 메모리(103)의 예시로 RAM이 도시되었다.
버스(105)는 가치 평가 장치(100)의 구성 요소 간 통신 기능을 제공한다. 버스(105)는 주소 버스(Address Bus), 데이터 버스(Data Bus) 및 제어 버스(Control Bus) 등 다양한 형태의 버스로 구현될 수 있다.
네트워크 인터페이스(107)는 가치 평가 장치(100)의 유무선 인터넷 통신을 지원한다. 또한, 네트워크 인터페이스(107)는 인터넷 통신 외의 다양한 통신 방식을 지원할 수도 있다. 이를 위해, 네트워크 인터페이스(107)는 본 발명의 기술 분야에 잘 알려진 통신 모듈을 포함하여 구성될 수 있다.
스토리지(109)는 상기 하나 이상의 프로그램(109a), 평가 기초 데이터(109b)를 비임시적으로 저장할 수 있다. 도 5에서 상기 하나 이상의 프로그램(109a)의 예시로 가치 평가 소프트웨어(109a)가 도시되었다.
스토리지(109)는 ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리 등과 같은 비휘발성 메모리, 하드 디스크, 착탈형 디스크, 또는 본 발명이 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터로 읽을 수 있는 기록 매체를 포함하여 구성될 수 있다.
가치 평가 소프트웨어(109a)는 메모리(103)에 로드될 때 프로세서(101)로 하여금 본 발명의 몇몇 실시예들에 따른 딥러닝 기반 가치 평가 방법을 수행하도록 인스트럭션들을 포함할 수 있다.
예를 들어, 가치 평가 소프트웨어(109a)는 평가 대상의 클래스 정보를 입력받는 동작, GAN 기반의 딥러닝 모델을 이용하여, 상기 클래스 정보와 연관된 평가 기초 데이터를 생성하는 동작 및 상기 평가 기초 데이터를 가치 평가 모델에 적용하여 상기 평가 대상의 가치를 평가하는 동작을 수행하도록 하는 인스트럭션들을 포함할 수 있다. 이때, 상기 생성된 평가 기초 데이터는 가상의 데이터 샘플로 구성된다.
지금까지, 도 3 내지 도 5를 참조하여 본 발명의 실시예에 따른 가치 평가 장치(100)의 구성 및 동작에 대하여 설명하였다. 이하에서는, 도 6 이하의 도면을 참조하여 본 발명의 몇몇 실시예들에 따른 딥러닝 기반의 가치 평가 방법에 대하여 상세하게 설명한다.
이하에서 후술될 가치 평가 방법의 각 단계는, 컴퓨팅 장치에 의해 수행될 수 있다. 예를 들어, 상기 컴퓨팅 장치는 가치 평가 장치(100)일 수 있다. 다만, 설명의 편의를 위해, 상기 가치 평가 방법에 포함되는 각 단계의 동작 주체는 그 기재가 생략될 수도 있다. 또한, 상기 가치 평가 방법의 각 단계는 메모리에 로드될 때 프로세서에 의해 수행되는 컴퓨터 프로그램으로 구현될 수 있다.
본 발명의 몇몇 실시예들에 따른 딥러닝 기반 가치 평가 방법은 신뢰성 있는 평가 기초 데이터를 확보하기 위해 GAN 기반의 딥러닝 모델을 이용한다. 따라서, 보다 이해의 편의를 제공하기 위해, 도 6 내지 도 11을 참조하여 상기 가치 평가 방법에 활용되는 딥러닝 모델의 구조 및 트레이닝 방법에 대하여 먼저 설명하도록 한다.
도 6은 본 발명의 제1 실시예에 따른 딥러닝 모델의 구조 및 트레이닝 방법을 설명하기 위한 도면이다. 도 6 이하의 도면에 도시된 데이터 샘플은 평가 대상 기술의 클래스 정보가 "KSIC 코드"이고, 가치 평가 모델이 "현금 흐름 할인 모형"인 것을 가정한 것이다. 따라서, 각 데이터 샘플은 KSIC 코드와 현금 흐름 할인 모형의 모델 변수(기술 수명 TCT, 여유 현금 흐름 FCF, 할인율 WACC, 기술 기여도 T.F)로 구성된 것을 알 수 있다. 다만, 이는 이해의 편의를 제공하기 위한 것일 뿐이고, 평가 대상의 종류와 가치 평가 모델의 종류에 따라 클래스 정보, 데이터 샘플의 구성 등은 얼마든지 달라질 수 있다.
도 6을 참조하면, 상기 제1 실시예에 따른 딥러닝 모델은 생성기(31) 및 판별기(32)를 포함하도록 구성된다. 생성기(31)는 랜덤 노이즈(33)를 입력 받고 가상의 데이터 샘플(34)을 생성하는 동작을 수행한다.
판별기(32)는 실제 데이터 샘플(35) 또는 가상 데이터 샘플(34)이 입력되면, 입력된 데이터 샘플이 실제(또는 가상) 데이터인지 여부에 대한 판별을 수행한다. 보다 자세하게는, 판별기(32)는 입력된 데이터 샘플이 실제 데이터에 해당할 컨피던스 스코어(confidence score)를 출력하고, 컨피던스 스코어에 기초하여 입력된 데이터 샘플이 실제 데이터인지 여부를 판별하게 된다. 이를 위해, 판별기(32)는 실제 데이터 샘플(35) 또는 가상 데이터 샘플(34)을 통해 트레이닝될 수 있다.
본 발명의 실시예에 따르면, 생성기(31)와 판별기(32) 간의 적대적 트레이닝이 수행되는 경우, 트레이닝 초기에 판별기(32)에 대한 트레이닝이 충분히 수행된 이후에 생성기(31)에 대한 트레이닝이 수행될 수 있다. 오차 판단 과정(36)을 통해 결정된 판별기(32)의 오차를 역전파(back-propagation)함으로써 생성기(32)가 트레이닝되기 때문이다. 즉, 트레이닝 초기에 부정확한 판별 과정에서 산출된 오차가 역전파되는 경우, 생성기(31)의 트레이닝에 악영향을 미칠 수 있는 바, 트레이닝 초기에는 판별기(32) 중심으로 트레이닝이 수행될 수 있다. 가령, 트레이닝이 번갈아가며 수행될 때, 판별기(32)에 대한 트레이닝은 지정된 횟수 이상으로 반복하여 수행되고, 생성기(31)에 대한 트레이닝은 지정된 횟수 미만으로 수행될 수 있다.
한편, GAN 기반의 딥러닝 모델의 입력 변수는 통상적으로 연속형 데이터를 갖는 변수이기 때문에, 효과적으로 상기 딥러닝 모델을 트레이닝하기 위해서는 범주형 변수(e.g. KSIC 코드)를 연속형 변수로 변환하는 과정이 요구될 수 있다. 따라서, 본 발명의 실시예에 따르면, 도 7에 도시된 바와 같이, 범주형 변수가 연속형 데이터를 갖는 더미 변수(dummy variable)로 변환될 수 있다. 특히, 도 7은 일부 KSIC 코드가 더미 변수로 변환된 것을 예로써 도시하고 있다. 도 7에 도시된 바와 같이, 특정 KSIC 코드("01110")를 기준으로 더미 변수(X 1, X 2, X 3, X 4)에 0 또는 1을 할당함으로써, 범주형 데이터가 연속형 데이터로 변환될 수 있다. 그러나, 더미 변수에 할당되는 값은 실시예에 따라 얼마든지 달라질 수 있다. 당해 기술 분야의 통상의 기술자라면 더미 변수의 활용 방법에 대하여 자명하게 이해할 수 있을 것인 바, 더 이상의 설명은 생략하도록 한다.
지금까지 도 6 및 도 7을 참조하여 본 발명의 제1 실시예에 따른 딥러닝 모델의 구조 및 트레이닝 방법에 대하여 설명하였다. 이하에서는, 본 발명의 제2 실시예에 따른 딥러닝 모델의 구조 및 트레이닝 방법에 대하여 설명하도록 한다.
도 8 및 도 9는 본 발명의 제2 실시예에 따른 딥러닝 모델의 구조 및 트레이닝 방법을 설명하기 위한 도면이다. 이하에서는, 전술한 실시예들과 동일하거나 유사한 내용에 대한 설명은 생략하고, 전술한 실시예들과의 차이점을 중심으로 설명을 이어가도록 한다.
도 8에 도시된 바와 같이, 상기 제2 실시예에 따른 딥러닝 모델의 판별기(42)는 제1 분류기(43) 및 제2 분류기(44)를 포함하도록 구성된다. 즉, 판별기(42)는 도 6에 도시된 판별기(32)와 비교하여 하나의 분류기(44)를 더 포함한다. 참고로, 제1 분류기(43)와 제2 분류기(44)는 기능적으로 구분되는 기능 요소들을 나타낸 것으로서, 구현 방식에 따라 하나의 신경망으로 구현될 수도 있다.
제1 분류기(43)는 도 6에 도시된 판별기(32)와 유사하게 입력된 데이터 샘플이 실제 데이터인지 여부를 예측한다. 제2 분류기(44)는 입력된 데이터 샘플을 기초로 평가 대상의 클래스를 예측한다. 즉, 제1 분류기(43)는 가상 데이터와 실제 데이터 2개의 클래스에 대한 분류 기능을 수행하고, 제2 분류기(44)는 평가 대상과 연관된 클래스(e.g. KSIC 코드)에 대한 분류 기능을 수행한다.
생성기(41)는 랜덤 노이즈 외에도 평가 대상의 클래스 정보(45)를 더 입력받고, 클래스 정보(45)가 포함된 가상의 데이터 샘플을 생성한다. 판별기(42)는 2가지의 판별 결과를 제공하므로, 생성기(41)는 2가지 판별 결과에 대한 오차 판단 과정(46, 47)를 통해 트레이닝될 수 있다. 이하에서, 도 9를 참조하여 상기 딥러닝 모델의 트레이닝 방법에 대하여 부연 설명하도록 한다.
도 9를 참조하면, 단계(S100)에서, 가치 평가 장치(100)는 클래스 정보가 포함된 실제 데이터 샘플 및/또는 가상 데이터 샘플을 이용하여 제1 분류기(43) 및 제2 분류기(44)를 트레이닝한다. 즉, 본 단계(S100)에서, 각 분류기(43, 44)를 통해 입력된 데이터 샘플의 클래스를 예측하고, 예측 결과에 따른 오차를 산출하며, 산출된 오차를 역전파하여 분류기(43, 44)의 가중치를 갱신하는 과정이 수행된다.
단계(S120)에서, 가치 평가 장치(100)는 생성기(41)를 이용하여 클래스 정보가 포함된 가상 데이터 샘플을 생성한다.
단계(S140)에서, 가치 평가 장치(100)는 가상 데이터 샘플을 제1 분류기(43)에 적용하고, 오차 판단 과정(46)을 통해 제1 오차를 결정한다.
단계(S160)에서, 가치 평가 장치(100)는 가상 데이터 샘플을 제2 분류기(44)에 적용하고, 오차 판단 과정(47)을 통해 제2 오차를 결정한다.
단계(S180)에서, 가치 평가 장치(100)는 상기 제1 오차 및 상기 제2 오차를 이용하여 생성기(41)를 트레이닝한다. 즉, 본 단계(S180)에서, 상기 제1 오차 및 상기 제2 오차를 역전파하여 생성기(41)의 가중치를 갱신하는 과정이 수행된다. 이때, 분류기(43, 44)의 가중치는 갱신되지 않을 수 있다.
전술한 단계(S100 내지 S180)는 반복하여 수행될 수 있다. 즉, 판별기(42)와 생성기(41)의 트레이닝은 번갈아가며 반복적으로 수행될 수 있다.
지금까지 도 8 및 도 9를 참조하여 본 발명의 제2 실시예에 따른 딥러닝 모델의 구조 및 트레이닝 방법에 대하여 설명하였다. 상술한 방법에 따르면, 생성기(41)는 평가 대상의 클래스(e.g. KSIC 코드)를 분류하는 제2 분류기(44)의 오차를 더 트레이닝함으로써, 평가 대상의 클래스에 부합하는 정확한 가상 데이터 샘플을 생성할 수 있게 된다. 이에 따라, 가치 평가 결과의 정확성 및 신뢰성이 더욱 향상될 수 있다.
이하에서는, 본 발명의 제3 실시예에 따른 딥러닝 모델의 구조 및 트레이닝 방법에 대하여 설명하도록 한다.
도 10은 본 발명의 제3 실시예에 따른 딥러닝 모델의 구조 및 트레이닝 방법을 설명하기 위한 도면이다. 이하에서는, 전술한 실시예들과 동일하거나 유사한 내용에 대한 설명은 생략하고, 전술한 실시예들과의 차이점을 중심으로 설명을 이어가도록 한다.
도 10을 참조하면, 상기 제3 실시예에 따른 딥러닝 모델은 생성기(51), 판별기(52) 및 분류기(53)를 포함하도록 구성된다. 즉, 상기 딥러닝 모델은 전술한 실시예들과는 달리 별도의 분류기(53)를 더 포함한다. 분류기(53)는 평가 대상의 클래스를 분류하므로, 도 8에 도시된 제2 분류기(44)와 동일한 기능을 수행하는 것으로 이해될 수 있다. 그러나, 분류기(53)는 판별기(52)에 포함되지 않는 점에서 제2 실시예에 따른 딥러닝 모델과 차이가 있다.
분류기(53)는 클래스 레이블이 주어지지 않은 실제 데이터 샘플(54)에 평가 대상에 대한 클래스 레이블을 부여하는데 이용된다. 이는, 보다 많은 실제 데이터 샘플을 이용하여 판별기(52)를 트레이닝함으로써 판별기(52)의 정확성 및 신뢰성을 향상시키고, 나아가 적대적 트레이닝을 통해 생성기(51)의 정확성 또한 향상시키기 위해서이다.
분류기(53)는 본래 클래스 레이블이 포함된 실제 데이터 샘플(56) 및 생성기(51)에 의해 생성된 가상 데이터 샘플을 기초로 트레이닝될 수 있다.
판별기(52)는 분류기(53)를 통해 클래스 레이블이 부여된 실제 데이터 샘플(55), 본래 클래스 레이블이 포함된 실제 데이터 샘플(56) 및 생성기(51)가 생성한 가상 데이터 샘플을 기초로 트레이닝될 수 있다.
생성기(51)는 전술한 바와 유사한 방식으로 트레이닝되는 바, 이에 대한 설명은 생략하도록 한다.
지금까지 도 10을 참조하여 본 발명의 제3 실시예에 따른 딥러닝 모델의 구조 및 트레이닝 방법에 대하여 설명하였다. 상술한 방법에 따르면, 별도의 분류기(53)를 통해 클래스 레이블이 존재하지 않는 실제 데이터 샘플이 판별기(52) 및/또는 생성기(51)의 트레이닝 데이터셋으로 활용될 수 있다. 따라서, 딥러닝 모델의 전반적인 정확도 및 신뢰도가 더욱 향상될 수 있다.
참고로, 전술한 제1 실시예 내지 제3 실시예의 조합을 통해 딥러닝 모델이 구축될 수도 있다. 예를 들어, 딥러닝 모델은 제1 분류기(43), 제2 분류기(44)를 포함하는 판별기, 생성기를 포함하고 별도의 분류기(53)를 더 포함하도록 구성될 수도 있다.
한편, 지금까지 설명한 딥러닝 모델의 생성기(e.g. 31, 41, 51)는 하나의 신경망으로 구성된 것을 가정하여 설명하였다. 그러나, 도 11에 도시된 바와 같이, 본 발명의 다른 실시예에 따른 생성기(60)는 복수의 서브 생성기(61, 63)로 구현되고, 복수의 서브 생성기(61, 63) 각각은 독립적인 신경망으로 구현될 수도 있다.
이와 같은 경우, 제1 서브 생성기(61)는 제1 가상 데이터(62)를 생성하고, 제2 서브 생성기(63)는 제2 가상 데이터(64)를 생성하며, 생성기(60)가 최종적으로 각 서브 생성기(61, 63)에 의해 생성된 가상 데이터(62, 64)를 종합하여 가상의 데이터 샘플(65)을 생성할 수 있다.
전술한 바에 따르면, 각 서브 생성기(61, 63)가 실제 데이터 샘플 전체를 모사하도록 트레이닝되는 것이 아니라 일부 데이터만을 모사하도록 트레이닝된다. 따라서, 실제 데이터의 분포(또는 특성)가 더욱 정밀하게 모사될 수 있으며, 이에 따라, 가상 데이터 샘플의 신뢰성 및 정확성이 더욱 향상될 수 있다.
지금까지 도 6 내지 도 11을 참조하여 본 발명의 몇몇 실시예들에 따른 딥러닝 모델의 구조 및 트레이닝 방법에 대하여 설명하였다. 이하에서는, 도 12 이하의 도면을 참조하여, 본 발명의 몇몇 실시예들에 따른 딥러닝 기반 가치 평가 방법에 대한 설명을 이어가도록 한다.
도 12는 본 발명의 제1 실시예에 따른 딥러닝 기반 가치 평가 방법을 나타내는 흐름도이다. 단, 이는 본 발명의 목적을 달성하기 위한 바람직한 실시예일 뿐이며, 필요에 따라 일부 단계가 추가되거나 삭제될 수 있음은 물론이다.
도 12를 참조하면, 상기 제1 실시예에 따른 딥러닝 기반 가치 평가 방법은 가치 평가 장치(100)가, 정확하게는 가상 데이터 생성부(120)가, GAN 기반의 딥러닝 모델을 구축하는 단계(S200)에서 시작된다. 본 단계(S200)에 대한 자세한 설명은 도 6 내지 도 11에 대한 설명 부분을 참조하도록 한다.
단계(S220)에서, 가치 평가 장치(100)는 평가 대상의 클래스 정보를 획득한다. 예를 들어, 가치 평가 장치(100)는, 정확하게는 사용자 인터페이스 제공부(110)는, 소정의 사용자 인터페이스를 제공하고, 사용자 단말로부터 평가 대상의 클래스 정보를 입력받을 수 있다.
보다 구체적인 예를 들어, 평가 대상이 기술인 경우, 가치 평가 장치(100)는 IPC 코드, SIC 코드 등을 평가 대상 기술의 클래스 정보로 입력받을 수 있다.
단계(S240)에서, 가치 평가 장치(100)는, 정확하게는 가상 데이터 생성부(120)는, GAN 기반 딥러닝 모델을 이용하여 가상 데이터 샘플로 구성된 평가 기초 데이터 생성한다.
단계(S260)에서, 가치 평가 장치(100)는, 정확하게는 가치 평가부(150)는, 생성된 평가 기초 데이터를 가치 평가 모델에 적용하여 평가 대상의 가치를 평가한다. 이때, 상기 가치 평가 모델은 현금 흐름 할인 모형일 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다. 예를 들어, 상기 가치 평가 모델은 전술한 바와 같이 기계 학습 모델로 구현될 수도 있다.
현금 흐름 할인 모형이 가치 평가 모델로 이용되는 경우, 도 13에 도시된 바와 같이, 평가 기초 데이터를 구성하는 가상의 데이터 샘플 각각은 기술 수명(71), 여유 현금 흐름(72), 할인율(73), 기술 기여도(74)에 관한 데이터를 포함하게 된다. 따라서, 가치 평가 장치(100)는 각 데이터(71 내지 74)를 현금 흐름 할인 모형에 기초한 수식(75)에 적용하여, 평가 대상에 대한 가치 평가를 수행할 수 있다.
본 발명의 몇몇 실시예들에 따르면, 딥러닝 모델에 의해 생성된 평가 기초 데이터는 복수개의 데이터 샘플로 구성될 수 있다. 이와 같은 경우, 가치 평가 단계(S260)에서, 평가 대상에 대한 가치 평가 값 외에도 가치 평가 분포, 가치 평가 범위 등의 추가적인 가치 평가 결과가 더 제공될 수 있다. 이하, 도 14 내지 도 17을 참조하여, 상기 몇몇 실시예들에 대하여 설명하도록 한다.
도 14 및 도 15는 평가 대상의 가치 분포 및 범위를 가치 평가 결과로 더 제공하는 실시예를 설명하기 위한 도면이다.
도 14를 참조하면, 단계(S262)에서, 가치 평가 장치(100)는 복수개의 데이터 샘플을 가치 평가 모델에 적용하여 복수개의 가치 평가 값을 결정한다. 예를 들어, 가치 평가 장치(100)는 복수개의 데이터 샘플 각각을 현금 흐름 할인 모형에 적용하여 복수개의 가치 평가 값을 결정할 수 있다.
단계(S264)에서, 가치 평가 장치(100)는 복수개의 가치 평가 값을 기초로 평가 대상의 가치 분포 및 범위를 추정한다. 예를 들어, 도 15에 도시된 바와 같이, 가치 평가 장치(100)는 현금 흐름 할인 모형(77)을 통해 평가 기초 데이터(76)로부터 복수개의 가치 평가 값을 도출하고, 복수개의 가치 평가 값에 커널 밀도 추정(kernel density estimation) 기법을 적용함으로써 평가 대상의 가치 분포(78)를 추정할 수 있다. 특히, 도 15는 평가 대상의 가치 분포(78)가 그래프 형태로 제공된 것이 예로써 도시되었다. 실시예에 따라, 커널 밀도 추정 기법을 적용하지 않고, 히스토그램 형태로 평가 대상의 가치 분포 정보가 제공될 수도 있다.
또한, 가치 평가 장치(100)는 평가 대상의 가치 범위 정보를 제공할 수 있는데, 예를 들어, 상기 가치 범위는 상기 가치 평가 값의 최댓값과 최솟값에 따라 결정될 수 있다. 다른 예를 들어, 상기 가치 범위는 가치 분포의 신뢰 상한 값과 신뢰 하한 값에 따라 결정될 수 있다. 이때, 신뢰 상한 및 하한 값을 결정하기 위한 신뢰 수준 값은 실시예에 따라 얼마든지 달라질 수 있다.
한편, 본 발명의 실시예에 따르면, 가치 평가 결과의 신뢰성을 더욱 향상시키기 위해, 복수의 가상 데이터 샘플에 대한 필터링 과정이 더 수행될 수 있다. 즉, 평가 기초 데이터를 구성하는 복수의 가상 데이터 샘플 중에서 신뢰도가 낮은 일부 데이터 샘플을 제외하고, 나머지 데이터 샘플을 기초로 평가 대상에 대한 가치 평가가 수행될 수 있다. 이하, 본 실시예에 대하여, 도 16 및 도 17을 참조하여 부연 설명하도록 한다.
도 16에 도시된 바와 같이, 가치 평가 장치(100)는 신뢰도가 낮은 일부 데이터 샘플을 제외하고 평가 데이터에 대한 가치 평가를 수행할 수 있다(S261 내지 S265).
도 17에 도시된 바와 같이, 복수의 가상 데이터 샘플(81) 각각의 신뢰도는 분류기 및/또는 판별기(82)의 컨피던스 스코어에 기초하여 결정될 수 있다. 여기서, 분류기(82)는 평가 대상의 클래스를 분류하는 기계 학습 모델을 의미하고, 판별기(82)는 입력된 데이터 샘플이 실제 데이터인지 여부를 판별하는 기계 학습 모델을 의미한다.
보다 구체적으로, 가치 평가 장치(100)는 복수의 가상 데이터 샘플(81) 각각을 분류기(82)에 입력하여 개별 데이터 샘플에 대한 컨피던스 스코어를 획득할 수 있다. 이때, 상기 컨피던스 스코어는 개별 데이터 샘플에 포함된 클래스 정보에 대한 컨피던스 스코어를 의미한다. 다음으로, 가치 평가 장치(100)는 획득된 컨피던스 스코어를 임계치와 비교하는 과정(83)을 수행하고, 임계치 이상인 가상 데이터 샘플만을 기초로 가치 평가 결과(85)를 도출할 수 있다.
상기 임계치는 기 설정된 고정 값 또는 상황에 따라 변동되는 변동 값일 수 있다. 예를 들어, 상기 임계치는 딥러닝 모델에 의해 생성된 가상 데이터 샘플의 개수, 평균 컨피던스 스코어 등에 기초하여 변동되는 변동 값일 수 있다.
판별기(82)를 기초로 신뢰성 판단(83)을 수행하는 경우, 상기 임계치와 비교되는 컨피던스 스코어는 실제 데이터에 대한 컨피던스 스코어가 된다.
지금까지 도 14 내지 도 17을 참조하여 가치 평가 단계(S260)와 연관된 몇몇 실시예들에 대하여 설명하였다. 상술한 바에 따르면, 사용자에게 풍부한 가치 평가가 제공되는 바, 가치 평가 서비스에 대한 사용자의 만족도가 향상될 수 있다. 뿐만 아니라, 가상 데이터 샘플에 대한 필터링 과정을 통해 가치 평가 결과의 신뢰도가 더욱 향상될 수 있다.
이하에서는, 도 18 내지 도 20을 참조하여 본 발명의 제2 실시예에 따른 딥러닝 기반 가치 평가 방법에 대하여 설명하도록 한다. 상기 제2 실시예에 따른 딥러닝 기반 가치 평가 방법은 가상 데이터 샘플 외에도 실제 데이터 샘플을 더 활용하여 가치 평가를 수행한다. 이하, 상기 제1 실시예에 따른 가치 평가 방법과의 차이점을 중심으로 설명을 이어가도록 한다.
도 18은 본 발명의 제2 실시예에 따른 딥러닝 기반 가치 평가 방법을 나타내는 흐름도이다. 단, 이는 본 발명의 목적을 달성하기 위한 바람직한 실시예일 뿐이며, 필요에 따라 일부 단계가 추가되거나 삭제될 수 있음은 물론이다.
도 18을 참조하면, 상기 제2 실시예에 따른 딥러닝 기반 가치 평가 방법 또한 가치 평가 장치(100)가, 정확하게는 가상 데이터 생성부(120)가, GAN 기반의 딥러닝 모델을 구축하는 단계에서 시작된다(S300). 본 단계(S300)에 대한 자세한 설명은 도 6 내지 도 11에 대한 설명 부분을 참조하도록 한다.
단계(S320)에서, 가치 평가 장치(100)는 평가 대상의 클래스 정보를 획득한다.
단계(S340)에서, 가치 평가 장치(100)는, 정확하게는 가상 데이터 생성부(120)는, 딥러닝 모델을 이용하여 가상 데이터 샘플로 구성된 제1 평가 기초 데이터를 생성한다.
단계(S360)에서, 가치 평가 장치(100)는 실제 데이터 샘플로 구성된 제2 평가 기초 데이터를 획득한다. 예를 들어, 실제 데이터 제공부(140)가 평가 기초 데이터 DB(130)에서 평가 대상의 클래스 정보와 연관된 실제 데이터 샘플을 조회함으로써 상기 제2 평가 기초 데이터가 획득될 수 있다.
단계(S380)에서, 가치 평가 장치(100)는, 정확하게는 가치 평가부(150)는, 상기 제1 평가 기초 데이터 및 상기 제2 평가 기초 데이터를 기초로 가치 평가를 수행한다. 본 단계(S380)에 대하여, 도 19 및 도 20을 참조하여 부연 설명하도록 한다.
도 19를 참조하면, 가치 평가 장치(100)는 각각의 평가 기초 데이터를 가치 평가 모델에 적용하고, 가치 평가 모델로부터 획득된 제1 및 제2 가치 평가 값을 이용하여 평가 대상에 대한 최종 가치 평가 값을 결정할 수 있다(S386).
가령, 도 20에 도시된 바와 같이, 가치 평가 장치(100)는 각각의 가치 평가 값의 가중치 합을 통해 최종 가치 평가 값(96)을 결정할 수 있다. 이때, 가상의 평가 기초 데이터(92)를 가치 평가 모델(93)에 적용하여 산출된 제1 가치 평가 값과 실제의 평가 기초 데이터(91)를 가치 평가 모델(93)에 적용하여 산출된 제2 가치 평가 값에 부여되는 가중치(94, 95)는 다양한 방식으로 결정될 수 있다.
일 실시예에서, 상기 제2 가치 평가 값에 더 높은 가중치가 부여될 수 있다. 통상적으로 실제 데이터 샘플의 신뢰도가 가상 데이터 샘플의 신뢰도보다 높을 것이기 때문이다.
다른 실시예에서, 각 가치 평가 값의 가중치는 평가 기초 데이터(91, 92)에 대한 판별기의 컨피던스 스코어에 기초하여 결정될 수 있다. 예를 들어, 평가 기초 데이터(91, 92)의 컨피던스 스코어 간의 비율에 따라 가치 평가 값의 가중치가 결정될 수 있다. 다른 예를 들어, 가상의 평가 기초 데이터(92)의 컨피던스 스코어를 기초로 상기 제1 가치 평가 값의 가중치가 결정되면 상대적인 비중으로 상기 제2 가치 평가 값의 가중치가 결정될 수 있다. 즉, 가상의 평가 기초 데이터(92)의 컨피던스 스코어가 낮을수록 상기 제1 가치 평가 값의 가중치는 낮은 값으로 결정되고, 반대로 제2 가치 평가 값의 가중치는 높은 값으로 결정될 수 있다. 본 실시예에 따르면, 판별기에 의해 실제 데이터에 더 가깝다고 판단된 평가 기초 데이터의 가치 평가 값에 더 높은 가중치가 부여될 수 있다.
또 다른 실시예에서, 각 가치 평가 값의 가중치는 각각의 평가 기초 데이터(91, 92)에 대한 분류기의 컨피던스 스코어에 기초하여 결정될 수 있다. 이때, 상기 분류기는 평가 대상에 대한 클래스를 분류하는 기계 학습 모델을 의미한다. 가중치를 부여하는 방식은 이전 실시예와 유사하므로, 이에 대한 설명은 생략하도록 한다.
또 다른 실시예에서, 각 가치 평가 값의 가중치는 각각의 평가 기초 데이터(91, 92)에 대한 판별기의 제1 컨피던스 스코어와 분류기의 제2 컨피던스 스코어를 모두 고려하여 결정될 수도 있다.
지금까지 도 18 내지 도 20을 참조하여 본 발명의 제2 실시예에 따른 딥러닝 기반 가치 평가 방법에 대하여 설명하였다. 상술한 방법에 따르면, 평가 대상의 클래스 정보에 대한 실제 데이터 샘플이 존재하는 경우, 실제 데이터 샘플을 평가 기초 데이터로 활용함으로써 가치 평가 결과의 신뢰도가 더욱 향상될 수 있다.
지금까지 도 2 내지 도 20을 참조하여 본 발명의 몇몇 실시예들 및 그 실시예들에 따른 효과들을 언급하였다. 본 발명의 효과들은 이상에서 언급한 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
지금까지 도 2 내지 도 20을 참조하여 설명된 본 발명의 개념은 컴퓨터가 읽을 수 있는 매체 상에 컴퓨터가 읽을 수 있는 코드로 구현될 수 있다. 상기 컴퓨터로 읽을 수 있는 기록 매체는, 예를 들어 이동형 기록 매체(CD, DVD, 블루레이 디스크, USB 저장 장치, 이동식 하드 디스크)이거나, 고정식 기록 매체(ROM, RAM, 컴퓨터 구비 형 하드 디스크)일 수 있다. 상기 컴퓨터로 읽을 수 있는 기록 매체에 기록된 상기 컴퓨터 프로그램은 인터넷 등의 네트워크를 통하여 다른 컴퓨팅 장치에 전송되어 상기 다른 컴퓨팅 장치에 설치될 수 있고, 이로써 상기 다른 컴퓨팅 장치에서 사용될 수 있다.
이상에서, 본 발명의 실시예를 구성하는 모든 구성 요소들이 하나로 결합되거나 결합되어 동작하는 것으로 설명되었다고 해서, 본 발명이 반드시 이러한 실시예에 한정되는 것은 아니다. 즉, 본 발명의 목적 범위 안에서라면, 그 모든 구성요소들이 하나 이상으로 선택적으로 결합하여 동작할 수도 있다.
도면에서 동작들이 특정한 순서로 도시되어 있지만, 반드시 동작들이 도시된 특정한 순서로 또는 순차적 순서로 실행되어야만 하거나 또는 모든 도시 된 동작들이 실행되어야만 원하는 결과를 얻을 수 있는 것으로 이해되어서는 안 된다. 특정 상황에서는, 멀티태스킹 및 병렬 처리가 유리할 수도 있다. 더욱이, 위에 설명한 실시예들에서 다양한 구성들의 분리는 그러한 분리가 반드시 필요한 것으로 이해되어서는 안 되고, 설명된 프로그램 컴포넌트들 및 시스템들은 일반적으로 단일 소프트웨어 제품으로 함께 통합되거나 다수의 소프트웨어 제품으로 패키지 될 수 있음을 이해하여야 한다.
이상 첨부된 도면을 참조하여 본 발명의 실시예들을 설명하였지만, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적인 것이 아닌 것으로 이해해야만 한다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
또한, 본 발명은 아래의 사항에 의하여 지원 받은 결과물임을 선언한다.
- 과제고유번호 : 1711076914
- 부처명(정부부처기관)　 : 과학기술정보통신부
- 연구관리전문기관 : 한국과학기술정보연구원
- 연구사업명 : 데이터 기반 지능형 정보분석 체제 구축
- 연구과제명 : 데이터 기반 기술사업화 지원체제 구축　
- 기여율 : 　박현우 25%; 이종택 25%; 전승표 25%; 김병훈 25%
- 주관기관 : 한국과학기술정보연구원　　
- 연구기간 : 2018-01-01 ~ 2018-12-31

Claims (20)

  1. 가치 평가 장치에 의해 수행되는 딥러닝 기반의 가치 평가 방법에 있어서,
    평가 대상의 클래스 정보를 입력받는 단계;
    GAN(Generative Adversarial Network) 기반의 딥러닝 모델을 이용하여, 상기 입력된 클래스 정보와 연관된 제1 평가 기초 데이터를 생성하되, 상기 제1 평가 기초 데이터는 가상의 데이터 샘플로 구성되는 것인, 단계;
    상기 클래스 정보와 연관된 제2 평가 기초 데이터를 획득하되, 상기 제2 평가 기초 데이터는 실제의 데이터 샘플로 구성되는 것인, 단계;
    상기 제1 평가 기초 데이터를 가치 평가 모델에 적용하여 상기 평가 대상의 제1 가치 평가 결과를 산출하는 단계;
    상기 제2 평가 기초 데이터를 상기 가치 평가 모델에 적용하여 상기 평가 대상의 제2 가치 평가 결과를 산출하는 단계; 및
    상기 제1 가치 평가 결과 및 상기 제2 가치 평가 결과의 가중치 합에 기초하여 상기 평가 대상에 대한 최종 가치 평가 결과를 산출하는 단계를 포함하되,
    상기 딥러닝 모델은 상기 제1 평가 기초 데이터를 생성하는 생성기(generator)와 실제 데이터와 가상 데이터를 판별하는 판별기(discriminator)를 포함하고,
    상기 최종 가치 평가 결과를 산출함에 있어서, 상기 제1 가치 평가 결과와 상기 제2 가치 평가 결과에 적용되는 가중치는, 상기 제1 평가 기초 데이터를 상기 판별기에 적용하여 획득된 컨피던스 스코어(confidence score)에 기초하여 결정되는 것을 특징으로 하는,
    딥러닝 기반의 가치 평가 방법.
  2. 제1 항에 있어서,
    상기 평가 대상은 기술이고,
    상기 평가 대상의 클래스 정보는 IPC(International Patent Classification) 코드 및 SIC(Standard Industrial Classification) 코드 중 적어도 하나를 포함하는 것을 특징으로 하는,
    딥러닝 기반의 가치 평가 방법.
  3. 제1 항에 있어서,
    상기 가치 평가 모델은 현금 흐름 할인 모형인 것을 특징으로 하는,
    딥러닝 기반의 가치 평가 방법.
  4. 제1 항에 있어서,
    상기 제1 평가 기초 데이터는 복수개의 데이터 샘플을 포함하고,
    상기 제1 가치 평가 결과를 산출하는 단계는,
    상기 복수개의 데이터 샘플을 상기 가치 평가 모델에 적용하여, 복수개의 가치 평가 값을 결정하는 단계; 및
    상기 복수개의 가치 평가 값에 커널 밀도 추정(kernel density estimation) 기법을 적용하여, 상기 평가 대상의 가치 분포를 추정하는 단계를 포함하는 것을 특징으로 하는,
    딥러닝 기반의 가치 평가 방법.
  5. 제1 항에 있어서,
    상기 제1 평가 기초 데이터는 복수개의 데이터 샘플을 포함하고,
    상기 제1 가치 평가 결과를 산출하는 단계는,
    상기 복수개의 데이터 샘플 각각을 분류기(classifier)에 적용하여, 상기 클래스 정보에 대한 컨피던스 스코어를 결정하는 단계; 및
    상기 컨피던스 스코어가 임계치 이상인 데이터 샘플에 기초하여 상기 제1 가치 평가 결과를 산출하는 단계를 포함하되,
    상기 분류기는 입력된 데이터 샘플을 기초로 상기 평가 대상의 클래스를 예측하는 기계 학습 모델인 것을 특징으로 하는,
    딥러닝 기반의 가치 평가 방법.
  6. 제1 항에 있어서,
    상기 제1 평가 기초 데이터는 복수개의 데이터 샘플을 포함하고,
    상기 제1 가치 평가 결과를 산출하는 단계는,
    상기 복수개의 데이터 샘플 각각을 상기 판별기에 적용하여, 실제 데이터에 대한 컨피던스 스코어를 결정하는 단계; 및
    상기 컨피던스 스코어가 임계치 이상인 데이터 샘플에 기초하여 상기 제1 가치 평가 결과를 산출하는 단계를 포함하는 것을 특징으로 하는,
    딥러닝 기반의 가치 평가 방법.
  7. 제1 항에 있어서,
    상기 딥러닝 모델의 트레이닝 데이터는 범주형 값을 갖는 제1 변수에 관한 데이터를 포함하고,
    상기 딥러닝 모델을 트레이닝하는 단계를 더 포함하되,
    상기 트레이닝하는 단계는,
    상기 제1 변수를 더미 변수(dummy variable)로 변환하는 단계; 및
    상기 더미 변수에 관한 데이터를 이용하여 상기 딥러닝 모델을 트레이닝하는 단계를 포함하는 것을 특징으로 하는,
    딥러닝 기반의 가치 평가 방법.
  8. 제1 항에 있어서,
    상기 판별기는 가상 데이터와 실제 데이터를 분류하는 제1 분류기와 상기 평가 대상의 클래스를 분류하는 제2 분류기를 포함하되,
    상기 생성기의 입력 데이터 및 출력 데이터는 상기 평가 대상의 클래스 정보를 포함하는 것을 특징으로 하는,
    딥러닝 기반의 가치 평가 방법.
  9. 제8 항에 있어서,
    상기 딥러닝 모델을 트레이닝하는 단계를 더 포함하되,
    상기 트레이닝하는 단계는,
    상기 생성기에 의해 생성된 제1 가상 데이터 샘플을 상기 제1 분류기에 적용하여, 상기 제1 가상 데이터 샘플에 대한 제1 오차를 결정하는 단계;
    상기 제1 가상 데이터 샘플을 상기 제2 분류기에 적용하여, 상기 제1 가상 데이터 샘플에 대한 제2 오차를 결정하는 단계; 및
    상기 제1 오차 및 상기 제2 오차를 이용하여, 상기 생성기를 트레이닝하는 단계를 포함하는 것을 특징으로 하는,
    딥러닝 기반의 가치 평가 방법.
  10. 제1 항에 있어서,
    상기 딥러닝 모델은 상기 평가 대상의 클래스를 분류하는 분류기를 더 포함하는 것을 특징으로 하는,
    딥러닝 기반의 가치 평가 방법.
  11. 제10 항에 있어서,
    상기 딥러닝 모델을 트레이닝하는 단계를 더 포함하되,
    상기 트레이닝하는 단계는,
    상기 평가 대상의 클래스 정보가 포함된 제1 실제 데이터 샘플과 상기 생성기에 의해 생성된 제1 가상 데이터 샘플을 이용하여 상기 분류기를 트레이닝하는 단계;
    상기 트레이닝된 분류기를 이용하여, 상기 평가 대상의 클래스 정보가 포함되지 않은 제2 실제 데이터 샘플에 상기 평가 대상의 클래스를 부여하는 단계; 및
    상기 클래스가 부여된 상기 제2 실제 데이터 샘플을 이용하여 상기 딥러닝 모델을 트레이닝하는 단계를 포함하는 것을 특징으로 하는,
    딥러닝 기반의 가치 평가 방법.
  12. 제1 항에 있어서,
    상기 제1 평가 기초 데이터는 상기 가치 평가 모델의 제1 모델 변수에 대응되는 제1 가상 데이터와 제2 모델 변수에 대응되는 제2 가상 데이터를 포함하고,
    상기 생성기는 상기 제1 가상 데이터를 생성하는 제1 서브 생성기(sub-generator)와 상기 제2 가상 데이터를 생성하는 제2 서브 생성기를 포함하는 것을 특징으로 하는,
    딥러닝 기반의 가치 평가 방법.
  13. 프로세서;
    상기 프로세서에 의해 실행되는 컴퓨터 프로그램을 로드(load)하는 메모리; 및
    상기 컴퓨터 프로그램을 저장하는 스토리지를 포함하되,
    상기 컴퓨터 프로그램은,
    평가 대상의 클래스 정보를 입력받는 동작;
    GAN(Generative Adversarial Network) 기반의 딥러닝 모델을 이용하여, 상기 클래스 정보와 연관된 제1 평가 기초 데이터를 생성하되, 상기 제1 평가 기초 데이터는 가상의 데이터 샘플로 구성되는 것인, 동작;
    상기 클래스 정보와 연관된 제2 평가 기초 데이터를 획득하되, 상기 제2 평가 기초 데이터는 실제의 데이터 샘플로 구성되는 것인, 동작;
    상기 제1 평가 기초 데이터를 가치 평가 모델에 적용하여 상기 평가 대상의 제1 가치 평가 결과를 산출하는 동작;
    상기 제2 평가 기초 데이터를 상기 가치 평가 모델에 적용하여 상기 평가 대상의 제2 가치 평가 결과를 산출하는 동작; 및
    상기 제1 가치 평가 결과 및 상기 제2 가치 평가 결과의 가중치 합에 기초하여 상기 평가 대상에 대한 최종 가치 평가 결과를 산출하는 동작을 수행하도록 하는 인스트럭션들(instructions)을 포함하고,
    상기 딥러닝 모델은 상기 제1 평가 기초 데이터를 생성하는 생성기(generator)와 실제 데이터와 가상 데이터를 판별하는 판별기(discriminator)를 포함하고,
    상기 최종 가치 평가 결과를 산출함에 있어서, 상기 제1 가치 평가 결과와 상기 제2 가치 평가 결과에 적용되는 가중치는, 상기 제1 평가 기초 데이터를 상기 판별기에 적용하여 획득된 컨피던스 스코어(confidence score)에 기초하여 결정되는 것을 특징으로 하는,
    가치 평가 장치.
  14. 제13 항에 있어서,
    상기 평가 대상은 기술이고,
    상기 평가 대상의 클래스 정보는 IPC(International Patent Classification) 코드 및 SIC(Standard Industrial Classification) 코드 중 적어도 하나를 포함하는 것을 특징으로 하는,
    가치 평가 장치.
  15. 제13 항에 있어서,
    상기 가치 평가 모델은 현금 흐름 할인 모형인 것을 특징으로 하는,
    가치 평가 장치.
  16. 제13 항에 있어서,
    상기 제1 평가 기초 데이터는 복수개의 데이터 샘플을 포함하고,
    상기 평가 대상의 제1 가치 평가 결과를 산출하는 동작은,
    상기 복수개의 데이터 샘플을 상기 가치 평가 모델에 적용하여, 복수개의 가치 평가 값을 결정하는 동작; 및
    상기 복수개의 가치 평가 값에 커널 밀도 추정(kernel density estimation) 기법을 적용하여, 상기 평가 대상의 가치 분포를 추정하는 동작을 포함하는 것을 특징으로 하는,
    가치 평가 장치.
  17. 제13 항에 있어서,
    상기 딥러닝 모델의 트레이닝 데이터는 범주형 값을 갖는 제1 변수에 관한 데이터를 포함하고,
    상기 컴퓨터 프로그램은,
    상기 딥러닝 모델을 트레이닝하는 동작을 수행하도록 하는 인스트럭션들을 더 포함하되,
    상기 트레이닝하는 동작은,
    상기 제1 변수를 더미 변수(dummy variable)로 변환하는 동작; 및
    상기 더미 변수에 관한 데이터를 이용하여 상기 딥러닝 모델을 트레이닝하는 동작을 포함하는 것을 특징으로 하는,
    가치 평가 장치.
  18. 제13 항에 있어서,
    상기 판별기는 가상 데이터와 실제 데이터를 분류하는 제1 분류기와 상기 평가 대상의 클래스를 분류하는 제2 분류기를 포함하되,
    상기 생성기의 입력 데이터 및 출력 데이터는 상기 평가 대상의 클래스 정보를 포함하는 것을 특징으로 하는,
    가치 평가 장치.
  19. 제18 항에 있어서,
    상기 컴퓨터 프로그램은,
    상기 딥러닝 모델을 트레이닝하는 동작을 수행하도록 하는 인스트럭션들을 더 포함하되,
    상기 트레이닝하는 동작은,
    상기 생성기에 의해 생성된 제1 가상 데이터 샘플을 상기 제1 분류기에 적용하여, 상기 제1 가상 데이터 샘플에 대한 제1 오차를 결정하는 동작;
    상기 제1 가상 데이터 샘플을 상기 제2 분류기에 적용하여, 상기 제1 가상 데이터 샘플에 대한 제2 오차를 결정하는 동작; 및
    상기 제1 오차 및 상기 제2 오차를 이용하여, 상기 생성기를 트레이닝하는 동작을 포함하는 것을 특징으로 하는,
    가치 평가 장치.
  20. 컴퓨팅 장치와 결합되어,
    평가 대상의 클래스 정보를 입력받는 단계;
    GAN(Generative Adversarial Network) 기반의 딥러닝 모델을 이용하여, 상기 입력된 클래스 정보와 연관된 제1 평가 기초 데이터를 생성하되, 상기 제1 평가 기초 데이터는 가상의 데이터 샘플로 구성되는 것인, 단계;
    상기 클래스 정보와 연관된 제2 평가 기초 데이터를 획득하되, 상기 제2 평가 기초 데이터는 실제의 데이터 샘플로 구성되는 것인, 단계;
    상기 제1 평가 기초 데이터를 가치 평가 모델에 적용하여 상기 평가 대상의 제1 가치 평가 결과를 산출하는 단계;
    상기 제2 평가 기초 데이터를 상기 가치 평가 모델에 적용하여 상기 평가 대상의 제2 가치 평가 결과를 산출하는 단계; 및
    상기 제1 가치 평가 결과 및 상기 제2 가치 평가 결과의 가중치 합에 기초하여 상기 평가 대상에 대한 최종 가치 평가 결과를 산출하는 단계를 실행시키되,
    상기 딥러닝 모델은 상기 제1 평가 기초 데이터를 생성하는 생성기(generator)와 실제 데이터와 가상 데이터를 판별하는 판별기(discriminator)를 포함하고,
    상기 최종 가치 평가 결과를 산출함에 있어서, 상기 제1 가치 평가 결과와 상기 제2 가치 평가 결과에 적용되는 가중치는, 상기 제1 평가 기초 데이터를 상기 판별기에 적용하여 획득된 컨피던스 스코어(confidence score)에 기초하여 결정되는 것인, 컴퓨터로 판독가능한 기록 매체에 저장된,
    컴퓨터 프로그램.
PCT/KR2019/006911 2018-07-18 2019-06-07 딥러닝 기반의 가치 평가 방법 및 그 장치 WO2020022639A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2018-0083467 2018-07-18
KR1020180083467A KR101936029B1 (ko) 2018-07-18 2018-07-18 딥러닝 기반의 가치 평가 방법 및 그 장치

Publications (1)

Publication Number Publication Date
WO2020022639A1 true WO2020022639A1 (ko) 2020-01-30

Family

ID=65028219

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2019/006911 WO2020022639A1 (ko) 2018-07-18 2019-06-07 딥러닝 기반의 가치 평가 방법 및 그 장치

Country Status (2)

Country Link
KR (1) KR101936029B1 (ko)
WO (1) WO2020022639A1 (ko)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111461329A (zh) * 2020-04-08 2020-07-28 中国银行股份有限公司 一种模型的训练方法、装置、设备及可读存储介质
CN111563775A (zh) * 2020-05-08 2020-08-21 北京深演智能科技股份有限公司 人群划分方法及装置
CN111639861A (zh) * 2020-06-01 2020-09-08 上海大学 一种基于神经网络的绩效考核方法及系统
CN112598139A (zh) * 2020-12-22 2021-04-02 百度在线网络技术（北京）有限公司 类别编码方法、装置、设备、存储介质及程序产品
CN113627547A (zh) * 2021-08-16 2021-11-09 河北工业大学 训练方法、电弧检测方法、装置、电子设备及存储介质

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102041545B1 (ko) * 2019-03-13 2019-11-06 주식회사 위엠비 딥러닝 모델을 이용한 이벤트 예측 기반의 이벤트 모니터링 방법, 이벤트 모니터링 시스템 및 컴퓨터 프로그램
KR102330423B1 (ko) * 2019-03-29 2021-11-24 조진삼 이미지 인식 딥러닝 알고리즘을 이용한 온라인 부도 예측 시스템
CN110175507B (zh) * 2019-04-09 2023-07-04 文远知行有限公司 模型评估方法、装置、计算机设备和存储介质
CN112115257B (zh) * 2019-06-20 2023-07-14 百度在线网络技术（北京）有限公司 用于生成信息评估模型的方法和装置
CN110472753B (zh) * 2019-08-22 2023-04-18 苏宝炜 一种基于深度学习的设备设施单元评估方法及装置
KR102145698B1 (ko) * 2019-09-27 2020-08-18 주식회사 인피니그루 딥러닝 모델을 통해 예측된 해답을 해석하는 방법 및 시스템
KR102152081B1 (ko) * 2019-10-16 2020-09-04 한국과학기술정보연구원 딥러닝 기반의 가치 평가 방법 및 그 장치
CN111473962B (zh) * 2020-03-20 2022-08-16 广西电网有限责任公司电力科学研究院 一种高压断路器操动弹簧性能评估方法及系统
KR102519812B1 (ko) * 2020-07-03 2023-04-11 기술보증기금 대량 특허의 가치 평가 시스템
KR102236336B1 (ko) * 2020-10-14 2021-04-05 해양수산과학기술진흥원 인공 지능(ai) 모델에 기반한 매출 성장률 추정을 위한 전자 장치 및 그 동작 방법
KR102502271B1 (ko) * 2021-01-18 2023-02-21 (주) 애니파이브 인공지능을 기반으로 한 특허 평가 방법

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20010035256A (ko) * 2001-01-29 2001-05-07 이귀영 인터넷 웹 평가 모델을 이용한 기술가치 평가 방법
KR20150051969A (ko) * 2015-04-22 2015-05-13 유한회사 밸류스트릿 기술 가치를 평가하는 방법
JP2016224821A (ja) * 2015-06-02 2016-12-28 キヤノン株式会社 学習装置、学習装置の制御方法及びプログラム
US20170351952A1 (en) * 2016-06-01 2017-12-07 Kla-Tencor Corporation Systems and methods incorporating a neural network and a forward physical model for semiconductor applications
KR101843066B1 (ko) * 2017-08-23 2018-05-15 주식회사 뷰노 기계 학습에 있어서 데이터 확대를 이용하여 데이터의 분류를 수행하는 방법 및 이를 이용한 장치

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20010035256A (ko) * 2001-01-29 2001-05-07 이귀영 인터넷 웹 평가 모델을 이용한 기술가치 평가 방법
KR20150051969A (ko) * 2015-04-22 2015-05-13 유한회사 밸류스트릿 기술 가치를 평가하는 방법
JP2016224821A (ja) * 2015-06-02 2016-12-28 キヤノン株式会社 学習装置、学習装置の制御方法及びプログラム
US20170351952A1 (en) * 2016-06-01 2017-12-07 Kla-Tencor Corporation Systems and methods incorporating a neural network and a forward physical model for semiconductor applications
KR101843066B1 (ko) * 2017-08-23 2018-05-15 주식회사 뷰노 기계 학습에 있어서 데이터 확대를 이용하여 데이터의 분류를 수행하는 방법 및 이를 이용한 장치

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111461329A (zh) * 2020-04-08 2020-07-28 中国银行股份有限公司 一种模型的训练方法、装置、设备及可读存储介质
CN111461329B (zh) * 2020-04-08 2024-01-23 中国银行股份有限公司 一种模型的训练方法、装置、设备及可读存储介质
CN111563775A (zh) * 2020-05-08 2020-08-21 北京深演智能科技股份有限公司 人群划分方法及装置
CN111639861A (zh) * 2020-06-01 2020-09-08 上海大学 一种基于神经网络的绩效考核方法及系统
CN112598139A (zh) * 2020-12-22 2021-04-02 百度在线网络技术（北京）有限公司 类别编码方法、装置、设备、存储介质及程序产品
CN112598139B (zh) * 2020-12-22 2023-08-18 百度在线网络技术（北京）有限公司 类别编码方法、装置、设备、存储介质及程序产品
CN113627547A (zh) * 2021-08-16 2021-11-09 河北工业大学 训练方法、电弧检测方法、装置、电子设备及存储介质
CN113627547B (zh) * 2021-08-16 2024-01-26 河北工业大学 训练方法、电弧检测方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
KR101936029B1 (ko) 2019-01-11

Similar Documents

Publication Publication Date Title
WO2020022639A1 (ko) 딥러닝 기반의 가치 평가 방법 및 그 장치
WO2020096099A1 (ko) 기계 학습 방법 및 장치
WO2020256418A2 (ko) 디지털 트윈을 이용하여 가상센서를 구현하는 컴퓨팅 시스템 및 이를 이용한 실시간 데이터 수집 방법
Ramil et al. Metrics of software evolution as effort predictors-a case study
WO2022045425A1 (ko) 역강화학습 기반 배달 수단 탐지 장치 및 방법
WO2022163956A1 (ko) 인공지능 기반 매장 수요 예측 방법 및 시스템
US11620474B2 (en) Model reselection for accommodating unsatisfactory training data
WO2019132299A1 (ko) 클라우드 시스템에서의 우선 순위 기반 자원 스케일링 시스템, 장치 및 방법
WO2022231392A1 (ko) 자동 기계학습을 통한 자동 진화형 플랫폼 구현 방법 및 장치
WO2020122546A1 (ko) 특허와 논문 데이터를 활용한 국가 및 기업들의 과학 기술력 진단 및 예측 방법
WO2021075742A1 (ko) 딥러닝 기반의 가치 평가 방법 및 그 장치
Moghayedi et al. Predicting the impact size of uncertainty events on construction cost and time of highway projects using ANFIS technique
WO2021040192A1 (ko) 인공지능 모델을 학습시키는 시스템 및 방법
WO2022177345A1 (ko) 인공지능 기반으로 화면 정보를 인지하여 화면 상의 오브젝트에 이벤트를 발생시키는 방법 및 시스템
WO2022010168A1 (ko) 파킨슨병 환자에서 치매 발병 위험도 예측 방법 및 이를 이용한 치매 발병위험도 예측용 디바이스
WO2023063528A1 (ko) 시간 변동성 기반의 질환 연관성 요인 분석을 통한 질환 발병 정보 생성 장치 및 그 방법
EP3707646A1 (en) Electronic apparatus and control method thereof
JPH08320296A (ja) 電子部品の余寿命推定方法及び装置
WO2024106902A1 (ko) 심리 검사용 이미지 데이터를 이용한 성격 유형 예측 장치 및 방법
WO2023106650A1 (ko) 업무 프로세스 분석 방법
WO2023282539A1 (ko) 교육 컨텐츠 추천 방법, 교육 컨텐츠 추천 장치, 및 교육 컨텐츠 추천 시스템
WO2022191379A1 (ko) 텍스트 기반 관계 추출 방법 및 장치
WO2024090862A1 (ko) 위치 정보를 추론하기 위한 인공지능 모델을 학습하는 방법 및 전자 장치
WO2023140580A1 (ko) 인공지능 기반의 차량 as 공정 관리 서비스 제공 방법, 장치 및 프로그램
WO2022158696A1 (ko) 복수의 역량에 대한 역량평가를 수행하는 기계학습모델을 학습시키는 방법, 장치, 및 컴퓨터-판독가능매체

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19840539

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19840539

Country of ref document: EP

Kind code of ref document: A1