WO2023080531A1 - 금융 서비스를 위한 금융 모델 및 금융 데이터 가치 평가 방법 및 이러한 방법을 수행하는 장치 - Google Patents

금융 서비스를 위한 금융 모델 및 금융 데이터 가치 평가 방법 및 이러한 방법을 수행하는 장치 Download PDF

Info

Publication number
WO2023080531A1
WO2023080531A1 PCT/KR2022/016483 KR2022016483W WO2023080531A1 WO 2023080531 A1 WO2023080531 A1 WO 2023080531A1 KR 2022016483 W KR2022016483 W KR 2022016483W WO 2023080531 A1 WO2023080531 A1 WO 2023080531A1
Authority
WO
WIPO (PCT)
Prior art keywords
financial
data
artificial intelligence
segment
value
Prior art date
Application number
PCT/KR2022/016483
Other languages
English (en)
French (fr)
Inventor
강정석
Original Assignee
주식회사 에이젠글로벌
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 주식회사 에이젠글로벌 filed Critical 주식회사 에이젠글로벌
Publication of WO2023080531A1 publication Critical patent/WO2023080531A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes

Definitions

  • the present invention relates to a financial model for financial services, a method for evaluating the value of financial data, and an apparatus for performing the method. More specifically, it relates to an artificial intelligence model for financial services and a financial model for financial services and a method for evaluating the value of financial data for evaluating the value of financial data for generating the artificial intelligence model, and an apparatus for performing such a method.
  • artificial intelligence technology is beginning to be applied to various fields such as medical care, national defense, education, logistics, and games.
  • artificial intelligence technology gradually develops and more reliable artificial intelligence technology becomes common, the scope of its application is expected to expand and accelerate.
  • artificial intelligence technology is expected to play a major role in the change in the financial market.
  • artificial intelligence technology has several characteristics that can be better applied and spread in the financial market.
  • the third is that various platform companies that make up the data economy need finance, but there are not many financial institutions globally that adequately supply these demands.
  • the object of the present invention is to solve all of the above problems.
  • the present invention is a method for evaluating the value of financial data and artificial intelligence models for performing data transactions and artificial intelligence model transactions based on the values of financial data and artificial intelligence models generated based on financial data. is intended to provide
  • an object of the present invention is to form a trading market of artificial intelligence models for financial data and financial services so that various financial services can be provided through transactions of financial data and artificial intelligence models.
  • a financial model for a financial service and a financial data value evaluation method include determining a first data value based on a financial segment data group of a financial segment group by a data value measurer, the data value Determining a second data value based on financial segment data of a financial segment by a measurer, determining a third data value based on financial segment data of a lower financial segment by the data value measurer, and measuring the data value
  • the method may further include determining a value of financial segment data based on the first data value, the second data value, and the third data value.
  • the first data value includes a first lower data value 1 and a first lower data value 2, and the first lower data value 1 indicates how high reliability is when the financial segment data group is used for a specific artificial intelligence model. It is determined based on whether an artificial intelligence model is generated, the first lower data value 2 is determined based on how universally available the financial segment data group is in various artificial intelligence models, and the second data value is 2 lower data value 1 and 2 lower data value 2, wherein the second lower data value 1 indicates how highly reliable an artificial intelligence model is generated when the financial segment data of the financial segment is used for a specific artificial intelligence model The second lower data value 2 is determined based on how universally available the financial segment data of the financial segment is in various artificial intelligence models, and the third lower data value is the third lower data value 1 and a third lower data value 2, wherein the third lower data value 1 is determined based on how highly reliable an artificial intelligence model is generated when the financial segment data of the lower financial segment is used for a specific artificial intelligence model, , The third lower data value 2 may be determined based on how universally available
  • the financial model and financial data value evaluation method for financial services includes determining a first model value based on the first model value determination by the artificial intelligence model value measurement unit, and determining a second model value by the artificial intelligence model value measurement unit. Determining a second model value based on the judgment, further comprising determining a third model value based on the third model value judgment by the artificial intelligence model value measurer, wherein the first model value is the artificial intelligence model value It is determined based on the reliability of , the second model value is determined based on the possibility of improvement of the artificial intelligence model, and the third model value is determined based on the usability of the artificial intelligence model.
  • a financial service artificial intelligence model service apparatus for performing financial model and financial data value evaluation for financial services determines a first data value based on a financial segment data group of a financial segment group; , determine a second data value based on the financial segment data of the financial segment, determine a third data value based on the financial segment data of the lower financial segment, and determine the first data value, the second data value and It may include a data value measuring unit that determines the value of the financial segment data based on the third data value.
  • the first data value includes a first lower data value 1 and a first lower data value 2, and the first lower data value 1 indicates how high reliability is when the financial segment data group is used for a specific artificial intelligence model. It is determined based on whether an artificial intelligence model is generated, the first lower data value 2 is determined based on how universally available the financial segment data group is in various artificial intelligence models, and the second data value is 2 lower data value 1 and 2 lower data value 2, wherein the second lower data value 1 indicates how highly reliable an artificial intelligence model is generated when the financial segment data of the financial segment is used for a specific artificial intelligence model The second lower data value 2 is determined based on how universally available the financial segment data of the financial segment is in various artificial intelligence models, and the third lower data value is the third lower data value 1 and a third lower data value 2, wherein the third lower data value 1 is determined based on how highly reliable an artificial intelligence model is generated when the financial segment data of the lower financial segment is used for a specific artificial intelligence model, , The third lower data value 2 may be determined based on how universally available
  • the financial service artificial intelligence model service device determines a first model value based on the first model value judgment, determines a second model value based on the second model value judgment, and determines a third model value based on the third model value judgment. Further comprising an artificial intelligence model value measuring unit implemented to determine a third model value, wherein the first model value is determined based on reliability of the artificial intelligence model, and the second model value is based on the possibility of improvement of the artificial intelligence model. , and the third model value may be determined based on the versatility of the artificial intelligence model.
  • the value of financial data and artificial intelligence models generated based on financial data by evaluating the value of financial data and artificial intelligence models generated based on financial data, the value of financial data and artificial intelligence models for conducting data transactions and artificial intelligence model transactions based thereon will be evaluated.
  • various financial services can be provided through transactions of financial data and artificial intelligence models.
  • FIG. 1 is a conceptual diagram illustrating a financial service artificial intelligence model service device according to an embodiment of the present invention.
  • FIGS. 2 and 3 are conceptual diagrams illustrating the operation of a data collection unit according to an embodiment of the present invention.
  • FIG. 4 is a conceptual diagram illustrating the operation of a data pre-processing unit according to an embodiment of the present invention.
  • FIG. 5 is a conceptual diagram illustrating a candidate artificial intelligence model generation unit according to an embodiment of the present invention.
  • FIG. 6 is a conceptual diagram illustrating an artificial intelligence model verification unit according to an embodiment of the present invention.
  • FIG. 7 is a conceptual diagram illustrating the operation of a financial segment management unit according to an embodiment of the present invention.
  • FIG. 8 is a conceptual diagram illustrating the operation of a financial segment management unit according to an embodiment of the present invention.
  • FIG. 9 is a conceptual diagram illustrating the operation of a financial segment management unit according to an embodiment of the present invention.
  • FIG. 10 is a conceptual diagram illustrating the operation of a data value measurer according to an embodiment of the present invention.
  • 11 is a conceptual diagram illustrating the operation of an artificial intelligence model value measurer according to an embodiment of the present invention.
  • FIG. 12 is a conceptual diagram illustrating the operation of a data and artificial intelligence model trading device according to an embodiment of the present invention.
  • a method for generating an artificial intelligence model for financial services according to an embodiment of the present invention, and a method for adaptively providing financial services by specifically considering characteristics of users based on data in an apparatus performing the method this is initiated
  • a data processing method and a method for generating a plurality of artificial intelligence models for adaptively providing financial services to individuals in the financial field are disclosed.
  • FIG. 1 is a conceptual diagram illustrating a financial service artificial intelligence model service device according to an embodiment of the present invention.
  • 1 discloses a financial service artificial intelligence model service device for generating an artificial intelligence model for financial services.
  • the financial service artificial intelligence model service device includes a data collection unit 100, a data pre-processing unit 110, a candidate artificial intelligence model generator 120, a candidate artificial intelligence model verification unit 130, and a data value It may include a measurement unit 140, an artificial intelligence model value measurement unit 145, an artificial intelligence model providing unit 150, a financial segment management unit 160, and a processor 170.
  • the data collection unit 100 may be implemented to collect data for financial services.
  • a unit that provides financial services based on artificial intelligence can be expressed in terms of a financial segment.
  • the financial segment may at a minimum be individuals who are provided with artificial intelligence-based financial services.
  • the financial segment may be set by a specific product unit, or by various units such as a specific region, a specific sales medium, and a specific seller group. Certain financial segments may be included in other financial segments or may have a hierarchical structure with other financial segments.
  • a separate identifier for each financial segment may be assigned, and the segment identifier may be included in financial segment data transmitted by the financial segment.
  • the financial segment data may also include information about the generation period of the data.
  • the data collection unit 100 may collect financial segment data, which is basic data for providing financial services, from financial segments.
  • the data preprocessor 110 may be implemented to preprocess the financial segment data collected by the data collector 100 .
  • the data pre-processing unit 110 may classify and/or group data for each financial segment and process the data as data for training a candidate artificial intelligence model. Also, the data pre-processing unit 110 may pre-process the data in consideration of the generation time of the financial segment data. Financial segment data can be classified and grouped in consideration of time series of data generation and provided for training of candidate artificial intelligence models.
  • the candidate artificial intelligence model generating unit 120 may be implemented to generate a candidate artificial intelligence model.
  • the candidate artificial intelligence model is a model that learns based on preprocessed financial segment data before providing actual financial services, and may be models before providing actual financial services.
  • the candidate artificial intelligence model generation unit 120 may generate candidate artificial intelligence models by performing learning based on variously classified and grouped preprocessed financial segment data. A detailed operation of the candidate artificial intelligence model generating unit 120 will be described later.
  • the candidate artificial intelligence model verification unit 130 may be implemented to verify the generated candidate artificial intelligence model. Based on the candidate artificial intelligence model, a backtest is performed to determine whether financial services can be provided, and if the backtest results show reliability higher than the critical reliability, the candidate artificial intelligence model is an artificial intelligence model providing unit that can provide financial services. It can be used as an intelligence model.
  • the data value measuring unit 140 may be implemented to measure the value of financial segment data. Depending on the reliability of the artificial intelligence model, the value of the financial segment data for which the artificial intelligence model was trained may change. As the reliability of the artificial intelligence model is relatively high, the value of the data that has been trained on the corresponding financial segment data may be set relatively high. The data value measuring unit may be implemented to calculate the value of the input financial segment data based on the learning result of the artificial intelligence model.
  • the artificial intelligence model value measurer 145 may be implemented to measure the value of an artificial intelligence model. A value measurement may be performed for each artificial intelligence model generated for each of a plurality of financial segments and each artificial intelligence model generated for each of a plurality of financial services.
  • the artificial intelligence model providing unit 150 may be implemented to provide the artificial intelligence model verified by the candidate artificial intelligence model verification unit to financial services.
  • the artificial intelligence model providing unit 150 may combine and provide various artificial intelligence models according to the financial segment, and based on the combination of these artificial intelligence models, financial services for the financial segment may be provided.
  • the financial segment management unit 160 may be implemented for managing financial segments.
  • the financial segment management unit 160 may set relationships between financial segments through grouping or hierarchical settings according to relationships between a plurality of financial segments. Grouping or hierarchical setting among a plurality of financial segments may be performed to extract optimal financial segment data for learning of an artificial intelligence model. Depending on the relationship between financial segments, financial segment data generated in another financial segment may affect other financial segments so that other financial segments may generate financial segment data.
  • the processor 170 includes a data collection unit 100, a data pre-processing unit 110, a candidate artificial intelligence model generation unit 120, a candidate artificial intelligence model verification unit 130, a data value measurement unit 140, and an artificial intelligence model It may be implemented to control the operations of the value measuring unit 145, the artificial intelligence model providing unit 150, and the financial segment management unit 160.
  • FIGS. 2 and 3 are conceptual diagrams illustrating the operation of a data collection unit according to an embodiment of the present invention.
  • 2 and 3 discloses a method of collecting data on a financial segment by a data collection unit.
  • the data collection unit 270 may collect financial segment data from each of the plurality of financial segments 200 .
  • the financial segment data 220 may include financial segment identifier information, financial segment data generation date information, financial information, and the like.
  • the financial segment identifier information may be information defined for identification for each financial segment.
  • the financial segment data generation date information may include information about when the financial segment data 220 is generated, and the financial information may include financial services or information for learning an artificial intelligence model for financial services.
  • the data collection unit 270 may directly collect the financial segment data 220 from a device corresponding to a specific financial segment, or the financial segment data generated based on the relationship between the financial segments established by the financial segment management unit 280. (220) can also be collected.
  • a method of directly collecting financial segment data 220 from a device corresponding to the financial segment 200 by the data collection unit 270 is expressed as a direct financial segment data collection method 250 .
  • a method of collecting the financial segment data 220 generated based on the relationship between the financial segments 200 established by the financial segment management unit 280 is expressed in terms of an indirect financial segment data collection method 260 .
  • the financial segment data 220 may be transmitted based on the occurrence of a specific event in the financial segment 200 or periodic/aperiodic transmission set based on the financial segment 200. For example, when an event such as a case in which sales occur in a seller device related to a specific seller (or seller) that is a target of financial services, the financial segment data 220 may be transmitted, and the financial segment set in the specific seller device Based on the data transmission period, the financial segment data 220 may be transmitted.
  • the indirect financial segment data collection method 260 is a method of collecting the financial segment data 220 generated based on the relationship between the financial segments 200 established by the financial segment management unit 280 .
  • the financial segments 200 may be grouped or hierarchically managed by the financial segment management unit 280 .
  • the financial segment management unit 280 For example, if the sale product is clothes, it is classified into a financial segment 200 for men's clothes, a financial segment 200 for children's clothes, and a financial segment 200 for women's clothes, and a plurality of these financial segments ( 200) may be grouped and set as the financial segment 200 for clothes, or the financial segment 200 for clothes may be set in a higher layer.
  • These hierarchical financial segments may be virtual modules set on a financial service artificial intelligence model service device.
  • an upper financial segment and a lower financial segment may be set by dividing into hierarchies 1 to tier n.
  • financial segment data When financial segment data is generated in the lower financial segment, financial segment data may also be generated in the upper financial segment according to set conditions.
  • financial segment data 1 305 may be generated on financial segment x 300 of layer 5.
  • financial reference data for financial services such as a change in sales of a specific seller corresponding to the financial segment x 300
  • the financial segment x 300 generates financial segment data 1 305 It can be transmitted to the data collection unit.
  • the financial segment data 1 (305) of the financial segment x (300) is generated, first, the financial segment data 1 (305) is transmitted to the financial segment y (310) of layer 4, which is an upper layer of the financial segment x (300). It can be.
  • the financial segment y 310 may determine whether to generate separate financial segment data based on the financial segment data 1 305 . If financial segment data 1 (305) does not generate a change in financial information in the financial segment y (310) corresponding to layer 4, financial segment data is not generated in layer 4 and received financial segment data 1 ( 305) may determine whether a change in separate financial information is generated in the financial segment y 310 by combining with other financial segment data that is stored and generated later.
  • financial segment data 1 (305) causes a change in separate financial information in the financial segment y (310) corresponding to layer 4
  • financial segment data 2 (315) is generated in layer 4, and financial segment data 2 315 can be sent to the data collection unit.
  • the financial segment data 2 (315) may be transmitted to the financial segment z (320), which is an upper layer of the financial segment y (310).
  • the financial segment z 320 may determine whether to generate separate financial segment data based on the financial segment data 1 305 .
  • the financial segment data 2 315 does not cause a change in financial information in the financial segment z 320 corresponding to layer 5
  • the financial segment data is not generated in layer 5 and the received financial segment data 2 ( 315) may be stored and combined with other financial segment data generated later to determine whether a separate change in financial information occurs in the financial segment z 320.
  • financial segment data 3 (325) is generated in layer 3, and financial segment data 3 325 may be sent to the data collection unit.
  • FIG. 4 is a conceptual diagram illustrating the operation of a data pre-processing unit according to an embodiment of the present invention.
  • FIG. 4 a financial segment data pre-processing operation of a data pre-processing unit for learning a candidate artificial intelligence model is disclosed.
  • the data pre-processing unit may stratify the financial segment data 400 based on the financial segment identifier 410 included in the financial segment data 400 .
  • the financial segment data 400 may be collected based on the direct financial segment data collection method and the indirect financial segment data collection method, and based on the financial segment identifier 410 included in the financial segment data 400 A layered financial segment data structure 420 may be created.
  • the data pre-processing unit may create a financial segment data group 440 for generating a candidate artificial intelligence model based on the hierarchical financial segment data structure 420 .
  • the data pre-processing unit may utilize candidate artificial intelligence model reliability information and candidate artificial intelligence model training data information included in the candidate artificial intelligence model feedback information 430 as feedback information to determine the financial segment data group 440 .
  • the reliability of the candidate artificial intelligence model may be changed according to the setting of the financial segment data group 440, and the financial segment data group 440 may be determined in consideration of the change in reliability.
  • the data pre-processing unit may determine that only data below a specific layer is included in the financial segment data group 440 .
  • a specific layer in which data is preprocessed may be classified according to segment characteristics in consideration of the reliability of candidate artificial intelligence models for each segment characteristic, and may be set to different layers for each segment characteristic.
  • sub-financial information that can increase the reliability of the candidate artificial intelligence model among the sub-financial information may be fed back for each segment characteristic.
  • the data pre-processor may determine the financial segment data group 440 by filtering some of the lower financial information among a plurality of lower financial information included in the financial segment data 400 based on the feedback information.
  • the data preprocessor may generate a candidate artificial intelligence model having high reliability when used for learning by considering the candidate artificial intelligence model reliability information and the candidate artificial intelligence model training data information included in the candidate artificial intelligence model feedback information 430.
  • a financial segment data group 440 may be determined.
  • the data pre-processing unit may generate the financial segment data group 440 by predicting a direction of increasing reliability, but may also generate the financial segment data group 440 without considering the reliability.
  • the financial segment data group 440 generated by predicting the direction of increasing reliability is defined by the term 1st financial segment data group 450, and the financial segment data group 440 generated without considering reliability is defined as the 2nd financial segment data group 440. It may be defined in terms of a segment data group 460 .
  • the data pre-processing unit may determine the second financial segment data group 460 that has not previously been used as training data and provide it for training of the candidate artificial intelligence model.
  • the second financial segment data group 460 continuously forms the financial segment data group 440 in one direction to solve the problem of possible overfitting and to improve the new reliability of the financial segment data group 440. Can be used for verification.
  • the data pre-processing unit may separately generate the financial segment data group 440 for verification of the learning result.
  • FIG. 5 is a conceptual diagram illustrating a candidate artificial intelligence model generation unit according to an embodiment of the present invention.
  • candidate artificial intelligence models may be individually or collectively utilized for various financial services.
  • Candidate artificial intelligence models may be classified and generated in consideration of financial segments and financial services according to purposes.
  • a candidate artificial intelligence model for the financial segment is expressed by the term candidate artificial intelligence model (financial service) 500, and a candidate artificial intelligence model for financial services is expressed by the term candidate artificial intelligence model (financial service) 550. It can be.
  • Each of a plurality of financial segment data groups may be input to each of the candidate artificial intelligence model (financial segment) 500 and the candidate artificial intelligence model (financial service) 550 .
  • n candidate artificial intelligence models (financial segment) 500 may exist as candidate artificial intelligence models (financial segment 1) to candidate artificial intelligence models (financial segment n).
  • Each of the n financial segment data groups preprocessed for the candidate artificial intelligence model may be input as the candidate artificial intelligence model (financial segment 1).
  • each of the n financial segment data groups preprocessed for the candidate artificial intelligence model may be input as the candidate artificial intelligence model (financial segment n).
  • n candidate artificial intelligence models (financial services) 550 may exist as candidate artificial intelligence models (financial service 1) to candidate artificial intelligence models (financial service n).
  • Each of the n financial segment data groups preprocessed for the candidate artificial intelligence model may be input as the candidate artificial intelligence model (financial service 1).
  • each of the n financial segment data groups preprocessed for the candidate artificial intelligence model may be input as the candidate artificial intelligence model (financial service n).
  • a candidate artificial intelligence model may be generated by using a plurality of financial tax data groups for each of a financial segment and a financial service as training data.
  • FIG. 6 is a conceptual diagram illustrating an artificial intelligence model verification unit according to an embodiment of the present invention.
  • an artificial intelligence model verification unit 610 and an artificial intelligence model providing unit 620 performing verification on the generated candidate artificial intelligence model 600 are disclosed.
  • the candidate artificial intelligence model verification unit 610 may be implemented to verify the reliability of the generated candidate artificial intelligence model 600 . Based on the candidate artificial intelligence model 600, a backtest is performed on whether or not financial services can be performed, and if the backtest result shows reliability greater than or equal to the critical reliability, the candidate artificial intelligence model 600 is sent to the artificial intelligence model providing unit. It can be used as an artificial intelligence model that can provide financial services in
  • the artificial intelligence model verifier 610 may determine the reliability of each of the candidate artificial intelligence models 600 by utilizing the verification financial segment data set for each of the generated candidate artificial intelligence models 600 .
  • the threshold reliability (financial segment n) of the candidate artificial intelligence model 600 learned in correspondence with each of a plurality of financial segments may be set to different values, and the candidate artificial intelligence model learned in correspondence with each of a plurality of financial services ( 600), the threshold reliability (financial service n) may be set to different values.
  • Each of the threshold reliability (financial segment n) and the threshold reliability (financial service n) may be set as a reliability value of an artificial intelligence model previously applied to each of financial segment n and financial service n.
  • the artificial intelligence model providing unit 620 may provide the candidate artificial intelligence model 600 having higher reliability than the reliability of the artificial intelligence model previously applied to each of financial segment n and financial service n as an artificial intelligence model.
  • the artificial intelligence model providing unit may provide the candidate artificial intelligence model a as the artificial intelligence model for the first financial segment.
  • FIG. 7 is a conceptual diagram illustrating the operation of a financial segment management unit according to an embodiment of the present invention.
  • the financial segment management unit may establish a relationship between financial segments for determining a financial segment data group for learning a candidate artificial intelligence model.
  • the financial segment management unit may change the financial segment hierarchy based on the candidate artificial intelligence model feedback information.
  • the candidate artificial intelligence model feedback information includes candidate artificial intelligence model reliability information, candidate artificial intelligence model training data information, and the like.
  • the financial segment management unit adds data of a new financial segment data to the reference financial segment data group, which has previously created an artificial intelligence model with a critical reliability or higher, to compare reliability, and determines whether the newly defined financial segment data group has a positive effect on reliability. judgment can be made.
  • At least one financial segment on each of a plurality of layers located on a specific financial segment layer may be grouped to form a reference financial segment group.
  • the financial segment data of the reference financial segment group is a reference financial segment data group, and at least one reference artificial intelligence model corresponding to the reference financial segment data group may exist.
  • the reference financial segment data group may be a set of data capable of training a reference artificial intelligence model with a reliability threshold or higher.
  • the reference artificial intelligence model may be an artificial intelligence model having a reliability level greater than or equal to a critical level when learning with a reference financial segment data group.
  • a layer of the target financial segment and a reference financial segment group including the target financial segment may be determined so that the target financial segment is positioned at a position that positively brings the highest amount of change in reliability to the reference artificial intelligence model. If it is a position that brings about a change in an amount equal to or greater than the threshold reliability on the financial segment hierarchy, the target financial segment may be overlappingly located in a plurality of financial segment hierarchies and a plurality of reference financial segment groups.
  • financial segment A 760 and financial segment B 770 in the same layer are set as the reference financial segment group x 710, and financial segment data A and financial segment data B are set as the reference financial segment data group. It can be.
  • the initial position of the target financial segment C 780 is located in the same layer as the financial segment A 760 and the financial segment B 770, and is the same as the reference financial segment. It can be set to be included in a group.
  • the target financial segment group y 720 based on the financial segment A 760, the financial segment B 770, and the target financial segment C 780 is set, and the target financial segment group data is the reference artificial intelligence model A ( 750) can be used for learning.
  • the target financial segment C (780) is financial segment A (760) and financial segment B It may be set to the same hierarchy and the same reference financial segment group as (770).
  • the target financial segment C 780 may be adjusted to a different position.
  • a method of adjusting the location of the target financial segment will be described later with reference to FIG. 8 .
  • FIG. 8 is a conceptual diagram illustrating the operation of a financial segment management unit according to an embodiment of the present invention.
  • the financial segment management unit may determine an initial position of a target financial segment (step S800).
  • the initial location of the target financial segment may be set in consideration of characteristics of the target financial segment, such as a product corresponding to the financial segment, a seller, and a sales medium.
  • a plurality of initial positions may be set.
  • Target financial segment group data of the target financial segment group set based on the reference financial segment group corresponding to the initial position of the target financial segment is input to the reference artificial intelligence model, and reliability verification may be performed. If learning of the reference artificial intelligence model based on the target financial segment group in the initial position has a positive reliability improvement, the target financial segment group may be located in the initial position.
  • the target financial segment group moves to another reference financial segment group on the layer corresponding to the initial position or the upper level financial segment group. Reliability verification may be performed again by moving to a segment.
  • the first target financial segment adjustment (step S810) may be moving to the same tier but to another reference financial segment group. That is, the position of the target financial segment may be adjusted through left-right movement on the same layer instead of vertical movement.
  • Target financial segment group data obtained by adding the target financial segment to another reference financial segment group may be input to another reference artificial intelligence model corresponding to the other reference financial segment group, and reliability verification may be performed.
  • a position adjusted to another reference financial segment group of the same hierarchy after the initial position may be expressed in terms of a first adjusted position.
  • the target financial segment may be set as the first adjustment position.
  • the position of the target financial segment may be adjusted through second target financial segment adjustment that changes the layer.
  • the second target financial segment adjustment may be adjustment to another layer. For example, reliability determination may be performed while moving a target financial segment to a higher layer and performing movement on the same layer, such as adjusting a first target financial segment, again in the upper layer.
  • the target financial segment can be included in a layer or group that can increase the reliability of the artificial intelligence model, and the financial segment can be arranged in a direction that can increase the learning reliability on the financial segment layer. Consequently, it is possible to more accurately and adaptively provide financial services to individual financial segments.
  • FIG. 9 is a conceptual diagram illustrating the operation of a financial segment management unit according to an embodiment of the present invention.
  • FIG. 9 a method for performing division of a financial segment by the financial segment management unit is disclosed.
  • division of a financial segment may be determined through a learning result based on financial segment data 910 .
  • the segment division determination artificial intelligence model 920 based on the newly generated new financial segment data 910 learning can be performed.
  • the segment division determination artificial intelligence model 920 may be a model for determining whether to divide a financial segment.
  • At least one specific sub-financial segment for example, sub-financial segment 2 (for example, sub-financial segment 2( 950)
  • a particular sub-financial segment can be split into separate financial segments.
  • the new financial segment data 910 is separated for each sub-financial segment, and a determination is made as to whether the new financial segment data 910 generated by any sub-financial segment reduces the reliability of the segment division-determining artificial intelligence model 920 , Segment division determination A lower financial segment that reduces the reliability of the artificial intelligence model 920 by a threshold value or more may be divided and set as an independent financial segment 960 .
  • the independent financial segment 960 may be located on the financial segment hierarchy by performing the above-described procedures in FIGS. 7 and 8 on the financial segment hierarchy.
  • FIG. 10 is a conceptual diagram illustrating the operation of a data value measurer according to an embodiment of the present invention.
  • a data value measurement unit may be implemented to measure the value of financial segment data.
  • the value of the financial segment data for which the artificial intelligence model was trained may change.
  • the value of the data that has been trained on the corresponding financial segment data may be set relatively high.
  • the data value measuring unit may be implemented to calculate the value of the input financial segment data based on the learning result of the artificial intelligence model.
  • a financial segment data group of a financial segment group for which an artificial intelligence model having a reliability level or higher may be generated.
  • the financial segment data group may be data generated from a financial segment group including a plurality of financial segments.
  • Each of the plurality of financial segments may include at least one sub-financial segment.
  • the data value measuring unit may primarily perform a first data value measurement 1010 on the financial segment data group 1055 of the financial segment group 1050 including a plurality of financial segments.
  • the first data value 1010 of the financial segment data group 1055 may be determined based on a learning result of an artificial intelligence model using the financial segment data group 1055 .
  • the first data value 1010 may be set to a relatively high value as relatively high reliability is shown when learning a specific artificial intelligence model with the financial segment data group 1055 .
  • the financial segment data group 1055 can be used for various artificial intelligence models, it can be used when learning various artificial intelligence models, and the first data value is relatively high as the various artificial intelligence models show relatively high reliability. value can be set.
  • the first data value 1010 may include a first lower data value 1 1013 and a first lower data value 2 1016 .
  • the first lower data value 1 1013 is a value determined based on how highly reliable an artificial intelligence model will be generated when the financial segment data group 1050 is used for a specific artificial intelligence model.
  • the first lower data value 2 (1016) is a value that takes into consideration how universally the financial segment data group 1050 can be used in various artificial intelligence models.
  • the data value measurer may secondarily measure the second data value of the financial segment data 1065 .
  • the second data value measurement may be a value measurement of the financial segment data 1065 of each of a plurality of financial segments included in the financial segment group.
  • the second data value 1020 of the financial segment data 1065 may be determined based on a learning result of an artificial intelligence model using the financial segment data 1065 .
  • the second data value 1020 may be set to a relatively high value as relatively high reliability is shown when learning a specific artificial intelligence model with the financial segment data 1065 .
  • the financial segment data 1065 can be used for various artificial intelligence models, so that it can be used when learning various artificial intelligence models, and as the various artificial intelligence models show relatively high reliability, the second data value 1020 is relatively can be set to a high value.
  • the second data value 1020 may include a second lower data value 1 1023 and a second lower data value 2 1026 .
  • the second lower data value 1 1023 is a value determined based on how highly reliable an artificial intelligence model will be generated when the financial segment data 1065 is used for a specific artificial intelligence model.
  • the second lower data value 2 (1026) is a value in consideration of how universally the financial segment data (1065) can be used in various artificial intelligence models.
  • the data value measurer may thirdly measure the third data value of the lower financial segment data 1075 .
  • the third data value measurement may be a value measurement of the financial segment data 1075 of each of at least one lower financial segment included in the financial segment.
  • the third data value 1030 for the financial segment data 1075 of the lower financial segment 1070 may be determined based on the learning result of the artificial intelligence model using the financial segment data 1075 of the lower financial segment 1070. .
  • the third data value 1030 may be set to a relatively high value as relatively high reliability is shown when learning a specific artificial intelligence model with the financial segment data 1075 of the lower financial segment 1070 .
  • the financial segment data 1075 of the lower financial segment 1070 can be used for various artificial intelligence models and can be used when learning various artificial intelligence models, and the higher the reliability of the various artificial intelligence models, the third The data value 1030 may be set to a relatively high value.
  • the third data value 1030 may include a third lower data value 1 1033 and a second lower data value 2 1036 .
  • the third lower data value 1 1033 is a value determined based on how highly reliable an artificial intelligence model will be generated when the financial segment data 1075 of the lower financial segment 1070 is used for a specific artificial intelligence model.
  • the third lower data value 2 1036 is a value in consideration of how universally the financial segment data 1075 of the lower financial segment 1070 can be used in various artificial intelligence models.
  • the data value measurer may measure the data value based on the first data value 1010 , the second data value 1020 , and the third data value 1030 .
  • 11 is a conceptual diagram illustrating the operation of an artificial intelligence model value measurer according to an embodiment of the present invention.
  • 11 discloses a method for measuring the value of an artificial intelligence model for each of a plurality of financial segments and a plurality of financial services.
  • the first model value 1110 of the artificial intelligence model may be determined based on the reliability of the generated artificial intelligence model.
  • the value of an artificial intelligence model for a specific segment may be determined based on how accurate financial predictions are performed based on input data for the specific segment.
  • the second model value 1120 of the artificial intelligence model may be determined based on the possibility of improving the generated artificial intelligence model. For example, the possibility of generating high-quality new financial segment data that can be continuously input into an artificial intelligence model, the amount of new financial segment data generated, and whether continuous reliability improvement is possible without overfitting when inputting new financial segment data Based on the judgment, the second model value 1120 may be determined.
  • the third model value 1130 of the artificial intelligence model may be determined based on versatility of use of the generated artificial intelligence model.
  • An artificial intelligence model having high reliability for various financial segments may have a higher value than an artificial intelligence model having high reliability only for a specific financial segment.
  • an artificial intelligence model having high reliability for various financial services may have a higher value than an artificial intelligence model having high reliability only for a specific financial service.
  • the first model value determination, the second model value determination, and the third model value determination may be performed for each artificial intelligence model, and the first model value determination, the second model value determination, and the third model value determination may be performed, respectively.
  • An artificial intelligence model value 1150 may be determined based on the first model value 1110 , the second model value 1120 , and the third model value 1130 .
  • FIG. 12 is a conceptual diagram illustrating the operation of a data and artificial intelligence model trading device according to an embodiment of the present invention.
  • the data and artificial intelligence model trading device may provide financial segment data and/or artificial intelligence model according to the request of the purchaser device.
  • the buyer device When requesting a transaction, the buyer device requests a transaction for target financial segment request data 1210 for a target financial segment targeted by the artificial intelligence model and target financial service request data 1220 for a target service to be provided based on the artificial intelligence model.
  • Data 1230 may be transmitted to data and artificial intelligence model trading devices.
  • the transaction device may receive the transaction request data and provide the recommended financial segment data 1250 and the recommended artificial intelligence model 1260 to the buyer device.
  • the recommended financial segment data 1250 may be provided in various data combinations with a price set according to the value of the financial segment data. Information on the recommended financial segment data 1250 may be provided to the purchaser device by the data and artificial intelligence model trading device for each expected reliability upon data-based learning by price.
  • the recommended artificial intelligence model 1260 may be provided with a price set according to the value of the artificial intelligence model.
  • Information on the recommended artificial intelligence model 1250 may be provided to the buyer's device by the data and artificial intelligence model trading device, listed by price and expected reliability.
  • Embodiments according to the present invention described above may be implemented in the form of program instructions that can be executed through various computer components and recorded on a computer-readable recording medium.
  • the computer readable recording medium may include program instructions, data files, data structures, etc. alone or in combination.
  • Program instructions recorded on the computer-readable recording medium may be specially designed and configured for the present invention, or may be known and usable to those skilled in the art of computer software.
  • Examples of computer-readable recording media include magnetic media such as hard disks, floppy disks and magnetic tapes, optical recording media such as CD-ROMs and DVDs, and magneto-optical media such as floptical disks. medium), and hardware devices specially configured to store and execute program instructions, such as ROM, RAM, flash memory, and the like.
  • Examples of program instructions include high-level language codes that can be executed by a computer using an interpreter or the like as well as machine language codes generated by a compiler.
  • a hardware device may be modified with one or more software modules to perform processing according to the present invention and vice vers

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Software Systems (AREA)
  • Marketing (AREA)
  • Educational Administration (AREA)
  • Accounting & Taxation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Finance (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Technology Law (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

본 발명은 금융 서비스를 위한 금융 모델 및 금융 데이터 가치 평가 방법 및 이러한 방법을 수행하는 장치에 관한 것이다. 금융 서비스를 위한 금융 모델 및 금융 데이터 가치 평가 방법은 데이터 벨류 측정부가 금융 세그먼트 그룹의 금융 세그먼트 데이터 그룹을 기반으로 한 제1 데이터 벨류를 결정하는 단계, 데이터 벨류 측정부가 금융 세그먼트의 금융 세그먼트 데이터를 기반으로 한 제2 데이터 벨류를 결정하는 단계, 데이터 벨류 측정부가 하위 금융 세그먼트의 금융 세그먼트 데이터를 기반으로 한 제3 데이터 벨류를 결정하는 단계와 데이터 벨류 측정부가 제1 데이터 벨류, 제2 데이터 벨류 및 제3 데이터 벨류를 기반으로 금융 세그먼트 데이터의 벨류를 결정하는 단계를 포함할 수 있다.

Description

금융 서비스를 위한 금융 모델 및 금융 데이터 가치 평가 방법 및 이러한 방법을 수행하는 장치
본 발명은 금융 서비스를 위한 금융 모델 및 금융 데이터 가치 평가 방법 및 이러한 방법을 수행하는 장치에 관한 것이다. 보다 상세하게는 금융 서비스를 위한 인공 지능 모델 및 인공 지능 모델을 생성하기 위한 금융 데이터의 가치를 평가하기 위한 금융 서비스를 위한 금융 모델 및 금융 데이터 가치 평가 방법 및 이러한 방법을 수행하는 장치에 관한 것이다.
현재 인공 지능 기술의 적용 범위는 의료, 국방, 교육, 물류, 게임 등 다방면에 적용되기 시작하고 있다. 점차 인공 지능 기술이 발달하고, 보다 신뢰할 수 있는 인공 지능 기술이 보편화 되면서, 그 적용의 범위는 확대 가속화 될 것으로 예상된다. 특히, 인공 지능 기술은 금융 시장에도 그 변화의 큰 축을 담당할 것으로 예상하고 있다.
경제를 지탱하기 위해 필수적인 신용 창출 (Credit Creation)이라는 과정이 대출(Lending)을 통해서 이루어진다는 측면에서 인공 지능이 도입되면 그 파급 효과는 매우 클 것으로 예상하고 있다.
특히, 인공 지능 기술은 금융 시장에 보다 잘 적용되고 확산될 수 있는 여러가지 특징을 가지고 있다. 첫번째는, 경제 활동이 디지털화가 진행이 되면서 양질의 데이터들을 취득할 수 있는 루트가 많아지고 있다는 점, 두번째는, 인공 지능 기술을 통하여 병렬적으로 대량의 데이터를 정확하게 처리할 수 있는 기술이 발전되고 있다는 점, 세번째는 데이터 경제를 이루고 있는 다양한 플랫폼사들이 금융을 필요로 하지만 이러한 수요를 적절하게 공급하고 있는 금융 기관이 글로벌하게 많지 않다는 점이다.
특히 데이터 경제의 특성상 차주의 신용을 다양한 각도에서 실시간으로 필요한 시점에서 판단을 해야 하는 기능이 필요로 하는데, 이를 가능하게 하기 위한 인공 지능 기술에 대한 연구가 필요하다.
본 발명은 상술한 문제점을 모두 해결하는 것을 그 목적으로 한다.
또한, 본 발명은, 금융 데이터 및 금융 데이터를 기반으로 생성된 인공 지능 모델의 가치를 평가하여 이를 기반으로 한 데이터 거래 및 인공 지능 모델의 거래를 수행하기 위한 금융 데이터 및 인공 지능 모델의 가치 평가 방법을 제공하는 것을 목적으로 한다.
또한, 본 발명은, 금융 데이터, 금융 서비스를 위한 인공 지능 모델의 거래 시장을 형성하여 다양한 금융 서비스들이 금융 데이터 및 인공 지능 모델의 거래를 통해 제공될 수 있도록 하는 것을 목적으로 한다.
상기 목적을 달성하기 위한 본 발명의 대표적인 구성은 다음과 같다.
본 발명의 일 실시예에 따르면, 금융 서비스를 위한 금융 모델 및 금융 데이터 가치 평가 방법은 데이터 벨류 측정부가 금융 세그먼트 그룹의 금융 세그먼트 데이터 그룹을 기반으로 한 제1 데이터 벨류를 결정하는 단계, 상기 데이터 벨류 측정부가 금융 세그먼트의 금융 세그먼트 데이터를 기반으로 한 제2 데이터 벨류를 결정하는 단계, 상기 데이터 벨류 측정부가 하위 금융 세그먼트의 금융 세그먼트 데이터를 기반으로 한 제3 데이터 벨류를 결정하는 단계와 상기 데이터 벨류 측정부가 상기 제1 데이터 벨류, 상기 제2 데이터 벨류 및 상기 제3 데이터 벨류를 기반으로 금융 세그먼트 데이터의 벨류를 결정하는 단계를 포함할 수 있다.
한편, 상기 제1 데이터 벨류는 제1 하위 데이터 벨류1 및 제1 하위 데이터 벨류2를 포함하고, 상기 제1 하위 데이터 벨류1은 상기 금융 세그먼트 데이터 그룹이 특정 인공 지능 모델에 활용시 얼마나 높은 신뢰도 높은 인공 지능 모델이 생성되는지를 기반으로 결정되고, 상기 제1 하위 데이터 벨류2는 상기 금융 세그먼트 데이터 그룹이 얼마나 다양한 인공 지능 모델에서 범용적으로 활용 가능한지를 기반으로 결정되고, 상기 제2 데이터 벨류는 제2 하위 데이터 벨류1 및 제2 하위 데이터 벨류2를 포함하고, 상기 제2 하위 데이터 벨류1은 상기 금융 세그먼트의 금융 세그먼트 데이터가 특정 인공 지능 모델에 활용시 얼마나 높은 신뢰도 높은 인공 지능 모델이 생성되는지를 기반으로 결정되고, 상기 제2 하위 데이터 벨류2는 상기 금융 세그먼트의 금융 세그먼트 데이터가 얼마나 다양한 인공 지능 모델에서 범용적으로 활용 가능한지를 기반으로 결정되고, 상기 제3 데이터 벨류는 제3 하위 데이터 벨류1 및 제3 하위 데이터 벨류2를 포함하고, 상기 제3 하위 데이터 벨류1은 상기 하위 금융 세그먼트의 금융 세그먼트 데이터가 특정 인공 지능 모델에 활용시 얼마나 높은 신뢰도 높은 인공 지능 모델이 생성되는지를 기반으로 결정되고, 상기 제3 하위 데이터 벨류2는 상기 하위 금융 세그먼트의 금융 세그먼트 데이터가 얼마나 다양한 인공 지능 모델에서 범용적으로 활용 가능한지를 기반으로 결정될 수 있다.
또한, 금융 서비스를 위한 금융 모델 및 금융 데이터 가치 평가 방법은 상기 인공 지능 모델 벨류 측정부가 제1 모델 벨류 판단을 기반으로 제1 모델 벨류를 결정하는 단계, 상기 인공 지능 모델 벨류 측정부가 제2 모델 벨류 판단을 기반으로 제2 모델 벨류를 결정하는 단계, 상기 인공 지능 모델 벨류 측정부가 제3 모델 벨류 판단을 기반으로 제3 모델 벨류를 결정하는 단계를 더 포함하되, 상기 제1 모델 벨류는 인공 지능 모델의 신뢰도를 기반으로 결정되고, 상기 제2 모델 벨류는 인공 지능 모델의 개선 가능성을 기반으로 결정되고, 상기 제3 모델 벨류는 인공 지능 모델의 활용 범용성을 기반으로 결정될 수 있다.
본 발명의 다른 실시예에 따르면, 금융 서비스를 위한 금융 모델 및 금융 데이터 가치 평가를 수행하는 금융 서비스 인공 지능 모델 서비스 장치는 금융 세그먼트 그룹의 금융 세그먼트 데이터 그룹을 기반으로 한 제1 데이터 벨류를 결정하고, 금융 세그먼트의 금융 세그먼트 데이터를 기반으로 한 제2 데이터 벨류를 결정하고, 하위 금융 세그먼트의 금융 세그먼트 데이터를 기반으로 한 제3 데이터 벨류를 결정하고, 상기 제1 데이터 벨류, 상기 제2 데이터 벨류 및 상기 제3 데이터 벨류를 기반으로 금융 세그먼트 데이터의 벨류를 결정하는 데이터 벨류 측정부를 포함할 수 있다.
한편, 상기 제1 데이터 벨류는 제1 하위 데이터 벨류1 및 제1 하위 데이터 벨류2를 포함하고, 상기 제1 하위 데이터 벨류1은 상기 금융 세그먼트 데이터 그룹이 특정 인공 지능 모델에 활용시 얼마나 높은 신뢰도 높은 인공 지능 모델이 생성되는지를 기반으로 결정되고, 상기 제1 하위 데이터 벨류2는 상기 금융 세그먼트 데이터 그룹이 얼마나 다양한 인공 지능 모델에서 범용적으로 활용 가능한지를 기반으로 결정되고, 상기 제2 데이터 벨류는 제2 하위 데이터 벨류1 및 제2 하위 데이터 벨류2를 포함하고, 상기 제2 하위 데이터 벨류1은 상기 금융 세그먼트의 금융 세그먼트 데이터가 특정 인공 지능 모델에 활용시 얼마나 높은 신뢰도 높은 인공 지능 모델이 생성되는지를 기반으로 결정되고, 상기 제2 하위 데이터 벨류2는 상기 금융 세그먼트의 금융 세그먼트 데이터가 얼마나 다양한 인공 지능 모델에서 범용적으로 활용 가능한지를 기반으로 결정되고, 상기 제3 데이터 벨류는 제3 하위 데이터 벨류1 및 제3 하위 데이터 벨류2를 포함하고, 상기 제3 하위 데이터 벨류1은 상기 하위 금융 세그먼트의 금융 세그먼트 데이터가 특정 인공 지능 모델에 활용시 얼마나 높은 신뢰도 높은 인공 지능 모델이 생성되는지를 기반으로 결정되고, 상기 제3 하위 데이터 벨류2는 상기 하위 금융 세그먼트의 금융 세그먼트 데이터가 얼마나 다양한 인공 지능 모델에서 범용적으로 활용 가능한지를 기반으로 결정될 수 있다.
또한, 금융 서비스 인공 지능 모델 서비스 장치는 제1 모델 벨류 판단을 기반으로 제1 모델 벨류를 결정하고, 제2 모델 벨류 판단을 기반으로 제2 모델 벨류를 결정하고, 제3 모델 벨류 판단을 기반으로 제3 모델 벨류를 결정하도록 구현되는 인공 지능 모델 벨류 측정부를 더 포함하되, 상기 제1 모델 벨류는 인공 지능 모델의 신뢰도를 기반으로 결정되고, 상기 제2 모델 벨류는 인공 지능 모델의 개선 가능성을 기반으로 결정되고, 상기 제3 모델 벨류는 인공 지능 모델의 활용 범용성을 기반으로 결정될 수 있다.
본 발명에 의하면, 금융 데이터 및 금융 데이터를 기반으로 생성된 인공 지능 모델의 가치를 평가하여 이를 기반으로 한 데이터 거래 및 인공 지능 모델의 거래를 수행하기 위한 금융 데이터 및 인공 지능 모델의 가치가 평가될 수 있다.
또한, 본 발명에 의하면, 금융 데이터, 금융 서비스를 위한 인공 지능 모델의 거래 시장을 형성하여 다양한 금융 서비스들이 금융 데이터 및 인공 지능 모델의 거래를 통해 제공될 수 있다.
도 1은 본 발명의 실시예에 따른 금융 서비스 인공 지능 모델 서비스 장치를 나타낸 개념도이다.
도 2 및 도 3은 본 발명의 실시예에 따른 데이터 수집부의 동작을 나타낸 개념도이다.
도 4는 본 발명의 실시예에 따른 데이터 전처리부의 동작을 나타낸 개념도이다.
도 5는 본 발명의 실시예에 따른 후보 인공 지능 모델 생성부를 나타낸 개념도이다.
도 6은 본 발명의 실시예에 따른 인공 지능 모델 검증부를 나타낸 개념도이다.
도 7은 본 발명의 실시예에 따른 금융 세그먼트 관리부의 동작을 나타낸 개념도이다.
도 8은 본 발명의 실시예에 따른 금융 세그먼트 관리부의 동작을 나타낸 개념도이다.
도 9는 본 발명의 실시예에 따른 금융 세그먼트 관리부의 동작을 나타낸 개념도이다.
도 10은 본 발명의 실시예에 따른 데이터 벨류 측정부의 동작을 나타낸 개념도이다.
도 11은 본 발명의 실시예에 따른 인공 지능 모델 벨류 측정부의 동작을 나타낸 개념도이다.
도 12는 본 발명의 실시예에 따른 데이터 및 인공 지능 모델 거래 장치의 동작을 나타낸 개념도이다.
후술하는 본 발명에 대한 상세한 설명은, 본 발명이 실시될 수 있는 특정 실시예를 예시로서 도시하는 첨부 도면을 참조한다. 이러한 실시예는 당업자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다. 본 발명의 다양한 실시예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 본 명세서에 기재되어 있는 특정 형상, 구조 및 특성은 본 발명의 정신과 범위를 벗어나지 않으면서 일 실시예로부터 다른 실시예로 변경되어 구현될 수 있다. 또한, 각각의 실시예 내의 개별 구성요소의 위치 또는 배치도 본 발명의 정신과 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 행하여 지는 것이 아니며, 본 발명의 범위는 특허청구범위의 청구항들이 청구하는 범위 및 그와 균등한 모든 범위를 포괄하는 것으로 받아들여져야 한다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 구성요소를 나타낸다.
이하에서는, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있도록 하기 위하여, 본 발명의 여러 바람직한 실시예에 관하여 첨부된 도면을 참조하여 상세히 설명하기로 한다.
본 발명의 실시예에 따른 금융 서비스를 위한 인공 지능 모델 생성 방법 및 이러한 방법을 수행하는 장치에서는 데이터를 기반으로 사용자를 대상으로 사용자의 특성을 구체적으로 고려하여 적응적으로 금융 서비스를 제공하기 위한 방법이 개시된다.
데이터 경제의 특성상, 차주의 신용을 다양한 각도에서 실시간으로 필요한 시점에서 판단해야 하는 기능이 필요로 하는데, 이를 가능하게 하기 위해서는 인공 지능 모델이 수백개, 수천개가 동시에 산출되고 비교되어야 하며 복수의 인공 지능 모델이 서로 상호 작용하여 스스로 판단하여 금융 서비스를 제공하기 위한 기술에 대한 개발이 필요하다.
본 발명에서는 금융 분야에서 개인에게 적응적으로 금융 서비스를 제공하기 위한 데이터 처리 방법 및 복수의 인공 지능 모델의 생성 방법이 개시된다.
도 1은 본 발명의 실시예에 따른 금융 서비스 인공 지능 모델 서비스 장치를 나타낸 개념도이다.
도 1에서는 금융 서비스를 위한 인공 지능 모델을 생성하기 위한 금융 서비스 인공 지능 모델 서비스 장치가 개시된다.
도 1을 참조하면, 금융 서비스 인공 지능 모델 서비스 장치는 데이터 수집부(100), 데이터 전처리부(110), 후보 인공 지능 모델 생성부(120), 후보 인공 지능 모델 검증부(130), 데이터 벨류 측정부(140), 인공 지능 모델 벨류 측정부(145), 인공 지능 모델 제공부(150), 금융 세그먼트 관리부(160) 및 프로세서(170)를 포함할 수 있다.
데이터 수집부(100)는 금융 서비스를 위한 데이터를 수집하기 위해 구현될 수 있다. 인공 지능 기반으로 금융 서비스를 제공하는 단위는 금융 세그먼트(segment)라는 용어로 표현될 수 있다. 금융 세그먼트는 최소로는 인공 지능 기반 금융 서비스를 제공받는 개인일 수도 있다. 금융 세그먼트는 특정 상품 단위로 설정될 수도 있고, 특정 지역, 특정 판매 매체, 특정 판매자 그룹 등 다양한 단위로 설정될 수 있다. 특정 금융 세그먼트는 다른 금융 세그먼트에 포함되거나, 다른 금융 세그먼트와 계층적인 구조를 가질 수 있다.
금융 세그먼트 및 금융 세그먼트 데이터의 구분을 위해 금융 세그먼트 별로 에 대한 별도의 식별자가 부여될 수 있고, 세그먼트 식별자가 금융 세그먼트에 의해 전송되는 금융 세그먼트 데이터에 포함될 수 있다. 또한, 금융 세그먼트 데이터는 데이터의 생성 시기에 대한 정보도 포함할 수 있다.
데이터 수집부(100)는 금융 세그먼트들로부터 금융 서비스를 제공하기 위한 기초 데이터인 금융 세그먼트 데이터를 수집할 수 있다.
데이터 전처리부(110)는 데이터 수집부(100)에 의해 수집된 금융 세그먼트 데이터를 전처리하기 위해 구현될 수 있다. 데이터 전처리부(110)는 금융 세그먼트 별로 데이터를 분류 및/또는 그룹핑하여 후보 인공 지능 모델을 학습시키기 위한 데이터로서 가공할 수 있다. 또한, 데이터 전처리부(110)는 금융 세그먼트 데이터의 생성 시간을 고려하여 데이터를 전처리할 수도 있다. 데이터 생성의 시계열성을 고려하여 금융 세그먼트 데이터를 분류 및 그룹핑하여 후보 인공 지능 모델의 학습을 위해 제공할 수 있다.
후보 인공 지능 모델 생성부(120)는 후보 인공 지능 모델을 생성하기 위해 구현될 수 있다. 후보 인공 지능 모델은 실제 금융 서비스에 제공되기 전에 전처리된 금융 세그먼트 데이터를 기반으로 학습을 진행하는 모델로서 실제적인 금융 서비스를 제공하기 전의 모델일 수 있다. 후보 인공 지능 모델 생성부(120)는 다양하게 분류 및 그룹핑된 전처리된 금융 세그먼트 데이터를 기반으로 학습을 수행하여 후보 인공 지능 모델을 생성할 수 있다. 후보 인공 지능 모델 생성부(120)의 구체적인 동작은 후술된다.
후보 인공 지능 모델 검증부(130)는 생성된 후보 인공 지능 모델에 대한 검증을 위해 구현될 수 있다. 후보 인공 지능 모델을 기반으로 금융 서비스를 진행 가능하지 여부에 대한 백테스트를 수행하고, 백테스트 결과 임계 신뢰도 이상의 신뢰도를 보이는 경우, 해당 후보 인공 지능 모델은 인공 지능 모델 제공부에서 금융 서비스 제공 가능한 인공 지능 모델로서 활용될 수 있다.
데이터 벨류 측정부(140)는 금융 세그먼트 데이터에 대한 가치의 측정을 위해 구현될 수 있다. 인공 지능 모델의 신뢰도에 따라 인공 지능 모델을 학습시킨 금융 세그먼트 데이터의 가치가 변화될 수 있다. 인공 지능 모델의 신뢰도가 상대적으로 높을수록 해당 금융 세그먼트 데이터에 대한 학습을 수행한 데이터에 대한 가치가 상대적으로 높게 설정될 수 있다. 데이터 벨류 측정부는 인공 지능 모델의 학습 결과를 기반으로 입력된 금융 세그먼트 데이터의 가치를 산정하도록 구현될 수 있다.
인공 지능 모델 벨류 측정부(145)는 인공 지능 모델의 벨류를 측정하기 위해 구현될 수 있다. 복수의 금융 세그먼트 각각에 대해 생성된 인공 지능 모델 및 복수의 금융 서비스 각각을 위해 생성된 인공 지능 모델 각각에 대한 벨류 측정이 수행될 수 있다.
인공 지능 모델 제공부(150)는 후보 인공 지능 모델 검증부에 의해 검증된 인공지능 모델을 금융 서비스에 제공하기 위해 구현될 수 있다. 인공 지능 모델 제공부(150)는 금융 세그먼트에 따라 다양한 인공 지능 모델을 조합하여 제공할 수 있고, 이러한 인공 지능 모델의 조합을 기반으로 금융 세그먼트에 대한 금융 서비스가 제공될 수 있다.
금융 세그먼트 관리부(160)는 금융 세그먼트의 관리를 위해 구현될 수 있다. 금융 세그먼트 관리부(160)는 복수의 금융 세그먼트 간의 관계에 따라 그룹핑 또는 계층 설정을 통해 금융 세그먼트 간의 관계를 설정할 수 있다. 복수의 금융 세그먼트 간의 그룹핑 또는 계층 설정은 인공 지능 모델의 학습을 위한 최적의 금융 세그먼트 데이터를 추출하기 위해 수행될 수 있다. 금융 세그먼트 간의 관계에 따라 다른 금융 세그먼트에서 발생된 금융 세그먼트 데이터가 다른 금융 세그먼트에 영향을 끼침으로써 다른 금융 세그먼트가 금융 세그먼트 데이터를 생성할 수도 있다.
프로세서(170)는 데이터 수집부(100), 데이터 전처리부(110), 후보 인공 지능 모델 생성부(120), 후보 인공 지능 모델 검증부(130), 데이터 밸류 측정부(140), 인공 지능 모델 벨류 측정부(145), 인공 지능 모델 제공부(150) 및 금융 세그먼트 관리부(160)의 동작을 제어하기 위해 구현될 수 있다.
도 2 및 도 3은 본 발명의 실시예에 따른 데이터 수집부의 동작을 나타낸 개념도이다.
도 2및 도 3에서는 데이터 수집부가 금융 세그먼트 상에서 데이터를 수집하는 방법이 개시된다.
도 2를 참조하면, 데이터 수집부(270)는 복수의 금융 세그먼트(200) 각각에서 금융 세그먼트 데이터를 수집할 수 있다.
금융 세그먼트 데이터(220)는 금융 세그먼트 식별자 정보, 금융 세그먼트 데이터 발생 일자 정보, 금융 정보 등을 포함할 수 있다. 금융 세그먼트 식별자 정보는 금융 세그먼트 별로 식별을 위해 정의된 정보일 수 있다. 금융 세그먼트 데이터 발생 일자 정보는 금융 세그먼트 데이터(220)가 생성된 시점에 대한 정보를 포함할 수 있고, 금융 정보는 금융 서비스 또는 금융 서비스를 위한 인공 지능 모델의 학습을 위한 정보를 포함할 수 있다.
데이터 수집부(270)는 직접적으로 특정 금융 세그먼트에 대응되는 장치에서 금융 세그먼트 데이터(220)를 수집할 수도 있고, 금융 세그먼트 관리부(280)에 의해 설정된 금융 세그먼트 간의 관계를 기반으로 발생된 금융 세그먼트 데이터(220)를 수집할 수도 있다. 데이터 수집부(270)에 의해 직접적으로 금융 세그먼트(200)에 대응되는 장치에서 금융 세그먼트 데이터(220)를 수집하는 방법은 직접 금융 세그먼트 데이터 수집 방법(250)이라는 용어로 표현된다. 금융 세그먼트 관리부(280)에 의해 설정된 금융 세그먼트(200) 간의 관계를 기반으로 발생된 금융 세그먼트 데이터(220)를 수집하는 방법은 간접 금융 세그먼트 데이터 수집 방법(260)이라는 용어로 표현된다.
(1) 직접 금융 세그먼트 데이터 수집 방법(250)
직접 금융 세그먼트 데이터 수집 방법(250)에서 금융 세그먼트 데이터(220)는 금융 세그먼트(200)에게 특정 이벤트가 발생하거나 금융 세그먼트(200)를 기준으로 설정된 주기적/비주기적 전송을 기반으로 전송될 수 있다. 예를 들어, 금융 서비스의 대상인 특정 판매자(또는 셀러)와 관련된 판매자 장치에서 매출이 발생하는 경우와 같은 이벤트가 발생한 경우, 금융 세그먼트 데이터(220)가 전송될 수 있고, 특정 판매자 장치에 설정된 금융 세그먼트 데이터 전송 주기를 기반으로 금융 세그먼트 데이터(220)가 전송될 수 있다.
(2) 간접 금융 세그먼트 데이터 수집 방법(260)
간접 금융 세그먼트 데이터 수집 방법(260)은 금융 세그먼트 관리부(280)에 의해 설정된 금융 세그먼트(200) 간의 관계를 기반으로 발생된 금융 세그먼트 데이터(220)를 수집하는 방법이다.
금융 세그먼트(200)는 금융 세그먼트 관리부(280)에 의해 그룹핑되거나 계층을 이루어 관리될 수 있다. 예를 들어, 판매 상품이 옷의 경우, 남성옷에 대한 금융 세그먼트(200), 아동옷에 대한 금융 세그먼트(200), 여성옷에 대한 금융 세그먼트(200)로 분류되고, 이러한 복수의 금융 세그먼트(200)는 그룹핑되어 옷에 대한 금융 세그먼트(200)로 설정되거나, 상위 계층에 옷에 대한 금융 세그먼트(200)가 설정될 수 있다. 이러한 계층적 금융 세그먼트들은 금융 서비스 인공 지능 모델 서비스 장치 상에 설정된 가상의 모듈일 수 있다.
도 3을 참조하면, 금융 세그먼트가 계층을 이룬다고 가정할 경우, 계층1 내지 계층n으로 분화되어 상위 금융 세그먼트와 하위 금융 세그먼트가 설정될 수 있다.
하위 금융 세그먼트 상에서 금융 세그먼트 데이터가 발생하는 경우, 설정된 조건에 따라 상위 금융 세그먼트 상에서도 금융 세그먼트 데이터가 발생될 수 있다.
예를 들어, 계층5의 금융 세그먼트x(300) 상에서 금융 세그먼트 데이터1(305)이 발생될 수 있다. 예를 들어, 금융 세그먼트x(300)에 대응되는 특정 셀러의 매출 상의 변화 등과 같은 금융 서비스를 위한 금융 참조 데이터가 변화될 경우, 금융 세그먼트x(300)는 금융 세그먼트 데이터1(305)을 생성하여 데이터 수집부로 전송할 수 있다.
금융 세그먼트x(300)의 금융 세그먼트 데이터1(305)이 발생되는 경우, 우선, 금융 세그먼트x(300)의 상위 계층인 계층4의 금융 세그먼트y(310)로 금융 세그먼트 데이터1(305)이 전송될 수 있다.
금융 세그먼트y(310)는 금융 세그먼트 데이터1(305)을 기반으로 별도의 금융 세그먼트 데이터의 생성 여부에 대해 결정할 수 있다. 금융 세그먼트 데이터1(305)이 계층4에 대응되는 금융 세그먼트y(310)에서 별도의 금융 정보의 변화를 발생시키지 못하는 경우, 계층4에서 금융 세그먼트 데이터를 생성하지 않고, 수신한 금융 세그먼트 데이터1(305)은 저장되고, 추후 발생된 다른 금융 세그먼트 데이터와 결합하여 금융 세그먼트y(310)에서 별도의 금융 정보의 변화를 발생시키는지 여부를 판단할 수 있다.
반대로 금융 세그먼트 데이터1(305)이 계층4에 대응되는 금융 세그먼트y(310)에서 별도의 금융 정보의 변화를 발생시키는 경우, 계층4에서 금융 세그먼트 데이터2(315)를 생성하고, 금융 세그먼트 데이터2(315)는 데이터 수집부로 전송될 수 있다. 마찬가지 방식으로 금융 세그먼트 데이터2(315)는 금융 세그먼트y(310)의 상위 계층인 금융 세그먼트z(320)로 전송될 수 있다. 유사하게 금융 세그먼트z(320)는 금융 세그먼트 데이터1(305)을 기반으로 별도의 금융 세그먼트 데이터의 생성 여부에 대해 결정할 수 있다. 금융 세그먼트 데이터2(315)가 계층5에 대응되는 금융 세그먼트z(320)에서 별도의 금융 정보의 변화를 발생시키지 못하는 경우, 계층5에서 금융 세그먼트 데이터를 생성하지 않고, 수신한 금융 세그먼트 데이터2(315)는 저장되고, 추후 발생된 다른 금융 세그먼트 데이터와 결합하여 금융 세그먼트z(320)에서 별도의 금융 정보의 변화를 발생시키는지 여부가 판단될 수 있다. 반대로 금융 세그먼트 데이터2(305)가 계층3에 대응되는 금융 세그먼트z(320)에서 별도의 금융 정보의 변화를 발생시키는 경우, 계층3에서 금융 세그먼트 데이터3(325)을 생성하고, 금융 세그먼트 데이터3(325)은 데이터 수집부로 전송될 수 있다.
금융 세그먼트 관리부의 금융 세그먼트 관리 동작은 후술한다.
도 4는 본 발명의 실시예에 따른 데이터 전처리부의 동작을 나타낸 개념도이다.
도 4에서는 후보 인공 지능 모델을 학습시키기 위한 데이터 전처리부의 금융 세그먼트 데이터 전처리 동작이 개시된다.
도 4를 참조하면, 데이터 전처리부는 금융 세그먼트 데이터(400)에 포함된 금융 세그먼트 식별자(410)를 기반으로 금융 세그먼트 데이터(400)를 계층화할 수 있다.
전술한 바와 같이 직접 금융 세그먼트 데이터 수집 방법 및 간접 금융 세그먼트 데이터 수집 방법을 기반으로 금융 세그먼트 데이터(400)는 수집될 수 있고, 금융 세그먼트 데이터(400)에 포함된 금융 세그먼트 식별자(410)를 기반으로 계층화된 금융 세그먼트 데이터 구조(420)를 생성할 수 있다.
데이터 전처리부는 계층화된 금융 세그먼트 데이터 구조(420)를 기반으로 후보 인공 지능 모델을 생성하기 위한 금융 세그먼트 데이터 그룹(440)을 생성할 수 있다.
데이터 전처리부는 금융 세그먼트 데이터 그룹(440)을 결정하기 위해 후보 인공 지능 모델 피드백 정보(430)에 포함되는 후보 인공 지능 모델 신뢰도 정보, 후보 인공 지능 모델 학습 데이터 정보를 피드백 정보로서 활용할 수 있다. 구체적으로 금융 세그먼트 데이터 그룹(440)의 설정에 따라 후보 인공 지능 모델의 신뢰도는 변화될 수 있고, 이러한 신뢰도의 변화를 고려하여 금융 세그먼트 데이터 그룹(440)이 결정될 수 있다.
예를 들어, 특정 계층 미만의 금융 세그먼트 데이터(400)가 금융 세그먼트 데이터 그룹(440)에 포함되는 경우, 계층을 많이 포함할수록 신뢰도가 상대적으로 높아지나, 반대로 특정 계층 이상의 금융 세그먼트 데이터(400)가 금융 세그먼트 데이터 그룹(440)에 포함되는 경우, 계층을 많이 포함할수록 신뢰도가 상대적으로 낮아질 수 있다. 이러한 경우, 데이터 전처리부는 특정 계층 미만의 데이터만 금융 세그먼트 데이터 그룹(440)에 포함되도록 결정할 수 있다.
데이터 전처리되는 특정 계층은 세그먼트 특성별 후보 인공 지능 모델의 신뢰도를 고려하여 세그먼트 특성 별로 구분되어 세그먼트 특성 별로 서로 다른 계층으로 설정될 수도 있다.
또는, 금융 세그먼트 데이터(400)의 금융 정보에 복수의 하위 금융 정보가 포함되는 경우, 하위 금융 정보 중 후보 인공 지능 모델의 신뢰도를 높일 수 있는 하위 금융 정보가 세그먼트 특성별로 피드백될 수 있다. 데이터 전처리부는 이러한 피드백 정보를 기반으로 금융 세그먼트 데이터(400)에 포함된 복수의 하위 금융 정보 중 일부의 하위 금융 정보를 필터링하여 금융 세그먼트 데이터 그룹(440)을 결정할 수도 있다.
즉, 데이터 전처리부는 후보 인공 지능 모델 피드백 정보(430)에 포함되는 후보 인공 지능 모델 신뢰도 정보, 후보 인공 지능 모델 학습 데이터 정보를 고려하여 학습에 활용시 높은 신뢰도를 가지는 후보 인공 지능 모델을 생성할 수 있는 금융 세그먼트 데이터 그룹(440)을 결정할 수 있다.
전술한 바와 같이 데이터 전처리부는 신뢰도를 높이는 방향을 예측하여 금융 세그먼트 데이터 그룹(440)을 생성할 수도 있으나, 신뢰도를 고려하지 않고, 금융 세그먼트 데이터 그룹(440)을 생성할 수도 있다.
신뢰도를 높이는 방향을 예측하여 생성된 금융 세그먼트 데이터 그룹(440)은 제1 금융 세그먼트 데이터 그룹(450)이라는 용어로 정의되고, 신뢰도를 고려하지 않고 생성된 금융 세그먼트 데이터 그룹(440)은 제2 금융 세그먼트 데이터 그룹(460)이라는 용어로 정의될 수 있다.
예를 들어, 데이터 전처리부는 기존에 학습 데이터로서 활용되지 않았던 제2 금융 세그먼트 데이터 그룹(460)을 결정하여 후보 인공 지능 모델의 학습을 위해 제공할 수도 있다. 제2 금융 세그먼트 데이터 그룹(460)은 계속적으로 하나의 방향성으로 금융 세그먼트 데이터 그룹(440)이 형성되어 가질 수 있는 오버피팅의 문제점을 해결하고, 새로운 신뢰도 향상을 위한 금융 세그먼트 데이터 그룹(440)의 확인을 위해 활용될 수 있다.
데이터 전처리부는 학습을 위한 금융 세그먼트 데이터 그룹(440)을 생성시 학습 결과의 검증을 위한 금융 세그먼트 데이터 그룹(440)을 별도로 생성할 수 있다.
도 5는 본 발명의 실시예에 따른 후보 인공 지능 모델 생성부를 나타낸 개념도이다.
도 5에서는 금융 세그먼트 데이터 그룹을 기반으로 후보 인공 지능 모델을 생성하는 방법이 개시된다.
도 5를 참조하면, 후보 인공 지능 모델은 다양한 금융 서비스를 위해 개별적으로 또는 종합적으로 활용될 수 있다.
후보 인공 지능 모델은 목적에 따라 금융 세그먼트, 금융 서비스를 고려하여 분류되어 생성될 수 있다.
금융 세그먼트를 위한 후보 인공 지능 모델은 후보 인공 지능 모델(금융 세그먼트)(500)라는 용어로 표현되고, 금융 서비스를 위한 후보 인공 지능 모델은 후보 인공 지능 모델(금융 서비스)(550)라는 용어로 표현될 수 있다.
후보 인공 지능 모델(금융 세그먼트)(500), 후보 인공 지능 모델(금융 서비스)(550) 각각으로 복수의 금융 세그먼트 데이터 그룹 각각이 입력될 수 있다.
예를 들어, n개의 후보 인공 지능 모델(금융 세그먼트)(500)가 후보 인공 지능 모델(금융 세그먼트1) 내지 후보 인공 지능 모델(금융 세그먼트n)로서 존재할 수 있다.
후보 인공 지능 모델(금융 세그먼트1)로 후보 인공 지능 모델(금융 세그먼트1)을 위해 전처리된 n개의 금융 세그먼트 데이터 그룹 각각이 입력될 수 있다. 마찬가지 방식으로 후보 인공 지능 모델(금융 세그먼트n)으로 후보 인공 지능 모델(금융 세그먼트n)을 위해 전처리된 n개의 금융 세그먼트 데이터 그룹 각각이 입력될 수 있다.
유사한 방식으로 n개의 후보 인공 지능 모델(금융 서비스)(550)가 후보 인공 지능 모델(금융 서비스1) 내지 후보 인공 지능 모델(금융 서비스n)로서 존재할 수 있다.
후보 인공 지능 모델(금융 서비스1)로 후보 인공 지능 모델(금융 서비스1)을 위해 전처리된 n개의 금융 세그먼트 데이터 그룹 각각이 입력될 수 있다. 마찬가지 방식으로 후보 인공 지능 모델(금융 서비스n)으로 후보 인공 지능 모델(금융 서비스n)을 위해 전처리된 n개의 금융 세그먼트 데이터 그룹 각각이 입력될 수 있다.
즉, 본 발명에서는 후보 인공 지능 모델이 금융 세그먼트, 금융 서비스 각각에 대하여 복수의 금융 세금먼트 데이터 그룹을 학습 데이터로서 활용하여 생성될 수 있다.
도 6은 본 발명의 실시예에 따른 인공 지능 모델 검증부를 나타낸 개념도이다.
도 6에서는 생성된 후보 인공 지능 모델(600)에 대한 검증을 수행하는 인공 지능 모델 검증부(610) 및 인공 지능 모델 제공부(620)가 개시된다.
도 6을 참조하면, 전술한 바와 같이 후보 인공 지능 모델 검증부(610)는 생성된 후보 인공 지능 모델(600)에 대한 신뢰도 검증을 위해 구현될 수 있다. 후보 인공 지능 모델(600)을 기반으로 금융 서비스를 진행 가능하지 여부에 대한 백테스트를 수행하고, 백테스트 결과 임계 신뢰도 이상의 신뢰도를 보이는 경우, 해당 후보 인공 지능 모델(600)은 인공 지능 모델 제공부에서 금융 서비스 제공 가능한 인공 지능 모델로서 활용될 수 있다.
인공 지능 모델 검증부(610)는 생성된 후보 인공 지능 모델(600) 각각에 대하여 설정된 검증 금융 세그먼트 데이터를 활용하여 후보 인공 지능 모델(600) 각각에 대한 신뢰도를 결정할 수 있다.
복수의 금융 세그먼트 각각에 대응되어 학습된 후보 인공 지능 모델(600)의 임계 신뢰도(금융 세그먼트n)가 서로 다른 값으로 설정될 수 있고, 복수의 금융 서비스 각각에 대응되어 학습된 후보 인공 지능 모델(600)의 임계 신뢰도(금융 서비스n)가 서로 다른 값으로 설정될 수 있다.
임계 신뢰도(금융 세그먼트n), 임계 신뢰도(금융 서비스n) 각각은 기존에 금융 세그먼트n 및 금융 서비스n 각각에 적용되었던 인공 지능 모델의 신뢰도값으로 설정될 수 있다.
인공 지능 모델 제공부(620)는 기존에 금융 세그먼트n 및 금융 서비스n 각각에 적용되었던 인공 지능 모델의 신뢰도보다 높은 신뢰도를 가지는 후보 인공 지능 모델(600)을 인공 지능 모델로서 제공할 수 있다.
예를 들어, 금융 세그먼트1에 대한 특정 금융 세그먼트 데이터 그룹x를 기반으로 학습한 후보 인공 지능 모델a의 신뢰도가 기존에 금융 세그먼트1에 대해 사용되던 인공 지능 모델a1의 신뢰도보다 상대적으로 높은 경우, 인공 지능 모델 제공부는 후보 인공 지능 모델a를 금융 세그먼트1에 대한 인공 지능 모델로서 제공할 수 있다.
도 7은 본 발명의 실시예에 따른 금융 세그먼트 관리부의 동작을 나타낸 개념도이다.
도 7에서는 금융 세그먼트 관리부에서 금융 세그먼트 계층의 설정을 통해 복수의 금융 세그먼트 간의 관계를 설정하는 방법이 개시된다.
도 7을 참조하면, 금융 세그먼트 관리부는 후보 인공 지능 모델의 학습을 위한 금융 세그먼트 데이터 그룹을 결정하는 금융 세그먼트 간의 관계를 설정할 수 있다.
금융 세그먼트 관리부는 후보 인공지능 모델 피드백 정보를 기반으로 금융 세그먼트 계층을 변화시킬 수 있다. 전술한 바와 같이 후보 인공 지능 모델 피드백 정보는 후보 인공 지능 모델 신뢰도 정보, 후보 인공 지능 모델 학습 데이터 정보 등을 포함한다.
금융 세그먼트 관리부는 신뢰도 비교를 위해서 기존에 임계 신뢰도 이상의 인공 지능 모델을 생성하였던 기준 금융 세그먼트 데이터 그룹에 새로운 금융 세그먼트 데이터의 데이터를 추가하여 새롭게 정의된 금융 세그먼트 데이터 그룹이 신뢰도에 긍정적인 영향을 끼치는 여부에 대한 판단을 수행할 수 있다.
본 발명의 실시예에 따르면, 특정 금융 세그먼트 계층 상에 위치한 복수의 계층 각각 상에 적어도 하나의 금융 세그먼트는 그룹핑되어 기준 금융 세그먼트 그룹을 형성할 수 있다. 기준 금융 세그먼트 그룹의 금융 세그먼트 데이터는 기준 금융 세그먼트 데이터 그룹이고, 기준 금융 세그먼트 데이터 그룹에 대응되는 적어도 하나의 기준 인공 지능 모델이 존재할 수 있다.
기준 금융 세그먼트 데이터 그룹은 임계 신뢰도 이상으로 기준 인공 지능 모델을 학습시킬 수 있는 데이터의 집합일 수 있다. 기준 인공 지능 모델은 기준 금융 세그먼트 데이터 그룹으로 학습시 임계 신뢰도 이상을 가지는 인공 지능 모델일 수 있다.
본 발명에서는 새로운 타겟 금융 세그먼트의 금융 세그먼트 계층 상의 위치 결정을 위해 기준 금융 세그먼트 데이터 그룹에 타겟 금융 세그먼트 데이터를 포함한 타겟 금융 세그먼트 그룹을 사용한 학습이 기준 인공 지능 모델에 긍정적인 변화를 가지고 오는지 여부에 대한 판단이 수행될 수 있다.
타겟 금융 세그먼트는 긍정적으로 기준 인공 지능 모델에 가장 높은 양의 신뢰도의 변화를 가지고 오는 위치에 위치하도록 타겟 금융 세그먼트의 계층, 타겟 금융 세그먼트가 포함되는 기준 금융 세그먼트 그룹이 결정될 수 있다. 만약, 금융 세그먼트 계층 상에서 임계 신뢰도 이상의 양의 변화를 가지고 오는 위치라면 타겟 금융 세그먼트는 중복하여 복수의 금융 세그먼트 계층, 복수의 기준 금융 세그먼트 그룹에 위치할 수 있다.
예를 들어, 동일한 계층의 금융 세그먼트A(760), 금융 세그먼트B(770)이 기준 금융 세그먼트 그룹x(710)로 설정되고, 금융 세그먼트 데이터A 및 금융 세그먼트 데이터B가 기준 금융 세그먼트 데이터 그룹으로 설정될 수 있다.
또한, 새로운 타겟 금융 세그먼트C(780)의 위치를 결정하기 위해 타겟 금융 세그먼트C(780)의 초기 위치가 금융 세그먼트A(760), 금융 세그먼트B(770)와 동일한 계층에 위치하고, 동일한 기준 금융 세그먼트 그룹에 포함되는 것으로 설정될 수 있다.
이러한 경우, 금융 세그먼트A(760), 금융 세그먼트B(770), 타겟 금융 세그먼트C(780) 기반의 타겟 금융 세그먼트 그룹 y(720)로 설정되고, 타겟 금융 세그먼트 그룹 데이터는 기준 인공 지능 모델A(750)의 학습을 위해 사용될 수 있다.
타겟 금융 세그먼트 그룹y(720)를 기반으로 한 기준 인공 지능 모델A(750)의 학습 결과가 양의 신뢰도 변화를 가지는 경우, 타겟 금융 세그먼트C(780)는 금융 세그먼트A(760), 금융 세그먼트B(770)와 동일한 계층 및 동일한 기준 금융 세그먼트 그룹으로 설정될 수 있다.
반대로 , 타겟 금융 세그먼트 그룹y(720)를 기반으로 한 기준 인공 지능 모델A(750)의 학습 결과가 음의 신뢰도 변화를 가지는 경우, 타겟 금융 세그먼트C(780)는 다른 위치로 조정될 수 있다. 타겟 금융 세그먼트의 위치를 조정하는 방법은 도 8에서 후술한다.
도 8은 본 발명의 실시예에 따른 금융 세그먼트 관리부의 동작을 나타낸 개념도이다.
도 8에서는 금융 세그먼트 관리부에서 타겟 금융 세그먼트의 금융 세그먼트 계층 및 금융 세그먼트 그룹을 결정하기 위한 방법이 개시된다.
도 8을 참조하면, 금융 세그먼트 관리부는 타겟 금융 세그먼트의 초기 위치를 결정할 수 있다(단계 S800).
타겟 금융 세그먼트의 초기 위치는 금융 세그먼트에 대응되는 상품, 판매자, 판매 매체 등과 같은 타겟 금융 세그먼트의 특성을 고려하여 설정될 수 있다. 초기 위치는 복수개로 설정될 수도 있다.
타겟 금융 세그먼트의 초기 위치에 대응되는 기준 금융 세그먼트 그룹을 기반으로 설정된 타겟 금융 세그먼트 그룹의 타겟 금융 세그먼트 그룹 데이터가 기준 인공 지능 모델에 입력되고 신뢰도 검증이 수행될 수 있다. 초기 위치에서 타겟 금융 세그먼트 그룹을 기반으로 한 기준 인공 지능 모델의 학습이 양의 신뢰도 향상을 가지는 경우, 타겟 금융 세그먼트 그룹은 초기 위치에 위치할 수 있다.
반대로 초기 위치에서 타겟 금융 세그먼트 그룹 기반의 기준 인공 지능 모델의 학습이 양의 신뢰도 향상을 보이지 않는 경우, 타겟 금융 세그먼트 그룹은 초기 위치에 대응되는 계층 상에서 다른 기준 금융 세그먼트 그룹으로 이동하거나 상위 계층의 금융 세그먼트로 이동하여 다시 신뢰도 검증이 수행될 수 있다.
(1) 제1 타겟 금융 세그먼트 조정(S810)
제1 타겟 금융 세그먼트 조정(단계 S810)은 동일 계층이되 다른 기준 금융 세그먼트 그룹으로 이동일 수 있다. 즉, 상하 이동이 아닌 동일 계층 상에서 좌우 이동을 통해 타겟 금융 세그먼트의 위치가 조정될 수 있다.
다른 기준 금융 세그먼트 그룹에 타겟 금융 세그먼트를 더한 타겟 금융 세그먼트 그룹 데이터가 다른 기준 금융 세그먼트 그룹에 대응되는 다른 기준 인공 지능 모델에 입력되고, 신뢰도 검증이 수행될 수 있다. 초기 위치 이후 동일 계층의 다른 기준 금융 세그먼트 그룹으로 조정된 위치는 제1 조정 위치라는 용어로 표현될 수 있다.
만약,제1 조정 위치에서 타겟 금융 세그먼트 그룹 기반의 다른 기준 인공 지능 모델의 학습이 양의 신뢰도 향상을 보이는 경우, 타겟 금융 세그먼트는 제1 조정 위치로 설정될 수 있다.
반대로, 제1 조정 위치에서 타겟 금융 세그먼트 그룹 기반의 다른 기준 인공 지능 모델의 학습이 양의 신뢰도 향상을 보이지 않는 경우, 또 다른 제1 조정 위치로 이동하여 또 다른 기준 금융 세그먼트 그룹을 기반으로 한 신뢰도 판단이 수행될 수 있다.
만약, 제1 조정 위치와 같은 동일 계층 상의 이동을 통해 신뢰도 향상이 되지 않는 경우, 타겟 금융 세그먼트의 위치는 계층을 변경하는 제2 타겟 금융 세그먼트 조정을 통해 조정될 수 있다.
(2) 제2 타겟 금융 세그먼트 조정(단계 S820)
제2 타겟 금융 세그먼트 조정(단계 S820)은 다른 계층으로의 조정일 수 있다. 예를 들어, 상위 계층으로 타겟 금융 세그먼트가 이동하고, 상위 계층에서 다시 제1 타겟 금융 세그먼트 조정과 같은 동일 계층 상의 이동을 수행하면서 신뢰도 판단이 수행될 수 있다.
이러한 방식으로 타겟 금융 세그먼트는 인공 지능 모델의 신뢰도를 높일 수 있는 계층 및 그룹에 포함될 수 있고, 금융 세그먼트 계층 상에서 금융 세그먼트가 학습 신뢰도를 높일 수 있는 방향으로 배치될 수 있다. 따라서, 결과적으로 개별 금융 세그먼트에 대해 보다 정확하게 적응적으로 금융 서비스의 제공이 가능하다.
도 9는 본 발명의 실시예에 따른 금융 세그먼트 관리부의 동작을 나타낸 개념도이다.
도 9에서는 금융 세그먼트 관리부가 금융 세그먼트의 분할을 수행하는 방법이 개시된다.
도 9를 참조하면, 금융 세그먼트의 분할은 금융 세그먼트 데이터(910)를 기반으로 한 학습 결과 통해 결정될 수 있다.
예를 들어, 특정 금융 세그먼트(900)의 신규 금융 세그먼트 데이터(910)가 계속적으로 발생 및 누적되는 경우, 새롭게 생성된 신규 금융 세그먼트 데이터(910)를 기반으로 세그먼트 분할 판단 인공 지능 모델(920)에 대한 학습이 수행될 수 있다. 세그먼트 분할 판단 인공 지능 모델(920)은 금융 세그먼트의 분할 여부를 결정하기 위한 모델일 수 있다.
신규 금융 세그먼트 데이터(910)의 누적에 따라 세그먼트 분할 판단 인공 지능 모델(920)의 신뢰도가 감소되는 경우, 금융 세그먼트(900)에 대한 분할을 진행할지 여부를 판단할 수 있다. 새롭게 생성되어 세그먼트 분할 판단 인공 지능 모델(920)의 신뢰도를 감소시키는 신규 금융 세그먼트 데이터(910)가 금융 세그먼트(900)에 포함되는 적어도 하나의 특정 하위 금융 세그먼트(예를 들어, 하위 금융 세그먼트2(950))로 인한 것이라면, 특정 하위 금융 세그먼트를 별도의 금융 세그먼트로 분할할 수 있다.
신규 금융 세그먼트 데이터(910)를 하위 금융 세그먼트 별로 분리하여 어떠한 하위 금융 세그먼트에 의해 발생되는 신규 금융 세그먼트 데이터(910)가 세그먼트 분할 판단 인공 지능 모델(920)의 신뢰도를 감소시키는지에 대한 판단이 수행되고, 세그먼트 분할 판단 인공 지능 모델(920)의 신뢰도를 임계값 이상 감소시키는 하위 금융 세그먼트는 분할하여 독립 금융 세그먼트(960)로 설정될 수 있다. 독립 금융 세그먼트(960)는 도 7 및 도 8에서 전술한 절차를 금융 세그먼트 계층 상에서 수행하여 금융 세그먼트 계층 상에 위치할수 있다.
도 10은 본 발명의 실시예에 따른 데이터 벨류 측정부의 동작을 나타낸 개념도이다.
도 10에서는 데이터 벨류 측정부가 금융 세그먼트 데이터의 가치를 측정하는 방법이 개시된다.
도 10을 참조하면, 데이터 벨류 측정부는 금융 세그먼트 데이터에 대한 가치의 측정을 위해 구현될 수 있다. 인공 지능 모델의 신뢰도에 따라 인공 지능 모델을 학습시킨 금융 세그먼트 데이터의 가치가 변화될 수 있다. 인공 지능 모델의 신뢰도가 상대적으로 높을수록 해당 금융 세그먼트 데이터에 대한 학습을 수행한 데이터에 대한 가치가 상대적으로 높게 설정될 수 있다. 데이터 벨류 측정부는 인공 지능 모델의 학습 결과를 기반으로 입력된 금융 세그먼트 데이터의 가치를 산정하도록 구현될 수 있다.
데이터 벨류를 측정하기 위해 임계 신뢰도 이상의 인공 지능 모델을 생성한 금융 세그먼트 그룹의 금융 세그먼트 데이터 그룹이 추출될 수 있다. 금융 세그먼트 데이터 그룹은 복수의 금융 세그먼트를 포함하는 금융 세그먼트 그룹에서 발생된 데이터일 수 있다. 복수의 금융 세그먼트 각각은 적어도 하나의 하위 금융 세그먼트를 포함할 수 있다.
데이터 벨류 측정부는 1차적으로 복수의 금융 세그먼트를 포함하는 금융 세그먼트 그룹(1050)의 금융 세그먼트 데이터 그룹(1055)에 대한 제1 데이터 벨류 측정(1010)을 수행할 수 있다. 금융 세그먼트 데이터 그룹(1055)의 제1 데이터 벨류(1010)는 금융 세그먼트 데이터 그룹(1055)을 사용한 인공 지능 모델의 학습 결과를 기반으로 결정될 수 있다.
금융 세그먼트 데이터 그룹(1055)으로 특정 인공 지능 모델을 학습시 상대적으로 높은 신뢰도를 보일수록 제1 데이터 벨류(1010)는 상대적으로 높은 값으로 설정될 수 있다. 또한, 금융 세그먼트 데이터 그룹(1055)이 다양한 인공 지능 모델에 활용 가능하여 다양한 인공 지능 모델에 대한 학습시 활용 가능하고, 다양한 인공 지능 모델이 상대적으로 높은 신뢰도를 보일수록 제1 데이터 벨류는 상대적으로 높은 값으로 설정될 수 있다.
제1 데이터 벨류(1010)는 제1 하위 데이터 벨류1(1013), 제1 하위 데이터 벨류2(1016)를 포함할 수 있다. 제1 하위 데이터 벨류1(1013)는 금융 세그먼트 데이터 그룹(1050)이 특정 인공 지능 모델에 활용시 얼마나 높은 신뢰도 높은 인공 지능 모델이 생성될지를 기반으로 결정되는 가치이다. 제1 하위 데이터 벨류2(1016)는 금융 세그먼트 데이터 그룹(1050)이 얼마나 다양한 인공 지능 모델에서 범용적으로 활용 가능한지를 고려한 가치이다.
데이터 벨류 측정부는 2차적으로 금융 세그먼트 데이터(1065)의 제2 데이터 벨류 측정을 수행할 수 있다. 제2 데이터 벨류 측정은 금융 세그먼트 그룹에 포함되는 복수의 금융 세그먼트 각각의 금융 세그먼트 데이터(1065)에 대한 가치 측정일 수 있다. 금융 세그먼트 데이터(1065)의 제2 데이터 벨류(1020)는 금융 세그먼트 데이터(1065)를 사용한 인공 지능 모델의 학습 결과를 기반으로 결정될 수 있다.
금융 세그먼트 데이터(1065)로 특정 인공 지능 모델을 학습시 상대적으로 높은 신뢰도를 보일수록 제2 데이터 벨류(1020)는 상대적으로 높은 값으로 설정될 수 있다. 또한, 금융 세그먼트 데이터(1065)가 다양한 인공 지능 모델에 활용 가능하여 다양한 인공 지능 모델에 대한 학습시 활용 가능하고, 다양한 인공 지능 모델이 상대적으로 높은 신뢰도를 보일수록 제2 데이터 벨류(1020)는 상대적으로 높은 값으로 설정될 수 있다.
제2 데이터 벨류(1020)는 제2 하위 데이터 벨류1(1023), 제2 하위 데이터 벨류2(1026)를 포함할 수 있다. 제2 하위 데이터 벨류1(1023)은 금융 세그먼트 데이터(1065)가 특정 인공 지능 모델에 활용시 얼마나 높은 신뢰도 높은 인공 지능 모델이 생성될지를 기반으로 결정되는 가치이다. 제2 하위 데이터 벨류2(1026)는 금융 세그먼트 데이터(1065)가 얼마나 다양한 인공 지능 모델에서 범용적으로 활용 가능한지를 고려한 가치이다.
데이터 벨류 측정부는 3차적으로 하위 금융 세그먼트 데이터(1075)의 제3 데이터 벨류 측정을 수행할 수 있다. 제3 데이터 벨류 측정은 금융 세그먼트에 포함되는 적어도 하나의 하위 금융 세그먼트 각각의 금융 세그먼트 데이터(1075)에 대한 가치 측정일 수 있다. 하위 금융 세그먼트(1070)의 금융 세그먼트 데이터(1075)에 대한 제3 데이터 벨류(1030)는 하위 금융 세그먼트(1070)의 금융 세그먼트 데이터(1075)를 사용한 인공 지능 모델의 학습 결과를 기반으로 결정될 수 있다.
하위 금융 세그먼트(1070)의 금융 세그먼트 데이터(1075)로 특정 인공 지능 모델을 학습시 상대적으로 높은 신뢰도를 보일수록 제3 데이터 벨류(1030)는 상대적으로 높은 값으로 설정될 수 있다. 또한, 하위 금융 세그먼트(1070)의 금융 세그먼트 데이터(1075)가 다양한 인공 지능 모델에 활용 가능하여 다양한 인공 지능 모델에 대한 학습시 활용 가능하고, 다양한 인공 지능 모델이 상대적으로 높은 신뢰도를 보일수록 제3 데이터 벨류(1030)는 상대적으로 높은 값으로 설정될 수 있다.
제3 데이터 벨류(1030)는 제3 하위 데이터 벨류1(1033), 제2 하위 데이터 벨류2(1036)를 포함할 수 있다. 제3 하위 데이터 벨류1(1033)은 하위 금융 세그먼트(1070)의 금융 세그먼트 데이터(1075)가 특정 인공 지능 모델에 활용시 얼마나 높은 신뢰도 높은 인공 지능 모델이 생성될지를 기반으로 결정되는 가치이다. 제3 하위 데이터 벨류2(1036)는 하위 금융 세그먼트(1070)의 금융 세그먼트 데이터(1075)가 얼마나 다양한 인공 지능 모델에서 범용적으로 활용 가능한지를 고려한 가치이다.
데이터 벨류 측정부는 제1 데이터 벨류(1010), 제2 데이터 벨류(1020) 및 제3 데이터 벨류(1030)를 기반으로 데이터 벨류를 측정할 수 있다.
도 11은 본 발명의 실시예에 따른 인공 지능 모델 벨류 측정부의 동작을 나타낸 개념도이다.
도 11에서는 복수의 금융 세그먼트 및 복수의 금융 서비스 각각에 대한 인공 지능 모델의 벨류를 측정하기 위하기 위한 방법이 개시된다.
도 11을 참조하면, 인공 지능 모델의 제1 모델 벨류(1110)는 생성된 인공 지능 모델의 신뢰도를 기반으로 결정될 수 있다. 예를 들어, 특정 세그먼트를 위한 인공 지능 모델에 대한 벨류는 특정 세그먼트에 대한 입력 데이터를 기반으로 얼마나 정확한 금융 예측이 수행되는 지를 기반으로 결정될 수 있다.
인공 지능 모델의 제2 모델 벨류(1120)는 생성된 인공 지능 모델의 개선 가능성을 기반으로 결정될 수 있다. 예를 들어, 인공 지능 모델로 계속적으로 입력 가능한 퀄리티 높은 신규 금융 세그먼트 데이터가 생성될 가능성 및 신규 금융 세그먼트 데이터의 생성양, 신규 금융 세그먼트 데이터의 입력시 오버피팅없이 계속적인 신뢰도 개선이 가능할지에 대한 판단을 기반으로 제2 모델 벨류(1120)가 결정될 수 있다.
인공 지능 모델의 제3 모델 벨류(1130)는 생성된 인공 지능 모델의 활용 범용성을 기반으로 결정될 수 있다. 인공 지능 모델이 특정 금융 세그먼트에 대해서만 신뢰도가 높은 것보다 인공 지능 모델이 다양한 금융 세그먼트에 대해 높은 신뢰도를 가지는 것이 보다 높은 벨류를 가질 수 있다. 또한, 인공 지능 모델이 특정 금융 서비스에 대해서만 신뢰도가 높은 것보다 인공 지능 모델이 다양한 금융 서비스에 대해 높은 신뢰도를 가지는 것이 보다 높은 벨류를 가질 수 있다.
인공 지능 모델별로 제1 모델 벨류 판단, 제2 모델 벨류 판단 및 제3 모델 벨류 판단이 수행될 수 있고, 제1 모델 벨류 판단, 제2 모델 벨류 판단 및 제3 모델 벨류 판단 각각을 기반으로 한 제1 모델 벨류(1110), 제2 모델 벨류(1120), 제3 모델 벨류(1130)를 기반으로 인공 지능 모델 벨류(1150)가 결정될 수 있다.
도 12는 본 발명의 실시예에 따른 데이터 및 인공 지능 모델 거래 장치의 동작을 나타낸 개념도이다.
도 12에서는 데이터 및 인공 지능 모델 거래 장치가 데이터와 인공 지능 모델을 거래하는 방법이 개시된다.
도 12를 참조하면, 데이터 및 인공 지능 모델 거래 장치는 구매자 장치의 요청에 따라 금융 세그먼트 데이터 및/또는 인공 지능 모델을 제공할 수 있다.
구매자 장치는 거래 요청시 인공 지능 모델이 타겟팅하는 타겟 금융 세그먼트에 대한 타겟 금융 세그먼트 요청 데이터(1210), 인공 지능 모델을 기반으로 제공하고자 하는 타겟 서비스에 대한 타겟 금융 서비스 요청 데이터(1220)를 거래 요청 데이터(1230)로서 데이터 및 인공 지능 모델 거래 장치로 전송할 수 있다.
데이터 및 인공 지능 모델 거래 장치는 거래 요청 데이터를 수신하고, 추천 금융 세그먼트 데이터(1250), 추천 인공 지능 모델(1260)을 구매자 장치로 제공될 수 있다.
추천 금융 세그먼트 데이터(1250)는 금융 세그먼트 데이터의 벨류에 따른 가격이 설정되어 다양한 데이터 조합으로 제공될 수 있다. 추천 금융 세그먼트 데이터(1250)에 대한 정보는 가격별로 데이터 기반의 학습시 기대 신뢰도 별로 데이터 및 인공 지능 모델 거래 장치에 의해 구매자 장치로 제공될 수 있다.
추천 인공 지능 모델(1260)은 인공 지능 모델의 벨류에 따른 가격이 설정되어 제공될 수 있다. 추천 인공 지능 모델(1250)에 대한 정보는 가격별로 기대 신뢰도별로 나열되어 데이터 및 인공 지능 모델 거래 장치에 의해 구매자 장치로 제공될 수 있다.
이상 설명된 본 발명에 따른 실시예는 다양한 컴퓨터 구성요소를 통하여 실행될 수 있는 프로그램 명령어의 형태로 구현되어 컴퓨터 판독 가능한 기록 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 컴퓨터 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수 있다. 컴퓨터 판독 가능한 기록 매체의 예에는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등과 같은, 프로그램 명령어를 저장하고 실행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령어의 예에는, 컴파일러에 의하여 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용하여 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함된다. 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위하여 하나 이상의 소프트웨어 모듈로 변경될 수 있으며, 그 역도 마찬가지이다.
이상에서 본 발명이 구체적인 구성요소 등과 같은 특정 사항과 한정된 실시예 및 도면에 의하여 설명되었으나, 이는 본 발명의 보다 전반적인 이해를 돕기 위하여 제공된 것일 뿐, 본 발명이 상기 실시예에 한정되는 것은 아니며, 본 발명이 속하는 기술분야에서 통상적인 지식을 가진 자라면 이러한 기재로부터 다양한 수정과 변경을 꾀할 수 있다.
따라서, 본 발명의 사상은 상기 설명된 실시예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 또는 이로부터 등가적으로 변경된 모든 범위는 본 발명의 사상의 범주에 속한다고 할 것이다.

Claims (6)

  1. 금융 서비스를 위한 금융 모델 및 금융 데이터 가치 평가 방법은,
    데이터 벨류 측정부가 금융 세그먼트 그룹의 금융 세그먼트 데이터 그룹을 기반으로 한 제1 데이터 벨류를 결정하는 단계;
    상기 데이터 벨류 측정부가 금융 세그먼트의 금융 세그먼트 데이터를 기반으로 한 제2 데이터 벨류를 결정하는 단계;
    상기 데이터 벨류 측정부가 하위 금융 세그먼트의 금융 세그먼트 데이터를 기반으로 한 제3 데이터 벨류를 결정하는 단계; 및
    상기 데이터 벨류 측정부가 상기 제1 데이터 벨류, 상기 제2 데이터 벨류 및 상기 제3 데이터 벨류를 기반으로 금융 세그먼트 데이터의 벨류를 결정하는 단계를 포함하는 것을 특징으로 하는 방법.
  2. 제1항에 있어서,
    상기 제1 데이터 벨류는 제1 하위 데이터 벨류1 및 제1 하위 데이터 벨류2를 포함하고,
    상기 제1 하위 데이터 벨류1은 상기 금융 세그먼트 데이터 그룹이 특정 인공 지능 모델에 활용시 얼마나 높은 신뢰도 높은 인공 지능 모델이 생성되는지를 기반으로 결정되고,
    상기 제1 하위 데이터 벨류2는 상기 금융 세그먼트 데이터 그룹이 얼마나 다양한 인공 지능 모델에서 범용적으로 활용 가능한지를 기반으로 결정되고,
    상기 제2 데이터 벨류는 제2 하위 데이터 벨류1 및 제2 하위 데이터 벨류2를 포함하고,
    상기 제2 하위 데이터 벨류1은 상기 금융 세그먼트의 금융 세그먼트 데이터가 특정 인공 지능 모델에 활용시 얼마나 높은 신뢰도 높은 인공 지능 모델이 생성되는지를 기반으로 결정되고,
    상기 제2 하위 데이터 벨류2는 상기 금융 세그먼트의 금융 세그먼트 데이터가 얼마나 다양한 인공 지능 모델에서 범용적으로 활용 가능한지를 기반으로 결정되고,
    상기 제3 데이터 벨류는 제3 하위 데이터 벨류1 및 제3 하위 데이터 벨류2를 포함하고,
    상기 제3 하위 데이터 벨류1은 상기 하위 금융 세그먼트의 금융 세그먼트 데이터가 특정 인공 지능 모델에 활용시 얼마나 높은 신뢰도 높은 인공 지능 모델이 생성되는지를 기반으로 결정되고,
    상기 제3 하위 데이터 벨류2는 상기 하위 금융 세그먼트의 금융 세그먼트 데이터가 얼마나 다양한 인공 지능 모델에서 범용적으로 활용 가능한지를 기반으로 결정되는 것을 특징으로 하는 방법.
  3. 제2 항에 있어서,
    상기 인공 지능 모델 벨류 측정부가 제1 모델 벨류 판단을 기반으로 제1 모델 벨류를 결정하는 단계;
    상기 인공 지능 모델 벨류 측정부가 제2 모델 벨류 판단을 기반으로 제2 모델 벨류를 결정하는 단계; 및
    상기 인공 지능 모델 벨류 측정부가 제3 모델 벨류 판단을 기반으로 제3 모델 벨류를 결정하는 단계를 더 포함하되,
    상기 제1 모델 벨류는 인공 지능 모델의 신뢰도를 기반으로 결정되고,
    상기 제2 모델 벨류는 인공 지능 모델의 개선 가능성을 기반으로 결정되고,
    상기 제3 모델 벨류는 인공 지능 모델의 활용 범용성을 기반으로 결정되는 것을 특징으로 하는 방법.
  4. 금융 서비스를 위한 금융 모델 및 금융 데이터 가치 평가를 수행하는 금융 서비스 인공 지능 모델 서비스 장치는,
    금융 세그먼트 그룹의 금융 세그먼트 데이터 그룹을 기반으로 한 제1 데이터 벨류를 결정하고, 금융 세그먼트의 금융 세그먼트 데이터를 기반으로 한 제2 데이터 벨류를 결정하고, 하위 금융 세그먼트의 금융 세그먼트 데이터를 기반으로 한 제3 데이터 벨류를 결정하고, 상기 제1 데이터 벨류, 상기 제2 데이터 벨류 및 상기 제3 데이터 벨류를 기반으로 금융 세그먼트 데이터의 벨류를 결정하는 데이터 벨류 측정부를 포함하는 것을 특징으로 하는 금융 서비스 인공 지능 모델 서비스 장치.
  5. 제4항에 있어서,
    상기 제1 데이터 벨류는 제1 하위 데이터 벨류1 및 제1 하위 데이터 벨류2를 포함하고,
    상기 제1 하위 데이터 벨류1은 상기 금융 세그먼트 데이터 그룹이 특정 인공 지능 모델에 활용시 얼마나 높은 신뢰도 높은 인공 지능 모델이 생성되는지를 기반으로 결정되고,
    상기 제1 하위 데이터 벨류2는 상기 금융 세그먼트 데이터 그룹이 얼마나 다양한 인공 지능 모델에서 범용적으로 활용 가능한지를 기반으로 결정되고,
    상기 제2 데이터 벨류는 제2 하위 데이터 벨류1 및 제2 하위 데이터 벨류2를 포함하고,
    상기 제2 하위 데이터 벨류1은 상기 금융 세그먼트의 금융 세그먼트 데이터가 특정 인공 지능 모델에 활용시 얼마나 높은 신뢰도 높은 인공 지능 모델이 생성되는지를 기반으로 결정되고,
    상기 제2 하위 데이터 벨류2는 상기 금융 세그먼트의 금융 세그먼트 데이터가 얼마나 다양한 인공 지능 모델에서 범용적으로 활용 가능한지를 기반으로 결정되고,
    상기 제3 데이터 벨류는 제3 하위 데이터 벨류1 및 제3 하위 데이터 벨류2를 포함하고,
    상기 제3 하위 데이터 벨류1은 상기 하위 금융 세그먼트의 금융 세그먼트 데이터가 특정 인공 지능 모델에 활용시 얼마나 높은 신뢰도 높은 인공 지능 모델이 생성되는지를 기반으로 결정되고,
    상기 제3 하위 데이터 벨류2는 상기 하위 금융 세그먼트의 금융 세그먼트 데이터가 얼마나 다양한 인공 지능 모델에서 범용적으로 활용 가능한지를 기반으로 결정되는 것을 특징으로 하는 금융 서비스 인공 지능 모델 서비스 장치.
  6. 제5 항에 있어서, 금융 서비스 인공 지능 모델 서비스 장치는,
    제1 모델 벨류 판단을 기반으로 제1 모델 벨류를 결정하고, 제2 모델 벨류 판단을 기반으로 제2 모델 벨류를 결정하고, 제3 모델 벨류 판단을 기반으로 제3 모델 벨류를 결정하도록 구현되는 인공 지능 모델 벨류 측정부를 더 포함하되,
    상기 제1 모델 벨류는 인공 지능 모델의 신뢰도를 기반으로 결정되고,
    상기 제2 모델 벨류는 인공 지능 모델의 개선 가능성을 기반으로 결정되고,
    상기 제3 모델 벨류는 인공 지능 모델의 활용 범용성을 기반으로 결정되는 것을 특징으로 하는 금융 서비스 인공 지능 모델 서비스 장치.
PCT/KR2022/016483 2021-11-02 2022-10-26 금융 서비스를 위한 금융 모델 및 금융 데이터 가치 평가 방법 및 이러한 방법을 수행하는 장치 WO2023080531A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020210148713A KR102485528B1 (ko) 2021-11-02 2021-11-02 금융 서비스를 위한 금융 모델 및 금융 데이터 가치 평가 방법 및 이러한 방법을 수행하는 장치
KR10-2021-0148713 2021-11-02

Publications (1)

Publication Number Publication Date
WO2023080531A1 true WO2023080531A1 (ko) 2023-05-11

Family

ID=84923870

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2022/016483 WO2023080531A1 (ko) 2021-11-02 2022-10-26 금융 서비스를 위한 금융 모델 및 금융 데이터 가치 평가 방법 및 이러한 방법을 수행하는 장치

Country Status (2)

Country Link
KR (2) KR102485528B1 (ko)
WO (1) WO2023080531A1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200080296A (ko) * 2017-11-21 2020-07-06 아마존 테크놀로지스, 인크. 종단 장치에서의 기계 학습을 위한 패키지 생성 및 배포
KR20210017985A (ko) * 2018-06-08 2021-02-17 상하이 캠브리콘 인포메이션 테크놀로지 컴퍼니 리미티드 범용 기계학습 모델, 모델 파일의 생성 및 분석방법
JP6831030B1 (ja) * 2020-06-30 2021-02-17 三菱重工業株式会社 予測モデルの学習方法、予測モデルの学習装置、及び、プラント制御システム
KR20210027590A (ko) * 2019-08-28 2021-03-11 현대자동차주식회사 복수의 서브 모델을 포함한 다층 인공 신경망 성능 평가 장치 및 그 방법
KR20210095429A (ko) * 2020-01-23 2021-08-02 삼성전자주식회사 사용자의 개인 모델을 학습하는 전자 장치 및 그 동작 방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200080296A (ko) * 2017-11-21 2020-07-06 아마존 테크놀로지스, 인크. 종단 장치에서의 기계 학습을 위한 패키지 생성 및 배포
KR20210017985A (ko) * 2018-06-08 2021-02-17 상하이 캠브리콘 인포메이션 테크놀로지 컴퍼니 리미티드 범용 기계학습 모델, 모델 파일의 생성 및 분석방법
KR20210027590A (ko) * 2019-08-28 2021-03-11 현대자동차주식회사 복수의 서브 모델을 포함한 다층 인공 신경망 성능 평가 장치 및 그 방법
KR20210095429A (ko) * 2020-01-23 2021-08-02 삼성전자주식회사 사용자의 개인 모델을 학습하는 전자 장치 및 그 동작 방법
JP6831030B1 (ja) * 2020-06-30 2021-02-17 三菱重工業株式会社 予測モデルの学習方法、予測モデルの学習装置、及び、プラント制御システム

Also Published As

Publication number Publication date
KR20230063883A (ko) 2023-05-09
KR102485528B1 (ko) 2023-01-06

Similar Documents

Publication Publication Date Title
WO2020256418A2 (ko) 디지털 트윈을 이용하여 가상센서를 구현하는 컴퓨팅 시스템 및 이를 이용한 실시간 데이터 수집 방법
WO2020022639A1 (ko) 딥러닝 기반의 가치 평가 방법 및 그 장치
WO2010119996A1 (ko) 동영상 관련 광고를 제공하는 방법 및 그 장치
WO2015115681A1 (ko) 표정 동작사전을 이용한 표정인식 방법 및 장치
WO2022145614A1 (ko) 축사 영상을 이용한 가축 체중 추정 시스템 및 방법
WO2018004299A1 (ko) 영상 축약 시스템 및 방법
WO2014058233A1 (ko) 데이터 프리로드를 통한 사용자 디바이스의 gui 반응 속도 증대 방법 및 그 사용자 디바이스
WO2022045425A1 (ko) 역강화학습 기반 배달 수단 탐지 장치 및 방법
WO2020180084A1 (ko) 타겟 이미지의 채색 완성 방법, 장치 및 컴퓨터 프로그램
WO2021246772A1 (ko) 인공지능 학습데이터 생성을 위한 크라우드소싱 기반 프로젝트의 기능요소 단위 작업 분배 방법, 그 장치 및 그 컴퓨터 프로그램
WO2023136493A1 (ko) Cb 사 신용 평가 모델 생성 및 관리 자동화 방법 및 이러한 방법을 수행하는 장치
WO2017099555A1 (ko) 시간분할 세그먼트 블록 기반 수기서명 인증 시스템 및 방법
WO2020045848A1 (ko) 세그멘테이션을 수행하는 뉴럴 네트워크를 이용한 질병 진단 시스템 및 방법
WO2021006505A1 (ko) 전문가 경력 관리 방법, 장치 및 프로그램
WO2019074316A1 (ko) 이미지 및 영상의 등록, 검색, 재생을 모바일 디바이스 및 서버에서 분할하여 수행하는 컨벌루션 인공신경망 기반 인식 시스템
WO2017014469A1 (ko) 질병 위험도 예측 방법 및 이를 수행하는 장치
WO2020168606A1 (zh) 广告视频优化方法、装置、设备及计算机可读存储介质
WO2021010671A9 (ko) 뉴럴 네트워크 및 비국소적 블록을 이용하여 세그멘테이션을 수행하는 질병 진단 시스템 및 방법
WO2023080531A1 (ko) 금융 서비스를 위한 금융 모델 및 금융 데이터 가치 평가 방법 및 이러한 방법을 수행하는 장치
WO2020175753A1 (ko) 전문가에 의해 생성되는 프로젝트 결과물을 빅데이터 기반으로 관리하는 방법 및 시스템
WO2018008835A1 (ko) 증권 포트폴리오를 위한 리스크 관리 방법 및 이를 위한 리스크 관리 장치.
WO2020138575A1 (ko) 기계 학습 데이터 선택 방법 및 장치
WO2019190142A1 (en) Method and device for processing image
WO2023153679A1 (ko) Oms 상에서 온라인 판매자 및 소비자 간 발생하는 주문 데이터 기반의 신용 평가 방법 및 이러한 방법을 수행하는 장치
EP3707678A1 (en) Method and device for processing image

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: 22890266

Country of ref document: EP

Kind code of ref document: A1