KR102506778B1 - 계약서 리스크 분석 방법 및 장치 - Google Patents

Abstract

본 개시의 일 실시예에 따라 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는 계약서 리스크 분석 방법이 개시된다. 상기 방법은: 입력 계약서의 유형을 결정하는 단계; 학습된 질의응답 모델을 통해, 상기 입력 계약서 및 상기 결정된 유형에 대응되는 체크리스트에 기초하여 상기 체크리스트에 포함된 적어도 하나의 질의에 대한 대응 답변을 획득하는 단계; 및 상기 대응 답변과 상기 질의에 대한 기준 답변을 비교하여 리스크 분석 결과를 생성하는 단계를 포함할 수 있다.

Description

계약서 리스크 분석 방법 및 장치 {METHOD AND APPARATUS FOR ANALYZING RISK OF CONTRACT}

본 발명은 계약서 리스크를 분석하는 방법에 관한 것으로서, 보다 구체적으로는 인공 신경망을 이용하여 계약서 리스크를 분석하는 방법에 관한 것이다.

자연어 처리 분야에 있어서 텍스트 분석 방법은 다양한 방법이 존재한다. 또한 최근 인공 신경망과 관련한 기술이 발전하면서 인공 신경망 모델에 기반한 텍스트 분석 방법 역시 각광을 받고 있다. 자연어 처리 기술을 통해, 컴퓨팅 장치는 법률 문서에 존재하는 내용을 파악할 수 있고, 나아가 법률 문서를 작성할 수도 있다.

일반적으로 법률 서비스는 높은 비용을 요구하는 서비스이다. 예를 들어, 청구 취지의 금액이 소액인 경우, 사건을 대리할 법률 대리인에게 지불해야할 금액이 청구 금액에 대해 상대적으로 높은 비율을 차지하게 된다. 이러한 경우 전문가에 의한 법률 판단이 요구되는 사안임에도 비용적 부담으로 인해 법률 서비스를 이용하지 못하는 문제가 발생할 수 있다. 이와 같은 문제점은 저비용의 법률 서비스를 제공하여 다수의 사람들이 법률 서비스를 제공받을 수 있는 환경을 조성할 필요성을 야기한다.

따라서 당업계에서는 자연어 처리 기술을 통해 작성된 계약서의 검토시간을 획기적으로 단축시키는 방법 및 이에 따라 법률계약에 취약한 소상공인 또는 중소기업에게 계약서 검토 비용을 감소시키기 위한 방법에 대한 수요가 지속적으로 존재해왔다.

한국등록특허 KR10-2022412는 법률문서 자동작성 시스템 및 그 방법을 개시하고 있다.

본 개시는 전술한 배경기술에 대응하여 안출 된 것으로, 인공 신경망을 이용하여 계약서 리스크를 분석하는 방법의 제공을 목적으로 한다.

전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는 계약서 리스크 분석 방법이 개시된다. 상기 방법은: 입력 계약서의 유형을 결정하는 단계; 학습된 질의응답 모델을 통해, 상기 입력 계약서 및 상기 결정된 유형에 대응되는 체크리스트에 기초하여 상기 체크리스트에 포함된 적어도 하나의 질의에 대한 대응 답변을 획득하는 단계; 및 상기 대응 답변과 상기 질의에 대한 기준 답변을 비교하여 리스크 분석 결과를 생성하는 단계를 포함할 수 있다.

대안적인 실시예에서, 상기 입력 계약서의 유형은, 상기 질의응답 모델과 독립적으로 학습된 분류 모델에 기초하여 결정될 수 있다.

대안적인 실시예에서, 상기 분류 모델은, 입력 계약서를 복수의 상위 유형들 중 하나의 상위 유형으로 매칭시키기 위한 상위 분류 모델; 및 상기 매칭된 상위 유형에 포함되는 복수의 하위 유형들 중 하나의 하위 유형으로 상기 입력 계약서를 매칭시키기 위한 하위 분류 모델을 포함할 수 있다.

대안적인 실시예에서, 상기 상위 분류 모델은, 상기 입력 계약서를 입력으로 사용하고 그리고 상기 입력 계약서에 대응되는 하나의 상위 유형을 출력 정보로 생성하며, 상기 상위 분류 모델에서 출력될 수 있는 복수의 상위 유형들 각각에 대응되도록 복수의 하위 분류 모델들이 존재하며, 그리고 상기 복수의 하위 분류 모델들 중 상기 입력 계약서를 하나의 하위 유형으로 매칭시키기 위한 하위 분류 모델은 상기 상위 분류 모델의 출력 정보에 기초하여 결정될 수 있다.

대안적인 실시예에서, 상기 입력 계약서의 유형은, 입력 계약서에 포함된 복수의 텍스트 토큰들을 상기 학습된 분류 모델에 입력하여 획득되는 분류 결과; 및 상기 복수의 텍스트 토큰들의 위치에 기반한 가중치에 기초하여 결정될 수 있다.

대안적인 실시예에서, 상기 위치에 기반한 가중치는: 상기 복수의 텍스트 토큰들 중 상기 입력 계약서 내에서 선행 위치에 존재하는 제 1 텍스트 토큰에게 할당되는 제 1 가중치; 및 상기 복수의 텍스트 토큰들 중 상기 입력 계약서 내에서 후행 위치에 존재하는 제 2 텍스트 토큰에게 할당되는 제 2 가중치를 포함하며, 그리고 상기 제 1 가중치는 상기 제 2 가중치에 비해 높은 값을 가지도록 설정될 수 있다.

대안적인 실시예에서, 상기 입력 계약서는 선행 위치 영역 및 후행 위치 영역으로 구분되며, 상기 선행 위치 영역에 존재하는 제 1 텍스트 토큰에게 할당되는 제 1 가중치는 상기 후행 위치 영역에 존재하는 제 2 텍스트 토큰에게 할당되는 제 2 가중치 보다 높은 값을 가지며, 그리고 상기 선행 위치 영역의 적어도 일부와 상기 후행 위치 영역의 적어도 일부는 중첩될 수 있다.

대안적인 실시예에서, 상기 체크리스트는: 계약서의 유형에 따라 반드시 포함되어야 하는 요소가 상기 입력 계약서에 포함되는지 여부를 확인하기 위한 필수조항 체크리스트; 또는 계약서의 유형에 따른 독소적 요소가 상기 입력 계약서에 포함되는지 여부를 확인하기 위한 독소조항 체크리스트를 포함할 수 있다.

대안적인 실시예에서, 상기 필수조항 체크리스트는, 계약서의 유형에 대응되는 근거 법조문에 기초하여 생성된 제 1 질의 또는 판례에 기초하여 생성된 제 2 질의를 포함할 수 있다.

대안적인 실시예에서, 상기 질의응답 모델은, 계약 내용을 포함하는 텍스트; 상기 계약 내용에 대한 하나 이상의 질의; 및 상기 하나 이상의 질의에 대응되도록 상기 텍스트 내에서 라벨링된 기준 답변을 포함하는 적어도 하나의 학습 데이터에 기초하여 학습될 수 있다.

대안적인 실시예에서, 상기 질의응답 모델은, 상기 질의응답 모델에 계약 내용을 포함하는 텍스트 및 상기 계약 내용에 대한 하나 이상의 질의를 입력하는 단계; 상기 질의응답 모델로부터 상기 텍스트에서 상기 질의에 대한 대응 답변을 획득하는 단계; 및 상기 대응 답변과 질의에 대한 기준 답변을 비교하여 상기 질의응답 모델에 포함된 적어도 하나의 파라미터를 갱신하는 단계에 의해 학습될 수 있다.

대안적인 실시예에서, 상기 계약 내용에 대한 하나 이상의 질의는, 다른 질의에 포함된 텍스트 토큰의 적어도 일부가 다른 값으로 치환된 대체 질의를 포함할 수 있다.

대안적인 실시예에서, 상기 리스크 분석 결과는, 필수조항 누락여부에 대한 분석 결과 또는 독소조항 포함여부에 대한 분석 결과를 포함할 수 있다.

대안적인 실시예에서, 상기 리스크 분석 결과는, 상기 대응 답변과 상기 기준 답변 간의 텍스트 토큰 기반 유사도 분석 결과에 기초하여 생성될 수 있다.

대안적인 실시예에서, 상기 리스크 분석 결과는, 상기 질의응답 모델과 독립적으로 학습된 리스크 판단 모델에 상기 대응 답변 및 상기 기준 답변이 입력됨에 따라 획득되는 출력값에 기초하여 생성될 수 있다.

대안적인 실시예에서, 상기 리스크 분석 결과는, 상기 대응 답변 및 상기 기준 답변에 대한 텍스트 토큰 기반 유사도 분석 결과; 및 상기 대응 답변 및 상기 기준 답변에 대한 학습된 리스크 판단 모델의 출력값에 각각 가중치를 적용한 결과에 기초하여 생성될 수 있다.

대안적인 실시예에서, 상기 학습된 질의응답 모델로부터 획득된 상기 대응 답변에 기초하여 계약서 요약 정보를 생성하는 단계; 또는 상기 리스크 분석 결과에 기초하여 계약서에 대한 추천 정보를 생성하는 단계를 더 포함할 수 있다.

전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 계약서 리스크를 분석하기 위한 이하의 동작들을 수행하도록 하며, 상기 동작들은: 입력 계약서의 유형을 결정하는 동작; 학습된 질의응답 모델을 통해, 상기 입력 계약서 및 상기 결정된 유형에 대응되는 체크리스트에 기초하여 상기 체크리스트에 포함된 적어도 하나의 질의에 대한 대응 답변을 획득하는 동작; 및 상기 대응 답변과 상기 질의에 대한 기준 답변을 비교하여 리스크 분석 결과를 생성하는 동작을 포함을 포함할 수 있다.

전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 계약서 리스크 분석 장치가 개시된다. 상기 장치는 하나 이상의 프로세서; 메모리; 및 네트워크를 포함하고, 그리고 상기 하나 이상의 프로세서는, 입력 계약서의 유형을 결정하고, 학습된 질의응답 모델을 통해, 상기 입력 계약서 및 상기 결정된 유형에 대응되는 체크리스트에 기초하여 상기 체크리스트에 포함된 적어도 하나의 질의에 대한 대응 답변을 획득하고, 그리고 상기 대응 답변과 상기 질의에 대한 기준 답변을 비교하여 리스크 분석 결과를 생성할 수 있다.

본 개시는 인공 신경망을 이용하여 계약서 리스크를 분석하는 방법을 제공할 수 있다.

도 1은 본 개시의 일 실시예에 따라 계약서 리스크를 분석하기 위한 컴퓨팅 장치의 블록 구성도이다.
도 2는 본 개시의 일 실시예에 따라 네트워크 함수를 나타낸 개략도이다.
도 3은 본 개시의 일 실시예에 따른 리스크 분석 방법에 대한 흐름도이다.
도 4는 본 개시의 일 실시예에 따른 질의응답 모델의 학습 방법에 대한 흐름도이다.
도 5는 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.

다양한 실시예들이 이제 도면을 참조하여 설명된다. 본 명세서에서, 다양한 설명들이 본 개시의 이해를 제공하기 위해서 제시된다. 그러나, 이러한 실시예들은 이러한 구체적인 설명 없이도 실행될 수 있음이 명백하다.

본 명세서에서 사용되는 용어 "컴포넌트", "모듈", "시스템" 등은 컴퓨터-관련 엔티티, 하드웨어, 펌웨어, 소프트웨어, 소프트웨어 및 하드웨어의 조합, 또는 소프트웨어의 실행을 지칭한다. 예를 들어, 컴포넌트는 프로세서상에서 실행되는 처리과정(procedure), 프로세서, 객체, 실행 스레드, 프로그램, 및/또는 컴퓨터일 수 있지만, 이들로 제한되는 것은 아니다. 예를 들어, 컴퓨팅 장치에서 실행되는 애플리케이션 및 컴퓨팅 장치 모두 컴포넌트일 수 있다. 하나 이상의 컴포넌트는 프로세서 및/또는 실행 스레드 내에 상주할 수 있다. 일 컴포넌트는 하나의 컴퓨터 내에 로컬화 될 수 있다. 일 컴포넌트는 2개 이상의 컴퓨터들 사이에 분배될 수 있다. 또한, 이러한 컴포넌트들은 그 내부에 저장된 다양한 데이터 구조들을 갖는 다양한 컴퓨터 판독가능한 매체로부터 실행할 수 있다. 컴포넌트들은 예를 들어 하나 이상의 데이터 패킷들을 갖는 신호(예를 들면, 로컬 시스템, 분산 시스템에서 다른 컴포넌트와 상호작용하는 하나의 컴포넌트로부터의 데이터 및/또는 신호를 통해 다른 시스템과 인터넷과 같은 네트워크를 통해 전송되는 데이터)에 따라 로컬 및/또는 원격 처리들을 통해 통신할 수 있다.

더불어, 용어 "또는"은 배타적 "또는"이 아니라 내포적 "또는"을 의미하는 것으로 의도된다. 즉, 달리 특정되지 않거나 문맥상 명확하지 않은 경우에, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 의도된다. 즉, X가 A를 이용하거나; X가 B를 이용하거나; 또는 X가 A 및 B 모두를 이용하는 경우, "X는 A 또는 B를 이용한다"가 이들 경우들 어느 것으로도 적용될 수 있다. 또한, 본 명세서에 사용된 "및/또는"이라는 용어는 열거된 관련 아이템들 중 하나 이상의 아이템의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.

또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하는 것으로 이해되어야 한다. 다만, "포함한다" 및/또는 "포함하는"이라는 용어는, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다. 또한, 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 본 명세서와 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다.

그리고, “A 또는 B 중 적어도 하나”이라는 용어는, “A만을 포함하는 경우”, “B 만을 포함하는 경우”, “A와 B의 구성으로 조합된 경우”를 의미하는 것으로 해석되어야 한다.

당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들, 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있다. 다만, 그러한 구현의 결정들이 본 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안된다.

제시된 실시예들에 대한 설명은 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이다. 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 발명은 여기에 제시된 실시예 들로 한정되는 것이 아니다. 본 발명은 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

도 1은 본 개시의 일 실시예에 따라 계약서 리스크를 분석하기 위한 컴퓨팅 장치의 블록 구성도이다.

도 1에 도시된 컴퓨팅 장치(100)의 구성은 간략화 하여 나타낸 예시일 뿐이다. 본 개시의 일 실시예에서 컴퓨팅 장치(100)는 컴퓨팅 장치(100)의 컴퓨팅 환경을 수행하기 위한 다른 구성들이 포함될 수 있고, 개시된 구성들 중 일부만이 컴퓨팅 장치(100)를 구성할 수도 있다.

컴퓨팅 장치(100)는 프로세서(110), 메모리(130), 네트워크부(150)를 포함할 수 있다.

프로세서(110)는 하나 이상의 코어로 구성될 수 있으며, 컴퓨팅 장치의 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치 (GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등의 데이터 분석, 딥러닝을 위한 프로세서를 포함할 수 있다. 프로세서(110)는 메모리(130)에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 계약서 리스크 분석을 위한 데이터 처리를 수행할 수 있다. 프로세서(110)는 입력 계약서의 유형을 결정할 수 있다. 프로세서(110)는 입력 계약서와 입력 계약서에 대해 결정된 유형에 대응되는 체크리스트에 기초하여 학습된 질의응답 모델을 통해 체크리스트에 포함된 적어도 하나의 질의에 대한 대응 답변을 획득할 수 있다. 프로세서(110)는 입력 계약서로부터 얻어지는 질의에 대한 대응 답변과 질의에 대한 기준 답변을 비교하여 리스크 분석 결과를 생성할 수 있다.

본 개시의 일 실시예에 따르면, 메모리(130)는 프로세서(110)가 생성하거나 결정한 임의의 형태의 정보 및 네트워크부(150)가 수신한 임의의 형태의 정보를 저장할 수 있다.

본 개시의 일 실시예에 따르면, 메모리(130)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 컴퓨팅 장치(100)는 인터넷(internet) 상에서 상기 메모리(130)의 저장 기능을 수행하는 웹 스토리지(web storage)와 관련되어 동작할 수도 있다. 전술한 메모리에 대한 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따른 네트워크부(150)는 임의의 형태의 데이터 및 신호 등을 송수신할 수 있는 임의의 유무선 통신 네트워크가 본 개시 내용에서 표현되는 네트워크에 포함될 수 있다.

본 개시에서 네트워크부(150)는 유선 및 무선 등과 같은 그 통신 양태를 가리지 않고 구성될 수 있으며, 단거리 통신망(PAN: Personal Area Network), 근거리 통신망(WAN: Wide Area Network) 등 다양한 통신망으로 구성될 수 있다. 또한, 상기 네트워크는 공지의 월드와이드웹(WWW: World Wide Web)일 수 있으며, 적외선(IrDA: Infrared Data Association) 또는 블루투스(Bluetooth)와 같이 단거리 통신에 이용되는 무선 전송 기술을 이용할 수도 있다.

본 명세서에서 설명된 기술들은 위에서 언급된 네트워크들뿐만 아니라, 다른 네트워크들에서도 사용될 수 있다.

도 1에 도시된 컴퓨팅 장치(100)의 구성은 간략화 하여 나타낸 예시일 뿐이다. 본 개시의 일 실시예에서 컴퓨팅 장치(100)는 컴퓨팅 장치(100)의 컴퓨팅 환경을 수행하기 위한 다른 구성들이 포함될 수 있고, 개시된 구성들 중 일부만이 컴퓨팅 장치(100)를 구성할 수도 있다.

본 개시에 따른 컴퓨팅 장치(100)는 입력 계약서의 유형을 결정할 수 있다. 본 개시내용에 있어서 계약서는 법률 행위와 관련된 문서인 법률 문서를 포함할 수 있다. 본 개시의 일 실시예에 따라 당사자 간의 합의된 내용을 포함하는 계약서는 합의 내용을 구두가 아닌 서면으로 남긴 문서를 포함할 수 있다. 계약서는 계약서의 제목, 당사자의 표시, 전문, 약인 표시, 정의 조항, 실질 조항, 일반 조항, 말미 문언, 서명란, 부록 등을 포함할 수 있다. 전문은 계약 당사자에 대한 언급과 계약 체결 경위를 포함할 수 있다. 본문은 통상적 본문 규정과 유형별 본문 규정을 포함할 수 있다. 통상적 본문 규정은 목적물과 계약 대금 관련 규정을 포함할 수 있다. 유형별 본문 규정은 통상적 본문 규정을 보충하는 내용을 포함할 수 있다. 말미는 해제, 계약기간, 관할, 유효확인, 작성일, 서명날인, 기명날인 등을 포함할 수 있다. 본 개시에 따른 계약서 유형에는 예를 들어 매매계약서, 임대차계약서, 증여계약서, 근로계약서, 위임계약서, 하도급계약서 등이 포함될 수 있다. 본 개시의 일 실시예에서, 컴퓨팅 장치()는 계약서의 유형을 계약서의 특징에 따라 약 270여개로 분류할 수 있다. 상기 입력 계약서는 사용자로부터 컴퓨팅 장치(100)로 전자적 형태로 입력될 수 있다. 컴퓨팅 장치(100)는 사용자로부터 수신되는 입력 계약서 유형 정보에 기초하여 입력 계약서의 유형을 결정할 수 있다. 사용자는 별도의 유저 인터페이스를 통해 계약서의 유형을 선택하거나 계약서 유형을 나타내는 명칭을 입력할 수 있다. 컴퓨팅 장치(100)는 입력 계약서의 제목 부분을 추출하여 제목에 따른 계약서의 유형을 결정할 수도 있다.

본 개시에 따른 컴퓨팅 장치(100)는 상기 질의응답 모델과 독립적으로 학습된 인공 신경망 기반 분류 모델에 기초하여 입력 계약서의 유형을 결정할 수 있다. 상기 분류 모델은 컴퓨팅 장치(100)와는 다른 서버에서 학습된 인공 신경망 모델일 수 있다.

도 2는 본 개시의 일 실시예에 따라 네트워크 함수를 나타낸 개략도이다. 본 개시에 따른 입력 계약서 유형의 결정 동작은 적어도 하나의 노드를 포함하는 인공 신경망 기반 분류 모델에 의해 수행될 수 있다.

본 명세서에 걸쳐 모델, 인공 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 상호 교환적으로 사용될 수 있다. 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나의 노드들을 포함하여 구성된다. 신경망들을 구성하는 노드(또는 뉴런)들은 하나 이상의 링크에 의해 상호 연결될 수 있다.

신경망 내에서, 링크를 통해 연결된 하나 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 상술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.

하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드의 데이터는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서 입력 노드와 출력 노드를 상호 연결하는 링크는 가중치(weight)를 가질 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.

상술한 바와 같이, 신경망은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호 연결되어 신경망 내에서 입력 노드 및 출력 노드 관계를 형성한다. 신경망 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들의 가중치 값이 상이한 두 신경망이 존재하는 경우, 두 개의 신경망들은 서로 상이한 것으로 인식될 수 있다.

신경망은 하나 이상의 노드들의 집합으로 구성될 수 있다. 신경망을 구성하는 노드들의 부분 집합은 레이어(layer)를 구성할 수 있다. 신경망을 구성하는 노드들 중 일부는, 최초 입력 노드로부터의 거리들에 기초하여, 하나의 레이어(layer)를 구성할 수 있다. 예를 들어, 최초 입력 노드로부터 거리가 n인 노드들의 집합은, n 레이어를 구성할 수 있다. 최초 입력 노드로부터 거리는, 최초 입력 노드로부터 해당 노드까지 도달하기 위해 거쳐야 하는 링크들의 최소 개수에 의해 정의될 수 있다. 그러나, 이러한 레이어의 정의는 설명을 위한 임의적인 것으로서, 신경망 내에서 레이어의 차수는 상술한 것과 상이한 방법으로 정의될 수 있다. 예를 들어, 노드들의 레이어는 최종 출력 노드로부터 거리에 의해 정의될 수도 있다.

최초 입력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 신경망 네트워크 내에서, 링크를 기준으로 한 노드 간의 관계에 있어서, 링크로 연결된 다른 입력 노드들을 가지지 않는 노드들을 의미할 수 있다. 이와 유사하게, 최종 출력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서, 출력 노드를 가지지 않는 하나 이상의 노드들을 의미할 수 있다. 또한, 히든 노드는 최초 입력 노드 및 최후 출력 노드가 아닌 신경망을 구성하는 노드들을 의미할 수 있다.

본 개시의 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수와 동일할 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하다가 다시 증가하는 형태의 신경망일 수 있다. 또한, 본 개시의 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수 보다 적을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 신경망일 수 있다. 또한, 본 개시의 또 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 증가하는 형태의 신경망일 수 있다. 본 개시의 또 다른 일 실시예에 따른 신경망은 상술한 신경망들의 조합된 형태의 신경망일 수 있다.

딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 딥 뉴럴 네트워크를 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 사진, 글, 비디오, 음성, 음악의 잠재적인 구조(예를 들어, 어떤 물체가 사진에 있는지, 글의 내용과 감정이 무엇인지, 음성의 내용과 감정이 무엇인지 등)를 파악할 수 있다. 딥 뉴럴 네트워크는 컨볼루션 뉴럴 네트워크(CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN: recurrent neural network), 오토 인코더(auto encoder), GAN(Generative Adversarial Networks), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크, 적대적 생성 네트워크(GAN: Generative Adversarial Network) 등을 포함할 수 있다. 전술한 딥 뉴럴 네트워크의 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에서 네트워크 함수는 오토 인코더(autoencoder)를 포함할 수도 있다. 오토 인코더는 입력 데이터와 유사한 출력 데이터를 출력하기 위한 인공 신경망의 일종일 수 있다. 오토 인코더는 적어도 하나의 히든 레이어를 포함할 수 있으며, 홀수 개의 히든 레이어가 입출력 레이어 사이에 배치될 수 있다. 각각의 레이어의 노드의 수는 입력 레이어의 노드의 수에서 병목 레이어(인코딩)라는 중간 레이어로 축소되었다가, 병목 레이어에서 출력 레이어(입력 레이어와 대칭)로 축소와 대칭되어 확장될 수도 있다. 오토 인코더는 비선형 차원 감소를 수행할 수 있다. 입력 레이어 및 출력 레이어의 수는 입력 데이터의 전처리 이후에 차원과 대응될 수 있다. 오토 인코더 구조에서 인코더에 포함된 히든 레이어의 노드의 수는 입력 레이어에서 멀어질수록 감소하는 구조를 가질 수 있다. 병목 레이어(인코더와 디코더 사이에 위치하는 가장 적은 노드를 가진 레이어)의 노드의 수는 너무 작은 경우 충분한 양의 정보가 전달되지 않을 수 있으므로, 특정 수 이상(예를 들어, 입력 레이어의 절반 이상 등)으로 유지될 수도 있다.

본 개시에 몇몇 실시예에서 인공 신경망 모델은 교사 학습(supervised learning), 비교사 학습(unsupervised learning), 반교사학습(semi supervised learning), 또는 강화학습(reinforcement learning) 중 적어도 하나의 방식으로 학습될 수 있다. 뉴럴 네트워크의 학습은 뉴럴 네트워크가 특정한 동작을 수행하기 위한 지식을 뉴럴 네트워크에 적용하는 과정일 수 있다.

뉴럴 네트워크는 출력의 오류를 최소화하는 방향으로 학습될 수 있다. 뉴럴 네트워크의 학습에서 반복적으로 학습 데이터를 뉴럴 네트워크에 입력시키고 학습 데이터에 대한 뉴럴 네트워크의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 뉴럴 네트워크의 에러를 뉴럴 네트워크의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation)하여 뉴럴 네트워크의 각 노드의 가중치를 업데이트 하는 과정이다. 교사 학습의 경우 각각의 학습 데이터에 정답이 라벨링 되어있는 학습 데이터를 사용하며(즉, 라벨링된 학습 데이터), 비교사 학습의 경우는 각각의 학습 데이터에 정답이 라벨링되어 있지 않을 수 있다. 즉, 예를 들어 데이터 분류에 관한 교사 학습의 경우의 학습 데이터는 학습 데이터 각각에 카테고리가 라벨링 된 데이터 일 수 있다. 라벨링된 학습 데이터가 뉴럴 네트워크에 입력되고, 뉴럴 네트워크의 출력(카테고리)과 학습 데이터의 라벨을 비교함으로써 오류(error)가 계산될 수 있다. 다른 예로, 데이터 분류에 관한 비교사 학습의 경우 입력인 학습 데이터가 뉴럴 네트워크 출력과 비교됨으로써 오류가 계산될 수 있다. 계산된 오류는 뉴럴 네트워크에서 역방향(즉, 출력 레이어에서 입력 레이어 방향)으로 역전파 되며, 역전파에 따라 뉴럴 네트워크의 각 레이어의 각 노드들의 연결 가중치가 업데이트 될 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learning rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 뉴럴 네트워크의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 뉴럴 네트워크의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 뉴럴 네트워크의 학습 초기에는 높은 학습률을 사용하여 뉴럴 네트워크가 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다.

뉴럴 네트워크의 학습에서 일반적으로 학습 데이터는 실제 데이터(즉, 학습된 뉴럴 네트워크를 이용하여 처리하고자 하는 데이터)의 부분집합일 수 있으며, 따라서, 학습 데이터에 대한 오류는 감소하나 실제 데이터에 대해서는 오류가 증가하는 학습 사이클이 존재할 수 있다. 과적합(overfitting)은 이와 같이 학습 데이터에 과하게 학습하여 실제 데이터에 대한 오류가 증가하는 현상이다. 예를 들어, 노란색 고양이를 보여 고양이를 학습한 뉴럴 네트워크가 노란색 이외의 고양이를 보고는 고양이임을 인식하지 못하는 현상이 과적합의 일종일 수 있다. 과적합은 머신러닝 알고리즘의 오류를 증가시키는 원인으로 작용할 수 있다. 이러한 과적합을 막기 위하여 다양한 최적화 방법이 사용될 수 있다. 과적합을 막기 위해서는 학습 데이터를 증가시키거나, 레귤라이제이션(regularization), 학습의 과정에서 네트워크의 노드 일부를 비활성화하는 드롭아웃(dropout), 배치 정규화 레이어(batch normalization layer)의 활용 등의 방법이 적용될 수 있다.

본 개시의 일 실시예에 따라 컴퓨팅 장치(100)는 입력 계약서에 포함된 텍스트의 적어도 일부를 학습된 분류 모델에 입력하고 확률에 기초한 분류 모델의 출력값에 따라 입력 계약서의 유형을 결정할 수 있다. 상기 학습된 분류 모델은 계약서의 유형을 결정하기 위한 분류(Classification) 작업을 수행하기 위해 학습된 인공 신경망 모델일 수 있다. 컴퓨팅 장치(100)는 학습된 분류 모델에 계약서에 포함된 적어도 일부의 텍스트를 입력한 결과, 계약서에 대한 복수의 분류 클래스들에 포함된 각각의 분류 클래스에 대한 확률 분포를 획득할 수 있다. 상기 복수의 분류 클래스들은 제 1 유형, 제 2 유형, …, 및 제 N 유형 등을 포함할 수 있다. 컴퓨팅 장치(100)는 상기 확률 분포에서 가장 높은 확률값을 갖는 분류 클래스에 따라 계약서의 유형을 결정할 수 있다.

본 개시의 일 실시예에 따라 컴퓨팅 장치(100)가 입력 계약서를 분류하기 위한 분류 모델은 상위 분류 모델 및 하위 분류 모델을 포함할 수 있다. 상기 상위 분류 모델은 입력 계약서를 복수의 상위 유형들 중 하나의 상위 유형으로 매칭시키기 위한 모델일 수 있다. 예를 들어, 상위 유형에는 매매계약서 유형, 임대차계약서 유형 등이 포함될 수 있다. 상기 하위 분류 모델은 상기 상위 분류 모델에 의해 입력 계약서에 대해 매칭된 상위 유형에 포함되는 복수의 하위 유형들 중 하나의 하위 유형으로 상기 입력 계약서를 매칭시키기 위한 모델일 수 있다. 예를 들어, 매매계약서 유형이라는 상위 유형에는 토지 매매계약서 유형, 상가 매매계약서 유형, 농지 매매계약서 유형, 주택 매매계약서 유형, 기계 매매계약서 유형 등이 하위 유형으로 포함될 수 있다. 다른 예를 들어, 임대차계약서라는 상위 유형에 포함되는 하위 유형에는 토지 임대차계약서, 자동차임대차계약서, 상가 임대차계약서, 주택 임대차계약서 등이 포함될 수 있다. 상기 상위 분류 모델은, 입력 계약서를 입력으로 사용하여 입력 계약서에 대응되는 하나의 상위 유형을 출력 정보로 생성할 수 있다. 본 개시에 따른 몇몇 실시예에서 상기 상위 분류 모델에서 출력될 수 있는 복수의 상위 유형들 각각에 대응되도록 복수의 하위 분류 모델들이 존재할 수 있다. 예를 들어, 상위 분류 모델이 입력 계약서를 매매계약서 유형으로 판단한 경우, 입력 계약서가 매매계약서 중에서도 토지 매매계약서인지 주택 매매계약서인지 등을 판단하기 위한 하위 분류 모델이 존재할 수 있다. 다른 실시예에서 상위 분류 모델이 입력 계약서의 유형을 임대차계약서로 판단한 경우, 입력 계약서의 유형이 토지 임대차계약서인지 상가 임대차계약서 등을 판단하기 위한 하위 분류 모델이 별도로 존재할 수 있다. 컴퓨팅 장치(100)는 상기 상위 분류 모델의 출력 정보에 기초하여 복수의 하위 분류 모델 중에서 상기 입력 계약서를 하나의 하위 유형으로 매칭시키기 위한 하위 분류 모델을 결정할 수 있다. 전술한 예시에서 본 개시의 컴퓨팅 장치(100)는 상위 분류 모델 및 하위 분류 모델을 포함하는 분류 모델에 기초하여 입력 계약서의 유형을 결정함으로써, 계약서의 유형을 상위 유형에 따라 1차적으로 분류한 후, 각 상위 유형에 포함되는 하위 유형에 따라 2차적으로 분류할 수 있다. 이는 계약서 분류의 문제를 일차원적으로 접근하지 않고 다차원적으로 접근하는 효과를 갖는다. 예를 들어, 동일 상위 카테고리에 포함되지만 하위 카테고리만 서로 다른 계약서 간의 차이점은 상위 카테고리부터 서로 다른 계약서 간의 차이점보다 구별이 어려울 수 있다. 이러한 경우, 본 개시에 따른 분류 모델 구조와 같이 1차적으로 상위 카테고리를 큰 범위에서 분류한 후, 2차적으로 공통된 상위 유형에 포함되는 하위 유형을 나누는 것이 보다 효율적이다. 따라서 본 개시의 분류 모델은 다차원 구조로 이루어진 계약서 유형 구조 상에서 각각의 계약서 사이의 차이점을 보다 정확하고 세밀하게 구별할 수 있는 장점을 갖는다.

본 개시의 일 실시예에 따라 컴퓨팅 장치(100)가 결정하는 입력 계약서의 유형은, 입력 계약서에 포함된 복수의 텍스트 토큰들을 학습된 분류 모델에 입력하여 획득되는 분류 결과 및 복수의 텍스트 토큰들의 위치에 기반한 가중치에 기초하여 결정될 수 있다. 본 개시의 일 실시예에 따른 텍스트 토큰은 자연어 처리를 위해 사용되는 자연어 단위를 포함할 수 있다. 텍스트 토큰은 예를 들어, 글자 단위, 단어 단위, 보조단어, 형태소 단위, 어절 단위, 구 단위 등을 포함할 수 있다. 이처럼 입력 계약서에서 텍스트 토큰들을 생성하는 것은 입력 계약서 또는 입력 계약서의 문장을 임의의 단위로 분할화/토큰화 하는 것을 의미할 수 있다. 상기 텍스트 토큰은 입력 계약서로부터 사전 결정된 임의의 기준에 따라 생성될 수 있다. 예를 들어, 상기 텍스트 토큰은 입력 계약서에 포함된 텍스트의 어절을 기준으로 생성될 수 있다. 복수의 텍스트 토큰들의 위치에 기반한 가중치에서의 위치는 문서의 시작점으로부터 떨어진 어절 기준 거리에 기초할 수 있다. 상기 위치에 기반한 가중치에서의 위치는 문서의 사전 결정된 특정 부분을 의미할 수 있으며, 그러한 위치에 대해 상대적으로 높은 가중치가 부여될 수 있다. 예를 들어, 입력 계약서에 포함된 첫 텍스트 토큰이 입력 계약서의 유형을 결정하는데 가장 유의미한 인자로 작용하는 경우, 컴퓨팅 장치(100)는 입력 계약서에서 첫번째로 출현하는 텍스트 토큰에 대해 학습된 분류 모델의 결과값에 가장 큰 가중치를 부여하여 입력 계약서의 유형을 결정하도록 설정될 수 있다.

상기 위치에 기반한 가중치는 입력 계약서에 포함된 복수의 텍스트 토큰들 중 입력 계약서 내에서 선행 위치에 존재하는 제 1 텍스트 토큰에게 할당되는 제 1 가중치 및 입력 계약서에 포함된 복수의 텍스트 토큰들 중 입력 계약서 내에서 후행 위치에 존재하는 제 2 텍스트 토큰에게 할당되는 제 2 가중치를 포함하되, 제 1 가중치는 제 2 가중치에 비해 높은 값을 갖도록 설정될 수 있다. 상기 선행 위치 및 후행 위치는 문서의 시작점으로부터 거리에 따라 결정되는 위치일 수 있다. 예를 들어, “임대인 또는 임차인이 이 계약 및 관련 법률에 의한 채무를 이행하지 않는 경우 그로 인하여 발생한 손해를 상대방에게 배상하여야 한다.” 라는 문장이 있을 경우, 어절을 기준으로 생성된 각각의 텍스트 토큰에 있어서 문장의 앞에 위치할수록 높은 가중치가 할당될 수 있다. 즉, '임대인'에 0.9, '임차인'에 0.9, '채무'에 0.8, '이행'에 0.8 등의 형태로 선행 위치에 존재하는 텍스트 토큰에 보다 높은 가중치가 할당될 수 있다. 이는 입력 계약서의 앞쪽에 존재하는 텍스트 토큰일수록 계약서의 유형을 결정하는데 유의미한 인자로 작용한다는 도메인 특성이 반영된 결과일 수 있다.

본 개시의 일 실시예에서 컴퓨팅 장치(100)는, 입력 계약서의 유형을 결정하기 위해 입력 계약서를 선행 위치 영역 및 후행 위치 영역으로 구분할 수 있다. 컴퓨팅 장치(100)는 선행 위치 영역에 존재하는 제 1 텍스트 토큰에게 할당되는 제 1 가중치에 후행 위치 영역에 존재하는 제 2 텍스트 토큰에게 할당되는 제 2 가중치 보다 높은 값을 할당할 수 있다. 그리고 상기 선행 위치 영역의 적어도 일부와 상기 후행 위치 영역의 적어도 일부는 중첩될 수 있다. 예를 들어, 입력 계약서의 유형을 결정하기 위한 텍스트 토큰의 개수가 350개인 경우, 컴퓨팅 장치(100)는 선행 위치 영역을 앞부분의 200개 토큰으로 설정하고 후행 위치 영역을 뒷부분의 200개 토큰으로 설정할 수 있다. 이 경우, 선행 위치 영역의 뒷부분 50개의 토큰과 후행 위치 영역의 앞부분 50개의 토큰은 서로 중첩될 수 있다. 컴퓨팅 장치(100)는 선행 위치 영역에 해당하는 200개 토큰이 학습된 분류 모델에 순차적 또는 병렬적으로 입력됨에 따라 획득되는 계약서의 유형에 대한 제 1 확률 분포를 획득할 수 있다. 또한 컴퓨팅 장치(100)는 후행 위치 영역에 해당하는 200개 토큰이 학습된 분류 모델에 순차적 또는 병렬적으로 입력됨에 따라 획득되는 계약서의 유형에 대한 제 2 확률 분포를 획득할 수 있다. 최종적으로 컴퓨팅 장치(100)는 제 1 확률 분포에 제 1 가중치를 곱하고 제 2 확률 분포에 제 2 가중치를 곱한 후 두 곱셈의 결과를 합하여 최종적인 확률 분포를 획득할 수 있다. 상기 텍스트 토큰의 개수 및 중첩 토큰의 개수에 대한 예시는 설명을 위한 일 예시에 불과할 뿐 본 개시내용을 제한하지 않는다. 컴퓨팅 장치(100)는 상기 최종적인 확률 분포에 기초하여 입력 계약서의 유형을 결정할 수 있다. 컴퓨팅 장치(100)는 선행 위치 영역의 적어도 일부와 후행 위치 영역의 적어도 일부를 중첩시킴으로써, 계약서 유형을 결정하는 과정에서 문맥을 상실하지 않도록 하며, 또한 선행 위치 영역에 대한 분류 모델의 결과값과 후행 위치 영역에 대한 분류 모델의 결과값이 지나치게 달라지는 것을 방지할 수 있다. 본 개시에 따른 컴퓨팅 장치(100)는 입력 계약서에 포함된 복수의 텍스트 토큰들에 기초하여 입력 계약서의 유형을 결정하되, 앞부분에 존재하는 제 1 텍스트 토큰에 상대적으로 높은 비중을 두고 제 1 텍스트 토큰보다 뒤에 존재하는 제 2 텍스트 토큰을 보조적으로 사용하여 입력 계약서의 유형을 결정할 수 있다.

본 개시에 따른 컴퓨팅 장치(100)는 학습된 질의응답 모델을 통해, 상기 입력 계약서 및 상기 결정된 유형에 대응되는 체크리스트에 기초하여 상기 체크리스트에 포함된 적어도 하나의 질의에 대한 대응 답변을 획득할 수 있다. 상기 체크리스트는 계약서의 유형에 따라 반드시 포함되어야 하는 요소가 상기 입력 계약서에 포함되는지 여부를 확인하기 위한 필수조항 체크리스트 또는 계약서의 유형에 따른 독소적 요소가 상기 입력 계약서에 포함되는지 여부를 확인하기 위한 독소조항 체크리스트를 포함할 수 있다.

본 개시에 따른 필수조항 체크리스트는 계약서의 유형에 대응되는 근거 법조문에 기초하여 생성된 제 1 질의 또는 판례에 기초하여 생성된 제 2 질의를 포함할 수 있다. 예를 들어, 입력 계약서가 근로 계약서에 해당하는 경우, 필수조항 체크리스트에는 근로 계약과 관련한 법조문인 근로기준법에 기초하여 생성된 제 1 질의가 포함될 수 있다. 근로기준법에 기초하여 생성된 제 1 질의에는 “근로계약 기간은 언제부터 언제까지인가?”, “근로기준법에 따른 근로계약서를 교부하였는가?” 또는 “월 급여는 얼마인가?” 등과 동일하거나 유사한 질의문들이 포함될 수 있다. 또한 입력 계약서가 근로 계약서에 해당하는 경우 판례에 기초하여 생성된 제 2 질의에는 “최저임금액 이상의 임금을 지급하는가?” 등의 질의문이 포함될 수 있다.

본 개시에 따른 필수조항 체크리스트는 계약서의 유형에 대응되는 근거 법조문에 포함된 각각의 법률 요건에 대응되는 질의문들을 포함할 수 있다. 예를 들어, 하도급법 제 12조(물품구매대금 등의 부당결제 청구의 금지) - “원사업자가 수급사업자에게 목적물등의 제조ㆍ수리ㆍ시공 또는 용역수행에 필요한 물품 등을 자기로부터 사게 하거나 자기의 장비 등을 사용하게 한 경우 정당한 사유 없이 다음 각 호의 어느 하나에 해당하는 행위를 하여서는 아니 된다.” 를 준수하였는지 판단하기 위해 본 개시에 따른 필수조항 체크리스트에는 “원사업자가 수급사업자에게 목적물등의 제조ㆍ수리ㆍ시공 또는 용역수행에 필요한 물품 등을 자기로부터 사게 하였는가?”, “원사업자가 자기의 장비 등을 사용하게 한 경우에 해당하는가?”, “정당한 사유가 없는가?” 또는 “다음 각 호의 어느 하나에 해당하는 행위를 하였는가?” 등의 질의문이 포함될 수 있다. 위와 같이 본 개시에 따른 필수조항 체크리스트는 법률 요건에 대응되는 질의문을 포함함으로써, 컴퓨팅 장치(100)는 입력 계약서에 특정 단어가 포함되어 있는지 뿐만 아니라 특정 법적 효과를 발생시키기 위한 요건 사실이 입력 계약서에 포함되어 있는지를 판단할 수 있게 된다. 전술한 예시는 설명을 위한 예시에 불과하며 본 개시는 계약서의 유형마다 필수적으로 포함되어야 하는 내용에 대한 확인을 위해 사용되는 다양한 종류의 필수조항 체크리스트를 포함할 수 있다.

본 개시에 따른 독소조항 체크리스트는 계약서의 유형에 대응되는 독소용어 사전에 기초할 수 있다. 상기 계약서의 유형에 대응되는 독소용어 사전은 해당 계약 내용에 있어서 일반적으로 독소적 요소를 갖는 부정적 용어를 적어도 하나 포함할 수 있다. 예를 들어, 도급계약에 있어서 독소용어 사전에는 “지체상금”이라는 용어가 포함될 수 있다. 도급 계약에 대한 독소조항 체크리스트에는 “지체상금”이라는 독소용어에 기초하여 생성된 “지체상금 관련 조항이 존재하는가?” 또는 “지체상금 관련 조항이 양 당사자 중 일방에게만 존재하는가?” 등과 같은 질의문이 포함될 수 있다. 다른 예를 들어, 지식재산권 관련 계약에 있어서 독소용어 사전에는 “일괄양도” 등의 용어가 포함될 수 있다. 이 경우 독소조항 체크리스트는 “일괄양도”라는 독소용어에 기초하여 생성된 “조건 없는 지식재산권 일괄양도 조항이 존재하는가?” 라는 질의문을 포함할 수 있다. 전술한 예시는 설명을 위한 일 예시에 불과할 뿐 본 개시를 제한하지 않는다.

본 개시에 따른 컴퓨팅 장치(100)는 필수조항 체크리스트 또는 계약서의 유형에 대응되는 독소용어 사전에 기초하여 작성된 독소조항 체크리스트를 이용하여 입력 계약서로부터 대응 답변을 획득할 수 있다. 독소조항 체크리스트는 독소용어의 포함여부에 관한 질의문을 포함할 수 있다. 독소조항 체크리스트는 독소용어를 포함하는 문장의 성격에 대한 판단이 가능한 질의문을 포함할 수 있다. 상기 문장의 성격에 대한 판단은 학습된 질의응답 모델에 기초하여 수행될 수 있다. 질의응답 모델에 관하여는 후술하여 자세히 설명한다.

이하에서는 본 개시에 따른 질의응답 모델에 관해 서술한다. 본 개시에 따른 인공 신경망 기반 질의응답 모델의 구조 및 학습방법에 대한 내용 중 일부는 도 2를 참조하여 전술한 분류 모델 관련 내용과 일부 중복되므로 이하에서는 차이점을 중심으로 서술한다.

본 개시에 따른 질의응답 모델은 적어도 하나의 노드를 포함하되, 상기 노드에는 값의 변경이 가능한 적어도 하나의 파라미터가 할당될 수 있다. 질의응답 모델은 계약 내용을 포함하는 텍스트, 계약 내용에 대한 하나 이상의 질의 및 상기 하나 이상의 질의에 대응되도록 상기 텍스트 내에서 라벨링된 기준 답변을 포함하는 적어도 하나의 학습 데이터에 기초하여 학습될 수 있다. 상기 학습 데이터는 예를 들어 “(입력 계약서)_'약정 대금은 얼마인가?'_'금 일억원'” 와 같은 제 1 텍스트 데이터를 포함할 수 있다. 상기 학습 데이터는 예를 들어 “(입력 계약서)_'계약 기간은 언제부터 언제까지 인가?'_2020년 11월 11일부터 2022년11월11일'” 와 같은 제 2 텍스트 데이터를 포함할 수도 있다.

상기 학습 데이터에 포함된 계약 내용에 대한 하나 이상의 질의는 다른 질의에 포함된 텍스트 토큰의 적어도 일부가 다른 값으로 치환된 대체 질의를 포함할 수 있다. 본 개시에 따른 제 1 실시예에서, 상기 대체 질의는 다른 질의의 텍스트 토큰의 어순을 변경함으로써 생성될 수 있다. 예를 들어, “약정 대금은 얼마인가?”와 같은 질의가 있을 경우, 컴퓨팅 장치(100)는 텍스트 토큰의 어순을 변경하여 “얼마인가? 약정 대금은”, “약정 얼마인가? 대금은” 등과 같은 대체 질의를 생성할 수 있다. 본 개시에 따른 컴퓨팅 장치(100)는 상기 제 1 실시예를 통해 하나의 질의로부터 복수의 대체 질의들을 생성함으로써, 동일한 단어를 포함할 경우 어순이 변경되더라도 의미가 유지되는 한국어의 특성을 살려 질의문을 증식함으로써 학습 데이터 수를 증가시킬 수 있다.

본 개시에 따른 제 2 실시예에서, 상기 대체 질의는 다른 질의의 텍스트 토큰들 중 적어도 하나를 유사어로 치환함으로써 생성될 수 있다. 예를 들어, “약정 대금은 얼마인가?”와 같은 질의에서 컴퓨팅 장치(100)는 “약정 금액은 얼마인가?”, “계약 대금은 얼마인가?”, “계약된 지급액은 얼마인가?”, “약정 대금은 얼마?” 등과 같은 대체 질의를 생성할 수 있다.

본 개시에 따른 제 3 실시예에서 상기 대체 질의는 별도의 번역 모델을 통해 다른 질의로부터 생성될 수 있다. 상기 번역 모델은 제 1 언어와 제 2 언어 사이의 양방향 번역이 가능한 모델일 수 있다. 이 경우, 본 개시에 따른 대체 질의는 상기 번역 모델을 통해 제 2 언어로 번역된 후, 이를 다시 제 1 언어로 번역하여 획득될 수 있다. 예를 들어, 한국어-영어 양방향 번역 모델의 경우 “약정 금액은 얼마입니까”라는 질의문을 “what is the contract amount?”라는 영어문장으로 번역할 수 있고, 그 후 상기 영어문장을 다시 한국어로 번역하면 “계약 금액은 얼마입니까”와 같은 대체 질의를 획득할 수 있다.

컴퓨팅 장치(100)는 상기 제 2 실시예 또는 제 3 실시예들에 있어서, 유사 단어로 특정 단어를 치환하는 방법 또는 번역 모델을 이용하여 특정 문장에 대한 유사 문장을 생성하는 방법 등을 통해 하나의 질의로부터 복수의 대체 질의들을 생성함으로써, 학습 데이터 수를 증가시킬 수 있다.

본 개시에 따른 제 4 실시예에서, 상기 대체 질의는 다른 질의의 텍스트 토큰의 적어도 일부를 버리거나 노이즈 값으로 치환하여 생성될 수 있다. 예를 들어 “약정 금액은 얼마인가?”와 같은 질의에서 컴퓨팅 장치(100)는 “금액은 얼마인가?”, “약정 금액은”, “약정 금액은 언제인가?” 등과 같은 대체 질의를 생성할 수 있다. 본 개시는 상기 제 4 실시예에 있어서 노이즈가 포함된 학습 데이터에 의해 질의응답 모델이 학습되도록 함으로써, 질의응답 모델에 입력된 질의문이 다소 모호한 표현을 포함하더라도 질의응답 모델이 해당 질의문으로부터 문맥을 인식하고 대응 답변을 출력하도록 할 수 있다. 즉, 노이즈에 강건한 학습된 질의응답 모델을 획득할 수 있다.

본 개시의 질의응답 모델은 질의응답 모델에 계약 내용을 포함하는 텍스트 및 상기 계약 내용에 대한 하나 이상의 질의를 입력하는 단계, 질의응답 모델로부터 상기 텍스트에서 상기 질의에 대한 대응 답변을 획득하는 단계 및 대응 답변과 질의에 대한 기준 답변을 비교하여 상기 질의응답 모델에 포함된 적어도 하나의 파라미터를 갱신하는 단계에 의해 학습될 수 있다.

본 개시에 따른 질의응답 모델은 입력 문장의 언어 구조를 이해하기 위해 사전 학습될 수 있다. 본 개시에 따른 질의응답 모델은 법률용어 사전에 기초하여 사전 학습될 수 있다. 질의응답 모델은 법률 용어의 문맥을 고려한 워드 임베딩 벡터 생성을 위해 사전 학습될 수 있다. 상기 사전 학습 방법은 법률 용어를 포함하는 문장에 있어서 문장에 포함된 일부 텍스트 토큰을 마스킹(masking)한 후 질의응답 모델의 출력을 통해 상기 마스킹된 텍스트 토큰을 맞추는 준지도학습 방법에 기초할 수 있다. 상기 사전 학습 방법은 법률 문서에 포함된 임의의 두 문장을 입력한 후 후행 문장이 선행 문장에 후속될 수 있는 문장인지 여부를 맞추기 위한 학습 방법을 포함할 수 있다. 본 개시에 있어서 입력 계약서로부터 적어도 하나의 질의에 대한 대응 답변을 획득하기 위해 질의응답 모델을 학습하는 방법은 상술한 바와 같은 사전 학습이 완료된 질의응답 모델에 대해 후속적으로 수행될 수 있다. 질의응답 모델에 대한 학습은 컴퓨팅 장치(100)에 의해 수행될 수 있고 별도의 외부 서버에 의해 학습이 진행된 후, 학습된 질의응답 모델에 대한 정보를 본 개시의 컴퓨팅 장치(100)가 네트워크부(150)를 통해 획득할 수도 있다.

도 4는 본 개시의 일 실시예에 따른 질의응답 모델의 학습 방법에 대한 흐름도이다. 질의응답 모델은 학습 과정에서 계약 내용을 포함하는 텍스트 및 계약 내용에 대한 하나 이상의 질의를 입력(S410) 받을 수 있다. 상기 계약 내용을 포함하는 텍스트는 입력 계약서의 적어도 일부일 수 있다. 입력 계약서의 적어도 일부는 문단 단위, 페이지 단위 또는 임의의 텍스트 길이 단위 등의 단위를 기준으로 선택될 수 있다. 상기 계약 내용에 대한 하나 이상의 질의는 본 개시에 따른 체크리스트에 포함된 질의일 수 있다. 컴퓨팅 장치(100)는 질의응답 모델로부터 텍스트에서 상기 질의에 대한 대응 답변을 획득(S430)할 수 있다. 컴퓨팅 장치(100)는 질의응답 모델을 학습시키기 위해 대응 답변과 질의에 대한 기준 답변을 비교하여 상기 질의응답 모델에 포함된 적어도 하나의 파라미터를 갱신(S450)할 수 있다. 상기 적어도 하나의 파라미터 갱신은 전술한 바와 같은 역전파(backpropagation) 기법에 의해 수행될 수 있다.

예를 들어, 학습 과정에 있는 질의응답 모델이 단계 S410에서, 입력으로 “본 계약의 유효기간은 계약 체결일로부터 12개월로 하고, 계약종료 3개월 전까지 해약 통지가 없을 때에는 1년 단위로 자동 연장되며, 그 이후도 동일하다” 와 같은 텍스트와 함께 “계약의 유효기간은 얼마인가?”와 같은 질의를 수신할 수 있다. 이 때 학습 중인 질의응답 모델은 단계 S430에서 대응 답변으로 “계약종료”를 출력하고 컴퓨팅 장치(100)는 상기 대응 답변을 획득할 수 있다. 질의응답 모델은 입력된 텍스트 내에서 질의에 대한 대응 답변에 해당하는 텍스트 그 자체뿐만 아니라 텍스트 토큰의 위치를 출력할 수도 있으나 본 개시는 이에 제한되지 않는다. 단계 S450에서 컴퓨팅 장치(100)는 상기 질의인 “계약의 유효기간은 얼마인가?”에 대한 기준 답변인 “12개월” 과 대응 답변인 “계약종료”를 비교하여 질의응답 모델에 포함된 적어도 하나의 파라미터를 갱신할 수 있다. 본 개시에 따른 질의응답 모델이 학습 완료된 경우, 컴퓨팅 장치(100)는 질의응답 모델에 텍스트와 질의를 입력하고, 상기 텍스트로부터 상기 질의에 대한 답변을 획득할 수 있게 된다.

본 개시에 따른 컴퓨팅 장치(100)는 학습된 질의응답 모델에 기초한 대응 답변 그리고 질의에 대한 기준 답변을 비교하여 리스크 분석 결과를 생성할 수 있다. 상기 대응 답변은 학습된 질의응답 모델을 통해 입력 계약서 및 입력 계약서의 유형에 따라 하나 이상의 질의를 포함하는 체크리스트에 기초하여 획득될 수 있다.

본 개시에 따른 기준 답변은 체크리스트에 포함된 질의에 따라 존재할 수 있다. 상기 기준 답변은 질의에 따라 True/False 판단에 대한 답변 텍스트를 포함할 수 있다. 예를 들어, “당사자 양측 중 일방에게만 이행의무가 있는 조항이 있는가?”라는 질의문에 대한 기준 답변은 “아니오”일 수 있다. 상기 기준 답변은 질의에 따른 표준 답변 내용을 포함할 수 있다. 예를 들어, “근로시간은 얼마인가?”라는 질의문에 대한 기준 답변은 “근로시간은 휴게시간을 제외하고 1주 40시간, 1일 8시간을 기준으로 한다.”일 수 있다. 상기 기준 답변은 질의에 따른 답변 텍스트의 문법적 구조에 대한 정규식 표현을 포함할 수 있다. 예를 들어 “기본 임금은 얼마인가?”라는 질의문에 대한 기준 답변은 “금 {number}원” 또는 “{number}원”일 수 있다. {number}는 양수인 자연수와 매칭되기 위한 정규식 표현일 수 있다. 기준 답변이 정규식 표현을 포함할 경우 컴퓨팅 장치(100)는 “기본 임금은 얼마인가?”라는 질의에 대해 질의응답 모델을 통해 입력 계약서로부터 획득된 대응 답변이 “금 50,000,000원”일 경우, 기준 답변인 “금 {number}원'과 일치한다고 판단할 수 있다.

본 개시에 따른 컴퓨팅 장치(100)가 대응 답변 및 기준 답변을 비교하여 생성하는 리스크 분석 결과는 필수조항 누락여부에 대한 분석 결과 또는 독소조항 포함여부에 대한 분석 결과를 포함할 수 있다. 일 실시예에서 입력 계약서가 주택 임대차 계약서이고 질의는 “임대차 기간은 얼마인가?”에 대해서 학습된 질의응답 모델을 통해 획득된 대응답변이 “2022년 11월 22일까지”이고 기준 답변이 “인도일로부터 {year}년, {month}월, {day}일까지”인 경우, 컴퓨팅 장치(100)는 양 답변의 비교를 통해 임대차 기간의 시점이 누락되었다는 분석 결과를 생성할 수 있다.

본 개시에 따른 리스크 분석 결과는 대응 답변과 기준 답변 간의 텍스트 토큰 기반 유사도 분석 결과에 기초하여 생성될 수 있다. 본 개시의 컴퓨팅 장치(100)는 텍스트 토큰 기반 유사도 분석을 위해 답변에 포함된 텍스트 토큰의 빈도수를 산출할 수 있다. 본 개시에 따른 텍스트 토큰 기반 유사도 분석 방법은 예를 들어, TF-IDF 기법, LDA 모델링 기법 등을 포함할 수 있다.

본 개시에 따른 몇몇 실시예에서 컴퓨팅 장치(100)는 복수의 답변들에 기초하여 각각의 텍스트 토큰의 빈도수에 기초한 원소값을 포함하는 TF-IDF 행렬을 생성할 수 있다. TF-IDF 기법은 한 문서에서 많이 나타나는 텍스트 토큰의 중요도는 높이고 전체 문서에서 자주 발생하는 텍스트 토큰의 중요도는 낮추는 방법이다. TF(용어 빈도, Term Frequency)는 특정한 용어가 문서 내에서 얼마나 자주 등장하는지를 나타내는 값으로, 이 값이 높을수록 문서에서 중요하다고 판단된다. DF(문서 빈도, Document Frequency)는 특정한 용어가 전체 문서에서 얼마나 자주 등장하는지를 나타내는 값으로 어떤 단어가 특정 문서 내에서 자주 등장할 뿐만 아니라 전체 문서에서 빈발하는 경우 흔히 사용되는 단어를 의미하므로 이 값이 높을수록 해당 용어의 중요도가 낮아진다. 상기 DF 값의 역수를 IDF 라고 하며, TF-IDF는 TF와 IDF를 곱한 값이다. 컴퓨팅 장치(100)는 하나 이상의 기준 답변 및 질의응답 모델에 의해 기 생성된 하나 이상의 대응 답변을 포함하는 답변 집합에 대해 텍스트 토큰 기반 유사도 분석 결과를 산출할 수 있다. 컴퓨팅 장치(100)는 TF값 산출을 위해 특정 답변에 특정 텍스트 토큰이 출현하는 횟수를 식별할 수 있다. 즉, N개의 답변이 있고 M개의 텍스트 토큰이 존재하는 경우 컴퓨팅 장치(100)는 NxM 개수의 행렬 원소 각각에 대해 i(i는 0이상 M미만)번째 텍스트 토큰이 j(j는 0이상 N미만)번째 답변에 몇 번 출현하는지를 식별하여 빈도수에 기초한 원소값을 할당할 수 있다. 컴퓨팅 장치(100)는 단어의 출현 빈도수를 그대로 TF값으로 할 수 있고, log 함수를 사용하여 TF값을 조절할 수도 있다. 컴퓨팅 장치(100)는 특정 텍스트 토큰이 포함된 답변의 수와 전체 답변의 수에 기초하여 각각의 텍스트 토큰과 각각의 답변 쌍에 대한 IDF 값을 계산할 수 있다. 컴퓨팅 장치(100)는 상술한 TF값과 IDF값에 기초하여 각각의 텍스트 토큰 및 각각의 답변으로 이루어진 답변-텍스트 토큰 쌍에 대해 TF-IDF 값을 부여한 TF-IDF 행렬을 생성할 수 있다. 상기 TF-IDF 행렬에서 행은 각각의 답변에 포함된 텍스트 토큰들의 분포를 나타낼 수 있다. 상기 TF-IDF 행렬에서 열은 각 텍스트 토큰이 각각의 답변에서 사용된 횟수를 나타낼 수 있다. 상기 답변은 질의응답 모델에 의해 획득된 대응 답변 또는 컴퓨팅 장치()가 갖는 질의에 대한 기준 답변 등을 포함할 수 있다. 상기 TF-IDF 행렬의 행은 답변에 포함된 텍스트 토큰들의 분포를 나타내는 벡터로 사용될 수 있다. 전술한 예시는 설명을 위한 일 예시일 뿐 본 개시를 제한하지 않는다.

본 개시에 따른 몇몇 실시예에서 컴퓨팅 장치(100)는 복수의 답변들에 기초하여 각각의 텍스트 토큰의 빈도수에 기초한 원소값을 포함하는 LDA 행렬을 생성할 수 있다. LDA(Latent Dirichlet Allocation) 모델은 문서 내에 잠재되어 있는 주제들을 추론하는 생성확률모델(Generative probabilistic model)이다. LDA 모델링 기법에 따른 토픽 추출은 다음과 같다. 우선 각각의 단어들은 특정 주제로 할당되며 각각의 주제들은 단어들의 확률 분포로 표현될 수 있다. 따라서 LDA 모델링 방법에 따를 경우 문서 내의 단어들의 존재 비율에 따라 문서의 토픽별 확률이 결정된다. LDA 토픽 모델링를 적용하기 위해서는 사전에 토픽의 수가 결정되어야 하며, 본 개시에서는 법률 문서의 분류에 따라 약 20가지의 토픽 수가 사전 결정될 수 있다. 상기 토픽은 계약서의 종류를 표현할 수 있다. 컴퓨팅 장치(100)는 LDA 행렬의 생성을 위해 전술한 TF-IDF 행렬을 입력으로 활용할 수 있다. 컴퓨팅 장치(100)는 답변 집합에 대한 LDA 행렬을 생성하여 각각의 답변이 갖는 하나 이상의 토픽에 대한 확률 분포 벡터를 획득할 수 있다. 본 개시에서는 "각각의 답변에 대한 토픽별 확률 분포"와 "LDA 행렬"이 상호 교환적으로 사용될 수 있다.

컴퓨팅 장치(100)는 상술한 바와 같은 텍스트 토큰 기반 유사도 분석 행렬에 기초하여 학습된 질의응답 모델로부터 획득된 입력 계약서에 포함된 질의에 대한 대응 답변과 질의에 대한 기준 답변을 비교할 수 있다. 상기 텍스트 토큰 기반 유사도 분석 행렬은 상술한 TF-IDF 행렬 또는 LDA 행렬을 포함할 수 있다. 상기 대응 답변과 기준 답변의 비교는 행렬 내 존재하는 대응 답변에 대한 텍스트 토큰 벡터와 기준 답변에 대한 텍스트 토큰 벡터 사이의 비교일 수 있다. 일 실시예에서 컴퓨팅 장치(100)는 대응 답변에 대한 텍스트 토큰 벡터 및 기준 답변에 대한 텍스트 토큰 벡터 사이의 코사인 유사도를 연산할 수 있다. 만약 필수조항 체크리스트에 포함된 제 1 질의에 대한 대응 답변 텍스트 토큰 벡터 및 제 1 질의에 대한 기준 답변 텍스트 토큰 벡터 사이에서 계산된 코사인 유사도가 사전 결정된 임계치 이상일 경우, 컴퓨팅 장치(100)는 최종적으로 제 1 질의에 대한 양 답변이 오차 범위 이내로서 유사하다고 판단한 후, 제 1 질의와 관련한 필수조항이 누락되지 않았다는 내용을 포함하는 리스크 분석 결과를 생성할 수 있다. 또한 만약 필수조항 체크리스트에 포함된 제 2 질의에 대한 대응 답변 텍스트 토큰 벡터 및 제 2 질의에 대한 기준 답변 텍스트 토큰 벡터 간에 계산된 코사인 유사도가 사전 결정된 임계치 미만일 경우, 컴퓨팅 장치(100)는 최종적으로 제 2 질의와 관련한 필수조항 내용이 입력 계약서에서 누락되었다는 내용을 포함하는 리스크 분석 결과를 생성할 수 있다. 상기 사전 결정된 임계치는 계약서의 유형에 따라 서로 다르게 설정될 수 있다.

본 개시에 따른 리스크 분석 결과는 질의응답 모델과 독립적으로 학습된 리스크 판단 모델에 대응 답변 및 기준 답변이 입력됨에 따라 획득되는 출력값에 기초하여 생성될 수 있다. 본 개시에 따른 인공 신경망 기반 리스크 판단 모델의 구조 및 학습방법에 대한 내용 중 일부는 도 2를 참조하여 전술한 분류 모델 관련 내용과 일부 중복되므로 이하에서는 차이점을 중심으로 서술한다. 상기 리스크 판단 모델은 두 문장을 입력 받고 상기 두 문장의 유사도에 관한 확률값을 출력하도록 학습될 수 있다. 예를 들어 리스크 판단 모델은 “문장1_문장2”를 입력 받아 문장 1과 문장 2가 의미적으로 완전히 일치할 경우 1, 전혀 유사하지 않을 경우 0의 값을 반환할 수 있다. 또한 리스크 판단 모델은 양 문장의 유사정도에 따라 0과 1 사이의 값을 반환할 수 있다. 리스크 판단 모델은 문장에 사용된 단어의 형태적 유사성에 기초하여 유사도를 산출할 수 있다. 리스크 판단 모델은 문장의 문맥을 고려한 문장에 대한 임베딩 벡터를 생성하고 이에 기초하여 양 문장의 유사도를 산출할 수도 있다. 본 개시에 따른 리스크 판단 모델은 본 개시에 따른 질의응답 모델과 유사하게 입력 문장의 언어 구조를 이해하기 위해 사전 학습될 수 있으며 해당 내용은 전술한 바와 중복되므로 이하 생략한다.

본 개시에 따른 리스크 분석 결과는 대응 답변 및 기준 답변에 대한 텍스트 토큰 기반 유사도 분석 결과 및 대응 답변과 기준 답변에 대한 학습된 리스크 판단 모델의 출력값에 각각 가중치를 적용한 결과에 기초하여 생성될 수 있다. 본 개시에 따른 일 실시예에서 상기 가중치는 텍스트 토큰 기반 유사도 분석 결과 및 학습된 리스크 판단 모델의 출력값 각각에 대해 사전 결정된 값 이상의 결과치를 나타내는지를 확인하기 위한 가중치로 설정될 수 있다. 예를 들어 컴퓨팅 장치(100)는 텍스트 토큰 기반 유사도 분석 결과에 대한 제 1 임계값을 설정하고, 텍스트 토큰 기반 유사도 분석 결과값이 제 1 임계값을 넘는 경우에만 1을 곱하고 그렇지 않은 경우 0을 곱할 수 있다. 또한 컴퓨팅 장치(100)는 학습된 리스크 판단 모델의 출력값에 대한 제 2 임계값을 설정한 후, 학습된 리스크 판단 모델의 출력값이 제 2 임계값을 넘을 때 1을 곱하고 그렇지 않은 경우 0을 곱할 수 있다. 컴퓨팅 장치(100)는 위와 같은 가중치에 기초하여 텍스트 토큰 기반 유사도 분석 결과와 학습된 리스크 판단 모델의 출력값을 합산함으로써 리스크 분석 결과를 생성할 수 있다. 이러한 경우 컴퓨팅 장치(100)는 텍스트 토큰 기반 유사도 분석 결과 또는 학습된 리스크 판단 모델 중 하나의 기법에 의해 리스크가 존재하는 것으로 판단되는 경우 리스크가 존재한다는 결과를 생성할 수 있어 입력 계약서에 대한 리스크 분석을 보다 보수적으로 수행할 수 있다.

본 개시에 따른 다른 일 실시예에서 상기 가중치는 텍스트 토큰 기반 유사도 분석 결과와 학습된 리스크 판단 모델의 출력값에 대한 상대적인 비중을 결정하기 위한 가중치로 설정될 수 있다. 텍스트 토큰 기반 유사도에 대한 제 1 가중치 및 학습된 리스크 판단 모델에 대한 제 2 가중치는 분석 정확도 등을 고려하여 상대적으로 결정될 수 있다. 예를 들어, 제 2 가중치는 학습된 리스크 판단 모델의 F1 score에 비례하여 설정될 수 있다. 학습된 리스크 판단 모델의 정확도가 높아져 계산되는 모델의 F1 score가 높을수록 제 2 가중치는 제 1 가중치보다 크게 설정될 수 있다. 본 개시에 따를 경우 사용자는 제 1 가중치와 제 2 가중치의 상대적 비율을 적절히 조절하여 텍스트 토큰 벡터에 기초한 답변 유사도 및 모델의 연산 결과에 따른 답변 유사도를 효율적으로 결합하여 최종 리스크 분석을 수행할 수 있다. 만약 리스크 판단 모델의 정확도가 낮은 경우에는 텍스트 토큰 기반 유사도 분석 결과가 답변에 대한 리스크 분석에서 보다 높은 정확도를 가질 수 있다. 이러한 경우 텍스트 토큰 기반 유사도 분석 결과에 높은 가중치를 두어 정확한 리스크 분석 결과를 생성할 수 있다. 또한 계속적으로 학습이 진행되어 리스크 판단 모델의 정확도가 향상되는 경우 컴퓨팅 장치(100)는 리스크 판단 모델의 출력값에 대한 제 2 가중치를 제 1 가중치보다 높게 두어 정확한 리스크 분석 결과를 생성할 수도 있다.

본 개시에 따른 계약서 리스크 분석 방법은 학습된 질의응답 모델로부터 획득된 대응 답변에 기초하여 계약서 요약 정보를 생성하는 단계를 더 포함할 수 있다. 상기 계약서 요약 정보는 입력 계약서에 대응되는 체크리스트에 포함된 적어도 하나의 질의에 대한 답변을 포함할 수 있다. 본 개시에 따른 컴퓨팅 장치(100)는 입력 계약서의 유형을 결정하고 이에 대응되는 체크리스트에 기초하여 대응 답변을 획득하므로 체크리스트에 포함된 질의들에 대한 대응 답변을 획득할 수 있다. 따라서, 컴퓨팅 장치(100)는 입력 계약서의 질의에 대한 대응 답변과 기준 답변을 비교하여 리스크 분석 결과를 생성할 뿐만 아니라, 계약서에 대한 대응 답변을 포함하는 계약서 요약 정보를 생성할 수 있다. 컴퓨팅 장치(100)가 계약서 요약 정보를 생성하는 단계는 대응 답변과 기준 답변을 비교하여 리스크 분석 결과를 생성하는 단계와 별도로 수행될 수 있다. 본 개시의 컴퓨팅 장치(100)가 대응 답변에 기초하여 계약서 요약 정보를 생성할 경우, 사용자는 필수조항 체크리스트에 기초하여 수행되는 리스크 분석 외에 반드시 포함되어야 하는 조항에 대해 계약서에 어떠한 정보가 포함되어 있는지 요약 정보를 확인할 수 있다. 이처럼 컴퓨팅 장치(100)가 리스크 분석과 별도로 계약서 요약 정보를 생성할 경우, 계약서에서 노이즈에 해당하는 내용을 제거하고 계약 유형에 따라 반드시 요구되는 사항에 대한 정보를 제공할 수 있다는 점에서 장점이 있다.

본 개시에 따른 계약서 리스크 분석 방법은 리스크 분석 결과에 기초하여 계약서에 대한 추천 정보를 생성하는 단계를 더 포함할 수 있다. 상기 추천 정보는 누락된 필수 조항 관련 정보 및 포함된 독소 조항 관련 정보를 포함할 수 있다. 컴퓨팅 장치(100)는 입력 계약서에서 필수조항이 누락된 경우 이를 수정한 계약서 내용을 포함하는 추천 정보 또는 입력 계약서에 독소조항이 포함된 경우 이를 제외시킬 것을 추천하는 추천 정보를 생성할 수 있다. 본 개시에 따른 계약서에 대한 추천 정보는 리스크 분석 결과를 생성할 때 기초가 되는 각 질의에 대한 기준 답변에 기초하여 생성될 수 있다. 일 예시로 하도급계약서에 포함된 '수수료'와 관련하여 컴퓨팅 장치(100)가 갖는 기준 답변은 “{number}원(부가세 포함)”인데 질의응답 모델로부터 획득된 대응 답변은 “{number}원”으로 “(부가세 포함)”에 관한 내용이 누락된 경우, 컴퓨팅 장치(100)는 상기한 바와 같은 기준 답변에 기초하여 “(부가세 포함)”이라는 조항을 포함시키는 내용의 추천 정보를 생성할 수 있다. 또한 컴퓨팅 장치(100)는 독소조항 체크리스트에 기초하여 입력 계약서에 포함된 특정 문장이 독소조항인 것으로 판단된 경우, 해당 문장을 현출하고 이를 삭제하거나 수정할 것을 추천하는 추천 정보를 생성할 수도 있다.

도 3은 본 개시의 일 실시예에 따른 리스크 분석 방법에 대한 흐름도이다. 본 개시에 따른 컴퓨팅 장치(100)는 입력 계약서의 유형을 결정(S310)할 수 있다. 상기 입력 계약서의 유형은 학습된 인공 신경망 기반 분류 모델에 의해 결정될 수 있다. 상기 분류 모델은 입력 계약서에 포함된 하나 이상의 텍스트 토큰을 순차적으로 또는 병렬적으로 입력 받아 이에 기초하여 유형을 결정할 수 있다. 상기 분류 모델은 입력 계약서에 포함된 복수의 텍스트 토큰들을 입력으로 하여 계약서의 유형을 결정하되, 계약서 내에서 텍스트 토큰의 위치에 기초한 가중치에 추가적으로 기초하여 입력 계약서의 유형을 결정할 수 있다. 컴퓨팅 장치(100)는 입력 계약서의 유형에 따라 대응되는 체크리스트를 결정할 수 있다. 상기 체크리스트는 계약서의 유형에 따라 반드시 포함되어야 하는 요소가 상기 입력 계약서에 포함되는지 여부를 확인하기 위한 필수조항 체크리스트 또는 계약서의 유형에 따른 독소적 요소가 상기 입력 계약서에 포함되는지 여부를 확인하기 위한 독소조항 체크리스트를 포함할 수 있다. 컴퓨팅 장치(100)는 학습된 질의응답 모델을 통해, 상기 입력 계약서 및 상기 결정된 유형에 대응되는 체크리스트에 기초하여 상기 체크리스트에 포함된 적어도 하나의 질의에 대한 대응 답변을 획득(S330)할 수 있다. 상기 질의응답 모델은 적어도 하나의 갱신가능한 파라미터가 할당된 노드를 포함할 수 있으며, 상기 분류 모델과 별도로 학습된 모델일 수 있다. 질의응답 모델은 문장과 질의문을 입력하면 해당 질의문에 대한 대답을 상기 문장으로부터 추출하기 위해 학습된 인공 신경망 기반 모델일 수 있다. 상기 질의응답 모델은 법률용어와 관련한 문서에서의 언어 구조를 이해하기 위해 사전 학습될 수 있다. 컴퓨팅 장치(100)는 상기 대응 답변과 상기 질의에 대한 기준 답변을 비교하여 리스크 분석 결과를 생성(S350)할 수 있다. 상기 리스크 분석 결과는 필수조항 누락여부에 대한 분석 결과 또는 독소조항 포함여부에 대한 분석 결과를 포함할 수 있다. 상기 리스크 분석 결과는 텍스트 토큰 기반 유사도 분석 결과에 기초하여 수행될 수 있다. 상기 텍스트 토큰 기반 유사도 분석 결과는 TF-IDF 행렬 또는 LDA 행렬에 기초할 수 있다. 상기 리스크 분석 결과는 상기 질의응답 모델과 독립적으로 학습된 리스크 판단 모델에 상기 대응 답변 및 상기 기준 답변이 입력됨에 따라 획득되는 출력값에 기초하여 생성될 수 있다. 또한 상기 리스크 분석 결과는 텍스트 토큰 기반 유사도 분석 결과 및 학습된 리스크 판단 모델의 출력값을 앙상블한 결과에 기초하여 생성될 수도 있다. 위의 흐름을 포함하는 본 개시에 따른 계약서 리스크 분석 방법은 입력 계약서에서 반드시 확인되어야 하는 내용을 체크리스트를 통해 관리하고, 학습된 질의응답 모델을 통해 체크리스트에 포함된 질의에 대한 대응 답변을 추출하고 그리고 이를 기준 답변과 비교하여 리스크를 분석하므로 필수조항의 누락여부 및 독소조항의 포함여부를 효율적으로 파악할 수 있는 효과를 갖는다.

도 5는 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다. 본 개시가 일반적으로 컴퓨팅 장치에 의해 구현될 수 있는 것으로 전술되었지만, 당업자라면 본 개시가 하나 이상의 컴퓨터 상에서 실행될 수 있는 컴퓨터 실행가능 명령어 및/또는 기타 프로그램 모듈들과 결합되어 및/또는 하드웨어와 소프트웨어의 조합으로써 구현될 수 있다는 것을 잘 알 것이다.

일반적으로, 프로그램 모듈은 특정의 태스크를 수행하거나 특정의 추상 데이터 유형을 구현하는 루틴, 프로그램, 컴포넌트, 데이터 구조, 기타 등등을 포함한다. 또한, 당업자라면 본 개시의 방법이 단일-프로세서 또는 멀티프로세서 컴퓨터 시스템, 미니컴퓨터, 메인프레임 컴퓨터는 물론 퍼스널 컴퓨터, 핸드헬드 컴퓨팅 장치, 마이크로프로세서-기반 또는 프로그램가능 가전 제품, 기타 등등(이들 각각은 하나 이상의 연관된 장치와 연결되어 동작할 수 있음)을 비롯한 다른 컴퓨터 시스템 구성으로 실시될 수 있다는 것을 잘 알 것이다.

본 개시의 설명된 실시예들은 또한 어떤 태스크들이 통신 네트워크를 통해 연결되어 있는 원격 처리 장치들에 의해 수행되는 분산 컴퓨팅 환경에서 실시될 수 있다. 분산 컴퓨팅 환경에서, 프로그램 모듈은 로컬 및 원격 메모리 저장 장치 둘 다에 위치할 수 있다.

컴퓨터는 통상적으로 다양한 컴퓨터 판독가능 매체를 포함한다. 컴퓨터에 의해 액세스 가능한 매체는 그 어떤 것이든지 컴퓨터 판독가능 매체가 될 수 있고, 이러한 컴퓨터 판독가능 매체는 휘발성 및 비휘발성 매체, 일시적(transitory) 및 비일시적(non-transitory) 매체, 이동식 및 비-이동식 매체를 포함한다. 제한이 아닌 예로서, 컴퓨터 판독가능 매체는 컴퓨터 판독가능 저장 매체 및 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 컴퓨터 판독가능 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보를 저장하는 임의의 방법 또는 기술로 구현되는 휘발성 및 비휘발성 매체, 일시적 및 비-일시적 매체, 이동식 및 비이동식 매체를 포함한다. 컴퓨터 판독가능 저장 매체는 RAM, ROM, EEPROM, 플래시 메모리 또는 기타 메모리 기술, CD-ROM, DVD(digital video disk) 또는 기타 광 디스크 저장 장치, 자기 카세트, 자기 테이프, 자기 디스크 저장 장치 또는 기타 자기 저장 장치, 또는 컴퓨터에 의해 액세스될 수 있고 원하는 정보를 저장하는 데 사용될 수 있는 임의의 기타 매체를 포함하지만, 이에 한정되지 않는다.

컴퓨터 판독가능 전송 매체는 통상적으로 반송파(carrier wave) 또는 기타 전송 메커니즘(transport mechanism)과 같은 피변조 데이터 신호(modulated data signal)에 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터 등을 구현하고 모든 정보 전달 매체를 포함한다. 피변조 데이터 신호라는 용어는 신호 내에 정보를 인코딩하도록 그 신호의 특성들 중 하나 이상을 설정 또는 변경시킨 신호를 의미한다. 제한이 아닌 예로서, 컴퓨터 판독가능 전송 매체는 유선 네트워크 또는 직접 배선 접속(direct-wired connection)과 같은 유선 매체, 그리고 음향, RF, 적외선, 기타 무선 매체와 같은 무선 매체를 포함한다. 상술된 매체들 중 임의의 것의 조합도 역시 컴퓨터 판독가능 전송 매체의 범위 안에 포함되는 것으로 한다.

컴퓨터(1102)를 포함하는 본 개시의 여러가지 측면들을 구현하는 예시적인 환경(1100)이 나타내어져 있으며, 컴퓨터(1102)는 처리 장치(1104), 시스템 메모리(1106) 및 시스템 버스(1108)를 포함한다. 시스템 버스(1108)는 시스템 메모리(1106)(이에 한정되지 않음)를 비롯한 시스템 컴포넌트들을 처리 장치(1104)에 연결시킨다. 처리 장치(1104)는 다양한 상용 프로세서들 중 임의의 프로세서일 수 있다. 듀얼 프로세서 및 기타 멀티프로세서 아키텍처도 역시 처리 장치(1104)로서 이용될 수 있다.

시스템 버스(1108)는 메모리 버스, 주변장치 버스, 및 다양한 상용 버스 아키텍처 중 임의의 것을 사용하는 로컬 버스에 추가적으로 상호 연결될 수 있는 몇 가지 유형의 버스 구조 중 임의의 것일 수 있다. 시스템 메모리(1106)는 판독 전용 메모리(ROM)(1110) 및 랜덤 액세스 메모리(RAM)(1112)를 포함한다. 기본 입/출력 시스템(BIOS)은 ROM, EPROM, EEPROM 등의 비휘발성 메모리(1110)에 저장되며, 이 BIOS는 시동 중과 같은 때에 컴퓨터(1102) 내의 구성요소들 간에 정보를 전송하는 일을 돕는 기본적인 루틴을 포함한다. RAM(1112)은 또한 데이터를 캐싱하기 위한 정적 RAM 등의 고속 RAM을 포함할 수 있다.

컴퓨터(1102)는 또한 내장형 하드 디스크 드라이브(HDD)(1114)(예를 들어, EIDE, SATA)－이 내장형 하드 디스크 드라이브(1114)는 또한 적당한 섀시(도시 생략) 내에서 외장형 용도로 구성될 수 있음－, 자기 플로피 디스크 드라이브(FDD)(1116)(예를 들어, 이동식 디스켓(1118)으로부터 판독을 하거나 그에 기록을 하기 위한 것임), 및 광 디스크 드라이브(1120)(예를 들어, CD-ROM 디스크(1122)를 판독하거나 DVD 등의 기타 고용량 광 매체로부터 판독을 하거나 그에 기록을 하기 위한 것임)를 포함한다. 하드 디스크 드라이브(1114), 자기 디스크 드라이브(1116) 및 광 디스크 드라이브(1120)는 각각 하드 디스크 드라이브 인터페이스(1124), 자기 디스크 드라이브 인터페이스(1126) 및 광 드라이브 인터페이스(1128)에 의해 시스템 버스(1108)에 연결될 수 있다. 외장형 드라이브 구현을 위한 인터페이스(1124)는 USB(Universal Serial Bus) 및 IEEE 1394 인터페이스 기술 중 적어도 하나 또는 그 둘 다를 포함한다.

이들 드라이브 및 그와 연관된 컴퓨터 판독가능 매체는 데이터, 데이터 구조, 컴퓨터 실행가능 명령어, 기타 등등의 비휘발성 저장을 제공한다. 컴퓨터(1102)의 경우, 드라이브 및 매체는 임의의 데이터를 적당한 디지털 형식으로 저장하는 것에 대응한다. 상기에서의 컴퓨터 판독가능 매체에 대한 설명이 HDD, 이동식 자기 디스크, 및 CD 또는 DVD 등의 이동식 광 매체를 언급하고 있지만, 당업자라면 집 드라이브(zip drive), 자기 카세트, 플래쉬 메모리 카드, 카트리지, 기타 등등의 컴퓨터에 의해 판독가능한 다른 유형의 매체도 역시 예시적인 운영 환경에서 사용될 수 있으며 또 임의의 이러한 매체가 본 개시의 방법들을 수행하기 위한 컴퓨터 실행가능 명령어를 포함할 수 있다는 것을 잘 알 것이다.

운영 체제(1130), 하나 이상의 애플리케이션 프로그램(1132), 기타 프로그램 모듈(1134) 및 프로그램 데이터(1136)를 비롯한 다수의 프로그램 모듈이 드라이브 및 RAM(1112)에 저장될 수 있다. 운영 체제, 애플리케이션, 모듈 및/또는 데이터의 전부 또는 그 일부분이 또한 RAM(1112)에 캐싱될 수 있다. 본 개시가 여러가지 상업적으로 이용가능한 운영 체제 또는 운영 체제들의 조합에서 구현될 수 있다는 것을 잘 알 것이다.

사용자는 하나 이상의 유선/무선 입력 장치, 예를 들어, 키보드(1138) 및 마우스(1140) 등의 포인팅 장치를 통해 컴퓨터(1102)에 명령 및 정보를 입력할 수 있다. 기타 입력 장치(도시 생략)로는 마이크, IR 리모콘, 조이스틱, 게임 패드, 스타일러스 펜, 터치 스크린, 기타 등등이 있을 수 있다. 이들 및 기타 입력 장치가 종종 시스템 버스(1108)에 연결되어 있는 입력 장치 인터페이스(1142)를 통해 처리 장치(1104)에 연결되지만, 병렬 포트, IEEE 1394 직렬 포트, 게임 포트, USB 포트, IR 인터페이스, 기타 등등의 기타 인터페이스에 의해 연결될 수 있다.

모니터(1144) 또는 다른 유형의 디스플레이 장치도 역시 비디오 어댑터(1146) 등의 인터페이스를 통해 시스템 버스(1108)에 연결된다. 모니터(1144)에 부가하여, 컴퓨터는 일반적으로 스피커, 프린터, 기타 등등의 기타 주변 출력 장치(도시 생략)를 포함한다.

컴퓨터(1102)는 유선 및/또는 무선 통신을 통한 원격 컴퓨터(들)(1148) 등의 하나 이상의 원격 컴퓨터로의 논리적 연결을 사용하여 네트워크화된 환경에서 동작할 수 있다. 원격 컴퓨터(들)(1148)는 워크스테이션, 컴퓨팅 디바이스 컴퓨터, 라우터, 퍼스널 컴퓨터, 휴대용 컴퓨터, 마이크로프로세서-기반 오락 기기, 피어 장치 또는 기타 통상의 네트워크 노드일 수 있으며, 일반적으로 컴퓨터(1102)에 대해 기술된 구성요소들 중 다수 또는 그 전부를 포함하지만, 간략함을 위해, 메모리 저장 장치(1150)만이 도시되어 있다. 도시되어 있는 논리적 연결은 근거리 통신망(LAN)(1152) 및/또는 더 큰 네트워크, 예를 들어, 원거리 통신망(WAN)(1154)에의 유선/무선 연결을 포함한다. 이러한 LAN 및 WAN 네트워킹 환경은 사무실 및 회사에서 일반적인 것이며, 인트라넷 등의 전사적 컴퓨터 네트워크(enterprise-wide computer network)를 용이하게 해주며, 이들 모두는 전세계 컴퓨터 네트워크, 예를 들어, 인터넷에 연결될 수 있다.

LAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 유선 및/또는 무선 통신 네트워크 인터페이스 또는 어댑터(1156)를 통해 로컬 네트워크(1152)에 연결된다. 어댑터(1156)는 LAN(1152)에의 유선 또는 무선 통신을 용이하게 해줄 수 있으며, 이 LAN(1152)은 또한 무선 어댑터(1156)와 통신하기 위해 그에 설치되어 있는 무선 액세스 포인트를 포함하고 있다. WAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 모뎀(1158)을 포함할 수 있거나, WAN(1154) 상의 통신 컴퓨팅 디바이스에 연결되거나, 또는 인터넷을 통하는 등, WAN(1154)을 통해 통신을 설정하는 기타 수단을 갖는다. 내장형 또는 외장형 및 유선 또는 무선 장치일 수 있는 모뎀(1158)은 직렬 포트 인터페이스(1142)를 통해 시스템 버스(1108)에 연결된다. 네트워크화된 환경에서, 컴퓨터(1102)에 대해 설명된 프로그램 모듈들 또는 그의 일부분이 원격 메모리/저장 장치(1150)에 저장될 수 있다. 도시된 네트워크 연결이 예시적인 것이며 컴퓨터들 사이에 통신 링크를 설정하는 기타 수단이 사용될 수 있다는 것을 잘 알 것이다.

컴퓨터(1102)는 무선 통신으로 배치되어 동작하는 임의의 무선 장치 또는 개체, 예를 들어, 프린터, 스캐너, 데스크톱 및/또는 휴대용 컴퓨터, PDA(portable data assistant), 통신 위성, 무선 검출가능 태그와 연관된 임의의 장비 또는 장소, 및 전화와 통신을 하는 동작을 한다. 이것은 적어도 Wi-Fi 및 블루투스 무선 기술을 포함한다. 따라서, 통신은 종래의 네트워크에서와 같이 미리 정의된 구조이거나 단순하게 적어도 2개의 장치 사이의 애드혹 통신(ad hoc communication)일 수 있다.

Wi-Fi(Wireless Fidelity)는 유선 없이도 인터넷 등으로의 연결을 가능하게 해준다. Wi-Fi는 이러한 장치, 예를 들어, 컴퓨터가 실내에서 및 실외에서, 즉 기지국의 통화권 내의 아무 곳에서나 데이터를 전송 및 수신할 수 있게 해주는 셀 전화와 같은 무선 기술이다. Wi-Fi 네트워크는 안전하고 신뢰성 있으며 고속인 무선 연결을 제공하기 위해 IEEE 802.11(a, b, g, 기타)이라고 하는 무선 기술을 사용한다. 컴퓨터를 서로에, 인터넷에 및 유선 네트워크(IEEE 802.3 또는 이더넷을 사용함)에 연결시키기 위해 Wi-Fi가 사용될 수 있다. Wi-Fi 네트워크는 비인가 2.4 및 5GHz 무선 대역에서, 예를 들어, 11Mbps(802.11a) 또는 54 Mbps(802.11b) 데이터 레이트로 동작하거나, 양 대역(듀얼 대역)을 포함하는 제품에서 동작할 수 있다.

본 개시의 기술 분야에서 통상의 지식을 가진 자는 정보 및 신호들이 임의의 다양한 상이한 기술들 및 기법들을 이용하여 표현될 수 있다는 것을 이해할 것이다. 예를 들어, 위의 설명에서 참조될 수 있는 데이터, 지시들, 명령들, 정보, 신호들, 비트들, 심볼들 및 칩들은 전압들, 전류들, 전자기파들, 자기장들 또는 입자들, 광학장들 또는 입자들, 또는 이들의 임의의 결합에 의해 표현될 수 있다.

본 개시의 기술 분야에서 통상의 지식을 가진 자는 여기에 개시된 실시예들과 관련하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 프로세서들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어, (편의를 위해, 여기에서 소프트웨어로 지칭되는) 다양한 형태들의 프로그램 또는 설계 코드 또는 이들 모두의 결합에 의해 구현될 수 있다는 것을 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 호환성을 명확하게 설명하기 위해, 다양한 예시적인 컴포넌트들, 블록들, 모듈들, 회로들 및 단계들이 이들의 기능과 관련하여 위에서 일반적으로 설명되었다. 이러한 기능이 하드웨어 또는 소프트웨어로서 구현되는지 여부는 특정한 애플리케이션 및 전체 시스템에 대하여 부과되는 설계 제약들에 따라 좌우된다. 본 개시의 기술 분야에서 통상의 지식을 가진 자는 각각의 특정한 애플리케이션에 대하여 다양한 방식들로 설명된 기능을 구현할 수 있으나, 이러한 구현 결정들은 본 개시의 범위를 벗어나는 것으로 해석되어서는 안 될 것이다.

여기서 제시된 다양한 실시예들은 방법, 장치, 또는 표준 프로그래밍 및/또는 엔지니어링 기술을 사용한 제조 물품(article)으로 구현될 수 있다. 용어 제조 물품은 임의의 컴퓨터-판독가능 저장장치로부터 액세스 가능한 컴퓨터 프로그램, 캐리어, 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 저장매체는 자기 저장 장치(예를 들면, 하드 디스크, 플로피 디스크, 자기 스트립, 등), 광학 디스크(예를 들면, CD, DVD, 등), 스마트 카드, 및 플래쉬 메모리 장치(예를 들면, EEPROM, 카드, 스틱, 키 드라이브, 등)를 포함하지만, 이들로 제한되는 것은 아니다. 또한, 여기서 제시되는 다양한 저장 매체는 정보를 저장하기 위한 하나 이상의 장치 및/또는 다른 기계-판독가능한 매체를 포함한다.

제시된 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조는 예시적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기반하여, 본 개시의 범위 내에서 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조가 재배열될 수 있다는 것을 이해하도록 한다. 첨부된 방법 청구항들은 샘플 순서로 다양한 단계들의 엘리먼트들을 제공하지만 제시된 특정한 순서 또는 계층 구조에 한정되는 것을 의미하지는 않는다.

제시된 실시예들에 대한 설명은 임의의 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

Claims (19)

1. 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는 계약서 리스크 분석 방법에 있어서,
   입력 계약서의 유형을 결정하는 단계;
   학습된 질의응답 모델을 통해, 상기 입력 계약서 및 상기 결정된 유형에 대응되는 체크리스트에 기초하여 상기 체크리스트에 포함된 적어도 하나의 질의에 대한 대응 답변을 획득하는 단계; 및
   상기 대응 답변과 상기 질의에 대한 기준 답변을 비교하여 리스크 분석 결과를 생성하는 단계;
   를 포함하고,
   상기 리스크 분석 결과는,
   상기 대응 답변 및 상기 기준 답변에 대한 텍스트 토큰 기반 유사도 분석 결과; 및
   상기 대응 답변 및 상기 기준 답변에 대한 학습된 리스크 판단 모델의 출력값;
   에 각각 가중치를 적용한 결과에 기초하여 생성되고,
   상기 가중치는, 상기 리스크 판단 모델의 정확도에 기초하여 산출되는,
   계약서 리스크 분석 방법.
   
2. 제 1 항에 있어서,
   상기 입력 계약서의 유형은,
   상기 질의응답 모델과 독립적으로 학습된 분류 모델에 기초하여 결정되는,
   계약서 리스크 분석 방법.
   
3. 제 2 항에 있어서,
   상기 분류 모델은,
   입력 계약서를 복수의 상위 유형들 중 하나의 상위 유형으로 매칭시키기 위한 상위 분류 모델; 및
   상기 매칭된 상위 유형에 포함되는 복수의 하위 유형들 중 하나의 하위 유형으로 상기 입력 계약서를 매칭시키기 위한 하위 분류 모델;
   을 포함하는,
   계약서 리스크 분석 방법.
   
4. 제 3 항에 있어서,
   상기 상위 분류 모델은, 상기 입력 계약서를 입력으로 사용하고 그리고 상기 입력 계약서에 대응되는 하나의 상위 유형을 출력 정보로 생성하며,
   상기 상위 분류 모델에서 출력될 수 있는 복수의 상위 유형들 각각에 대응되도록 복수의 하위 분류 모델들이 존재하며, 그리고
   상기 복수의 하위 분류 모델들 중 상기 입력 계약서를 하나의 하위 유형으로 매칭시키기 위한 하위 분류 모델은, 상기 상위 분류 모델의 출력 정보에 기초하여 결정되는,
   계약서 리스크 분석 방법.
   
5. 제 2 항에 있어서,
   상기 입력 계약서의 유형은,
   입력 계약서에 포함된 복수의 텍스트 토큰들을 상기 학습된 분류 모델에 입력하여 획득되는 분류 결과; 및
   상기 복수의 텍스트 토큰들의 위치에 기반한 가중치;
   에 기초하여 결정되는,
   계약서 리스크 분석 방법.
   
6. 제 5 항에 있어서,
   상기 위치에 기반한 가중치는:
   상기 복수의 텍스트 토큰들 중 상기 입력 계약서 내에서 선행 위치에 존재하는 제 1 텍스트 토큰에게 할당되는 제 1 가중치; 및
   상기 복수의 텍스트 토큰들 중 상기 입력 계약서 내에서 후행 위치에 존재하는 제 2 텍스트 토큰에게 할당되는 제 2 가중치;
   를 포함하며, 그리고
   상기 제 1 가중치는 상기 제 2 가중치에 비해 높은 값을 가지도록 설정되는,
   계약서 리스크 분석 방법.
   
7. 제 5 항에 있어서,
   상기 입력 계약서는 선행 위치 영역 및 후행 위치 영역으로 구분되며,
   상기 선행 위치 영역에 존재하는 제 1 텍스트 토큰에게 할당되는 제 1 가중치는 상기 후행 위치 영역에 존재하는 제 2 텍스트 토큰에게 할당되는 제 2 가중치 보다 높은 값을 가지며, 그리고
   상기 선행 위치 영역의 적어도 일부와 상기 후행 위치 영역의 적어도 일부는 중첩되는,
   계약서 리스크 분석 방법.
   
8. 제 1 항에 있어서,
   상기 체크리스트는:
   계약서의 유형에 따라 반드시 포함되어야 하는 요소가 상기 입력 계약서에 포함되는지 여부를 확인하기 위한 필수조항 체크리스트; 또는
   계약서의 유형에 따른 독소적 요소가 상기 입력 계약서에 포함되는지 여부를 확인하기 위한 독소조항 체크리스트;
   를 포함하는,
   계약서 리스크 분석 방법.
   
9. 제 8 항에 있어서,
   상기 필수조항 체크리스트는,
   계약서의 유형에 대응되는 근거 법조문에 기초하여 생성된 제 1 질의 또는 판례에 기초하여 생성된 제 2 질의를 포함하는,
   계약서 리스크 분석 방법.
   
10. 제 1 항에 있어서,
    상기 질의응답 모델은,
    계약 내용을 포함하는 텍스트;
    상기 계약 내용에 대한 하나 이상의 질의; 및
    상기 하나 이상의 질의에 대응되도록 상기 텍스트 내에서 라벨링된 기준 답변;
    을 포함하는 적어도 하나의 학습 데이터에 기초하여 학습되는,
    계약서 리스크 분석 방법.
    
11. 제 1 항에 있어서,
    상기 질의응답 모델은,
    상기 질의응답 모델에 계약 내용을 포함하는 텍스트 및 상기 계약 내용에 대한 하나 이상의 질의를 입력하는 단계;
    상기 질의응답 모델로부터 상기 텍스트에서 상기 질의에 대한 대응 답변을 획득하는 단계; 및
    상기 대응 답변과 질의에 대한 기준 답변을 비교하여 상기 질의응답 모델에 포함된 적어도 하나의 파라미터를 갱신하는 단계;
    에 의해 학습되는,
    계약서 리스크 분석 방법.
    
12. 제 10 항에 있어서,
    상기 계약 내용에 대한 하나 이상의 질의는,
    다른 질의에 포함된 텍스트 토큰의 적어도 일부가 다른 값으로 치환된 대체 질의;
    를 포함하는,
    계약서 리스크 분석 방법.
    
13. 제 1 항에 있어서,
    상기 리스크 분석 결과는,
    필수조항 누락여부에 대한 분석 결과 또는 독소조항 포함여부에 대한 분석 결과를 포함하는,
    계약서 리스크 분석 방법.
    
14. 제 1 항에 있어서,
    상기 리스크 분석 결과는,
    상기 대응 답변과 상기 기준 답변 간의 텍스트 토큰 기반 유사도 분석 결과에 기초하여 생성되는,
    계약서 리스크 분석 방법.
    
15. 제 1 항에 있어서,
    상기 리스크 분석 결과는,
    상기 질의응답 모델과 독립적으로 학습된 리스크 판단 모델에 상기 대응 답변 및 상기 기준 답변이 입력됨에 따라 획득되는 출력값에 기초하여 생성되는,
    계약서 리스크 분석 방법.
    
16. 삭제
17. 제 1 항에 있어서,
    상기 학습된 질의응답 모델로부터 획득된 상기 대응 답변에 기초하여 계약서 요약 정보를 생성하는 단계; 또는
    상기 리스크 분석 결과에 기초하여 계약서에 대한 추천 정보를 생성하는 단계;
    를 더 포함하는,
    계약서 리스크 분석 방법.
    
18. 컴퓨터 판독가능 저장 매체 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 계약서 리스크를 분석하기 위한 이하의 동작들을 수행하도록 하며, 상기 동작들은:
    입력 계약서의 유형을 결정하는 동작;
    학습된 질의응답 모델을 통해, 상기 입력 계약서 및 상기 결정된 유형에 대응되는 체크리스트에 기초하여 상기 체크리스트에 포함된 적어도 하나의 질의에 대한 대응 답변을 획득하는 동작; 및
    상기 대응 답변과 상기 질의에 대한 기준 답변을 비교하여 리스크 분석 결과를 생성하는 동작;
    을 포함하고,
    상기 리스크 분석 결과는,
    상기 대응 답변 및 상기 기준 답변에 대한 텍스트 토큰 기반 유사도 분석 결과; 및
    상기 대응 답변 및 상기 기준 답변에 대한 학습된 리스크 판단 모델의 출력값;
    에 각각 가중치를 적용한 결과에 기초하여 생성되고,
    상기 가중치는, 상기 리스크 판단 모델의 정확도에 기초하여 산출되는,
    컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
    
19. 계약서 리스크 분석 장치로서,
    하나 이상의 프로세서;
    메모리; 및
    네트워크부;
    를 포함하고, 그리고
    상기 하나 이상의 프로세서는,
    입력 계약서의 유형을 결정하고,
    학습된 질의응답 모델을 통해, 상기 입력 계약서 및 상기 결정된 유형에 대응되는 체크리스트에 기초하여 상기 체크리스트에 포함된 적어도 하나의 질의에 대한 대응 답변을 획득하고, 그리고
    상기 대응 답변과 상기 질의에 대한 기준 답변을 비교하여 리스크 분석 결과를 생성하되,
    상기 리스크 분석 결과는,
    상기 대응 답변 및 상기 기준 답변에 대한 텍스트 토큰 기반 유사도 분석 결과; 및
    상기 대응 답변 및 상기 기준 답변에 대한 학습된 리스크 판단 모델의 출력값;
    에 각각 가중치를 적용한 결과에 기초하여 생성되고,
    상기 가중치는, 상기 리스크 판단 모델의 정확도에 기초하여 산출되는,
    계약서 리스크 분석 장치.
    
    

Images