WO2023136493A1 - Cb 사 신용 평가 모델 생성 및 관리 자동화 방법 및 이러한 방법을 수행하는 장치 - Google Patents

Cb 사 신용 평가 모델 생성 및 관리 자동화 방법 및 이러한 방법을 수행하는 장치 Download PDF

Info

Publication number
WO2023136493A1
WO2023136493A1 PCT/KR2022/020816 KR2022020816W WO2023136493A1 WO 2023136493 A1 WO2023136493 A1 WO 2023136493A1 KR 2022020816 W KR2022020816 W KR 2022020816W WO 2023136493 A1 WO2023136493 A1 WO 2023136493A1
Authority
WO
WIPO (PCT)
Prior art keywords
credit evaluation
artificial intelligence
evaluation model
credit
intelligence engine
Prior art date
Application number
PCT/KR2022/020816
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 WO2023136493A1 publication Critical patent/WO2023136493A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/03—Credit; Loans; Processing thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine 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
    • 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
    • G06Q40/02—Banking, e.g. interest calculation or account maintenance

Definitions

  • the present invention relates to a method for generating and managing a CB company credit evaluation model and an apparatus for performing the method. More specifically, the present invention relates to a method for generating and managing a credit evaluation model of a CB company for generating a credit evaluation model by credit rating agencies and managing the created credit evaluation model, and an apparatus for performing the method.
  • the financial big data infrastructure consists of big data open systems, data exchanges, and data specialized institutions.
  • the object of the present invention is to solve all of the above problems.
  • Another object of the present invention is to provide financial services through adaptive credit evaluation for each seller by generating a credit evaluation model for seller's credit evaluation in a credit rating agency.
  • an object of the present invention is to provide financial services by adaptively reflecting credit evaluation results that change over time by shifting or replacing credit evaluation models through continuous evaluation of the generated credit evaluation models.
  • a credit evaluation model generation and management automation method for a credit bureau (CB) company includes the steps of generating a plurality of artificial intelligence engines for credit evaluation by an artificial intelligence engine generation unit, and the credit evaluation model generation unit Generating a credit evaluation model based on an artificial intelligence engine, generating credit evaluation data for a seller by a credit evaluation unit based on the credit evaluation model, and performing management of the credit evaluation model by a credit evaluation model management unit. steps may be included.
  • the credit evaluation model generator includes a candidate credit evaluation model generator and a credit evaluation model determiner, and the candidate credit evaluation model generator generates candidate credit based on a combination of artificial intelligence models based on the plurality of artificial intelligence models.
  • An evaluation model may be generated, and the credit evaluation model determination unit may determine whether the candidate credit evaluation model is a credit evaluation model usable by the credit evaluation unit.
  • the candidate credit evaluation model generation unit may include an artificial intelligence engine determination unit, an artificial intelligence engine arrangement unit, and a credit evaluation data generation unit, and the artificial intelligence engine determination unit determines at least one artificial intelligence engine to be included in the candidate credit evaluation model. and the artificial intelligence engine arranging unit deploys the at least one artificial intelligence engine determined by the artificial intelligence model determining unit to generate the candidate credit evaluation model, and the credit evaluation data generating unit configures the at least one artificial intelligence engine determined by the artificial intelligence engine arranging unit.
  • Credit evaluation data is generated based on the determined candidate credit evaluation model, wherein the plurality of artificial intelligence engines include an artificial intelligence engine (first type) and an artificial intelligence engine (second type), and the artificial intelligence engine (second type) Type 1) determines lower credit rating data based on preprocessed credit rating base data, and the artificial intelligence engine (Type 2) determines the lower credit rating data generated by at least one of the artificial intelligence engines (Type 1). Evaluation data may be input, and another lower level credit evaluation data may be determined.
  • first type an artificial intelligence engine
  • second type an artificial intelligence engine
  • Type 1 determines lower credit rating data based on preprocessed credit rating base data
  • the artificial intelligence engine (Type 2) determines the lower credit rating data generated by at least one of the artificial intelligence engines (Type 1).
  • Evaluation data may be input, and another lower level credit evaluation data may be determined.
  • a credit evaluation device of a CB (credit bureau) company that automates credit evaluation model generation and management includes an artificial intelligence engine generation unit implemented to generate a plurality of artificial intelligence engines for credit evaluation, the A credit evaluation model generation unit implemented to generate a credit evaluation model based on a plurality of artificial intelligence engines, a credit evaluation unit implemented to generate credit evaluation data for a seller based on the credit evaluation model by the evaluation unit, and the credit evaluation model It may include a credit evaluation model management unit implemented to perform management of.
  • the credit evaluation model generator includes a candidate credit evaluation model generator and a credit evaluation model determiner, and the candidate credit evaluation model generator generates candidate credit based on a combination of artificial intelligence models based on the plurality of artificial intelligence models.
  • An evaluation model may be generated, and the credit evaluation model determination unit may determine whether the candidate credit evaluation model is a credit evaluation model usable by the credit evaluation unit.
  • the candidate credit evaluation model generation unit may include an artificial intelligence engine determination unit, an artificial intelligence engine arrangement unit, and a credit evaluation data generation unit, and the artificial intelligence engine determination unit determines at least one artificial intelligence engine to be included in the candidate credit evaluation model. and the artificial intelligence engine arranging unit deploys the at least one artificial intelligence engine determined by the artificial intelligence model determining unit to generate the candidate credit evaluation model, and the credit evaluation data generating unit configures the at least one artificial intelligence engine determined by the artificial intelligence engine arranging unit.
  • Credit evaluation data is generated based on the determined candidate credit evaluation model, wherein the plurality of artificial intelligence engines include an artificial intelligence engine (first type) and an artificial intelligence engine (second type), and the artificial intelligence engine (second type) Type 1) determines lower credit rating data based on preprocessed credit rating base data, and the artificial intelligence engine (Type 2) determines the lower credit rating data generated by at least one of the artificial intelligence engines (Type 1). Evaluation data may be input, and another lower level credit evaluation data may be determined.
  • first type an artificial intelligence engine
  • second type an artificial intelligence engine
  • Type 1 determines lower credit rating data based on preprocessed credit rating base data
  • the artificial intelligence engine (Type 2) determines the lower credit rating data generated by at least one of the artificial intelligence engines (Type 1).
  • Evaluation data may be input, and another lower level credit evaluation data may be determined.
  • financial services can be provided through adaptive credit evaluation for each seller by generating a credit evaluation model for seller's credit evaluation in a credit rating agency.
  • shifting or replacement of the credit evaluation model is performed through continuous evaluation of the generated credit evaluation model, and a credit evaluation result that changes over time is adaptively reflected to provide a financial service.
  • FIG. 1 is a conceptual diagram illustrating a credit evaluation apparatus of a credit bureau (CB) company according to an embodiment of the present invention.
  • FIG. 2 is a conceptual diagram illustrating the operation of an artificial intelligence engine generation unit according to an embodiment of the present invention.
  • FIG. 3 is a conceptual diagram illustrating the operation of a candidate credit evaluation model generation unit according to an embodiment of the present invention.
  • FIG. 4 is a conceptual diagram illustrating the operation of a credit evaluation model determination unit according to an embodiment of the present invention.
  • FIG. 5 is a conceptual diagram illustrating the operation of a credit evaluation unit according to an embodiment of the present invention.
  • FIG. 6 is a conceptual diagram illustrating the operation of a credit evaluation model management unit according to an embodiment of the present invention.
  • FIG. 1 is a conceptual diagram illustrating a credit evaluation apparatus of a credit bureau (CB) company according to an embodiment of the present invention.
  • FIG. 1 a credit evaluation device for generating a credit evaluation model for performing credit evaluation of a seller by CB, a credit evaluation agency, and automating management of the credit evaluation model is disclosed.
  • the CB company credit evaluation device includes an artificial intelligence engine generation unit 100, a credit evaluation model generation unit 110, a credit evaluation unit 170, a credit evaluation model management unit 180, and a processor 190.
  • an artificial intelligence engine generation unit 100 can include, but not limited to, a credit evaluation model generation unit 110, a credit evaluation unit 170, a credit evaluation model management unit 180, and a processor 190.
  • the artificial intelligence engine generation unit 100 may be implemented to generate various artificial intelligence engines for credit evaluation. In order to determine the credit evaluation data, individual artificial intelligence engines generating various sub-credit evaluation data may be utilized. The artificial intelligence engine generation unit 100 may generate an artificial intelligence engine capable of generating various sub-level credit evaluation data as a basis for determining credit evaluation data.
  • the artificial intelligence engine generated by the artificial intelligence engine generator 100 may be transferred to the credit evaluation model generator 110 and used to generate a credit evaluation model.
  • the credit evaluation model generation unit 110 may be implemented to generate a credit evaluation model.
  • the credit evaluation model may be a model for generating seller's credit evaluation data.
  • the credit evaluation model may be implemented based on a plurality of artificial intelligence engines and a plurality of algorithms for credit evaluation.
  • the credit evaluation model may generate credit evaluation data for the seller by receiving preprocessed credit evaluation basic data for credit evaluation.
  • the credit evaluation model generator 110 may include a candidate credit evaluation model generator 120 and a credit evaluation model determiner 160 .
  • the candidate credit evaluation model generating unit 120 may include an artificial intelligence engine determining unit 130 , an artificial intelligence engine deploying unit 140 , and a credit evaluation data generating unit 150 .
  • the artificial intelligence engine determination unit 130 may be implemented to determine at least one artificial intelligence engine to be included in the candidate credit evaluation model.
  • the candidate credit evaluation model may generate credit evaluation data based on a plurality of artificial intelligence engines, and the artificial intelligence engine determination unit 130 may determine at least one artificial intelligence engine for generating the candidate credit evaluation model.
  • the artificial intelligence model deployment unit 140 may be implemented to generate a candidate credit evaluation model by arranging the artificial intelligence engine determined by the artificial intelligence model determination unit 130 .
  • Each of the plurality of artificial intelligence engines may be arranged sequentially or in parallel to generate a plurality of lower level credit evaluation data, and credit evaluation data may be determined by synthesizing the plurality of lower level credit evaluation data.
  • each of the plurality of artificial intelligence engines may be arranged in parallel to generate sub-credit evaluation data, and credit evaluation data of the seller may be determined based on the sub-credit evaluation data.
  • a plurality of artificial intelligence engines may be arranged hierarchically (or sequentially) to generate lower credit evaluation data, and credit evaluation data of the seller may be determined based on the hierarchically generated n-th lower credit evaluation data.
  • a candidate credit evaluation model for generating credit evaluation data having a structure in which a result generated by a specific artificial intelligence engine is input to another artificial intelligence engine may be determined.
  • the artificial intelligence model deployment unit 140 may determine a candidate credit evaluation model based on the deployment of an appropriate artificial intelligence engine to generate credit evaluation data.
  • the credit evaluation data generation unit 150 may be implemented to generate credit evaluation data based on the candidate credit evaluation model determined by the artificial intelligence engine deployment unit 140 .
  • the credit evaluation model determination unit 160 may be implemented to determine, as a credit evaluation model, a model having a critical level of reliability in credit evaluation among a plurality of candidate credit evaluation models generated by the candidate credit evaluation model generation unit 120 .
  • a credit evaluation model to be used for credit evaluation may be transmitted to the credit evaluation unit 170 .
  • Reliability may be determined by comparing a credit evaluation result of a candidate credit evaluation model based on existing credit evaluation basic data and an actual financial service result. As the credit evaluation result of the candidate credit evaluation model and the actual financial service result are relatively similar, the candidate credit evaluation model may be determined to have relatively high reliability.
  • the credit evaluation unit 170 may generate credit evaluation data for the seller based on the credit evaluation model generated by the credit evaluation model generating unit 180 .
  • the credit evaluation unit 170 may generate credit evaluation data through credit evaluation of the seller using at least one credit evaluation model. At least one credit evaluation model located in the credit evaluation unit 170 may be used to determine seller's credit evaluation data by being replaced or combined by evaluation.
  • the credit evaluation unit 170 may include various credit evaluation models that are adaptively applicable according to credit evaluation subjects, and credit evaluation data considering seller characteristics may be generated based on these various credit evaluation models.
  • the credit evaluation model management unit 180 may be implemented for management of credit evaluation models.
  • the credit evaluation model of the credit evaluation unit 170 may be replaced by periodic/non-periodic evaluation.
  • the credit evaluation model management unit 180 may determine a credit evaluation model currently used by the credit evaluation unit 170 and determine whether to replace the credit evaluation model.
  • the credit evaluation model management unit 180 determines whether to perform partial correction (or shifting) of the resulting value rather than replacing the credit evaluation model of the credit evaluation unit 170 and converts the correction value (or shifting value) to the credit evaluation. It can also be sent to unit 170. For example, when the error between the prediction result of the credit evaluation model of the credit evaluation unit 170 and the actual financial service result can be narrowed based on the correction value, the credit evaluation model management unit 180 calculates the prediction result of the credit evaluation model. A correction value to be corrected may be determined and transmitted to the credit evaluation unit 170 .
  • the processor 190 may be implemented to control operations of the artificial intelligence engine generator 100 , the credit evaluation model generator 110 , the credit evaluation unit 170 , and the credit evaluation model manager 180 .
  • FIG. 2 is a conceptual diagram illustrating the operation of an artificial intelligence engine generation unit according to an embodiment of the present invention.
  • an artificial intelligence engine generation unit may be implemented to generate an artificial intelligence engine included in a credit evaluation model.
  • the artificial intelligence engine may be implemented to receive the pre-processed credit evaluation base data as an input value and generate lower-level credit evaluation data for determining the seller's credit evaluation data.
  • the artificial intelligence engine generation unit may include a candidate artificial intelligence engine generation unit 210 , a reliability determination unit 260 , and an artificial intelligence engine determination unit 270 .
  • the candidate artificial intelligence engine generation unit 210 may be implemented to generate candidate artificial intelligence engines to be included in the candidate credit evaluation model.
  • the candidate artificial intelligence engine generating unit 210 may include an updated artificial intelligence engine generating unit 220 and a new artificial intelligence engine generating unit 230 .
  • the updated artificial intelligence engine generation unit 220 may be implemented to generate an updated artificial intelligence engine as a candidate artificial intelligence engine by re-performing artificial intelligence learning based on new training data or new feedback data on an existing artificial intelligence engine.
  • the update artificial intelligence engine generating unit 220 may include a new data database 222 , a feedback data database 224 , and an update cycle determining unit 226 .
  • the new data database 222 may be a database that stores newly input credit evaluation basic data.
  • the feedback data database 224 may be a database that stores feedback data related to the previously created artificial intelligence engine.
  • the update cycle determining unit 226 may be implemented to determine an update cycle for the artificial intelligence engine.
  • the update cycle determining unit 226 may determine an update through additional learning data based on a preset cycle.
  • the update cycle determining unit 226 may determine an update cycle in consideration of characteristics of newly input credit evaluation basic data and feedback data. For example, when the credit evaluation basic data and feedback data stored in the database have a relatively high similarity to data used for existing learning, the update cycle may be set to be relatively long. Conversely, when the credit evaluation basic data and feedback data stored in the database have a relatively low similarity to the data used in the existing learning, the update cycle may be set to be relatively short.
  • the new artificial intelligence engine generation unit 230 may be implemented to generate a candidate artificial intelligence engine through artificial intelligence learning as a new artificial intelligence engine.
  • the new artificial intelligence engine can be a learning model that performs different learning layers, artificial intelligence learning algorithms, learning preprocessing, etc. than existing artificial intelligence engines.
  • the new artificial intelligence engine generation unit 230 may include a target data determination unit 233 and a learning data determination unit 236 .
  • the target data determination unit 233 may be implemented to determine lower-level credit evaluation data output by a newly generated artificial intelligence engine.
  • the learning data determination unit 236 may be implemented to determine learning data for learning of the artificial intelligence engine according to lower credit evaluation data.
  • the candidate artificial intelligence engine generated by the update artificial intelligence engine generation unit 220 is the candidate artificial intelligence engine (update) 240
  • the artificial intelligence engine generated by the new artificial intelligence engine generation unit 230 is a candidate It can be expressed by dividing it into terms of artificial intelligence engine (new) 250 .
  • the reliability determination unit 260 may be implemented to determine the reliability of the candidate artificial intelligence engine (updated) 240 and the candidate artificial intelligence engine (new) 250 .
  • the prediction value of the candidate artificial intelligence engine (update) 240 and the candidate artificial intelligence engine (new) 250 is compared with the existing financial service result, and the candidate artificial intelligence engine (update) 240 and the candidate artificial intelligence engine (new) ) 250 reliability of each may be determined.
  • the artificial intelligence engine determination unit 270 may be implemented to determine an artificial intelligence engine to be used in the credit evaluation model among candidate artificial intelligence engines.
  • the candidate artificial intelligence engine may be determined as an artificial intelligence engine and used in the credit evaluation model.
  • the reference artificial intelligence engine of the candidate artificial intelligence engine (update) 240 and the reference artificial intelligence engine of the candidate artificial intelligence engine (new) 250 may be different from each other.
  • the reference artificial intelligence engine of the candidate artificial intelligence engine (update) 240 may be a pre-update artificial intelligence engine corresponding to the candidate artificial intelligence engine (update) 240 .
  • the reference artificial intelligence engine of the candidate artificial intelligence engine (new) 250 may be an artificial intelligence engine having the highest reliability among artificial intelligence engines generating the same lower credit evaluation data as the candidate artificial intelligence engine (new) 250. .
  • the reference artificial intelligence engine of the candidate artificial intelligence engine (new) 250 is an artificial intelligence engine corresponding to the median confidence level of the artificial intelligence engine generating the same sub-credit evaluation data as the candidate artificial intelligence engine (new) 250. can be
  • FIG. 3 is a conceptual diagram illustrating the operation of a candidate credit evaluation model generation unit according to an embodiment of the present invention.
  • the candidate credit evaluation model generation unit generates the candidate credit evaluation model by combining an artificial intelligence engine.
  • the candidate credit evaluation model generator 300 may be included in the credit evaluation model generator and implemented to generate a candidate credit evaluation model.
  • the candidate credit evaluation model generating unit 300 may include an artificial intelligence engine determining unit 310 , an artificial intelligence engine deploying unit 320 and a credit evaluation data generating unit 330 .
  • the artificial intelligence engine determination unit 310 may determine an artificial intelligence engine to be used when generating a candidate credit evaluation model.
  • the candidate credit evaluation model may be a model specialized for sellers in a specific sector or a model generally applicable to all sellers. Accordingly, the artificial intelligence engine determination unit 310 may generate an artificial intelligence engine in consideration of the characteristics of the credit evaluation model.
  • the artificial intelligence engine determination unit 310 may determine lower-level credit evaluation data to be used for generating credit evaluation data in order to determine an artificial intelligence engine. After determining the low-level credit evaluation data, an artificial intelligence engine corresponding to the determined low-level credit evaluation data may be determined.
  • Artificial intelligence engines can be defined in two types.
  • the artificial intelligence engine (first type) 350 may determine lower-level credit evaluation data based on the preprocessed credit evaluation basic data.
  • the artificial intelligence engine (second type) 360 may determine other low-level credit evaluation data based on the input low-level credit evaluation data.
  • the artificial intelligence engine (first type) 350 receives credit evaluation basic data (eg, credit evaluation factor a (sales), credit evaluation factor b (net profit), credit evaluation factor c (return rate)), and Credit evaluation data can be determined.
  • credit evaluation basic data eg, credit evaluation factor a (sales), credit evaluation factor b (net profit), credit evaluation factor c (return rate)
  • Credit evaluation data can be determined.
  • the artificial intelligence engine (second type) 360 may receive lower level credit evaluation data generated by at least one artificial intelligence engine (first type) 350 and generate another lower level credit evaluation data.
  • the artificial intelligence engine (second type) 360 receives sub-credit evaluation data 1 (possibility of delinquency), sub-credit evaluation data 2 (possibility of default), and sub-credit evaluation data 3 (possibility of market change) as input, Another sub-credit evaluation data, credit rating, can be determined.
  • the artificial intelligence model determination unit determines the reliability of the artificial intelligence engine, the connection relationship between the artificial intelligence engine (first type) 350 and the artificial intelligence engine (second type) 360, the artificial intelligence engine layout structure, and the characteristics of the artificial intelligence engine. Considering this, an artificial intelligence engine can be determined.
  • connection relationship between the artificial intelligence engine (first type) 350 and the artificial intelligence engine (second type) 360 is an artificial intelligence engine (first type) considering the input value of the artificial intelligence engine (second type) 360. ) 350 may include information about the connection possibility.
  • the artificial intelligence engine deployment structure is a hierarchical deployment between the artificial intelligence engine (first type) 350 and the artificial intelligence engine (second type) 360, the deployment of artificial intelligence engines in the same layer, and the same/similar sub-level credit evaluation data. It may be determined by considering whether or not the artificial intelligence engine generating AI engines are redundantly disposed, and the frequency of generation of credit evaluation basic data input to the artificial intelligence engine.
  • the characteristics of the artificial intelligence engine take into account characteristics of output data for the same/similar input data, and it may be determined that the characteristics of the artificial intelligence engine are relatively similar as values of the output data are similar.
  • the artificial intelligence engine deployment unit 320 may be implemented to generate a candidate credit evaluation model by deploying an artificial intelligence engine.
  • An artificial intelligence engine may be deployed to generate highly reliable credit evaluation data.
  • the artificial intelligence engine deployment unit 320 includes the reliability of the artificial intelligence engine, the connection relationship between the artificial intelligence engine (first type) 350 and the artificial intelligence engine (second type) 360, the artificial intelligence engine deployment structure, and artificial intelligence Various artificial intelligence engines can be deployed in consideration of engine characteristics and generation frequency of credit rating base data.
  • the credit evaluation data generation unit 330 may be implemented to generate credit evaluation data in a candidate credit evaluation model.
  • the credit evaluation data generating unit 330 may input credit evaluation basic data to the candidate credit evaluation model generated by the artificial intelligence engine arranging unit 320 and generate credit evaluation data as an output value.
  • FIG. 4 is a conceptual diagram illustrating the operation of a credit evaluation model determination unit according to an embodiment of the present invention.
  • the credit evaluation model determiner determines the reliability of the candidate credit evaluation model as a first evaluation factor, and compares the candidate credit evaluation model with a reference credit evaluation model as a second evaluation factor to determine the candidate credit evaluation model. It can be determined by the credit rating model and transmitted to the credit rating department.
  • the credit evaluation model determination unit may determine reliability of the candidate credit evaluation model based on a result value output from the candidate credit evaluation model.
  • the credit evaluation model determiner may be implemented to determine, as a credit evaluation model, a model having a critical level of reliability in credit evaluation among a plurality of candidate credit evaluation models generated by the candidate credit evaluation model generation unit.
  • a credit evaluation model to be used for credit evaluation may be transmitted to the credit evaluation unit.
  • Reliability may be determined by comparing a credit evaluation result of a candidate credit evaluation model based on existing credit evaluation basic data and an actual financial service result. As the credit evaluation result of the candidate credit evaluation model and the actual financial service result are relatively similar, it may be determined to have relatively high reliability.
  • the credit evaluation model determination unit may determine a credit evaluation model of the credit evaluation unit having the most similar characteristics to the candidate credit evaluation model as the reference credit evaluation model.
  • the similarity of characteristics between credit rating models may be determined based on the similarity of input credit rating basic data, the similarity of output credit rating data, and the similarity of artificial intelligence models.
  • the credit rating model determining unit compares the reliability between the standard credit rating model and the candidate credit rating model, and evaluates the candidate's credit through difference between the output values of the standard credit rating model and the candidate credit rating model and error detection when inputting the same input values. You can decide whether or not to decide the model as a credit rating model.
  • FIG. 5 is a conceptual diagram illustrating the operation of a credit evaluation unit according to an embodiment of the present invention.
  • 5 discloses a method of generating credit evaluation data based on a credit evaluation model in a credit evaluation unit.
  • the credit evaluation unit may generate credit evaluation data 540 through a seller's credit evaluation based on at least one credit evaluation model.
  • the credit rating unit may generate the seller's credit rating data based on one credit rating model, but the credit rating unit determines a target credit rating model 520 adaptively applicable to the seller based on the seller characteristic information 500. And, credit evaluation data 540 may be generated based on the determined target credit evaluation model 520 .
  • a target credit evaluation model 520 for credit evaluation that is most suitable for seller characteristic information 500 based on seller information such as seller's sales product, seller's product sales platform, seller's sales, seller's net profit, etc. can be determined
  • the credit evaluation unit may determine reliability of the credit evaluation model according to seller characteristic information based on feedback information of each of the plurality of credit evaluation models. Also, the credit evaluation unit may determine a reliability level for each seller characteristic information for each of the plurality of credit evaluation models. Specifically, the seller characteristic information 500 may be vectorized and expressed on a space based on each sub-seller characteristic information, and a seller group may be formed based on the seller characteristic information through distance information between spaces, and each seller group Reliability of each seller group of the credit evaluation model may be determined by comparing the credit evaluation data with the financial service result data. The reliability level may be determined in consideration of statistical characteristics of reliability of seller groups for each credit evaluation model.
  • the credit evaluation unit may generate credit evaluation data for the seller by determining a credit evaluation model having a relatively high reliability level as a target credit evaluation model based on the seller characteristic information.
  • FIG. 6 is a conceptual diagram illustrating the operation of a credit evaluation model management unit according to an embodiment of the present invention.
  • 6 discloses a method for determining shifting (or correction) of a credit evaluation model or replacement of a credit evaluation model in a credit evaluation model management unit.
  • the credit evaluation model management unit may shift the credit evaluation model or replace the credit evaluation model.
  • the credit rating model management unit may determine prediction accuracy of the credit rating model through comparison between credit rating data of the credit rating model and financial service result data. When the prediction accuracy of the credit rating model is less than or equal to the critical accuracy, the credit rating model management unit may determine the credit rating model as a credit rating model to be managed.
  • the credit evaluation model manager may determine shifting or replacement of a credit evaluation model to be managed.
  • Credit rating model shifting can be performed when there is a difference between the credit rating data of the credit rating model to be managed and the financial service result data, but the difference has a negative or positive tendency and exists within a critical range. there is.
  • Credit evaluation model replacement is performed when there is a difference between the credit evaluation data of the managed credit evaluation model and the financial service result data, and the difference does not have a negative or positive trend and exceeds a critical range.
  • a conservative financial service (low loan amount, high interest rate) may be provided based on credit evaluation data of a credit evaluation model to be managed. Accordingly, the credit evaluation data may be set to be close to actual financial service data by shifting the credit evaluation data through the credit evaluation model shifting 600 .
  • a high-risk financial service (high loan amount, low interest rate) may be provided based on credit evaluation data of a credit evaluation model to be managed. Accordingly, the credit evaluation data may be set to be close to actual financial service data by shifting the credit evaluation data through the credit evaluation model shifting 600 .
  • the credit evaluation data and the financial service result data may be transmitted as feedback data to the credit evaluation model generator, and the replacement may be performed with the credit evaluation model newly created by the credit evaluation model generator.
  • a replaceable credit evaluation model among existing credit evaluation models may be searched for and replacement with the corresponding credit evaluation model may be performed.
  • 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)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Software Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Technology Law (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

본 발명은 CB　사 신용 평가 모델 생성 및 관리 자동화 방법 및 이러한 방법을 수행하는 장치에 관한 것이다. CB(credit bureau)사 신용 평가 모델 생성 및 관리 자동화 방법은 인공 지능 엔진 생성부가 신용 평가를 위한 복수의 인공 지능 엔진을 생성하는 단계, 신용 평가 모델 생성부가 복수의 인공 지능 엔진을 기반으로 신용 평가 모델의 생성하는 단계, 신용 평가부가 신용 평가 모델을 기반으로 판매자에 대한 신용 평가 데이터를 생성하는 단계와 신용 평가 모델 관리부가 신용 평가 모델의 관리를 수행하는 단계를 포함할 수 있다.

Description

CB　사 신용 평가 모델 생성 및 관리 자동화 방법 및 이러한 방법을 수행하는 장치
본 발명은 CB　사 신용 평가 모델 생성 및 관리 자동화 방법 및 이러한 방법을 수행하는 장치에 관한 것이다. 보다 상세하게는 신용 평가사들에서 신용 평가 모델을 생성하고, 생성된 신용 평가 모델에 대한 관리를 수행하기 위한 CB　사 신용 평가 모델 생성 및 관리 자동화 방법 및 이러한 방법을 수행하는 장치에 관한 것이다.
4차 산업혁명에 의해 촉발된 지능 정보 사회로 진입하면서 데이터의 무한한 활용 가능성이 데이터 산업의 변화를 초래하고 있다. 데이터 시대가 도래함에 따라 향후 데이터 산업의 수준이 국가 사이에 경쟁력의 차이를 결정하게 될 것이다.
특히, 금융 시장에서의 빅데이터 인프라 구축은 매우 시급할 뿐만 아니라, 머지 않아 국가의 데이터 산업의 향방을 좌우할만큼 중요한 자산이 되었다. 금융 빅데이터 인프라는 빅데이터 개방 시스템, 데이터 거래소, 데이터 전문기관 등으로 구성된다.
이러한 빅데이터 기반의 사용자 금융 데이터를 기반으로 한 새로운 금융 상품에 대한 연구가 필요하다. 사용자 금융 상품에 대한 인공 지능 기반의 학습을 통해 다양한 리스크 분석이 가능하고, 리스크 분석을 기반으로 현재까지 없었던 새로운 금융 서비스를 사용자들에게 제공할 수 있다.
따라서, 사용자의 금융 데이터를 활용하고 사용자의 금융 데이터를 기반으로 다양한 금융 서비스를 제공하기 위한 구체적인 방법에 대한 연구가 필요하다.
본 발명은 상술한 문제점을 모두 해결하는 것을 그 목적으로 한다.
또한, 본 발명은, 신용 평가사에서 판매자의 신용 평가를 위한 신용 평가 모델을 생성하여 판매자마다 적응적인 신용 평가를 통해 금융 서비스를 제공하는 것을 목적으로 한다.
또한, 본 발명은, 생성된 신용 평가 모델에 대한 지속적인 평가를 통해 신용 평가 모델의 쉬프팅 또는 교체를 수행하여 시간에 따라 변화되는 신용 평가 결과를 적응적으로 반영하여 금융 서비스를 제공하는 것을 목적으로 한다.
상기 목적을 달성하기 위한 본 발명의 대표적인 구성은 다음과 같다.
본 발명의 일 실시예에 따르면, CB(credit bureau)사 신용 평가 모델 생성 및 관리 자동화 방법은 인공 지능 엔진 생성부가 신용 평가를 위한 복수의 인공 지능 엔진을 생성하는 단계, 신용 평가 모델 생성부가 상기 복수의 인공 지능 엔진을 기반으로 신용 평가 모델의 생성하는 단계, 신용 평가부가 상기 신용 평가 모델을 기반으로 판매자에 대한 신용 평가 데이터를 생성하는 단계와 신용 평가 모델 관리부가 상기 신용 평가 모델의 관리를 수행하는 단계를 포함할 수 있다.
한편, 상기 신용 평가 모델 생성부는 후보 신용 평가 모델 생성부 및 신용 평가 모델 결정부를 포함하고, 상기 후보 신용 평가 모델 생성부는 상기 복수의 인공 지능 모델을 기반으로 한 인공 지능 모델의 조합을 기반으로 후보 신용 평가 모델을 생성하고, 상기 신용 평가 모델 결정부는 상기 후보 신용 평가 모델이 상기 신용 평가부에서 사용 가능한 신용 평가 모델인지 여부를 결정할 수 있다.
또한, 상기 후보 신용 평가 모델 생성부는 인공 지능 엔진 결정부, 인공 지능 엔진 배치부, 신용 평가 데이터 생성부를 포함하고, 상기 인공 지능 엔진 결정부는 상기 후보 신용 평가 모델에 포함될 적어도 하나의 인공 지능 엔진을 결정하고, 상기 인공 지능 엔진 배치부는 상기 인공 지능 모델 결정부에 의해 결정된 상기 적어도 하나의 인공 지능 엔진을 배치하여 상기 후보 신용 평가 모델을 생성하고, 상기 신용 평가 데이터 생성부는 상기 인공 지능 엔진 배치부에 의해 결정된 상기 후보 신용 평가 모델을 기반으로 신용 평가 데이터를 생성하고, 상기 복수의 인공 지능 엔진은 인공 지능 엔진(제1 타입) 및 인공 지능 엔진(제2 타입)을 포함하고, 상기 인공 지능 엔진(제1 타입)은 전처리된 신용 평가 기초 데이터를 기반으로 하위 신용 평가 데이터를 결정하고, 상기 인공 지능 엔진(제2 타입)은 적어도 하나의 상기 인공 지능 엔진(제1 타입) 에 의해 생성된 상기 하위 신용 평가 데이터를 입력받고, 또 다른 하위 신용 평가 데이터를 결정할 수 있다.
본 발명의 다른 실시예에 따르면, 신용 평가 모델 생성 및 관리 자동화를 수행하는 CB(credit bureau)사 신용 평가 장치는 신용 평가를 위한 복수의 인공 지능 엔진을 생성하도록 구현되는 인공 지능 엔진 생성부, 상기 복수의 인공 지능 엔진을 기반으로 신용 평가 모델의 생성하도록 구현되는 신용 평가 모델 생성부, 평가부가 상기 신용 평가 모델을 기반으로 판매자에 대한 신용 평가 데이터를 생성하도록 구현되는 신용 평가부와 상기 신용 평가 모델의 관리를 수행하도록 구현되는 신용 평가 모델 관리부를 포함할 수 있다.
한편, 상기 신용 평가 모델 생성부는 후보 신용 평가 모델 생성부 및 신용 평가 모델 결정부를 포함하고, 상기 후보 신용 평가 모델 생성부는 상기 복수의 인공 지능 모델을 기반으로 한 인공 지능 모델의 조합을 기반으로 후보 신용 평가 모델을 생성하고, 상기 신용 평가 모델 결정부는 상기 후보 신용 평가 모델이 상기 신용 평가부에서 사용 가능한 신용 평가 모델인지 여부를 결정할 수 있다.
또한, 상기 후보 신용 평가 모델 생성부는 인공 지능 엔진 결정부, 인공 지능 엔진 배치부, 신용 평가 데이터 생성부를 포함하고, 상기 인공 지능 엔진 결정부는 상기 후보 신용 평가 모델에 포함될 적어도 하나의 인공 지능 엔진을 결정하고, 상기 인공 지능 엔진 배치부는 상기 인공 지능 모델 결정부에 의해 결정된 상기 적어도 하나의 인공 지능 엔진을 배치하여 상기 후보 신용 평가 모델을 생성하고, 상기 신용 평가 데이터 생성부는 상기 인공 지능 엔진 배치부에 의해 결정된 상기 후보 신용 평가 모델을 기반으로 신용 평가 데이터를 생성하고, 상기 복수의 인공 지능 엔진은 인공 지능 엔진(제1 타입) 및 인공 지능 엔진(제2 타입)을 포함하고, 상기 인공 지능 엔진(제1 타입)은 전처리된 신용 평가 기초 데이터를 기반으로 하위 신용 평가 데이터를 결정하고, 상기 인공 지능 엔진(제2 타입)은 적어도 하나의 상기 인공 지능 엔진(제1 타입) 에 의해 생성된 상기 하위 신용 평가 데이터를 입력받고, 또 다른 하위 신용 평가 데이터를 결정할 수 있다.
본 발명에 의하면, 신용 평가사에서 판매자의 신용 평가를 위한 신용 평가 모델을 생성하여 판매자마다 적응적인 신용 평가를 통해 금융 서비스가 제공될 수 있다.
또한, 본 발명에 의하면, 생성된 신용 평가 모델에 대한 지속적인 평가를 통해 신용 평가 모델의 쉬프팅 또는 교체를 수행하여 시간에 따라 변화되는 신용 평가 결과를 적응적으로 반영하여 금융 서비스가 제공될 수 있다.
도 1은 본 발명의 실시예에 따른 CB(credit bureau)사 신용 평가 장치를 나타낸 개념도이다.
도 2는 본 발명의 실시예에 따른 인공 지능 엔진 생성부의 동작을 나타낸 개념도이다.
도 3은 본 발명의 실시예에 따른 후보 신용 평가 모델 생성부의 동작을 나타낸 개념도이다.
도 4는 본 발명의 실시예에 따른 신용 평가 모델 결정부의 동작을 나타낸 개념도이다.
도 5는 본 발명의 실시예에 따른 신용 평가부의 동작을 나타낸 개념도이다.
도 6은 본 발명의 실시예에 따른 신용 평가 모델 관리부의 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.
도 1은 본 발명의 실시예에 따른 CB(credit bureau)사 신용 평가 장치를 나타낸 개념도이다.
도 1에서는 신용 평가사인 CB사가 판매자의 신용 평가를 수행하기 위한 신용 평가 모델을 생성하고 신용 평가 모델의 관리를 자동화하기 위한 신용 평가 장치가 개시된다.
도 1을 참조하면, CB사 신용 평가 장치는 인공 지능 엔진 생성부(100), 신용 평가 모델 생성부(110), 신용 평가부(170) 및 신용 평가 모델 관리부(180) 및 프로세서(190)를 포함할 수 있다.
인공 지능 엔진 생성부(100)는 신용 평가를 위한 다양한 인공 지능 엔진을 생성하기 위해 구현될 수 있다. 신용 평가 데이터를 결정하기 위해서는 다양한 하위 신용 평가 데이터를 생성하는 개별적인 인공 지능 엔진이 활용될 수 있다. 인공 지능 엔진 생성부(100)는 신용 평가 데이터를 결정하기 위해 기초가 되는 다양한 하위 신용 평가 데이터를 생성할 수 있는 인공 지능 엔진을 생성할 수 있다.
인공 지능 엔진 생성부(100)에 의해 생성된 인공 지능 엔진은 신용 평가 모델 생성부(110)로 전달되어 신용 평가 모델의 생성을 위해 활용될 수 있다.
신용 평가 모델 생성부(110)는 신용 평가 모델의 생성을 위해 구현될 수 있다. 신용 평가 모델은 판매자의 신용 평가 데이터를 생성하기 위한 모델일 수 있다.
신용 평가 모델은 복수의 인공 지능 엔진과 복수의 신용 평가를 위한 알고리즘을 기반으로 구현될 수 있다. 신용 평가 모델은 신용 평가를 위한 전처리 신용 평가 기초 데이터를 수신하여 판매자에 대한 신용 평가 데이터를 생성할 수 있다.
신용 평가 모델 생성부(110)는 후보 신용 평가 모델 생성부(120) 및 신용 평가 모델 결정부(160)를 포함할 수 있다.
후보 신용 평가 모델 생성부(120)는 인공 지능 엔진 결정부(130), 인공 지능 엔진 배치부(140), 신용 평가 데이터 생성부(150)를 포함할 수 있다.
인공 지능 엔진 결정부(130)는 후보 신용 평가 모델에 포함될 적어도 하나의 인공 지능 엔진을 결정하기 위해 구현될 수 있다. 후보 신용 평가 모델은 복수의 인공 지능 엔진을 기반으로 신용 평가 데이터를 생성할 수 있고, 인공 지능 엔진 결정부(130)는 후보 신용 평가 모델을 생성하기 위한 적어도 하나의 인공 지능 엔진을 결정할 수 있다.
인공 지능 모델 배치부(140)는 인공 지능 모델 결정부(130)에 의해 결정된 인공 지능 엔진을 배치하여 후보 신용 평가 모델을 생성하기 위해 구현될 수 있다. 복수의 인공 지능 엔진 각각은 순차적 또는 병렬적으로 배치되어 복수의 하위 신용 평가 데이터를 생성하고, 복수의 하위 신용 평가 데이터가 종합되어 신용 평가 데이터가 결정될 수 있다.
예를 들어, 복수의 인공 지능 엔진 각각은 병렬적으로 배치되어 하위 신용 평가 데이터를 생성하고, 하위 신용 평가 데이터를 기반으로 판매자의 신용 평가 데이터가 결정될 수 있다. 또는 복수의 인공 지능 엔진이 계층적(또는 순차적)으로 배치되어 하위 신용 평가 데이터를 생성하고, 계층적으로 생성되는 n차 하위 신용 평가 데이터를 기반으로 판매자의 신용 평가 데이터가 결정될 수 있다. 또는 특정 인공 지능 엔진에서 생성된 결과가 다른 인공 지능 엔진으로 입력되는 구조의 신용 평가 데이터를 생성하기 위한 후보 신용 평가 모델이 결정될 수도 있다. 따라서, 인공 지능 모델 배치부(140)는 신용 평가 데이터를 생성하기 위해 적절한 인공 지능 엔진의 배치를 기반으로 후보 신용 평가 모델을 결정할 수 있다.
신용 평가 데이터 생성부(150)는 인공 지능 엔진 배치부(140)에 의해 결정된 후보 신용 평가 모델을 기반으로 신용 평가 데이터를 생성하기 위해 구현될 수 있다.
신용 평가 모델 결정부(160)는 후보 신용 평가 모델 생성부(120)에 의해 생성된 복수의 후보 신용 평가 모델 중 신용 평가에 임계 신뢰도를 가지는 모델을 신용 평가 모델로서 결정하기 위해 구현될 수 있다. 신용 평가 모델 생성부(110)에 의해 생성된 후보 신용 평가 모델 중 신용 평가를 위해 사용될 신용 평가 모델은 신용 평가부(170)로 전송될 수 있다. 신뢰도는 기존의 신용 평가 기초 데이터를 기반으로 한 후보 신용 평가 모델의 신용 평가 결과와 실제 금융 서비스 결과의 비교를 통해 판단될 수 있다. 후보 신용 평가 모델의 신용 평가 결과와 실제 금융 서비스 결과가 상대적으로 유사할수록 후보 신용 평가 모델이 상대적으로 더 높은 신뢰도를 가지는 것으로 결정될 수 있다.
신용 평가부(170)는 신용 평가 모델 생성부(180)에 의해 생성된 신용 평가 모델을 기반으로 판매자에 대한 신용 평가 데이터를 생성하기 위해 수행할 수 있다.
신용 평가부(170)는 적어도 하나의 신용 평가 모델을 사용하여 판매자에 대한 신용 평가를 통해 신용 평가 데이터를 생성할 수 있다. 신용 평가부(170)에 위치한 적어도 하나의 신용 평가 모델은 평가에 의해 교체되거나 조합되어 판매자의 신용 평가 데이터를 결정하기 위해 활용될 수 있다.
또한, 신용 평가부(170)는 신용 평가 대상에 따라 적응적으로 적용 가능한 다양한 신용 평가 모델을 포함할 수 있고, 이러한 다양한 신용 평가 모델을 기반으로 판매자 특성을 고려한 신용 평가 데이터가 생성될 수 있다.
신용 평가 모델 관리부(180)는 신용 평가 모델의 관리를 위해 구현될 수 있다. 신용 평가부(170)의 신용 평가 모델은 주기적/비주기적 평가에 의해 교체될 수 있다. 신용 평가 모델 관리부(180)는 현재 신용 평가부(170)에서 사용되는 신용 평가 모델을 판단하고, 신용 평가 모델의 교체 여부를 결정할 수 있다.
또는 신용 평가 모델 관리부(180)는 신용 평가부(170)의 신용 평가 모델의 교체가 아닌 결과값의 일부 보정(또는 쉬프팅)을 수행할지 여부에 대해서도 결정하고 보정값(또는 쉬프팅값)을 신용 평가부(170)에 전송할 수도 있다. 예를 들어, 신용 평가부(170)의 신용 평가 모델의 예측 결과와 실제 금융 서비스 결과의 오차가 보정값을 기반으로 좁혀질 수 있는 경우, 신용 평가 모델 관리부(180)는 신용 평가 모델의 예측 결과를 보정할 보정값을 결정하여 신용 평가부(170)로 전달할 수 있다.
프로세서(190)는 인공 지능 엔진 생성부(100), 신용 평가 모델 생성부(110), 신용 평가부(170) 및 신용 평가 모델 관리부(180)의 동작을 제어하기 위해 구현될 수 있다.
도 2는 본 발명의 실시예에 따른 인공 지능 엔진 생성부의 동작을 나타낸 개념도이다.
도 2에서는 인공 지능 엔진 생성부에서 신용 평가를 위한 인공 지능 엔진을 생성하는 방법이 개시된다.
도 2를 참조하면, 인공 지능 엔진 생성부는 신용 평가 모델에 포함되는 인공 지능 엔진을 생성하기 위해 구현될 수 있다.
인공 지능 엔진은 전처리 신용 평가 기초 데이터를 입력값으로 수신하고, 판매자의 신용 평가 데이터를 결정하기 위한 하위 신용 평가 데이터를 생성하기 위해 구현될 수 있다.
인공 지능 엔진 생성부는 후보 인공 지능 엔진 생성부(210), 신뢰도 판단부(260), 인공 지능 엔진 결정부(270)를 포함할 수 있다.
후보 인공 지능 엔진 생성부(210)는 후보 신용 평가 모델에 포함될 후보 인공 지능 엔진을 생성하기 위해 구현될 수 있다. 후보 인공 지능 엔진 생성부(210)는 업데이트 인공 지능 엔진 생성부(220)와 신규 인공 지능 엔진 생성부(230)를 포함할 수 있다.
업데이트 인공 지능 엔진 생성부(220)는 기존의 사용되던 인공 지능 엔진에 새로운 학습 데이터 또는 새로운 피드백 데이터를 기반으로 인공 지능 학습을 재수행하여 업데이트된 인공 지능 엔진을 후보 인공 지능 엔진으로서 생성하기 위해 구현될 수 있다
업데이트 인공 지능 엔진 생성부(220)는 신규 데이터 데이터베이스(222), 피드백 데이터 데이터베이스(224), 업데이트 주기 결정부(226)를 포함할 수 있다.
신규 데이터 데이터베이스(222)는 새롭게 입력되는 신용 평가 기초 데이터를 저장하는 데이터베이스일 수 있다.
피드백 데이터 데이터베이스(224)는 기존에 생성된 인공 지능 엔진과 관련된 피드백 데이터를 저장하는 데이터베이스일 수 있다.
업데이트 주기 결정부(226)는 인공 지능 엔진에 대한 업데이트 주기를 결정하기 위해 구현될 수 있다. 업데이트 주기 결정부(226)는 미리 설정된 주기를 기준으로 추가적인 학습 데이터를 통해 업데이트를 결정할 수 있다. 또한, 업데이트 주기 결정부(226)는 신규로 입력된 신용 평가 기초 데이터, 피드백 데이터의 특성을 고려하여 업데이트 주기를 결정할 수도 있다. 예를 들어, 데이터베이스에 저장된 신용 평가 기초 데이터, 피드백 데이터가 기존의 학습에 사용된 데이터와 상대적으로 유사도가 높은 경우, 업데이트 주기는 상대적으로 길게 설정될 수 있다. 반대로, 데이터베이스에 저장된 신용 평가 기초 데이터, 피드백 데이터가 기존의 학습에 사용된 데이터와 상대적으로 유사도가 낮은 경우, 업데이트 주기는 상대적으로 짧게 설정될 수 있다.
신규 인공 지능 엔진 생성부(230)는 새로운 인공 지능 엔진으로서 인공 지능 학습을 통해 후보 인공 지능 엔진을 생성하기 위해 구현될 수 있다. 새로운 인공 지능 엔진은 기존 인공 지능 엔진과 다른 학습 레이어, 인공 지능 학습 알고리즘, 학습 전처리 등을 수행하는 학습 모델일 수 있다.
신규 인공 지능 엔진 생성부(230)는 타겟 데이터 결정부(233), 학습 데이터 결정부(236)를 포함할 수 있다.
타겟 데이터 결정부(233)는 새롭게 생성되는 인공 지능 엔진에 의해 출력되는 하위 신용 평가 데이터를 결정하기 위해 구현될 수 있다.
학습 데이터 결정부(236)는 하위 신용 평가 데이터에 따라 인공 지능 엔진의 학습을 위한 학습 데이터를 결정하기 위해 구현될 수 있다.
본 발명에서 업데이트 인공 지능 엔진 생성부(220)에 의해 생성된 후보 인공 지능 엔진은 후보 인공 지능 엔진(업데이트)(240), 신규 인공 지능 엔진 생성부(230)에 의해 생성된 인공 지능 엔진은 후보 인공 지능 엔진(신규)(250)라는 용어로 구분하여 표현될 수 있다.
신뢰도 판단부(260)는 후보 인공 지능 엔진(업데이트)(240), 후보 인공 지능 엔진(신규)(250)의 신뢰도를 판단하기 위해 구현될 수 있다. 후보 인공 지능 엔진(업데이트)(240)와 후보 인공 지능 엔진(신규)(250)의 예측값과 기존의 금융 서비스 결과값을 비교하여 후보 인공 지능 엔진(업데이트)(240)와 후보 인공 지능 엔진(신규)(250) 각각의 신뢰도가 결정될 수 있다.
인공 지능 엔진 결정부(270)는 후보 인공 지능 엔진 중 신용 평가 모델에서 사용될 인공 지능 엔진을 결정하기 위해 구현될 수 있다.
후보 인공 지능 엔진의 신뢰도가 기준 인공 지능 엔진보다 높은 신뢰도를 가지는 경우, 후보 인공 지능 엔진은 인공 지능 엔진으로서 결정되어 신용 평가 모델에서 사용될 수 있다.
후보 인공 지능 엔진(업데이트)(240)의 기준 인공 지능 엔진과 후보 인공 지능 엔진(신규)(250)의 기준 인공 지능 엔진은 서로 다를 수 있다. 후보 인공 지능 엔진(업데이트)(240)의 기준 인공 지능 엔진은 후보 인공 지능 엔진(업데이트)(240)에 대응되는 업데이트 전 인공 지능 엔진일 수 있다. 후보 인공 지능 엔진(신규)(250)의 기준 인공 지능 엔진은 후보 인공 지능 엔진(신규)(250)와 동일한 하위 신용 평가 데이터를 생성하는 인공 지능 엔진 중 가장 높은 신뢰도를 가지는 인공 지능 엔진일 수 있다. 또는 후보 인공 지능 엔진(신규)(250)의 기준 인공 지능 엔진은 후보 인공 지능 엔진(신규)(250)와 동일한 하위 신용 평가 데이터를 생성하는 인공 지능 엔진의 신뢰도의 중간값에 대응되는 인공 지능 엔진일 수 있다.
도 3은 본 발명의 실시예에 따른 후보 신용 평가 모델 생성부의 동작을 나타낸 개념도이다.
도 3에서는 후보 신용 평가 모델 생성부가 인공 지능 엔진을 조합하여 후보 신용 평가 모델을 생성하는 방법이 개시된다.
도 3을 참조하면, 후보 신용 평가 모델 생성부(300)는 신용 평가 모델 생성부에 포함되어 후보 신용 평가 모델을 생성하기 위해 구현될 수 있다.
후보 신용 평가 모델 생성부(300)는 인공 지능 엔진 결정부(310), 인공 지능 엔진 배치부(320) 및 신용 평가 데이터 생성부(330)를 포함할 수 있다.
인공 지능 엔진 결정부(310)는 후보 신용 평가 모델의 생성시 사용할 인공 지능 엔진을 결정할 수 있다. 후보 신용 평가 모델은 특정 섹터의 판매자에 특화된 모델일 수도 있고, 일반적으로 모든 판매자에게 적용 가능한 모델일 수도 있다. 따라서, 인공 지능 엔진 결정부(310)는 신용 평가 모델 특성을 고려하여 인공 지능 엔진을 생성할 수도 있다.
인공 지능 엔진 결정부(310)는 인공 지능 엔진을 결정하기 위해 신용 평가 데이터 생성에 사용할 하위 신용 평가 데이터를 결정할 수 있다. 하위 신용 평가 데이터의 결정 이후, 결정된 하위 신용 평가 데이터에 대응되는 인공 지능 엔진이 결정될 수 있다.
인공 지능 엔진은 2가지 타입으로 정의될 수 있다. 인공 지능 엔진(제1 타입)(350)은 전처리된 신용 평가 기초 데이터를 기반으로 하위 신용 평가 데이터를 결정할 수 있다. 인공 지능 엔진(제2 타입)(360)은 입력되는 하위 신용 평가 데이터를 기반으로 다른 하위 신용 평가 데이터를 결정할 수 있다.
인공 지능 엔진(제1 타입)(350)은 신용 평가 기초 데이터(예를 들어, 신용 평가 요소a(매출), 신용 평가 요소b(순이익), 신용 평가 요소c(반품율))를 입력 받고, 하위 신용 평가 데이터를 결정할 수 있다.
인공 지능 엔진(제2 타입)(360)은 적어도 하나의 인공 지능 엔진(제1 타입)(350)에 의해 생성된 하위 신용 평가 데이터를 입력받고, 또 다른 하위 신용 평가 데이터를 생성할 수 있다. 예를 들어, 인공 지능 엔진(제2 타입)(360)은 하위 신용 평가 데이터1(연체 가능성), 하위 신용 평가 데이터2(디폴트 가능성), 하위 신용 평가 데이터3(시장 변화 가능성)을 입력받고, 또 다른 하위 신용 평가 데이터인 신용 등급을 결정할 수 있다.
인공 지능 모델 결정부는 인공 지능 엔진의 신뢰도, 인공 지능 엔진(제1 타입)(350)과 인공 지능 엔진(제2 타입)(360) 간의 연결 관계, 인공 지능 엔진 배치 구조, 인공 지능 엔진 특징 등을 고려하여 인공 지능 엔진을 결정할 수 있다.
인공 지능 엔진(제1 타입)(350)과 인공 지능 엔진(제2 타입)(360) 간의 연결 관계는 인공 지능 엔진(제2 타입)(360)의 입력값을 고려한 인공 지능 엔진(제1 타입)(350)의 연결 가능성에 대한 정보를 포함할 수 있다.
인공 지능 엔진 배치 구조는 인공 지능 엔진(제1 타입)(350)과 인공 지능 엔진(제2 타입)(360) 간의 계층적 배치 및 동일한 계층의 인공 지능 엔진의 배치, 동일/유사 하위 신용 평가 데이터를 생성하는 인공 지능 엔진의 중복 배치 여부, 인공 진능 엔진에 입력되는 신용 평가 기초 데이터의 생성 빈도 등을 고려하여 결정될 수 있다.
인공 지능 엔진 특징은 동일/유사한 입력 데이터에 대한 출력 데이터 특성을 고려한 것으로서 출력 데이터의 값이 유사할수록 상대적으로 유사한 인공 지능 엔진 특징을 가지는 것으로 결정될 수 있다.
인공 지능 엔진 배치부(320)는 인공 지능 엔진을 배치하여 후보 신용 평가 모델을 생성하기 위해 구현될 수 있다. 신뢰도 높은 신용 평가 데이터를 생성하기 위하여 인공 지능 엔진의 배치가 수행될 수 있다. 인공 지능 엔진 배치부(320)는 인공 지능 엔진의 신뢰도, 인공 지능 엔진(제1 타입)(350)과 인공 지능 엔진(제2 타입)(360) 간의 연결 관계, 인공 지능 엔진 배치 구조, 인공 지능 엔진 특징, 신용 평가 기초 데이터의 생성 빈도를 고려하여 다양하게 인공 지능 엔진을 배치할 수 있다.
신용 평가 데이터 생성부(330)는 후보 신용 평가 모델에서 신용 평가 데이터를 생성하기 위해 구현될 수 있다. 신용 평가 데이터 생성부(330)는 인공 지능 엔진 배치부(320)에 의해 생성된 후보 신용 평가 모델에 신용 평가 기초 데이터를 입력하고, 출력값으로 신용 평가 데이터를 생성할 수 있다.
도 4는 본 발명의 실시예에 따른 신용 평가 모델 결정부의 동작을 나타낸 개념도이다.
도 4에서는 신용 평가 모델 결정부에서 후보 신용 평가 모델 중 신용 평가부로 신용 평가 모델로서 전송할 모델을 결정하는 방법이 개시된다.
도 4를 참조하면, 신용 평가 모델 결정부는 제1 평가 요소로서 후보 신용 평가 모델의 신뢰도를 결정하고, 제2 평가 요소로서 후보 신용 평가 모델과 기준 신용 평가 모델과의 비교를 통해 후보 신용 평가 모델을 신용 평가 모델로 결정하고, 신용 평가부로 전송할 수 있다.
(1) 신뢰도 결정(S400)
신용 평가 모델 결정부는 후보 신용 평가 모델에서 출력한 결과값을 기반으로 후보 신용 평가 모델의 신뢰도를 결정할 수 있다.
전술한 바와 같이 신용 평가 모델 결정부는 후보 신용 평가 모델 생성부에 의해 생성된 복수의 후보 신용 평가 모델 중 신용 평가에 임계 신뢰도를 가지는 모델을 신용 평가 모델로서 결정하기 위해 구현될 수 있다. 신용 평가 모델 생성부에 의해 생성된 후보 신용 평가 모델 중 신용 평가를 위해 사용될 신용 평가 모델은 신용 평가부로 전송될 수 있다. 신뢰도는 기존의 신용 평가 기초 데이터를 기반으로 한 후보 신용 평가 모델의 신용 평가 결과와 실제 금융 서비스 결과의 비교를 통해 판단될 수 있다. 후보 신용 평가 모델의 신용 평가 결과와 실제 금융 서비스 결과가 상대적으로 유사할수록 상대적으로 더 높은 신뢰도를 가지는 것으로 결정될 수 있다.
(2) 기준 신용 평가 모델과의 비교(S410)
신용 평가부에서는 상황에 따라 서로 다른 신용 평가 모델이 적응적으로 사용될 수 있도록 다양한 신용 평가 모델이 존재할 수 있다. 신용 평가 모델 결정부는 후보 신용 평가 모델과 가장 유사한 특성을 가지는 신용 평가부의 신용 평가 모델을 기준 신용 평가 모델로 결정할 수 있다.
신용 평가 모델 간 특성의 유사도는 입력되는 신용 평가 기초 데이터의 유사도, 출력되는 신용 평가 데이터의 유사도, 인공 지능 모델 유사도를 기반으로 결정될 수 있다.
신용 평가 모델 결정부는 기준 신용 평가 모델과 후보 신용 평가 모델 간의 신뢰도 비교, 동일한 입력값을 입력시 기준 신용 평가 모델과 후보 신용 평가 모델의 출력값 간의 차이값 및 차이값에 대한 오류 검출을 통해 후보 신용 평가 모델을 신용 평가 모델로 결정할지 여부를 결정할 수 있다.
도 5는 본 발명의 실시예에 따른 신용 평가부의 동작을 나타낸 개념도이다.
도 5에서는 신용 평가부에서 신용 평가 모델을 기반으로 신용 평가 데이터를 생성하는 방법이 개시된다.
도 5를 참조하면, 신용 평가부는 적어도 하나의 신용 평가 모델을 기반으로 판매자의 신용 평가를 통해 신용 평가 데이터(540)를 생성할 수 있다.
신용 평가부는 하나의 신용 평가 모델을 기반으로 판매자의 신용 평가 데이터를 생성할 수도 있으나, 신용 평가부는 판매자 특성 정보(500)를 기반으로 적응적으로 판매자에게 적용 가능한 타겟 신용 평가 모델(520)을 결정하고, 결정된 타겟 신용 평가 모델(520)을 기반으로 신용 평가 데이터(540)를 생성할 수 있다.
예를 들어, 판매자의 판매 상품, 판매자의 상품 판매 플랫폼, 판매자의 매출, 판매자의 순이익 등과 같은 판매자 정보를 기반으로 판매자 특성 정보(500)에 가장 적합한 신용 평가를 위한 타겟 신용 평가 모델(520)이 결정될 수 있다.
신용 평가부는 복수의 신용 평가 모델 각각에 피드백 정보를 기반으로 판매자 특성 정보에 따른 신용 평가 모델의 신뢰도를 결정할 수 있다. 또한, 신용 평가부는 복수의 신용 평가 모델 각각에 대해 판매자 특성 정보별 신뢰도 등급을 결정할 수 있다. 구체적으로 판매자 특성 정보(500)는 하위 판매자 특성 정보 각각을 기반으로 벡터화되고 공간 상에 표현될 수 있고, 공간 간의 거리 정보를 통해 판매자 특성 정보를 기반으로 판매자 그룹이 형성될 수 있고, 판매자 그룹별 신용 평가 데이터와 금융 서비스 결과 데이터를 비교하여 신용 평가 모델의 판매자 그룹별 신뢰도가 결정될 수 있다. 신뢰도 등급은 신용 평가 모델별 판매자 그룹에 대한 신뢰도의 통계적 특성을 고려하여 결정될 수 있다.
신용 평가부는 판매자 특성 정보를 기초로 상대적으로 높은 신뢰도 등급을 가지는 신용 평가 모델을 타겟 신용 평가 모델로서 결정하여 판매자에 대한 신용 평가 데이터를 생성할 수 있다.
도 6은 본 발명의 실시예에 따른 신용 평가 모델 관리부의 동작을 나타낸 개념도이다.
도 6에서는 신용 평가 모델 관리부에서 신용 평가 모델의 쉬프팅(또는 보정) 또는 신용 평가 모델의 교체를 결정하는 방법이 개시된다.
도 6을 참조하면, 신용 평가 모델에 의해 생성된 신용 평가 데이터가 금융 서비스 결과 데이터와 차이가 있는 경우, 신용 평가 모델 관리부는 신용 평가 모델의 쉬프팅 또는 신용 평가 모델의 교체를 수행할 수 있다.
신용 평가 모델 관리부는 신용 평가 모델의 신용 평가 데이터와 금융 서비스 결과 데이터의 비교를 통해 신용 평가 모델의 예측 정확도를 결정할 수 있다. 신용 평가 모델의 예측 정확도가 임계 정확도 이하인 경우, 신용 평가 모델 관리부는 신용 평가 모델을 관리 대상 신용 평가 모델로 결정할 수 있다.
신용 평가 모델 관리부는 관리 대상 신용 평가 모델에 대한 쉬프팅 또는 교체를 결정할 수 있다.
신용 평가 모델 쉬프팅은 관리 대상 신용 평가 모델의 신용 평가 데이터와 금융 서비스 결과 데이터 간의 차이는 존재하나, 그 차이가 음의 방향 또는 양의 방향으로 경향성을 가지고 임계 범위 내에서 존재하는 경우에 수행될 수 있다.
신용 평가 모델 교체는 관리 대상 신용 평가 모델의 신용 평가 데이터와 금융 서비스 결과 데이터 간의 차이는 존재하고, 그 차이가 음의 방향 또는 양의 방향으로 경향성을 가지지 않고, 임계 범위를 벋어나는 경우에 수행될 수 있다.
(1) 신용 평가 모델 쉬프팅(600)
1) 관리 대상 신용 평가 모델의 신용 평가 데이터보다 금융 서비스 결과 데이터가 금융 서비스 측면에서 긍정적인 경우
신용 평가 모델 쉬프팅(600)이 되지 않는 경우, 관리 대상 신용 평가 모델의 신용 평가 데이터를 기반으로 보수적인 금융 서비스(낮은 대출금, 높은 금리)가 제공될 수 있다. 따라서, 신용 평가 모델 쉬프팅(600)을 통해 신용 평가 데이터를 쉬프팅하여 신용 평가 데이터가 실제 금융 서비스 데이터에 가깝도록 설정할 수 있다.
2) 신용 평가 데이터보다 금융 서비스 결과 데이터가 금융 서비스 측면에서 부정적인 경우
신용 평가 모델 쉬프팅(600)이 되지 않는 경우, 관리 대상 신용 평가 모델의 신용 평가 데이터를 기반으로 리스크가 높은 금융 서비스(높은 대출금, 낮은 금리)가 제공될 수 있다. 따라서, 신용 평가 모델 쉬프팅(600)을 통해 신용 평가 데이터를 쉬프팅하여 신용 평가 데이터가 실제 금융 서비스 데이터에 가깝도록 설정할 수 있다.
(2) 신용 평가 모델 교체(620)
1) 신규 신용 평가 모델 생성
관리 대상 신용 평가 모델의 교체를 위해 신용 평가 데이터와 금융 서비스 결과 데이터가 피드백 데이터로서 신용 평가 모델 생성부로 전달되고, 신용 평가 모델 생성부에 의해 새롭게 생성된 신용 평가 모델로 교체가 진행될 수 있다.
2) 기존 신용 평가 모델 이용
기존 신용 평가 모델 중 교체 가능한 신용 평가 모델을 탐색하여 해당 신용 평가 모델로의 교체가 수행될 수 있다.
신용 평가 모델 중 관리 대상 신용 평가 모델로의 기존 입력값을 넣었을 때 실제 금융 서비스 결과와 비교하여 높은 예측 정확도를 가지거나, 신용 평가 모델 쉬프팅을 하는 경우, 실제 금융 서비스 결과를 높은 정확도로 예측 가능한 신용 평가 모델이 존재하는 경우, 해당 신용 평가 모델을 모델을 쉬프팅하여 교체할 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. CB(credit bureau)사 신용 평가 모델 생성 및 관리 자동화 방법은,
    인공 지능 엔진 생성부가 신용 평가를 위한 복수의 인공 지능 엔진을 생성하는 단계;
    신용 평가 모델 생성부가 상기 복수의 인공 지능 엔진을 기반으로 신용 평가 모델의 생성하는 단계;
    신용 평가부가 상기 신용 평가 모델을 기반으로 판매자에 대한 신용 평가 데이터를 생성하는 단계; 및
    신용 평가 모델 관리부가 상기 신용 평가 모델의 관리를 수행하는 단계를 포함하는 것을 특징으로 하는 방법.
  2. 제1항에 있어서,
    상기 신용 평가 모델 생성부는 후보 신용 평가 모델 생성부 및 신용 평가 모델 결정부를 포함하고,
    상기 후보 신용 평가 모델 생성부는 상기 복수의 인공 지능 모델을 기반으로 한 인공 지능 모델의 조합을 기반으로 후보 신용 평가 모델을 생성하고,
    상기 신용 평가 모델 결정부는 상기 후보 신용 평가 모델이 상기 신용 평가부에서 사용 가능한 신용 평가 모델인지 여부를 결정하는 것을 특징을 하는 방법.
  3. 제2 항에 있어서,
    상기 후보 신용 평가 모델 생성부는 인공 지능 엔진 결정부, 인공 지능 엔진 배치부, 신용 평가 데이터 생성부를 포함하고,
    상기 인공 지능 엔진 결정부는 상기 후보 신용 평가 모델에 포함될 적어도 하나의 인공 지능 엔진을 결정하고,
    상기 인공 지능 엔진 배치부는 상기 인공 지능 모델 결정부에 의해 결정된 상기 적어도 하나의 인공 지능 엔진을 배치하여 상기 후보 신용 평가 모델을 생성하고,
    상기 신용 평가 데이터 생성부는 상기 인공 지능 엔진 배치부에 의해 결정된 상기 후보 신용 평가 모델을 기반으로 신용 평가 데이터를 생성하고,
    상기 복수의 인공 지능 엔진은 인공 지능 엔진(제1 타입) 및 인공 지능 엔진(제2 타입)을 포함하고,
    상기 인공 지능 엔진(제1 타입)은 전처리된 신용 평가 기초 데이터를 기반으로 하위 신용 평가 데이터를 결정하고,
    상기 인공 지능 엔진(제2 타입)은 적어도 하나의 상기 인공 지능 엔진(제1 타입) 에 의해 생성된 상기 하위 신용 평가 데이터를 입력받고, 또 다른 하위 신용 평가 데이터를 결정하는 것을 특징으로 하는 방법.
  4. 신용 평가 모델 생성 및 관리 자동화를 수행하는 CB(credit bureau)사 신용 평가 장치는,
    신용 평가를 위한 복수의 인공 지능 엔진을 생성하도록 구현되는 인공 지능 엔진 생성부;
    상기 복수의 인공 지능 엔진을 기반으로 신용 평가 모델의 생성하도록 구현되는 신용 평가 모델 생성부;
    평가부가 상기 신용 평가 모델을 기반으로 판매자에 대한 신용 평가 데이터를 생성하도록 구현되는 신용 평가부; 및
    상기 신용 평가 모델의 관리를 수행하도록 구현되는 신용 평가 모델 관리부를 포함하는 것을 특징으로 하는 CB사 신용 평가 장치.
  5. 제4항에 있어서,
    상기 신용 평가 모델 생성부는 후보 신용 평가 모델 생성부 및 신용 평가 모델 결정부를 포함하고,
    상기 후보 신용 평가 모델 생성부는 상기 복수의 인공 지능 모델을 기반으로 한 인공 지능 모델의 조합을 기반으로 후보 신용 평가 모델을 생성하고,
    상기 신용 평가 모델 결정부는 상기 후보 신용 평가 모델이 상기 신용 평가부에서 사용 가능한 신용 평가 모델인지 여부를 결정하는 것을 특징을 하는 CB사 신용 평가 장치.
  6. 제5 항에 있어서,
    상기 후보 신용 평가 모델 생성부는 인공 지능 엔진 결정부, 인공 지능 엔진 배치부, 신용 평가 데이터 생성부를 포함하고,
    상기 인공 지능 엔진 결정부는 상기 후보 신용 평가 모델에 포함될 적어도 하나의 인공 지능 엔진을 결정하고,
    상기 인공 지능 엔진 배치부는 상기 인공 지능 모델 결정부에 의해 결정된 상기 적어도 하나의 인공 지능 엔진을 배치하여 상기 후보 신용 평가 모델을 생성하고,
    상기 신용 평가 데이터 생성부는 상기 인공 지능 엔진 배치부에 의해 결정된 상기 후보 신용 평가 모델을 기반으로 신용 평가 데이터를 생성하고,
    상기 복수의 인공 지능 엔진은 인공 지능 엔진(제1 타입) 및 인공 지능 엔진(제2 타입)을 포함하고,
    상기 인공 지능 엔진(제1 타입)은 전처리된 신용 평가 기초 데이터를 기반으로 하위 신용 평가 데이터를 결정하고,
    상기 인공 지능 엔진(제2 타입)은 적어도 하나의 상기 인공 지능 엔진(제1 타입) 에 의해 생성된 상기 하위 신용 평가 데이터를 입력받고, 또 다른 하위 신용 평가 데이터를 결정하는 것을 특징으로 하는 CB사 신용 평가 장치.
PCT/KR2022/020816 2022-01-12 2022-12-20 Cb 사 신용 평가 모델 생성 및 관리 자동화 방법 및 이러한 방법을 수행하는 장치 WO2023136493A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020220004692A KR102433935B1 (ko) 2022-01-12 2022-01-12 Cb　사 신용 평가 모델 생성 및 관리 자동화 방법 및 이러한 방법을 수행하는 장치
KR10-2022-0004692 2022-01-12

Publications (1)

Publication Number Publication Date
WO2023136493A1 true WO2023136493A1 (ko) 2023-07-20

Family

ID=83113538

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2022/020816 WO2023136493A1 (ko) 2022-01-12 2022-12-20 Cb 사 신용 평가 모델 생성 및 관리 자동화 방법 및 이러한 방법을 수행하는 장치

Country Status (2)

Country Link
KR (2) KR102433935B1 (ko)
WO (1) WO2023136493A1 (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102433935B1 (ko) * 2022-01-12 2022-08-19 주식회사 에이젠글로벌 Cb　사 신용 평가 모델 생성 및 관리 자동화 방법 및 이러한 방법을 수행하는 장치
KR102644982B1 (ko) * 2023-03-20 2024-03-07 주식회사 와이티아이엔에스 클라우드 환경에서 구현되는 빅데이터 및 인공지능 기반의 서비스 제공 시스템

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102047859B1 (ko) * 2018-06-18 2019-11-22 주식회사 비즈부스터 딥 러닝 기반 기업 신용 평가 서버 및 이를 이용한 기업 신용 평가 방법
KR102156757B1 (ko) * 2019-09-27 2020-09-16 (주)데이터리퍼블릭 기계 학습을 이용한 신용 평가를 위한 시스템, 방법, 및 컴퓨터 프로그램
KR20210055560A (ko) * 2019-11-07 2021-05-17 한국전자통신연구원 인공지능 서비스에 대한 성능 관리 장치 및 방법
KR20210090368A (ko) * 2020-01-10 2021-07-20 여승기 인공지능 모델 생성 플랫폼 제공 시스템을 이용한 인공지능 모델 생성 방법
KR20210127512A (ko) * 2020-04-14 2021-10-22 (주)푸드노트서비스 인공지능 기반 소상공인 신용대출 시스템 및 방법
KR102433935B1 (ko) * 2022-01-12 2022-08-19 주식회사 에이젠글로벌 Cb　사 신용 평가 모델 생성 및 관리 자동화 방법 및 이러한 방법을 수행하는 장치

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102047859B1 (ko) * 2018-06-18 2019-11-22 주식회사 비즈부스터 딥 러닝 기반 기업 신용 평가 서버 및 이를 이용한 기업 신용 평가 방법
KR102156757B1 (ko) * 2019-09-27 2020-09-16 (주)데이터리퍼블릭 기계 학습을 이용한 신용 평가를 위한 시스템, 방법, 및 컴퓨터 프로그램
KR20210055560A (ko) * 2019-11-07 2021-05-17 한국전자통신연구원 인공지능 서비스에 대한 성능 관리 장치 및 방법
KR20210090368A (ko) * 2020-01-10 2021-07-20 여승기 인공지능 모델 생성 플랫폼 제공 시스템을 이용한 인공지능 모델 생성 방법
KR20210127512A (ko) * 2020-04-14 2021-10-22 (주)푸드노트서비스 인공지능 기반 소상공인 신용대출 시스템 및 방법
KR102433935B1 (ko) * 2022-01-12 2022-08-19 주식회사 에이젠글로벌 Cb　사 신용 평가 모델 생성 및 관리 자동화 방법 및 이러한 방법을 수행하는 장치

Also Published As

Publication number Publication date
KR20230109072A (ko) 2023-07-19
KR102433935B1 (ko) 2022-08-19

Similar Documents

Publication Publication Date Title
WO2023136493A1 (ko) Cb 사 신용 평가 모델 생성 및 관리 자동화 방법 및 이러한 방법을 수행하는 장치
WO2020141882A1 (ko) 설명 가능한 인공지능 모델링 및 시뮬레이션 시스템 및 방법
WO2020256418A2 (ko) 디지털 트윈을 이용하여 가상센서를 구현하는 컴퓨팅 시스템 및 이를 이용한 실시간 데이터 수집 방법
AU2019204776A1 (en) Preventative diagnosis prediction and solution determination of future event using internet of things and artificial intelligence
WO2022163956A1 (ko) 인공지능 기반 매장 수요 예측 방법 및 시스템
Fang et al. Ssml: Self-supervised meta-learner for en route travel time estimation at *** maps
WO2020122291A1 (ko) 인공지능 기반의 공동주택 관리업무지시 자동화 장치 및 방법
WO2023090864A1 (ko) 악성 이벤트로그 자동분석 장치 및 방법
Ji et al. Patent citation dynamics modeling via multi-attention recurrent networks
WO2020130418A1 (ko) 협력업체 공급망 리스크 분석 방법
WO2021133076A1 (ko) 인공지능 학습데이터 생성을 위한 크라우드소싱 기반 프로젝트의 작업단가 관리 방법 및 장치
WO2020111571A1 (ko) 인공지능 기반 악성 연체 탐지 장치 및 방법
WO2023136492A1 (ko) 이커머스 데이터 기반 신용 평가 스코어 카드 결정 방법 및 이러한 방법을 수행하는 장치
WO2023003073A1 (ko) 지속가능한 시설물 관리를 위한 디지털 트윈 자동적용체계 기반의 시설정보통합관리시스템 구축 방법 및 장치
WO2022080583A1 (ko) 시계열 분포 특징을 고려한 딥러닝 기반 비트코인 블록 데이터 예측 시스템
WO2023136491A1 (ko) 이커머스 판매 및 유통 관리 시스템 플랫폼 취합 데이터를 기반으로 한 신용 평가 방법 및 이러한 방법을 수행하는 장치
WO2023163405A1 (ko) 신용평가 모델 업데이트 또는 교체 방법 및 장치
WO2023200059A1 (ko) 출시 예정 제품의 디자인 추천 및 최종 시안 제공 방법 및 이를 수행하는 장치
WO2022154586A1 (ko) 화합물의 타겟 단백질을 결정하는 방법 및 상기 방법을 수행하는 타겟 단백질 결정 장치
Richter et al. HeidelPlace: An extensible framework for geoparsing
WO2022092776A1 (ko) 광고 플랫폼을 제공하는 서버 및 그 시스템
WO2022025639A1 (ko) 인공지능 기술을 이용하여 펀드의 기준 가격 산출의 정합성을 점검하는 방법 및 장치
WO2022102982A1 (ko) 사용자 참여 기반의 인공 지능 서비스 방법 및 이러한 방법을 수행하는 장치
WO2023163395A1 (ko) 인공 지능 기반 신용 평가 모델 생성 방법 및 장치
WO2022050477A1 (ko) 클라우드 기반 딥러닝 작업의 수행시간 예측 시스템 및 방법

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: 22920822

Country of ref document: EP

Kind code of ref document: A1