INSTITUTIONAL FINANCE SPECIALISTS

이론과 상상을
예측 가능한
엔진으로.

다차원 구조 NLP 엔진, 차세대 이미지 처리 엔진, 금융기관 엔진 제공을 통해 비정형 데이터를 분석하고 검증 가능한 모델로 실행해 의사결정 속도와 정확도를 향상시킵니다.

독자기술기반
코어엔진 →

CAPABILITIES

3-Sector Core Engine

언어·이미지·금융을 아우르는 세 개의 독자 엔진으로 산업 전반의 비정형 데이터를 통찰과 실행으로 연결합니다.

Intelligent System for Adapting to a User's Characteristics

SINCE 2002 여기서 시작됐습니다 →

HD-NLP Engine

High Dimension-Natural Language Processing

복잡한 비정형 텍스트를 다차원으로 구조화해 산업 전반의 문서와 데이터에서 핵심 인사이트를 추출합니다.

자세히 보기 →

ND-VI Engine

Next-Dimension Visual Intelligence

이미지·영상 데이터를 정밀 분석해 도메인에 관계없이 인식·판독·자동화를 구현합니다.

자세히 보기 →

200 → 30 pts → params

85% ↓

less data · accuracy kept

g( f(α, β, ε), η )

Control-point generator f combined with regulariser η restores the smooth outline g

Financial Solutions

Pricing Engine, Scenario Engine

프라이싱과 시나리오 분석으로 금융 의사결정을 정량적으로 지원합니다.

자세히 보기 →

ROADMAP & VISION

ForeSeers Roadmap

독자 엔진에서 글로벌 플랫폼까지,
단계적으로 나아갑니다.

01기반 구축독자 HD-NLP·ND-VI 엔진 확립

02도메인 확장B2C 및 전문분야 확대

03플랫폼화통합 플랫폼 구축

04지능형 자동화실시간 예측·의사결정 자동화

05글로벌 확장글로벌 시장 진출

USE CASES

적용 가능 분야

금융 시장 모니터링

뉴스·공시·비정형 텍스트를 실시간 분석해 분석결과를 시뮬레이션 및 시장예측에 활용합니다.

시각 데이터 자동화

문서·이미지·영상을 인식·판독해 반복 업무를 자동화하고 검수 효율을 높입니다.

CORE STRENGTHS

핵심 역량

독자 코어엔진

외부 LLM에 의존하지 않는 자체 HD-NLP·ND-VI 엔진으로 데이터 주권과 커스터마이징을 확보합니다.

도메인 확장성

패턴인식 기반 구조로 금융에서 시각지능까지, 산업 전반으로 적용을 넓힐 수 있습니다.

CONTACT

{{ contactHeadline }}.

contact@foreseers.kr

요청이 접수되었습니다.

담당자가 확인 후 연락드리겠습니다. 감사합니다.

비전 · 로드맵

VISION & ROADMAP

"언어와 이미지를 이해하는 독자 엔진으로, 비정형 데이터를 예측 가능한 의사결정으로 바꾼다."

FORESEERS는 외부 모델에 의존하지 않는 자체 HD-NLP·ND-VI 엔진을 기반으로, 텍스트와 시각 데이터에 숨어 있는 신호를 구조화합니다. 금융에서 출발해 산업 전반으로 적용을 넓히며, 분석을 넘어 시뮬레이션과 예측까지 이어지는 지능형 의사결정 플랫폼을 지향합니다.

CORE VALUES

독자 기술

범용 모델을 빌려 쓰지 않고, 문제를 처음부터 이해하는 우리만의 엔진을 만듭니다.

검증 가능성

결과가 어떻게 나왔는지 설명하고 검증할 수 있는, 신뢰 가능한 분석을 지향합니다.

확장성

하나의 코어 기술을 여러 도메인으로 넓혀, 산업 전반에 적용 가능한 구조를 설계합니다.

GROWTH ROADMAP

01기반 구축

독자 HD-NLP·ND-VI 코어엔진을 확립하고 기술 검증(PoC)으로 성능을 입증합니다.

02도메인 확장

B2C 서비스와 전문 분야로 적용 범위를 넓혀 실제 사용 사례를 축적합니다.

03플랫폼화

개별 엔진을 하나로 묶어 데이터 수집·분석·활용을 아우르는 통합 플랫폼을 구축합니다.

04지능형 자동화

실시간 예측과 의사결정 자동화로 사람의 판단을 보조하는 단계로 나아갑니다.

05글로벌 확장

검증된 플랫폼을 바탕으로 글로벌 시장에 진출합니다.

* 로드맵 단계별 시점·세부 내용은 사업 진행에 따라 조정될 수 있습니다. (초안)

연혁

HISTORY

㈜포시어스는 국내 금융기관을 대상으로 전략 및 리스크 관리 컨설팅 서비스를 주로 수행하였으며, 최근에는 금융기관 자산평가 Engine 제공과 Core-Engine 개발에 주력하고 있습니다.

2026

HD-NLP Engine 구조 완성현 버전 HD-NLP Engine 구조 확립. 수출입은행 금리체계 신용평가 산출('19~), 라이나생명 ORSA 금리리스크 자산평가엔진 지속.

2025

통합리스크 시스템 구축KB증권 통합리스크 관리시스템 재구축. 라이나생명 ORSA 금리리스크 자산평가엔진 착수.

2024

공급망·건전성 과제 확대수출입은행 공급망기금 운영관리 프로젝트, 교보생명 IFRS PD점검 프로젝트 수행.

2022

시장리스크·개시증거금 고도화하나은행·하나금융그룹 바젤III 시장리스크(FRTB), 카카오손보 KICS-4, 삼성증권 개시증거금 산출시스템.

2020~2021

신지급여력·펀드평가 확대BNK저축은행 금리체계 개선, 롯데손보 KICS-4, 신한금융투자 개시증거금 산출, 하나생명 ELS 펀드평가.

2017~2019

IFRS·건전성 프로젝트 본격화삼성·하나생명 IFRS17/IFRS9 시스템 구축, 현대해상 IFRS17, SC제일은행 IFRS9, 기업은행 조기경보·영업기회 관리시스템.

2016.05

㈜포시어스 설립금융 리스크·모델 엔진 전문 기업으로 설립. 금융기관 리스크 관리·모형 프로젝트를 기반으로 성장.

* 프로젝트 수행 시점 기준으로 정리한 초안이며, 세부 연도·내용은 조정될 수 있습니다.

오시는 길

LOCATION

ADDRESS

서울시 광진구 아차산로 375, B1층 광진비즈니스센터 123호

CONTACT

contact@foreseers.kr

HD-NLP Engine

High Dimension-Natural Language Processing

1998년도 패턴인식 연구를 통해 NLP Engine의 기초를 만들었으며, 이후 여러 단계를 거쳐 2026년 현재 버전의 HD-NLP Engine 구조를 완성했습니다.

현재 단계에서 실시간 Engine 분석을 통한 Hidden-Pillar(실시간 글로벌 뉴스분석 Site)를 런칭할 예정이며, 향후 전문분야로 확대할 예정입니다.

핵심 특징

다차원 구조

기존의 NLP 모형을 탈피한 다차원 구조의 지능형 NLP Engine

활용 분야

뉴스분석엔진 및 전문분야 분석엔진에 활용

TECHNICAL ARCHITECTURE (Excerpt)

High Dimension-Natural Language Processing Engine - Architecture

From multi-dimensional mapping to learned patterns and a final success rate

·Articles mapped as embedding vectors.
·Three axes: Position 1, Position 2, Position 3.
·◆ HD-Pattern at each cluster center.
·Each item joins its nearest prototype.

·Patterns held as encrypted signature blocks.
·One pattern owns many items (1 : N).
·Members listed as embedding vectors.
·Every item carries a confidence score.

·Confidence checked against 85% threshold.
·Above → success; below → re-training.
·2.16M / 2.4M items succeed.
·Final learning-success rate: 90%.

TECHNICAL PROCESS (Excerpt)

Foreseers HD-NLP Engine - Process

Data SourcesMarket / Ref Data

Ingestion LayerStreaming / Batch

Feature StoreCross-sectional

HD-NLP Engine

HD-Pattern Recognition

Estimation & Calibration

Scenario & Simulation

Validation & Backtesting

Deployment LayerReal-time Analysis / Batch / Workflow

Real-time Analysis AggregationModel Inventory / Approval / Policy

Homepage Service [Hidden Pilla]

MonitoringNews Analysis / Simulation

B2C ServicePersonalized Insights

ReportingSimulation / Applications

CONFIDENTIAL · PREVIEW

STANDARD LLM PIPELINE

기존 LLM 표준 방식

GPT·LLaMA·PaLM 등 주요 대형 언어모델은 아래의 공통 처리 파이프라인을 공유합니다. 문자열을 토큰으로 바꾸고, 매 스텝 하나의 토큰을 예측해 이어 붙이는 자기회귀(next-token prediction) 루프입니다.

01문자열 입력Input

→

02토큰화Tokenization

→

03임베딩+위치Embedding · RoPE

→

04트랜스포머 ×NAttention + FFN

→

05다음 토큰 분포Logits · Softmax

→

06디코딩/샘플링Top-k · Top-p

→

07후처리→응답Detokenize

02~07 반복으로 토큰을 순차 생성 (자기회귀 루프)

문자열 입력Input

사용자의 자연어 질의가 원문 문자열 그대로 모델에 전달됩니다. 아직 숫자화되지 않은 순수 텍스트 상태입니다.

토큰화Tokenization · BPE / SentencePiece

문자열을 모델이 다루는 정수 ID 시퀀스로 분절합니다. GPT는 tiktoken(BPE), PaLM은 256k SentencePiece, Llama 3는 128k vocabulary를 사용하며, 압축률·어휘 커버리지·추론 비용을 직접 좌우합니다.

임베딩 + 위치정보Embedding · RoPE

각 토큰 ID를 임베딩 행렬에서 조회해 d차원 실수 벡터로 변환하고 위치 정보를 주입합니다. 최신 모델은 sinusoidal 대신 RoPE로 절대·상대 위치를 함께 반영해 긴 문맥에서 더 안정적입니다.

트랜스포머 블록 ×NSelf-Attention + FFN

causal mask가 걸린 multi-head self-attention과 FFN, residual·정규화를 수십~수백 층 반복합니다. GQA·MQA·FlashAttention으로 어텐션 연산과 KV 캐시 비용을 최적화하는 것이 최신 모델의 핵심 병목 관리 포인트입니다.

다음 토큰 분포Logits · Softmax

마지막 위치의 hidden state를 vocabulary 크기의 logits로 투영한 뒤 softmax로 다음 토큰 확률 분포를 만듭니다. weight tying을 쓰면 출력 투영이 임베딩 행렬과 공유됩니다.

디코딩 / 샘플링Greedy · Top-k · Top-p

확률 분포에서 다음 토큰을 선택합니다. greedy·beam·top-k·top-p와 temperature로 정확도와 다양성을 조절하며, nucleus(top-p) 샘플링은 개방형 생성에서 퇴행적 반복을 줄입니다.

후처리 → 응답Detokenize · Post-processing

선택된 토큰 ID를 다시 문자열로 복원(detokenize)하고, stop string·최대 토큰·툴 호출 스키마·안전성 정책 등을 적용해 최종 응답을 반환합니다. 이 07까지가 토큰 1개 생성이며, 완성될 때까지 02~07이 반복됩니다.

ND-VI Engine

Next-Dimension Visual Intelligence

HD-NLP에 적용되는 패턴인식 기술을 접목하여 비정형 이미지 Data 분석을 다차원으로 수행하는 시각지능 엔진을 개발중에 있으며, 향후 웹사이트에 접목하여 B2C 서비스로 확장할 예정입니다.

HD-Pattern 인식을 활용하여 비정형 시각데이터 자동분석 및 시뮬레이션을 수행합니다.

핵심 특징

차세대 시각지능

이미지와 영상 데이터 인식·분석을 통해 새로운 정보를 생성하는 차세대 시각지능 기술

자동 분석·시뮬레이션

객체탐지 → 이미지분류 → HD-패턴인식 기술을 통해 비정형 시각데이터 자동 분석 및 시뮬레이션

TECHNICAL Architecture (Excerpt)

ND-VI Engine - 구조

수백 개의 점으로 그린 윤곽을 소수의 파라미터로 재구성합니다.

HD-패턴 인식을 활용해 비정형 시각 데이터를 자동 분석·시뮬레이션하는 차세대 시각지능 기술입니다. 객체탐지 → 이미지분류 → HD-패턴인식을 거치며, 원본 이미지의 촘촘한 윤곽선(200개 표본 점)을 소수의 제어 파라미터로 압축합니다. 10개의 제어점이 각각 형상·위치·잔차 세 값을 가지므로, 단 30개의 파라미터만으로 동일한 아웃라인을 복원합니다.

01 · INPUT (RAW)

analyse

02 · ND-VI ENGINE

STEP 01

Object Detection

STEP 02

Classification

STEP 03

HD Pattern Recognition

reconstruct

03 · OUTPUT (COMPRESSED)

RECONSTRUCTION

g( f(α, β, ε), η )

Control-point generator f combined with regulariser η restores the smooth outline g

αShape coefficient — curvature at each control point

βPosition coefficient — control-point coordinates

εResidual term — error against the original

ηRegulariser — curve smoothness

CONTROL PARAMETERS · P₁ … P₁₀

P₁(α₁, β₁, ε₁)

P₂(α₂, β₂, ε₂)

P₃(α₃, β₃, ε₃)

P₄(α₄, β₄, ε₄)

P₅(α₅, β₅, ε₅)

P₆(α₆, β₆, ε₆)

P₇(α₇, β₇, ε₇)

P₈(α₈, β₈, ε₈)

P₉(α₉, β₉, ε₉)

P₁₀(α₁₀, β₁₀, ε₁₀)

200 → 30 points → parameters

85% ↓

less data · shape accuracy retained

ND-VI Engine - Structure

Reconstructing an outline drawn from hundreds of points with just a few parameters.

A next-generation visual-intelligence technology that automatically analyses and simulates unstructured visual data using HD pattern recognition. Through object detection → classification → HD pattern recognition, the dense contour of the source image (200 sample points) is compressed into a handful of control parameters. Because each of the 10 control points carries three values — shape, position and residual — the identical outline is restored from only 30 parameters.

01 · INPUT (RAW)

analyse

02 · ND-VI ENGINE

STEP 01

Object Detection

STEP 02

Classification

STEP 03

HD Pattern Recognition

reconstruct

03 · OUTPUT (COMPRESSED)

RECONSTRUCTION

g( f(α, β, ε), η )

Control-point generator f combined with regulariser η restores the smooth outline g

αShape coefficient — curvature at each control point

βPosition coefficient — control-point coordinates

εResidual term — error against the original

ηRegulariser — curve smoothness

CONTROL PARAMETERS · P₁ … P₁₀

P₁(α₁, β₁, ε₁)

P₂(α₂, β₂, ε₂)

P₃(α₃, β₃, ε₃)

P₄(α₄, β₄, ε₄)

P₅(α₅, β₅, ε₅)

P₆(α₆, β₆, ε₆)

P₇(α₇, β₇, ε₇)

P₈(α₈, β₈, ε₈)

P₉(α₉, β₉, ε₉)

P₁₀(α₁₀, β₁₀, ε₁₀)

200 → 30 points → parameters

85% ↓

less data · shape accuracy retained

TECHNICAL ARCHITECTURE (Excerpt)

Foreseers ND-VI Engine

IMAGE & FRAME PIXELS · FRAMES · SIGNALS

비정형 시각데이터

ND-VI
Engine

DETECT객체탐지

▦

CLASSIFY이미지분류

ANALYZE분석·시뮬레이션

"B2C or 별도 모듈 활용 계획"

Image 활용· Search
· Inspection

Video 생성· Tracking
· Monitoring

Simulation· Prediction
· Scenario

STANDARD VISION PIPELINE

기존 대형 AI 모델의 이미지·영상 처리 표준 방식

CLIP·ViT·SAM·YOLO·Diffusion 등 주요 대형 비전 모델은 아래의 공통 처리 파이프라인을 공유합니다. 이미지를 격자 패치로 나눠 토큰화하고, 인코더로 특징을 추출한 뒤 태스크별 헤드에서 검출·분류·생성 결과를 산출하는 구조입니다.

01이미지/프레임 입력Input

→

02전처리·패치화Resize · Patchify

→

03패치 임베딩+위치Patch Embed · Pos

→

04백본 인코더 ×NViT / CNN

→

05특징 표현Feature Map · Tokens

→

06태스크 헤드Detect · Class · Gen

→

07후처리→결과NMS · Decode

영상은 프레임 시퀀스에 대해 위 과정을 반복하고 시간축 정보를 추가로 결합

이미지/프레임 입력Input

이미지 한 장 또는 영상의 프레임이 RGB 픽셀 배열(H×W×3) 형태로 모델에 전달됩니다. 영상은 시간축(T)이 더해진 프레임 시퀀스로 다뤄집니다.

전처리 · 패치화Resize · Normalize · Patchify

고정 해상도로 리사이즈·정규화한 뒤 16×16 등 격자 패치로 분할합니다. ViT 계열은 이미지를 패치 시퀀스(토큰)로, CNN 계열은 합성곱 입력으로 변환합니다.

패치 임베딩 + 위치정보Patch Embedding · Positional

각 패치를 선형 투영으로 d차원 벡터로 임베딩하고 위치 정보를 더합니다. 어느 위치에서 온 패치인지를 함께 인코딩해 공간 구조를 보존합니다.

백본 인코더 ×NViT Self-Attention / CNN

self-attention(ViT) 또는 합성곱(ResNet·EfficientNet) 블록을 수십 층 반복하며 저수준 엣지부터 고수준 의미까지 계층적 특징을 학습합니다. 이 백본이 인식 성능과 연산 비용을 좌우합니다.

특징 표현Feature Map · Tokens

백본을 통과한 결과는 이미지 전체를 요약한 특징맵 또는 토큰 임베딩입니다. CLIP처럼 텍스트와 같은 공간에 정렬하면 이미지-텍스트 유사도 비교가 가능해집니다.

태스크 헤드Detection · Classification · Generation

특징 표현 위에 목적별 헤드를 붙입니다. 분류 헤드는 클래스 확률을, 검출 헤드(YOLO·DETR)는 박스와 라벨을, 분할 헤드(SAM)는 마스크를, 생성 모델(Diffusion)은 노이즈 제거로 이미지를 산출합니다.

후처리 → 결과NMS · Decode · Post-processing

NMS로 중복 박스를 정리하고 임계값·라벨 매핑·좌표 복원 등을 적용해 최종 결과를 만듭니다. 영상에서는 프레임별 결과를 시간축으로 연결해 추적·이벤트 인식으로 확장합니다.

Financial Solutions

Pricing Engine, Scenario Engine

㈜포시어스의 기존 주요사업이었던 금융기관 프로젝트는 최소화하고, 금융기관 서비스 영역은 금융기관별 최적화 Engine 제공을 우선시할 예정으로, 향후 관련 엔진은 특수업권별 엔진으로 서비스할 예정입니다.

Pricing·Scenario Engine을 기반으로 금융기관의 리스크 관리와 전략 수립을 정량적으로 지원합니다.

주요 제공 서비스

국내 보험사 자산평가엔진 제공

금융지주 계열사 리스크 통합관리 및 전략

은행 리스크 관리 및 IB 전략 컨설팅

증권사 리스크 관리 및 포트폴리오 전략

보험사 리스크 관리 및 위기대응전략

공공금융기관의 금리체계 외 다양한 컨설팅

TECHNICAL ARCHITECTURE (Excerpt)

Scenario · Pricing Engine

Macro
Economy

Market
Data

Scenario
Engine

Integrated Scenario

Macro Scenario

금리리스크 Scenario

Pricing
Engine

리스크
관리

위기상황
분석

Scenario Engine

사업계획(Macro-Finance) 시나리오와 금리리스크(Real World) 시나리오를 구분하여 관리하고, 금리연동형 Cashflow 산출을 위한 시나리오를 생성합니다.

Pricing Engine

Macro Scenario 1,000개를 생성하여 금리연동형 상품의 현금흐름 생성에 적용하고, 산출된 현금흐름을 입수하여 Pricing을 수행합니다.

PROJECT HISTORY

금융기관 프로젝트 수행내역 (50+)

은행

[수출입은행] 금리체계 신용평가 산출('19~'26)
[수출입은행] 공급망기금 운영관리 프로젝트('24)
[하나은행] 바젤III 시장리스크(FRTB)('22)
[BNK저축은행] 금리체계 개선('21)
[수협은행] 신용평가모형 적정성검토('19)
[SC제일은행] IFRS9('17)
[기업은행] 조기경보 및 영업기회 관리시스템 구축('17)
[우리은행/하나은행] 신용평가모형, 그룹 RC 재추정 외

보험

[라이나생명] ORSA 금리리스크 자산평가엔진('24~'26)
[교보생명] IFRS PD점검 프로젝트('20, '24)
[하나생명] ELS 펀드평가('20~'22)
[카카오손보] KICS-4('22)
[롯데손보] KICS-4('21)
[삼성생명/하나생명] IFRS17 및 IFRS9 시스템 구축('19)
[현대해상] IFRS17('18)
[교보생명] IFRS17('17) 외

금융그룹

[하나금융그룹] 바젤III 시장리스크(FRTB)('22)
[하나금융그룹] 지주사 그룹 RC 추정('15)
[KB금융그룹] 지주사 그룹 RC 추정('15)
[하나금융그룹] 기업신용평가 모형 시스템('08)
[하나금융그룹] RAPM기반 그룹 한도관리 시스템 구축('08)
[하나금융그룹] 그룹 리스크 조기경보 시스템 구축('07) 외

증권

[KB증권] 통합리스크 관리시스템 재구축('25)
[삼성증권] 장외파생상품 개시증거금 산출시스템('22)
[신한금융투자] 장외파생상품 개시증거금 산출시스템('20)
[NH투자증권] 금융공학모형 기반 파생운용('11)
[이트레이드증권] 시장/신용/운영/ALM 시스템 구축('09)
[하나대투증권] 기업신용평가모형 개발('09)
[KTB투자증권] 리스크관리시스템 구축요건 및 설계('09)
[현대증권/삼성증권] 리스크 산출엔진 검증방안 도출('07) 외

NLP 연구논문 (2002)

RESEARCH PAPERS

HD-NLP Engine은 2002년도에 발표한 연구논문에서 보듯이 Neural Network 기반 지능형 패턴인식을 기반으로 High-Dimension으로 발전하였다.

Article

Intelligent System for Adapting to a User’s Characteristics

July 2002 · Neural Computing and Applications 11(1):53-61

DOI: 10.1007/s005210200016

Source · DBLP

AUTHORS

Kihwan Eom

Jiwon Jung

Harsha Sirisena University of Canterbury

사용자 특성에 적응하는 지능형 시스템

동국대학교 엄기환·정지원·Harsha Sirisena 교수 공동 저술의 논문 “Intelligent System for Adapting to a User’s Characteristics”는 Springer 출판사 Neural Computing and Applications 제11권 1호(2002)에 게재되었다. DOI는 10.1007/S005210200016이다.

본 논문에서는 사용자의 특성이나 습관에 스스로 적응하는 지능형 시스템을 제안한다. 제안된 지능형 시스템은 패턴 인식 및 신호 처리 분야에서 널리 사용되는 두 개의 HD 패턴인식 네트워크로 구성된다.

첫 번째 LVQ 네트워크는 대상 시스템의 외부 환경 조건으로부터 감지 신호의 패턴을 학습하고 인식한다. 이후 이 결과를 활용하여 두 번째 LVQ 네트워크가 사용자의 특성이나 습관을 학습하도록 지원하며, 이를 통해 사용자가 선호하는 출력을 자동으로 생성한다.

제안된 방법의 유용성을 검증하기 위해 가변 조명장치를 대상으로 시뮬레이션과 실제 실험을 수행하였다. 시뮬레이션 및 실험 결과, 제안된 지능형 시스템은 주어진 환경 조건에서 사용자가 가장 선호하는 조명 출력을 학습하고 이를 자동으로 생성할 수 있음을 확인하였다.

ABSTRACT

In this paper, we propose an intelligent system that adapts itself to a user’s characteristics or habits. The proposed intelligent system is composed of two Learning Vector Quantisation (LVQ) networks, commonly used in the fields of pattern recognition and signal processing. From the external condition of the plant, the first LVQ network learns to recognise the pattern of the sensed signal, and then aids the second LVQ to learn the user’s characteristics or habits so as to automatically produce the user’s favoured output. To verify the usefulness of the proposed method, we simulated and experimented with a variable illuminator. Both simulation and experimental results showed that the proposed intelligent system learns to automatically produce the illuminator output that the user most favours for the circumstances.

독자기술기반 코어엔진

PROPRIETARY CORE ENGINE

HD-NLP(다차원 지능형 NLP Engine) — 다차원 공간에 매핑된 데이터로부터 분석 결과와 학습 성공률을 도출한다

기존의 단선적(single-track) NLP 모형은 문장을 순차적으로 처리하여 하나의 축에서만 의미를 해석합니다. 본 엔진은 이를 탈피하여, 다량의 데이터를 Position 1,2,3의 세 축으로 이루어진 다차원 의미 공간에 좌표(임베딩 벡터)로 매핑합니다. 아래 그림의 ①번은 이미 엔진이 구동을 마쳐 2.4M건의 기사가 공간상에 배치·군집화된 상태를 나타냅니다.

학습에는 HD 패턴인식 개념을 적용합니다. 각 군집의 중심에는 그 유형을 대표하는 프로토타입(코드북) 벡터(◆)가 놓이고, 모든 기사는 가장 가까운 프로토타입에 할당됩니다. 학습이 진행되면 정답 데이터 쪽으로 프로토타입을 끌어당기고 오답에서는 밀어내며(승자 독식 갱신), 이 과정을 통해 유형별 패턴이 스스로 정제됩니다.

그림 ②번은 학습된 패턴을 정리한 결과입니다. 각 패턴은 원문을 직접 노출하지 않는 암호화 시그니처 블럭으로 표현되며, 하나의 패턴에는 여러 데이터 항목이 1 : N 구조로 귀속됩니다. 귀속된 항목은 임베딩 벡터 형태로 표기되고, 각 항목·패턴에는 신뢰도(confidence)가 부여됩니다. 마지막으로 ③번에서 신뢰도를 임계값(85%)과 대조해 성공·재학습 대상을 판정하고, 이를 집계하여 최종 학습 성공률 90%를 산출합니다.

ND-VI Engine (차세대 시각지능엔진) - 촘촘한 표본점을 소수의 제어 파라미터로 인코딩하고, 원본과의 오차를 관리한다

비정형 시각 데이터에서 객체의 경계는 수백 개의 표본점으로 디지털화됩니다. 점이 많을수록 형상은 정확하지만 저장·전송·시뮬레이션 비용이 커지고, 후속 HD-패턴 인식이 다뤄야 할 차원도 늘어납니다. ND-VI 엔진은 이 경계를 소수의 제어점(control point)과 그에 딸린 계수로 다시 표현하여, 형상 정보는 보존하면서 데이터량을 크게 줄입니다.

핵심은 인코딩 함수 f 와 복원 함수 g 의 분리입니다. f 는 각 제어점을 형상·위치·잔차 세 계수로 압축하고, g 는 이 계수들과 평활도 정규화 항 η 를 결합해 연속 곡선을 재구성합니다. 학습은 원본 표본과 복원 곡선의 오차를 최소화하도록 계수를 조정하며, 남은 오차 ε 는 품질 지표로 관리됩니다.

원본 vs 복원 · OVERLAY

회색 점 = 원본 200 표본 · 청록 곡선 = 복원 · 적색 링 = 제어점 · 적색 휘스커 = 잔차 ε

복원 곡선(청록)은 10개 제어점을 Catmull-Rom 스플라인으로 보간해 생성되며, 원본 200개 표본을 거의 그대로 따라갑니다. 적색 휘스커는 각 구간 중점에서 측정한 원본–복원 간 유클리드 잔차(ε) 상위 5개로, 국소 최대 오차 지점을 나타냅니다.

최적화는 재구성 오차의 L2 노름과 곡선 거칠기 벌점 R을 정규화 강도 η로 결합한 목적 함수를 최소화하며, 제어점을 늘리면 잔차는 감소하지만 파라미터 예산이 선형으로 증가합니다. 본 예시에서는 평균 오차 0.9px·최대 오차 2.4px 수준에서 형상 정확도와 데이터량(85% 감소)의 균형점을 선택했습니다.

200

표본점

→

파라미터

85% ↓

데이터량

처리 단계 · METHOD

표본화 (Sampling)

경계를 순서 있는 200개 점 c₁…c₂₀₀ 로 디지털화. 노이즈·중복점은 사전 정리.

인코딩 f (Encoding)

10개 제어점으로 축약. 각 점 P_i = f(α_i, β_i, ε_i) — 곡률·위치·잔차.

복원 g (Reconstruction)

제어점과 정규화 항 η 로 연속 곡선 Ĉ 생성. η 가 클수록 곡선이 매끄러워짐.

최적화 (Fitting)

재구성 오차를 최소화하도록 계수를 조정. 파라미터 예산(30개) 내에서 잔차 ε 를 줄임.

목적 함수 · OBJECTIVE

Ĉ = g( { f(α_i, β_i, ε_i) }, η )

min over {α,β,ε} Σ_j ‖ c_j − Ĉ(t_j) ‖² + η · R(Ĉ)

좌항은 원본 표본과의 재구성 오차(데이터 항), 우항은 곡선 거칠기 벌점(R)에 정규화 강도 η 를 곱한 항. 둘의 균형으로 과적합 없이 매끄러운 복원을 얻습니다.

α곡률 계수 · 제어점에서의 굽음 정도

β위치 계수 · 제어점의 좌표 (x, y)

ε잔차 · 원본 대비 국소 오차 보정

η정규화 강도 · 평활도 vs 정확도 균형

압축률 1 − 30200 = 0.85 → 파라미터 = 10 × 3 = 30

압축 지표 · METRICS (예시 값)

원본 표본점

200

제어점

파라미터

압축률

85%

평균 오차

0.9 px

최대 오차 ε_max

2.4 px

ND-VI Engine (Next-Dimension Visual Intelligence) - Encode dense sample points into a few control parameters and manage the error against the original

In unstructured visual data an object's boundary is digitised into hundreds of sample points. More points give a more accurate shape but raise storage, transmission and simulation cost, and add dimensions the downstream HD pattern recognition must handle. The ND-VI engine re-expresses this boundary with a few control points and their coefficients, preserving shape information while greatly reducing data volume.

The key is separating the encoding function f and the reconstruction function g . f compresses each control point into three coefficients — shape, position, residual — while g combines these coefficients with the smoothness regularisation term η to reconstruct a continuous curve. Training tunes the coefficients to minimise the error between the original samples and the reconstructed curve, and the remaining error ε is tracked as a quality metric.

ORIGINAL vs RECONSTRUCTION · OVERLAY

Grey dots = 200 original samples · teal curve = reconstruction · red rings = control points · red whiskers = residual ε

The reconstructed curve (teal) is generated by Catmull-Rom spline interpolation over the 10 control points and tracks the 200 original samples almost exactly. The red whiskers mark the five largest Euclidean residuals (ε) measured at each segment midpoint — the points of local maximum error.

Fitting minimises an objective that combines the L2 norm of the reconstruction error with a curve-roughness penalty R, weighted by the regularisation strength η; adding control points reduces the residual but grows the parameter budget linearly. In this example the engine settles at a mean error of 0.9 px and a max error of 2.4 px, balancing shape accuracy against an 85% reduction in data volume.

200

samples

→

parameters

85% ↓

data volume

PROCESS · METHOD

Sampling

Digitise the boundary into 200 ordered points c₁…c₂₀₀; noise and duplicate points cleaned first.

Encoding f

Reduce to 10 control points. Each point P_i = f(α_i, β_i, ε_i) — curvature, position, residual.

Reconstruction g

From control points and the regularisation term η a continuous curve Ĉ is generated. η — larger values make the curve smoother.

Fitting

재구성 오차를 최소화하도록 계수를 조정. parameters 예산(30개) 내에서 Residual ε.

OBJECTIVE

Ĉ = g( { f(α_i, β_i, ε_i) }, η )

min over {α,β,ε} Σ_j ‖ c_j − Ĉ(t_j) ‖² + η · R(Ĉ)

Left term: reconstruction error vs the original samples (data term). Right term: curve-roughness penalty (R) times the regularisation strength η. Balancing the two yields a smooth reconstruction without overfitting.

αCurvature coeff. · bending at each control point

βPosition coeff. · control-point coordinates (x, y)

εResidual · local error correction vs original

ηRegularisation · smoothness vs accuracy balance

Compression 1 − 30200 = 0.85 → parameters = 10 × 3 = 30

METRICS (example values)

원본 samples

200

Control points

parameters

Compression

85%

Mean error

0.9 px

Max error ε_max

2.4 px

사례 연구

CASE STUDIES

Foreseers의 3-Sector Core Engine을 적용하여 특정 산업 분야의 이슈 확인, 접근 방식, 결과 구조를 최적화할 수 있습니다.

CS-01

뉴스·리포트 기반 시장 인텔리전스

비정형 정보를 이벤트·산업·자산으로 연결하는 실시간 분석

뉴스, 리서치 보고서, 기업 공시와 거시지표를 실시간으로 분석해 시장 이벤트를 구조화하고 관련 산업·종목·리스크 요인으로 연결하는 사례입니다. 단순 긍·부정 분류보다 사건의 유형, 영향 방향, 지속 가능성과 전파 경로를 강조합니다.

고객 과제

정보량은 많지만 동일 이슈가 여러 문서에서 반복되고, 실제 포트폴리오에 어떤 영향을 주는지 판단하기 어렵습니다. 담당자별 해석 차이도 큽니다.

핵심 접근

멀티소스 수집 → 사건·기업·산업·지표 추출 → 중복 사건 병합 → 이벤트 강도/신뢰도/영향 방향 산정 → 자산 및 포트폴리오 노출 연결 → 우선순위 알림.

적용 데이터

국내외 뉴스, 기업 공시, 리서치 보고서, 경제지표, 가격·거래량 데이터, 산업분류체계.

주요 산출물

이벤트 맵, 산업 전파 그래프, 종목 영향 리스트, 포트폴리오 뉴스 익스포저, 일일 브리핑.

성과 지표정보 선별시간 단축중복 뉴스 노이즈 감소이벤트 대응 속도 향상

HD-NLP Engine · Market Intelligence · Event Extraction · Knowledge Graph · Alternative Data

CS-02

사용자 적응형 의사결정 엔진

고정 규칙이 아닌 사용자·상황·피드백 기반 개인화

사용자의 행동 패턴, 선호, 업무 맥락과 피드백을 학습해 추천·알림·화면 우선순위와 의사결정 지원 방식을 지속적으로 조정하는 적응형 시스템 사례입니다.

고객 과제

모든 사용자에게 동일한 기준과 화면을 제공하면 정보 과부하가 발생하고, 실제 사용 습관과 역할 차이를 반영하기 어렵습니다.

핵심 접근

사용 맥락·행동 특징 수집 → 사용자 유형/상태 학습 → 추천 정책 적용 → 명시적·암묵적 피드백 반영 → 안전 제약과 설명 제공 → 지속적 성능 모니터링.

적용 데이터

사용 로그, 역할·권한, 업무 일정, 선택·수정 기록, 알림 반응, 성과 피드백.

주요 산출물

개인화 대시보드, 우선순위 추천, 적응형 알림, 사용자별 설명, 정책 성능 리포트.

성과 지표정보 탐색시간 감소추천 수용률 향상불필요 알림 감소

HD-NLP Engine · Adaptive AI · Personalization · Human-Centered AI · Decision Support

CS-03

투자전략 리서치·백테스트 자동화

가설 정의부터 검증, 전략 비교와 운영 이관까지

퀀트 리서처의 전략 가설을 표준 템플릿으로 구조화하고 데이터 준비, 백테스트, 거래비용 반영, 강건성 검증과 결과 비교를 일관된 파이프라인으로 실행하는 사례입니다.

고객 과제

전략별 코드와 데이터 처리 방식이 달라 결과 재현성이 낮고, 과최적화·미래정보 사용·비현실적 체결 가정이 뒤늦게 발견됩니다.

핵심 접근

가설 템플릿 → 데이터 계보 관리 → 시그널/필터/사이징/청산 모듈화 → 워크포워드·구간별 검증 → 비용·슬리피지 반영 → 후보 전략 랭킹 및 운영 체크리스트.

적용 데이터

가격·호가·체결, 재무·팩터, 거시지표, 기업 이벤트, 거래비용 및 유동성 정보.

주요 산출물

전략 비교 대시보드, 백테스트 보고서, 민감도 분석, 실패 구간 분석, 배포 승인 패키지.

성과 지표리서치 반복시간 단축재현성·감사 가능성 향상과최적화 위험 조기 식별

HD-NLP Engine · ND-VI Engine · Quant Research · Backtesting · Model Validation · Strategy Factory

CS-04

시장 국면·변동성 레짐 탐지

정적인 전략을 시장 상태에 적응하는 의사결정 엔진으로 전환

금리, 유동성, 변동성, 추세, 상관구조와 수급 데이터를 결합해 시장을 복수의 국면으로 분류하고, 전략 허용 여부·포지션 한도·헤지 강도를 동적으로 조정하는 사례입니다.

고객 과제

전날 또는 단일 지표에 의존한 시장 필터는 장중 환경 변화와 급격한 레짐 전환을 반영하기 어렵고, 좋은 기회를 과도하게 차단할 수 있습니다.

핵심 접근

다중 주기 특징 생성 → 상태공간/클러스터 기반 레짐 추정 → 전환확률과 신뢰도 산정 → 전략별 적합도 매핑 → 장전·장중 신호 결합 → 리스크 한도 자동 조정.

적용 데이터

주가·선물·옵션, 금리·환율, 변동성지수, 수급, 유동성, 시장폭·상관 데이터.

주요 산출물

레짐 맵, 전환경보, 전략 허가 매트릭스, 동적 포지션 한도, 사후 국면 분석.

성과 지표불리한 국면 손실 완화전환 대응 지연 감소기회 차단 오류 감소

HD-NLP Engine · ND-VI Engine · Regime Detection · Volatility · Dynamic Allocation · Risk Overlay

CS-05

포트폴리오 Tail Risk·스트레스 테스트

정상 구간을 넘어 위기 시나리오에서 손실 구조를 설명

포트폴리오의 상관 붕괴, 유동성 악화, 변동성 급등과 갭 리스크를 반영해 다층 스트레스 시나리오를 생성하고 손실 분포·취약 포지션·헤지 효과를 분석하는 사례입니다.

고객 과제

평시 변동성에 맞춘 VaR만으로는 위기 시 상관 급변과 비선형 손실을 충분히 설명하기 어렵습니다. 시나리오 가정과 결과의 연결성도 약한 경우가 많습니다.

핵심 접근

리스크 요인 분해 → 역사적·가상·역스트레스 시나리오 생성 → 비선형 재평가 → 유동성·마진 영향 반영 → 손실 기여도 및 취약성 분석 → 대응 옵션 비교.

적용 데이터

포지션·민감도, 시장요인, 상관·변동성, 담보·마진, 거래비용, 유동성 데이터.

주요 산출물

손실 분포 팬차트, Tail 기여도, 역스트레스 조건, 헤지 시뮬레이션, 경영진 요약.

성과 지표위기 취약성 가시화헤지 비용 대비 효과 비교리스크 보고 설명력 향상

HD-NLP Engine · Stress Testing · Tail Risk · Liquidity Risk · Scenario Analytics

CS-06

파생상품·보험계약 Pricing & Simulation

복잡한 현금흐름과 옵션성을 일관된 엔진으로 평가

파생상품, 구조화상품, 보험계약의 비선형 현금흐름을 시나리오 기반으로 평가하고 민감도·가정 변화·회계 및 리스크 결과를 함께 산출하는 사례입니다.

고객 과제

상품별 산식과 코드가 분산되어 검증·변경관리 비용이 높고, 동일한 시장 가정에도 부서별 결과가 다르게 산출될 수 있습니다.

핵심 접근

상품 현금흐름 표준화 → 시장·행동 가정 모듈화 → 시뮬레이션/트리/해석해 엔진 선택 → 가격·민감도·손익 분해 → 검증 기준값과 차이 분석.

적용 데이터

계약조건, 시장곡선, 변동성·상관, 행동가정, 수수료·비용, 회계·자본 규칙.

주요 산출물

공정가치·민감도, 시나리오 손익, 가정 민감도, 검증 리포트, API/배치 계산 서비스.

성과 지표상품 개발·검증기간 단축부서 간 계산 일관성 확보가정 변경 영향 즉시 확인

HD-NLP Engine · ND-VI Engine · Pricing Engine · Monte Carlo · Insurance Analytics · Sensitivity

CS-07

신용·거래상대방 조기경보

재무·거래·시장·비정형 신호를 하나의 위험 네트워크로 통합

재무정보, 결제·한도 사용, 시장가격, 공시·뉴스와 관계망 데이터를 결합해 위험 징후를 조기 탐지하고 거래상대방 및 연결 익스포저를 함께 분석하는 사례입니다.

고객 과제

신용등급과 정기 재무자료는 반영 시차가 길고, 이상 징후가 여러 시스템에 분산되어 있어 연결된 위험을 놓치기 쉽습니다.

핵심 접근

개체 식별·정합 → 시계열 이상탐지 → 비정형 사건 추출 → 관계망·익스포저 전파 분석 → 경보 우선순위와 근거 생성 → 담당자 피드백 학습.

적용 데이터

재무제표, 한도·거래·연체, 담보, 시장가격, 공시·뉴스, 기업 관계·산업 정보.

주요 산출물

조기경보 스코어, 관계망 리스크 맵, 경보 근거, 한도 재검토 목록, 포트폴리오 집중도.

성과 지표위험 징후 탐지 시점 개선오탐 감소연결 익스포저 식별 강화

HD-NLP Engine · Credit Risk · Counterparty Risk · Early Warning · Graph Analytics

CS-08

보험청구·담보 이미지 AI

이미지 객체 인식·분류·손상 분석을 업무 판단과 연결

차량·시설·담보물·증빙 이미지를 객체 단위로 인식하고 손상 유형, 위치, 심각도와 문서 정보의 일치 여부를 분석해 심사·검수 업무를 지원하는 사례입니다.

고객 과제

이미지 판독 기준이 담당자 경험에 의존하고, 대량 접수 시 처리 속도와 일관성이 저하됩니다. 이미지와 계약·청구 문서가 별도로 검토되는 문제도 있습니다.

핵심 접근

이미지 품질검사 → 객체·영역 탐지 → 손상/상태 분류 → 치수·면적 추정 → 계약·문서 정보와 교차검증 → 불확실 사례만 전문가 검토.

적용 데이터

현장·청구 이미지, 계약·담보 정보, 수리 견적, 과거 판정 결과, 메타데이터.

주요 산출물

객체·손상 마킹 이미지, 분류 결과, 불일치 경보, 자동 심사 보조, 검토 큐.

성과 지표초기 판독시간 단축판정 일관성 향상고위험/불명확 건 집중 검토

ND-VI Engine · Computer Vision · Claim Automation · Collateral Analysis · Multimodal AI

적용분야별 전문성

EXPERTISE BY DOMAIN

Foreseers의 Core-engine이 향후 적용 가능한 분야에 대해 “무엇을 개발했는가”보다 “직면한 과제에 대해 어떻게 접근하고 수행하고 검증하는가”를 보여주는 것이 중요하며, 각 전문분야별 수행 전략입니다.

R-01

High-Dimension Financial NLP

금융 문서의 의미 구조를 조항·개체·관계·의무 단위로 해석

HD-NLP

금융 언어는 일반 문장보다 조건과 예외, 참조 관계가 복잡합니다. 본 연구는 문서 전체의 구조와 개별 문장의 근거를 동시에 보존하면서 업무 의무와 영향 범위를 추출하는 고차원 NLP 기술을 개발합니다.

핵심 연구 질문

긴 금융 문서에서 규정, 예외, 조건, 기한과 적용대상을 손실 없이 구조화할 수 있는가?

연구 방법

도메인 사전과 언어모델을 결합한 계층형 분할, 개체·관계 추출, 문서 간 정합성 검사, 근거 인용 기반 응답, 불확실성 점수화.

산업 적용

규제 대응, 계약 검토, 공시·리서치 분석, 내부 규정 검색, 감독 보고 자료 작성.

추천 시각화

문서가 개체·관계·의무로 변환되는 계층적 파이프라인과 근거 링크를 시각화.

Financial NLP · Information Extraction · Evidence Grounding

R-02

ND-VI Visual Intelligence

고차원 패턴 인식 기반 객체 탐지·분류·분석·시뮬레이션

ND-VI

ND-VI는 이미지의 객체 인식에서 끝나지 않고 분류·정량 분석·후속 시뮬레이션까지 연결하는 시각 지능 연구입니다. 이미지 자체의 패턴과 업무 데이터를 결합해 실제 의사결정에 필요한 상태와 위험도를 산출합니다.

핵심 연구 질문

제한된 표본과 복잡한 배경에서도 금융·산업 이미지의 핵심 객체와 상태를 안정적으로 판별할 수 있는가?

연구 방법

다중 해상도 특징, 메타데이터 결합, 약지도·전이학습, 객체·영역 기반 설명, 불확실 사례의 전문가 재검토 루프.

산업 적용

담보물 분석, 보험 손해사정, 제조·시설 상태 진단, 위성·공간 이미지 기반 경제 분석.

추천 시각화

탐지–분류–분석의 3단 엔진과 산업별 활용 결과를 매트릭스로 표현.

Computer Vision · Pattern Recognition · Visual Analytics

R-03

Multimodal Document Intelligence

표·차트·이미지·본문을 하나의 의미 단위로 결합

ND-VI

중요한 정보는 본문보다 표와 차트에 숨어 있는 경우가 많습니다. 본 연구는 문서 레이아웃과 시각 요소를 보존한 채 텍스트·숫자·이미지의 관계를 통합 분석하여 실제 검토 업무에 사용할 수 있는 멀티모달 문서 이해 기술을 다룹니다.

핵심 연구 질문

문서의 표, 차트, 도식과 본문을 분리하지 않고 상호 참조 관계까지 이해할 수 있는가?

연구 방법

레이아웃 분석, 표 구조 복원, 차트 요소 인식, 이미지 캡션 연결, 멀티모달 임베딩, 문서 페이지 간 참조 그래프.

산업 적용

사업보고서 분석, 보험 서류 심사, 투자 설명서 비교, 금융기관 내부 보고서 자동 검토.

추천 시각화

문서 페이지의 텍스트·표·차트·이미지 영역을 탐지하고 공통 의미 그래프로 연결.

ND-VI Engine · Multimodal AI · Document AI · Table Understanding

R-04

Regime-Aware Modeling

시장 상태와 전환확률을 반영하는 적응형 모델

ND-VI

시장은 하나의 고정된 분포를 따르지 않습니다. 본 연구는 추세·유동성·변동성·상관구조의 변화를 통해 현재 상태와 전환 가능성을 추정하고, 전략과 리스크 기준이 시장 환경에 맞춰 동적으로 반응하도록 설계합니다.

핵심 연구 질문

시장 국면의 불확실성과 전환 가능성을 모델과 전략의 의사결정에 직접 반영할 수 있는가?

연구 방법

상태공간모형, 은닉 마르코프, 동적 클러스터링, 다중 주기 특징, 전환확률 보정, 레짐별 성능·리스크 평가.

산업 적용

자산배분, 자동매매 허가필터, 변동성 타기팅, 헤지·리스크 한도 조정.

추천 시각화

시간축의 국면 구간과 신호·전환확률을 동시에 나타내는 레짐 맵.

Market Regime · Dynamic Models · Adaptive Risk

R-05

Causal & Counterfactual Analytics

상관을 넘어 원인과 대안 시나리오를 검증

Financial Engine

높은 상관은 의사결정의 근거가 될 수 있지만 원인을 보장하지는 않습니다. 본 연구는 사건의 전후 구조와 개입 가능성을 모델링하여 왜 발생했는가와 다르게 행동했다면 무엇이 달라지는가를 정량적으로 검토합니다.

핵심 연구 질문

관측된 시장·고객·운영 결과가 어떤 요인에서 비롯되었으며, 다른 선택을 했다면 결과가 어떻게 달라졌을까?

연구 방법

인과 그래프, 자연실험, 매칭·가중치, 이중차분, 구조적 인과모형, 반사실 시뮬레이션과 민감도 분석.

산업 적용

정책·규제 영향, 마케팅·고객 행동, 전략 성과 원인, 리스크 이벤트 전파 분석.

추천 시각화

원인·경로·결과 노드와 대안 경로를 구분한 인과 그래프.

Causal Inference · Counterfactual · Policy Impact

R-06

Financial Knowledge Graph & RAG

문서·데이터·모델을 근거 중심 지식 네트워크로 연결

HD-NLP

정확한 답변은 좋은 언어모델만으로 완성되지 않습니다. 본 연구는 문서와 데이터, 조직·상품·모델의 관계를 지식 그래프로 연결하고 검색 증강 생성과 결합하여 출처와 시점을 확인할 수 있는 금융 지식 엔진을 구축합니다.

핵심 연구 질문

서로 다른 시스템과 문서에 분산된 금융 지식을 하나의 추적 가능한 답변 체계로 만들 수 있는가?

연구 방법

개체 정합, 온톨로지 설계, 관계 추출, 벡터 검색과 그래프 검색 결합, 근거 우선 생성, 권한·버전·시점 필터.

산업 적용

사내 지식검색, 규제 질의응답, 모델·상품 문서 탐색, 프로젝트 산출물 재사용.

추천 시각화

문서·개체·모델 군집을 연결하고 질의에서 근거까지의 경로를 표시.

Knowledge Graph · RAG · Enterprise Search

R-07

Explainability, Uncertainty & Calibration

모델이 틀릴 가능성과 판단 근거를 함께 제시

Financial Engine

모델의 정확도는 평균 성능만으로 판단하기 어렵습니다. 본 연구는 각 결과의 핵심 근거, 신뢰구간, 데이터 범위 이탈 여부와 전문가 검토 필요성을 함께 산출하여 안전한 활용 기준을 제공합니다.

핵심 연구 질문

모델 결과를 설명하는 것뿐 아니라 언제 신뢰하지 말아야 하는지도 명확히 제시할 수 있는가?

연구 방법

변수·사례 기반 설명, 예측구간, 확률 보정, OOD 탐지, 불확실성 분해, 오류 유형별 검증과 인간 검토 기준.

산업 적용

신용·보험 심사, 투자·리스크 신호, 이미지 판독, 생성형 AI 답변 검증.

추천 시각화

예측값 옆에 변수 기여도, 신뢰도, 검토 필요 여부를 병렬 표시.

Explainable AI · Uncertainty · Calibration · Trustworthy AI

R-08

Digital Twin & Synthetic Scenario

현실 시스템을 복제해 변화와 충격을 사전 실험

ND-VI

디지털 트윈은 현실의 구조와 반응을 가상 환경에 재현하여 변화의 결과를 사전에 확인하는 연구입니다. 실제 데이터로 지속 보정하면서 극단 상황과 신규 정책을 안전하게 반복 실험할 수 있습니다.

핵심 연구 질문

실제 운영이나 시장에 영향을 주지 않고 정책·전략·시스템 변경의 결과를 반복 실험할 수 있는가?

연구 방법

상태·행위·제약 모델링, 에이전트 기반 시뮬레이션, 합성 데이터, 시나리오 생성, 현실 데이터 기반 보정과 검증.

산업 적용

시장·유동성 시뮬레이션, 보험 포트폴리오, 업무 프로세스, 시스템 용량·장애 대응.

추천 시각화

현실 시스템과 디지털 복제 모델 사이의 데이터·피드백 순환을 표현.

Digital Twin · Simulation · Synthetic Data · Scenario Design

R-09

AI Model Risk & Governance

개발–검증–승인–운영 전 과정의 통제와 증적

HD-NLP · ND-VI

AI 활용이 확대될수록 성능보다 중요한 것은 사용 조건과 책임 구조입니다. 본 연구는 모델의 위험 수준에 따라 검증과 승인 강도를 차등화하고 운영 중 변화와 사고 가능성을 지속적으로 관리하는 거버넌스 체계를 설계합니다.

핵심 연구 질문

전통 모델과 생성형 AI를 동일한 통제 체계 안에서 위험도에 맞게 관리할 수 있는가?

연구 방법

모델 등급화, 사용 목적·한계 정의, 데이터·성능·보안·편향 검증, 승인 워크플로, 변경·드리프트 감시, 이슈·증적 관리.

산업 적용

금융기관 모델 리스크관리, 내부통제, 외부감사·감독 대응, 생성형 AI 운영 정책.

추천 시각화

정책–통제–검증–모니터링의 계층형 거버넌스 스택.

AI Governance · Model Risk · Validation · Compliance

R-10

Agentic Workflow & Human-in-the-Loop

복잡한 업무를 계획·실행·검증하되 최종 책임은 사람에게

HD-NLP · ND-VI

에이전틱 AI는 질문에 답하는 단계를 넘어 여러 도구와 데이터를 사용해 업무를 수행합니다. 본 연구는 계획–실행–검증–승인의 각 단계에 안전장치와 인간 검토를 배치하여 실제 금융 업무에 적용 가능한 협업형 에이전트를 설계합니다.

핵심 연구 질문

에이전트가 여러 데이터와 도구를 사용해 업무를 수행하면서도 오류·권한·책임을 통제할 수 있는가?

연구 방법

작업 계획 분해, 도구 사용 정책, 권한·데이터 경계, 중간 결과 검증, 승인 단계, 실패 복구와 전체 실행 로그.

산업 적용

규제 리서치, 보고서 작성, 데이터 품질 점검, 모델 검증, 투자·리스크 브리핑.

추천 시각화

요청에서 결과 전달까지의 에이전트 단계와 상단의 인간 검토 루프를 표시.

AI Agents · Workflow Automation · Human-in-the-Loop

이론과 상상을예측 가능한엔진으로.

3-Sector Core Engine

HD-NLP Engine

ND-VI Engine

Financial Solutions

적용 가능 분야

핵심 역량

{{ contactHeadline }}.

요청이 접수되었습니다.

비전 · 로드맵

연혁

오시는 길

HD-NLP Engine

High Dimension-Natural Language Processing Engine - Architecture

Foreseers HD-NLP Engine - Process

기존 LLM 표준 방식

ND-VI Engine

ND-VI Engine - 구조

ND-VI Engine - Structure

Foreseers ND-VI Engine

기존 대형 AI 모델의 이미지·영상 처리 표준 방식

Financial Solutions

Scenario · Pricing Engine

금융기관 프로젝트 수행내역 (50+)

NLP 연구논문 (2002)

Intelligent System for Adapting to a User’s Characteristics

사용자 특성에 적응하는 지능형 시스템

독자기술기반 코어엔진

사례 연구

뉴스·리포트 기반 시장 인텔리전스

사용자 적응형 의사결정 엔진

투자전략 리서치·백테스트 자동화

시장 국면·변동성 레짐 탐지

포트폴리오 Tail Risk·스트레스 테스트

파생상품·보험계약 Pricing & Simulation

신용·거래상대방 조기경보

보험청구·담보 이미지 AI

적용분야별 전문성

High-Dimension Financial NLP

ND-VI Visual Intelligence

Multimodal Document Intelligence

Regime-Aware Modeling

Causal & Counterfactual Analytics

Financial Knowledge Graph & RAG

Explainability, Uncertainty & Calibration

Digital Twin & Synthetic Scenario

AI Model Risk & Governance

Agentic Workflow & Human-in-the-Loop

이론과 상상을
예측 가능한
엔진으로.