사용자의 키워드에 기초하여 원시(raw) 데이터 또는 스크래핑(scraping) 데이터를 분석하여, 비지도 학습을 위한 레이블링되지 않은 스크래핑(scraping) 데이터인 경우, 데이터 마이닝 및 분석을 수행하는 데이터 마이닝 및 분석부; 데이터 마이닝 및 분석부로부터 레이블링된 원시 데이터와 레이블링되지 않은 스크래핑 데이터를 입력 받아 원시 데이터와 스크래핑 데이터를 식별하는 데이터 범주화부; 레이블링되지 않은 스크래핑 데이터의 소스로부터 데이터를 추출하여 레이블링된 데이터로 전환하고, 레이블링된 데이터에 대한 데이터 랭글링 추출(data-wrangling extraction)을 수행한 후, 다중 클래스 레이블링 데이터 분류를 적용하여 다중 클래스 레이블링 데이터에 대한 모델링을 수행한 후, 다중 클래스 레이블링 데이터와 함께 특징을 추출한 후, 차원 축소를 거쳐 모델 평가를 수행하는 텍스트 분류 및 분석부; 및 텍스트 분류 및 분석부에서의 모델 평가 후 데이터를 예측하고 챗봇 애플리케이션에 의한 복수의 의사 결정 그래프 시각화 및 정보 출력을 통해 예측 결과를 제공하는 의사 결정 분류부를 포함하고, 텍스트 분류 및 분석부는, 복수의 인공지능 학습 모델을 이용하여 학습을 수행하고, 데이터 랭글링 분류를 통해 레이블링 데이터를 생성하며, 레이블링되지 않은 데이터의 소스로부터 데이터 추출을 시작할 때 다중 클래스 레이블링 데이터에 대한 주제 모델링을 위해 문서를 항목 별로 클러스터링하고 비지도 생성 확률론적 방법인 LDA(Latent Dirichlet Allocation)을 이용하여 레이블링되지 않은 데이터에 대한 복수의 인공지능 학습 모델을 생성하고 텍스트를 분석하고, LDA을 이용하여 해당 문서를 정의하는 주제를 역추적하기 위한 매트릭스 인수분해를 통해 문서-용어 매트릭스를 문서-주제 매트릭스, 주제-용어 매트릭스로 변경하고, 상기 해당 문서 내 각 단어의 비율 및 각 단어가 있는 모든 문서에 대한 주제별 할당 비율을 계산하며, 주제 모델링을 위한 WGP(Word Generative Function) 방식을 통해 미리 정해진 기준 이상의 빈도를 갖는 단어를 획득하는 AI 기반 의사결정지원 시스템.

제1항에 있어서,데이터 마이닝 및 분석부는, 스크래핑 데이터 분류기를 통해 사용자의 키워드에 기초하여 데이터를 추출하고, 감정 분석 및 의사결정을 위해 이모티콘, 이모지 사인, 및 정규 표현과 제외어를 처리하기 위한 FCT(Filter Cleaning Text)를 정리하며, 감정 분석은 텍스트의 주관성 및 극성을 평가하여 데이터를 분석한 후, FCT를 통해 구조화된 열을 제공하는 AI 기반 의사결정지원 시스템.

삭제

삭제

데이터 마이닝 및 분석부를 통해 사용자의 키워드에 기초하여 원시(raw) 데이터 또는 스크래핑(scraping) 데이터를 분석하여, 비지도 학습을 위한 레이블링되지 않은 스크래핑(scraping) 데이터인 경우, 데이터 마이닝 및 분석을 수행하는 단계; 데이터 범주화부를 통해 데이터 마이닝 및 분석부로부터 레이블링된 원시 데이터와 레이블링되지 않은 스크래핑 데이터를 입력 받아 원시 데이터와 스크래핑 데이터를 식별하는 단계; 텍스트 분류 및 분석부를 통해 레이블링되지 않은 스크래핑 데이터의 소스로부터 데이터를 추출하여 레이블링된 데이터로 전환하고, 레이블링된 데이터에 대한 데이터 랭글링 추출(data-wrangling extraction)을 수행한 후, 다중 클래스 레이블링 데이터 분류를 적용하여 다중 클래스 레이블링 데이터에 대한 모델링을 수행한 후, 다중 클래스 레이블링 데이터와 함께 특징을 추출한 후, 차원 축소를 거쳐 모델 평가를 수행하는 단계; 및 텍스트 분류 및 분석부에서의 모델 평가 후 의사 결정 분류부를 통해 챗봇 애플리케이션에 의한 복수의 의사 결정 그래프 시각화 및 정보 출력을 통해 예측 결과를 제공하는 단계를 포함하고, 텍스트 분류 및 분석부를 통해 레이블링되지 않은 스크래핑 데이터의 소스로부터 데이터를 추출하여 레이블링된 데이터로 전환하고, 레이블링된 데이터에 대한 데이터 랭글링 추출(data-wrangling extraction) 및 모델 평가를 수행하는 단계는, 복수의 인공지능 학습 모델을 이용하여 학습을 수행하고, 데이터 랭글링 분류를 통해 레이블링 데이터를 생성하며, 레이블링되지 않은 데이터의 소스로부터 데이터 추출을 시작할 때 다중 클래스 레이블링 데이터에 대한 주제 모델링을 위해 문서를 항목 별로 클러스터링하고 비지도 생성 확률론적 방법인 LDA(Latent Dirichlet Allocation)을 이용하여 레이블링되지 않은 데이터에 대한 복수의 인공지능 학습 모델을 생성하고 텍스트를 분석하고, LDA을 이용하여 해당 문서를 정의하는 주제를 역추적하기 위한 매트릭스 인수분해를 통해 문서-용어 매트릭스를 문서-주제 매트릭스 주제-용어 매트릭스로 변경하고, 상기 해당 문서 내 각 단어의 비율 및 각 단어가 있는 모든 문서에 대한 주제별 할당 비율을 계산하며, 주제 모델링을 위한 WGP(Word Generative Function) 방식을 통해 미리 정해진 기준 이상의 빈도를 갖는 단어를 획득하는 AI 기반 의사결정지원 방법.

제5항에 있어서,데이터 마이닝 및 분석부를 통해 사용자의 키워드에 기초하여 원시 데이터 또는 스크래핑 데이터를 분석하여, 비지도 학습을 위한 레이블링되지 않은 스크래핑 데이터인 경우, 데이터 마이닝 및 분석을 수행하는 단계는, 스크래핑 데이터 분류기를 통해 사용자의 키워드에 기초하여 데이터를 추출하고, 감정 분석 및 의사결정을 위해 이모티콘, 이모지 사인, 및 정규 표현과 제외어를 처리하기 위한 FCT(Filter Cleaning Text)를 정리하며, 감정 분석은 텍스트의 주관성 및 극성을 평가하여 데이터를 분석한 후, FCT를 통해 구조화된 열을 제공하는 AI 기반 의사결정지원 방법.

삭제

삭제