(Qraft)ai roadmap 20170901 nd

Please download to get full document.

View again

of 36
11 views
All materials on our website are shared by users. If you have any questions about copyright issues, please report us to resolve them. We are always happy to assist you.

Download

Document Related
Document Description
1. Qraft Technologies, Inc. | Qraft AI Technology Roadmap September, 2017 Qraft Technologies, Inc. LAST UPDATE: 1 September 2017 2. Chapter I. Corporate Info 3.…
Document Share
Document Transcript
  • 1. Qraft Technologies, Inc. | Qraft AI Technology Roadmap September, 2017 Qraft Technologies, Inc. LAST UPDATE: 1 September 2017
  • 2. Chapter I. Corporate Info
  • 3. Disclaimer  본 문서에 기술된 실적은 2016년은 결산재무제표를, 2017년 이후는 추정치를 사용하고 있습 니다.  당사는 신뢰할 수 있는 자료를 기반으로 신의성실하게 2016년 결산실적 및 향후 추정치를 작 성하였으나 그 정확성을 담보하지 않으며, 제3자로부터 제공받은 정보의 오류 및 생략에 대하 여 당사는 책임을 지지 않습니다. 자료는 작성시점에서 취득가능한 시기의 데이터를 통하여 작 성되었으나, 시장의 환경이나 그 외의 상황에 의해 변경되었을 가능성이 있습니다. 또한, 향후 의 사업 환경 및 전개 상황에 따라 실제 실적은 추정치와 다를 수 있습니다.  본 자료는 고객의 향후 투자결과에 대한 법적 책임소재에 대한 증빙자료로 사용될 수 없습니다.  본 자료는 예비투자자에게 투자검토목적으로 제공되는 것으로, 투자검토 이외의 목적으로 사 용할 수 없으며, 당사의 사전 서면동의나 허가 없이는 정보에 대한 수정 또는 변경이 금지되어 있습니다. Basic Information 임직원수 15 설립일자 2016-01-31 기업형태 중소기업 | 벤처기업 지정 사업분야 AI 로보어드바이저 솔루션, AI 해외선물 로보어드바이저 서비스 사업장 주소 서울특별시 성동구 왕십리로 서울숲 포휴빌딩 5층 서비스 페이지 www.Qraft.co.kr 회사 웹페이지 www.Qraftec.com 수상이력 신용보증기금 퍼스트펭귄기업 선정 | 10억원 크레딧라인 제공 KEB 하나은행 1Q Lab 지원기업 선정 Board Members 김형식 CEO 서울과학고 | 서울대학교 전기공학부 | 서울대학교 경제학부 대학원 Qraft Capital 박상윤 CTO 서울대학교 전기공학부 | 서울대학교 컴퓨터공학부 대학원 AI연구실 엔씨소프트 조민 CIO 서울과학고 | KAIST 전산학과 PK투자자문 석준희 CSO 서울과학고 | KAIST EE | Ph.D, Stanford Univ.,EECS 고려대학교 EE 교수 Corporate Info Qraft AI Roadmap | September 2017 Qraft Technologies, Inc.3 |
  • 4. B2B Deep-learning Robo-Fund Solution  크래프트는 금융데이터에 대한 딥러닝기술 적용에 독보적인 노하우와 AI 기술을 보유  B2B 딥러닝 로보펀드 솔루션은 딥러닝 기술을 적용하여 매일 시장데이터를 학습하고 펀 드매니저 없이 AI가 자동으로 펀드의 운용지시를 내릴 수 있는 무인 AI펀드 솔루션  ETF, 펀드, 주식 등의 다양한 자산군을 대상으로 컴플라이언스 및 리스크 제한조건을 부과 하여 빠르게 딥러닝 기반 AI 펀드 제작 및 운용가능  펀드매니저의 고비용 저효율 구조를 AI 를 통한 저비용 고효율 구조로 바꿀 수 있는 미래 형 인공지능 자산운용 솔루션으로 시장의 규모가 빠르게 커지고 있음  미래에셋자산운용, KEB하나은행 등의 대형 금융사가 크래프트의 솔루션을 구입하여 성공 적인 AI 펀드 서비스를 구축하였고, 지속적인 추가발주를 진행중 B2B2C Global Futures Robo-Advisor Service  원유선물, 외환, 금속 등의 글로벌선물을 대상으로 한 고위험-고수익 로보어드바이저 서비 스를 국내 증권사와의 제휴를 통해 제공  고위험-고수익의 액티브한 트레이딩을 추구하는 사용자들을 대상으로 자동 롤오버, 자동 트레이딩, 자동 마켓타이밍 기능을 제공하여 야간에 트레이딩할 필요없이 AI 를 사용하여 글로벌 선물을 자동으로 매매할 수 있도록 하는 서비스  2017-06 현재 월 1억원 이상의 매출이 발생하는 등 서비스 매출이 빠르게 상승중 B2B Reference 자산운용사 미래에셋자산운용 AI 공모펀드 3개펀드 출시 | 2개 진행중 증권사 삼성증권 AI 클라이언트 분석 은행 KEB 하나은행 하이로보 포트폴리오엔진 투자자문사 아데나투자자문 AI 포트폴리오 엔진 정보서비스 Thomson-Reuters 딥러닝 로보어드바이저 B2B2C Reference 증권사 동부증권 서비스 제휴 하나금융투자 서비스 제휴 한국투자증권 서비스 제휴 유안타증권 서비스 제휴 이베스트투자증권 HTS/MTS 통합 선물사 유진투자선물 서비스 제휴 Qraft Business Area Qraft AI Roadmap | September 2017 Qraft Technologies, Inc.4 |
  • 5. 구축사례: 미래에셋 AI 스마트베타 공모펀드 B2B Reference  크래프트가 미래에셋자산운용의 발주를 받아 제작한 세계최초의 딥러닝 공모펀드인 “미래에 셋AI 스마트베타펀드”는 출시일 이후 약 6개월동안 19.5%의 수익률과 6.4%의 표준편차 를 기록 (샤프비율 5 초과)  벤치마크와 타 AI 펀드 대비 압도적인 성과와 안정성을 기록하여 딥러닝 인공지능 펀드의 가능성을 보여준 세계최초의 사례로 높은 레퍼런스 가치가 있음 구축사례: KEB 하나은행 하이로보 로보어드바이저 서비스  KEB 하나은행의 인공지능 로보어 드바이저 서비스 구축  딥러닝 기반으로 고객성향에 맞는 펀드 포트폴리오를 생성 Qraft AI Roadmap | September 2017 Qraft Technologies, Inc.5 |
  • 6. 글로벌 선물 로보어드바이저 서비스 B2B2C Reference 글로벌 선물 로보어드바이저 서비스 매출추이 0 20,000,000 40,000,000 60,000,000 80,000,000 100,000,000 120,000,000 140,000,000 Jun-16 Jul-16 Aug-16 Sep-16 Oct-16 Nov-16 Dec-16 Jan-17 Feb-17 Mar-17 Apr-17 May-17 Jun-17 글로벌 선물 B2B2C 서비스 월간매출 추이  크래프트가 증권사 및 선물사와의 제휴를 통해 제공하고 있는 AI 해외선물 로보어드바이저의 월간 매 출이 2017-06 기준 1억2천5백만원을 기록하여, 월매출 1억원 돌파  2017년 이후 월매출 증가세가 가속화되고 있음  2017년 하반기 이베스트투자증권, 한국투자증권, 유진투자선물, 하나금융투자와의 제휴서비스 오픈  대만 상장사 K-Way Corporation 과의 MOU 체결로, 대만 해외선물 시장 및 중국시장 진출 예정  중국의 九颂山河基金公司 와의 제휴로 중국시장 진출 예정 Qraft AI Roadmap | September 2017 Qraft Technologies, Inc.6 |
  • 7. Chapter II. Current State
  • 8. Qraft AI Roadmap | September 2017 Qraft Technologies, Inc.8 | Current State : Supervised Portfolio engine 금융데이터에 대한 지도학습의 한계  지도학습 기반 포트폴리오 엔진은 (마켓인풋데이터, 옵티멀 포트폴리오)를 날짜별로 페어링하여 학습시키는 방식  15년치 데이터가 3000개미만의 영업일에 불과하여 데이터가 충분치 않고, 학습할 인풋데이터의 종류는 많은 문제의 극복이 핵심  옵티멀 포트폴리오에 여러가지 정보가 혼재되어 있어 리스크조정수익률 등 타겟함수를 최대화시키는 과정에서 샘플이 적지만 중요한 개념(리스크, 팩터 등)들 에 대한 학습이 충분치 않게되는 문제가 발생  다른 옵티멀 포트폴리오 생성방식에서 학습할 수 있는 패턴을 놓치게 될 가능성 크래프트의 지도학습 모델  날짜의 부족(15년치 날짜가 3000개 미만)을 선험적인 룰을 담고있는 레이어를 추가하여 학습과정에서 유효정보에 대한 데이터 분포를 보호하는 방식을 사용  데이터 전처리 과정 및 RNN 의 LSTM 모듈수정을 통하여 선험적인 룰과 부합하는 데이터의 분포는 학습과정에서 중요하게 반영되도록 설계  데이터 보호장치에 의해 보호되지 않는 데이터의 패턴은 놓칠 수 있는 확률이 높아지므로, 이를 ensemble RNN 구조로 보완 해결해야할 과제들  학습타겟(리스크조정수익률 극대화)에 대한 학습과정에서 샘플이 적거나 타겟과 큰 연관성이 없어 중요하게 학습되지 않지만, 실제로는 중요한 것들을 학습시 킬 수 있는 방법은 없을까?  옵티말 포트폴리오를 1가지 방법으로 계산하여 정답으로 페어링하고 있는데 다른 관점에서 만든 옵티말 포트폴리오 대한 정보도 풍부하게 학습시킬 수 없을까?  인간과 유사한 투자의사결정 프로세스를 학습시킬 수 없을까?
  • 9. Qraft AI Roadmap | September 2017 Qraft Technologies, Inc.9 | Deep Q Network Portfolio Engine Portfolio State (T=1) Portfolio State (T=2) Portfolio State (T=10000) … Portfolio State (T=3) Market Data Market Data Market Data …… Current State : Unsupervised Portfolio engine Q Value Function …
  • 10. Qraft AI Roadmap | September 2017 Qraft Technologies, Inc.10 | DRL Portfolio Engine DRL Portfolio Engine  DRL (Deep Reinforcement Learning) 은 일자별 옵티멀 포트폴리오를 제시하여 학습하는 지도학습 방식이 아닌, 최종 목표(포트폴리오 성과)만을 제시하고 목표도달방식을 스스로 학습하는 비지도 방식  하루에 한 개의 정답이 주어지는 지도학습방식에 비해, 최종 목표에 도달한 수백만개의 포트폴리오 조합을 학습가능  State 기반으로 시간에 따라 다음 State 로 넘어가는 구조  현재 포트폴리오 상태정보를 기반으로 마켓데이터를 처리하여 다음 포트폴리오 상태를 결정  DRL 포트폴리오 엔진은 알파고에 쓰인 DQN 모델을 수정하여 적용 Portfolio State (T=1) Market Data Portfolio State (T=2) Market Data 수(T=1) 상대방 수 수(T=2) 상대방 수
  • 11. Chapter III. Next State
  • 12. Qraft AI Roadmap | September 2017 Qraft Technologies, Inc.12 | Current R&D : GAN Research Trend  Generative Adversarial Networks (GANs)  2014년 Open AI 의 연구원인 Ian Goodfellow에 의해서 고안된 비지도학습 개념  2015년 시작된 GAN 은 2016년 많은 논문들이 발표되고 있음  딥러닝의 대가인 Facebook 의 Yann Lecun 교수는 GAN을 최근 20년간 나온 최고의 머신러닝 아이디어로 꼽음  SK텔레콤의 T-Brain Team은 GAN의 cross-domain 버전인 DISCO-GAN을 발표하여 좋은 반응을 얻음 Concept  GAN 은 generator 와 discriminator 로 구성됨  Discriminator 는 Generator에 의해 생성된 가짜 데이터와 실제 데이터를 구별  Generator 는 discriminator 구별하지 못하도록 정교한 가짜 데이터를 생성하는 것이 목표  Disciminator 는 generator 가 생성한 데이터와 실제 데이터를 잘 구별하는 것이 목표  Generator 와 discriminator 간의 경쟁을 통해 둘의 능력은 발전하고 generator 는 실제 데이터와 유사한 데이터 생성이 가능해짐
  • 13. Qraft AI Roadmap | September 2017 Qraft Technologies, Inc.13 | Example of GAN: Generating Fake Text Image  Generator 와 discriminator 와의 경쟁을 통하여 생성된 글자와 실제데이터의 구별확률이 50%인 global optimum 에 도달  Generator 에 의해 생성된 (가짜)글자이미지는 실제 글자이미지와 전혀 차이가 없는 퀄리티로 발전
  • 14. Qraft AI Roadmap | September 2017 Qraft Technologies, Inc.14 | GAN Portfolio Engine: Q-GAN Generative Adversarial Networks  GAN(Generative Adversarial Networks) 는 가짜 샘플을 생성하는 generator + 진짜 샘플과 generator 가 생성한 가짜 샘플을 구별하는 discriminator 로 구성되어 있음  Generator 는 discriminator 가 구별하기 어려운 샘플을 생성하도록 학습되고 discriminator 는 가짜와 진짜 샘플을 잘 구별하도록 학습되며 경쟁  경쟁과정에서 균형점에 도달하면 generator 는 진짜와 유사한 샘플을 생성할 수 있음 Qraft Generative Adversarial Networks (Q-GAN)  크래프트는 독자적인 연구개발을 통해 input data 를 사용하여 시계열 포트폴리오를 스냅샷화하는 GAN 포트폴리오 모델을 개발하여 Q-GAN 으로 명 명  Q-GAN 은 연내 논문발표 예정으로 AI 포트폴리오 모델에 GAN 을 적용한 세계 첫 사례  Q-GAN 은 인풋데이터를 통해 포트폴리오를 생성하고, discriminator 는 이를 실제 시장데이터를 통해 생성된 옵티멀 포트폴리오와 비교하여 평가  평가하는 관점을 risk 및 여러 factor로 설정할 수 있어, 옵티멀 포트폴리오의 리스크 관리 및 각종 팩터 개념을 효과적으로 학습가능  팩터별로 학습된 generator 를 다시 2차 GAN 을 통하여 최종 포트폴리오 generator 로 사용 Risk GAN Momentum GAN Value GAN … GAN through factor-GAN 최종포트폴리오
  • 15. Qraft AI Roadmap | September 2017 Qraft Technologies, Inc.15 | Qraft Generative Adversarial Networks from Inputs Market Data for Portfolio Evaluation Evaluation Policy (Risk Concept,…) Correct ? Post Optimal Portfolio with Styles Investment Universe & Components of Portfolio Inputs for Portfolio Generation GAN Portfolio Engine: Q-GAN
  • 16. Chapter IV. AI Execution Engine Technology
  • 17. Qraft AI Roadmap | September 2017 Qraft Technologies, Inc.17 | AI Execution Engine : Trend Algorithm Trading System  알고리즘 트레이딩 시스템은 바이사이드에서 대량 최적집행을 위한 알고리즘 을 탑재한 주문집행시스템  증권사에서 기관고객 등의 대량주문을 수량과 시간만 정해진 상태에서 위임받 아 집행하는 과정에서 사용  일반적으로 Peg, TWAP, VWAP, MOC, POV, IS 등의 기능을 탑재하고 있으 며 최근에는 딥러닝 등의 머신러닝 기술을 활용한 AI 주문집행으로 발전  국내에서는 인간딜러가 주문을 수행하는 하이터치 주문집행과 Fidessa, Sungard, Murex 등의 알고리즘 트레이딩 솔루션을 사용하거나 자체 개발한 솔루션을 사용하는 VWAP, IS (Implementation Shortfall) 알고리즘 주문집 행이 동시에 쓰이고 있음 Global Trend  해외의 경우 전체 거래소 주문의 80% 이상을 알고리즘 트레이딩 시스템이 집행  최적집행을 넘어서 Client flow trading, delta-one trading 의 개념으로 발전  금융기관이 고객 주문의 counter-party가 되고 clearing service 를 수행함으로 써 수익을 올리는 모델이 가능  Citadel, KCG (former Getco) 등의 경우, AmeriTrade 등의 증권사에 돈을 지 불하고 고객주문을 넘겨받아 HFT 기반으로 clearing 하는 수익모델을 보유
  • 18. Qraft AI Roadmap | September 2017 Qraft Technologies, Inc.18 | AI Execution : TCA TCA (Transaction Cost Analysis)  거래비용분석(TCA)은 대규모 거래에 수반되는 비용의 크기와 원인을 계량하는 작업을 의미  거래비용은 수수료와 세금(명시적 비용) + 마켓임팩트 비용(암묵적 비용)으로 나눌 수 있음  암묵적 비용은 명시적 비용의 3~4배로 전체 거래비용의 80%를 차지하고 있는 상황  마켓임팩트 등의 암묵적 거래비용은 미국시장의 경우 37.4bp 로 약 30조원에 달함(2013, SEC)  국내도 연간 3조원의 암묵적 거래비용이 발생하고 있으며 AI execution 도입시 연간 수천억원의 비용절감 효과가 있을 것으로 추정  TCA 는 암묵적 비용을 추정하는 방법론으로 주로 VWAP 을 벤치마크로 함  글로벌 대형투자기관 및 자산운용사들의 98%가 사후거래비용분석(PTCA)를 투자프로세스에 포함시켜 브로커들의 거래비용을 측정하고 있음(2008, Tabb Group)  알고리즘 트레이딩은 효율적인 주문집행을 통해 암묵적 비용을 낮추는 기술  향후 국내에도 TCA 를 의무화하는 규제가 도입되면, 낮은 비용에 주문을 체결시킬 수 있는 증권사로 주문이 몰리게 되므로 AI execution 시장이 급속도로 팽창할 것으로 예상
  • 19. Qraft AI Roadmap | September 2017 Qraft Technologies, Inc.19 | AI Execution : Reference JP Morgan Chase의 AI Execution 구축사례  JP Morgan Chase 는 유럽증권 알고리즘 사업부에서 LOXM 이라는 강화학습 기반 알고리즘 트레이딩 플랫폼을 개발하여 적용중  LOXM은 고객의 주문을 가장 빠른 속도에 최적의 가격으로 실행  JP Morgan Chase 는 LOXM 을 통해 성공적인 결과를 얻었으며, 향후 아시아 및 미국시장에서도 적용예정  http://www.etoday.co.kr/news/section/newsview.php?idxno=1521911  https://www.ft.com/content/16b8ffb6-7161-11e7-aca6-c6bd07df1a3c Qraft의 AI Execution 구축사례  Qraft는 자체 해외선물 로보어드바이저를 통해서 수십명 고객의 포트폴리오에 대한 주문을 동시에 실행 중  Qraft 는 JP Morgan Chase 의 LOXM 과 마찬가지로 DRL 을 활용한 주문집행엔진 QAIE 개발 및 적용을 통해 기존 주문 알고리즘 대비 13.25% (2017-03~2017-07 기준) 의 주문총비용(Total Transaction Cost) 절감에 성공하였음
  • 20. Qraft AI Roadmap | September 2017 Qraft Technologies, Inc.20 | AI Execution : Qraft AI Execution Engine Concept Qraft AI Execution Engine (QAIE)  강화학습(Reinforcement learning) 기반 AI 알고리즘 트레이딩 엔진  DRL(Deep Reinforcement Learning) 기술 적용  AI-enhanced VWAP, AI-enhanced TWAP 기능 탑재  Trend-following / mean-reversion State 분류  누적 주문 및 거래제한조건 감시를 통한 주문오작동 리스크관리  예상치못한 이벤트에 대한 즉각 대응기능 Exchange KOSPI/KOSDAQ Broker System OMS / FEP Market Data Order Signal Wire-to-wire Latency < 50µs Transaction Info
  • 21. Qraft AI Roadmap | September 2017 Qraft Technologies, Inc.21 | AI Execution : Qraft AI Execution Engine Concept 강화학습을 통한 최적주문집행  QAIE는 강화학습(reinforcement learning) 방식의 딥러닝을 사용 (Deep Reinforcement Learning, DRL은 딥마인드의 알파고에 적용된 DQN과 유사한 강화학습기반 딥 러닝 기술)  강화학습은 현재 상황에서 미래의 현가할인된 보상을 최대화하는 최적 행동을 목표로 하는 학습방식  강화학습을 통해서 주문에 따른 단기 보상과 주문이 향후 영향을 미치는 장기 보상 사이의 균형을 최적화하여 주문비용을 최소화  QAIE 는 호가 스프레드(bid-ask spread), 거래량 비대칭(Volume imbalance) 등 많은 feature를 통해 실시간 DRL 연산을 수행  삼성전자를 T 시간 이전에 V주 만큼 매수하라는 주문의 경우, 주문과정의 state 는 현재까지의 체결량 v와 경과시간 t 로 표현가능 State = (𝑣, 𝑡)  강화학습은 current-state (v,t) 상황에서 T 시점까지 나머지 (𝑉 − 𝑣)주를 사는 비용을 최소화하는 문제의 답을 딥러닝으로 계산하여 다음 스테이트의 행동을 결정 Deep Reinforcement Learning Price Smart Price Bid-Ask Spread Spread Imbalance Gap Profile Signed Volume, … Order( 삼성전자, V, T ) Realtime Market Data, Limit Order Book Current State (𝑣, 𝑡) Sliced Optimized Order Minimize Cost Problem Next State
  • 22. Qraft AI Roadmap | September 2017 Qraft Technologies, Inc.22 | AI Execution : QAIE vs. VWAP State Space VWAP uses only 𝑣, 𝑡 state space, QAIE uses big state space !  QAIE 는 최적주문을 예상하기 위해 호가창(limit order book) 정보와 과거의 가격정보를 모두 사용  보다 정확한 주문실행량과 지정가/시장가 여부를 계산하기 위하여 호가스프레드 및 거래량, 시장가 체결량, 매수거래량, 매도거래량, 주식별 갭 프로필을 등을 이용 VS. (𝑣, 𝑡) (𝑣, 𝑡, 𝑃𝑟𝑖𝑐𝑒, 𝑀𝑖𝑑 𝑃𝑟𝑖𝑐𝑒, 𝐵𝑖𝑑 𝐴𝑠𝑘 𝑆𝑝𝑟𝑒𝑎𝑑, 𝐵𝑖𝑑 𝐴𝑠𝑘 𝑉𝑜𝑙𝑢𝑚𝑒 𝐼𝑚𝑏𝑎𝑙𝑎𝑛𝑐𝑒, 𝑆𝑖𝑔𝑛𝑒𝑑 𝑇𝑟𝑎𝑛𝑠𝑎𝑐𝑡𝑖𝑜𝑛 𝑉𝑜𝑙𝑢𝑚𝑒, 𝐼𝑚𝑚𝑒𝑑𝑖𝑎𝑡𝑒 𝑀𝑎𝑟𝑘𝑒𝑡 𝑂𝑟𝑑𝑒𝑟 𝑅𝑒𝑣𝑒𝑛𝑢𝑒, 𝑆𝑝𝑟𝑒𝑎𝑑 + 𝑠𝑖𝑔𝑛𝑒𝑑 𝑉𝑜𝑙𝑢𝑚𝑒 + 𝐼𝑚𝑚𝑒𝑑𝑖𝑎𝑡𝑒 𝐶𝑜𝑠𝑡, G 𝑎𝑝 𝑃𝑟𝑜𝑓𝑖𝑙𝑒) VWAP QAIE (AI-Enhanced VWAP)  VWAP은 체결량 및 시간정보만을 사용  T기까지의 누적거래량 v가 과거의 거래량 통계에 비추어 많 냐 적으냐가 유일한 VWAP 이 사용하는 유일한 정보  과거에 비해서 적다면 공격적(시장가)으로, 많다면 수동적 (지정가)으로 주문집행하는 것이 VWAP 알고리즘의 전부임  QAIE 는 최적주문을 예상하기 위해 호가창(limit order book) 정보와 과거의 가격정보를 모두 사용  보다 정확한 주문실행량과 지정가/시장가 여부를 계산하기 위하여 호가스프레드 및 거래량, 시장가 체결량, 매수거래 량, 매도거래량, 주식별 갭 프로필을 등을 이용
  • 23. Qraft AI Roadmap | September 2017 Qraft Technologies, Inc.23 | AI Execution : QAIE Architecture Exture+ Parser 증권사 OMS 증권사 FEP koscom 시세 프로세스 TCA UI DB QAIE API Sliced Order Transaction Info System Integration  엔진 및 데이터 학습은 크래프트가 구축  엔진에는 증권사 OMS 및 FEP 를 연결할 수 있는 API 와 Transaction Cost Analysis 및 주문 UI 관련 API 포함  주식 시세 프로세스 연결은 필수이며, 고객사에서 학습을 위한 다른 인풋데이터소스 추가시 연결 및 학습가능  QAIE API 를 활용한 증권사의 기존 OMS/FEP 와의 연결 및 화면구축은 크래프트의 SI 협 력사가 담당 Data Source (Option) 아키텍쳐 및 구축프로세스
  • 24. Chapter V. AI Credit Card Service
  • 25. Qraft AI Roadmap | September 2017 Qraft Technologies, Inc.25 | AI Credit Card Service 요약  고객 빅데이터 학습을 통해 특정 개인에게 최적화된 카드포트폴리오를 추천하는 ai인공지능 추천 시스템 모델  인풋: {승인내역, 승인시간, 사용가맹점, 사용카드, 고객기본정보}  학습타겟: {최적 카드 포트폴리오} 학습방법  Neural Clustering + Maximum Discount Model  GAN (Generative Adversarial Networks) + Maximum Discount Model{성공 고객카드 사용정보 + Maximum Discount Model} 을 통해서 옵티멀 카드포트폴리오를 생성하고 이를 통해 카드추천시스템을 학습시키는 구조로 설계  구별기(Discriminator)에서 추천된 카드포트폴리오와 옵티멀 카드포트폴리오를 잘 구별할 수 없을 수준의 학습을 목표로 카드추천시스템을 학습진행 진행비지니스  *카드와 M* 프로젝트 협의중  견적: 총 사업규모 **억원 + 유지보수
  • 26. Qraft AI Roadmap | September 2017 Qraft Technologies, Inc.26 | AI Card Portfolio Segment 업종/가맹점 연관성 모형 업종/가맹점 추천모형 추천모형 Smart Offering 마케팅 반응 통합 관리 시스템 이용행태정보 CA/대출/이벤트 …
  • 27. Qraft AI Roadmap | September 2017 Qraft Technologies, Inc.27 | AI Card Portfolio 세그먼트 별 최적 이용모델 구성  세그먼트 구성시 사용한 세그먼트 내 고객의 빅데이터를 사용하여 세그먼트 고객의 최적 오퍼를 예상하는 인공지능 시스템 구성  가맹점이용정보, 업종이용정보, 시간기반 소비패턴정보, 위치기반소비패턴정보 등을 사용하여 학습  학습된 AI 시스템은 고객별로 (시간, 위치, 기타 정보) 인풋에 대하여 고객의 소비를 예측  예측된 고객의 소비정보는 마케팅플랫폼을 통해 제휴된 가맹점에 제공되고, 가맹점은 적절한 프로모션을 제공하여 소비자를 효과적으로 유인가능  미리 세팅된 오퍼정보는, 예측된 고객의 소비정보를 통해 적절한 시점에 고객에게 SMS, 푸시 등으로 제공 Segment 1 AI Learning가맹점 이용정보 업종 이용 정보 위치기반 소비패턴 시간기반 소비패턴 X 기반 소비패턴 … 세그먼트 고객 1 정보 학습 세그먼트 고객 2 정보 세그먼트 고객 3 정보 … Smart Offering
  • 28. Qraft AI Roadmap | September 2017 Qraft Technologies, Inc.28 | AI Card Portfolio App 기반 마케팅 플랫폼 Eco-System 위치정보/시간정보/ 소비패턴정보/… AI 소비예측 시스템 PUSH/SMS/TM/… AI 마케팅 플랫폼 소비예측 App 이용행태 정보 마케팅 반응 통합 관리 시스템 프로모션 등록소비예측 정보
  • 29. Chapter VI. Other Verticals
  • 30. Qraft AI Roadmap | September 2017 Qraft Technologies, Inc.30 | AI Insurance 보험 언더라이팅  보험 언더라이팅은 보험계약의 인수여부를 판단하는 최종심사 프로세스  언더라이팅은 시스템화된 룰베이스 심사 및 인간이 담당하는 심사가 혼재  이는 보험계약의 비표준성 및 각종 특약의 존재 등에 의해 룰베이스 심사가 어려운 특성에 기인  현재 인간이 담당하고 있는 심사부분을 보험정보 및 가입자 정보에 기반한 AI 로 대체하여 언더라이팅의 자동화수준을 높이는 사례가 많아지고 있음 적용사례  글로벌 보험사 스위스리는 언더라이팅 과정에서 AI 를 도입하여 표준화 수준을 개선  삼성생명은 자동 언더라이팅 시스템(AEUS)에 AI를 도입을 포함한 고도화 계획을 발표 진행비즈니스  * 컨소시움을 이루어 딥러닝 기술을 적용한 자동 언더라이팅 시스템 프로젝트  * 가 언더라이팅 업무분석 및 모델링을 크래프트가 딥러닝 언더라이팅 자동화 엔진을 개발하는 구조  총 사업규모: **억원 (크래프트: **억원 / *: *억원)의 파일럿 프로젝트
  • 31. Qraft AI Roadmap | September 2017 Qraft Technologies, Inc.31 | AI Insurance 기존 언더라이팅 업무분석 언더라이팅 업무 모델링 기존 자동화부분 기존 인간 처리 데이터 기존 처리 데이터 정리 및 태깅 딥러닝 언더라이팅 시스템데이터 전처리 AI Binary Classifier 언더라이팅 결과 분석 및 유사케이스 리포팅 언더라이팅 데이터피딩 시 스템 AI 보험 언더라이팅 프로세스
  • 32. Qraft AI Roadmap | September 2017 Qraft Technologies, Inc.32 | AI Purchasing 구매시스템  대기업의 원자재 구매프로세스는 엄청난 양의 정보를 처리해야함  (원료가격, 나프타-에틸렌 스프레드, 예상생산량, 공장가동정보, 예상수요, 클레임, …) 등의 리얼타임 확률 데이터를 올바르게 처리하여 연속적인 구매 결정을 내리는 것은 매우 복잡한 문제  또한, 구매프로세스는 책임문제 및 의사결정 과정에서 왜곡이 발생  대부분의 기업들이 원자재 구매에 수조원 이상을 지출하고 있으나 최적화되지 않은 구매시스템에 의해 많은 비효율이 발생하고 있으며, 구매시스템 최 적화를 통하여 영업이익률의 상당한 개선이 가능한 상황 Qraft AI Purchasing System  DRL 기반의 강화학습 AI 구매시스템  기존 구매데이터 및 최적 구매결정계산을 통한 강화학습  AI 구매시스템을 통하여 지속적으로 변화하는 구매관련 빅데이터를 통해 즉각적으로 효율적인 구매의사결정이 가능 진행비지니스  국내 석유화학기업: * 컨소시움(협의중)  원자재 구매 비중이 높은 철강, 자동차, 제분 등 2차 산업군으로 빠르게 시장확대가 가능
  • 33. Qraft AI Roadmap | September 2017 Qraft Technologies, Inc.33 | AI Purchasing 구매분야에서 AI 설계  원자재 구매 프로세스에서 적시에 적절한 양의 원자재를 구입하는 의사결정은 엄청나게 많은 시계열 확률 빅데이터의 최적화문제의 정답을 구해야하는 복잡한 문제로 AI 활용시 큰 효율의 증가가 예상됨  그러나, 클라이언트의 관계 등의 정보에 기반한 수요 예상은 인간이 보다 종합적으로 판단하여 AI 보다 더 나은 예측을 할 확률이 높음  따라서 빅데이터의 처리는 AI 가, 클라이언트의 관계 및 수요 예상 등 인간이 더 정확하게 인식할 수 있는 부분은 인간이 담당하는 하이브리드 MML(Man Machine Learning) 시스템으로 설계 구매분야의 AI 적용 효과  AI 를 통해 데이터에 최적화된 구매의사결정 + 구매노하우의 회사전산자원화가 가장 큰 효과  사람에 의해 처리되는 구매프로세스는 핵심 임직원의 이직 등에 의해 회사 외부로 유출이 가능하고, 핵심인력 이탈시 지속적인 관리/발전이 어려움  AI 시스템에 의해 회사의 내부전산자원화된 구매역량은 회사의 모든 기존 데이터 및 앞으로 확보될 데이터에서 마이닝된 구매전략을 시스템 내부에 보 유하게 되므로 임직원의 이직 등으로 인해 유출될 위험이 없음  관리인력의 역량과 독립적으로 시스템 베이스로 지속적으로 관리/발전시켜나갈 수 있어 핵심 임직원의 이탈과 관계없이 구매역량을 지속적으로 회사 내부에 보유하며 관리/진화시킬 수 있음
  • 34. Qraft AI Roadmap | September 2017 Qraft Technologies, Inc.34 | AI Purchasing AI 구매시스템 프로세스 기존 구매업무 분석 및 모델링 구매관련 데이터피딩 시스템 공장가동정보/원자재 가격정보/수요 정보/… 구매관련 제한 조건 및 구매정 책 처리시스템 구매결정 사후 관리 시스템 구매의사결정 피드백 및 학습 AI 엔진
  • 35. Qraft AI Roadmap | September 2017 Qraft Technologies, Inc.35 | Timeline of Qraft AI 76 2016 2017 2017 2017 2 2013~2016 기간동안의 DL 포트폴리오 실계좌 운 용성과 331.64% 기록 DL 포트폴리오 4 2017 Ensemble RNN 모델을 사용한 미래에셋AI스마트 베타 공모펀드 출시/샤프 비율 5초과 AI 공모펀드 CNN+RNN 모델을 적용 한 하나은행 하이로보 출 시/2개월 2000억 판매 AI 로보어드바이저 RNN+LSTM 모델을 국가 배 분 에 적 용 한 MIND ETF 출시 AI-driven ETF 2013 최초의 딥러닝 기반 포트 폴리오 엔진 프로토타입 개발 / KOSPI 주식대상 DL 포트폴리오 2017 RNN을 앙상블하여 예측 력을 높이는 Supervised Portfolio Engine Ensemble RNN 2017 CNN으로 자산간 관계를 RNN 으로 개별자산의 예 측력을 높인 Supervised Portfolio Engine CNN+RNN RNN+LSTM 으로 예측력 을 높인 Supervised Portfolio Engine RNN+LSTM 2017 DQN, Policy Gradient 강화학습 Unsupervised Portfolio Engine DRL 9 Deep Reinforcement Learning 기반 자산배분 공모펀드 AI 공모펀드 2017 2017 GAN 을 활용한 팩터 및 리스크 개념 학습/ 보다 인간과 유사한 투자프레 임워크 학습가능 DRL, GAN F 2018 강화학습 및 GAN 기반 보험언더라이팅 AI 및 원 자재 최적구매 AI, 신용카 드 관련 AI 시스템 AI 구매, AI 보험
  • 36. Qraft AI Roadmap | September 2017 Qraft Technologies, Inc.36 | End Contact Info Email Qraft@Qraft.co.kr Tel 02-487-8555 Global Futures B2B2C Service www.Qraft.co.kr Track Records | Research www.Qraftec.com
  • We Need Your Support
    Thank you for visiting our website and your interest in our free products and services. We are nonprofit website to share and download documents. To the running of this website, we need your help to support us.

    Thanks to everyone for your continued support.

    No, Thanks