• 기술혁신학회지
• /
• 제11권2호
• /
• pp.241-263
• /
• 2008

기술가치평가에서 적절한 할인율의 적용은 가치평가의 신뢰성을 확보하는데 중요한 요소이다. 개별 기술가치평가 할인율은 개별 지식자산에 내재된 위험과 기회를 반영하는 것이기 때문에, 기업가치평가 표준 할인율인 WACC 과 상당히 다르다고 판단된다. 본 연구의 목적은 기술가치평가 할인율 적산모형의 위험구조와 위험프리미엄 추정방법을 제안하는 것이다. 적산모형의 성분은 무위험이자율, 전반적 시장위험프리미엄과 베타, 지식자산위험프리미엄 등 세 가지로 구성하였다. 특히, 본 연구에서 할인율 구성의 핵심인 지식자산위험 수준을 평가할 수 있는 10개 항목을 제안하였고, 위험수준 결과를 위험프리미엄으로 변환하기 위한 추정함수인 선형함수, 자연로그함수, 지수함수 등을 적용하였다. 상기 논리와 결과는 기술가치평가 할인율 추정의 객관성을 개선할 수 있는 실무적 대안이 될 수 있을 것이다.

• 스마트미디어저널
• /
• 제2권4호
• /
• pp.60-65
• /
• 2013

본 논문에서는 Time-of-Flight (TOF) 원리를 이용하여 획득한 저해상도 깊이 영상을 고해상도의 색상 영상에 정합하는 방법을 소개한다. 거리 정보 기반의 3차원 렌더링에서 깊이 영상은 렌더링 결과에 큰 영향을 끼치지만, 기존의 스테레오 정합은 색상 영상의 특성에 따라 성능이 크게 변하고, 깊이 정보를 획득하지 못하는 영역이 존재한다. 반면에 TOF 카메라는 적외선 센서를 통해 카메라로부터 물체까지의 거리를 직접 측정하여 영상으로 출력하기 때문에, 장면의 깊이 정보를 실시간으로 획득 할 수 있고 높은 정확도를 가지는 장점이 있다. 하지만 출력 영상의 해상도가 너무 작아 3차원 응용에 직접 이용하기가 어렵다. 또한, 색상 영상과 다른 카메라를 이용하기 때문에 두 영상의 3차원적 위치와 특성이 서로 다르다는 문제점을 갖는다. 따라서 해상도를 증가시키고 다른 두 카메라로 부터 찍힌 영상을 정합시키는 방법이 필요하다. 본 논문에서 제안하는 방법은 깊이 카메라에서 획득한 저해상도 깊이 정보를 고해상도 색상 정보를 이용하여 두 영상간의 정합이 이루어지도록 한다. 향상된 깊이 영상을 사용하여 3차원으로 복원한 실험을 통해, 제안하는 방법이 효과적으로 장면의 변위 정보를 생성함을 알 수 있다.

• 응용통계연구
• /
• 제9권1호
• /
• pp.91-109
• /
• 1996

지수가중이동평균관리도는 최근 들어 공정검색과 공정수정에 널리 이용되고 있으나 모수의 설정에 관한 연구는 많지 않다. 관리도의 설계는 통계적 설계와 경제적 설계로 분류한다. 통계적 설계는 허용된 제1종 오류하에서 제2종 오류를 최소화하는데 반해 경제적 설계는 공정에서 발생하는 모든 가능한 비용을 고려한 비용함수를 최소화한다. 이 논문에서는 지수가중이동평균관리도의 통계적 설계와 함께 경제적 설계를 정의한 다음 각 설계에서의 최적모수를 선정하여 결과를 비교한다. 경제적 설계에서 설정된 최적모수는 통계적 설계와 다르게 나타남을 알 수 있고 특히 가중치의 값은 통계적 설계에서 보다 항상 큰 값으로 나타난다. 경제적 설계에서는 고려하는 이상원인의 수에 따라 단일이상원인과 다중이상원인 모형으로 구분하여 설계한다. 다중이상원인의 평균적 개념으로 적용되는 단일이상원인 모형에서는 실제 다중이상원인이 존재할 때에 잘못된 판단을 할 수 있음을 보이고 있다.

• 정보처리학회논문지:소프트웨어 및 데이터공학
• /
• 제12권11호
• /
• pp.471-480
• /
• 2023

국내 건설수주 규모는 2013년 91.3조원에서 2021년 총 212조원으로 특히 민간부문에서 크게 성장하였다. 국내외 시장 규모가 성장하면서, EPC(Engineering, Procurement, Construction) 프로젝트의 규모와 복잡성이 더욱 증가되고, 이에 프로젝트 관리 및 ITB(Invitation to Bid) 문서의 위험 관리가 중요한 이슈가 되고 있다. EPC 프로젝트 발주 이후 입찰 절차에서 실제 건설 회사에게 부여되는 대응 시간은 한정적일 뿐만 아니라, 인력 및 비용의 문제로 ITB 문서 계약 조항의 모든 리스크를 검토하는데 매우 어려움이 있다. 기존 연구에서는 이와 같은 문제를 해결하고자 EPC 계약 문서의 위험 조항을 범주화하고, 이를 AI 기반으로 탐지하려는 시도가 있었으나, 이는 레이블링 데이터 활용의 한계와 클래스 불균형과 같은 데이터 측면의 문제로 실무에서 활용할 수 있는 수준의 지원 시스템으로 활용하기 어려운 상황이다. 따라서 본 연구는 기존 연구와 같이 위험 조항 자체를 정의하고 분류하는 것이 아니라, FIDIC Yellow 2017(국제 컨설팅엔지니어링 연맹 표준 계약 조건) 기준 계약 조항을 세부적으로 분류할 수 있는 AI 모델을 개발하고자 한다. 프로젝트의 규모, 유형에 따라서 세부적으로 검토해야 하는 계약 조항이 다를 수 있기 때문에 이와 같은 다중 텍스트 분류 기능이 필요하다. 본 연구는 다중 텍스트 분류 모델의 성능 고도화를 위해서 최근 텍스트 데이터의 컨텍스트를 효율적으로 학습할 수 있는 ELECTRA PLM(Pre-trained Language Model)을 사전학습 단계부터 개발하고, 해당 모델의 성능을 검증하기 위해서 총 4단계 실험을 진행했다. 실험 결과, 자체 개발한 ITB-ELECTRA 모델 및 Legal-BERT의 앙상블 버전이 57개 계약 조항 분류에서 가중 평균 F1-Score 기준 76%로 가장 우수한 성능을 달성했다.