분 기 보 고 서

Deep Text
Analytics

2000년

Konan
Search

8,532

55.44%

2013년

Konan
Analytics

2,210

14.36%

방대한 규모의 데이터에 대한 텍스트 마이닝과, 기계학습, 인공지능, 통계학 기술을 바탕으로 정형/비정형의 기업 내부 데이터는 분석하여 고객이 실행 가능한 인사이트를 발견할 수 있도록 도움을 주는 지능형 빅데이터 분석 솔루션입니다.

2012년

pulseK

1,539

10.00%

인공지능과 비정형 데이터 분석기술과 국내 최대의 매체 커버리지를 기반으로 실시간 온라인 미디어를 심화분석 해주는 전문분석 서비스입니다. 실시간 이슈분석과 비즈니스 인사이트 제공, 캠페인의 성과측정까지를 제공하여 디지털 마케팅 활동과 미래예측 등 전문분석 영역까지 사용범위와 효익을 확장하고 있습니다.

Deep

Conver
sational

Agent

2018년

Konan
Chatbot

766

4.98%

고품질의 대화 서비스를 제공하여 비즈니스를 업그레이드하는 인공지능 기반 대화 에이전트입니다.  콜센터와 같은 고객 지원 부서, 대화형 이커머스 서비스, 일정 관리 및 뉴스 제공을 위한 개인 비서 서비스, 메신저 기반의 기업 통합 검색에 필요한 중앙화된 대규모 데이터에 대한 즉각적인 답변 제공에 활용됩니다. 또한, 챗봇과 코난의 음성 인식 및 합성 기술을 결합한 'AICC(인공지능 컨택센터)'를 통해 24시간 콜센터 업무에 적용되어 효율적인 서비스를 제공하고 있습니다.

Deep

Vision

2004년

Konan
Watcher

1,978

12.85%

영상 속 얼굴, 객체, 상황, 장면 등 다양한 멀티모달을 식별하는 분석기술을 바탕으로 동영상의 내용을 이해하여 딥메타데이터를 데이터베이스화 하고, 데이터 및 워크플로우를 쉽게 관리해주는 영상분석 및 미디어 자산 관리 시스템입니다

Deep

Speech

2017년

Konan
Listener
/ Konan
Voice

364

2.37%

End-to-end 음성인식기술과 end-to-end 음성합성 기술을 바탕으로 영상 및 오디오 파일 내 음성을 텍스트로 자동 생성하거나, 텍스트를 voice skin을 입힌 음성 파일로 자동 생성해 주는 시스템입니다.

합계

15,388

100.00%

-

원재료

원재료비

국내

639,480

600,269

수입

-

-

소계

639,480

600,269

노무비

직원급여 등

국내

4,206,719

3,571,912

수입

-

-

소계

4,206,719

3,571,912

제조경비

제조경비

국내

3,703,252

4,060,293

수입

-

-

소계

3,703,252

4,060,293

총 합 계

국내

8,549,450

8,232,475

수입

-

-

소계

8,549,450

8,232,475

제품

Konan Search

내수

6,797

6,942

Konan Analytics

내수

2,286

569

Konan Chatbot

내수

1,414

1,397

Konan Watcher

내수

2,120

2,559

Konan Listener

내수

206

0

서비스

pulseK

내수

1,178

904

계

내수

14,001

12,371

합계

14,001

12,371

제품

Konan Search

국내

온프레미스

직판

협력사

Konan Analytics

국내

온프레미스

직판

Konan Chatbot

국내

온프레미스

직판

Konan Watcher

국내

온프레미스

직판

국내

온프레미스

직판

기타

국내

온프레미스

SaaS

직판

2019년

연구소장

1

-

-

1

연구원

25

2

1

26

합계

26

2

1

27

2020년

연구소장

1

-

-

1

연구전담요원

26

2

-

28

합계

27

2

-

29

연구소장

연구전담요원

합계

연구소장

연구전담요원

합계

연구소장

연구전담요원

합계

비용

처리

제조원가

-

-

-

판관비

합   계

(매출액 대비 비율)

소비재 제품 고객평가 데이터
AI 분석 및 제조 활용 서비스 개발

한국산업기술
평가관리원

2020 ~ 2022

818

Konan Analytics

Konan BI

pulseK

（VTT-2세부） 비디오 이해를 위한 이벤트-상황
지식체계 학습 및 이벤트인식/관계추론 기술 개발

정보통신

기획평가원

2017 ~ 2021

280

Konan Analytics

완료

（VTT-3세부） 비디오 이해를 위한 데이터
수집 및 보정 자동화 시스템 개발

정보통신

기획평가원

2017 ~ 2021

3,415

Konan Watcher

완료

(4D실감-총괄/1세부) 4D 복원 및 동적 변형 거동
모델 기반의 초실감 서비스 기술 개발

정보통신

기획평가원

2017 ~ 2020

720

-

완료

(4D실감-2세부) 초실감 서비스를 위한 동적
객체의 실시간 4D 복원 기술 개발

정보통신

기획평가원

2017 ~ 2020

620

-

완료

5G 기반 인터랙티브 실감
미디어기술 개발 및 실증

정보통신

기획평가원

2018 ~ 2020

300

Konan Watcher

완료

자연어 처리를 통한 메시지 의도분석
기반의 지능형 협업 플랫폼 개발

정보통신

기획평가원

2018 ~ 2020

659

Konan BI

완료

ISO 경영시스템 표준을 지원하는 위험 관리
기반의 지능형 클라우드 서비스 개발

한국산업기술
평가관리원

2018 ~ 2019

170

Konan Analytics

완료

빅데이터 플랫폼 및 센터 구축 사업

한국지능정보
사회진흥원

2019 ~ 2021

910

pulseK

완료

시각 데이터에 대한 한국어 설명 문장 생성 기반
지능형 시각 데이터 검색 기술 개발

중소기업정보
기술진흥원

2019 ~ 2021

180

Konan Watcher

완료

음성인식 및 인공지능을 활용한 고객 추천
및 Sales Call 성과 향상 플랫폼 개발

중소기업정보
기술진흥원

2019 ~ 2020

464

Konan Listener

완료

연구자를 위한 매칭 및 분석서비스

한국데이터

산업진흥원

2019

960

Konan Analytics

완료

인공지능 학습용 데이터 구축

한국지능정보
사회진흥원

2020 ~ 2021

570

Konan Listener

완료

대한

민국

대한

민국

대한

민국

대한

민국

대한

민국

대한

민국

대한

민국

대한

민국

대한

민국

대한

민국

대한

민국

대한

민국

대한

민국

대한

민국

대한

민국

대한

민국

대한

민국

대한

민국

대한

민국

대한

민국

대한

민국

대한

민국

대한

민국

대한

민국

대한

민국

대한

민국

대한

민국

대한

민국

대한

민국

대한

민국

대한

민국

대한

민국

대한

민국

대한

민국

대한

민국

대한

민국

대한

민국

대한

민국

대한

민국

대한

민국

대한

민국

대한

민국

대한

민국

대한

민국

대한

민국

대한

민국

대한

민국

대한

민국

대한

민국

대한

민국

대한

민국

대한

민국

대한

민국

대한

민국

대한

민국

대한

민국

대한

민국

대한

민국

대한

민국

대한

민국

대한

민국

대한

민국

대한

민국

대한

민국

대한

민국

대한

민국

대한

민국

대한

민국

대한

민국

대한

민국

대한

민국

대한

민국

대한

민국

대한

민국

GS 인증

(TTA)

2022년

1등급

2022년

코난 챗봇 3

1등급

2021년

코난 BI 6

1등급

2019년

코난 애널리틱스5

19-0448

2019.10.24

1등급

2018년

코난 서치5

18-0568

2018.11.22

1등급

2018년

코난봇 v2

18-0063

2018.01.25

1등급

2017년

ezFinder v1

17-0047

2017.01.31

1등급

2017년

코난 애널리틱스4 Spark

17-0262

2017.07.10

1등급

2016년

코난 애널리틱스4

16-0219

2016.07.06

1등급

2016년

코난 링크 v2

16-0256

2016.08.01

1등급

2015년

코난 미디어아크 v1.5

15-0032

2015.02.09

1등급

2013년

코난 서치4

13-0169

2013.08.05

1등급

2009년

코난 웹크롤러

09-0211

2009.11.25

1등급

2006년

코난 독크루저

06-0189

2006.11.13

1등급

2006년

코난 데스크톱 검색 v.2.0

06-0008

2006.01.04

1등급

SP 인증

(NIPA)

2020년

㈜코난테크놀로지

전사

2020.11~2023.11

2등급

2018년

㈜코난테크놀로지

전사

2018.9~2020.9

2등급

2016년

㈜코난테크놀로지

전사

2016.9~2018.9

2등급

2013년

㈜코난테크놀로지

연구소

2013.9~2016.9

2등급

지능형 CCTV 성능 인증

(KISA)

2021년

방위사업분야
배회(100%)
침투(100%)

유기(100%)
방화/폭발(93.9%)

ICSC M 2021-08

2021.12.9
~ 2024.12.9

2021년

지능형 인재개발 체계' 범부처 적극행정 우수사례 선정

인사혁신처

2021년

제20회 대한민국 SW기업경쟁력대상 "지식정보화 연구소장상" 수상

과학기술정보통신부

2020년

제19회 대한민국 SW기업경쟁력 "우수상" 수상

한국소프트웨어산업협회

2020년

소프트웨어 프로세스 품질인증 2020 우수상 수상

정보통신산업진흥원

2018년

ICT 대상 지능정보 분야 대상 수상

과학기술정보통신부

2018년

공공부문발주자협의 공로상 수상

공공부문발주자협의회

2018년

소프트웨어 프로세스 품질인증 우수상 수상

정보통신산업진흥원

2017년

2017 SW 품질대상 최우수상 수상(이지파인더)

한국정보통신기술협회

2016년

K-ICT 대상 지능정보 부문 우수상 수상

미래창조과학부

2016년

빅데이터 사업부문 공로상 수상

한국정보화진흥원

2015년

제14회 대한민국 SW기업경쟁력 대상 우수상 수상

한국소프트웨어산업협회

2014년

제1회 대한민국 SW품질대상 우수상 수상-코난 서치 4

과학기술정보통신부

2012년

SW공학 적용 우수기업 선정(코드품질 개선 및 결함분석

정보통신산업진흥원

소프트웨어공학센터

2012년

제 11회 대한민국 SW기업경쟁력 대상 특별상 지식정보화연구센터장상 수상

한국소프트웨어산업협회

2011년

대한민국 벤처창업대전 대통령상 수상

경기도일자리재단

2010년

제9회 대한민국 SW기업 기업경쟁력 대상 우수상

한국소프트웨어산업협회

2006년

기술혁신형 이노비즈(INNO-BIZ)기업 선정

중소벤처기업부

2005년

제4회 대한민국 SW사업자 대상 경영상 수상

한국소프트웨어산업협회

2001년

정보통신부장관 표창장 수상

정보통신부

한국기업데이터

AI for Human Language Understanding

AI for Video Understanding

AA

2021. 9. 15 ~

2021. 11. 2

나이스디앤비

A

2021. 9. 15 ~

2021. 11. 5

구분

2015년

2016년

2017년

2018년

2019년

전체

5,894

6,085

6,301

6,644

6,894

대기업

4

5

5

5

중소기업

5,890

6,080

6,296

6,639

6,890

(비중, %)

99.9

99.9

99.9

99.9

99.9

총 CCTV 설치대수(대)

954,261

1,032,879

1,148,770

1,336,653

전년대비 증가대수(대)

109,125

78,618

115,891

187,883

전년대비 증감비(%)

12.9

8.2

11.2

16.4

제품명

사업연도

1분기

2분기

3분기

4분기

합계

제 품

2019년

2,981

2,540

2,752

3,133

11,407

2020년

2,664

1,815

1,900

6,436

12,815

1,969

2,425

2,336

9,971

16,701

서비스

(펄스케이)

2018년

120

67

76

45

308

2019년

191

87

290

396

964

2020년

204

233

347

402

1,186

168

309

221

451

1,148

계

2018년

1,638

2,242

1,353

5,615

10,848

2019년

3,172

2,627

3,042

3,529

12,371

2020년

2,868

2,048

2,247

6,838

14,001

2,136

2,734

2,557

10,423

17,849

제품

당사

타사

코난 서치

타사는 ANN 검색을 인메모리 모델로 제공하여 million scale만 처리가 가능합니다.타사는 ANN 검색을 인메모리 모델로 제공하여 million scale만 처리가 가능합니다.

코난

애널리틱스

축적된 룰 기반 기술과 딥러닝 기술의 하이브리드 접근: 지난 20여 년간 룰 기반 NLP를 연구개발해 온 당사는 국내 최대인 616만개의 형태소 엔트리를 보유한 NLP 사전과 오픈 소스 대비 5.6배 빠른 속도와 99.06%의 정확도를 자랑하는 형태소 분석기를 보유하고 있습니다.  여기에 딥러닝 기반의 NLP 기술을 이용하여 텍스트 분석의 정확도를 높이고 있습니다. 즉, 당사는 먼저 룰 기반 NLP 기술로 비정형 데이터를 분석한 다음 심층 NLP 기술로 비정형 데이터를 추가 분석합니다. 이러한 하이브리드 접근이 가능한 것은 룰 기반 NLP의 탄탄한 기술력이 있기에 가능한 것입니다.

솔트룩스의 개체명 인식기는 2008년 Structural-SVM 모델을 사용하고 있어서, 딥러닝 모델과 룰 기반 방식을 모두 하이브리드 방식으로 제공하는 당사에 비해 분석 품질이 떨어집니다. 예를 들어, "서울시가 허가했다고 발표"의 경우 당사는 서울시를 기관으로, 솔트룩스는 장소로 분석합니다.솔트룩스의 개체명 인식기는 2008년 Structural-SVM 모델을 사용하고 있어서, 딥러닝 모델과 룰 기반 방식을 모두 하이브리드 방식으로 제공하는 당사에 비해 분석 품질이 떨어집니다. 예를 들어, "서울시가 허가했다고 발표"의 경우 당사는 서울시를 기관으로, 솔트룩스는 장소로 분석합니다.

펄스케이

약신호 분석: 경쟁사들이 분석이 쉬운 강신호에 집중할 때, 코난테크놀로지는 약신호 분석에 집중하여 14감정분석, TPO시그널분석, 미래분석 서비스를 제공하며 비즈니스 환경변화에 선제 대응하고 있습니다. 이 독보적 기술이 pulseK SaaS를 통한 매출과 수익 증대에 중요한 역할을 하고 있습니다

타사는 긍정/부정 이분법적 감성분석과 강신호 위주의 분석에 집중하고 있습니다.

코난 챗봇

대부분의 경쟁사는 대화의도태깅, 동의어사전구축 등 데이터 수작업으로 미발화문제 대응하고 있습니다.

와이즈넛의 wise-ichat의 경우는 기계학습 기반 분류, 패턴매칭, 유사도비교, 문장특징추출 기술을 복합적으로 융합한 하이브리드 방식 적용하여 대응하고 있습니다.

코난와처

Peta-Byte Scale 대용량 영상데이터 처리 기술: Konan Watcher는 고해상도 데이터의 빠르고 정확한 처리를 위한 다양한 기술을 내재하고 있어 이를 기반으로 다양한 영상인식(얼굴인식, 객체인식, 상황인지 등) 제품과 서비스를 제공하고 있습니다.Peta-Byte Scale 대용량 영상데이터 처리 기술: Konan Watcher는 고해상도 데이터의 빠르고 정확한 처리를 위한 다양한 기술을 내재하고 있어 이를 기반으로 다양한 영상인식(얼굴인식, 객체인식, 상황인지 등) 제품과 서비스를 제공하고 있습니다.

알체라의 경우 3년이상 데이터 제작과 인공지능모델 학습을 한 안면인식 분야에 집중하고 있어서 대용량 동영상 처리 기술에서는 당사와 비교하여 열위에 있습니다

코난보이스

코난 보이스는 클라우드 기반 SaaS 서비스로, 실시간 텍스트 음성파형 변환을 가능케 하는 end-to-end 음성합성 솔루션입니다. 최신 트랜스포머 기반 음성합성 기술로 MOS 4.5 이상의 고음질 음성을 생성하며, 코난의 자연어 처리 기술로 인해 사람 같은 자연스러운 낭독음 합성에 강점을 가지고 있습니다.

현재 서비스는 영어 원어민 22명과 한국어 성우 218명의 고품질 음성합성을 다양한 음성 조절 기능과 함께 구독 형태로 제공합니다. 3D 캐릭터 자동 제작 기능 업데이트를 통해 대본만 입력하면 AI 캐릭터가 입 모양을 맞춰 자동 더빙해주는 기능을 추가했습니다. 이를 통해 대본, 시나리오, 교육 내용 등의 텍스트를 음성 및 영상으로 변환하여 3D 캐릭터가 전달하게 되어, 기존 디지털 휴먼에 비해 더 현실적인 콘텐츠 제작이 가능합니다. 이러한 기능은 이러닝 영상 콘텐츠 제작 시장 등에서 높은 수요를 얻을 것으로 예상됩니다.

셀바스AI의 경우 오랜 음성합성기 개발 경험으로 인하여 음성 DB 구축 등 제반 개발 tool이 잘 정립되어 있습니다. 다만, VOICE SKIN 제작을 위해서는 수십 분에 이르는 개인 음성 데이터가 필요하여 수십 초 만 필요한 당사보다 경쟁열위입니다. 또한 GPU 기반의 음성합성기술로 인해 당사에 비해 가격경쟁력에서 불리합니다.

제품

사업내용

전망

Deep Speech

(Konan Voice)

코난 보이스는 클라우드 기반 SaaS 서비스로, 실시간 텍스트 음성파형 변환을 가능하게 하는 end-to-end 음성합성 솔루션입니다. MOS 4.5 이상의 고음질 음성과 자연스러운 낭독음 합성을 구현하며, 영어 원어민 22명과 한국어 성우 218명의 고품질 음성을 다양한 조절 기능과 함께 구독 형태로 제공합니다.

2023년 4월, 3D 캐릭터 자동 제작 기능 업데이트를 통해 대본만 입력하면 AI 캐릭터가 입 모양을 맞춰 자동 더빙해주는 기능이 추가되었습니다. 텍스트를 음성으로 변환하는 TTS 서비스 중 3D 캐릭터 자동 제작 기능을 최초로 구현한 서비스입니다.

기존 3D 음성 더빙 제작 툴은 입술 모양을 일일이 수동으로 오디오 싱크(Audio Sync)를 맞춰야 했으나, 코난 보이스는 대사에 따라 자동으로 입 모양까지 합성하여 3D 캐릭터 더빙을 간편화했습니다. 이로 인해 동영상 더빙 시간과 비용이 크게 절감 할 수 있으며, 클릭 한 번으로 3D 영상 제작이 가능해졌습니다. 현재는 베타 서비스 중이며, 23년 하반기까지 감정 표현, 캐릭터 개인화 옵션 (의상, 액세서리, 얼굴형 변경), 자막 및 이미지 추가 등 다양한 기능을 추가해 정식 출시할 계획입니다.

이를 통해 대본, 시나리오, 교육 내용 등의 텍스트를 음성 및 영상으로 변환하여 3D 캐릭터가 전달함으로써, 기존 디지털 휴먼에 비해 더 현실적인 콘텐츠 제작이 가능해질 예정이며, 온라인 교육, 강의 등 이러닝 분야에서 실감형 콘텐츠 제작의 활용 범위를 확장할 것으로 예상됩니다.

마켓앤마켓(MarketsandMarkets)의 'Speech and Voice Recognition Market - Global Forecast to 2026' 보고서에 따르면, 2021년에는 83억달러로 예측되었던 글로벌 음성 인식 시장 규모가 2026년까지 약 220억 달러까지 성장할 것으로 예상되며, 연평균 성장률이 21.6%에 이를 것으로 예측하고 있습니다. 이러한 성장은 스마트 스피커, 가상 비서, 고객 서비스 등에서 음성 기술에 대한 수요 증가에 따른 것입니다.

한국 시장에서도 스마트 스피커 사용률이 높으며, 대기업과 스타트업 모두 AI 음성 기술을 활용한 다양한 서비스를 개발하고 있습니다. 이로 인해 AI 음성 기술의 수요 및 이번 3D 캐릭터 업데이트를 통해 온라인 교육, 강의 등 이러닝 분야에서  실감나는 콘텐츠 제작의 가능성이 확장되고 있습니다.

당사가 구축 중인 클라우드 기반의 기계약된 AICC 시스템은 23년 5월까지  SaaS 서비스로 제공할 계획이며, 고객의 컨택센터 중 일부 좌석을 AICC로 대체할 예정입니다. 이를 통해 지속적인 매출 및 이익 창출이 기대되며, 기존 전화 상담원들을 신속하게 대체할 것으로 전망됩니다.

고객 질의는 우선 코난 콜봇에서처리되며, 콜봇은크게 음성을 텍스트로 변환하는 음성인식 엔진인 코난 리스너, 그리고 고객의 질의인 텍스트를 분석하고 이해하고 적절한 답변을 수행하는 코난 챗봇, 그 답변을 자연스러운 사람의 답변으로 합성해주는 음성합성 엔진인, 코난 보이스로 구성됩니다. 당사는 STT, 챗봇, TTS 모두를 자체 AI 기술로 개발해서 보유하고 있으며, 이를 융합하여 코난 콜봇을 제공합니다.콜봇으로 대응이 어렵거나 사람과의 상담으로 전환을 원할 시에는 상담사에게 연결되며, 이 경우 당사는 상담사를 지원하기 위한 AI 어시스턴트를통해 고객과 콜봇과의사전 대화 내용을 분석하여 상담사에게 고객 응대 포인트와 상담 운영 가이드를 제시하여, 빠른 문제 해결이 가능하도록 지원합니다.

또한 공공 기관 및 대형 민간 업체들의 AICC 프로젝트에 참여하기 위한 노력을 지속적으로 진행하고 있습니다. 이 시스템은 클라우드와 온프레미스 형태로 제공될 예정입니다.

AICC 시장은 최저임금 인상, 수익성 저하, 컨택센터 인력 확보의 어려움과 감정 노동, 전문성 결여 등의 인력 관리 문제와 함께 24시간 서비스 지원, 고객 빅데이터 축적 및 비즈니스 인사이트 분석이 가능하다는 장점이 결합되어, AICC 도입으로 이러한 고충을 해결하려는 추세가 본격화되고 있습니다.

2022년 기준 국내 컨택센터 시장 규모는 약 8조 5137억원이며, 종사자 수는 17만 명에 이릅니다. 이러한 컨택센터 업계는 AICC를 통한 지속적인 인력 대체가 예상되며, 이에 따른 시장 전망은 다음과 같습니다.

AICC 도입으로 인한 효율성 향상 및 비용 절감 효과가 기대되며, 이를 통해 기업들은 고객 서비스 향상과 함께 경쟁력을 강화할 것으로 전망됩니다. 또한, AICC를 활용하여 고객 빅데이터를 축적하고 분석함으로써, 기업들은 더욱 정확한 고객 이해와 맞춤형 서비스 제공이 가능해질 것입니다. 이러한 변화를 고려할 때, AICC 시장은 컨택센터 업계의 혁신을 주도하는 핵심 기술로 인식되며, 그 수요와 활용도는 앞으로 지속적으로 높아질 것으로 예상됩니다.

Deep Vision

(Konan Watcher-국방 이상상황 감지)

당사는 육군교육사령부의 밀리터리이미지넷 사업을 성공적으로 수행했으며, 국방 분야의 영상인식시장 참여 확대를 위해 딥러닝 기반 이상상황 감지 기술을 개발하여 2021년 12월 9일에 방위사업분야의 배회, 침투, 유기, 방화/폭발 항목에 대해 지능형 CCTV 성능 인증을 KISA로부터 획득하였습니다. 당사는 HW 업체와 협업을 통해 육군의 해안감시 사업이나 철책 감시 사업 등에 진출 예정이며, 여기에 이상상황 감지 및 CCTV 영상 관리 시스템을 제공합니다.

과학기술정책연구원이 2021년 8월 30일에 발표한 국방 분야 인공지능 기술 도입의 주요 쟁점과 활용 제고 방안에 따르면, 국방 분야의 인공지능 활용 수준 조사 결과에서 감시정찰과 항공 분야를 유망 분야로 꼽았으며, 그 이유는 1) 현재와 미래의 데이터 확보가 상대적으로 용이한 분야 2) 신뢰할 수 있는 알고리즘 구현이 상대적으로 용이하면서 특히, 전방이나 위험지역과 같이 상시적 모니터링이 필요한 상황에는 무인화 형태의 대체 임무 수행이 가능할 것으로 평가되고 3) 윤리적 충돌의 문제가 상대적으로 낮은 분야이기 때문으로 판단하고 있습니다.

현재 시점에서 국내의 인공지능 기술 활용도가 높은 분야는 감시·정찰 분야이며, 중장기 시점에서의 인공지능 기술 활용도 역시 국내외 모두 감시·정찰 분야가 선정되었습니다.

육군본부에서는 지능형 해·강안 경계 체계 구축, AI 기반 영상 판독 지원 체계 구축 등의 사업을 추진 중입니다. 또한 미국 국방부에서 감시·정찰 관련 다수의 AI 프로젝트가 진행 중입니다.

디지털 트윈
프레임워크
(PHM)

KAI(한국항공우주)가 생산하는 KF-21, FA-50, 수리온 및 UAM(도심항공교통)의 고장을 사전 예측하여 사고를 방지할 뿐만 아니라 최적의 정비와 보급을 제공하여 비용을 절감하고 항공기의 운용성을 극대화할 수 있는 인공지능기반의 고장·수명 예측시스템을 KAI와 협업을 통해 개발중입니다. 이를 위해 PHM 시스템 구축을 위한 DB 및 인터페이스를 개발하고 대상 항공기의 핵심 부품에 대한 데이터 획득, 빅데이터 분석 및 알고리즘을 개발을 통해 진단, 예지 시스템을 개발 공급할 계획에 있으며,  AI 기반 예지분석 시스템인 PHM 개발 과 CBM+ 사업 및 설계를 효율화 하기 위한 기술과 항공기 기체 및 역학 테스트를 지원하기 위한 디지털트윈프레임워크 등도 같이 개발중에 있습니다.

Markets and Markets에 따르면, 세계 디지털트윈 시장은 2020 년 3,150백만 달러에서 2025년까지 연평균 54.3% 성장하여, 27,580백만 달러의 시장을 형성할 것으로 전망하였고, 국내 디지털트윈 시장은 2020 년 742억원에서 2025년까지 연평균 52.5% 성장하여, 6,122 억원의 시장을 형성할 것으로 전망하고 있습니다.

국내 항공기 정비(MRO) 시장 규모는 2019년 2.8조원이며, 전세계 MRO 규모는 2018년 89조원입니다.

GE항공은 디지털트윈 기술을 사용하여 항공기 엔진을 관리하는 시스템을 만들었으며, 200개가 넘는 센서를 통한 데이터를 수집하고 분석해서 엔진 고장 여부와 교체 시기를 예측하고 있습니다. 그 결과 고장 검출 정확도는 10% 이상 개선됐으며, 결항 건수도 1,000건 이상 감소하는 성과를 보였습니다.

가장 크게 성장을 기대하고 있는 신규 사업은 당사의 생성형 AI인 코난 대형언어모델 Konan Large Language model(KonanGPT)[가칭]입니다. 지난 11월 말 OpenAI의 챗GPT가 발표된 이후, 전세계 뿐만 아니라 우리나라에서도 생성형 AI가 화두로 떠오르고 있으며,

국내에서도 "전국민 AI 일상화"에 2027년까지 데이터 시장을 약 50조원 규모로 확대하겠다는 방침을 보이며, 과기정통부는 AI를 국민 일상, 공공·산업 전반으로 확산하고 관련 기술을 고도화하기 위해 올해 약 7129억원을 투입한다는 계획 등, 2023년을 일상화의 원년 으로 삼아, 각 부처에 생성형 AI 및 AI기술의 활용을 지시 한 바 있습니다.

 하지만 챗GPT를 사용함에 따라 데이터에 중요한 보안 정보가 포함되어 있다면 데이터가 외부 서버에 기록됨으로써 AI의 학습에 활용되어 회사 데이터가 노출될 가능성이 있습니다. 또한, 챗GPT 모델은 학습 데이터를 기반으로 답변을 생성하므로, 답변의 근거가 부족하거나 틀린 답변 및 거짓말도 너무 자연스러운 글로 내놓는 할루시네이션 이슈가 발생할 우려 또한 높습니다.

이는 보안과 정확성이 매우 중요한 정부, 공공 및 민간분야에서 챗GPT 활용과 확산에 큰 걸림돌이 되고 있으며, 틀린 답변을 너무 자연스러운 형태로 작성하여  이를 검증하는데 많은 시간이 소요되는 문제점 또한 발생하여, 확실한 근거가 필요한 공공 분야에서 챗GPT 사용을 꺼리게 되는요소로서 작용하고 있습니다.

따라서 당사는 이런 문제점을 해결하기 위해, 공공 분야와 대기업을 위한 온-프레미스기반의 전용 챗GPT인 버티컬용KonanGPT[가칭]를 개발하고 여기에 코난테크놀로지의 멀티모달 검색엔진을 결합하여, 기밀 유출 우려를 원천적으로차단하면서 MS New Bing처럼 생성된 답변의 근거 또는 출처를 제시하여 할루시네이션 이슈를 최소화하는 Appliance 제품을 3분기 중으로 출시할 예정입니다. 이를 통해 B2B 및 B2G 시장 창출 및 버티컬 도메인 전용 시장으로의 확장을 기대하고 있습니다.

Large Language Model (LLM) 시장은 앞으로 더욱 큰 성장이 예상됩니다. LLM은 인간과 유사한 텍스트와 음성을 생성할 수 있는 인공지능 기술로, 의료, 금융, 전자상거래 등 다양한 산업에서 활용 가능합니다.

성장의 주요 요인 중 하나는 자연어 처리(NLP) 기술에 대한 수요의 증가입니다. 고객 경험 개선과 프로세스 자동화를 위해 더 많은 기업과 조직이 인간의 언어를 이해하고 대응할 수 있는 고급 NLP 솔루션의 필요성이 계속해서 증가하고 있습니다.

데이터 및 컴퓨팅 리소스의 증가도 LLM 시장 성장을 촉진하는 요인 중 하나입니다. 더 많은 데이터가 생성되면서 LLM은 더 크고 다양한 데이터셋에서 학습할 수 있어 정확도와 성능이 개선됩니다. 또한, 그래픽 처리 장치(GPU)와 텐서 처리 장치(TPU) 등 컴퓨팅 기술의 발전으로 LLM 학습이 이전보다 더 빠르고 효율적으로 이루어질 수 있게 되었습니다.

Deep Learning

딥러닝은 머신러닝의 한 종류로, 여러 층을 가진 인공신경망(Artificial Neural Network)을 사용하여 머신러닝 학습을 수행하는 것으로 심층학습이라고도 부릅니다. 머신러닝에서는 학습하려는 데이터의 어떤 특징을 추출할지를 사람이 직접 분석하고 판단해야만 했지만, 딥러닝에서는 기계가 자동으로 학습하려는 데이터에서 특징을 추출하여 학습합니다.

Deep Learning Framework

인공지능(AI) 및 자연어 처리(NLP) 분야에서 사용되는 대규모 언어 모델을 나타냅니다. 대표적인 예로는 OpenAI의 GPT-3와 같은 모델이 있습니다. 이러한 대규모 언어 모델은 큰 데이터셋을 통해 학습되어 다양한 언어적 문제를 처리하고 이해할 수 있게 되며, 이를 활용하여 챗봇, 기계 번역, 문서 요약 등 다양한 응용 분야에서 사용됩니다.

데이터를 학습하여 새로운 콘텐츠를 생성하는 기술을 말합니다. 생성 AI는 다양한 형태의 데이터를 처리하며, 이미지, 텍스트, 음성, 음악 등과 같은 다양한 도메인에서 사용됩니다. 생성 AI는 대표적으로 생성적 적대 신경망(Generative Adversarial Networks, GANs)과 변이형 오토인코더(Variational Autoencoders, VAEs) 등의 기술을 활용합니다. 이러한 모델은 입력 데이터의 패턴과 구조를 학습한 후, 학습한 내용을 기반으로 새로운 콘텐츠를 생성합니다. 생성 AI의 주요 활용 사례로는 이미지 생성, 텍스트 생성, 음악 생성, 음성 합성 등이 있으며, 이를 통해 예술, 게임, 광고, 연구 등 다양한 분야에서 혁신적인 결과물을 도출할 수 있습니다

Deep Metadata

딥러닝을 통해 자동으로 생성되는, 영상 콘텐츠의 메타데이터를 말합니다.

Deep NLP

딥러닝을 활용한 자연어처리기술을 가리킵니다. 미리 확인된 컨텍스트를 입력하거나 사람이 개입하여 의미를 밝히고 관계를 정의하는 대신 딥러닝을 통해 단어나 구문이 문단 내에서 어떻게 사용되고 있는지 직접 관찰하는 방식으로 그 의미를 학습할 수 있습니다. 구글의 BERT, OpenAI의 GPT-2, GPT-3 등이 대표적입니다.

Document AI

다큐먼트 AI 기술은 문서를 자동으로 읽고, 이해하고, 분석하는 기술로서 이를 챗봇에 적용하면 문서에서 대화 데이터 후보들을 자동으로 추출할 수 있어서 수작업으로 하는 대화 데이터 작업에 비해 시간과 비용을 절감할 수 있습니다.

Elasticsearch

루씬 기반의 검색 엔진으로 자바로 개발되어 있으며 오픈 소스로 출시되어 있습니다.

End-to-end Deep Learning

end-to-end deep learning은 입력에서 출력까지 부분적인 네트워크 없이 신경망으로 한 번에 처리한다는 의미입니다. 기존의 음성인식은 MFCC로 음성 파일의 특징 추출 → ML 알고리즘으로 음소를 알아냄 → 음소들로 텍스트를 만듦 → 텍스트 출력 같은 일련의 과정을 거쳐야 하지만 end-to-end 음성인식에서는 음성 파일에서 바로 텍스트를 출력할 수 있습니다.

GS 인증

소비자와 기업이 우수한 SW제품을 보다 잘 믿고 쓸 수 있도록, 일련의 엄격한 시험 테스트 과정을 거쳐서 일정한 수준의 품질을 갖춘 SW 제품에게 국가가 부여하는 인증제도입니다.

HMD(Head mounted display)

HMD(Head Mounted Display0는 머리 부분에 장착해, 이용자의 눈 앞에 직접 영상을 제시할 수 있는 디스플레이 장치를 말합니다.

IITP

정보통신기획평가원(IITP)은 인공지능, 빅데이터, 사물인터넷과 같은 4차 산업혁명 시대의 핵심기술 개발 과 우수 인재의 양성을 지원하고 있는 과학기술정보통신부의 정보통신 분야 연구개발 사업을 기획, 평가, 관리하는 기관입니다.

K 언어

AI 및 빅데이터 제품 개발자들의 생산성을 높이기 위해 코난테크놀로지에서 자체적으로 만든 프로그래밍 언어입니다. 현재 K 언어로 기계학습, 텍스트 마이닝, 빅데이터 분석, 자연어처리, 초대용량 검색 등 AI 및 빅데이터 처리 관련 제품들의 소스코드를 쓰고 있으며 그 외에도 서비스 개발, 프로젝트 코드, 회귀 테스트 등에도 K 언어를 활용하고 있습니다.

KAI-Platform

코난테크놀로지 인공지능 플랫폼입니다. 여기에는 딥러닝 기반 심층 자연어 처리 기술, 기계학습 기반 데이터 처리 기술, 딥러닝 기반 대화 이해/생성 기술, 사전 훈련 딥러닝 모델 서비스 기술 등의 Human Language Understanding 관련 AI 기술과 E2E 음성인식, E2E 음성합성, 딥러닝 기반 얼굴/객체 인식, 딥러닝 기반 이상상황 감지, Deep Metadata Platform 등의 Video Understanding 관련 AI 기술이 있습니다.

K-Platform

코난테크놀로지의 자연어처리와 동영상처리 기술 플랫폼입니다. 여기에는 대용량 동영상 처리를 위한 각종 기술들과 자연어 처리를 위한 비정형 데이터 분석, 빅데이터 검색, Advanced Analytics 기술 등이 있습니다.

Metadata

메타데이터는 데이터에 대한 데이터로, 효율적인 데이터 이용과 관리를 위해 중요합니다.

Metaverse

메타버스(metaverse)란 가상과 현실이 상호작용하며 함께 진화하면서 그 속에서 사회·경제·문화 활동이 이루어져 새로운 가치를 창출하는 세상을 의미합니다. 메타버스는 '초월, 그 이상'을 뜻하는 그리스어 메타(Meta)와 '세상 또는 우주'를 뜻하는 유니버스(Universe)의 합성어입니다.

Natural Language Generating

인간의 언어를 이해하여 기계가 이해할 수 있는 표현으로 바꾸는 기술이 자연어 이해(NLU)라면 자연어 생성(NLG)은 반대로 기계의 계산 결과를 인간의 언어로 표현하는 기술입니다. 최근 GPT-2, 3가 각광을 받고 있습니다.

PHM
(Prognostics and
Health Management)

PHM(건전성 예측 및 관리) 기술은 기계, 설비, 항공, 발전소 등의 상태 정보를 수집하여 시스템의 이상상황을 감지하고 분석 및 예지 진단을 통해 고장 시점을 사전에 예측함으로써 설비 관리를 최적화하는 기술입니다.

SOTA

SOTA는 State-of-the-art의 약자로, 인공지능에서는 특정 분야에 대해 가장 높은 성능을 달성한 모델을 SOTA 알고리즘이라고 부릅니다.

SP 인증

SW개발/관리하는 기업 및 조직의 SW품질프로세스 품질 향상과 신뢰성 확보를 위해 SW기업 및 개발조직의 SW프로세스 품질역량 수준을 심사하여 등급을 부여하는 제도입니다.

SR(Super Resolution)

SR은 저해상도(Low Resolution, LR) 영상을 고해상도(High Resolution, HR) 영상으로 변환해주는 것을 의미합니다.

VOICE SKIN

보이스 스킨은 아바타의 캐릭터와 같은 음성 캐릭터로, 일종의 디지털 자산입니다. 인공지능 기술을 이용하여 유명인, 특정 개인의 목소리의 억양, 운율, 감정 등을 똑같이 재현해줄 수 있으며, VOICE SKIN은 음성 비서, 비디오 게임 캐릭터, 기업 홍보 자료 등에 사용될 수 있습니다.

VTT

VTT(Video Turing Test)는 영화나 드라마를 보고 내용을 이해하고 사람과 대화할 수 있는 인공지능을 개발하는, 과학기술정보통신부의 인공지능 국가전략프로젝트사업의 일환으로 2017년부터 5년간 수행된 국책과제입니다.

감정표현 다화자 음성합성

개별 화자의 음색과 발음 스타일 등의 개성뿐만 아니라 감정까지 표현된 음성을 자유롭게 합성할 수 있는 음성합성 기술입니다.

개인화 음성합성

사용자로부터 직접 수집한 개성 있는 음성데이터를 학습데이터로 사용하여 그 사용자의 음색과 음성 스타일 등이 복제된 음성을 합성할 수 있는 음성합성 기술입니다.

개체명 인식

(Named Entity Recognition, NER)

인명, 지명, 기관 등과 같은 고유명사나 명사구 등 텍스트 내에 출현하는 모든 개체명을 탐지하고 개체명의 유형을 분류하는 기술로 기존 룰 기반 모델과 딥러닝 기반 모델이 있습니다.

객체 인식

객체 인식은 이미지 또는 비디오 상의 객체를 식별하는 컴퓨터 비전 기술입니다. 객체 인식은 딥러닝과 머신 러닝 알고리즘을 통해 수행되며, CNN, RCNN, Fast RCNN, Faster RCNN, YOLO 등 다양한 알고리즘이 있습니다.

기계 독해
(MRC,
Machine Reading Comprehension)

자연어로 표현된 사용자의 질문에 대하여 주어진 문서 또는 단락에서 정답을 추론하는 딥러닝 기술입니다.

기계학습 (Machine Learning)

인공지능의 하위 개념인 기계 학습은 알고리즘을 사용하여 데이터 내의 패턴을 식별하고, 이러한 패턴을 사용하여 예측을 할 수 있는 데이터 모델을 만듭니다. 인간이 연습을 통해 개선하는 방식과 매우 흡사하게, 기계 학습 역시 데이터와 환경이 향상되면 결과도 더욱 정확해집니다.

다층 의도 추론

챗봇에서 딥러닝으로는 잘 처리가 안 되는 질문이 있을 경우, 개체명 인식, 화행 분석 등 룰 기반 분석을 적용해 의도 추론 재현율을 높이는 방법입니다.

데이터 레이블링

데이터 레이블링은 AI가 스스로 학습할 수 있는 형태로 데이터를 분류하고 가공하는 작업을 의미합니다. 예를 들어 사람이 도로 사진에서 자동차가 있는 부분에 라벨을 달아 “이게 자동차야”라고 컴퓨터에 알려주는 작업을 뜻합니다.

데이터 증강(Data Augmentation)

기계학습 및 딥 러닝 기법을 사용하는데 데이터 셋이 부족한 경우, 데이터의 부족을 해소하기 위해 특정 알고리즘에 따라 데이터의 특징을 반영하거나 원본 데이터의 확률을 반영한 데이터를 생성하여, 데이터의 양을 늘리는 기술을 데이터 증강이라고 합니다.  

디스크 기반 벡터검색

In-memory에서 동작하는 벡터검색 알고리즘이 아닌 디스크에서 동작할 수 있는 벡터검색을 가리킵니다. 디스크 기반 벡터 검색 기술을 사용하면 Billion 단위의 빅데이터에 대한 색인과 벡터 검색이 가능합니다.

딥러닝 기반 의미 매칭

챗봇에서 등록된 질문과 다르게 사용자가 질문할 경우에도 문장 간의 딥러닝 임베딩 유사도를 비교하여 유사 의미의 질문을 매칭하여 답변을 제공할 수 있는 기술입니다.

룰 기반 NLP
(Natural Language Processing)

딥러닝 이전에 인간 언어를 컴퓨터로 분석하기 위해 주로 활용하던 NLP 방법론의 하나로, 전문가가 정교하게 작성한 알고리즘과 사전에 의존해 처리하는 방법론을 총칭합니다.

벡터검색

텍스트, 이미지 데이터를 임베딩 모델을 이용해 벡터로 변환한 후 벡터 공간상 인접 데이터 포인트를 탐색해서 가장 유사한 데이터를 찾아주는 검색 기법입니다.

사전 학습 딥러닝 모델

사전 학습(Pre-trained) 모델은 대규모의 데이터와 자원으로 미리 훈련을 시킨 모델입니다. 기존 기계 학습 접근법과는 달리 특정 도메인에서 매번 처음부터 새롭게 학습하여 모델을 만들 필요가 없어 소량의 도메인 데이터 만으로 Fine-tuning이 가능합니다.

얼굴 비식별화

딥러닝 기술을 바탕으로 영상 내 존재하는 얼굴 영역을 검출하고 개인정보보호를 위해 Blurring, Mosaic 등의 방법으로 해당 얼굴 영역을 인식할 수 없게 처리하는 것을 지칭합니다.

이상 감지

발생한 현상이 이상 상태임을 인지하는 것을 말합니다.

증강 분석(augmented analytics)

기계학습과 자연어처리 기술을 적용해 사람에 의해 행해지던 데이터 이해 및 분석 프로세스의 일부를 자동화함으로써 전체 분석 프로세스를 단순하게 하고 인사이트 생성을 도와주는 고급 분석 기술입니다. 인사이트 설명, 인사이트 발견, 쿼리 생성 등 프로세스의 자동화가 가능합니다.

코난 빅데이터 저장 시스템(TS)

코난테크놀로지에서 자체 개발한 초대용량 데이터 저장·관리 시스템입니다. 정형·비정형 데이터, 실시간·배치 인덱싱을 모두 지원하고 높은 처리 성능을 제공해줍니다.

코난 빅데이터 쿼리(KQL)

코난테크놀로지에서 자체 개발한 쿼리 언어입니다. 표준 SQL과 유사한 데이터 처리문을 지원하고 다중 분산 데이터 볼륨에 대한 빅데이터 쿼리도 지원합니다.

형태소 분석

형태소 분석은 문장이나 어절을 최소 의미 단위인 형태소 단위로 분해해 형태소 원형과 품사를 복원해 주는 과정입니다. 자연어처리(NLP)에서 기본적이고도 중요한 처리 과정입니다.

화자적응 음성인식

화자적응 음성인식 기술은 개별 사용자가 음성인식을 위해 발성한 음성데이터를 활용하여 향상된 화자별 음성인식 성능을 제공하는 음성인식 기술입니다.

자산

　유동자산

45,223,766,497

45,458,820,379

　　현금및현금성자산

3,938,512,498

20,915,984,328

　　단기금융상품

35,717,506,851

20,739,621,919

　　매출채권

1,196,384,706

2,195,237,395

　　계약자산

2,716,876,460

1,216,659,072

　　미수금

69,270,630

22,906,300

　　미수수익

291,928,219

222,602,740

　　선급금

1,057,268,381

18,505,450

　　선급비용

52,039,192

6,895,675

　　당기법인세자산

183,979,560

120,407,500

　비유동자산

6,233,988,714

4,409,635,468

　　기타포괄손익-공정가치 측정 금융자산

51,747,636

51,747,636

　　장기금융상품

1,200,000,000

1,200,000,000

　　유형자산

3,519,982,839

2,036,978,453

　　무형자산

129,360,154

136,922,944

　　보증금

1,332,898,085

983,986,435

　자산총계

51,457,755,211

49,868,455,847

부채

　유동부채

10,395,852,672

6,879,050,856

　　매입채무

1,110,831,750

449,573,503

　　계약부채

4,597,566,988

1,682,529,110

　　미지급금

274,487,211

320,318,132

　　미지급비용

1,077,605,122

802,633,490

　　기타유동부채

214,975,979

701,840,913

　　유동리스부채

625,385,622

312,155,708

　　단기차입금

500,000,000

500,000,000

　　유동성장기차입금

1,995,000,000

2,110,000,000

　비유동부채

3,277,229,087

2,383,315,562

　　장기미지급비용

162,766,812

183,912,171

　　순확정급여부채

1,625,709,654

1,601,150,416

　　복구충당부채

143,701,160

108,934,485

　　비유동리스부채

1,345,051,461

489,318,490

　　장기차입금

0

0

　부채총계

13,673,081,759

9,262,366,418

자본

　자본금

2,840,222,000

2,840,222,000

　자본잉여금

43,844,500,240

43,844,500,240

　기타포괄손익누계액

(4,183,107)

(4,183,107)

　기타자본구성요소

302,420,125

254,669,579

　이익잉여금(결손금)

(9,198,285,806)

(6,329,119,283)

　자본총계

37,784,673,452

40,606,089,429

자본과부채총계

51,457,755,211

49,868,455,847

매출액

2,142,201,511

2,142,201,511

2,618,518,531

2,618,518,531

매출원가

2,747,026,267

2,747,026,267

1,966,870,416

1,966,870,416

매출총이익

(604,824,756)

(604,824,756)

651,648,115

651,648,115

판매비와관리비

2,578,322,108

2,578,322,108

1,827,876,500

1,827,876,500

영업이익(손실)

(3,183,146,864)

(3,183,146,864)

(1,176,228,385)

(1,176,228,385)

기타수익

929,771

929,771

402,911

402,911

기타비용

16,098,272

16,098,272

19,703,482

19,703,482

금융수익

378,020,255

378,020,255

74,737,762

74,737,762

금융원가

48,871,413

48,871,413

26,779,778

26,779,778

법인세비용차감전순이익(손실)

(2,869,166,523)

(2,869,166,523)

(1,147,570,972)

(1,147,570,972)

법인세비용

0

0

0

0

당기순이익(손실)

(2,869,166,523)

(2,869,166,523)

(1,147,570,972)

(1,147,570,972)

기타포괄손익

0

0

0

0

　1. 후속적으로 당기손익으로 재분류되지 않는 기타포괄손익

0

0

0

0

　　순확정급여부채의 재측정요소

0

0

0

0

　　기타포괄손익-공정가치측정금융자산평가손익

0

0

0

0

　2. 후속적으로 당기손익으로 재분류될 수 있는 기타포괄손익

0

0

0

0

　　해외사업환산손익

0

0

0

0

총포괄손익

(2,869,166,523)

(2,869,166,523)

(1,147,570,972)

(1,147,570,972)

주당이익

　기본주당이익(손실) (단위 : 원)

(646)

(646)

(258)

(258)

　희석주당이익(손실) (단위 : 원)

(646)

(646)

(258)

(258)

2022.01.01 (기초자본)

2,222,222,000

15,169,300,240

(4,058,678)

63,667,395

(3,139,755,681)

14,311,375,276

당기순이익(손실)

(1,147,570,972)

(1,147,570,972)

기타포괄손익

주식선택권

47,750,546

47,750,546

유상증자

2022.03.31 (기말자본)

2,222,222,000

15,169,300,240

(4,058,678)

111,417,941

(4,287,326,653)

13,211,554,850

2023.01.01 (기초자본)

2,840,222,000

43,844,500,240

(4,183,107)

254,669,579

(6,329,119,283)

40,606,089,429

당기순이익(손실)

(2,869,166,523)

(2,869,166,523)

기타포괄손익

주식선택권

47,750,546

47,750,546

유상증자

2023.03.31 (기말자본)

2,840,222,000

43,844,500,240

(4,183,107)

302,420,125

(9,198,285,806)

37,784,673,452

영업활동으로 인한 현금흐름

(901,890,733)

(2,182,389,457)

　영업에서 창출된 현금흐름

(1,101,153,297)

(2,190,144,231)

　이자지급

(35,283,562)

(22,435,116)

　이자수취

298,118,186

35,681,970

　법인세납부

(63,572,060)

(5,492,080)

투자활동으로 인한 현금흐름

(15,737,027,526)

(5,062,581,357)

　단기금융상품의 감소

20,739,621,919

5,000,000,000

　유형자산의 처분

0

0

　정부보조금의 수령

29,000,000

0

　보증금의 감소

0

0

　단기금융상품의 증가

(35,717,506,851)

(10,000,000,000)

　유형자산의 취득

(352,269,140)

(60,486,357)

　무형자산의 취득

(36,853,454)

(2,095,000)

　보증금의 증가

(399,020,000)

0

　장기금융상품의 증가

0

0

재무활동으로 인한 현금흐름

(338,553,571)

(215,102,481)

　단기차입금의차입

0

0

　장기차입금의차입

0

0

　유상증자

0

0

　유동성장기차입금의 상환

(115,000,000)

(115,000,000)

　장기차입금의상환

0

0

　리스부채의 상환

(223,553,571)

(100,102,481)

현금및현금성자산의순증가(감소)

(16,977,471,830)

(7,460,073,295)

외화표시현금및현금성자산의 환율변동효과

0

0

기초현금및현금성자산

20,915,984,328

14,332,109,778

기말현금및현금성자산

3,938,512,498

6,872,036,483

신용위험

현금성자산, 매출채권, 채무상품, 계약자산

연체율 분석

신용등급

은행예치금 다원화,
신용등급관리

유동성위험

차입금 및 기타 부채

현금흐름 추정

만기분석 관리

공정가치

수준

가치평가기법

수준3투입변수

기타포괄손익-공정가치측정금융자산

공정가치

수준

가치평가기법

수준3투입변수

구분

금융자산 :

 상각후원가 측정 금융자산

금융부채 :

 상각후원가 측정 금융부채

구분

금융자산 :

 상각후원가 측정 금융자산

금융부채 :

 상각후원가 측정 금융부채

구분

당분기말

전기말

기금이 적립된 확정급여채무의 현재가치

사외적립자산의 공정가치

재무상태표상 순확정급여부채

구분

당분기

전분기

기초금액

당기근무원가

이자비용

재측정요소:

- 재무적가정의 변동으로 인한 보험수리적손익

- 기타 사항에 의한 효과

제도에서의 지급액:

- 급여의 지급

분기말 금액

구 분

당분기말

전기말