앤톡 같은 기업 분석 AI 서비스 개발: OpenDART·LightGBM으로 위험 신호 찾기

핵심 요약

1. 기업의 재무·특허 자료를 모아 성장 가능성, 부실 위험, 기술 분야를 분석하는 기업 데이터 플랫폼을 만듭니다. 2. OpenDART·KIPRISPlus로 자료를 확보하고 LightGBM·SHAP·BGE-M3·Claude API로 예측·검색·설명을 연결합니다. 3. 기업 식별자 연결, 학습 정답 정의, 검증, 비교기업 선정은 업무 목적에 맞춰 직접 개발합니다.

앤톡 허블 데이터베이스는 국내 기업 자료의 수집·검증·표준화를, 앤톡 MRI는 목적별 예측·분류를 담당합니다. 기업금융·신용심사·기업 발굴팀이 흩어진 정보를 연결해 판단할 근거를 얻는 것이 핵심 가치입니다.

공개 소개에서 성장 예측·대안신용평가·기술 분류는 상용화, 동종사 비교는 내장 서비스로 구분합니다. 이 글의 기술 조합은 해당 기능을 참고한 기업 분석 AI 서비스 개발 대안입니다.

OpenDART 재무정보 수집과 기업 데이터 통합

사용자가 기업 목록과 조회 기준일을 입력하면 OpenDART API에서 공시·재무자료를, KIPRISPlus 특허 API에서 국내 특허·실용신안의 서지·청구항·분류 정보를 가져옵니다. 두 API는 자료 공급원이며 기업 신용점수나 성장성 판단을 만들어 주지 않습니다.

자체 로직은 공시 기업 고유번호와 특허 출원인을 연결하고, 이름이 같은 기업을 구별하며 법인명 변경을 확인합니다. 계정 단위·결산 기간을 맞추고 중복과 정정 이력을 관리한 뒤 기업별 분석 테이블을 출력합니다.

비상장기업 정보 수집에서는 공시 대상 여부가 중요합니다. OpenDART는 공시 대상 기업 범위에 한정되므로 두 API만으로 모든 비공시기업이나 Hubble의 전체 데이터를 확보할 수는 없습니다.

LightGBM으로 스타트업 성장성 예측

분석 기준일 이전의 재무·특허 지표와 자체 확보한 과거 성과를 입력합니다. 오픈소스 학습 프레임워크인 LightGBM으로 수치를 예측하는 회귀 모델이나 사건 발생 여부를 구분하는 분류 모델을 학습합니다.

자체 성장모델에서는 '향후 일정 기간의 매출 증가'처럼 목표와 기간을 먼저 정의합니다. 미래 정보가 학습에 섞이지 않도록 시점별 자료를 분리하고, 과거로 학습해 이후 기간으로 검증합니다. 출력은 정의한 목표의 예상값이나 달성 확률이며, 자료가 부족한 기업은 별도 표시합니다.

기업 부실 위험 예측과 SHAP 신용평가 설명

중소기업 대안신용평가는 기업 지표와 이용 권한을 확보한 부실 발생 이력을 학습 자료로 준비하는 데서 시작합니다. LightGBM으로 위험 분류 모델을 학습하고, 자체 로직에서 부실의 정의·예측 기간·경보 기준을 정합니다.

확률 보정은 예측 확률과 실제 발생 비율을 맞추는 절차입니다. 이를 거친 점수와 함께 설명 라이브러리인 SHAP이 계산한 변수별 기여도를 출력하면 담당자가 판단 근거를 검토할 수 있습니다. SHAP은 모델의 판단을 설명하며 부실의 원인이나 평가의 공정성을 보증하지는 않습니다.

BGE-M3 특허 검색에서 기업 기술 자동 분류까지

입력은 이용 권한을 확보한 특허 문서와 기업 사업 설명문입니다. 공개 검색 모델 BGE-M3가 문서를 의미 비교가 가능한 숫자 표현인 임베딩으로 변환합니다.

자체 로직으로 문서를 검색 단위로 나누고, 임베딩과 원문 ID를 연결해 검색 서버에서 유사 문서를 찾습니다. 검색 결과에 자체 산업·기술 분류체계와 분류 모델 또는 규칙을 적용하면 기술 분야 후보와 근거 특허를 출력할 수 있습니다. KIPRISPlus는 자료를 공급하고 BGE-M3는 검색을 돕지만, 최종 분류와 특허 신규성 판단을 대신하지 않습니다.

동종기업 경쟁력 비교와 근거 보고서

사용자가 대상 기업과 비교 목적을 선택하면 자체 로직이 업종·규모·기준일에 맞는 비교군을 고르고 수치와 순위를 계산합니다. SHAP의 변수별 기여도와 비교표, 근거 문서를 생성형 AI API인 Claude API에 전달해 설명 초안을 생성합니다.

Claude의 문서 인용 기능은 제공 문서의 근거 위치를 붙이는 역할을 합니다. 수치 검증은 자체 로직에서 수행합니다. 문서 인용과 엄격한 JSON 구조화 출력은 같은 요청에서 함께 사용할 수 없어 별도 요청으로 설계합니다. 최종 출력은 비교표·모델 설명·문서 근거를 함께 확인하는 기업 분석 보고서입니다.

공급 범위와 운영 기준을 먼저 정합니다

Hubble은 웹·API·파일 전송(SFTP) 방식으로 공급되며 월별 갱신을 안내합니다. 도입 시에는 계약상 이용 범위와 항목별 갱신 주기를 확인해야 합니다. 직접 수집하는 구성에서도 KIPRISPlus의 국가·필드별 제공 조건과 원문 이용 권한을 확인합니다.

운영 화면에는 자료 기준일·출처·모델 버전·누락 여부를 남깁니다. 입력 자료와 예측 성능의 변화를 점검해 모델을 유지·관리합니다.

기업 데이터 API 연동에 필요한 기능과 보유 자료, 연결할 심사·발굴 업무를 정리합니다. 트램스 AI 제작 문의(https://trams.co.kr/ai-si/contact/#inquiry)에서 기업 분석 서비스의 구현 범위를 상담할 수 있습니다.