레인보우브레인 총1명이 열람하였으며, 0개의 리뷰가 있습니다.

레인보우브레인의 전체 정보

기업개요 및 핵심역량(요약)

○ 레인보우브레인은 기업용 지능형 자동화 국내 최다 구축 사례 보유 기업 - 100개 이상 고객, 2000개 이상의 업무를 자동화 - 자체 AI 기술 개발 및 AI 제품 상용화를 위한 인적·물적 자산 보유 . 이커머스 소비자 댓글의 긍·부정 감성 분석 AI 시스템 개발 및 상용화 . 소비재 브랜드 기업을 대상으로 주요 오픈마켓에서 자사 및 경쟁사의 상품, 가격, 광고, 행사 및 댓글 정보 등을 수집하고 긍·부정 감성 및 트렌트 분석하는 유레카브레인 출시 (생활위생 전문 그룹인 MSS에 제공) . 금융회사를 위한 검색언어모델 및 생성언어모델 개발 . 유레카GenAI 제품군 내의 유레카RAG(검색증강생성) 다수 고객사 확보 ○ 지식베이스 구축 : 재생에너지 관련 기업의 내·외부 텍스트, 숫자, 시계열 데이터를 통합하여 지식 베이스 구축 ○ 검색언어모델 : 지식베이스를 기반으로 자연어 검색 기능 제공 ○ 생성언어모델 : 질의 응답, 요약, 예측 등의 생성 AI 기능을 지식 베이스 기반으로 제공 ○ 파인튜닝(fine-tuning) : 기업 데이터를 기반으로 검색 및 생성언어모델을 파인튜닝하여 재생에너지 도메인의 지원 기능 강화 - 재프로그래밍(reprogramming) 기법을 적용하여 시계열 예측 작업을 수행 ○ 유레카RAG 구축용 시스템 구성도를 활용하여 빠르게 구축 및 서비스 가능 - 수요기업의 서비스 확장을 쉽게 하도록 확장가능한 구축 구조 적용 - 유레카RAG 시스템은 모듈 형태로 개발되었기 때문에 트랜스포머 기반의 다른 생성 AI 시스템을 손쉽게 통합할 수 있는 유연성을 제공: 지속적으로 트랜스포머 기반의 최신 에너지 예측 AI시스템을 손쉽게 통합하여 지속적 성능 향상 예상

기업한글명

레인보우브레인

도로명주소

등록일

2025-01-16

링크(URL)

https://kdata.or.kr/datavoucher/is/selectPortalFileDetail.do?rcpnYear=2025&brno=1098637604&sprnSctrCd=P01014002&prdcId=&sprnDsncCd=P11014001

보유솔루션(요약)

○ 구축 Flow 도해 ○ 유레카RAG 검색증강생성(Retrieval Augmented Generation, RAG) 솔루션 - 검색언어 모델(Eureka Embedding Model, EurekaEM)은 마이크로소프트(Microsoft)의 다국어 임베딩 모델인 E5 (EmbEddings from bidirEctional Encoder rEpresentations)를 기반으로 하여, 자체적으로 확보한 여러 분야의 한국어 데이터를 추가로 사전 학습과 미세 조정을 적용하여 한국어 검색 성능을 향상 시킨 검색 언어 모델 - 자체적으로 확보한 도메인 데이터(보험, 법률, 건설 등) 추가하여 사전 학습과 미세 조정한 도메인 전문 한국어 검색 모델도 별도로 제공 - 기업 내부, 외부 및 독점 데이터 소스의 정보를 기반으로 한 자연어 검색 기능을 활용하여 텍스트 생성을 보완하여, 질의 응답, 문서 요약, 창의적인 텍스트 생성 등의 작업에 활용할 수 있다. 유레카챗은 검색 언어 모델로 오픈AI(OpenAI), 구글(Google) 뿐만 아니라, 자체 모델인 유레카 검색언어모델(EurekaEM)을 사용할 수 있다. 생성 언어 모델로도 오픈AI, 구글 뿐만 아니라, 구축형 모델인 업스테이지 Solar LLM, 자체 모델인 유레카 거대언어모델(EurekaLLM)을 사용할 수 있다. ○ 유레카챗 : 유레카RAG의 그래픽 사용자 인터페이스(Graphical User Interface, GUI) ○ 유레카RAG 검색언어모델(Eureka Embedding Language Model, EurekaEM) - 질문과 문서 집합이 주어졌을 때 관련 문서 혹은 문장을 검색하는 작업에 활용 - 고차원 벡터로 변환된 벡터 표현을 사용하여 텍스트 유사성을 측정하거나 특정 카테고리에 속하는지 분류하는 등의 작업 - 단순 키워드 검색 뿐만 아니라 자연어 질문 응답이 가능할 뿐만 아니라, 검색 결과를 더 관련성 있게 순위를 지정 ○ 유레카RAG 생성언어모델(Eureka L

상세주소

4층 (여의도동, 기계산업진흥회)

설립일자

2012-10-19

실적(요약)

1. 사업명 : KB라이프생명 생성형AI 도입 프로젝트 - 사업내용 : 생성형 AI도입을 통해 KB라이프생명 영업활성화 및 내부프로세스 개선 - 거래처명 : 코그넷나인 (원청:KB라이프생명) - 계약기간 : 24.11.04~24.12.31 - 사업금액 : 요청시 전달 2. 사업명 : 신한라이프 생성형 AI 활용을 위한 데이터 정비 사업 프로젝트 용역 계약 - 사업내용 : RAG 시스템 구축, 업스테이지 AI 솔루션 연동, 프로젝트 사업관리 - 거래처명 : 업스테이지 (원청:신한라이프) - 계약기간 : 24.10.04~25.02.28 - 사업금액 : 요청시 전달 3. 사업명 : 에너지 거대언어모델(LLM) 플랫폼 개발 - 사업내용 : 에너지 거대언어모델(LLM) 플랫폼 개발 - 거래처명 : 에이치에너지 - 계약기간 : 24.09.25~24.12.24 - 사업금액 : 요청시 전달 ４. 사업명 : AI Platform 구축(2024) pilot - 사업내용 : AI Platform 구축(2024) pilot - 거래처명 : 대림 - 계약기간 : 24.10.24~24.12.31 - 사업금액 : 요청시 전달 5. 사업명 : KB라이프생명 생성형 AI POC - 사업내용 : 생성형 AI POC(개발용역) - 거래처명 : KB라이프생명 - 계약기간 : 24.04.05~24.05.10 - 사업금액 : 요청시 전달

유지보수(후속지원)전략(요약)

가. 서비스 제공 계획 및 제공 목표 1) 서비스 제공 계획 ○ 초기 도입 지원 - 수요기업별 데이터 전처리 및 RAG 솔루션 도입 초기 단계에서의 원활한 구현을 위해 전담 매니저를 배정하여 맞춤형 지원 제공 - 솔루션 활용에 필요한 교육 자료와 사용자 가이드를 제공하여 내부 이해도를 높임 ○ 정기 점검 및 최적화 - 분기별로 솔루션 성능을 점검하고, 데이터베이스 및 솔루션의 최적화를 통해 최신 상태 유지 - 수요기업 요구사항 및 기술 환경 변화에 따라 필요한 업그레이드 작업 진행 2) 제공 목표 ○ 수요기업의 데이터 활용 효율성 증대 : RAG 솔루션을 통해 데이터 검색 및 활용 시간을 단축하고, 업무 효율성을 최소 30% 이상 향상시키는 것을 목표로 함 ○ 지속 가능한 데이터 생태계 구축 : 데이터 가공 및 전처리 서비스를 통해 수요기업의 데이터 품질을 장기적으로 유지하며, 반복적인 데이터 활용 사례 발굴 나. 수요 증가에 따른 서비스 제공 방안 1) 가공 서비스 확장 전략 ○ 자동화 도구 활용 : 대규모 데이터 가공 요청에 대비하여 데이터 전처리 프로세스의 일부를 자동화(AI 기반 데이터 클렌징 및 태깅)하여 처리 속도를 향상 ○ 외부 리소스 연계 : 가공 작업량 증가 시 크라우드소싱 플랫폼 및 데이터 전문 파트너와의 협력을 통해 작업 부담을 분산 ○ 확장 가능한 서비스 패키지 제공 : 수요기업의 성장에 따라 선택 가능한 서비스 패키지를 설계하여 데이터 가공 범위와 지원 수준을 유연하게 조정 2) 서비스 처리 시간 단축 방안 ○ 병렬 작업 시스템 도입 : 데이터 가공 작업의 병렬 처리를 통해 서비스 처리 시간을 단축 ○ 클라우드 기반 솔루션 활용 : Megazone Cloud와의 협력을 통해 클라우드 인프라에서 실시간으로 데이터를 처리하고 가공 서비스를 제공 다. 유지보수 및 고객관리 계획 1) 유지보수 전략 ○ 24/7 기술 지원 체계 구축 : 유지

주요서비스 상세정보(요약)

가. 활용 서비스 개요 : ‘RAG(검색증강생성) 기반 기업 생성형 AI 구축’ 서비스 기업이 보유한 대량의 비정형 및 정형 데이터를 통합하고, 이를 생성형 AI를 활용해 검색 및 생성 기능을 강화한 맞춤형 지식베이스로 전환하는 서비스를 제공합니다. - 목적 : 수요기업이 내부 데이터를 신속히 검색하고 활용할 수 있는 시스템 구축을 통해 생산성과 의사결정 효율성을 높임- 대상 : 고객 응대, 문서 검색, 내부 지식 관리 및 의사결정 지원이 필요한 중소기업 나. 데이터 활용 서비스 업무 상세 정보 1) 초기 계획 수립 ○ 요구사항 정의 - 수요기업의 산업군, 데이터 구조, 주요 활용 목적에 따라 맞춤형 지식베이스 구축 계획을 수립 - 예시: 고객 지원 자동화를 위한 FAQ 데이터 정리, 내부 문서 관리 효율화 ○ 데이터 진단 - 수요기업 보유 데이터의 유형(텍스트, 이미지 등), 품질, 양을 진단하여 데이터 활용 가능성을 분석 - 데이터 소스별로 처리 방안 및 예상 작업량 산출 ○ 솔루션 설계 - 수요기업에 최적화된 RAG 기반 지식베이스 구조와 검색 알고리즘 설계 - 예: GPT-기반 언어모델 활용 시 데이터의 문맥 분석 및 요약 생성 기능 포함 2) 데이터 처리 및 가공 ○ 데이터 수집 및 통합 - 수요기업이 보유한 데이터(문서, 이메일, 고객 문의 내역 등)를 수집하고, 정형/비정형 데이터 통합 작업 수행 - 필요 시 크롤링, API 연동 등으로 데이터 추가 확보 ○ 데이터 전처리 - 수집된 데이터의 오류, 중복, 불필요 정보를 제거하고, 사용 목적에 맞게 정규화 및 표준화 작업 수행 - 전처리 작업 예: . 텍스트 정리 (특수문자 제거, 불필요 문구 정리) . 키워드 태깅 및 메타데이터 추가 ○ 지식베이스 구축 - RAG 솔루션이 활용할 수 있도록 데이터를 색인(indexing)화하여 효율적인 검색 및 생성 환경 조성 - 지식베이스 구축 단계 . 데

카테고리구분

전처리,품질,정보추출또는조합,분석,생성·수집,자동화,적재

품질확보전략(요약)

가. 원천 데이터 수집 및 가공 단계에서의 품질 확보 1) 데이터 수집 과정의 품질 관리 ○ 데이터 출처 검증 - 신뢰할 수 있는 데이터 소스를 선정하며, 수집된 데이터의 적합성과 정확성을 검증하기 위해 데이터 출처별 품질 점검 체크리스트 활용 - 오픈 데이터, 기업 내부 데이터, 크라우드소싱 데이터의 출처를 분류하고 각각에 적합한 검증 절차 수행 ○ 데이터 중복 및 오류 제거 - 수집된 데이터를 자동화된 스크립트(Python 기반)와 수작업 검증을 병행하여 중복 및 오류 데이터 제거 - 데이터의 정합성(일관성, 완전성)을 유지하기 위해 정규화 및 표준화 적용 2) 데이터 가공 및 전처리 품질 관리 ○ 가공 기준 수립 : 수요기업의 특성과 요구사항을 반영한 데이터 가공 기준을 문서화하고, 모든 데이터 처리 작업에 이를 엄격히 적용 ○ 다단계 검증 절차 도입 : 가공 과정에서 발생할 수 있는 품질 저하를 방지하기 위해 다음과 같은 다단계 검증 절차 적용 . 1단계: 데이터 정제 후 자동화된 품질 점검 . 2단계: 데이터 샘플링 및 수작업 검수 . 3단계: 수요기업의 검토 요청 및 최종 확인 나. RAG 솔루션 기반 지식베이스 구축 품질 확보 1) 데이터 매핑 및 지식베이스 구성 품질 관리 ○ 데이터 매핑 정확도 보장 - RAG 솔루션에 적합한 데이터 구조로 데이터를 변환하며, 사용 사례와 적합성을 고려하여 데이터 매핑 정확도 측정 - 매핑 과정에서 AI 모델을 활용한 문맥 분석과 키워드 추출 작업을 병행하여 데이터 간의 연관성 극대화 ○ 지식베이스 내부 데이터 정합성 테스트 - 구축된 지식베이스의 내부 데이터를 대상으로 정합성 및 논리적 일관성 테스트 - 데이터 간 충돌이나 중복이 없는지 확인하기 위해 검증 스크립트를 사용하며, 비즈니스 규칙에 기반한 품질 체크 수행 2) 응답 품질 및 성능 평가 ○ RAG 솔루션 응답 정확도 검증 : R

활용사례(요약)

○ 자연어처리 솔루션 - 번역, 음성인식, 감성분석, 챗봇, 문장요약, 검색 등 ○ 생성형 AI 솔루션 - 텍스트(리포트 등), 이미지, 음악 등의 새로운 미디어를 생성