Dream Factory

📌 실시간 데이터, 정량 분석 도구, AI를 결합한 혁신적 금융 분석 시스템

abstract

📉 기존 LLM의 한계: 주식 분석의 깊이 부족과 평가 기준 부재

금융 시장에서 대형 언어 모델(LLM)을 활용한 주식 분석이 증가하고 있지만, 기존 모델들은 두 가지 핵심적인 한계를 가지고 있습니다.

✅ 전문적인 수준의 주식 분석 능력 부족
기존 AI는 일반적인 금융 데이터 해석에는 유용할 수 있지만, 정량적 분석 도구를 활용한 심층적인 주식 분석을 수행하는 데는 한계가 있습니다. 즉, 투자자나 금융 전문가가 기대하는 고급 분석과 투자 인사이트를 제공하는 데 어려움이 있습니다.

✅ 주식 분석 보고서의 평가 기준 부재
AI가 생성하는 주식 분석 보고서의 품질을 객관적으로 측정할 평가 프레임워크가 존재하지 않음에 따라, AI 기반 금융 분석의 신뢰성을 확보하는 데 어려움이 있습니다.

이러한 문제를 해결하기 위해 FinSphere라는 AI 기반 대화형 주식 분석 에이전트가 제안되었습니다.

🔎 FinSphere의 주요 기여: 실시간 데이터, 정량 분석, 평가 체계 결합

FinSphere는 기존 LLM의 한계를 보완하는 세 가지 핵심 요소를 기반으로 작동합니다.

📊 1️⃣ Stocksis: 전문가가 큐레이션한 금융 데이터셋

FinSphere는 금융 업계 전문가들이 직접 큐레이션한 Stocksis 데이터셋을 활용하여 LLM의 주식 분석 능력을 강화합니다.

• 5,000개의 고품질 학습 데이터를 포함하여 주식 시장 분석을 보다 정교하게 수행할 수 있도록 지원합니다.
• 기존 LLM 대비 정량적 금융 데이터와 시장 트렌드를 보다 정확하게 반영할 수 있도록 훈련되었습니다.

📏 2️⃣ AnalyScore: AI 기반 분석 보고서의 품질 평가 프레임워크

FinSphere는 AI가 생성한 주식 분석 보고서의 품질을 평가하기 위한 체계적인 평가 프레임워크 AnalyScore를 제공합니다.

• 기존에는 AI 기반 금융 분석의 신뢰도를 평가할 수 있는 표준화된 기준이 부족했지만, AnalyScore를 통해 주식 분석의 품질을 정량적으로 측정할 수 있습니다.
• 이를 통해 AI 분석의 객관성을 확보하고, 금융 시장에서 보다 신뢰할 수 있는 투자 분석 보고서를 제공할 수 있습니다.

🤖 3️⃣ 대화형 AI 분석 에이전트: 실시간 대응과 고품질 보고서 생성

FinSphere는 단순한 정보 제공을 넘어, 사용자 질의에 즉각적으로 대응하는 대화형 AI 분석 에이전트로 설계되었습니다.

• 사용자의 질문을 이해하고, 실시간 금융 데이터 및 정량 분석 도구를 활용하여 맞춤형 주식 분석을 생성할 수 있습니다.
• 이를 통해 투자자들은 더 신속하고 정교한 투자 의사 결정을 내릴 수 있는 고품질 주식 분석 보고서를 확보할 수 있습니다.

🔬 FinSphere의 성능: 기존 AI 모델 대비 높은 분석력 입증

실험 결과, FinSphere는 기존의 일반 LLM 및 금융 특화 LLM, 그리고 기존 에이전트 기반 시스템보다 뛰어난 성능을 보였습니다.
FinSphere의 핵심 기술인 실시간 데이터 피드, 정량적 분석 도구, 명령 조정(instruction-tuned) LLM을 결합한 통합 프레임워크가 분석의 품질과 실제 활용 가능성을 크게 향상시켰습니다.

📌 기존 LLM 및 금융 특화 모델과 비교했을 때, FinSphere는 실전 주식 분석에서 높은 실효성을 보이며, AI 기반 금융 분석의 새로운 기준을 제시하고 있습니다.

1. 서론

📈 LLM과 금융 시장의 변화

대형 언어 모델(LLM)은 자연어를 처리하는 강력한 능력을 바탕으로 금융을 비롯한 다양한 산업에서 활용되고 있습니다. 초기에는 감성 분석(예: 투자 심리 분석)이나 비정형 금융 데이터(뉴스, 기업 공시 등)에서 유용한 정보를 추출하는 역할을 수행해 왔습니다. 이후, FinBERT, BloombergGPT, PIXIU와 같은 금융 특화 LLM이 등장하면서 금융 데이터를 더욱 정교하게 분석할 수 있는 능력이 강화되었습니다.

이러한 AI 기술의 발전은 전문가 수준의 금융 분석을 자동화하는 데 중요한 역할을 하고 있으며, 특히 개인 투자자도 고급 분석을 활용할 수 있도록 금융 인사이트의 접근성을 확대하고 있습니다. 과거에는 기관 투자자들만 활용할 수 있던 정교한 금융 데이터 분석이 이제는 AI를 통해 일반 투자자들도 쉽게 접근할 수 있는 시대가 된 것입니다.

🔍 자동화된 주식 분석의 발전과 한계

AI 기술이 발전하면서 LLM을 금융 도구와 결합한 '도구 확장형 에이전트(tool-augmented agents)'가 등장하여 자동화된 금융 분석의 수준을 한층 높이고 있습니다. 그러나 현재의 LLM 기반 주식 분석 시스템은 여전히 고품질의 분석을 수행하는 데 몇 가지 한계를 가지고 있습니다.

💡 LLM 기반 주식 분석의 주요 한계

1️⃣ LLM의 금융 분석 능력을 향상시킬 특화된 데이터셋 부족

• 기존 LLM은 일반적인 자연어 처리에는 뛰어나지만, 주식 시장의 복잡한 패턴을 학습할 데이터셋이 부족하여 심층적인 분석을 수행하는 데 한계가 있습니다.

2️⃣ 주식 분석의 성과를 정량적으로 평가할 체계적인 기준 부재

• AI가 생성하는 주식 분석 보고서의 품질을 평가할 객관적인 기준이 없어 신뢰성을 확보하기 어려움

3️⃣ 실시간 금융 데이터 부족

• 기존 LLM은 과거 학습된 데이터에 기반하여 응답을 생성하므로 실시간 시장 변화를 반영하지 못하는 문제가 있습니다.

특히, GPT-4o와 같은 기존 LLM은 실시간 금융 데이터에 접근하지 못해 시장의 변동성을 제대로 반영할 수 없는 구조적 한계를 가지고 있습니다. 이러한 문제를 해결하지 않으면, AI가 제공하는 금융 분석이 실제 투자 의사 결정에 실질적으로 활용되기 어려울 수 있습니다.

🚀 FinSphere의 해결책: 실시간 데이터 + 정량 분석 + 평가 체계

FinSphere는 위의 문제를 해결하기 위해 세 가지 주요 기여점을 제시합니다.

✅ Stocksis 데이터셋

• 금융 업계 전문가들이 직접 큐레이션한 고품질 금융 데이터셋
• 기존 LLM보다 더욱 정밀한 주식 분석 수행 가능

✅ AnalyScore 평가 프레임워크

• AI가 생성한 주식 분석 보고서의 품질을 객관적으로 평가할 수 있는 체계적인 기준 제공

✅ FinSphere AI 에이전트

• 실시간 금융 데이터베이스, 정량 분석 도구, 명령 조정된 LLM을 결합하여 기존 LLM 및 금융 특화 모델보다 우수한 성능을 발휘

실험 결과, FinSphere는 기존의 일반 LLM과 금융 특화 LLM뿐만 아니라 기존의 에이전트 기반 시스템보다도 뛰어난 성능을 보였습니다. 특히, 기존 LLM이 퓨샷(few-shot) 학습을 적용하더라도 FinSphere의 성능을 따라잡지 못했다는 점은 FinSphere의 통합 접근 방식이 효과적이라는 강력한 증거가 됩니다.

📌 즉, FinSphere는 금융 시장의 실시간 변화를 반영하는 AI 기반 주식 분석의 새로운 기준을 제시하고 있습니다.

2. 관련 연구 (Related Work)

📊 LLM 기반 주식 분석과 투자 전략

대형 언어 모델(LLM)은 최근 주식 분석과 트레이딩 분야에서 강력한 도구로 자리 잡고 있습니다. 연구에 따르면, LLM은 주가 예측과 시장 분석에서 유의미한 성과를 내고 있으며, 이를 기반으로 한 금융 특화 모델들이 지속적으로 개발되고 있습니다.

✅ InvestLM(Yang et al., 2023b), GPT-InvestAR(Gupta, 2023)과 같은 도메인 특화 모델이 투자 분석을 위한 목적으로 연구되고 있습니다.
✅ LLM을 활용하여 이상 금융 거래 탐지(Park, 2024), 포트폴리오 평가(Wu, 2024), 재무제표 분석(Kim et al., 2024) 등의 다양한 금융 분석 작업이 수행되고 있습니다.

이러한 연구들은 AI가 전통적인 금융 분석 방식을 보완하는 데 기여하고 있으며, 금융 시장에서 AI의 역할이 확대되는 중요한 전환점을 보여줍니다.

📂 금융 데이터셋 및 평가 지표

LLM이 금융 분석에서 효과적으로 활용되기 위해서는 고품질의 학습 데이터셋과 신뢰할 수 있는 평가 지표가 필요합니다. 하지만 현재 사용되는 데이터셋은 일반적인 금융 문제 해결에 초점을 맞추고 있어, 주식 분석에 특화된 데이터셋이 부족한 한계가 있습니다.

📌 대표적인 금융 데이터셋

• FinQA(Chen et al., 2021)
• TAT-QA(Zhu et al., 2021)
• FLARE(Xie et al., 2023)

이와 함께, BloombergGPT(Wu et al., 2023)과 FinRL(Liu et al., 2021a)은 주로 트레이딩 전략을 다루며, CFBenchmark(Lei et al., 2023)는 광범위한 금융 업무를 포함하는 벤치마크로 활용됩니다. 하지만, 주식 분석을 위한 전문적인 데이터셋은 여전히 부족한 실정입니다.

또한, AI 기반 금융 분석을 평가하는 기준도 일반적인 자연어 처리(NLP) 지표에 의존하고 있어 한계가 있습니다.
✅ BLEU(Papineni et al., 2002) 및 ROUGE(Rouge, 2004) 같은 기존 자연어 처리 평가 지표가 사용되지만, 도메인 특화된 금융 분석을 정량적으로 평가하는 데는 부족함이 있습니다.
✅ 따라서, 금융 전문가의 관점을 반영한 보다 정교한 평가 방법의 필요성이 제기되고 있습니다.

⚙️ 명령 조정(Instruction Tuning) 및 금융 도구 통합

금융 특화 LLM의 성능을 향상시키기 위해 명령 조정(Instruction Tuning) 기법이 적용되고 있으며, 이를 통해 AI가 금융 데이터의 맥락을 더욱 정확하게 이해할 수 있도록 훈련되고 있습니다.

📌 금융 특화 LLM의 발전 사례

• InvestLM(Yang et al., 2023b) 및 BloombergGPT(Wu et al., 2023) → 금융 도메인 맞춤형 LLM 개발
• FinGPT(Yang et al., 2023a) → 금융 API와 연동하여 시장 데이터를 실시간으로 분석
• XBRL-Agent(Han et al., 2024) → 재무 계산기와 통합하여 분석 능력 강화
• FinOps 프레임워크(Li et al., 2023a) → 운영 분석을 지원하는 LLM 기반 금융 분석 시스템

이러한 연구들은 금융 AI의 발전을 촉진하고 있지만, 여전히 과거 데이터에 의존하는 한계를 가지고 있습니다.

📌 FinSphere의 차별점: 실시간 데이터와 정량 분석 도구 통합

기존 연구들은 AI를 활용한 금융 분석의 가능성을 확장해 왔지만, 과거 데이터에 의존하거나 제한적인 정량 분석 도구만을 활용하는 문제가 있었습니다. 이러한 한계를 극복하기 위해 FinSphere는 실시간 금융 데이터베이스와 고급 정량 분석 도구를 통합하여 보다 정확하고 실용적인 주식 분석을 제공하는 것을 목표로 합니다.

📢 FinSphere는 기존의 금융 특화 LLM과 차별화된 접근 방식으로, 보다 신뢰성 높은 AI 기반 주식 분석을 가능하게 합니다.

3. Stocksis와 AnalyScore

📊 AI 기반 주식 분석의 필수 요소: 데이터와 평가 기준

주식 시장 분석은 점점 더 복잡해지고 있으며, AI가 이를 효과적으로 수행하기 위해서는 정확한 데이터와 신뢰할 수 있는 평가 체계가 필수적입니다. 그러나 현재 대형 언어 모델(LLM)이 금융 분석에서 마주하는 주요 문제는 다음과 같습니다.

1️⃣ LLM이 주식 분석을 수행할 수 있도록 학습할 고품질 데이터 부족
2️⃣ AI가 생성한 주식 분석 보고서를 객관적으로 평가할 수 있는 표준화된 프레임워크 부재

이러한 한계를 해결하기 위해 FinSphere는 두 가지 핵심 요소를 개발했습니다.

✅ Stocksis → LLM의 주식 분석 능력을 향상시키기 위한 고품질 학습 데이터셋
✅ AnalyScore → AI가 생성한 주식 분석 보고서를 평가하는 체계적인 프레임워크

이 두 가지 요소는 AI 기반 금융 분석의 신뢰성을 강화하는 데 중요한 역할을 합니다.

📂 3.1 Stocksis: LLM을 위한 금융 특화 데이터셋

Stocksis는 주식 분석 모델의 성능을 높이기 위해 금융 업계 전문가들이 직접 큐레이션한 데이터셋으로, 총 5,000개의 학습 데이터 쌍으로 구성되어 있습니다. 연구 및 개발 목적으로 50개 샘플이 오픈소스로 공개되었습니다.

📌 Stocksis 데이터셋의 구성 요소
1️⃣ 프롬프트 및 배경 정보 (Input)

• 주식 분석을 위한 완전한 프롬프트 제공
• 평균 6개 이상의 정량 분석 도구의 출력 데이터 포함
• 거래량-가격 분석, 기술적 지표, 시장 지표 등 포괄적 데이터 반영
• 평균 4,000단어로 구성

2️⃣ 전문가 편집 분석 (Label)

• AI가 분석을 수행할 수 있도록 제공된 고품질 주식 분석 보고서
• 프롬프트의 요구사항을 충족하며, 배경 정보를 활용한 심층 분석 제공
• 평균 3,000단어 분량으로 작성

📌 Stocksis 데이터 구축 과정

Stocksis는 철저한 검토 및 품질 관리 프로세스를 거쳐 구축된 금융 특화 데이터셋입니다.

📍 데이터 구축 과정
🔹 1단계: 프롬프트 및 배경 정보 생성

• 금융 분석 전문가들이 특정 주식 분석 질의에 적합한 정량 분석 도구를 선정
• 해당 도구를 활용하여 정확한 정량 분석 데이터를 생성
• 이를 포함한 맞춤형 프롬프트 설계

🔹 2단계: 종합 분석 보고서 생성

• 10명의 주식 애널리스트가 협력하여 심층 분석 보고서 작성
• 배경 정보를 바탕으로 일관된 인사이트 도출
• 철저한 검토와 약 3개월간의 품질 관리 과정을 거쳐 최종 데이터셋 구축

📌 Stocksis의 공개는 AI 기반 금융 분석의 신뢰성을 높이는 중요한 진전이며, 보다 정교한 주식 분석을 수행하는 AI 모델 개발을 지원하는 것을 목표로 합니다.

📌 Stocksis 데이터셋의 요약된 예시: 본 데이터셋은 LLM이 정량 분석 도구를 활용하여 종합적인 분석을 수행하도록 유도하는 목적으로 제작됨. 전문가가 작성한 종합 분석의 평균 비용은 질문당 $10임

📏 3.2 AnalyScore: AI 기반 주식 분석 평가 프레임워크

AI가 생성한 주식 분석 보고서의 신뢰성을 보장하려면 체계적인 평가 기준이 필요합니다. 기존에는 금융 AI의 성능을 측정하는 객관적인 평가 시스템이 없었지만, AnalyScore는 이를 해결하기 위해 개발되었습니다.

📂 AnalyScore 평가 체계

AnalyScore는 AI가 생성한 주식 분석의 품질을 평가하는 이중 평가 시스템을 적용합니다.

📍 1단계: 사전 적격성 심사 (Preliminary Eligibility Check)

• 분석 보고서가 기본적인 품질 기준을 충족하는지 평가
• 보고서가 다음 6가지 필수 기준을 100% 충족해야 함

✅ 기본 품질 기준
1️⃣ 결론 구조 (Conclusion Structure)
2️⃣ 논리적 일관성 (Logical Consistency)
3️⃣ 사실적 근거 (Factual Support)
4️⃣ 데이터 최신성 (Data Timeliness)
5️⃣ 분석 차원 (Analytical Dimensions)
6️⃣ 중립적 언어 사용 (Neutral Language)

📍 2단계: 세부 평가 (Detailed Evaluation)

• 보고서의 분석 품질을 100점 만점으로 평가

✅ 세부 평가 기준

평가 항목 배점 평가 기준

🔹 현재는 인간 전문가가 직접 평가하지만, 향후에는 AI가 AnalyScore를 활용하여 자동 평가를 수행할 수 있도록 설계될 예정입니다.

📌 Stocksis와 AnalyScore의 의미

📌 Stocksis 데이터셋을 통해 AI의 주식 분석 능력을 향상시키고,
📌 AnalyScore 평가 프레임워크를 통해 분석 보고서의 신뢰성을 검증할 수 있습니다.

이 두 가지 요소는 LLM이 단순한 금융 데이터 해석을 넘어, 실제 투자에 활용할 수 있는 고품질의 주식 분석을 수행할 수 있도록 돕는 핵심 기술입니다.

📢 FinSphere는 Stocksis와 AnalyScore를 결합하여 AI 기반 주식 분석의 수준을 한 단계 끌어올리는 것을 목표로 합니다. 🚀

4. FinSphere 에이전트

FinSphere는 실시간 금융 데이터베이스, 정량 분석 도구, 그리고 명령 조정된 AI 모델을 결합하여 보다 정교한 주식 분석을 수행하는 AI 에이전트입니다. 기존 AI 기반 주식 분석이 과거 데이터에 의존하거나, 정량 분석 도구와의 연계성이 부족했던 문제를 해결하면서, 최신 시장 데이터를 반영한 고품질 투자 분석 보고서를 제공합니다.

📊 4.1 실시간 데이터베이스 기반의 강력한 정량 분석 도구

FinSphere의 가장 큰 강점은 실시간 금융 데이터베이스와 정량 분석 도구의 원활한 통합입니다.

✅ 구조화된 금융 데이터 + 비구조화된 데이터 활용
FinSphere는 주가 변동, 거래량, 재무 지표와 같은 구조화된 데이터뿐만 아니라, 기업 공시, 애널리스트 보고서, 시장 뉴스와 같은 비구조화된 데이터까지 활용하여 보다 포괄적인 분석을 수행합니다.

✅ 실시간 데이터 분석 및 자동 연계

• FinSphere는 특정 정량 분석이 필요하다고 판단되면, 즉시 해당 분석 도구를 호출하여 최신 데이터를 조회합니다.
• 분석 도구는 실시간 금융 데이터베이스에서 최신 데이터를 추출하여, 이를 바탕으로 기술적 분석, 기본적 가치 평가, 시장 심리 분석 등의 결과를 생성합니다.
• 최신 시장 상황을 반영한 컨텍스트 정보가 자동으로 제공되므로, 항상 최신 데이터에 기반한 주식 분석이 가능합니다.

이러한 통합 시스템 덕분에 FinSphere는 단순한 과거 데이터 기반의 AI 모델을 넘어, 실시간 금융 시장을 반영하는 AI 주식 분석 시스템으로 작동할 수 있습니다.

⚙️ 4.2 명령 조정 (Instruction Tuning)

FinSphere는 Qwen2-72B 모델을 기반으로, Stocksis 데이터셋을 활용한 명령 조정(Instruction Fine-Tuning)을 수행하여 금융 분석 능력을 최적화했습니다.

✅ Stocksis 기반 학습
Stocksis(📂 섹션 3.1 참조)는 5,000개의 고품질 학습 데이터로 구성된 금융 특화 데이터셋입니다.
각 샘플에는 정량 분석 도구의 출력과 전문가가 직접 작성한 분석 보고서가 포함되어 있어, AI가 보다 신뢰할 수 있는 금융 분석을 수행할 수 있도록 도와줍니다.

✅ LoRA(Low-Rank Adaptation) 기법 적용
Fine-Tuning 과정에서는 LoRA(Hu et al., 2021) 기법을 활용하여, 모델의 일반적인 언어 처리 능력을 유지하면서도 금융 분석 성능을 향상시켰습니다.

🔹 FinSphere의 명령 조정 결과
1️⃣ 다양한 정량 분석 도구의 출력을 정확히 해석
2️⃣ 여러 분석 관점을 통합하여, 보다 종합적인 투자 인사이트 제공
3️⃣ 전문가 수준의 금융 분석 보고서 패턴을 따르는 구조화된 결과 생성

이러한 명령 조정 과정을 통해 FinSphere는 단순한 정보 제공을 넘어, AI 기반 금융 분석의 수준을 한 단계 끌어올렸습니다.

📌 4.3 FinSphere의 전체 작동 흐름 (Workflow)

FinSphere는 3단계 프로세스를 통해 주식 시장을 분석하고, 투자 보고서를 생성합니다.

🔎 Step 1️⃣: 질문 분석 및 하위 작업 분해

📌 사용자의 질의를 분석하고, 여러 개의 하위 작업으로 나누는 과정

🔹 예시 질문: "TF 증권은 지금 투자할 만한가?"
🔹 처리 방식:
✅ CoT(Chain-of-Thought) 추론 기법을 활용하여 주식 분석을 위한 여러 개의 하위 작업으로 분해
✅ 분석을 위해 필요한 정량 분석 도구를 자동으로 선택

➡️ 분석 작업 분해 예시
🔹 기술적 분석 (Technical Analysis) → 최근 주가 패턴 및 거래량 확인
🔹 기본적 분석 (Fundamental Analysis) → 기업의 재무 상태 점검
🔹 시장 심리 분석 (Market Sentiment Analysis) → 투자 심리와 업종 동향 고려

📊 Step 2️⃣: 실시간 금융 데이터 조회 및 분석 수행

📌 실시간 데이터를 활용하여 주식 시장을 다각도로 분석

✅ 각 분석 도구는 독립적으로 실시간 금융 데이터베이스에 접근하여 최신 데이터를 수집합니다.
✅ 분석된 결과를 활용하여 개별적인 투자 인사이트를 생성합니다.
✅ 기술적 분석, 기본적 분석, 시장 심리 분석을 종합적으로 수행하여, 시장 변화를 다차원적으로 분석합니다.

📑 Step 3️⃣: 최종 보고서 작성 및 사용자 응답 제공

📌 Stocksis 데이터셋을 기반으로, 분석 결과를 하나의 종합적인 투자 보고서로 통합

✅ FinSphere는 분석된 데이터를 바탕으로, 구조화된 주식 분석 보고서를 자동 생성합니다.
✅ 명령 조정된 LLM이 각 분석 결과를 통합하여 일관성 있는 투자 전략을 제시합니다.

📌 최종 보고서 예시:

TF 증권(TF Securities)은 최근 비정상적인 시장 변동성을 보이고 있습니다.  
- 기술적 분석 결과, 단기적으로 강세 패턴이 관찰되며, 단기 투자 기회가 존재할 가능성이 높습니다.  
- 기본적 분석 결과, 장기적인 펀더멘털이 약하여 중·장기 투자는 신중한 접근이 필요합니다.  
- 시장 심리 분석 결과, 증권 업종 전체의 상승 모멘텀에 힘입어 단기적으로 주가가 상승할 가능성이 있습니다.  

📌 투자자들은 시장 트렌드와 기업 실적 변화를 지속적으로 모니터링할 필요가 있습니다.

✅ FinSphere는 단순한 데이터 요약이 아니라, 정량 분석을 기반으로 한 전문가 수준의 투자 인사이트를 제공합니다.

📌 FinSphere의 차별점과 의미

📊 기존의 AI 기반 금융 분석 모델들은 과거 데이터에 의존하거나, 금융 도구와의 통합이 제한적이었습니다.

📢 FinSphere는 실시간 데이터와 정량 분석 도구를 결합하여 기존 한계를 극복하며, 보다 정확한 AI 주식 분석을 가능하게 합니다.

✅ 실시간 금융 데이터에 즉각 접근하여, 보다 신뢰할 수 있는 분석 제공
✅ 기술적·기본적·시장 심리 분석을 통합하여 다차원적인 인사이트 제공
✅ 명령 조정된 LLM을 통해, 전문가 수준의 주식 분석 보고서 생성 가능

📌 FinSphere는 AI 기반 주식 분석의 새로운 기준을 제시하며, 투자자들에게 보다 정밀하고 실용적인 금융 분석을 제공합니다. 🚀

5. 평가 (Evaluation)

FinSphere는 실시간 금융 데이터베이스, 정량 분석 도구, 명령 조정된 AI 모델을 결합하여 기존의 LLM 기반 주식 분석 모델보다 뛰어난 성능을 보입니다. 하지만 일반적인 LLM(GPT-4o, GPT-3.5 등)과 직접 비교하기 어려운 이유는 기존 LLM이 실시간 금융 데이터에 접근하지 못한다는 본질적인 한계를 가지고 있기 때문입니다.

📌 예를 들어, GPT-4o는 다음과 같은 답변을 제공합니다.
"저는 2023년 10월까지의 지식을 기반으로 학습된 AI 언어 모델이므로, 실시간 주식 정보에 접근할 수 없습니다."

이러한 차이를 고려하여, FinSphere의 성능을 객관적으로 비교할 수 있도록 다양한 AI 모델과 에이전트 기반 시스템을 포함한 평가 실험을 설계했습니다.

📊 5.1 비교 실험 (Baseline Evaluation)

FinSphere의 성능을 비교하기 위해 세 가지 카테고리의 모델을 평가했습니다.

✅ 1️⃣ 단일 LLM (Single LLMs)

• proprietary models (독점 모델): GPT-4o, GPT-3.5
• 오픈소스 모델: Qwen2-72B
• 도메인 특화 모델: InvestLM, FinGPT
• 평가 방법: Chain-of-Thought(CoT) 추론 + Few-Shot 예제 + 배경 정보 제공

✅ 2️⃣ 에이전트 기반 시스템 (Agent-based Systems)

• FinMem, FinRobot
• Stocksis 입력 데이터와 유사한 프롬프트 및 Few-Shot 예제를 활용

✅ 3️⃣ FinSphere 평가

• 실제 사용자 질의에 대한 실시간 데이터 기반 분석 수행

📌 5.2 FinSphere vs. 기존 AI 성능 비교

📊 AnalyScore 평가 프레임워크를 사용한 결과, FinSphere가 모든 평가 항목에서 최고 성능을 기록했습니다.

모델 총점(100점 만점)

💡 FinSphere의 통합 접근 방식(실시간 데이터 + 정량 분석 도구 + Stocksis 튜닝 모델)이 기존 모델보다 더 효과적이라는 것이 입증되었습니다.

📢 주요 성능 분석
✅ FinSphere는 일반 LLM뿐만 아니라, 다른 에이전트 기반 시스템보다도 뛰어난 결과를 보였습니다.
✅ 도메인 특화 AI(InvestLM, FinGPT)는 일반적인 LLM보다는 나은 경우도 있지만, 여전히 FinSphere보다는 성능이 낮았습니다.
✅ GPT-4o는 중간 수준의 성능을 보였으며, FinSphere가 이를 능가함을 확인할 수 있었습니다.

📌 5.3 FinSphere의 효율적인 아키텍처: 비용과 성능 비교

일반적인 LLM은 적절한 주식 분석을 위해 매우 많은 예제(Exemplar)를 프롬프트에 포함해야 하며,
✅ 이로 인해 입력 토큰 개수가 증가하여 운영 비용이 상승
✅ 맥락 창(Context Window)이 작은 모델에서는 처리 제한 발생

💡 반면, FinSphere는 최적화된 아키텍처를 통해
✅ 길고 복잡한 프롬프트 없이도 높은 성능을 달성
✅ 적은 입력 토큰으로 효율적인 분석 수행 가능

📌 FinSphere는 2024년 12월 무료 공개 예정이라고 되어 있으나 아직 미공개?

• 🚀 더 많은 투자자들이 AI 기반 주식 분석의 혁신을 직접 경험할 수 있을 예정입니다.
• 🔍 세부 공개 일정은 부록 H에서 확인 가능

📈 5.4 데이터 학습량에 따른 성능 변화 (Ablation Study)

FinSphere의 성능이 Stocksis 데이터셋의 학습량에 따라 어떻게 변하는지를 분석하기 위해 소거 연구(Ablation Study)를 수행했습니다.

📊 훈련 데이터 규모 증가에 따른 성능 변화

훈련 데이터 비율 모델 성능 (100점 만점) 점수 증가량

📢 주요 발견점
✅ 훈련 데이터가 증가할수록 성능이 향상됨
✅ 데이터 학습량이 많을수록 증가율이 점진적으로 커지는 비선형 패턴 확인

• 20% → 50%: +3.78점 증가
• 50% → 80%: +3.99점 증가
• 80% → 100%: +4.21점 증가

💡 이는 더 많은 학습 데이터가 AI 주식 분석 성능을 극대화하는 데 필수적이라는 점을 입증합니다.
또한, 훈련 데이터가 줄어들어도 일정 수준 이상의 성능을 유지하여, FinSphere의 확장성과 안정성을 확인할 수 있었습니다.

🎯 FinSphere의 평가 결과 요약

✅ 실시간 데이터 + 정량 분석 도구 + AI 최적화 = 기존 모델보다 강력한 성능
✅ GPT-4o보다 높은 평가 점수 기록 (70.88 vs. 66.61)
✅ 주식 분석에 특화된 AI 시스템으로, 기존 LLM 대비 효율성과 정확성 입증
✅ 학습 데이터가 증가할수록 성능이 향상되며, 모델 확장성이 뛰어남

📌 결과적으로, FinSphere는 기존 LLM 및 에이전트 기반 시스템을 능가하는 성능을 보이며, AI 기반 주식 분석의 새로운 기준을 제시합니다. 🚀

결론

FinSphere는 기존 LLM 및 에이전트 시스템보다 훨씬 강력한 주식 분석 성능을 입증하였습니다. 실시간 금융 데이터, 정량 분석 도구, Stocksis 데이터셋을 활용한 명령 조정(Instruction-Tuned) AI 모델을 결합한 통합 접근 방식이 기존 방법보다 효과적임을 검증하였습니다.

📌 FinSphere의 핵심 성과
✅ 실시간 데이터에 접근 가능 → 기존 LLM(GPT-4o 등)과 달리, 실시간 주가, 거래량, 기업 공시 데이터를 반영한 분석 수행
✅ 정량 분석 도구와의 연계 → 단순한 텍스트 분석이 아닌, 기술적·기본적·시장 심리 분석을 모두 활용
✅ 짧은 프롬프트로도 전문가 수준의 분석 가능 → 기존 LLM이 복잡한 예제 입력이 필요했던 것과 달리, 최적화된 AI 구조로 더 빠르고 정확한 보고서 생성
✅ 훈련 데이터 증가 시 비선형적인 성능 향상 → Stocksis 데이터셋을 100% 활용할 경우 기존 모델 대비 12점 이상의 성능 향상 확인

📊 향후 연구 방향 및 기대 효과

FinSphere는 주식 분석 AI의 새로운 기준을 제시하며, 향후 다음과 같은 발전이 예상됩니다.

🔍 1️⃣ 실시간 평가 메커니즘 개선 → AI가 생성하는 분석 보고서를 자동 평가하여 더 높은 신뢰성을 제공
📊 2️⃣ 추가적인 도메인 특화 데이터셋 적용 → 다양한 시장 및 산업별 맞춤형 주식 분석 모델 개발
🤖 3️⃣ LLM 기반 금융 평가 자동화 시스템 구축 → 기업 평가, 리스크 분석, 투자 전략 수립 등 더 넓은 금융 분석으로 확장

FinSphere는 단순한 주식 분석 AI를 넘어, 금융 AI의 새로운 패러다임을 제시할 것으로 기대됩니다. 🚀

논문 참고:

https://arxiv.org/pdf/2501.12399

https://youtu.be/N_aAXR1aAco

'분할 정복'으로 해결

2025.1.12

보험회계는 다른 회계보다 어렵다고 한다. 과거에도 보험회사의 재무제표는 이해하기 어렵다고 평가받았는데, 과연 이 말이 사실일까?

이 주장은 맞을 수도, 틀릴 수도 있다. 본질을 살펴보면 해답을 찾을 수 있다. 보험회계가 어렵다는 인식은 다음과 같은 이유에서 비롯된 복합적인 사회적 반응일 것이다.

1. 보험회계가 어렵다고 생각하는 이유

(1) 회계에 대한 일반적인 선입견 

회계를 딱딱하고 어려운 주제로 인식하면 보험회계도 당연히 어렵게 느껴질 수 있다. 특히 일반 기업의 회계보다 어렵다고 생각할 가능성이 높다.

(2) 보험상품의 복잡성

보험회계는 단기적으로 단순한 상품도 다루지만, 일반적으로 중장기적으로 불확실한 미래 사건에 따라 수익과 비용이 변화하는 보험 보장 및 금융 서비스가 결합된 상품을 다루기 때문에 복잡하다. 

예를 들어, 상품을 사고파는 단순한 사업의 경우, 매출과 매입을 통해 손익을 계산하고 재무제표를 작성하는 과정은 상대적으로 간단하게 이해할 수 있다. 하지만 보험은 20년, 30년, 또는 평생 보장하는 '무형' 서비스를 제공하면서 예상과 달리 발생하는 사건이나 금리 변동 등 다양한 변수로 인해 수입과 비용이 변한다. 이에 따라 손익을 계산하고 미래 서비스에 필요한 부채를 측정하는 것은 당연히 복잡할 수밖에 없다. 이처럼 보험회계는 다루는 대상 자체가 복잡하기 때문에 어려움이 생긴다.

(3) 보험계약 기준서(IFRS17)의 포괄성

보험계약 기준서인 IFRS17은 특정 계정만 다루는 것이 아니라 보험 비즈니스 전체를 포괄하는 기준서이다. 보험계약 성립, 부채(자산) 인식, 자산 운용, 투자수익, 이자비용, 이익 및 손실 인식 등 다양한 요소를 하나의 기준서 안에서 설명한다. 

이 기준서는 보험산업이 ‘부채 주도산업(liability-driven industry)’이라는 특성을 반영한다. 보험계약이 체결되면 보험료가 납입되고, 이로 인해 부채가 인식되며 자산 운용과 투자 수익이 발생하고 계약자에 대한 이자비용을 인식한다. 또한 보험계약 조항, 사망률 및 생존율 등의 확률을 기반으로 각종 손익을 인식한다. 이처럼 복합적인 내용을 다루기 때문에 IFRS17은 상대적으로 어렵게 느껴진다.

이 외에도 실무적 관점에서 보험회계의 어려움을 가중시키는 여러 요인이 있으나 이 글에서는 앞서 제시한 세 가지 이유에 초점을 맞춘다.

2. 어려움에 대한 분석

첫 번째 이유는 모든 회계가 일반인에게 어렵게 느껴지는 특성에 기인하므로 보험회계만의 문제는 아니다. 기업 정보에 대하여 분석을 원하는 경우 회계를 비즈니스의 언어로 이해하고 이를 일반교양처럼 학습하면 해결될 문제이다.

따라서 보험회계의 주된 어려움은 두 번째 이유인 보험상품의 ‘장기성’, ‘무형성’, ‘보장’ 및 ‘금융’ 서비스의 복합적 특성과, 세 번째 이유인 보험산업의 특성을 반영한 포괄적인 회계 기준서 때문일 것이다.

두 번째 어려움은 보험상품의 특성에서 비롯된 것이다. 복잡한 상품이 등장하면 이를 처리할 수 있는 회계 기준이 그에 따라 적용되는 것은 당연한 것이다. 즉, 보험상품 자체의 복잡성에 따른 어려움은 회계가 어려운 것이 아니라 그 본질 대상이 어렵기 때문에 파생된 어려움이다.  정상적인 비즈니스 관점에서 복잡한 거래 구조와 금융서비스가 등장하는 것은 사회 발전의 자연스러운 결과로, 이로 인한 정보 이해의 어려움은 상품 자체의 복잡성에 따른 것이다. 따라서 이는 해당 상품의 구조를 세밀히 분석하면 해결될 수 있는 것이고 회계 자체의 문제가 아니다.

세 번째 어려움은 IFRS17과 같은 보험회계기준서가 위에서 말했듯이 다양하고 복잡한 내용을 하나의 기준서에 담았기 때문이다. 그러나, 이것도 복잡할 수는 있지만 큰 문제가 되지는 않는다. IFRS17이 독특한 해결책이나 별도의 회계원칙을 강요했다면 더 복잡했겠지만, 실제로 IFRS17 내의 측정 모형과 회계처리 논리는 일반 회계원칙이나 다른 기준서와 대부분 유사하다. 차이가 있다면 보험 관련 용어 사용, 실무적 특성, 제정 과정에서 인정된 일부 예외사항 정도이다. 설령 예외가 있다 하더라도, 제정 또는 개정 과정에서 그 이유가 투명하게 공개되고 사회적 합의를 거치게 된다.

결국, 보험회계의 어려움은 보험상품 자체의 다양한 요소에 기인한 복잡성과 보험회계 기준서 내에 포함된 여러 회계원칙의 포괄성에 따른 어려움이다.  이로 인하여 회계나 계리 전문가들도 보험회계를 어려워하는 것이다.

3. 어려움의 해결 방법 - Divide and Conquer!

이러한 어려움을 해결하는 방법은 새로운 방법이 필요한 것이 아니다. 이 방법에 대한 용어는 모를지 몰라도 우리는 학문뿐만 아니라 실제 비즈니스와 실생활에서도 이 방법을 자주 활용하고 있다.

이 방법은 "분할 정복(divide and conquer)" 또는 "문제 분해(problem decomposition)"라고 한다. 이는 복잡한 문제를 작고 관리 가능한 하위 문제로 나누고, 이를 해결함으로써 전체 문제를 풀어가는 접근법이다. 예를 들어, 대규모 제품 출시를 준비할 때 마케팅, 제품 개발, 공급망 관리 등의 분야로 나누어 각각의 세부 작업으로 분리한다. 마케팅은 광고 캠페인, 고객 분석, 시장 조사로 나누고, 각 하위 작업을 전담 팀이 해결한 후 이를 통합한다. 이렇게 문제를 작은 단위로 나누면 진행 속도가 빨라지고, 각 영역의 문제에 집중할 수 있다.

보험회계와 관련된 상기의 어려움도 그것이 다양한 요소로 구성된 보험상품의 복잡성이든 여러 요소가 내재된 회계처리이든 아무리 복잡한 문제라도 이를 구성하는 하위 문제로 분리해 하나씩 해결하면 문제를 해결하거나 이해할 수 있다. 예를 들어 IFRS17 기준서에 포함된 ‘적용 사례 문제’들도 이러한 방식으로 구성되어 있다. 복잡한 문제를 하나로 통합하여 제시하면 기준서를 보는 전문가조차 이해하기 어려울 수 있기 때문에 핵심 요소별로 사례를 따로 구분하여 만들어 이해하기 쉽게 제시하고 있다. 

4. 마치며

보험회계는 보험상품의 복잡성과 비즈니스 전 과정을 기준서에 담았기 때문에 어렵게 느껴진다. 그러나 "분할 정복" 접근법을 활용하면 문제를 단순화하고, 이를 재구성해 쉽게 이해할 수 있다.

과거에는 보험회계의 복잡성이 보험산업과 시장 간 정보 불균형을 초래한 주요 원인이었다. 하지만 보험산업이 제대로 발전하려면, 그리고 과거보다 더 높아진 정보이용자들의 요구를 충족시키려면, 이제는 보험회계가 복잡하다는 이유만으로 정보이용자가 공시 정보를 이해하기 어렵다고 여기는 관점을 재고해야 한다.

아무리 복잡한 정보라도, 관련 지식을 갖춘 외부 정보이용자가 상식적으로 이해하지 못한다면, 이는 단순히 보험회계의 복잡성 탓으로 돌릴 문제가 아니다. 이제는 보험회사 등 정보 제공 주체가 정보 이용자가 이해할 수 있도록 충분한 설명과 정보를 제공하려는 노력을 기울여야 한다.

박규서 (한국외대/건국대 겸임교수, 경영학박사, 공인회계사, 보험계리사)

- 미래로 가는 길: 기술과 법적 과제, 두 축을 함께 잡아라

[박규서의 AI 산책(Walk with AI)] (1)

구글의 신모델 Gemini 2.0 Flash Thinking Mode를 만나보세요! 이 영상에서는 구글 코랩을 활용해 AI의 사고 과정을 실시간으로 탐구하고, 멀티턴 대화와 스트리밍 방식을 실습합니다. 강력한 추론 능력을 경험합니다. Python 코드를 통해 AI의 사고 과정을 직접 체험해 보세요! 감사합니다.

https://youtu.be/3tfFthoS3WE?si=flabr5V4JcRE1ObS

박규서 (외국어대/건국대 겸임교수, 경영학박사, 공인회계사, 보험계리사)

한국계리사회와 한국리스크관리학회 2024년 세미나에서 발표한 "신제도(IFRS17, K-ICS)와 AI환경 하의 한국보험산업 리스크관리의 도전과 위기"에 대한 내용입니다. 감사합니다.

https://youtu.be/t5As0yRrfkQ?si=__mOJ__X3IESFs22

- 잘못된 용어 사용은 잘못된 인식을 가져올 수 있다

2024.11.4

박규서 (외국어대/건국대 겸임교수, 경영학박사, 공인회계사, 보험계리사)

우리는 살아가면서 언어를 통하여 다양한 용어를 사용한다. 그러나 동일한 단어라도 분야와 목적에 따라 그 의미가 달라질 수 있다. 특히 법률이나 회계기준과 같은 영역에서는 주요 용어의 정의를 그 분야와 목적에 맞게 명확히 설정하고 이를 해당 법률이나 회계기준에 한정하여 사용하는 것이 중요하다. 예를 들어, ‘대기업’, ‘중견기업’, ‘중소기업’ 또는 ‘대주주’와 같은 용어는 일상적으로 익숙하게 쓰이지만, 세법 등 특정 법률에서는 그 용어가 해당 법률 목적에 따라 특정 정의에 따라 제한적으로 사용된다.

우리나라도 IFRS17(국내에서는 K-IFRS 제1117호라고 하지만 편의상 IFRS17로 언급하겠으며, 이하 다른 기준도 동일한 형식으로 표시함)을 오랜 준비 끝에 2023년부터 본격적으로 적용하고 있다. 하지만 2024년이 끝나가는 지금도 보험회계와 관련하여 업계와 언론에서 여전히 잘못 사용되는 용어가 있는데, 바로 ‘시가(market value)’이다. 예를 들어 기사 등에서 IFRS17을 적용하면 보험계약과 관련된 부채나 자산이 ‘시가’에 대한 정보를 제공한다고 하는 식의 표현이 종종 보인다.

그러나 이는 잘못된 용어 사용이다. 그 이유는 다음과 같다.

첫째, 국제회계기준(IFRS)에는 ‘시가’에 대한 용어가 명시적으로 사용되고 있지 않다. 즉, 국제회계기준에 없는 용어이다. 국제회계기준 중 공정가치를 다루는 IFRS13 기준서에서는 ‘공정가치(fair value)’라는 용어를 사용하며, ‘공정가치를 측정일에 시장참여자 사이의 정상거래에서 자산을 매도할 때 받거나 부채를 이전할 때 지급하게 될 가격’으로 정의하고 있으나, 이것이 보험계약과 관련하여 기사 등에서 언급하고 있는 ‘시가’와는 다르다.

둘째, 보험회계인 IFRS17에서도 ‘시가’라는 용어는 등장하지 않는다. 보험계약은 IFRS17에서 이행가치(fulfillment value)로 측정된다. 재무회계 개념체계에 따르면 이행가치(fulfillment value)는 기업이 부채를 이행할 때 이전해야 하는 현금이나 기타 경제적 자원의 현재가치라고 설명하고 있다. 이행가치에는 거래상대방에게 직접 지급할 금액뿐만 아니라, 부채 이행을 위해 다른 당사자에게 지불할 것으로 예상되는 금액도 포함된다. 그리고 이행가치는 기업 특유의 가정을 반영하며, 미래 현금흐름을 바탕으로 측정된다.

비록 ‘공정가치’나 ‘이행가치’라는 복잡한 개념을 생각하지 않더라도 요점은 IFRS는 보험계약에 대하여 ‘시가’ 정보를 제공하지 않는다. 특히 보험계약에 대하여는 일반인들이 ‘시가’로 오해할 수 있는 ‘공정가치’도 아닌 ‘이행가치’로 측정해야 한다. 따라서, 오랜동안 보험산업뿐만 아니라 기사, 논문 등에서 IFRS17 도입으로 ‘시가’ 정보가 제공될 수 있다고 하는 표현은 정확하지 않은 것이다.

이러한 오류를 대수롭지 않은 것으로 생각할 수도 있다. 하지만 정확한 용어의 사용은 개념의 올바른 이해를 위해 필수적이다. 언어철학자 루트비히 비트겐슈타인은 그의 저서 ‘논리철학논고(Tractatus Logico-Philosophicus)’에서 "언어의 한계는 곧 나의 세계의 한계를 의미한다."라고 말했듯이 언어의 정확성이 이해의 깊이와 사고의 범위에 영향을 미친다. 

물론 일상생활에서 언어를 100% 정확하게 사용하는 것은 나 자신을 포함해 누구에게나 쉽지 않으며, 그럴 필요도 없다. 그러나 법률이나 회계기준 등을 적용하고 이를 해석하여 의사결정을 내릴 때는 용어의 정확한 이해가 중요하다. 특히 그것이 어떤 제도의 근간과 연결될 때는 더욱 그러하다.

보험회사의 정보를 대중이나 투자자들이 ‘시가’로 요구한다면 또는 그 정보가 중요하다면, 보험회사나 감독당국 및 언론은 현재 보험회사가 제공하는 정보(예를 들어 ‘이행가치’)와 대중이나 투자자가 요구하는 ‘시가’의 차이에 대하여 과연 제공할지 그리고 그 차이에 대하여 고민해야 할 것이다. 그런데 지금처럼 IFRS17에 의한 정보가 ‘시가’라고 잘못 표현된다면, 이에 대한 근본적인 고민과 그를 통한 발전의 가능성은 과거 오랜동안 그랬던 것처럼 차단될 것이다.

이에 대하여 “IFRS17에 의한 회계처리가 제대로 이루어져서 재무제표가 시장에 공시된다고 하면 그 수치가 ‘시가’라고 할 수 있나?”라고 질문한다면 과거에 IFRS17에 의하여 시가 정보가 제공될 수 있다고 한 이들은 무엇이라고 대답할 것인가? 이에 대하여 대답하지 못하거나 애매모호한 답을 할 수도 있을 것이다. 

요컨대 IFRS17 하의 보험계약 관련 재무제표상의 금액은 회계기준에 근거한 특정 가치 측정기준에 따른 수치이지 이는 그 회사의 실질가치 또는 시장가치와는 다를 수 있다. 물론 상황에 따라 우연히 비슷하거나 같을 수도 있겠지만 그럴 확률은 극히 낮거나 없을 것이다.

이 글에서는 ‘시가’라는 하나의 단어를 예로 들어 보았지만 보험산업도 자신들의 귀중한 회계정보체계를 안정화시키고 발전시키기 위해 핵심 용어와 개념을 근본적으로 재점검하는 과정이 필요하다. 

수십 년간 보험회사뿐만 아니라 많은 회사와 산업을 나름 경험하면서 미시적인 작은 디테일도 중요하지만, 회계적으로 회사나 산업의 가치를 좌우하는 것은 결국 일상 업무에서는 상식이라고 간과하기 쉬운 기본 개념에 대한 것들이었다. 내가 경험한 IMF 금융위기 이후 활성화된 M&A 사례에서도 회계적으로 가격에 큰 영향을 미친 것은 거의 대부분 회계의 기본 개념 또는 시각에 따른 부분이었다.

‘시가’라는 용어는 언론기사 등에서 일상적인 이해를 돕기 위해 사용되었을 수 있지만, 업계 등에서도 여전히 통용되고 있다는 점은 문제다. 또한 이행가치, 공정가치라는 개념을 떠나 과연 현재 보험산업은 시장에 ‘시가’를 제공하는가? 이와 같은 불분명한 용어 사용은 현재 보험시장의 혼란을 가중시키는 한 요인이 되는 것은 아닌지 하는 우려가 있다.

다소 딱딱한 용어 정의에 대한 주제이기에, 이번 글의 마무리는 김춘수 시인의 ‘꽃’으로 대신하고자 한다.

            – 꽃 –

시인: 김춘수

내가 그의 이름을 불러주기 전에는

그는 다만

하나의 몸짓에 지나지 않았다.

내가 그의 이름을 불러주었을 때,

그는 나에게로 와서

꽃이 되었다.

내가 그의 이름을 불러준 것처럼

나의 이 빛깔과 향기에 알맞은

누가 나의 이름을 불러다오.

그에게로 가서 나도

그의 꽃이 되고 싶다.

우리들은 모두

무엇이 되고 싶다.

너는 나에게 나는 너에게

잊혀지지 않는 하나의 눈짓이 되고 싶다.

OpenAI가 2024.10.31일 ChatGPT search 기능을 공개하였습니다. 아직 개선될 부분은 많으나 사용자가 기대했던 인공지능 사용 방향으로 또 하나 실현되는 부분을 보게 되었습니다. 시간이 지나면서 검색시장의 판도도 바뀔 수 있을 것 같습니다. 직접 실습을 통하여 기능을 살펴 보았습니다. 감사합니다.

https://youtu.be/gBVfl5Ed0q4?si=Q-9Y-jXnNzhSRSiv