Foreseers

INSTITUTIONAL FINANCE SPECIALISTS

이론과 상상을
예측 가능한
엔진으로.

다차원 구조 NLP 엔진, 차세대 이미지 처리 엔진, 금융기관 엔진 제공을 통해 비정형 데이터를 분석하고 검증 가능한 모델로 실행해 의사결정 속도와 정확도를 향상시킵니다.

Insight →
3-Sector Core EngineHigh-Dimension NLP and ND-VI

독자기술기반 지능형 코어엔진

50+ENGAGEMENTS

금융그룹, 은행, 증권, 보험 프로젝트 수행

25+QUANTS & ENGINEERS

25년 경력의 수학·통계·엔지니어링 전문가

25+YEARS

금융 공학 & 시스템 구축 경험

CAPABILITIES

3-Sector Core Engine

언어·이미지·금융을 아우르는 세 개의 독자 엔진으로 산업 전반의 비정형 데이터를 통찰과 실행으로 연결합니다.

Intelligent System for Adapting to a User's Characteristics
SINCE 2002 여기서 시작됐습니다 →
01

HD-NLP Engine

High Dimension-Natural Language Processing

복잡한 비정형 텍스트를 다차원으로 구조화해 산업 전반의 문서와 데이터에서 핵심 인사이트를 추출합니다.

자세히 보기 →
02

ND-VI Engine

Next-Dimension Visual Intelligence

이미지·영상 데이터를 정밀 분석해 도메인에 관계없이 인식·판독·자동화를 구현합니다.

자세히 보기 →
03

Financial Solutions

Pricing Engine, Scenario Engine

프라이싱과 시나리오 분석으로 금융 의사결정을 정량적으로 지원합니다.

자세히 보기 →

ROADMAP & VISION

ForeSeers Roadmap

독자 엔진에서 글로벌 플랫폼까지,
단계적으로 나아갑니다.

01기반 구축독자 HD-NLP·ND-VI 엔진 확립
02도메인 확장B2C 및 전문분야 확대
03플랫폼화통합 플랫폼 구축
04지능형 자동화실시간 예측·의사결정 자동화
05글로벌 확장글로벌 시장 진출

USE CASES

적용 가능 분야

금융 시장 모니터링

뉴스·공시·비정형 텍스트를 실시간 분석해 분석결과를 시뮬레이션 및 시장예측에 활용합니다.

시각 데이터 자동화

문서·이미지·영상을 인식·판독해 반복 업무를 자동화하고 검수 효율을 높입니다.

CORE STRENGTHS

핵심 역량

독자 코어엔진

외부 LLM에 의존하지 않는 자체 HD-NLP·ND-VI 엔진으로 데이터 주권과 커스터마이징을 확보합니다.

도메인 확장성

패턴인식 기반 구조로 금융에서 시각지능까지, 산업 전반으로 적용을 넓힐 수 있습니다.

Foreseers

금융의 복잡성을 구조화하고 실행 가능한 모델로 전환합니다.

Foreseers

CONTACT

{{ contactHeadline }}.

{{ contactSub }}

contact@foreseers.kr

요청이 접수되었습니다.

담당자가 확인 후 연락드리겠습니다. 감사합니다.

{{ sendError }}
Foreseers

비전 · 로드맵

VISION & ROADMAP

"언어와 이미지를 이해하는 독자 엔진으로, 비정형 데이터를 예측 가능한 의사결정으로 바꾼다."

FORESEERS는 외부 모델에 의존하지 않는 자체 HD-NLP·ND-VI 엔진을 기반으로, 텍스트와 시각 데이터에 숨어 있는 신호를 구조화합니다. 금융에서 출발해 산업 전반으로 적용을 넓히며, 분석을 넘어 시뮬레이션과 예측까지 이어지는 지능형 의사결정 플랫폼을 지향합니다.

CORE VALUES

독자 기술

범용 모델을 빌려 쓰지 않고, 문제를 처음부터 이해하는 우리만의 엔진을 만듭니다.

검증 가능성

결과가 어떻게 나왔는지 설명하고 검증할 수 있는, 신뢰 가능한 분석을 지향합니다.

확장성

하나의 코어 기술을 여러 도메인으로 넓혀, 산업 전반에 적용 가능한 구조를 설계합니다.

GROWTH ROADMAP

01기반 구축

독자 HD-NLP·ND-VI 코어엔진을 확립하고 기술 검증(PoC)으로 성능을 입증합니다.

02도메인 확장

B2C 서비스와 전문 분야로 적용 범위를 넓혀 실제 사용 사례를 축적합니다.

03플랫폼화

개별 엔진을 하나로 묶어 데이터 수집·분석·활용을 아우르는 통합 플랫폼을 구축합니다.

04지능형 자동화

실시간 예측과 의사결정 자동화로 사람의 판단을 보조하는 단계로 나아갑니다.

05글로벌 확장

검증된 플랫폼을 바탕으로 글로벌 시장에 진출합니다.

* 로드맵 단계별 시점·세부 내용은 사업 진행에 따라 조정될 수 있습니다. (초안)

연혁

HISTORY

㈜포시어스는 국내 금융기관을 대상으로 전략 및 리스크 관리 컨설팅 서비스를 주로 수행하였으며, 최근에는 금융기관 자산평가 Engine 제공과 Core-Engine 개발에 주력하고 있습니다.

2026
HD-NLP Engine 구조 완성현 버전 HD-NLP Engine 구조 확립. 수출입은행 금리체계 신용평가 산출('19~), 라이나생명 ORSA 금리리스크 자산평가엔진 지속.
2025
통합리스크 시스템 구축KB증권 통합리스크 관리시스템 재구축. 라이나생명 ORSA 금리리스크 자산평가엔진 착수.
2024
공급망·건전성 과제 확대수출입은행 공급망기금 운영관리 프로젝트, 교보생명 IFRS PD점검 프로젝트 수행.
2022
시장리스크·개시증거금 고도화하나은행·하나금융그룹 바젤III 시장리스크(FRTB), 카카오손보 KICS-4, 삼성증권 개시증거금 산출시스템.
2020~2021
신지급여력·펀드평가 확대BNK저축은행 금리체계 개선, 롯데손보 KICS-4, 신한금융투자 개시증거금 산출, 하나생명 ELS 펀드평가.
2017~2019
IFRS·건전성 프로젝트 본격화삼성·하나생명 IFRS17/IFRS9 시스템 구축, 현대해상 IFRS17, SC제일은행 IFRS9, 기업은행 조기경보·영업기회 관리시스템.
2016.05
㈜포시어스 설립금융 리스크·모델 엔진 전문 기업으로 설립. 금융기관 리스크 관리·모형 프로젝트를 기반으로 성장.

* 프로젝트 수행 시점 기준으로 정리한 초안이며, 세부 연도·내용은 조정될 수 있습니다.

오시는 길

LOCATION

ADDRESS

서울시 광진구 아차산로 375, B1층 광진비즈니스센터 123호

CONTACT

contact@foreseers.kr
Foreseers

HD-NLP Engine

High Dimension-Natural Language Processing

1998년도 패턴인식 연구를 통해 NLP Engine의 기초를 만들었으며, 이후 여러 단계를 거쳐 2026년 현재 버전의 HD-NLP Engine 구조를 완성했습니다.

현재 단계에서 실시간 Engine 분석을 통한 Hidden-Pillar(실시간 글로벌 뉴스분석 Site)를 런칭할 예정이며, 향후 전문분야로 확대할 예정입니다.

핵심 특징

다차원 구조

기존의 NLP 모형을 탈피한 다차원 구조의 지능형 NLP Engine

활용 분야

뉴스분석엔진 및 전문분야 분석엔진에 활용

TECHNICAL ARCHITECTURE (Excerpt)

Foreseers HD-NLP Engine

Data SourcesMarket / Ref Data
Ingestion LayerStreaming / Batch
Feature StoreCross-sectional

HD-NLP Engine

HD-Pattern Recognition
Estimation & Calibration
Scenario & Simulation
Validation & Backtesting
Deployment LayerReal-time Analysis / Batch / Workflow
Real-time Analysis AggregationModel Inventory / Approval / Policy

Homepage Service [Hidden Pilla]

MonitoringNews Analysis / Simulation
B2C ServicePersonalized Insights
ReportingSimulation / Applications
CONFIDENTIAL · PREVIEW

STANDARD LLM PIPELINE

기존 LLM 표준 방식

GPT·LLaMA·PaLM 등 주요 대형 언어모델은 아래의 공통 처리 파이프라인을 공유합니다. 문자열을 토큰으로 바꾸고, 매 스텝 하나의 토큰을 예측해 이어 붙이는 자기회귀(next-token prediction) 루프입니다.

01문자열 입력Input
→
02토큰화Tokenization
→
03임베딩+위치Embedding · RoPE
→
04트랜스포머 ×NAttention + FFN
→
05다음 토큰 분포Logits · Softmax
→
06디코딩/샘플링Top-k · Top-p
→
07후처리→응답Detokenize

02~07 반복으로 토큰을 순차 생성 (자기회귀 루프)

01
문자열 입력Input

사용자의 자연어 질의가 원문 문자열 그대로 모델에 전달됩니다. 아직 숫자화되지 않은 순수 텍스트 상태입니다.

02
토큰화Tokenization · BPE / SentencePiece

문자열을 모델이 다루는 정수 ID 시퀀스로 분절합니다. GPT는 tiktoken(BPE), PaLM은 256k SentencePiece, Llama 3는 128k vocabulary를 사용하며, 압축률·어휘 커버리지·추론 비용을 직접 좌우합니다.

03
임베딩 + 위치정보Embedding · RoPE

각 토큰 ID를 임베딩 행렬에서 조회해 d차원 실수 벡터로 변환하고 위치 정보를 주입합니다. 최신 모델은 sinusoidal 대신 RoPE로 절대·상대 위치를 함께 반영해 긴 문맥에서 더 안정적입니다.

04
트랜스포머 블록 ×NSelf-Attention + FFN

causal mask가 걸린 multi-head self-attention과 FFN, residual·정규화를 수십~수백 층 반복합니다. GQA·MQA·FlashAttention으로 어텐션 연산과 KV 캐시 비용을 최적화하는 것이 최신 모델의 핵심 병목 관리 포인트입니다.

05
다음 토큰 분포Logits · Softmax

마지막 위치의 hidden state를 vocabulary 크기의 logits로 투영한 뒤 softmax로 다음 토큰 확률 분포를 만듭니다. weight tying을 쓰면 출력 투영이 임베딩 행렬과 공유됩니다.

06
디코딩 / 샘플링Greedy · Top-k · Top-p

확률 분포에서 다음 토큰을 선택합니다. greedy·beam·top-k·top-p와 temperature로 정확도와 다양성을 조절하며, nucleus(top-p) 샘플링은 개방형 생성에서 퇴행적 반복을 줄입니다.

07
후처리 → 응답Detokenize · Post-processing

선택된 토큰 ID를 다시 문자열로 복원(detokenize)하고, stop string·최대 토큰·툴 호출 스키마·안전성 정책 등을 적용해 최종 응답을 반환합니다. 이 07까지가 토큰 1개 생성이며, 완성될 때까지 02~07이 반복됩니다.

ND-VI Engine

Next-Dimension Visual Intelligence

HD-NLP에 적용되는 패턴인식 기술을 접목하여 비정형 이미지 Data 분석을 다차원으로 수행하는 시각지능 엔진을 개발중에 있으며, 향후 웹사이트에 접목하여 B2C 서비스로 확장할 예정입니다.

HD-Pattern 인식을 활용하여 비정형 시각데이터 자동분석 및 시뮬레이션을 수행합니다.

핵심 특징

차세대 시각지능

이미지와 영상 데이터 인식·분석을 통해 새로운 정보를 생성하는 차세대 시각지능 기술

자동 분석·시뮬레이션

객체탐지 → 이미지분류 → HD-패턴인식 기술을 통해 비정형 시각데이터 자동 분석 및 시뮬레이션

TECHNICAL ARCHITECTURE (Excerpt)

Foreseers ND-VI Engine

IMAGE & FRAME PIXELS · FRAMES · SIGNALS

비정형 시각데이터

ND-VI
Engine
DETECT객체탐지
▦
CLASSIFY이미지분류
ANALYZE분석·시뮬레이션

"B2C or 별도 모듈 활용 계획"

Image 활용· Search
· Inspection
Video 생성· Tracking
· Monitoring
Simulation· Prediction
· Scenario

STANDARD VISION PIPELINE

기존 대형 AI 모델의 이미지·영상 처리 표준 방식

CLIP·ViT·SAM·YOLO·Diffusion 등 주요 대형 비전 모델은 아래의 공통 처리 파이프라인을 공유합니다. 이미지를 격자 패치로 나눠 토큰화하고, 인코더로 특징을 추출한 뒤 태스크별 헤드에서 검출·분류·생성 결과를 산출하는 구조입니다.

01이미지/프레임 입력Input
→
02전처리·패치화Resize · Patchify
→
03패치 임베딩+위치Patch Embed · Pos
→
04백본 인코더 ×NViT / CNN
→
05특징 표현Feature Map · Tokens
→
06태스크 헤드Detect · Class · Gen
→
07후처리→결과NMS · Decode

영상은 프레임 시퀀스에 대해 위 과정을 반복하고 시간축 정보를 추가로 결합

01
이미지/프레임 입력Input

이미지 한 장 또는 영상의 프레임이 RGB 픽셀 배열(H×W×3) 형태로 모델에 전달됩니다. 영상은 시간축(T)이 더해진 프레임 시퀀스로 다뤄집니다.

02
전처리 · 패치화Resize · Normalize · Patchify

고정 해상도로 리사이즈·정규화한 뒤 16×16 등 격자 패치로 분할합니다. ViT 계열은 이미지를 패치 시퀀스(토큰)로, CNN 계열은 합성곱 입력으로 변환합니다.

03
패치 임베딩 + 위치정보Patch Embedding · Positional

각 패치를 선형 투영으로 d차원 벡터로 임베딩하고 위치 정보를 더합니다. 어느 위치에서 온 패치인지를 함께 인코딩해 공간 구조를 보존합니다.

04
백본 인코더 ×NViT Self-Attention / CNN

self-attention(ViT) 또는 합성곱(ResNet·EfficientNet) 블록을 수십 층 반복하며 저수준 엣지부터 고수준 의미까지 계층적 특징을 학습합니다. 이 백본이 인식 성능과 연산 비용을 좌우합니다.

05
특징 표현Feature Map · Tokens

백본을 통과한 결과는 이미지 전체를 요약한 특징맵 또는 토큰 임베딩입니다. CLIP처럼 텍스트와 같은 공간에 정렬하면 이미지-텍스트 유사도 비교가 가능해집니다.

06
태스크 헤드Detection · Classification · Generation

특징 표현 위에 목적별 헤드를 붙입니다. 분류 헤드는 클래스 확률을, 검출 헤드(YOLO·DETR)는 박스와 라벨을, 분할 헤드(SAM)는 마스크를, 생성 모델(Diffusion)은 노이즈 제거로 이미지를 산출합니다.

07
후처리 → 결과NMS · Decode · Post-processing

NMS로 중복 박스를 정리하고 임계값·라벨 매핑·좌표 복원 등을 적용해 최종 결과를 만듭니다. 영상에서는 프레임별 결과를 시간축으로 연결해 추적·이벤트 인식으로 확장합니다.

Financial Solutions

Pricing Engine, Scenario Engine

㈜포시어스의 기존 주요사업이었던 금융기관 프로젝트는 최소화하고, 금융기관 서비스 영역은 금융기관별 최적화 Engine 제공을 우선시할 예정으로, 향후 관련 엔진은 특수업권별 엔진으로 서비스할 예정입니다.

Pricing·Scenario Engine을 기반으로 금융기관의 리스크 관리와 전략 수립을 정량적으로 지원합니다.

주요 제공 서비스

국내 보험사 자산평가엔진 제공

금융지주 계열사 리스크 통합관리 및 전략

은행 리스크 관리 및 IB 전략 컨설팅

증권사 리스크 관리 및 포트폴리오 전략

보험사 리스크 관리 및 위기대응전략

공공금융기관의 금리체계 외 다양한 컨설팅

TECHNICAL ARCHITECTURE (Excerpt)

Scenario · Pricing Engine

Macro
Economy
Market
Data
Scenario
Engine

Integrated Scenario

Macro Scenario
금리리스크 Scenario
IRScn 1Scn 2Scn 3Scn 4
Pricing
Engine
리스크
관리
위기상황
분석
Scenario Engine

사업계획(Macro-Finance) 시나리오와 금리리스크(Real World) 시나리오를 구분하여 관리하고, 금리연동형 Cashflow 산출을 위한 시나리오를 생성합니다.

Pricing Engine

Macro Scenario 1,000개를 생성하여 금리연동형 상품의 현금흐름 생성에 적용하고, 산출된 현금흐름을 입수하여 Pricing을 수행합니다.

PROJECT HISTORY

금융기관 프로젝트 수행내역 (50+)

은행
  • [수출입은행] 금리체계 신용평가 산출('19~'26)
  • [수출입은행] 공급망기금 운영관리 프로젝트('24)
  • [하나은행] 바젤III 시장리스크(FRTB)('22)
  • [BNK저축은행] 금리체계 개선('21)
  • [수협은행] 신용평가모형 적정성검토('19)
  • [SC제일은행] IFRS9('17)
  • [기업은행] 조기경보 및 영업기회 관리시스템 구축('17)
  • [우리은행/하나은행] 신용평가모형, 그룹 RC 재추정 외
보험
  • [라이나생명] ORSA 금리리스크 자산평가엔진('24~'26)
  • [교보생명] IFRS PD점검 프로젝트('20, '24)
  • [하나생명] ELS 펀드평가('20~'22)
  • [카카오손보] KICS-4('22)
  • [롯데손보] KICS-4('21)
  • [삼성생명/하나생명] IFRS17 및 IFRS9 시스템 구축('19)
  • [현대해상] IFRS17('18)
  • [교보생명] IFRS17('17) 외
금융그룹
  • [하나금융그룹] 바젤III 시장리스크(FRTB)('22)
  • [하나금융그룹] 지주사 그룹 RC 추정('15)
  • [KB금융그룹] 지주사 그룹 RC 추정('15)
  • [하나금융그룹] 기업신용평가 모형 시스템('08)
  • [하나금융그룹] RAPM기반 그룹 한도관리 시스템 구축('08)
  • [하나금융그룹] 그룹 리스크 조기경보 시스템 구축('07) 외
증권
  • [KB증권] 통합리스크 관리시스템 재구축('25)
  • [삼성증권] 장외파생상품 개시증거금 산출시스템('22)
  • [신한금융투자] 장외파생상품 개시증거금 산출시스템('20)
  • [NH투자증권] 금융공학모형 기반 파생운용('11)
  • [이트레이드증권] 시장/신용/운영/ALM 시스템 구축('09)
  • [하나대투증권] 기업신용평가모형 개발('09)
  • [KTB투자증권] 리스크관리시스템 구축요건 및 설계('09)
  • [현대증권/삼성증권] 리스크 산출엔진 검증방안 도출('07) 외
Foreseers

NLP 연구논문 (2002)

RESEARCH PAPERS

HD-NLP Engine은 2002년도에 발표한 연구논문에서 보듯이 Neural Network 기반 지능형 패턴인식을 기반으로 High-Dimension으로 발전하였다.

Article

Intelligent System for Adapting to a User’s Characteristics

July 2002 · Neural Computing and Applications 11(1):53-61

DOI: 10.1007/s005210200016

Source · DBLP

AUTHORS

Kihwan Eom
Jiwon Jung
Harsha Sirisena University of Canterbury

사용자 특성에 적응하는 지능형 시스템

동국대학교 엄기환·정지원·Harsha Sirisena 교수 공동 저술의 논문 “Intelligent System for Adapting to a User’s Characteristics”는 Springer 출판사 Neural Computing and Applications 제11권 1호(2002)에 게재되었다. DOI는 10.1007/S005210200016이다.

본 논문에서는 사용자의 특성이나 습관에 스스로 적응하는 지능형 시스템을 제안한다. 제안된 지능형 시스템은 패턴 인식 및 신호 처리 분야에서 널리 사용되는 두 개의 학습 벡터 양자화(Learning Vector Quantisation, LVQ) 네트워크로 구성된다.

첫 번째 LVQ 네트워크는 대상 시스템의 외부 환경 조건으로부터 감지 신호의 패턴을 학습하고 인식한다. 이후 이 결과를 활용하여 두 번째 LVQ 네트워크가 사용자의 특성이나 습관을 학습하도록 지원하며, 이를 통해 사용자가 선호하는 출력을 자동으로 생성한다.

제안된 방법의 유용성을 검증하기 위해 가변 조명장치를 대상으로 시뮬레이션과 실제 실험을 수행하였다. 시뮬레이션 및 실험 결과, 제안된 지능형 시스템은 주어진 환경 조건에서 사용자가 가장 선호하는 조명 출력을 학습하고 이를 자동으로 생성할 수 있음을 확인하였다.

ABSTRACT

In this paper, we propose an intelligent system that adapts itself to a user’s characteristics or habits. The proposed intelligent system is composed of two Learning Vector Quantisation (LVQ) networks, commonly used in the fields of pattern recognition and signal processing. From the external condition of the plant, the first LVQ network learns to recognise the pattern of the sensed signal, and then aids the second LVQ to learn the user’s characteristics or habits so as to automatically produce the user’s favoured output. To verify the usefulness of the proposed method, we simulated and experimented with a variable illuminator. Both simulation and experimental results showed that the proposed intelligent system learns to automatically produce the illuminator output that the user most favours for the circumstances.

독자기술기반 코어엔진

PROPRIETARY CORE ENGINE

자체 연구로 확보한 코어엔진의 구조와 차별성을 소개하는 영역입니다. (수정 예정)

아키텍처·특허·기술 지표 등 상세 설명이 들어갈 자리입니다. (수정 예정)