Summary

  • 워트인텔리전스의 keywert는 3억 건 이상의 글로벌 특허 데이터를 검색·분류·요약할 수 있는 AI 서비스 
  • 엘앤에프는 국산 AI 반도체인 ATOM™과 국산 AI 모델 PlutoLM 기반의 keywert를 결합하여, IP 데이터 큐레이션(AI of Science) 영역의 국내 기술 기반 AI 풀스택 서비스를 구축
  • 기존 GPU 대비 전성비 2.8배 향상, 추론 속도 16% 개선으로 운영 효율 입증 

Challenge

엘앤에프는 이차전지 핵심소재 분야의 R&D 혁신을 가속화하기 위해, 전 세계 특허 데이터를 효율적으로 검색·분류·요약·분석할 수 있는 IP 서비스의 도입을 검토해 왔습니다. 양극재 관련 기술문서와 연구 결과물은 회사의 핵심 경쟁력이 담긴 기밀 자산이기 때문에, 외부 클라우드로 데이터를 반출하지 않고 내부에서 안전하게 처리할 수 있는 온프레미스 환경이 필수 조건이었습니다.

특허 데이터 기반의 IP 서비스는 검색·분류·요약·분석 등 데이터 집약적 처리가 핵심을 이루는 분야로, 처리 성능과 효율성이 곧 R&D 생산성과 직결됩니다. 워트인텔리전스가 운영하는 keywert는 기술정보를 포함한 전 세계 3억 건 이상의 특허 데이터를 다루는 AI 서비스로, 최근 기업 R&D 결과물과 같은 기밀 데이터를 안전하게 분석하기 위한 온프레미스 납품 수요가 급증하던 상황이었습니다. 엘앤에프는 이러한 keywert의 분석 역량을 사내 폐쇄망 환경에서 안정적이고 경제적으로 운영할 수 있는 인프라를 필요로 했습니다.

Solution

워트인텔리전스는 NPU 전문 기업 리벨리온과 MOU를 체결하고, 국산 AI 반도체 ATOM™과 AI 모델 PlutoLM을 결합한 NPU 기반 풀스택 솔루션을 구축했습니다. 이 솔루션은 PlutoLM을 ATOM™ 위에서 구동하며, 3억 건 이상의 글로벌 특허 정보를 대상으로 추론을 수행하도록 설계되었습니다. 

핵심 기능은 AI 분류 Copilot과 AI 요약 Copilot 두 가지입니다. 분류 Copilot은 사용자가 최소 10건의 문서만 라벨링하면 나머지 수백~수천 건의 특허를 수 초 내에 자동 분류하며, 챗봇 형태의 분류 가이드를 통해 사용자의 의도와 분류 기준을 정교하게 반영하고 추론 범위까지 설정할 수 있도록 구성되어 있습니다. 요약 Copilot은 특허 문서로부터 기술의 목적, 해결 수단, 신규성 등 핵심 내용을 인식해 추출하며, 신기능·신소재 발굴을 위한 도구로 활용할 수 있도록 설계되었습니다.

엘앤에프에는 AI 모델·데이터·인프라를 통합한 풀스택 패키지가 서버 형태로 사내에 온프레미스 설치되었습니다. 이차전지 양극재 관련 약 10만 건의 시드 특허 데이터로부터 선별된 약 1,500건의 학습 데이터를 기반으로, 분류 Copilot과 요약 Copilot가 협업하여 특허 문서 단락 속 조성물질을 분류하고 요약을 수행하는 구조로 구축되었습니다.

Result

엘앤에프는 폐쇄망 온프레미스 환경에서 신규 특허 자동 알림까지 안전하게 운용할 수 있는 체계를 갖추게 되었으며, 이차전지 양극재 관련 특허 분석 업무에 AI 추론 결과를 곧바로 활용할 수 있게 되었습니다. 변리사 등 전문가 품질 검증에서도 10점 만점 중 평균 7점 이상의 만족도를 기록하며 실무 활용성을 입증했습니다. 

성능 측면에서도 가시적인 성과가 나타났습니다. 리벨리온 NPU 도입을 통해 기존 GPU 대비 전성비가 약 2.5배 개선되어 도입 및 운영 비용을 절감할 수 있게 되었고, 추론 속도는 기존 시스템 대비 16% 이상 향상되었습니다. 이번 사례는 보안이 중요한 IP 데이터 큐레이션(AI of Science) 영역에서 인프라부터 서비스까지 국산 기술만으로 고성능 AI 추론 환경을 구축할 수 있음을 보여주었습니다.

“이번 협력은 특허 AI가 산업 현장에서 더 빠르고, 안정적이며, 경제적으로 운영될 수 있는 기반을 마련했다는 점에서 의미가 큽니다. 리벨리온의 NPU 인프라와 결합해 특허 AI를 기업 핵심 의사결정 인프라로 확장하고 글로벌 시장에서도 경쟁력을 입증해 나가겠습니다.”

– 워트인텔리전스 윤정호 대표 –

Appendix: NPU 활용 가이드

지금 바로 시작하기: 사전 훈련된 모델 준비 → RBLN 컴파일러를 이용한 모델 컴파일 → 컴파일된 모델 로드 및 추론