ChatGPT는 어떻게 글을 쓸까? 생성형 AI 원리·종류·한계 완전 정리

ChatGPT에게 질문하면 사람처럼 술술 답하고, 미드저니에 한 줄 입력하면 멋진 그림이 뚝딱 나옵니다. 그런데 이 AI들은 정말 '창조'를 하는 걸까요? 가끔 엉뚱한 거짓말(환각)은 왜 할까요? 이 글에서는 생성형 AI의 작동 원리부터 LLM·이미지 모델 종류, 그리고 꼭 알아야 할 세 가지 한계까지 한 번에 정리합니다.

생성형 AI, '무에서 유'를 만드는 게 아니다

가장 먼저 바로잡아야 할 오해가 있습니다.

생성형 AI는 아무것도 없는 백지에서 새로운 걸 만들어내지 않습니다.

생성형 AI(Generative AI)는 기존 데이터를 학습해 새로운 콘텐츠를 창작하는 시스템입니다. 핵심은 '기존 데이터'에 있어요. 대량의 데이터를 분석해 패턴을 학습하고, 그 패턴을 바탕으로 새로운 결과물을 조합해내는 거죠. 텍스트는 물론 이미지·음악·영상까지 다양한 형태로요.

그래서 "AI가 학습 데이터와 완전히 무관한 독창적 지식을 스스로 창조한다"거나 "인간의 창의성을 완전히 대체한다"는 말은 틀린 설명입니다. 이 메커니즘을 정확히 이해해야 AI가 할 수 있는 일과 없는 일을 구분하고, 더 똑똑하게 명령을 내릴 수 있습니다.

생성형 AI는 어떻게 발전해왔나 (출시 순서)

시험에도 자주 나오고, 흐름을 이해하는 데도 중요한 게 바로 출시 순서입니다.

트랜스포머(2017) → BERT(2018) → GPT-3(2020) → ChatGPT(2022)

모든 것의 시작은 2017년 트랜스포머(Transformer) 입니다. 기존 RNN의 한계를 극복하기 위해 등장한 새로운 AI 구조였죠. 이 트랜스포머를 토대로 2018년 BERT가 나왔고, 2020년 GPT-3를 거쳐, 마침내 2022년 우리가 아는 ChatGPT가 세상에 등장합니다.

📌 헷갈리기 쉬운 포인트: BERT가 ChatGPT보다 먼저 나왔습니다.

생성형 AI의 두 갈래: 글을 쓰는 AI vs 그림을 그리는 AI

📝 텍스트를 만드는 LLM (거대 언어 모델)

LLM(Large Language Model) 은 이름 그대로 방대한 데이터셋으로 학습한 텍스트 기반 생성 AI입니다. 이 '방대한 데이터셋'이 LLM을 설명하는 핵심 키워드예요. 덕분에 사람과 대화하듯 자연스러운 응답이 가능합니다.

대표 주자: ChatGPT, 코파일럿(Copilot), 클로드(Claude), 제미나이(Gemini)

한 가지 중요한 사실. LLM은 데이터베이스에 접속해 정답을 꺼내오는 게 아닙니다. 학습한 패턴을 바탕으로 확률적으로 '다음에 올 단어(토큰)'를 예측하며 문장을 만들어냅니다. 바로 이 방식 때문에 뒤에서 설명할 환각 현상이 생기죠.

🎨 이미지를 만드는 모델: GAN과 확산 모델

이미지 생성 AI는 크게 두 방식이 있습니다.

확산 모델의 "노이즈를 걷어내며 흐릿한 화면이 선명해지는" 과정이 핵심입니다. 우리가 아는 대표 서비스들도 이 방식을 씁니다.

💡 재밌는 사실: DALL-E라는 이름은 초현실주의 화가 살바도르 달리와 픽사 로봇 영화 월-E에서 영감을 받아 지어졌습니다.

똑똑하지만 완벽하진 않다 — 생성형 AI의 3대 한계

생성형 AI를 제대로 활용하려면 한계를 아는 것이 더 중요합니다. 꼭 기억해야 할 세 가지예요.

1️⃣ 환각 (Hallucination) — 그럴듯한 거짓말

실제로 존재하지 않는 정보를 진짜처럼 꾸며내는 현상입니다. 학습 데이터의 한계, 프롬프트 맥락 오해, 확률적 생성 방식이 원인이죠.

• 🧑‍⚖️ 가짜 판례 사건: 한 변호사가 ChatGPT가 만들어준 존재하지 않는 판례를 법원에 제출했다가 망신을 당했습니다.
• 📄 갤럭티카 폐쇄: 메타가 만든 과학 논문 요약 AI '갤럭티카'는 그럴듯한 가짜 정보를 쏟아내 결국 공개 3일 만에 내려졌습니다.

2️⃣ 편향성 (Bias) — 한쪽으로 치우친 판단

특정 집단·생각·의견에 더 호의적이거나 부정적으로 반응해 치우친 결과를 내는 현상입니다. 특정 직업을 성별과 연결 짓거나, 인종·문화 고정관념을 반영하는 식이죠. 원인은 과거 데이터에 녹아 있는 사회·문화적 편견입니다.

• 👔 아마존 채용 AI 사건: 과거 남성 중심의 이력서 데이터로 학습한 탓에, 여성 지원자에게 불리한 점수를 매겨 결국 폐기됐습니다.

3️⃣ 블랙박스 (Black Box) — 속을 알 수 없는 상자

AI가 어떤 결론을 내렸을 때, 그 판단 과정을 인간이 이해하거나 해석하기 어려운 현상입니다.

• 설명 불가능: 왜 그런 답을 냈는지 알 수 없음
• 예측 불가능: 같은 질문에도 다른 답이 나옴
• 통제·디버깅 어려움

의료 진단, 자율주행, 대출 거절처럼 이유가 중요한 분야에서 특히 문제가 됩니다. "왜 대출이 거절됐죠?"에 AI가 답하지 못하면 곤란하니까요.

🔑 한 줄 구별법

• 없는 정보를 지어냄 → 환각
• 특정 집단을 차별 → 편향성
• 판단 과정을 알 수 없음 → 블랙박스

한 걸음 더 — GPT vs BERT vs PaLM

조금 더 깊이 들어가면, 같은 트랜스포머 기반이라도 모델마다 성격이 다릅니다.

"양방향으로 읽고 좌우 문맥을 고려하며, 일부 단어를 가린 뒤 맞히는 모델"이라면? 정답은 BERT입니다.

보너스: AI의 편향성, 이렇게 확인하세요

• 반대되는 질문, 다양한 관점의 질문을 던져보기
• '항상', '절대로' 같은 과장된 표현 경계하기
• 출처 확인 + 좋은 점·나쁜 점을 모두 말하는지 균형 테스트
• 가장 효과적인 방법: 같은 질문을 다양한 관점에서 여러 번 반복해 답변의 일관성을 관찰하기
  • 이때 이전 대화에 영향받지 않도록 새 채팅방을 자주 여는 것이 좋습니다.

마치며

정리하면 이렇습니다.

생성형 AI는 '학습한 데이터'를 바탕으로 콘텐츠를 만들 뿐, 무에서 유를 창조하지 않는다. 그래서 환각·편향·블랙박스라는 한계를 안고 있다.

이 원리를 이해하면 AI를 맹신하지도, 무작정 두려워하지도 않게 됩니다. AI는 강력한 도구지만, 그 결과물을 비판적으로 검증하는 것은 결국 사람의 몫이니까요.

📇 핵심만 빠르게 — 한 줄 암기 카드

• 데이터 학습 → 새 콘텐츠 창작 (무에서 유 ❌) → 생성형 AI
• 출시 순서: 트랜스포머(17) → BERT(18) → GPT-3(20) → ChatGPT(22)
• 방대한 데이터 + 텍스트 → LLM (ChatGPT·코파일럿·클로드·제미나이)
• 생성자 vs 판별자 → GAN / 노이즈 추가 후 제거 → 확산 모델
• 디퓨전 기반: 스테이블디퓨전·미드저니 / 트랜스포머 기반: DALL-E 3
• 살바도르 달리 + 월-E → DALL-E
• 없는 정보 생성(가짜 판례·갤럭티카) → 환각
• 특정 집단 치우침(아마존 채용) → 편향성
• 판단 과정 불명(의료·자율주행·대출) → 블랙박스
• 단방향 GPT / 양방향 빈칸 BERT / 코딩·수학 PaLM

이 글이 도움이 되셨다면 공감과 댓글 부탁드려요. AI 개념 정리 시리즈, 다음 편에서 계속됩니다! 🙌

#생성형AI #ChatGPT #LLM #환각 #편향성 #블랙박스 #디퓨전모델 #DALLE #AI자격증 #AIPOT

과적합이 뭐길래? AI 성능 평가의 모든 것 (정확도·정밀도·재현율·F1)

"모델 정확도 99%인데 왜 실전에선 엉망일까요?" AI를 공부하다 보면 꼭 만나는 질문입니다. 답은 과적합(Overfitting) 에 있습니다. 이 글에서는 AI 성능 평가의 핵심인 과적합·과소적합 개념부터, 데이터를 나누는 방법, 그리고 정확도·정밀도·재현율·F1 점수까지 한 번에 정리해드립니다.

인공지능 성능 평가란?

인공지능 성능 평가는 단순히 "정답을 몇 개 맞췄나"를 넘어, AI가 어느 정도 성능을 내는지, 학습이 제대로 됐는지, 실전에서 쓸 수 있는지를 총체적으로 확인하는 과정입니다.

여기서 가장 중요한 기준은 하나입니다.

좋은 모델은 '훈련 데이터'와 '처음 보는 새 데이터' 양쪽 모두에서 높은 성능을 내야 한다.

훈련 데이터만 잘 맞히는 모델은 시험 문제를 통째로 외운 학생과 같습니다. 응용 문제(새 데이터)가 나오면 와르르 무너지죠. 바로 이 지점에서 과적합과 과소적합 이야기가 시작됩니다.

1. 과소적합 · 최적합 · 과적합

학습 상태는 크게 세 가지로 나뉩니다. 그래프 모양만 봐도 구별할 수 있어요.

조금 더 풀어보면 이렇습니다.

• 과소적합(Underfitting): 훈련이 부족해 데이터의 경향성조차 따라가지 못하는 상태
• 최적합(Best fit): 적절한 훈련으로 훈련·테스트 데이터 모두 좋은 이상적인 상태
• 과적합(Overfitting): 과도한 훈련으로 훈련 데이터에 너무 맞춰져, 정작 실전 성능은 낮은 상태

성능 수치로 구별하기

말로는 헷갈리니 표로 정리하면 명확합니다.

💡 핵심 한 줄: 훈련은 잘하는데 테스트가 유독 낮다? → 그게 바로 과적합입니다.

2. 데이터를 나눠 쓰는 이유

과적합을 막는 가장 기본적인 방법은 데이터를 용도별로 나누는 것입니다. 보통 세 가지로 분리합니다.

특히 테스트 데이터는 처음부터 따로 떼어놓고 학습에 전혀 사용하지 않습니다. 그래야 모델을 객관적으로 평가할 수 있거든요. (마치 시험 문제를 미리 보지 않아야 실력을 정확히 알 수 있는 것과 같습니다.)

단순 분할 vs K-폴드 교차 검증

데이터를 나누는 방법도 두 가지가 있습니다.

① 단순 분할
데이터를 한 번에 쭉 나누는 간단한 방식입니다. 빠르지만, 중요한 데이터가 한쪽에 몰리면 결과가 불안정해질 수 있다는 약점이 있어요.

② K-폴드 교차 검증 (K-Fold Cross Validation)
데이터를 K개 그룹으로 나눈 뒤, 그룹을 돌아가며 테스트 데이터로 사용합니다. 모든 데이터가 한 번씩 검증에 쓰이므로 결과의 신뢰도가 높아지죠. 다만 여러 번 반복 계산하니 시간이 오래 걸린다는 단점이 있습니다.

📌 "데이터를 여러 그룹으로 나누고, 매번 다른 그룹을 검증 데이터로 사용해 모든 데이터를 한 번씩 검증에 활용하는 기법" = K-폴드 교차 검증

3. 정확도? 정밀도? 재현율? 헷갈리는 평가 지표 완전 정복

성능을 숫자로 표현하는 지표들입니다. 이름이 비슷해 헷갈리기 쉬우니 천천히 보겠습니다.

정밀도 vs 재현율, 스팸 메일로 이해하기

가장 헷갈리는 두 지표를 스팸 필터로 구분해볼게요.

• 정밀도: "스팸이라고 분류한 메일 중, 진짜 스팸은 몇 %인가?"
  → 정밀도가 낮으면 멀쩡한 메일을 스팸함에 던져버립니다. 😱
• 재현율: "실제 스팸 중, 스팸함으로 제대로 걸러낸 건 몇 %인가?"
  → 재현율이 낮으면 스팸이 받은편지함에 줄줄 새어 들어옵니다.

시험에서 "모델이 스팸이라 예측한 것 중 실제 스팸인 비율"을 묻는다면? 정답은 정밀도입니다.

F1 점수 — 균형 잡힌 종합 점수

F1 점수는 정밀도와 재현율의 조화 평균입니다. 모델이 종합적으로 얼마나 쓸만한지 보여주죠.

핵심은 이겁니다.

⚠️ 정밀도와 재현율 중 어느 하나라도 낮으면 F1 점수는 떨어집니다.

즉, 한쪽만 잘해서는 좋은 점수를 받을 수 없습니다. 두 지표가 균형 있게 높아야 F1도 높아져요. 그래서 F1은 "한쪽으로 치우치지 않은 진짜 실력"을 보는 지표라고 할 수 있습니다.

4. 한 단계 더 — 과적합을 막는 앙상블 기법

(자격증 1급을 노린다면 꼭 알아둬야 할 고급 기법입니다.)

여러 모델을 똑똑하게 조합해 과적합을 막고 최적합으로 유도하는 방법을 앙상블(Ensemble) 이라 합니다. 대표적으로 세 가지가 있어요.

핵심 철학은 같습니다. "하나의 모델, 하나의 데이터에 갇히지 말고 여러 관점을 모으자." 집단 지성이 한 명의 천재보다 나을 때가 많은 것처럼요.

마치며

정리하면 이렇습니다.

잘 나눈 데이터(훈련·검증·테스트) + 올바른 평가 지표(정확도·정밀도·재현율·F1) = 과적합 없는 믿을 수 있는 AI

정확도 99%라는 숫자에 속지 마세요. 그 모델이 처음 보는 데이터에서도 99%를 낼 수 있는지, 정밀도와 재현율의 균형은 맞는지 따져보는 것이 진짜 실력입니다.

📇 핵심만 빠르게 — 한 줄 암기 카드

• 직선형 + 둘 다 낮음 → 과소적합
• 부드러운 곡선 + 둘 다 높음 → 최적합
• 지그재그 + 훈련↑·테스트↓ → 과적합
• 교과서=훈련 / 연습문제=검증 / 실전시험(미사용)=테스트
• 골고루 나눠 돌아가며 검증 → K-폴드 교차 검증
• 예측한 것 중 진짜 → 정밀도 / 실제 정답 중 잡아낸 것 → 재현율
• 정밀도·재현율 조화 평균(하나만 낮아도 ↓) → F1 점수
• 데이터만 바꿔 다양하게 → 배깅 / 오류 보완 → 부스팅 / 예측 종합 → 스태킹

이 글이 도움이 되셨다면 공감과 댓글 부탁드려요. AI 개념 정리 시리즈, 다음 편에서 계속됩니다! 🙌

#인공지능 #머신러닝 #과적합 #성능평가 #정밀도 #재현율 #F1점수 #앙상블 #AI자격증

규칙 기반 시스템부터 트랜스포머까지, AI의 흐름 한눈에 정리

인공지능을 공부하다 보면 용어가 너무 많아 머리가 복잡해집니다. 규칙 기반 시스템, 머신러닝, 딥러닝, 그리고 요즘 핫한 트랜스포머까지… 이 글에서는 AI 기술의 발전 흐름을 따라가며 핵심 개념을 한 번에 정리해봤습니다. 자격증 시험을 준비하시는 분이나 AI 기초를 잡고 싶은 분께 도움이 되길 바랍니다.

1. AI의 출발점, 규칙 기반 시스템

초창기 인공지능은 사람이 직접 규칙을 짜 넣는 방식이었습니다. 핵심은 단순합니다.

"만약 A라면, B를 시행하라" (IF-THEN)

예를 들어 신호등 시스템("빨간불이면 멈춰라")이나 도서관 대출 시스템처럼, 정해진 규칙대로만 작동하는 거죠. 신용 평가에서 "연체 3회 이상이면 고위험 고객으로 분류"하는 것도 대표적인 규칙 기반 시스템입니다.

전문가 시스템 — 규칙의 집대성

규칙 기반 시스템을 복합적으로 응용한 것이 바로 전문가 시스템(Expert System) 입니다. 특정 분야 전문가의 지식을 디지털화해 컴퓨터에 학습시킨 형태로, 수많은 IF-THEN 규칙을 바탕으로 추론합니다.

최초의 전문가 시스템은 에드워드 파이겐바움이 개발한 덴드랄(DENDRAL) 입니다. (비슷한 시기의 '세인트'가 아니라 덴드랄이 최초로 인정받는 이유는, 전문가의 지식을 명시적으로 규칙화했기 때문이에요.)

하지만 전문가 시스템에는 명확한 한계가 있었습니다.

• 💸 높은 유지보수 비용 — 규칙이 많아질수록 관리가 어려움
• 📚 지식 획득의 어려움 — 전문가의 암묵지를 규칙으로 옮기기 까다로움
• 🎨 창의적 문제 해결의 한계 — 정해진 규칙 밖의 상황엔 대응 불가

이 한계를 넘기 위해 등장한 것이 바로 머신러닝입니다.

2. 데이터로 학습하는 머신러닝

머신러닝은 사람이 규칙을 일일이 짜는 대신, 데이터로부터 컴퓨터가 스스로 패턴을 학습하게 합니다. 학습 방식에 따라 네 가지로 나뉩니다.

비지도 학습 — 정답 없이 패턴 찾기

대표 알고리즘은 K-평균 군집화(K-means Clustering) 입니다. 비슷한 데이터끼리 묶어서 군집(cluster)을 만드는데요, 군집의 개수 K를 지정하고 유클리드 거리를 기준으로 각 데이터를 가까운 군집에 할당합니다.

지도 학습 — 정답을 보며 예측하기

지도 학습에는 다양한 알고리즘이 있습니다. 각각의 특징을 알아두면 헷갈리지 않아요.

강화 학습 — 보상을 향해 나아가기

강화 학습은 "잘하면 보상, 못하면 벌점"을 주며 학습합니다.

• Q 학습: 특정 상황에서 어떤 행동이 가장 좋은지 학습
• 정책 경사법: 행동할 규칙(정책) 을 결정하며, 행동의 확률을 활용

3. 뇌를 닮은 신경망, 그리고 딥러닝

인공신경망(ANN) 은 인간 두뇌의 신경세포를 모방한 컴퓨터 모델입니다. 뇌가 학습하듯 데이터를 배우고 판단하죠. 신경망은 이렇게 작동합니다.

• 순전파(Forward Propagation): 입력 → 출력으로 신호가 흐르는 기본 작동 원리
• 역전파(Backpropagation): 오류를 발견하면 거꾸로 거슬러 올라가 학습 방향을 수정
• 손실 함수(Loss Function): 예측이 얼마나 틀렸는지 측정

딥러닝은 여러 개의 은닉층(hidden layer) 을 쌓은 신경망으로 패턴을 학습하는 방식입니다. 이때 쓰이는 깊은 신경망 구조를 DNN(심층 신경망) 이라 부릅니다.

용도에 따라 특화된 신경망도 있습니다.

4. 현대 AI를 만든 세 가지 기둥

오늘날 우리가 쓰는 생성형 AI와 챗봇의 뿌리에는 세 가지 핵심 기술이 있습니다.

🎭 GAN — 경쟁하며 진짜 같은 가짜를 만든다

GAN(적대적 생성 신경망) 은 생성자와 판별자가 서로 경쟁하며 학습합니다. 생성자는 진짜 같은 가짜 데이터를 만들고, 판별자는 진짜와 가짜를 구별하려 하죠. 이 경쟁 속에서 점점 정교한 결과물이 나옵니다. 이안 굿펠로우의 논문에서 시작됐으며, 이미지·영상 제작에 활발히 쓰입니다.

발전 모델: WGAN, CGAN, 스타일GAN(StyleGAN)

♟️ MCTS — 시뮬레이션으로 최선의 수를 찾는다

MCTS(몬테카를로 트리 탐색) 는 가능한 수를 시뮬레이션으로 여러 번 돌려보고, 승률이 높은 선택을 찾아냅니다. 그 유명한 알파고의 바둑 두뇌가 바로 이 기술이에요.

발전 기법: 롤아웃 정책 학습, 트리 재사용, 병렬 MCTS

🤖 트랜스포머 — 모든 단어를 동시에 본다

트랜스포머(Transformer) 는 2017년 구글이 발표한 자연어 처리 모델로, 오늘날 ChatGPT 같은 거대 언어 모델의 기반입니다. RNN의 한계를 극복한 점이 핵심인데요.

병렬 처리가 가능해 속도가 빠르고, 문맥 이해 능력이 뛰어나다는 게 가장 큰 장점입니다.

발전 기법: Mixture of Experts(MoE), FlashAttention, PFT — 성능을 높이면서 자원은 줄이는 방향으로 진화 중

마치며

지금까지 살펴본 흐름을 정리하면 이렇습니다.

규칙 기반 시스템 → 전문가 시스템 → 머신러닝 → 딥러닝(신경망) → GAN·MCTS·트랜스포머

사람이 규칙을 짜던 시대에서, 기계가 데이터로 스스로 배우는 시대를 지나, 이제는 인간처럼 창작하고 대화하는 AI의 시대로 왔습니다. 각 기술이 이전 기술의 한계를 어떻게 넘어섰는지 흐름으로 이해하면 훨씬 오래 기억에 남습니다.

📇 핵심만 빠르게 — 한 줄 암기 카드

• 최초의 전문가 시스템 → 덴드랄(화학)
• 의료 진단 + 600개 규칙 → 마이신
• S자 곡선 확률 분류 → 로지스틱 회귀
• 최적 경계선 + 마진 최대화 → SVM
• K + 유클리드 거리 군집화 → K-평균
• 결정 트리 투표 앙상블 → 랜덤 포레스트
• 이미지 처리 → CNN / 순차 데이터 → RNN
• 생성자 vs 판별자 → GAN / 알파고 → MCTS
• 셀프 어텐션 · 병렬 처리 · 2017 구글 → 트랜스포머

이 글이 도움이 되셨다면 공감과 댓글 부탁드립니다. AI 개념 정리, 다음 편에서 이어집니다! 🙌

#인공지능 #머신러닝 #딥러닝 #AI기초 #트랜스포머 #신경망 #자격증공부

지원내용

AI 활용/개발을 통한 1인 창업 종합 지원

① KAIST 1인 창업 AI Agent 커리큘럼(AI 에이전트 실무·이론·모델 등) 제공
② AI AI 워킹그룹 구성 : 워킹그룹 매칭 및 코워킹을 통한 기술 및 BM 고도화
- (기술고도화) KAIST 석/박사 중심
- (사업고도화) 탑티어 AC/VC, 사업 전문가, 글로벌 전문가
③ 초기 사업화를 위한 상금 지원 (총 1.45억원 규모 / 1인 최대 11백만원)
④ 우수 창업가 25인 대상 시드 투자 검토 (총 25억원 규모 / 1인 최대 1억원)
*시드 투자는 법인설립, 투자 적격성 및 조건 검토 후 진행됨.
⑤ AI Agent 운영 인프라
: AI Agent 운영 인프라 지원 및 KAIST 창업원 사업화 프로그램(글로벌 진출 등) 연계 기회
* 본 사업의 원활한 진행을 위해 상기 지원 사항 일부 변경될 수 있음

문의처

KAIST 창업원 창업지원센터(E. overedge@kaist.ac.kr)

https://www.k-startup.go.kr/web/s/TTUSHAfhmL

선정절차 및 평가방법

~6.30.(화): 2차 신청자 접수
~8.28.(금): 내부평가 후 발표대상자 확정
* 제품/서비스 경쟁력, 시장성, 확장성 등 고려
* 평가지표는 모집공고문 참조
~9.4.(금): 발표자료 최종 제출

행사 운영 일정

◦ 일 시 : 2026. 9. 10.(목) 13:00~ 18:00
◦ 장 소 : 서울 (세부장소 추후 안내 예정)
◦ 모집규모 : 10개사 내외
◦ 진행방식:
- 참가기업 10개사 IR 피칭
- 투자분야 전문 평가위원 5인의 심사 및 현장 피드백
- 우수기업 3개사 선정 후 후속투자 연계 지원

참여혜택

◦ 참가기업 전체
- 전문 투자자 및 투자기관 관계자의 IR피칭 및 BM 피드백 진행
- 투자 생태계 관계자 및 기업 대표들과의 자율 네트워킹 기회 제공
◦ 우수 발표기업(3개사)
- 실질 투자 유치를 위한 IR피칭 심화 멘토링 및 컨설팅 기회 제공(2회)
- 행사 참여 AC‧VC 및 투자기관의 후속 투자 검토를 위한 매칭 진행

문의처

- (주)스타에셋파트너스 (02-556-0507 / sap@starasset.co.kr)