도깨비방

ESG 경영의 개념 및 CSR, CSV, ESG의 변화

1. ESG 경영의 개념 및 CSR, CSV, ESG의 변화ESG는 환경, 사회, 지배구조 측면의 비재무적 지표로, 기업이 지속가능한 비즈니스를 달성하기 위한 핵심 요소입니다. ESG 경영은 주요 이해관계자가 요구하는 ESG 관점을 경영전략 및 전사적 프로세스에 통합하고 내재화하는 기업 혁신 활동을 의미합니다. 과거 CSR(기업의 사회적 책임)은 자발적·시혜적 활동으로 전통적 관점에서 단순 비용으로 인식되는 한계가 있었습니다 .이후 등장한 CSV(공유가치창출)는 기업 활동 자체가 사회적 가치와 경제적 이익을 동시에 추구하는 모델로 진화했습니다.반면 ESG 경영은 UN PRI 및 글로벌 투자자 주도와 공시 규제 강화에 따라 비재무적 리스크 관리와 지속가능성이 자본시장 및 기업 전략 전반에 규범화·제도화된 ..

ESG 경영에서 이해관계자의 개념과 상호 가치 순환

ESG 경영에서 이해관계자의 개념과 상호 가치 순환1. 이해관계자의 개념ESG 경영에서 이해관계자(Stakeholder)란 기업의 행동, 목표, 경영 전략에 직접·간접적으로 영향을 주거나 받는 개인, 그룹, 조직을 의미합니다.주요 이해관계자로는 고객, 종업원, 공급자(협력사), 투자자, 소유자(오너), 정부, 채권자, 지역사회, 노동조합 등이 있습니다. ESG 경영은 전통적인 주주(Shareholder) 이익 극대화 방식에서 벗어나, 기업을 둘러싼 모든 이해관계자와 신뢰 및 정서적 유대를 형성하고 상생을 도모하는 "이해관계자 자본주의"에 바탕을 둡니다.2. 이해관계자와 기업 간 상호 가치 순환 구조ESG 경영에서 기업과 이해관계자가 어떻게 동반 성장하고 지속가능한 가치를 창출하는지 설명하는 핵심 메커니즘..

자가진화 조사 기준과 핵심 결론**기준일: 2026년 10월 12일(KST)****{학습의 한계와 자율지능의 탄생}** 주제는 발표자료 및 브리핑 리포트의 핵심을 이루는 **'지능의 진화와 문명적 전환'**을 설명하는 가장 강력한 학술적·전략적 테마입니다. 전능한 AI시대 데이터 전략인간의 기존 지식을 모방하던 단계에서, 스스로 문제를 정의하고 진화하는 **'자율지능(Self-Evolving Intelligence)'**으로의 전환 과정을 4가지 핵심 구조로 정리해 드립니다.---### 1. 학습의 한계: 정답 모방(귀납)과 학습 시간의 압축* **기존 AI의 한계**: 초기 인공지능 학습은 인간이 축적해 놓은 기존 정보와 지식을 바탕으로 패턴을 찾고 정답을 모방하는 귀납적 추론에 집중되었습니다 [1]...

제2장 문헌 연구 - 자가진화 에이전트의 세 기둥에 대한 심층 분석2.1 Self-Evolving LLM의 개념과 계보Self-Evolving LLM은 학습 완료 후 가중치가 고정되는 기존 패러다임을 벗어나, 모델 스스로 데이터를 생성하고 평가하며 학습을 폐쇄 루프(Closed-loop)로 수행하는 체계를 의미한다.이 계보는 2022년 STaR에서 시작된다. STaR: Bootstrapping Reasoning With Reasoning은 Stanford와 Google Research가 제안한 방법으로, 정답이 있는 QA 데이터에 대해 모델이 스스로 추론 과정(rationale)을 샘플링하고, 정답에 도달한 rationale만으로 다시 학습시켜 점진적으로 어려운 문제를 풀도록 한다. STaR의 핵심은 외..

자가진화는 하나의 기술로 이루어 지니 않는다. 지금 연구의 핵심은 RAG는 외부 기억, LoRA는 몸의 근육, DPO는 가치관으로 보고 이 3개를 묶어서 스스로 진화하는 에이전트를 만드는 것이다.각각이 어떻게 자가진화와 결합되고 있는지 정리해줄게.1. 자가진화 x RAG : 외부 세계를 스스로 학습하는 기술일반 RAG는 그냥 검색해서 답변에 붙이는 거였는데, 이제는 모델이 스스로 검색을 계획하고, 검색 결과를 검증하고, 자신의 기억으로 만드는 단계로 진화했다.현재 핵심 연구 3가지:1) Self-RAG (Self-Reflective RAG)모델이 답변을 생성하면서 스스로 [검색이 필요한가?] 토큰을 생성한다. 필요하면 스스로 검색 쿼리를 만들고, 가져온 문서가 쓸만한지 [관련 있음 / 관련 없음] 이라고..

실험 및 성능 평가,1. 환경 설정 : - LLM 환경: Ollama 기반 로컬 LLM으로 Qwen3.5 b, misterial 4b 등 노트북기반 경량화 모델을 사용 - Agent 환경 : Agent A (Questoner) , Agent B (답변자), Agent C (Judge, Evaluation)를 구성한다. - 실험 프로세스 : Agent A가. Agent B에게 질문을 하고 , Agent C가 질문과 답변의 품질(정확성, 신뢰성, 적합성 등) 을 평가 또한 하네스를 통해 답변의 정확도, 편향, 환각의 문제를 검증하여 최종 검증된 데이터는 RAG 자원으로 축적한다. 만약 품질의 평가 기준이 평가 척도기준 90% 수준이 되지 않으면 A..

# 제3장 연구 방법론 및 시스템 세부 설계 (Methodology & Detailed System Design)본 장에서는 앞서 정립한 행동과학적 인지 원리(경험·질문·반성)와 기술적 자가 발전 인프라를 통합하여, **온프레미스 Private sLLM 환경에서 개인정보(PII) 비식별화 성능을 자율적으로 고도화하기 위한 제3장 연구 방법론 및 세부 시스템 설계**를 제시한다.---## 3.1 전체 시스템 아키텍처 개요 (System Architecture)본 프레임워크는 단일 모델의 가중치 미세조정에 의존하던 기존 자가 학습의 한계를 극복하고, **Multi-Agent 피드백 루프, 백엔드 하네스(Harness) 가드레일, 그리고 RAG/LoRA 듀얼 트랙 데이터 플라이휠**이 유기적으로 결합된 시스템..

자가 발전형 LLM 프레임워크 구축 및 평가와 관련된 **주요 선행 연구 논문과 핵심 이론**을 조사하고, 각 연구가 제공하는 **기술적 개선점(기여)**과 여전히 해결해야 할 **개선 필요 과제(Research Gap)**를 정리한 내용입니다.**자가 학습(Self-Learning)**과 **자가 발전(Self-Evolving Framework)**은 AI의 자율적 성능 향상을 목표로 한다는 점에서 유사해 보이지만, **적용 범주(Scope), 제어 메커니즘, 그리고 '모델 붕괴(Model Collapse)' 방어 능력**에서 명확한 구조적 차이가 존재합니다.---### 1. 개념 및 적용 범주의 차이* **자가 학습 (Self-Learning / Self-Training)** * **개념..

**"행동과학적 인지 원리(경험·질문·반성)"**와 **"기술적 자가 발전 아키텍처(Multi-Agent·Harness·데이터 플라이휠)"**를 융합하고, 이를 뒷받침하는 **행동과학/인지심리학 이론 및 최신 AI 선행 연구 논문**을 체계적으로 결합하여 학술 논문/보고서용으로 재작성한 정밀 초안입니다.---# 행동과학 및 AI 기술 융합 관점의 자가 발전형 프레임워크 (Self-Evolving Framework)## 1. 개요: 인지 패러다임의 전환 (Cognitive Paradigm Shift)기존 인공지능(AI) 학습은 인간이 이미 경험하고 정리해 둔 정적(Static) 데이터를 주입식으로 암기시키는 **'지식 수용적 학습(Passive Knowledge Acquisition)'**에 치중되어 왔다..

자가진화 - RAG DPO LORA와 성능 향상 기대RAG DPO LoraDPO 의 Golden_cases 데이터 수량이 수천~수만 건 이상으로 대규모 누적될 때, 비례하여 점진적이고 안정적인 성능 향상을 기대할 수 있습니다.다만, 단순히 데이터의 "양(Quantity)"만 늘어난다고 해서 성능이 계속 우상향하는 것은 아닙니다. 데이터 수량 증가가 실제 성능 향상으로 직결되기 위해서는 3가지 핵심 차원의 품질 통제 체계가 전제되어야 하며, 이를 보장할 경우 확합적인 효과를 얻을 수 있습니다.1. 점진적 성능 향상이 보장되는 3가지 주요 원인① 커버리지(Coverage) 및 Hard Negative 영역 확충 * 데이터 양이 늘어나면 단순한 PII 패턴(전화번호, 주민번호 등)을 넘어 경계선 상에 있는 ..