← Back to Pipeline HYBRID ENGINE

The Evolutionary Hybrid Engine

온톨로지 기반 디지털 트윈과 AI의 공진화 전략

"확률에 맡기지 않습니다. 규칙으로 통제하고, 지능으로 감지합니다."

세만AI의 의사결정 시스템은 블랙박스 AI가 아닙니다. 설명 가능한 온톨로지(Ontology)가 중심에 있으며, AI는 이를 돕는 센서(Sensor)이자 번역기(Translator)입니다.

AI는 제안하고, 온톨로지가 결정합니다.

Ontology First, AI Augmented

의료와 장기요양 분야에서 '설명 불가능한 결정'은 용납될 수 없습니다.
우리는 거대언어모델(LLM)이나 머신러닝(ML)을 의사결정의 주체로 쓰지 않습니다.
그들은 온톨로지를 돕는 '센서(Sensor)'이자 '번역기(Translator)'입니다.

"모든 Phase에서 최종 의사결정 권한(Action Authority)은
오직 온톨로지 기반 규칙 엔진(Ontology-Based Rule Engine)에 있습니다."

Data & Model Architecture

데이터의 성격과 형태에 맞는 최적의 엔진을 배정합니다.

CORE INBOUND (TEXT/LOG)

Domain-Adaptive LLM

Role: Translator (번역기)

현장의 비정형 기록(일지, 상담)을 읽고, 온톨로지가 이해할 수 있는 '구조화된 속성'으로 변환합니다.

CORE INBOUND (SIGNAL/IOT)

Clustered ML Model

Role: Sensor (감지기)

오직 Core Signal Data를 기반으로 개인별/유형별 이상 징후를 실시간 감지하여, 온톨로지 객체의 상태(State)를 업데이트합니다.

SUPPLEMENTAL (Text/KNOWLEDGE)

Vector DB (RAG)

Role: Reference (주석/근거)

의학 논문, 법령, 가이드라인을 임베딩하여 온톨로지의 판단에 '설명 가능한 근거'를 제공합니다. (판단의 법적·의학적 근거를 제공하는 참조 레이어)

SUPPLEMENTAL (Signal/PUBLIC DB)

Standard ML Model

Role: Benchmark (기준점)

대한민국 평균 임상 데이터를 기반으로 객관적인 위험도 기준선(Baseline)을 계산합니다. (외부 기준선을 통해 객관적 위험 비교를 지원)

Evolution Roadmap

PHASE 1. The Digital Skeleton (골격 구축기)

Rule-Based 100% / AI Shadow Mode

데이터가 없는 초기 단계(Cold Start)입니다. 명확한 규칙과 외부 지식으로 시스템의 안전한 뼈대를 세웁니다.

  • Engine: 운영은 규칙이 책임지고, AI는 뒤에서 학습합니다. 의사결정은 Rule-Based 엔진이 수행하며, AI는 사후 캘리브레이션을 통해 지능을 정렬합니다.
  • Safety: 법적/의학적 가이드라인에 기반한 결정론적(Deterministic) 로직 적용.
Supplemental Inbound Data Strategy:
외부 데이터는 운영 필수 요소가 아닌, '참조 가능 상태(Available Reference)'입니다.
초기 설계 검증 및 기준선(Benchmark) 설정용으로 활용되며, 부재 시에도 규칙 기반 운영은 가능합니다.
LLM Strategy:
이 단계의 LLM은 '교체 가능한 모듈(Model Agnostic)'로 설계됩니다.
특정 벤더나 API에 종속되지 않으며, 비용 효율적인 오픈소스 및 저비용 모델로 유연하게 대체 가능하며, 캘리브레이션만 수행합니다.
↓ 전환 조건 충족 시 ↓

PHASE 2. The AI Sensor Awakening (지능형 센서 가동기)

ONTOLOGY 80% | AI INPUT 20%

현장 데이터(Core Inbound Data)가 유입 및 축적되면서 AI가 눈을 뜨며 본격적으로 작동합니다. AI는 독자적 판단을 하지 않고, 온톨로지에 정보를 입력(Input)하는 역할을 수행합니다. (비정형 데이터는 구조화되어 온톨로지에 입력)

  • Text: 파인튜닝된 LLM이 비정형 일지를 구조화하여 온톨로지 속성을 채웁니다.
  • Signal: 유형별(Cluster) ML 모델이 이상 패턴을 감지하여 상태값을 업데이트합니다. (Core Signal 기반 이상 탐지)

🚦 Transition Criteria to Phase 3

3단계로의 전환은 단순히 시간이 지난다고 이루어지지 않습니다.
"개인별 충분한 시계열 데이터 확보"와
"재현 가능한 예측 성능(Reproducible Performance)이 통계적으로 검증된 이후"에만 진행됩니다.

↓ Gatekeeper Criteria 통과 ↓

PHASE 3. The Active Digital Twin (완전체 시뮬레이션기)

Ontology 70% + AI Prediction 30%

개인의 맥락을 이해하는 예측 모델이 미래 위험을 시뮬레이션하고, 온톨로지가 선제적으로 대응합니다.

  • Hyper-Personalization: 개인의 맥락은 온톨로지 기반 디지털 트윈(KG)에 의해 유지되며, 개인화된 ML 예측과 Vector RAG 기반 참조 기억이 결합되어 정확한 예측과 설명 가능한 판단을 동시에 달성합니다.
  • Proactive Action: "현재 괜찮음"을 넘어 "3시간 뒤 위험 확률"을 예측하여 선제 조치를 실행합니다.
  • Explainability: 모든 예측과 실행에는 Vector DB에서 추출한 '근거'가 주석으로 첨부됩니다.

Conclusion

이 모든 기술적 진화의 목적은 단 하나입니다.
가장 인간적인 돌봄을 가장 책임 있게 제공하는 것.

세만AI 엔진에서 Vector RAG의 역할은?

How Memory & Explainability of Vector RAG Evolve ➔