Risk Object vs DNA Comparison
CareGuard의 “Risk Object”와 Profiling Engine의 “DNA (Trait Vector)”는 겉으로 보면 둘 다 “구조화된 산출물”이지만, 철학·책임 구조·지능의 성격이 완전히 다릅니다.
존재 목적 (Why it exists)
CareGuard – Risk Object
목적:
의료적 위기 가능성을 판단하고, 즉시 개입을 촉발하기 위해 존재
- 생명·안전과 직결
- Action-triggering entity
- 공동 대응 프로토콜의 출발점
- 법적·의료적 책임 흐름과 연결됨
즉, “위험 판단의 공식 기록물”
Profiling – DNA (Trait Vector)
목적:
개인·조직의 성향과 특성을 확률적으로 요약하여 매칭에 활용
- 추천·적합도 계산
- 관계 최적화
- 확률적 추정 결과
- 비결정적 / 비규범적
즉, “관계 최적화를 위한 통계적 요약 벡터”
생성 방식 (How it is generated)
Risk Object
생성 구조:
- Ontology (Graph World)
- Rule based logic (Symbolic)
- Statistical signals (보조)
- Threshold governance
- Observational Axis attribution
- Evidence binding (Source ID 연결)
- Human verification
특징:
- IF–THEN 규칙 기반
- 임계치 초과 시 생성
- Evidence가 강제적으로 포함됨
- Static Snapshot으로 고정 기록
👉 설명 가능성(Explainability) 필수
DNA
생성 구조:
- NLP
- Embedding
- Vector aggregation
- Deep Learning profiling
- Trait scoring
- Statistical clustering
특징:
- 대량 데이터 기반
- 확률적 스코어
- 집단 통계 기반
- Evidence ID 직접 연결은 필수 아님
👉 설명 가능성은 “선택적”, 정확도는 통계적
존재론적 성격 (Ontology Status)
| 항목 | Risk Object | DNA |
|---|---|---|
| Ontology 객체인가? | 명시적 객체 | 온톨로지 객체 아님 (Vector artifact) |
| Immutable Snapshot | 예 | 계속 업데이트 |
| 법적 기록성 | 높음 | 낮음 |
| 구조적 고정성 | 있음 | 없음 |
Risk Object는
Graph World에 존재하는 공식 노드
Graph World에 존재하는 공식 노드
DNA는
Vector Space에 존재하는 확률 분포
Vector Space에 존재하는 확률 분포
의사결정과의 관계
Risk Object
- Alert 발생
- Safeguard Protocol 자동 소집
- 공동 대응 계획 생성
- 인간 개입 필수
즉: “행동을 촉발하는 지능”
DNA
- 추천 점수 생성
- 매칭 적합도 계산
- 필터링·랭킹에 사용
즉: “선택을 보조하는 지능”
오류 허용 범위
Risk Object
- False Negative → 생명 위험
- False Positive → 불필요한 대응
→ 오류 허용도 매우 낮음
DNA
- 매칭 부정확 → 재매칭 가능
- 추천 실패 → 피드백 학습
→ 오류 허용도 상대적으로 높음
지능 철학 차이
Risk Object 철학
지능은 검증된 구조 위에서만 작동해야 한다.
확률은 보조일 뿐이다.
구조 중심
책임 중심
설명 중심
책임 중심
설명 중심
DNA 철학
지능은 패턴 축적에서 나온다.
완벽함이 아니라 적합도가 중요하다.
통계 중심
적합도 중심
집단학습 중심
적합도 중심
집단학습 중심
시간에 따른 변화
Risk Object
- 개별 사건 단위
- Snapshot 중심
- 누적되면 모델 보정
→ 사건 중심 지능
DNA
- 누적 로그 기반
- 지속적 재계산
- 점진적 수렴
→ 경향성 중심 지능
가장 본질적인 차이 (한 문장 요약)
Risk Object는 “위험의 판결문”이고,
DNA는 “관계의 확률적 프로파일”이다.
Risk Object는 “행동을 명령하는 구조”이고,
DNA는 “선택을 안내하는 통계”다.
세만AI의 경쟁우위
이 둘이 공존하는 것이 세만AI의 핵심 경쟁력입니다.
- 동일한 현장 데이터
- 동일한 온톨로지 기반
- 전혀 다른 지능 목적
- 전혀 다른 책임 구조
경쟁사는 :
- 의료 엔진을 통계 모델에 의존하거나
- 매칭 엔진을 과도하게 규칙화.