세만AI의 엔진은 막연한 추측이 아닌, Nature와 arXiv의 최신 연구에 기반합니다.
과학적으로 증명된 질병의 인과관계와 맥락적 추론 원리를
'Embedding Ref Key'를 통해 시스템에 주입(Injection)합니다.
과학적 이론이 실제 시스템으로 구현되는 과정
질병은 독립적이지 않습니다. A질환이 B질환을 유발하고 C증상으로 이어지는 복잡한 '네트워크 경로(Trajectory)'를 가집니다.
단순 벡터 검색으로는 이 인과관계를 찾을 수 없습니다. 논문에서 규명된 질병 연결 고리를 지식그래프의 '엣지(Edge)'로 임베딩하여 N:N 예측을 실현합니다.
환자의 '과거 이력(Prior Context)'을 함께 볼 때, 질병 예측의 오탐(False Positive)이 64%까지 감소합니다.
LLM이 판단할 때, Ref Key를 통해 연결된 과거 이력을 함께 조회합니다. 이는 '비슷해 보이지만 다른' 위험을 구분하는 정밀한 맥락(Context)을 제공합니다.
이 키(Key)는 단순한 ID가 아닙니다.
논문의 '이론(Science)'을 시스템이 이해할 수 있는 '규칙(Rule)'과 '좌표(Vector)'로 압축한
[지식의 컨테이너]입니다.
* Ref Key가 어떻게 Graph와 Vector DB를 동시에 제어하는지 확인하세요.