우리는 정확도를 판다.
예측을 내놓는 건 쉽다. 그게 얼마나 맞는지 증명하는 게 사업이다. Alea Capta는 채점·유의성·보정·재현을 갖춘 신뢰층 위에 도메인 예측 엔진을 올린다.
신뢰층 — 점추정을 넘어, 얼마나 틀릴 수 있나까지
예측을 내놓는 것과 그게 맞는지 증명하는 건 다르다. 채점·유의성·드리프트·보정·구간·인과를 우리 손으로.
점추정을 넘어 분포·구간까지 채점
베이스라인보다 유의하게 나은가에 통계로 답
베이스라인 대비 정규화 헤드라인
입력 분포가 바뀌면 경보
분포무관 보장 커버리지
개입 효과의 반사실 추정
통계 근본을 우리 손으로
MRP·계층 베이즈·상태공간·부트스트랩·생존 — 남의 라이브러리가 아니라 정본으로.
편향 설문 → 부분풀링 + 사후층화로 소지역 복원
Gibbs — 사후 신용구간 native, 잡음 그룹 shrink
지지추세 필터링 — naive 대비 유의(p=0.002)
percentile·BCa 신뢰구간
로지스틱 생존 + EVT 꼬리 리스크
시뮬레이터 엔진 — 질문을 던지면 시뮬이 돈다
각 엔진은 하나의 질문에 답한다. 아래 캔버스에서 실제 몬테카를로·칼만·트리탐색·생존이 실시간으로 돈다. 한 진입점 /api/orchestration/run.
편향된 설문·표본에서 소지역·소집단의 참값을 복원한다.
잡음 관측에서 잠재 추세를 뽑아 앞을 내다보고 구간까지 낸다.
사건 조합의 전개를 트리로 탐색해 최선의 수를 찾는다.
개입(정책·공약)의 효과를 반사실로 추정한다 — 안 했을 때 대비.
두 안·모델을 같은 잣대로 비교하고 유의성을 검정한다.
폐업·이탈 생존을 모델링하고 극단 손실(꼬리)을 외삽한다.
닮은 과거 사례를 찾아 결과를 앙상블한다.
상세 쇼케이스 — 깊이 들어가기
세 갈래로 우리 시스템을 깊이 본다. 각 페이지에서 제대로 된 상세 쇼케이스로.
모든 백테스트는 재현 가능하고, 버전으로 비교된다
config_hash 재현키 · 방향 인지 버전 비교 · PSI·KS 드리프트 경보.
설정의 결정적 해시 = config_hash. 같은 설정이면 같은 런, 재실행 없이 캐시 히트.
두 런의 지표 delta를 방향 인지(개선↑·퇴행↓)로. 스킬 계열 우선 판정.
입력 분포가 학습 시점에서 이동하면 PSI·KS로 감지 — 조용한 저하를 잡는다.