질문이 다르면 엔진도 다릅니다. 고객 질문 7가지가 각자의 엔진족을 부르고, 그 족을 14개 메소드가 구현합니다. 슬라이더를 움직이면 진짜 몬테카를로·칼만·트리탐색·생존·그래프탐색이 캔버스에서 실시간으로 돕니다. 도메인 무관 · 순수함수 · 백엔드 정본과 동일합니다.
편향된 설문·표본에서 소지역·소집단의 참값을 복원합니다.
표본 적은 소지역의 요동치는 raw 추정을 전체 평균 쪽으로 부분풀링(수축)합니다. 표본이 많을수록 덜 수축합니다.
온톨로지로 인구를 세우고 무응답·타깃을 설계해 편향을 걷어낸 뒤 MRP로 소지역까지 보정하는 측정 파이프라인입니다.
편향 표본(61%)을 진값(52%)으로 되돌립니다. 엔진 survey-design + satisfaction/calibrate(MRP·conformal). 수치는 시연값.
잡음 섞인 관측에서 잠재 추세를 뽑아 앞을 내다보고 구간까지 냅니다.
잡음 섞인 관측에서 잠재 추세를 추정하며 따라갑니다. 불확실성 밴드가 함께 흐르고 오른쪽은 예측 구간입니다.
모델 예측분포와 유사 과거사례 경험분포를 분포 수준에서 혼합해 더 나은 예측분포를 만듭니다.
사건 조합의 전개를 트리로 탐색해 최선의 수를 찾습니다.
사건 조합을 트리로 탐색합니다. 선택→확장→시뮬→역전파를 반복하며 방문이 쌓여 최선 경로로 집중됩니다.
선택지별 지지와 불확실성으로 수천 번 대결을 시뮬합니다. 표본마다 최다 지지가 1승을 가져가 1위 확률로 집계됩니다.
개입(정책·입지 등)의 효과를 반사실로 추정합니다. 하지 않았을 때와 견줍니다.
현재 상태에 사건 충격을 얹어 수천 번 표집합니다. 입자 하나가 표본 하나로, 히스토그램에 쌓이며 95% CI가 갱신됩니다.
두 안·모델을 같은 잣대로 비교하고 유의성을 검정합니다.
어떤 모델도 베이스라인을 p<0.05로 이겨야 통과합니다. 그럴듯함이 아니라 통계적 유의(Diebold–Mariano)로 판정합니다.
엔진 census-analog-backtest — MAE 8.9%, 15축→28축 확장 시 p 0.027→0.014.
폐업·이탈 생존을 모델링하고 극단 손실(꼬리)까지 외삽합니다.
코호트를 시간축으로 흘려보냅니다. 개체가 위험률대로 소멸하고 생존곡선 S(t)가 실시간으로 그려집니다. 우측 절단도 처리합니다.
평균이 아니라 최악의 꼬리를 봅니다. 95% VaR·CVaR에 더해 극단값이론(POT-GPD)으로 데이터 범위를 넘는 99% 손실을 외삽합니다.
닮은 과거 사례를 찾아 결과를 앙상블합니다.
지금과 닮은 과거사례 top-k 를 온톨로지 가중 거리로 찾아 커널가중 앙상블로 예측합니다.
씨앗 노드에서 에너지가 엣지를 타고 흘러, 관계적으로 가까운 노드일수록 크고 밝아집니다. 표면이 안 겹쳐도 구조로 유사를 찾습니다.
케이스 코퍼스에서 768차원 의미검색으로 지금과 닮은 선례를 찾습니다. 표면 키워드가 아니라 상황 구조로 매칭합니다.
질의 “양당제에서 제3후보가 급부상”
엔진 retrieveSimilarSemantic · 임베딩 607건 백필 완료. 위 순위는 시연값.
단발 LLM의 mode-collapse를 6개 아키타입 앙상블로 깨고, 심사로 최선을 고르고 레드팀으로 두드립니다.
엔진 wildcard-panel — 6풀 아키타입·병합콜·레드팀 공방.