버티컬 AI

똑똑한 것과 믿을 수 있는 것은 다릅니다

지금의 범용 모델은 수학이든 과학이든 일상적인 것이든, 웬만한 것은 전문가만큼 압니다. 이걸 부정하는 데서 시작하는 이야기는 대개 틀립니다. 문제는 지능이 아닙니다.

언어 모델은 다음에 올 말이 얼마나 그럴듯한지를 계산합니다. 그 문장이 참인지는 판정하지 않습니다. 그래서 근거에서 가져온 문장과 스스로 지어낸 문장이 출력 단계에서 구분되지 않습니다. 확신의 정도까지 같습니다.

이건 모델이 더 커지면 사라지는 결함이 아니라, 그 물건이 원래 하는 일입니다. 확률은 해마다 낮아지고 있습니다. 낮아진다는 것과 없다는 것은 다른 말입니다.

버티컬은 좁다는 뜻이 아닙니다

모든 업종이 똑같이 쓰는 도구를 호리즌탈(horizontal), 한 영역의 일만 다루는 것을 버티컬(vertical)이라고 부릅니다.

이 구분이 처음 생겼을 때 버티컬의 뜻은 ‘그 분야를 잘 안다’였습니다. 지금은 아닙니다. 범용 모델이 이미 알고 있습니다. 아는 양으로는 갈리지 않습니다.

남은 뜻은 하나입니다. 틀렸을 때 누가 책임지는가. 범용 도구는 답을 주고 판단은 쓰는 사람에게 넘깁니다. 버티컬은 그 판단까지 안으로 들여옵니다. 그러려면 그 영역이 지켜야 할 것들을 계산할 수 있는 형태로 갖고 있어야 하고, 답마다 근거를 댈 수 있어야 하고, 틀렸을 때 어디가 틀렸는지 짚을 수 있어야 합니다.

깊이는 그렇게 하다 보면 생기는 결과지, 목적이 아닙니다.

우리가 보는 곳

조건은 하나로 줄어듭니다. 틀린 답을 되돌리는 비용이 큰 곳. 계산이 틀리면 돈이 더 나가고, 서류가 틀리면 처음부터 다시 해야 합니다.

되돌리기 쉬운 일에서는 범용 도구가 이깁니다. 빠르고, 싸고, 대체로 맞습니다. 소버린씽킹 AI 가 보는 곳은 그 반대편입니다. 전문 지식이 필요하고, 절차가 얽혀 있고, 규정이 자주 바뀌는 영역입니다.

넓히려고 늘린 것이 아닙니다. 영역마다 끝까지 갑니다.

우리가 긋는 선

지켜야 할 것은 모델 밖에 따로 둡니다. 모델이 그때그때 지어내게 두지 않습니다. 그래야 답이 왜 그렇게 나왔는지 되짚을 수 있고, 답이 달라졌다면 무엇이 달라져서인지 말할 수 있습니다.

지켜야 할 것은 영역마다 다르고, 한 영역 안에서도 여러 갈래입니다. 담는 형식은 하나로 두고, 안에 드는 것만 영역마다 바꿉니다.

이렇게 두는 이유는 하나입니다. 되돌릴 수 없는 일을 확률에 맡기지 않기 위해서입니다.

업계에서 쓰는 말로 옮기면 그라운딩, 출처 표기, 사람의 감독, 감사 기록입니다. 다만 이건 나중에 얹는 기능이 아니라 처음에 선을 어디에 긋느냐의 문제입니다. 선을 긋지 않고 나중에 붙이면, 붙인 자리에서만 안전합니다.

틀렸다는 걸 알아야 고칩니다

이 일에서 가장 오래 걸리는 것은 만드는 일이 아니라 채점표를 만드는 일입니다.

무엇이 맞는 답인지 그 영역의 언어로 미리 정해두지 않으면, 고친 뒤에 좋아졌는지 나빠졌는지 알 수 없습니다. 시연은 되는 것만 보여주면 되지만, 실제로 쓰는 물건은 안 되는 경우를 알고 있어야 합니다.

그래서 답을 내는 쪽보다 답을 검사하는 쪽을 먼저 만듭니다. 느린 이유가 여기에 있고, 모델을 갈아 끼워도 이 채점표는 그대로 씁니다.

그래서 만든 것이 소버린씽킹 AI 입니다

영역을 잘게 나누고, 그 하나하나를 끝까지 특화해 만든 것이 소버린씽킹 AI 입니다.

영역마다 따로 만듭니다. 받은 자료도, 지켜야 할 것도, 채점표도 따로 쌓습니다. 섞지 않습니다. 같은 층을 쌓지만 안에 든 것이 다릅니다 — 그래서 특화입니다.

하나를 만들고 나면 다음이 빨라지는 것은 쌓는 방식이지 안에 드는 것이 아닙니다. 내용은 영역마다 처음부터 다시 쌓습니다.