Cognica Blog

모델과 하드웨어 사이에 있어야 할 데이터 계층이 파편화되어 있고, 온디바이스에서는 거의 존재하지 않습니다. 이것이 왜 구조적 문제인지, 현재의 해법들이 왜 진짜 해법이 아닌지, 그리고 올바른 해법이 갖춰야 할 조건은 무엇인지 분석합니다. 이 조건들에 대한 하나의 구체적 응답으로 UQA와 Cognica 엔진을 제시합니다.

코사인 유사도 0.85는 각도이지, 확률이 아닙니다. ANN 인덱스가 이미 계산하는 분포 통계를 활용하여 벡터 유사도 점수를 보정된 적합성 확률로 변환하는 방법을 설명합니다. 텍스트와 벡터 검색의 확률적 통합을 완성합니다.

Sigmoid는 설계 결정이 아니라 수학적 정리입니다. BM25 점수를 확률로 변환하는 유일하게 유효한 함수가 왜 sigmoid인지를 보이고, Robertson의 확률적 순위 원리(PRP)가 50년 만에 어떻게 완성되었는지를 설명합니다.

현대 검색 시스템에서 어휘 매칭과 의미적 이해를 결합하는 것은 근본적인 과제입니다. Cognica Database에서 BM25 점수를 보정된 확률로 변환하여 텍스트 검색과 벡터 검색 결과의 근본적인 결합을 가능하게 하는 확률적 랭킹 프레임워크를 어떻게 구축했는지 살펴봅니다.

법률 서비스 시장에서 판례 검색이 어려운 이유를 기술적으로 분석합니다. 판례 데이터의 구조적 특성과 기존 분산 아키텍처(RDB + ElasticSearch + Vector DB)의 한계를 살펴보고, 단일 데이터베이스 기반의 통합 검색이 왜 필요한지 설명합니다.

FTS를 사용한 판례 검색 데모에 벡터 검색을 적용하여 자연어 검색 서비스를 구축하는 방법을 설명합니다.