좋은 온톨로지 하나는 조직의 모든 판단을 바꿉니다. 하지만 대부분은 그 문 앞에서 멈춥니다. 네 개의 벽 때문입니다.

첫째, 진짜 질문을 모른다. 원하는 결과는 있지만, 그 결과를 끌어내려면 무엇을 물어야 하는지 정의하지 못합니다.
둘째, 인과의 지도를 못 그린다. 어떤 요인들이 서로 무엇을 일으켜 결과로 이어지는지 세우지 못합니다.
셋째, 데이터가 없다. 무엇이 필요한지 알아도, 그 자리를 채울 데이터가 존재하지 않습니다.
넷째, 가중치를 모른다. 데이터가 있어도, 요인들이 얼마나 강하게, 어느 방향으로 작용하는지 알지 못합니다.

Alea Capta는 이 네 개의 벽을 순서대로 넘습니다. Diagnosis로 진짜 질문을 짚고, Wiring으로 인과의 지도를 그리고, Sequencing으로 없는 데이터는 만들어 채우고, Potentiation으로 과거에 비추어 가중치를 밝힙니다.

이렇게 네 개의 벽을 넘고 나면, 흩어져 있던 세계는 하나의 구조로 완성됩니다. 예측은 그 구조 위에서 비로소 시작됩니다.

여론을 알고 싶을 때 세상은 조사를 합니다. 표본을 뽑고, 전화를 돌리고, 한 번 묻고 끝냅니다. 비싸고, 느리고, 다시 물을 수 없습니다.

Alea Capta는 여론을 조사하지 않습니다. 여론을 가진 인구를 만들어 직접 묻습니다.

통계청 데이터로 실제 인구 분포를 그대로 재현한 가상의 유권자 집단을 구축합니다. 한 사람마다 연령·성별·소득·직업·주거·정치성향 등 수백 개의 속성을 부여하고, 행정동 단위까지 정밀하게 재현합니다. 실제 사람이 아니라 통계로 빚어낸 인구이기에, 개인정보 문제에서 자유롭습니다.

이 인구에게는 몇 번이든 물을 수 있습니다. 조건을 바꿔가며, 반복해서. 투표율이 바뀌면, 새 이슈가 터지면, 막판 결집이 일어나면 그때마다 다시 묻습니다. 한 번의 조사가 아니라, 상시로 돌아가는 살아있는 패널입니다.

내부 데이터를 받을 수 없어도, 세상에 그 데이터가 없어도 멈추지 않는 이유가 여기 있습니다. 필요한 인구를, 우리가 만들어내기 때문입니다.

구조를 세우고 데이터를 채워도, 아직 절반입니다. 각 연결이 얼마나 강한지, 그 가중치를 알아야 지도가 살아 움직입니다.

캘리브레이션은 어느 한 단계가 아닙니다. 온톨로지를 만드는 전 과정을 가로지르는 엔진입니다. 데이터를 추론으로 만들 때 현실과 맞는지 대조하고, 요인의 무게를 정할 때 과거에 비추어 조정하고, 세계가 완성된 뒤에도 들어오고 나가는 값에 맞춰 구조 전체를 다시 보정합니다.

실제로 이렇게 작동합니다. 매일 벌어지는 사건이 결과를 얼마나 움직이는가 — 과거의 사건들과 당시의 실제 변화를 대조해 그 영향력을 점수로 만듭니다. 새 사건이 터지면 가장 닮은 과거 사건을 찾아 강도를 매기고, 매주 예측과 실측을 맞춰보며 가중치를 다시 조정합니다.

우리가 온톨로지를 '살아있다'고 부르는 이유가 이것입니다. 현실과 끊임없이 대조하며 스스로를 교정하는 구조이기 때문입니다. 이 정밀한 대조는 오늘의 인공지능 위에서 비로소 실용적인 수준에 도달했습니다.

구조가 완성되고 가중치가 맞춰지면, 이제 미래를 실험할 수 있습니다.

몬테카를로 — 하나의 사건을 수없이 굴린다. 특정 사건이 일어났을 때 그 충격이 어떻게 퍼지는지, 합성 세계에서 수만에서 수백만 번 반복해 시뮬레이션합니다. 하나의 답이 아니라 결과의 분포를 얻습니다. "이렇게 될 것이다"가 아니라 "이 범위 안에서, 이 확률로"라고 말할 수 있습니다.

MCTS — 선택을 시점별로 엮어 최적 경로를 찾는다. 몬테카를로가 낸 단일 사건의 분포들을 시점별로 이어 붙여, 전략의 나무를 탐색합니다. 알파고가 바둑의 수를 읽듯, 어느 시점에 어떤 수를 두어야 목표에 닿는지를 계산합니다.

우리는 미래를 맞히는 데서 멈추지 않습니다. 목표에 도달하는 최적의 경로를 찾고, 그 경로에 올라타려면 어느 시점에 무엇을 해야 하는지를 역으로 제안합니다. 다가올 국면을 미리 겪어보고, 그 대응책을 손에 쥔 채로 맞이하게 합니다.

미래를 예측하는 것이 아니라, 미래를 미리 살아보는 것. 그것이 Alea Capta의 시뮬레이션입니다.