과거 유사 판단을 '관계'로 찾는다는 것

'비슷하다'는 단어가 같다는 뜻이 아니다

유사 사례 검색에서 가장 흔한 오해는 '같은 단어가 들어간 기록'을 비슷한 사례로 여기는 것입니다. 그러나 현장의 두 상황은 쓰는 말이 전혀 달라도 본질이 같을 수 있고, 같은 단어를 써도 맥락이 완전히 다를 수 있습니다. 진짜 유사함은 표현이 아니라 의미와 관계의 닮음입니다.

벡터 의미검색 — 뜻이 가까운 것을 찾는다

벡터 의미검색은 문장을 '임베딩'이라는 숫자 좌표로 바꿔, 좌표가 가까운(=뜻이 가까운) 기록을 찾습니다. 의미가 비슷하면 단어가 달라도 가까이 모이기 때문에, '협력사 품질 이슈로 라인을 멈췄다'와 '외주 불량 때문에 가동 중단'을 같은 부류로 인식합니다. 키워드 검색이 놓치는 동의어·현장 용어·줄임말 문제를 넘어서는 출발점입니다.

• 글자가 아니라 의미의 거리로 유사도를 잰다
• 표현이 달라도 본질이 같으면 가까이 모인다
• 다만 의미만으로는 '어떤 프로젝트·결정과 얽혔는지'까지는 알 수 없다

관계로 좁힌다 — 그래프가 더하는 정밀함

의미가 가까운 후보를 찾은 다음, 관계 정보로 한 번 더 좁히면 정밀도가 올라갑니다. 같은 거래처, 같은 공정, 같은 결정에서 파생된 판단인지 — 이런 연결은 지식그래프가 답합니다. '비슷한 뜻'을 벡터가, '연결된 맥락'을 그래프가 책임지는 분업입니다. 둘을 합치면 단순히 닮은 글이 아니라 '같은 상황 줄기에서 나온 판단'을 끌어올 수 있습니다.

이것이 사례기반추론(CBR)이다

이 방식은 인공지능의 오래된 원리인 사례기반추론(CBR, Case-Based Reasoning)과 정확히 맞닿아 있습니다. CBR은 새 문제를 만나면 가장 비슷한 과거 사례를 찾아(Retrieve), 그 해법을 가져와(Reuse), 현재 상황에 맞게 고친 뒤(Revise), 결과를 다시 저장합니다(Retain). 이 네 단계가 돌수록 사례 창고가 풍부해지고 검색은 더 똑똑해지는 자기강화 순환입니다. 과거 유사 판단 검색의 본질이 바로 이 순환입니다.

• Retrieve — 가장 비슷한 과거 판단을 찾는다
• Reuse — 그 판단을 현재 상황에 가져온다
• Revise — 지금 맥락에 맞게 다듬는다
• Retain — 새 판단을 다시 자산으로 쌓는다