아캔락의 AI 엔진에는 쿼리 유형에 기반해 다시 내부적으로 모듈화되어 있고 상호 작용하고 있다.

1. 통계 기반의 예측 추론 엔진
2. 다양한 시장 상황이 변할 때 무엇이 일어날지 예측하는 개입적 추론 엔진
3. 만약 상황이 달랐다면 무엇이 일어날지 예측하는 반사실적 추론 엔진

여기에서 주목할 부분은 3번 반사실적 추론 엔진이다. 시장 가격의 방향성 예측에서 반사실적 추론 엔진이 왜 중요한지는 나중에 더 깊게 설명을 하겠다.

우선은 주요 모듈 중 하나인 “인기도 발견” 부분 부터 얘기를 해보자. 우리는 이를 내부적으로 Popularity Discovey Engine이라고 부르고 있다.

이를 통해 특정 자산 시장의 개별 노드(상품이나 주식 등)의 영향력이나 중요성을 파악할 수 있다. 단순하게 시스템적으로는 전체 자산 시장의 네트워크 내에서 어떤 노드가 다른 노드들에 비해 상대적으로 더 많은 연결을 가지고 있는지, 그리고 얼마나 중요한 역활을 하는지를 분석하는 것을 의미한다.

학창 시절 학교에서 가장 인기 있는 친구를 떠올려보자. 이 친구는 다른 많은 학생들과 친구 관계를 맺고 있고 그 만큼 학교안에서 영향력이 커지게 된다. 네트워크에서 이 친구의 노드는 많은 엣지(친구 관계)로 연결되어 있기 때문이다.

소셜 미디어의 인플러언서도 마찬가지다. 인플러언서는 많은 팔로워를 가지고 있기 때문에 그들의 포스팅 하나 하나는 큰 영향력을 가지게 된다. 인플러언서의 노드는 많은 엣지(팔로워)를 가지게 되며 해당 소셜 미디어 내에서 중요한 위치를 차지하게 된다.

실제 자산 시장에서도 이런 영향력은 존재한다.

주식 시장을 예로 들면, 특정 회사가 다른 여러 회사에 영향을 미칠 수 있다. 엔비디아와 협업을 한다는 뉴스만으로 주식 가격이 급등하고 있다. 애플이 신제품 또는 새로운 모델을 발표할 때 관련 기업들의 주가에도 영향을 줄 수 있다. 반대로 중심 노드에 해당하는 회사의 엣지 중 하나인 주요 공급 업체 중 하나가 문제가 되는 반대의 경우도 생각해볼 수 있다.

이런 인기도 발견을 위한 공식으로는 네트워크 내에서 각 노드의 연결 정도를 측정하는 방법이 있다. 예를 들면 중심성 분석은 네트워크 내에서 각 노드가 얼마나 중심적인 역활을 하는지를 측정한다. 이는 단순히 노드의 연결 수를 기반으로 계산된다.

좀 더 익숙한 예를 들면, 소셜 미디어에서 인플러언서를 분석할 때, 팔로워 수나 포스팅의 영향력을 마찬가지로 측정할 수 있다.

구글을 있게 한 페이지랭크 알고리즘도 사실 웹페이지의 인기도를 측정하는데 사용되었다. 얼마나 많은 페이지에 해당 페이지로 연결하는 링크가 있는지가 페이지랭크 알고리즘의 기본 핵심이다.

이런 인기도 발견은 네트워크 내에서 중요한 노드를 파악한 후 전체 네트워크의 구조와 동작을 더 잘 이해할 수 있게 해준다.

제일 처음 아캔락 마법과 연금술이 Gold를 정한 이유도 여기에 있다.

하나의 자산 시장의 노드들은 다시 또 전체 자산 시장의 여러 노드와 연결이 된다.