Keerukad tehisintellekti (AI) mudelid vajavad tavaliselt palju mälu ja salvestusruumi. Üks viis mudelite mahtu vähendada on kvantimine, mis muudab mudeli kaalude esitamise ja salvestamise viisi, kuid sellel meetodil on ka puudusi — täpsus väheneb.
The SEMQ Group asutaja ja tegevjuht Andrés Mac Allister pakub välja alternatiivse lähenemise nimega SEMQ (Symbolic Embedding Multi-Quantization). Selle asemel et kaalusid kokku suruda, eraldab tema meetod semantika ehk tähenduse selle esitusviisist. Tavaliselt esitatakse mudeli parameetrid täistäpsuses (FP32), mis nõuab 4 baiti parameetri kohta — 7 miljardi parameetriga mudel vajaks seega umbes 28 GB ruumi. Kvantimisega FP16, FP8 või veelgi väiksemateks formaatideks väheneb mälukulu, kuid ka tulemuste kvaliteet.
SEMQ asendab toorvektorid kindla mõõtmega sümboolsete struktuuridega, mis säilitavad suhtelised omadused, nagu sarnasuse järjestus ja naabrusstruktuur. Põhiidee on, et semantilised seosed sõltuvad eelkõige vektorite suhtelisest orientatsioonist, mitte nende absoluutsest suurusest. See vähendab salvestatava info hulka ja võib märkimisväärselt langetada AI-töökoormuste taristukulusid.