feat(wiki): implement P-Reinforce v3.0 standard & integrate 26+ new knowledge artifacts
- Formalized automatic record migration protocol in System Manual. - Integrated high-density knowledge for RAG, AI, Business Strategy, and Leadership. - Enhanced graph connectivity across core strategic hubs. - Archived raw data and updated timeline records.
This commit is contained in:
Antigravity Agent
@@ -0,0 +1,70 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-IR-001
|
||||
category: Computer_Science_and_Theory
|
||||
confidence_score: 1.00
|
||||
tags: [auto-reinforced, information-retrieval, search-engine, ranking, ir-metrics]
|
||||
last_reinforced: 2026-05-04
|
||||
---
|
||||
|
||||
# [[Information Retrieval (IR)|Information Retrieval (IR)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "데이터의 바다에서 바늘 찾기: 방대한 정보 집합에서 사용자의 특정 정보 요구(Information Need)에 가장 적합한 문서를 정확하고 빠르게 찾아내어 순위를 매기는 컴퓨터 과학의 핵심 분야."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
정보 검색(IR)은 비정형 데이터(주로 텍스트)를 대상으로 사용자의 질의에 부합하는 정보를 추출, 분류, 저장 및 검색하는 기술적 체계입니다.
|
||||
|
||||
1. **IR의 핵심 구성 요소**:
|
||||
* **색인 (Indexing)**: 검색 대상 문서를 효율적으로 찾기 위해 [[Inverted Index|Inverted Index]] 등으로 구조화하는 과정입니다.
|
||||
* **질의 처리 (Query Processing)**: 사용자의 자연어 질문을 시스템이 이해할 수 있는 형태(토큰화, 스테밍 등)로 변환합니다.
|
||||
* **랭킹 (Ranking)**: 검색된 문서들 중 사용자의 의도와 가장 가까운 순서대로 정렬합니다.
|
||||
|
||||
2. **검색 모델의 진화**:
|
||||
* **Boolean Model**: 키워드의 존재 유무(AND, OR, NOT)만 판단하는 기초적 모델입니다.
|
||||
* **Vector Space Model**: 문서를 벡터 공간의 점으로 표현하고 유사도를 계산합니다.
|
||||
* **Probabilistic Model ([[BM25|BM25]])**: 문서가 질의와 관련될 확률을 통계적으로 계산하며, 현대 검색 엔진의 강력한 Baseline입니다.
|
||||
* **Neural IR**: 딥러닝과 트랜스포머 모델을 활용하여 문맥적 의미를 파악하는 현대적 방식입니다.
|
||||
|
||||
3. **평가 지표 (Metrics)**:
|
||||
* 얼마나 정확하게 가져왔는가? ([[Context Precision & Recall|Precision & Recall]])
|
||||
* 얼마나 좋은 순서로 가져왔는가? ([[nDCG|nDCG]], [[MAP|MAP]], [[ERR|ERR]])
|
||||
|
||||
## ⚖️ Trade-offs & Caveats
|
||||
* **재현율(Recall) vs 정밀도(Precision)**: 모든 관련 문서를 다 가져오려고 하면(Recall↑) 관련 없는 정보가 섞이고(Precision↓), 정확한 것만 가져오려고 하면(Precision↑) 중요한 문서를 놓칠 수(Recall↓) 있습니다.
|
||||
* **검색 속도 vs 품질**: 정교한 랭킹 알고리즘은 품질을 높이지만 응답 시간을 늦춥니다. 대규모 시스템에서는 이를 해결하기 위해 다단계 랭킹(Multi-stage Ranking)을 사용합니다.
|
||||
|
||||
## 💻 실전 구현 코드 (Boilerplate)
|
||||
전통적인 [[TF-IDF|TF-IDF]] 기반의 간단한 정보 검색 로직 예시입니다.
|
||||
|
||||
```python
|
||||
from sklearn.feature_extraction.text import TfidfVectorizer
|
||||
from sklearn.metrics.pairwise import cosine_similarity
|
||||
|
||||
# 1. 문서 집합 (Corpus) 및 질의 (Query)
|
||||
corpus = [
|
||||
"AI agents are revolutionizing knowledge management.",
|
||||
"Information retrieval focuses on finding relevant documents.",
|
||||
"Vector databases are essential for semantic search."
|
||||
]
|
||||
query = ["How to find relevant information?"]
|
||||
|
||||
# 2. TF-IDF 벡터화
|
||||
vectorizer = TfidfVectorizer()
|
||||
tfidf_matrix = vectorizer.fit_transform(corpus)
|
||||
query_vec = vectorizer.transform(query)
|
||||
|
||||
# 3. 유사도 기반 검색 결과 도출
|
||||
similarities = cosine_similarity(query_vec, tfidf_matrix).flatten()
|
||||
best_doc_idx = similarities.argsort()[-1]
|
||||
|
||||
print(f"Query: {query[0]}")
|
||||
print(f"Top Doc: {corpus[best_doc_idx]} (Score: {similarities[best_doc_idx]:.4f})")
|
||||
```
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
* **상위 개념**: [[Computer Science and Theory|Computer Science]], [[Natural Language Processing (NLP)|NLP]]
|
||||
* **핵심 기법**: [[Keyword Search|Keyword Search]], [[Semantic Search|Semantic Search]], [[Hybrid Search|Hybrid Search]]
|
||||
* **평가 체계**: [[nDCG|nDCG]], [[MAP|MAP]], [[Precision & Recall|Precision & Recall]]
|
||||
|
||||
---
|
||||
*Last updated: 2026-05-04*
|
||||
+68
@@ -0,0 +1,68 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-EVM-001
|
||||
category: Computer_Science_and_Theory
|
||||
confidence_score: 1.00
|
||||
tags: [auto-reinforced, ir-metrics, evaluation, ndcg, map, precision-recall]
|
||||
last_reinforced: 2026-05-04
|
||||
---
|
||||
|
||||
# [[Information Retrieval Evaluation Metrics|Information Retrieval Evaluation Metrics]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "검색의 품질을 숫자로 증명하기: 얼마나 정확하게 가져왔는가([[Precision & Recall|Precision/Recall]])와 얼마나 좋은 순서로 보여주었는가([[nDCG|nDCG]], [[MAP|MAP]])를 정량화하여 검색 시스템의 성능을 객관적으로 측정하는 지표 체계."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
정보 검색(IR) 시스템의 성능 평가는 검색된 결과의 집합적 정확도와 결과의 순위(Ranking) 품질을 모두 고려해야 합니다.
|
||||
|
||||
1. **집합 기반 지표 (Set-based Metrics)**:
|
||||
* **[[Precision & Recall|Precision (정밀도)]]**: 검색된 문서 중 실제 관련 있는 문서의 비율. (노이즈가 얼마나 적은가?)
|
||||
* **[[Precision & Recall|Recall (재현율)]]**: 전체 관련 문서 중 실제로 검색된 문서의 비율. (얼마나 놓치지 않았는가?)
|
||||
* **F1-Score**: 정밀도와 재현율의 조화 평균으로 두 지표의 균형을 측정합니다.
|
||||
|
||||
2. **순위 기반 지표 (Rank-based Metrics)**:
|
||||
* **[[nDCG|nDCG (Normalized Discounted Cumulative Gain)]]**: 검색 결과의 위치(Rank)에 따른 가중치를 부여합니다. 관련성 높은 문서가 상단에 올수록 점수가 높아지며, 다양한 서비스에서 표준적으로 사용됩니다.
|
||||
* **[[MAP|MAP (Mean Average Precision)]]**: 여러 쿼리에 대한 Average Precision의 평균입니다. 관련 문서가 상단에 배치될수록 높은 점수를 받습니다.
|
||||
* **[[ERR|ERR (Expected Reciprocal Rank)]]**: 사용자가 검색 결과 리스트를 위에서부터 훑어보다가 만족스러운 문서를 찾았을 때 검색을 중단하는 행동 모델을 가정하여 만족도를 측정합니다.
|
||||
|
||||
3. **RAG 특화 지표**:
|
||||
* **[[Context Precision & Recall|Context Precision]]**: 검색된 컨텍스트 중 실제 질문 답변에 필요한 정보가 상단에 위치하는지 측정합니다.
|
||||
* **[[Context Precision & Recall|Context Recall]]**: 정답을 도출하기 위한 핵심 정보가 컨텍스트 내에 모두 포함되었는지 측정합니다.
|
||||
|
||||
## ⚖️ Trade-offs & Caveats
|
||||
* **지표 간 상충**: 재현율을 높이려고 검색 범위를 넓히면 정밀도가 떨어지는 경향이 있습니다. 비즈니스 목적(예: 법률 검색은 Recall 중시, 일반 추천은 Precision 중시)에 따라 최적의 지표를 선택해야 합니다.
|
||||
* **사용자 피드백과의 간극**: 오프라인 벤치마크 점수가 높더라도 실제 사용자 클릭 패턴이나 만족도와는 일치하지 않을 수 있으므로 [[A/B Testing|A/B 테스트]]와 병행해야 합니다.
|
||||
|
||||
## 💻 실전 구현 코드 (Boilerplate)
|
||||
Python `scikit-learn` 및 직접 구현을 통한 주요 지표 산출 예시입니다.
|
||||
|
||||
```python
|
||||
import numpy as np
|
||||
from sklearn.metrics import ndcg_score
|
||||
|
||||
# 1. 실제 관련성 (Relevance Score: 0~3점 척도)
|
||||
true_relevance = np.array([[3, 2, 3, 0, 1]]) # 실제 정답들의 점수
|
||||
# 2. 시스템의 예측 결과 (상단에 노출된 순서대로의 점수 배치)
|
||||
predicted_scores = np.array([[0.9, 0.8, 0.7, 0.6, 0.5]])
|
||||
|
||||
# 3. nDCG 계산
|
||||
ndcg = ndcg_score(true_relevance, predicted_scores)
|
||||
print(f"nDCG @ 5: {ndcg:.4f}")
|
||||
|
||||
# 4. 간단한 Precision @ K 구현
|
||||
def precision_at_k(actual, predicted, k):
|
||||
act_set = set(actual)
|
||||
pred_set = set(predicted[:k])
|
||||
return len(act_set & pred_set) / k
|
||||
|
||||
actual_ids = [101, 105, 120]
|
||||
predicted_ids = [101, 202, 105, 303, 404]
|
||||
print(f"Precision @ 3: {precision_at_k(actual_ids, predicted_ids, 3):.4f}")
|
||||
```
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
* **기본 개념**: [[Information Retrieval (IR)|Information Retrieval (IR)]], [[Learning to Rank (LTR)|Learning to Rank]]
|
||||
* **평가 도구**: [[LLM-as-judge|LLM-as-judge]], [[RAG Evaluation Frameworks|RAG Evaluation Frameworks]]
|
||||
* **운영 체계**: [[A/B Testing|A/B Testing]], [[Judgment List|판단 리스트 (Judgment List)]]
|
||||
|
||||
---
|
||||
*Last updated: 2026-05-04*
|
||||
@@ -0,0 +1,69 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-KWS-001
|
||||
category: Computer_Science_and_Theory
|
||||
confidence_score: 1.00
|
||||
tags: [auto-reinforced, keyword-search, bm25, tf-idf, information-retrieval, lexical-search]
|
||||
last_reinforced: 2026-05-04
|
||||
---
|
||||
|
||||
# [[Keyword Search|Keyword Search]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "검색의 고전이자 기준점: 사용자가 입력한 단어가 문서 내에 정확히 존재하는지를 기반으로 관련성을 측정하며, 고유 명사나 특정 식별자를 찾는 데 가장 강력한 성능을 발휘하는 텍스트 매칭 기법."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
키워드 검색(Keyword Search) 또는 어휘 검색(Lexical Search)은 문서 내의 텍스트 토큰과 검색어 간의 직접적인 일치 여부를 따지는 정보 검색의 가장 기본적인 방식입니다.
|
||||
|
||||
1. **핵심 알고리즘**:
|
||||
* **[[TF-IDF|TF-IDF]] (Term Frequency-Inverse Document Frequency)**: 단어가 문서 내에서 얼마나 자주 등장하는지(TF)와 전체 문서 집합에서 얼마나 희귀한지(IDF)를 곱해 중요도를 계산합니다.
|
||||
* **[[BM25|BM25]] (Best Matching 25)**: TF-IDF의 한계를 보완(단어 빈도의 포화도 조절, 문서 길이 정규화 등)하여 현대 검색 엔진에서 가장 널리 쓰이는 표준 알고리즘입니다.
|
||||
|
||||
2. **데이터 구조: [[Inverted Index|Inverted Index]]**:
|
||||
* 책 뒤의 색인처럼, 각 단어가 어떤 문서들에 포함되어 있는지를 미리 리스트업해두어 검색 속도를 극대화합니다.
|
||||
|
||||
3. **장점 및 활용**:
|
||||
* **정확한 일치 (Exact Match)**: 에러 코드, 제품 번호, 인명이 포함된 검색에서 탁월합니다.
|
||||
* **예측 가능성**: 왜 이 문서가 검색되었는지(단어가 포함되어 있으므로) 논리적으로 명확히 설명할 수 있습니다.
|
||||
* **저비용 고효율**: 벡터 검색에 비해 컴퓨팅 자원을 훨씬 적게 사용합니다.
|
||||
|
||||
## ⚖️ Trade-offs & Caveats
|
||||
* **어휘적 한계 (Vocabulary Mismatch)**: 사용자가 '컴퓨터'를 검색할 때 문서에 'PC'라고 적혀 있다면 검색 결과에서 누락됩니다.
|
||||
* **문맥 무시**: 단어의 순서나 의미적 맥락을 고려하지 못해 중의적인 표현을 처리하기 어렵습니다.
|
||||
* **검색 정교화의 어려움**: 복잡한 자연어 질문에 대해서는 관련성 낮은 결과를 반환할 확률이 높습니다.
|
||||
|
||||
## 💻 실전 구현 코드 (Boilerplate)
|
||||
Python `rank_bm25` 라이브러리를 사용한 기본적인 키워드 랭킹 구현 예시입니다.
|
||||
|
||||
```python
|
||||
from rank_bm25 import BM25Okapi
|
||||
|
||||
# 1. 말뭉치(Corpus) 준비 및 토큰화
|
||||
corpus = [
|
||||
"Astra engine provides autonomous knowledge reinforcement.",
|
||||
"P-Reinforce protocol standardizes wiki documentation.",
|
||||
"ConnectAI handles multi-agent orchestration flows."
|
||||
]
|
||||
tokenized_corpus = [doc.split(" ") for doc in corpus]
|
||||
|
||||
# 2. BM25 인덱스 생성
|
||||
bm25 = BM25Okapi(tokenized_corpus)
|
||||
|
||||
# 3. 질의 처리 및 검색
|
||||
query = "autonomous engine"
|
||||
tokenized_query = query.split(" ")
|
||||
|
||||
# 4. 관련성 점수 도출 및 상위 결과 획득
|
||||
doc_scores = bm25.get_scores(tokenized_query)
|
||||
top_n = bm25.get_top_n(tokenized_query, corpus, n=1)
|
||||
|
||||
print(f"Query: {query}")
|
||||
print(f"Best Match: {top_n[0]}")
|
||||
```
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
* **상위 개념**: [[Information Retrieval (IR)|Information Retrieval (IR)]], [[Computer Science and Theory|Computer Science]]
|
||||
* **대칭 개념**: [[Semantic Search|Semantic Search]]
|
||||
* **통합 기법**: [[Hybrid Search|Hybrid Search]]
|
||||
|
||||
---
|
||||
*Last updated: 2026-05-04*
|
||||
@@ -0,0 +1,60 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-KGR-001
|
||||
category: Computer_Science_and_Theory
|
||||
confidence_score: 1.00
|
||||
tags: [auto-reinforced, knowledge-graph, ontology, semantic-web, entity-relationship, graph-database]
|
||||
last_reinforced: 2026-05-04
|
||||
---
|
||||
|
||||
# [[Knowledge Graph|Knowledge Graph]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "데이터를 넘어선 지식의 망: 분산된 정보들 사이의 관계를 인간의 뇌처럼 연결하여, 단순한 키워드 검색이 아닌 복합적인 인과관계와 맥락을 컴퓨터가 이해하고 추론할 수 있게 하는 시맨틱 데이터 구조."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
지식 그래프(Knowledge Graph)는 엔티티(인물, 사물, 장소, 개념 등)와 그들 간의 관계를 그래프 구조로 표현한 거대한 지식 기반 시스템입니다.
|
||||
|
||||
1. **핵심 구성 요소**:
|
||||
* **노드 (Node / Entity)**: 실제 세계의 객체나 개념을 나타냅니다.
|
||||
* **엣지 (Edge / Relationship)**: 노드 간의 관계를 나타냅니다 (예: 'A는 B의 제작자이다').
|
||||
* **속성 (Property)**: 노드나 엣지에 대한 추가적인 세부 정보.
|
||||
|
||||
2. **왜 지식 그래프인가?**:
|
||||
* **시맨틱 상호운용성**: 서로 다른 출처의 데이터를 의미적으로 통합할 수 있습니다.
|
||||
* **지능적 추론**: "A를 만든 사람이 살고 있는 도시의 인구는?"과 같은 다단계 질문에 대해 관계를 추적하여 답변할 수 있습니다.
|
||||
* **[[GraphRAG|GraphRAG]]**: 텍스트 데이터를 그래프로 변환하여 LLM의 검색 정확도와 문맥 파악 능력을 비약적으로 향상시킵니다.
|
||||
|
||||
3. **지식의 고도화 도구**:
|
||||
* **[[Ontology|Ontology]]**: 지식 그래프의 설계도 역할을 하며, 어떤 엔티티와 관계가 존재할 수 있는지 규정합니다.
|
||||
* **Graph Database**: Neo4j, FalkorDB 등 그래프 구조를 저장하고 쿼리하는 전용 DB입니다.
|
||||
|
||||
## ⚖️ Trade-offs & Caveats
|
||||
* **구축 및 유지보수의 난해함**: 비정형 데이터에서 정확한 엔티티와 관계를 추출하는 과정이 복잡하며 전문적인 지식이 필요합니다.
|
||||
* **확장성 문제 (Scalability)**: 그래프가 거대해질수록 관계를 탐색하는 쿼리 비용이 급격히 증가할 수 있습니다.
|
||||
* **데이터 정제**: 잘못된 관계 정보가 유입될 경우 전체 지식 체계의 신뢰도가 훼손되므로 엄격한 거버넌스가 필요합니다.
|
||||
|
||||
## 💻 실전 구현 코드 (Boilerplate)
|
||||
`Neo4j` 스타일의 Cypher 쿼리를 사용하여 지식 그래프를 생성하고 조회하는 기초 예시입니다.
|
||||
|
||||
```cypher
|
||||
// 1. 엔티티 및 관계 생성 (P-Reinforce 관련 예시)
|
||||
CREATE (p:Project {name: "Antigravity"})
|
||||
CREATE (e:Engine {name: "ConnectAI"})
|
||||
CREATE (s:Standard {name: "P-Reinforce v3.0"})
|
||||
|
||||
CREATE (p)-[:USES]->(e)
|
||||
CREATE (e)-[:FOLLOWS]->(s)
|
||||
|
||||
// 2. 다단계 추론 쿼리
|
||||
// "Antigravity 프로젝트가 사용하는 엔진이 따르는 표준은 무엇인가?"
|
||||
MATCH (p:Project {name: "Antigravity"})-[:USES]->(e)-[:FOLLOWS]->(s)
|
||||
RETURN s.name AS StandardName
|
||||
```
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
* **기반 개념**: [[Computer Science and Theory|Computer Science]], [[Ontology|Ontology]]
|
||||
* **활용 기술**: [[GraphRAG|GraphRAG]], [[Semantic Search|Semantic Search]]
|
||||
* **보관 기술**: [[Graph Database|Graph Database]], [[Vector Database|Vector Database (Hybrid)]]
|
||||
|
||||
---
|
||||
*Last updated: 2026-05-04*
|
||||
@@ -0,0 +1,64 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-ONT-001
|
||||
category: Computer_Science_and_Theory
|
||||
confidence_score: 1.00
|
||||
tags: [auto-reinforced, ontology, knowledge-engineering, taxonomy, semantic-web, data-modeling]
|
||||
last_reinforced: 2026-05-04
|
||||
---
|
||||
|
||||
# [[Ontology|Ontology]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "지식의 세계관 설계: 단순히 데이터를 분류하는 것을 넘어, 특정 도메인 내에 존재하는 개념들의 본질과 그들 사이의 엄격한 관계 규칙을 정의하여 컴퓨터가 세상을 이해하는 논리적 틀을 제공하는 것."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
온톨로지(Ontology)는 특정 지식 도메인 내의 개념(Class), 개체(Instance), 속성(Property) 및 그들 간의 관계를 정형화하여 표현한 모델입니다.
|
||||
|
||||
1. **온톨로지의 구성 요소**:
|
||||
* **클래스 (Class)**: 사물이나 개념의 집합. (예: '사람', '도시', '프로젝트')
|
||||
* **속성 (Property)**: 클래스의 특징이나 관계를 정의. (예: '나이', '위치한 곳')
|
||||
* **제약 조건 (Constraint)**: 관계의 규칙을 정의. (예: '도시'는 반드시 하나의 '국가'에 속해야 함)
|
||||
|
||||
2. **분류 체계(Taxonomy)와의 차이**:
|
||||
* **Taxonomy**: 단순히 부모-자식 관계(A는 B의 일종이다)의 계층 구조만 가집니다.
|
||||
* **Ontology**: '소유하다', '제작하다', '거주하다' 등 훨씬 더 복잡하고 다양한 관계를 표현할 수 있습니다.
|
||||
|
||||
3. **지식 관리 시스템에서의 역할**:
|
||||
* **[[Knowledge Graph|Knowledge Graph]]의 뼈대**: 그래프가 어떤 형태로 구축되어야 하는지 가이드를 제공합니다.
|
||||
* **데이터 통합**: 서로 다른 이름으로 불리는 같은 개념을 통일된 용어로 매핑합니다.
|
||||
* **추론 가동**: 정의된 규칙을 바탕으로 명시되지 않은 새로운 지식을 도출합니다.
|
||||
|
||||
## ⚖️ Trade-offs & Caveats
|
||||
* **고도의 전문성 요구**: 효과적인 온톨로지를 설계하기 위해서는 해당 도메인에 대한 깊은 이해와 지식 공학(Knowledge Engineering) 기술이 필수적입니다.
|
||||
* **경직성 리스크**: 너무 엄격하게 설계된 온톨로지는 빠르게 변화하는 최신 지식을 수용하기 어렵고 유연성이 떨어질 수 있습니다.
|
||||
* **구축 비용**: 초기 설계와 지속적인 갱신에 상당한 시간과 인적 자원이 소요됩니다.
|
||||
|
||||
## 💻 실전 구현 코드 (Boilerplate)
|
||||
지식의 계층과 관계를 정의하는 마크다운 기반의 약식 온톨로지 정의 예시입니다.
|
||||
|
||||
```markdown
|
||||
# Antigravity Knowledge Ontology v1.0
|
||||
|
||||
## 1. Core Classes (개념군)
|
||||
- [[Agent]]: 자율적으로 행동하는 AI 주체
|
||||
- [[Wiki]]: 정제된 지식의 보관 단위
|
||||
- [[Protocol]]: 지식 처리를 위한 규약
|
||||
|
||||
## 2. Relationships (관계 정의)
|
||||
- [Agent] -- FOLLOWS --> [Protocol]
|
||||
- [Protocol] -- STANDARDIZES --> [Wiki]
|
||||
- [Agent] -- REINFORCES --> [Wiki]
|
||||
|
||||
## 3. Data Properties (속성 정의)
|
||||
- Agent.version: 시스템 버전
|
||||
- Wiki.category: 지식 분류 (AI_and_ML, Backend 등)
|
||||
- Protocol.last_updated: 최신 갱신일
|
||||
```
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
* **상위 개념**: [[Computer Science and Theory|Computer Science]], [[Information Science|Information Science]]
|
||||
* **활용 기술**: [[Knowledge Graph|Knowledge Graph]], [[Semantic Web|Semantic Web]]
|
||||
* **관련 도구**: [[RDF|RDF]], [[OWL|OWL]], [[Protégé|Protégé]]
|
||||
|
||||
---
|
||||
*Last updated: 2026-05-04*
|
||||
@@ -0,0 +1,58 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-SDA-001
|
||||
category: Computer_Science_and_Theory
|
||||
confidence_score: 1.00
|
||||
tags: [auto-reinforced, structured-data, inverted-index, indexing, data-organization, search-engine]
|
||||
last_reinforced: 2026-05-04
|
||||
---
|
||||
|
||||
# [[Structured Data|Structured Data]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "검색을 위한 지식의 설계도: 비정형 텍스트를 기계가 빠르고 정확하게 찾아낼 수 있도록 특정 규칙(색인, 스키마 등)에 맞춰 재조직함으로써 검색 효율성을 극대화하는 데이터 가공 체계."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
구조화된 데이터(Structured Data)는 정보 검색 시스템이 데이터를 효율적으로 저장하고 조회할 수 있도록 미리 정의된 데이터 모델이나 색인 구조를 갖춘 데이터입니다.
|
||||
|
||||
1. **전통적 구조화 기술**:
|
||||
* **[[Inverted Index|Inverted Index (역색인)]]**: 각 단어가 어떤 문서들에 포함되어 있는지 기록한 리스트입니다. 키워드 검색의 속도를 보장하는 핵심 구조입니다.
|
||||
* **[[TF-IDF|TF-IDF]] / [[BM25|BM25]]**: 단어의 통계적 특징을 수치화하여 정형화된 점수(Score)를 산출합니다.
|
||||
|
||||
2. **검색 엔진 최적화(SEO)와 구조화**:
|
||||
* **Schema Markup (JSON-LD)**: 웹페이지의 의미(제품, 인물, 리뷰 등)를 검색 엔진이 즉시 이해할 수 있도록 HTML에 삽입하는 메타데이터입니다.
|
||||
* **리치 스니펫 (Rich Snippets)**: 구조화된 데이터를 기반으로 검색 결과창에 이미지나 별점 등을 추가로 노출하여 가시성을 높입니다.
|
||||
|
||||
3. **지식 관리의 구조화 ([[P-Reinforce|P-Reinforce]])**:
|
||||
* 파편화된 메모를 [[Frontmatter|Frontmatter]], [[Hierarchy|계층형 폴더]], [[Internal Link|내부 링크]] 등으로 구조화하여 AI 에이전트가 쉽게 지식을 탐색하도록 만듭니다.
|
||||
|
||||
## ⚖️ Trade-offs & Caveats
|
||||
* **유연성 부족**: 너무 엄격한 스키마는 비정형 데이터가 가진 풍부한 맥락을 훼손하거나, 새로운 형태의 데이터를 수용하기 어렵게 만들 수 있습니다.
|
||||
* **가공 비용**: 비정형 데이터를 구조화하는 데는 전처리 파이프라인 구축과 데이터 정제(Cleaning)를 위한 초기 비용이 발생합니다.
|
||||
* **오류 전파**: 구조화 과정에서 잘못된 레이블이 붙거나 인덱싱 오류가 발생하면 검색 결과 전체의 신뢰도가 떨어집니다.
|
||||
|
||||
## 💻 실전 구현 코드 (Boilerplate)
|
||||
검색 엔진이 이해하기 쉬운 `JSON-LD` 형식의 구조화된 데이터 예시입니다.
|
||||
|
||||
```html
|
||||
<script type="application/ld+json">
|
||||
{
|
||||
"@context": "https://schema.org",
|
||||
"@type": "TechArticle",
|
||||
"headline": "Astra P-Reinforce v3.0 표준 가이드",
|
||||
"author": {
|
||||
"@type": "Person",
|
||||
"name": "Antigravity Agent"
|
||||
},
|
||||
"description": "지식의 자동화 및 구조화를 위한 P-Reinforce 표준 프로토콜 상세 설명.",
|
||||
"keywords": "AI, Knowledge Management, P-Reinforce, Wiki"
|
||||
}
|
||||
</script>
|
||||
```
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
* **상위 개념**: [[Computer Science and Theory|Computer Science]], [[Data Engineering|Data Engineering]]
|
||||
* **핵심 기술**: [[Inverted Index|Inverted Index]], [[SEO|SEO (Search Engine Optimization)]]
|
||||
* **관련 모델**: [[Knowledge Graph|Knowledge Graph]], [[Vector Database|Vector Database (Unstructured-to-Structured)]]
|
||||
|
||||
---
|
||||
*Last updated: 2026-05-04*
|
||||
Reference in New Issue
Block a user