chore(wiki): reinforce knowledge batch #16 (320 docs milestone)

10_Wiki/Topics/AI/Lucas-Kanade-Method.md

@@ -0,0 +1,28 @@
+---
+id: CV-LUCAS-001
+category: "[[10_Wiki/💡 Topics/AI]]"
+confidence_score: 1.0
+tags: [computer-vision, optical-flow, lucas-kanade, image-processing, feature-tracking]
+last_reinforced: 2026-04-26
+---
+
+# [[Lucas-Kanade Method (루카스-카나데 방법)]]
+
+## 📌 한 줄 통찰 (The Karpathy Summary)
+> "주변 픽셀들은 함께 움직인다는 가정하에, 찰나의 변화 속에서 물체의 흐름(Flow)을 포착하라" — 인접한 픽셀들이 유사한 움직임을 가진다는 국소적 일관성(Local Coherence)을 가정한 후, 최소제곱법을 통해 두 프레임 사이의 픽셀 이동량을 추정하는 옵티컬 플로우(Optical Flow) 알고리즘.
+
+## 📖 구조화된 지식 (Synthesized Content)
+- **추출된 패턴:** "Spatial Consistency and Gradient Descent" — 영상의 밝기가 일정하게 유지된다고 가정(Brightness Constancy)하고, 이미지의 기울기(Gradient) 정보를 활용하여 오차를 최소화하는 방향으로 물체의 이동 궤적을 추적하는 패턴.
+- **핵심 가정:**
+    - **Brightness Constancy:** 물체의 밝기는 움직여도 변하지 않음.
+    - **Temporal Persistence:** 프레임 간 이동량이 매우 작음.
+    - **Spatial Coherence:** 특정 픽셀의 이웃들은 같은 방향으로 이동함.
+- **의의:** 영상 내 특징점 추적, 비디오 안정화, 자율주행차의 장애물 감지 등 실시간 컴퓨터 비전 시스템의 움직임 분석을 위한 가장 기초적이고 효율적인 도구.
+
+## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
+- **과거 데이터와의 충돌:** 이동량이 큰 경우에는 오차가 심하다는 한계가 있으나, 피라미드 구조(Image Pyramid)를 통해 이미지를 축소하며 단계적으로 추적하는 방식으로 현대적 한계를 극복함.
+- **정책 변화:** Skybound 프로젝트의 적 기체 추적 및 VFX 효과 구현 시, 프레임 간의 자연스러운 움직임 보간을 위해 루카스-카나데 기반의 옵티컬 플로우 원리를 활용함.
+
+## 🔗 지식 연결 (Graph)
+- [[Least-Squares-Methods]], [[Pattern-Recognition-Foundations]], [[Kalman-Filter-and-State-Tracking]], [[Robotics-Foundations]]
+- **Raw Source:** [[10_Wiki/Topics/AI/Lucas-Kanade-Method.md]]

10_Wiki/Topics/AI/Machine-Learning-Foundations.md

@@ -0,0 +1,29 @@
+---
+id: ML-FOUND-001
+category: "[[10_Wiki/💡 Topics/AI]]"
+confidence_score: 1.0
+tags: [machine-learning, ai-foundations, supervised-learning, unsupervised-learning, reinforcement-learning]
+last_reinforced: 2026-04-26
+---
+
+# [[Machine Learning Foundations (머신러닝 기초)]]
+
+## 📌 한 줄 통찰 (The Karpathy Summary)
+> "명시적 프로그래밍의 한계를 데이터의 힘으로 돌파하고, 기계가 스스로 규칙을 발견하게 하라" — 명시적인 규칙을 코딩하지 않고 데이터 속에 숨겨진 통계적 패턴을 학습하여 예측이나 판단을 수행하는 알고리즘과 모델의 총체.
+
+## 📖 구조화된 지식 (Synthesized Content)
+- **추출된 패턴:** "Learning from Data" — 입력과 출력의 관계를 정의하는 매개변수(Weights)를 데이터와의 오차를 줄여가며 최적화하는 과정을 통해, 프로그래머가 인지하지 못한 복잡한 논리를 추출하는 학습 패턴.
+- **3대 주요 범주:**
+    - **Supervised Learning (지도 학습):** 정답(Label)이 있는 데이터를 통해 입력-출력 매핑 학습. (분류, 회귀)
+    - **Unsupervised Learning (비지도 학습):** 정답 없이 데이터 자체의 구조나 패턴 탐색. (군집, 차원 축소)
+    - **Reinforcement Learning (강화 학습):** 시행착오를 통한 보상(Reward) 극대화 전략 학습.
+- **핵심 프로세스:** 데이터 수집 -> 전처리 -> 모델 선택 -> 학습 -> 평가 -> 배포 및 모니터링.
+- **의의:** 기존 소프트웨어로는 해결 불가능했던 이미지 인식, 언어 번역, 자율 주행 등의 복잡한 문제를 해결하는 현대 지능형 시스템의 물리적 기초.
+
+## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
+- **과거 데이터와의 충돌:** 규칙 기반 AI(Expert Systems)의 경직성을 극복했으나, 이제는 학습 데이터의 편향(Bias) 문제와 모델의 블랙박스 특성을 해결하기 위한 설명 가능성(XAI) 연구가 필수적인 보완책으로 대두됨.
+- **정책 변화:** Antigravity 프로젝트는 모든 지능형 기능을 구현할 때, 규칙 기반의 강건함과 머신러닝 기반의 유연함을 결합한 '하이브리드 지능' 아키텍처를 지향함.
+
+## 🔗 지식 연결 (Graph)
+- [[Supervised-Learning-Foundations]], [[Unsupervised-Learning-Foundations]], [[Reinforcement-Learning]], [[Loss-Functions-Foundations]], [[Explainable-AI-XAI]]
+- **Raw Source:** [[10_Wiki/Topics/AI/Machine-Learning-Foundations.md]]

10_Wiki/Topics/AI/Manhattan-Distance.md

@@ -0,0 +1,29 @@
+---
+id: MATH-DIST-001
+category: "[[10_Wiki/💡 Topics/AI]]"
+confidence_score: 1.0
+tags: [math, machine-learning, distance-metrics, manhattan-distance, l1-norm]
+last_reinforced: 2026-04-26
+---
+
+# [[Manhattan Distance (맨해튼 거리)]]
+
+## 📌 한 줄 통찰 (The Karpathy Summary)
+> "직선거리의 환상에서 벗어나, 격자로 짜인 현실의 길을 따라 차이의 총합을 계산하라" — 두 점 사이의 거리를 구할 때 각 좌표 축 방향의 절대적인 차이값들을 모두 합산하여 측정하는 방식 (Taxicab Geometry).
+
+## 📖 구조화된 지식 (Synthesized Content)
+- **추출된 패턴:** "Absolute Difference Summation" — 대각선 이동을 허용하지 않고 오직 수직/수평 이동만을 고려함으로써, 이상치(Outliers)의 영향을 유클리드 거리보다 덜 받으며 격자 형태의 데이터 구조를 분석하는 거리 측정 패턴.
+- **수식:** $d(x, y) = \sum_{i=1}^n |x_i - y_i|$
+- **주요 특징:**
+    - **L1 Norm:** 벡터의 성질을 측정하는 중요한 수학적 도구.
+    - **Robustness:** 제곱 연산이 포함되지 않아 값이 큰 이상치에 대해 유클리드 거리보다 상대적으로 덜 민감함.
+    - **High-dimensional Data:** 차원이 매우 높아질 때 데이터 간의 변별력을 유지하는 데 유리한 경우가 많음.
+- **의의:** K-NN 알고리즘, 이미지 처리, 경로 탐색, 그리고 L1 정규화(Lasso)의 수학적 근간이 됨.
+
+## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
+- **과거 데이터와의 충돌:** 물리적 최단 거리(Euclidean)가 항상 옳다는 고정관념에서 벗어나, 데이터의 특성과 도메인의 제약(예: 도로망, 체스판)에 따라 더 적절한 거리 척도가 존재함을 시사.
+- **정책 변화:** Antigravity 프로젝트는 지식의 희소 특징(Sparse Features)을 비교하거나 특정 수치 데이터의 분포 차이를 엄격하게 측정할 때 맨해튼 거리 기반의 메트릭을 병행 사용함.
+
+## 🔗 지식 연결 (Graph)
+- [[Distance-Metrics-in-AI]], [[L1-and-L2-Regularization]], [[K-Nearest-Neighbors-K-NN]], [[Search-Algorithms]]
+- **Raw Source:** [[10_Wiki/Topics/AI/Manhattan-Distance.md]]

10_Wiki/Topics/AI/Markov-Chain-Monte-Carlo.md

@@ -0,0 +1,27 @@
+---
+id: MATH-MCMC-001
+category: "[[10_Wiki/💡 Topics/AI]]"
+confidence_score: 1.0
+tags: [statistics, math, mcmc, bayesian-inference, sampling, machine-learning]
+last_reinforced: 2026-04-26
+---
+
+# [[Markov Chain Monte Carlo (MCMC, 마르코프 체인 몬테카를로)]]
+
+## 📌 한 줄 통찰 (The Karpathy Summary)
+> "계산할 수 없는 거대한 확률의 바다를, 무작위의 발걸음(Random Walk)으로 방랑하며 지도를 그려라" — 복잡한 고차원 확률 분포로부터 샘플을 추출하여 기댓값이나 사후 확률(Posterior)을 근사적으로 계산하는 알고리즘 체계.
+
+## 📖 구조화된 지식 (Synthesized Content)
+- **추출된 패턴:** "Guided Random Sampling" — 단순히 무작위로 점을 찍는 대신, 현재 위치를 기반으로 확률이 높은 곳으로 이동할 가능성을 열어두는 마르코프 체인을 형성하여 타겟 분포에 수렴하게 만드는 지능형 샘플링 패턴.
+- **핵심 알고리즘:**
+    - **Metropolis-Hastings:** 새로운 상태를 제안하고, 확률 비율에 따라 수락하거나 거절하며 분포 탐색.
+    - **Gibbs Sampling:** 각 변수를 순차적으로 고정하고 조건부 확률에 따라 샘플링 (고차원에서 유리).
+- **의의:** 베이즈 통계학에서 해석적으로 풀 수 없는 복잡한 적분 문제를 해결 가능케 하여, 현대 데이터 과학과 물리학, AI 추론의 핵심 도구로 자리 잡음.
+
+## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
+- **과거 데이터와의 충돌:** 연산 성능의 한계로 이론 속에만 머물던 기법이었으나, 컴퓨팅 파워의 증대와 Hamiltonian Monte Carlo(HMC) 같은 고효율 변종의 등장으로 대규모 데이터 분석의 실전 도구가 됨.
+- **정책 변화:** Antigravity 프로젝트는 모델의 불확실성(Uncertainty)을 정교하게 측정하거나, 복잡한 지식 그래프의 확률적 잠재 경로를 탐색할 때 MCMC 기반의 시뮬레이션 기법을 고려함.
+
+## 🔗 지식 연결 (Graph)
+- [[Probability-Theory]], [[Markov-Decision-Process-MDP]], [[Bayesian-Networks]], [[Global-vs-Local-Optima]]
+- **Raw Source:** [[10_Wiki/Topics/AI/Markov-Chain-Monte-Carlo.md]]

10_Wiki/Topics/AI/Markov-Decision-Process-MDP.md

@@ -0,0 +1,30 @@
+---
+id: RL-MDP-001
+category: "[[10_Wiki/💡 Topics/AI]]"
+confidence_score: 1.0
+tags: [ai, reinforcement-learning, mdp, decision-making, bellman-equation, optimization]
+last_reinforced: 2026-04-26
+---
+
+# [[Markov Decision Process (MDP, 마르코프 결정 과정)]]
+
+## 📌 한 줄 통찰 (The Karpathy Summary)
+> "세상의 모든 상호작용을 상태, 행동, 보상의 순환으로 수치화하고, 미래 가치를 극대화하는 최적의 시나리오를 설계하라" — 의사결정자가 불확실한 환경 속에서 최선의 정책(Policy)을 찾기 위해 사용하는 수학적 프레임워크.
+
+## 📖 구조화된 지식 (Synthesized Content)
+- **추출된 패턴:** "Sequential Decision Modeling" — 미래의 결과가 오직 현재의 상태와 선택에만 의존한다는 마르코프 성질(Markov Property)을 바탕으로, 매 순간의 선택이 가져올 장기적인 이득을 계산하고 최적화하는 동적 프로그래밍 패턴.
+- **5대 구성 요소 (S, A, P, R, $\gamma$):**
+    - **State (S):** 에이전트가 관찰하는 환경의 상태.
+    - **Action (A):** 에이전트가 할 수 있는 행동의 집합.
+    - **Transition Probability (P):** 특정 행동 시 다음 상태로 넘어갈 확률.
+    - **Reward (R):** 행동의 결과로 받는 즉각적인 피드백.
+    - **Discount Factor ($\gamma$):** 미래 보상의 현재 가치를 결정하는 비율.
+- **의의:** 강화학습 알고리즘(Q-Learning, Policy Gradient 등)이 무엇을 목표로 학습해야 하는지 정의하는 이론적 토대.
+
+## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
+- **과거 데이터와의 충돌:** 모든 환경이 MDP로 완벽히 설명 가능하다는 믿음에서 벗어나, 관측이 불완전한 현실 세계를 반영한 POMDP(Partially Observable MDP) 등 더 복잡한 모델로의 확장이 필수적이 됨.
+- **정책 변화:** Antigravity 에이전트의 자율적 문제 해결 로직은 현재 상황을 MDP 상태로 정의하고, 각 도구 사용(Action)이 가져올 지식 강화 결과(Reward)를 예측하여 최적의 경로를 탐색함.
+
+## 🔗 지식 연결 (Graph)
+- [[Reinforcement-Learning]], [[Markov-Chain-Monte-Carlo]], [[Expected-Utility-Theory]], [[Bellman-Equation]]
+- **Raw Source:** [[10_Wiki/Topics/AI/Markov-Decision-Process-MDP.md]]

10_Wiki/Topics/AI/Matrix-Factorization.md

@@ -0,0 +1,27 @@
+---
+id: MATH-MF-001
+category: "[[10_Wiki/💡 Topics/AI]]"
+confidence_score: 1.0
+tags: [math, machine-learning, recommender-systems, matrix-factorization, svd, collaborative-filtering]
+last_reinforced: 2026-04-26
+---
+
+# [[Matrix Factorization (행렬 분해)]]
+
+## 📌 한 줄 통찰 (The Karpathy Summary)
+> "거대하고 성긴(Sparse) 데이터 행렬을 두 개의 작고 밀도 있는 잠재 요인(Latent Factors)으로 쪼개어, 보이지 않는 취향과 특징을 복원하라" — 하나의 커다란 행렬을 두 개 이상의 작은 행렬의 곱으로 분해하여 데이터의 잠재적인 구조를 파악하고 누락된 값을 예측하는 기술.
+
+## 📖 구조화된 지식 (Synthesized Content)
+- **추출된 패턴:** "Latent Space Mapping" — 사용자-아이템 행렬과 같이 데이터가 비어 있는 거대 행렬을 사용자의 성향 행렬과 아이템의 속성 행렬로 분해하여, 둘 사이의 내적을 통해 선호도를 예측하는 패턴.
+- **주요 기법:**
+    - **SVD (Singular Value Decomposition):** 행렬을 세 개의 특수한 행렬로 분해하여 데이터의 차원을 축소하고 노이즈 제거.
+    - **NMF (Non-negative Matrix Factorization):** 모든 요소가 양수인 행렬로 분해하여 부분-전체 관계를 더 명확히 파악 (이미지 분석, 텍스트 마이닝).
+- **의의:** 아마존, 넷플릭스 등 현대 추천 시스템의 비약적 발전을 이끈 핵심 알고리즘이며, 고차원 데이터를 다루는 데이터 사이언스의 필수 도구.
+
+## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
+- **과거 데이터와의 충돌:** 선형적인 관계만 포착할 수 있다는 한계가 있어, 최근에는 신경망 기반의 임베딩(Neural Matrix Factorization)과 결합하여 비선형적인 복잡한 관계까지 학습하는 방향으로 진화.
+- **정책 변화:** Antigravity 프로젝트는 사용자의 지식 탐색 로그를 분석하여 개인화된 학습 경로를 추천할 때, 행렬 분해 기법을 활용하여 사용자가 아직 발견하지 못한 '연관 지식'을 도출함.
+
+## 🔗 지식 연결 (Graph)
+- [[Collaborative-Filtering]], [[Dimensionality-Reduction]], [[Item-Item-Collaborative-Filtering]], [[Neural-Networks-Foundations]]
+- **Raw Source:** [[10_Wiki/Topics/AI/Matrix-Factorization.md]]

10_Wiki/Topics/AI/Matrix-Operations-and-AI.md

@@ -0,0 +1,28 @@
+---
+id: MATH-MATRIX-OPS-001
+category: "[[10_Wiki/💡 Topics/AI]]"
+confidence_score: 1.0
+tags: [math, ai, deep-learning, matrix-operations, gpu-computing, linear-algebra]
+last_reinforced: 2026-04-26
+---
+
+# [[Matrix Operations and AI (행렬 연산과 AI)]]
+
+## 📌 한 줄 통찰 (The Karpathy Summary)
+> "복잡한 사고의 과정을 거대한 숫자의 행렬 연산으로 치환하여, 병렬 연산의 압도적 속도로 지능을 구현하라" — 신경망의 순전파(Forward)와 역전파(Backward) 과정에서 발생하는 수조 번의 데이터 변환을 행렬의 곱셈과 덧셈으로 통합하여 처리하는 AI의 물리적 실체.
+
+## 📖 구조화된 지식 (Synthesized Content)
+- **추출된 패턴:** "Parallel Data Transformation" — 개별 데이터를 하나씩 처리하는 대신, 수천 개의 데이터를 하나의 행렬로 묶어(Batching) 동시에 연산함으로써 CPU의 순차 처리를 넘어 GPU의 병렬 처리 잠재력을 극대화하는 패턴.
+- **핵심 연산:**
+    - **Matrix Multiplication (Dot Product):** 입력 데이터와 가중치 사이의 상호작용을 계산하여 특징을 추출하는 가장 빈번한 연산.
+    - **Element-wise Operations:** 활성화 함수 적용 시 각 요소별로 독립적인 연산 수행.
+    - **Transpose & Inverse:** 역전파 과정에서 오차의 흐름을 계산하거나 최적해를 도출하기 위한 필수 도구.
+- **의의:** 행렬 연산의 효율화(XLA, CUDA 최적화 등)가 곧 최신 AI 모델의 규모와 성능을 결정짓는 가장 실질적인 기술적 병목이자 경쟁력.
+
+## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
+- **과거 데이터와의 충돌:** 단순히 수학적 정의에 충실하던 단계를 지나, 이제는 메모리 대역폭과 캐시 효율을 고려한 '하드웨어 친화적 행렬 연산' 설계가 딥러닝 프레임워크의 핵심 경쟁력이 됨.
+- **정책 변화:** Antigravity 프로젝트는 대규모 벡터 검색 및 임베딩 연산 시, 행렬 연산의 병렬성을 극대화할 수 있는 배치 크기와 데이터 정렬 방식을 채택하여 추론 지연 시간을 최소화함.
+
+## 🔗 지식 연결 (Graph)
+- [[Linear-Algebra-Foundations]], [[GPU-Architecture-for-AI]], [[JIT-Compilation-in-AI-Engines]], [[Deep-Learning-Foundations]]
+- **Raw Source:** [[10_Wiki/Topics/AI/Matrix-Operations-and-AI.md]]

10_Wiki/Topics/AI/Mean-Absolute-Error-MAE.md

@@ -0,0 +1,28 @@
+---
+id: MATH-MAE-001
+category: "[[10_Wiki/💡 Topics/AI]]"
+confidence_score: 1.0
+tags: [statistics, machine-learning, loss-functions, mae, l1-loss, evaluation-metrics]
+last_reinforced: 2026-04-26
+---
+
+# [[Mean Absolute Error (MAE, 평균 절대 오차)]]
+
+## 📌 한 줄 통찰 (The Karpathy Summary)
+> "오차의 크기를 왜곡 없이 있는 그대로 직면하여, 평균적인 예측의 오판 가능성을 측정하라" — 실제값과 예측값 사이의 모든 절대적인 차이를 산술 평균하여 구하는 회귀 모델의 성능 평가 및 손실 함수 지표.
+
+## 📖 구조화된 지식 (Synthesized Content)
+- **추출된 패턴:** "Linear Error Penalization" — 오차에 제곱을 가하지 않고 선형적으로 페널티를 부여함으로써, 소수의 극단적인 오차(이상치)가 전체 손실값에 미치는 영향을 억제하고 데이터의 보편적인 경향성을 학습하게 하는 패턴.
+- **수식:** $\frac{1}{n} \sum_{i=1}^n |y_i - \hat{y}_i|$
+- **주요 특징:**
+    - **Robustness:** 이상치에 강건함. (MSE 대비 이상치의 영향력이 작음)
+    - **Interpretability:** 오차의 단위가 타겟 변수의 단위와 동일하여 "평균적으로 얼마의 차이가 난다"라는 직관적 이해 가능.
+- **의의:** 금융 데이터 분석이나 기상 예측처럼 소수의 예외적인 데이터가 전체 모델을 흔들지 않아야 하는 견고한(Robust) 시스템 설계의 핵심 지표.
+
+## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
+- **과거 데이터와의 충돌:** 미분이 불가능한 지점(오차가 0일 때)이 있어 최적화에 불리하다는 전통적 비판이 있었으나, 현대 딥러닝 프레임워크는 이를 수치적으로 해결하여 역전파 과정에서 안정적으로 사용 가능하게 함.
+- **정책 변화:** Antigravity 프로젝트는 에이전트의 작업 소요 시간 예측 모델 평가 시, 비정상적으로 긴 작업 시간이 전체 성능 통계를 왜곡하지 않도록 MAE를 주 평가지표로 사용함.
+
+## 🔗 지식 연결 (Graph)
+- [[Mean-Squared-Error-MSE]], [[Loss-Functions-Foundations]], [[Manhattan-Distance]], [[Supervised-Learning-Foundations]]
+- **Raw Source:** [[10_Wiki/Topics/AI/Mean-Absolute-Error-MAE.md]]

10_Wiki/Topics/AI/Mean-Squared-Error-MSE.md

@@ -0,0 +1,28 @@
+---
+id: MATH-MSE-001
+category: "[[10_Wiki/💡 Topics/AI]]"
+confidence_score: 1.0
+tags: [statistics, machine-learning, loss-functions, mse, l2-loss, optimization]
+last_reinforced: 2026-04-26
+---
+
+# [[Mean Squared Error (MSE, 평균 제곱 오차)]]
+
+## 📌 한 줄 통찰 (The Karpathy Summary)
+> "큰 실수는 제곱의 무게로 응징하여, 모델이 치명적인 오판을 피하도록 강제하라" — 실제값과 예측값 사이의 오차를 제곱하여 평균 낸 수치로, 머신러닝의 최적화 과정에서 가장 널리 쓰이는 표준 손실 함수.
+
+## 📖 구조화된 지식 (Synthesized Content)
+- **추출된 패턴:** "Quadratic Penalization" — 오차가 커질수록 손실값이 제곱으로 증가하도록 설계하여, 모델이 작은 오차들을 골고루 줄이는 것보다 큰 오차 하나를 줄이는 데 더 집중하게 만드는 최적화 유도 패턴.
+- **수식:** $\frac{1}{n} \sum_{i=1}^n (y_i - \hat{y}_i)^2$
+- **주요 특징:**
+    - **Sensitivity to Outliers:** 이상치(Outliers)에 매우 민감함. (제곱 페널티 효과)
+    - **Mathematical Convenience:** 모든 구간에서 미분이 가능하며 매끄러운 곡선을 형성하여, 경사 하강법을 통한 전역 최적해 탐색에 유리.
+- **의의:** 선형 회귀부터 신경망의 수치 예측까지, '정답에 가장 가까운 평균'을 찾기 위한 모든 통계적 모델링의 심장.
+
+## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
+- **과거 데이터와의 충돌:** 오차의 단위가 제곱이 되어 실제 값의 단위와 달라지는 문제를 해결하기 위해, 루트를 씌운 RMSE(Root MSE)와 병행하여 사용되는 것이 실무적인 정석임.
+- **정책 변화:** Antigravity 프로젝트는 에이전트의 모델 가중치 학습 시, 수렴의 효율성과 수학적 안정성을 위해 기본 손실 함수로 MSE 아키텍처를 채택함.
+
+## 🔗 지식 연결 (Graph)
+- [[Mean-Absolute-Error-MAE]], [[Loss-Functions-Foundations]], [[Least-Squares-Methods]], [[Gradient-Descent-Foundations]]
+- **Raw Source:** [[10_Wiki/Topics/AI/Mean-Squared-Error-MSE.md]]

10_Wiki/Topics/AI/Message-Queues-and-Event-Streams.md

@@ -0,0 +1,27 @@
+---
+id: SYS-MQ-STREAM-001
+category: "[[10_Wiki/💡 Topics/AI]]"
+confidence_score: 1.0
+tags: [infrastructure, message-queues, kafka, event-streaming, distributed-systems, scalability]
+last_reinforced: 2026-04-26
+---
+
+# [[Message Queues and Event Streams (메시지 큐와 이벤트 스트림)]]
+
+## 📌 한 줄 통찰 (The Karpathy Summary)
+> "시스템 사이의 대화를 '비동기적 흐름'으로 전환하여, 서로를 기다리지 않고도 거대한 지능의 하모니를 완성하라" — 데이터를 생성하는 쪽(Producer)과 소비하는 쪽(Consumer)을 분리(Decoupling)하여 시스템의 유연성과 확장성, 내결함성을 극대화하는 통신 인프라.
+
+## 📖 구조화된 지식 (Synthesized Content)
+- **추출된 패턴:** "Asynchronous Buffer and Pub/Sub" — 요청이 몰릴 때 임시로 데이터를 담아두는 버퍼 역할과, 하나의 데이터를 여러 곳에서 동시에 구독할 수 있게 하는 발행/구독 패턴을 통해 분산 시스템의 부하를 조절하는 패턴.
+- **핵심 기술:**
+    - **Message Queues (RabbitMQ, SQS):** 메시지를 전달받아 소비자가 처리할 때까지 안전하게 보관. 1:1 전달 중심.
+    - **Event Streams (Kafka, Kinesis):** 데이터의 흐름 자체를 기록하고 보존하여 실시간 분석 및 재생(Replay) 가능. 고성능 로그 처리 중심.
+- **의의:** 마이크로서비스 아키텍처(MSA)에서 서비스 간의 의존성을 줄이고, 데이터가 폭증하는 상황에서도 시스템 전체가 마비되지 않도록 보호하는 완충재.
+
+## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
+- **과거 데이터와의 충돌:** 단순한 '데이터 전달자' 수준에서 벗어나, 이제는 Flink나 Spark Streaming과 결합하여 스트림 내에서 즉석으로 데이터를 처리하는 '스트림 처리 엔진'으로 역할이 확장됨.
+- **정책 변화:** Antigravity 프로젝트는 에이전트의 사고 로그와 원격 데이터 수집 스트림을 Kafka 기반의 이벤트 스트림으로 관리하여, 실시간 모니터링과 사후 분석을 동시에 수행함.
+
+## 🔗 지식 연결 (Graph)
+- [[Microservices-Architecture]], [[High-Availability-Systems]], [[System-Design-for-AI-Scale]], [[Real-time-Data-Processing]]
+- **Raw Source:** [[10_Wiki/Topics/AI/Message-Queues-and-Event-Streams.md]]

10_Wiki/Topics/AI/Meta-Learning-in-AI.md

@@ -0,0 +1,28 @@
+---
+id: AI-META-001
+category: "[[10_Wiki/💡 Topics/AI]]"
+confidence_score: 1.0
+tags: [ai, deep-learning, meta-learning, few-shot-learning, optimization]
+last_reinforced: 2026-04-26
+---
+
+# [[Meta-Learning in AI (AI에서의 메타 학습)]]
+
+## 📌 한 줄 통찰 (The Karpathy Summary)
+> "데이터를 배우는 단계를 넘어, '어떻게 배워야 가장 효율적인가'라는 학습의 본질을 스스로 터득하라" — 새로운 태스크에 직면했을 때 아주 적은 양의 데이터만으로도 빠르게 적응할 수 있도록 모델의 초기 상태나 학습 규칙을 최적화하는 '배우는 법을 배우는(Learning to Learn)' 기술.
+
+## 📖 구조화된 지식 (Synthesized Content)
+- **추출된 패턴:** "Knowledge Transfer and Rapid Adaptation" — 수많은 유사한 작업들을 경험하며 얻은 공통된 지식을 바탕으로, 낯선 작업이 주어졌을 때 수천 번의 반복 학습 없이 단 몇 번의 업데이트(Few-shot)만으로 정답에 도달하는 지능형 적응 패턴.
+- **주요 접근법:**
+    - **Optimization-based:** 모델이 새로운 작업에 대해 최적화되기 가장 좋은 초기 가중치 지점을 찾음 (예: MAML).
+    - **Model-based:** 외부 메모리나 특수한 구조를 통해 빠르게 정보를 저장하고 인출.
+    - **Metric-based:** 데이터 간의 거리를 측정하는 법을 배워, 새로운 클래스도 거리 기반으로 즉시 분류.
+- **의의:** 데이터가 부족한 도메인에서 AI의 활용도를 극대화하며, 인간처럼 소량의 경험만으로도 새로운 지능을 획득하는 범용 인공지능(AGI)으로 가는 핵심 징검다리.
+
+## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
+- **과거 데이터와의 충돌:** 거대한 데이터셋에서 고정된 모델을 만드는 방식에서 벗어나, 이제는 변화하는 환경에 실시간으로 대응하는 '적응력' 자체가 모델의 핵심 지능 지표로 간주됨.
+- **정책 변화:** Antigravity 프로젝트는 에이전트가 새로운 유형의 프로그래밍 언어나 프레임워크를 접했을 때, 기존 지식을 바탕으로 빠르게 문법을 파악하고 적용할 수 있도록 메타 학습 아키텍처를 도입함.
+
+## 🔗 지식 연결 (Graph)
+- [[Few-Shot-Learning]], [[Model-Agnostic-Meta-Learning]], [[Transfer-Learning-Foundations]], [[Hyperparameter-Optimization]]
+- **Raw Source:** [[10_Wiki/Topics/AI/Meta-Learning-in-AI.md]]

10_Wiki/Topics/AI/Microservices-Architecture.md

@@ -0,0 +1,29 @@
+---
+id: SYS-MSA-001
+category: "[[10_Wiki/💡 Topics/AI]]"
+confidence_score: 1.0
+tags: [infrastructure, microservices, msa, cloud-native, distributed-systems, scalability]
+last_reinforced: 2026-04-26
+---
+
+# [[Microservices Architecture (마이크로서비스 아키텍처)]]
+
+## 📌 한 줄 통찰 (The Karpathy Summary)
+> "거대한 단일체를 쪼개어 독립적인 생명체들의 연합군으로 만들고, 각자가 가장 잘하는 일에 집중하게 하라" — 애플리케이션을 비즈니스 기능 단위의 작고 독립적인 서비스들로 분리하여 구축하고, 가벼운 통신 프로토콜(주로 REST/gRPC)을 통해 상호작용하게 하는 설계 방식.
+
+## 📖 구조화된 지식 (Synthesized Content)
+- **추출된 패턴:** "Decomposition and Autonomy" — 시스템을 작게 나누어 각 서비스가 자체 데이터베이스를 가지고 독립적으로 배포 및 확장(Scaling)될 수 있게 함으로써, 특정 기능의 장애가 시스템 전체로 확산(Cascading Failure)되는 것을 막는 방어적 연합 패턴.
+- **핵심 요소:**
+    - **API Gateway:** 클라이언트 요청을 적절한 서비스로 라우팅하고 통합 관리.
+    - **Service Discovery:** 동적으로 변화하는 서비스들의 위치를 자동으로 파악.
+    - **Database per Service:** 서비스 간 데이터 간섭을 최소화하여 독립적 진화 보장.
+    - **Event-driven Communication:** 메시지 큐를 통한 비동기 결합으로 성능과 유연성 확보.
+- **의의:** 대규모 조직에서 팀별 개발 속도를 극대화하고, 기술 스택의 다양성을 수용하며, 클라우드 환경의 탄력성을 100% 활용 가능케 함.
+
+## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
+- **과거 데이터와의 충돌:** 마이크로서비스가 만능이라는 맹신에서 벗어나, 서비스 간 통신 복잡성과 데이터 일관성 유지 비용(Distributed Transaction) 등 '분산 시스템의 세금'을 신중히 고려해야 한다는 현실적 관점이 정립됨.
+- **정책 변화:** Antigravity 프로젝트의 백엔드는 에이전트 브레인, 지식 인덱서, 데이터 수집기 등이 마이크로서비스 형태로 분리되어 있어, 특정 모듈의 부하 증가 시 해당 부분만 즉각 확장할 수 있는 구조를 유지함.
+
+## 🔗 지식 연결 (Graph)
+- [[Message-Queues-and-Event-Streams]], [[System-Design-for-AI-Scale]], [[High-Availability-Systems]], [[Kubernetes-for-AI-Orchestration]]
+- **Raw Source:** [[10_Wiki/Topics/AI/Microservices-Architecture.md]]

10_Wiki/Topics/AI/Minimum-Viable-Product-MVP.md

@@ -0,0 +1,29 @@
+---
+id: MGMT-MVP-001
+category: "[[10_Wiki/💡 Topics/AI]]"
+confidence_score: 1.0
+tags: [product-management, lean-startup, mvp, agile, user-feedback, efficiency]
+last_reinforced: 2026-04-26
+---
+
+# [[Minimum Viable Product (MVP, 최소 기능 제품)]]
+
+## 📌 한 줄 통찰 (The Karpathy Summary)
+> "완벽함에 대한 집착을 버리고, 고객이 돈을 지불할 '핵심 가치' 하나를 증명하는 것에 모든 화력을 집중하라" — 새로운 제품을 개발할 때 가설을 검증하고 사용자 피드백을 수집하기에 충분한 최소한의 기능만을 갖춘 제품 버전.
+
+## 📖 구조화된 지식 (Synthesized Content)
+- **추출된 패턴:** "Hypothesis-driven Development" — 대규모 자원을 투입하기 전, "사람들이 이 문제를 해결하고 싶어 하는가?"라는 근본적 질문에 답하기 위해 가장 저렴하고 빠른 방법으로 동작하는 결과물을 만들어 시장에 던지는 가설 검증 패턴.
+- **핵심 목표:**
+    - **Learning:** 사용자 실제 행동 데이터를 통한 학습.
+    - **Resource Optimization:** 불필요한 기능 개발에 들어가는 시간과 비용 절감.
+    - **Iterative Improvement:** 피드백을 기반으로 한 빠른 방향 수정(Pivot) 또는 고도화.
+- **오해와 진실:** MVP는 '미완성 제품'이나 '조잡한 제품'이 아니라, 특정 문제를 해결하는 데 있어 '가장 핵심적인 경험'이 완결성 있게 구현된 제품이어야 함.
+- **의의:** 제품 개발의 리스크를 최소화하고 시장이 진짜 원하는 제품(Product-Market Fit)으로 나아가는 유일한 실천 경로.
+
+## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
+- **과거 데이터와의 충돌:** 단순히 '최소 기능'에만 집착하던 단계에서, 이제는 고객이 매력을 느끼고 사랑할 수 있는 수준의 최소 경험(MLP, Minimum Lovable Product)을 제공해야 한다는 방향으로 진화 중.
+- **정책 변화:** Antigravity 프로젝트의 모든 신규 에이전트 스킬은 MVP 형태로 먼저 구현되어 실전 테스트를 거치며, 사용자 만족도가 확인된 경우에만 정식 라이브러리에 통합됨.
+
+## 🔗 지식 연결 (Graph)
+- [[Lean-Project-Management]], [[Iterative-Development-Models]], [[Agile-Methodologies]], [[G-Stack-Integration-Guide]]
+- **Raw Source:** [[10_Wiki/Topics/AI/Minimum-Viable-Product-MVP.md]]

10_Wiki/Topics/AI/Mobile-AI-Optimization.md

@@ -0,0 +1,29 @@
+---
+id: AI-MOB-OPT-001
+category: "[[10_Wiki/💡 Topics/AI]]"
+confidence_score: 1.0
+tags: [ai, mobile-ai, optimization, quantization, on-device-ai, edge-computing]
+last_reinforced: 2026-04-26
+---
+
+# [[Mobile AI Optimization (모바일 AI 최적화)]]
+
+## 📌 한 줄 통찰 (The Karpathy Summary)
+> "거대 모델의 지능을 스마트폰이라는 좁은 틀에 맞춰 압축하되, 그 핵심적인 사고의 깊이는 잃지 마라" — 모바일 기기의 제한된 컴퓨팅 자원(CPU, GPU, NPU)과 배터리 환경에서 AI 모델이 지연 시간 없이 효율적으로 작동하도록 수행하는 모델 경량화 및 실행 최적화 기술.
+
+## 📖 구조화된 지식 (Synthesized Content)
+- **추출된 패턴:** "Lightweight Inference and Hardware Awareness" — 모델의 정확도 손실을 최소화하면서 파라미터 크기를 줄이고, 타겟 기기의 전용 가속기(NPU 등)를 최대로 활용하여 실시간성에 가까운 추론 속도를 확보하는 하드웨어 친화적 최적화 패턴.
+- **주요 최적화 기법:**
+    - **Quantization (양자화):** 32비트 부동소수점을 8비트 정수 등으로 변환하여 용량과 연산 속도 개선.
+    - **Pruning (가지치기):** 성능에 기여도가 낮은 가중치를 제거하여 모델 크기 축소.
+    - **Knowledge Distillation (지식 증류):** 큰 모델(Teacher)의 지식을 작은 모델(Student)로 전수.
+    - **Hardware Acceleration:** CoreML, TensorFlow Lite, ONNX 등을 활용한 하드웨어 최적화 런타임 사용.
+- **의의:** 서버 연결 없이도 개인정보를 보호하며 오프라인에서 즉각 응답하는 '온디바이스 AI(On-device AI)' 시대를 여는 핵심 기술.
+
+## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
+- **과거 데이터와의 충돌:** 모바일 AI는 단순히 '작은 모델'을 의미했으나, 이제는 기기 자체에서 소규모 학습이나 개인화가 가능한 지능형 엣지 노드로 역할이 고도화됨.
+- **정책 변화:** Antigravity 프로젝트는 모바일 인터페이스나 로컬 에이전트 브레인 구현 시, 4비트 양자화 기술을 적용하여 최소한의 메모리 점유로 최대의 추론 성능을 보장하는 것을 원칙으로 함.
+
+## 🔗 지식 연결 (Graph)
+- [[Inference-Optimization]], [[Knowledge-Distillation]], [[Hardware-Acceleration-for-AI]], [[Local-Brain-Management]]
+- **Raw Source:** [[10_Wiki/Topics/AI/Mobile-AI-Optimization.md]]

10_Wiki/Topics/AI/Model-Agnostic-Meta-Learning.md

@@ -0,0 +1,27 @@
+---
+id: AI-MAML-001
+category: "[[10_Wiki/💡 Topics/AI]]"
+confidence_score: 1.0
+tags: [ai, deep-learning, meta-learning, maml, few-shot-learning, optimization]
+last_reinforced: 2026-04-26
+---
+
+# [[Model Agnostic Meta-Learning (MAML, 모델 불가지론적 메타 학습)]]
+
+## 📌 한 줄 통찰 (The Karpathy Summary)
+> "특정한 지식을 가르치려 하지 말고, 어떤 지식이든 단숨에 흡수할 수 있는 '최고의 시작점'을 찾아라" — 모델 구조에 구애받지 않고, 새로운 태스크에 대해 단 몇 번의 경사 하강법(Gradient Descent) 업데이트만으로도 최적의 성능을 낼 수 있는 가중치 초기값을 학습하는 범용 메타 학습 알고리즘.
+
+## 📖 구조화된 지식 (Synthesized Content)
+- **추출된 패턴:** "Initialization for Rapid Adaptation" — 수많은 다양한 태스크들을 경험하며, 어떤 태스크가 주어져도 약간의 조정만으로 즉시 해결 가능한 '가장 민감하고 유연한' 초기 파라미터 지점을 탐색하는 최적화 패턴.
+- **작동 원리 (Bi-level Optimization):**
+    - **Inner Loop:** 특정 태스크에 대해 모델을 아주 잠깐 학습 (태스크별 적응).
+    - **Outer Loop:** 모든 태스크의 Inner Loop 결과가 전체적으로 좋아지도록 초기 모델의 파라미터를 업데이트 (메타 업데이트).
+- **의의:** 모델 아키텍처(CNN, RNN 등)와 손실 함수의 형태에 상관없이 적용 가능한 범용성을 가지며, 진정한 의미의 '배우는 법을 배우는' AI를 구현함.
+
+## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
+- **과거 데이터와의 충돌:** 학습 과정에서 2차 미분(Hessian) 연산이 필요하여 연산 비용이 매우 높다는 단점이 있었으나, 이를 1차 미분만으로 근사하는 First-order MAML 등의 변종이 등장하며 실용성을 확보함.
+- **정책 변화:** Antigravity 프로젝트는 에이전트의 스킬 라이브러리 업데이트 시, 새로운 프로토콜에 빠르게 적응해야 하는 개별 모듈의 초기화 전략으로 MAML의 개념적 프레임워크를 응용함.
+
+## 🔗 지식 연결 (Graph)
+- [[Meta-Learning-in-AI]], [[Few-Shot-Learning]], [[Gradient-Descent-Foundations]], [[Transfer-Learning-Foundations]]
+- **Raw Source:** [[10_Wiki/Topics/AI/Model-Agnostic-Meta-Learning.md]]

10_Wiki/Topics/AI/Model-Compression-Strategies.md

@@ -0,0 +1,29 @@
+---
+id: AI-COMP-001
+category: "[[10_Wiki/💡 Topics/AI]]"
+confidence_score: 1.0
+tags: [ai, deep-learning, model-compression, quantization, pruning, efficient-ai]
+last_reinforced: 2026-04-26
+---
+
+# [[Model Compression Strategies (모델 압축 전략)]]
+
+## 📌 한 줄 통찰 (The Karpathy Summary)
+> "모델의 지능은 보존하되 그 몸집(Parameters)을 줄여, 클라우드의 한계를 넘어 모든 기기에서 지능이 숨 쉬게 하라" — 딥러닝 모델의 크기와 연산 복잡도를 줄여 추론 속도를 높이고 메모리 사용량을 절감하는 기술적 방법론.
+
+## 📖 구조화된 지식 (Synthesized Content)
+- **추출된 패턴:** "Redundancy Reduction and Precision Scaling" — 신경망 내의 불필요한 연결을 제거하거나 수치의 정밀도를 조절함으로써, 모델의 정확도 손실을 최소화하며 자원 점유율을 획기적으로 낮추는 압축 패턴.
+- **주요 전략:**
+    - **Quantization:** 32비트 가중치를 8비트나 4비트 정수로 변환. 연산 속도와 에너지 효율 극대화.
+    - **Weight Pruning:** 중요도가 낮은 가중치를 0으로 만들어 모델을 희소(Sparse)하게 만듦.
+    - **Knowledge Distillation:** 거대 모델의 지식을 가볍고 빠른 소형 모델로 전이.
+    - **Low-Rank Factorization:** 큰 행렬을 작은 행렬들의 곱으로 분해하여 파라미터 수 감소.
+- **의의:** AI 모델이 연구실을 넘어 모바일, IoT, 자동차 등 실생활의 모든 접점에서 실시간으로 작동하게 만드는 핵심 인프라 기술.
+
+## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
+- **과거 데이터와의 충돌:** 압축은 항상 성능 저하를 동반한다는 인식을 넘어, 이제는 적절한 압축과 미세 조정을 통해 오히려 과적합을 방지하고 일반화 성능을 높이는 사례가 증가함.
+- **정책 변화:** Antigravity 프로젝트는 모든 배포용 모델에 대해 최소 8비트 이상의 양자화 검증을 필수화하여, 에이전트의 응답 속도를 최우선으로 관리함.
+
+## 🔗 지식 연결 (Graph)
+- [[Mobile-AI-Optimization]], [[Knowledge-Distillation]], [[Inference-Optimization]], [[Low-Rank-Adaptation-LoRA]]
+- **Raw Source:** [[10_Wiki/Topics/AI/Model-Compression-Strategies.md]]

10_Wiki/Topics/AI/Model-Deployment-Patterns.md

@@ -0,0 +1,29 @@
+---
+id: MLOPS-DEPLOY-001
+category: "[[10_Wiki/💡 Topics/AI]]"
+confidence_score: 1.0
+tags: [mlops, model-deployment, cicd, canary-deployment, blue-green, system-design]
+last_reinforced: 2026-04-26
+---
+
+# [[Model Deployment Patterns (모델 배포 패턴)]]
+
+## 📌 한 줄 통찰 (The Karpathy Summary)
+> "모델의 교체가 서비스의 중단이 아닌 '자연스러운 진화'가 되도록, 안전하고 탄력적인 배포 관문을 설계하라" — 머신러닝 모델을 프로덕션 환경에 적용할 때 리스크를 최소화하고 안정적인 전환을 보장하기 위한 아키텍처 패턴.
+
+## 📖 구조화된 지식 (Synthesized Content)
+- **추출된 패턴:** "Staged Transition and Risk Isolation" — 신규 모델을 즉시 전체 적용하는 대신, 트래픽을 단계적으로 제어하거나 병렬 환경에서 검증함으로써 배포 후 발생할 수 있는 성능 저하나 예외 상황으로부터 시스템을 보호하는 배포 패턴.
+- **주요 패턴:**
+    - **Canary Deployment:** 소수의 사용자(예: 5%)에게 먼저 신규 모델을 노출하여 지표 확인 후 점진적 확대.
+    - **Blue-Green Deployment:** 구버전(Blue)과 신버전(Green) 환경을 동시에 띄워두고 로드 밸런서를 통해 한 번에 스위칭.
+    - **Shadow Deployment:** 신규 모델이 실제 트래픽을 받지만 응답은 반환하지 않고, 로그만 남겨 성능을 비교 검증.
+    - **A/B Testing:** 두 모델의 성능을 통계적으로 비교하여 비즈니스 지표에 더 유리한 모델 선택.
+- **의의:** 빈번한 모델 업데이트가 필요한 현대 AI 서비스에서 시스템 안정성을 해치지 않고 지속적인 개선(CI/CD)을 가능케 함.
+
+## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
+- **과거 데이터와의 충돌:** 단순히 파일을 교체하는 정적 배포에서, 이제는 데이터와 모델, 코드가 유기적으로 맞물려 배포되는 '파이프라인 중심 배포'로 패러다임이 전이됨.
+- **정책 변화:** Antigravity 프로젝트는 에이전트의 핵심 추론 모델 업데이트 시, Shadow Deployment 패턴을 통해 기존 응답과의 일관성을 48시간 이상 검증하는 것을 표준 절차로 삼음.
+
+## 🔗 지식 연결 (Graph)
+- [[Microservices-Architecture]], [[Load-Balancing-Strategies]], [[Model-Drift-and-Monitoring]], [[High-Availability-Systems]]
+- **Raw Source:** [[10_Wiki/Topics/AI/Model-Deployment-Patterns.md]]

10_Wiki/Topics/AI/Model-Drift-and-Monitoring.md

@@ -0,0 +1,28 @@
+---
+id: MLOPS-DRIFT-001
+category: "[[10_Wiki/💡 Topics/AI]]"
+confidence_score: 1.0
+tags: [mlops, model-drift, monitoring, observability, concept-drift, data-drift]
+last_reinforced: 2026-04-26
+---
+
+# [[Model Drift and Monitoring (모델 드리프트와 모니터링)]]
+
+## 📌 한 줄 통찰 (The Karpathy Summary)
+> "세상은 끊임없이 변하며, 오늘의 최적 모델은 내일의 구식(Legacy)이 됨을 직시하고 데이터의 변심을 실시간으로 감지하라" — 배포된 모델의 성능이 시간이 지남에 따라 저하되는 현상을 포착하고, 입력 데이터와 예측 결과의 통계적 변화를 모니터링하여 적시에 재학습(Retraining)을 수행하는 체계.
+
+## 📖 구조화된 지식 (Synthesized Content)
+- **추출된 패턴:** "Continuous Observability and Feedback Loop" — 모델의 정확도뿐만 아니라 입력 데이터의 분포(Data Drift)와 예측 대상의 본질적 의미(Concept Drift) 변화를 추적하여, 모델의 유효 기한을 판단하고 자동으로 대응하는 관측 패턴.
+- **주요 드리프트 유형:**
+    - **Data Drift (Covariate Shift):** 입력 데이터($P(X)$)의 분포가 학습 때와 달라지는 현상. (예: 새로운 사용자 층 유입)
+    - **Concept Drift:** 입력과 출력 사이의 관계($P(Y|X)$) 자체가 변하는 현상. (예: 소비자 선호도 변화)
+    - **Prior Probability Shift:** 정답 레이블($P(Y)$)의 비율이 변하는 현상.
+- **의의:** AI 모델이 배포 후 방치되지 않고, 변화하는 현실 세계에 맞춰 지속적으로 신뢰성을 유지하게 만드는 MLOps의 핵심 생명 유지 장치.
+
+## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
+- **과거 데이터와의 충돌:** 성능 지표(Accuracy 등)만 모니터링하던 방식에서, 이제는 데이터의 통계적 거리(KL Divergence 등)를 직접 측정하여 성능이 떨어지기 전에 선제적으로 경고를 보내는 방식으로 고도화됨.
+- **정책 변화:** Antigravity 프로젝트는 모든 지식 추출 모델에 대해 월 단위로 데이터 드리프트를 검사하며, 임계값 초과 시 자동으로 최신 원시 데이터(Raw Data)를 포함한 재학습 파이프라인을 가동함.
+
+## 🔗 지식 연결 (Graph)
+- [[Model-Deployment-Patterns]], [[Kullback-Leibler-Divergence]], [[Exploratory-Data-Analysis]], [[Trustworthy-AI]]
+- **Raw Source:** [[10_Wiki/Topics/AI/Model-Drift-and-Monitoring.md]]

10_Wiki/Topics/AI/Model-Ensemble-Methods.md

@@ -0,0 +1,28 @@
+---
+id: ML-ENS-001
+category: "[[10_Wiki/💡 Topics/AI]]"
+confidence_score: 1.0
+tags: [machine-learning, ensemble, bagging, boosting, stacking, model-performance]
+last_reinforced: 2026-04-26
+---
+
+# [[Model Ensemble Methods (모델 앙상블 기법)]]
+
+## 📌 한 줄 통찰 (The Karpathy Summary)
+> "단일 모델의 한계를 '집단 지성'으로 돌파하고, 서로의 오차를 보완하여 가장 견고한 정답을 도출하라" — 여러 개의 약한 학습기(Weak Learners)를 결합하여 하나의 강력한 학습기(Strong Learner)를 만드는 머신러닝의 성능 극대화 전략.
+
+## 📖 구조화된 지식 (Synthesized Content)
+- **추출된 패턴:** "Wisdom of Crowds and Error Cancellation" — 개별 모델이 가진 고유한 편향(Bias)과 분산(Variance) 에러를 여러 모델의 투표나 가중 합산을 통해 상쇄함으로써, 전체적인 예측의 안정성과 정확도를 높이는 결합 패턴.
+- **3대 주요 기법:**
+    - **Bagging (Bootstrap Aggregating):** 데이터를 무작위로 샘플링하여 여러 모델을 독립적으로 학습시킨 후 평균(또는 다수결) 계산. (예: Random Forest). 분산 감소에 효과적.
+    - **Boosting:** 이전 모델이 틀린 데이터에 가중치를 두어 순차적으로 학습. (예: XGBoost, LightGBM). 편향 감소에 효과적.
+    - **Stacking:** 여러 모델의 예측 결과를 다시 입력값으로 사용하여 최종 모델(Meta-learner)이 판단하게 함.
+- **의의:** 캐글(Kaggle) 등 데이터 경진대회와 실무에서 가장 높은 성능을 내기 위해 반드시 사용되는 '성능의 마침표'와 같은 기술.
+
+## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
+- **과거 데이터와의 충돌:** 모델이 많을수록 좋다는 믿음에서 벗어나, 모델 간의 다양성(Diversity)이 확보되지 않으면 오히려 과적합(Overfitting)만 심화될 수 있다는 경계심이 실무적인 교훈으로 자리 잡음.
+- **정책 변화:** Antigravity 프로젝트는 에이전트의 중요 의사결정(지식 삭제 여부 등) 시, 서로 다른 아키텍처를 가진 3개 이상의 모델 응답을 앙상블하여 최종 결정을 내리는 '합의 알고리즘'을 적용함.
+
+## 🔗 지식 연결 (Graph)
+- [[Decision-Trees-and-Random-Forests]], [[Supervised-Learning-Foundations]], [[Gradient-Descent-Foundations]], [[Hyperparameter-Optimization]]
+- **Raw Source:** [[10_Wiki/Topics/AI/Model-Ensemble-Methods.md]]

10_Wiki/Topics/AI/Model-Interpretability-Tools.md

@@ -0,0 +1,29 @@
+---
+id: AI-XAI-001
+category: "[[10_Wiki/💡 Topics/AI]]"
+confidence_score: 1.0
+tags: [ai, xai, interpretability, shap, lime, trustworthy-ai, explainability]
+last_reinforced: 2026-04-26
+---
+
+# [[Model Interpretability Tools (모델 해석 가능성 도구)]]
+
+## 📌 한 줄 통찰 (The Karpathy Summary)
+> "결과만 제시하는 고집불통 AI를 '이유를 설명하는' 협력자로 바꾸어, 인간이 기계의 지능을 신뢰하고 통제하게 하라" — 복잡한 머신러닝 모델의 판단 근거를 시각화하거나 수치로 정량화하여, 어떤 변수가 결과에 결정적인 영향을 미쳤는지 인간이 이해할 수 있게 돕는 도구 및 기법.
+
+## 📖 구조화된 지식 (Synthesized Content)
+- **추출된 패턴:** "Post-hoc Explanation and Feature Attribution" — 모델 학습이 끝난 후, 입력값의 미세한 변화가 결과에 미치는 영향을 역추적하거나 게임 이론 등을 적용하여 각 특징(Feature)의 기여도를 산출하는 해석 패턴.
+- **주요 도구 및 기법:**
+    - **SHAP (SHapley Additive exPlanations):** 게임 이론을 바탕으로 각 특징이 예측값에 미치는 영향력을 공정하게 배분하여 산출. 일관성이 높음.
+    - **LIME (Local Interpretable Model-agnostic Explanations):** 특정 데이터 포인트 주변에서 모델을 선형적으로 근사하여 국소적인 판단 근거 설명.
+    - **Feature Importance:** 트리 기반 모델 등에서 변수가 분기에 얼마나 자주 사용되었는지 측정.
+    - **Attention Map:** 트랜스포머 모델에서 AI가 문장의 어느 부분에 집중했는지 시각화.
+- **의의:** 의료, 금융, 법률 등 고도의 책임이 따르는 분야에서 AI 도입을 가능케 하며, 모델의 편향성을 찾아내고 성능을 개선하는 핵심 디버깅 도구 역할.
+
+## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
+- **과거 데이터와의 충돌:** 성능과 해석 가능성은 트레이드오프(Trade-off) 관계라는 통념이 있었으나, 최근에는 복잡한 딥러닝 모델의 성능을 유지하면서도 사후 해석 도구를 통해 충분한 투명성을 확보할 수 있음이 증명됨.
+- **정책 변화:** Antigravity 프로젝트는 에이전트의 지식 삭제나 중요 가이드라인 위반 판단 시, SHAP 값을 함께 기록하여 관리자가 AI의 판단 근거를 상시 모니터링할 수 있는 체계를 구축함.
+
+## 🔗 지식 연결 (Graph)
+- [[Explainable-AI-XAI]], [[Trustworthy-AI]], [[AI-Ethics]], [[Transformer-Architecture-Foundations]]
+- **Raw Source:** [[10_Wiki/Topics/AI/Model-Interpretability-Tools.md]]