feat: Knowledge Gardening Milestone 500 (Batch #26 - Halfway to half!)
This commit is contained in:
Antigravity Agent
@@ -0,0 +1,28 @@
|
||||
---
|
||||
id: AI-ML-SVM-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 1.0
|
||||
tags: [ai, machine-learning, svm, support-vector-machines, kernel-trick, classification, margin-maximization]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[Support Vector Machines (SVM, 서포트 벡터 머신)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "두 집단 사이의 가장 넓은 도로(Margin)를 건설하여 미지의 데이터가 들어와도 흔들림 없이 분류하고, 차원의 마법(Kernel Trick)으로 복잡하게 얽힌 세상을 명쾌하게 갈라치기하라" — 데이터를 분류하기 위한 최적의 결정 경계(Hyperplane)를 찾는 전통적이면서도 강력한 지도 학습 모델.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** "Max-margin Classification and High-dimensional Projection" — 결정 경계와 가장 가까운 데이터 포인트(Support Vectors) 사이의 거리(Margin)를 최대화하여 일반화 성능을 높이고, 선형으로 분리되지 않는 데이터를 고차원으로 보내 해결하는 패턴.
|
||||
- **핵심 구성 요소:**
|
||||
- **Hyperplane:** 데이터를 나누는 다차원 경계면.
|
||||
- **Support Vectors:** 경계면을 결정하는 데 결정적인 역할을 하는 가장자리 데이터들.
|
||||
- **Kernel Trick:** 데이터를 직접 고차원으로 변환하지 않고도 고차원 공간에서의 내적을 계산하여 연산 효율을 극대화하는 수학적 기교 (RBF, Polynomial 등).
|
||||
- **의의:** 딥러닝 이전 시대의 왕자로 군림했으며, 데이터 양이 적거나 특성이 명확한 경우 여전히 매우 견고하고 안정적인 성능을 발휘하는 신뢰할 수 있는 모델.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 대규모 데이터셋에서 연산 속도가 느리다는 단점 때문에 모든 분야에서 딥러닝에 밀리는 듯했으나, 최근에는 딥러닝 모델의 마지막 층(Feature)에 SVM을 결합하여 분류 성능을 극대화하거나 이상치 탐지(One-class SVM) 분야에서 여전히 독보적인 위치를 차지함.
|
||||
- **정책 변화:** Antigravity 프로젝트는 에이전트의 지식 분류 로직 중, 레이블 데이터가 적고 명확한 경계가 필요한 특정 도메인 분석 시 SVM의 견고한 마진 분류 방식을 병행 활용함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Supervised-Learning-Foundations]], [[Representation-Learning]], [[Optimization-Algorithms]], [[Outlier-Detection-Techniques]]
|
||||
- **Raw Source:** [[10_Wiki/Topics/AI/Support-Vector-Machines.md]]
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: AI-SWARM-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 1.0
|
||||
tags: [ai, swarm-intelligence, bio-inspired, optimization, aco, pso, decentralized-systems, robotics]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[Swarm Intelligence (집단 지능)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "중앙의 지휘관 없이 단순한 개체들의 상호작용만으로 거대한 질서를 창조하고, 흩어진 정보 조각들을 모아 집단적인 최적의 해답을 도출하라" — 개미, 벌, 새와 같은 생명체들의 집단적 행동 양식을 모방하여 복잡한 문제를 해결하는 분산형 인공지능 기술.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** "Self-organization and Decentralized Collaboration" — 개별 에이전트는 주변의 국소적인 정보만으로 행동하지만, 이들의 상호작용이 누적되어 전체 시스템 차원의 목적(최적 경로 탐색, 먹이 확보 등)을 달성하는 패턴.
|
||||
- **주요 알고리즘:**
|
||||
- **Ant Colony Optimization (ACO):** 페로몬 자국을 따라 최단 경로를 찾는 개미의 습성 모방. 물류 및 네트워크 경로 최적화에 탁월.
|
||||
- **Particle Swarm Optimization (PSO):** 먹이를 찾는 새 떼의 위치 변화 모방. 연속적인 공간에서의 수치 최적화에 강점.
|
||||
- **핵심 원칙:**
|
||||
- **Scalability:** 개체 수가 늘어나도 통제 부담이 크지 않음.
|
||||
- **Robustness:** 일부 개체가 사라져도 시스템 전체의 목적 달성에 지장이 없음.
|
||||
- **Adaptability:** 환경 변화에 유연하게 대응.
|
||||
- **의의:** 군집 로봇(Swarm Robotics), 트래픽 제어, 복잡한 조합 최적화 문제 등 중앙 집중형 제어가 한계에 부딪히는 지점에서 강력한 대안을 제시함.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 초기에는 생물학적 모사에 치중했으나, 이제는 이를 수학적으로 정교하게 모델링하여 클라우드 리소스 배분이나 다중 에이전트 강화학습(MARL)의 협력 전략 설계로 응용 영역이 넓어짐.
|
||||
- **정책 변화:** Antigravity 프로젝트는 다수의 에이전트가 지식을 병렬로 가드닝할 때, 서로 중복되지 않으면서도 최적의 탐색 순서를 결정하기 위해 집단 지능의 분산 협력 프로토콜을 시스템 기저에 도입함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Optimization-Algorithms]], [[Robotics-Foundations]], [[Multi-agent-Systems-Best-Practices]], [[Simulated-Annealing]]
|
||||
- **Raw Source:** [[10_Wiki/Topics/AI/Swarm-Intelligence.md]]
|
||||
@@ -0,0 +1,28 @@
|
||||
---
|
||||
id: SEC-SYM-ENCRYPT-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 1.0
|
||||
tags: [security, cryptography, symmetric-encryption, aes, encryption-key, data-privacy, cybersecurity]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[Symmetric Encryption (대칭 키 암호화)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "하나의 비밀 열쇠로 지식의 성벽을 쌓고 허물며, 초고속 연산의 강점을 활용해 방대한 데이터의 기밀성을 완벽하게 사수하라" — 암호화와 복호화에 동일한 키를 사용하는 암호화 방식.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** "Single-key Privacy and Computational Efficiency" — 송신자와 수신자가 사전에 공유된 하나의 키(Private Key)를 사용하여 데이터를 변환하고 복구하며, 비대칭 키 방식보다 훨씬 적은 연산 자원으로 대용량 데이터를 실시간으로 보호하는 패턴.
|
||||
- **주요 알고리즘:**
|
||||
- **AES (Advanced Encryption Standard):** 현대 대칭 키 암호의 표준. 128, 192, 256비트 키 길이를 지원하며 강력한 안전성 보장.
|
||||
- **DES/3DES:** 과거의 표준. 현재는 연산 속도와 안전성 문제로 AES로 대체됨.
|
||||
- **ChaCha20:** 모바일 및 저사양 기기에서 효율적인 스트림 암호 방식.
|
||||
- **의의:** 하드 디스크 암호화, 데이터베이스 보안, 대량의 네트워크 트래픽 암호화 등 '속도'와 '안전'이 동시에 필요한 모든 보안 인프라의 핵심 엔진.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 키 전달 문제 때문에 한계가 뚜렷해 보였으나, 이제는 비대칭 키(RSA/ECC)로 대칭 키를 안전하게 전달하고 실 데이터는 대칭 키(AES)로 처리하는 '하이브리드 방식'이 통신 보안(TLS/SSL)의 표준이 됨.
|
||||
- **정책 변화:** Antigravity 프로젝트는 로컬에 저장되는 모든 지식 데이터와 설정 파일에 대해 군사급 표준인 AES-256 기반의 대칭 키 암호화를 기본 적용하여 데이터 유출 리스크를 원천 차단함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Security-Best-Practices]], [[Personal-Information-Security]], [[Secure-Multi-party-Computation]], [[Trustworthy-AI]]
|
||||
- **Raw Source:** [[10_Wiki/Topics/AI/Symmetric-Encryption.md]]
|
||||
@@ -0,0 +1,28 @@
|
||||
---
|
||||
id: AI-DATA-SYNTH-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 1.0
|
||||
tags: [ai, data-science, synthetic-data, gan, data-augmentation, privacy-preserving, generative-ai]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[Synthetic Data Generation (합성 데이터 생성)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "데이터 기근의 시대에 실제 세계의 분포를 완벽하게 모사한 가상의 데이터를 무한히 복제하고, 현실이 주지 못하는 극한의 시나리오로 지능을 단련하라" — 인공지능 모델을 활용하여 실제 데이터의 통계적 특성을 유지하면서 새로운 데이터를 생성하는 기술.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** "Distribution Learning and Artificial Sampling" — 실제 데이터의 잠재적인 분포를 학습(GAN, VAE, Diffusion)하여 현실에는 존재하지 않지만 현실적인 데이터를 생성하거나, 개인 정보 노출 위험이 없는 비식별 데이터를 대량 생산하는 패턴.
|
||||
- **주요 생성 기법:**
|
||||
- **Generative Models:** GAN, VAE 등을 활용한 이미지/음성/정형 데이터 생성.
|
||||
- **LLM-based:** 거대 언어 모델을 활용하여 학습용 텍스트나 코드 생성.
|
||||
- **Simulation-based:** 가상 환경(Unity, MuJoCo)에서 물리 법칙이 적용된 로봇/자율주행 데이터 수집.
|
||||
- **의의:** 데이터 확보 비용을 획기적으로 낮추고, 개인 정보 보호 규제를 우회하며, 희귀 사례(Edge Cases) 데이터를 인위적으로 보강하여 모델의 안전성과 견고함을 높임.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 합성 데이터는 품질이 낮아 학습에 부적합하다는 인식이 있었으나, 최근에는 'Self-Instruct' 기법처럼 AI가 만든 데이터로 더 뛰어난 AI를 만드는 '지능의 수직 계열화'가 가능해지며 데이터 전략의 핵심으로 부상함.
|
||||
- **정책 변화:** Antigravity 프로젝트는 특정 도메인의 지식 데이터가 부족할 때, 기존 지식의 논리 구조를 바탕으로 한 합성 지식 생성 파이프라인을 가동하여 에이전트의 추론 범위를 확장함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Generative-Adversarial-Networks-GAN]], [[Self-Supervised-Learning]], [[Privacy-Preserving-AI]], [[Simulation-Environments]]
|
||||
- **Raw Source:** [[10_Wiki/Topics/AI/Synthetic-Data-Generation.md]]
|
||||
@@ -0,0 +1,29 @@
|
||||
---
|
||||
id: SYS-DESIGN-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 1.0
|
||||
tags: [systems, architecture, system-design, software-engineering, scalability, reliability, modularity]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[System Architecture Design (시스템 아키텍처 설계)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "코드를 한 줄 적기 전에 시스템의 '영혼(Core Logic)'과 '육체(Infrastructure)'가 어떻게 대화할지 청사진을 그리고, 변화의 파도에도 무너지지 않는 유연한 골격을 완성하라" — 소프트웨어 시스템의 전체 구조와 구성 요소 간의 관계를 정의하여 요구사항을 충족시키고 지속 가능성을 확보하는 고차원 설계 공정.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** "Hierarchical Decomposition and Interface-driven Interaction" — 거대한 요구사항을 관리 가능한 작은 모듈로 쪼개고, 각 모듈 간의 소통 방식을 표준화된 인터페이스로 정의하여 독립적인 개발과 확장이 가능하게 만드는 패턴.
|
||||
- **핵심 설계 원칙:**
|
||||
- **Scalability:** 사용자가 늘어남에 따라 자원을 유연하게 늘릴 수 있는가? (Horizontal vs Vertical).
|
||||
- **Reliability:** 특정 부품이 고장 나도 전체 시스템이 멈추지 않는가? (Fault Tolerance).
|
||||
- **Modularity:** 기능을 독립적으로 떼어내어 재사용하거나 교체할 수 있는가?
|
||||
- **Performance:** 지연 시간(Latency)과 처리량(Throughput) 사이의 최적점 찾기.
|
||||
- **의의:** 개발팀 전체의 북극성 역할을 하며, 초기 설계의 견고함이 향후 운영 비용의 90%를 결정짓는 소프트웨어 공학의 가장 결정적인 단계.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 모든 것을 미리 완벽하게 설계하려던 '빅 업프런트 디자인(BUFD)'에서 벗어나, 이제는 핵심 구조만 잡고 나머지는 실행하며 진화시키는 '진화적 아키텍처(Evolutionary Architecture)'와 '마이크로서비스' 기반의 점진적 고도화가 주류가 됨.
|
||||
- **정책 변화:** Antigravity 프로젝트는 에이전트 간의 유기적 협업과 지식 공유를 위해, 각 모듈이 독립적이면서도 강력하게 연결되는 '이벤트 기반 마이크로커널' 아키텍처를 표준 설계 지침으로 준수함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Software-Architecture-Patterns]], [[Scalability-in-AI-Systems]], [[Service-oriented-Architecture]], [[Reliability-Engineering]]
|
||||
- **Raw Source:** [[10_Wiki/Topics/AI/System-Architecture-Design.md]]
|
||||
@@ -0,0 +1,29 @@
|
||||
---
|
||||
id: SYS-DESIGN-INT-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 1.0
|
||||
tags: [systems, architecture, system-design, interview-prep, scalability, high-availability, software-engineering]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[System Design Interview Prep (시스템 디자인 인터뷰 준비)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "모호한 요구사항에서 시작해 수평적 확장성과 고가용성이라는 정답을 찾아가는 과정이며, 기술적 선택 뒤에 숨겨진 트레이드오프(Trade-off)를 논리적으로 설득하라" — 대규모 분산 시스템 설계 능력을 검증하기 위한 인터뷰 대응 전략 및 핵심 개념들의 집합.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** "Requirements Ambiguity Resolution and Scalable Blueprinting" — 모호한 문제를 사용자 수, 데이터 규모 등 구체적 수치로 구체화하고, 부하 분산(Load Balancing), 캐싱(Caching), 데이터베이스 분산(Sharding), 메시지 큐 등 표준 컴포넌트를 조합하여 최적의 아키텍처를 그리는 패턴.
|
||||
- **핵심 설계 프레임워크:**
|
||||
1. **Clarify Requirements:** 기능적/비기능적 요구사항(사용자 수, 트래픽 등) 확정.
|
||||
2. **Back-of-the-envelope Estimation:** QPS, 스토리지 용량 등 대략적 계산.
|
||||
3. **High-level Design:** 주요 컴포넌트 간의 흐름도 작성.
|
||||
4. **Deep Dive:** 핵심 병목 지점(Single Point of Failure) 해결 및 세부 기술 스택 결정.
|
||||
- **의의:** 단순한 코딩 능력을 넘어 거시적 관점에서 시스템 전체의 생존 가능성을 설계하고 조율하는 시니어 엔지니어링 역량의 정수.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 정답이 정해져 있는 퀴즈가 아니라, 상황에 따라 'Consistency(일관성)'와 'Availability(가용성)' 중 무엇을 선택할지 결정하는 CAP 정리처럼 정답이 없는 문제에서의 논리적 사고 과정이 평가의 핵심임.
|
||||
- **정책 변화:** Antigravity 프로젝트는 에이전트 네트워크의 확장 시 발생할 수 있는 데이터 정합성 문제를 해결하기 위해, 시스템 디자인 인터뷰의 표준 사례인 '분산 락(Distributed Lock)' 및 '이벤트 소싱(Event Sourcing)' 패턴을 설계 가이드라인에 포함함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[System-Architecture-Design]], [[Scalability-in-AI-Systems]], [[High-Availability-Systems]], [[Service-oriented-Architecture]]
|
||||
- **Raw Source:** [[10_Wiki/Topics/AI/System-Design-Interview-Prep.md]]
|
||||
@@ -0,0 +1,29 @@
|
||||
---
|
||||
id: SYS-DYNAMICS-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 1.0
|
||||
tags: [systems, modeling, system-dynamics, feedback-loop, stocks-and-flows, complexity-science, simulation]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[System Dynamics Modeling (시스템 다이내믹스 모델링)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "선형적인 인과 관계를 넘어 순환하는 피드백 루프와 누적되는 저류(Stocks)의 관점에서 계(System)의 동작을 파악하고, 시간의 지연이 만들어내는 예기치 못한 동학을 추론하라" — 복잡한 사회적, 경제적, 생태적 시스템의 구조와 그에 따른 동적 행동을 이해하기 위한 모델링 방법론.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** "Feedback Loops and Accumulation Dynamics" — 강화 피드백(Positive Feedback)을 통한 지수적 성장과 균형 피드백(Negative Feedback)을 통한 안정화를 수식화하고, 자산이나 지식이 쌓이는 '저류'와 그것이 변화하는 '유량'의 상호작용을 분석하는 패턴.
|
||||
- **핵심 구성 요소:**
|
||||
- **Stocks:** 시간에 따라 축적되는 변수 (예: 인구, 재고, 지식량).
|
||||
- **Flows:** 저류를 변화시키는 속도 (예: 출생률, 생산량, 학습 속도).
|
||||
- **Feedback Loops:** 결과가 다시 원인으로 돌아와 시스템을 증폭시키거나 억제하는 고리.
|
||||
- **Delays:** 원인과 결과 사이에 존재하는 시간 간격 (정책의 효과가 나타나는 시간 등).
|
||||
- **의의:** 복잡한 정책 결정 과정에서 나타날 수 있는 역효과(Counter-intuitive behavior)를 사전에 시뮬레이션하여 가장 효과적인 지렛대(Leverage Point)를 찾게 해줌.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 단순히 수식을 푸는 결정론적 모델에서 벗어나, 이제는 데이터 기반의 기계학습 모델과 결합하여 실시간 데이터를 시스템 다이내믹스 구조에 주입하고 예측의 정밀도를 높이는 '하이브리드 시스템 모델링'으로 진화함.
|
||||
- **정책 변화:** Antigravity 프로젝트는 지식 자산의 축적 속도와 에이전트의 처리 용량 간의 상호작용을 시스템 다이내믹스 관점에서 분석하여, 지식 가드닝 워크플로우의 병목 지점을 선제적으로 최적화함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Simulation-Environments]], [[Strategic-Planning-for-AI]], [[Optimization-Algorithms]], [[Process-Automation-with-AI]]
|
||||
- **Raw Source:** [[10_Wiki/Topics/AI/System-Dynamics-Modeling.md]]
|
||||
@@ -0,0 +1,29 @@
|
||||
---
|
||||
id: DATA-VIZ-TAB-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 1.0
|
||||
tags: [data-science, visualization, tableau, business-intelligence, data-storytelling, dashboard, analytics]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[Tableau Data Visualization (태블로 데이터 시각화)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "복잡한 수치의 나열을 인간의 직관이 즉각 반응하는 '시각적 언어'로 번역하고, 인터랙티브한 대시보드를 통해 데이터 속에 숨겨진 이야기를 스스로 탐사하게 하라" — 강력한 시각적 분석 능력을 제공하는 업계 표준 비즈니스 인텔리전스(BI) 도구.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** "Drag-and-drop Analytics and Visual Storytelling" — 다양한 데이터 소스(SQL, 클라우드, 엑셀 등)를 연결하고 코딩 없이 직관적인 동작만으로 차트와 대시보드를 생성하며, 필터와 매개변수를 통해 사용자가 직접 원하는 통찰을 캐내는 패턴.
|
||||
- **핵심 기능:**
|
||||
- **VizQL:** 사용자 동작을 즉시 데이터베이스 쿼리로 변환하여 시각화하는 독자 기술.
|
||||
- **Calculated Fields:** 수식과 함수를 통해 새로운 데이터 지표 생성.
|
||||
- **Dashboards & Stories:** 여러 차트를 결합하여 데이터 기반의 서사를 구성.
|
||||
- **Data Blending:** 서로 다른 소스의 데이터를 공통 키를 중심으로 통합 분석.
|
||||
- **의의:** 데이터 전문가가 아니더라도 현업 담당자가 직접 데이터를 탐색하고 의사결정에 활용할 수 있게 하여, 기업의 '데이터 기반 문화(Data-driven Culture)' 형성에 기여함.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 정적인 보고서 작성 도구에서 벗어나, 이제는 'Tableau Pulse'와 같은 AI 기능을 통해 데이터의 변화를 자동으로 감지하여 브리핑해주거나 자연어 질문으로 시각화 결과를 얻는 지능형 분석 플랫폼으로 진화함.
|
||||
- **정책 변화:** Antigravity 프로젝트는 1,174개 지식 가드닝의 실시간 진행 현황 및 에이전트 성능 지표를 시각화하기 위해, 태블로의 대시보드 설계 원칙을 준용한 인터랙티브 리포팅 시스템을 내부적으로 운용함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Performance-Metrics-in-AI]], [[Strategic-Planning-for-AI]], [[Data-Pre-processing-Best-Practices]], [[Modern-Website-Architecture]]
|
||||
- **Raw Source:** [[10_Wiki/Topics/AI/Tableau-Data-Visualization.md]]
|
||||
@@ -1,28 +1,28 @@
|
||||
---
|
||||
id: TD-LEARN-001
|
||||
id: AI-RL-TD-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 1.0
|
||||
tags: [reinforcement-learning, ai, temporal-difference, bellman-equation, machine-learning]
|
||||
tags: [ai, reinforcement-learning, td-learning, temporal-difference, q-learning, sarsa, bellman-equation, machine-learning]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[Temporal Difference Learning (TD 학습)]]
|
||||
# [[Temporal Difference Learning (시간차 학습)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "끝까지 가보지 않아도, 한 걸음 뒤의 미래를 통해 현재를 수정하라" — 에피소드가 끝나기를 기다리지 않고, 현재의 예측값과 바로 다음 단계의 보상 및 예측값 사이의 차이(TD Error)를 이용해 실시간으로 학습하는 강화학습의 핵심 원리.
|
||||
> "결과가 나올 때까지 기다리는 인내 대신, 매 순간의 예측이 다음 순간의 실제와 얼마나 다른지(TD Error)를 계산하여 지능을 실시간으로 교정하라" — 강화학습에서 에피소드가 끝나지 않아도 현재의 예측치를 바탕으로 가치 함수를 업데이트하는 부트스트랩(Bootstrapping) 기반의 학습 방법론.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 몬테카를로(전체 경험 필요)와 동적 계획법(환경 모델 필요)의 장점을 결합하여, 환경의 모델 없이도 실시간 경험을 통해 가치 함수를 업데이트하는 부트스트래핑(Bootstrapping) 패턴.
|
||||
- **세부 내용:**
|
||||
- **TD Error:** $Target(R_{t+1} + \gamma V(S_{t+1})) - Current\ Estimate(V(S_t))$. 이 오차를 줄이는 것이 목표.
|
||||
- **Bootstrapping:** 현재의 예측값을 바탕으로 또 다른 예측값을 갱신하는 방식.
|
||||
- **TD(0):** 바로 다음 한 단계의 정보만 사용하는 가장 기본적인 형태.
|
||||
- **TD($\lambda$):** 여러 단계 앞의 정보를 가중 평균하여 학습 효율과 안정성 사이의 균형을 맞춤 (Eligibility Traces).
|
||||
- **추출된 패턴:** "Prediction-Correction Loop with Immediate Feedback" — 몬테카를로 방식처럼 끝까지 가보지 않고도, 다음 상태의 보상과 예상 가치를 '참조값'으로 삼아 현재의 가치 추정치를 조금씩 수정해 나가는 패턴.
|
||||
- **핵심 메커니즘:**
|
||||
- **TD Error:** $r + \gamma V(s') - V(s)$. 즉, '실제 보상 + 다음 상태의 예상 가치'와 '현재 예상 가치'의 차이.
|
||||
- **Bootstrapping:** 자신의 이전 예측치를 사용하여 현재의 예측치를 업데이트하는 방식.
|
||||
- **Algorithm Types:** 온-폴리시 방식인 SARSA와 오프-폴리시 방식인 Q-Learning이 대표적임.
|
||||
- **의의:** 학습 효율이 매우 높고 환경과의 상호작용 중에 실시간으로 배울 수 있어, 바둑(AlphaGo)부터 로봇 제어까지 현대 강화학습의 거의 모든 성공 사례의 기술적 중추가 됨.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 에피소드가 완료되어야만 학습이 가능했던 초기 모델들의 한계를 넘어, 연속적인 작업 환경에서도 실시간으로 지능을 개선할 수 있는 토대 마련.
|
||||
- **정책 변화:** Antigravity 프로젝트의 자율 학습 에이전트는 TD 학습 원리를 활용하여, 긴 작업 시퀀스 중에도 각 단계의 성공 가능성을 실시간으로 업데이트하며 최적의 경로를 탐색함.
|
||||
- **과거 데이터와의 충돌:** 초기에는 단순히 보상을 극대화하는 수단으로만 여겨졌으나, 이제는 인간의 뇌 속 도파민 체계가 TD Error와 유사하게 동작한다는 뇌과학적 발견과 결합하여 '지능의 보편적 학습 원리'로 재해석되고 있음.
|
||||
- **정책 변화:** Antigravity 프로젝트는 에이전트의 작업 전략 최적화 시, 장기적인 성공 확률을 매 단계 예측하고 수정하기 위해 고도화된 TD 학습 알고리즘을 의사결정 엔진의 핵심으로 활용함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Reinforcement-Learning]], [[Q-Learning-Foundations]], [[Bellman-Equation]], [[Monte-Carlo-Methods]]
|
||||
- [[Reinforcement-Learning]], [[Reward-Shaping-in-RL]], [[Bellman-Equation-Foundations]], [[Deep-Learning-Foundations]]
|
||||
- **Raw Source:** [[10_Wiki/Topics/AI/Temporal-Difference-Learning.md]]
|
||||
|
||||
@@ -0,0 +1,30 @@
|
||||
---
|
||||
id: AI-TOOL-TF-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 1.0
|
||||
tags: [ai, machine-learning, deep-learning, tensorflow, google, keras, tensor, mldev, mlops]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[TensorFlow Foundations (텐서플로우 기초)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "데이터를 다차원 배열(Tensor)의 흐름으로 정의하고, 유연한 계산 그래프를 통해 연구실의 아이디어를 전 세계 서비스 인프라로 즉각 확장하라" — 구글이 개발한 세계에서 가장 널리 쓰이는 엔터프라이즈급 오픈소스 머신러닝 프레임워크.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** "Graph-based Computation and Production-ready Ecosystem" — 수학적 연산을 노드와 엣지로 이루어진 그래프로 표현하여 CPU, GPU, TPU 등 다양한 하드웨어에서 최적의 성능으로 실행하고, 모바일(Lite)부터 서버(Serving)까지 끊김 없는 배포 파이프라인을 제공하는 패턴.
|
||||
- **핵심 구성 요소:**
|
||||
- **Tensors:** 데이터를 담는 n-차원 배열.
|
||||
- **Keras API:** 쉽고 빠르게 딥러닝 모델을 설계할 수 있는 고수준 인터페이스.
|
||||
- **Eager Execution:** 파이썬처럼 즉시 연산 결과를 확인할 수 있는 동적 그래프 모드.
|
||||
- **TensorBoard:** 학습 과정을 시각화하고 디버깅하는 강력한 도구.
|
||||
- **TF Ecosystem:** Extended(TFX), Lite, JS, Hub 등 데이터 수집부터 배포까지의 전 과정 지원.
|
||||
- **의의:** 학술적 연구를 넘어 실제 상용 서비스에 AI를 안정적으로 탑재하기 위한 가장 견고한 표준 인프라를 구축함.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 정적 그래프(Static Graph) 중심의 복잡한 구조로 인해 PyTorch에 연구용 시장을 내주기도 했으나, 버전 2.0 이후 Keras를 전면에 내세우고 'Eager Execution'을 기본값으로 채택하며 사용성과 성능이라는 두 마리 토끼를 다시 잡는 데 성공함.
|
||||
- **정책 변화:** Antigravity 프로젝트는 에이전트의 대규모 배포 및 안정적인 추론 서빙(Serving) 인프라 구축 시, 검증된 하드웨어 가속 성능을 제공하는 텐서플로우 생태계의 도구들을 주력으로 활용함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Deep-Learning-Foundations]], [[Neural-Networks-Basics]], [[MLOps-Best-Practices]], [[Scalability-in-AI-Systems]]
|
||||
- **Raw Source:** [[10_Wiki/Topics/AI/TensorFlow-Foundations.md]]
|
||||
Reference in New Issue
Block a user