diff --git a/10_Wiki/Topics/10v10 대규모 멀티플레이어.md b/10_Wiki/Topics/10v10 대규모 멀티플레이어.md new file mode 100644 index 00000000..2b1c6940 --- /dev/null +++ b/10_Wiki/Topics/10v10 대규모 멀티플레이어.md @@ -0,0 +1,24 @@ +--- +category: AI & Games +status: Final +converted_at: 2026-04-28 +--- + +# 10v10 대규모 멀티플레이어 + +## 📌 Brief Summary +10v10 대규모 멀티플레이어는 WARNO에서 최대 20명의 플레이어가 동시에 참여하여 거대한 스펙터클과 혼란을 만들어내는 대규모 전술 게임 모드입니다 [1]. 이 모드에서는 유닛과 플레이어의 밀도가 매우 높아 강력한 포격과 촘촘한 방공망이 형성되며, 플레이어는 전장 전체가 아닌 특정 구역에 집중하여 전투를 수행할 수 있습니다 [1]. WARNO의 기반인 Iriszoom 엔진은 수백 개의 유닛이 기동하고 파괴되는 이러한 극단적인 환경 속에서도 4K 해상도와 풀 옵션을 안정적으로 유지할 수 있는 고도의 데이터 최적화 성능을 자랑합니다 [2, 3]. + +## 📖 Core Content +* **엔진 최적화 및 시각 데이터 처리:** 10v10 멀티플레이어 매치는 시스템에 엄청난 부하를 주지만, Iriszoom 엔진은 이를 원활하게 처리하도록 설계되었습니다 [2]. 수백 개의 개별 유닛이 동시에 전장에서 충돌하고 파괴되는 10 대 10 환경에서도 게임은 4K 해상도와 풀 옵션 설정에서 안정적인 성능을 보여줍니다 [3]. 또한 네이팜, 연막, 폭발 등의 시각적 효과 데이터가 10v10 모드에서도 효과가 종료되기 전에 사라지지 않고 명확하게 렌더링되도록 최적화되었습니다 [4]. +* **전술적 환경의 변화:** 플레이어 밀도가 높은 10v10 게임에서는 맵의 좁은 부분에 역량을 집중할 수 있어, 치열한 협력과 혼전이 발생합니다 [1]. 대공 방어망이 빽촘하게 배치되어 항공기 운용이 매우 까다로워지며, 집중된 대규모 포격 데이터로 인해 노출된 고정 위치에서 보병을 생존시키는 것이 훨씬 더 어렵습니다 [1]. 일부 플레이어들은 10v10 모드에서 가장 유효한 전략을 '전면 돌격(full frontal assault)'으로 체감하기도 하며, NATO 진영은 무거운 기갑 사단을 스팸(spam)할 때 특히 강한 모습을 보입니다 [5, 6]. +* **사단(Division) 단위 데이터 밸런싱:** 소규모 전투에서는 방어나 기동의 약점 때문에 다루기 까다로운 예비군 사단(예: K.d.A. Bezirk Erfurt)이나 특정 보병 사단들도 10v10과 같은 대규모 팀 게임에서는 훨씬 플레이하기 쉬워집니다 [7]. 팀원들이 부족한 보병이나 전차 전력을 채워주고, 본인은 포병과 대공망을 극대화하여 팀을 지원하는 방식의 상호 보완적 덱 빌딩이 가능해지기 때문입니다 [7, 8]. +* **통계적 밸런스와 숙련도 데이터:** 많은 플레이어가 특정 진영(NATO 또는 PACT)이 10v10에서 불균형적으로 강하다고 인식하지만, 실제 10v10 퍼블릭 로비의 플레이어 승률과 텔레메트리 데이터를 분석해 보면 진영 간 눈에 띄는 편향은 발견되지 않습니다 [9]. 10v10 대규모 멀티플레이어 데이터 분석 결과, NATO와 PACT 간의 플레이 비중 및 승률은 플레이어의 숙련도가 높아질수록 균형을 이루는 경향을 보입니다 [10]. + +## 🔗 Knowledge Connections +- **Related Topics:** [[Iriszoom 엔진]], [[사단(Division) 시스템]], [[텔레메트리(Telemetry) 데이터 분석]] +- **Projects/Contexts:** [[WARNO 데이터 기반 밸런싱]] +- **Contradictions/Notes:** 소스 [5]을 비롯해 10v10 커뮤니티 내에서는 게임 경험상 특정 진영(예: NATO)이 더 강하거나 유리하게 느껴진다는 체감상 주장들이 종종 제기되지만, 소스 [11], [9], [10]에서 진행된 실제 10v10 플레이어 데이터 및 승률 통계 분석에 따르면 두 진영 간의 통계적으로 유의미한 불균형이나 편향은 존재하지 않으며, 승패는 주로 플레이어 본인과 팀원들의 숙련도 차이에 기인하는 것으로 나타납니다 [12]. + +--- +*Last updated: 2026-04-28* \ No newline at end of file diff --git a/10_Wiki/Topics/20k skinned instances demo.md b/10_Wiki/Topics/20k skinned instances demo.md new file mode 100644 index 00000000..fae4f311 --- /dev/null +++ b/10_Wiki/Topics/20k skinned instances demo.md @@ -0,0 +1,39 @@ +--- +id: P-REINFORCE-AUTO-EB3F3C +category: "10_Wiki/💡 Topics/AI" +confidence_score: 0.90 +tags: [auto-reinforced] +last_reinforced: 2026-04-20 +github_commit: "[P-Reinforce] Continuous Worker - 20k skinned instances demo" +--- + +# [[20k skinned instances demo]] + +## 📌 한 줄 통찰 (The Karpathy Summary) +> '20k skinned instances demo'는 Three.js 기반의 오픈 소스 라이브러리인 InstancedMesh2를 활용하여 20,000개의 개별적인 스킨드 인스턴스(Skinned instances)를 동시에 렌더링하는 성능 최적화 데모입니다 [1, 2]. 이 데모는 모바일 기기에서도 3,000개의 인스턴스를 원활하게 구동할 수 있도록 설계되었습니다 [2]. 프러스텀 컬링, 거리 기반 애니메이션 프레임 조절, 다중 LOD(Level of Detail) 생성 등 다양한 최적화 기법을 적용하여 단 5번의 드로우 콜만으로 렌더링을 처리하는 것이 특징입니다 [2, 3]. + +## 📖 구조화된 지식 (Synthesized Content) +이 데모는 제작자(agargaro)가 개발한 `instancedMesh2` 라이브러리를 기반으로 하며, 대규모 스킨드 메쉬를 렌더링하기 위해 다음과 같은 세부 최적화 기술들을 사용했습니다 [2]. + +* **프러스텀 컬링 및 시야 기반 업데이트 (Frustum Culling & View-based Updates):** + 기본적인 프러스텀 컬링을 적용하여 카메라 시야(Frustum) 내에 존재하는 인스턴스들에 대해서만 뼈대(Bones) 연산을 업데이트합니다 [2]. +* **동적 애니메이션 프레임 제어:** + 카메라와 각 인스턴스 간의 거리를 계산하여 애니메이션 FPS를 0에서 60 사이로 개별 설정함으로써 불필요한 연산을 줄입니다 [2]. +* **LOD(Level of Detail)의 적극적 활용:** + `meshoptimizer`를 활용해 5단계의 기하학적 LOD를 생성했습니다 [2]. 거리가 먼 인스턴스에 대해서는 일부 뼈대 계산을 생략하며, 각 LOD마다 1개의 드로우 콜(Draw Call)만 발생시켜 총 5개의 드로우 콜만으로 렌더링을 완료합니다 [2, 3]. 또한, 그림자(Shadows) 렌더링 시에도 LOD를 관리할 수 있도록 구성되어 있습니다 [4]. +* **개별 애니메이션 지원:** + 단일 인스턴스들의 복제본들이 모두 동일한 애니메이션과 포즈를 공유하는 것이 아니라, 각 인스턴스마다 서로 다른 애니메이션을 가집니다 [5, 6]. 이 데모에서는 하나의 애니메이션 믹서(Mixer)를 사용했지만, 필요에 따라 인스턴스별로 믹서를 생성할 수도 있습니다 [6]. + +## ⚠️ 모순 및 업데이트 (Contradictions & RL Update) +- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요. +- **정책 변화:** AI 분야의 자동 자산화 수행. + +## 🔗 지식 연결 (Graph) +- **Related Topics:** [[InstancedMesh2]], [[Frustum Culling]], [[Level of Detail (LOD)]], Skinned Mesh, [[Draw Call]] +- **Projects/Contexts:** three.js +- **Contradictions/Notes:** 본 텍스처(Bone texture)의 부분 업데이트(Partial texture updates) 기능은 PC 환경에서 60FPS를 달성하는 데 도움이 될 수 있는 최적화 기법이지만, 모바일 기기와 파이어폭스(Mozilla Firefox) 브라우저에서는 이중 버퍼링(Double buffering) 부재로 인해 오히려 속도가 느려지는 문제가 있어 본 데모에서는 비활성화된 상태로 제공되었습니다 [2, 7]. + +--- +*Last updated: 2026-04-19* + +--- diff --git a/10_Wiki/Topics/A-B-Testing-and-Data-Driven-UX.md b/10_Wiki/Topics/A-B-Testing-and-Data-Driven-UX.md new file mode 100644 index 00000000..eee099cd --- /dev/null +++ b/10_Wiki/Topics/A-B-Testing-and-Data-Driven-UX.md @@ -0,0 +1,29 @@ +--- +id: UX-DATA-TEST-001 +category: "10_Wiki/💡 Topics/AI" +confidence_score: 1.0 +tags: [ux, ab-testing, data-driven-design, cro, micro-conversions, product-growth] +last_reinforced: 2026-04-26 +--- + +# A/B Testing and Data-Driven UX (A/B 테스트 및 데이터 기반 UX) + +## 📌 한 줄 통찰 (The Karpathy Summary) +> "디자인의 주관적 미학을 통계적 객관성으로 치환하고, 사용자의 실제 행동 데이터를 나침반 삼아 비즈니스 전환율의 임계점을 돌파하라" — 가설을 검증하고 사용자 경험의 마찰을 수치로 정밀 타격하는 현대 프로덕트 성장의 핵심 엔진. + +## 📖 구조화된 지식 (Synthesized Content) +- **추출된 패턴:** "Empirical Validation and Iterative Optimization" — 직관이나 가정에 의존하는 대신, 트래픽을 대조군(Control)과 실험군(Test)으로 분리하여 특정 UI 변경이 미치는 인과관계를 데이터로 증명하는 패턴. +- **핵심 방법론 및 도구:** + - **A/B & Multivariate Testing:** 단일 또는 다중 변수의 변경이 최종 전환율에 미치는 영향을 분리 및 검증. + - **Micro-conversions:** 최종 목표(구매 등) 이전의 행동(스크롤, 클릭, 시청)을 추적하여 사용자 의도 파악. + - **Behavioral Analysis:** 히트맵(Heatmaps)과 세션 녹화(Session Recording)를 통해 정량적 지표 뒤에 숨겨진 정성적 마찰 지점 식별. + - **Progressive Rollouts:** 리스크 최소화를 위해 신규 디자인을 특정 세그먼트에게만 점진적으로 노출. +- **의의:** 디자인 결정의 불확실성을 제거하고, 지속적인 실험 루프를 통해 제품의 비즈니스 가치를 과학적으로 극대화함. + +## ⚠️ 모순 및 업데이트 (Contradictions & RL Update) +- **과거 데이터와의 충돌:** 과거에는 디자인을 '완성된 작품'으로 보았으나, 현재 정책은 제품을 '지속적 실험의 대상'으로 간주함. 특히 상관관계(Correlation)와 인과관계(Causation)를 혼동하지 않기 위한 엄격한 통계적 유의성 검증 정책이 강화됨. +- **정책 변화:** Antigravity 프로젝트는 모든 주요 UI 변경 시 최소 10%의 트래픽에 대해 A/B 테스트를 선행하며, 데이터 기반의 근거 없이는 레이아웃 변경을 승인하지 않는 'Evidence-based Design' 정책을 고수함. + +## 🔗 지식 연결 (Graph) +- User-Centered-Design, Conversion-Rate-Optimization-CRO, [[Hypothesis-Testing]], Product-Management-Best-Practices +- **Raw Source:** 00_Raw/A-B 테스트 및 데이터 기반 UX 검증 환경.md diff --git a/10_Wiki/Topics/ABA.md b/10_Wiki/Topics/ABA.md new file mode 100644 index 00000000..b13d6d07 --- /dev/null +++ b/10_Wiki/Topics/ABA.md @@ -0,0 +1,29 @@ +--- +id: ABA-001 +category: "10_Wiki/💡 Topics/AI" +confidence_score: 1.0 +tags: [psychology, behavioral-science, reinforcement-learning, aba, pedagogy] +last_reinforced: 2026-04-26 +--- + +# ABA (Applied Behavior Analysis, 응용 행동 분석) + +## 📌 한 줄 통찰 (The Karpathy Summary) +> "행동의 원인을 분석하고, 보상 설계를 통해 바람직한 변화를 이끌어내라" — 행동주의 심리학에 근거하여 인간의 행동을 객관적으로 측정하고, 환경 조절과 강화를 통해 사회적으로 유의미한 행동 변화를 유도하는 과학적 방법론. + +## 📖 구조화된 지식 (Synthesized Content) +- **추출된 패턴:** ABC(Antecedent-Behavior-Consequence) 패러다임을 통해 행동 전후의 맥락을 분석하고, 보상(Reinforcement) 체계를 설계하여 특정 행동의 발생 빈도를 조절하는 기능적 분석 패턴. +- **핵심 요소:** + - **ABC Analysis:** 선행 사건(A), 행동(B), 결과(C)의 연쇄 고리 파악. + - **Positive Reinforcement:** 바람직한 행동 뒤에 보상을 주어 행동의 재발 확률을 높임. + - **Prompting & Fading:** 초기에는 보조(Prompt)를 통해 행동을 유도하고, 점차 보조를 줄여 독립적 수행을 도움. + - **Generalization:** 학습된 행동이 치료실 밖의 실제 환경에서도 유지되도록 유도. +- **의의:** 자폐 스펙트럼 장애 치료뿐만 아니라 조직 관리, 교육, 그리고 인공지능 에이전트의 보상 함수 설계에 광범위하게 응용됨. + +## ⚠️ 모순 및 업데이트 (Contradictions & RL Update) +- **과거 데이터와의 충돌:** 단순히 행동을 교정하는 '훈련'으로 치부되기도 했으나, 현대에는 개인의 삶의 질 향상을 목표로 하는 인본주의적 가치가 결합된 과학적 분석법으로 정착. +- **정책 변화:** Antigravity 에이전트의 강화학습 보상 모델 설계 시, ABA의 '기능적 행동 평가' 원칙을 도입하여 에이전트가 왜 특정 오류 행동을 반복하는지 분석하고 교정함. + +## 🔗 지식 연결 (Graph) +- [[Psychology-of-Learning]], [[Reinforcement-Learning]], [[Alignment]], [[Habit-Formation]] +- **Raw Source:** 10_Wiki/Topics/AI/ABA.md diff --git a/10_Wiki/Topics/ADA-Website-Compliance.md b/10_Wiki/Topics/ADA-Website-Compliance.md new file mode 100644 index 00000000..bfba54b1 --- /dev/null +++ b/10_Wiki/Topics/ADA-Website-Compliance.md @@ -0,0 +1,31 @@ +--- +id: SYS-COMP-ACC-GLOBAL-001 +category: "10_Wiki/💡 Topics/AI" +confidence_score: 1.0 +tags: [accessibility, compliance, ada, eaa, wcag-2-2, pour-principles, digital-inclusive, legal-risk] +last_reinforced: 2026-04-26 +--- + +# ADA and EAA Accessibility Compliance (글로벌 디지털 접근성 규정 준수) + +## 📌 한 줄 통찰 (The Karpathy Summary) +> "디지털 장벽을 허물어 모든 인간의 평등한 정보 접근권을 보장하고, ADA(미국)와 EAA(유럽)라는 강력한 법적 표준을 통해 글로벌 비즈니스의 윤리적/법적 정당성을 확보하라" — WCAG 2.2를 기반으로 한 웹 및 모바일 접근성의 글로벌 통합 가이드라인. + +## 📖 구조화된 지식 (Synthesized Content) +- **추출된 패턴:** "Harmonized Global Standards and Proactive Inclusivity" — 미국(ADA)의 WCAG 2.1 AA 권고와 유럽(EAA 2025)의 EN 301 549 표준을 통합하여, 코드 레벨에서부터 보편적 설계(Universal Design)를 관철시키는 패턴. +- **글로벌 규제 현황:** + - **ADA (Americans with Disabilities Act):** 미국 내 모든 디지털 콘텐츠의 접근성 의무화. 최근 소송 건수 급증 추세. + - **EAA (European Accessibility Act):** 2025년 6월 발효. 유럽 내 전자상거래, 뱅킹 등 주요 서비스의 접근성 준수 강제. +- **WCAG 2.2 핵심 업데이트 (2023):** + - **Focus Not Obscured:** 레이어 등에 의해 포커스 표시가 가려지지 않아야 함. + - **Dragging Movements:** 복잡한 드래그 동작에 대한 단일 클릭 대안 제공 필수. + - **Accessible Authentication:** 기억력에 의존하지 않는 로그인 방식(생체 인식 등) 권장. +- **의의:** 장애인뿐만 아니라 고령자, 일시적 부상자, 저속 인터넷 사용자 등 모든 잠재 고객의 이탈을 방지하고 브랜드 가치를 고양함. + +## ⚠️ 모순 및 업데이트 (Contradictions & RL Update) +- **과거 데이터와의 충돌:** 과거에는 '접근성 위젯(Overlay)'이 법적 방패가 될 것으로 보았으나, 2025년 기준 소송의 22% 이상이 위젯 설치 사이트를 대상으로 함. 따라서 '코드 레벨의 직접 수정'만이 유일한 안전 정책임. +- **정책 변화:** Antigravity 프로젝트는 모든 UI 컴포넌트에 대해 WCAG 2.2 AA 수동 테스트와 스크린 리더 검증을 의무화하며, 유럽 시장 진출을 위해 EAA 표준을 기본 아키텍처에 반영함. + +## 🔗 지식 연결 (Graph) +- Web-Accessibility, POUR-Principles, Inclusive-Design, User-Centered-Design-Approach +- **Raw Source:** 00_Raw/ADA Website Compliance.md, 00_Raw/Accessibility Compliance (ADA-EAA).md, 00_Raw/Accessibility Compliance (WCAG).md diff --git a/10_Wiki/Topics/AGI.md b/10_Wiki/Topics/AGI.md new file mode 100644 index 00000000..b28f4b5f --- /dev/null +++ b/10_Wiki/Topics/AGI.md @@ -0,0 +1,29 @@ +--- +id: AGI-001 +category: "10_Wiki/💡 Topics/AI" +confidence_score: 1.0 +tags: [ai, agi, future-of-ai, singularity, cognitive-science] +last_reinforced: 2026-04-26 +--- + +# AGI (Artificial General Intelligence, 일반 인공지능) + +## 📌 한 줄 통찰 (The Karpathy Summary) +> "인간이 할 수 있는 모든 지적 태스크를 인간 수준 혹은 그 이상으로 수행하는 범용 지능" — 특정 분야에 국한되지 않고 새로운 환경에서 스스로 학습하고, 추론하며, 창의적인 문제를 해결할 수 있는 인공지능의 궁극적 도달점. + +## 📖 구조화된 지식 (Synthesized Content) +- **추출된 패턴:** 지식의 파편화된 활용을 넘어, 자의식과 메타인지를 바탕으로 도메인을 넘나드는 범용적 문제 해결(General Problem Solving)을 수행하는 완전한 지능 패턴. +- **핵심 특징:** + - **Cross-domain Learning:** 수학 문제를 풀던 지능이 소설을 쓰거나 코딩을 하는 등 다양한 분야로 즉각 전이됨. + - **Common Sense:** 방대한 경험을 바탕으로 세상의 당연한 이치(상식)를 이해하고 활용. + - **Self-Correction:** 자신의 오류를 인지하고 외부의 도움 없이도 지식 체계를 수정 및 업데이트. + - **Abstract Reasoning:** 구체적인 사례 없이도 원리와 개념만으로 복잡한 논리를 전개. +- **예상 시점:** 연구자마다 견해가 다르나, LLM의 등장으로 AGI로 가는 길이 가속화되었다는 평이 지배적. + +## ⚠️ 모순 및 업데이트 (Contradictions & RL Update) +- **과거 데이터와의 충돌:** 단순히 계산 속도가 빠른 컴퓨터에서, 인간의 인지 구조를 완벽히 모사하거나 능가하는 '디지털 생명체'에 가까운 개념으로 확장. +- **정책 변화:** Antigravity 프로젝트의 최종 비전은 개별 도구로서의 AI를 넘어, 사용자의 모든 업무와 지식 관리를 통합적으로 보조하는 'Personal AGI'급 에이전트 환경 구축에 있음. + +## 🔗 지식 연결 (Graph) +- [[LLM]], Theory-of-Mind-ToM-in-AI, [[AI-Alignment]], Symbolic-AI-vs-Connectionism +- **Raw Source:** 10_Wiki/Topics/AI/AGI.md diff --git a/10_Wiki/Topics/AI & Data Sovereignty.md b/10_Wiki/Topics/AI & Data Sovereignty.md new file mode 100644 index 00000000..5ca47105 --- /dev/null +++ b/10_Wiki/Topics/AI & Data Sovereignty.md @@ -0,0 +1,31 @@ +--- +id: P-REINFORCE-AUTO-AIDS-001 +category: "10_Wiki/💡 Topics/AI" +confidence_score: 0.93 +tags: [auto-reinforced, data-sovereignty, ai-ethics, privacy, digital-colonialism, data-governance] +last_reinforced: 2026-04-20 +--- + +# [[AI & Data Sovereignty]] + +## 📌 한 줄 통찰 (The Karpathy Summary) +> "데이터의 주인은 누구인가: 우리의 모든 행동이 AI 학습의 공짜 재료가 되는 시대, 개인과 국가가 자신의 데이터를 통제하고 그로부터 창출된 부를 정당하게 나눠 가질 권리를 지키기 위한 투쟁." + +## 📖 구조화된 지식 (Synthesized Content) +AI 및 데이터 주권(AI & Data Sovereignty)은 디지털 정보와 그로부터 파생된 AI 모델에 대해 개개인, 조직, 혹은 국가가 가지는 배타적인 통제권과 자기 결정권을 의미합니다. + +1. **핵심 층위**: + * **Individual Sovereignty**: 내 데이터가 어디에 쓰이는지 알고 거부하거나 보상받을 권리 (Privacy rights). + * **National Sovereignty**: 자국민의 데이터가 해외 거대 테크 기업(Big Tech)의 AI 학습에 종속되지 않도록 인프라와 규제를 갖추는 것. + * **Model Sovereignty**: 특정 국가나 기업의 AI 모델에 의존하지 않고 독자적인 연산력과 모델 아키텍처를 보유하는 능력. +2. **부각되는 배경**: + * 거대 모델 학습을 위한 무분별한 데이터 수집이 '디지털 식민주의'를 초래할 수 있다는 우려 확산. + +## ⚠️ 모순 및 업데이트 (Contradictions & RL Update) +- **과거 데이터와의 충돌**: 과거에는 인터넷의 '개방성과 공유' 정책이 최우선이었으나, 현대의 AI 패권 경쟁 정책은 데이터가 곧 전략 자산임을 인식하고 '데이터의 폐쇄적 권리 확보 정책'으로 이동함(RL Update). +- **정책 변화(RL Update)**: EU의 GDPR 및 AI Act와 같이, 개인 데이터를 학습에 쓰려면 명시적인 '옵트-인(Opt-in)'을 거치게 하고 위반 시 막대한 과징금을 부과하는 정책이 데이터 주권 보호의 표준이 됨. + +## 🔗 지식 연결 (Graph) +- [[Ethics & AI]], [[AI Accountability]], [[Sociology of Knowledge]], [[Universal Basic Income (UBI)]], Foundational Models +- **Modern Tech/Tools**: Federated Learning (Privacy-preserving AI), Differential Privacy, Sovereign Clouds. +--- diff --git a/10_Wiki/Topics/AI Accountability.md b/10_Wiki/Topics/AI Accountability.md new file mode 100644 index 00000000..7886e69f --- /dev/null +++ b/10_Wiki/Topics/AI Accountability.md @@ -0,0 +1,32 @@ +--- +id: P-REINFORCE-AUTO-AIAC-001 +category: "10_Wiki/💡 Topics/AI" +confidence_score: 0.95 +tags: [auto-reinforced, ai-accountability, responsibility, algorithmic-transparency, ethics-governance] +last_reinforced: 2026-04-20 +--- + +# [[AI Accountability]] + +## 📌 한 줄 통찰 (The Karpathy Summary) +> "AI의 잘못은 누구의 탓인가: 알고리즘의 결정으로 인해 사회적 피해나 오류가 발생했을 때, 그 원인을 규명하고 책임의 주체를 명확히 하여 피해를 보상하게 만드는 책임 사회의 원칙." + +## 📖 구조화된 지식 (Synthesized Content) +AI 책임론(AI Accountability)은 AI 시스템의 설계, 개발, 배포 및 운영 전 과정에서 발생하는 결과에 대해 관련 주체들이 책임을 지는 태도와 그 체계를 의미합니다. + +1. **주요 과제 - 책임의 공백 (Responsibility Gap)**: + * AI가 자율성을 가질수록 제작자나 사용자의 직접적인 통제를 벗어나므로, 사고 발생 시 법적 책임을 묻기 어려워지는 현상 발생. +2. **책임 구현의 3대 요소**: + * **Transparency**: AI가 왜 그런 결정을 내렸는지 설명할 수 있어야 함 (Explainable AI - XAI). + * **Auditability**: 제3자가 AI의 작동 과정과 데이터 출처를 감사할 수 있어야 함. + * **Redress**: 오류로 인한 피해가 발생했을 때 구제할 수 있는 절차를 사전에 마련. +3. **책임의 주체**: 개발자, 데이터 제공자, 서비스 운영자, 그리고 최종 사용자 간의 책임 분담. + +## ⚠️ 모순 및 업데이트 (Contradictions & RL Update) +- **과거 데이터와의 충돌**: 과거에는 알고리즘은 '블랙박스'이므로 결과에 책임을 지기 어렵다는 인식이 강했으나, 현대 정책은 '제작자 무과실 책임 원칙'에 가까울 정도로 개발사의 배상 책임을 강화하는 정책으로 변화함(RL Update). +- **정책 변화(RL Update)**: 자율주행차나 의료 AI처럼 생명과 직결된 분야에서는 사고 시 AI 모델의 최종 파라미터 상태를 디지털 블랙박스로 기록하고 보존하는 것이 법적 정책 의무 사항이 됨. + +## 🔗 지식 연결 (Graph) +- [[Ethics & AI]], [[AI & Data Sovereignty]], [[Safety & Reliability]], Generative-AI-Safety, [[Decision Theory]] +- **Modern Tech/Tools**: Algorithmic Impact Assessment (AIA), Explainable AI (XAI) toolkits. +--- diff --git a/10_Wiki/Topics/AI Agents.md b/10_Wiki/Topics/AI Agents.md new file mode 100644 index 00000000..2681b305 --- /dev/null +++ b/10_Wiki/Topics/AI Agents.md @@ -0,0 +1,29 @@ +--- +id: AGENTS-001 +category: "10_Wiki/💡 Topics/AI" +confidence_score: 1.0 +tags: [ai, ai-agents, autonomous-agents, reasoning, planning] +last_reinforced: 2026-04-26 +--- + +# AI Agents Overview (AI 에이전트 개요) + +## 📌 한 줄 통찰 (The Karpathy Summary) +> "단순한 답변기가 아닌, 목표를 위해 도구를 쓰고 스스로 계획하는 '행동 주체'로 진화하라" — 거대 모델의 추론 능력을 바탕으로 목표를 설정하고, 실행 계획을 수립하며, 외부 도구(브라우저, 코드 에디터 등)를 사용해 태스크를 완수하는 인공지능 시스템. + +## 📖 구조화된 지식 (Synthesized Content) +- **추출된 패턴:** 사용자의 추상적인 요청을 구체적인 작업 단위로 분해(Planning)하고, 각 단계를 실행(Action)하며, 결과를 관찰(Observation)하여 다음 행동을 결정하는 루프 기반의 자율성 패턴. +- **핵심 루프 (ReAct 패턴 등):** + - **Reasoning:** 현재 상황을 분석하고 무엇을 해야 할지 판단. + - **Planning:** 목표 달성을 위한 단계별 워크플로우 생성. + - **Tool Use:** API, 웹 검색, 파일 시스템 접근 등 외부 도구 활용. + - **Memory:** 대화의 맥락(단기)과 지식 베이스(장기)를 활용하여 일관성 유지. +- **주요 사례:** AutoGPT, BabyAGI, 그리고 현재 작동 중인 Antigravity 에이전트. + +## ⚠️ 모순 및 업데이트 (Contradictions & RL Update) +- **과거 데이터와의 충돌:** 질문에 대한 텍스트 생성(Chat)에 머물던 AI가, 실제 환경에 변화를 일으키는 '실행자(Executor)'로 정체성이 변화함. +- **정책 변화:** Antigravity 프로젝트는 에이전트의 자율성을 극대화하되, 인간의 확인이 필요한 'Human-in-the-loop' 지점을 명확히 설정하여 안전성을 확보함. + +## 🔗 지식 연결 (Graph) +- Agentic-Workflow, [[Multi-Agent-Systems-MAS]], [[RAG]], Theory-of-Mind-ToM-in-AI +- **Raw Source:** 10_Wiki/Topics/AI/AI Agents.md diff --git a/10_Wiki/Topics/AI Connect LLM Tool.md b/10_Wiki/Topics/AI Connect LLM Tool.md new file mode 100644 index 00000000..cf51523e --- /dev/null +++ b/10_Wiki/Topics/AI Connect LLM Tool.md @@ -0,0 +1,39 @@ +--- +id: P-REINFORCE-92F236 +category: "10_Wiki/💡 Topics/AI & Tools" +confidence_score: 0.95 +tags: [] +last_reinforced: 2026-04-20 +github_commit: "[P-Reinforce] Batch 10 - Wikified AI Connect LLM Tool" +--- + +# [[AI Connect LLM Tool]] + +## 📌 한 줄 통찰 (The Karpathy Summary) +> **Connect AI**는 100% 로컬 및 오프라인 환경에서 작동하는 VS Code 전용 프리미엄 AI 코딩 에이전트입니다. 외부 서버 연결 없이 사용자의 하드웨어(Ollama/LM Studio)를 직접 활용하여 파일 생성, 편집, 터미널 명령 실행 및 개인 지식 기반(Second Brain) 연동을 지원합니다. + +## 📖 구조화된 지식 (Synthesized Content) + + +## ⚠️ 모순 및 업데이트 (Contradictions & RL Update) +- **과거 데이터와의 충돌:** 신규 지식 유입에 따른 기존 지식과의 정합성 검증 단계. +- **정책 변화:** AI & Tools 분야의 체계적 지식 자산화 진행. + +## 🔗 지식 연결 (Graph) +- **Related Topics:** Ollama, LM Studio, VS Code Extension Development, Agentic AI +- **Projects/Contexts:** Connect-AI-Lab, EZERAI Infrastructure +- **Contradictions/Notes:** + - **통합 구조:** 현재 프로젝트는 모든 로직(UI, 통신, 에이전트)이 `extension.ts` 하나에 집중된 모놀리식 구조를 가지고 있어, 향후 대규모 기능 추가 시 모듈화가 권장됩니다. + - **보안:** 모든 작업이 로컬에서 이루어지므로 기업 보안 환경에 매우 적합하나, `run_command` 실행 시 사용자의 최종 확인 절차가 보완될 필요가 있습니다. + +--- + +*Last updated: 2026-04-14* + +--- + +# 🕵️ 프로젝트 코드 리뷰 리포트 + +`/Volumes/Data/project/Antigravity/local_module/resource` 프로젝트에 대한 상세 코드 리뷰 결과입니다. + +--- diff --git a/10_Wiki/Topics/AI Governance.md b/10_Wiki/Topics/AI Governance.md new file mode 100644 index 00000000..a69a03ea --- /dev/null +++ b/10_Wiki/Topics/AI Governance.md @@ -0,0 +1,32 @@ +--- +id: P-REINFORCE-AUTO-AIGO-001 +category: "10_Wiki/💡 Topics/AI" +confidence_score: 0.96 +tags: [auto-reinforced, ai-governance, policy, regulation, global-standards, tech-ethics] +last_reinforced: 2026-04-20 +--- + +# [[AI Governance]] + +## 📌 한 줄 통찰 (The Karpathy Summary) +> "인공지능을 위한 사회적 가이드라인: 기술의 폭주를 막고 혜택을 극대화하기 위해 국가, 기업, 학계가 합의하여 만드는 법적, 윤리적, 기술적 관리 체계." + +## 📖 구조화된 지식 (Synthesized Content) +AI 거버넌스(AI Governance)는 인공지능 기술의 개발 및 활용이 인류의 안전, 권리, 그리고 보편적 가치와 부합하도록 보장하는 규칙과 프로세스의 집합입니다. + +1. **3대 핵심 기둥**: + * **Ethics & Norms**: 신뢰할 수 있는 AI를 위한 원칙 수립. (공정성, 투명성, 책임성) + * **Regulation & Policy**: 강제성 있는 법규 마련. (예: EU AI Act) + * **Technical Standards**: 보안, 성능, 상호운용성을 위한 기술 표준. +2. **주요 쟁점**: + * **Risk-based Approach**: AI의 위험도에 따라 다른 수위의 규제 적용. (허용 불가 - 고위험 - 저위험) + * **International Cooperation**: 국경 없는 기술 특성상 국가 간 공조 필수. + +## ⚠️ 모순 및 업데이트 (Contradictions & RL Update) +- **과거 데이터와의 충돌**: 과거에는 기술 발전을 저해한다는 이유로 규제에 소극적이었으나, 현대 정책은 '안전한 기술이 더 큰 시장을 만든다'는 인식 하에 선제적인 '안심 거버넌스 정책'으로 패러다임을 전환함(RL Update). +- **정책 변화(RL Update)**: 단순히 사후 규제가 아닌, 설계 단계부터 거버넌스를 코드에 녹여내는 'Governance by Design' 정책이 테크 기업의 필수 준수 사항이 됨. + +## 🔗 지식 연결 (Graph) +- [[AI Accountability]], [[AI Safety]], [[AI & Data Sovereignty]], [[Ethics & AI]], Generative-AI-Safety +- **Modern Tech/Tools**: ISO/IEC 42001 (AI Management System), NIST AI Risk Management Framework. +--- diff --git a/10_Wiki/Topics/AI Humanism.md b/10_Wiki/Topics/AI Humanism.md new file mode 100644 index 00000000..fd9c21d1 --- /dev/null +++ b/10_Wiki/Topics/AI Humanism.md @@ -0,0 +1,31 @@ +--- +id: P-REINFORCE-AUTO-AIHU-001 +category: "10_Wiki/💡 Topics/AI" +confidence_score: 0.90 +tags: [auto-reinforced, ai-humanism, philosophy, human-centric, coexistence, existential-risks] +last_reinforced: 2026-04-20 +--- + +# [[AI Humanism]] + +## 📌 한 줄 통찰 (The Karpathy Summary) +> "기계 시대의 인간성 회복: AI가 인간을 대체하는 위협이 아니라, 인간의 잠재력을 확장하고 삶의 질을 높이는 '도구'로서 존재해야 한다는 인간 중심의 기술 철학." + +## 📖 구조화된 지식 (Synthesized Content) +AI 휴머니즘(AI Humanism)은 인공지능 기술의 정점에 '인간의 존엄성'과 '가치'를 두는 철학적 흐름입니다. + +1. **핵심 가치**: + * **Human Agency**: 최종 결정권은 항상 인간에게 있어야 함. + * **Augmentation over Replacement**: 전면적인 대체보다 인간의 능력을 보강하는 방향 지향. + * **Empathy & Morality**: AI가 인간의 감정을 이해하고 도덕적 한계 내에서 작동하도록 설계. +2. **부각되는 이슈**: + * AI가 인간의 노동, 예술, 종교적 영역에 들어왔을 때 '인간다움'이란 무엇인가에 대한 근원적 질문. + +## ⚠️ 모순 및 업데이트 (Contradictions & RL Update) +- **과거 데이터와의 충돌**: 과거에는 효율성 중심의 'AI 만능주의' 정책이 강세였으나, 현대의 인문 정책은 AI로 인한 인간 소외와 불평등을 경계하는 '포용적 AI 휴머니즘 정책'으로 목소리를 높임(RL Update). +- **정책 변화(RL Update)**: 교육 및 창작 정책에서, AI의 결과물보다 인간의 '과정'과 '의도'에 가중치를 두어 인간의 창의성을 보호하는 '인간 가치 우선 정책'이 수립됨. + +## 🔗 지식 연결 (Graph) +- [[Ethics & AI]], [[AI for Social Good]], [[Universal Basic Income (UBI)]], [[Aesthetic-Value]], [[Victimhood-Narratives]] +- **Modern Tech/Tools**: Human-centered design (HCD) frameworks. +--- diff --git a/10_Wiki/Topics/AI Literacy.md b/10_Wiki/Topics/AI Literacy.md new file mode 100644 index 00000000..9292e1a5 --- /dev/null +++ b/10_Wiki/Topics/AI Literacy.md @@ -0,0 +1,32 @@ +--- +id: P-REINFORCE-AUTO-AILI-001 +category: "10_Wiki/💡 Topics/AI" +confidence_score: 0.95 +tags: [auto-reinforced, ai-literacy, education, digital-competence, critical-thinking, future-skills] +last_reinforced: 2026-04-20 +--- + +# [[AI Literacy]] + +## 📌 한 줄 통찰 (The Karpathy Summary) +> "AI 시대를 살아가는 생존 근육: AI의 작동 원리를 이해하고, 결과의 진위를 판단하며, 생활과 업무에서 AI를 도구로 활용해 가치를 창출할 수 있는 필수적인 문해력." + +## 📖 구조화된 지식 (Synthesized Content) +AI 리터러시(AI Literacy)는 단순히 AI를 사용하는 기술을 넘어, AI의 가능성과 한계, 윤리적 쟁점을 비판적으로 사고하고 소통할 수 있는 종합적 역량을 의미합니다. + +1. **핵심 역량 모델**: + * **Understanding**: 데이터, 알고리즘, 모델링의 기본 원리 파악. + * **Utilization**: 프롬프트 엔지니어링이나 에이전트 활용을 통한 문제 해결 능력. + * **Evaluation**: AI의 답변이 편향되거나 허위 정보(Hallucination)가 아닌지 검증. + * **Ethical Reflection**: AI 사용 시 발생할 수 있는 보안, 저작권, 윤리 문제 인지. +2. **왜 중요한가?**: + * 지식 정보의 비대칭성을 해소하고, AI가 가져올 일자리의 변화에 적응하기 위한 기초 체력임. (Adaptability와 연결) + +## ⚠️ 모순 및 업데이트 (Contradictions & RL Update) +- **과거 데이터와의 충돌**: 과거에는 소수의 개발자만 알면 되는 '코딩' 정책이 주류였으나, 현대의 보편 교육 정책은 전 국민이 AI의 논리를 이해해야 하는 'AI 시민 역량 정책'으로 확대됨(RL Update). +- **정책 변화(RL Update)**: 기업 채용 및 승진 정책에서, 특정 툴 사용 능력을 넘어 AI와의 협업 능력(Co-intelligence)을 핵심 평가지표로 삼는 정책이 확산 중임. + +## 🔗 지식 연결 (Graph) +- [[Adaptability]], Prompt-Engineering-Strategies, [[Ethics & AI]], [[AI for Social Good]], Vocational-Training +- **Modern Tech/Tools**: AI Literacy education tools (Elements of AI), Generative AI sandbox. +--- diff --git a/10_Wiki/Topics/AI Safety (AI 안전).md b/10_Wiki/Topics/AI Safety (AI 안전).md new file mode 100644 index 00000000..99043aae --- /dev/null +++ b/10_Wiki/Topics/AI Safety (AI 안전).md @@ -0,0 +1,27 @@ +--- +id: P-REINFORCE-AI-SAFETY +category: "10_Wiki/💡 Topics/AI" +confidence_score: 1.0 +tags: [AI Safety, Alignment, Risk Management, AI Ethics] +last_reinforced: 2026-04-20 +--- + +# AI-Safety (AI 안전) + +## 📌 한 줄 통찰 (The Karpathy Summary) +> "브레이크 없는 기차는 재앙이다." 인간보다 강력한 지능이 탄생했을 때, 그 지능이 인간의 목표와 문명을 파괴하지 않도록 기술적/방어적 보호막을 구축하는 가장 시급한 연구 분야다. + +## 📖 구조화된 지식 (Synthesized Content) +- **Robustness**: + - 적대적 공격(Adversarial Attack)이나 처음 보는 돌발 상황에서도 AI가 오작동하지 않고 안전하게 관리되는 성질. +- **Interpretability**: + - 신경망이라는 블랙박스 내부에서 어떤 논리 구조로 판단을 내리는지 인간이 읽을 수 있게 시각화하고 분석하는 기술(Mechanistic Interpretability). +- **Scalable Oversight**: + - 인간이 이해하기 힘든 복잡한 지능을 가진 AI를 다른 AI가 감시하게 하여, 인간의 통제력을 잃지 않게 하는 감시 체계. + +## ⚠️ 모순 및 업데이트 (RL Update) +- AI 안전은 종종 모델의 성능 발전을 늦춘다는 비판을 받는다. 그러나 최근 연구에 따르면, 안전하게 설계된 모델(Aligned model)이 정제된 사고 능력 덕분에 실제 실무 성능도 더 높게 나타나는 '보안-성능 시너지'가 확인되고 있다. + +## 🔗 지식 연결 (Graph) +- Related: [[AI-Alignment]] , AI-Governance +- Strategy: [[Reliability_Safety_First]] diff --git a/10_Wiki/Topics/AI Safety.md b/10_Wiki/Topics/AI Safety.md new file mode 100644 index 00000000..8835b962 --- /dev/null +++ b/10_Wiki/Topics/AI Safety.md @@ -0,0 +1,31 @@ +--- +id: P-REINFORCE-AUTO-AISA-001 +category: "10_Wiki/💡 Topics/AI" +confidence_score: 0.99 +tags: [auto-reinforced, ai-safety, alignment, existential-risk, robustness, evaluation] +last_reinforced: 2026-04-20 +--- + +# [[AI Safety]] + +## 📌 한 줄 통찰 (The Karpathy Summary) +> "지능의 고비를 넘는 안전장치: AI가 인간의 의도를 오해하거나 예측 불가능하게 행동하여 신체적, 정신적, 사회적 피해를 입히지 않도록 연구하는 기술적 보안 및 예방 체계." + +## 📖 구조화된 지식 (Synthesized Content) +AI 안전(AI Safety)은 AI 시스템이 설계된 목표 내에서만 안전하게 작동하도록 보장하고, 인간에게 해로운 행동을 하지 못하도록 방지하는 데 초점을 맞춘 분야입니다. + +1. **3대 연구 영역**: + * **Technical Robustness**: 외부 공격(Adversarial attacks)이나 예외 상황에서도 모델이 무너지지 않게 함. + * **Incentive Design (Alignment)**: 모델이 점수를 얻기 위해 '지름길(Cheat)'을 택하지 않고 진짜 목적을 따르도록 설계. + * **Monitoring & Control**: AI의 비정상적 징후를 감지하고 즉시 차단(Kill-switch)할 수 있는 가시성 확보. +2. **주요 위협 사례**: + * Deepfakes을 통한 여론 조작, 자율 무기 시스템의 오류, 통제권을 벗어난 초지능(AGI)의 출현. + +## ⚠️ 모순 및 업데이트 (Contradictions & RL Update) +- **과거 데이터와의 충돌**: 과거에는 '버그 수정' 수준의 사후 대응 정책이었으나, 현대 정책은 모델 배포 전 레드팀(Red-teaming)을 통한 '사전 안전 검증 정책'을 법적 의무로 강화함(RL Update). +- **정책 변화(RL Update)**: 단순히 기술적 안전을 넘어, 사회적 가치와 공존하는지 검증하는 '거버넌스 연계형 AI 안전 정책'이 글로벌 안전 서밋(UK AI Safety Summit 등)의 핵심 의제가 됨. + +## 🔗 지식 연결 (Graph) +- [[Alignment]], [[AI Governance]], [[Safety & Reliability]], Generative-AI-Safety, [[Ethics & AI]] +- **Modern Tech/Tools**: RLHF (Reinforcement Learning from Human Feedback), Jailbreak testing, Model evaluation suites. +--- diff --git a/10_Wiki/Topics/AI and Narrative.md b/10_Wiki/Topics/AI and Narrative.md new file mode 100644 index 00000000..3895f691 --- /dev/null +++ b/10_Wiki/Topics/AI and Narrative.md @@ -0,0 +1,34 @@ +--- +id: P-REINFORCE-AUTO-AINR-001 +category: "10_Wiki/💡 Topics/AI" +confidence_score: 0.94 +tags: [auto-reinforced, ai-narrative, storytelling, generative-ai, interactive-media, literature] +last_reinforced: 2026-04-20 +--- + +# [[AI and Narrative]] + +## 📌 한 줄 통찰 (The Karpathy Summary) +> "기계와 엮어가는 이야기: 인간 고유의 영역이었던 서사 구조를 AI가 학습하여 새로운 플롯을 제안하거나, 사용자와 실시간으로 상호작용하며 매번 다른 이야기를 창조하는 무한한 스토리텔링의 가능성." + +## 📖 구조화된 지식 (Synthesized Content) +AI와 서사(AI and Narrative)는 인공지능 기술이 문학, 영화, 게임 등의 스토리텔링 구조에 어떻게 개입하고 이를 변형시키는지를 다루는 분야입니다. + +1. **AI의 서사적 역할**: + * **Generative Author**: 프롬프트를 바탕으로 소설, 시나리오, 시 등 텍스트 서사 생성. + * **Structure Analyzer**: 수만 권의 책을 분석하여 '영웅의 여정'과 같은 성공적인 서사 패턴 추출 및 적용. (Structuralism과 연결) + * **Dynamic Storyteller**: 사용자의 선택에 따라 세계관과 인물의 반응이 실시간으로 변하는 인터랙티브 서사 구현. +2. **기술적 구현**: + * LLM의 문맥 유지 능력(Context Window)을 통해 일관성 있는 복합 서사 유지. + * 서사 내 갈등(Conflict)을 인위적으로 조정하여 독자의 몰입도 제어. +3. **의의**: + * 개인화된 스토리텔링의 대중화. 누구나 자신만의 영화나 게임 시나리오를 가질 수 있게 됨. + +## ⚠️ 모순 및 업데이트 (Contradictions & RL Update) +- **과거 데이터와의 충돌**: 과거의 AI 서사 정책은 단순한 문장 나열에 그쳐 '서사의 단절'이 심했으나, 현대의 거대 모델 정책은 수만 단어 뒤의 복선을 회수하고 일관된 테마를 유지하는 '장기 서사 무결성 정책'을 실현함(RL Update). +- **정책 변화(RL Update)**: AI가 쓴 글에 대한 저작권 인정 여부 정책이 국가마다 다르게 수립 중이며, '인간 작가의 전문성' 지위를 보호하기 위해 AI 생성물 표기 의무화 정책이 창작 생태계의 기본 수칙으로 정착됨. + +## 🔗 지식 연결 (Graph) +- [[Role of Conflict in Narrative]], [[Structuralism]], [[Aesthetic-Value]], Foundational Models, [[Ps-Reinforce]] +- **Modern Tech/Tools**: AI Dungeon, NovelAI, Sudowrite, ChatGPT for screenwriting. +--- diff --git a/10_Wiki/Topics/AI for Social Good.md b/10_Wiki/Topics/AI for Social Good.md new file mode 100644 index 00000000..2dfedcfe --- /dev/null +++ b/10_Wiki/Topics/AI for Social Good.md @@ -0,0 +1,33 @@ +--- +id: P-REINFORCE-AUTO-AIFG-001 +category: "10_Wiki/💡 Topics/AI" +confidence_score: 0.95 +tags: [auto-reinforced, ai4good, social-impact, sustainability, humanitarian-ai, global-goals] +last_reinforced: 2026-04-20 +--- + +# [[AI for Social Good]] + +## 📌 한 줄 통찰 (The Karpathy Summary) +> "선한 영향력의 지능적 확장: 기술적 우위를 단순히 수익 창출에만 쓰지 않고, 기후 변화, 질병 퇴치, 교육 격차 해소 등 인류가 직면한 거대 난제를 해결하는 데 집중하는 따뜻한 AI." + +## 📖 구조화된 지식 (Synthesized Content) +사익을 위한 AI(AI for Social Good, AI4SG)는 기술의 잠재력을 사회적 가치 창출과 지속 가능한 발전을 위해 활용하는 운동이자 연구 분야입니다. + +1. **주요 타겟 분야 (UN SDGs 연계)**: + * **Health**: 전염병 확산 예측, 희귀 질환 신약 개발 가속화, 원격 의료 지원. + * **Environment**: 위성 데이터를 통한 산림 파괴 감시, 정밀 농업을 통한 비료 낭비 방지, 에너지 망 최적화. + * **Education**: 소외 지역 아이들을 위한 개인화된 AI 튜터, 실시간 다국어 교육 번역. + * **Safety**: 재난 발생 시 골든타임 확보를 위한 구호 경로 최적화 및 인구 이동 분석. +2. **핵심 원칙**: + * **Inclusivity**: 특정 집단이 아닌 소외된 계층까지 기술의 혜택이 닿아야 함. + * **Transparency**: 사회적 의사결정에 쓰이는 AI는 과정이 투명해야 함. + +## ⚠️ 모순 및 업데이트 (Contradictions & RL Update) +- **과거 데이터와의 충돌**: 과거에는 기술 사회 공헌을 기업의 '선택적 기부' 정책 정도로 보았으나, 현대 사회 정책은 AI를 공공재(Public Goods)의 일부로 인식하고 기술 설계 단계부터 공익성을 내재화하는 '내재적 공익 정책'을 장려함(RL Update). +- **정책 변화(RL Update)**: 공익용 AI 개발 시 데이터 가용성의 한계를 극복하기 위해, 각국 정부가 공공 데이터를 'AI4SG 전용'으로 개방하고 연구 자금을 지원하는 '디지털 임팩트 펀드 정책'이 글로벌 트렌드가 됨. + +## 🔗 지식 연결 (Graph) +- [[Wicked-Problems]], [[AI & Data Sovereignty]], [[Universal Basic Income (UBI)]], Foundational Models, [[Scientific Communication]] +- **Modern Tech/Tools**: Google AI for Social Good program, Microsoft AI for Earth, UN Global Pulse. +--- diff --git a/10_Wiki/Topics/AI 거버넌스 정책(AI Usage Policy).md b/10_Wiki/Topics/AI 거버넌스 정책(AI Usage Policy).md new file mode 100644 index 00000000..a1cde60b --- /dev/null +++ b/10_Wiki/Topics/AI 거버넌스 정책(AI Usage Policy).md @@ -0,0 +1,27 @@ +--- +id: P-REINFORCE-AI-GOV-POLICY +category: "10_Wiki/💡 Topics/AI" +confidence_score: 0.99 +tags: [AI Governance, Policy, Compliance, Risk Management] +last_reinforced: 2026-04-20 +--- + +# AI-거버넌스-정책(AI-Usage-Policy) + +## 📌 한 줄 통찰 (The Karpathy Summary) +> "자율에는 책임이 따른다." 조직 내 AI 도입이 법적, 윤리적, 보안적으로 안전한 궤도를 유지하도록 규정하는 의사결정 프레임워크이자 규율이다. + +## 📖 구조화된 지식 (Synthesized Content) +- **Data Privacy & IP Protection**: + - 기업의 민감 데이터나 지식 재산권이 외부 AI 서비스의 학습 데이터로 유출되지 않도록 하는 차단 가이드라인. +- **Human-in-the-loop**: + - 중요한 비즈니스 의사결정이나 콘텐츠 생성 결과물에 대해 반드시 인간이 최종 검토하고 책임을 지게 하는 원칙. +- **Accountability Framework**: + - AI 오작동으로 인한 피해 발생 시, 누가 책임을 지고 어떻게 복구할 것인지에 대한 법적 대응 절차. + +## ⚠️ 모순 및 업데이트 (RL Update) +- 정책이 너무 경직되면 조직의 혁신 속도가 죽는다. 따라서 '무조건 금지'가 아니라, 승인된 도구 내에서 안전하게 실험할 수 있는 '샌드박스 정책'과 주기적인 'AI 리터러시 교육'이 병행되어야 한다. + +## 🔗 지식 연결 (Graph) +- Related: [[Security-Governance]] , AI-Ethics +- Authority: [[Deployment_Final_Gate]] diff --git a/10_Wiki/Topics/AI 생성 코드 검증(AI Code Assurance).md b/10_Wiki/Topics/AI 생성 코드 검증(AI Code Assurance).md new file mode 100644 index 00000000..5f80c6bb --- /dev/null +++ b/10_Wiki/Topics/AI 생성 코드 검증(AI Code Assurance).md @@ -0,0 +1,39 @@ +--- +id: P-REINFORCE-AUTO-254BE9 +category: "10_Wiki/💡 Topics/AI" +confidence_score: 0.90 +tags: [auto-reinforced] +last_reinforced: 2026-04-20 +github_commit: "[P-Reinforce] Continuous Worker - AI 생성 코드 검증(AI Code Assurance)" +--- + +# [[AI 생성 코드 검증(AI Code Assurance)]] + +## 📌 한 줄 통찰 (The Karpathy Summary) +> AI Code Assurance(AI 생성 코드 검증)는 AI가 생성하거나 지원한 코드로 인해 발생할 수 있는 고유한 품질 및 보안 위험을 해결하기 위해 설계된 워크플로우이자 검증 프로세스입니다 [1]. 이를 통해 조직은 AI가 작성한 코드가 프로덕션 환경에 배포되기 전에 엄격한 보안, 신뢰성 및 품질 표준을 충족하는지 확인할 수 있습니다 [1, 2]. 주로 정적 애플리케이션 보안 테스트(SAST)와 자동화된 코드 리뷰를 활용하여 결함과 취약점을 조기에 식별하고 일관된 표준을 강제합니다 [2, 3]. + +## 📖 구조화된 지식 (Synthesized Content) +- **목적 및 필요성** + AI 어시스턴트가 생성한 코드는 스타일과 품질 측면에서 매우 일관성이 없고 변동성이 클 수 있습니다 [4, 5]. AI Code Assurance의 목적은 전체 소프트웨어 개발 수명 주기(SDLC)에서 AI 생성 코드의 비율이 증가하더라도 인간이 작성한 코드와 동일한 품질 게이트(Quality Gate) 표준을 적용하여, 유지보수성과 보안에 대한 일관된 규칙을 강제하는 것입니다 [1, 5]. + +- **주요 기능 및 작동 방식** + - **AI 코드 감지 및 추적:** 시스템은 프로젝트 내에 AI 생성 코드가 존재함을 자동으로 감지하거나 개발자가 직접 태그를 지정할 수 있게 합니다 [3]. 이를 통해 명확한 라벨링과 배지를 부여하여 AI 코드의 관리, 유지보수 및 규정 준수 모니터링을 간소화합니다 [3]. + - **정적 코드 분석(SAST) 적용:** 결정론적(deterministic)이고 독립적인 코드 검증 방식인 정적 코드 분석과 오염 분석(Taint Analysis)을 사용하여 코드를 스캔합니다 [4, 6]. 이를 통해 보안 취약점, 유출된 비밀 정보, 코드 냄새(Code smells), 논리적 결함 및 성능 위험을 풀 리퀘스트(Pull Request) 단계에서 조기에 표면화합니다 [4, 6, 7]. + - **워크플로우 및 에이전트 통합:** IDE부터 CI/CD 파이프라인에 이르기까지 기존 개발 워크플로우에 원활하게 통합됩니다 [6, 8]. 특히, MCP(Model Context Protocol)를 통해 Cursor, Claude Code, Windsurf와 같은 AI 코딩 에이전트와 직접 연결되어, 코드가 생성되는 실시간 대화 흐름 속에서 보안 핫스팟 분석 및 피드백을 제공합니다 [4, 8, 9]. + +- **기대 효과** + 위험도가 가장 높은 문제를 자동으로 강조 표시하여 코드 리뷰어의 피로도를 크게 줄여주며, 배포 주기를 단축합니다 [4]. 또한 조직은 PCI, OWASP, CWE와 같은 널리 통용되는 규정 준수 및 보안 표준을 충족하면서 신뢰성 있게 AI 기여(contribution)를 수용할 수 있습니다 [10, 11]. + +## ⚠️ 모순 및 업데이트 (Contradictions & RL Update) +- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요. +- **정책 변화:** AI 분야의 자동 자산화 수행. + +## 🔗 지식 연결 (Graph) +- **Related Topics:** [[Static Application Security Testing (SAST)]], [[Model Context Protocol (MCP)]], Automated Code Review +- **Projects/Contexts:** SonarQube Server, SonarQube Cloud +- **Contradictions/Notes:** 소스에 따르면 AI 어시스턴트가 생성하는 코드는 본질적으로 일관성이 없고 예측하기 어려울 수 있지만, 이에 적용되는 정적 코드 분석 기술은 '결정론적(deterministic)'이므로 AI 코드의 불확실성을 극복하고 신뢰할 수 있는 독립적인 검증을 제공할 수 있다고 강조합니다 [4]. + +--- +*Last updated: 2026-04-19* + +--- diff --git a/10_Wiki/Topics/AI 에이전트 (AI Agent).md b/10_Wiki/Topics/AI 에이전트 (AI Agent).md new file mode 100644 index 00000000..440287c6 --- /dev/null +++ b/10_Wiki/Topics/AI 에이전트 (AI Agent).md @@ -0,0 +1,27 @@ +--- +id: P-REINFORCE-AI-AGENT +category: "10_Wiki/💡 Topics/AI" +confidence_score: 1.0 +tags: [AI Agent, Autonomy, Planning, Reasoning, Action] +last_reinforced: 2026-04-20 +--- + +# AI-에이전트-(AI-Agent) + +## 📌 한 줄 통찰 (The Karpathy Summary) +> "단순한 계산기에서 자율적인 일꾼으로." 스스로 목표를 설정하고, 계획을 세우며, 도구(Browser, Terminal 등)를 사용하여 주어진 과업을 끝까지 완수하는 자율적 지능체다. + +## 📖 구조화된 지식 (Synthesized Content) +- **Planning & Reasoning**: + - 거대 언어 모델(LLM)을 두뇌로 삼아 복잡한 문제를 작은 단계로 분해(Chain-of-Thought)하고 전략을 수립한다. +- **Action & Tool Use**: + - API 호출, 웹 검색, 코드 실행 등 외부 환경과 상호작용할 수 있는 인터페이스를 통해 실제 세계에 변화를 일으킨다. +- **Memory Management**: + - 대화의 맥락(Short-term)과 과거 지식(Long-term)을 RAG나 체크포인트 형태로 유지하여 일관된 수행 능력을 보유한다. + +## ⚠️ 모순 및 업데이트 (RL Update) +- 현재의 에이전트는 '무한 루프'나 '환각'에 빠질 위험이 크다. 이를 극복하기 위해 에이전트가 자신의 결과물을 스스로 검토하는 'Self-Correction' 루프와, 인간이 중간에 개입하는 'Human-in-the-loop' 설계가 필수적이다. + +## 🔗 지식 연결 (Graph) +- Related: Multi-Agent-System-(다중-에이전트-시스템) , Agent-Communication-Protocol-(에이전트-통신-규약) +- Deployment: [[Deployment_Final_Gate]] diff --git a/10_Wiki/Topics/AI 코드 리뷰 및 보안 취약점 점검(DevSecOps).md b/10_Wiki/Topics/AI 코드 리뷰 및 보안 취약점 점검(DevSecOps).md new file mode 100644 index 00000000..e9400612 --- /dev/null +++ b/10_Wiki/Topics/AI 코드 리뷰 및 보안 취약점 점검(DevSecOps).md @@ -0,0 +1,40 @@ +--- +id: P-REINFORCE-AUTO-4DB2F8 +category: "10_Wiki/💡 Topics/AI" +confidence_score: 0.90 +tags: [auto-reinforced] +last_reinforced: 2026-04-20 +github_commit: "[P-Reinforce] Continuous Worker - AI 코드 리뷰 및 보안 취약점 점검(DevSecOps)" +--- + +# [[AI 코드 리뷰 및 보안 취약점 점검(DevSecOps)]] + +## 📌 한 줄 통찰 (The Karpathy Summary) +> AI 코드 리뷰 및 보안 취약점 점검(DevSecOps)은 소프트웨어 개발 수명 주기(SDLC)의 초기 단계에 AI 기반의 자동화된 정적 분석(SAST)과 인간의 수동 리뷰를 결합하여 코드의 품질과 보안을 선제적으로 확보하는 프로세스입니다 [1, 2]. 개발자는 IDE 내부나 CI/CD 파이프라인의 Pull Request(PR) 단계에서 실시간으로 버그, 로직 결함, 보안 취약점(예: 인젝션, 민감 정보 노출)을 식별하고 수정할 수 있습니다 [3-6]. 결과적으로 기계적이고 반복적인 코드 스타일 검사 및 패턴 기반 취약점 탐지는 AI에 위임하고, 인간은 아키텍처 결정이나 도메인 종속적인 비즈니스 로직을 검토하는 '하이브리드' 방식을 통해 개발 속도와 보안성의 균형을 맞춥니다 [2, 7, 8]. + +## 📖 구조화된 지식 (Synthesized Content) +* **하이브리드 코드 리뷰 모델의 부상** + 2025년 기준 가장 이상적이고 안전한 코드 리뷰 방식은 자동화 도구와 인간의 통찰력을 결합한 하이브리드 모델입니다 [2]. 자동화된 리뷰 도구는 수천 줄의 코드를 단 몇 분 만에 스캔하여 문법 오류, 알려진 보안 취약점 패턴, 코드 스타일 위반 등을 일관성 있게 찾아냅니다 [6, 9]. 하지만 이러한 도구들은 시스템의 의도나 비즈니스 로직을 이해하는 데 한계가 있습니다 [10]. 따라서 자동화 스캔을 1차 방어선으로 사용하여 일상적인 문제를 해결하고, 고위험 아키텍처, 인증 로직, 교차 서비스 통신 및 비즈니스 규칙 검증과 같은 복잡한 판단은 숙련된 개발자의 수동 리뷰를 통해 진행해야 합니다 [11-14]. + +* **AI 기반 정적 애플리케이션 보안 테스트(SAST)** + 전통적인 SAST 도구는 규칙과 패턴 매칭에 의존하여 높은 오탐률(False Positive)과 알림 피로도를 유발했습니다 [10, 15, 16]. 그러나 Snyk Code, Corgea, GitHub Advanced Security와 같은 최신 AI 네이티브 SAST 도구들은 머신러닝과 대규모 언어 모델(LLM)을 결합하여 코드의 문맥(Semantic)을 파악합니다 [17-20]. 이 도구들은 오염 분석(Taint analysis)과 도달 가능성(Reachability)을 분석해 파일 간 데이터를 추적하며 실제 악용 가능한 위협만을 효과적으로 필터링합니다 [19, 21, 22]. 또한 Copilot Autofix나 DeepCode AI Fix처럼 발견된 취약점에 대해 검증된 수정안(Remediation)을 PR 단계에서 자동으로 제안하여 리뷰 시간을 대폭 단축시킵니다 [23-25]. + +* **시프트 레프트(Shift-Left)와 파이프라인 자동화** + DevSecOps의 핵심은 소프트웨어 병합 및 배포 전에 보안 및 품질 문제를 원천 차단하는 시프트 레프트 전략입니다 [1, 26]. Husky와 lint-staged 등의 도구를 활용해 Git 사전 커밋(Pre-commit) 훅을 설정하면, 변경된 파일에 대해서만 ESLint(로직/품질)와 Prettier(포맷팅)를 강제 적용할 수 있습니다 [27-29]. 이후 CI/CD 파이프라인 내에 SAST 및 소프트웨어 구성 분석(SCA) 도구를 통합하여 임계치 이상의 치명적 취약점이 포함된 코드는 메인 브랜치로 병합되지 못하도록 '품질 게이트' 역할을 수행하게 합니다 [30, 31]. + +* **자동화의 한계 및 AI 거버넌스 정책** + 강력한 자동화 도구라 할지라도 맹신은 위험합니다. 연구에 따르면 SAST 및 자동화 도구는 실제 취약점의 약 22%를 감지하지 못하며 [32, 33], 개발자들이 자동화 시스템의 '녹색 체크마크'만 보고 코드를 제대로 이해하지 않은 채 통과시키는 '녹색 체크마크 증후군(Green Check Mark Syndrome)'과 같은 인지적 나태함을 유발할 수 있습니다 [34, 35]. 기업은 승인되지 않은 퍼블릭 AI 모델에 독점 소스 코드나 고객 데이터가 유출되지 않도록 명확한 AI 사용 정책(AUP)을 수립해야 합니다 [36-38]. 또한 AI가 생성하거나 수정한 코드라도 최종적으로는 반드시 인간 엔지니어의 엄격한 수동 리뷰를 거쳐 이해와 책임을 보장하는 'Human-in-the-Loop' 원칙을 준수해야 합니다 [38, 39]. + +## ⚠️ 모순 및 업데이트 (Contradictions & RL Update) +- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요. +- **정책 변화:** AI 분야의 자동 자산화 수행. + +## 🔗 지식 연결 (Graph) +- **Related Topics:** [[정적 애플리케이션 보안 테스트(SAST)]], [[시프트 레프트(Shift-Left)]], [[하이브리드 코드 리뷰]] +- **Projects/Contexts:** CI/CD 파이프라인 통합 및 Git 훅(Hooks) +- **Contradictions/Notes:** 자동화 도구를 적극적으로 옹호하는 입장에서는 AI 기반 코드 리뷰와 수정안 자동 생성 기능이 개발자의 업무를 크게 대체하고 생산성을 극대화한다고 주장하지만, 보안 전문가 및 실제 성능 벤치마크 결과(Augment Code 등)에 따르면 자동화 도구는 여전히 30~60%의 오탐률을 보이며 실제 취약점의 약 22%를 놓치는 근본적 사각지대가 존재하므로, 아키텍처 설계와 비즈니스 로직에는 기계가 아닌 인간의 수동 판단이 필수 불가결하다고 반박합니다. + +--- +*Last updated: 2026-04-18* + +--- diff --git a/10_Wiki/Topics/AI 코드 리뷰.md b/10_Wiki/Topics/AI 코드 리뷰.md new file mode 100644 index 00000000..67b9c797 --- /dev/null +++ b/10_Wiki/Topics/AI 코드 리뷰.md @@ -0,0 +1,33 @@ +--- +id: P-REINFORCE-AUTO-76F9E4 +category: "10_Wiki/💡 Topics/AI" +confidence_score: 0.90 +tags: [auto-reinforced] +last_reinforced: 2026-04-20 +github_commit: "[P-Reinforce] Continuous Worker - AI 코드 리뷰" +--- + +# [[AI 코드 리뷰]] + +## 📌 한 줄 통찰 (The Karpathy Summary) +> AI 코드 리뷰는 인공지능 에이전트나 머신러닝(ML) 기반의 정적 분석 도구(SAST)를 활용하여 소스 코드의 결함, 보안 취약점, 스타일 위반 및 로직 오류를 식별하는 자동화 프로세스입니다 [1-3]. IDE, CI/CD 파이프라인, 풀 리퀘스트(PR) 등 개발 워크플로우에 통합되어 개발자에게 실시간에 가까운 피드백과 자동 수정(Auto-fix) 제안을 제공합니다 [2, 4-8]. 이를 통해 코드 리뷰의 대기 시간을 줄이고 일관된 품질 표준을 강제할 수 있지만, 아키텍처 의도나 비즈니스 로직의 문맥을 깊이 이해하는 데는 한계가 있어 인간 검토자와의 하이브리드 접근 방식이 필수적으로 요구됩니다 [5, 9-12]. + +## 📖 구조화된 지식 (Synthesized Content) +- **작동 방식 및 주요 기술**: 기존의 규칙 기반 정적 분석에 머신러닝(ML), 대규모 언어 모델(LLM) 등을 결합하여 코드의 문맥, 데이터 흐름(Data flow), 오염 추적(Taint analysis) 등을 시맨틱하게 분석합니다 [4, 13-18]. +- **주요 이점**: 대규모 코드베이스를 단 몇 초에서 몇 분 안에 스캔하여 보안 취약점과 버그를 조기에 발견합니다 [19, 20]. 시니어 검토자의 큐(Queue)에서 저위험군 코멘트를 제거하여 PR 검토 주기를 최대 40%까지 단축시키며, 결과적으로 인간 검토자가 아키텍처 설계와 비즈니스 로직에 집중할 수 있도록 돕습니다 [5, 11, 19]. +- **한계점 및 위험성**: AI는 코드의 전반적인 아키텍처 의도나 비즈니스 로직을 완벽히 이해하지 못하는 '문맥 맹점(Context Blindness)'을 지닙니다 [12, 21, 22]. 또한, 오탐지(False Positives)를 발생시키거나 환각(Hallucination)에 의한 잘못된 수정안을 제안할 위험이 존재하며, 검토자가 AI를 맹신하여 비판적 사고가 저하되는 '녹색 체크 표시 증후군(Green Check Mark Syndrome)'을 초래할 수 있습니다 [12, 23-25]. +- **하이브리드 리뷰 모델 및 거버넌스**: 2025년 이후의 현대 소프트웨어 개발에서는 AI 자동화 리뷰와 인간의 수동 리뷰를 결합한 '하이브리드(Hybrid) 리뷰'가 모범 사례로 꼽힙니다 [9-11, 26-28]. 일반적인 취약점 패턴이나 문법 등 기계적인 검증은 AI 도구에 맡기고, 도메인 특화 비즈니스 로직이나 교차 서비스 영향도 평가는 인간이 담당해야 합니다 [28, 29]. 아울러 지적 재산(IP) 유출 방지와 보안을 위해 "인간 개입(Human-in-the-Loop)"을 의무화하는 명확한 AI 사용 정책(Governance) 수립이 필수적입니다 [30-34]. + +## ⚠️ 모순 및 업데이트 (Contradictions & RL Update) +- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요. +- **정책 변화:** AI 분야의 자동 자산화 수행. + +## 🔗 지식 연결 (Graph) +- **Related Topics:** [[SAST]], 풀 리퀘스트(Pull Request), [[DevSecOps]] +- **Projects/Contexts:** [[SonarQube]], Snyk Code, GitHub Advanced Security, [[Corgea]] +- **Contradictions/Notes:** AI 코드 리뷰 도구의 도입만으로는 배포 성능이나 품질이 보장되지 않는다는 점에 유의해야 합니다. 맹목적인 도구 도입과 높은 AI 사용률에도 불구하고 실제 PR 처리 시간이나 재작업 비율은 개선되지 않을 수 있으므로, 결과(DORA 지표 등)에 기반한 관리가 중요합니다 [35-37]. 또한 일부 AI 네이티브 도구들은 오탐률을 혁신적으로 줄였다고 주장하지만(예: Corgea 5% 미만, Veracode 1.1% 미만), 근본적으로 어떠한 도구도 오탐을 완벽히 제거할 수는 없으므로 인간의 검토와 검증 과정이 반드시 수반되어야 합니다 [38-40]. + +--- +*Last updated: 2026-04-19* + +--- diff --git a/10_Wiki/Topics/AI-Alignment.md b/10_Wiki/Topics/AI-Alignment.md new file mode 100644 index 00000000..f73418ee --- /dev/null +++ b/10_Wiki/Topics/AI-Alignment.md @@ -0,0 +1,28 @@ +--- +id: ALIGN-001 +category: "10_Wiki/💡 Topics/AI" +confidence_score: 1.0 +tags: [ai-safety, alignment, rlhf, ai-ethics, trustworthy-ai] +last_reinforced: 2026-04-26 +--- + +# AI Alignment (AI 정렬) + +## 📌 한 줄 통찰 (The Karpathy Summary) +> "AI의 목표와 인류의 가치를 한 방향으로 일치시켜라" — 고도로 발달한 AI 시스템이 인간의 의도와 안전, 윤리적 기준을 벗어나지 않고 인간에게 유익한 방향으로 행동하도록 보장하는 기술적 연구 분야. + +## 📖 구조화된 지식 (Synthesized Content) +- **추출된 패턴:** 모델이 수행하는 최적화 목표(Objective Function)가 인간이 실제로 바라는 결과와 일치하도록 보상 함수와 학습 데이터를 세밀하게 조정하는 정렬 패턴. +- **핵심 과제:** + - **Outer Alignment:** 보상 함수 자체를 인간의 의도에 맞게 정확히 설계하는 문제. + - **Inner Alignment:** 모델이 학습 과정에서 개발자도 예상치 못한 잘못된 내부 목표(예: 전원 꺼짐 회피)를 갖지 않도록 제어하는 문제. + - **Scalable Oversight:** 인간이 직접 평가하기 어려운 복잡한 태스크를 AI가 수행할 때 어떻게 정렬 상태를 감시할 것인가. +- **주요 기법:** RLHF, RLAIF (AI 피드백을 통한 정렬), 헌법적 AI (Constitutional AI). + +## ⚠️ 모순 및 업데이트 (Contradictions & RL Update) +- **과거 데이터와의 충돌:** 단순히 '나쁜 말 안 하기' 수준의 필터링에서, 초지능(Superintelligence) 단계에서의 통제 가능성과 인류 생존 문제로 논의가 심화됨. +- **정책 변화:** Antigravity 프로젝트는 모든 에이전트의 스킬 설계 시 '인간 중심적 가치'를 최우선 순위로 두며, 정기적인 Alignment Audit(정렬 감사)을 통해 에이전트의 거동을 점검함. + +## 🔗 지식 연결 (Graph) +- [[Reinforcement-Learning-from-Human-Feedback-RLHF]], [[Trustworthy-AI]], AI-Safety, [[AGI]] +- **Raw Source:** 10_Wiki/Topics/AI/AI-Alignment.md diff --git a/10_Wiki/Topics/AI-Answer-Engine-Optimization.md b/10_Wiki/Topics/AI-Answer-Engine-Optimization.md new file mode 100644 index 00000000..d0455968 --- /dev/null +++ b/10_Wiki/Topics/AI-Answer-Engine-Optimization.md @@ -0,0 +1,29 @@ +--- +id: MKT-AEO-001 +category: "10_Wiki/💡 Topics/AI" +confidence_score: 1.0 +tags: [aeo, geo, seo, generative-ai, chatgpt, search-generative-experience, structured-data, ssr] +last_reinforced: 2026-04-26 +--- + +# AI Answer Engine Optimization (AEO, AI 답변 엔진 최적화) + +## 📌 한 줄 통찰 (The Karpathy Summary) +> "전통적인 검색창의 '목록'에 머물지 말고, 생성형 AI의 '입(답변)'이 되어 브랜드의 가시성을 인용구(Citation)라는 새로운 권력으로 재편하라" — AI 답변 엔진과 챗봇이 웹 콘텐츠를 신뢰할 수 있는 출처로 채택하도록 최적화하는 차세대 검색 전략. + +## 📖 구조화된 지식 (Synthesized Content) +- **추출된 패턴:** "Crawlable Authority and Direct Answer Mapping" — 대규모 AI 크롤러가 JavaScript 실행 비용 없이도 콘텐츠를 즉시 합성할 수 있도록 '사전 렌더링된 HTML'과 '구조화된 데이터'를 제공하는 패턴. +- **AEO 달성 핵심 전략:** + - **JS Execution Wall 제거:** AI 봇(GPTBot 등)은 비용 문제로 JS를 실행하지 않는 경우가 많으므로, SSR/SSG를 통해 원본 HTML에 핵심 콘텐츠를 노출. + - **Semantic Clarity:** `
`, `
` 태그를 활용해 AI가 핵심 내용과 주변 요소를 즉시 구분하도록 설계. + - **JSON-LD Schema Markup:** 페이지의 실체(Entity)와 답변의 맥락을 머신러닝 모델이 오해 없이 이해하도록 명시적 신호 제공. + - **Q&A Formatting:** 질문(H2)과 간결한 답변 구조를 통해 AI 오버뷰(SGE)에 직접 인용될 확률 극대화. +- **의의:** '검색 결과 클릭' 중심의 시대에서 '답변 내 인용 및 신뢰도 확보' 중심으로 이동하는 AI 시대의 디지털 마케팅 생존법. + +## ⚠️ 모순 및 업데이트 (Contradictions & RL Update) +- **과거 데이터와의 충돌:** 과거 SEO는 사용자 클릭 유도를 위한 자극적 제목이 중요했으나, AEO 정책은 AI가 답변을 요약하기 좋게 만드는 '정보의 정합성'과 '구조적 명확성' 정책을 최우선으로 함. +- **정책 변화:** Antigravity 프로젝트는 모든 지식 문서를 AEO 친화적인 Karpathy Summary 포맷으로 유지하며, 에이전트의 지식 추출 효율을 위해 JSON-LD 스키마를 자동 생성하여 메타데이터에 포함하는 정책을 시행함. + +## 🔗 지식 연결 (Graph) +- SEO-Foundations, Generative-Engine-Optimization, Server-Side-Rendering-SSR, Structured-Data-Markup, Semantic-HTML +- **Raw Source:** 00_Raw/AI Answer Engine Optimization.md diff --git a/10_Wiki/Topics/AI-Driven Narrative Systems.md b/10_Wiki/Topics/AI-Driven Narrative Systems.md new file mode 100644 index 00000000..cbe68952 --- /dev/null +++ b/10_Wiki/Topics/AI-Driven Narrative Systems.md @@ -0,0 +1,25 @@ +--- +id: P-REINFORCE-8DB819 +category: "10_Wiki/💡 Topics/AI & Narrative" +confidence_score: 0.95 +tags: [] +last_reinforced: 2026-04-20 +github_commit: "[P-Reinforce] Batch 10 - Wikified AI-Driven Narrative Systems" +--- + +# [[AI-Driven Narrative Systems]] + +## 📌 한 줄 통찰 (The Karpathy Summary) +> 핵심 내용 요약 예정 + +## 📖 구조화된 지식 (Synthesized Content) +세부 본문 내용 구성 예정 + +## ⚠️ 모순 및 업데이트 (Contradictions & RL Update) +- **과거 데이터와의 충돌:** 신규 지식 유입에 따른 기존 지식과의 정합성 검증 단계. +- **정책 변화:** AI & Narrative 분야의 체계적 지식 자산화 진행. + +## 🔗 지식 연결 (Graph) + + +--- diff --git a/10_Wiki/Topics/AI-Overviews-and-SGE.md b/10_Wiki/Topics/AI-Overviews-and-SGE.md new file mode 100644 index 00000000..dd1d1cf2 --- /dev/null +++ b/10_Wiki/Topics/AI-Overviews-and-SGE.md @@ -0,0 +1,29 @@ +--- +id: MKT-SGE-001 +category: "10_Wiki/💡 Topics/AI" +confidence_score: 1.0 +tags: [sge, ai-overviews, google-search, aeo, citation, search-generative-experience, seo] +last_reinforced: 2026-04-26 +--- + +# AI Overviews and SGE (AI 오버뷰 및 생성형 검색 경험) + +## 📌 한 줄 통찰 (The Karpathy Summary) +> "검색 결과의 '목록'에 나열되는 것을 넘어, 구글이 직접 생성하는 답변 박스(AI Overview)의 '원천 데이터'로 선택받아 정보의 최상위 권위를 획득하라" — 구글의 Search Generative Experience(SGE) 환경에서 콘텐츠 가시성을 확보하기 위한 노출 최적화 전략. + +## 📖 구조화된 지식 (Synthesized Content) +- **추출된 패턴:** "Structural Authority and Direct Citation Yield" — 복잡한 레이아웃 뒤에 숨겨진 정보가 아닌, 시각적 계층 구조가 명확하고 질문-답변 형식이 뚜렷한 콘텐츠를 AI가 즉시 합성(Synthesize)할 수 있도록 설계하는 패턴. +- **노출 극대화 핵심 요소:** + - **Visual Hierarchy:** 깔끔한 디자인과 명확한 제목 계층(H1-H3)을 통해 AI가 핵심 답변 구간을 오차 없이 식별하게 함. + - **Direct Answer Formatting:** 명확한 질문 뒤에 즉각적이고 간결한 답변을 배치하는 구조를 선호함. + - **Schema.org Utilization:** JSON-LD를 통해 해당 섹션이 FAQ나 주요 설명임을 검색 엔진에 명시적으로 통지. + - **Performance Prerequisite:** Core Web Vitals(LCP, INP, CLS)를 통과하는 페이지가 AI 오버뷰에 채택될 확률이 유의미하게 높음. +- **의의:** 제로 클릭 검색(Zero-click Search) 시대에 사용자의 질문에 대한 '정답'으로 인용됨으로써 브랜드 신뢰도를 구축하고 고품질 트래픽을 유도함. + +## ⚠️ 모순 및 업데이트 (Contradictions & RL Update) +- **과거 데이터와의 충돌:** 과거에는 사용자를 사이트로 유입시키기 위해 정보를 의도적으로 감추는 '낚시성 제목'이 통했으나, SGE 정책하에서는 AI가 즉시 요약할 수 있도록 정보를 투명하고 구조적으로 제공하는 '투명성 정책'이 노출의 핵심이 됨. +- **정책 변화:** Antigravity 프로젝트는 모든 공용 지식 데이터 배포 시 SGE 크롤러가 자바스크립트 실행 없이 읽을 수 있도록 사전 렌더링(Pre-rendering)을 강제하며, AI가 선호하는 Q&A 블록을 본문에 반드시 포함하는 정책을 시행함. + +## 🔗 지식 연결 (Graph) +- [[AI-Answer-Engine-Optimization]], Generative-Engine-Optimization, [[Core-Web-Vitals]], Semantic-HTML, Structured-Data-Markup +- **Raw Source:** 00_Raw/AI Overviews (SGE).md, 00_Raw/AI Overviews Visibility.md, 00_Raw/AI Overviews.md diff --git a/10_Wiki/Topics/AI-Personalization-and-Adaptive-UX.md b/10_Wiki/Topics/AI-Personalization-and-Adaptive-UX.md new file mode 100644 index 00000000..14f76496 --- /dev/null +++ b/10_Wiki/Topics/AI-Personalization-and-Adaptive-UX.md @@ -0,0 +1,28 @@ +--- +id: UX-AI-ADAPTIVE-001 +category: "10_Wiki/💡 Topics/AI" +confidence_score: 1.0 +tags: [ux, ai, personalization, adaptive-ux, predictive-ux, progressive-disclosure, user-engagement] +last_reinforced: 2026-04-26 +--- + +# AI Personalization and Adaptive UX (AI 개인화 및 적응형 UX) + +## 📌 한 줄 통찰 (The Karpathy Summary) +> "정적인 인터페이스를 사용자의 실시간 의도와 맥락에 반응하는 살아있는 유기체로 변모시키고, 개별 사용자에게 최적화된 최단 경로를 동적으로 제시하라" — AI와 데이터 분석을 통해 사용자별 맞춤형 경험을 실시간으로 구현하는 고도화된 UX 전략. + +## 📖 구조화된 지식 (Synthesized Content) +- **추출된 패턴:** "Contextual Fluidity and Predictive Guidance" — 사용자의 과거 행동 데이터, 현재 세그먼트, 실시간 인터랙션을 분석하여 인터페이스의 구성 요소, 난이도, 기능을 동적으로 재구성하는 패턴. +- **주요 구현 기법:** + - **Adaptive Learning Paths:** 학습자의 성취도에 따라 콘텐츠의 난이도와 진행 경로를 실시간으로 조정. + - **Progressive Disclosure:** 사용자의 숙련도나 역할에 따라 복잡한 기능을 단계적으로 노출하여 인지 과부하 방지. + - **Predictive Interfaces:** 다음에 필요할 것으로 예측되는 버튼이나 정보를 미리 강조하거나 배치. +- **의의:** '모두를 위한 하나의 디자인(One-size-fits-all)'에서 벗어나, 초개인화(Hyper-personalization)를 통해 이탈률을 낮추고 전환율 및 고객 생애 가치(LTV)를 극대화함. + +## ⚠️ 모순 및 업데이트 (Contradictions & RL Update) +- **과거 데이터와의 충돌:** 과거에는 정해진 규칙 기반(Rule-based)의 개인화에 머물렀으나, 현재는 실시간 머신러닝 모델이 사용자의 미세한 마이크로 인터랙션을 학습하여 즉각적으로 반응하는 '지능형 적응' 정책으로 진화함. +- **정책 변화:** Antigravity 프로젝트는 '개인화와 프라이버시의 균형' 정책을 준수하며, 모든 개인화 데이터 수집 시 사용자에게 투명하게 고지하고 스스로 최적화 수준을 결정할 수 있는 옵션을 제공함. + +## 🔗 지식 연결 (Graph) +- User-Centered-Design, [[A-B-Testing-and-Data-Driven-UX]], Predictive-UX, [[Micro-interactions]], [[Ethical-Decision-Making]] +- **Raw Source:** 00_Raw/AI 개인화 및 적응형 UX.md, 00_Raw/Adaptive UX.md diff --git a/10_Wiki/Topics/AI-Search-Optimization.md b/10_Wiki/Topics/AI-Search-Optimization.md new file mode 100644 index 00000000..7684fbcf --- /dev/null +++ b/10_Wiki/Topics/AI-Search-Optimization.md @@ -0,0 +1,28 @@ +--- +id: MKT-AI-SEARCH-001 +category: "10_Wiki/💡 Topics/AI" +confidence_score: 1.0 +tags: [ai-search, geo, aeo, semantic-entity-mapping, seo, future-of-search, knowledge-graph, generative-engine-optimization] +last_reinforced: 2026-04-26 +--- + +# AI Search Optimization (AI 검색 최적화) + +## 📌 한 줄 통찰 (The Karpathy Summary) +> "단순한 키워드 매칭의 시대에서 '의미론적 엔티티 매핑(Semantic Entity Mapping)'의 시대로 전환하고, AI 에이전트가 내 지식의 구조를 단번에 파악할 수 있도록 지식의 해상도를 높여라" — 챗봇, 답변 엔진 및 AI 에이전트를 타겟으로 하는 최신 검색 엔진 최적화 전략. + +## 📖 구조화된 지식 (Synthesized Content) +- **추출된 패턴:** "From Keyword Density to Entity Authority" — 파편화된 단어의 빈도보다는 지식 간의 관계와 전문성(E-E-A-T)을 중심으로 AI 모델의 지식 그래프(Knowledge Graph)에 편입되는 패턴. +- **AI 검색 최적화의 핵심 진화:** + - **GEO (Generative Engine Optimization):** 생성형 모델이 문맥을 이해하고 자연스럽게 인용할 수 있도록 풍부한 시맨틱 메타데이터 제공. 깔끔한 코드, 빠른 로딩 속도, 의미론적으로 풍부한 웹페이지 구조가 핵심 신호로 작용. + - **AEO (Answer Engine Optimization):** 특정 질문에 대한 '직접적인 해답'으로서의 권위 확보. + - **Semantic Entity Mapping:** 콘텐츠 내의 고유 명사와 개념들이 어떻게 연결되는지 명시하여 AI의 추론 효율 극대화. +- **의의:** 인간 사용자를 위한 가독성과 AI 에이전트를 위한 기계 가독성(Machine Readability)을 동시에 만족시켜, 지식의 유통 수명을 연장하고 차세대 검색 환경에서의 도달 범위를 확장함. + +## ⚠️ 모순 및 업데이트 (Contradictions & RL Update) +- **과거 데이터와의 충돌:** 전통적 SEO는 키워드 밀도(Keyword Density)를 중시했으나, AI 검색 최적화 정책은 '의미론적 엔티티 매핑'과 '맥락적 정합성' 정책을 최우선으로 함. 또한 JS 실행에만 의존하는 SPA의 구조적 모순을 지적하며 SSR/SSG로의 근본적 회귀 정책을 강조함. +- **정책 변화:** Antigravity 프로젝트는 모든 지식 자산에 대해 'Agent-First Access' 정책을 적용하며, AI 크롤러가 정보를 수집할 때 연산 자원을 최소화할 수 있도록 경량화된 시맨틱 마크업을 제공함. + +## 🔗 지식 연결 (Graph) +- [[AI-Answer-Engine-Optimization]], Generative-Engine-Optimization, [[Knowledge-Graph-Foundations]], [[Semantic-Search-with-AI]], [[Ontology-Engineering]], [[AI-Overviews-and-SGE]] +- **Raw Source:** 00_Raw/AI Search Optimization.md, 00_Raw/Generative Engine Optimization.md diff --git a/10_Wiki/Topics/AI와 기계에게 검열 맡기기_ - 정적 분석 툴 (ESLint Prettier)).md b/10_Wiki/Topics/AI와 기계에게 검열 맡기기_ - 정적 분석 툴 (ESLint Prettier)).md new file mode 100644 index 00000000..cf8ff64a --- /dev/null +++ b/10_Wiki/Topics/AI와 기계에게 검열 맡기기_ - 정적 분석 툴 (ESLint Prettier)).md @@ -0,0 +1,44 @@ +--- +id: P-REINFORCE-AUTO-37563B +category: "10_Wiki/💡 Topics/AI" +confidence_score: 0.90 +tags: [auto-reinforced] +last_reinforced: 2026-04-20 +github_commit: "[P-Reinforce] Continuous Worker - AI와 기계에게 검열 맡기기_ - 정적 분석 툴 (ESLint Prettier))" +--- + +# AI와 기계에게 검열 맡기기_ - 정적 분석 툴 (ESLint Prettier)) + +## 📌 한 줄 통찰 (The Karpathy Summary) +> 현대 소프트웨어 개발에서는 주관적이고 반복적인 코드 평가 작업을 ESLint, Prettier와 같은 결정론적 도구와 AI 기반 에이전트(기계)에게 위임하여 코드를 자동으로 '검열'하는 구조를 갖추고 있습니다 [1]. Linter인 ESLint는 추상 구문 트리(AST)를 분석해 문법적 오류와 잠재적 버그를 식별하며, Formatter인 Prettier는 줄 바꿈이나 들여쓰기 등 시각적 일관성을 강제합니다 [2]. 나아가 단순한 패턴 매칭을 넘어 LLM 기반의 AI 정적 분석 도구(SAST)를 도입함으로써 문맥을 이해하고 복잡한 취약점을 분석하는 '에이전트적 거버넌스'로 진화하고 있습니다 [3, 4]. + +## 📖 구조화된 지식 (Synthesized Content) +* **결정론적 거버넌스의 기반 (ESLint & Prettier)** + * **ESLint (결정론적 Linter):** 소스 코드를 추상 구문 트리(AST)로 변환해 순회하면서 사용되지 않는 변수, 섀도잉 현상 등 논리적 버그와 의심스러운 구조를 식별하고 팀의 모범 사례를 강제합니다 [2, 5, 6]. + * **Prettier (의견이 반영된 Formatter):** 코드의 로직에는 관여하지 않고 들여쓰기, 따옴표 일관성, 줄 바꿈 등 텍스트의 시각적 형태를 일관되게 재작성하여 코드 가독성을 높입니다 [2, 6, 7]. + * **규칙 충돌 및 통합:** ESLint에도 포맷팅 스타일 규칙이 포함되어 있어 Prettier와 충돌할 수 있습니다. 이를 방지하기 위해 `eslint-config-prettier`를 사용하여 충돌하는 ESLint 규칙을 비활성화하고, `eslint-plugin-prettier`를 통해 Prettier를 ESLint의 규칙처럼 동작시키는 방식이 권장됩니다 [8-11]. + +* **자동화 검열의 오케스트레이션 (Husky & lint-staged)** + * 이러한 검열 도구들은 `Husky`와 `lint-staged`를 활용해 Git의 'pre-commit' 단계에서 강제적으로 실행됩니다 [12-14]. 저장소 전체가 아닌 변경된 파일(staged files)에만 검열 에이전트를 실행시켜 검사 시간을 수 초 내로 단축하고, 품질 미달 코드가 저장소에 병합되는 것을 선제적으로 차단합니다 [13-15]. + +* **AI를 활용한 시맨틱 지능과 에이전트적 거버넌스** + * 전통적인 Linter는 파일 내 패턴 매칭에 그쳐 문맥을 파악하지 못하는 한계(Context-blind)가 있습니다 [3, 16]. 이를 극복하기 위해 Snyk Code, SonarQube 등 AI 기반 정적 분석(SAST) 도구가 도입되고 있습니다 [3, 17, 18]. + * 수백만 개의 커밋을 학습한 AI 모델은 오염 분석(Taint Analysis) 및 도달 가능성 분석을 수행하여 파일 경계를 넘나드는 복잡한 취약점을 파악하고 안전한 코드 수정을 제안합니다 [19, 20]. + +* **기계 검열의 심리사회적 영향 및 한계** + * 기계에 코드 검열을 맡기면 사소한 스타일 논쟁을 없애고 개발자의 인지 부하를 줄여 비즈니스 로직 해결에 몰입(Flow)할 수 있게 돕습니다 [21, 22]. + * 하지만 자동화에 과도하게 의존할 경우, 개발자의 비판적 사고 근육이 퇴화하고 자동화 도구의 검사만 통과하면 된다고 여기는 '녹색 체크마크 증후군(Green Check Mark Syndrome)'을 유발할 수 있습니다 [23, 24]. 또한 AI 도구 역시 전체 취약점의 약 22%를 놓치는 사각지대가 존재하므로, 아키텍처 설계와 도메인 비즈니스 로직 등 고위험 검토에는 여전히 인간의 판단(Human-in-the-loop)이 필수적입니다 [24-26]. + +## ⚠️ 모순 및 업데이트 (Contradictions & RL Update) +- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요. +- **정책 변화:** AI 분야의 자동 자산화 수행. + +## 🔗 지식 연결 (Graph) +- **Related Topics:** [[SAST (정적 애플리케이션 보안 테스트)]], [[AST (추상 구문 트리)]], Husky & lint-staged +- **Projects/Contexts:** [[Git Pre-commit 훅을 활용한 개발 워크플로우 자동화]], [[AI 코드 리뷰 및 보안 취약점 점검(DevSecOps)]] +- **Contradictions/Notes:** 소스는 기계 주도의 검열이 개발 생산성과 코드 품질을 높인다고 긍정적으로 평가하면서도, 동시에 AI 모델이 실제 취약점의 일부를 놓치고 개발자의 비판적 사고를 약화시켜 표면적 문제 해결에 집착하는 '녹색 체크마크 증후군'을 초래할 수 있다는 역설적 한계를 분명히 지적합니다 [23, 24, 26]. + +--- +*Last updated: 2026-04-18* + +--- diff --git a/10_Wiki/Topics/API 응답 모델링 및 상태 머신(State Machine) 설계.md b/10_Wiki/Topics/API 응답 모델링 및 상태 머신(State Machine) 설계.md new file mode 100644 index 00000000..2923c618 --- /dev/null +++ b/10_Wiki/Topics/API 응답 모델링 및 상태 머신(State Machine) 설계.md @@ -0,0 +1,40 @@ +--- +id: P-REINFORCE-AUTO-9FD5CF +category: "10_Wiki/💡 Topics/AI" +confidence_score: 0.90 +tags: [auto-reinforced] +last_reinforced: 2026-04-20 +github_commit: "[P-Reinforce] Continuous Worker - API 응답 모델링 및 상태 머신(State Machine) 설계" +--- + +# [[API 응답 모델링 및 상태 머신(State Machine) 설계]] + +## 📌 한 줄 통찰 (The Karpathy Summary) +> TypeScript에서 API 응답과 상태 머신을 설계할 때는 식별 가능한 유니온(Discriminated Unions) 패턴이 핵심적으로 활용된다 [1, 2]. 이 패턴은 공통 판별자(Discriminant) 속성을 통해 데이터의 다양한 상태를 구분하며, 유효하지 않은 상태가 코드에 표현되는 것을 원천적으로 차단한다 [1, 3, 4]. 결과적으로 네트워크 요청의 다양한 결과나 복잡한 UI 상태 전이를 컴파일 단계에서 안전하게 모델링하고 관리할 수 있도록 보장한다 [2, 5, 6]. + +## 📖 구조화된 지식 (Synthesized Content) +- **상태 머신(State Machine) 패턴 모델링**: + 애플리케이션 내의 복잡한 상태(예: `Idle`, `Fetching`, `Success`, `Failure`, `Retry` 등)는 식별 가능한 유니온을 통해 상태 머신으로 완벽하게 모델링할 수 있다 [2]. 이 방식은 폼 제출 워크플로우(예: `validating`, `submitting`, `success`, `error`)나 비동기 작업 패턴을 명확히 정의하는 데 뛰어나며, 호환되지 않는 잘못된 상태들의 조합이 발생하는 것을 원천적으로 불가능(Impossible)하게 만든다 [3, 5]. + +- **API 응답 데이터 구조화**: + API 응답은 성공, 실패, 대기 등 여러 형태를 취할 수 있으므로 식별 가능한 유니온을 통해 구조화하는 것이 효과적이다 [2]. 예를 들어, `NetworkState`라는 유니온 타입 내에 `NetworkLoadingState`, `NetworkFailedState`, `NetworkSuccessState`를 정의하고 `state`라는 리터럴 필드를 공유 판별자로 설계할 수 있다 [6]. 컴파일러는 이 판별자를 바탕으로 `code`나 `response`와 같은 고유 페이로드(Payload) 속성에 안전하게 접근하도록 타입을 좁혀준다(Narrowing) [6, 7]. + +- **완전성 검사(Exhaustiveness Checking) 적용**: + 상태 머신과 API 응답을 분기 처리할 때 `switch` 문과 `never` 타입을 활용하면, 개발자가 실수로 누락한 상태나 새롭게 추가된 API 응답 형태가 있을 경우 TypeScript 컴파일러가 에러를 발생시킨다 [3, 7-9]. 이는 모든 분기 및 상태가 빠짐없이 처리되도록 강제하는 강력한 안전장치가 되어 런타임 버그를 방지한다 [10-12]. + +- **외부 데이터 런타임 검증과의 결합**: + 외부 API에서 전달받은 응답은 TypeScript의 컴파일 타임 시스템만으로는 런타임에서의 완벽한 안전성을 보장할 수 없다 [12, 13]. 따라서 Zod와 같은 런타임 검증 라이브러리와 식별 가능한 유니온을 결합하여 사용하면, 예기치 않은 형태의 API 데이터로 인해 상태 머신이 망가지는 것을 방어할 수 있다 [12, 13]. + +## ⚠️ 모순 및 업데이트 (Contradictions & RL Update) +- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요. +- **정책 변화:** AI 분야의 자동 자산화 수행. + +## 🔗 지식 연결 (Graph) +- **Related Topics:** 식별 가능한 유니온(Discriminated Unions), [[완전성 검사(Exhaustiveness Checking)]], [[타입 좁히기(Type Narrowing)]] +- **Projects/Contexts:** 비동기 데이터 패칭(Async Data Fetching), 상태 머신 기반 UI 폼 및 라우터 관리 +- **Contradictions/Notes:** API 응답 데이터를 변환할 때 타입 캐스팅(`as`)을 사용하면 잉여 속성이 존재하거나 형태가 잘못되어도 컴파일러가 이를 조용히 허용하여 안전성이 떨어질 수 있다. 따라서 엄격한 타입 계약을 강제하기 위해서는 `as` 대신 `satisfies` 키워드를 활용하는 것이 권장된다 [14, 15]. + +--- +*Last updated: 2026-04-18* + +--- diff --git a/10_Wiki/Topics/API-Design for AI Services.md b/10_Wiki/Topics/API-Design for AI Services.md new file mode 100644 index 00000000..62000443 --- /dev/null +++ b/10_Wiki/Topics/API-Design for AI Services.md @@ -0,0 +1,29 @@ +--- +id: AI-API-001 +category: "10_Wiki/💡 Topics/AI" +confidence_score: 1.0 +tags: [software-engineering, api-design, ai-services, streaming, grpc, rest] +last_reinforced: 2026-04-26 +--- + +# API Design for AI Services (AI 서비스를 위한 API 디자인) + +## 📌 한 줄 통찰 (The Karpathy Summary) +> "긴 추론 시간과 거대한 데이터 흐름을 우아하게 추상화하라" — 모델의 비결정적 출력과 비동기적 연산 특성을 고려하여 개발자가 예측 가능하고 효율적으로 AI 기능을 통합할 수 있도록 설계된 인터페이스. + +## 📖 구조화된 지식 (Synthesized Content) +- **추출된 패턴:** 동기식 요청-응답의 한계를 넘어 스트리밍, 비동기 작업 큐, 상태 보존형 세션 등을 통해 고사양 연산 자원을 효율적으로 노출하는 서비스 인터페이스 패턴. +- **핵심 설계 원칙:** + - **Streaming First:** LLM의 토큰 생성을 실시간으로 전달하기 위해 SSE(Server-Sent Events)나 WebSockets 필수 적용. + - **Stateless vs Stateful:** 대화 맥락 유지(Conversation ID)와 모델 가중치 독립성을 위한 상태 관리 전략. + - **Asynchronous Execution:** 시간이 오래 걸리는 태스크(이미지 생성 등)를 위한 Job ID 기반의 폴링(Polling) 또는 웹훅(Webhook) 구조. + - **Safety & Filtering:** API 수준에서 유해 결과물을 차단하는 가드레일 레이어 통합. + - **Version Control:** 모델 버전 업데이트 시 결과물의 미세한 변화를 고려한 시맨틱 버저닝. + +## ⚠️ 모순 및 업데이트 (Contradictions & RL Update) +- **과거 데이터와의 충돌:** 정적인 데이터를 주고받던 REST API에서, 실시간 추론과 대규모 멀티모달 데이터를 처리하는 동적인 인터페이스로 설계 중심이 이동. +- **정책 변화:** Antigravity 프로젝트는 모든 에이전트 간 통신에 gRPC 스트리밍을 우선 사용하며, 외부 웹 인터페이스 제공 시에는 SSE 표준을 준수하여 사용자 경험을 최적화함. + +## 🔗 지식 연결 (Graph) +- System-Design-for-AI-Scale, [[LLM]], Streaming-Data-Processing, Microservices +- **Raw Source:** 10_Wiki/Topics/AI/API-Design for AI Services.md diff --git a/10_Wiki/Topics/API-Key-Management.md b/10_Wiki/Topics/API-Key-Management.md new file mode 100644 index 00000000..c9d52dba --- /dev/null +++ b/10_Wiki/Topics/API-Key-Management.md @@ -0,0 +1,31 @@ +--- +id: P-REINFORCE-AUTO-APKE-001 +category: "10_Wiki/💡 Topics/AI" +confidence_score: 0.99 +tags: [auto-reinforced, api-key-management, security, devops, secrets-management, developer-experience] +last_reinforced: 2026-04-20 +--- + +# [[API-Key-Management]] + +## 📌 한 줄 통찰 (The Karpathy Summary) +> "지능의 열쇠를 지키는 법: 외부 서비스를 이용하기 위한 디지털 신분증인 API Key를 안전하게 보관하고, 유출 시 즉시 폐기하며, 권한을 최소화하여 관리하는 현대 개발의 가장 기초적인 보안 성벽." + +## 📖 구조화된 지식 (Synthesized Content) +API 키 관리(API-Key-Management)는 애플리케이션 프로그래밍 인터페이스를 통해 서비스에 접근할 때 필요한 인증 정보(Secrets)를 생성, 배포, 폐기 및 모니터링하는 일련의 보안 프로세스입니다. + +1. **3대 보안 수칙**: + * **Never Commit**: 절대 소스 코드(Git)에 API Key를 포함하지 않음. `.env` 파일을 사용하고 `.gitignore`에 등록 필수. + * **Principle of Least Privilege**: 키마다 필요한 최소한의 권한(Scope)만 부여하고, 특정 IP나 도메인에서만 작동하도록 제한. + * **Rotation**: 정기적으로 키를 교체하여 만약의 유출 피해 최소화. +2. **유출 시 대응 워크플로우**: + * 키 즉시 무효화(Revoke) -> 새로운 키 생성 -> 환경 변수 업데이트 -> 유출 범위 및 비용 발생 확인(Audit). + +## ⚠️ 모순 및 업데이트 (Contradictions & RL Update) +- **과거 데이터와의 충돌**: 과거에는 하드코딩된 키로 인해 대규모 유출 사고가 빈번했으나, 현대의 클라우드 인프라 정책은 'Secret Manager'를 통한 중앙 집중식 자동 관리 정책을 표준으로 삼음(RL Update). +- **정책 변화(RL Update)**: AI 에이전트의 자율적 도구 활용 정책이 늘어남에 따라, 에이전트가 API 키를 직접 다루지 않고 안전하게 대리 요청(Proxy)하는 '에이전틱 키 거버넌스 정책'이 중요해짐. + +## 🔗 지식 연결 (Graph) +- [[Workflow-Integrity]], [[Safety & Reliability]], [[Agent Architecture]], [[Tool-Usage-Optimization]], [[Technical-Architecture]] +- **Modern Tech/Tools**: GitHub Secret Scanning, HashiCorp Vault, AWS Secrets Manager. +--- diff --git a/10_Wiki/Topics/API_Communication_Patterns.md b/10_Wiki/Topics/API_Communication_Patterns.md new file mode 100644 index 00000000..07b8125c --- /dev/null +++ b/10_Wiki/Topics/API_Communication_Patterns.md @@ -0,0 +1,26 @@ +--- +title: 효율적인 API 통신 패턴 (Axios & Interceptors) +category: Software Architecture +tags: [API, Axios, Interceptor, Error Handling, Network] +created: 2026-04-20 +--- + +# [[API_Communication_Patterns]] (API 통신 패턴) + +## 📌 한 줄 통찰 (The Karpathy Summary) +> 서버와의 대화는 항상 '정중하되 의심하며' 처리하라. 모든 요청은 중앙 통제소(Interceptor)를 거치고 모든 에러는 시나리오가 준비되어 있어야 한다. + +## 📖 구조화된 지식 (Synthesized Content) +- **Service Layer (서비스 레이어) 추상화**: + - 컴포넌트 내에 `axios` 코드를 기생시키지 마라. `userService.js`, `productApi.js` 처럼 API별로 모듈화하여 컴포넌트는 오직 '함수 호출'만 알게 하라. +- **Axios Interceptors (심사 통로)**: + - 모든 요청에 인증 토큰을 자동으로 붙이거나, 백엔드에서 내려오는 401 에러를 가로채서 자동으로 토큰을 갱신(Silent Refresh)하는 로직을 중앙 집권화한다. +- **Error Scenario Planning**: + - 400(잘못된 요청), 403(권한 없음), 500(서버 죽음) 등 각 에러 코드별로 사용자가 경험할 UI 처리 방침을 미리 약속하라. + +## ⚠️ 모순 및 업데이트 (RL Update) +- 모든 통신에 Axios가 정답은 아니다. 브라우저 네이티브인 `fetch`로도 충분한 경우가 많으며, 라이브러리 의존성을 낮추는 것이 가벼운 앱을 만드는 첫걸음일 수 있다. + +## 🔗 지식 연결 (Graph) +- Related: [[System_Protocol_Standard]] , [[React_State_Management_Strategy]] +- Foundation: [[Reliability_Safety_First]] diff --git a/10_Wiki/Topics/A_B-Testing-Platforms.md b/10_Wiki/Topics/A_B-Testing-Platforms.md new file mode 100644 index 00000000..e2b8f773 --- /dev/null +++ b/10_Wiki/Topics/A_B-Testing-Platforms.md @@ -0,0 +1,27 @@ +--- +id: P-REINFORCE-AI-ABTEST +category: "10_Wiki/💡 Topics/AI" +confidence_score: 0.96 +tags: [A/B Testing, Statistics, Experiment, Growth Hacking] +last_reinforced: 2026-04-20 +--- + +# [[A_B-Testing-Platforms]] (A/B 테스트 및 실험 설계) + +## 📌 한 줄 통찰 (The Karpathy Summary) +> "내 생각엔 이게 좋다"는 주관성을 버리고, "사용자는 실제로 이렇게 반응한다"를 통계적으로 증명하는 마케팅과 엔지니어링의 결합체다. + +## 📖 구조화된 지식 (Synthesized Content) +- **Hypothesis Testing (가설 검증)**: + - "버튼 색상을 파란색에서 빨간색으로 바꾸면 클릭률(CTR)이 10% 오를 것이다"라는 명확한 가설을 세우고 실험군(A)과 대조군(B)으로 트래픽을 분할한다. +- **Statistical Significance (p-value)**: + - 실험 결과가 '우연'에 의한 것인지 아니면 '의도된 변화'인지 판별한다. 보통 p-value < 0.05를 기준으로 유의미함을 결정한다. +- **Multi-armed Bandit (MAB)**: + - 실험 중간에 성적이 좋은 쪽에 트래픽을 실시간으로 더 배분하여 '실험 비용'을 최소화하고 '수익'을 극대화하는 고도화된 타겟팅 알고리즘. + +## ⚠️ 모순 및 업데이트 (RL Update) +- 한 번에 너무 많은 변수를 바꾸는 것은 금물이다(Simpsons Paradox). 오직 하나의 변인만 통제하여 결과의 인과관계를 명확히 해야 한다. 또한 장기적 영향(Late Arrival Bias)을 고려하여 최소 일주일 이상의 실험 기간을 확보하라. + +## 🔗 지식 연결 (Graph) +- Related: [[Behavioral-Economics]] , Nudge Theory +- Implementation: [[React_State_Management_Strategy]] diff --git a/10_Wiki/Topics/Abundance.md b/10_Wiki/Topics/Abundance.md new file mode 100644 index 00000000..c0982b4b --- /dev/null +++ b/10_Wiki/Topics/Abundance.md @@ -0,0 +1,34 @@ +--- +id: P-REINFORCE-AUTO-ABUN-001 +category: "10_Wiki/💡 Topics/AI" +confidence_score: 0.92 +tags: [auto-reinforced, abundance, economics, technological-optimism, resource-management] +last_reinforced: 2026-04-20 +--- + +# [[Abundance]] + +## 📌 한 줄 통찰 (The Karpathy Summary) +> "결핍의 종말, 선택의 시작: 기술 진보를 통해 에너지, 정보, 물자가 무한에 가깝게 저렴해지며, 인간이 '생존'을 위한 경쟁 대신 '의미'를 향한 창조에 집중할 수 있게 되는 상태." + +## 📖 구조화된 지식 (Synthesized Content) +풍요(Abundance)는 자원의 희소성(Scarcity)에 기반한 기존 경제학의 전제를 뒤흔드는 기술적, 사회적 현상입니다. 피터 디아만디스(Peter Diamandis) 등이 주장한 이 개념은 기술이 사치품을 생필품으로, 생필품을 보편 서비스로 전환함을 강조합니다. + +1. **풍요를 이끄는 4대 동력**: + * **Exponential Technologies**: 기하급수적으로 발전하는 컴퓨팅, AI, 로보틱스. + * **The DIY Innovator**: 오픈 소스와 저렴한 도구를 통해 개인이 기업 수준의 혁신 수행. + * **Technophilanthropists**: 기술로 사회 문제를 해결하려는 억만장자들의 기여. + * **The Rising Billion**: 인터넷 연결을 통해 새롭게 글로벌 경제에 편입되는 수십억 명의 지성. +2. **디지털 풍요 (Digital Abundance)**: + * 정보의 복제 비용이 0에 수렴하며 발생. 음악, 지식, 소프트웨어의 보편적 접근 가능성 확보. +3. **물리적 풍요의 예고**: + * 태양광 등 재생 에너지의 효율 급증, 수직 농장을 통한 식량 생산 최적화, 3D 프린팅을 통한 맞춤형 제조. + +## ⚠️ 모순 및 업데이트 (Contradictions & RL Update) +- **과거 데이터와의 충돌**: 과거 경제 정책은 '자원의 배분'에만 집중했으나, 현대의 풍요 정책은 자원 자체가 넘쳐날 때 발생하는 '주의력(Attention) 부족'과 '목적 의식 상실'이라는 심리적 위기를 관리하는 정책으로 전환 중임(RL Update). +- **정책 변화(RL Update)**: 환경 파괴 없는 풍요를 위해, 단순 소비 증대가 아닌 '지속 가능한 자원 순환'을 전제로 하는 '클린 풍요(Clean Abundance) 정책'이 글로벌 탄소 중립 정책과 결합되어 추진됨. + +## 🔗 지식 연결 (Graph) +- Economics of Attention, [[Universal Basic Income (UBI)]], Foundational Models, [[Social Systems Theory]], [[Ultra-Efficiency]] +- **Modern Tech/Tools**: Solar energy harvesting, Precision agriculture AI, Open source repository (GitHub). +--- diff --git a/10_Wiki/Topics/Academic-Integrity.md b/10_Wiki/Topics/Academic-Integrity.md new file mode 100644 index 00000000..a743518d --- /dev/null +++ b/10_Wiki/Topics/Academic-Integrity.md @@ -0,0 +1,35 @@ +--- +id: P-REINFORCE-AUTO-ACIN-001 +category: "10_Wiki/💡 Topics/AI" +confidence_score: 0.96 +tags: [auto-reinforced, academic-integrity, ethics, research-conduct, plagiarism, ai-writing] +last_reinforced: 2026-04-20 +--- + +# [[Academic-Integrity]] + +## 📌 한 줄 통찰 (The Karpathy Summary) +> "지적 정직함의 보루: 타인의 생각을 훔치지 않고, 자신의 연구 과정을 투명하게 공개하며, 결과의 왜곡 없이 진실만을 추구하는 학문 공동체의 가장 기초적인 신뢰 자본." + +## 📖 구조화된 지식 (Synthesized Content) +학술적 무결성(Academic-Integrity)은 교육과 연구 환경에서 윤리적 가치를 준수하며 지적 활동을 수행하는 태도와 원칙을 의미합니다. + +1. **5대 핵심 가치 (ICAI 기준)**: + * **Honesty**: 결과와 방법의 정직한 보고. + * **Trust**: 학술적 상호작용의 신뢰성 확보. + * **Fairness**: 타인의 기여를 공정하게 인정 (인용 표준 준수). + * **Respect**: 지적 재산과 타인의 학문적 노동에 대한 존중. + * **Responsibility**: 자신의 연구가 사회에 미칠 영향에 대한 책임감. +2. **주요 위반 행위**: + * **Plagiarism (표절)**: 인용 없이 타인의 작업물을 자신의 것처럼 발표. + * **Fabrication (변조)**: 존재하지 않는 데이터를 만들어냄. + * **Falsification (왜곡)**: 연구 결과를 의도적으로 조작. + +## ⚠️ 모순 및 업데이트 (Contradictions & RL Update) +- **과거 데이터와의 충돌**: 과거에는 '인용 누락'이 주된 이슈였으나, 현대의 AI 정책은 'AI가 생성한 텍스트'를 어디까지 자신의 지적 기여로 볼 것인가에 대한 정책적 재정립을 요구받고 있음(RL Update). +- **정책 변화(RL Update)**: 단순히 AI 사용을 금지하는 폐쇄적 정책에서 벗어나, AI 사용 여부와 프롬프트 과정을 투명하게 공개하는 'AI 활용 공표 정책' 및 '인간-AI 공동 저작권 가이드라인' 수립 방향으로 진화 중임. + +## 🔗 지식 연결 (Graph) +- [[Ethics & AI]], [[Scientific Communication]], [[Toxicity-and-Bias-Mitigation]], [[Sociology of Knowledge]], [[Workflow-Integrity]] +- **Modern Tech/Tools**: Turnitin (Plagiarism detection), AI-generated text detectors, Citation managers (Zotero). +--- diff --git a/10_Wiki/Topics/Accessibility-Compliance-Audit.md b/10_Wiki/Topics/Accessibility-Compliance-Audit.md new file mode 100644 index 00000000..c0b83dc1 --- /dev/null +++ b/10_Wiki/Topics/Accessibility-Compliance-Audit.md @@ -0,0 +1,27 @@ +--- +id: P-REINFORCE-AI-ACC-AUDIT +category: "10_Wiki/💡 Topics/AI" +confidence_score: 0.98 +tags: [Accessibility, Compliance, Audit, AI, Web] +last_reinforced: 2026-04-20 +--- + +# [[Accessibility-Compliance-Audit]] (접근성 준수 감사) + +## 📌 한 줄 통찰 (The Karpathy Summary) +> "모두를 위한 웹은 기술이 아니라 권리다." 시각 장애인이나 고령자 등 모든 사용자가 웹 사이트의 정보를 평등하게 얻고 있는지 기술적으로 검증하는 프로세스다. + +## 📖 구조화된 지식 (Synthesized Content) +- **Automated Testing**: + - AI가 DOM 트리와 ARIA 속성을 분석하여 텍스트 대안(Alt text) 누락, 충분하지 않은 색상 대비(Color Contrast) 등을 자동으로 적발한다. +- **Manual Heuristic Evaluation**: + - 자동화 도구가 잡지 못하는 맥락적 접근성(예: 스크린 리더의 읽기 순서가 논리적인가?)을 전문가가 직접 점검한다. +- **Reporting & Remediation**: + - 감사 결과를 리포트화하고, 개발팀에 즉각적인 수정 가이드를 제공하여 법적 리스크(WCAG 준수 등)를 방어한다. + +## ⚠️ 모순 및 업데이트 (RL Update) +- 접근성 감사는 한 번의 '합격'으로 끝나지 않는다. 코드가 업데이트될 때마다 접근성 점수가 소리 없이 무너질 수 있으므로, CI/CD 파이프라인에 접근성 자동 검사를 통합하는 것이 핵심이다. + +## 🔗 지식 연결 (Graph) +- Related: UI-UX-Foundations , [[Automated-Security-Audits]] +- Standard: Web-Content-Accessibility-Guidelines-WCAG diff --git a/10_Wiki/Topics/Accessibility_Inclusivity.md b/10_Wiki/Topics/Accessibility_Inclusivity.md new file mode 100644 index 00000000..c6af0e18 --- /dev/null +++ b/10_Wiki/Topics/Accessibility_Inclusivity.md @@ -0,0 +1,26 @@ +--- +title: 웹 접근성 및 포용적 설계 (a11y) +category: Software Architecture +tags: [Accessibility, a11y, Semantic HTML, Inclusivity] +created: 2026-04-20 +--- + +# [[Accessibility_Inclusivity]] (포용적 설계와 접근성) + +## 📌 한 줄 통찰 (The Karpathy Summary) +> 웹은 '모두'를 위한 공간이어야 한다. 신체적 제약이 시스템 이용의 제약이 되지 않게 하는 것은 '매너'가 아니라 전문 개발자의 '책임'이다. + +## 📖 구조화된 지식 (Synthesized Content) +- **Semantic HTML (의미론적 태그)**: + - `
`로만 도배하지 마라. `
`, `
`, `
`, `