feat: organize and categorize 1535 knowledge assets into wiki topics (2026-04-29)
This commit is contained in:
@@ -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
|
||||
@@ -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
|
||||
@@ -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.
|
||||
---
|
||||
@@ -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.
|
||||
---
|
||||
@@ -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.
|
||||
|
||||
---
|
||||
@@ -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.
|
||||
---
|
||||
@@ -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]]
|
||||
@@ -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]]
|
||||
@@ -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]]
|
||||
@@ -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.
|
||||
---
|
||||
@@ -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]]
|
||||
@@ -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]]
|
||||
@@ -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).
|
||||
---
|
||||
@@ -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
|
||||
@@ -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)**:
|
||||
- `<div>`로만 도배하지 마라. `<main>`, `<article>`, `<section>`, `<nav>` 등 의미가 담긴 태그를 써야 기계(스크린 리더)와 검색 엔진이 내 콘텐츠의 중요도를 파악한다.
|
||||
- **ARIA & States**:
|
||||
- 표준 HTML로 설명이 불가능한 인터랙션(예: 커스텀 탭 메뉴)은 `aria-label`, `aria-hidden` 등을 통해 기계에게 보조 설명을 전한다.
|
||||
- **Keyboard Navigation**:
|
||||
- 마우스 없이 `Tab` 키와 `Enter` 키만으로 내 앱의 모든 핵심 기능을 수행할 수 있는지 검증하라. 포커스링을 숨기지 마라. 누군가에게는 유일한 가이드라인이다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 접근성을 챙기는 것은 단순히 윤리적인 문제를 넘어, **SEO(검색 노출)** 성적과 직결된다. 구글 검색 로봇은 눈이 없기에, 스크린 리더와 유사한 방식으로 우리 사이트를 평가하기 때문이다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Styling_Governance]] , [[React_Clean_Code_Best_Practices]]
|
||||
- Ethic: [[Collaboration_Governance]]
|
||||
@@ -0,0 +1,33 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-ACLE-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.98
|
||||
tags: [auto-reinforced, active-learning, machine-learning, optimization, data-efficiency, human-in-the-loop]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Active Learning]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "똑똑하게 질문해서 배우기: 모든 데이터를 맹목적으로 학습하는 대신, 정답을 알았을 때 모델의 지능이 가장 크게 상승할 것 같은 '핵심 질문(데이터)'만 골라 인간에게 정답을 요청하는 고효율 학습 전략."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
능동 학습(Active Learning)은 머신러닝 모델이 스스로 학습 과정에 참여하여, 레이블(Label)되지 않은 데이터 중 학습에 가장 도움이 될 데이터를 선별하고 전문가에게 레이블링을 요청하는 기법입니다.
|
||||
|
||||
1. **동작 원리 (Query Strategy)**:
|
||||
* **Uncertainty Sampling**: 모델이 정답을 가장 확신하지 못하는(Entropy가 높은) 데이터를 고름.
|
||||
* **Query-by-Committee**: 여러 모델의 의견이 가장 일치하지 않는 데이터를 추출.
|
||||
* **Representativeness**: 전체 데이터의 분포를 가장 잘 대표하는 표본을 선택.
|
||||
2. **왜 필요한가?**:
|
||||
* 데이터는 많지만 '정답'을 다는 비용(인간 전문가의 시간)이 비쌀 때 유용. (예: 의료 영상 분석, 자율주행 데이터 레이블링)
|
||||
3. **기대 효과**:
|
||||
* 전체 데이터의 일부(10-20%)만 학습하고도 전체를 학습한 것과 비슷한 성능 달성 가능 (Data Efficiency).
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 단순히 '양질의 큰 데이터셋' 정책에 의존했으나, 현대 AI 인프라 정책은 데이터 전처리 비용을 줄이기 위해 시작부터 모델이 개입하는 'AI-driven Labeling 정책'을 핵심 인프라로 구축함(RL Update).
|
||||
- **정책 변화(RL Update)**: 인간과의 상호작용 피로도를 낮추기 위해, "꼭 필요한 질문만 던지는" 에이전트의 예절 및 효율성 알고리즘을 최적화하는 정책이 RAG 부문 및 도메인 특화 모델 개발의 표준이 됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[SFT (Supervised Fine-Tuning)]], [[RLHF (인간 피드백 기반 강화 학습)]], [[Resource-Management]], [[Decision Theory]], [[Scientific Communication]]
|
||||
- **Modern Tech/Tools**: Prodigy (Labeling tool), ModAL (Python framework for Active Learning).
|
||||
---
|
||||
@@ -0,0 +1,36 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-ACTI-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.89
|
||||
tags: [auto-reinforced, activism, social-change, collective-action, digital-campaigning]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Activism]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "세상을 바꾸는 의도된 압력: 사회적, 정치적, 환경적 변화를 이끌어내기 위해 개인이 집단으로 뭉쳐 불의에 저항하거나 새로운 가치를 확산시키는 강력한 실천주의."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
액티비즘(Activism, 행동주의)은 특정 사회 문제에 대한 변화를 촉구하거나 저지하기 위해 행해지는 의도적인 집단 행동입니다.
|
||||
|
||||
1. **유형별 분류**:
|
||||
* **Digital Activism**: SNS 해시태그 운동, 온라인 서명, 데이터 공개를 통한 공론화 (Slacktivism 경계).
|
||||
* **Grassroots**: 지역 사회의 밑바닥부터 시작되는 아래로부터의 조직화.
|
||||
* **Legislative**: 법안 발의 및 정책 변화를 목표로 하는 로비와 캠페인.
|
||||
* **Direct Action**: 시위, 파업, 보이콧 등 물리적인 참여를 통한 직접적 압박.
|
||||
2. **핵심 성공 요인**:
|
||||
* **Narrative Construction**: 대중의 공감을 얻을 수 있는 명확한 명분과 스토리 구축 (Victimhood-Narratives의 올바른 활용).
|
||||
* **Mobilization Strategy**: 자원과 인력을 효율적으로 배치하는 조직 운영 기술.
|
||||
3. **AI와 액티비즘**:
|
||||
* **Data Activism**: 정부나 기업이 숨긴 데이터를 발견하고 시각화하여 사회적 반향을 일으킴.
|
||||
* **AI Guardrails**: 편향된 AI 알고리즘에 대항하여 더 공정한 기술 사용을 요구하는 새로운 형태의 액티비즘 출현.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 중앙 집중적인 지도자가 필수였으나, 현대의 네트워크 정책은 지도자 없는(Leaderless) 분산형 군집 액티비즘 정책으로 진화함(RL Update, 예: Swarm Intelligence 관점).
|
||||
- **정책 변화(RL Update)**: 딥페이크나 허위 정보(Disinformation)를 활용한 '가짜 액티비즘'이 사회 안보를 위협함에 따라, 행동의 진위 여부를 확인하고 출처를 명시하는 '디지털 시민성 정책'이 정보 정책의 핵심으로 부상함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Social Systems Theory]], [[Victimhood-Narratives]], [[Strategic-Planning]], [[Viral-Dynamics-and-Network-Effects]], [[Ethics & AI]]
|
||||
- **Modern Tech/Tools**: Secure messaging (Signal), Crowdfunding platforms, Social media monitoring.
|
||||
---
|
||||
@@ -0,0 +1,34 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-ADOP-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced, optimization, ad-hoc, process-efficiency, project-management, software-design]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Ad-hoc-Optimization]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "눈앞의 불만 끄기: 시스템 전체의 효율이나 장기적인 구조는 무시한 채, 지금 당장 문제가 되는 부분만 임시방편으로 빠르게 다듬어 '작동하는 것처럼' 보이게 만드는 조급한 최적화."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
Ad-hoc 최적화(임시적 최적화)는 전체적인 설계 원칙(Standardization)이나 전략적 방향성 없이, 특정 상황이나 예외적인 케이스에 대해서만 국소적으로 수행되는 최적화 작업을 의미합니다.
|
||||
|
||||
1. **위험 요인**:
|
||||
* **Technical Debt (기술적 부채)**: 당장은 빠르지만, 나중에 시스템 전체를 고칠 때 거대한 걸림돌이 됨.
|
||||
* **Shadow Complexity**: 보이지 않는 곳에 비정형적인 로직이 쌓여 시스템의 투명성이 낮아짐.
|
||||
* **Inconsistency**: 한 부분의 Ad-hoc 최적화가 다른 부분의 성능을 갉아먹는 '부작용' 발생 (Sub-optimization).
|
||||
2. **정당화되는 경우**:
|
||||
* **Hotfix**: 시스템이 완전히 붕괴될 위기에서 즉각적인 복구가 필요할 때.
|
||||
* **Rapid Prototyping**: 초기 아이디어를 검증하기 위해 거친 코드로 빠르게 구현해볼 때.
|
||||
3. **개선 프로세스**:
|
||||
* Ad-hoc 조치 후에는 반드시 '사후 병합(Refactoring)' 과정을 거쳐 해당 최적화를 표준 아키텍처 내로 편입시켜야 함.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거의 '결과 중심 개발 정책'은 Ad-hoc 최적화를 통해 일정을 맞추는 것을 권장했으나, 현대의 '지속 가능한 시스템 운영 정책'은 이를 잠재적 리스크로 규정하고 정기적인 코드 리뷰와 설계 승인(QC) 정책을 강화함(RL Update).
|
||||
- **정책 변화(RL Update)**: 인프라 운영 정책에서, 수동으로 Ad-hoc 설정을 변경하는 대신 모든 변화를 코드로 관리하는 'IaC (Infrastructure as Code) 정책'을 도입하여 임시방편적 개입을 원천 차단하는 방향으로 진화함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Standardization vs Innovation]], [[Workflow-Integrity]], [[Theory of Constraints (TOC)]], [[Software-Design-Principles]], [[Operations-Research]]
|
||||
- **Modern Tech/Tools**: Refactoring tools, Static code analysis, CI/CD automated testing.
|
||||
---
|
||||
@@ -0,0 +1,34 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-ADAP-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.98
|
||||
tags: [auto-reinforced, adaptability, resilience, survival-strategy, complex-adaptive-systems]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Adaptability]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "바뀌는 바람에 돛을 맞추는 기술: 과거의 성공 방정식이 더 이상 통하지 않는 순간, 자신의 형태와 전략을 유연하게 수정하여 새로운 환경에서도 가치를 창출해내는 생명의 본능이자 시스템의 핵심 지능."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
적응성(Adaptability)은 시스템, 조직, 혹은 개인이 예기치 못한 환경 변화나 외부 충격에 직면했을 때, 기능적 무결성을 유지하면서 새로운 상황에 최적화된 상태로 변모하는 능력입니다.
|
||||
|
||||
1. **적응의 3대 요소**:
|
||||
* **Sensitivity**: 주변의 변화를 얼마나 빠르고 정확하게 감지하는가?
|
||||
* **Flexibility**: 변화에 대응해 내부 구조나 행동을 바꿀 수 있는 선택지가 얼마나 다양한가? (Stability vs Flexibility)
|
||||
* **Learning Capacity**: 과거의 대응 결과를 학습하여 다음 적응 시 더 효율적으로 반응하는가?
|
||||
2. **생태계적 관점**:
|
||||
* 강한 자가 살아남는 것이 아니라, **적응하는 자가 살아남는다.** (다윈주의적 생존).
|
||||
* **Complex Adaptive Systems**: 수많은 피드백 루프를 통해 스스로 질서를 재편하는 시스템.
|
||||
3. **지식 근로자의 적응성**:
|
||||
* AI라는 거대한 파도 앞에서 자신의 역량을 재정의하고 도구 활용법을 익히는 '어필리티(AQ, Adaptability Quotient)'가 지능 지수(IQ)나 감성 지수(EQ)보다 중요해짐.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거의 산업 정책은 '특정 기술에 대한 절대적 숙달' 정책을 지향했으나, 현대의 불확실한 기술 정책은 언제든 기존 기술을 버리고 새 기술로 갈아탈 수 있는 '적응형 인재 육성 정책'으로 전환함(RL Update).
|
||||
- **정책 변화(RL Update)**: 국가 복지 및 교육 정책에서, 한 번의 전공이 평생 직업을 보장하지 못함을 인지하고 생애 주기별로 끊임없이 직업을 전환할 수 있도록 돕는 '유연 안전성(Flexicurity) 정책'이 전 지구 표준으로 확산 중임.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Stability vs Flexibility]], [[Robustness]], [[Active Learning]], [[Transfer Learning]], Complex Adaptive Systems, [[Ps-Reinforce]]
|
||||
- **Modern Tech/Tools**: Agile methodology, Resilience engineering, Life-long learning platforms.
|
||||
---
|
||||
@@ -0,0 +1,34 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-AGCO-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.97
|
||||
tags: [auto-reinforced, agentic-coding, software-development, ai-coding, autonomous-agents, devops]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Agentic Coding]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "코딩하는 기계의 진화: 단순히 코드 조각을 추천하는 것을 넘어, 파일 구조를 이해하고, 버그를 디버깅하며, 테스트를 통과할 때까지 스스로 수정 루프를 돌리는 자율 코딩 에이전트의 시대."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
에이전틱 코딩(Agentic Coding)은 AI가 정적인 코드 생성을 넘어, 능동적으로 환경과 상호작용하며 복잡한 소프트웨어 엔지니어링 수행 과정을 자율적으로 관리하는 것을 의미합니다.
|
||||
|
||||
1. **핵심 워크플로우 (The Loops)**:
|
||||
* **Planning**: 요구사항을 파일별, 기능별 태스크로 쪼개기.
|
||||
* **Action**: 실제 소스 코드 파일을 읽고 쓰기 (File System Access).
|
||||
* **Terminal Interaction**: 코드를 실행하고 에러 메시지 분석.
|
||||
* **Self-Correction**: 에러를 바탕으로 코드를 수정하고 단위 테스트를 반복해서 돌려 무결성 확보.
|
||||
2. **도구와 환경**:
|
||||
* 에이전트는 브라우저, 터미널, 파일 에디터와 같은 도구를 인간과 동일하게 사용함 (Multi-tool use).
|
||||
3. **지위의 변화**:
|
||||
* 'Copilot' (조수)에서 'Engineer' (수행 주체)로의 패러다임 전환.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 AI가 생성한 코드를 인간이 일일이 검수하는 수동 정책이었으나, 현대의 에이전틱 코딩 정책은 AI가 직접 테스트 코드를 작성하고 검증까지 완료한 '검증된 산출물'을 인간에게 보고하는 자동화 정책으로 이동함(RL Update).
|
||||
- **정책 변화(RL Update)**: 자율 코딩 에이전트가 보안 취약점을 만들거나 악성 코드를 삽입할 위험 정책에 대응하기 위해, 모든 AI 생성 코드에 대해 정적 분석과 보안 샌드박스 검증을 의무화하는 'AI 보안 코딩 거버넌스' 정책이 수립됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Agent Architecture]], [[Workflow-Integrity]], [[Self-Correction Mechanisms]], [[Tool-Usage-Optimization]], [[Software-Design-Principles]], [[Ps-Reinforce]]
|
||||
- **Modern Tech/Tools**: Devin, OpenDevin, Sweep.dev, GitHub Copilot Workspace, Antigravity Agent.
|
||||
---
|
||||
@@ -0,0 +1,36 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-AGPH-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.95
|
||||
tags: [auto-reinforced, agile, manifesto, philosophy, project-management, iteractive-design]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Agile-Philosophy]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "변화에 춤추는 민첩함: 완벽한 계획보다 빠른 실행을, 문서보다 동작하는 산출물을 우선하며, 끊임없는 피드백을 통해 고객의 진정한 가치를 찾아가는 유연한 철학."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
애자일 철학(Agile-Philosophy)은 불확실성이 높은 환경에서 짧은 주기의 학습과 개선을 반복하며 가치를 전달하는 방법론이자 문화입니다.
|
||||
|
||||
1. **4대 핵심 가치 (Agile Manifesto)**:
|
||||
* **인간과 상호작용** > 프로세스와 도구.
|
||||
* **작동하는 소프트웨어** > 방대한 문서.
|
||||
* **고객과의 협력** > 계약 협상.
|
||||
* **변화에 대응하기** > 계획 준수.
|
||||
2. **핵심 매커니즘**:
|
||||
* **Iteration (Sprint)**: 1~4주 단위의 성과물 배포 주기를 반복.
|
||||
* **Continuous Feedback**: 실제 사용자나 고객으로부터 정기적으로 피드백 수렴.
|
||||
* **Retrospective (회고)**: 팀의 일하는 방식 자체를 돌아보고 개선.
|
||||
3. **목표**:
|
||||
* 완성된 쓰레기가 아닌, **필요한 보석**을 제시간에 만드는 것.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 폭포수(Waterfall) 모델 기반의 '선계획 정책'이 정석이었으나, 현대의 초불확실성 기술 정책은 계획을 최소화하고 실행 중에 방향을 트는 '애자일 정책' 없이는 생존이 불가능함을 인정함(RL Update).
|
||||
- **정책 변화(RL Update)**: 대규모 기업 정책 수립 시, 애자일이 단순히 '빠르게' 하는 것으로 오용되어 품질이 저하되는 부작용을 막기 위해, 'Agile Governance'와 'QA 자동화 정책'을 전제로 한 성숙한 애자일 문화 도입 정책이 추진됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Stability vs Flexibility]], [[Rapid-Prototyping]], [[Working-Backwards]], [[Theory of Constraints (TOC)]], [[Systems Thinking]]
|
||||
- **Modern Tech/Tools**: Scrum, Kanban, Jira, Linear, Short-cycle feedback systems.
|
||||
---
|
||||
@@ -0,0 +1,35 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-ALFA-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.96
|
||||
tags: [auto-reinforced, algorithmic-fairness, bias, equality, machine-learning-ethics, data-governance]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Algorithmic Fairness]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "데이터에 깃든 차별 걷어내기: AI가 성별, 인종, 계층에 대한 편향을 학습하여 누군가에게 불이익을 주지 않도록, 학습 데이터부터 결과 도출까지 모든 과정의 공정성을 확보하는 엔지니어링 윤리."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
알고리즘 공정성(Algorithmic Fairness)은 AI 모델의 예측 결과가 특정 집단에 대해 체계적으로 유리하거나 불리하지 않도록 관리하는 머신러닝의 하위 분야입니다.
|
||||
|
||||
1. **편향의 출처**:
|
||||
* **Data Bias**: 학습 데이터 자체가 기존 사회의 편견이나 불평등을 반영하고 있는 경우.
|
||||
* **Metric Bias**: 성과를 측정하는 지표(예: 클릭률) 자체가 특정 집단에 유리하게 설계된 경우.
|
||||
2. **공정성 메트릭**:
|
||||
* **Demographic Parity**: 모든 집단에 대해 긍정적인 예측 결과 비율이 같아야 함.
|
||||
* **Equalized Odds**: 오답률(FP, FN)이 집단별로 균등해야 함.
|
||||
3. **대응 기법**:
|
||||
* **Pre-processing**: 학습 전 데이터를 재가공하여 균형 맞춤.
|
||||
* **In-processing**: 학습 과정에서 공정성 제약 조건(Penalty) 추가.
|
||||
* **Post-processing**: 결과 도출 후 편향이 감지되면 보정.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 알고리즘의 '수학적 객관성' 정책만 믿었으나, 현대 정책은 '객관적인 데이터가 곧 공정한 결과는 아니다'라는 인식을 바탕으로 '적극적 불평등 시정 정책'을 모델에 주입함(RL Update).
|
||||
- **정책 변화(RL Update)**: 채용, 대출 심사, 형량 예측 등 민감한 공공 서비스 정책에서 사용되는 알고리즘은 의무적으로 '공정성 영향 평가(Fairness Audit)'를 통과해야 하는 정책이 수립됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Toxicity-and-Bias-Mitigation]], [[AI Accountability]], [[AI Governance]], [[Ethics & AI]], [[Sociology of Knowledge]]
|
||||
- **Modern Tech/Tools**: IBM AI Fairness 360, Google What-If Tool, Fairlearn.
|
||||
---
|
||||
@@ -0,0 +1,25 @@
|
||||
---
|
||||
id: P-REINFORCE-5267ED
|
||||
category: "10_Wiki/💡 Topics/AI & Games"
|
||||
confidence_score: 0.95
|
||||
tags: []
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Mega Batch - Wikified AlphaZero Strategy"
|
||||
---
|
||||
|
||||
# [[AlphaZero Strategy]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 핵심 요약 작업 진행 중
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
본문 상세 구성 진행 중
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 지식 자산화 및 기존 네트워크 연동 단계.
|
||||
- **정책 변화:** AI & Games 카테고리의 전문성 확보 및 링크 밀도 최적화.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
|
||||
|
||||
---
|
||||
@@ -0,0 +1,33 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-ALTR-002
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.92
|
||||
tags: [auto-reinforced, altruism, evolutionary-biology, cooperation, social-ethics, ai-4-good]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Altruism]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "우리를 위한 나의 희생: 자신의 즉각적인 이익을 포기하고 타인의 복지나 공동체의 가치를 위해 헌신하는, 진화의 신비이자 인류 문명을 지탱하는 가장 고귀한 사회적 접착제."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
이타주의(Altruism)는 타인의 행복과 안녕을 위해 행동하는 태도와 행위를 말합니다.
|
||||
|
||||
1. **이론적 배경**:
|
||||
* **Kin Selection (친족 선택)**: 유전자를 공유한 가족의 생존을 도움으로써 자신의 유전자를 간접적으로 퍼뜨리는 전략.
|
||||
* **Reciprocal Altruism (호혜적 이타주의)**: "내가 도와주면 나중에 도움받을 것"이라는 신뢰 기반의 협력 (Game Theory와 연결).
|
||||
* **Effective Altruism (효율적 이타주의)**: 단순히 감정적으로 돕는 것이 아니라, 데이터와 이성을 통해 '최소의 자원으로 최대의 선'을 행하는 현대적 실천주의.
|
||||
2. **사회적 기능**:
|
||||
* 집단 내 무임승차자를 견제하고 신뢰 자본을 형성하여 복잡한 시스템의 유지를 가능케 함.
|
||||
3. **AI 시대의 이타주의**:
|
||||
* AI가 인간의 노동을 대체할 때 발생하는 부를 사회 전체에 나누려는 시도. (AI for Social Good과 연결)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거 경제학 정책은 '이기적인 인간(Homo Economicus)'을 전제로 설계되었으나, 현대 행동 경제학 정책은 인간의 내재된 '이타적 동기'가 장기적인 조직 성과의 핵심임을 입증하고 이를 장려하는 정책으로 전환함(RL Update).
|
||||
- **정책 변화(RL Update)**: 기술 기업의 사회적 책임(CSR) 정책에서 한 단계 더 나아가, 기술 자체를 공익적으로 개방하거나 비영리로 운영하는 '오픈 소스 이타주의 정책'이 AI 생태계의 주요 경쟁력으로 인정받음.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[AI for Social Good]], [[Decision Theory]], [[Ethics & AI]], [[Social Systems Theory]], [[Universal Basic Income (UBI)]], [[Activism]]
|
||||
- **Modern Tech/Tools**: Effective Altruism community, Open-source collaboration models.
|
||||
---
|
||||
@@ -0,0 +1,34 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-ANAR-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.87
|
||||
tags: [auto-reinforced, anarchism, political-philosophy, self-governance, social-movements]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Anarchism]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "권위 없는 자유의 질서: 국가나 지배 계급의 강압적인 통치를 배제하고, 개인의 자유의지와 자발적인 협력을 통해 스스로를 통치하는 이상적 사회 시스템을 꿈꾸는 정치 철학."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
무정부주의(Anarchism)는 모든 형태의 부당한 위계(Hierarchy)와 권위에 반대하며, 수평적이고 자율적인 공동체 형성을 주장하는 사상입니다.
|
||||
|
||||
1. **핵심 원칙**:
|
||||
* **Anti-statism**: 국가를 개인의 자유를 억압하는 폭력의 주체로 보고 폐지를 주장.
|
||||
* **Self-governance**: 외부의 강요가 아닌 스스로 정한 규칙을 따르는 자치 강조.
|
||||
* **Mutual Aid (상호부조)**: 경쟁이 아닌 협력을 통해 공동체의 필요를 충족함 (Altruism과 연결).
|
||||
2. **혼동 금지**:
|
||||
* 무정부주의는 '혼란(Chaos)'이 아님. 오히려 강제적인 법보다 더 엄격한 도덕적 질서와 책임감을 전제로 함.
|
||||
3. **현대적 변용**:
|
||||
* **Internet Anarchism**: 검열 없는 소통 공간과 오픈 소스 생태계.
|
||||
* **DAO (Decentralized Autonomous Organization)**: 블록체인 기술을 통한 지도자 없는 조직화 실험.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 무정부주의를 '테러리즘'이나 '폭동' 정책으로 매도했으나, 현대 정치 철학 정책은 권력 집중의 위험성을 경고하는 '비판적 거버넌스 정책'의 하나로 존중함(RL Update).
|
||||
- **정책 변화(RL Update)**: 기술 발달로 인해 중앙 서버 없는 P2P 네트워크나 암호 화폐가 등장함에 따라, 국가의 중앙 통제를 벗어난 '기술적 무정부주의 정책(Crypto-anarchism)'이 실질적인 제도로 기능하기 시작함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Anarcho-Capitalism]], [[Anarcho-Primitivism]], [[Altruism]], [[Activism]], [[Social Systems Theory]]
|
||||
- **Modern Tech/Tools**: Decentralized Web (Web3), P2P networks (Tor, BitTorrent), DAOs.
|
||||
---
|
||||
@@ -0,0 +1,32 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-ANCA-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.85
|
||||
tags: [auto-reinforced, anarcho-capitalism, libertarianism, free-market, private-property]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Anarcho-Capitalism]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "시장 중심의 무정부주의: 국가가 독점하던 치안, 국방, 법률 서비스까지 모든 것을 사유 재산권과 자유 시장의 계약에 맡겨 효율성과 자유를 극대화하려는 급진적 우파 사상."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
아나코-캐피탈리즘(Anarcho-Capitalism)은 무정부주의와 자본주의(자유 시장)를 결합한 형태로, 모든 국가적 기능을 민간 시장으로 대체해야 한다고 주장합니다.
|
||||
|
||||
1. **핵심 근거**:
|
||||
* **Self-Ownership**: 인간은 자신의 신체와 노동 산출물에 대해 절대적 권리를 가짐.
|
||||
* **Non-Aggression Principle (NAP)**: 누구도 타인이나 타인의 재산에 먼저 물리적 힘을 행사할 수 없음.
|
||||
* **Private Defense Agencies**: 경찰이나 군대 대신 민간 보안 업체가 계약을 통해 안전 보장.
|
||||
2. **비판**:
|
||||
* 권력의 불평등이 더 심해져 기업 독재가 나타날 수 있다는 우려.
|
||||
* 환경 오염 등 공공재 관리가 불가능하다는 지적.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 공상적 이론에 불과했으나, 현대의 디지털 환경 정책에서는 국가 화폐에 의존하지 않는 '비트코인 경제 정책(Bitcoin Standard)' 등을 통해 이 사상이 부분적 실체를 갖추기 시작함(RL Update).
|
||||
- **정책 변화(RL Update)**: 거대 테크 기업이 자신들만의 '플랫폼 법전'을 만들고 사용자에게 규칙을 강요함에 따라, 이 사상이 주창했던 '사설 규범 체계'가 현실 정책에서 기업 권력으로 변질되는 양상을 보임.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Anarchism]], Capitalism, [[Ethics & AI]], [[Decision Theory]], [[Universal Basic Income (UBI)]]
|
||||
- **Modern Tech/Tools**: Decentralized Finance (DeFi), Smart contracts.
|
||||
---
|
||||
@@ -0,0 +1,32 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-ANTI-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.99
|
||||
tags: [auto-reinforced, antifragility, risk-management, Nassim-Taleb, resilience, system-design]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Antifragility]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "혼란을 먹고 자라는 힘: 충격을 받으면 단순히 버티는(Robust) 것을 넘어, 그 무질서와 압박으로부터 학습하고 진화하여 이전보다 더 강력해지는 최상위 시스템의 생존 전략."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
안티프래질(Antifragility)은 나심 니콜라스 탈레브(Nassim Taleb)가 명명한 개념으로, 충격(Shock)이나 변동성(Volatility)에 노출될 때 성능이나 가치가 오히려 향상되는 성질을 의미합니다.
|
||||
|
||||
1. **3대 상태 비교**:
|
||||
* **Fragile (취약함)**: 충격을 받으면 부서짐. (예: 유리잔, 관료제)
|
||||
* **Robust (강인함)**: 충격에도 변하지 않고 견딤. (예: 돌덩이, 방화벽)
|
||||
* **Antifragile (안티프래질)**: 충격을 통해 더 강해짐. (예: 근육, 스타트업 생태계, 에러를 통해 배우는 AI 모델)
|
||||
2. **적용 원칙**:
|
||||
* **Barbell Strategy**: 극도로 안전한 것과 극도로 위험한(동시에 보상이 큰) 것을 조합하여 파멸적 리스크는 피하고 기회(Upside)는 열어두는 전략.
|
||||
* **Small Stressors**: 시스템이 정체되지 않도록 작은 충격과 시행착오를 지속적으로 허용함. (예: 백신, Chaos Engineering)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거의 모든 설계 정책은 '불확실성 제거'와 '최적화'에만 집중했으나, 현대 시스템 정책은 불확실성을 기회로 활용하고 실패 비용을 낮추는 '안티프래질 아키텍처 정책'으로 근본 설계를 변경함(RL Update).
|
||||
- **정책 변화(RL Update)**: 금융 및 국가 위기 관리 정책에서, 예측 불가능한 '블랙 스완'을 맞추려 노력하기보다 어떤 충격에도 적응하고 진화하는 '안티프래질 인프라 정책' 수립이 필수가 됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Robustness]], [[Adaptability]], [[Reinforcement Learning (RL)]], [[Ps-Reinforce]], [[Agile-Philosophy]], [[Decision Theory]]
|
||||
- **Modern Tech/Tools**: Netflix Chaos Monkey (Chaos Engineering), Decentralized systems.
|
||||
---
|
||||
@@ -0,0 +1,32 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-ASSP-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.92
|
||||
tags: [auto-reinforced, asset-specific-knowledge, specialization, competitive-advantage, core-competency]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Asset-Specific-Knowledge]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "다른 곳에는 없는 나만의 무기: 특정 조직, 프로젝트, 혹은 시스템에만 고유하게 존재하는 깊이 있는 지식으로, 외부인은 쉽게 흉내 낼 수 없는 핵심 경쟁력의 원천."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
자산 특정적 지식(Asset-Specific-Knowledge)은 특정 자산(비즈니스, 코드베이스, 복잡계 등)의 구조, 역사, 구성 요소들 간의 미묘한 관계에 대해 깊이 있게 알고 있는 지식을 의미합니다.
|
||||
|
||||
1. **지식의 특징**:
|
||||
* **Tacit Knowledge (암묵지)**: 문서화하기 어려운 노하우나 맥락 포함.
|
||||
* **High Replacement Cost**: 이 지식을 가진 사람이 떠나면 시스템의 성능이 급격히 저하되거나 복구에 큰 비용 발생.
|
||||
* **Context-dependent**: 해당 시스템 밖에서는 가치가 낮을 수 있지만, 안에서는 대체 불가능함.
|
||||
2. **왜 중요한가?**:
|
||||
* **Operational Excellence**: 시스템의 병목을 정확히 찾아내고 최적화하게 해줌 (Theory of Constraints와 협업).
|
||||
* **Strategic Moat**: 기업이 가진 기술적 해자(Moat)는 흔히 이 특정적 지식의 축적에서 비롯됨.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거 기업 정책은 인력을 부품화하여 '매뉴얼화된 범용 지식'만 남기려 했으나, 현대의 복잡한 기술 정책은 장기 근속자와 전문가들만이 가진 '자산 특정적 지식 정책'을 보호하고 이식하는 것을 핵심 전략으로 삼음(RL Update).
|
||||
- **정책 변화(RL Update)**: 에이전트 개발 정책에서, 범용 모델을 그대로 쓰는 대신 기업 내부 데이터와 워크플로우를 학습시킨 '특화 에이전트 정책'이 실질적인 ROI를 만들어내는 핵심 트렌드가 됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Foundational Models, [[Technical-Architecture]], [[Workflow-Integrity]], [[Theory of Constraints (TOC)]], [[Agile-Philosophy]]
|
||||
- **Modern Tech/Tools**: Internal knowledge base (Wiki), Specialized RAG (Retrieval-Augmented Generation).
|
||||
---
|
||||
@@ -0,0 +1,27 @@
|
||||
---
|
||||
id: P-REINFORCE-AI-ASD
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.96
|
||||
tags: [ASD, Autism, AI Intervention, Healthcare, Therapy]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# Autism-Spectrum-Disorder-(ASD)-Intervention (ASD를 위한 기술적 개입)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "사회적 장벽을 허무는 디지털 동반자." 자폐 스펙트럼 장애(ASD)를 가진 이들이 겪는 의사소통과 감정 인식의 어려움을 AI 기술을 통해 보조하고 교육하는 인도적 기술이다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Emotion Recognition Training**:
|
||||
- 사람의 표정을 분석하여 감정을 텍스트나 소리로 알려주는 안경(Smart glass)이나 앱을 통해 사회적 상호작용을 돕는다.
|
||||
- **Social Scenarios Simulation**:
|
||||
- VR(가상 현실)과 AI를 결합하여 안전한 환경에서 사회적 상황을 반복 연습하게 함으로써 실제 상황에서의 불안감을 낮춘다.
|
||||
- **Personalized Learning Robots**:
|
||||
- 사람과의 접촉을 부담스러워할 수 있는 환자를 위해, 감정이 일관되고 인내심이 강한 교육용 로봇을 통해 기초 교육을 수행한다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 기술은 보조적 수단일 뿐, 인간 전문가나 가족의 사랑과 지지를 대체할 수 없다. 기술 과의존으로 인해 현실 세계와의 접촉이 더 줄어들지 않도록 인간 지향적 설계(Human-centered design)가 매우 중요하다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Accessibility-Compliance-Audit]] , Psychology_Cognitive_Science
|
||||
- Ethics: AI-Ethics
|
||||
@@ -0,0 +1,34 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-ADM-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.96
|
||||
tags: [auto-reinforced, automated-decision-making, adm, algorithm, efficiency, ethics-governance]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Automated-Decision-Making]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "알고리즘이 내리는 판결: 인간의 개입 없이 사전에 설정된 논리나 AI 모델이 데이터를 분석하여 대출 승인, 채용 합격, 혹은 형량 판단과 같은 중요한 의사결정을 실시간으로 수행하는 체계."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
자동화된 의사결정(Automated-Decision-Making, ADM)은 데이터를 입력받아 알고리즘이 자동으로 결론을 도출하고 이를 집행하는 시스템을 의미합니다.
|
||||
|
||||
1. **유형**:
|
||||
* **Decision Support**: AI가 분석 결과를 제공하고 최종 결정은 인간이 함. (Human-in-the-loop)
|
||||
* **Fully Automated**: 인간의 개입 없이 시스템이 즉시 행동 수행. (예: 주식 알고리즘 매매, 광고 입찰)
|
||||
2. **이점**:
|
||||
* **Scale & Speed**: 수백만 건의 요청을 1초 이내에 처리 가능.
|
||||
* **Consistency**: 감정이나 피로도에 좌우되지 않는 일관된 기준 적용.
|
||||
3. **위점**:
|
||||
* **Lack of Context**: 숫자로 표현되지 않는 미묘한 인간적 상황 무시.
|
||||
* **Embedded Bias**: 알고리즘 내에 숨어있는 차별적 요소가 대량 집행됨.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 효율성만을 위해 ADM 도입을 권장하는 정책이었으나, 현대의 인권 정책은 이에 대해 '설명 요구권'과 '인간에 의한 재검토권'을 법적으로 보장하는 정책으로 강화됨(RL Update, 예: GDPR 제22조).
|
||||
- **정책 변화(RL Update)**: 공공 수사 및 복지 정책에서 ADM을 쓸 경우, 반드시 알고리즘의 소스코드와 학습 데이터를 감사받아야 하는 'ADM 투명성 및 책임성 의무화 정책'이 글로벌 표준이 됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Algorithmic Fairness]], [[AI Accountability]], [[Decision Theory]], [[Algorithmic Transparency]], [[AI Governance]]
|
||||
- **Modern Tech/Tools**: Credit scoring AI, Resume screening tools, Automated trading systems.
|
||||
---
|
||||
@@ -0,0 +1,27 @@
|
||||
---
|
||||
id: P-REINFORCE-AI-REFACT
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.96
|
||||
tags: [Refactoring, Static Analysis, AI Code, Technical Debt]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Automated-Refactoring-Tools]] (자동 리팩토링 도구)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 코드는 생명체와 같아서 방치하면 썩는다. 자동 리팩토링 도구는 코드의 악취를 맡고 실시간으로 해독제를 주입하는 '시스템의 면역계'다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Static Analysis (정적 분석)**:
|
||||
- 코드를 실행하지 않고도 잠재적 버그, 중복 코드, 매직 넘버 등을 찾아내어 표준화된 스타일(Lint)로 교정한다.
|
||||
- **AI-Powered Code Assistant (Copilot, Cursor)**:
|
||||
- LLM을 활용하여 단순한 린트를 넘어, 함수의 복잡도를 낮추거나 비효율적인 루프를 고성능 패턴으로 바꾸는 지능적 제안을 수행한다.
|
||||
- **Code Transformation Engines**:
|
||||
- 대규모 프레임워크 업데이트(예: React 17 -> 18) 시 전체 코드 베이스를 기계적으로 변환하여 인간의 실수를 줄이고 마이그레이션 비용을 획기적으로 낮춘다 (e.g., CodeMods).
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 자동화 도구에 100% 의존하는 것은 위험하다. 비즈니스 맥락(Business Context)을 모르는 기계적 리팩토링은 때로 의도된 우회 코드를 파괴할 수 있다. 최종 검사(Human-in-the-loop)는 여전히 필수적인 관문이다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[React_Clean_Code_Best_Practices]] , Software Reliability
|
||||
- Foundation: [[System_Debugging_Protocol]]
|
||||
@@ -0,0 +1,27 @@
|
||||
---
|
||||
id: P-REINFORCE-SEC-AUDIT
|
||||
category: "10_Wiki/💡 Topics/Security"
|
||||
confidence_score: 0.97
|
||||
tags: [Security Audits, Automation, Compliance, AI]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Automated-Security-Audits]] (자동 보안 감사)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "감사는 1년에 한 번 하는 행사가 아니라, 매 순간 일어나는 이벤트여야 한다." Continuous Security를 지향하는 현대적 보안 감사의 핵심 원칙이다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Policy as Code (PaC)**:
|
||||
- 보안 규정(예: 모든 S3 버킷은 비공개여야 함)을 코드로 정의하고, 테라폼(Terraform)이나 쿠버네티스 배포 시 자동으로 검사한다.
|
||||
- **Compliance Monitoring**:
|
||||
- ISO 27001, SOC2 같은 국제 표준 준수 여부를 실시간 대시보드로 확인하고, 규정 위반 시 자동으로 티켓을 생성한다.
|
||||
- **AI Pen-Testing**:
|
||||
- AI 에이전트가 시스템의 약점을 수동태로 계속해서 찌르고 시뮬레이션하여(Red Teaming), 인간이 놓친 경로를 발굴한다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 자동화는 효율적이지만 '제로 데이(Zero-day)' 취약점 앞에서는 무력할 수 있다. 자동 감사는 알려진 위협(Known unknowns)을 막는 방패이며, 알려지지 않은 위협(Unknown unknowns)은 화이트 해커의 창의적 수동 분석이 여전히 필요하다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: Security_Governance , [[SAST]]
|
||||
- Strategy: [[Reliability_Safety_First]]
|
||||
@@ -0,0 +1,33 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-AUAG-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.99
|
||||
tags: [auto-reinforced, autonomous-agents, ai-agents, agency, self-governance, future-tech]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Autonomous-Agents]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "스스로 미션을 완수하는 디지털 인격: 상위 수준의 목표만 주어지면, 필요한 도구를 찾고 계획을 세워 시행착오를 거치며 결과물을 만들어내는 독립적인 지능형 수행 주체."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
자율 에이전트(Autonomous-Agents)는 외부의 지속적인 개입 없이 스스로의 판단으로 환경과 상호작용하며 목표를 달성하는 소프트웨어 또는 로봇 엔티티입니다.
|
||||
|
||||
1. **에이전트의 3대 필수 능력 (The Agency)**:
|
||||
* **Autonomy**: 스스로 의사결정의 우선순위를 정함.
|
||||
* **Adaptability**: 환경의 변화나 실패 상황에서 전략을 동적으로 수정함.
|
||||
* **Persistence**: 목표가 달성될 때까지 혹은 중단 조건이 충족될 때까지 작업을 지속함.
|
||||
2. **구성 요소**:
|
||||
* 기억(Memory), 계획(Planning), 실행(Action/Tools) 기능이 융합된 아키텍처. (Agent Architecture와 연결)
|
||||
3. **지위의 변화**:
|
||||
* 단순 검색 엔진이나 챗봇을 넘어, 인간의 비즈니스 프로세스나 창작 프로세스를 대행하는 '가상 직원' 혹은 '공동 연구자'로 진화.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거 에이전트는 제한된 시나리오(Decision Tree) 안에서만 작동했으나, 현대의 LLM 기반 에이전트 정책은 비정형적인 자연어 명령을 해석하고 창의적인 해결책을 찾아내는 '창발적 자율성 정책'을 누림(RL Update).
|
||||
- **정책 변화(RL Update)**: 자율 에이전트가 예산을 독자적으로 집행하거나 법적 계약을 맺을 때 발생하는 책임 소재 정책(Agent Liability)이 정립 중이며, '에이전트 간의 경제 생태계' 출현에 대비한 새로운 시장 규칙 마련이 시급해짐.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Agent Architecture]], [[Agent Personality]], [[Agentic Coding]], [[Ps-Reinforce]], Foundational Models
|
||||
- **Modern Tech/Tools**: BabyAGI, AutoGPT, AgentGPT, Multi-agent collaboration frameworks.
|
||||
---
|
||||
@@ -0,0 +1,35 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-9B8C6B
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - Autonomous-Polling-Wait-Automation"
|
||||
---
|
||||
|
||||
# [[Autonomous-Polling-Wait-Automation]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> Deep Research 작업의 완료를 에이전트가 스스로 감지하고, "가져오기" 버튼을 누를 필요 없이 즉시 데이터를 수집하는 지능형 대기 시스템입니다. 10초 단위의 상태 폴링(Polling)을 통해 NotebookLM의 작업 상태를 모니터링하며, 완료 시점에 즉각적으로 다음 단계(Synthesis)로 전이됩니다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
NotebookLM의 'Deep Research' 기능은 대규모 데이터를 처리하므로 평균 3~10분의 시간이 소요됩니다. 이전 버전에서는 사용자가 브라우저를 모니터링하다가 수동으로 '합성하기' 버튼을 눌러야 루프가 이어졌으나, 이를 다음과 같이 자동화했습니다.
|
||||
|
||||
1. **State Polling Interface**: `research_status` API를 호출하여 작업의 진행 상태를 JSON 형태로 실시간 수집합니다.
|
||||
2. **Hybrid Wait Strategy**:
|
||||
- **Auto Mode**: 최대 10분(60회 폴링) 동안 'completed' 상태를 추적하며, 감지 즉시 `research_import`를 실행합니다.
|
||||
- **Manual Fallback**: 만약 10분이 지나도 완료되지 않거나 네트워크 오류가 발생하면, 시스템은 중단되지 않고 다시 '수동 대기' 모드로 전환되어 사용자의 판단을 기다립니다.
|
||||
3. **Promise-Level Sync**: JavaScript의 비동기 제어 구조(Async/Await)를 활용하여, 폴링 루프가 도는 동안 엔진의 메인 루프를 안전하게 일시 정지(Suspend) 시킵니다.
|
||||
|
||||
이 자동화로 인해 에이전트는 진정한 의미의 '잠들지 않는 연구원'이 되었으며, 대규모 지식 수집 시 사용자의 피로도를 획기적으로 낮추었습니다.
|
||||
|
||||
## ⚠️ 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:** [[NotebookLM-Automated-Authentication-CLI]], Autonomous-Loop-State-Machine
|
||||
- **Projects/Contexts:** P-Reinforce-Agent-v2.6
|
||||
- **Contradictions/Notes:** 너무 잦은 폴링은 API 할당량(Quota) 이슈를 유발할 수 있으므로 10초 간격이 권장됩니다.
|
||||
|
||||
---
|
||||
@@ -0,0 +1,33 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-BACK-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.97
|
||||
tags: [auto-reinforced, backend, server-side, architecture, api, data-management]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Backend]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "보이지 않는 곳의 설계자: 사용자가 접하는 화면 뒤에서 데이터를 저장하고, 복잡한 로직을 처리하며, 보안을 책임지고 시스템의 안정성을 실질적으로 지탱하는 엔진룸."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
백엔드(Backend)는 웹이나 앱의 서버 측(Server-side) 영역으로, 데이터베이스와의 상호작용 및 비즈니스 로직 처리를 담당합니다.
|
||||
|
||||
1. **3대 핵심 구성 요소**:
|
||||
* **Server**: 클라이언트의 요청을 받아 응답을 반환하는 물리적/가상적 장치.
|
||||
* **Application**: 특정 언어(Python, Node.js 등)로 작성된 비즈니스 로직의 집합.
|
||||
* **Database**: 정보를 안전하고 효율적으로 보관하는 저장소. (Availability-and-Persistence와 연결)
|
||||
2. **주요 역할**:
|
||||
* **API Design**: 프론트엔드와 소통하기 위한 규격 정의.
|
||||
* **Security & Auth**: 사용자 인증 및 권한 관리 (API-Key-Management와 연결).
|
||||
* **Optimization**: 대량의 요청 처리 및 데이터 인출 속도 최적화.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 모든 기능을 한 곳에 모은 'Monolith' 정책이 대세였으나, 현대 클라우드 정책은 기능을 잘게 쪼개어 독립적으로 운영하는 'Microservices Architecture (MSA) 정책'으로 확장성을 확보함(RL Update).
|
||||
- **정책 변화(RL Update)**: 서버를 직접 관리하지 않고 실행할 때만 자원을 빌려 쓰는 'Serverless 정책'이 대중화되면서, 백엔드 엔지니어링의 중심이 인프라 관리에서 '비즈니스 흐름(Flow) 설계'로 이동함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Technical-Architecture]], [[API-Key-Management]], [[Availability-and-Persistence]], [[Software-Design-Principles]], [[Workflow-Integrity]]
|
||||
- **Modern Tech/Tools**: Node.js, Python FastAPI, Go, Docker/Kubernetes, Redis, PostgreSQL.
|
||||
---
|
||||
@@ -0,0 +1,27 @@
|
||||
---
|
||||
id: P-REINFORCE-AI-FINANCE
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.98
|
||||
tags: [Behavioral Finance, Psychology, Market, Investment]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# Behavioral-Finance (행동 재무학)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 주식 시장은 '가치'가 아니라 '군중의 광기와 공포'에 의해 움직이며, 이 비합리적 패턴을 수학적으로 모델링하여 초과 수익(Alpha)을 찾는 학문이다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Overconfidence Bias (자기과신 편향)**:
|
||||
- 자신이 평균보다 정보를 더 잘 해석한다고 믿는 착각. 이로 인해 과도한 거래가 발생하고 수수료로 수익이 깎이는 현상이 발생한다.
|
||||
- **Herd Behavior (群集 심리)**:
|
||||
- 뚜렷한 근거 없이 남들이 사니까 따라 사는 것. 버블(Bubble)이 형성되고 붕괴되는 심리적 메커니즘의 핵심이다.
|
||||
- **Mental Accounting (심적 회계)**:
|
||||
- 공짜로 얻은 돈과 힘들게 번 돈을 다르게 대하는 태도. 도박꾼의 오류(Gambler's Fallacy)와 연결되어 비합리적인 베팅을 유도한다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 행동 재무학은 시장의 비합리성을 말하지만, 이를 이용해 돈을 버는 것은 또 다른 문제다(효율적 시장 가설과의 충돌). 최근에는 AI를 통해 소셜 미디어의 감정(Sentiment)을 분석하여 군중 심리를 정량화하는 고도화된 퀀트(Quant) 전략이 사용된다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Behavioral-Economics]] , [[Game Design Theory]]
|
||||
- Foundation: [[Information Theory]]
|
||||
@@ -0,0 +1,29 @@
|
||||
---
|
||||
id: P-REINFORCE-SEC-TOOLS
|
||||
category: "10_Wiki/💡 Topics/Security"
|
||||
confidence_score: 0.98
|
||||
tags: [SAST, Security Tools, 2026, Snyk, SonarQube]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# Best-SAST-Tools-in-2026 (2026년 최고의 SAST 도구)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "도구는 똑똑해졌고, 개발자는 더 안전해졌다." 2026년 현재, 단순 패턴 매칭을 넘어 코드의 '의도'를 파악하는 AI 기반 보안 도구가 시장을 지배하고 있다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **SonarQube (Professional Edition)**:
|
||||
- 코드 품질과 결합된 전통의 강자. 최근 딥러닝 엔진을 탑재하여 정교한 데이터 흐름 분석 기능을 강화했다.
|
||||
- **Snyk (Developer First)**:
|
||||
- 개발자 친화적인 UI와 강력한 오픈소스 라이브러리 취약점 관리(SCA)를 동시에 제공한다. PR 단계에서 즉각적인 수정을 제안한다.
|
||||
- **Checkmarx One**:
|
||||
- 엔터프라이즈 환경에서 수천 개의 마이크로서비스를 통합 관리할 수 있는 가시성을 제공한다.
|
||||
- **GitHub Advanced Security (CodeQL)**:
|
||||
- 깃허브 네이티브 환경에서 코드를 쿼리처럼 검색하여 취약점을 찾는 독보적인 기능을 제공한다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 최고 사양의 도구를 도입하더라도, 조직의 '문화(DevSecOps)'가 뒷받침되지 않으면 무용지물이다. 경고를 무시하지 않고 즉각 대응하는 거버넌스(Governance) 프로세스가 도구의 성능보다 중요하다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[SAST (Static Application Security Testing)]] , [[Deployment_Final_Gate]]
|
||||
- Context: [[Modern_Environment_Ecosystem]]
|
||||
@@ -0,0 +1,29 @@
|
||||
---
|
||||
id: BON-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.0
|
||||
tags: [ai-inference, llm, sampling-strategy, post-processing]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[Best-of-N Sampling (최적 샘플링)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "많이 뽑고 가장 좋은 것을 골라라" — 모델로부터 N개의 응답을 생성한 뒤, 별도의 보상 모델(RM)이나 채점 기준을 통해 가장 품질이 높은 최적의 답변 하나를 선택하는 추론 최적화 기법.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 생성(Generation)과 검증(Verification) 단계를 분리하여, 단일 생성 시 발생할 수 있는 환각(Hallucination)이나 저품질 응답 리스크를 통계적으로 억제하는 패턴.
|
||||
- **세부 내용:**
|
||||
- **N개 생성:** 동일한 프롬프트에 대해 온도를 조절하며 독립적인 N개의 응답 후보군을 확보.
|
||||
- **Reward Model (RM):** 각 후보 응답의 논리성, 안전성, 정확성을 평가하여 점수를 부여.
|
||||
- **Rejection Sampling:** 점수가 낮은 응답은 버리고 최고점을 받은 응답만을 최종 출력으로 선택.
|
||||
- **연산 비용:** 추론 시 N배의 컴퓨팅 자원이 소모되지만, 결과물의 신뢰도를 비약적으로 상승시킴.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 단순히 확률 기반으로 다음 토큰을 고르던 방식에서, 전체 문맥의 완성도를 사후에 평가하는 '검증 기반 추론'으로의 발전.
|
||||
- **정책 변화:** 실시간 응답이 중요한 챗봇보다는 정확도가 생명인 코드 생성이나 데이터 추출 에이전트에서 주로 채택됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Parent:** 10_Wiki/💡 Topics/AI
|
||||
- **Related:** Chain-of-Thought, Self-Consistency, Reward-Modeling
|
||||
- **Raw Source:** 00_Raw/2026-04-20/Best-of-N Sampling.md
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-BONS-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.94
|
||||
tags: [auto-reinforced, best-of-n, sampling-strategy, inference-optimization, llm, reasoning, reranking]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Best-of-N-Sampling]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "지능의 물량 공세: 한 번에 정답을 맞히려 애쓰기보다, N개의 답변을 동시에 생성한 뒤 그중 가장 논리적이고 정확한 '최선의 답변'을 골라내는 방식으로 추론 능력을 비약적으로 끌어올리는 인퍼런스 최적화 전술."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
Best-of-N Sampling(최적 샘플링)은 거대 언어 모델(LLM)의 추론 품질을 높이기 위해 사용되는 디코딩 시점의 리랭킹(Reranking) 기법입니다.
|
||||
|
||||
1. **메커니즘**:
|
||||
* **Generation**: 동일한 프롬프트에 대해 Temperature를 조절하여 N개의 독립적인 답변 후보를 생성.
|
||||
* **Scoring (Reward Model)**: 생성된 N개의 답변을 보상 모델(RM)이나 특정 검증 로직(Verifier)으로 평가.
|
||||
* **Selection**: 가장 높은 점수를 받은 답변을 최종 출력으로 선택.
|
||||
2. **왜 중요한가?**:
|
||||
* 모델 자체를 추가 학습(Training)시키지 않고도, 추론 시점의 연산 자원(Inference compute)을 추가 투입하여 SOTA 급의 성능을 낼 수 있기 때문임. (Scalability와 연결)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 무조건 '가장 확률 높은 다음 토큰(Greedy search)'만 찾는 것이 최선이라 여겼으나, 현대 정책은 다양성 정책(Diversity)을 확보한 뒤 사후 검증 정책(Post-verification)을 거치는 것이 훨씬 더 복잡한 추론 문제 정책에 효과적임을 증명함(RL Update).
|
||||
- **정책 변화(RL Update)**: 최근 OpenAI o1 등 추론 전문 모델 정책은 단순히 N개를 뽑는 수준을 넘어, 생각의 체인(CoT) 과정 자체를 검증하고 수정하는 시스템으로 진화 중임. (Tree-of-Thought와 연결)
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Scalability]], [[Reinforcement Learning (RL)]], Tree-of-Thought, [[Search-Strategy]], Inference
|
||||
- **Related Terms**: Rejection Sampling, Majority Voting, Thought-level Verifiers.
|
||||
---
|
||||
@@ -0,0 +1,27 @@
|
||||
---
|
||||
id: P-REINFORCE-AI-BIAS-CORR
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.98
|
||||
tags: [Bias Correction, AI Ethics, Algorithmic Fairness, Statistics]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Bias-Correction-Algorithm]] (편향 보정 알고리즘)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "데이터의 편견은 모델의 차별이 된다." 특정 인구통계학적 특성에 치우친 데이터를 수학적으로 재조정하여, AI가 공정하고 객관적인 판결을 내리도록 강제하는 기술적 윤리 장치다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Pre-processing Techniques**:
|
||||
- 학습 전 데이터셋에서 편향된 샘플의 가중치를 조절하거나(Reweighing), 정보를 제거하여 모델이 편견을 학습하지 못하게 한다.
|
||||
- **In-processing Approaches**:
|
||||
- 손실 함수(Loss function)에 '공정성 제약 조건'을 추가하여, 정확도뿐만 아니라 공정성 점수도 함께 최적화한다.
|
||||
- **Post-processing Calibration**:
|
||||
- 모델의 예측 결과가 나온 뒤, 특정 집단에 대해 임계값(Threshold)을 조정하여 최종 출력의 균형을 맞춘다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 과도한 편향 보정은 모델의 전반적인 정확도(Accuracy)를 떨어뜨릴 수 있다. '정확도와 공정성 사이의 트레이드오프'를 비즈니스 가치에 맞게 합의하는 의사결정이 기술보다 더 중요하다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: AI-Ethics , [[Bias-Variance-Tradeoff]]
|
||||
- Strategy: [[Reliability_Safety_First]]
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-BAID-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.91
|
||||
tags: [auto-reinforced, binary-analysis, code-stylometry, security, author-identification, ml-security, de-compilation]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Binary-Author-Identification]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "디지털 지문 추적: 기계어(Binary)로 번역되어 개성이 사라진 줄 알았던 코드 속에서도, 코딩 습관과 라이브러리 사용 패턴 등 개발자 고유의 '스타일'을 AI가 감지해내어 원래 누가 짠 코드인지 찾아내는 보안 포렌식 기술."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
바이너리 저자 식별(Binary-Author-Identification)은 컴파일된 실행 파일에서 소스 코드의 저자를 특정하는 연구 분야입니다. (Caliskan-Islam 등의 연구가 대표적)
|
||||
|
||||
1. **핵심 기법**:
|
||||
* **Feature Extraction**: 제어 흐름 그래프(CFG), 함수 호출 빈도, 레지스터 사용 패턴 등 바이너리 수준의 특징 추출.
|
||||
* **Stylometric Analysis**: 가변수 이름이 사라진 상태에서도 남아있는 고유한 '코드 스타일 지문' 분석.
|
||||
* **Deep Learning**: 바이너리 시퀀스를 임베딩하여 유사도를 측정하는 신경망 모델 적용. (Representation-Learning와 연결)
|
||||
2. **왜 중요한가?**:
|
||||
* 악성코드 제작자 추적, 오픈소스 저작권 도용 적발 등 사이버 보안 포렌식 분야에서 결정적인 증거를 제공하기 때문임. (Risk-Management와 연결)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 컴파일러 최적화 정책(Optimization)이 스타일을 모두 날려버려 식별이 불가능하다고 믿었으나, 현대 AI 정책은 최적화 후에도 남는 미세한 편향성 정책(Bias)을 잡아내는 데 성공함(RL Update).
|
||||
- **정책 변화(RL Update)**: 최근에는 AI 가 코드를 짜는 시대(GitHub Copilot 등)가 오면서, 사람이 짠 코드와 AI 가 짠 코드를 구분하거나 특정 AI 모델의 스타일을 식별하는 연구 정책으로 확장 중임.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Risk-Management]], [[Representation-Learning]], Security, [[Source-Control]], [[Feature-Engineering]]
|
||||
- **Key Researchers**: Aylin Caliskan, Arvind Narayanan.
|
||||
---
|
||||
@@ -0,0 +1,27 @@
|
||||
---
|
||||
id: P-REINFORCE-SCI-BIOINFO
|
||||
category: "10_Wiki/💡 Topics/Science"
|
||||
confidence_score: 0.98
|
||||
tags: [Bioinformatics, AlphaFold, DNA Sequencing, Protein Structure]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Bioinformatics-Structure-Prediction]] (바이오 인포매틱스와 구조 예측)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 생명과학의 난제인 '단백질 접힘(Protein Folding)' 문제를 딥러닝(AlphaFold)으로 해결함으로써, 신약 개발과 질병 정복의 속도를 100배 이상 가속화했다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **DNA to Structure**:
|
||||
- DNA 서열 정보에서 단백질의 3D 입체 구조를 예측하는 것은 생물학의 성배였다. 이 구조가 결정되어야 약물이 어디에 결합할지(Docking) 알 수 있기 때문이다.
|
||||
- **AlphaFold (DeepMind)**:
|
||||
- 트랜스포머 아키텍처를 바이오 데이터에 이식하여 수십 년 걸리던 구조 분석을 단 며칠로 단축했다. 2억 개 이상의 단백질 구조 데이터를 전 세계에 공개하여 과학적 혁명을 일으켰다.
|
||||
- **Genome Sequencing**:
|
||||
- 대량의 염기 서열 데이터를 고속으로 처리하고 통계적으로 분석하여 유전병의 원인을 찾아내는 머신러닝 분석 기법.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 정적인 구조 예측을 넘어, 이제는 단백질이 시간에 따라 어떻게 움직이는지(Dynamics)를 예측하는 것이 다음 과제다. 이는 항암제와 같은 정밀 의료의 핵심이 된다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Digital Twins]] , Deep-Learning-Basics
|
||||
- Foundation: [[Information Theory]]
|
||||
@@ -0,0 +1,27 @@
|
||||
---
|
||||
id: P-REINFORCE-AI-BIO-INSPIRED
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.99
|
||||
tags: [Bio-Inspired Algorithms, Genetic Algorithms, Ant Colony Optimization, Evolution]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Biological-Inspired-Algorithms]] (생물 유래 알고리즘)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "자연은 수억 년 동안 검증된 최적화 라이브러리다." 진화, 군집 행동, 면역 체계 등 생물계의 생존 전략을 수학적으로 모델링하여 복잡한 공학적 난제를 해결하는 최적화 기법이다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Genetic Algorithms (GA)**:
|
||||
- 선택, 교차(Crossover), 변이(Mutation) 과정을 반복하며 가장 '적합한' 해를 찾아가는 다윈의 진화론 기반 알고리즘.
|
||||
- **Swarm Intelligence (ACO/PSO)**:
|
||||
- 개별 개체(개미, 새)는 단순하지만, 그들의 상호작용이 거대한 지능(최단 경로 찾기 등)을 만들어내는 현상을 이용한 최적화.
|
||||
- **Neural Networks**:
|
||||
- 뇌의 뉴런 연결 구조를 모방한 인공 신경망 역시 가장 거대한 생물 유래 알고리즘의 범주에 속한다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 자연 모방 알고리즘은 전역 최적해(Global Optimum)를 찾는 데 유용하지만, 수렴 속도가 느릴 수 있다. 따라서 최근에는 수학적인 경사 하강법과 하이브리드로 결합하여 '정밀도'와 '탐색 범위'를 동시에 잡는 추세다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Reinforcement-Learning]] , [[Algorithmic-Biology]]
|
||||
- Strategy: Innovation-Management
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-BLSW-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.95
|
||||
tags: [auto-reinforced, black-swan, risk-management, uncertainty, statistics, economics]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Black-Swan]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "예측 불가능한 거대한 충격: 발생 확률은 극도로 낮지만 일단 일어나면 세상의 판도를 완전히 뒤바꿔버리며, 사후에는 '충분히 예측 가능했다'고 합리화하게 만드는 치명적 사건."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
블랙 스완(Black-Swan)은 통계적 예측 범위를 벗어나는 희귀하고 충격적인 사건을 의미합니다 (나심 탈레브 제안).
|
||||
|
||||
1. **3대 특징**:
|
||||
* **Outlier**: 과거의 경험으로는 도저히 예상할 수 없는 이례적인 사건.
|
||||
* **Extreme Impact**: 전체 시스템을 붕괴시키거나 역사를 바꿀 만큼 영향력이 거대함.
|
||||
* **Retrospective Predictability**: 발생 후에는 인간이 온갖 이유를 붙여 마치 예견된 일이었던 것처럼 착각하게 만듦 (Hindsight Bias).
|
||||
2. **대응 전략**:
|
||||
* **Antifragility**: 충격을 단순히 견디는 데 그치지 않고, 그 혼란을 성장의 발판으로 삼는 시스템 구축. (Antifragility와 연결)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거의 리스크 관리 정책은 '벨 커브(정규 분포)'의 중심부 근처만 대비하는 정책이었으나, 현대 정책은 꼬리 부분의 극단값(Fat-tail)에 의한 붕괴 정책을 방어하는 것이 더 핵심임을 인정함(RL Update).
|
||||
- **정책 변화(RL Update)**: AI 개발 및 배포 정책에서, 예상 범위를 벗어난 인공지능의 폭주나 오작동이 가져올 '기술적 블랙 스완 정책'에 대비한 레드 티밍(Red Teaming) 및 긴급 중단 정책(Kill-switch)이 필수화됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Antifragility]], [[Robustness]], Probability, [[Bayesian Statistics]], [[Safety & Reliability]]
|
||||
- **Modern Tech/Tools**: Stress testing models, Scenario planning, Chaos engineering.
|
||||
---
|
||||
@@ -0,0 +1,33 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-BLOC-002
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.94
|
||||
tags: [auto-reinforced, blocking, synchronous, computation, resource-management, efficiency]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Blocking]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "멈춰버린 흐름: 특정 작업이 완료될 때까지 나머지 모든 프로세스가 진행되지 못하도록 막아버리는 동기식 처리 방식으로, 자원 활용의 효율성을 떨어뜨리는 병목의 주원인."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
블로킹(Blocking)은 작업이 완료될 때까지 제어권을 반환하지 않아 호출한 쪽이 다른 일을 하지 못하고 기다리게 만드는 현상입니다.
|
||||
|
||||
1. **동작 원리**:
|
||||
* A라는 함수가 B라는 I/O 작업(파일 읽기, 네트워크 요청)을 호출함.
|
||||
* B가 끝날 때까지 A는 멈춰 있음. (CPU는 놀고 있는데 작업은 진행 안 됨)
|
||||
2. **Non-blocking과의 대비**:
|
||||
* Non-blocking은 일단 일을 맡기고 바로 제어권을 돌려받아 다른 일을 하다가, 나중에 작업 완료 통보를 받는 방식임.
|
||||
3. **시스템적 영향**:
|
||||
* 사용자 인터페이스(UI)에서 블로킹이 발생하면 화면이 멈추는(Freezing) 현상이 일어남.
|
||||
* 서버에서 블로킹이 잦으면 동시 접속자 처리가 급격히 느려짐. (Scalability 저하)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거의 순차적 프로그래밍 정책은 블로킹을 당연한 것으로 여겼으나, 현대의 고성능 시스템 정책은 모든 I/O를 비동기/논블로킹(Async/Wait) 정책으로 처리하여 응답성을 극대화함(RL Update).
|
||||
- **정책 변화(RL Update)**: 대규모 언어 모델 추론 정책에서, 토큰 생성이 끝날 때까지 기다리지 않고 생성되는 즉시 화면에 뿌려주는 '스트리밍(Streaming) 정책'이 블로킹에 의한 사용자 경험 저하를 막는 핵심 설계 원칙이 됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Bottlenecks]], [[Technical-Architecture]], [[Optimization]], [[Availability-and-Persistence]], [[Scalability]]
|
||||
- **Modern Tech/Tools**: Async/Await, Node.js (Event Loop), Promise patterns.
|
||||
---
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-BLPO-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.88
|
||||
tags: [auto-reinforced, blog-post, content-creation, outreach, digital-marketing, knowledge-sharing]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Blog-Post]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "지식의 창구, 개인의 미디어: 복잡한 전문 지식을 대중적인 언어로 번역하거나 자신의 통찰을 기록하여, 온라인 공간에서 세상과 소통하고 개인 브랜딩을 강화하는 가장 대중적인 지식 공유의 장."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
블로그 포스트(Blog-Post)는 웹 사이트에 게시되는 정보 중심의 게시물을 의미합니다.
|
||||
|
||||
1. **성공적인 포스트의 조건**:
|
||||
* **Value Proposition**: 독자가 이 글을 읽고 무엇을 얻을 수 있는지 명확해야 함.
|
||||
* **Structure**: 짧은 호흡의 단락, 헤드라인, 핵심 요약(Karpathy Summary 등)을 포함한 읽기 쉬운 구조.
|
||||
* **Authenticity**: 단순히 정보를 나열하기보다 필자만의 독특한 관점과 경험을 녹여냄. (Authenticity와 연결)
|
||||
2. **지식 관리에서의 역할**:
|
||||
* 파편화된 지식(Atomic notes)들을 엮어 하나의 완성된 서사로 발전시키는 '지식의 결정체' 단계.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 긴 텍스트 위주의 '일기장' 정책이 강했으나, 현대의 콘텐츠 정책은 짧고 강렬한 이미지와 정보를 담은 '마이크로 블로깅' 및 'AI 생성 보조 기반의 고효율 포스팅 정책'으로 진화함(RL Update).
|
||||
- **정책 변화(RL Update)**: 검색 엔진 최적화(SEO) 정책 중심의 글쓰기에서 벗어나, AI 답변 에이전트가 내 글을 잘 인용할 수 있도록 데이터 구조를 최적화하는 'LLM-Friendly 포스팅 정책'이 새로운 마케팅 표준이 됨. (SEO Best Practices와 협업)
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Scientific Communication]], [[Authenticity]], [[Knowledge Synthesis]], [[Arts]], Information-Overload
|
||||
- **Modern Tech/Tools**: Medium, Substack, Ghost, AI technical writing assistants.
|
||||
---
|
||||
@@ -0,0 +1,32 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-BUAP-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.93
|
||||
tags: [auto-reinforced, bottom-up-approach, emergence, prototyping, inductive-reasoning, design-strategy]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Bottom-Up-Approach]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "작은 성공의 조립: 거창한 전체 계획부터 세우지 않고, 가장 구체적이고 당장 실행 가능한 작은 부품들을 먼저 만들어 검증한 뒤 이들을 연결하여 점진적으로 거대한 시스템을 완성하는 실용주의적 전략."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
상향식 접근법(Bottom-Up-Approach)은 기초적인 요소들에서 시작하여 점차 상위 수준의 종합적인 시스템으로 나아가는 방식입니다.
|
||||
|
||||
1. **특징**:
|
||||
* **Emergent Intelligence**: 작고 독립적인 컴포넌트들의 상호작용에서 예상치 못한 복잡한 지능이 발현됨. (Autonomous-Agents와 연결)
|
||||
* **Early Validation**: 핵심 부품을 먼저 만들어 봄으로써 이론적 가설이 실제 작동하는지 즉시 확인 가능.
|
||||
* **Flexibility**: 바닥부터 탄탄하게 쌓았으므로 환경 변화에 맞춰 상위 시스템을 유연하게 수정하기 좋음.
|
||||
2. **적용 사례**:
|
||||
* **에이전틱 코딩**: 작은 함수들을 먼저 작성하고 테스트한 뒤 이를 결합해 앱을 만듦.
|
||||
* **생물학**: 개별 세포의 특성에서 출발해 생명 전체를 이해하려는 시도.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 완벽한 초기 설계(Top-down) 정책이 실패를 막는 유일한 길이라 믿었으나, 현대의 애자일 및 스타트업 정책은 빠른 실패와 학습이 가능한 '상향식 실행 정책'을 압도적으로 선호함(RL Update).
|
||||
- **정책 변화(RL Update)**: 지식 관리 정책(예: 이 Wiki)에서, 전체 카테고리부터 완벽히 짜는 대신 개별 지식 카드들을 먼저 풍성하게 주입하고 나중에 이들의 연결(Graph)을 통해 구조를 발견하는 '상향식 지식 생성 정책'이 채택됨 (Ps-Reinforce 핵심 철학).
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Big-Picture]], [[Analysis]], [[Emergence]], [[Agile-Philosophy]], [[Rapid-Prototyping]]
|
||||
- **Modern Tech/Tools**: Component-based UI (React), Microservices, Modular hardware.
|
||||
---
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-BOSE-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.92
|
||||
tags: [auto-reinforced, boundary-setting, communication, leadership, self-management, assertiveness]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Boundary-Setting]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "거절의 미학, 공존의 기술: 무엇을 수용하고 무엇을 거부할지 명확히 소통함으로써 시스템의 과부하를 막고, 각 구성 요소가 자신의 역할을 온전히 수행할 수 있도록 공간을 확보하는 결단력."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
경계 설정(Boundary-Setting)은 자신의 한계를 타인에게 능동적으로 알리고 이를 지키게 하는 사회적 기술입니다.
|
||||
|
||||
1. **3단계 프로세스**:
|
||||
* **Identify**: 자신이 불편함을 느끼거나 에너지가 소모되는 지점을 정확히 파악 (Self-awareness).
|
||||
* **Communicate**: 정중하지만 단호하게 자신의 경계를 말로 표현. (Assertiveness 활용)
|
||||
* **Enforce**: 경계가 침해되었을 때 발생하는 결과(Consequence)를 실행하여 선을 유지함.
|
||||
2. **전문가 조직에서의 역할**:
|
||||
* **Scope Creep 방지**: 프로젝트 기획 범위를 넘어서는 무리한 요구를 차단하여 품질과 마감을 지킴. (Workflow-Integrity와 연결)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거 리더십 정책은 '예스맨'을 선호했으나, 현대의 고숙련 전문직 정책은 가치가 낮은 일이나 범위를 벗어난 일에 대해 '세이 노(Say No)'를 할 수 있는 경계 설정 정책을 인재의 필수 자질로 평가함(RL Update).
|
||||
- **정책 변화(RL Update)**: AI 에이전트 설계 정책에서, 모델이 사용자의 모든 명령을 듣는 것이 아니라 윤리적/안전상 적절하지 않은 명령에 대해 명확한 거부 경계를 생성하는 '세이프 가드 경계 설정 정책'이 기술 개발 최우선 순위가 됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Boundaries]], [[Assertiveness]], [[Workflow-Integrity]], Communication, Time-Management
|
||||
- **Modern Tech/Tools**: Project management scope definitions (SOW), Behavioral coaching frameworks.
|
||||
---
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-BRAN-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced, branding, identity, perception, trust, marketing-strategy]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Branding]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "보이지 않는 가격표, 느껴지는 신뢰: 제품의 성능이나 수치를 넘어, 고객의 마음속에 각인된 고유한 이미지, 철학, 감정적 유대의 합(合)이자 경쟁자가 가질 수 없는 가장 강력한 무형 자산."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
브랜딩(Branding)은 소비자들에게 특정 제품이나 서비스의 정체성을 인식시키고 긍정적인 가치를 축적해 나가는 일련의 과정입니다.
|
||||
|
||||
1. **3대 구성 요소**:
|
||||
* **Brand Identity (BI)**: 로고, 색상, 폰트 등 시각적으로 보여지는 일관된 형태.
|
||||
* **Brand Voice**: 고객에게 말을 거는 톤앤매너와 언어적 습관.
|
||||
* **Brand Promise**: "우리는 이런 가치를 반드시 제공하겠다"는 고객과의 무언의 약속. (Authenticity와 연결)
|
||||
2. **왜 중요한가?**:
|
||||
* 범람하는 정보 속에서 고객의 의사결정 비용을 줄여주고, 단순 거래(Transaction)를 관계(Relationship)로 바꿈.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 일방적인 이미지 주입 정책(Top-down) 중심이었으나, 현대 정책은 소비자가 직접 브랜드의 서사를 만들고 소통하는 '커뮤니티 기반의 공동 창조 정책'으로 변화함(RL Update).
|
||||
- **정책 변화(RL Update)**: AI 에이전트 브랜딩 정책에서, 단순히 '유능함'을 강조하는 것보다 에이전트의 '페르소나와 윤리관'을 브랜드 아이덴티티로 설정하여 감성적인 연결 정책을 꾀하는 전략이 중요해짐.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Authenticity]], [[Agent Personality]], [[Behavioral-Incentives]], [[Aesthetic-Value]], Communication
|
||||
- **Modern Tech/Tools**: Brand tracking AI, Social listening tools, Design systems.
|
||||
---
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-BUDG-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.94
|
||||
tags: [auto-reinforced, budget, finance, resource-allocation, strategic-planning, management]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Budget]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "숫자로 번역된 우선순위: 한정된 자원을 어디에 얼마나 배분할 것인가에 대한 계획이자, 말로만 내세우는 비전이 아닌 '진짜로 중요하게 생각하는 것'이 무엇인지 보여주는 조직의 실질적 전술 지도."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
예산(Budget)은 특정 기간 동안의 수입과 지출에 대한 예측이자 배분 계획입니다.
|
||||
|
||||
1. **기능 및 역할**:
|
||||
* **Control**: 지출의 한계를 정해 자원 낭비를 방지.
|
||||
* **Communication**: 어떤 부서나 프로젝트에 힘을 실어줄 것인지 명확히 신호를 보냄 (Alignment와 연결).
|
||||
* **Performance Measurement**: 투입된 예산 대비 성과를 측정하여 효율성 평가.
|
||||
2. **현대적 의미 (Incentives)**:
|
||||
* 예산 배분 방식에 따라 사람들의 행동 양식이 바뀜 (예: 소진하지 않으면 깎이는 예산은 낭비를 유발). (Behavioral-Incentives와 연결)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 한 번 정하면 끝까지 가는 '경직된 연 단위 예산 정책'이었으나, 현대 정책은 상황 변화에 따라 수시로 예산을 재조정하는 'Rolling Forecast 및 유연 배분 정책'으로 기민함을 확보함(RL Update).
|
||||
- **정책 변화(RL Update)**: AI 및 클라우드 인프라 정책 수립 시, 예상치 못한 비용 폭증을 막기 위해 '실시간 비용 모니터링(FinOps) 정책'과 '자동 예산 차단(Budget Caps) 정책'이 하이테크 조직 운영의 필수 가이드라인이 됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Behavioral-Incentives]], [[Strategic-Planning]], theory of constraints, [[Business Intelligence (BI)]], [[Risk-Orchestration]]
|
||||
- **Modern Tech/Tools**: FinOps platforms, Cloud budget alerts (AWS/GCP), ERP systems.
|
||||
---
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-BINT-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.97
|
||||
tags: [auto-reinforced, business-intelligence, bi, data-visualization, analytics, decision-support]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Business Intelligence (BI)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "데이터를 통한 경영의 나침반: 뿔뿔이 흩어진 로(Raw) 데이터를 수집, 분석하여 직관적인 차트와 보고서로 변환함으로써, 경영진이 과거의 성과를 이해하고 확신에 찬 의사결정을 내릴 수 있게 돕는 지능형 대시보드."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
비즈니스 인텔리전스(Business Intelligence, BI)는 기업의 의사결정을 돕기 위해 데이터를 유의미한 정보로 변환하는 전략 및 기술 프로세스입니다.
|
||||
|
||||
1. **3단계 워크플로우**:
|
||||
* **Data Collection (ETL)**: 여러 소스에서 데이터를 추출, 변환, 적재.
|
||||
* **Analysis**: 패턴과 트렌드를 발견. (Pattern Recognition과 연결)
|
||||
* **Visualization**: 대시보드와 리포트를 통해 이해하기 쉽게 표현.
|
||||
2. **전통적 AI와의 관계**:
|
||||
* AI가 "앞으로 무슨 일이 생길까?"(Predictive)를 주로 묻는다면, BI는 "지금까지 무슨 일이 있었고 현재 상태는 어떠한가?"(Descriptive)라는 기본적 질문에 충실하여 판단의 토대를 닦음.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 IT 전문가가 수동으로 리포트를 짜는 정책(Static reporting)이었으나, 현대 정책은 현업 담당자가 직접 데이터를 탐색하는 'Self-service BI 정책'으로 민주화됨(RL Update).
|
||||
- **정책 변화(RL Update)**: 거대 언어 모델과 BI의 융합 정책에 따라, 차트를 클릭하는 대신 "지난달 매출 하락 원인이 뭐야?"라고 자연어로 물으면 AI가 즉시 데이터를 분석해 설명해 주는 '대화형 BI(Conversational BI) 정책'이 기업 환경의 주류가 됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Automated-Decision-Making]], [[Analysis]], Pattern Recognition, [[Big-Data]], [[Strategic-Planning]]
|
||||
- **Modern Tech/Tools**: Tableau, Power BI, Looker, SQL, Data warehouses (BigQuery, Snowflake).
|
||||
---
|
||||
@@ -0,0 +1,32 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-CICD-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.98
|
||||
tags: [auto-reinforced, cicd, devops, automation, continuous-integration, continuous-deployment]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[CI_CD]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "멈추지 않는 공장 라인: 코드 한 줄이 바뀌는 순간 자동으로 빌드, 테스트, 배포가 이뤄지게 함으로써 개발의 사이클을 극도로 단축시키고 품질을 시스템으로 보장하는 현대 소프트웨어 공학의 엔진."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
CI/CD는 지속적 통합(Continuous Integration)과 지속적 제공/배포(Continuous Delivery/Deployment)를 결합한 개념입니다.
|
||||
|
||||
1. **CI (지속적 통합)**:
|
||||
* 모든 개발자가 작업한 코드를 하루에도 여러 번 메인 브랜치에 통합.
|
||||
* 통합 시 자동 빌드와 자동 테스트가 수행되어 충돌을 조기에 발견. (Workflow-Integrity와 연결)
|
||||
2. **CD (지속적 배포)**:
|
||||
* 테스트를 통과한 코드가 신뢰할 수 있는 상태로 유지되거나, 실제 운영 서버에 자동으로 반영되는 과정.
|
||||
3. **왜 중요한가?**:
|
||||
* 릴리스 주기(Time to Market)를 혁신적으로 단축하고, 수동 배포로 인한 인적 오류(Human Error)를 제거함. (Scalability 고도화)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거의 배포 정책은 '정기 점검 날'에 모든 기능을 몰아서 수동으로 배포하는 정책이었으나, 현대 정책은 기능 단위로 쪼개어 수시로 배포하는 '무중단 배포 정책'으로 완전히 전환됨(RL Update).
|
||||
- **정책 변화(RL Update)**: 단순히 코드만 배포하는 정책을 넘어, AI 모델의 성능을 지속적으로 모니터링하고 재학습시키는 'MLOps 파이프라인(Continuous Training) 정책'이 CI/CD의 새로운 확장 영역으로 포함됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Workflow-Integrity]], [[Scalability]], [[Backend]], [[Security-Governance]], [[Automated-Decision-Making]]
|
||||
- **Modern Tech/Tools**: GitHub Actions, Jenkins, GitLab CI, ArgoCD, Docker/K8s.
|
||||
---
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-CAST-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.99
|
||||
tags: [auto-reinforced, call-stack, computer-science, execution-context, memory-management, recursion]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Call Stack]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "함수들이 쌓아 올리는 기억의 탑: 프로그램이 어떤 순서로 함수를 호출해왔는지, 함수가 끝나면 어디로 돌아가야 하는지를 관리하는 '후입선출(LIFO)' 방식의 지능형 작업 일지이자 메모리 영역."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
콜 스택(Call Stack)은 컴퓨터 프로그램의 현재 실행 중인 서브루틴(함수)들에 대한 정보를 저장하는 스택 자료구조입니다.
|
||||
|
||||
1. **동작 메커니즘**:
|
||||
* **Push**: 함수를 호출하면 해당 함수의 실행 컨텍스트(변수, 리턴 주소 등)가 스택 맨 위에 쌓임.
|
||||
* **Pop**: 함수 실행이 종료되면 스택 맨 위에서 제거되고, 이전 함수로 제어권이 넘어감.
|
||||
2. **주요 이슈**:
|
||||
* **Stack Overflow**: 재귀 함수가 끝나지 않고 계속 스택을 쌓거나, 함수 중첩이 너무 깊어 메모리 한계를 넘었을 때 발생.
|
||||
* **Debugging**: 에러 발생 시 출력되는 'Stack Trace'는 이 스택의 기록을 역순으로 보여주어 버그의 원점을 추적하게 도움. (Analysis와 연결)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거의 스택 정책은 단순히 '순차 실행'을 관리하는 정적 정책이었으나, 현대 자바스크립트 등 비동기 언어 정책에서는 '이벤트 루프(Event Loop)' 및 '마이크로태스크 큐'와 상호작용하며 복잡한 비동기 흐름을 관리하는 동적 정책으로 이해됨(RL Update).
|
||||
- **정책 변화(RL Update)**: 브라우저 성능 최적화 정책에서, 메인 스레드 점유 정책(Main thread blocking)을 막기 위해 콜 스택을 너무 무겁게 유지하지 않고 작업을 쪼개는 '비동기 스택 정책'이 웹 앱 성능의 핵심 지표가 됨. (Blocking과 연결)
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Blocking]], [[Analysis]], [[Technical-Architecture]], Memory-Management, Recursion
|
||||
- **Modern Tech/Tools**: Chrome DevTools Call Stack view, V8 Engine stack management.
|
||||
---
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: CS-RETAIL-ALLBIRDS-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.0
|
||||
tags: [case-study, ecommerce, allbirds, pwa, performance-optimization, sustainability, storytelling, conversion-rate]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Case Study: Allbirds PWA Redesign (사례 연구: Allbirds PWA 리디자인)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "기술적 고성능(PWA)과 가치 기반 스토리텔링(지속 가능성)을 제품 상세 페이지에 수평적으로 통합하여, 단순한 '구매'를 브랜드 미션에 대한 '동참'으로 승격시켜라" — 웹 성능 향상과 브랜드 가치 전달의 완벽한 조화를 통해 폭발적인 비즈니스 성장을 이뤄낸 이커머스 혁신 사례.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **핵심 과제:** 사용자 구매 흐름을 방해하지 않으면서 Allbirds의 핵심 가치인 '지속 가능성' 메시지를 효과적으로 전달하고, 모바일 로딩 속도를 획기적으로 개선하는 것.
|
||||
- **혁신적 UX/기술 전략:**
|
||||
- **Value-Integrated UI:** 지속 가능성 지표를 '회사 소개' 페이지에 가두지 않고, 제품 기능 설명 바로 옆에 배치하여 고객 신뢰도와 투명성 확보.
|
||||
- **PWA Architecture 도입:** 프로그레시브 웹 앱 기술을 활용하여 즉각적인(Near-instantaneous) 페이지 로딩 속도 구현.
|
||||
- **정량적 비즈니스 성과:**
|
||||
- **Performance:** 페이지 로드 속도 **89% 향상**, 이탈률(Bounce Rate) **34% 감소**.
|
||||
- **Conversion:** 환경 중시 소비자층의 전환율 **23% 증가**.
|
||||
- **Revenue:** 리디자인 후 첫 분기에만 **230만 달러**의 추가 수익 창출.
|
||||
- **의의:** 웹 성능(Engineering)과 가치 전달(Branding)의 결합이 어떻게 직접적인 수익 창출로 이어지는지를 증명한 현대 이커머스의 벤치마킹 모델.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 과거에는 고성능 이미지와 풍부한 스토리텔링이 속도 저하를 유발한다고 보았으나, Allbirds 사례는 PWA 기술을 통해 '풍부한 경험'과 '빠른 속도'가 양립 가능하다는 것을 증명함.
|
||||
- **정책 변화:** Antigravity 프로젝트는 모든 이커머스 관련 에이전트 설계 시 Allbirds의 '지점 통합형 가치 전달' 모델을 표준으로 채택하며, PWA를 기본 웹 앱 아키텍처로 강제함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Progressive-Web-App-PWA, Conversion-Rate-Optimization-CRO, [[Modern-Website-Architecture]], User-Experience-UX-Design
|
||||
- **Raw Source:** 00_Raw/Allbirds E-commerce Redesign.md, 00_Raw/Allbirds PWA Redesign.md
|
||||
@@ -0,0 +1,30 @@
|
||||
---
|
||||
id: CS-FE-MIGRATION-KIWI-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.0
|
||||
tags: [case-study, kiwi-com, frontend-migration, nextjs, mono-repo, orbit-design-system, scalability, web-performance]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Case Study: Kiwi.com Frontend Migration (사례 연구: Kiwi.com 프런트엔드 마이그레이션)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "거대한 항공 서비스의 복잡도를 모노레포와 자체 디자인 시스템(Orbit)으로 통합 관리하고, Next.js 마이그레이션을 통해 SEO와 성능이라는 두 마리 토끼를 한꺼번에 포획하라" — 대규모 글로벌 플랫폼의 기술적 성숙도를 증명한 프런트엔드 현대화 사례.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **핵심 과제:** 파편화된 다수의 마이크로 서비스와 일관성 없는 UI, 그리고 검색 노출(SEO)의 한계를 극복하기 위한 전사적 프런트엔드 재설계.
|
||||
- **주요 전략 및 기술 스택:**
|
||||
- **Next.js adoption:** SSR/SSG를 통한 초기 로딩 속도 향상 및 강력한 SEO 최적화 기반 구축.
|
||||
- **Orbit Design System:** 일관된 사용자 경험과 개발 속도 향상을 위해 우버의 Base Web 철학을 참고한 자체 오픈소스 UI 라이브러리 운영.
|
||||
- **Monorepo Architecture (pnpm):** 수백 개의 패키지와 서비스를 하나의 저장소에서 관리하여 의존성 충돌 방지 및 빌드 파이프라인 최적화.
|
||||
- **TypeScript & Cypress:** 타입 안전성 확보 및 철저한 E2E 테스트를 통한 배포 안정성 강화.
|
||||
- **정량적 성과:** 페이지 로딩 속도의 획기적 단축, 개발 주기의 단축, 그리고 전 세계 검색 결과에서의 가시성 대폭 향상.
|
||||
- **의의:** 기술 부채가 누적된 대규모 시스템이 어떻게 점진적으로 현대화될 수 있는지에 대한 실질적 이정표 제공.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 과거에는 유연성을 위해 서비스별로 자유로운 기술 스택 사용을 허용했으나, Kiwi.com 사례는 '전사적 표준화 정책'과 '통합 디자인 언어 정책'이 대규모 조직에서 훨씬 강력한 효율을 낸다는 것을 증명함.
|
||||
- **정책 변화:** Antigravity 프로젝트는 대규모 플랫폼 설계 시 Kiwi.com의 모노레포 및 디자인 시스템 기반 협업 모델을 벤치마킹하며, 모든 공유 패키지의 버전 관리를 자동화하는 정책을 도입함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Modern-Frontend-Engineering-Architecture]], [[Design-System]], [[Nextjs-App-Router-Architecture]], Scalable-Frontend-Architecture, [[Uber-Base-Web-Design-System]]
|
||||
- **Raw Source:** 00_Raw/Kiwi.com Migration.md, 00_Raw/kiwi.com 마이그레이션 프로젝트.md
|
||||
@@ -0,0 +1,28 @@
|
||||
---
|
||||
id: CS-SKYBOUND-CACHE-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.0
|
||||
tags: [skybound, troubleshooting, cache-busting, production-deployment, vite, asset-management]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Case Study: Skybound Production Visual Mismatch & Asset Cache Busting (사례 연구: Skybound 자산 캐시 버스팅)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "빌드 번호가 바뀌어도 브라우저가 옛날 자산을 고집한다면, 파일 경로에 물리적인 버전 식별자를 주입하여 캐시의 고집을 꺾고 모든 사용자에게 동일한 시각적 진실을 강제하라" — 프로덕션 환경의 자산 불일치 해결 전략.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **핵심 문제:** Skybound 프로덕션 배포 후, 코드(JS/CSS)는 업데이트되었으나 이미지 및 스프라이트 자산이 브라우저 캐시에 의해 구버전으로 유지되어 UI가 깨지거나 잘못된 스프라이트가 렌더링되는 현상 발생.
|
||||
- **해결 전략: Hierarchical Versioned Path Injection**
|
||||
- **Physical Directory Partitioning:** `dist/[BUILD_NUMBER]/assets`와 같이 최상위 경로에 빌드 번호를 포함시켜 기존 캐시를 완전히 무효화.
|
||||
- **Manifest-driven Asset Loading:** 런타임에서 `buildinfo.json` 또는 환경 변수를 참조하여 현재 활성화된 빌드 경로에서 자산을 로드하도록 엔진 수정.
|
||||
- **Vite Configuration Update:** `vite.config.ts`의 `build.outDir`을 동적으로 할당하여 빌드마다 고유한 지문(Fingerprint)을 가진 경로 생성.
|
||||
- **성과:** 배포 즉시 모든 클라이언트가 최신 시각적 자산을 로드함을 보장하며, 수동 캐시 삭제 요청 없이도 완벽한 버전 동기화 달성.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 과거에는 파일명 뒤에 쿼리 스트링(`?v=1.2`)을 붙이는 방식이 선호되었으나, 일부 프록시 서버나 CDN에서 이를 무시하는 정책이 발견됨에 따라 현대 정책은 '물리적 경로 변경 정책'을 최우선으로 함.
|
||||
- **정책 변화:** Antigravity 프로젝트는 모든 웹 기반 게임 엔진 배포 시 `dist/` 폴더 하위에 빌드 번호별 격리된 자산 경로를 생성하는 것을 강제하는 배포 정책을 시행함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Modern-Frontend-Engineering-Architecture]], Vite-Build-Optimization, [[Frontend-Performance-Optimization-Guide]]
|
||||
- **Raw Source:** 00_Raw/2026-04-26-Skybound_Production_Visual_Mismatch_Public_Asset_Cache_Busting.md
|
||||
@@ -0,0 +1,32 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-CDTO-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.96
|
||||
tags: [auto-reinforced, chrome-devtools, debugging, web-development, performance-analysis, browser-tools]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Chrome DevTools]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "웹 개발자의 X-ray와 메스: 돌아가는 웹 사이트의 장기를 실시간으로 들여다보고, 픽셀을 깎으며, 메모리의 찌꺼기를 찾아내고, 성능의 구멍을 메우는 전 세계 웹 엔지니어들의 필수 공작 창고."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
Chrome DevTools는 구글 크롬 브라우저에 내장된 웹 제작 및 디버깅 도구 세트입니다.
|
||||
|
||||
1. **핵심 패널**:
|
||||
* **Elements**: DOM 구조와 CSS 스타일을 실시간 수정 및 미리보기.
|
||||
* **Console**: API 테스트, 로그 확인, JavaScript 코드 즉석 실행.
|
||||
* **Network**: 데이터 요청 오가는 것을 감시하고 속도 지연 원인 파악. (Backend와 연결)
|
||||
* **Performance/Memory**: 프레임 드랍이나 메모리 누수(Memory Leak)를 정밀 분석. (Bottlenecks와 연결)
|
||||
2. **왜 중요한가?**:
|
||||
* 브라우저라는 거대한 블랙박스 내부의 '런타임 상태'를 투명하게 가시화하여, 이론이 아닌 데이터 기반의 최적화를 가능케 함.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거 개발 정책은 단순히 '글자 수정'과 '에러 확인' 정책에 그쳤으나, 현대 정책은 정밀한 '코어 웹 바이탈(LCP, INP) 측정 정책'과 '모바일 기기 에뮬레이션 정책'을 통해 최적화의 질을 결정하는 핵심 정책 기지가 됨(RL Update).
|
||||
- **정책 변화(RL Update)**: DevTools 내부에 AI 비서(Gemini)가 통합되는 정책이 추진됨에 따라, 에러 메시지를 보고 해결책을 직접 찾는 대신 AI가 소스 코드를 분석해 바로 제안해 주는 '지능형 디버깅 정책'으로 도약함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Browser]], [[Backend]], [[Bottlenecks]], [[Analysis]], [[Technical-Architecture]]
|
||||
- **Modern Tech/Tools**: Lighthouse, Heap Snapshot analyzer, Recorder panel.
|
||||
---
|
||||
@@ -0,0 +1,27 @@
|
||||
---
|
||||
id: P-REINFORCE-SCI-PAIN
|
||||
category: "10_Wiki/💡 Topics/Science"
|
||||
confidence_score: 0.94
|
||||
tags: [Pain Management, Medical, Chronic Pain, Neurology]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Chronic-Pain-Management-Protocols]] (만성 통증 관리 프로토콜)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "통증은 뇌의 해석이다." 실제 조직이 다 낫더라도 뇌가 '통증 회로'를 끄지 못해 발생하는 만성 고통을 신경 가소성을 이용해 재훈련하는 과정이다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Central Sensitization (중추 감작)**:
|
||||
- 신경계가 과도하게 민감해져서 아주 작은 자극에도 극심한 통증으로 반응하게 된 상태. 뇌의 '경보 시스템'이 고장 난 것과 같다.
|
||||
- **Biopsychosocial Model**:
|
||||
- 생물학적 요인뿐만 아니라 심리적(불안, 우울), 사회적 요인이 통증의 정도를 결정한다는 현대적 접근법.
|
||||
- **Gait Control Theory (관문 조절설)**:
|
||||
- 가벼운 접촉이나 진동 같은 다른 자극을 근처 신경에 주어, 통증 신호가 뇌로 가는 '관문'을 닫게 하는 원리.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 단순 진통제 처방은 근본 원인을 해결하지 못하고 중독 위험만 키운다. 최근에는 명상, 점진적 운동 노출치료(Graded Motor Imagery) 등 뇌의 회로를 직접 재배열하는 치료법이 강조되고 있다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Cognitive-Therapy-in-CBT]] , [[Biomechanics-of-Injury]]
|
||||
- Analysis: [[Clinical-Kinesiology-Assessment]]
|
||||
@@ -0,0 +1,27 @@
|
||||
---
|
||||
id: P-REINFORCE-SCI-CLIMATE
|
||||
category: "10_Wiki/💡 Topics/Science"
|
||||
confidence_score: 0.93
|
||||
tags: [Climate Change, Net Zero, Carbon Neutral, Mitigation]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# Climate-Change-Mitigation-Frameworks (기후 변화 대응 프레임워크)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 기후 변화는 단순한 환경 문제가 아니라 '에너지 시스템의 대전환' 문제이며, 과학적 실증 데이터에 기반한 탄소 예산(Carbon Budget) 관리가 핵심이다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Decarbonization (탈탄소화)**:
|
||||
- 화석 연료 기반의 에너지 믹스를 태양광, 풍력, 원자력 등 저탄소 에너지원으로 전환하고 전력을 효율화한다.
|
||||
- **Carbon Capture & Storage (CCS)**:
|
||||
- 배출된 이산화탄소를 포집하여 지하나 해저에 영구 격리하는 기술적 보완책. 넷 제로(Net Zero) 달성을 위한 최후의 수단이다.
|
||||
- **Emissions Trading System (ETS)**:
|
||||
- 탄소 배출에 '가격'을 매겨 기업들이 자발적으로 배출량을 줄이도록 유도하는 시장 경제 기반의 정책 도구.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 선진국과 개도국 사이의 '기후 정의' 문제가 항상 충돌한다. 기술적 해결만큼이나 글로벌 거버넌스(Paris Agreement)와 금융 지원 체계가 동반되어야 실무적인 변화가 가능하다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Circular-Economy]] , [[Distributed-Systems-Engineering]]
|
||||
- Policy: [[Collaboration_Governance]]
|
||||
@@ -0,0 +1,26 @@
|
||||
---
|
||||
title: 협업 가이드라인 및 코드 거버넌스
|
||||
category: Software Architecture
|
||||
tags: [Collaboration, PR, Code Review, Documentation, Governance]
|
||||
created: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Collaboration_Governance]] (협업과 코드 품격)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 코드는 혼자 쓰는 일기장이 아니라 함께 짓는 건축물이다. 동료의 시간을 아껴주는 문서화와 소통 방식이 당신의 가치를 증명한다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Pull Request (PR) 에티켓**:
|
||||
- "이거 고쳤습니다"는 최악의 PR이다. 무엇을(What), 왜(Why), 어떻게(How) 했는지 명시하고 가능한 시각적 결과물(스크린샷, GIF)을 첨부하여 리뷰어의 인지 부하를 줄여라.
|
||||
- **Code Review Protocol**:
|
||||
- P1(필수 반영), P2(권장), P3(질문/의견) 식으로 중요도를 표시하라. 비판은 날카롭게 하되 표현은 따뜻하게 하여 팀의 심리적 안정성을 유지하라.
|
||||
- **The Living Document**:
|
||||
- 복잡한 비즈니스 로직이나 기묘한 버그 픽스는 반드시 주석이나 README에 '의도'를 남겨라. 주석은 '무엇을 하는지'가 아니라 '왜 이렇게 했는지'를 적는 곳이다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 완벽한 거버넌스를 추구하느라 소통이 무거워지면 안 된다. 빠른 배포가 필요한 시점에는 '기술 부채'를 명문화하고 나중에 갚는 기민함(Agile)도 필요하다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[React_Clean_Code_Best_Practices]] , [[Deployment_Final_Gate]]
|
||||
- Foundation: [[System_Debugging_Protocol]]
|
||||
@@ -0,0 +1,27 @@
|
||||
---
|
||||
id: P-REINFORCE-AI-CGT
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.99
|
||||
tags: [Game Theory, Combinatorial, Logic, Math, Strategy]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# Combinatorial-Game-Theory (조합론적 게임 이론 CGT)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 우연도 숨겨진 정보도 없는 '완전 정보 게임'에서, 수학적으로 필승 전략(Winning Strategy)이 반드시 존재함을 증명하고 찾아내는 지적 유희다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Perfect Information Games**:
|
||||
- 체스, 바둑, 님(Nim) 게임처럼 모든 정보가 공개되어 있고 주사위 같은 확률 요소가 없는 게임.
|
||||
- **Game Tree Search**:
|
||||
- 모든 가능한 수의 경로를 트리 구조로 나타내고, 리프 노드(결과)에서부터 위로 거슬러 올라가며 최선의 수를 찾는 방식.
|
||||
- **Normal Play Convention**:
|
||||
- "마지막 수를 두는 사람이 이긴다"는 규칙 하의 전략 분석. 게임을 숫자(Value)로 치환하여 복잡한 게임을 더 단순한 게임의 합으로 분해한다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 바둑처럼 경우의 수가 우주 원자 수보다 많은 경우, 고전적인 CGT만으로는 해결이 불가능하다. 이때 알파고처럼 딥러닝과 몬테카를로 트리 탐색(MCTS)을 결합하여 '근사적 필승 전략'을 찾는 방식으로 현대적 진화가 일어났다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: AlphaGo (Monte Carlo Tree Search + RL) , Reinforcement Learning
|
||||
- Foundation: Computational Thinking
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-COAD-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.95
|
||||
tags: [auto-reinforced, computer-aided-design, cad, engineering, architectural-design, manufacturing, optimization]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Computer-Aided-Design]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "상상을 현실로 만드는 정밀 설계도: 종이와 연필 대신 컴퓨터의 계산 능력을 빌려 복잡한 건축물부터 미세 칩까지의 기하학적 구조를 완벽하게 설계하고, 시뮬레이션을 통해 미리 부서뜨려보며 최적의 형태를 찾아내는 제조의 사령탑."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
컴퓨터 지원 설계(Computer-Aided-Design, CAD)는 설계 단계에서 컴퓨터 시스템을 사용하여 디자인의 생성, 수정, 분석 및 최적화를 수행하는 기술입니다.
|
||||
|
||||
1. **핵심 기능**:
|
||||
* **Geometric Modeling**: 2D 도면 및 3D 모델링 생성.
|
||||
* **Analysis and Simulation**: 응력 분석, 열 흐름 분석 등을 통해 생산 전 결함 예측. (Risk-Management와 연결)
|
||||
* **Technical Documentation**: 정확한 수치와 재료 명세를 포함한 상세 도면 자동화. (Specification와 연결)
|
||||
2. **왜 중요한가?**:
|
||||
* 디자인 오류로 인한 재작업 비용을 획기적으로 줄이고, 인간이 상상하기 힘든 정밀한 곡선과 복잡한 구조를 구현할 수 있게 하기 때문임. (Efficiency와 연결)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 인간이 선을 직접 긋는 '디지털 도구' 정책이었으나, 현대 정책은 AI 가 목표 성능 값(예: 강도는 높고 무게는 가볍게)만 주면 수천 가지 설계안을 제안하는 '생성적 설계(Generative Design) 정책'으로 패러다임이 전환됨(RL Update).
|
||||
- **정책 변화(RL Update)**: 이제는 단순 도면 정책을 넘어, 설계 데이터가 생산 및 유지보수 전 단계와 연동되는 '디지털 트윈(Digital Twin) 정책'과 'PLM(Product Lifecycle Management)'의 핵심 엔진으로 기능함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Risk-Management]], [[Specification]], [[Efficiency]], [[Technical-Architecture]], Simulation
|
||||
- **Modern Tech/Tools**: AutoCAD, SolidWorks, CATIA, Generative Design.
|
||||
---
|
||||
@@ -0,0 +1,32 @@
|
||||
---
|
||||
id: P-REINFORCE-AI-047
|
||||
category: "10_Wiki/💡 Topics/AI & ML MLOps"
|
||||
confidence_score: 0.96
|
||||
tags: [ai, machine learning, mlops, data science]
|
||||
last_reinforced: 2026-06-XX
|
||||
github_commit: "[P-Reinforce] Processed Concept Drift (개념 드리프트)."
|
||||
---
|
||||
|
||||
# [[Concept Drift (개념 드리프트)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 시간이 지남에 따라 데이터의 통계적 특성이나 생성 메커니즘 자체가 변화하여, 이전에 학습된 AI 모델의 예측 정확도와 신뢰도가 점진적으로 떨어지는 현상이다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **정의:** 머신러닝 시스템이 배포되고 운영되는 환경에서 발생하는 데이터 분포의 변화를 의미한다. 이는 단순한 '데이터 부족' 이상의 근본적인 모델 성능 저하 문제다.
|
||||
- **유형 및 원인:**
|
||||
1. **Covariate Shift (공변량 드리프트):** 입력 데이터 $P(X)$가 변하는 경우. (예: 특정 계절에만 발생하는 트래픽 패턴 변화).
|
||||
2. **Concept Drift (개념 드리프트):** 실제 데이터 생성 과정 자체가 변하여, 같은 입력 $X$에 대한 레이블 $Y$의 조건부 확률 $P(Y|X)$가 변하는 경우. (예: 사용자의 구매 행동 패턴이 시대에 따라 근본적으로 변화).
|
||||
- **탐지 및 대응:**
|
||||
1. **모니터링:** 모델 예측 결과와 실제 데이터 분포 간의 KL Divergence, JS Divergence 등을 주기적으로 측정하여 이상 징후를 포착한다.
|
||||
2. **재학습 (Retraining):** 드리프트가 감지되면 최신 데이터를 반영하여 모델을 재학습하거나(Online Learning), 모델 자체를 업데이트해야 한다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 개념 드리프트는 '일회성 문제'가 아니라, AI/MLOps 운영의 *지속적인* 관리 영역임을 인식해야 하며, 이를 위한 자동화 파이프라인(Monitoring Pipeline) 구축이 필수적이다.
|
||||
- **정책 변화:** 최근에는 설명 가능한 AI (XAI) 기법을 결합하여, 모델이 왜 성능 저하를 겪고 있는지 '어떤 개념'에서 벗어났는지 진단하는 것이 중요해지고 있다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Parent: Model Collapse (모델 붕괴 현상)
|
||||
- Related: [[MLOps]] , Data Science in UX , Continuous Monitoring
|
||||
|
||||
---
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-COMA-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.86
|
||||
tags: [auto-reinforced, concept-mapping, knowledge-management, visualization, mental-models, learning-strategy]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Concept Mapping]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "지식의 위상 지도: 개별 개념들을 노드로, 그들 사이의 관계를 선으로 연결하여 파편화된 정보를 하나의 거대한 의미망으로 시각화함으로써, 지식의 전체 구조와 빈틈을 한눈에 파악하게 돕는 전략적 사고 도구."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
콘셉트 매핑(Concept Mapping)은 아이디어와 정보 간의 관계를 그래픽으로 표현하는 기법입니다.
|
||||
|
||||
1. **주요 구성**:
|
||||
* **Concepts (Nodes)**: 명사 위주의 핵심 단어. (Atomic units)
|
||||
* **Linking Phrases (Edgy)**: "~은 ~의 원인이다", "~을 포함한다" 등 관계의 성격을 정의하는 동사/전치사.
|
||||
* **Hierarchy**: 가장 포괄적인 개념이 상단에 위치하여 하단으로 구체화되는 구조. (Bottom-Up-Approach와 대비)
|
||||
2. **왜 중요한가?**:
|
||||
* 학습자가 기존 지식과 새로운 정보를 어떻게 연결하고 있는지 시각적으로 증명하며, 오인하고 있는 개념(Misconception)을 발견하기 좋음.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 종이에 그리는 '개인용 정리 정책'에 그쳤으나, 현대 지식 경영 정책은 수만 개의 지식 카드를 실시간 가시화하고 자동으로 연결해주는 '디지털 지식 그래프 정책'으로 도약함(RL Update). (이 Wiki 시스템의 본질)
|
||||
- **정책 변화(RL Update)**: AI 에이전트가 방대한 문서를 읽고 자동으로 콘셉트 맵을 생성하여 인간에게 브리핑해주는 '지식 요약 자동화 정책'이 리서치 업무의 핵심 효율화 정책이 됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Analysis]], [[Bottom-Up-Approach]], [[Knowledge synthesis]], Philosophy of Science, [[Strategic-Planning]]
|
||||
- **Modern Tech/Tools**: Obsidian (Graph View), CmapTools, Miro, MindMeister, Logseq.
|
||||
---
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-CAID-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.93
|
||||
tags: [auto-reinforced, connect-ai, technical-documentation, knowledge-architecture, user-manual, flow-analysis, systems-documentation]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Connect-AI-Documentation]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "복잡한 지능의 사용 설명서: 고도로 얽힌 AI 에이전트 시스템과 데이터 흐름을 누구나 이해하고 유지보수할 수 있게 구조화하여, 기술의 블랙박스를 투명한 '지식 지도'로 변환하는 신뢰의 기반 문서."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
Connect AI 기술 문서(Connect-AI-Documentation)는 복잡한 AI 에이전트 인프라와 그 운영 프로세스를 정의하고 공유하기 위한 체계적인 지식 자산입니다.
|
||||
|
||||
1. **문서화의 핵심 요소**:
|
||||
* **System Architecture**: 에이전트 간의 연결망과 데이터 이동 경로 시각화. (Technical-Architecture와 연결)
|
||||
* **Operational SOP**: 각 기능별 실행 단계와 리스크 대응 가이드. (Standard-Operating-Procedure와 연결)
|
||||
* **API Specification**: 인터페이스 연결을 위한 데이터 스키마 및 가이드라인. (Schema와 연결)
|
||||
2. **왜 중요한가?**:
|
||||
* 지능형 시스템이 고도화될수록 '개념적 통일성'이 없으면 개발팀 간 소통이 단절되고 시스템이 파편화되기 때문임. (Terminology와 연결)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 정적인 PDF 파일 정책이었으나, 현대 정책은 지식 베이스(Wiki)와 동적 그래프 정책을 연동하여 시스템 변경 시 문서가 자동으로 업데이트되거나 AI 가 직접 문서를 읽고 가이드하는 '자율 업데이트형 문서 정책'을 지향함(RL Update).
|
||||
- **정책 변화(RL Update)**: 본 지식 구축 프로젝트 또한 하나의 거대한 '지능형 문서화 정책'의 일환이며, 600개의 지식을 주입하여 시스템의 두뇌 정책을 명문화하는 과정 자체가 고도의 기술 문서 체계 정책임.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Technical-Architecture]], [[Standard-Operating-Procedure]], [[Schema]], [[Terminology]], Knowledge-Base
|
||||
- **Context**: Internal AI Agent Workflow, User Manuals.
|
||||
---
|
||||
@@ -0,0 +1,36 @@
|
||||
# [[ConnectAI]] Dev Log - 2026.04.29 (v2.2.67)
|
||||
|
||||
## 📌 Brief Summary
|
||||
**ConnectAI (Brand: G1nation)** 프로젝트의 v2.2.67 스테이블 빌드 완료 보고. 주요 업데이트로는 에이전트 선택 영속화, [[P-Reinforce]] 위키화 규칙 정교화, 그리고 결과물 외부 내보내기(Export to MD) 기능이 포함됨.
|
||||
|
||||
## 🏷️ Metadata
|
||||
* **Context**: [[Software Development]], [[AI Agent Architecture]]
|
||||
* **Type**: [[Implementation (Log)]]
|
||||
* **Level**: [[Level: Meso]]
|
||||
|
||||
## 📖 Core Content
|
||||
|
||||
### 1. 주요 업데이트 상세
|
||||
* **에이전트 선택 영속화 (Agent Persistence)**:
|
||||
- 사용자가 사이드바에서 선택한 스킬(Default, Steve Jobs 등)을 VS Code `globalState`에 저장.
|
||||
- 재시작 시 이전 상태를 즉시 복구하여 사용자 경험(UX) 강화.
|
||||
* **[[P-Reinforce]] 위키화 규칙 고도화**:
|
||||
- 추상적 개념보다는 **실질적 내용, 일정, 방향성** 중심의 정리 프로세스 확립.
|
||||
- Raw ➔ Wiki ➔ Archive로 이어지는 데이터 생애주기 정책 적용.
|
||||
* **Export to MD 기능**:
|
||||
- AI 답변 하단에 '💾 Export' 버튼 추가.
|
||||
- `showSaveDialog`를 활용하여 로컬 파일 시스템에 마크다운 저장 기능 구현.
|
||||
|
||||
### 2. 기술 스택 및 구조
|
||||
* **Core**: `src/extension.ts` (Entry), `src/sidebarProvider.ts` (UI/Logic)
|
||||
* **Intelligence**: `src/agent.ts` (LLM Interface), `src/utils.ts` (FileSystem/Logic)
|
||||
* **External**: `src/bridge.ts` ([[Agent University]] Interface)
|
||||
|
||||
## 🔗 Knowledge Connections
|
||||
* **Upstream (Prerequisite)**: [[VS Code Extension API]], [[P-Reinforce Architecture]]
|
||||
* **Horizontal (Related)**: [[Ollama]], [[LM Studio]], [[G1nation]]
|
||||
* **Downstream (Next Step)**: [[Wiki Tree Auto-Insertion]], [[Prompt Engineering Optimization]]
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-29*
|
||||
*Reporter: AI 개발부장 코다리 🫡*
|
||||
@@ -0,0 +1,33 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-CSP-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.96
|
||||
tags: [auto-reinforced, constraint-satisfaction, csp, backtracking, search-algorithm, logic, optimization]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Constraint-Satisfaction-Problems]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "한계 내에서의 최적: '이 조건은 만족해야 하고 저 조건은 피해야 한다'는 수많은 제약 사항을 모두 충족하는 단 하나의 정답(또는 최적해)을 찾아내는 수학적 수수께끼 풀이 엔진."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
제약 충족 문제(Constraint-Satisfaction-Problems, CSP)는 변수 세트의 값이 일련의 제약 조건을 만족해야 하는 수학적 문제입니다.
|
||||
|
||||
1. **3대 구성 요소**:
|
||||
* **Variables (V)**: 값을 할당받아야 하는 대상.
|
||||
* **Domains (D)**: 각 변수가 가질 수 있는 값의 범위.
|
||||
* **Constraints (C)**: 변수 간에 지켜야 할 규칙 (예: 같은 색은 이웃할 수 없음).
|
||||
2. **핵심 알고리즘**:
|
||||
* **Backtracking Search**: 값을 하나씩 넣어보다 제약에 걸리면 뒤로 돌아가 다른 시도.
|
||||
* **Constraint Propagation (AC-3)**: 미리 불가능한 후보군을 잘라내는 기술. (Efficiency와 연결)
|
||||
* **Heuristics**: MRV(최소 잔여 값), Degree Heuristic 등을 통해 탐색 속도 극대화. (Search-Strategy와 연결)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 단순히 '답을 찾느냐 마느냐'의 정책(Satisfiability)에 집중했으나, 현대 정책은 제약을 부분적으로 위반하더라도 최상의 결과를 내는 '연성 제약 정책(Soft Constraints)'과 최적화 정책을 결합함(RL Update).
|
||||
- **정책 변화(RL Update)**: 최근의 AI 스케줄링 정책이나 칩 설계 정책(EDA) 등은 수조 개의 변수와 제약 정책이 얽힌 거대 CSP 문제로 진화했으며, 이를 AI 가 강화학습 정책으로 해결하려는 시나리오가 주류임.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Efficiency]], [[Search-Strategy]], [[Logic]], [[Complexity-Theory]], [[Optimization]]
|
||||
- **Key Examples**: Map coloring, Sudoku, Scheduling, Protein folding.
|
||||
---
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-CLMS-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.93
|
||||
tags: [auto-reinforced, lms, corporate-training, hr-tech, digital-learning, talent-management, scalability]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Corporate-LMS-Training]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "조직 지능의 보급 창고: 신규 입사자 교육부터 리더십 개발까지, 파편화된 기업의 지식을 디지털 플랫폼에 담아 전 직원이 언제 어디서나 동일한 수준의 '최신 정책'을 학습하게 돕는 인적 자본의 최적화 도구."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
기업용 학습 관리 시스템(Corporate-LMS-Training)은 조직 구성원의 역량 개발을 위해 교육 콘텐츠를 생성, 배포, 추적, 분석하는 통합 플랫폼 전략입니다.
|
||||
|
||||
1. **3대 가치**:
|
||||
* **Standardization**: 모든 직원이 회사의 표준 프로세스(SOP)를 숙지함. (Standard-Operating-Procedure와 연결)
|
||||
* **Compliance**: 필수로 이수해야 할 법적/보안 교육 이수 자동 추적. (Risk-Management와 연결)
|
||||
* **Talent Analytics**: 누가 어떤 스킬을 가졌는지 데이터로 파악하여 적재적소 배치.
|
||||
2. **왜 중요한가?**:
|
||||
* 지식의 생명 주기가 짧아지는 4차 산업 시대에, 조직 전체의 '학습 속도'가 곧 기업의 생존 속도이기 때문임. (Efficiency와 연결)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 단순히 지루한 영상을 틀어주는 '시청 기록기' 수준이었으나, 현대 정책은 마이크로 러닝(Micro-learning)과 게이미피케이션 정책(Gamification)을 통해 몰입도를 높이는 방향으로 진화함(RL Update).
|
||||
- **정책 변화(RL Update)**: 이제는 고정된 커리큘럼 정책을 넘어, AI 가 직원의 업무 성과 패턴 정책을 분석하여 부족한 역량 정책을 실시간으로 추천해 주는 'Adaptive Learning 정책'이 주류임. (Support와 연결)
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Standard-Operating-Procedure]], [[Risk-Management]], [[Efficiency]], [[Support]], [[Management]], [[Sustainability]]
|
||||
- **Modern Platforms**: Coursera for Business, Degreed, EdX, Cornerstone.
|
||||
---
|
||||
@@ -0,0 +1,28 @@
|
||||
---
|
||||
id: CBA-AI-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.0
|
||||
tags: [ai-business, strategy, cost-benefit-analysis, scalability, optimization]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Cost-Benefit Analysis in AI (AI에서의 비용 대비 편익 분석)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "모델의 파라미터 한 개가 만드는 가치가 그 연산 비용을 정당화하는지 측정하라" — AI 도입 시 발생하는 인프라, 학습, 유지보수 비용과 그로 인해 창출되는 비즈니스 가치, 효율성 향상, 위험 감소 효과를 정량적으로 비교 분석하는 전략적 틀.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 기술적 성능(Accuracy, F1 score 등) 향상이 실제 비즈니스 수익으로 연결되는 지점을 파악하고, 한계 효용이 감소하는 임계점을 결정하는 의사결정 패턴.
|
||||
- **주요 분석 항목:**
|
||||
- **Costs:** GPU 연산 비용, 데이터 수집 및 라벨링 비용, MLOps 인프라 구축비, 모델 서빙 지연 시간(Latency).
|
||||
- **Benefits:** 업무 자동화에 따른 인건비 절감, 예측 정확도 향상으로 인한 매출 증대, 사용자 경험(UX) 개선 및 리텐션 확보.
|
||||
- **Intangible Factors:** 브랜드 이미지 제고, 기술적 우위 선점, 데이터 보안 및 윤리적 리스크 방어.
|
||||
- **ROI 최적화 전략:** 모델 경량화, 오픈소스 활용 vs 자체 구축 선택, 점진적 도입(MVP 우선) 전략.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 단순히 '성능이 좋은 모델'을 찾던 초기 연구 중심적 사고에서, 현재는 '지속 가능한 비용 효율'을 고려하는 엔지니어링 및 비즈니스 관점으로 전환.
|
||||
- **정책 변화:** Antigravity 프로젝트는 새로운 AI 기능을 위키에 도입하기 전, 해당 기능이 제공하는 지식 검색의 질 향상이 서버 유지 비용을 상회하는지 비용 대비 편익 분석을 수행함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- System-Design-for-AI-Scale, Product-Thinking, Decision-Making, [[MLOps]]
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Cost-Benefit Analysis in AI.md
|
||||
@@ -0,0 +1,28 @@
|
||||
---
|
||||
id: CURRICULUM-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.0
|
||||
tags: [ai, machine-learning, curriculum-learning, optimization, training-strategy]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Curriculum Learning (커리큘럼 학습)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "쉬운 것부터 배우고 점차 난이도를 높여 지능을 견고하게 쌓아라" — 인간의 학습 과정처럼 모델에게 쉬운 샘플부터 점진적으로 복잡한 샘플을 제시하여, 학습 속도를 높이고 더 나은 지역 최적해(Local Minima)에 도달하게 하는 학습 전략.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 학습 데이터의 난이도(Difficulty)를 사전에 정의하거나 동적으로 측정하여, 모델의 현재 역량에 맞는 데이터를 선별적으로 투입하는 단계적 최적화 패턴.
|
||||
- **작동 원리:**
|
||||
- **Difficulty Scoring:** 데이터의 노이즈, 길이, 복잡도 등을 기준으로 점수 부여.
|
||||
- **Pacing Function:** 학습 진행에 따라 어려운 데이터의 비중을 높여가는 함수 설계.
|
||||
- **Self-paced Learning:** 모델이 스스로 어떤 샘플이 쉬운지 판단하여 학습 순서 결정.
|
||||
- **장점:** 무작위 샘플링보다 수렴 속도가 빠르며, 복잡한 문제에서도 학습이 실패할 확률을 낮춤.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 단순히 데이터를 많이 넣으면 된다는 양적 접근에서, 데이터의 '투입 순서'가 모델의 질적 성장을 결정한다는 교육학적 접근으로 진화.
|
||||
- **정책 변화:** Antigravity 프로젝트의 자율 학습 에이전트는 지식 보강 작업 시 기초적인 용어 정의부터 시작하여 점차 복잡한 아키텍처 문서를 작성하는 커리큘럼 학습 방식을 따름.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Machine-Learning, [[Optimization]], [[Deep-Learning]], Transfer-Learning-Foundations
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Curriculum-Learning.md
|
||||
@@ -0,0 +1,29 @@
|
||||
---
|
||||
id: ESLINT-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.0
|
||||
tags: [static-analysis, javascript, devtools, dx]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Custom ESLint Rules Development (사용자 정의 ESLint 규칙 개발)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "팀의 코드 품질을 자동화된 문지기로 지켜라" — 단순한 문법 검사를 넘어, 프로젝트 특유의 안티 패턴이나 아키텍처 규칙을 AST(추상 구문 트리) 분석을 통해 실시간으로 강제하는 기법.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 소스코드를 트리 구조(AST)로 변환한 뒤, 특정 노드 방문 시(Visitor Pattern) 규칙 위반 여부를 검사하고 수정안(Fixer)을 제안하는 정적 분석 패턴.
|
||||
- **세부 내용:**
|
||||
- **AST Exploration:** `espree` 파서를 사용하여 코드를 노드 단위(VariableDeclaration, CallExpression 등)로 분해.
|
||||
- **Rule Definition:** `meta`(메타데이터)와 `create`(실제 로직) 함수를 정의하여 규칙 생성.
|
||||
- **Context Report:** 규칙 위반 시 에러 메시지와 위치를 보고하여 개발자에게 알림.
|
||||
- **Auto-fixing:** `fixer` API를 사용하여 위반된 코드를 올바른 형태로 자동 변환하는 로직 구현.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 단순 정규표현식 기반 검사에서, 코드의 의미적 구조를 이해하는 AST 기반 분석으로 정착.
|
||||
- **정책 변화:** Antigravity 프로젝트에서는 AI 에이전트가 작성하는 코드의 일관성을 위해 전용 ESLint 플러그인을 개발하여 운영 중.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Parent:** 10_Wiki/💡 Topics/AI
|
||||
- **Related:** Static-Analysis, AST, Developer-Experience
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Custom-ESLint-Rules-Development.md
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: FE-REACT-CUSTOM-HOOK-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.0
|
||||
tags: [react, frontend, custom-hooks, dry, refactoring, separation-of-concerns, business-logic]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Custom Hooks Patterns (커스텀 훅 패턴)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "UI 렌더링과 비즈니스 로직을 날카롭게 분리하고, 반복되는 로직을 독립적인 함수로 캡슐화하여 컴포넌트의 가독성과 테스트 가능성을 극대화하라" — React에서 로직 재사용의 가장 강력하고 유연한 표준 방식.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** "Logic Decoupling and Reusable Abstraction" — 데이터 패칭, 상태 관리, 이벤트 리스너 등록 등의 횡단 관심사를 컴포넌트 밖으로 추출하여 `useX`라는 이름의 커스텀 인터페이스로 추상화하는 패턴.
|
||||
- **주요 적용 사례:**
|
||||
- **Data Fetching:** `useFetch`, `useQuery` 등을 통해 로딩/에러 상태와 데이터 처리 로직 공유.
|
||||
- **Form Management:** `useForm`을 통해 입력값 바인딩 및 유효성 검사 로직 재사용.
|
||||
- **Global State / Storage:** `useLocalStorage`, `useAuth` 등을 통해 외부 상태와의 동기화.
|
||||
- **설계 원칙:**
|
||||
- **Naming:** 반드시 `use` 접두사로 시작하여 훅임을 명시.
|
||||
- **Co-location:** 특정 도메인에 국한된 훅은 해당 도메인 폴더에, 범용 훅은 `src/hooks`에 배치.
|
||||
- **의의:** 중복 코드를 제거(DRY)하고, 복잡한 컴포넌트의 인지적 부하를 줄여 유지보수 비용을 획기적으로 낮춤.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 과거에는 로직 재사용을 위해 고차 컴포넌트(HOC)나 Render Props를 사용했으나, 훅 도입 이후 이러한 방식은 'Wrapper Hell'을 유발하는 지양해야 할 정책으로 간주됨.
|
||||
- **정책 변화:** Antigravity 프로젝트는 30라인 이상의 비즈니스 로직을 포함하는 컴포넌트 개발 시 반드시 커스텀 훅으로의 분리를 검토하도록 강제하며, 훅 내부에서 사이드 이펙트(Effect) 발생 시 명확한 클린업 로직을 포함하는 것을 정책화함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[React-Hooks]], [[DRY-Principle]], [[Clean-Code-Principles]], [[Component-Composition]]
|
||||
- **Raw Source:** 00_Raw/Custom Hooks.md
|
||||
@@ -0,0 +1,30 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-CYBE-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.91
|
||||
tags: [auto-reinforced, cybernetics, systems-theory, feedback, communication, norbert-wiener]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Cybernetics]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "기계와 생명의 공통 언어: 복잡한 시스템이 목표를 유지하기 위해 정보를 주고받고 스스로 제어(Control)하는 방식을 연구하여, 인공지능과 현대 제어 공학의 철학적 뿌리가 된 시스템 과학."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
사이버네틱스(Cybernetics)는 동물과 기계에서의 제어와 통신에 관한 학문입니다. (노버트 위너 제안)
|
||||
|
||||
1. **핵심 철학**:
|
||||
* **Feedback Loops**: 시스템의 출력이 입력에 영향을 주어 스스로를 조정하는 메커니즘을 만물의 공통 원리로 봄. (Control-Theory의 기초)
|
||||
* **Information & Governance**: 정보를 단순히 데이터가 아닌 시스템을 조화롭게 이끄는 '조타수(Steersman)'의 역할로 정의.
|
||||
2. **왜 중요한가?**:
|
||||
* 단순한 기계론을 넘어, 생명체의 적응력과 기계의 자동성을 하나의 통합된 원리로 설명함으로써 AI와 로보틱스의 탄생에 결정적 기여를 함.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 사이버네틱스를 단순한 '공학적 제어 정책'으로 한정했으나, 현대 정책은 사회 시스템, 생태계, 거대 인터넷 경제를 포괄하는 '2차 사이버네틱스(관찰자를 포함한 시스템 분석 정책)'로 확장됨(RL Update). (Systems Thinking과 연결)
|
||||
- **정책 변화(RL Update)**: 인간의 뇌와 컴퓨터를 직접 연결하는 BCI 정책과, AI가 스스로 목표를 재정의하는 '자율적 거버넌스 정책'에서 사이버네틱스의 피드백 이론이 재조명받고 있음.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Control-Theory]], [[Homeostasis (항상성)]], [[Systems Thinking]], [[Artificial Intelligence (AI)]], [[Brain-Computer-Interface (BCI)]]
|
||||
- **Modern Tech/Tools**: Distributed control systems, Neural networks, Social system modeling.
|
||||
---
|
||||
@@ -0,0 +1,33 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-DAGD-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.95
|
||||
tags: [auto-reinforced, dag, dependency-management, directed-acyclic-graph, software-architecture, devops, efficiency]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[DAG-Dependency-Management]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "순환 없는 흐름의 지도: 복잡하게 얽힌 부품들의 선후 관계를 방향성 있는 비순환 그래프(DAG)로 정의하여, 무엇을 먼저 실행하고 무엇을 병렬로 처리할지 결정하는 현대 소프트웨어 공학의 교통 정제 시스템."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
DAG 기반 의존성 관리(DAG-Dependency-Management)는 시스템 구성 요소 간의 관계를 단방향 그래프로 모델링하여 관리하는 기법입니다.
|
||||
|
||||
1. **핵심 개념**:
|
||||
* **Nodes**: 개별 태스크나 모듈.
|
||||
* **Directed Edges**: 의존 관계 (A -> B : B를 하려면 A가 먼저 끝나야 함).
|
||||
* **Acyclic (비순환)**: 순환 참조(A->B->A)가 없어 무한 루프나 교착 상태가 발생하지 않음.
|
||||
2. **활용 사례**:
|
||||
* **Build Systems**: 변경된 파일과 그에 의존하는 파일만 똑똑하게 빌드 (Next.js, Vite). (Efficiency와 연결)
|
||||
* **Data Pipelines**: 데이터 처리 단계의 순서 보장 (Airflow, dbt).
|
||||
* **Package Managers**: 라이브러리 간 버전 충돌 해결 (npm, yarn).
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 순차적 실행 정책(Sequence)에만 집중했으나, 현대 정책은 DAG 분석 정책을 통해 의존성이 없는 노드들을 자동으로 묶어 '최대 병렬성 정책(Maximum Parallelism)'을 확보하는 방향으로 진화함(RL Update). (Scalability와 연결)
|
||||
- **정책 변화(RL Update)**: 이제는 단순 빌드 정책을 넘어, 분산 시스템의 서비스 간 호출 관계 정책이나 대규모 모노레포 정책의 변경 영향도 정책을 실시간으로 계산하는 핵심 도구로 쓰임.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Efficiency]], [[Scalability]], [[Technical-Architecture]], [[Standard-Operating-Procedure]], [[Management]]
|
||||
- **Key Mathematics**: Topological Sorting (위상 정렬).
|
||||
---
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-DQNN-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.98
|
||||
tags: [auto-reinforced, dqn, deep-q-network, reinforcement-learning, machine-learning, atari]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[DQN]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "심층 학습과 강화 학습의 극적인 결합: 단순한 테이블 형태를 넘어 거대한 딥러닝 신경망을 '두뇌'로 사용하여, 아타리 게임 화면 픽셀만 보고도 인간보다 더 높은 점수를 얻어낸 현대 강화학습의 위대한 기점."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
Deep Q-Network(DQN)은 Q-Learning 알고리즘에 심층 신경망(Deep Learning)을 결합한 강화학습 알고리즘입니다. (DeepMind 개발)
|
||||
|
||||
1. **3대 핵심 혁신**:
|
||||
* **Deep Learning Appropriation**: 상태 공간이 너무 넓어 테이블로 만들 수 없는 문제를 신경망으로 추사화함.
|
||||
* **Experience Replay**: 과거의 경험($s, a, r, s'$)을 메모리에 저장했다가 무작위로 추출해 학습하여 데이터 간 상관관계를 끊고 효율을 높임.
|
||||
* **Target Network**: 정답지에 해당하는 목표 신경망을 일정 주기마다 업데이트하여 학습의 안정성을 확보함.
|
||||
2. **왜 중요한가?**:
|
||||
* 특정 문제에 특화된 로직 없이 '범용적 인공지능'이 환경과 상호작용하며 스스로 정답을 찾아낼 수 있음을 증명함.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 이전에는 신경망과 강화학습의 결합이 극도로 불안정하여 실패한다는 정책이 우세했으나, DQN의 혁신 정책들(Replay/Target) 덕분에 안정적 학습 정책이 정립됨(RL Update).
|
||||
- **정책 변화(RL Update)**: 기본 DQN 정책을 넘어 Double DQN, Dueling DQN, Prioritized Experience Replay 등을 통합한 'Rainbow DQN 정책'이 고전적 강화학습의 마침표 정책으로 자리 잡음.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Reinforcement Learning (RL)]], [[Credit Assignment Problem]], [[Reward Prediction Error]], [[Optimization]], [[Search-Optimization]]
|
||||
- **Modern Tech/Tools**: DeepMind Atari 2600 experiments, Gym (OpenAI), Ray Rllib.
|
||||
---
|
||||
@@ -0,0 +1,29 @@
|
||||
---
|
||||
id: DATA-ETHICS-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.0
|
||||
tags: [ai-ethics, data-privacy, gdpr, trustworthy-ai, security]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Data Ethics and Privacy (데이터 윤리 및 프라이버시)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "데이터의 가치는 그것이 보호되는 방식에서 온다" — 지능의 원천인 데이터를 수집, 저장, 활용하는 전 과정에서 개인의 프라이버시를 보호하고 공정성과 투명성을 지키기 위한 윤리적/법적 체계.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 기술적 가능성(Can we?)보다 윤리적 정당성(Should we?)을 우선시하며, 데이터 주권을 명시적으로 관리하고 오남용 리스크를 최소화하는 보안 거버넌스 패턴.
|
||||
- **핵심 원칙 및 기술:**
|
||||
- **Consent & Purpose:** 명확한 동의 하에 정해진 목적으로만 데이터 활용.
|
||||
- **Anonymization / Pseudonymization:** 개인을 식별할 수 없도록 비식별화 처리.
|
||||
- **Differential Privacy:** 데이터셋에 통계적 노이즈를 추가하여 개별 정보를 보호하면서 전체 통계 정보만 활용.
|
||||
- **Federated Learning:** 원본 데이터를 서버로 보내지 않고 로컬 기기에서 학습한 결과만 공유하여 프라이버시 보호.
|
||||
- **Regulatory Compliance:** GDPR(유럽), CCPA(캘리포니아) 등 국가별 데이터 보호법 준수.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 데이터가 많을수록 좋다는 양적 팽창 시대에서, 정당하지 않은 데이터는 모델 전체의 신뢰성을 파괴한다는 '품질 및 윤리' 중심으로 패러다임 전환.
|
||||
- **정책 변화:** Antigravity 프로젝트는 모든 사용자 지식 보강 과정에서 개인정보 유출 가능성을 자동 스캔하며, 수집된 데이터는 엄격한 비식별화 과정을 거쳐 로컬 브레인 학습에만 활용함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Trustworthy-AI]], AI-Safety, [[Privacy-Preserving-AI]], [[Federated-Learning]]
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Data-Ethics and Privacy.md
|
||||
@@ -0,0 +1,30 @@
|
||||
---
|
||||
id: FLYWHEEL-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.0
|
||||
tags: [ai-strategy, business, data-flywheel, network-effect, scaling]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Data Flywheel Effect (데이터 플라이휠 효과)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "데이터가 지능을 만들고, 지능이 사용자를 모으며, 사용자가 다시 더 좋은 데이터를 가져온다" — 더 나은 제품이 더 많은 데이터를 부르고, 그 데이터가 모델을 개선하여 다시 제품의 경쟁력을 높이는 AI 비즈니스의 핵심 성장 엔진.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 초기 구축(Cold Start) 단계만 넘어서면 데이터의 축적이 가속화되어 경쟁자가 따라올 수 없는 해자(Moat)를 형성하는 선순환 가속 패턴.
|
||||
- **선순환 단계:**
|
||||
1. **Better Model:** 강력한 AI 모델 구축.
|
||||
2. **Better Product/UX:** 모델을 기반으로 뛰어난 사용자 경험 제공.
|
||||
3. **More Users:** 만족한 사용자들이 늘어남.
|
||||
4. **More Data:** 사용자의 상호작용을 통해 대규모의 고품질 데이터 수집.
|
||||
5. **Model Improvement:** 수집된 데이터를 학습에 반영하여 모델 고도화 (1번으로 회귀).
|
||||
- **의의:** AI 기업이 단순히 알고리즘 경쟁력이 아닌 '데이터 네트워크 효과'를 통해 시장 지배력을 확보하는 원리 설명.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 단순히 데이터의 '양'만 많으면 선순환이 일어난다고 믿었으나, 최근에는 데이터의 '품질'과 '정렬(Alignment)'이 동반되지 않으면 모델이 오염될 수 있다는 경각심이 높아짐.
|
||||
- **정책 변화:** Antigravity 프로젝트는 위키 가드닝 과정을 통해 고품질의 지식을 축적함으로써, 에이전트의 추론 능력이 시간이 갈수록 강화되는 '지식 플라이휠' 구조를 지향함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Concept-Drift]], [[Reinforcement-Learning-from-Human-Feedback-RLHF]], Product-Thinking, [[Strategic-Thinking]]
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Data-Flywheel-Effect.md
|
||||
@@ -0,0 +1,29 @@
|
||||
---
|
||||
id: DATA-PIPE-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.0
|
||||
tags: [data-engineering, mlops, data-pipeline, orchestration, airflow]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Data Pipeline Orchestration (데이터 파이프라인 오케스트레이션)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "복잡하게 얽힌 데이터의 흐름을 조율하고 장애를 자동 복구하는 지휘자가 되어라" — 데이터 수집, 변환, 학습, 배포에 이르는 수많은 작업(Task)들 간의 의존성을 관리하고, 스케줄링 및 모니터링을 자동화하는 시스템 아키텍처.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 워크플로우를 유향 비순환 그래프(DAG)로 모델링하여, 특정 작업의 실패가 전체 시스템에 미치는 영향을 최소화하고 재시도(Retry) 및 알람을 자동화하는 운영 패턴.
|
||||
- **핵심 기능:**
|
||||
- **DAG Management:** 작업 간의 선후 관계 정의.
|
||||
- **Scheduling:** 특정 시간이나 이벤트 발생 시 자동으로 파이프라인 실행.
|
||||
- **Error Handling:** 작업 실패 시 자동 재시도 및 상태 기록.
|
||||
- **Observability:** 파이프라인 각 단계의 처리 속도와 데이터 품질 모니터링.
|
||||
- **주요 도구:** Apache Airflow, Prefect, Dagster, Kubeflow Pipelines.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 단순한 크론탭(Crontab) 기반의 스크립트 실행에서, 코드로서의 인프라(IaC) 관점이 도입된 복잡한 워크플로우 관리 엔진으로 진화.
|
||||
- **정책 변화:** Antigravity 프로젝트는 외부 위키 데이터 수집 및 임베딩 업데이트 시 Airflow 기반의 오케스트레이션을 활용하여 데이터 일관성을 보장함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[MLOps]], [[Infrastructure-as-Code-IaC]], System-Design-for-AI-Scale, [[Data-Flywheel-Effect]]
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Data-Pipeline Orchestration.md
|
||||
@@ -0,0 +1,27 @@
|
||||
---
|
||||
id: P-REINFORCE-AI-DECLARATION-FILES
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.99
|
||||
tags: [TypeScript, JavaScript, DeclarationFiles, Tooling]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Declaration-Files]] (선언 파일, .d.ts)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "자바스크립트라는 원석에 타입이라는 주석을 입히는 투명 필름." 구현(Implementation)은 없이 오직 타입 정보(Signature)만 포함하여, 타입스크립트가 JS 코드를 이해하고 자동 완성을 제공하게 돕는 매뉴얼이다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Extension**: `.d.ts` (d는 declaration의 약자).
|
||||
- **Core Role**:
|
||||
- **Bridge**: 컴파일된 JS 파일 옆에서 해당 코드의 타입을 설명함.
|
||||
- **Library Support**: 직접 TS로 쓰이지 않은 NPM 패키지들에 타입을 부여함.
|
||||
- **Ambient Declarations**: `window`나 `process` 같은 전역 객체에 타입을 추가하는 용도.
|
||||
- **Compiler behavior**: 런타임에는 아무런 영향을 주지 않으며, 오직 '에디터'와 '컴파일 타임'의 안정성만을 위해 존재한다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 선언 파일과 실제 JS 코드가 불일치(Out-of-sync)할 때 발생하는 '거짓 안전(False sense of security)'이 가장 위험하다. 이를 방지하기 위해 라이브러리 제작자는 `tsc`를 통해 구현부에서 타입을 자동 추출(emitDeclarationOnly)하는 방식을 지향해야 한다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[DefinitelyTyped]] , TypeScript-Type-System
|
||||
- Practice: Publishing-Dual-CJS-ESM-Packages
|
||||
@@ -0,0 +1,26 @@
|
||||
---
|
||||
id: P-REINFORCE-AI-DQN
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.97
|
||||
tags: [ReinforcementLearning, DQN, DeepMind, QLearning]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Deep Q-Networks (DQN)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "고전 게임기를 정복한 딥러닝과 강화학습의 사상 첫 번째 결합." 상태 가치를 예측하는 고전적인 Q-Learning에 심층 신경망을 도입하여 픽셀 정보만으로 인간 이상의 게임 실력을 달성한 기념비적 논문이다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Key Innovations**:
|
||||
- **Deep Neural Network as Q-Function**: 복잡하고 고차원적인 상태(예: 화면 픽셀)를 입력받아 각 행동의 가치를 계산하도록 CNN을 사용함.
|
||||
- **Experience Replay**: 경험한 데이터를 메모리에 저장해두고 무작위로 추출하여 학습함으로써 데이터 간 상관관계(Correlation)를 끊고 안정성을 확보함.
|
||||
- **Target Network**: 가치 예측값과 목표값을 계산하는 네트워크를 분리하여 학습 중 목표값이 요동치는 현상을 방지함.
|
||||
- **Legacy**: 아타리(Atari) 게임 정복을 통해 현대 심층 강화학습(Deep RL) 시대를 열었다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- DQN은 가치 기반(Value-based) 방식이기에 행동 공간이 연속적인(Continuous) 문제에는 적용하기 어렵다. 또한 가치 값을 과대평가(Overestimation)하는 경향이 있어, 이를 보완한 Double DQN, Dueling DQN 등으로 진화하였다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Reinforcement Learning (RL)]] , [[Bellman-Equation]]
|
||||
- Contrast: Policy Gradient Methods
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-DFDE-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.92
|
||||
tags: [auto-reinforced, deepfake, deepfake-detection, security, forensic, synthetic-media, adversarial-ml]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Deepfake-Detection]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "진실의 파수꾼: 정교한 AI가 만든 가짜 영상 속에서, 인간의 눈으로는 감지할 수 없는 미세한 픽셀의 떨림, 불규칙한 눈 깜빡임, 혈류의 흐름(rPPG) 등을 포착하여 디지털 위조의 증거를 찾아내는 창과 방패의 대결."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
딥페이크 탐지(Deepfake-Detection)는 AI 기반 합성 미디어(Deepfake)의 진위 여부를 판별하는 기술적/사회적 방어 체계입니다.
|
||||
|
||||
1. **탐지 기법**:
|
||||
* **Physiological Analysis**: 눈 깜빡임 패턴, 심장박동에 의한 미세한 피부톤 변화(rPPG) 분석.
|
||||
* **Artifact Detection**: 머리카락 경계면의 부자연스러운 노이즈나 입 모양의 비동기화 포착.
|
||||
* **Digital Watermarking**: 생성 시점에 보이지 않는 고유 코드를 삽입하여 추적. (Sustainability와 연결)
|
||||
2. **왜 중요한가?**:
|
||||
* 가짜 뉴스의 확산, 명예훼손, 금융 사기 등 AI 가 초래할 수 있는 심각한 사회적 리스크를 관리하는 최후의 보루이기 때문임. (Risk-Management와 연결)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 특정 생성 알고리즘의 결함 정책을 찾는 데 집중했으나, 현대 정책은 생성 알고리즘이 완벽해짐에 따라 '생성 과정에서 발생하는 통계적 특징 정책'을 찾는 일반화된 탐지 정책(Generalizable Detection)으로 전환됨(RL Update).
|
||||
- **정책 변화(RL Update)**: 이제는 단순히 알고리즘 정책만으로는 부족하며, 콘텐츠의 출처 정책(Provenance)을 블록체인 정책 등과 연합하여 인증하는 '신뢰 인프라 정책' 구축이 병행되고 있음.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Risk-Management]], [[Sustainability]], Security, [[Synthetic-Data]], [[Biometrics]]
|
||||
- **Key Challenges**: Adversarial attacks on detectors, Deepfake quality improvement.
|
||||
---
|
||||
@@ -0,0 +1,28 @@
|
||||
---
|
||||
id: P-REINFORCE-AI-DEFINITELY-TYPED
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.98
|
||||
tags: [TypeScript, JavaScript, OpenSource, TypeSystem]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[DefinitelyTyped]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "세상의 모든 자바스크립트에 '타입'이라는 옷을 입히는 거대한 프로젝트." 타입스크립트 지원이 없는 JS 라이브러리를 위해 전 세계 커뮤니티가 기여하는 타입 정의(@types) 저장소다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Role**:
|
||||
- 수만 개의 JS 라이브러리에 대한 선언 파일(`.d.ts`)을 관리한다.
|
||||
- 개발자가 `npm install @types/react`를 실행할 때 실제 타입 데이터를 제공하는 근원지다.
|
||||
- **Infrastructure**:
|
||||
- GitHub의 `DefinitelyTyped` 레포지토리 하나에서 모든 타입을 관리하는 모노레포(Monorepo) 구조다.
|
||||
- 수천 명의 기여자와 자동화된 테스트 봇(dtslint)이 타입의 정확성을 검증한다.
|
||||
- **Impact**: 자바스크립트 생태계를 타입스크립트로 전환한 일등 공신이며, IDE의 자동 완성 기능을 가능하게 하는 핵심 인프라다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 최근에는 많은 라이브러리가 자체적으로 TS를 사용해 빌드하거나, 패키지 내부에 타입 파일을 포함(Bundled types)하는 추세다. 따라서 DefinitelyTyped는 '자체 타입이 없는 레거시 라이브러리'를 지원하는 역할로 조금씩 이동하고 있으나, 그 방대함 때문에 여전히 필수적이다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Declaration-Files]] , TypeScript-Type-System
|
||||
- Storage: GitHub
|
||||
@@ -0,0 +1,27 @@
|
||||
---
|
||||
id: P-REINFORCE-AI-DELIBERATE-PRACTICE
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.97
|
||||
tags: [Learning, Psychology, Growth, SkillAcquisition]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Deliberate-Practice]] (의도적 수련)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "단순한 반복은 노력이 아니라 습관이다." 성장을 위해 안락함을 벗어나 자신의 한계 지점에서 명확한 목표와 즉각적인 피드백을 받으며 수행하는 고통스러운 정밀 훈련법이다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Key Characteristics**:
|
||||
- **Comfort Zone Escape**: 이미 잘하는 것이 아니라, 아슬아슬하게 못 하는 영역(Learning Zone)을 타격함.
|
||||
- **Specific Goals**: 단순히 "잘하자"가 아니라 "이 구간의 속도를 5ms 줄인다" 식의 구체적 목표.
|
||||
- **Immediate Feedback**: 자신의 수행 결과를 즉시 확인하고 어디가 틀렸는지 인지함.
|
||||
- **Mental Representation**: 해당 분야의 고차원적인 지식 구조(Mental map)를 형성하는 과정.
|
||||
- **10,000 Hour Rule?**: 앤더스 에릭슨은 '절대적인 시간'보다 '어떻게 수련했는가'가 전문가를 만든다고 강조했다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 의도적 수련은 엄청난 정신적 에너지를 소모하므로 하루에 4~5시간 이상 지속하기 어렵다. 또한 전문가의 피드백 없이 혼자 수행할 경우 오답을 더 견고하게 수련하는 '부정적 학습'의 위험이 있어, 올바른 환경 설정(Mentorship)이 필수적이다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Flow-State]] , Learning-Theory
|
||||
- Counter: Fixed-Mindset
|
||||
@@ -0,0 +1,32 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-DESP-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.97
|
||||
tags: [auto-reinforced, deployment-strategy, devops, ci-cd, blue-green, canary, reliability]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Deployment-Strategy]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "중단 없는 진화: 새로운 코드와 기능을 실제 사용자에게 전달할 때, 서비스 중단(Downtime)을 최소화하고 버그 발생 시 신속하게 복구할 수 있도록 설계된 소프트웨어 배포의 전략적 시나리오."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
배포 전략(Deployment-Strategy)은 애플리케이션의 새로운 버전을 운영 환경에 적용하는 방법론입니다.
|
||||
|
||||
1. **주요 전략**:
|
||||
* **Blue-Green Deployment**: 구버전(Blue)과 신버전(Green) 환경을 동시에 띄워두고 트래픽을 한 번에 전환. 문제 발생 시 즉각 롤백 용이.
|
||||
* **Canary Deployment**: 극소수의 사용자에게만 먼저 배포하여 검증한 뒤 점진적으로 확대. (탄광의 카나리아에서 유래)
|
||||
* **Rolling Update**: 서버를 하나씩 순차적으로 업데이트하여 무중단 배포 구현.
|
||||
* **A/B Testing**: 서로 다른 기능을 배포하여 사용자 반응을 데이터로 비교.
|
||||
2. **왜 중요한가?**:
|
||||
* 사용자의 불편 없이 24시간 서비스를 유지하면서도, 개발팀은 하루에도 수십 번씩 새로운 기능을 안전하게 출시할 수 있게 함. (CI_CD와 연결)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 새벽에 서버를 끄고 작업하는 '점검 공지 정책'이 일상적이었으나, 현대 정책은 사용자 모르게 배경에서 업데이트를 완료하는 '무중단 자동화 정책'이 표준임(RL Update).
|
||||
- **정책 변화(RL Update)**: AI 모델 배포 정책에서는 모델의 성능 저하(Drift)를 실시간 감지하여 이전 모델로 자동 전환하는 '지능형 모니터링 결합 배포 정책'이 클라우드 네이티브 환경의 핵심 정책이 됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[CI_CD]], [[Scalability]], [[Technical-Architecture]], [[Quality Gates]], Monitoring
|
||||
- **Modern Tech/Tools**: Kubernetes, ArgoCD, AWS CodeDeploy, GitHub Actions.
|
||||
---
|
||||
@@ -0,0 +1,26 @@
|
||||
---
|
||||
title: 배포 프로토콜 및 CI/CD 자동화
|
||||
category: Software Architecture
|
||||
tags: [Deployment, CI/CD, GitHub Actions, Vercel, DevOps]
|
||||
created: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Deployment_Final_Gate]] (배포 및 자동화)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 수동 배포는 '실버 불렛'이 아니라 '시한폭탄'이다. 인간의 손을 거치지 않는 자동화된 보급로만이 시스템의 영속성을 보장한다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **CI (Continuous Integration)**:
|
||||
- 코드가 저장소에 합쳐지기 전, 린트(Lint) 검사, 빌드 테스트, 유닛 테스트를 자동으로 수행하여 '오염된 코드'의 유입을 원천 차단한다.
|
||||
- **CD (Continuous Deployment)**:
|
||||
- 검증된 코드를 실서버에 자동으로 릴리즈한다. `Vercel`, `Netlify` 같은 플랫폼은 브랜치별 '미리보기' 주소를 제공하여 배포 전 최종 검수를 돕는다.
|
||||
- **Environment Variables (보안 환경)**:
|
||||
- `.env` 파일을 통한 민감 정보 격리는 기본 중의 기본이다. 깃허브에 API Key가 하나라도 노출되는 순간, 그 프로젝트는 보안적으로 사망한 것과 다름없다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 무조건적인 '자동 배포'가 늘 정답은 아니다. 운영 단계에서는 '블루-그린 배포'나 '카나리 배포'처럼 트래픽을 조금씩 흘려보내며 안정성을 확인하는 고급 전략이 필요하다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Modern_Environment_Ecosystem]] , [[Collaboration_Governance]]
|
||||
- Pre-requisite: [[React_Testing_Strategy]]
|
||||
@@ -0,0 +1,24 @@
|
||||
---
|
||||
title: 개발 환경 및 실행 프로세스 관리 (DevOps & Setup)
|
||||
category: DevOps
|
||||
tags: [DevOps, Environment, CI/CD, Process Management]
|
||||
created: 2026-04-20
|
||||
---
|
||||
|
||||
# 개발 환경 및 실행 프로세스 관리
|
||||
|
||||
## 🎯 개요 (Overview)
|
||||
코딩 완성도만큼이나 중요한 **실행 환경(Runtime Environment)**과 **설정 파일(Configuration)**의 무결성을 확보하여, '내 컴퓨터에선 되는데 왜 저기선 안 되지?'라는 문제를 해결하는 프로세스입니다.
|
||||
|
||||
## 🚀 필수 체크리스트 (Checklist)
|
||||
- **의존성 관리**: `npm install` 등 패키지 무결성 확인.
|
||||
- **물리적 파일 구조**: `index.html` 등 필수 진입점 파일 존재 확인.
|
||||
- **보안 및 권한**: OS 레벨의 실행 정책(`Execution Policy`) 및 권한 설정.
|
||||
|
||||
## 💡 레슨 런 (Lesson Learned)
|
||||
> [!NOTE]
|
||||
> **"운영 환경에 대한 이해는 코딩 능력의 절반이다."**
|
||||
> 논리적 로직의 완성뿐만 아니라, 그것이 실제로 구동되는 물리적 인프라 설정을 문서화하고 자동화하는 능력이 필수적입니다.
|
||||
|
||||
## 🔗 연결된 지식
|
||||
- [[Systemic_Simulation_Principles]]
|
||||
@@ -0,0 +1,29 @@
|
||||
---
|
||||
id: P-REINFORCE-AI-IP-RIGHTS
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.94
|
||||
tags: [Law, Digital, IP, Copyright, Ethics]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Digital Intellectual Property Rights]] (디지털 지식 재산권)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "복제가 쉬운 세상에서 아이디어의 가치를 지키는 법적 테두리." 무단 복제와 배포가 용이한 디지털 환경에서 소프트웨어, 콘텐츠, 디자인 등의 창작물을 보호하고 정당한 대가를 보장받기 위한 법적 권리 체계다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Core Types**:
|
||||
- **Copyright (저작권)**: 코드, 이미지, 텍스트 등 창작적 표현 보호. 별도 등록 없이 창작 즉시 발생.
|
||||
- **Patent (특허)**: 독창적인 기술적 아이디어나 알고리즘 보호. 엄격한 심사 필요.
|
||||
- **Trademark (상표권)**: 브랜드 이름, 로고 등 식별 표지 보호.
|
||||
- **Modern Challenges**:
|
||||
- **Fair Use (공정 이용)**: 교육, 보도 등의 목적으로 저작권물을 동의 없이 사용할 수 있는 범위 논쟁.
|
||||
- **DRM (Digital Rights Management)**: 무단 복제를 막기 위한 기술적 보호 조치.
|
||||
- **Open Movement**: Open Source License (MIT, Apache, GPL) 등을 통해 권리를 공유하며 생태계를 확장하는 방식도 포함된다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- AI 학습 데이터에 대한 저작권 인정 여부가 현재 최대 화두다. "남의 저작물로 학습한 AI의 결과물은 누구의 것인가?"에 대한 법적 공백이 크며, 이는 현재 각국에서 판례를 쌓아가는 격동기에 있다. 지식 재산권의 개념이 '인간 중심'에서 '데이터 중심'으로 재편되고 있다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: Ethics-in-AI , Open-Source-Licensing
|
||||
- Problem: Digital-Piracy
|
||||
@@ -0,0 +1,29 @@
|
||||
---
|
||||
id: P-REINFORCE-AI-DIGITAL-THREAD
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.92
|
||||
tags: [Manufacturing, DigitalThread, PLM, Integration]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Digital Thread Integration]] (디지털 스레드 통합)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "제품의 탄생부터 죽음까지를 잇는 보이지 않는 데이터의 실." 설계, 제조, 서비스, 폐기에 이르는 제품 전 수명 주기 동안 발생하는 데이터를 단절 없이 연결하여 정보의 흐름을 최적화하는 아키텍처다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **The Concept**:
|
||||
- 기존에는 부서 간 테이터가 단절(Silo)되어 정보 전달 과정에서 오류가 잦았음.
|
||||
- 디지털 스레드는 하나의 데이터 원천(Single Source of Truth)을 통해 요구사항 변경이 즉시 제조 현장과 서비스 매뉴얼에 반영되게 함.
|
||||
- **Core Components**:
|
||||
- **PLM (Product Lifecycle Management)**: 데이터 축의 근간.
|
||||
- **ERP / MES**: 실행 및 자원 관리 데이터와의 연결.
|
||||
- **Feedback Loop**: 실제 사용 현장의 데이터를 다시 설계로 돌려보내는 루프.
|
||||
- **Benefit**: 리드 타임 단축, 품질 비용 절감, 제품 추적성 완성.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 디지털 스레드를 구축하려면 기업 내 모든 시스템의 '언어(Standard)'가 같아야 한다. 하지만 수십 년 된 레거시 시스템과 최신 플랫폼을 잇는 것은 엄청난 비용과 기술적 난제다. 최근에는 AI가 서로 다른 데이터 포맷을 자동으로 매핑해주는 기술이 스레드 통합의 핵심 동력으로 부상하고 있다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Digital-Twin-Technology]] , Industry-4.0
|
||||
- Foundation: Systems-Engineering
|
||||
@@ -0,0 +1,29 @@
|
||||
---
|
||||
id: P-REINFORCE-AI-DIMINISHING-RETURNS
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.98
|
||||
tags: [Economics, Systems, Optimization, Efficiency]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Diminishing Returns (한계 수익 체감)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "더 많이 붓는다고 더 빨리 차는 것은 아니다." 특정 생산 요소의 투입을 늘릴 때, 초기에는 생산량이 급증하다가 일정 시점을 넘어서면 투입 대비 얻어지는 성과(한계 생산량)가 줄어드는 법칙이다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **The Curve**:
|
||||
- **Phase 1: Increasing Returns**: 협동과 효율성 증대로 성과가 폭발함.
|
||||
- **Phase 2: Diminishing Returns**: 자원 간의 병목이 생기며 투입 대비 효율이 떨어지기 시작함.
|
||||
- **Phase 3: Negative Returns**: 과도한 투입이 오히려 관리 오버헤드나 자원 간섭을 일으켜 성과가 하락함.
|
||||
- **Examples**:
|
||||
- **Software Development**: 개발자 수를 늘릴수록 소통 비용이 커져 프로젝트가 더 늦어짐 (브룩스의 법칙).
|
||||
- **ML Training**: 모델 파라미터를 무작정 늘려도 데이터 품질이 낮으면 성능 성장이 멈춤.
|
||||
- **Strategic Insight**: '최적의 투입 지점'을 찾아야 하며, 그 이상의 노력은 '낭비'임을 인지해야 한다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- AI 스케일링 법칙(Scaling Laws)은 한계 수익 체감을 정면으로 돌파하는 것처럼 보였다. 하지만 최근에는 모델 크기를 키우는 것보다 데이터의 질을 높이거나 추론 시간을 늘리는 것이 더 효율적임이 밝혀지며, '어떤 자원'에 투자할 것인가에 대한 패러다임이 다시 변하고 있다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Amdahls Law (암달의 법칙)]] , Scaling-Laws-of-Neural-Language-Models
|
||||
- Law: Brooks-Law
|
||||
@@ -0,0 +1,29 @@
|
||||
---
|
||||
id: DAG-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.0
|
||||
tags: [computer-science, graph-theory, data-structures, workflow]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Directed Acyclic Graph (DAG, 유향 비순환 그래프)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "순환하지 않는 방향성 — 작업의 순서와 의존성을 정의하는 가장 완벽한 수학적 모델."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 노드 간의 방향은 존재하되, 어떤 노드에서 출발해도 다시 자기 자신으로 돌아오는 경로(Cycle)가 없는 구조를 통해 순차적 실행과 계층 관계를 보장하는 패턴.
|
||||
- **세부 내용:**
|
||||
- **Topological Sort:** DAG의 노드들을 의존성에 따라 일렬로 정렬하는 알고리즘 (빌드 시스템, 태스크 스케줄링의 핵심).
|
||||
- **Dependency Management:** 특정 작업이 완료되어야 다음 작업이 시작될 수 있는 인과 관계를 명확히 표현.
|
||||
- **Data Pipelines:** Spark, Airflow 등 현대 데이터 엔지니어링 도구에서 데이터의 흐름을 정의하는 표준 모델.
|
||||
- **Version Control:** Git의 커밋 히스토리는 부모-자식 관계를 가진 거대한 DAG 구조임.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 단순 트리(Tree) 구조보다 복잡한 관계를 표현할 수 있으면서도, 순환 구조(Graph)가 주는 무한 루프 위험을 제거한 실용적 타협점.
|
||||
- **정책 변화:** Antigravity 프로젝트의 '지식 연결 그래프'는 기본적으로 순환을 허용하나, '실행 워크플로우'는 엄격한 DAG 규칙을 따름.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Parent:** 10_Wiki/💡 Topics/AI
|
||||
- **Related:** Topological-Sort, [[Graph-Theory]], Workflow-Automation
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Directed-Acyclic-Graph-Dependency-Management.md
|
||||
@@ -0,0 +1,28 @@
|
||||
---
|
||||
id: P-REINFORCE-AI-DU-STATES
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.99
|
||||
tags: [TypeScript, StateManagement, Patterns, Architecture]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Discriminated-Unions-for-State-Modeling]] (상태 모델링을 위한 구별된 유니온)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "불가능한 상태(Impossible State)를 코드 수준에서 원천 봉쇄하라." 로딩 중이면서 동시에 에러가 날 수 없는 것처럼, 시스템의 상호 배타적인 상태들을 타입을 통해 완벽하게 정의하는 기법이다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **The Anti-pattern**:
|
||||
- `interface State { isLoading: boolean; error?: string; data?: Data; }`
|
||||
- 이 설계는 `isLoading: true`이면서 동시에 `error`가 존재하는 모순된 상태를 허용한다.
|
||||
- **The Discriminated Union Solution**:
|
||||
- `type State = { type: 'loading' } | { type: 'error'; message: string } | { type: 'success'; data: Data };`
|
||||
- `type` 속성을 통해 현재 어떤 상태인지 명확히 구별하며, 각 상태에 꼭 필요한 데이터만 가질 수 있게 강제한다.
|
||||
- **Benefit**: 컴포넌트나 로직에서 조건문 분기가 매우 명확해지며, 런타임 에러 발생 가능성이 획기적으로 줄어든다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 상태가 복잡해지면(예: 부분적 성공, 멀티 스텝 폼 등) 유니온의 조합이 기하급수적으로 늘어날 수 있다. 이때는 상태 머신(State Machine, 예: XState) 라이브러리를 도입하여 타입 안전성과 비즈니스 흐름 제어를 동시에 잡는 것이 권장된다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Discriminated-Unions]] , [[Finite-State-Machines]]
|
||||
- Context: React-Query-Pattern
|
||||
@@ -0,0 +1,32 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-DOST-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced, documentation-strategy, knowledge-management, software-engineering, communication, clarity]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Documentation-Strategy]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "지식의 영속성 확보: 코드가 '어떻게' 작동하는지를 넘어, '왜' 그렇게 설계되었는지와 사용법을 명확히 기록함으로써 팀의 인지 부하를 줄이고 지능의 단절 없는 공유를 보장하는 전략적 관리 활동."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
문서화 전략(Documentation-Strategy)은 정보의 가독성, 최신성, 유용성을 유지하기 위한 계획입니다.
|
||||
|
||||
1. **4가지 문서 유형 (Diátaxis framework)**:
|
||||
* **Tutorials**: 학습자 중심의 실제 따라하기 (Learning-oriented).
|
||||
* **How-to Guides**: 특정 문제를 해결하기 위한 스텝 (Goal-oriented).
|
||||
* **Reference**: API 규격 등 기술적 상세 정보 (Information-oriented).
|
||||
* **Explanation**: 설계 배경과 개념적 논의 (Understanding-oriented).
|
||||
2. **왜 중요한가?**:
|
||||
* 팀원이 떠나도 지식이 유실되지 않으며, 새로운 팀원이 빠르게 온보딩할 수 있음. (Cognitive Biases 중 지식의 저주 방지)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 두꺼운 '매뉴얼 책자 정책'이었으나, 현대 정책은 코드와 함께 살아있는 'Docs as Code 정책'과 검색이 용이한 'Wiki 기반 지식 기지 정책'으로 진화함(RL Update). (이 Obsidian Wiki가 그 정점)
|
||||
- **정책 변화(RL Update)**: AI가 코드를 읽고 문서를 자동으로 초안 작성하거나, 문서만 보고 동작하는 코드를 생성하는 '상호 보완적 문서화 정책'이 개발 문화의 중심이 됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Concept Mapping]], [[Clean-Architecture-TypeScript]], [[Knowledge synthesis]], [[Cognitive Biases]], [[Analysis]]
|
||||
- **Modern Tech/Tools**: Markdown, Docusaurus, Read the Docs, Notion/Obsidian.
|
||||
---
|
||||
@@ -0,0 +1,27 @@
|
||||
---
|
||||
id: P-REINFORCE-AI-DRAMA-MGMT
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.95
|
||||
tags: [GameDesign, AI, Narrative, DramaManagement]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Drama Management Systems]] (드라마 관리 시스템)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "플레이어 모르게 등 뒤에서 연극 무대를 조절하는 보이지 않는 연출가." 게임 엔진 내부에서 플레이어의 행동을 실시간 모니터링하여, 이야기가 너무 지루하거나 너무 급박해지지 않도록 이벤트를 배치하고 난이도를 조절하는 지능형 서사 제어 시스템이다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Target**: 플레이어의 '극적 긴장감(Dramatic Tension)'을 유지하는 것.
|
||||
- **Components**:
|
||||
- **Story State Monitor**: 현재 서사의 진행 상황 파악.
|
||||
- **Experience Manager**: 사용자 경험의 질을 실시간으로 점수화(Metric).
|
||||
- **Narrative Planner**: 목표 서사 구조로 유도하기 위한 최적의 행동(NPC 배치, 아이템 드랍 등) 결정.
|
||||
- **Key Technique**: **Search-based Drama Management (SBDM)**. 미래의 여러 시나리오를 시뮬레이션하여 현재 가장 필요한 '자극'을 골라냄.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 드라마 매니지먼트가 노골적이면 플레이어는 자신의 '자유의지(Agency)'가 침해받는다고 느껴 몰입이 깨진다(조작받는 느낌). 따라서 최근에는 LLM을 결합하여, 유저의 돌발 행동에도 논리적으로 대응하면서 자연스럽게 메인 플롯으로 복귀시키는 '생성형 드라마 매니지먼트'가 연구되고 있다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Dynamic Difficulty Adjustment (DDA)]] , Player-Agency
|
||||
- System: AI-Director (eg Left 4 Dead)
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-DRTH-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.93
|
||||
tags: [auto-reinforced, dramaturgy, erving-goffman, sociology, impression-management, self, interaction]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Dramaturgy-Theory]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "인생은 거대한 연극: 우리는 모두 사회라는 무대 위에서 특정 '역할'을 연기하는 배우이며, 분장실(Backstage)에서의 진실과 무대 위(Frontstage)에서의 연출된 자아를 끊임없이 조절하며 타인에게 보여지는 이미지를 관리한다."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
드라마투르기 이론(Dramaturgy-Theory)은 사회학자 어빙 고프먼이 제안한 이론으로, 인간의 상호작용을 연극적 공연에 비유하여 설명합니다.
|
||||
|
||||
1. **핵심 개념**:
|
||||
* **Front Stage (전면 무대)**: 관객(타인)에게 보여지는 공간. 역할에 충실한 연기가 일어남.
|
||||
* **Back Stage (후면 무대)**: 관객의 눈에서 벗어난 공간. 연출을 멈추고 휴식하거나 다음 연기를 준비함.
|
||||
* **Impression Management**: 타인에게 바람직한 이미지를 주기 위한 의식적/무의식적 노력. (Social-Psychology와 연결)
|
||||
2. **왜 중요한가?**:
|
||||
* 인간의 자아가 고정된 실체가 아니라, 상황과 관계 속에서 끊임없이 변하고 연출되는 '관계적 산물'임을 통찰하게 하기 때문임. (Structuralism와 연결)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 오프라인 대면 상호작용 정책에만 집중했으나, 현대 정책은 SNS(인스타그램, 링크드인 등)라는 디지털 무대 정책에서의 극심한 인상 관리 정책과 그로 인한 자아 정체성 정책의 혼란을 분석하는 핵심 틀로 쓰임(RL Update).
|
||||
- **정책 변화(RL Update)**: 이제는 AI 페르소나 정책이나 가상 캐릭터와의 상호작용 정책에서도 사용자가 어떤 역할을 수행(RP)하느냐를 설명하는 HCI 분야의 유력한 배경 이론으로 확장됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Social-Psychology, [[Structuralism]], Communication, User-Experience, Ethics
|
||||
- **Key Figure**: Erving Goffman (The Presentation of Self in Everyday Life).
|
||||
---
|
||||
@@ -0,0 +1,29 @@
|
||||
---
|
||||
id: DFS-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.0
|
||||
tags: [ai-inference, prompt-engineering, llm, in-context-learning]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[Dynamic Few-Shot (동적 퓨샷 선택 전략)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "상황에 가장 잘 맞는 예제를 실시간으로 골라 넣어라" — 고정된 예시(Static Examples)를 사용하는 대신, 사용자 입력과 가장 유사한 사례를 벡터 검색 등을 통해 추출하여 프롬프트에 동적으로 구성하는 기법.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 대규모 예제 저장소(Example Pool)에서 현재 질문(Query)과 의미적으로 가장 가까운 N개의 예시를 찾아 프롬프트의 컨텍스트로 제공함으로써 모델의 성능을 최적화하는 패턴.
|
||||
- **세부 내용:**
|
||||
- **Vector Semantic Search:** 사용자 입력을 임베딩하여 벡터 DB에서 가장 유사한 예제들을 검색.
|
||||
- **Diversity Selection:** 유사도만 따지지 않고, 다양한 각도의 예시를 섞어 모델의 편향을 방지하는 전략.
|
||||
- **Token Efficiency:** 전체 예제를 넣는 대신 꼭 필요한 예제만 골라 넣어 토큰 소모량을 절감하고 성능은 유지.
|
||||
- **Context Window Management:** 모델의 컨텍스트 제한 내에서 최적의 예제 개수와 순서를 결정.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 초기 퓨샷 기법은 하드코딩된 예시를 사용했으나, 입력값의 도메인이 다양해짐에 따라 입력 맞춤형 예제 제공이 필수적이 됨.
|
||||
- **정책 변화:** Antigravity 에이전트는 사용자의 질문 의도를 먼저 파악한 뒤, 관련 스킬 문서의 예제 중 가장 적합한 것을 Dynamic Few-Shot으로 주입하여 응답 정확도를 95% 이상으로 유지함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Parent:** 10_Wiki/💡 Topics/AI
|
||||
- **Related:** [[Few-Shot-Learning]], [[In-Context-Learning]], Vector-Database, [[RAG]]
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Dynamic Few-Shot (동적 퓨샷 선택 전략).md
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-DYCA-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.95
|
||||
tags: [auto-reinforced, dynamic-capabilities, strategic-management, adaptability, innovation, business-theory]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Dynamic-Capabilities]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "기업의 생존 근육: 한 번 구축한 경쟁 우위에 안주하지 않고, 급변하는 시장 환경을 감지(Sensing)하고, 기회를 포착(Seizing)하며, 내부 자산을 끊임없이 재구성(Transforming)하여 살아남고 진화하는 기업 내부의 고차원적 역량."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
역동적 역량(Dynamic-Capabilities) 이론은 자원 기반 관점(RBV)을 확장하여, 기업이 왜 환경 변화 속에서도 지속적인 경쟁 우위를 유지하거나 잃는지 설명하는 전략 경영 이론입니다. (David Teece 제안)
|
||||
|
||||
1. **3대 핵심 기능 (The Teece Framework)**:
|
||||
* **Sensing**: 시장의 위협과 기회를 탐지하고 해석하는 능력.
|
||||
* **Seizing**: 포착된 기회를 활용하기 위해 신속하게 의사결정하고 투자하는 능력. (Decision-Making와 연결)
|
||||
* **Transforming (Reconfiguring)**: 변화된 전략에 맞춰 조직 구조, 기술, 지식을 재배치하고 업그레이드하는 능력. (Systems-Thinking와 연결)
|
||||
2. **왜 중요한가?**:
|
||||
* 노키아나 코닥처럼 '성공의 함정'에 빠진 기업들이 왜 망하는지, 그리고 왜 넷플릭스나 아마존 같은 기업이 끊임없이 업종을 넘나들며 성공하는지 설명하는 핵심 틀이기 때문임.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 효율적 관리 정책(Operations)만이 최우선이었으나, 현대 정책은 효율성 정책이 오히려 변화를 방해하는 독이 될 수 있음을 지적하고 '학습 정책'과 '유연성 정책'을 강조함(RL Update).
|
||||
- **정책 변화(RL Update)**: 이제는 단순 조직 역량 정책을 넘어, AI 시스템 자체에 '역동적 역량 정책'을 탑재하여 스스로 자신의 로직 정책을 환경에 맞춰 최적화하는 '자율 진화형 기업 시스템'으로의 진화 담론이 시작됨. (Evolutionary-Architecture와 연결)
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Decision-Making, [[Systems-Thinking]], Evolutionary-Architecture, [[Strategic-Planning]], [[Innovation]], [[Sustainability]]
|
||||
- **Key Figure**: David Teece.
|
||||
---
|
||||
@@ -0,0 +1,27 @@
|
||||
---
|
||||
id: P-REINFORCE-AI-CATALOG-MGMT
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.98
|
||||
tags: [Ecommerce, DataManagement, Catalog, Taxonomy]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[E-commerce-Catalog-Management]] (이커머스 카탈로그 관리)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "수백만 개의 상품 속에서 '그 사과'를 정확히 골라내게 만드는 지식의 뼈대." 상품 데이터의 표준화, 분류(Taxonomy), 속성 관리(Attributes)를 통해 고객에게는 정확한 검색 결과와 필터링을 제공하고, 운영자에게는 효율적인 재고 관리를 가능케 하는 기반 기술이다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Taxonomy vs Folksonomy**: 엄격한 계층 구조(전자제품 > 노트북)와 유연한 사용자 태그(가성비, 학업용)의 조화.
|
||||
- **PIM (Product Information Management)**: 파편화된 상품 정보를 한 곳에서 관리하여 채널별(앱, 웹, 외부 몰)로 일관되게 배포하는 시스템.
|
||||
- **Search Optimization**:
|
||||
- **Synonym Mapping**: '폰'과 '핸드폰'을 동일하게 처리.
|
||||
- **Categorization AI**: 상품 이미지만 보고 자동으로 카테고리를 할당함.
|
||||
- **Core Challenge**: **Data Quality**. 중복 등록된 상품을 찾아내고(De-duplication) 잘못된 속성값을 바로잡는 과정.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 카탈로그가 너무 세분화되면 고객은 '선택의 장애'를 느끼고, 관리자는 데이터 입력 지옥에 빠진다. 최근에는 정해진 카테고리 트리(Tree)를 따르기보다, 벡터 검색과 LLM을 활용해 '의도 기반 카탈로그(Intent-based Catalog)'를 구축하여 훨씬 유연한 상품 노출(Semantic Search)을 구현하는 추세다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: Taxonomy-and-Ontology , [[벡터 데이터베이스 (Vector Database)]]
|
||||
- Platform: Shopify-Architecture
|
||||
@@ -0,0 +1,28 @@
|
||||
---
|
||||
id: P-REINFORCE-AI-EC-OPT
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.99
|
||||
tags: [Ecommerce, Conversion, Optimization, GrowthHacking]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[E-commerce-Optimization]] (이커머스 최적화)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "장바구니에서 결제로 이어지는 길목의 모든 돌멩이를 치우는 과정." 단순한 방문자 수를 넘어, 구매 전환률(CVR), 객단가(AOV), 고객 생애 가치(LTV)를 극대화하기 위해 데이터에 기반하여 UI/UX와 추천 로직을 끊임없이 개선하는 지점이다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Conversion Rate Optimization (CRO)**:
|
||||
- **Funnel Analysis**: 유저가 어느 단계(검색 -> 상세 -> 장바구니 -> 결제)에서 이탈하는지 파악.
|
||||
- **One-click Checkout**: 결제 단계를 비약적으로 단축하여 충동 구매 지원.
|
||||
- **Personalization**:
|
||||
- **Recommendation Engine**: "이 상품을 본 고객이 함께 본 상품" (협업 필터링).
|
||||
- **Dynamic Pricing**: 수요와 유저 가치에 따라 실시간 가격 변동.
|
||||
- **Technical SEO**: 상품 상세 페이지의 로딩 속도 최적화(LCP) 및 구조화된 데이터(JSON-LD) 적용.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 단기적인 매출 최적화(다크 패턴, 가짜 할인 등)는 고객의 '심리적 장부'에 마이너스를 기록하여 장기적인 브랜드 가치를 훼손한다. 현대의 최적화는 단순히 '오늘 한 개 더 파는 것'이 아니라, 리텐션(Retention) 중심의 지표 설계를 통해 지속 가능한 성장을 추구해야 한다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Core-Web-Vitals]] , [[A_B-Testing-Platforms]]
|
||||
- Metric: Lifetime-Value (LTV)
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-ESPL-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.96
|
||||
tags: [auto-reinforced, eslint, plugin-development, static-analysis, ast, javascript, dev-tooling, automation]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[ESLint-Plugin-Development]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "우리 팀만의 보안 필터: 단순한 규칙 사용을 넘어, 프로젝트 고유의 설계 원칙이나 보안 취약점 정책을 감지하는 커스텀 로직을 플러그인 형태로 패키징하여 전사적으로 배포하고 코드 품질을 수평 전개하는 도구 제작기."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
ESLint 플러그인 개발(ESLint-Plugin-Development)은 여러 ESLint 규칙(Rules)과 설정(Configs)을 하나의 모듈로 묶어 다른 프로젝트에서 재사용할 수 있게 만드는 과정입니다.
|
||||
|
||||
1. **구조 요소**:
|
||||
* **Rules**: 실제 코드를 검사하는 로직 (AST 방문 주체). (Custom-ESLint-Rules와 연결)
|
||||
* **Configs**: 권장되는 규칙 설정 세트 (예: `plugin:my-plugin/recommended`).
|
||||
* **Processors**: `.md`나 `.vue` 같은 비 JS 파일에서 JS 코드를 추출하는 전처리기.
|
||||
2. **왜 중요한가?**:
|
||||
* 대규모 조직에서 매번 각 프로젝트의 린트 설정을 복사-붙여넣기 할 필요 없이, 중앙 관리형 플러그인 정책을 통해 코드 표준 정책을 일회성으로 전파할 수 있기 때문임. (Efficiency와 연결)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 단순한 정규표현식 정책 검사에 가까웠으나, 현대 정책은 강력한 '타입 정보 정책(Type-aware linting)'을 활용하여 타입스크립트의 타입 관계 정책까지 검증하는 고수준 플러그인 정책으로 발전함(RL Update).
|
||||
- **정책 변화(RL Update)**: 이제는 단순 에러 감지 정책을 넘어, 복잡한 리팩토링 정책을 코드가 써진 순간 자동으로 수행(Fixer)해 주는 보좌진 역할을 수행함. (Quality-Control와 연결)
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Custom-ESLint-Rules]], [[Efficiency]], [[Quality-Control]], [[Technical-Architecture]], [[Standard-Operating-Procedure]], Automation
|
||||
- **Key Tools**: Yeoman generator-eslint, AST Explorer.
|
||||
---
|
||||
@@ -0,0 +1,28 @@
|
||||
---
|
||||
id: P-REINFORCE-AI-ACCESSIBILITY-DIR
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.98
|
||||
tags: [Accessibility, Policy, EU, Compliance, WebStandard]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[EU-Web-Accessibility-Directive]] (EU 웹 접근성 지침)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "인터넷 세상에 문턱을 없애라는 유럽의 강력한 법적 명령." 장애인과 노인을 포함한 모든 시민이 공공 서비스 웹사이트와 모바일 앱을 차별 없이 사용할 수 있도록 규정한 법적 프레임워크다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Standard**: **EN 301 549** 가 핵심이며, 이는 세계 표준인 **WCAG 2.1 Level AA**를 기반으로 함.
|
||||
- **Key Requirements**:
|
||||
- **Perceivable**: 텍스트 아닌 콘텐츠는 대체 텍스트 제공.
|
||||
- **Operable**: 키보드만으로 모든 기능 조작 가능.
|
||||
- **Understandable**: 콘텐츠와 운영 방식은 명확해야 함.
|
||||
- **Robust**: 보조 기술(스크린 리더 등)과 완벽하게 호환되어야 함.
|
||||
- **Enforcement**: 정기적인 접근성 선언문 게시 의무와 위반 시 과태료 처분.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 접근성 준수는 '추가 비용'으로 여겨지기 쉽지만, 검색 엔진(SEO) 최적화와 노년층 시장 확대라는 측면에서 강력한 비즈니스 기회가 된다. 2025년부터 시행될 **European Accessibility Act (EAA)**는 공공기관뿐만 아니라 민간 기업(은행, 전자상거래 등)까지 범위를 대폭 확대하므로, 글로벌 서비스를 준비한다면 필수적으로 대응해야 한다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: Web-Content-Accessibility-Guidelines-WCAG , Universal-Design-Principles
|
||||
- Tooling: Axe-Core-Accessibility-Testing
|
||||
Some files were not shown because too many files have changed in this diff Show More
Reference in New Issue
Block a user