feat: organize and categorize 1535 knowledge assets into wiki topics (2026-04-29)
This commit is contained in:
@@ -0,0 +1,24 @@
|
||||
---
|
||||
category: AI & Games
|
||||
status: Final
|
||||
converted_at: 2026-04-28
|
||||
---
|
||||
|
||||
# 10v10 대규모 멀티플레이어
|
||||
|
||||
## 📌 Brief Summary
|
||||
10v10 대규모 멀티플레이어는 WARNO에서 최대 20명의 플레이어가 동시에 참여하여 거대한 스펙터클과 혼란을 만들어내는 대규모 전술 게임 모드입니다 [1]. 이 모드에서는 유닛과 플레이어의 밀도가 매우 높아 강력한 포격과 촘촘한 방공망이 형성되며, 플레이어는 전장 전체가 아닌 특정 구역에 집중하여 전투를 수행할 수 있습니다 [1]. WARNO의 기반인 Iriszoom 엔진은 수백 개의 유닛이 기동하고 파괴되는 이러한 극단적인 환경 속에서도 4K 해상도와 풀 옵션을 안정적으로 유지할 수 있는 고도의 데이터 최적화 성능을 자랑합니다 [2, 3].
|
||||
|
||||
## 📖 Core Content
|
||||
* **엔진 최적화 및 시각 데이터 처리:** 10v10 멀티플레이어 매치는 시스템에 엄청난 부하를 주지만, Iriszoom 엔진은 이를 원활하게 처리하도록 설계되었습니다 [2]. 수백 개의 개별 유닛이 동시에 전장에서 충돌하고 파괴되는 10 대 10 환경에서도 게임은 4K 해상도와 풀 옵션 설정에서 안정적인 성능을 보여줍니다 [3]. 또한 네이팜, 연막, 폭발 등의 시각적 효과 데이터가 10v10 모드에서도 효과가 종료되기 전에 사라지지 않고 명확하게 렌더링되도록 최적화되었습니다 [4].
|
||||
* **전술적 환경의 변화:** 플레이어 밀도가 높은 10v10 게임에서는 맵의 좁은 부분에 역량을 집중할 수 있어, 치열한 협력과 혼전이 발생합니다 [1]. 대공 방어망이 빽촘하게 배치되어 항공기 운용이 매우 까다로워지며, 집중된 대규모 포격 데이터로 인해 노출된 고정 위치에서 보병을 생존시키는 것이 훨씬 더 어렵습니다 [1]. 일부 플레이어들은 10v10 모드에서 가장 유효한 전략을 '전면 돌격(full frontal assault)'으로 체감하기도 하며, NATO 진영은 무거운 기갑 사단을 스팸(spam)할 때 특히 강한 모습을 보입니다 [5, 6].
|
||||
* **사단(Division) 단위 데이터 밸런싱:** 소규모 전투에서는 방어나 기동의 약점 때문에 다루기 까다로운 예비군 사단(예: K.d.A. Bezirk Erfurt)이나 특정 보병 사단들도 10v10과 같은 대규모 팀 게임에서는 훨씬 플레이하기 쉬워집니다 [7]. 팀원들이 부족한 보병이나 전차 전력을 채워주고, 본인은 포병과 대공망을 극대화하여 팀을 지원하는 방식의 상호 보완적 덱 빌딩이 가능해지기 때문입니다 [7, 8].
|
||||
* **통계적 밸런스와 숙련도 데이터:** 많은 플레이어가 특정 진영(NATO 또는 PACT)이 10v10에서 불균형적으로 강하다고 인식하지만, 실제 10v10 퍼블릭 로비의 플레이어 승률과 텔레메트리 데이터를 분석해 보면 진영 간 눈에 띄는 편향은 발견되지 않습니다 [9]. 10v10 대규모 멀티플레이어 데이터 분석 결과, NATO와 PACT 간의 플레이 비중 및 승률은 플레이어의 숙련도가 높아질수록 균형을 이루는 경향을 보입니다 [10].
|
||||
|
||||
## 🔗 Knowledge Connections
|
||||
- **Related Topics:** [[Iriszoom 엔진]], [[사단(Division) 시스템]], [[텔레메트리(Telemetry) 데이터 분석]]
|
||||
- **Projects/Contexts:** [[WARNO 데이터 기반 밸런싱]]
|
||||
- **Contradictions/Notes:** 소스 [5]을 비롯해 10v10 커뮤니티 내에서는 게임 경험상 특정 진영(예: NATO)이 더 강하거나 유리하게 느껴진다는 체감상 주장들이 종종 제기되지만, 소스 [11], [9], [10]에서 진행된 실제 10v10 플레이어 데이터 및 승률 통계 분석에 따르면 두 진영 간의 통계적으로 유의미한 불균형이나 편향은 존재하지 않으며, 승패는 주로 플레이어 본인과 팀원들의 숙련도 차이에 기인하는 것으로 나타납니다 [12].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-28*
|
||||
@@ -0,0 +1,39 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-EB3F3C
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - 20k skinned instances demo"
|
||||
---
|
||||
|
||||
# [[20k skinned instances demo]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> '20k skinned instances demo'는 Three.js 기반의 오픈 소스 라이브러리인 InstancedMesh2를 활용하여 20,000개의 개별적인 스킨드 인스턴스(Skinned instances)를 동시에 렌더링하는 성능 최적화 데모입니다 [1, 2]. 이 데모는 모바일 기기에서도 3,000개의 인스턴스를 원활하게 구동할 수 있도록 설계되었습니다 [2]. 프러스텀 컬링, 거리 기반 애니메이션 프레임 조절, 다중 LOD(Level of Detail) 생성 등 다양한 최적화 기법을 적용하여 단 5번의 드로우 콜만으로 렌더링을 처리하는 것이 특징입니다 [2, 3].
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
이 데모는 제작자(agargaro)가 개발한 `instancedMesh2` 라이브러리를 기반으로 하며, 대규모 스킨드 메쉬를 렌더링하기 위해 다음과 같은 세부 최적화 기술들을 사용했습니다 [2].
|
||||
|
||||
* **프러스텀 컬링 및 시야 기반 업데이트 (Frustum Culling & View-based Updates):**
|
||||
기본적인 프러스텀 컬링을 적용하여 카메라 시야(Frustum) 내에 존재하는 인스턴스들에 대해서만 뼈대(Bones) 연산을 업데이트합니다 [2].
|
||||
* **동적 애니메이션 프레임 제어:**
|
||||
카메라와 각 인스턴스 간의 거리를 계산하여 애니메이션 FPS를 0에서 60 사이로 개별 설정함으로써 불필요한 연산을 줄입니다 [2].
|
||||
* **LOD(Level of Detail)의 적극적 활용:**
|
||||
`meshoptimizer`를 활용해 5단계의 기하학적 LOD를 생성했습니다 [2]. 거리가 먼 인스턴스에 대해서는 일부 뼈대 계산을 생략하며, 각 LOD마다 1개의 드로우 콜(Draw Call)만 발생시켜 총 5개의 드로우 콜만으로 렌더링을 완료합니다 [2, 3]. 또한, 그림자(Shadows) 렌더링 시에도 LOD를 관리할 수 있도록 구성되어 있습니다 [4].
|
||||
* **개별 애니메이션 지원:**
|
||||
단일 인스턴스들의 복제본들이 모두 동일한 애니메이션과 포즈를 공유하는 것이 아니라, 각 인스턴스마다 서로 다른 애니메이션을 가집니다 [5, 6]. 이 데모에서는 하나의 애니메이션 믹서(Mixer)를 사용했지만, 필요에 따라 인스턴스별로 믹서를 생성할 수도 있습니다 [6].
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요.
|
||||
- **정책 변화:** AI 분야의 자동 자산화 수행.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Related Topics:** [[InstancedMesh2]], [[Frustum Culling]], [[Level of Detail (LOD)]], Skinned Mesh, [[Draw Call]]
|
||||
- **Projects/Contexts:** three.js
|
||||
- **Contradictions/Notes:** 본 텍스처(Bone texture)의 부분 업데이트(Partial texture updates) 기능은 PC 환경에서 60FPS를 달성하는 데 도움이 될 수 있는 최적화 기법이지만, 모바일 기기와 파이어폭스(Mozilla Firefox) 브라우저에서는 이중 버퍼링(Double buffering) 부재로 인해 오히려 속도가 느려지는 문제가 있어 본 데모에서는 비활성화된 상태로 제공되었습니다 [2, 7].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-19*
|
||||
|
||||
---
|
||||
@@ -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-AILI-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.95
|
||||
tags: [auto-reinforced, ai-literacy, education, digital-competence, critical-thinking, future-skills]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[AI Literacy]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "AI 시대를 살아가는 생존 근육: AI의 작동 원리를 이해하고, 결과의 진위를 판단하며, 생활과 업무에서 AI를 도구로 활용해 가치를 창출할 수 있는 필수적인 문해력."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
AI 리터러시(AI Literacy)는 단순히 AI를 사용하는 기술을 넘어, AI의 가능성과 한계, 윤리적 쟁점을 비판적으로 사고하고 소통할 수 있는 종합적 역량을 의미합니다.
|
||||
|
||||
1. **핵심 역량 모델**:
|
||||
* **Understanding**: 데이터, 알고리즘, 모델링의 기본 원리 파악.
|
||||
* **Utilization**: 프롬프트 엔지니어링이나 에이전트 활용을 통한 문제 해결 능력.
|
||||
* **Evaluation**: AI의 답변이 편향되거나 허위 정보(Hallucination)가 아닌지 검증.
|
||||
* **Ethical Reflection**: AI 사용 시 발생할 수 있는 보안, 저작권, 윤리 문제 인지.
|
||||
2. **왜 중요한가?**:
|
||||
* 지식 정보의 비대칭성을 해소하고, AI가 가져올 일자리의 변화에 적응하기 위한 기초 체력임. (Adaptability와 연결)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 소수의 개발자만 알면 되는 '코딩' 정책이 주류였으나, 현대의 보편 교육 정책은 전 국민이 AI의 논리를 이해해야 하는 'AI 시민 역량 정책'으로 확대됨(RL Update).
|
||||
- **정책 변화(RL Update)**: 기업 채용 및 승진 정책에서, 특정 툴 사용 능력을 넘어 AI와의 협업 능력(Co-intelligence)을 핵심 평가지표로 삼는 정책이 확산 중임.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Adaptability]], Prompt-Engineering-Strategies, [[Ethics & AI]], [[AI for Social Good]], Vocational-Training
|
||||
- **Modern Tech/Tools**: AI Literacy education tools (Elements of AI), Generative AI sandbox.
|
||||
---
|
||||
@@ -0,0 +1,25 @@
|
||||
---
|
||||
id: P-REINFORCE-8DB819
|
||||
category: "10_Wiki/💡 Topics/AI & Narrative"
|
||||
confidence_score: 0.95
|
||||
tags: []
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Batch 10 - Wikified AI-Driven Narrative Systems"
|
||||
---
|
||||
|
||||
# [[AI-Driven Narrative Systems]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 핵심 내용 요약 예정
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
세부 본문 내용 구성 예정
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 신규 지식 유입에 따른 기존 지식과의 정합성 검증 단계.
|
||||
- **정책 변화:** AI & Narrative 분야의 체계적 지식 자산화 진행.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
|
||||
|
||||
---
|
||||
@@ -0,0 +1,32 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-AEVA-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.91
|
||||
tags: [auto-reinforced, aesthetics, value-theory, art-philosophy, design-principles]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Aesthetic-Value]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "아름다움이라는 객관적 질서: 단순히 개인의 취향을 넘어, 대칭, 비례, 조화, 그리고 의외성이라는 요소를 통해 인간의 뇌에 쾌락과 경외감을 선사하는 시각적/지적 가치의 정수."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
미적 가치(Aesthetic-Value)는 사물이나 예술 작품이 가진 가치 중, 그것을 지각하거나 경험할 때 느끼는 아름다움, 숭엄함, 조화로움 등과 관련된 가치를 의미합니다.
|
||||
|
||||
1. **미적 가치의 구성 요소**:
|
||||
* **Balance & Harmony**: 구성 요소들 간의 균형과 질서. (Symmetry-and-Invariance와 연결)
|
||||
* **Complexity & Novelty**: 너무 단순하면 지루하고, 너무 복잡하면 혼란스럽지만, 적절한 복잡성 속에 숨겨진 참신함은 높은 미적 가치를 가짐.
|
||||
* **Sublimity (숭고함)**: 인간의 이해를 넘어서는 거대함이나 압도적인 힘에서 느끼는 심미적 경외감.
|
||||
2. **적용 및 중요성**:
|
||||
* **UI/UX Design**: 심미적으로 뛰어난 디자인은 사용자에게 신뢰감을 주며 시스템의 사용성을 높임 (Aesthetic-Usability Effect).
|
||||
* **Architecture**: 공간의 미적 가치는 거주자의 정서와 행동 방식에 영향을 미침.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 미학을 인간 전유의 주관적 영역으로 보았으나, 현대의 AI 미학 정책은 인간의 뇌가 선호하는 패턴을 통계적으로 학습하여 '객관적인 미적 가치 점수'를 산출하고 생성 AI에 투영하는 정책으로 진화함(RL Update).
|
||||
- **정책 변화(RL Update)**: 기업 브랜딩 및 제품 설계 정책에서, 기능성(Utility)만큼이나 '미적 독창성(Aesthetic Originality)'을 차별화의 핵심 전략 자산으로 관리하는 정책이 강화됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Visual-Effects-VFX]], [[Style-Transfer]], Human-Computer Interaction (HCI), [[Symmetry-and-Invariance]], Foundational Models
|
||||
- **Modern Tech/Tools**: Aesthetic reward models in Generative AI, Adobe Firefly, Midjourney.
|
||||
---
|
||||
@@ -0,0 +1,25 @@
|
||||
---
|
||||
id: P-REINFORCE-E4FCEF
|
||||
category: "10_Wiki/💡 Topics/AI & Psychology"
|
||||
confidence_score: 0.95
|
||||
tags: []
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Batch 10 - Wikified Affective Computing"
|
||||
---
|
||||
|
||||
# [[Affective Computing]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 핵심 내용 요약 예정
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
세부 본문 내용 구성 예정
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 신규 지식 유입에 따른 기존 지식과의 정합성 검증 단계.
|
||||
- **정책 변화:** AI & Psychology 분야의 체계적 지식 자산화 진행.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
|
||||
|
||||
---
|
||||
@@ -0,0 +1,27 @@
|
||||
---
|
||||
id: P-REINFORCE-AI-GAME-THEORY
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.99
|
||||
tags: [Algorithmic Game Theory, Mechanism Design, Nash Equilibrium, AI]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Algorithmic-Game-Theory]] (알고리즘 게임 이론)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "이기적인 경제 주체들을 위한 최적의 규칙." 게임 이론의 복잡한 균형점(Nash Equilibrium)을 컴퓨터 알고리즘으로 어떻게 빠르게 찾아낼 것인가를 다루는 학문이다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Computational Complexity of Equilibria**:
|
||||
- 나쉬 균형을 찾는 것이 얼마나 어려운지(PPAD-complete) 분석하고, 이를 근사적으로 해결하는 알고리즘을 개발한다.
|
||||
- **Mechanism Design**:
|
||||
- 참여자들이 자신의 리소스를 솔직하게 공개하는 것이 스스로에게도 이득이 되도록 시스템(경매, 매칭 등)을 설계한다.
|
||||
- **Price of Anarchy**:
|
||||
- 개별 주체의 이기적 행동으로 인해 사회 전체의 효율성이 얼마나 감소하는지 정량화한다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 전통적인 게임 이론은 주체들이 '완전하게 합리적'이라고 가정하지만, 현실의 AI나 인간은 '제한적 합리성'을 가진다. 따라서 최근에는 강화학습을 통해 실시간으로 변하는 전략 공간에 대응하는 연구가 주류다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: Nash-Equilibrium , Mechanism-Design
|
||||
- Foundation: [[Bounded-Rationality]]
|
||||
@@ -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-ARCO-002
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced, arrangement, composition, design, systems-thinking, structure]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Arrangement-and-Composition]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "배열이 창조하는 의미: 개별 요소들은 그대로일지라도 그것들을 어떤 순서로, 어떤 간격으로 배치하느냐에 따라 전체 시스템의 기능과 미적 가치가 완전히 달라지는 '관계의 인지 과학'."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
배치와 구성(Arrangement-and-Composition)은 각 부분 요소를 조직화하여 하나의 통일된 전체(Wholeness)를 만드는 예술적, 공학적 행위입니다.
|
||||
|
||||
1. **배치의 원칙**:
|
||||
* **Proximity (근접성)**: 가까이 있는 것끼리 의미적으로 연관되어 있다고 느낌 (게슈탈트 원칙).
|
||||
* **Hierarchy (위계)**: 크기나 위치를 통해 정보의 우선순위를 시각화함.
|
||||
* **Rhythm (리듬)**: 반복과 변주를 통해 시각적/지적 흐름을 유도함.
|
||||
2. **구성과 기능**:
|
||||
* **Modular Composition**: 독립된 모듈을 조립하여 복잡한 시스템을 구축 (Agent Architecture와 연결).
|
||||
* **Balance vs Tension**: 균형 잡힌 배열은 안정감을 주고, 의도적으로 깨진 배열은 주의력을 환기시킴.
|
||||
3. **지식 관리에서의 적용**:
|
||||
* 노트 간의 연결(Graph)과 폴더 구조의 배치가 지식의 인출 효율을 결정함.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 고정된 그리드 시스템 내의 '정적 배치'가 미덕이었으나, 현대의 반응형 디자인 정책은 사용자의 기기에 따라 배치를 유연하게 바꾸는 '액티브 레이아웃 정책'으로 변화함(RL Update).
|
||||
- **정책 변화(RL Update)**: 음악 및 영상 창작 정책에서, AI가 개별 음표가 아닌 '악기 간의 배치(Arrangement)'와 '전체 흐름(Composition)'을 학습하여 인간 프로듀서 수준의 곡을 완성하는 'AI 오케스트레이션 정책'이 실용화됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Structural Principles]], [[Aesthetic-Value]], Design Theory, [[Agent Architecture]], [[Workflow-Integrity]]
|
||||
- **Modern Tech/Tools**: Figma (Auto-layout), CSS Grid, AI-powered music arrangers (Suno, Udio).
|
||||
---
|
||||
@@ -0,0 +1,27 @@
|
||||
---
|
||||
id: P-REINFORCE-AI-GAMES
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.98
|
||||
tags: [Game AI, Pathfinding, FSM, Behavior Tree, Reinforcement Learning]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Artificial-Intelligence-in-Games]] (게임 속의 인공지능)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "플레이어의 즐거움을 위한 적당한 지능적 패배." 플레이어에게 도전과 몰입감을 주기 위해 설계된 NPC 제어 기술이자, 최근에는 환경 생성(PCG)까지 확장된 게임 디자인의 파트너다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Decision Making (FSM/BT)**:
|
||||
- 유한 상태 기계(FSM)나 행동 트리(Behavior Tree)를 통해 상황에 맞는 NPC의 행동 로직을 계층적으로 설계한다.
|
||||
- **Dynamic Difficulty Adjustment (DDA)**:
|
||||
- 실시간으로 플레이어의 실력을 파악하여 난이도를 조절, '몰입(Flow)' 상태를 유지하게 하는 기술.
|
||||
- **Emergent Behavior**:
|
||||
- 고정된 스크립트가 아니라, 단순한 규칙들의 상호작용을 통해 개발자도 예상치 못한 흥미로운 상황을 만들어내는 기법.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 너무 똑똑한 AI는 게임의 재미를 망친다(절대 지지 않는 AI는 독재자와 같다). 따라서 게임 AI의 핵심은 '완벽한 승리'가 아니라 '설득력 있는 지능적 행동'을 보여주는 것이다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Agency-in-Game-Design]] , [[Reinforcement-Learning]]
|
||||
- Context: [[Immersive-Sim-Genre]]
|
||||
@@ -0,0 +1,29 @@
|
||||
---
|
||||
id: ALIFE-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.0
|
||||
tags: [ai, biology, complex-systems, artificial-life, simulation]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Artificial Life (인공 생명)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "생명체의 본질을 디지털 코드로 재창조하여 지능의 기원을 탐구하라" — 생물학적 생명의 진화, 번식, 대사, 상호작용 등의 특성을 컴퓨터 시뮬레이션이나 로봇공학으로 구현하여 생명의 작동 원리를 연구하는 분야.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 단순한 규칙들의 상호작용을 통해 복잡하고 지능적인 거동이 나타나는 창발(Emergence) 현상을 디지털 환경에서 재현하는 패턴.
|
||||
- **주요 연구 분야:**
|
||||
- **Soft ALife:** 컴퓨터 소프트웨어 내의 가상 생명체 (예: 셀룰러 오토마타, Conway's Game of Life).
|
||||
- **Hard ALife:** 생물학적 기능을 모사한 로봇 시스템.
|
||||
- **Wet ALife:** 합성 생물학을 통한 인공 세포 및 생화학 시스템 구축.
|
||||
- **Evolutionary Computation:** 적자생존의 원리를 이용한 알고리즘 최적화.
|
||||
- **의의:** 지능이 중앙 통제가 아닌, 개별 개체들의 분산된 상호작용 결과물임을 증명하여 분산형 AI 연구에 기여.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 단순히 생명을 흉내 내는 수준에서, 인공 생태계 내에서 자율적인 학습과 진화가 일어나는 고도의 복잡계 시뮬레이션으로 발전.
|
||||
- **정책 변화:** Skybound 프로젝트의 군집 AI(Swarm AI) 설계 시, 인공 생명의 군집 행동(Flocking) 원리를 적용하여 수백 개의 적 기체가 자연스럽고 위협적인 움직임을 보이도록 구현함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Evolutionary-Computation]], Agentic-Workflow, [[Multi-Agent-Systems-MAS]], [[Complexity-Theory]]
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Artificial-Life.md
|
||||
@@ -0,0 +1,27 @@
|
||||
---
|
||||
id: P-REINFORCE-AI-AUTOTEST
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.97
|
||||
tags: [Automated Testing, Game QA, AI Testing, Bot Testing]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Automated-Game-Testing]] (지능형 게임 테스트 자동화)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> QA는 단순히 버그를 찾는 행위를 넘어, AI 에이전트가 게이머처럼 플레이하게 함으로써 게임의 '밸런스'와 '재미의 영역'까지 검증하는 기술이다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Bot-driven Testing**:
|
||||
- 단순 매크로가 아닌, 강화학습된 AI 봇을 투입하여 맵의 갈 수 없는 곳(Collision Error)을 찾거나 무한 루프에 빠지는 구간을 전수 조사한다.
|
||||
- **Performance Profiling Automation**:
|
||||
- 대규모 전투나 복잡한 지형에서 프레임드랍(FPS Drop)이 발생하는 구간을 자동 감지하고, 해당 시점의 메모리 스택과 렌더링 부하를 기록하여 개발팀에 보고한다.
|
||||
- **Regression Guard**:
|
||||
- 기능 추가 시 기존의 퀘스트 라인이나 밸런스가 무너지지 않았는지, 자동화된 시나리오 테스트를 통해 24시간 감시 체계를 유지한다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 자동화 봇은 효율적이지만 '인간의 감정'을 느끼지 못한다. 버그는 없으나 재미가 없는 구역(Boring Zones)을 찾아내는 것은 여전히 인간 QA의 영역이며, AI는 이를 보조하는 증폭기로 사용되어야 한다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: Software Reliability , [[System_Debugging_Protocol]]
|
||||
- Foundation: Reinforcement Learning
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-AUPA-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.94
|
||||
tags: [auto-reinforced, automation-paradox, safety-critical, human-factors, skill-degradation]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Automation-Paradox]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "더 안전할수록 더 위험해지는 모순: 시스템이 자동화될수록 인간의 숙련도는 떨어지고 주의력은 느슨해져서, 정작 기계가 감당하지 못하는 1%의 비상 상황이 발생했을 때 인간이 대처하지 못해 대형 사고로 이어지는 현상."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
자동화의 역설(Automation-Paradox)은 인간의 개입을 줄이기 위한 기술이 오히려 결정적인 순간에 인간의 더 높은 역량을 요구하게 만드는 아이러니한 현상입니다.
|
||||
|
||||
1. **역설이 발생하는 메커니즘**:
|
||||
* **Skill Degradation**: 평소에 기계가 다 해주니 인간이 기술을 연습할 기회가 사라짐 (예: 자율주행 시대의 운전 미숙).
|
||||
* **Complacency (자만심)**: "기계가 알아서 하겠지"라는 비판적 사고의 정지.
|
||||
* **Ironies of Automation**: 가장 완벽한 자동화일수록, 인간은 가장 단련되지 않은 상태에서 가장 어려운 문제를 해결해야 함.
|
||||
2. **적용 사례**:
|
||||
* 자율주행차의 통제권 전환(Takeover) 지연 사고, 자동 항법 장치에 의존하던 항공기 추락 사고.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 100% 자동화만이 답이라는 낙관적 정책이 지배적이었으나, 현대의 안전 공학 정책은 '인간의 숙련도를 유지하면서 기계가 돕는' 적정 자동화 정책(Human-centric automation)으로 회귀함(RL Update).
|
||||
- **정책 변화(RL Update)**: 자율주행 및 원격 의료 정책 수립 시, 사용자가 기계의 작동 원리를 잊지 않도록 정기적으로 개입을 강제하거나 '주의력 모니터링'을 의무화하는 정책이 설계 표준이 됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Foundational Models, [[Ps-Reinforce]], [[Safety & Reliability]], [[Availability-and-Persistence]], [[Agent Architecture]]
|
||||
- **Modern Tech/Tools**: Driver Monitoring Systems (DMS), Simulator-based training for crisis management.
|
||||
---
|
||||
@@ -0,0 +1,35 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-AUVE-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.98
|
||||
tags: [auto-reinforced, autonomous-vehicles, self-driving, ai-robotics, transport-innovation, safe-ai]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Autonomous Vehicles]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "움직이는 바퀴 달린 컴퓨터: 가시광선, 레이더, 라이다로 세상을 초 단위로 분석하여 인간의 개입 없이 스스로 목적지까지 안전하게 도달하는 AI 로보틱스의 집합체."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
자율주행차(Autonomous Vehicles)는 환경을 스스로 인지하고 주행 상황을 판단하여 제어되는 차량을 의미합니다.
|
||||
|
||||
1. **자율주행 5단계 (SAE 기준)**:
|
||||
* **Level 2**: 운전자 보조 (현재 대중화).
|
||||
* **Level 3**: 조건부 자율주행 (특정 환경에서 시스템이 주도하되 필요시 인간 개입).
|
||||
* **Level 4**: 고도 자율주행 (특정 구역 내에서는 인간 개입 불필요).
|
||||
* **Level 5**: 완전 자율주행 (어떤 환경에서도 인간 개입 불필요).
|
||||
2. **핵심 기술**:
|
||||
* **Perception**: 센서 퓨전을 통한 장애물 및 차선 인식.
|
||||
* **Localization**: 정밀 지도(HD Map) 기반 자신의 위치 파악.
|
||||
* **Prediction**: 주변 차량과 보행자의 다음 움직임 예측 (Anticipation과 연결).
|
||||
* **Policy/Control**: 위반 없는 최적의 경로 주행 전략 수립.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 모든 상황을 코딩하려 했으나(Rule-based), 현대 자율주행 정책은 거대 모델이 주행 영상 전체를 학습하여 직관적으로 운전하는 'End-to-End 신경망 정책'으로 패러다임을 혁신함(RL Update).
|
||||
- **정책 변화(RL Update)**: 사고 시 책임 소재(Liability) 정책이 제조사, 소프트웨어 개발자, 보험사 간에 재정립 중이며, '트롤리 딜레마'와 같은 윤리적 판단을 AI 모델의 가치 정렬(Alignment) 정책 내에 어떻게 포함할지가 핵심 쟁점이 됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Artificial Intelligence (AI)]], [[Robotics]], [[Safety & Reliability]], [[Computer Vision]], [[Anticipation]], [[Ethics & AI]]
|
||||
- **Modern Tech/Tools**: Tesla FSD, Waymo, NVIDIA DRIVE, LiDAR/Radar systems.
|
||||
---
|
||||
@@ -0,0 +1,32 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-BACK-002
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.00
|
||||
tags: [auto-reinforced, backpropagation, deep-learning, machine-learning-foundations, calculus, neural-networks]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Backpropagation]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "오답 노트를 통한 성장: 모델이 낸 정답과 실제 정답 사이의 오차를 거꾸로(Back) 거슬러 올라가며, 각각의 신경망 연결 통로(Weight)들이 그 실책에 얼마나 기여했는지 계산해 이를 수정하는 딥러닝 학습의 마법."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
역전파(Backpropagation)는 인공신경망을 학습시키기 위해 미분(Chain Step)법을 사용하여 출력층의 오차를 입력층 방향으로 전파하며 가중치(Weights)를 업데이트하는 알고리즘입니다.
|
||||
|
||||
1. **학습 프로세스**:
|
||||
* **Forward Pass**: 데이터가 신경망을 통과하며 예측값 도출.
|
||||
* **Loss Calculation**: 예측값과 실제 정답의 차이(Loss) 계산.
|
||||
* **Backward Pass**: 오차가 발생한 책임을 각 노드에 분산. 출력이 오차에 미치는 영향력(Gradient)을 계산.
|
||||
* **Update**: 계산된 Gradient를 바탕으로 최적화 알고리즘(예: SGD)을 사용하여 가중치 조정.
|
||||
2. **왜 중요한가?**:
|
||||
* 다층 신경망(Deep Hidden Layers)에서 어떤 층을 얼마나 고쳐야 할지 수학적으로 명확히 알려주어 '딥러닝'을 실질적으로 가능케 한 핵심 기술임.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 초기 인공지능 정책은 사람이 규칙을 주는 것이었으나, 역전파 정책은 기계가 오차로부터 스스로 규칙(가중치)을 찾아내는 정책적 대전환을 이루어냄(RL Update).
|
||||
- **정책 변화(RL Update)**: 역전파 연산 효율을 극대화하기 위해 하드웨어(GPU/NPU) 수준에서 행렬 연산을 가속하는 정책이 수립되었고, 최근에는 역전파 없이 학습하는 생물학적 뇌 모델(Forward-Forward 등)에 대한 대안 정책 연구도 활발함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[stochastic gradient descent]], Deep Learning, Neural Networks, [[Machine-Learning-Foundations]], [[Reward Prediction Error]]
|
||||
- **Modern Tech/Tools**: PyTorch, TensorFlow, Autograd engines.
|
||||
---
|
||||
@@ -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 +1,33 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-BIGD-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.97
|
||||
tags: [auto-reinforced, big-data, data-science, analytics, scalable-systems, infrastructure]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Big-Data]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "데이터의 바다, 지능의 양분: 기존의 방식으로는 처리할 수 없을 만큼 거대하고 빠른 데이터 뭉치로부터, 인공지능이 복잡한 패턴을 학습하여 정교한 예측과 자동화를 가능케 한 현대 문명의 원유."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
빅데이터(Big-Data)는 수신, 저장, 관리, 분석 역량을 넘어서는 대규모 데이터셋을 의미하며, 보통 5V로 정의됩니다.
|
||||
|
||||
1. **5V Characteristics**:
|
||||
* **Volume**: 압도적인 데이터의 양.
|
||||
* **Velocity**: 실시간으로 생성되고 소멸되는 속도.
|
||||
* **Variety**: 텍스트, 이미지, 로그 등 비정형 데이터의 다양성.
|
||||
* **Veracity**: 데이터의 정확성과 신뢰도 확보의 어려움.
|
||||
* **Value**: 가공을 통해 얻어낼 수 있는 실질적인 가치.
|
||||
2. **분석의 차원**:
|
||||
* **Correlation over Causation**: "왜 발생하는가"보다 "무엇과 무엇이 같이 발생하는가"라는 상관 관계 분석에 우선 집중하여 빠른 비즈니스 의사결정 지원.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 무조건 많이 모으는 '데이터 댐' 정책이 유행이었으나, 현대 정책은 쓰레기 데이터 입력 시 쓰레기 결과가 나온다는(GIGO) 교훈 하에 '데이터 품질(Data-centric AI) 관리 정책'으로 전환함(RL Update).
|
||||
- **정책 변화(RL Update)**: 개인 정보 보호 정책(GDPR 등) 강화로 인해, 데이터를 한 곳으로 모으지 않고 기기단에서 학습하는 '연합 학습(Federated Learning) 정책'이 빅데이터 활용의 새로운 표준이 됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Artificial Intelligence (AI)]], Foundational Models, [[Statistics & Data Analysis]], [[Backups]], [[Technical-Architecture]]
|
||||
- **Modern Tech/Tools**: Hadoop, Spark, NoSQL (MongoDB, Cassandra), Data Lake (Snowflake).
|
||||
---
|
||||
@@ -0,0 +1,27 @@
|
||||
---
|
||||
id: P-REINFORCE-AI-BIOSHOCK
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.98
|
||||
tags: [BioShock, Game AI, Immersive Sim, Narrative AI]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# BioShock-(2007) (바이오쇼크의 서사적 AI)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "생태계가 살아있는 것처럼 느껴지게 하라." 바이오쇼크의 AI는 플레이어를 사냥하는 적이 아니라, 자기들만의 규칙(Big Daddy-Little Sister)에 따라 살아가는 '유기적인 배우'들이다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Ecological Interaction (생태계적 상호작용)**:
|
||||
- AI가 플레이어에게만 반응하는 것이 아니라, 세계관 내의 다른 AI들과 특유의 관계(보호-수집)를 맺으며 독자적인 '상태 기계(FSM)'를 돌린다.
|
||||
- **Environmental Narrative (환경적 서사)**:
|
||||
- AI의 배치와 일상적인 행동 자체가 랩처(Rapture)라는 몰락한 도시의 비극을 설명하는 장치로 활용된다.
|
||||
- **Emergent Gameplay**:
|
||||
- 플라스미드(능력)와 AI의 속성이 충돌하며 플레이어가 예상치 못한 전략(예: 해킹된 터렛으로 빅대디 유인)을 창출하게 만든다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 지금 보면 바이오쇼크의 AI는 매우 단순한 규칙 기반 시스템이다. 하지만 '서사(Narrative)'와 결합했을 때, 그 단순함은 오히려 예측 가능한 몰입감을 제공했다. 현대의 비선형적 AI보다 '의도된 연출'이 게임 디자인에서 얼마나 강력한지 보여주는 사례다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[BioShock-Critique]] , [[Game Design Theory]]
|
||||
- Foundation: [[Collective-Intelligence]]
|
||||
@@ -0,0 +1,27 @@
|
||||
---
|
||||
id: P-REINFORCE-AI-BIOSHOCK-CRIT
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.96
|
||||
tags: [BioShock, Critique, Ludonarrative Dissonance, Game Design]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[BioShock-Critique]] (바이오쇼크 비평)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "이야기는 자유를 갈구하지만, 시스템은 살육을 강요한다." 루도내러티브 디스너넌스(Ludonarrative Dissonance)라는 용어를 대중화시킨 불완전한 걸작이다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Ludonarrative Dissonance**:
|
||||
- 대의(Objectivism 비판)를 말하는 서사와 닥치는 대로 자원을 약탈하고 살인하는 게임 시스템 간의 괴리. 클린트 호킹이 이 지점에서 바이오쇼크를 날카롭게 비판했다.
|
||||
- **False Agency (거짓 주체성)**:
|
||||
- "Would you kindly?" 반전은 플레이어의 선택이 실제로는 프로그래밍된 선형적 경로였음을 폭로하며, 게임 매체 자체의 본질을 메타적으로 공격한다.
|
||||
- **Atmospheric Success**:
|
||||
- 시스템적 모순에도 불구하고, 아르 데코 스타일과 사운드 디자인이 결합된 '공간의 힘'이 모든 단점을 압도하는 몰입감을 생성했다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 후속작인 `BioShock Infinite`에서는 이 디스너넌스가 더 심화되었다는 평이 많다. 이는 '서사를 중시하는 AAA 게임'이 가진 고질적인 한계(System vs Story)를 보여주는 지침석이다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[BioShock (2007)]] , [[Game Design Theory]]
|
||||
- Context: [[Behavioral-Economics]]
|
||||
@@ -0,0 +1,27 @@
|
||||
---
|
||||
id: P-REINFORCE-SCI-BIOMECH
|
||||
category: "10_Wiki/💡 Topics/Science"
|
||||
confidence_score: 0.96
|
||||
tags: [Biomechanics, Injury, Physics, Safety Engineering]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Biomechanics-of-Injury]] (부상 생체역학)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 인체는 정교한 '기계적 구조물'이며, 외부 충격 시 물리적 에너지가 조직의 한계치를 넘어서는 과정(부상)을 수학적으로 모델링하여 생명을 보호한다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Kinematics & Kinetics**:
|
||||
- 충돌 시 몸의 움직임(운동학)과 그 움직임을 유발하는 힘(운동역학)을 계산하여 뼈와 장기에 가해지는 부하를 예측한다.
|
||||
- **Tolerance Limit (임계치)**:
|
||||
- 각 신체 부위가 버틸 수 있는 최대 압력(Stress)과 변형률(Strain). 이를 넘어설 때 골절이나 파열이 발생하며, 차량 충돌 테스트 더미(Dummy)의 설계 기준이 된다.
|
||||
- **HIC (Head Injury Criterion)**:
|
||||
- 뇌진탕 등 머리 부상의 위험도를 가속도와 시간의 함수로 정량화한 지표.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 수동적인 보호 장치(에어백 등)를 넘어, 이제는 AI 시뮬레이션으로 수천 가지 사고 시나리오를 미리 돌려보고 부상을 획기적으로 줄이는 '액티브 세이프티(Active Safety)' 설계가 주류가 되고 있다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Autonomous-Vehicle-Path-Planning]] , [[Distributed-Systems-Engineering]]
|
||||
- Application: [[Digital Twins]]
|
||||
@@ -0,0 +1,27 @@
|
||||
---
|
||||
id: BOLTZMANN-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.0
|
||||
tags: [ai, deep-learning, neural-networks, energy-based-model, statistical-mechanics]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Boltzmann Machines (볼츠만 머신)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "데이터의 분포를 물리적인 에너지 평형 상태로 모델링하라" — 통계역학의 볼츠만 분포에서 영감을 얻어, 신경망의 전역적 에너지 상태를 최소화하는 방향으로 학습하여 데이터의 구조를 파악하는 확률적 재귀 신경망.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 가시 노드와 은닉 노드 간의 상호작용을 통해 데이터의 복잡한 상관관계를 확률 분포 형태로 학습하고 생성하는 에너지 기반(Energy-based) 학습 패턴.
|
||||
- **주요 유형:**
|
||||
- **RBM (Restricted Boltzmann Machine):** 같은 층의 노드 간 연결을 제한하여 학습 효율을 높인 모델. 딥러닝 초기 가중치 초기화(Pre-training)에 기여.
|
||||
- **Deep Boltzmann Machine (DBM):** 여러 층의 RBM을 쌓아 올려 더 복잡한 특징 학습.
|
||||
- **학습 원리:** 실제 데이터의 분포와 모델이 생성한 분포 사이의 차이(KL-Divergence)를 최소화.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 초기 딥러닝의 부활을 이끈 핵심 기술(DBN 등)이었으나, 현재는 역전파(Backprop) 기술의 발달과 ReLU 등의 등장으로 인해 주류에서는 다소 물러난 상태임.
|
||||
- **정책 변화:** Antigravity 프로젝트는 비지도 학습 기반의 특징 추출 알고리즘 연구 시, 볼츠만 머신의 에너지 기반 모델링 철학을 참고하여 데이터 정합성을 검증함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Unsupervised-Learning-Foundations, Energy-Based-Models, [[Deep-Learning]], Statistical-Mechanics
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Boltzmann-Machines.md
|
||||
@@ -0,0 +1,33 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-877DCA
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - CI_CD 및 Pull Request 자동화 리뷰"
|
||||
---
|
||||
|
||||
# [[CI_CD 및 Pull Request 자동화 리뷰]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> CI/CD 및 Pull Request(PR) 자동화 리뷰는 소프트웨어 개발 수명 주기(SDLC)에서 코드 병합 이전에 정적 분석 도구(SAST), 린터(Linter), AI 코드 리뷰 봇 등을 활용하여 취약점, 버그, 스타일 위반을 자동으로 검사하는 과정입니다 [1, 2]. 이를 통해 빠른 피드백 루프를 형성하고, 일관된 코드 품질 기준을 강제하며, CI/CD 파이프라인 내에서 품질 게이트(Quality Gate) 역할을 수행하여 인간 리뷰어의 피로도를 줄이고 보안과 품질을 극대화합니다 [3-6].
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
* **파이프라인 통합 및 품질 게이트 (Quality Gates):** SonarQube, Snyk, CodeQL과 같은 자동화 분석 도구는 CI/CD 파이프라인 및 PR 워크플로우에 직접 통합됩니다 [1, 7-9]. PR이 생성되거나 코드가 푸시될 때 자동으로 검사를 실행하며, 사전 정의된 품질 게이트 규칙이나 심각도 임계값에 따라 PR 병합을 차단하거나 빌드를 실패하게 만들어 불량 코드가 프로덕션 환경에 도달하는 것을 원천적으로 방지합니다 [5, 10, 11].
|
||||
* **Pre-commit 단계의 선제적 자동화 (Husky & lint-staged):** CI 파이프라인 이전에 로컬 개발 환경에서 문제를 잡기 위해 Husky와 lint-staged를 주로 결합하여 사용합니다 [12, 13]. Husky는 `pre-commit`과 같은 Git 훅(Git hooks)을 중앙에서 관리하고, lint-staged는 변경되어 커밋 대기 중인 파일(staged files)에 대해서만 ESLint(정적 분석 및 린팅)와 Prettier(코드 포매팅)를 빠르게 실행합니다 [14-17]. 이를 통해 오류가 없거나 스타일 규칙을 준수한 코드만 커밋되도록 강제합니다 [16, 18].
|
||||
* **AI 기반 PR 자동 리뷰:** 최근의 자동화 리뷰 생태계는 생성형 AI와 머신러닝을 활용하여 PR 요약, 보안 취약점 식별, 자동 수정(Auto-fix) 코드 제안 기능을 PR 스레드 내에 직접 제공합니다 [19-21]. CodeRabbit, PR-Agent, Snyk Code, GitHub Copilot 등은 팀의 표준을 강제하며 개발자에게 실시간에 가까운 인라인 피드백을 제공하여 PR 주기 시간과 최초 리뷰 대기 시간(Time to first review)을 크게 단축시킵니다 [4, 22-25].
|
||||
* **수동 리뷰와의 하이브리드 병행 (Hybrid Approach):** 자동화된 리뷰는 구문 오류, 코드 스멜(Code smells), 널리 알려진 보안 결함 등을 빠르고 일관되게 검출하는 데 탁월하지만, 코드의 근본적인 의도나 비즈니스 로직, 아키텍처 맥락을 이해하는 데에는 한계가 존재합니다 [26-28]. 따라서 CI/CD 및 Git 훅을 통한 자동화 도구로 1차적인 기계적 검증을 처리하고, 인간 리뷰어는 아키텍처 설계, 보안 문맥, 비즈니스 로직 검증에 집중하는 '하이브리드 코드 리뷰'가 현재의 가장 이상적인 모범 사례로 꼽힙니다 [6, 11, 29, 30].
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요.
|
||||
- **정책 변화:** AI 분야의 자동 자산화 수행.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Related Topics:** [[Static Application Security Testing (SAST)]], [[Git Hooks]], AI Code Review
|
||||
- **Projects/Contexts:** CI/CD Pipelines, [[DevSecOps]]
|
||||
- **Contradictions/Notes:** 소스들은 자동화된 리뷰 도구가 매우 빠르고 일관적이지만 인간 리뷰어를 완전히 대체할 수는 없다고 주장합니다. 자동화 도구나 AI 봇은 문맥 맹점(Context Blindness)이 있어 아키텍처 설계나 비즈니스 로직을 온전히 이해하지 못하므로, 기계가 루틴한 검사를 담당하고 사람은 고차원적인 판단을 내리는 하이브리드 방식이 필수적이라고 강조합니다 [28, 31, 32].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-19*
|
||||
|
||||
---
|
||||
@@ -0,0 +1,28 @@
|
||||
---
|
||||
id: CS-SKYBOUND-JITTER-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.0
|
||||
tags: [skybound, troubleshooting, jitter, game-engine, lerp, delta-time, physics]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Case Study: Skybound Red Striker Movement Jitter Stabilization (사례 연구: Red Striker 이동 떨림 안정화)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "프레임 간의 불연속적인 위치 업데이트가 사용자의 눈에 '떨림'으로 비친다면, 선형 보간(LERP)과 델타 타임 가중치를 활용하여 시간의 흐름을 부드러운 좌표의 흐름으로 치환하라" — 고속 이동 객체의 시각적 안정성 확보 전략.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **핵심 문제:** Red Striker 등 고속으로 이동하는 적 기체가 특정 프레임에서 위치가 미세하게 튀거나(Jitter), 프레임 드랍 발생 시 순간이동 하는 듯한 부자연스러운 움직임 발생.
|
||||
- **해결 전략: Time-Sliced Linear Interpolation (LERP)**
|
||||
- **Delta Time Normalization:** 엔진의 `deltaTime`을 모든 이동 계산의 곱연산자로 사용하여 하드웨어 성능에 상관없는 일정한 이동 속도 보장.
|
||||
- **Position Smoothing (LERP):** `currentPos = lerp(currentPos, targetPos, alpha * dt)` 공식을 적용하여 급격한 위치 변화를 부드러운 가속/감속으로 완화.
|
||||
- **Integer Pixel Snapping Prevention:** 렌더링 직전 단계에서만 소수점 좌표를 정수로 변환하고, 내부 논리 연산은 항상 부동 소수점(Floating point) 정밀도를 유지하여 누적 오차 제거.
|
||||
- **성과:** 고주파 이동 시에도 잔상이나 떨림 없는 매끄러운 비행 궤적 구현, 엔진 부하 상황에서도 예측 가능한 적 기체 이동 패턴 유지.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 과거에는 성능 최적화를 위해 단순 좌표 덧셈 방식을 썼으나, 현대 정책은 '시각적 품질 우선 정책'에 따라 모든 이동체에 대해 보간 로직 적용을 표준으로 함.
|
||||
- **정책 변화:** Antigravity 프로젝트는 Skybound 엔진 내 모든 탄환 및 기체 이동 로직에 `LERP_THRESHOLD` 기반의 적응형 보간 필터 적용 정책을 의무화함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[JavaScript-Optimization-Patterns]], [[Interaction-to-Next-Paint-INP]], High-Performing-Website-Development
|
||||
- **Raw Source:** 00_Raw/2026-04-26-Skybound_Red_Striker_Movement_Jitter_Fix.md
|
||||
@@ -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-KINESIO
|
||||
category: "10_Wiki/💡 Topics/Science"
|
||||
confidence_score: 0.95
|
||||
tags: [Kinesiology, Human Movement, Biomechanics, Assessment]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Clinical-Kinesiology-Assessment]] (임상 운동학 평가)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 통증은 결과일 뿐, 원인은 '잘못된 움직임의 패턴'에 있다. 골격과 근육의 역학적 상호작용을 분석하여 신체의 기능을 최적화하는 과정이다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Joint Range of Motion (ROM)**:
|
||||
- 관절이 가용할 수 있는 각도를 측정하여 유연성과 가동성을 평가한다. 특정 방향의 각도 제한은 부상으로 가는 조기 신호다.
|
||||
- **Muscle Imbalance Study**:
|
||||
- 주동근(Agonist)과 길항근(Antagonist)의 힘의 균형을 분석한다. 한쪽이 너무 강하면 반대쪽은 늘어지고 약해지며(Lower Crossed Syndrome 등) 체형 불균형을 초래한다.
|
||||
- **Gait Analysis (보행 분석)**:
|
||||
- 발바닥의 압력 분포와 걷는 자세를 분석하여 척추와 골반의 정렬 상태를 추론한다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 과거에는 눈과 수동 측정기에 의존했으나, 최근에는 스마트폰 카메라를 통한 **AI 자세 분석(Pose Estimation)** 기술이 도입되어 훨씬 정밀하고 객관적인 평가가 가능해졌다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Biomechanics-of-Injury]] , [[Biometrics]]
|
||||
- Tech: [[Computer Vision]]
|
||||
@@ -0,0 +1,29 @@
|
||||
---
|
||||
id: FE-PERF-CODE-SPLIT-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.0
|
||||
tags: [performance, code-splitting, optimization, lazy-loading, suspense, bundling, vite, nextjs, core-web-vitals]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Code Splitting and Frontend Performance Optimization (코드 스플리팅과 성능 최적화)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "한꺼번에 전송되는 거대한 자바스크립트 번들은 사용자의 기다림을 고통으로 바꾼다. 번들을 의미 있는 조각(Chunks)으로 나누고 필요할 때만 호출(On-demand)하여, 첫 화면의 주인공을 0.1초라도 빨리 무대에 올려라" — 초기 로딩 속도와 런타임 반응성을 극대화하는 핵심 전략.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** "Granular Bundling and Adaptive Resource Loading" — 애플리케이션 코드를 라우트, 컴포넌트, 라이브러리 단위로 세분화하고 브라우저의 렌더링 스케줄에 맞춰 로딩 우선순위를 조정하는 패턴.
|
||||
- **핵심 최적화 기법:**
|
||||
- **Route-based Splitting:** 사용자가 현재 보지 않는 페이지의 코드를 로드하지 않도록 라우터 수준에서 지연 로딩(`React.lazy`) 적용.
|
||||
- **Component-level Lazy Loading:** 무거운 서드파티 라이브러리(차트, 에디터)나 특정 상호작용 후에만 필요한 UI 요소를 별도 청크로 분리.
|
||||
- **Vendor Splitting (Manual Chunks):** 자주 변경되는 비즈니스 로직과 변경이 적은 외부 라이브러리(`react`, `react-dom`)를 분리하여 브라우저 캐싱 효율 극대화.
|
||||
- **Resource Prioritization:** `preload`, `prefetch` 힌트를 활용하여 다음에 필요한 자산을 백그라운드에서 미리 준비.
|
||||
- **의의:** LCP와 INP 지표를 획기적으로 개선하여 검색 엔진 순위와 사용자 전환율(Conversion Rate)을 동시에 높임.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 과거에는 HTTP/1.1 환경에서 요청 수를 줄이기 위해 하나의 거대한 번들(One big bundle)이 유리했으나, 현대 정책은 HTTP/2 이상의 다중화(Multiplexing) 환경에 최적화된 '다중 청크 정책'을 권장함.
|
||||
- **정책 변화:** Antigravity 프로젝트는 200KB 이상의 단일 JS 파일 생성을 금지 정책으로 하며, 모든 동적 임포트 시 로딩 상태(Loading Spinner/Skeleton) 제공 정책을 의무화함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[JavaScript-Optimization-Patterns]], [[Largest-Contentful-Paint-LCP]], [[Interaction-to-Next-Paint-INP]], Vite-Build-Optimization, [[Modern-Frontend-Engineering-Architecture]]
|
||||
- **Raw Source:** 00_Raw/코드 스플리팅 및 성능 최적화(Code Splitting & Performance Optimization).md
|
||||
@@ -0,0 +1,27 @@
|
||||
---
|
||||
id: P-REINFORCE-SCI-FLOW
|
||||
category: "10_Wiki/💡 Topics/Science"
|
||||
confidence_score: 0.97
|
||||
tags: [Flow State, Neuroscience, Concentration, Performance]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# Cognitive-Neuroscience-of-Flow (몰입의 뇌과학)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "자아조차 잊게 만드는 완벽한 조화." 몰입(Flow)은 뇌의 보상 시스템과 주의력 시스템이 극한의 효율로 결합하여 에너지를 폭발시키는 상태다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Transient Hypofrontality**:
|
||||
- 몰입 중에는 전전두엽(판단, 비판 담당)의 활동이 일시적으로 낮아진다. 이로 인해 자의식적 비판이 사라지고 오직 '하는 행위' 자체에만 매몰된다.
|
||||
- **Dopamine & Norepinephrine**:
|
||||
- 도파민(보상)과 노르에피네프린(각성)이 다량 분비되며 학습 속도와 반응 속도를 비약적으로 높인다.
|
||||
- **Challenge-Skill Balance**:
|
||||
- 과제의 난이도와 자신의 실력이 완벽한 균형을 이룰 때(지루함과 불안 사이) 뇌는 몰입 상태에 진입하기 가장 쉽다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 몰입은 마법 같은 상태지만, 도파민 중독과 비슷한 양상을 보여 '중독성'이 있다. 건강한 몰입과 강박적 몰입을 구분하는 메타 인지가 장기적인 성장에 중요하다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: Burnout-Prevention-in-Professional-Gaming , [[Cognitive Psychology]]
|
||||
- Foundation: [[Information Theory]]
|
||||
@@ -0,0 +1,28 @@
|
||||
---
|
||||
id: P-REINFORCE-AI-AIMTRAIN
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.94
|
||||
tags: [Aim Lab, KovaaKs, Cognitive Training, Performance]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# Cognitive-Training-Software (에임 및 인지 훈련 소프트웨어)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 에임 훈련은 단순히 '마우스를 잘 흔드는 법'을 배우는 것이 아니라, 뇌의 시각 반응-근육 협응-판단 프로세스를 수만 번의 반복으로 최적화하는 '뉴로 머슬(Neuro-muscle) 프로그래밍'이다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Flick vs Tracking Training**:
|
||||
- **Flick**: 특정 위치로 즉각적으로 조준을 옮기는 폭발적 인지 능력.
|
||||
- **Tracking**: 움직이는 대상을 일정하게 따라가는 지속적 집중력과 미세 근육 제어.
|
||||
- **Micro-Metric Feedback**:
|
||||
- 반응 속도(Reaction Time), 정확도(Accuracy), 조준의 흔들림(Shake) 등을 밀리초(ms) 단위로 측정하여 사용자의 약점(Weak point)을 데이터로 시각화한다.
|
||||
- **Skill Transferability**:
|
||||
- 가상 환경에서의 훈련이 실제 게임(Valorant, Apex 등)의 성과로 전이되는 메커니즘은 '일관된 감도(Sensitivity)'와 '공포 반응 억제'에 기인한다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 과도한 에임 훈련은 손목 부상(Carpal Tunnel)을 유발할 수 있으며, 실제 게임에서의 지형지물 활용이나 전략적 판단력(Game Sense)을 간과하게 만들 수 있다. 도구는 보조수단일 뿐, 실전 감각과의 균형이 필수적이다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: Burnout-Prevention-in-Professional-Gaming , [[Biomechanics-of-Injury]]
|
||||
- Analysis: [[Clinical-Kinesiology-Assessment]]
|
||||
@@ -0,0 +1,27 @@
|
||||
---
|
||||
id: P-REINFORCE-SCI-COGEVAL
|
||||
category: "10_Wiki/💡 Topics/Science"
|
||||
confidence_score: 0.97
|
||||
tags: [Cognitive Evaluation Theory, Motivation, Autonomy, Psychology]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Cognitive-Evaluation-Theory]] (인지 평가 이론)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "보상이 때로는 열정을 죽인다." 인간은 스스로 결정하고 유능하다고 느낄 때 가장 강력한 내적 동기를 발휘한다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Autonomy (자율성)**:
|
||||
- 외부의 강요가 아니라 스스로의 선택에 의해 행동한다고 느낄 때 동기가 유발된다. (예: 게임에서의 자유로운 퀘스트 선택).
|
||||
- **Competence (유능성)**:
|
||||
- 자신의 능력이 과제에 적합하거나 성장하고 있다고 느낄 때 재미와 보람을 느낀다. (예: 레벨업 시스템, 랭크 시스템).
|
||||
- **Extrinsic vs Intrinsic Motivation**:
|
||||
- 금전적 보상 같은 외적 동기가 너무 크면, 즐거워서 하던 일(내적 동기)의 가치가 훼손되는 '과잉 정당화 효과(Over-justification effect)'가 발생할 수 있다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 게임 기획 시 단순히 '데일리 보상'만 뿌리는 것은 위험하다. 사용자가 보상 때문에 숙제처럼 게임을 하게 만들지 말고, 자신의 실력이 늘어가는 과정 자체를 즐기게 하는 '마스터리의 경험'을 설계해야 한다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Game Design Theory]] , [[Behavioral-Economics]]
|
||||
- Foundation: Cognitive-Biases
|
||||
@@ -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 +1,27 @@
|
||||
---
|
||||
category: AI & Games
|
||||
status: Final
|
||||
converted_at: 2026-04-28
|
||||
---
|
||||
|
||||
# Combined Arms (제병협동) 전술
|
||||
|
||||
## 📌 Brief Summary
|
||||
Combined Arms (제병협동) 전술은 보병, 기갑, 포병, 항공 지원 및 정찰 등 다양한 병과를 조화롭게 통합하여 승리를 쟁취하는 WARNO의 핵심 전술입니다 [1]. 이는 가위바위보와 같은 상성 원리를 기반으로 작동하며, 다양한 유닛이 서로를 지원하고 약점을 보완하도록 전술적 진형을 갖추어 교전을 통제하는 것을 의미합니다 [2-4].
|
||||
|
||||
## 📖 Core Content
|
||||
* **가위바위보 기반의 상성 원리:** WARNO의 전투는 기본적으로 공격 헬기가 전차를 이기고, 대공포가 공격 헬기를 이기며, 전차가 대공포를 이기는 식의 상성(rock-paper-scissors) 원리로 작동합니다 [3, 5]. 따라서 적이 어떤 유닛을 투입하든 즉각적으로 카운터 유닛으로 대응할 수 있도록, 사전에 전장에 다양한 병과를 미리 전개해 두는 것이 제병협동의 기초입니다 [4, 5].
|
||||
* **병과별 역할 분담과 상호 지원:** 성공적인 제병협동을 위해서는 부대의 타격력을 담당하는 전차, 적 헬기 위협에 대응하는 대공 유닛, 시야를 제공하는 정찰 유닛, 그리고 측면 방어와 은폐를 돕는 보병이 하나의 전술적 진형 안에서 상호 지원해야 합니다 [4]. 예를 들어 저격수가 보병, 전차, IFV와 함께 작전하는 것은 매우 스마트한 제병협동 플레이로 간주됩니다 [6]. 또한 연막(Smoke)을 효과적으로 활용하여 서로 다른 유닛 타입 간의 교전을 통제하는 것이 권장됩니다 [2].
|
||||
* **데이터 스펙에 따른 전략적 배치:** 효과적인 제병협동 진형은 각 유닛의 데이터 특성(장갑, 사거리, 은신)을 바탕으로 구축되어야 합니다 [7].
|
||||
* 장갑 수치가 낮은 유닛은 높은 유닛 뒤에 배치하여 피해를 흡수하도록 합니다 [7, 8].
|
||||
* ATGM 차량이나 헬기처럼 사거리가 긴 유닛은 사거리가 짧은 유닛 뒤에 두어 아웃레인지 공격을 수행하게 합니다 [8, 9].
|
||||
* 은신(Stealth) 수치가 낮은 유닛(예: 대공 차량)은 은신이 높은 보병이나 정찰 유닛의 뒤에 배치하여 적의 시야에서 벗어나게 해야 합니다 [10].
|
||||
* **Army General 캠페인에서의 시스템적 보상:** Army General 모드에서 전술 전투(Tactical Battle)를 벌일 때, 서로 다른 유닛 타입들을 조합하여 제병협동을 달성하면 시스템적으로 적에게는 부정적인 모디파이어(페널티)를 가하고 아군에게는 추가적인 전투 보너스를 제공받게 됩니다 [11].
|
||||
|
||||
## 🔗 Knowledge Connections
|
||||
- **Related Topics:** [[가위바위보 상성 (Rock-paper-scissors principle)]], [[장갑 및 사거리 데이터 (Armor and Range Stats)]], [[은신과 시야 매커니즘 (Stealth and Optics)]]
|
||||
- **Projects/Contexts:** [[WARNO 실시간 전술(Real-time Tactics) 및 Army General 캠페인]]
|
||||
- **Contradictions/Notes:** 모든 소스들은 공통적으로 제병협동의 절대적인 중요성을 강조하며, 단순히 병력을 한곳에 뭉치는 것(blobbing)이 아니라 각 유닛의 스펙과 데이터(장갑, 사거리, 은신)를 고려한 정교한 진형 배치가 승리의 핵심임을 지적합니다 [1, 7, 12].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-28*
|
||||
@@ -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 +1,27 @@
|
||||
---
|
||||
id: CONST-AI-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.0
|
||||
tags: [ai-safety, constitutional-ai, rlaif, alignment, ethics]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Constitutional AI (헌법적 AI)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "인간의 피드백 대신, AI에게 명문화된 헌법을 가르쳐 스스로 정렬하게 하라" — Anthropic이 제안한 방식으로, AI 모델에게 일련의 원칙(헌법)을 제공하고, 모델이 자신의 답변을 이 원칙에 따라 스스로 비판하고 수정하도록 학습시키는 정렬 기법.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 대규모의 인간 피드백(RLHF) 비용을 줄이면서도, 명확한 가이드라인에 따라 모델의 가치관을 일관되게 고정하는 자가 정렬(Self-alignment) 패턴.
|
||||
- **작동 과정 (RLAIF: RL from AI Feedback):**
|
||||
- **Supervised Stage:** 모델이 초안을 작성하고, '헌법'에 비추어 스스로 비판(Critique)한 뒤 수정본(Revision)을 생성하도록 학습.
|
||||
- **RL Stage:** 수정된 데이터를 바탕으로 보상 모델을 학습시키고, 이를 통해 메인 모델을 강화학습으로 미세 조정.
|
||||
- **장점:** 인간의 편향을 줄일 수 있고, 새로운 윤리적 기준이 생겼을 때 '헌법' 내용만 수정하여 효율적으로 재정렬 가능.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 사람이 일일이 정답을 알려주어야 한다는 고정관념에서 벗어나, 상위 원칙만으로 AI가 올바른 행동 방식을 스스로 유추할 수 있음을 증명.
|
||||
- **정책 변화:** Antigravity 프로젝트는 에이전트의 행동 규범을 정의할 때 '헌법적 AI' 방법론을 차용하여, 에이전트가 지켜야 할 핵심 가치(구체성, 성실성, 안전성)를 명문화하고 이를 기반으로 답변을 자가 검증함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[AI-Alignment]], [[Reinforcement-Learning-from-Human-Feedback-RLHF]], [[Trustworthy-AI]], AI-Safety
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Constitutional-AI.md
|
||||
@@ -0,0 +1,33 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-CJMA-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.94
|
||||
tags: [auto-reinforced, customer-journey-map, cjm, service-design, user-experience, touchpoints, behavior-analysis]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Customer-Journey-Mapping]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "사용자의 감정 소설: 제품과 처음 만나는 인지 단계부터 이탈하거나 충성 고객이 되는 전 과정을 시간 순서대로 나열하고, 각 접점에서의 페인 포인트(Pain point)를 시각화하여 혁신의 지점(Leverage point)을 발견하는 도구."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
고객 여정 지도(Customer-Journey-Mapping, CJM)는 고객이 목표를 달성하기 위해 겪는 일련의 경험을 시각적으로 나타낸 것입니다.
|
||||
|
||||
1. **구성 요소**:
|
||||
* **Stages**: 인지 -> 고려 -> 구매 -> 사용 -> 지지 등의 단계.
|
||||
* **Touchpoints**: 사용자가 제품과 상호작용하는 구체적 지점 (앱 화면, 고객 센터 등).
|
||||
* **Actions & Thoughts**: 각 단계에서 사용자가 행동하고 생각하는 것.
|
||||
* **Emotional Score**: 사용자의 기쁨과 좌절의 굴곡을 그래프화. (Sensitivity-Analysis와 대비).
|
||||
* **Opportunities**: 좌절이 발생하는 지점에서 우리가 해결할 수 있는 기회 발굴.
|
||||
2. **왜 중요한가?**:
|
||||
* 공급자 중심의 시각에서 벗어나 '사용자의 관점(UX)'으로 비즈니스를 재정의하게 하기 때문임. (Continuous-Discovery와 연결)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 완벽한 한 장의 '보고서 정책'으로 끝냈으나, 현대 정책은 실제 로그 데이터와 연동되어 실시간으로 변하는 '살아있는 지도 정책(Dynamic CJM)'을 지향함(RL Update).
|
||||
- **정책 변화(RL Update)**: 이제는 개인화 AI 정책이 적용되면서 모든 사용자가 동일한 여정 정책을 걷지 않게 되었으며, 수천만 개의 개별 여정 정책을 AI 가 클러스터링(Clustering)하여 패턴 정책을 추출하는 방식으로 진화 중임. (Data-Science-in-UX와 연결)
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Continuous-Discovery]], [[Data-Science-in-UX]], [[Sensitivity-Analysis]], Service-Design, UX-Design-and-Engagement
|
||||
- **Key Goal**: Empathy for the user (Empathy Map).
|
||||
---
|
||||
@@ -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 +1,29 @@
|
||||
---
|
||||
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 +1,32 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-DESP-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.95
|
||||
tags: [auto-reinforced, dead-space, diegetic-ui, immersive-sim, horror-game, ludo-narrative-consistency, game-design]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Dead-Space-Series]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "UI의 혁명, 몰입의 정수: 체력바와 아이템 창을 게임 화면 밖이 아닌 주인공의 등에 달린 장치와 홀로그램으로 구현하여, 플레이어가 '게임'을 하고 있다는 인식을 잊고 '공포' 그 자체에 고립되게 만든 다이제틱 디자인의 교과서."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
데드 스페이스 시리즈(Dead-Space-Series)는 Visceral Games가 개발한 SF 서바이벌 호르 게임으로, 게임 디자인 역사상 가장 혁신적인 UI/UX 사례로 꼽힙니다.
|
||||
|
||||
1. **Diegetic UI (다이제틱 UI)**:
|
||||
* **Health Gauge (RIG)**: 주인공 아이작의 척추에 부착된 빛나는 게이지로 체력 표시.
|
||||
* **Inventory/Map**: 허공에 투사되는 홀로그램 형태로, 게임이 일시 정지되지 않은 상태에서 실시간으로 조작. (Immersive-Sim와 연결)
|
||||
2. **Strategic Dismemberment (전략적 사지 절단)**:
|
||||
* 단순히 머리를 쏘는 것이 아니라, 적의 다리나 팔을 잘라 이동과 공격을 저지하는 독특한 전투 시스템.
|
||||
3. **왜 중요한가?**:
|
||||
* 시스템(UI)과 서사(몰입)의 결합 정책을 통해 '루도-내러티브 일관성'을 극대화했기 때문임.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거 게임들은 정보 전달을 위해 화면을 가리는 UI 정책 정책이 당연시되었으나, 데드 스페이스 정책은 모든 정보 정책을 게임 세계관 안으로 녹여내는 '무(無) UI' 정책이 훨씬 더 강력한 공포와 몰입 정책을 만든다는 것을 입증함(RL Update).
|
||||
- **정책 변화(RL Update)**: 리메이크판(2023)에서는 원작의 다이제틱 UI 정책을 현대적인 그래픽 환경에서 더욱 세밀하게 다듬었으며, 로딩 없는 심리스(Seamless) 구조 정책을 완성하여 시스템적 몰입 정책의 정점을 찍음.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Immersive-Sim, UX-Design-and-Engagement, Ludo-narrative Dissonance, [[Game-Design-Theory]], Simulation
|
||||
- **Key Developer**: Glen Schofield, Visceral Games.
|
||||
---
|
||||
@@ -0,0 +1,32 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-DETR-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.95
|
||||
tags: [auto-reinforced, decision-theory, probability, risk-analysis, strategic-thinking, game-theory]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Decision Theory]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "최선의 선택을 향한 수학적 지도: 불확실한 상황 속에서 얻게 될 이익(Utility)과 발생할 위험(Risk)을 저울질하여, 기대 가치를 극대화하는 가장 합리적인 행동을 결정하는 의사결정의 과학."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
의사결정 이론(Decision Theory)은 불완전한 정보 하에서 최적의 선택을 내리는 과정을 연구하는 학문입니다.
|
||||
|
||||
1. **두 가지 영역**:
|
||||
* **Normative (규범적)**: "어떻게 결정하는 것이 가장 합리적인가?" (수학적 최적해).
|
||||
* **Descriptive (기술적)**: "실제 인간은 어떻게 결정하는가?" (심리적, 행동적 분석). (Cognitive Biases와 연결)
|
||||
2. **핵심 원칙**:
|
||||
* **Expected Utility**: 각 결과의 가치에 발생 확률을 곱해 합산한 값.
|
||||
* **Minimax**: 가장 나쁜 상황에서 발생하는 손실을 최소화하는 하이 리스크 방어 전략.
|
||||
* **Bayesian Inference**: 새로운 증거가 나올 때마다 자신의 판단을 업데이트하는 방식. (Bayesian-Updating과 연결)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거 경제학 정책은 인간을 완벽하게 합리적인 존재로 가정했으나, 현대 정책은 '제한된 합리성(Bounded-Rationality) 정책'을 기반으로 하여 현실적인 타협안을 찾는 정책으로 진화함(RL Update).
|
||||
- **정책 변화(RL Update)**: AI 에이전트의 자율적 의사결정 정책에서, 단순히 점수만 높이는 '결과 중심 정책'보다 결정 과정의 윤리와 리스크를 계량화하여 반영하는 '가치 정렬형 의사결정 정책'이 필수가 됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Bounded-Rationality]], [[Cognitive Biases]], [[Bayesian-Updating]], [[Game-Theory]], [[Strategic-Planning]]
|
||||
- **Modern Tech/Tools**: Decision trees, Monte Carlo simulations, Multi-criteria decision analysis (MCDA).
|
||||
---
|
||||
@@ -0,0 +1,28 @@
|
||||
---
|
||||
id: DL-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.0
|
||||
tags: [ai, deep-learning, neural-networks, backpropagation, ml-foundations]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Deep Learning Foundations (딥러닝 기초)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "데이터로부터 추상적 특징을 스스로 추출하는 다층 신경망의 마법을 이해하라" — 인간 뇌의 구조에서 영감을 얻은 인공 신경망을 깊게(Deep) 쌓아 올려, 복잡한 비선형 관계를 학습하고 표현하는 머신러닝의 하위 분야.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 입력 데이터가 계층적인 레이어를 통과하며 저차원의 특징(선, 면)에서 고차원의 개념(얼굴, 사물)으로 응축되고, 오차 역전파를 통해 가중치를 스스로 최적화하는 학습 패턴.
|
||||
- **핵심 3요소:**
|
||||
- **Architecture:** 입력층, 은닉층, 출력층으로 구성된 다층 퍼셉트론(MLP) 및 다양한 변형.
|
||||
- **Activation Function:** 비선형성을 부여하여 복잡한 함수 근사를 가능하게 함 (ReLU, Sigmoid 등).
|
||||
- **Backpropagation & Optimizer:** 예측 오차를 뒤로 전달하여 경사 하강법(SGD, Adam 등)으로 가중치 수정.
|
||||
- **의의:** 사람이 특징(Feature)을 직접 정의하던 'Feature Engineering' 시대를 끝내고, 모델이 데이터를 스스로 이해하는 시대를 엶.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 연산량과 기울기 소실 문제로 한계에 부딪혔던 초기 신경망이 GPU 연산과 알고리즘 최적화를 통해 현대 AI의 주류로 부활함.
|
||||
- **정책 변화:** Antigravity 프로젝트는 모든 지식 처리 에이전트의 중추로 딥러닝 기반의 트랜스포머 아키텍처를 채택함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Neural-Networks-Foundations, [[Backpropagation]], [[Gradient-Descent]], [[Universal-Approximation-Theorem]]
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Deep-Learning.md
|
||||
@@ -0,0 +1,26 @@
|
||||
---
|
||||
id: P-REINFORCE-AI-DEF-GAME
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.95
|
||||
tags: [GameDesign, Theory, Definitions]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Definitions_of_Game]] (게임의 정의)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "불필요한 장애물을 극복하려는 자발적인 시도." 게임은 단순한 놀이를 넘어 규칙, 목표, 갈등, 그리고 플레이어의 선택이 상호작용하는 복합적인 시스템이다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Classic Definitions**:
|
||||
- **Johan Huizinga**: "놀이는 자유로운 행위이며, 일상과는 구별되는 '마법의 원(Magic Circle)' 안에서 이루어짐."
|
||||
- **Bernard Suits**: "게임은 특정 목적을 달성하기 위해 비효율적인 수단을 사용하는 자발적 시도." (예: 골프공을 손으로 넣지 않고 골프채로 치는 것)
|
||||
- **Katie Salen & Eric Zimmerman**: "플레이어가 규칙에 의해 정의된 인위적인 갈등에 참여하고, 그 결과가 정량화되어 나타나는 시스템."
|
||||
- **Core Elements**: **Rules**, **Goals**, **Feedback**, **Voluntary Participation**.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 현대의 '라이브 서비스 게임'이나 '게이미피케이션'은 전통적인 게임의 정의를 흔들고 있다. 보상을 위해 억지로 하는 '숙제' 같은 플레이는 자발적 참여라는 핵심 요소를 훼손하며, 이를 어떻게 게임의 범주로 볼 것인지에 대한 논의가 활발하다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Magic-Circle]] , [[Agency-in-Game-Design]]
|
||||
- Concept: Gamification
|
||||
@@ -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 +1,27 @@
|
||||
---
|
||||
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 +1,28 @@
|
||||
---
|
||||
id: P-REINFORCE-AI-DDA
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.96
|
||||
tags: [GameDesign, AI, DDA, Experience]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Dynamic Difficulty Adjustment (DDA)]] (동적 난이도 조절)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "플레이어의 실력에 맞춰 실시간으로 변하는 '보이지 않는 손'." 유저가 지루해하거나 좌절하지 않도록 게임의 난이도를 실시간으로 조정하여 몰입(Flow) 상태를 유지시키는 기술이다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Mechanism**:
|
||||
- **Performance Tracking**: 유저의 승률, 남은 체력, 클리어 시간 등 데이터를 실시간 수집.
|
||||
- **Adjustment Loop**: 유저가 너무 잘하면 적의 공격력을 높이거나 자원을 줄이고, 반대의 경우 힌트를 주거나 난이도를 낮춤.
|
||||
- **Techniques**:
|
||||
- **Rubber Banding**: 레이싱 게임에서 뒤처진 차량의 속도를 미세하게 보정함.
|
||||
- **The Director (L4D)**: 유저의 긴장도를 측정하여 좀비의 스폰량과 타이밍을 조절함.
|
||||
- **Goal**: 유저를 최적의 경험인 '몰입 영역(Flow Zone)'에 가둬두는 것.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- DDA가 너무 노골적이면 플레이어는 자신의 노력이 무의미하다고 느끼거나(의욕 상실), 일부러 못하는 척하여 시스템을 기만하려 할 수 있다. 따라서 '조작된 난이도'라는 인상을 주지 않도록 정교하고 은밀한 설계가 필수적이다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Flow-State]] , [[Artificial-Intelligence-in-Games]]
|
||||
- Concept: Player-Agency
|
||||
@@ -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
|
||||
@@ -0,0 +1,27 @@
|
||||
---
|
||||
id: P-REINFORCE-AI-ECOLOGY
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.95
|
||||
tags: [Science, Systems, Ecology, Modeling]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Ecology and Ecosystem Modeling]] (생태학 및 생태계 모델링)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "생명체와 환경이 얽히고설킨 거대한 에너지 흐름의 지도를 그리는 일." 개별 생명체의 행동을 넘어, 이들이 군집 속에서 어떻게 상호작용하고 자원을 순환시키는지 파악하기 위해 수학과 컴퓨터 시뮬레이션을 활용하는 학문이다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Population Dynamics**: 개체수가 환경 수용력(Carrying Capacity)에 맞춰 어떻게 늘고 줄어드는지 연구 (로지스틱 회귀 등).
|
||||
- **Trophic Levels**: 생산자, 소비자, 분해자 사이의 에너지 전달 효율 분석.
|
||||
- **Model Types**:
|
||||
- **Agent-based Models (ABM)**: 개별 유닛의 규칙을 바탕으로 전체 군집의 창발적 행동 관찰.
|
||||
- **Compartmental Models**: 에너지나 영양소가 각 구획(질소, 탄소 등)을 흐르는 양을 계산.
|
||||
- **Utility**: 기후 변화에 따른 멸종 확률 예측, 전염병 확산 경로 파악, 지속 가능한 농업 설계.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 자연은 인간의 모델보다 훨씬 더 복잡하고 비선형적(카오스 이론)이다. 특정 종을 보호하려던 노력이 먹이사슬의 붕괴를 가져오는 '의도치 않은 결과'가 빈번하다. 최근에는 인공지능이 위성 데이터와 수천 개의 변수를 실시간 학습하여, 고전적인 통계 모델이 놓치던 미세한 생태적 변화를 파악하는 '디지털 트윈 기반 생태 관리'가 도입되고 있다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: Complex-Adaptive-Systems , Self-Organized-Criticality
|
||||
- Modern Tech: [[Digital-Twin-Technology]]
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-ECAN-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.89
|
||||
tags: [auto-reinforced, economic-analysis, strategy, markets, opportunity-cost, incentives]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Economic-Analysis]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "희소성 속의 선택: 자원이 한정된 세상에서 인센티브가 인간과 조직의 행동을 어떻게 변화시키는지 분석하고, 최소의 비용으로 최대의 가치를 창출하는 최적의 합의점을 찾아내는 논리체계."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
경제적 분석(Economic-Analysis)은 선택의 기회비용과 효율성을 계량화하여 의사결정을 돕는 방법론입니다.
|
||||
|
||||
1. **핵심 원칙**:
|
||||
* **Incentives**: 보상이 행동을 결정한다. (RL의 Reward와 연결)
|
||||
* **Opportunity Cost**: 하나를 선택함으로써 포기하는 가치. (Optimization의 필수 고려 사항)
|
||||
* **Marginal Analysis**: '하나 더' 할 때의 이익과 비용을 비교하여 멈출 시점 결정.
|
||||
2. **왜 중요한가?**:
|
||||
* 단순한 돈의 흐름을 넘어, 시스템 설계 시 사용자가 왜 그렇게 행동하는지(Game-Theory)를 예측하고 최적의 거버넌스를 구축하게 함.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 인간을 '합리적 경제인(Homo Economicus) 정책'으로 보았으나, 현대 정책은 심리학이 결합된 '행동 경제학 정책'을 통해 비합리적 편향까지 분석 모델에 포함함(RL Update). (Cognitive Biases와 연결)
|
||||
- **정책 변화(RL Update)**: AI 경제 정책에서, 데이터와 연산 자원이 새로운 '생산 요소'로 부상함에 따라 데이터 주권 정책과 AI 자동화로 인한 노동 가치 재정의 정책이 국법적 차원의 핵심 분석 주제가 됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Decision Theory]], [[Game-Theory]], [[Strategic-Planning]], [[Cognitive Biases]], [[Circular-Economy]]
|
||||
- **Modern Tech/Tools**: Econometric software, Market simulation tools, Input-Output analysis.
|
||||
---
|
||||
@@ -0,0 +1,30 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-ECIN-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.93
|
||||
tags: [auto-reinforced, eci, economic-complexity, global-trade, knowledge-economy, industrial-growth, analytics]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Economic-Complexity-Index]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "국가 지능의 실적표: 단순히 GDP가 높은가 보다는, '얼마나 만들기 힘든 고부가가치 제품을 얼마나 다양하게 만들 수 있는가'를 측정하여 한 국가가 보유한 지식과 기술의 총량을 수치화한 미래 성장성 지표."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
경제 복잡성 지수(Economic-Complexity-Index, ECI)는 어떤 국가가 수출하는 제품의 다양성과 희소성을 분석하여 그 국가의 경제적 생산 능력을 측정한 지표입니다. (리카르도 하우스만, 세사르 이달고 제안)
|
||||
|
||||
1. **측정 기준**:
|
||||
* **Diversity (다양성)**: 한 국가가 얼마나 많은 종류의 제품을 수출하는가?
|
||||
* **Ubiquity (편재성)**: 그 제품을 수출하는 다른 국가가 얼마나 적은가? (희소성)
|
||||
2. **왜 중요한가?**:
|
||||
* 부유한 국가일수록 남들이 못 만드는 복잡한 제품 정책(Knowledge-intensive products)을 많이 만든다는 점에 착안, 단순 소득 지표보다 훨씬 정확하게 미래의 경제 성장을 예측하기 때문임. (Strategic-Planning와 연결)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 자원 정책(석유, 광물 등)이나 노동력 정책만으로 부국 정책을 설명했으나, ECI 정책은 '지식 통합 능력 정책(Knowledge integration)'이 국가 부의 진짜 원천 정책임을 입증함(RL Update).
|
||||
- **정책 변화(RL Update)**: 최근에는 물리적 제품 수출 정책뿐만 아니라, 소프트웨어 정책, 특허 정책, 문화 콘텐츠 정책 등 '무형 자산의 복잡성 정책'을 어떻게 ECI 정책 모델에 포함할 것인가에 대한 논의가 활발함. (Network-Analysis (NA)와 연결)
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Strategic-Planning]], Network-Analysis (NA), [[Economics-of-Information]], [[Sustainability]], Complexity-Science, [[Innovation]]
|
||||
- **Key Concepts**: Product Space, Knowledge-based economy.
|
||||
---
|
||||
@@ -0,0 +1,32 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-ECIN-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.95
|
||||
tags: [auto-reinforced, information-economics, asymetric-information, signaling, screening, market-failure, game-theory]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Economics-of-Information]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "정보가 곧 권력인 시장: '파는 사람이 사는 사람보다 물건의 결함을 더 잘 안다'는 정보 비대칭성 때문에 발생하는 시장의 왜곡을 분석하고, 신호(Signaling)와 선별(Screening)을 통해 어떻게 신뢰와 질서를 회복하는지 탐구하는 학문."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
정보 경제학(Economics-of-Information)은 정보의 가치와 정보 소유의 불균형이 경제 주체들의 의사결정과 시장 성과에 미치는 영향을 연구하는 경제학의 한 분야입니다.
|
||||
|
||||
1. **핵심 개념**:
|
||||
* **Asymmetric Information (정보 비대칭성)**: 거래 당사자 중 한쪽만 중요한 정보를 알고 있는 상태.
|
||||
* **Adverse Selection (역선택)**: 정보 부족으로 인해 저질의 상품이나 위험한 상대와 거래하게 되는 현상 (예: 중고차 레몬 시장).
|
||||
* **Moral Hazard (도덕적 해이)**: 감시가 어려운 틈을 타 계약 이후에 무책임하게 행동하는 현상. (Risk-Management와 연결)
|
||||
* **Signaling**: 고학력, 자격증 등을 통해 자신의 능력을 외부에 증명 (배우의 연기와 맥락이 닿음 - Dramaturgy-Theory).
|
||||
2. **왜 중요한가?**:
|
||||
* 디지털 플랫폼 시대에 '신뢰 데이터'를 어떻게 시스템화할 것인지 디자인하는 이론적 토대이기 때문임. (Economics와 연결)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 정보가 비싸고 구하기 어려웠으나, 현대 정책은 정보가 너무 많아(Paradox of choice) 생기는 '필터링 정책'과 '관심 경제 정책'을 중심으로 전환됨(RL Update). (Attention-Economy와 연결)
|
||||
- **정책 변화(RL Update)**: AI 가 정보를 생성하고 요약하는 시대가 되면서, '정보의 희소가치'는 낮아지고 '정보의 진위 검증 정책' 및 '희귀한 원본 데이터 정책(Raw truth)'의 가치가 경제학적 핵심 수익원으로 부상 중임.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Risk-Management]], [[Dramaturgy-Theory]], Economics, Attention-Economy, [[Logic]], Decision-Making
|
||||
- **Key Concepts**: Lemons problem (Akerlof), Signaling theory (Spence).
|
||||
---
|
||||
@@ -0,0 +1,27 @@
|
||||
---
|
||||
id: P-REINFORCE-AI-SPORT-SCIENCE
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.97
|
||||
tags: [SportsScience, Performance, Physiology, Biofeedback]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Elite-Sport-Science-Protocols]] (엘리트 스포츠 과학 프로토콜)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "0.01초의 승리를 위해 신체를 공학적으로 정밀 튜닝하는 매뉴얼." 단순한 훈련을 넘어 생체 데이터, 영양, 심리, 회복 기술을 통합하여 선수의 퍼포먼스를 극한까지 끌어올리는 체계적인 절차다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Load Monitoring**: GPS와 가속도계를 통해 선수의 훈련 부하를 실시간 측정하여 부상 위험 점수 산출.
|
||||
- **Recovery Protocols**:
|
||||
- **Cryotherapy**: 염증 억제 및 회복 촉진.
|
||||
- **Sleep Optimization**: 렘수면 단계 분석을 통한 인지 기능 및 근육 회복 관리.
|
||||
- **Nutritional Timing**: 에너지 대사 주기를 고려한 영양소 섭취(Periodized Nutrition).
|
||||
- **Biomechanical Analysis**: 3D 모션 캡처를 통한 동작 최적화 및 파워 출력 분석.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 'Over-training' 만큼 위험한 것이 'Over-monitoring'이다. 과도한 데이터 수집이 선수의 심리적 압박으로 작용하여 오히려 경기력을 저하시키는 경우가 발견되고 있다. 따라서 수치(Data)와 선수의 주관적 피로도(RPE) 사이의 균형을 맞추는 것이 현대 스포츠 과학의 핵심 트렌드다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: Exercise-Physiology , Biofeedback-Training
|
||||
- Field: Kinesiology-Foundations
|
||||
@@ -0,0 +1,28 @@
|
||||
---
|
||||
id: EMERGENCE-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.0
|
||||
tags: [systems-theory, complexity, emergence, artificial-life, multi-agent-systems]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Emergence in Systems (시스템에서의 창발)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "전체는 부분의 합보다 크며, 단순한 규칙이 합쳐져 예측 불가능한 질서를 창조한다" — 개별 요소들은 가지지 못한 특성이 시스템 전체 차원에서 갑자기 나타나는 현상으로, 복잡계와 지능의 본질을 설명하는 핵심 개념.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 하위 수준(Lower-level)의 개체들이 상호작용하며 상위 수준(Higher-level)에서 새로운 패턴이나 기능을 형성하는 자기 조직화(Self-organization) 패턴.
|
||||
- **핵심 특징:**
|
||||
- **Bottom-up:** 중앙 통제 없이 개별 요소의 로컬 규칙에 의해 발생.
|
||||
- **Irreducibility:** 전체 시스템의 행동을 개별 요소의 특성만으로는 완벽히 설명하거나 예측할 수 없음.
|
||||
- **Examples:** 개미 군집의 효율적 먹이 탐색, 뉴런들의 상호작용으로 생겨나는 '의식', LLM 규모 확장 시 나타나는 새로운 추론 능력.
|
||||
- **의의:** 개별 알고리즘의 최적화를 넘어, 시스템 전체의 상호작용 설계를 통해 고차원 지능을 구현하는 이론적 토대.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 지능을 설계(Design)의 산물로 보던 관점에서, 적절한 환경과 규칙 하에서 발생하는 창발(Emergence)의 산물로 보는 관점으로 확장.
|
||||
- **정책 변화:** Skybound 프로젝트의 군집 드론 AI는 개별 기체에 복잡한 전술을 심는 대신, 단순한 '충돌 방지'와 '목표 추적' 규칙만을 부여하여 유기적인 진형 변화라는 창발적 행동을 유도함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Chaos-Theory-in-Systems, [[Artificial-Life]], [[Multi-Agent-Systems-MAS]], [[Complexity-Theory]]
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Emergence-in-Systems.md
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-DPRI-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.95
|
||||
tags: [auto-reinforced, data-privacy, security, gdpr, differential-privacy, encryption, sovereignty]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Ensuring-Data-Privacy]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "데이터의 그림자 보호: 디지털 금광인 데이터를 마음껏 활용하면서도, 그 안에 숨겨진 개인의 정체성은 철저히 가리고 보호하여 '편리함'과 '인권' 사이의 위태로운 균형을 기술적으로 사수하는 현대의 자물쇠."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
데이터 프라이버시 보장(Ensuring-Data-Privacy)은 개인정보를 불법적인 접근이나 오남용으로부터 보호하고, 개인이 자신의 데이터에 대해 통제권을 갖게 하는 기술적/법적 체계입니다.
|
||||
|
||||
1. **3대 기술적 방패**:
|
||||
* **Anonymization & Pseudonymization**: 이름 등 식별자를 제거하거나 가명으로 변환.
|
||||
* **Differential Privacy**: 통계적 노이즈를 섞어 특정 개인을 유추하지 못하게 하면서도 데이터 패턴은 유지. (Statistics와 연결)
|
||||
* **Fully Homomorphic Encryption**: 데이터를 복호화하지 않고도 암호화된 상태 그대로 연산(AI 학습 등) 수행. (Security와 연결)
|
||||
2. **왜 중요한가?**:
|
||||
* 메타데이터 하나로도 개인의 사생활이 발가벗겨지는 시대에, 기업의 신뢰도 정책과 법적 리스크 관리 정책의 핵심이기 때문임. (Risk-Management와 연결)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 "안 지키면 벌금"이라는 수동적 보안 정책 정책이었으나, 현대 정책은 'Privacy by Design' 철학을 통해 제품 설계 단계부터 프라이버시 정책을 핵심 기능으로 탑재하는 능동적 정책으로 전환됨(RL Update).
|
||||
- **정책 변화(RL Update)**: 이제는 단순 보관 정책을 넘어, AI 가 개인정보 정책을 학습할 때 발생하는 정보 유출 정책(Inference Attacks)을 막기 위한 '연합 학습 정책'이나 '합성 데이터 정책' 활용이 필수가 됨. (Synthetic-Data와 연결)
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Security, [[Risk-Management]], [[Statistics]], [[Synthetic-Data]], Ethics, [[Sustainability]]
|
||||
- **Key Regulations**: GDPR, CCPA, PIPA.
|
||||
---
|
||||
@@ -0,0 +1,25 @@
|
||||
---
|
||||
id: P-REINFORCE-AI-ERP
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.95
|
||||
tags: [Enterprise, ERP, BusinessLogic, Systems]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Enterprise-Resource-Planning-Systems]] (기업 리소스 관리 시스템 - ERP)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "기업의 모든 혈관을 하나로 잇는 중추 신경망." 재무, 인사, 생산, 판매 등 분산된 비즈니스 프로세스를 하나의 통합 데이터베이스로 관리하여 실시간 경영 의사결정을 돕는 소프트웨어 시스템이다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Interconnectivity**: 한 부서에서 입력한 데이터 보정 없이 다른 부서로 실시간 전달.
|
||||
- **Standardization**: 업계 표준 프로세스(Best Practice)를 적용하여 비효율적인 업무 관행 개선.
|
||||
- **Data Integrity**: 단일 진실 공급원(Single Source of Truth) 보장.
|
||||
- **Modular Structure**: 재무(FI), 생산(PP), 영업(SD) 등 필요한 모듈별 조립식 구성.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- '온프레미스(On-premise)' 거대 ERP의 시대가 가고 'Cloud-Native SaaS' ERP의 시대가 왔다. 과거에는 기업이 소프트웨어에 몸을 맞췄다면, 이제는 API 연동을 통한 유연한 확장이 대세다. AI 기술을 결합하여 다음 달 매출을 예측하고 재고를 자동 주문하는 수준까지 진화 중이다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: Supply-Chain-Management , Business-Process-Reengineering
|
||||
- Major Players: SAP-HANA , Oracle-ERP
|
||||
@@ -0,0 +1,25 @@
|
||||
---
|
||||
id: P-REINFORCE-AI-SOFTWARE-ARCH
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.98
|
||||
tags: [Architecture, Enterprise, SystemsDesign, DistributedSystems]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Enterprise-Software-Architecture]] (엔터프라이즈 소프트웨어 아키텍처)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "비즈니스의 복잡도를 다루는 최상위 설계 도면." 개별 기능의 구현보다 시스템 간의 관계, 확장성, 가용성, 보안 등 거시적 관점에서 엔터프라이즈 급 요구사항을 충족시키기 위한 구조화 전략이다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Layered Architecture**: 관심사 분리를 통한 계층화 (Data, Service, Presentation).
|
||||
- **Message-Oriented Middleware**: 시스템 간 비동기 결합 및 데이터 정합성 보장.
|
||||
- **Legacy Integration**: 과거의 시스템(Mainframe 등)과 최신 플랫폼을 연결하는 어댑터 및 브리지 설계.
|
||||
- **Compliance & Security**: 규제 준수(GDPR, ISMS 등)를 고려한 데이터 접근 제어 설계.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 과거의 무거운 SOA(Service Oriented Architecture)에서 MSA(Microservices Architecture)로 주류가 이동했으나, 최근에는 서비스 과분절로 인한 운영 비용 급증을 경고하는 'Macro-services' 또는 'Modular Monolith'로의 회귀 흐름도 존재한다. 중요한 것은 유행이 아니라 비즈니스 도메인의 복잡도에 맞는 적정 기술의 선택이다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: Domain-Driven-Design (DDD) , [[Distributed-Systems]]
|
||||
- Patterns: Sidecar-Pattern , CQRS
|
||||
@@ -0,0 +1,29 @@
|
||||
---
|
||||
id: P-REINFORCE-AI-ERGO
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.94
|
||||
tags: [Design, Ergonomics, HumanFactors, Workspace]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Ergonomics-in-Workspace-Design]] (작업 공간 설계의 인간공학)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "공간을 사람에게 맞추어, 인간의 한계를 기술로 보완하라." 도구와 환경이 인간의 신체적, 인지적 특성을 거스르지 않게 설계하여 피로를 줄이고 생산성을 극대화하는 실용 과학이다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Physical Ergonomics**:
|
||||
- **Posture**: 척추의 자연스러운 곡선을 유지하는 의자(Lumbar support).
|
||||
- **Eye-level**: 거북목 방지를 위한 모니터 높이 및 거리 조절.
|
||||
- **Reach Zone**: 자주 쓰는 도구는 몸 근처에 배치하여 어깨 피로 감소.
|
||||
- **Cognitive Ergonomics**:
|
||||
- **Information Density**: 사람의 단기 기억 능력을 고려한 대시보드 설계.
|
||||
- **Lighting**: 눈의 피로를 줄이는 조도(Lux)와 색온도 관리.
|
||||
- **Impact**: 근골격계 질환(MSDs) 예방 및 집중력 유지 시간 증대.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 최신 인간공학은 단순히 '편안함'을 넘어 '능동적 휴식'과 결합하고 있다. (예: 스탠딩 데스크, 걷는 회의 등). AI 분야에서는 사무 환경을 실시간 감시하여 유저의 자세가 굽어지면 알람을 주거나, 스트레스 수치에 따라 조명과 높낮이를 자동 조절하는 'Adaptive Workspace'로 진화 중이다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Gestalt-Principles-of-Design]] , Human-Computer-Interaction (HCI)
|
||||
- Health: Repetitive-Strain-Injury (RSI)
|
||||
@@ -0,0 +1,28 @@
|
||||
---
|
||||
category: AI & Games
|
||||
status: Final
|
||||
converted_at: 2026-04-28
|
||||
---
|
||||
|
||||
# Eugen Systems 모딩 매뉴얼
|
||||
|
||||
## 📌 Brief Summary
|
||||
Eugen Systems의 WARNO 모딩 매뉴얼은 플레이어가 게임 소스 코드를 직접 수정하지 않고도 게임 내 데이터 포맷인 NDF(Neutral Data Format) 파일을 편집하여 새로운 유닛, 무기, 사단 등을 추가하거나 밸런스를 변경할 수 있도록 돕는 지침이다 [1, 2]. 게임 설치 폴더에 포함된 공식 매뉴얼(Modding Manual, NDF Reference Manual) 및 커뮤니티가 제공하는 가이드와 툴(Warno Mod Editor 등)을 기반으로 모딩이 이루어진다 [3, 4]. 이를 통해 사용자들은 유닛의 기초적인 통계부터 3D 모델(Depiction) 및 덱 편제에 이르기까지 폭넓은 데이터 수정 작업을 수행할 수 있다 [1, 5, 6].
|
||||
|
||||
## 📖 Core Content
|
||||
* **모딩 초기 설정 (Initial Setup):** WARNO의 모딩은 게임의 `Mods` 폴더 내에 있는 `CreateNewMod.bat` 파일을 실행하여 모드 이름을 인수로 입력함으로써 시작된다 [7, 8]. 성공적으로 실행되면 `CommonData`, `GameData` 폴더와 모드 생성 및 관리를 위한 다양한 배치 파일(`GenerateMod.bat`, `UpdateMod.bat` 등)이 생성된다 [6, 9]. Eugen Systems는 모딩의 기초를 다룬 'Modding Manual'과 NDF 언어의 구조를 설명하는 'NDF Reference Manual' PDF 파일을 게임 폴더 내에 함께 제공하여 모더들을 지원하고 있다 [4].
|
||||
|
||||
* **필요 도구 (Tools):** NDF 파일을 수정하기 위해 Sublime Text, NotePad++ 같은 텍스트 편집기와 고유 식별자 생성을 위한 GUID 생성기가 필수적이다 [6, 10]. 또한 커뮤니티에서 개발한 통합 솔루션인 Warno Mod Editor(WME)를 활용하면 필수적인 NDF 편집과 GUID 생성을 한 번에 편리하게 처리할 수 있다 [3, 11].
|
||||
|
||||
* **데이터 파일 편집 (NDF 파일 수정):**
|
||||
* **사단 및 덱 편제:** `Divisions.ndf` 파일에서 특정 사단에 할당된 유닛 카드 리스트를 추가하거나 변경할 수 있으며, `DivisionRules.ndf`에서 숙련도(Veterancy)에 따른 유닛 가용성을 세부적으로 설정한다 [6, 12, 13]. 덱의 활성화 포인트와 슬롯 비용은 `DivisionCostMatrix.ndf`에서 변경 가능하다 [14].
|
||||
* **유닛 및 무기 속성:** 유닛의 시야, 비용, 전진 배치(Forward Deployment) 특성 등은 `UniteDescriptor.ndf`에서, 무장 및 탄약 적재량은 `WeaponDescriptor.ndf`에서, 관통력이나 피해량 같은 핵심 전투 속성은 `Ammunition.ndf`에서 수정한다 [2, 15]. 관통력 등을 수정할 때는 특정한 데미지 유형 인덱스(예: DamageFamily_ap)를 상호 참조하는 방식을 취한다 [16].
|
||||
* **시각적 묘사 (Depictions):** 게임 내 3D 모델(`.fbx` 파일), 사운드, 시각 효과 등을 렌더링하기 위해서는 `DepictionVehicles.ndf`, `DepictionAlternatives.ndf`(LOD 품질 설정용), `GeneratedDepictionGhosts.ndf`(배치 단계의 투명 모델), `UnitCadavreDescriptor.ndf`(파괴된 유닛 잔해) 등의 다양한 NDF 파일들을 편집하고 상호 연결하는 복잡한 과정이 필요하다 [5, 17, 18].
|
||||
|
||||
## 🔗 Knowledge Connections
|
||||
- **Related Topics:** `[[NDF (Neutral Data Format)]]`, `[[Warno Mod Editor (WME)]]`, `[[Iriszoom 엔진]]`
|
||||
- **Projects/Contexts:** `[[WARNO-DATA Wiki]]`, `[[RebsFRAGO 모드 프로젝트]]`
|
||||
- **Contradictions/Notes:** 모딩 중 동일한 유닛을 같은 사단 덱 내에 중복해서 추가할 경우, 충돌이 발생하여 정상적으로 모드가 생성되지 않는다는 점에 주의해야 한다 [14]. 또한, 모드 생성 시 나타나는 코드 오류 메시지가 주로 프랑스어로 출력되므로, 번역기를 사용하여 편집 실수를 파악하고 대처해야 할 수 있다 [15].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-28*
|
||||
@@ -0,0 +1,32 @@
|
||||
---
|
||||
category: AI & Games
|
||||
status: Final
|
||||
converted_at: 2026-04-28
|
||||
---
|
||||
|
||||
# Eugen Systems의 Iriszoom 엔진 및 전략 게임 개발
|
||||
|
||||
## 📌 Brief Summary
|
||||
Eugen Systems가 개발한 WARNO는 독자적인 Iriszoom 엔진을 기반으로 구축된 현대 실시간 전술 및 턴제 전략 게임이다 [1, 2]. 이 엔진은 수 킬로미터에 달하는 광활한 전략적 시야와 개별 병사의 무장까지 확인 가능한 세밀한 전술적 시점을 매끄럽게 연결하며, 물리 기반 렌더링(PBR)을 통해 전장의 시각적 사실성을 극대화한다 [3, 4]. 전작인 Wargame과 Steel Division 시리즈의 성공적인 요소를 계승하면서도, 고도화된 데이터 중심 설계(Data-Driven Design)를 결합하여 복잡한 현대 전술 시뮬레이션을 구현해냈다 [2, 5].
|
||||
|
||||
## 📖 Core Content
|
||||
|
||||
* **Iriszoom 엔진의 기술적 특징 및 시야의 확장**
|
||||
Iriszoom 엔진은 R.U.S.E. 게임부터 이어져 온 Eugen Systems의 독자 엔진으로, 광활한 전장을 조감하는 시점과 유닛 단위의 정밀한 시점을 단일 렌더링 파이프라인 내에서 끊김 없이 연결하는 '줌(Zoom)' 기능을 핵심으로 한다 [3, 4]. 이 엔진은 카메라와의 거리에 따라 3D 모델의 정밀도를 동적으로 조절하는 가변적 LOD(Level of Detail) 시스템을 채택하여 대규모 전장에서의 가시성과 성능을 동시에 확보한다 [6, 7].
|
||||
|
||||
* **그래픽 및 렌더링 파이프라인의 진화**
|
||||
WARNO에 도입된 최신 엔진은 물리 기반 렌더링(PBR) 시스템과 지연 렌더링(Deferred Rendering) 구조를 전면 도입하였다 [3, 4]. 이를 통해 원거리 시야에서 발생할 수 있는 스펙큘러 폭발(Specular explosion) 노이즈를 효과적으로 억제하고, 4K 해상도의 텍스처를 지원한다 [3, 8]. 또한, Metallic/Roughness/Ambient Occlusion 워크플로우를 적용해 이전의 Specular/Glossiness 방식보다 금속 및 비금속 등 재질을 물리 법칙에 맞게 사실적으로 묘사한다 [4, 7, 8].
|
||||
|
||||
* **동적 파괴 시스템과 데이터의 물리적 연동**
|
||||
게임 내 유닛의 파괴는 단순한 폭발 이펙트가 아니라 상태 데이터와 동기화된 물리적 현상으로 처리된다 [7]. 탄약고 유폭 시 전차의 포탑이 사출되거나 헬리콥터의 로터 블레이드 및 터빈이 비산하는 등 정교한 파괴 모션이 구현된다 [7, 9]. 파괴된 잔해나 폭발 분화구는 사라지지 않고 전장에 영구적으로 남아 '영속적 전장(Persistent Battlefield)'을 시각적으로 가시화한다 [7, 9].
|
||||
|
||||
* **성능 최적화 및 전략 게임으로의 통합**
|
||||
시각적 및 물리적 복잡성에도 불구하고 Iriszoom 엔진의 최적화 수준은 매우 뛰어나다 [4]. 수백 개의 유닛이 교전하는 10 대 10 멀티플레이어 환경이나 3x3km 크기의 전장에서도 프레임 드랍 없이 부드러운 플레이를 제공하며, 게임 로딩 속도 또한 매우 빠르다 [4, 10-12]. 개발진은 이러한 엔진 향상에도 불구하고 WARNO의 시스템 요구 사항이 전작인 Steel Division 2보다 높아지지 않도록 효율성을 유지하였다 [8]. 이를 바탕으로 WARNO는 Wargame 시리즈의 실시간 전술(RTT) 교전과 Steel Division 2의 턴제 Army General 캠페인 메커니즘을 성공적으로 하나의 게임 내에 결합시켰다 [13-15].
|
||||
|
||||
## 🔗 Knowledge Connections
|
||||
- **Related Topics:** [[Iriszoom 엔진]], [[물리 기반 렌더링(PBR)]], [[데이터 기반 설계(Data-Driven Design)]], [[NDF (Neutral Data Format)]]
|
||||
- **Projects/Contexts:** [[WARNO]], [[Wargame 시리즈]], [[Steel Division 2]]
|
||||
- **Contradictions/Notes:** 소스에 따르면 엔진 기술의 시각적 그래픽 수준이 대폭 향상되었으나, 최적화를 통해 Steel Division 2 이상의 고사양 PC를 요구하지 않도록 설계된 점이 특징적이다 [8]. 유저들 또한 고도로 디테일한 모델과 애니메이션을 특징으로 하는 경쟁작들과 비교할 때, 수많은 객체를 끊김 없이 렌더링하는 WARNO의 탁월한 최적화를 엔진의 가장 큰 강점으로 평가하고 있다 [10-12].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-28*
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
category: AI & Games
|
||||
status: Final
|
||||
converted_at: 2026-04-28
|
||||
---
|
||||
|
||||
# Eugen Systems의 WARNO 시뮬레이션 개발
|
||||
|
||||
## 📌 Brief Summary
|
||||
Eugen Systems가 개발한 WARNO는 1989년 냉전이 열전으로 번진 가상의 시나리오를 배경으로 하는 실시간 전술(RTT) 및 턴제 전략 시뮬레이션 게임입니다 [1, 2]. 이 게임은 자체 개발한 Iriszoom 엔진을 통해 세밀한 3D 그래픽과 대규모 전장을 매끄럽게 구현하며, NDF(Neutral Data Format)라는 독자적인 스크립트 언어를 활용한 데이터 아키텍처를 기반으로 설계되었습니다 [3-5]. 개발진은 커뮤니티의 피드백뿐만 아니라 객관적인 텔레메트리(Telemetry) 데이터를 실시간으로 분석하여 무기 스펙과 사단 편제 등 시뮬레이션의 전술적 밸런스를 정교하게 조정합니다 [6, 7].
|
||||
|
||||
## 📖 Core Content
|
||||
* **Iriszoom 엔진과 시각적 가시화:**
|
||||
WARNO는 과거 R.U.S.E.부터 진화해 온 Eugen Systems의 독자 엔진인 Iriszoom의 최신 버전을 사용합니다 [3, 4]. 이 엔진은 물리 기반 렌더링(PBR) 시스템과 Metallic/Roughness/Ambient Occlusion 워크플로우를 도입하여 4K 해상도로 유닛과 지형의 질감을 매우 사실적으로 구현합니다 [3, 4, 8]. 기술적으로 지연 렌더링(Deferred Rendering) 구조를 활용해 수백 대의 유닛이 맞붙는 10 대 10 멀티플레이어 환경에서도 뛰어난 최적화를 유지하며, 탄약고 유폭 시 포탑이 날아가거나 헬기 로터 블레이드가 떨어져 나가는 동적 파괴 시스템이 물리 데이터와 연동되어 표현됩니다 [4, 9-11].
|
||||
|
||||
* **NDF(Neutral Data Format) 기반의 데이터 아키텍처:**
|
||||
시뮬레이션의 모든 논리적 설계와 유닛 메커니즘은 NDF(Neutral Data Format)라는 텍스트 기반의 자체 스크립트 언어로 정의되어 있습니다 [5, 12]. 게임의 소스 코드와 데이터가 엄격히 분리된 이 객체 지향적 구조 덕분에, 개발자나 유저(모더)들은 `UniteDescriptor.ndf`, `WeaponDescriptor.ndf`, `Ammunition.ndf` 등의 데이터 파일만 수정하여 유닛의 명중률, 관통력, 이동 속도, 장갑 수치 등을 쉽게 제어할 수 있습니다 [5, 13-15]. 이러한 개방적이고 모듈화된 데이터 설계는 RebsFRAGO와 같이 무기 데이터를 실제 현실의 제원값으로 치환하는 정교한 현실주의 모드의 탄생을 가능하게 했습니다 [5, 16-18].
|
||||
|
||||
* **사단 시스템(Division System)을 통한 데이터 제약과 밸런스:**
|
||||
Wargame 시리즈의 자유로운 국가별 덱(National Deck) 시스템과 달리, WARNO는 역사적인 사단 편제표(TO&E)에 기반한 '사단 시스템'을 채택했습니다 [19-21]. 각 사단은 부여된 활성화 포인트(Activation Points) 안에서 유닛을 구성해야 하며, 부대별로 배치 가능한 유닛의 종류와 카드당 가용 유닛 수(Availability), 포인트 비용 등 고유의 데이터 패널티와 이점을 가집니다 [7, 19, 21, 22]. 이는 플레이어가 모든 분야에서 완벽한 무적의 군대를 조합하는 것을 막고, 지형과 사단의 강점을 결합한 비대칭적 전술을 유도하기 위한 데이터 설계입니다 [21, 23, 24].
|
||||
|
||||
* **텔레메트리(Telemetry) 기반 밸런싱과 수학적 정밀도:**
|
||||
게임 내 전투 역학은 거리 비례 명중률(가까울수록 기하급수적으로 상승), 승수적으로 작용하는 항공기 ECM(전자전) 데이터, 무기 사거리 등 복잡한 수학적 모델을 따릅니다 [25-28]. Eugen Systems는 이렇게 복잡하게 얽힌 시스템을 밸런싱하기 위해 플레이어들의 유닛 선택률(Pick rate), 교전 승률, 평균 생존 시간 등을 추적하는 '텔레메트리 데이터'를 활용합니다 [6, 7]. 개발진은 커뮤니티의 단순한 여론에 휩쓸리지 않고 수집된 객관적 데이터를 분석하여, 특정 유닛이나 사단이 과도한 효율을 낼 경우 NDF 파일의 포인트 비용이나 세부 스펙을 정밀하게 조정하는 방식을 취합니다 [6, 7, 29].
|
||||
|
||||
## 🔗 Knowledge Connections
|
||||
- **Related Topics:** `[[Iriszoom 엔진]]`, `[[NDF (Neutral Data Format)]]`, `[[사단 시스템 (Division System)]]`, `[[텔레메트리 (Telemetry) 밸런싱]]`
|
||||
- **Projects/Contexts:** `[[WARNO]]`, `[[Wargame 시리즈]]`, `[[Steel Division 시리즈]]`, `[[RebsFRAGO 모드]]`
|
||||
- **Contradictions/Notes:** 덱 구성 아키텍처와 관련하여, 일부 유저들은 과거 Wargame 시리즈처럼 제약이 없는 국가별 덱 시스템이 유저의 창의성을 높인다고 주장하지만, 개발진과 다른 다수의 유저들은 사단 시스템(Division System)이 메타 고착화를 방지하고 훨씬 다양하고 역사적으로 몰입감 있는 밸런스를 제공한다고 반박합니다 [19, 30-34].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-28*
|
||||
@@ -0,0 +1,34 @@
|
||||
---
|
||||
category: AI & Games
|
||||
status: Final
|
||||
converted_at: 2026-04-28
|
||||
---
|
||||
|
||||
# Eugen Systems의 냉전기 가상 시나리오 및 모딩 생태계 구축
|
||||
|
||||
## 📌 Brief Summary
|
||||
Eugen Systems의 WARNO는 1987년 소련 강경파의 쿠데타를 기점으로 1989년에 제3차 세계대전이 발발했다는 가상의 '냉전기 열전(Cold War Gone Hot)' 시나리오를 배경으로 합니다 [1, 2]. 이 가상 시나리오는 실제 역사적 사단 편제표(TO&E)를 철저한 데이터 구조로 치환하여 게임 내 규칙으로 적용한 데이터 기반 설계를 특징으로 합니다 [2]. 더 나아가, 독자적인 NDF(Neutral Data Format) 시스템을 통해 소스코드 수정 없이도 게임 데이터를 제어할 수 있게 하여, 커뮤니티 주도의 분석 도구 및 모드(Mod) 개발이 활발히 이루어지는 개방적인 생태계를 구축했습니다 [2, 3].
|
||||
|
||||
## 📖 Core Content
|
||||
* **가상 냉전 시나리오의 데이터적 구현**
|
||||
* WARNO의 배경은 1987년 미하일 고르바초프에 반대하는 소련 강경파의 쿠데타로 인해 1989년 NATO와 바르샤바 조약기구 간의 전면전이 발발하는 대체 역사입니다 [1].
|
||||
* 이 허구의 시나리오를 현실감 있게 통제하기 위해, 게임은 실제 군대의 사단 편제표(TO&E)를 핵심 데이터 규칙으로 내재화했습니다 [2].
|
||||
* 이를 통해 무제한적인 유닛 조합 대신, 특정 사단이라는 거대한 데이터 군집이 지닌 역사적, 교리적 강점과 약점을 반영하도록 설계되었습니다 [2, 4].
|
||||
|
||||
* **NDF 기반의 개방형 모딩 아키텍처**
|
||||
* 게임의 모든 물리적, 기술적 논리는 NDF(Neutral Data Format)라는 Eugen Systems의 독자적인 텍스트 기반 스크립트 언어로 정의되어 있습니다 [2].
|
||||
* NDF는 게임 코드와 데이터 값을 엄격히 분리하여, 모더(Modder)들이 `UniteDescriptor.ndf`, `WeaponDescriptor.ndf`, `Divisions.ndf` 등의 파일만 텍스트 편집기로 수정하여도 유닛의 성능, 명중률, 가용성 등을 세밀하게 변경할 수 있도록 지원합니다 [2, 5].
|
||||
* Eugen Systems는 사용자를 위해 `CreateNewMod.bat` 등의 배치 파일과 모딩 매뉴얼, NDF 참조 가이드를 제공하여 손쉽게 모드 환경을 구축할 수 있게 돕고 있습니다 [3, 5].
|
||||
|
||||
* **데이터 민주화와 커뮤니티 생태계 확장**
|
||||
* NDF 파일의 구조적 접근성 덕분에 커뮤니티는 숨겨진 게임 내부 수치를 파싱하여 War-Yes, Warno-Armory와 같은 정밀한 데이터 분석 웹사이트와 툴을 자체적으로 개발할 수 있었습니다 [2, 6, 7].
|
||||
* 또한, 흩어진 NDF 속성들의 의미와 핵심 게임 메커니즘을 문서화하기 위해 WARNO-DATA와 같은 광범위한 오픈소스 위키 프로젝트가 진행되기도 했습니다 [2, 8].
|
||||
* 이러한 생태계의 개방성은 모든 무기 데이터를 실제 현실의 제원값으로 치환하고 시뮬레이션 경제를 재설계한 'RebsFRAGO'와 같은 고도의 현실주의 모드(Realism Mod)가 탄생하는 기술적 근간이 되었습니다 [2, 9].
|
||||
|
||||
## 🔗 Knowledge Connections
|
||||
- **Related Topics:** [[NDF (Neutral Data Format)]], [[사단 편제표 (TO&E)]], [[데이터 기반 설계]]
|
||||
- **Projects/Contexts:** [[WARNO-DATA 프로젝트]], [[RebsFRAGO 모드]], [[War-Yes 및 Warno-Armory 도구]]
|
||||
- **Contradictions/Notes:** 게임의 전체적인 배경은 1989년 3차 세계대전이라는 완전한 허구의 시나리오를 따르고 있지만, 그 전장을 채우는 부대 편제와 유닛의 성능은 철저하게 실제 역사적 데이터(TO&E 등)를 바탕으로 한 데이터 아키텍처에 의해 엄격하게 통제되고 있어 허구와 현실성이 공존하고 있습니다 [1, 2, 4].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-28*
|
||||
@@ -0,0 +1,30 @@
|
||||
---
|
||||
id: P-REINFORCE-AI-FFL
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.95
|
||||
tags: [ProductDesign, UX, Feedback, Interaction]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Feedback-Loops-in-Design]] (디자인에서의 피드백 루프)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "유저가 벽에 대고 말하게 하지 마라." 사용자의 행동이 시스템에 어떤 영향을 주었는지 즉각적이고 명확하게 알려주어, 신뢰와 통제감을 형성하는 상호작용의 심장이다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Action -> Reaction**:
|
||||
- 버튼을 눌렀을 때의 색상 변화, 햅틱 진동, 프로그레스 바 등.
|
||||
- **Types of Loops**:
|
||||
- **Micro-interactions**: 버튼 하나, 로딩 하나하나의 즉각적 응답.
|
||||
- **System-level Feedback**: 알림, 확인 이메일, 주간 리포트 등 큰 흐름에서의 응답.
|
||||
- **Characteristics of Good Feedback**:
|
||||
- **Immediacy**: 행동 직후 지연 없이 나타나야 함.
|
||||
- **Clarity**: 무엇이 일어났는지 추측할 필요가 없어야 함.
|
||||
- **Relevance**: 유저가 관심을 갖는 정보여야 함.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 피드백이 너무 많으면 유저는 '정보 피로'를 느끼고 시스템 알람을 무시하게 된다(Alarm Fatigue). 정말 중요한 순간에만 유저의 뇌를 자극하는 '피드백의 완급 조절'이 현대 상호작용 설계의 핵심이며, 이는 AI가 유저의 집중도에 따라 피드백 강도를 조절하는 'Context-aware Feedback'으로 발전하고 있다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Micro-interactions]] , [[Gestalt-Principles-of-Design]]
|
||||
- Principle: Affordance (행동 유도성)
|
||||
@@ -0,0 +1,29 @@
|
||||
---
|
||||
id: FSM-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.0
|
||||
tags: [computer-science, game-ai, fsm, state-pattern, software-architecture]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Finite State Machines (FSM, 유한 상태 머신)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "복잡한 행동을 명확한 상태로 나누고, 조건에 따른 변천 과정을 설계하여 예측 가능한 지능을 구축하라" — 유한한 개수의 상태(State)와 상태 간의 전이(Transition), 그리고 전이를 발생시키는 이벤트로 시스템의 동작을 모델링하는 수학적/설계적 도구.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 시스템이 한 번에 오직 하나의 상태에만 머물도록 강제하고, 현재 상태와 입력값에 의해서만 다음 행동이 결정되도록 하여 복잡한 로직을 단순화하는 결정론적 제어 패턴.
|
||||
- **핵심 구성 요소:**
|
||||
- **States:** 시스템이 취할 수 있는 구체적인 행동이나 상황 (예: IDLE, CHASE, ATTACK).
|
||||
- **Transitions:** 한 상태에서 다른 상태로 넘어가는 규칙.
|
||||
- **Events (Inputs):** 전이를 일으키는 자극 (예: 플레이어 발견, 체력 저하).
|
||||
- **Actions:** 상태에 진입(Enter), 유지(Update), 혹은 퇴장(Exit)할 때 수행하는 작업.
|
||||
- **의의:** 게임 AI, 컴파일러 설계, 네트워크 프로토콜, UI 네비게이션 등 로직의 명확한 관리가 필요한 모든 분야의 기반 기술.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 단순한 If-Else 문의 나열에서 벗어나, 상태 패턴(State Pattern)을 통해 코드의 확장성과 가독성을 획기적으로 높이는 방식으로 진화.
|
||||
- **정책 변화:** Skybound 프로젝트의 모든 적 유닛과 보스 기체는 FSM 아키텍처를 기반으로 설계되어, 기획자의 의도에 맞는 정교하고 예측 가능한 행동 패턴을 보여줌.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Behavior-Trees-BT, Decision-Making, Physics-Engine, System-Design-for-AI-Scale
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Finite-State-Machines-FSM.md
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: TIMESTEP-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.0
|
||||
tags: [game-development, simulation, physics-engine, optimization]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Fixed vs Variable Time Step (고정 및 가변 타임 스텝)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "결정론적 물리와 부드러운 렌더링 사이의 줄타기" — 시뮬레이션의 시간 흐름을 일정한 간격으로 고정할지, 프레임워크 속도에 맞춰 유동적으로 조절할지에 대한 설계 선택.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 연산의 안정성이 중요한 물리 시뮬레이션은 '고정 간격(Fixed)'으로 처리하고, 시각적 부드러움이 중요한 렌더링은 '가변 간격(Variable)'으로 처리하여 병행하는 하이브리드 패턴.
|
||||
- **Fixed Time Step (고정):**
|
||||
- **장점:** 물리 법칙의 일관성 보장, 리플레이 재현성(Determinism) 확보, 수치적 안정성 높음.
|
||||
- **단점:** 저사양 기기에서 시뮬레이션 속도가 느려질 수 있음 (Slow-motion 효과).
|
||||
- **Variable Time Step (가변):**
|
||||
- **장점:** 어떤 프레임 레이트에서도 실시간 시간과 동기화됨. 구현이 비교적 단순.
|
||||
- **단점:** 프레임 드랍 시 물리 연산이 튀는 현상(Tunneling) 발생 위험, 재현성 보장 안 됨.
|
||||
- **Accumulator Pattern:** '남은 시간'을 축적했다가 고정된 간격만큼 물리 연산을 여러 번 수행하는 현대적 게임 엔진의 표준 방식.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 단순히 프롬프트 당 델타 타임(dt)을 곱하던 방식에서, 물리 시뮬레이션의 무결성을 위해 Fixed Update를 분리하는 방식으로 정착.
|
||||
- **정책 변화:** Skybound 프로젝트는 물리 연산의 안정성을 위해 1/60초 Fixed Step을 사용하며, 비주얼 보간(Interpolation)을 통해 프레임 간 끊김을 방지함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Parent:** 10_Wiki/💡 Topics/AI
|
||||
- **Related:** Physics-Engine, Game-Loop, Interpolation
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Fixed Time Step vs Variable Time Step.md
|
||||
@@ -0,0 +1,28 @@
|
||||
---
|
||||
id: PHYS-FLUID-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.0
|
||||
tags: [game-dev, physics-engine, fluid-dynamics, simulation, vfx]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Fluid Dynamics for Games (게임을 위한 유체 역학)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "물과 공기의 복잡한 춤을 실시간 연산 가능한 수학적 마법으로 재현하라" — 게임 내에서 물, 연기, 불, 가스 등 유체의 움직임을 사실적으로 시뮬레이션하기 위해 나비에-스토크스 방정식을 간소화하여 실시간으로 처리하는 기술.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 입자(Particle)나 격자(Grid) 단위로 유체의 밀도와 속도 변화를 계산하고, 주변 요소와의 상호작용을 통해 유기적인 흐름을 만들어내는 동역학 시뮬레이션 패턴.
|
||||
- **주요 구현 방식:**
|
||||
- **Grid-based (Eulerian):** 고정된 격자 칸 안에서 유체의 변화 관찰 (연기, 불 시뮬레이션에 적합).
|
||||
- **Particle-based (Lagrangian / SPH):** 움직이는 입자들의 상호작용으로 유체 표현 (물, 액체 효과에 적합).
|
||||
- **Hybrid (FLIP/PIC):** 격자와 입자의 장점을 결합하여 고품질의 디테일 구현.
|
||||
- **핵심 최적화:** GPU 병렬 연산을 통한 실시간 처리, 보로노이 다이어그램이나 셰이더 트릭을 활용한 가짜 유체 효과(Fake Fluids).
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 오프라인 렌더링에서나 가능했던 고품질 유체 효과가 GPU 성능 향상과 알고리즘 고도화로 인해 모바일 및 실시간 게임 환경에서도 구현 가능해짐.
|
||||
- **정책 변화:** Skybound 프로젝트는 보스 폭발 및 특수 무기 효과 시 시각적 임팩트를 위해 경량화된 SPH(Smoothed Particle Hydrodynamics) 기반의 유체 시뮬레이션을 적용함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Physics-Engine, [[Determinism-in-Computing]], [[Time-Step-Logic-in-Games]], Computer-Vision-Mastery
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Fluid-Dynamics for Games.md
|
||||
@@ -0,0 +1,27 @@
|
||||
---
|
||||
id: LOSS-002
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.0
|
||||
tags: [ai, deep-learning, loss-function, focal-loss, imbalanced-data]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Focal Loss (포컬 손실)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "이미 잘 아는 쉬운 문제에 안주하지 말고, 틀리기 쉬운 어려운 문제에 더 집중하여 학습하라" — 클래스 불균형이 심한 데이터셋에서 대다수를 차지하는 배경이나 쉬운 샘플의 기여도를 낮추고, 희귀하거나 어려운 샘플에 가중치를 두어 학습 효율을 극대화하는 손실 함수.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 기존 교차 엔트로피 손실 함수에 변조 계수(Modulating Factor, $(1-p_t)^\gamma$)를 추가하여, 모델이 이미 확신하고 있는(높은 $p_t$) 샘플의 손실값은 급격히 감소시키고 불확실한 샘플의 손실값은 유지하는 집중 학습 패턴.
|
||||
- **주요 파라미터:**
|
||||
- **Gamma ($\gamma$):** 쉬운 샘플을 얼마나 강하게 무시할지 결정하는 집중 파라미터.
|
||||
- **Alpha ($\alpha$):** 클래스별 가중치 밸런스를 조절.
|
||||
- **의의:** 1단계 객체 탐지 모델(예: RetinaNet)에서 전경(Object)보다 압도적으로 많은 배경(Background) 샘플로 인해 학습이 방해받는 문제를 해결하며 혁신적인 성능 향상 도출.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 단순히 샘플링 비율을 조절(Oversampling/Undersampling)하던 방식에서, 손실 함수 자체를 수정하여 데이터의 중요도를 동적으로 제어하는 방식으로 진화.
|
||||
- **정책 변화:** Antigravity 프로젝트는 수만 개의 일반 지식 문서 사이에서 극소수의 '핵심 프로젝트 로그'를 분류해내는 정밀 탐지 모델 학습 시 포컬 손실을 사용하여 오분류율을 획기적으로 낮춤.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Cross-Entropy-Loss, Computer-Vision-Mastery, Deep-Learning-Foundations, Object-Detection-Mastery
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Focal-Loss.md
|
||||
@@ -0,0 +1,28 @@
|
||||
---
|
||||
id: GACHA-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.0
|
||||
tags: [game-design, monetization, psychology, probability]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Gacha Mechanics Analysis (가챠 메커니즘 분석)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "무작위성 뒤에 숨겨진 정교한 심리 설계" — 확률적 보상을 통해 사용자의 지속적인 참여와 매출을 유도하는 게임 비즈니스 모델의 핵심 기전.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 간헐적 강화(Intermittent Reinforcement) 스케줄을 사용하여 사용자가 보상을 기대하며 반복적인 행동(결제/플레이)을 하게 만드는 심리 아키텍처 패턴.
|
||||
- **세부 내용:**
|
||||
- **Pity System (천장 시스템):** 일정 횟수 이상 시도 시 확정적으로 고등급 보상을 지급하여 사용자의 좌절(Churn)을 방지.
|
||||
- **Banner Strategy:** 특정 기간 동안 특정 아이템의 획득 확률을 높여 긴박감(FOMO) 조성.
|
||||
- **Box Gacha vs Open Gacha:** 남은 아이템 개수가 줄어드는 방식과 매번 동일한 확률이 적용되는 방식의 수학적 차이 분석.
|
||||
- **Psychological Anchoring:** '무료 단차' 등을 제공하여 심리적 장벽을 낮추고 결제 흐름으로 유도.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 단순히 운에 맡기던 방식에서, 최근에는 확률 정보의 투명한 공개와 '천장' 시스템의 고도화가 법적/윤리적 표준으로 정착.
|
||||
- **정책 변화:** Skybound 프로젝트의 보상 설계 시, 과도한 사행성보다는 플레이어의 노력에 비례한 '유사 가챠(카드 선택 등)' 시스템을 도입하여 몰입도를 높임.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Game-Economy-Design]], [[Behavioral-Economics]], Variable-Ratio-Schedule, Psychology-of-Gambling
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Gacha Mechanics Analysis.md
|
||||
@@ -0,0 +1,28 @@
|
||||
---
|
||||
id: GAIT-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.0
|
||||
tags: [biomechanics, motion-analysis, animation, health-tech]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Gait Analysis Laboratory (보행 분석)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "인간의 걸음걸이에 숨겨진 운동학적 지도를 해독하라" — 보행 주기를 시간적, 공간적, 역학적 수치로 분해하여 신체 기능의 이상을 진단하거나 사실적인 캐릭터 애니메이션을 구현하는 분석 체계.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 보행 주기(Gait Cycle)를 입각기(Stance Phase)와 유각기(Swing Phase)로 나누고, 각 관절의 각도 변화와 지면 반발력(GRF)을 데이터화하는 패턴.
|
||||
- **세부 내용:**
|
||||
- **Kinematics:** 신체의 가속도, 속도, 각도 변화를 광학식 마커나 센서로 측정.
|
||||
- **Kinetics:** 근육의 힘과 관절에 가해지는 토크 등 힘의 작용 분석.
|
||||
- **Electromyography (EMG):** 보행 중 근육의 활성도 패턴을 측정하여 신경계 조절 기능 확인.
|
||||
- **Clinical Application:** 뇌성마비, 파킨슨병 환자의 보행 교정 및 운동선수의 퍼포먼스 향상에 활용.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 고가의 전용 실험실 환경에서만 가능했으나, 최근에는 컴퓨터 비전(Pose Estimation)과 웨어러블 센서를 활용한 일상 공간에서의 간편 분석으로 확장 중.
|
||||
- **정책 변화:** Skybound의 캐릭터 이동 애니메이션 설계 시, 사실적인 무게 중심 이동과 관성을 표현하기 위해 보행 분석의 역학적 원리를 참고함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Animation-Principles, Biomechanics, Computer-Vision-Pose-Estimation
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Gait-Analysis-Laboratory.md
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: GAME-ANALYTICS-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.0
|
||||
tags: [data-science, game-design, metrics, retention, monetization]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Game Analytics (게임 분석론)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "데이터를 통해 플레이어의 경험을 읽고 설계하라" — 게임 내에서 발생하는 방대한 로그를 분석하여 리텐션, 이탈 지점, 경제 균형 등을 진단하고 개선하는 정량적 의사결정 체계.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 사용자 행동 로그를 깔대기(Funnel) 구조로 분석하여 특정 구간에서의 이탈 원인을 파악하고, A/B 테스트를 통해 최적의 게임 구성을 찾아가는 데이터 주도 패턴.
|
||||
- **주요 지표 (Metrics):**
|
||||
- **Retention (D1, D7, D30):** 게임에 다시 접속하는 비율. 게임의 근본적인 재미와 지속 가능성을 나타냄.
|
||||
- **DAU/MAU:** 활성 사용자 수 지표. 서비스의 규모와 활성도를 측정.
|
||||
- **ARPU/ARPPU:** 사용자당 평균 결제 금액. 비즈니스 모델의 효율성 측정.
|
||||
- **Churn Rate:** 이탈률. 특정 레벨이나 퀘스트에서의 난이도 병목 지점 파악에 유용.
|
||||
- **분석 기법:**
|
||||
- **Funnel Analysis:** 튜토리얼 완료율, 상점 진입 후 구매율 등 단계별 전환 확인.
|
||||
- **Cohort Analysis:** 유입 시기별 사용자 그룹의 행동 변화 추적.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 단순히 전체 매출만 보던 방식에서, 개별 플레이어의 '생애 가치(LTV)'와 '심리적 몰입 지표'를 정교하게 추적하는 방식으로 진화.
|
||||
- **정책 변화:** Skybound 프로젝트는 실시간 텔레메트리(Telemetry) 시스템을 통해 플레이어가 선호하는 무기 조합과 사망 지점 데이터를 수집, 밸런싱 작업에 즉시 환류함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Game-Economy-Design]], Data-Mining, AB-Testing, Telemetry
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Game Analytics (게임 분석).md
|
||||
@@ -0,0 +1,28 @@
|
||||
---
|
||||
id: GAME-BALANCE-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.0
|
||||
tags: [game-design, balancing, systems-design, math]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Game Balance Design (게임 밸런스 디자인)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "공정성과 재미 사이의 수학적 평형 상태" — 게임 내 다양한 요소(수치, 능력치, 보상) 간의 비중을 조절하여 특정 전략이 지배적이지 않게 하고, 지속적인 도전 욕구를 자극하는 설계 예술.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 상성 관계(Rock-Paper-Scissors), 비용 대비 효용 계산, 그리고 기하급수적 성장을 억제하는 감쇠 함수를 통해 시스템의 동적 평형을 유지하는 패턴.
|
||||
- **세부 내용:**
|
||||
- **Symmetric vs Asymmetric Balance:** 진영 간 동일한 능력을 부여할지, 서로 다른 강점을 부여하여 조화시킬지 결정.
|
||||
- **Transitivity:** A > B, B > C이면 A > C인 선형적 밸런스. 주로 RPG의 레벨 성장에 적용.
|
||||
- **Intransitivity (Circular):** 상성 관계를 통해 절대적인 최강 전략(Dominant Strategy)이 없도록 설계.
|
||||
- **Mathematical Modeling:** 엑셀이나 시뮬레이션을 통해 전투 시간(TTK), 자원 획득 속도 등을 수치적으로 모델링.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 완벽한 수치적 일치(Static Balance)보다, 메타의 변화와 플레이어의 창의적 플레이를 유도하는 동적 밸런스(Dynamic Balance)가 현대 게임 디자인의 주류가 됨.
|
||||
- **정책 변화:** Skybound 프로젝트에서는 에너미의 밀도와 플레이어의 화력 사이의 '긴장도'를 조절하기 위해 동적 난이도 조절(DDA) 기법을 시뮬레이션 중.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Game-Economy-Design]], [[Game-Theory]], Simulation, [[Flow-State]]
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Game-Balance-Design.md
|
||||
@@ -0,0 +1,29 @@
|
||||
---
|
||||
id: GAME-BAL-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.0
|
||||
tags: [game-dev, game-design, balancing, simulation, skybound]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Game Balance Modeling (게임 밸런스 모델링)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "수치라는 차가운 뼈대에 재미라는 따뜻한 살을 붙여, 정교한 긴장감의 평형 상태를 설계하라" — 게임 내 모든 수치적 요소(공격력, 체력, 자원 획득량 등)의 상관관계를 수학적으로 정립하여, 특정 전략의 고착화를 방지하고 플레이어에게 지속적인 도전을 제공하는 기술.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** "시간 대비 보상"과 "난이도 대비 성취감"의 함수 관계를 정의하고, 시뮬레이션을 통해 이상적인 성장 곡선(Growth Curve)을 도출하는 시스템 설계 패턴.
|
||||
- **주요 모델링 기법:**
|
||||
- **Mathematical Balancing:** 엑셀이나 스크립트를 사용하여 레벨별 기대 능력치를 계산.
|
||||
- **Simulation-based Balancing:** AI 에이전트(Auto-player) 수만 회의 대전 시뮬레이션을 돌려 승률 및 밸런스 붕괴 지점 포착.
|
||||
- **Lanchester's Laws:** 전투 상황에서 수적 우위와 화력의 관계를 모델링하여 유닛 능력치 산정.
|
||||
- **Flow Theory Application:** 플레이어의 숙련도 향상에 맞춰 난이도를 비례적으로 상승시켜 몰입 상태(Flow) 유지.
|
||||
- **의의:** 운이나 직관이 아닌, 데이터 기반의 의사결정을 통해 게임의 수명을 연장하고 공정한 경쟁 환경을 조성함.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 개발자의 감각에 의존하던 밸런싱에서, 이제는 AI 시뮬레이션과 빅데이터 분석을 통해 실시간으로 난이도를 조정하는 동적 밸런싱(DDA) 시대로 진화.
|
||||
- **정책 변화:** Skybound 프로젝트는 각 스테이지의 클리어 타임과 플레이어의 사망 위치 데이터를 분석하여, 실시간으로 Swarm의 생성 속도와 적 기체의 명중률을 미세 조정하는 밸런스 시스템을 구축함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Simulation-Principles, [[Game-Theory-in-AI]], [[Reinforcement-Learning]], Probability-Theory
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Game-Balance-Modeling.md
|
||||
@@ -0,0 +1,32 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-GDO-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.96
|
||||
tags: [auto-reinforced, game-ontology, game-design, hierarchy, structuralism, metadata, taxonomy]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Game-Design-Ontology]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "게임의 DNA 추출: 게임의 재미를 만드는 모든 요소(아이템, 규칙, 상호작용)를 위계적이고 체계적인 어휘로 정의하여, 게임을 단순한 '플레이'가 아닌 데이터로 분석하고 설계할 수 있게 만드는 분류학적 뼈대."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
게임 디자인 온톨로지(Game-Design-Ontology)는 게임을 구성하는 요소를 명확히 정의하고 그들 간의 관계를 체계화한 프레임워크입니다. (Zagal 등이 제안한 연구가 대표적)
|
||||
|
||||
1. **구성 계층**:
|
||||
* **Interface**: 플레이어와 게임이 만나는 지점 (Button, Screen). (User-Experience와 연결)
|
||||
* **Rules**: 게임의 논리와 제약 (Scoring, Physics). (Logic와 연결)
|
||||
* **Goals**: 플레이어가 달성해야 할 목적 (Quest, Win condition).
|
||||
* **Entities**: 게임 내부의 사물과 캐릭터 (Actor, Item).
|
||||
2. **왜 중요한가?**:
|
||||
* 모호한 '재미'라는 개념을 구체적인 '데이터 구조'로 변환하여, 게임 간의 유사성을 비교하거나 새로운 장르를 설계하는 도구로 쓰이기 때문임. (Structuralism와 연결)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 장르(RPG, FPS 등)로만 게임을 구분 정책했으나, 온톨로지 정책은 장르의 경계가 무너진 현대 게임에서 '핵심 매커니즘 정책' 중심의 분석 정책이 훨씬 유용함을 증명함(RL Update).
|
||||
- **정책 변화(RL Update)**: 이제는 단순 분석 정책을 넘어, AI 가 이 온톨로지 정책을 학습하여 자동으로 게임 레벨을 생성하거나 밸런스를 조절하는 'AI 기반 기획 정책'의 기반 언어로 활용됨. (Game-Ontology-for-PCG와 연결)
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- User-Experience, [[Logic]], [[Structuralism]], [[Game-Design-Theory]], [[Game-Ontology-for-PCG]]
|
||||
- **Reference**: The Game Design Ontology Project (Zagal et al.).
|
||||
---
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-GDTH-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.95
|
||||
tags: [auto-reinforced, game-design-theory, mda-framework, flow-theory, mechanics, dynamics, aesthetics]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Game-Design-Theory]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "의도된 경험의 공학: 규칙(Mechanics)이 어떻게 플레이어의 행동(Dynamics)을 유도하고, 최종적으로 어떤 감정적 체험(Aesthetics)을 만들어내는지 파악하여 사용자에게 최상의 '몰입'을 선사하는 지식 체계."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
게임 디자인 이론(Game-Design-Theory)은 게임이 작동하는 방식과 그것이 인간에게 전달하는 가치를 연구하는 학제적 분야입니다.
|
||||
|
||||
1. **3대 핵심 프레임워크 (MDA)**:
|
||||
* **Mechanics (역학)**: 게임의 코드, 규칙, 기초 시스템.
|
||||
* **Dynamics (역동)**: 규칙들이 상호작용하며 발생하는 연쇄 반응과 플레이어 행동.
|
||||
* **Aesthetics (미학)**: 플레이어가 느끼는 감정 (도전, 즐거움, 공포 등). (UX-Design-and-Engagement와 연결)
|
||||
2. **몰입의 조절**:
|
||||
* **Flow Theory**: 난이도와 숙련도의 균형점(Flow Channel)을 유지하여 지루함과 불안을 방지. (Experience-Sampling-Method와 연결)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 '화려한 그래픽'이 게임의 전부라 믿는 경향 정책이 있었으나, 현대 정책은 탄탄한 '규칙의 상호작용 정책'이 그래픽보다 훨씬 더 깊은 몰입 정책을 만든다는 'Ludo-centric' 관점이 주류임(RL Update).
|
||||
- **정책 변화(RL Update)**: 이제는 단순한 '재미 정책'을 넘어, 교육 정책, 치료 정책, 조직 관리 정책 등에 게임 이론 정책을 이식하는 '기능성 게임(Serious Games)'과 '게이미피케이션 정책'으로 확장 중임. (Gamification-Theory와 연결)
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- UX-Design-and-Engagement, [[Experience-Sampling-Method]], [[Gamification-Theory]], [[Game-Design-Ontology]], Immersive-Sim, Complexity-Science
|
||||
- **Key Figures**: Jesse Schell, Raph Koster, Mihaly Csikszentmihalyi.
|
||||
---
|
||||
@@ -0,0 +1,28 @@
|
||||
---
|
||||
id: GAME-ECON-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.0
|
||||
tags: [game-design, economics, virtual-economy, sink-and-source]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Game Economy Design (게임 경제 디자인)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "가상 세계의 가치 흐름을 제어하는 인플레이션과의 전쟁" — 게임 내 자원의 생성(Source), 소비(Sink), 축적을 관리하여 아이템의 가치를 유지하고 플레이어의 지속적인 활동 동기를 부여하는 시스템 설계.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 자원이 시장에 풀리는 속도(Tap)와 사라지는 속도(Drain)를 일치시켜 게임 내 화폐 가치 하락을 방지하고 순환 구조를 만드는 자원 순환 패턴.
|
||||
- **세부 내용:**
|
||||
- **Sources (공급원):** 퀘스트 보상, 에너미 드랍, 업적 달성 등 시스템에서 자원이 새로 생성되는 지점.
|
||||
- **Sinks (소비처):** 장비 강화 비용, 소모품 구매, 수수료, 세금 등 시스템에서 자원이 영구적으로 사라지는 지점.
|
||||
- **Inventory/Storage:** 플레이어가 보유한 자원의 총량. 인플레이션의 척도가 됨.
|
||||
- **Virtual Currency:** 유료 화폐와 무료 화폐의 구분 및 교환 비율 설정을 통한 수익 모델 구축.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 단순한 아이템 판매 중심에서, 최근에는 배틀패스나 구독 모델 등 시간에 따른 가치 제공과 자원 회수 방식이 다양화됨.
|
||||
- **정책 변화:** Skybound 프로젝트는 인게임 재화인 '골드'와 강화 재료인 '모듈'의 순환을 설계할 때, 고레벨로 갈수록 기하급수적으로 증가하는 소비처를 두어 경제 안정을 꾀함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Gacha-Mechanics-Analysis, [[Game-Balance-Design]], Inflation, Market-Economy
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Game-Economy-Design.md
|
||||
@@ -0,0 +1,27 @@
|
||||
---
|
||||
id: P-REINFORCE-AI-GAME-FEE-JUICY
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.97
|
||||
tags: [GameDesign, GameFeel, Juiciness, Interaction]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Game-Feel-and-Juiciness]] (게임 피델리티와 쥬시니스)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "입술에 감기는 과일 즙처럼 강렬하고 기분 좋은 상호작용 피드백." 유저의 아주 작은 조작에도 화면 흔들림, 입자 효과, 소리 등이 즉각적이고 풍성하게 반응하여 컨트롤의 '맛'을 극대화하는 기법이다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **The Ingredients of Juice**:
|
||||
- **Screen Shake**: 타격 시 화면을 미세하게 흔들어 충격감을 전달.
|
||||
- **Particle Effects**: 충돌 지점에서 불꽃, 연기 등이 뿜어져 나옴.
|
||||
- **Squash and Stretch**: 객체가 움직이거나 충돌할 때 물리적으로 찌그러지고 늘어나는 애니메이션.
|
||||
- **Sound Design**: 동작에 어울리는 찰진 효과음 및 타격음.
|
||||
- **Core Concept**: 1을 입력했을 때 10의 시각적/청각적 반응을 보여주어 유저에게 강력한 통제감과 쾌락을 주는 것.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- '쥬시니스'가 과도하면 정보가 전달되어야 할 화면이 시각적 노이즈로 가득 차 게임 플레이를 방해할 수 있다. 기능적인 명확성(Readability)을 해치지 않는 선에서 '양념'의 강도를 조절하는 것이 시니어 게임 디자이너의 진정한 역량이다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Feedback-Loops-in-Design]] , [[Micro-interactions]]
|
||||
- Key Figure: Jan-Willem-Nijman (Vlambeer)
|
||||
@@ -0,0 +1,28 @@
|
||||
---
|
||||
id: P-REINFORCE-AI-GAME-LOOP
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.98
|
||||
tags: [GameDevelopment, Architecture, GameLoop, RealTime]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Game-Loop-Architecture]] (게임 루프 아키텍처)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "게임이 숨을 쉬게 만드는 심장 박동." 유저의 입력을 받고, 세상을 업데이트하고, 화면을 그리는 과정을 무한히 반복하며 멈춰있는 데이터를 살아있는 경험으로 변환하는 실시간 실행 구조다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **The Triple Process**:
|
||||
1. **Input**: 키보드, 마우스, 컨트롤러 등 유저의 행동 데이터 수집.
|
||||
2. **Update**: 입력에 따라 캐릭터 위치 계산, AI 로직 실행, 물리 충돌 처리.
|
||||
3. **Render**: 연산된 최종 상태를 모니터 화면에 그래픽으로 그림.
|
||||
- **Fixed vs Variable Timestep**:
|
||||
- **Variable**: 가능한 빨리 돌리는 방식. 성능 좋은 기기에서 게임이 너무 빨라질 위험이 있음.
|
||||
- **Fixed**: 현실 시간과 게임 시간을 동기화하여 어떤 기기에서도 동일한 속도로 흐르게 함 (**Delta Time** 활용 필수).
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 무거운 연산(AI, 길 찾기 등)이 한 루프 안에 갇히면 프레임 드랍(Stuttering)이 발생한다. 현대 아키텍처는 루프를 분리하여 렌더링은 매 프레임 돌리고, 무거운 물리나 AI는 별도의 스레드나 더 긴 주기로 돌리는 '멀티스레드 루프'로 진화했다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: Real-Time-Systems , [[Artificial-Intelligence-in-Games]]
|
||||
- Concept: Delta-Time
|
||||
@@ -0,0 +1,29 @@
|
||||
---
|
||||
id: GAME-MECH-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.0
|
||||
tags: [game-design, mechanics, gameplay, loops]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Game Mechanics (게임 메커니즘)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "플레이어와 게임 세계 사이의 상호작용 규칙" — 게임 엔진이 플레이어의 입력에 반응하는 방식이자, 게임의 재미를 구성하는 원자 단위의 동작 규칙들.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 입력(Input) -> 처리(Logic) -> 피드백(Feedback)으로 이어지는 핵심 루프(Core Loop)를 통해 플레이어에게 보상감과 도전을 제공하는 아키텍처 패턴.
|
||||
- **세부 내용:**
|
||||
- **Movement & Navigation:** 캐릭터의 이동 방식 (Dash, Jump, Fly 등). 조작감의 핵심.
|
||||
- **Combat Systems:** 공격, 방어, 스킬 쿨타임, 상태 이상 등 전투의 규칙 정의.
|
||||
- **Resource Management:** HP, MP, 탄약, 골드 등 유한한 자원을 획득하고 소모하는 규칙.
|
||||
- **Progression:** 레벨업, 스킬 트리, 장비 강화 등 시간이 흐름에 따라 플레이어가 강해지는 기전.
|
||||
- **Victory/Defeat Conditions:** 게임의 목표를 정의하는 최종 도달 지점 설정.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 정적인 규칙 나열에서, 최근에는 플레이어의 창의적 상호작용(Emergent Gameplay)을 유도하는 물리/화학적 시뮬레이션 기반 메커니즘으로 발전.
|
||||
- **정책 변화:** Skybound 프로젝트는 '로그라이크' 메커니즘을 핵심으로 채택하여, 매 플레이마다 무작위 업그레이드 조합을 통해 새로운 경험을 제공하는 데 집중함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Game-Balance-Design]], Game-Analytics, [[Flow-State]], Emergent-Gameplay
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Game-Mechanics.md
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-GOPC-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.94
|
||||
tags: [auto-reinforced, pcg, game-ontology, procedural-generation, automation, creative-ai, algorithmic-design]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Game-Ontology-for-PCG]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "무한한 모험의 설계도: 절차적 생성(PCG) AI가 의미 없는 노이즈가 아닌 '말이 되는 게임 세상'을 만들기 위해, 지켜야 할 규칙과 사물의 의미를 온톨로지 형태로 학습하여 인간 수준의 레벨을 무한히 찍어내는 기술."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
PCG를 위한 게임 온톨로지(Game-Ontology-for-PCG)는 사람이 일일이 수작업으로 디자인하지 않고 알고리즘이 콘텐츠를 생성할 때, 게임의 문맥과 규칙을 이해하게 돕는 데이터 구조입니다.
|
||||
|
||||
1. **PCG와의 결합 방식**:
|
||||
* **Constraint Specification**: 온톨로지에 정의된 제약을 통해 '벽 속의 상자' 같은 논리적 오류 방지. (Constraint-Satisfaction-Problems와 연결)
|
||||
* **Semantic Labeling**: 생성된 개체에 의미를 부여하여(예: 이 칼은 보스방 앞의 보상이다) 내러티브적 개연성 확보.
|
||||
* **Modular Assembly**: 온톨로지 단위를 조립하여 복합적인 던전이나 생태계 생성.
|
||||
2. **왜 중요한가?**:
|
||||
* 단순한 무작위 정책을 넘어 '의도된 디자인 정책'을 자동화하여 게임 개발의 스케일 정책과 비용 정책을 획기적으로 개선하기 때문임. (Efficiency와 연결)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 초기 PCG 정책은 단순 수학적 함수(Perlin noise 등)에 의존했으나, 현대 정책은 온톨로지 정책 기반의 '지식 지향 생성 기법'을 통해 플레이어의 경험 정책까지 고려한 설계 정책이 가능해짐(RL Update).
|
||||
- **정책 변화(RL Update)**: 이제는 LLM 이나 확산 모델 정책이 온톨로지 정책을 이해하여, 텍스트 설명 정책(Prompt)만으로 완성된 게임 레벨 정책을 즉석으로 생성하는 'Generative PCG' 시대로 진화 중임. (Deep-Convolutional-GANs와 연결)
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Constraint-Satisfaction-Problems]], [[Efficiency]], [[Deep-Convolutional-GANs]], [[Game-Design-Ontology]], Procedural-Generation
|
||||
- **Key Application**: No Man's Sky, Rogue-likes, Minecraft.
|
||||
---
|
||||
@@ -0,0 +1,29 @@
|
||||
---
|
||||
id: GAME-THEORY-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.0
|
||||
tags: [ai, game-theory, multi-agent-systems, nash-equilibrium, decision-making]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Game Theory in AI (AI에서의 게임 이론)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "지능적인 행위자들이 서로의 선택을 예측하며 최선의 이익을 찾아가는 전략적 상호작용의 수학적 모델" — 여러 에이전트가 공존하는 환경에서 자신의 이득뿐만 아니라 타인의 반응까지 고려하여 최적의 의사결정을 내리는 원리를 다루는 이론.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 상대방의 전략이 주어졌을 때 누구도 자신의 전략을 바꿀 유인이 없는 상태(Nash Equilibrium)를 지향하거나, 협력과 배신 사이의 균형점을 찾는 전략적 최적화 패턴.
|
||||
- **핵심 개념:**
|
||||
- **Nash Equilibrium (나시 균형):** 모든 플레이어가 상대방의 최선에 대응하여 최선의 선택을 하고 있는 정적 상태.
|
||||
- **Zero-sum vs Non-zero-sum:** 한쪽의 이득이 다른 쪽의 손실인 상황과 상생이 가능한 상황의 구분.
|
||||
- **Minimax Algorithm:** 최악의 경우에 발생할 손실을 최소화하는 전통적인 게임 트리 탐색 기법.
|
||||
- **Multi-Agent Systems (MAS):** 여러 AI 에이전트가 협력하거나 경쟁하며 복잡한 문제를 해결하는 구조.
|
||||
- **의의:** 강화학습(특히 Multi-agent RL)과 경제 시스템 모델링, 자율주행차 간의 통행 협상 등 현대 AI의 사회적 상호작용 설계의 근간.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 고정된 규칙의 게임 분석에서 벗어나, 에이전트가 상호작용을 통해 스스로 전략을 진화시키는 동적 시스템 분석으로 진화.
|
||||
- **정책 변화:** Antigravity 프로젝트의 다중 에이전트 협업 프로토콜은 게임 이론적 관점에서 각 에이전트의 작업 할당과 자원 분배를 최적화하여 전체 시스템의 효율성을 극대화함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Multi-Agent-Systems-MAS]], [[Reinforcement-Learning]], Decision-Making, Mechanism-Design
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Game-Theory-in-AI.md
|
||||
@@ -0,0 +1,28 @@
|
||||
---
|
||||
id: GAME-THEORY-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.0
|
||||
tags: [math, decision-theory, economics, ai-strategy]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Game Theory (게임 이론)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "상대방의 전략을 고려한 최선의 선택을 수학적으로 분석하라" — 독립적인 의사결정자들이 서로의 선택이 자신의 결과에 영향을 미치는 상황(전략적 상호작용)에서 어떻게 행동하는지 연구하는 학문.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 상대방이 자신의 이익을 극대화한다는 가정 하에, 자신의 기대 보상을 최대화하는 '내쉬 균형(Nash Equilibrium)' 지점을 찾아가는 의사결정 패턴.
|
||||
- **세부 내용:**
|
||||
- **Zero-sum Game:** 한쪽의 이득이 다른 쪽의 손실이 되는 대립 관계 (예: 장기, 바둑).
|
||||
- **Prisoner's Dilemma:** 각자에게는 최선의 선택이 전체적으로는 최악의 결과를 낳는 협력의 딜레마 분석.
|
||||
- **Dominant Strategy:** 상대방이 무엇을 하든 상관없이 자신에게 가장 유리한 전략.
|
||||
- **Minimax Algorithm:** AI 체스/바둑 등에서 최악의 시나리오를 가정하고 손실을 최소화하는 경로 탐색.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 완전한 합리성을 전제로 하던 초기 모델에서, 진화 게임 이론(Evolutionary Game Theory) 및 행동 게임 이론을 통해 비합리성과 생물학적 진화 과정을 포괄하는 모델로 확장.
|
||||
- **정책 변화:** Antigravity 에이전트의 다중 에이전트 협업(Multi-agent Collaboration) 설계 시, 개인의 이익과 팀의 목표가 일치하도록 '메커니즘 디자인' 이론을 적용함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Decision-Theory, Expected-Utility-Theory, Nash-Equilibrium, Mechanism-Design
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Game-Theory.md
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-GMTH-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.95
|
||||
tags: [auto-reinforced, gamification, game-theory, motivation, engagement, behavioral-economics, reward-systems]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Gamification-Theory]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "게임 밖의 게임: 업무, 교육, 건강 관리 등 비게임적 맥락에 게임의 구성 요소(점수, 경쟁, 내러티브)를 이식하여 사용자의 행동을 변화시키고 지속적인 참여를 유도하는 응용 심리학."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
게이미피케이션 이론(Gamification-Theory)은 게임의 재미 요소를 활용해 비게임 도메인의 경험을 개선하는 방법론입니다.
|
||||
|
||||
1. **3대 레이어 (Dynamics-Mechanics-Components)**:
|
||||
* **Components**: 배지, 퀘스트, 포인트 등 눈에 보이는 보상.
|
||||
* **Mechanics**: 도전, 운, 경쟁, 협력 등 시스템적 장치.
|
||||
* **Dynamics**: 사회적 지위, 성취감, 자아 감정 등 하부의 심리적 욕구. (Social-Psychology와 연결)
|
||||
2. **성공 조건**:
|
||||
* 단순한 '포인트 정책' 나열이 아니라, 사용자의 행동 정책이 비즈니스 목표 정책 및 내재적 동기 정책과 정렬되어야 함. (Decision-Making와 연결)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 "무조건 보상만 주면 된다"는 외재적 보상 정책 중심이었으나, 현대 정책은 보상이 사라지면 흥미도 사라지는 '탈동기화 정책'을 방지하기 위한 '이야기(Narrative) 정책' 중심 게이미피케이션 정책으로 전환됨(RL Update).
|
||||
- **정책 변화(RL Update)**: 이제는 획일적인 하이점수 순위표 정책을 넘어, AI 가 사용자의 성향 정책(Bartle taxonomy)을 실시간으로 분석하여 맞춤형 챌린지 정책을 제공하는 '다이내믹 게이미피케이션 정책'이 주류임. (E-Learning-Gamification와 연결)
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Social-Psychology, Decision-Making, [[E-Learning-Gamification]], [[Game-Design-Theory]], UX-Design-and-Engagement, Ethics
|
||||
- **Key Model**: Octalysis Framework.
|
||||
---
|
||||
@@ -0,0 +1,28 @@
|
||||
---
|
||||
id: GAN-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.0
|
||||
tags: [deep-learning, generative-ai, neural-networks, computer-vision]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Generative Adversarial Networks (GANs, 생성적 적대 신경망)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "속이려는 자와 잡으려는 자의 끝없는 대결을 통해 학습하라" — 가짜를 만드는 생성자(Generator)와 진짜를 감별하는 판별자(Discriminator)를 경쟁시켜 실제 데이터와 구별 불가능한 결과물을 만들어내는 모델.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 두 신경망이 서로의 성능을 능가하려고 노력하는 게임 이론적 구조(Minimax Game)를 통해 고해상도 이미지나 정교한 데이터를 생성하는 패턴.
|
||||
- **세부 내용:**
|
||||
- **Generator:** 랜덤 노이즈로부터 데이터를 생성하여 판별자를 속이려 함.
|
||||
- **Discriminator:** 입력받은 데이터가 실제 데이터셋인지 생성자가 만든 가짜인지 판별.
|
||||
- **Adversarial Training:** 생성자는 판별자의 오답률을 높이려 하고, 판별자는 정답률을 높이려 하며 균형(Nash Equilibrium) 지점으로 수렴.
|
||||
- **Mode Collapse:** 생성자가 특정 유리한 샘플만 반복적으로 만들어내는 고질적인 학습 불안정 문제 분석.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 초기 GAN은 학습이 매우 불안정했으나, WGAN, StyleGAN 등의 등장으로 고화질 이미지 생성 성능이 비약적으로 향상됨. 최근에는 확산 모델(Diffusion Models)에 생성 AI의 주도권을 내주었으나 고속 생성 분야에선 여전히 강력함.
|
||||
- **정책 변화:** Antigravity 프로젝트의 에셋 생성 보조 도구로 StyleGAN 기반의 텍스처 합성 엔진 활용 연구 중.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Deep-Learning]], [[Generative-AI]], [[Diffusion-Models]], Nash-Equilibrium
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Generative-Adversarial-Networks.md
|
||||
@@ -0,0 +1,29 @@
|
||||
---
|
||||
id: PHYS-GIMBAL-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.0
|
||||
tags: [physics, robotics, game-dev, orientation, rotation-math, skybound]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Gimbals and Orientation (짐벌과 방향 제어)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "3차원 공간의 자유도를 수호하고, 회전의 축이 겹쳐 통제력을 잃는 짐벌 락의 함정을 회피하라" — 물체가 어떤 방향으로든 자유롭게 회전할 수 있도록 지지하는 장치(Gimbal)와, 오일러 각(Euler Angles) 및 쿼터니언(Quaternions)을 활용한 수학적 자세 제어 기법.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 세 개의 회전 축(Roll, Pitch, Yaw)을 독립적으로 제어하여 물체의 지향점을 유지하고, 각 축 간의 상호작용으로 인해 발생하는 기하학적 제약을 극복하는 방향성 제어 패턴.
|
||||
- **핵심 개념:**
|
||||
- **Euler Angles:** X, Y, Z 축을 기준으로 순차적으로 회전하는 직관적인 방식.
|
||||
- **Gimbal Lock:** 두 회전 축이 겹치면서 한 차원의 자유도를 잃어버리는 현상 (오일러 각의 고질적 문제).
|
||||
- **Quaternions (사원수):** 짐벌 락 문제를 해결하기 위해 4차원 복소수를 사용하는 수학적 도구. 부드러운 회전 보간(SLERP)에 필수적.
|
||||
- **Stabilization:** 외부 흔들림에도 불구하고 카메라나 센서가 특정 방향을 고수하도록 실시간 보정.
|
||||
- **의의:** 항공우주, 로보틱스, 드론 제어는 물론 3D 게임 엔진의 카메라 시스템과 물리 시뮬레이션의 성능을 결정짓는 근간.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 오일러 각 기반의 단순 연산에서, 짐벌 락 방지와 연산 효율성을 위해 쿼터니언 기반의 자세 제어가 현대 시스템의 표준으로 정착됨.
|
||||
- **정책 변화:** Skybound 프로젝트의 함대 시점 카메라와 미사일 유도 알고리즘은 쿼터니언을 사용하여 격렬한 기동 중에도 끊김 없는 부드러운 시선 처리를 보장함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Physics-Engine, [[Robotics]], Mathematics-for-AI, [[Determinism-in-Computing]]
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Gimbals-and-Orientation.md
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: OPT-GLO-LOC-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.0
|
||||
tags: [ai, optimization, mathematics, global-optima, local-optima]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Global Optima vs Local Optima (전역 최적해와 지역 최적해)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "눈앞의 작은 언덕(Local)에 만족하지 말고, 산맥 전체에서 가장 높은 봉우리(Global)를 향한 탐험을 멈추지 마라" — 최적화 문제에서 함수값이 주변보다 가장 좋지만 전체에서는 최선이 아닌 지점(Local)과, 전체 영역을 통틀어 가장 우수한 지점(Global) 사이의 격차와 이를 극복하기 위한 도전.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 최적화 과정에서 경사(Gradient)를 따라 내려가다 보면 움푹 패인 작은 구덩이(Local Minima)에 갇히기 쉬우며, 이를 탈출하여 가장 깊은 골짜기(Global Minima)를 찾기 위한 전략적 탐색 패턴.
|
||||
- **핵심 차이점:**
|
||||
- **Local Optima:** 특정 이웃 범위 내에서 최선의 해. 알고리즘이 더 이상 개선을 멈추기 쉬운 함정.
|
||||
- **Global Optima:** 문제의 전체 정의 구역에서 단 하나(혹은 그 이상) 존재하는 절대적 최적해.
|
||||
- **지역 최적해 탈출 전략:**
|
||||
- **Momentum:** 내려오던 관성을 이용해 작은 언덕을 넘어감.
|
||||
- **Stochasticity (무작위성):** 확률적 경사 하강법(SGD)이나 돌연변이(Mutation)를 통해 무작위로 위치 이동.
|
||||
- **Simulated Annealing:** 초기에는 과감하게 탐색하고 시간이 갈수록 정교하게 수렴.
|
||||
- **의의:** 딥러닝 학습이 단순히 '작동'하는 것을 넘어 '최고 성능'에 도달하기 위해 극복해야 할 가장 본질적인 수학적 과제.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 고차원 공간에서는 지역 최적해보다 안장점(Saddle Point)이 학습을 방해하는 더 큰 요인임이 밝혀지며, 최적화 전략의 초점이 안장점 탈출로 확장됨.
|
||||
- **정책 변화:** Antigravity 프로젝트는 하이퍼파라미터 튜닝 시 단일 시도가 아닌 베이지안 최적화를 활용하여, 지역 최적해의 함정을 피해 전역 최적해에 근사하는 파라미터 조합을 탐색함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Gradient-Descent]], [[Fitness-Landscape]], [[Black-Box-Optimization]], [[Genetic-Algorithms]]
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Global-vs-Local-Optima.md
|
||||
@@ -0,0 +1,28 @@
|
||||
---
|
||||
id: GOAP-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.0
|
||||
tags: [game-ai, ai-planning, game-design, behavior-systems]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Goal-Oriented Action Planning (GOAP, 목표 지향적 행동 계획)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "어떻게 할지 가르치지 말고, 무엇을 하고 싶은지 정해주면 스스로 계획하게 하라" — 에이전트가 목표를 달성하기 위해 현재 상태에서 가능한 행동들의 조합을 동적으로 탐색하고 계획(Plan)을 세워 실행하는 AI 아키텍처.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 복잡한 상태 전이(State Machine)를 하드코딩하는 대신, 각 행동의 전제 조건(Pre-condition)과 효과(Effect)를 정의하여 목표(Goal)에 도달하는 최적의 경로를 그래프 탐색(A* 등)으로 찾아내는 패턴.
|
||||
- **세부 내용:**
|
||||
- **Goal:** 에이전트가 도달하고자 하는 상태 (예: '적을 제거하라', '체력을 회복하라').
|
||||
- **Actions:** 에이전트가 수행할 수 있는 최소 단위의 행동. (예: '장전', '이동', '사격').
|
||||
- **Planner:** 현재 상태에서 목표 상태로 가기 위한 행동들의 순서를 실시간으로 계산.
|
||||
- **Dynamic Re-planning:** 상황이 바뀌면(예: 적이 시야에서 사라짐) 즉시 계획을 폐기하고 새로운 계획을 수립.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 거대한 FSM(유한 상태 머신)의 복잡성과 경직성을 해결하기 위해 도입됨. 최근에는 계층적 태스크 네트워크(HTN)나 딥러닝 기반 정책 결정과 상호 보완적으로 사용됨.
|
||||
- **정책 변화:** Skybound 프로젝트의 보스 몬스터 AI는 GOAP 기반의 계획 시스템을 사용하여, 플레이어의 위치와 자신의 체력 상태에 따라 지능적으로 공격과 퇴각을 결정함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Game-AI, A-Star-Algorithm, Finite-State-Machine, HTN-Planning
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Goal-Oriented-Action-Planning.md
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: OPT-GRAD-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.0
|
||||
tags: [ai, optimization, mathematics, gradient-descent, machine-learning]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Gradient Descent Foundations (경사 하강법 기초)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "어둠 속에서 지형의 기울기만을 느끼며 가장 낮은 골짜기를 향해 끈기 있게 내려가라" — 모델의 예측값과 실제값 사이의 오차(Loss)를 정의하고, 이 오차를 최소화하는 방향으로 파라미터를 점진적으로 수정해 나가는 인공지능 학습의 근본 알고리즘.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 목적 함수의 미분값(Gradient)이 가리키는 방향의 반대 방향으로 학습률(Learning Rate)만큼 파라미터를 업데이트하여, 오차라는 산맥의 최저점을 찾는 반복적 최적화 패턴.
|
||||
- **핵심 요소:**
|
||||
- **Learning Rate ($\eta$):** 한 번에 얼마나 멀리 이동할지 결정. 너무 크면 발산하고, 너무 작으면 학습이 느림.
|
||||
- **Partial Derivative:** 각 파라미터가 오차에 미치는 영향력을 개별적으로 계산.
|
||||
- **Step:** 현재 위치에서 기울기가 가장 가파른 방향의 반대로 이동하는 한 단계의 연산.
|
||||
- **주요 변형:**
|
||||
- **Stochastic Gradient Descent (SGD):** 하나의 데이터만 보고 즉시 업데이트. 빠르지만 요동이 심함.
|
||||
- **Mini-batch SGD:** 적절한 묶음 데이터를 사용하여 속도와 안정성의 균형을 맞춤. 현대 딥러닝의 표준.
|
||||
- **의의:** 복잡한 신경망의 수백만 개 파라미터를 학습시킬 수 있는 유일하고 실질적인 방법.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 단순히 기울기만 따라가던 방식에서, 이제는 관성(Momentum)과 가변 학습률(Adam, RMSProp)을 더해 훨씬 효율적으로 최저점을 찾는 방식으로 진화.
|
||||
- [[Global-vs-Local-Optima]] 문서와 연계하여, 지역 최적해의 함정을 피하는 것이 경사 하강법 운영의 핵심 기술임.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Backpropagation]], [[Global-vs-Local-Optima]], Deep-Learning-Foundations, Mathematics-for-AI
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Gradient-Descent.md
|
||||
@@ -0,0 +1,28 @@
|
||||
---
|
||||
id: HTN-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.0
|
||||
tags: [game-ai, ai-planning, game-design, behavior-systems]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Hierarchical Task Network (HTN, 계층적 태스크 네트워크)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "거대한 목표를 수행 가능한 작은 작업들로 분해하여 계획하라" — 복잡한 임무를 하위 태스크들의 계층 구조로 나누어, 에이전트가 상황에 맞는 구체적인 행동 시퀀스를 생성하게 하는 고급 AI 플래닝 기법.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 상위 수준의 추상적 목표(Compound Task)를 조건에 따라 하위 작업(Primitive Task)으로 구체화(Decomposition)해 나가는 하향식(Top-down) 계획 패턴.
|
||||
- **세부 내용:**
|
||||
- **Methods:** 복합 태스크를 수행하는 다양한 방법들의 집합. 현재 월드 상태(World State)에 맞는 최적의 방법을 선택.
|
||||
- **Sensors & World State:** 주변 환경 정보를 수치화하여 계획 수립의 근거로 활용.
|
||||
- **Backtracking:** 선택한 경로가 목표 달성에 실패할 경우, 이전 단계로 돌아가 다른 'Method'를 시도.
|
||||
- **Real-time Performance:** GOAP에 비해 전체 탐색 공간이 계층적으로 제한되므로, 매우 복잡한 행동 체계에서도 빠른 연산 속도 유지.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 단순 상태 머신(FSM)의 폭발적인 복잡성을 해결하기 위해 등장. 최근에는 트랜스포머 기반의 행동 예측 모델과 결합하여 '계획하는 AI'로 진화 중.
|
||||
- **정책 변화:** Skybound 프로젝트의 분대 단위 적 AI는 HTN을 사용하여 협동 공격, 진형 유지, 부상자 후송 등 고차원적인 전술 행동을 수행함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Goal-Oriented-Action-Planning]], Behavior-Tree, Game-AI, A-Star-Algorithm
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Hierarchical-Task-Network (HTN).md
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-HPSP-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.94
|
||||
tags: [auto-reinforced, sports-science, biomechanics, physiology, peak-performance, training, data-analytics]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[High-Performance-Sports-Science]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "0.01초를 깎는 과학: 근육의 움직임, 심장 박동, 수면 패턴, 심지어 식단의 영양소까지 데이터화하여 인간의 신체 잠재력을 극한까지 끌어올리고, 부상 위험을 최소화하며 승리로 이끄는 고도의 생체 최적화 시스템."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
고성능 스포츠 과학(High-Performance-Sports-Science)은 운동 수행 능력을 향상시키기 위해 생리학, 역학, 심리학 등 다양한 학문을 스포츠 현장에 적용하는 분야입니다.
|
||||
|
||||
1. **3대 분석 기둥**:
|
||||
* **Biomechanics**: 모션 캡처 기술 등을 통해 가장 효율적인 동작(Force production) 분석. (Physics와 연결)
|
||||
* **Physiology**: 젖산 농도, 산소 섭취량(VO2 max) 모니터링을 통한 훈련 강도 조절.
|
||||
* **Sports Psychology**: 압박감 속에서 침착함을 유지하는 멘탈 트레이닝. (High-Performance-Coaching와 연결)
|
||||
2. **왜 중요한가?**:
|
||||
* 감에 의존하던 훈련 정책을 '데이터 기반의 정밀 훈련 정책'으로 바꿔, 한계에 다다른 선수들에게 새로운 돌파구 정책을 제시하기 때문임. (Efficiency와 연결)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 "더 많이, 더 힘들게" 하는 것이 덕목 정책이었으나, 현대 정책은 데이터 분석 정책을 통한 '최적의 휴식 정책(Recovery)'과 '과훈련 방지 정책'이 성과 정책의 핵심임을 밝혀냄(RL Update).
|
||||
- **정책 변화(RL Update)**: 이제는 단순 센서 정책을 넘어, AI 가 선수의 영상 데이터 정책을 분석하여 부상 가능성 정책이 높은 관절 각도 정책을 사전에 경고하거나, 상대 팀의 경기 패턴 정책을 그래프 이론 정책으로 분석하는 'Digital Twin' 기술로 진화 중임. (Graph-Theory와 연결)
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Physics]], [[High-Performance-Coaching]], [[Efficiency]], [[Graph-Theory]], Simulation, [[Refinement]]
|
||||
- **Key Tech**: Wearable devices, Video analysis software.
|
||||
---
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-HCLS-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.92
|
||||
tags: [auto-reinforced, hyperinflation, closed-loop-system, economy, game-design, simulation, system-dynamics]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Hyperinflation-in-Closed-Loop-Systems]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "닫힌 방 안의 화폐 폭발: 외부 유출 없이 화폐나 자원이 무한히 생성되는 게임 경제나 포인트 시스템에서, 통화 가치가 급락하여 결국 시스템 전체가 마비되거나 사용자의 동기가 소멸되는 '설계된 몰락'."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
폐쇄 루프 시스템 내 초인플레이션(Hyperinflation-in-Closed-Loop-Systems)은 자원의 유입과 유출 밸런스가 붕괴되었을 때 발생하는 극단적인 가치 하락 현상입니다.
|
||||
|
||||
1. **발생 경로**:
|
||||
* **Faucet (공급)**: 퀘스트 보상, 출석 체크 등으로 게임머니가 끊임없이 생성됨.
|
||||
* **Sink (소명)**: 아이템 강화, 수수료 등으로 돈을 소각해야 하는데 소각 속도가 공급을 못 따라감.
|
||||
* **Death Spiral**: 돈이 흔해지니 아이템 가격이 폭등하고, 신규 유저는 진입 장벽 정책으로 이탈하며, 기존 유저는 돈 쓸 곳이 없어 재미를 잃음. (Economic-Complexity-Index와 연결)
|
||||
2. **왜 중요한가?**:
|
||||
* 성공한 서비스나 게임이 순식간에 '고인물'들만의 잔치가 되어 무너지는 리스크 정책 관리의 핵심이기 때문임. (Sustainability와 연결)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 "돈을 많이 주면 좋아할 것"이라 생각했으나, 현대 정책은 가치 보존 정책(Store of value)이 안 되는 재화는 쓰레기와 다름없음을 깨닫고, 철저한 통화량 제어 정책(Monetary policy)을 게임 기획에 도입함(RL Update). (Federal-Reserved-Policy와 비유적 연결)
|
||||
- **정책 변화(RL Update)**: 이제는 단순 소각 정책을 넘어, NFT 나 블록체인을 결합하여 재화의 희소성 정책을 증명하거나, AI 밸런서 정책이 실시간으로 시장 가격 정책을 모니터링하여 보상 정책을 자동 조절하는 '알고리즘적 경제 정책'으로 진화 중임.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Economic-Complexity-Index]], [[Sustainability]], Federal-Reserved-Policy, [[Gamification-Theory]], [[Game-Design-Theory]], [[Stability]]
|
||||
- **Key Metric**: M1/M2 velocity in games.
|
||||
---
|
||||
@@ -0,0 +1,32 @@
|
||||
---
|
||||
id: ML-IMBAL-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.0
|
||||
tags: [machine-learning, imbalanced-data, resampling, smote, focal-loss]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Imbalanced Data Handling (불균형 데이터 처리)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "데이터의 양(Quantity)에 압도당하지 말고, 소외된 소수의 정보(Minority Class) 속에 숨겨진 가치에 집중하라" — 학습 데이터의 클래스 분포가 편향되어 있을 때, 모델이 다수 클래스에만 치우친 예측을 하지 않도록 데이터나 알고리즘 측면에서 균형을 맞추는 기법.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 다수 데이터의 영향력을 줄이거나 소수 데이터의 비중을 높여, 모델이 희귀하지만 중요한 샘플의 특징을 충분히 학습하게 만드는 가중치 및 샘플링 조정 패턴.
|
||||
- **핵심 전략:**
|
||||
- **Data-level (Resampling):**
|
||||
- **Undersampling:** 다수 클래스 데이터를 삭제. 정보 손실 위험.
|
||||
- **Oversampling:** 소수 클래스 데이터를 복제하거나 생성 (예: SMOTE - 합리적인 가상 데이터 생성).
|
||||
- **Algorithm-level:**
|
||||
- **Cost-sensitive Learning:** 소수 클래스를 틀렸을 때 더 큰 벌점을 부여.
|
||||
- **Focal Loss:** 쉬운 샘플의 비중을 낮추고 어려운 샘플에 집중.
|
||||
- **평가 지표의 전환:** 불균형 데이터에서는 '정확도(Accuracy)' 대신 '정밀도(Precision)', '재현율(Recall)', 'F1-Score' 등을 사용하여 모델의 실질적인 성능을 측정해야 함.
|
||||
- **의의:** 이상 탐지, 질병 진단, 사기 적발 등 실생활에서 가장 중요한 '희귀 케이스' 탐지 능력 확보.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 단순히 데이터를 늘리거나 줄이던 방식에서, 최근에는 [[Focal-Loss]]와 같은 손실 함수 최적화와 이상 탐지(Anomaly Detection) 관점의 접근이 주를 이룸.
|
||||
- **정책 변화:** Antigravity 프로젝트는 보안 로그 분석 시, 압도적으로 많은 '정상 접근' 사이에서 극소수의 '공격 징후'를 놓치지 않기 위해 SMOTE와 Cost-sensitive 앙상블 모델을 표준으로 사용함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Focal-Loss]], [[Supervised-Learning-Foundations]], Precision-Recall-and-F1-Score, Deep-Learning-Foundations
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Imbalanced-Data-Handling.md
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-IMSD-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.97
|
||||
tags: [auto-reinforced, immersive-sim, game-design, emergent-gameplay, systems-design, player-agency]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Immersive-Sim-Design]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "시스템이 빚는 자유: 제작자가 정해놓은 '정답'을 찾는 것이 아니라, 물리 엔진과 상호작용 규칙(Systems)을 완벽하게 구축하여 플레이어 스스로 '자기만의 해결책'을 발명하게 만드는 창발적 게임 디자인의 정수."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
이머시브 심 디자인(Immersive-Sim-Design)은 플레이어에게 극대화된 자율성(Agency)과 몰입감을 주기 위한 시스템 지향적 설계 철학입니다.
|
||||
|
||||
1. **핵심 기동 (Design Pillars)**:
|
||||
* **Consistency**: 세상의 규칙이 논리적이고 일관 정책적이어야 함 (예: 불은 나무를 태우고 물은 불을 끈다).
|
||||
* **Emergent Gameplay**: 서로 다른 시스템 정책들이 충돌하며 개발자도 예상하지 못한 기발한 상황 정책 발생. (Emergence-in-Complex-Systems와 연결)
|
||||
* **Agency**: "이게 될까?"라고 플레이어가 물었을 때, 시스템 정책은 반드시 "된다"고 응답해야 함.
|
||||
2. **왜 중요한가?**:
|
||||
* 단순한 오락을 넘어, 인간이 가상 공간의 물리적/사회적 규칙 정책을 활용해 목적 정책을 달성하는 능동적 지능 정책을 자극하기 때문임. (Game-Design-Theory와 연결)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 미리 짜여진 스크립트 기반 연출(Scripted events) 정책이 몰입의 핵심이라 믿었으나, 이머시브 심 정책은 오히려 스크립트 정책을 최소화하고 '규칙의 자율성 정책'을 주는 것이 더 깊은 몰입 정책을 만든다는 것을 유로(Looking Glass Studios)가 증명함(RL Update).
|
||||
- **정책 변화(RL Update)**: 이제는 단순 게임 플레이 정책을 넘어, AI 에이전트가 이머시브 심 세계에서 스스로 도구 정책을 결합하여 난관 정책을 돌파하는 모델링 연구의 훌륭한 시뮬레이션 환경 정책으로 활용됨. (Game-Ontology-for-PCG와 연결)
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Emergence-in-Complex-Systems]], [[Game-Design-Theory]], [[Game-Ontology-for-PCG]], [[Logic]], [[Complexity-Theory]], UX-Design-and-Engagement
|
||||
- **Key Figures**: Warren Spector, Doug Church, Harvey Smith.
|
||||
---
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-ISGR-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.96
|
||||
tags: [auto-reinforced, immersive-sim, genre-definition, simulation, first-person, systems-theory, gameplay]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Immersive-Sim-Genre]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "장르의 경계를 지우는 장르: FPS도, RPG도, 잠입 액션도 아니지만 그 모든 것이 될 수 있는, 오직 플레이어의 '의도'가 시스템을 만났을 때 비로소 완성되는 '메타 시뮬레이션' 게임군."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
이머시브 심(Immersive-Sim) 장르는 특정 화면 구성이나 조작법보다는 '게임 아키텍처 철학'에 의해 정의됩니다.
|
||||
|
||||
1. **장르적 정의**:
|
||||
* **Simulated World**: 정해진 경로 정책이 아닌, 자원 정책과 시스템 정책이 존재하는 살아있는 세계. (Simulation와 연결)
|
||||
* **Player-Driven**: 플레이어가 문제 정책을 해결할 때 자신의 창의성 정책을 사용하도록 강력하게 권장함. (Decision-Making와 연결)
|
||||
* **First-Person Perspective**: 세상과 내가 직접 맞닿아 있다는 일치감 정책 극대화.
|
||||
2. **역사적 계보**:
|
||||
* Ultima Underworld -> System Shock -> Thief -> Deus Ex -> BioShock -> Prey (2017). (System-Theory와 연결)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 "매니악한 변두리 장르 정책"으로 치부 정책되었으나, 현대 정책은 거의 모든 대작 게임 정책(Cyberpunk 2077, Baldur's Gate 3 등)이 이머시브 심의 '자유로운 상호작용 정책' 요소를 핵심 재미 정책으로 채택함에 따라 메인스트림의 기초 체력이 됨(RL Update).
|
||||
- **정책 변화(RL Update)**: 생성형 AI 정책 기술이 발달함에 따라, 이제는 개발자가 미리 짜놓지 않은 대답 정책을 NPC 가 온톨로지 정책을 기반으로 즉석에서 내놓는 '진정한 지능형 이머시브 심 정책'으로의 진화가 시도되고 있음. (Game-Design-Ontology와 연결)
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Simulation, Decision-Making, [[System-Theory]], [[Game-Design-Ontology]], [[Immersive-Sim-Design]], User-Experience
|
||||
- **Common Slogan**: "Player Agency is King."
|
||||
---
|
||||
@@ -0,0 +1,33 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-ISDD-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.95
|
||||
tags: [auto-reinforced, immersive-sim, deus-ex, dishonored, game-analysis, choice, consequence]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Immersive-Sims-Deus-Ex-Dishonored]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "선택과 집중의 변주: 사이버펑크 음모론(Deus Ex)과 마법 고래 기름 도시(Dishonored)라는 매혹적인 무대 위에서, '살상과 비살상', '잠입과 정면 돌파'라는 극단의 선택지를 시스템적으로 완벽하게 지원하는 이머시브 심의 현대적 이정표."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
본 문서는 Deus Ex와 Dishonored를 통해 이머시브 심 장르가 어떻게 진화하고 시스템화되었는지 분석합니다.
|
||||
|
||||
1. **Deus Ex (2000)**:
|
||||
* **Hybridity**: RPG의 캐릭터 성장 정책과 FPS의 액션 정책 결합.
|
||||
* **Consequence**: 플레이어의 행동 정책(누구를 살렸는가 등)이 후반부 서사 정책과 레벨 디자인 정책에 실질적인 영향 정책을 미침. (Dramaturgy-Theory와 연결)
|
||||
2. **Dishonored (2012)**:
|
||||
* **Verticality**: 마법 능력(Blink)을 활용한 수직적 이동 정책 기능 강화.
|
||||
* **Chaos System**: 살인을 많이 할수록 쥐 떼가 늘어나고 세상이 황폐해지는 '행동 정책-환경 정책' 연동 시스템. (Homeostasis와 대비)
|
||||
3. **왜 중요한가?**:
|
||||
* 이 두 작품은 복잡한 시스템 정책들이 플레이어의 '윤리적 선택 정책'과 어떻게 맞물릴 수 있는지 보여주는 최고의 사례이기 때문임. (Ethical-Decision-Making와 연결)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 이머시브 심 정책이 너무 복잡해서 대중성 정책이 떨어진다고 평가 정책받았으나, 현대 정책은 이들의 디자인 요소(Skill trees, Stealth mechanics) 정책이 거의 모든 AAA 오픈월드 게임 정책의 필수 요소로 흡수되었음을 보여줌(RL Update).
|
||||
- **정책 변화(RL Update)**: 이제는 고정된 레벨 디자인 정책을 넘어, AI 가 플레이어의 플레이 성향 정책을 실시간 분석하여 환경 정책이나 난이도 정책을 동적으로 조절하는 방향으로 이 장르의 철학 정책이 확장 중임.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Dramaturgy-Theory]], [[Homeostasis]], [[Ethical-Decision-Making]], [[Immersive-Sim-Design]], [[Game-Design-Theory]], [[Immersive-Sim-Genre]]
|
||||
- **Key Developer**: Arkane Studios, Ion Storm.
|
||||
---
|
||||
@@ -0,0 +1,33 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-ISDT-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.94
|
||||
tags: [auto-reinforced, immersive-sim, deus-ex, thief, history, looking-glass, dark-engine, game-development]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Immersive-Sims-Deus-Ex-Thief]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "소리와 빛의 철학: 단순히 적을 죽이는 FPS가 판치던 시절, 소리의 전파와 빛의 밝기를 수학적으로 계산하여 '숨어 다니는 긴장감(Thief)'과 '해킹과 대화로 해결하는 지적 희열(Deus Ex)'을 선사한 장르의 시조."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
이머시브 심의 근본은 Looking Glass Studios의 유산인 Thief와 Deus Ex에 닿아 있습니다.
|
||||
|
||||
1. **Thief (1998)**:
|
||||
* **Light & Sound Simulation**: 어둠 속에 숨으면 안 보이고, 카펫 위를 걸으면 소리가 안 나는 '물리적 감각 정책'의 시뮬레이션 정책화.
|
||||
* **Non-combat Focus**: 정면 대결이 아닌 회피 정책가 정답이 될 수 있음을 입증. (Logic와 연결)
|
||||
2. **Deus Ex (2000)**:
|
||||
* **Cyberpunk Narrative**: 음모론과 철학적 질문 정책이 가득한 깊이 있는 시나리오.
|
||||
* **Environmental Storytelling**: 맵에 놓인 일기장이나 이메일 하나로 세계관 정책 설명. (Communication와 연결)
|
||||
3. **공통 기술**:
|
||||
* **Dark Engine**: 물리 및 AI 시스템 정책의 선구적 구현체.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 초기 유행 정책 중심이던 아케이드 게임 정책들과 달리, 이 작품 정책들은 플레이어가 시간을 들여 세상을 관찰 정책(Observer pattern)하고 이해 정책해야 한다는 '지성 지향적 게임 기획 정책'을 확립함(RL Update).
|
||||
- **정책 변화(RL Update)**: 이들이 정립한 '환경적 서사 정책'과 '시스템적 상호작용 정책'은 현대의 젤다 야생의 숨결(BotW) 같은 작품 정책에까지 지대한 영향 정책을 미친 것으로 재평가 정책받음. (Game-Design-Theory와 연결)
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Logic]], Communication, [[Game-Design-Theory]], [[Immersive-Sim-Design]], [[Immersive-Sim-Genre]], [[Experience-Sampling-Method]]
|
||||
- **Key Legacy**: Looking Glass Studios.
|
||||
---
|
||||
@@ -0,0 +1,4 @@
|
||||
# Index: Topics > AI & Games
|
||||
|
||||
## 📝 Documents
|
||||
- [[AlphaZero Strategy]]
|
||||
@@ -0,0 +1,4 @@
|
||||
# Index: Topics > AI & Narrative
|
||||
|
||||
## 📝 Documents
|
||||
- [[AI-Driven Narrative Systems]]
|
||||
@@ -0,0 +1,4 @@
|
||||
# Index: Topics > AI & Psychology
|
||||
|
||||
## 📝 Documents
|
||||
- [[Affective Computing]]
|
||||
@@ -0,0 +1,4 @@
|
||||
# Index: Topics > AI & Tools
|
||||
|
||||
## 📝 Documents
|
||||
- [[AI Connect LLM Tool]]
|
||||
@@ -0,0 +1,37 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-F5A361
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - InstancedMesh2 library"
|
||||
---
|
||||
|
||||
# [[InstancedMesh2 library]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> InstancedMesh2는 Three.js의 공식 InstancedMesh가 가진 한계를 극복하고 대규모 객체 렌더링을 최적화하기 위해 agargaro가 개발한 오픈 소스 확장 라이브러리입니다. 이 라이브러리는 개별 인스턴스 단위의 절두체 컬링(Frustum culling), 정렬(Sorting), 가시성 관리(Visibility management), LOD(Level of Detail), BVH를 활용한 빠른 레이캐스팅 및 스키닝(Skinning) 기능을 제공합니다 [1-3]. 특히 수만 개의 스킨드 메시나 개별 애니메이션을 가진 객체들을 최소한의 드로우 콜로 렌더링할 수 있도록 설계되어 높은 프레임 레이트 유지를 돕습니다 [1, 4, 5].
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
* **효율적인 데이터 구조와 참조 방식 (Indirection):**
|
||||
InstancedMesh2는 렌더링할 인스턴스 인덱스를 관리하기 위해 `InstancedBufferAttribute`를 통한 간접 참조(Indirection) 방식을 사용합니다 [6]. 이를 통해 GPU로 데이터를 전송하기 전 속성 버퍼 전체를 재정렬할 필요 없이, 선택적 렌더링과 효율적인 컬링 및 정렬을 수행할 수 있습니다 [6].
|
||||
* **데이터 텍스처와 객체 핸들링 개선:**
|
||||
인스턴스 변환 행렬과 데이터를 저장하기 위해 부분 업데이트(Partial updates)를 지원하는 `SquareDataTexture`를 활용합니다 [1, 6]. 또한 전체 인스턴스 개수에 맞춰 `Object3D`와 유사한 프록시 객체를 생성하므로, 사용자가 배열에서 직접 행렬을 추출하지 않고도 위치, 회전, 크기 등의 연산을 쉽게 처리할 수 있습니다 [7]. 객체를 숨길 때(가시성 관리)는 캐시 미스(Cache miss)를 방지하기 위해 해당 행렬을 배열의 끝으로 이동시키는 방식을 적용합니다 [7].
|
||||
* **스키닝(Skinning) 및 애니메이션 최적화:**
|
||||
각각의 인스턴스가 서로 다른 애니메이션과 포즈를 가질 수 있습니다 [8]. 카메라 절두체 내에 위치한 인스턴스의 뼈대(Bones)만 업데이트하며, 카메라와의 거리에 따라 각 인스턴스의 애니메이션 FPS(0~60)를 조절할 수 있습니다 [1]. 또한 먼 거리에 있는 인스턴스는 불필요한 뼈대 계산을 생략하고 텍스처 업데이트의 렌더링 부하를 줄일 수 있습니다 [1].
|
||||
* **LOD 및 레이캐스팅 연동:**
|
||||
`meshoptimizer`와 연계하여 지오메트리 LOD를 관리하며, 그림자에 대한 LOD 제어도 가능합니다 [1, 9]. 또한 Three.js 생태계의 `three-mesh-bvh`를 통합하여 수많은 인스턴스에 대해서도 빠르고 정확한 공간 인덱스(Spatial index) 기반 레이캐스팅과 절두체 컬링을 지원합니다 [2, 10].
|
||||
|
||||
## ⚠️ 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:** [[InstancedMesh]], [[Frustum Culling]], [[Level of Detail (LOD)]], Skinned Mesh, BVH (Bounding Volume Hierarchy)
|
||||
- **Projects/Contexts:** Three.js
|
||||
- **Contradictions/Notes:** 라이브러리 내에서 지원하는 `SquareDataTexture`의 뼈대 텍스처 부분 업데이트(Partial texture updates) 기능은 모바일 기기 및 Mozilla Firefox 브라우저 환경에서 속도가 느리게 작동할 수 있어, 특정 하드웨어나 브라우저에서는 이를 비활성화(또는 이중 버퍼링 구현 필요)해야 성능을 유지할 수 있습니다 [1, 11].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-19*
|
||||
|
||||
---
|
||||
@@ -0,0 +1,33 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-D34DEB
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - LOD"
|
||||
---
|
||||
|
||||
# [[LOD]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> LOD(Level of Detail)는 카메라와의 거리에 따라 고해상도(High-poly) 모델을 저해상도(Low-poly) 버전으로 동적으로 교체하여 렌더링 성능을 향상시키는 기법이다 [1, 2]. 대규모 3D 씬에서 먼 거리에 있는 객체의 기하학적 복잡도를 극적으로 낮추거나 단순한 평면(Impostor)으로 대체하여 불필요한 GPU 연산을 방지한다 [2, 3]. 이 시스템을 적절히 활용하면 프레임 속도 안정화에 기여하고 전체 씬의 폴리곤 수 및 GPU 처리량을 획기적으로 줄일 수 있다 [1, 4].
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **LOD의 작동 원리 및 성능 이점:** 렌더링 엔진은 매 프레임마다 카메라와 객체 간의 거리를 측정하여 미리 정의된 적절한 LOD 수준으로 모델을 자동 전환한다 [5]. 일반적으로 가장 가까운 뷰(예: 50,000 폴리곤), 중간 거리, 원거리, 극단적 원거리(500 폴리곤 임포스터) 등 3~5단계의 LOD를 구성하는 방식이 사용된다 [5, 6]. 이 동적 스위칭은 GPU 프래그먼트 처리를 60~75% 절감하고 평균 폴리곤 수를 60~80% 감소시켜 프레임 속도를 크게 높인다 [4, 5].
|
||||
- **Instancing과의 결합 및 스킨드 메쉬 최적화:** 기본적으로 지오메트리 LOD는 각 LOD 단계별로 별도의 인스턴스 스택을 구성하지 않는 한 인스턴싱(Instancing)과 함께 사용하기 까다롭다 [7]. 그러나 `InstancedMesh2`와 같은 확장 라이브러리를 사용하면 개별 인스턴스에 대해서도 LOD 관리가 가능하다 [8, 9]. 애니메이션이 적용된 스킨드 메쉬(Skinned Mesh)의 경우, 기하학적 폴리곤뿐만 아니라 뼈대(Bone) 연산까지 LOD 단계에 맞춰 줄이고 관련 텍스처 크기(예: 32x32에서 8x8 해상도로 축소)를 대폭 삭감함으로써 렌더링 부하를 최소화할 수 있다 [10-12].
|
||||
- **팝핑(Popping) 현상 극복 및 CAD 렌더링 적용:** 단계별로 모델을 교체하는 이산형(Discrete) LOD 시스템은 전환 시 모델이 튀어 보이는 '팝핑' 현상이 발생할 수 있으며, 이는 정밀한 시각화가 필요한 CAD 환경에서는 부적합할 수 있다 [13]. 이를 해결하기 위해 동적으로 폴리곤을 단순화하는 연속적 LOD(Continuous LOD) 기법이나, 디더(Dither) 패턴을 활용해 두 단계의 LOD 모델을 겹쳐서 렌더링하여 부드럽게 전환하는 '디더링된 LOD 블렌드(Dithered LOD Blend)' 기술이 사용되기도 한다 [14].
|
||||
- **사용 시 주의사항 및 병목 해결의 순서:** 런타임에 동적으로 단순화된 지오메트리를 생성하여 LOD로 할당하는 방식은 엔진에 과도한 오버헤드를 유발하여 오히려 렌더링 성능을 악화시킬 수 있다 [15-17]. 따라서 모델 익스포트 단계에서 정적인 여러 LOD 단계를 미리 생성해 두는(Pre-created) 방식이 효과적이다 [18]. 또한, LOD는 애플리케이션이 드로우 콜(Draw call) 병목이 아닌 삼각형 처리 수(Triangle count) 한계에 도달했을 때 마지막 수단으로 고려해야 하는 최적화 기법이다 [17, 19, 20].
|
||||
|
||||
## ⚠️ 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:** [[Frustum Culling]], Billboard impostors, [[InstancedMesh]], Draw Calls, Mipmaps
|
||||
- **Projects/Contexts:** Three.js, React Three Fiber (Drei 라이브러리의 `<Detailed />` 컴포넌트 [1]), [[InstancedMesh2]], CAD Rendering
|
||||
- **Contradictions/Notes:** 소스에 따르면 LOD는 거리에 따라 렌더링 부하를 줄여주는 강력한 툴이지만, 런타임에 지오메트리 버전을 동적으로 연산하여 생성하려는 시도는 오히려 큰 성능 저하를 초래할 수 있으므로 상황(정적 자산 중심)에 맞게 적용해야 한다고 지적한다 [16-18].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-19*
|
||||
|
||||
---
|
||||
Some files were not shown because too many files have changed in this diff Show More
Reference in New Issue
Block a user