diff --git a/00_Raw/Feature-Sliced Design.md b/00_Raw/Feature-Sliced Design.md
new file mode 100644
index 00000000..c28d14b5
--- /dev/null
+++ b/00_Raw/Feature-Sliced Design.md	
@@ -0,0 +1,34 @@
+# [[Feature-Sliced Design]]
+
+## 📌 Brief Summary
+Feature-Sliced Design(FSD)은 프론트엔드 애플리케이션(특히 React)을 위해 특별히 고안된 최신 아키텍처 방법론입니다 [1, 2]. 코드를 기술적인 파일 유형이 아닌 비즈니스 로직, 사용자의 여정, 책임(Scope and responsibility)을 기준으로 구성하여 프로젝트의 유지보수성과 확장성을 높이는 것을 목표로 합니다 [2, 3]. 컴포넌트 기반 개발, 도메인 주도 설계(DDD), 모듈형 시스템 아키텍처의 원칙을 결합하여 명확하고 강제할 수 있는 폴더 및 코드 구조를 제공합니다 [1, 4].
+
+## 📖 Core Content
+*   **핵심 계층 구조 (Layers, Slices, Segments):**
+    FSD는 프로젝트를 레이어(Layer), 슬라이스(Slice), 세그먼트(Segment) 개념으로 분할합니다 [5]. 가장 최상위 개념인 레이어는 다음과 같이 엄격하게 지정된 폴더 구조를 가집니다.
+    *   `app`: 애플리케이션 초기화 및 전역 설정 [3, 6]
+    *   `pages`: 라우트 수준의 화면 조합 [3, 6]
+    *   `widgets`: 기능(Feature)과 엔티티(Entity)를 조합한 재사용 가능한 대형 UI 블록 [3, 6]
+    *   `features`: 사용자의 상호작용 시나리오 및 비즈니스 워크플로우 [3, 6]
+    *   `entities`: 핵심 비즈니스 데이터 모델 [3, 6]
+    *   `shared`: 도메인에 종속되지 않은 재사용 가능한 유틸리티 및 UI 컴포넌트 [3, 6]
+
+*   **단방향 의존성 규칙 (Unidirectional Dependencies):**
+    FSD의 가장 중요한 규칙으로, 코드는 오직 동일한 레이어 또는 자신보다 하위 레이어의 코드만 가져올(import) 수 있습니다 [3, 7]. 상위 레이어가 하위 레이어에 의존하는 것은 허용되지만, 하위 레이어는 절대 상위 레이어에 의존할 수 없습니다 [3]. 이를 통해 숨겨진 순환 참조를 제거하고 아키텍처의 규율을 강제할 수 있습니다 [7, 8].
+
+*   **공개 API 규칙 (Public API Rule):**
+    각 슬라이스는 주로 `index.ts`를 통해 단일 진입점을 가져야 합니다 [9-11]. 외부 모듈은 오직 이 진입점에서 명시적으로 export된 요소에만 접근해야 하며, 내부 파일에 직접 접근할 수 없습니다 [9, 10]. 이는 캡슐화를 강화하고 명확한 인터페이스 계약을 생성하여 리팩토링 시 사이드 이펙트를 최소화합니다 [9, 11].
+
+*   **도입 이점 및 실무 적용:**
+    대규모 프로젝트가 성장함에 따라 기능 간의 의존성이 얽히는(Tangled dependencies) 문제를 해결해 줍니다 [12]. 코드를 독립적으로 수정 및 테스트할 수 있게 해 주며 [13], 공유 상태를 줄이고 렌더링 경계를 좁혀 성능 최적화에도 자연스럽게 기여합니다 [14]. ESLint 규칙 등을 통해 아키텍처 경계를 자동화하여 관리하는 것이 권장됩니다 [15, 16].
+
+*   **한계 및 주의사항:**
+    가장 큰 과제는 특정 기능이 정확히 어떤 "Feature" 경계에 속하는지 파악하는 것입니다 [17]. 인증(Auth)과 같은 교차 관심사는 한 번에 거대한 슬라이스로 만들기보다 '로그인', '가입', '비밀번호 재설정' 등 구체적이고 작은 기능 단위로 나누는 것이 좋습니다 [17-19]. 또한, 팀원 전체가 이 방법론을 완전히 이해하지 않으면 모듈 분류에 대한 의미론적 논쟁(Semantic overhead)이 길어지거나, 모든 코드가 `shared` 레이어로 쏟아지는 문제가 발생할 수 있습니다 [16].
+
+## 🔗 Knowledge Connections
+- **Related Topics:** [[Frontend Folder Structure]], [[Domain-Driven Design]], [[Component-Based Architecture]]
+- **Projects/Contexts:** [[대규모 React 애플리케이션 및 엔터프라이즈 시스템 확장성 관리]]
+- **Contradictions/Notes:** 소스 [1, 2]는 FSD가 대규모 프론트엔드 시스템에서 직관적이고 훌륭한 구조적 대안이라고 강조합니다. 반면, 소스 [16, 17]의 실제 개발자 논의에서는 특정 모듈이 기능(Feature)인지 위젯(Widget)인지 결정하는 과정이 종종 불필요한 의미론적 오버헤드를 유발하며, 팀의 학습 곡선이 높고 크로스 커팅 문제(Cross-cutting concerns)를 깔끔하게 분리하기 어렵다는 현실적인 비판을 제시합니다.
+
+---
+*Last updated: 2026-04-26*
\ No newline at end of file
diff --git a/00_Raw/SOLID Principles in React.md b/00_Raw/SOLID Principles in React.md
new file mode 100644
index 00000000..7dc536ff
--- /dev/null
+++ b/00_Raw/SOLID Principles in React.md	
@@ -0,0 +1,28 @@
+# [[SOLID Principles in React]]
+
+## 📌 Brief Summary
+SOLID 원칙은 단일 책임(SRP), 개방-폐쇄(OCP), 리스코프 치환(LSP), 인터페이스 분리(ISP), 의존성 역전(DIP)의 다섯 가지 설계 원칙을 의미하는 약어입니다 [1, 2]. 본래 객체 지향 프로그래밍(OOP)을 위해 고안되었지만, 함수형 프로그래밍이 주도하는 현대 React 생태계에서도 컴포넌트의 유지보수성, 가독성, 확장성을 높이는 데 필수적으로 적용됩니다 [2, 3]. 이 원칙은 주로 명확한 구조와 확장성이 요구되는 크고 복잡한 애플리케이션을 개발할 때 효과적으로 사용됩니다 [4].
+
+## 📖 Core 대Content
+*   **단일 책임 원칙 (SRP, Single Responsibility Principle)**
+    React 컴포넌트나 훅은 단 하나의 명확한 목적을 가져야 하며, 변경되어야 하는 이유도 단 하나여야 합니다 [5, 6]. 예를 들어, 300줄이 넘어가는 컴포넌트는 상태 관리, 데이터 페칭, 복잡한 JSX 렌더링 등 너무 많은 작업을 수행하고 있을 가능성이 높습니다 [5]. 이를 더 작고 한 가지 역할만 하는 컴포넌트나 커스텀 훅으로 분리하면 코드의 명확성과 테스트 가능성이 크게 향상됩니다 [2, 5].
+
+*   **개방-폐쇄 원칙 (OCP, Open/Closed Principle)**
+    소프트웨어 엔티티는 확장을 위해서는 열려 있어야 하지만 수정을 위해서는 닫혀 있어야 합니다 [2]. React에서는 기존 컴포넌트의 내부 코드를 직접 수정하는 대신, 컴포넌트 합성(composition), `children` prop, 또는 렌더 프롭스(render props)를 사용하여 새로운 기능을 유연하게 확장하는 방식으로 구현됩니다 [2, 6, 7].
+
+*   **리스코프 치환 원칙 (LSP, Liskov Substitution Principle)**
+    하위(자식) 타입의 객체가 상위(부모) 타입의 객체를 코드를 깨뜨리지 않고 완벽하게 대체할 수 있어야 한다는 원칙입니다 [2, 8]. React에서는 하위 컴포넌트가 기본 컴포넌트를 원활하게 대체할 수 있도록 설계해야 함을 의미합니다 [6].
+
+*   **인터페이스 분리 원칙 (ISP, Interface Segregation Principle)**
+    클라이언트는 자신이 사용하지 않는 인터페이스나 데이터에 의존해서는 안 됩니다 [2]. React에서는 컴포넌트가 자신이 사용하지 않는 불필요한 props를 받지 않아야 하며, 책임을 명확히 분리하여 전달해야 합니다 [6]. 예를 들어, 단지 `username` 문자열 하나만 필요한 하위 컴포넌트에 거대한 `user` 객체 전체를 전달하면 불필요한 결합이 발생하므로 특정 데이터만 넘겨주는 것이 바람직합니다 [2, 7].
+
+*   **의존성 역전 원칙 (DIP, Dependency Inversion Principle)**
+    구체적인 구현 클래스가 아닌 추상화나 인터페이스에 의존해야 한다는 원칙입니다 [2, 9]. React 애플리케이션에서는 컴포넌트가 다른 컴포넌트에 직접적으로 강하게 의존하게 만드는 대신, props를 통해 의존성을 주입(inject)하거나 Context API 같은 공통 추상화를 활용하여 의존성을 관리해야 합니다 [2, 6].
+
+## 🔗 Knowledge Connections
+- **Related Topics:** [[Clean Code]], [[DRY Principle]], [[KISS Principle]], [[YAGNI Principle]], [[Component Composition]], [[Custom Hooks]]
+- **Projects/Contexts:** [[Large-scale Application Architecture]], [[Refactoring Legacy React Codebases]]
+- **Contradictions/Notes:** 소스 간에 리스코프 치환 원칙(LSP)의 React 적용 가능성에 대한 작은 관점 차이가 있습니다. 한 소스는 서브 컴포넌트가 베이스 컴포넌트를 원활히 대체하는 방식으로 LSP를 적용할 수 있다고 설명하지만 [6], 다른 소스는 현대 React에서 클래스 상속을 거의 사용하지 않는 함수형 접근 방식을 취하기 때문에 이 원칙이 실제로 적용되는 경우는 드물다고 지적합니다 [2].
+
+---
+*Last updated: 2026-04-26*
\ No newline at end of file
diff --git a/10_Wiki/Topics/AI/PID-Controllers-in-AI.md b/10_Wiki/Topics/AI/PID-Controllers-in-AI.md
new file mode 100644
index 00000000..ca126027
--- /dev/null
+++ b/10_Wiki/Topics/AI/PID-Controllers-in-AI.md
@@ -0,0 +1,28 @@
+---
+id: CTRL-PID-001
+category: "[[10_Wiki/💡 Topics/AI]]"
+confidence_score: 1.0
+tags: [control-theory, pid, ai, robotics, feedback-loop, automation]
+last_reinforced: 2026-04-26
+---
+
+# [[PID Controllers in AI (AI에서의 PID 제어기)]]
+
+## 📌 한 줄 통찰 (The Karpathy Summary)
+> "과거의 오차(I)를 반성하고, 현재의 차이(P)를 직시하며, 미래의 변화(D)를 예측하여 완벽한 균형점을 사수하라" — 비례(Proportional), 적분(Integral), 미분(Derivative) 항의 조합을 통해 시스템의 출력을 목표값에 빠르고 안정적으로 수렴시키는 가장 대표적인 피드백 제어 기술.
+
+## 📖 구조화된 지식 (Synthesized Content)
+- **추출된 패턴:** "Closed-loop Error Correction" — 목표값과 현재값의 차이(오차)를 실시간으로 계산하고, 세 가지 제어 항을 통해 오차를 보정하여 외부 교란에도 불구하고 시스템을 안정 상태로 유지하는 패턴.
+- **3대 제어 항:**
+    - **P (Proportional):** 현재 오차에 비례하여 강하게 반응 (빠른 응답).
+    - **I (Integral):** 쌓인 오차를 제거하여 잔류 편차 해결 (정밀도).
+    - **D (Derivative):** 오차의 변화 속도를 감지하여 오버슈트 억제 (안정성).
+- **의의:** AI 에이전트가 현실 세계의 드론, 로봇 팔, 자율주행 조향 등을 실제로 움직일 때 사용하는 가장 믿음직하고 검증된 물리 인터페이스.
+
+## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
+- **과거 데이터와의 충돌:** 사람이 수작업으로 최적의 계수(Gain)를 찾던 방식에서, 이제는 강화학습(RL)이나 베이지안 최적화가 실시간으로 가장 적합한 PID 계수를 찾아주는 '지능형 PID'로 진화함.
+- **정책 변화:** Skybound 프로젝트의 비행 유닛들이 목표 고도를 유지하거나 흔들림을 보정할 때, 내부적으로 최적화된 PID 제어 루프를 사용하여 부드러운 움직임을 구현함.
+
+## 🔗 지식 연결 (Graph)
+- [[Optimal-Control-Theory]], [[Reinforcement-Learning]], [[Robotics-Foundations]], [[Automation-Strategies]]
+- **Raw Source:** [[10_Wiki/Topics/AI/PID-Controllers-in-AI.md]]
diff --git a/10_Wiki/Topics/AI/Phase-Transitions-in-Learning.md b/10_Wiki/Topics/AI/Phase-Transitions-in-Learning.md
new file mode 100644
index 00000000..b746e0c5
--- /dev/null
+++ b/10_Wiki/Topics/AI/Phase-Transitions-in-Learning.md
@@ -0,0 +1,28 @@
+---
+id: AI-PHASE-001
+category: "[[10_Wiki/💡 Topics/AI]]"
+confidence_score: 1.0
+tags: [ai, deep-learning, phase-transitions, learning-dynamics, emergent-abilities, grokking]
+last_reinforced: 2026-04-26
+---
+
+# [[Phase Transitions in Learning (학습에서의 상전이 현상)]]
+
+## 📌 한 줄 통찰 (The Karpathy Summary)
+> "지루한 정체기 끝에 갑작스러운 깨달음(Grokking)이 찾아오듯, 모델의 지능은 선형적인 성장이 아닌 폭발적인 '상전이'를 통해 도약한다" — 학습 과정에서 손실 함수가 완만하게 줄어들다가 특정 임계점에서 모델의 내부 구조나 일반화 능력이 급격히 변화하는 현상.
+
+## 📖 구조화된 지식 (Synthesized Content)
+- **추출된 패턴:** "Abrupt Structural and Functional Transformation" — 물리적 상전이(얼음이 물이 되는 것)와 유사하게, 신경망이 무작위적인 상태에서 질서 있는 내부 표상(Representation)을 형성하거나, 특정 규모 이상의 데이터/파라미터에서 '창발적 능력(Emergent Abilities)'을 획득하는 패턴.
+- **주요 현상:**
+    - **Grokking:** 학습 데이터를 다 외운(Overfitting) 이후에도 한참 더 학습시켰을 때, 갑자기 일반화 성능이 급상승하는 현상.
+    - **Scaling Laws:** 모델 크기나 연산량이 임계치를 넘을 때 추론 능력이 비약적으로 발전.
+    - **Double Descent:** 모델 복잡도가 증가함에 따라 테스트 오차가 감소하다 증가하고, 다시 감소하는 현상.
+- **의의:** AI 학습을 단순히 오차를 줄이는 과정이 아닌, 지능이 형성되는 동역학적 '진화'의 과정으로 이해하게 하며, 초거대 모델의 잠재력을 예측하는 지표가 됨.
+
+## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
+- **과거 데이터와의 충돌:** 학습이 오래될수록 무조건 성능이 나빠진다는 초기 과적합 이론을 정면으로 반박하며, 현대 딥러닝에서는 '상전이'를 유도하기 위한 충분한 과잉 학습(Over-training)의 가치가 재발견됨.
+- **정책 변화:** Antigravity 프로젝트는 에이전트의 새로운 스킬 학습 시, 단순 수렴 지점을 넘어 상전이 현상이 발생하는 '깊은 학습' 구간까지 모니터링하여 최적의 통찰 수준을 확보함.
+
+## 🔗 지식 연결 (Graph)
+- [[Overfitting-and-Underfitting]], [[Deep-Learning-Foundations]], [[Emergent-Abilities-in-LLM]], [[Optimization-in-AI]]
+- **Raw Source:** [[10_Wiki/Topics/AI/Phase-Transitions-in-Learning.md]]
diff --git a/10_Wiki/Topics/AI/Physics-informed-Neural-Networks.md b/10_Wiki/Topics/AI/Physics-informed-Neural-Networks.md
new file mode 100644
index 00000000..ab01399e
--- /dev/null
+++ b/10_Wiki/Topics/AI/Physics-informed-Neural-Networks.md
@@ -0,0 +1,28 @@
+---
+id: AI-PINNS-001
+category: "[[10_Wiki/💡 Topics/AI]]"
+confidence_score: 1.0
+tags: [ai, deep-learning, pinns, physics-informed-ml, pde, scientific-computing]
+last_reinforced: 2026-04-26
+---
+
+# [[Physics-informed Neural Networks (PINNs, 물리 정보 신경망)]]
+
+## 📌 한 줄 통찰 (The Karpathy Summary)
+> "데이터의 바다에 빠져 허우적거리지 말고, 불변의 물리 법칙이라는 나침반을 신경망의 심장에 직접 새겨라" — 딥러닝의 유연한 학습 능력과 물리 법칙(편미분 방정식 등)의 엄밀함을 결합하여, 물리적으로 타당한 예측을 수행하는 하이브리드 머신러닝 아키텍처.
+
+## 📖 구조화된 지식 (Synthesized Content)
+- **추출된 패턴:** "Physics-constrained Loss Function" — 관측 데이터와 예측값 사이의 오차뿐만 아니라, 예측값이 물리 방정식(예: 나비에-스토크스, 열 방정식)을 얼마나 잘 준수하는지를 나타내는 '물리 손실(Physics Loss)'을 함께 최소화하도록 학습하는 패턴.
+- **주요 장점:**
+    - **Data Efficiency:** 물리 법칙이 강력한 가이드라인 역할을 하므로, 훨씬 적은 양의 데이터로도 학습 가능.
+    - **Extrapolation:** 학습하지 않은 영역에 대해서도 물리적 일관성을 유지하며 예측 가능.
+    - **Scientific Discovery:** 관측값으로부터 역으로 물리 파라미터를 추정하는 문제(Inverse Problem) 해결에 탁월.
+- **의의:** AI를 단순한 데이터 분석 도구에서 '과학적 발견'과 '공학적 설계'의 핵심 파트너로 격상시킨 기술.
+
+## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
+- **과거 데이터와의 충돌:** 물리 법칙은 수치 해석(FEM 등)으로만 풀어야 한다는 고정관념을 깨고, 이제는 신경망이 물리 공간의 연속적인 해(Solution)를 직접 근사하여 실시간 시뮬레이션을 가능케 함.
+- **정책 변화:** Antigravity 프로젝트는 향후 Skybound의 복잡한 물리 엔진 최적화 시, 데이터 노이즈에 강하면서도 물리적 개연성을 보장하는 PINNs 방법론을 적극 검토함.
+
+## 🔗 지식 연결 (Graph)
+- [[Partial-Differential-Equations]], [[Optimal-Control-Theory]], [[Fluid-Dynamics]], [[Scientific-Computing-in-AI]]
+- **Raw Source:** [[10_Wiki/Topics/AI/Physics-informed-Neural-Networks.md]]
diff --git a/10_Wiki/Topics/AI/Pipeline-Parallelism.md b/10_Wiki/Topics/AI/Pipeline-Parallelism.md
new file mode 100644
index 00000000..b7a1f549
--- /dev/null
+++ b/10_Wiki/Topics/AI/Pipeline-Parallelism.md
@@ -0,0 +1,27 @@
+---
+id: SYS-PIPE-PAR-001
+category: "[[10_Wiki/💡 Topics/AI]]"
+confidence_score: 1.0
+tags: [infrastructure, parallel-computing, pipeline-parallelism, distributed-training, llm-training, gpu-optimization]
+last_reinforced: 2026-04-26
+---
+
+# [[Pipeline Parallelism (파이프라인 병렬성)]]
+
+## 📌 한 줄 통찰 (The Karpathy Summary)
+> "거대한 모델을 한 그릇에 담으려 하지 말고, 여러 장치에 층층이 나누어 배치한 뒤 데이터의 컨베이어 벨트를 가동하라" — 모델의 레이어들을 여러 개의 GPU에 분산 배치하고, 데이터를 순차적으로 통과시켜 연산과 통신을 중첩함으로써 학습 효율을 높이는 분산 학습 기술.
+
+## 📖 구조화된 지식 (Synthesized Content)
+- **추출된 패턴:** "Sequential Layer Partitioning and Micro-batching" — 모델을 수직으로 쪼개어 장치별로 할당하고, 앞선 장치의 연산이 끝날 때까지 뒷 장치가 노는 시간(Bubble)을 줄이기 위해 미니 배치를 더 작은 마이크로 배치로 쪼개어 끊임없이 파이프라인을 채우는 패턴.
+- **핵심 알고리즘:**
+    - **GPipe:** 마이크로 배치를 통해 유휴 시간을 줄인 최초의 표준 파이프라인 병렬화.
+    - **PipeDream:** 전방 계산(Forward)과 후방 계산(Backward)을 비동기적으로 중첩시켜 효율 극대화.
+- **의의:** 단일 GPU 메모리 용량을 초과하는 수천억 파라미터 규모의 초거대 언어 모델(LLM) 학습을 가능케 하는 물리적 인프라의 필수 구성 요소.
+
+## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
+- **과거 데이터와의 충돌:** 단순히 층을 나누면 통신 오버헤드 때문에 느려질 것이라는 우려를 '마이크로 배치'와 '비동기 통신' 기술로 극복하며, 이제는 데이터 병렬화(DP) 및 텐서 병렬화(TP)와 결합된 하이브리드 병렬화(3D Parallelism)가 표준이 됨.
+- **정책 변화:** Antigravity 프로젝트는 대규모 지식 모델의 파인튜닝 시, GPU 자원 점유율을 최적화하기 위해 파이프라인 병렬화 기반의 분산 학습 프레임워크(DeepSpeed 등)를 적극 활용함.
+
+## 🔗 지식 연결 (Graph)
+- [[Parallel-Computing-in-AI]], [[NVIDIA-CUDA-and-AI]], [[System-Design-for-AI-Scale]], [[LLM-Training-Foundations]]
+- **Raw Source:** [[10_Wiki/Topics/AI/Pipeline-Parallelism.md]]
diff --git a/10_Wiki/Topics/AI/Pivot-Table-Analysis.md b/10_Wiki/Topics/AI/Pivot-Table-Analysis.md
new file mode 100644
index 00000000..86b6cbd2
--- /dev/null
+++ b/10_Wiki/Topics/AI/Pivot-Table-Analysis.md
@@ -0,0 +1,29 @@
+---
+id: DATA-PIVOT-001
+category: "[[10_Wiki/💡 Topics/AI]]"
+confidence_score: 1.0
+tags: [data-analysis, pivot-table, eda, business-intelligence, pandas, excel, data-summarization]
+last_reinforced: 2026-04-26
+---
+
+# [[Pivot Table Analysis (피벗 테이블 분석)]]
+
+## 📌 한 줄 통찰 (The Karpathy Summary)
+> "데이터의 축을 뒤틀어 시각을 바꾸고, 방대한 파편들 사이에서 핵심적인 통계의 형상을 발굴하라" — 수많은 행과 열로 이루어진 원시 데이터를 특정 기준에 따라 그룹화하고 요약(합계, 평균 등)하여 데이터의 전체적인 구조를 한눈에 파악하게 돕는 분석 기법.
+
+## 📖 구조화된 지식 (Synthesized Content)
+- **추출된 패턴:** "Multi-dimensional Aggregation and Relational Exploration" — 데이터를 '행(Index)', '열(Columns)', '값(Values)'의 3요소로 재배치하여, 특정 변수들 사이의 상관관계나 집계된 트렌드를 인터랙티브하게 탐색하는 패턴.
+- **핵심 구성 요소:**
+    - **Rows (행):** 분석의 기준이 되는 주된 분류 항목.
+    - **Columns (열):** 교차 분석을 위한 보조 분류 항목.
+    - **Values (값):** 실제 계산(Sum, Mean, Count)이 수행되는 수치 데이터.
+    - **Filters (필터):** 특정 조건에 맞는 데이터만 골라내는 장치.
+- **의의:** 엑셀부터 판다스(Pandas)까지 모든 데이터 분석 도구의 기본이자, 가설을 검증하고 이상치를 발견하는 탐색적 데이터 분석(EDA)의 가장 강력한 무기.
+
+## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
+- **과거 데이터와의 충돌:** 단순히 정적인 보고서를 만드는 도구를 넘어, 이제는 대규모 클라우드 데이터베이스와 연동되어 실시간으로 업데이트되는 동적 대시보드 및 BI(Business Intelligence)의 핵심 엔진으로 진화함.
+- **정책 변화:** Antigravity 프로젝트는 에이전트의 작업 통계(일별 성공률, 도구별 사용 빈도 등)를 분석할 때, 내부적으로 피벗 테이블 연산을 수행하여 사용자에게 직관적인 리포트를 자동 생성함.
+
+## 🔗 지식 연결 (Graph)
+- [[Exploratory-Data-Analysis]], [[Pre-processing-Data-for-AI]], [[Performance-Metrics-in-AI]], [[Data-Driven-Decision-Making]]
+- **Raw Source:** [[10_Wiki/Topics/AI/Pivot-Table-Analysis.md]]
diff --git a/10_Wiki/Topics/AI/Platform-Engineering.md b/10_Wiki/Topics/AI/Platform-Engineering.md
new file mode 100644
index 00000000..e8798fb3
--- /dev/null
+++ b/10_Wiki/Topics/AI/Platform-Engineering.md
@@ -0,0 +1,28 @@
+---
+id: SYS-PLAT-ENG-001
+category: "[[10_Wiki/💡 Topics/AI]]"
+confidence_score: 1.0
+tags: [infrastructure, devops, platform-engineering, developer-experience, internal-developer-platform, idp, cloud-native]
+last_reinforced: 2026-04-26
+---
+
+# [[Platform Engineering (플랫폼 엔지니어링)]]
+
+## 📌 한 줄 통찰 (The Karpathy Summary)
+> "인프라의 복잡성을 우아한 추상화로 감추어, 개발자가 오직 코드와 비즈니스 가치 창출에만 몰입할 수 있는 '황금 경로(Golden Path)'를 설계하라" — 개발팀이 애플리케이션을 신속하게 배포하고 운영할 수 있도록 공통 인프라, 도구, 워크플로우를 하나로 묶어 내부 개발자 플랫폼(IDP)을 구축하는 기술적 문화.
+
+## 📖 구조화된 지식 (Synthesized Content)
+- **추출된 패턴:** "Self-service Infrastructure and Cognitive Load Reduction" — 클라우드 자원 할당, CI/CD 파이프라인, 모니터링 등 반복적인 운영 작업을 자동화된 셀프 서비스 인터페이스로 제공함으로써, 개별 개발자가 인프라 상세 지식 없이도 안정적인 서비스를 운영하게 돕는 패턴.
+- **핵심 목표:**
+    - **Developer Experience (DX) 개선:** 도구 탐색 및 설정 시간을 최소화.
+    - **Standardization:** 보안과 컴플라이언스가 보장된 표준 템플릿 사용 유도.
+    - **Scalability:** 조직이 커져도 일관된 품질의 운영 환경 유지.
+- **의의:** 데브옵스(DevOps)가 '방식'이라면, 플랫폼 엔지니어링은 이를 실현하는 '실체(IDP)'이며, 특히 수많은 마이크로서비스와 AI 에이전트가 얽힌 현대 시스템의 복잡도를 제어하는 핵심 엔진.
+
+## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
+- **과거 데이터와의 충돌:** 단순히 티켓을 받아 인프라를 구축해주던 운영팀(Ops)에서 벗어나, 이제는 인프라 자체를 '제품'으로 보고 개발자(고객)를 위한 최적의 UX를 제공하는 제품 관리(Product Management) 관점으로 전환됨.
+- **정책 변화:** Antigravity 프로젝트는 에이전트의 연산 자원과 지식 베이스를 관리하는 내부 인프라를 플랫폼 엔지니어링 원칙에 따라 설계하여, 새로운 스킬이나 모듈 추가 시 인프라 설정 오버헤드 없이 즉각적인 확장이 가능하도록 함.
+
+## 🔗 지식 연결 (Graph)
+- [[Microservices-Architecture]], [[System-Design-for-AI-Scale]], [[High-Availability-Systems]], [[Modern-Website-Architecture]]
+- **Raw Source:** [[10_Wiki/Topics/AI/Platform-Engineering.md]]
diff --git a/10_Wiki/Topics/AI/Point-Cloud-Processing.md b/10_Wiki/Topics/AI/Point-Cloud-Processing.md
new file mode 100644
index 00000000..a97eb186
--- /dev/null
+++ b/10_Wiki/Topics/AI/Point-Cloud-Processing.md
@@ -0,0 +1,28 @@
+---
+id: CV-POINT-001
+category: "[[10_Wiki/💡 Topics/AI]]"
+confidence_score: 1.0
+tags: [computer-vision, point-cloud, 3d-deep-learning, lidar, robotics, autonomous-driving, pointnet]
+last_reinforced: 2026-04-26
+---
+
+# [[Point Cloud Processing (포인트 클라우드 처리)]]
+
+## 📌 한 줄 통찰 (The Karpathy Summary)
+> "무질서하게 흩어진 수백만 개의 점들 사이에서 공간의 질서와 사물의 형상을 발굴하여, 기계에게 완벽한 3D 입체 시각을 선사하라" — 3D 공간상의 좌표점 집합(Point Cloud)으로부터 개체를 식별하고 분류하며 기하학적 구조를 추출하는 컴퓨터 비전 기술.
+
+## 📖 구조화된 지식 (Synthesized Content)
+- **추출된 패턴:** "Permutation Invariance and Local Feature Aggregation" — 입력되는 점들의 순서가 바뀌어도 동일한 사물로 인식(순서 불변성)해야 하며, 주변 점들과의 상대적 위치 관계를 파악하여 사물의 미세한 곡률이나 모서리 특징을 추출하는 딥러닝 패턴.
+- **주요 기법:**
+    - **Point-based (PointNet):** 점 데이터를 직접 처리하여 대칭 함수로 특징 추출.
+    - **Voxel-based:** 3D 공간을 격자(Voxel)로 나누어 3D CNN 적용.
+    - **Graph-based:** 점들을 그래프의 노드로 보고 기하학적 관계 학습.
+- **의의:** 자율주행차의 정밀한 장애물 거리 측정, 산업용 로봇의 정교한 물체 집기, 디지털 트윈(Digital Twin) 구축 등 3차원 물리 환경과 상호작용하는 모든 지능형 시스템의 필수 기반 기술.
+
+## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
+- **과거 데이터와의 충돌:** 점 데이터를 처리하기 위해 2D 이미지로 투영(Projection)하던 방식에서, 이제는 데이터의 원형을 보존하며 3차원 기하 구조를 직접 학습하는 신경망(PointNet++, DGCNN 등)이 실질적인 표준이 됨.
+- **정책 변화:** Skybound 프로젝트의 지형 분석 및 적 유닛의 충돌 판정 시스템 설계 시, 포인트 클라우드 처리 원리를 활용하여 복잡한 3D 지형에서의 최적 경로를 산출함.
+
+## 🔗 지식 연결 (Graph)
+- [[Computer-Vision-Foundations]], [[Object-Detection-Foundations]], [[Robotics-Foundations]], [[Neural-Networks-for-Beginners]]
+- **Raw Source:** [[10_Wiki/Topics/AI/Point-Cloud-Processing.md]]
diff --git a/10_Wiki/Topics/AI/Policy-Gradient-Methods.md b/10_Wiki/Topics/AI/Policy-Gradient-Methods.md
index e9a4b90f..99960781 100644
--- a/10_Wiki/Topics/AI/Policy-Gradient-Methods.md
+++ b/10_Wiki/Topics/AI/Policy-Gradient-Methods.md
@@ -1,28 +1,28 @@
 ---
-id: PG-METHOD-001
+id: RL-PG-001
 category: "[[10_Wiki/💡 Topics/AI]]"
 confidence_score: 1.0
-tags: [reinforcement-learning, ai, policy-gradient, optimization]
+tags: [ai, reinforcement-learning, policy-gradient, reinforce, ppo, trpo, continuous-control]
 last_reinforced: 2026-04-26
 ---
 
-# [[Policy Gradient Methods (정책 경사법)]]
+# [[Policy Gradient Methods (정책 경사 기법)]]
 
 ## 📌 한 줄 통찰 (The Karpathy Summary)
-> "행동의 가치를 계산하지 말고, 좋은 행동의 확률을 직접 높여라" — 가치 함수(Value Function)를 거치지 않고 신경망이 직접 정책($\pi$)을 출력하게 하여, 기대 보상을 최대화하는 방향으로 정책의 파라미터를 업데이트하는 강화학습 기법.
+> "행동의 가치를 묻지 말고, 승리로 이끄는 '선택의 확률' 자체를 직접적으로 강화하라" — 에이전트의 정책(Policy)을 매개변수화된 함수로 정의하고, 기대 보상을 최대화하는 방향으로 정책의 경사(Gradient)를 따라 가중치를 업데이트하는 강화학습 알고리즘 군.
 
 ## 📖 구조화된 지식 (Synthesized Content)
-- **추출된 패턴:** 에이전트가 수행한 행동 시퀀스가 높은 보상을 받으면 해당 행동들이 나타날 확률을 높이고, 낮은 보상을 받으면 낮추는 방식으로 최적의 전략을 직접 탐색하는 패턴.
-- **세부 내용:**
-    - **Stochastic Policy:** 행동을 확률적으로 결정하므로 탐색(Exploration)이 자연스럽게 이루어짐.
-    - **High-dimensional Action Spaces:** 가치 기반 방식(DQN 등)과 달리 연속적이거나 매우 큰 액션 공간에서도 효과적임.
-    - **REINFORCE Algorithm:** 가장 기본적인 정책 경사 알고리즘. 에피소드 전체의 보상을 사용하여 업데이트.
-    - **Variance Problem:** 보상의 변동성이 커 학습이 불안정할 수 있으며, 이를 해결하기 위해 베이스라인(Baseline)이나 액터-크리틱(Actor-Critic) 구조 사용.
+- **추출된 패턴:** "Direct Policy Optimization and Log-probability Scaling" — 좋은 보상을 가져온 행동의 발생 확률($\log \pi$)은 높이고, 나쁜 결과의 확률은 낮추는 수치적 업데이트를 통해, 모델이 점진적으로 최적의 행동 시퀀스를 학습하게 하는 패턴.
+- **주요 알고리즘:**
+    - **REINFORCE:** 에피소드가 끝난 뒤 전체 보상을 바탕으로 업데이트하는 기초적 기법.
+    - **PPO (Proximal Policy Optimization):** 정책 변화량을 제한하여 학습의 안정성을 극대화한 현대 표준 기법.
+    - **Actor-Critic:** 정책을 결정하는 Actor와 그 가치를 평가하는 Critic을 결합하여 분산을 줄임.
+- **의의:** 행동 공간이 무한히 넓은 연속적 제어(Robotics) 문제에서 탁월한 성능을 발휘하며, 인간의 선호도를 반영하는 RLHF(Reinforcement Learning from Human Feedback)의 핵심 엔진으로 활용됨.
 
 ## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
-- **과거 데이터와의 충돌:** 가치 함수 학습에만 집중하던 초기 강화학습에서, 더 복잡하고 유연한 행동 제어가 가능한 정책 기반 학습으로 중심축이 이동.
-- **정책 변화:** Skybound의 보스 AI 학습 시, 복잡한 패턴을 자연스럽게 생성하기 위해 PPO(Proximal Policy Optimization)와 같은 고도화된 정책 경사법을 적용함.
+- **과거 데이터와의 충돌:** 가치 기반(Q-Learning 등) 기법보다 데이터 효율성이 떨어진다는 비판이 있었으나, PPO와 같은 안정적인 업데이트 기법과 대규모 병렬 샘플링이 결합되면서 현대 초거대 AI 모델 튜닝의 필수 기술로 자리매김함.
+- **정책 변화:** Antigravity 프로젝트는 에이전트의 복합 작업 계획 수립 시, 각 단계별 도구 선택 확률을 최적화하기 위해 PPO 기반의 정책 경사 학습 모델을 사용함.
 
 ## 🔗 지식 연결 (Graph)
-- [[Reinforcement-Learning]], [[Actor-Critic-Methods]], [[Q-Learning]], [[PPO]]
+- [[Reinforcement-Learning]], [[Proximal-Policy-Optimization-PPO]], [[Actor-Critic-Models]], [[Off-policy-vs-On-policy-Learning]]
 - **Raw Source:** [[10_Wiki/Topics/AI/Policy-Gradient-Methods.md]]
diff --git a/10_Wiki/Topics/AI/Pose-Estimation.md b/10_Wiki/Topics/AI/Pose-Estimation.md
new file mode 100644
index 00000000..ca5c65d9
--- /dev/null
+++ b/10_Wiki/Topics/AI/Pose-Estimation.md
@@ -0,0 +1,29 @@
+---
+id: CV-POSE-001
+category: "[[10_Wiki/💡 Topics/AI]]"
+confidence_score: 1.0
+tags: [computer-vision, pose-estimation, keypoint-detection, human-computer-interaction, mediapipe, motion-capture]
+last_reinforced: 2026-04-26
+---
+
+# [[Pose Estimation (자세 추정)]]
+
+## 📌 한 줄 통찰 (The Karpathy Summary)
+> "인체의 겉모습 너머에 숨겨진 '해골 구조(Skeletal Structure)'를 발굴하여, 인간의 움직임을 기계가 이해할 수 있는 좌표의 시퀀스로 번역하라" — 이미지나 비디오에서 인체의 주요 관절(Keypoints) 위치를 탐지하고 이들의 연결 관계를 통해 전체적인 자세나 동작을 파악하는 기술.
+
+## 📖 구조화된 지식 (Synthesized Content)
+- **추출된 패턴:** "Part-based Representation and Geometric Constraints" — 신체를 머리, 어깨, 무릎 등 여러 부위로 나누어 각 부위의 존재 확률 맵(Heatmap)을 생성하고, 인체 구조상 가능한 연결 범위를 고려하여 전체적인 포즈를 완성하는 패턴.
+- **주요 접근 방식:**
+    - **2D Pose Estimation:** 평면 이미지상의 x, y 좌표 추출 (OpenPose, MediaPipe 등).
+    - **3D Pose Estimation:** 깊이 정보를 포함한 입체 좌표 추출.
+    - **Bottom-up:** 이미지 내 모든 관절점을 먼저 찾고 각 사람에게 할당 (다수 인원에 유리).
+    - **Top-down:** 사람을 먼저 탐지(Object Detection)하고 그 안에서 관절 추출 (정밀도에 유리).
+- **의의:** 홈 트레이닝 앱의 동작 교정, 수어 번역, 영화/게임의 모션 캡처, 보행자 행동 예측 등 인간 중심의 인터랙션이 필요한 모든 지능형 서비스의 핵심 기술.
+
+## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
+- **과거 데이터와의 충돌:** 고가의 마커를 몸에 붙여야 했던 전용 장비 기반의 모션 캡처 시장에서, 이제는 스마트폰 카메라 한 대와 가벼운 신경망 모델만으로도 실시간 자세 추정이 가능한 '마커리스(Markerless)' 시대로 완전히 진입함.
+- **정책 변화:** Antigravity 프로젝트는 에이전트의 제스처 인식 기능을 개발할 때, 사용자 개인정보 보호를 위해 이미지를 직접 저장하지 않고 랜드마크 좌표(Keypoints)만을 추출하여 처리하는 보안 중심의 자세 추정 파이프라인을 구축함.
+
+## 🔗 지식 연결 (Graph)
+- [[Object-Detection-Foundations]], [[Computer-Vision-Foundations]], [[Personal-Information-Security]], [[Hugging-Face-Integration]]
+- **Raw Source:** [[10_Wiki/Topics/AI/Pose-Estimation.md]]
diff --git a/10_Wiki/Topics/AI/Positive-Reinforcement.md b/10_Wiki/Topics/AI/Positive-Reinforcement.md
new file mode 100644
index 00000000..ba2222c3
--- /dev/null
+++ b/10_Wiki/Topics/AI/Positive-Reinforcement.md
@@ -0,0 +1,28 @@
+---
+id: PSYCH-POS-REINF-001
+category: "[[10_Wiki/💡 Topics/AI]]"
+confidence_score: 1.0
+tags: [psychology, ai, reinforcement-learning, positive-reinforcement, behaviorism, reward-design]
+last_reinforced: 2026-04-26
+---
+
+# [[Positive Reinforcement (정적 강화)]]
+
+## 📌 한 줄 통찰 (The Karpathy Summary)
+> "바람직한 행동의 끝에 '달콤한 보상'을 배치하여, 에이전트가 스스로 최적의 길을 열망하게 하라" — 특정 행동 뒤에 긍정적인 자극(보상)을 제공함으로써 해당 행동이 미래에 다시 발생할 확률을 높이는 심리학적 원리이자 강화학습의 핵심 메커니즘.
+
+## 📖 구조화된 지식 (Synthesized Content)
+- **추출된 패턴:** "Target Behavior and Reward Feedback Loop" — 에이전트가 목표에 부합하는 상태에 도달하거나 액션을 수행했을 때 즉각적인 수치적 보상을 부여하고, 모델이 이 보상의 총합(Return)을 최대화하는 방향으로 자신의 정책을 스스로 수정하게 만드는 패턴.
+- **핵심 요소:**
+    - **Reinforcer (강화물):** 보상 그 자체 (예: 점수, 칭찬, 토큰).
+    - **Timing:** 행동 직후의 즉각적인 보상이 학습 효율을 극대화함.
+    - **Reward Shaping:** 복잡한 목표를 달성하기 위해 작은 단계별 성공에도 보상을 쪼개어 배치하는 기술.
+- **의의:** AI에게 '무엇을 하지 마라'는 금지 명령보다 '이것을 하면 좋다'는 긍정적 유인을 제공할 때 훨씬 더 창의적이고 효율적인 문제 해결 전략이 창발됨.
+
+## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
+- **과거 데이터와의 충돌:** 보상이 너무 편향되면 에이전트가 보상만 따먹고 실전 성과는 내지 않는 '보상 해킹(Reward Hacking)'에 빠질 수 있음을 인지하고, 현대 AI에서는 내적 동기(Intrinsic Motivation)나 호기심(Curiosity) 기반의 정적 강화 모델이 연구되고 있음.
+- **정책 변화:** Antigravity 프로젝트는 에이전트가 사용자에게 유용한 정보를 제공하거나 정확한 코드를 생성했을 때 긍정적인 피드백 점수를 부여하여, 에이전트의 응답 품질을 상향 평준화하는 정적 강화 루프를 운용함.
+
+## 🔗 지식 연결 (Graph)
+- [[Reinforcement-Learning]], [[Policy-Gradient-Methods]], [[Monte-Carlo-Tree-Search-MCTS]], [[Expected-Utility-Theory]]
+- **Raw Source:** [[10_Wiki/Topics/AI/Positive-Reinforcement.md]]
diff --git a/10_Wiki/Topics/AI/Posterior-and-Prior-Probability.md b/10_Wiki/Topics/AI/Posterior-and-Prior-Probability.md
new file mode 100644
index 00000000..e65aa13c
--- /dev/null
+++ b/10_Wiki/Topics/AI/Posterior-and-Prior-Probability.md
@@ -0,0 +1,28 @@
+---
+id: MATH-BAYES-001
+category: "[[10_Wiki/💡 Topics/AI]]"
+confidence_score: 1.0
+tags: [math, probability, bayesian, prior, posterior, likelihood, bayes-theorem]
+last_reinforced: 2026-04-26
+---
+
+# [[Posterior and Prior Probability (사후 및 사전 확률)]]
+
+## 📌 한 줄 통찰 (The Karpathy Summary)
+> "어제의 믿음(Prior)에 오늘의 증거(Likelihood)를 더해, 내일의 더 정확한 확신(Posterior)을 설계하라" — 새로운 증거를 목격하기 전의 신념과, 목격한 후 업데이트된 신념 사이의 관계를 규명하는 베이즈 추론의 핵심 개념.
+
+## 📖 구조화된 지식 (Synthesized Content)
+- **추출된 패턴:** "Belief Update and Recursive Learning" — 세상을 바라보는 기존의 틀(Prior)이 새로운 데이터(Data)와 만났을 때, 데이터가 가르키는 방향(Likelihood)으로 틀을 수정하여 최종적인 결론(Posterior)에 도달하는 확률적 학습 패턴.
+- **주요 구성 요소:**
+    - **Prior (사전 확률):** 사건 발생 전 우리가 가진 배경지식 혹은 믿음.
+    - **Likelihood (우도):** 가설이 참일 때 현재 데이터가 관찰될 확률.
+    - **Posterior (사후 확률):** 데이터를 보고 난 후 업데이트된 사건 발생 확률.
+- **의의:** AI가 단순히 현재 데이터에만 매몰되지 않고, 과거의 경험(지식)을 바탕으로 불확실한 상황에서도 합리적인 추론을 내리게 하는 수학적 엔진.
+
+## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
+- **과거 데이터와의 충돌:** 고정된 확률값만을 다루던 빈도주의(Frequentist) 관점과 달리, 베이즈 관점은 새로운 정보가 들어올 때마다 끊임없이 확률을 업데이트하는 '동적 지능'의 토대가 됨.
+- **정책 변화:** Antigravity 프로젝트는 에이전트의 작업 성공률 예측 시, 과거의 평균 성공률(Prior)을 기반으로 현재 작업의 난이도와 피드백(Likelihood)을 결합하여 실시간 신뢰 점수(Posterior)를 산출함.
+
+## 🔗 지식 연결 (Graph)
+- [[Probability-Theory-Foundations]], [[Naive-Bayes-Classifiers]], [[Maximum-Likelihood-Estimation-MLE]], [[Bayesian-Inference]]
+- **Raw Source:** [[10_Wiki/Topics/AI/Posterior-and-Prior-Probability.md]]
diff --git a/10_Wiki/Topics/AI/Pre-processing-Data-for-AI.md b/10_Wiki/Topics/AI/Pre-processing-Data-for-AI.md
new file mode 100644
index 00000000..0ee499fc
--- /dev/null
+++ b/10_Wiki/Topics/AI/Pre-processing-Data-for-AI.md
@@ -0,0 +1,29 @@
+---
+id: DATA-PRE-001
+category: "[[10_Wiki/💡 Topics/AI]]"
+confidence_score: 1.0
+tags: [data-science, ai, machine-learning, preprocessing, data-cleaning, feature-engineering, normalization]
+last_reinforced: 2026-04-26
+---
+
+# [[Pre-processing Data for AI (AI를 위한 데이터 전처리)]]
+
+## 📌 한 줄 통찰 (The Karpathy Summary)
+> "데이터의 날것 그대로를 신뢰하지 말고, 지능이 소화하기 가장 편안한 형태로 정제하고 규격화하여 모델의 잠재력을 해방하라" — 분석이나 학습에 적합하지 않은 원시 데이터를 데이터 품질을 높이고 학습 효율을 최적화하기 위해 가공하는 모든 인공지능 워크플로우의 최우선 과정.
+
+## 📖 구조화된 지식 (Synthesized Content)
+- **추출된 패턴:** "Data Cleansing and Structural Alignment" — 불완전한 기록(Missing value)을 메우고, 극단적인 값(Outlier)을 처리하며, 서로 다른 단위의 숫자들을 동일한 범위로 맞추어(Scaling) 모델이 특정 변수에만 휘둘리지 않게 만드는 패턴.
+- **주요 작업 단계:**
+    - **Cleaning:** 오타 수정, 결측치 처리(Imputation), 중복 데이터 제거.
+    - **Transformation:** 정규화(Normalization), 표준화(Standardization), 로그 변환.
+    - **Reduction:** 차원 축소(PCA), 특징 선택(Feature Selection).
+    - **Discretization:** 연속형 변수를 범주형으로 변환.
+- **의의:** 전체 데이터 사이언스 업무의 80% 이상을 차지하는 핵심 노동이자, 모델의 성능 하한선을 결정짓는 가장 실질적인 품질 관리 과정.
+
+## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
+- **과거 데이터와의 충돌:** 사람이 일일이 규칙을 만들어 전처리하던 방식에서, 이제는 전처리 과정 자체를 학습하여 최적화하는 Auto-Preprocessing 기술과 데이터 유효성을 자동으로 검사하는 Data Observability 도구들이 필수적으로 도입되고 있음.
+- **정책 변화:** Antigravity 프로젝트는 외부 원시 위키 데이터를 시스템으로 가져올 때, 텍스트 내의 불필요한 마크업이나 특수 기호를 제거하고 Karpathy 스타일로 재구성하기 위한 전용 NLP 전처리 엔진을 가동함.
+
+## 🔗 지식 연결 (Graph)
+- [[Normalization-Strategies]], [[Outlier-Detection-Techniques]], [[One-Hot-Encoding]], [[Exploratory-Data-Analysis]]
+- **Raw Source:** [[10_Wiki/Topics/AI/Pre-processing-Data-for-AI.md]]
diff --git a/10_Wiki/Topics/AI/Precision-Recall-Tradeoff.md b/10_Wiki/Topics/AI/Precision-Recall-Tradeoff.md
new file mode 100644
index 00000000..ab7765d1
--- /dev/null
+++ b/10_Wiki/Topics/AI/Precision-Recall-Tradeoff.md
@@ -0,0 +1,28 @@
+---
+id: AI-MET-TRAD-001
+category: "[[10_Wiki/💡 Topics/AI]]"
+confidence_score: 1.0
+tags: [ai, machine-learning, metrics, precision, recall, tradeoff, f1-score, threshold]
+last_reinforced: 2026-04-26
+---
+
+# [[Precision-Recall Tradeoff (정밀도-재현율 트레이드오프)]]
+
+## 📌 한 줄 통찰 (The Karpathy Summary)
+> "오답을 내지 않는 '신중함'과 정답을 놓치지 않는 '집요함' 사이에서, 비즈니스의 가치를 극대화하는 중도의 임계점을 사수하라" — 정밀도와 재현율 중 하나를 높이면 다른 하나는 낮아지는 상충 관계를 이해하고, 문제의 성격에 따라 최적의 균형점을 선택하는 전략적 의사결정 원리.
+
+## 📖 구조화된 지식 (Synthesized Content)
+- **추출된 패턴:** "Decision Threshold and Performance Balancing" — 모델의 분류 임계값(Threshold)을 높이면 확실한 것만 정답이라 하므로 정밀도가 올라가지만(신중), 임계값을 낮추면 더 많은 가능성을 정답으로 포함시켜 재현율이 올라가는(집요) 상보적 패턴.
+- **주요 고려 사항:**
+    - **High Precision Priority:** 스팸 메일 분류처럼 오탐(FP)의 피해가 클 때 선택.
+    - **High Recall Priority:** 암 진단이나 사기 탐지처럼 미탐(FN)의 위험이 치명적일 때 선택.
+    - **F1-Score:** 두 지표의 조화 평균으로, 어느 한쪽에 치우치지 않는 균형 잡린 성능 평가.
+- **의의:** 100% 완벽한 모델은 존재하지 않음을 인정하고, 한정된 자원 내에서 '틀렸을 때의 비용'을 최소화하는 공학적 최적화를 가능케 함.
+
+## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
+- **과거 데이터와의 충돌:** 단순히 두 지표가 높을수록 좋다는 단편적 시각에서 벗어나, 이제는 PR 곡선(Precision-Recall Curve)의 면적(AUC)을 분석하여 모델의 전체적인 변별력을 다각도로 검증함.
+- **정책 변화:** Antigravity 프로젝트는 에이전트의 지식 추출 작업 시, 잘못된 지식을 포함하지 않기 위해 정밀도(Precision)를 우선시하는 임계값 설정을 기본으로 하되, 탐색 모드에서는 재현율을 높여 더 많은 연결 고리를 찾도록 가변적으로 운용함.
+
+## 🔗 지식 연결 (Graph)
+- [[Performance-Metrics-in-AI]], [[Imbalanced-Data-Handling]], [[Loss-Functions-Foundations]], [[Exploratory-Data-Analysis]]
+- **Raw Source:** [[10_Wiki/Topics/AI/Precision-Recall-Tradeoff.md]]
diff --git a/10_Wiki/Topics/AI/Predictive-Analytics.md b/10_Wiki/Topics/AI/Predictive-Analytics.md
new file mode 100644
index 00000000..e7854358
--- /dev/null
+++ b/10_Wiki/Topics/AI/Predictive-Analytics.md
@@ -0,0 +1,29 @@
+---
+id: BIZ-PRED-ANA-001
+category: "[[10_Wiki/💡 Topics/AI]]"
+confidence_score: 1.0
+tags: [data-analysis, predictive-analytics, forecasting, machine-learning, statistics, business-intelligence]
+last_reinforced: 2026-04-26
+---
+
+# [[Predictive Analytics (예측 분석)]]
+
+## 📌 한 줄 통찰 (The Karpathy Summary)
+> "과거의 패턴을 집요하게 분석하여 미래의 불확실성을 확률적 확신으로 치환하고, 보이지 않는 기회와 위기를 선제적으로 포착하라" — 역사적 데이터와 통계 알고리즘, 머신러닝 기법을 활용하여 미래의 사건이나 결과를 예측하고 의사결정을 지원하는 분석 방법론.
+
+## 📖 구조화된 지식 (Synthesized Content)
+- **추출된 패턴:** "Temporal Patterns and Probabilistic Extrapolation" — 시계열 데이터나 다각도의 변수들 사이에서 반복되는 인과/상관 관계를 학습하여, 새로운 상황이 주어졌을 때 가장 발생 가능성이 높은 시나리오를 수치화하여 제시하는 패턴.
+- **주요 활용 사례:**
+    - **Churn Prediction:** 고객의 이탈 징후를 미리 포착하여 방어 전략 수립.
+    - **Demand Forecasting:** 재고 최적화 및 공급망 관리 효율화.
+    - **Risk Scoring:** 신용 등급 산정 및 금융 사기 방지.
+    - **Predictive Maintenance:** 기계 고장 전 이상 신호를 탐지하여 유지보수 수행.
+- **의의:** 수동적인 사후 분석(Descriptive)에서 능동적인 사전 대응(Predictive)으로 비즈니스 패러다임을 전환시키며, 최적화된 행동 방향까지 제시하는 처방적 분석(Prescriptive)의 기반이 됨.
+
+## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
+- **과거 데이터와의 충돌:** 선형 회귀와 같은 단순 통계 모델에 의존하던 방식에서, 이제는 딥러닝과 실시간 스트리밍 분석을 결합하여 초단위의 변화까지 반영하는 고정밀 예측으로 고도화됨.
+- **정책 변화:** Antigravity 프로젝트는 1,174개 문서의 가드닝 완료 시점과 리소스 소모량을 실시간으로 예측 분석하여, 전체 프로젝트 로드맵의 오차를 최소화하는 스마트 스케줄링을 수행함.
+
+## 🔗 지식 연결 (Graph)
+- [[Operations-Management]], [[Time-Series-Analysis]], [[Logistic-Regression]], [[Outlier-Detection-Techniques]]
+- **Raw Source:** [[10_Wiki/Topics/AI/Predictive-Analytics.md]]
diff --git a/10_Wiki/Topics/AI/Principal-Component-Analysis.md b/10_Wiki/Topics/AI/Principal-Component-Analysis.md
new file mode 100644
index 00000000..fecd4799
--- /dev/null
+++ b/10_Wiki/Topics/AI/Principal-Component-Analysis.md
@@ -0,0 +1,28 @@
+---
+id: MATH-PCA-DET-001
+category: "[[10_Wiki/💡 Topics/AI]]"
+confidence_score: 1.0
+tags: [math, linear-algebra, pca, principal-component-analysis, statistics, dimensionality-reduction]
+last_reinforced: 2026-04-26
+---
+
+# [[Principal Component Analysis (주성분 분석)]]
+
+## 📌 한 줄 통찰 (The Karpathy Summary)
+> "데이터의 혼돈 속에서 가장 강한 에너지가 분출되는 '주성분'의 방향을 찾고, 그 축을 중심으로 세상을 다시 정렬하라" — 고차원 데이터의 정보를 선형 결합을 통해 서로 상관관계가 없는 주성분들로 변환하여 데이터를 요약하고 구조화하는 통계적 기법.
+
+## 📖 구조화된 지식 (Synthesized Content)
+- **추출된 패턴:** "Orthogonal Transformation and Information Compaction" — 데이터의 공분산 행렬을 고유분해(Eigen-decomposition)하여, 분산이 큰 순서대로 수직인 기저 벡터들을 찾아내고 데이터를 그 축 위로 정사영(Projection)시키는 수학적 패턴.
+- **수학적 3대 정수:**
+    - **Eigenvectors (고유벡터):** 데이터가 가장 많이 흩어져 있는 '방향'. 즉, 새로운 축.
+    - **Eigenvalues (고유값):** 그 축이 얼마나 많은 정보를 담고 있는지를 나타내는 '크기'.
+    - **Variance Preservation:** 상위 몇 개의 주성분만으로 원본 데이터 정보의 80~90%를 보존 가능.
+- **의의:** 데이터 내의 노이즈를 제거하고 핵심적인 변수 조합을 찾아냄으로써, 기계 학습 모델의 학습 속도를 높이고 다차원 데이터의 시각적 해석을 가능케 함.
+
+## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
+- **과거 데이터와의 충돌:** 변수가 많을수록 좋다는 양적 팽창의 시대에서, 이제는 데이터의 중복성(Redundancy)을 제거하고 '가장 설명력이 높은' 핵심 변수만을 남기는 질적 압축의 시대로 전환되는 핵심 도구로 작용함.
+- **정책 변화:** Antigravity 프로젝트는 에이전트의 다양한 성능 지표들 사이의 불필요한 상관관계를 제거하고 핵심 성과 동인을 파악하기 위해, 주기적으로 리포트 데이터에 PCA 분석을 적용하여 인사이트를 도출함.
+
+## 🔗 지식 연결 (Graph)
+- [[PCA-and-Dimension-Reduction]], [[Multivariate-Analysis]], [[Linear-Algebra-Foundations]], [[Feature-Engineering-Best-Practices]]
+- **Raw Source:** [[10_Wiki/Topics/AI/Principal-Component-Analysis.md]]
diff --git a/10_Wiki/Topics/AI/Prioritized-Experience-Replay.md b/10_Wiki/Topics/AI/Prioritized-Experience-Replay.md
new file mode 100644
index 00000000..5f2c6271
--- /dev/null
+++ b/10_Wiki/Topics/AI/Prioritized-Experience-Replay.md
@@ -0,0 +1,28 @@
+---
+id: RL-PER-001
+category: "[[10_Wiki/💡 Topics/AI]]"
+confidence_score: 1.0
+tags: [ai, reinforcement-learning, prioritized-experience-replay, per, dqn, learning-efficiency]
+last_reinforced: 2026-04-26
+---
+
+# [[Prioritized Experience Replay (우선순위 경험 재생)]]
+
+## 📌 한 줄 통찰 (The Karpathy Summary)
+> "모든 과거를 공평하게 기억하지 말고, 예상 밖의 '충격적 경험(TD Error)'을 더 자주 복기하여 학습의 가속도를 높여라" — 강화학습 에이전트의 경험 저장소(Replay Buffer)에서 학습 효율이 높은 중요한 샘플에 가중치를 두어 우선적으로 샘플링하는 기법.
+
+## 📖 구조화된 지식 (Synthesized Content)
+- **추출된 패턴:** "Learning from Surprise and Weighted Importance Sampling" — 현재 모델이 예측한 가치와 실제 결과 사이의 차이(TD Error)가 큰 샘플일수록 '아직 배울 것이 많다'고 판단하여, 해당 데이터를 더 자주 학습에 활용함으로써 수렴 속도를 비약적으로 향상시키는 패턴.
+- **핵심 메커니즘:**
+    - **Priority ($p_i$):** TD Error에 비례하여 산정.
+    - **Sampling Probability:** 우선순위에 따른 확률 분포 생성.
+    - **Importance Sampling Weights:** 우선순위 샘플링으로 인한 데이터 편향을 수학적으로 보정하여 학습 안정성 유지.
+- **의의:** 무작위 샘플링(Uniform Sampling)보다 훨씬 적은 경험 데이터로도 복잡한 작업을 빠르게 마스터하게 하며, 드문 보상(Sparse Reward) 환경에서 결정적인 역할을 수행함.
+
+## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
+- **과거 데이터와의 충돌:** 초기 DQN의 무작위 재생 방식에서 벗어나, 이제는 데이터의 '질적 가치'를 평가하여 학습에 반영하는 지능적 데이터 선별 방식이 현대 강화학습의 정석으로 자리 잡음.
+- **정책 변화:** Antigravity 프로젝트는 에이전트의 예외 상황 처리 능력을 키울 때, 과거의 실패 사례 중 모델의 예측 오차가 가장 컸던 지점들을 우선적으로 재학습시키는 PER 전략을 적용함.
+
+## 🔗 지식 연결 (Graph)
+- [[Experience-Replay-Strategies]], [[Off-policy-vs-On-policy-Learning]], [[Deep-Q-Networks-DQN]], [[Reinforcement-Learning]]
+- **Raw Source:** [[10_Wiki/Topics/AI/Prioritized-Experience-Replay.md]]
diff --git a/10_Wiki/Topics/AI/Privacy-Preserving-AI.md b/10_Wiki/Topics/AI/Privacy-Preserving-AI.md
new file mode 100644
index 00000000..3c606a3d
--- /dev/null
+++ b/10_Wiki/Topics/AI/Privacy-Preserving-AI.md
@@ -0,0 +1,29 @@
+---
+id: SEC-PRIV-TECH-001
+category: "[[10_Wiki/💡 Topics/AI]]"
+confidence_score: 1.0
+tags: [ai, security, privacy-preserving-ai, differential-privacy, homomorphic-encryption, federated-learning, smpc]
+last_reinforced: 2026-04-26
+---
+
+# [[Privacy-Preserving AI (프라이버시 보존 AI)]]
+
+## 📌 한 줄 통찰 (The Karpathy Summary)
+> "데이터를 '보지 않고도' 배우고, 정보를 '공유하지 않고도' 지혜를 나누는 암호학적 지능을 구축하라" — 데이터의 기밀성을 유지하면서도 인공지능 모델의 학습과 추론이 가능하도록 설계된 암호학 및 통계학적 기술 체계.
+
+## 📖 구조화된 지식 (Synthesized Content)
+- **추출된 패턴:** "Confidential Computation and Decoupled Learning" — 원본 데이터에 접근하는 대신 암호화된 상태에서 연산하거나(Homomorphic), 데이터의 로컬 경계를 넘지 않은 채 모델의 가중치만 교환함으로써(Federated) 정보 노출의 원천을 차단하는 패턴.
+- **4대 핵심 기술:**
+    - **Differential Privacy (차분 프라이버시):** 데이터에 수학적 노이즈를 추가하여 개별 샘플 추론 방지.
+    - **Homomorphic Encryption (동형 암호):** 암호화된 데이터 위에서 직접 연산을 수행.
+    - **Federated Learning (연합 학습):** 분산된 장치에서 학습 후 결과만 취합.
+    - **SMPC (Secure Multi-party Computation):** 여러 참여자가 데이터를 비밀리에 나누어 공동 연산.
+- **의의:** 의료, 금융 등 민감한 데이터를 다루는 산업에서 AI 도입의 가장 큰 장벽인 보안 문제를 해결하고, 데이터의 가치만 활용하는 '신뢰할 수 있는 AI' 구현의 핵심 기술.
+
+## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
+- **과거 데이터와의 충돌:** 보안을 강화하면 연산 속도가 수백 배 느려진다는 초기 한계를 넘어, 최근에는 전용 가속기(TEE)와 최적화된 암호 프로토콜을 통해 실용적인 수준의 성능을 확보하는 단계에 도달함.
+- **정책 변화:** Antigravity 프로젝트는 에이전트 간의 지식 공유 시, 사용자별 민감 데이터가 섞이지 않도록 차분 프라이버시 원칙이 적용된 지식 인덱싱 아키텍처를 지향함.
+
+## 🔗 지식 연결 (Graph)
+- [[Personal-Information-Security]], [[Trustworthy-AI]], [[Local-Brain-Management]], [[Cloud-Computing-Foundations]]
+- **Raw Source:** [[10_Wiki/Topics/AI/Privacy-Preserving-AI.md]]
diff --git a/10_Wiki/Topics/AI/Probabilistic-Graphical-Models.md b/10_Wiki/Topics/AI/Probabilistic-Graphical-Models.md
index 7ba75188..2e584cb4 100644
--- a/10_Wiki/Topics/AI/Probabilistic-Graphical-Models.md
+++ b/10_Wiki/Topics/AI/Probabilistic-Graphical-Models.md
@@ -1,28 +1,28 @@
 ---
-id: PGM-001
+id: MATH-PGM-001
 category: "[[10_Wiki/💡 Topics/AI]]"
 confidence_score: 1.0
-tags: [ai, machine-learning, statistics, graph-theory, uncertainty]
+tags: [math, probability, graphical-models, bayesian-networks, markov-random-fields, reasoning, causality]
 last_reinforced: 2026-04-26
 ---
 
-# [[Probabilistic Graphical Models (PGMs, 확률적 그래픽 모델)]]
+# [[Probabilistic Graphical Models (확률적 그래픽 모델)]]
 
 ## 📌 한 줄 통찰 (The Karpathy Summary)
-> "복잡한 변수들 사이의 인과관계와 불확실성을 그래프로 그려라" — 확률론과 그래프 이론을 결합하여 여러 변수 간의 조건부 독립성을 시각화하고, 복잡한 합동 확률 분포를 효율적으로 계산하는 프레임워크.
+> "복잡하게 얽힌 세상의 변수들을 노드와 간선으로 해체하여, 불확실성 속에서도 명료한 '인과와 의존'의 지도를 그려라" — 확률 변수들 사이의 독립성 및 종속성 관계를 그래프 구조로 표현하여, 복잡한 다변량 확률 분포를 효율적으로 추론하고 학습하는 프레임워크.
 
 ## 📖 구조화된 지식 (Synthesized Content)
-- **추출된 패턴:** 변수들 간의 직접적인 상호작용만 그래프의 에지(Edge)로 표현하여, 전체 시스템의 복잡한 확률 연산을 국소적인 계산들의 조합으로 단순화하는 패턴.
-- **세부 내용:**
-    - **Bayesian Networks:** 유향 그래프를 사용하여 인과관계를 표현 (예: 질병 -> 증상).
-    - **Markov Random Fields:** 무향 그래프를 사용하여 상관관계를 표현 (예: 이미지의 인접 픽셀 간 유사성).
-    - **Inference:** 주어진 관측 데이터를 바탕으로 보이지 않는 변수의 상태를 추론 (예: 증상을 보고 질병을 진단).
-    - **Parameter Learning:** 데이터로부터 변수들 간의 영향력(확률 분포)을 학습.
+- **추출된 패턴:** "Graph-structured Dependency and Factorization" — 전체 결합 확률 분포를 각 변수와 그 이웃(부모)들 사이의 국소적인 조건부 확률의 곱으로 분해하여, 연산의 복잡도를 획기적으로 낮추고 명확한 인과 추론을 가능케 하는 패턴.
+- **주요 모델 분류:**
+    - **Bayesian Networks (Directed):** 방향성이 있는 간선으로 인과 관계 표현 (예: 질병 -> 증상).
+    - **Markov Random Fields (Undirected):** 방향성 없는 간선으로 상호 의존성 표현 (예: 인접한 픽셀 사이의 관계).
+    - **Factor Graphs:** 함수적 관계를 노드로 추가하여 더 일반적인 표현 가능.
+- **의의:** 의료 진단, 유전자 분석, 자연어 이해, 컴퓨터 비전의 이미지 복원 등 데이터 사이의 '구조적 관계' 파악이 중요한 모든 분야의 핵심 도구.
 
 ## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
-- **과거 데이터와의 충돌:** 딥러닝 이전에 복잡한 의사결정 시스템의 핵심이었으나, 현재는 딥러닝 모델의 내부 불확실성을 모델링하거나 구조적 인과관계를 결합하는 하이브리드 형태로 발전 중.
-- **정책 변화:** Antigravity 프로젝트의 에이전트 의사결정 신뢰도 평가 시, 베이지안 네트워크 모델을 사용하여 각 단계의 위험 요소를 확률적으로 분석함.
+- **과거 데이터와의 충돌:** 변수가 많아지면 추론이 불가능(NP-hard)해진다는 한계를 극복하기 위해, 최근에는 변이 추론(Variational Inference)이나 신경망과 결합된 심층 그래픽 모델(Deep Graphical Models)로 발전하여 거대 데이터셋에도 대응함.
+- **정책 변화:** Antigravity 프로젝트는 에이전트의 지식 베이스 내 주제들 사이의 인과 관계를 분석할 때, 확률적 그래픽 모델 원리를 적용하여 사용자 질문에 대한 가장 타당한 답변 경로를 추론함.
 
 ## 🔗 지식 연결 (Graph)
-- [[Bayesian-Inference]], [[Graph-Theory]], [[Information-Theory]], [[Machine-Learning]]
+- [[Posterior-and-Prior-Probability]], [[Markov-Decision-Process-MDP]], [[Bayesian-Inference]], [[Conditional-Random-Fields-CRF]]
 - **Raw Source:** [[10_Wiki/Topics/AI/Probabilistic-Graphical-Models.md]]
diff --git a/10_Wiki/Topics/AI/Probability-Theory-Foundations.md b/10_Wiki/Topics/AI/Probability-Theory-Foundations.md
new file mode 100644
index 00000000..e5d32863
--- /dev/null
+++ b/10_Wiki/Topics/AI/Probability-Theory-Foundations.md
@@ -0,0 +1,29 @@
+---
+id: MATH-PROB-001
+category: "[[10_Wiki/💡 Topics/AI]]"
+confidence_score: 1.0
+tags: [math, probability, statistics, random-variables, distributions, central-limit-theorem, foundations]
+last_reinforced: 2026-04-26
+---
+
+# [[Probability Theory Foundations (확률론 기초)]]
+
+## 📌 한 줄 통찰 (The Karpathy Summary)
+> "세상의 모든 우연과 불확실성을 수치화된 '확신'의 언어로 번역하여, 기계가 가설을 세우고 결론을 내릴 수 있는 논리적 기반을 제공하라" — 무작위 현상을 수학적으로 모델링하고 분석하여, 어떤 사건이 발생할 가능성을 측정하는 수학적 학문.
+
+## 📖 구조화된 지식 (Synthesized Content)
+- **추출된 패턴:** "Axiomatic Reasoning and Distributional Modeling" — 표본 공간(Sample Space) 내에서 사건이 발생할 확률의 공리를 세우고, 무작위 변수(Random Variables)의 분포를 통해 현상의 기저를 설명하는 패턴.
+- **핵심 개념:**
+    - **Probability Axioms:** 모든 확률은 0과 1 사이이며, 전체 합은 1임.
+    - **Random Variables:** 무작위 사건의 결과를 수치로 매핑 (이산형 vs 연속형).
+    - **Distributions:** 데이터의 형태를 결정 (정규분포, 베르누이, 포아송 등).
+    - **Central Limit Theorem (중심극한정리):** 표본이 커질수록 평균의 분포는 정규분포에 수렴한다는 통계의 핵심 정리.
+- **의의:** 딥러닝의 손실 함수 설계, 생성 모델의 샘플링, 강화학습의 기대 가치 계산 등 현대 AI의 모든 연산이 이 확률론적 기반 위에서 수행됨.
+
+## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
+- **과거 데이터와의 충돌:** 단순히 주사위를 던지는 확률을 넘어, 이제는 수조 개의 파라미터를 가진 신경망의 출력값(Logits)을 확률로 해석하고 이를 통해 지각과 생성의 경계를 허무는 '확률적 지능'으로 진화함.
+- **정책 변화:** Antigravity 프로젝트는 에이전트의 모든 답변에 대해 내부적인 확률 분포를 분석하여, 확신이 낮은 구간에서는 사용자에게 확인을 요청하거나 추가 정보를 탐색하는 '신뢰도 기반 응답' 프로토콜을 가동함.
+
+## 🔗 지식 연결 (Graph)
+- [[Posterior-and-Prior-Probability]], [[Maximum-Likelihood-Estimation-MLE]], [[Probabilistic-Graphical-Models]], [[Bayesian-Inference]]
+- **Raw Source:** [[10_Wiki/Topics/AI/Probability-Theory-Foundations.md]]
diff --git a/10_Wiki/Topics/AI/Process-Automation-with-AI.md b/10_Wiki/Topics/AI/Process-Automation-with-AI.md
new file mode 100644
index 00000000..8b55c4a5
--- /dev/null
+++ b/10_Wiki/Topics/AI/Process-Automation-with-AI.md
@@ -0,0 +1,27 @@
+---
+id: BIZ-AUTO-AI-001
+category: "[[10_Wiki/💡 Topics/AI]]"
+confidence_score: 1.0
+tags: [ai, automation, process-optimization, rpa, agentic-workflow, productivity, efficiency]
+last_reinforced: 2026-04-26
+---
+
+# [[Process Automation with AI (AI를 통한 프로세스 자동화)]]
+
+## 📌 한 줄 통찰 (The Karpathy Summary)
+> "단순 반복의 굴레를 기계에게 넘기고, 인간의 정신을 더 높은 가치인 '창의'와 '판단'의 영역으로 해방하라" — 정형화된 규칙을 넘어 인공지능의 지각, 추론, 결정 능력을 업무 프로세스에 결합하여 운영 효율성을 극대화하는 기술적 혁신.
+
+## 📖 구조화된 지식 (Synthesized Content)
+- **추출된 패턴:** "Cognitive Task Delegation and End-to-End Orchestration" — 단순 데이터 입력을 넘어 문서의 내용을 이해하고(NLP), 이미지를 분석하며(CV), 상황에 맞는 결정을 내려 다음 단계를 실행하는 지능형 워크플로우 패턴.
+- **RPA와 AI 자동화의 차이:**
+    - **RPA (Robotic Process Automation):** 정해진 시나리오와 규칙에 따라 행동 (비유연적).
+    - **AI Automation:** 비정형 데이터를 이해하고 변화하는 상황에 적응 (유연적).
+- **의의:** 업무 소요 시간을 획기적으로 줄이고 휴먼 에러를 제거하며, 24/7 중단 없는 비즈니스 가동을 가능케 함. 특히 최근에는 '자율 에이전트'가 여러 도구를 직접 사용하여 복합적인 작업을 완수하는 단계로 진화 중.
+
+## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
+- **과거 데이터와의 충돌:** 자동화가 인간의 일자리를 뺏는다는 공포에서 벗어나, 이제는 인간과 AI가 협업하여 생산성을 10배 이상 높이는 '코파일럿(Copilot)' 및 '에이전틱 워크플로우' 패러다임이 주류를 이룸.
+- **정책 변화:** Antigravity 프로젝트는 이 지식 가드닝 작업 자체를 AI를 통한 프로세스 자동화의 모범 사례로 정의하며, 데이터 수집-정제-연결-검증의 전 과정을 지능적으로 자동화하여 지식 생산의 한계를 극복함.
+
+## 🔗 지식 연결 (Graph)
+- [[Operations-Management]], [[Agentic-Workflows-Foundations]], [[Natural-Language-Processing-NLP]], [[Modern-Website-Architecture]]
+- **Raw Source:** [[10_Wiki/Topics/AI/Process-Automation-with-AI.md]]