[G1-Sync] Manual knowledge update
This commit is contained in:
Antigravity Agent
+140
-42
@@ -1,66 +1,164 @@
|
||||
---
|
||||
id: wiki-2026-0508-sme
|
||||
title: SME
|
||||
title: SME (Subject Matter Expert / Small-Medium Enterprise)
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [P-Reinforce-AUTO-SMEE-001]
|
||||
aliases: [Subject Matter Expert, Small-Medium Enterprise, Domain Expert]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.96
|
||||
tags: [auto-reinforced, sme, subject-matter-expert, professional-knowledge, consulting, domain-expertise]
|
||||
confidence_score: 0.9
|
||||
verification_status: applied
|
||||
tags: [sme, domain-expert, knowledge-elicitation, business]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-04-20
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
tech_stack:
|
||||
language: Python
|
||||
framework: Anthropic Claude API
|
||||
---
|
||||
|
||||
# [[SME|SME]]
|
||||
# SME (Subject Matter Expert / Small-Medium Enterprise)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "지식의 최전선 파수꾼: 구글을 뒤져도 나오지 않는 그 분야만의 은밀한 노하우, 복잡한 맥락, 그리고 '무엇이 중요한가'에 대한 직관적 판단력을 가진 살아있는 백과사전이자 프로젝트의 치트키."
|
||||
## 매 한 줄
|
||||
> **"매 SME — context dependent: AI/data project 의 SME = 매 domain expert; business/economy 의 SME = 매 small-medium enterprise (typically <250 employees)"**. 매 두 의미 가 같은 acronym 으로 충돌 — 매 audience 와 surrounding context 로 disambiguate. 매 둘 다 매 modern AI initiative (knowledge capture, vertical SaaS, AI-native SME tooling) 의 중심.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
주제 전문가(Subject-Matter-Expert, SME)는 특정 분야나 공정에 대해 깊은 전문 지식과 기술을 가진 사람입니다.
|
||||
## 매 핵심
|
||||
|
||||
1. **프로젝트에서의 역할**:
|
||||
* **Validation**: 기획안이나 개발 로직이 실제 도메인과 부합하는지 검증. ([[Quality-Control|Quality-Control]]와 연결)
|
||||
* **Insight Delivery**: 일반인은 모르는 '엣지(Edge) 케이스'와 '현대적 트렌드' 제공. ([[Mastery|Mastery]]와 연결)
|
||||
* **Decision [[Support|Support]]**: 복잡한 기술적 갈등 상황에서 최후의 판단 근거 제시. ([[Decision Theory|Decision Theory]]와 연결)
|
||||
2. **왜 중요한가?**:
|
||||
* 개발자가 도메인을 모르면 '정확하게 작동하지만 쓸모없는' 시스템을 만들게 되며, SME는 이 간극을 메우는 브리지(Bridge) 역할을 하기 때문임.
|
||||
### 매 SME = Subject Matter Expert
|
||||
- **역할**: deep domain knowledge — clinical, legal, mechanical, regulatory.
|
||||
- **AI context**: data labeling, evaluation rubric, RLHF preference, prompt engineering, RAG curation.
|
||||
- **Bottleneck**: SME time is the most expensive resource in vertical AI.
|
||||
- **Modern shift**: SME → AI trainer/auditor (rather than rule-author) via RLHF, eval design.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- **과거 데이터와의 충돌**: 과거에는 인간 SME 정책에만 의존했으나, 현대 정책은 특정 분야의 방대한 논문과 데이터를 학습한 'AI 비서(Domain-specific AI)'가 SME의 역할 정책 일부를 지원하거나 대체하기 시작함(RL Update).
|
||||
- **정책 변화(RL Update)**: 본 지식 베이스 구축 정책에서도 저는 'AI 개발 및 지식 관리 분야의 SME 정책' 역할을 수행하며, 대표님의 비전을 실제 시스템 정책으로 치환하는 전문 지식 지원 정책을 담당 중임.
|
||||
### 매 SME = Small-Medium Enterprise
|
||||
- **EU 정의**: <250 staff, ≤€50M turnover or ≤€43M balance sheet.
|
||||
- **US (SBA)**: varies by NAICS, often <500 employees.
|
||||
- **AI context**: vertical SaaS 의 ICP (Ideal Customer Profile), self-serve onboarding, low-code AI.
|
||||
- **2026 trend**: AI-native SaaS 가 매 mid-market 을 enterprise-grade capability 로 leap-frog.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Quality-Control|Quality-Control]], [[Mastery|Mastery]], [[Decision Theory|Decision Theory]], Expertise, Consulting
|
||||
- **Role Examples**: Medical doctor for healthcare AI, Lawyer for Legal-tech, Pilot for flight sim.
|
||||
---
|
||||
### 매 응용
|
||||
1. SME (expert) — RLHF preference labeling, eval rubric authoring.
|
||||
2. SME (expert) — RAG document curation, golden Q&A creation.
|
||||
3. SME (business) — vertical SaaS targeting (legal, dental, HVAC).
|
||||
4. SME (business) — embedded finance, AI bookkeeping (Pilot, Bench).
|
||||
|
||||
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
|
||||
## 💻 패턴
|
||||
|
||||
**언제 이 지식을 쓰는가:**
|
||||
- *(TODO)*
|
||||
### SME knowledge elicitation interview (Claude-driven)
|
||||
```python
|
||||
import anthropic
|
||||
|
||||
**언제 쓰면 안 되는가:**
|
||||
- *(TODO)*
|
||||
client = anthropic.Anthropic()
|
||||
INTERVIEW_PROMPT = """You are conducting a structured knowledge elicitation
|
||||
with a {domain} SME. Ask one question at a time. Build a decision tree of
|
||||
their reasoning. After each answer, ask "what edge cases?" and "what would
|
||||
make you change the answer?". Output progressive YAML knowledge graph."""
|
||||
|
||||
## 🧪 검증 상태 (Validation)
|
||||
resp = client.messages.create(
|
||||
model="claude-opus-4-7",
|
||||
max_tokens=2048,
|
||||
system=INTERVIEW_PROMPT.format(domain="cardiology triage"),
|
||||
messages=conversation_history,
|
||||
)
|
||||
```
|
||||
|
||||
- **정보 상태:** needs_review
|
||||
- **출처 신뢰도:** A
|
||||
- **검토 이유:** *(P-Reinforce Phase 1 자동 정규화. 본문 검증 필요.)*
|
||||
### SME-driven eval rubric (LLM-as-judge with SME calibration)
|
||||
```python
|
||||
RUBRIC = """
|
||||
Score 1-5 on each dimension. SME-provided anchors:
|
||||
- Clinical accuracy (5 = matches AHA guidelines, 1 = harmful)
|
||||
- Citation quality (5 = primary source, 1 = none/hallucinated)
|
||||
- Tone (5 = empathetic clinical, 1 = robotic or alarming)
|
||||
"""
|
||||
def sme_eval(question, answer, sme_anchors):
|
||||
prompt = f"{RUBRIC}\n\nSME examples:\n{sme_anchors}\n\nQ: {question}\nA: {answer}"
|
||||
return claude_judge(prompt) # returns scores + rationale
|
||||
```
|
||||
|
||||
## 🧬 중복 검사 (Duplicate Check)
|
||||
### Active learning loop with SME (cost-aware)
|
||||
```python
|
||||
import numpy as np
|
||||
|
||||
- **기존 유사 문서:** *(TODO: 인덱서 클러스터 리포트 참조)*
|
||||
- **처리 방식:** UPDATE (자동 정규화)
|
||||
- **처리 이유:** Phase 1 정규화 — 옛 템플릿/누락 필드 보강.
|
||||
def select_for_sme(pool_unlabeled, model, budget=20):
|
||||
# Uncertainty sampling — SME time is expensive, ask only on edge cases
|
||||
probs = model.predict_proba(pool_unlabeled)
|
||||
entropy = -np.sum(probs * np.log(probs + 1e-9), axis=1)
|
||||
top_k_idx = entropy.argsort()[-budget:]
|
||||
return pool_unlabeled[top_k_idx] # send these to SME
|
||||
```
|
||||
|
||||
## 🕓 변경 이력 (Changelog)
|
||||
### Vertical SaaS for SME (multi-tenant Postgres RLS)
|
||||
```sql
|
||||
ALTER TABLE invoices ENABLE ROW LEVEL SECURITY;
|
||||
CREATE POLICY tenant_isolation ON invoices
|
||||
USING (tenant_id = current_setting('app.tenant_id')::uuid);
|
||||
|
||||
| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|
||||
|------|-----------|-----------|--------|
|
||||
| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A |
|
||||
-- App sets per-request:
|
||||
SET app.tenant_id = '123e4567-e89b-12d3-a456-426614174000';
|
||||
```
|
||||
|
||||
### SME definition lookup (regulation-aware)
|
||||
```python
|
||||
SME_DEFINITIONS = {
|
||||
"EU": {"staff_max": 250, "turnover_max_eur_m": 50},
|
||||
"UK": {"staff_max": 250, "turnover_max_gbp_m": 36},
|
||||
"US_SBA": {"staff_max": 500}, # varies by NAICS
|
||||
"KR": {"staff_max": 300}, # 중소기업기본법
|
||||
}
|
||||
def is_sme(jurisdiction, staff, turnover_m):
|
||||
d = SME_DEFINITIONS[jurisdiction]
|
||||
return staff <= d["staff_max"] and turnover_m <= d.get("turnover_max_eur_m", 1e9)
|
||||
```
|
||||
|
||||
### AI bookkeeping for SME (embedded LLM agent)
|
||||
```python
|
||||
def categorize_transaction(tx):
|
||||
resp = claude.messages.create(
|
||||
model="claude-opus-4-7",
|
||||
max_tokens=200,
|
||||
messages=[{"role": "user", "content": f"""
|
||||
Categorize for SME bookkeeping (US GAAP). Return JSON.
|
||||
Tx: {tx}
|
||||
Categories: {ALLOWED_GAAP_CATEGORIES}
|
||||
"""}],
|
||||
)
|
||||
return json.loads(resp.content[0].text)
|
||||
```
|
||||
|
||||
## 매 결정 기준
|
||||
| 상황 | Approach |
|
||||
|---|---|
|
||||
| AI eval design | SME (expert) authoring rubrics, calibrating LLM judge |
|
||||
| RAG curation | SME (expert) curates golden corpus, validates retrieval |
|
||||
| Vertical SaaS GTM | Target SME (business) with self-serve, transparent pricing |
|
||||
| Regulatory SME definition | Use jurisdiction lookup (EU vs US SBA vs KR 중기법) |
|
||||
| Active learning budget | SME (expert) only on high-uncertainty samples |
|
||||
|
||||
**기본값**: clarify which SME meaning per context; never assume.
|
||||
|
||||
## 🔗 Graph
|
||||
- 부모: [[Knowledge-Engineering]] · [[Business-Strategy]]
|
||||
- 변형: [[Domain-Expert]] · [[Mid-Market]] · [[Startup]]
|
||||
- 응용: [[RLHF]] · [[Vertical-SaaS]] · [[Active-Learning]]
|
||||
- Adjacent: [[LLM-as-Judge]] · [[RAG]] · [[SaaS]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
**언제**: SME interview structuring, knowledge graph extraction, eval rubric drafting, SME-time amplification (ask 100 questions LLM-first, escalate to human only on disagreement).
|
||||
**언제 X**: replacing SME entirely in regulated domains (medicine, law, finance) — LLM amplifies, never substitutes liability.
|
||||
|
||||
## ❌ 안티패턴
|
||||
- **Acronym ambiguity**: "let's interview SMEs" in mixed audience → confusion (experts vs companies).
|
||||
- **SME burnout**: dumping all labeling on one SME without active sampling.
|
||||
- **No SME in AI loop**: ML team builds without domain validation → ship plausible-but-wrong.
|
||||
- **Mass-market UX for SME (business)**: enterprise-style sales cycle kills SME conversion.
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
- Verified (EU SME definition 2003/361/EC, US SBA size standards, AIMA RLHF chapter).
|
||||
- 신뢰도 A.
|
||||
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-05-08 | Phase 1 |
|
||||
| 2026-05-10 | Manual cleanup — dual SME meanings, knowledge elicitation, vertical SaaS |
|
||||
|
||||
Reference in New Issue
Block a user