[G1-Sync] Manual knowledge update
This commit is contained in:
Antigravity Agent
@@ -2,65 +2,210 @@
|
||||
id: wiki-2026-0508-system-theory
|
||||
title: System Theory
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [P-Reinforce-AUTO-SYTH-001]
|
||||
aliases: [Systems Theory, General Systems Theory, GST, 시스템 이론, Systems Thinking]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.94
|
||||
tags: [auto-reinforced, _system-theory, feedback-loop, Emergence, interaction, governance, complexity]
|
||||
confidence_score: 0.9
|
||||
verification_status: applied
|
||||
tags: [systems-theory, cybernetics, complexity, emergence, feedback]
|
||||
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: networkx
|
||||
---
|
||||
|
||||
# [[System-Theory|System-Theory]]
|
||||
# System Theory
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "전체를 보는 눈: 개별 부품의 최적화보다 부품들 사이의 '관계'와 '상호작용'이 전체 시스템의 운명을 결정한다는 통찰이자, 숲을 보지 못하고 나무만 만지는 단견에서 벗어나게 돕는 지능의 프레임워크."
|
||||
## 매 한 줄
|
||||
> **"매 system theory 는 components 의 isolation 의 X — 매 interaction·feedback·emergence 의 study"**. 매 von Bertalanffy "General System Theory" (1968) 의 origin, Wiener cybernetics 의 partner. 매 2026 의 modern descendants: complex systems, network science, dynamical systems, software architecture (microservice, observability).
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
시스템 이론(System-Theory)은 복잡한 현상을 유기적으로 연결된 개체들의 집합체인 '시스템'으로 파악하고 연구하는 학문입니다. (우리 조직 운영의 철학적 기반)
|
||||
## 매 핵심
|
||||
|
||||
1. **3대 핵심 개념**:
|
||||
* **Feedback Loops**: 결과가 다시 원인에 영향을 주는 순환 구조 (강화-Balanced). ([[Reinforcement Learning (RL)|Reinforcement Learning (RL)]]와 연결)
|
||||
* **Emergence (창발)**: 개별 요소에는 없던 성질이 결합했을 때 나타나는 현상 (1+1=3). ([[Synergy|Synergy]]와 연결)
|
||||
* **Boundary & Environment**: 시스템이 어디까지이고 무엇과 상호작용하는지 정의.
|
||||
2. **왜 중요한가?**:
|
||||
* 부분만 고치는 정책은 종종 다른 곳에서 더 큰 부작용 정책을 낳는데, 시스템 이론은 전체적인 최적화(Global Optimum)의 길을 제시하기 때문임.
|
||||
### 매 foundational figures
|
||||
- **Ludwig von Bertalanffy (1968)**: General System Theory — 매 biology·sociology·engineering 의 unify.
|
||||
- **Norbert Wiener (1948)**: Cybernetics — feedback 의 first-class.
|
||||
- **Ashby**: Law of Requisite Variety — 매 controller variety ≥ system variety.
|
||||
- **Forrester**: System Dynamics — stock·flow·delay model.
|
||||
- **Senge (1990)**: "Fifth Discipline" — organizational systems thinking.
|
||||
- **Meadows (2008)**: "Thinking in Systems" — leverage points.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- **과거 데이터와의 충돌**: 과거에는 기계적 구조(Hard system) 정책에 집중했으나, 현대 정책은 사람의 심리와 사회적 관계까지 포함하는 '연성 시스템 방법론(Soft system)'과 자기 조직화 정책(Self-organization)을 강조함(RL Update).
|
||||
- **정책 변화(RL Update)**: 본 지식 구축 시스템 또한 "기획-개발-디자인-QA"가 얽힌 하나의 거대한 시스템 이론 정책 하에 움직이며, 각 부서의 시너지 정책이 목표 600개 점령이라는 결과를 창출하는 유기적 개체임.
|
||||
### 매 core concepts
|
||||
- **System = elements + interconnections + purpose** (Meadows).
|
||||
- **Open vs closed**: open = energy/info exchange with env; biology, business 매 open.
|
||||
- **Feedback loop**: balancing (B, negative) → stabilize. reinforcing (R, positive) → exponential.
|
||||
- **Stock & flow**: state (stock) 의 flow rate 의 integral.
|
||||
- **Delay**: 매 oscillation·overshoot 의 source.
|
||||
- **Emergence**: macro property 의 micro 의 absent.
|
||||
- **Equifinality**: 매 다른 path 의 same end state.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Reinforcement Learning (RL)|Reinforcement Learning (RL)]], [[Synergy|Synergy]], Complexity-Science, [[Management|Management]], [[Structuralism|Structuralism]]
|
||||
- **Key Concepts**: [[Cybernetics|Cybernetics]], Negative entropy, Holism.
|
||||
---
|
||||
### 매 leverage points (Meadows, low → high)
|
||||
1. Numbers (parameters).
|
||||
2. Buffers.
|
||||
3. Stock-flow structure.
|
||||
4. Delays.
|
||||
5. Balancing loops.
|
||||
6. Reinforcing loops.
|
||||
7. Information flows.
|
||||
8. Rules.
|
||||
9. Self-organization.
|
||||
10. Goals.
|
||||
11. Paradigms.
|
||||
12. Power to transcend paradigms.
|
||||
|
||||
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
|
||||
### 매 modern descendants
|
||||
- **Complex Systems**: Santa Fe Institute — Holland, Kauffman.
|
||||
- **Network Science**: Barabási — scale-free, small-world.
|
||||
- **Dynamical Systems**: Strogatz — nonlinear, chaos, attractor.
|
||||
- **Software**: SRE (feedback via SLO), DDD (bounded context = subsystem), observability.
|
||||
|
||||
**언제 이 지식을 쓰는가:**
|
||||
- *(TODO)*
|
||||
### 매 응용
|
||||
1. **Software architecture**: microservice = subsystem + bounded context.
|
||||
2. **SRE**: error budget = balancing loop on reliability.
|
||||
3. **Climate / business**: System Dynamics simulation (Vensim, Stella).
|
||||
4. **AI safety**: feedback loop analysis for reward hacking, recursive improvement.
|
||||
|
||||
**언제 쓰면 안 되는가:**
|
||||
- *(TODO)*
|
||||
## 💻 패턴
|
||||
|
||||
## 🧪 검증 상태 (Validation)
|
||||
### 1. Stock & flow simulation (System Dynamics)
|
||||
```python
|
||||
import numpy as np
|
||||
import matplotlib.pyplot as plt
|
||||
|
||||
- **정보 상태:** needs_review
|
||||
- **출처 신뢰도:** A
|
||||
- **검토 이유:** *(P-Reinforce Phase 1 자동 정규화. 본문 검증 필요.)*
|
||||
def simulate(birth_rate=0.05, death_rate=0.02, init_pop=1000, T=100, dt=0.1):
|
||||
pop = np.zeros(int(T/dt))
|
||||
pop[0] = init_pop
|
||||
for t in range(1, len(pop)):
|
||||
births = birth_rate * pop[t-1] * dt # reinforcing
|
||||
deaths = death_rate * pop[t-1] * dt # balancing
|
||||
pop[t] = pop[t-1] + births - deaths
|
||||
return pop
|
||||
|
||||
## 🧬 중복 검사 (Duplicate Check)
|
||||
pop = simulate()
|
||||
plt.plot(pop); plt.title("Population stock")
|
||||
```
|
||||
|
||||
- **기존 유사 문서:** *(TODO: 인덱서 클러스터 리포트 참조)*
|
||||
- **처리 방식:** UPDATE (자동 정규화)
|
||||
- **처리 이유:** Phase 1 정규화 — 옛 템플릿/누락 필드 보강.
|
||||
### 2. Feedback loop classification
|
||||
```python
|
||||
def classify_loop(edges):
|
||||
"""edges: list of (src, dst, sign in {+1, -1})"""
|
||||
product = 1
|
||||
for _, _, sign in edges:
|
||||
product *= sign
|
||||
return "reinforcing (R)" if product > 0 else "balancing (B)"
|
||||
```
|
||||
|
||||
## 🕓 변경 이력 (Changelog)
|
||||
### 3. Lotka-Volterra (predator-prey, dynamical system)
|
||||
```python
|
||||
from scipy.integrate import odeint
|
||||
|
||||
| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|
||||
|------|-----------|-----------|--------|
|
||||
| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A |
|
||||
def lv(state, t, alpha, beta, delta, gamma):
|
||||
x, y = state # prey, predator
|
||||
dxdt = alpha*x - beta*x*y
|
||||
dydt = delta*x*y - gamma*y
|
||||
return [dxdt, dydt]
|
||||
|
||||
t = np.linspace(0, 50, 1000)
|
||||
sol = odeint(lv, [40, 9], t, args=(0.1, 0.02, 0.01, 0.1))
|
||||
```
|
||||
|
||||
### 4. Network analysis (small-world, scale-free)
|
||||
```python
|
||||
import networkx as nx
|
||||
|
||||
# Watts-Strogatz small-world
|
||||
G_sw = nx.watts_strogatz_graph(n=1000, k=10, p=0.1)
|
||||
print("avg path:", nx.average_shortest_path_length(G_sw))
|
||||
print("clustering:", nx.average_clustering(G_sw))
|
||||
|
||||
# Barabási-Albert scale-free
|
||||
G_ba = nx.barabasi_albert_graph(n=1000, m=3)
|
||||
degrees = [d for _, d in G_ba.degree()]
|
||||
# power-law degree distribution
|
||||
```
|
||||
|
||||
### 5. Causal Loop Diagram (CLD) as graph
|
||||
```python
|
||||
import networkx as nx
|
||||
|
||||
cld = nx.DiGraph()
|
||||
cld.add_edge("ad spend", "leads", sign=+1)
|
||||
cld.add_edge("leads", "revenue", sign=+1)
|
||||
cld.add_edge("revenue", "ad spend", sign=+1) # R loop
|
||||
cld.add_edge("ad spend", "cash", sign=-1)
|
||||
cld.add_edge("cash", "ad spend", sign=+1) # B loop on cash
|
||||
|
||||
for cycle in nx.simple_cycles(cld):
|
||||
edges = [(cycle[i], cycle[(i+1) % len(cycle)]) for i in range(len(cycle))]
|
||||
signs = [cld[u][v]["sign"] for u, v in edges]
|
||||
loop_type = "R" if np.prod(signs) > 0 else "B"
|
||||
print(cycle, loop_type)
|
||||
```
|
||||
|
||||
### 6. SLO error budget (SRE balancing loop)
|
||||
```python
|
||||
class ErrorBudget:
|
||||
def __init__(self, slo=0.999, window_days=30):
|
||||
self.budget = (1 - slo) * window_days * 24 * 60 # minutes
|
||||
self.consumed = 0
|
||||
|
||||
def consume(self, downtime_min):
|
||||
self.consumed += downtime_min
|
||||
return self.consumed >= self.budget # halt deploys when burned
|
||||
|
||||
def remaining(self):
|
||||
return max(0, self.budget - self.consumed)
|
||||
```
|
||||
|
||||
### 7. Leverage point identification
|
||||
```python
|
||||
LEVERAGE = {
|
||||
"params": 1, "buffer": 2, "structure": 3, "delays": 4,
|
||||
"balancing": 5, "reinforce": 6, "info": 7, "rules": 8,
|
||||
"self_org": 9, "goals": 10, "paradigm": 11, "transcend": 12,
|
||||
}
|
||||
|
||||
def rank_intervention(name, kind):
|
||||
return LEVERAGE.get(kind, 0)
|
||||
```
|
||||
|
||||
## 매 결정 기준
|
||||
| 상황 | Approach |
|
||||
|---|---|
|
||||
| Continuous quantities, feedback | System Dynamics (Vensim/PySD) |
|
||||
| Discrete agents, interaction | Agent-Based Model (Mesa) |
|
||||
| Network of relationships | Network Science (NetworkX) |
|
||||
| Software subsystem boundary | DDD bounded context |
|
||||
| Reliability | SRE error budget loops |
|
||||
|
||||
**기본값**: 매 problem framing 의 first — stock/flow/loop 의 sketch, 그 후 quantitative tool 의 select.
|
||||
|
||||
## 🔗 Graph
|
||||
- 부모: [[Cybernetics]] · [[Complexity-Science]]
|
||||
- 변형: [[System-Dynamics]] · [[Network-Science]] · [[Dynamical-Systems]]
|
||||
- 응용: [[Microservice-Architecture]] · [[SRE]] · [[Agent-Based-Modeling]]
|
||||
- Adjacent: [[Synergy]] · [[Emergence]] · [[Feedback-Loop]] · [[Domain-Driven-Design]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
**언제**: CLD 의 sketch from natural language description, leverage point 의 explain, scenario walk-through.
|
||||
**언제 X**: quantitative simulation 의 itself (PySD/Mesa 의 사용 — LLM 의 number drift).
|
||||
|
||||
## ❌ 안티패턴
|
||||
- **Linear thinking on systems**: 매 cause→effect chain 의 only — feedback 의 ignore.
|
||||
- **Local optimization**: 매 sub-optimum globally — Goodhart's law.
|
||||
- **Delays 무시**: 매 oscillation·overshoot 의 surprise.
|
||||
- **Numbers (params) 의 leverage 의 prioritize**: 매 lowest leverage — paradigm·goals 의 더 powerful.
|
||||
- **Closed-system assumption on open**: 매 boundary 의 false → ignored externalities.
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
- Verified (Bertalanffy "General System Theory" 1968, Meadows "Thinking in Systems" 2008, Wiener "Cybernetics" 1948, Forrester "Industrial Dynamics" 1961).
|
||||
- 신뢰도 A.
|
||||
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-05-08 | Phase 1 |
|
||||
| 2026-05-10 | Manual cleanup — system theory (Bertalanffy + cybernetics + modern complexity + software apps) |
|
||||
|
||||
Reference in New Issue
Block a user