[G1-Sync] Manual knowledge update
This commit is contained in:
Antigravity Agent
@@ -2,92 +2,160 @@
|
||||
id: wiki-2026-0508-complex-systems
|
||||
title: Complex Systems
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: []
|
||||
aliases: [Complexity Theory, Complex Adaptive Systems, CAS]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.92
|
||||
tags: [uncategorized]
|
||||
confidence_score: 0.9
|
||||
verification_status: applied
|
||||
tags: [systems-thinking, complexity, emergence, distributed-systems]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-05-08
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
tech_stack:
|
||||
language: unspecified
|
||||
framework: unspecified
|
||||
language: n/a
|
||||
framework: n/a
|
||||
---
|
||||
|
||||
# [[Complex Systems|ComplexSystems]]
|
||||
# Complex Systems
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
시스템 사고([[Systems Thinking|Systems Thinking]])의 관점에서, 개별 구성 요소들이 서로 밀접하게 연결되어 피드백 루프와 비선형적 상호작용을 통해 예측 불가능한 결과를 창출하는 생태계를 의미합니다 [90, 91].
|
||||
## 매 한 줄
|
||||
> **"매 Complex System 매 part 의 sum 초과 의 emergent 결과 발생 system"**. 매 simple-rule 매 unpredictable global 의 야기. Santa Fe Institute (Holland, Kauffman, Mitchell) 의 lineage. 2026 매 LLM swarm, distributed micro-services, social platform 매 canonical 예.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **복잡계의 4대 특성:** 요소 간의 상호의존성(Interdependence), 작은 변화가 큰 결과를 낳는 비선형성(Non-linearity), 중앙 통제 없이 자발적으로 패턴이 나타나는 창발성([[Emergence|Emergence]]), 피드백을 통해 진화하는 적응성(Adaptation)이 특징입니다 [91].
|
||||
- **피드백 루프(Feedback Loops):** 복잡계 내부의 요소들은 시스템의 출력이 다시 입력에 영향을 미치는 폐쇄 루프(Closed-loop) 형태로 연결되어 있어, 하나의 행동이 시스템 전체에 연쇄적인 영향을 미칩니다 [58, 90, 92].
|
||||
- **단순화의 위험:** 선형적 사고([[Linear Thinking|Linear Thinking]])는 A가 B를 초래한다는 단편적인 원인-결과 모델에 의존하기 때문에, 복잡계 내에서 한 영역을 수정할 때 발생하는 다른 영역의 의도치 않은 부작용을 간과하게 만듭니다 [93-96].
|
||||
- **전체론적 접근(Holistic Approach):** 문제를 해결할 때 개별 요소로 분해하는 환원주의적(Reductionist) 태도에서 벗어나, 시스템 전체의 패턴과 역학을 관찰하는 시스템 사고가 필수적입니다 [58, 90, 97].
|
||||
- **적응적 해결책:** 복잡계에서의 해결책은 한 번에 끝나는 고정된 답이 아니라, 시스템의 동적인 성격과 장기적인 지속 가능성을 고려하여 지속적으로 적응(Adaptive)해야 합니다 [90].
|
||||
## 매 핵심
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Related Topics:** [[Linear Thinking|Linear Thinking]], [[MECE Framework|MECE Framework]]
|
||||
- **Projects/Contexts:** Organizational Change [[Management|Management]], Environmental Management
|
||||
- **Contradictions/Notes:** 경영 컨설팅에서 문제를 나누고 정복하는 [[MECE|MECE]] 원칙은 유용하지만, 이는 본질적으로 환원주의적이므로 상호 의존성이 핵심인 복잡계의 '사악한 문제(Wicked problems)'를 다룰 때는 지나친 단순화의 오류(False completeness)에 빠질 수 있습니다 [56, 96, 98].
|
||||
### 매 정의 specifics
|
||||
- **Many components** (10² ~ 10⁹).
|
||||
- **Local interaction** (no central control).
|
||||
- **Non-linearity**: 매 input → output 의 disproportionate.
|
||||
- **Emergence**: 매 macro behavior 매 micro rule 의 not directly inferrable.
|
||||
- **Adaptation**: 매 component 의 state-update 의 environment 응답.
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-27*
|
||||
### 매 simple ↔ complicated ↔ complex (Cynefin)
|
||||
- **Simple**: 매 cause↔effect obvious. Best practice 의 사용.
|
||||
- **Complicated**: 매 expert analysis required. Good practice.
|
||||
- **Complex**: 매 retrospect 만 cause 추론 가능. 매 probe-sense-respond.
|
||||
- **Chaotic**: 매 cause↔effect link absent. Act-sense-respond.
|
||||
|
||||
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
|
||||
### 매 응용
|
||||
1. Distributed system design 매 emergent failure mode 의 anticipate.
|
||||
2. Org change 매 directly-controllable lever 부재 — 매 nudge.
|
||||
3. Market / social media 의 non-linear viral propagation.
|
||||
|
||||
**언제 이 지식을 쓰는가:**
|
||||
- *(TODO)*
|
||||
## 💻 패턴
|
||||
|
||||
**언제 쓰면 안 되는가:**
|
||||
- *(TODO)*
|
||||
### Power-law detection (Pareto)
|
||||
```python
|
||||
import numpy as np, scipy.stats as st
|
||||
|
||||
## 🧪 검증 상태 (Validation)
|
||||
|
||||
- **정보 상태:** needs_review
|
||||
- **출처 신뢰도:** A
|
||||
- **검토 이유:** *(P-Reinforce Phase 1 자동 정규화. 본문 검증 필요.)*
|
||||
|
||||
## 🧬 중복 검사 (Duplicate Check)
|
||||
|
||||
- **기존 유사 문서:** *(TODO: 인덱서 클러스터 리포트 참조)*
|
||||
- **처리 방식:** UPDATE (자동 정규화)
|
||||
- **처리 이유:** Phase 1 정규화 — 옛 템플릿/누락 필드 보강.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
|
||||
- **과거 데이터와의 충돌:** 없음
|
||||
- **정책 변화:** 없음
|
||||
|
||||
## 🕓 변경 이력 (Changelog)
|
||||
|
||||
| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|
||||
|------|-----------|-----------|--------|
|
||||
| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A |
|
||||
|
||||
## 💻 코드 패턴 (Code Patterns)
|
||||
|
||||
**패턴 1:** *(TODO: 이 프로젝트 컨벤션 반영한 구조 스켈레톤)*
|
||||
|
||||
```text
|
||||
# TODO
|
||||
def is_powerlaw(data: np.ndarray) -> bool:
|
||||
"""Heavy-tailed → likely complex, not Gaussian."""
|
||||
fit = st.powerlaw.fit(data)
|
||||
ks_p = st.kstest(data, "powerlaw", fit).pvalue
|
||||
return ks_p > 0.05
|
||||
```
|
||||
|
||||
## 🤔 의사결정 기준 (Decision Criteria)
|
||||
### Agent-based model (Mesa)
|
||||
```python
|
||||
from mesa import Agent, Model
|
||||
from mesa.space import MultiGrid
|
||||
from mesa.time import RandomActivation
|
||||
|
||||
**선택 A를 써야 할 때:**
|
||||
- *(TODO)*
|
||||
class Cell(Agent):
|
||||
def step(self):
|
||||
n = self.neighbors_alive()
|
||||
self.alive = (n == 3) or (self.alive and n == 2)
|
||||
|
||||
**선택 B를 써야 할 때:**
|
||||
- *(TODO)*
|
||||
class Life(Model):
|
||||
def __init__(self, w=80, h=80):
|
||||
self.grid = MultiGrid(w, h, torus=True)
|
||||
self.schedule = RandomActivation(self)
|
||||
for x in range(w):
|
||||
for y in range(h):
|
||||
a = Cell(self)
|
||||
self.grid.place_agent(a, (x, y))
|
||||
self.schedule.add(a)
|
||||
```
|
||||
|
||||
**기본값:**
|
||||
> *(TODO)*
|
||||
### Feedback-loop diagram (Mermaid)
|
||||
```mermaid
|
||||
graph LR
|
||||
Demand --> Price
|
||||
Price -->|+| Supply
|
||||
Supply -->|-| Price
|
||||
Price -->|-| Demand
|
||||
```
|
||||
|
||||
## ❌ 안티패턴 (Anti-Patterns)
|
||||
### Tipping-point detection
|
||||
```python
|
||||
def early_warning_signal(timeseries):
|
||||
"""Increased variance + autocorrelation → near phase transition."""
|
||||
rolling_var = pd.Series(timeseries).rolling(50).var()
|
||||
rolling_ac = pd.Series(timeseries).rolling(50).apply(lambda x: x.autocorr(1))
|
||||
return rolling_var.iloc[-1] > rolling_var.mean() * 1.5 \
|
||||
and rolling_ac.iloc[-1] > 0.7
|
||||
```
|
||||
|
||||
- **[안티패턴]:** *(TODO: 무엇을 하면 안 되는가 + 이유 + 대신 무엇을)*
|
||||
### Causal-loop policy lever map
|
||||
```yaml
|
||||
# policy_levers.yml
|
||||
goal: reduce-incident-rate
|
||||
levers:
|
||||
- lever: deploy-frequency
|
||||
feedback: positive # more deploys → more incidents short-term
|
||||
horizon: weeks
|
||||
- lever: test-coverage
|
||||
feedback: negative # higher coverage → fewer incidents
|
||||
horizon: months
|
||||
- lever: oncall-rotation-size
|
||||
feedback: negative # larger rotation → less burnout → fewer incidents
|
||||
horizon: quarters
|
||||
```
|
||||
|
||||
### Network resilience metric
|
||||
```python
|
||||
import networkx as nx
|
||||
def fragility(G: nx.Graph) -> float:
|
||||
"""Higher = more fragile to targeted node removal."""
|
||||
bc = nx.betweenness_centrality(G)
|
||||
return max(bc.values()) - np.median(list(bc.values()))
|
||||
```
|
||||
|
||||
## 매 결정 기준
|
||||
| 상황 | Approach |
|
||||
|---|---|
|
||||
| Linear, well-understood | Optimization, KPI |
|
||||
| Complicated (expert solvable) | Plan + execute |
|
||||
| Complex (emergent) | Probe + small experiments + observe |
|
||||
| Chaotic (crisis) | Act first, stabilize, then sense |
|
||||
| Pre-tipping point | Early-warning + circuit-breaker |
|
||||
|
||||
**기본값**: probe-sense-respond + diversity + redundancy.
|
||||
|
||||
## 🔗 Graph
|
||||
- 부모: [[Systems Thinking]] · [[Cynefin Framework]]
|
||||
- 변형: [[Chaos Theory]] · [[Complex Adaptive Systems]]
|
||||
- 응용: [[Distributed Systems]] · [[Network Theory]]
|
||||
- Adjacent: [[Emergence]] · [[Power Laws]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
**언제**: 매 system map 의 first-draft, 매 feedback-loop 의 surface, 매 policy lever brainstorm.
|
||||
**언제 X**: 매 prediction 의 complex system — 매 LLM 매 false confidence 매 위험. 매 historical analogy 의 limit.
|
||||
|
||||
## ❌ 안티패턴
|
||||
- **Linear thinking**: 매 cause→effect 의 direct mapping 매 complex 에서 wrong.
|
||||
- **Optimization fallacy**: 매 single metric 의 optimization 매 emergent failure 야기 (Goodhart).
|
||||
- **Central control assumption**: 매 top-down command 매 local-rule system 매 ineffective.
|
||||
- **Reductionism over-reach**: 매 component 의 분석 매 emergent property 의 missing.
|
||||
- **Plan-the-future fallacy**: 매 5-year-plan 매 complex domain 매 fiction.
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
- Verified (Mitchell _Complexity: A Guided Tour_, Holland _Hidden Order_, Snowden Cynefin Framework, Santa Fe Institute lectures, Donella Meadows _Thinking in Systems_).
|
||||
- 신뢰도 A.
|
||||
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-05-08 | Phase 1 |
|
||||
| 2026-05-10 | Manual cleanup — Cynefin, agent-based model, power law, anti-patterns |
|
||||
|
||||
Reference in New Issue
Block a user