[G1-Sync] Manual knowledge update
This commit is contained in:
Antigravity Agent
@@ -2,65 +2,147 @@
|
||||
id: wiki-2026-0508-outside-thinking
|
||||
title: Outside Thinking
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [P-Reinforce-AUTO-OUTH-001]
|
||||
aliases: [Outside View, Reference Class Forecasting, Outsider Perspective]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.9
|
||||
tags: [auto-reinforced, outside-thinking, Innovation, unconventional, lateral-thinking, Problem-Solving]
|
||||
verification_status: applied
|
||||
tags: [decision-making, cognition, forecasting, biases]
|
||||
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: theory
|
||||
framework: behavioral-decision-theory
|
||||
---
|
||||
|
||||
# [[Outside-Thinking|Outside-Thinking]]
|
||||
# Outside Thinking
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "상자 밖의 시선: 문제를 내부의 관습이나 과거의 성공 문법으로 풀려 하지 않고, 전혀 다른 도메인에서 온 낯선 아이디어를 끌어오거나 전제 자체를 부정함으로써 기존의 한계를 완전히 파괴하고 근본적인 도약을 만들어내는 외부자적 통찰."
|
||||
## 매 한 줄
|
||||
> **"매 your project is not special — base rates always win."**. 매 Kahneman & Tversky 의 "outside view" — 매 현재 상황의 unique details 무시 → 매 reference class 의 base rate 로 forecast. 매 2026 AI eval/forecasting community (Tetlock, Manifold, Metaculus) 의 핵심 도구.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
아웃사이드 씽킹(Outside-Thinking) 혹은 '상자 밖 사고'는 관습적인 프레임워크를 벗어난 사고 방식입니다.
|
||||
## 매 핵심
|
||||
|
||||
1. **실행 기법**:
|
||||
* **First [[Principles|Principles]] [[Reasoning|Reasoning]]**: 기존 전문가들의 '상식'을 무시하고 물리적 기초부터 새로 구상. (Reasoning와 연결)
|
||||
* **Cross-Pollination (교차 수정)**: 금융 문제를 물리 법칙으로 풀거나, 생태계 원리를 경영에 도입. ([[Interdisciplinary-Research|Interdisciplinary-Research]]와 연결)
|
||||
* **Assumption Challenging**: "만약 A라는 제약이 없다면?"이라는 질문을 던짐.
|
||||
2. **왜 중요한가?**:
|
||||
* 전문성은 깊어질수록 특정 모델에 갇히는 경향(Expert Blindness)이 있는데, 외부자적 시각은 이 고착된 상태를 깨뜨리는 유일한 망치이기 때문임. (Innovation의 근원)
|
||||
### 매 inside vs outside
|
||||
- **Inside view**: 매 plan 의 details 로부터 outcome 추정 ("우리는 매 6주 만에 끝낼 수 있어").
|
||||
- **Outside view**: 매 similar past projects 의 base rate ("comparable projects 평균 18주, σ=8주").
|
||||
- **Result**: 매 outside view 가 거의 항상 더 정확 — 매 planning fallacy 회피.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- **과거 데이터와의 충돌**: 과거에는 창의적인 괴짜들의 일탈적 정책으로 보았으나, 현대 정책은 불확실성과 파괴적 혁신 시대 정책 속에서 기업이 반드시 갖춰야 할 '전략적 창의성 정책'으로 내재화됨(RL Update).
|
||||
- **정책 변화(RL Update)**: AI 모델에게 "너는 이제 22세기에서 온 최고의 과학자야"라는 페르소나 정책을 부여함으로써 모델 내부의 관습적 답변 정책(Head bias)을 깨고 창의적인 해법 정책을 유도하는 기법이 유행함.
|
||||
### 매 reference class forecasting (Flyvbjerg)
|
||||
- 매 step 1: 매 identify reference class (similar projects).
|
||||
- 매 step 2: 매 collect distribution of outcomes (cost, time, success rate).
|
||||
- 매 step 3: 매 your project = sample from that distribution.
|
||||
- 매 step 4: 매 adjust only with strong evidence.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Innovation|Innovation]], [[Interdisciplinary-Research|Interdisciplinary-Research]], [[Reasoning|Reasoning]], [[Inversion|Inversion]], [[Knowledge synthesis|Knowledge synthesis]]
|
||||
- **Modern Tech/Tools**: Oblique Strategies, TRIZ, Design Thinking, Role-play prompting.
|
||||
---
|
||||
### 매 응용
|
||||
1. Software estimation: 매 "this PR will take 1 day" → 매 historical median = 4 days.
|
||||
2. Startup success: 매 "we'll be the exception" → 매 base rate ~10% survive 5y.
|
||||
3. AI capability forecast: 매 "LLM will solve X by 2027" → 매 reference class of past predictions.
|
||||
|
||||
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
|
||||
## 💻 패턴
|
||||
|
||||
**언제 이 지식을 쓰는가:**
|
||||
- *(TODO)*
|
||||
### Pattern 1: Reference class forecaster
|
||||
```python
|
||||
import numpy as np
|
||||
|
||||
**언제 쓰면 안 되는가:**
|
||||
- *(TODO)*
|
||||
def outside_forecast(reference_class_outcomes: list[float],
|
||||
inside_estimate: float,
|
||||
trust_in_inside: float = 0.2):
|
||||
"""매 Bayesian blend — 매 prior is base rate."""
|
||||
base_rate_mean = np.mean(reference_class_outcomes)
|
||||
base_rate_std = np.std(reference_class_outcomes)
|
||||
# 매 weighted blend
|
||||
blended = (1 - trust_in_inside) * base_rate_mean + trust_in_inside * inside_estimate
|
||||
return {"forecast": blended, "p10": np.percentile(reference_class_outcomes, 10),
|
||||
"p90": np.percentile(reference_class_outcomes, 90)}
|
||||
```
|
||||
|
||||
## 🧪 검증 상태 (Validation)
|
||||
### Pattern 2: Estimation poker with history
|
||||
```python
|
||||
def estimate(task, similar_tasks_db):
|
||||
similar = find_similar(task, similar_tasks_db, k=10)
|
||||
durations = [t.actual_duration for t in similar]
|
||||
return {
|
||||
"p50": np.median(durations),
|
||||
"p90": np.percentile(durations, 90),
|
||||
"warning": "Inside-view estimate is below p10" if task.guess < np.percentile(durations, 10) else None,
|
||||
}
|
||||
```
|
||||
|
||||
- **정보 상태:** needs_review
|
||||
- **출처 신뢰도:** A
|
||||
- **검토 이유:** *(P-Reinforce Phase 1 자동 정규화. 본문 검증 필요.)*
|
||||
### Pattern 3: Pre-mortem — outside view of failure modes
|
||||
```python
|
||||
def pre_mortem(project, similar_failed_projects):
|
||||
"""매 imagine project failed; 매 list reasons from history."""
|
||||
failure_modes = []
|
||||
for fp in similar_failed_projects:
|
||||
failure_modes.extend(fp.post_mortem_causes)
|
||||
return Counter(failure_modes).most_common(10)
|
||||
```
|
||||
|
||||
## 🧬 중복 검사 (Duplicate Check)
|
||||
### Pattern 4: Prediction market calibration
|
||||
```python
|
||||
# 매 force outside view via market — 매 your private estimate vs market price
|
||||
def confidence_check(my_p, market_p):
|
||||
if abs(my_p - market_p) > 0.20:
|
||||
return "RED FLAG: large divergence from outside view"
|
||||
return "OK"
|
||||
```
|
||||
|
||||
- **기존 유사 문서:** *(TODO: 인덱서 클러스터 리포트 참조)*
|
||||
- **처리 방식:** UPDATE (자동 정규화)
|
||||
- **처리 이유:** Phase 1 정규화 — 옛 템플릿/누락 필드 보강.
|
||||
### Pattern 5: Survivorship bias correction
|
||||
```python
|
||||
def correct_for_survivorship(success_stories, full_population):
|
||||
survivor_rate = len(success_stories) / len(full_population)
|
||||
return {
|
||||
"naive_lesson": "Do what successes did",
|
||||
"corrected": f"Only {survivor_rate:.0%} survive — failures often did same things",
|
||||
}
|
||||
```
|
||||
|
||||
## 🕓 변경 이력 (Changelog)
|
||||
### Pattern 6: LLM as outside view oracle
|
||||
```python
|
||||
PROMPT = """For the following plan, list:
|
||||
1. The reference class (similar past projects)
|
||||
2. Base rate of success
|
||||
3. Typical failure modes
|
||||
4. Why this project might/might-not be representative
|
||||
"""
|
||||
```
|
||||
|
||||
| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|
||||
|------|-----------|-----------|--------|
|
||||
| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A |
|
||||
## 매 결정 기준
|
||||
| 상황 | Approach |
|
||||
|---|---|
|
||||
| 매 estimating new project | Outside view first, inside view as adjustment |
|
||||
| 매 confident in unique advantage | Outside view with small inside-view weight |
|
||||
| 매 forecasting AI capabilities | Reference class of past predictions |
|
||||
| 매 startup go/no-go | Compare to founder cohort base rates |
|
||||
| 매 research timeline | Reference class of similar papers/benchmarks |
|
||||
|
||||
**기본값**: 매 outside view first, inside view as 매 small adjustment (≤20% weight).
|
||||
|
||||
## 🔗 Graph
|
||||
- 부모: [[Decision Theory]] · [[Behavioral Economics]]
|
||||
- 변형: [[Reference Class Forecasting]] · [[Bayesian Reasoning]]
|
||||
- 응용: [[Project Estimation]] · [[Forecasting]] · [[Pre-Mortem]]
|
||||
- Adjacent: [[Planning Fallacy]] · [[Survivorship Bias]] · [[Base Rate Neglect]] · [[Tetlock Superforecasters]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
**언제**: 매 estimation, 매 forecasting, 매 strategic planning, 매 evaluating "we're different" claims.
|
||||
**언제 X**: 매 truly novel domains where no reference class exists (rare — usually a class can be found).
|
||||
|
||||
## ❌ 안티패턴
|
||||
- **"Our project is unique"**: 매 99% of the time, not unique enough to escape base rates.
|
||||
- **Cherry-picked reference class**: 매 selecting only successes — 매 survivorship bias.
|
||||
- **Ignoring distribution**: 매 only using mean — 매 use p10/p90.
|
||||
- **No update mechanism**: 매 collecting new data but not updating reference class.
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
- Verified (Kahneman 2011, Flyvbjerg 2006, Tetlock 2015).
|
||||
- 신뢰도 A.
|
||||
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-05-08 | Phase 1 |
|
||||
| 2026-05-10 | Manual cleanup — outside vs inside view, reference class forecasting |
|
||||
|
||||
Reference in New Issue
Block a user