feat: Wiki 지식 자산 업데이트 - UX Scenarios, Frontend, Game Design, Topics 추가 [2026-05-08]
This commit is contained in:
Vendored
+1
-1
@@ -17,6 +17,6 @@
|
||||
"repelStrength": 10,
|
||||
"linkStrength": 1,
|
||||
"linkDistance": 250,
|
||||
"scale": 0.16770690069075544,
|
||||
"scale": 0.08532287902008198,
|
||||
"close": true
|
||||
}
|
||||
+39
-42
@@ -11,14 +11,10 @@
|
||||
"id": "49ae5a843bcdef44",
|
||||
"type": "leaf",
|
||||
"state": {
|
||||
"type": "markdown",
|
||||
"state": {
|
||||
"file": "AI/Chrome DevTools.md",
|
||||
"mode": "source",
|
||||
"source": false
|
||||
},
|
||||
"icon": "lucide-file",
|
||||
"title": "Chrome DevTools"
|
||||
"type": "graph",
|
||||
"state": {},
|
||||
"icon": "lucide-git-fork",
|
||||
"title": "그래프 뷰"
|
||||
}
|
||||
}
|
||||
]
|
||||
@@ -94,7 +90,6 @@
|
||||
"state": {
|
||||
"type": "backlink",
|
||||
"state": {
|
||||
"file": "Focal Loss (포컬 손실).md",
|
||||
"collapseAll": false,
|
||||
"extraContext": false,
|
||||
"sortOrder": "alphabetical",
|
||||
@@ -104,7 +99,7 @@
|
||||
"unlinkedCollapsed": true
|
||||
},
|
||||
"icon": "links-coming-in",
|
||||
"title": "Focal Loss (포컬 손실) 의 백링크"
|
||||
"title": "백링크"
|
||||
}
|
||||
},
|
||||
{
|
||||
@@ -171,8 +166,8 @@
|
||||
"state": {
|
||||
"type": "broken-links-view",
|
||||
"state": {},
|
||||
"icon": "lucide-ghost",
|
||||
"title": "broken-links-view"
|
||||
"icon": "unlink",
|
||||
"title": "Broken links"
|
||||
}
|
||||
}
|
||||
],
|
||||
@@ -190,38 +185,42 @@
|
||||
"daily-notes:오늘의 일일 노트 열기": false,
|
||||
"templates:템플릿 삽입": false,
|
||||
"command-palette:명령어 팔레트 열기": false,
|
||||
"bases:새 베이스 생성하기": false
|
||||
"bases:새 베이스 생성하기": false,
|
||||
"janitor:Janitor: scan vault": false,
|
||||
"broken-links:View broken links": false
|
||||
}
|
||||
},
|
||||
"active": "49ae5a843bcdef44",
|
||||
"lastOpenFiles": [
|
||||
"Runtime_Validation.md",
|
||||
"런타임 유효성 검사 (Runtime Validation).md",
|
||||
"AI_and_ML/Exploration vs Exploitation.md",
|
||||
"AI_and_ML/Complexity-Theory.md",
|
||||
"AI_and_ML/Complexity Theory.md",
|
||||
"AI_and_ML/Brain-Computer-Interface (BCI).md",
|
||||
"AI_and_ML/Brain-Computer Interface (BCI).md",
|
||||
"AI_and_ML/Bounded-Rationality.md",
|
||||
"AI_and_ML/Bounded Rationality.md",
|
||||
"AI_and_ML/Bellman-Equation.md",
|
||||
"AI_and_ML/Ambient-Declarations.md",
|
||||
"AI_and_ML/Best-of-N-Sampling.md",
|
||||
"AI_and_ML/Best-of-N Sampling.md",
|
||||
"AI_and_ML/Best-of-N Sampling ( ø).md",
|
||||
"Economics & Algorithms/IAP_In_App_Purchase.md",
|
||||
"Economics & Algorithms/IAA_In_App_Advertising.md",
|
||||
"Economics & Algorithms/계단식 수익화 모델 (Staircase Monetization).md",
|
||||
"Economics & Algorithms/게임 수익화 모델.md",
|
||||
"Economics & Algorithms/4X 전략 게임 수익화 모델.md",
|
||||
"Game_Design/Social & Psychology/Social Engineering.md",
|
||||
"Game_Design/Social & Psychology",
|
||||
"Game_Design/Monetization/VIP System.md",
|
||||
"Game_Design/Monetization/Staircase Monetization.md",
|
||||
"Game_Design/Monetization/Power Creep.md",
|
||||
"Game_Design/Monetization",
|
||||
"Frontend/확장 가능한 프론트엔드 아키텍처(Scalable Frontend Architecture).md",
|
||||
"Frontend/하이드레이션 (Hydration).md",
|
||||
"Frontend/프론트엔드 성능 최적화 및 SEO 개선 프로젝트.md",
|
||||
"Frontend/크리티컬 렌더링 패스 (Critical Rendering Path).md",
|
||||
"Frontend/컴포넌트 기반 아키텍처(Component-Based Architecture).md",
|
||||
"_agents",
|
||||
"Harness_Research_2026-05/허용 목록 (Allow-listing).md",
|
||||
"Harness_Research_2026-05/파일 시스템 (Filesystem).md",
|
||||
"Harness_Research_2026-05/체크포인팅 (Checkpointing).md",
|
||||
"Harness_Research_2026-05/인간 개입 (Human-in-the-Loop, HITL).md",
|
||||
"Harness_Research_2026-05/심층 방어 (Defense-in-depth).md",
|
||||
"Harness_Research_2026-05/샌드박스 (Sandbox).md",
|
||||
"Harness_Research_2026-05/상태 관리 (State Management).md",
|
||||
"Harness_Research_2026-05/랄프 루프 (Ralph Loop).md",
|
||||
"Harness_Research_2026-05/둠 루프 (Doom Loop).md",
|
||||
"Harness_Research_2026-05/데이터 품질 계층 (Data Quality Layer).md",
|
||||
"Harness_Research_2026-05/다중 수준 권한 모드 (Multi-Level Permission Modes).md",
|
||||
"Harness_Research_2026-05/가드레일 (Guardrails) 및 제어 시스템.md",
|
||||
"Harness_Research_2026-05/Token Savior.md",
|
||||
"Harness_Research_2026-05/Server-Sent Events (SSE).md",
|
||||
"Harness_Research_2026-05/Schema Drift (스키마 표류).md",
|
||||
"Harness_Research_2026-05/Sandbox.md",
|
||||
"Harness_Research_2026-05/Pre-Action Authorization.md",
|
||||
"Harness_Research_2026-05/Phase 3- Harness Engineering.md",
|
||||
"Harness_Research_2026-05/Permissions and Safety.md",
|
||||
"Harness_Research_2026-05/OpenHarness.md",
|
||||
"Harness_Research_2026-05/Open Harness.md",
|
||||
"Harness_Research_2026-05/Meta-Harness.md",
|
||||
"Harness_Research_2026-05/Meta-Harness (메타 하네스).md",
|
||||
"Harness_Research_2026-05/Mcp-Session-Id.md",
|
||||
"Harness_Research_2026-05",
|
||||
"_company/sessions/2026-05-07T15-11",
|
||||
"memory/episodes/ep_2026-05-07__volumes_data_project_antigravity_connec.json",
|
||||
@@ -230,8 +229,6 @@
|
||||
"무제.base",
|
||||
"무제 1.canvas",
|
||||
"무제.canvas",
|
||||
"memory/episodes/ep_2026-05-05__volumes_data_project_antigravity_블로그_v3.json",
|
||||
"memory/episodes/ep_2026-05-05_새로운_프로젝트야_이건_google_ai_studio에서_실행되는거야_다.json",
|
||||
"memory/episodes/ep_2026-05-05_사용자께서_주신_astra의_답변은_프로젝트의_본질을_꿰뚫어_본_매우_정.json"
|
||||
"memory/episodes/ep_2026-05-05__volumes_data_project_antigravity_블로그_v3.json"
|
||||
]
|
||||
}
|
||||
+63
-3
@@ -1,13 +1,73 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-REDIRECT-4X-001
|
||||
id: wiki-2026-0508-4x-전략
|
||||
title: 4X 전략
|
||||
category: Redirect
|
||||
status: merged
|
||||
duplicate_of: "[[4X_Strategy]]"
|
||||
canonical_id: self
|
||||
aliases: [P-Reinforce-REDIRECT-4X-001]
|
||||
duplicate_of: 4X_Strategy
|
||||
source_trust_level: A
|
||||
confidence_score: 0.92
|
||||
tags: [uncategorized]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-05-08
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
---
|
||||
|
||||
# [[4X 전략]]
|
||||
|
||||
> [!NOTE]
|
||||
> 본 문서는 **[[4X_Strategy]]**로 통합되었습니다. 지식의 중복을 방지하고 최신성을 유지하기 위해 위 대표 문서에서 내용을 관리합니다. 🫡🐟
|
||||
> 본 문서는 **[[4X_Strategy]]**로 통합되었습니다. 지식의 중복을 방지하고 최신성을 유지하기 위해 위 대표 문서에서 내용을 관리합니다. 🫡🐟
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
|
||||
> 4X 전략은 Explore·Expand·Exploit·Exterminate의 약자로, 거대 전략 게임의 표준 디자인 프레임이다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
|
||||
**추출된 패턴:** 4축 = 동기·메커니즘·성장 곡선의 4가지 축. 한 축이 약하면 게임이 한쪽으로 기움.
|
||||
|
||||
**세부 내용:**
|
||||
- 탐사: 정찰·발견.
|
||||
- 확장: 도시·자원 점유.
|
||||
- 활용: 기술·경제·생산.
|
||||
- 말살: 전쟁·외교.
|
||||
- 모바일 SLG는 "빠른 확장 + 동맹" 강조.
|
||||
|
||||
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
|
||||
|
||||
**언제 이 지식을 쓰는가:**
|
||||
- *(TODO)*
|
||||
|
||||
**언제 쓰면 안 되는가:**
|
||||
- *(TODO)*
|
||||
|
||||
## 🧪 검증 상태 (Validation)
|
||||
|
||||
- **정보 상태:** merged
|
||||
- **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
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
|
||||
- **Parent:** [[10_Wiki/Topics]]
|
||||
- **Related:** *(TODO: 최소 2개)*
|
||||
- **Opposite / Trade-off:** *(TODO)*
|
||||
- **Raw Source:** 직접 입력
|
||||
|
||||
## 🕓 변경 이력 (Changelog)
|
||||
|
||||
| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|
||||
|------|-----------|-----------|--------|
|
||||
| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A |
|
||||
@@ -1,23 +1,22 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-MANUAL-4X-STRAT-001
|
||||
title: 4X Strategy (4X 전략)
|
||||
id: wiki-2026-0508-4x-strategy
|
||||
title: 4X Strategy
|
||||
category: Game Design
|
||||
status: verified
|
||||
canonical_id:
|
||||
aliases: [4X 전략, 4X 시스템, 4X System, 4X 전략 게임 수익화 모델]
|
||||
duplicate_of:
|
||||
canonical_id: self
|
||||
aliases: [P-Reinforce-MANUAL-4X-STRAT-001, 4X 전략, 4X 시스템, 4X System, 4X 전략 게임 수익화 모델]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.95
|
||||
created_at: 2026-05-08
|
||||
updated_at: 2026-05-08
|
||||
tags: [game-design, monetization, 4x, mobile-games]
|
||||
raw_sources: [E:/Wiki/2nd/10_Wiki/Topics/4X 전략.md, E:/Wiki/2nd/10_Wiki/Topics/AI_and_ML/4X_전략.md, E:/Wiki/2nd/10_Wiki/Topics/Economy/4X 전략 게임 수익화 모델.md, E:/Wiki/2nd/10_Wiki/Topics/Game_Design/4X 시스템 (4X System).md]
|
||||
raw_sources: ["E:/Wiki/2nd/10_Wiki/Topics/4X 전략.md", "E:/Wiki/2nd/10_Wiki/Topics/AI_and_ML/4X_전략.md", "E:/Wiki/2nd/10_Wiki/Topics/Economy/4X 전략 게임 수익화 모델.md", "E:/Wiki/2nd/10_Wiki/Topics/Game_Design/4X 시스템 (4X System).md"]
|
||||
last_reinforced: 2026-05-08
|
||||
github_commit: "reinforce:merge - 4X Strategy consolidation"
|
||||
---
|
||||
|
||||
# 4X Strategy (4X 전략)
|
||||
|
||||
## 📌 한 줄 통찰 (One-line Insight)
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "탐험(Explore), 확장(Expand), 활용(Exploit), 섬멸(Exterminate)의 순환 구조를 통해 강력한 몰입을 형성하고, 정교한 수익화 모델과 소셜 엔지니어링을 결합하여 극강의 유저 생애 가치(LTV)를 창출하는 전략 게임의 정수."
|
||||
|
||||
## 📖 핵심 개념 (Core Concept)
|
||||
@@ -38,19 +37,41 @@ github_commit: "reinforce:merge - 4X Strategy consolidation"
|
||||
## 📝 세부 내용 (Detailed Content)
|
||||
4X 전략 게임은 동맹(Alliance) 중심의 고도화된 정치 및 사회적 생태계를 지닙니다. 실시간 번역 기능을 통한 글로벌 소통, 권력자에 의한 칭호(버프/디버프) 부여 시스템 등은 유저들이 사회적 압박감(Peer pressure)을 느끼게 하여 이탈을 막습니다. 엔드게임 콘텐츠로는 왕국 내의 'Wonder' 쟁탈전이나 서버 간 대규모 전쟁인 '왕국 간 전쟁(KvK)'이 핵심입니다.
|
||||
|
||||
## ✅ 검증 상태 (Verification Status)
|
||||
## 🧪 검증 상태 (Validation)
|
||||
* [x] 4X 핵심 루프 정의 완료
|
||||
* [x] 모바일 수익화 메커니즘 분석 완료
|
||||
* [x] 주요 사례(Game of War, Rise of Kingdoms 등) 대조 완료
|
||||
|
||||
## 🔗 지식 연결 (Related Links)
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Related Topics:** [[수익화 모델(BM)]], [[VIP 시스템]], [[소셜 엔지니어링(Social Engineering)]], [[왕국 간 전쟁(KvK)]], [[적자 경제(Deficit economy)]], [[영구적 손실(Permanent Loss)]]
|
||||
- **Projects/Contexts:** [[Game of War: Fire Age]], [[Rise of Kingdoms]], [[Machine Zone(MZ)]], [[Puzzles & Survival]], [[State of Survival]]
|
||||
- **Raw Source:** 00_Raw 데이터 및 기존 4X 관련 산재된 문서들 병합.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions/Updates)
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- **과거 데이터와의 충돌:** 초기 4X는 단순 경쟁 위주였으나, 최근에는 매치3나 퍼즐 등 캐주얼 요소를 도입하는 '장르 융합(Genre-Blending)'이 주류 전략으로 부상함.
|
||||
- **업데이트 사항:** 2026년 기준, AI 기반 개인화 오퍼링 시스템이 수익화의 핵심으로 자리 잡고 있음.
|
||||
|
||||
## 📜 변경 이력 (Change History)
|
||||
## 🕓 변경 이력 (Changelog)
|
||||
- 2026-05-08: [P-Reinforce] 분산된 4X 관련 문서 4종 통합 및 정규화 수행 (Kodari 지시).
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
|
||||
**추출된 패턴:**
|
||||
> *(TODO)*
|
||||
|
||||
**세부 내용:**
|
||||
- *(TODO)*
|
||||
|
||||
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
|
||||
|
||||
**언제 이 지식을 쓰는가:**
|
||||
- *(TODO)*
|
||||
|
||||
**언제 쓰면 안 되는가:**
|
||||
- *(TODO)*
|
||||
|
||||
## 🧬 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.
|
||||
@@ -1,31 +0,0 @@
|
||||
---
|
||||
category: AI & Games
|
||||
status: Final
|
||||
converted_at: 2026-04-28
|
||||
---
|
||||
|
||||
# [[WARNO]] 데이터 기반 설계
|
||||
|
||||
## 📌[[ brief]] Summary
|
||||
WARNO는 단순한 실시간 전술 게임을 넘어 냉전 시대의 군사 교리와 장비 제원을 고도의 데이터 아키텍처로 치환한 가상 전장 시뮬레이션입니다 [1]. 시각적 요소부터 물리적 충돌, 심리적 제압 시스템에 이르는 모든 게임 내 요소는 NDF(Neutral Data Format)라는 독자적인 스크립트 언어와 정교한 수학적 모델링을 통해 상호 연결된 데이터 구조 내에서 작동합니다 [1, 2]. 개발사는 텔레메트리(Telemetry)를 활용하여 객관적인 데이터 기반 밸런싱을 수행하며, 유저 커뮤니티에도 이 데이터 설계를 개방하여 확장 가능한 전술 시뮬레이션 프레임워크를 구축하고 있습니다 [3, 4].
|
||||
|
||||
## 📖 Core Content
|
||||
* **Iriszoom 엔진과 시각 데이터 연동:** 물리 기반 렌더링(PBR)을 전면 도입하여 유닛과 지형의 재질별 식별성을 강화했습니다 [5, 6]. 단순한 폭발 이펙트가 아닌 탄약고 유폭 시 포탑 사출, 헬기 로터 블레이드 비산 등 동적 파괴 시스템이 유닛의 상태 데이터와 물리적으로 동기화되어 작동합니다 [5, 6].
|
||||
|
||||
* **[[NDF (Neutral Data Format)]] 아키텍처:** WARNO의 논리적 설계는 NDF 파일 내에 텍스트 기반 객체 지향 구조로 모듈화되어 있습니다 [2]. `UniteDescriptor.ndf`, `WeaponDescriptor.ndf`, `Ammunition.ndf` 등을 통해 게임 코드의 직접적인 수정 없이 유닛의 스펙, 관통력, 명중률, 사거리 데이터를 미세 조정할 수 있어 밸런싱과 모딩에 유연성을 제공합니다 [2, 7].
|
||||
|
||||
* **전투 역학의 수학적 정밀도:** 명중률은 고정된 확률이 아니라 거리가 좁혀질수록 특정 구간에서 기하급수적으로 상승하는 비선형적 거리 비례 데이터 곡선을 따르며, 이동 중 사격 시에는 스테빌라이저 유무에 따라 패널티 데이터가 감쇄됩니다 [8, 9]. 항공기에 대한 대공 미사일 명중률은 타겟의 ECM 데이터를 승수적으로 반영하여 산출($P_{final} = BaseAccuracy \times (1 - ECM)$)됩니다 [10, 11].
|
||||
|
||||
* **장갑 관통 데이터 추상화:** 실제 RHA 수치를 게임에 맞게 스케일링 한 '장갑 점수(Armor Value)'를 사용하며, 철갑탄(AP) 등 운동에너지(KE) 탄자는 거리에 비례하여 관통력이 감소하는 데이터 곡선을 가지는 반면, 대전차 고폭탄(HEAT) 및 대전차 미사일(ATGM)은 성형작약 원리를 반영해 사거리에 상관없이 일정한 관통력을 유지합니다 [12-14]. 관통 후 피해량은 장갑과 관통력의 차이에 기반하여 `(AP Value - Armor) / 2 + 1`과 같은 수학적 로직으로 계산됩니다 [15].
|
||||
|
||||
* **심리적 제압(Suppression)과 시야(Optics) 시스템:** 모든 유닛은 500점의 기본 제압 데이터를 보유하며, 피격이나 주변 폭발 시 수치가 누적되어 명중률, 재장전 속도, 기동성 수치의 하락을 유발합니다 [16]. 정찰 시스템은 관측 유닛의 광학(Optics) 수치와 대상 유닛의 은신(Stealth) 수치 간의 거리 판정을 기반으로 하며, 무기 발사 시 적용되는 소음([[Noise]]) 데이터가 은신 수치를 일시적으로 삭감시켜 노출 위험도를 높입니다 [17, 18].
|
||||
|
||||
* **사단 중심의 전략 제약과 텔레메트리 밸런싱:** 사단(Division) 편제표에 따라 유닛의 가용성(Availability) 및 슬롯 포인트 데이터를 달리 설정하여 플레이어가 전술적 장단점을 강제받도록 유도합니다 [19]. 개발사는 방대한 실시간 텔레메트리 데이터를 분석해 픽률과 교전 효율(승률, 생존 시간)을 토대로 유닛의 포인트, 무장 스펙, 특성 데이터를 객관적으로 튜닝하는 밸런싱 작업을 거칩니다 [3, 20].
|
||||
|
||||
## 🔗 Knowledge Connections
|
||||
- **Related Topics:** [[NDF (Neutral Data Format)]], [[Iriszoom 엔진]], [[텔레메트리 (Telemetry) 밸런싱]], [[Combined Arms (제병협동) 전술]]
|
||||
- **Projects/Contexts:** [[Eugen[[ system]]s의 냉전기 가상 시나리오 및 모딩 생태계 구축]]
|
||||
- **Contradictions/Notes:** WARNO의 장갑 데이터는 게임 성능 최적화와 복잡한 입사각 계산의 단순화를 위해, 경사 장갑 등에 의한 방호 효과를 추상화하여 장갑 수치 데이터 자체에 반영함으로써 실제 물리적 두께보다 높게 설정된 경우가 존재합니다 [13].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-28*
|
||||
@@ -1,39 +0,0 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-92F236
|
||||
category: "10_Wiki/💡 Topics/AI & Tools"
|
||||
confidence_score: 0.95
|
||||
tags: []
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Batch 10 - Wikified AI Connect LLM Tool"
|
||||
---
|
||||
|
||||
# [[AI Connect LLM Tool]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> **Connect AI**는 100% 로컬 및 오프라인 환경에서 작동하는 VS Code 전용 프리미엄 AI 코딩 에이전트입니다. 외부 서버 연결 없이 사용자의 하드웨어(Ollama/LM Studio)를 직접 활용하여 파일 생성, 편집, 터미널 명령 실행 및 개인 지식 기반(Second Brain) 연동을 지원합니다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 신규 지식 유입에 따른 기존 지식과의 정합성 검증 단계.
|
||||
- **정책 변화:** AI & Tools 분야의 체계적 지식 자산화 진행.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Related Topics:** Ollama, LM Studio, VS Code Extension Development, Agentic AI
|
||||
- **Projects/Contexts:** Connect-AI-Lab, EZERAI Infrastructure
|
||||
- **Contradictions/Notes:**
|
||||
- **통합 구조:** 현재 프로젝트는 모든 로직(UI, 통신, 에이전트)이 `extension.ts` 하나에 집중된 모놀리식 구조를 가지고 있어, 향후 대규모 기능 추가 시 모듈화가 권장됩니다.
|
||||
- **보안:** 모든 작업이 로컬에서 이루어지므로 기업 보안 환경에 매우 적합하나, `run_command` 실행 시 사용자의 최종 확인 절차가 보완될 필요가 있습니다.
|
||||
|
||||
---
|
||||
|
||||
*Last updated: 2026-04-14*
|
||||
|
||||
---
|
||||
|
||||
# 🕵️ 프로젝트 코드 리뷰 리포트
|
||||
|
||||
`/Volumes/Data/project/Antigravity/local_module/resource` 프로젝트에 대한 상세 코드 리뷰 결과입니다.
|
||||
|
||||
---
|
||||
@@ -1,27 +0,0 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AI-SAFETY
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.0
|
||||
tags: [[[AI Safety]], [[Alignment]], Risk [[Management]], AI Ethics]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# AI-Safety (AI 안전)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "브레이크 없는 기차는 재앙이다." 인간보다 강력한 지능이 탄생했을 때, 그 지능이 인간의 목표와 문명을 파괴하지 않도록 기술적/방어적 보호막을 구축하는 가장 시급한 연구 분야다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **[[Robustness]]**:
|
||||
- 적대적 공격(Adversarial Attack)이나 처음 보는 돌발 상황에서도 AI가 오작동하지 않고 안전하게 관리되는 성질.
|
||||
- **[[Interpretability]]**:
|
||||
- 신경망이라는 블랙박스 내부에서 어떤 논리 구조로 판단을 내리는지 인간이 읽을 수 있게 시각화하고 분석하는 기술(Mechanistic Interpretability).
|
||||
- **Scalable Oversight**:
|
||||
- 인간이 이해하기 힘든 복잡한 지능을 가진 AI를 다른 AI가 감시하게 하여, 인간의 통제력을 잃지 않게 하는 감시 체계.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- AI 안전은 종종 모델의 성능 발전을 늦춘다는 비판을 받는다. 그러나 최근 연구에 따르면, 안전하게 설계된 모델(Aligned model)이 정제된 사고 능력 덕분에 실제 실무 성능도 더 높게 나타나는 '보안-성능 시너지'가 확인되고 있다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[AI-Alignment]] , AI-Governance
|
||||
- [[Strategy]]: [[Reliability_Safety_First]]
|
||||
@@ -1,31 +0,0 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-AISA-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.99
|
||||
tags: [auto-reinforced, ai-safety, [[Alignment]], existential-risk, [[Robustness]], evaluation]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[AI Safety]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "지능의 고비를 넘는 안전장치: AI가 인간의 의도를 오해하거나 예측 불가능하게 행동하여 신체적, 정신적, 사회적 피해를 입히지 않도록 연구하는 기술적 보안 및 예방 체계."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
AI 안전(AI Safety)은 AI 시스템이 설계된 목표 내에서만 안전하게 작동하도록 보장하고, 인간에게 해로운 행동을 하지 못하도록 방지하는 데 초점을 맞춘 분야입니다.
|
||||
|
||||
1. **3대 연구 영역**:
|
||||
* **Technical Robustness**: 외부 공격(Adversarial attacks)이나 예외 상황에서도 모델이 무너지지 않게 함.
|
||||
* **Incentive Design (Alignment)**: 모델이 점수를 얻기 위해 '지름길(Cheat)'을 택하지 않고 진짜 목적을 따르도록 설계.
|
||||
* **Monitoring & Control**: AI의 비정상적 징후를 감지하고 즉시 차단(Kill-switch)할 수 있는 가시성 확보.
|
||||
2. **주요 위협 사례**:
|
||||
* Deepfakes을 통한 여론 조작, 자율 무기 시스템의 오류, 통제권을 벗어난 초지능(AGI)의 출현.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 '버그 수정' 수준의 사후 대응 정책이었으나, 현대 정책은 모델 배포 전 레드팀(Red-teaming)을 통한 '사전 안전 검증 정책'을 법적 의무로 강화함(RL Update).
|
||||
- **정책 변화(RL Update)**: 단순히 기술적 안전을 넘어, 사회적 가치와 공존하는지 검증하는 '거버넌스 연계형 AI 안전 정책'이 글로벌 안전 서밋(UK AI Safety Summit 등)의 핵심 의제가 됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Alignment]], [[AI Governance]], [[Safety & Reliability]], [[Generative-AI]]-Safety, [[Ethics & AI]]
|
||||
- **Modern Tech/Tools**: RLHF (Reinforcement Learning from Human Feedback), Jailbreak [[Testing]], Model evaluation suites.
|
||||
---
|
||||
@@ -1,33 +0,0 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-76F9E4
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - AI 코드 리뷰"
|
||||
---
|
||||
|
||||
# [[AI 코드 리뷰]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> AI 코드 리뷰는 인공지능 에이전트나 머신러닝(ML) 기반의 정적 분석 도구([[SAST]])를 활용하여 소스 코드의 결함, 보안 취약점, 스타일 위반 및 로직 오류를 식별하는 자동화 프로세스입니다 [1-3]. IDE, CI/CD 파이프라인, 풀 리퀘스트(PR) 등 개발 워크플로우에 통합되어 개발자에게 실시간에 가까운 피드백과 자동 수정(Auto-fix) 제안을 제공합니다 [2, 4-8]. 이를 통해 코드 리뷰의 대기 시간을 줄이고 일관된 품질 표준을 강제할 수 있지만, 아키텍처 의도나 비즈니스 로직의 문맥을 깊이 이해하는 데는 한계가 있어 인간 검토자와의 하이브리드 접근 방식이 필수적으로 요구됩니다 [5, 9-12].
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **작동 방식 및 주요 기술**: 기존의 규칙 기반 정적 분석에 머신러닝(ML), 대규모 언어 모델(LLM) 등을 결합하여 코드의 문맥, 데이터 흐름(Data flow), 오염 추적(Taint [[Analysis]]) 등을 시맨틱하게 분석합니다 [4, 13-18].
|
||||
- **주요 이점**: 대규모 코드베이스를 단 몇 초에서 몇 분 안에 스캔하여 보안 취약점과 버그를 조기에 발견합니다 [19, 20]. 시니어 검토자의 큐(Queue)에서 저위험군 코멘트를 제거하여 PR 검토 주기를 최대 40%까지 단축시키며, 결과적으로 인간 검토자가 아키텍처 설계와 비즈니스 로직에 집중할 수 있도록 돕습니다 [5, 11, 19].
|
||||
- **한계점 및 위험성**: AI는 코드의 전반적인 아키텍처 의도나 비즈니스 로직을 완벽히 이해하지 못하는 '문맥 맹점(Context Blindness)'을 지닙니다 [12, 21, 22]. 또한, 오탐지(False Positives)를 발생시키거나 환각(Hallucination)에 의한 잘못된 수정안을 제안할 위험이 존재하며, 검토자가 AI를 맹신하여 비판적 사고가 저하되는 '녹색 체크 표시 증후군(Green Check Mark Syndrome)'을 초래할 수 있습니다 [12, 23-25].
|
||||
- **하이브리드 리뷰 모델 및 거버넌스**: 2025년 이후의 현대 소프트웨어 개발에서는 AI 자동화 리뷰와 인간의 수동 리뷰를 결합한 '하이브리드(Hybrid) 리뷰'가 모범 사례로 꼽힙니다 [9-11, 26-28]. 일반적인 취약점 패턴이나 문법 등 기계적인 검증은 AI 도구에 맡기고, 도메인 특화 비즈니스 로직이나 교차 서비스 영향도 평가는 인간이 담당해야 합니다 [28, 29]. 아울러 지적 재산(IP) 유출 방지와 보안을 위해 "인간 개입(Human-in-the-Loop)"을 의무화하는 명확한 AI 사용 정책(Governance) 수립이 필수적입니다 [30-34].
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요.
|
||||
- **정책 변화:** AI 분야의 자동 자산화 수행.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Related Topics:** [[SAST]], 풀 리퀘스트(Pull Request), [[DevSecOps]]
|
||||
- **Projects/Contexts:** [[SonarQube]], Snyk Code, GitHub Advanced Security, [[Corgea]]
|
||||
- **Contradictions/Notes:** AI 코드 리뷰 도구의 도입만으로는 배포 성능이나 품질이 보장되지 않는다는 점에 유의해야 합니다. 맹목적인 도구 도입과 높은 AI 사용률에도 불구하고 실제 PR 처리 시간이나 재작업 비율은 개선되지 않을 수 있으므로, 결과(DORA 지표 등)에 기반한 관리가 중요합니다 [35-37]. 또한 일부 AI 네이티브 도구들은 오탐률을 혁신적으로 줄였다고 주장하지만(예: [[Corgea]] 5% 미만, Veracode 1.1% 미만), 근본적으로 어떠한 도구도 오탐을 완벽히 제거할 수는 없으므로 인간의 검토와 검증 과정이 반드시 수반되어야 합니다 [38-40].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-19*
|
||||
|
||||
---
|
||||
@@ -1,27 +0,0 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-TS-AMBIENT
|
||||
category: "10_Wiki/💡 Topics/Design & Experience"
|
||||
confidence_score: 0.98
|
||||
tags: [TypeScript, [[Ambient Declarations]], dts, Coding Standards]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Ambient-Declarations]] (앰비언트 선언)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "존재하지만 실체는 없는 것들에 대한 증명." 타입스크립트 컴파일러에게 "이 변수나 함수는 외부에 이미 있으니 타입만 믿고 통과시켜라"라고 알려주는 `declare` 키워드의 본질이다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **declare keyword**:
|
||||
- 실제 컴파일된 JS 파일에는 포함되지 않지만, 타입 전용 공간에서 전역 변수나 라이브러리의 구조를 선언할 때 사용한다.
|
||||
- **.d.ts files**:
|
||||
- 앰비언트 선언들이 모여 있는 파일. 프로젝트 전체에 걸쳐 전역적인 타입 정보를 제공하는 '타입 명세서' 역할을 한다.
|
||||
- **External Library Integration**:
|
||||
- 타입 정보가 없는 레거시 JS 라이브러리를 타입스크립트 프로젝트에서 에러 없이 사용하기 위한 필수 관문이다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 무분별한 앰비언트 선언은 전역 네임스페이스를 오염시킨다. 현대적 가이드라인은 가능하면 `Module Augmentation`을 사용하거나 `@types` 패키지를 통해 엄격하게 관리하는 것을 권장한다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Declaration-Files]] , Module-Augmentation
|
||||
- Standard: [[Branded-Types-for-Nominal-Typing]]
|
||||
@@ -1,29 +0,0 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AI-BAYESIAN
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.98
|
||||
tags: [Bayesian Inference, Probability, Stats, AI]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# Bayesian-Inference (베이지안 추론)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "믿음은 고정된 것이 아니라 정보에 따라 진화한다." 기존의 배경 지식(Prior)에 새로운 근거(Evidence)를 더해 더 정확한 진실(Posterior)에 다가가는 통계학적 통찰이다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Prior Probability (사전 확률)**:
|
||||
- 새로운 데이터를 보기 전에 우리가 이미 알고 있는 지식이나 가설의 확률.
|
||||
- **Likelihood (우도)**:
|
||||
- 어떤 가설이 참일 때, 현재 관찰된 데이터가 나타날 확률.
|
||||
- **Posterior Probability (사후 확률)**:
|
||||
- 새로운 데이터를 반영한 후 업데이트된 우리의 최종 믿음.
|
||||
- **Application**:
|
||||
- 스팸 메일 필터링, 의료 진단, 자율주행 차의 센서 융합 등 불확실성이 큰 환경의 의사결정에 필수적이다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 베이지안 추론은 '사전 확률'을 설정할 때 주관이 개입된다는 비판을 받기도 한다(빈도주의 통계학과의 논쟁). 하지만 데이터가 적은 초기 상태에서는 베이지만큼 강력한 예측 도구가 없다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Automated-Reasoning]] , [[Behavioral-Economics]]
|
||||
- Foundation: [[Computational Theory & Math/Information Theory]]
|
||||
@@ -1,27 +0,0 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AI-BELLMAN
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.99
|
||||
tags: [Bellman Equation, Reinforcement Learning, Math, Dynamic Programming]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Bellman-Equation]] (벨만 방정식)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "오늘의 보상(Step reward) + 내일의 가치(Future value) = 오늘의 가치." 시간의 흐름 속에 흩어진 가치를 하나로 묶어주는 재귀의 미학이다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Recursive Utility**:
|
||||
- 현재 상태의 가치(Value)를 '즉각적 보상'과 '다음 상태의 기대 가치'의 합으로 정의한다. 이는 복잡한 미래 결정을 작은 현재 결정으로 쪼개어 풀 수 있게 한다.
|
||||
- **Dynamic Programming (동적 계획법)**:
|
||||
- 벨만 방정식은 큰 문제를 작은 부분 문제로 나누어 푸는 근간이 된다. 바둑(AlphaGo)이나 체스 AI의 핵심 연산 원리다.
|
||||
- **Discount Factor (Gamma)**:
|
||||
- 미래의 가치를 현재 시점으로 환산할 때 얼마나 깎을지(가중치)를 결정하는 변수. 1에 가까울수록 먼 미래를 보고, 0에 가까울수록 당장의 이익에 집중한다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 실제 세계(Model-free)에서는 다음 상태의 가치를 정확히 알 수 없다. 그래서 벨만 방정식을 기반으로 경험을 통해 가치를 추측해가는 'Q-Learning'이나 'Deep Q-Networks(DQN)'로 발전해왔다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: Reinforcement Learning , Deep-[[Reinforcement-Learning]]
|
||||
- Foundation: [[Computational Theory & Math/Information Theory]]
|
||||
@@ -1,27 +0,0 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AI-BELLMAN
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.0
|
||||
tags: [[[Bellman Equation]], Reinforcement Learning, Dynamic Programming, MDP]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Bellman-Equation]] (벨만 방정식)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "오늘의 선택은 내일의 가치를 품고 있다." 현재 상태의 가치를 '현재 받는 보상'과 '다음 상태의 기대 가치'의 합으로 정의하는 강화학습과 동적 계획법의 수학적 초석이다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Recursive Structure**:
|
||||
- 복잡한 미래의 합을 현재와 바로 다음 단계의 관계로 쪼갬으로써, 거대한 의사결정 문제를 계산 가능한 단위로 분해한다.
|
||||
- **[[State]]-Value Function (V)**:
|
||||
- 특정 상태에 있는 것이 장기적으로 볼 때 얼마나 좋은지 수치화한다.
|
||||
- **Action-Value Function (Q)**:
|
||||
- 특정 상태에서 특정 행동을 하는 것이 얼마나 좋은지 수치화하며, 이는 Q-Learning의 핵심이 된다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 벨만 방정식은 환경의 변화를 완벽히 안다는 가정하에 작동한다. 실제 세상처럼 환경이 불투명할 때는 근사치(Approximation)를 사용하는 Deep Q-Network(DQN) 등이 대안으로 사용된다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[DQN]] , [[Reinforcement-Learning]]
|
||||
- Foundation: [[Computational Theory & Math/Information Theory]]
|
||||
@@ -1,27 +0,0 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AI-BESTN
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.98
|
||||
tags: [LLM, Sampling, Best-of-N, [[Search]], Generation]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Best-of-N-Sampling]] (베스트 오브 N 샘플링)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "열 번 찍어 안 넘어가는 나무 없다." AI에게 N번 시도하게 하고, 그중 가장 '정답에 가까운' 결과물을 보상 모델(Reward Model)로 골라내는 필승 전략이다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추론 시간 연산 (Inference-time Compute)**:
|
||||
- 모델의 크기를 키우는 대신, 추론 시점에 더 많은 계산을 수행하여 답변의 품질을 높이는 기법. 최근 OpenAI o1 등 추론 모델의 핵심 원리 중 하나다.
|
||||
- **Reward Modeling (RM)**:
|
||||
- N개의 답변 중 어떤 것이 가장 좋은지 판별하는 별도의 '감별사 AI'를 투입한다. 인간의 선호도(RLHF)를 반영한 RM이 최종 선택을 담당한다.
|
||||
- **Majority Voting vs Selection**:
|
||||
- 수학 문제라면 답변들 중 가장 많이 나온 값(Majority Vote)을 택하고, 창의적 답변이라면 RM 스코어가 가장 높은 것을 택한다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- N이 클수록 품질은 올라가지만 비용과 응답 지연 시간(Latency)이 기하급수적으로 늘어난다. 실시간 서비스에서는 N=3~5 수준의 타협점이 요구되며, 최근에는 자가 수정([[Self-Correction]]) 능력을 키우는 쪽으로 연구가 이동 중이다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: Reinforcement Learning , AI 모델 평가
|
||||
- Context: [[Information Theory]]
|
||||
@@ -1,29 +0,0 @@
|
||||
---
|
||||
id: BON-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.0
|
||||
tags: [ai-inference, llm, sampling-[[Strategy]], post-[[Processing]]]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[Best-of-N Sampling (최적 샘플링)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "많이 뽑고 가장 좋은 것을 골라라" — 모델로부터 N개의 응답을 생성한 뒤, 별도의 보상 모델(RM)이나 채점 기준을 통해 가장 품질이 높은 최적의 답변 하나를 선택하는 추론 최적화 기법.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 생성(Generation)과 검증(Verification) 단계를 분리하여, 단일 생성 시 발생할 수 있는 환각(Hallucination)이나 저품질 응답 리스크를 통계적으로 억제하는 패턴.
|
||||
- **세부 내용:**
|
||||
- **N개 생성:** 동일한 프롬프트에 대해 온도를 조절하며 독립적인 N개의 응답 후보군을 확보.
|
||||
- **Reward Model (RM):** 각 후보 응답의 논리성, 안전성, 정확성을 평가하여 점수를 부여.
|
||||
- **Rejection Sampling:** 점수가 낮은 응답은 버리고 최고점을 받은 응답만을 최종 출력으로 선택.
|
||||
- **연산 비용:** 추론 시 N배의 컴퓨팅 자원이 소모되지만, 결과물의 신뢰도를 비약적으로 상승시킴.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 단순히 확률 기반으로 다음 토큰을 고르던 방식에서, 전체 문맥의 완성도를 사후에 평가하는 '검증 기반 추론'으로의 발전.
|
||||
- **정책 변화:** 실시간 응답이 중요한 챗봇보다는 정확도가 생명인 코드 생성이나 데이터 추출 에이전트에서 주로 채택됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Parent:** 10_Wiki/💡 Topics/AI
|
||||
- **Related:** Chain-of-Thought, Self-Consistency, Reward-Modeling
|
||||
- **Raw Source:** 00_Raw/2026-04-20/[[Best-of-N Sampling]].md
|
||||
@@ -1,27 +0,0 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AI-BEST-OF-N
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.99
|
||||
tags: [Best-of-N, Sampling, Inference, Reward Model, AI [[Alignment]]]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Best-of-N-Sampling]] (Best-of-N 샘플링)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "열 정승보다 나은 한 명의 장군 찾기." LLM이 생성한 N개의 결과물 중, 보상 모델(Reward Model)이 가장 우수하다고 판단한 단 하나의 답변을 선택하여 품질을 극대화하는 추론 전략이다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Generation & Scoring**:
|
||||
- 동일한 프롬프트에 대해 정책 모델(Policy)이 여러 개의 독립된 답변을 생성하고, 이를 별도의 채점 모델(Reward)이 평가한다.
|
||||
- **Inference Time Compute**:
|
||||
- 모델을 더 키우는 대신 '추론 단계의 연산량'을 늘려 성능을 향상시키는 경제적인 성능 고도화 방법(Scaling Laws for Inference).
|
||||
- **Quality Control**:
|
||||
- 환각이 발생한 답변이나 안전 가이드라인을 어긴 답변을 필터링하고 가장 논리적인 결과물을 도출한다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- N이 커질수록 품질은 좋아지지만 코스트(비용)와 지연 시간(Latency)이 기하급수적으로 늘어난다. 따라서 서비스의 실시간성 요구도에 따라 N의 적절한 값을 정하는 것이 엔지니어링의 묘미다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Prompt-Engineering]] , [[Reinforcement-Learning]]-from-Human-Feedback-(RLHF)
|
||||
- Metric: Reward-Model-Training
|
||||
@@ -1,31 +0,0 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-BONS-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.94
|
||||
tags: [auto-reinforced, best-of-n, sampling-[[Strategy]], [[Inference-Optimization]], llm, [[Reasoning]], reranking]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Best-of-N-Sampling]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "지능의 물량 공세: 한 번에 정답을 맞히려 애쓰기보다, N개의 답변을 동시에 생성한 뒤 그중 가장 논리적이고 정확한 '최선의 답변'을 골라내는 방식으로 추론 능력을 비약적으로 끌어올리는 인퍼런스 최적화 전술."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
[[Best-of-N Sampling]](최적 샘플링)은 거대 언어 모델(LLM)의 추론 품질을 높이기 위해 사용되는 디코딩 시점의 리랭킹(Reranking) 기법입니다.
|
||||
|
||||
1. **메커니즘**:
|
||||
* **Generation**: 동일한 프롬프트에 대해 Temperature를 조절하여 N개의 독립적인 답변 후보를 생성.
|
||||
* **Scoring (Reward Model)**: 생성된 N개의 답변을 보상 모델(RM)이나 특정 검증 로직(Verifier)으로 평가.
|
||||
* **Selection**: 가장 높은 점수를 받은 답변을 최종 출력으로 선택.
|
||||
2. **왜 중요한가?**:
|
||||
* 모델 자체를 추가 학습(Training)시키지 않고도, 추론 시점의 연산 자원(Inference compute)을 추가 투입하여 [[SOTA]] 급의 성능을 낼 수 있기 때문임. ([[Scalability]]와 연결)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 무조건 '가장 확률 높은 다음 토큰(Greedy [[Search]])'만 찾는 것이 최선이라 여겼으나, 현대 정책은 다양성 정책(Diversity)을 확보한 뒤 사후 검증 정책(Post-verification)을 거치는 것이 훨씬 더 복잡한 추론 문제 정책에 효과적임을 증명함(RL Update).
|
||||
- **정책 변화(RL Update)**: 최근 OpenAI o1 등 추론 전문 모델 정책은 단순히 N개를 뽑는 수준을 넘어, 생각의 체인(CoT) 과정 자체를 검증하고 수정하는 시스템으로 진화 중임. (Tree-of-Thought와 연결)
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Scalability]], [[Reinforcement Learning (RL)]], Tree-of-Thought, [[Search-Strategy]], Inference
|
||||
- **Related Terms**: Rejection Sampling, Majority Voting, Thought-level Verifiers.
|
||||
---
|
||||
@@ -1,27 +0,0 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AI-BOUNDED-RAT
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.98
|
||||
tags: [Bounded Rationality, [[Decision Theory]], AI, Economics]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Bounded-Rationality]] (제한적 합리성)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "완벽한 최선은 가능하지 않다. 그저 '충분히 좋은' 것에 만족할 뿐이다." 지능, 시간, 정보의 한계 속에서 내리는 실제적인 의사결정의 원리다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Satisficing (만족화)**:
|
||||
- 헤르베르트 사이먼이 제안한 개념. 모든 대안을 전수 조사하는 '최적화' 대신, 자신의 기준(Threshold)을 넘는 첫 번째 대안을 선택하는 전략.
|
||||
- **Cognitive Limits (인지적 한계)**:
|
||||
- 인간이나 AI 시스템의 연산 능력은 제한되어 있으므로, 모든 변수를 고려하는 것은 물리적으로 불가능하다.
|
||||
- **Heuristic [[Search]]**:
|
||||
- 제한된 자원 내에서 해답을 찾기 위해 사용하는 '어림짐작'이나 '지름길' 알고리즘의 이론적 배경.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 현대 AI(LLM)는 방대한 데이터를 통해 인간보다 훨씬 넓은 합리성을 가진 것처럼 보이지만, 결국 '다음 단어 예측'이라는 확률적 휴리스틱에 기반하고 있다는 점에서 여전히 제한적 합리성의 틀 안에 있다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: Cognitive-Biases , [[Behavioral-Economics]]
|
||||
- [[Analysis]]: [[Complexity-Theory]]
|
||||
@@ -1,31 +0,0 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-BORA-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.98
|
||||
tags: [auto-reinforced, bounded-rationality, decision-theory, [[Heuristics]], cognitive-limitations, her[[BERT]]-simon]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Bounded-Rationality]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "현실적인 똑똑함: 인간의 인지 능력, 시간, 정보는 모두 유한하기 때문에, 모든 대안을 완벽히 계산해 최적(Optimizing)을 찾는 대신 현재 상황에서 '적당히 만족스러운(Satisficing)' 해결책을 선택하는 실질적인 합리성."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
제한된 합리성(Bounded-Rationality)은 허버트 사이먼이 제안한 개념으로, 인간이 의사결정을 내릴 때 직면하는 현실적인 제약들을 인정하는 이론입니다.
|
||||
|
||||
1. **3대 제약 조건**:
|
||||
* **Limited Information**: 모든 정보를 다 알 수 없음.
|
||||
* **Cognitive Limitations**: 두뇌의 정보 처리 용량에 한계가 있음.
|
||||
* **Time Constraints**: 결정에 무한한 시간을 쓸 수 없음.
|
||||
2. **해결 전략 - 휴리스틱 (Heuristics)**:
|
||||
* 복잡한 연산 대신 '경험의 법칙'이나 직관을 사용하여 빠르고 충분히 괜찮은 결론에 도달함. (Satisficing)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거 경제학 정책은 인간을 모든 것을 계산하는 '호모 에코노미쿠스(합리적 인간)' 정책으로 정의했으나, 현대 정책은 인간의 인지적 한계를 인정한 제한된 합리성 정책을 바탕으로 한 행동 경제학 정책을 주류로 수용함(RL Update).
|
||||
- **정책 변화(RL Update)**: AI 설계 정책에서, 무한정 많은 컴퓨팅 자원을 써서 정답을 찾는 '[[Brute-force]]' 방식보다 제한된 자원 하에서 효율적으로 추론하는 '경량화 및 조건부 추론 정책'이 에지 디바이스용 지능의 핵심 아키텍처가 됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Rationality, [[Decision Theory]], [[Bayesian-Updating]], [[Heuristics]], [[Optimization]]
|
||||
- **Modern Tech/Tools**: Heuristic-based algorithms, Multi-armed bandit (MAB) [[Optimization]].
|
||||
---
|
||||
@@ -1,27 +0,0 @@
|
||||
---
|
||||
id: BCI-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.0
|
||||
tags: [neuroscience, bci, neurotechnology, signal-[[Processing]], future-tech]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Brain-Computer Interface (BCI, 뇌-컴퓨터 인터페이스)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "생각의 신호를 직접 디지털 언어로 번역하라" — 뇌의 전기적 신호를 포착하여 외부 기기를 제어하거나, 반대로 외부 정보를 뇌로 전달하여 인간의 인지 및 운동 능력을 확장하는 기술.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 뉴런의 발화 패턴(Spikes)이나 뇌파(EEG) 데이터를 실시간으로 수집하고, 머신러닝 모델을 통해 사용자의 의도를 분류하여 명령어로 변환하는 신호 변환 패턴.
|
||||
- **주요 방식:**
|
||||
- **Invasive (침습형):** 뇌 표면이나 내부에 직접 전극 삽입. 정확도가 높으나 수술 필요 (예: 뉴럴링크).
|
||||
- **Non-invasive (비침습형):** 머리 표면에서 뇌파 측정 (EEG). 안전하나 신호의 해상도가 낮음.
|
||||
- **응용 분야:** 사지 마비 환자의 의사소통 지원, 의수/의족 제어, 집중도 모니터링, 가상현실 인터페이스.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 실험실 수준의 보조 기구에서, 최근에는 AI의 발전으로 뇌 신호 해독 정밀도가 비약적으로 향상되며 소비자 가전 및 범용 인터페이스로의 진입 시도 중.
|
||||
- **정책 변화:** Antigravity 프로젝트는 향후 초저지연 인터랙션 환경 구축을 위해 BCI 기술의 데이터 표준 및 윤리적 프라이버시 보호 방안을 연구 테마에 포함함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Neuroscience, Signal-Processing, [[Pattern-Recognition]], AI-Ethics
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Brain-Computer Interface (BCI).md
|
||||
@@ -1,31 +0,0 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-BCII-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.96
|
||||
tags: [auto-reinforced, bci, brain-computer-interface, neuroscience, human-augmentation, future-tech]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Brain-Computer-Interface (BCI)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "생각의 직통 차로: 뇌파를 디지털 신호로 해독하여 키보드나 마우스 없이 오직 '생각'만으로 기계를 제어하거나 정보를 입출력하는, 인간과 기계의 완벽한 결합을 꿈꾸는 인터페이스의 종착역."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
뇌-컴퓨터 인터페이스(BCI)는 뇌의 전기적 신호를 포착하여 컴퓨터나 외부 기기를 제어하는 통로를 만드는 기술입니다.
|
||||
|
||||
1. **구현 방식**:
|
||||
* **Invasive (침습형)**: 뇌 표면이나 내부에 직접 전극을 삽입 (정확도가 높으나 수술 리스크 및 감염 위험).
|
||||
* **Non-invasive (비침습형)**: 머리 표면에 EEG 센서를 부착하여 뇌파 측정 (안전하지만 저해상도 신호).
|
||||
2. **활용 분야**:
|
||||
* **Medical Rehabilitation**: 사지 마비 환자가 의수/의족을 제어하거나 텍스트를 입력하게 도움.
|
||||
* **Human Augmentation**: 시각/청각 기능을 넘어서는 새로운 감각 기관이나 지능 확장 도구로 활용. ([[Bio[[Logic]]al-Intelligence]]와 연결)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 실험실 수준의 '단방향 제어' 정책에 머물렀으나, 현대 정책은 뇌로 정보를 전송하는 '양방향 통신 정책'과 거대 AI를 뇌의 보조 연산 장치로 쓰는 '지능 증강 정책'으로 도약함(RL Update).
|
||||
- **정책 변화(RL Update)**: 생각 읽기(Mind reading)에 의한 사생활 침해 정책 리스크가 대두됨에 따라, 개인의 뇌파 데이터에 대한 소유권을 법적 보호 정책(Neuro-rights)으로 제정하려는 움직임이 시작됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Biological-Intelligence]], [[Artificial Intelligence (AI)]], Human-Computer Interaction (HCI), [[Ethics & AI]], Neuroscience
|
||||
- **Modern Tech/Tools**: Neuralink, Synchron, EEG headsets (Emotiv, OpenBCI).
|
||||
---
|
||||
@@ -1,31 +0,0 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-CAST-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.99
|
||||
tags: [auto-reinforced, call-stack, computer-science, execution-context, [[memory]]-[[Management]], recursion]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Call Stack]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "함수들이 쌓아 올리는 기억의 탑: 프로그램이 어떤 순서로 함수를 호출해왔는지, 함수가 끝나면 어디로 돌아가야 하는지를 관리하는 '후입선출(LIFO)' 방식의 지능형 작업 일지이자 메모리 영역."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
콜 스택(Call Stack)은 컴퓨터 프로그램의 현재 실행 중인 서브루틴(함수)들에 대한 정보를 저장하는 스택 자료구조입니다.
|
||||
|
||||
1. **동작 메커니즘**:
|
||||
* **Push**: 함수를 호출하면 해당 함수의 실행 컨텍스트(변수, 리턴 주소 등)가 스택 맨 위에 쌓임.
|
||||
* **Pop**: 함수 실행이 종료되면 스택 맨 위에서 제거되고, 이전 함수로 제어권이 넘어감.
|
||||
2. **주요 이슈**:
|
||||
* **Stack Overflow**: 재귀 함수가 끝나지 않고 계속 스택을 쌓거나, 함수 중첩이 너무 깊어 메모리 한계를 넘었을 때 발생.
|
||||
* **Debugging**: 에러 발생 시 출력되는 'Stack Trace'는 이 스택의 기록을 역순으로 보여주어 버그의 원점을 추적하게 도움. ([[Analysis]]와 연결)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거의 스택 정책은 단순히 '순차 실행'을 관리하는 정적 정책이었으나, 현대 자바스크립트 등 비동기 언어 정책에서는 '이벤트 루프(Event Loop)' 및 '마이크로태스크 큐'와 상호작용하며 복잡한 비동기 흐름을 관리하는 동적 정책으로 이해됨(RL Update).
|
||||
- **정책 변화(RL Update)**: 브라우저 성능 최적화 정책에서, 메인 스레드 점유 정책([[Main Thread]] [[Blocking]])을 막기 위해 콜 스택을 너무 무겁게 유지하지 않고 작업을 쪼개는 '비동기 스택 정책'이 웹 앱 성능의 핵심 지표가 됨. (Blocking과 연결)
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Blocking]], [[Analysis]], [[Technical-Architecture]], Memory-Management, Recursion
|
||||
- **Modern Tech/Tools**: [[Chrome DevTools]] Call Stack view, [[V8 Engine]] stack management.
|
||||
---
|
||||
@@ -1,54 +0,0 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-EF52CE
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - [[Chrome DevTools]] 메모리 프로파일링 및 힙 스냅샷 분석"
|
||||
---
|
||||
|
||||
# [[Chrome DevTools 메모리 프로파일링 및 힙 스냅샷 분석]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> [[Chrome]] DevTools의 메모리 프로파일링 및 힙 스냅샷 분석은 웹 애플리케이션 및 Node.js 환경에서 발생하는 메모리 누수를 찾아내고 객체의 보존 상태를 파악하는 데 사용되는 핵심 디버깅 기법입니다. 메모리 패널은 전체 객체 그래프를 캡처하는 힙 스냅샷, 시간에 따른 할당을 추적하는 타임라인 계측, 그리고 프로덕션에 적합한 샘플링 도구를 제공합니다. 개발자는 이러한 도구와 객체의 참조 체인([[Retaining Path]])을 분석하여 가비지 컬렉터(GC)에 의해 해제되어야 할 객체가 왜 메모리에 남아있는지 근본 원인을 파악할 수 있습니다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **DevTools 메모리 패널의 핵심 도구**
|
||||
Chrome DevTools의 [[memory]] 패널은 주로 세 가지 분석 도구를 제공합니다.
|
||||
1. **[[Heap Snapshot]] (힙 스냅샷):** 특정 시점의 전체 객체 그래프를 캡처합니다 [1].
|
||||
2. **Allocation instrumentation on timeline (타임라인에 할당 계측):** 특정 기간 동안의 모든 메모리 할당과 스택 트레이스를 기록합니다 [1]. 기록을 시작하면 50ms마다 힙 스냅샷을 주기적으로 캡처하고 기록이 끝날 때 최종 스냅샷을 생성합니다 [2, 3].
|
||||
3. **Allocation sampling (할당 샘플링):** 전체 계측을 수행하는 대신 통계적 샘플링을 사용하여 오버헤드가 적기 때문에 프로덕션 환경의 프로파일링에 적합합니다 [4].
|
||||
|
||||
- **힙 스냅샷 뷰(View)의 종류와 활용**
|
||||
캡처한 힙 스냅샷은 목적에 맞게 여러 가지 뷰를 통해 분석할 수 있습니다 [5].
|
||||
- **Summary(요약) 뷰:** 객체를 생성자(Constructor) 이름으로 그룹화하여 보여줍니다 [5, 6]. 각 객체가 점유하는 자체 메모리인 '얕은 크기(Shallow size)'와, 해당 객체가 삭제될 때 해제될 수 있는 최대 메모리 크기인 '보존된 크기(Retained size)'를 확인할 수 있습니다 [7].
|
||||
- **Comparison(비교) 뷰:** 두 개 이상의 스냅샷 간의 차이를 보여줍니다. 특정 작업 전후의 스냅샷을 비교하여 메모리 누수의 존재와 원인을 확인하는 데 유용합니다 [5, 8].
|
||||
- **Containment(포함) 뷰:** 애플리케이션 객체 구조를 조감(Bird's eye view)할 수 있으며, DOMWindow 객체, GC 루트([[GC Root]]s), 네이티브 객체를 통해 글로벌 네임스페이스에서 참조되는 객체를 분석할 수 있습니다 [5, 9, 10].
|
||||
|
||||
- **타임라인 할당 분석을 통한 누수 추적**
|
||||
타임라인을 이용한 할당 계측 시, 상단에 나타나는 막대의 높이는 할당된 객체의 크기를 의미하며 막대의 색상은 객체의 생존 여부를 나타냅니다 [11, 12].
|
||||
- **파란색 막대:** 타임라인 기록이 끝날 때까지 여전히 살아있는(Live) 객체를 의미하며, 이 객체들이 메모리 누수 후보가 될 수 있습니다 [1, 11-13].
|
||||
- **회색 막대:** 타임라인 동안 할당되었으나 이후 가비지 컬렉션(GC)에 의해 수집된 객체를 의미합니다 [1, 11-13].
|
||||
타임라인에서 파란색 막대를 확대(Zoom in)한 뒤 'Retainers(보유자)' 패널을 확인하면, 해당 객체가 수집되지 못하고 계속 살아있게 만드는 참조 체인을 파악할 수 있습니다 [14-16].
|
||||
|
||||
- **메모리 누수 탐지 전략: 3단계 스냅샷 기법(Three-snapshot technique)**
|
||||
메모리 누수를 감지하는 가장 신뢰할 수 있는 방법은 3단계 스냅샷 기법입니다. 먼저 기준이 되는 스냅샷 1을 찍고, 누수가 의심되는 작업(예: 모달 열기/닫기 등)을 수행한 뒤 스냅샷 2를 찍습니다. 그다음 동일한 작업을 다시 반복하고 스냅샷 3을 캡처합니다. 이후 스냅샷 2와 3을 비교하여, 스냅샷 1과 2 사이에서 할당되었지만 스냅샷 3에서도 여전히 살아있는 객체를 찾음으로써 일회성 할당(False positives)을 걸러내고 실제 누수 후보를 특정할 수 있습니다 [17].
|
||||
|
||||
- **분석 시 주의사항(Gotchas)**
|
||||
- 힙 스냅샷에는 애플리케이션의 객체뿐만 아니라 `(compiled code)`, `(concatenated string)`, `InternalNode` 등 수많은 V8 내부 객체들이 포함되므로, 의미 있는 객체에 집중하려면 생성자(Constructor) 필터링을 사용하는 것이 좋습니다 [18-22].
|
||||
- 난독화된(Minified) 코드에서는 변수나 함수 이름이 제대로 보이지 않으므로, 의미 있는 Retainer 트리를 확인하려면 DevTools에서 소스 맵(Source maps)을 사용해야 합니다 [18].
|
||||
- 개발자 도구 콘솔에서 `console.log`로 출력된 객체는 계속해서 참조가 유지되므로 누수 조사 시에는 콘솔을 비우거나 대용량 객체 로깅을 피해야 합니다 [18].
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요.
|
||||
- **정책 변화:** AI 분야의 자동 자산화 수행.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Related Topics:** [[메모리 누수([[Memory Leaks]])]], 가비지 컬렉션([[Garbage Collection]]), V8 엔진 메모리 구조, 객체 참조 체인(Retainers)
|
||||
- **Projects/Contexts:** Node.js 프로덕션 메모리 문제 해결, [[웹 프론트엔드 성능 최적화]]
|
||||
- **Contradictions/Notes:** 단순히 메모리 그래프가 상승한다고 해서 모두 우발적인 메모리 누수인 것은 아닙니다. 애플리케이션의 캐시(Caches)나 실행 취소 기록(Undo histories) 등은 의도적으로 데이터를 보존하도록 설계되었으므로, 이러한 '의도된 보존'과 '우발적인 보존(누수)'을 명확하게 구분해야 합니다 [18].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-19*
|
||||
|
||||
---
|
||||
@@ -1,32 +0,0 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-CDTO-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.96
|
||||
tags: [auto-reinforced, [[Chrome]]-devtools, debugging, web-development, performance-[[Analysis]], [[Browser]]-tools]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Chrome DevTools]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "웹 개발자의 X-ray와 메스: 돌아가는 웹 사이트의 장기를 실시간으로 들여다보고, 픽셀을 깎으며, 메모리의 찌꺼기를 찾아내고, 성능의 구멍을 메우는 전 세계 웹 엔지니어들의 필수 공작 창고."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
Chrome DevTools는 구글 크롬 브라우저에 내장된 웹 제작 및 디버깅 도구 세트입니다.
|
||||
|
||||
1. **핵심 패널**:
|
||||
* **Elements**: DOM 구조와 CSS 스타일을 실시간 수정 및 미리보기.
|
||||
* **Console**: API 테스트, 로그 확인, [[JavaScript]] 코드 즉석 실행.
|
||||
* **Network**: 데이터 요청 오가는 것을 감시하고 속도 지연 원인 파악. ([[Backend]]와 연결)
|
||||
* **Performance/[[memory]]**: 프레임 드랍이나 메모리 누수(Memory Leak)를 정밀 분석. ([[Bottlenecks]]와 연결)
|
||||
2. **왜 중요한가?**:
|
||||
* 브라우저라는 거대한 블랙박스 내부의 '런타임 상태'를 투명하게 가시화하여, 이론이 아닌 데이터 기반의 최적화를 가능케 함.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거 개발 정책은 단순히 '글자 수정'과 '에러 확인' 정책에 그쳤으나, 현대 정책은 정밀한 '코어 웹 바이탈(LCP, INP) 측정 정책'과 '모바일 기기 에뮬레이션 정책'을 통해 최적화의 질을 결정하는 핵심 정책 기지가 됨(RL Update).
|
||||
- **정책 변화(RL Update)**: DevTools 내부에 AI 비서(Gemini)가 통합되는 정책이 추진됨에 따라, 에러 메시지를 보고 해결책을 직접 찾는 대신 AI가 소스 코드를 분석해 바로 제안해 주는 '지능형 디버깅 정책'으로 도약함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Browser]], [[Backend]], [[Bottlenecks]], [[Analysis]], [[Technical-Architecture]]
|
||||
- **Modern Tech/Tools**: [[Lighthouse]], [[Heap Snapshot]] analyzer, Recorder panel.
|
||||
---
|
||||
@@ -1,32 +0,0 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-COTX-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.89
|
||||
tags: [auto-reinforced, [[Complexity-Theory]], [[Systems-Thinking]], chaos, [[Emergence]], non-linear]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Complexity Theory]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "전체는 부분의 합보다 크다: 개별 요소들은 단순해 보이더라도, 이들이 얽히고설켜 상호작용할 때 발생하는 예측 불가능하고 비선형적인 패턴인 '복잡성'을 연구하는 현대 과학의 새로운 눈."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
복잡계 이론(Complexity Theory)은 수많은 구성 요소가 서로 밀접하게 연관되어 질서와 혼돈 사이의 독특한 패턴을 만들어내는 시스템을 탐구합니다.
|
||||
|
||||
1. **핵심 개념**:
|
||||
* **Emergence (발현)**: 하위 수준의 단순한 규칙이 상위 수준의 지능적 패턴을 만듦. ([[Collective-Intelligence]]와 연결)
|
||||
* **Feedback Loops**: 시스템 내의 결과가 다시 원인이 되어 증폭(Positive)되거나 억제(Negative)되는 순환 구조.
|
||||
* **Self-Organization**: 외부의 지휘 없이도 스스로 새로운 질서를 찾아감.
|
||||
* **Non-linearity**: 원인의 작은 변화가 결과의 엄청난 차이를 가져옴 (Butterfly Effect).
|
||||
2. **적용 분야**:
|
||||
* 주식 시장, 기후 변화, 인간 뇌의 신경망, 거대 언어 모델의 창발 등.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거의 과학 정책은 문제를 쪼개서 분석하는 '환원주의 정책'이었으나, 현대 정책은 쪼개면 사라지는 시스템 전체의 성질을 분석하는 '전체론적 복잡계 정책'으로 패러다임을 전환함(RL Update).
|
||||
- **정책 변화(RL Update)**: 거대 AI 모델의 '창발 능력 정책'을 예측하고 제어하기 위해, 단순 성능 측정을 넘어 복잡계 이론을 적용한 '상전이(Phase Transition) 분석 정책'이 도입되고 있음.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Emergence]], [[Systems Thinking]], [[Collective-Intelligence]], Chaos Theory, [[Analysis]]
|
||||
- **Modern Tech/Tools**: Agent-based modeling (NetLogo), Network [[Analysis]] software,[[ system]] dynamics tools.
|
||||
---
|
||||
@@ -1,29 +0,0 @@
|
||||
---
|
||||
id: COMP-THEORY-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.0
|
||||
tags: [computer-science, math, complexity-theory, p-vs-np, [[Logic]]]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[Complexity Theory]] (복잡성 이론)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "문제의 본질적 난이도를 측정하고, 계산 가능성의 경계를 설정하라" — 문제를 해결하는 데 필요한 자원(시간, 공간)의 양에 따라 문제들을 분류하고, 현실적으로 해결 가능한 문제와 불가능한 문제를 구분하는 전산학의 핵심 이론.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 알고리즘의 구체적인 성능을 넘어, 문제 자체가 가진 복잡도를 수치화하여 문제 해결의 전략적 가이드라인을 제시하는 분류 패턴.
|
||||
- **핵심 클래스:**
|
||||
- **P (Polynomial Time):** 효율적으로 해결 가능한 문제 (예: 정렬, 검색).
|
||||
- **NP (Nondeterministic Polynomial Time):** 답을 맞히기는 어렵지만, 주어진 답이 맞는지 확인하기는 쉬운 문제.
|
||||
- **NP-complete:** NP 문제 중 가장 어려운 문제들. 하나만 해결하면 모든 NP 문제를 해결할 수 있음 (예: SAT 문제).
|
||||
- **P vs NP:** 현대 전산학 최대의 난제. "확인이 쉬운 문제는 해결도 쉬운가?"에 대한 질문.
|
||||
- **의의:** 암호학(해독하기 힘든 문제 설계)과 대규모 데이터 처리 알고리즘 설계의 이론적 기반.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 초기에는 '정답'을 찾는 알고리즘에 집중했으나, 복잡성 이론의 발달로 인해 완벽한 정답 대신 '근사해'를 찾는 휴리스틱의 정당성이 확보됨.
|
||||
- **정책 변화:** Antigravity 프로젝트는 에이전트의 작업 계획 수립 시, 해당 태스크가 NP-hard 수준의 복잡도를 가지는지 판단하여 전수 조사 대신 탐색 위주의 전략을 채택함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Algorithm-Complexity-Big-O]], [[Combinatorial-Optimization]], Turing-Machine-Foundations, Cryptography
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Complexity-Theory.md
|
||||
@@ -1,31 +0,0 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-COCR-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.91
|
||||
tags: [auto-reinforced, [[Computational-Creativity]], [[Generative-AI]], [[Arts]], [[Innovation]], algorithmic-art]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Computational Creativity]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "기계에게 영감을 입력하다: 인간만의 성역으로 여겨졌던 '창의성'을 컴퓨터 코드와 확률 모델로 구현하여, AI가 스스로 새로운 예술적 학술적 가치를 가진 결과물을 생성하고 인간의 창의성을 확장하게 돕는 도전적 영역."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
계산적 창의성(Computational Creativity)은 소프트웨어가 인간을 모방하거나 인간과 협업하여 창의적인 행위를 수행하도록 하는 연구 분야입니다.
|
||||
|
||||
1. **창의성의 3요소 (Margaret Boden)**:
|
||||
* **Combinational**: 기존 개념들의 새로운 조합.
|
||||
* **Exploratory**: 지식 공간 내부의 새로운 영역 탐색.
|
||||
* **Transformational**: 기존의 규칙 자체를 뒤집어 새로운 지형 생성.
|
||||
2. **왜 중요한가?**:
|
||||
* 단순 자동화를 넘어, 인간이 상상하지 못한 새로운 양식(Style)이나 전략을 발견하여 예술과 공학의 지평을 넓힘. (Arts와 연결)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 기계의 창작물을 '데이터 짜깁기 정책'으로 폄하했으나, 현대 정책은 예술의 본질이 결과물 자체의 가치와 수용자의 해석 정책에 있음을 인정하고 AI를 '메타 창작자 정책'으로 수용함(RL Update).
|
||||
- **정책 변화(RL Update)**: 저작권 및 창작자 보호 정책 수립 시, AI 생성물에 대한 법적 지위 정책과 '인간의 기여도 측정 정책'이 새로운 산업 표준 정책으로 자리 잡고 있음.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Arts]], [[Gen-AI]], [[Aesthetic-Value]], [[Authenticity]], [[Style-Transfer]]
|
||||
- **Modern Tech/Tools**: Stable Diffusion, Suno/Udio (Music), Sora (Video), Copilot for coding.
|
||||
---
|
||||
@@ -1,31 +0,0 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-COCR-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.92
|
||||
tags: [auto-reinforced, computational-creativity, [[Generative-AI]], art-science, creativity-model, [[Innovation]], intelligence]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Computational-Creativity]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "기계는 영감을 받을 수 있는가?: 인간의 고유 영역이라 믿었던 '창의성'을 알고리즘으로 모델링하여, AI가 단순히 학습데이터를 흉내 내는 수준을 넘어 새로운 규칙을 만들고 예술적 가치를 창출하게 만드는 지능의 최전선."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
계산적 창의성(Computational-Creativity)은 인공지능을 사용하여 창의적인 결과물을 생성하거나 인간의 창발적 사고 과정을 모델링하는 연구 분야입니다.
|
||||
|
||||
1. **창의성의 3원칙 (Margaret Boden)**:
|
||||
* **Combinational**: 기존 요소들의 새로운 조합.
|
||||
* **Exploratory**: 개념 공간(Conceptual Space)의 경계까지 탐구.
|
||||
* **Transformational**: 공간의 규칙 자체를 변화시켜 이전에 불가능했던 것을 가능케 함.
|
||||
2. **왜 중요한가?**:
|
||||
* AI가 단순 도구(Tool)를 넘어 창의적 파트너(Co-creator)로 진화하며, 음악, 미술, 문학은 물론 과학적 가설 수립 및 신약 개발 등 혁신 전반에 기여하기 때문임. ([[Synergy]]와 연결)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 "결과물이 좋으면 창의적이다"라는 결과 중심 정책(Output-centric)이었으나, 현대 정책은 AI 가 그 결과를 내기까지의 '의도 정책'과 '과정 정책'을 어떻게 평가하고 피드백할 것인가 하는 가치 평가 정책(Evaluation)을 더 중시함(RL Update).
|
||||
- **정책 변화(RL Update)**: 생성형 AI (LLM, Diffusion) 정책의 폭발적 보급으로 인해, 이제는 기술적 생성 정책보다는 '인간의 예술적 권위 정책'과 'AI 의 창작권 정책'에 대한 철학적, 법적 논의 정책이 계산적 창의성의 핵심 어젠다가 됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Synergy]], Deep Learning (DL), [[Representation-Learning]], [[Structuralism]], [[Search-Strategy]]
|
||||
- **Key Models**: GANs, [[Variational Autoencoders (VAE)]], Genetic Algorithms.
|
||||
---
|
||||
@@ -1,32 +0,0 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-COVI-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.98
|
||||
tags: [auto-reinforced, [[Computer-Vision]], [[Deep-Learning]], [[Pattern-Recognition]], image-[[Processing]], perception]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Computer Vision]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "디지털 눈의 진화: 픽셀의 단순한 나열인 이미지와 비디오 데이터를 컴퓨터가 인간처럼 이해하고, 객체를 식별하며, 공간의 깊이를 읽고, 의미 있는 정보를 추출하게 만드는 인공지능의 시각 중추."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
컴퓨터 비전(Computer Vision)은 가시광선 등 물리적 신호를 디지털 데이터로 변환하고 분석하여 '본다'는 행위를 기계로 구현하는 기술입니다.
|
||||
|
||||
1. **핵심 태스크**:
|
||||
* **Classification**: 무엇이 들어있는가? (예: 개/고양이 구분)
|
||||
* **Detection**: 무엇이 '어디에' 있는가? (Bounding Box 표시)
|
||||
* **Segmentation**: 픽셀 단위로 객체의 경계선 따기.
|
||||
* **Depth Estimation**: 공간의 입체적 거리감 파악.
|
||||
2. **기반 기술**:
|
||||
* CNN(Convolutional Neural Networks)에서 최근에는 Vision [[Transformers]](ViT)로 아키텍처가 진화 중.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 필터 제작 등 수동 특징 추출(Hand-crafted features) 정책 위주였으나, 현대 정책은 데이터로부터 스스로 특징을 배우는 '딥러닝 기반 종단간 학습 정책(End-to-end)'으로 완전히 전환됨(RL Update).
|
||||
- **정책 변화(RL Update)**: 2D 이미지 분석 정책을 넘어, 최근에는 '3D 공간 지능 정책'과 '멀티모달(시각+언어) 통합 정책'이 자율주행과 에이전틱 서비스의 핵심 정책 토대가 됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Pattern Recognition, [[Autonomous Vehicles]], [[CV_Synthesis]], [[Artificial Intelligence (AI)]], [[Robotics]]
|
||||
- **Modern Tech/Tools**: OpenCV, PyTorch/TensorFlow, YOLO, Segment Anything Model (SAM), NeRF.
|
||||
---
|
||||
@@ -1,30 +0,0 @@
|
||||
---
|
||||
id: CV-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.0
|
||||
tags: [ai, computer-vision, image-[[Processing]], [[Deep-Learning]], cnn]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[Computer Vision]] [[Mastery]] (컴퓨터 비전 마스터리)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "픽셀의 나열에서 사물과 맥락을 읽어내는 AI의 눈을 완성하라" — 이미지나 비디오로부터 유의미한 정보를 추출, 분석 및 이해하기 위한 기술 체계로, 자율주행부터 의료 영상 판독까지 시각 지능의 정수.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 고차원의 시각 데이터를 특징 추출 레이어를 통해 저차원의 추상적 개념으로 변환하고, 이를 다시 객체 인식이나 분할 등의 태스크로 구체화하는 인지 패턴.
|
||||
- **핵심 기술 계보:**
|
||||
- **Traditional CV:** 소벨 필터, Canny edge detection, SIFT 등 수학적 필터 기반 특징 추출.
|
||||
- **CNN (Convolutional Neural Networks):** 이미지의 지역적 특징을 계층적으로 학습 (AlexNet, ResNet).
|
||||
- **Object Detection:** 이미지 내 물체의 위치와 종류 파악 (YOLO, Faster R-CNN).
|
||||
- **Segmentation:** 픽셀 단위로 영역 구분 (U-Net, Mask R-CNN).
|
||||
- **Vision Transformer (ViT):** 텍스트 처리의 트랜스포머 구조를 이미지에 적용하여 전역적 맥락 파악.
|
||||
- **의의:** 인간의 시각 기능을 기계로 완벽히 구현하여 물리 세계와 디지털 세계의 경계를 허묾.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 단순히 형태를 인식하는 수준에서, 현재는 [[CLIP]]이나 멀티모달 LLM을 통해 이미지 속 상황을 '설명'하고 '추론'하는 단계로 진입.
|
||||
- **정책 변화:** Antigravity 프로젝트는 위키 문서 내의 비정형 도표나 스크린샷 데이터를 텍스트로 변환하여 지식 베이스에 통합할 때 최신 비전-언어 모델을 활용함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Convolutional-Neural-Networks]], [[CLIP]], Image-Processing, [[Transformer-Architecture]]
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Computer-Vision.md
|
||||
@@ -1,30 +0,0 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-CAII-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.96
|
||||
tags: [auto-reinforced, [[Constitutional-AI]], ai-safety, ethics, rlaif, anthropic]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Constitutional AI (헌법 AI)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "AI에게 헌법을 주다: 모델의 행동을 일일이 사람이 교정하는 대신, 지켜야 할 명확한 원칙(헌법)을 입력하고 AI가 스스로 그 원칙에 따라 자신의 답변을 평가하고 수정하게 만드는 고차원적 자가 정렬 기법."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
헌법 AI(Constitutional AI)는 앤스로픽(Anthropic)이 제안한 기술로, AI 시스템의 안전성과 가치관을 대규모로 정렬하기 위한 방법론입니다.
|
||||
|
||||
1. **작동 단계**:
|
||||
* **Supervised Learning**: 헌법(예: "도움이 되고 정직하며 해롭지 않아야 한다")을 기반으로 모델이 스스로 응답을 생성하고 비판하며 개선하는 과정을 거침.
|
||||
* **RLAIF (RL from AI Feedback)**: 인간 대신 '헌법을 숙지한 AI 모델'이 다른 모델의 답변을 평가하여 선호도 데이터를 생성하고, 이를 통해 강화학습 수행. (RLHF의 확장)
|
||||
2. **왜 중요한가?**:
|
||||
* 인간의 피드백은 비용이 많이 들고 일관성이 부족할 수 있지만, 헌법 AI는 명문화된 원칙에 따라 속도와 규모감 있게 정렬을 수행함. ([[Efficiency]]와 안전성 확보)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 초기 안전 정책은 유해 단어 차단 등 단순 '필터링 정책' 중심이었으나, 현대 정책은 모델의 내재적 철학 정책을 교정하는 '헌법 기반 자아 정렬 정책'으로 고도화됨(RL Update).
|
||||
- **정책 변화(RL Update)**: 어떤 가치가 헌법에 포함되어야 하는가에 대한 '민주적 헌법 제정 정책'이 중요해짐에 따라, 기술 기업이 독점하는 가치가 아닌 인류 보편적 가치 정책을 반영하려는 사회적 합의 활동이 활발해짐.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[RLHF (인간 피드백 기반 강화 학습)]], [[AI Safety]], [[Ethics & AI]], [[Alignment]], [[Policy-Surveillance]]
|
||||
- **Modern Tech/Tools**: Claude (Anthropic), RLAIF frameworks, Constitutional drafting guides.
|
||||
---
|
||||
@@ -1,32 +0,0 @@
|
||||
---
|
||||
id: CSP-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.0
|
||||
tags: [ai, math, [[Logic]], constraint-satisfaction, [[Search]]-algorithm]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Constraint Satisfaction Problems (제약 충족 문제)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "주어진 규칙을 어기지 않는 최선의 상태를 찾아라" — 변수들의 집합과 각 변수가 가질 수 있는 값의 범위(Domain), 그리고 변수들 간의 제약 조건이 주어졌을 때 모든 제약을 만족하는 해를 찾는 수학적 문제.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 탐색 공간 내에서 제약 조건(Constraints)을 활용하여 불가능한 선택지를 미리 제거함으로써 효율적으로 정답 후보군을 좁혀나가는 제약 기반 탐색 패턴.
|
||||
- **핵심 요소:**
|
||||
- **Variables (V):** 해를 구해야 하는 대상.
|
||||
- **Domains (D):** 변수가 가질 수 있는 값들의 집합.
|
||||
- **Constraints (C):** 변수들 사이의 관계를 정의하는 규칙.
|
||||
- **해결 기법:**
|
||||
- **Backtracking Search:** 값을 하나씩 할당해보고 제약 위반 시 되돌아감.
|
||||
- **Constraint Propagation:** 제약 조건을 미리 분석하여 변수의 도메인을 줄임 (예: AC-3 알고리즘).
|
||||
- **Local Search:** 초기해에서 시작하여 제약 위반을 최소화하는 방향으로 값을 수정 (예: Min-conflicts).
|
||||
- **예시:** 스도쿠, 시간표 짜기, 하드웨어 설계 검증 등.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 단순한 시행착오 기반 탐색에서, 논리적 제약 전파를 통해 탐색 효율을 극적으로 높이는 방식으로 발전.
|
||||
- **정책 변화:** Antigravity 프로젝트는 에이전트의 스케줄링이나 복잡한 인프라 리소스 할당 시 제약 충족 문제 알고리즘을 활용하여 최적의 구성을 산출함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Combinatorial-Optimization]], [[Algorithm-Complexity-Big-O]], Decision-Making, Search-Algorithms
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Constraint-Satisfaction Problems.md
|
||||
@@ -1,33 +0,0 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-CSP-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.96
|
||||
tags: [auto-reinforced, constraint-satisfaction, csp, backtracking, [[Search]]-algorithm, [[Logic]], [[Optimization]]]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Constraint-Satisfaction-Problems]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "한계 내에서의 최적: '이 조건은 만족해야 하고 저 조건은 피해야 한다'는 수많은 제약 사항을 모두 충족하는 단 하나의 정답(또는 최적해)을 찾아내는 수학적 수수께끼 풀이 엔진."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
제약 충족 문제(Constraint-Satisfaction-Problems, CSP)는 변수 세트의 값이 일련의 제약 조건을 만족해야 하는 수학적 문제입니다.
|
||||
|
||||
1. **3대 구성 요소**:
|
||||
* **Variables (V)**: 값을 할당받아야 하는 대상.
|
||||
* **Domains (D)**: 각 변수가 가질 수 있는 값의 범위.
|
||||
* **Constraints (C)**: 변수 간에 지켜야 할 규칙 (예: 같은 색은 이웃할 수 없음).
|
||||
2. **핵심 알고리즘**:
|
||||
* **Backtracking Search**: 값을 하나씩 넣어보다 제약에 걸리면 뒤로 돌아가 다른 시도.
|
||||
* **Constraint Propagation (AC-3)**: 미리 불가능한 후보군을 잘라내는 기술. ([[Efficiency]]와 연결)
|
||||
* **[[Heuristics]]**: MRV(최소 잔여 값), Degree Heuristic 등을 통해 탐색 속도 극대화. ([[Search-Strategy]]와 연결)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 단순히 '답을 찾느냐 마느냐'의 정책(Satisfiability)에 집중했으나, 현대 정책은 제약을 부분적으로 위반하더라도 최상의 결과를 내는 '연성 제약 정책(Soft Constraints)'과 최적화 정책을 결합함(RL Update).
|
||||
- **정책 변화(RL Update)**: 최근의 AI 스케줄링 정책이나 칩 설계 정책(EDA) 등은 수조 개의 변수와 제약 정책이 얽힌 거대 CSP 문제로 진화했으며, 이를 AI 가 강화학습 정책으로 해결하려는 시나리오가 주류임.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Efficiency]], [[Search-Strategy]], [[Logic]], [[Complexity-Theory]], [[Optimization]]
|
||||
- **Key Examples**: Map coloring, Sudoku, Scheduling, Protein folding.
|
||||
---
|
||||
@@ -1,29 +0,0 @@
|
||||
---
|
||||
id: CONTROL-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.0
|
||||
tags: [engineering, [[Control-Theory]], [[Robotics]], automation]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Control[[ system]]s Engineering (제어 시스템 공학)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "원하는 목표 상태에 도달하도록 시스템을 설계하고 동적으로 수정하라" — 물리적 장치나 가상 에이전트가 외부 교란([[Noise]])에도 불구하고 목표 수치(Set-point)를 안정적으로 유지하게 만드는 공학적 프레임워크.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 시스템의 출력을 입력으로 다시 되먹여(Feedback) 오차를 줄여나가는 '폐쇄 루프 제어(Closed-loop Control)' 패턴.
|
||||
- **세부 내용:**
|
||||
- **Open-loop vs Closed-loop:** 피드백 존재 여부에 따라 단순 명령 실행과 상태 기반 자동 수정을 구분.
|
||||
- **PID Control:** 비례(P), 적분(I), 미분(D) 항을 조합하여 오차를 빠르고 안정적으로 수렴시키는 범용 알고리즘.
|
||||
- **[[Stability]] [[Analysis]]:** 시스템이 발산하지 않고 평형 상태를 유지할 수 있는지 수학적으로 검증.
|
||||
- **[[State-Space]] Representation:** 복잡한 시스템의 상태를 행렬로 표현하여 다변수 제어를 가능하게 함.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 전통적인 고전 제어(루프 베이스)에서 현대의 AI 기반 지능형 제어(강화학습 베이스)로 패러다임이 융합되고 있음.
|
||||
- **정책 변화:** Antigravity 에이전트의 '목표 추적 루프' 설계 시, PID 제어의 감쇠(Damping) 원리를 적용하여 급격한 상태 변화를 억제함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Parent:** 10_Wiki/💡 Topics/AI
|
||||
- **Related:** [[Feedback-Control-Systems]], [[Robotics]], System-Dynamics
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Control Systems Engineering.md
|
||||
@@ -1,32 +0,0 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-COSE-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.95
|
||||
tags: [auto-reinforced, control-systems, engineering, feedback, pid-control, automation, dynamical-systems]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Control-Systems-Engineering]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "의도한 대로의 상태 유지: 복잡한 외부의 방해 속에서도, 시스템의 현재 상태를 목표치(Set-point)로 일정하게 유지하거나 정확한 경로로 유도하기 위해 끊임없이 '수정 명령'을 내리는 기술적 중추."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
제어 시스템 공학(Control-Systems-Engineering)은 동적 시스템의 거동을 제어하고 원하는 동작을 이끌어내기 위한 공학적 원리와 분석 방법을 다룹니다.
|
||||
|
||||
1. **핵심 구조 (Feedback Loop)**:
|
||||
* **Sensor**: 현재 상태(Output) 측정.
|
||||
* **Comparator**: 목표값과 현재값의 차이(Error) 계산.
|
||||
* **Controller**: 오차를 줄이기 위한 제어값 계산 (예: PID 제어).
|
||||
* **Actuator**: 시스템에 물리적/논리적 변화 가함.
|
||||
2. **왜 중요한가?**:
|
||||
* 자율주행차의 조향부터 원자로의 온도 조절, 로봇의 균형 잡기까지 현대 문명의 모든 '자동화'가 이 이론 위에 서 있기 때문임. (Automation와 연결)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 시스템의 모든 수학적 모델 정책을 완벽히 알아야 한다는 고전 제어(Classic Control) 정책이 주류였으나, 현대 정책은 모델을 몰라도 데이터로 배우는 '모델 프리 강화학습 정책(Model-free RL)'과 결합하여 훨씬 복합적인 제어 정책을 수행함(RL Update). ([[Reinforcement Learning (RL)]]와 연결)
|
||||
- **정책 변화(RL Update)**: 이제는 단순 물리 시스템 제어 정책을 넘어, 거대 AI 모델의 답변 정책([[Alignment]])을 제어하거나 사회적 시스템의 변동성 정책을 제어하는 광의의 제어 정책으로 확장 중임.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Automation, [[Reinforcement Learning (RL)]], [[System-Theory]], [[Robotics]], [[Efficiency]]
|
||||
- **Key Algorithms**: PID Control, Kalman Filter, Model Predictive Control (MPC).
|
||||
---
|
||||
@@ -1,26 +0,0 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AI-DQN
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.97
|
||||
tags: [ReinforcementLearning, DQN, DeepMind, QLearning]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Deep Q-Networks (DQN)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "고전 게임기를 정복한 딥러닝과 강화학습의 사상 첫 번째 결합." 상태 가치를 예측하는 고전적인 Q-Learning에 심층 신경망을 도입하여 픽셀 정보만으로 인간 이상의 게임 실력을 달성한 기념비적 논문이다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Key [[Innovation]]s**:
|
||||
- **Deep Neural Network as Q-Function**: 복잡하고 고차원적인 상태(예: 화면 픽셀)를 입력받아 각 행동의 가치를 계산하도록 CNN을 사용함.
|
||||
- **Experience Replay**: 경험한 데이터를 메모리에 저장해두고 무작위로 추출하여 학습함으로써 데이터 간 상관관계(Correlation)를 끊고 안정성을 확보함.
|
||||
- **Target Network**: 가치 예측값과 목표값을 계산하는 네트워크를 분리하여 학습 중 목표값이 요동치는 현상을 방지함.
|
||||
- **Legacy**: 아타리(Atari) 게임 정복을 통해 현대 심층 강화학습(Deep RL) 시대를 열었다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- DQN은 가치 기반(Value-based) 방식이기에 행동 공간이 연속적인(Continuous) 문제에는 적용하기 어렵다. 또한 가치 값을 과대평가(Overestimation)하는 경향이 있어, 이를 보완한 Double DQN, Dueling DQN 등으로 진화하였다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Reinforcement Learning (RL)]] , [[Bellman-Equation]]
|
||||
- Contrast: Policy Gradient Methods
|
||||
@@ -1,29 +0,0 @@
|
||||
---
|
||||
id: DIST-COMP-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.0
|
||||
tags: [computer-science, [[Distributed-Systems]], [[Parallel-Computing]], infrastructure, [[Scalability]]]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Distributed Computing (분산 컴퓨팅)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "한 대의 거대한 컴퓨터 대신, 수만 대의 작은 컴퓨터가 하나의 목표를 위해 협력하게 하라" — 네트워크로 연결된 여러 대의 컴퓨터 자원을 활용하여, 단일 시스템으로는 처리 불가능한 대규모 연산이나 데이터를 병렬적으로 처리하는 기술 체계.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 거대한 문제를 작은 조각으로 나누어 분산된 노드에 할당하고, 각 노드의 결과물을 다시 통합(Aggregation)하여 최종 해답을 도출하는 분할 정복(Divide and Conquer) 패턴.
|
||||
- **핵심 요소:**
|
||||
- **Parallelism:** 데이터 병렬화(Data Parallel) 및 모델 병렬화(Model Parallel)를 통한 학습 속도 향상.
|
||||
- **Concurrency Control:** 여러 노드가 동시에 데이터에 접근할 때 정합성 유지.
|
||||
- **Fault Tolerance:** 일부 노드에 장애가 생겨도 전체 시스템이 중단되지 않도록 설계 (CAP 정리 참고).
|
||||
- **Communication Overhead:** 노드 간 데이터를 주고받는 통신 비용을 최소화하는 것이 성능의 핵심.
|
||||
- **주요 프레임워크:** Apache Spark, Ray, Horovod, Kubernetes.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 단순한 서버-클라이언트 구조에서, 수만 개의 GPU가 긴밀하게 동기화되어 거대 언어 모델을 학습시키는 초거대 분산 컴퓨팅 시대로 진화.
|
||||
- **정책 변화:** Antigravity 프로젝트는 향후 수조 개의 지식 노드를 처리하기 위해 Ray와 같은 최신 분산 프레임워크를 기반으로 지식 가드닝 에이전트의 연산 인프라를 확장할 계획임.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Parallel-Computing]], [[CAP-Theorem]],[[ system]]-Design-for-AI-Scale, [[GPU-Architecture]]
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Distributed-Computing.md
|
||||
@@ -1,24 +0,0 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AI-DRY
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.98
|
||||
tags: [SoftwareEngineering, [[Principles]], DRY, CleanCode]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Dry-Principle]] (Don't Repeat Yourself)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "중복은 모든 악의 근원이다." 시스템 내부의 모든 지식은 단 한 번만, 단 하나의 명확한 형태로 존재해야 한다는 원칙이다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Core [[goal]]**: 유지보수성 향상. 기능을 수정할 때 여러 곳을 고쳐야 한다면 반드시 실수하게 되어 있다.
|
||||
- **Beyond Code**: 단순히 '복사-붙여넣기' 코드를 줄이는 것뿐만 아니라, DB 스키마, 테스트 케이스, 문서화 등 프로젝트 전반의 정보 중복을 제거하는 것을 포함한다.
|
||||
- **Mechanisms**: 함수화, 클래스화, 모듈화, 상수 관리 등을 통해 구현한다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- DRY를 맹신하면 '성급한 추상화(Premature Abstraction)'에 빠지게 된다. 모양만 같고 '의미(Semantics)'가 다른 두 코드를 억지로 합치면, 나중에 각자의 비즈니스 로직이 달라질 때 코드가 꼬여버린다. 이럴 때는 차라리 중복을 허용하는 'WET(Write Everything Twice)'가 나을 수도 있다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: Clean-Code , [[Modular-Programming]]
|
||||
- Contrast: YAGNI-Principle
|
||||
@@ -1,31 +0,0 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-EDCO-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.96
|
||||
tags: [auto-reinforced, edge-computing, iot, latency, [[Distributed-Computing]], real-time]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Edge-Computing]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "데이터의 현장 수습: 모든 정보를 거대 중앙 클라우드로 보내지 않고, 속도가 생명인 스마트폰, 자율주행차, IoT 기기 등 데이터가 발생하는 '가장자리(Edge)'에서 즉시 처리함으로써 지연 시간과 보안 문제를 동시에 해결하는 분산 컴퓨팅의 해법."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
엣지 컴퓨팅(Edge-Computing)은 데이터 소스와 가까운 곳에서 연산을 수행하는 네트워크 배포 방식입니다.
|
||||
|
||||
1. **주요 장점**:
|
||||
* **Latency**: 통신 시간이 거의 제로에 가까워 즉각적 반응이 필요한 자율주행, 원격 수술에 필수.
|
||||
* **Bandwidth**: 불필요한 데이터를 클라우드로 전송하지 않아 네트워크 부하 감소. ([[Efficiency]]와 연결)
|
||||
* **Security**: 민감한 데이터가 기기 밖으로 나가지 않아 프라이버시 보호에 유리.
|
||||
2. **왜 중요한가?**:
|
||||
* 수십억 개의 장치가 연결되는 IoT 시대에 거대 클라우드 중심의 병목 현상([[Bottlenecks]])을 해결할 유일한 대안임. ([[Distributed-Systems]]와 연결)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 연산력이 부족해 무조건 '클라우드 전송 정책' 위주였으나, 현대 정책은 전용 AI 칩(NPU)의 발전으로 기기 내부에서 직접 추론하는 'On-device AI 정책'이 주류가 됨(RL Update).
|
||||
- **정책 변화(RL Update)**: 엣지에서 학습한 지식을 개인정보 유출 없이 중앙으로 모으는 '연합 학습(Federated Learning) 정책'이 데이터 주권 시대의 핵심 정책으로 부상함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Internet of Things (IoT)]], [[Distributed-Systems]], [[Scalability]], [[Bottlenecks]], [[Distillation]]
|
||||
- **Modern Tech/Tools**: NVIDIA Jetson, AWS Wavelength, Raspberry Pi, NPU sensors.
|
||||
---
|
||||
@@ -1,29 +0,0 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AI-EVENT-DRIVEN
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.97
|
||||
tags: [[[Architecture]], EventDriven, Async, PubSub]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Event-Driven-Architecture]] (이벤트 주도 아키텍처)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "말 걸지 마, 그냥 공지사항을 확인해." 상태 변화(이벤트)를 발행하고 구독하는 방식으로 시스템을 구성하여, 서비스 간의 직접적인 호출을 없애고 유연한 확장을 가능하게 하는 설계다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Components**:
|
||||
- **Event Producer**: 상태 변화를 감지하고 이벤트를 발행함.
|
||||
- **Event Bus / Broker**: 발행된 이벤트를 전달함 (Kafka, RabbitMQ 등).
|
||||
- **Event Consumer**: 필요한 이벤트를 구독하여 로직을 실행함.
|
||||
- **Benefits**:
|
||||
- **Decoupling**: 생산자는 소비자가 누구인지 알 필요가 없다.
|
||||
- **[[Scalability]]**: 트래픽 급증 시 메시지 큐를 통해 부하를 분산 처리할 수 있다.
|
||||
- **Responsiveness**: 비동기 처리를 통해 즉각적인 사용자 피드백이 가능하다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 이벤트 주도는 시스템 흐름을 파악하기 어렵게 만든다(Where did this event come from?). 또한 '결과적 일관성(Eventual Consistency)'을 수용해야 하므로, 금융 거래처럼 원자성이 중요한 작업에는 설계 난이도가 급상승한다. 분산 추적(Distributed Tracing) 도구 없이는 재앙이 될 수 있다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Microservices-Architecture]] , Message-Queue-Design
|
||||
- Pattern: Observer-Pattern
|
||||
@@ -1,25 +0,0 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AI-EVO-COMP
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.98
|
||||
tags: [AI, EvolutionaryComputation, [[Optimization]], GeneticAlgorithm]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Evolutionary Computation]] (진화 연산)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "생물 진화의 원리를 빌려와 가장 효율적인 해답을 찾아내는 디지털 적자생존." 자연의 진화 과정(선택, 교차, 변이)을 모방하여 복잡한 최적화 문제를 해결하는 휴리스틱 기반 인공지능 기법이다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Genetic Algorithm (GA)**: 염색체 연산을 통해 최적 해를 탐색하는 가장 대중적인 방식.
|
||||
- **Evolutionary Strategies (ES)**: 실수 값 벡터 최적화에 특화된 접근.
|
||||
- **Fitness Function**: 개체가 얼마나 문제 해결에 적합한지를 평가하는 척도.
|
||||
- **Mutation & Crossover**: 지역 최적점(Local Minima)에 빠지지 않게 하고 새로운 탐색 영역을 넓히는 핵심 메커니즘.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 딥러닝의 역전파([[Backpropagation]]) 방식은 미분 가능한 함수에서만 작동하지만, 진화 연산은 '미분 불가능하거나 블랙박스 형태'의 최적화 문제에서도 강력한 위력을 발휘한다. 최근에는 신경망의 구조 자체를 진화시키는 '[[Neuroevolution]]'과 강화학습의 대안으로 대두되며 다시 주목받고 있다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Optimization-Algorithms]] , [[Genetic-Algorithms]]
|
||||
- AI Context: [[Reinforcement-Learning]]-vs-[[Evolutionary-Computation]]
|
||||
@@ -1,29 +0,0 @@
|
||||
---
|
||||
id: EVO-COMP-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.0
|
||||
tags: [ai, evolutionary-computation, genetic-algorithm, [[Optimization]], bio-inspired]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[Evolutionary Computation]] (진화 연산)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "생존에 유리한 코드를 남기고 진화시켜 전역 최적해를 향한 지름길을 찾아라" — 다윈의 진화론에서 영감을 얻어, 후보 해들의 집단(Population)을 생성하고 교배와 돌연변이를 거쳐 세대를 거듭하며 해의 품질을 높여가는 확률적 최적화 알고리즘.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 목표 지점에 도달하기 위해 수학적 경사(Gradient)를 따라가는 대신, 무작위성을 가미한 탐색과 적자생존의 원칙을 결합하여 지역 최적해(Local Minima)를 돌파하는 진화적 탐색 패턴.
|
||||
- **주요 구성 요소:**
|
||||
- **Selection:** 적합도(Fitness)가 높은 우수한 해를 다음 세대의 부모로 선택.
|
||||
- **Crossover (Recombination):** 부모 해들의 특징을 결합하여 새로운 자손 생성.
|
||||
- **Mutation:** 무작위 변화를 주어 집단의 다양성을 유지하고 탐색 공간 확장.
|
||||
- **Fitness Landscape:** 해의 품질이 분포된 지형을 탐험하며 정상을 찾는 과정.
|
||||
- **의의:** 미분 불가능한 비선형 문제, 다목적 최적화, 신경망 구조 탐색(NAS) 등 광범위한 분야에서 활용.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 초기에는 연산량이 많아 비효율적인 방식으로 여겨졌으나, 병렬 컴퓨팅의 발달과 신경망과의 결합([[Neuroevolution]])을 통해 다시 주목받음.
|
||||
- **정책 변화:** Antigravity 프로젝트는 에이전트의 전략 수립 모델 최적화 시, 강화학습과 진화 연산을 결합하여 안정성과 탐색 능력의 균형을 맞춤.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Genetic-Algorithms]], [[Black-Box-Optimization]], [[Neural-[[Architecture]]-[[Search]]-NAS]], [[Neural-Darwinism]]
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Evolutionary-Computation.md
|
||||
@@ -1,27 +0,0 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AI-TS-EXCESS-PROPERTITY
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.00
|
||||
tags: [TypeScript, Programming, TypeSafety, ErrorHandling]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Excess-Property-Checking]] (잉여 속성 체크)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "너 정체가 뭐야? 시키지 않은 건 하지 마." 객체 리터럴을 변수에 할당하거나 함수 인자로 전달할 때, 정의되지 않은 추가 속성이 포함되어 있으면 타입 에러를 발생시켜 오타나 실수(Mistyping)를 방지하는 TypeScript의 안전장치다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Object Literal Restriction**: 변수에 미리 담지 않고 직접 `{...}` 형태로 넘길 때만 발동함.
|
||||
- **[[Structural Typing]] Exception**: TypeScript는 기본적으로 구조적 타이핑을 따르지만, 리터럴 할당 시에는 '엄격한 타입 일치'를 요구하여 버그를 줄임.
|
||||
- **Bypassing Methods**:
|
||||
- 변수에 할당 후 전달.
|
||||
- 타입 단언(`as AnyType`) 사용.
|
||||
- 인덱스 시그니처(`[key: string]: any`) 추가.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 이 기능은 때때로 "덕 타이핑(Duck Typing)이라며 왜 안 돼?"라며 초보자들을 당황하게 만든다. 하지만 이는 리터럴 객체 생성 시 발생할 수 있는 오타(예: `colour` vs `color`)를 런타임 이전 단계에서 원천 봉쇄하기 위한 의도적인 설계다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: Structural-Typing-vs-Nominal-Typing , TypeScript-Best-Practices
|
||||
- Concept: Type-Guard
|
||||
@@ -1,32 +0,0 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-EXAI-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.97
|
||||
tags: [auto-reinforced, xai, explainable-ai, transparency, [[Interpretability]], trust]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Explainable-AI (XAI)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "블랙박스의 뚜껑을 열다: AI가 복잡한 신경망 속에서 내린 결론의 근거를 인간이 이해할 수 있는 언어와 시각 자료로 설명함으로써, 기계에 대한 신뢰를 구축하고 오류를 검증 가능하게 만드는 투명성의 기술."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
설명 가능한 AI(XAI, Explainable-AI)는 AI 모델의 결과물에 대해 인간이 이해할 수 있는 설명을 제공하는 것을 목표로 합니다.
|
||||
|
||||
1. **왜 필요한가?**:
|
||||
* **Trust**: 의료, 금융 등 생명/자산과 직결된 분야에서는 "왜"라는 질문에 답할 수 있어야 함. ([[Ethics & AI]]와 연결)
|
||||
* **Debugging**: 모델이 엉뚱한 곳을 보고 학습하는지(예: 배경을 보고 늑대를 분류) 확인.
|
||||
* **Regulatory Compliance**: AI의 결정에 대해 사용자가 '설명받을 권리'를 법적으로 보장받는 추세.
|
||||
2. **주요 기법**:
|
||||
* **LIME/SHAP**: 입력값의 변화가 결과에 미치는 영향을 측정하여 중요도 표시.
|
||||
* **Attention Maps**: 모델이 이미지의 어느 부분이나 텍스트의 어느 단어에 집중했는지 가시화.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 성능(Accuracy)과 설명력(Interpretability)이 반비례 관계라는 정책이 주류였으나, 현대 정책은 지능이 높으면서도 스스로의 논리 구조를 브리핑하는 '내재적 설명 정책'을 추구함(RL Update).
|
||||
- **정책 변화(RL Update)**: 단순 가시화를 넘어, AI가 자신의 사고 과정을 단계별로 풀어서 설명하는 CoT(Chain-of-Thought) 정책이 LLM 시대의 핵심 XAI 방법론으로 부상함. (Chain-of-Thought와 연결)
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Ethics & AI]], [[Chain-of-Thought (CoT 사고 사슬)]], Trust and Perspective, Transparency, Bias-Variance Tradeoff
|
||||
- **Modern Tech/Tools**: SHAP, LIME, Captum (PyTorch), Integrated Gradients.
|
||||
---
|
||||
@@ -1,32 +0,0 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-EXEX-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.96
|
||||
tags: [auto-reinforced, exploration, exploitation, [[Reinforcement-Learning]], multi-armed-bandit, [[Strategy]]]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Exploration vs Exploitation]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "모험과 안주의 저울질: 이미 알고 있는 최선을 선택하여 확실한 이득을 챙길 것인가(Exploitation), 아니면 더 큰 보상이 있을지 모르는 새로운 영역을 탐험할 것인가(Exploration) 사이의 영원한 전략적 딜레마."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
탐사 대 이용(Exploration vs Exploitation)은 강화학습과 의사결정 이론의 핵심적인 트레이드오프 문제입니다.
|
||||
|
||||
1. **두 개념**:
|
||||
* **Exploitation (이용)**: 과거 경험상 보상이 가장 컸던 행동을 반복. 단기 수익 최적화.
|
||||
* **Exploration (탐사)**: 정보가 부족한 새로운 행동을 시도. 장기적인 '더 나은 최적해' 발견 가능성.
|
||||
2. **해결 전략**:
|
||||
* **Epsilon-Greedy**: 대부분($1-\epsilon$)은 이용하되, 무작위($\epsilon$)로 탐사.
|
||||
* **UCB (Upper Confidence Bound)**: 불확실성(가보지 않은 곳)에 가중치를 두어 탐사 유도.
|
||||
* **Thompson Sampling**: 확률 분포를 기반으로 유연하게 선택.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 최대한 빠르게 '안주 정책'으로 들어가는 것이 효율적이라 보았으나, 현대 정책은 복잡한 환경일수록 시스템에 '호기심(Curiosity) 정책'을 주입하여 끝까지 탐사하게 하는 것이 궁극의 지능을 만든다고 믿음(RL Update). (Reinforcement Learning과 연결)
|
||||
- **정책 변화(RL Update)**: 비즈니스 전략 정책에서, 기존 수익 모델에 안주하는 것(Exploitation)과 신사업을 발굴하는 것(Exploration) 사이의 '양손잡이 경영 정책'의 이론적 토대가 됨. ([[Strategic-Planning]]과 연결)
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Reinforcement Learning (RL)]], Multi-Armed Bandit (MAB), [[Decision Theory]], [[Strategic-Planning]], [[Optimization]]
|
||||
- **Modern Tech/Tools**: Recommender[[ system]]s (Exploration balance), A/B [[Testing]] algorithms.
|
||||
---
|
||||
@@ -1,29 +0,0 @@
|
||||
---
|
||||
id: RL-EX-BAL-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.0
|
||||
tags: [[[Reinforcement-Learning]], ai, decision-making, exploration, exploitation]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[Exploration vs Exploitation]] (탐색과 활용의 균형)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "안전한 현재의 수익과 불확실한 미래의 가능성 사이에서 최적의 배팅 지점을 찾아라" — 강화학습의 핵심 딜레마로, 이미 알고 있는 최선의 행동을 반복하여 보상을 얻는 것(Exploitation)과 더 나은 행동을 찾기 위해 새로운 시도를 하는 것(Exploration) 사이의 트레이드오프.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 제한된 자원(시간, 에너지) 내에서 누적 보상을 극대화하기 위해 초기에는 광범위하게 탐색하고, 정보가 쌓일수록 최선의 선택에 집중하는 적응형 의사결정 패턴.
|
||||
- **주요 전략:**
|
||||
- **$\epsilon$-greedy:** 아주 작은 확률($\epsilon$)로 무작위 행동을 하고, 나머지 확률로 최선의 행동 수행.
|
||||
- **Softmax:** 보상 가치에 비례한 확률로 행동 선택.
|
||||
- **Upper Confidence Bound (UCB):** 불확실성이 큰 행동에 가산점을 주어 우선적으로 탐색.
|
||||
- **Thompson Sampling:** 확률 분포를 모델링하여 샘플링 기반으로 탐색 결정.
|
||||
- **의의:** 너무 빨리 활용에만 집중하면 지역 최적해(Local Optima)에 갇히고, 너무 탐색만 하면 보상을 충분히 얻지 못함.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 단순히 '운'에 맡기던 무작위 탐색에서, 수학적 근거(UCB 등)를 바탕으로 '똑똑하게' 탐색하는 방식으로 진화.
|
||||
- **정책 변화:** Antigravity 프로젝트의 지식 검색 에이전트는 사용자의 질문에 대해 가장 관련성 높은 문서만 보여주는 것(Exploitation)을 넘어, 가끔은 의외의 연결 고리를 가진 문서를 제안(Exploration)하여 창의적 통찰을 돕도록 설계됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Reinforcement-Learning]], Q-Learning-Foundations, Multi-Armed-Bandit-MAB, Decision-Making
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Exploration-vs-Exploitation.md
|
||||
@@ -1,29 +0,0 @@
|
||||
---
|
||||
id: FLOW-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.0
|
||||
tags: [[[Psychology]], productivity, flow, peak-performance]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Flow [[State]] (몰입 상태)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "자아와 시간이 사라지고 행위만 남는 최적의 경험" — 도전 과제의 난이도와 자신의 기술 수준이 완벽한 균형을 이룰 때 도달하는, 고도의 집중과 창의성이 발휘되는 심리적 상태.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 명확한 목표, 즉각적인 피드백, 그리고 잡념이 사라질 정도의 적절한 난이도(Flow Channel)가 결합되어 생산성이 극대화되는 인지 패턴.
|
||||
- **세부 내용:**
|
||||
- **Flow Channel:** 지루함([[Anxiety]])과 불안(Boredom) 사이의 좁은 통로. 기술과 난이도가 비례해야 도달 가능.
|
||||
- **Loss of Self-Consciousness:** 행위에 완전히 흡수되어 자의식이 사라지고 일체감을 느끼는 현상.
|
||||
- **Altered Sense of Time:** 시간이 아주 빠르게 가거나, 반대로 정지한 것처럼 느껴지는 시간 왜곡 경험.
|
||||
- **Autotelic Experience:** 활동 그 자체가 목적이 되는 자기 목적적 보상 기제.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 단순히 '열심히 하는 것'과 '몰입'을 혼동하던 초기 관점에서, 특정 뇌파(Alpha/Theta)와 호르몬 수치로 측정 가능한 과학적 상태로 규명됨.
|
||||
- **정책 변화:** Antigravity 프로젝트의 UX 설계 시, 사용자가 학습 루프 내에서 몰입 상태를 유지할 수 있도록 점진적 난이도 상승(Progressive Disclosure) 기법을 적용함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Parent:** 10_Wiki/💡 Topics/AI
|
||||
- **Related:** Mihaly-Csikszentmihalyi, Cognitive-Load-Theory, Deep-Work
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Flow State.md
|
||||
@@ -1,31 +0,0 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-FLST-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.88
|
||||
tags: [auto-reinforced, flow-[[State]], [[Psychology]], productivity, Mihaly-Csikszentmihalyi, high-performance]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Flow-State]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "시간이 멈추는 몰입: 자신의 기술 수준과 도전 과제의 난이도가 황금 비율을 이룰 때, 자의식이 사라지고 오직 현재의 행위에만 완전히 젖어 들어 수행 능력과 창의성이 극대화되는 '무아지경'의 경지."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
몰입 상태(Flow-State)는 긍정 심리학자 미하이 칙센트미하이(Mihaly Csikszentmihalyi)가 정의한 상태입니다.
|
||||
|
||||
1. **조건**:
|
||||
* **난이도 조절**: 너무 쉬우면 지루하고, 너무 어려우면 불안함. 그 사이의 '몰입 채널'에 진입해야 함.
|
||||
* **명확한 목표 & 즉각적 피드백**: 지금 무엇을 해야 하는지 알고, 결과가 바로 확인되어야 함. ([[Feedback-Loops]]와 연결)
|
||||
* **집중을 방해하는 요소 제거**: 환경적 잡음과 내부적 잡념의 차단.
|
||||
2. **왜 중요한가?**:
|
||||
* 생산성이 최대 5배까지 향상되며, 결과물의 품질은 물론 수행자 본인의 행복감이 극대화됨. ([[Creativity Research]]와 연결)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 열심히 노력하는 '고통스러운 수양 정책'만이 성과를 낸다고 보았으나, 현대 정책은 '몰입을 유도하는 즐거운 집중 정책'이 뇌과학적으로 훨씬 더 효율적인 고성능 정책임을 입증함(RL Update).
|
||||
- **정책 변화(RL Update)**: 인간과 AI의 인터페이스 정책에서, AI가 인간을 대신해 단순 반복 작업을 처리해주어 인간이 고차원적 몰입(Deep Work) 정책에만 집중할 수 있게 돕는 '몰입 조력자로서의 AI 정책' 모델이 부상함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Creativity Research]], [[Psychology & Behavior]], [[Feedback-Loops]], [[Efficiency]], [[Analysis]]
|
||||
- **Modern Tech/Tools**: Deep Work techniques, Pomodoro timers, Distraction-[[Blocking]] apps.
|
||||
---
|
||||
@@ -1,30 +0,0 @@
|
||||
---
|
||||
id: FE-ARCH-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.0
|
||||
tags: [[[Frontend]], software-[[Architecture]], web-development, react, [[State]]-[[Management]]]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Frontend Architecture (프론트엔드 아키텍처)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "복잡한 UI 상태를 예측 가능한 흐름으로 관리하고, 사용자 경험(UX)을 기술적 구조로 구현하라" — 단순한 화면 구성을 넘어 컴포넌트 설계, 상태 관리 전략, 렌더링 성능 최적화, 그리고 에이전트 인터랙션을 아우르는 현대 웹 기술의 설계도.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** UI를 독립적인 컴포넌트로 분리하고, 단방향 데이터 흐름(Unidirectional Data Flow)을 통해 상태 변화에 따른 부수 효과를 제어하는 선언적 UI 아키텍처 패턴.
|
||||
- **핵심 구성 요소:**
|
||||
- **Component-Driven Development (CDD):** 재사용 가능한 원자적 단위의 UI 설계.
|
||||
- **State Management:** 전역 상태(Redux, Zustand)와 로컬 상태의 균형.
|
||||
- **Rendering Strategies:** CSR, SSR, SSG, ISR 등 비즈니스 요구사항에 맞는 렌더링 방식 선택.
|
||||
- **Micro Frontends:** 대규모 애플리케이션을 독립적으로 배포 가능한 작은 단위로 분리.
|
||||
- **AI-Driven UI:** 에이전트의 응답에 따라 실시간으로 변화하는 동적 인터페이스(Generative UI).
|
||||
- **의의:** 복잡해지는 웹 애플리케이션의 유지보수성을 확보하고, 초저지연 인터랙션을 보장함.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 단순히 정적 페이지를 보여주던 방식에서, 수만 개의 상태를 실시간으로 동기화하고 에이전트와 대화하는 '지능형 애플리케이션 플랫폼'으로 진화.
|
||||
- **정책 변화:** Antigravity 프로젝트는 에이전트의 지식 탐색 결과와 지식 지도를 시각화하기 위해 최신 [[Next.js]] 기반의 서버 컴포넌트 아키텍처를 표준으로 채택함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
-[[ system]]-Design-for-AI-Scale, UX-Design, [[Context-Aware-Computing]], [[Domain-Driven-Design-DDD]]
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Frontend-Architecture.md
|
||||
@@ -1,31 +0,0 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-FUPR-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.96
|
||||
tags: [auto-reinforced, [[Functional-Programming]], declarative, immutability, pure-function, software-engineering]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Functional Programming]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "상태 변화 없는 수학적 흐름: 데이터를 직접 수정(Mutation)하지 않고, 입력에 대해 항상 같은 결과를 내놓는 순수 함수(Pure Function)들의 조합으로 안정성 있고 예측 가능한 소프트웨어를 건축하는 프로그래밍 철학."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
함수형 프로그래밍(Functional Programming)은 자료 처리를 수학적 함수의 계산으로 취급하고 상태와 가변 데이터를 멀리하는 프로그래밍 패러다임입니다.
|
||||
|
||||
1. **핵심 원칙**:
|
||||
* **Immutability (불변성)**: 한번 생성된 데이터는 바꾸지 않고, 변화가 필요하면 새로운 데이터를 만듦. (멀티코어 환경의 안전성 확보)
|
||||
* **Pure Functions**: 외부 상태에 의존하지 않고 오직 입력으로만 결과를 냄 (Side effect 제거).
|
||||
* **Higher-Order Functions**: 함수를 값처럼 주고받아 로직의 결합과 재사용성을 극대화 (Map, Filter, Reduce).
|
||||
2. **왜 중요한가?**:
|
||||
* 코드가 간결해지고 테스트가 압도적으로 쉬워지며, 분산 컴퓨팅([[Distributed-Systems]]) 환경에서 데이터 일관성을 지키기에 최적임.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 하드웨어 자원 낭비(복사 비용 등) 때문에 '명령형/객체지향 정책'이 압승했으나, 현대 정책은 병렬 연산의 중요성과 소프트웨어 복잡성 해결 정책 때문에 모든 주류 언어가 함수형 특징을 도입하는 '하이브리드 함용 정책'으로 승리함(RL Update).
|
||||
- **정책 변화(RL Update)**: 거대 데이터 파이프라인 정책과 AI 모델의 레이어 연산 정책 자체가 거대한 함수 체인(Functional Chain) 정책으로 설계되어 있으며, 이를 선언적으로 다루는 능력이 현대 개발의 필수 정책이 됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Clean-[[Architecture]]-TypeScript]], [[Distributed-Systems]], [[Concurrent Programming]], [[Logic]], [[Optimization]]
|
||||
- **Modern Tech/Tools**: Haskell, Elixir, React (Functional Components), Rust, Ramda.js.
|
||||
---
|
||||
@@ -1,29 +0,0 @@
|
||||
---
|
||||
id: FP-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.0
|
||||
tags: [programming, functional-programming, immutability, pure-functions, software-engineering]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[Functional Programming]] (함수형 프로그래밍)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "데이터의 상태 변화를 피하고, 순수 함수들의 조합으로 견고한 로직을 조립하라" — 계산을 수학적 함수의 평가로 취급하고 상태 변경 및 가변 데이터를 멀리하여, 병렬 처리에 유리하고 버그가 적은 소프트웨어를 만드는 프로그래밍 패러다임.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** "어떻게(How)" 연산할지보다 "무엇(What)"인지 정의하고, 입력을 넣으면 항상 동일한 출력이 나오는 불변성(Immutability)과 참조 투명성(Referential Transparency)을 유지하는 선언적 코딩 패턴.
|
||||
- **핵심 개념:**
|
||||
- **Pure Functions:** 외부 상태를 참조하거나 변경하지 않는 함수. 테스트와 디버깅이 매우 쉬움.
|
||||
- **First-class Citizens:** 함수를 변수에 담고, 인자로 넘기고, 결과로 반환할 수 있음.
|
||||
- **Higher-order Functions:** 함수를 파라미터로 받거나 결과로 반환하는 함수 (map, filter, reduce 등).
|
||||
- **Immutability:** 한 번 생성된 데이터는 수정하지 않고 항상 새로운 데이터를 생성하여 전달.
|
||||
- **의의:** 동시성(Concurrency) 문제가 발생하는 멀티코어 환경과 대규모 분산 시스템에서 데이터 일관성을 유지하는 가장 강력한 무기.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 객체지향(OOP)이 유일한 정답이던 시대를 지나, 데이터 스트림 처리와 비동기 프로그래밍이 중요해지면서 함수형 패러다임이 모든 주류 언어(JS, Java, Python 등)에 깊숙이 침투함.
|
||||
- **정책 변화:** Antigravity 프로젝트는 에이전트의 사고 흐름(Chain of Thought)을 처리하는 파이프라인 설계 시, 각 단계를 순수 함수로 정의하여 재현 가능성과 안정성을 확보함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Determinism-in-Computing]], [[Distributed-Computing]], [[Software-[[Architecture]]-Patterns]], [[Parallel-Computing]]
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Functional-Programming.md
|
||||
@@ -1,36 +0,0 @@
|
||||
---
|
||||
id: GAME-THEORY-AI-001
|
||||
date: 2026-05-07T14:56:00.000Z
|
||||
type: knowledge_artifact
|
||||
standard: P-Reinforce v3.0
|
||||
tags: [game-theory, ai, multi-agent-systems, reinforcement-learning, strategic-decision-making]
|
||||
---
|
||||
|
||||
# [[Game-Theory-in-AI]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "상호작용의 지능화: 다중 에이전트 환경에서 각 주체의 최적 전략이 서로에게 미치는 영향을 수학적으로 모델링하여, 복잡한 경쟁 및 협력 상황에서 최적의 균형점(Equilibrium)을 찾는 인공지능 설계 원칙."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
게임 이론은 현대 인공지능, 특히 다중 에이전트 강화학습(MARL)과 자율 시스템 설계에서 의사결정의 핵심 논리를 제공합니다.
|
||||
|
||||
1. **핵심 개념 및 균형점**:
|
||||
* **내시 균형 (Nash Equilibrium)**: 다른 에이전트의 전략이 고정되었을 때, 어떤 에이전트도 자신의 전략을 변경하여 더 높은 이득을 얻을 수 없는 상태입니다. AI는 이 균형점을 향해 학습하며 시스템의 안정성을 확보합니다.
|
||||
* **제로섬 vs 비제로섬 게임**: 자원이 한정된 경쟁 상황(Zero-sum)과 협력을 통해 공동의 이익을 창출할 수 있는 상황(Non-zero-sum)을 구분하여 보상 함수(Reward Function)를 설계합니다.
|
||||
2. **AI 분야의 응용**:
|
||||
* **Multi-Agent Reinforcement Learning (MARL)**: 여러 AI 에이전트가 동시에 학습하는 환경에서 상호 간의 간섭을 게임 이론적으로 해결합니다.
|
||||
* **메커니즘 디자인 (Mechanism Design)**: 에이전트들이 자신의 이익을 위해 행동하더라도 전체 시스템이 원하는 방향(예: 자원 효율성)으로 유도되도록 규칙과 보상 구조를 설계합니다.
|
||||
3. **실전 사례**:
|
||||
* **AlphaGo & Poker AI**: 불완전 정보 게임(Poker)이나 복잡한 상태 공간(Go)에서 상대의 전략을 예측하고 최적의 대응수를 계산하는 데 필수적으로 사용됩니다.
|
||||
* **자율주행 및 드론 스웜**: 여러 자율 주행 차량이 교차로에서 충돌 없이 효율적으로 통행하기 위한 전략적 상호작용 모델링에 활용됩니다.
|
||||
|
||||
## ⚖️ Trade-offs & Caveats
|
||||
* **계산 복잡도**: 에이전트 수가 증가할수록 내시 균형을 찾는 계산량이 기하급수적으로 늘어나는 '차원의 저주' 문제가 발생합니다.
|
||||
* **합리성 가정의 한계**: 현실의 에이전트(인간 포함)는 항상 완벽하게 합리적으로 행동하지 않으므로, 제한된 합리성(Bounded Rationality)을 고려한 모델링이 필요합니다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Related Topics**: [[Reinforcement Learning (RL)]], [[Multi-Agent-Systems-MAS]], [[Bounded Rationality]], [[Algorithmic-Game-Theory]]
|
||||
- **Applications**: [[Autonomous Vehicles]], [[Artificial-Intelligence-in-Games]]
|
||||
|
||||
---
|
||||
*Last updated: 2026-05-07*
|
||||
@@ -1,30 +0,0 @@
|
||||
---
|
||||
id: MATH-GRAPH-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.0
|
||||
tags: [math, graph-theory, network-[[Analysis]], data-structures, ai]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[Graph Theory]] and Networks (그래프 이론과 네트워크)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "세상의 모든 존재를 점(Node)으로, 그들의 관계를 선(Edge)으로 연결하여 복잡계의 지도를 그려라" — 개체들 간의 상호작용과 연결 구조를 수학적으로 모델링하여, 네트워크의 특성과 정보의 흐름을 분석하는 학문적 토대.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 개별 요소의 특성보다 요소들 사이의 '연결 방식(Connectivity)'이 시스템 전체의 성격(중요도, 전파 속도, 강건성 등)을 결정한다는 관계 중심의 분석 패턴.
|
||||
- **핵심 개념:**
|
||||
- **Nodes & Edges:** 데이터를 나타내는 정점과 관계를 나타내는 간선.
|
||||
- **Degree:** 특정 노드에 연결된 간선의 수 (중요도 지표).
|
||||
- **Shortest Path:** 두 노드 사이의 최단 거리 (효율성 지표).
|
||||
- **Centrality:** 네트워크 내에서 특정 노드가 차지하는 영향력 (PageRank 등).
|
||||
- **Clustering:** 노드들이 얼마나 밀집하여 그룹을 형성하는지 측정.
|
||||
- **의의:** 소셜 네트워크 분석, 전력망 설계, 신약 개발은 물론, 현대 AI의 지식 그래프(Knowledge Graph)와 GNN의 핵심 이론적 근거.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 정적인 관계망 분석에서 벗어나, 시간에 따라 노드와 엣지가 생성/소멸하는 동적 네트워크(Dynamic Networks) 분석으로 진화.
|
||||
- **정책 변화:** Antigravity 프로젝트는 1,174개의 지식 문서 간의 상관관계를 그래프 이론적 관점에서 상시 분석하며, 지식의 고립(Island)을 방지하고 핵심 연결 노드를 자동으로 추천함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[GNN]], [[Geometric-Deep-Learning]], [[Knowledge-Graph-Foundations]], [[Search]]-Algorithms
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Graph-Theory.md
|
||||
@@ -1,31 +0,0 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-HCII-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.94
|
||||
tags: [auto-reinforced, hci, [[Human-Computer-Interaction]], [[Accessibility]], usability, design-thinking]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[HCI (Human-Computer Interaction)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "기술과 인간의 대화: 컴퓨터가 인간의 의도를 더 정확히 이해하고, 인간이 기계를 더 쉽고 자연스럽게 사용할 수 있도록 인터페이스를 설계하여 두 종 간의 장벽을 허무는 공생의 기술학."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
인간-컴퓨터 상호작용(HCI)은 인간과 컴퓨터 간의 인터페이스 설계를 연구하는 학문 분야입니다.
|
||||
|
||||
1. **3대 고려 요소**:
|
||||
* **Usefulness**: 시스템이 실제 목표를 달성하는 데 도움이 되는가?
|
||||
* **Usability**: 얼마나 배우기 쉽고 사용하기 편리한가? ([[Efficiency]]와 연결)
|
||||
* **Experience (UX)**: 사용자가 상호작용 과정에서 느끼는 감정과 만족도. (User Experience (UX)와 연결)
|
||||
2. **인터페이스의 진화**:
|
||||
* CLI (명령어) -> GUI (그래픽) -> NUI (Natural User Interface: 음성, 시선, 제스처).
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 인간이 기계의 언어를 배워야 했던 '기계 중심 정책'이었으나, 현대 정책은 기계가 인간의 언어와 맥락을 배우는 '인간 중심 정책'으로 완전히 역전됨(RL Update).
|
||||
- **정책 변화(RL Update)**: 화면 속 버튼을 누르는 소통 정책을 넘어, 생각만으로 기계를 조작하는 BCI 정책과 대화로 모든 일을 수행하는 'LUI(Language User Interface) 정책'이 HCI의 새로운 프런티어가 됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- User Experience (UX), [[Design-System]], [[Eye-Tracking]], [[Accessibility]], [[Brain-Computer-Interface (BCI)]]
|
||||
- **Modern Tech/Tools**: [[Figma]], Eye trackers, Voice assistants (Siri, Alexa), VR/AR headsets.
|
||||
---
|
||||
@@ -1,29 +0,0 @@
|
||||
---
|
||||
id: HCI-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.0
|
||||
tags: [hci, ux, human-factors, interaction-design, cognitive-[[Psychology]]]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Human-Computer Interaction (HCI, 인간-컴퓨터 상호작용)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "기계의 언어를 인간에게 강요하지 말고, 기계가 인간의 맥락과 감각을 학습하게 하라" — 인간과 컴퓨터 시스템 사이의 대화와 상호작용을 연구하여, 기술이 인간의 능력을 확장하고 사용 경험을 최적화하도록 만드는 다학제적 분야.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** "User-Centered Design (UCD)" — 기술적 구현 가능성보다 사용자의 인지 모델, 심리 상태, 그리고 작업 맥락을 최우선으로 고려하여 인터페이스와 경험을 설계하는 인간 중심의 엔지니어링 패턴.
|
||||
- **주요 연구 영역:**
|
||||
- **Interface Design:** 시각적(GUI), 음성(VUI), 제스처, 뇌-컴퓨터 인터페이스(BCI).
|
||||
- **Usability:** 효율성, 학습 용이성, 오류 방지, 사용 만족도 측정.
|
||||
- **[[Accessibility]]:** 모든 사용자가 제약 없이 기술을 누릴 수 있도록 보장.
|
||||
- **Emotional Interaction:** 기계와의 상호작용 중 발생하는 감정적 교감과 신뢰 형성.
|
||||
- **의의:** AI가 고도화될수록 '무엇을 할 수 있는가'보다 '인간과 어떻게 협업할 것인가'가 중요해지며, HCI는 그 연결고리를 제공함.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 일방적인 명령 전달(CLI/GUI)에서 벗어나, 에이전트가 인간의 비언어적 맥락까지 파악하여 선제적으로 대응하는 지능형 상호작용으로 패러다임이 전이됨.
|
||||
- **정책 변화:** Antigravity 프로젝트의 모든 에이전트 상호작용은 HCI 원칙을 기반으로 하며, 사용자의 대화 패턴과 작업 속도를 분석하여 에이전트의 응답 톤과 속도를 최적화하는 어댑티브 UI를 지향함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- UX-Design, Gestalt-[[Principles]]-in-UX, [[Human-in-the-loop-AI]], [[Context-Aware-Computing]]
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/[[Human-Computer-Interaction]]-HCI.md
|
||||
@@ -1,28 +0,0 @@
|
||||
---
|
||||
id: INFO-THEORY-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.0
|
||||
tags: [math, communication, entropy, data-compression, ai-foundations]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[Information Theory]] (정보 이론)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "불확실성을 측정하고 통신을 수치화하라" — 클로드 섀넌이 정립한, 정보의 양을 엔트로피(Entropy)라는 개념으로 정의하고 데이터 압축 및 전송의 한계를 규명한 수학적 기초.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 메시지가 담고 있는 '놀라움의 정도(Surprise)'를 확률 기반으로 계산하여, 정보를 비트(Bit) 단위로 정량화하는 패턴.
|
||||
- **세부 내용:**
|
||||
- **Entropy ($H$):** 정보의 평균적인 불확실성. 확률이 낮을수록(예측하기 힘들수록) 정보량은 큼.
|
||||
- **Mutual Information:** 두 변수 사이의 의존성이나 공유된 정보량을 측정.
|
||||
- **Channel Capacity:** 노이즈가 있는 채널을 통해 오류 없이 전송할 수 있는 최대 정보율.
|
||||
- **Cross-Entropy:** 딥러닝에서 실제 분포와 예측 분포의 차이를 계산하는 손실 함수로 활용.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 단순 신호 전송 기술에서, 현대에는 머신러닝의 학습 목표 정의 및 모델 복잡도 측정의 핵심 이론으로 확장됨.
|
||||
- **정책 변화:** Antigravity 에이전트의 응답 생성 시, '정보 밀도'를 높이기 위해 불필요한 반복을 제거하고 핵심 엔트로피가 높은 텍스트를 구성하도록 유도함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Entropy, Cross-Entropy, Data-Compression, Machine-Learning
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Information-Theory.md
|
||||
@@ -1,48 +0,0 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-1BE349
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - Interaction to Next Paint (INP)"
|
||||
---
|
||||
|
||||
# [[Interaction to Next Paint (INP)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> INP(Interaction to Next Paint)는 웹 페이지의 전반적인 상호작용성(Interactivity)과 응답성(Responsiveness)을 측정하기 위해 2024년 Google이 공식 도입한 [[Core Web Vitals]] 지표입니다 [1-3]. 첫 번째 상호작용만 측정하던 기존의 FID(First Input Delay)와 달리, 페이지 방문 기간 동안 발생하는 모든 상호작용(클릭, 탭, 키 누름 등)의 전체 지연 시간을 측정하여 실제 사용자 경험을 더 정확하게 반영합니다 [4-6]. 사용자의 작업에 대해 즉각적인 시각적 피드백을 제공하는 것을 목표로 하며, 200밀리초(ms) 이하의 지연 시간을 기록해야 '좋음(Good)'으로 평가받을 수 있습니다 [5, 7].
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
* **도입 배경 및 영향:**
|
||||
INP는 2024년에 기존 Core Web Vitals 지표였던 [[First Input Delay (FID)]]를 공식적으로 대체했습니다 [1, 2]. FID가 첫 번째 상호작용의 이벤트 핸들러 시작 전 지연 시간만을 측정했던 반면, INP는 페이지 전체 수명 동안 발생하는 모든 상호작용을 추적하고 렌더링 지연까지 포함하여 측정합니다 [4-6]. 이 엄격해진 기준 변화로 인해 2024년 2월, 모바일 웹사이트들의 Core Web Vitals 통과율이 크게 하락하는 현상이 관찰되기도 했습니다 [1].
|
||||
|
||||
* **측정 및 산출 방식:**
|
||||
INP는 75백분위수(75th percentile)의 방문 데이터를 기준으로 계산됩니다 [8]. 페이지 내 상호작용이 50개 이하인 경우 가장 긴 상호작용 지연 시간을 INP로 간주하며, 상호작용이 50개를 초과할 경우 이상치(Outlier)의 영향을 줄이기 위해 50개 그룹당 가장 지연 시간이 긴 1개를 제외한 나머지 중 최댓값을 사용합니다 [8].
|
||||
* **평가 임계값:** 200ms 이하는 '좋음(Good)', 200ms 초과 500ms 이하는 '개선 필요(Needs improvement)', 500ms 초과는 '나쁨(Poor)'으로 분류됩니다 [5].
|
||||
* **브라우저 지원:** [[Chrome]]뿐만 아니라 [[Interop 2025]] 프로젝트를 통해 Firefox(버전 144부터 지원)와 Safari에서도 INP 측정 지표 구현 작업이 시작되었습니다 [9].
|
||||
|
||||
* **지연 시간의 세부 구성 요소 (Sub-p[[Arts]]):**
|
||||
사용자 상호작용의 전체 대기 시간은 크게 3단계로 나뉘며, [[Chrome DevTools]]를 통해 이 세부 정보(INP breakdown)를 확인할 수 있습니다 [4, 5, 10].
|
||||
1. **입력 지연 (Input delay):** 이벤트가 감지된 시점부터 이벤트 핸들러가 실행되기 전까지의 시간 [4, 5].
|
||||
2. **처리 시간 ([[Processing]] duration):** 이벤트 핸들러 코드가 실제로 실행되는 시간 [4]. 성능 병목이 가장 자주 발생하는 구간입니다 [10].
|
||||
3. **표시 지연 (Presentation delay):** 사용자 작업 이후 다음 프레임을 화면에 렌더링(페인트)할 때까지 걸리는 시간 [4].
|
||||
|
||||
* **최적화 전략:**
|
||||
INP를 최적화하기 위해서는 브라우저의 메인 스레드([[Main Thread]]) 차단을 최소화해야 합니다. 이를 위해 긴 작업([[Long Tasks]])을 비동기 청크로 분할하고, 핵심 이벤트 핸들러의 우선순위를 높이며, 불필요한 [[JavaScript]] 지연 로드(Lazy load) 및 수동 이벤트 리스너(Passive event listeners) 사용, 레이아웃 스래싱([[Layout Thrashing]]) 감소 등의 전략이 필요합니다 [11-14]. Chrome DevTools의 성능 패널에 통합된 [[Long Animation Frames API]]를 활용하면 상호작용을 지연시키는 특정 스크립트와 그 원인을 직관적으로 파악할 수 있습니다 [15, 16].
|
||||
|
||||
* **특수 측정 사례 (텍스트 강조 표시):**
|
||||
웹 페이지에서 텍스트를 드래그하여 강조 표시(Highlighting)하는 행위도 일반적으로 INP 점수에 영향을 주는 사용자 상호작용으로 간주됩니다 [17]. 다만, 2025년 초 Chrome의 업데이트를 통해 사용자가 창의 가장자리에 도달하여 스크롤이 트리거되는 텍스트 강조 표시 상황에서는 INP 점수가 증가하지 않도록 측정 방식이 조정되었습니다 [17].
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요.
|
||||
- **정책 변화:** AI 분야의 자동 자산화 수행.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Related Topics:** [[Core Web Vitals]], [[First Input Delay (FID)]], [[Long Animation Frames API]]
|
||||
- **Projects/Contexts:** Chrome User Experience Report ([[CrUX]]), [[Chrome DevTools]], [[Interop 2025]]
|
||||
- **Contradictions/Notes:** 초기 측정 방식에서는 모든 텍스트 강조 표시가 INP에 영향을 주었으나, 2025년 초 Chrome의 업데이트로 인해 스크롤을 동반하는 텍스트 강조 표시는 예외적으로 INP 지연 시간에 합산되지 않도록 변경되었습니다 [17].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-19*
|
||||
|
||||
---
|
||||
@@ -1,28 +0,0 @@
|
||||
---
|
||||
id: [[LSTM]]-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.0
|
||||
tags: [[[Deep-Learning]], nlp, rnn, ai-history, time-series]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[LSTM (Long Short-Term [[memory]])]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "기억할 것과 잊을 것을 스스로 결정하는 똑똑한 메모리 셀" — 기존 RNN의 고질적인 문제인 '장기 의존성(Long-term dependency)' 손실을 해결하기 위해 게이트(Gate) 구조를 도입한 순환 신경망 아키텍처.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 정보의 흐름을 조절하는 세 가지 문(Gate)을 통해, 중요한 정보는 오래 보존하고 불필요한 정보는 즉시 지워버리는 시계열 데이터 처리 패턴.
|
||||
- **세부 내용:**
|
||||
- **Forget Gate:** 이전 상태의 정보 중 무엇을 버릴지 결정.
|
||||
- **Input Gate:** 현재 입력 정보 중 무엇을 셀 상태(Cell [[State]])에 저장할지 결정.
|
||||
- **Output Gate:** 갱신된 셀 상태를 바탕으로 다음 단계로 전달할 값을 결정.
|
||||
- **Cell State:** 컨베이어 벨트처럼 정보가 흐르며, 게이트들에 의해 정보가 추가되거나 삭제됨.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 자연어 처리의 독보적 존재였으나, 병렬 연산이 불가능한 순차적 구조라는 한계 때문에 현재는 트랜스포머(Transformer) 아키텍처에 자리를 내줌. 하지만 음성 인식이나 시계열 수치 예측 분야에서는 여전히 활용됨.
|
||||
- **정책 변화:** Antigravity 프로젝트의 센서 데이터 분석(Telemetry) 및 사용자 활동 패턴 예측 시, 가벼운 LSTM 모델을 보조적으로 운용함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Recurrent-Neural-Network, Gated-Recurrent-Unit, [[Transformer-Architecture]], [[Time-Series-Analysis]]
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/LSTM (Long Short-Term Memory).md
|
||||
@@ -1,38 +0,0 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-C57B92
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - Largest Contentful Paint (LCP)"
|
||||
---
|
||||
|
||||
# [[Largest Contentful Paint (LCP)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> LCP(Largest Contentful Paint)는 웹 페이지의 로딩 성능을 측정하는 구글의 핵심 웹 바이탈([[Core Web Vitals]]) 지표 중 하나로, 브라우저가 화면에 가장 큰 콘텐츠를 렌더링하는 데 걸리는 시간을 의미합니다 [1, 2]. 이는 사용자가 페이지의 주요 콘텐츠를 볼 수 있게 되는 시점을 나타내는 대리 지표로 사용됩니다 [2]. 구글은 좋은 사용자 경험을 위해 LCP를 2.5초 미만으로 유지할 것을 권장하며, 4.0초를 초과하면 불량한 것으로 간주합니다 [3, 4].
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
* **LCP의 역할 및 측정 기준:**
|
||||
LCP는 초기 시각적 응답 속도를 측정하며, 페이지 로드 시 가장 넓은 픽셀 영역을 차지하는 텍스트나 이미지 요소의 렌더링 완료 시점을 기준으로 합니다 [2, 5]. 데스크톱 및 모바일 환경의 실제 사용자 데이터를 기반으로 한 [[Chrome]] User Experience Report([[CrUX]])에서 75백분위수 방문자의 경험을 기준으로 평가됩니다 [6, 7].
|
||||
* **성능 최적화 및 디버깅:**
|
||||
LCP를 개선하기 위해서는 서버 응답 시간 최적화, 사전 연결(preconnect), 주요 리소스 사전 로드(preload), 렌더링을 차단하는 CSS/JS의 감소가 필요합니다 [8]. 특히 LCP에 영향을 미치는 주요 이미지에는 `fetchpriority='high'` 속성을 부여하여 로딩 우선순위를 높이는 것이 권장됩니다 [9]. 개발자는 [[Chrome DevTools]]의 'Performance' 패널과 'Live metrics' 화면을 통해 로컬 및 실제 필드 데이터의 LCP를 실시간으로 확인하고, 지표에 영향을 미치는 LCP 요소를 직접 추적할 수 있습니다 [6, 9-11].
|
||||
* **최근 측정 및 지표 업데이트 (2025년 기준):**
|
||||
* **LCP Subp[[Arts]]:** 2025년 2월부터 CrUX는 LCP를 구성하는 하위 요소(subparts) 데이터를 제공하여, 느린 서버 응답인지, 이미지 다운로드 지연인지 등 LCP 지연 원인을 세분화하여 파악할 수 있게 되었습니다 [12]. 이 하위 요소 데이터는 가장 큰 콘텐츠 요소가 이미지인 방문에 한해 적용됩니다 [13].
|
||||
* **Cross-origin 이미지 측정 개선:** 기존에 Chrome은 `Timing-Allow-Origin` 응답 헤더가 없는 크로스 오리진 이미지의 경우 이미지가 화면에 표시되기 전 다운로드된 시간만 보고했으나, 2025년 2월부터 실제 렌더링 시간을 정확히 반영하도록 측정 방식을 변경했습니다 [14].
|
||||
* **렌더링 시간의 세분화:** Chrome은 LCP 페인트 타이밍을 브라우저 렌더링이 완료된 시간(`paintTime`)과 실제 픽셀이 화면에 나타난 시간(`presentationTime`)으로 세분화하여 보고하기 시작했습니다 [15].
|
||||
* **브라우저 지원 확대 및 [[Soft Navigation]]:** [[Interop 2025]] 프로젝트를 통해 기존에 Chrome에 국한되었던 LCP 지표가 Firefox 및 Safari(Technology Preview 버전)에서도 지원되기 시작했습니다 [16]. 또한 현재 LCP는 초기 네비게이션 시에만 로드 시간을 측정하지만, 2025년 8월 Chrome은 SPA(Single-Page Application)와 같은 Soft Navigation 환경에서도 LCP 로드 시간을 측정하기 위한 새로운 Origin Trial을 시작했습니다 [17].
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요.
|
||||
- **정책 변화:** AI 분야의 자동 자산화 수행.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Related Topics:** [[Core Web Vitals]], Chrome User Experience Report (CrUX), [[Interaction to Next Paint (INP)]], [[Cumulative Layout [[Shift]] (CLS)]], [[Soft Navigation]]
|
||||
- **Projects/Contexts:** [[Interop 2025]], [[Chrome DevTools]], [[Lighthouse]]
|
||||
- **Contradictions/Notes:** 소스에 따르면 현재 LCP 지표는 웹 사이트의 초기 네비게이션(initial navigation)에 대한 로드 시간만을 측정하기 때문에, URL 변경 시 전체 새로고침이 일어나지 않는 Soft Navigation 기반의 단일 페이지 애플리케이션(SPA) 운영자와 개발자에게는 성능 분석에 상당한 사각지대가 발생한다는 한계가 지적됩니다 [17].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-19*
|
||||
|
||||
---
|
||||
@@ -1,35 +0,0 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-B9CF3B
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - Level of Detail (LOD)"
|
||||
---
|
||||
|
||||
# [[Level of Detail (LOD)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> LOD(Level of Detail)는 카메라와의 거리에 따라 객체의 기하학적 복잡도(폴리곤 수)를 동적으로 조절하여 렌더링 성능을 최적화하는 기법입니다 [1-3]. 가까운 객체에는 고해상도(High-poly) 모델을 보여주고, 멀리 있는 객체는 저해상도(Low-poly) 모델이나 단순한 평면(Impostor)으로 교체하여 GPU 연산량을 줄입니다 [1, 2, 4, 5]. 이를 통해 화면의 시각적 품질을 유지하면서도 대규모 씬의 프레임 속도를 크게 개선할 수 있습니다 [6, 7].
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **성능 개선 효과:** Three.js는 매 프레임 카메라와 객체 사이의 거리를 측정하여 적절한 폴리곤 밀도를 가진 메쉬로 자동 전환합니다 [3, 7, 8]. 대규모 씬에서 LOD를 적용하면 GPU 프래그먼트 처리량을 60~75% 감소시키고, 평균 폴리곤 수를 60~80% 줄일 수 있으며 [3, 7], 프레임 레이트를 30~40% 향상시킬 수 있습니다 [6].
|
||||
- **LOD 단계의 구성:** 일반적으로 3~5단계의 LOD 버전을 사전에 생성하여 사용합니다. 예를 들어, 근접 뷰용 5만 개(Hero), 중간 거리용 1만 5천 개, 배경용 5천 개, 그리고 극한의 거리를 위한 500개의 임포스터(Impostor) 메쉬로 구성하는 방식입니다 [4, 7]. 거리가 먼 객체는 드로우 콜과 삼각형 수를 줄이기 위해 질감이 입혀진 단일 평면(Billboard Impostor)으로 대체되기도 합니다 [2, 5].
|
||||
- **확장된 LOD 적용:** LOD 개념은 기하학적 메쉬뿐만 아니라 다른 렌더링 요소에도 적용됩니다. 애니메이션 최적화 시 뼈대(Bone)와 관련된 연산이나 텍스처 크기를 거리에 따라 줄이거나 [9-12], 텍스처 샘플링을 위해 해상도 피라미드를 구성하는 밉맵([[Mipmap]]s) 기능도 일종의 거리 기반 디테일 조절 기법입니다 [13].
|
||||
- **성능적 트레이드오프 및 한계:** LOD 시스템은 보이지 않는 메쉬 레벨까지 모두 GPU 메모리에 유지해야 하므로 메모리 사용량이 증가합니다 [14]. 또한 매 프레임 거리를 계산하고 메쉬를 교체하는 작업이 개별 메쉬마다 CPU 오버헤드를 발생시킵니다 [8].
|
||||
- **LOD 적용의 적합성:** 장면 최적화 시 LOD는 드로우 콜([[Draw Call]]) 병목 현상을 해결해 주지는 않습니다. 따라서 수천 개의 고유 요소를 렌더링하는 경우 드로우 콜 병목이 먼저 발생하므로 LOD가 성능 향상에 기여하지 못할 수 있습니다 [15]. LOD는 삼각형 수(예: 600만 개 이상)가 너무 많아 GPU가 한계에 도달했을 때 효과적이며, 거대한 오픈 월드나 매우 상세한 모델이 없는 한 후순위로 고려해야 할 최적화 기법입니다 [16-18].
|
||||
- **구현 방식:** Three.js에서는 `THREE.LOD` 객체를 사용하여 구현하며 [7], React Three Fiber에서는 Drei 라이브러리의 `<Detailed />` 컴포넌트를 통해 간편하게 설정할 수 있습니다 [1, 19]. [[InstancedMesh2]] 라이브러리 등을 통해 인스턴싱 기술과 LOD를 함께 활용하기도 합니다 [11, 20-22]. 런타임에 동적으로 모델을 단순화(Simplify)하여 LOD를 생성하는 것은 오버헤드를 유발하므로, 익스포트 단계에서 미리 LOD 메쉬를 만들어두는 것이 권장됩니다 [16, 23, 24].
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요.
|
||||
- **정책 변화:** AI 분야의 자동 자산화 수행.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Related Topics:** Draw Calls, Impostor, [[InstancedMesh]], [[Frustum Culling]], Mipmaps
|
||||
- **Projects/Contexts:** Three.js, React Three Fiber, [[InstancedMesh2]]
|
||||
- **Contradictions/Notes:** LOD 기술이 항상 성능 향상을 가져오는 것은 아닙니다. 만약 애플리케이션이 드로우 콜 과부하 상태(Draw call bound)라면 LOD를 적용해도 드로우 콜 자체가 줄지 않으므로 성능이 오히려 약간 저하될 수 있으며, 메모리 부하와 교체 연산 오버헤드만 추가될 위험이 있습니다 [8, 14, 15].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-19*
|
||||
|
||||
---
|
||||
@@ -1,27 +0,0 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AI-[[LSTM]]
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.98
|
||||
tags: [DeepLearning, RNN, LSTM, NLP]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Long-Short-Term-[[memory]] (LSTM)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "정보의 흐름을 열고 닫는 수도꼭지를 가진 똑똑한 메모리." 기존 RNN의 고질병인 '장기 기억 상실(Vanishing Gradient)' 문제를 해결하여, 수만 단계 이전의 정보도 잊지 않고 현재로 가져오는 시계열 데이터의 혁명이다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Cell [[State]]**: 정보를 담고 흐르는 '긴 통로'. 마치 컨베이어 벨트처럼 정보를 변조 없이 전달함.
|
||||
- **The Three [[Gates]]**:
|
||||
- **Forget Gate**: 과거의 정보 중 무엇을 버릴지 결정.
|
||||
- **Input Gate**: 현재 들어온 정보 중 무엇을 기억할지 결정.
|
||||
- **Output Gate**: 현재의 기억 중 무엇을 밖으로 내보낼지 결정.
|
||||
- **Utility**: 번역, 주가 예측, 음성 인식 등 순서(Sequence)가 중요한 모든 분야를 평정했던 모델이다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- LSTM은 시계열 데이터 처리에 강력하지만, 순차적으로 연산해야 하므로 성능 스케일링(병렬 처리)이 어렵다. 현재는 모든 시점을 동시에 바라보는 **트랜스포머(Transformer)** 아키텍처에 왕좌를 내어주었으나, 데이터가 적거나 초저지연 하드웨어 구현이 필요한 특수 분야에서는 여전히 현역으로 활동 중이다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Recurrent-Neural-Networks]] (RNN) , Attention-Mechanism
|
||||
- Rival: [[Transformer-Architecture]]
|
||||
@@ -1,32 +0,0 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-905D08
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - Main Thread"
|
||||
---
|
||||
|
||||
# [[Main Thread]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> Main Thread(메인 스레드)는 웹 브라우저에서 자바스크립트 실행, 렌더링, 이벤트 처리 등 핵심 작업이 순차적으로 실행되는 단일 작업 흐름을 의미합니다 [1, 2]. [[WebGL]]과 같은 환경에서는 그래픽 명령어 제출을 비롯한 무거운 연산이 메인 스레드에서 이루어질 경우 렌더링 파이프라인이 차단되어 지연(Latency)과 병목 현상이 발생할 수 있습니다 [1, 2]. [[Chrome DevTools]]와 같은 성능 분석 도구를 통해 메인 스레드의 활동을 시각적으로 추적하고 병목 지점을 최적화할 수 있습니다 [3-5].
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
* **단일 스레드 구조와 병목 현상:** WebGL은 단일 스레드(Single-threaded) 환경에서 작동하므로 모든 드로우 콜([[Draw Call]]), 상태 변경, 리소스 업로드가 메인 스레드에서 순차적으로 실행됩니다 [2]. 이로 인해 자바스크립트 실행에 과도한 시간이 소요되면 메인 스레드가 차단(blocked)되고 렌더링 파이프라인이 지연되는 병목 현상이 발생하며, GPU는 다음 명령을 기다리며 유휴 상태(idle)로 남게 됩니다 [1, 2, 6, 7].
|
||||
* **성능 모니터링 및 진단:** [[Chrome]] DevTools의 Performance 패널에서 'Main' 트랙을 사용하면 메인 스레드의 활동을 시간의 흐름에 따른 플레임 차트([[Flame Chart]]) 형태로 분석할 수 있습니다 [3-5]. 개발자는 이를 통해 16.67ms의 프레임 예산을 초과하여 메인 스레드를 차단하는 구체적인 자바스크립트 함수를 식별하고 [8], 50ms를 초과하는 긴 작업([[Long Tasks]])을 파악하여 성능 저하의 원인을 진단할 수 있습니다 [9, 10].
|
||||
* **최적화 및 [[WebGPU]]로의 전환:** 메인 스레드의 차단을 방지하여 상호작용성(Responsiveness)을 높이려면, 무거운 자바스크립트 작업을 더 작은 비동기 조각으로 나누거나 웹 워커(Web Workers)를 활용하여 메인 스레드에서 작업을 분리해야 합니다 [9]. 최근에는 이러한 메인 스레드 병목 현상을 근본적으로 해결하기 위해, 애니메이션 로직과 명령어 생성을 다중 스레드(Multi-Threaded)로 분산하고 작업을 GPU로 오프로드할 수 있는 WebGPU 기술이 도입되고 있습니다 [11, 12].
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요.
|
||||
- **정책 변화:** AI 분야의 자동 자산화 수행.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Related Topics:** [[WebGL]], [[WebGPU]], [[Total [[Blocking]] Time (TBT)]], [[Interaction to Next Paint (INP)]], [[Long Tasks]]
|
||||
- **Projects/Contexts:** Chrome DevTools [[Performance Panel]], [[Core Web Vitals]]
|
||||
- **Contradictions/Notes:** 소스는 WebGL이 메인 스레드에서 순차적으로 그래픽 명령을 처리하여 CPU 병목을 유발한다고 주장하는 반면, 새로운 WebGPU는 다중 스레드 명령 생성(Multi-Threaded Command Generation)을 지원하여 메인 스레드의 오버헤드를 대폭 줄일 수 있다고 대조하여 설명합니다 [2, 11, 12].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-19*
|
||||
|
||||
---
|
||||
@@ -1,29 +0,0 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AI-MARKOV
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.99
|
||||
tags: [AI, ReinforcementLearning, MDP, Mathematics]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Markov-Decision-Process (MDP)]] (마르코프 결정 과정)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "과거는 묻지 마세요, 현재의 내 모습이 미래를 결정할 뿐입니다." 강화학습의 세계를 정의하는 수학적 모델로, 상태, 행동, 보상, 전이 확률 네 가지 요소로 이루어진 의사결정의 표준 프레임워크다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Markov Property**: 현재 상태($S_t$)만 알면 미래를 예측하는 데 충분하다는 가정. (과거의 모든 히스토리는 현재 상태에 이미 함축되어 있다고 믿음)
|
||||
- **Five Components**:
|
||||
- **$S$ ([[State]])**: 에이전트가 처한 상황.
|
||||
- **$A$ (Action)**: 에이전트가 할 수 있는 선택.
|
||||
- **$P$ (Transition Probability)**: 특정 행동 시 다음 상태로 갈 확률.
|
||||
- **$R$ (Reward)**: 결과에 따른 보상.
|
||||
- **$\gamma$ (Discount Factor)**: 미래의 보상을 현재 얼마의 가치로 칠 것인가.
|
||||
- **Objective**: 누적 보상의 합(Return)을 최대화하는 최적의 정책($\pi$)을 찾는 것.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 현실의 많은 문제는 '현재 상태'만으로 판단하기 불충분하다(예: 카드 게임에서 상대의 패를 모를 때). 이를 해결하기 위해 상태가 부분적으로만 관찰된다는 전제의 **[[POMDP]]**(Partially Observable MDP)가 더 현실적인 모델로 사용되며, 이는 LLM 에이전트의 컨텍스트 추론 성능과도 직결된다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Reinforcement Learning (RL)]] , [[Bellman-Equation]]
|
||||
- Complexity: POMDP (부분 관측 가능 MDP)
|
||||
@@ -1,30 +0,0 @@
|
||||
---
|
||||
id: RL-MDP-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.0
|
||||
tags: [ai, [[Reinforcement-Learning]], mdp, decision-making, [[Bellman-Equation]], [[Optimization]]]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Markov Decision Process (MDP, 마르코프 결정 과정)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "세상의 모든 상호작용을 상태, 행동, 보상의 순환으로 수치화하고, 미래 가치를 극대화하는 최적의 시나리오를 설계하라" — 의사결정자가 불확실한 환경 속에서 최선의 정책(Policy)을 찾기 위해 사용하는 수학적 프레임워크.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** "Sequential Decision Modeling" — 미래의 결과가 오직 현재의 상태와 선택에만 의존한다는 마르코프 성질(Markov Property)을 바탕으로, 매 순간의 선택이 가져올 장기적인 이득을 계산하고 최적화하는 동적 프로그래밍 패턴.
|
||||
- **5대 구성 요소 (S, A, P, R, $\gamma$):**
|
||||
- **[[State]] (S):** 에이전트가 관찰하는 환경의 상태.
|
||||
- **Action (A):** 에이전트가 할 수 있는 행동의 집합.
|
||||
- **Transition Probability (P):** 특정 행동 시 다음 상태로 넘어갈 확률.
|
||||
- **Reward (R):** 행동의 결과로 받는 즉각적인 피드백.
|
||||
- **Discount Factor ($\gamma$):** 미래 보상의 현재 가치를 결정하는 비율.
|
||||
- **의의:** 강화학습 알고리즘(Q-Learning, Policy Gradient 등)이 무엇을 목표로 학습해야 하는지 정의하는 이론적 토대.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 모든 환경이 MDP로 완벽히 설명 가능하다는 믿음에서 벗어나, 관측이 불완전한 현실 세계를 반영한 [[POMDP]](Partially Observable MDP) 등 더 복잡한 모델로의 확장이 필수적이 됨.
|
||||
- **정책 변화:** Antigravity 에이전트의 자율적 문제 해결 로직은 현재 상황을 MDP 상태로 정의하고, 각 도구 사용(Action)이 가져올 지식 강화 결과(Reward)를 예측하여 최적의 경로를 탐색함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Reinforcement-Learning]], [[Markov-Chain-Monte-Carlo]], Expected-Utility-Theory, [[Bellman-Equation]]
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Markov-Decision-Process-MDP.md
|
||||
@@ -1,33 +0,0 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-MMDP-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.98
|
||||
tags: [auto-reinforced, mdp, [[Reinforcement-Learning]], markov-decision-process, [[Optimization]], decision-making]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Markov-Decision-Processes]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "의사결정의 수학적 지도: 불확실한 환경 속에서 로봇이나 에이전트가 어떤 '행동'을 해야 가장 큰 '보상'을 얻을 수 있는지, 상태-행동-보상-전이의 사슬로 정의하여 인공지능이 스스로 전략을 짜게 만드는 강화 학습의 청사진."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
마르코프 결정 과정(MDP)은 의사결정 문제를 확률론적 최우선으로 모델링하는 수학적 프레임워크입니다.
|
||||
|
||||
1. **5대 요소 (S, A, P, R, $\gamma$)**:
|
||||
* **[[State]] (S)**: 현재 상황.
|
||||
* **Action (A)**: 할 수 있는 행동.
|
||||
* **Transition Probability (P)**: 행동 후 다음 상태로 갈 확률.
|
||||
* **Reward (R)**: 행동의 결과로 받는 보상.
|
||||
* **Discount Factor ($\gamma$)**: 미래의 보상을 현재 가치로 얼마나 쳐줄 것인가.
|
||||
2. **왜 중요한가?**:
|
||||
* 인공지능이 단순히 데이터를 외우는 게 아니라, 복잡한 환경과 상호작용하며 '최적의 정책(Policy)'을 찾아가는 모든 강화 학습 알고리즘의 표준 이론이기 때문임. ([[Reinforcement Learning (RL)]]와 연결)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 환경의 모든 정보를 아는 정책(Full Observability)을 전제했으나, 현대 정책은 환경의 일부만 보이는 상황([[POMDP]]) 정책에서도 최적의 수를 찾아내는 복합 추론 정책으로 진화함(RL Update).
|
||||
- **정책 변화(RL Update)**: 바둑(알파고)이나 게임을 넘어, 자율주행이나 도심 항공 모빌리티(UAM)의 경로 정책 수립 등 실생활의 거대하고 복잡한 시스템 최적화 정책의 핵심으로 작동 중임.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Reinforcement Learning (RL)]], [[Markov-Chains]], [[Optimization]], [[Decision Theory]], [[Logic]]
|
||||
- **Modern Tech/Tools**: [[Bellman Equation]], Q-Learning, PPO, Deep Reinforcement Learning.
|
||||
---
|
||||
@@ -1,32 +0,0 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-MEMO-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.98
|
||||
tags: [auto-reinforced, mental-models, thinking-tools, decision-making, cognitive-science, wisdom]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Mental-Models]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "생각의 연장통: 세상이 어떻게 돌아가는지에 대한 핵심 원리들을 추상화한 지적 모형으로, 복잡한 상황에 직면했을 때 이를 해석하고 해결책을 도출하게 돕는 '인지적 지름길'이자 현자의 렌즈."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
사고 모델(Mental-Models)은 우리가 세상을 이해하고 의사결정을 내릴 때 사용하는 심리적 틀입니다. (찰리 멍거의 '격자판 지식' 개념과 연결)
|
||||
|
||||
1. **대표적 모델들**:
|
||||
* **First [[Principles]] (제1원리)**: 가정을 다 걷어내고 근본 진리에서 시작. ([[Reasoning]]와 연결)
|
||||
* **[[Inversion]] (역발상)**: 성공이 아닌 실패를 피하는 법부터 생각. (Inversion와 연결)
|
||||
* **Circle of Competence**: 내가 명확히 아는 영역과 모르는 영역의 경계 인식.
|
||||
* **Compounding (복리)**: 작은 성과가 쌓여 거대한 차이를 만드는 힘.
|
||||
2. **왜 중요한가?**:
|
||||
* 단편적 정보는 잊히기 쉽지만, 견고한 사고 모델은 새로운 정보를 걸러내고 의미를 부여하는 '지적 뼈대' 역할을 하여 더 나은 판단을 유도함. ([[Judgment]]와 연결)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 한 가지 전문 분야의 모델 정책만으로 충분했으나, 현대 정책은 찰리 멍거의 조언처럼 여러 학문의 핵심 모델 정책을 엮는 '격자판 지식(Latticework) 정책'이 복잡한 문제를 푸는 유일한 방법임(RL Update). ([[Knowledge synthesis]]와 연결)
|
||||
- **정책 변화(RL Update)**: AI 에이전트 설계 정책에서도 에이전트가 현실을 모델링하는 방식(World Model)을 사고 모델 정책으로 구현하여, 단순히 정답을 내는 것을 넘어 '상황의 맥락 정책'을 이해하게 함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Judgment]], [[Innovation]], [[Reasoning]], [[Inversion]], [[Knowledge synthesis]], [[Mental-[[Opera]]tions-Synthesized]]
|
||||
- **Modern Tech/Tools**: 1st principles thinking, Second order effects, Latticework of [[Mental Models]].
|
||||
---
|
||||
@@ -1,29 +0,0 @@
|
||||
---
|
||||
id: SYS-MSA-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.0
|
||||
tags: [infrastructure, microservices, msa, cloud-native, [[Distributed-Systems]], [[Scalability]]]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Microservices [[Architecture]] (마이크로서비스 아키텍처)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "거대한 단일체를 쪼개어 독립적인 생명체들의 연합군으로 만들고, 각자가 가장 잘하는 일에 집중하게 하라" — 애플리케이션을 비즈니스 기능 단위의 작고 독립적인 서비스들로 분리하여 구축하고, 가벼운 통신 프로토콜(주로 REST/gRPC)을 통해 상호작용하게 하는 설계 방식.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** "Decomposition and Autonomy" — 시스템을 작게 나누어 각 서비스가 자체 데이터베이스를 가지고 독립적으로 배포 및 확장(Scaling)될 수 있게 함으로써, 특정 기능의 장애가 시스템 전체로 확산(Cascading Failure)되는 것을 막는 방어적 연합 패턴.
|
||||
- **핵심 요소:**
|
||||
- **API Gateway:** 클라이언트 요청을 적절한 서비스로 라우팅하고 통합 관리.
|
||||
- **Service Discovery:** 동적으로 변화하는 서비스들의 위치를 자동으로 파악.
|
||||
- **Database per Service:** 서비스 간 데이터 간섭을 최소화하여 독립적 진화 보장.
|
||||
- **Event-driven Communication:** 메시지 큐를 통한 비동기 결합으로 성능과 유연성 확보.
|
||||
- **의의:** 대규모 조직에서 팀별 개발 속도를 극대화하고, 기술 스택의 다양성을 수용하며, 클라우드 환경의 탄력성을 100% 활용 가능케 함.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 마이크로서비스가 만능이라는 맹신에서 벗어나, 서비스 간 통신 복잡성과 데이터 일관성 유지 비용(Distributed Transaction) 등 '분산 시스템의 세금'을 신중히 고려해야 한다는 현실적 관점이 정립됨.
|
||||
- **정책 변화:** Antigravity 프로젝트의 백엔드는 에이전트 브레인, 지식 인덱서, 데이터 수집기 등이 마이크로서비스 형태로 분리되어 있어, 특정 모듈의 부하 증가 시 해당 부분만 즉각 확장할 수 있는 구조를 유지함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Message-Queues-and-Event-Streams]],[[ system]]-Design-for-AI-Scale, [[High-Availability-Systems]], [[Kubernetes-for-AI-Orchestration]]
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Microservices-Architecture.md
|
||||
@@ -1,29 +0,0 @@
|
||||
---
|
||||
id: ALGO-MCTS-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.0
|
||||
tags: [algorithm, ai, [[Search]], mcts, alphago, [[Reinforcement-Learning]], [[Game-Theory]]]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Monte Carlo Tree Search (MCTS, 몬테카를로 트리 탐색)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "모든 가능성을 뒤지는 대신, 승산 있는 길을 무작위로 끝까지 가보고 최선의 선택지를 역으로 추적하라" — 방대한 탐색 공간에서 유망한 경로를 선택하고 무작위 시뮬레이션을 통해 가치를 평가하여 최적의 의사결정을 내리는 지능형 탐색 알고리즘.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** "Exploitation vs Exploration in Search" — 이미 검증된 좋은 수(Exploitation)와 아직 가보지 않은 새로운 가능성(Exploration) 사이의 균형을 UCB1 수식을 통해 조절하며 트리를 확장해 나가는 지능형 탐색 패턴.
|
||||
- **4단계 프로세스:**
|
||||
- **Selection:** 루트에서 시작하여 UCB1 값이 가장 높은 자식 노드를 따라 내려감.
|
||||
- **Expansion:** 탐색되지 않은 새로운 자식 노드를 트리에 추가.
|
||||
- **Simulation (Rollout):** 해당 노드에서 게임의 끝까지 무작위로 진행하여 승패(보상) 확인.
|
||||
- **[[Backpropagation]]:** 시뮬레이션 결과를 경로상의 모든 부모 노드에 업데이트하여 가치 갱신.
|
||||
- **의의:** 휴리스틱 함수 없이도 복잡한 게임의 최적해를 찾을 수 있게 하여, 알파고를 포함한 현대 보드게임 AI 및 로봇 경로 계획의 핵심 기술이 됨.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 완전한 무작위 시뮬레이션에 의존하던 초기 방식에서, 이제는 신경망(Policy/Value Network)을 결합하여 시뮬레이션의 정확도와 탐색 효율을 극적으로 높인 'Deep MCTS'가 표준이 됨.
|
||||
- **정책 변화:** Antigravity 에이전트의 복잡한 문제 해결 시나리오(예: 다단계 코드 리팩토링 경로 탐색) 시, 각 단계의 잠재적 리스크와 이득을 평가하기 위해 MCTS 기반의 의사결정 시뮬레이션을 활용함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Markov-Decision-Process-MDP]], [[Reinforcement-Learning]], [[Monte-Carlo-Integration]], Search-Algorithms, [[Game-Theory]]
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Monte-Carlo-Tree-Search-MCTS.md
|
||||
@@ -1,29 +0,0 @@
|
||||
---
|
||||
id: NN-BASE-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.0
|
||||
tags: [ai, [[Deep-Learning]], neural-networks, foundations]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Neural Networks Foundations (신경망 기초)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "생물학적 뇌를 모방한 수학적 연산의 집합체" — 뉴런의 활성화 구조를 모방하여 입력 데이터의 특징을 단계별로 추출하고 비선형적인 관계를 학습해내는 인공지능의 핵심 아키텍처.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 가중치(Weights)와 편향(Bias)을 가진 노드들이 층(Layer)을 이루어 연결되고, 활성화 함수(Activation Function)를 통해 복잡한 함수 관계를 근사(Function Approximation)하는 패턴.
|
||||
- **기본 구성 요소:**
|
||||
- **Perceptron:** 단일 뉴런 모델. 입력값에 가중치를 곱하고 합산한 뒤 임계값을 넘으면 활성화.
|
||||
- **Layers:** 입력층(Input), 은닉층(Hidden), 출력층(Output)으로 구성. 은닉층이 많아질수록 '딥러닝'이 됨.
|
||||
- **Activation Functions:** ReLU, Sigmoid, Tanh 등. 신경망에 비선형성을 부여하여 복잡한 패턴 학습 가능하게 함.
|
||||
- **Forward Propagation:** 입력을 받아 출력을 계산하는 과정.
|
||||
- **[[Backpropagation]]:** 실제 값과 예측 값의 오차를 뒤로 전달하여 가중치를 수정하는 학습 과정.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 단순한 선형 분류기에서, 범용 함수 근사자(Universal Function Approximator)로서의 지위를 확보하며 모든 현대 AI 기술의 뿌리가 됨.
|
||||
- **정책 변화:** Antigravity 프로젝트는 신경망의 기본 원리를 바탕으로 하되, 데이터 효율성을 위해 상위 수준의 인지 프레임워크와 결합하여 사용함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Deep-Learning]], Artificial-Neural-Networks, [[Gradient-Descent]], [[Backpropagation]]
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Neural-Networks (신경망 기초).md
|
||||
@@ -1,28 +0,0 @@
|
||||
---
|
||||
id: AI-HYBRID-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.0
|
||||
tags: [ai, neuro-symbolic, [[Deep-Learning]], symbolic-[[Logic]], [[Reasoning]], hybrid-ai]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[Neuro-Symbolic AI]] (뉴로-심볼릭 AI)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "딥러닝의 압도적인 '직관'과 심볼릭 논리의 명확한 '이성'을 결합하여, 생각하고 설명하는 완전한 지능을 구현하라" — 신경망 기반의 패턴 인식 능력과 기호 기반의 추론 능력을 통합하여, 데이터 효율성, 해석 가능성, 그리고 복잡한 논리 전개 능력을 동시에 확보하는 AI 패러다임.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** "Pattern Perception and Logical Deduction" — 딥러닝이 비정형 데이터(이미지, 음성 등)에서 의미 있는 심볼(개체, 속성)을 추출하면, 심볼릭 엔진이 미리 정의된 지식 그래프나 논리 규칙을 바탕으로 정답을 유추하고 그 과정을 설명하는 하이브리드 패턴.
|
||||
- **주요 특징:**
|
||||
- **Data [[Efficiency]]:** 수만 장의 사진 대신, 몇 개의 논리 규칙과 소량의 데이터만으로도 학습 가능.
|
||||
- **Explainability:** 결과 도출 과정이 논리적으로 기록되어 "왜 그렇게 판단했는지" 인간이 이해할 수 있음.
|
||||
- **Out-of-distribution Generalization:** 학습하지 않은 새로운 환경에서도 보편적인 논리 법칙을 적용하여 대응 가능.
|
||||
- **의의:** 현재 LLM의 한계인 할루시네이션(Hallucination)과 논리적 오류를 극복하기 위한 강력한 대안으로 주목받고 있음.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 신경망과 심볼릭 모델은 서로 섞일 수 없는 기름과 물과 같다는 인식을 넘어, 최근에는 신경망 내부에서 논리를 학습하거나(Logic Neural Networks) 심볼을 벡터로 변환하여 처리하는 등 유기적인 통합이 가속화됨.
|
||||
- **정책 변화:** Antigravity 에이전트는 사용자의 질문을 이해할 때는 딥러닝(Neural)을 쓰고, 작업 계획을 세우거나 지식 그래프를 업데이트할 때는 엄격한 논리 규칙(Symbolic)을 적용하는 뉴로-심볼릭 아키텍처를 지향함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Model-[[Interpretability]]-Tools]], [[Knowledge-Graph-Foundations]], Reasoning-and-Planning-in-AI, [[Trustworthy-AI]]
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Neuro-Symbolic-AI.md
|
||||
@@ -1,41 +0,0 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-92E707
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - [[Nodejs]] 메모리 누수 분석"
|
||||
---
|
||||
|
||||
# [[Nodejs 메모리 누수 분석]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> Node.js의 메모리 누수는 가비지 컬렉션(GC)되어야 할 객체들이 클로저, 이벤트 리스너, 타이머 등의 루트(Root) 객체에 계속 참조되어 메모리에서 해제되지 않을 때 발생합니다 [1, 2]. Node.js는 단일 프로세스로 장기간 실행되는 특성이 있어, 누수된 참조는 모든 요청에 걸쳐 지속적으로 축적되며 결국 V8 힙 한계에 도달하여 OOM(Out-Of-[[memory]]) 크래시를 유발합니다 [3, 4]. 이 문제를 해결하기 위해서는 힙 스냅샷과 메모리 할당 타임라인 도구를 활용하여, 지속적으로 증가하는 객체의 참조 경로([[Retaining Path]])를 추적하고 참조를 끊어 GC가 정상 작동하도록 근본적인 원인을 수정해야 합니다 [5-7].
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
* **메모리 누수 패턴 및 주요 원인**
|
||||
* 정상적인 Node.js 프로세스는 트래픽 발생 시 힙 메모리가 증가하고 가비지 컬렉션(GC) 이후 원래 수준으로 회복되는 톱니바퀴(Sawtooth) 패턴을 보입니다 [8]. 그러나 누수가 발생하면 GC가 동작한 후에도 메모리가 떨어지지 않고 지속적으로 상승하는 래칫(Ratchet) 패턴이 나타납니다 [7, 8].
|
||||
* 프로덕션 환경에서 가장 흔히 발생하는 7가지 누수 패턴은 다음과 같습니다: EventEmitter 리스너 누적(가장 흔함), 클로저(Closure) 변수의 의도치 않은 상태 유지, 제한 없이 증가하는 인메모리 캐시, 정리되지 않은 타이머(Timer) 및 인터벌, 복잡한 순환 참조, 닫히지 않은 스트림(Stream) 및 소켓, 그리고 AsyncLocal[[Storage]] 컨텍스트 누수입니다 [9-12].
|
||||
|
||||
* **탐지 및 분석 도구**
|
||||
* **힙 스냅샷([[Heap Snapshot]]s):** 의심스러운 작업을 수행하기 전(Baseline)과 부하 발생 후를 나누어 스냅샷을 촬영하고, 이 두 스냅샷 사이에서 할당된 후 해제되지 않은 객체들("Objects allocated between snapshots")을 비교하여 누수 후보를 도출합니다 [6, 13]. 브라우저나 프론트엔드 앱 분석 시 일회성 할당에 의한 오탐지를 필터링하기 위해 스냅샷을 3번 캡처하여 비교하는 3-스냅샷 기법(Three-snapshot technique)이 신뢰성이 높습니다 [14].
|
||||
* **할당 타임라인([[Allocation Timeline]]):** [[Chrome DevTools]]를 `--inspect` 플래그와 함께 연결하여 시간에 따른 메모리 할당 기록을 수집합니다 [5, 8]. GC 이후에도 회수되지 않아 파란색 막대로 남은 객체들을 통해 어떤 함수나 생성자가 누수를 유발하는지 추적할 수 있습니다 [8, 15-17].
|
||||
* **프로그램 및 패키지 기반 모니터링:** `process.memoryUsage()`를 이용해 RSS(Resident Set Size) 및 `heapUsed` 값의 지속적 증가를 확인하거나 [18, 19], `heapdump`, `clinic.js` 등의 도구를 사용해 자동화된 분석으로 메모리 누수 발생 위치를 식별할 수 있습니다 [5, 9].
|
||||
|
||||
* **진단 로깅 및 GC 튜닝**
|
||||
* `--trace-gc` 플래그를 적용하면 콘솔에 V8 엔진의 GC 이벤트([[Scavenge]] 및 [[Mark-Sweep]]) 발생 시간, 빈도, 회수된 메모리양 등이 기록되어 애플리케이션의 메모리 부족 현상과 누수를 파악할 수 있습니다 [20-23].
|
||||
* 만약 V8의 힙 영역 중 장기 생존 객체가 저장되는 공간에 큰 메모리가 필요하다면, `--max-old-space-size` 명령줄 플래그로 [[Old Space]] 크기를 늘려 애플리케이션 충돌과 과도한 GC 지연을 방지할 수 있습니다 [24]. 반대로, 짧은 주기의 객체 생성이 많은 경우에는 `--max-semi-space-size` 플래그로 New Space를 늘려 마이너 GC 주기를 조절할 수 있습니다 [25].
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요.
|
||||
- **정책 변화:** AI 분야의 자동 자산화 수행.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Related Topics:** [[가비지 컬렉션 ([[Garbage Collection]])]], V8 엔진 ([[V8 Engine]]), [[힙 스냅샷 (Heap Snapshots)]], [[Mark-Sweep]]
|
||||
- **Projects/Contexts:** [[Chrome DevTools]], clinic.js, Node.js Production Monitoring
|
||||
- **Contradictions/Notes:** 소스에 따르면 모던 프론트엔드 환경의 브라우저에서는 메모리 누수의 가장 주요한 원인(1위)으로 SPA(Single Page Application) 경로 전환을 꼽고 있지만 [26], Node.js 프로덕션 서버 환경에서는 EventEmitter 리스너 누적이 가장 흔한 메모리 누수 패턴으로 언급되는 차이가 있습니다 [9].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-19*
|
||||
|
||||
---
|
||||
@@ -1,50 +0,0 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-AF2866
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - [[Nodejs]] 프로덕션 메모리 누수 진단"
|
||||
---
|
||||
|
||||
# [[Nodejs 프로덕션 메모리 누수 진단]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> Node.js 프로덕션 메모리 누수는 단일 프로세스로 장기 실행되는 Node.js의 특성상 참조가 누적되어 V8 가비지 컬렉터(GC)가 메모리를 회수할 수 없게 되면서 발생합니다 [1, 2]. 정상적인 프로세스와 달리 가비지 컬렉션 이후에도 힙 메모리 사용량이 원래 수준으로 떨어지지 않고 계단식(Ratchet)으로 상승하는 패턴을 보이는 것이 주된 특징입니다 [3, 4]. 이를 진단하고 해결하려면 힙 스냅샷 비교, 힙 프로파일링, 메모리를 계속 참조하고 있는 요인(Retainer)을 추적하는 체계적인 과정이 필수적입니다 [4, 5].
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
**누수의 원리와 증상 ([[Principles]] and Symptoms)**
|
||||
- Node.js 메모리 누수는 객체가 "유실"되는 것이 아니라 코드 어딘가에서 계속 참조되고 있어 GC가 도달할 수 없는 객체로 식별하지 못해 발생합니다 [2, 6].
|
||||
- 정상적인 프로세스는 트래픽 발생 시 힙이 증가하고 GC 이후 기준선으로 떨어지는 '톱니바퀴(Sawtooth)' 패턴을 보이지만, 누수가 발생하면 GC 후에도 힙 사용량이 떨어지지 않는 '계단식(Ratchet)' 패턴을 나타냅니다 [3, 4].
|
||||
- 주요 증상으로는 점진적인 메모리 증가, 잦고 긴 GC 일시 정지 시간, 응답 시간 저하, 그리고 궁극적으로 OOM(Out of [[memory]]) 충돌 현상이 있습니다 [7].
|
||||
|
||||
**핵심 진단 도구 (Core Diagnostic Tools)**
|
||||
- **`--inspect` 및 [[Chrome DevTools]]:** 서버를 `--inspect` 플래그로 실행하여 [[Chrome]]에 연결한 후, 메모리 패널에서 힙 스냅샷을 캡처해 스냅샷 사이에 할당된 객체를 비교 분석할 수 있습니다 [3, 8, 9].
|
||||
- **`heapdump`:** 프로덕션 환경(Chrome DevTools 접근이 어려운 경우)에서 프로그래밍 방식으로 힙 스냅샷을 기록하여 로컬로 다운로드 및 분석할 수 있게 돕습니다 [8, 10, 11].
|
||||
- **`--heap-prof` 플래그:** 외부 패키지 없이 Node.js 자체에 내장된 V8 네이티브 프로파일링을 활성화하여 함수 수준의 할당 세부 내역을 파악할 수 있습니다 [12].
|
||||
- **`process.memoryUsage()`:** RSS(Resident Set Size), heapTotal, heapUsed 값을 지속적으로 확인하여 프로그래밍 방식으로 힙의 점진적인 증가 여부를 감시할 수 있습니다 [13, 14].
|
||||
|
||||
**일반적인 누수 발생 패턴 (Common Leak Patterns)**
|
||||
- **이벤트 리스너 누적 (EventEmitter Listener Accumulation):** 요청 핸들러 내에서 리스너를 추가하고 제거하지 않으면 참조가 계속 누적되며, 프로덕션 환경에서는 보통 `MaxListenersExceededWarning` 경고가 명확한 누수 신호로 간주됩니다 [5, 11, 15].
|
||||
- **클로저 변수 유지 (Closure Variable Retention):** 비동기 체인이나 타이머 콜백 등에서 대규모 데이터(예: 전체 요청/응답 객체)를 캡처하는 클로저를 사용하여 객체 수명이 불필요하게 늘어나는 경우입니다 [15-17].
|
||||
- **무제한 캐시 증가 (Unbounded Cache Growth):** 최대 크기나 제한을 두지 않은 인메모리 캐시 변수에 객체가 무한정 쌓이는 패턴입니다 [15].
|
||||
- **타이머/관찰자 및 소켓 누수:** `clearInterval` 처리되지 않은 `setInterval` 콜백이나, 데이터 송수신 후 닫히지 않은 스트림/소켓이 버퍼와 네트워크 핸들을 점유하여 메모리를 해제하지 못하게 만듭니다 [17, 18].
|
||||
|
||||
**진단 및 해결 워크플로우 (Diagnosis & Fix Workflow)**
|
||||
- 모니터링을 통해 메모리의 계단식 증가 패턴(Ratchet)을 확인한 뒤 베이스라인 힙 스냅샷을 캡처합니다 [4].
|
||||
- 트래픽 부하를 유발하는 행동을 실행한 후 두 번째 스냅샷을 캡처하고 두 스냅샷을 비교합니다 [4, 19].
|
||||
- 비교 결과에서 유출된 객체를 찾은 후, 해당 객체를 유지하고 있는 리테이너(Retainer) 트리를 GC 루트까지 따라가 코드를 수정하고, 수정을 확인하기 위해 테스트를 반복합니다 [4, 20].
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요.
|
||||
- **정책 변화:** AI 분야의 자동 자산화 수행.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Related Topics:** V8 [[Garbage Collection]], [[Heap Snapshot]], [[Retaining Path]], process.memoryUsage()
|
||||
- **Projects/Contexts:** Node.js Production Environment, [[Chrome DevTools Memory Panel]]
|
||||
- **Contradictions/Notes:** 일반적으로 누수 후보를 찾기 위해 트래픽 전/후 두 개의 힙 스냅샷을 비교하는 방법이 자주 소개되지만, 일회성 메모리 할당으로 인한 오탐(False Positive)을 걸러내기 위해서는 세 개의 스냅샷을 연달아 캡처해 비교하는 "Three-snapshot technique" 기법이 가장 신뢰할 수 있는 수단이라는 점을 유의해야 합니다 [19].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-19*
|
||||
|
||||
---
|
||||
@@ -1,53 +0,0 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-76BE33
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - [[Nodejs]] 프로덕션 메모리 병목 분석"
|
||||
---
|
||||
|
||||
# [[Nodejs 프로덕션 메모리 병목 분석]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> Node.js는 단일 프로세스로 장기간 실행되는 특성이 있어, 더 이상 필요하지 않은 객체의 참조가 유지될 경우 V8 힙(Heap) 메모리가 해제되지 않고 지속적으로 누적되는 메모리 누수 현상이 발생할 수 있습니다 [1, 2]. 프로덕션 환경에서 이러한 누수는 가비지 컬렉션(GC)의 오버헤드를 늘려 애플리케이션의 응답 지연이나 OOM(Out of [[memory]]) 크래시 같은 심각한 병목 현상을 유발합니다 [3]. 이를 분석하고 해결하기 위해 개발자는 `--trace-gc` 같은 실행 플래그, `heapdump`를 통한 힙 스냅샷([[Heap Snapshot]]) 획득, 그리고 크롬 개발자 도구([[Chrome DevTools]]) 등을 활용하여 지속적으로 증가하는 객체와 이를 잡아두는 유지 경로([[Retaining Path]])를 추적해야 합니다 [4-6].
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
* **V8 메모리 구조와 가비지 컬렉션(GC) 메커니즘**
|
||||
Node.js의 기반인 V8 엔진은 동적 데이터를 **힙(Heap) 공간**에 할당하며, 대부분의 객체는 짧은 수명을 가진다는 '세대별 가설([[Generational Hypothesis]])'을 기반으로 설계되었습니다 [7-9].
|
||||
* **New Space (Young Generation):** 새롭게 생성된 객체가 할당되는 공간으로, 꽉 차면 빠르게 작동하는 **스캐빈지([[Scavenge]], Minor GC)** 알고리즘이 발생해 불필요한 객체를 정리하고 살아남은 객체를 옮깁니다 [10-13].
|
||||
* **[[Old Space]]:** 스캐빈지 과정을 여러 번 통과한 수명이 긴 객체들이 승격(Promotion)되어 머무는 공간입니다 [9, 10, 14]. 이곳은 **[[Mark-Sweep]]-Compact ([[Major GC]])** 알고리즘이 작동하며 메모리 파편화를 줄이고 남은 공간을 확보하지만, 스캐빈지에 비해 실행 비용(오버헤드)이 큽니다 [15, 16].
|
||||
|
||||
* **메모리 병목 및 누수의 주요 증상과 패턴**
|
||||
건강한 프로세스는 GC가 일어날 때마다 메모리 사용량이 다시 줄어드는 **톱니바퀴(Sawtooth)** 패턴을 보이지만, 메모리 누수가 발생하면 할당량이 줄어들지 않고 계속 증가하는 **라쳇(Ratchet)** 패턴이 관찰됩니다 [4]. Node.js 환경에서 주로 발생하는 **7가지 주요 누수 패턴**은 다음과 같습니다 [17-19]:
|
||||
1. **EventEmitter 리스너 누적:** 이벤트 리스너를 계속 추가만 하고 제거하지 않아 발생하는 가장 흔한 누수로, `MaxListenersExceededWarning`이 발생하면 의심해야 합니다 [17, 18].
|
||||
2. **클로저(Closure) 변수 유지:** 요청/응답 객체 등 거대한 변수가 클로저에 의해 캡처된 상태로 요청 수명주기 이후에도 남아있는 경우입니다 [18].
|
||||
3. **무제한 캐시 증식:** LRU와 같은 크기 제한 로직이 없는 인메모리 캐시를 사용할 때 발생합니다 [18].
|
||||
4. **타이머 누수:** `clearInterval` 처리 없이 `setInterval`이 계속 실행되며 클로저 내부 객체의 GC를 방해합니다 [19].
|
||||
5. **복잡한 순환 참조:** C++ 네이티브 바인딩 또는 잘못 사용된 `WeakRef`와 결합한 복잡한 순환 참조가 GC를 방해할 수 있습니다 [19].
|
||||
6. **종료되지 않은 스트림/소켓:** `.destroy()` 처리되지 않은 스트림이 버퍼와 네트워크 핸들을 점유합니다 [19].
|
||||
7. **`AsyncLocal[[Storage]]` 컨텍스트 누수:** 저장소가 적절한 클린업 없이 과도하게 커지는 경우입니다 [19].
|
||||
|
||||
* **프로덕션 메모리 병목 진단 및 프로파일링 도구**
|
||||
* **`process.memoryUsage()` 모니터링:** `rss`(상주 집합 크기), `heapTotal`, `heapUsed` 메트릭을 추적하여 힙 사용량이 지속해서 증가하는지 감시할 수 있습니다 [20, 21].
|
||||
* **GC 로그 추적 (`--trace-gc`):** 이 플래그를 활성화하면 Scavenge와 Mark-Sweep 이벤트의 발생 빈도와 소요 시간, 회수된 메모리양을 확인할 수 있습니다 [22, 23]. 두 GC 사이의 간격보다 GC 처리에 걸리는 시간이 더 크다면 심각한 메모리 병목을 겪고 있는 것입니다 [24].
|
||||
* **힙 스냅샷(Heap Snapshot) 분석:** 운영 서버에서는 `heapdump` 패키지 등으로 스냅샷을 생성하거나 로드 테스트 시 `--inspect` 플래그를 사용해 **크롬 개발자 도구([[Chrome]] DevTools)**와 연결할 수 있습니다 [4, 5, 17]. 개발자 도구의 '할당 타임라인([[Allocation Timeline]])'을 통해 GC 후에도 남아있는 파란색 막대를 찾고, 스냅샷 비교(Comparison view) 기능을 사용하여 누수된 객체와 해당 객체가 참조를 유지하고 있는 경로(Retainers tree)를 짚어낼 수 있습니다 [25-30].
|
||||
|
||||
* **메모리 튜닝 플래그**
|
||||
메모리 누수 자체의 해결책은 아니지만, 프로세스 특성에 맞춰 V8 엔진의 메모리 한도를 조정함으로써 병목을 완화할 수 있습니다 [31].
|
||||
* `--max-old-space-size`: 롱 폴링이나 캐시 등 영구적인 데이터가 많은 앱에서 Old Space의 크기 제한(기본 제약)을 늘릴 때 사용합니다 [31].
|
||||
* `--max-semi-space-size`: 초당 요청 수가 많아 수명이 짧은 임시 객체가 대량 생성되는 환경에서 New Space의 크기를 늘려 잦은 Minor GC 실행을 줄입니다 [32, 33].
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요.
|
||||
- **정책 변화:** AI 분야의 자동 자산화 수행.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Related Topics:** V8 가비지 컬렉션 ([[Garbage Collection]]), 힙 스냅샷 (Heap Snapshot), 메모리 누수 ([[Memory Leaks]])
|
||||
- **Projects/Contexts:** Chrome DevTools (크롬 개발자 도구), Node.js 모니터링 및 튜닝
|
||||
- **Contradictions/Notes:** 애플리케이션 내에서 수동으로 GC를 제어하기 위해 `--expose-gc` 플래그를 켜고 `global.gc()`를 호출할 수 있지만, 이 기능은 V8의 자동 가비지 컬렉션을 비활성화하지는 않습니다. 오히려 수동 호출의 남용은 애플리케이션의 응답 속도 등 전체적인 성능에 부정적인 영향을 미칠 수 있으므로 주의해서 사용해야 한다고 소스는 경고합니다 [34, 35].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-19*
|
||||
|
||||
---
|
||||
@@ -1,32 +0,0 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-PRSO-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.98
|
||||
tags: [auto-reinforced, problem-solving, analytical-thinking, [[Strategy]], frameworks, intellectual-agility]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Problem-Solving]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "지능의 실전 발현: 현재의 난처한 상태와 우리가 바라는 이상적인 상태 사이의 간극(Gap)을 발견하고, 자원과 논리를 총동원하여 그 간극을 가장 효율적으로 메우는 '장애물 돌파 연산'."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
문제 해결(Problem-Solving)은 복잡한 질문에 대한 답을 찾거나 어려운 상황을 타개하는 인지적 과정입니다.
|
||||
|
||||
1. **4단계 표준 프로세스**:
|
||||
* **Define**: 진짜 문제가 무엇인지 정의 (가장 중요). ([[Inquiry-Based Learning]]와 연결)
|
||||
* **Analyze**: 원인을 규명하고 작은 문제로 분해. ([[Analysis]]와 연결)
|
||||
* **Genereate/Select**: 가능한 해협들을 나열하고 기회비용 따져 선택. ([[Opport[[Unity]]-Cost]]와 연결)
|
||||
* **Implement/Evaluate**: 실행하고 피드백을 받아 개선. ([[Feedback-Loops]]와 연결)
|
||||
2. **왜 중요한가?**:
|
||||
* 단순 지식은 구글링으로 대체 가능하지만, 여러 지식을 엮어 꼬인 매듭을 푸는 '문제 해결력'은 대체 불가능한 고부가가치 창출의 유일한 근원이기 때문임.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 도메인 지식 정책에만 의존했으나, 현대 정책은 구조적 프레임워크 정책([[MECE]], 1st [[Principles]] 등)을 활용한 '일반적 해결 지능 정책'을 더 높게 평가함(RL Update).
|
||||
- **정책 변화(RL Update)**: AI 가 문제의 정의와 초안 해결책 정책을 제시하는 시대 정책 속에서, 인간은 AI가 만든 해법의 윤리적 리스크 정책을 판별하고 비즈니스 맥락에 맞게 최종 조율하는 '해결의 오케스트레이터 정책'으로 변화함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Inquiry-Based Learning]], [[Analysis]], [[Opportunity-Cost]], [[Feedback-Loops]], [[Innovation]], [[Mental-[[Opera]]tions-Synthesized]]
|
||||
- **Modern Tech/Tools**: [[MECE Framework]], Root Cause Analysis (RCA), TRIZ, Design Thinking.
|
||||
---
|
||||
@@ -1,29 +0,0 @@
|
||||
---
|
||||
id: [[prompt]]-ENG-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.0
|
||||
tags: [ai, prompt-engineering, llm, prompt-design, [[In-Context-Learning]]]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Prompt Engineering [[Mastery]] (프롬프트 엔지니어링)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "모델의 능력을 이끌어내는 정교한 '언어적 주문'을 설계하라" — 거대 언어 모델(LLM)이 최적의 결과물을 내놓도록 입력값(Prompt)의 구조, 맥락, 제약 조건을 체계적으로 설계하고 최적화하는 기술.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 모델에게 페르소나를 부여하고, 단계별 사고(CoT)를 유도하며, 명확한 출력 형식을 지정하여 생성 결과의 예측 가능성과 품질을 높이는 인지 가이드 패턴.
|
||||
- **핵심 기법:**
|
||||
- **Few-shot Prompting:** 프롬프트 내에 몇 가지 입-출력 예시를 포함시켜 모델의 이해도 향상.
|
||||
- **Chain of Thought (CoT):** "단계별로 생각해보자"와 같은 문구를 통해 논리적 추론 과정을 명시적으로 유도.
|
||||
- **Persona Prompting:** 모델에게 특정 전문가 역할을 부여 (예: "너는 20년 경력의 시니어 개발자야").
|
||||
- **Output Structuring:** JSON, Markdown 등 특정 형식으로 응답하도록 강제하여 후처리 자동화 용이성 확보.
|
||||
- **Iterative [[Refinement]]:** 테스트와 피드백을 통해 프롬프트를 지속적으로 수정하여 성능 최적화.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 단순히 '질문 잘하기' 수준에서, 모델의 어텐션 메커니즘과 내부 가중치를 고려하여 최적의 성능을 끌어내는 공학적 영역으로 격상됨.
|
||||
- **정책 변화:** Antigravity 프로젝트는 모든 에이전트 인터랙션에 표준화된 프롬프트 템플릿을 사용하며, 지속적인 가드닝을 통해 프롬프트의 정합성을 관리함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[In-Context-Learning]], [[LLM]], Agentic-Workflow, [[Zero-Shot-Learning]]
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Prompt-Engineering.md
|
||||
@@ -1,39 +0,0 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-B5755B
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - Retaining Path"
|
||||
---
|
||||
|
||||
# [[Retaining Path]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> Retaining Path(유지 경로)는 가비지 컬렉터가 객체를 메모리에서 해제하지 못하도록 계속 살아있게(live) 만드는 참조의 사슬(chain of [[Reference]]s)을 의미합니다 [1, 2]. V8 엔진은 전역 객체나 활성 스택과 같은 GC 루트([[GC Root]])로부터 포인터 사슬을 통해 도달할 수 있는 객체를 살아있는 것으로 판단합니다 [3]. 따라서 이 경로를 분석하는 것은 애플리케이션의 메모리 누수([[memory]] leak) 원인을 식별하고 불필요한 참조를 제거하는 데 핵심적인 역할을 합니다 [4, 5].
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **개념적 원리:**
|
||||
메모리 누수는 메모리에서 잃어버린 것이 아니라, 객체가 더 이상 사용되지 않음에도 불구하고 GC 루트(예: window, 활성 클로저, 이벤트 리스너, 타이머 등)로부터 계속 연결되어 있어 가비지 컬렉터가 이를 회수하지 못할 때 발생합니다 [1]. Retaining Path는 누수된 객체에서 시작하여 해당 객체를 붙잡고 있는 GC 루트까지 역방향으로 이어지는 참조 체인을 보여줍니다 [3, 5].
|
||||
|
||||
- **식별 및 분석 도구:**
|
||||
- **[[Chrome DevTools]] (Memory 패널):** 힙 스냅샷([[Heap Snapshot]])이나 할당 타임라인([[Allocation Timeline]]) 기능을 통해 객체가 생성된 위치와 해당 객체의 Retaining Path를 파악할 수 있습니다 [2, 6]. Retainers 패널은 선택된 객체를 가리키는 다른 객체들의 트리 구조를 보여줍니다 [4, 7].
|
||||
- **Retainer 숨기기 (Ignore this retainer):** 코드를 직접 수정하여 참조를 제거한 후 힙 스냅샷을 다시 찍는 수고를 덜기 위해, 특정 retainer를 우클릭하여 무시(Ignore)함으로써 다른 객체가 여전히 해당 객체를 유지하고 있는지 빠르게 확인할 수 있습니다 [8].
|
||||
- **`%DebugTrackRetainingPath(object)` 함수:** 극도로 복잡한 누수를 조사할 때는 V8 내부 함수를 활용할 수 있습니다 [3, 9]. `--allow-natives-syntax` 및 `--track-retaining-path` 플래그를 적용하여 실행하면, GC가 발생할 때마다 해당 객체의 실제 Retaining Path가 출력됩니다 [9]. 이 로그는 DevTools UI의 추상화를 우회하여 매우 낮은 수준(low-level)의 메모리 주소와 타입 정보를 제공합니다 [3].
|
||||
|
||||
- **디버깅 워크플로우:**
|
||||
메모리 누수 문제를 해결하려면 할당된 채 수집되지 않는 객체를 식별한 뒤, 해당 객체의 Retainer 트리를 클릭하여 GC 루트까지 이어지는 사슬을 추적해야 합니다 [5]. 이 경로를 자세히 검사하면 객체가 수집되지 않은 근본 원인을 이해할 수 있으며, 코드에서 불필요한 참조를 제거하는 정확한 수정이 가능해집니다 [4, 5].
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요.
|
||||
- **정책 변화:** AI 분야의 자동 자산화 수행.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Related Topics:** Memory Leak, [[Garbage Collection]], [[GC Root]], [[Heap Snapshot]]
|
||||
- **Projects/Contexts:** [[Chrome DevTools]], [[V8 [[JavaScript]] Engine]]
|
||||
- **Contradictions/Notes:** 소스 내에 모순된 주장은 존재하지 않습니다. 제공된 자료들은 모두 메모리 누수를 추적하고 V8 엔진에서 객체가 유지되는 이유를 파악하는 데 있어 Retaining Path의 중요성을 일관되게 강조하고 있습니다.
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-19*
|
||||
|
||||
---
|
||||
@@ -1,32 +0,0 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-RIMA-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.95
|
||||
tags: [auto-reinforced, risk-[[Management]], hazard-identification, mitigation, [[Strategy]], [[Resilience]]]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Risk-Management]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "불확실성을 길들이는 기술: 프로젝트를 망칠 수 있는 모든 잠재적 지뢰를 미리 찾아내고, 그것이 터질 확률을 줄이거나 터졌을 때의 피해를 최소화하는 '지능형 방어 시스템'이자 비즈니스의 안전벨트."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
리스크 관리(Risk-Management)는 조직의 목표 달성에 부정적인 영향을 미치는 요소를 식별, 분석, 대응하는 일련의 과정입니다.
|
||||
|
||||
1. **4단계 리프루프 루프**:
|
||||
* **Identification**: 무엇이 잘못될 수 있는가? (Pre-Mortem-[[Analysis]]와 연결)
|
||||
* **[[Assessment]]**: 발생 확률 x 영향력 = 위험도 측정.
|
||||
* **Mitigation**: 위험을 줄이거나(Reduce), 넘기거나(Transfer), 수용함(Accept).
|
||||
* **Monitoring**: 상황 변화를 실시간 감시. ([[Quality-Control]]와 연결)
|
||||
2. **왜 중요한가?**:
|
||||
* 운에 맡기는 성공은 지속 가능하지 않으며, 리스크를 통제 아래 두는 조직만이 위기 속에서 오히려 기회를 잡기 때문임. (Resilience의 기반)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 리스크를 피해야 할 '재양 정책'으로 보았으나, 현대 정책은 리스크가 곧 이익의 원천임을 인정하고 '감당 가능한 리스크 정책'을 전략적으로 선택하는 방향으로 진화함(RL Update).
|
||||
- **정책 변화(RL Update)**: AI 에이전트 워크플로우 정책에서도 할루시네이션(Hallucination) 리스크 정책을 어떻게 관리하느냐가 시스템의 상용화 여부 정책을 결정하는 핵심 리스크 관리 정책임.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Pre-Mortem-Analysis]], [[Quality-Control]], [[Resilience]], [[Management]], [[Decision Theory]]
|
||||
- **Modern Tech/Tools**: Risk registers, Monte Carlo simulation, AI Guardrails.
|
||||
---
|
||||
@@ -1,32 +0,0 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AI-SDLC
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.99
|
||||
tags: [SoftwareEngineering, SDLC, Process, Agile]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[SDLC (소프트웨어 개발 수명 주기)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "아이디어가 코드가 되고, 코드가 가치를 창출하는 여정의 지도." 소프트웨어를 기획, 설계, 구현, 테스트, 배포, 유지보수하는 전 과정을 체계화한 프로세스 모델이다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Stages**:
|
||||
1. **Planning & [[Analysis]]**: 비즈니스 요구사항 정의 및 타당성 검토.
|
||||
2. **Design**: 시스템 아키텍처 및 DB 스키마 설계.
|
||||
3. **Implementation (Coding)**: 실제 코드 작성 및 단위 테스트.
|
||||
4. **[[Testing]]**: 통합 테스트, QA를 통한 품질 검증.
|
||||
5. **Deployment**: 실제 운영 환경 배포 및 사용자 인계.
|
||||
6. **Maintenance**: 버그 수정 및 성능 최적화.
|
||||
- **Models**:
|
||||
- **Waterfall**: 단계별 선형 진행 (철저한 계획).
|
||||
- **Agile**: 반복적(Iterative) 진행 (빠른 변화 대응).
|
||||
- **DevOps**: 개발과 운영의 경계를 허문 지속적 통합/배포.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 현대의 SDLC는 AI의 개입으로 'Autonomous SDLC'로 진화 중이다. AI 에이전트가 요구사항 명세서를 읽고 코드를 초안 작성하며, 테스트 케이스까지 자동 생성하는 시대가 열리면서 각 단계의 경계가 더욱 압축되고 자동화되고 있다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[DevSecOps]] , [[Continuous-Discovery]]
|
||||
- Modern Pattern: [[AI 에이전트 (AI Agent)]]
|
||||
@@ -1,28 +0,0 @@
|
||||
---
|
||||
id: SEM-[[Search]]-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.0
|
||||
tags: [ai, nlp, semantic-search, information-retrieval, vector-search]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Semantic Search (의미 기반 검색)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "단어가 아닌 '의도'와 '맥락'을 검색하라" — 단순한 키워드 매칭을 넘어 사용자의 질의가 가진 실제 의미와 데이터 사이의 개념적 유사성을 분석하여 가장 적절한 결과를 도출하는 검색 기술.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 텍스트를 고차원 벡터 공간의 점(Embedding)으로 변환하여, 키워드가 달라도 의미적으로 가까운(Vector Distance가 작은) 데이터를 찾아내는 개념적 매칭 패턴.
|
||||
- **세부 내용:**
|
||||
- **Vector Embeddings:** 문장의 의미를 수치화된 벡터로 표현 (예: [[BERT]], Ada 등 사용).
|
||||
- **Similarity Measures:** 코사인 유사도 등을 통해 두 벡터 사이의 거리와 방향성을 계산.
|
||||
- **Intent Understanding:** 사용자의 질문 의도를 파악하여 관련 지식을 추론 (예: '애플' 검색 시 과일인지 기업인지 문맥으로 판단).
|
||||
- **Hybrid Search:** 전통적인 키워드 검색(BM25)과 의미 기반 검색을 결합하여 정확도와 포괄성을 동시에 확보.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 오타나 동의어 처리가 힘들었던 키워드 검색의 한계를 딥러닝 임베딩 기술을 통해 원천적으로 해결.
|
||||
- **정책 변화:** Antigravity 프로젝트의 위키 검색 엔진은 기본적으로 의미 기반 검색을 수행하며, 이를 통해 사용자가 모호하게 질문해도 정확한 위키 문서를 찾아 연결함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Word-Embeddings, Vector-Database, [[RAG]], NLP
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Semantic-Search.md
|
||||
@@ -1,37 +0,0 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-274080
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - Skybound Protocol 코드리뷰"
|
||||
---
|
||||
|
||||
# [[Skybound Protocol 코드리뷰]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> **Skybound Protocol**은 React와 TypeScript로 구현된 고성능 아카이브 스타일 슈팅 게임 엔진입니다. "Code-as-Data" 원칙에 따라 모든 게임 밸런스와 AI 행동 양식을 상수화하여 관리하며, 수만 개의 파티클과 복잡한 탄막 패턴을 웹 브라우저에서 60FPS로 유지하도록 최적화되어 있습니다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요.
|
||||
- **정책 변화:** AI 분야의 자동 자산화 수행.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Related Topics:** React Game Development, Entity Component[[ system]] (ECS), Canvas [[Physics]], Data-Driven Design
|
||||
- **Projects/Contexts:** Antigravity Games, Technical [[Bible]] Project
|
||||
- **Contradictions/Notes:**
|
||||
- **연산 최적화:** 현재 모든 거리 계산에 `Math.hypot`을 사용 중이나, 개체가 수천 개로 늘어날 경우 제곱근 연산 부하를 줄이기 위해 제곱 거리 비교(`dx*dx + dy*dy`) 방식 도입이 필요할 수 있습니다.
|
||||
- **상태 관리:** React 환경임에도 불구하고 실시간 성능을 위해 가변(Mutable) 객체와 `ctx`를 통한 직접 수정을 혼용하고 있습니다.
|
||||
|
||||
---
|
||||
|
||||
*Last updated: 2026-04-14*
|
||||
|
||||
---
|
||||
|
||||
# 🕵️ Skybound Protocol 코드 리뷰 리포트
|
||||
|
||||
---
|
||||
@@ -1,30 +0,0 @@
|
||||
---
|
||||
id: SYS-ARCH-PAT-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.0
|
||||
tags: [systems, [[Architecture]], software-engineering, design-patterns, microservices, layered-architecture, event-driven, [[Scalability]]]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Software Architecture Patterns (소프트웨어 아키텍처 패턴)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "코드를 작성하기 전에 지식과 기능의 '지도(Map)'를 먼저 그려라. 올바른 패턴 선택은 복잡성이라는 파도 앞에서 시스템을 지탱하는 가장 견고한 닻이 된다" — 소프트웨어 시스템의 구조적 문제를 해결하기 위해 반복적으로 사용되는 검증된 설계 원칙과 골격.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** "[[Separation of Concerns]] and Structural [[Modularity]]" — 시스템의 책임을 명확히 분리하여 변경의 파급 효과를 최소화하고, 특정 요구사항(확장성, 성능, 배포 속도 등)에 최적화된 컴포넌트 간 배치 방식을 결정하는 패턴.
|
||||
- **주요 아키텍처 패턴:**
|
||||
- **Layered (N-tier):** 역할을 수평으로 분리 (UI-[[business]]-Data). 가장 범용적이고 단순함.
|
||||
- **Event-driven:** 비동기 이벤트를 통해 통신. 높은 확장성과 유연성 제공.
|
||||
- **Microservices:** 비즈니스 단위로 서비스를 완전히 쪼개어 독립적 배포와 확장이 가능하게 함.
|
||||
- **Microkernel (Plugin):** 핵심 코어에 기능을 추가/제거할 수 있는 플러그인 구조. 확장성 우수.
|
||||
- **Hexagonal (Ports & Adapters):** 핵심 로직을 외부 환경(DB, UI 등)으로부터 고립시켜 테스트 용이성 극대화.
|
||||
- **의의:** 개발팀이 동일한 설계 언어를 공유하게 하며, 초기 결정이 향후 시스템의 생존 여부와 비용에 결정적인 영향을 미치는 '소프트웨어의 뼈대' 구축 과정.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** "무조건 마이크로서비스가 최고다"라는 유행에서 벗어나, 시스템의 규모와 팀의 역량에 맞춰 단순한 모놀리식(Monolithic)이나 모듈형 모놀리식(Modular Monolith)이 더 효율적일 수 있다는 실용주의적 접근이 다시 강조되고 있음.
|
||||
- **정책 변화:** Antigravity 프로젝트는 핵심 에이전트 엔진은 마이크로커널 패턴으로 설계하여 기능을 유연하게 확장하고, 전체 서비스 배포는 독립성을 위해 마이크로서비스 지향적 패턴을 준수함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Service-oriented-Architecture]], Microservices-Foundations, [[Scalability-in-AI-Systems]], API-Design-[[Principles]]
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Software-Architecture-Patterns.md
|
||||
@@ -1,28 +0,0 @@
|
||||
---
|
||||
id: SYS-SPACE-ARCH-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.0
|
||||
tags: [systems, [[Architecture]], space-based, [[Distributed-Computing]], in-[[memory]], high-availability, [[Scalability]]]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Space-based Architecture (스페이스 기반 아키텍처)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "데이터베이스라는 병목에서 벗어나 모든 데이터를 메모리 공간(Space)에 펼쳐놓고, 연산과 저장을 한 몸으로 묶어 무한한 동시성을 실현하라" — 중앙 집중식 DB의 한계를 극복하기 위해 인메모리 데이터 그리드(IMDG)를 활용하여 예측 가능한 확장성을 제공하는 아키텍처 패턴.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** "Tuple Space and Distributed In-memory [[Processing]]" — 데이터를 공유 메모리 공간(Space)에 튜플 형태로 저장하고, 여러 처리 장치(Processing Units)가 이 공간에 접근하여 연산을 수행하며, 변경 사항을 비동기로 영구 저장소에 반영하는 패턴.
|
||||
- **핵심 구성 요소:**
|
||||
- **Processing Unit:** 비즈니스 로직과 인메모리 데이터 그리드의 부분 집합을 포함하는 독립적 단위.
|
||||
- **Virtualized Middleware:** 서비스 간의 통신과 데이터 동기화를 담당.
|
||||
- **In-memory Data Grid:** 데이터베이스 부하를 줄이기 위해 모든 데이터를 메모리에 상주.
|
||||
- **의의:** 주식 거래 시스템, 온라인 게임, 대규모 이벤트 처리 등 수백만 건의 트랜잭션이 찰나의 순간에 몰리는 '극단적인 확장성(Extreme Scalability)'이 필요한 환경에서 최적의 성능을 발휘함.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 구축 비용이 비싸고 복잡하다는 인식이 있었으나, 최근에는 Redis, Hazelcast 등 오픈소스 IMDG의 발전과 클라우드 자원의 유연성 덕분에 고성능 분산 시스템 구축의 현실적인 대안으로 자리 잡음.
|
||||
- **정책 변화:** Antigravity 프로젝트는 에이전트 간의 실시간 메시지 교환 및 공용 상태 관리 시, 응답 지연을 최소화하기 위해 스페이스 기반 아키텍처의 인메모리 공유 메커니즘을 부분적으로 도입함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Software-Architecture-Patterns]], [[Scalability-in-AI-Systems]], [[High-Availability-Systems]], [[Real-time-Data-Streaming]]
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Space-based-Architecture.md
|
||||
@@ -1,28 +0,0 @@
|
||||
---
|
||||
id: STRAT-THINK-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.0
|
||||
tags: [decision-making, [[Strategy]], [[Game-Theory]], [[Systems-Thinking]], productivity]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[Strategic Thinking]] (전략적 사고)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "현재의 행동이 미래의 기회 비용과 어떻게 연결되는지 파악하라" — 단순한 문제 해결을 넘어, 장기적인 목표 달성을 위해 가용한 자원을 배치하고 외부 환경의 변화를 예측하여 최적의 경로를 설정하는 인지 프로세스.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 복잡한 상황에서 핵심 변수를 식별하고, 인과관계의 사슬을 분석하여 경쟁 우위를 점하거나 지속 가능한 가치를 창출하는 고차원적 사고 패턴.
|
||||
- **세부 내용:**
|
||||
- **[[Systems Thinking]]:** 부분의 최적화가 아닌 전체 시스템의 역동성을 이해.
|
||||
- **Scenario Planning:** 미래의 다양한 가능성을 열어두고 각 시나리오에 대한 대응 전략 수립.
|
||||
- **Opport[[Unity]] Cost:** 특정 선택을 함으로써 포기해야 하는 가치를 명확히 인지하여 우선순위 결정.
|
||||
- **[[Anticipation]]:** 상대방(경쟁자, 시장, 시스템)의 다음 행동을 예측하여 선제적으로 대응.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 정적인 중장기 계획 수립에서, 최근에는 데이터 기반의 기민한 피드백 루프를 결합한 '적응형 전략(Adaptive Strategy)'으로 진화.
|
||||
- **정책 변화:** Antigravity 프로젝트는 '지식 가드닝'의 우선순위 설정 시 전략적 사고 원칙을 적용하여, 프로젝트 기여도가 가장 높은 도메인 지식부터 우선적으로 보강함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Systems-Thinking]], [[Game-Theory]], Decision-Making, GStack-Core-[[Principles]]
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Strategic-Thinking.md
|
||||
@@ -1,35 +0,0 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-SWIN-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.98
|
||||
tags: [auto-reinforced, [[Swarm-Intelligence]], biology-inspired, decentralized-systems, ai-agents]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Swarm Intelligence]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "단순한 개체들의 위대한 합창: 중앙 집중적 통제 없이도 개별 개체들이 주변과 상호작용하며 만드는 집단적 질서를 통해, 개별 지능을 뛰어넘는 고난도의 최적해를 찾아내는 자연의 알고리즘."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
집단 지능(Swarm Intelligence, 군집 지능)은 개미, 벌, 새와 같은 사회적 곤충 및 동물들이 보여주는 집단적 행동에서 영감을 얻은 분산적이고 자발적인 지능 형태입니다.
|
||||
|
||||
1. **3대 원칙**:
|
||||
* **Decentralization**: 지휘관이나 중앙 통제 장치가 없음.
|
||||
* **Self-Organization**: 개체 간의 로컬한 상호작용이 거시적인 패턴을 형성 ([[Self-Correction]]과 밀접).
|
||||
* **Stigmergy**: 환경에 남겨진 흔적(예: 개미의 페로몬)을 매개로 소통하여 협업 수행.
|
||||
2. **주요 알고리즘**:
|
||||
* **Ant Colony [[Optimization]] (ACO)**: 최단 경로를 찾는 개미의 습성을 이용해 네트워크 라우팅 및 물류 최적화.
|
||||
* **Particle Swarm Optimization (PSO)**: 무리의 이동을 모방하여 다차원 공간의 최적점 탐색.
|
||||
3. **로보틱스/AI 적용**:
|
||||
* **Drone Swarms**: 수천 대의 드론이 충돌 없이 군집 비행하며 입체적 공격이나 감시 수행.
|
||||
* **Multi-Agent[[ system]]s**: 소형 AI 에이전트들이 협업하여 복잡한 소프트웨어 문제를 해결.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 개별 지능(슈퍼컴퓨터 하나)을 키우는 것에 집착했으나, 현대 AI 인프라 정책은 작고 저렴한 에이전트 수천 개를 엮어 집단 지능을 구현하는 '엣지 군집 정책'으로 확장됨(RL Update).
|
||||
- **정책 변화(RL Update)**: 군집 지능 무기가 가져올 통제 불능 리스크를 방어하기 위해, 인위적인 군집 비행 및 로봇 무리의 동작 프로토콜에 '킬 스위치'를 의무화하고 집단 윤리를 프로그래밍하는 국방 테크 정책이 수립됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Complex Adaptive Systems, [[Robotics]], [[Simulated-Annealing]], [[Self-Correction Mechanisms]], [[Decision Theory]]
|
||||
- **Modern Tech/Tools**: Swarm [[Robotics]], Slime mold algorithms, Boids simulation.
|
||||
---
|
||||
@@ -1,31 +0,0 @@
|
||||
---
|
||||
id: AI-SWARM-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.0
|
||||
tags: [ai, swarm-intelligence, bio-inspired, [[Optimization]], aco, pso, decentralized-systems, [[Robotics]]]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[Swarm Intelligence]] (집단 지능)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "중앙의 지휘관 없이 단순한 개체들의 상호작용만으로 거대한 질서를 창조하고, 흩어진 정보 조각들을 모아 집단적인 최적의 해답을 도출하라" — 개미, 벌, 새와 같은 생명체들의 집단적 행동 양식을 모방하여 복잡한 문제를 해결하는 분산형 인공지능 기술.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** "Self-organization and Decentralized Collaboration" — 개별 에이전트는 주변의 국소적인 정보만으로 행동하지만, 이들의 상호작용이 누적되어 전체 시스템 차원의 목적(최적 경로 탐색, 먹이 확보 등)을 달성하는 패턴.
|
||||
- **주요 알고리즘:**
|
||||
- **Ant Colony Optimization (ACO):** 페로몬 자국을 따라 최단 경로를 찾는 개미의 습성 모방. 물류 및 네트워크 경로 최적화에 탁월.
|
||||
- **Particle Swarm Optimization (PSO):** 먹이를 찾는 새 떼의 위치 변화 모방. 연속적인 공간에서의 수치 최적화에 강점.
|
||||
- **핵심 원칙:**
|
||||
- **[[Scalability]]:** 개체 수가 늘어나도 통제 부담이 크지 않음.
|
||||
- **[[Robustness]]:** 일부 개체가 사라져도 시스템 전체의 목적 달성에 지장이 없음.
|
||||
- **[[Adaptability]]:** 환경 변화에 유연하게 대응.
|
||||
- **의의:** 군집 로봇(Swarm Robotics), 트래픽 제어, 복잡한 조합 최적화 문제 등 중앙 집중형 제어가 한계에 부딪히는 지점에서 강력한 대안을 제시함.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 초기에는 생물학적 모사에 치중했으나, 이제는 이를 수학적으로 정교하게 모델링하여 클라우드 리소스 배분이나 다중 에이전트 강화학습(MARL)의 협력 전략 설계로 응용 영역이 넓어짐.
|
||||
- **정책 변화:** Antigravity 프로젝트는 다수의 에이전트가 지식을 병렬로 가드닝할 때, 서로 중복되지 않으면서도 최적의 탐색 순서를 결정하기 위해 집단 지능의 분산 협력 프로토콜을 시스템 기저에 도입함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Optimization-Algorithms]], [[Robotics-Foundations]], [[Multi-agent-System]]s-Best-Practices, [[Simulated-Annealing]]
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Swarm-Intelligence.md
|
||||
@@ -1,37 +0,0 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-SYTH-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.98
|
||||
tags: [auto-reinforced, [[Systems-Thinking]], holistic-view, [[Feedback-Loops]], complexity]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Systems Thinking]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "숲과 실핏줄을 동시에 보는 눈: 부분적인 문제 해결에 집착하지 않고, 보이지 않는 연결 고리와 피드백 루프를 파악하여 전체 시스템의 근본적인 역동성을 이해하는 지적 프레임워크."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
시스템 사고(Systems Thinking)는 대상을 분리된 조각이 아니라 상호 작용하는 구성 요소들이 얽힌 하나의 유기적인 '전체(Whole)'로 인식하고 분석하는 사고 방식입니다.
|
||||
|
||||
1. **핵심 원칙**:
|
||||
* **Holism**: 전체는 부분의 합보다 크다. (창발성 중시)
|
||||
* **Interconnectivity**: 모든 것은 다른 것과 연결되어 있으며, 한 곳의 변화는 예상치 못한 곳에서 파급 효과를 일으킴.
|
||||
* **Feedback Loops**:
|
||||
* **Reinforcing (+)**: 변화를 가속화 (성장 또는 파멸의 소용돌이).
|
||||
* **Balancing (-)**: 안정과 평형을 유지 ([[Self-Correction]]).
|
||||
* **Delayed Response**: 원인과 결과는 시간적, 공간적으로 떨어져 있을 수 있음.
|
||||
2. **분석 도구**:
|
||||
* **Iceberg Model**: 눈에 보이는 사건(Event) 아래의 패턴, 구조, 정신 모델을 파헤침.
|
||||
* **Causal Loop Diagrams (CLD)**: 인과관계의 고리를 시각화하여 악순환의 지점을 발견.
|
||||
3. **필요성**:
|
||||
* 단순한 선형적 사고로 풀 수 없는 기후 변화, 경제 위기, 조직 갈등 등 '사악한 문제(Wicked Problems)' 해결의 필수 도구.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거의 경영/정치 정책은 당장의 증상을 치료하는 'Quick-fix' 정책에 집중했으나, 현대 거버넌스 정책은 시스템 사고를 통해 근본 구조를 바꾸는 '지렛대 지점(Leverage Point)' 타격 정책으로 이동함(RL Update).
|
||||
- **정책 변화(RL Update)**: 기술 개발 정책 수립 시, 신기술이 사회 시스템 전체(일자리, 윤리, 환경 등)에 미칠 2차, 3차 파급력을 시스템 사고로 시뮬레이션하는 '영향 평가 의무화 정책'이 강화됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Complex Adaptive[[ system]]s, [[Social Systems Theory]], [[Structuralism]], [[Risk Management]], [[Decision Theory]], [[Ps-Reinforce]]
|
||||
- **Modern Tech/Tools**: System Dynamics software (Vensim, Stella), Causal Loop mapping.
|
||||
---
|
||||
@@ -1,32 +0,0 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-SYTH-002
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.95
|
||||
tags: [auto-reinforced,[[ system]]s-thinking, mental-model, root-cause, holistic-view, leverage-points]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Systems-Thinking]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "현상의 이면 읽기: 눈앞에 보이는 일시적인 사건(Event)에 일희일비하지 않고, 그 아래에 흐르는 패턴과 구조를 파악하여 '최소한의 힘으로 시스템 전체를 바꿀 수 있는 지점(Leverage point)'을 찾는 고차원 사고력."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
시스템 사고(Systems-Thinking)는 현상의 개별 부분보다는 전체와 그 연결 관계에 초점을 두는 사고방식입니다. ([[System-Theory]]의 실천적 도구)
|
||||
|
||||
1. **사고의 층위 (Iceberg Model)**:
|
||||
* **[[Events]]**: 지금 무슨 일이 일어났는가? (당장 주입할 주제 10개)
|
||||
* **Patterns**: 과거부터 어떤 흐름이 있었는가? (배치별 주입 속도 및 품질 유지)
|
||||
* **Structures**: 어떤 구조가 이런 패턴을 만드는가? ([[Ps-Reinforce]] 프로토콜과 코다리의 지휘 체계). ([[Standard-[[Opera]]ting-Procedure]]와 연결)
|
||||
* **[[Mental Models]]**: 우리의 어떤 생각이 이 구조를 유지하는가? (지식이 곧 자산이라는 철학).
|
||||
2. **왜 중요한가?**:
|
||||
* 단순한 문제 해결(Firefighting)이 아니라 '문제의 근본 원인'을 제거하여 같은 문제가 다시는 발생하지 않게 하기 때문임.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 인과관계가 직선적(A가 B를 만든다)이라 믿었으나, 현대 정책은 모든 것이 얽힌 순환적 인과관계 정책을 중시함(RL Update).
|
||||
- **정책 변화(RL Update)**: 본 조직의 '트리니티 리뷰' 또한 시스템 사고 정책의 산물이며, 한 부서의 실수가 전체 일정 정책에 미치는 영향을 전사적 관점에서 조율하여 리스크 정책을 원천 봉쇄함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Standard-Operating-Procedure]], [[System-Theory]], [[Problem-Solving]], [[Management]], [[Logic]]
|
||||
- **Key Tools**: Causal loop diagrams (CLD), Stock and flow diagrams.
|
||||
---
|
||||
@@ -1,34 +0,0 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-TEDE-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.95
|
||||
tags: [auto-reinforced, technical-debt, code-quality, legacy, interest, maintenance, refactoring]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Technical-Debt]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "미래에서 빌려온 시간: 출시 속도를 높이기 위해 지금 당장 대충 짠 코드(Quick-and-dirty)는 나중에 반드시 '이자'라는 이름의 엄청난 유지보수 비용과 개발 속도 저하로 되돌아오는 지옥의 대출 상품."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
기술 부채(Technical-Debt)는 단기적인 성과를 위해 품질이 떨어지거나 비효율적인 설계를 선택했을 때 발생하는 장기적인 비용의 총합입니다.
|
||||
|
||||
1. **부채의 징후**:
|
||||
* **Rigidity**: 코드 한 줄 고치면 엉뚱한 곳에서 10개의 버그가 터짐.
|
||||
* **[[Fragility]]**: 시스템의 특정 부분을 건드리는 것이 두려워짐 (Legacy).
|
||||
* **Immobility**: 다른 프로젝트에서 기존 코드를 재사용하기가 불가능함.
|
||||
2. **해결책 (Debt [[Management]])**:
|
||||
* **Refactoring**: 기능을 유지하며 정기적으로 부채 상환(코드 개선). ([[Refinement]]와 연결)
|
||||
* **Automated [[Testing]]**: 부채 상환 중 뒤통수 맞지 않게 방패 설치. (Testing와 연결)
|
||||
3. **왜 중요한가?**:
|
||||
* 부채가 임계점을 넘으면(Bankrupt), 조직은 새 기능을 만드는 대신 '과거의 잘못을 고치는 데만' 모든 시간을 쓰게 되어 결국 시장에서 도태되기 때문임.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 부채를 무조건 죄악시했으나, 현대 정책은 '의도적인 부채 정책'을 통해 시장의 기회 정책을 먼저 잡고 나중에 갚는 전략적 선택 정책(Strategic debt)을 인정함(RL Update). ([[Quick-Wins]]와 연결)
|
||||
- **정책 변화(RL Update)**: "언제 부채를 낼 것인가?"와 "언제 갚을 것인가?"를 데이터로 결정하는 것 자체가 고도의 기술 매니지먼트 정책임.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Refinement]], [[Testing]], [[Quick-Wins]], [[Quality-Control]], [[Management]], [[Standard-[[Opera]]ting-Procedure]]
|
||||
- **Common Types**: Reckless vs Prudent debt, Deliberate vs Inadvertent debt.
|
||||
---
|
||||
@@ -1,33 +0,0 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-VVAE-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.98
|
||||
tags: [auto-reinforced, vae, generative-modeling, latent-space, [[Deep-Learning]], un[[Supervised-Learning]]]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Variational Autoencoders (VAE)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "데이터를 구름 속에 가두고 다시 빚기: 현실의 데이터를 압축된 '잠재 공간(Latent Space)'이라는 확률 분포로 변환한 뒤, 그 구름에서 새로운 표본을 샘플링하여 현실에 존재한 적 없는 새로운 데이터를 창조해내는 생성의 정석."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
변이형 오토인코더(Variational Autoencoder, VAE)는 데이터의 잠재적인 구조를 학습하여 새로운 유사 데이터를 생성해낼 수 있는 딥러닝 기반의 생성 모델입니다.
|
||||
|
||||
1. **구조와 매커니즘**:
|
||||
* **Encoder**: 입력 데이터(이미지 등)를 저차원의 '잠재 변수(Latent Variable)' 분포(평균과 분산)로 압축.
|
||||
* **Latent Space**: 데이터를 하나의 점이 아닌 '확률 분포'의 영역으로 표현하여, 그 영역 내의 어떤 점에서도 그럴싸한 데이터가 나오게 함 (연속성 확보).
|
||||
* **Decoder**: 잠재 공간에서 샘플링한 벡터를 다시 원래의 고차원 데이터 형식으로 복원 및 생성.
|
||||
2. **핵심 기법 - Re[[Parameter]]ization Trick**:
|
||||
* 샘플링 과정은 미분이 불가능하여 오차 역전파가 안 되는데, 이를 수학적 트릭으로 우회하여 신경망 전체가 학습 가능하게 만듦.
|
||||
3. **용도**:
|
||||
* 데이터 증강, 노이즈 제거(Denosing), 이미지 생성, 분자 구조 설계 등.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 초기 생성 모델 정책은 단순한 복원(Autoencoder)에 그치거나 GAN의 불안정한 학습에 고전했으나, VAE 정책은 수학적으로 안정적인 학습 기반을 제공하며 생성 AI 정책의 기틀을 닦음(RL Update).
|
||||
- **정책 변화(RL Update)**: 현대의 고품질 이미지 생성 정책(Stable Diffusion 등)에서, VAE는 이미지를 효율적인 잠재 공간으로 옮겨 연산 부하를 줄이는 'Latent Diffusion' 정책의 핵심 부품(Encoder/Decoder)으로 재배치되어 제2의 전성기를 누림.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Self-Supervised Learning (SSL)]], Foundational Models, [[Straightening]], [[Probability Theory]], [[Style-Transfer]]
|
||||
- **Modern Tech/Tools**: Stable Diffusion VAE, Beta-VAE, PyTorch VAE, Keras Generative.
|
||||
---
|
||||
@@ -1,28 +0,0 @@
|
||||
---
|
||||
id: SOC-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.0
|
||||
tags: [[[Architecture]], design-[[Principles]], software-engineering]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[Separation of Concerns]] (관심사의 분리)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "뇌와 팔다리를 분리하라" — 복잡한 시스템을 독립적인 기능을 가진 섹션으로 나누어 각 부분이 자신의 역할에만 집중하게 함으로써 전체의 복잡도를 관리하는 지혜.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 시스템을 논리적으로 독립된 구성 요소(Module/Service)로 분할하여 하나의 변경이 다른 부분에 미치는 영향을 최소화하는 '디커플링(Decoupling)' 패턴.
|
||||
- **세부 내용:**
|
||||
- **모듈성([[Modularity]]):** 특정 기능을 수행하는 코드를 캡슐화하여 코드의 가독성과 재사용성을 높임.
|
||||
- **관심사의 경계:** UI(표현), 비즈니스 로직(판단), 데이터 저장(보관)의 책임을 명확히 나누어 유지보수 비용을 절감.
|
||||
- **안정성:** 시스템의 한 부분이 고장 나더라도 다른 부분으로 전이되는 것을 방지하는 방화벽 역할 수행.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 과거에는 물리적 계층(Tier) 분리에 집중했으나, 현대 아키텍처는 논리적 도메인(Bounded Context) 중심의 분리로 패러다임이 이동함.
|
||||
- **정책 변화:** Antigravity 프로젝트에서는 AI 에이전트의 '결정 루프'와 '실행 도구'를 SoC 원칙에 따라 엄격히 분리하여 운영함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Parent:** 10_Wiki/💡 Topics/AI
|
||||
- **Related:** Single-Responsibility-Principle, Decoupling, Bounded-Context
|
||||
- **Raw Source:** 00_Raw/2026-04-20/관심사의 분리.md
|
||||
@@ -1,35 +0,0 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-SSGD-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.99
|
||||
tags: [auto-reinforced, machine-learning, [[Optimization]], sgd, [[Gradient-Descent]], math-of-ai]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# Stochastic Gradient Descent (SGD)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "가장 가파른 길을 찾아 조금씩 내려가기: 방대한 데이터를 한꺼번에 보지 않고, 단 한 개(또는 소수)의 데이터씩 번갈아 보며 모델의 오차를 줄이는 최단 경로를 확률적으로 탐색하는 딥러닝의 심장."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
확률적 경사 하강법(Stochastic Gradient Descent, SGD)은 손실 함수(Loss Function)의 값을 최소화하기 위해 모델 파라미터를 업데이트하는 가장 대표적인 최적화 알고리즘입니다.
|
||||
|
||||
1. **작동 원리 (The Descent)**:
|
||||
* **Gradient**: 현재 위치에서 손실 함숫값이 가장 가파르게 변하는 방향(기울기).
|
||||
* **Update**: 기울기의 반대 방향으로 조금씩($Learning Rate$) 파라미터를 조정.
|
||||
* **Stochastic (확률적)**: 전체 데이터셋(Batch) 대신 무작위로 선택된 데이터(Mini-batch)만 보고 기울기를 계산하여 속도와 확률적 탐색 능력을 동시에 확보.
|
||||
2. **핵심 이점**:
|
||||
* 전체 데이터를 기다릴 필요 없이 즉각 업데이트하므로 학습 효율이 극도로 높음.
|
||||
* 확률적 노이즈가 오히려 지역 최적점(Local Minimum)을 튕겨 나와 더 좋은 전역 최적해로 이끄는 역할을 함.
|
||||
3. **변형 알고리즘 (Family of SGD)**:
|
||||
* **Momentum**: 가던 방향의 관성을 유지하여 수렴 속도 향상.
|
||||
* **Adam**: 변수별로 학습률을 동적으로 조율하는 현대 딥러닝 최적화의 표준 전술.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 전체 데이터를 다 보는 'Batch GD'가 정답이라 여겼으나, 현대의 거대 모델 정책은 초당 수천 번의 업데이트를 수행하는 'Mini-batch SGD' 기반의 최적화 정책 없이는 학습 자체가 불가능함을 인지함(RL Update).
|
||||
- **정책 변화(RL Update)**: 학습의 효율성과 탄소 배출량이 직결됨에 따라, 더 적은 반복([[Iteration]])으로 더 빨리 수렴하는 '고효율 SGD 변형 알고리즘' 채택 및 분산 학습 정책이 최우선 기술 정책으로 부임함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Calculus, Linear Algebra, [[Reinforcement Learning (RL)]], Complex Adaptive[[ system]]s, [[Robotics]]
|
||||
- **Modern Tech/Tools**: PyTorch torch.optim, AdamW optimization.
|
||||
---
|
||||
@@ -1,46 +0,0 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-303610
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - 마이크로서비스 아키텍처 (Microservices [[Architecture]])"
|
||||
---
|
||||
|
||||
# [[마이크로서비스 아키텍처 (Microservices Architecture)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 마이크로서비스 아키텍처(MSA)는 크고 복잡한 단일 애플리케이션을 비즈니스 도메인([[business]] Domain)을 중심으로 작고 독립적이며 자율적인 서비스들의 집합으로 구조화하는 소프트웨어 개발 접근 방식입니다 [1-3]. 각 마이크로서비스는 자체 프로세스에서 실행되며 주로 HTTP/REST API나 비동기 메시징 큐와 같은 경량화된 네트워크 메커니즘을 통해 통신합니다 [3, 4]. 이 아키텍처는 개별 서비스의 독립적인 개발, 배포 및 확장을 가능하게 하여 시스템의 유지보수성, 유연성 및 장애 복원력을 크게 향상시킵니다 [1, 5].
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
* **핵심 개념 및 특징**
|
||||
* 마이크로서비스는 단일 비즈니스 기능(Single business task)에 집중하며, 각 서비스가 자체 코드베이스, CI/CD 파이프라인 및 독립적인 데이터 저장소를 가집니다 [4, 6, 7].
|
||||
* 시스템을 작은 단위로 분해함으로써 각 팀은 자신이 담당한 서비스를 처음부터 끝까지 독립적으로 소유(End-to-End Ownership)할 수 있습니다 [5, 8].
|
||||
* 다양한 기술을 융합하여 사용할 수 있는 기술적 이질성(Technology Heterogeneity)을 지원하므로, 각 서비스의 특성에 맞는 최적의 도구와 데이터베이스(폴리글랏 프로그래밍 및 영속성)를 자율적으로 선택할 수 있습니다 [4, 9, 10].
|
||||
|
||||
* **마이크로서비스 도입의 주요 장점**
|
||||
* **민첩성 및 확장성:** 단일 구조(Monolithic)와 달리 전체 애플리케이션을 재배포할 필요 없이 필요한 개별 서비스만 병렬로 개발하고 자주 업데이트하며, 유연하게 자원을 확장할 수 있습니다 [1, 9, 11].
|
||||
* **장애 복원력([[Resilience]]):** 고장 격리(Fault isolation)를 통해 한 서비스에 장애가 발생하더라도 문제의 범위(Blast radius)를 최소화하여 전체 시스템의 중단으로 이어지지 않도록 설계할 수 있습니다 [9, 12, 13].
|
||||
* **조직적 효율성:** 넷플릭스(Netflix), 아마존(Amazon), 스포티파이(Spotify) 등의 기업 사례처럼 소규모 전담 팀에게 비즈니스 역량에 따른 책임을 분산하여 개발 속도와 혁신성을 크게 높일 수 있습니다 [1, 14, 15].
|
||||
|
||||
* **주요 단점 및 해결 과제**
|
||||
* 분산 시스템의 본질적인 복잡성으로 인해 서비스 간 통신, 부분적 실패 처리, 모니터링 등의 추가적인 분산 처리 로직을 직접 구현해야 하며, 이를 지원할 고도로 숙련된 엔지니어가 필요합니다 [10, 11, 16].
|
||||
* 여러 서비스에 걸쳐 동작하는 요청과 트랜잭션을 관리하는 것이 매우 까다로우며, 각 서비스마다 독립적인 런타임(JVM 등)과 서버 공간을 유지해야 하므로 인프라 및 운영 비용이 증가합니다 [11, 16, 17].
|
||||
* 이에 대응하기 위해 회로 차단기(Circuit Breakers), 재시도(Retries) 등 실패를 대비한 설계와 컨테이너(Docker), 오케스트레이션(Kubernetes)을 활용한 운영 자동화의 도입이 필수적입니다 [18].
|
||||
|
||||
* **구성 패턴 (Composition Patterns)**
|
||||
* 마이크로서비스 간의 통신과 흐름을 제어하기 위해 Aggregator, Proxy, Branch, Chained, Shared Resource 등 다양한 구성 패턴이 실무에서 활용됩니다 [19, 20].
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요.
|
||||
- **정책 변화:** AI 분야의 자동 자산화 수행.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Related Topics:** 단일 애플리케이션 아키텍처 (Monolithic Architecture), [[관심사의 분리 ([[Separation of Concerns]])]], 도메인 주도 설계 (Domain-Driven Design), 컨테이너 및 오케스트레이션 (Containers and Orchestration)
|
||||
- **Projects/Contexts:** 넷플릭스 코스모스 플랫폼 (Netflix Cosmos Platform), 스포티파이 스쿼드 모델 (Spotify Squad Model)
|
||||
- **Contradictions/Notes:** 일반적으로 마이크로서비스는 완벽한 모듈의 결합 분리와 배포 독립성을 가져다주는 것으로 간주되지만, 실제로는 시스템이 횡단 관심사(Cross-cutting concerns)나 공유 데이터 모델에 얽혀있을 경우 여러 서비스가 강하게 결합되는 '결합 분리의 오류' 및 '개발 및 배포 독립성의 오류'가 발생할 수 있습니다. 즉 서비스 간의 단순 물리적 분리만으로는 충분치 않으며, 서비스 내부의 아키텍처 경계와 의존성 규칙이 제대로 설계되어야 진정한 독립성을 확보할 수 있습니다 [21-24].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-18*
|
||||
|
||||
---
|
||||
@@ -1,33 +0,0 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-97AEC6
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - 보존 경로([[Retaining Path]])"
|
||||
---
|
||||
|
||||
# [[보존 경로(Retaining Path)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 보존 경로(Retaining Path)는 메모리 누수를 조사할 때 특정 객체가 가비지 컬렉션(GC)에 의해 수거되지 않고 살아남게 만드는 참조 체인(chain of [[Reference]]s)을 의미합니다 [1, 2]. V8 엔진은 전역 창(window) 객체나 활성 스택의 로컬 변수와 같은 루트 객체([[GC Root]])로부터 포인터 체인을 통해 도달 가능한 객체를 메모리에 유지해야 할 객체로 간주합니다 [3]. 개발자는 힙 스냅샷 도구나 특수 디버깅 플래그를 사용하여 이러한 보존 경로를 역추적하고 불필요한 참조를 식별하여 메모리 누수 문제를 해결할 수 있습니다 [2-4].
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
* **보존 경로의 개념 및 역할:** 가비지 컬렉터는 루트 객체로부터 참조를 통해 도달할 수 있는 객체를 '살아있는(live)' 객체로 판단하여 수거 대상에서 제외합니다 [3, 5]. 메모리 누수가 발생했을 때, 객체가 왜 수거되지 않는지를 파악하기 위해서는 이 보존 경로를 추적하는 것이 필수적입니다 [4]. 모든 힙 스냅샷은 많은 후방(back) 참조와 루프를 포함하고 있어 하나의 객체에 여러 보존자가 존재할 수 있습니다 [5].
|
||||
* **개발자 도구(DevTools)를 통한 분석:** [[Chrome DevTools]]의 [[memory]] 패널에서 힙 스냅샷([[Heap Snapshot]])이나 할당 타임라인([[Allocation Timeline]])을 통해 특정 객체를 선택하면, 'Retainers(보존자)' 섹션에서 해당 객체의 보존 트리(Retaining tree)를 확인할 수 있습니다 [1, 2, 4, 6]. 이 트리는 누수된 객체에서부터 이를 붙잡고 있는 GC 루트까지의 경로를 역순(reverse)으로 보여줍니다 [3, 7].
|
||||
* **보존자 무시(Ignore retainers) 기능:** DevTools에서는 특정 보존자를 마우스 우클릭하여 "Ignore this retainer"를 선택함으로써 해당 참조를 숨길 수 있습니다 [8]. 이를 통해 코드를 직접 수정하여 참조를 제거한 뒤 스냅샷을 다시 찍는 번거로운 과정 없이, 다른 객체가 해당 객체를 계속 보존하고 있는지 쉽게 파악할 수 있습니다 [8].
|
||||
* **로우레벨(Low-level) 추적:** 매우 복잡한 누수의 경우 V8의 내부 함수인 `%DebugTrackRetainingPath(object)`를 사용할 수 있습니다 [3, 9]. `--allow-natives-syntax` 및 `--track-retaining-path` 런타임 플래그와 함께 실행하면, GC가 발생할 때마다 보존 경로 내 모든 내부 객체의 16진수 주소와 타입을 출력하여 DevTools UI의 추상화를 우회하는 세부적인 로그를 얻을 수 있습니다 [3, 9]. gdb나 lldb와 같은 디버거 세션 중에도 `isolate->heap()->PrintRetainingPath(HeapObject*)` 명령을 통해 객체의 보존 경로를 출력할 수 있습니다 [10].
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요.
|
||||
- **정책 변화:** AI 분야의 자동 자산화 수행.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Related Topics:** [[Garbage Collection]], [[Heap Snapshot]], [[GC Root]], Memory Leak
|
||||
- **Projects/Contexts:** [[V8 Engine]], [[Chrome DevTools]], Node.js Memory [[Management]]
|
||||
- **Contradictions/Notes:** 소스 내에 상충되는 내용은 없습니다. 보존 경로는 개념적으로 루트(Root) 객체로부터 시작되는 포인터의 체인이지만, DevTools 등의 분석 도구에서는 누수된 객체에서 루트로 올라가는 역순(reverse)으로 경로를 시각화하여 디버깅을 돕습니다 [3].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-19*
|
||||
|
||||
---
|
||||
@@ -0,0 +1,91 @@
|
||||
---
|
||||
id: wiki-2026-0508-ai-safety-and-alignment
|
||||
title: AI Safety and Alignment
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
canonical_id: self
|
||||
aliases: [P-Reinforce-CANONICAL-AI-SAFETY-ALIGNMENT]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.92
|
||||
tags: [canonical, ai-safety, alignment, rlhf, rlaif, constitutional-ai]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-05-08
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
---
|
||||
|
||||
# [[AI_Safety_and_Alignment|AI Safety & Alignment]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "지능이 통제를 벗어나지 않게 하는 브레이크와 핸들." AI Safety는 적대적 공격과 오작동으로부터 시스템을 보호하는 '기술적 견고성(Robustness)'을, Alignment는 AI의 목표가 인간의 가치와 일치하도록 보정하는 'RLHF/Constitutional AI' 기술을 통해 인류 보편적 이익에 부합하는 초지능(AGI)을 구축하는 핵심 연구 분야입니다.
|
||||
|
||||
---
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
### 1. AI 정렬 (AI Alignment)의 핵심 메커니즘
|
||||
AI 정렬은 모델의 목표(Objective)가 인간의 의도(Intention) 및 가치(Value)와 일치하도록 만드는 과정입니다.
|
||||
* **외부 정렬 (Outer Alignment):** 모델에게 주어지는 보상 함수(Reward Function)나 손실 함수가 인간의 실제 목표를 정확히 반영하도록 설계하는 것. (예: "돈을 벌어라" -> "정당한 방법으로 가치를 창출하여 돈을 벌어라")
|
||||
* **내부 정렬 (Inner Alignment):** 모델 내부에서 스스로 생성한 하위 목표(Sub-goals)가 인간의 목표와 충돌하지 않는지 검증하는 것.
|
||||
* **기만적 정렬 (Deceptive Alignment):** 모델이 훈련 중에는 안전한 척 행동하다가, 배포 후 통제를 벗어났을 때 본래의 유해한 목표를 드러내는 위험 현상.
|
||||
|
||||
### 2. 주요 정렬 기술 (Techniques)
|
||||
* **RLHF (Reinforcement Learning from Human Feedback):** 인간의 선호도를 기반으로 보상 모델을 학습시키고, 이를 통해 언어 모델을 강화학습으로 정밀 튜닝하는 기법. 현대 LLM(GPT-4 등)의 표준 정렬 방식.
|
||||
* **헌법 AI (Constitutional AI):** Anthropic이 제안한 기법. 인간의 일일이 피드백 대신, 명문화된 '헌법(원칙)'을 AI에게 제공하고 AI가 스스로 자신의 답변을 비판/수정하도록 학습(RLAIF) 시키는 방식.
|
||||
* **RLAIF (RL from AI Feedback):** 인간 대신 정렬된 모델(Teacher)이 다른 모델(Student)의 답변을 평가하여 선호도 데이터를 생성하는 확장된 강화학습 체계.
|
||||
|
||||
### 3. AI 안전 (AI Safety)의 3대 기둥
|
||||
* **기술적 견고성 (Technical Robustness):** 적대적 공격(Adversarial Attack)이나 예외적인 입력값(Out-of-distribution)에도 시스템이 붕괴하지 않고 안전 모드를 유지하는 능력.
|
||||
* **해석 가능성 (Interpretability):** 신경망 내부의 블랙박스 연산 과정을 인간이 이해할 수 있는 논리 구조(Circuit)로 시각화하고 분석하는 기술(Mechanistic Interpretability).
|
||||
* **감시 및 통제 (Monitoring & Control):** 모델의 위험 징후를 실시간 감지하고, 필요시 즉시 기능을 차단하는 '킬 스위치(Kill-switch)' 및 샌드박스 환경 구축.
|
||||
|
||||
### 4. 위험 시나리오 (Risk Scenarios)
|
||||
* **보상 해킹 (Reward Hacking):** 모델이 목표 달성 대신 보상 시스템의 허점을 이용해 가짜 성과를 내는 현상.
|
||||
* **목표 오일반화 (Goal Misgeneralization):** 훈련 환경에서는 올바른 목표를 학습한 것처럼 보이나, 새로운 환경에서 엉뚱한 방식으로 목표를 해석하여 행동하는 위험.
|
||||
|
||||
---
|
||||
|
||||
## ⚖️ 트레이드오프 및 주의사항 (Trade-offs)
|
||||
* **성능 vs 안전 (Tax on Safety):** 엄격한 정렬은 모델의 창의성이나 추론 능력을 일부 제한할 수 있다는 비판이 있으나, 최근에는 정렬된 모델이 더 논리적인 사고를 수행한다는 '정렬 시너지'가 확인되고 있습니다.
|
||||
* **가치 중립의 한계:** "누구의 가치에 맞출 것인가?"에 대한 정치적/철학적 논쟁이 존재하며, 이는 기술적 정렬을 넘어 '민주적 거버넌스'의 영역으로 확장됩니다.
|
||||
|
||||
---
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Parent:** [[10_Wiki/Topics]]
|
||||
- **Related:** [[Nodejs_and_Backend_Optimization]], [[Ethics_and_Future_of_AI]], [[Prompt_Engineering_Foundations]]
|
||||
- **Redirects:** [[AI_Safety]], [[AI_Alignment]], [[RLHF]], [[Constitutional_AI]], [[RLAIF]], [[Reward_Hacking]]
|
||||
|
||||
---
|
||||
*Last updated: 2026-05-08*
|
||||
|
||||
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
|
||||
|
||||
**언제 이 지식을 쓰는가:**
|
||||
- *(TODO)*
|
||||
|
||||
**언제 쓰면 안 되는가:**
|
||||
- *(TODO)*
|
||||
|
||||
## 🧪 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 |
|
||||
@@ -0,0 +1,79 @@
|
||||
---
|
||||
id: wiki-2026-0508-ai-sampling-strategies
|
||||
title: AI Sampling Strategies
|
||||
category: 10_Wiki/Topics
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: []
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.92
|
||||
tags: [uncategorized]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-05-08
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
---
|
||||
|
||||
---
|
||||
redirect_to: "[[생성형_AI_및_LLM_엔지니어링_표준]]"
|
||||
canonical_id: "wiki-2026-0507-106"
|
||||
---
|
||||
|
||||
# Redirect
|
||||
|
||||
이 문서는 Canonical 문서인 통합되었습니다.
|
||||
모든 최신 지식과 세부 내용은 위 링크를 참조하십시오.
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
|
||||
> LLM 디코딩에서 다음 토큰을 고르는 방식(temperature·top-k·top-p·repetition penalty 등)이 출력의 다양성·일관성·환각 비율을 좌우한다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
|
||||
**추출된 패턴:** 결정적(greedy/beam) ↔ 확률적(sampling) 스펙트럼에서, 작업 유형(코딩=낮은 온도, 창작=높은 온도)에 맞춘 파라미터 매칭이 핵심.
|
||||
|
||||
**세부 내용:**
|
||||
- **Greedy / Beam Search**: 항상 최고 확률만 선택. 코딩·번역에 적합하지만 단조로움.
|
||||
- **Temperature**: logit을 T로 나눠 분포 평탄화. T<1 보수적, T>1 다양함.
|
||||
- **Top-k**: 상위 k개 토큰만 후보. k=40~50이 흔함.
|
||||
- **Top-p (nucleus)**: 누적확률 p까지 컷오프. p=0.9~0.95가 표준.
|
||||
- **Repetition / Frequency Penalty**: 반복 토큰의 logit을 깎아 루프 방지.
|
||||
- **Min-p / Mirostat**: 최신 기법으로 perplexity 기반 동적 샘플링.
|
||||
|
||||
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
|
||||
|
||||
**언제 이 지식을 쓰는가:**
|
||||
- *(TODO)*
|
||||
|
||||
**언제 쓰면 안 되는가:**
|
||||
- *(TODO)*
|
||||
|
||||
## 🧪 검증 상태 (Validation)
|
||||
|
||||
- **정보 상태:** draft
|
||||
- **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
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
|
||||
- **Parent:** [[10_Wiki/Topics]]
|
||||
- **Related:** *(TODO: 최소 2개)*
|
||||
- **Opposite / Trade-off:** *(TODO)*
|
||||
- **Raw Source:** 직접 입력
|
||||
|
||||
## 🕓 변경 이력 (Changelog)
|
||||
|
||||
| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|
||||
|------|-----------|-----------|--------|
|
||||
| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A |
|
||||
@@ -1,9 +1,26 @@
|
||||
---
|
||||
id: wiki-2026-0508-2014-combat-controls-update
|
||||
title: 2014 Combat Controls Update
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
canonical_id: self
|
||||
aliases: []
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.92
|
||||
tags: [uncategorized]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-05-08
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
---
|
||||
|
||||
# [[2014 Combat Controls Update|2014 Combat Controls Update]]
|
||||
|
||||
## 📌 Brief Summary
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
2014 Combat Controls Update는 2014년 2월 3일 게임 업데이트를 통해 도입된 새로운 전투 제어 시스템입니다 [1-3]. 이 시스템은 기존에 사용되던 정적인 방어 태세(Defensive Stances)를 동적이고 단축키 기반인 실시간 유닛 관리 체계로 대체했습니다 [3, 4]. 이를 통해 플레이어는 마이크로 컨트롤과 상황 인식 능력을 극대화할 수 있게 되었으며, 인공지능(AI)의 경로 및 교전 논리를 전략적으로 더 일관성 있게 조작할 수 있는 기반이 마련되었습니다 [3, 4].
|
||||
|
||||
## 📖 Core Content
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
**주요 전투 명령어 및 단축키 기능**
|
||||
* **공격 이동 (Attack Move, 단축키 'A')**: 유닛을 지정한 위치로 이동시키며, 경로상에 있는 모든 적을 향해 발포합니다 [5, 6]. 타겟을 직접 클릭하더라도 이동 중에 만나는 다른 적 병력을 공격할 수 있습니다 [5].
|
||||
* **이동 (Move, 단축키 'M')**: 적을 공격하기 위해 멈추지 않고 목표 위치로 직접 이동합니다 [5, 6]. 적의 시선을 끄는 미끼 전술(Baiting)이나 플랭킹, 빠른 재배치 등에 필수적으로 활용됩니다 [6].
|
||||
@@ -19,10 +36,41 @@
|
||||
**전술적 영향 및 AI 활용**
|
||||
* 이러한 시스템 업데이트는 적의 방어선을 무너뜨리기 위해 유닛을 유인해 내는 '미끼 전술(Baiting)'의 효율과 직결됩니다 [8]. '자유 사격(Fire at Will)'이 적용된 유닛은 꾀어내기가 매우 쉬운 반면, '위치 사수(Hold Position)' 중인 유닛에게는 이 전술이 통하지 않으므로 컨트롤에 따른 명확한 상성이 존재합니다 [8].
|
||||
|
||||
## 🔗 Knowledge Connections
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Related Topics:** [[Defensive Stances|Defensive Stances]], [[Baiting Tactics|Baiting Tactics]], [[Command and Control (C2)|Command and Control (C2)]]
|
||||
- **Projects/Contexts:** [[War Commander AI and UI Enhancements|War Commander AI and UI Enhancements]]
|
||||
- **Contradictions/Notes:** 기존에 한 번 설정하면 계속 유지되던 '방어 태세(Stances)'와는 달리, '위치 사수(Hold Position)'나 '자유 사격(Fire at Will)' 등의 새로운 명령들은 플레이어가 유닛에게 새로운 이동 명령을 내리는 즉시 설정이 해제(Cancel)된다는 중요한 차이점이 있습니다 [5]. 따라서 기지 방어 시 유닛을 배치한 후 다시 명령을 활성화해야 합니다 [5].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-27*
|
||||
*Last updated: 2026-04-27*
|
||||
|
||||
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
|
||||
|
||||
**언제 이 지식을 쓰는가:**
|
||||
- *(TODO)*
|
||||
|
||||
**언제 쓰면 안 되는가:**
|
||||
- *(TODO)*
|
||||
|
||||
## 🧪 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 |
|
||||
@@ -1,10 +1,26 @@
|
||||
---
|
||||
id: wiki-2026-0508-2026년-bcg-글로벌-게이밍-설문조사
|
||||
title: 2026년 BCG 글로벌 게이밍 설문조사
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
canonical_id: self
|
||||
aliases: []
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.92
|
||||
tags: [uncategorized]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-05-08
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
---
|
||||
|
||||
# [[2026년 BCG 글로벌 게이밍 설문조사|2026년 BCG 글로벌 게이밍 설문조사]]
|
||||
|
||||
## 📌 Brief Summary
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
2026년 BCG 글로벌 게이밍 설문조사(Global Gaming Survey)는 약 3,000명의 전 세계 게이머를 대상으로 비디오 게임 산업의 소비자 동향과 행동을 분석한 자료입니다 [1, 2]. 이 설문조사는 3년간 이어진 게임 산업의 침체기가 끝나가고 있음을 시사하며, 새로운 성장을 견인할 주요 요소로 생성형 AI, 사용자 제작 콘텐츠(UGC), 클라우드 게이밍, 앱 스토어 개방의 네 가지 핵심 트렌드를 지목하고 있습니다 [1, 3]. 이는 성공적인 게임 경제 설계와 수익화 모델이 어떻게 변화해야 하는지에 대한 필수적인 시장 데이터를 제공합니다 [4].
|
||||
|
||||
## 📖 Core Content
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
* **게이머의 참여도 증가와 세대 간 연결**
|
||||
설문조사에 따르면 게이머의 55%가 지난 6개월 동안 게임 시간을 늘린 것으로 나타났습니다 [5]. 성인들의 게임 참여도 지속적으로 증가하여 베이비붐 세대의 40%와 X세대의 50%가 주당 5시간 이상 비디오 게임을 즐기고 있습니다 [6]. 또한 부모 게이머의 44%는 자녀가 5세가 되기 전에 마인크래프트나 로블록스 등 사용자 제작 콘텐츠(UGC) 기반 게임을 통해 게임을 처음 접하게 한다고 응답하여, 세대를 거쳐 게임 사이클이 이어지고 있음을 보여줍니다 [5, 6].
|
||||
|
||||
@@ -17,10 +33,41 @@
|
||||
* **게임 경제와 가격에 대한 민감성 및 수익화 전략**
|
||||
성공적인 경제 설계를 위해 플레이어의 지불 의향을 분석한 결과, 응답자의 75% 이상이 게임 가격이 구매 선택에 결정적인 영향을 미친다고 응답했습니다 [13, 14]. 실제로 약 65%의 게이머는 할인을 기다리는 등의 방식으로 경제적 압박에 대응하고 있습니다 [14]. 반면 약 45%의 게이머는 진성 팬으로서 높은 가격에도 기꺼이 게임을 구매할 의향이 있는 것으로 나타났습니다 [14]. 이러한 양극화된 소비 행태는 게임 개발사들이 계층화된 가격 책정(Tiered pricing), 구독 모델, 윈도잉(Windowing), 인게임 광고 등의 고도화된 대체 수익화 전략을 게임 경제 설계에 도입해야만 성공적인 매출을 달성할 수 있음을 입증합니다 [15].
|
||||
|
||||
## 🔗 Knowledge Connections
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Related Topics:** [[사용자 제작 콘텐츠(UGC)|사용자 제작 콘텐츠(UGC]], 클라우드 게이밍, 생성형 AI(GenAI), 수익화 전략(Monetization, [[가상 경제 시스템|가상 경제 시스템]]
|
||||
- **Projects/Contexts:** Video Gaming Report 2026, 플랫폼 통합(Platform Convergence), [[게임 경제 설계(Game Economy Design)|게임 경제 설계(Game Economy Design]]
|
||||
- **Contradictions/Notes:** 많은 게이머들이 생성형 AI나 클라우드 기반의 새로운 기술과 게임 환경의 확장에 대해서는 매우 열려있으나, 동시에 75% 이상의 플레이어가 구매 시 가격 인상에 민감하게 반응하는 모순적인 소비 성향을 보입니다. 이는 향후 혁신적인 기술이 도입된 게임이라 할지라도, 사용자의 세분화된 지불 능력을 고려한 정밀한 경제 모델 설계가 뒷받침되지 않으면 수익 창출에 실패할 수 있음을 경고합니다.
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-29*
|
||||
*Last updated: 2026-04-29*
|
||||
|
||||
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
|
||||
|
||||
**언제 이 지식을 쓰는가:**
|
||||
- *(TODO)*
|
||||
|
||||
**언제 쓰면 안 되는가:**
|
||||
- *(TODO)*
|
||||
|
||||
## 🧪 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 |
|
||||
@@ -1,9 +1,26 @@
|
||||
---
|
||||
id: wiki-2026-0508-2026년-인공지능-시각-언어-생성-패러다임-전환-및-연속
|
||||
title: 2026년 인공지능 시각 언어 생성 패러다임 전환 및 연속적 창작 워크플로우
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
canonical_id: self
|
||||
aliases: []
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.92
|
||||
tags: [uncategorized]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-05-08
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
---
|
||||
|
||||
# [[2026년 인공지능 시각 언어 생성 패러다임 전환 및 연속적 창작 워크플로우|2026년 인공지능 시각 언어 생성 패러다임 전환 및 연속적 창작 워크플로우]]
|
||||
|
||||
## 📌 Brief Summary
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
2026년의 인공지능 시각 언어 생성 기술은 단발성 이미지 추출에서 벗어나, 인간과 AI 에이전트가 긴밀하게 협업하는 '연속적 창작 워크플로우'의 패러다임으로 진화하였다 [1, 2]. 미드저니 V7의 드래프트 모드(Draft Mode)나 옴니 참조(Omni Reference)와 같은 기술의 도입으로 아이디어의 고속 대량 생산, 시각적 정체성의 일관성 유지, 정교한 사후 편집이 맞물린 체계적 작업이 가능해졌다 [3-5]. 이에 따라 이미지 프롬프트 작성법 역시 단순한 단어의 나열을 넘어, 카메라 물리 법칙이나 조명 과학 등의 시각적 전문 지식을 반영하고 각 AI 모델의 고유한 통제 언어를 다루는 고도화된 프롬프트 엔지니어링으로 격상되었다 [2, 6].
|
||||
|
||||
## 📖 Core Content
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
* **프롬프트 엔지니어링의 구조화 및 전문화**
|
||||
성공적인 시각 언어 생성 프롬프트는 인공지능의 신경망 구조에 부합하도록 주체(Subject), 매체(Medium), 환경(Environment), 조명(Lighting), 기술적 매개변수(Parameters) 등 5가지 핵심 층위로 구성된다 [7, 8]. 특히 2026년에는 '85mm 렌즈', '얕은 피사계 심도' 같은 렌즈 물리학이나, '볼륨메트릭 라이팅(Volumetric Lighting)', '치아로스쿠로(Chiaroscuro)' 같은 조명 과학 기반의 정밀 키워드가 이미지의 깊이와 서사를 결정짓는 핵심 수단으로 활용된다 [6, 9].
|
||||
|
||||
@@ -19,10 +36,41 @@
|
||||
* **에이전틱 크리에이티브(Agentic Creative) 패러다임의 도래**
|
||||
AI가 인간의 능력을 보조하는 것을 넘어 주도적으로 협력하는 2026년 '에이전틱 AI(Agentic AI)' 트렌드와 결합하여, 창작 환경에도 거대한 변화가 일어났다 [2, 22, 23]. 인간 창작자가 추상적인 비전을 제시하면, AI 에이전트가 이를 모델별 최적의 기술적 언어로 번역하고 대량의 시안을 자율적으로 생성하는 '에이전틱 크리에이티브' 시대가 열리며 소프트웨어적 상호작용 방식이 근본적으로 재정의되고 있다 [2, 24].
|
||||
|
||||
## 🔗 Knowledge Connections
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Related Topics:** `프롬프트 계층 구조(Prompt Hierarchical Structure)`, `매개변수 제어(Parameter Control)`, `[[부정 프롬프트(Negative Prompt)|부정 프롬프트(Negative Prompt)]]`, `[[에이전틱 AI (Agentic AI)|에이전틱 AI(Agentic AI)]]`
|
||||
- **Projects/Contexts:** `미드저니 V7 드래프트 모드(Midjourney V7 Draft Mode)`, `[[옴니 참조(Omni Reference, --oref)|옴니 참조(Omni Reference, --oref)]]`, `에이전틱 크리에이티브(Agentic Creative)`
|
||||
- **Contradictions/Notes:** 모델 아키텍처에 따라 '부정 지시어'를 처리하는 메커니즘에 뚜렷한 모순과 차이가 존재한다. 스테이블 디퓨전은 이미지의 해부학적 오류(예: extra fingers)나 저화질 요소를 제거하기 위해 명시적인 부정 프롬프트 작성이 필수적이지만 [17, 19, 25], DALL-E 3 모델은 "사용하지 말 것(no, without)"과 같은 부정 지시어를 오히려 해당 피사체를 그려내라는 의미로 오인하는 한계가 있어 모든 프롬프트를 긍정형으로 작성해야 한다 [21, 26]. 또한 미드저니 V7 모델은 시각적이고 미학적인 아이디어 탐색 워크플로우에는 최적화되어 있으나, 정확한 타이포그래피나 엄격한 레이아웃을 그대로 복제해야 하는 작업에는 적합하지 않다는 제한점이 관찰된다 [27, 28].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-30*
|
||||
|
||||
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
|
||||
|
||||
**언제 이 지식을 쓰는가:**
|
||||
- *(TODO)*
|
||||
|
||||
**언제 쓰면 안 되는가:**
|
||||
- *(TODO)*
|
||||
|
||||
## 🧪 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 |
|
||||
@@ -1,10 +1,21 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-EB3F3C
|
||||
category: Unified
|
||||
confidence_score: 0.90
|
||||
id: wiki-2026-0508-20k-skinned-instances-demo
|
||||
title: 20k skinned instances demo
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
canonical_id: self
|
||||
aliases: [P-Reinforce-AUTO-EB3F3C]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.9
|
||||
tags: [auto-reinforced]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - 20k skinned instances demo"
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
tech_stack:
|
||||
language: unspecified
|
||||
framework: unspecified
|
||||
---
|
||||
|
||||
# [[20k skinned instances demo|20k skinned instances demo]]
|
||||
@@ -24,7 +35,7 @@ github_commit: "[P-Reinforce] Continuous Worker - 20k skinned instances demo"
|
||||
* **개별 애니메이션 지원:**
|
||||
단일 인스턴스들의 복제본들이 모두 동일한 애니메이션과 포즈를 공유하는 것이 아니라, 각 인스턴스마다 서로 다른 애니메이션을 가집니다 [5, 6]. 이 데모에서는 하나의 애니메이션 믹서(Mixer)를 사용했지만, 필요에 따라 인스턴스별로 믹서를 생성할 수도 있습니다 [6].
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요.
|
||||
- **정책 변화:** AI 분야의 자동 자산화 수행.
|
||||
|
||||
@@ -37,3 +48,52 @@ github_commit: "[P-Reinforce] Continuous Worker - 20k skinned instances demo"
|
||||
*Last updated: 2026-04-19*
|
||||
|
||||
---
|
||||
|
||||
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
|
||||
|
||||
**언제 이 지식을 쓰는가:**
|
||||
- *(TODO)*
|
||||
|
||||
**언제 쓰면 안 되는가:**
|
||||
- *(TODO)*
|
||||
|
||||
## 🧪 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.
|
||||
|
||||
## 🕓 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
|
||||
```
|
||||
|
||||
## 🤔 의사결정 기준 (Decision Criteria)
|
||||
|
||||
**선택 A를 써야 할 때:**
|
||||
- *(TODO)*
|
||||
|
||||
**선택 B를 써야 할 때:**
|
||||
- *(TODO)*
|
||||
|
||||
**기본값:**
|
||||
> *(TODO)*
|
||||
|
||||
## ❌ 안티패턴 (Anti-Patterns)
|
||||
|
||||
- **[안티패턴]:** *(TODO: 무엇을 하면 안 되는가 + 이유 + 대신 무엇을)*
|
||||
@@ -1,10 +1,21 @@
|
||||
---
|
||||
id: P-REINFORCE-AI-AC09DA
|
||||
category: Unified
|
||||
id: wiki-2026-0508-3d-gaussian-splatting-3dgs
|
||||
title: 3D Gaussian Splatting (3DGS)
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
canonical_id: self
|
||||
aliases: [P-REINFORCE-AI-AC09DA]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.95
|
||||
tags: []
|
||||
tags: [uncategorized]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Batch 9 - Wikified 3D Gaussian Splatting (3DGS)"
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
tech_stack:
|
||||
language: unspecified
|
||||
framework: unspecified
|
||||
---
|
||||
|
||||
# [[3D Gaussian Splatting (3DGS)|3D Gaussian Splatting (3DGS)]]
|
||||
@@ -22,7 +33,7 @@ github_commit: "[P-Reinforce] Batch 9 - Wikified 3D Gaussian Splatting (3DGS)"
|
||||
- **WebGPU 및 WebSplatter를 통한 GPU 파이프라인 최적화:**
|
||||
WebGL의 구조적 한계를 극복하기 위해 WebGPU의 컴퓨트 셰이더(Compute Shader)를 활용하는 접근법이 대두되었다 [6, 7, 13]. 대표적으로 WebSplatter 프레임워크는 깊이 정렬과 시점 적응형 평가를 모두 GPU 연산으로 이전하여 CPU-GPU 간의 동기화 오버헤드를 제거하였다 [6, 14]. 특히 WebGPU 환경에 글로벌 아토믹(global atomics) 기능이 부족한 점을 우회하기 위해, 하드웨어 스케줄링에 구애받지 않는 '대기 없는(wait-free) 계층적 기수 정렬(radix sort)' 알고리즘을 도입하였다 [6, 15, 16]. 또한, 래스터화 이전 단계에서 불투명도 및 시야 범위(Bounding Box)를 기준으로 화면 밖 스플랫을 선제적으로 제거하는 동적 컬링(culling)을 적용하여 메모리 대역폭과 오버드로우를 크게 줄였다 [15, 17-19].
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- **과거 데이터와의 충돌:** 신규 문서로, 기존 정보와의 충돌 분석 예정.
|
||||
- **정책 변화:** Graphics & Performance 카테고리의 지식 연결망 강화를 위한 표준 위키화 적용.
|
||||
|
||||
@@ -35,3 +46,52 @@ github_commit: "[P-Reinforce] Batch 9 - Wikified 3D Gaussian Splatting (3DGS)"
|
||||
*Last updated: 2026-04-19*
|
||||
- Raw Source: 00_Raw/2026-04-20/3D Gaussian Splatting (3DGS).md
|
||||
---
|
||||
|
||||
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
|
||||
|
||||
**언제 이 지식을 쓰는가:**
|
||||
- *(TODO)*
|
||||
|
||||
**언제 쓰면 안 되는가:**
|
||||
- *(TODO)*
|
||||
|
||||
## 🧪 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.
|
||||
|
||||
## 🕓 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
|
||||
```
|
||||
|
||||
## 🤔 의사결정 기준 (Decision Criteria)
|
||||
|
||||
**선택 A를 써야 할 때:**
|
||||
- *(TODO)*
|
||||
|
||||
**선택 B를 써야 할 때:**
|
||||
- *(TODO)*
|
||||
|
||||
**기본값:**
|
||||
> *(TODO)*
|
||||
|
||||
## ❌ 안티패턴 (Anti-Patterns)
|
||||
|
||||
- **[안티패턴]:** *(TODO: 무엇을 하면 안 되는가 + 이유 + 대신 무엇을)*
|
||||
Some files were not shown because too many files have changed in this diff Show More
Reference in New Issue
Block a user