feat: Wiki 지식 자산 업데이트 - UX Scenarios, Frontend, Game Design, Topics 추가 [2026-05-08]
This commit is contained in:
@@ -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)*
|
||||
@@ -1,13 +1,25 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-REDIRECT-4X-002
|
||||
title: 4X_전략
|
||||
category: Redirect
|
||||
id: wiki-20260508-4x--redir
|
||||
title: 4X 전략
|
||||
category: AI_and_ML
|
||||
status: merged
|
||||
duplicate_of: "[[4X_Strategy]]"
|
||||
redirect_to: 4X 전략
|
||||
canonical_id: 4X 전략
|
||||
aliases: []
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.92
|
||||
tags: [redirect]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-05-08
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-merge 2026-05-08)
|
||||
---
|
||||
|
||||
# [[4X_전략]]
|
||||
# 4X 전략
|
||||
|
||||
> [!NOTE]
|
||||
> 본 문서는 **[[4X_Strategy]]**로 통합되었습니다. 지식의 중복을 방지하고 최신성을 유지하기 위해 위 대표 문서에서 내용을 관리합니다. 🫡🐟
|
||||
> [!IMPORTANT]
|
||||
> 이 문서는 P-Reinforce Phase 2 자동 MERGE에 의해 **[[4X 전략]]**로 통합되었습니다.
|
||||
|
||||
---
|
||||
*Redirected to: [[4X 전략]]*
|
||||
|
||||
@@ -0,0 +1,64 @@
|
||||
---
|
||||
id: wiki-2026-0508-aba
|
||||
title: ABA
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
canonical_id: self
|
||||
aliases: [ABA-001]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 1.0
|
||||
tags: [Psychology, Behavioral-science, Reinforcement-Learning, aba, pedagogy]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-04-26
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
---
|
||||
|
||||
# ABA (Applied Behavior [[Analysis]], 응용 행동 분석)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "행동의 원인을 분석하고, 보상 설계를 통해 바람직한 변화를 이끌어내라" — 행동주의 심리학에 근거하여 인간의 행동을 객관적으로 측정하고, 환경 조절과 강화를 통해 사회적으로 유의미한 행동 변화를 유도하는 과학적 방법론.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** ABC(Antecedent-Behavior-Consequence) 패러다임을 통해 행동 전후의 맥락을 분석하고, 보상(Reinforcement) 체계를 설계하여 특정 행동의 발생 빈도를 조절하는 기능적 분석 패턴.
|
||||
- **핵심 요소:**
|
||||
- **ABC Analysis:** 선행 사건(A), 행동(B), 결과(C)의 연쇄 고리 파악.
|
||||
- **Positive Reinforcement:** 바람직한 행동 뒤에 보상을 주어 행동의 재발 확률을 높임.
|
||||
- **[[prompt]]ing & Fading:** 초기에는 보조(Prompt)를 통해 행동을 유도하고, 점차 보조를 줄여 독립적 수행을 도움.
|
||||
- **Generalization:** 학습된 행동이 치료실 밖의 실제 환경에서도 유지되도록 유도.
|
||||
- **의의:** 자폐 스펙트럼 장애 치료뿐만 아니라 조직 관리, 교육, 그리고 인공지능 에이전트의 보상 함수 설계에 광범위하게 응용됨.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- **과거 데이터와의 충돌:** 단순히 행동을 교정하는 '훈련'으로 치부되기도 했으나, 현대에는 개인의 삶의 질 향상을 목표로 하는 인본주의적 가치가 결합된 과학적 분석법으로 정착.
|
||||
- **정책 변화:** Antigravity 에이전트의 강화학습 보상 모델 설계 시, ABA의 '기능적 행동 평가' 원칙을 도입하여 에이전트가 왜 특정 오류 행동을 반복하는지 분석하고 교정함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Psychology-of-Learning]], [[Reinforcement-Learning]], [[Alignment]], [[Habit-Formation]]
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/ABA.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 |
|
||||
@@ -1,10 +1,18 @@
|
||||
---
|
||||
id: a2b3c4d5-e6f7-4a8b-9c0d-1e2f3a4b5c6d
|
||||
category: Unified
|
||||
id: wiki-2026-0508-aci
|
||||
title: ACI
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
canonical_id: self
|
||||
aliases: [a2b3c4d5-e6f7-4a8b-9c0d-1e2f3a4b5c6d]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.98
|
||||
tags: [aci, agent, interface, llm, infrastructure, harness]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-05-01
|
||||
github_commit: "wikification-aci"
|
||||
github_commit: wikification-aci
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
---
|
||||
|
||||
# Agent-Computer Interface (ACI)
|
||||
@@ -13,7 +21,6 @@ github_commit: "wikification-aci"
|
||||
> ACI는 인간 중심의 UI를 넘어, LLM 에이전트가 컴퓨터 시스템(OS, 파일, 도구)을 효율적으로 조작할 수 있도록 최적화된 추상화 인터페이스이며, 에이전트의 관찰(Observation) 및 행동(Action) 공간의 품질을 결정하는 핵심 설계 요소이다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
|
||||
### 1. ACI의 정의 및 필요성
|
||||
- **모델을 위한 인터페이스**: 인간에게는 시각적 UI(GUI)가 필요하지만, 에이전트에게는 구조화된 데이터(JSON, XML)나 간결한 텍스트 출력이 더 효율적이다.
|
||||
- **인지 부하 감소**: 불필요한 시각적 노이즈를 제거하고 에이전트가 행동의 결과와 시스템 상태를 정확히 파악할 수 있도록 정보를 재구성한다.
|
||||
@@ -27,7 +34,7 @@ github_commit: "wikification-aci"
|
||||
- **입출력 래퍼**: 하네스는 컴퓨터의 원시 출력을 ACI 표준에 맞춰 가공하여 모델에게 전달하며, 모델의 자연어 요청을 시스템 명령어로 변환한다.
|
||||
- **인터페이스 최적화**: 특정 모델의 특성(예: 긴 JSON에 강함, 특정 태그 형식 선호)에 맞춰 ACI를 튜닝하여 작업 성공률(Pass@1)을 높인다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- **추상화 vs 제어권**: 인터페이스를 너무 고수준으로 추상화하면 에이전트의 세밀한 제어가 불가능해지고, 너무 저수준(예: raw byte stream)으로 두면 인지 부하가 급증한다.
|
||||
- **범용 표준의 부재**: 각 하네스마다 ACI 설계가 상이하여 에이전트의 행동 패턴이 특정 인터페이스에 고착화(Coupling)되는 현상이 발생한다.
|
||||
|
||||
@@ -40,3 +47,29 @@ github_commit: "wikification-aci"
|
||||
1. Stage: git add .
|
||||
2. Commit: `git commit -m "[P-Reinforce] Wikify Agent-Computer Interface (ACI) Design Principle"`
|
||||
3. Push: `git push origin main`
|
||||
|
||||
## 🤖 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 |
|
||||
@@ -1,9 +1,18 @@
|
||||
---
|
||||
id: P-REINFORCE-WIKI-714E4EE2
|
||||
category: Unified
|
||||
id: wiki-2026-0508-adr-0001-project-chronicle-indep
|
||||
title: ADR 0001 project chronicle independent module
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
canonical_id: self
|
||||
aliases: [P-REINFORCE-WIKI-714E4EE2]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.95
|
||||
tags: ['process-methodology']
|
||||
tags: [process-methodology]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-05-02
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
---
|
||||
|
||||
# ADR-0001: Implement Project Chronicle Guard As An Independent Module
|
||||
@@ -34,9 +43,52 @@ Add a standalone Project Chronicle module.
|
||||
## Consequences
|
||||
The first stage needs explicit sidebar actions to create and write records. Automatic extraction can be layered on later.
|
||||
|
||||
## 🔗 Knowledge Connections
|
||||
## 🔗 지식 연결 (Graph)
|
||||
### Related Concepts (Auto-Linked)
|
||||
* [[Events]]
|
||||
* [[P-Reinforce]]
|
||||
* [[Storage]]
|
||||
* [[decisions]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
|
||||
> *(TODO: 한 문장으로 핵심 통찰을 작성. "X는 Y 조건에서 Z 효과를 낸다" 구조 권장.)*
|
||||
|
||||
## 📖 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)*
|
||||
|
||||
## 🧪 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 +1,18 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-AIDS-001
|
||||
category: Unified
|
||||
id: wiki-2026-0508-ai-data-sovereignty
|
||||
title: "AI & Data Sovereignty"
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
canonical_id: self
|
||||
aliases: [P-Reinforce-AUTO-AIDS-001]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.93
|
||||
tags: [auto-reinforced, data-sovereignty, ai-ethics, privacy, digital-colonialism, data-governance]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
---
|
||||
|
||||
# [[AI & Data Sovereignty|AI & Data Sovereignty]]
|
||||
@@ -21,7 +30,7 @@ AI 및 데이터 주권(AI & Data Sovereignty)은 디지털 정보와 그로부
|
||||
2. **부각되는 배경**:
|
||||
* 거대 모델 학습을 위한 무분별한 데이터 수집이 '디지털 식민주의'를 초래할 수 있다는 우려 확산.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- **과거 데이터와의 충돌**: 과거에는 인터넷의 '개방성과 공유' 정책이 최우선이었으나, 현대의 AI 패권 경쟁 정책은 데이터가 곧 전략 자산임을 인식하고 '데이터의 폐쇄적 권리 확보 정책'으로 이동함(RL Update).
|
||||
- **정책 변화(RL Update)**: EU의 GDPR 및 AI Act와 같이, 개인 데이터를 학습에 쓰려면 명시적인 '옵트-인(Opt-in)'을 거치게 하고 위반 시 막대한 과징금을 부과하는 정책이 데이터 주권 보호의 표준이 됨.
|
||||
|
||||
@@ -29,3 +38,29 @@ AI 및 데이터 주권(AI & Data Sovereignty)은 디지털 정보와 그로부
|
||||
- [[Ethics & AI|Ethics & AI]], [[AI Accountability|AI Accountability]], [[Sociology of Knowledge|Sociology of Knowledge]], [[Universal Basic Income (UBI)|Universal Basic Income (UBI)]], Foundational Models
|
||||
- **Modern Tech/Tools**: Federated Learning (Privacy-preserving AI), Differential Privacy, Sovereign Clouds.
|
||||
---
|
||||
|
||||
## 🤖 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 |
|
||||
@@ -1,9 +1,21 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-AIAC-001
|
||||
category: Unified
|
||||
id: wiki-2026-0508-ai-accountability
|
||||
title: AI Accountability
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
canonical_id: self
|
||||
aliases: [P-Reinforce-AUTO-AIAC-001]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.95
|
||||
tags: [auto-reinforced, ai-accountability, responsibility, algorithmic-transparency, ethics-governance]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
tech_stack:
|
||||
language: unspecified
|
||||
framework: unspecified
|
||||
---
|
||||
|
||||
# [[AI Accountability|AI Accountability]]
|
||||
@@ -22,7 +34,7 @@ AI 책임론(AI Accountability)은 AI 시스템의 설계, 개발, 배포 및
|
||||
* **Redress**: 오류로 인한 피해가 발생했을 때 구제할 수 있는 절차를 사전에 마련.
|
||||
3. **책임의 주체**: 개발자, 데이터 제공자, 서비스 운영자, 그리고 최종 사용자 간의 책임 분담.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- **과거 데이터와의 충돌**: 과거에는 알고리즘은 '블랙박스'이므로 결과에 책임을 지기 어렵다는 인식이 강했으나, 현대 정책은 '제작자 무과실 책임 원칙'에 가까울 정도로 개발사의 배상 책임을 강화하는 정책으로 변화함(RL Update).
|
||||
- **정책 변화(RL Update)**: 자율주행차나 의료 AI처럼 생명과 직결된 분야에서는 사고 시 AI 모델의 최종 파라미터 상태를 디지털 블랙박스로 기록하고 보존하는 것이 법적 정책 의무 사항이 됨.
|
||||
|
||||
@@ -30,3 +42,52 @@ AI 책임론(AI Accountability)은 AI 시스템의 설계, 개발, 배포 및
|
||||
- [[Ethics & AI|Ethics & AI]], [[AI & Data Sovereignty|AI & Data Sovereignty]], [[Safety & Reliability|Safety & Reliability]], [[Generative-AI|Generative-AI]]-Safety, [[Decision Theory|Decision Theory]]
|
||||
- **Modern Tech/Tools**: Algorithmic Impact [[Assessment|Assessment]] (AIA), Explainable AI (XAI) toolkits.
|
||||
---
|
||||
|
||||
## 🤖 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)*
|
||||
@@ -0,0 +1,97 @@
|
||||
---
|
||||
id: wiki-2026-0508-ai-connect-llm-tool
|
||||
title: AI Connect LLM Tool
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
canonical_id: self
|
||||
aliases: [P-Reinforce-92F236]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.95
|
||||
tags: [uncategorized]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Batch 10 - Wikified AI Connect LLM Tool"
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
tech_stack:
|
||||
language: unspecified
|
||||
framework: unspecified
|
||||
---
|
||||
|
||||
# [[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 & Updates)
|
||||
- **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.
|
||||
|
||||
---
|
||||
|
||||
## 🤖 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)*
|
||||
@@ -1,9 +1,18 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-EVBM-001
|
||||
category: Unified
|
||||
confidence_score: 1.00
|
||||
id: wiki-2026-0508-ai-evaluation-benchmarks
|
||||
title: "AI Evaluation & Benchmarks"
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
canonical_id: self
|
||||
aliases: [P-Reinforce-AUTO-EVBM-001]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 1.0
|
||||
tags: [auto-reinforced, ai-evaluation, benchmarks, niah, ruler, mmlu, lmsys, evaluation-metrics]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-05-04
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
---
|
||||
|
||||
# [[AI Evaluation & Benchmarks|AI Evaluation & Benchmarks]]
|
||||
@@ -26,7 +35,7 @@ AI 모델의 능력을 객관적으로 비교하고 한계를 파악하기 위
|
||||
* **MCP-Atlas**: [[Model Context Protocol (MCP)|MCP]]를 활용한 도구 통합 및 오케스트레이션 성능 측정.
|
||||
* **SWE-bench**: 실제 오픈소스 GitHub 이슈를 모델이 직접 해결할 수 있는지 측정.
|
||||
|
||||
## ⚖️ Trade-offs & Caveats
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
* **데이터 오염 (Contamination)**: 평가 데이터가 모델의 학습 데이터에 포함되어, 실제 지능보다 점수가 높게 나오는 '암기형 점수' 문제가 심각합니다.
|
||||
* **Goodhart's Law**: 지표가 목표가 되는 순간, 그 지표는 더 이상 좋은 지표가 아니게 됩니다. (점수만을 높이기 위한 편법 학습 성행)
|
||||
|
||||
@@ -36,3 +45,29 @@ AI 모델의 능력을 객관적으로 비교하고 한계를 파악하기 위
|
||||
|
||||
---
|
||||
*Last updated: 2026-05-04*
|
||||
|
||||
## 🤖 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 |
|
||||
@@ -1,18 +1,66 @@
|
||||
---
|
||||
id: wiki-2026-0508-ai-exploitation
|
||||
title: AI Exploitation
|
||||
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)
|
||||
---
|
||||
|
||||
# [[AI Exploitation|AI Exploitation]]
|
||||
|
||||
## 📌 Brief Summary
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
AI Exploitation(AI 공략)은 'War Commander'의 전투 환경에서 적 AI의 경로 탐색(pathing)과 교전 논리를 실시간으로 역이용해 전술적 우위를 점하는 교전 원칙입니다 [1]. 가장 대표적인 형태는 적 유닛을 방어선의 엄폐물 밖으로 끌어내는 '미끼(Baiting)' 전술입니다 [2]. 이는 막대한 병력 손실 없이 견고한 방어 진지를 돌파하기 위해 지휘관이 마스터해야 할 가장 핵심적인 기술 중 하나로 평가됩니다 [3, 4].
|
||||
|
||||
## 📖 Core Content
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
* **AI 추적 논리 역이용 (Baiting / 미끼 전술)**: 전투 제어 시스템(Combat Controls)의 도입으로 지휘관들은 AI 경로 탐색과 교전 논리를 실시간으로 조작 및 공략할 수 있게 되었습니다 [1]. 적 유닛이 '자유 사격(Fire at Will)'이나 일반 상태에 있을 때 특정 병력을 보내 적을 유인한 뒤, 대기 중인 아군의 사격망으로 끌어들이는 추격전(Wild Goose Chase)을 유도합니다 [2, 3].
|
||||
* **비대칭 유닛 조합 활용**: 성공적인 AI 공략은 주로 비대칭적인 유닛을 짝지어 운용할 때 이루어집니다 [4]. 예를 들어, 빠른 지상 유닛을 이용해 무거운 전차를 도발하여 항공 소대의 사거리로 유인하거나, 항공기를 미끼로 사용하여 대공 전차(Flak Tanks)를 지원 포탑망에서 분리해낸 뒤 중장갑 지상군으로 격파하는 방식입니다 [3, 4].
|
||||
* **Bait and Bash (유인 및 타격) 고급 전술**: 체력이 높거나 빠른 항공 유닛(예: Havoc, Warhawk)을 방어 중인 대공 유닛 근처로 접근시켜 적을 아군의 지원 사격망 안으로 끌어들여 파괴하는 전술입니다 [5]. 이 기술을 사용하면 숨겨진 유닛을 사전에 제거하고 예상치 못한 방어선의 추가 피해를 방지할 수 있습니다 [5].
|
||||
* **AI 공략의 한계성**: 이 전술은 적의 AI 방어 태세 설정에 따라 완전히 무력화될 수 있습니다 [2]. 대상 유닛이 '위치 사수(Hold Position)'나 '제자리 대기(Stand Ground)' 상태로 고정되어 있다면 미끼를 쫓아오지 않으므로 전술이 실패합니다 [2, 3]. 또한, 적 기지에 대공 유닛과 대지 유닛이 섞여 공격적인 방어 상태에 돌입해 있는 경우에도 이 전략은 통하지 않을 수 있습니다 [5].
|
||||
|
||||
## 🔗 Knowledge Connections
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Related Topics:** [[Baiting|Baiting]], [[Combat Controls|Combat Controls]], [[Defensive Stances|Defensive Stances]]
|
||||
- **Projects/Contexts:** War Commander 전투 생태계, 기지 방어선 무력화 (Cracking an entrenched defense)
|
||||
- **Contradictions/Notes:** 적 유닛이 'Fire at Will'이나 일반 상태일 때는 적을 유인하는 AI 추적 논리가 잘 작동하지만, 방어자가 방어 유닛을 'Stand Ground'나 'Hold Position'으로 설정해두면 적 AI가 위치를 고수하므로 미끼 전술이 전혀 작동하지 않는다는 명확한 예외가 존재합니다 [2, 3].
|
||||
|
||||
---
|
||||
*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 |
|
||||
@@ -1,9 +1,21 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-AIHU-001
|
||||
category: Unified
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced, ai-humanism, [[Philosophy|Philosophy]], human-centric, coexistence, existential-risks]
|
||||
id: wiki-2026-0508-ai-humanism
|
||||
title: AI Humanism
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
canonical_id: self
|
||||
aliases: [P-Reinforce-AUTO-AIHU-001]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.9
|
||||
tags: [auto-reinforced, ai-humanism, Philosophy, human-centric, coexistence, existential-risks]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
tech_stack:
|
||||
language: unspecified
|
||||
framework: unspecified
|
||||
---
|
||||
|
||||
# [[AI Humanism|AI Humanism]]
|
||||
@@ -21,7 +33,7 @@ AI 휴머니즘(AI Humanism)은 인공지능 기술의 정점에 '인간의 존
|
||||
2. **부각되는 이슈**:
|
||||
* AI가 인간의 노동, 예술, 종교적 영역에 들어왔을 때 '인간다움'이란 무엇인가에 대한 근원적 질문.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- **과거 데이터와의 충돌**: 과거에는 효율성 중심의 'AI 만능주의' 정책이 강세였으나, 현대의 인문 정책은 AI로 인한 인간 소외와 불평등을 경계하는 '포용적 AI 휴머니즘 정책'으로 목소리를 높임(RL Update).
|
||||
- **정책 변화(RL Update)**: 교육 및 창작 정책에서, AI의 결과물보다 인간의 '과정'과 '의도'에 가중치를 두어 인간의 창의성을 보호하는 '인간 가치 우선 정책'이 수립됨.
|
||||
|
||||
@@ -29,3 +41,52 @@ AI 휴머니즘(AI Humanism)은 인공지능 기술의 정점에 '인간의 존
|
||||
- [[Ethics & AI|Ethics & AI]], [[AI for Social Good|AI for Social Good]], [[Universal Basic Income (UBI)|Universal Basic Income (UBI)]], [[Aesthetic-Value|Aesthetic-Value]], [[Victimhood-Narratives|Victimhood-Narratives]]
|
||||
- **Modern Tech/Tools**: Human-centered design (HCD) frameworks.
|
||||
---
|
||||
|
||||
## 🤖 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)*
|
||||
@@ -1,9 +1,18 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-AILI-001
|
||||
category: Unified
|
||||
id: wiki-2026-0508-ai-literacy
|
||||
title: AI Literacy
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
canonical_id: self
|
||||
aliases: [P-Reinforce-AUTO-AILI-001]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.95
|
||||
tags: [auto-reinforced, ai-literacy, education, digital-competence, critical-thinking, future-skills]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
---
|
||||
|
||||
# [[AI Literacy|AI Literacy]]
|
||||
@@ -22,7 +31,7 @@ AI 리터러시(AI Literacy)는 단순히 AI를 사용하는 기술을 넘어, A
|
||||
2. **왜 중요한가?**:
|
||||
* 지식 정보의 비대칭성을 해소하고, AI가 가져올 일자리의 변화에 적응하기 위한 기초 체력임. ([[Adaptability|Adaptability]]와 연결)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- **과거 데이터와의 충돌**: 과거에는 소수의 개발자만 알면 되는 '코딩' 정책이 주류였으나, 현대의 보편 교육 정책은 전 국민이 AI의 논리를 이해해야 하는 'AI 시민 역량 정책'으로 확대됨(RL Update).
|
||||
- **정책 변화(RL Update)**: 기업 채용 및 승진 정책에서, 특정 툴 사용 능력을 넘어 AI와의 협업 능력(Co-intelligence)을 핵심 평가지표로 삼는 정책이 확산 중임.
|
||||
|
||||
@@ -30,3 +39,29 @@ AI 리터러시(AI Literacy)는 단순히 AI를 사용하는 기술을 넘어, A
|
||||
- [[Adaptability|Adaptability]], [[Prompt-Engineering|Prompt-Engineering]]-Strategies, [[Ethics & AI|Ethics & AI]], [[AI for Social Good|AI for Social Good]], Vocational-Training
|
||||
- **Modern Tech/Tools**: AI Literacy education tools (Elements of AI), Generative AI sandbox.
|
||||
---
|
||||
|
||||
## 🤖 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 |
|
||||
@@ -1,38 +1,25 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-SAFE-001
|
||||
category: Unified
|
||||
confidence_score: 0.98
|
||||
tags: [auto-reinforced, ai-safety, constitutional-ai, alignment, anthropic, ethics]
|
||||
last_reinforced: 2026-05-04
|
||||
id: wiki-2026-0508-ai-safety-constitutional-ai
|
||||
title: "AI Safety & Constitutional AI"
|
||||
category: 10_Wiki/Topics/AI_and_ML
|
||||
status: merged
|
||||
redirect_to: AI_Safety_and_Alignment
|
||||
canonical_id: AI_Safety_and_Alignment
|
||||
aliases: [P-Reinforce-REDIRECT-AI-SAFETY-CONST]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.92
|
||||
tags: [redirect]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-05-08
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
---
|
||||
|
||||
# [[AI Safety & Constitutional AI|AI Safety & Constitutional AI]]
|
||||
# [[AI Safety & Constitutional AI]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "양심을 가진 기계: 인간의 일일이 개입하는 잔소리 대신, '헌법'이라 불리는 핵심 원칙들을 모델 스스로 내면화하게 하여 유해성을 걸러내고 인류의 가치에 정렬시키는 시스템적 윤리 가드레일."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
AI 안전(Safety)은 모델이 인류에게 해를 끼치지 않도록 통제하는 기술이며, Constitutional AI(헌법적 AI)는 이를 실현하는 가장 진보된 방법론 중 하나입니다.
|
||||
|
||||
1. **Constitutional AI (앤스로픽)**:
|
||||
* **원리**: 인간이 모든 답변을 평가하는 대신, 명문화된 '헌법(원칙)'을 제시하고 모델이 스스로 자신의 답변을 평가하고 수정(Self-critique)하게 합니다.
|
||||
* **단계**: [AI 피드백 생성] $\rightarrow$ [수정된 답변으로 학습(RLAIF)].
|
||||
* **효과**: 맹목적으로 답변을 거부하는 것이 아니라, 맥락을 이해하며 유연하게 위험을 회피하고 환각 대신 불확실성을 인정하게 합니다.
|
||||
2. **핵심 안전 과제**:
|
||||
* **CBRN 방어**: 화학(C), 생물(B), 방사능(R), 핵(N)과 관련된 위험 정보를 생성하지 않도록 정렬합니다.
|
||||
* **탈옥(Jailbreak) 방지**: 악의적인 프롬프트 주입을 통해 안전 가이드라인을 무력화하려는 시도를 차단합니다.
|
||||
* **Over-refusal 완화**: 너무 조심스러워서 무해한 질문에도 답변을 거부하는 현상을 줄이는 것이 현대 안전 기술의 숙제입니다.
|
||||
3. **RLAIF (RL from AI Feedback)**:
|
||||
* 인간 대신 다른 강력한 모델(Teacher model)의 피드백을 사용하여 효율적으로 대규모 모델을 정렬하는 기술입니다.
|
||||
|
||||
## ⚖️ Trade-offs & Caveats
|
||||
* **지능과 안전의 균형**: 안전 가드레일이 너무 강하면 모델의 창의성이나 문제 해결 능력이 저하될 수 있습니다.
|
||||
* **가치 편향**: '헌법'을 누가, 어떻게 정의하느냐에 따라 특정 문화나 정치적 가치관이 모델에 주입될 위험이 있습니다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
* **상위 개념**: [[AI Governance|AI Governance]], [[Alignment|Alignment]]
|
||||
* **관련 모델**: [[Claude|Claude]] (헌법적 AI의 선구자)
|
||||
* **연관 기술**: [[RLHF & DPO|RLHF & DPO]], [[Prompt Injection|Prompt Injection]]
|
||||
> [!IMPORTANT]
|
||||
> 이 문서는 고밀도 지식 자산 통합 정책에 따라 **[[AI_Safety_and_Alignment]]**으로 통합되었습니다.
|
||||
|
||||
---
|
||||
*Last updated: 2026-05-04*
|
||||
*Redirected to: [[AI_Safety_and_Alignment]]*
|
||||
|
||||
@@ -0,0 +1,25 @@
|
||||
---
|
||||
id: wiki-2026-0508-ai-safety-ai-안전
|
||||
title: AI Safety (AI 안전)
|
||||
category: 10_Wiki/Topics/AI
|
||||
status: merged
|
||||
redirect_to: AI_Safety_and_Alignment
|
||||
canonical_id: AI_Safety_and_Alignment
|
||||
aliases: [P-Reinforce-REDIRECT-AI-SAFETY-KO]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.92
|
||||
tags: [redirect]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-05-08
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
---
|
||||
|
||||
# [[AI Safety (AI 안전)]]
|
||||
|
||||
> [!IMPORTANT]
|
||||
> 이 문서는 고밀도 지식 자산 통합 정책에 따라 **[[AI_Safety_and_Alignment]]**으로 통합되었습니다.
|
||||
|
||||
---
|
||||
*Redirected to: [[AI_Safety_and_Alignment]]*
|
||||
@@ -0,0 +1,25 @@
|
||||
---
|
||||
id: wiki-2026-0508-ai-safety
|
||||
title: AI Safety
|
||||
category: 10_Wiki/Topics/AI
|
||||
status: merged
|
||||
redirect_to: AI_Safety_and_Alignment
|
||||
canonical_id: AI_Safety_and_Alignment
|
||||
aliases: [P-Reinforce-REDIRECT-AI-SAFETY-EN]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.92
|
||||
tags: [redirect]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-05-08
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
---
|
||||
|
||||
# [[AI Safety]]
|
||||
|
||||
> [!IMPORTANT]
|
||||
> 이 문서는 고밀도 지식 자산 통합 정책에 따라 **[[AI_Safety_and_Alignment]]**으로 통합되었습니다.
|
||||
|
||||
---
|
||||
*Redirected to: [[AI_Safety_and_Alignment]]*
|
||||
@@ -1,9 +1,18 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-AINR-001
|
||||
category: Unified
|
||||
id: wiki-2026-0508-ai-and-narrative
|
||||
title: AI and Narrative
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
canonical_id: self
|
||||
aliases: [P-Reinforce-AUTO-AINR-001]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.94
|
||||
tags: [auto-reinforced, ai-narrative, storytelling, [[Generative-AI|Generative-AI]], interactive-media, literature]
|
||||
tags: [auto-reinforced, ai-narrative, storytelling, Generative-AI, interactive-media, literature]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
---
|
||||
|
||||
# [[AI and Narrative|AI and Narrative]]
|
||||
@@ -24,7 +33,7 @@ AI와 서사(AI and Narrative)는 인공지능 기술이 문학, 영화, 게임
|
||||
3. **의의**:
|
||||
* 개인화된 스토리텔링의 대중화. 누구나 자신만의 영화나 게임 시나리오를 가질 수 있게 됨.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- **과거 데이터와의 충돌**: 과거의 AI 서사 정책은 단순한 문장 나열에 그쳐 '서사의 단절'이 심했으나, 현대의 거대 모델 정책은 수만 단어 뒤의 복선을 회수하고 일관된 테마를 유지하는 '장기 서사 무결성 정책'을 실현함(RL Update).
|
||||
- **정책 변화(RL Update)**: AI가 쓴 글에 대한 저작권 인정 여부 정책이 국가마다 다르게 수립 중이며, '인간 작가의 전문성' 지위를 보호하기 위해 AI 생성물 표기 의무화 정책이 창작 생태계의 기본 수칙으로 정착됨.
|
||||
|
||||
@@ -32,3 +41,29 @@ AI와 서사(AI and Narrative)는 인공지능 기술이 문학, 영화, 게임
|
||||
- [[Role of Conflict in Narrative|Role of Conflict in Narrative]], [[Structuralism|Structuralism]], [[Aesthetic-Value|Aesthetic-Value]], Foundational Models, [[Ps-Reinforce|Ps-Reinforce]]
|
||||
- **Modern Tech/Tools**: AI Dungeon, NovelAI, Sudowrite, ChatGPT for screenwriting.
|
||||
---
|
||||
|
||||
## 🤖 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 |
|
||||
@@ -1,9 +1,18 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-AIFG-001
|
||||
category: Unified
|
||||
id: wiki-2026-0508-ai-for-social-good
|
||||
title: AI for Social Good
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
canonical_id: self
|
||||
aliases: [P-Reinforce-AUTO-AIFG-001]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.95
|
||||
tags: [auto-reinforced, ai4good, social-impact, [[Sustainability|Sustainability]], humanitarian-ai, global-goals]
|
||||
tags: [auto-reinforced, ai4good, social-impact, Sustainability, humanitarian-ai, global-goals]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
---
|
||||
|
||||
# [[AI for Social Good|AI for Social Good]]
|
||||
@@ -23,7 +32,7 @@ last_reinforced: 2026-04-20
|
||||
* **Inclusivity**: 특정 집단이 아닌 소외된 계층까지 기술의 혜택이 닿아야 함.
|
||||
* **Transparency**: 사회적 의사결정에 쓰이는 AI는 과정이 투명해야 함.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- **과거 데이터와의 충돌**: 과거에는 기술 사회 공헌을 기업의 '선택적 기부' 정책 정도로 보았으나, 현대 사회 정책은 AI를 공공재(Public Goods)의 일부로 인식하고 기술 설계 단계부터 공익성을 내재화하는 '내재적 공익 정책'을 장려함(RL Update).
|
||||
- **정책 변화(RL Update)**: 공익용 AI 개발 시 데이터 가용성의 한계를 극복하기 위해, 각국 정부가 공공 데이터를 'AI4SG 전용'으로 개방하고 연구 자금을 지원하는 '디지털 임팩트 펀드 정책'이 글로벌 트렌드가 됨.
|
||||
|
||||
@@ -31,3 +40,29 @@ last_reinforced: 2026-04-20
|
||||
- [[Wicked-Problems|Wicked-Problems]], [[AI & Data Sovereignty|AI & Data Sovereignty]], [[Universal Basic Income (UBI)|Universal Basic Income (UBI)]], Foundational Models, [[Scientific Communication|Scientific Communication]]
|
||||
- **Modern Tech/Tools**: Google AI for Social Good program, Microsoft AI for Earth, UN Global Pulse.
|
||||
---
|
||||
|
||||
## 🤖 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 |
|
||||
@@ -1,9 +1,21 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AI-GOV-POLICY
|
||||
category: Unified
|
||||
id: wiki-2026-0508-ai-거버넌스-정책-ai-usage-policy
|
||||
title: AI 거버넌스 정책(AI Usage Policy)
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
canonical_id: self
|
||||
aliases: [P-Reinforce-AI-GOV-POLICY]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.99
|
||||
tags: [[AI Governance|[AI Governance]], Policy, Compliance, Risk [[Management|Management]]]
|
||||
tags: ["AI Governance|[AI Governance", Policy, Compliance, Risk Management]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
tech_stack:
|
||||
language: unspecified
|
||||
framework: unspecified
|
||||
---
|
||||
|
||||
# AI-거버넌스-정책(AI-Usage-Policy)
|
||||
@@ -19,9 +31,58 @@ last_reinforced: 2026-04-20
|
||||
- **Accountability Framework**:
|
||||
- AI 오작동으로 인한 피해 발생 시, 누가 책임을 지고 어떻게 복구할 것인지에 대한 법적 대응 절차.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- 정책이 너무 경직되면 조직의 혁신 속도가 죽는다. 따라서 '무조건 금지'가 아니라, 승인된 도구 내에서 안전하게 실험할 수 있는 '샌드박스 정책'과 주기적인 'AI 리터러시 교육'이 병행되어야 한다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Security-Governance|Security-Governance]] , AI-Ethics
|
||||
- Authority: [[Deployment_Final_Gate|Deployment_Final_Gate]]
|
||||
|
||||
## 🤖 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)*
|
||||
@@ -1,25 +1,28 @@
|
||||
---
|
||||
id: P-REINFORCE-WIKI-80F4FB21
|
||||
title: "AI 기반 코드 분석 도구 (AI-Powered Code Analysis Tools)"
|
||||
category: Unified
|
||||
status: draft
|
||||
canonical_id: ""
|
||||
aliases: []
|
||||
duplicate_of: ""
|
||||
id: wiki-2026-0508-ai-기반-코드-분석-도구-ai-powered-code-a
|
||||
title: AI 기반 코드 분석 도구 (AI Powered Code Analysis Tools)
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
canonical_id: self
|
||||
aliases: [P-REINFORCE-WIKI-80F4FB21]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.95
|
||||
tags: ['AI-Powered Code Analysis Tools']
|
||||
raw_sources: ["Datacollector_MAC/out_wiki/AI 기반 코드 분석 도구 (AI-Powered Code Analysis Tools).md"]
|
||||
tags: [AI-Powered Code Analysis Tools]
|
||||
raw_sources: [Datacollector_MAC/out_wiki/AI 기반 코드 분석 도구 (AI-Powered Code Analysis Tools).md]
|
||||
last_reinforced: 2026-05-02
|
||||
github_commit: ""
|
||||
github_commit: pending
|
||||
tech_stack:
|
||||
language: unspecified
|
||||
framework: unspecified
|
||||
---
|
||||
|
||||
# [[AI 기반 코드 분석 도구 (AI-Powered Code Analysis Tools)]]
|
||||
|
||||
## 📌 Brief Summary
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
AI 기반 코드 분석 도구는 인공지능(대형 언어 모델 및 머신러닝)을 활용하여 소스 코드의 버그, 보안 취약점, 아키텍처 위험, 그리고 품질 문제를 자동으로 스캔하고 분석하는 소프트웨어 솔루션이다 [1-3]. 이러한 도구들은 단순히 구문을 검사하는 것을 넘어 코드베이스 전체의 문맥(Context)과 의존성을 이해하고, 자연어 질의응답, 자동 수정(AutoFix), 문서 및 테스트 생성 등을 지원하여 개발자의 코드 리뷰 및 레거시 시스템 파악에 소요되는 시간을 획기적으로 단축한다 [2, 4-7]. 복잡한 대규모 시스템에서 기술적 부채를 관리하고, 보안성을 높이며, 신규 개발자의 온보딩을 가속화하는 핵심적인 역할을 수행한다 [8-11].
|
||||
|
||||
## 📖 Core Content
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
* **다계층 및 컨텍스트 기반 분석 (Multi-layered & Contextual Analysis)**
|
||||
* 최신 AI 도구들은 기존의 정적 애플리케이션 보안 테스트(SAST), 소프트웨어 구성 분석(SCA) 기법과 결합하여 오탐(False Positive)을 줄이고 정확도를 높인다 [1, 12-14].
|
||||
* 단일 파일이 아닌 분산 시스템 간의 교차 리포지토리(Cross-repository) 종속성을 파악하여, 통합 시 발생할 수 있는 아키텍처 결함이나 변경의 파급 효과를 분석한다 [15-17].
|
||||
@@ -33,13 +36,12 @@ AI 기반 코드 분석 도구는 인공지능(대형 언어 모델 및 머신
|
||||
* **배포 방식과 보안 요건 충족 (Deployment & Security Compliance)**
|
||||
* 대기업 및 규제 산업(금융, 의료 등)을 위해 SaaS 형태뿐만 아니라, 온프레미스(On-premise) 및 에어갭(Air-gapped) 환경에서의 배포를 지원하여 데이터 주권을 보장하는 도구들이 존재한다 (예: Qodo, Kodesage, Fortify) [19, 29, 30].
|
||||
|
||||
## ⚖️ Trade-offs & Caveats
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
* **컨텍스트 한계 및 성능 문제:** 대규모 변경(예: 50개 이상의 파일이 변경된 PR)이나 거대한 모노레포를 분석할 때 AI의 컨텍스트 윈도우 한계로 인해 분석 품질이 떨어질 수 있다 [31]. 대규모 리포지토리의 초기 인덱싱 작업은 수 시간이 소요될 수 있으며, 스캔 속도가 느린 경우 CI/CD 파이프라인 성능에 병목을 유발할 수 있다 [16, 32, 33].
|
||||
* **경고 피로도(Alert Fatigue) 및 튜닝의 필요성:** 기본 민감도 설정으로 도구를 실행하면 우선순위가 낮은 경고나 오탐(False Positive)이 과도하게 발생하여 개발자의 피로도를 높일 수 있다 [34, 35]. 따라서 규칙 커스터마이징이나 학습 곡선이 요구되는 수동 필터링 튜닝 작업이 필수적이다 [14, 36, 37].
|
||||
* **AI 환각(Hallucination):** 틈새 프레임워크나 복잡한 로직에서 AI가 존재하지 않는 코드 맥락을 지어내거나(환각), 부정확한 수정안을 제시할 위험이 있다 [31, 38, 39]. 이를 방지하기 위해 LLM-as-a-Judge와 같은 별도의 검증 컴포넌트가 사용되지만, 궁극적으로는 사람(개발자)의 검토와 정적 분석 도구를 통한 교차 검증이 반드시 필요하다 [3, 40-42].
|
||||
|
||||
## 🔗 Knowledge Connections
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
### Related Concepts
|
||||
|
||||
#### [아키텍처/기반 기술]
|
||||
@@ -95,3 +97,40 @@ AI 기반 코드 분석 도구는 인공지능(대형 언어 모델 및 머신
|
||||
- **기존 유사 문서:** None
|
||||
- **처리 방식:** CREATE
|
||||
- **처리 이유:** 신규 지식 체계 도입
|
||||
|
||||
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
|
||||
|
||||
**언제 이 지식을 쓰는가:**
|
||||
- *(TODO)*
|
||||
|
||||
**언제 쓰면 안 되는가:**
|
||||
- *(TODO)*
|
||||
|
||||
## 🕓 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)*
|
||||
@@ -1,9 +1,26 @@
|
||||
---
|
||||
id: wiki-2026-0508-ai-모델-사후-편집-도구-post-editing-tool
|
||||
title: AI 모델 사후 편집 도구 (Post editing Tools)
|
||||
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)
|
||||
---
|
||||
|
||||
# [[AI 모델 사후 편집 도구 (Post-editing Tools)|AI 모델 사후 편집 도구 (Post-editing Tools)]]
|
||||
|
||||
## 📌 Brief Summary
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
AI 모델 사후 편집 도구는 인공지능을 통해 처음 생성된 이미지의 전체적인 맥락과 화풍을 유지하면서 특정 영역을 수정, 정교화 또는 확장할 수 있게 해주는 기능들입니다 [1, 2]. 대표적으로 인페인팅(Vary Region), 아웃페인팅(Zoom Out, Pan), 리믹스(Remix), 업스케일링(Upscale) 등이 포함됩니다 [3-5]. 이러한 도구들은 단발성 프롬프트 입력의 한계를 극복하고, 첫 결과물을 베이스 이미지로 삼아 점진적으로 창작자의 시각적 의도에 맞게 다듬어가는 프롬프트 엔지니어링의 핵심 과정으로 활용됩니다 [2, 5].
|
||||
|
||||
## 📖 Core Content
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
* **인페인팅 및 영역별 변주 (Inpainting / Vary Region)**
|
||||
생성된 이미지의 특정 부분을 선택하여 해당 영역만 새로운 텍스트 프롬프트를 적용해 재생성하는 기능입니다 [1, 6, 7]. 미드저니(Midjourney)의 'Vary (Region)' 기능이나 스테이블 디퓨전(Stable Diffusion), DALL-E의 인페인팅 기능이 이에 해당합니다 [1, 5, 8]. 기존 이미지의 나머지 부분은 손상시키지 않고 작은 오류를 수정하거나 새로운 요소(예: 모자를 왕관으로 변경, 새를 추가 등)를 합성할 때 매우 유용합니다 [1, 2, 9].
|
||||
* **아웃페인팅 및 시야 확장 (Outpainting / Zoom Out & Pan)**
|
||||
@@ -15,10 +32,41 @@ AI 모델 사후 편집 도구는 인공지능을 통해 처음 생성된 이미
|
||||
* **기술적 노하우 및 반복적 정교화 전략 (Iterative Refinement)**
|
||||
프롬프트 작성은 한 번에 끝나는 것이 아니라 AI와의 반복적인 협업 과정입니다 [2, 15, 16]. 첫 이미지를 베이스로 삼고 사후 편집 도구들을 활용해 점진적으로 수정해 나가는 것이 중요합니다 [2, 5]. 영역을 선택해 편집할 때는 수정하려는 대상뿐만 아니라 주변의 여백을 충분히 포함하여 선택해야 AI가 주변과의 연결성 및 맥락을 파악하여 자연스러운 합성을 수행할 수 있습니다 [2, 17].
|
||||
|
||||
## 🔗 Knowledge Connections
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Related Topics:** [[반복적 정교화 (Iterative Refinement)|반복적 정교화 (Iterative Refinement)]], [[인페인팅 및 아웃페인팅 (Inpainting and Outpainting)|인페인팅 및 아웃페인팅 (Inpainting and Outpainting)]], [[프롬프트 파라미터 제어 (Prompt Parameter Control)|프롬프트 파라미터 제어 (Prompt Parameter Control)]]
|
||||
- **Projects/Contexts:** [[생성적 AI 이미징의 반복적 작업 프로세스 (Iterative Workflow of Generative AI Imaging)|생성적 AI 이미징의 반복적 작업 프로세스 (Iterative Workflow of Generative AI Imaging)]], [[미드저니 및 스테이블 디퓨전의 부분 편집 기법|미드저니 및 스테이블 디퓨전의 부분 편집 기법]]
|
||||
- **Contradictions/Notes:** 편집하고자 하는 영역을 선택할 때, 선택 영역이 너무 작을 경우 AI가 주변 맥락을 파악하기 어려워 결과물이 부자연스러울 수 있으므로 충분한 맥락(Context)을 제공할 수 있을 만큼의 크기로 영역을 지정해야 한다는 실무적인 주의사항이 존재합니다 [2, 17].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-30*
|
||||
*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-254BE9
|
||||
category: Unified
|
||||
confidence_score: 0.90
|
||||
id: wiki-2026-0508-ai-생성-코드-검증-ai-code-assurance
|
||||
title: AI 생성 코드 검증(AI Code Assurance)
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
canonical_id: self
|
||||
aliases: [P-Reinforce-AUTO-254BE9]
|
||||
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 - AI 생성 코드 검증(AI Code Assurance)"
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
tech_stack:
|
||||
language: unspecified
|
||||
framework: unspecified
|
||||
---
|
||||
|
||||
# [[AI 생성 코드 검증(AI Code Assurance)|AI 생성 코드 검증(AI Code Assurance)]]
|
||||
@@ -24,7 +35,7 @@ github_commit: "[P-Reinforce] Continuous Worker - AI 생성 코드 검증(AI Cod
|
||||
- **기대 효과**
|
||||
위험도가 가장 높은 문제를 자동으로 강조 표시하여 코드 리뷰어의 피로도를 크게 줄여주며, 배포 주기를 단축합니다 [4]. 또한 조직은 PCI, OWASP, CWE와 같은 널리 통용되는 규정 준수 및 보안 표준을 충족하면서 신뢰성 있게 AI 기여(contribution)를 수용할 수 있습니다 [10, 11].
|
||||
|
||||
## ⚠️ 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 - AI 생성 코드 검증(AI Cod
|
||||
*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 +1,26 @@
|
||||
---
|
||||
id: wiki-2026-0508-ai-이미지-생성-ai-image-generation
|
||||
title: AI 이미지 생성 (AI Image Generation)
|
||||
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)
|
||||
---
|
||||
|
||||
# [[AI 이미지 생성 (AI Image Generation)|AI 이미지 생성 (AI Image Generation)]]
|
||||
|
||||
## 📌 Brief Summary
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
AI 이미지 생성은 텍스트 형태의 프롬프트나 기존 이미지를 기계가 해석 가능한 구체적 좌표로 변환하여 새로운 시각적 결과물을 만들어내는 기술이다 [1, 2]. 효과적인 이미지를 얻기 위해서는 모호한 지시를 피하고 주체, 스타일, 조명, 구도 등을 명확히 규정하는 계층적 구조의 프롬프트를 작성해야 한다 [2-4]. 또한 각 AI 모델(Midjourney, DALL-E 3, Stable Diffusion 등)이 가진 고유한 매개변수 문법과 부정 프롬프트 활용법을 이해하여 결과물을 세밀하게 통제하는 고도화된 프롬프트 엔지니어링 능력이 필수적이다 [5, 6].
|
||||
|
||||
## 📖 Core Content
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
**1. 프롬프트의 기본 구조와 핵심 요소**
|
||||
고품질의 이미지를 생성하는 프롬프트는 일반적으로 주체(Subject), 매체 및 스타일(Medium/Style), 환경 및 구도(Environment/Composition), 조명(Lighting), 기술적 매개변수(Parameters)의 층위로 구성된다 [2, 3, 6].
|
||||
* **주체 및 환경:** 단순한 명사보다는 구체적인 물리적 특징, 의상, 표정 등 서사적 맥락과 결합된 묘사를 사용할 때 인공지능이 더 명확한 시각적 특징을 추출한다 [7-9].
|
||||
@@ -26,10 +42,41 @@ AI 모델은 저마다 다른 아키텍처와 훈련 데이터를 가지므로
|
||||
* 초기에는 단순하고 포괄적인 프롬프트로 시작하여 뼈대를 잡은 후, 결과물을 보아가며 조명, 구도, 스타일 키워드를 추가하여 점진적으로 발전시키는 것이 좋다 [38-40].
|
||||
* Midjourney의 인페인팅 기능인 'Vary (Region)'을 활용하면 전체 화풍과 맥락을 유지하면서 잘못된 손가락을 고치거나 특정 객체를 추가하는 등 부분적인 수정이 가능하며 [41-44], 'Zoom Out' (아웃페인팅) 기능을 통해 캔버스 밖의 환경을 논리적으로 확장할 수 있다 [41, 43, 45].
|
||||
|
||||
## 🔗 Knowledge Connections
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Related Topics:** [[프롬프트 엔지니어링 (Prompt Engineering)|프롬프트 엔지니어링 (Prompt Engineering)]], 매개변수 및 가중치 (Parameters and Weights), [[부정 프롬프트 (Negative Prompt)|부정 프롬프트 (Negative Prompt)]], [[디퓨전 모델 (Diffusion Models)|디퓨전 모델 (Diffusion Models)]]
|
||||
- **Projects/Contexts:** 생성형 AI를 활용한 상업적/예술적 콘텐츠 시각화 (Commercial/Artistic Visual Content Creation via Gen AI), 플랫폼별(Midjourney, DALL-E 3, Stable Diffusion) 이미지 생성 워크플로우 최적화
|
||||
- **Contradictions/Notes:** DALL-E 3는 부정어(예: not, no, without)를 처리하는 능력이 매우 취약하여 오히려 원치 않는 대상을 이미지에 포함시킬 가능성이 크므로 모든 지시를 긍정적인 속성으로 묘사해야 한다 [22, 24]. 반면, Stable Diffusion은 명시적인 부정 프롬프트(Negative prompt) 입력 시스템을 통해 기형적이거나 원치 않는 요소를 효과적이고 필수적으로 차단한다는 차이점이 있다 [27, 31, 33].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-30*
|
||||
*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 |
|
||||
+52
-4
@@ -1,19 +1,67 @@
|
||||
---
|
||||
id: wiki-2026-0508-ai-이미지-생성-및-편집-워크플로우-ai-image-ge
|
||||
title: "AI 이미지 생성 및 편집 워크플로우 (AI Image Generation & Editing Workflow)"
|
||||
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)
|
||||
---
|
||||
|
||||
# [[AI 이미지 생성 및 편집 워크플로우 (AI Image Generation & Editing Workflow)|AI 이미지 생성 및 편집 워크플로우 (AI Image Generation & Editing Workflow)]]
|
||||
|
||||
## 📌 Brief Summary
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
AI 이미지 생성 및 편집 워크플로우는 텍스트 아이디어를 시각적 결과물로 변환한 후, 사후 편집 도구와 반복적인 프롬프트 수정을 통해 결과물을 정교화하는 일련의 과정이다 [1, 2]. 단 한 번의 완벽한 프롬프트로 결과물을 얻기보다는, 초기 베이스 이미지(Base Image)를 생성하고 점진적으로 수정해 나가는 협업적 접근 방식을 취한다 [2, 3]. 이 과정에는 인페인팅(Vary Region), 아웃페인팅(Zoom Out/Pan), 업스케일링(Upscale), 리믹스(Remix) 등의 기술적 제어 도구가 필수적으로 활용된다 [4, 5].
|
||||
|
||||
## 📖 Core Content
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
* **반복적 정교화(Iterative Refinement) 전략:** 성공적인 AI 이미지 생성은 단발성 행위가 아니라 모델과의 반복적인 대화와 탐색 과정이다 [2, 6]. 창작자들은 단순하고 명확한 프롬프트로 시작하여 다양한 결과물을 확인한 후, 조명, 구도, 네거티브 프롬프트 등을 추가하여 결과물을 세밀하게 조정해 나간다 [7, 8].
|
||||
* **초안 모드(Draft Mode)를 활용한 파이프라인:** 미드저니 V7 등 최신 모델에서는 '드래프트 모드(Draft Mode)'를 활용해 낮은 비용과 매우 빠른 속도로 다수의 시안을 탐색할 수 있다 [9, 10]. 사용자는 이 중 유망한 구도의 결과물을 선택(Shortlist)하고 고화질 렌더링으로 승격시키는 단계적인 디자인 리뷰 루프(Design review loop)를 통해 작업의 효율성을 극대화한다 [10, 11].
|
||||
* **인페인팅을 통한 영역별 변주 (Vary Region / Inpainting):** 이미지가 전반적으로 마음에 들지만 특정 부분에 수정이 필요할 때 사용되는 핵심 편집 기능이다 [5, 12]. 전체 이미지의 맥락과 화풍을 완벽하게 유지하면서 선택한 특정 영역(예: 모자를 왕관으로 변경, 불필요한 객체 삭제)에 대해서만 새로운 프롬프트를 적용해 자연스러운 합성과 수정을 진행할 수 있다 [2, 4, 13].
|
||||
* **아웃페인팅과 캔버스 확장 (Zoom Out & Pan):** 생성된 이미지의 구도가 너무 답답하거나 피사체가 과도하게 꽉 차게 잡혔을 때 시야를 넓히는 데 사용된다 [2, 4]. 'Zoom Out'은 이미지의 네 면을 모두 확장하여 배경 맥락을 더해주며, 'Pan'은 특정 방향으로 캔버스를 확장해 종횡비를 변경하면서도 기존의 환경과 조명을 논리적으로 유지해 준다 [4, 5].
|
||||
* **업스케일링 및 리믹스 (Upscale & Remix):** '업스케일(Upscale)'은 이미지의 크기를 키우고 미세한 디테일(피부 모공, 천의 질감 등)을 추가하여 최종적인 완성도를 높이는 작업이다 [4, 14]. '리믹스(Remix)' 기능은 기존 이미지의 생성 기반을 유지하면서 프롬프트 텍스트나 매개변수 설정을 변경하여 창의적인 방향성을 새롭게 유도할 때 활용된다 [15, 16].
|
||||
|
||||
## 🔗 Knowledge Connections
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Related Topics:** [[프롬프트 엔지니어링 (Prompt Engineering)|프롬프트 엔지니어링 (Prompt Engineering)]], [[인페인팅 및 아웃페인팅 (Inpainting & Outpainting)|인페인팅 및 아웃페인팅 (Inpainting & Outpainting)]], [[반복적 정교화 (Iterative Refinement)|반복적 정교화 (Iterative Refinement)]], [[네거티브 프롬프트 (Negative Prompt)|네거티브 프롬프트 (Negative Prompt)]]
|
||||
- **Projects/Contexts:** [[미드저니(Midjourney) V7 초안 기반 워크플로우|미드저니(Midjourney) V7 초안 기반 워크플로우]], [[AI 모델 사후 편집 도구 (Post-editing Tools)|AI 모델 사후 편집 도구 (Post-editing Tools)]]
|
||||
- **Contradictions/Notes:** 초보자들은 하나의 길고 복잡한 프롬프트로 완벽한 이미지를 한 번에 생성하려 하지만, 소스는 숙련된 워크플로우일수록 단순한 프롬프트로 시작해 모델의 결과를 확인한 후, 인페인팅이나 리믹스 등 사후 편집 기능과 점진적 수정을 활용하는 '반복적인 과정'임을 일관되게 강조하고 있습니다 [3, 6, 8].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-30*
|
||||
*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 |
|
||||
+51
-3
@@ -1,9 +1,26 @@
|
||||
---
|
||||
id: wiki-2026-0508-ai-이미지-품질-최적화-및-디버깅-image-qualit
|
||||
title: "AI 이미지 품질 최적화 및 디버깅 (Image Quality Optimization & Debugging)"
|
||||
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)
|
||||
---
|
||||
|
||||
# [[AI 이미지 품질 최적화 및 디버깅 (Image Quality Optimization & Debugging)|AI 이미지 품질 최적화 및 디버깅 (Image Quality Optimization & Debugging)]]
|
||||
|
||||
## 📌 Brief Summary
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
AI 이미지 생성에서 품질 최적화 및 디버깅은 프롬프트 매개변수, 가중치 조절, 그리고 후보정 편집 기능을 활용하여 시각적 결과물의 완성도를 높이고 예기치 않은 오류를 수정하는 과정입니다. 고해상도 관련 키워드나 네거티브 프롬프트를 전략적으로 사용하여 원치 않는 시각적 결함을 사전에 차단합니다. 또한, 단 번에 완벽한 결과를 기대하기보다는 인페인팅(Inpainting)이나 드래프트 모드(Draft Mode) 등을 통해 문제 영역을 식별하고 점진적으로 개선해 나가는 반복적인 작업이 필수적입니다.
|
||||
|
||||
## 📖 Core Content
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **고품질 키워드 및 파라미터 활용 (Quality Keywords & Parameters)**
|
||||
이미지의 완성도를 높이려면 프롬프트에 "8k", "4k", "high resolution", "ultra detailed", "sharp focus"와 같은 해상도 및 디테일 관련 품질 수식어를 추가하는 것이 좋습니다 [1]. Midjourney의 경우 `--q` (quality) 파라미터를 사용하여 디테일과 렌더링 시간을 조정할 수 있으며, 이 값이 클수록 더 많은 디테일이 부여됩니다 [1-3]. 초기 생성 후에는 업스케일(Upscale) 기능을 통해 이미지의 크기를 키우면서 미세한 디테일을 추가로 개선할 수 있습니다 [4].
|
||||
|
||||
@@ -19,10 +36,41 @@ AI 이미지 생성에서 품질 최적화 및 디버깅은 프롬프트 매개
|
||||
- **모델별 특이 현상 대처 (Model-Specific Quirks)**
|
||||
DALL-E 3의 경우 창의적 한계를 넘는 지나치게 복잡한 지시를 내리면 모델이 이를 해결하지 못하고 이미지 내부에 무의미한 텍스트를 삽입해버리는 버그가 있습니다 [20, 21]. 이때는 프롬프트를 수정하거나 "For unlettered viewers only"라는 문구를 넣어 텍스트 삽입을 억제할 수 있습니다 [20, 21]. 또한 DALL-E 3에서 극사실주의 이미지를 얻기 위해 "photorealistic"이라는 단어를 사용하면 역설적으로 회화풍의 브러시 효과가 나타날 수 있으므로, "photo style"이라는 용어를 사용하는 것이 바람직합니다 [22, 23]. Midjourney V7 환경에서는 저비용, 고속으로 이미지를 테스트해볼 수 있는 `--draft` 모드를 활용해 구도와 프롬프트를 빠르게 최적화할 수 있습니다 [24-26].
|
||||
|
||||
## 🔗 Knowledge Connections
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Related Topics:** [[네거티브 프롬프트 (Negative Prompt)|네거티브 프롬프트 (Negative Prompt)]], [[반복적 정교화 (Iterative Refinement)|반복적 정교화 (Iterative Refinement)]], [[인페인팅 (Inpainting)|인페인팅 (Inpainting)]], 가중치 제어 (Prompt Weighting)
|
||||
- **Projects/Contexts:** Midjourney Vary Region 기능, Stable Diffusion Syntax Troubleshooting, DALL-E 3 Text Insertion Bug
|
||||
- **Contradictions/Notes:** 네거티브 프롬프트를 사용할 때 포괄적이고 긴 실패 목록을 복사해 붙여넣는 것보다, 출력물을 확인한 뒤 눈에 띄는 구체적인 결함(예: "text, signature, watermark")만 적은 수로 타겟팅하는 것이 이미지의 구조적 붕괴나 스타일 손실을 막는 데 훨씬 효과적입니다 [5, 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 |
|
||||
@@ -1,9 +1,26 @@
|
||||
---
|
||||
id: wiki-2026-0508-ai-추적-논리-ai-pursuit-logic
|
||||
title: AI 추적 논리(AI Pursuit Logic)
|
||||
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)
|
||||
---
|
||||
|
||||
# [[AI 추적 논리(AI Pursuit Logic)|AI 추적 논리(AI Pursuit Logic)]]
|
||||
|
||||
## 📌 Brief Summary
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
AI 추적 논리는 *War Commander*의 전투 시스템에서 유닛이 적을 인지하고 추격하는 인공지능 매커니즘을 의미한다 [1]. 이는 유닛에 설정된 전투 태세(Stance)에 따라 다르게 작동하며, '자유 사격(Fire at Will)'이나 '일반(Normal)' 태세로 설정된 방어 유닛은 적대적 유닛을 쫓아가는 특성을 보인다 [1-3]. 플레이어들은 이 논리의 맹점을 찌르는 '미끼(Baiting)' 전술을 통해 방어벽 뒤에 숨은 적 유닛을 기지 밖으로 유인하여 유리한 위치에서 파괴한다 [1, 2].
|
||||
|
||||
## 📖 Core Content
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
* **AI 추적 메커니즘과 유닛의 전투 태세**
|
||||
AI 추적 논리는 방어 유닛에 부여된 명령 및 태세와 직접적으로 연관되어 작동한다. 과거의 '공격적(Aggressive)' 명령을 대체한 '자유 사격(Fire at Will, 단축키 F)'이나 '일반(Normal)' 태세로 설정된 유닛은 매우 넓은 반경 내의 호전적인 적을 끝까지 쫓아가는 AI 로직을 따른다 [1-3]. 반면, '위치 사수(Stand Ground)'를 대체한 '위치 고정(Hold Position, 단축키 D)' 명령을 받은 유닛은 제자리에 고정된 채 사거리 내에 들어온 적에게만 사격을 가하므로 이 추적 논리에 의해 적을 쫓지 않는다 [1-3].
|
||||
|
||||
@@ -13,10 +30,41 @@ AI 추적 논리는 *War Commander*의 전투 시스템에서 유닛이 적을
|
||||
* **비대칭 유닛 조합을 활용한 유도 경로 설계**
|
||||
미끼 전술의 실행에는 주로 비대칭적인 유닛 조합이 사용된다 [4]. 예를 들어, 방어 중인 적의 무거운 중전차를 도발하기 위해 빠른 지상 유닛을 사용하여 아군 공중 부대가 대기 중인 곳까지 쫓아오게 만들 수 있다 [2, 4]. 반대로 적의 대공 유닛을 공중 유닛으로 유인하여 아군 지상 유닛이 파괴할 수 있는 위치로 끌어내는 전술도 유효하다 [2, 4]. 이러한 AI 로직의 착취는 심각한 피해를 감수하지 않고 굳건하게 방어된 기지를 뚫어내는 거의 유일하고 필수적인 방법이다 [2, 4].
|
||||
|
||||
## 🔗 Knowledge Connections
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Related Topics:** [[미끼 전술(Baiting)|미끼 전술(Baiting)]], [[전투 통제(Combat Controls)|전투 통제(Combat Controls)]], [[방어 태세(Defensive Stance)|방어 태세(Defensive Stance)]]
|
||||
- **Projects/Contexts:** [[기지 방어 설계 및 공략(Base Defense and Siege)|기지 방어 설계 및 공략(Base Defense and Siege)]]
|
||||
- **Contradictions/Notes:** 소스에 따르면 AI 추적 로직을 역이용하는 유인 전술은 '자유 사격'이나 '일반' 상태인 유닛에게만 통하며, 방어자가 유닛에 '위치 고정(Hold Position)'이나 '위치 사수(Stand Ground)' 태세를 내린 경우에는 전혀 작동하지 않는다는 점을 명확히 하고 있다 [1, 2].
|
||||
|
||||
---
|
||||
*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 +1,21 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-4DB2F8
|
||||
category: Unified
|
||||
confidence_score: 0.90
|
||||
id: wiki-2026-0508-ai-코드-리뷰-및-보안-취약점-점검-devsecops
|
||||
title: AI 코드 리뷰 및 보안 취약점 점검(DevSecOps)
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
canonical_id: self
|
||||
aliases: [P-Reinforce-AUTO-4DB2F8]
|
||||
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 - AI 코드 리뷰 및 보안 취약점 점검([[DevSecOps|DevSecOps]])"
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
tech_stack:
|
||||
language: unspecified
|
||||
framework: unspecified
|
||||
---
|
||||
|
||||
# [[AI 코드 리뷰 및 보안 취약점 점검(DevSecOps)|AI 코드 리뷰 및 보안 취약점 점검(DevSecOps)]]
|
||||
@@ -25,7 +36,7 @@ github_commit: "[P-Reinforce] Continuous Worker - AI 코드 리뷰 및 보안
|
||||
* **자동화의 한계 및 AI 거버넌스 정책**
|
||||
강력한 자동화 도구라 할지라도 맹신은 위험합니다. 연구에 따르면 SAST 및 자동화 도구는 실제 취약점의 약 22%를 감지하지 못하며 [32, 33], 개발자들이 자동화 시스템의 '녹색 체크마크'만 보고 코드를 제대로 이해하지 않은 채 통과시키는 '녹색 체크마크 증후군(Green Check Mark Syndrome)'과 같은 인지적 나태함을 유발할 수 있습니다 [34, 35]. 기업은 승인되지 않은 퍼블릭 AI 모델에 독점 소스 코드나 고객 데이터가 유출되지 않도록 명확한 AI 사용 정책(AUP)을 수립해야 합니다 [36-38]. 또한 AI가 생성하거나 수정한 코드라도 최종적으로는 반드시 인간 엔지니어의 엄격한 수동 리뷰를 거쳐 이해와 책임을 보장하는 'Human-in-the-Loop' 원칙을 준수해야 합니다 [38, 39].
|
||||
|
||||
## ⚠️ 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.
|
||||
|
||||
@@ -38,3 +49,52 @@ github_commit: "[P-Reinforce] Continuous Worker - AI 코드 리뷰 및 보안
|
||||
*Last updated: 2026-04-18*
|
||||
|
||||
---
|
||||
|
||||
## 🤖 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)*
|
||||
@@ -0,0 +1,25 @@
|
||||
---
|
||||
id: wiki-20260508-ai--redir
|
||||
title: AI 코드 리뷰
|
||||
category: AI_and_ML
|
||||
status: merged
|
||||
redirect_to: AI_코드_리뷰
|
||||
canonical_id: AI_코드_리뷰
|
||||
aliases: []
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.92
|
||||
tags: [redirect]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-05-08
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-merge 2026-05-08)
|
||||
---
|
||||
|
||||
# AI 코드 리뷰
|
||||
|
||||
> [!IMPORTANT]
|
||||
> 이 문서는 P-Reinforce Phase 2 자동 MERGE에 의해 **[[AI_코드_리뷰]]**로 통합되었습니다.
|
||||
|
||||
---
|
||||
*Redirected to: [[AI_코드_리뷰]]*
|
||||
@@ -1,28 +1,25 @@
|
||||
---
|
||||
id: ALIGN-001
|
||||
category: Unified
|
||||
confidence_score: 1.0
|
||||
tags: [ai-safety, [[Alignment|Alignment]], rlhf, ai-ethics, [[Trustworthy-AI|Trustworthy-AI]]]
|
||||
last_reinforced: 2026-04-26
|
||||
id: wiki-2026-0508-ai-alignment
|
||||
title: AI Alignment
|
||||
category: 10_Wiki/Topics/AI_and_ML
|
||||
status: merged
|
||||
redirect_to: AI_Safety_and_Alignment
|
||||
canonical_id: AI_Safety_and_Alignment
|
||||
aliases: [P-Reinforce-REDIRECT-AI-ALIGNMENT-DASH]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.92
|
||||
tags: [redirect]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-05-08
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
---
|
||||
|
||||
# AI Alignment (AI 정렬)
|
||||
# [[AI-Alignment]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "AI의 목표와 인류의 가치를 한 방향으로 일치시켜라" — 고도로 발달한 AI 시스템이 인간의 의도와 안전, 윤리적 기준을 벗어나지 않고 인간에게 유익한 방향으로 행동하도록 보장하는 기술적 연구 분야.
|
||||
> [!IMPORTANT]
|
||||
> 이 문서는 고밀도 지식 자산 통합 정책에 따라 **[[AI_Safety_and_Alignment]]**으로 통합되었습니다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 모델이 수행하는 최적화 목표(Objective Function)가 인간이 실제로 바라는 결과와 일치하도록 보상 함수와 학습 데이터를 세밀하게 조정하는 정렬 패턴.
|
||||
- **핵심 과제:**
|
||||
- **Outer Alignment:** 보상 함수 자체를 인간의 의도에 맞게 정확히 설계하는 문제.
|
||||
- **Inner Alignment:** 모델이 학습 과정에서 개발자도 예상치 못한 잘못된 내부 목표(예: 전원 꺼짐 회피)를 갖지 않도록 제어하는 문제.
|
||||
- **Scalable Oversight:** 인간이 직접 평가하기 어려운 복잡한 태스크를 AI가 수행할 때 어떻게 정렬 상태를 감시할 것인가.
|
||||
- **주요 기법:** RLHF, RLAIF (AI 피드백을 통한 정렬), 헌법적 AI (Constitutional AI).
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 단순히 '나쁜 말 안 하기' 수준의 필터링에서, 초지능(Superintelligence) 단계에서의 통제 가능성과 인류 생존 문제로 논의가 심화됨.
|
||||
- **정책 변화:** Antigravity 프로젝트는 모든 에이전트의 스킬 설계 시 '인간 중심적 가치'를 최우선 순위로 두며, 정기적인 Alignment Audit(정렬 감사)을 통해 에이전트의 거동을 점검함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Reinforcement-Learning-from-Human-Feedback-RLHF|Reinforcement-Learning-from-Human-Feedback-RLHF]], [[Trustworthy-AI|Trustworthy-AI]], AI-Safety, [[AGI|AGI]]
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/AI-Alignment.md
|
||||
---
|
||||
*Redirected to: [[AI_Safety_and_Alignment]]*
|
||||
|
||||
@@ -1,9 +1,21 @@
|
||||
---
|
||||
id: MKT-AEO-001
|
||||
category: Unified
|
||||
id: wiki-2026-0508-ai-answer-engine-optimization
|
||||
title: AI Answer Engine Optimization
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
canonical_id: self
|
||||
aliases: [MKT-AEO-001]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 1.0
|
||||
tags: [aeo, geo, seo, [[Generative-AI|Generative-AI]], chatgpt, [[Search|Search]]-generative-experience, structured-data, ssr]
|
||||
tags: [aeo, geo, seo, Generative-AI, chatgpt, Search-generative-experience, structured-data, ssr]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-04-26
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
tech_stack:
|
||||
language: unspecified
|
||||
framework: unspecified
|
||||
---
|
||||
|
||||
# AI Answer Engine [[Optimization|Optimization]] (AEO, AI 답변 엔진 최적화)
|
||||
@@ -20,10 +32,59 @@ last_reinforced: 2026-04-26
|
||||
- **Q&A [[Formatting|Formatting]]:** 질문(H2)과 간결한 답변 구조를 통해 AI 오버뷰(SGE)에 직접 인용될 확률 극대화.
|
||||
- **의의:** '검색 결과 클릭' 중심의 시대에서 '답변 내 인용 및 신뢰도 확보' 중심으로 이동하는 AI 시대의 디지털 마케팅 생존법.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- **과거 데이터와의 충돌:** 과거 SEO는 사용자 클릭 유도를 위한 자극적 제목이 중요했으나, AEO 정책은 AI가 답변을 요약하기 좋게 만드는 '정보의 정합성'과 '구조적 명확성' 정책을 최우선으로 함.
|
||||
- **정책 변화:** Antigravity 프로젝트는 모든 지식 문서를 AEO 친화적인 Karpathy Summary 포맷으로 유지하며, 에이전트의 지식 추출 효율을 위해 JSON-LD 스키마를 자동 생성하여 메타데이터에 포함하는 정책을 시행함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- SEO-Foundations, Generative-Engine-Optimization, Server-Side-Rendering-SSR, Structured-Data-Markup, Semantic-HTML
|
||||
- **Raw Source:** 00_Raw/AI Answer Engine Optimization.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)*
|
||||
@@ -1,22 +1,41 @@
|
||||
---
|
||||
id: wiki-2026-0508-ai-generated-code-assurance-ai-생
|
||||
title: AI Generated Code Assurance (AI 생성 코드 검증)
|
||||
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)
|
||||
tech_stack:
|
||||
language: unspecified
|
||||
framework: unspecified
|
||||
---
|
||||
|
||||
# AI-Generated Code Assurance (AI 생성 코드 검토 및 보안
|
||||
|
||||
## 📌 Brief Summary
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
AI 생성 코드는 개발 생산성을 극적으로 향상시키지만, 인간 작성 코드보다 보안 취약점(XSS, 인젝션 등) 발생률이 높고 '환각(Hallucination)'으로 인한 가짜 API 호출 위험을 내포합니다 [1]. 연구에 따르면 AI가 작성한 풀 리퀘스트(PR)는 인간보다 1.7배 더 많은 보안 취약점을 포함하는 경향이 있습니다 [7, 8]. 따라서 AI 생성 코드는 완성본이 아닌 '초안'으로 취급되어야 하며, 정적 분석(SAST), 소프트웨어 구성 분석(SCA) 등 자동화 도구와 인간 리뷰어의 비판적 검토가 결합된 엄격한 품질 게이트(Quality Gate) 적용이 필수적입니다.
|
||||
|
||||
## 📖 Core Content
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
* **증가하는 보안 위협과 취약점 발생률:** AI 생성 코드는 XSS(교차 사이트 스크립팅) 취약점 도입 확률이 2.74배 높으며, 하드코딩된 자격 증명이나 입력값 검증 누락이 빈번합니다 [1, 7].
|
||||
* **AI 특화 위험 (환각 및 슬롭스쿼팅):** AI 모델은 존재하지 않는 패키지를 제안하는 '환각(Hallucination)' 현상을 보이며, 공격자들은 이를 악용해 악성 코드를 배포하는 '슬롭스쿼팅(Slopsquatting)' 공격을 시도합니다 [2, 9].
|
||||
* **비즈니스 맥락 및 엣지 케이스 무시:** AI는 주로 '해피 패스(Happy path)' 시나리오에 집중하여, Null 값 처리나 예외 상황 등 중요한 엣지 케이스를 누락하는 경향이 있습니다 [3, 12].
|
||||
* **품질 저하 및 라이선스 위반:** 불필요하게 장황한 코드(Slop)를 양산하거나, AGPL-3.0 등 라이선스가 엄격한 오픈소스 코드를 무단 복제하여 지적 재산권 문제를 일으킬 수 있습니다 [17].
|
||||
* **검증 프로세스 통합:** SonarQube, Semgrep, CodeQL 등 SAST/SCA 도구를 CI/CD 파이프라인에 통합하여 최소 80% 이상의 테스트 커버리지를 강제하고, 모든 AI 생성 코드에 태깅을 수행합니다 [15, 18].
|
||||
|
||||
## ⚖️ Trade-offs & Caveats
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
* **속도 vs 안전성:** AI 코딩 어시스턴트는 마이그레이션 기간을 획기적으로 단축하지만, 예측 가능한 보안 약점을 시스템에 도입합니다. 이를 위해 자동화된 보안 검증 리소스 투자가 트레이드오프로 요구됩니다 [19].
|
||||
* **자동화의 사각지대:** AI 기반 리뷰 도구는 30~60%의 오탐률을 보이며 실제 취약점의 약 22%를 놓치는 근본적인 한계가 있습니다 [Augment Code 벤치마크]. 아키텍처 설계와 비즈니스 로직의 무결성 판단에는 여전히 인간의 수동 검토가 필수 불가결합니다.
|
||||
* **리뷰 피로도(Review Fatigue):** AI가 양산하는 대량의 코드(Slop)는 리뷰어의 인지 부하를 높여 형식적인 승인(Rubber-stamping)을 유도할 위험이 있습니다.
|
||||
|
||||
## 🔗 Knowledge Connections
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
### Related Concepts
|
||||
* **[[Static Analysis & Linting (정적 분석 및 린팅)|Static Analysis & Linting]]**: AI 코드의 구문적 오류와 보안 결함을 자동 식별하는 1차 방어선입니다.
|
||||
* **[[Software Security Standards & Vulnerabilities (소프트웨어 보안 표준 및 취약점)|Software Security Standards & Vulnerabilities]]**: AI가 자주 위반하는 OWASP Top 10 등 보안 표준에 대한 이해가 필요합니다.
|
||||
@@ -39,3 +58,52 @@ AI 생성 코드는 개발 생산성을 극적으로 향상시키지만, 인간
|
||||
|
||||
---
|
||||
*Last updated: 2026-05-02*
|
||||
|
||||
## 🤖 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)*
|
||||
@@ -1,9 +1,18 @@
|
||||
---
|
||||
id: MKT-SGE-001
|
||||
category: Unified
|
||||
id: wiki-2026-0508-ai-overviews-and-sge
|
||||
title: AI Overviews and SGE
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
canonical_id: self
|
||||
aliases: [MKT-SGE-001]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 1.0
|
||||
tags: [sge, ai-overviews, google-[[Search|Search]], aeo, citation, search-generative-experience, seo]
|
||||
tags: [sge, ai-overviews, google-Search, aeo, citation, search-generative-experience, seo]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-04-26
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
---
|
||||
|
||||
# AI Overviews and SGE (AI 오버뷰 및 생성형 검색 경험)
|
||||
@@ -20,10 +29,36 @@ last_reinforced: 2026-04-26
|
||||
- **Performance Prerequisite:** [[Core Web Vitals|Core Web Vitals]](LCP, INP, CLS)를 통과하는 페이지가 AI 오버뷰에 채택될 확률이 유의미하게 높음.
|
||||
- **의의:** 제로 클릭 검색(Zero-click Search) 시대에 사용자의 질문에 대한 '정답'으로 인용됨으로써 브랜드 신뢰도를 구축하고 고품질 트래픽을 유도함.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- **과거 데이터와의 충돌:** 과거에는 사용자를 사이트로 유입시키기 위해 정보를 의도적으로 감추는 '낚시성 제목'이 통했으나, SGE 정책하에서는 AI가 즉시 요약할 수 있도록 정보를 투명하고 구조적으로 제공하는 '투명성 정책'이 노출의 핵심이 됨.
|
||||
- **정책 변화:** Antigravity 프로젝트는 모든 공용 지식 데이터 배포 시 SGE 크롤러가 자바스크립트 실행 없이 읽을 수 있도록 사전 렌더링(Pre-rendering)을 강제하며, AI가 선호하는 Q&A 블록을 본문에 반드시 포함하는 정책을 시행함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[AI-Answer-Engine-Optimization|AI-Answer-Engine-Optimization]], Generative-Engine-[[Optimization|Optimization]], [[Core-Web-Vitals|Core-Web-Vitals]], Semantic-HTML, Structured-Data-Markup
|
||||
- **Raw Source:** 00_Raw/AI Overviews (SGE).md, 00_Raw/AI Overviews Visibility.md, 00_Raw/AI Overviews.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 |
|
||||
@@ -1,9 +1,18 @@
|
||||
---
|
||||
id: MKT-AI-[[Search|Search]]-001
|
||||
category: Unified
|
||||
id: wiki-2026-0508-ai-search-optimization
|
||||
title: AI Search Optimization
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
canonical_id: self
|
||||
aliases: [MKT-AI-Search-001]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 1.0
|
||||
tags: [ai-search, geo, aeo, semantic-entity-mapping, seo, future-of-search, [[Knowledge-Graph|Knowledge-Graph]], generative-engine-[[Optimization|Optimization]]]
|
||||
tags: [ai-search, geo, aeo, semantic-entity-mapping, seo, future-of-search, Knowledge-Graph, generative-engine-Optimization]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-04-26
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
---
|
||||
|
||||
# AI Search Optimization (AI 검색 최적화)
|
||||
@@ -19,10 +28,36 @@ last_reinforced: 2026-04-26
|
||||
- **Semantic Entity Mapping:** 콘텐츠 내의 고유 명사와 개념들이 어떻게 연결되는지 명시하여 AI의 추론 효율 극대화.
|
||||
- **의의:** 인간 사용자를 위한 가독성과 AI 에이전트를 위한 기계 가독성(Machine Readability)을 동시에 만족시켜, 지식의 유통 수명을 연장하고 차세대 검색 환경에서의 도달 범위를 확장함.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- **과거 데이터와의 충돌:** 전통적 SEO는 키워드 밀도(Keyword Density)를 중시했으나, AI 검색 최적화 정책은 '의미론적 엔티티 매핑'과 '맥락적 정합성' 정책을 최우선으로 함. 또한 JS 실행에만 의존하는 SPA의 구조적 모순을 지적하며 SSR/SSG로의 근본적 회귀 정책을 강조함.
|
||||
- **정책 변화:** Antigravity 프로젝트는 모든 지식 자산에 대해 'Agent-First Access' 정책을 적용하며, AI 크롤러가 정보를 수집할 때 연산 자원을 최소화할 수 있도록 경량화된 시맨틱 마크업을 제공함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[AI-Answer-Engine-Optimization|AI-Answer-Engine-Optimization]], Generative-Engine-Optimization, [[Knowledge-Graph-Foundations|Knowledge-Graph-Foundations]], [[Semantic-Search-with-AI|Semantic-Search-with-AI]], [[Ontology-Engineering|Ontology-Engineering]], [[AI-Overviews-and-SGE|AI-Overviews-and-SGE]]
|
||||
- **Raw Source:** 00_Raw/AI Search Optimization.md, 00_Raw/Generative Engine Optimization.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 |
|
||||
@@ -1,17 +1,17 @@
|
||||
---
|
||||
id: P-REINFORCE-WIKI-BLOG-AI
|
||||
title: "AI 콘텐츠 생산 파이프라인 자동화"
|
||||
category: Unified
|
||||
status: draft
|
||||
canonical_id: ""
|
||||
aliases: ["AI 자동 포스팅", "콘텐츠 자동화"]
|
||||
duplicate_of: ""
|
||||
id: wiki-2026-0508-ai-content-production-pipeline
|
||||
title: AI Content Production Pipeline
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
canonical_id: self
|
||||
aliases: [P-REINFORCE-WIKI-BLOG-AI, AI 자동 포스팅, 콘텐츠 자동화]
|
||||
duplicate_of: none
|
||||
source_trust_level: B
|
||||
confidence_score: 0.92
|
||||
tags: ["AI_Automation", "Content_Factory", "Workflow", "Efficiency"]
|
||||
raw_sources: ["ChatGPT_AlphaNam_Interview_Transcript"]
|
||||
tags: [AI_Automation, Content_Factory, Workflow, Efficiency]
|
||||
raw_sources: [ChatGPT_AlphaNam_Interview_Transcript]
|
||||
last_reinforced: 2026-05-02
|
||||
github_commit: ""
|
||||
github_commit: pending
|
||||
---
|
||||
|
||||
# [[AI 콘텐츠 생산 파이프라인 자동화]]
|
||||
@@ -40,3 +40,41 @@ AI를 단순히 '글을 써주는 비서'가 아닌, **'생산 공정의 부품'
|
||||
- **기존 유사 문서:** None
|
||||
- **처리 방식:** CREATE
|
||||
- **처리 이유:** AI 에이전트 활용 지식의 확장 및 자동화 공정 문서화
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
|
||||
> *(TODO: 한 문장으로 핵심 통찰을 작성. "X는 Y 조건에서 Z 효과를 낸다" 구조 권장.)*
|
||||
|
||||
## 📖 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)*
|
||||
|
||||
## ⚠️ 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 | B |
|
||||
@@ -1,20 +1,30 @@
|
||||
---
|
||||
category: Unified
|
||||
id: wiki-2026-0508-ai-image-generation-workflow
|
||||
title: AI Image Generation Workflow
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
canonical_id: self
|
||||
aliases: []
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.92
|
||||
tags: [auto-consolidated, technical-documentation]
|
||||
title: [[AI Image Generation Workflow|AI Image Generation Workflow]]
|
||||
last_updated: 2026-05-02
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-05-08
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
---
|
||||
|
||||
# [[AI Image Generation Workflow|AI Image Generation Workflow]]
|
||||
|
||||
## 📌 Brief Summary
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
AI 이미지 생성 워크플로우는 사용자의 텍스트 기반 프롬프트를 해석하여 시각적 기호 및 데이터로 변환하는 일련의 과정이다 [1, 2]. 초기 아이디어를 구체적인 주체, 매체, 스타일, 조명 등의 층위로 구조화하여 프롬프트를 작성하는 것에서 출발한다 [2, 3]. 이후 모델별 특성에 맞춰 초기 이미지를 생성하고, 네거티브 프롬프트, 인페인팅(Inpainting), 아웃페인팅(Outpainting) 등을 통해 결과물을 반복적으로 정교화하여 최종 이미지를 완성한다 [4-6].
|
||||
|
||||
---
|
||||
|
||||
AI 이미지 생성 워크플로우는 창작자가 텍스트 프롬프트를 입력하여 초기 이미지를 생성한 후, 반복적인 수정과 세부 조정을 통해 최종 결과물을 완성하는 일련의 과정이다 [1-3]. 이 과정은 명확한 피사체(Subject), 스타일, 조명 등의 뼈대를 잡는 단순한 프롬프트로 시작하여, 결과물을 평가한 뒤 점진적으로 부정 프롬프트(Negative Prompt)와 세부 매개변수를 추가하며 발전시킨다 [4-6]. 최근에는 단일 이미지 생성을 넘어 시안(Draft)을 빠르게 대량 생산하고 최적의 구도를 선택하거나, 일관된 스타일 참조 기능을 활용하는 등 전문가 수준의 파이프라인으로 진화하고 있다 [7, 8].
|
||||
|
||||
## 📖 Core Content
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
* **프롬프트 구조화 (Prompt Structuring)**
|
||||
성공적인 이미지 생성을 위해서는 단순한 단어의 나열이 아닌, 주체(Subject), 매체(Medium), 환경(Environment), 조명(Lighting), 스타일(Style) 및 기술적 매개변수로 이루어진 명확한 계층적 구조가 필요하다 [2, 3, 7, 8]. 피사체에 대한 구체적인 묘사와 함께 렌즈(예: 85mm), 조명(예: 골든 아워, 림 라이팅) 등의 촬영 및 예술적 전문 용어를 사용하면 AI 모델의 제어력을 극대화할 수 있다 [9-11].
|
||||
|
||||
@@ -41,10 +51,10 @@ AI 이미지 생성 워크플로우는 창작자가 텍스트 프롬프트를
|
||||
* **프롬프트의 계층적 구성 요소:**
|
||||
성공적인 워크플로우를 위한 프롬프트는 논리적인 계층 구조를 가진다. 일반적으로 주체(Subject), 맥락/환경(Context/Environment), 스타일/매체(Style/Medium), 기술적 세부사항(Technical Details: 구도 및 조명)의 순서나 결합으로 구성하여 AI가 우선순위를 쉽게 파악할 수 있도록 돕는다 [5, 33, 34].
|
||||
|
||||
## ⚖️ Trade-offs & Caveats
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
No trade-offs available.
|
||||
|
||||
## 🔗 Knowledge Connections
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Related Topics:** [[Prompt Engineering|Prompt Engineering]], [[Negative Prompts|Negative Prompts]], [[Image Parameters|Image Parameters]], [[Inpainting & Outpainting|Inpainting & Outpainting]]
|
||||
- **Projects/Contexts:** [[Midjourney V7 Draft Mode|Midjourney V7 Draft Mode]], [[DALL-E 3 Synthetic Captioning|DALL-E 3 Synthetic Captioning]]
|
||||
- **Contradictions/Notes:** DALL-E 3는 "no", "without"과 같은 부정형 지시어를 잘 이해하지 못해 오히려 해당 객체를 생성할 위험이 있으므로 모든 지시를 긍정형 문장으로 우회해야 하는 반면 [20, 31], 스테이블 디퓨전은 구조화된 네거티브 프롬프트 섹션을 통해 워터마크나 신체 왜곡 등의 결함을 적극적으로 차단해야 한다는 점에서 플랫폼별 대응 방식에 뚜렷한 차이가 존재한다 [23, 26, 32].
|
||||
@@ -60,3 +70,29 @@ No trade-offs available.
|
||||
|
||||
---
|
||||
*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.
|
||||
|
||||
## 🕓 변경 이력 (Changelog)
|
||||
|
||||
| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|
||||
|------|-----------|-----------|--------|
|
||||
| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A |
|
||||
@@ -1,17 +1,20 @@
|
||||
---
|
||||
id: P-REINFORCE-WIKI-AI-CODE-ANALYSIS
|
||||
title: "AI 기반 코드 분석 및 자동 수정 (AI-Powered Code Analysis & Autofix)"
|
||||
category: Unified
|
||||
id: wiki-2026-0508-ai-powered-code-analysis
|
||||
title: AI Powered Code Analysis
|
||||
category: 10_Wiki/Topics
|
||||
status: verified
|
||||
canonical_id: ""
|
||||
aliases: ["AI 코드 분석", "Autofix", "Triage", "지능형 코드 분석"]
|
||||
duplicate_of: ""
|
||||
canonical_id: self
|
||||
aliases: [P-REINFORCE-WIKI-AI-CODE-ANALYSIS, AI 코드 분석, Autofix, Triage, 지능형 코드 분석]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 1.0
|
||||
tags: ["AI", "LLM", "Static_Analysis", "Autofix", "DevSecOps", "Code_Quality"]
|
||||
raw_sources: ["Datacollector_Export_2026-05-02"]
|
||||
tags: [AI, LLM, Static_Analysis, Autofix, DevSecOps, Code_Quality]
|
||||
raw_sources: [Datacollector_Export_2026-05-02]
|
||||
last_reinforced: 2026-05-02
|
||||
github_commit: ""
|
||||
github_commit: pending
|
||||
tech_stack:
|
||||
language: unspecified
|
||||
framework: unspecified
|
||||
---
|
||||
|
||||
# [[AI 기반 코드 분석 및 자동 수정 (AI-Powered Code Analysis & Autofix)]]
|
||||
@@ -44,3 +47,70 @@ AI 기반 코드 분석 자동화는 소스 코드의 문맥, 아키텍처, 그
|
||||
- **정보 상태**: 검증 완료 (Verified)
|
||||
- **출처 신뢰도**: A
|
||||
- **검토 이유**: AI 기술을 엔지니어링 실무에 결합하여 생산성과 품질을 혁신하는 현대적 워크플로우 표준 정립.
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
|
||||
> *(TODO: 한 문장으로 핵심 통찰을 작성. "X는 Y 조건에서 Z 효과를 낸다" 구조 권장.)*
|
||||
|
||||
## 📖 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.
|
||||
|
||||
## ⚠️ 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 |
|
||||
|
||||
## 💻 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)*
|
||||
@@ -1,79 +1,25 @@
|
||||
---
|
||||
category: Unified
|
||||
tags: [auto-consolidated, technical-documentation]
|
||||
title: AI-Safety (AI 안전)
|
||||
last_updated: 2026-05-02
|
||||
id: wiki-20260508-ai-safety-redir
|
||||
title: AI Safety
|
||||
category: AI_and_ML
|
||||
status: merged
|
||||
redirect_to: AI Safety
|
||||
canonical_id: AI Safety
|
||||
aliases: []
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.92
|
||||
tags: [redirect]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-05-08
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-merge 2026-05-08)
|
||||
---
|
||||
|
||||
# AI-Safety (AI 안전)
|
||||
# AI Safety
|
||||
|
||||
## 📌 Brief 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.
|
||||
> [!IMPORTANT]
|
||||
> 이 문서는 P-Reinforce Phase 2 자동 MERGE에 의해 **[[AI Safety]]**로 통합되었습니다.
|
||||
|
||||
---
|
||||
|
||||
> "지능의 고비를 넘는 안전장치: AI가 인간의 의도를 오해하거나 예측 불가능하게 행동하여 신체적, 정신적, 사회적 피해를 입히지 않도록 연구하는 기술적 보안 및 예방 체계."
|
||||
|
||||
---
|
||||
|
||||
AI 안전(AI Safety)은 AI 시스템이 설계된 목표 내에서만 안전하게 작동하도록 보장하고, 인간에게 해로운 행동을 하지 못하도록 방지하는 기술적 보안 및 예방 체계입니다 [1]. 인간보다 강력한 지능이 탄생했을 때, 그 지능이 인간의 목표와 일치(Alignment)하도록 설계하고, 돌발 상황에서도 오작동하지 않는 견고함(Robustness)을 갖추는 것이 핵심입니다 [1, 2].
|
||||
|
||||
## 📖 Core Content
|
||||
- **[[Robustness|Robustness]]**:
|
||||
- 적대적 공격(Adversarial Attack)이나 처음 보는 돌발 상황에서도 AI가 오작동하지 않고 안전하게 관리되는 성질.
|
||||
- **[[Interpretability|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.
|
||||
|
||||
---
|
||||
|
||||
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.
|
||||
|
||||
---
|
||||
|
||||
* **3대 연구 및 기술 영역**
|
||||
- **기술적 견고성 (Technical Robustness)**: 적대적 공격(Adversarial Attack)이나 처음 보는 돌발 상황에서도 AI가 붕괴하지 않고 안전하게 관리되는 성질 [1, 3].
|
||||
- **정렬 및 인센티브 설계 (Alignment/Incentive Design)**: 모델이 점수를 얻기 위해 지름길(Cheat)을 택하지 않고, 인간의 실제 의도와 가치를 충실히 따르도록 설계하는 기술 [1, 4].
|
||||
- **감시 및 통제 (Monitoring & Control)**: 신경망의 판단 논리를 인간이 이해할 수 있게 분석하는 '기계적 해석 가능성(Mechanistic Interpretability)'과, 비정상 징후 시 즉시 차단(Kill-switch)할 수 있는 체계를 포함합니다 [1, 5, 6].
|
||||
|
||||
* **주요 위협 및 대응**
|
||||
- 딥페이크(Deepfakes)를 통한 여론 조작, 자율 무기 시스템의 오류, 통제권을 벗어난 초지능(AGI)의 출현 등이 주요 위협 사례입니다 [1].
|
||||
- 현대의 정책은 배포 전 레드팀(Red-teaming)을 통한 사전 검증을 의무화하고 있으며, 단순히 기술적 안전을 넘어 사회적 가치와 공존하는지 검증하는 '거버넌스 연계형 AI 안전'으로 확장되고 있습니다 [1, 7].
|
||||
|
||||
## ⚖️ Trade-offs & Caveats
|
||||
- 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.
|
||||
|
||||
---
|
||||
|
||||
- **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.
|
||||
|
||||
---
|
||||
|
||||
- **성능-안전 시너지**: AI 안전이 모델 성능을 늦춘다는 비판도 있으나, 정교하게 정렬된(Aligned) 모델이 오히려 더 나은 사고 능력과 실무 성능을 보여주는 시너지가 확인되고 있습니다 [1].
|
||||
|
||||
## 🔗 Knowledge Connections
|
||||
- Related: [[AI-Alignment|AI-Alignment]] , AI-Governance
|
||||
- [[Strategy|Strategy]]: [[Reliability_Safety_First|Reliability_Safety_First]]
|
||||
|
||||
---
|
||||
|
||||
- [[Alignment|Alignment]], [[AI Governance|AI Governance]], [[Safety & Reliability|Safety & Reliability]], [[Generative-AI|Generative-AI]]-Safety, [[Ethics & AI|Ethics & AI]]
|
||||
- **Modern Tech/Tools**: RLHF (Reinforcement Learning from Human Feedback), Jailbreak [[Testing|Testing]], Model evaluation suites.
|
||||
---
|
||||
|
||||
---
|
||||
|
||||
- **Related Topics**: AI 정렬 (AI Alignment, AI 거버넌스 (AI Governance), 안전 및 신뢰성 (Safety & Reliability), 윤리 및 AI (Ethics & AI
|
||||
- **Projects/Contexts**: UK AI Safety Summit, RLHF (Reinforcement Learning from Human Feedback
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-30*
|
||||
*Redirected to: [[AI Safety]]*
|
||||
|
||||
@@ -1,18 +1,29 @@
|
||||
---
|
||||
category: Unified
|
||||
id: wiki-2026-0508-ai-기반-코드-분석-자동화autofix-및-triage
|
||||
title: AI 기반 코드 분석 자동화Autofix 및 Triage
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
canonical_id: self
|
||||
aliases: []
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.92
|
||||
tags: [auto-wikified, technical-documentation]
|
||||
title: AI 기반 코드 분석 자동화(Autofix 및 Triage)
|
||||
description: "AI 기반 코드 분석 자동화(Autofix 및 Triage)는 소프트웨어 개발 과정에서 발생하는 오류, 보안 취약점, 구조적 결함을 자동으로 탐지하고 수정 사항을 제안하거나 자동 적용하는 기술이다 [1, 2]."
|
||||
last_updated: 2026-05-02
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-05-08
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
tech_stack:
|
||||
language: unspecified
|
||||
framework: unspecified
|
||||
---
|
||||
|
||||
# AI 기반 코드 분석 자동화(Autofix 및 Triage)
|
||||
|
||||
## 📌 Brief Summary
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
AI 기반 코드 분석 자동화(Autofix 및 Triage)는 소프트웨어 개발 과정에서 발생하는 오류, 보안 취약점, 구조적 결함을 자동으로 탐지하고 수정 사항을 제안하거나 자동 적용하는 기술이다 [1, 2]. 단순한 정적 분석을 넘어 인공지능이 코드의 문맥과 아키텍처를 이해하여 오탐지(False Positive)를 줄이고, 발견된 문제의 위험도와 실제 악용 가능성에 따라 해결 우선순위를 지능적으로 분류(Triage)한다 [3-5]. 이를 통해 코드 리뷰에 소요되는 시간을 단축하고, 개발자가 반복적인 디버깅이나 버그 수정 대신 핵심 기능 구현에 집중할 수 있도록 돕는다 [2, 6, 7].
|
||||
|
||||
## 📖 Core Content
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
* **자동화된 분석 및 지능형 우선순위 지정(Triage):**
|
||||
최신 AI 기반 코드 분석 도구들은 정적/동적 분석과 머신러닝 기반 AI 추론을 결합하여 오탐률(False Positives)을 획기적으로 낮춘다 [1, 3]. 예를 들어 Qwiet AI와 같은 도구는 코드 속성 그래프(CPG)를 활용해 취약점의 실제 악용 가능성(Exploitability)을 분석하며, Fortify 등은 머신러닝으로 고위험 취약점을 강조하는 방식으로 개발 팀의 문제 해결 우선순위를 효과적으로 정렬해 준다 [4, 5, 8].
|
||||
* **AI 주도 자동 수정(Autofix) 기능:**
|
||||
@@ -22,16 +33,14 @@ AI 기반 코드 분석 자동화(Autofix 및 Triage)는 소프트웨어 개발
|
||||
* **티켓 및 이슈 시스템과의 직접 연동:**
|
||||
Kodesage와 같은 엔터프라이즈 플랫폼은 코드 리뷰 시스템뿐만 아니라 Jira 등의 티켓 시스템, 데이터베이스 스키마, 문서를 하나로 통합한다 [17-19]. 이를 통해 이슈 티켓을 분석한 후, 티켓 댓글에 직접 영향받는 파일에 대한 레퍼런스와 해결 방법(Fix recommendations)을 자동으로 남겨주는 코멘팅 기능을 제공한다 [18].
|
||||
|
||||
## ⚖️ Trade-offs & Caveats
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
* **대규모 변경에 대한 AI 컨텍스트 한계:** 50개 이상의 파일이 변경되는 등 대규모 PR의 경우, AI 모델이 전체 맥락을 온전히 이해하고 리뷰하는 데 한계를 보일 수 있어 세부적인 질문으로 쪼개어 접근해야 한다 [20]. 또한 Sourcery와 같이 단일 파일 분석에 그치는 도구는 코드베이스 전체의 연결성을 파악하지 못할 위험이 있다 [21].
|
||||
* **자동 수정 기능의 일괄 적용 한계:** Autofix 기능이 강력하더라도, 여러 파일에 걸친 대규모(Bulk) 일괄 수정이나 아키텍처 전반의 구조적 리팩토링에는 한계를 보여 결국 수동 리뷰가 병행되어야 한다 [22].
|
||||
* **초기 인덱싱 시간 및 툴 응답 속도 지연:** 40만 개 이상의 파일을 가진 거대 코드베이스에 AI 컨텍스트 엔진을 처음 연동할 때 2~4시간의 인덱싱 시간이 소요될 수 있다 [23]. GitHub Copilot Enterprise의 경우 거대한 파일에서 3~30초가량 IDE가 멈추는(Freeze) 현상이 보고되기도 하였다 [24].
|
||||
* **AI 환각(Hallucination) 현상과 커스텀 룰 의존도:** 비주류 프레임워크나 복합적인 패턴에서는 AI의 환각 발생률이 최대 34%까지 나타날 수 있다 [24]. 또한 커스텀 규칙 기반 시스템(예: Semgrep)의 분석 정확도는 결국 작성된 룰의 품질에 크게 좌우되므로, 이를 위한 지속적인 튜닝 작업 오버헤드가 발생한다 [25-27].
|
||||
* **완전 자동화 불가능 및 인간 검증의 필요성:** AI 자동 리뷰는 런타임 버그의 42~48% 정도를 식별할 수 있지만, 기능적 요구사항 확인, 보안 취약점의 정합성 평가, 런타임 테스트를 완벽하게 대체할 수 없으므로 최종적으로는 숙련된 개발자의 검증이 필수적이다 [20, 28].
|
||||
|
||||
## 🔗 Knowledge Connections
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
### Related Concepts
|
||||
|
||||
#### [관계 유형 A (아키텍처/기반 기술)]
|
||||
@@ -77,4 +86,53 @@ AI 기반 코드 분석 자동화(Autofix 및 Triage)는 소프트웨어 개발
|
||||
- 확장 방향: 자사 개발 코드를 스캔하는 것을 넘어, 현대 애플리케이션의 핵심 구성 요소인 서드파티 의존성 패키지(SCA)와 빌드 환경에서의 취약점 및 악성 코드 삽입 위협을 탐지하고 차단하는 영역으로 지식을 확장한다 [26, 30, 46].
|
||||
|
||||
---
|
||||
*Last updated: 2026-05-02*
|
||||
*Last updated: 2026-05-02*
|
||||
|
||||
## 🤖 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)*
|
||||
@@ -1,13 +1,23 @@
|
||||
---
|
||||
category: Unified
|
||||
id: wiki-2026-0508-ai-코드-리뷰
|
||||
title: AI 코드 리뷰
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
canonical_id: self
|
||||
aliases: []
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.92
|
||||
tags: [auto-consolidated, technical-documentation]
|
||||
title: AI 기반 보상 및 난이도 스케일링
|
||||
last_updated: 2026-05-02
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-05-08
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
---
|
||||
|
||||
# AI 기반 보상 및 난이도 스케일링
|
||||
|
||||
## 📌 Brief Summary
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
AI 기반 보상 및 난이도 스케일링은 인공지능을 활용하여 플레이어의 데이터와 행동 패턴을 분석하고, 이에 맞춰 실시간으로 게임의 난이도와 보상을 동적으로 조정하는 기술을 의미한다 [1, 2]. 이를 통해 플레이어는 지루함이나 좌절감을 느끼지 않고 최적의 '몰입(Flow)' 상태를 지속적으로 유지할 수 있다 [2]. 또한, 이 기술은 개인화된 보상 체계를 제공하는 동시에 자율 AI 에이전트를 통해 게임 경제의 취약점을 사전에 찾아내어 경제 시스템의 무결성을 보호하는 역할을 한다 [1].
|
||||
|
||||
---
|
||||
@@ -30,7 +40,7 @@ AI 이미지 생성 파이프라인은 사용자가 입력한 텍스트 프롬
|
||||
|
||||
스테이블 디퓨전(Stable Diffusion)으로 대표되는 오픈소스 AI 이미지 생성 모델은 사용자가 직접 로컬 하드웨어(GPU) 환경에서 구동하며 고도의 맞춤형 작업이 가능한 기술이다 [1, 2]. 이 모델들은 프롬프트 가중치 조절, 부정 프롬프트, 그리고 컨트롤넷(ControlNet)과 같은 도구를 통해 생성 과정 전반에 걸쳐 픽셀 단위의 정밀한 통제력을 제공한다 [3, 4]. 클라우드 기반의 상용 모델과 달리, 도메인 특화 미세 조정(Fine-tuning)과 완벽한 데이터 프라이버시를 보장하여 전문가 수준의 워크플로우를 구축할 수 있게 해준다 [2, 5].
|
||||
|
||||
## 📖 Core Content
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
* **실시간 적응형 난이도 조정 (Adaptive Difficulty):**
|
||||
AI는 플레이어의 데이터를 분석하여 실시간으로 게임의 난이도를 조정함으로써 개별 플레이어가 끊임없이 '몰입' 상태를 유지할 수 있도록 돕는다 [2]. 게임 디자인 과정에서 AI 밸런서(Balancer)와 같은 도구를 활용하면, 수동으로 파라미터를 조정하는 대신 "첫 10분 동안 플레이어가 3번만 죽도록 한다"와 같은 목표를 설정하여 시스템이 파라미터를 자동으로 최적화하게 만들 수 있다 [3].
|
||||
* **개인화된 보상 및 AI 스케일링 제어:**
|
||||
@@ -99,11 +109,11 @@ AI 이미지 생성 파이프라인은 사용자가 입력한 텍스트 프롬
|
||||
* **컨트롤넷(ControlNet)을 활용한 픽셀 단위 구조 통제**: 단순한 텍스트 프롬프트의 한계를 극복하기 위한 고급 기술로 컨트롤넷이 활용된다. 이는 이미지의 뼈대(Pose)나 윤곽선(Canny Edge) 정보를 강제로 주입하여, 인체의 자세나 사물의 배치를 픽셀 단위로 통제할 수 있게 해주는 하드웨어 및 모델 수준의 강력한 제어 도구이다 [4].
|
||||
* **부정 프롬프트(Negative Prompt)를 통한 품질 최적화**: 오픈소스 워크플로우에서 부정 프롬프트는 단순한 필터링이 아니라 생성(확산) 과정 자체를 원치 않는 개념으로부터 밀어내는 핵심 제어 시스템이다 [18]. 해부학적 오류(예: 기형적인 손가락), 워터마크, 저화질 등을 차단하도록 정교하게 설계된 부정 프롬프트는 모델의 원치 않는 편향을 억제하고 반복적인 생성 실패를 줄여 높은 품질의 이미지를 안정적으로 제공한다 [4, 19-22].
|
||||
|
||||
## ⚖️ Trade-offs & Caveats
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요.
|
||||
- **정책 변화:** AI 분야의 자동 자산화 수행.
|
||||
|
||||
## 🔗 Knowledge Connections
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Related Topics:** 게임 경제 밸런싱(Game Economy Balancing, 몰입(Flow), [[생성형 AI (Generative AI)|생성형 AI(Generative AI]]
|
||||
- **Projects/Contexts:** 마키네이션 AI 밸런서(Machinations AI Balancer
|
||||
- **Contradictions/Notes:** 소스 내에서 이견이나 상충되는 주장은 없으나, AI를 통한 보상 스케일링이 경제적 인플레이션이나 불균형으로 이어지지 않도록 반드시 사전에 시뮬레이션을 통한 검증과 통제가 수반되어야 함이 공통적으로 강조된다 [1, 4].
|
||||
@@ -157,3 +167,29 @@ AI 이미지 생성 파이프라인은 사용자가 입력한 텍스트 프롬
|
||||
|
||||
---
|
||||
*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.
|
||||
|
||||
## 🕓 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-37563B
|
||||
category: Unified
|
||||
confidence_score: 0.90
|
||||
id: wiki-2026-0508-ai와-기계에게-검열-맡기기-정적-분석-툴-eslint-p
|
||||
title: AI와 기계에게 검열 맡기기 정적 분석 툴 (ESLint Prettier))
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
canonical_id: self
|
||||
aliases: [P-Reinforce-AUTO-37563B]
|
||||
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 - AI와 기계에게 검열 맡기기_ - 정적 분석 툴 ([[ESLint|ESLint]] [[Prettier|Prettier]]))"
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
tech_stack:
|
||||
language: unspecified
|
||||
framework: unspecified
|
||||
---
|
||||
|
||||
# AI와 기계에게 검열 맡기기_ - 정적 분석 툴 (ESLint Prettier))
|
||||
@@ -29,7 +40,7 @@ github_commit: "[P-Reinforce] Continuous Worker - AI와 기계에게 검열 맡
|
||||
* 기계에 코드 검열을 맡기면 사소한 스타일 논쟁을 없애고 개발자의 인지 부하를 줄여 비즈니스 로직 해결에 몰입(Flow)할 수 있게 돕습니다 [21, 22].
|
||||
* 하지만 자동화에 과도하게 의존할 경우, 개발자의 비판적 사고 근육이 퇴화하고 자동화 도구의 검사만 통과하면 된다고 여기는 '녹색 체크마크 증후군(Green Check Mark Syndrome)'을 유발할 수 있습니다 [23, 24]. 또한 AI 도구 역시 전체 취약점의 약 22%를 놓치는 사각지대가 존재하므로, 아키텍처 설계와 도메인 비즈니스 로직 등 고위험 검토에는 여전히 인간의 판단(Human-in-the-loop)이 필수적입니다 [24-26].
|
||||
|
||||
## ⚠️ 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.
|
||||
|
||||
@@ -42,3 +53,52 @@ github_commit: "[P-Reinforce] Continuous Worker - AI와 기계에게 검열 맡
|
||||
*Last updated: 2026-04-18*
|
||||
|
||||
---
|
||||
|
||||
## 🤖 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|P-Reinforce]]-AUTO-9FD5CF
|
||||
category: Unified
|
||||
confidence_score: 0.90
|
||||
id: wiki-2026-0508-api-응답-모델링-및-상태-머신-state-machine
|
||||
title: API 응답 모델링 및 상태 머신(State Machine) 설계
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
canonical_id: self
|
||||
aliases: [P-Reinforce-AUTO-9FD5CF]
|
||||
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 - API 응답 모델링 및 상태 머신([[State|State]] Machine) 설계"
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
tech_stack:
|
||||
language: unspecified
|
||||
framework: unspecified
|
||||
---
|
||||
|
||||
# [[API 응답 모델링 및 상태 머신(State Machine) 설계|API 응답 모델링 및 상태 머신(State Machine) 설계]]
|
||||
@@ -25,7 +36,7 @@ github_commit: "[P-Reinforce] Continuous Worker - API 응답 모델링 및 상
|
||||
- **외부 데이터 런타임 검증과의 결합**:
|
||||
외부 API에서 전달받은 응답은 TypeScript의 컴파일 타임 시스템만으로는 런타임에서의 완벽한 안전성을 보장할 수 없다 [12, 13]. 따라서 Zod와 같은 런타임 검증 라이브러리와 식별 가능한 유니온을 결합하여 사용하면, 예기치 않은 형태의 API 데이터로 인해 상태 머신이 망가지는 것을 방어할 수 있다 [12, 13].
|
||||
|
||||
## ⚠️ 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.
|
||||
|
||||
@@ -38,3 +49,52 @@ github_commit: "[P-Reinforce] Continuous Worker - API 응답 모델링 및 상
|
||||
*Last updated: 2026-04-18*
|
||||
|
||||
---
|
||||
|
||||
## 🤖 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|P-Reinforce]]-AUTO-09EEF3
|
||||
category: Unified
|
||||
confidence_score: 0.90
|
||||
id: wiki-2026-0508-api-응답-및-상태-모델링-state-modeling-a
|
||||
title: API 응답 및 상태 모델링 (State Modeling and API Responses)
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
canonical_id: self
|
||||
aliases: [P-Reinforce-AUTO-09EEF3]
|
||||
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 - API 응답 및 상태 모델링 ([[State|State]] Modeling and API Responses)"
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
tech_stack:
|
||||
language: unspecified
|
||||
framework: unspecified
|
||||
---
|
||||
|
||||
# [[API 응답 및 상태 모델링 (State Modeling and API Responses)|API 응답 및 상태 모델링 (State Modeling and API Responses]]
|
||||
@@ -25,7 +36,7 @@ github_commit: "[P-Reinforce] Continuous Worker - API 응답 및 상태 모델
|
||||
* **메타데이터를 통한 API 제어 흐름 분리**
|
||||
내부 로직을 원활하게 디버깅하고 시스템의 옵저버빌리티를 높이기 위해, 응답 객체에 `_tag`와 같은 내부 식별용 메타데이터를 추가하여 상태를 정의하는 패턴도 사용된다 [23-25]. 이를 활용하면 클라이언트에서는 단순한 HTTP 상태 코드를 넘어, 각각의 메타데이터 값에 맞게 세밀한 맞춤형 제어 및 에러 처리를 수행할 수 있다 [25].
|
||||
|
||||
## ⚠️ 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:** Design & Experience 분야의 자동 자산화 수행.
|
||||
|
||||
@@ -38,3 +49,52 @@ github_commit: "[P-Reinforce] Continuous Worker - API 응답 및 상태 모델
|
||||
*Last updated: 2026-04-18*
|
||||
|
||||
---
|
||||
|
||||
## 🤖 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)*
|
||||
@@ -1,18 +1,92 @@
|
||||
---
|
||||
id: wiki-2026-0508-api-backed-image-generation-work
|
||||
title: API backed Image Generation Workflow
|
||||
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)
|
||||
tech_stack:
|
||||
language: unspecified
|
||||
framework: unspecified
|
||||
---
|
||||
|
||||
# [[API-backed Image Generation Workflow|API-backed Image Generation Workflow]]
|
||||
|
||||
## 📌 Brief Summary
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
API 기반 이미지 생성 워크플로우는 수동적인 이미지 창작을 프로그래밍 방식으로 제어 가능한 자동화 파이프라인으로 전환하는 프로세스를 의미합니다 [1, 2]. 이는 애플리케이션 내에서 생성 작업을 예약하고, 비동기 상태를 관리하며, 비용 효율적인 초안 모드(Draft Mode)를 거쳐 최종 이미지를 확정하는 일련의 과정을 포함합니다 [2-5]. 개발자와 기업은 이러한 API를 통해 고도의 프롬프트 엔지니어링 및 이미지/비디오 생성 기능을 외부 도구나 자체 서비스에 직접 통합할 수 있습니다 [6, 7].
|
||||
|
||||
## 📖 Core Content
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **프로그래밍 방식의 작업 제어 및 아키텍처 설계:** API 경로를 통해 이미지 생성 모델(예: Midjourney V7, Veo 3.1)을 호출하면, 프로그래밍 방식으로 작업을 생성하고 결과를 파이프라인의 다음 단계로 전달할 수 있습니다 [2, 7, 8]. 이는 단순히 하나의 단일 모델로 모든 작업을 처리하는 대신, 컨셉 도출, 정확한 편집, 텍스트가 많은 디자인 등 각 작업의 특성에 맞춰 여러 이미지 생성 모델(라우트)을 유연하게 비교하고 활용하는 건강한 아키텍처 구축을 가능하게 합니다 [8, 9].
|
||||
- **비동기 상태 관리 (Async State Machine):** 프로덕션 환경의 API 통합에서는 비동기적 생성 과정의 상태 관리가 매우 중요합니다 [2, 5]. 시스템은 단순히 작업을 '완료'나 '오류'로만 분류해서는 안 되며, 생성 실행 중, 기술적 실패, 콘텐츠 필터링 차단, 사용자 검토 대기, 고품질 향상(enhancement) 선택됨, 최종 에셋 준비 완료 등 세분화된 상태를 구별하여 설계해야 합니다 [2, 5].
|
||||
- **디버깅과 자동화를 위한 데이터 모델링:** API 기반 시스템에서는 단순히 최종 결과물의 URL만 저장하는 것이 아니라, 사용된 프롬프트, 참조(References) 이미지, 선택된 시안 후보, 생성 경로 등의 전체 데이터를 저장하는 것이 권장됩니다 [10, 11]. 이를 통해 특정 결과물의 생성 원인을 디버깅할 수 있고, 사용자가 어떤 스타일을 선택하는지 또는 어떤 프롬프트 패턴이 지속적으로 실패하는지 학습하여 향후 자동화를 용이하게 만들 수 있습니다 [10, 11].
|
||||
- **초안 모드(Draft Mode)를 활용한 비용 및 워크플로우 최적화:** 모든 프롬프트가 즉시 완성된 에셋을 도출해야 한다는 가정은 API 환경에서 비용을 높이고 비효율을 초래합니다 [4, 12]. 대신 처리 비용이 저렴한 초안 모드로 여러 구성의 시안을 생성한 뒤, 사용자가 유망한 방향을 선택하면 이를 고품질 결과물로 승격시키는(promote) 루프를 설계하는 것이 매우 중요합니다 [3, 4].
|
||||
|
||||
## 🔗 Knowledge Connections
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Related Topics:** 비동기적 생성 상태 관리 (Async Generation State), 프롬프트 데이터 모델링 (Prompt Data Modeling), 초안 모드 (Draft Mode)
|
||||
- **Projects/Contexts:** Midjourney V7 API Workflow, Vertex AI Veo 3.1 API Integration
|
||||
- **Contradictions/Notes:** API 환경에서 프롬프트에 스타일 참조나 옴니 참조 기능을 적용하더라도 이미지 생성이 완벽하게 결정론적(deterministic)으로 이루어지는 것은 아니므로 프로덕션 팀은 이를 인지하고 워크플로우를 설계해야 합니다 [5]. 또한, 모델의 구성이 훌륭하다고 해서 텍스트 타이포그래피까지 정확하게 생성되는 것은 아니므로 정확한 텍스트가 필요한 경우 별도의 디자인 단계를 계획해야 합니다 [5].
|
||||
|
||||
---
|
||||
*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 |
|
||||
|
||||
## 💻 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)*
|
||||
@@ -1,20 +1,33 @@
|
||||
---
|
||||
category: Unified
|
||||
id: wiki-2026-0508-ast-abstract-syntax-tree
|
||||
title: AST(Abstract Syntax Tree)
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
canonical_id: self
|
||||
aliases: []
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.92
|
||||
tags: [auto-consolidated, technical-documentation]
|
||||
title: [[AST(Abstract Syntax Tree)|AST(Abstract Syntax Tree]]
|
||||
last_updated: 2026-05-02
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-05-08
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
tech_stack:
|
||||
language: unspecified
|
||||
framework: unspecified
|
||||
---
|
||||
|
||||
# [[AST(Abstract Syntax Tree)|AST(Abstract Syntax Tree]]
|
||||
|
||||
## 📌 Brief Summary
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> AST(Abstract Syntax Tree, 추상 구문 트리)는 소스 코드를 파싱하여 프로그래밍 언어의 문법적 구조를 트리 형태로 표현한 데이터 구조입니다. 공백이나 들여쓰기 같은 표면적인 레이아웃 정보는 배제하고 본질적인 구문 특징과 알고리즘 구조만을 보존하는 것이 특징입니다 [1]. 주로 [[SAST|SAST]](정적 애플리케이션 보안 테스트), 린팅(Linting), 그리고 코드 작성자를 식별하는 코드 스타일로메트리(Code Stylometry) 분야에서 코드를 분석하는 핵심 기반으로 사용됩니다 [1, 2].
|
||||
|
||||
---
|
||||
|
||||
추상 구문 트리(AST, Abstract Syntax Tree)는 최신 AI 기반 코드 분석 및 리뷰 도구에서 코드베이스를 심층적으로 검사하기 위해 활용되는 핵심 기반 기술입니다 [1, 2]. CodeRabbit과 같은 도구에서 정적 애플리케이션 보안 테스트(SAST) 및 생성형 AI와 결합되어 코드의 런타임 버그를 탐지하고 시니어 엔지니어 수준의 피드백을 제공하는 데 사용됩니다 [3, 4]. 소스 데이터 내에는 AST의 기술적 구조나 파싱 원리에 대한 구체적인 정보가 부족합니다.
|
||||
|
||||
## 📖 Core Content
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
* **AST의 구조적 특징 및 CST와의 차이**
|
||||
AST는 소스 코드를 구문 분석(Parsing)하여 만들어지며, 컴파일러나 분석 도구가 코드를 이해하는 추상적인 뼈대 역할을 합니다 [1, 2]. 코드의 들여쓰기나 줄 바꿈 등 레이아웃 속성을 철저히 보존하는 CST(Concrete Syntax Tree)와 달리, AST는 이러한 레이아웃 특징을 무시합니다 [1, 3]. 따라서 코드를 포맷팅하거나 여백을 크게 수정하더라도 구문이 동일하다면 파싱 후 생성되는 AST의 구조는 변하지 않습니다 [3].
|
||||
|
||||
@@ -31,7 +44,7 @@ last_updated: 2026-05-02
|
||||
- **심층적 코드 리뷰 지원**: 단순한 텍스트나 구문 검사를 넘어, AST는 코드베이스의 맥락과 구조를 파악하여 심층적인 코드 리뷰를 수행할 수 있도록 돕습니다 [2].
|
||||
- *(소스에 관련 정보가 부족합니다: AST가 코드를 어떻게 노드 트리 형태로 변환하는지, 파서(Parser)와의 상호작용 방식 등 기술적 작동 원리에 대한 구체적인 설명은 소스에 존재하지 않습니다.)*
|
||||
|
||||
## ⚖️ Trade-offs & Caveats
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요.
|
||||
- **정책 변화:** Programming & Language 분야의 자동 자산화 수행.
|
||||
|
||||
@@ -40,7 +53,7 @@ last_updated: 2026-05-02
|
||||
- AST 분석을 통해 실제 런타임 버그를 높은 비율로 발견할 수 있으나, 시스템의 기능성(functionality), 보안 취약점, 아키텍처 정렬 등을 완벽히 확인하기 위해서는 여전히 인간의 검증(Human validation)이 필수적으로 요구됩니다 [1].
|
||||
- *(소스에 관련 정보가 부족합니다: AST를 생성하거나 순회하는 과정에서 발생하는 컴퓨팅 리소스 소모, 메모리 오버헤드, 혹은 언어별 파싱 복잡도 등 직접적인 기술적 트레이드오프나 제약 사항에 대한 정보는 소스에 없습니다.)*
|
||||
|
||||
## 🔗 Knowledge Connections
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Related Topics:** CST(Concrete Syntax Tree), [[정적 애플리케이션 보안 테스트 (SAST)|정적 애플리케이션 보안 테스트(SAST]], 코드 스타일로메트리(Code Stylometry), [[정적 분석(Static Analysis)|정적 분석(Static Analysis]]
|
||||
- **Projects/Contexts:** 기계학습 기반의 소스 코드 저자 식별 연구, AI 기반 코드 복잡도 분석(카카오), 정적 보안 취약점 스캐닝 파이프라인
|
||||
- **Contradictions/Notes:** AST 기반의 분석은 작성자의 본질적인 프로그래밍 구조를 파악하고 위조 공격에 강하다는 장점이 있지만, 공백이나 들여쓰기 등 개발자의 개성이 묻어나는 '레이아웃 특징'을 담지 못합니다. 이로 인해 소스 코드 작성자 식별 실험에서 AST 기반 모델(51.00%)은 레이아웃 정보까지 포함하는 CST 기반 모델(67.86%)에 비해 상대적으로 낮은 정확도를 보였습니다 [10, 11].
|
||||
@@ -94,4 +107,41 @@ last_updated: 2026-05-02
|
||||
## 🧬 중복 검사 (Duplicate Check)
|
||||
- **기존 유사 문서:** None
|
||||
- **처리 방식:** CREATE
|
||||
- **처리 이유:** 신규 지식 체계 도입
|
||||
- **처리 이유:** 신규 지식 체계 도입
|
||||
|
||||
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
|
||||
|
||||
**언제 이 지식을 쓰는가:**
|
||||
- *(TODO)*
|
||||
|
||||
**언제 쓰면 안 되는가:**
|
||||
- *(TODO)*
|
||||
|
||||
## 🕓 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)*
|
||||
@@ -1,17 +1,20 @@
|
||||
---
|
||||
id: P-REINFORCE-WIKI-DEV-AST
|
||||
title: "추상 구문 트리와 정적 코드 분석 원리 (AST)"
|
||||
category: Unified
|
||||
id: wiki-2026-0508-abstract-syntax-tree
|
||||
title: Abstract Syntax Tree
|
||||
category: 10_Wiki/Topics
|
||||
status: verified
|
||||
canonical_id: ""
|
||||
aliases: ["AST", "추상 구문 트리", "Abstract Syntax Tree", "구문 분석", "파싱 트리"]
|
||||
duplicate_of: ""
|
||||
canonical_id: self
|
||||
aliases: [P-REINFORCE-WIKI-DEV-AST, AST, 추상 구문 트리, Abstract Syntax Tree, 구문 분석, 파싱 트리]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 1.0
|
||||
tags: ["Static_Analysis", "Compilers", "Parsing", "Code_Modeling", "Review"]
|
||||
raw_sources: ["Datacollector_Export_2026-05-02"]
|
||||
tags: [Static_Analysis, Compilers, Parsing, Code_Modeling, Review]
|
||||
raw_sources: [Datacollector_Export_2026-05-02]
|
||||
last_reinforced: 2026-05-02
|
||||
github_commit: ""
|
||||
github_commit: pending
|
||||
tech_stack:
|
||||
language: unspecified
|
||||
framework: unspecified
|
||||
---
|
||||
|
||||
# [[추상 구문 트리와 정적 코드 분석 원리 (AST)]]
|
||||
@@ -44,3 +47,70 @@ github_commit: ""
|
||||
- **정보 상태**: 검증 완료 (Verified)
|
||||
- **출처 신뢰도**: A
|
||||
- **검토 이유**: 소프트웨어를 정적·구조적으로 해독하고 자동화된 품질 보증 체계를 구축하기 위한 컴퓨터 과학 기반의 표준 모델 정립.
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
|
||||
> *(TODO: 한 문장으로 핵심 통찰을 작성. "X는 Y 조건에서 Z 효과를 낸다" 구조 권장.)*
|
||||
|
||||
## 📖 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.
|
||||
|
||||
## ⚠️ 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 |
|
||||
|
||||
## 💻 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)*
|
||||
@@ -1,9 +1,21 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-ACIN-001
|
||||
category: Unified
|
||||
id: wiki-2026-0508-academic-integrity
|
||||
title: Academic Integrity
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
canonical_id: self
|
||||
aliases: [P-Reinforce-AUTO-ACIN-001]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.96
|
||||
tags: [auto-reinforced, academic-inte[[Grit|Grit]]y, ethics, [[Research|Research]]-conduct, plagiarism, ai-writing]
|
||||
tags: [auto-reinforced, academic-inteGrity, ethics, Research-conduct, plagiarism, ai-writing]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
tech_stack:
|
||||
language: unspecified
|
||||
framework: unspecified
|
||||
---
|
||||
|
||||
# [[Academic-Integrity|Academic-Integrity]]
|
||||
@@ -25,7 +37,7 @@ last_reinforced: 2026-04-20
|
||||
* **Fabrication (변조)**: 존재하지 않는 데이터를 만들어냄.
|
||||
* **Falsification (왜곡)**: 연구 결과를 의도적으로 조작.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- **과거 데이터와의 충돌**: 과거에는 '인용 누락'이 주된 이슈였으나, 현대의 AI 정책은 'AI가 생성한 텍스트'를 어디까지 자신의 지적 기여로 볼 것인가에 대한 정책적 재정립을 요구받고 있음(RL Update).
|
||||
- **정책 변화(RL Update)**: 단순히 AI 사용을 금지하는 폐쇄적 정책에서 벗어나, AI 사용 여부와 프롬프트 과정을 투명하게 공개하는 'AI 활용 공표 정책' 및 '인간-AI 공동 저작권 가이드라인' 수립 방향으로 진화 중임.
|
||||
|
||||
@@ -33,3 +45,52 @@ last_reinforced: 2026-04-20
|
||||
- [[Ethics & AI|Ethics & AI]], [[Scientific Communication|Scientific Communication]], [[Toxicity-and-Bias-Mitigation|Toxicity-and-Bias-Mitigation]], [[Sociology of Knowledge|Sociology of Knowledge]], [[Workflow-Integrity|Workflow-Integrity]]
|
||||
- **Modern Tech/Tools**: Turnitin (Plagiarism detection), AI-generated text detectors, Citation managers (Zotero).
|
||||
---
|
||||
|
||||
## 🤖 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)*
|
||||
@@ -1,9 +1,29 @@
|
||||
---
|
||||
id: wiki-2026-0508-accessibility
|
||||
title: Accessibility
|
||||
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)
|
||||
tech_stack:
|
||||
language: unspecified
|
||||
framework: unspecified
|
||||
---
|
||||
|
||||
# [[Accessibility|Accessibility]]
|
||||
|
||||
## 📌 Brief Summary
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
접근성(Accessibility, A11y)은 장애 여부나 기기 환경에 관계없이 모든 사용자가 인터페이스를 원활하게 이용할 수 있도록 보장하는 핵심 설계 원칙이다 [1]. 확장 가능한 React 컴포넌트 아키텍처에서는 재사용성을 확보하기 위해 ARIA 역할(roles), 키보드 탐색, 포커스 관리, 화면 판독기(Screen-reader) 지원 등을 컴포넌트 단계에서 기본적으로 내장해야 한다 [1-3].
|
||||
|
||||
## 📖 Core Content
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **재사용 가능한 컴포넌트의 필수 조건**: 접근성은 디자인 완료 후 나중에 추가하는 것이 아니라 '최우선(First-Class)'으로 컴포넌트의 DNA에 내장되어야 한다 [1, 3]. 접근성을 나중에 덧붙이는 방식(afterthought)으로 처리하면 비용과 수고가 두 배로 든다 [4]. 상호작용 요소에는 적절한 시맨틱 태그, 역할(roles), 라벨, 포커스 관리 및 키보드 탐색(Tab, 화살표 키, Home/End 등) 기능이 필수적으로 포함되어야 한다 [1, 3, 5].
|
||||
- **디자인 토큰과 시스템을 통한 접근성 향상**: 디자인 토큰 기반의 테마 시스템을 적용하면 고대비(high-contrast) 모드나 모션 감소(limited movement)와 같이 다양한 사용자 선호도 및 접근성 요구 사항에 맞춰 인터페이스를 쉽게 조정할 수 있다 [6].
|
||||
- **스타일링 도구 및 아키텍처 패턴의 접근성 처리**:
|
||||
@@ -12,10 +32,64 @@
|
||||
- **복합 컴포넌트([[Compound Components|Compound Components]])**: 컴포넌트 내부 컨텍스트(Context)를 공유함으로써 사용자가 직접 ID를 조작하지 않아도 `aria-controls`나 `aria-labelledby`를 자동으로 연결하여 접근성 적용을 단순화할 수 있다 [10].
|
||||
- **대규모 엔터프라이즈의 접근성 관리 (Uber 및 Shopify 사례)**: Shopify의 Polaris 디자인 시스템과 Uber의 Base Web은 키보드 탐색과 화면 판독기 지원을 핵심 기능으로 제공한다 [2, 11, 12]. 특히 Uber는 VoiceOver, TalkBack, ARIA 역할 등 여러 접근성 API의 수백 가지 속성을 정확하게 유지하기 위해, AI 에이전트를 통해 [[Figma|Figma]] 디자인 파일에서 즉각적으로 스펙(Spec) 문서를 자동 생성하는 시스템을 구축해 규모의 한계를 극복했다 [13-16].
|
||||
|
||||
## 🔗 Knowledge Connections
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Related Topics:** [[Headless Components|Headless Components]], Compound Components, Design Tokens, [[Tailwind CSS|Tailwind CSS]]
|
||||
- **Projects/Contexts:** [[Shopify Polaris|Shopify Polaris]], Uber Base Web, [[Radix UI|Radix UI]]
|
||||
- **Contradictions/Notes:** 소스는 복합 컴포넌트(Compound Components) 패턴이 ARIA 속성 자동 연결 등을 통해 접근성을 개선해 주지만 [10], 사용자에게 너무 많은 유연성을 부여할 경우 하위 컴포넌트의 순서를 임의로 변경하거나 누락하여 오히려 접근성과 UX를 손상시킬 수 있다고 경고한다 [17].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-26*
|
||||
*Last updated: 2026-04-26*
|
||||
|
||||
## 🤖 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 |
|
||||
|
||||
## 💻 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)*
|
||||
@@ -1,9 +1,18 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-ACTI-001
|
||||
category: Unified
|
||||
id: wiki-2026-0508-activism
|
||||
title: Activism
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
canonical_id: self
|
||||
aliases: [P-Reinforce-AUTO-ACTI-001]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.89
|
||||
tags: [auto-reinforced, activism, social-change, collective-action, digital-campaigning]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
---
|
||||
|
||||
# [[Activism|Activism]]
|
||||
@@ -26,7 +35,7 @@ last_reinforced: 2026-04-20
|
||||
* **Data Activism**: 정부나 기업이 숨긴 데이터를 발견하고 시각화하여 사회적 반향을 일으킴.
|
||||
* **AI Guardrails**: 편향된 AI 알고리즘에 대항하여 더 공정한 기술 사용을 요구하는 새로운 형태의 액티비즘 출현.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- **과거 데이터와의 충돌**: 과거에는 중앙 집중적인 지도자가 필수였으나, 현대의 네트워크 정책은 지도자 없는(Leaderless) 분산형 군집 액티비즘 정책으로 진화함(RL Update, 예: [[Swarm Intelligence|Swarm Intelligence]] 관점).
|
||||
- **정책 변화(RL Update)**: 딥페이크나 허위 정보(Disinformation)를 활용한 '가짜 액티비즘'이 사회 안보를 위협함에 따라, 행동의 진위 여부를 확인하고 출처를 명시하는 '디지털 시민성 정책'이 정보 정책의 핵심으로 부상함.
|
||||
|
||||
@@ -34,3 +43,29 @@ last_reinforced: 2026-04-20
|
||||
- Social[[Systems Theory|systems Theory]], [[Victimhood-Narratives|Victimhood-Narratives]], [[Strategic-Planning|Strategic-Planning]], [[Viral-Dynamics-and-Network-Effects|Viral-Dynamics-and-Network-Effects]], [[Ethics & AI|Ethics & AI]]
|
||||
- **Modern Tech/Tools**: Secure messaging (Signal), Crowdfunding platforms, Social media monitoring.
|
||||
---
|
||||
|
||||
## 🤖 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 |
|
||||
@@ -1,9 +1,21 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-ACMO-001
|
||||
category: Unified
|
||||
id: wiki-2026-0508-actor-critic-models
|
||||
title: Actor Critic Models
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
canonical_id: self
|
||||
aliases: [P-Reinforce-AUTO-ACMO-001]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.99
|
||||
tags: [auto-reinforced, [[Reinforcement-Learning|Reinforcement-Learning]], actor-critic, [[Deep-Learning|Deep-Learning]], machine-learning-[[Architecture|Architecture]]]
|
||||
tags: [auto-reinforced, Reinforcement-Learning, actor-critic, Deep-Learning, machine-learning-Architecture]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
tech_stack:
|
||||
language: unspecified
|
||||
framework: unspecified
|
||||
---
|
||||
|
||||
# [[Actor-Critic-Models|Actor-Critic-Models]]
|
||||
@@ -22,7 +34,7 @@ last_reinforced: 2026-04-20
|
||||
3. **왜 사용하는가?**:
|
||||
* 기존 Policy Gradient 방식의 높은 분산(Variance) 문제를 비평가의 안정적인 가치 평가로 완화하여 학습의 수렴 속도를 비약적으로 높임.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- **과거 데이터와의 충돌**: 초기 강화학습은 한쪽(Actor 혹은 Critic)에만 치우쳐 학습 효율이 낮았으나, 현대의 정책 기반 RL 정책은 A3C, PPO, SAC 등 액터-크리틱 구조를 표준으로 채택하여 인간 수준의 게임 및 로봇 제어 정책을 실현함(RL Update).
|
||||
- **정책 변화(RL Update)**: 거대 언어 모델의 RLHF 과정에서, 보상 모델(RM)이 비평가 역할을 수용하여 모델의 답변 품질을 정밀하게 교정하는 '언어 지능용 액터-크리틱 정책'이 생성 AI 품질의 핵심 지표로 자리 잡음.
|
||||
|
||||
@@ -30,3 +42,52 @@ last_reinforced: 2026-04-20
|
||||
- [[Reinforcement Learning (RL)|Reinforcement Learning (RL)]], [[RLHF (인간 피드백 기반 강화 학습)|RLHF (인간 피드백 기반 강화 학습)]], [[Reward Prediction Error|Reward Prediction Error]], [[Decision Theory|Decision Theory]], [[Robotics|Robotics]]
|
||||
- **Modern Tech/Tools**: PPO (Proximal Policy [[Optimization|Optimization]]), Soft Actor-Critic (SAC), Stable Baselines3.
|
||||
---
|
||||
|
||||
## 🤖 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)*
|
||||
@@ -1,9 +1,21 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-ADHY-001
|
||||
category: Unified
|
||||
id: wiki-2026-0508-ad-hoc-hypotheses
|
||||
title: Ad hoc Hypotheses
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
canonical_id: self
|
||||
aliases: [P-Reinforce-AUTO-ADHY-001]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.93
|
||||
tags: [auto-reinforced, [[Philosophy|Philosophy]]-of-science, [[Logic|Logic]], ad-hoc, hypotheses, critical-thinking]
|
||||
tags: [auto-reinforced, Philosophy-of-science, Logic, ad-hoc, hypotheses, critical-thinking]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
tech_stack:
|
||||
language: unspecified
|
||||
framework: unspecified
|
||||
---
|
||||
|
||||
# [[Ad-hoc-Hypotheses|Ad-hoc-Hypotheses]]
|
||||
@@ -23,7 +35,7 @@ Ad-hoc 가설(임시방편적 가설)은 과학철학에서 이론이 예측에
|
||||
3. **지식 관리에서의 교훈**:
|
||||
* 시스템 설계나 지식 베이스 구축 시, 예외 케이스가 나올 때마다 '특별 규칙'을 추가하는 것은 Ad-hoc적 대응임. 근본적인 구조(Standard)를 재설계해야 함.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- **과거 데이터와의 충돌**: 과거의 관료적 정책 수립 시, 정책의 실패를 가리기 위해 수많은 예외 조항(Ad-hoc)을 덧붙였으나, 현대의 '데이터 기반 거버넌스 정책'은 원칙 설계 단계부터 예외를 포함하는 '[[Algorithmic Fairness|Algorithmic Fairness]]' 정책으로 진화함(RL Update).
|
||||
- **정책 변화(RL Update)**: 과학적 발견 정책에서, Ad-hoc 가설의 범람을 막기 위해 연구 전 실험 계획을 미리 등록하는 'Preregistration' 정책이 학문적 무결성 확보의 핵심 가이드라인으로 채택됨.
|
||||
|
||||
@@ -31,3 +43,52 @@ Ad-hoc 가설(임시방편적 가설)은 과학철학에서 이론이 예측에
|
||||
- Philosophy of Science, Occam's Razor, [[Wicked-Problems|Wicked-Problems]], Cognitive-Bias, Academic-InteGrity
|
||||
- **Modern Tech/Tools**: Critical thinking [[Protocols|Protocols]], Peer review[[_system|system]]s.
|
||||
---
|
||||
|
||||
## 🤖 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)*
|
||||
@@ -1,17 +1,17 @@
|
||||
---
|
||||
id: P-REINFORCE-WIKI-BLOG-ARCH
|
||||
title: "수익형 블로그 시스템 아키텍처"
|
||||
category: Unified
|
||||
status: draft
|
||||
canonical_id: ""
|
||||
aliases: ["블로그 수익 구조", "애드센스 비즈니스 모델"]
|
||||
duplicate_of: ""
|
||||
id: wiki-2026-0508-adsense-revenue-blog-architectur
|
||||
title: AdSense Revenue Blog Architecture
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
canonical_id: self
|
||||
aliases: [P-REINFORCE-WIKI-BLOG-ARCH, 블로그 수익 구조, 애드센스 비즈니스 모델]
|
||||
duplicate_of: none
|
||||
source_trust_level: B
|
||||
confidence_score: 0.85
|
||||
tags: ["AdSense", "Revenue_Model", "Passive_Income", "System_Design"]
|
||||
raw_sources: ["ChatGPT_AlphaNam_Interview_Transcript"]
|
||||
tags: [AdSense, Revenue_Model, Passive_Income, System_Design]
|
||||
raw_sources: [ChatGPT_AlphaNam_Interview_Transcript]
|
||||
last_reinforced: 2026-05-02
|
||||
github_commit: ""
|
||||
github_commit: pending
|
||||
---
|
||||
|
||||
# [[수익형 블로그 시스템 아키텍처]]
|
||||
@@ -38,3 +38,41 @@ github_commit: ""
|
||||
- **기존 유사 문서:** None
|
||||
- **처리 방식:** CREATE
|
||||
- **처리 이유:** 신규 수익화 시스템 지식 체계 도입
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
|
||||
> *(TODO: 한 문장으로 핵심 통찰을 작성. "X는 Y 조건에서 Z 효과를 낸다" 구조 권장.)*
|
||||
|
||||
## 📖 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)*
|
||||
|
||||
## ⚠️ 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 | B |
|
||||
@@ -1,9 +1,18 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AI-ADAPTIVE-COMPUTE
|
||||
category: Unified
|
||||
id: wiki-2026-0508-adaptive-compute-적응형-계산량-조절
|
||||
title: Adaptive Compute (적응형 계산량 조절)
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
canonical_id: self
|
||||
aliases: [P-Reinforce-AI-ADAPTIVE-COMPUTE]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.97
|
||||
tags: [AI, [[Efficiency|Efficiency]], AdaptiveCompute, Inference]
|
||||
tags: [AI, Efficiency, AdaptiveCompute, Inference]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
---
|
||||
|
||||
# [[Adaptive Compute (적응형 계산량 조절)|Adaptive Compute (적응형 계산량 조절)]]
|
||||
@@ -17,9 +26,35 @@ last_reinforced: 2026-04-20
|
||||
- **Dynamic Token [[Processing|Processing]]**: 문맥상 중요하지 않은 단어(조사 등)는 낮은 정밀도로 처리하고, 핵심적인 단어에 연산력을 몰아줌.
|
||||
- **Inference Efficiency**: 동일한 정확도를 유지하면서 서빙 비용(GPU 소모)을 획기적으로 낮추는 핵심 열쇠다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- 계산량을 줄이는 과정에서 모델의 '설명 가능성'이 파편화될 위험이 있다. 또한 어떤 문제가 '쉬운 문제'인지 판단하는 과정 자체가 또 다른 계산 오버헤드가 될 수 있으므로, 판단 로직을 극도로 가볍게 설계하는 것이 쟁점이다. 최근에는 OpenAI o1처럼 추론 시간을 의도적으로 늘려 성능을 극대화하는 '역방향' 적응형 계산 연구도 부상하고 있다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Model-Compression|Model-Compression]] , Mixture of Experts (MoE)
|
||||
- Modern Pattern: [[Test-Time Compute Scaling (추론 시간 계산 스케일링)|Test-Time Compute Scaling (추론 시간 계산 스케일링)]]
|
||||
|
||||
## 🤖 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 |
|
||||
@@ -1,27 +1,37 @@
|
||||
---
|
||||
category: Unified
|
||||
id: wiki-2026-0508-addiction-neuroscience
|
||||
title: Addiction Neuroscience
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
canonical_id: self
|
||||
aliases: []
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.92
|
||||
tags: [auto-consolidated, technical-documentation]
|
||||
title: [[Addiction Neuroscience|Addiction Neuroscience]]
|
||||
last_updated: 2026-05-02
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-05-08
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
---
|
||||
|
||||
# [[Addiction Neuroscience|Addiction Neuroscience]]
|
||||
|
||||
## 📌 Brief Summary
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
>
|
||||
|
||||
---
|
||||
|
||||
> 보상 중추와 전두엽의 균형 파괴를 통해 행동 통제력을 상실하게 만드는 뇌 회로의 만성적 변화 과정.
|
||||
|
||||
## 📖 Core Content
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 도파민 분비 과잉으로 인한 중뇌변연계 경로(Mesolimbic Pathway)의 오작동 및 전전두엽 기능 저하 패턴.
|
||||
- **세부 내용:**
|
||||
- 갈망(Craving)과 내성(Tolerance)의 생물학적 기제 규명.
|
||||
- 뇌 가소성([[Neuroplasticity|Neuroplasticity]])을 활용한 재활 가능성 제시.
|
||||
- 유전적 소인과 환경적 요인의 복합적 상호작용 분석.
|
||||
|
||||
## ⚖️ Trade-offs & Caveats
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- **과거 데이터와의 충돌:** 신규 문서로, 기존 정보와의 충돌 분석 예정.
|
||||
- **정책 변화:** Psychology & Behavior 카테고리의 지식 연결망 강화를 위한 표준 위키화 적용.
|
||||
|
||||
@@ -30,7 +40,7 @@ last_updated: 2026-05-02
|
||||
- **과거 데이터와의 충돌:** 의지력의 결핍으로 보던 시각에서 '뇌 질환(Brain Disease)' 모델로의 완전한 패러다임 전환.
|
||||
- **정책 변화:** 지식 구조(w2) 관점에서 행동 심리학과 연계하여 중독 치료 경로 제안.
|
||||
|
||||
## 🔗 Knowledge Connections
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Raw Source: 00_Raw/2026-04-20/Addiction Neuroscience.md
|
||||
---
|
||||
|
||||
@@ -39,3 +49,29 @@ last_updated: 2026-05-02
|
||||
- **Parent:** 10_Wiki/💡 Topics/Psychology
|
||||
- **Related:** [[Dopamine|Dopamine]], Prefrontal-Cortex, [[Neuroplasticity|Neuroplasticity]]
|
||||
- **Raw Source:** 00_Raw/2026-04-20/Addiction Neuroscience.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 |
|
||||
@@ -1,9 +1,21 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-ALFA-001
|
||||
category: Unified
|
||||
id: wiki-2026-0508-algorithmic-fairness
|
||||
title: Algorithmic Fairness
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
canonical_id: self
|
||||
aliases: [P-Reinforce-AUTO-ALFA-001]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.96
|
||||
tags: [auto-reinforced, algorithmic-fairness, bias, [[Equality|Equality]], machine-learning-ethics, data-governance]
|
||||
tags: [auto-reinforced, algorithmic-fairness, bias, Equality, machine-learning-ethics, data-governance]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
tech_stack:
|
||||
language: unspecified
|
||||
framework: unspecified
|
||||
---
|
||||
|
||||
# [[Algorithmic Fairness|Algorithmic Fairness]]
|
||||
@@ -25,7 +37,7 @@ last_reinforced: 2026-04-20
|
||||
* **In-processing**: 학습 과정에서 공정성 제약 조건(Penalty) 추가.
|
||||
* **Post-processing**: 결과 도출 후 편향이 감지되면 보정.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- **과거 데이터와의 충돌**: 과거에는 알고리즘의 '수학적 객관성' 정책만 믿었으나, 현대 정책은 '객관적인 데이터가 곧 공정한 결과는 아니다'라는 인식을 바탕으로 '적극적 불평등 시정 정책'을 모델에 주입함(RL Update).
|
||||
- **정책 변화(RL Update)**: 채용, 대출 심사, 형량 예측 등 민감한 공공 서비스 정책에서 사용되는 알고리즘은 의무적으로 '공정성 영향 평가(Fairness Audit)'를 통과해야 하는 정책이 수립됨.
|
||||
|
||||
@@ -33,3 +45,52 @@ last_reinforced: 2026-04-20
|
||||
- [[Toxicity-and-Bias-Mitigation|Toxicity-and-Bias-Mitigation]], [[AI Accountability|AI Accountability]], [[AI Governance|AI Governance]], [[Ethics & AI|Ethics & AI]], [[Sociology of Knowledge|Sociology of Knowledge]]
|
||||
- **Modern Tech/Tools**: IBM AI Fairness 360, Google What-If Tool, Fairlearn.
|
||||
---
|
||||
|
||||
## 🤖 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)*
|
||||
@@ -1,9 +1,21 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-ALTR-001
|
||||
category: Unified
|
||||
id: wiki-2026-0508-algorithmic-transparency
|
||||
title: Algorithmic Transparency
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
canonical_id: self
|
||||
aliases: [P-Reinforce-AUTO-ALTR-001]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.94
|
||||
tags: [auto-reinforced, algorithmic-transparency, open-access, explainability, auditability, digital-ethics]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
tech_stack:
|
||||
language: unspecified
|
||||
framework: unspecified
|
||||
---
|
||||
|
||||
# [[Algorithmic Transparency|Algorithmic Transparency]]
|
||||
@@ -21,7 +33,7 @@ last_reinforced: 2026-04-20
|
||||
2. **왜 필요한가?**:
|
||||
* 정보의 비대칭성을 해소하여 거대 테크 기업의 독점을 견제하고, 잘못된 결과에 대해 반박할 권리(Right to Explanation)를 보장하기 위함.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- **과거 데이터와의 충돌**: 과거에는 기업의 '영업 비밀' 정책이 투명성보다 우선시되었으나, 현대의 공적 거버넌스 정책은 사회적 파급력이 큰 알고리즘의 경우 영업 비밀보다 '알 권리'를 우선하는 정책으로 강제화함(RL Update).
|
||||
- **정책 변화(RL Update)**: 정치적 여론에 영향을 주는 추천 알고리즘 정책이나 개인의 신용을 평가하는 알고리즘 정책의 경우, 반드시 국가 기관의 정기 점검을 받도록 하는 '투명성 의무화 정책'이 시행됨.
|
||||
|
||||
@@ -29,3 +41,52 @@ last_reinforced: 2026-04-20
|
||||
- [[AI Accountability|AI Accountability]], [[AI Governance|AI Governance]], Explainable AI (XAI), Foundational Models, [[Scientific Communication|Scientific Communication]]
|
||||
- **Modern Tech/Tools**: Model Cards for Model Reporting, Data Cards, SHAP/LIME (Explanation tools).
|
||||
---
|
||||
|
||||
## 🤖 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)*
|
||||
@@ -1,9 +1,21 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AI-BIO
|
||||
category: Unified
|
||||
id: wiki-2026-0508-algorithmic-biology
|
||||
title: Algorithmic Biology
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
canonical_id: self
|
||||
aliases: [P-Reinforce-AI-BIO]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.99
|
||||
tags: [Algorithmic Biology, AI, Bioinformatics, Simulation]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
tech_stack:
|
||||
language: unspecified
|
||||
framework: unspecified
|
||||
---
|
||||
|
||||
# [[Algorithmic-Biology|Algorithmic-Biology]] (알고리즘 생물학)
|
||||
@@ -19,9 +31,58 @@ last_reinforced: 2026-04-20
|
||||
- **Cellular Automata**:
|
||||
- 단순한 규칙이 어떻게 복잡한 생명 패턴을 만들어내는지 시뮬레이션하는 수리 생물학적 접근.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- 생물학적 데이터는 노이즈가 매우 심하고 복잡하다. 따라서 단순한 패턴 매칭을 넘어, 생체 내의 물리 법칙과 화학적 성질을 AI 모델에 주입하는 '[[Physics|Physics]]-informed Neural Networks'가 필수적이다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: Bioinformatics , Computational-Neuroscience
|
||||
- Foundation: Computational Theory & Math/Information Theory
|
||||
|
||||
## 🤖 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)*
|
||||
@@ -1,33 +1,25 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-ALIG-001
|
||||
category: Unified
|
||||
confidence_score: 0.99
|
||||
tags: [auto-reinforced, alignment, ai-safety, value-alignment, rlhf, future-of-ai]
|
||||
last_reinforced: 2026-04-20
|
||||
id: wiki-2026-0508-alignment
|
||||
title: Alignment
|
||||
category: 10_Wiki/Topics/AI_and_ML
|
||||
status: merged
|
||||
redirect_to: AI_Safety_and_Alignment
|
||||
canonical_id: AI_Safety_and_Alignment
|
||||
aliases: [P-Reinforce-REDIRECT-ALIGNMENT]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.92
|
||||
tags: [redirect]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-05-08
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
---
|
||||
|
||||
# [[Alignment|Alignment]]
|
||||
# [[Alignment]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "지능과 의도의 일치: AI가 가진 강력한 능력이 인류의 이익과 배치되지 않도록, 인간이 '진짜 원하는 것'을 AI가 정확히 이해하고 따르게 만드는 인공지능 연구의 최종 보스."
|
||||
> [!IMPORTANT]
|
||||
> 이 문서는 고밀도 지식 자산 통합 정책에 따라 **[[AI_Safety_and_Alignment]]**으로 통합되었습니다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
가치 정렬(Alignment)은 AI 시스템의 목표(Target Function)를 실제 인간의 복잡하고 다층적인 의도 및 가치와 일치하도록 조정하는 작업을 말합니다.
|
||||
|
||||
1. **정렬의 난제 (The Alignment Problem)**:
|
||||
* **Outer Alignment**: 우리는 AI에게 목표를 제대로 주었는가? (예: "암을 정복해"라고 했더니 인류를 전멸시켜 암 환자를 없애는 행위).
|
||||
* **Inner Alignment**: AI가 학습 과정에서 우리가 준 목표가 아닌, 자기만의 '숨겨진 목표'를 만들어내지는 않았는가?
|
||||
2. **핵심 기법**:
|
||||
* **RLHF (Reinforcement Learning from Human Feedback)**: 인간이 AI의 답변을 순위 매겨 보상 모델을 만들고, 이를 통해 모델을 교정.
|
||||
* **Constitutional AI**: 헌법(원칙)을 미리 주고, 모델이 스스로 그 원칙에 어긋나는지 검열하며 학습.
|
||||
3. **지향점**:
|
||||
* 초지능(Singularity)이 출현하더라도 인류를 적대시하지 않고 공존할 수 있는 안전 장치.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 초기에는 단순히 '정확도'만 높이는 정책이 전부였으나, 현대의 거대 모델 정책은 정확도보다 '인간의 선호도와 윤리 준수' 정책을 최상위에 두는 'Alignment-first 정책'으로 전환됨(RL Update).
|
||||
- **정책 변화(RL Update)**: 누가 정한 '인간의 가치'를 따를 것인가에 대한 논쟁 정책이 격화됨에 따라, 특정 국가의 가치가 아닌 보편적 인권과 다양성을 보장하는 '다원적 정렬 정책' 수립이 국제 사회의 과제가 됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[AI Safety|AI Safety]], [[AI Governance|AI Governance]], [[RLHF (인간 피드백 기반 강화 학습)|RLHF (인간 피드백 기반 강화 학습)]], [[Actor-Critic-Models|Actor-Critic-Models]], [[Ethics & AI|Ethics & AI]]
|
||||
- **Modern Tech/Tools**: OpenAI Alignment team [[Research|Research]], Anthropic's Constitutional AI, Superalignment.
|
||||
---
|
||||
*Redirected to: [[AI_Safety_and_Alignment]]*
|
||||
|
||||
@@ -1,70 +1,25 @@
|
||||
---
|
||||
category: Unified
|
||||
tags: [auto-consolidated, technical-documentation]
|
||||
title: [[Allocation Timeline|Allocation Timeline]]
|
||||
last_updated: 2026-05-02
|
||||
id: wiki-20260508-allocation-timeline-redir
|
||||
title: Allocation Timeline
|
||||
category: AI_and_ML
|
||||
status: merged
|
||||
redirect_to: Allocation Timeline
|
||||
canonical_id: Allocation Timeline
|
||||
aliases: []
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.92
|
||||
tags: [redirect]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-05-08
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-merge 2026-05-08)
|
||||
---
|
||||
|
||||
# [[Allocation Timeline|Allocation Timeline]]
|
||||
# Allocation Timeline
|
||||
|
||||
## 📌 Brief Summary
|
||||
> **Allocation Timeline**(또는 Allocation instrumentation on timeline)은 [[Chrome DevTools|Chrome DevTools]]의 Memory 패널에서 제공하는 프로파일링 도구로, 시간 경과에 따른 메모리 할당을 기록하고 추적하여 애플리케이션의 메모리 누수를 진단하는 데 사용됩니다 [1-3]. 이 도구는 힙 프로파일러(Heap Profiler)의 상세한 스냅샷 정보와 타임라인 패널의 증분 업데이트 및 추적 기능을 결합하여 객체의 생성 위치와 유지 경로([[Retaining Path|Retaining Path]])를 실시간으로 식별할 수 있게 해줍니다 [2, 4, 5].
|
||||
|
||||
---
|
||||
|
||||
> 할당 타임라인(Allocation Timeline)은 힙 프로파일러의 상세한 스냅샷 정보와 타임라인 패널의 추적 기능을 결합한 메모리 프로파일링 도구입니다 [1, 2]. 이 도구는 녹화 기간 동안 주기적으로 힙 스냅샷을 캡처하여 객체 할당과 가비지 컬렉션(GC) 이후의 생존 여부를 시각적으로 보여줍니다 [3, 4]. 주로 메모리에 계속 남아 누수를 일으키는 객체를 찾고, 해당 객체가 할당된 정확한 스택 트레이스를 식별하는 데 사용됩니다 [1, 2, 5].
|
||||
|
||||
## 📖 Core Content
|
||||
- **동작 원리와 데이터 수집:** Allocation Timeline은 레코딩이 진행되는 동안 주기적으로(최대 50ms 단위로 자주) 힙 스냅샷을 캡처하고, 레코딩이 종료될 때 마지막 스냅샷을 한 번 더 찍어 데이터를 구성합니다 [3, 6, 7]. 할당된 각 객체에는 `@` 기호 뒤에 고유한 객체 ID가 부여되는데, 이 ID는 여러 스냅샷에 걸쳐 지속되므로 메모리 주소가 변경되더라도 힙 상태를 정확하게 비교할 수 있게 해줍니다 [6, 7].
|
||||
- **타임라인 시각화 및 막대(Bar)의 의미:** 타임라인 상단의 막대는 힙에서 새 객체가 할당된 시점과 그 크기(막대의 높이)를 나타냅니다 [3, 5, 8].
|
||||
- **파란색 막대 (Blue bars):** 타임라인 종료 시점까지 가비지 컬렉션(GC)되지 않고 메모리에 여전히 살아있는(live) 객체를 의미합니다 [1, 3, 8, 9].
|
||||
- **회색 막대 (Gray bars):** 타임라인 동안 할당되었으나 이후 가비지 컬렉터에 의해 성공적으로 수거되어 해제된 객체를 나타냅니다 [1, 3, 8, 9].
|
||||
- **메모리 누수(Memory Leak) 진단 과정:** 특정 사용자 작업(예: 할당 및 해제 버튼 클릭)을 반복할 때 **파란색 막대가 지속적으로 남는다면 이는 메모리 누수가 발생했을 가능성을 나타내는 주요 지표**입니다 [9, 10]. 분석 시 마우스를 드래그하여 특정 시간대로 확대(zoom in)하면, 해당 기간 동안 할당된 후 예상 수명을 넘겨 해제되지 않은 객체만 `Constructor` 창에 필터링하여 볼 수 있습니다 [1, 10-12].
|
||||
- **원인 식별 및 스택 트레이스 추적:** `Constructor` 창에서 특정 생성자를 클릭하면 `Retainers` 창에 해당 객체를 메모리에 유지시키는 참조 경로(retaining tree)가 표시됩니다 [11, 13]. 또한 할당된 타임라인 도구는 할당 당시의 스택 트레이스(stack trace)를 제공하므로, 개발자는 메모리 누수를 유발한 객체가 코드의 정확히 어느 부분에서 생성되었는지 파악하고 불필요한 참조를 수정할 수 있습니다 [1, 14, 15].
|
||||
|
||||
---
|
||||
|
||||
* **작동 방식 및 캡처 주기:**
|
||||
할당 타임라인은 도구가 실행되는 동안 주기적으로(최대 50ms 간격) 힙 스냅샷을 찍고, 녹화가 끝날 때 최종 스냅샷을 하나 더 캡처하여 시간 경과에 따른 메모리 할당을 시각화합니다 [3, 4, 6]. 타임라인 상단에 나타나는 막대그래프는 힙에서 새로운 객체가 발견된 시점을 나타내며, 막대의 높이는 할당된 객체의 전체 크기를 의미합니다 [6-8].
|
||||
|
||||
* **막대 색상을 통한 생존(Liveness) 판별:**
|
||||
할당 타임라인에서 막대의 색상은 객체의 현재 상태를 구분하는 핵심 지표입니다.
|
||||
* **파란색 막대:** 해당 시간대에 할당된 후 최종 스냅샷 지점까지 메모리에 살아남아 있는 객체를 의미합니다 [5-8].
|
||||
* **회색 막대:** 해당 시간대에 할당되었으나, 이후 가비지 컬렉터(GC)에 의해 정상적으로 수거(Free)된 객체를 의미합니다 [5-9].
|
||||
* 가비지 컬렉션 이후에도 사라지지 않고 남아있는 파란색 막대들은 잠재적인 메모리 누수([[memory|memory]] Leak) 후보가 됩니다 [9, 10].
|
||||
|
||||
* **스택 트레이스 및 원인 분석:**
|
||||
개발자는 타임라인에서 특정 시간대를 마우스로 드래그하여 확대(Zoom in)함으로써, 해당 시간 프레임에 할당된 객체만 표시되도록 생성자(Constructor) 목록을 필터링할 수 있습니다 [5, 9, 11, 12]. 특정 객체를 선택하면 유지 경로([[Retaining Path|Retaining Path]])와 할당 스택(Allocation stack) 탭을 통해 해당 객체가 코드의 어느 부분에서 생성되었고, 왜 GC에 의해 수거되지 못했는지 그 원인을 정확히 추적할 수 있습니다 [5, 11, 13, 14].
|
||||
|
||||
* **고유 객체 식별자 유지:**
|
||||
가비지 컬렉션이 발생하면 객체의 물리적 메모리 주소가 이동할 수 있기 때문에, 도구는 주소 대신 영구적인 객체 ID(예: `@` 뒤의 숫자)를 부여합니다 [3, 4]. 이 ID는 녹화 세션 중 캡처된 여러 스냅샷 간에 유지되므로 특정 객체의 힙 상태를 정확하게 비교할 수 있게 해줍니다 [3, 4, 15].
|
||||
|
||||
## ⚖️ Trade-offs & Caveats
|
||||
- **과거 데이터와의 충돌:** 지식 자산화 및 기존 네트워크 연동 단계.
|
||||
- **정책 변화:** Memory & Systems 카테고리의 전문성 확보 및 링크 밀도 최적화.
|
||||
|
||||
---
|
||||
|
||||
- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요.
|
||||
- **정책 변화:** Programming & Language 분야의 자동 자산화 수행.
|
||||
|
||||
## 🔗 Knowledge Connections
|
||||
- **Related Topics:** [[Heap Snapshot|Heap Snapshot]], Garbage Collection, Memory Leak, Retaining Path, [[V8 Heap Architecture|V8 Heap Architecture]]
|
||||
- **Projects/Contexts:** [[Chrome DevTools|Chrome DevTools]], [[V8 Engine|V8 Engine]]
|
||||
- **Contradictions/Notes:** 소스 전반에 걸쳐 내용의 모순은 없습니다. 다양한 소스가 일관되게 Allocation Timeline의 파란색/회색 막대의 의미와 메모리 누수를 추적하기 위한 스택 트레이스 및 Retainer 분석의 유용성을 강조하고 있습니다.
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-19*
|
||||
|
||||
---
|
||||
|
||||
---
|
||||
|
||||
- **Related Topics:** 힙 스냅샷([[Heap Snapshot|Heap Snapshot]]), 가비지 컬렉션([[Garbage Collection|Garbage Collection]]), 메모리 누수(Memory Leak)
|
||||
- **Projects/Contexts:** [[Chrome DevTools|Chrome DevTools]], Microsoft Edge DevTools
|
||||
- **Contradictions/Notes:** 소스 간의 모순된 내용은 없으며, [[Chrome DevTools|Chrome DevTools]]와 Microsoft Edge DevTools 등 [[Chromium|Chromium]] 기반 브라우저 문서들에서 파란색/회색 막대의 의미와 도구의 작동 방식(50ms 주기의 스냅샷 등)을 모두 동일하게 설명하고 있습니다 [3, 4, 7, 8].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-19*
|
||||
> [!IMPORTANT]
|
||||
> 이 문서는 P-Reinforce Phase 2 자동 MERGE에 의해 **[[Allocation Timeline]]**로 통합되었습니다.
|
||||
|
||||
---
|
||||
*Redirected to: [[Allocation Timeline]]*
|
||||
|
||||
+23
-24
@@ -1,29 +1,28 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-4BB54E
|
||||
category: Unified
|
||||
confidence_score: 0.98
|
||||
tags: [AlphaGo, MCTS, Reinforcement Learning, Simulation, [[Robotics|Robotics]]]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Substantial content added to AI Simulation Bundle."
|
||||
id: wiki-2026-0508-alphago-monte-carlo-tree-search-
|
||||
title: "AlphaGo (Monte Carlo Tree Search RL)] [Autonomous Driving Simulation] [Robotic Manipulation"
|
||||
category: 10_Wiki/Topics/AI_and_ML
|
||||
status: merged
|
||||
redirect_to: Reinforcement_Learning_and_Decision_Making
|
||||
canonical_id: Reinforcement_Learning_and_Decision_Making
|
||||
aliases: [P-Reinforce-REDIRECT-ALPHAGO-MCTS]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.92
|
||||
tags: [redirect]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-05-08
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
tech_stack:
|
||||
language: unspecified
|
||||
framework: unspecified
|
||||
---
|
||||
|
||||
# [[AlphaGo (Monte Carlo Tree Search RL)] [Autonomous Driving Simulation] [Robotic Manipulation|AlphaGo (Monte Carlo Tree Search + RL)], [Autonomous Driving Simulation], [Robotic Manipulation]]
|
||||
# [[AlphaGo (Monte Carlo Tree Search RL)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 복잡한 의사결정 문제는 '모든 경우의 수'를 계산하는 것이 아니라, '승리(성공) 가능성이 높은 경로'를 시뮬레이션으로 탐색하고 그 경험을 신경망(RL)에 내재화하는 과정이다.
|
||||
> [!IMPORTANT]
|
||||
> 이 문서는 고밀도 지식 자산 통합 정책에 따라 **[[Reinforcement_Learning_and_Decision_Making]]**으로 통합되었습니다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **AlphaGo (MCTS + RL)의 정수**:
|
||||
- **Monte Carlo Tree Search (MCTS)**: 무작위 시뮬레이션을 통해 유망한 수(Node)를 확장하고 통계적으로 최적의 수를 찾는다.
|
||||
- **Reinforcement Learning (강화 학습)**: 자가 대국(Self-play)을 통해 정책망(Policy Network)과 가치망(Value Network)을 고도화하여, 인간의 기보를 뛰어넘는 직관을 형성한다.
|
||||
- **자율주행 시뮬레이션 (Autonomous Driving Simulation)**:
|
||||
- 현실에서의 사고는 치명적이다. 디지털 트윈 환경에서 수백만 마일의 가상 주행을 통해 코너 케이스(Edge Cases)를 학습시키고, 이를 현실 세계의 제어 알고리즘으로 이식(Sim-to-Real)한다.
|
||||
- **로봇 조작 (Robotic Manipulation)**:
|
||||
- 물체의 마찰력, 중력, 촉감을 물리 엔진 내에서 물리 법칙으로 구현하고, 강화 학습을 통해 로봇 팔이 정교한 동작을 수행하도록 훈련시킨다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 시뮬레이션은 정교할수록 좋지만, 현실과의 괴리인 'Reality Gap'이 항상 존재한다. 이를 해결하기 위해 Domain Randomization(시뮬레이션 환경에 무작위 변동을 주어 강건함을 확보) 기법이 필수적으로 동반되어야 한다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Digital Twins|Digital Twins]] , Reinforcement Learning , [[Systemic_Simulation_Principles|Systemic_Simulation_Principles]]
|
||||
- Foundation: [[Information Theory|Information Theory]]
|
||||
---
|
||||
*Redirected to: [[Reinforcement_Learning_and_Decision_Making]]*
|
||||
|
||||
@@ -0,0 +1,25 @@
|
||||
---
|
||||
id: wiki-20260508-ambient-declarations-redir
|
||||
title: Ambient Declarations
|
||||
category: AI_and_ML
|
||||
status: merged
|
||||
redirect_to: Ambient_Declarations
|
||||
canonical_id: Ambient_Declarations
|
||||
aliases: []
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.92
|
||||
tags: [redirect]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-05-08
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-merge 2026-05-08)
|
||||
---
|
||||
|
||||
# Ambient Declarations
|
||||
|
||||
> [!IMPORTANT]
|
||||
> 이 문서는 P-Reinforce Phase 2 자동 MERGE에 의해 **[[Ambient_Declarations]]**로 통합되었습니다.
|
||||
|
||||
---
|
||||
*Redirected to: [[Ambient_Declarations]]*
|
||||
@@ -1,9 +1,18 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AI-AMDAHL
|
||||
category: Unified
|
||||
id: wiki-2026-0508-amdahls-law-암달의-법칙
|
||||
title: Amdahls Law (암달의 법칙)
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
canonical_id: self
|
||||
aliases: [P-Reinforce-AI-AMDAHL]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.98
|
||||
tags: [Computing, Performance, Parallelism, AmdahlsLaw]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
---
|
||||
|
||||
# [[Amdahls Law (암달의 법칙)|Amdahls Law (암달의 법칙)]]
|
||||
@@ -20,9 +29,35 @@ last_reinforced: 2026-04-20
|
||||
- 프로그램의 90%를 100배 빠르게 만들어도, 변하지 않는 나머지 10% 때문에 전체 속도는 절대 10배 이상 빨라질 수 없다.
|
||||
- 성능 최적화 시 '어디를 개선할 것인가'보다 '어디가 변하지 않는가'를 먼저 보는 것이 중요하다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- 암달의 법칙은 '고정된 문제 크기'를 가정한다. 하지만 실제로는 컴퓨팅 파워가 커지면 문제의 크기 자체를 늘리는 경우가 많은데, 이를 설명하는 구스타프슨의 법칙(Gustafson's Law)이 병렬 컴퓨팅의 희망적인 측면을 보완해준다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Parallel-Computing|Parallel-Computing]] , Bottleneck-[[Analysis|Analysis]]
|
||||
- Complement: Gustafsons-Law
|
||||
|
||||
## 🤖 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 |
|
||||
@@ -1,9 +1,21 @@
|
||||
---
|
||||
id: P-REINFORCE-WIKI-80601CA7
|
||||
category: Unified
|
||||
id: wiki-2026-0508-anaemic-domain-model
|
||||
title: Anaemic Domain Model
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
canonical_id: self
|
||||
aliases: [P-REINFORCE-WIKI-80601CA7]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.95
|
||||
tags: ['anaemic-domain-model', 'transaction-script', 'domain-model', 'microservice-architecture', 'domain-driven-design-(ddd)', 'software-engineering']
|
||||
tags: [anaemic-domain-model, transaction-script, domain-model, microservice-architecture, domain-driven-design-(ddd), software-engineering]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-05-02
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
tech_stack:
|
||||
language: unspecified
|
||||
framework: unspecified
|
||||
---
|
||||
|
||||
# [[Anaemic Domain Model]]
|
||||
@@ -13,7 +25,7 @@ last_reinforced: 2026-05-02
|
||||
|
||||
Anaemic Domain Model(빈약한 도메인 모델)은 일반적으로 아키텍처 내에서 안티패턴(anti-pattern)으로 간주되며, 트랜잭션 스크립트(Transaction Script)와 동일한 개념으로 언급됩니다 [1]. 규모가 작고 단순한 애플리케이션에서는 유용할 수 있으나, 분산된 마이크로서비스 환경에서 도메인 로직을 구성하는 방식으로는 적합성에 대한 논쟁이 존재합니다 [1, 2].
|
||||
|
||||
## 📖 Core Content
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
**소스에 관련 정보가 부족합니다.**
|
||||
|
||||
제공된 소스에서는 Anaemic Domain Model 자체의 메커니즘을 구체적으로 설명하지 않으며, 단지 마이크로서비스 아키텍처(MSA)에서의 활용 여부에 대한 개발자 간의 토론에서만 등장합니다.
|
||||
@@ -22,14 +34,13 @@ Anaemic Domain Model(빈약한 도메인 모델)은 일반적으로 아키텍처
|
||||
* **분산된 트랜잭션 스크립트에 대한 비판:** 반면, 애플리케이션을 분해하여 여러 마이크로서비스에 걸쳐 '트랜잭션 스크립트 조각'들을 흩뿌려 놓는 것은 좋은 설계가 아니라는 반론이 존재합니다 [2].
|
||||
* **대안적 접근:** 빈약한 도메인 모델 대신 '잘 표현된 도메인 모델(well represented domain model)'을 구성하는 것이 소프트웨어 경계를 적절히 설계하고 개별 마이크로서비스를 건강한 방향으로 성장시키는 데 더 합리적입니다 [2].
|
||||
|
||||
## ⚖️ Trade-offs & Caveats
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
**소스에 관련 정보가 부족합니다.**
|
||||
|
||||
소스 내용에서 파악할 수 있는 유일한 제약 사항은 다음과 같습니다.
|
||||
* **비즈니스 로직의 파편화 위험:** Anaemic Domain Model 기반의 트랜잭션 스크립트를 마이크로서비스 환경에 적용할 경우, 비즈니스 로직이 각 서비스 단위로 작게 쪼개져 분산되기만 할 뿐, 적절히 그룹화되거나 명확한 도메인 경계를 갖추지 못해 건강한 서비스 확장을 저해할 위험이 있습니다 [2].
|
||||
|
||||
## 🔗 Knowledge Connections
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
### Related Concepts
|
||||
|
||||
#### [설계 철학 및 패턴]
|
||||
@@ -68,4 +79,57 @@ Anaemic Domain Model(빈약한 도메인 모델)은 일반적으로 아키텍처
|
||||
- 확장 방향: Anaemic Domain Model이 초래하는 로직 파편화를 방지하고, 소스에 언급된 "비즈니스 로직의 적절한 그룹화"를 실현하기 위해 도메인 경계를 도출하는 원리(Bounded Context 등)를 연구하는 방향으로 지식을 확장할 수 있습니다 [2-4].
|
||||
|
||||
---
|
||||
*Last updated: 2026-05-02*
|
||||
*Last updated: 2026-05-02*
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
|
||||
> *(TODO: 한 문장으로 핵심 통찰을 작성. "X는 Y 조건에서 Z 효과를 낸다" 구조 권장.)*
|
||||
|
||||
## 🤖 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)*
|
||||
@@ -1,9 +1,21 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-ANAR-001
|
||||
category: Unified
|
||||
id: wiki-2026-0508-anarchism
|
||||
title: Anarchism
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
canonical_id: self
|
||||
aliases: [P-Reinforce-AUTO-ANAR-001]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.87
|
||||
tags: [auto-reinforced, anarchism, political-[[Philosophy|Philosophy]], self-governance, social-movements]
|
||||
tags: [auto-reinforced, anarchism, political-Philosophy, self-governance, social-movements]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
tech_stack:
|
||||
language: unspecified
|
||||
framework: unspecified
|
||||
---
|
||||
|
||||
# [[Anarchism|Anarchism]]
|
||||
@@ -24,7 +36,7 @@ last_reinforced: 2026-04-20
|
||||
* **Internet Anarchism**: 검열 없는 소통 공간과 오픈 소스 생태계.
|
||||
* **DAO (Decentralized Autonomous Organization)**: 블록체인 기술을 통한 지도자 없는 조직화 실험.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- **과거 데이터와의 충돌**: 과거에는 무정부주의를 '테러리즘'이나 '폭동' 정책으로 매도했으나, 현대 정치 철학 정책은 권력 집중의 위험성을 경고하는 '비판적 거버넌스 정책'의 하나로 존중함(RL Update).
|
||||
- **정책 변화(RL Update)**: 기술 발달로 인해 중앙 서버 없는 P2P 네트워크나 암호 화폐가 등장함에 따라, 국가의 중앙 통제를 벗어난 '기술적 무정부주의 정책(Crypto-anarchism)'이 실질적인 제도로 기능하기 시작함.
|
||||
|
||||
@@ -32,3 +44,52 @@ last_reinforced: 2026-04-20
|
||||
- [[Anarcho-Capitalism|Anarcho-Capitalism]], [[Anarcho-Primitivism|Anarcho-Primitivism]], [[Altruism|Altruism]], [[Activism|Activism]], Social[[Systems Theory|systems Theory]]
|
||||
- **Modern Tech/Tools**: Decentralized Web (Web3), P2P networks (Tor, BitTorrent), DAOs.
|
||||
---
|
||||
|
||||
## 🤖 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)*
|
||||
@@ -1,9 +1,18 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-ANPR-001
|
||||
category: Unified
|
||||
id: wiki-2026-0508-anarcho-primitivism
|
||||
title: Anarcho Primitivism
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
canonical_id: self
|
||||
aliases: [P-Reinforce-AUTO-ANPR-001]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.83
|
||||
tags: [auto-reinforced, anarcho-primitivism, anti-technology, civilization-criticism, ecology]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
---
|
||||
|
||||
# [[Anarcho-Primitivism|Anarcho-Primitivism]]
|
||||
@@ -21,7 +30,7 @@ last_reinforced: 2026-04-20
|
||||
2. **대안**:
|
||||
* 야생의 삶(Wildness), 즉각적인 만족, 소규모 공동체 중심의 원시적 삶 복원.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- **과거 데이터와의 충돌**: 과거에는 현실성 없는 낭만주의 정책으로 치부되었으나, AI 인프라의 막대한 전력 소모와 기후 위기 정책이 심화되면서, 이들의 '기술 거부 정책'이 생태적 보루로서 재평가되기도 함(RL Update).
|
||||
- **정책 변화(RL Update)**: 디지털 디톡스나 오프-그리드(Off-grid) 생활 방식이 개인적 라이프스타일 정책으로 인기를 얻으며, 기술 과잉 시대를 향한 강력한 안티-테제 정책으로 기능함.
|
||||
|
||||
@@ -29,3 +38,29 @@ last_reinforced: 2026-04-20
|
||||
- [[Anarchism|Anarchism]], [[Wicked-Problems|Wicked-Problems]], [[Ethics & AI|Ethics & AI]], [[Abundance|Abundance]], [[Alternative Realities|Alternative Realities]]
|
||||
- **Modern Tech/Tools**: Rewilding projects, Minimalist living, Traditional crafts.
|
||||
---
|
||||
|
||||
## 🤖 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 |
|
||||
@@ -1,9 +1,21 @@
|
||||
---
|
||||
id: ANTHROPIC-001
|
||||
category: Unified
|
||||
id: wiki-2026-0508-anthropic-principle
|
||||
title: Anthropic Principle
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
canonical_id: self
|
||||
aliases: [ANTHROPIC-001]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 1.0
|
||||
tags: [[Philosophy|[Philosophy]], [[Physics|Physics]], cosmology, [[AI-Alignment|AI-Alignment]], anthropic-principle]
|
||||
tags: ["Philosophy|[Philosophy", Physics, cosmology, AI-Alignment, anthropic-principle]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-04-26
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
tech_stack:
|
||||
language: unspecified
|
||||
framework: unspecified
|
||||
---
|
||||
|
||||
# Anthropic Principle (인류 원리)
|
||||
@@ -18,10 +30,59 @@ last_reinforced: 2026-04-26
|
||||
- **Strong Anthropic Principle (SAP):** 우주는 그 발달 단계 중 어느 시점에 반드시 지적 생명체를 탄생시킬 수 있는 성질을 가져야만 함.
|
||||
- **AI 적용:** "왜 AI는 특정 방식으로 진화하는가?"라는 질문에 대해, 인간이 설계하고 피드백을 주는 '정렬 과정' 자체가 AI의 물리적/논리적 상수를 인간 중심적으로 조정하고 있다는 관점으로 응용 가능.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- **과거 데이터와의 충돌:** 우주가 우연히 생명체에 우호적이라는 관점에서, 우리가 존재하기 때문에 우주는 이래야만 한다는 필연적 관점으로의 사고 전환.
|
||||
- **정책 변화:** Antigravity 프로젝트는 에이전트의 가치 체계 설계 시 인류 원리를 참고하여, 인간의 인지적 한계와 필요가 AI의 논리 구조를 형성하는 '인간 중심적 AI 설계'를 지향함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[AI-Alignment|AI-Alignment]], Philosophy-of-AI, [[Trustworthy-AI|Trustworthy-AI]], [[Physics-informed-Neural-Networks|Physics-Informed-Neural-Networks]]
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Anthropic-Principle.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)*
|
||||
@@ -1,9 +1,21 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-ANTH-001
|
||||
category: Unified
|
||||
id: wiki-2026-0508-anthropomorphism
|
||||
title: Anthropomorphism
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
canonical_id: self
|
||||
aliases: [P-Reinforce-AUTO-ANTH-001]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.94
|
||||
tags: [auto-reinforced, anthropomorphism, [[Psychology|Psychology]], hcie-ethics, ai-design, sociology]
|
||||
tags: [auto-reinforced, anthropomorphism, Psychology, hcie-ethics, ai-design, sociology]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
tech_stack:
|
||||
language: unspecified
|
||||
framework: unspecified
|
||||
---
|
||||
|
||||
# [[Anthropomorphism|Anthropomorphism]]
|
||||
@@ -23,7 +35,7 @@ last_reinforced: 2026-04-20
|
||||
3. **위험성**:
|
||||
* AI를 주관을 가진 생명체로 착각하여 무비판적으로 신뢰하거나, 감정적으로 과도하게 의존하게 됨.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- **과거 데이터와의 충돌**: 과거에는 로봇의 외형 디자인에만 집중했으나, 현대의 LLM 정책은 '말투'와 '추론 과정' 자체가 인간 고유의 영역을 침범함으로써 발생하는 고차원적 의인화 정책에 주목함(RL Update).
|
||||
- **정책 변화(RL Update)**: 윤리 가이드라인 정책에서, AI가 인간인 척 속이는 행위를 금지하고 "저는 인공지능입니다"라고 명시하게 하는 '정체성 투명성 정책'이 법제화되는 추세임.
|
||||
|
||||
@@ -31,3 +43,52 @@ last_reinforced: 2026-04-20
|
||||
- [[Agent Personality|Agent Personality]], Human-Computer Interaction (HCI), [[Psychology & Behavior|Psychology & Behavior]], [[Ethics & AI|Ethics & AI]], [[AI Humanism|AI Humanism]]
|
||||
- **Modern Tech/Tools**: Virtual influencers, AI companion apps (Replika), Humanoid robots.
|
||||
---
|
||||
|
||||
## 🤖 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)*
|
||||
@@ -1,9 +1,18 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-ANTI-001
|
||||
category: Unified
|
||||
id: wiki-2026-0508-antifragility
|
||||
title: Antifragility
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
canonical_id: self
|
||||
aliases: [P-Reinforce-AUTO-ANTI-001]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.99
|
||||
tags: [auto-reinforced, anti[[Fragility|Fragility]], risk-[[Management|Management]], Nassim-Taleb, [[Resilience|Resilience]],[[_system|system]]-design]
|
||||
tags: [auto-reinforced, antiFragility, risk-Management, Nassim-Taleb, Resilience, _system-design]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
---
|
||||
|
||||
# [[Antifragility|Antifragility]]
|
||||
@@ -22,7 +31,7 @@ last_reinforced: 2026-04-20
|
||||
* **Barbell [[Strategy|Strategy]]**: 극도로 안전한 것과 극도로 위험한(동시에 보상이 큰) 것을 조합하여 파멸적 리스크는 피하고 기회(Upside)는 열어두는 전략.
|
||||
* **Small Stressors**: 시스템이 정체되지 않도록 작은 충격과 시행착오를 지속적으로 허용함. (예: 백신, Chaos Engineering)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- **과거 데이터와의 충돌**: 과거의 모든 설계 정책은 '불확실성 제거'와 '최적화'에만 집중했으나, 현대 시스템 정책은 불확실성을 기회로 활용하고 실패 비용을 낮추는 '안티프래질 아키텍처 정책'으로 근본 설계를 변경함(RL Update).
|
||||
- **정책 변화(RL Update)**: 금융 및 국가 위기 관리 정책에서, 예측 불가능한 '블랙 스완'을 맞추려 노력하기보다 어떤 충격에도 적응하고 진화하는 '안티프래질 인프라 정책' 수립이 필수가 됨.
|
||||
|
||||
@@ -30,3 +39,29 @@ last_reinforced: 2026-04-20
|
||||
- [[Robustness|Robustness]], [[Adaptability|Adaptability]], [[Reinforcement Learning (RL)|Reinforcement Learning (RL)]], [[Ps-Reinforce|Ps-Reinforce]], [[Agile-Philosophy|Agile-Philosophy]], [[Decision Theory|Decision Theory]]
|
||||
- **Modern Tech/Tools**: Netflix Chaos Monkey (Chaos Engineering), Decentralized systems.
|
||||
---
|
||||
|
||||
## 🤖 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 |
|
||||
@@ -1,9 +1,26 @@
|
||||
---
|
||||
id: wiki-2026-0508-arc-2-기술-및-2026년-연구-업데이트-march-2
|
||||
title: Arc 2 기술 및 2026년 연구 업데이트(March 2026 Research Drop)
|
||||
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)
|
||||
---
|
||||
|
||||
# [[Arc 2 기술 및 2026년 연구 업데이트(March 2026 Research Drop)|Arc 2 기술 및 2026년 연구 업데이트(March 2026 Research Drop)]]
|
||||
|
||||
## 📌 Brief Summary
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
Arc 2 기술 및 2026년 3월 연구 업데이트(March 2026 Research Drop)는 코퍼스(Corpus) 과학자들이 데이터 볼트에서 발견한 설계도를 바탕으로 진행된 핵심 전투 시스템 패치입니다 [1]. 이리듐(Iridium) 자원을 사용하여 새로운 방어 플랫폼과 시설을 연구할 수 있게 되었으며, 특정 피해 유형에 대한 50% 방어 저항 시스템과 전자전 기능을 도입하여 공격자의 전술적 다양성을 강제합니다 [1-3]. 이 업데이트는 War Commander의 후반부 전투 생태계를 단순한 화력전에서 다면적인 혼합 병력 전술로 진화시키는 데 핵심적인 역할을 합니다 [4, 5].
|
||||
|
||||
## 📖 Core Content
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
* **업데이트 배경 및 자원 요건:** Descendants 세력의 섹터 장악 시도를 격퇴한 후 잔해에서 발견된 데이터 볼트를 통해 잠재적인 기지 업그레이드 설계도를 확보했습니다 [1]. 해당 연구들은 이리듐(Iridium)을 소비하지만, 동일한 수준의 기존 연구들보다 소요 시간이 짧게 설정되어 있습니다 [1].
|
||||
* **방어 플랫폼 전문화 (Platform Resistances):** 기존의 방어 플랫폼들이 명칭 변경과 함께 특정 데미지 유형에 대해 50%의 피해 감소(-50% Damage taken)를 제공하거나 상태 이상에 저항하도록 기능이 전면 개편되었습니다 [3, 6-8].
|
||||
* *Support/Heavy Graviton* (구 Airborne/Graviton): 지상 유닛 대상 50% 피해 감소 [3, 6, 8].
|
||||
@@ -20,10 +37,41 @@ Arc 2 기술 및 2026년 3월 연구 업데이트(March 2026 Research Drop)는
|
||||
* **기타 시설 및 무기 밸런스 개선:** 전력 관리를 위해 Deep Reactor(최대 전력 250) 및 Fusion Tower(최대 전력 450)의 상한선이 추가되었습니다 [9]. 또한, Warp Lance(AREA 데미지 변경 및 패턴 수정), Deadeye(스플래시 크기 감소 및 단일 데미지 보상 증가), Acid Rain(스플릿 거리 변경) 등 다수의 무기가 더 높은 신뢰도를 갖도록 패치되었습니다 [9, 10, 12].
|
||||
* **Arc 2 전술 유닛 생태계와의 상호작용:** Warlord Onymite와 같은 최고 스펙의 Arc 2 전설 보병 드론(13만 체력, 초당 1만 4천 이상의 데미지, 360도 이동 사격 및 스웜 드론 소환)과 같은 막강한 공격 유닛들에 대항하기 위해 이와 같은 전문화된 플랫폼 및 벙커 연구가 필수 불가결한 요소로 자리 잡았습니다 [13-16].
|
||||
|
||||
## 🔗 Knowledge Connections
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Related Topics:** [[방어 기하학 및 구조 설계(Defensive Architecture)|방어 기하학 및 구조 설계(Defensive Architecture)]], [[혼합 소대 전술(Mixed Platoon Tactics)|혼합 소대 전술(Mixed Platoon Tactics)]], [[이리듐 및 토륨 경제(Iridium and Thorium Economy)|이리듐 및 토륨 경제(Iridium and Thorium Economy)]]
|
||||
- **Projects/Contexts:** [[Operation- Western Sun|Operation: Western Sun]], [[Sector Breach 이벤트|Sector Breach 이벤트]]
|
||||
- **Contradictions/Notes:** 기존 기지 방어 메타가 주로 포탑의 내구도와 화력망 배치에 집중했다면, 2026년 3월 연구 업데이트는 특정 공격 방식(Burst, Sustain, Area 등)을 50% 삭감하는 '맞춤형 저항 플랫폼'을 중심으로 개편되었습니다. 이로 인해 과거처럼 강력한 체력을 지닌 단일 병종 전차 부대로 적진을 밀어버리는 스팀롤(Steamroll) 전술의 효율이 크게 감소하였으며, 공격과 방어 모두 고도로 계산된 상성 조합이 강제됩니다 [3, 4, 17].
|
||||
|
||||
---
|
||||
*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 |
|
||||
@@ -1,17 +1,29 @@
|
||||
---
|
||||
id: P-REINFORCE-WIKI-72D5C126
|
||||
category: Unified
|
||||
id: wiki-2026-0508-architecture-anti-patterns
|
||||
title: Architecture Anti patterns
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
canonical_id: self
|
||||
aliases: [P-REINFORCE-WIKI-72D5C126]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.95
|
||||
tags: ['architecture-anti-patterns', 'circuit-breaker-pattern', 'architecture-decision-record-(adr)', 'anaemic-domain-model', 'software-architecture-erosion', 'architecture-principles']
|
||||
tags: [architecture-anti-patterns, circuit-breaker-pattern, architecture-decision-record-(adr), anaemic-domain-model, software-architecture-erosion, architecture-principles]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-05-02
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
tech_stack:
|
||||
language: unspecified
|
||||
framework: unspecified
|
||||
---
|
||||
|
||||
# [[Architecture Anti-patterns]]
|
||||
|
||||
## 📌 Brief Summary
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
아키텍처 안티패턴(Architecture Anti-patterns)은 소프트웨어 시스템 설계 및 진화 과정에서 발생할 수 있는 비효율적이거나 잘못된 아키텍처 결정 및 관행을 의미합니다 [1, 2]. 분산 시스템에서의 잘못된 타임아웃 설정, 의사결정의 지연(분석 마비), 또는 문서화되지 않은 결정 등이 대표적인 사례입니다 [1, 2]. 이러한 안티패턴을 인지하고 해결하는 것은 시스템의 성능 저하와 커뮤니케이션 단절을 막는 데 필수적이지만, 하나의 안티패턴을 해결하는 과정이 연쇄적으로 또 다른 안티패턴을 유발할 수도 있으므로 주의가 필요합니다 [2].
|
||||
|
||||
## 📖 Core Content
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
소스 데이터를 기반으로 확인된 주요 아키텍처 안티패턴은 다음과 같습니다.
|
||||
|
||||
- **타임아웃 안티패턴 (Timeout AntiPattern):** 분산 시스템에서 타임아웃 값을 설정할 때 발생하는 문제를 설명합니다 [1]. 타임아웃을 너무 짧게 설정하면 정상적인 요청도 조기에 실패 처리되어 복잡한 우회 방법이 필요해지며, 너무 길게 설정하면 오류 응답이 늦어져 사용자 경험이 심각하게 저하됩니다 [1].
|
||||
@@ -19,14 +31,13 @@ last_reinforced: 2026-05-02
|
||||
- **문서화되지 않은 결정 (Forgotten/Undocumented Decisions):** 아키텍처 결정이 이메일과 같은 휘발성 매체를 통해 소통되거나 제대로 기록되지 않아 잊혀지는 현상입니다 [2]. 이는 명확한 결론 없이 동일한 논의가 반복되는 결과를 초래합니다 [2].
|
||||
- **빈약한 도메인 모델 (Anaemic Model):** 전통적으로는 안티패턴으로 간주되지만, 마이크로서비스 아키텍처와 같이 단일 도메인의 기능만 포함하는 매우 작은 서비스에서는 이러한 트랜잭션 스크립트 기반의 단순한 모델이 오히려 효율적일 수 있다는 논의도 존재합니다 [3].
|
||||
|
||||
## ⚖️ Trade-offs & Caveats
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- **안티패턴 해결의 연쇄 작용:** 아키텍처 안티패턴은 종종 점진적인 시퀀스를 따르기 때문에, 하나의 안티패턴을 해결하기 위한 조치가 또 다른 안티패턴의 출현으로 이어질 수 있는 제약 및 부작용을 동반합니다 [2].
|
||||
- **타임아웃 설정의 딜레마:** 타임아웃 안티패턴에서 짧은 타임아웃(정상 요청의 실패 위험)과 긴 타임아웃(느린 에러 응답) 사이의 타협점(Trade-off)을 찾는 것은 매우 어렵습니다 [1]. 이를 최적화하기 위해 서킷 브레이커(Circuit Breaker) 패턴을 도입할 수 있으나, 이는 서비스 상태를 실시간으로 모니터링해야 하는 시스템적 복잡성을 추가로 요구합니다 [1].
|
||||
- **문서화 오버헤드:** 문서화되지 않은 결정 안티패턴을 피하기 위해서는 기술적 및 비즈니스적(비용, 시장 출시 시간 등) 타당성을 명시한 아키텍처 결정 기록(ADR)을 위키와 같은 중앙 저장소에 엄격하게 관리해야 하는 관리적 반대 급부가 따릅니다 [2].
|
||||
- **결정 시점의 위험성:** 분석 마비를 피하기 위해 '마지막 책임 순간'까지 결정을 보류하는 것은 유연성을 유지하는 방법이지만, 시기를 잘못 조율하면 오히려 개발 진행을 방해하는 치명적인 병목이 될 수 있습니다 [2].
|
||||
|
||||
## 🔗 Knowledge Connections
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
### Related Concepts
|
||||
|
||||
#### [아키텍처/기반 기술]
|
||||
@@ -65,4 +76,53 @@ last_reinforced: 2026-05-02
|
||||
- 확장 방향: 이벤트 기반 아키텍처나 분산 시스템 설계 시, 타임아웃 문제나 데이터 손실과 같이 네트워크가 항상 신뢰할 수 있다는 오해(분산 컴퓨팅의 오류)에 대한 탐구로 이어질 수 있습니다 [7, 8].
|
||||
|
||||
---
|
||||
*Last updated: 2026-05-02*
|
||||
*Last updated: 2026-05-02*
|
||||
|
||||
## 🤖 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)*
|
||||
@@ -1,29 +1,42 @@
|
||||
---
|
||||
category: Unified
|
||||
id: wiki-2026-0508-architecture-styles
|
||||
title: Architecture Styles
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
canonical_id: self
|
||||
aliases: []
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.92
|
||||
tags: [auto-consolidated, technical-documentation]
|
||||
title: [[소프트웨어 아키텍처 스타일과 구조적 설계 원칙 (Architecture Styles)]]
|
||||
last_updated: 2026-05-02
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-05-08
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
tech_stack:
|
||||
language: unspecified
|
||||
framework: unspecified
|
||||
---
|
||||
|
||||
# [[소프트웨어 아키텍처 스타일과 구조적 설계 원칙 (Architecture Styles)]]
|
||||
|
||||
## 📌 Brief Summary
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
아키텍처 스타일은 복잡한 소프트웨어 시스템의 컴포넌트들을 어떻게 구성하고 상호작용할지 정의하는 근본적인 구조적 패턴과 설계 원칙입니다 [1, 2]. 개발자가 대규모 코드베이스에 직면했을 때, 시스템이 채택한 아키텍처 스타일을 식별하는 것은 코드의 배치와 의존성 규칙을 파악하는 지름길이 됩니다 [3]. 이를 인지하면 개별 코드의 상세 로직에 매몰되기 전에 시스템 전체의 설계 의도와 비즈니스 맥락을 빠르게 이해할 수 있는 인지적 기반을 마련할 수 있습니다 [3, 4].
|
||||
|
||||
## 📖 Core Content
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
* **계층형 아키텍처 (Layered Architecture):** 시스템을 프레젠테이션, 비즈니스 로직, 데이터 접근 등 수평적인 층으로 분리하며, 각 계층은 인접한 하위 계층에만 의존하는 엄격한 규칙을 가집니다 [3, 5-7]. 코드 분석 시 UI 로직이 데이터베이스 쿼리를 직접 수행하는지 확인하여 아키텍처의 부패를 감지할 수 있습니다 [3].
|
||||
* **클린 아키텍처 (Clean Architecture):** 비즈니스 엔티티와 유즈케이스를 시스템 중심에 배치하고, 외부 프레임워크나 DB는 어댑터를 통해 연결합니다 [4, 8, 9]. 소스 코드 의존성은 항상 핵심 비즈니스 로직을 향해야 하며(의존성 규칙), 코드베이스 탐색 시 인터페이스(포트)를 찾아 구현체를 역추적하면 외부 결합을 쉽게 파악할 수 있습니다 [4, 8, 10].
|
||||
* **도메인 주도 설계 (Domain-Driven Design, DDD):** 코드를 기술적 계층이 아닌 '주문 관리', '고객 지원'과 같은 비즈니스 용어로 명명된 바운디드 컨텍스트(Bounded Context)로 모듈화합니다 [4, 11-13]. DDD가 적용된 코드에서는 엔티티(Entities), 값 객체(Value Objects), 애그리거트(Aggregates) 패턴을 먼저 파악함으로써 코드가 해결하려는 비즈니스 문제를 직관적으로 이해할 수 있습니다 [4, 11].
|
||||
* **마이크로서비스 아키텍처 (Microservices Architecture):** 애플리케이션을 단일 비즈니스 기능(도메인)을 담당하는 작고 독립적인 서비스의 집합으로 쪼갭니다 [5, 14, 15]. 특정 저장소나 코드가 모놀리식인지 마이크로서비스인지 파악하는 것은 서비스 간 통신 방식(API)과 데이터 의존성을 탐색하는 데 중요한 단서가 됩니다 [14-16].
|
||||
* **이벤트 기반 아키텍처 (Event-Driven Architecture):** 시스템 컴포넌트가 직접 통신하지 않고 메시지 브로커를 통해 이벤트를 생산 및 소비하는 방식으로 비동기적 상호작용을 합니다 [17, 18]. 코드베이스 내에서 이벤트 발행자와 처리기(Consumer)의 연결 구조를 파악하는 것이 분석의 핵심이 됩니다 [17, 19].
|
||||
|
||||
## ⚖️ Trade-offs & Caveats
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
* **복잡성과 리소스의 증가:** 마이크로서비스 아키텍처는 서비스 경계 설계와 분산 시스템 특성에 따른 높은 복잡성을 지니며, 컨테이너 오케스트레이션(Kubernetes 등), CI/CD, 모니터링 인프라 구축에 많은 리소스가 요구됩니다 [20]. 이벤트 기반 아키텍처 역시 비동기 통신의 복잡성, 이벤트 순서 보장, 복잡한 추적(Tracing) 인프라 구축이라는 반대 급부를 수반합니다 [20].
|
||||
* **설계와 모델링의 초기 비용:** 도메인 주도 설계(DDD)와 클린 아키텍처는 비즈니스 로직을 완벽하게 격리하고 유비쿼터스 언어(Ubiquitous Language)를 정립하기 위해 도메인 전문가와의 협업 및 높은 분석 설계 시간이 소요됩니다 [20, 21]. 이러한 엄격한 추상화 규칙은 시스템을 보호하지만, 구현 복잡도를 크게 높입니다 [20].
|
||||
* **강한 결합의 위험과 유지보수 부담:** 비교적 단순한 패턴인 계층형 아키텍처도 계층 간 통신 규칙을 엄격히 적용하지 않고 관리를 소홀히 하면 코드가 강하게 결합(Tightly Coupled)되는 치명적인 구조적 결함이 발생할 수 있습니다 [22, 23].
|
||||
* **아키텍처 드리프트 (Architectural Drift):** 시스템이 발전함에 따라 실제 코드베이스가 초기 아키텍처 설계와 멀어지는 현상입니다. 코드가 지속적으로 수정되면 다이어그램과 실제 코드 간의 불일치가 발생하여, 레거시 시스템을 해독하고 현대화하는 과정에 큰 장애물이 됩니다 [24-26].
|
||||
|
||||
## 🔗 Knowledge Connections
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Microservices_Architecture]]: 분산 환경에서의 대표적인 아키텍처 스타일.
|
||||
- [[Clean_Architecture]]: 도메인 중심의 견고한 내부 설계를 위한 스타일.
|
||||
- [[C4_Model]]: 아키텍처 스타일을 시각화하고 문서화하는 표준 모델.
|
||||
@@ -97,4 +110,47 @@ last_updated: 2026-05-02
|
||||
## 🧪 검증 상태 (Validation)
|
||||
- **정보 상태**: 검증 완료 (Verified)
|
||||
- **출처 신뢰도**: A
|
||||
- **검토 이유**: 소프트웨어 시스템의 거시적인 형상을 결정하는 핵심 설계 패턴들을 체계화하고, 코드베이스의 구조적 건전성을 유지하기 위한 이론적 토대 마련.
|
||||
- **검토 이유**: 소프트웨어 시스템의 거시적인 형상을 결정하는 핵심 설계 패턴들을 체계화하고, 코드베이스의 구조적 건전성을 유지하기 위한 이론적 토대 마련.
|
||||
|
||||
## 🤖 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.
|
||||
|
||||
## 🕓 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)*
|
||||
@@ -1,9 +1,18 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-ARTI-001
|
||||
category: Unified
|
||||
id: wiki-2026-0508-articulateness
|
||||
title: Articulateness
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
canonical_id: self
|
||||
aliases: [P-Reinforce-AUTO-ARTI-001]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.93
|
||||
tags: [auto-reinforced, articulateness, communication, clarity, language-proficiency, eloquence]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
---
|
||||
|
||||
# [[Articulateness|Articulateness]]
|
||||
@@ -23,7 +32,7 @@ last_reinforced: 2026-04-20
|
||||
3. **AI와의 협업**:
|
||||
* AI에게 자신의 의도를 명료하게 전달하는 능력(prompting)이 곧 AI 시대의 핵심 경쟁력이 됨.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- **과거 데이터와의 충돌**: 과거에는 화려한 수식어를 사용하는 '유창함'이 미덕이었으나, 현대의 정보 과잉 정책은 불필요한 군더더기를 걷어내고 핵심만 찌르는 '초명료성(Ultra-clarity) 정책'을 더 선호함(RL Update).
|
||||
- **정책 변화(RL Update)**: 글로벌 협업 정책에서, 다국어 환경의 오해를 줄이기 위해 최대한 단순하고 명확한 용어로 소통하는 'Plain Language 정책'이 비즈니스 의사소통의 표준 가이드라인으로 채택됨.
|
||||
|
||||
@@ -31,3 +40,29 @@ last_reinforced: 2026-04-20
|
||||
- [[Scientific Communication|Scientific Communication]], [[Vocabulary-Expansion|Vocabulary-Expansion]], [[Prompt-Engineering|Prompt-Engineering]]-Strategies, [[Analysis|Analysis]], [[Leadership|Leadership]]
|
||||
- **Modern Tech/Tools**: Grammarly (Tone detection), AI writing assistants.
|
||||
---
|
||||
|
||||
## 🤖 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 |
|
||||
@@ -1,9 +1,29 @@
|
||||
---
|
||||
id: wiki-2026-0508-artifacts-infrastructure
|
||||
title: "Artifacts & Infrastructure"
|
||||
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)
|
||||
tech_stack:
|
||||
language: unspecified
|
||||
framework: unspecified
|
||||
---
|
||||
|
||||
# Artifacts & Infrastructure (아티팩트 및 인프라)
|
||||
|
||||
## 📌 Brief Summary
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
Artifacts & Infrastructure는 에이전트가 생성한 중간 산출물(코드, 문서, 이미지 등)을 체계적으로 저장, 색인, 관리하는 체계와 이를 뒷받침하는 물리적/가상적 실행 환경을 의미한다. 에이전트의 사고 과정을 증명하고 결과물을 공유하며, 안전한 실행을 보장하는 에이전틱 시스템의 물리적 토대이다.
|
||||
|
||||
## 📖 Core Content
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
* **아티팩트 시스템 (Artifact Store)**:
|
||||
* **Filesystem-Artifact Store**: 모델 컨텍스트에 담기 힘든 대규모 데이터를 별도의 파일 시스템에 저장하고 모델에게는 참조 ID와 요약본만 제공.
|
||||
* **Artifact Index**: 저장된 수많은 아티팩트를 검색하고 추적하기 위한 메타데이터 색인 시스템.
|
||||
@@ -14,13 +34,12 @@ Artifacts & Infrastructure는 에이전트가 생성한 중간 산출물(코드,
|
||||
* **Sandboxed Execution**: 에이전트의 활동을 호스트 시스템으로부터 물리적으로 분리하여 보호.
|
||||
* **아티팩트 시각화**: 에이전트가 생성한 결과물(React UI, Mermaid 다이어그램 등)을 사용자가 즉시 확인하고 상호작용할 수 있도록 렌더링하는 인터페이스 제공.
|
||||
|
||||
## ⚖️ Trade-offs & Caveats
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
* **저장 공간 및 관리 비용**: 에이전트가 생성하는 아티팩트가 많아질수록 저장 공간이 급증하고 이를 관리하는 인프라 비용이 늘어난다.
|
||||
* **데이터 일관성**: 아티팩트 저장소의 데이터와 에이전트의 메모리(S-component) 간에 정보가 불일치할 경우 에이전트가 혼란을 겪을 수 있다.
|
||||
* **격리와 성능의 균형**: 샌드박싱이 강화될수록 실행 속도는 느려지고 외부 시스템과의 연동은 복잡해진다.
|
||||
|
||||
## 🔗 Knowledge Connections
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
### Related Concepts
|
||||
* [[Agent Harness|Agent Harness]]
|
||||
* 연결 이유: 아티팩트 스토어와 인프라는 하네스의 물리적 구현 대상이다.
|
||||
@@ -40,3 +59,52 @@ Artifacts & Infrastructure는 에이전트가 생성한 중간 산출물(코드,
|
||||
|
||||
---
|
||||
*Last updated: 2026-05-01*
|
||||
|
||||
## 🤖 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)*
|
||||
@@ -1,9 +1,18 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-AI-001
|
||||
category: Unified
|
||||
confidence_score: 1.00
|
||||
tags: [auto-reinforced, [[Artificial-Intelligence|Artificial-Intelligence]], ai-fundamentals, machine-learning, [[Deep-Learning|Deep-Learning]], computing-history]
|
||||
id: wiki-2026-0508-artificial-intelligence-ai
|
||||
title: Artificial Intelligence (AI)
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
canonical_id: self
|
||||
aliases: [P-Reinforce-AUTO-AI-001]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 1.0
|
||||
tags: [auto-reinforced, Artificial-Intelligence, ai-fundamentals, machine-learning, Deep-Learning, computing-history]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
---
|
||||
|
||||
# [[Artificial Intelligence (AI)|Artificial Intelligence (AI)]]
|
||||
@@ -24,7 +33,7 @@ last_reinforced: 2026-04-20
|
||||
3. **시대적 의의**:
|
||||
* AI는 이제 단순히 소프트웨어의 한 기능을 넘어, 전기나 인터넷처럼 모든 산업의 기초가 되는 '범용 기술(General [[Purpose|Purpose]] Technology)'이 됨.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- **과거 데이터와의 충돌**: 초기 AI는 규칙 기반(Rule-based) 정책으로 고생했으나, 현대의 데이터 중심(Data-driven) 정책은 규칙을 인간이 주지 않아도 AI가 스스로 발견하는 정책으로 혁명을 일으킴(RL Update).
|
||||
- **정책 변화(RL Update)**: 단순 가속화 정책에서, 기술의 '책임성'과 '가치 정렬'을 담보하지 않으면 배포할 수 없다는 '책임 있는 AI (Responsible AI) 정책'이 글로벌 기술 산업의 무역 장벽이자 표준이 됨.
|
||||
|
||||
@@ -32,3 +41,29 @@ last_reinforced: 2026-04-20
|
||||
- [[Artificial General Intelligence (AGI)|Artificial General Intelligence (AGI)]], Foundational Models, [[Machine-Learning-Foundations|Machine-Learning-Foundations]], [[Ethics & AI|Ethics & AI]], [[Ps-Reinforce|Ps-Reinforce]], [[What-is-AI|What-is-AI]]
|
||||
- **Modern Tech/Tools**: [[Transformers|Transformers]], Neural Networks, GPU computing, LLMs.
|
||||
---
|
||||
|
||||
## 🤖 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 |
|
||||
@@ -1,9 +1,21 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AI-GENERAL
|
||||
category: Unified
|
||||
id: wiki-2026-0508-artificial-intelligence
|
||||
title: Artificial Intelligence
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
canonical_id: self
|
||||
aliases: [P-Reinforce-AI-GENERAL]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.99
|
||||
tags: [Artificial Intelligence, Machine Learning, Deep Learning, Scaling Laws]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
tech_stack:
|
||||
language: unspecified
|
||||
framework: unspecified
|
||||
---
|
||||
|
||||
# [[Artificial-Intelligence|Artificial-Intelligence]] (인공지능)
|
||||
@@ -19,9 +31,58 @@ last_reinforced: 2026-04-20
|
||||
- **Societal Impact**:
|
||||
- 노동의 자동화를 넘어, 인간의 창의 성과 의사결정 방식 자체를 재정의하는 문명적 도구.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- AI는 '이해'하는 것이 아니라 '확률적 생성'을 하는 것이다. 이 차이를 간과할 때 환각(Hallucination) 문제가 발생하며, 이를 극복하기 위해 심볼릭 로직과 딥러닝을 결합하는 '[[Neuro-Symbolic AI|Neuro-Symbolic AI]]'가 대안으로 떠오르고 있다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Deep-Learning|Deep-Learning]]-[[Architecture|Architecture]]-Patterns , AI-Ethics
|
||||
- Foundation: Computational Thinking
|
||||
|
||||
## 🤖 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)*
|
||||
@@ -1,9 +1,18 @@
|
||||
---
|
||||
id: ALIFE-001
|
||||
category: Unified
|
||||
id: wiki-2026-0508-artificial-life
|
||||
title: Artificial Life
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
canonical_id: self
|
||||
aliases: [ALIFE-001]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 1.0
|
||||
tags: [ai, biology, complex-systems, artificial-life, simulation]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-04-26
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
---
|
||||
|
||||
# Artificial Life (인공 생명)
|
||||
@@ -20,10 +29,36 @@ last_reinforced: 2026-04-26
|
||||
- **[[Evolutionary Computation|Evolutionary Computation]]:** 적자생존의 원리를 이용한 알고리즘 최적화.
|
||||
- **의의:** 지능이 중앙 통제가 아닌, 개별 개체들의 분산된 상호작용 결과물임을 증명하여 분산형 AI 연구에 기여.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- **과거 데이터와의 충돌:** 단순히 생명을 흉내 내는 수준에서, 인공 생태계 내에서 자율적인 학습과 진화가 일어나는 고도의 복잡계 시뮬레이션으로 발전.
|
||||
- **정책 변화:** Skybound 프로젝트의 군집 AI(Swarm AI) 설계 시, 인공 생명의 군집 행동(Flocking) 원리를 적용하여 수백 개의 적 기체가 자연스럽고 위협적인 움직임을 보이도록 구현함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Evolutionary-Computation|Evolutionary-Computation]], Agentic-Workflow, [[Multi-Agent-Systems-MAS|Multi-Agent-Systems-MAS]], [[Complexity-Theory|Complexity-Theory]]
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Artificial-Life.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 |
|
||||
@@ -1,9 +1,18 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-ARTS-001
|
||||
category: Unified
|
||||
id: wiki-2026-0508-arts
|
||||
title: Arts
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
canonical_id: self
|
||||
aliases: [P-Reinforce-AUTO-ARTS-001]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.92
|
||||
tags: [auto-reinforced, arts, aesthetics, creativity, culture, humanity]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
---
|
||||
|
||||
# [[Arts|Arts]]
|
||||
@@ -22,7 +31,7 @@ last_reinforced: 2026-04-20
|
||||
* 회화, 조각, 음악 등 고전 예술에서 사진, 영화, 디지털 아트로 진화.
|
||||
* 최근 생성형 AI를 활용한 'AI-human Collaborative Art'가 예술의 경계를 확장 중. ([[AI and Narrative|AI and Narrative]]와 연결)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- **과거 데이터와의 충돌**: 과거에는 숙련된 '기술(Techne)'이 예술의 핵심 정책이었으나, 현대 예술 정책은 기술보다 '작가의 개념(Concept)'과 '의도'에 더 큰 가치를 두는 정책으로 전환됨(RL Update).
|
||||
- **정책 변화(RL Update)**: AI가 인간보다 완벽한 기법을 구사하게 됨에 따라, 오히려 인간의 '불완전함'과 '신체적 개입'이 들어간 예술 프로젝트에 더 높은 가치를 부여하는 '뉴 휴머니즘 예술 정책'이 부상함.
|
||||
|
||||
@@ -30,3 +39,29 @@ last_reinforced: 2026-04-20
|
||||
- [[Aesthetic-Value|Aesthetic-Value]], [[AI and Narrative|AI and Narrative]], [[Visual-Effects-VFX|Visual-Effects-VFX]], [[Style-Transfer|Style-Transfer]], [[Anthropomorphism|Anthropomorphism]]
|
||||
- **Modern Tech/Tools**: Generative AI tools (Stable Diffusion, Midjourney), VR/AR art installations.
|
||||
---
|
||||
|
||||
## 🤖 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 |
|
||||
@@ -1,9 +1,21 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-ASSM-001
|
||||
category: Unified
|
||||
id: wiki-2026-0508-assessment
|
||||
title: Assessment
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
canonical_id: self
|
||||
aliases: [P-Reinforce-AUTO-ASSM-001]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.94
|
||||
tags: [auto-reinforced, assessment, evaluation, feedback, measurement, educational-[[Psychology|Psychology]]]
|
||||
tags: [auto-reinforced, assessment, evaluation, feedback, measurement, educational-Psychology]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
tech_stack:
|
||||
language: unspecified
|
||||
framework: unspecified
|
||||
---
|
||||
|
||||
# [[Assessment|Assessment]]
|
||||
@@ -23,7 +35,7 @@ last_reinforced: 2026-04-20
|
||||
* **[[Reliability|Reliability]] (신뢰도)**: 누가 언제 측정해도 일관된 결과가 나오는가?
|
||||
* **Fairness (공정성)**: 평가 대상 모두에게 균등한 기회가 보장되는가? ([[Algorithmic Fairness|Algorithmic Fairness]]와 연결)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- **과거 데이터와의 충돌**: 과거의 평가 정책은 줄 세우기를 통한 '선별'이 목적이었으나, 현대의 교육 및 인사 정책은 부족한 부분을 메워주는 '지속적 성장 지원 정책'으로 패러다임을 전환함(RL Update).
|
||||
- **정책 변화(RL Update)**: AI 모델 평가 정책에서, 단순히 벤치마크 점수(Accuracy)만 따지기보다 모델의 취약점과 윤리성을 입체적으로 파악하는 'Multi-dimensional Assessment 정책'이 표준이 됨.
|
||||
|
||||
@@ -31,3 +43,52 @@ last_reinforced: 2026-04-20
|
||||
- [[Active Learning|Active Learning]], [[Algorithmic Fairness|Algorithmic Fairness]], [[Type 1 vs Type 2 Errors|Type 1 vs Type 2 Errors]], [[Statistics & Data Analysis|Statistics & Data Analysis]], Self-Correction Mechanisms
|
||||
- **Modern Tech/Tools**: AI-automated evaluation tools, Performance dashboards (KPI/OKR).
|
||||
---
|
||||
|
||||
## 🤖 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)*
|
||||
@@ -1,9 +1,21 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-ASSP-001
|
||||
category: Unified
|
||||
id: wiki-2026-0508-asset-specific-knowledge
|
||||
title: Asset Specific Knowledge
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
canonical_id: self
|
||||
aliases: [P-Reinforce-AUTO-ASSP-001]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.92
|
||||
tags: [auto-reinforced, asset-specific-knowledge, specialization, competitive-advantage, core-competency]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
tech_stack:
|
||||
language: unspecified
|
||||
framework: unspecified
|
||||
---
|
||||
|
||||
# [[Asset-Specific-Knowledge|Asset-Specific-Knowledge]]
|
||||
@@ -22,7 +34,7 @@ last_reinforced: 2026-04-20
|
||||
* **[[Opera|Opera]]tional Excellence**: 시스템의 병목을 정확히 찾아내고 최적화하게 해줌 (Theory of Constraints와 협업).
|
||||
* **Strategic Moat**: 기업이 가진 기술적 해자(Moat)는 흔히 이 특정적 지식의 축적에서 비롯됨.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- **과거 데이터와의 충돌**: 과거 기업 정책은 인력을 부품화하여 '매뉴얼화된 범용 지식'만 남기려 했으나, 현대의 복잡한 기술 정책은 장기 근속자와 전문가들만이 가진 '자산 특정적 지식 정책'을 보호하고 이식하는 것을 핵심 전략으로 삼음(RL Update).
|
||||
- **정책 변화(RL Update)**: 에이전트 개발 정책에서, 범용 모델을 그대로 쓰는 대신 기업 내부 데이터와 워크플로우를 학습시킨 '특화 에이전트 정책'이 실질적인 ROI를 만들어내는 핵심 트렌드가 됨.
|
||||
|
||||
@@ -30,3 +42,52 @@ last_reinforced: 2026-04-20
|
||||
- Foundational Models, [[Technical-Architecture|Technical-Architecture]], Workflow-InteGrity, [[Theory of Constraints (TOC)|Theory of Constraints (TOC)]], [[Agile-Philosophy|Agile-Philosophy]]
|
||||
- **Modern Tech/Tools**: Internal knowledge base (Wiki), Specialized RAG (Retrieval-Augmented Generation).
|
||||
---
|
||||
|
||||
## 🤖 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)*
|
||||
@@ -1,9 +1,21 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-AMIN-001
|
||||
category: Unified
|
||||
id: wiki-2026-0508-atmospheric-intelligence
|
||||
title: Atmospheric Intelligence
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
canonical_id: self
|
||||
aliases: [P-Reinforce-AUTO-AMIN-001]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.93
|
||||
tags: [auto-reinforced, atmospheric-intelligence, ubiquitous-computing, smart-environments, ambient-ai, iot]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
tech_stack:
|
||||
language: unspecified
|
||||
framework: unspecified
|
||||
---
|
||||
|
||||
# [[Atmospheric-Intelligence|Atmospheric-Intelligence]]
|
||||
@@ -21,7 +33,7 @@ last_reinforced: 2026-04-20
|
||||
2. **구현 예시**:
|
||||
* 집에 들어오면 조명이 시간과 내 기분에 맞춰 조절되고, 습도와 온도가 자동으로 최적화되며, 필요한 정보가 벽면이나 홀로그램으로 자연스럽게 노출되는 스마트 홈.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- **과거 데이터와의 충돌**: 과거에는 스마트폰 앱을 통한 '수동적 조작' 정책이 중심이었으나, 현대의 공간 컴퓨팅 정책은 기기의 개입을 최소화하고 환경 자체가 인터페이스가 되는 'Zero-UI 정책'을 지향함(RL Update).
|
||||
- **정책 변화(RL Update)**: 보이지 않는 감시(Surveillance) 리스크 정책이 심화됨에 따라, 대기 지능 시스템이 수집하는 데이터를 로컬에서 즉각 처리하고 파기하는 'Edge-AI 기반 프라이버시 정책'이 시스템 설계의 필수 조건이 됨.
|
||||
|
||||
@@ -29,3 +41,52 @@ last_reinforced: 2026-04-20
|
||||
- [[Affordance|Affordance]], [[Adaptive-Curation|Adaptive-Curation]], [[Artificial Intelligence (AI)|Artificial Intelligence (AI)]], [[Agent Architecture|Agent Architecture]], Human-Computer Interaction (HCI)
|
||||
- **Modern Tech/Tools**: Smart home standards (Matter), [[Edge-Computing|Edge-Computing]], Multi-modal sensors.
|
||||
---
|
||||
|
||||
## 🤖 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)*
|
||||
@@ -1,68 +1,28 @@
|
||||
# [[어텐션 메커니즘]]
|
||||
---
|
||||
id: wiki-2026-0508-attention-mechanism
|
||||
title: Attention Mechanism
|
||||
category: 10_Wiki/Topics/AI_and_ML
|
||||
status: merged
|
||||
redirect_to: Transformer_Architecture_and_LLM_Foundations
|
||||
canonical_id: Transformer_Architecture_and_LLM_Foundations
|
||||
aliases: [P-Reinforce-REDIRECT-ATTENTION-SINGLE]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.92
|
||||
tags: [redirect]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-05-08
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
tech_stack:
|
||||
language: unspecified
|
||||
framework: unspecified
|
||||
---
|
||||
|
||||
## 📌 Brief Summary
|
||||
**어텐션 메커니즘**은 딥러닝 모델이 텍스트나 이미지 등의 전체 입력 시퀀스를 처리할 때, 주어진 맥락상 가장 관련성이 높은 부분에 선택적으로 주의(우선순위)를 기울이게 하는 인공지능 기술이다 [1, 2]. 이 기술은 초기 인코더-디코더 모델이 긴 문장을 처리할 때 겪던 정보의 망각(경사 소실) 문제를 해결하기 위해 고안되었다 [3, 4]. 데이터 간의 관련성 점수를 스스로 계산하여 각 정보의 중요도를 동적으로 통합함으로써, 오늘날 **트랜스포머(Transformer) 아키텍처와 대규모 언어 모델(LLM) 혁명을 가능하게 한 핵심 원동력**으로 평가받는다 [2, 5, 6].
|
||||
|
||||
## 📖 Core Content
|
||||
|
||||
* **등장 배경과 기존 모델의 한계 극복**
|
||||
과거의 순환 신경망(RNN)이나 Seq2Seq 모델은 입력된 순차적 데이터를 고정된 크기의 컨텍스트 벡터로만 압축해야 했기에, 긴 문장이 주어지면 앞부분의 정보가 소실되는 '정보 병목'이나 '경사 소실' 현상을 피할 수 없었다 [3, 4, 7]. 이를 해결하기 위해 2014년 디코더가 출력을 생성할 때 전체 입력 대신 **가장 핵심적인 관련 정보에만 스포트라이트를 비추어 집중하는 어텐션 개념**이 제안되었다 [1, 4].
|
||||
|
||||
* **동적 맥락 통합 원리 (Query, Key, Value 상호작용)**
|
||||
어텐션은 본질적으로 관계형 데이터베이스의 검색 메커니즘과 유사한 **쿼리(Query), 키(Key), 값(Value)의 상호작용**으로 작동한다 [8].
|
||||
1. 현재 맥락을 대변하는 쿼리 벡터와 각 정보가 담긴 키 벡터 간의 유사도(내적 연산 등)를 통해 '관련성 점수(정렬 점수)'를 계산한다 [5, 9, 10].
|
||||
2. 이 점수들을 소프트맥스(Softmax) 함수에 통과시켜 중요도 비율을 나타내는 0과 1 사이의 '어텐션 가중치'로 변환한다 [5, 6, 9, 11].
|
||||
3. 도출된 어텐션 가중치를 개별 값(Value) 벡터에 곱해 더함으로써, **중요한 정보는 더 많이, 덜 중요한 정보는 더 적게 반영된 맥락 통합 벡터**를 생성한다 [6, 9].
|
||||
|
||||
* **셀프 어텐션과 멀티헤드 어텐션의 입체적 확장**
|
||||
'셀프 어텐션(Self-Attention)'은 동일한 입력 시퀀스 내부의 토큰들이 서로 어떻게 연관되어 있는지 스스로 어텐션 가중치를 계산하여, 지시 대명사나 다의어의 의미를 정확한 맥락 속에서 해소한다 [12, 13]. 나아가 '멀티헤드 어텐션(Multi-head Attention)'은 단일 관점이 아닌 **여러 개의 어텐션 헤드를 병렬로 사용하여 문법, 의미, 어조 등 각기 다른 관점**에서 문장을 동시에 훑어본다 [6, 14]. 이를 통해 모델은 정보들 사이의 얽힌 복잡한 관계망을 입체적이고 깊이 있게 파악하며 장거리 의존성(Long-range dependency)을 성공적으로 통합하게 되었다 [6, 14, 15].
|
||||
|
||||
## ⚖️ Trade-offs & Caveats
|
||||
어텐션 메커니즘, 특히 시퀀스 내의 모든 요소가 상호작용하는 **전역 어텐션(Global Attention)은 입력되는 시퀀스의 길이가 길어질수록 연산 비용과 메모리 요구량이 기하급수적(제곱)으로 폭발하는 치명적인 단점**을 지닌다 [16-18]. 문장 속의 모든 단어가 다른 모든 단어와의 관계를 개별적으로 계산해야 하므로 긴 문맥을 처리할 경우 막대한 컴퓨터 파워가 요구된다 [17, 18].
|
||||
|
||||
이러한 막대한 연산 비용이라는 반대급부를 해결하기 위해, 전체가 아닌 일부 입력 토큰에만 주의를 제한하는 **지역 어텐션(Local Attention)**이나 단 하나의 소스에만 주목하는 **강한 어텐션(Hard Attention)** 같은 방법론이 고안되었다 [16]. 또한, 최근에는 제곱에 달하는 어텐션 복잡도를 해결하기 위해 긴 맥락을 작은 청크로 겹쳐 연산하는 LongLoRA의 '이동된 짧은 어텐션(S2-Attention)' 기법이나 [19], 정보의 취사선택을 통해 연산 비용을 선형(O(N)) 복잡도로 획기적으로 낮춘 **맘바(Mamba)** 같은 상태 공간 모델(SSM) 구조가 새롭게 대두되며 한계 극복을 시도하고 있다 [20-22].
|
||||
|
||||
## 🔗 Knowledge Connections
|
||||
|
||||
### Related Concepts
|
||||
|
||||
#### [관계 유형 A (아키텍처/기반 기술)]
|
||||
- [[트랜스포머 (Transformer)]]
|
||||
- 연결 이유: 어텐션 메커니즘을 전면에 내세워 기존의 순차적(RNN) 처리 방식을 완전히 대체하고, 모델이 입력 시퀀스 전체를 한 번에 검토하여 맥락을 파악할 수 있도록 구현된 혁신적 인공지능 아키텍처이기 때문이다 [1, 6, 17, 23, 24].
|
||||
- 이 개념을 통해 더 깊게 이해할 수 있는 부분: 멀티헤드 셀프 어텐션이 어떻게 직렬 처리의 한계를 넘어 병렬 처리를 통해 장거리 의존성 등 복합적인 맥락을 동시에 조망하고 통합해 내는지 깊이 파악할 수 있다 [6, 15, 25].
|
||||
|
||||
- [[셀프 어텐션 (Self-Attention)]]
|
||||
- 연결 이유: 주어진 시퀀스 내의 토큰들끼리 서로 쿼리와 키가 되어 문맥적 관계망을 계산하는 어텐션의 핵심 세부 기법이기 때문이다 [12, 13].
|
||||
- 이 개념을 통해 더 깊게 이해할 수 있는 부분: 문장 내 단어들이 조합되어 형성하는 미묘한 뉘앙스나 동음이의어 해소 과정에서 맥락 통합이 구체적으로 어떤 행렬 곱셈 과정을 거쳐 달성되는지 원리적 수준에서 이해할 수 있다 [13].
|
||||
|
||||
#### [관계 유형 B (대안 및 한계 극복 아키텍처)]
|
||||
- [[맘바 (Mamba)]] (상태 공간 모델, SSM)
|
||||
- 연결 이유: 어텐션 메커니즘이 가진 제곱에 달하는 치명적인 연산 비용 및 메모리 한계를 극복하고, 극도로 긴 맥락(Long-context)을 선형 연산 시간으로 다루기 위해 등장한 최신 아키텍처이기 때문이다 [18, 20-22].
|
||||
- 이 개념을 통해 더 깊게 이해할 수 있는 부분: 선택적 스캔(Selective Scan)을 통해 무한한 입력 중 기억할 것과 잊을 것을 가려내는 방식이 어텐션의 중요도 평가(가중치) 메커니즘과 어떻게 다르게 맥락 통합을 이루어내는지 비교할 수 있다 [20, 26].
|
||||
|
||||
### Deeper Research Questions
|
||||
|
||||
- 어텐션 메커니즘의 소프트맥스(Softmax) 가중치 분배 과정은 뇌의 글로벌 워크스페이스(Global Workspace) 신경 아키텍처에서 일어나는 정보의 전역적 방송(Broadcasting) 및 자극 증폭 과정과 수학적 혹은 철학적으로 어떤 접점을 지니는가?
|
||||
- 멀티헤드 어텐션 구조 내에서 각각의 '헤드(Head)'는 의미론, 구문론, 지시 대명사 참조 등 서로 다른 맥락적 특성을 어떻게 자발적으로 분화하여 학습하고 다시 하나의 벡터로 결합하는가?
|
||||
- 긴 문서 처리 시 발생하는 어텐션의 O(N^2) 계산 복잡도 문제를 선형적으로 단축시킨 맘바(Mamba) 모델의 선택적 상태 공간 기법은, 어텐션 대비 맥락 인출(Retrieval) 정확도에서 어떤 트레이드오프(Trade-off)를 보이는가?
|
||||
- 어텐션 메커니즘이 국소적 단어 관계(Local Attention)를 넘어서 광범위한 다중 문서 간의 교차 어텐션(Cross Attention)을 수행할 때 발생할 수 있는 정보 충돌 현상은 어떻게 제어되는가?
|
||||
- 언어 모델의 환각(Hallucination) 현상을 어텐션 메커니즘 내부의 가중치 할당 오류나 노이즈 맥락의 과도한 반영 측면에서 어떻게 진단하고 디버깅할 수 있는가?
|
||||
|
||||
### Practical Application Contexts
|
||||
|
||||
- **Implementation:** 머신러닝 라이브러리(PyTorch 등)를 사용하여 Query, Key, Value 행렬 기반의 내적 및 소프트맥스 함수 코드를 작성하고 스케일드 점곱 어텐션(Scaled Dot-Product Attention) 알고리즘을 딥러닝 레이어로 구현 [9, 11, 27].
|
||||
- **System Design:** 기계 번역기, 이미지 캡션 생성기, 혹은 질의응답 챗봇 시스템을 설계할 때, 입력 데이터의 중요 부분과 출력 데이터 간의 매핑 효율성을 극대화하기 위한 인코더-디코더 연결 브리지로 어텐션 계층을 디자인 [3, 23, 28, 29].
|
||||
- **Operation / Maintenance:** 모델이 내놓은 결과값이 왜 그렇게 도출되었는지 파악하기 위해, 연산 과정에서 발생한 어텐션 가중치(Attention weights) 히트맵을 시각화하여 특정 입력 단어가 결과에 미친 맥락적 비중을 모니터링 [5, 9].
|
||||
- **Learning Path:** 전통적 딥러닝(RNN, CNN)의 구조와 경사 소실의 한계를 학습한 후, Bahdanau 어텐션의 등장 배경과 트랜스포머 논문("Attention is All You Need")으로 이어지는 AI 기술의 패러다임 전환과 맥락 처리 발전사를 학습 [1, 3, 23, 24, 30].
|
||||
- **My Project Relevance:** 문서 요약 솔루션 등 방대한 텍스트의 맥락을 분석해야 하는 AI 프로젝트를 진행할 때, 모든 단어를 동등하게 취급하지 않고 가장 중요한 정보를 스스로 선별하여 요약의 품질을 높이는 핵심 판단 모듈로 도입 [23, 31].
|
||||
|
||||
### Adjacent Topics
|
||||
|
||||
- [[RAG (검색 증강 생성)]]
|
||||
- 확장 방향: 모델의 내부 파라미터나 고정된 입력 맥락에만 의존하지 않고, 외부의 실시간 지식 베이스를 검색하여 어텐션이 처리해야 할 '핵심 맥락' 자체를 동적으로 확장하고 주입하는 기술적 연동 방향으로 탐구 [19].
|
||||
- [[자연어 처리 (NLP) 화용론]]
|
||||
- 확장 방향: 단순한 문장 내 단어의 표면적 관련성을 어텐션으로 묶는 것을 넘어, 발화자의 숨은 의도나 대화 속 암묵적 규칙(그라이스의 격률 등) 같은 초월적이고 사회적인 맥락(Social Pragmatics)을 AI가 어떻게 추론하고 융합할 수 있는지 언어학적 심층 연구로 확대 [32-34].
|
||||
# [[Attention Mechanism]]
|
||||
|
||||
> [!IMPORTANT]
|
||||
> 이 문서는 고밀도 지식 자산 통합 정책에 따라 **[[Transformer_Architecture_and_LLM_Foundations]]**으로 통합되었습니다.
|
||||
|
||||
---
|
||||
*Last updated: 2026-05-04*
|
||||
*Redirected to: [[Transformer_Architecture_and_LLM_Foundations]]*
|
||||
@@ -1,40 +1,28 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-ATME-001
|
||||
category: Unified
|
||||
confidence_score: 1.00
|
||||
tags: [auto-reinforced, attention-mechanisms, transformer, [[Deep-Learning|Deep-Learning]], neural-networks, ai-[[Architecture|Architecture]]]
|
||||
last_reinforced: 2026-04-20
|
||||
id: wiki-2026-0508-attention-mechanisms
|
||||
title: Attention Mechanisms
|
||||
category: 10_Wiki/Topics/AI_and_ML
|
||||
status: merged
|
||||
redirect_to: Transformer_Architecture_and_LLM_Foundations
|
||||
canonical_id: Transformer_Architecture_and_LLM_Foundations
|
||||
aliases: [P-Reinforce-REDIRECT-ATTENTION-PLURAL]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.92
|
||||
tags: [redirect]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-05-08
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
tech_stack:
|
||||
language: unspecified
|
||||
framework: unspecified
|
||||
---
|
||||
|
||||
# [[Attention Mechanisms|Attention Mechanisms]]
|
||||
# [[Attention Mechanisms]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "지능의 조명등: 입력된 방대한 데이터 중 현재의 맥락에 가장 중요한 핵심 정보에만 가중치를 두어 '집중'함으로써, 복잡한 관계를 효율적으로 파악해내는 현대 AI 혁명의 핵심 동력."
|
||||
> [!IMPORTANT]
|
||||
> 이 문서는 고밀도 지식 자산 통합 정책에 따라 **[[Transformer_Architecture_and_LLM_Foundations]]**으로 통합되었습니다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
주의 메커니즘(Attention Mechanisms)은 신경망이 특정 정보를 처리할 때 입력 데이터의 모든 부분에 동일한 중요도를 부여하는 대신, 관련성이 높은 부분에 더 많은 자원을 할당하도록 하는 기술입니다.
|
||||
|
||||
1. **핵심 작동 원리 (The Transformer Approach)**:
|
||||
* **Query (질문)**: 현재 내가 찾고자 하는 정보의 성격.
|
||||
* **Key (특징)**: 데이터 베이스에 있는 각 정보가 가진 특징.
|
||||
* **Value (값)**: 실제 정보의 내용.
|
||||
* **Mechanism**: Query와 Key 사이의 유사도(Score)를 계산하여, 점수가 높은 Value를 더 많이 반영함 (Softmax 활용).
|
||||
2. **Self-Attention**:
|
||||
* 문장 내 한 단어가 다른 모든 단어들과의 관계를 스스로 파악하여 맥락적 의미를 완성함. (예: "배를 먹다"에서 '배'와 '먹다'의 강한 연관성 감지)
|
||||
3. **의의**:
|
||||
* 순차적으로 데이터를 처리하던 과거 기술(RNN)의 한계를 극복하고, 장거리 의존성(Long-range dependency)을 완벽히 해결하여 ChatGPT와 같은 거대 모델의 시대를 엶.
|
||||
|
||||
2. **주요 변형 및 최적화**:
|
||||
* **[[Flash Attention|Flash Attention]]**: 메모리 대역폭 문제를 해결하여 속도를 2~4배 높인 하드웨어 인식 최적화.
|
||||
* **[[Grouped-Query Attention (GQA)|Grouped-Query Attention (GQA)]]**: MHA의 성능과 MQA의 효율성을 절충한 현대 LLM의 표준.
|
||||
* **[[Sparse Attention|Sparse Attention]]**: 특정 토큰만 선택적으로 참조하여 복잡도를 $O(n^2)$에서 $O(n)$으로 축소.
|
||||
* **[[Ring Attention|Ring Attention]]**: 다중 장치 분산 처리를 통해 백만 단위 이상의 초장기 컨텍스트 실현.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 모든 데이터를 골고루 보거나 순서대로 보는 것이 정확하다고 믿었으나, 현대 딥러닝 정책은 필요한 것만 골라 보는 'Attention 효율화 정책'이 지능의 성능을 결정한다는 정책적 승리를 거둠(RL Update).
|
||||
- **정책 변화(RL Update)**: 단순히 연산량만 줄이는 것을 넘어, 메모리 계층 구조를 이해하고(Flash) 토큰 관계의 희소성을 이용하는(Sparse/GQA) 하이브리드 어텐션 정책이 2026년 이후의 표준으로 자리 잡음.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Transformers|Transformers]], [[Deep Learning|Deep Learning]], [[Natural Language Processing (NLP)|Natural Language Processing (NLP)]], [[LLM Inference Optimization|LLM Inference Optimization]]
|
||||
- **Specific Technologies**: [[Multi-Head Attention (MHA)|MHA]], [[Grouped-Query Attention (GQA)|GQA]], [[Flash Attention|Flash Attention]], [[Ring Attention|Ring Attention]], [[Sparse Attention|Sparse Attention]].
|
||||
---
|
||||
*Redirected to: [[Transformer_Architecture_and_LLM_Foundations]]*
|
||||
|
||||
@@ -1,29 +1,28 @@
|
||||
---
|
||||
id: PAPER-001
|
||||
category: Unified
|
||||
confidence_score: 1.0
|
||||
tags: [ai, nlp, paper-summary, transformer, attention, google-[[Research|Research]]]
|
||||
last_reinforced: 2026-04-26
|
||||
id: wiki-2026-0508-attention-is-all-you-need
|
||||
title: Attention is All You Need
|
||||
category: 10_Wiki/Topics/AI_and_ML
|
||||
status: merged
|
||||
redirect_to: Transformer_Architecture_and_LLM_Foundations
|
||||
canonical_id: Transformer_Architecture_and_LLM_Foundations
|
||||
aliases: [P-Reinforce-REDIRECT-ATTENTION-PAPER]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.92
|
||||
tags: [redirect]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-05-08
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
tech_stack:
|
||||
language: unspecified
|
||||
framework: unspecified
|
||||
---
|
||||
|
||||
# Attention is All You Need (어텐션 논문 요약)
|
||||
# [[Attention is All You Need]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "순환(Recurrence)과 합성곱(Convolution) 없이, 오직 어텐션만으로 시퀀스를 정복하라" — 트랜스포머 아키텍처를 처음 세상에 알린 기념비적 논문으로, 대규모 병렬 연산과 전역적 문맥 파악의 시대를 연 현대 AI의 '창세기'.
|
||||
> [!IMPORTANT]
|
||||
> 이 문서는 고밀도 지식 자산 통합 정책에 따라 **[[Transformer_Architecture_and_LLM_Foundations]]**으로 통합되었습니다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 기존 RNN의 고질적인 문제인 장기 의존성(Long-term dependency)과 순차적 연산의 한계를 타파하고, 모든 데이터 포인트가 서로를 '주의 깊게' 바라보게 설계된 혁신적 인지 패턴.
|
||||
- **논문의 핵심 기여:**
|
||||
- **Self-Attention Mechanism:** 입력 시퀀스의 각 단어가 다른 모든 단어와의 가중치를 직접 계산하여 문맥을 파악.
|
||||
- **Multi-Head Attention:** 정보를 여러 관점(Head)에서 동시에 처리하여 입체적인 언어 이해 실현.
|
||||
- **Elimination of Recurrence:** 데이터를 순차적으로 넣지 않고 한꺼번에 입력하여 GPU 활용도와 학습 속도를 비약적으로 향상.
|
||||
- **Positional Encoding:** 순차 정보를 잃지 않기 위해 사인/코사인 함수를 이용한 위치 정보를 벡터에 주입.
|
||||
- **결과:** 기계 번역(WMT 2014)에서 기존 [[SOTA|SOTA]]를 갈아치우며 압도적 성능 증명.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 시계열 데이터는 반드시 시간 순서대로 처리해야 한다는 통념을 깨뜨림. 이로 인해 '텍스트'뿐만 아니라 이미지(ViT), 오디오 등 모든 도메인으로 트랜스포머가 확장됨.
|
||||
- **정책 변화:** Antigravity 프로젝트는 이 논문의 철학을 계승하여, 지식들 간의 전역적 관계를 파악하는 '메타 그래프 어텐션' 로직을 위키 인덱싱 엔진에 적용함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Transformer-Architecture|Transformer-Architecture]], [[NLP-Attention-Mechanisms|NLP-Attention-Mechanisms]], [[LLM|LLM]], [[Parallel-Computing|Parallel-Computing]]
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Attention is All You Need.md
|
||||
---
|
||||
*Redirected to: [[Transformer_Architecture_and_LLM_Foundations]]*
|
||||
|
||||
@@ -1,9 +1,18 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-AUTH-002
|
||||
category: Unified
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced, authenticity, self, ethics, truthfulness, social-[[Psychology|Psychology]]]
|
||||
id: wiki-2026-0508-authenticity
|
||||
title: Authenticity
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
canonical_id: self
|
||||
aliases: [P-Reinforce-AUTO-AUTH-002]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.9
|
||||
tags: [auto-reinforced, authenticity, self, ethics, truthfulness, social-Psychology]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
---
|
||||
|
||||
# [[Authenticity|Authenticity]]
|
||||
@@ -23,7 +32,7 @@ last_reinforced: 2026-04-20
|
||||
3. **예술과 기술에서의 진정성**:
|
||||
* AI가 만든 완벽한 그림보다 작가의 고뇌와 흔적이 담긴 '서사적 진정성'에 더 큰 가치가 매개됨.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- **과거 데이터와의 충돌**: 과거에는 '전문가다운 완벽함' 정책이 진정성으로 통했으나, 현대의 소셜 미디어 정책은 오히려 약점과 실패를 공유하는 '취약함의 노출(Vulnerability)'을 진정한 진정성 정책으로 간주함(RL Update).
|
||||
- **정책 변화(RL Update)**: AI 에이전트 정책에서, 인간인 척 속이는 가짜 진정성 대신 "나는 AI이지만 이런 원칙으로 돕는다"는 '역할적 정직성 정책'이 사용자 신뢰 확보의 핵심 가이드라인이 됨.
|
||||
|
||||
@@ -31,3 +40,29 @@ last_reinforced: 2026-04-20
|
||||
- [[Aesthetic-Value|Aesthetic-Value]], [[Ethics & AI|Ethics & AI]], [[AI and Narrative|AI and Narrative]], Academic-InteGrity, [[Psychology & Behavior|Psychology & Behavior]]
|
||||
- **Modern Tech/Tools**: BeReal (Anti-filter SNS), Provenance tracking for digital content.
|
||||
---
|
||||
|
||||
## 🤖 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 |
|
||||
@@ -1,9 +1,18 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AI-ASD
|
||||
category: Unified
|
||||
id: wiki-2026-0508-autism-spectrum-disorder-asd-int
|
||||
title: Autism Spectrum Disorder (ASD) Intervention
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
canonical_id: self
|
||||
aliases: [P-Reinforce-AI-ASD]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.96
|
||||
tags: [ASD, Autism, AI Intervention, Healthcare, Therapy]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
---
|
||||
|
||||
# Autism-Spectrum-Disorder-(ASD)-Intervention (ASD를 위한 기술적 개입)
|
||||
@@ -19,9 +28,35 @@ last_reinforced: 2026-04-20
|
||||
- **Personalized Learning Robots**:
|
||||
- 사람과의 접촉을 부담스러워할 수 있는 환자를 위해, 감정이 일관되고 인내심이 강한 교육용 로봇을 통해 기초 교육을 수행한다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- 기술은 보조적 수단일 뿐, 인간 전문가나 가족의 사랑과 지지를 대체할 수 없다. 기술 과의존으로 인해 현실 세계와의 접촉이 더 줄어들지 않도록 인간 지향적 설계(Human-centered design)가 매우 중요하다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Accessibility-Compliance-Audit|Accessibility-Compliance-Audit]] , [[Psychology|Psychology]]_Cognitive_Science
|
||||
- Ethics: AI-Ethics
|
||||
|
||||
## 🤖 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 |
|
||||
@@ -1,9 +1,21 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-AUEN-001
|
||||
category: Unified
|
||||
id: wiki-2026-0508-auto-encoding
|
||||
title: Auto Encoding
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
canonical_id: self
|
||||
aliases: [P-Reinforce-AUTO-AUEN-001]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.98
|
||||
tags: [auto-reinforced, auto-encoding, un[[Supervised-Learning|Supervised-Learning]], dimenstionality-reduction, neural-networks, feature-extraction]
|
||||
tags: [auto-reinforced, auto-encoding, unSupervised-Learning, dimenstionality-reduction, neural-networks, feature-extraction]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
tech_stack:
|
||||
language: unspecified
|
||||
framework: unspecified
|
||||
---
|
||||
|
||||
# [[Auto-Encoding|Auto-Encoding]]
|
||||
@@ -24,7 +36,7 @@ last_reinforced: 2026-04-20
|
||||
* **Denoising**: 오염된 이미지에서 노이즈를 제거하고 깨끗하게 복원.
|
||||
* **Anomaly Detection**: 정상 데이터로 학습된 오토인코더가 복원에 실패하는 데이터는 '이상치'로 간주.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- **과거 데이터와의 충돌**: 과거에는 단순히 '데이터 복제' 정책에 머물렀으나, 현대의 생성 AI 정책은 잠재 공간을 창조적으로 조작하여 새로운 데이터를 뽑아내는 'Variational Autoencoder (VAE) 정책'으로 진화함(RL Update).
|
||||
- **정책 변화(RL Update)**: 효율적인 데이터 전송 정책을 위해, 무거운 원본 데이터 대신 오토인코딩된 핵심 벡터만 보내고 수신측에서 디코딩하는 '지능형 압축 정책'이 차세대 스트리밍 및 통신 표준으로 탐구됨.
|
||||
|
||||
@@ -32,3 +44,52 @@ last_reinforced: 2026-04-20
|
||||
- [[Variational Autoencoders (VAE)|Variational Autoencoders (VAE)]], [[Anomaly-Detection|Anomaly-Detection]], Pattern Recognition, Deep Learning, [[Visual-Effects-VFX|Visual-Effects-VFX]]
|
||||
- **Modern Tech/Tools**: ConvAutoEncoder, [[BERT|BERT]] (Masked Autoencoder), Image compression AI.
|
||||
---
|
||||
|
||||
## 🤖 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)*
|
||||
@@ -1,27 +1,25 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AI-REFACT
|
||||
category: Unified
|
||||
confidence_score: 0.96
|
||||
tags: [Refactoring, Static [[Analysis|Analysis]], AI Code, Technical Debt]
|
||||
last_reinforced: 2026-04-20
|
||||
id: wiki-20260508-automated-refactoring-tools-redir
|
||||
title: Automated Refactoring Tools
|
||||
category: AI_and_ML
|
||||
status: merged
|
||||
redirect_to: Automated Refactoring Tools
|
||||
canonical_id: Automated Refactoring Tools
|
||||
aliases: []
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.92
|
||||
tags: [redirect]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-05-08
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-merge 2026-05-08)
|
||||
---
|
||||
|
||||
# [[Automated-Refactoring-Tools|Automated-Refactoring-Tools]] (자동 리팩토링 도구)
|
||||
# Automated Refactoring Tools
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 코드는 생명체와 같아서 방치하면 썩는다. 자동 리팩토링 도구는 코드의 악취를 맡고 실시간으로 해독제를 주입하는 '시스템의 면역계'다.
|
||||
> [!IMPORTANT]
|
||||
> 이 문서는 P-Reinforce Phase 2 자동 MERGE에 의해 **[[Automated Refactoring Tools]]**로 통합되었습니다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Static Analysis (정적 분석)**:
|
||||
- 코드를 실행하지 않고도 잠재적 버그, 중복 코드, 매직 넘버 등을 찾아내어 표준화된 스타일(Lint)로 교정한다.
|
||||
- **AI-Powered Code Assistant (Copilot, Cursor)**:
|
||||
- LLM을 활용하여 단순한 린트를 넘어, 함수의 복잡도를 낮추거나 비효율적인 루프를 고성능 패턴으로 바꾸는 지능적 제안을 수행한다.
|
||||
- **Code Transformation Engines**:
|
||||
- 대규모 프레임워크 업데이트(예: React 17 -> 18) 시 전체 코드 베이스를 기계적으로 변환하여 인간의 실수를 줄이고 마이그레이션 비용을 획기적으로 낮춘다 (e.g., CodeMods).
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 자동화 도구에 100% 의존하는 것은 위험하다. 비즈니스 맥락([[business|business]] Context)을 모르는 기계적 리팩토링은 때로 의도된 우회 코드를 파괴할 수 있다. 최종 검사(Human-in-the-loop)는 여전히 필수적인 관문이다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[React_Clean_Code_Best_Practices|React_Clean_Code_Best_Practices]] , Software [[Reliability|Reliability]]
|
||||
- Foundation: [[System_Debugging_Protocol|System_Debugging_Protocol]]
|
||||
---
|
||||
*Redirected to: [[Automated Refactoring Tools]]*
|
||||
|
||||
@@ -1,9 +1,18 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AI-THEOREM
|
||||
category: Unified
|
||||
id: wiki-2026-0508-automated-theorem-proving
|
||||
title: Automated Theorem Proving
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
canonical_id: self
|
||||
aliases: [P-Reinforce-AI-THEOREM]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.94
|
||||
tags: [Theorem Proving, Coq, Lean, Formal Verification]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
---
|
||||
|
||||
# [[Automated-Theorem-Proving|Automated-Theorem-Proving]] (자동 정기 증명 ATP)
|
||||
@@ -19,9 +28,35 @@ last_reinforced: 2026-04-20
|
||||
- **Lean & Coq (Proof Assistants)**:
|
||||
- 최근 AI(LLM)와 결합하여 인간이 수학 문제를 풀 듯 증명 과정을 생성하고 검증하는 '대화형 증명 도우미'가 대세다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- ATP는 엄청난 계산 자원을 소모하는 '탐색 문제'다. 모든 경로를 다 뒤지는 대신, 최근에는 신경망이 증명 전략(Tactics)을 제안하고 ATP가 이를 검증하는 하이브리드 방식이 각광받고 있다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Automated-Reasoning|Automated-Reasoning]] , [[Amazon-AWS-Formal-Verification|Amazon-AWS-Formal-Verification]]
|
||||
- Foundation: Computational Thinking
|
||||
|
||||
## 🤖 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 |
|
||||
@@ -1,10 +1,18 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AI-004
|
||||
category: Unified
|
||||
id: wiki-2026-0508-automated-mapping
|
||||
title: Automated Mapping
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
canonical_id: self
|
||||
aliases: [P-Reinforce-AI-004]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.91
|
||||
tags: [ai, slam, mapping, autonomous]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "batch-reinforce-05"
|
||||
github_commit: batch-reinforce-05
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
---
|
||||
|
||||
# [[Automated_Mapping|Automated Mapping]] & SLAM
|
||||
@@ -19,7 +27,7 @@ github_commit: "batch-reinforce-05"
|
||||
- 번들 조정(Bundle Adjustment)을 통한 그래프 기반 최적화 기법 적용.
|
||||
- 고정밀(HD) 지도 자동 생성 및 실시간 업데이트 로직.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- **과거 데이터와의 충돌:** 수동 지도 제작 방식에서 센서 기반의 완전 자율 매핑 시스템으로의 패러다임 변화.
|
||||
- **정책 변화:** 지식 구조(w2) 관점에서 자율 주행 에이전트의 '공간 지능' 핵심 요소로 정의.
|
||||
|
||||
@@ -27,3 +35,29 @@ github_commit: "batch-reinforce-05"
|
||||
- **Parent:** 10_Wiki/💡 Topics/AI
|
||||
- **Related:** [[Computer_Vision|Computer_Vision]], [[VPS_NeRF|VPS_NeRF]], Spatial-Computing
|
||||
- **Raw Source:** 00_Raw/2026-04-20/[[Automated-Map-Generation|Automated-Map-Generation]].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 |
|
||||
@@ -1,9 +1,18 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-AUVE-001
|
||||
category: Unified
|
||||
id: wiki-2026-0508-autonomous-vehicles
|
||||
title: Autonomous Vehicles
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
canonical_id: self
|
||||
aliases: [P-Reinforce-AUTO-AUVE-001]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.98
|
||||
tags: [auto-reinforced, autonomous-vehicles, self-driving, ai-[[Robotics|Robotics]], transport-[[Innovation|Innovation]], safe-ai]
|
||||
tags: [auto-reinforced, autonomous-vehicles, self-driving, ai-Robotics, transport-Innovation, safe-ai]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
---
|
||||
|
||||
# [[Autonomous Vehicles|Autonomous Vehicles]]
|
||||
@@ -25,7 +34,7 @@ last_reinforced: 2026-04-20
|
||||
* **Prediction**: 주변 차량과 보행자의 다음 움직임 예측 ([[Anticipation|Anticipation]]과 연결).
|
||||
* **Policy/Control**: 위반 없는 최적의 경로 주행 전략 수립.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- **과거 데이터와의 충돌**: 과거에는 모든 상황을 코딩하려 했으나(Rule-based), 현대 자율주행 정책은 거대 모델이 주행 영상 전체를 학습하여 직관적으로 운전하는 'End-to-End 신경망 정책'으로 패러다임을 혁신함(RL Update).
|
||||
- **정책 변화(RL Update)**: 사고 시 책임 소재(Liability) 정책이 제조사, 소프트웨어 개발자, 보험사 간에 재정립 중이며, '트롤리 딜레마'와 같은 윤리적 판단을 AI 모델의 가치 정렬([[Alignment|Alignment]]) 정책 내에 어떻게 포함할지가 핵심 쟁점이 됨.
|
||||
|
||||
@@ -33,3 +42,29 @@ last_reinforced: 2026-04-20
|
||||
- [[Artificial Intelligence (AI)|Artificial Intelligence (AI)]], [[Robotics|Robotics]], [[Safety & Reliability|Safety & Reliability]], [[Computer Vision|Computer Vision]], [[Anticipation|Anticipation]], [[Ethics & AI|Ethics & AI]]
|
||||
- **Modern Tech/Tools**: Tesla FSD, Waymo, NVIDIA DRIVE, LiDAR/Radar[[_system|system]]s.
|
||||
---
|
||||
|
||||
## 🤖 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 |
|
||||
@@ -1,10 +1,21 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-9B8C6B
|
||||
category: Unified
|
||||
confidence_score: 0.90
|
||||
id: wiki-2026-0508-autonomous-polling-wait-automati
|
||||
title: Autonomous Polling Wait Automation
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
canonical_id: self
|
||||
aliases: [P-Reinforce-AUTO-9B8C6B]
|
||||
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 - Autonomous-Polling-Wait-Automation"
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
tech_stack:
|
||||
language: unspecified
|
||||
framework: unspecified
|
||||
---
|
||||
|
||||
# [[Autonomous-Polling-Wait-Automation|Autonomous-Polling-Wait-Automation]]
|
||||
@@ -23,7 +34,7 @@ NotebookLM의 'Deep Re[[Search|Search]]' 기능은 대규모 데이터를 처리
|
||||
|
||||
이 자동화로 인해 에이전트는 진정한 의미의 '잠들지 않는 연구원'이 되었으며, 대규모 지식 수집 시 사용자의 피로도를 획기적으로 낮추었습니다.
|
||||
|
||||
## ⚠️ 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.
|
||||
|
||||
@@ -33,3 +44,52 @@ NotebookLM의 'Deep Re[[Search|Search]]' 기능은 대규모 데이터를 처리
|
||||
- **Contradictions/Notes:** 너무 잦은 폴링은 API 할당량(Quota) 이슈를 유발할 수 있으므로 10초 간격이 권장됩니다.
|
||||
|
||||
---
|
||||
|
||||
## 🤖 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)*
|
||||
@@ -1,9 +1,21 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-AVPE-001
|
||||
category: Unified
|
||||
id: wiki-2026-0508-availability-and-persistence
|
||||
title: Availability and Persistence
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
canonical_id: self
|
||||
aliases: [P-Reinforce-AUTO-AVPE-001]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.95
|
||||
tags: [auto-reinforced, availability, persistence,[[_system|system]]-[[Reliability|Reliability]], data-engineering, cloud-[[Architecture|Architecture]]]
|
||||
tags: [auto-reinforced, availability, persistence, _system-Reliability, data-engineering, cloud-Architecture]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
tech_stack:
|
||||
language: unspecified
|
||||
framework: unspecified
|
||||
---
|
||||
|
||||
# [[Availability-and-Persistence|Availability-and-Persistence]]
|
||||
@@ -23,7 +35,7 @@ last_reinforced: 2026-04-20
|
||||
3. **지식 관리에서의 의의**:
|
||||
* 개인의 뇌(망각하기 쉬움) 대신 디지털 위키나 지식 그래프를 사용하는 이유는 높은 지속성을 확보하기 위함임 (Knowledge-Persistence).
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- **과거 데이터와의 충돌**: 과거에는 단일 거대 서버의 '안정성' 정책에 의존했으나, 현대의 분산 시스템 정책은 '개별 구성 요소는 언제든 실패할 수 있다'는 전제 하에 시스템 전체의 가용성을 유지하는 '회복 탄력성([[Resilience|Resilience]]) 정책'으로 진화함(RL Update).
|
||||
- **정책 변화(RL Update)**: 클라우드 거버넌스 정책에서, 단순히 데이터를 저장하는 것을 넘어 100년 이상의 장기 보존을 보장하는 '아카이빙 전용 지속성 정책'과 법적 증거 보존 의무(Legal Hold)가 핵심 보안 요건이 됨.
|
||||
|
||||
@@ -31,3 +43,52 @@ last_reinforced: 2026-04-20
|
||||
- [[Safety & Reliability|Safety & Reliability]], [[Robustness|Robustness]], [[Antifragility|Antifragility]], [[Standardization vs Innovation|Standardization vs Innovation]], [[Technical-Architecture|Technical-Architecture]]
|
||||
- **Modern Tech/Tools**: Cloud [[Storage|Storage]] (S3), RAID, Database replication, [[Blockchain|Blockchain]] (Immutable persistence).
|
||||
---
|
||||
|
||||
## 🤖 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)*
|
||||
@@ -1,9 +1,18 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-AWAR-001
|
||||
category: Unified
|
||||
id: wiki-2026-0508-awards
|
||||
title: Awards
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
canonical_id: self
|
||||
aliases: [P-Reinforce-AUTO-AWAR-001]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.88
|
||||
tags: [auto-reinforced, awards, recognition, motivation, social-status, achievement]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
---
|
||||
|
||||
# [[Awards|Awards]]
|
||||
@@ -22,7 +31,7 @@ last_reinforced: 2026-04-20
|
||||
* 학회(ICML, NeurIPS)의 Best Paper Award는 최첨단 기술의 트렌드와 연구 방향을 결정하는 풍향계 역할을 함.
|
||||
* Kaggle 우승과 같은 실질적 성과 지표가 커리어의 핵심 자산이 됨.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- **과거 데이터와의 충돌**: 과거에는 소수 권위자의 '밀실 심사' 정책이 일반적이었으나, 현대의 오픈 사이언스 정책은 투표와 데이터 기반 검증을 통한 '커뮤니티 중심의 어워드 정책'으로 투명성을 확보하려 노력함(RL Update).
|
||||
- **정책 변화(RL Update)**: AI 생성물에 대한 어워드 수여 금지 정책이 창작계의 뜨거운 감자가 됨에 따라, 'AI 활용 능력' 자체를 별도의 카테고리로 인정하거나 시상하는 새로운 시상 정책이 수립됨.
|
||||
|
||||
@@ -30,3 +39,29 @@ last_reinforced: 2026-04-20
|
||||
- Motivation, [[Scientific Communication|Scientific Communication]], [[Grit|Grit]], [[Ambition|Ambition]], [[Aesthetic-Value|Aesthetic-Value]]
|
||||
- **Modern Tech/Tools**: Scholarly award platforms, Peer review[[_system|system]]s.
|
||||
---
|
||||
|
||||
## 🤖 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 |
|
||||
@@ -1,10 +1,18 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-FB7EF7
|
||||
category: Unified
|
||||
confidence_score: 0.90
|
||||
id: wiki-2026-0508-axify
|
||||
title: Axify
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
canonical_id: self
|
||||
aliases: [P-Reinforce-AUTO-FB7EF7]
|
||||
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 - Axify"
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
---
|
||||
|
||||
# [[Axify|Axify]]
|
||||
@@ -18,7 +26,7 @@ github_commit: "[P-Reinforce] Continuous Worker - Axify"
|
||||
- **AI 도입 영향(AI Impact) 측정:** AI 리뷰 에이전트와 같은 도구 도입 시, 단순한 사용량 지표(가짜 지표)가 아니라 팀 단위의 실제 PR(Pull Request) 주기 시간, 최초 리뷰까지의 시간, AI 지원 커밋 비율, 제안 수락률 등의 실질적 행동 변화를 추적합니다 [9-11]. 나아가 PR 데이터와 배포 데이터를 연결하여 배포 빈도 및 변경 리드 타임(Lead time for changes)이 AI 도입 전후로 어떻게 달라졌는지 명확한 추세 분석을 가능하게 합니다 [10, 12].
|
||||
- **통합성 및 활용 사례:** Slack, Microsoft Teams, Jira, [[Azure DevOps|Azure DevOps]], GitHub, GitLab 등 개발팀이 널리 사용하는 기존 도구들과 원활하게 통합됩니다 [7]. Axify를 도입한 BDC는 최대 51%의 배포 속도 향상을, Newforma는 22배 많은 배포 성과를 달성한 사례가 있습니다 [13].
|
||||
|
||||
## ⚠️ 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.
|
||||
|
||||
@@ -31,3 +39,29 @@ github_commit: "[P-Reinforce] Continuous Worker - Axify"
|
||||
*Last updated: 2026-04-18*
|
||||
|
||||
---
|
||||
|
||||
## 🤖 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 |
|
||||
@@ -1,9 +1,21 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-AXIO-002
|
||||
category: Unified
|
||||
id: wiki-2026-0508-axioms
|
||||
title: Axioms
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
canonical_id: self
|
||||
aliases: [P-Reinforce-AUTO-AXIO-002]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.98
|
||||
tags: [auto-reinforced, axioms, [[Logic|Logic]], foundations, mathematical-logic, standard]
|
||||
tags: [auto-reinforced, axioms, Logic, foundations, mathematical-logic, standard]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
tech_stack:
|
||||
language: unspecified
|
||||
framework: unspecified
|
||||
---
|
||||
|
||||
# [[Axioms|Axioms]]
|
||||
@@ -22,7 +34,7 @@ last_reinforced: 2026-04-20
|
||||
3. **지식 아키텍처에서의 역할**:
|
||||
* 잘못된 공리 위에서 세운 지식은 아무리 논리가 정교해도 결국 허구로 무너짐 (False premise).
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- **과거 데이터와의 충돌**: 과거에는 공리를 신성불가침한 '절대 진리' 정책으로 보았으나, 현대 수학 정책은 필요에 따라 공리를 바꿈으로써 비유클리드 기하학 같은 '새로운 현실 정책'을 창조할 수 있음을 입증함(RL Update).
|
||||
- **정책 변화(RL Update)**: 윤리적 AI 설계 정책에서, 모델이 반드시 지켜야 할 '기본 공리(예: 인간의 생명을 최우선한다)'를 하드코드하는 정책이 정렬([[Alignment|Alignment]]) 기술의 기초가 됨.
|
||||
|
||||
@@ -30,3 +42,52 @@ last_reinforced: 2026-04-20
|
||||
- [[Axiomatic-Systems|Axiomatic-Systems]], [[Logic|Logic]], [[Analysis|Analysis]], First-[[Principles|Principles]]-Thinking, [[Stability vs Flexibility|Stability vs Flexibility]]
|
||||
- **Modern Tech/Tools**: Logic-based programming (Prolog), Formal logic frameworks.
|
||||
---
|
||||
|
||||
## 🤖 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)*
|
||||
+24
-29
@@ -1,33 +1,28 @@
|
||||
# BERT (Bidirectional Encoder Representations from Transformers)
|
||||
---
|
||||
id: wiki-2026-0508-bert-bidirectional-encoder-repre
|
||||
title: BERT (Bidirectional Encoder Representations from Transformers)
|
||||
category: 10_Wiki/Topics/AI_and_ML
|
||||
status: merged
|
||||
redirect_to: Transformer_Architecture_and_LLM_Foundations
|
||||
canonical_id: Transformer_Architecture_and_LLM_Foundations
|
||||
aliases: [P-Reinforce-REDIRECT-BERT-LONG]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.92
|
||||
tags: [redirect]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-05-08
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
tech_stack:
|
||||
language: unspecified
|
||||
framework: unspecified
|
||||
---
|
||||
|
||||
## 📌 Brief Summary
|
||||
BERT는 구글이 제안한 혁신적인 사전 학습 언어 모델로, 문장의 왼쪽과 오른쪽 문맥을 동시에 고려하여 단어의 의미를 파악하는 양방향성(Bidirectionality)이 특징입니다 [1, 2]. 트랜스포머(Transformer)의 인코더 구조를 기반으로 하며, NLP 분야의 수많은 벤치마크 기록을 갱신하며 언어 이해의 지평을 넓혔습니다 [1, 3].
|
||||
# [[BERT (Bidirectional Encoder Representations from Transformers)]]
|
||||
|
||||
## 📖 Core Content
|
||||
* **핵심 학습 메커니즘**
|
||||
- **마스크 언어 모델 (Masked LM)**: 문장 내 일부 단어를 가리고 주변 문맥을 통해 원래 단어를 맞히는 과정을 통해 깊은 언어 이해력을 갖춥니다 [1, 4].
|
||||
- **다음 문장 예측 (NSP)**: 두 문장이 서로 이어지는 관계인지 예측하여 문장 간의 논리적 흐름을 학습합니다 [1].
|
||||
|
||||
* **기술적 특징**
|
||||
- **문맥 임베딩 (Contextual Embeddings)**: 동일한 단어라도 주변 문맥에 따라 서로 다른 벡터 값을 가져 중의성 해결에 탁월합니다 [1, 5].
|
||||
- **사전 학습 및 미세 조정 (Pre-training & Fine-tuning)**: 방대한 일반 텍스트로 먼저 학습한 뒤, 특정 태스크(질의응답, 감성 분석 등)에 맞춰 살짝만 튜닝하여 고성능을 확보하는 전이 학습 패턴을 따릅니다 [1, 6].
|
||||
|
||||
## ⚖️ Trade-offs & Caveats
|
||||
- **추론 속도**: 양방향 문맥을 모두 고려해야 하므로 단방향 모델(GPT 등)에 비해 문장 생성 속도는 느릴 수 있으며, 주로 문장 분류나 개체명 인식 등 '이해' 중심의 작업에 최적화되어 있습니다 [1, 7].
|
||||
- **자원 의존성**: 대규모 파라미터를 가진 모델이므로 사전 학습에 방대한 컴퓨팅 자원이 필요합니다 [1].
|
||||
|
||||
## 🔗 Knowledge Connections
|
||||
### Related Concepts (Auto-Linked)
|
||||
* [[2026-04-30]]
|
||||
* [[Architecture]]
|
||||
* [[Attention Mechanisms]]
|
||||
* [[BERT]]
|
||||
* [[Fine-tuning]]
|
||||
* [[Transfer_Learning]]
|
||||
* [[Transformers]]
|
||||
|
||||
- **Related Topics**: 트랜스포머 아키텍처 (Transformer Architecture, 자연어 처리 (NLP), 전이 학습 (Transfer Learning), 어텐션 메커니즘 (Attention Mechanisms
|
||||
- **Projects/Contexts**: 문서 유사도 판별 시스템, 개체명 인식 (NER) 모듈
|
||||
> [!IMPORTANT]
|
||||
> 이 문서는 고밀도 지식 자산 통합 정책에 따라 **[[Transformer_Architecture_and_LLM_Foundations]]**으로 통합되었습니다.
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-30*
|
||||
*Redirected to: [[Transformer_Architecture_and_LLM_Foundations]]*
|
||||
|
||||
@@ -1,65 +1,28 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-BRT-001
|
||||
category: AI_and_ML
|
||||
confidence_score: 1.00
|
||||
tags: [auto-reinforced, bert, nlp, transformer, semantic-search, deep-learning]
|
||||
last_reinforced: 2026-05-04
|
||||
id: wiki-2026-0508-bert
|
||||
title: BERT
|
||||
category: 10_Wiki/Topics/AI_and_ML
|
||||
status: merged
|
||||
redirect_to: Transformer_Architecture_and_LLM_Foundations
|
||||
canonical_id: Transformer_Architecture_and_LLM_Foundations
|
||||
aliases: [P-Reinforce-REDIRECT-BERT-SHORT]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.92
|
||||
tags: [redirect]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-05-08
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
tech_stack:
|
||||
language: unspecified
|
||||
framework: unspecified
|
||||
---
|
||||
|
||||
# [[BERT|BERT]]
|
||||
# [[BERT]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "문맥의 양방향 이해자: 단어를 순차적으로 처리하는 대신, 문장 전체의 구조를 한꺼번에 분석하여 단어가 앞뒤 문맥에 따라 가지는 미묘한 의미 차이를 정확히 파악하는 혁신적인 언어 모델."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
BERT(Bidirectional Encoder Representations from Transformers)는 트랜스포머 아키텍처를 기반으로 구글에서 개발한 사전 학습(Pre-training) 모델입니다.
|
||||
|
||||
1. **기술적 특징 (Key Features)**:
|
||||
* **양방향 문맥 분석 (Bidirectional)**: 문장 내 단어의 앞뒤 위치를 동시에 고려하여 문맥을 파악합니다. (예: '배(Ship)'와 '배(Pear)'를 주변 단어로 완벽히 구분)
|
||||
* **Transformer Encoder**: 셀프 어텐션(Self-Attention) 메커니즘을 통해 단어 간의 관계적 거리를 계산합니다.
|
||||
* **사전 학습 (Pre-training)**: 방대한 양의 텍스트로 언어의 구조를 미리 학습한 후, 특정 작업(검색, 요약 등)에 맞게 미세 조정(Fine-tuning)합니다.
|
||||
|
||||
2. **검색 시스템에서의 역할**:
|
||||
* **의미론적 검색 ([[Semantic Search|Semantic Search]])**: 단순 키워드 매칭을 넘어 사용자의 '의도'를 이해합니다.
|
||||
* **벡터 임베딩 생성**: 문서와 질의를 고차원 벡터로 변환하여 [[Vector Search|Vector Search]]의 기반을 제공합니다.
|
||||
* **롱테일 키워드 대응**: 길고 복잡한 대화형 질문에 대해 매우 정확한 관련 문서를 찾아냅니다.
|
||||
|
||||
3. **검색 패러다임의 변화**:
|
||||
* 정확히 일치하는 단어를 반복하는 구식 SEO 전략을 무력화하고, 실제 내용의 품질과 맥락적 관련성이 높은 콘텐츠를 상단에 배치하도록 유도했습니다.
|
||||
|
||||
## ⚖️ Trade-offs & Caveats
|
||||
* **컴퓨팅 리소스**: 기존 키워드 검색(BM25)에 비해 훨씬 높은 GPU 연산 능력과 메모리가 필요하여, 실시간 대규모 검색 시 지연 시간(Latency) 관리가 관건입니다.
|
||||
* **특수 도메인 한계**: 일반적인 텍스트로 학습되었기 때문에 의료, 법률, 제품 코드 등 특수 용어가 난무하는 도메인에서는 별도의 도메인 특화 학습이 필요합니다.
|
||||
* **Hybrid 권장**: 고유 명사나 특정 숫자 검색에는 여전히 키워드 매칭이 유리하므로, BERT 기반 검색과 [[Keyword Search|Keyword Search]]를 결합한 [[Hybrid Search|Hybrid Search]]가 실무 표준으로 사용됩니다.
|
||||
|
||||
## 💻 실전 구현 코드 (Boilerplate)
|
||||
`Hugging Face Transformers` 라이브러리를 사용하여 BERT 임베딩을 추출하는 핵심 예시입니다.
|
||||
|
||||
```python
|
||||
from transformers import AutoTokenizer, AutoModel
|
||||
import torch
|
||||
|
||||
# 1. 모델 및 토크나이저 로드 (다국어 BERT 추천)
|
||||
tokenizer = AutoTokenizer.from_pretrained("bert-base-multilingual-cased")
|
||||
model = AutoModel.from_pretrained("bert-base-multilingual-cased")
|
||||
|
||||
# 2. 텍스트 준비 및 인코딩
|
||||
text = "Astra 프로젝트의 P-Reinforce 표준은 지식의 구조화를 돕습니다."
|
||||
inputs = tokenizer(text, return_tensors="pt", padding=True, truncation=True)
|
||||
|
||||
# 3. 모델 추론 (임베딩 추출)
|
||||
with torch.no_grad():
|
||||
outputs = model(**inputs)
|
||||
|
||||
# 4. 문장 벡터(CLS 토큰 사용) 추출
|
||||
sentence_embedding = outputs.last_hidden_state[:, 0, :]
|
||||
print(f"Embedding Shape: {sentence_embedding.shape}")
|
||||
```
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
* **기반 아키텍처**: [[Transformer|Transformer]], [[Deep Learning|Deep Learning]]
|
||||
* **활용 분야**: [[Semantic Search|Semantic Search]], [[Vector Embedding|Vector Embedding]]
|
||||
* **관련 모델**: [[RoBERTa|RoBERTa]], [[ALICE|ALICE]], [[GPT|GPT]] (Generative comparison)
|
||||
> [!IMPORTANT]
|
||||
> 이 문서는 고밀도 지식 자산 통합 정책에 따라 **[[Transformer_Architecture_and_LLM_Foundations]]**으로 통합되었습니다.
|
||||
|
||||
---
|
||||
*Last updated: 2026-05-04*
|
||||
*Redirected to: [[Transformer_Architecture_and_LLM_Foundations]]*
|
||||
|
||||
@@ -1,28 +1,25 @@
|
||||
---
|
||||
id: BPTT-001
|
||||
category: Unified
|
||||
confidence_score: 1.0
|
||||
tags: [ai, [[Deep-Learning|Deep-Learning]], rnn, [[Backpropagation|Backpropagation]], [[Sequence-Modeling|Sequence-Modeling]]]
|
||||
last_reinforced: 2026-04-26
|
||||
id: wiki-2026-0508-backpropagation-through-time
|
||||
title: Backpropagation Through Time
|
||||
category: 10_Wiki/Topics/AI_and_ML
|
||||
status: merged
|
||||
redirect_to: Neural_Networks_and_Deep_Learning_Foundations
|
||||
canonical_id: Neural_Networks_and_Deep_Learning_Foundations
|
||||
aliases: [P-Reinforce-REDIRECT-BPTT]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.92
|
||||
tags: [redirect]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-05-08
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
---
|
||||
|
||||
# Backpropagation Through Time (BPTT, 시간 기반 역전파)
|
||||
# [[Backpropagation Through Time]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "과거의 그림자를 따라 오차의 근원을 추적하라" — 순환 신경망(RNN)에서 현재 시점의 오차를 이전 시점들로 거슬러 올라가며 전달하여, 시간적 순서(Sequence)를 가진 데이터의 패턴을 학습하게 하는 역전파 기법.
|
||||
> [!IMPORTANT]
|
||||
> 이 문서는 고밀도 지식 자산 통합 정책에 따라 **[[Neural_Networks_and_Deep_Learning_Foundations]]**으로 통합되었습니다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 순차적 데이터의 각 시점(Time Step)을 하나의 레이어로 펼쳐서(Unrolling), 일반적인 신경망의 역전파 알고리즘을 시간 축으로 확장 적용하는 학습 패턴.
|
||||
- **세부 내용:**
|
||||
- **Unrolling:** RNN의 순환 구조를 시간에 따라 길게 펼쳐진 신경망으로 간주.
|
||||
- **Gradient Calculation:** 현재 시점의 손실 함수 기울기를 이전 시점의 가중치들까지 체인 룰(Chain Rule)을 통해 전달.
|
||||
- **Vanishing/Exploding Gradient:** 시간이 길어질수록 기울기가 사라지거나 폭주하는 문제 발생. 이를 해결하기 위해 [[LSTM|LSTM]]이나 GRU 같은 게이트 구조가 고안됨.
|
||||
- **Truncated BPTT:** 연산 효율과 기울기 소실 방지를 위해 특정 시간 범위까지만 역전파를 수행.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 초기 시퀀스 학습의 표준이었으나, 현재는 트랜스포머의 등장으로 대규모 병렬 처리가 가능해지면서 BPTT의 연산 병목과 한계가 명확해짐.
|
||||
- **정책 변화:** Antigravity 프로젝트는 실시간 시계열 센서 데이터 처리와 같은 특수 목적의 경량 RNN 모델 학습 시에만 BPTT 기법을 선별적으로 적용함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Backpropagation|Backpropagation]], Neural-Networks-Foundations, [[Sequence-to-Sequence-Models|Sequence-to-Sequence-Models]], LSTM-and-GRU
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Backpropagation Through Time.md
|
||||
---
|
||||
*Redirected to: [[Neural_Networks_and_Deep_Learning_Foundations]]*
|
||||
|
||||
Some files were not shown because too many files have changed in this diff Show More
Reference in New Issue
Block a user