docs: finalized wiki integrity maintenance (v3.0 standard) - pruned 1400+ stubs and fixed 11k+ ghost links
This commit is contained in:
Antigravity Agent
@@ -16,8 +16,8 @@ converted_at: 2026-04-28
|
||||
* **통계적 밸런스와 숙련도 데이터:** 많은 플레이어가 특정 진영(NATO 또는 PACT)이 10v10에서 불균형적으로 강하다고 인식하지만, 실제 10v10 퍼블릭 로비의 플레이어 승률과 텔레메트리 데이터를 분석해 보면 진영 간 눈에 띄는 편향은 발견되지 않습니다 [9]. 10v10 대규모 멀티플레이어 데이터 분석 결과, NATO와 PACT 간의 플레이 비중 및 승률은 플레이어의 숙련도가 높아질수록 균형을 이루는 경향을 보입니다 [10].
|
||||
|
||||
## 🔗 Knowledge Connections
|
||||
- **Related Topics:** [[Iriszoom 엔진]], [[사단(Division) 시스템]], [[텔레메트리(Telemetry) 데이터 분석]]
|
||||
- **Projects/Contexts:** [[WARNO 데이터 기반 밸런싱]]
|
||||
- **Related Topics:** [[Iriszoom 엔진|Iriszoom 엔진]], [[사단(Division) 시스템|사단(Division) 시스템]], [[텔레메트리(Telemetry) 데이터 분석|텔레메트리(Telemetry) 데이터 분석]]
|
||||
- **Projects/Contexts:** [[WARNO 데이터 기반 밸런싱|WARNO 데이터 기반 밸런싱]]
|
||||
- **Contradictions/Notes:** 소스 [5]을 비롯해 10v10 커뮤니티 내에서는 게임 경험상 특정 진영(예: NATO)이 더 강하거나 유리하게 느껴진다는 체감상 주장들이 종종 제기되지만, 소스 [11], [9], [10]에서 진행된 실제 10v10 플레이어 데이터 및 승률 통계 분석에 따르면 두 진영 간의 통계적으로 유의미한 불균형이나 편향은 존재하지 않으며, 승패는 주로 플레이어 본인과 팀원들의 숙련도 차이에 기인하는 것으로 나타납니다 [12].
|
||||
|
||||
---
|
||||
|
||||
@@ -1,4 +1,4 @@
|
||||
# [[2026년 3월 연구 드롭(March 2026 Research Drop)]]
|
||||
# [[2026년 3월 연구 드롭(March 2026 Research Drop)|2026년 3월 연구 드롭(March 2026 Research Drop)]]
|
||||
|
||||
## 📌 Brief Summary
|
||||
2026년 3월 연구 드롭은 Descendants의 섹터 통제 시도를 물리친 후 발견된 데이터 볼트를 기반으로 한 기지 업그레이드 시스템입니다 [1]. 이 업그레이드는 '이리듐(Iridium)' 자원을 필요로 하며, 방어 플랫폼에 특정 무기 공격에 대한 50% 피해 저항력을 부여하여 게임의 전투 메타를 근본적으로 변화시켰습니다 [1-3]. 더불어 항공기를 교란하는 나이트워치 벙커(Nightwatch Bunker)와 체력이 높은 유닛을 카운터 치는 메트로노모스(Metronomos) 중포탑이 새롭게 도입되어 방어 체계의 전략적 깊이가 크게 심화되었습니다 [4-6].
|
||||
@@ -17,12 +17,12 @@
|
||||
- *지원/중 항공제트(Aerojet)*: 항공 유닛으로부터의 피해 -50% [3, 7, 8].
|
||||
- *지원/중 저항(Resistor)*: 모든 상태 이상 효과(Status Effects)에 면역 [3, 7, 8].
|
||||
- *지원/중 방벽(Bulwark)*: 고정 수치 피해 감소 (Flat Damage Reduction) [3, 7, 8].
|
||||
- **전투 메타 및 전술의 진화:** 방어 플랫폼의 세분화 및 전문화로 인해, 공격자가 단일 무기 프로파일(예: 지속 피해 보병 대규모 투입 등)에만 의존할 경우 방어자의 플랫폼 세팅에 따라 화력이 반감될 위험이 커졌습니다 [3, 9]. 이에 따라 공격자는 적의 특정 방어 시스템 구성에 구애받지 않고 안정적인 타격을 입히기 위해, 다수의 피해 유형을 포함한 `[[혼합 소대(Mixed Platoons)]]`를 구성하는 `[[제병 협동(Combined Arms)]]` 전술을 필수로 채택해야만 합니다 [2, 9].
|
||||
- **전투 메타 및 전술의 진화:** 방어 플랫폼의 세분화 및 전문화로 인해, 공격자가 단일 무기 프로파일(예: 지속 피해 보병 대규모 투입 등)에만 의존할 경우 방어자의 플랫폼 세팅에 따라 화력이 반감될 위험이 커졌습니다 [3, 9]. 이에 따라 공격자는 적의 특정 방어 시스템 구성에 구애받지 않고 안정적인 타격을 입히기 위해, 다수의 피해 유형을 포함한 `[[혼합 소대(Mixed Platoons)|혼합 소대(Mixed Platoons)]]`를 구성하는 `[[제병협동 (Combined Arms)|제병 협동(Combined Arms)]]` 전술을 필수로 채택해야만 합니다 [2, 9].
|
||||
- **기타 구조물 및 무기 밸런스 조정:** 기지 운영 측면에서 딥 리액터(Deep Reactor)와 퓨전 타워(Fusion Tower)의 최대 전력 한도가 각각 250, 450으로 증가했습니다 [10]. 무기 체계에서도 데드아이(Deadeye)는 광역 범위가 줄어든 대신 피해량이 커졌고, 애시드 레인(Acid Rain)과 워프 랜스(Warp Lance)는 피해를 더욱 안정적이고 예측 가능하게 주기 위해 스플릿 거리 및 공격 패턴이 변경되었습니다 [4, 10].
|
||||
|
||||
## 🔗 Knowledge Connections
|
||||
- **Related Topics:** `[[방어 플랫폼(Defense Platform)]]`, `[[이리듐(Iridium)]]`, `[[혼합 소대(Mixed Platoons)]]`
|
||||
- **Projects/Contexts:** `[[Operation: Western Sun]]`, `[[제병 협동 전술(Combined Arms)]]`
|
||||
- **Related Topics:** `방어 플랫폼(Defense Platform)`, `이리듐(Iridium)`, `[[혼합 소대(Mixed Platoons)|혼합 소대(Mixed Platoons)]]`
|
||||
- **Projects/Contexts:** `[[Operation- Western Sun|Operation: Western Sun]]`, `[[제병협동 전술 (Combined Arms)|제병 협동 전술(Combined Arms)]]`
|
||||
- **Contradictions/Notes:** 소스 간의 정보 충돌은 없으며, 모든 자료가 2026년 3월 연구 드롭으로 인해 전투 시스템의 수비적 다각화 및 그에 따른 공격 전술(다기종 혼합 편성)의 변화가 발생했음을 일관되게 보여줍니다.
|
||||
|
||||
---
|
||||
|
||||
@@ -1,4 +1,4 @@
|
||||
# [[2026년 3월 연구 업데이트(March 2026 Research Drop)]]
|
||||
# [[2026년 3월 연구 업데이트(March 2026 Research Drop)|2026년 3월 연구 업데이트(March 2026 Research Drop)]]
|
||||
|
||||
## 📌 Brief Summary
|
||||
2026년 3월 연구 업데이트는 디센던트(Descendants) 세력의 섹터 통제 시도를 격퇴한 후 발견된 데이터 볼트를 기반으로 도입된 핵심 기술 업데이트입니다 [1]. 이 업데이트는 새로운 자원인 '이리듐(Iridium)'을 도입하고, 방어 플랫폼의 피해 저항력을 전문화하며, 신규 벙커 및 중포탑을 추가하여 게임의 전반적인 전투 메타를 크게 변화시켰습니다 [1, 2]. 특히 단일 무기 유형에 의존하는 공격의 효율을 크게 감소시켜, 공격자에게 '제병협동(Combined Arms)' 형태의 혼합 소대 전술을 강제하는 데 목적이 있습니다 [2, 3].
|
||||
@@ -21,8 +21,8 @@
|
||||
* **기타 주요 기술 업그레이드**: Deep Reactor (최대 전력 250), Fusion Tower (최대 전력 450)를 통해 기지 전력 한도가 증가했습니다 [8]. 또한 Warp Lance (패턴 변경 및 AREA 피해로 전환), Deadeye (스플래시 감소 및 피해량 증가), Acid Rain (분열 거리 변경으로 신뢰성 증가) 등 다수의 무기 체계에 5개의 신규 레벨이 부여되었습니다 [8, 9].
|
||||
|
||||
## 🔗 Knowledge Connections
|
||||
- **Related Topics:** [[방어 플랫폼(Defense Platforms)]], [[이리듐(Iridium)]], [[나이트워치 벙커(Nightwatch Bunker)]], [[메트로노모스 중포탑(Metronomos Heavy Turret)]], [[제병협동 전술(Combined Arms Tactics)]], [[피해 유형(Damage Types)]]
|
||||
- **Projects/Contexts:** [[오퍼레이션: 웨스턴 선(Operation: Western Sun)]]
|
||||
- **Related Topics:** [[방어 플랫폼(Defense Platforms)|방어 플랫폼(Defense Platforms)]], 이리듐(Iridium), 나이트워치 벙커(Nightwatch Bunker), 메트로노모스 중포탑(Metronomos Heavy Turret), 제병협동 전술(Combined Arms Tactics), [[피해 유형(Damage Types)|피해 유형(Damage Types)]]
|
||||
- **Projects/Contexts:** 오퍼레이션: 웨스턴 선(Operation: Western Sun)
|
||||
- **Contradictions/Notes:** 소스에 따르면 기존 방어 플랫폼의 명칭(예: Airborne Platform -> Support Graviton)과 저항 기능이 완전히 재설계되었기 때문에, 이 업데이트 이후로 단일 속성에 기반한 단순 화력전 전술은 더 이상 유효하지 않게 되었습니다.
|
||||
|
||||
---
|
||||
|
||||
@@ -1,4 +1,4 @@
|
||||
# [[2026년 인공지능 시각 언어 생성 패러다임 전환 및 연속적 창작 워크플로우]]
|
||||
# [[2026년 인공지능 시각 언어 생성 패러다임 전환 및 연속적 창작 워크플로우|2026년 인공지능 시각 언어 생성 패러다임 전환 및 연속적 창작 워크플로우]]
|
||||
|
||||
## 📌 Brief 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].
|
||||
@@ -20,8 +20,8 @@
|
||||
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
|
||||
- **Related Topics:** `[[프롬프트 계층 구조(Prompt Hierarchical Structure)]]`, `[[매개변수 제어(Parameter Control)]]`, `[[부정 프롬프트(Negative Prompt)]]`, `[[에이전틱 AI(Agentic AI)]]`
|
||||
- **Projects/Contexts:** `[[미드저니 V7 드래프트 모드(Midjourney V7 Draft Mode)]]`, `[[옴니 참조(Omni Reference, --oref)]]`, `[[에이전틱 크리에이티브(Agentic Creative)]]`
|
||||
- **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].
|
||||
|
||||
---
|
||||
|
||||
@@ -1,5 +1,5 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-EB3F3C
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-EB3F3C
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
@@ -7,20 +7,20 @@ last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - 20k skinned instances demo"
|
||||
---
|
||||
|
||||
# [[20k skinned instances demo]]
|
||||
# [[20k skinned instances demo|20k skinned instances demo]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> '20k skinned instances demo'는 Three.js 기반의 오픈 소스 라이브러리인 [[InstancedMesh2]]를 활용하여 20,000개의 개별적인 스킨드 인스턴스(Skinned instances)를 동시에 렌더링하는 성능 최적화 데모입니다 [1, 2]. 이 데모는 모바일 기기에서도 3,000개의 인스턴스를 원활하게 구동할 수 있도록 설계되었습니다 [2]. 프러스텀 컬링, 거리 기반 애니메이션 프레임 조절, 다중 LOD(Level of Detail) 생성 등 다양한 최적화 기법을 적용하여 단 5번의 드로우 콜만으로 렌더링을 처리하는 것이 특징입니다 [2, 3].
|
||||
> '20k skinned instances demo'는 Three.js 기반의 오픈 소스 라이브러리인 [[InstancedMesh2|InstancedMesh2]]를 활용하여 20,000개의 개별적인 스킨드 인스턴스(Skinned instances)를 동시에 렌더링하는 성능 최적화 데모입니다 [1, 2]. 이 데모는 모바일 기기에서도 3,000개의 인스턴스를 원활하게 구동할 수 있도록 설계되었습니다 [2]. 프러스텀 컬링, 거리 기반 애니메이션 프레임 조절, 다중 LOD(Level of Detail) 생성 등 다양한 최적화 기법을 적용하여 단 5번의 드로우 콜만으로 렌더링을 처리하는 것이 특징입니다 [2, 3].
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
이 데모는 제작자(agargaro)가 개발한 `[[InstancedMesh]]2` 라이브러리를 기반으로 하며, 대규모 스킨드 메쉬를 렌더링하기 위해 다음과 같은 세부 최적화 기술들을 사용했습니다 [2].
|
||||
이 데모는 제작자(agargaro)가 개발한 `[[InstancedMesh|InstancedMesh]]2` 라이브러리를 기반으로 하며, 대규모 스킨드 메쉬를 렌더링하기 위해 다음과 같은 세부 최적화 기술들을 사용했습니다 [2].
|
||||
|
||||
* **프러스텀 컬링 및 시야 기반 업데이트 ([[Frustum Culling]] & View-based Updates):**
|
||||
* **프러스텀 컬링 및 시야 기반 업데이트 ([[Frustum Culling|Frustum Culling]] & View-based Updates):**
|
||||
기본적인 프러스텀 컬링을 적용하여 카메라 시야(Frustum) 내에 존재하는 인스턴스들에 대해서만 뼈대(Bones) 연산을 업데이트합니다 [2].
|
||||
* **동적 애니메이션 프레임 제어:**
|
||||
카메라와 각 인스턴스 간의 거리를 계산하여 애니메이션 FPS를 0에서 60 사이로 개별 설정함으로써 불필요한 연산을 줄입니다 [2].
|
||||
* **LOD(Level of Detail)의 적극적 활용:**
|
||||
`meshoptimizer`를 활용해 5단계의 기하학적 LOD를 생성했습니다 [2]. 거리가 먼 인스턴스에 대해서는 일부 뼈대 계산을 생략하며, 각 LOD마다 1개의 드로우 콜([[Draw Call]])만 발생시켜 총 5개의 드로우 콜만으로 렌더링을 완료합니다 [2, 3]. 또한, 그림자(Shadows) 렌더링 시에도 LOD를 관리할 수 있도록 구성되어 있습니다 [4].
|
||||
`meshoptimizer`를 활용해 5단계의 기하학적 LOD를 생성했습니다 [2]. 거리가 먼 인스턴스에 대해서는 일부 뼈대 계산을 생략하며, 각 LOD마다 1개의 드로우 콜([[Draw Call|Draw Call]])만 발생시켜 총 5개의 드로우 콜만으로 렌더링을 완료합니다 [2, 3]. 또한, 그림자(Shadows) 렌더링 시에도 LOD를 관리할 수 있도록 구성되어 있습니다 [4].
|
||||
* **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].
|
||||
|
||||
@@ -29,7 +29,7 @@ github_commit: "[P-Reinforce] Continuous Worker - 20k skinned instances demo"
|
||||
- **정책 변화:** AI 분야의 자동 자산화 수행.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Related Topics:** [[InstancedMesh2]], [[Frustum Culling]], [[Level of Detail (LOD)]], Skinned Mesh, [[Draw Call]]
|
||||
- **Related Topics:** [[InstancedMesh2|InstancedMesh2]], [[Frustum Culling|Frustum Culling]], [[Level of Detail (LOD)|Level of Detail (LOD)]], Skinned Mesh, [[Draw Call|Draw Call]]
|
||||
- **Projects/Contexts:** three.js
|
||||
- **Contradictions/Notes:** 본 텍스처(Bone texture)의 부분 업데이트(Partial texture updates) 기능은 PC 환경에서 60FPS를 달성하는 데 도움이 될 수 있는 최적화 기법이지만, 모바일 기기와 파이어폭스(Mozilla Firefox) 브라우저에서는 이중 버퍼링(Double buffering) 부재로 인해 오히려 속도가 느려지는 문제가 있어 본 데모에서는 비활성화된 상태로 제공되었습니다 [2, 7].
|
||||
|
||||
|
||||
@@ -1,4 +1,4 @@
|
||||
# [[4X 전략]]
|
||||
# [[4X 전략|4X 전략]]
|
||||
|
||||
## 📌 Brief Summary
|
||||
4X 전략은 1990년대 PC 게임에서 처음 유래한 용어로, 탐험(Explore), 확장(Expand), 활용(Exploit), 섬멸(Exterminate)의 네 가지 핵심 요소를 기반으로 하는 전략 게임 장르를 의미한다 [1-3]. 모바일 시장에서 4X 전략 게임은 복잡한 경제 시스템, 장기적인 성장, 고도화된 소셜 인프라를 통해 모바일 게임 중 가장 높은 수준의 유저 생애 가치(LTV)를 창출하는 미드코어 장르로 자리 잡았다 [1, 4, 5]. 특히 'Game of War'와 같은 게임은 이 4X 루프를 모바일에 최적화된 실시간 다중 사용자(MMO) 환경에 접목하고, 정교한 계단식 수익화 모델(BM)을 결합하여 업계에 지대한 영향을 미쳤다 [6-8].
|
||||
@@ -17,8 +17,8 @@
|
||||
* **엔드게임(Endgame) 및 장르 융합(Genre-Blending):** 4X 게임의 최종 목표는 왕국 내의 'Wonder' 쟁탈전이나 다른 서버와 통째로 맞붙는 '왕국 간 전쟁(KvK)'에 참전하는 것이다 [37-40]. 최근 치열해진 시장 경쟁 속에서 새로운 4X 게임들은 매치3, 퍼즐, RPG 등의 캐주얼 요소를 도입하여 더 넓은 대중을 유입시킨 후 심도 있는 4X 후반부로 연결하는 '장르 융합' 전략을 통해 성공을 거두고 있다 [41-44].
|
||||
|
||||
## 🔗 Knowledge Connections
|
||||
- **Related Topics:** [[수익화 모델(BM)]], [[VIP 시스템]], [[소셜 엔지니어링(Social Engineering)]], [[왕국 간 전쟁(KvK)]], [[장르 융합(Genre-Blending)]]
|
||||
- **Projects/Contexts:** [[Game of War: Fire Age]], [[Machine Zone(MZ)]], [[Mobile Strike]], [[Puzzles & Survival]], [[State of Survival]]
|
||||
- **Related Topics:** 수익화 모델(BM), [[VIP 시스템|VIP 시스템]], [[소셜 엔지니어링 (Social Engineering)|소셜 엔지니어링(Social Engineering)]], 왕국 간 전쟁(KvK), 장르 융합(Genre-Blending)
|
||||
- **Projects/Contexts:** [[Game of War- Fire Age|Game of War: Fire Age]], Machine Zone(MZ), [[Mobile Strike|Mobile Strike]], [[Puzzles & Survival|Puzzles & Survival]], State of Survival
|
||||
- **Contradictions/Notes:** 4X 게임의 과금 전략과 관련하여 소스들은 두 가지 뚜렷한 대비를 보여줍니다. 초기 세션부터 HUD에 과금 알림과 이벤트 팝업을 가득 띄워 반복적인 소액 결제를 유도하는 방식(예: Evony)이 있는 반면, 초기에는 결제 압박을 피하고 게임 서사와 핵심 루프에 몰입시킨 후 필요해지는 시점에 선택적 과금으로 신뢰를 쌓아가는 방식(예: Rise of Kingdoms)이 서로 공존하며 성공을 거두고 있습니다 [22-24, 45].
|
||||
|
||||
---
|
||||
|
||||
@@ -2,7 +2,7 @@
|
||||
id: UX-DATA-TEST-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.0
|
||||
tags: [ux, ab-[[Testing]], data-driven-design, cro, micro-conversions, product-growth]
|
||||
tags: [ux, ab-[[Testing|Testing]], data-driven-design, cro, micro-conversions, product-growth]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
@@ -12,11 +12,11 @@ last_reinforced: 2026-04-26
|
||||
> "디자인의 주관적 미학을 통계적 객관성으로 치환하고, 사용자의 실제 행동 데이터를 나침반 삼아 비즈니스 전환율의 임계점을 돌파하라" — 가설을 검증하고 사용자 경험의 마찰을 수치로 정밀 타격하는 현대 프로덕트 성장의 핵심 엔진.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** "Empirical Validation and Iterative [[Optimization]]" — 직관이나 가정에 의존하는 대신, 트래픽을 대조군(Control)과 실험군(Test)으로 분리하여 특정 UI 변경이 미치는 인과관계를 데이터로 증명하는 패턴.
|
||||
- **추출된 패턴:** "Empirical Validation and Iterative [[Optimization|Optimization]]" — 직관이나 가정에 의존하는 대신, 트래픽을 대조군(Control)과 실험군(Test)으로 분리하여 특정 UI 변경이 미치는 인과관계를 데이터로 증명하는 패턴.
|
||||
- **핵심 방법론 및 도구:**
|
||||
- **A/B & Multivariate Testing:** 단일 또는 다중 변수의 변경이 최종 전환율에 미치는 영향을 분리 및 검증.
|
||||
- **Micro-conversions:** 최종 목표(구매 등) 이전의 행동(스크롤, 클릭, 시청)을 추적하여 사용자 의도 파악.
|
||||
- **[[Behavior]]al [[Analysis]]:** 히트맵(Heatmaps)과 세션 녹화(Session Recording)를 통해 정량적 지표 뒤에 숨겨진 정성적 마찰 지점 식별.
|
||||
- **[[Behavior|Behavior]]al [[Analysis|Analysis]]:** 히트맵(Heatmaps)과 세션 녹화(Session Recording)를 통해 정량적 지표 뒤에 숨겨진 정성적 마찰 지점 식별.
|
||||
- **Progressive Rollouts:** 리스크 최소화를 위해 신규 디자인을 특정 세그먼트에게만 점진적으로 노출.
|
||||
- **의의:** 디자인 결정의 불확실성을 제거하고, 지속적인 실험 루프를 통해 제품의 비즈니스 가치를 과학적으로 극대화함.
|
||||
|
||||
@@ -25,5 +25,5 @@ last_reinforced: 2026-04-26
|
||||
- **정책 변화:** Antigravity 프로젝트는 모든 주요 UI 변경 시 최소 10%의 트래픽에 대해 A/B 테스트를 선행하며, 데이터 기반의 근거 없이는 레이아웃 변경을 승인하지 않는 'Evidence-based Design' 정책을 고수함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- User-Centered-Design, Conversion-Rate-Optimization-CRO, [[Hypothesis-Testing]], Product-[[Management]]-Best-Practices
|
||||
- User-Centered-Design, Conversion-Rate-Optimization-CRO, [[Hypothesis-Testing|Hypothesis-Testing]], Product-[[Management|Management]]-Best-Practices
|
||||
- **Raw Source:** 00_Raw/A-B 테스트 및 데이터 기반 UX 검증 환경.md
|
||||
|
||||
@@ -1,4 +1,4 @@
|
||||
# [[A2A (Agent-to-Agent Protocol)]]
|
||||
# [[A2A (Agent-to-Agent Protocol)|A2A (Agent-to-Agent Protocol)]]
|
||||
|
||||
## 📌 Brief Summary
|
||||
A2A(Agent-to-Agent Protocol)는 2025년 Google이 공개한 에이전트 간 통신 및 작업 위임을 위한 오픈 프로토콜이다. 단일 하네스(Harness) 내부의 도구 접근을 표준화하는 MCP와 달리, 서로 다른 하네스에 존재하는 에이전트 간의 원격 통신, 작업 위임, 상태 공유를 표준화한다. HTTPS와 Server-Sent Events(SSE)를 전송 계층으로 활용하여 에이전트 간의 장기 실행 작업을 스트리밍하고 통제 가능한 다중 에이전트 생태계를 구축하는 데 핵심적인 역할을 한다.
|
||||
@@ -21,18 +21,18 @@ A2A(Agent-to-Agent Protocol)는 2025년 Google이 공개한 에이전트 간 통
|
||||
### Related Concepts
|
||||
|
||||
#### [아키텍처 및 기반 기술]
|
||||
* [[MCP (Model Context Protocol)]]
|
||||
* [[MCP (Model Context Protocol)|MCP (Model Context Protocol)]]
|
||||
* 연결 이유: A2A가 하네스 외부의 에이전트 간(Agent-to-Agent) 통신을 담당한다면, MCP는 하네스 내부의 에이전트와 도구 간(Agent-to-Tool) 통신을 담당하여 함께 통합된 하네스 통신 스택을 이룬다.
|
||||
* 이 개념을 통해 더 깊게 이해할 수 있는 부분: 하네스 아키텍처 내에서 도구 제어(T-component)와 에이전트 위임(E-component) 사이의 구조적 역할 분담 및 상호작용.
|
||||
* [[E-component (Execution Loop)]]
|
||||
* [[E-component (Execution Loop)|E-component (Execution Loop)]]
|
||||
* 연결 이유: A2A 프로토콜은 에이전트의 실행 루프를 다중 에이전트로 확장할 때, 하네스의 E-component가 다중 에이전트 조정을 표준화하고 위임하는 통로 역할을 한다.
|
||||
* 이 개념을 통해 더 깊게 이해할 수 있는 부분: 에이전트 간 통신이 단순한 API 호출을 넘어, 상태 머신 및 실행 루프의 제어 흐름(Control Flow)에 어떻게 안전하게 통합되는지 이해할 수 있다.
|
||||
* [[ACP (Agent Communication Protocol)]]
|
||||
* [[ACP (Agent Communication Protocol)|ACP (Agent Communication Protocol)]]
|
||||
* 연결 이유: IBM이 개발한 상위 수준의 의도(Intent) 통신 프로토콜로, 2025년에 A2A와 통합되어 에이전트 상호운용성 표준을 단일화했다.
|
||||
* 이 개념을 통해 더 깊게 이해할 수 있는 부분: "의도 전달(ACP) -> 작업 위임(A2A) -> 도구 실행(MCP)"으로 이어지는 다중 에이전트 시스템의 3계층 통신 추상화 모델.
|
||||
|
||||
#### [운영 및 거버넌스 프레임워크]
|
||||
* [[Zoned Governance Framework]]
|
||||
* Zoned Governance Framework
|
||||
* 연결 이유: A2A를 통한 에이전트 간 위임 시 데이터 유출이나 권한 남용을 막기 위해 환경과 권한을 여러 존(Zone)으로 분리하고 제한하는 정책적 프레임워크가 요구된다.
|
||||
* 이 개념을 통해 더 깊게 이해할 수 있는 부분: 높은 보안이 요구되는 에이전트가 낮은 권한의 에이전트를 호출하거나 그 반대의 상황이 발생할 때 요구되는 신뢰 경계(Trust Boundary) 설정 방법.
|
||||
|
||||
@@ -49,9 +49,9 @@ A2A(Agent-to-Agent Protocol)는 2025년 Google이 공개한 에이전트 간 통
|
||||
* **Operation / Maintenance:** A2A 호출 내역을 관찰(Observability)하고 로깅하여, 에이전트 간의 무한 위임 루프나 예기치 않은 우회 호출 패턴을 탐지하고 보안 거버넌스(Trust Boundaries)를 유지하는 감사(Audit) 인프라를 운영한다.
|
||||
|
||||
### Adjacent Topics
|
||||
* [[Multi-Agent Orchestration]]
|
||||
* Multi-Agent Orchestration
|
||||
* 확장 방향: 다수의 에이전트를 조율하는 아키텍처 패턴(Hierarchical, Market-based, Role-Based 등)을 연구하여 A2A 통신이 실제 에이전트의 작업 분배 토폴로지와 어떻게 결합되는지 탐구한다.
|
||||
* [[Agent Identity Management]]
|
||||
* [[Agent Identity Management|Agent Identity Management]]
|
||||
* 확장 방향: 에이전트가 서로를 원격으로 호출할 때 필요한 식별 체계(Entra ID, OAuth2 토큰 위임 등)와 분산 시스템에서의 에이전트 인증 기술을 깊이 있게 확장하여 학습한다.
|
||||
|
||||
---
|
||||
|
||||
@@ -1,13 +1,13 @@
|
||||
---
|
||||
id: b3c4d5e6-f7a8-4b9c-0d1e-2f3a4b5c6d7e
|
||||
category: "[[10_Wiki/Topics/AI]]"
|
||||
category: "10_Wiki/Topics/AI"
|
||||
confidence_score: 0.97
|
||||
tags: [a2a, agent, protocol, multi-agent, communication, infrastructure]
|
||||
last_reinforced: 2026-05-01
|
||||
github_commit: "wikification-a2a"
|
||||
---
|
||||
|
||||
# [[Agent-to-Agent (A2A)]]
|
||||
# Agent-to-Agent (A2A)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> A2A는 서로 다른 하네스나 원격지에 위치한 에이전트들이 작업을 위임하고 상태를 공유하며 협업할 수 있도록 돕는 상호운용성 네트워크 표준 프로토콜이다.
|
||||
@@ -31,9 +31,9 @@ github_commit: "wikification-a2a"
|
||||
- **오케스트레이션 복잡성**: 에이전트가 많아질수록 통신 지연과 상태 불일치 문제가 발생하며, 이를 관리하기 위한 분산 시스템 수준의 설계가 요구된다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Parent**: [[10_Wiki/Topics/AI]]
|
||||
- **Related**: [[Agent Harness]], [[Model Context Protocol (MCP)]], [[Agentic Software Engineering]]
|
||||
- **Raw Source**: [[00_Raw/Agent-to-Agent (A2A)]]
|
||||
- **Parent**: 10_Wiki/Topics/AI
|
||||
- **Related**: [[Agent Harness|Agent Harness]], [[Model Context Protocol (MCP)|Model Context Protocol (MCP)]], [[Agentic_Software_Engineering|Agentic Software Engineering]]
|
||||
- **Raw Source**: 00_Raw/Agent-to-Agent (A2A)
|
||||
|
||||
## 💻 GitHub 동기화 자동화 워크플로우
|
||||
1. Stage: git add .
|
||||
|
||||
@@ -2,11 +2,11 @@
|
||||
id: ABA-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.0
|
||||
tags: [[[Psychology]], [[Behavior]]al-science, [[Reinforcement-Learning]], aba, pedagogy]
|
||||
tags: [[Psychology|[Psychology]], [[Behavior|Behavior]]al-science, [[Reinforcement-Learning|Reinforcement-Learning]], aba, pedagogy]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# ABA (Applied Behavior [[Analysis]], 응용 행동 분석)
|
||||
# ABA (Applied Behavior [[Analysis|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.
|
||||
@@ -16,7 +16,7 @@ last_reinforced: 2026-04-26
|
||||
- **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.
|
||||
- **prompting & 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.
|
||||
|
||||
@@ -25,5 +25,5 @@ last_reinforced: 2026-04-26
|
||||
- **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]]
|
||||
- [[Psychology-of-Learning|Psychology-of-Learning]], [[Reinforcement-Learning|Reinforcement-Learning]], [[Alignment|Alignment]], [[Habit-Formation|Habit-Formation]]
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/ABA.md
|
||||
|
||||
@@ -1,13 +1,13 @@
|
||||
---
|
||||
id: a2b3c4d5-e6f7-4a8b-9c0d-1e2f3a4b5c6d
|
||||
category: "[[10_Wiki/Topics/AI]]"
|
||||
category: "10_Wiki/Topics/AI"
|
||||
confidence_score: 0.98
|
||||
tags: [aci, agent, interface, llm, infrastructure, harness]
|
||||
last_reinforced: 2026-05-01
|
||||
github_commit: "wikification-aci"
|
||||
---
|
||||
|
||||
# [[Agent-Computer Interface (ACI)]]
|
||||
# Agent-Computer Interface (ACI)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 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.
|
||||
@@ -32,9 +32,9 @@ github_commit: "wikification-aci"
|
||||
- **범용 표준의 부재**: 각 하네스마다 ACI 설계가 상이하여 에이전트의 행동 패턴이 특정 인터페이스에 고착화(Coupling)되는 현상이 발생한다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Parent**: [[10_Wiki/Topics/AI]]
|
||||
- **Related**: [[Agent Harness]], [[Model Context Protocol (MCP)]], [[Context Engineering]]
|
||||
- **Raw Source**: [[00_Raw/Agent-Computer Interfaces (ACI)]]
|
||||
- **Parent**: 10_Wiki/Topics/AI
|
||||
- **Related**: [[Agent Harness|Agent Harness]], [[Model Context Protocol (MCP)|Model Context Protocol (MCP)]], [[Context Engineering|Context Engineering]]
|
||||
- **Raw Source**: 00_Raw/Agent-Computer Interfaces (ACI)
|
||||
|
||||
## 💻 GitHub 동기화 자동화 워크플로우
|
||||
1. Stage: git add .
|
||||
|
||||
@@ -1,4 +1,4 @@
|
||||
# [[ACP (Agent Communication Protocol)]]
|
||||
# [[ACP (Agent Communication Protocol)|ACP (Agent Communication Protocol)]]
|
||||
|
||||
## 📌 Brief Summary
|
||||
ACP(Agent Communication Protocol)는 에이전트 간의 고수준 의도(High-level intent), 목표(Goals), 그리고 복잡한 협업 시퀀스를 정의하기 위해 설계된 통신 규약이다. 2025년 Google의 A2A(Agent-to-Agent Protocol)와 IBM의 기존 에이전트 프레임워크가 통합되면서 다중 에이전트 시스템의 상호운용성을 보장하는 핵심 표준으로 자리 잡았다. 단순한 데이터 전달을 넘어 에이전트 간의 '의도 파악'과 '동적 협상'을 가능하게 한다.
|
||||
@@ -20,15 +20,15 @@ ACP(Agent Communication Protocol)는 에이전트 간의 고수준 의도(High-l
|
||||
### Related Concepts
|
||||
|
||||
#### [통신 및 상호운용성]
|
||||
* [[A2A (Agent-to-Agent Protocol)]]
|
||||
* [[A2A (Agent-to-Agent Protocol)|A2A (Agent-to-Agent Protocol)]]
|
||||
* 연결 이유: ACP가 고수준의 협업 의도를 다룬다면, A2A는 실제 작업의 실행 위임과 데이터 스트리밍을 담당하는 하위 전송/실행 계층이다.
|
||||
* [[MCP (Model Context Protocol)]]
|
||||
* [[MCP (Model Context Protocol)|MCP (Model Context Protocol)]]
|
||||
* 연결 이유: 에이전트가 ACP를 통해 협업을 결정하고 A2A로 작업을 위임받은 후, 실제 시스템 도구를 호출할 때 사용하는 가장 하위의 도구 접근 표준이다.
|
||||
|
||||
#### [실행 및 거버넌스]
|
||||
* [[Multi-Agent Orchestration]]
|
||||
* Multi-Agent Orchestration
|
||||
* 연결 이유: ACP는 다중 에이전트 환경에서 에이전트들이 스스로 역할을 분담하고 목표를 달성하기 위해 소통하는 '언어' 역할을 한다.
|
||||
* [[Agent Identity Management]]
|
||||
* [[Agent Identity Management|Agent Identity Management]]
|
||||
* 연결 이유: 안전한 ACP 통신을 위해서는 메시지를 보내는 에이전트의 신원과 권한을 명확히 검증할 수 있는 신뢰 기반의 인증 시스템이 선행되어야 한다.
|
||||
|
||||
### Deeper Research Questions
|
||||
|
||||
@@ -2,7 +2,7 @@
|
||||
id: SYS-COMP-ACC-GLOBAL-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.0
|
||||
tags: [[[Accessibility]], compliance, ada, eaa, wcag-2-2, pour-[[Principles]], digital-inclusive, legal-risk]
|
||||
tags: [[Accessibility|[Accessibility]], compliance, ada, eaa, wcag-2-2, pour-[[Principles|Principles]], digital-inclusive, legal-risk]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
|
||||
@@ -12,12 +12,12 @@ last_reinforced: 2026-04-26
|
||||
> "인간이 할 수 있는 모든 지적 태스크를 인간 수준 혹은 그 이상으로 수행하는 범용 지능" — 특정 분야에 국한되지 않고 새로운 환경에서 스스로 학습하고, 추론하며, 창의적인 문제를 해결할 수 있는 인공지능의 궁극적 도달점.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 지식의 파편화된 활용을 넘어, 자의식과 메타인지를 바탕으로 도메인을 넘나드는 범용적 문제 해결(General [[Problem Solving]])을 수행하는 완전한 지능 패턴.
|
||||
- **추출된 패턴:** 지식의 파편화된 활용을 넘어, 자의식과 메타인지를 바탕으로 도메인을 넘나드는 범용적 문제 해결(General [[Problem Solving|Problem Solving]])을 수행하는 완전한 지능 패턴.
|
||||
- **핵심 특징:**
|
||||
- **Cross-domain Learning:** 수학 문제를 풀던 지능이 소설을 쓰거나 코딩을 하는 등 다양한 분야로 즉각 전이됨.
|
||||
- **Common Sense:** 방대한 경험을 바탕으로 세상의 당연한 이치(상식)를 이해하고 활용.
|
||||
- **[[Self-Correction]]:** 자신의 오류를 인지하고 외부의 도움 없이도 지식 체계를 수정 및 업데이트.
|
||||
- **Abstract [[Reasoning]]:** 구체적인 사례 없이도 원리와 개념만으로 복잡한 논리를 전개.
|
||||
- **Self-Correction:** 자신의 오류를 인지하고 외부의 도움 없이도 지식 체계를 수정 및 업데이트.
|
||||
- **Abstract [[Reasoning|Reasoning]]:** 구체적인 사례 없이도 원리와 개념만으로 복잡한 논리를 전개.
|
||||
- **예상 시점:** 연구자마다 견해가 다르나, LLM의 등장으로 AGI로 가는 길이 가속화되었다는 평이 지배적.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
@@ -25,5 +25,5 @@ last_reinforced: 2026-04-26
|
||||
- **정책 변화:** Antigravity 프로젝트의 최종 비전은 개별 도구로서의 AI를 넘어, 사용자의 모든 업무와 지식 관리를 통합적으로 보조하는 'Personal AGI'급 에이전트 환경 구축에 있음.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[LLM]], Theory-of-Mind-ToM-in-AI, [[AI-Alignment]], Symbolic-AI-vs-Connectionism
|
||||
- [[LLM|LLM]], Theory-of-Mind-ToM-in-AI, [[AI-Alignment|AI-Alignment]], Symbolic-AI-vs-Connectionism
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/AGI.md
|
||||
|
||||
@@ -1,12 +1,12 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-AIDS-001
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-AIDS-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.93
|
||||
tags: [auto-reinforced, data-sovereignty, ai-ethics, privacy, digital-colonialism, data-governance]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[AI & Data Sovereignty]]
|
||||
# [[AI & Data Sovereignty|AI & Data Sovereignty]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "데이터의 주인은 누구인가: 우리의 모든 행동이 AI 학습의 공짜 재료가 되는 시대, 개인과 국가가 자신의 데이터를 통제하고 그로부터 창출된 부를 정당하게 나눠 가질 권리를 지키기 위한 투쟁."
|
||||
@@ -26,6 +26,6 @@ AI 및 데이터 주권(AI & Data Sovereignty)은 디지털 정보와 그로부
|
||||
- **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.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Ethics & AI]], [[AI Accountability]], [[Sociology of Knowledge]], [[Universal Basic Income (UBI)]], Foundational Models
|
||||
- [[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.
|
||||
---
|
||||
|
||||
@@ -1,12 +1,12 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-AIAC-001
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-AIAC-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.95
|
||||
tags: [auto-reinforced, ai-accountability, responsibility, algorithmic-transparency, ethics-governance]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[AI Accountability]]
|
||||
# [[AI Accountability|AI Accountability]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "AI의 잘못은 누구의 탓인가: 알고리즘의 결정으로 인해 사회적 피해나 오류가 발생했을 때, 그 원인을 규명하고 책임의 주체를 명확히 하여 피해를 보상하게 만드는 책임 사회의 원칙."
|
||||
@@ -27,6 +27,6 @@ AI 책임론(AI Accountability)은 AI 시스템의 설계, 개발, 배포 및
|
||||
- **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.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Ethics & AI]], [[AI & Data Sovereignty]], [[Safety & Reliability]], [[Generative-AI]]-Safety, [[Decision Theory]]
|
||||
- **Modern Tech/Tools**: Algorithmic Impact [[Assessment]] (AIA), Explainable AI (XAI) toolkits.
|
||||
- [[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.
|
||||
---
|
||||
|
||||
@@ -2,7 +2,7 @@
|
||||
id: AGENTS-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.0
|
||||
tags: [ai, ai-agents, [[Autonomous-Agents]], [[Reasoning]], planning]
|
||||
tags: [ai, ai-agents, [[Autonomous-Agents|Autonomous-Agents]], [[Reasoning|Reasoning]], planning]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
@@ -12,12 +12,12 @@ last_reinforced: 2026-04-26
|
||||
> "단순한 답변기가 아닌, 목표를 위해 도구를 쓰고 스스로 계획하는 '행동 주체'로 진화하라" — 거대 모델의 추론 능력을 바탕으로 목표를 설정하고, 실행 계획을 수립하며, 외부 도구(브라우저, 코드 에디터 등)를 사용해 태스크를 완수하는 인공지능 시스템.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 사용자의 추상적인 요청을 구체적인 작업 단위로 분해(Planning)하고, 각 단계를 실행(Action)하며, 결과를 관찰([[Observation]])하여 다음 행동을 결정하는 루프 기반의 자율성 패턴.
|
||||
- **추출된 패턴:** 사용자의 추상적인 요청을 구체적인 작업 단위로 분해(Planning)하고, 각 단계를 실행(Action)하며, 결과를 관찰([[Observation|Observation]])하여 다음 행동을 결정하는 루프 기반의 자율성 패턴.
|
||||
- **핵심 루프 (ReAct 패턴 등):**
|
||||
- **Reasoning:** 현재 상황을 분석하고 무엇을 해야 할지 판단.
|
||||
- **Planning:** 목표 달성을 위한 단계별 워크플로우 생성.
|
||||
- **Tool Use:** API, 웹 검색, 파일 시스템 접근 등 외부 도구 활용.
|
||||
- **[[memory]]:** 대화의 맥락(단기)과 지식 베이스(장기)를 활용하여 일관성 유지.
|
||||
- **[[memory|memory]]:** 대화의 맥락(단기)과 지식 베이스(장기)를 활용하여 일관성 유지.
|
||||
- **주요 사례:** AutoGPT, BabyAGI, 그리고 현재 작동 중인 Antigravity 에이전트.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
@@ -25,5 +25,5 @@ last_reinforced: 2026-04-26
|
||||
- **정책 변화:** Antigravity 프로젝트는 에이전트의 자율성을 극대화하되, 인간의 확인이 필요한 'Human-in-the-loop' 지점을 명확히 설정하여 안전성을 확보함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Agentic-Workflow, [[Multi-Agent-Systems-MAS]], [[RAG]], Theory-of-Mind-ToM-in-AI
|
||||
- Agentic-Workflow, [[Multi-Agent-Systems-MAS|Multi-Agent-Systems-MAS]], [[RAG|RAG]], Theory-of-Mind-ToM-in-AI
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/AI Agents.md
|
||||
|
||||
@@ -7,7 +7,7 @@ last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Batch 10 - Wikified AI Connect LLM Tool"
|
||||
---
|
||||
|
||||
# [[AI Connect LLM Tool]]
|
||||
# [[AI Connect LLM Tool|AI Connect LLM Tool]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> **Connect AI**는 100% 로컬 및 오프라인 환경에서 작동하는 VS Code 전용 프리미엄 AI 코딩 에이전트입니다. 외부 서버 연결 없이 사용자의 하드웨어(Ollama/LM Studio)를 직접 활용하여 파일 생성, 편집, 터미널 명령 실행 및 개인 지식 기반(Second Brain) 연동을 지원합니다.
|
||||
|
||||
@@ -1,12 +1,12 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-AIGO-001
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-AIGO-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.96
|
||||
tags: [auto-reinforced, ai-governance, policy, regulation, [[Global-Standard]]s, tech-ethics]
|
||||
tags: [auto-reinforced, ai-governance, policy, regulation, [[Global-Standard|Global-Standard]]s, tech-ethics]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[AI Governance]]
|
||||
# [[AI Governance|AI Governance]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "인공지능을 위한 사회적 가이드라인: 기술의 폭주를 막고 혜택을 극대화하기 위해 국가, 기업, 학계가 합의하여 만드는 법적, 윤리적, 기술적 관리 체계."
|
||||
@@ -20,13 +20,13 @@ AI 거버넌스(AI Governance)는 인공지능 기술의 개발 및 활용이
|
||||
* **Technical Standards**: 보안, 성능, 상호운용성을 위한 기술 표준.
|
||||
2. **주요 쟁점**:
|
||||
* **Risk-based Approach**: AI의 위험도에 따라 다른 수위의 규제 적용. (허용 불가 - 고위험 - 저위험)
|
||||
* **International Co[[Opera]]tion**: 국경 없는 기술 특성상 국가 간 공조 필수.
|
||||
* **International Co[[Opera|Opera]]tion**: 국경 없는 기술 특성상 국가 간 공조 필수.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 기술 발전을 저해한다는 이유로 규제에 소극적이었으나, 현대 정책은 '안전한 기술이 더 큰 시장을 만든다'는 인식 하에 선제적인 '안심 거버넌스 정책'으로 패러다임을 전환함(RL Update).
|
||||
- **정책 변화(RL Update)**: 단순히 사후 규제가 아닌, 설계 단계부터 거버넌스를 코드에 녹여내는 'Governance by Design' 정책이 테크 기업의 필수 준수 사항이 됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[AI Accountability]], [[AI Safety]], [[AI & Data Sovereignty]], [[Ethics & AI]], [[Generative-AI]]-Safety
|
||||
- **Modern Tech/Tools**: ISO/IEC 42001 (AI [[Management]][[ system]]), NIST AI [[Risk Management]] Framework.
|
||||
- [[AI Accountability|AI Accountability]], [[AI Safety|AI Safety]], [[AI & Data Sovereignty|AI & Data Sovereignty]], [[Ethics & AI|Ethics & AI]], [[Generative-AI|Generative-AI]]-Safety
|
||||
- **Modern Tech/Tools**: ISO/IEC 42001 (AI [[Management|Management]][[_system|system]]), NIST AI [[Risk Management|Risk Management]] Framework.
|
||||
---
|
||||
|
||||
@@ -1,12 +1,12 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-AIHU-001
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-AIHU-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced, ai-humanism, [[Philosophy]], human-centric, coexistence, existential-risks]
|
||||
tags: [auto-reinforced, ai-humanism, [[Philosophy|Philosophy]], human-centric, coexistence, existential-risks]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[AI Humanism]]
|
||||
# [[AI Humanism|AI Humanism]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "기계 시대의 인간성 회복: AI가 인간을 대체하는 위협이 아니라, 인간의 잠재력을 확장하고 삶의 질을 높이는 '도구'로서 존재해야 한다는 인간 중심의 기술 철학."
|
||||
@@ -26,6 +26,6 @@ AI 휴머니즘(AI Humanism)은 인공지능 기술의 정점에 '인간의 존
|
||||
- **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.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Ethics & AI]], [[AI for Social Good]], [[Universal Basic Income (UBI)]], [[Aesthetic-Value]], [[Victimhood-Narratives]]
|
||||
- [[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.
|
||||
---
|
||||
|
||||
@@ -1,12 +1,12 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-AILI-001
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-AILI-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.95
|
||||
tags: [auto-reinforced, ai-literacy, education, digital-competence, critical-thinking, future-skills]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[AI Literacy]]
|
||||
# [[AI Literacy|AI Literacy]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "AI 시대를 살아가는 생존 근육: AI의 작동 원리를 이해하고, 결과의 진위를 판단하며, 생활과 업무에서 AI를 도구로 활용해 가치를 창출할 수 있는 필수적인 문해력."
|
||||
@@ -18,15 +18,15 @@ AI 리터러시(AI Literacy)는 단순히 AI를 사용하는 기술을 넘어, A
|
||||
* **Understanding**: 데이터, 알고리즘, 모델링의 기본 원리 파악.
|
||||
* **Utilization**: 프롬프트 엔지니어링이나 에이전트 활용을 통한 문제 해결 능력.
|
||||
* **Evaluation**: AI의 답변이 편향되거나 허위 정보(Hallucination)가 아닌지 검증.
|
||||
* **Ethical [[Reflection]]**: AI 사용 시 발생할 수 있는 보안, 저작권, 윤리 문제 인지.
|
||||
* **Ethical [[Reflection|Reflection]]**: AI 사용 시 발생할 수 있는 보안, 저작권, 윤리 문제 인지.
|
||||
2. **왜 중요한가?**:
|
||||
* 지식 정보의 비대칭성을 해소하고, AI가 가져올 일자리의 변화에 적응하기 위한 기초 체력임. ([[Adaptability]]와 연결)
|
||||
* 지식 정보의 비대칭성을 해소하고, AI가 가져올 일자리의 변화에 적응하기 위한 기초 체력임. ([[Adaptability|Adaptability]]와 연결)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **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.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Adaptability]], [[Prompt-Engineering]]-Strategies, [[Ethics & AI]], [[AI for Social Good]], Vocational-Training
|
||||
- [[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.
|
||||
---
|
||||
|
||||
@@ -1,8 +1,8 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AI-SAFETY
|
||||
id: [[P-Reinforce|P-Reinforce]]-AI-SAFETY
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.0
|
||||
tags: [[[AI Safety]], [[Alignment]], Risk [[Management]], AI Ethics]
|
||||
tags: [[AI Safety|[AI Safety]], [[Alignment|Alignment]], Risk [[Management|Management]], AI Ethics]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
@@ -12,9 +12,9 @@ last_reinforced: 2026-04-20
|
||||
> "브레이크 없는 기차는 재앙이다." 인간보다 강력한 지능이 탄생했을 때, 그 지능이 인간의 목표와 문명을 파괴하지 않도록 기술적/방어적 보호막을 구축하는 가장 시급한 연구 분야다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **[[Robustness]]**:
|
||||
- **[[Robustness|Robustness]]**:
|
||||
- 적대적 공격(Adversarial Attack)이나 처음 보는 돌발 상황에서도 AI가 오작동하지 않고 안전하게 관리되는 성질.
|
||||
- **[[Interpretability]]**:
|
||||
- **[[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.
|
||||
@@ -23,5 +23,5 @@ last_reinforced: 2026-04-20
|
||||
- AI 안전은 종종 모델의 성능 발전을 늦춘다는 비판을 받는다. 그러나 최근 연구에 따르면, 안전하게 설계된 모델(Aligned model)이 정제된 사고 능력 덕분에 실제 실무 성능도 더 높게 나타나는 '보안-성능 시너지'가 확인되고 있다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[AI-Alignment]] , AI-Governance
|
||||
- [[Strategy]]: [[Reliability_Safety_First]]
|
||||
- Related: [[AI-Alignment|AI-Alignment]] , AI-Governance
|
||||
- [[Strategy|Strategy]]: [[Reliability_Safety_First|Reliability_Safety_First]]
|
||||
|
||||
@@ -1,12 +1,12 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-AISA-001
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-AISA-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.99
|
||||
tags: [auto-reinforced, ai-safety, [[Alignment]], existential-risk, [[Robustness]], evaluation]
|
||||
tags: [auto-reinforced, ai-safety, [[Alignment|Alignment]], existential-risk, [[Robustness|Robustness]], evaluation]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[AI Safety]]
|
||||
# [[AI Safety|AI Safety]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "지능의 고비를 넘는 안전장치: AI가 인간의 의도를 오해하거나 예측 불가능하게 행동하여 신체적, 정신적, 사회적 피해를 입히지 않도록 연구하는 기술적 보안 및 예방 체계."
|
||||
@@ -26,6 +26,6 @@ AI 안전(AI Safety)은 AI 시스템이 설계된 목표 내에서만 안전하
|
||||
- **정책 변화(RL Update)**: 단순히 기술적 안전을 넘어, 사회적 가치와 공존하는지 검증하는 '거버넌스 연계형 AI 안전 정책'이 글로벌 안전 서밋(UK AI Safety Summit 등)의 핵심 의제가 됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Alignment]], [[AI Governance]], [[Safety & Reliability]], [[Generative-AI]]-Safety, [[Ethics & AI]]
|
||||
- **Modern Tech/Tools**: RLHF (Reinforcement Learning from Human Feedback), Jailbreak [[Testing]], Model evaluation suites.
|
||||
- [[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.
|
||||
---
|
||||
|
||||
@@ -1,12 +1,12 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-AINR-001
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-AINR-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.94
|
||||
tags: [auto-reinforced, ai-narrative, storytelling, [[Generative-AI]], interactive-media, literature]
|
||||
tags: [auto-reinforced, ai-narrative, storytelling, [[Generative-AI|Generative-AI]], interactive-media, literature]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[AI and Narrative]]
|
||||
# [[AI and Narrative|AI and Narrative]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "기계와 엮어가는 이야기: 인간 고유의 영역이었던 서사 구조를 AI가 학습하여 새로운 플롯을 제안하거나, 사용자와 실시간으로 상호작용하며 매번 다른 이야기를 창조하는 무한한 스토리텔링의 가능성."
|
||||
@@ -16,7 +16,7 @@ AI와 서사(AI and Narrative)는 인공지능 기술이 문학, 영화, 게임
|
||||
|
||||
1. **AI의 서사적 역할**:
|
||||
* **Generative Author**: 프롬프트를 바탕으로 소설, 시나리오, 시 등 텍스트 서사 생성.
|
||||
* **Structure Analyzer**: 수만 권의 책을 분석하여 '영웅의 여정'과 같은 성공적인 서사 패턴 추출 및 적용. ([[Structuralism]]과 연결)
|
||||
* **Structure Analyzer**: 수만 권의 책을 분석하여 '영웅의 여정'과 같은 성공적인 서사 패턴 추출 및 적용. ([[Structuralism|Structuralism]]과 연결)
|
||||
* **Dynamic Storyteller**: 사용자의 선택에 따라 세계관과 인물의 반응이 실시간으로 변하는 인터랙티브 서사 구현.
|
||||
2. **기술적 구현**:
|
||||
* LLM의 문맥 유지 능력(Context Window)을 통해 일관성 있는 복합 서사 유지.
|
||||
@@ -29,6 +29,6 @@ AI와 서사(AI and Narrative)는 인공지능 기술이 문학, 영화, 게임
|
||||
- **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.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Role of Conflict in Narrative]], [[Structuralism]], [[Aesthetic-Value]], Foundational Models, [[Ps-Reinforce]]
|
||||
- [[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.
|
||||
---
|
||||
|
||||
@@ -1,12 +1,12 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-AIFG-001
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-AIFG-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.95
|
||||
tags: [auto-reinforced, ai4good, social-impact, [[Sustainability]], humanitarian-ai, global-[[goals]]]
|
||||
tags: [auto-reinforced, ai4good, social-impact, [[Sustainability|Sustainability]], humanitarian-ai, global-goals]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[AI for Social Good]]
|
||||
# [[AI for Social Good|AI for Social Good]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "선한 영향력의 지능적 확장: 기술적 우위를 단순히 수익 창출에만 쓰지 않고, 기후 변화, 질병 퇴치, 교육 격차 해소 등 인류가 직면한 거대 난제를 해결하는 데 집중하는 따뜻한 AI."
|
||||
@@ -28,6 +28,6 @@ last_reinforced: 2026-04-20
|
||||
- **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.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Wicked-Problems]], [[AI & Data Sovereignty]], [[Universal Basic Income (UBI)]], Foundational Models, [[Scientific Communication]]
|
||||
- [[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.
|
||||
---
|
||||
|
||||
@@ -1,8 +1,8 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AI-GOV-POLICY
|
||||
id: [[P-Reinforce|P-Reinforce]]-AI-GOV-POLICY
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.99
|
||||
tags: [[[AI Governance]], Policy, Compliance, Risk [[Management]]]
|
||||
tags: [[AI Governance|[AI Governance]], Policy, Compliance, Risk [[Management|Management]]]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
@@ -23,5 +23,5 @@ last_reinforced: 2026-04-20
|
||||
- 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]] , AI-Ethics
|
||||
- Authority: [[Deployment_Final_Gate]]
|
||||
- Related: [[Security-Governance|Security-Governance]] , AI-Ethics
|
||||
- Authority: [[Deployment_Final_Gate|Deployment_Final_Gate]]
|
||||
|
||||
@@ -1,5 +1,5 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-254BE9
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-254BE9
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
@@ -7,10 +7,10 @@ last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - AI 생성 코드 검증(AI Code Assurance)"
|
||||
---
|
||||
|
||||
# [[AI 생성 코드 검증(AI Code Assurance)]]
|
||||
# [[AI 생성 코드 검증(AI Code Assurance)|AI 생성 코드 검증(AI Code Assurance)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> AI Code Assurance(AI 생성 코드 검증)는 AI가 생성하거나 지원한 코드로 인해 발생할 수 있는 고유한 품질 및 보안 위험을 해결하기 위해 설계된 워크플로우이자 검증 프로세스입니다 [1]. 이를 통해 조직은 AI가 작성한 코드가 프로덕션 환경에 배포되기 전에 엄격한 보안, 신뢰성 및 품질 표준을 충족하는지 확인할 수 있습니다 [1, 2]. 주로 정적 애플리케이션 보안 테스트([[SAST]])와 자동화된 코드 리뷰를 활용하여 결함과 취약점을 조기에 식별하고 일관된 표준을 강제합니다 [2, 3].
|
||||
> AI Code Assurance(AI 생성 코드 검증)는 AI가 생성하거나 지원한 코드로 인해 발생할 수 있는 고유한 품질 및 보안 위험을 해결하기 위해 설계된 워크플로우이자 검증 프로세스입니다 [1]. 이를 통해 조직은 AI가 작성한 코드가 프로덕션 환경에 배포되기 전에 엄격한 보안, 신뢰성 및 품질 표준을 충족하는지 확인할 수 있습니다 [1, 2]. 주로 정적 애플리케이션 보안 테스트([[SAST|SAST]])와 자동화된 코드 리뷰를 활용하여 결함과 취약점을 조기에 식별하고 일관된 표준을 강제합니다 [2, 3].
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **목적 및 필요성**
|
||||
@@ -18,7 +18,7 @@ github_commit: "[P-Reinforce] Continuous Worker - AI 생성 코드 검증(AI Cod
|
||||
|
||||
- **주요 기능 및 작동 방식**
|
||||
- **AI 코드 감지 및 추적:** 시스템은 프로젝트 내에 AI 생성 코드가 존재함을 자동으로 감지하거나 개발자가 직접 태그를 지정할 수 있게 합니다 [3]. 이를 통해 명확한 라벨링과 배지를 부여하여 AI 코드의 관리, 유지보수 및 규정 준수 모니터링을 간소화합니다 [3].
|
||||
- **정적 코드 분석(SAST) 적용:** 결정론적(deterministic)이고 독립적인 코드 검증 방식인 정적 코드 분석과 오염 분석(Taint [[Analysis]])을 사용하여 코드를 스캔합니다 [4, 6]. 이를 통해 보안 취약점, 유출된 비밀 정보, 코드 냄새(Code smells), 논리적 결함 및 성능 위험을 풀 리퀘스트(Pull Request) 단계에서 조기에 표면화합니다 [4, 6, 7].
|
||||
- **정적 코드 분석(SAST) 적용:** 결정론적(deterministic)이고 독립적인 코드 검증 방식인 정적 코드 분석과 오염 분석(Taint [[Analysis|Analysis]])을 사용하여 코드를 스캔합니다 [4, 6]. 이를 통해 보안 취약점, 유출된 비밀 정보, 코드 냄새(Code smells), 논리적 결함 및 성능 위험을 풀 리퀘스트(Pull Request) 단계에서 조기에 표면화합니다 [4, 6, 7].
|
||||
- **워크플로우 및 에이전트 통합:** IDE부터 CI/CD 파이프라인에 이르기까지 기존 개발 워크플로우에 원활하게 통합됩니다 [6, 8]. 특히, MCP(Model Context Protocol)를 통해 Cursor, Claude Code, Windsurf와 같은 AI 코딩 에이전트와 직접 연결되어, 코드가 생성되는 실시간 대화 흐름 속에서 보안 핫스팟 분석 및 피드백을 제공합니다 [4, 8, 9].
|
||||
|
||||
- **기대 효과**
|
||||
@@ -29,8 +29,8 @@ github_commit: "[P-Reinforce] Continuous Worker - AI 생성 코드 검증(AI Cod
|
||||
- **정책 변화:** AI 분야의 자동 자산화 수행.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Related Topics:** [[Static Application Security [[Testing]] (SAST)]], [[Model Context Protocol (MCP)]], Automated [[Code Review]]
|
||||
- **Projects/Contexts:** [[SonarQube]] Server, SonarQube Cloud
|
||||
- **Related Topics:** Static Application Security Testing (SAST), [[Model Context Protocol (MCP)|Model Context Protocol (MCP)]], Automated [[Code Review|Code Review]]
|
||||
- **Projects/Contexts:** [[SonarQube|SonarQube]] Server, SonarQube Cloud
|
||||
- **Contradictions/Notes:** 소스에 따르면 AI 어시스턴트가 생성하는 코드는 본질적으로 일관성이 없고 예측하기 어려울 수 있지만, 이에 적용되는 정적 코드 분석 기술은 '결정론적(deterministic)'이므로 AI 코드의 불확실성을 극복하고 신뢰할 수 있는 독립적인 검증을 제공할 수 있다고 강조합니다 [4].
|
||||
|
||||
---
|
||||
|
||||
@@ -1,27 +1,27 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AI-AGENT
|
||||
id: [[P-Reinforce|P-Reinforce]]-AI-AGENT
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.0
|
||||
tags: [AI Agent, Autonomy, Planning, [[Reasoning]], Action]
|
||||
tags: [AI Agent, Autonomy, Planning, [[Reasoning|Reasoning]], Action]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# AI-에이전트-(AI-Agent)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "단순한 계산기에서 자율적인 일꾼으로." 스스로 목표를 설정하고, 계획을 세우며, 도구([[Browser]], Terminal 등)를 사용하여 주어진 과업을 끝까지 완수하는 자율적 지능체다.
|
||||
> "단순한 계산기에서 자율적인 일꾼으로." 스스로 목표를 설정하고, 계획을 세우며, 도구([[Browser|Browser]], Terminal 등)를 사용하여 주어진 과업을 끝까지 완수하는 자율적 지능체다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Planning & Reasoning**:
|
||||
- 거대 언어 모델(LLM)을 두뇌로 삼아 복잡한 문제를 작은 단계로 분해(Chain-of-Thought)하고 전략을 수립한다.
|
||||
- **Action & Tool Use**:
|
||||
- API 호출, 웹 검색, 코드 실행 등 외부 환경과 상호작용할 수 있는 인터페이스를 통해 실제 세계에 변화를 일으킨다.
|
||||
- **[[memory]] [[Management]]**:
|
||||
- **[[memory|memory]] [[Management|Management]]**:
|
||||
- 대화의 맥락(Short-term)과 과거 지식(Long-term)을 RAG나 체크포인트 형태로 유지하여 일관된 수행 능력을 보유한다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 현재의 에이전트는 '무한 루프'나 '환각'에 빠질 위험이 크다. 이를 극복하기 위해 에이전트가 자신의 결과물을 스스로 검토하는 '[[Self-Correction]]' 루프와, 인간이 중간에 개입하는 'Human-in-the-loop' 설계가 필수적이다.
|
||||
- 현재의 에이전트는 '무한 루프'나 '환각'에 빠질 위험이 크다. 이를 극복하기 위해 에이전트가 자신의 결과물을 스스로 검토하는 'Self-Correction' 루프와, 인간이 중간에 개입하는 'Human-in-the-loop' 설계가 필수적이다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Multi-agent-System]]-(다중-에이전트-시스템) , Agent-Communication-Protocol-(에이전트-통신-규약)
|
||||
- Deployment: [[Deployment_Final_Gate]]
|
||||
- Related: [[Multi-agent-System|Multi-agent-System]]-(다중-에이전트-시스템) , Agent-Communication-Protocol-(에이전트-통신-규약)
|
||||
- Deployment: [[Deployment_Final_Gate|Deployment_Final_Gate]]
|
||||
|
||||
@@ -1,4 +1,4 @@
|
||||
# [[AI 이미지 생성 워크플로우 (AI Image Generation Workflow)]]
|
||||
# [[AI 이미지 생성 워크플로우 (AI Image Generation Workflow)|AI 이미지 생성 워크플로우 (AI Image Generation Workflow)]]
|
||||
|
||||
## 📌 Brief Summary
|
||||
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].
|
||||
@@ -17,8 +17,8 @@ AI 이미지 생성 워크플로우는 창작자가 텍스트 프롬프트를
|
||||
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].
|
||||
|
||||
## 🔗 Knowledge Connections
|
||||
- **Related Topics:** [[프롬프트 엔지니어링 (Prompt Engineering)]], [[부정 프롬프트 (Negative Prompt)]], [[인페인팅 및 아웃페인팅 (Inpainting and Outpainting)]], [[프롬프트 가중치 (Prompt Weights)]]
|
||||
- **Projects/Contexts:** [[미드저니 V7 드래프트 모드 (Midjourney V7 Draft Mode)]], [[DALL-E 3와 ChatGPT 통합 워크플로우]]
|
||||
- **Related Topics:** [[프롬프트 엔지니어링 (Prompt Engineering)|프롬프트 엔지니어링 (Prompt Engineering)]], [[부정 프롬프트 (Negative Prompt)|부정 프롬프트 (Negative Prompt)]], [[인페인팅 및 아웃페인팅 (Inpainting and Outpainting)|인페인팅 및 아웃페인팅 (Inpainting and Outpainting)]], [[프롬프트 가중치 (Prompt Weights)|프롬프트 가중치 (Prompt Weights)]]
|
||||
- **Projects/Contexts:** 미드저니 V7 드래프트 모드 (Midjourney V7 Draft Mode), DALL-E 3와 ChatGPT 통합 워크플로우
|
||||
- **Contradictions/Notes:** 부정 프롬프트 사용과 관련하여, Stable Diffusion에서는 원치 않는 요소를 배제하고 이미지 품질을 높이기 위한 필수적이고 강력한 도구로 활용되지만 [21, 24, 35], DALL-E 3 모델은 "No", "Without"과 같은 부정 지시어를 잘 처리하지 못하고 오히려 해당 요소를 생성해버리는 경향이 있어 긍정형 문장 위주로 프롬프트를 구성해야 한다는 기술적 차이점이 있다 [16, 36, 37].
|
||||
|
||||
---
|
||||
|
||||
@@ -1,4 +1,4 @@
|
||||
# [[AI 이미지 품질 최적화 및 디버깅 (Image Quality Optimization & Debugging)]]
|
||||
# [[AI 이미지 품질 최적화 및 디버깅 (Image Quality Optimization & Debugging)|AI 이미지 품질 최적화 및 디버깅 (Image Quality Optimization & Debugging)]]
|
||||
|
||||
## 📌 Brief 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.
|
||||
@@ -20,8 +20,8 @@ AI 이미지 생성에서 품질 최적화 및 디버깅은 프롬프트 매개
|
||||
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
|
||||
- **Related Topics:** [[네거티브 프롬프트 (Negative Prompt)]], [[반복적 정교화 (Iterative Refinement)]], [[인페인팅 (Inpainting)]], [[가중치 제어 (Prompt Weighting)]]
|
||||
- **Projects/Contexts:** [[Midjourney Vary Region 기능]], [[Stable Diffusion Syntax Troubleshooting]], [[DALL-E 3 Text Insertion Bug]]
|
||||
- **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].
|
||||
|
||||
---
|
||||
|
||||
@@ -1,26 +1,26 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-4DB2F8
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-4DB2F8
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - AI 코드 리뷰 및 보안 취약점 점검([[DevSecOps]])"
|
||||
github_commit: "[P-Reinforce] Continuous Worker - AI 코드 리뷰 및 보안 취약점 점검([[DevSecOps|DevSecOps]])"
|
||||
---
|
||||
|
||||
# [[AI 코드 리뷰 및 보안 취약점 점검(DevSecOps)]]
|
||||
# [[AI 코드 리뷰 및 보안 취약점 점검(DevSecOps)|AI 코드 리뷰 및 보안 취약점 점검(DevSecOps)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> AI 코드 리뷰 및 보안 취약점 점검(DevSecOps)은 소프트웨어 개발 수명 주기(SDLC)의 초기 단계에 AI 기반의 자동화된 정적 분석([[SAST]])과 인간의 수동 리뷰를 결합하여 코드의 품질과 보안을 선제적으로 확보하는 프로세스입니다 [1, 2]. 개발자는 IDE 내부나 CI/CD 파이프라인의 Pull Request(PR) 단계에서 실시간으로 버그, 로직 결함, 보안 취약점(예: 인젝션, 민감 정보 노출)을 식별하고 수정할 수 있습니다 [3-6]. 결과적으로 기계적이고 반복적인 코드 스타일 검사 및 패턴 기반 취약점 탐지는 AI에 위임하고, 인간은 아키텍처 결정이나 도메인 종속적인 비즈니스 로직을 검토하는 '하이브리드' 방식을 통해 개발 속도와 보안성의 균형을 맞춥니다 [2, 7, 8].
|
||||
> AI 코드 리뷰 및 보안 취약점 점검(DevSecOps)은 소프트웨어 개발 수명 주기(SDLC)의 초기 단계에 AI 기반의 자동화된 정적 분석([[SAST|SAST]])과 인간의 수동 리뷰를 결합하여 코드의 품질과 보안을 선제적으로 확보하는 프로세스입니다 [1, 2]. 개발자는 IDE 내부나 CI/CD 파이프라인의 Pull Request(PR) 단계에서 실시간으로 버그, 로직 결함, 보안 취약점(예: 인젝션, 민감 정보 노출)을 식별하고 수정할 수 있습니다 [3-6]. 결과적으로 기계적이고 반복적인 코드 스타일 검사 및 패턴 기반 취약점 탐지는 AI에 위임하고, 인간은 아키텍처 결정이나 도메인 종속적인 비즈니스 로직을 검토하는 '하이브리드' 방식을 통해 개발 속도와 보안성의 균형을 맞춥니다 [2, 7, 8].
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
* **하이브리드 코드 리뷰 모델의 부상**
|
||||
2025년 기준 가장 이상적이고 안전한 코드 리뷰 방식은 자동화 도구와 인간의 통찰력을 결합한 하이브리드 모델입니다 [2]. 자동화된 리뷰 도구는 수천 줄의 코드를 단 몇 분 만에 스캔하여 문법 오류, 알려진 보안 취약점 패턴, 코드 스타일 위반 등을 일관성 있게 찾아냅니다 [6, 9]. 하지만 이러한 도구들은 시스템의 의도나 비즈니스 로직을 이해하는 데 한계가 있습니다 [10]. 따라서 자동화 스캔을 1차 방어선으로 사용하여 일상적인 문제를 해결하고, 고위험 아키텍처, 인증 로직, 교차 서비스 통신 및 비즈니스 규칙 검증과 같은 복잡한 판단은 숙련된 개발자의 수동 리뷰를 통해 진행해야 합니다 [11-14].
|
||||
|
||||
* **AI 기반 정적 애플리케이션 보안 테스트(SAST)**
|
||||
전통적인 SAST 도구는 규칙과 패턴 매칭에 의존하여 높은 오탐률(False Positive)과 알림 피로도를 유발했습니다 [10, 15, 16]. 그러나 Snyk Code, [[Corgea]], GitHub Advanced Security와 같은 최신 AI 네이티브 SAST 도구들은 머신러닝과 대규모 언어 모델(LLM)을 결합하여 코드의 문맥(Semantic)을 파악합니다 [17-20]. 이 도구들은 오염 분석(Taint [[Analysis]])과 도달 가능성(Reachability)을 분석해 파일 간 데이터를 추적하며 실제 악용 가능한 위협만을 효과적으로 필터링합니다 [19, 21, 22]. 또한 Copilot Autofix나 [[DeepCode AI]] Fix처럼 발견된 취약점에 대해 검증된 수정안(Remediation)을 PR 단계에서 자동으로 제안하여 리뷰 시간을 대폭 단축시킵니다 [23-25].
|
||||
전통적인 SAST 도구는 규칙과 패턴 매칭에 의존하여 높은 오탐률(False Positive)과 알림 피로도를 유발했습니다 [10, 15, 16]. 그러나 Snyk Code, [[Corgea|Corgea]], GitHub Advanced Security와 같은 최신 AI 네이티브 SAST 도구들은 머신러닝과 대규모 언어 모델(LLM)을 결합하여 코드의 문맥(Semantic)을 파악합니다 [17-20]. 이 도구들은 오염 분석(Taint [[Analysis|Analysis]])과 도달 가능성(Reachability)을 분석해 파일 간 데이터를 추적하며 실제 악용 가능한 위협만을 효과적으로 필터링합니다 [19, 21, 22]. 또한 Copilot Autofix나 [[DeepCode AI|DeepCode AI]] Fix처럼 발견된 취약점에 대해 검증된 수정안(Remediation)을 PR 단계에서 자동으로 제안하여 리뷰 시간을 대폭 단축시킵니다 [23-25].
|
||||
|
||||
* **시프트 레프트([[Shift]]-Left)와 파이프라인 자동화**
|
||||
DevSecOps의 핵심은 소프트웨어 병합 및 배포 전에 보안 및 품질 문제를 원천 차단하는 시프트 레프트 전략입니다 [1, 26]. [[Husky]]와 [[lint-staged]] 등의 도구를 활용해 Git 사전 커밋(Pre-commit) 훅을 설정하면, 변경된 파일에 대해서만 [[ESLint]](로직/품질)와 [[Prettier]](포맷팅)를 강제 적용할 수 있습니다 [27-29]. 이후 CI/CD 파이프라인 내에 SAST 및 소프트웨어 구성 분석(SCA) 도구를 통합하여 임계치 이상의 치명적 취약점이 포함된 코드는 메인 브랜치로 병합되지 못하도록 '품질 게이트' 역할을 수행하게 합니다 [30, 31].
|
||||
* **시프트 레프트([[Shift|Shift]]-Left)와 파이프라인 자동화**
|
||||
DevSecOps의 핵심은 소프트웨어 병합 및 배포 전에 보안 및 품질 문제를 원천 차단하는 시프트 레프트 전략입니다 [1, 26]. [[Husky|Husky]]와 [[lint-staged|lint-staged]] 등의 도구를 활용해 Git 사전 커밋(Pre-commit) 훅을 설정하면, 변경된 파일에 대해서만 [[ESLint|ESLint]](로직/품질)와 [[Prettier|Prettier]](포맷팅)를 강제 적용할 수 있습니다 [27-29]. 이후 CI/CD 파이프라인 내에 SAST 및 소프트웨어 구성 분석(SCA) 도구를 통합하여 임계치 이상의 치명적 취약점이 포함된 코드는 메인 브랜치로 병합되지 못하도록 '품질 게이트' 역할을 수행하게 합니다 [30, 31].
|
||||
|
||||
* **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].
|
||||
@@ -30,7 +30,7 @@ github_commit: "[P-Reinforce] Continuous Worker - AI 코드 리뷰 및 보안
|
||||
- **정책 변화:** AI 분야의 자동 자산화 수행.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Related Topics:** [[정적 애플리케이션 보안 테스트(SAST)]], [[시프트 레프트(Shift-Left)]], [[하이브리드 코드 리뷰]]
|
||||
- **Related Topics:** [[정적 애플리케이션 보안 테스트(SAST)|정적 애플리케이션 보안 테스트(SAST)]], [[시프트 레프트(Shift-Left)|시프트 레프트(Shift-Left)]], [[하이브리드 코드 리뷰|하이브리드 코드 리뷰]]
|
||||
- **Projects/Contexts:** CI/CD 파이프라인 통합 및 Git 훅(Hooks)
|
||||
- **Contradictions/Notes:** 자동화 도구를 적극적으로 옹호하는 입장에서는 AI 기반 코드 리뷰와 수정안 자동 생성 기능이 개발자의 업무를 크게 대체하고 생산성을 극대화한다고 주장하지만, 보안 전문가 및 실제 성능 벤치마크 결과(Augment Code 등)에 따르면 자동화 도구는 여전히 30~60%의 오탐률을 보이며 실제 취약점의 약 22%를 놓치는 근본적 사각지대가 존재하므로, 아키텍처 설계와 비즈니스 로직에는 기계가 아닌 인간의 수동 판단이 필수 불가결하다고 반박합니다.
|
||||
|
||||
|
||||
@@ -1,5 +1,5 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-76F9E4
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-76F9E4
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
@@ -7,13 +7,13 @@ last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - AI 코드 리뷰"
|
||||
---
|
||||
|
||||
# [[AI 코드 리뷰]]
|
||||
# [[AI 코드 리뷰|AI 코드 리뷰]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> AI 코드 리뷰는 인공지능 에이전트나 머신러닝(ML) 기반의 정적 분석 도구([[SAST]])를 활용하여 소스 코드의 결함, 보안 취약점, 스타일 위반 및 로직 오류를 식별하는 자동화 프로세스입니다 [1-3]. IDE, CI/CD 파이프라인, 풀 리퀘스트(PR) 등 개발 워크플로우에 통합되어 개발자에게 실시간에 가까운 피드백과 자동 수정(Auto-fix) 제안을 제공합니다 [2, 4-8]. 이를 통해 코드 리뷰의 대기 시간을 줄이고 일관된 품질 표준을 강제할 수 있지만, 아키텍처 의도나 비즈니스 로직의 문맥을 깊이 이해하는 데는 한계가 있어 인간 검토자와의 하이브리드 접근 방식이 필수적으로 요구됩니다 [5, 9-12].
|
||||
> AI 코드 리뷰는 인공지능 에이전트나 머신러닝(ML) 기반의 정적 분석 도구([[SAST|SAST]])를 활용하여 소스 코드의 결함, 보안 취약점, 스타일 위반 및 로직 오류를 식별하는 자동화 프로세스입니다 [1-3]. IDE, CI/CD 파이프라인, 풀 리퀘스트(PR) 등 개발 워크플로우에 통합되어 개발자에게 실시간에 가까운 피드백과 자동 수정(Auto-fix) 제안을 제공합니다 [2, 4-8]. 이를 통해 코드 리뷰의 대기 시간을 줄이고 일관된 품질 표준을 강제할 수 있지만, 아키텍처 의도나 비즈니스 로직의 문맥을 깊이 이해하는 데는 한계가 있어 인간 검토자와의 하이브리드 접근 방식이 필수적으로 요구됩니다 [5, 9-12].
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **작동 방식 및 주요 기술**: 기존의 규칙 기반 정적 분석에 머신러닝(ML), 대규모 언어 모델(LLM) 등을 결합하여 코드의 문맥, 데이터 흐름(Data flow), 오염 추적(Taint [[Analysis]]) 등을 시맨틱하게 분석합니다 [4, 13-18].
|
||||
- **작동 방식 및 주요 기술**: 기존의 규칙 기반 정적 분석에 머신러닝(ML), 대규모 언어 모델(LLM) 등을 결합하여 코드의 문맥, 데이터 흐름(Data flow), 오염 추적(Taint [[Analysis|Analysis]]) 등을 시맨틱하게 분석합니다 [4, 13-18].
|
||||
- **주요 이점**: 대규모 코드베이스를 단 몇 초에서 몇 분 안에 스캔하여 보안 취약점과 버그를 조기에 발견합니다 [19, 20]. 시니어 검토자의 큐(Queue)에서 저위험군 코멘트를 제거하여 PR 검토 주기를 최대 40%까지 단축시키며, 결과적으로 인간 검토자가 아키텍처 설계와 비즈니스 로직에 집중할 수 있도록 돕습니다 [5, 11, 19].
|
||||
- **한계점 및 위험성**: AI는 코드의 전반적인 아키텍처 의도나 비즈니스 로직을 완벽히 이해하지 못하는 '문맥 맹점(Context Blindness)'을 지닙니다 [12, 21, 22]. 또한, 오탐지(False Positives)를 발생시키거나 환각(Hallucination)에 의한 잘못된 수정안을 제안할 위험이 존재하며, 검토자가 AI를 맹신하여 비판적 사고가 저하되는 '녹색 체크 표시 증후군(Green Check Mark Syndrome)'을 초래할 수 있습니다 [12, 23-25].
|
||||
- **하이브리드 리뷰 모델 및 거버넌스**: 2025년 이후의 현대 소프트웨어 개발에서는 AI 자동화 리뷰와 인간의 수동 리뷰를 결합한 '하이브리드(Hybrid) 리뷰'가 모범 사례로 꼽힙니다 [9-11, 26-28]. 일반적인 취약점 패턴이나 문법 등 기계적인 검증은 AI 도구에 맡기고, 도메인 특화 비즈니스 로직이나 교차 서비스 영향도 평가는 인간이 담당해야 합니다 [28, 29]. 아울러 지적 재산(IP) 유출 방지와 보안을 위해 "인간 개입(Human-in-the-Loop)"을 의무화하는 명확한 AI 사용 정책(Governance) 수립이 필수적입니다 [30-34].
|
||||
@@ -23,9 +23,9 @@ github_commit: "[P-Reinforce] Continuous Worker - AI 코드 리뷰"
|
||||
- **정책 변화:** AI 분야의 자동 자산화 수행.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Related Topics:** [[SAST]], 풀 리퀘스트(Pull Request), [[DevSecOps]]
|
||||
- **Projects/Contexts:** [[SonarQube]], Snyk Code, GitHub Advanced Security, [[Corgea]]
|
||||
- **Contradictions/Notes:** AI 코드 리뷰 도구의 도입만으로는 배포 성능이나 품질이 보장되지 않는다는 점에 유의해야 합니다. 맹목적인 도구 도입과 높은 AI 사용률에도 불구하고 실제 PR 처리 시간이나 재작업 비율은 개선되지 않을 수 있으므로, 결과(DORA 지표 등)에 기반한 관리가 중요합니다 [35-37]. 또한 일부 AI 네이티브 도구들은 오탐률을 혁신적으로 줄였다고 주장하지만(예: [[Corgea]] 5% 미만, Veracode 1.1% 미만), 근본적으로 어떠한 도구도 오탐을 완벽히 제거할 수는 없으므로 인간의 검토와 검증 과정이 반드시 수반되어야 합니다 [38-40].
|
||||
- **Related Topics:** [[SAST|SAST]], 풀 리퀘스트(Pull Request), [[DevSecOps|DevSecOps]]
|
||||
- **Projects/Contexts:** [[SonarQube|SonarQube]], Snyk Code, GitHub Advanced Security, [[Corgea|Corgea]]
|
||||
- **Contradictions/Notes:** AI 코드 리뷰 도구의 도입만으로는 배포 성능이나 품질이 보장되지 않는다는 점에 유의해야 합니다. 맹목적인 도구 도입과 높은 AI 사용률에도 불구하고 실제 PR 처리 시간이나 재작업 비율은 개선되지 않을 수 있으므로, 결과(DORA 지표 등)에 기반한 관리가 중요합니다 [35-37]. 또한 일부 AI 네이티브 도구들은 오탐률을 혁신적으로 줄였다고 주장하지만(예: [[Corgea|Corgea]] 5% 미만, Veracode 1.1% 미만), 근본적으로 어떠한 도구도 오탐을 완벽히 제거할 수는 없으므로 인간의 검토와 검증 과정이 반드시 수반되어야 합니다 [38-40].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-19*
|
||||
|
||||
@@ -2,7 +2,7 @@
|
||||
id: ALIGN-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.0
|
||||
tags: [ai-safety, [[Alignment]], rlhf, ai-ethics, [[Trustworthy-AI]]]
|
||||
tags: [ai-safety, [[Alignment|Alignment]], rlhf, ai-ethics, [[Trustworthy-AI|Trustworthy-AI]]]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
@@ -24,5 +24,5 @@ last_reinforced: 2026-04-26
|
||||
- **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]], [[Trustworthy-AI]], AI-Safety, [[AGI]]
|
||||
- [[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
|
||||
|
||||
@@ -2,22 +2,22 @@
|
||||
id: MKT-AEO-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.0
|
||||
tags: [aeo, geo, seo, [[Generative-AI]], chatgpt, [[Search]]-generative-experience, structured-data, ssr]
|
||||
tags: [aeo, geo, seo, [[Generative-AI|Generative-AI]], chatgpt, [[Search|Search]]-generative-experience, structured-data, ssr]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# AI Answer Engine [[Optimization]] (AEO, AI 답변 엔진 최적화)
|
||||
# AI Answer Engine [[Optimization|Optimization]] (AEO, AI 답변 엔진 최적화)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "전통적인 검색창의 '목록'에 머물지 말고, 생성형 AI의 '입(답변)'이 되어 브랜드의 가시성을 인용구(Citation)라는 새로운 권력으로 재편하라" — AI 답변 엔진과 챗봇이 웹 콘텐츠를 신뢰할 수 있는 출처로 채택하도록 최적화하는 차세대 검색 전략.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** "Crawlable Authority and Direct Answer Mapping" — 대규모 AI 크롤러가 [[JavaScript]] 실행 비용 없이도 콘텐츠를 즉시 합성할 수 있도록 '사전 렌더링된 HTML'과 '구조화된 데이터'를 제공하는 패턴.
|
||||
- **추출된 패턴:** "Crawlable Authority and Direct Answer Mapping" — 대규모 AI 크롤러가 [[JavaScript|JavaScript]] 실행 비용 없이도 콘텐츠를 즉시 합성할 수 있도록 '사전 렌더링된 HTML'과 '구조화된 데이터'를 제공하는 패턴.
|
||||
- **AEO 달성 핵심 전략:**
|
||||
- **JS Execution Wall 제거:** AI 봇(GPTBot 등)은 비용 문제로 JS를 실행하지 않는 경우가 많으므로, SSR/SSG를 통해 원본 HTML에 핵심 콘텐츠를 노출.
|
||||
- **Semantic Clarity:** `<main>`, `<article>` 태그를 활용해 AI가 핵심 내용과 주변 요소를 즉시 구분하도록 설계.
|
||||
- **JSON-LD [[Schema]] Markup:** 페이지의 실체(Entity)와 답변의 맥락을 머신러닝 모델이 오해 없이 이해하도록 명시적 신호 제공.
|
||||
- **Q&A [[Formatting]]:** 질문(H2)과 간결한 답변 구조를 통해 AI 오버뷰(SGE)에 직접 인용될 확률 극대화.
|
||||
- **JSON-LD [[Schema|Schema]] Markup:** 페이지의 실체(Entity)와 답변의 맥락을 머신러닝 모델이 오해 없이 이해하도록 명시적 신호 제공.
|
||||
- **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)
|
||||
|
||||
@@ -7,7 +7,7 @@ last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Batch 10 - Wikified AI-Driven Narrative Systems"
|
||||
---
|
||||
|
||||
# [[AI-Driven Narrative Systems]]
|
||||
# [[AI-Driven Narrative Systems|AI-Driven Narrative Systems]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 핵심 내용 요약 예정
|
||||
|
||||
@@ -2,7 +2,7 @@
|
||||
id: MKT-SGE-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.0
|
||||
tags: [sge, ai-overviews, google-[[Search]], aeo, citation, search-generative-experience, seo]
|
||||
tags: [sge, ai-overviews, google-[[Search|Search]], aeo, citation, search-generative-experience, seo]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
@@ -15,9 +15,9 @@ last_reinforced: 2026-04-26
|
||||
- **추출된 패턴:** "Structural Authority and Direct Citation Yield" — 복잡한 레이아웃 뒤에 숨겨진 정보가 아닌, 시각적 계층 구조가 명확하고 질문-답변 형식이 뚜렷한 콘텐츠를 AI가 즉시 합성(Synthesize)할 수 있도록 설계하는 패턴.
|
||||
- **노출 극대화 핵심 요소:**
|
||||
- **Visual Hierarchy:** 깔끔한 디자인과 명확한 제목 계층(H1-H3)을 통해 AI가 핵심 답변 구간을 오차 없이 식별하게 함.
|
||||
- **Direct Answer [[Formatting]]:** 명확한 질문 뒤에 즉각적이고 간결한 답변을 배치하는 구조를 선호함.
|
||||
- **[[Schema]].org Utilization:** JSON-LD를 통해 해당 섹션이 FAQ나 주요 설명임을 검색 엔진에 명시적으로 통지.
|
||||
- **Performance Prerequisite:** [[Core Web Vitals]](LCP, INP, CLS)를 통과하는 페이지가 AI 오버뷰에 채택될 확률이 유의미하게 높음.
|
||||
- **Direct Answer [[Formatting|Formatting]]:** 명확한 질문 뒤에 즉각적이고 간결한 답변을 배치하는 구조를 선호함.
|
||||
- **[[Schema|Schema]].org Utilization:** JSON-LD를 통해 해당 섹션이 FAQ나 주요 설명임을 검색 엔진에 명시적으로 통지.
|
||||
- **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)
|
||||
@@ -25,5 +25,5 @@ last_reinforced: 2026-04-26
|
||||
- **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]], Generative-Engine-[[Optimization]], [[Core-Web-Vitals]], Semantic-HTML, Structured-Data-Markup
|
||||
- [[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
|
||||
|
||||
@@ -2,7 +2,7 @@
|
||||
id: UX-AI-ADAPTIVE-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.0
|
||||
tags: [ux, ai, personalization, adaptive-ux, predictive-ux, [[Progressive-Disclosure]], user-engagement]
|
||||
tags: [ux, ai, personalization, adaptive-ux, predictive-ux, [[Progressive-Disclosure|Progressive-Disclosure]], user-engagement]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
@@ -14,7 +14,7 @@ last_reinforced: 2026-04-26
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** "Contextual Fluidity and Predictive Guidance" — 사용자의 과거 행동 데이터, 현재 세그먼트, 실시간 인터랙션을 분석하여 인터페이스의 구성 요소, 난이도, 기능을 동적으로 재구성하는 패턴.
|
||||
- **주요 구현 기법:**
|
||||
- **[[Adaptive Learning]] Paths:** 학습자의 성취도에 따라 콘텐츠의 난이도와 진행 경로를 실시간으로 조정.
|
||||
- **[[Adaptive_Learning|Adaptive Learning]] Paths:** 학습자의 성취도에 따라 콘텐츠의 난이도와 진행 경로를 실시간으로 조정.
|
||||
- **Progressive Disclosure:** 사용자의 숙련도나 역할에 따라 복잡한 기능을 단계적으로 노출하여 인지 과부하 방지.
|
||||
- **Predictive Interfaces:** 다음에 필요할 것으로 예측되는 버튼이나 정보를 미리 강조하거나 배치.
|
||||
- **의의:** '모두를 위한 하나의 디자인(One-size-fits-all)'에서 벗어나, 초개인화(Hyper-personalization)를 통해 이탈률을 낮추고 전환율 및 고객 생애 가치(LTV)를 극대화함.
|
||||
@@ -24,5 +24,5 @@ last_reinforced: 2026-04-26
|
||||
- **정책 변화:** Antigravity 프로젝트는 '개인화와 프라이버시의 균형' 정책을 준수하며, 모든 개인화 데이터 수집 시 사용자에게 투명하게 고지하고 스스로 최적화 수준을 결정할 수 있는 옵션을 제공함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- User-Centered-Design, [[A-B-[[Testing]]-and-Data-Driven-UX]], Predictive-UX, [[Micro-interactions]], [[Ethical-Decision-Making]]
|
||||
- User-Centered-Design, A-B-Testing-and-Data-Driven-UX, Predictive-UX, [[Micro-interactions|Micro-interactions]], [[Ethical-Decision-Making|Ethical-Decision-Making]]
|
||||
- **Raw Source:** 00_Raw/AI 개인화 및 적응형 UX.md, 00_Raw/Adaptive UX.md
|
||||
|
||||
@@ -1,8 +1,8 @@
|
||||
---
|
||||
id: MKT-AI-[[Search]]-001
|
||||
id: MKT-AI-[[Search|Search]]-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.0
|
||||
tags: [ai-search, geo, aeo, semantic-entity-mapping, seo, future-of-search, [[Knowledge-Graph]], generative-engine-[[Optimization]]]
|
||||
tags: [ai-search, geo, aeo, semantic-entity-mapping, seo, future-of-search, [[Knowledge-Graph|Knowledge-Graph]], generative-engine-[[Optimization|Optimization]]]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
@@ -24,5 +24,5 @@ last_reinforced: 2026-04-26
|
||||
- **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]], Generative-Engine-Optimization, [[Knowledge-Graph-Foundations]], [[Semantic-Search-with-AI]], [[Ontology-Engineering]], [[AI-Overviews-and-SGE]]
|
||||
- [[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
|
||||
|
||||
@@ -1,29 +1,29 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-37563B
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-37563B
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - AI와 기계에게 검열 맡기기_ - 정적 분석 툴 ([[ESLint]] [[Prettier]]))"
|
||||
github_commit: "[P-Reinforce] Continuous Worker - AI와 기계에게 검열 맡기기_ - 정적 분석 툴 ([[ESLint|ESLint]] [[Prettier|Prettier]]))"
|
||||
---
|
||||
|
||||
# AI와 기계에게 검열 맡기기_ - 정적 분석 툴 (ESLint Prettier))
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 현대 소프트웨어 개발에서는 주관적이고 반복적인 코드 평가 작업을 ESLint, Prettier와 같은 결정론적 도구와 AI 기반 에이전트(기계)에게 위임하여 코드를 자동으로 '검열'하는 구조를 갖추고 있습니다 [1]. Linter인 ESLint는 추상 구문 트리(AST)를 분석해 문법적 오류와 잠재적 버그를 식별하며, Formatter인 Prettier는 줄 바꿈이나 들여쓰기 등 시각적 일관성을 강제합니다 [2]. 나아가 단순한 패턴 매칭을 넘어 LLM 기반의 AI 정적 분석 도구([[SAST]])를 도입함으로써 문맥을 이해하고 복잡한 취약점을 분석하는 '에이전트적 거버넌스'로 진화하고 있습니다 [3, 4].
|
||||
> 현대 소프트웨어 개발에서는 주관적이고 반복적인 코드 평가 작업을 ESLint, Prettier와 같은 결정론적 도구와 AI 기반 에이전트(기계)에게 위임하여 코드를 자동으로 '검열'하는 구조를 갖추고 있습니다 [1]. Linter인 ESLint는 추상 구문 트리(AST)를 분석해 문법적 오류와 잠재적 버그를 식별하며, Formatter인 Prettier는 줄 바꿈이나 들여쓰기 등 시각적 일관성을 강제합니다 [2]. 나아가 단순한 패턴 매칭을 넘어 LLM 기반의 AI 정적 분석 도구([[SAST|SAST]])를 도입함으로써 문맥을 이해하고 복잡한 취약점을 분석하는 '에이전트적 거버넌스'로 진화하고 있습니다 [3, 4].
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
* **결정론적 거버넌스의 기반 (ESLint & Prettier)**
|
||||
* **ESLint (결정론적 Linter):** 소스 코드를 추상 구문 트리(AST)로 변환해 순회하면서 사용되지 않는 변수, 섀도잉 현상 등 논리적 버그와 의심스러운 구조를 식별하고 팀의 모범 사례를 강제합니다 [2, 5, 6].
|
||||
* **Prettier (의견이 반영된 Formatter):** 코드의 로직에는 관여하지 않고 들여쓰기, 따옴표 일관성, 줄 바꿈 등 텍스트의 시각적 형태를 일관되게 재작성하여 코드 가독성을 높입니다 [2, 6, 7].
|
||||
* **규칙 충돌 및 통합:** ESLint에도 포맷팅 스타일 규칙이 포함되어 있어 Prettier와 충돌할 수 있습니다. 이를 방지하기 위해 `[[eslint-config-prettier]]`를 사용하여 충돌하는 ESLint 규칙을 비활성화하고, `[[eslint-plugin-prettier]]`를 통해 Prettier를 ESLint의 규칙처럼 동작시키는 방식이 권장됩니다 [8-11].
|
||||
* **규칙 충돌 및 통합:** ESLint에도 포맷팅 스타일 규칙이 포함되어 있어 Prettier와 충돌할 수 있습니다. 이를 방지하기 위해 `[[eslint-config-prettier|eslint-config-prettier]]`를 사용하여 충돌하는 ESLint 규칙을 비활성화하고, `[[eslint-plugin-prettier|eslint-plugin-prettier]]`를 통해 Prettier를 ESLint의 규칙처럼 동작시키는 방식이 권장됩니다 [8-11].
|
||||
|
||||
* **자동화 검열의 오케스트레이션 ([[Husky]] & [[lint-staged]])**
|
||||
* **자동화 검열의 오케스트레이션 ([[Husky|Husky]] & [[lint-staged|lint-staged]])**
|
||||
* 이러한 검열 도구들은 `Husky`와 `lint-staged`를 활용해 Git의 'pre-commit' 단계에서 강제적으로 실행됩니다 [12-14]. 저장소 전체가 아닌 변경된 파일(staged files)에만 검열 에이전트를 실행시켜 검사 시간을 수 초 내로 단축하고, 품질 미달 코드가 저장소에 병합되는 것을 선제적으로 차단합니다 [13-15].
|
||||
|
||||
* **AI를 활용한 시맨틱 지능과 에이전트적 거버넌스**
|
||||
* 전통적인 Linter는 파일 내 패턴 매칭에 그쳐 문맥을 파악하지 못하는 한계(Context-blind)가 있습니다 [3, 16]. 이를 극복하기 위해 Snyk Code, [[SonarQube]] 등 AI 기반 정적 분석(SAST) 도구가 도입되고 있습니다 [3, 17, 18].
|
||||
* 수백만 개의 커밋을 학습한 AI 모델은 오염 분석(Taint [[Analysis]]) 및 도달 가능성 분석을 수행하여 파일 경계를 넘나드는 복잡한 취약점을 파악하고 안전한 코드 수정을 제안합니다 [19, 20].
|
||||
* 전통적인 Linter는 파일 내 패턴 매칭에 그쳐 문맥을 파악하지 못하는 한계(Context-blind)가 있습니다 [3, 16]. 이를 극복하기 위해 Snyk Code, [[SonarQube|SonarQube]] 등 AI 기반 정적 분석(SAST) 도구가 도입되고 있습니다 [3, 17, 18].
|
||||
* 수백만 개의 커밋을 학습한 AI 모델은 오염 분석(Taint [[Analysis|Analysis]]) 및 도달 가능성 분석을 수행하여 파일 경계를 넘나드는 복잡한 취약점을 파악하고 안전한 코드 수정을 제안합니다 [19, 20].
|
||||
|
||||
* **기계 검열의 심리사회적 영향 및 한계**
|
||||
* 기계에 코드 검열을 맡기면 사소한 스타일 논쟁을 없애고 개발자의 인지 부하를 줄여 비즈니스 로직 해결에 몰입(Flow)할 수 있게 돕습니다 [21, 22].
|
||||
@@ -34,8 +34,8 @@ github_commit: "[P-Reinforce] Continuous Worker - AI와 기계에게 검열 맡
|
||||
- **정책 변화:** AI 분야의 자동 자산화 수행.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Related Topics:** [[SAST (정적 애플리케이션 보안 테스트)]], [[AST (추상 구문 트리)]], Husky & lint-staged
|
||||
- **Projects/Contexts:** [[Git Pre-commit 훅을 활용한 개발 워크플로우 자동화]], [[AI 코드 리뷰 및 보안 취약점 점검([[DevSecOps]])]]
|
||||
- **Related Topics:** [[SAST (정적 애플리케이션 보안 테스트)|SAST (정적 애플리케이션 보안 테스트)]], [[AST (추상 구문 트리)|AST (추상 구문 트리)]], Husky & lint-staged
|
||||
- **Projects/Contexts:** [[Git Pre-commit 훅을 활용한 개발 워크플로우 자동화|Git Pre-commit 훅을 활용한 개발 워크플로우 자동화]], [[AI 코드 리뷰 및 보안 취약점 점검(DevSecOps)|AI 코드 리뷰 및 보안 취약점 점검([[DevSecOps]])]]
|
||||
- **Contradictions/Notes:** 소스는 기계 주도의 검열이 개발 생산성과 코드 품질을 높인다고 긍정적으로 평가하면서도, 동시에 AI 모델이 실제 취약점의 일부를 놓치고 개발자의 비판적 사고를 약화시켜 표면적 문제 해결에 집착하는 '녹색 체크마크 증후군'을 초래할 수 있다는 역설적 한계를 분명히 지적합니다 [23, 24, 26].
|
||||
|
||||
---
|
||||
|
||||
@@ -1,16 +1,16 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-9FD5CF
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-9FD5CF
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - API 응답 모델링 및 상태 머신([[State]] Machine) 설계"
|
||||
github_commit: "[P-Reinforce] Continuous Worker - API 응답 모델링 및 상태 머신([[State|State]] Machine) 설계"
|
||||
---
|
||||
|
||||
# [[API 응답 모델링 및 상태 머신(State Machine) 설계]]
|
||||
# [[API 응답 모델링 및 상태 머신(State Machine) 설계|API 응답 모델링 및 상태 머신(State Machine) 설계]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> TypeScript에서 API 응답과 상태 머신을 설계할 때는 식별 가능한 유니온([[Discriminated Unions]]) 패턴이 핵심적으로 활용된다 [1, 2]. 이 패턴은 공통 판별자(Discriminant) 속성을 통해 데이터의 다양한 상태를 구분하며, 유효하지 않은 상태가 코드에 표현되는 것을 원천적으로 차단한다 [1, 3, 4]. 결과적으로 네트워크 요청의 다양한 결과나 복잡한 UI 상태 전이를 컴파일 단계에서 안전하게 모델링하고 관리할 수 있도록 보장한다 [2, 5, 6].
|
||||
> TypeScript에서 API 응답과 상태 머신을 설계할 때는 식별 가능한 유니온([[Discriminated Unions|Discriminated Unions]]) 패턴이 핵심적으로 활용된다 [1, 2]. 이 패턴은 공통 판별자(Discriminant) 속성을 통해 데이터의 다양한 상태를 구분하며, 유효하지 않은 상태가 코드에 표현되는 것을 원천적으로 차단한다 [1, 3, 4]. 결과적으로 네트워크 요청의 다양한 결과나 복잡한 UI 상태 전이를 컴파일 단계에서 안전하게 모델링하고 관리할 수 있도록 보장한다 [2, 5, 6].
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **상태 머신(State Machine) 패턴 모델링**:
|
||||
@@ -30,7 +30,7 @@ github_commit: "[P-Reinforce] Continuous Worker - API 응답 모델링 및 상
|
||||
- **정책 변화:** AI 분야의 자동 자산화 수행.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Related Topics:** 식별 가능한 유니온(Discriminated Unions), [[완전성 검사(Exhaustiveness Checking)]], [[타입 좁히기(Type Narrowing)]]
|
||||
- **Related Topics:** 식별 가능한 유니온(Discriminated Unions), [[완전성 검사(Exhaustiveness Checking)|완전성 검사(Exhaustiveness Checking)]], [[타입 좁히기(Type Narrowing)|타입 좁히기(Type Narrowing)]]
|
||||
- **Projects/Contexts:** 비동기 데이터 패칭(Async Data Fetching), 상태 머신 기반 UI 폼 및 라우터 관리
|
||||
- **Contradictions/Notes:** API 응답 데이터를 변환할 때 타입 캐스팅(`as`)을 사용하면 잉여 속성이 존재하거나 형태가 잘못되어도 컴파일러가 이를 조용히 허용하여 안전성이 떨어질 수 있다. 따라서 엄격한 타입 계약을 강제하기 위해서는 `as` 대신 `satisfies` 키워드를 활용하는 것이 권장된다 [14, 15].
|
||||
|
||||
|
||||
@@ -14,8 +14,8 @@ last_reinforced: 2026-04-26
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 동기식 요청-응답의 한계를 넘어 스트리밍, 비동기 작업 큐, 상태 보존형 세션 등을 통해 고사양 연산 자원을 효율적으로 노출하는 서비스 인터페이스 패턴.
|
||||
- **핵심 설계 원칙:**
|
||||
- **Streaming First:** LLM의 토큰 생성을 실시간으로 전달하기 위해 SSE(Server-Sent [[Events]])나 WebSockets 필수 적용.
|
||||
- **[[State]]less vs Stateful:** 대화 맥락 유지(Conversation ID)와 모델 가중치 독립성을 위한 상태 관리 전략.
|
||||
- **Streaming First:** LLM의 토큰 생성을 실시간으로 전달하기 위해 SSE(Server-Sent [[Events|Events]])나 WebSockets 필수 적용.
|
||||
- **[[State|State]]less vs Stateful:** 대화 맥락 유지(Conversation ID)와 모델 가중치 독립성을 위한 상태 관리 전략.
|
||||
- **Asynchronous Execution:** 시간이 오래 걸리는 태스크(이미지 생성 등)를 위한 Job ID 기반의 폴링(Polling) 또는 웹훅(Webhook) 구조.
|
||||
- **Safety & Filtering:** API 수준에서 유해 결과물을 차단하는 가드레일 레이어 통합.
|
||||
- **Version Control:** 모델 버전 업데이트 시 결과물의 미세한 변화를 고려한 시맨틱 버저닝.
|
||||
@@ -25,5 +25,5 @@ last_reinforced: 2026-04-26
|
||||
- **정책 변화:** Antigravity 프로젝트는 모든 에이전트 간 통신에 gRPC 스트리밍을 우선 사용하며, 외부 웹 인터페이스 제공 시에는 SSE 표준을 준수하여 사용자 경험을 최적화함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
-[[ system]]-Design-for-AI-Scale, [[LLM]], Streaming-Data-[[Processing]], Microservices
|
||||
-[[_system|system]]-Design-for-AI-Scale, [[LLM|LLM]], Streaming-Data-[[Processing|Processing]], Microservices
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/API-Design for AI Services.md
|
||||
|
||||
@@ -1,12 +1,12 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-APKE-001
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-APKE-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.99
|
||||
tags: [auto-reinforced, api-key-[[Management]], security, devops, secrets-management, developer-experience]
|
||||
tags: [auto-reinforced, api-key-[[Management|Management]], security, devops, secrets-management, developer-experience]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[API-Key-Management]]
|
||||
# [[API-Key-Management|API-Key-Management]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "지능의 열쇠를 지키는 법: 외부 서비스를 이용하기 위한 디지털 신분증인 API Key를 안전하게 보관하고, 유출 시 즉시 폐기하며, 권한을 최소화하여 관리하는 현대 개발의 가장 기초적인 보안 성벽."
|
||||
@@ -26,6 +26,6 @@ API 키 관리(API-Key-Management)는 애플리케이션 프로그래밍 인터
|
||||
- **정책 변화(RL Update)**: AI 에이전트의 자율적 도구 활용 정책이 늘어남에 따라, 에이전트가 API 키를 직접 다루지 않고 안전하게 대리 요청(Proxy)하는 '에이전틱 키 거버넌스 정책'이 중요해짐.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Workflow-Inte[[Grit]]y]], [[Safety & Reliability]], [[Agent Architecture]], [[Tool-Usage-Optimization]], [[Technical-Architecture]]
|
||||
- Workflow-InteGrity, [[Safety & Reliability|Safety & Reliability]], [[Agent Architecture|Agent Architecture]], [[Tool-Usage-Optimization|Tool-Usage-Optimization]], [[Technical-Architecture|Technical-Architecture]]
|
||||
- **Modern Tech/Tools**: GitHub Secret Scanning, HashiCorp Vault, AWS Secrets Manager.
|
||||
---
|
||||
|
||||
@@ -1,4 +1,4 @@
|
||||
# [[API-backed Image Generation Workflow]]
|
||||
# [[API-backed Image Generation Workflow|API-backed Image Generation Workflow]]
|
||||
|
||||
## 📌 Brief 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].
|
||||
@@ -10,8 +10,8 @@ API 기반 이미지 생성 워크플로우는 수동적인 이미지 창작을
|
||||
- **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
|
||||
- **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]]
|
||||
- **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].
|
||||
|
||||
---
|
||||
|
||||
@@ -1,13 +1,13 @@
|
||||
---
|
||||
id: P-REINFORCE-AEB866
|
||||
category: "[[10_Wiki/💡 Topics/Game Design]]"
|
||||
category: "10_Wiki/💡 Topics/Game Design"
|
||||
confidence_score: 0.95
|
||||
tags: []
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Mega Batch 2 - Wikified ARG-Alternate-Reality-Games"
|
||||
---
|
||||
|
||||
# [[ARG-Alternate-Reality-Games]]
|
||||
# [[ARG-Alternate-Reality-Games|ARG-Alternate-Reality-Games]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 지식 요약 작업 중
|
||||
@@ -21,5 +21,5 @@ github_commit: "[P-Reinforce] Mega Batch 2 - Wikified ARG-Alternate-Reality-Game
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
|
||||
- Raw Source: [[00_Raw/2026-04-20/ARG-Alternate-Reality-Games.md]]
|
||||
- Raw Source: 00_Raw/2026-04-20/ARG-Alternate-Reality-Games.md
|
||||
---
|
||||
|
||||
@@ -1,12 +1,12 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AI-ABTEST
|
||||
id: [[P-Reinforce|P-Reinforce]]-AI-ABTEST
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.96
|
||||
tags: [A/B [[Testing]], [[Statistics]], Experiment, Growth Hacking]
|
||||
tags: [A/B [[Testing|Testing]], [[Statistics|Statistics]], Experiment, Growth Hacking]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[A_B-Testing-Platforms]] (A/B 테스트 및 실험 설계)
|
||||
# [[A_B-Testing-Platforms|A_B-Testing-Platforms]] (A/B 테스트 및 실험 설계)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "내 생각엔 이게 좋다"는 주관성을 버리고, "사용자는 실제로 이렇게 반응한다"를 통계적으로 증명하는 마케팅과 엔지니어링의 결합체다.
|
||||
@@ -23,5 +23,5 @@ last_reinforced: 2026-04-20
|
||||
- 한 번에 너무 많은 변수를 바꾸는 것은 금물이다(Simpsons Paradox). 오직 하나의 변인만 통제하여 결과의 인과관계를 명확히 해야 한다. 또한 장기적 영향(Late Arrival Bias)을 고려하여 최소 일주일 이상의 실험 기간을 확보하라.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Behavioral-Economics]] , [[Nudge Theory]]
|
||||
- Implementation: [[React_[[State]]_[[Management]]_Strategy]]
|
||||
- Related: [[Behavioral-Economics|Behavioral-Economics]] , [[Nudge Theory|Nudge Theory]]
|
||||
- Implementation: React_State_Management_Strategy
|
||||
|
||||
@@ -1,12 +1,12 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-ABUN-001
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-ABUN-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.92
|
||||
tags: [auto-reinforced, abundance, economics, techno[[Logic]]al-optimism, resource-[[Management]]]
|
||||
tags: [auto-reinforced, abundance, economics, techno[[Logic|Logic]]al-optimism, resource-[[Management|Management]]]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Abundance]]
|
||||
# [[Abundance|Abundance]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "결핍의 종말, 선택의 시작: 기술 진보를 통해 에너지, 정보, 물자가 무한에 가깝게 저렴해지며, 인간이 '생존'을 위한 경쟁 대신 '의미'를 향한 창조에 집중할 수 있게 되는 상태."
|
||||
@@ -29,6 +29,6 @@ last_reinforced: 2026-04-20
|
||||
- **정책 변화(RL Update)**: 환경 파괴 없는 풍요를 위해, 단순 소비 증대가 아닌 '지속 가능한 자원 순환'을 전제로 하는 '클린 풍요(Clean Abundance) 정책'이 글로벌 탄소 중립 정책과 결합되어 추진됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Economics of Attention, [[Universal Basic Income (UBI)]], Foundational Models, [[Social[[ system]]s Theory]], [[Ultra-Efficiency]]
|
||||
- **Modern Tech/Tools**: Solar energy harvesting, Precision agriculture AI, Open source [[Repository]] (GitHub).
|
||||
- Economics of Attention, [[Universal Basic Income (UBI)|Universal Basic Income (UBI)]], Foundational Models, Social[[Systems Theory|systems Theory]], [[Ultra-Efficiency|Ultra-Efficiency]]
|
||||
- **Modern Tech/Tools**: Solar energy harvesting, Precision agriculture AI, Open source [[Repository|Repository]] (GitHub).
|
||||
---
|
||||
|
||||
@@ -1,12 +1,12 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-ACIN-001
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-ACIN-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.96
|
||||
tags: [auto-reinforced, academic-inte[[Grit]]y, ethics, [[Research]]-conduct, plagiarism, ai-writing]
|
||||
tags: [auto-reinforced, academic-inte[[Grit|Grit]]y, ethics, [[Research|Research]]-conduct, plagiarism, ai-writing]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Academic-Integrity]]
|
||||
# [[Academic-Integrity|Academic-Integrity]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "지적 정직함의 보루: 타인의 생각을 훔치지 않고, 자신의 연구 과정을 투명하게 공개하며, 결과의 왜곡 없이 진실만을 추구하는 학문 공동체의 가장 기초적인 신뢰 자본."
|
||||
@@ -30,6 +30,6 @@ last_reinforced: 2026-04-20
|
||||
- **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.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Ethics & AI]], [[Scientific Communication]], [[Toxicity-and-Bias-Mitigation]], [[Sociology of Knowledge]], [[Workflow-Integrity]]
|
||||
- [[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).
|
||||
---
|
||||
|
||||
@@ -1,18 +1,18 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AI-ACC-AUDIT
|
||||
id: [[P-Reinforce|P-Reinforce]]-AI-ACC-AUDIT
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.98
|
||||
tags: [[[Accessibility]], Compliance, Audit, AI, Web]
|
||||
tags: [[Accessibility|[Accessibility]], Compliance, Audit, AI, Web]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Accessibility-Compliance-Audit]] (접근성 준수 감사)
|
||||
# [[Accessibility-Compliance-Audit|Accessibility-Compliance-Audit]] (접근성 준수 감사)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "모두를 위한 웹은 기술이 아니라 권리다." 시각 장애인이나 고령자 등 모든 사용자가 웹 사이트의 정보를 평등하게 얻고 있는지 기술적으로 검증하는 프로세스다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Automated [[Testing]]**:
|
||||
- **Automated [[Testing|Testing]]**:
|
||||
- AI가 DOM 트리와 ARIA 속성을 분석하여 텍스트 대안(Alt text) 누락, 충분하지 않은 색상 대비(Color Contrast) 등을 자동으로 적발한다.
|
||||
- **Manual Heuristic Evaluation**:
|
||||
- 자동화 도구가 잡지 못하는 맥락적 접근성(예: 스크린 리더의 읽기 순서가 논리적인가?)을 전문가가 직접 점검한다.
|
||||
@@ -23,5 +23,5 @@ last_reinforced: 2026-04-20
|
||||
- 접근성 감사는 한 번의 '합격'으로 끝나지 않는다. 코드가 업데이트될 때마다 접근성 점수가 소리 없이 무너질 수 있으므로, CI/CD 파이프라인에 접근성 자동 검사를 통합하는 것이 핵심이다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: UI-UX-Foundations , [[Automated-Security-Audits]]
|
||||
- Related: UI-UX-Foundations , [[Automated-Security-Audits|Automated-Security-Audits]]
|
||||
- Standard: Web-Content-Accessibility-Guidelines-WCAG
|
||||
|
||||
@@ -1,12 +1,12 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-ACLE-001
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-ACLE-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.98
|
||||
tags: [auto-reinforced, active-learning, machine-learning, [[Optimization]], data-[[Efficiency]], human-in-the-loop]
|
||||
tags: [auto-reinforced, active-learning, machine-learning, [[Optimization|Optimization]], data-[[Efficiency|Efficiency]], human-in-the-loop]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Active Learning]]
|
||||
# [[Active Learning|Active Learning]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "똑똑하게 질문해서 배우기: 모든 데이터를 맹목적으로 학습하는 대신, 정답을 알았을 때 모델의 지능이 가장 크게 상승할 것 같은 '핵심 질문(데이터)'만 골라 인간에게 정답을 요청하는 고효율 학습 전략."
|
||||
@@ -14,7 +14,7 @@ last_reinforced: 2026-04-20
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
능동 학습(Active Learning)은 머신러닝 모델이 스스로 학습 과정에 참여하여, 레이블(Label)되지 않은 데이터 중 학습에 가장 도움이 될 데이터를 선별하고 전문가에게 레이블링을 요청하는 기법입니다.
|
||||
|
||||
1. **동작 원리 (Query [[Strategy]])**:
|
||||
1. **동작 원리 (Query [[Strategy|Strategy]])**:
|
||||
* **Uncertainty Sampling**: 모델이 정답을 가장 확신하지 못하는(Entropy가 높은) 데이터를 고름.
|
||||
* **Query-by-Committee**: 여러 모델의 의견이 가장 일치하지 않는 데이터를 추출.
|
||||
* **Representativeness**: 전체 데이터의 분포를 가장 잘 대표하는 표본을 선택.
|
||||
@@ -28,6 +28,6 @@ last_reinforced: 2026-04-20
|
||||
- **정책 변화(RL Update)**: 인간과의 상호작용 피로도를 낮추기 위해, "꼭 필요한 질문만 던지는" 에이전트의 예절 및 효율성 알고리즘을 최적화하는 정책이 RAG 부문 및 도메인 특화 모델 개발의 표준이 됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[SFT (Supervised [[Fine-tuning]])]], [[RLHF (인간 피드백 기반 강화 학습)]], [[Resource-Management]], [[Decision Theory]], [[Scientific Communication]]
|
||||
- [[SFT (Supervised Fine-Tuning)|SFT (Supervised [[Fine-tuning]])]], [[RLHF (인간 피드백 기반 강화 학습)|RLHF (인간 피드백 기반 강화 학습)]], [[Resource-Management|Resource-Management]], [[Decision Theory|Decision Theory]], [[Scientific Communication|Scientific Communication]]
|
||||
- **Modern Tech/Tools**: Prodigy (Labeling tool), ModAL (Python framework for Active Learning).
|
||||
---
|
||||
|
||||
@@ -1,12 +1,12 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-ACRE-001
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-ACRE-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.94
|
||||
tags: [auto-reinforced, active-[[Reasoning]], [[Inference-Optimization]], chain-of-thought, cognitive-ai]
|
||||
tags: [auto-reinforced, active-[[Reasoning|Reasoning]], [[Inference-Optimization|Inference-Optimization]], chain-of-thought, cognitive-ai]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Active-Reasoning]]
|
||||
# [[Active-Reasoning|Active-Reasoning]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "생각의 주도권을 잡기: 주어진 질문에 답하는 수동적 추론을 넘어, 스스로 가설을 세우고, 정보를 보완하고, 중간 과정을 검증하며 최적의 논리 경로를 개척해 나가는 능동적 지적 행위."
|
||||
@@ -28,6 +28,6 @@ last_reinforced: 2026-04-20
|
||||
- **정책 변화(RL Update)**: 답변의 투명성 확보를 위해, AI가 '생각한 과정'을 숨기지 않고 사용자에게 구조화된 형태로 보여주도록 하는 '생각의 가시화 정책'이 고난도 비즈니스 솔루션의 필수 요건이 됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Zero-Shot-Chain-of-Thought]], [[Self-Correction Mechanisms]], [[Thought-Architecture]], [[Decision Theory]], Foundational Models
|
||||
- **Modern Tech/Tools**: Chain-of-Thought (CoT) frameworks, [[Logic]]-integrated LLMs.
|
||||
- [[Zero-Shot-Chain-of-Thought|Zero-Shot-Chain-of-Thought]], Self-Correction Mechanisms, [[Thought-Architecture|Thought-Architecture]], [[Decision Theory|Decision Theory]], Foundational Models
|
||||
- **Modern Tech/Tools**: Chain-of-Thought (CoT) frameworks, [[Logic|Logic]]-integrated LLMs.
|
||||
---
|
||||
|
||||
@@ -1,12 +1,12 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-ACTI-001
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-ACTI-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.89
|
||||
tags: [auto-reinforced, activism, social-change, collective-action, digital-campaigning]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Activism]]
|
||||
# [[Activism|Activism]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "세상을 바꾸는 의도된 압력: 사회적, 정치적, 환경적 변화를 이끌어내기 위해 개인이 집단으로 뭉쳐 불의에 저항하거나 새로운 가치를 확산시키는 강력한 실천주의."
|
||||
@@ -20,17 +20,17 @@ last_reinforced: 2026-04-20
|
||||
* **Legislative**: 법안 발의 및 정책 변화를 목표로 하는 로비와 캠페인.
|
||||
* **Direct Action**: 시위, 파업, 보이콧 등 물리적인 참여를 통한 직접적 압박.
|
||||
2. **핵심 성공 요인**:
|
||||
* **Narrative Construction**: 대중의 공감을 얻을 수 있는 명확한 명분과 스토리 구축 ([[Victimhood-Narratives]]의 올바른 활용).
|
||||
* **Mobilization [[Strategy]]**: 자원과 인력을 효율적으로 배치하는 조직 운영 기술.
|
||||
* **Narrative Construction**: 대중의 공감을 얻을 수 있는 명확한 명분과 스토리 구축 ([[Victimhood-Narratives|Victimhood-Narratives]]의 올바른 활용).
|
||||
* **Mobilization [[Strategy|Strategy]]**: 자원과 인력을 효율적으로 배치하는 조직 운영 기술.
|
||||
3. **AI와 액티비즘**:
|
||||
* **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)
|
||||
- **과거 데이터와의 충돌**: 과거에는 중앙 집중적인 지도자가 필수였으나, 현대의 네트워크 정책은 지도자 없는(Leaderless) 분산형 군집 액티비즘 정책으로 진화함(RL Update, 예: [[Swarm Intelligence]] 관점).
|
||||
- **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.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Social[[ system]]s Theory]], [[Victimhood-Narratives]], [[Strategic-Planning]], [[Viral-Dynamics-and-Network-Effects]], [[Ethics & AI]]
|
||||
- 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.
|
||||
---
|
||||
|
||||
@@ -1,12 +1,12 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-ACMO-001
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-ACMO-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.99
|
||||
tags: [auto-reinforced, [[Reinforcement-Learning]], actor-critic, [[Deep-Learning]], machine-learning-[[Architecture]]]
|
||||
tags: [auto-reinforced, [[Reinforcement-Learning|Reinforcement-Learning]], actor-critic, [[Deep-Learning|Deep-Learning]], machine-learning-[[Architecture|Architecture]]]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Actor-Critic-Models]]
|
||||
# [[Actor-Critic-Models|Actor-Critic-Models]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "배우와 비평가의 이인삼조: 직접 행동하며 점수를 따는 '배우(Actor)'와, 그 행동의 가치를 냉정하게 평가하여 배우의 실력을 키워주는 '비평가(Critic)'가 결합된 가장 강력한 강화학습 구조."
|
||||
@@ -27,6 +27,6 @@ last_reinforced: 2026-04-20
|
||||
- **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.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Reinforcement Learning (RL)]], [[RLHF (인간 피드백 기반 강화 학습)]], [[Reward Prediction Error]], [[Decision Theory]], [[Robotics]]
|
||||
- **Modern Tech/Tools**: PPO (Proximal Policy [[Optimization]]), Soft Actor-Critic (SAC), Stable Baselines3.
|
||||
- [[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.
|
||||
---
|
||||
|
||||
@@ -1,12 +1,12 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-ADHY-001
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-ADHY-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.93
|
||||
tags: [auto-reinforced, [[Philosophy]]-of-science, [[Logic]], ad-hoc, hypotheses, critical-thinking]
|
||||
tags: [auto-reinforced, [[Philosophy|Philosophy]]-of-science, [[Logic|Logic]], ad-hoc, hypotheses, critical-thinking]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Ad-hoc-Hypotheses]]
|
||||
# [[Ad-hoc-Hypotheses|Ad-hoc-Hypotheses]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "이론을 지키기 위한 억지 땜질: 자신의 이론이 틀렸음이 밝혀지는 순간, 이론을 폐기하는 대신 오직 그 예외 상황만을 모면하기 위해 덧붙이는 비논리적이고 자기 방어적인 가설."
|
||||
@@ -24,10 +24,10 @@ Ad-hoc 가설(임시방편적 가설)은 과학철학에서 이론이 예측에
|
||||
* 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)
|
||||
- **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]]' 정책으로 진화함(RL Update).
|
||||
- **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.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Philosophy of Science, Occam's Razor, [[Wicked-Problems]], Cognitive-Bias, [[Academic-Inte[[Grit]]y]]
|
||||
- **Modern Tech/Tools**: Critical thinking [[Protocols]], Peer review[[ system]]s.
|
||||
- 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.
|
||||
---
|
||||
|
||||
@@ -1,12 +1,12 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-ADOP-001
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-ADOP-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced, [[Optimization]], ad-hoc, process-[[Efficiency]], project-[[Management]], software-design]
|
||||
tags: [auto-reinforced, [[Optimization|Optimization]], ad-hoc, process-[[Efficiency|Efficiency]], project-[[Management|Management]], software-design]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Ad-hoc-Optimization]]
|
||||
# [[Ad-hoc-Optimization|Ad-hoc-Optimization]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "눈앞의 불만 끄기: 시스템 전체의 효율이나 장기적인 구조는 무시한 채, 지금 당장 문제가 되는 부분만 임시방편으로 빠르게 다듬어 '작동하는 것처럼' 보이게 만드는 조급한 최적화."
|
||||
@@ -20,7 +20,7 @@ Ad-hoc 최적화(임시적 최적화)는 전체적인 설계 원칙(Standardizat
|
||||
* **Inconsistency**: 한 부분의 Ad-hoc 최적화가 다른 부분의 성능을 갉아먹는 '부작용' 발생 (Sub-optimization).
|
||||
2. **정당화되는 경우**:
|
||||
* **Hotfix**: 시스템이 완전히 붕괴될 위기에서 즉각적인 복구가 필요할 때.
|
||||
* **Rapid [[Prototyping]]**: 초기 아이디어를 검증하기 위해 거친 코드로 빠르게 구현해볼 때.
|
||||
* **Rapid [[Prototyping|Prototyping]]**: 초기 아이디어를 검증하기 위해 거친 코드로 빠르게 구현해볼 때.
|
||||
3. **개선 프로세스**:
|
||||
* Ad-hoc 조치 후에는 반드시 '사후 병합(Refactoring)' 과정을 거쳐 해당 최적화를 표준 아키텍처 내로 편입시켜야 함.
|
||||
|
||||
@@ -29,6 +29,6 @@ Ad-hoc 최적화(임시적 최적화)는 전체적인 설계 원칙(Standardizat
|
||||
- **정책 변화(RL Update)**: 인프라 운영 정책에서, 수동으로 Ad-hoc 설정을 변경하는 대신 모든 변화를 코드로 관리하는 'IaC (Infrastructure as Code) 정책'을 도입하여 임시방편적 개입을 원천 차단하는 방향으로 진화함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Standardization vs Innovation]], [[Workflow-Inte[[Grit]]y]], [[Theory of Constraints (TOC)]], [[Software-Design-Principles]], [[Operations-Research]]
|
||||
- **Modern Tech/Tools**: Refactoring tools, Static code [[Analysis]], CI/CD automated [[Testing]].
|
||||
- [[Standardization vs Innovation|Standardization vs Innovation]], Workflow-InteGrity, [[Theory of Constraints (TOC)|Theory of Constraints (TOC)]], [[Software-Design-Principles|Software-Design-Principles]], [[Operations-Research|Operations-Research]]
|
||||
- **Modern Tech/Tools**: Refactoring tools, Static code [[Analysis|Analysis]], CI/CD automated [[Testing|Testing]].
|
||||
---
|
||||
|
||||
@@ -1,12 +1,12 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-ADAP-001
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-ADAP-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.98
|
||||
tags: [auto-reinforced, adaptability, [[Resilience]], survival-[[Strategy]], complex-adaptive-systems]
|
||||
tags: [auto-reinforced, adaptability, [[Resilience|Resilience]], survival-[[Strategy|Strategy]], complex-adaptive-systems]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Adaptability]]
|
||||
# [[Adaptability|Adaptability]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "바뀌는 바람에 돛을 맞추는 기술: 과거의 성공 방정식이 더 이상 통하지 않는 순간, 자신의 형태와 전략을 유연하게 수정하여 새로운 환경에서도 가치를 창출해내는 생명의 본능이자 시스템의 핵심 지능."
|
||||
@@ -16,11 +16,11 @@ last_reinforced: 2026-04-20
|
||||
|
||||
1. **적응의 3대 요소**:
|
||||
* **Sensitivity**: 주변의 변화를 얼마나 빠르고 정확하게 감지하는가?
|
||||
* **Flexibility**: 변화에 대응해 내부 구조나 행동을 바꿀 수 있는 선택지가 얼마나 다양한가? ([[Stability vs Flexibility]])
|
||||
* **Flexibility**: 변화에 대응해 내부 구조나 행동을 바꿀 수 있는 선택지가 얼마나 다양한가? ([[Stability vs Flexibility|Stability vs Flexibility]])
|
||||
* **Learning Capacity**: 과거의 대응 결과를 학습하여 다음 적응 시 더 효율적으로 반응하는가?
|
||||
2. **생태계적 관점**:
|
||||
* 강한 자가 살아남는 것이 아니라, **적응하는 자가 살아남는다.** (다윈주의적 생존).
|
||||
* **Complex Adaptive[[ system]]s**: 수많은 피드백 루프를 통해 스스로 질서를 재편하는 시스템.
|
||||
* **Complex Adaptive[[_system|system]]s**: 수많은 피드백 루프를 통해 스스로 질서를 재편하는 시스템.
|
||||
3. **지식 근로자의 적응성**:
|
||||
* AI라는 거대한 파도 앞에서 자신의 역량을 재정의하고 도구 활용법을 익히는 '어필리티(AQ, Adaptability Quotient)'가 지능 지수(IQ)나 감성 지수(EQ)보다 중요해짐.
|
||||
|
||||
@@ -29,6 +29,6 @@ last_reinforced: 2026-04-20
|
||||
- **정책 변화(RL Update)**: 국가 복지 및 교육 정책에서, 한 번의 전공이 평생 직업을 보장하지 못함을 인지하고 생애 주기별로 끊임없이 직업을 전환할 수 있도록 돕는 '유연 안전성(Flexicurity) 정책'이 전 지구 표준으로 확산 중임.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Stability vs Flexibility]], [[Robustness]], [[Active Learning]], [[Transfer Learning]], Complex Adaptive Systems, [[Ps-Reinforce]]
|
||||
- [[Stability vs Flexibility|Stability vs Flexibility]], [[Robustness|Robustness]], [[Active Learning|Active Learning]], [[Transfer Learning|Transfer Learning]], Complex Adaptive Systems, [[Ps-Reinforce|Ps-Reinforce]]
|
||||
- **Modern Tech/Tools**: Agile methodology, Resilience engineering, Life-long learning platforms.
|
||||
---
|
||||
|
||||
@@ -1,12 +1,12 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AI-ADAPTIVE-COMPUTE
|
||||
id: [[P-Reinforce|P-Reinforce]]-AI-ADAPTIVE-COMPUTE
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.97
|
||||
tags: [AI, [[Efficiency]], AdaptiveCompute, Inference]
|
||||
tags: [AI, [[Efficiency|Efficiency]], AdaptiveCompute, Inference]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Adaptive Compute (적응형 계산량 조절)]]
|
||||
# [[Adaptive Compute (적응형 계산량 조절)|Adaptive Compute (적응형 계산량 조절)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "쉬운 문제는 대충, 어려운 문제는 신중하게." 모든 입력에 동일한 계산 자원을 낭비하지 않고, 과제 난이도에 따라 모델이 사용하는 연산량(층의 깊이, 활성 뉴런 수 등)을 유동적으로 조절하는 지능적 자원 배분 기술이다.
|
||||
@@ -14,12 +14,12 @@ last_reinforced: 2026-04-20
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Early Exit**: 모델의 중간 층에서 이미 결과가 확실하다면 최종 층까지 가지 않고 바로 결과를 출력하여 시간과 에너지를 아낌.
|
||||
- **MoE (Mixture of Experts)**: 거대 모델의 일부(전공 교수)만 활성화하여 특정 분야의 질문에만 자원을 집중함.
|
||||
- **Dynamic Token [[Processing]]**: 문맥상 중요하지 않은 단어(조사 등)는 낮은 정밀도로 처리하고, 핵심적인 단어에 연산력을 몰아줌.
|
||||
- **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)
|
||||
- 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]] , Mixture of Experts (MoE)
|
||||
- Modern Pattern: [[Test-Time Compute Scaling (추론 시간 계산 스케일링)]]
|
||||
- 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)]]
|
||||
|
||||
@@ -1,4 +1,4 @@
|
||||
# [[Adaptive Context Compaction (적응형 컨텍스트 압축)]]
|
||||
# Adaptive Context Compaction (적응형 컨텍스트 압축)
|
||||
|
||||
## 📌 Brief Summary
|
||||
Adaptive Context Compaction은 에이전트의 현재 작업 상태, 토큰 소모량, 그리고 모델의 성능 유지 능력을 실시간으로 평가하여, 컨텍스트 윈도우 내의 정보를 동적으로 압축하거나 제거하는 최적화 기술이다. 모든 정보를 동일하게 요약하는 대신, 작업에 결정적인 정보는 원본을 유지하고 부수적인 정보는 고도로 압축하는 '가변적 압축률'을 적용하는 것이 핵심이다.
|
||||
@@ -16,11 +16,11 @@ Adaptive Context Compaction은 에이전트의 현재 작업 상태, 토큰 소
|
||||
## 🔗 Knowledge Connections
|
||||
|
||||
### Related Concepts
|
||||
* [[Context Engineering]]
|
||||
* [[Context Engineering|Context Engineering]]
|
||||
* 연결 이유: 압축 기술은 컨텍스트 엔지니어링을 구현하는 핵심 수단이다.
|
||||
* [[Summary Drift]]
|
||||
* Summary Drift
|
||||
* 연결 이유: 과도하거나 반복적인 압축은 정보의 왜곡을 초래할 수 있다.
|
||||
* [[Inference-Coupled Persistence]]
|
||||
* [[Inference-Coupled Persistence|Inference-Coupled Persistence]]
|
||||
* 연결 이유: 압축된 정보를 영구 저장소에 저장하여 향후 세션에서 재활용한다.
|
||||
|
||||
### Deeper Research Questions
|
||||
|
||||
@@ -1,12 +1,12 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-ADCU-001
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-ADCU-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.92
|
||||
tags: [auto-reinforced, curation, adaptation, information-filter, adaptive-content, customization]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Adaptive-Curation]]
|
||||
# [[Adaptive-Curation|Adaptive-Curation]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "당신만을 위한 세상의 가공: 쏟아지는 정보와 상품 중에서 사용자의 시시각각 변하는 맥락, 취향, 피드백을 실시간으로 반영하여 가장 가치 있는 것들만 정제해 보여주는 지능형 큐레이션."
|
||||
@@ -28,6 +28,6 @@ last_reinforced: 2026-04-20
|
||||
- **정책 변화(RL Update)**: 적응형 큐레이션이 '필터 버블'을 강화하고 확증 편향을 심화시킨다는 비판 정책이 제기됨에 따라, 의도적으로 사용자에게 상반된 의견을 노출시키는 '균형 잡힌 적응 큐레이션 정책' 도입이 공공 알고리즘의 의무 요건이 됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Personalization, Exploitation vs Exploration, [[Reward Prediction Error]], Information Ethics, [[Superficiality-Metrics]]
|
||||
- Personalization, Exploitation vs Exploration, [[Reward Prediction Error|Reward Prediction Error]], Information Ethics, [[Superficiality-Metrics|Superficiality-Metrics]]
|
||||
- **Modern Tech/Tools**: TikTok recommendation engine, Spotify Daily Mix, Amazon's adaptive storefront.
|
||||
---
|
||||
|
||||
@@ -1,12 +1,12 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AI-ADV-IF-DESIGN
|
||||
id: [[P-Reinforce|P-Reinforce]]-AI-ADV-IF-DESIGN
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.97
|
||||
tags: [Interface Design, UX, Human-Computer Interaction, AI]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Advanced-Interface-Design]] (고급 인터페이스 설계)
|
||||
# [[Advanced-Interface-Design|Advanced-Interface-Design]] (고급 인터페이스 설계)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "보이지 않는 인터페이스가 가장 훌륭한 인터페이스다." 사용자의 의도를 예측하고 대화를 최소화하면서도 완벽한 경험을 선사하는 고도의 심미적/공학적 설계 체계다.
|
||||
@@ -23,5 +23,5 @@ last_reinforced: 2026-04-20
|
||||
- 인터페이스가 너무 '지능적'이면 사용자가 통제권을 상실했다고 느낄 수 있다(Black box effect). 따라서 시스템이 왜 이런 제안을 하는지 투명하게 보여주는 '설명 가능한 인터페이스'의 조화가 필요하다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: UI-UX-Foundations , [[Psychology]]_Cognitive_Science
|
||||
- Context: [[Modern_Environment_Ecosystem]]
|
||||
- Related: UI-UX-Foundations , [[Psychology|Psychology]]_Cognitive_Science
|
||||
- Context: [[Modern_Environment_Ecosystem|Modern_Environment_Ecosystem]]
|
||||
|
||||
@@ -1,5 +1,5 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-36585B
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-36585B
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
@@ -7,7 +7,7 @@ last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - Adversarial Code Stylometry"
|
||||
---
|
||||
|
||||
# [[Adversarial Code Stylometry]]
|
||||
# [[Adversarial Code Stylometry|Adversarial Code Stylometry]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> Adversarial Code Stylometry(적대적 코드 문체론)는 프로그래머가 코드 문체 분석(Code Stylometry) 시스템의 추적을 우회하여 자신의 익명성을 보호하기 위해 의도적으로 코드를 변형하는 기법입니다 [1-3]. 주로 자신의 고유한 코딩 스타일을 숨기는 난독화(obfuscation)와 다른 프로그래머의 스타일을 흉내 내는 모방(mimicry) 기술을 사용합니다 [2-4]. 이는 감시와 검열에 맞서 프라이버시 향상 도구를 개발하는 오픈소스 기여자들이 신원 노출로 인한 탄압을 피하기 위한 핵심적인 방어 수단으로 연구되고 있습니다 [5-7].
|
||||
@@ -16,15 +16,15 @@ github_commit: "[P-Reinforce] Continuous Worker - Adversarial Code Stylometry"
|
||||
* **배경 및 필요성:** 인터넷 검열과 감시가 강화됨에 따라 프라이버시 향상 기술이나 검열 우회 도구를 개발하는 오픈소스 개발자들이 국가나 기관의 표적이 되는 사례가 늘고 있습니다 [5, 6, 8]. 코드 작성자의 코딩 스타일을 분석해 신원을 파악하는 소스 코드 문체론(Source Code Stylometry)은 이러한 개발자들에게 심각한 위협이 되며, 이에 대항하여 익명성을 유지할 수 있는 적대적 방어 기법이 필요해졌습니다 [7].
|
||||
* **공격 기법 (난독화 및 모방):** 적대적 코드 문체론은 크게 두 가지 접근법을 취합니다. 첫째는 자신의 식별 가능한 코딩 스타일을 모호하게 만드는 '난독화(obfuscation / masking)'이고, 둘째는 다른 특정 작가로 기계 학습 모델을 속이기 위해 의도적으로 대상의 스타일을 흉내 내는 '모방(mimicry / forgery)' 공격입니다 [2-4, 9].
|
||||
* **기존 문체 분석 시스템의 취약성:** 최첨단 소스 코드 문체 분석 시스템조차도 적대적 수정에 취약한 것으로 나타났습니다 [3, 9]. 변수 이름, 매크로, 리터럴, API 호출 등 국소적인 정보(local changes)나 표면적인 형식 변경만으로도 분류기(classifier)를 속여 다른 사람으로 오분류하게 만드는 것이 가능합니다 [10, 11].
|
||||
* **방어 지원 도구 ([[StyleCounsel]]):** 개발자가 다른 이의 스타일을 모방하고 자신의 스타일을 난독화할 수 있도록 돕는 `StyleCounsel`과 같은 시스템이 개발되었습니다 [2, 12]. 이 도구는 랜덤 포레스트(Random Forest)와 같은 기계 학습 모델의 의사 결정 트리를 분석하여, 오분류를 유도할 수 있는 구체적이고 최소한의 코드 변경 사항(예: 특정 구문의 사용 빈도 조절 등)을 사용자에게 추천합니다 [2, 13, 14].
|
||||
* **코드 포매팅을 통한 프라이버시 보호막:** [[Prettier]]나 Black 등과 같은 결정론적 코드 포매터(Formatter) 및 최소화(Minification) 도구를 적용하는 것만으로도 작성자 인식 정확도를 크게 떨어뜨릴 수 있습니다 [15, 16]. 연구에 따르면 코드 포매팅 적용 시 식별 정확도가 68%에서 53%로 하락하며, 최소화를 거치면 50%까지 떨어져 코드 문체론 분석에 대한 실질적인 프라이버시 보호막(Privacy shield) 역할을 수행합니다 [17-19].
|
||||
* **방어 지원 도구 ([[StyleCounsel|StyleCounsel]]):** 개발자가 다른 이의 스타일을 모방하고 자신의 스타일을 난독화할 수 있도록 돕는 `StyleCounsel`과 같은 시스템이 개발되었습니다 [2, 12]. 이 도구는 랜덤 포레스트(Random Forest)와 같은 기계 학습 모델의 의사 결정 트리를 분석하여, 오분류를 유도할 수 있는 구체적이고 최소한의 코드 변경 사항(예: 특정 구문의 사용 빈도 조절 등)을 사용자에게 추천합니다 [2, 13, 14].
|
||||
* **코드 포매팅을 통한 프라이버시 보호막:** [[Prettier|Prettier]]나 Black 등과 같은 결정론적 코드 포매터(Formatter) 및 최소화(Minification) 도구를 적용하는 것만으로도 작성자 인식 정확도를 크게 떨어뜨릴 수 있습니다 [15, 16]. 연구에 따르면 코드 포매팅 적용 시 식별 정확도가 68%에서 53%로 하락하며, 최소화를 거치면 50%까지 떨어져 코드 문체론 분석에 대한 실질적인 프라이버시 보호막(Privacy shield) 역할을 수행합니다 [17-19].
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요.
|
||||
- **정책 변화:** AI 분야의 자동 자산화 수행.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Related Topics:** Code Stylometry, Obfuscation, Mimicry Attack, [[StyleCounsel]]
|
||||
- **Related Topics:** Code Stylometry, Obfuscation, Mimicry Attack, [[StyleCounsel|StyleCounsel]]
|
||||
- **Projects/Contexts:** 오픈소스 기여자 익명성 보장, 검열 우회 및 프라이버시 보호 도구 개발
|
||||
- **Contradictions/Notes:** Caliskan-Islam 등의 기존 연구에서는 'Stunnix'와 같은 상용 난독화 도구를 사용해도 분류기의 식별 정확도가 거의 떨어지지 않는다고 보고했습니다. 그러나 Simko 등의 적대적 연구에서는 실험 참가자들이 표면적인 수준의 변수명 교체나 국소적인 구조 변경 등 간단한 조작을 가하는 것만으로도 기계 학습 모델을 성공적으로 속일 수 있음을 입증하며 기존 분류 시스템의 취약성과 한계를 지적했습니다 [11, 20].
|
||||
|
||||
|
||||
@@ -1,12 +1,12 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-AEVA-001
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-AEVA-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.91
|
||||
tags: [auto-reinforced, aesthetics, value-theory, art-[[Philosophy]], design-[[Principles]]]
|
||||
tags: [auto-reinforced, aesthetics, value-theory, art-[[Philosophy|Philosophy]], design-[[Principles|Principles]]]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Aesthetic-Value]]
|
||||
# [[Aesthetic-Value|Aesthetic-Value]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "아름다움이라는 객관적 질서: 단순히 개인의 취향을 넘어, 대칭, 비례, 조화, 그리고 의외성이라는 요소를 통해 인간의 뇌에 쾌락과 경외감을 선사하는 시각적/지적 가치의 정수."
|
||||
@@ -15,18 +15,18 @@ last_reinforced: 2026-04-20
|
||||
미적 가치(Aesthetic-Value)는 사물이나 예술 작품이 가진 가치 중, 그것을 지각하거나 경험할 때 느끼는 아름다움, 숭엄함, 조화로움 등과 관련된 가치를 의미합니다.
|
||||
|
||||
1. **미적 가치의 구성 요소**:
|
||||
* **Balance & Harmony**: 구성 요소들 간의 균형과 질서. ([[Symmetry-and-Invariance]]와 연결)
|
||||
* **Balance & Harmony**: 구성 요소들 간의 균형과 질서. ([[Symmetry-and-Invariance|Symmetry-and-Invariance]]와 연결)
|
||||
* **Complexity & Novelty**: 너무 단순하면 지루하고, 너무 복잡하면 혼란스럽지만, 적절한 복잡성 속에 숨겨진 참신함은 높은 미적 가치를 가짐.
|
||||
* **Sublimity (숭고함)**: 인간의 이해를 넘어서는 거대함이나 압도적인 힘에서 느끼는 심미적 경외감.
|
||||
2. **적용 및 중요성**:
|
||||
* **UI/UX Design**: 심미적으로 뛰어난 디자인은 사용자에게 신뢰감을 주며 시스템의 사용성을 높임 (Aesthetic-Usability Effect).
|
||||
* **[[Architecture]]**: 공간의 미적 가치는 거주자의 정서와 행동 방식에 영향을 미침.
|
||||
* **[[Architecture|Architecture]]**: 공간의 미적 가치는 거주자의 정서와 행동 방식에 영향을 미침.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 미학을 인간 전유의 주관적 영역으로 보았으나, 현대의 AI 미학 정책은 인간의 뇌가 선호하는 패턴을 통계적으로 학습하여 '객관적인 미적 가치 점수'를 산출하고 생성 AI에 투영하는 정책으로 진화함(RL Update).
|
||||
- **정책 변화(RL Update)**: 기업 브랜딩 및 제품 설계 정책에서, 기능성(Utility)만큼이나 '미적 독창성(Aesthetic Originality)'을 차별화의 핵심 전략 자산으로 관리하는 정책이 강화됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Visual-Effects-VFX]], [[Style-Transfer]], Human-Computer Interaction (HCI), [[Symmetry-and-Invariance]], Foundational Models
|
||||
- [[Visual-Effects-VFX|Visual-Effects-VFX]], [[Style-Transfer|Style-Transfer]], Human-Computer Interaction (HCI), [[Symmetry-and-Invariance|Symmetry-and-Invariance]], Foundational Models
|
||||
- **Modern Tech/Tools**: Aesthetic reward models in Generative AI, Adobe Firefly, Midjourney.
|
||||
---
|
||||
|
||||
@@ -7,7 +7,7 @@ last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Batch 10 - Wikified Affective Computing"
|
||||
---
|
||||
|
||||
# [[Affective Computing]]
|
||||
# [[Affective Computing|Affective Computing]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 핵심 내용 요약 예정
|
||||
|
||||
@@ -1,12 +1,12 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-AFFO-001
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-AFFO-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.96
|
||||
tags: [auto-reinforced, affordance, interaction-design, [[Psychology]], design-theory]
|
||||
tags: [auto-reinforced, affordance, interaction-design, [[Psychology|Psychology]], design-theory]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Affordance]]
|
||||
# [[Affordance|Affordance]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "설명 없이도 알게 하는 행동의 유도: 버튼은 누르고 싶게, 손잡이는 잡고 싶게 만드는 것처럼, 사물의 형태 자체가 인간에게 '어떻게 행동해야 할지'를 본능적으로 알려주는 직관적 설계의 힘."
|
||||
@@ -28,6 +28,6 @@ last_reinforced: 2026-04-20
|
||||
- **정책 변화(RL Update)**: 보조 공학 및 접근성 정책에서, 시각장애인이나 고령자 등 모든 사용자가 사물의 어포던스를 균등하게 느낄 수 있도록 하는 '유니버설 어포던스 가이드라인' 준수가 법적 의무 정책으로 강화됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Human-Computer Interaction (HCI), [[Aesthetic-Value]], [[Psychology & Behavior]], [[Software-Design-Principles]], [[Robotics]]
|
||||
- **Modern Tech/Tools**: [[Apple Human Interface Guidelines]], Material Design (Google), Haptic feedback[[ system]]s.
|
||||
- Human-Computer Interaction (HCI), [[Aesthetic-Value|Aesthetic-Value]], [[Psychology & Behavior|Psychology & Behavior]], [[Software-Design-Principles|Software-Design-Principles]], [[Robotics|Robotics]]
|
||||
- **Modern Tech/Tools**: [[Apple Human Interface Guidelines|Apple Human Interface Guidelines]], Material Design (Google), Haptic feedback[[_system|system]]s.
|
||||
---
|
||||
|
||||
@@ -1,22 +1,22 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-AGAR-001
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-AGAR-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.98
|
||||
tags: [auto-reinforced, agent-[[Architecture]], ai-agents, [[Cognitive-Architecture]], [[Modular-Design]]]
|
||||
tags: [auto-reinforced, agent-[[Architecture|Architecture]], ai-agents, [[Cognitive-Architecture|Cognitive-Architecture]], [[Modular-Design|Modular-Design]]]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Agent Architecture]]
|
||||
# [[Agent Architecture|Agent Architecture]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "자율 주행하는 지능의 내부 구조: 단순히 답을 내는 모델을 넘어, 기억([[memory]]), 계획(Planning), 도구 활용(Tool Use) 기능을 유기적으로 결합하여 독립적으로 미션을 수행하는 에이전트의 뇌 설계."
|
||||
> "자율 주행하는 지능의 내부 구조: 단순히 답을 내는 모델을 넘어, 기억([[memory|memory]]), 계획(Planning), 도구 활용(Tool Use) 기능을 유기적으로 결합하여 독립적으로 미션을 수행하는 에이전트의 뇌 설계."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
에이전트 아키텍처(Agent Architecture)는 인공지능이 환경을 인식하고, 추론하며, 목표 달성을 위해 행동하는 일련의 과정을 구조화한 설계를 의미합니다.
|
||||
|
||||
1. **AI 에이전트의 4대 구성 요소**:
|
||||
* **Brain (The LLM)**: 핵심적인 추론 및 의사결합 엔진.
|
||||
* **Planning**: 목표를 하위 태스크로 분해(Task Decomposition) 및 자가 성찰(Self-[[Reflection]]).
|
||||
* **Planning**: 목표를 하위 태스크로 분해(Task Decomposition) 및 자가 성찰(Self-[[Reflection|Reflection]]).
|
||||
* **Memory**:
|
||||
* **Short-term**: 현재 대화의 맥락 (Context Window).
|
||||
* **Long-term**: 외부 데이터베이스 연결 (RAG, Vector DB).
|
||||
@@ -31,6 +31,6 @@ last_reinforced: 2026-04-20
|
||||
- **정책 변화(RL Update)**: 에이전트의 자율 통제 불능 리스크를 방어하기 위해, 매 행동 단계마다 인간이 승인하거나 규칙을 검증하는 'Human-in-the-loop 에이전트 거버넌스' 정책이 산업 표준으로 채택됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Ps-Reinforce]], Foundational Models, [[Workflow-Inte[[Grit]]y]], [[Self-Correction Mechanisms]], [[Tool-Usage-Optimization]]
|
||||
- [[Ps-Reinforce|Ps-Reinforce]], Foundational Models, Workflow-InteGrity, Self-Correction Mechanisms, [[Tool-Usage-Optimization|Tool-Usage-Optimization]]
|
||||
- **Modern Tech/Tools**: LangChain, AutoGPT, BabyAGI, Microsoft AutoGen, LangGraph.
|
||||
---
|
||||
|
||||
@@ -1,16 +1,16 @@
|
||||
# [[Agent Harness (에이전트 하네스)]]
|
||||
# Agent Harness (에이전트 하네스)
|
||||
|
||||
## 📌 Brief Summary
|
||||
Agent Harness는 에이전트(LLM)가 독립적으로 동작하지 않고, 시스템 자원(파일, 네트워크, 도구)에 접근하고, 상태를 유지하며, 외부와 소통할 수 있도록 감싸는 **'실행 런타임이자 거버넌스 계층'**이다. 에이전트에게는 외부 세계와 소통하는 인터페이스를 제공하고, 시스템에게는 에이전트의 행동을 통제하고 관찰하는 보안 및 운영 경계를 제공한다. 최근에는 이를 **'Agent OS'**라고도 부른다.
|
||||
|
||||
## 📖 Core Content
|
||||
* **6대 구성 요소 (Standard Architecture)**:
|
||||
* **[[C-component (Context Manager)]]**: 컨텍스트 조립 및 압축 관리.
|
||||
* **[[E-component (Execution Loop)]]**: 에이전트의 사고-행동 반복 루프 제어.
|
||||
* **[[L-component (Lifecycle Hooks)]]**: 이벤트 인터셉터 및 정책 강제 계층.
|
||||
* **[[S-component (State Store)]]**: 단기/장기 메모리 및 지식 지속성 관리.
|
||||
* **[[T-component (Tool Registry)]]**: 외부 도구 연결 및 실행 표준화(MCP 등).
|
||||
* **[[V-component (Evaluation Interface)]]**: 결과 검증 및 피드백 루프.
|
||||
* **[[C-component (Context Manager)|C-component (Context Manager)]]**: 컨텍스트 조립 및 압축 관리.
|
||||
* **[[E-component (Execution Loop)|E-component (Execution Loop)]]**: 에이전트의 사고-행동 반복 루프 제어.
|
||||
* **[[L-component (Lifecycle Hooks)|L-component (Lifecycle Hooks)]]**: 이벤트 인터셉터 및 정책 강제 계층.
|
||||
* **[[S-component (State Store)|S-component (State Store)]]**: 단기/장기 메모리 및 지식 지속성 관리.
|
||||
* **[[T-component (Tool Registry)|T-component (Tool Registry)]]**: 외부 도구 연결 및 실행 표준화(MCP 등).
|
||||
* **[[V-component (Evaluation Interface)|V-component (Evaluation Interface)]]**: 결과 검증 및 피드백 루프.
|
||||
* **시스템 자원 추상화**: 에이전트가 직접 OS API를 호출하는 대신, 하네스가 제공하는 가상화된 파일 시스템, 네트워크 게이트웨이, 도구 셋을 통해 안전하게 상호작용하도록 한다.
|
||||
* **보안 및 격리 (Sandboxing)**: 에이전트의 실행 환경을 호스트 시스템과 격리하여, 프롬프트 인젝션이나 악성 코드 실행으로 인한 피해가 확산되는 것을 방지한다.
|
||||
* **상태 보존 및 복구**: 작업 중단 시 현재의 컨텍스트와 메모리 상태를 저장하고, 나중에 동일한 지점에서 작업을 재개할 수 있는 스냅샷 기능을 제공한다.
|
||||
@@ -24,11 +24,11 @@ Agent Harness는 에이전트(LLM)가 독립적으로 동작하지 않고, 시
|
||||
## 🔗 Knowledge Connections
|
||||
|
||||
### Related Concepts
|
||||
* [[Agent OS]]
|
||||
* Agent OS
|
||||
* 연결 이유: 에이전트 하네스의 개념이 확장되어 운영체제 수준의 자원 관리를 수행하는 상위 개념이다.
|
||||
* [[MCP (Model Context Protocol)]]
|
||||
* [[MCP (Model Context Protocol)|MCP (Model Context Protocol)]]
|
||||
* 연결 이유: 하네스의 T-component가 외부 도구와 통신하기 위해 채택하는 표준 프로토콜이다.
|
||||
* [[Execution Environment (Sandbox)]]
|
||||
* [[Execution Environment (Sandbox)|Execution Environment (Sandbox)]]
|
||||
* 연결 이유: 하네스가 에이전트를 실제로 실행시키는 물리적/가상적 격리 공간이다.
|
||||
|
||||
### Deeper Research Questions
|
||||
|
||||
@@ -1,4 +1,4 @@
|
||||
# [[Agent Identity Management (에이전트 신원 관리)]]
|
||||
# Agent Identity Management (에이전트 신원 관리)
|
||||
|
||||
## 📌 Brief Summary
|
||||
Agent Identity Management는 다중 에이전트 환경에서 각 에이전트의 고유한 신원(Identity), 역할(Persona), 그리고 부여된 권한(Authorization)을 정의하고 관리하는 시스템이다. 에이전트가 누구를 대리하여 작업하는지, 어떤 도구에 접근할 수 있는지, 그리고 행동에 대한 책임(Accountability)을 누구에게 물을 것인지를 명확히 하는 보안 및 거버넌스의 기초이다.
|
||||
@@ -20,11 +20,11 @@ Agent Identity Management는 다중 에이전트 환경에서 각 에이전트
|
||||
## 🔗 Knowledge Connections
|
||||
|
||||
### Related Concepts
|
||||
* [[Agent Harness]]
|
||||
* [[Agent Harness|Agent Harness]]
|
||||
* 연결 이유: 하네스의 L-component가 실질적으로 신원 기반 정책을 집행한다.
|
||||
* [[Agent Card]]
|
||||
* Agent Card
|
||||
* 연결 이유: 에이전트의 신원과 능력을 외부로 노출하고 검색 가능하게 만드는 표준 규격이다.
|
||||
* [[Governance & Reliability]]
|
||||
* Governance & Reliability
|
||||
* 연결 이유: 신원 관리는 신뢰할 수 있는 에이전트 시스템 구축의 필수 요건이다.
|
||||
|
||||
### Deeper Research Questions
|
||||
|
||||
@@ -1,4 +1,4 @@
|
||||
# [[Agent Memory System (에이전트 메모리 시스템)]]
|
||||
# Agent Memory System (에이전트 메모리 시스템)
|
||||
|
||||
## 📌 Brief Summary
|
||||
Agent Memory System은 에이전트가 런타임 중에 획득한 정보, 사용자의 선호도, 현재 작업의 상태, 그리고 과거의 성공/실패 경험을 체계적으로 저장하고 관리하는 다층 메모리 아키텍처이다. 메모리 시스템은 에이전트가 단기적인 문맥 유지(Context)를 넘어, 장기적인 학습과 성장을 가능하게 하는 핵심 지식 기반(Knowledge Base) 역할을 한다.
|
||||
@@ -22,11 +22,11 @@ Agent Memory System은 에이전트가 런타임 중에 획득한 정보, 사용
|
||||
## 🔗 Knowledge Connections
|
||||
|
||||
### Related Concepts
|
||||
* [[Inference-Coupled Persistence]]
|
||||
* [[Inference-Coupled Persistence|Inference-Coupled Persistence]]
|
||||
* 연결 이유: 메모리를 생성하고 영구화하는 핵심 기전이다.
|
||||
* [[S-component (State Store)]]
|
||||
* [[S-component (State Store)|S-component (State Store)]]
|
||||
* 연결 이유: 메모리 시스템이 실제로 데이터를 저장하는 하네스의 구성 요소이다.
|
||||
* [[Context Engineering]]
|
||||
* [[Context Engineering|Context Engineering]]
|
||||
* 연결 이유: 저장된 메모리 중 어떤 정보를 컨텍스트에 넣을지 결정하는 전략이다.
|
||||
|
||||
### Deeper Research Questions
|
||||
|
||||
@@ -1,12 +1,12 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-AGPE-001
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-AGPE-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.94
|
||||
tags: [auto-reinforced, agent-personality, [[Anthropomorphism]], user-experience, social-ai]
|
||||
tags: [auto-reinforced, agent-personality, [[Anthropomorphism|Anthropomorphism]], user-experience, social-ai]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Agent Personality]]
|
||||
# [[Agent Personality|Agent Personality]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "지능에 입힌 인격의 옷: 에이전트의 말투, 태도, 윤리적 태도를 정의하여 사용자에게 단순히 기계가 아닌 '믿을 수 있는 동료'라는 인상을 심어주는 사회적 지능의 설계."
|
||||
@@ -17,9 +17,9 @@ last_reinforced: 2026-04-20
|
||||
1. **페르소나의 구성 요소**:
|
||||
* **Tone & Voice**: 친절함, 냉철함, 유머러스함 등 말투의 특징.
|
||||
* **Knowledge Profile**: 자신의 지식 한계를 어떻게 인정하고 표현하는지.
|
||||
* **[[Behavior]]al [[identity]]**: 사용자 요청에 대해 협력적인지, 비판적인지, 혹은 적극적으로 대안을 제시하는지.
|
||||
* **[[Behavior|Behavior]]al identity**: 사용자 요청에 대해 협력적인지, 비판적인지, 혹은 적극적으로 대안을 제시하는지.
|
||||
2. **설계 기법**:
|
||||
* **System [[prompt]]ing**: 에이전트에게 "너는 20년 경력의 냉철한 부장님이야"와 같은 역할 정보를 부여.
|
||||
* **System prompting**: 에이전트에게 "너는 20년 경력의 냉철한 부장님이야"와 같은 역할 정보를 부여.
|
||||
* **Few-shot Persona**: 예시 대화를 통해 특정 말투나 인격을 모방하게 함.
|
||||
3. **효과**:
|
||||
* 사용자의 몰입감 증대, 에이전트의 답변에 대한 신뢰도 및 예측 가능성 확보.
|
||||
@@ -29,6 +29,6 @@ last_reinforced: 2026-04-20
|
||||
- **정책 변화(RL Update)**: 과도한 인격화(Anthropomorphism)로 인해 사용자가 AI와 정서적으로 중독되는 부작용을 방지하기 위해, 필요 시 자신이 AI임을 다시 환기시키고 거리를 두는 '심리적 안전 가트레일 정책'이 서비스 설계 정책에 포함됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Ps-Reinforce]], Human-Computer Interaction (HCI), [[Agent Architecture]], [[Psychology & Behavior]], [[Toxicity-and-Bias-Mitigation]]
|
||||
- [[Ps-Reinforce|Ps-Reinforce]], Human-Computer Interaction (HCI), [[Agent Architecture|Agent Architecture]], [[Psychology & Behavior|Psychology & Behavior]], [[Toxicity-and-Bias-Mitigation|Toxicity-and-Bias-Mitigation]]
|
||||
- **Modern Tech/Tools**: Character.ai, Custom GPTs (OpenAI), Claude Project Instructions.
|
||||
---
|
||||
|
||||
@@ -1,13 +1,13 @@
|
||||
---
|
||||
id: b4c2a1d3-e4f5-4a6b-8c7d-9e1b2c3d4f5a
|
||||
category: "[[10_Wiki/Topics/AI]]"
|
||||
category: "10_Wiki/Topics/AI"
|
||||
confidence_score: 0.99
|
||||
tags: [agent, harness, infrastructure, runtime, governance, ai]
|
||||
last_reinforced: 2026-05-01
|
||||
github_commit: "wikification-harness"
|
||||
---
|
||||
|
||||
# [[Agent Harness]]
|
||||
# [[Agent Harness|Agent Harness]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 에이전트 하네스는 모델(두뇌)을 감싸 외부 세계와 안전하고 영속적으로 소통하게 만드는 '신체 및 환경 인프라'로, 프롬프트 엔지니어링을 넘어 시스템의 신뢰성과 성능 상한을 결정하는 핵심 제어 계층이다.
|
||||
@@ -35,9 +35,9 @@ github_commit: "wikification-harness"
|
||||
- **멀티 에이전트 오케스트레이션**: 역할 분리는 효율적이나 에이전트 간 통신 오버헤드와 일관성 관리 비용이 기하급수적으로 증가한다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Parent**: [[10_Wiki/Topics/AI]]
|
||||
- **Related**: [[Model Context Protocol (MCP)]], [[Context Engineering]], [[Plan-Execute-Verify (PEV) Loop]], [[Sandboxing]]
|
||||
- **Raw Source**: [[00_Raw/Agent Harness]]
|
||||
- **Parent**: 10_Wiki/Topics/AI
|
||||
- **Related**: [[Model Context Protocol (MCP)|Model Context Protocol (MCP)]], [[Context Engineering|Context Engineering]], Plan-Execute-Verify (PEV) Loop, Sandboxing
|
||||
- **Raw Source**: 00_Raw/Agent Harness
|
||||
|
||||
## 💻 GitHub 동기화 자동화 워크플로우
|
||||
1. Stage: git add .
|
||||
|
||||
@@ -1,13 +1,13 @@
|
||||
---
|
||||
id: e5f4a3b2-c1d0-4e8b-9a7d-2b3c4d5e6f7a
|
||||
category: "[[10_Wiki/Topics/AI]]"
|
||||
category: "10_Wiki/Topics/AI"
|
||||
confidence_score: 0.97
|
||||
tags: [agent, memory, state-store, persistence, harness, ai]
|
||||
last_reinforced: 2026-05-01
|
||||
github_commit: "wikification-state-store"
|
||||
---
|
||||
|
||||
# [[Agent State Store]]
|
||||
# [[Agent_State_Store|Agent State Store]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> Agent State Store(S-component)는 에이전트의 다중 턴 및 세션 간 상태 지속성을 관리하여 실행 중단 시 복구를 지원하고, 경험을 추상화된 지식으로 보존하는 런타임 거버넌스 인프라이다.
|
||||
@@ -30,9 +30,9 @@ github_commit: "wikification-state-store"
|
||||
- **표준화 부재**: MCP와 달리 상태 저장소 인터페이스는 파편화되어 있어 에이전트 간 메모리 이식성이 낮다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Parent**: [[10_Wiki/Topics/AI]]
|
||||
- **Related**: [[Execution Loop (E-component)]], [[Context Manager (C-component)]], [[Lifecycle Hooks (L-component)]], [[Agent Workflow Memory (AWM)]]
|
||||
- **Raw Source**: [[00_Raw/Agent State Store]]
|
||||
- **Parent**: 10_Wiki/Topics/AI
|
||||
- **Related**: Execution Loop (E-component), Context Manager (C-component), Lifecycle Hooks (L-component), Agent Workflow Memory (AWM)
|
||||
- **Raw Source**: 00_Raw/Agent State Store
|
||||
|
||||
## 💻 GitHub 동기화 자동화 워크플로우
|
||||
1. Stage: git add .
|
||||
|
||||
@@ -1,16 +1,16 @@
|
||||
# [[Agentic AI Security (에이전트 보안)]]
|
||||
# Agentic AI Security (에이전트 보안)
|
||||
|
||||
## 📌 Brief Summary
|
||||
Agentic AI Security는 자율적으로 판단하고 도구를 실행하는 에이전트 시스템에서 발생할 수 있는 고유한 보안 위협(프롬프트 인젝션, 권한 남용, 데이터 유출 등)으로부터 시스템과 데이터를 보호하기 위한 기술 및 정책적 방어 체계이다. 단순한 LLM 보안을 넘어, 에이전트가 활동하는 전체 환경(Harness, Sandbox, Memory, Tools)을 포함하는 방어 심층(Defense-in-Depth) 아키텍처를 지향한다.
|
||||
|
||||
## 📖 Core Content
|
||||
* **주요 위협 모델 (Threat Model)**:
|
||||
* **[[Indirect Prompt Injection]]**: 외부 데이터(웹페이지, 파일)에 숨겨진 악성 지침이 에이전트를 하이재킹하는 공격.
|
||||
* **[[Excessive Agency]]**: 에이전트에게 필요 이상의 강력한 도구 실행 권한이 부여되어 발생하는 리스크.
|
||||
* **[[Indirect Prompt Injection|Indirect Prompt Injection]]**: 외부 데이터(웹페이지, 파일)에 숨겨진 악성 지침이 에이전트를 하이재킹하는 공격.
|
||||
* **[[Excessive Agency|Excessive Agency]]**: 에이전트에게 필요 이상의 강력한 도구 실행 권한이 부여되어 발생하는 리스크.
|
||||
* **Memory Poisoning**: 에이전트의 장기 메모리에 잘못된 정보를 주입하여 지속적인 오작동을 유발.
|
||||
* **방어 심층 (Defense-in-Depth) 아키텍처**:
|
||||
* **L-component (Lifecycle Hooks)**: 런타임에 모든 명령과 결과를 검사하는 감시 계층.
|
||||
* **[[Execution Environment (Sandbox)]]**: 코드 실행 및 파일 조작을 격리된 공간에서 수행.
|
||||
* **[[Execution Environment (Sandbox)|Execution Environment (Sandbox)]]**: 코드 실행 및 파일 조작을 격리된 공간에서 수행.
|
||||
* **Zoned Governance**: 에이전트의 신뢰 등급에 따라 접근 가능한 자원 존(Zone)을 분리.
|
||||
* **최소 권한의 원칙 (Least Privilege)**: 에이전트에게 현재 작업을 완수하는 데 필요한 최소한의 도구와 데이터 접근 권한만을 동적으로 부여한다.
|
||||
* **인간 승인 게이트 (Human-in-the-loop)**: 민감한 작업(파일 삭제, 이메일 발송, 금융 거래 등) 실행 전 반드시 사용자의 명시적 승인을 거치도록 설계한다.
|
||||
@@ -23,11 +23,11 @@ Agentic AI Security는 자율적으로 판단하고 도구를 실행하는 에
|
||||
## 🔗 Knowledge Connections
|
||||
|
||||
### Related Concepts
|
||||
* [[Agent Harness]]
|
||||
* [[Agent Harness|Agent Harness]]
|
||||
* 연결 이유: 보안 정책이 실제로 구현되고 집행되는 인프라 계층이다.
|
||||
* [[Indirect Prompt Injection]]
|
||||
* [[Indirect Prompt Injection|Indirect Prompt Injection]]
|
||||
* 연결 이유: 에이전틱 환경에서 가장 치명적이고 빈번한 공격 유형이다.
|
||||
* [[Excessive Agency]]
|
||||
* [[Excessive Agency|Excessive Agency]]
|
||||
* 연결 이유: 에이전트 설계 시 가장 흔하게 발생하는 보안 설정 오류이다.
|
||||
|
||||
### Deeper Research Questions
|
||||
|
||||
@@ -1,12 +1,12 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-AGCO-001
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-AGCO-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.97
|
||||
tags: [auto-reinforced, agentic-coding, software-development, ai-coding, [[Autonomous-Agents]], devops]
|
||||
tags: [auto-reinforced, agentic-coding, software-development, ai-coding, [[Autonomous-Agents|Autonomous-Agents]], devops]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Agentic Coding]]
|
||||
# [[Agentic Coding|Agentic Coding]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "코딩하는 기계의 진화: 단순히 코드 조각을 추천하는 것을 넘어, 파일 구조를 이해하고, 버그를 디버깅하며, 테스트를 통과할 때까지 스스로 수정 루프를 돌리는 자율 코딩 에이전트의 시대."
|
||||
@@ -16,9 +16,9 @@ last_reinforced: 2026-04-20
|
||||
|
||||
1. **핵심 워크플로우 (The Loops)**:
|
||||
* **Planning**: 요구사항을 파일별, 기능별 태스크로 쪼개기.
|
||||
* **Action**: 실제 소스 코드 파일을 읽고 쓰기 (File[[ system]] Access).
|
||||
* **Action**: 실제 소스 코드 파일을 읽고 쓰기 (File[[_system|system]] Access).
|
||||
* **Terminal Interaction**: 코드를 실행하고 에러 메시지 분석.
|
||||
* **[[Self-Correction]]**: 에러를 바탕으로 코드를 수정하고 단위 테스트를 반복해서 돌려 무결성 확보.
|
||||
* **Self-Correction**: 에러를 바탕으로 코드를 수정하고 단위 테스트를 반복해서 돌려 무결성 확보.
|
||||
2. **도구와 환경**:
|
||||
* 에이전트는 브라우저, 터미널, 파일 에디터와 같은 도구를 인간과 동일하게 사용함 (Multi-tool use).
|
||||
3. **지위의 변화**:
|
||||
@@ -29,6 +29,6 @@ last_reinforced: 2026-04-20
|
||||
- **정책 변화(RL Update)**: 자율 코딩 에이전트가 보안 취약점을 만들거나 악성 코드를 삽입할 위험 정책에 대응하기 위해, 모든 AI 생성 코드에 대해 정적 분석과 보안 샌드박스 검증을 의무화하는 'AI 보안 코딩 거버넌스' 정책이 수립됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Agent Architecture]], [[Workflow-Inte[[Grit]]y]], [[Self-Correction Mechanisms]], [[Tool-Usage-Optimization]], [[Software-Design-Principles]], [[Ps-Reinforce]]
|
||||
- [[Agent Architecture|Agent Architecture]], Workflow-InteGrity, Self-Correction Mechanisms, [[Tool-Usage-Optimization|Tool-Usage-Optimization]], [[Software-Design-Principles|Software-Design-Principles]], [[Ps-Reinforce|Ps-Reinforce]]
|
||||
- **Modern Tech/Tools**: Devin, OpenDevin, Sweep.dev, GitHub Copilot Workspace, Antigravity Agent.
|
||||
---
|
||||
|
||||
@@ -1,4 +1,4 @@
|
||||
# [[Agentic Creative Era]]
|
||||
# [[Agentic Creative Era|Agentic Creative Era]]
|
||||
|
||||
## 📌 Brief Summary
|
||||
'에이전틱 크리에이티브(Agentic Creative)' 시대는 인간 창작자가 프롬프트의 모든 세부 문장을 직접 작성하는 대신, 대략적인 비전만 제시하면 AI 에이전트가 이를 최적의 기술적 언어로 자동 번역하여 결과물을 도출해 내는 새로운 창작 패러다임을 의미합니다 [1]. 이 시대에는 인공지능 이미지 생성이 단편적인 이미지 출력에서 벗어나 대량의 시안을 연속적으로 다루는 창작 워크플로우로 전환됩니다 [1, 2]. 결과적으로 창작자의 핵심 역할은 단순한 키워드 나열에서 벗어나, 자신만의 고유한 스타일 코드를 구축하고 AI 에이전트와의 협업 루틴을 정교화하는 방향으로 진화하게 됩니다 [1].
|
||||
@@ -10,8 +10,8 @@
|
||||
* **AI 에이전트와의 협업 파트너십**: 결국 창작자는 단순한 도구의 사용자를 넘어, 최적의 결과물을 함께 만들어가는 디지털 동료로서 AI 에이전트와의 협업 루틴을 발전시켜야 합니다 [1, 5]. 기술적인 번역과 대량 생산은 AI가 담당하더라도, 최종적으로 자신만의 서사와 스타일 코드를 결정하고 방향성을 제시하는 것은 여전히 인간 창작자의 고유한 영역으로 남습니다 [1].
|
||||
|
||||
## 🔗 Knowledge Connections
|
||||
- **Related Topics:** [[프롬프트 엔지니어링]], [[개인화 및 스타일 참조]]
|
||||
- **Projects/Contexts:** [[미드저니 V7/V8 연속적 창작 워크플로우]]
|
||||
- **Related Topics:** [[프롬프트 엔지니어링|프롬프트 엔지니어링]], 개인화 및 스타일 참조
|
||||
- **Projects/Contexts:** 미드저니 V7/V8 연속적 창작 워크플로우
|
||||
- **Contradictions/Notes:** 소스에 관련 정보가 부족합니다.
|
||||
|
||||
---
|
||||
|
||||
@@ -1,4 +1,4 @@
|
||||
# [[Agentic Governance (에이전트 거버넌스)]]
|
||||
# Agentic Governance (에이전트 거버넌스)
|
||||
|
||||
## 📌 Brief Summary
|
||||
Agentic Governance는 자율 에이전트 시스템이 조직의 목표와 일치하고, 윤리적 기준을 준수하며, 보안 및 규제 요구사항을 충족하도록 관리하고 감독하는 체계이다. 에이전트의 설계부터 개발, 배포, 그리고 실시간 운영 전 과정에 걸쳐 투명성, 책임성, 신뢰성을 보장하기 위한 정책과 기술적 도구 모음을 포괄한다.
|
||||
@@ -19,11 +19,11 @@ Agentic Governance는 자율 에이전트 시스템이 조직의 목표와 일
|
||||
## 🔗 Knowledge Connections
|
||||
|
||||
### Related Concepts
|
||||
* [[Agentic AI Security]]
|
||||
* [[Agentic AI Security|Agentic AI Security]]
|
||||
* 연결 이유: 거버넌스의 핵심적인 하위 목표 중 하나가 보안이다.
|
||||
* [[Agent Harness]]
|
||||
* [[Agent Harness|Agent Harness]]
|
||||
* 연결 이유: 거버넌스 정책이 기술적으로 구현되고 집행되는 물리적 런타임이다.
|
||||
* [[Human-in-the-loop (HITL)]]
|
||||
* [[Human-in-the-loop (HITL)|Human-in-the-loop (HITL)]]
|
||||
* 연결 이유: 거버넌스를 실현하기 위해 인간이 개입하는 구체적인 운영 방식이다.
|
||||
|
||||
### Deeper Research Questions
|
||||
|
||||
@@ -1,4 +1,4 @@
|
||||
# [[Agentic Orchestration (에이전트 오케스트레이션)]]
|
||||
# Agentic Orchestration (에이전트 오케스트레이션)
|
||||
|
||||
## 📌 Brief Summary
|
||||
Agentic Orchestration은 복잡한 목표를 달성하기 위해 여러 전문화된 에이전트들의 실행 순서, 데이터 흐름, 역할 분담, 그리고 상호작용을 체계적으로 조율하고 관리하는 기술적 방법론이다. 단일 에이전트의 한계를 넘어, 에이전트 간의 협업 토폴로지(Topology)를 설계하고 실행 루프를 동기화하여 시스템 전체의 지능과 안정성을 극대화하는 것이 목적이다.
|
||||
@@ -10,8 +10,8 @@ Agentic Orchestration은 복잡한 목표를 달성하기 위해 여러 전문
|
||||
* **협업형 (Joint Collaboration)**: 공용 칠판(Blackboard)이나 공유 메모리를 통해 여러 에이전트가 동시에 문제를 해결하는 구조.
|
||||
* **동적 라우팅 (Dynamic Routing)**: 작업의 성격에 따라 가장 적합한 에이전트에게 작업을 실시간으로 배정.
|
||||
* **조율 메커니즘 (Coordination)**:
|
||||
* **[[ACP (Agent Communication Protocol)]]**: 에이전트 간의 의도와 목표를 공유하는 표준 언어.
|
||||
* **[[A2A (Agent-to-Agent Protocol)]]**: 원격 하네스 간의 작업 위임 및 데이터 스트리밍 표준.
|
||||
* **[[ACP (Agent Communication Protocol)|ACP (Agent Communication Protocol)]]**: 에이전트 간의 의도와 목표를 공유하는 표준 언어.
|
||||
* **[[A2A (Agent-to-Agent Protocol)|A2A (Agent-to-Agent Protocol)]]**: 원격 하네스 간의 작업 위임 및 데이터 스트리밍 표준.
|
||||
* **Shared Context Window**: 여러 에이전트가 동일한 작업 맥락을 공유하고 업데이트하는 기술.
|
||||
* **상태 동기화 및 일관성**: 여러 에이전트가 동시에 공유 자원을 수정할 때 발생하는 충돌을 해결하고, 전체 워크플로우의 진행 상태(AWM)를 일관되게 유지한다.
|
||||
* **에러 전파 및 복구**: 특정 에이전트의 실패가 전체 시스템의 중단으로 이어지지 않도록 예외 처리와 재시도 전략을 오케스트레이션 계층에서 관리한다.
|
||||
@@ -24,11 +24,11 @@ Agentic Orchestration은 복잡한 목표를 달성하기 위해 여러 전문
|
||||
## 🔗 Knowledge Connections
|
||||
|
||||
### Related Concepts
|
||||
* [[Agent Harness]]
|
||||
* [[Agent Harness|Agent Harness]]
|
||||
* 연결 이유: 개별 에이전트의 실행은 하네스가, 하네스 간의 연결은 오케스트레이션이 담당한다.
|
||||
* [[ACP (Agent Communication Protocol)]]
|
||||
* [[ACP (Agent Communication Protocol)|ACP (Agent Communication Protocol)]]
|
||||
* 연결 이유: 오케스트레이션의 성공을 위한 기술적 통신 기반이다.
|
||||
* [[Multi-Agent Coordination]]
|
||||
* Multi-Agent Coordination
|
||||
* 연결 이유: 오케스트레이션을 구현하기 위한 구체적인 협업 알고리즘이다.
|
||||
|
||||
### Deeper Research Questions
|
||||
|
||||
@@ -1,13 +1,13 @@
|
||||
---
|
||||
id: f6a5b4c3-d2e1-4f0a-9b8c-7d6e5f4a3b2c
|
||||
category: "[[10_Wiki/Topics/Development]]"
|
||||
category: "10_Wiki/Topics/Development"
|
||||
confidence_score: 0.99
|
||||
tags: [agentic-se, software-engineering, ai-agent, harness, automation, development]
|
||||
last_reinforced: 2026-05-01
|
||||
github_commit: "wikification-agentic-se"
|
||||
---
|
||||
|
||||
# [[Agentic Software Engineering]]
|
||||
# [[Agentic_Software_Engineering|Agentic Software Engineering]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 에이전틱 소프트웨어 엔지니어링은 개발자가 구현자(Implementer)에서 자율적으로 계획·코딩·디버깅하는 에이전트를 조율하는 오케스트레이터(Orchestrator)로 진화하는 패러다임이다.
|
||||
@@ -31,9 +31,9 @@ github_commit: "wikification-agentic-se"
|
||||
- **하네스 편향성**: 에이전트의 성능 지표는 모델 지능뿐만 아니라 하네스의 도구 설계 및 에러 처리 방식에 크게 좌우된다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Parent**: [[10_Wiki/Topics/Development]]
|
||||
- **Related**: [[Agent Harness]], [[Model Context Protocol (MCP)]], [[Plan-Execute-Verify (PEV) Loop]], [[SWE-World]]
|
||||
- **Raw Source**: [[00_Raw/Agentic Software Engineering]]
|
||||
- **Parent**: 10_Wiki/Topics/Development
|
||||
- **Related**: [[Agent Harness|Agent Harness]], [[Model Context Protocol (MCP)|Model Context Protocol (MCP)]], Plan-Execute-Verify (PEV) Loop, SWE-World
|
||||
- **Raw Source**: 00_Raw/Agentic Software Engineering
|
||||
|
||||
## 💻 GitHub 동기화 자동화 워크플로우
|
||||
1. Stage: git add .
|
||||
|
||||
@@ -1,12 +1,12 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-AGPH-001
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-AGPH-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.95
|
||||
tags: [auto-reinforced, agile, manifesto, [[Philosophy]], project-[[Management]], iteractive-design]
|
||||
tags: [auto-reinforced, agile, manifesto, [[Philosophy|Philosophy]], project-[[Management|Management]], iteractive-design]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Agile-Philosophy]]
|
||||
# [[Agile-Philosophy|Agile-Philosophy]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "변화에 춤추는 민첩함: 완벽한 계획보다 빠른 실행을, 문서보다 동작하는 산출물을 우선하며, 끊임없는 피드백을 통해 고객의 진정한 가치를 찾아가는 유연한 철학."
|
||||
@@ -20,7 +20,7 @@ last_reinforced: 2026-04-20
|
||||
* **고객과의 협력** > 계약 협상.
|
||||
* **변화에 대응하기** > 계획 준수.
|
||||
2. **핵심 매커니즘**:
|
||||
* **[[Iteration]] (Sprint)**: 1~4주 단위의 성과물 배포 주기를 반복.
|
||||
* **[[Iteration|Iteration]] (Sprint)**: 1~4주 단위의 성과물 배포 주기를 반복.
|
||||
* **Continuous Feedback**: 실제 사용자나 고객으로부터 정기적으로 피드백 수렴.
|
||||
* **Retrospective (회고)**: 팀의 일하는 방식 자체를 돌아보고 개선.
|
||||
3. **목표**:
|
||||
@@ -31,6 +31,6 @@ last_reinforced: 2026-04-20
|
||||
- **정책 변화(RL Update)**: 대규모 기업 정책 수립 시, 애자일이 단순히 '빠르게' 하는 것으로 오용되어 품질이 저하되는 부작용을 막기 위해, 'Agile Governance'와 'QA 자동화 정책'을 전제로 한 성숙한 애자일 문화 도입 정책이 추진됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Stability vs Flexibility]], [[Rapid-Prototyping]], [[Working-Backwards]], [[Theory of Constraints (TOC)]], [[Systems Thinking]]
|
||||
- **Modern Tech/Tools**: Scrum, Kanban, Jira, Linear, Short-cycle feedback[[ system]]s.
|
||||
- [[Stability vs Flexibility|Stability vs Flexibility]], [[Rapid-Prototyping|Rapid-Prototyping]], [[Working-Backwards|Working-Backwards]], [[Theory of Constraints (TOC)|Theory of Constraints (TOC)]], [[Systems Thinking|Systems Thinking]]
|
||||
- **Modern Tech/Tools**: Scrum, Kanban, Jira, Linear, Short-cycle feedback[[_system|system]]s.
|
||||
---
|
||||
|
||||
@@ -1,13 +1,13 @@
|
||||
---
|
||||
id: a1g2i3l4-e5t6-4e8a-m9c0-1o2l3l4a5b6c
|
||||
category: "[[10_Wiki/Topics/Development]]"
|
||||
category: "10_Wiki/Topics/Development"
|
||||
confidence_score: 0.95
|
||||
tags: [agile, collaboration, team, project-management, small-teams, code-review]
|
||||
last_reinforced: 2026-05-01
|
||||
github_commit: "wikification-agile-collaboration"
|
||||
---
|
||||
|
||||
# [[Agile Development & Team Collaboration]]
|
||||
# Agile Development & Team Collaboration
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 애자일 소프트웨어 개발은 완벽한 계획보다 빠른 피드백과 점진적 개선을 중시하며, 팀 규모에 최적화된 협업 도구와 코드 리뷰 문화를 통해 지식의 파편화를 방지하고 제품의 품질을 상시 유지하는 것이다.
|
||||
@@ -32,9 +32,9 @@ github_commit: "wikification-agile-collaboration"
|
||||
- **리뷰 지연**: 과도하게 꼼꼼한 코드 리뷰는 릴리즈 속도를 늦출 수 있다. 자동화된 툴(Lint, Test)로 걸러낼 부분과 인간이 판단할 부분을 명확히 구분해야 한다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Parent**: [[10_Wiki/Topics/Development]]
|
||||
- **Related**: [[Engineering Principles (SOLID, DRY, KISS, YAGNI)]], [[Git Workflows]]
|
||||
- **Raw Source**: [[00_Raw/Agile Software Development in Small Teams]], [[00_Raw/Agile Environments]], [[00_Raw/Team Collaboration]], [[00_Raw/Code Review]], [[00_Raw/Small vs Large Frontend Teams]]
|
||||
- **Parent**: 10_Wiki/Topics/Development
|
||||
- **Related**: Engineering Principles (SOLID, DRY, KISS, YAGNI), [[Git_Workflows|Git Workflows]]
|
||||
- **Raw Source**: 00_Raw/Agile Software Development in Small Teams, 00_Raw/Agile Environments, 00_Raw/Team Collaboration, 00_Raw/Code Review, 00_Raw/Small vs Large Frontend Teams
|
||||
|
||||
## 💻 GitHub 동기화 자동화 워크플로우
|
||||
1. Stage: git add .
|
||||
|
||||
@@ -1,13 +1,13 @@
|
||||
---
|
||||
id: P-REINFORCE-750784
|
||||
category: "[[10_Wiki/💡 Topics/Game Design]]"
|
||||
category: "10_Wiki/💡 Topics/Game Design"
|
||||
confidence_score: 0.95
|
||||
tags: []
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Batch 11 - Wikified Albion Online (Full Loot/Player-Driven Production)"
|
||||
---
|
||||
|
||||
# [[Albion Online (Full Loot/Player-Driven Production)]]
|
||||
# [[Albion Online (Full LootPlayer-Driven Production)|Albion Online (Full Loot/Player-Driven Production)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 지식 요약 작업 중
|
||||
@@ -21,5 +21,5 @@ github_commit: "[P-Reinforce] Batch 11 - Wikified Albion Online (Full Loot/Playe
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
|
||||
- Raw Source: [[00_Raw/2026-04-20/Albion Online (Full Loot_Player-Driven Production).md]]
|
||||
- Raw Source: 00_Raw/2026-04-20/Albion Online (Full Loot_Player-Driven Production).md
|
||||
---
|
||||
|
||||
@@ -1,12 +1,12 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-ALCO-001
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-ALCO-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.88
|
||||
tags: [auto-reinforced, alcoholism, addiction-[[Psychology]], public-health, mental-health]
|
||||
tags: [auto-reinforced, alcoholism, addiction-[[Psychology|Psychology]], public-health, mental-health]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Alcoholism]]
|
||||
# [[Alcoholism|Alcoholism]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "조절력을 잃은 질병: 술에 대한 강박적 집착과 남용으로 인해 건강, 관계, 사회적 기능을 파괴함에도 불구하고 멈출 수 없는 만성적 중독 상태."
|
||||
@@ -17,7 +17,7 @@ last_reinforced: 2026-04-20
|
||||
1. **주요 특징**:
|
||||
* **Tolerance (내성)**: 같은 효과를 보려면 더 많은 술을 마셔야 함.
|
||||
* **Withdrawal (금단)**: 단주 시 떨림, 환각, 불안 증세 발생.
|
||||
* **Impulsivity**: 부정적 결과를 알면서도 즉각적인 보상(술)을 선택. ([[Decision Theory]]와 연결)
|
||||
* **Impulsivity**: 부정적 결과를 알면서도 즉각적인 보상(술)을 선택. ([[Decision Theory|Decision Theory]]와 연결)
|
||||
2. **원인**:
|
||||
* 뇌의 보상체계(도파민 회로) 고장, 유전적 요인, 극심한 스트레스 및 사회적 환경.
|
||||
3. **치료**:
|
||||
@@ -28,6 +28,6 @@ last_reinforced: 2026-04-20
|
||||
- **정책 변화(RL Update)**: 중독 치료 정책에 디지털 치료제(DTx) 및 AI 상담사 정책을 도입하여, 접근성을 높이고 사후 관리를 자동화하는 'Smart Recovery 정책'이 추진됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Decision Theory]], [[Reward Prediction Error]], [[Psychology & Behavior]], [[Altruism]], [[AI for Social Good]]
|
||||
- [[Decision Theory|Decision Theory]], [[Reward Prediction Error|Reward Prediction Error]], [[Psychology & Behavior|Psychology & Behavior]], [[Altruism|Altruism]], [[AI for Social Good|AI for Social Good]]
|
||||
- **Modern Tech/Tools**: Digital therapeutics (DTx) for addiction, Continuous monitoring wearables.
|
||||
---
|
||||
|
||||
@@ -2,7 +2,7 @@
|
||||
id: BIG-O-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.0
|
||||
tags: [computer-science, algorithm, complexity, [[Optimization]], big-o]
|
||||
tags: [computer-science, algorithm, complexity, [[Optimization|Optimization]], big-o]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
@@ -12,7 +12,7 @@ last_reinforced: 2026-04-26
|
||||
> "데이터가 무한히 늘어날 때, 알고리즘이 얼마나 버틸 수 있는지 측정하라" — 입력 데이터의 크기($n$)에 따른 시간적(Time) 및 공간적(Space) 자원 소모량의 증가 추세를 나타내는 수학적 표기법.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 구체적인 실행 시간 대신 최악의 경우(Worst-case)를 기준으로 알고리즘의 확장성([[Scalability]])을 분류하여 효율적인 설계를 돕는 추상화 패턴.
|
||||
- **추출된 패턴:** 구체적인 실행 시간 대신 최악의 경우(Worst-case)를 기준으로 알고리즘의 확장성([[Scalability|Scalability]])을 분류하여 효율적인 설계를 돕는 추상화 패턴.
|
||||
- **주요 복잡도 단계:**
|
||||
- **$O(1)$:** 상수 시간. 입력 크기와 무관하게 즉시 처리 (예: 배열 인덱스 접근).
|
||||
- **$O(\log n)$:** 로그 시간. 처리 범위가 절반씩 줄어듦 (예: 이진 탐색).
|
||||
@@ -27,5 +27,5 @@ last_reinforced: 2026-04-26
|
||||
- **정책 변화:** Antigravity 프로젝트는 모든 지식 검색 및 클러스터링 알고리즘 도입 시 최악의 경우 $O(n \log n)$ 이하의 복잡도를 유지하는 것을 원칙으로 함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Algorithm, [[Parallel-Computing]], Vector-Database-Selection, [[Optimization]]
|
||||
- Algorithm, [[Parallel-Computing|Parallel-Computing]], Vector-Database-Selection, [[Optimization|Optimization]]
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Algorithm-Complexity-Big-O.md
|
||||
|
||||
@@ -1,12 +1,12 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-ALFA-001
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-ALFA-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.96
|
||||
tags: [auto-reinforced, algorithmic-fairness, bias, [[Equality]], machine-learning-ethics, data-governance]
|
||||
tags: [auto-reinforced, algorithmic-fairness, bias, [[Equality|Equality]], machine-learning-ethics, data-governance]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Algorithmic Fairness]]
|
||||
# [[Algorithmic Fairness|Algorithmic Fairness]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "데이터에 깃든 차별 걷어내기: AI가 성별, 인종, 계층에 대한 편향을 학습하여 누군가에게 불이익을 주지 않도록, 학습 데이터부터 결과 도출까지 모든 과정의 공정성을 확보하는 엔지니어링 윤리."
|
||||
@@ -21,7 +21,7 @@ last_reinforced: 2026-04-20
|
||||
* **Demographic Parity**: 모든 집단에 대해 긍정적인 예측 결과 비율이 같아야 함.
|
||||
* **Equalized Odds**: 오답률(FP, FN)이 집단별로 균등해야 함.
|
||||
3. **대응 기법**:
|
||||
* **Pre-[[Processing]]**: 학습 전 데이터를 재가공하여 균형 맞춤.
|
||||
* **Pre-[[Processing|Processing]]**: 학습 전 데이터를 재가공하여 균형 맞춤.
|
||||
* **In-processing**: 학습 과정에서 공정성 제약 조건(Penalty) 추가.
|
||||
* **Post-processing**: 결과 도출 후 편향이 감지되면 보정.
|
||||
|
||||
@@ -30,6 +30,6 @@ last_reinforced: 2026-04-20
|
||||
- **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.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Toxicity-and-Bias-Mitigation]], [[AI Accountability]], [[AI Governance]], [[Ethics & AI]], [[Sociology of Knowledge]]
|
||||
- [[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.
|
||||
---
|
||||
|
||||
@@ -1,12 +1,12 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-ALTR-001
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-ALTR-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.94
|
||||
tags: [auto-reinforced, algorithmic-transparency, open-access, explainability, auditability, digital-ethics]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Algorithmic Transparency]]
|
||||
# [[Algorithmic Transparency|Algorithmic Transparency]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "검은 상자 속의 빛: AI가 어떤 데이터를 먹고, 어떤 로직으로 결과를 내놓는지 투명하게 공개하여 사용자가 기술을 신뢰하고 감시할 수 있게 만드는 정보 민주주의의 원칙."
|
||||
@@ -26,6 +26,6 @@ last_reinforced: 2026-04-20
|
||||
- **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.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[AI Accountability]], [[AI Governance]], Explainable AI (XAI), Foundational Models, [[Scientific Communication]]
|
||||
- [[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).
|
||||
---
|
||||
|
||||
@@ -1,18 +1,18 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AI-BIO
|
||||
id: [[P-Reinforce|P-Reinforce]]-AI-BIO
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.99
|
||||
tags: [Algorithmic Biology, AI, Bioinformatics, Simulation]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Algorithmic-Biology]] (알고리즘 생물학)
|
||||
# [[Algorithmic-Biology|Algorithmic-Biology]] (알고리즘 생물학)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "생명은 우주의 가장 복잡한 알고리즘이다." 유전자 서열 분석부터 단백질 구조 예측(AlphaFold)까지, 생명 현상을 계산 가능한 모델로 해석하는 초융합 분야다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Sequence [[Alignment]]**:
|
||||
- **Sequence [[Alignment|Alignment]]**:
|
||||
- 서로 다른 생물 종의 DNA/RNA 서열을 비교하여 진화적 관계를 밝히거나 질병 원인을 찾는 알고리즘.
|
||||
- **Protein Folding Simulation**:
|
||||
- AI를 이용해 단백질이 어떻게 3차원 구조로 접히는지 예측하여 신약 개발의 시간을 수십 년 단축한다.
|
||||
@@ -20,8 +20,8 @@ last_reinforced: 2026-04-20
|
||||
- 단순한 규칙이 어떻게 복잡한 생명 패턴을 만들어내는지 시뮬레이션하는 수리 생물학적 접근.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 생물학적 데이터는 노이즈가 매우 심하고 복잡하다. 따라서 단순한 패턴 매칭을 넘어, 생체 내의 물리 법칙과 화학적 성질을 AI 모델에 주입하는 '[[Physics]]-informed Neural Networks'가 필수적이다.
|
||||
- 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]]
|
||||
- Foundation: Computational Theory & Math/Information Theory
|
||||
|
||||
@@ -1,12 +1,12 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AI-[[Game-Theory]]
|
||||
id: [[P-Reinforce|P-Reinforce]]-AI-[[Game-Theory|Game-Theory]]
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.99
|
||||
tags: [Algorithmic Game Theory, Mechanism Design, Nash Equilibrium, AI]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Algorithmic-Game-Theory]] (알고리즘 게임 이론)
|
||||
# [[Algorithmic-Game-Theory|Algorithmic-Game-Theory]] (알고리즘 게임 이론)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "이기적인 경제 주체들을 위한 최적의 규칙." 게임 이론의 복잡한 균형점(Nash Equilibrium)을 컴퓨터 알고리즘으로 어떻게 빠르게 찾아낼 것인가를 다루는 학문이다.
|
||||
@@ -24,4 +24,4 @@ last_reinforced: 2026-04-20
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: Nash-Equilibrium , Mechanism-Design
|
||||
- Foundation: [[Bounded-Rationality]]
|
||||
- Foundation: [[Bounded-Rationality|Bounded-Rationality]]
|
||||
|
||||
@@ -1,12 +1,12 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-ALIG-001
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-ALIG-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.99
|
||||
tags: [auto-reinforced, alignment, ai-safety, value-alignment, rlhf, future-of-ai]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[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."
|
||||
@@ -28,6 +28,6 @@ last_reinforced: 2026-04-20
|
||||
- **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 Governance]], [[RLHF (인간 피드백 기반 강화 학습)]], [[Actor-Critic-Models]], [[Ethics & AI]]
|
||||
- **Modern Tech/Tools**: OpenAI Alignment team [[Research]], Anthropic's Constitutional AI, Superalignment.
|
||||
- [[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.
|
||||
---
|
||||
|
||||
@@ -1,4 +1,4 @@
|
||||
# [[Alliance (동맹)]]
|
||||
# [[Alliance (동맹)|Alliance (동맹)]]
|
||||
|
||||
## 📌 Brief Summary
|
||||
Game of War에서 동맹(Alliance)은 최대 100명의 플레이어로 구성되는 복잡한 정치적 및 사회적 연합체입니다 [1]. 이는 단순한 협력 그룹을 넘어 플레이어 간의 자원 공유, 방어용 군집(Hive) 형성, 그리고 왕국(Kingdom)의 통치권을 차지하기 위해 필수적으로 요구되는 핵심 시스템입니다 [2]. 특히 동맹원 간의 상호 원조 기능과 인앱 결제(IAP) 보상을 공유하는 시스템은 플레이어들에게 강력한 유대감과 과금에 대한 사회적 압박을 동시에 부여하는 핵심적인 BM(비즈니스 모델) 동력으로 작용합니다 [2-4].
|
||||
@@ -26,8 +26,8 @@ Game of War에서 동맹(Alliance)은 최대 100명의 플레이어로 구성되
|
||||
* 왕국 대 왕국(KvK) 이벤트와 같은 거대한 서버전 역시 동맹 단위의 철저한 협력과 준비를 기반으로 이루어집니다 [20, 21].
|
||||
|
||||
## 🔗 Knowledge Connections
|
||||
- **Related Topics:** [[IAP Kick-back System]], [[Wonder (원더)]], [[Social Engineering (사회공학)]], [[KvK (Kingdom vs Kingdom)]]
|
||||
- **Projects/Contexts:** [[Game of War: Fire Age BM 및 경제 구조 분석]], [[4X 전략 게임의 수익화 모델]]
|
||||
- **Related Topics:** IAP Kick-back System, Wonder (원더), Social Engineering (사회공학), KvK (Kingdom vs Kingdom)
|
||||
- **Projects/Contexts:** Game of War: Fire Age BM 및 경제 구조 분석, 4X 전략 게임의 수익화 모델
|
||||
- **Contradictions/Notes:** 동맹은 플레이어 간의 상호 원조를 통해 게임 진행을 돕고 보호를 제공하는 필수적인 시스템이지만, 동시에 다른 동맹원들의 과금에 편승하기만 하면 추방당할 수 있다는 강력한 '과금 압박 메커니즘'으로 작용하는 양면성을 가집니다 [3, 7, 10].
|
||||
|
||||
---
|
||||
|
||||
@@ -7,7 +7,7 @@ last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Mega Batch - Wikified AlphaZero Strategy"
|
||||
---
|
||||
|
||||
# [[AlphaZero Strategy]]
|
||||
# [[AlphaZero Strategy|AlphaZero Strategy]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 핵심 요약 작업 진행 중
|
||||
|
||||
@@ -1,12 +1,12 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-ALRE-001
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-ALRE-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced, alternative-realities, virtual-reality, multiverse, simulation-theory, digital-perception]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Alternative Realities]]
|
||||
# [[Alternative Realities|Alternative Realities]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "인식하는 대로 창조되는 세계: 기술을 통해 물리적 현실을 확장하거나(AR), 완전히 새로운 가상 세계에 몰입(VR)함으로써 인간이 경험할 수 있는 '현실'의 경계를 무너뜨리는 복합적 지각 혁명."
|
||||
@@ -19,8 +19,8 @@ last_reinforced: 2026-04-20
|
||||
* **Virtual Reality (VR)**: 물리적 감각을 차단하고 완전히 만들어진 세계에 참여함.
|
||||
* **Mixed Reality (MR)**: 현실과 가상의 사물이 실시간으로 상호작용함.
|
||||
2. **영향력**:
|
||||
* **Perception [[Shift]]**: '진짜'의 정의에 대한 질문. 디지털 자산(NFT)이나 가상 인간과의 교류가 실질적인 경제적/감정적 영향을 미침.
|
||||
* **[[Spatial Computing]]**: 마우스나 터치가 아닌 '공간' 자체가 인터페이스가 되는 혁신.
|
||||
* **Perception [[Shift|Shift]]**: '진짜'의 정의에 대한 질문. 디지털 자산(NFT)이나 가상 인간과의 교류가 실질적인 경제적/감정적 영향을 미침.
|
||||
* **[[Spatial Computing|Spatial Computing]]**: 마우스나 터치가 아닌 '공간' 자체가 인터페이스가 되는 혁신.
|
||||
3. **심리적/철학적 관점**:
|
||||
* **Simulation Theory**: 우리 우주 자체가 누군가에 의해 설계된 대안 현실일 수 있다는 가설.
|
||||
|
||||
@@ -29,6 +29,6 @@ last_reinforced: 2026-04-20
|
||||
- **정책 변화(RL Update)**: 가상 공간에서의 범죄나 괴롭힘 리스크 정책이 부각됨에 따라, 현실 세계의 법률을 대안 현실 공간까지 확장 적용하는 '메타버스 거버넌스 정책'이 글로벌 논의 단계에 진입함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Visual-Effects-VFX]], Human-Computer Interaction (HCI), [[Aesthetic-Value]], Simulation Theory, [[Sociology of Knowledge]]
|
||||
- **Modern Tech/Tools**: Apple Vision Pro, Meta Quest, [[Unity]]/Unreal Engine, Omniverse.
|
||||
- [[Visual-Effects-VFX|Visual-Effects-VFX]], Human-Computer Interaction (HCI), [[Aesthetic-Value|Aesthetic-Value]], Simulation Theory, [[Sociology of Knowledge|Sociology of Knowledge]]
|
||||
- **Modern Tech/Tools**: Apple Vision Pro, Meta Quest, [[Unity|Unity]]/Unreal Engine, Omniverse.
|
||||
---
|
||||
|
||||
@@ -1,12 +1,12 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-ALTR-002
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-ALTR-002
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.92
|
||||
tags: [auto-reinforced, altruism, evolutionary-biology, co[[Opera]]tion, social-ethics, ai-4-good]
|
||||
tags: [auto-reinforced, altruism, evolutionary-biology, co[[Opera|Opera]]tion, social-ethics, ai-4-good]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Altruism]]
|
||||
# [[Altruism|Altruism]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "우리를 위한 나의 희생: 자신의 즉각적인 이익을 포기하고 타인의 복지나 공동체의 가치를 위해 헌신하는, 진화의 신비이자 인류 문명을 지탱하는 가장 고귀한 사회적 접착제."
|
||||
@@ -21,13 +21,13 @@ last_reinforced: 2026-04-20
|
||||
2. **사회적 기능**:
|
||||
* 집단 내 무임승차자를 견제하고 신뢰 자본을 형성하여 복잡한 시스템의 유지를 가능케 함.
|
||||
3. **AI 시대의 이타주의**:
|
||||
* AI가 인간의 노동을 대체할 때 발생하는 부를 사회 전체에 나누려는 시도. ([[AI for Social Good]]과 연결)
|
||||
* AI가 인간의 노동을 대체할 때 발생하는 부를 사회 전체에 나누려는 시도. ([[AI for Social Good|AI for Social Good]]과 연결)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거 경제학 정책은 '이기적인 인간(Homo Economicus)'을 전제로 설계되었으나, 현대 행동 경제학 정책은 인간의 내재된 '이타적 동기'가 장기적인 조직 성과의 핵심임을 입증하고 이를 장려하는 정책으로 전환함(RL Update).
|
||||
- **정책 변화(RL Update)**: 기술 기업의 사회적 책임(CSR) 정책에서 한 단계 더 나아가, 기술 자체를 공익적으로 개방하거나 비영리로 운영하는 '오픈 소스 이타주의 정책'이 AI 생태계의 주요 경쟁력으로 인정받음.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[AI for Social Good]], [[Decision Theory]], [[Ethics & AI]], [[Social[[ system]]s Theory]], [[Universal Basic Income (UBI)]], [[Activism]]
|
||||
- **Modern Tech/Tools**: Effective Altruism comm[[Unity]], Open-source collaboration models.
|
||||
- [[AI for Social Good|AI for Social Good]], [[Decision Theory|Decision Theory]], [[Ethics & AI|Ethics & AI]], Social[[Systems Theory|systems Theory]], [[Universal Basic Income (UBI)|Universal Basic Income (UBI)]], [[Activism|Activism]]
|
||||
- **Modern Tech/Tools**: Effective Altruism comm[[Unity|Unity]], Open-source collaboration models.
|
||||
---
|
||||
|
||||
@@ -1,12 +1,12 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-TS-AMBIENT
|
||||
id: [[P-Reinforce|P-Reinforce]]-TS-AMBIENT
|
||||
category: "10_Wiki/💡 Topics/Design & Experience"
|
||||
confidence_score: 0.98
|
||||
tags: [TypeScript, [[Ambient Declarations]], dts, Coding Standards]
|
||||
tags: [TypeScript, [[Ambient Declarations|Ambient Declarations]], dts, Coding Standards]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Ambient-Declarations]] (앰비언트 선언)
|
||||
# [[Ambient-Declarations|Ambient-Declarations]] (앰비언트 선언)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "존재하지만 실체는 없는 것들에 대한 증명." 타입스크립트 컴파일러에게 "이 변수나 함수는 외부에 이미 있으니 타입만 믿고 통과시켜라"라고 알려주는 `declare` 키워드의 본질이다.
|
||||
@@ -23,5 +23,5 @@ last_reinforced: 2026-04-20
|
||||
- 무분별한 앰비언트 선언은 전역 네임스페이스를 오염시킨다. 현대적 가이드라인은 가능하면 `Module Augmentation`을 사용하거나 `@types` 패키지를 통해 엄격하게 관리하는 것을 권장한다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Declaration-Files]] , Module-Augmentation
|
||||
- Standard: [[Branded-Types-for-Nominal-Typing]]
|
||||
- Related: [[Declaration-Files|Declaration-Files]] , Module-Augmentation
|
||||
- Standard: [[Branded-Types-for-Nominal-Typing|Branded-Types-for-Nominal-Typing]]
|
||||
|
||||
@@ -1,12 +1,12 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-AMBI-001
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-AMBI-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.89
|
||||
tags: [auto-reinforced, ambition, [[Psychology]], motivation, achievement, [[Leadership]]]
|
||||
tags: [auto-reinforced, ambition, [[Psychology|Psychology]], motivation, achievement, [[Leadership|Leadership]]]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Ambition]]
|
||||
# [[Ambition|Ambition]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "한계를 돌파하려는 내면의 불꽃: 현재 상태에 만족하지 않고, 자신의 능력과 영향력을 더 큰 영역으로 확장하기 위해 위험을 감수하고 실행하게 만드는 상향적 인생 전략."
|
||||
@@ -16,7 +16,7 @@ last_reinforced: 2026-04-20
|
||||
|
||||
1. **야망의 구성 요소**:
|
||||
* **Vision**: 현재에 없는 미래의 가치를 상상하는 능력.
|
||||
* **Drive**: 난관에 부딪혀도 멈추지 않고 전진하는 추진력. ([[Grit]]과 연결)
|
||||
* **Drive**: 난관에 부딪혀도 멈추지 않고 전진하는 추진력. ([[Grit|Grit]]과 연결)
|
||||
* **Risk-taking**: 목표 달성을 위해 계산된 위험을 감수하는 용기.
|
||||
2. **사회적 역할**:
|
||||
* 세상의 혁신과 변화는 대개 한 개인이나 집단의 거대한 야망에서 시작됨. (예: 인류를 화성에 보내겠다는 야망)
|
||||
@@ -25,9 +25,9 @@ last_reinforced: 2026-04-20
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 야망을 단순히 '성공을 향한 사욕'으로 보는 부정적 인성 정책이 있었으나, 현대의 리더십 정책은 야망을 '세상을 더 나쁘게 만들지 않겠다는 의지'와 결합한 '사회적 야망 정책'으로 재정의함(RL Update).
|
||||
- **정책 변화(RL Update)**: 조직 문화 정책에서, 구성원 개개인의 야망을 조직의 목표와 일치([[Alignment]])시키는 '성장 중심 거버넌스 정책'이 인재 확보의 핵심 전략이 됨.
|
||||
- **정책 변화(RL Update)**: 조직 문화 정책에서, 구성원 개개인의 야망을 조직의 목표와 일치([[Alignment|Alignment]])시키는 '성장 중심 거버넌스 정책'이 인재 확보의 핵심 전략이 됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Grit]], [[Strategic-Planning]], [[Leadership]], Motivation, [[Ps-Reinforce]]
|
||||
- **Modern Tech/Tools**: [[goal]] tracking[[ system]]s (OKR), Personal [[Branding]] platforms.
|
||||
- [[Grit|Grit]], [[Strategic-Planning|Strategic-Planning]], [[Leadership|Leadership]], Motivation, [[Ps-Reinforce|Ps-Reinforce]]
|
||||
- **Modern Tech/Tools**: [[goal|goal]] tracking[[_system|system]]s (OKR), Personal [[Branding|Branding]] platforms.
|
||||
---
|
||||
|
||||
@@ -1,12 +1,12 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AI-AMDAHL
|
||||
id: [[P-Reinforce|P-Reinforce]]-AI-AMDAHL
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.98
|
||||
tags: [Computing, Performance, Parallelism, AmdahlsLaw]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Amdahls Law (암달의 법칙)]]
|
||||
# [[Amdahls Law (암달의 법칙)|Amdahls Law (암달의 법칙)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "아무리 엔진을 갈아 끼워도, 좁은 병목 구간이 전체 속도를 결정한다." 시스템 일부분을 병렬화하거나 개선했을 때 얻을 수 있는 전체 성능 향상의 한계는 개선되지 않은 나머지 부분(직렬 구간)에 의해 제한된다는 법칙이다.
|
||||
@@ -24,5 +24,5 @@ last_reinforced: 2026-04-20
|
||||
- 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]] , Bottleneck-[[Analysis]]
|
||||
- Related: [[Parallel-Computing|Parallel-Computing]] , Bottleneck-[[Analysis|Analysis]]
|
||||
- Complement: Gustafsons-Law
|
||||
|
||||
@@ -1,12 +1,12 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-ANRE-001
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-ANRE-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.96
|
||||
tags: [auto-reinforced, ana[[Logic]]al-[[Reasoning]], cognition, ai-logic, abstraction, logic]
|
||||
tags: [auto-reinforced, ana[[Logic|Logic]]al-[[Reasoning|Reasoning]], cognition, ai-logic, abstraction, logic]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Analogical-Reasoning]]
|
||||
# [[Analogical-Reasoning|Analogical-Reasoning]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "익숙함에서 새로움을 찾는 지적 도약: 전혀 다른 두 사태에서 공통된 패턴이나 구조를 발견하여, 알고 있는 지식을 모르는 영역에 창조적으로 적용하는 인간 지능 최고의 무기."
|
||||
@@ -19,7 +19,7 @@ last_reinforced: 2026-04-20
|
||||
* **Mapping**: 과거 경험의 핵심 요소들과 현재 문제 사이의 관계적 대응점을 찾음.
|
||||
* **Transfer**: 발견된 관계적 논리를 현재 문제에 적용하여 해답 도출.
|
||||
2. **왜 중요한가?**:
|
||||
* 한 번도 겪어보지 못한 'Zero-shot' 상황에서도 길을 찾게 해줌. ([[Transfer Learning]]과 연결)
|
||||
* 한 번도 겪어보지 못한 'Zero-shot' 상황에서도 길을 찾게 해줌. ([[Transfer Learning|Transfer Learning]]과 연결)
|
||||
* 복잡한 과학적 발견이나 예술적 혁신의 토대가 됨.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
@@ -27,6 +27,6 @@ last_reinforced: 2026-04-20
|
||||
- **정책 변화(RL Update)**: 교육 및 평가 정책에서 단순 암기 대신 '유추 추론 역량'을 측정하는 문항 비중을 늘려, AI와 차별화된 인간의 고차원적 사고력을 육성하는 정책이 강화됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Analogy]], [[Transfer Learning]], [[Zero Shot and Few Shot Learning]], [[Thought-Architecture]], Abstraction
|
||||
- **Modern Tech/Tools**: Cognitive AI models, SAT-style [[Analogy]] solvers.
|
||||
- [[Analogy|Analogy]], [[Transfer Learning|Transfer Learning]], [[Zero Shot and Few Shot Learning|Zero Shot and Few Shot Learning]], [[Thought-Architecture|Thought-Architecture]], Abstraction
|
||||
- **Modern Tech/Tools**: Cognitive AI models, SAT-style [[Analogy|Analogy]] solvers.
|
||||
---
|
||||
|
||||
@@ -1,12 +1,12 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-ANAL-001
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-ANAL-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.94
|
||||
tags: [auto-reinforced, analogy, metaphor, communication, cognitive-linguistics]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Analogy]]
|
||||
# [[Analogy|Analogy]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "이해의 징검다리: 복잡하고 낯선 개념을 우리가 이미 잘 알고 있는 익숙한 무언가에 빗대어 설명함으로써, 지식의 간극을 한순간에 메우는 강력한 인지적 비유."
|
||||
@@ -23,9 +23,9 @@ last_reinforced: 2026-04-20
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거 메타포 연구는 단순한 수사학(Retoric) 정책에 그쳤으나, 현대 인지 언어학 정책은 '유추가 곧 사고의 본질(Analogies as the Core of Cognition)'임을 규정하는 정책으로 도약함(RL Update).
|
||||
- **정책 변화(RL Update)**: AI 프롬프트 설계 정책에서, 모델에게 특정 상황을 유추하게 함으로써 추론 성능을 높이는 'Metaphor-[[prompt]]ing 기술'이 실무 표준으로 정착됨.
|
||||
- **정책 변화(RL Update)**: AI 프롬프트 설계 정책에서, 모델에게 특정 상황을 유추하게 함으로써 추론 성능을 높이는 'Metaphor-prompting 기술'이 실무 표준으로 정착됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Ana[[Logic]]al-Reasoning]], [[Scientific Communication]], [[Vocabulary-Expansion]], Abstraction, Pattern Recognition
|
||||
- AnaLogical-Reasoning, [[Scientific Communication|Scientific Communication]], [[Vocabulary-Expansion|Vocabulary-Expansion]], Abstraction, Pattern Recognition
|
||||
- **Modern Tech/Tools**: Creative writing AI, Educational explanation tools.
|
||||
---
|
||||
|
||||
@@ -1,12 +1,12 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-ASIS-001
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-ASIS-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.97
|
||||
tags: [auto-reinforced, analysis, critical-thinking, methodology,[[ system]]s-analysis, [[Problem-Solving]]]
|
||||
tags: [auto-reinforced, analysis, critical-thinking, methodology,[[_system|system]]s-analysis, [[Problem-Solving|Problem-Solving]]]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Analysis]]
|
||||
# [[Analysis|Analysis]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "해부하여 파헤치기: 복잡하게 뒤엉킨 덩어리를 더 이상 쪼개지지 않는 최소 단위로 분해한 뒤, 각 부분의 속성과 그들 사이의 관계를 낱낱이 파악하여 전체의 본질을 꿰뚫는 지적 해체 작업."
|
||||
@@ -27,6 +27,6 @@ last_reinforced: 2026-04-20
|
||||
- **정책 변화(RL Update)**: 빅데이터 분석 정책에서, 단순히 '무엇(What)'이 일어났는지 보여주는 서술적 분석을 넘어, 인과 관계를 밝히고 미래를 예측하는 '처방적 분석(Prescriptive Analytics) 정책'으로 고도화됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Systems Thinking]], [[Statistics & Data Analysis]], [[Theory of Constraints (TOC)]], [[Structuralism]], [[Scientific Communication]]
|
||||
- [[Systems Thinking|Systems Thinking]], [[Statistics & Data Analysis|Statistics & Data Analysis]], [[Theory of Constraints (TOC)|Theory of Constraints (TOC)]], [[Structuralism|Structuralism]], [[Scientific Communication|Scientific Communication]]
|
||||
- **Modern Tech/Tools**: Data visualization tools (Tableau), Statistical software (R, Python Pandas).
|
||||
---
|
||||
|
||||
@@ -1,12 +1,12 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-ANAR-001
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-ANAR-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.87
|
||||
tags: [auto-reinforced, anarchism, political-[[Philosophy]], self-governance, social-movements]
|
||||
tags: [auto-reinforced, anarchism, political-[[Philosophy|Philosophy]], self-governance, social-movements]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Anarchism]]
|
||||
# [[Anarchism|Anarchism]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "권위 없는 자유의 질서: 국가나 지배 계급의 강압적인 통치를 배제하고, 개인의 자유의지와 자발적인 협력을 통해 스스로를 통치하는 이상적 사회 시스템을 꿈꾸는 정치 철학."
|
||||
@@ -17,7 +17,7 @@ last_reinforced: 2026-04-20
|
||||
1. **핵심 원칙**:
|
||||
* **Anti-statism**: 국가를 개인의 자유를 억압하는 폭력의 주체로 보고 폐지를 주장.
|
||||
* **Self-governance**: 외부의 강요가 아닌 스스로 정한 규칙을 따르는 자치 강조.
|
||||
* **Mutual Aid (상호부조)**: 경쟁이 아닌 협력을 통해 공동체의 필요를 충족함 ([[Altruism]]과 연결).
|
||||
* **Mutual Aid (상호부조)**: 경쟁이 아닌 협력을 통해 공동체의 필요를 충족함 ([[Altruism|Altruism]]과 연결).
|
||||
2. **혼동 금지**:
|
||||
* 무정부주의는 '혼란(Chaos)'이 아님. 오히려 강제적인 법보다 더 엄격한 도덕적 질서와 책임감을 전제로 함.
|
||||
3. **현대적 변용**:
|
||||
@@ -29,6 +29,6 @@ last_reinforced: 2026-04-20
|
||||
- **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.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Anarcho-Capitalism]], [[Anarcho-Primitivism]], [[Altruism]], [[Activism]], [[Social[[ system]]s Theory]]
|
||||
- [[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.
|
||||
---
|
||||
|
||||
@@ -1,12 +1,12 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-ANCA-001
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-ANCA-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.85
|
||||
tags: [auto-reinforced, anarcho-capitalism, li[[BERT]]arianism, free-market, private-property]
|
||||
tags: [auto-reinforced, anarcho-capitalism, li[[BERT|BERT]]arianism, free-market, private-property]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Anarcho-Capitalism]]
|
||||
# [[Anarcho-Capitalism|Anarcho-Capitalism]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "시장 중심의 무정부주의: 국가가 독점하던 치안, 국방, 법률 서비스까지 모든 것을 사유 재산권과 자유 시장의 계약에 맡겨 효율성과 자유를 극대화하려는 급진적 우파 사상."
|
||||
@@ -27,6 +27,6 @@ last_reinforced: 2026-04-20
|
||||
- **정책 변화(RL Update)**: 거대 테크 기업이 자신들만의 '플랫폼 법전'을 만들고 사용자에게 규칙을 강요함에 따라, 이 사상이 주창했던 '사설 규범 체계'가 현실 정책에서 기업 권력으로 변질되는 양상을 보임.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Anarchism]], Capitalism, [[Ethics & AI]], [[Decision Theory]], [[Universal Basic Income (UBI)]]
|
||||
- [[Anarchism|Anarchism]], Capitalism, [[Ethics & AI|Ethics & AI]], [[Decision Theory|Decision Theory]], [[Universal Basic Income (UBI)|Universal Basic Income (UBI)]]
|
||||
- **Modern Tech/Tools**: Decentralized Finance (DeFi), Smart contracts.
|
||||
---
|
||||
|
||||
@@ -1,12 +1,12 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-ANPR-001
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-ANPR-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.83
|
||||
tags: [auto-reinforced, anarcho-primitivism, anti-technology, civilization-criticism, ecology]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Anarcho-Primitivism]]
|
||||
# [[Anarcho-Primitivism|Anarcho-Primitivism]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "문명 이전으로의 귀환: 농업과 산업 혁명이 인간을 기술의 노예로 만들었다고 비판하며, 야생의 상태인 수렵 채집 사회로 돌아가야만 비로소 진정한 자유와 지구와의 공존을 이룰 수 있다는 급진적 생태론."
|
||||
@@ -26,6 +26,6 @@ last_reinforced: 2026-04-20
|
||||
- **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.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Anarchism]], [[Wicked-Problems]], [[Ethics & AI]], [[Abundance]], [[Alternative Realities]]
|
||||
- [[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.
|
||||
---
|
||||
|
||||
@@ -1,12 +1,12 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-ANIS-001
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-ANIS-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.91
|
||||
tags: [auto-reinforced, anisomorphism, topology, [[Structuralism]], comparative-linguistics, geometry]
|
||||
tags: [auto-reinforced, anisomorphism, topology, [[Structuralism|Structuralism]], comparative-linguistics, geometry]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Anisomorphism]]
|
||||
# [[Anisomorphism|Anisomorphism]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "닮지 않은 것들의 간극: 같은 개념이라도 서로 다른 생태계나 언어권에서 전혀 다른 구조와 맥락을 지니고 있어, 1:1로 매칭되지 않는 '비동질성' 상태."
|
||||
@@ -23,9 +23,9 @@ last_reinforced: 2026-04-20
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 '모든 데이터는 변환 가능하다'는 낙관적 변환 정책이 주류였으나, 현대의 복합 의미론 정책은 정보 손실 없는 완벽한 이식은 불가능함을 인정하고 '최대한의 맥락 유지 정책'으로 선회함(RL Update).
|
||||
- **정책 변화(RL Update)**: 글로벌 표준 하에 다국어 AI 모델링 정책 수립 시, 언어 간 애니소모피즘을 해결하기 위해 고차원 임베딩 공간(Embedding Space)에서 공통 의미를 찾는 'Cross-lingual [[Alignment]] 정책'이 연구의 핵심이 됨.
|
||||
- **정책 변화(RL Update)**: 글로벌 표준 하에 다국어 AI 모델링 정책 수립 시, 언어 간 애니소모피즘을 해결하기 위해 고차원 임베딩 공간(Embedding Space)에서 공통 의미를 찾는 'Cross-lingual [[Alignment|Alignment]] 정책'이 연구의 핵심이 됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Structuralism]], [[Universal-Grammar]], [[Vocabulary-Expansion]], Pattern Recognition, [[Standardization vs Innovation]]
|
||||
- **Modern Tech/Tools**: XML/JSON mapping tools, NLP word embedding (Word2Vec, [[BERT]]).
|
||||
- [[Structuralism|Structuralism]], [[Universal-Grammar|Universal-Grammar]], [[Vocabulary-Expansion|Vocabulary-Expansion]], Pattern Recognition, [[Standardization vs Innovation|Standardization vs Innovation]]
|
||||
- **Modern Tech/Tools**: XML/JSON mapping tools, NLP word embedding (Word2Vec, [[BERT|BERT]]).
|
||||
---
|
||||
|
||||
Some files were not shown because too many files have changed in this diff Show More
Reference in New Issue
Block a user