docs: finalized wiki integrity maintenance (v3.0 standard) - pruned 1400+ stubs and fixed 11k+ ghost links

10_Wiki/Topics_GD/Zero Shot and Few Shot Learning.md

@@ -1,12 +1,12 @@
 ---
-id: [[P-Reinforce]]-AUTO-ZFS-001
+id: [[P-Reinforce|P-Reinforce]]-AUTO-ZFS-001
 category: "10_Wiki/💡 Topics/AI"
 confidence_score: 0.99
-tags: [auto-reinforced, few-shot, zero-shot, [[In-Context-Learning]], [[prompt]]ing, llm]
+tags: [auto-reinforced, few-shot, zero-shot, [[In-Context-Learning|In-Context-Learning]], prompting, llm]
 last_reinforced: 2026-04-20
 ---
 
-# [[Zero Shot and Few Shot Learning]]
+# [[Zero Shot and Few Shot Learning|Zero Shot and Few Shot Learning]]
 
 ## 📌 한 줄 통찰 (The Karpathy Summary)
 > "예시가 있느냐 없느냐의 차이: 추가 학습 없이 명령어만으로 문제를 푸는 '생지능(Zero Shot)'과, 두세 개의 힌트를 주어 모델의 방향성을 잡아주는 '힌트 학습(Few Shot)'을 통해 AI의 범용성을 극대화하는 기법."
@@ -25,10 +25,10 @@ last_reinforced: 2026-04-20
 3.  **One-Shot Learning**: 예시를 딱 하나만 주는 중간 단계.
 
 ## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
-- **과거 데이터와의 충돌**: 과거에는 새로운 태스크를 위해 수만 개의 데이터를 통한 전인 교육([[Fine-tuning]])이 필수였으나, 현대의 LLM 정책은 단 몇 개의 예시만으로도 전문 지식을 흉내 내는 'In-context Learning 정책'만으로도 충분한 성능을 낼 수 있음을 증명함(RL Update).
+- **과거 데이터와의 충돌**: 과거에는 새로운 태스크를 위해 수만 개의 데이터를 통한 전인 교육([[Fine-tuning|Fine-tuning]])이 필수였으나, 현대의 LLM 정책은 단 몇 개의 예시만으로도 전문 지식을 흉내 내는 'In-context Learning 정책'만으로도 충분한 성능을 낼 수 있음을 증명함(RL Update).
 - **정책 변화(RL Update)**: 데이터 개인정보 보호 정책이 강화됨에 따라, 데이터를 모델에 주입해 학습시키지 않고 프롬프트 수준에서만 활용하여 휘발시키는 '프라이버시 친화적 제로샷 추론 정책'이 기업용 AI 활용의 표준이 됨.
 
 ## 🔗 지식 연결 (Graph)
-- Foundational Models, [[Prompt-Engineering]], [[Transfer Learning]], [[SFT (Supervised Fine-Tuning)]], NLP (자연어 처리)
-- **Modern Tech/Tools**: LangChain prompt templates, Meta Llama-3 few-shot [[Benchmarks]].
+- Foundational Models, [[Prompt-Engineering|Prompt-Engineering]], [[Transfer Learning|Transfer Learning]], [[SFT (Supervised Fine-Tuning)|SFT (Supervised Fine-Tuning)]], NLP (자연어 처리)
+- **Modern Tech/Tools**: LangChain prompt templates, Meta Llama-3 few-shot [[Benchmarks|Benchmarks]].
 ---