feat: Knowledge Gardening Milestone 470 (Batch #24 - 40% Achieved)

10_Wiki/Topics/AI/Self-Supervised-Learning.md

@@ -1,31 +1,28 @@
 ---
-id: P-REINFORCE-AUTO-SSLE-001
+id: AI-SELF-SUP-001
 category: "[[10_Wiki/💡 Topics/AI]]"
-confidence_score: 0.97
-tags: [auto-reinforced, self-supervised-learning, labels, pre-training, deep-learning, representation-learning]
-last_reinforced: 2026-04-20
+confidence_score: 1.0
+tags: [ai, deep-learning, self-supervised-learning, contrastive-learning, pretext-task, foundations]
+last_reinforced: 2026-04-26
 ---
 
-# [[Self-Supervised-Learning]]
+# [[Self-Supervised Learning (자기지도 학습)]]
 
 ## 📌 한 줄 통찰 (The Karpathy Summary)
-> "스승 없는 학습의 기적: 사람이 일일이 정답(Label)을 달아주지 않아도, 데이터 스스로의 일부를 가리고(Masking) 나머지로 맞추는 과정을 통해 세상의 패턴을 통달해 내는 데이터 효율성의 극치이자 현대 거대 모델(LLM)의 심장."
+> "데이터의 바다에서 정답지(Label)를 기다리지 말고, 데이터 스스로가 가진 내부 구조를 파고들어 지능의 본질을 깨워라" — 레이블이 없는 방대한 데이터로부터 스스로 정답(Pseudo-label)을 만들어 학습함으로써, 인간 수준의 상식과 일반화 능력을 획득하는 인공지능 학습 방법론.
 
 ## 📖 구조화된 지식 (Synthesized Content)
-자기 지도 학습(Self-Supervised-Learning)은 레이블이 없는 데이터에서 자체적으로 레이블을 생성하여 학습하는 머신러닝 기법입니다.
-
-1.  **핵심 메커니즘 (Pretext Tasks)**:
-    *   **Masking**: 문장의 중간 단어를 가리고 문맥으로 맞추기 (BERT 스타일).
-    *   **Prediction**: 다음 단어나 프레임을 예측하기 (GPT 스타일).
-    *   **Contrastive Learning**: 같은 이미지 변형본끼리는 가깝게, 다른 이미지와는 멀게 배치하기. (Representation-Learning와 연결)
-2.  **왜 중요한가?**:
-    *   인터넷의 방대한 날것의 데이터(Text, Image)를 정답지 작업 없이 통째로 먹일 수 있어, 지능의 규모를 인간의 한계를 넘어 무한히 키울 수 있기 때문임.
+- **추출된 패턴:** "Pretext Task and Representation Distillation" — 문장의 다음 단어를 맞추거나(BERT/GPT), 이미지의 일부를 가리고 복원하거나, 혹은 같은 이미지의 다른 변형을 가깝게 배치하는(Contrastive Learning) 등의 '가짜 문제'를 통해 데이터의 핵심 특징(Representation)을 추출하는 패턴.
+- **주요 기법:**
+    - **Generative:** 데이터의 누락된 부분을 생성하며 학습 (예: GPT).
+    - **Contrastive:** 서로 다른 샘플 간의 유사성과 차이점을 비교하며 학습 (예: SimCLR, CLIP).
+    - **Predictive:** 데이터의 순서나 회전 상태 등을 예측하며 학습.
+- **의의:** 값비싼 인간의 레이블링 작업 없이도 무한한 인터넷 데이터를 지능의 땔감으로 사용할 수 있게 하여, 초거대 AI 모델 탄생의 결정적인 기폭제가 됨.
 
 ## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
-- **과거 데이터와의 충돌**: 과거에는 사람이 정답을 준 것만 배우는 지도 학습(Supervised)이 최고였으나, 현대 정책은 지도 학습을 '미세 조정'용 보조 정책으로 밀어내고 자기 지도 학습 정책이 '기초 체력(Foundation)'을 만드는 주류 정책이 됨(RL Update).
-- **정책 변화(RL Update)**: 단순히 텍스트 예측 정책을 넘어, 세상을 물리학적으로 이해하는 '비디오 생성 모델'에서의 자기 지도 학습 정책이 차세대 AI의 핵심 전장 정책임.
+- **과거 데이터와의 충돌:** 비지도 학습(Unsupervised)의 하위 범주로 여겨졌으나, 이제는 데이터가 '스스로 지도한다'는 능동적 의미를 담아 독립적인 패러다임으로 정착되었으며, 지도 학습보다 더 강력한 범용 표현을 형성할 수 있음이 입증됨.
+- **정책 변화:** Antigravity 프로젝트는 에이전트의 기본 언어 모델 및 임베딩 모델 구축 시, 대규모 비정형 지식 데이터를 가장 효과적으로 자산화할 수 있는 자기지도 학습 기반의 파이프라인을 최우선으로 고려함.
 
 ## 🔗 지식 연결 (Graph)
-- [[Representation-Learning]], [[Deep Learning (DL)]], [[Machine Learning (ML)]], [[Optimization]], [[Efficiency]]
-- **Modern Tech/Tools**: BERT, GPT, DINO, SimCLR, MAE (Masked Autoencoders).
----
+- [[Representation-Learning]], [[Deep-Learning-Foundations]], [[Natural-Language-Processing-NLP]], [[LLM-Training-Foundations]]
+- **Raw Source:** [[10_Wiki/Topics/AI/Self-Supervised-Learning.md]]

10_Wiki/Topics/AI/Semantic-Search-with-AI.md

@@ -0,0 +1,28 @@
+---
+id: IR-SEM-SEARCH-001
+category: "[[10_Wiki/💡 Topics/AI]]"
+confidence_score: 1.0
+tags: [ai, information-retrieval, semantic-search, embeddings, vector-database, nlp, search-engine]
+last_reinforced: 2026-04-26
+---
+
+# [[Semantic Search with AI (AI를 활용한 시맨틱 검색)]]
+
+## 📌 한 줄 통찰 (The Karpathy Summary)
+> "단순한 글자 맞추기(Keyword Matching)를 넘어 단어 이면에 숨겨진 '의미의 좌표'를 탐색하고, 사용자의 의도와 지식의 맥락을 연결하라" — 딥러닝 기반의 임베딩 기술을 활용하여 질문과 문서 사이의 의미적 유사성을 계산하고 가장 관련성 높은 정보를 추출하는 차세대 검색 기법.
+
+## 📖 구조화된 지식 (Synthesized Content)
+- **추출된 패턴:** "Dense Vector Retrieval and Latent Semantic Alignment" — 텍스트를 고차원 수치 벡터로 변환하고, 벡터 공간에서의 거리(코사인 유사도 등)를 측정하여 언어의 모호함(동의어, 문맥 등)을 해결하며 정답에 접근하는 패턴.
+- **핵심 구성 요소:**
+    - **Embeddings:** 단어/문장의 의미를 숫자의 나열로 변환.
+    - **Vector Database:** 수백만 개의 벡터 중 유사한 것을 초고속으로 탐색.
+    - **Re-ranking:** 초기 검색 결과를 정교한 모델로 다시 순위 매기기.
+- **의의:** "아이폰 충전기"를 검색했을 때 "라이트닝 케이블"을 보여줄 수 있는 유연함을 제공하며, 정보 검색의 패러다임을 '단어' 중심에서 '개념' 중심으로 전환함.
+
+## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
+- **과거 데이터와의 충돌:** 시맨틱 검색이 키워드 검색(BM25 등)을 완전히 대체할 것이라는 예상과 달리, 최근에는 고유 명사나 정확한 수치 검색에 강한 키워드 방식과 맥락에 강한 시맨틱 방식을 결합한 '하이브리드 검색(Hybrid Search)'이 표준으로 자리 잡음.
+- **정책 변화:** Antigravity 프로젝트는 1,174개 지식 문서 간의 연관 관계 분석 및 사용자 질의 응답 시, 최신 리랭킹 알고리즘이 적용된 시맨틱 검색 엔진을 주력으로 활용함.
+
+## 🔗 지식 연결 (Graph)
+- [[Natural-Language-Processing-NLP]], [[Vector-Database-Foundations]], [[RAG-and-Document-Retrieval]], [[Relevance-Feedback]]
+- **Raw Source:** [[10_Wiki/Topics/AI/Semantic-Search-with-AI.md]]

10_Wiki/Topics/AI/Sentiment-Analysis-Models.md

@@ -0,0 +1,29 @@
+---
+id: NLP-SENT-001
+category: "[[10_Wiki/💡 Topics/AI]]"
+confidence_score: 1.0
+tags: [ai, nlp, sentiment-analysis, text-mining, opinion-mining, emotion-detection, customer-insights]
+last_reinforced: 2026-04-26
+---
+
+# [[Sentiment Analysis Models (감성 분석 모델)]]
+
+## 📌 한 줄 통찰 (The Karpathy Summary)
+> "언어의 행간에 숨겨진 감정의 파동을 읽어내고, 텍스트 뒤에 숨은 화자의 '진심'과 '태도'를 정량적인 수치로 번역하라" — 자연어 처리 기술을 활용하여 텍스트에 포함된 주관적인 의견, 감정, 태도를 자동으로 추출하고 분류하는 기술.
+
+## 📖 구조화된 지식 (Synthesized Content)
+- **추출된 패턴:** "Subjective Polarity Scoring and Aspect-based Evaluation" — 긍정/부정의 이진 분류를 넘어 특정 대상(Aspect)에 대한 세부 감정을 분석하고, 비유나 반어법 같은 복잡한 언어 장치를 문맥 임베딩을 통해 파악하는 패턴.
+- **주요 분석 기법:**
+    - **Rule-based (VADER 등):** 감정 단어 사전(Lexicon)을 기반으로 점수 합산.
+    - **Machine Learning:** SVM, Naive Bayes 등을 이용한 통계적 분류.
+    - **Deep Learning (BERT/GPT):** 문장 전체의 맥락을 파악하여 미묘한 감정선 변화 감지.
+    - **Aspect-based (ABSA):** "성능은 좋은데 가격이 비싸다"처럼 대상별로 감정 분리 분석.
+- **의의:** 브랜드 평판 관리, 시장 트렌드 파악, 고객 불만 실시간 대응 등 기업이 소비자의 '목소리'를 데이터로 이해하게 만드는 핵심 도구.
+
+## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
+- **과거 데이터와의 충돌:** 단순히 단어의 긍/부정만 따지던 방식에서 벗어나, 이제는 화자의 사회적 배경, 유머, 냉소적 표현까지 파악하는 '멀티모달(텍스트+음성+표정)' 감성 분석으로 확장되고 있음.
+- **정책 변화:** Antigravity 프로젝트는 에이전트와 사용자 간의 대화 흐름에서 사용자의 피드백 톤을 실시간 분석하여, 답변의 공감 수준이나 지원 강도를 동적으로 조절하는 감성 인지 로직을 가동함.
+
+## 🔗 지식 연결 (Graph)
+- [[Natural-Language-Processing-NLP]], [[Representation-Learning]], [[Semantic-Search-with-AI]], [[Prompt-Engineering-Foundations]]
+- **Raw Source:** [[10_Wiki/Topics/AI/Sentiment-Analysis-Models.md]]

10_Wiki/Topics/AI/Sequence-to-Sequence-Models.md

@@ -1,28 +1,28 @@
 ---
-id: SEQ2SEQ-001
+id: DL-SEQ2SEQ-001
 category: "[[10_Wiki/💡 Topics/AI]]"
 confidence_score: 1.0
-tags: [ai, nlp, seq2seq, encoder-decoder, deep-learning]
+tags: [ai, deep-learning, nlp, seq2seq, encoder-decoder, machine-translation, neural-networks]
 last_reinforced: 2026-04-26
 ---
 
-# [[Sequence-to-Sequence Models (Seq2Seq)]]
+# [[Sequence-to-Sequence Models (Seq2Seq 모델)]]
 
 ## 📌 한 줄 통찰 (The Karpathy Summary)
-> "시퀀스를 이해하고, 또 다른 시퀀스로 재구성하라" — 입력된 가변 길이의 시퀀스를 고정된 벡터로 압축(Encoder)한 뒤, 이를 바탕으로 다시 가변 길이의 결과 시퀀스를 생성(Decoder)해내는 아키텍처.
+> "입력 시퀀스의 모든 정보를 하나의 고정된 '생각의 압축(Context Vector)'에 담고, 이를 해체하여 전혀 다른 새로운 시퀀스로 재구성하라" — 입력과 출력의 길이가 다른 시퀀스 변환 문제를 해결하기 위해 고안된 인코더-디코더 구조의 신경망 모델.
 
 ## 📖 구조화된 지식 (Synthesized Content)
-- **추출된 패턴:** 입-출력의 길이가 달라도 문맥을 보존하며 데이터를 변환할 수 있게 하는 인코더-디코더 매핑 패턴.
-- **세부 내용:**
-    - **Encoder:** 입력 시퀀스의 정보를 요약하여 문맥 벡터(Context Vector) 생성.
-    - **Decoder:** 문맥 벡터를 초기값으로 받아 한 토큰씩 결과 생성.
-    - **RNN-based Origins:** 초기에는 LSTM이나 GRU를 기반으로 설계되었으나, 현재는 트랜스포머가 주류.
-    - **Applications:** 기계 번역, 요약, 챗봇, 음성 인식 등 대다수의 생성형 태스크.
+- **추출된 패턴:** "Information Compression and Generative Decoding" — 입력 데이터를 순차적으로 읽어 전체 문맥을 고정된 크기의 벡터로 요약하고, 이를 시작점으로 하여 정답 시퀀스를 한 단어씩 생성해 나가는 패턴.
+- **핵심 구성:**
+    - **Encoder:** 입력 시퀀스(예: 한국어)를 처리하여 은닉 상태(Hidden State)로 정보를 응축.
+    - **Decoder:** 응축된 정보로부터 대상 시퀀스(예: 영어)를 차례대로 생성.
+    - **Context Vector:** 인코더와 디코더를 잇는 지식의 병목이자 연결고리.
+- **의의:** 구글 번역기 등에 도입되며 기계 번역의 정확도를 비약적으로 향상시켰으며, 요약, 챗봇, 음성 인식 등 다양한 시퀀스 변환 작업의 표준 아키텍처로 자리 잡음.
 
 ## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
-- **과거 데이터와의 충돌:** 고정된 크기의 '문맥 벡터' 하나에 모든 정보를 담으려다 정보가 소실되는 병목 현상이 발생. 이를 해결하기 위해 '어텐션(Attention)' 기법이 도입되며 현대 AI의 폭발적 성장을 견인함.
-- **정책 변화:** Antigravity 프로젝트의 '코드 요약 에이전트'는 Seq2Seq 원리를 활용하여 복잡한 소스 코드를 간결한 자연어 위키 문서로 변환함.
+- **과거 데이터와의 충돌:** 긴 문장일수록 정보를 하나의 벡터에 다 담지 못해 성능이 급격히 떨어지는 '정보 손실' 문제에 직면했으나, 이를 해결하기 위해 필요한 부분만 골라 보는 '어텐션(Attention)' 기법이 추가되면서 현대 트랜스포머 모델의 시조가 됨.
+- **정책 변화:** Antigravity 프로젝트는 서로 다른 데이터 형식 간의 자동 변환이나 프로토콜 번역 작업 시, 구조적 안정성이 검증된 인코더-디코더 기반의 Seq2Seq 아키텍처를 활용함.
 
 ## 🔗 지식 연결 (Graph)
-- [[Encoder-Decoder-Architecture]], [[Transformer-Architecture]], [[NLP]], [[Attention-Mechanisms]]
+- [[Natural-Language-Processing-NLP]], [[Recurrent-Neural-Networks-RNN]], [[Self-Attention-Mechanisms]], [[LLM-Training-Foundations]]
 - **Raw Source:** [[10_Wiki/Topics/AI/Sequence-to-Sequence-Models.md]]

10_Wiki/Topics/AI/Serverless-Computing-for-AI.md

@@ -0,0 +1,31 @@
+---
+id: SYS-SERVERLESS-AI-001
+category: "[[10_Wiki/💡 Topics/AI]]"
+confidence_score: 1.0
+tags: [ai, infrastructure, serverless, cloud-computing, faas, aws-lambda, scalability, mlops]
+last_reinforced: 2026-04-26
+---
+
+# [[Serverless Computing for AI (AI를 위한 서버리스 컴퓨팅)]]
+
+## 📌 한 줄 통찰 (The Karpathy Summary)
+> "서버 관리의 짐을 클라우드에 넘기고 오직 '모델의 추론'에만 집중하며, 호출된 만큼만 비용을 지불하는 가장 경제적이고 유연한 지능형 인프라를 구축하라" — 인프라 구성이나 관리 없이 코드(함수) 단위로 AI 모델을 실행하고, 요청량에 따라 자원이 자동으로 할당되는 클라우드 컴퓨팅 모델.
+
+## 📖 구조화된 지식 (Synthesized Content)
+- **추출된 패턴:** "Event-driven Inference and Pay-per-invocation" — 서버를 상시 가동하는 대신 특정 이벤트(API 호출, 데이터 업로드 등)가 발생할 때만 컨테이너를 띄워 AI 연산을 수행하고 즉시 자원을 반납하는 효율성 중심의 운영 패턴.
+- **주요 특징 및 장점:**
+    - **No Server Management:** 패치, 업데이트, 용량 계획 등 운영 부담 전무.
+    - **Elastic Scalability:** 수천 개의 동시 요청에도 자동 확장(Auto-scaling) 대응.
+    - **Cost Efficiency:** 실행 시간과 메모리 사용량에 대해서만 비용 청구.
+- **한계점:**
+    - **Cold Start:** 오랜만에 실행할 때 발생하는 초기 지연 시간.
+    - **Execution Limits:** 실행 시간 및 메모리 용량의 제한.
+- **의의:** 스타트업이나 개인 개발자가 대규모 인프라 투자 없이도 전 세계 사용자에게 AI 서비스를 안정적으로 제공할 수 있는 진입 장벽의 혁신.
+
+## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
+- **과거 데이터와의 충돌:** 초기에는 가벼운 웹 요청 처리용으로만 여겨졌으나, 최근에는 GPU 지원 서버리스 서비스와 컨테이너 기반 서버리스(Knative 등)의 등장으로 무거운 딥러닝 모델 추론도 서버리스 환경에서 활발히 이루어지고 있음.
+- **정책 변화:** Antigravity 프로젝트는 에이전트의 간헐적인 데이터 전처리 및 배치 분석 작업 시, 비용 최적화를 위해 서버리스 아키텍처를 우선적으로 활용함.
+
+## 🔗 지식 연결 (Graph)
+- [[Scalability-in-AI-Systems]], [[Cloud-Computing-Foundations]], [[Service-oriented-Architecture]], [[Optimization-in-AI]]
+- **Raw Source:** [[10_Wiki/Topics/AI/Serverless-Computing-for-AI.md]]

10_Wiki/Topics/AI/Service-oriented-Architecture.md

@@ -0,0 +1,29 @@
+---
+id: SYS-SOA-001
+category: "[[10_Wiki/💡 Topics/AI]]"
+confidence_score: 1.0
+tags: [systems, architecture, soa, service-oriented, microservices, decoupling, interoperability]
+last_reinforced: 2026-04-26
+---
+
+# [[Service-oriented Architecture (SOA, 서비스 지향 아키텍처)]]
+
+## 📌 한 줄 통찰 (The Karpathy Summary)
+> "거대한 시스템을 독립적인 기능을 가진 '서비스'들의 집합으로 해체하고, 표준화된 통신(Interface)을 통해 이들이 유연하게 협력하게 하라" — 비즈니스 기능을 독립적인 서비스 단위로 쪼개어 네트워크상에서 서로 연동 가능하게 설계하는 소프트웨어 아키텍처 스타일.
+
+## 📖 구조화된 지식 (Synthesized Content)
+- **추출된 패턴:** "Service Decoupling and Standardized Interoperability" — 각 서비스가 특정 기술에 종속되지 않고 공용 프로토콜(주로 SOAP나 REST)을 통해 대화하게 함으로써, 전체 시스템의 유연성과 재사용성을 극대화하는 패턴.
+- **핵심 원칙:**
+    - **Loose Coupling:** 서비스 간의 의존성을 최소화하여 개별 업데이트 용이.
+    - **Service Contract:** 서비스가 제공하는 기능과 입출력 형식을 명확히 정의.
+    - **Reusability:** 하나가 만든 기능을 다른 여러 서비스에서 호출하여 중복 제거.
+    - **Composability:** 작은 서비스들을 조합하여 더 큰 비즈니스 로직 완성.
+- **의의:** 90년대 중반부터 현대 마이크로서비스 아키텍처(MSA)의 철학적 모태가 되었으며, 복잡한 엔터프라이즈 시스템을 관리 가능한 수준으로 유지하는 데 결정적인 역할을 함.
+
+## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
+- **과거 데이터와의 충돌:** 중앙 집중형 서비스 버스(ESB)를 사용하는 무거운 SOA 방식에서, 이제는 가벼운 API 게이트웨이와 메시지 브로커 중심의 민첩한 마이크로서비스 방식으로 진화하며 '서비스 지향'의 본질은 계승하고 구현의 복잡도는 낮추는 방향으로 발전함.
+- **정책 변화:** Antigravity 프로젝트는 에이전트의 각 기능(검색, 생성, 검증 등)을 독립적인 서비스 모듈로 설계하여, 필요에 따라 개별적으로 확장하거나 교체할 수 있는 SOA의 유연성 원칙을 고수함.
+
+## 🔗 지식 연결 (Graph)
+- [[Microservices-Foundations]], [[Scalability-in-AI-Systems]], [[Software-Architecture-Patterns]], [[API-Design-Principles]]
+- **Raw Source:** [[10_Wiki/Topics/AI/Service-oriented-Architecture.md]]

10_Wiki/Topics/AI/Shadowing-and-Observability.md

@@ -0,0 +1,30 @@
+---
+id: SYS-OBS-001
+category: "[[10_Wiki/💡 Topics/AI]]"
+confidence_score: 1.0
+tags: [systems, observability, shadowing, monitoring, mlops, distributed-tracing, reliability]
+last_reinforced: 2026-04-26
+---
+
+# [[Shadowing and Observability (섀도잉 및 관측성)]]
+
+## 📌 한 줄 통찰 (The Karpathy Summary)
+> "사용자 모르게 실제 트래픽의 복사본으로 모델의 담력을 시험(Shadowing)하고, 시스템 내부의 모든 신호를 투명하게 기록하여 장애의 징후를 선제적으로 포착하라" — 운영 환경에 영향을 주지 않는 안전한 테스트 기법과 시스템의 동작 상태를 정밀하게 파악하기 위한 관측 체계.
+
+## 📖 구조화된 지식 (Synthesized Content)
+- **추출된 패턴:** "Risk-free Validation and Transparent Monitoring" — 새로운 모델이나 코드를 배포할 때 실제 트래픽을 병렬로 흘려보내 결과를 비교 검증하고, 메트릭/로그/트레이싱의 3대 요소를 결합해 장애의 원인을 즉각 규명하는 패턴.
+- **핵심 요소:**
+    - **Shadow Deployment:** 운영 서비스 결과는 무시하고 새 모델의 예측값만 기록하여 성능 비교. 리스크 없는 실전 테스트 가능.
+    - **Observability (Three Pillars):**
+        - **Metrics:** 수치화된 지표 (CPU 사용량, Latency 등).
+        - **Logs:** 발생한 사건의 상세 기록.
+        - **Tracing:** 서비스 간의 호출 경로 추적 (Distributed Tracing).
+- **의의:** 복잡해진 마이크로서비스 환경에서 "무슨 일이 일어났는가"를 넘어 "왜 일어났는가"에 대한 답을 제공하며, 배포의 두려움을 데이터 기반의 확신으로 바꿈.
+
+## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
+- **과거 데이터와의 충돌:** 단순히 서버가 죽었는지만 체크하던 '모니터링'의 시대를 지나, 이제는 분산 시스템 전체의 맥락을 이해하고 예상치 못한 문제(Unknown-Unknowns)를 탐사하는 '관측성' 중심의 엔지니어링으로 패러다임이 이동함.
+- **정책 변화:** Antigravity 프로젝트는 에이전트의 답변 생성 모델 업데이트 시, 최소 24시간의 섀도잉 기간을 거쳐 기존 모델과의 응답 품질 차이를 정밀 분석한 후 최종 배포를 결정함.
+
+## 🔗 지식 연결 (Graph)
+- [[Scalability-in-AI-Systems]], [[Service-oriented-Architecture]], [[Reliability-Engineering]], [[MLOps-Best-Practices]]
+- **Raw Source:** [[10_Wiki/Topics/AI/Shadowing-and-Observability.md]]

10_Wiki/Topics/AI/Shape-Feature-Extraction.md

@@ -0,0 +1,28 @@
+---
+id: CV-SHAPE-FEAT-001
+category: "[[10_Wiki/💡 Topics/AI]]"
+confidence_score: 1.0
+tags: [ai, computer-vision, feature-extraction, image-processing, shape-analysis, pattern-recognition]
+last_reinforced: 2026-04-26
+---
+
+# [[Shape Feature Extraction (형상 특징 추출)]]
+
+## 📌 한 줄 통찰 (The Karpathy Summary)
+> "색상과 픽셀의 소음에서 벗어나 사물의 본질적인 '실루엣'과 '기하학적 질서'를 추출하여, 어떤 환경에서도 변하지 않는 형상의 정체성을 정의하라" — 이미지 내 객체의 형태적 특성을 수치화하여 분류, 인식, 매칭 등에 활용하는 컴퓨터 비전의 핵심 공정.
+
+## 📖 구조화된 지식 (Synthesized Content)
+- **추출된 패턴:** "Geometric Invariance and Contour Description" — 물체의 크기가 변하거나 회전해도 일정하게 유지되는 불변 특징(Invariant Features)을 찾기 위해, 윤곽선(Contour)의 좌표 변화나 내부 픽셀의 모멘트(Moment) 분포를 분석하는 패턴.
+- **주요 기법:**
+    - **Boundary-based:** 윤곽선의 길이, 곡률, 푸리에 기술자(Fourier Descriptors) 등을 통한 경계선 분석.
+    - **Region-based:** 객체 내부 면적, 중심점, Hu-Moments 등을 통한 영역 특성 분석.
+    - **HOG (Histogram of Oriented Gradients):** 픽셀 기울기의 방향을 밀집된 벡터로 표현 (사람 인식 등에 탁월).
+- **의의:** 문자 인식(OCR), 부품 결함 검사, 동작 인식 등 사물의 정확한 형태적 구분이 필요한 분야에서 딥러닝 모델의 성능을 보완하거나 강력한 베이스라인을 제공함.
+
+## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
+- **과거 데이터와의 충돌:** 사람이 직접 수학적 수식을 설계하던 방식에서, 이제는 컨볼루션 신경망(CNN)이 층을 거듭하며 복잡한 형상 특징을 스스로 학습하는 방식으로 발전했으나, 기하학적 엄밀함이 필요한 정밀 계측 분야에서는 여전히 고전적인 형상 추출 기법이 병행됨.
+- **정책 변화:** Antigravity 프로젝트는 비전 에이전트의 물체 인식 로직 설계 시, 연산 자원이 제한된 환경에서도 안정적인 형태 파악을 위해 경량화된 형상 특징 추출 알고리즘을 우선 적용함.
+
+## 🔗 지식 연결 (Graph)
+- [[Computer-Vision-Fundamentals]], [[Representation-Learning]], [[Optical-Character-Recognition-OCR]], [[Deep-Learning-Foundations]]
+- **Raw Source:** [[10_Wiki/Topics/AI/Shape-Feature-Extraction.md]]

10_Wiki/Topics/AI/Sharding-and-Partitioning.md

@@ -0,0 +1,28 @@
+---
+id: SYS-SHARD-001
+category: "[[10_Wiki/💡 Topics/AI]]"
+confidence_score: 1.0
+tags: [database, systems, scalability, sharding, partitioning, distributed-systems, big-data]
+last_reinforced: 2026-04-26
+---
+
+# [[Sharding and Partitioning (샤딩 및 파티셔닝)]]
+
+## 📌 한 줄 통찰 (The Karpathy Summary)
+> "거대한 지식의 덩어리를 전략적인 기준(Key)에 따라 조각내어 분산하고, 병렬 처리를 통해 단일 서버의 한계를 넘어 무한한 확장의 길을 열어라" — 대규모 데이터를 효율적으로 관리하기 위해 데이터베이스를 수평적 혹은 수직적으로 분할하여 저장하고 처리하는 최적화 기법.
+
+## 📖 구조화된 지식 (Synthesized Content)
+- **추출된 패턴:** "Data Fragmentation and Distributed Load Balancing" — 하나의 거대한 테이블을 여러 서버(Sharding)나 동일 서버 내 여러 논리적 단위(Partitioning)로 쪼개어, 전체 데이터를 조회하지 않고 필요한 조각에만 접근하여 응답 속도를 비약적으로 높이는 패턴.
+- **핵심 구분:**
+    - **Vertical Partitioning:** 테이블의 컬럼을 기준으로 쪼개기. 자주 쓰이는 데이터와 아닌 데이터를 분리.
+    - **Horizontal Partitioning (Sharding):** 행(Row)을 기준으로 쪼개어 서로 다른 서버에 분산 저장.
+    - **Sharding Key:** 데이터를 나누는 기준값. 데이터가 특정 서버에 쏠리지 않도록 고르게 분산시키는 것이 핵심.
+- **의의:** 서비스가 폭발적으로 성장해도 인프라를 증설하여 대응할 수 있는 '수평적 확장성(Horizontal Scalability)'의 기술적 근간.
+
+## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
+- **과거 데이터와의 충돌:** 샤딩은 데이터 정합성 유지와 조인(Join) 연산이 극도로 어렵다는 단점이 있었으나, 최근에는 '분산 SQL DB(CockroachDB, Spanner 등)'의 등장으로 애플리케이션 수준의 복잡도 없이 자동화된 샤딩과 정합성을 동시에 보장하는 방향으로 발전함.
+- **정책 변화:** Antigravity 프로젝트는 에이전트의 대규모 지식 노드와 벡터 임베딩 데이터를 저장할 때, 검색 빈도와 문서 카테고리를 고려한 동적 샤딩 전략을 통해 글로벌 검색 지연 시간을 최소화함.
+
+## 🔗 지식 연결 (Graph)
+- [[Scalability-in-AI-Systems]], [[Schema-Design-for-NoSQL]], [[Relational-Databases]], [[High-Availability-Systems]]
+- **Raw Source:** [[10_Wiki/Topics/AI/Sharding-and-Partitioning.md]]

10_Wiki/Topics/AI/Signal-Processing-Foundations.md

@@ -0,0 +1,29 @@
+---
+id: MATH-SIG-PROC-001
+category: "[[10_Wiki/💡 Topics/AI]]"
+confidence_score: 1.0
+tags: [math, engineering, signal-processing, fourier-transform, sampling-theorem, filtering, digital-signal]
+last_reinforced: 2026-04-26
+---
+
+# [[Signal Processing Foundations (신호 처리 기초)]]
+
+## 📌 한 줄 통찰 (The Karpathy Summary)
+> "현실의 혼란스러운 아날로그 파동에서 불필요한 노이즈를 걷어내고, 지능이 이해할 수 있는 순수한 '정보의 정수'를 디지털 숫자로 추출하라" — 물리적 세계의 신호를 수학적으로 조작하여 정보의 품질을 높이거나 핵심 특징을 분석하는 공학적 토대.
+
+## 📖 구조화된 지식 (Synthesized Content)
+- **추출된 패턴:** "Analog-to-Digital Conversion and Frequency Domain Transformation" — 연속적인 신호를 일정한 간격으로 샘플링(Sampling)하여 디지털화하고, 시간축의 데이터를 주파수축으로 변환하여 눈에 보이지 않던 숨겨진 패턴과 주기성을 찾아내는 패턴.
+- **핵심 이론:**
+    - **Sampling Theorem (Nyquist):** 원신호를 완벽히 복원하기 위해 원래 최고 주파수의 2배 이상으로 샘플링해야 한다는 원칙.
+    - **Fourier Transform:** 복잡한 신호를 단순한 정현파들의 합으로 분해하여 주파수 성분을 분석.
+    - **Filtering:** 고주파(Low-pass)나 저주파(High-pass) 등 특정 대역의 신호만을 통과시켜 노이즈 제거.
+    - **Convolution:** 두 신호를 결합하여 특징을 강조하거나 시스템의 응답 확인 (CNN의 수학적 근간).
+- **의의:** 음성 인식, 이미지 처리, 통신, 센서 데이터 분석 등 현대의 모든 디지털 문명과 AI가 '세상을 감각하는 법'에 대한 절대적 기초 지식.
+
+## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
+- **과거 데이터와의 충돌:** 사람이 수동으로 필터 계수를 설계하던 방식에서, 이제는 신경망이 학습 데이터로부터 최적의 신호 처리 방식(예: CNN의 필터 커널)을 직접 찾아내는 '데이터 기반 신호 처리'로 지평이 넓어짐.
+- **정책 변화:** Antigravity 프로젝트는 오디오 에이전트의 입력 신호 처리 시, 배경 소음을 효과적으로 억제하고 화자의 음성 특징만을 극대화하기 위해 표준 디지털 신호 처리(DSP) 라이브러리와 딥러닝 전처리를 병행함.
+
+## 🔗 지식 연결 (Graph)
+- [[Natural-Language-Processing-NLP]], [[Computer-Vision-Fundamentals]], [[Scientific-Computing-with-Python]], [[Convolutional-Neural-Networks-CNN]]
+- **Raw Source:** [[10_Wiki/Topics/AI/Signal-Processing-Foundations.md]]

10_Wiki/Topics/AI/Similarity-Metrics-in-AI.md

@@ -0,0 +1,29 @@
+---
+id: AI-MET-SIM-001
+category: "[[10_Wiki/💡 Topics/AI]]"
+confidence_score: 1.0
+tags: [ai, machine-learning, similarity-metrics, cosine-similarity, euclidean-distance, jaccard-similarity, vector-space]
+last_reinforced: 2026-04-26
+---
+
+# [[Similarity Metrics in AI (AI에서의 유사도 메트릭)]]
+
+## 📌 한 줄 통찰 (The Karpathy Summary)
+> "데이터를 고차원 벡터의 좌표로 변환하고, 그들 사이의 '거리'와 '각도'를 측정하여 보이지 않는 의미적 유사성을 수치화하라" — 두 데이터 객체가 서로 얼마나 닮았는지 정량적으로 측정하기 위한 수학적 척도들의 총합.
+
+## 📖 구조화된 지식 (Synthesized Content)
+- **추출된 패턴:** "Vector Distance and Semantic Proximity" — 텍스트, 이미지, 사용자 행동 등을 수치 벡터로 투영하고, 선택한 메트릭에 따라 기하학적 거리를 계산하여 분류, 클러스터링, 추천 등에 활용하는 패턴.
+- **주요 유사도 메트릭:**
+    - **Cosine Similarity:** 두 벡터 사이의 각도 측정. 벡터의 크기보다 '방향(의미)'이 중요할 때(예: 텍스트 분석) 최적.
+    - **Euclidean Distance:** 두 점 사이의 직선 거리. 데이터의 물리적 수치 차이가 중요할 때 사용.
+    - **Jaccard Similarity:** 두 집합 사이의 겹침 정도 측정. 키워드 공유 여부 분석에 용이.
+    - **Manhattan Distance:** 격자 구조에서의 거리. 고차원 데이터에서 유클리드 거리의 한계를 보완할 때 사용.
+- **의의:** 시맨틱 검색, 추천 시스템, 중복 데이터 제거 등 현대 AI 서비스의 거의 모든 '비교' 로직의 핵심 수학적 근간.
+
+## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
+- **과거 데이터와의 충돌:** 단순히 거리가 가까우면 비슷하다는 가정을 넘어, 이제는 데이터의 분포와 밀도를 고려한 마할라노비스 거리(Mahalanobis Distance)나 학습된 신경망 기반의 유사도 측정(Deep Metric Learning)이 복잡한 데이터 분석의 표준이 됨.
+- **정책 변화:** Antigravity 프로젝트는 지식 문서 간의 연관 관계 산출 시, 문맥적 의미 보존율이 높은 코사인 유사도를 기본 메트릭으로 채택하며 필요에 따라 리랭킹 모델을 병행함.
+
+## 🔗 지식 연결 (Graph)
+- [[Semantic-Search-with-AI]], [[Vector-Database-Foundations]], [[Recommendation-Systems]], [[Cluster-Analysis-Techniques]]
+- **Raw Source:** [[10_Wiki/Topics/AI/Similarity-Metrics-in-AI.md]]

10_Wiki/Topics/AI/Simulated-Annealing.md

@@ -1,27 +1,28 @@
 ---
-id: ANNEAL-001
+id: MATH-OPT-SA-001
 category: "[[10_Wiki/💡 Topics/AI]]"
 confidence_score: 1.0
-tags: [optimization, algorithm, heuristics, statistical-mechanics]
+tags: [math, optimization, simulated-annealing, heuristics, global-optimum, algorithm, stochastic-process]
 last_reinforced: 2026-04-26
 ---
 
-# [[Simulated Annealing (시뮬레이션 어닐링)]]
+# [[Simulated Annealing (시뮬레이티드 어닐링)]]
 
 ## 📌 한 줄 통찰 (The Karpathy Summary)
-> "지역 최적해에서 벗어나기 위해 때로는 '모험'을 허용하라" — 금속을 뜨겁게 달구었다가 천천히 식히며 결정 구조를 안정화시키는 담금질(Annealing) 과정을 모방하여, 확률적으로 더 나쁜 해를 수용함으로써 전역 최적해를 찾아가는 확률적 탐색 알고리즘.
+> "초기에는 뜨거운 열기(Randomness)로 지역적 최적해의 함정을 뛰어넘고, 서서히 식어가는 지혜(Cooling Schedule)를 통해 전역 최적해라는 완벽한 결정체를 형성하라" — 금속 공학의 담금질 원리를 모방하여, 복잡한 탐색 공간에서 지역 최적해(Local Optima)를 탈출하고 전역 최적해(Global Optimum)를 찾기 위한 확률적 최적화 기법.
 
 ## 📖 구조화된 지식 (Synthesized Content)
-- **추출된 패턴:** 초기에는 높은 '온도(Probability)'를 유지하여 탐색 공간을 넓게 훑고, 시간이 지남에 따라 온도를 낮추며 현재 위치 근처에서 정교하게 수렴하는 전역 최적화 패턴.
-- **세부 내용:**
-    - **Metropolis Criterion:** 현재보다 좋지 않은 해라도 특정 확률($e^{-\Delta E / T}$)로 수용하여 지역 최적해(Local Optima) 탈출 유도.
-    - **Cooling Schedule:** 온도를 낮추는 속도와 방식 정의. 너무 빠르면 지역 최적해에 갇히고, 너무 느리면 연산 비용 과다 발생.
-    - **Combinatorial Optimization:** 외판원 문제(TSP)나 회로 설계 등 탐색 공간이 방대하고 불연속적인 문제에서 강력한 성능 발휘.
+- **추출된 패턴:** "Stochastic Exploration and Gradual Convergence" — 현재보다 좋지 않은 해(Solution)라도 온도($T$)에 따른 특정 확률로 수용함으로써 탐색의 범위를 넓히고, 시간이 흐름에 따라 온도를 낮춰 점점 정교하게 정답에 안착하는 패턴.
+- **핵심 메커니즘:**
+    - **Temperature ($T$):** 탐색의 무작위성을 결정하는 변수. 초기에 높고 서서히 낮아짐.
+    - **Metropolis Criterion:** 나쁜 해를 수용할 확률 $P = \exp(-\Delta E / T)$. 온도가 높을수록, 오차가 작을수록 나쁜 해를 더 잘 받아들임.
+    - **Cooling Schedule:** 온도를 얼마나 빨리 식힐지 결정하는 함수. 학습의 성패를 좌우함.
+- **의의:** 수학적으로 해를 구하기 어려운 조합 최적화 문제(예: TSP)나 매우 복잡한 손실 함수를 가진 모델 학습에서 전역적인 시야를 유지하게 해주는 강력한 메타휴리스틱 도구.
 
 ## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
-- **과거 데이터와의 충돌:** 미분이 가능한 공간에서의 경사 하강법에 비해 속도는 느리지만, 미분이 불가능하거나 매우 불규칙한 에너지 지형을 가진 문제에서 여전히 독보적인 유연성을 가짐.
-- **정책 변화:** Antigravity 프로젝트의 자원 할당 최적화 및 복잡한 워크플로우 스케줄링 시, 시뮬레이션 어닐링 알고리즘을 사용하여 최적의 배치 조합을 산출함.
+- **과거 데이터와의 충돌:** 연산 속도가 느리다는 단점 때문에 경사 하강법(Gradient Descent)에 밀리는 듯했으나, 경사 정보를 알 수 없는 비연속적 공간이나 강화학습의 하이퍼파라미터 최적화 등에서 여전히 대체 불가능한 가치를 발휘함.
+- **정책 변화:** Antigravity 프로젝트는 에이전트의 작업 스케줄링 최적화나 복잡한 지식 그래프의 클러스터링 초기값 설정 시, 지역 최적해 함정을 피하기 위해 시뮬레이티드 어닐링의 확률적 탐색 로직을 적용함.
 
 ## 🔗 지식 연결 (Graph)
-- [[Optimization]], [[Genetic-Algorithms]], [[Stochastic-Gradient-Descent]], [[Statistical-Mechanics]]
+- [[Optimization-Algorithms]], [[Randomized-Algorithms]], [[Reinforcement-Learning]], [[Algorithm-Complexity-Analysis]]
 - **Raw Source:** [[10_Wiki/Topics/AI/Simulated-Annealing.md]]

10_Wiki/Topics/AI/Simulation-Environments.md

@@ -0,0 +1,28 @@
+---
+id: AI-SIM-ENV-001
+category: "[[10_Wiki/💡 Topics/AI]]"
+confidence_score: 1.0
+tags: [ai, reinforcement-learning, simulation, digital-twin, physics-engine, unity, mujoco, sim-to-real]
+last_reinforced: 2026-04-26
+---
+
+# [[Simulation Environments (시뮬레이션 환경)]]
+
+## 📌 한 줄 통찰 (The Karpathy Summary)
+> "현실의 물리 법칙을 디지털 코드로 재구성한 '안전한 우주'를 창조하고, 수백만 번의 시행착오를 빛의 속도로 반복시켜 지능의 진화를 가속하라" — 인공지능 에이전트가 학습하고 평가받을 수 있도록 설계된 가상의 물리적 혹은 논리적 상호작용 공간.
+
+## 📖 구조화된 지식 (Synthesized Content)
+- **추출된 패턴:** "Risk-free Iteration and Parallel Experience Collection" — 실제 하드웨어나 환경의 파손 없이 극단적인 상황까지 테스트하고, 여러 시뮬레이션을 동시에 돌려 방대한 학습 데이터를 단시간에 수집하는 패턴.
+- **핵심 구성 및 도구:**
+    - **Physics Engines:** MuJoCo, PyBullet, PhysX 등 중력, 마찰력 등 물리 현상 계산.
+    - **RL Frameworks:** OpenAI Gym(Gymnasium), Unity ML-Agents 등 표준화된 인터페이스 제공.
+    - **Digital Twins:** 실제 공장이나 도시를 그대로 가상화하여 정밀한 예측 수행.
+- **의의:** 자율주행, 로보틱스, 드론 제어 등 현실 세계의 위험이 큰 분야에서 AI가 상용화되기 전 반드시 거쳐야 하는 '지능의 검증 센터' 역할.
+
+## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
+- **과거 데이터와의 충돌:** 가상은 가상일 뿐이라는 'Sim-to-Real Gap' 문제로 비판받았으나, 최근에는 가상 환경에 의도적인 노이즈를 섞는 'Domain Randomization'과 정교한 시스템 식별 기술을 통해 시뮬레이션에서 배운 지식을 현실에 즉각 적용하는 수준까지 발전함.
+- **정책 변화:** Antigravity 프로젝트는 새로운 에이전트 알고리즘 배포 전, 다양한 시나리오가 설정된 시뮬레이션 환경에서의 벤치마크 테스트 통과를 필수 품질 게이트로 설정함.
+
+## 🔗 지식 연결 (Graph)
+- [[Reinforcement-Learning]], [[Robotics-Foundations]], [[Self-Driving-Car-Foundations]], [[Reward-Shaping-in-RL]]
+- **Raw Source:** [[10_Wiki/Topics/AI/Simulation-Environments.md]]

10_Wiki/Topics/AI/Singular-Value-Decomposition.md

@@ -0,0 +1,28 @@
+---
+id: MATH-LA-SVD-001
+category: "[[10_Wiki/💡 Topics/AI]]"
+confidence_score: 1.0
+tags: [math, linear-algebra, svd, dimensionality-reduction, pca, recommendation-systems, matrix-factorization]
+last_reinforced: 2026-04-26
+---
+
+# [[Singular Value Decomposition (SVD, 특이값 분해)]]
+
+## 📌 한 줄 통찰 (The Karpathy Summary)
+> "복잡한 데이터 행렬을 본질적인 에너지(특이값)의 순서대로 해체하고, 사소한 노이즈를 걷어내어 데이터가 숨기고 있던 '핵심 구조'만을 선명하게 드러내라" — 임의의 행렬을 세 개의 특수한 행렬($U, \Sigma, V^T$)의 곱으로 분해하여 데이터의 특징 추출 및 차원 축소에 활용하는 강력한 선형대수학 기법.
+
+## 📖 구조화된 지식 (Synthesized Content)
+- **추출된 패턴:** "Energy-based Rank Reduction and Latent Structure Discovery" — 행렬의 정보를 가장 잘 설명하는 방향(특이 벡터)과 그 중요도(특이값)를 산출하고, 작은 특이값들을 0으로 처리함으로써 데이터의 용량은 획기적으로 줄이면서 본질적인 정보는 보존하는 패턴.
+- **수학적 구성:** $A = U\Sigma V^T$
+    - **$U$:** 왼쪽 특이 벡터 (행 사이의 관계/공간).
+    - **$\Sigma$:** 특이값 (각 성분의 중요도/에너지 크기). 내림차순 정렬됨.
+    - **$V^T$:** 오른쪽 특이 벡터 (열 사이의 관계/특징).
+- **의의:** 추천 시스템(사용자-아이템 취향 분석), 이미지 압축, 자연어 처리의 잠재 의미 분석(LSA) 등 데이터의 '숨은 의미'를 찾아야 하는 모든 곳의 수학적 표준.
+
+## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
+- **과거 데이터와의 충돌:** 연산 복잡도가 높다는 단점으로 대규모 데이터셋 적용에 한계가 있었으나, 최근에는 Truncated SVD나 Randomized SVD 등 필요한 성분만 빠르게 뽑아내는 근사 기법들이 발전하여 빅데이터 환경에서도 핵심 도구로 쓰임.
+- **정책 변화:** Antigravity 프로젝트는 대규모 지식 관계망의 차원 축소 및 문서 간의 잠재적 유사성 탐색 시, 정보 손실을 최소화하면서 연산 효율을 높이는 SVD 기반의 알고리즘을 내부 라이브러리로 운용함.
+
+## 🔗 지식 연결 (Graph)
+- [[Principal-Component-Analysis-PCA]], [[Dimensionality-Reduction-Strategies]], [[Recommendation-Systems]], [[Scientific-Computing-with-Python]]
+- **Raw Source:** [[10_Wiki/Topics/AI/Singular-Value-Decomposition.md]]

10_Wiki/Topics/AI/Six-Sigma-Methodologies.md

@@ -0,0 +1,30 @@
+---
+id: BIZ-SIX-SIGMA-001
+category: "[[10_Wiki/💡 Topics/AI]]"
+confidence_score: 1.0
+tags: [business, quality-management, six-sigma, dmaic, process-improvement, statistics, efficiency]
+last_reinforced: 2026-04-26
+---
+
+# [[Six Sigma Methodologies (식스 시그마 방법론)]]
+
+## 📌 한 줄 통찰 (The Karpathy Summary)
+> "데이터라는 잣대로 프로세스의 변동성을 집요하게 추적하고, 백만 분의 3.4라는 극한의 정밀도(Zero Defect)를 향해 모든 낭비와 오류를 제거하라" — 통계적 기법을 활용하여 비즈니스 프로세스의 결함을 찾아내고 원인을 제거하여 품질을 획기적으로 개선하는 경영 전략.
+
+## 📖 구조화된 지식 (Synthesized Content)
+- **추출된 패턴:** "Standardized Quality Control and Variance Minimization" — 주관적 판단이 아닌 객관적 데이터에 근거하여 문제의 근본 원인을 파악하고, 표준화된 5단계 절차(DMAIC)를 반복하여 프로세스의 안정성을 확보하는 패턴.
+- **핵심 프로세스 (DMAIC):**
+    - **Define:** 고객의 요구사항을 바탕으로 문제와 프로젝트 목표 정의.
+    - **Measure:** 현재 프로세스의 성능을 측정하고 신뢰할 수 있는 데이터 수집.
+    - **Analyze:** 결함의 근본 원인을 통계적으로 분석.
+    - **Improve:** 원인을 제거하고 최적의 개선안 실행.
+    - **Control:** 개선된 성과가 유지되도록 모니터링 및 표준화.
+- **의의:** 기업 운영의 모든 과정을 '수치'로 관리하게 함으로써 효율성을 극대화하고, 불필요한 비용(Cost of Poor Quality)을 줄여 비즈니스의 경쟁력을 강화함.
+
+## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
+- **과거 데이터와의 충돌:** 제조 현장의 전유물로 여겨졌으나, 이제는 소프트웨어 개발(Agile Six Sigma)이나 AI 모델의 추론 정확도 관리 등 높은 신뢰성이 요구되는 지식 서비스 분야에서도 프로세스 혁신의 도구로 널리 활용됨.
+- **정책 변화:** Antigravity 프로젝트는 지식 자산의 보강 및 검수 프로세스에 식스 시그마의 DMAIC 철학을 투영하여, 작업의 변동성을 줄이고 일관된 Karpathy Summary 품질을 유지하는 품질 관리 체계를 운용함.
+
+## 🔗 지식 연결 (Graph)
+- [[Operations-Management-Foundations]], [[Process-Automation-with-AI]], [[Performance-Metrics-in-AI]], [[Risk-Assessment-with-AI]]
+- **Raw Source:** [[10_Wiki/Topics/AI/Six-Sigma-Methodologies.md]]

10_Wiki/Topics/AI/Slack-Bot-Development.md

@@ -0,0 +1,29 @@
+---
+id: DEV-SLACK-BOT-001
+category: "[[10_Wiki/💡 Topics/AI]]"
+confidence_score: 1.0
+tags: [development, automation, slack, chatbot, slack-api, webhook, bot-development, collaboration]
+last_reinforced: 2026-04-26
+---
+
+# [[Slack Bot Development (슬랙 봇 개발)]]
+
+## 📌 한 줄 통찰 (The Karpathy Summary)
+> "협업의 중심지인 슬랙에 '지능형 에이전트'를 상주시켜, 번거로운 반복 작업을 자동화하고 팀의 생산성을 실시간으로 가속하라" — 슬랙 API를 활용하여 사용자의 메시지에 응답하거나 이벤트를 감지하여 특정 작업을 수행하는 자동화 프로그램 개발 기법.
+
+## 📖 구조화된 지식 (Synthesized Content)
+- **추출된 패턴:** "Event-driven Interaction and Workflow Integration" — 슬랙의 이벤트 API(가입, 메시지 등)를 수신하고, 봇 토큰(Bot Token)을 사용해 채널에 응답하거나 인터랙티브 버튼/모달을 통해 사용자 입력을 받아 업무 워크플로우를 자동화하는 패턴.
+- **주요 구성 요소:**
+    - **Slack API:** Web API (봇이 메시지 전송), Events API (슬랙 내 사건 감지).
+    - **Socket Mode:** 복잡한 방화벽 설정 없이 로컬에서도 봇을 테스트할 수 있는 통신 방식.
+    - **App Home:** 사용자별 맞춤 정보를 보여주는 봇 전용 공간.
+    - **Slash Commands:** `/`로 시작하는 명령어를 통한 서비스 호출.
+- **의의:** 알림 모니터링, 승인 프로세스 자동화, 사내 데이터 조회 등 파편화된 업무 툴들을 채팅창 안으로 통합하여 소통 비용을 획기적으로 절감함.
+
+## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
+- **과거 데이터와의 충돌:** 단순히 메시지만 주고받던 초기 형태에서 벗어나, 이제는 거대 언어 모델(LLM)과 결합하여 복잡한 질문에 답하고 코드를 작성하거나 회의록을 요약해주는 'AI 비서' 수준의 지능형 봇으로 진화함.
+- **정책 변화:** Antigravity 프로젝트는 가드닝 진행 상황 및 장애 알림을 실시간으로 팀에 공유하기 위해, 프로젝트 전용 슬랙 봇을 구축하여 운영 효율을 극대화함.
+
+## 🔗 지식 연결 (Graph)
+- [[Process-Automation-with-AI]], [[Natural-Language-Processing-NLP]], [[API-Design-Principles]], [[Shadowing-and-Observability]]
+- **Raw Source:** [[10_Wiki/Topics/AI/Slack-Bot-Development.md]]

10_Wiki/Topics/AI/Smart-Contract-Auditing.md

@@ -0,0 +1,29 @@
+---
+id: SEC-BC-AUDIT-001
+category: "[[10_Wiki/💡 Topics/AI]]"
+confidence_score: 1.0
+tags: [blockchain, security, smart-contract, auditing, ethereum, solidity, cybersecurity, web3]
+last_reinforced: 2026-04-26
+---
+
+# [[Smart Contract Auditing (스마트 컨트랙트 감사)]]
+
+## 📌 한 줄 통찰 (The Karpathy Summary)
+> "수정 불가능한 코드(Immutability)의 무게를 견디기 위해, 배포 전 단 한 점의 논리적 틈새도 허용하지 않는 철저한 검증으로 디지털 자산의 안전을 담보하라" — 블록체인상에 구현된 스마트 컨트랙트의 취약점, 버그, 논리적 결함을 분석하여 해킹 사고를 예방하는 보안 검증 공정.
+
+## 📖 구조화된 지식 (Synthesized Content)
+- **추출된 패턴:** "Multi-layered Vulnerability Scanning and Logical Verification" — 자동화된 정적 분석 도구로 알려진 보안 패턴(재진입 공격, 가스 리미트 등)을 검출하고, 전문가의 수동 리뷰를 통해 비즈니스 로직의 모순을 찾아내며, 수학적 형식 검증으로 모든 경우의 수에 대한 안전성을 입증하는 패턴.
+- **주요 감사 단계:**
+    - **Automated Scanning:** Slither, Mythril 등을 활용한 빠른 취약점 탐지.
+    - **Manual Code Review:** 코드의 의도와 실제 구현 사이의 괴리 분석.
+    - **Economic Analysis:** 토큰 이코노미나 거버넌스 공격 가능성 검토.
+    - **Formal Verification:** 수학적 모델링을 통해 계약 조건의 완벽성 증명.
+- **의의:** DeFi, NFT 등 거대한 자본이 흐르는 Web3 생태계에서 사용자 신뢰를 얻기 위한 필수 관문이며, 코드의 실수가 돌이킬 수 없는 자산 손실로 이어지는 것을 막는 최후의 방어선.
+
+## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
+- **과거 데이터와의 충돌:** 사람이 일일이 코드를 보던 방식에서, 이제는 AI 기반의 스마트 컨트랙트 분석기가 실시간으로 새로운 공격 패턴을 학습하고 감지하며 인간 감사자의 직관과 도구의 정밀함이 결합된 하이브리드 감사 방식으로 진화함.
+- **정책 변화:** Antigravity 프로젝트는 향후 지식 자산의 소유권이나 에이전트 간 보상 체계를 블록체인화할 경우, 배포 전 반드시 공인된 외부 감사를 거치는 'Security-First' 배포 프로토콜을 준수함.
+
+## 🔗 지식 연결 (Graph)
+- [[Security-Best-Practices]], [[Trustworthy-AI]], [[Risk-Assessment-with-AI]], [[Software-Architecture-Patterns]]
+- **Raw Source:** [[10_Wiki/Topics/AI/Smart-Contract-Auditing.md]]

10_Wiki/Topics/AI/Snowflake-Data-Warehousing.md

@@ -0,0 +1,28 @@
+---
+id: SYS-DATA-WARE-001
+category: "[[10_Wiki/💡 Topics/AI]]"
+confidence_score: 1.0
+tags: [database, data-warehouse, snowflake, cloud-computing, big-data, data-analytics, saas]
+last_reinforced: 2026-04-26
+---
+
+# [[Snowflake Data Warehousing (스노우플레이크 데이터 웨어하우징)]]
+
+## 📌 한 줄 통찰 (The Karpathy Summary)
+> "저장과 연산을 분리하여 무한한 확장성을 확보하고, 복잡한 인프라 관리 없이 오직 '데이터의 가치'를 캐내는 분석에만 전념하라" — 클라우드 네이티브 아키텍처를 기반으로 설계된 완전 관리형(SaaS) 데이터 웨어하우징 서비스.
+
+## 📖 구조화된 지식 (Synthesized Content)
+- **추출된 패턴:** "Separation of Storage and Compute with Multi-cluster Shared Data" — 데이터를 중앙 집중식 스토리지에 저장하되, 여러 개의 가상 웨어하우스(연산 엔진)가 이를 동시에 참조하며 독립적으로 자원을 사용하고 자동 확장(Auto-scaling)하는 패턴.
+- **핵심 아키텍처 3계층:**
+    - **Database Storage:** 열 지향(Columnar) 방식으로 압축 저장되어 성능 최적화.
+    - **Query Processing:** 독립적인 가상 웨어하우스들이 연산 수행. 서로 간섭 없음.
+    - **Cloud Services:** 인증, 메타데이터 관리, 쿼리 최적화 등을 담당하는 뇌의 역할.
+- **의의:** 정형/반정형 데이터를 통합 관리하고 전 세계 어디서나 실시간으로 데이터를 공유(Data Sharing)할 수 있게 함으로써, 현대 기업의 데이터 민주화와 분석 속도를 획기적으로 향상시킴.
+
+## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
+- **과거 데이터와의 충돌:** 초기에는 단순히 데이터 저장소로 여겨졌으나, 최근에는 'Snowpark'를 통해 파이썬, 자바 등 개발 언어로 데이터 파이프라인을 구축하고 ML 모델을 직접 실행하는 '데이터 클라우드' 플랫폼으로 진화함.
+- **정책 변화:** Antigravity 프로젝트는 에이전트의 대규모 지식 활용 로그 및 사용자 행동 패턴을 장기간 보관하고 대규모 배치 분석을 수행할 때, 연산 자원 관리가 용이한 스노우플레이크의 아키텍처 철학을 참고하여 분석 파이프라인을 설계함.
+
+## 🔗 지식 연결 (Graph)
+- [[Relational-Databases]], [[NoSQL-Databases]], [[Scalability-in-AI-Systems]], [[Process-Automation-with-AI]]
+- **Raw Source:** [[10_Wiki/Topics/AI/Snowflake-Data-Warehousing.md]]

10_Wiki/Topics/AI/Social-Network-Analysis.md

@@ -0,0 +1,29 @@
+---
+id: DATA-SNA-001
+category: "[[10_Wiki/💡 Topics/AI]]"
+confidence_score: 1.0
+tags: [data-science, social-network-analysis, graph-theory, centrality, community-detection, network-science, relationship-mapping]
+last_reinforced: 2026-04-26
+---
+
+# [[Social Network Analysis (사회망 분석)]]
+
+## 📌 한 줄 통찰 (The Karpathy Summary)
+> "개별 주체의 특성보다 그들 사이의 '연결 구조'에 주목하고, 네트워크 속에서 정보와 권력이 흐르는 지도(Map)를 파악하라" — 사회적 관계를 그래프 이론을 활용하여 구조적으로 분석하고, 노드 간의 상호작용 패턴을 밝혀내는 방법론.
+
+## 📖 구조화된 지식 (Synthesized Content)
+- **추출된 패턴:** "Graph-based Structural Property and Influence Mapping" — 점(Node)과 선(Edge)으로 이루어진 복잡한 네트워크에서 특정 노드의 중심성(Centrality)을 계산하고, 밀집된 하위 집단을 찾아내어(Community Detection) 전체 시스템의 역학을 파악하는 패턴.
+- **핵심 분석 지표:**
+    - **Degree Centrality:** 연결된 친구가 얼마나 많은가? (지역적 영향력)
+    - **Betweenness Centrality:** 정보가 흐르는 길목을 얼마나 장악했는가? (중개자 역할)
+    - **Closeness Centrality:** 다른 모든 노드에 얼마나 빨리 도달할 수 있는가? (접근성)
+    - **PageRank:** 얼마나 영향력 있는 사람들로부터 연결되었는가? (권위도)
+- **의의:** 마케팅에서의 인플루언서 발굴, 조직 내 의사소통 병목 지점 파악, 범죄 네트워크 추적 등 '관계의 맥락'이 성과를 결정짓는 모든 분야의 핵심 도구.
+
+## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
+- **과거 데이터와의 충돌:** 정적인 관계도 분석에서 벗어나, 이제는 시간에 따라 관계가 변하는 '동적 네트워크 분석'과 그래프 신경망(GNN)을 이용해 보이지 않는 관계를 예측하는(Link Prediction) AI 기반 분석으로 고도화됨.
+- **정책 변화:** Antigravity 프로젝트는 1,174개 지식 문서 간의 상호 참조 관계를 사회망 분석 기법으로 시각화하여, 어떤 지식이 프로젝트의 핵심 교차로(Core Knowledge)인지 식별하고 관리 우선순위를 정함.
+
+## 🔗 지식 연결 (Graph)
+- [[Ranking-Algorithms]], [[Graph-Theory-Foundations]], [[Cluster-Analysis-Techniques]], [[Recommendation-Systems]]
+- **Raw Source:** [[10_Wiki/Topics/AI/Social-Network-Analysis.md]]

10_Wiki/Topics/AI/Software-Architecture-Patterns.md

@@ -1,29 +1,30 @@
 ---
-id: ARCH-PAT-001
+id: SYS-ARCH-PAT-001
 category: "[[10_Wiki/💡 Topics/AI]]"
 confidence_score: 1.0
-tags: [software-engineering, architecture, design-patterns, system-design]
+tags: [systems, architecture, software-engineering, design-patterns, microservices, layered-architecture, event-driven, scalability]
 last_reinforced: 2026-04-26
 ---
 
 # [[Software Architecture Patterns (소프트웨어 아키텍처 패턴)]]
 
 ## 📌 한 줄 통찰 (The Karpathy Summary)
-> "복잡한 시스템의 구조를 정형화된 틀로 관리하여 변경에 강한 지도를 그려라" — 소프트웨어 시스템의 기본 구조와 구성 요소 간의 상호작용 방식을 정의한 검증된 설계 청사진.
+> "코드를 작성하기 전에 지식과 기능의 '지도(Map)'를 먼저 그려라. 올바른 패턴 선택은 복잡성이라는 파도 앞에서 시스템을 지탱하는 가장 견고한 닻이 된다" — 소프트웨어 시스템의 구조적 문제를 해결하기 위해 반복적으로 사용되는 검증된 설계 원칙과 골격.
 
 ## 📖 구조화된 지식 (Synthesized Content)
-- **추출된 패턴:** 시스템의 요구사항과 제약 조건에 따라 구성 요소들을 배치하고 통신 방식을 결정하여, 유지보수성, 확장성, 성능을 최적화하는 구조 설계 패턴.
-- **주요 패턴:**
-    - **Layered (N-tier) Architecture:** 기능을 관심사에 따라 계층별로 분리 (예: Presentation, Business, Data layers). 가장 보편적임.
-    - **Microservices Architecture (MSA):** 시스템을 독립적으로 배포 가능한 작은 서비스 단위로 분해하여 유연성 극대화.
-    - **Event-Driven Architecture:** 상태 변화(Event)를 발행/구독(Pub/Sub) 모델로 처리하여 시스템 간 결합도를 낮춤.
-    - **Hexagonal (Ports & Adapters):** 핵심 비즈니스 로직을 외부 기술(DB, UI)로부터 독립시켜 테스트와 교체가 용이하게 설계.
-    - **Microkernel (Plug-in):** 핵심 코어와 확장 기능을 분리하여 동적인 기능 확장이 가능하게 함.
+- **추출된 패턴:** "Separation of Concerns and Structural Modularity" — 시스템의 책임을 명확히 분리하여 변경의 파급 효과를 최소화하고, 특정 요구사항(확장성, 성능, 배포 속도 등)에 최적화된 컴포넌트 간 배치 방식을 결정하는 패턴.
+- **주요 아키텍처 패턴:**
+    - **Layered (N-tier):** 역할을 수평으로 분리 (UI-Business-Data). 가장 범용적이고 단순함.
+    - **Event-driven:** 비동기 이벤트를 통해 통신. 높은 확장성과 유연성 제공.
+    - **Microservices:** 비즈니스 단위로 서비스를 완전히 쪼개어 독립적 배포와 확장이 가능하게 함.
+    - **Microkernel (Plugin):** 핵심 코어에 기능을 추가/제거할 수 있는 플러그인 구조. 확장성 우수.
+    - **Hexagonal (Ports & Adapters):** 핵심 로직을 외부 환경(DB, UI 등)으로부터 고립시켜 테스트 용이성 극대화.
+- **의의:** 개발팀이 동일한 설계 언어를 공유하게 하며, 초기 결정이 향후 시스템의 생존 여부와 비용에 결정적인 영향을 미치는 '소프트웨어의 뼈대' 구축 과정.
 
 ## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
-- **과거 데이터와의 충돌:** 모든 기능을 하나에 담던 모놀리식(Monolithic) 아키텍처에서, 분산 처리와 유연성을 중시하는 MSA 및 서버리스 환경으로 패러다임이 이동.
-- **정책 변화:** Antigravity 프로젝트는 핵심 엔진과 개별 에이전트 스킬을 분리하는 '마이크로커널' 및 '이벤트 기반' 아키텍처를 하이브리드로 채택하여 높은 확장성을 확보함.
+- **과거 데이터와의 충돌:** "무조건 마이크로서비스가 최고다"라는 유행에서 벗어나, 시스템의 규모와 팀의 역량에 맞춰 단순한 모놀리식(Monolithic)이나 모듈형 모놀리식(Modular Monolith)이 더 효율적일 수 있다는 실용주의적 접근이 다시 강조되고 있음.
+- **정책 변화:** Antigravity 프로젝트는 핵심 에이전트 엔진은 마이크로커널 패턴으로 설계하여 기능을 유연하게 확장하고, 전체 서비스 배포는 독립성을 위해 마이크로서비스 지향적 패턴을 준수함.
 
 ## 🔗 지식 연결 (Graph)
-- [[Domain-Driven-Design]], [[Separation-of-Concerns]], [[Microservices]], [[Design-Patterns]]
+- [[Service-oriented-Architecture]], [[Microservices-Foundations]], [[Scalability-in-AI-Systems]], [[API-Design-Principles]]
 - **Raw Source:** [[10_Wiki/Topics/AI/Software-Architecture-Patterns.md]]