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

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]]