diff --git a/10_Wiki/Topics/.obsidian/workspace.json b/10_Wiki/Topics/.obsidian/workspace.json index d4ce3cbf..55562974 100644 --- a/10_Wiki/Topics/.obsidian/workspace.json +++ b/10_Wiki/Topics/.obsidian/workspace.json @@ -182,6 +182,7 @@ }, "active": "5e19c94f304a33d1", "lastOpenFiles": [ + "AI/Best-of-N Sampling ( ø).md", "00_Raw/2026-04-20/Diffusion-Models.md", "00_Raw/2026-04-20/API 응답 모델링 및 상태 머신(State Machine) 설계.md", "00_Raw/2026-04-20", @@ -208,7 +209,6 @@ "Systemic_Simulation_Principles.md", "DevOps_Environment_Setup.md", "Separation_of_Concerns.md", - "Single_Source_of_Truth.md", - "WebWorker_Performance.md" + "Single_Source_of_Truth.md" ] } \ No newline at end of file diff --git a/10_Wiki/Topics/AI/Bellman Equation.md b/10_Wiki/Topics/AI/Bellman Equation.md index 4b368bf7..c2b1a4bf 100644 --- a/10_Wiki/Topics/AI/Bellman Equation.md +++ b/10_Wiki/Topics/AI/Bellman Equation.md @@ -1,25 +1,27 @@ --- -id: P-REINFORCE-AUTO-019B9B +id: P-REINFORCE-AI-BELLMAN category: "[[10_Wiki/💡 Topics/AI]]" -confidence_score: 0.90 -tags: [auto-reinforced] +confidence_score: 0.99 +tags: [Bellman Equation, RL, Dynamic Programming, MDP] last_reinforced: 2026-04-20 -github_commit: "[P-Reinforce] Continuous Worker - Bellman Equation" --- -# [[Bellman Equation]] +# [[Bellman-Equation]] (벨만 방정식) ## 📌 한 줄 통찰 (The Karpathy Summary) -> 지식 요약 정보 추출 중... +> "오늘의 가치는 오늘의 보상과 내일의 기대 가치를 더한 것이다." 복잡한 미래를 현재의 시점으로 소환하는 마법의 재귀 공식이다. ## 📖 구조화된 지식 (Synthesized Content) -본문 구조화 작업 중... +- **Principle of Optimality (최적성의 원리)**: + - 리처드 벨만이 정의한 원칙. 전체 경로가 최적이면, 그 경로상의 어떤 부분 경로도 최적이어야 한다는 논리. 이를 통해 큰 문제를 작은 부분 문제로 나누는 동적 계획법(DP)이 탄생했다. +- **MDP (Markov Decision Process)**: + - 현재의 상태(State)가 미래의 확률을 결정한다는 가정 하에, 보상(Reward)을 극대화하는 정책(Policy)을 찾기 위한 수학적 프레임워크. +- **Q-Learning의 근간**: + - 상태-행동 가치 함수 $Q(s, a)$를 업데이트할 때 벨만 타겟(Bellman Target)을 사용하여 에이전트의 지능을 점진적으로 개선한다. -## ⚠️ 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. +## ⚠️ 모순 및 업데이트 (RL Update) +- 벨만 방정식은 완벽한 환경(Full observability)을 가정할 때 환상적이지만, 정보가 누락된 현실(POMDP)에서는 근사치(Approximation)를 찾기 위한 딥러닝(DQN)과의 결합이 필수적이다. ## 🔗 지식 연결 (Graph) - -- Raw Source: [[00_Raw/2026-04-20/Bellman Equation.md]] ---- +- Related: [[Reinforcement Learning]] , [[Deep-Learning-Basics]] +- Foundation: [[Information Theory]] diff --git a/10_Wiki/Topics/AI/Best-of-N Sampling ( ø).md b/10_Wiki/Topics/AI/Best-of-N Sampling ( ø).md new file mode 100644 index 00000000..72debf7e --- /dev/null +++ b/10_Wiki/Topics/AI/Best-of-N Sampling ( ø).md @@ -0,0 +1,27 @@ +--- +id: P-REINFORCE-AI-BESTN +category: "[[10_Wiki/💡 Topics/AI]]" +confidence_score: 0.98 +tags: [LLM, Sampling, Best-of-N, Search, Generation] +last_reinforced: 2026-04-20 +--- + +# [[Best-of-N-Sampling]] (베스트 오브 N 샘플링) + +## 📌 한 줄 통찰 (The Karpathy Summary) +> "열 번 찍어 안 넘어가는 나무 없다." AI에게 N번 시도하게 하고, 그중 가장 '정답에 가까운' 결과물을 보상 모델(Reward Model)로 골라내는 필승 전략이다. + +## 📖 구조화된 지식 (Synthesized Content) +- **추론 시간 연산 (Inference-time Compute)**: + - 모델의 크기를 키우는 대신, 추론 시점에 더 많은 계산을 수행하여 답변의 품질을 높이는 기법. 최근 OpenAI o1 등 추론 모델의 핵심 원리 중 하나다. +- **Reward Modeling (RM)**: + - N개의 답변 중 어떤 것이 가장 좋은지 판별하는 별도의 '감별사 AI'를 투입한다. 인간의 선호도(RLHF)를 반영한 RM이 최종 선택을 담당한다. +- **Majority Voting vs Selection**: + - 수학 문제라면 답변들 중 가장 많이 나온 값(Majority Vote)을 택하고, 창의적 답변이라면 RM 스코어가 가장 높은 것을 택한다. + +## ⚠️ 모순 및 업데이트 (RL Update) +- N이 클수록 품질은 올라가지만 비용과 응답 지연 시간(Latency)이 기하급수적으로 늘어난다. 실시간 서비스에서는 N=3~5 수준의 타협점이 요구되며, 최근에는 자가 수정(Self-correction) 능력을 키우는 쪽으로 연구가 이동 중이다. + +## 🔗 지식 연결 (Graph) +- Related: [[Reinforcement Learning]] , [[AI 모델 평가]] +- Context: [[Information Theory]] diff --git a/10_Wiki/Topics/AI/Bioenergetics.md b/10_Wiki/Topics/AI/Bioenergetics.md index 779ce760..25ae67f3 100644 --- a/10_Wiki/Topics/AI/Bioenergetics.md +++ b/10_Wiki/Topics/AI/Bioenergetics.md @@ -1,25 +1,27 @@ --- -id: P-REINFORCE-AUTO-DD3FFE -category: "[[10_Wiki/💡 Topics/AI]]" -confidence_score: 0.90 -tags: [auto-reinforced] +id: P-REINFORCE-SCI-BIOEN +category: "[[10_Wiki/💡 Topics/Science]]" +confidence_score: 0.95 +tags: [Bioenergetics, Metabolism, ATP, Thermodynamics] last_reinforced: 2026-04-20 -github_commit: "[P-Reinforce] Continuous Worker - Bioenergetics" --- -# [[Bioenergetics]] +# [[Bioenergetics]] (생체 에너지학) ## 📌 한 줄 통찰 (The Karpathy Summary) -> 지식 요약 정보 추출 중... +> 생명체는 '열역학 제2법칙(엔트로피 증가)'에 저항하여 에너지를 수집하고 변환함으로써 질서를 유지하는 경이로운 화학 공장이다. ## 📖 구조화된 지식 (Synthesized Content) -본문 구조화 작업 중... +- **ATP (Adenosine Triphosphate)**: + - 생명체의 '에너지 통화'. 세포 내에서 모든 화학적 활동을 수행하기 위해 사용되는 충전지 같은 분자다. +- **Thermodynamics in Biology**: + - 생명체는 고립계가 아니므로 자유 에너지(Gibbs Free Energy)를 외부에서 섭취하여 상태를 유지한다. 이 과정의 효율성은 기계보다 압도적으로 높다. +- **Metabolism (신진대사)**: + - 에너지를 얻는 이화 작용(Catabolism)과 질서를 만드는 동화 작용(Anabolism)의 끊임없는 순환 과정. -## ⚠️ 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. +## ⚠️ 모순 및 업데이트 (RL Update) +- 인공지능이 생명체의 에너지 효율을 모사하는 **Neuromorphic Computing** 연구가 활발하다. 현재 AI 모델은 생물학적 뇌보다 수백만 배 많은 에너지를 소모하므로, 생체 에너지학의 효율성 원리는 차세대 컴퓨팅의 영감이 된다. ## 🔗 지식 연결 (Graph) - -- Raw Source: [[00_Raw/2026-04-20/Bioenergetics.md]] ---- +- Related: [[Information Theory]] , [[Complexity-Theory]] +- Application: [[Digital Twins]] diff --git a/10_Wiki/Topics/AI/Bioinformatics-Structure-Prediction.md b/10_Wiki/Topics/AI/Bioinformatics-Structure-Prediction.md index 50cc8179..4d5dacfc 100644 --- a/10_Wiki/Topics/AI/Bioinformatics-Structure-Prediction.md +++ b/10_Wiki/Topics/AI/Bioinformatics-Structure-Prediction.md @@ -1,25 +1,27 @@ --- -id: P-REINFORCE-AUTO-230A20 -category: "[[10_Wiki/💡 Topics/AI]]" -confidence_score: 0.90 -tags: [auto-reinforced] +id: P-REINFORCE-SCI-BIOINFO +category: "[[10_Wiki/💡 Topics/Science]]" +confidence_score: 0.98 +tags: [Bioinformatics, AlphaFold, DNA Sequencing, Protein Structure] last_reinforced: 2026-04-20 -github_commit: "[P-Reinforce] Continuous Worker - Bioinformatics-Structure-Prediction" --- -# [[Bioinformatics-Structure-Prediction]] +# [[Bioinformatics-Structure-Prediction]] (바이오 인포매틱스와 구조 예측) ## 📌 한 줄 통찰 (The Karpathy Summary) -> 지식 요약 정보 추출 중... +> 생명과학의 난제인 '단백질 접힘(Protein Folding)' 문제를 딥러닝(AlphaFold)으로 해결함으로써, 신약 개발과 질병 정복의 속도를 100배 이상 가속화했다. ## 📖 구조화된 지식 (Synthesized Content) -본문 구조화 작업 중... +- **DNA to Structure**: + - DNA 서열 정보에서 단백질의 3D 입체 구조를 예측하는 것은 생물학의 성배였다. 이 구조가 결정되어야 약물이 어디에 결합할지(Docking) 알 수 있기 때문이다. +- **AlphaFold (DeepMind)**: + - 트랜스포머 아키텍처를 바이오 데이터에 이식하여 수십 년 걸리던 구조 분석을 단 며칠로 단축했다. 2억 개 이상의 단백질 구조 데이터를 전 세계에 공개하여 과학적 혁명을 일으켰다. +- **Genome Sequencing**: + - 대량의 염기 서열 데이터를 고속으로 처리하고 통계적으로 분석하여 유전병의 원인을 찾아내는 머신러닝 분석 기법. -## ⚠️ 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. +## ⚠️ 모순 및 업데이트 (RL Update) +- 정적인 구조 예측을 넘어, 이제는 단백질이 시간에 따라 어떻게 움직이는지(Dynamics)를 예측하는 것이 다음 과제다. 이는 항암제와 같은 정밀 의료의 핵심이 된다. ## 🔗 지식 연결 (Graph) - -- Raw Source: [[00_Raw/2026-04-20/Bioinformatics-Structure-Prediction.md]] ---- +- Related: [[Digital Twins]] , [[Deep-Learning-Basics]] +- Foundation: [[Information Theory]] diff --git a/10_Wiki/Topics/AI/Biomechanics-of-Injury.md b/10_Wiki/Topics/AI/Biomechanics-of-Injury.md index 03445cef..36160313 100644 --- a/10_Wiki/Topics/AI/Biomechanics-of-Injury.md +++ b/10_Wiki/Topics/AI/Biomechanics-of-Injury.md @@ -1,25 +1,27 @@ --- -id: P-REINFORCE-AUTO-928880 -category: "[[10_Wiki/💡 Topics/AI]]" -confidence_score: 0.90 -tags: [auto-reinforced] +id: P-REINFORCE-SCI-BIOMECH +category: "[[10_Wiki/💡 Topics/Science]]" +confidence_score: 0.96 +tags: [Biomechanics, Injury, Physics, Safety Engineering] last_reinforced: 2026-04-20 -github_commit: "[P-Reinforce] Continuous Worker - Biomechanics-of-Injury" --- -# [[Biomechanics-of-Injury]] +# [[Biomechanics-of-Injury]] (부상 생체역학) ## 📌 한 줄 통찰 (The Karpathy Summary) -> 지식 요약 정보 추출 중... +> 인체는 정교한 '기계적 구조물'이며, 외부 충격 시 물리적 에너지가 조직의 한계치를 넘어서는 과정(부상)을 수학적으로 모델링하여 생명을 보호한다. ## 📖 구조화된 지식 (Synthesized Content) -본문 구조화 작업 중... +- **Kinematics & Kinetics**: + - 충돌 시 몸의 움직임(운동학)과 그 움직임을 유발하는 힘(운동역학)을 계산하여 뼈와 장기에 가해지는 부하를 예측한다. +- **Tolerance Limit (임계치)**: + - 각 신체 부위가 버틸 수 있는 최대 압력(Stress)과 변형률(Strain). 이를 넘어설 때 골절이나 파열이 발생하며, 차량 충돌 테스트 더미(Dummy)의 설계 기준이 된다. +- **HIC (Head Injury Criterion)**: + - 뇌진탕 등 머리 부상의 위험도를 가속도와 시간의 함수로 정량화한 지표. -## ⚠️ 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. +## ⚠️ 모순 및 업데이트 (RL Update) +- 수동적인 보호 장치(에어백 등)를 넘어, 이제는 AI 시뮬레이션으로 수천 가지 사고 시나리오를 미리 돌려보고 부상을 획기적으로 줄이는 '액티브 세이프티(Active Safety)' 설계가 주류가 되고 있다. ## 🔗 지식 연결 (Graph) - -- Raw Source: [[00_Raw/2026-04-20/Biomechanics-of-Injury.md]] ---- +- Related: [[Autonomous-Vehicle-Path-Planning]] , [[Distributed-Systems-Engineering]] +- Application: [[Digital Twins]] diff --git a/10_Wiki/Topics/AI/Biometrics.md b/10_Wiki/Topics/AI/Biometrics.md index 9ee93c40..5f4a6053 100644 --- a/10_Wiki/Topics/AI/Biometrics.md +++ b/10_Wiki/Topics/AI/Biometrics.md @@ -1,25 +1,30 @@ --- -id: P-REINFORCE-AUTO-90C871 -category: "[[10_Wiki/💡 Topics/AI]]" -confidence_score: 0.90 -tags: [auto-reinforced] +id: P-REINFORCE-SCI-BIOMETRIC +category: "[[10_Wiki/💡 Topics/Science]]" +confidence_score: 0.97 +tags: [Biometrics, Security, Authentication, Pattern Recognition] last_reinforced: 2026-04-20 -github_commit: "[P-Reinforce] Continuous Worker - Biometrics" --- -# [[Biometrics]] +# [[Biometrics]] (생체 인식 보안) ## 📌 한 줄 통찰 (The Karpathy Summary) -> 지식 요약 정보 추출 중... +> 비밀번호는 '내가 아는 것(What you know)'이지만, 생체 인식은 '나 자신(What you are)'을 증명하는 것이며 가장 보안이 강력하지만 복구 불가능한 인증 수단이다. ## 📖 구조화된 지식 (Synthesized Content) -본문 구조화 작업 중... +- **Physiological vs Behavioral**: + - **생리학적 특성**: 지문, 안면, 홍채, 정맥 패턴 등 고정된 신체적 특징. + - **행동적 특성**: 걸음걸이(Gait), 타이핑 리듬, 음성 등 개인이 가진 고유한 행동 패턴. +- **FAR vs FRR (보안의 저울질)**: + - **FAR (False Acceptance Rate)**: 타인을 나로 오인할 확률 (보안 위협). + - **FRR (False Rejection Rate)**: 나를 타인으로 오인할 확률 (사용자 불편). + - 이 두 지표가 만나는 지점(EER)을 최소화하는 것이 시스템 성능의 핵심이다. +- **Anti-spoofing (Liveness Detection)**: + - 사진이나 가짜 지문(Spoof)을 가려내기 위해 눈 깜빡임, 혈류 감지 등으로 실제 살아있는 신체인지 확인하는 기술. -## ⚠️ 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. +## ⚠️ 모순 및 업데이트 (RL Update) +- 생체 정보는 한 번 유출되면 '비밀번호 변경'이 불가능하다. 따라서 생체 데이터를 서버에 날것으로 저장하지 않고, 암호화된 요약본(Hash)으로만 관리하는 분산 인증 프레임워크(FIDO)가 필수적이다. ## 🔗 지식 연결 (Graph) - -- Raw Source: [[00_Raw/2026-04-20/Biometrics.md]] ---- +- Related: [[System_Protocol_Standard]] , [[Deployment_Final_Gate]] +- Foundation: [[Information Theory]]