diff --git a/00_Raw/system_analysis_and_improvement_plan.md b/00_Raw/system_analysis_and_improvement_plan.md new file mode 100644 index 00000000..cf92d5ac --- /dev/null +++ b/00_Raw/system_analysis_and_improvement_plan.md @@ -0,0 +1,27 @@ +# ConnectAI 기술 부채 및 아키텍처 개선 계획 (Python Core) + +## 📌 핵심 진단 요약 +현재 ConnectAI의 Python 기반 추론 엔진은 알고리즘 비효율성($O(N^2)$), 동기식 I/O 블로킹, 강한 결합도(Tight Coupling)로 인해 성능 확장이 제한된 상태임. 이를 프로덕션 수준으로 끌어올리기 위한 단계별 최적화가 필요함. + +## 🛠️ 최적화 전략 (Phase 2: Core Optimization) + +### 1. 알고리즘 효율화 (Performance P1) +- **현상**: `InferenceEngine.py`의 `feature_match_brute_force` 함수가 중첩 루프로 인해 $O(N^2)$ 복잡도 가짐. +- **해결**: **KD-Tree** 또는 행렬 분해 기법을 도입하여 $O(N \log N)$으로 최적화. 추론 지연 시간 5~10배 단축 목표. + +### 2. 비동기 I/O 전환 (Throughput P1) +- **현상**: `DataLoader.py`의 `load_dataset_sync` 함수가 동기식으로 동작하여 I/O 대기 시 CPU 유휴 발생. +- **해결**: `asyncio` 기반 비동기 I/O 또는 스레드 풀 기반 병렬 처리를 도입하여 처리량(Throughput) 개선. + +### 3. 모듈 디커플링 (Maintainability P2) +- **현상**: `PreprocessingModule`과 `CoreModel` 간의 직접 의존성으로 인한 강한 결합. +- **해결**: **관찰자 패턴(Observer Pattern)** 도입. `DataReadyEvent` 발행-구독 모델을 통해 모듈 간 독립성 및 테스트 용이성 확보. + +## 🚀 구현 가이드라인 +- **Step 1**: 알고리즘 최적화 (KD-Tree 구현 및 검증) +- **Step 2**: 비동기 I/O 전환 (async/await 래핑 및 이벤트 루프 통합) +- **Step 3**: 아키텍처 디커플링 (이벤트 시스템 구축 및 DIP 실현) + +--- +*분석 일자: 2026-04-30* +*우선순위: Step 1 (ROI 최상) > Step 2 > Step 3* diff --git a/10_Wiki/Topics/AI Agents.md b/10_Wiki/Topics/AI Agents.md deleted file mode 100644 index a047fe04..00000000 --- a/10_Wiki/Topics/AI Agents.md +++ /dev/null @@ -1,29 +0,0 @@ ---- -id: AGENTS-001 -category: "10_Wiki/💡 Topics/AI" -confidence_score: 1.0 -tags: [ai, ai-agents, [[Autonomous-Agents]], [[Reasoning]], planning] -last_reinforced: 2026-04-26 ---- - -# AI Agents Overview (AI 에이전트 개요) - -## 📌 한 줄 통찰 (The Karpathy Summary) -> "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. -- **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. -- **주요 사례:** AutoGPT, BabyAGI, 그리고 현재 작동 중인 Antigravity 에이전트. - -## ⚠️ 모순 및 업데이트 (Contradictions & RL Update) -- **과거 데이터와의 충돌:** 질문에 대한 텍스트 생성(Chat)에 머물던 AI가, 실제 환경에 변화를 일으키는 '실행자(Executor)'로 정체성이 변화함. -- **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 -- **Raw Source:** 10_Wiki/Topics/AI/AI Agents.md diff --git a/10_Wiki/Topics/AI Safety (AI 안전).md b/10_Wiki/Topics/AI Safety (AI 안전).md deleted file mode 100644 index b51cd00a..00000000 --- a/10_Wiki/Topics/AI Safety (AI 안전).md +++ /dev/null @@ -1,27 +0,0 @@ ---- -id: [[P-Reinforce]]-AI-SAFETY -category: "10_Wiki/💡 Topics/AI" -confidence_score: 1.0 -tags: [[[AI Safety]], [[Alignment]], Risk [[Management]], AI Ethics] -last_reinforced: 2026-04-20 ---- - -# AI-Safety (AI 안전) - -## 📌 한 줄 통찰 (The Karpathy Summary) -> "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]]**: - - 적대적 공격(Adversarial Attack)이나 처음 보는 돌발 상황에서도 AI가 오작동하지 않고 안전하게 관리되는 성질. -- **[[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. - -## ⚠️ 모순 및 업데이트 (RL Update) -- 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]] diff --git a/10_Wiki/Topics/AI Safety.md b/10_Wiki/Topics/AI Safety.md deleted file mode 100644 index f527fd91..00000000 --- a/10_Wiki/Topics/AI Safety.md +++ /dev/null @@ -1,31 +0,0 @@ ---- -id: [[P-Reinforce]]-AUTO-AISA-001 -category: "10_Wiki/💡 Topics/AI" -confidence_score: 0.99 -tags: [auto-reinforced, ai-safety, [[Alignment]], existential-risk, [[Robustness]], evaluation] -last_reinforced: 2026-04-20 ---- - -# [[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." - -## 📖 구조화된 지식 (Synthesized Content) -AI 안전(AI Safety)은 AI 시스템이 설계된 목표 내에서만 안전하게 작동하도록 보장하고, 인간에게 해로운 행동을 하지 못하도록 방지하는 데 초점을 맞춘 분야입니다. - -1. **3대 연구 영역**: - * **Technical Robustness**: 외부 공격(Adversarial attacks)이나 예외 상황에서도 모델이 무너지지 않게 함. - * **Incentive Design (Alignment)**: 모델이 점수를 얻기 위해 '지름길(Cheat)'을 택하지 않고 진짜 목적을 따르도록 설계. - * **Monitoring & Control**: AI의 비정상적 징후를 감지하고 즉시 차단(Kill-switch)할 수 있는 가시성 확보. -2. **주요 위협 사례**: - * Deepfakes을 통한 여론 조작, 자율 무기 시스템의 오류, 통제권을 벗어난 초지능(AGI)의 출현. - -## ⚠️ 모순 및 업데이트 (Contradictions & RL Update) -- **과거 데이터와의 충돌**: 과거에는 '버그 수정' 수준의 사후 대응 정책이었으나, 현대 정책은 모델 배포 전 레드팀(Red-teaming)을 통한 '사전 안전 검증 정책'을 법적 의무로 강화함(RL Update). -- **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. ---- diff --git a/10_Wiki/Topics/AI 안전 (AI Safety).md b/10_Wiki/Topics/AI 안전 (AI Safety).md new file mode 100644 index 00000000..c3abe8fe --- /dev/null +++ b/10_Wiki/Topics/AI 안전 (AI Safety).md @@ -0,0 +1,24 @@ +# AI 안전 (AI Safety) + +## 📌 Brief Summary +AI 안전(AI Safety)은 AI 시스템이 설계된 목표 내에서만 안전하게 작동하도록 보장하고, 인간에게 해로운 행동을 하지 못하도록 방지하는 기술적 보안 및 예방 체계입니다 [1]. 인간보다 강력한 지능이 탄생했을 때, 그 지능이 인간의 목표와 일치(Alignment)하도록 설계하고, 돌발 상황에서도 오작동하지 않는 견고함(Robustness)을 갖추는 것이 핵심입니다 [1, 2]. + +## 📖 Core Content +* **3대 연구 및 기술 영역** + - **기술적 견고성 (Technical Robustness)**: 적대적 공격(Adversarial Attack)이나 처음 보는 돌발 상황에서도 AI가 붕괴하지 않고 안전하게 관리되는 성질 [1, 3]. + - **정렬 및 인센티브 설계 (Alignment/Incentive Design)**: 모델이 점수를 얻기 위해 지름길(Cheat)을 택하지 않고, 인간의 실제 의도와 가치를 충실히 따르도록 설계하는 기술 [1, 4]. + - **감시 및 통제 (Monitoring & Control)**: 신경망의 판단 논리를 인간이 이해할 수 있게 분석하는 '기계적 해석 가능성(Mechanistic Interpretability)'과, 비정상 징후 시 즉시 차단(Kill-switch)할 수 있는 체계를 포함합니다 [1, 5, 6]. + +* **주요 위협 및 대응** + - 딥페이크(Deepfakes)를 통한 여론 조작, 자율 무기 시스템의 오류, 통제권을 벗어난 초지능(AGI)의 출현 등이 주요 위협 사례입니다 [1]. + - 현대의 정책은 배포 전 레드팀(Red-teaming)을 통한 사전 검증을 의무화하고 있으며, 단순히 기술적 안전을 넘어 사회적 가치와 공존하는지 검증하는 '거버넌스 연계형 AI 안전'으로 확장되고 있습니다 [1, 7]. + +## ⚖️ Trade-offs & Caveats +- **성능-안전 시너지**: AI 안전이 모델 성능을 늦춘다는 비판도 있으나, 정교하게 정렬된(Aligned) 모델이 오히려 더 나은 사고 능력과 실무 성능을 보여주는 시너지가 확인되고 있습니다 [1]. + +## 🔗 Knowledge Connections +- **Related Topics**: [[AI 정렬 (AI Alignment)]], [[AI 거버넌스 (AI Governance)]], [[안전 및 신뢰성 (Safety & Reliability)]], [[윤리 및 AI (Ethics & AI)]] +- **Projects/Contexts**: [[UK AI Safety Summit]], [[RLHF (Reinforcement Learning from Human Feedback)]] + +--- +*Last updated: 2026-04-30* diff --git a/10_Wiki/Topics/AI 에이전트 (AI Agent).md b/10_Wiki/Topics/AI 에이전트 (AI Agent).md deleted file mode 100644 index aaad1a59..00000000 --- a/10_Wiki/Topics/AI 에이전트 (AI Agent).md +++ /dev/null @@ -1,27 +0,0 @@ ---- -id: [[P-Reinforce]]-AI-AGENT -category: "10_Wiki/💡 Topics/AI" -confidence_score: 1.0 -tags: [AI Agent, Autonomy, Planning, [[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. - -## 📖 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]]**: - - 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. - -## 🔗 지식 연결 (Graph) -- Related: [[Multi-agent-System]]-(다중-에이전트-시스템) , Agent-Communication-Protocol-(에이전트-통신-규약) -- Deployment: [[Deployment_Final_Gate]] diff --git a/10_Wiki/Topics/AI 에이전트 (AI Agents).md b/10_Wiki/Topics/AI 에이전트 (AI Agents).md new file mode 100644 index 00000000..0c25b673 --- /dev/null +++ b/10_Wiki/Topics/AI 에이전트 (AI Agents).md @@ -0,0 +1,23 @@ +# AI 에이전트 (AI Agents) + +## 📌 Brief Summary +AI 에이전트(AI Agent)는 단순히 사용자의 질문에 답하는 것을 넘어, 스스로 목표를 설정하고 계획을 수립하며 외부 도구(브라우저, 터미널 등)를 사용하여 주어진 과업을 자율적으로 완수하는 행동 주체입니다 [1, 2]. 거대 언어 모델(LLM)의 추론 능력을 두뇌로 삼아 실제 환경에 변화를 일으키는 '실행자(Executor)'로서의 역할을 수행합니다 [1, 3]. + +## 📖 Core Content +* **핵심 작동 메커니즘 (ReAct 패턴 등)** + - **추론 및 계획 (Reasoning & Planning)**: 복잡한 문제를 작은 단계로 분해(Chain-of-Thought)하고 목표 달성을 위한 전략적 워크플로우를 수립합니다 [1, 4]. + - **도구 활용 및 실행 (Tool Use & Action)**: API 호출, 웹 검색, 파일 시스템 접근 등 외부 인터페이스를 통해 실제 세계와 상호작용합니다 [1, 3, 5]. + - **기억 관리 (Memory Management)**: 대화의 맥락을 유지하는 단기 기억과, 과거 지식 및 RAG를 활용하는 장기 기억을 결합하여 일관된 수행 능력을 보유합니다 [1, 6]. + +* **에이전틱 워크플로우 (Agentic Workflow)** + 사용자의 추상적 요청을 구체적 작업 단위로 분해하고, 각 단계를 실행하며, 결과를 관찰(Observation)하여 다음 행동을 결정하는 루프 기반의 자율성을 가집니다 [1]. 대표적인 사례로는 AutoGPT, BabyAGI, 그리고 Antigravity 프로젝트의 에이전트 시스템이 있습니다 [1, 7]. + +## ⚖️ Trade-offs & Caveats +- **안정성 확보**: 자율적 에이전트는 무한 루프나 환각(Hallucination)에 빠질 위험이 있습니다. 이를 방지하기 위해 에이전트가 자신의 결과를 검토하는 '자기 교정(Self-Correction)' 루프와, 인간이 중간에 개입하는 'Human-in-the-loop' 설계가 필수적입니다 [1, 8]. + +## 🔗 Knowledge Connections +- **Related Topics**: [[다중 에이전트 시스템 (Multi-Agent Systems)]], [[에이전트 통신 규약 (Agent Communication Protocol)]], [[RAG (Retrieval-Augmented Generation)]], [[마음의 이론 (Theory of Mind in AI)]] +- **Projects/Contexts**: [[Antigravity Agentic Coding]], [[ReAct 패러다임]] + +--- +*Last updated: 2026-04-30* diff --git a/10_Wiki/Topics/AI 이미지 생성 워크플로우 (AI Image Generation Workflow).md b/10_Wiki/Topics/AI 이미지 생성 워크플로우 (AI Image Generation Workflow).md deleted file mode 100644 index 1756520e..00000000 --- a/10_Wiki/Topics/AI 이미지 생성 워크플로우 (AI Image Generation Workflow).md +++ /dev/null @@ -1,25 +0,0 @@ -# [[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]. - -## 📖 Core Content - -* **반복적 프롬프트 정교화 ([[Iterative Prompting]]):** - AI 이미지 생성은 단 한 번의 완벽한 프롬프트로 끝나는 것이 아니라, 넓고 모호한 지시에서 시작해 구체적이고 좁은 지시로 나아가는 고도의 반복적 과정이다 [1-3]. 단순하고 명확한 아이디어로 시작해 생성된 이미지를 바탕으로 예술적 요소, 조명, 환경 등의 세부 사항을 덧붙이는 방식이 권장된다 [4, 9]. 일반적으로 첫 프롬프트로 80%의 틀을 완성하고, 3~5번의 변형과 후속 프롬프트를 통해 세부 사항을 다듬어 나간다 [10]. -* **모델별 맞춤형 워크플로우 전략:** - * **Midjourney:** V7 모델의 '드래프트 모드(Draft Mode)'를 활용해 저렴하고 빠른 속도로 여러 시안을 생성한 뒤, 가장 나은 구도를 고화질(HD)로 승격시키는 파이프라인이 비용과 시간 측면에서 효과적이다 [7, 11]. 이후 `--sref`(스타일 참조)나 `--oref`(옴니 참조) 파라미터를 사용하여 일관된 시각적 방향성을 재사용하며 편집을 진행한다 [8, 12, 13]. - * **DALL-E 3:** 사용자의 짧은 프롬프트를 ChatGPT의 언어 모델이 자동으로 상세하게 확장(Augment)해 주는 특징이 있다 [14-16]. 텍스트 렌더링 능력이 뛰어나 로고나 포스터 제작에 적합하지만, 사용자의 의도를 그대로 반영하려면 "프롬프트를 변경하지 말고 그대로 사용할 것"이라는 명시적인 지시가 필요할 수 있다 [16-18]. - * **Stable Diffusion:** 프롬프트 가중치(Prompt Weights)와 부정 프롬프트(Negative Prompt)를 핵심 통제 수단으로 사용한다 [19-21]. 결과물의 결함을 진단한 뒤, 5-10개의 구체적인 단어를 부정 프롬프트에 명시하여 원치 않는 요소를 제거해 나가는 방식이 필수적이다 [6, 22-24]. -* **사후 편집 및 이미지 확장:** - 원하는 결과물의 분위기에 근접했을 경우, 프롬프트 전체를 갈아엎기보다는 사후 편집 도구를 사용하는 것이 효율적이다 [1, 25]. 인페인팅(Inpainting, 미드저니의 Vary Region 등) 기능을 사용하면 원본 이미지의 맥락을 유지한 채 특정 부분(예: 인물의 모자 등)만 선택해 수정하거나 새로운 요소를 추가할 수 있다 [26-30]. 또한 아웃페인팅(Zoom Out, Pan)을 통해 원본 이미지의 바깥쪽 공간을 확장하여 캔버스를 넓히고 구도를 재설정할 수 있다 [30-32]. -* **프롬프트의 계층적 구성 요소:** - 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]] -- **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]. - ---- -*Last updated: [[2026-04-30]]* diff --git a/10_Wiki/Topics/AI-Driven Narrative Systems.md b/10_Wiki/Topics/AI-Driven Narrative Systems.md deleted file mode 100644 index ae0a91e4..00000000 --- a/10_Wiki/Topics/AI-Driven Narrative Systems.md +++ /dev/null @@ -1,25 +0,0 @@ ---- -id: [[P-Reinforce]]-8DB819 -category: "10_Wiki/💡 Topics/AI & Narrative" -confidence_score: 0.95 -tags: [] -last_reinforced: 2026-04-20 -github_commit: "[P-Reinforce] Batch 10 - Wikified AI-Driven Narrative[[ system]]s" ---- - -# [[AI-Driven Narrative Systems]] - -## 📌 한 줄 통찰 (The Karpathy Summary) -> 핵심 내용 요약 예정 - -## 📖 구조화된 지식 (Synthesized Content) -세부 본문 내용 구성 예정 - -## ⚠️ 모순 및 업데이트 (Contradictions & RL Update) -- **과거 데이터와의 충돌:** 신규 지식 유입에 따른 기존 지식과의 정합성 검증 단계. -- **정책 변화:** AI & Narrative 분야의 체계적 지식 자산화 진행. - -## 🔗 지식 연결 (Graph) - - ---- diff --git a/10_Wiki/Topics/API-backed Image Generation Workflow.md b/10_Wiki/Topics/API-backed Image Generation Workflow.md deleted file mode 100644 index 551e214b..00000000 --- a/10_Wiki/Topics/API-backed Image Generation Workflow.md +++ /dev/null @@ -1,18 +0,0 @@ -# [[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]. - -## 📖 Core Content -- **프로그래밍 방식의 작업 제어 및 아키텍처 설계:** API 경로를 통해 이미지 생성 모델(예: Midjourney V7, Veo 3.1)을 호출하면, 프로그래밍 방식으로 작업을 생성하고 결과를 파이프라인의 다음 단계로 전달할 수 있습니다 [2, 7, 8]. 이는 단순히 하나의 단일 모델로 모든 작업을 처리하는 대신, 컨셉 도출, 정확한 편집, 텍스트가 많은 디자인 등 각 작업의 특성에 맞춰 여러 이미지 생성 모델(라우트)을 유연하게 비교하고 활용하는 건강한 아키텍처 구축을 가능하게 합니다 [8, 9]. -- **비동기 상태 관리 (Async [[State]] Machine):** 프로덕션 환경의 API 통합에서는 비동기적 생성 과정의 상태 관리가 매우 중요합니다 [2, 5]. 시스템은 단순히 작업을 '완료'나 '오류'로만 분류해서는 안 되며, 생성 실행 중, 기술적 실패, 콘텐츠 필터링 차단, 사용자 검토 대기, 고품질 향상(enhancement) 선택됨, 최종 에셋 준비 완료 등 세분화된 상태를 구별하여 설계해야 합니다 [2, 5]. -- **디버깅과 자동화를 위한 데이터 모델링:** API 기반 시스템에서는 단순히 최종 결과물의 URL만 저장하는 것이 아니라, 사용된 프롬프트, 참조([[Reference]]s) 이미지, 선택된 시안 후보, 생성 경로 등의 전체 데이터를 저장하는 것이 권장됩니다 [10, 11]. 이를 통해 특정 결과물의 생성 원인을 디버깅할 수 있고, 사용자가 어떤 스타일을 선택하는지 또는 어떤 프롬프트 패턴이 지속적으로 실패하는지 학습하여 향후 자동화를 용이하게 만들 수 있습니다 [10, 11]. -- **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]] -- **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]. - ---- -*Last updated: [[2026-04-30]]* diff --git a/10_Wiki/Topics/Affective Computing.md b/10_Wiki/Topics/Affective Computing.md deleted file mode 100644 index 71f52046..00000000 --- a/10_Wiki/Topics/Affective Computing.md +++ /dev/null @@ -1,25 +0,0 @@ ---- -id: [[P-Reinforce]]-E4FCEF -category: "10_Wiki/💡 Topics/AI & [[Psychology]]" -confidence_score: 0.95 -tags: [] -last_reinforced: 2026-04-20 -github_commit: "[P-Reinforce] Batch 10 - Wikified Affective Computing" ---- - -# [[Affective Computing]] - -## 📌 한 줄 통찰 (The Karpathy Summary) -> 핵심 내용 요약 예정 - -## 📖 구조화된 지식 (Synthesized Content) -세부 본문 내용 구성 예정 - -## ⚠️ 모순 및 업데이트 (Contradictions & RL Update) -- **과거 데이터와의 충돌:** 신규 지식 유입에 따른 기존 지식과의 정합성 검증 단계. -- **정책 변화:** AI & Psychology 분야의 체계적 지식 자산화 진행. - -## 🔗 지식 연결 (Graph) - - ---- diff --git a/10_Wiki/Topics/BERT (Bidirectional Encoder Representations from Transformers).md b/10_Wiki/Topics/BERT (Bidirectional Encoder Representations from Transformers).md new file mode 100644 index 00000000..c8d8131a --- /dev/null +++ b/10_Wiki/Topics/BERT (Bidirectional Encoder Representations from Transformers).md @@ -0,0 +1,24 @@ +# BERT (Bidirectional Encoder Representations from Transformers) + +## 📌 Brief Summary +BERT는 구글이 제안한 혁신적인 사전 학습 언어 모델로, 문장의 왼쪽과 오른쪽 문맥을 동시에 고려하여 단어의 의미를 파악하는 양방향성(Bidirectionality)이 특징입니다 [1, 2]. 트랜스포머(Transformer)의 인코더 구조를 기반으로 하며, NLP 분야의 수많은 벤치마크 기록을 갱신하며 언어 이해의 지평을 넓혔습니다 [1, 3]. + +## 📖 Core Content +* **핵심 학습 메커니즘** + - **마스크 언어 모델 (Masked LM)**: 문장 내 일부 단어를 가리고 주변 문맥을 통해 원래 단어를 맞히는 과정을 통해 깊은 언어 이해력을 갖춥니다 [1, 4]. + - **다음 문장 예측 (NSP)**: 두 문장이 서로 이어지는 관계인지 예측하여 문장 간의 논리적 흐름을 학습합니다 [1]. + +* **기술적 특징** + - **문맥 임베딩 (Contextual Embeddings)**: 동일한 단어라도 주변 문맥에 따라 서로 다른 벡터 값을 가져 중의성 해결에 탁월합니다 [1, 5]. + - **사전 학습 및 미세 조정 (Pre-training & Fine-tuning)**: 방대한 일반 텍스트로 먼저 학습한 뒤, 특정 태스크(질의응답, 감성 분석 등)에 맞춰 살짝만 튜닝하여 고성능을 확보하는 전이 학습 패턴을 따릅니다 [1, 6]. + +## ⚖️ Trade-offs & Caveats +- **추론 속도**: 양방향 문맥을 모두 고려해야 하므로 단방향 모델(GPT 등)에 비해 문장 생성 속도는 느릴 수 있으며, 주로 문장 분류나 개체명 인식 등 '이해' 중심의 작업에 최적화되어 있습니다 [1, 7]. +- **자원 의존성**: 대규모 파라미터를 가진 모델이므로 사전 학습에 방대한 컴퓨팅 자원이 필요합니다 [1]. + +## 🔗 Knowledge Connections +- **Related Topics**: [[트랜스포머 아키텍처 (Transformer Architecture)]], [[자연어 처리 (NLP)]], [[전이 학습 (Transfer Learning)]], [[어텐션 메커니즘 (Attention Mechanisms)]] +- **Projects/Contexts**: [[문서 유사도 판별 시스템]], [[개체명 인식 (NER) 모듈]] + +--- +*Last updated: 2026-04-30* diff --git a/10_Wiki/Topics/BERT.md b/10_Wiki/Topics/BERT.md deleted file mode 100644 index 2ad4c3d9..00000000 --- a/10_Wiki/Topics/BERT.md +++ /dev/null @@ -1,28 +0,0 @@ ---- -id: BERT-001 -category: "10_Wiki/💡 Topics/AI" -confidence_score: 1.0 -tags: [ai, nlp, bert, transformer, language-model, google-[[Research]]] -last_reinforced: 2026-04-26 ---- - -# BERT (Bidirectional Encoder Representations from [[Transformers]]) - -## 📌 한 줄 통찰 (The Karpathy Summary) -> "문장의 왼쪽과 오른쪽을 동시에 보며 단어의 진짜 의미를 파악하라" — 구글이 제안한 혁신적인 사전 학습 모델로, 문맥의 양방향성을 모두 고려하여 단어의 의미를 수치화함으로써 NLP 분야의 수많은 벤치마크 기록을 갱신한 모델. - -## 📖 구조화된 지식 (Synthesized Content) -- **추출된 패턴:** 문장 내의 일부 단어를 가리고(Masked LM) 원래 단어를 맞히는 과정과, 두 문장이 이어지는지(NSP) 예측하는 과정을 통해 깊이 있는 언어 이해력을 갖추는 사전 학습 패턴. -- **핵심 특징:** - - **Bidirectional Context:** 이전 시점의 정보만 보는 GPT와 달리, 앞뒤 문맥을 한꺼번에 고려하여 중의성 해결에 탁월함. - - **Transformer Encoder:** 트랜스포머 아키텍처의 인코더 부분만 층층이 쌓아 올려 구성. - - **Pre-training & [[Fine-tuning]]:** 방대한 일반 텍스트로 먼저 학습한 뒤, 특정 태스크(질의응답, 감성 분석 등)에 맞춰 살짝만 튜닝하여 고성능 확보. - - **Contextual Embeddings:** 동일한 단어라도 주변 문맥에 따라 서로 다른 벡터 값을 가짐. - -## ⚠️ 모순 및 업데이트 (Contradictions & RL Update) -- **과거 데이터와의 충돌:** 단방향 언어 모델의 한계를 극복하고, '이해' 중심의 NLP 태스크에서 독보적 지위를 확보. 이후 RoBERTa, ALBERT 등 다양한 변형 모델의 탄생을 이룸. -- **정책 변화:** Antigravity 프로젝트는 문서 간의 의미적 유사성 판별 및 개체명 인식(NER) 작업에 BERT 기반의 임베딩 모델을 주력으로 사용함. - -## 🔗 지식 연결 (Graph) -- [[Transformer-Architecture]], NLP, Attention-Mechanisms, Transfer-Learning-Foundations -- **Raw Source:** 10_Wiki/Topics/AI/BERT.md diff --git a/10_Wiki/Topics/Bayes-Theorem.md b/10_Wiki/Topics/Bayes-Theorem.md deleted file mode 100644 index 911feace..00000000 --- a/10_Wiki/Topics/Bayes-Theorem.md +++ /dev/null @@ -1,32 +0,0 @@ ---- -id: [[P-Reinforce]]-AUTO-BATH-001 -category: "10_Wiki/💡 Topics/AI" -confidence_score: 1.00 -tags: [auto-reinforced, bayes-theorem, probability, [[Statistics]], rational-decision-making, [[Logic]]] -last_reinforced: 2026-04-20 ---- - -# [[Bayes-Theorem]] - -## 📌 한 줄 통찰 (The Karpathy Summary) -> "데이터를 통한 믿음의 업데이트: 새로운 증거가 나타났을 때, 기존의 지식(사전 확률)을 바탕으로 결론(사후 확률)을 어떻게 수정해야 하는지를 수학적으로 명시한 합리적 추론의 공식." - -## 📖 구조화된 지식 (Synthesized Content) -베이즈 정리(Bayes-Theorem)는 조건부 확률을 계산하는 정리로, 데이터 기반의 추론과 학급에서 가장 중요한 가동 원리 중 하나입니다. - -1. **공식의 구성**: - * **Prior (사전 확률)**: 새로운 데이터를 보기 전의 믿음. - * **Likelihood (우도)**: 가설이 참일 때, 현재 데이터가 나타날 확률. - * **Posterior (사후 확률)**: 데이터를 확인한 후 업데이트된 지식/믿음. -2. **왜 중요한가?**: - * 불확실성이 높은 상황에서도 고정관념에 빠지지 않고 새로운 정보에 따라 유연하게 판단을 수정하게 해줌 (Rationality와의 연결). - * 머신러닝의 베이지안 분류기, 스팸 필터링, 그리고 뇌의 인지 과정 모델링에 핵심적으로 쓰임. - -## ⚠️ 모순 및 업데이트 (Contradictions & RL Update) -- **과거 데이터와의 충돌**: 과거의 빈도주의(Frequentist) 통계 정책은 '고정된 확률'에 집착했으나, 현대의 베이지안 정책은 확률을 '개인의 믿음의 정도'로 보고 끊임없이 업데이트하는 유연한 정책으로 승리함(RL Update). -- **정책 변화(RL Update)**: AI 모델의 불확실성 관리 정책에서, 모델이 내린 답의 '확신 수준(Confidence)'을 계산하기 위해 베이지안 신경망 기술을 적용하는 것이 안전(Safety) 핵심 가이드라인이 됨. - -## 🔗 지식 연결 (Graph) -- [[Bayesian Statistics]], [[Bayesian-Updating]], Rationality, [[Belief-Revision]], [[Information-Theory]] -- **Modern Tech/Tools**: Bayesian Networks, PyMC, Naive Bayes Classifiers. ---- diff --git a/10_Wiki/Topics/Bayesian Inference.md b/10_Wiki/Topics/Bayesian Inference.md deleted file mode 100644 index 0d0a0518..00000000 --- a/10_Wiki/Topics/Bayesian Inference.md +++ /dev/null @@ -1,29 +0,0 @@ ---- -id: [[P-Reinforce]]-AI-BAYESIAN -category: "10_Wiki/💡 Topics/AI" -confidence_score: 0.98 -tags: [Bayesian Inference, Probability, Stats, AI] -last_reinforced: 2026-04-20 ---- - -# Bayesian-Inference (베이지안 추론) - -## 📌 한 줄 통찰 (The Karpathy Summary) -> "믿음은 고정된 것이 아니라 정보에 따라 진화한다." 기존의 배경 지식(Prior)에 새로운 근거(Evidence)를 더해 더 정확한 진실(Posterior)에 다가가는 통계학적 통찰이다. - -## 📖 구조화된 지식 (Synthesized Content) -- **Prior Probability (사전 확률)**: - - 새로운 데이터를 보기 전에 우리가 이미 알고 있는 지식이나 가설의 확률. -- **Likelihood (우도)**: - - 어떤 가설이 참일 때, 현재 관찰된 데이터가 나타날 확률. -- **Posterior Probability (사후 확률)**: - - 새로운 데이터를 반영한 후 업데이트된 우리의 최종 믿음. -- **Application**: - - 스팸 메일 필터링, 의료 진단, 자율주행 차의 센서 융합 등 불확실성이 큰 환경의 의사결정에 필수적이다. - -## ⚠️ 모순 및 업데이트 (RL Update) -- 베이지안 추론은 '사전 확률'을 설정할 때 주관이 개입된다는 비판을 받기도 한다(빈도주의 통계학과의 논쟁). 하지만 데이터가 적은 초기 상태에서는 베이지만큼 강력한 예측 도구가 없다. - -## 🔗 지식 연결 (Graph) -- Related: [[Automated-Reasoning]] , [[Behavioral-Economics]] -- Foundation: [[Computational Theory & Math/Information Theory]] diff --git a/10_Wiki/Topics/Bayesian Statistics.md b/10_Wiki/Topics/Bayesian Statistics.md deleted file mode 100644 index 60d7ce32..00000000 --- a/10_Wiki/Topics/Bayesian Statistics.md +++ /dev/null @@ -1,31 +0,0 @@ ---- -id: [[P-Reinforce]]-AUTO-BAST-001 -category: "10_Wiki/💡 Topics/AI" -confidence_score: 0.98 -tags: [auto-reinforced, bayesian-[[Statistics]], inference, data-[[Analysis]], uncertainty, modeling] -last_reinforced: 2026-04-20 ---- - -# [[Bayesian Statistics]] - -## 📌 한 줄 통찰 (The Karpathy Summary) -> "살아있는 통계학: 확률을 객관적인 사건의 빈도가 아니라 주관적인 확신의 정도로 정의하고, 끊임없이 유입되는 정보를 필터링하여 복잡한 세상을 모델링하는 강력한 추론 도구." - -## 📖 구조화된 지식 (Synthesized Content) -베이지안 통계학(Bayesian Statistics)은 베이즈 정리를 바탕으로 미지의 모수([[Parameter]])를 추론하는 통계적 방법론입니다. - -1. **철학적 특징**: - * **Subjective Probability**: 확률은 데이터와 사전 지식에 기반한 '합리적인 믿음'임. - * **Iterative Learning**: 데이터가 늘어날수록 사후 확률이 다시 사전 확률이 되어 다음 데이터 학습에 사용됨 (Recursive learning). -2. **장점**: - * 데이터가 적은 상황에서도 사전 지식(Prior)을 활용해 준수한 추론 가능. - * 결과를 점 추정(Point estimation)이 아닌 확률 분포로 제공하여 '모를 수 있다는 가능성'까지 수치화함. - -## ⚠️ 모순 및 업데이트 (Contradictions & RL Update) -- **과거 데이터와의 충돌**: 과거에는 연산량이 너무 많아 실무 적용이 어려웠으나, 현대의 컴퓨팅 정책(MCMC 등)과 결합하여 복잡한 금융 모델이나 신약 개발 정책의 핵심 분석 틀로 자리 잡음(RL Update). -- **정책 변화(RL Update)**: AI 윤리 및 거버넌스 정책에서, 알고리즘의 편향을 탐지할 때 단순 빈도가 아닌 베이지안 사후 분포를 통해 '구조적 편향'의 확실성을 측정하는 엄격한 감사 정책이 도입됨. - -## 🔗 지식 연결 (Graph) -- [[Bayes-Theorem]], [[Bayesian-Updating]], [[Statistics & Data Analysis]], [[stochastic gradient descent]], Foundational Models -- **Modern Tech/Tools**: Stan, PyMC3, Bayesian [[Optimization]] for hyperparameter tuning. ---- diff --git a/10_Wiki/Topics/Bayesian-Updating.md b/10_Wiki/Topics/Bayesian-Updating.md deleted file mode 100644 index 2f88665f..00000000 --- a/10_Wiki/Topics/Bayesian-Updating.md +++ /dev/null @@ -1,33 +0,0 @@ ---- -id: [[P-Reinforce]]-AUTO-BAUP-001 -category: "10_Wiki/💡 Topics/AI" -confidence_score: 0.99 -tags: [auto-reinforced, bayesian-updating, learning-mechanisms, adaptive-systems, [[Feedback-Loops]]] -last_reinforced: 2026-04-20 ---- - -# [[Bayesian-Updating]] - -## 📌 한 줄 통찰 (The Karpathy Summary) -> "유연한 사고의 알고리즘: 틀릴 수 있음을 인정하고, 매 순간 들어오는 새로운 증거를 체로 걸러 기존의 세계관을 조금씩, 그러나 과학적으로 정교하게 수정해 나가는 지능의 학습 원리." - -## 📖 구조화된 지식 (Synthesized Content) -베이지안 업데이트(Bayesian-Updating)는 관찰된 데이터를 기반으로 가설에 대한 신뢰도를 지속적으로 갱신하는 과정입니다. - -1. **작동 메커니즘**: - * **Initial Belief (Prior)**: "이 에이전트는 신뢰할 수 있다." - * **New Evidence**: 에이전트가 예기치 못한 실수를 함. - * **Updating (Likelihood calculation)**: 이 실수가 신뢰 가능한 상태에서 나올 확률을 계산. - * **Result (Posterior)**: 신뢰도를 하향 조정. -2. **지능 시스템에서의 의의**: - * **[[Active Learning]]**: 어떤 데이터가 사후 확률을 가장 크게 변화시킬지(즉, 가장 배울 점이 많을지) 판단하여 효율적으로 학습. - * **[[Robustness]]**: 노이즈 섞인 데이터 하나에 일희일비하지 않고 전체적인 추세에 따라 점진적으로 변화함 ([[Stability]]-Flexibility Dilemma 해결). - -## ⚠️ 모순 및 업데이트 (Contradictions & RL Update) -- **과거 데이터와의 충돌**: 과거 AI 학습 정책은 '학습된 데이터'에 고착되는 경향(Catastrophic forgetting)이 강했으나, 현대의 베이지안 업데이트 정책은 기존 지식을 보호하며 새 정보를 통합하는 '점진적 학습 정책'을 지향함(RL Update). -- **정책 변화(RL Update)**: 사용자 인터페이스(UI) 정책에서, 사용자의 행동 패턴을 실시간으로 베이지안 업데이트하여 인터페이스의 배치나 추천 항목을 동적으로 바꾸는 '초개인화 환경 정책'이 표준이 됨. - -## 🔗 지식 연결 (Graph) -- [[Bayes-Theorem]], [[Belief-Revision]], [[Active Learning]], [[Self-Correction Mechanisms]], [[Adaptive-Curation]] -- **Modern Tech/Tools**: Reinforcement learning with Bayesian exploration, Online learning algorithms. ---- diff --git a/10_Wiki/Topics/Bert-Language-Model.md b/10_Wiki/Topics/Bert-Language-Model.md deleted file mode 100644 index 9be2a685..00000000 --- a/10_Wiki/Topics/Bert-Language-Model.md +++ /dev/null @@ -1,27 +0,0 @@ ---- -id: [[P-Reinforce]]-AI-[[BERT]] -category: "10_Wiki/💡 Topics/AI" -confidence_score: 0.99 -tags: [BERT, NLP, Transformer, Language Model, [[Transfer Learning]]] -last_reinforced: 2026-04-20 ---- - -# [[Bert-Language-Model]] (BERT 언어 모델) - -## 📌 한 줄 통찰 (The Karpathy Summary) -> "단어의 앞뒤 맥락을 동시에 읽는 천재." 문장을 왼쪽에서 오른쪽으로만 읽던 기존 방식을 탈피하여, 양방향(Bidirectional)으로 문맥을 파악해 언어 이해 능력을 극대화한 트랜스포머 기반 모델이다. - -## 📖 구조화된 지식 (Synthesized Content) -- **Masked Language Model (MLM)**: - - 문장의 일부 단어를 가리고(Masking), 주변 단어들을 통해 가려진 단어를 맞추는 방식으로 언어의 구조를 스스로 학습한다. -- **Next Sentence Prediction (NSP)**: - - 두 문장이 이어지는 문장인지 판단하는 태스크를 통해 문장 간의 관계와 논리적 흐름을 파악한다. -- **Transfer Learning**: - - 방대한 텍스트로 미리 학습(Pre-training)된 BERT를 특정 작업(질의응답, 감성 분석 등)에 맞춰 살짝 미세 조정([[Fine-tuning]])하여 최강의 성능을 낸다. - -## ⚠️ 모순 및 업데이트 (RL Update) -- BERT는 '이해'는 뛰어나지만 '생성(Generation)'에는 적합하지 않다. 생성형 AI 시대에는 GPT 같은 디코더(Decoder) 기반 모델이 주류지만, 검색이나 분류 같은 분석 작업에서는 여전히 BERT가 가성비 최고의 왕좌를 지키고 있다. - -## 🔗 지식 연결 (Graph) -- Related: [[Transformer-Architecture]] , [[Natural-Language-Processing]] -- Context: [[Artificial-Intelligence]] diff --git a/10_Wiki/Topics/CI-CD 파이프라인 (CI-CD Pipeline).md b/10_Wiki/Topics/CI-CD 파이프라인 (CI-CD Pipeline).md new file mode 100644 index 00000000..a8cd21a9 --- /dev/null +++ b/10_Wiki/Topics/CI-CD 파이프라인 (CI-CD Pipeline).md @@ -0,0 +1,28 @@ +# CI/CD 파이프라인 (CI/CD Pipeline) + +## 📌 Brief Summary +CI/CD는 지속적 통합(Continuous Integration)과 지속적 제공/배포(Continuous Delivery/Deployment)를 결합한 현대 소프트웨어 공학의 핵심 엔진입니다 [1]. 코드 변경 사항이 발생하는 즉시 자동으로 빌드, 테스트, 배포되도록 하여 개발 사이클을 단축하고 시스템을 통해 품질을 보장합니다 [1, 2]. + +## 📖 Core Content +* **CI (지속적 통합 - Continuous Integration)** + - 모든 개발자가 작업한 코드를 빈번하게(일일 수회) 메인 브랜치에 통합합니다 [1]. + - 통합 시 자동 빌드와 자동 테스트가 수행되어 충돌을 조기에 발견하고 코드 무결성을 유지합니다 [1, 3]. + +* **CD (지속적 제공 및 배포 - Continuous Delivery/Deployment)** + - **지속적 제공**: 테스트를 통과한 코드가 언제든 운영 환경으로 배포될 수 있는 신뢰할 수 있는 상태를 유지합니다 [1]. + - **지속적 배포**: 테스트를 통과한 변경 사항을 실제 운영 서버에 자동으로 즉시 반영합니다 [1]. + +* **보안 및 자동화 통합 (DevSecOps)** + - **Shift-Left 보안**: 개발 초기 단계인 IDE 및 CI/CD 파이프라인 내에 SAST(정적 분석) 및 보안 스캔을 내장하여 취약점을 조기에 식별합니다 [4, 5]. + - **품질 게이트 (Quality Gates)**: 특정 보안 임계값이나 품질 기준을 충족하지 못할 경우 빌드를 실패하게 하거나 병합(Merge)을 차단하여 안정성을 확보합니다 [5, 6]. + +## ⚖️ Trade-offs & Caveats +- **무중단 배포 정책**: 과거의 정기 수동 배포 방식에서 기능 단위로 수시 배포하는 무중단 배포 정책으로의 패러다임 전환이 필요합니다 [1]. +- **MLOps 확장**: 단순 코드 배포를 넘어 AI 모델의 성능을 모니터링하고 재학습시키는 MLOps 파이프라인(Continuous Training)으로 영역이 확장되고 있습니다 [1]. + +## 🔗 Knowledge Connections +- **Related Topics**: [[데브옵스 (DevOps)]], [[정적 애플리케이션 보안 테스트 (SAST)]], [[소프트웨어 개발 수명 주기 (SDLC)]], [[MLOps]] +- **Projects/Contexts**: [[GitHub Actions 워크플로우]], [[GitLab CI]], [[Jenkins]], [[Antigravity 배포 가이드]] + +--- +*Last updated: 2026-04-30* diff --git a/10_Wiki/Topics/CI-CD-Pipeline-Foundations.md b/10_Wiki/Topics/CI-CD-Pipeline-Foundations.md deleted file mode 100644 index 5b65e47e..00000000 --- a/10_Wiki/Topics/CI-CD-Pipeline-Foundations.md +++ /dev/null @@ -1,29 +0,0 @@ ---- -id: OPS-CICD-CORE-001 -category: "10_Wiki/💡 Topics/AI" -confidence_score: 1.0 -tags: [devops, cicd, automation, continuous-integration, continuous-deployment, delivery-pipeline, [[Reliability]]] -last_reinforced: 2026-04-26 ---- - -# CI/CD Pipeline Foundations (CI/CD 파이프라인 기초) - -## 📌 한 줄 통찰 (The Karpathy Summary) -> "코드 변경이 사용자에게 도달하기까지의 전 과정을 자동화된 검증 루프로 연결하여, 배포의 리스크를 줄이고 개발의 속도를 물리적 한계까지 밀어붙여라" — 지속적 통합(CI)과 지속적 제공/배포(CD)를 통해 소프트웨어의 품질과 출시 속도를 극대화하는 현대 개발의 필수 인프라. - -## 📖 구조화된 지식 (Synthesized Content) -- **추출된 패턴:** "Automated Verification and Incremental Delivery" — 코드가 커밋되는 순간부터 빌드, 테스트, 스테이징, 운영 환경 배포까지의 모든 수동 개입을 제거하고 가시성을 확보하는 패턴. -- **파이프라인 구성 요소:** - - **[[Continuous Integration (CI)]]:** 코드 병합 시 자동 빌드 및 유닛/통합 테스트 수행. 충돌을 조기에 발견. - - **Continuous Delivery:** 검증된 코드를 수동 승인 후 운영 환경에 배포 가능한 상태로 유지. - - **Continuous Deployment (CD):** 모든 테스트를 통과한 코드를 실제 사용자에게 자동으로 즉시 배포. - - **Quality [[Gates]]:** 린팅(Linting), 보안 스캔, 코드 커버리지 등의 지표가 충족되어야 다음 단계로 진행. -- **의의:** 배포 주기를 단축(Daily or hourly)시키고, 장애 발생 시 롤백(Rollback) 시간을 최소화하여 비즈니스의 기민함과 시스템의 안정성을 동시에 확보함. - -## ⚠️ 모순 및 업데이트 (Contradictions & RL Update) -- **과거 데이터와의 충돌:** 과거에는 정기적인 '배포일'을 정해 대규모 업데이트를 수행했으나, 현대 CI/CD 정책은 작고 잦은 배포(Small & Frequent)를 통해 리스크를 분산시키는 정책을 최우선으로 함. -- **정책 변화:** Antigravity 프로젝트는 모든 저장소에 대해 'Pull Request 기반의 자동 CI'를 강제하며, 메인 브랜치 병합 시 즉시 에지(Edge) 환경에 배포되는 CD 파이프라인을 구축함. - -## 🔗 지식 연결 (Graph) -- [[Software-[[Architecture]]-Patterns]], [[Technical-Debt]]-[[Management]], Cloud-Infrastructure, [[Infrastructure-as-Code-IaC]] -- **Raw Source:** 00_Raw/CI-CD Pipeline.md diff --git a/10_Wiki/Topics/CI_CD 및 Pull Request 자동화 리뷰.md b/10_Wiki/Topics/CI_CD 및 Pull Request 자동화 리뷰.md deleted file mode 100644 index e461e1b4..00000000 --- a/10_Wiki/Topics/CI_CD 및 Pull Request 자동화 리뷰.md +++ /dev/null @@ -1,33 +0,0 @@ ---- -id: [[P-Reinforce]]-AUTO-877DCA -category: "10_Wiki/💡 Topics/AI" -confidence_score: 0.90 -tags: [auto-reinforced] -last_reinforced: 2026-04-20 -github_commit: "[P-Reinforce] Continuous Worker - [[CI_CD]] 및 Pull Request 자동화 리뷰" ---- - -# [[CI_CD 및 Pull Request 자동화 리뷰]] - -## 📌 한 줄 통찰 (The Karpathy Summary) -> CI/CD 및 Pull Request(PR) 자동화 리뷰는 소프트웨어 개발 수명 주기(SDLC)에서 코드 병합 이전에 정적 분석 도구([[SAST]]), 린터(Linter), AI 코드 리뷰 봇 등을 활용하여 취약점, 버그, 스타일 위반을 자동으로 검사하는 과정입니다 [1, 2]. 이를 통해 빠른 피드백 루프를 형성하고, 일관된 코드 품질 기준을 강제하며, CI/CD 파이프라인 내에서 품질 게이트(Quality Gate) 역할을 수행하여 인간 리뷰어의 피로도를 줄이고 보안과 품질을 극대화합니다 [3-6]. - -## 📖 구조화된 지식 (Synthesized Content) -* **파이프라인 통합 및 품질 게이트 (Quality [[Gates]]):** [[SonarQube]], Snyk, CodeQL과 같은 자동화 분석 도구는 CI/CD 파이프라인 및 PR 워크플로우에 직접 통합됩니다 [1, 7-9]. PR이 생성되거나 코드가 푸시될 때 자동으로 검사를 실행하며, 사전 정의된 품질 게이트 규칙이나 심각도 임계값에 따라 PR 병합을 차단하거나 빌드를 실패하게 만들어 불량 코드가 프로덕션 환경에 도달하는 것을 원천적으로 방지합니다 [5, 10, 11]. -* **Pre-commit 단계의 선제적 자동화 ([[Husky]] & [[lint-staged]]):** CI 파이프라인 이전에 로컬 개발 환경에서 문제를 잡기 위해 Husky와 lint-staged를 주로 결합하여 사용합니다 [12, 13]. Husky는 `pre-commit`과 같은 Git 훅([[Git Hooks]])을 중앙에서 관리하고, lint-staged는 변경되어 커밋 대기 중인 파일(staged files)에 대해서만 [[ESLint]](정적 분석 및 린팅)와 [[Prettier]](코드 포매팅)를 빠르게 실행합니다 [14-17]. 이를 통해 오류가 없거나 스타일 규칙을 준수한 코드만 커밋되도록 강제합니다 [16, 18]. -* **AI 기반 PR 자동 리뷰:** 최근의 자동화 리뷰 생태계는 생성형 AI와 머신러닝을 활용하여 PR 요약, 보안 취약점 식별, 자동 수정(Auto-fix) 코드 제안 기능을 PR 스레드 내에 직접 제공합니다 [19-21]. CodeRabbit, PR-Agent, Snyk Code, GitHub Copilot 등은 팀의 표준을 강제하며 개발자에게 실시간에 가까운 인라인 피드백을 제공하여 PR 주기 시간과 최초 리뷰 대기 시간(Time to first review)을 크게 단축시킵니다 [4, 22-25]. -* **수동 리뷰와의 하이브리드 병행 (Hybrid Approach):** 자동화된 리뷰는 구문 오류, 코드 스멜(Code smells), 널리 알려진 보안 결함 등을 빠르고 일관되게 검출하는 데 탁월하지만, 코드의 근본적인 의도나 비즈니스 로직, 아키텍처 맥락을 이해하는 데에는 한계가 존재합니다 [26-28]. 따라서 CI/CD 및 Git 훅을 통한 자동화 도구로 1차적인 기계적 검증을 처리하고, 인간 리뷰어는 아키텍처 설계, 보안 문맥, 비즈니스 로직 검증에 집중하는 '하이브리드 코드 리뷰'가 현재의 가장 이상적인 모범 사례로 꼽힙니다 [6, 11, 29, 30]. - -## ⚠️ 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:** [[Static Application Security [[Testing]] (SAST)]], [[Git Hooks]], AI [[Code Review]] -- **Projects/Contexts:** CI/CD Pipelines, [[DevSecOps]] -- **Contradictions/Notes:** 소스들은 자동화된 리뷰 도구가 매우 빠르고 일관적이지만 인간 리뷰어를 완전히 대체할 수는 없다고 주장합니다. 자동화 도구나 AI 봇은 문맥 맹점(Context Blindness)이 있어 아키텍처 설계나 비즈니스 로직을 온전히 이해하지 못하므로, 기계가 루틴한 검사를 담당하고 사람은 고차원적인 판단을 내리는 하이브리드 방식이 필수적이라고 강조합니다 [28, 31, 32]. - ---- -*Last updated: 2026-04-19* - ---- diff --git a/10_Wiki/Topics/CI_CD 파이프라인 및 IDE 통합 보안.md b/10_Wiki/Topics/CI_CD 파이프라인 및 IDE 통합 보안.md deleted file mode 100644 index 04559ba6..00000000 --- a/10_Wiki/Topics/CI_CD 파이프라인 및 IDE 통합 보안.md +++ /dev/null @@ -1,32 +0,0 @@ ---- -id: [[P-Reinforce]]-AUTO-F8BCE8 -category: "10_Wiki/💡 Topics/AI" -confidence_score: 0.90 -tags: [auto-reinforced] -last_reinforced: 2026-04-20 -github_commit: "[P-Reinforce] Continuous Worker - [[CI_CD]] 파이프라인 및 IDE 통합 보안" ---- - -# [[CI_CD 파이프라인 및 IDE 통합 보안]] - -## 📌 한 줄 통찰 (The Karpathy Summary) -> CI/CD 파이프라인 및 IDE 통합 보안은 소프트웨어 개발 프로세스 전반에 걸쳐 코드의 품질과 보안을 유지하기 위한 핵심 접근법입니다 [1], [2]. 개발자가 코드를 작성하는 IDE 환경과 코드가 병합 및 배포되는 CI/CD 워크플로우에 정적 분석([[SAST]]) 및 자동화된 보안 검사 도구를 내장하여 실시간 피드백을 제공합니다 [3], [4]. 이를 통해 개발자는 코드의 결함과 취약점을 조기에 식별하고 수정할 수 있어 안전하고 효율적인 소프트웨어 개발 수명 주기(SDLC)를 확보할 수 있습니다 [5], [6]. - -## 📖 구조화된 지식 (Synthesized Content) -* **IDE 내 실시간 보안 검사:** [[SonarQube]] for IDE나 Snyk Code와 같은 플러그인은 Visual Studio, VS Code, JetBrains, E[[CLIP]]se 등의 개발 환경에 직접 내장되어 작동합니다 [7], [8], [9]. 개발자가 코드를 작성하는 즉시 실시간으로 구문, 로직 및 보안 결함을 분석하여 즉각적인 피드백과 자동화된 수정 제안을 제공합니다 [7], [10]. 이를 통해 코드가 버전 관리 시스템에 커밋되기 전, 가장 이른 단계에서 보안 위험을 식별하고 제거할 수 있습니다 [11], [12]. -* **CI/CD 파이프라인 자동화 및 게이팅(Gating):** 코드가 풀 리퀘스트(Pull Request)나 브랜치에 푸시되어 빌드될 때, CI/CD 워크플로우 내에서 보안 스캔이 자동으로 실행됩니다 [5], [13], [9]. 조직은 심각도 임계값(Severity thresholds)이나 품질 게이트(Quality [[Gates]])를 설정하여, 기준을 충족하지 못하는 결함이나 보안 취약점이 발견되면 빌드를 실패하게 하거나 풀 리퀘스트 병합을 차단할 수 있습니다 [2], [14], [15], [16]. 이는 [[GitHub Actions]], GitLab, Jenkins 등 다양한 DevOps 도구 체인과 긴밀하게 통합되어 이루어집니다 [4], [17], [15]. -* **시프트 레프트([[Shift]]-Left) 및 규정 준수 강제:** IDE와 CI/CD 전반에 걸친 보안 통합은 취약점을 개발 과정의 초기에 발견하여 수정하는 '시프트 레프트' 보안 전략을 실현합니다 [11], [18]. 프로덕션 환경에 도달하기 전에 선제적으로 문제를 해결하므로 릴리스 이후 발생하는 결함을 수정하는 비용과 시간을 절감합니다 [6]. 또한, PCI, OWASP, CWE, STIG 등 주요 보안 및 규정 준수 표준을 조직 전체의 리포지토리와 팀에 일관되게 적용하고 강제할 수 있도록 지원합니다 [19], [20], [21], [22]. - -## ⚠️ 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:** SAST(정적 애플리케이션 보안 테스트), Shift-left(시프트 레프트), SDLC(소프트웨어 개발 수명 주기) -- **Projects/Contexts:** [[SonarQube]], Snyk Code, [[DevSecOps]] -- **Contradictions/Notes:** 소스 내용 중 이 주제에 대한 명시적인 모순이나 반대 의견은 존재하지 않습니다. 모든 소스가 조기 발견(Shift-left)의 효율성 및 통합의 필요성에 동의하고 있습니다. - ---- -*Last updated: 2026-04-19* - ---- diff --git a/10_Wiki/Topics/CI_CD.md b/10_Wiki/Topics/CI_CD.md deleted file mode 100644 index f0d60885..00000000 --- a/10_Wiki/Topics/CI_CD.md +++ /dev/null @@ -1,32 +0,0 @@ ---- -id: [[P-Reinforce]]-AUTO-CICD-001 -category: "10_Wiki/💡 Topics/AI" -confidence_score: 0.98 -tags: [auto-reinforced, cicd, devops, automation, continuous-integration, continuous-deployment] -last_reinforced: 2026-04-20 ---- - -# [[CI_CD]] - -## 📌 한 줄 통찰 (The Karpathy Summary) -> "멈추지 않는 공장 라인: 코드 한 줄이 바뀌는 순간 자동으로 빌드, 테스트, 배포가 이뤄지게 함으로써 개발의 사이클을 극도로 단축시키고 품질을 시스템으로 보장하는 현대 소프트웨어 공학의 엔진." - -## 📖 구조화된 지식 (Synthesized Content) -CI/CD는 지속적 통합(Continuous Integration)과 지속적 제공/배포(Continuous Delivery/Deployment)를 결합한 개념입니다. - -1. **CI (지속적 통합)**: - * 모든 개발자가 작업한 코드를 하루에도 여러 번 메인 브랜치에 통합. - * 통합 시 자동 빌드와 자동 테스트가 수행되어 충돌을 조기에 발견. (Workflow-Inte[[Grit]]y와 연결) -2. **CD (지속적 배포)**: - * 테스트를 통과한 코드가 신뢰할 수 있는 상태로 유지되거나, 실제 운영 서버에 자동으로 반영되는 과정. -3. **왜 중요한가?**: - * 릴리스 주기(Time to Market)를 혁신적으로 단축하고, 수동 배포로 인한 인적 오류(Human Error)를 제거함. ([[Scalability]] 고도화) - -## ⚠️ 모순 및 업데이트 (Contradictions & RL Update) -- **과거 데이터와의 충돌**: 과거의 배포 정책은 '정기 점검 날'에 모든 기능을 몰아서 수동으로 배포하는 정책이었으나, 현대 정책은 기능 단위로 쪼개어 수시로 배포하는 '무중단 배포 정책'으로 완전히 전환됨(RL Update). -- **정책 변화(RL Update)**: 단순히 코드만 배포하는 정책을 넘어, AI 모델의 성능을 지속적으로 모니터링하고 재학습시키는 '[[MLOps]] 파이프라인(Continuous Training) 정책'이 CI/CD의 새로운 확장 영역으로 포함됨. - -## 🔗 지식 연결 (Graph) -- [[Workflow-Integrity]], [[Scalability]], [[Backend]], [[Security-Governance]], [[Automated-Decision-Making]] -- **Modern Tech/Tools**: [[GitHub Actions]], Jenkins, [[GitLab CI]], ArgoCD, Docker/K8s. ---- diff --git a/10_Wiki/Topics/Chrome DevTools Memory Profiling.md b/10_Wiki/Topics/Chrome DevTools Memory Profiling.md deleted file mode 100644 index 914533a3..00000000 --- a/10_Wiki/Topics/Chrome DevTools Memory Profiling.md +++ /dev/null @@ -1,29 +0,0 @@ ---- -id: [[Chrome]]-MEM-001 -category: "10_Wiki/💡 Topics/AI" -confidence_score: 1.0 -tags: [web-performance, debugging, [[memory]]-leak, devtools] -last_reinforced: 2026-04-26 ---- - -# [[Chrome DevTools]] Memory Profiling (메모리 분석 및 성능 최적화) - -## 📌 한 줄 통찰 (The Karpathy Summary) -> "보이지 않는 메모리 누수를 가시화하라" — 브라우저의 힙 스냅샷과 타임라인 기록을 통해 자바스크립트 객체의 할당 및 해제 과정을 추적하여 웹 애플리케이션의 메모리 효율성을 극대화하는 진단 도구. - -## 📖 구조화된 지식 (Synthesized Content) -- **추출된 패턴:** 메모리 점유율이 지속적으로 우상향하는 '메모리 누수(Memory Leak)' 패턴을 식별하고, 해제되지 않은 참조 관계(Retainer Tree)를 찾아내는 진단 패턴. -- **세부 내용:** - - **[[Heap Snapshot]]:** 특정 시점의 메모리 사용 현황을 캡처하여 어떤 객체가 가장 많은 용량을 차지하는지 분석. - - **Allocation Instrumentation on Timeline:** 시간에 따른 메모리 할당 현황을 기록하여 특정 사용자 동작(클릭 등) 시 메모리가 비정상적으로 급증하는지 확인. - - **Detached DOM Nodes:** 화면에서 사라졌지만 가비지 컬렉터(GC)에 의해 수거되지 못한 DOM 노드를 탐지. - - **Shallow Size vs Retained Size:** 객체 자체의 크기와 해당 객체가 유지하고 있는 다른 객체들의 합계 크기를 구분하여 병목 지점 파악. - -## ⚠️ 모순 및 업데이트 (Contradictions & RL Update) -- **과거 데이터와의 충돌:** 단순 '새로고침'으로 해결하던 방식에서, SPA(Single Page Application) 환경의 장기 생존 메모리 관리로 최적화 패러다임 전환. -- **정책 변화:** Antigravity 프로젝트의 웹 대시보드 성능 가이드라인에 따라 5분 이상 미사용 시 유휴 메모리 강제 해제 로직 검증에 활용. - -## 🔗 지식 연결 (Graph) -- **Parent:** 10_Wiki/💡 Topics/AI -- **Related:** Garbage-Collection, Reflow-Repaint, V8-Engine -- **Merged Source:** 10_Wiki/Topics/AI/Chrome DevTools 메모리 분석 및 성능 최적화.md diff --git a/10_Wiki/Topics/Chrome DevTools 메모리 프로파일링 및 힙 스냅샷 분석.md b/10_Wiki/Topics/Chrome DevTools 메모리 프로파일링 및 힙 스냅샷 분석.md deleted file mode 100644 index 7ea8e7ea..00000000 --- a/10_Wiki/Topics/Chrome DevTools 메모리 프로파일링 및 힙 스냅샷 분석.md +++ /dev/null @@ -1,54 +0,0 @@ ---- -id: [[P-Reinforce]]-AUTO-EF52CE -category: "10_Wiki/💡 Topics/AI" -confidence_score: 0.90 -tags: [auto-reinforced] -last_reinforced: 2026-04-20 -github_commit: "[P-Reinforce] Continuous Worker - [[Chrome DevTools]] 메모리 프로파일링 및 힙 스냅샷 분석" ---- - -# [[Chrome DevTools 메모리 프로파일링 및 힙 스냅샷 분석]] - -## 📌 한 줄 통찰 (The Karpathy Summary) -> [[Chrome]] DevTools의 메모리 프로파일링 및 힙 스냅샷 분석은 웹 애플리케이션 및 Node.js 환경에서 발생하는 메모리 누수를 찾아내고 객체의 보존 상태를 파악하는 데 사용되는 핵심 디버깅 기법입니다. 메모리 패널은 전체 객체 그래프를 캡처하는 힙 스냅샷, 시간에 따른 할당을 추적하는 타임라인 계측, 그리고 프로덕션에 적합한 샘플링 도구를 제공합니다. 개발자는 이러한 도구와 객체의 참조 체인([[Retaining Path]])을 분석하여 가비지 컬렉터(GC)에 의해 해제되어야 할 객체가 왜 메모리에 남아있는지 근본 원인을 파악할 수 있습니다. - -## 📖 구조화된 지식 (Synthesized Content) -- **DevTools 메모리 패널의 핵심 도구** - Chrome DevTools의 [[memory]] 패널은 주로 세 가지 분석 도구를 제공합니다. - 1. **[[Heap Snapshot]] (힙 스냅샷):** 특정 시점의 전체 객체 그래프를 캡처합니다 [1]. - 2. **Allocation instrumentation on timeline (타임라인에 할당 계측):** 특정 기간 동안의 모든 메모리 할당과 스택 트레이스를 기록합니다 [1]. 기록을 시작하면 50ms마다 힙 스냅샷을 주기적으로 캡처하고 기록이 끝날 때 최종 스냅샷을 생성합니다 [2, 3]. - 3. **Allocation sampling (할당 샘플링):** 전체 계측을 수행하는 대신 통계적 샘플링을 사용하여 오버헤드가 적기 때문에 프로덕션 환경의 프로파일링에 적합합니다 [4]. - -- **힙 스냅샷 뷰(View)의 종류와 활용** - 캡처한 힙 스냅샷은 목적에 맞게 여러 가지 뷰를 통해 분석할 수 있습니다 [5]. - - **Summary(요약) 뷰:** 객체를 생성자(Constructor) 이름으로 그룹화하여 보여줍니다 [5, 6]. 각 객체가 점유하는 자체 메모리인 '얕은 크기(Shallow size)'와, 해당 객체가 삭제될 때 해제될 수 있는 최대 메모리 크기인 '보존된 크기(Retained size)'를 확인할 수 있습니다 [7]. - - **Comparison(비교) 뷰:** 두 개 이상의 스냅샷 간의 차이를 보여줍니다. 특정 작업 전후의 스냅샷을 비교하여 메모리 누수의 존재와 원인을 확인하는 데 유용합니다 [5, 8]. - - **Containment(포함) 뷰:** 애플리케이션 객체 구조를 조감(Bird's eye view)할 수 있으며, DOMWindow 객체, GC 루트([[GC Root]]s), 네이티브 객체를 통해 글로벌 네임스페이스에서 참조되는 객체를 분석할 수 있습니다 [5, 9, 10]. - -- **타임라인 할당 분석을 통한 누수 추적** - 타임라인을 이용한 할당 계측 시, 상단에 나타나는 막대의 높이는 할당된 객체의 크기를 의미하며 막대의 색상은 객체의 생존 여부를 나타냅니다 [11, 12]. - - **파란색 막대:** 타임라인 기록이 끝날 때까지 여전히 살아있는(Live) 객체를 의미하며, 이 객체들이 메모리 누수 후보가 될 수 있습니다 [1, 11-13]. - - **회색 막대:** 타임라인 동안 할당되었으나 이후 가비지 컬렉션(GC)에 의해 수집된 객체를 의미합니다 [1, 11-13]. - 타임라인에서 파란색 막대를 확대(Zoom in)한 뒤 'Retainers(보유자)' 패널을 확인하면, 해당 객체가 수집되지 못하고 계속 살아있게 만드는 참조 체인을 파악할 수 있습니다 [14-16]. - -- **메모리 누수 탐지 전략: 3단계 스냅샷 기법(Three-snapshot technique)** - 메모리 누수를 감지하는 가장 신뢰할 수 있는 방법은 3단계 스냅샷 기법입니다. 먼저 기준이 되는 스냅샷 1을 찍고, 누수가 의심되는 작업(예: 모달 열기/닫기 등)을 수행한 뒤 스냅샷 2를 찍습니다. 그다음 동일한 작업을 다시 반복하고 스냅샷 3을 캡처합니다. 이후 스냅샷 2와 3을 비교하여, 스냅샷 1과 2 사이에서 할당되었지만 스냅샷 3에서도 여전히 살아있는 객체를 찾음으로써 일회성 할당(False positives)을 걸러내고 실제 누수 후보를 특정할 수 있습니다 [17]. - -- **분석 시 주의사항(Gotchas)** - - 힙 스냅샷에는 애플리케이션의 객체뿐만 아니라 `(compiled code)`, `(concatenated string)`, `InternalNode` 등 수많은 V8 내부 객체들이 포함되므로, 의미 있는 객체에 집중하려면 생성자(Constructor) 필터링을 사용하는 것이 좋습니다 [18-22]. - - 난독화된(Minified) 코드에서는 변수나 함수 이름이 제대로 보이지 않으므로, 의미 있는 Retainer 트리를 확인하려면 DevTools에서 소스 맵(Source maps)을 사용해야 합니다 [18]. - - 개발자 도구 콘솔에서 `console.log`로 출력된 객체는 계속해서 참조가 유지되므로 누수 조사 시에는 콘솔을 비우거나 대용량 객체 로깅을 피해야 합니다 [18]. - -## ⚠️ 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:** [[메모리 누수([[Memory Leaks]])]], 가비지 컬렉션([[Garbage Collection]]), V8 엔진 메모리 구조, 객체 참조 체인(Retainers) -- **Projects/Contexts:** Node.js 프로덕션 메모리 문제 해결, [[웹 프론트엔드 성능 최적화]] -- **Contradictions/Notes:** 단순히 메모리 그래프가 상승한다고 해서 모두 우발적인 메모리 누수인 것은 아닙니다. 애플리케이션의 캐시(Caches)나 실행 취소 기록(Undo histories) 등은 의도적으로 데이터를 보존하도록 설계되었으므로, 이러한 '의도된 보존'과 '우발적인 보존(누수)'을 명확하게 구분해야 합니다 [18]. - ---- -*Last updated: 2026-04-19* - ---- diff --git a/10_Wiki/Topics/Chrome DevTools 메모리 프로파일링.md b/10_Wiki/Topics/Chrome DevTools 메모리 프로파일링.md deleted file mode 100644 index aaf54702..00000000 --- a/10_Wiki/Topics/Chrome DevTools 메모리 프로파일링.md +++ /dev/null @@ -1,33 +0,0 @@ ---- -id: [[P-Reinforce]]-AUTO-8471ED -category: "10_Wiki/💡 Topics/AI" -confidence_score: 0.90 -tags: [auto-reinforced] -last_reinforced: 2026-04-20 -github_commit: "[P-Reinforce] Continuous Worker - [[Chrome DevTools]] 메모리 프로파일링" ---- - -# [[Chrome DevTools 메모리 프로파일링]] - -## 📌 한 줄 통찰 (The Karpathy Summary) -> [[Chrome]] DevTools 메모리 프로파일링은 개발자가 힙(Heap) 스냅샷을 캡처하고 시간에 따른 메모리 할당을 추적하여 브라우저 환경에서 발생하는 메모리 누수를 감지하고 분석하는 과정입니다 [1-4]. 이는 [[JavaScript]] 객체와 DOM 노드의 메모리 분포를 보여주며, 가비지 컬렉션(GC) 이후에도 불필요하게 남아있는 객체의 참조 경로([[Retaining Path]])를 시각적으로 파악할 수 있도록 돕습니다 [1, 4-6]. 이를 통해 브라우저 메모리 할당 시점별 힙의 상세한 동작과 메모리 보존(Retention) 원인을 명확히 식별할 수 있습니다 [2, 7]. - -## 📖 구조화된 지식 (Synthesized Content) -* **힙 스냅샷([[Heap Snapshot]])과 3-스냅샷 기법:** 힙 스냅샷은 특정 시점의 전체 객체 그래프를 캡처하는 도구입니다 [2, 3]. 메모리 누수 탐지에서 가장 신뢰할 수 있는 방법은 '3-스냅샷 기법'으로, 기준 스냅샷을 찍고 누수가 의심되는 작업을 수행한 뒤 두 번째 스냅샷을 찍고, 작업을 반복한 후 세 번째 스냅샷을 찍는 방식입니다 [8]. 이를 통해 일회성 메모리 할당을 필터링하고 실제 누수 후보를 찾아낼 수 있습니다 [8]. 스냅샷은 생성자별로 객체를 그룹화하는 'Summary' 뷰, 두 스냅샷 간의 차이를 보여주는 'Comparison' 뷰, 전역 네임스페이스에 참조된 객체의 구조를 파악하는 'Containment' 뷰 등을 제공합니다 [9]. -* **타임라인의 할당 계측(Allocation instrumentation on timeline):** 이 도구는 힙 프로파일러의 상세 스냅샷 정보와 타임라인 패널의 점진적인 업데이트 추적 기능을 결합한 것입니다 [10, 11]. 특정 기간 동안 발생한 모든 메모리 할당을 스택 트레이스와 함께 최소 50ms마다 주기적으로 기록합니다 [2, 12, 13]. 타임라인 상의 막대 높이는 할당된 객체의 크기를 의미하며, 파란색 막대는 타임라인 종료 시점까지 살아있는 객체를, 회색 막대는 할당 후 가비지 컬렉션(GC)된 객체를 나타냅니다 [5, 14, 15]. -* **할당 샘플링(Allocation sampling):** 모든 할당을 추적하는 타임라인 계측 방식에 비해 시스템 오버헤드가 없기 때문에, 운영(Production) 환경의 프로파일링에 적합한 가벼운 통계적 샘플링 방식입니다 [16]. -* **보존 경로(Retainers)와 고유 객체 식별자:** 메모리 패널 하단의 'Retainers' 섹션은 GC 루트(Root)에서부터 특정 객체를 계속 살아있게 유지하는 참조 체인을 역순으로 보여주어 메모리 누수의 근본 원인을 추적할 수 있게 합니다 [2, 7, 17]. 또한, 각 객체에는 가비지 컬렉션 과정에서 객체의 물리적 위치가 이동하더라도 여러 스냅샷 간에 동일하게 유지되는 고유 ID(`@` 기호 뒤의 숫자)가 부여되어 정밀한 개별 객체 단위의 비교 분석이 가능합니다 [12, 13, 18, 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:** 힙 스냅샷(Heap Snapshot), [[타임라인 할당 계측(Allocation instrumentation on timeline)]], 가비지 컬렉션([[Garbage Collection]]), [[보존 경로(Retaining Path)]] -- **Projects/Contexts:** [[V8 JavaScript Engine]] 메모리 관리 및 가비지 컬렉션, [[브라우저 메모리 누수 탐지([[Browser]] [[memory]] Leak Detection)]] -- **Contradictions/Notes:** 소스의 메모리 누수 분석 시 주의사항에 따르면, DevTools 콘솔에서의 `console.log` 출력은 로깅된 객체에 대한 참조를 계속 유지하므로 실제로는 누수가 아니더라도 가비지 컬렉션이 되지 않아 조사 과정에서 혼선을 줄 수 있습니다 [20]. - ---- -*Last updated: 2026-04-19* - ---- diff --git a/10_Wiki/Topics/Chrome DevTools 및 메모리 프로파일링.md b/10_Wiki/Topics/Chrome DevTools 및 메모리 프로파일링.md new file mode 100644 index 00000000..940609b1 --- /dev/null +++ b/10_Wiki/Topics/Chrome DevTools 및 메모리 프로파일링.md @@ -0,0 +1,29 @@ +# Chrome DevTools 및 메모리 프로파일링 + +## 📌 Brief Summary +Chrome DevTools는 구글 크롬 브라우저에 내장된 웹 제작 및 디버깅 도구 세트로, 웹 사이트의 런타임 상태를 실시간으로 분석하고 최적화할 수 있는 필수 도구입니다 [1, 2]. 특히 메모리 패널을 통한 프로파일링은 힙(Heap) 스냅샷을 캡처하고 시간에 따른 메모리 할당을 추적하여 가비지 컬렉션(GC) 이후에도 남아있는 메모리 누수(Memory Leak)를 감지하는 데 핵심적인 역할을 합니다 [1, 3]. + +## 📖 Core Content +* **핵심 패널 및 기능** + - **Elements & Console**: DOM/CSS 실시간 수정 및 JavaScript 즉석 실행과 로그 확인을 수행합니다 [1, 4]. + - **Network**: 데이터 요청 및 응답을 감시하여 네트워크 병목 현상을 파악합니다 [1]. + - **Performance & Memory**: 프레임 드랍이나 메모리 사용량을 정밀 분석하여 성능 저하의 원인을 식별합니다 [1, 5]. + +* **메모리 프로파일링 기법** + - **힙 스냅샷 (Heap Snapshot)**: 특정 시점의 전체 객체 그래프를 캡처합니다. '3-스냅샷 기법'을 통해 기준점과 작업 전후의 메모리 변화를 비교하여 실제 누수 후보를 찾아낼 수 있습니다 [3, 6]. + - **타임라인 할당 계측 (Allocation Instrumentation on Timeline)**: 시간에 따른 실시간 메모리 할당을 추적합니다. 파란색 막대는 현재 살아있는 객체, 회색 막대는 가비지 컬렉션된 객체를 나타내며 누수 발생 시점을 명확히 보여줍니다 [3, 7]. + - **보존 경로 (Retaining Path/Retainers)**: 특정 객체를 메모리에 살아있게 유지하는 참조 체인을 역순으로 보여주어 누수의 근본 원인을 추적하게 합니다 [3, 8]. + +* **지능형 디버깅의 진화** + 최근 DevTools에는 AI 비서(Gemini 등)가 통합되어 에러 메시지 분석과 코드 수정 제안을 제공하는 지능형 디버깅 정책으로 진화하고 있습니다 [1]. + +## ⚖️ Trade-offs & Caveats +- **의도된 보존 vs 누수**: 캐시나 실행 취소 기록(Undo history) 등은 의도적으로 데이터를 보존하도록 설계된 것이므로, 이를 우발적인 누수와 명확히 구분해야 합니다 [9]. +- **콘솔 참조 주의**: `console.log`로 출력된 객체는 브라우저가 참조를 계속 유지하므로, 메모리 조사 시에는 콘솔을 비워야 정확한 측정이 가능합니다 [3, 9]. + +## 🔗 Knowledge Connections +- **Related Topics**: [[메모리 누수 (Memory Leaks)]], [[가비지 컬렉션 (Garbage Collection)]], [[브라우저 성능 최적화 (Web Performance Optimization)]], [[V8 엔진 (V8 Engine)]] +- **Projects/Contexts**: [[Lighthouse]], [[코어 웹 바이탈 (Core Web Vitals)]], [[Antigravity 프론트엔드 성능 가이드]] + +--- +*Last updated: 2026-04-30* diff --git a/10_Wiki/Topics/Chrome DevTools.md b/10_Wiki/Topics/Chrome DevTools.md deleted file mode 100644 index 8bb2227b..00000000 --- a/10_Wiki/Topics/Chrome DevTools.md +++ /dev/null @@ -1,32 +0,0 @@ ---- -id: [[P-Reinforce]]-AUTO-CDTO-001 -category: "10_Wiki/💡 Topics/AI" -confidence_score: 0.96 -tags: [auto-reinforced, [[Chrome]]-devtools, debugging, web-development, performance-[[Analysis]], [[Browser]]-tools] -last_reinforced: 2026-04-20 ---- - -# [[Chrome DevTools]] - -## 📌 한 줄 통찰 (The Karpathy Summary) -> "웹 개발자의 X-ray와 메스: 돌아가는 웹 사이트의 장기를 실시간으로 들여다보고, 픽셀을 깎으며, 메모리의 찌꺼기를 찾아내고, 성능의 구멍을 메우는 전 세계 웹 엔지니어들의 필수 공작 창고." - -## 📖 구조화된 지식 (Synthesized Content) -Chrome DevTools는 구글 크롬 브라우저에 내장된 웹 제작 및 디버깅 도구 세트입니다. - -1. **핵심 패널**: - * **Elements**: DOM 구조와 CSS 스타일을 실시간 수정 및 미리보기. - * **Console**: API 테스트, 로그 확인, [[JavaScript]] 코드 즉석 실행. - * **Network**: 데이터 요청 오가는 것을 감시하고 속도 지연 원인 파악. ([[Backend]]와 연결) - * **Performance/[[memory]]**: 프레임 드랍이나 메모리 누수(Memory Leak)를 정밀 분석. ([[Bottlenecks]]와 연결) -2. **왜 중요한가?**: - * 브라우저라는 거대한 블랙박스 내부의 '런타임 상태'를 투명하게 가시화하여, 이론이 아닌 데이터 기반의 최적화를 가능케 함. - -## ⚠️ 모순 및 업데이트 (Contradictions & RL Update) -- **과거 데이터와의 충돌**: 과거 개발 정책은 단순히 '글자 수정'과 '에러 확인' 정책에 그쳤으나, 현대 정책은 정밀한 '코어 웹 바이탈(LCP, INP) 측정 정책'과 '모바일 기기 에뮬레이션 정책'을 통해 최적화의 질을 결정하는 핵심 정책 기지가 됨(RL Update). -- **정책 변화(RL Update)**: DevTools 내부에 AI 비서(Gemini)가 통합되는 정책이 추진됨에 따라, 에러 메시지를 보고 해결책을 직접 찾는 대신 AI가 소스 코드를 분석해 바로 제안해 주는 '지능형 디버깅 정책'으로 도약함. - -## 🔗 지식 연결 (Graph) -- [[Browser]], [[Backend]], [[Bottlenecks]], [[Analysis]], [[Technical-Architecture]] -- **Modern Tech/Tools**: [[Lighthouse]], [[Heap Snapshot]] analyzer, Recorder panel. ---- diff --git a/10_Wiki/Topics/Gen-AI.md b/10_Wiki/Topics/Gen-AI.md deleted file mode 100644 index 7d068694..00000000 --- a/10_Wiki/Topics/Gen-AI.md +++ /dev/null @@ -1,31 +0,0 @@ ---- -id: [[P-Reinforce]]-AUTO-GEAI-001 -category: "10_Wiki/💡 Topics/AI" -confidence_score: 0.99 -tags: [auto-reinforced, gen-ai, [[Generative-AI]], [[Foundation-Models]], creativity, ai-revolution] -last_reinforced: 2026-04-20 ---- - -# [[Gen-AI]] - -## 📌 한 줄 통찰 (The Karpathy Summary) -> "분류에서 생성으로: 단순히 기존 데이터를 구분하고 예측하던 시대를 지나, 거대한 지식을 바탕으로 인간이 요청하는 글, 그림, 코드, 오디오를 제로(Zero)에서부터 창조해내는 지능의 새로운 지평." - -## 📖 구조화된 지식 (Synthesized Content) -생성형 AI(Gen-AI, Generative AI)는 사용자의 요구에 따라 새로운 콘텐츠를 만들어내는 인공지능 기술의 총칭입니다. - -1. **파괴적 혁신**: - * **Context Understanding**: 방대한 문맥을 파악하여 인간과 유사한 소통 가능. - * **Multimodality**: 여러 형태의 데이터(텍스트, 이미지 등)를 자유자재로 넘나듦. (Foundation-Models와 연결) - * **Democratization**: 전문가만 하던 고도의 창작/엔지니어링 작업을 프롬프트 하나로 누구나 수행 가능하게 함. -2. **기반 기술**: - * Transformer 아키텍처, Diffusion Models, GAN. ([[Diffusion-Models]]와 연결) - -## ⚠️ 모순 및 업데이트 (Contradictions & RL Update) -- **과거 데이터와의 충돌**: 과거 인공지능 정책은 '패턴 인식 정책'에 그쳤으나, 생성 AI 정책은 패턴을 넘어 '새로운 가치 창출 정책'으로 진화함(RL Update). ([[Computational Creativity]]와 연결) -- **정책 변화(RL Update)**: 생성물의 신뢰성(Hallucination) 정책과 저작권 침해 정책이 사회적 화두가 됨에 따라, 정답을 생성하기보다 정답을 도출하는 '에이전틱 추론 정책'으로 기술의 중심이 옮겨가는 중임. - -## 🔗 지식 연결 (Graph) -- [[Foundation-Models]], [[Diffusion-Models]], [[Computational Creativity]], [[Hallucination (환각)]], [[Artificial Intelligence (AI)]] -- **Modern Tech/Tools**: ChatGPT, Midjourney, Claude, Gemini, Sora. ---- diff --git a/10_Wiki/Topics/Generalization-in-AI.md b/10_Wiki/Topics/Generalization-in-AI.md deleted file mode 100644 index 9bc3cea5..00000000 --- a/10_Wiki/Topics/Generalization-in-AI.md +++ /dev/null @@ -1,31 +0,0 @@ ---- -id: [[Gen-AI]]-001 -category: "10_Wiki/💡 Topics/AI" -confidence_score: 1.0 -tags: [ai, machine-learning, generalization, [[Overfitting]], [[Regularization]]] -last_reinforced: 2026-04-26 ---- - -# Generalization in AI (AI의 일반화 능력) - -## 📌 한 줄 통찰 (The Karpathy Summary) -> "학습 데이터를 외우지 말고, 데이터 속에 숨겨진 보편적인 법칙을 통찰하라" — 모델이 학습 데이터셋에만 특화되지 않고, 실제 운영 환경에서 마주하는 낯선 데이터에 대해서도 높은 성능을 유지할 수 있는 능력. - -## 📖 구조화된 지식 (Synthesized Content) -- **추출된 패턴:** 훈련 오차(Training Error)와 검증 오차(Validation Error) 사이의 간극을 최소화하고, 단순한 모델 구조와 풍부한 데이터를 통해 데이터의 '노이즈'가 아닌 '신호'를 학습하는 패턴. -- **주요 저해 요인:** - - **Overfitting (과적합):** 모델이 너무 복잡하여 학습 데이터의 무작위 노이즈까지 학습해버린 상태. - - **Data Bias:** 학습 데이터가 현실의 다양성을 충분히 반영하지 못한 경우. -- **일반화 향상 전략:** - - **Regularization (L1, L2):** 모델의 가중치가 너무 커지지 않도록 제약. - - **Data Augmentation:** 데이터의 양과 다양성을 인위적으로 늘림. - - **Early Stopping:** 검증 오차가 오르기 시작하는 시점에 학습 중단. - - **Cross-Validation:** 데이터를 여러 번 교차하여 검증함으로써 평가의 신뢰도 확보. - -## ⚠️ 모순 및 업데이트 (Contradictions & RL Update) -- **과거 데이터와의 충돌:** "모델이 복잡할수록 나쁘다(Occam's Razor)"는 고전적 믿음이, 거대 모델에서는 오히려 매개변수가 많을수록 일반화 성능이 좋아지는 'Double Descent' 현상이 발견되며 패러다임 변화 발생. -- **정책 변화:** Antigravity 프로젝트는 에이전트의 일반화 능력을 테스트하기 위해, 학습에 사용되지 않은 외부 지식 소스(Uber, Europeana 등)를 활용한 'Out-of-distribution' 벤치마크를 정기적으로 수행함. - -## 🔗 지식 연결 (Graph) -- [[Overfitting-and-Underfitting]], [[Regularization-Techniques]], Cross-Validation, [[Few-Shot-Learning]] -- **Raw Source:** 10_Wiki/Topics/AI/Generalization-in-AI.md diff --git a/10_Wiki/Topics/Generative-AI-Impact.md b/10_Wiki/Topics/Generative-AI-Impact.md deleted file mode 100644 index 7bdfd160..00000000 --- a/10_Wiki/Topics/Generative-AI-Impact.md +++ /dev/null @@ -1,29 +0,0 @@ ---- -id: GEN-IMPACT-001 -category: "10_Wiki/💡 Topics/AI" -confidence_score: 1.0 -tags: [ai, [[Generative-AI]], future-of-work, ai-ethics, societal-impact] -last_reinforced: 2026-04-26 ---- - -# Generative AI Impact (생성형 AI의 영향력) - -## 📌 한 줄 통찰 (The Karpathy Summary) -> "한계 비용 제로의 지식 창출 시대, 인간은 '무엇을 할 것인가'에서 '무엇을 질문할 것인가'로 이동한다" — 텍스트, 이미지, 코드를 생성하는 AI가 생산성을 폭발적으로 증가시키고, 창의성의 문턱을 낮추며 산업 구조를 재편하는 거대한 전환기. - -## 📖 구조화된 지식 (Synthesized Content) -- **추출된 패턴:** 인간의 지적/예술적 노동 중 반복적이고 정형화된 부분을 AI가 대체하고, 인간은 상위 수준의 기획, 검증, 그리고 프롬프트 설계에 집중하는 'AI-Human Copilot' 협업 패턴. -- **주요 영향 분야:** - - **Economic [[Efficiency]]:** 콘텐츠 제작, 고객 대응, 소프트웨어 개발 비용의 획기적 절감. - - **Creative Democratization:** 고도의 전문 지식 없이도 고품질의 예술/디자인 결과물 생성 가능. - - **Educational Revolution:** 개인별 맞춤형 튜터링과 지식 요약의 보편화. - - **Legal & Ethical Risks:** 저작권 분쟁, 딥페이크를 통한 가짜 뉴스, 데이터 편향성 심화. -- **의의:** AI가 단순히 명령을 수행하는 기계가 아니라, 인간의 사고를 확장하고 새로운 가능성을 제안하는 능동적 파트너로 진화했음을 의미. - -## ⚠️ 모순 및 업데이트 (Contradictions & RL Update) -- **과거 데이터와의 충돌:** AI가 육체 노동만을 대체할 것이라는 예측을 뒤엎고, 고도의 창의성과 인지 능력이 필요한 '화이트칼라' 영역부터 급격한 변화가 시작됨. -- **정책 변화:** Antigravity 프로젝트는 생성형 AI의 결과물에 대한 투명성(Provenance)을 보장하기 위해 모든 생성 지식에 출처 메타데이터를 기록하며, AI의 창작물에 대한 인간의 최종 검토 프로세스를 강화함. - -## 🔗 지식 연결 (Graph) -- [[Generative-Adversarial-Networks]]-GAN, [[LLM]], Future-of-Work-with-AI, AI-Ethics -- **Raw Source:** 10_Wiki/Topics/AI/Generative-AI-Impact.md diff --git a/10_Wiki/Topics/Generative-AI.md b/10_Wiki/Topics/Generative-AI.md deleted file mode 100644 index 691eb739..00000000 --- a/10_Wiki/Topics/Generative-AI.md +++ /dev/null @@ -1,28 +0,0 @@ ---- -id: [[Gen-AI]]-001 -category: "10_Wiki/💡 Topics/AI" -confidence_score: 1.0 -tags: [ai, generative-ai, llm, diffusion, transformer] -last_reinforced: 2026-04-26 ---- - -# Generative AI (생성형 AI) - -## 📌 한 줄 통찰 (The Karpathy Summary) -> "데이터를 분석하는 단계를 넘어, 새로운 데이터를 창조하는 시대로" — 텍스트, 이미지, 오디오, 코드 등 방대한 데이터를 학습하여 기존에 존재하지 않던 새로운 콘텐츠를 생성해내는 AI 기술의 총칭. - -## 📖 구조화된 지식 (Synthesized Content) -- **추출된 패턴:** 입력([[prompt]])의 문맥을 이해하고 확률적으로 가장 자연스러운 다음 요소(Next Token/Pixel)를 예측하여 전체 결과물을 완성하는 생성 패턴. -- **세부 내용:** - - **[[Large Language Models (LLM)]]:** 트랜스포머 아키텍처를 기반으로 텍스트의 문맥과 지식을 학습하여 대화, 요약, 번역 수행. - - **Diffusion Models:** 노이즈로부터 점진적으로 이미지를 복원해가는 과정을 통해 고품질 이미지 및 비디오 생성. - - **Multimodal AI:** 텍스트, 이미지, 음성 등 서로 다른 형태의 데이터를 통합적으로 이해하고 생성. - - **Zero-shot/Few-shot Learning:** 별도의 추가 학습 없이 프롬프트만으로 새로운 태스크를 수행하는 능력. - -## ⚠️ 모순 및 업데이트 (Contradictions & RL Update) -- **과거 데이터와의 충돌:** 단순한 패턴 반복(RNN/[[LSTM]]) 수준에서, 거대 모델과 주의 집중(Attention) 메커니즘을 통한 창의적 결과물 도출 단계로 도약. -- **정책 변화:** Antigravity 프로젝트는 생성형 AI를 활용하여 위키 문서 보강, 코드 자동 생성, 게임 에셋 제작 등 워크플로우 전반의 생산성을 극대화함. - -## 🔗 지식 연결 (Graph) -- [[Transformer-Architecture]], [[LLM]], [[Diffusion-Models]], [[Prompt-Engineering]] -- **Raw Source:** 10_Wiki/Topics/AI/Generative-AI.md diff --git a/10_Wiki/Topics/GitHub-Actions-CI-CD.md b/10_Wiki/Topics/GitHub-Actions-CI-CD.md deleted file mode 100644 index 1a17c6f7..00000000 --- a/10_Wiki/Topics/GitHub-Actions-CI-CD.md +++ /dev/null @@ -1,29 +0,0 @@ ---- -id: GH-ACTIONS-001 -category: "10_Wiki/💡 Topics/AI" -confidence_score: 1.0 -tags: [devops, cicd, automation, github] -last_reinforced: 2026-04-26 ---- - -# [[GitHub Actions]] CI/CD (자동화 파이프라인) - -## 📌 한 줄 통찰 (The Karpathy Summary) -> "코드가 저장소에 들어오는 순간부터 배포까지의 모든 여정을 자동화하라" — GitHub 이벤트(Push, PR 등)에 반응하여 테스트, 빌드, 배포 워크플로우를 실행하는 클라우드 네이티브 자동화 도구. - -## 📖 구조화된 지식 (Synthesized Content) -- **추출된 패턴:** YAML 설정을 통해 이벤트 트리거와 실행 단계(Steps), 실행 환경(Runner)을 정의하여 코드 품질을 지속적으로 통합(CI)하고 배포(CD)하는 데브옵스 패턴. -- **세부 내용:** - - **Workflows:** 하나 이상의 작업을 실행하는 자동화된 절차. `.github/workflows` 디렉토리에 저장. - - **[[Events]]:** 워크플로우를 시작하는 특정 활동 (예: `push`, `pull_request`, `schedule`). - - **Jobs:** 동일한 러너에서 실행되는 일련의 단계 집합. 기본적으로 병렬로 실행됨. - - **Actions:** 복잡하지만 자주 반복되는 작업을 수행하는 재사용 가능한 애플리케이션 유닛. - - **Secrets:** API 키나 패스워드 등 민감한 정보를 안전하게 관리하고 워크플로우에서 사용. - -## ⚠️ 모순 및 업데이트 (Contradictions & RL Update) -- **과거 데이터와의 충돌:** 별도의 CI 서버(Jenkins 등)를 구축해야 했던 번거로움에서 벗어나, 저장소와 통합된 완전 관리형 서비스로 패러다임 전환. -- **정책 변화:** Antigravity의 모든 하위 프로젝트(ConnectAI, Skybound 등)는 GitHub Actions를 통해 자동 빌드 및 릴레이 테스트를 수행하며, 검증된 코드만 메인 브랜치에 병합됨. - -## 🔗 지식 연결 (Graph) -- DevOps, Continuous-Integration, Continuous-Deployment, Infrastructure-as-Code -- **Raw Source:** 10_Wiki/Topics/AI/GitHub-Actions-CI-CD.md diff --git a/10_Wiki/Topics/GitLab CI.md b/10_Wiki/Topics/GitLab CI.md deleted file mode 100644 index 7f9107c0..00000000 --- a/10_Wiki/Topics/GitLab CI.md +++ /dev/null @@ -1,34 +0,0 @@ ---- -id: [[P-Reinforce]]-AUTO-0DF208 -category: "10_Wiki/💡 Topics/AI" -confidence_score: 0.90 -tags: [auto-reinforced] -last_reinforced: 2026-04-20 -github_commit: "[P-Reinforce] Continuous Worker - GitLab CI" ---- - -# [[GitLab CI]] - -## 📌 한 줄 통찰 (The Karpathy Summary) -> 소스에 관련 정보가 부족합니다. 제공된 소스에서 GitLab CI 자체의 아키텍처나 구체적인 기능에 대한 직접적인 설명은 없으며, 주로 Snyk Code나 [[SonarQube]]와 같은 정적 애플리케이션 보안 테스트([[SAST]]) 및 AI 코드 리뷰 도구들이 원활하게 연동되는 대표적인 CI/CD 파이프라인 플랫폼 중 하나로만 간략히 언급됩니다 [1, 2]. - -## 📖 구조화된 지식 (Synthesized Content) -소스에 관련 정보가 부족합니다. 하지만 제공된 문서 내에서 외부 보안 및 분석 도구와의 연동 맥락을 통해 다음과 같은 제한적인 역할을 확인할 수 있습니다. - -* **보안 및 코드 리뷰 도구와의 원활한 통합:** GitLab CI는 SonarQube, Snyk Code, [[Axify]], CodeAnt AI 및 다양한 풀 리퀘스트 리뷰 봇(Pull Request Review Bots) 등과 통합(Integration)되어 사용되는 주요 개발 플랫폼입니다 [1, 3-6]. -* **CI/CD 파이프라인 내 보안 스캔:** Snyk Code와 같은 도구는 GitLab CI 파이프라인에 통합되어 풀 리퀘스트(Pull request)가 발생할 때마다 변경된 파일을 스캔합니다 [2]. 발견된 취약점은 인라인 주석으로 게시되며, 심각한 취약점이 감지될 경우 코드 병합을 차단하도록 설정할 수 있습니다 [2]. -* **풀 리퀘스트(PR) 및 가드레일 환경:** 개발자들은 GitLab의 풀 리퀘스트 환경을 통해 수동으로 코드를 검토하거나, AI 및 머신러닝 기반의 리뷰 봇을 연동하여 팀의 코드 표준을 강제하고 구조화된 코멘트를 생성하는 자동화된 가드레일을 구축합니다 [5, 7, 8]. - -## ⚠️ 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:** CI/CD 파이프라인, [[SAST (정적 애플리케이션 보안 테스트)]] -- **Projects/Contexts:** Snyk Code 파이프라인 통합, SonarQube 개발 워크플로우 연동 -- **Contradictions/Notes:** 소스에 관련 정보가 부족합니다. GitLab CI만의 독자적인 기능이나 설정 방법에 대한 구체적인 내용은 소스에 존재하지 않으며, GitHub이나 Bitbucket 등과 함께 서드파티 보안/분석 도구가 지원하는 환경 목록으로만 등장합니다. - ---- -*Last updated: 2026-04-19* - ---- diff --git a/10_Wiki/Topics/LSTM (Long Short-Term Memory).md b/10_Wiki/Topics/LSTM (Long Short-Term Memory).md deleted file mode 100644 index 5a044af5..00000000 --- a/10_Wiki/Topics/LSTM (Long Short-Term Memory).md +++ /dev/null @@ -1,28 +0,0 @@ ---- -id: [[LSTM]]-001 -category: "10_Wiki/💡 Topics/AI" -confidence_score: 1.0 -tags: [[[Deep-Learning]], nlp, rnn, ai-history, time-series] -last_reinforced: 2026-04-26 ---- - -# [[LSTM (Long Short-Term [[memory]])]] - -## 📌 한 줄 통찰 (The Karpathy Summary) -> "기억할 것과 잊을 것을 스스로 결정하는 똑똑한 메모리 셀" — 기존 RNN의 고질적인 문제인 '장기 의존성(Long-term dependency)' 손실을 해결하기 위해 게이트(Gate) 구조를 도입한 순환 신경망 아키텍처. - -## 📖 구조화된 지식 (Synthesized Content) -- **추출된 패턴:** 정보의 흐름을 조절하는 세 가지 문(Gate)을 통해, 중요한 정보는 오래 보존하고 불필요한 정보는 즉시 지워버리는 시계열 데이터 처리 패턴. -- **세부 내용:** - - **Forget Gate:** 이전 상태의 정보 중 무엇을 버릴지 결정. - - **Input Gate:** 현재 입력 정보 중 무엇을 셀 상태(Cell [[State]])에 저장할지 결정. - - **Output Gate:** 갱신된 셀 상태를 바탕으로 다음 단계로 전달할 값을 결정. - - **Cell State:** 컨베이어 벨트처럼 정보가 흐르며, 게이트들에 의해 정보가 추가되거나 삭제됨. - -## ⚠️ 모순 및 업데이트 (Contradictions & RL Update) -- **과거 데이터와의 충돌:** 자연어 처리의 독보적 존재였으나, 병렬 연산이 불가능한 순차적 구조라는 한계 때문에 현재는 트랜스포머(Transformer) 아키텍처에 자리를 내줌. 하지만 음성 인식이나 시계열 수치 예측 분야에서는 여전히 활용됨. -- **정책 변화:** Antigravity 프로젝트의 센서 데이터 분석(Telemetry) 및 사용자 활동 패턴 예측 시, 가벼운 LSTM 모델을 보조적으로 운용함. - -## 🔗 지식 연결 (Graph) -- Recurrent-Neural-Network, Gated-Recurrent-Unit, [[Transformer-Architecture]], [[Time-Series-Analysis]] -- **Raw Source:** 10_Wiki/Topics/AI/LSTM (Long Short-Term Memory).md diff --git a/10_Wiki/Topics/LSTM.md b/10_Wiki/Topics/LSTM.md deleted file mode 100644 index 644d6b7f..00000000 --- a/10_Wiki/Topics/LSTM.md +++ /dev/null @@ -1,29 +0,0 @@ ---- -id: DL-LSTM-ARCH-001 -category: "10_Wiki/💡 Topics/AI" -confidence_score: 1.0 -tags: [ai, [[Deep-Learning]], lstm, neural-network-[[Architecture]], gating-mechanism, mathematical-model] -last_reinforced: 2026-04-26 ---- - -# LSTM Architecture (LSTM 구조와 게이트 원리) - -## 📌 한 줄 통찰 (The Karpathy Summary) -> "정보의 흐름 위에 세 개의 검문소([[Gates]])를 세워, 무엇을 버리고 무엇을 남길지 수치적으로 결정하라" — 셀 상태(Cell [[State]])라는 고속도로를 통해 정보를 온전히 보존하면서, 비선형 게이트들을 통해 실시간으로 지식의 가중치를 조절하는 정교한 순환 신경망 구조. - -## 📖 구조화된 지식 (Synthesized Content) -- **추출된 패턴:** "Gated Information Flow" — 덧셈 기반의 정보 갱신(Cell State)을 통해 기울기 소실을 막고, 곱셈 기반의 제어 장치(Gates)를 통해 정보의 유입과 유출을 조절하는 동적 정보 제어 패턴. -- **핵심 게이트 메커니즘:** - - **Forget Gate:** 과거의 정보 중 버릴 것을 결정 ($0 \sim 1$ 사이의 값). - - **Input Gate:** 현재 유입된 정보 중 셀 상태에 반영할 지식의 비중 결정. - - **Output Gate:** 갱신된 셀 상태를 바탕으로 다음 단계로 전달할 최종 출력값 산출. -- **Cell State:** 정보를 가공 없이 다음 단계로 전달하는 '장기 기억' 저장소. 기울기가 폭주하거나 소실되지 않고 흐를 수 있는 통로 제공. -- **의의:** 기존 RNN의 구조적 한계를 수학적으로 극복하여, 복잡한 비선형적 시퀀스 의존성을 학습 가능케 함. - -## ⚠️ 모순 및 업데이트 (Contradictions & RL Update) -- **과거 데이터와의 충돌:** 복잡한 게이트 구조가 연산 비용을 높인다는 지적에 따라, 게이트 수를 줄인 GRU(Gated Recurrent Unit)가 등장했으나, 데이터가 충분히 많고 세밀한 제어가 필요한 환경에서는 여전히 원조 LSTM의 구조가 강력한 성능을 발휘함. -- **정책 변화:** Antigravity 프로젝트는 에이전트의 내부 '사고 버퍼(Thought Buffer)'를 설계할 때, 중요한 논리 단계를 잊지 않고 보존하기 위해 LSTM의 셀 상태 아키텍처 원리를 응용함. - -## 🔗 지식 연결 (Graph) -- [[Long-Short-Term-Memory]], Gated-Recurrent-Unit-GRU, Deep-Learning-Foundations, [[Backpropagation]]-Foundations -- **Raw Source:** 10_Wiki/Topics/AI/LSTM.md diff --git a/10_Wiki/Topics/Long-Short-Term-Memory (LSTM).md b/10_Wiki/Topics/Long-Short-Term-Memory (LSTM).md deleted file mode 100644 index 5459ccc2..00000000 --- a/10_Wiki/Topics/Long-Short-Term-Memory (LSTM).md +++ /dev/null @@ -1,27 +0,0 @@ ---- -id: [[P-Reinforce]]-AI-[[LSTM]] -category: "10_Wiki/💡 Topics/AI" -confidence_score: 0.98 -tags: [DeepLearning, RNN, LSTM, NLP] -last_reinforced: 2026-04-20 ---- - -# [[Long-Short-Term-[[memory]] (LSTM)]] - -## 📌 한 줄 통찰 (The Karpathy Summary) -> "정보의 흐름을 열고 닫는 수도꼭지를 가진 똑똑한 메모리." 기존 RNN의 고질병인 '장기 기억 상실(Vanishing Gradient)' 문제를 해결하여, 수만 단계 이전의 정보도 잊지 않고 현재로 가져오는 시계열 데이터의 혁명이다. - -## 📖 구조화된 지식 (Synthesized Content) -- **Cell [[State]]**: 정보를 담고 흐르는 '긴 통로'. 마치 컨베이어 벨트처럼 정보를 변조 없이 전달함. -- **The Three [[Gates]]**: - - **Forget Gate**: 과거의 정보 중 무엇을 버릴지 결정. - - **Input Gate**: 현재 들어온 정보 중 무엇을 기억할지 결정. - - **Output Gate**: 현재의 기억 중 무엇을 밖으로 내보낼지 결정. -- **Utility**: 번역, 주가 예측, 음성 인식 등 순서(Sequence)가 중요한 모든 분야를 평정했던 모델이다. - -## ⚠️ 모순 및 업데이트 (RL Update) -- LSTM은 시계열 데이터 처리에 강력하지만, 순차적으로 연산해야 하므로 성능 스케일링(병렬 처리)이 어렵다. 현재는 모든 시점을 동시에 바라보는 **트랜스포머(Transformer)** 아키텍처에 왕좌를 내어주었으나, 데이터가 적거나 초저지연 하드웨어 구현이 필요한 특수 분야에서는 여전히 현역으로 활동 중이다. - -## 🔗 지식 연결 (Graph) -- Related: [[Recurrent-Neural-Networks]] (RNN) , Attention-Mechanism -- Rival: [[Transformer-Architecture]] diff --git a/10_Wiki/Topics/Long-Short-Term-Memory.md b/10_Wiki/Topics/Long-Short-Term-Memory.md deleted file mode 100644 index 2c5ccecd..00000000 --- a/10_Wiki/Topics/Long-Short-Term-Memory.md +++ /dev/null @@ -1,28 +0,0 @@ ---- -id: DL-[[LSTM]]-001 -category: "10_Wiki/💡 Topics/AI" -confidence_score: 1.0 -tags: [ai, [[Deep-Learning]], rnn, lstm, [[Sequence-Modeling]], time-series] -last_reinforced: 2026-04-26 ---- - -# Long-Short Term [[memory]] (LSTM, 시계열 맥락) - -## 📌 한 줄 통찰 (The Karpathy Summary) -> "어제의 교훈을 선별적으로 기억하고 오늘의 맥락을 결합하여, 끊기지 않는 시간의 실타래를 완성하라" — 순환 신경망(RNN)의 장기 의존성(Long-term Dependency) 문제를 해결하여, 수백 단계 이전의 정보도 현재의 판단에 반영할 수 있게 설계된 시퀀스 데이터 처리 모델. - -## 📖 구조화된 지식 (Synthesized Content) -- **추출된 패턴:** "Selective Memory Gating" — 모든 정보를 무조건 수용하는 대신, '망각'과 '입력'을 제어하는 게이트 메커니즘을 통해 중요한 정보는 장기 기억(Cell [[State]])으로 유지하고 불필요한 노이즈는 실시간으로 제거하는 정보 선별 패턴. -- **주요 응용 분야:** - - **Natural Language [[Processing]]:** 문장의 앞뒤 맥락을 파악하여 번역, 요약, 감성 분석 수행. - - **Time-Series Forecasting:** 주가, 날씨, 전력 수요 등 과거의 패턴을 바탕으로 미래 수치 예측. - - **Speech Recognition:** 음성 신호의 시계열적 특성을 분석하여 텍스트로 변환. -- **의의:** AI가 '정지된 상태'가 아닌 '흐르는 시간' 속에서 정보를 처리하고 이해하게 만든 딥러닝 역사의 이정표. - -## ⚠️ 모순 및 업데이트 (Contradictions & RL Update) -- **과거 데이터와의 충돌:** 시퀀스 처리의 절대 강자였으나, 최근에는 병렬 처리가 가능하고 더 넓은 범위를 한눈에 보는(Self-attention) Transformer에 자리를 내어주는 추세이나, 실시간 스트리밍이나 데이터 효율성이 중요한 특정 도메인에서는 여전히 핵심적으로 사용됨. -- **정책 변화:** Antigravity 프로젝트는 에이전트의 실시간 시스템 모니터링 및 자원 사용량 추세 분석 시, 가볍고 연속적인 데이터 처리에 강점이 있는 LSTM 모델을 보조 엔진으로 활용함. - -## 🔗 지식 연결 (Graph) -- Deep-Learning-Foundations, [[Transformer-Architecture]]-Foundations, [[Time-Series-Analysis]], Gated-Recurrent-Unit-GRU -- **Raw Source:** 10_Wiki/Topics/AI/Long-Short-Term-Memory.md diff --git a/10_Wiki/Topics/Midjourney V6 및 V7 기반의 이미지 생성 워크플로우.md b/10_Wiki/Topics/Midjourney V6 및 V7 기반의 이미지 생성 워크플로우.md deleted file mode 100644 index 88ae010f..00000000 --- a/10_Wiki/Topics/Midjourney V6 및 V7 기반의 이미지 생성 워크플로우.md +++ /dev/null @@ -1,25 +0,0 @@ -# [[Midjourney V6 및 V7 기반의 이미지 생성 워크플로우]] - -## 📌[[ brief]] Summary -Midjourney V6 및 V7 기반의 이미지 생성 워크플로우는 **텍스트 프롬프트, 매개변수([[Parameter]]), 그리고 참조([[Reference]]) 기능을 복합적으로 활용하여 이미지를 설계하고 수정하는 과정**이다 [1, 2]. 특히 V7에서는 '드래프트 모드(Draft Mode)'가 도입되어 낮은 비용으로 빠르게 다수의 시안을 탐색하고 최적의 결과물만 고품질로 승격시키는 효율적인 파이프라인이 구축되었다 [3, 4]. 사용자는 캐릭터 참조, 스타일 참조, 옴니 참조 등의 도구와 'Vary (Region)' 같은 인페인팅 기능을 통해 브랜드나 캠페인 전반에서 높은 시각적 일관성을 유지하며 결과물을 정교하게 제어할 수 있다 [5-8]. - -## 📖 Core Content -* **프롬프트 기본 구조 및 파라미터 최적화:** - 효과적인 Midjourney 프롬프트는 `/imagine` 명령어 뒤에 **주체(Subject), 매체(Medium), 환경(Environment), 조명(Lighting), 분위기(Mood) 순으로 구조화**하여 AI의 혼란을 방지하는 것이 좋다 [1]. 프롬프트의 끝에는 매개변수를 추가하여 결과물을 세밀하게 조정하는데, 주로 종횡비를 맞추는 `--ar`, 예술적 스타일 강도를 조절하는 `--stylize` (또는 `--s`), 사용할 모델 버전을 설정하는 `--v` 등이 필수적으로 활용된다 [2, 9, 10]. - -* **참조(Reference) 기능을 활용한 시각적 일관성 제어:** - V6 모델에서 도입된 **캐릭터 참조(`--cref`)** 기능은 기준 이미지의 얼굴, 헤어, 의상 비중을 `--cw`로 조절하며 동일한 인물의 정체성을 여러 장면에 걸쳐 일관되게 유지하도록 지원한다 [10-12]. 특정 색상 팔레트나 미학적 테마를 적용할 때는 **스타일 참조(`--sref`)**가 활용되며, V7부터는 특정 사물이나 피사체의 형태적 정체성 전체를 기억하여 일관되게 렌더링하는 **옴니 참조(`--oref`)** 기능이 추가되어 작업의 반복성과 브랜드 재현성이 크게 향상되었다 [5, 13-16]. - -* **V7의 드래프트 모드(Draft Mode)를 통한 반복 설계 루프:** - V7 모델 워크플로우의 가장 큰 혁신은 `--draft` 파라미터를 활용한 시안 생성에 있다 [3]. 이 모드는 표준 이미지 생성보다 **약 10배 빠르고 GPU 비용이 절반 수준으로 저렴**하다 [3]. 따라서 실무에서는 낮은 비용으로 여러 방향성과 구도를 대량으로 탐색한 뒤, 가장 유망한 후보를 선정하여 고화질로 변환(Promote)하고 참조 기능을 결합하는 식의 '비용 효율적인 디자인 검토 루프(Design review loop)'를 거치는 것이 권장된다 [1, 3, 4]. - -* **사후 수정 및 캔버스 확장 ([[Inpainting & Outpainting]]):** - 이미지 생성 후에는 **'Vary (Region)' 버튼을 사용하여 원본 이미지의 나머지 부분을 보존한 채 선택된 특정 영역만 수정하거나 새로운 요소를 추가**할 수 있다 [8, 17-19]. 이때 리믹스(Remix) 모드를 활성화하면 수정할 영역에 맞춰 프롬프트를 다시 입력함으로써 더욱 정교한 합성을 수행할 수 있다 [20-23]. 또한, **팬(Pan)이나 줌 아웃(Zoom Out) 기능**을 통해 캔버스 밖으로 시야를 넓히고 누락된 주변 배경을 매끄럽게 연장하는 과정도 이미지 고도화 워크플로우의 핵심 단계이다 [20, 24]. - -## 🔗 Knowledge Connections -- **Related Topics:** [[프롬프트 엔지니어링]], [[매개변수(Parameters)]], [[스타일 참조(Style Reference)]], [[인페인팅(Inpainting)]] -- **Projects/Contexts:** [[상업적 시각 디자인 파이프라인]], [[API 기반 이미지 생성 워크플로우]] -- **Contradictions/Notes:** 소스에 따르면 Midjourney V7은 스타일 탐색과 일관성 유지에서 뛰어난 도구이지만, 여전히 완벽한 타이포그래피(문자 렌더링) 구현이나 픽셀 단위의 결정론적(deterministic) 이미지 편집을 보장하지는 못하므로, 정확한 텍스트 추가나 고정된 레이아웃 복제 시에는 별도의 디자인 보정 단계가 필요하다고 지적된다 [25-27]. - ---- -*Last updated: [[2026-04-30]]* diff --git a/10_Wiki/Topics/Neural-Networks (신경망 기초).md b/10_Wiki/Topics/Neural-Networks (신경망 기초).md deleted file mode 100644 index 94335169..00000000 --- a/10_Wiki/Topics/Neural-Networks (신경망 기초).md +++ /dev/null @@ -1,29 +0,0 @@ ---- -id: NN-BASE-001 -category: "10_Wiki/💡 Topics/AI" -confidence_score: 1.0 -tags: [ai, [[Deep-Learning]], neural-networks, foundations] -last_reinforced: 2026-04-26 ---- - -# Neural Networks Foundations (신경망 기초) - -## 📌 한 줄 통찰 (The Karpathy Summary) -> "생물학적 뇌를 모방한 수학적 연산의 집합체" — 뉴런의 활성화 구조를 모방하여 입력 데이터의 특징을 단계별로 추출하고 비선형적인 관계를 학습해내는 인공지능의 핵심 아키텍처. - -## 📖 구조화된 지식 (Synthesized Content) -- **추출된 패턴:** 가중치(Weights)와 편향(Bias)을 가진 노드들이 층(Layer)을 이루어 연결되고, 활성화 함수(Activation Function)를 통해 복잡한 함수 관계를 근사(Function Approximation)하는 패턴. -- **기본 구성 요소:** - - **Perceptron:** 단일 뉴런 모델. 입력값에 가중치를 곱하고 합산한 뒤 임계값을 넘으면 활성화. - - **Layers:** 입력층(Input), 은닉층(Hidden), 출력층(Output)으로 구성. 은닉층이 많아질수록 '딥러닝'이 됨. - - **Activation Functions:** ReLU, Sigmoid, Tanh 등. 신경망에 비선형성을 부여하여 복잡한 패턴 학습 가능하게 함. - - **Forward Propagation:** 입력을 받아 출력을 계산하는 과정. - - **[[Backpropagation]]:** 실제 값과 예측 값의 오차를 뒤로 전달하여 가중치를 수정하는 학습 과정. - -## ⚠️ 모순 및 업데이트 (Contradictions & RL Update) -- **과거 데이터와의 충돌:** 단순한 선형 분류기에서, 범용 함수 근사자(Universal Function Approximator)로서의 지위를 확보하며 모든 현대 AI 기술의 뿌리가 됨. -- **정책 변화:** Antigravity 프로젝트는 신경망의 기본 원리를 바탕으로 하되, 데이터 효율성을 위해 상위 수준의 인지 프레임워크와 결합하여 사용함. - -## 🔗 지식 연결 (Graph) -- [[Deep-Learning]], Artificial-Neural-Networks, [[Gradient-Descent]], [[Backpropagation]] -- **Raw Source:** 10_Wiki/Topics/AI/Neural-Networks (신경망 기초).md diff --git a/10_Wiki/Topics/Neural-Networks-for-Beginners.md b/10_Wiki/Topics/Neural-Networks-for-Beginners.md deleted file mode 100644 index d0f00ec1..00000000 --- a/10_Wiki/Topics/Neural-Networks-for-Beginners.md +++ /dev/null @@ -1,29 +0,0 @@ ---- -id: AI-NN-BEG-001 -category: "10_Wiki/💡 Topics/AI" -confidence_score: 1.0 -tags: [ai, neural-networks, beginners-guide, [[Deep-Learning]], foundations] -last_reinforced: 2026-04-26 ---- - -# Neural Networks for Beginners (입문자를 위한 신경망) - -## 📌 한 줄 통찰 (The Karpathy Summary) -> "복잡한 뇌의 구조를 흉내 낸 '디지털 뉴런'들이 서로 신호를 주고받으며, 스스로 데이터의 정답을 찾아가는 과정을 이해하라" — 비전공자나 입문자도 신경망의 기본 원리인 '입력, 가중치 계산, 활성화, 학습'의 흐름을 직관적으로 파악할 수 있게 돕는 개념 가이드. - -## 📖 구조화된 지식 (Synthesized Content) -- **추출된 패턴:** "Simple Signal [[Processing]] and Feedback" — 입력값에 중요도(Weight)를 곱하고 더한 뒤, 특정 기준(Activation)을 넘으면 다음으로 신호를 전달하며, 틀렸을 경우 그 차이만큼 가중치를 조금씩 수정하는 반복적인 피드백 패턴. -- **핵심 구성 요소:** - - **Neuron (뉴런):** 신호를 받아 처리하는 가장 작은 단위. - - **Weight (가중치):** 데이터의 중요도. - - **Activation Function (활성화 함수):** 신호를 보낼지 말지 결정하는 스위치. - - **Layer (층):** 뉴런들이 모여 형성하는 단계 (입력층, 은닉층, 출력층). -- **의의:** AI의 블랙박스 같은 이미지를 걷어내고, 결국 '수많은 작은 계산기들의 협력'이라는 본질을 이해함으로써 더 깊은 학습으로 나아가는 징검다리 역할. - -## ⚠️ 모순 및 업데이트 (Contradictions & RL Update) -- **과거 데이터와의 충돌:** 신경망을 단순히 '생물학적 뇌의 복제품'으로 설명하던 과거 방식에서 벗어나, 이제는 '미분 가능한 거대한 수학 함수'로서의 공학적 측면을 명확히 전달하는 것이 현대 교육의 트렌드임. -- **정책 변화:** Antigravity 프로젝트는 신규 사용자가 시스템의 원리를 물을 때, 이 입문자용 신경망 개념을 바탕으로 비유와 직관을 곁들여 설명하는 '친절한 AI' 모드를 운용함. - -## 🔗 지식 연결 (Graph) -- Deep-Learning-Foundations, [[Multilayer-Perceptron-MLP]], Activation-Functions, [[Backpropagation]]-Foundations -- **Raw Source:** 10_Wiki/Topics/AI/Neural-Networks-for-Beginners.md diff --git a/10_Wiki/Topics/Pull Request (PR) 워크플로우.md b/10_Wiki/Topics/Pull Request (PR) 워크플로우.md deleted file mode 100644 index ca0d80b7..00000000 --- a/10_Wiki/Topics/Pull Request (PR) 워크플로우.md +++ /dev/null @@ -1,33 +0,0 @@ ---- -id: [[P-Reinforce]]-AUTO-47A74B -category: "10_Wiki/💡 Topics/AI" -confidence_score: 0.90 -tags: [auto-reinforced] -last_reinforced: 2026-04-20 -github_commit: "[P-Reinforce] Continuous Worker - [[Pull Request (PR)]] 워크플로우" ---- - -# [[Pull Request (PR) 워크플로우]] - -## 📌 한 줄 통찰 (The Karpathy Summary) -> Pull Request (PR) 워크플로우는 소프트웨어 개발 과정에서 코드 변경 사항이 메인 브랜치에 병합(merge)되기 전에 검토, 분석 및 승인되는 핵심 단계입니다 [1, 2]. 현대적인 PR 워크플로우는 인간 개발자의 수동 리뷰와 AI 기반 코드 리뷰, 정적 분석([[SAST]]) 등의 자동화 도구를 결합한 하이브리드 방식을 채택합니다 [3, 4]. 이를 통해 보안 취약점과 버그를 조기에 발견하고 PR 처리 시간을 크게 단축하여 전체적인 소프트웨어 배포의 안정성과 속도를 향상시킵니다 [5, 6]. - -## 📖 구조화된 지식 (Synthesized Content) -- **자동화 검증 및 품질 게이트 (Quality [[Gates]]) 통합:** PR이 생성되면 즉각적으로 린터(Linter), 정적 애플리케이션 보안 테스트(SAST), AI 리뷰 봇 등이 병렬로 실행되어 코드 변경 사항을 스캔합니다 [1, 7, 8]. 이 과정에서 보안 취약점, 메모리 누수, 코드 스멜 등을 사전에 찾아내며, 조직에서 설정한 코드 품질 및 보안 기준([[Quality Gates]])을 통과하지 못하면 PR 병합이 시스템적으로 차단됩니다 [9-11]. -- **하이브리드 리뷰(Hybrid Review) 체계:** 가장 효율적인 PR 워크플로우는 기계와 인간의 장점을 결합하여 이루어집니다 [12]. 자동화 도구는 구문 오류, 스타일 위반, 알려진 취약점 등 기계적인 검증과 사전 필터링을 빠르게 처리하여 리뷰어의 피로도를 낮춥니다 [3, 13]. 인간 리뷰어는 도구가 파악할 수 없는 아키텍처 결정의 트레이드오프, 복잡한 비즈니스 로직, 서비스 간의 상호 작용 등 문맥 파악이 필수적인 고차원적 판단에 집중합니다 [3, 4, 14]. -- **경로 기반 라우팅과 필수 승인 (Path-Based Routing):** GitHub의 CODEOWNERS나 GitLab의 승인 규칙 같은 기능을 통해, PR 내에서 변경된 파일 경로(예: 결제 모듈, 인증 로직)에 따라 적절한 전문 팀(보안 팀, 시니어 개발자 등)에게 자동으로 리뷰 요청을 할당합니다 [15, 16]. 자동화된 검사를 통과하고 지정된 검토자의 필수 승인을 모두 확보해야만 코드 병합(Merge)이 활성화되는 다단계 아키텍처를 가집니다 [8, 16]. -- **PR 주기 시간(Cycle Time) 단축 및 지표 관리:** 자동화된 리뷰 어시스턴트를 도입한 조직은 PR 생성부터 병합까지 걸리는 'PR 사이클 타임'과 '첫 리뷰까지의 시간'을 최대 40%까지 단축할 수 있습니다 [3, 5]. 이는 검토 대기열(Backlog)이 쌓이는 병목 현상을 방지하여, 개발자의 컨텍스트 스위칭 비용을 줄이고 배포 빈도(Deployment frequency)를 높이는 핵심 요소로 작용합니다 [5, 17]. - -## ⚠️ 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:** 수동 코드 리뷰(Manual [[Code Review]]), 자동화된 코드 리뷰(Automated Code Review), [[정적 애플리케이션 보안 테스트(SAST)]], [[Quality Gates]] -- **Projects/Contexts:** GitHub CODEOWNERS, CI/CD 파이프라인 -- **Contradictions/Notes:** 자동화된 AI PR 리뷰 봇은 프로세스를 가속화하지만, 때로는 사소하거나 가치 없는 코멘트를 대량으로 발생시켜 리뷰어에게 '경고 피로(Alert Fatigue)'를 유발할 수 있습니다 [18, 19]. 따라서 자동화 도구는 보조 수단일 뿐, 심층적인 아키텍처 결정은 여전히 인간의 수동 검토에 의존해야 합니다 [18]. - ---- -*Last updated: 2026-04-19* - ---- diff --git a/10_Wiki/Topics/Pull Request (PR).md b/10_Wiki/Topics/Pull Request (PR).md deleted file mode 100644 index da2437cd..00000000 --- a/10_Wiki/Topics/Pull Request (PR).md +++ /dev/null @@ -1,37 +0,0 @@ ---- -id: [[P-Reinforce]]-AUTO-3B4223 -category: "10_Wiki/💡 Topics/AI" -confidence_score: 0.90 -tags: [auto-reinforced] -last_reinforced: 2026-04-20 -github_commit: "[P-Reinforce] Continuous Worker - Pull Request (PR)" ---- - -# [[Pull Request (PR)]] - -## 📌 한 줄 통찰 (The Karpathy Summary) -> 풀 리퀘스트(Pull Request, PR)는 소프트웨어 개발 과정에서 개발자가 자신이 수정한 코드를 메인 브랜치에 병합(merge)하기 전, 다른 팀원이나 자동화 도구에게 코드 검토를 요청하는 워크플로우를 의미합니다 [1-3]. 이는 매뉴얼 코드 리뷰와 자동화된 정적 애플리케이션 보안 테스트([[SAST]]) 및 AI 코드 리뷰가 실행되는 주요 환경으로 작용합니다 [1, 3-5]. PR 단계에서 코드의 품질, 보안 취약점, 로직 오류 등을 사전에 식별하고 논의함으로써 프로덕션 환경에 결함이 배포되는 것을 방지하고 유지보수성을 높일 수 있습니다 [4, 6-8]. - -## 📖 구조화된 지식 (Synthesized Content) -* **코드 리뷰의 핵심 컨텍스트** - 풀 리퀘스트 워크플로우는 수동 및 자동화된 코드 리뷰가 이루어지는 필수적인 단계입니다 [3, 4]. 개발자들은 PR을 통해 코드를 병합하기 전에 버그, 보안 취약점, 스타일 위반, 성능 및 유지보수성 문제 등을 종합적으로 평가합니다 [1, 4]. 수동 리뷰에서 동료 개발자들은 PR을 검토하며 비즈니스 로직, 아키텍처 결정, 코드 가독성 등 자동화 도구가 파악하기 어려운 문맥과 의도를 검증합니다 [3, 8]. 동시에 [[SonarQube]], Snyk, Semgrep 등의 정적 분석 도구들은 PR 생성 시 CI/CD 파이프라인과 연동되어 코드를 스캔하고, 품질 기준을 충족하지 못할 경우 병합을 차단하는 게이트(gate) 역할을 수행합니다 [7, 9-11]. - -* **AI 기반 도구의 PR 통합** - 최근에는 다양한 AI 기반 코드 리뷰 및 보안 도구들이 PR 워크플로우 내에 직접 통합되어 개발자 경험과 리뷰 속도를 향상시키고 있습니다 [4, 7]. 예를 들어, GitHub Copilot이나 [[Semgrep Assistant]], Snyk Code와 같은 도구는 PR 토론(discussion) 스레드 내에 직접 컨텍스트 기반의 제안을 추가하거나 인라인으로 수정 코드를 제공합니다 [4, 9, 12-14]. 이 과정에서 AI는 단순한 오류 탐지를 넘어 PR 요약본을 생성하고 발견된 취약점에 대한 수정안을 자동으로 검증(Autofix)하여 시니어 개발자 및 리뷰어의 피로도를 크게 줄여줍니다 [12, 15-17]. - -* **생산성 및 딜리버리 지표 (Metrics)** - PR 워크플로우의 효율성은 조직의 소프트웨어 딜리버리 성과를 결정짓는 중요한 요소입니다 [18, 19]. AI 및 자동화 코드 리뷰 도구를 PR에 성공적으로 도입할 경우, 첫 리뷰까지 걸리는 시간(Time to first review)과 전체 PR 사이클 타임(PR cycle time)이 단축되어 최대 40%까지 리뷰 주기를 줄일 수 있습니다 [20, 21]. 결과적으로 PR 백로그가 누적되는 것을 막고 배포 빈도(Deployment frequency)를 높이며, 병합 후 발생하는 재작업(Post-merge rework) 및 핫픽스 비율을 낮추는 데 직접적으로 기여합니다 [20-22]. - -## ⚠️ 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 Review]], [[Static Application Security [[Testing]] (SAST)]], Continuous Integration/Continuous Deployment (CI/CD) -- **Projects/Contexts:** [[DevSecOps]], GitHub -- **Contradictions/Notes:** 자동화 및 AI 도구는 PR 내에서 발생하는 문법 오류나 알려진 보안 취약점을 빠르게 찾아내고 수정 제안을 제공하지만, 비즈니스 로직이나 아키텍처, 코드의 근본적인 의도를 파악하는 데에는 한계가 있으므로, 중요하고 민감한 변경 사항에 대해서는 인간 개발자의 수동 PR 리뷰가 반드시 병행되어야 합니다 [3, 8, 23]. - ---- -*Last updated: 2026-04-19* - ---- diff --git a/10_Wiki/Topics/Pull-Request.md b/10_Wiki/Topics/Pull-Request.md deleted file mode 100644 index 0e997d59..00000000 --- a/10_Wiki/Topics/Pull-Request.md +++ /dev/null @@ -1,31 +0,0 @@ ---- -id: [[P-Reinforce]]-AUTO-PULL-001 -category: "10_Wiki/💡 Topics/AI" -confidence_score: 0.96 -tags: [auto-reinforced, pull-request, code-review, git, collaboration, development-workflow] -last_reinforced: 2026-04-20 ---- - -# [[Pull-Request]] - -## 📌 한 줄 통찰 (The Karpathy Summary) -> "지식 합류의 공식 요청: 내가 작업한 코드를 원본 프로젝트에 합쳐달라는 청원이자, 동료들의 검토(Review)를 통해 품질을 보증받고 지식을 공유하며 팀의 수준을 동기화하는 '비동기적 협업의 의식'." - -## 📖 구조화된 지식 (Synthesized Content) -풀 리퀘스트(PR)는 분산 버전 관리 시스템(Git) 환경에서 코드 변경 사항을 검토받고 병합(Merge)하기 위한 프로세스입니다. - -1. **PR의 3단계 가치**: - * **Quality Control**: 동료가 내 코드의 에러나 개선점 발견. ([[Feedback-Loops]]와 연결) - * **Knowledge Transfer**: 팀원들이 서로의 작업 방식을 배우고 도메인 지식 공유. - * **Responsibility**: 승인(Approval)을 통해 작업의 결과를 공동의 책임으로 승격. -2. **왜 중요한가?**: - * 누구나 자유롭게 코드를 수정하면서도 전체 시스템의 안정성은 유지할 수 있게 만드는 '협업의 거버넌스'이기 때문임. ([[Standard-[[Opera]]ting-Procedure]]의 일부) - -## ⚠️ 모순 및 업데이트 (Contradictions & RL Update) -- **과거 데이터와의 충돌**: 과거에는 사람이 일일이 읽고 코멘트하는 정책이었으나, 현대 정책은 CI/CD 파이프라인 정책과 결합하여 보안 검사, 테스트 자동화 정책이 PR 직후 자동으로 일어나 사람이 '의미적 판단'에만 집중케 함(RL Update). -- **정책 변화(RL Update)**: AI 가 PR의 내용을 요약하고 변경된 부분의 잠재적 리스트를 분석하여 리포트를 제공하는 'AI 보조 코드 리뷰 정책'이 도입되어 리뷰 속도와 품질 정책을 혁신 중임. - -## 🔗 지식 연결 (Graph) -- [[Feedback-Loops]], [[Technical-Architecture]], [[Documentation-Strategy]], [[Efficiency]], [[Iteration]] -- **Modern Tech/Tools**: GitHub, GitLab, Bitbucket, Gerrit, PullRequest.com. ---- diff --git a/10_Wiki/Topics/RNN.md b/10_Wiki/Topics/RNN.md deleted file mode 100644 index a72791a3..00000000 --- a/10_Wiki/Topics/RNN.md +++ /dev/null @@ -1,30 +0,0 @@ ---- -id: [[P-Reinforce]]-AUTO-RNNN-001 -category: "10_Wiki/💡 Topics/AI" -confidence_score: 0.94 -tags: [auto-reinforced, rnn, [[Deep-Learning]], sequential-data, [[memory]], time-series] -last_reinforced: 2026-04-20 ---- - -# [[RNN]] - -## 📌 한 줄 통찰 (The Karpathy Summary) -> "기억을 가진 신경망: 한 번에 한 가지씩만 처리하는 일반 신경망과 달리, 이전 출력값이 다시 자신의 입력으로 들어가는 '순환' 구조를 통해 과거의 맥락(Context)을 기억하며 시계열 데이터나 문장을 이해하는 시간 여행자." - -## 📖 구조화된 지식 (Synthesized Content) -순환 신경망(RNN)은 노드 사이의 연결이 유향 사이클을 구성하는 신경망입니다. - -1. **특징**: - * **Sequence Data**: 문장, 음성, 주가 등 시간 순서가 중요한 데이터에 특화. - * **Hidden [[State]]**: 이전 단계의 정보를 압축해 들고 있는 '내적 기억 장치'. -2. **왜 중요한가?**: - * 언어의 변화 무쌍한 맥락 정책을 최초로 제대로 파악하기 시작한 도구이며, 오늘날 초거대 모델들이 있기까지 '기억력'의 기초를 닦았기 때문임. ([[NLP (Natural Language [[Processing]])]]와 연결) - -## ⚠️ 모순 및 업데이트 (Contradictions & RL Update) -- **과거 데이터와의 충돌**: 과거에는 긴 문장에서 앞부분을 잊어버리는 '기울기 소실(Vanishing Gradient) 정책' 문제로 고전했으나, 이를 해결한 [[LSTM]], GRU 정책이 등장함(RL Update). -- **정책 변화(RL Update)**: 현재는 모든 정보를 한꺼번에 보고 중요한 곳에 집중하는 '트랜스포머(Transformer) 정책'에게 최고 자리를 내주었으나, 연산 효율 정책이 중요한 온디바이스 AI 등에서는 여전히 변형된 RNN 구조 정책(RWKV 등)이 강력한 대안 정책으로 부상 중임. - -## 🔗 지식 연결 (Graph) -- [[NLP (Natural Language Processing)]], Deep Learning (DL), [[Memory-Hierarchy]], [[Logic]], [[Optimization]] -- **Modern Tech/Tools**: LSTM, GRU, PyTorch (nn.RNN), Sequence-to-Sequence. ---- diff --git a/10_Wiki/Topics/Recurrent-Neural-Networks.md b/10_Wiki/Topics/Recurrent-Neural-Networks.md deleted file mode 100644 index ac8c8fb8..00000000 --- a/10_Wiki/Topics/Recurrent-Neural-Networks.md +++ /dev/null @@ -1,28 +0,0 @@ ---- -id: DL-RNN-001 -category: "10_Wiki/💡 Topics/AI" -confidence_score: 1.0 -tags: [ai, [[Deep-Learning]], rnn, sequential-data, [[LSTM]], gru, nlp, time-series] -last_reinforced: 2026-04-26 ---- - -# Recurrent Neural Networks (RNN, 순환 신경망) - -## 📌 한 줄 통찰 (The Karpathy Summary) -> "과거의 기억(Hidden [[State]])을 현재의 입력과 섞어 끊임없이 순환시키며, 데이터 속에 숨겨진 '시간의 인과'와 '문맥의 흐름'을 포착하라" — 입력과 출력을 시퀀스 단위로 처리하여, 이전 단계의 정보가 다음 단계의 출력에 영향을 주도록 설계된 신경망 아키텍처. - -## 📖 구조화된 지식 (Synthesized Content) -- **추출된 패턴:** "Temporal Recurrence and Hidden State [[memory]]" — 현재의 출력값이 이전의 은닉 상태(Hidden State)에 의존하게 함으로써, 데이터가 들어온 순서(Sequence)를 인지하고 가변적인 길이의 입력을 처리할 수 있게 하는 패턴. -- **주요 진화 및 한계:** - - **Vanilla RNN:** 정보가 길어질수록 앞부분의 정보를 잊어버리는 '장기 의존성(Long-term Dependency)' 문제와 기울기 소실 발생. - - **[[LSTM (Long Short-Term Memory)]]:** 게이트(Gate) 구조를 도입하여 어떤 정보를 기억하고 지울지 스스로 결정. 장기 기억 능력 획득. - - **GRU:** LSTM을 간소화하여 연산 효율성 증대. -- **의의:** 텍스트 번역, 음성 인식, 주가 예측 등 순서와 맥락이 중요한 모든 시퀀스 데이터 분석의 지평을 연 핵심 기술. - -## ⚠️ 모순 및 업데이트 (Contradictions & RL Update) -- **과거 데이터와의 충돌:** 한 번에 하나의 단어만 처리하는 순차성 때문에 병렬 처리가 어렵다는 한계를 깨고, 현재는 모든 데이터를 한꺼번에 병렬로 보며 관계를 파악하는 '트랜스포머(Transformer)'가 주류가 되었으나, 초경량 실시간 시계열 예측에서는 여전히 RNN 계열이 효율적임. -- **정책 변화:** Antigravity 프로젝트는 에이전트의 로그 시퀀스 분석이나 실시간 센서 스트림 데이터 처리 시, 지연 시간(Latency)이 극히 낮은 RNN 기반의 경량 모델을 선별적으로 활용함. - -## 🔗 지식 연결 (Graph) -- [[Natural-Language-[[Processing]]-NLP]], [[Long-Short-Term-Memory]]-LSTM, [[Time-Series-Analysis]], Deep-Learning-Foundations -- **Raw Source:** 10_Wiki/Topics/AI/Recurrent-Neural-Networks.md diff --git a/10_Wiki/Topics/Reward Prediciton Error.md b/10_Wiki/Topics/Reward Prediciton Error.md deleted file mode 100644 index 5f989401..00000000 --- a/10_Wiki/Topics/Reward Prediciton Error.md +++ /dev/null @@ -1,11 +0,0 @@ ---- -id: [[P-Reinforce]]-AUTO-RWPE-TYPO -category: "10_Wiki/💡 Topics/AI" -redirect: "[[Reward Prediction Error]]" -last_reinforced: 2026-04-20 ---- - -# [[Reward Prediciton Error]] - -> [!NOTE] -> 본 파일은 오타가 포함된 파일명으로, 본 내용은 **[[Reward Prediction Error]]** 문서에서 통합 관리되고 있습니다. 위 링크로 이동해 주시기 바랍니다. 🫡🐟 diff --git a/10_Wiki/Topics/Reward Prediction Error (상태 예측 오류).md b/10_Wiki/Topics/Reward Prediction Error (상태 예측 오류).md deleted file mode 100644 index 4378791e..00000000 --- a/10_Wiki/Topics/Reward Prediction Error (상태 예측 오류).md +++ /dev/null @@ -1,11 +0,0 @@ ---- -id: [[P-Reinforce]]-AUTO-RWPE-KOR -category: "10_Wiki/💡 Topics/AI" -redirect: "[[Reward Prediction Error]]" -last_reinforced: 2026-04-20 ---- - -# [[Reward Prediction Error (상태 예측 오류)]] - -> [!NOTE] -> 본 내용은 **[[Reward Prediction Error]]** 문서에서 통합 관리되고 있습니다. 글로벌 지식 연결을 위해 영문 표준 명칭 문서를 사용합니다. 위 링크로 이동해 주시기 바랍니다. 🫡🐟 diff --git a/10_Wiki/Topics/SAST (Static Application Security Testing).md b/10_Wiki/Topics/SAST (Static Application Security Testing).md deleted file mode 100644 index b63b5c0f..00000000 --- a/10_Wiki/Topics/SAST (Static Application Security Testing).md +++ /dev/null @@ -1,27 +0,0 @@ ---- -id: [[P-Reinforce]]-SEC-[[SAST]] -category: "10_Wiki/💡 Topics/Security" -confidence_score: 0.99 -tags: [SAST, Security, SDLC, Code [[Analysis]]] -last_reinforced: 2026-04-20 ---- - -# SAST-(Static-Application-Security-[[Testing]]) (정적 보안 테스트) - -## 📌 한 줄 통찰 (The Karpathy Summary) -> "코드를 실행하기도 전에 구멍을 찾아라." 소프트웨어 개발 생명 주기(SDLC)의 가장 앞단([[Shift]]-Left)에서 소스 코드를 스캔하여 보안 취약점을 조기에 격리하는 기술이다. - -## 📖 구조화된 지식 (Synthesized Content) -- **White-box Testing**: - - 프로그램의 내부 구조와 소스 코드를 모두 알고 있는 상태에서 진행하는 분석. 데이터 흐름(Data Flow)과 제어 흐름(Control Flow)을 추적한다. -- **Vulnerability Coverage**: - - SQL Injection, Cross-Site Scripting(XSS), Buffer Overflow 등 잘 알려진 보안 패턴([[OWASP Top 10]] 등)을 자동으로 감시한다. -- **Shift-Left Security**: - - 배포 후(DAST)가 아니라 코딩 시점(IDE 통합)에 피드백을 주어, 보안 수정 비용을 수십 배 이상 절감한다. - -## ⚠️ 모순 및 업데이트 (RL Update) -- SAST의 가장 큰 적은 '오탐(False Positive)'이다. 실제로 안전하지만 위험하다고 경고하는 경우가 많아 개발자들의 피로도를 높인다. 이를 해결하기 위해 최근에는 AI가 오탐을 걸러주는 'AI-Driven SAST'가 주류로 자리 잡고 있다. - -## 🔗 지식 연결 (Graph) -- Related: Best-SAST-Tools-in-2026 , [[Deployment_Final_Gate]] -- Foundation: [[Reliability_Safety_First]] diff --git a/10_Wiki/Topics/SAST (정적 애플리케이션 보안 테스트).md b/10_Wiki/Topics/SAST (정적 애플리케이션 보안 테스트).md deleted file mode 100644 index 8becf2a4..00000000 --- a/10_Wiki/Topics/SAST (정적 애플리케이션 보안 테스트).md +++ /dev/null @@ -1,40 +0,0 @@ ---- -id: [[P-Reinforce]]-AUTO-4C10C5 -category: "10_Wiki/💡 Topics/AI" -confidence_score: 0.90 -tags: [auto-reinforced] -last_reinforced: 2026-04-20 -github_commit: "[P-Reinforce] Continuous Worker - [[SAST]] (정적 애플리케이션 보안 테스트)" ---- - -# [[SAST (정적 애플리케이션 보안 테스트)]] - -## 📌 한 줄 통찰 (The Karpathy Summary) -> SAST(정적 애플리케이션 보안 테스트)는 애플리케이션을 실행하지 않고 소스 코드나 바이트코드 자체를 분석하여 잠재적인 보안 취약점을 찾아내는 화이트박스 테스트(White-box [[Testing]]) 기법입니다 [1]. 소프트웨어 개발 수명 주기(SDLC)의 초기 단계에 통합되어 결함을 사전에 식별하고 조치함으로써 보안 문제를 빠르고 저렴하게 해결하는 '시프트 레프트([[Shift]]-Left)' 접근법의 핵심입니다 [2-4]. 최근에는 전통적인 규칙 기반의 한계를 극복하기 위해 머신러닝과 LLM을 결합하여 코드의 문맥을 이해하고 오탐을 줄이는 AI 기반 SAST로 발전하고 있습니다 [5, 6]. - -## 📖 구조화된 지식 (Synthesized Content) -* **탐지 영역 및 작동 방식:** SAST는 코드가 실행되기 전 구문, 구조, 제어 및 데이터 흐름을 정적으로 분석합니다 [1, 7]. 이 검사를 통해 SQL 인젝션, 크로스 사이트 스크립팅(XSS), 하드코딩된 민감정보(비밀번호 및 API 키), 경로 탐색, 불충분한 입력 검증 등 다양한 보안 결함을 식별합니다 [2, 8, 9]. -* **주요 이점:** - * **빠르고 독립적인 분석:** 테스트 케이스를 설계하거나 애플리케이션을 실행할 필요가 없어 전체 코드베이스를 신속하게 스캔할 수 있습니다 [10]. - * **정확한 위치 안내:** 취약점이 발생한 소스 코드의 정확한 파일 및 줄 번호와 데이터 흐름을 짚어주어 개발자가 즉각적으로 문제를 파악하고 수정할 수 있도록 돕습니다 [10]. -* **전통적인 SAST의 한계점:** - * 애플리케이션 실행 런타임의 컨텍스트나 비즈니스 로직의 의도를 완벽히 이해하지 못하기 때문에 다수의 오탐(False Positives)과 미탐(False Negatives)을 발생시킵니다 [11]. - * 분석이 사용된 특정 프로그래밍 언어의 지원 여부에 크게 종속된다는 단점이 있습니다 [11]. -* **AI 네이티브(AI-native) SAST의 등장:** - * 기존의 단순 패턴 매칭 규칙을 넘어 머신러닝을 도입한 최신 SAST 엔진(예: Snyk Code의 [[DeepCode AI]], [[Corgea]] 등)은 수백만 건의 실제 오픈소스 커밋과 수정 패턴을 학습하여 코드의 의미를 파악합니다 [6, 12, 13]. - * 여러 모듈이나 함수 경계를 넘어 데이터를 추적하는 파일 간 분석(Interfile [[Analysis]])이 가능해졌으며, 탐지된 취약점에 대해 AI가 자동 수정 코드(Auto-remediation)를 제안하고, 개발자에게 불필요한 경고를 줄여줍니다 [14-17]. -* **타 보안 테스트와의 연계:** SAST는 작동 중인 애플리케이션 외부에서 런타임 문제를 진단하는 DAST(동적 애플리케이션 보안 테스트), 서드파티 오픈소스 라이브러리의 취약점을 스캔하는 SCA(소프트웨어 구성 분석) 등과 함께 사용될 때 상호 보완적으로 전체 애플리케이션 보안을 극대화할 수 있습니다 [7, 18-20]. - -## ⚠️ 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:** [[DAST (동적 애플리케이션 보안 테스트)]], [[SCA (소프트웨어 구성 분석)]], [[시프트 레프트 (Shift-Left)]], 오탐 (False Positive), [[코드 리뷰 ([[Code Review]])]] -- **Projects/Contexts:** Snyk Code, [[Corgea]], [[SonarQube]], [[소프트웨어 개발 수명 주기 (SDLC)]] -- **Contradictions/Notes:** 소스에 따르면 수동 코드 리뷰는 문맥과 비즈니스 로직, 아키텍처를 깊이 이해하지만 속도가 느리고 비용이 큰 반면, 자동화된 SAST 도구는 매우 빠르고 일관적이지만 코드의 의도를 파악하지 못해 오탐이 발생한다는 뚜렷한 대비가 있습니다 [21-23]. 이에 따라 2025년의 모범 사례는 SAST와 같은 자동화 스캔 도구로 코드 스타일과 일반적인 보안 결함을 1차적으로 걸러내고, 인간 검토자는 자동화가 놓치는 핵심 로직 및 크로스 서비스 영향도 평가에 집중하는 '하이브리드 코드 리뷰' 모델을 채택하는 것입니다 [21, 24, 25]. - ---- -*Last updated: 2026-04-18* - ---- diff --git a/10_Wiki/Topics/SAST (정적 애플리케이션 보안 테스팅).md b/10_Wiki/Topics/SAST (정적 애플리케이션 보안 테스팅).md deleted file mode 100644 index ed83ed67..00000000 --- a/10_Wiki/Topics/SAST (정적 애플리케이션 보안 테스팅).md +++ /dev/null @@ -1,37 +0,0 @@ ---- -id: [[P-Reinforce]]-AUTO-8D39DE -category: "10_Wiki/💡 Topics/AI" -confidence_score: 0.90 -tags: [auto-reinforced] -last_reinforced: 2026-04-20 -github_commit: "[P-Reinforce] Continuous Worker - [[SAST]] (정적 애플리케이션 보안 테스팅)" ---- - -# [[SAST (정적 애플리케이션 보안 테스팅)]] - -## 📌 한 줄 통찰 (The Karpathy Summary) -> SAST(정적 애플리케이션 보안 테스팅)는 애플리케이션을 실행하지 않고 소스 코드나 바이트코드를 정적으로 분석하여 보안 취약점을 찾아내는 '화이트박스 테스팅' 기법입니다 [1, 2]. 개발 초기 단계(CI/CD 파이프라인이나 IDE)에 통합되어 취약점이 프로덕션 환경에 도달하기 전에 예방하는 [[Shift]]-Left 보안을 실현합니다 [3, 4]. 최근에는 규칙 기반 패턴 매칭의 한계를 넘어, 대형 언어 모델(LLM)과 기계 학습(ML)을 결합하여 문맥을 이해하고 자동으로 코드를 수정해주는 AI 기반 SAST로 진화하고 있습니다 [5-7]. - -## 📖 구조화된 지식 (Synthesized Content) -* **작동 방식 및 주요 탐지 영역:** - SAST 도구는 소스 코드를 파싱하여 구문 트리(Syntax Tree)를 구축한 후, 의미론(Semantic), 제어 흐름(Control flow), 데이터 흐름(Data flow), 구조적 분석 등을 적용하여 잠재적 문제를 탐지합니다 [8-10]. 이를 통해 인젝션 결함(SQL, NoSQL, Command 등), 크로스 사이트 스크립팅(XSS), 경로 탐색, 하드코딩된 자격 증명(비밀번호, API 키), 취약한 암호화, 메모리 관리 문제, 잘못 구성된 설정 등을 찾아냅니다 [1, 2, 11]. -* **SAST의 주요 장점:** - SAST는 코드를 실행하거나 별도의 테스트 케이스를 작성할 필요가 없으며, 개발자가 코드를 작성하는 즉시 실시간(Real-time)으로 매우 빠르게 스캔할 수 있습니다 [12, 13]. 문제가 있는 코드의 정확한 위치와 데이터 흐름을 짚어주기 때문에 취약점을 조기에 수정할 수 있어 시간과 비용을 크게 절약합니다 [13, 14]. -* **기존 SAST의 한계점:** - 기존 SAST 도구들은 실행 런타임의 컨텍스트나 비즈니스 로직의 의도를 온전히 파악하지 못해 오탐지(False Positive)를 많이 발생시키며(일부 레거시 도구의 경우 50~80%), 이로 인해 개발자가 알림 피로도(Alert fatigue)를 느끼게 됩니다 [15, 16]. 또한, 특정 프로그래밍 언어에 대한 의존성이 강하며, 프론트엔드와 백엔드를 오가는 복잡한 데이터 흐름을 완벽히 쫓아가지 못하는 한계가 있습니다 [9, 16]. -* **AI 기반 SAST의 등장:** - 최근의 SAST는 단순한 정적 패턴 매칭을 넘어 LLM 등 AI 엔진을 도입하여 맥락을 이해하는 방향으로 발전하고 있습니다 [3, 5]. AI 기반 SAST(예: [[Corgea]], Snyk Code 등)는 규칙만으로는 표현할 수 없는 복잡한 비즈니스 로직의 결함을 탐지하고, 오탐을 크게 줄여줍니다 [6, 7, 17]. 나아가 식별된 문제에 대해 실행 가능한 코드 패치(Auto-fix)를 자동으로 제안하고 검증하는 기능까지 제공합니다 [5, 18]. - -## ⚠️ 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:** DAST (동적 애플리케이션 보안 테스팅), [[SCA (소프트웨어 구성 분석)]], AI-powered SAST, [[수동 코드 리뷰 (Manual [[Code Review]])]] -- **Projects/Contexts:** Shift-Left 보안, CI/CD 및 IDE 통합, [[OWASP Top 10]] -- **Contradictions/Notes:** 자동화된 SAST는 매우 빠르고 일관되게 코드를 검사하지만 비즈니스 로직과 의도를 파악하는 데는 맹점이 존재하므로(Context Blindness), 런타임 환경을 분석하는 DAST 또는 설계와 맥락을 깊이 이해하는 수동 코드 리뷰(Manual Review)와 결합된 하이브리드 접근 방식이 권장됩니다 [15, 19, 20]. - ---- -*Last updated: 2026-04-18* - ---- diff --git a/10_Wiki/Topics/SAST.md b/10_Wiki/Topics/SAST.md deleted file mode 100644 index 45794b96..00000000 --- a/10_Wiki/Topics/SAST.md +++ /dev/null @@ -1,28 +0,0 @@ ---- -id: [[P-Reinforce]]-AI-SAST -category: "10_Wiki/💡 Topics/AI" -confidence_score: 0.98 -tags: [Security, SAST, [[DevSecOps]], Static[[Analysis]]] -last_reinforced: 2026-04-20 ---- - -# [[SAST (Static Application Security [[Testing]])]] (정적 애플리케이션 보안 테스팅) - -## 📌 한 줄 통찰 (The Karpathy Summary) -> "코드를 실행하지 않고 숨은 흉기를 찾아내는 엑스레이." 소스 코드를 분석하여 런타임 이전에 보안 취약점(SQL Injection, XSS 등)을 조기에 발견하는 DevSecOps의 핵심 프랙티스다. - -## 📖 구조화된 지식 (Synthesized Content) -- **Mechanism**: - - 코드를 파싱하여 추상 구문 트리(AST)나 제어 흐름 그래프(CFG)를 생성. - - 데이터가 신뢰할 수 없는 원천(Source)에서 위험한 지점(Sink)으로 흐르는지 추적하는 **Taint Analysis** 수행. -- **Key Features**: - - **[[Shift]]-Left Security**: 개발 초기 단계(IDE, PR)에서 보안 이슈를 해결하여 비용 절감. - - **Full Coverage**: 실행되지 않는 코드 경로까지 전수 조사 가능. -- **Popular Tools**: [[SonarQube]], Snyk, Semgrep, Checkmarx. - -## ⚠️ 모순 및 업데이트 (RL Update) -- SAST는 '오탐(False Positive)'이 많기로 유명하다. 맥락상 안전한 코드임에도 기계적으로 경고를 띄워 개발자의 피로도를 높일 수 있다. 이를 해결하기 위해 최근에는 AI가 오탐을 걸러내고 실제 위협만 요약해주는 'AI Guided SAST'가 주목받고 있다. - -## 🔗 지식 연결 (Graph) -- Related: [[DevSecOps]] , [[Abstract-Syntax-Tree-Transformation]] -- Contrast: DAST (Dynamic Application Security Testing) diff --git a/10_Wiki/Topics/Self-Correction Mechanisms.md b/10_Wiki/Topics/Self-Correction Mechanisms.md deleted file mode 100644 index d526d8be..00000000 --- a/10_Wiki/Topics/Self-Correction Mechanisms.md +++ /dev/null @@ -1,11 +0,0 @@ ---- -id: [[P-Reinforce]]-AUTO-SECO-RD1 -category: "10_Wiki/💡 Topics/AI" -redirect: "[[Self-Correction Mechanisms]]" -last_reinforced: 2026-04-20 ---- - -# [[self-correction mechanisms]] - -> [!NOTE] -> 본 파일은 소문자로 명명된 중복 파일로, 내용은 **[[Self-Correction Mechanisms]]** 문서에서 통합 관리되고 있습니다. 위 링크로 이동해 주시기 바랍니다. 🫡🐟 diff --git a/10_Wiki/Topics/Self-Correction.md b/10_Wiki/Topics/Self-Correction.md deleted file mode 100644 index 8c291636..00000000 --- a/10_Wiki/Topics/Self-Correction.md +++ /dev/null @@ -1,11 +0,0 @@ ---- -id: [[P-Reinforce]]-AUTO-SECO-RD2 -category: "10_Wiki/💡 Topics/AI" -redirect: "[[Self-Correction Mechanisms]]" -last_reinforced: 2026-04-20 ---- - -# [[Self-Correction]] - -> [!NOTE] -> 본 내용은 **[[Self-Correction Mechanisms]]** 문서에서 더 구체적이고 체계적으로 관리되고 있습니다. 위 링크로 이동해 주시기 바랍니다. 🫡🐟 diff --git a/10_Wiki/Topics/Stability.md b/10_Wiki/Topics/Stability.md deleted file mode 100644 index 921b0ee2..00000000 --- a/10_Wiki/Topics/Stability.md +++ /dev/null @@ -1,11 +0,0 @@ ---- -id: [[P-Reinforce]]-AUTO-STAB-RD -category: "10_Wiki/💡 Topics/AI" -redirect: "[[Stability vs Flexibility]]" -last_reinforced: 2026-04-20 ---- - -# [[Stability]] - -> [!NOTE] -> 안정성에 관한 단일 개념은 시스템 설계상의 트레이드오프를 다루는 **[[Stability vs Flexibility]]** 문서에서 통합하여 깊이 있게 다루고 있습니다. 위 링크로 이동해 주시기 바랍니다. 🫡🐟 diff --git a/10_Wiki/Topics/Static Application Security Testing (SAST).md b/10_Wiki/Topics/Static Application Security Testing (SAST).md deleted file mode 100644 index f71f08ae..00000000 --- a/10_Wiki/Topics/Static Application Security Testing (SAST).md +++ /dev/null @@ -1,34 +0,0 @@ ---- -id: [[P-Reinforce]]-AUTO-95EC02 -category: "10_Wiki/💡 Topics/AI" -confidence_score: 0.90 -tags: [auto-reinforced] -last_reinforced: 2026-04-20 -github_commit: "[P-Reinforce] Continuous Worker - Static Application Security [[Testing]] ([[SAST]])" ---- - -# [[Static Application Security Testing (SAST)]] - -## 📌 한 줄 통찰 (The Karpathy Summary) -> Static Application Security Testing(SAST)는 애플리케이션을 직접 실행하지 않고 소스 코드나 바이트코드를 분석하여 잠재적인 보안 취약점과 결함을 찾아내는 화이트박스 테스트(white-box testing) 기법입니다 [1, 2]. 이 방식은 소프트웨어 개발 수명 주기(SDLC)의 초기 단계에 적용되어 코드가 배포되기 전에 문제를 식별하고 수정할 수 있게 해줍니다 [1, 3, 4]. 최근에는 인공지능(AI)과 기계 학습(ML) 기술이 결합되어 전통적인 규칙 기반 탐지의 한계를 넘어 코드의 문맥을 이해하고, 자동으로 수정 코드를 제안하는 수준으로 진화하고 있습니다 [5-7]. - -## 📖 구조화된 지식 (Synthesized Content) -* **작동 원리 및 주요 탐지 영역:** SAST는 코드의 구조와 구문을 분석하며, 데이터 흐름(Data flow), 테인트 분석(Taint tracking) 및 의미론적 분석을 수행하여 외부에서 유입된 신뢰할 수 없는 데이터가 안전하게 처리되는지 추적합니다 [2, 8, 9]. 이를 통해 SQL 주입(SQL Injection), 크로스 사이트 스크립팅(XSS), 경로 탐색(Path traversal), 하드코딩된 비밀번호(Secrets) 등 [[OWASP Top 10]]에 해당하는 주요 보안 취약점을 탐지합니다 [10, 11]. -* **개발 워크플로우 통합 ([[Shift]]-Left 전략):** SAST의 가장 큰 장점 중 하나는 개발 초기에 보안을 내재화하는 'Shift-Left' 접근법을 가능하게 한다는 것입니다 [12-14]. IDE(통합 개발 환경), 풀 리퀘스트(Pull Request), CI/CD 파이프라인 등 개발자의 기존 워크플로우에 긴밀하게 통합되어 실시간 피드백을 제공하므로, 취약점을 발견하고 수정하는 데 드는 비용과 시간을 크게 절감할 수 있습니다 [15-20]. -* **전통적 SAST의 장점과 한계:** 앱을 실행할 필요가 없고, 테스트 케이스를 작성하지 않아도 전체 코드베이스를 검사할 수 있으며 자동화가 용이합니다 [19]. 더불어 PCI, OWASP, CWE 등 산업 표준 규정 준수를 증명하는 데 기여합니다 [11, 21]. 반면 런타임 컨텍스트가 부족하여 오탐률(False Positive)이 높을 수 있고(기존 도구의 경우 50~80%에 달함), 지원하는 프로그래밍 언어에 대한 의존성이 존재한다는 단점이 있습니다 [22-24]. -* **AI 기반 SAST의 등장:** 최근에는 Snyk Code, [[Corgea]] 등 거대 언어 모델(LLM)과 기계 학습을 도입한 차세대 SAST 도구들이 등장했습니다 [6, 7, 18, 22]. 이들은 파일 간 분석(Interfile [[Analysis]])을 통해 여러 모듈에 걸친 취약점을 추적하고 의미론적으로 코드를 이해함으로써 오탐률을 줄입니다 [25, 26]. 뿐만 아니라, 개발자가 즉각적으로 적용할 수 있는 자동 수정 코드(Auto-fix)까지 생성하여 신속한 조치를 돕습니다 [6, 27-30]. -* **타 보안 테스트 도구와의 차이점:** 실행 중인 상태의 애플리케이션을 외부에서 블랙박스 형태로 테스트하는 DAST(Dynamic Application Security Testing)와 대조적입니다 [1, 31]. 또한 서드파티 오픈소스 라이브러리의 알려진 취약점(CVE)과 라이선스를 검사하는 SCA(Software Composition Analysis)와 달리, SAST는 개발 팀이 직접 작성한 1사(자체) 소스 코드 내의 로직 결함을 찾아내는 데 집중합니다 [32, 33]. - -## ⚠️ 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:** Dynamic Application Security Testing (DAST), Software Composition Analysis (SCA), Shift-Left, False Positives, [[Artificial Intelligence (AI)]] [[Code Review]] -- **Projects/Contexts:** 소프트웨어 개발 수명 주기(SDLC) 내에서 보안을 강화하기 위해 CI/CD 파이프라인, IDE 플러그인, Pull Request 등에 연동하여 사용되는 맥락을 가집니다. 대표적인 도구로는 Snyk Code, [[Corgea]], [[SonarQube]], Checkmarx, Semgrep, Veracode, GitHub Advanced Security 등이 널리 사용되고 있습니다 [7, 18, 22, 27, 34-38]. -- **Contradictions/Notes:** 전통적인 정적 분석(SAST)은 빠르고 일관된 검사를 제공하지만, 비즈니스 로직에 대한 문맥 이해 부족과 높은 오탐률(False Positives)이라는 한계가 지적됩니다 [23, 24]. 이를 해결하기 위해 최근에는 사람이 판단을 내리는 수동 코드 리뷰(Manual Code Review)와 AI가 결합된 정적 분석을 혼합하여 사용하는 하이브리드(Hybrid) 접근 방식이 필수적인 보안 검토의 모범 사례로 권장되고 있습니다 [39-41]. - ---- -*Last updated: 2026-04-19* - ---- diff --git a/10_Wiki/Topics/Supervised-Learning (지도 학습 기초).md b/10_Wiki/Topics/Supervised-Learning (지도 학습 기초).md deleted file mode 100644 index bf664231..00000000 --- a/10_Wiki/Topics/Supervised-Learning (지도 학습 기초).md +++ /dev/null @@ -1,28 +0,0 @@ ---- -id: SUP-LEARN-001 -category: "10_Wiki/💡 Topics/AI" -confidence_score: 1.0 -tags: [ai, machine-learning, [[Supervised-Learning]], foundations] -last_reinforced: 2026-04-26 ---- - -# Supervised Learning Foundations (지도 학습 기초) - -## 📌 한 줄 통찰 (The Karpathy Summary) -> "정답지가 있는 데이터를 통해 문제와 해답 사이의 지도를 그려라" — 입력 데이터(Feature)와 정답(Label) 쌍을 학습하여, 새로운 입력이 들어왔을 때 정답을 예측하는 함수를 근사하는 가장 전형적인 머신러닝 방식. - -## 📖 구조화된 지식 (Synthesized Content) -- **추출된 패턴:** 사람이 라벨링한 풍부한 예시 데이터를 바탕으로 데이터 간의 통계적 관계를 파악하고, 이를 통해 미지의 데이터에 대한 범주(Classification)나 수치(Regression)를 추론하는 패턴. -- **핵심 요소:** - - **Dataset:** 입력(X)과 정답(Y)의 쌍으로 구성된 데이터셋. - - **Classification:** 이산적인 카테고리 중 하나로 분류 (예: 스팸 여부, 개/고양이 구분). - - **Regression:** 연속적인 수치를 예측 (예: 집값 예측, 주식 가격 추이). - - **Loss Minimization:** 모델의 예측값과 실제 정답 사이의 차이를 줄이는 방향으로 가중치 업데이트. - -## ⚠️ 모순 및 업데이트 (Contradictions & RL Update) -- **과거 데이터와의 충돌:** 초기 머신러닝의 주류였으나, 최근에는 막대한 양의 라벨링 비용 문제 때문에 자기 자기 지도 학습(Self-supervised Learning)과 상호 보완적인 관계로 발전 중. -- **정책 변화:** Antigravity 프로젝트는 문서 분류 및 감성 분석 등 명확한 기준이 필요한 태스크에 고도로 정제된 지도 학습 모델을 활용함. - -## 🔗 지식 연결 (Graph) -- Machine-Learning, [[Deep-Learning]], [[Objective-Functions]], [[Gradient-Descent]] -- **Raw Source:** 10_Wiki/Topics/AI/Supervised-Learning (지도 학습 기초).md diff --git a/10_Wiki/Topics/Supervised-Learning-Foundations.md b/10_Wiki/Topics/Supervised-Learning-Foundations.md deleted file mode 100644 index 38d79d69..00000000 --- a/10_Wiki/Topics/Supervised-Learning-Foundations.md +++ /dev/null @@ -1,28 +0,0 @@ ---- -id: AI-SUP-LEARN-001 -category: "10_Wiki/💡 Topics/AI" -confidence_score: 1.0 -tags: [ai, machine-learning, [[Supervised-Learning]], classification, regression, model-training, labels] -last_reinforced: 2026-04-26 ---- - -# Supervised Learning Foundations (지도 학습 기초) - -## 📌 한 줄 통찰 (The Karpathy Summary) -> "풍부한 '문제'와 선명한 '해설지(Labels)'를 기계에게 제시하고, 오차를 줄여나가는 집요한 반복을 통해 미지의 입력에 대한 정답을 맞히는 '예측의 지도'를 완성하라" — 입력 데이터와 그에 대응하는 정답이 주어진 상태에서 모델을 학습시켜 새로운 데이터의 출력값을 예측하는 머신러닝의 가장 대표적인 방법론. - -## 📖 구조화된 지식 (Synthesized Content) -- **추출된 패턴:** "Feature-to-Label Mapping and Empirical Risk Minimization" — 입력값($x$)과 출력값($y$) 사이의 함수($f(x)=y$)를 근사하기 위해, 모델의 예측과 실제 정답 사이의 차이(Loss)를 계산하고 이를 최소화하는 방향으로 파라미터를 업데이트하는 패턴. -- **주요 문제 유형:** - - **Classification:** 이산적인 범주 예측 (예: 스팸 메일 분류, 질병 진단). - - **Regression:** 연속적인 수치 예측 (예: 주택 가격 예측, 매출 전망). -- **핵심 프로세스:** 데이터 수집 → 전처리 → 모델 선택 → 학습(Training) → 검증(Validation) → 평가([[Testing]]) → 배포. -- **의의:** 기상 예보, 자율주행, 의료 판독 등 정답이 존재하고 데이터 확보가 가능한 거의 모든 실세계 인공지능 응용 분야의 근간이 됨. - -## ⚠️ 모순 및 업데이트 (Contradictions & RL Update) -- **과거 데이터와의 충돌:** 단순히 학습 데이터를 완벽히 외우는 것이 최고라 믿던 시대에서 벗어나, 이제는 학습하지 않은 새로운 데이터에 대한 성능(일반화, Generalization)을 높이기 위해 과적합([[Overfitting]])을 방지하는 규제([[Regularization]])와 검증 전략이 모델 설계의 성패를 좌우함. -- **정책 변화:** Antigravity 프로젝트는 에이전트의 지식 분류 및 답변 정확도 향상을 위해, 고품질의 레이블링된 데이터를 기반으로 하는 지도 학습 파이프라인을 지능의 핵심 기동 엔진으로 상시 운용함. - -## 🔗 지식 연결 (Graph) -- [[Deep-Learning]]-Foundations, [[Reinforcement-Learning]], [[Self-Supervised-Learning]], [[Performance-Metrics-in-AI]] -- **Raw Source:** 10_Wiki/Topics/AI/Supervised-Learning-Foundations.md diff --git a/10_Wiki/Topics/The Grammys.md b/10_Wiki/Topics/The Grammys.md deleted file mode 100644 index 5face607..00000000 --- a/10_Wiki/Topics/The Grammys.md +++ /dev/null @@ -1,11 +0,0 @@ ---- -id: [[P-Reinforce]]-AUTO-GRAM-RD -category: "10_Wiki/💡 Topics/AI" -redirect: "[[Recording Academy (The Grammys)]]" -last_reinforced: 2026-04-20 ---- - -# [[The Grammys]] - -> [!NOTE] -> 그래미 어워즈와 이를 주관하는 레코딩 아카데미에 관한 상세 내용은 **[[Recording Academy (The Grammys)]]** 문서에서 통합 관리하고 있습니다. 위 링크로 이동해 주시기 바랍니다. 🫡🐟 diff --git a/10_Wiki/Topics/가중치 (Prompt Weights).md b/10_Wiki/Topics/가중치 (Prompt Weights).md deleted file mode 100644 index 56a87c12..00000000 --- a/10_Wiki/Topics/가중치 (Prompt Weights).md +++ /dev/null @@ -1,26 +0,0 @@ -# [[가중치 ([[prompt]] Weights)]] - -## 📌[[ brief]] 시 Summary -프롬프트 가중치(Prompt Weights)는 인공지능 이미지 생성 모델이 텍스트 프롬프트 내 특정 단어나 구문(개념)에 부여하는 상대적인 중요도를 제어하는 기법입니다. 기본 가중치는 보통 1로 설정되며, 특수 기호나 숫자를 추가하여 특정 요소의 비중을 강화하거나 약화시킬 수 있습니다. 이를 통해 여러 시각적 요소나 개념이 결합될 때 이미지에 나타나는 반영 비율을 미세하게 통제하여 원하는 결과를 더욱 정밀하게 도출할 수 있습니다. - -## 📖 Core Content -* **플랫폼별 가중치 문법 및 적용 방식** - * **스테이블 디퓨전(Stable Diffusion)**: 주로 `(keyword:factor)` 형식을 사용하여 단어의 중요도를 숫자로 지정합니다[1]. 괄호 `()`를 씌우면 보통 1.1배의 강조를 의미하며, 대괄호 `[]`는 0.9배의 약화를 의미합니다[1, 2]. 플랫폼에 따라 단어 뒤에 `+`나 `-` 기호를 붙여 비중을 증감시키는 문법(`(beer)+`, `(beer)-`)을 사용하기도 합니다[3, 4]. - * **미드저니(Midjourney)**: 이중 콜론 `::` 기호 뒤에 숫자를 붙여 단어 간의 상대적 가중치를 부여합니다(예: `red car::2 blue car::1` 또는 `foggy forest::2 goblin bear::1`)[5, 6]. 또한 텍스트 프롬프트 외에도 이미지 가중치(`--iw`), 캐릭터 참조 가중치(`--cw`), 스타일 가중치(`--sw`), 옴니 참조 가중치(`--ow`) 등의 매개변수([[Parameter]]s)를 통해 참조하는 이미지와 텍스트 간의 반영 강도를 통제할 수 있습니다[7-10]. - -* **다중 개념(Multi-concept) 및 상대적 블렌딩** - 가중치는 두 개 이상의 시각적 아이디어를 섞어 표현할 때 매우 유용합니다. 예를 들어, 개와 고양이의 특성을 혼합하고 싶을 때 `cat:0.7, dog:0.3`과 같이 가중치 비율을 조절함으로써, 어떤 동물의 특징이 이미지에 더 주도적으로 나타날지 상대적인 균형을 통제할 수 있습니다[11]. - -* **부정 프롬프트(Negative Prompt)에서의 활용** - 원치 않는 요소를 제거할 때 쓰이는 부정 프롬프트 내에서도 가중치를 적용할 수 있습니다. 예를 들어 `(blurry:1.3)`나 `(deformed hands:1.2)`처럼 가중치를 부여하면, 모델의 샘플러가 해당 결함을 피하는 데 더 큰 주의를 기울이게 됩니다[12, 13]. 특정 부정적 요소가 이미지에 계속 나타날 경우 가중치를 높이는 것이 도움이 되지만, 과도하게 높이면 도리어 이미지를 망칠 수 있으므로 완만한 조절이 필요합니다[12, 13]. - -* **가중치 설정 시 주의사항 및 한계** - 너무 높은 가중치(예: 2 이상의 값)를 설정하거나 괄호를 무리하게 겹쳐 쓰면(예: `((dog:2.0))`) 단일 프롬프트가 과도하게 강해져 이미지가 붕괴하거나 품질 저하(Artifacts)가 발생할 위험이 커집니다[3, 14]. 전문가들은 극단적인 값보다는 0.5~0.7, 혹은 1.1~1.5 범위 내의 안전한 가중치를 권장합니다[15]. - -## 🔗 Knowledge Connections -- **Related Topics:** [[부정 프롬프트 (Negative Prompt)]], [[미드저니 매개변수 ([[Midjourney Parameter]]s)]], [[스테이블 디퓨전 (Stable Diffusion)]] -- **Projects/Contexts:** 복합적인 주제나 상충되는 시각적 요소를 하나의 프롬프트에 담아낼 때 요소 간의 주도권(균형)을 조절하거나, 참조 이미지([[Reference]] Image)와 텍스트 지시어 간의 중요도 밸런스를 맞추는 이미지 생성 및 디버깅 과정. -- **Contradictions/Notes:** 가중치를 인식하는 파서([[Parser]]) 및 문법은 플랫폼마다 차이가 존재합니다. 일부 스테이블 디퓨전 오픈소스 인터페이스에서는 괄호 `()`와 대괄호 `[]`로 가중치를 증감시키지만, 특정 상용 플랫폼(예: getimg.ai)에서는 이 문법을 지원하지 않고 오직 `+/-` 기호나 명확한 숫자 가중치만 인식하며 괄호를 단순한 단어 묶음용으로만 취급하므로 자신이 사용하는 툴의 지원 문법을 확인해야 합니다[16, 17]. - ---- -*Last updated: [[2026-04-30]]* diff --git a/10_Wiki/Topics/네거티브 프롬프트 (Negative Prompts).md b/10_Wiki/Topics/네거티브 프롬프트 (Negative Prompts).md deleted file mode 100644 index 43562d47..00000000 --- a/10_Wiki/Topics/네거티브 프롬프트 (Negative Prompts).md +++ /dev/null @@ -1,24 +0,0 @@ -# [[네거티브 프롬프트 (Negative [[prompt]]s)]] - -## 📌[[ brief]] Summary -네거티브 프롬프트(Negative Prompts)는 AI 이미지 생성 모델에게 결과물에 포함되지 말아야 할 시각적 요소나 개념을 명시적으로 지시하는 프롬프트 작성 기법입니다. 긍정 프롬프트가 생성할 대상의 목표 지점을 정의한다면, 네거티브 프롬프트는 모델이 피해야 할 경계를 설정하는 회피 지도(Avoidance map) 역할을 합니다 [1, 2]. 이를 통해 해부학적 오류나 불필요한 아티팩트 등을 차단하여 이미지의 품질을 제어하고 최적화할 수 있습니다 [3-5]. - -## 📖 Core 구체 -* **작동 원리 및 효과**: - 네거티브 프롬프트는 단순한 사후 필터링이 아니라, 확산(Diffusion) 과정 중에 모델이 원치 않는 방향(예: 저해상도, 기형적인 손가락, 워터마크, 의도하지 않은 CGI 느낌)으로 빠지지 않도록 지속적으로 유도하는 메커니즘입니다 [3, 6]. 'bad'와 같은 모호하고 포괄적인 단어보다는 'extra fingers', 'misaligned eyes', 'text'처럼 눈에 띄는 결함을 구체적이고 물리적인 명사로 진단하여 묘사할 때 두 배 이상의 정밀도를 보입니다 [7-9]. 적절히 사용하면 원하는 시각적 결과물에 도달하기 위한 반복 생성(Reroll) 횟수를 최대 80%까지 줄여줍니다 [4, 10]. - -* **플랫폼별 메커니즘 및 한계**: - * **스테이블 디퓨전(Stable Diffusion)**: 네거티브 프롬프트가 매우 핵심적인 제어 수단으로 작동합니다 [5, 10]. 가중치 조절 문법(예: `(blurry:1.3)`)을 적용하여 특정 결함에 대한 거부 강도를 높일 수 있습니다 [11]. 단, 너무 방대한 부정 키워드의 나열은 오히려 개념적 혼란을 초래할 수 있으므로, 5~10개 내외의 타겟팅된 단어에 가중치를 부여해 사용하는 것이 품질 유지에 효과적입니다 [12]. 확산 10단계(Step 10) 이후에 주된 영향력을 발휘하기 때문에 초기부터 너무 강한 가중치를 주면 구조적 왜곡이 일어날 수 있습니다 [12, 13]. - * **미드저니(Midjourney)**: 일반적인 문장에 "without"이나 "no"를 포함시키는 것보다 프롬프트 끝에 `--no` 파라미터(예: `--no text, watermark`, `--no trees`)를 명시적으로 선언하는 것이 원치 않는 요소를 제거하는 데 훨씬 효과적입니다 [14-17]. - * **DALL-E 3**: 다른 모델들과 달리 "not", "no", "without"과 같은 부정 지시어(Negations)를 거의 이해하지 못하는 치명적인 약점이 있습니다 [18-20]. 예를 들어 "케이크 없이(no cake)"라고 지시하면 오히려 결과물에 케이크가 등장할 확률이 높습니다 [16, 18]. 따라서 DALL-E에서는 제외할 요소를 언급하기보다 구현되기를 원하는 긍정적인 특성만을 상세히 묘사하여 우회하는 것이 필수적입니다 [19]. - -* **작성 전략 및 워크플로우 (Best Practices)**: - 모든 프롬프트에 기계적으로 길고 복잡한 부정 프롬프트를 복사해 붙여넣는 것은 피해야 합니다. 이는 애니메이션 스타일을 원할 때 사진 같은 사실성을 강제하는 등 의도한 스타일까지 훼손할 위험이 있습니다 [21-23]. 올바른 워크플로우는 긍정 프롬프트로 기본 이미지를 먼저 생성한 후, 반복적으로 발생하는 결함(예: 피부가 플라스틱처럼 보임)을 파악하고, 그 증상에 맞는 타겟팅된 부정 키워드(예: `waxy skin`, `plastic`)를 최소한으로 추가하며 점진적으로 정제(Iterative [[Refinement]])해 나가는 것입니다 [8, 23-25]. - -## 🔗 Knowledge Connections -- **Related Topics:** [[스테이블 디퓨전 (Stable Diffusion)]], [[프롬프트 가중치 (Prompt Weights)]], [[미드저니 파라미터 ([[Midjourney Parameter]]s)]] -- **Projects/Contexts:** [[이미지 결함 수정 및 품질 최적화 워크플로우]] -- **Contradictions/Notes:** 스테이블 디퓨전과 미드저니(`--no` 파라미터)에서는 네거티브 프롬프트가 정밀한 이미지 통제를 위한 필수적인 수단으로 작용하지만, DALL-E 3 모델은 부정적 문맥을 이해하지 못하고 오히려 거부하려던 피사체를 생성해버리는 모순적인 한계(Negation Handling Issue)를 가지고 있어 플랫폼에 따라 적용 전략이 완전히 달라져야 합니다. - ---- -*Last updated: [[2026-04-30]]* diff --git a/10_Wiki/Topics/네거티브 프롬프트(Negative Prompt).md b/10_Wiki/Topics/네거티브 프롬프트(Negative Prompt).md deleted file mode 100644 index 67563548..00000000 --- a/10_Wiki/Topics/네거티브 프롬프트(Negative Prompt).md +++ /dev/null @@ -1,27 +0,0 @@ -# [[네거티브 프롬프트(Negative [[prompt]])]] - -## 📌[[ brief]] Summary -네거티브 프롬프트(Negative Prompt)는 AI 이미지 생성 모델에게 최종 이미지에 나타나지 말아야 할, 즉 배제할 시각적 요소나 개념을 명시적으로 지시하는 프롬프트 작성 기법이다 [1-3]. 단순히 사후 필터링을 하는 것이 아니라 확산(Diffusion) 및 이미지 생성 과정에서 모델이 원치 않는 방향으로 진행되는 것을 막는 '회피 지도(avoidance map)' 역할을 수행한다 [2, 4]. 사용자는 이를 통해 흐릿함, 신체 변형, 워터마크 등 모델의 전형적인 생성 결함을 방지하고 원하는 품질과 스타일을 일관성 있게 확보할 수 있다 [5-8]. - -## 📖 Core Content - -* **네거티브 프롬프트의 핵심 역할과 원리** - 긍정 프롬프트(Positive Prompt)가 이미지가 도달해야 할 '목표(target)'를 설정한다면, 네거티브 프롬프트는 이미지의 '경계([[Boundaries]])'를 정의한다 [4, 5]. 긍정 프롬프트 내에 "without"이나 "no"와 같은 부정어를 사용하면 모델이 오히려 그 단어에 집중해 원치 않는 객체를 생성하는 역효과를 낳을 수 있으므로, 전용 네거티브 기능이나 파라미터를 사용해야 한다 [1, 9]. 네거티브 프롬프트는 단순히 이미지를 다듬는 용도뿐만 아니라 재시도(reroll) 횟수를 대폭 줄여주고, 모델이 학습 데이터에서 무의식적으로 가져오는 편향(예: 너무 반짝이는 피부, 텍스트의 무작위 삽입 등)을 강력히 차단해준다 [6, 10, 11]. - -* **효과적인 작성 전략 및 가중치 제어** - * **구체성 확보:** "bad(나쁜)"나 "ugly(못생긴)"와 같은 포괄적이고 모호한 단어보다는 "extra fingers(여분의 손가락)", "misaligned eyes(어긋난 눈)", "watermark(워터마크)" 등 시각적으로 명확한 결함을 직접적으로 지목하는 것이 훨씬 높은 제어력을 발휘한다 [12-14]. - * **스타일에 따른 분리 적용:** 추구하는 화풍에 따라 배제해야 할 요소도 달라진다. 예를 들어, 실사(Photorealistic) 초상화를 생성할 때는 `cgi, render, cartoon, painting` 등을 네거티브 프롬프트로 차단하고, 반대로 애니메이션/일러스트 스타일을 생성할 때는 `photograph, realistic`과 같은 실사 키워드를 배제하여 스타일이 섞이는 것을 막아야 한다 [8, 15, 16]. - * **가중치(Weight)와 과교정 방지:** 일반적인 품질 저하 단어들을 끝없이 나열하는 방대한 네거티브 리스트는 오히려 이미지의 전체적인 구조를 혼탁하게 만들 수 있다 [17, 18]. 5~10개 내외의 타겟팅된 단어를 사용하고, 특정 요소가 계속 나타날 경우 `(blurry:1.5)`와 같이 괄호와 숫자를 통해 해당 네거티브 키워드의 회피 가중치를 세밀하게 조정하여 억제하는 방식이 권장된다 [3, 14, 18]. - -* **주요 AI 모델별 네거티브 프롬프트 적용** - * **스테이블 디퓨전(Stable Diffusion):** 전용 부정 프롬프트(Negative Prompt) 섹션을 지원하여 변형된 손가락이나 저화질 요소를 명시적으로 차단할 수 있으며, 가중치 구문을 적극적으로 활용할 수 있다 [3]. - * **미드저니(Midjourney):** 텍스트 프롬프트 뒤에 `--no` 파라미터를 붙여 배제할 요소를 지정한다 (예: `a medieval town --no buildings, cobblestone`) [19]. - * **DALL-E 3:** 시스템 구조상 "not", "without"과 같은 부정어를 잘 처리하지 못하고 입력된 단어를 그대로 이미지에 구현하려는 특성이 있다. 따라서 DALL-E 3에서는 네거티브 프롬프트 대신, 원하는 긍정적인 특성을 더 강력하게 묘사하는 방식으로 우회해야 한다 [9, 20, 21]. - -## 🔗 Knowledge Connections -- **Related Topics:** [[프롬프트 가중치(Prompt Weights)]], [[CFG 스케일(CFG Scale)]], [[파라미터([[Parameter]]s)]] -- **Projects/Contexts:** [[스테이블 디퓨전(Stable Diffusion) 이미지 최적화 및 제어]], [[미드저니(Midjourney) 파라미터 튜닝]] -- **Contradictions/Notes:** 미드저니와 스테이블 디퓨전은 강력한 전용 네거티브 기능(`--no` 명령어 및 Negative Prompt 영역)을 지원하여 결과물 품질 향상에 크게 기여하지만 [1, 3, 19], DALL-E 3의 경우 부정어 처리 능력이 취약하여 네거티브 프롬프트를 시도할 경우 오히려 원치 않는 텍스트나 사물이 결과물에 나타나는 모순적 결과를 초래하므로 긍정적 묘사에 집중해야 한다고 안내한다 [9, 20, 21]. - ---- -*Last updated: [[2026-04-30]]* diff --git a/10_Wiki/Topics/드래프트 모드 (Draft Mode).md b/10_Wiki/Topics/드래프트 모드 (Draft Mode).md deleted file mode 100644 index ffea39a3..00000000 --- a/10_Wiki/Topics/드래프트 모드 (Draft Mode).md +++ /dev/null @@ -1,23 +0,0 @@ -# [[드래프트 모드 (Draft Mode)]] - -## 📌[[ brief]] Summary -드래프트 모드(Draft Mode)는 미드저니 V7(Midjourney V7)에서 새롭게 도입된 기능으로, `--draft` 매개변수를 사용하여 표준 생성보다 약 10배 빠른 속도로 초기 시안을 만들어내는 모드입니다 [1-3]. 월간 고속(Fast) GPU 시간을 절약하면서 아이디어를 테스트하고 프롬프트를 다듬는 데 유용하게 사용됩니다 [2, 4]. 이를 통해 창작자는 수많은 아이디어를 저비용으로 신속하게 시각화한 뒤, 가장 유망한 결과물을 선택하여 고해상도(HD) 렌더링으로 발전시키는 효율적인 워크플로우를 구축할 수 있습니다 [3, 5]. - -## 📖 Core Content -* **작동 방식 및 비용 효율성:** - 드래프트 모드는 프롬프트 끝에 `--draft` 태그를 추가하여 실행합니다 [2, 4]. 표준 이미지 생성에 비해 속도는 약 10배 빠르며 GPU 비용은 대략 절반 수준으로 감소하지만, 그 대신 상대적으로 약간 낮은 품질(rough concepts)의 이미지가 출력됩니다 [2, 4, 6]. 이는 초기 아이디어 탐색(early exploration)이나 빠른 변형을 만들어내는 데 최적화되어 있습니다 [2]. -* **프롬프트 작성 및 시각화의 혁신:** - 모든 프롬프트가 즉시 완성된 자산(finished asset)을 만들어내야 한다는 기존의 접근 방식을 바꿔, '디자인 검토 루프(design review loop)'와 유사한 다단계 창작 프로세스를 가능하게 합니다 [7]. 전문가들은 이 기능을 활용하여 수천 개의 아이디어를 즉각적으로 시각화하고 최적의 구도를 빠르게 찾아냅니다 [3]. -* **권장되는 워크플로우 패턴:** - 1. 사용자의 의도와 제약 조건을 바탕으로 저렴한 드래프트 생성을 통해 다양한 프롬프트와 종횡비를 가진 여러 시안(candidates)을 생성합니다 [5, 7]. - 2. 생성된 시안 중 유망한 구도나 방향성을 선택하여 추려냅니다 [3, 5, 7]. - 3. 최종 선택된 시안을 전체 해상도의 고품질(high-quality) 렌더링으로 승격(promote) 및 세분화(refine)합니다 [3, 5, 7, 8]. - 4. 후속 작업 시 이전에 성공적이었던 시드([[Seed]]s), 참조([[Reference]]s), 스타일 방향을 재사용하여 작업을 이어갑니다 [5]. - -## 🔗 Knowledge Connections -- **Related Topics:** [[Midjourney V7]], [[Parameters (매개변수)]], [[Prompt [[Iteration]] (프롬프트 반복 및 세분화)]] -- **Projects/Contexts:** [[미드저니를 활용한 효율적인 시각적 아이디어 탐색 및 워크플로우 구축]] -- **Contradictions/Notes:** 소스에 따르면, 드래프트 모드는 빠르고 비용이 적게 들지만 생성된 이미지의 품질이 표준 생성보다 낮으므로, 최종 결과물을 얻기보다는 본격적인 렌더링 전 아이디어를 테스트하고 프롬프트를 완성하는 목적으로 사용하는 것이 권장됩니다 [4, 5]. - ---- -*Last updated: [[2026-04-30]]* diff --git a/10_Wiki/Topics/디퓨전 모델 (Diffusion Models).md b/10_Wiki/Topics/디퓨전 모델 (Diffusion Models).md deleted file mode 100644 index 217dcd4f..00000000 --- a/10_Wiki/Topics/디퓨전 모델 (Diffusion Models).md +++ /dev/null @@ -1,19 +0,0 @@ -# [[디퓨전 모델 (Diffusion Models)]] - -## 📌[[ brief]] Summary -디퓨전 모델(Diffusion Models)은 텍스트 프롬프트나 기존 이미지를 기반으로 새롭고 고품질의 이미지를 생성하는 혁신적인 생성형 인공지능 아키텍처입니다 [1, 2]. 이 모델은 원본 데이터에 점진적으로 노이즈를 추가하는 과정을 학습한 뒤, 무작위 노이즈 상태에서 반복적인 디노이징(Denoising)을 거쳐 의도한 이미지를 복원 및 형태화하는 방식으로 작동합니다 [2, 3]. 안정적인 학습과 미세한 생성 제어가 가능하여 미드저니(Midjourney), 스테이블 디퓨전(Stable Diffusion) 등 현재 주요 AI 이미지 생성 플랫폼의 핵심 기술로 활용되고 있습니다 [2-4]. - -## 📖 Core Content -* **작동 메커니즘 (정방향 및 역방향 확산):** 디퓨전 모델의 학습은 두 가지 주요 과정으로 나뉩니다. 정방향 확산(Forward Diffusion) 과정에서는 원본 데이터에 가우시안 노이즈(Gaussian [[Noise]])를 점진적으로 추가하여 데이터가 순수한 노이즈로 변하는 과정을 모델이 학습합니다 [1]. 반대로 역방향 확산(Reverse Diffusion) 과정에서는 모델이 노이즈 추가 과정을 역으로 추적하여 체계적으로 데이터를 디노이징하고 원본 입력을 재구성하는 방법을 배웁니다 [2]. -* **이미지 생성 과정:** 사용자가 텍스트 프롬프트를 입력하면, 모델은 프롬프트를 데이터로 변환한 뒤 순수한 무작위 노이즈에서 시작하여 학습된 디노이징 단계를 반복적으로 적용합니다 [2, 3]. 텍스트 데이터를 바탕으로 노이즈를 깎아내며 최종적이고 일관된 이미지를 시각화하게 되며, 이러한 확산 및 렌더링 과정을 이해하면 미드저니의 `--stop`과 같은 매개변수를 사용하여 렌더링 도중 출력물의 세부 사항을 제어하는 프롬프트를 작성하는 데 도움이 됩니다 [3, 5]. -* **모델의 장점:** 디퓨전 모델은 GAN(생성적 적대 신경망)과 같은 다른 모델에 비해 훈련 과정이 더 안정적입니다 [2]. 또한 고품질의 다양하고 디테일한 출력물을 생성할 수 있으며, 반복적인 생성 과정 덕분에 사용자가 여러 생산 단계에서 개입하고 조정할 수 있는 세밀한 제어(Fine-Grained Control) 기능을 제공합니다 [2]. -* **모델의 단점:** 반복적인 디노이징 과정은 상당한 컴퓨팅 리소스를 필요로 하므로, GAN과 같은 모델에 비해 이미지 생성 속도가 느리다는 단점이 있습니다 [6]. 또한 스테이블 디퓨전과 같은 오픈소스 모델의 경우, 전문 지식이나 적절한 하드웨어 없이 초보자가 로컬 환경에 직접 설정하고 구성하기에는 복잡성이 높습니다 [6, 7]. -* **대표적인 플랫폼 적용:** 미드저니(Midjourney)는 폐쇄형 소스의 디퓨전 모델을 사용하여 시네마틱한 조명과 예술적 디테일에 강점을 보이며, 스테이블 디퓨전(Stable Diffusion)은 사용자가 프롬프트 가중치 등을 통해 결과를 직접 커스터마이징하고 로컬에 배포할 수 있는 오픈소스 디퓨전 모델을 제공합니다 [3, 4, 7]. - -## 🔗 Knowledge Connections -- **Related Topics:** [[프롬프트 매개변수 제어 ([[prompt]] [[Parameter Control]])]], [[생성적 적대 신경망 (GANs)]], [[분류기 없는 안내 척도 (CFG Scale)]] -- **Projects/Contexts:** [[Midjourney (미드저니)]], [[Stable Diffusion (스테이블 디퓨전)]], [[DALL-E 3]] -- **Contradictions/Notes:** 디퓨전 모델은 GAN(Generative Adversarial Networks)에 비해 훈련이 안정적이고 프롬프트를 통한 세밀한 제어가 가능하여 고품질의 결과를 도출하지만, 반복적인 연산 과정으로 인해 컴퓨팅 자원 소모가 크고 생성 시간이 상대적으로 더 느리다는 기술적 상충 관계가 있습니다 [2, 6]. 또한 상용 클라우드 기반 디퓨전 모델(미드저니, DALL-E)은 텍스트 이해도나 예술적 스타일링이 뛰어나고 접근이 쉬운 반면 제한사항 및 비용이 발생하고, 오픈소스 디퓨전 모델(스테이블 디퓨전)은 무료로 로컬 프라이버시와 강력한 제어를 제공하지만 높은 하드웨어 사양과 설정의 복잡성을 요구합니다 [7]. - ---- -*Last updated: [[2026-04-30]]* diff --git a/10_Wiki/Topics/리믹스 모드 (Remix Mode).md b/10_Wiki/Topics/리믹스 모드 (Remix Mode).md deleted file mode 100644 index dc10c223..00000000 --- a/10_Wiki/Topics/리믹스 모드 (Remix Mode).md +++ /dev/null @@ -1,17 +0,0 @@ -# [[리믹스 모드 (Remix Mode)]] - -## 📌[[ brief]] Summary -리믹스 모드(Remix Mode)는 미드저니(Midjourney)에서 기생성된 이미지의 프롬프트 텍스트와 매개변수를 변경하여 새로운 변형 이미지를 생성할 수 있게 해주는 기능이다 [1]. 이를 통해 사용자는 기존 이미지의 구성을 바탕으로 스타일이나 씬을 조정하고, 특정 요소를 제거하거나 종횡비를 변경하는 등의 세밀한 후속 작업이 가능하다 [1-3]. 특히 'Vary (Region)' 기능과 결합하여 이미지의 특정 영역에만 새로운 프롬프트를 적용하는 정교한 합성 및 편집 작업에 필수적으로 활용된다 [4, 5]. - -## 📖 Core Content -- **기본 개념 및 제어 기능:** 리믹스 모드는 사용자가 프롬프트 텍스트와 매개변수([[Parameter]])를 자유롭게 변경하여 이미지가 전개되는 방향을 창의적으로 조종할 수 있게 하는 강력한 도구이다 [1]. 디스코드(Discord) 환경에서 원하는 이미지 하단의 V 버튼을 클릭하면 리믹스 프롬프트가 열리며, 이를 통해 씬이나 스타일을 조정하거나 "no" 매개변수를 추가하여 특정 요소를 삭제하고 종횡비를 수정할 수 있다 [2, 3]. -- **Vary (Region) 기능과의 통합 활용:** 리믹스 모드는 미드저니의 부분 수정 기능인 'Vary (Region)' 툴과 함께 사용할 때 더욱 강력한 효과를 발휘한다 [4-6]. 설정에서 리믹스 모드를 활성화해두면, Vary (Region) 편집기 내에서 사용자가 선택한 특정 영역에만 새로운 프롬프트를 직접 입력하여 매우 정교한 인페인팅(Inpainting) 합성을 진행할 수 있다 [4, 5]. -- **효과적인 프롬프트 작성 방법:** 리믹스 모드를 켠 상태로 특정 영역을 변경할 때는 길고 서술적인 문장보다 짧고 직접적인 프롬프트를 사용하는 것이 가장 효과적이다 [7]. AI 모델이 이미 기존 이미지를 맥락으로 고려하고 있기 때문에, "초원 오솔길을 아름다운 시냇물로 바꿔주세요"라고 길게 지시하기보다는 변경을 원하는 대상 자체에 집중하여 "초원 시냇물(meadow stream)"이라고 간결하게 입력하는 것이 바람직하다 [7]. - -## 🔗 Knowledge Connections -- **Related Topics:** [[Vary (Region)]], [[매개변수 (Parameters)]], [[인페인팅 (Inpainting)]] -- **Projects/Contexts:** [[미드저니 이미지 편집 워크플로우]] -- **Contradictions/Notes:** 미드저니 웹사이트 환경과 디스코드(Discord) 앱 환경 간에 리믹스 모드의 구체적인 작동 방식에는 약간의 차이가 존재한다 [1]. - ---- -*Last updated: [[2026-04-30]]* diff --git a/10_Wiki/Topics/매개변수(Parameters).md b/10_Wiki/Topics/매개변수(Parameters).md deleted file mode 100644 index c76ded8f..00000000 --- a/10_Wiki/Topics/매개변수(Parameters).md +++ /dev/null @@ -1,25 +0,0 @@ -# [[매개변수([[Parameter]]s)]] - -## 📌[[ brief]] Summary -매개변수(Parameters)는 AI 이미지 생성 시 사용자가 원하는 결과물을 정밀하게 제어하기 위해 프롬프트 텍스트 끝에 추가하는 특수 명령어 또는 수정자(modifier)입니다. 이를 통해 이미지의 종횡비, 예술적 스타일의 강도, 무작위성, 모델 버전, 그리고 참조 이미지의 반영 정도 등을 맞춤 설정할 수 있습니다. 텍스트로만 묘사하기 어려운 기술적, 형태적 요구사항을 제어하여 이미지의 완성도를 높이는 데 필수적인 역할을 합니다 [1-3]. - -## 📖 Core Content -* **매개변수 작성 규칙 및 형식** - 미드저니(Midjourney)와 같은 AI 이미지 생성기에서 매개변수는 항상 프롬프트의 텍스트 설명이 모두 끝난 가장 마지막에 위치해야 합니다 [1, 4]. 매개변수는 보통 이중 하이픈(`--`) 또는 엠대시(`—`)로 시작하며, 프롬프트 텍스트와 매개변수 사이에는 반드시 띄어쓰기가 있어야 합니다. 또한, 매개변수 뒤에는 쉼표나 마침표 등의 구두점을 사용해서는 안 됩니다 [3, 4]. - -* **주요 매개변수 종류 및 기능 (미드저니 기준)** - * **화면 및 품질 제어:** `--ar` (Aspect Ratio) 매개변수는 `--ar 16:9`나 `--ar 3:2`와 같이 출력될 이미지의 종횡비를 지정합니다 [1, 5]. `--q` (Quality)는 렌더링에 소요되는 시간과 이미지의 디테일 수준을 제어합니다 [3, 6]. - * **스타일 및 창의성 제어:** `--s` (Stylize)는 모델이 기본적으로 가진 예술적 기교를 얼마나 강하게 적용할지(0~1000 범위)를 조절합니다 [1, 3, 7]. `--c` (Chaos)는 결과물 간의 다양성과 무작위성을 부여하며, `--w` (Weird)는 일반적이지 않고 기발한 요소를 추가합니다 [3, 8, 9]. - * **참조 기능 ([[Reference]]s):** `--sref` (Style Reference)는 입력한 이미지 URL의 시각적 무드나 색감을 새 이미지에 적용합니다 [3, 10]. `--cref` ([[Character Reference]])는 얼굴 등 캐릭터의 정체성을 일관되게 유지시킵니다 [3, 7]. 특히 V7 모델에서 도입된 `--oref` ([[Omni Reference]])는 캐릭터뿐만 아니라 사물의 형태까지 더 넓은 범위에서 일관성을 유지할 수 있게 해줍니다 [9, 11, 12]. `--cw`(캐릭터 가중치)나 `--sw`(스타일 가중치)를 조합하여 참조 강도를 세밀하게 제어할 수 있습니다 [3]. - * **기능 및 모델 제어:** `--no`는 원치 않는 요소를 제거하는 네거티브 프롬프트 기능으로 작동합니다 [3, 8]. `--v` 매개변수는 사용할 모델 버전(예: `--v 6`, `--v 7`)을 지정하며 [1, 3], `--[[Seed]]`는 생성 결과의 재현성과 일관성을 위해 고유 노이즈 시작값을 고정합니다 [3, 6]. V7에서 추가된 `--draft` 매개변수는 더 적은 GPU 비용으로 빠르게 시안을 생성할 때 사용됩니다 [9, 13]. - -* **타 플랫폼의 매개변수 운영 방식** - 스테이블 디퓨전(Stable Diffusion)의 경우 텍스트 명령어 외에도 UI상에서 조절하는 매개변수들이 결과에 큰 영향을 미칩니다. 대표적으로 'CFG Scale'은 모델이 긍정 및 부정 프롬프트를 얼마나 강력하게 따를지 그 지침의 강도를 결정하며, 'Sampling steps(샘플링 스텝)' 매개변수는 노이즈를 제거하는 반복 과정의 횟수를 조정하여 결과물의 디테일에 영향을 줍니다 [14, 15]. - -## 🔗 Knowledge Connections -- **Related Topics:** [[프롬프트 구조([[Prompt Structure]])]], [[참조 이미지(Image Reference)]], [[네거티브 프롬프트(Negative [[prompt]])]], [[미드저니(Midjourney)]], [[스테이블 디퓨전(Stable Diffusion)]] -- **Projects/Contexts:** [[이미지 생성 제어 및 최적화]] -- **Contradictions/Notes:** 소스에 따르면, 매개변수 작동 방식은 플랫폼에 따라 다릅니다. 미드저니는 프롬프트 텍스트 내부 끝부분에 명령어 형태로 `--`를 붙여 삽입하는 반면, 스테이블 디퓨전은 CFG Scale 및 Sampling Steps와 같이 별도의 시스템 설정(UI)을 매개변수로 조정하여 프롬프트의 가이드 강도를 결정한다는 특징이 있습니다 [2, 15]. - ---- -*Last updated: [[2026-04-30]]* diff --git a/10_Wiki/Topics/무제 1.canvas b/10_Wiki/Topics/무제 1.canvas deleted file mode 100644 index 9e26dfee..00000000 --- a/10_Wiki/Topics/무제 1.canvas +++ /dev/null @@ -1 +0,0 @@ -{} \ No newline at end of file diff --git a/10_Wiki/Topics/무제.canvas b/10_Wiki/Topics/무제.canvas deleted file mode 100644 index 9e26dfee..00000000 --- a/10_Wiki/Topics/무제.canvas +++ /dev/null @@ -1 +0,0 @@ -{} \ No newline at end of file diff --git a/10_Wiki/Topics/베이지안 추론 (Bayesian Inference).md b/10_Wiki/Topics/베이지안 추론 (Bayesian Inference).md new file mode 100644 index 00000000..efc342a2 --- /dev/null +++ b/10_Wiki/Topics/베이지안 추론 (Bayesian Inference).md @@ -0,0 +1,26 @@ +# 베이지안 추론 (Bayesian Inference) + +## 📌 Brief Summary +베이지안 추론(Bayesian Inference)은 베이즈 정리(Bayes' Theorem)를 바탕으로, 새로운 증거가 수집될 때마다 가설의 확률(신뢰도)을 지속적으로 갱신해 나가는 통계적 추론 방법론입니다 [1, 2]. 이는 지능 시스템이 불확실한 환경에서 점진적으로 학습하고 세계관을 수정해 나가는 핵심 원리입니다 [1]. + +## 📖 Core Content +* **베이지안 업데이트 (Bayesian Updating)** + - **사전 확률 (Prior)**: 새로운 데이터를 관찰하기 전의 기존 신뢰도입니다 [1, 3]. + - **가능도 (Likelihood)**: 가설이 참일 때 관찰된 데이터가 나타날 확률입니다 [1]. + - **사후 확률 (Posterior)**: 새로운 증거를 반영하여 업데이트된 최종 신뢰도입니다 [1, 4]. + - 이 과정을 통해 시스템은 노이즈 섞인 데이터 하나에 일희일비하지 않고 전체적인 추세에 따라 점진적으로 지식을 수정합니다 [1, 5]. + +* **지능 시스템에서의 활용** + - **능동적 학습 (Active Learning)**: 어떤 데이터가 사후 확률을 가장 크게 변화시킬지 판단하여 효율적으로 학습 대상을 선택합니다 [1]. + - **베이지안 뇌 가설 (Bayesian Brain Hypothesis)**: 인간의 뇌가 감각 정보를 능동적으로 처리하고 확률 분포를 통해 미래를 예측한다는 이론으로, 현대 AI 상황 판단 모듈 설계의 모티브가 됩니다 [1, 6]. + +## ⚖️ Trade-offs & Caveats +- **사전 확률의 주관성**: 초기 설정한 사전 확률(Prior)에 따라 결과가 달라질 수 있다는 비판이 있으나, 충분한 데이터가 쌓이면 사후 확률은 데이터의 본질에 수렴하게 됩니다 [1, 7]. +- **연산 복잡도**: 복잡한 모델에서 베이지안 적분을 직접 계산하는 것은 매우 어렵기 때문에, MCMC(Markov Chain Monte Carlo)나 변분 추론(Variational Inference)과 같은 근사 기법이 널리 사용됩니다 [1]. + +## 🔗 Knowledge Connections +- **Related Topics**: [[베이즈 정리 (Bayes' Theorem)]], [[확률론 (Probability Theory)]], [[능동적 학습 (Active Learning)]], [[예측 코딩 (Predictive Coding)]] +- **Projects/Contexts**: [[Antigravity 상황 판단 엔진]], [[초개인화 추천 알고리즘]] + +--- +*Last updated: 2026-04-30* diff --git a/10_Wiki/Topics/생성적 AI 이미징의 반복적 작업 프로세스 (Iterative Workflow of Generative AI Imaging).md b/10_Wiki/Topics/생성적 AI 이미징의 반복적 작업 프로세스 (Iterative Workflow of Generative AI Imaging).md deleted file mode 100644 index 9c0a0523..00000000 --- a/10_Wiki/Topics/생성적 AI 이미징의 반복적 작업 프로세스 (Iterative Workflow of Generative AI Imaging).md +++ /dev/null @@ -1,26 +0,0 @@ -# [[생성적 AI 이미징의 반복적 작업 프로세스 (Iterative Workflow of Generative AI Imaging)]] - -## 📌[[ brief]] Summary -생성적 AI 이미징의 반복적 작업 프로세스란 단 한 번의 프롬프트 입력으로 완벽한 최종 결과물을 얻으려 하기보다는, 대화형 피드백을 통해 점진적으로 이미지를 수정하고 발전시켜 나가는 과정을 의미합니다 [1]. 이 방식은 단순한 핵심 아이디어로 초안을 생성한 뒤, 결과물을 평가하여 조명, 스타일, 구도와 같은 세부 요소를 층위별로 추가하거나 수정 도구를 활용하여 비전을 정교화하는 데 중점을 둡니다 [2-4]. 최근에는 빠르고 저렴하게 시안을 대량 생산하는 드래프트 모드(Draft Mode)와 같은 기능이 도입되면서, 이러한 반복 작업은 단발성 행위를 넘어 전문가의 필수적인 연속적 창작 워크플로우로 확고히 자리 잡았습니다 [5, 6]. - -## 📖 Core Content - -* **초기 생성 및 점진적 구체화 (Start Simple and Layer Details)** - 완벽하고 복잡한 프롬프트를 한 번에 작성하려 하기보다는, 명확하고 단순한 주제(Subject)로 시작하는 것이 권장됩니다 [1, 3, 7]. 초기 생성 결과를 확인한 후, 예술적 스타일, 조명, 카메라 구도 등의 디테일을 층위별로 점진적으로 추가합니다 [2, 3]. 이는 모델과의 대화 혹은 협업 과정과 같으며, 정확히 원하는 결과물을 얻기 위해 보통 3~5회의 변형(variations)을 생성하고 조정하는 반복을 거치게 됩니다 [4, 7]. - -* **오류 진단과 네거티브 프롬프트의 반복적 적용** - 이미지가 원하는 방향과 다를 때 무작정 키워드를 추가하는 것은 좋지 않으며, 반복되는 실패 요소를 먼저 진단해야 합니다 [8, 9]. 초기 기준 이미지를 바탕으로 불필요한 요소(예: 뒤틀린 손, 텍스트, 워터마크 등)가 발견되면 이를 구체적인 네거티브 프롬프트(Negative [[prompt]])로 설정해 차단합니다 [9]. 이 과정에서 이미지 개선에 도움이 되지 않는 단어(Dead weight)는 과감히 삭제하며 프롬프트를 최적화하는 루프를 거칩니다 [9]. - -* **사후 편집 도구를 활용한 국소적 정교화 ([[Inpainting & Outpainting]])** - 완전히 새로운 프롬프트를 작성하여 이미지를 처음부터 다시 생성하는 대신, 미드저니(Midjourney)의 Vary (Region)과 같은 인페인팅(Inpainting) 기능을 사용하여 이미지의 기존 맥락을 유지한 채 특정 피사체나 영역만을 선택적으로 수정합니다 [4, 10, 11]. 또한, 생성된 이미지가 너무 근접 촬영되었거나 구도가 답답할 경우 Zoom Out(아웃페인팅)이나 Pan 기능을 통해 캔버스 밖의 공간을 논리적으로 확장하며 시각적 구도를 반복적으로 보완합니다 [4, 12]. - -* **2026년 파이프라인의 진화: 드래프트 모드와 에이전틱 AI** - 2026년의 미드저니 V7 모델 등은 표준 생성보다 약 10배 빠른 속도와 절반의 비용으로 초안을 생성하는 '드래프트 모드(Draft Mode)'를 지원합니다 [5, 6]. 이를 통해 여러 프롬프트와 비율로 저렴하게 아이디어를 대량 탐색한 뒤, 가장 유망한 구도를 선택하여 고화질로 승격(Upscale)시키고 후속 작업에서 시드([[Seed]])나 스타일 참조(Style [[Reference]])를 재사용하는 파이프라인이 가능해졌습니다 [5, 13]. 궁극적으로는 사용자가 대략적인 비전을 제시하면 AI 에이전트가 이를 최적의 기술적 언어로 번역하고 대량의 시안을 생성해내는 '에이전틱 크리에이티브(Agentic Creative)' 워크플로우로 진화하고 있습니다 [14]. - -## 🔗 Knowledge Connections -- **Related Topics:** [[프롬프트 엔지니어링 (Prompt Engineering)]], [[네거티브 프롬프트 (Negative Prompt)]], [[인페인팅 및 아웃페인팅 (Inpainting and Outpainting)]], [[미드저니 드래프트 모드 (Midjourney Draft Mode)]] -- **Projects/Contexts:** [[미드저니 V7 작업 파이프라인 (Midjourney V7 Workflow)]], [[에이전틱 크리에이티브 워크플로우 (Agentic Creative Workflow)]] -- **Contradictions/Notes:** 훌륭한 이미지를 얻기 위해서는 처음부터 방대하고 기술적인 프롬프트를 작성해야 한다는 오해가 존재하지만, 실제 전문가들의 가이드에 따르면 오히려 간단한 문장으로 시작하여 AI의 결과를 확인한 후 점진적으로 요소를 조정하는 대화형(Iterative) 접근 방식이 훨씬 효율적이고 성공적이라고 주장합니다 [1, 7, 15]. - ---- -*Last updated: [[2026-04-30]]* diff --git a/10_Wiki/Topics/생성형 AI 워크플로우 (Generative AI Workflow).md b/10_Wiki/Topics/생성형 AI 워크플로우 (Generative AI Workflow).md deleted file mode 100644 index 59cb05c4..00000000 --- a/10_Wiki/Topics/생성형 AI 워크플로우 (Generative AI Workflow).md +++ /dev/null @@ -1,39 +0,0 @@ -# [[생성형 AI 워크플로우 (Generative AI Workflow)]] - -## 📌[[ brief]] 단기 요약 -생성형 AI 워크플로우는 사용자가 추상적인 아이디어를 구체적인 텍스트 프롬프트로 변환하고, 생성된 결과물을 바탕으로 지속적으로 이미지를 수정 및 발전시켜 나가는 일련의 반복적 창작 과정입니다. 단순히 완벽한 한 번의 프롬프트 입력으로 최종 이미지를 얻는 것이 아니라, 초기 초안(Draft)을 빠르게 생성한 뒤 점진적으로 디테일을 추가하거나 실패 요소를 제거하는 과정을 거칩니다. 2026년 현재 이 워크플로우는 생성 모델의 특성에 맞춰 프롬프트를 최적화하고, 인페인팅이나 확장 기능 등을 통해 사후 편집을 진행하는 정교하고 전문적인 단계로 진화했습니다. - -## 📖 Core Content -**1. 반복적 프롬프팅 및 정교화 ([[Iterative [[prompt]]ing]] and [[Refinement]])** -* 모든 AI 이미지 생성은 일회성 작업이 아닌 모델과의 반복적 협업(Iterative) 과정입니다 [1, 2]. 가장 먼저 명확하지만 단순한 긍정 프롬프트를 작성하여 초기 이미지를 생성합니다 [3, 4]. -* 단 한 번에 완벽한 결과를 기대하기보다는, 대략 2~3문장(15~50단어)으로 기본 구성을 작성하여 첫 생성에서 80%의 완성도를 목표로 합니다 [5, 6]. -* 초기에는 열린 지시어(Vague directions)로 시작하여 AI에게 창의적 자유를 주고, 결과물을 확인한 후 점차 좁고 정밀한 지시어나 필요한 구도를 추가해 나가는 것이 올바른 워크플로우입니다 [7]. - -**2. 이미지 생성 프롬프트 워크플로우 5단계** -안정적인 이미지 생성을 위해 전문가들은 다음과 같은 워크플로우를 권장합니다 [8-16]: -1. **의도 정의:** 원하는 장면을 자연어로 명확히 구상합니다. 필요한 경우 AI(예: GPT, Meta AI 등)에게 먼저 아이디어를 설명하여 프롬프트 초안 작성을 도움받을 수 있습니다. -2. **비전의 구체화:** 주제(Subject), 스타일(Style), 분위기(Mood) 등을 명확히 하여 기계가 해석하기 좋은 기호로 변환합니다. -3. **세부 사항 추가:** 환경, 조명(Lighting), 구도, 카메라 앵글, 그리고 해상도나 화면비(`--ar 16:9` 등) 같은 기술적 매개변수를 덧붙입니다. -4. **테스트 이미지 생성:** 첫 번째 배치를 생성하여 의도가 어떻게 반영되었는지 확인합니다. -5. **반복 수정(Refine and iterate):** 조명, 색상, 구도 등을 변경하거나 부정 프롬프트(Negative prompt)를 활용해 원하지 않는 요소를 배제하며 원하는 결과가 나올 때까지 반복합니다. - -**3. 문제 진단과 부정 프롬프트(Negative Prompt) 적용** -* 단순히 인터넷에 떠도는 길고 포괄적인 부정 프롬프트를 무작정 복사하여 붙여넣는 것은 구시대적인 방식이며, 오히려 이미지를 망칠 수 있습니다 [17-19]. -* 효과적인 워크플로우는 **문제를 먼저 진단한 후 부정 프롬프트를 작성**하는 것입니다. 생성된 소규모 배치(Batch) 이미지를 확인하여 반복적으로 나타나는 결함(예: 텍스트 노출, 손가락 기형, 원치 않는 3D 렌더링 느낌 등)을 파악하고, 이를 해결할 최소한의 구체적인 부정어만 타겟팅하여 적용해야 합니다 [20-22]. - -**4. 2026년형 초안 모드(Draft Mode)와 생성 효율화** -* 미드저니(Midjourney) V7 등의 최신 모델은 저렴하고 빠른 속도로(기존 대비 약 10배) 다수의 시안을 생성하는 '드래프트 모드(Draft Mode, `--draft`)'를 지원합니다 [23-25]. -* 이를 통해 수많은 프롬프트와 구도를 비용 효율적으로 탐색하고, 가장 유망한 구도를 선택해 고품질(HD) 이미지로 승격시키는 프로세스가 표준화되었습니다 [23, 26]. -* 선택된 결과물은 시드([[Seed]])를 고정하거나, 스타일 참조(`--sref`), 옴니 참조(`--oref`) 기능에 투입되어 다음 작업 단계의 일관성을 유지하는 뼈대([[Reference]])로 활용됩니다 [23, 25]. - -**5. 사후 편집 및 비디오 연계로의 확장** -* 생성된 이미지가 완성에 가까워지면 처음부터 다시 프롬프트를 작성하지 않습니다. 미드저니의 'Vary Region(인페인팅)'을 통해 원본의 맥락을 완벽하게 유지하면서 특정 모자, 배경 요소만 부분 수정하거나, 'Zoom Out / Pan(아웃페인팅)'을 사용해 캔버스 밖의 풍경을 논리적으로 확장합니다 [2, 27-29]. -* 또한 최종 산출된 정적 이미지는 단순한 그림에서 끝나지 않고, 비디오 생성 도구(예: Veo 3.1, Pictory, LTX Studio, Runway 등)의 기준 프레임으로 넘겨져 카메라 움직임이나 오디오를 입히는 'Image-to-Video' 다중 도구 연계 워크플로우로 자연스럽게 이어집니다 [30-34]. - -## 🔗 Knowledge Connections -- **Related Topics:** `[[프롬프트 엔지니어링 (Prompt Engineering)]]`, `[[반복적 정교화 (Iterative Refinement)]]`, `[[부정 프롬프트 (Negative Prompt)]]`, `[[드래프트 모드 (Draft Mode)]]`, `[[사후 편집 기법 ([[Inpainting & Outpainting]])]]`, `[[스타일 및 캐릭터 참조 (Style and [[Character Reference]]s)]]` -- **Projects/Contexts:** `[[Midjourney V7의 API 기반 워크플로우]]`, `[[스테이블 디퓨전 네거티브 프롬프트 최적화 프로세스]]`, `[[Veo 3.1과 Gemini를 활용한 멀티스텝 비디오 제작 워크플로우]]` -- **Contradictions/Notes:** 많은 초보자들이 길고 기술적인 용어들로 꽉 찬 프롬프트를 한 번에 입력하려 시도하지만(예: 수십 개의 요소 나열), 실제 전문가들은 한 번의 지시에 너무 많은 디테일을 넣으면 AI가 혼란을 겪는다고 경고합니다. 효과적인 워크플로우는 5~10개의 핵심 요소(주체, 환경, 조명, 스타일)에만 집중하여 15~50단어 내외의 자연스러운 문장으로 시작한 뒤, 반복적인 수정을 통해 세부적인 문제(Artifacts)를 고쳐나가는 것입니다 [5, 22, 35, 36]. - ---- -*Last updated: [[2026-04-30]]* diff --git a/10_Wiki/Topics/순환 신경망 및 LSTM (RNN & LSTM).md b/10_Wiki/Topics/순환 신경망 및 LSTM (RNN & LSTM).md new file mode 100644 index 00000000..27284f71 --- /dev/null +++ b/10_Wiki/Topics/순환 신경망 및 LSTM (RNN & LSTM).md @@ -0,0 +1,27 @@ +# 순환 신경망 및 LSTM (RNN & LSTM) + +## 📌 Brief Summary +순환 신경망(Recurrent Neural Networks, RNN)은 데이터의 순서와 맥락을 파악하기 위해 이전 단계의 정보를 은닉 상태(Hidden State)에 저장하고 다음 단계로 전달하는 신경망 아키텍처입니다 [1, 2]. LSTM(Long Short-Term Memory)은 RNN의 치명적인 약점인 정보 손실 문제를 '게이트(Gate)' 구조로 해결하여 장기 의존성(Long-term Dependency) 학습을 가능하게 한 진화된 모델입니다 [1, 3]. + +## 📖 Core Content +* **RNN (순환 신경망)의 원리 및 한계** + - **순환 구조**: 현재의 입력값과 이전 단계의 은닉 상태를 결합하여 처리함으로써 시퀀스(Sequence) 데이터를 인지합니다 [1]. + - **장기 의존성 문제**: 시퀀스가 길어질수록 앞부분의 정보가 뒤로 전달되지 못하고 사라지는 '기울기 소실(Vanishing Gradient)' 문제가 발생합니다 [1, 4]. + +* **LSTM (장단기 메모리)의 혁신** + - **게이트 메커니즘**: 정보를 잊을지(Forget Gate), 저장할지(Input Gate), 내보낼지(Output Gate)를 스스로 결정하는 3개의 게이트를 통해 중요한 정보를 선별적으로 기억합니다 [1, 5, 6]. + - **장기 기억 유지**: 이를 통해 텍스트 번역, 음성 인식, 시계열 예측 등 긴 맥락이 필요한 작업에서 탁월한 성능을 발휘합니다 [1, 7]. + +* **GRU (Gated Recurrent Unit)** + - LSTM의 복잡한 구조를 간소화하여 연산 효율성을 높인 모델로, 데이터가 적거나 빠른 처리가 필요할 때 효과적입니다 [1]. + +## ⚖️ Trade-offs & Caveats +- **병렬 처리의 한계**: RNN 계열은 데이터를 순차적으로 처리해야 하므로 대규모 데이터 학습 시 병렬 처리가 어렵습니다. 이는 현재 모든 데이터를 한꺼번에 병렬로 처리하는 트랜스포머(Transformer) 아키텍처로 주류가 넘어간 주된 이유입니다 [1, 8]. +- **실시간 효율성**: 그러나 초경량 실시간 시계열 예측이나 저지연 센서 데이터 처리에서는 여전히 RNN 계열이 트랜스포머보다 효율적일 수 있습니다 [1]. + +## 🔗 Knowledge Connections +- **Related Topics**: [[심층 학습 (Deep Learning)]], [[자연어 처리 (NLP)]], [[시계열 분석 (Time-Series Analysis)]], [[트랜스포머 (Transformer)]] +- **Projects/Contexts**: [[실시간 로그 분석 시스템]], [[음성 인터페이스 엔진]] + +--- +*Last updated: 2026-04-30* diff --git a/10_Wiki/Topics/스타일 및 캐릭터 참조 (Style and Character References).md b/10_Wiki/Topics/스타일 및 캐릭터 참조 (Style and Character References).md index aa22060a..6880c121 100644 --- a/10_Wiki/Topics/스타일 및 캐릭터 참조 (Style and Character References).md +++ b/10_Wiki/Topics/스타일 및 캐릭터 참조 (Style and Character References).md @@ -1,18 +1,28 @@ -# [[스타일 및 캐릭터 참조 (Style and [[Character Reference]]s)]] +# 스타일 및 캐릭터 참조 (Style and Character References) -## 📌[[ brief]] Summary -스타일 및 캐릭터 참조는 AI 이미지 생성 시 특정 이미지의 고유한 미학이나 피사체의 정체성을 새로운 결과물에 일관되게 적용하도록 돕는 프롬프트 기능이다 [1]. 사용자는 복잡한 텍스트 묘사 대신 이미지 URL과 참조 매개변수를 활용하여 원하는 색감, 질감, 캐릭터 외형을 손쉽게 복제할 수 있다 [1]. +## 📌 Brief Summary +스타일 및 캐릭터 참조는 인공지능 이미지 생성 시 시각적 일관성을 유지하기 위해 특정 이미지나 코드를 텍스트 프롬프트와 함께 활용하는 제어 기법입니다 [1, 2]. 이를 통해 사용자는 복잡한 단어 묘사 없이도 특정 예술적 화풍, 캐릭터의 얼굴과 복장, 또는 고유한 사물의 형태를 새로운 결과물에 그대로 복제할 수 있습니다 [2-4]. 스토리보드 작성, 브랜드 캠페인, 시리즈물 제작 등 동일한 피사체나 분위기가 반복적으로 요구되는 전문적인 작업에 필수적인 기능입니다 [3-5]. ## 📖 Core Content -* **참조 기능의 목적**: 복잡한 단어를 나열하지 않고도 참조할 이미지의 URL을 프롬프트에 포함시킴으로써 특정 색감, 질감, 피사체를 완벽하게 복제할 수 있다 [1]. 이 기능은 동일한 스타일의 제품 라인업을 시각화하거나 연속적인 스토리를 만들 때 일관성 있는 브랜드 이미지와 서사를 구축하는 데 필수적이다 [1, 2]. -* **스타일 참조 (Style [[Reference]], `--sref`)**: 기존 이미지의 시각적 분위기, 무드보드, 미학, 색상 팔레트 등을 새로운 이미지에 적용할 때 사용된다 [2-4]. 두 개 이상의 이미지 URL을 띄어쓰기로 구분하여 동시에 스타일 참조로 사용할 수 있으며 [5], `--sw` (Style Weight) 매개변수를 추가하여 스타일 참조의 영향력과 강도를 조절할 수 있다 [3, 6, 7]. -* **캐릭터 참조 (Character Reference, `--cref`)**: 주로 미드저니 V6에서 피사체(캐릭터)의 정체성을 여러 장면에 걸쳐 동일하게 유지하기 위해 사용된다 [3, 4, 8]. `--cw` (Character Weight) 매개변수(0~100)를 통해 참조 강도를 세밀하게 제어할 수 있는데, 0은 얼굴에만 집중하여 참조하고, 100은 의상이나 머리 모양 등 전체적인 외형까지 포함하여 참조하게 한다 [4, 7]. -* **옴니 참조 ([[Omni Reference]], `--oref`)**: 미드저니 V7에서 새롭게 도입된 기능으로, 단순한 캐릭터의 얼굴을 복제하는 것을 넘어 특정 피사체(예: 커스텀 자동차, 보석 등)의 고유한 형태적 정체성까지 광범위하게 기억하고 재현할 수 있다 [1, 3, 9]. V7에서는 캐릭터 참조 기능의 역할을 대체하며 더욱 유연한 피사체 고정 기능을 제공한다 [6]. +* **스타일 참조 (Style Reference, `--sref`)** + 특정 이미지의 색감, 질감, 미학적 분위기(Vibe)를 새로운 이미지에 강제하여 적용하는 기능입니다 [1, 2, 4]. 미드저니(Midjourney)에서는 `--sref` 파라미터 뒤에 참조할 이미지의 URL을 입력하며, 여러 개의 이미지 URL을 조합하여 사용자만의 고유한 미학을 생성할 수도 있습니다 [2, 4, 6]. `--sw` (Style Weight) 파라미터(0~1000)를 활용해 기존 스타일이 미치는 영향력의 강도를 세밀하게 조절할 수 있습니다 [1, 7]. + +* **캐릭터 참조 (Character Reference, `--cref`)** + 동일한 인물이나 캐릭터의 시각적 정체성(얼굴, 머리 스타일 등)을 다양한 장면이나 환경에서 일관되게 유지하기 위해 사용됩니다 [2, 3, 8]. `--cw` (Character Weight) 파라미터(0~100)를 통해 참조 강도를 제어하는데, 값을 0으로 설정하면 얼굴에만 집중하여 캐릭터에게 다른 옷을 입힐 수 있고, 100으로 설정하면 의상과 머리 스타일까지 원본과 동일하게 유지합니다 [1, 3, 7]. + +* **옴니 참조 (Omni Reference, `--oref`)** + 미드저니 V7에서 새롭게 도입된 기능으로, 단순한 인물이나 화풍을 넘어 특정 사물(예: 커스텀 자동차, 장신구 등)의 고유한 형태적 정체성까지 정확하게 기억하고 유지합니다 [1, 2, 6, 9]. `--ow` 파라미터로 참조 강도를 설정할 수 있으며, 일련의 결과물에서 특정 객체의 연속성이 중요할 때 캐릭터 참조를 보완하거나 대체하여 사용됩니다 [6, 10]. + +* **비디오 생성 모델에서의 참조 활용** + 정지 이미지뿐만 아니라 구글의 Veo 3.1과 같은 비디오 생성 모델에서도 참조 기능을 지원합니다 [11, 12]. 'Ingredients to video' 기능을 통해 캐릭터, 배경, 스타일 등에 대한 참조 이미지를 입력하면, 여러 비디오 샷에 걸쳐 미학적 일관성을 유지하며 복잡한 대화 장면이나 연속된 서사를 구축할 수 있습니다 [11-13]. + +## ⚖️ Trade-offs & Caveats +- **결정론적 편집의 한계**: 참조 기능이 시각적 방향성을 훌륭하게 안내하지만, 완전히 결정론적(deterministic)인 편집을 보장하는 것은 아닙니다. +- **참조 신호의 혼선**: 너무 많은 참조 신호를 동시에 사용하면 AI가 워크플로우를 해석하기 어려워지고 결과물이 혼란스러워질 수 있으므로, 적은 수의 좁은 참조(narrow reference set)로 시작하는 것이 권장됩니다 [10, 14]. ## 🔗 Knowledge Connections -- **Related Topics:** [[매개변수 ([[Parameter]]s)]], [[일관성 제어 (Consistency Control)]], [[다중 프롬프트 조합 (Multi-[[prompt]]s)]] -- **Projects/Contexts:** [[미드저니 V6 및 V7 (Midjourney V6 and V7)]], [[브랜드 에셋 및 스토리보드 제작 (Brand Assets and Storyboard Creation)]] -- **Contradictions/Notes:** 소스에 관련 정보가 부족합니다. +- **Related Topics**: [[파라미터 및 제어 변수(Parameters and Control Variables)]], [[다중 프롬프트 및 가중치(Multi-prompts and Weights)]] +- **Projects/Contexts**: [[미드저니 V7 워크플로우(Midjourney V7 Workflow)]], [[브랜드 일관성 및 스토리보딩(Brand Consistency and Storyboarding)]] --- -*Last updated: [[2026-04-30]]* +*Last updated: 2026-04-30* diff --git a/10_Wiki/Topics/스타일 및 캐릭터 참조(References).md b/10_Wiki/Topics/스타일 및 캐릭터 참조(References).md deleted file mode 100644 index 468f8865..00000000 --- a/10_Wiki/Topics/스타일 및 캐릭터 참조(References).md +++ /dev/null @@ -1,25 +0,0 @@ -# [[스타일 및 캐릭터 참조([[Reference]]s)]] - -## 📌[[ brief]] Summary -스타일 및 캐릭터 참조는 인공지능 이미지 생성 모델(특히 Midjourney)에서 특정 인물의 외모나 예술적 미학을 여러 생성 결과물에 걸쳐 일관되게 유지하기 위해 사용하는 기능이다 [1, 2]. 텍스트로 설명하기 어려운 복잡한 질감, 색상 팔레트, 혹은 대상의 고유한 형태를 이미지 URL로 제공하여 새로운 프롬프트에 직접 반영할 수 있다 [3, 4]. 이를 통해 스토리텔링을 위한 캐릭터의 동일성을 보장하거나, 브랜드의 일관된 시각적 캠페인을 구축하는 데 필수적으로 활용된다 [2, 3]. - -## 📖 Core 상Content -* **스타일 참조 (Style Reference, `--sref`)** - 하나 이상의 이미지 URL을 제공하여 해당 이미지의 스타일, 분위기, 색상 팔레트를 새로운 결과물에 적용하는 기능이다 [1, 3, 4]. 여러 개의 이미지 링크를 공백으로 구분하여 혼합함으로써 자신만의 고유한 스타일(Signature Style)을 창조할 수 있다 [2, 5]. `--sw` (Style Weight) 매개변수를 0에서 1000 사이로 설정하여 참조 이미지의 스타일이 미치는 영향력을 조절할 수 있으며, 값이 높을수록 스타일의 영향력이 강해진다 [1, 6]. - -* **캐릭터 참조 ([[Character Reference]], `--cref`)** - 스토리텔링이나 코믹북 제작 시 특정 캐릭터의 외형을 여러 프레임에 걸쳐 동일하게 유지하기 위해 사용되는 기능이다 [2, 7]. `--cw` (Character Weight) 매개변수를 0에서 100 사이로 설정해 참조 강도를 제어할 수 있는데, 0에 가까울수록 얼굴에만 집중하여 의상을 자유롭게 변경할 수 있고, 100으로 설정하면 의상과 머리 모양까지 포함하여 원본과 유사하게 유지한다 [1, 2, 6]. - -* **옴니 참조 ([[Omni Reference]], `--oref`)** - Midjourney V7에서 새롭게 도입된 기능으로, 단순한 스타일이나 캐릭터의 얼굴을 넘어 특정 사물(맞춤형 차량, 특정 보석 등)이나 피사체의 형태적 정체성까지 넓은 범위에서 기억하고 다른 환경에서도 동일하게 재현해낸다 [1, 4, 8]. 옴니 참조의 강도 역시 `--ow` 매개변수를 통해 세밀하게 제어할 수 있다 [5]. - -* **활용 전략** - 복잡한 단어를 나열하는 대신 이러한 참조 기능을 사용하면 특정 예술적 미학이나 피사체를 더 정확히 복제할 수 있다 [4]. 동일한 시드([[Seed]]) 값과 참조 기능을 함께 재사용하면, 프레임별 화면 구도와 캐릭터의 일관성을 극대화한 시리즈물 제작이 가능하다 [1]. - -## 🔗 Knowledge Connections -- **Related Topics:** [[Midjourney 매개변수([[Parameter]]s)]], [[시드(Seed)]], [[프롬프트 가중치([[prompt]] Weights)]] -- **Projects/Contexts:** [[일관된 캐릭터를 활용한 만화/스토리보드 제작]], [[브랜드 미학(Aesthetics) 유지를 위한 캠페인 에셋 생성]] -- **Contradictions/Notes:** 스타일 및 캐릭터 참조는 모델의 생성 방향을 강력하게 안내하지만, 그것만으로 완벽하게 확정적인(deterministic) 편집이 보장되는 것은 아니며 반복적인 세부 조율이 필요할 수 있다 [9]. - ---- -*Last updated: [[2026-04-30]]* diff --git a/10_Wiki/Topics/스타일 및 캐릭터 참조(Style and Character Reference).md b/10_Wiki/Topics/스타일 및 캐릭터 참조(Style and Character Reference).md deleted file mode 100644 index 4a618e05..00000000 --- a/10_Wiki/Topics/스타일 및 캐릭터 참조(Style and Character Reference).md +++ /dev/null @@ -1,25 +0,0 @@ -# [[스타일 및 캐릭터 참조(Style and [[Character Reference]])]] - -## 📌[[ brief]] Summary -스타일 및 캐릭터 참조는 인공지능 이미지 생성 시 시각적 일관성을 유지하기 위해 특정 이미지나 코드를 텍스트 프롬프트와 함께 활용하는 제어 기법입니다 [1, 2]. 이를 통해 사용자는 복잡한 단어 묘사 없이도 특정 예술적 화풍, 캐릭터의 얼굴과 복장, 또는 고유한 사물의 형태를 새로운 결과물에 그대로 복제할 수 있습니다 [2-4]. 스토리보드 작성, 브랜드 캠페인, 시리즈물 제작 등 동일한 피사체나 분위기가 반복적으로 요구되는 전문적인 작업에 필수적인 기능입니다 [3-5]. - -## 📖 Core Content -* **스타일 참조 (Style [[Reference]], `--sref`)** - 특정 이미지의 색감, 질감, 미학적 분위기(Vibe)를 새로운 이미지에 강제하여 적용하는 기능입니다 [1, 2, 4]. 미드저니(Midjourney)에서는 `--sref` 파라미터 뒤에 참조할 이미지의 URL을 입력하며, 여러 개의 이미지 URL을 조합하여 사용자만의 고유한 미학을 생성할 수도 있습니다 [2, 4, 6]. `--sw` (Style Weight) 파라미터(0~1000)를 활용해 기존 스타일이 미치는 영향력의 강도를 세밀하게 조절할 수 있습니다 [1, 7]. - -* **캐릭터 참조 (Character Reference, `--cref`)** - 동일한 인물이나 캐릭터의 시각적 정체성(얼굴, 머리 스타일 등)을 다양한 장면이나 환경에서 일관되게 유지하기 위해 사용됩니다 [2, 3, 8]. `--cw` (Character Weight) 파라미터(0~100)를 통해 참조 강도를 제어하는데, 값을 0으로 설정하면 얼굴에만 집중하여 캐릭터에게 다른 옷을 입힐 수 있고, 100으로 설정하면 의상과 머리 스타일까지 원본과 동일하게 유지합니다 [1, 3, 7]. - -* **옴니 참조 ([[Omni Reference]], `--oref`)** - 미드저니 V7에서 새롭게 도입된 기능으로, 단순한 인물이나 화풍을 넘어 특정 사물(예: 커스텀 자동차, 장신구 등)의 고유한 형태적 정체성까지 정확하게 기억하고 유지합니다 [1, 2, 6, 9]. `--ow` 파라미터로 참조 강도를 설정할 수 있으며, 일련의 결과물에서 특정 객체의 연속성이 중요할 때 캐릭터 참조를 보완하거나 대체하여 사용됩니다 [6, 10]. - -* **비디오 생성 모델에서의 참조 활용** - 정지 이미지뿐만 아니라 구글의 Veo 3.1과 같은 비디오 생성 모델에서도 참조 기능을 지원합니다 [11, 12]. 'Ingredients to video' 기능을 통해 캐릭터, 배경, 스타일 등에 대한 참조 이미지를 입력하면, 여러 비디오 샷에 걸쳐 미학적 일관성을 유지하며 복잡한 대화 장면이나 연속된 서사를 구축할 수 있습니다 [11-13]. - -## 🔗 -- **Related Topics:** [[파라미터 및 제어 변수([[Parameter]]s and Control Variables)]], [[다중 프롬프트 및 가중치(Multi-[[prompt]]s and Weights)]] -- **Projects/Contexts:** [[미드저니 V7 워크플로우(Midjourney V7 Workflow)]], [[브랜드 일관성 및 스토리보딩(Brand Consistency and Storyboarding)]] -- **Contradictions/Notes:** 소스에 따르면 참조 기능이 시각적 방향성을 훌륭하게 안내하지만, 완전히 결정론적(deterministic)인 편집을 보장하는 것은 아닙니다. 너무 많은 참조 신호를 동시에 사용하면 AI가 워크플로우를 해석하기 어려워지고 결과물이 혼란스러워질 수 있으므로, 적은 수의 좁은 참조(narrow reference set)로 시작하는 것이 권장됩니다 [10, 14]. - ---- -*Last updated: [[2026-04-30]]* diff --git a/10_Wiki/Topics/스타일 참조(Style Reference, --sref).md b/10_Wiki/Topics/스타일 참조(Style Reference, --sref).md deleted file mode 100644 index 3491a9d4..00000000 --- a/10_Wiki/Topics/스타일 참조(Style Reference, --sref).md +++ /dev/null @@ -1,20 +0,0 @@ -# [[스타일 참조(Style [[Reference]], --sref)]] - -## 📌[[ brief]] Summary -스타일 참조(Style Reference, `--sref`)는 미드저니(Midjourney)와 같은 AI 이미지 생성 모델에서 특정 이미지의 시각적 분위기(vibe), 색상 팔레트, 질감 등을 새로운 결과물에 적용할 수 있게 해주는 기능입니다 [1, 2]. 복잡한 텍스트 묘사 없이도 참조할 이미지의 URL이나 스타일 코드를 입력하여 원하는 미학적 특성을 복제할 수 있습니다 [3, 4]. 이를 통해 사용자는 여러 생성 이미지에 걸쳐 일관된 브랜드 이미지나 특정한 미적 테마를 유지할 수 있습니다 [4, 5]. - -## 📖 Core Content -* **작동 원리 및 기본 사용법:** 텍스트 프롬프트의 끝에 `--sref` 파라미터를 붙이고 참조하고자 하는 이미지의 URL 또는 스타일 코드를 추가하여 사용합니다 [1, 3]. 참조 기능을 사용할 때는 프롬프트 내에 스타일을 묘사하는 텍스트 단어를 최소한으로 유지하는 것이 좋습니다 [1]. -* **다중 스타일 혼합(Mixing Styles):** 하나의 이미지에 국한되지 않고, 두 개 이상의 이미지 URL을 공백으로 구분하여 입력하거나 여러 스타일 코드를 결합하여 사용할 수 있습니다 [2, 3]. 미드저니 V7은 여러 스타일이 결합된 경우를 이전 버전보다 훨씬 정확하게 해석하며, 이를 통해 사용자는 세상에 없는 자신만의 고유한 '시그니처 스타일(Signature Style)'을 만들어 낼 수 있습니다 [2, 3]. -* **세부 제어 파라미터:** - * `--sw` (Style Weight): 스타일 참조가 생성 이미지에 미치는 영향력(influence strength)의 강도를 조절합니다 [1, 6]. 값을 높이거나 낮춤으로써 스타일이 반영되는 정도를 세밀하게 테스트할 수 있습니다 [1]. - * `--sv` (Style Reference Versions): 사용할 스타일 참조의 버전을 직접 선택할 수 있게 해주는 파라미터입니다 [6]. -* **실무적 활용 가치:** 이 기능은 마케팅 캠페인, 소셜 미디어 피드, 제품 라인업 등에서 시각적 일관성(visual direction)을 반복적으로 적용해야 할 때 매우 유용합니다 [3, 5, 7]. `--ar`(화면 비율), `--v 7`(버전) 파라미터 및 짧은 텍스트 프롬프트와 조합하면 깔끔하고 응집력 있는 결과물을 얻을 수 있습니다 [5]. - -## 🔗 Knowledge Connections -- **Related Topics:** [[캐릭터 참조([[Character Reference]], --cref)]], [[옴니 참조([[Omni Reference]], --oref)]], [[스타일 가중치(Style Weight, --sw)]] -- **Projects/Contexts:** [[일관된 브랜드 미학 및 소셜 미디어 피드 구축]], [[캠페인 및 제품 무드보드 적용]] -- **Contradictions/Notes:** 미드저니 V8 Alpha 초기 모델에서 `--sv 6`을 스타일 참조 및 무드보드와 함께 사용할 경우, 평소보다 GPU 연산 시간이 4배 더 소모되며 `--hd`나 `--q 4`와 같은 고품질 파라미터와 함께 작동하지 않는다는 기술적 제약이 존재합니다 [8]. - ---- -*Last updated: [[2026-04-30]]* diff --git a/10_Wiki/Topics/신경망 기초 (Neural Networks).md b/10_Wiki/Topics/신경망 기초 (Neural Networks).md new file mode 100644 index 00000000..93aad21d --- /dev/null +++ b/10_Wiki/Topics/신경망 기초 (Neural Networks).md @@ -0,0 +1,25 @@ +# 신경망 기초 (Neural Networks) + +## 📌 Brief Summary +인공 신경망(Artificial Neural Networks)은 생물학적 뇌의 뉴런 구조를 수학적으로 모방한 연산의 집합체로, 현대 딥러닝의 핵심 아키텍처입니다 [1, 2]. 입력 데이터로부터 특징을 단계별로 추출하고 비선형적인 관계를 학습하여 복잡한 함수를 근사(Function Approximation)하는 능력을 가집니다 [1]. + +## 📖 Core Content +* **핵심 구성 요소** + - **퍼셉트론 (Perceptron)**: 단일 뉴런 모델로, 입력값에 가중치를 곱하고 합산한 뒤 임계값을 넘으면 활성화 함수를 통해 신호를 전달합니다 [1, 3]. + - **계층 구조 (Layers)**: 입력층(Input), 은닉층(Hidden), 출력층(Output)으로 구성됩니다. 은닉층이 깊어질수록 더 복잡한 특징을 학습하는 '딥러닝'이 됩니다 [1, 4]. + - **활성화 함수 (Activation Function)**: ReLU, Sigmoid, Tanh 등 신경망에 비선형성을 부여하여 복잡한 패턴 학습을 가능하게 하는 스위치 역할을 합니다 [1, 3]. + +* **학습 메커니즘** + - **순전파 (Forward Propagation)**: 입력을 받아 각 층의 가중치를 거쳐 최종 출력을 계산하는 과정입니다 [1, 5]. + - **역전파 (Backpropagation)**: 실제 정답과 예측값의 오차를 뒤로 전달하여 오차를 줄이는 방향으로 가중치를 수정하는 학습 과정입니다 [1, 5, 6]. + +## ⚖️ Trade-offs & Caveats +- **블랙박스 특성**: 신경망은 뛰어난 성능을 보이지만 내부 논리 구조를 명확히 파악하기 어려운 '블랙박스'적 특성을 가집니다. 이를 해석하기 위한 '기계적 해석 가능성(Mechanistic Interpretability)' 연구가 병행되고 있습니다 [1]. +- **데이터 및 연산 의존성**: 고성능 신경망을 구축하려면 방대한 데이터와 강력한 컴퓨팅 자원(GPU 등)이 필요합니다 [1]. + +## 🔗 Knowledge Connections +- **Related Topics**: [[딥러닝 (Deep Learning)]], [[경사 하강법 (Gradient Descent)]], [[역전파 (Backpropagation)]], [[활성화 함수 (Activation Functions)]] +- **Projects/Contexts**: [[Antigravity 인지 프레임워크]], [[범용 함수 근사자 (Universal Function Approximator)]] + +--- +*Last updated: 2026-04-30* diff --git a/10_Wiki/Topics/오픈소스 기반 맞춤형 AI 이미지 생성 및 하드웨어 수준의 정밀 통제 워크플로우.md b/10_Wiki/Topics/오픈소스 기반 맞춤형 AI 이미지 생성 및 하드웨어 수준의 정밀 통제 워크플로우.md deleted file mode 100644 index f337de29..00000000 --- a/10_Wiki/Topics/오픈소스 기반 맞춤형 AI 이미지 생성 및 하드웨어 수준의 정밀 통제 워크플로우.md +++ /dev/null @@ -1,18 +0,0 @@ -# [[오픈소스 기반 맞춤형 AI 이미지 생성 및 하드웨어 수준의 정밀 통제 워크플로우]] - -## 📌[[ brief]] Summary -스테이블 디퓨전(Stable Diffusion)으로 대표되는 오픈소스 AI 이미지 생성 모델은 사용자가 직접 로컬 하드웨어(GPU) 환경에서 구동하며 고도의 맞춤형 작업이 가능한 기술이다 [1, 2]. 이 모델들은 프롬프트 가중치 조절, 부정 프롬프트, 그리고 컨트롤넷([[ControlNet]])과 같은 도구를 통해 생성 과정 전반에 걸쳐 픽셀 단위의 정밀한 통제력을 제공한다 [3, 4]. 클라우드 기반의 상용 모델과 달리, 도메인 특화 미세 조정([[Fine-tuning]])과 완벽한 데이터 프라이버시를 보장하여 전문가 수준의 워크플로우를 구축할 수 있게 해준다 [2, 5]. - -## 📖 Core Content -* **오픈소스 생태계와 하드웨어 요구사항**: 스테이블 디퓨전은 오픈소스 텍스트-이미지 생성 모델로, 방대한 커뮤니티 지원과 함께 사용자가 직접 모델을 훈련시키고 로컬에서 호스팅할 수 있는 유연성을 제공한다 [2, 4, 6]. 이를 로컬 환경에서 구동하여 완벽한 프라이버시와 커스터마이징을 누리기 위해서는 충분한 컴퓨팅 파워를 갖춘 하드웨어(강력한 GPU)가 필수적이며, 초기 설정의 복잡성이 수반된다 [1, 2, 7]. -* **가중치 및 하이퍼파라미터를 통한 텍스트 정밀 제어**: 스테이블 디퓨전에서는 `(keyword:factor)` 형식의 프롬프트 문법을 사용하여 특정 단어의 중요도(가중치)를 숫자로 지정함으로써 세밀한 조절이 가능하다 [4, 8-16]. 더불어 샘플링 스텝(Sampling steps)과 CFG 스케일(Classifier-Free Guidance Scale) 조정을 통해 생성 모델이 입력된 프롬프트를 얼마나 강하게 따를지 그 지침의 강도까지 정밀하게 제어할 수 있다 [3, 17]. -* **컨트롤넷(ControlNet)을 활용한 픽셀 단위 구조 통제**: 단순한 텍스트 프롬프트의 한계를 극복하기 위한 고급 기술로 컨트롤넷이 활용된다. 이는 이미지의 뼈대(Pose)나 윤곽선(Canny Edge) 정보를 강제로 주입하여, 인체의 자세나 사물의 배치를 픽셀 단위로 통제할 수 있게 해주는 하드웨어 및 모델 수준의 강력한 제어 도구이다 [4]. -* **부정 프롬프트(Negative [[prompt]])를 통한 품질 최적화**: 오픈소스 워크플로우에서 부정 프롬프트는 단순한 필터링이 아니라 생성(확산) 과정 자체를 원치 않는 개념으로부터 밀어내는 핵심 제어 시스템이다 [18]. 해부학적 오류(예: 기형적인 손가락), 워터마크, 저화질 등을 차단하도록 정교하게 설계된 부정 프롬프트는 모델의 원치 않는 편향을 억제하고 반복적인 생성 실패를 줄여 높은 품질의 이미지를 안정적으로 제공한다 [4, 19-22]. - -## 🔗 Knowledge Connections -- **Related Topics:** [[Stable Diffusion]], [[ControlNet]], [[Prompt Weighting]], [[Negative Prompts]], [[CFG Scale]] -- **Projects/Contexts:** [[로컬 GPU 기반 자체 호스팅(Local GPU Self-hosting)]], [[도메인 특화 미세 조정(Domain-specific Fine-tuning)]] -- **Contradictions/Notes:** 스테이블 디퓨전 기반의 오픈소스 워크플로우는 사용자가 모델을 완벽하게 통제하고 미세 조정할 수 있는 장점을 제공하지만(소스 839, 840), 반대로 초보자에게는 강력한 하드웨어(GPU) 요구사항과 모델 설정의 복잡성이 진입 장벽으로 작용할 수 있다는 한계를 지닌다(소스 325, 441, 839). - ---- -*Last updated: [[2026-04-30]]* diff --git a/10_Wiki/Topics/오픈소스 기반 맞춤형 이미지 생성 워크플로우 구축.md b/10_Wiki/Topics/오픈소스 기반 맞춤형 이미지 생성 워크플로우 구축.md deleted file mode 100644 index 05764db1..00000000 --- a/10_Wiki/Topics/오픈소스 기반 맞춤형 이미지 생성 워크플로우 구축.md +++ /dev/null @@ -1,29 +0,0 @@ -# [[오픈소스 기반 맞춤형 이미지 생성 워크플로우 구축]] - -## 📌[[ brief]] Summary -오픈소스 기반 맞춤형 이미지 생성 워크플로우는 스테이블 디퓨전(Stable Diffusion)과 같은 오픈소스 텍스트-투-이미지 모델을 활용하여 사용자의 특정 목적에 맞게 이미지 생성 과정을 세밀하게 제어하고 자동화하는 체계를 의미합니다 [1, 2]. 이 워크플로우는 로컬 기기나 클라우드에서 실행 가능하여 데이터 프라이버시를 확보할 수 있으며, 사용자가 직접 파인튜닝을 진행하거나 커스텀 모델 및 고급 제어 도구를 통합할 수 있는 무한한 유연성을 제공합니다 [1, 3]. 고성능 GPU와 기술적 지식이 요구되지만, 프롬프트 가중치, 네거티브 프롬프트, 컨트롤넷([[ControlNet]]) 등의 기법을 통해 상용 모델에서는 어려운 픽셀 단위의 정교한 프롬프트 엔지니어링과 도메인 특화 작업이 가능합니다 [3-6]. - -## 📖 Core Content - -* **오픈소스 모델의 특성과 도입 환경** - 스테이블 디퓨전은 전 세계적으로 가장 널리 쓰이는 오픈소스 기반의 확산(Diffusion) 모델입니다 [2, 7]. 사용자는 클라우드에 의존하지 않고 로컬 기기에 모델을 호스팅할 수 있어 완전한 프라이버시를 유지할 수 있으며, 방대한 오픈소스 커뮤니티가 만들어낸 수많은 변형 모델을 무료로 사용할 수 있습니다 [1, 3-5]. 다만 이러한 맞춤형 워크플로우를 구축하고 오프라인에서 실행하기 위해서는 강력한 GPU 하드웨어 자원이 필수적이며, 초기 설정과 활용이 초보자에게는 다소 복잡할 수 있습니다 [4, 5, 8, 9]. - -* **정교한 프롬프트 구문 및 가중치 제어 ([[prompt]] Weights)** - 오픈소스 모델은 자연어 문장보다 쉼표로 구분된 태그(Tags) 형태의 프롬프트 구문을 더 잘 이해하는 경향이 있습니다 [6, 10]. 핵심적인 제어 기술은 프롬프트 가중치(Prompt Weights)를 사용하는 것입니다. `(keyword:factor)` 형태의 문법을 사용해 단어의 중요도를 숫자로 명시할 수 있으며, 기본값인 1을 기준으로 숫자를 높이면 강도가 세지고 낮추면 줄어듭니다 [10, 11]. 또한 괄호 `()`를 겹쳐 사용하여 특정 단어의 영향력을 배가시키는 방식도 사용되며, 이를 통해 여러 시각적 개념의 밸런스를 미세하게 조정하는 프롬프트 엔지니어링이 가능합니다 [10, 12, 13]. - -* **네거티브 프롬프트를 활용한 출력물 디버깅 및 제어** - 오픈소스 워크플로우에서 네거티브 프롬프트(Negative Prompt)는 단순한 보조 도구가 아니라 모델의 생성 방향을 제어하는 핵심적인 '회피 지도(Avoidance Map)'로 작동합니다 [6, 14, 15]. 성공적인 워크플로우는 무작정 텍스트를 나열하는 것이 아니라, 베이스 이미지를 생성한 후 발생하는 반복적인 실패 요소를 분석하고, 이를 `extra fingers`, `watermark`, `blurry`와 같은 구체적인 네거티브 키워드로 변환하여 입력하는 루프(Loop)를 거칩니다 [16-18]. - -* **고급 제어 도구 및 커스텀 모델(LoRA)의 통합** - 사용자는 워크플로우 내에 LoRA(Low-Rank Adaptation)와 같은 커스텀 모델을 추가하여 특정한 예술 스타일이나 캐릭터를 일관되게 생성할 수 있습니다 [10, 19, 20]. 여러 개의 LoRA를 낮은 가중치(예: 0.5~0.7)로 겹쳐 사용하여 안전하게 시각적 개념을 혼합할 수도 있습니다 [21]. 나아가, 텍스트 프롬프트만으로 제어하기 어려운 인체의 자세나 사물의 정확한 배치는 컨트롤넷(ControlNet)을 통해 해결할 수 있습니다. 컨트롤넷은 이미지의 뼈대(Pose)나 윤곽선(Canny Edge) 정보를 모델에 강제 주입하여 픽셀 단위로 결과물을 통제합니다 [6]. - -* **개발자 대상 API 기반 자동화 워크플로우 패턴** - 일관된 결과물이 필요한 프로덕션이나 API 환경에서 개발자들은 프롬프트를 모듈화하여 관리하는 구조를 취합니다 [22, 23]. 하드코딩된 긴 목록을 사용하는 대신, 기본 네거티브 프리셋에 사용자가 직면한 특정 결함 키워드를 동적으로 추가하고 가중치를 결합하여 모델에 전송하는 방식을 취합니다 [22, 23]. 이렇게 입력 프롬프트, 시드([[Seed]]), 발생한 결함 등을 추적하고 로깅(Logging)함으로써 사용 가능한 내부 라이브러리를 지속해서 개선할 수 있습니다 [23, 24]. - -## 🔗 Knowledge Connections -- **Related Topics:** [[Stable Diffusion]], [[Prompt Weights]], [[Negative Prompt]], [[ControlNet]], [[LoRA]] -- **Projects/Contexts:** [[오픈소스 이미지 모델 로컬 배포 환경 구축]], [[API 기반 동적 프롬프트 자동화 파이프라인]] -- **Contradictions/Notes:** 미드저니(Midjourney)나 달리(DALL·E)와 같은 상용 클라우드 모델은 자연어 이해도가 높고 사용이 간편하다는 주장이 있지만, 스테이블 디퓨전(Stable Diffusion) 기반의 오픈소스 도구는 초보자가 접근하기 매우 복잡하고 고사양 GPU가 필요함에도 불구하고, 픽셀 단위의 강제적인 제어력과 도메인 특화 모델 학습 측면에서는 상용 모델을 압도하는 장점을 제공합니다 [2, 3, 6, 8]. - ---- -*Last updated: [[2026-04-30]]* diff --git a/10_Wiki/Topics/옴니 참조(Omni Reference, --oref).md b/10_Wiki/Topics/옴니 참조(Omni Reference, --oref).md deleted file mode 100644 index 642074e0..00000000 --- a/10_Wiki/Topics/옴니 참조(Omni Reference, --oref).md +++ /dev/null @@ -1,17 +0,0 @@ -# [[옴니 참조([[Omni Reference]], --oref)]] - -## 📌[[ brief]] Summary -옴니 참조(Omni [[Reference]], `--oref`)는 미드저니(Midjourney) V7에 도입된 핵심적인 이미지 참조 매개변수이다 [1, 2]. 단순한 얼굴 복사를 넘어 특정 객체, 사물, 캐릭터의 형태적 정체성을 AI가 기억하여 다양한 환경과 상황에서 동일하게 재현할 수 있도록 지원한다 [1, 3]. 기존 캐릭터 참조 기능(`--cref`)과 유사하면서도 적용 범위가 훨씬 넓고 유연하며, 시각적 일관성이 필수적인 프로젝트에서 중요한 역할을 수행한다 [4, 5]. - -## 📖 Core Content -* **기능적 특징과 적용 범위:** 옴니 참조는 특정 인물의 외모뿐만 아니라 맞춤형 자동차, 특정한 보석 등 구체적인 사물의 형태적 정체성까지 기억하고 재현하는 데 사용된다 [1, 3]. 다양한 샷과 배경 속에서도 동일한 형태를 일관성 있게 유지해 주므로, 복잡한 텍스트 묘사 없이도 프롬프트 전반에 걸쳐 높은 시각적 응집력을 제공한다 [3, 6]. -* **명령어 문법 및 가중치 제어:** 이 기능을 활성화하려면 프롬프트 끝에 `--oref` 매개변수를 추가하고 그 뒤에 하나 이상의 참조 이미지 URL을 입력한다 [5]. 사용자는 필요에 따라 옴니 참조 가중치인 `--ow` 매개변수(예: `--ow 70` 또는 `--ow 80`)를 추가로 설정하여, AI가 참조 이미지를 얼마나 강력하게 반영할지 세밀하게 제어할 수 있다 [5]. -* **실무적 워크플로우 활용:** 시리즈물이나 스토리보드 연속 컷을 제작할 때 매우 효과적이다. 피사체나 객체의 연속성이 필요할 때 제한적으로 옴니 참조를 사용하는 것이 권장된다 [4]. 샷 사이에서 크리처나 특정 객체의 단서를 일관되게 고정하기 위해 캐릭터 참조(`--cref`)와 옴니 참조를 조합하는 공식도 사용된다 [7]. 또한, 브랜드 미학이나 제품 라인의 시각적 테마를 균일하게 맞추고자 할 때 유용하게 활용할 수 있다 [6]. - -## 🔗 Knowledge Connections -- **Related Topics:** `[[Midjourney V7]]`, `[[Character Reference (--cref)]]`, `[[Style Reference (--sref)]]`, `[[프롬프트 가중치([[prompt]] Weights)]]` -- **Projects/Contexts:** `[[연속적인 서사(시리즈물) 및 스토리보드 제작 워크플로우]]`, `[[일관성 있는 브랜드 이미지 및 제품 라인 구축]]` -- **Contradictions/Notes:** 미드저니 V7에서 옴니 참조의 위치에 대해 소스 간 설명에 미세한 차이가 존재한다. 소스 [8]에서는 옴니 참조가 V7에서 "캐릭터 참조를 대체한다(replaces [[Character Reference]] in V7)"고 명시되어 있는 반면, 소스 [7]에서는 연속적인 시리즈물을 생성하기 위한 공식으로 "캐릭터 참조와 옴니 참조의 콤보(Character + Omni combo)"를 활용해 피사체와 객체 단서를 모두 고정하는 방법을 안내하고 있다. - ---- -*Last updated: [[2026-04-30]]* diff --git a/10_Wiki/Topics/인페인팅 (Inpainting).md b/10_Wiki/Topics/인페인팅 (Inpainting).md deleted file mode 100644 index 6e5da10b..00000000 --- a/10_Wiki/Topics/인페인팅 (Inpainting).md +++ /dev/null @@ -1,22 +0,0 @@ -# [[인페인팅 (Inpainting)]] - -## 📌[[ brief]] Summary -인페인팅(Inpainting)은 생성된 AI 이미지의 전체적인 맥락과 구도를 유지하면서 사용자가 선택한 특정 영역만을 수정하거나 새로운 요소를 추가하는 사후 편집 기능입니다 [1-3]. 미드저니(Midjourney)에서는 'Vary (Region)' 또는 'Erase'라는 도구로 제공되며, DALL-E 등에서도 지원됩니다 [1, 4, 5]. 처음부터 이미지를 완전히 다시 생성할 필요 없이, 작은 오류를 고치거나 디테일을 다듬는 데 매우 유용하게 쓰입니다 [1, 6]. - -## 📖 Core Content -* **인페인팅의 작동 원리 및 단계:** - 인페인팅 기능은 이미지를 업스케일링(Upscale)한 후, 올가미(Freehand)나 직사각형 도구를 사용해 편집할 영역을 지정함으로써 작동합니다 [7, 8]. 이후 나타나는 편집기에서 텍스트 프롬프트를 수정하여 제출하면, AI가 원본 이미지의 문맥을 고려하여 지정된 영역에만 새로운 지시사항을 합성해 냅니다 [3, 9]. 미드저니의 경우, 이 과정에서 프롬프트를 수정하기 위해서는 '리믹스 모드(Remix Mode)'가 반드시 활성화되어 있어야 합니다 [3, 10]. -* **효과적인 인페인팅 프롬프트 작성법:** - 부분 수정을 위한 프롬프트를 작성할 때는 "A를 B로 변경해 주세요(Please change the meadow trail into a beautiful stream)"와 같은 설명적인 문장보다는, 도입하고자 하는 새로운 객체나 디테일(예: "meadow stream", "왕관")에만 집중한 간결하고 직접적인 프롬프트가 훨씬 더 효과적입니다 [6, 11]. -* **영역 선택의 기술적 노하우:** - 선택하는 영역의 크기는 AI의 결과물에 지대한 영향을 미칩니다 [8]. 영역을 넓게 잡을수록 AI가 주변 맥락을 파악하고 창의적인 디테일을 생성할 공간이 많아져 기존 이미지와 더 잘 융화되지만, 유지하고 싶었던 부분까지 덮어쓸 위험이 있습니다 [8, 11]. 반대로 영역이 너무 좁으면 AI가 주변과의 연결성을 파악하기 어려워지므로, 변경할 대상 주변의 여백을 충분히 포함하여 선택하는 것이 중요합니다 [3]. -* **작업 프로세스 권장 사항 (Small Steps):** - 이미지의 여러 부분을 한 번에 수정하려고 하기보다는, 한 번에 한 영역씩 점진적인 단계(Small Steps)를 거치며 작업하는 것이 좋습니다 [12]. 이렇게 하면 각각의 영역에 대해 가장 구체적이고 최적화된 프롬프트를 개별적으로 적용할 수 있습니다 [12]. - -## 🔗 Knowledge Connections -- **Related Topics:** [[리믹스 모드 (Remix Mode)]], [[아웃페인팅 (Outpainting)]] -- **Projects/Contexts:** [[미드저니 Vary Region (Vary Region)]], [[AI 이미지 사후 편집 (Post-[[Processing]])]] -- **Contradictions/Notes:** 인페인팅을 할 때 영역을 너무 작게 잡으면 정밀한 수정이 될 것 같지만, 실제로는 AI가 맥락을 잃기 쉬우므로 대상과 주변 여백을 충분히 함께 선택해야 더 자연스러운 결과를 얻을 수 있습니다 [3, 11]. - ---- -*Last updated: [[2026-04-30]]* diff --git a/10_Wiki/Topics/인페인팅 (Inpainting-Vary Region).md b/10_Wiki/Topics/인페인팅 (Inpainting-Vary Region).md deleted file mode 100644 index ac0d73b9..00000000 --- a/10_Wiki/Topics/인페인팅 (Inpainting-Vary Region).md +++ /dev/null @@ -1,22 +0,0 @@ -# [[인페인팅 (Inpainting/Vary Region)]] - -## 📌[[ brief]] Summary -인페인팅(Inpainting/Vary Region)은 AI가 생성한 이미지의 전체적인 형태와 맥락은 그대로 유지하면서 특정 부분(Region)만 선택해 변경하거나 새로운 요소를 추가할 수 있게 해주는 사후 편집 기능이다 [1-4]. 이 기능은 전체 이미지를 처음부터 다시 생성할 필요 없이 작은 실수를 고치거나 세부적인 디테일을 정교하게 다듬을 때 매우 유용하게 활용된다 [1, 3]. - -## 📖 Core Content -* **작동 방식 및 설정 과정** - 이미지 생성 후 이미지를 업스케일(Upscale)하고 'Vary (Region)' 버튼을 클릭한 뒤, 직사각형(Rect[[ANGLE]])이나 자유형(Freehand) 선택 도구를 이용해 편집하고자 하는 영역을 지정한다 [5, 6]. 미드저니(Midjourney)에서는 '리믹스 모드(Remix Mode)'를 활성화해야 선택된 영역에 대해 새로운 텍스트 프롬프트를 입력하고 변경 사항을 적용할 수 있다 [4, 7]. -* **프롬프트 작성 팁** - 특정 영역을 변경할 때 프롬프트는 길고 복잡한 문장(예: "Please change the meadow trail into a beautiful stream")으로 설명하기보다는, 새롭게 생성하고자 하는 대상에만 집중하여 짧고 직관적인 단어(예: "meadow stream")로 작성하는 것이 훨씬 효과적이다 [8]. -* **선택 영역 크기와 맥락의 중요성** - 선택한 영역의 크기는 AI가 생성하는 결과물에 큰 영향을 미친다 [6, 8]. 선택 범위를 너무 크게 잡으면 AI가 문맥을 파악하기는 쉬우나 유지하고 싶었던 원본의 다른 요소까지 대체되거나 혼합될 위험이 있다 [8]. 반대로 선택 영역이 너무 좁으면 AI가 주변 환경과의 연결성을 파악하기 어려워지므로, 변경할 대상 주변의 여백을 충분히 포함하여 선택하는 것이 자연스러운 합성을 위한 핵심 노하우이다 [4, 6]. -* **활용 사례 및 반복 작업([[Iteration]])** - 인페인팅은 인물의 모자를 왕관으로 바꾸거나, 흩날리는 머리카락 제거, 메이크업 색상 변경, 제품 목업의 배경색 및 질감 테스트 등 디테일한 수정에 다양하게 사용된다 [1, 4, 9, 10]. 여러 부분을 수정해야 할 경우에는 한 번에 다수의 영역을 선택하기보다는 한 번에 한 영역씩 독립적인 프롬프트를 부여하며 점진적이고 반복적으로 작업하는 것이 권장된다 [4, 8]. - -## 🔗 Knowledge Connections -- **Related Topics:** [[프롬프트 엔지니어링 ([[prompt]] Engineering)]], [[아웃페인팅 (Outpainting/Zoom Out)]], [[리믹스 모드 (Remix Mode)]] -- **Projects/Contexts:** [[미드저니 (Midjourney)]], [[이미지 사후 편집 및 정교화 (Refining and Iterating)]] -- **Contradictions/Notes:** 소스에 관련 정보가 부족합니다. - ---- -*Last updated: [[2026-04-30]]* diff --git a/10_Wiki/Topics/인페인팅 및 드래프트 모드(Inpainting and Draft Mode).md b/10_Wiki/Topics/인페인팅 및 드래프트 모드(Inpainting and Draft Mode).md deleted file mode 100644 index 92790d26..00000000 --- a/10_Wiki/Topics/인페인팅 및 드래프트 모드(Inpainting and Draft Mode).md +++ /dev/null @@ -1,25 +0,0 @@ -# [[인페인팅 및 드래프트 모드(Inpainting and Draft Mode)]] - -## 📌[[ brief]] Summary -인페인팅(Inpainting)은 생성된 이미지의 전체를 변경하지 않고 사용자가 선택한 특정 영역만을 수정하거나 새로운 요소를 추가할 수 있는 기능으로, 미드저니(Midjourney)에서는 'Vary (Region)'이라는 이름으로 제공된다 [1]. 드래프트 모드(Draft Mode)는 미드저니 V7에서 도입된 기능으로, 표준 생성보다 훨씬 빠르고 저렴하게 대량의 시안을 생성할 수 있게 해주는 모드이다 [2]. 이 두 기능은 생성형 AI 이미지를 효율적으로 탐색하고 세밀하게 사후 편집하여 프롬프트의 한계를 보완하는 핵심 워크플로우로 활용된다 [1-3]. - -## 📖 Core Content - -**인페인팅(Inpainting) - Vary (Region) 기능과 프롬프트 전략** -* **기능 개요:** 미드저니의 'Vary (Region)'은 이미지의 작은 실수를 수정하거나 새로운 요소를 추가할 때, 나머지 배경과 맥락을 완벽하게 유지하면서 특정 부분만 재생성하는 기능이다 [1, 4]. DALL-E 등 다른 생성 AI에서도 인페인팅을 통한 이미지 수정 기능을 제공한다 [5, 6]. -* **작업 방식:** 이미지를 업스케일(Upscale)한 후 'Vary (Region)' 버튼을 클릭하고, 직사각형(Rect[[ANGLE]]) 또는 자유형(Freehand) 도구로 수정할 영역을 선택한다 [7, 8]. 리믹스 모드(Remix Mode)가 켜져 있으면 선택한 영역에 대해서만 새로운 텍스트 프롬프트를 입력하여 세밀한 수정(예: 모자를 왕관으로 변경)이 가능하다 [4, 9, 10]. -* **선택 영역 및 프롬프트 팁:** - * 선택 영역의 크기가 결과에 큰 영향을 미친다. 선택 영역이 넓으면 AI가 주변 맥락을 파악해 새롭고 창의적인 디테일을 생성할 공간이 많아지지만, 유지하려던 원본 요소까지 대체될 위험이 있다 [8, 11]. 반대로 영역이 너무 좁으면 AI가 주변과의 연결성을 파악하기 어려울 수 있으므로 대상 주변 여백을 충분히 포함해야 한다 [4]. - * Vary Region 적용 시 프롬프트는 길고 서술적인 문장보다 "meadow stream(초원 개울)"처럼 짧고 직접적인 단어가 가장 효과적이며, 한 번에 여러 곳을 수정하기보다는 한 부분씩 단계적으로 작업하는 것이 좋다 [11]. - -**드래프트 모드(Draft Mode)와 효율적인 생성 워크플로우** -* **기능 개요:** 미드저니 V7에서 도입된 `--draft` 파라미터는 표준 이미지 생성보다 약 10배 빠르며 GPU 비용은 절반 수준으로 소모하는 저화질 시안 생성 기능이다 [2, 3, 12]. -* **효율적인 파이프라인 구축:** 프롬프트 작성 시 처음부터 완벽한 이미지를 기대하기보다는, 여러 프롬프트와 화면 비율을 사용해 저렴한 드래프트 이미지를 대량으로 생성하는 탐색 과정이 권장된다 [2, 13]. 이후 가장 유망한 구도나 아이디어를 선별하여 고화질 렌더링으로 승격(Promote)시키고, 시드([[Seed]])나 스타일 참조(Style [[Reference]])를 재사용하여 정교화하는 단계적(Staged) 프로세스를 구축할 수 있다 [2, 12-14]. - -## 🔗 Knowledge Connections -- **Related Topics:** [[리믹스 모드(Remix Mode)]], [[반복적 정교화(Iterative [[Refinement]])]], [[프롬프트 파라미터([[prompt]] [[Parameter]]s)]] -- **Projects/Contexts:** [[미드저니(Midjourney) V7 워크플로우]], [[AI 이미지 사후 편집(Post-editing)]] -- **Contradictions/Notes:** 인페인팅 작업을 위한 영역 선택 시, 넓은 영역을 선택하면 AI에게 충분한 문맥을 제공하여 이미지의 일치감을 높일 수 있지만, 동시에 유지하고 싶었던 원본 이미지의 일부분이 섞이거나 통째로 대체될 수 있다는 양면적인 결과를 초래할 수 있으므로 주의가 필요하다 [11]. - ---- -*Last updated: [[2026-04-30]]* diff --git a/10_Wiki/Topics/인페인팅 및 사후 편집 (Inpainting & Post-Editing).md b/10_Wiki/Topics/인페인팅 및 사후 편집 (Inpainting & Post-Editing).md new file mode 100644 index 00000000..b940adff --- /dev/null +++ b/10_Wiki/Topics/인페인팅 및 사후 편집 (Inpainting & Post-Editing).md @@ -0,0 +1,29 @@ +# 인페인팅 및 사후 편집 (Inpainting & Post-Editing) + +## 📌 Brief Summary +인페인팅(Inpainting)은 생성된 AI 이미지의 전체적인 맥락과 구도를 유지하면서 사용자가 선택한 특정 영역만을 수정하거나 새로운 요소를 추가하는 사후 편집 기능입니다 [1-3]. 아웃페인팅(Outpainting)은 원본 이미지의 경계 밖으로 캔버스를 확장하여 새로운 배경을 추가하는 기법입니다 [1, 2]. 이러한 기능들은 처음부터 이미지를 다시 생성하지 않고도 결과물을 정교하게 보완하거나 시야를 넓힐 수 있는 강력한 도구입니다 [3-5]. + +## 📖 Core Content +* **인페인팅 (Inpainting / Vary Region)** + - **작동 원리**: 이미지를 업스케일한 후 'Vary (Region)' 버튼을 통해 특정 영역을 선택(직사각형 또는 자유형)하여 수정합니다 [7, 8]. 미드저니에서는 '리믹스 모드(Remix Mode)'를 활성화해야 선택 영역에 대해 새로운 프롬프트를 입력할 수 있습니다 [3, 10]. + - **프롬프트 전략**: "A를 B로 바꿔주세요"와 같은 긴 문장보다는 도입하려는 객체에 집중한 짧고 직접적인 키워드(예: "왕관", "meadow stream")가 훨씬 효과적입니다 [6, 11]. + - **영역 선택의 노하우**: 영역을 넓게 잡을수록 AI가 주변 맥락을 파악하기 쉬워 자연스러운 합성이 가능하지만, 유지하고 싶던 부분까지 덮어쓸 위험이 있습니다 [8, 11]. 반대로 너무 좁으면 연결성이 떨어지므로 주변 여백을 충분히 포함해야 합니다 [3, 4]. + +* **아웃페인팅 (Outpainting / Zoom Out)** + - **Zoom Out & Pan**: 원본 이미지의 경계를 넘어 캔버스를 확장합니다. 'Zoom Out'은 네 면 모두에 새로운 문맥을 추가하며, 'Pan'은 특정 방향으로만 확장하여 종횡비를 변경합니다 [1, 5]. + - **일관성 유지**: AI는 기존 이미지의 화풍(Style)과 조명(Lighting)을 유지하면서 캔버스 밖의 풍경을 논리적으로 확장합니다 [5]. + +* **드래프트 모드 (Draft Mode) 워크플로우** + - **효율적 시안 생성**: 미드저니 V7의 `--draft` 파라미터는 표준 생성보다 약 10배 빠르며 비용은 절반 수준입니다 [2, 3]. + - **단계적 프로세스**: 초기에는 드래프트 모드로 대량의 시안을 생성하여 구도와 아이디어를 선별하고, 이후 고화질 렌더링으로 승격(Promote)시켜 인페인팅 등으로 정교화하는 단계적 프로세스가 권장됩니다 [2, 12-14]. + +## ⚖️ Trade-offs & Caveats +- **선택 영역의 딜레마**: 넓은 영역은 문맥 파악에 유리하나 원본 훼손 위험이 있고, 좁은 영역은 원본 유지에는 좋으나 합성의 자연스러움이 떨어질 수 있습니다 [11]. +- **점진적 작업 (Small Steps)**: 여러 부분을 한 번에 수정하기보다 한 번에 한 영역씩 점진적으로 작업하는 것이 각각의 영역에 최적화된 프롬프트를 적용하는 데 유리합니다 [12]. + +## 🔗 Knowledge Connections +- **Related Topics**: [[리믹스 모드 (Remix Mode)]], [[프롬프트 엔지니어링 (Prompt Engineering)]], [[화풍과 조명 (Style and Lighting)]] +- **Projects/Contexts**: [[미드저니 (Midjourney) V7 워크플로우]], [[AI 이미지 사후 편집 및 정교화 (Refining and Iterating)]] + +--- +*Last updated: 2026-04-30* diff --git a/10_Wiki/Topics/인페인팅 및 아웃페인팅 (Inpainting and Outpainting).md b/10_Wiki/Topics/인페인팅 및 아웃페인팅 (Inpainting and Outpainting).md deleted file mode 100644 index ac2a7b71..00000000 --- a/10_Wiki/Topics/인페인팅 및 아웃페인팅 (Inpainting and Outpainting).md +++ /dev/null @@ -1,26 +0,0 @@ -# [[인페인팅 및 아웃페인팅 (Inpainting and Outpainting)]] - -## 📌[[ brief]] Summary -인페인팅(Inpainting)은 생성된 이미지의 전체적인 맥락을 유지하면서 특정 영역만을 선택해 수정하거나 새로운 요소를 추가하는 기법이다 [1-3]. 반면, 아웃페인팅(Outpainting)은 원본 이미지의 경계 밖으로 캔버스를 확장하여 새로운 배경이나 문맥을 자연스럽게 추가하는 기법을 의미한다 [1, 2]. 이 두 가지 기능은 처음부터 이미지를 다시 생성하지 않고도 결과물을 정교하게 보완하거나 시야를 넓힐 수 있는 강력한 사후 편집 도구이다 [3-5]. - -## 📖 Core Content -* **인페인팅(Inpainting)의 메커니즘과 프롬프트 제어** - * 인페인팅은 이미지의 나머지 부분을 변경하지 않고 특정 세부 사항을 수정하거나 배경을 교체할 때 사용된다 [1, 2]. - * 미드저니(Midjourney)에서는 이를 'Vary (Region)' 또는 'Erase' 기능으로 제공하며, 직사각형(Rect[[ANGLE]])이나 올가미(Freehand) 도구로 수정할 영역을 선택하고 새로운 프롬프트를 입력하여 적용한다 [3, 6, 7]. DALL-E 3 또한 인페인팅을 통한 이미지 수정 기능을 지원한다 [8]. - * 인페인팅 프롬프트를 작성할 때는 기존 이미지의 문맥을 이미 AI가 고려하고 있으므로, "목초지 오솔길을 아름다운 시냇물로 바꿔주세요"처럼 길게 서술하기보다 "목초지 시냇물(meadow stream)"과 같이 짧고 직관적인 키워드를 사용하는 것이 가장 효과적이다 [9]. - * 선택 영역의 크기도 중요하다. 너무 작게 영역을 지정하면 AI가 주변과의 연결성을 파악하기 어려우므로, 수정할 대상 주변의 여백을 충분히 포함하여 선택하는 것이 기술적 노하우이다 [5, 7]. 또한, 여러 부분을 수정하고 싶다면 한 번에 하나씩 단계적으로 작업하는 것이 권장된다 [9]. - * 미드저니에서 '리믹스(Remix)' 모드를 활성화하면, 선택한 영역에 대해서만 새로운 프롬프트를 입력하여 더욱 정교한 합성을 이끌어낼 수 있다 [5, 10]. - -* **아웃페인팅(Outpainting)의 메커니즘과 시야 확장** - * 아웃페인팅은 원본 이미지의 경계를 넘어서 캔버스를 밖으로 확장할 때 사용된다 [2]. - * 미드저니에서는 'Zoom Out(줌 아웃)'과 'Pan(팬)' 기능이 아웃페인팅 역할을 수행한다 [1, 5]. - * 'Zoom Out'은 원본 이미지의 네 면 모두에 새로운 문맥과 요소를 추가하여 시야를 넓히며, 'Pan'은 특정 방향으로만 캔버스를 확장하여 결과적으로 이미지의 종횡비(Aspect Ratio)를 변경할 수 있게 해준다 [1]. - * 아웃페인팅을 적용할 때 AI는 기존 이미지의 화풍(Style)과 조명(Lighting)을 그대로 유지하면서 캔버스 밖의 풍경을 논리적으로 확장한다 [5]. 이를 통해 화면에 보이지 않던 건물의 전체 모습이나 확장된 거리의 행인 등 새로운 서사적 요소를 자연스럽게 배치할 수 있다 [5]. - -## 🔗 Knowledge Connections -- **Related Topics:** [[리믹스 모드 (Remix Mode)]], [[프롬프트 엔지니어링 ([[prompt]] Engineering)]], [[화풍과 조명 (Style and Lighting)]] -- **Projects/Contexts:** [[사후 편집 및 캔버스 확장 (Post-editing and Canvas Expansion)]], [[미드저니 영역별 변주 (Midjourney Vary Region)]] -- **Contradictions/Notes:** 선택 영역의 크기에 관하여, 영역을 크게 잡으면 AI가 원본 이미지와 새 콘텐츠를 조화롭게 섞기 위한 문맥을 충분히 얻을 수 있지만, 자칫 원치 않는 부분까지 함께 교체될 위험이 있으므로 주의가 필요하다는 점이 강조된다 [9]. - ---- -*Last updated: [[2026-04-30]]* diff --git a/10_Wiki/Topics/정적 애플리케이션 보안 테스트 (SAST).md b/10_Wiki/Topics/정적 애플리케이션 보안 테스트 (SAST).md new file mode 100644 index 00000000..cc3c2539 --- /dev/null +++ b/10_Wiki/Topics/정적 애플리케이션 보안 테스트 (SAST).md @@ -0,0 +1,29 @@ +# 정적 애플리케이션 보안 테스트 (SAST) + +## 📌 Brief Summary +SAST(Static Application Security Testing)는 애플리케이션을 실행하지 않고 소스 코드나 바이트코드를 분석하여 잠재적인 보안 취약점과 결함을 찾아내는 화이트박스 테스트(White-box Testing) 기법입니다 [1, 2]. 소프트웨어 개발 수명 주기(SDLC)의 초기 단계인 IDE나 CI/CD 파이프라인에 통합되어 보안 이슈를 선제적으로 해결하는 '시프트 레프트(Shift-Left)' 전략의 핵심 도구입니다 [1, 3]. + +## 📖 Core Content +* **작동 원리 및 탐지 영역** + - **코드 분석**: 추상 구문 트리(AST)나 제어 흐름 그래프(CFG)를 생성하여 코드 구조를 파악합니다 [2]. + - **테인트 분석 (Taint Analysis)**: 신뢰할 수 없는 외부 데이터 유입원(Source)에서 위험한 지점(Sink)으로 데이터가 흐르는지 추적하여 SQL 주입, XSS 등을 탐지합니다 [2, 4]. + - **전수 조사**: 실행되지 않는 코드 경로까지 모두 검사할 수 있어 높은 커버리지를 제공합니다 [2]. + +* **AI 기반 SAST의 진화** + - 전통적 SAST의 고질적 문제인 높은 오탐률(False Positive)을 해결하기 위해 최근에는 LLM과 기계 학습을 결합한 차세대 도구들이 등장하고 있습니다 [5, 6]. + - AI는 코드의 문맥을 이해하여 오탐을 필터링하고, 개발자가 즉시 적용할 수 있는 자동 수정 코드(Auto-fix)를 제안하여 수정 비용을 획기적으로 낮춥니다 [6, 7]. + +* **도구 및 에코시스템** + - **주요 도구**: SonarQube, Snyk Code, Semgrep, Checkmarx, Veracode 등 [1, 8]. + - **SCA와의 차이**: SCA(Software Composition Analysis)가 외부 라이브러리의 취약점을 검사하는 반면, SAST는 팀이 직접 작성한 자체 소스 코드의 로직 결함을 찾는 데 집중합니다 [9]. + +## ⚖️ Trade-offs & Caveats +- **오탐 관리**: 런타임 컨텍스트가 부족하여 실제로는 안전한 코드임에도 경고를 띄울 수 있습니다. 이를 관리하기 위해 규칙 최적화와 수동 리뷰 병행이 필요합니다 [3, 10]. +- **문맥적 한계**: 비즈니스 로직상의 결함이나 아키텍처 수준의 설계 오류를 파악하는 데는 한계가 있으므로, 실행 중인 앱을 검사하는 DAST 및 수동 리뷰와 결합된 하이브리드 접근이 권장됩니다 [10, 11]. + +## 🔗 Knowledge Connections +- **Related Topics**: [[동적 애플리케이션 보안 테스트 (DAST)]], [[소프트웨어 구성 분석 (SCA)]], [[시프트 레프트 (Shift-Left)]], [[DevSecOps]], [[코드 리뷰 (Code Review)]] +- **Projects/Contexts**: [[Antigravity 보안 거버넌스]], [[GitHub Advanced Security]] + +--- +*Last updated: 2026-04-30* diff --git a/10_Wiki/Topics/제병협동 (Combined Arms).md b/10_Wiki/Topics/제병협동 (Combined Arms).md deleted file mode 100644 index dcd65df3..00000000 --- a/10_Wiki/Topics/제병협동 (Combined Arms).md +++ /dev/null @@ -1,31 +0,0 @@ ---- -category: AI & Games -status: Final -converted_at: 2026-04-28 ---- - -# 제병협동 (Combined Arms) - -## 📌[[ brief]] Summary -[[WARNO]]에서의 제병협동은 보병, 전차, 대공, 포병, 정찰 등 서로 다른 강점과 약점을 가진 유닛들을 결합하여 상호 지원하는 전술적 진형을 구성하는 핵심 플레이 원리입니다. 각 유닛의 사거리, 장갑, 은신도 등의 데이터 특성을 기반으로 알맞은 위치에 유닛을 배치하여 적의 어떠한 유닛 조합에도 대응할 수 있게 만듭니다. 성공적인 제병협동은 전략적 우위를 제공하며, Army General 캠페인 모드에서는 부대 병종의 조합에 따라 적에게 부정적인 보정치를 부여하는 시스템적 보너스로도 작용합니다. - -## 📖 Core Content -* **가위바위보 상성 극복과 전술적 유연성 확보** - WARNO의 전투는 기본적으로 '가위바위보' 원리처럼 각 유닛 간의 명확한 상성이 존재합니다(예: 공격 헬기는 전차에 강하고, 대공포는 공격 헬기에 강함) [1]. 적이 어떠한 유닛을 전장에 투입하더라도 즉각적으로 대응하기 위해서는 단일 병종이 아닌 보병, 장갑차, 포병, 항공 지원, 정찰 유닛 등을 통합한 제병협동 전술이 필수적입니다 [2-4]. 연막을 효과적으로 활용하며 다양한 유닛을 혼합하는 것은 게임에서 승리하기 위한 주요 전략 중 하나로 강조됩니다 [5]. - -* **유닛 데이터 기반의 진형(Formation) 배치 원칙** - 제병협동 진형을 구성할 때는 각 유닛의 장갑 수치, 사거리, 은신도 등 시스템적 특성 데이터를 고려하여 상호 보완적인 배치를 해야 합니다 [6]. - * **장갑과 방호**: 장갑 수치가 낮은 차량이나 비전투 유닛(보급, 지휘 차량 등)은 적의 대전차 공격을 흡수할 수 있는 장갑이 두꺼운 중전차 등의 후방에 배치하여 보호받아야 합니다 [7, 8]. - * **사거리**: ATGM(대전차 유도 미사일) 차량이나 공격 헬기와 같은 장거리 타격 유닛은 보병이나 전차 등 사거리가 짧은 유닛의 뒤에 배치해야 합니다 [7, 9]. 이는 원거리의 이점을 살리면서도 적의 공격을 받을 경우 빠르게 사거리 밖으로 후퇴할 수 있도록 하기 위함입니다 [9]. - * **은신도(Stealth)**: 대공 차량이나 보급 헬기 등 은신도가 낮아 적에게 쉽게 노출되는 유닛은 대공 보병처럼 은신도가 높은 유닛의 후방에 배치하여 생존성을 높여야 합니다 [8]. - -* **게임 내 실전 활용 및 시스템적 지원** - 실제 게임 플레이에서 스나이퍼가 보병, 전차, IFV(보병전투차량)를 후방에서 지원하는 플레이는 매우 훌륭한 제병협동의 사례로 꼽힙니다 [10]. 플레이어는 덱 빌딩 단계에서 전차, 대공 차량, 정찰 차량 등을 묶어 '전투 단(Combat Group)'을 구성할 수 있으며, 이 경우 정찰 차량이 시야를 확보하고 전차가 타격하며 대공 차량이 공중 위협을 제거하는 유기적인 제병협동이 이루어집니다 [11, 12]. 또한, Army General(턴제 캠페인) 모드에서는 서로 다른 병종을 결합하여 전투에 임할 경우, 병과 비대칭성으로 인해 적의 전투 결과에 부정적인 보정치를 부여하여 시스템적으로 직접적인 이점을 얻을 수 있습니다 [13]. - -## 🔗 Knowledge Connections -- **Related Topics:** [[전술적 진형 (Tactical Formations)]], [[장갑 관통 및 방호 (Armor Penetration and Protection)]], [[시야 및 정찰 (Vision and Scouting)]] -- **Projects/Contexts:** [[Army General 캠페인 (Army General Campaign)]], [[WARNO 전투 역학 (WARNO Game Mechanics)]] -- **Contradictions/Notes:** 소스에 관련 정보 내 모순점은 발견되지 않았습니다. 제공된 모든 소스는 제병협동 전술이 WARNO 시스템 설계 내에서 필수적으로 요구되는 요소이며, 유닛의 고유 데이터(장갑, 사거리 등)에 따라 철저하게 계산되어야 함을 일관되게 강조하고 있습니다. - ---- -*Last updated: 2026-04-28* \ No newline at end of file diff --git a/10_Wiki/Topics/제병협동 전술 (Combined Arms).md b/10_Wiki/Topics/제병협동 전술 (Combined Arms).md index c20b0792..ed12b6fa 100644 --- a/10_Wiki/Topics/제병협동 전술 (Combined Arms).md +++ b/10_Wiki/Topics/제병협동 전술 (Combined Arms).md @@ -1,24 +1,29 @@ ---- -category: AI & Games -status: Final -converted_at: 2026-04-28 ---- - # 제병협동 전술 (Combined Arms) -## 📌[[ brief]] 소스 -[[WARNO]]에서 제병협동 전술(Combined Arms)은 보병, 기갑, 포병, 항공 지원 및 정찰 등 다양한 병과가 조화롭게 협력하여 승리를 쟁취하는 핵심 전술 개념입니다 [1]. 서로 다른 특성과 능력치를 가진 유닛들을 통합하고 상호 지원하도록 배치함으로써 개별 유닛의 약점을 보완하고 적의 어떠한 유닛에도 효과적으로 대응할 수 있습니다 [2, 3]. 이는 단순한 실시간 전술 전투를 넘어 전략 모드인 아미 제너럴(Army General)에서도 시스템적으로 깊게 반영되어, 다양한 병과를 결합하면 적에게 디버프를 주고 아군에게 보너스를 부여하는 등 데이터 기반 설계의 핵심을 이룹니다 [4, 5]. +## 📌 Brief Summary +[[WARNO]]에서의 제병협동(Combined Arms)은 보병, 기갑, 포병, 항공 지원 및 정찰 등 서로 다른 강점과 약점을 가진 유닛들을 결합하여 상호 지원하는 전술적 진형을 구성하는 핵심 플레이 원리입니다 [1]. 각 유닛의 사거리, 장갑, 은신도 등 시스템적 특성을 기반으로 최적의 위치에 유닛을 배치함으로써 개별 유닛의 약점을 보완하고 전술적 우위를 확보합니다 [2, 3]. 이는 단순한 전투 전술을 넘어 Army General 캠페인 모드에서도 시스템적으로 깊게 반영되어 병과 조합에 따른 보너스를 제공합니다 [4, 5]. ## 📖 Core Content -- **병과 간 상호 지원과 전술적 배치 (Mutual [[Support]] & Positioning)**: 제병협동의 핵심은 개별 유닛의 데이터 특성(사거리, 장갑, 은신 등)을 기반으로 한 상호 지원 진형을 구축하는 것입니다 [6]. 장갑이 얇은 유닛은 중장갑 유닛 뒤에, 사거리가 긴 유닛(ATGM, 공격 헬리콥터 등)은 보병이나 전차 뒤에, 비전투 및 은신 능력(Stealth)이 낮은 유닛은 후방에 배치하여 각 유닛의 특성을 극대화하고 약점을 철저히 보호해야 합니다 [7-9]. -- **란체스터의 제곱 법칙 (Lanchester's Square Law) 적용**: 게임 내 화력전에서 부대의 전투력은 보유한 유닛 화력 총합의 제곱에 비례하게 설계되어 있습니다 [10]. 서로 다른 병과(예: 전차, ATGM 차량, 보병 등)를 결합하여 십자포화(Crossfire)를 구성하면 단일 유닛으로 전투할 때보다 기하급수적으로 높은 데미지와 제압력(Suppression)을 적에게 입힐 수 있습니다 [11, 12]. -- **핵심 병과의 융합 (Integration of Key Units)**: 정찰 유닛으로 적을 식별하고, 전차와 보병으로 전선을 형성하며, 대공(AA) 유닛으로 이들을 보호하고, 연막(Smoke)을 효과적으로 사용하여 교전을 통제하는 것이 제병협동의 기본입니다 [13-16]. 일례로 저격수가 보병, 전차, IFV를 동시에 지원하도록 배치하는 것은 시스템상 매우 스마트한 제병협동 플레이로 권장됩니다 [17]. -- **아미 제너럴(Army General) 시스템과의 연동**: 턴제 전략 캠페인인 아미 제너럴 모드에서도 제병협동의 원칙은 룰로 강제됩니다. 전투에 다양한 유형의 부대를 참여시킬 경우, 적 부대에게 부정적인 수정치(negative modifier)가 적용되며, 아군에게는 추가적인 전투 보너스가 시스템적으로 계산되어 승률에 직접적인 영향을 미칩니다 [4, 5]. +* **유닛 데이터 기반의 상호 지원 배치 (Mutual Support & Positioning)** + 제병협동의 핵심은 유닛의 데이터 특성(장갑, 사거리, 은신 등)에 따른 상호 보완적인 배치입니다 [6, 7]. + - **장갑과 방호**: 장갑이 얇은 유닛은 중전차 등 장갑이 두꺼운 유닛의 후방에서 보호받아야 합니다 [8]. + - **사거리 활용**: ATGM 차량이나 공격 헬기 같은 장거리 타격 유닛은 보병이나 전차 뒤에 배치하여 사거리의 이점을 극대화합니다 [7, 9]. + - **은신도(Stealth)**: 은신도가 낮은 유닛은 대공 보병처럼 은신도가 높은 유닛과 병행 배치하여 생존성을 높입니다 [8]. + +* **란체스터의 제곱 법칙 (Lanchester's Square Law) 적용** + 화력전에서 부대의 전투력은 보유한 유닛 화력 총합의 제곱에 비례하도록 설계되어 있습니다 [10]. 서로 다른 병과를 결합하여 십자포화(Crossfire)를 구성하면 단일 유닛으로 대응할 때보다 기하급수적으로 높은 데미지와 제압력(Suppression)을 적에게 입힐 수 있습니다 [11, 12]. + +* **게임 내 시스템적 지원** + - **전투 단 (Combat Group)**: 덱 빌딩 단계에서 정찰, 전차, 대공 유닛을 묶어 유기적인 협동이 가능하도록 구성할 수 있습니다 [11, 12]. + - **아미 제너럴 (Army General)**: 턴제 캠페인 모드에서 다양한 병종을 결합하면 적 부대에게 부정적인 수정치(Negative Modifier)를 부여하고 아군에게는 전투 보너스를 제공하여 승률에 직접적인 영향을 미칩니다 [4, 5, 13]. + +## ⚖️ Trade-offs & Caveats +- **블로빙(Blobbing)의 위험**: 한 장소에 유닛을 단순히 뭉쳐놓는 행위는 제병협동의 원칙에 위배되며, 적의 광역 살상 무기나 포병 타격에 매우 취약해집니다 [18]. +- **연막(Smoke)의 전략적 활용**: 제병협동 시 연막을 효과적으로 사용하여 아군 유닛의 시야를 확보하거나 적의 시야를 차단하는 교전 통제가 필수적입니다 [5, 15]. ## 🔗 Knowledge Connections -- **Related Topics:** [[란체스터의 제곱 법칙 (Lanchester's Square Law)]], [[상호 지원 (Mutual Support)]], [[아미 제너럴 (Army General)]], [[시야 및 은신 (Line of Sight & Stealth)]] -- **Projects/Contexts:** [[WARNO 전술 가이드 (Tactical Guide)]], [[아미 제너럴 캠페인 (Army General Campaign)]] -- **Contradictions/Notes:** 소스에 따르면 단일 병과에만 의존하거나 한 장소에 유닛을 단순히 뭉쳐놓는 '블로빙(Blobbing)' 행위는 제병협동의 원칙에 위배되며, 숙련된 플레이어의 광역 살상 무기나 포병에 의해 매우 취약하게 파훼됩니다 [18]. +- **Related Topics**: [[란체스터의 제곱 법칙 (Lanchester's Square Law)]], [[전술적 진형 (Tactical Formations)]], [[장갑 관통 및 방호 (Armor Penetration and Protection)]], [[시야 및 정찰 (Vision and Scouting)]] +- **Projects/Contexts**: [[WARNO 전술 가이드 (Tactical Guide)]], [[Army General 캠페인 (Army General Campaign)]] --- -*Last updated: 2026-04-28* \ No newline at end of file +*Last updated: 2026-04-30* \ No newline at end of file diff --git a/10_Wiki/Topics/지도 학습 (Supervised Learning).md b/10_Wiki/Topics/지도 학습 (Supervised Learning).md new file mode 100644 index 00000000..e36219bc --- /dev/null +++ b/10_Wiki/Topics/지도 학습 (Supervised Learning).md @@ -0,0 +1,25 @@ +# 지도 학습 (Supervised Learning) + +## 📌 Brief Summary +지도 학습(Supervised Learning)은 정답(Label)이 포함된 데이터를 통해 입력(Feature)과 출력 사이의 관계를 학습하여 미지의 데이터에 대한 정답을 예측하는 머신러닝 방법론입니다 [1, 2]. 사람이 라벨링한 데이터를 바탕으로 '문제'와 '해설지' 사이의 지도를 그리는 과정에 비유할 수 있습니다 [1]. + +## 📖 Core Content +* **주요 문제 유형** + - **분류 (Classification)**: 데이터를 이산적인 범주 중 하나로 나누는 작업입니다 (예: 스팸 메일 분류, 개/고양이 구분) [1, 3]. + - **회귀 (Regression)**: 연속적인 수치를 예측하는 작업입니다 (예: 주택 가격 예측, 매출 전망) [1, 3]. + +* **학습 프로세스** + - **데이터셋 구성**: 입력($x$)과 출력($y$)의 쌍으로 이루어진 학습 데이터를 준비합니다 [1, 4]. + - **오차 최소화 (Loss Minimization)**: 모델의 예측값과 실제 정답 사이의 차이(Loss)를 계산하고, 이를 최소화하는 방향으로 파라미터를 반복적으로 업데이트합니다 [1, 5]. + - **검증 및 평가**: 학습하지 않은 데이터에 대한 성능(일반화, Generalization)을 측정하여 과적합(Overfitting) 여부를 확인합니다 [1, 6]. + +## ⚖️ Trade-offs & Caveats +- **라벨링 비용**: 고품질의 라벨링된 데이터를 확보하는 데 많은 시간과 비용이 소요됩니다. 이를 극복하기 위해 자기 지도 학습(Self-supervised Learning) 등과 병행되기도 합니다 [1, 7]. +- **과적합 (Overfitting)**: 학습 데이터를 너무 완벽하게 외우면 새로운 데이터에 대한 성능이 떨어질 수 있으므로 규제(Regularization)와 적절한 검증 전략이 필수적입니다 [1, 6]. + +## 🔗 Knowledge Connections +- **Related Topics**: [[머신러닝 (Machine Learning)]], [[비지도 학습 (Unsupervised Learning)]], [[자기 지도 학습 (Self-supervised Learning)]], [[손실 함수 (Loss Functions)]] +- **Projects/Contexts**: [[문서 자동 분류 시스템]], [[감성 분석 파이프라인]] + +--- +*Last updated: 2026-04-30* diff --git a/10_Wiki/Topics/캐릭터 참조 (Character Reference).md b/10_Wiki/Topics/캐릭터 참조 (Character Reference).md deleted file mode 100644 index 33f86c92..00000000 --- a/10_Wiki/Topics/캐릭터 참조 (Character Reference).md +++ /dev/null @@ -1,21 +0,0 @@ -# [[캐릭터 참조 ([[Character Reference]])]] - -## 📌[[ brief]] Summary -캐릭터 참조(Character [[Reference]], `--cref`)는 미드저니(Midjourney)와 같은 이미지 생성 AI 모델에서 특정 캐릭터의 시각적 정체성을 여러 생성 이미지에 걸쳐 일관되게 유지하기 위해 사용하는 기능이다 [1, 2]. 사용자는 참조할 대상의 얼굴이나 모습이 담긴 이미지 URL을 프롬프트에 제공하여 AI가 해당 캐릭터를 기억하고 복제하도록 지시할 수 있다 [3, 4]. 이는 주로 스토리텔링, 만화 제작, 또는 일관성 있는 브랜드 에셋 등 동일한 인물을 다양한 장면과 환경에 등장시켜야 할 때 필수적으로 활용된다 [1, 5]. - -## 📖 Core Content -- **기능의 도입 및 목적**: 캐릭터 참조 기능은 미드저니 V6에서 여러 이미지에 걸쳐 동일한 주체의 시각적 정체성을 유지하기 위해 처음 도입되었다 [2]. 이후 V7 업데이트를 거치며 캐릭터 렌더링에 있어 더욱 높은 정확도를 제공하도록 발전하였다 [2, 5]. -- **기본 문법**: 프롬프트를 작성할 때 `--cref` 파라미터를 입력하고 그 뒤에 참조할 캐릭터 이미지의 URL을 덧붙여 사용한다 [3, 4]. (예: `[캐릭터 묘사 및 행동] --cref [참조 이미지 URL]`) [6]. -- **캐릭터 가중치 제어 (`--cw`)**: 참조된 캐릭터의 특징을 새 이미지에 얼마나 강하게 반영할지를 제어하기 위해 캐릭터 가중치(Character Weight, `--cw`) 파라미터를 0에서 100 사이의 수치로 설정할 수 있다 [3, 7]. - - **`--cw 100`**: 캐릭터의 얼굴뿐만 아니라 의상, 머리 스타일 등 전반적인 외형을 모두 반영한다 [4]. - - **`--cw 0`**: 캐릭터의 얼굴에만 초점을 맞춘다. 얼굴은 동일하게 유지하면서 캐릭터에게 새로운 의상을 입히거나 완전히 다른 상황 및 장면에 배치할 때 유용하다 [1, 4]. - - 사용자는 작업의 목적에 맞게 가중치를 조절하여 원본 이미지와의 유사성(높은 수치)을 강조할지, 아니면 새로운 장면을 위한 변형(낮은 수치)에 비중을 둘지 결정할 수 있다 [3]. -- **실무 워크플로우 적용**: 만화나 연속적인 스토리보드를 기획할 때 매 프레임마다 동일한 얼굴을 유지해야 하는 경우 핵심적인 역할을 한다 [1]. 이 기능은 동일한 시드 번호 재사용, 동일 프레이밍, 혹은 스타일 참조(`--sref`) 등과 결합되어 연속성 있는 시각적 프로젝트를 제작하기 위한 프롬프트 패턴의 핵심이 된다 [1, 5, 6]. - -## 🔗 Knowledge Connections -- **Related Topics:** [[캐릭터 가중치 (Character Weight)]], [[스타일 참조 (Style Reference)]], [[옴니 참조 ([[Omni Reference]])]] -- **Projects/Contexts:** [[연속성 있는 만화 및 스토리텔링 제작 (Storytelling & Comic Creation)]], [[미드저니 일관성 제어 워크플로우 (Midjourney Consistency Control)]] -- **Contradictions/Notes**: 캐릭터 참조(`--cref`)는 인물의 정체성 유지에 특화되어 있으나, 미드저니 V7에서는 이와 유사하지만 인물뿐만 아니라 특정 사물이나 피사체 전반의 형태적 정체성을 고정할 수 있는 더 포괄적인 개념의 옴니 참조(`--oref`) 기능이 도입되어 용도에 따라 보완적으로 활용되고 있다 [5, 8, 9]. - ---- -*Last updated: [[2026-04-30]]* diff --git a/10_Wiki/Topics/컨트롤넷 (ControlNet).md b/10_Wiki/Topics/컨트롤넷 (ControlNet).md index 78a71009..b900ee6f 100644 --- a/10_Wiki/Topics/컨트롤넷 (ControlNet).md +++ b/10_Wiki/Topics/컨트롤넷 (ControlNet).md @@ -1,19 +1,20 @@ -# [[컨트롤넷 ([[ControlNet]])]] +# 컨트롤넷 (ControlNet) -## 📌[[ brief]] Summary -컨트롤넷(ControlNet)은 스테이블 디퓨전(Stable Diffusion)과 같은 인공지능 이미지 생성 환경에서 활용되는 고급 제어 기술입니다 [1]. 텍스트만으로 표현하기 어려운 인체의 자세나 윤곽선 등의 정보를 모델에 주입하여 이미지를 픽셀 단위로 정밀하게 통제하는 역할을 합니다 [1]. 소스에 관련 정보가 부족합니다. +## 📌 Brief Summary +컨트롤넷(ControlNet)은 스테이블 디퓨전(Stable Diffusion)과 같은 인공지능 이미지 생성 모델에서 단순한 텍스트 프롬프트를 넘어선 고급 제어를 제공하는 기술입니다 [1]. 이 기술은 이미지의 뼈대나 윤곽선과 같은 공간적 정보를 모델에 강제로 주입하여 결과물을 픽셀 단위로 통제합니다 [1]. 텍스트 언어만으로는 세밀하게 묘사하기 어려운 인체의 정확한 자세나 사물의 배치를 창작자의 의도대로 구현할 때 필수적으로 활용됩니다 [1]. ## 📖 Core Content -- **텍스트 한계 극복 및 정밀 제어**: 컨트롤넷은 단순한 텍스트 프롬프트 입력 방식을 넘어, 결과물에 대한 사용자의 시각적 통제력을 극대화하는 고급 기술입니다 [1]. -- **구조적 정보의 강제 주입**: 이미지의 뼈대(Pose)나 윤곽선(Canny Edge)과 같은 추가적인 형태 정보를 모델의 생성 과정에 강제로 주입하여 작동합니다 [1]. -- **픽셀 단위의 공간 통제**: 이를 통해 인체의 세밀한 자세나 사물의 구체적인 배치를 픽셀 단위로 정확하게 통제할 수 있어 높은 수준의 형태적 일관성을 부여합니다 [1]. -- **기능별 파생 모델**: Canny(윤곽선), Depth(깊이), Scribble(낙서), Tile(타일) 등 다양한 방식으로 이미지를 제어하는 세부 모델들(예: Controlnet-Canny-Sdxl-1.0, Controlnet-Depth-Sdxl-1.0 등)이 구축되어 있습니다 [2]. -- **※ 소스에 관련 정보가 부족합니다**: 원본 출처 중 컨트롤넷 전문 가이드 문서("ControlNet: A Complete Guide")가 웹 보안 차단 페이지로만 수집되어, 구체적인 작동 메커니즘이나 세부 프롬프트 작성법에 대한 정보는 소스 내에 부족합니다 [1, 3]. +- **시각적 정보의 강제 주입**: 컨트롤넷은 텍스트 프롬프트 입력을 넘어, 이미지의 뼈대(Pose)나 윤곽선(Canny Edge) 정보를 AI 모델에 강제로 주입하는 방식으로 작동합니다 [1]. 이를 통해 인체의 자세, 구조, 사물의 배치를 픽셀 단위로 정밀하게 통제할 수 있습니다 [1]. +- **텍스트 프롬프트의 한계 보완**: 단순히 자연어 단어를 나열하는 프롬프팅만으로는 피사체의 구체적인 동작이나 복잡한 구도를 정확히 유도하는 데 한계가 있습니다. 컨트롤넷은 이러한 텍스트 제어의 한계를 극복하는 시각적 가이드를 제공함으로써 출력물의 형태적 정확성을 극대화합니다 [1]. +- **스테이블 디퓨전(Stable Diffusion) 환경에서의 활용**: 주로 오픈소스인 스테이블 디퓨전 생태계에서 핵심적으로 사용됩니다 [1]. 사용자는 Canny, Depth, Scribble, Tile 등 다양한 제어 조건에 특화된 컨트롤넷 모델(예: Controlnet-Canny-Sdxl-1.0, Controlnet-Depth-Sdxl-1.0)을 상황에 맞게 적용하여 고도의 일관성을 가진 이미지를 생성할 수 있습니다 [1, 2]. + +## ⚖️ Trade-offs & Caveats +- **모델 호환성**: 베이스 모델(SD 1.5, SDXL 등)과 컨트롤넷 모델 버전이 일치해야 최적의 성능을 낼 수 있습니다. +- **연산 오버헤드**: 추가적인 시각적 가이드를 처리하기 위해 일반 생성보다 더 많은 VRAM과 시간이 소요될 수 있습니다. ## 🔗 Knowledge Connections -- **Related Topics:** [[스테이블 디퓨전 (Stable Diffusion)]], [[프롬프트 엔지니어링 ([[prompt]] Engineering)]] -- **Projects/Contexts:** [[스테이블 디퓨전의 미세 조정과 오픈소스 제어]] -- **Contradictions/Notes:** 소스에 관련 정보가 부족합니다. 주요 참고 자료로 제시된 외부 링크의 세부 본문이 누락되어 있어 심층적인 가이드라인을 제공할 수 없습니다. +- **Related Topics**: [[스테이블 디퓨전(Stable Diffusion)]], [[프롬프트 엔지니어링(Prompt Engineering)]] +- **Projects/Contexts**: [[고급 이미지 제어 및 미세 조정(Advanced Image Control and Fine-tuning)]] --- -*Last updated: [[2026-04-30]]* +*Last updated: 2026-04-30* diff --git a/10_Wiki/Topics/컨트롤넷(ControlNet).md b/10_Wiki/Topics/컨트롤넷(ControlNet).md deleted file mode 100644 index 90d5d953..00000000 --- a/10_Wiki/Topics/컨트롤넷(ControlNet).md +++ /dev/null @@ -1,17 +0,0 @@ -# [[컨트롤넷([[ControlNet]])]] - -## 📌[[ brief]] Summary -컨트롤넷(ControlNet)은 스테이블 디퓨전(Stable Diffusion)과 같은 인공지능 이미지 생성 모델에서 단순한 텍스트 프롬프트를 넘어선 고급 제어를 제공하는 기술입니다 [1]. 이 기술은 이미지의 뼈대나 윤곽선과 같은 공간적 정보를 모델에 강제로 주입하여 결과물을 픽셀 단위로 통제합니다 [1]. 텍스트 언어만으로는 세밀하게 묘사하기 어려운 인체의 정확한 자세나 사물의 배치를 창작자의 의도대로 구현할 때 필수적으로 활용됩니다 [1]. - -## 📖 Core Content -- **시각적 정보의 강제 주입**: 컨트롤넷은 텍스트 프롬프트 입력을 넘어, 이미지의 뼈대(Pose)나 윤곽선(Canny Edge) 정보를 AI 모델에 강제로 주입하는 방식으로 작동합니다 [1]. 이를 통해 인체의 자세, 구조, 사물의 배치를 픽셀 단위로 정밀하게 통제할 수 있습니다 [1]. -- **텍스트 프롬프트의 한계 보완**: 단순히 자연어 단어를 나열하는 프롬프팅만으로는 피사체의 구체적인 동작이나 복잡한 구도를 정확히 유도하는 데 한계가 있습니다. 컨트롤넷은 이러한 텍스트 제어의 한계를 극복하는 시각적 가이드를 제공함으로써 출력물의 형태적 정확성을 극대화합니다 [1]. -- **스테이블 디퓨전(Stable Diffusion) 환경에서의 활용**: 주로 오픈소스인 스테이블 디퓨전 생태계에서 핵심적으로 사용됩니다 [1]. 사용자는 Canny, Depth, Scribble, Tile 등 다양한 제어 조건에 특화된 컨트롤넷 모델(예: Controlnet-Canny-Sdxl-1.0, Controlnet-Depth-Sdxl-1.0)을 상황에 맞게 적용하여 고도의 일관성을 가진 이미지를 생성할 수 있습니다 [1, 2]. - -## 🔗 Knowledge Connections -- **Related Topics:** [[스테이블 디퓨전(Stable Diffusion)]], [[프롬프트 엔지니어링([[prompt]] Engineering)]] -- **Projects/Contexts:** [[고급 이미지 제어 및 미세 조정(Advanced Image Control and [[Fine-tuning]])]] -- **Contradictions/Notes:** 소스에 포함된 컨트롤넷 전용 가이드 웹페이지("ControlNet: A Complete Guide") 원문 수집이 보안 시스템(Cloudflare)에 의해 차단되었기 때문에, 컨트롤넷의 구체적인 설정값이나 세부 기술적 메커니즘에 대해서는 소스에 관련 정보가 부족합니다 [1, 3]. - ---- -*Last updated: [[2026-04-30]]* diff --git a/10_Wiki/Topics/풀 리퀘스트 (Pull Request).md b/10_Wiki/Topics/풀 리퀘스트 (Pull Request).md new file mode 100644 index 00000000..22483e31 --- /dev/null +++ b/10_Wiki/Topics/풀 리퀘스트 (Pull Request).md @@ -0,0 +1,25 @@ +# 풀 리퀘스트 (Pull Request) + +## 📌 Brief Summary +풀 리퀘스트(Pull Request, PR)는 개발자가 수정한 코드를 메인 브랜치에 병합(Merge)하기 전, 팀원이나 자동화 도구에게 코드 검토를 요청하는 비동기적 협업 프로세스입니다 [1, 2]. 이는 단순한 코드 합병 요청을 넘어 품질 보증, 지식 공유, 그리고 팀의 기술 수준을 동기화하는 핵심적인 '협업의 의식'으로 작용합니다 [1]. + +## 📖 Core Content +* **PR의 3가지 핵심 가치** + - **품질 제어 (Quality Control)**: 동료의 검토와 자동화된 테스트를 통해 버그, 보안 취약점, 로직 오류를 사전에 식별하여 프로덕션 결함을 방지합니다 [1, 3]. + - **지식 전파 (Knowledge Transfer)**: 팀원들이 서로의 작업 방식과 도메인 지식을 배우며, 코드 리뷰 과정에서 아키텍처 결정을 공유합니다 [1]. + - **책임 공유 (Collective Responsibility)**: 승인(Approval) 과정을 통해 개인의 작업을 팀 공동의 자산이자 책임으로 승격시킵니다 [1]. + +* **워크플로우 통합 및 자동화** + - **CI/CD 연동**: PR 생성 시 정적 분석(SAST), 단위 테스트, 빌드 검사가 자동으로 실행되어 '품질 게이트' 역할을 수행합니다 [4, 5]. + - **AI 보조 리뷰**: AI가 변경 사항을 요약하고 잠재적 리스크를 분석하여 리포트를 제공하거나, 인라인 수정을 제안함으로써 리뷰어의 피로도를 낮추고 사이클 타임을 최대 40%까지 단축합니다 [5, 6]. + +## ⚖️ Trade-offs & Caveats +- **경고 피로 (Alert Fatigue)**: 과도한 자동화 코멘트는 리뷰어에게 피로를 유발할 수 있으므로, AI는 보조 수단으로 활용하고 심층적인 아키텍처 결정은 인간의 수동 검토에 의존해야 합니다 [7]. +- **사이클 타임 관리**: 검토 대기열(Backlog)이 쌓이면 개발자의 컨텍스트 스위칭 비용이 증가하므로, PR의 크기를 작게 유지하고 신속하게 피드백하는 문화가 필수적입니다 [1, 8]. + +## 🔗 Knowledge Connections +- **Related Topics**: [[코드 리뷰 (Code Review)]], [[정적 애플리케이션 보안 테스트 (SAST)]], [[CI/CD 파이프라인 (CI-CD Pipeline)]], [[품질 게이트 (Quality Gates)]] +- **Projects/Contexts**: GitHub 워크플로우, [[DevSecOps]], [[피드백 루프 (Feedback Loops)]] + +--- +*Last updated: 2026-04-30* diff --git a/10_Wiki/Topics/프롬프트 가중치 (Prompt Weighting).md b/10_Wiki/Topics/프롬프트 가중치 (Prompt Weighting).md index 6efa0b46..0d6bbfc6 100644 --- a/10_Wiki/Topics/프롬프트 가중치 (Prompt Weighting).md +++ b/10_Wiki/Topics/프롬프트 가중치 (Prompt Weighting).md @@ -1,21 +1,29 @@ -# [[프롬프트 가중치 ([[prompt]] Weighting)]] +# 프롬프트 가중치 (Prompt Weighting) -## 📌[[ brief]] Summary -프롬프트 가중치(Prompt Weighting)는 AI 이미지 생성 시 텍스트 프롬프트 내 특정 단어나 구문의 중요도를 수치화하여 결과물에 미치는 영향력을 직접적으로 제어하는 기법입니다 [1, 2]. 기본값은 1로 설정되며, 값을 높이면 해당 요소가 강조되고 낮추면 약화되지만 과도한 가중치 설정은 이미지 품질 저하를 유발할 수 있습니다 [1, 3]. 스테이블 디퓨전(Stable Diffusion)과 미드저니(Midjourney) 등 생성 모델 및 플랫폼에 따라 괄호나 특수 기호(`+, -, ::`)를 사용하는 고유의 문법 체계가 존재합니다 [4, 5]. +## 📌 Brief Summary +프롬프트 가중치(Prompt Weighting)는 AI 이미지 생성 시 텍스트 프롬프트 내 특정 단어나 구문의 중요도를 수치나 기호로 직접 제어하는 핵심 기법입니다 [1, 2]. 기본값은 일반적으로 1로 설정되며, 값을 높이면 해당 요소가 강조되고 낮추면 약화되지만 과도한 가중치 설정은 이미지 품질 저하나 왜곡을 유발할 수 있습니다 [1, 3, 5]. 스테이블 디퓨전(Stable Diffusion)과 미드저니(Midjourney) 등 모델에 따라 고유한 문법 체계가 존재합니다 [2, 4]. ## 📖 Core Content -* **가중치의 기본 문법 및 플랫폼별 차이**: AI 모델과 인터페이스에 따라 가중치를 지정하는 문법이 다릅니다. 스테이블 디퓨전에서는 주로 `(keyword:factor)` 형태의 숫자 지정이나 괄호 `()`, 대괄호 `[]`를 사용합니다 [2, 6]. 예를 들어 `()`는 1.1배 강조를, `[]`는 0.9배 약화를 의미합니다 [2, 6]. 일부 인터페이스에서는 단어 뒤에 `+`와 `-` 기호를 추가하여 강도를 조절하며, 숫자를 사용할 때 1.1~2의 범위는 강조, 0~0.9의 범위는 약화로 적용됩니다 [1, 4]. 반면 미드저니에서는 텍스트 뒤에 `::` 기호와 숫자를 붙이는 방식(예: `red car::2 blue car::1`)으로 다중 프롬프트의 비중을 설정하여 가중치를 부여합니다 [5, 7]. +* **작동 원리 및 기본 문법** + 가중치의 기본값은 일반적으로 1로 설정되며, **1보다 크면 해당 요소가 강조되고 0에서 0.9 사이면 약화**됩니다 [1, 7, 8]. 모델이나 인터페이스에 따라 `+`, `-` 기호 또는 구체적인 숫자를 사용할 수 있습니다 [1, 9]. 예를 들어 `+`는 1.1배, `-`는 0.9배의 가중치를 의미하며, 여러 번 사용할 경우 효과가 곱해집니다(예: `++`는 1.1의 제곱, `--`는 0.9의 제곱) [9, 10]. -* **부정 프롬프트(Negative Prompt)에서의 활용**: 부정 프롬프트에도 가중치를 부여하여 특정 요소의 차단 강도를 높일 수 있습니다 [8]. 끈질기게 나타나는 이미지의 결함(예: 흐릿함, 변형된 손 등)이 있을 때 `(blurry:1.5)`와 같이 적당한 가중치를 주면 모델이 해당 개념을 회피하는 데 더 집중하게 됩니다 [9]. 단, 부정 프롬프트 환경에서 `[dog:2]`처럼 잘못된 문법을 사용하면 숫자 가중치가 무시될 수 있으므로 `[(dog:1.2)]`와 같이 괄호를 올바르게 중첩해야 정상적으로 작동합니다 [10]. +* **플랫폼별 특화 문법** + - **스테이블 디퓨전 (Stable Diffusion)**: 주로 `(keyword:factor)` 형태의 문법을 통해 단어의 중요도를 숫자로 직접 지정하거나, `()` 기호(1.1배 강조), `[]` 기호(0.9배 약화)를 사용합니다 [2, 12]. + - **미드저니 (Midjourney)**: `::` 기호 뒤에 숫자를 입력하는 다중 프롬프트 방식을 사용하여 요소 간의 상대적인 비중을 제어합니다 (예: `red car::2 blue car::1`) [4, 13]. -* **참조 데이터의 가중치 제어**: 텍스트 프롬프트뿐만 아니라 이미지, 캐릭터, 스타일을 참조할 때도 가중치가 적용됩니다 [11]. 미드저니의 경우 텍스트 프롬프트와 참조 이미지 간의 비중을 정하는 이미지 가중치(`--iw`), 캐릭터의 일관성 유지 강도를 결정하는 캐릭터 가중치(`--cw`), 스타일 참조 강도를 조절하는 스타일 가중치(`--sw`), 그리고 옴니 참조 가중치(`--ow`) 등의 매개변수를 제공하여 세밀한 렌더링 비율 조정을 가능하게 합니다 [12-14]. +* **부정 프롬프트(Negative Prompt)에서의 활용** + 가중치는 부정 프롬프트에도 동일하게 적용되어 원치 않는 요소를 배제하는 강도를 높일 수 있습니다 [14, 15]. 끈질기게 나타나는 결함(예: `blurry:1.5`)에 적절한 가중치를 주면 모델이 해당 개념을 회피하는 데 더 집중하게 됩니다 [9, 15]. 단, 음수 가중치(Negative weight)는 일반적인 부정 프롬프트와 작동 방식이 다르며, 기괴하고 예측 불가능한 결과를 초래할 수 있어 주의가 필요합니다 [8]. -* **사용 시 주의사항 및 최적화 전략**: 가중치를 극단적으로 높이면 단일 프롬프트의 영향력이 과도해져 결과물에 아티팩트가 생기거나 전반적인 이미지 구성과 품질이 무너질 위험이 큽니다 [1, 3, 15]. 따라서 단어의 중요도를 높일 때는 점진적으로 가중치를 올리는 것이 좋으며, LoRA 모델이나 여러 참조 이미지를 함께 사용할 때는 0.5~0.7 정도의 안전한 범위에서 가중치를 설정하는 것이 권장됩니다 [16, 17]. +* **참조 데이터의 가중치 제어** + 텍스트뿐만 아니라 이미지, 캐릭터, 스타일을 참조할 때도 가중치가 적용됩니다. 미드저니의 경우 이미지 가중치(`--iw`), 캐릭터 가중치(`--cw`), 스타일 가중치(`--sw`), 옴니 참조 가중치(`--ow`) 등의 매개변수를 통해 세밀한 렌더링 비율 조정을 지원합니다 [12-14]. + +## ⚖️ Trade-offs & Caveats +- **과도한 가중치의 위험**: 극단적인 가중치(예: 2.0 이상)는 단일 프롬프트의 영향력을 비정상적으로 강화하여 이미지 품질 저하, 왜곡, 아티팩트(예: 파란색 노이즈)를 유발합니다 [1, 3, 16]. +- **점진적 조정 권장**: 단어의 중요도를 조절할 때는 점진적으로 가중치를 변경하는 것이 좋으며, 통상 0.5~0.7 또는 1.5 이하의 안전한 범위에서 시작하는 것이 효과적입니다 [5, 15-17]. ## 🔗 Knowledge Connections -- **Related Topics:** [[부정 프롬프트 (Negative Prompt)]], [[프롬프트 엔지니어링 (Prompt Engineering)]], [[스테이블 디퓨전 (Stable Diffusion)]], [[미드저니 (Midjourney)]] -- **Projects/Contexts:** [[AI 이미지 생성 모델 파라미터 제어]], [[LoRA 및 참조 이미지 병합 워크플로우]] -- **Contradictions/Notes:** 스테이블 디퓨전에서 가중치 약화를 위해 보편적으로 `[]` 대괄호를 사용하지만, 일부 서드파티 플랫폼(예: getimg.ai)에서는 이 대괄호 문법을 지원하지 않고 무시할 수 있어 `-` 기호나 숫자 직접 입력 방식을 권장하는 등 구문 호환성 차이가 존재합니다 [2, 8]. 또한 음수(-) 가중치는 완전히 배제하는 부정 프롬프트와 다르게 비정상적이고 기괴한 결과(eerie)를 초래할 수 있으므로 주의해야 합니다 [16]. +- **Related Topics**: [[부정 프롬프트 (Negative Prompt)]], [[프롬프트 엔지니어링 (Prompt Engineering)]], [[스테이블 디퓨전 (Stable Diffusion)]], [[미드저니 (Midjourney)]] +- **Projects/Contexts**: [[AI 이미지 생성 모델 파라미터 제어]], [[LoRA 및 참조 이미지 병합 워크플로우]] --- -*Last updated: [[2026-04-30]]* +*Last updated: 2026-04-30* diff --git a/10_Wiki/Topics/프롬프트 가중치(Prompt Weighting).md b/10_Wiki/Topics/프롬프트 가중치(Prompt Weighting).md deleted file mode 100644 index 89a53352..00000000 --- a/10_Wiki/Topics/프롬프트 가중치(Prompt Weighting).md +++ /dev/null @@ -1,31 +0,0 @@ -# [[프롬프트 가중치([[prompt]] Weighting)]] - -## 📌[[ brief]] Summary -**프롬프트 가중치(Prompt Weighting)**는 AI 이미지 생성 시 특정 단어나 구절이 최종 결과물에 미치는 영향력을 수치나 기호로 조절하는 핵심 기법이다 [1, 2]. 사용자는 이를 통해 이미지 내 특정 요소의 비중을 강조하거나 약화시키며, 복합적인 프롬프트 간의 균형을 세밀하게 제어할 수 있다 [1, 3, 4]. AI 모델(예: 스테이블 디퓨전, 미드저니 등)마다 고유한 문법 체계를 사용하며, 과도한 가중치 부여는 이미지 품질 저하나 왜곡을 초래할 수 있으므로 적절한 수준의 제어가 필수적이다 [1, 5, 6]. - -## 📖 Core Content -**작동 원리 및 기본 문법** -* 가중치의 기본값은 일반적으로 1로 설정되며, **1보다 크면 해당 요소가 강조되고 0에서 0.9 사이면 약화**된다 [1, 7, 8]. -* 모델이나 인터페이스에 따라 `+`, `-` 기호 또는 구체적인 숫자를 사용할 수 있다 [1, 9]. 예를 들어 `+`는 1.1배, `-`는 0.9배의 가중치를 의미하며, 여러 번 사용할 경우 효과가 곱해진다(예: `++`는 1.1의 제곱, `--`는 0.9의 제곱) [9, 10]. -* 여러 단어로 구성된 구문에 가중치를 부여할 때는 괄호를 사용하여 적용 범위를 지정한다(예: `(in the style of Tamara Łempicka)++`) [11]. - -**플랫폼별 특화 문법** -* **스테이블 디퓨전 (Stable Diffusion):** 주로 `(keyword:factor)` 형태의 문법을 통해 단어의 중요도를 숫자로 직접 지정한다 [2, 12]. 괄호를 활용한 기호 문법도 널리 쓰이는데, `()` 기호는 1.1배 강조를, `[]` 기호는 0.9배 약화를 나타낸다 [2, 12]. -* **미드저니 (Midjourney):** `::` 기호 뒤에 숫자를 입력하는 다중 프롬프트 방식을 사용하여 요소 간의 상대적인 비중을 제어한다 (예: `foggy forest::2 goblin bear::1`, `red car::2 blue car::1`) [4, 13]. - -**부정 프롬프트(Negative Prompt)와의 결합** -* 가중치는 부정 프롬프트에도 동일하게 적용되어 원치 않는 요소를 배제하는 강도를 높일 수 있다 [14, 15]. -* 예를 들어, 흐릿하거나 기형적인 이미지가 반복될 때 `(blurry:1.5)`나 `(deformed:1.2)`와 같이 가중치를 부여하면 모델이 해당 요소를 회피하는 데 더욱 집중하게 된다 [15]. -* 단, 음수 가중치(Negative weight)의 사용은 일반적인 부정 프롬프트와 작동 방식이 다르며, 기이하고 예측 불가능한 결과(이른바 'Twilight Zone')를 초래할 수 있어 주의가 필요하다 [8]. - -**가중치 사용 시 주의사항 및 최적화** -* **과도한 가중치(예: 2.0 이상)는 단일 프롬프트를 너무 강하게 만들어 전체 렌더링을 망치거나** 심각한 왜곡 및 아티팩트(예: 파란색 노이즈)를 유발할 수 있다 [16, 17]. 포괄적인 의미를 가진 단어에 너무 공격적인 가중치를 부여하면 새로운 문제들이 발생할 확률이 높다 [6]. -* 여러 시각적 개념이 충돌하지 않도록 모델을 사용할 때는 **0.5~0.7의 안전한 범위**에서 시작하거나 1.5 이하의 완만한 가중치를 사용하여 점진적으로 조정하는 것이 권장된다 [5, 15]. - -## 🔗 Knowledge Connections -- **Related Topics:** [[프롬프트 엔지니어링(Prompt Engineering)]], [[부정 프롬프트(Negative Prompt)]] -- **Projects/Contexts:** [[스테이블 디퓨전(Stable Diffusion)]], [[미드저니(Midjourney)]] -- **Contradictions/Notes:** 스테이블 디퓨전의 가중치 문법은 구동하는 인터페이스에 따라 다르게 해석될 수 있다. 일반적인 오픈소스 툴에서는 `()`를 강조, `[]`를 약화의 의미로 널리 사용하지만 [2, 12], 특정 웹 플랫폼(예: getimg.ai)에서는 이 문법을 지원하지 않고 `+/-` 및 숫자 기반의 문법 사용을 권장하며, 과도한 괄호 사용이 모델의 가중치 처리를 지연시킬 수 있다고 경고한다 [14]. - ---- -*Last updated: [[2026-04-30]]* diff --git a/10_Wiki/Topics/프롬프트 구조 (Prompt Structure).md b/10_Wiki/Topics/프롬프트 구조 (Prompt Structure).md deleted file mode 100644 index dcbc32e5..00000000 --- a/10_Wiki/Topics/프롬프트 구조 (Prompt Structure).md +++ /dev/null @@ -1,30 +0,0 @@ -# [[프롬프트 구조 ([[Prompt Structure]])]] - -## 📌[[ brief]] Summary -프롬프트 구조([[prompt]] Structure)는 인공지능 이미지 생성 모델이 사용자의 추상적인 텍스트 의도를 시각적 기호로 정확하게 변환할 수 있도록 지시어를 논리적으로 배치하는 계층적 뼈대이다 [1]. 효과적인 프롬프트는 단순한 단어의 나열이 아니라 주체, 환경, 스타일, 조명, 구도 및 기술적 매개변수 등의 요소를 체계적으로 구성한 15~50단어 분량의 문장이나 구문으로 이루어진다 [1, 2]. 이러한 체계적인 구조화는 모델의 혼란을 줄이고 사용자가 의도한 고품질의 시각적 결과물을 일관되게 도출하는 데 핵심적인 역할을 한다 [3, 4]. - -## 📖 Core Content -* **기본 프롬프트 공식 및 계층 구조** - 성공적인 이미지 생성 프롬프트는 대체로 4~5개의 핵심 층위로 구성된다 [1, 2]. 일반적인 공식은 `[주체] + [행동/맥락/환경] + [매체/스타일] + [조명/분위기/세부사항] + [구도/기술 매개변수]`의 순서를 따른다 [5-7]. - * **주체 (Subject):** 프롬프트의 중심 초점(인물, 동물, 사물, 풍경 등)으로, 가장 먼저 명확하게 정의되어야 한다 [4, 8]. 단순한 명사보다는 "맞춤형 검은 코트를 입은 여성"처럼 상황적 맥락이 포함된 구체적인 묘사를 추가하여 명확성을 높인다 [4, 9, 10]. - * **맥락 및 환경 (Context/Environment):** 주체가 존재하는 공간과 배경을 설정하여 이미지의 서사와 깊이감을 부여한다 [2, 11]. - * **매체 및 스타일 (Medium & Style):** 유화, 35mm 필름, 3D 렌더링, 수채화, 사이버펑크 등 시각적 형식과 예술적 장르를 결정한다 [9-11]. - * **조명 및 분위기 (Lighting & Mood):** 골든 아워, 네온 글로우, 시네마틱 조명 등 명암과 빛의 방향을 지시하여 이미지의 감정적 톤과 입체감을 형성한다 [12-14]. - * **구도 및 기술적 매개변수 (Composition & [[Parameter]]s):** 카메라 렌즈(예: 85mm), 앵글(예: 로우 앵글), 심도, 그리고 각 플랫폼 고유의 명령어(종횡비 `--ar`, 스타일화 `--s` 등)를 프롬프트의 마지막에 배치하여 최종 출력을 제어한다 [14-17]. - -* **어순과 문법의 중요성** - AI 모델은 프롬프트의 앞부분에 위치한 단어일수록 더 큰 가중치를 부여하는 경향이 있다 [18, 19]. 따라서 첫 번째 섹션에 주체와 환경을 배치하고, 두 번째 섹션에 색상, 스타일, 조명을, 마지막 세 번째 섹션에 구도와 추가 수정자(매개변수 포함)를 그룹화하여 구조화하는 것이 권장된다 [20, 21]. 이처럼 관련된 토큰(단어)들을 블록 형태로 묶어주면, 모델이 이를 누락하지 않고 최종 이미지에 반영할 확률이 높아진다 [18]. - -* **플랫폼별 구조적 특징** - 각 AI 모델은 고유한 아키텍처를 가지고 있으므로 그에 맞는 '방언(dialect)'으로 프롬프트를 구조화해야 한다 [11, 22]. - * **미드저니 (Midjourney):** `/imagine` 명령어로 시작하여 이미지 URL(선택 사항), 핵심 텍스트 프롬프트, 그리고 `--v 7`, `--ar 16:9`와 같은 매개변수 순으로 배치되는 구조를 갖는다 [23, 24]. - * **DALL-E 3:** 쉼표로 구분된 키워드의 나열보다 완벽한 자연어 문장 형태의 프롬프트 구조에 훨씬 더 잘 반응한다 [25, 26]. - * **스테이블 디퓨전 (Stable Diffusion):** 쉼표로 구분된 태그(키워드) 구조를 사용하며, 특히 단어의 중요도를 숫자로 조절하는 가중치 문법과 제외할 요소를 명시하는 부정 프롬프트(Negative Prompt)를 별도의 구조로 작성하여 결과물을 정밀하게 통제한다 [27-29]. - -## 🔗 Knowledge Connections -- **Related Topics:** [[프롬프트 가중치 (Prompt Weights)]], [[부정 프롬프트 (Negative Prompts)]], [[매개변수 (Parameters)]] -- **Projects/Contexts:** [[미드저니 (Midjourney)]], [[스테이블 디퓨전 (Stable Diffusion)]], [[DALL-E 3]] -- **Contradictions/Notes:** 이미지 생성 플랫폼별로 이상적인 프롬프트 구조와 문법이 상이하다. 스테이블 디퓨전은 짧은 태그의 쉼표 나열과 괄호를 활용한 구조적 문법이 필요하지만, DALL-E 3는 완전한 자연어 문장을 사용할 때 가장 효과적인 결과를 얻을 수 있다 [26, 27, 30]. - ---- -*Last updated: [[2026-04-30]]* diff --git a/10_Wiki/Topics/프롬프트 구조 및 문법 (Prompt Structure & Syntax).md b/10_Wiki/Topics/프롬프트 구조 및 문법 (Prompt Structure & Syntax).md new file mode 100644 index 00000000..37c746ad --- /dev/null +++ b/10_Wiki/Topics/프롬프트 구조 및 문법 (Prompt Structure & Syntax).md @@ -0,0 +1,32 @@ +# 프롬프트 구조 및 문법 (Prompt Structure & Syntax) + +## 📌 Brief Summary +프롬프트 구조 및 문법은 인공지능 이미지 생성 모델이 사용자의 추상적인 의도를 시각적 기호로 정확하게 변환할 수 있도록 지시어를 논리적으로 배치하는 계층적 뼈대입니다 [1]. 효과적인 프롬프트는 단순한 단어의 나열이 아니라 주체, 환경, 스타일, 조명, 구도 및 기술적 매개변수 등의 요소를 체계적으로 구성한 15~50단어 분량의 문장이나 구문으로 이루어집니다 [1, 2]. 이러한 체계화는 모델의 혼란을 줄이고 고품질의 결과물을 일관되게 도출하는 핵심 역할을 합니다 [3, 4]. + +## 📖 Core Content +* **기본 프롬프트 공식 및 계층 구조** + 성공적인 프롬프트는 일반적으로 다음의 4~5단계 레이어 패턴으로 구성됩니다 [1, 2]. + - **주체 (Subject)**: 이미지의 중심 초점으로, 구체적인 특징이나 행동을 포함하여 정의합니다 (예: "맞춤형 검은 코트를 입은 여성") [4, 8-10]. + - **환경 및 맥락 (Environment/Context)**: 주체가 존재하는 공간과 시간적 배경을 설정하여 서사를 부여합니다 [2, 11]. + - **매체 및 스타일 (Medium & Style)**: 예술적 형식(유화, 3D 렌더링 등)이나 특정 장르를 결정합니다 [9-11]. + - **조명 및 카메라 구도 (Lighting & Composition)**: 빛의 방향(골든 아워 등)과 카메라 렌즈(85mm), 앵글 등을 명시하여 시각적 연출을 완성합니다 [12-14]. + - **기술 매개변수 (Parameters)**: 모델 고유의 명령어(종횡비 `--ar`, 스타일화 `--s` 등)를 프롬프트 마지막에 배치하여 최종 출력을 제어합니다 [14-17]. + +* **어순과 문법의 중요성** + AI 모델은 프롬프트의 **앞부분에 위치한 단어일수록 더 큰 가중치**를 부여하는 경향이 있습니다 [18, 19]. 따라서 첫 번째 섹션에 주체와 환경을 배치하고, 두 번째 섹션에 색상/스타일/조명을, 마지막에 구도와 매개변수를 그룹화하여 구조화하는 것이 권장됩니다 [20, 21]. + +* **플랫폼별 특화 문법** + - **미드저니 (Midjourney)**: `/imagine` 명령어로 시작하며, 텍스트 프롬프트 뒤에 `--`로 시작하는 매개변수를 배치합니다 [23, 24]. `::` 문법으로 다중 프롬프트 가중치를 조절할 수 있습니다. + - **DALL-E 3**: 쉼표 구분 키워드보다 완전한 자연어 문장 형태에 훨씬 더 잘 반응하며, 부정형 지시어보다는 긍정형 서술이 효과적입니다 [25, 26]. + - **스테이블 디퓨전 (Stable Diffusion)**: 쉼표로 구분된 태그(키워드) 구조를 사용하며, `(keyword:factor)` 가중치 문법과 별도의 부정 프롬프트(Negative Prompt) 구조를 통해 정밀하게 통제합니다 [27-29]. + +## ⚖️ Trade-offs & Caveats +- **플랫폼별 상이함**: DALL-E 3는 자연어에 최적화되어 있으나, 스테이블 디퓨전은 태그 중심 문법이 더 우수하며 과도한 괄호 사용은 오히려 가중치 처리를 방해할 수 있습니다. +- **부정 프롬프트의 한계**: DALL-E 3와 같은 일부 모델은 부정형 지시어를 명확히 이해하지 못하므로 긍정형 묘사를 통한 우회 전략이 필요합니다. + +## 🔗 Knowledge Connections +- **Related Topics**: [[프롬프트 가중치 (Prompt Weights)]], [[부정 프롬프트 (Negative Prompts)]], [[매개변수 (Parameters)]] +- **Projects/Contexts**: [[미드저니 (Midjourney) 워크플로우]], [[스테이블 디퓨전 (Stable Diffusion) 최적화]] + +--- +*Last updated: 2026-04-30* diff --git a/10_Wiki/Topics/프롬프트 구조 및 문법.md b/10_Wiki/Topics/프롬프트 구조 및 문법.md deleted file mode 100644 index 95e01c19..00000000 --- a/10_Wiki/Topics/프롬프트 구조 및 문법.md +++ /dev/null @@ -1,32 +0,0 @@ -# [[프롬프트 구조 및 문법]] - -## 📌[[ brief]] 시각 -프롬프트 구조 및 문법은 인공지능 이미지 생성 모델이 사용자의 의도를 명확히 이해하고 시각적 기호로 변환할 수 있도록 지시어를 논리적으로 배열하는 체계입니다 [1]. 일반적으로 주체, 배경(환경), 스타일, 조명, 그리고 기술적 매개변수를 아우르는 계층적 구조를 따르며, 약 15~50단어 분량으로 구성할 때 가장 효과적입니다 [2]. 모델별로 선호하는 구문(Syntax)과 가중치 부여 방식이 다르기 때문에, 각 플랫폼의 언어 규칙을 이해하는 것이 고품질 이미지를 생성하는 핵심입니다 [3, 4]. - -## 📖 Core Content -* **프롬프트의 기본 계층 구조** - 성공적인 프롬프트는 일반적으로 다음의 4~5단계 레이어 패턴으로 구성됩니다 [1, 2]. 관련된 토큰들을 그룹화하여 배치할 경우 모델이 이를 반영할 확률이 높아집니다 [5]. - * **주체 (Subject)**: 이미지의 중심 초점 및 서사적 주인공으로, 막연한 명사보다는 구체적인 특징이나 행동이 포함된 묘사가 좋습니다 (예: 은색 털의 메인쿤 고양이) [6-8]. - * **환경 및 맥락 (Environment/Context)**: 주체가 존재하는 배경과 시간적, 공간적 맥락을 설정하여 서사적 분위기를 만듭니다 [4, 6, 9]. - * **매체 및 스타일 (Medium & Style)**: 예술적 형식(유화, 수채화, 3D 렌더링 등)이나 특정 작가의 화풍을 정의하여 이미지의 전반적인 질감을 결정합니다 [4, 6, 8, 10]. - * **조명 및 카메라 구도 (Lighting & Composition)**: 림 라이팅, 골든 아워와 같은 명암 대비와 85mm 렌즈, 하이 앵글 등 기술적 시각 연출을 명시합니다 [4, 6, 10-12]. - * **기술 매개변수 ([[Parameter]]s)**: 모델 고유의 명령어를 통해 종횡비, 예술적 해석 강도(Stylize) 등 출력물을 시스템적으로 제어합니다 [4, 13]. - -* **플랫폼별 특화 문법 및 구문 (Syntax)** - * **미드저니 (Midjourney)**: `[주체] [행동/배경] [스타일/아티스트] [세부사항/수식어] [--매개변수]`의 공식을 따르며, 명령어 뒤에 `--ar 16:9`, `--v 7` 등과 같이 하이픈 두 개로 시작하는 매개변수를 프롬프트 맨 끝에 덧붙여 제어합니다 [13-16]. `::` 문법을 사용해 다중 프롬프트의 가중치를 설정할 수도 있습니다 [17]. - * **DALL-E 3**: 자연어 의존도가 높아 키워드의 나열보다는 문장 형태의 서술이 유리합니다 [18, 19]. 내장된 언어 모델(GPT)이 사용자의 짧은 지시를 상세한 묘사로 자동 확장(Expansion)하여 이미지를 생성하지만, 부정형 지시어(예: "No", "Without")를 잘 이해하지 못하는 약점이 있으므로 긍정형 문장으로 구성해야 합니다 [19-21]. - * **스테이블 디퓨전 (Stable Diffusion)**: 완전한 문장보다는 쉼표로 구분된 태그(키워드) 배열을 사용하는 것이 효과적입니다 [22, 23]. 텍스트 인코더가 단어를 수치적 토큰으로 분할하여 이해하기 때문입니다 [24]. 괄호를 이용한 `(keyword:factor)` 가중치 문법이 핵심이며, `(단어:1.1)`, `(단어)+++`, 혹은 부정의 경우 `[단어]`의 구문으로 단어의 중요도를 픽셀 단위로 통제합니다 [25-28]. - -* **부정 프롬프트 (Negative [[prompt]]) 작성법** - 부정 프롬프트는 이미지에 나타나지 않기를 바라는 요소를 차단하는 문법입니다 [29, 30]. - * "나쁜(bad)"과 같은 모호한 단어의 나열보다는 "융합된 손가락(fused fingers)", "워터마크(watermark)" 등 구체적 결함을 지칭하는 명사를 입력해야 합니다 [31, 32]. - * 단순한 목록 작성을 넘어 가중치 문법 `(blurry:1.3)`을 함께 사용해 억제 강도를 미세하게 조절할 수 있습니다 [33]. - * 미드저니의 경우 `--no` 매개변수 뒤에 제외할 단어를 작성하는 방식을 취합니다 [17, 34]. - -## 🔗 Knowledge Connections -- **Related Topics:** [[프롬프트 가중치(Prompt Weight)]], [[부정 프롬프트(Negative Prompt)]], [[기술적 매개변수(Parameters)]] -- **Projects/Contexts:** [[미드저니(Midjourney) 파라미터 제어]], [[스테이블 디퓨전(Stable Diffusion) 구문 작성]], [[DALL-E 3 자연어 프롬프팅]] -- **Contradictions/Notes:** DALL-E 3 모델은 완전한 자연어 문장을 기반으로 프롬프트를 이해하고 작성하는 것이 좋으나 [18, 19], 스테이블 디퓨전은 완전한 문장이 아닌 쉼표로 분리된 형태의 태그 중심 문법을 사용하는 것이 더 우수한 결과물을 만들어냅니다 [22, 23]. - ---- -*Last updated: [[2026-04-30]]* diff --git a/10_Wiki/Topics/프롬프트 엔지니어링 (Prompt Engineering).md b/10_Wiki/Topics/프롬프트 엔지니어링 (Prompt Engineering).md new file mode 100644 index 00000000..248f21d3 --- /dev/null +++ b/10_Wiki/Topics/프롬프트 엔지니어링 (Prompt Engineering).md @@ -0,0 +1,27 @@ +# 프롬프트 엔지니어링 (Prompt Engineering) + +## 📌 Brief Summary +프롬프트 엔지니어링은 인간의 언어적 의도를 AI 모델이 해석 가능한 시각적 기호와 픽셀로 변환하는 정교한 작업입니다 [1]. 초기 모델이 단순 키워드 나열에 의존했다면, 현대의 프롬프트는 주체, 스타일, 환경, 조명 등을 포함한 계층적 구조를 갖춘 '시각적 의사소통의 프로토콜'로 진화했습니다 [1, 2]. 다가오는 미래에는 창작자가 비전만 제시하면 AI 에이전트가 이를 최적의 기술 언어로 번역하는 '에이전틱 크리에이티브(Agentic Creative)' 시대로의 패러다임 전환이 이루어지고 있습니다 [1, 3]. + +## 📖 Core Content +* **프롬프트의 계층적 구조** + 훌륭한 이미지 프롬프트는 대체로 5가지 핵심 층위로 구성됩니다: **주체(Subject)**, **매체 및 스타일(Medium/Style)**, **환경(Environment)**, **조명(Lighting)**, **기술 매개변수(Parameters)** [1, 4, 7, 8]. 주체에 대해서는 "등대"와 같은 단일 명사보다 "폭풍우 치는 바위 절벽 위에 있는 풍화된 등대"처럼 상황적 맥락을 포함한 구체적 묘사가 필수적입니다 [9-11]. + +* **모델별 프롬프트 패러다임** + - **Midjourney**: 시네마틱한 미학 제어에 강하며, 종횡비(`--ar`), 스타일 참조(`--sref`), 캐릭터 참조(`--cref`), 옴니 참조(`--oref`) 등의 매개변수를 통해 일관성을 강력하게 통제합니다 [1, 7, 24-28]. + - **DALL-E 3**: 자연어 이해력이 탁월하여 문장 형태의 서술이 유리합니다. 내장된 GPT 모델이 짧은 지시를 상세 묘사로 자동 확장(Expansion)하지만, 부정 지시어(~하지 마라)를 잘 이해하지 못하므로 모든 지시는 긍정형 문장으로 구성해야 합니다 [1, 9, 10, 29-31]. + - **Stable Diffusion**: `(키워드:가중치)` 형식의 세밀한 가중치 조절과 부정 프롬프트(Negative Prompt)가 핵심입니다. 모델을 직접 훈련시키거나 하드웨어 수준에서 정밀 제어가 가능합니다 [1, 11, 23, 32-34]. + +* **반복적 정교화와 워크플로우** + 최신 프롬프트 엔지니어링은 단발성 입력이 아닌, 인페인팅(Vary Region)이나 줌 아웃(Zoom Out) 등을 통한 점진적 협업을 강조합니다. 특히 미드저니 V7의 '드래프트 모드(Draft Mode)'는 대량의 시안을 신속히 생성하게 하여 '연속적 창작 및 검토 루프(Review loop)'로의 혁신을 가져왔습니다 [1, 13, 14]. + +## ⚖️ Trade-offs & Caveats +- **부정 프롬프트의 모델별 차이**: DALL-E 3는 부정어를 이해하지 못해 긍정형 우회 전략이 필요하지만, Stable Diffusion은 명시적 네거티브 프롬프트를 통해 결함을 배제하는 방식을 사용합니다 [1, 10, 12]. +- **과도한 가중치와 디테일의 위험**: 너무 많은 디테일 나열이나 2.0 이상의 극단적 가중치는 모델의 기본 구조를 왜곡할 수 있으므로, 핵심적인 5~10가지 요소에 집중하는 것이 효과적입니다 [12, 38, 39]. + +## 🔗 Knowledge Connections +- **Related Topics**: [[부정 프롬프트 (Negative Prompt)]], [[확산 모델 (Diffusion Models)]], [[매개변수 및 이미지 참조 기능 (Parameters & Reference Features)]] +- **Projects/Contexts**: [[에이전틱 크리에이티브 (Agentic Creative)]], [[AI 이미지 생성 모델 파라미터 제어]] + +--- +*Last updated: 2026-04-30* diff --git a/10_Wiki/Topics/프롬프트 엔지니어링.md b/10_Wiki/Topics/프롬프트 엔지니어링.md deleted file mode 100644 index 7fa0fd30..00000000 --- a/10_Wiki/Topics/프롬프트 엔지니어링.md +++ /dev/null @@ -1,30 +0,0 @@ -# [[프롬프트 엔지니어링]] - -## 📌[[ brief]] Summary -프롬프트 엔지니어링은 인간의 언어적 의도를 기계가 해석 가능한 시각적 기호와 픽셀로 변환하는 정교한 작업이다 [1]. 효과적인 이미지 프롬프트는 단순한 단어의 나열이 아니라 주체, 스타일, 환경, 조명 등을 명확히 지시하여 AI가 원하는 결과물을 도출할 수 있도록 돕는 청사진 역할을 한다 [2, 3]. 성공적인 이미지 생성은 한 번의 입력으로 끝나는 것이 아니라, 명확한 구조를 바탕으로 모델의 특성에 맞게 지시어를 반복적으로 수정하고 정교화하는 과정을 거친다 [4-6]. - -## 📖 Core Content -* **프롬프트의 핵심 구조** - 훌륭한 이미지 프롬프트는 일관된 계층적 구조를 가진다. 주로 주체(Subject), 환경 및 맥락(Context), 스타일과 매체(Style/Medium), 조명 및 색상(Lighting/Color), 그리고 기술적 매개변수(Technical Details/[[Parameter]]s)의 층위로 구성된다 [1, 3, 7, 8]. - -* **주체 및 세부 묘사 (Subject & Context)** - 모호한 단어보다는 구체적이고 특징적인 묘사가 필요하다. 예를 들어 "등대"라고만 적기보다 "폭풍우 치는 바위 절벽 위에 있는 풍화된 등대"와 같이 상황적 맥락과 형용사를 포함해야 AI가 더 정확한 형태와 서사를 구현할 수 있다 [9-11]. 너무 많은 디테일을 나열하기보다는 핵심적인 5~10가지 요소에 집중하는 것이 좋다 [12]. - -* **스타일 및 조명 설정 (Style & Lighting)** - 이미지의 질감과 분위기를 결정짓는 가장 강력한 도구 중 하나다. '35mm 필름 사진', '수채화', '사이버펑크' 같은 매체 지정과 '골든 아워', '시네마틱 조명'과 같은 구체적인 조명 묘사가 필수적이다 [7, 11, 13-15]. 조명 지시가 명확하지 않으면 AI는 평면적이고 안전한 기본 조명을 적용하여 이미지의 깊이감과 무드를 잃게 된다 [16-18]. - -* **부정 프롬프트(Negative [[prompt]])의 활용** - 이미지에 포함되지 않기를 바라는 요소는 긍정 프롬프트 내에 "No"나 "Without"으로 기재하기보다는, 전용 부정 프롬프트 기능을 사용하거나 가중치를 조절해 제거해야 한다 [19, 20]. 특히 "나쁜 품질"과 같은 포괄적인 단어보다 "여섯 개의 손가락", "워터마크", "어긋난 시선"처럼 피해야 할 구체적인 결함을 지시하는 것이 훨씬 효과적이다 [21-23]. - -* **플랫폼별 맞춤형 접근 전략** - * **Midjourney:** 예술적이고 시네마틱한 미학에 강하며, 정교한 제어를 위해 매개변수 활용이 필수적이다 [24-26]. 최근 버전에서는 `--sref` (스타일 참조), `--oref` (옴니 참조), `--cref` (캐릭터 참조)를 통해 이미지의 일관성을 강력하게 통제할 수 있다 [26-28]. - * **DALL-E 3:** 대화형 자연어 이해력이 뛰어나며, 복잡한 다중 객체의 배치나 텍스트 렌더링에 유리하다 [29-31]. 단, 부정적인 지시어(예: "~하지 마라")를 잘 이해하지 못하므로 원하는 바를 긍정형 문장으로 구성해야 한다 [19, 31]. - * **Stable Diffusion:** `(키워드:1.5)` 형식의 프롬프트 가중치 조절과 부정 프롬프트의 적극적인 활용이 핵심이다 [23, 32, 33]. 모델을 직접 훈련시키고 하드웨어 수준에서 세밀한 제어가 가능하다 [23, 34]. - -## 🔗 Knowledge Connections -- **Related Topics:** [[부정 프롬프트 (Negative Prompt)]], [[디퓨전 모델 (Diffusion Models)]] -- **Projects/Contexts:** [[플랫폼별 AI 이미지 생성 (Midjourney, DALL-E 3, Stable Diffusion)]] -- **Contradictions/Notes:** DALL-E 모델 등에서 "photorealistic(실사 같은)"이라는 단어를 사용하면 오히려 에어브러시로 그린 듯한 인위적인 미술 스타일이 촉발될 수 있다. 실제 사진과 같은 결과물을 원할 때는 "photo style(사진 스타일)"이나 특정 카메라 렌즈 사양을 명시하는 것이 낫다는 경험적 사례가 있다 [35-37]. 또한, 부정 프롬프트를 사용할 때 생성 초기부터 과도한 가중치를 부여하면 오히려 이미지의 기본 구조가 왜곡될 수 있으므로 표적화된 적은 수의 키워드만 사용하는 것이 좋다 [38, 39]. - ---- -*Last updated: [[2026-04-30]]* diff --git a/10_Wiki/Topics/프롬프트 엔지니어링의 진화.md b/10_Wiki/Topics/프롬프트 엔지니어링의 진화.md deleted file mode 100644 index 001a5478..00000000 --- a/10_Wiki/Topics/프롬프트 엔지니어링의 진화.md +++ /dev/null @@ -1,25 +0,0 @@ -# [[프롬프트 엔지니어링의 진화]] - -## 📌[[ brief]] Summary -프롬프트 엔지니어링은 인공지능 이미지 생성 초기에 무작위 노이즈에서 패턴을 찾던 기초적인 수준을 넘어, 인간의 추상적인 언어적 의도를 픽셀 단위의 구체적인 시각적 기호로 정교하게 번역하는 기술로 진화했습니다 [1]. 2026년 현재, 프롬프트는 단순한 키워드의 나열이 아니라 주체, 스타일, 조명, 매개변수 등 계층적 구조를 갖춘 '시각적 의사소통의 프로토콜'로 자리 잡았습니다 [1, 2]. 다가오는 미래에는 창작자가 대략적인 비전만 제시하면 AI 에이전트가 이를 최적의 기술적 언어로 번역하고 대량의 시안을 생성해내는 '에이전틱 크리에이티브(Agentic Creative)' 시대로의 패러다임 전환이 이루어지고 있습니다 [1, 3]. - -## 📖 Core Content -* **프롬프트의 구성론적 기초의 발전:** - 초기 모델이 단순 명사에 주로 의존했다면, 고품질 이미지를 도출하는 현대의 프롬프트는 주체(Subject), 매체(Medium), 환경(Environment), 조명(Lighting), 기술 매개변수([[Parameter]]s)의 5가지 핵심 층위로 구성됩니다 [1, 4]. 상황적 맥락이 포함된 구체적인 묘사와 함께 렌즈 사양(예: 85mm, 얕은 피사계 심도), 조명 과학(예: 골든 아워, 볼륨메트릭 라이팅) 등의 시각적 전문 지식을 결합하여 모델의 잠재 공간(Latent Space) 내 고밀도 영역을 정확히 자극하는 것이 필수적입니다 [1, 5]. - -* **모델별 프롬프트 패러다임의 분화:** - 각 AI 플랫폼은 아키텍처와 훈련 데이터에 따라 고유한 프롬프트 '방언'을 발전시켰으며, 이에 맞춘 전략적 접근이 요구됩니다 [1, 6]. - * **Midjourney (미드저니):** 시네마틱한 미학 제어에 강점이 있으며, 종횡비(`--ar`), 스타일화(`--stylize`) 등의 매개변수 제어가 핵심입니다 [1, 7]. V6 및 V7로 진화하면서 스타일 참조(`--sref`), 캐릭터 참조(`--cref`), 사물의 정체성까지 기억하는 옴니 참조(`--oref`) 기능을 도입하여 텍스트 묘사의 한계를 극복하고 일관된 시각적 결과물을 생성합니다 [1, 8]. - * **DALL-E 3:** 텍스트 렌더링과 자연어 이해력이 탁월하며, 사용자의 짧은 입력을 GPT 모델이 풍부한 시각적 묘사로 자동 확장(Expansion)하여 생성하는 상호작용 방식이 특징입니다 [1, 9]. 부정 지시어를 잘 이해하지 못하므로, 모든 지시는 긍정형 문장으로 구성하는 것이 권장됩니다 [1, 10]. - * **Stable Diffusion (스테이블 디퓨전):** `(keyword:1.2)`와 같은 형태의 세밀한 프롬프트 가중치(Weight) 조절과 '네거티브 프롬프트(Negative [[prompt]])'가 주된 통제 수단입니다 [1, 11]. 네거티브 프롬프트는 단순한 필터가 아니라 생성 과정 중 원치 않는 개념(예: "extra fingers", "watermark")을 밀어내는 방향타 역할을 하며, 구체적인 시각적 결함을 타겟팅하여 작성해야 높은 품질을 보장합니다 [1, 12]. - -* **반복적 정교화와 2026년의 기술적 전환점:** - 최신 프롬프트 엔지니어링은 단발성 텍스트 입력이 아닌, 인페인팅(Vary Region)이나 줌 아웃(Zoom Out) 등을 통한 점진적이고 반복적인 협업 워크플로우를 강조합니다 [1, 13]. 특히 2026년의 주요 전환점인 미드저니 V7의 '드래프트 모드(Draft Mode)'는 매우 빠른 속도와 저비용으로 초기 시안을 대량 생성하게 하여, 프롬프트 작성의 과정을 단일 이미지 생성에서 '연속적 창작 및 검토 루프(Review loop)'로 혁신시켰습니다 [1, 14]. - -## 🔗 Knowledge Connections -- **Related Topics:** [[생성적 시각 언어 모델(Generative Visual Language Models)]], [[매개변수 및 이미지 참조 기능(Parameters & [[Reference]] Features)]], [[네거티브 프롬프트(Negative Prompts)]], [[에이전틱 크리에이티브(Agentic Creative)]] -- **Projects/Contexts:** [[미드저니 V7 드래프트 모드 및 옴니 참조(--oref) 워크플로우]], [[DALL-E 3의 자연어 묘사 자동 확장 기능]], [[Stable Diffusion의 세밀한 가중치 제어 및 해부학적 구조 개선을 위한 네거티브 프롬프팅]] -- **Contradictions/Notes:** DALL-E 3는 "No"나 "Without" 같은 부정 지시어를 잘 이해하지 못해 긍정형 프롬프트 위주의 작성이 필수적인 반면 [1, 10], Stable Diffusion은 명시적인 네거티브 프롬프트를 통해 원치 않는 결함이나 편향을 적극적으로 배제하는 방식을 사용한다는 점에서 두 모델 간의 프롬프트 해석 및 통제 방식에 명확한 차이(Contradiction)가 존재합니다 [1, 12]. - ---- -*Last updated: [[2026-04-30]]* diff --git a/10_Wiki/Topics/확산 모델 (Diffusion Model).md b/10_Wiki/Topics/확산 모델 (Diffusion Model).md deleted file mode 100644 index da731399..00000000 --- a/10_Wiki/Topics/확산 모델 (Diffusion Model).md +++ /dev/null @@ -1,18 +0,0 @@ -# [[확산 모델 (Diffusion Model)]] - -## 📌[[ brief]] Summary -확산 모델(Diffusion Model)은 텍스트 프롬프트를 바탕으로 무작위 노이즈에서 시작해 점진적으로 노이즈를 제거해 나가며 최종 이미지를 생성하는 머신러닝 아키텍처이다 [1, 2]. 훈련 과정에서 원본 데이터에 가우시안 노이즈를 추가하는 '순방향 확산'과 이를 다시 복원하는 '역방향 확산' 과정을 거쳐 이미지 생성 방법을 학습한다 [2, 3]. Midjourney, DALL-E, Stable Diffusion 등 현대의 주요 AI 이미지 생성 도구들이 이 모델을 기반으로 구동되며, 사용자의 텍스트 지시를 구체적인 시각적 데이터로 변환하는 핵심 역할을 담당한다 [4, 5]. - -## 📖 Core Content -* **작동 메커니즘**: 확산 모델은 본래 무작위 노이즈(random [[Noise]])로 가득 찬 상태에서 출발하여 점진적으로 노이즈를 제거(denoising)하는 반복적인 과정을 통해 이미지를 생성한다 [1, 2]. 이 학습 과정은 원본 데이터에 가우시안 노이즈를 여러 단계에 걸쳐 점차적으로 추가하여 데이터를 훼손시키는 '순방향 확산(Forward Diffusion)' 과정과, 노이즈가 추가된 상태에서 원본 데이터로 복원하는 법을 학습하는 '역방향 확산(Reverse Diffusion)' 과정으로 구성된다 [2, 3]. -* **프롬프트와의 상호작용 (조건부 생성)**: 사용자가 입력한 텍스트 프롬프트는 데이터로 변환되어 노이즈가 최종 이미지로 형태를 갖춰가는 과정 전반에 지침(guidance)을 제공한다 [1]. 2026년의 최신 모델들은 텍스트 인코더와 잠재 공간(Latent Space)을 긴밀하게 정렬함으로써, 단어 하나가 지닌 미세한 뉘앙스까지 픽셀 단위로 정확하게 구현해 낼 수 있게 되었다 [6]. 생성 과정에서는 긍정적(Positive) 및 부정적(Negative) 조건이 함께 인코딩되며, 샘플러(Sampler)가 이 두 지침을 균형 있게 조율하여 이미지를 완성한다 [7]. -* **주요 강점**: 확산 모델은 매우 고품질의 다양하고 디테일한 출력물을 생성할 수 있으며 훈련 과정이 비교적 안정적이다 [2]. 또한 생성 과정이 반복적이고 점진적이기 때문에 사용자가 각 단계에서 세밀한 제어(Fine-Grained Control)를 가할 수 있다 [2]. 이를 활용해 특정 시점(`--stop` 매개변수 등)에서 렌더링을 멈추면 불완전하면서도 색다른 예술적 결과물을 만들어낼 수도 있다 [8]. -* **한계점**: 노이즈를 제거하는 지속적인 반복 연산 과정으로 인해 컴퓨터 리소스 소모가 크고, GAN과 같은 다른 생성 모델에 비해 결과물 도출 속도가 상대적으로 느리다 [9]. 또한 초보자가 전문적인 지식 없이 로컬 환경에 직접 모델을 배포하고 설정하기에는 다소 구조적인 복잡성이 존재한다 [9]. - -## 🔗 Knowledge Connections -- **Related Topics:** [[프롬프트 엔지니어링]], [[잠재 공간(Latent Space)]], [[CFG Scale]], [[노이즈 제거(Denoising)]], [[부정 프롬프트(Negative [[prompt]])]] -- **Projects/Contexts:** [[AI 이미지 생성(AI Image Generation)]], [[Midjourney]], [[Stable Diffusion]], [[DALL-E]] -- **Contradictions/Notes:** 확산 모델은 세밀한 제어가 가능하고 압도적으로 높은 품질의 결과물을 얻을 수 있다는 장점이 있으나, 그 이면에는 반복적인 노이즈 제거 과정 때문에 GAN 모델에 비해 컴퓨팅 자원 소모가 크고 생성 시간이 길어진다는 구조적 상충 관계(Trade-off)가 존재한다 [2, 9]. - ---- -*Last updated: [[2026-04-30]]* diff --git a/10_Wiki/Topics/확산 모델 (Diffusion Models).md b/10_Wiki/Topics/확산 모델 (Diffusion Models).md index 88a1ca1f..e4b62638 100644 --- a/10_Wiki/Topics/확산 모델 (Diffusion Models).md +++ b/10_Wiki/Topics/확산 모델 (Diffusion Models).md @@ -1,27 +1,24 @@ -# [[확산 모델 (Diffusion Models)]] +# 확산 모델 (Diffusion Models) -## 📌[[ brief]] Summary -확산 모델(Diffusion Models)은 점진적으로 노이즈를 추가하고 이를 다시 제거하는 과정을 학습하여 무작위 노이즈로부터 고품질의 새로운 데이터를 생성하는 생성형 AI 아키텍처이다 [1, 2]. 텍스트 프롬프트를 데이터로 변환한 후, 완전한 무작위 노이즈 상태에서 시작하여 점차적으로 형태를 다듬어 최종 이미지를 구현하는 방식을 사용한다 [3, 4]. 이러한 메커니즘을 통해 정밀한 제어와 안정적인 학습이 가능하여 Midjourney나 Stable Diffusion과 같은 주요 AI 이미지 생성기의 핵심 기반 기술로 활용되고 있다 [1, 3]. +## 📌 Brief Summary +확산 모델(Diffusion Models)은 텍스트 프롬프트를 바탕으로 무작위 노이즈에서 시작해 점진적으로 노이즈를 제거(Denoising)해 나가며 최종 이미지를 생성하는 생성형 AI 아키텍처입니다 [1, 2]. 훈련 과정에서 원본 데이터에 가우시안 노이즈를 추가하는 '순방향 확산'과 이를 다시 복원하는 '역방향 확산' 과정을 거쳐 데이터 생성 방법을 학습합니다 [2, 3]. Midjourney, DALL-E, Stable Diffusion 등 현대의 주요 AI 이미지 생성 도구들의 핵심 기반 기술입니다 [4, 5]. ## 📖 Core Content -* **핵심 작동 원리** - * **순방향 확산 (Forward Diffusion):** 원본 데이터에 가우시안 노이즈(Gaussian [[Noise]])를 여러 단계에 걸쳐 점진적으로 추가하여, 데이터가 순수 노이즈 상태로 저하되는 과정을 모델이 학습한다 [1]. - * **역방향 확산 (Reverse Diffusion):** 노이즈가 추가된 과정을 역으로 거슬러 올라가며, 노이즈를 체계적으로 제거(Denoising)하여 원래의 입력을 재구성하는 방법을 학습한다 [2]. - * **생성 단계 (Generation):** 실제 이미지 생성 시에는 무작위 노이즈에서 출발하여, 학습된 디노이징 단계를 반복적으로 적용해 노이즈를 텍스트 프롬프트의 지시에 부합하는 일관된 시각적 결과물로 변환한다 [2, 3]. +* **핵심 작동 메커니즘** + - **순방향 확산 (Forward Diffusion)**: 원본 데이터에 가우시안 노이즈(Gaussian Noise)를 여러 단계에 걸쳐 점진적으로 추가하여 데이터가 순수 노이즈 상태로 저하되는 과정을 모델이 학습합니다 [1, 2]. + - **역방향 확산 (Reverse Diffusion)**: 노이즈가 추가된 과정을 역으로 거슬러 올라가며, 노이즈를 체계적으로 제거하여 원래의 입력을 재구성하는 방법을 학습합니다 [2, 3]. + - **이미지 생성 (Generation)**: 실제 생성 시에는 무작위 노이즈에서 출발하여 학습된 디노이징 단계를 반복적으로 적용, 텍스트 프롬프트의 지시에 부합하는 일관된 시각적 결과물로 변환합니다 [2, 4]. -* **확산 모델의 장점과 단점** - * **장점:** GAN(생성적 적대 신경망) 모델에 비해 학습 메커니즘이 안정적이며, 고품질의 세밀하고 다양한 결과물을 출력할 수 있다 [2]. 또한, 반복적인 생성(디노이징) 과정을 거치기 때문에 다양한 단계에서 최종 결과물을 미세하게 조율하고 통제하는 정밀한 제어(Fine-Grained Control)에 유리하다 [2]. - * **단점:** 반복적인 노이즈 제거 과정을 거쳐야 하므로 연산 자원 소모가 심하며, GAN 모델에 비해 생성 속도가 느리다 [5]. 더불어, 초보자가 로컬 환경 등에 모델을 직접 설정하고 구성하기에는 상당한 전문 지식이 요구되는 복잡성이 존재한다 [5]. +* **프롬프트와의 상호작용 (조건부 생성)** + 텍스트 프롬프트는 노이즈가 최종 이미지로 형태를 갖춰가는 과정 전반에 지침(Guidance)을 제공합니다 [1]. 최신 모델들은 텍스트 인코더와 잠재 공간(Latent Space)을 긴밀하게 정렬하여 프롬프트의 미세한 뉘앙스까지 픽셀 단위로 구현합니다 [4, 6]. 모델은 긍정적/부정적 조건을 함께 인코딩하며, 샘플러(Sampler)가 생성 중에 이 둘 사이의 균형을 맞추고 CFG 스케일을 통해 지침의 강도를 조절합니다 [6, 7]. -* **이미지 프롬프트 작성과의 연관성** - * 초기의 확산 모델은 무작위 노이즈에서 패턴을 찾는 기초 수준이었으나, 최신 확산 모델들은 텍스트 인코더와 잠재 공간(Latent Space)을 긴밀하게 정렬하여 프롬프트 단어의 미세한 뉘앙스까지 픽셀 단위로 구현해 낸다 [4]. - * 확산 모델은 긍정 프롬프트(도달해야 할 목표)와 부정 프롬프트(피해야 할 영역)를 함께 인코딩하며, 샘플러(Sampler)가 생성 중에 이 둘 사이의 균형을 맞춘다 [6]. 사용자는 CFG 스케일(CFG Scale) 수치를 통해 확산 과정이 텍스트 조건(프롬프트)을 얼마나 강력하게 따를지 그 지침의 강도를 조절할 수 있다 [6]. - * 확산 과정의 특성상 부정 프롬프트의 주된 영향력은 초기 단계보다는 노이즈 제거가 어느 정도 진행된 '스텝 10' 이후에 본격적으로 나타나기도 하므로, 과도한 부정 프롬프트의 사용은 오히려 구조를 왜곡할 수 있어 확산 메커니즘을 고려한 전략적 키워드 배치가 필요하다 [7]. +## ⚖️ Trade-offs & Caveats +* **장점**: GAN(생성적 적대 신경망)에 비해 학습이 안정적이며, 고품질의 세밀하고 다양한 결과물을 출력할 수 있습니다. 또한 점진적 생성 과정을 거치므로 다양한 단계에서 세밀한 제어(Fine-Grained Control)가 가능합니다 [2]. +* **단점**: 반복적인 노이즈 제거 과정으로 인해 연산 자원 소모(Computational Intensity)가 심하며, GAN 모델에 비해 생성 속도가 상대적으로 느립니다 [5, 9]. 또한 로컬 환경 설정 시 상당한 전문 지식이 요구되는 구조적 복잡성이 존재합니다 [5, 9]. ## 🔗 Knowledge Connections -- **Related Topics:** [[프롬프트 엔지니어링 ([[prompt]] Engineering)]], [[부정 프롬프트 (Negative Prompt)]], [[CFG 스케일 (CFG Scale)]], [[잠재 공간 (Latent Space)]] -- **Projects/Contexts:** [[Stable Diffusion]], [[Midjourney]], [[DALL-E]] -- **Contradictions/Notes:** 확산 모델은 생성물의 품질이 우수하고 프롬프트를 통한 미세 조정이 뛰어나지만, GAN(Generative Adversarial Networks) 아키텍처와 비교했을 때 연산 집약적(Computational Intensity)이어서 이미지 생성 속도가 상대적으로 느리다는 분명한 기술적 한계가 존재한다 [2, 5, 8]. +- **Related Topics**: [[프롬프트 엔지니어링]], [[잠재 공간(Latent Space)]], [[CFG Scale]], [[노이즈 제거(Denoising)]], [[부정 프롬프트(Negative Prompt)]] +- **Projects/Contexts**: [[Midjourney]], [[Stable Diffusion]], [[DALL-E]] --- -*Last updated: [[2026-04-30]]* +*Last updated: 2026-04-30*