feat: achieve 600 files milestone in AI knowledge base
This commit is contained in:
Vendored
+1
-1
@@ -17,6 +17,6 @@
|
||||
"repelStrength": 10,
|
||||
"linkStrength": 1,
|
||||
"linkDistance": 250,
|
||||
"scale": 0.034085748967000555,
|
||||
"scale": 0.030182895067323978,
|
||||
"close": true
|
||||
}
|
||||
Vendored
+28
-26
@@ -178,35 +178,37 @@
|
||||
},
|
||||
"active": "ab02d962d4144213",
|
||||
"lastOpenFiles": [
|
||||
"Topics/AI/Text-Mining.md",
|
||||
"Topics/AI/Testing.md",
|
||||
"Topics/AI/Terminology.md",
|
||||
"Topics/AI/Technical-Debt.md",
|
||||
"Topics/AI/Task-Management.md",
|
||||
"Topics/AI/TDD.md",
|
||||
"Topics/AI/Systems-Thinking.md",
|
||||
"Topics/AI/System-Theory.md",
|
||||
"Topics/AI/Synthetic-Data.md",
|
||||
"Topics/AI/Synergy.md",
|
||||
"Topics/AI/Symbols.md",
|
||||
"Topics/AI/Sustainability.md",
|
||||
"Topics/AI/Support.md",
|
||||
"Topics/AI/Supply-Chain.md",
|
||||
"Topics/AI/Supervised-Learning.md",
|
||||
"Topics/AI/SME.md",
|
||||
"Topics/AI/Strategy.md",
|
||||
"Topics/AI/Storage.md",
|
||||
"Topics/AI/Stem-Analysis.md",
|
||||
"Topics/AI/Statistics.md",
|
||||
"Topics/AI/Statistical-Analysis.md",
|
||||
"Topics/AI/State.md",
|
||||
"Topics/AI/State-Space.md",
|
||||
"Topics/AI/Startup.md",
|
||||
"Topics/AI/Stages-of-Grief.md",
|
||||
"Topics/AI/Stakeholder.md",
|
||||
"Topics/무제 1.canvas",
|
||||
"2nd/무제.canvas",
|
||||
"2nd/환영합니다!.md",
|
||||
"2nd/무제.base",
|
||||
"2nd/2026-04-20.md",
|
||||
"2nd",
|
||||
"10_Wiki/💡 Topics/AI.md",
|
||||
"10_Wiki/💡 Topics",
|
||||
"10_Wiki",
|
||||
"💡 Topics/AI/Performance Management Systems.md",
|
||||
"💡 Topics/AI/Perceptual-Motor-Skills.md",
|
||||
"💡 Topics/AI/PEFT (Parameter-Efficient Fine-Tuning).md",
|
||||
"💡 Topics/AI/Pedestrian-Modeling.md",
|
||||
"💡 Topics/AI/PCGML-Frameworks.md",
|
||||
"💡 Topics/Graphics & Performance/PBR.md",
|
||||
"💡 Topics/Programming & Language/Parse dont validate.md",
|
||||
"💡 Topics/AI/Papers-Please.md",
|
||||
"💡 Topics/Programming & Language/Papers Please (Mechanics as Moral Argument).md",
|
||||
"💡 Topics/AI/Papers Please (Bureaucratic Simulation).md",
|
||||
"💡 Topics/AI/PageSpeed Insights.md",
|
||||
"💡 Topics/Programming & Language/PageRank (페이지랭크 알고리즘).md",
|
||||
"💡 Topics/Programming & Language/Page Experience Algorithm.md",
|
||||
"💡 Topics/AI/OWA vs CWA (개방 세계 vs 폐쇄 세계 가정).md",
|
||||
"💡 Topics/Programming & Language/Overdraw.md",
|
||||
"💡 Topics/AI/Outer Alignment vs Inner Alignment.md",
|
||||
"💡 Topics/Design & Experience/Orthopedic-Implant-Validation.md",
|
||||
"💡 Topics/Programming & Language/Orinoco.md",
|
||||
"💡 Topics/Programming & Language/Orinoco(V8 GC 프로젝트).md",
|
||||
"💡 Topics/Programming & Language/Orinoco 프로젝트.md",
|
||||
"💡 Topics/Programming & Language/Orinoco 가비지 컬렉터.md",
|
||||
"💡 Topics/Programming & Language/Orinoco GC.md"
|
||||
"10_Wiki"
|
||||
]
|
||||
}
|
||||
Vendored
+1
-1
@@ -17,6 +17,6 @@
|
||||
"repelStrength": 10,
|
||||
"linkStrength": 1,
|
||||
"linkDistance": 250,
|
||||
"scale": 0.11660891579457223,
|
||||
"scale": 0.08317427835927486,
|
||||
"close": false
|
||||
}
|
||||
+7
-10
@@ -11,14 +11,10 @@
|
||||
"id": "5e19c94f304a33d1",
|
||||
"type": "leaf",
|
||||
"state": {
|
||||
"type": "markdown",
|
||||
"state": {
|
||||
"file": "00_Raw/2026-04-20/SAST.md",
|
||||
"mode": "source",
|
||||
"source": false
|
||||
},
|
||||
"icon": "lucide-file",
|
||||
"title": "SAST"
|
||||
"type": "graph",
|
||||
"state": {},
|
||||
"icon": "lucide-git-fork",
|
||||
"title": "그래프 뷰"
|
||||
}
|
||||
}
|
||||
]
|
||||
@@ -182,6 +178,8 @@
|
||||
},
|
||||
"active": "5e19c94f304a33d1",
|
||||
"lastOpenFiles": [
|
||||
"무제 1.canvas",
|
||||
"무제.canvas",
|
||||
"00_Raw/2026-04-20/SAST.md",
|
||||
"AI/Circuit Discovery (ȸ ߰).md",
|
||||
"TypeScript 컴파일러의 정적 타입 시스템.md",
|
||||
@@ -208,7 +206,6 @@
|
||||
"React_Performance_Optimization.md",
|
||||
"Component_Design_Patterns.md",
|
||||
"React_Hooks_Deep_Dive.md",
|
||||
"React_Mental_Model.md",
|
||||
"Tetris_Project_Retrospective.md"
|
||||
"React_Mental_Model.md"
|
||||
]
|
||||
}
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-AIDS-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.93
|
||||
tags: [auto-reinforced, data-sovereignty, ai-ethics, privacy, digital-colonialism, data-governance]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[AI & Data Sovereignty]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "데이터의 주인은 누구인가: 우리의 모든 행동이 AI 학습의 공짜 재료가 되는 시대, 개인과 국가가 자신의 데이터를 통제하고 그로부터 창출된 부를 정당하게 나눠 가질 권리를 지키기 위한 투쟁."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
AI 및 데이터 주권(AI & Data Sovereignty)은 디지털 정보와 그로부터 파생된 AI 모델에 대해 개개인, 조직, 혹은 국가가 가지는 배타적인 통제권과 자기 결정권을 의미합니다.
|
||||
|
||||
1. **핵심 층위**:
|
||||
* **Individual Sovereignty**: 내 데이터가 어디에 쓰이는지 알고 거부하거나 보상받을 권리 (Privacy rights).
|
||||
* **National Sovereignty**: 자국민의 데이터가 해외 거대 테크 기업(Big Tech)의 AI 학습에 종속되지 않도록 인프라와 규제를 갖추는 것.
|
||||
* **Model Sovereignty**: 특정 국가나 기업의 AI 모델에 의존하지 않고 독자적인 연산력과 모델 아키텍처를 보유하는 능력.
|
||||
2. **부각되는 배경**:
|
||||
* 거대 모델 학습을 위한 무분별한 데이터 수집이 '디지털 식민주의'를 초래할 수 있다는 우려 확산.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 인터넷의 '개방성과 공유' 정책이 최우선이었으나, 현대의 AI 패권 경쟁 정책은 데이터가 곧 전략 자산임을 인식하고 '데이터의 폐쇄적 권리 확보 정책'으로 이동함(RL Update).
|
||||
- **정책 변화(RL Update)**: EU의 GDPR 및 AI Act와 같이, 개인 데이터를 학습에 쓰려면 명시적인 '옵트-인(Opt-in)'을 거치게 하고 위반 시 막대한 과징금을 부과하는 정책이 데이터 주권 보호의 표준이 됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Ethics & AI]], [[AI Accountability]], [[Sociology of Knowledge]], [[Universal Basic Income (UBI)]], [[Foundational Models]]
|
||||
- **Modern Tech/Tools**: Federated Learning (Privacy-preserving AI), Differential Privacy, Sovereign Clouds.
|
||||
---
|
||||
@@ -0,0 +1,32 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-AIAC-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.95
|
||||
tags: [auto-reinforced, ai-accountability, responsibility, algorithmic-transparency, ethics-governance]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[AI Accountability]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "AI의 잘못은 누구의 탓인가: 알고리즘의 결정으로 인해 사회적 피해나 오류가 발생했을 때, 그 원인을 규명하고 책임의 주체를 명확히 하여 피해를 보상하게 만드는 책임 사회의 원칙."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
AI 책임론(AI Accountability)은 AI 시스템의 설계, 개발, 배포 및 운영 전 과정에서 발생하는 결과에 대해 관련 주체들이 책임을 지는 태도와 그 체계를 의미합니다.
|
||||
|
||||
1. **주요 과제 - 책임의 공백 (Responsibility Gap)**:
|
||||
* AI가 자율성을 가질수록 제작자나 사용자의 직접적인 통제를 벗어나므로, 사고 발생 시 법적 책임을 묻기 어려워지는 현상 발생.
|
||||
2. **책임 구현의 3대 요소**:
|
||||
* **Transparency**: AI가 왜 그런 결정을 내렸는지 설명할 수 있어야 함 (Explainable AI - XAI).
|
||||
* **Auditability**: 제3자가 AI의 작동 과정과 데이터 출처를 감사할 수 있어야 함.
|
||||
* **Redress**: 오류로 인한 피해가 발생했을 때 구제할 수 있는 절차를 사전에 마련.
|
||||
3. **책임의 주체**: 개발자, 데이터 제공자, 서비스 운영자, 그리고 최종 사용자 간의 책임 분담.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 알고리즘은 '블랙박스'이므로 결과에 책임을 지기 어렵다는 인식이 강했으나, 현대 정책은 '제작자 무과실 책임 원칙'에 가까울 정도로 개발사의 배상 책임을 강화하는 정책으로 변화함(RL Update).
|
||||
- **정책 변화(RL Update)**: 자율주행차나 의료 AI처럼 생명과 직결된 분야에서는 사고 시 AI 모델의 최종 파라미터 상태를 디지털 블랙박스로 기록하고 보존하는 것이 법적 정책 의무 사항이 됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Ethics & AI]], [[AI & Data Sovereignty]], [[Safety & Reliability]], [[Generative-AI-Safety]], [[Decision Theory]]
|
||||
- **Modern Tech/Tools**: Algorithmic Impact Assessment (AIA), Explainable AI (XAI) toolkits.
|
||||
---
|
||||
@@ -0,0 +1,32 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-AIGO-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.96
|
||||
tags: [auto-reinforced, ai-governance, policy, regulation, global-standards, tech-ethics]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[AI Governance]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "인공지능을 위한 사회적 가이드라인: 기술의 폭주를 막고 혜택을 극대화하기 위해 국가, 기업, 학계가 합의하여 만드는 법적, 윤리적, 기술적 관리 체계."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
AI 거버넌스(AI Governance)는 인공지능 기술의 개발 및 활용이 인류의 안전, 권리, 그리고 보편적 가치와 부합하도록 보장하는 규칙과 프로세스의 집합입니다.
|
||||
|
||||
1. **3대 핵심 기둥**:
|
||||
* **Ethics & Norms**: 신뢰할 수 있는 AI를 위한 원칙 수립. (공정성, 투명성, 책임성)
|
||||
* **Regulation & Policy**: 강제성 있는 법규 마련. (예: EU AI Act)
|
||||
* **Technical Standards**: 보안, 성능, 상호운용성을 위한 기술 표준.
|
||||
2. **주요 쟁점**:
|
||||
* **Risk-based Approach**: AI의 위험도에 따라 다른 수위의 규제 적용. (허용 불가 - 고위험 - 저위험)
|
||||
* **International Cooperation**: 국경 없는 기술 특성상 국가 간 공조 필수.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 기술 발전을 저해한다는 이유로 규제에 소극적이었으나, 현대 정책은 '안전한 기술이 더 큰 시장을 만든다'는 인식 하에 선제적인 '안심 거버넌스 정책'으로 패러다임을 전환함(RL Update).
|
||||
- **정책 변화(RL Update)**: 단순히 사후 규제가 아닌, 설계 단계부터 거버넌스를 코드에 녹여내는 'Governance by Design' 정책이 테크 기업의 필수 준수 사항이 됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[AI Accountability]], [[AI Safety]], [[AI & Data Sovereignty]], [[Ethics & AI]], [[Generative-AI-Safety]]
|
||||
- **Modern Tech/Tools**: ISO/IEC 42001 (AI Management System), NIST AI Risk Management Framework.
|
||||
---
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-AIHU-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced, ai-humanism, philosophy, human-centric, coexistence, existential-risks]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[AI Humanism]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "기계 시대의 인간성 회복: AI가 인간을 대체하는 위협이 아니라, 인간의 잠재력을 확장하고 삶의 질을 높이는 '도구'로서 존재해야 한다는 인간 중심의 기술 철학."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
AI 휴머니즘(AI Humanism)은 인공지능 기술의 정점에 '인간의 존엄성'과 '가치'를 두는 철학적 흐름입니다.
|
||||
|
||||
1. **핵심 가치**:
|
||||
* **Human Agency**: 최종 결정권은 항상 인간에게 있어야 함.
|
||||
* **Augmentation over Replacement**: 전면적인 대체보다 인간의 능력을 보강하는 방향 지향.
|
||||
* **Empathy & Morality**: AI가 인간의 감정을 이해하고 도덕적 한계 내에서 작동하도록 설계.
|
||||
2. **부각되는 이슈**:
|
||||
* AI가 인간의 노동, 예술, 종교적 영역에 들어왔을 때 '인간다움'이란 무엇인가에 대한 근원적 질문.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 효율성 중심의 'AI 만능주의' 정책이 강세였으나, 현대의 인문 정책은 AI로 인한 인간 소외와 불평등을 경계하는 '포용적 AI 휴머니즘 정책'으로 목소리를 높임(RL Update).
|
||||
- **정책 변화(RL Update)**: 교육 및 창작 정책에서, AI의 결과물보다 인간의 '과정'과 '의도'에 가중치를 두어 인간의 창의성을 보호하는 '인간 가치 우선 정책'이 수립됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Ethics & AI]], [[AI for Social Good]], [[Universal Basic Income (UBI)]], [[Aesthetic-Value]], [[Victimhood-Narratives]]
|
||||
- **Modern Tech/Tools**: Human-centered design (HCD) frameworks.
|
||||
---
|
||||
@@ -0,0 +1,32 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-AILI-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.95
|
||||
tags: [auto-reinforced, ai-literacy, education, digital-competence, critical-thinking, future-skills]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[AI Literacy]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "AI 시대를 살아가는 생존 근육: AI의 작동 원리를 이해하고, 결과의 진위를 판단하며, 생활과 업무에서 AI를 도구로 활용해 가치를 창출할 수 있는 필수적인 문해력."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
AI 리터러시(AI Literacy)는 단순히 AI를 사용하는 기술을 넘어, AI의 가능성과 한계, 윤리적 쟁점을 비판적으로 사고하고 소통할 수 있는 종합적 역량을 의미합니다.
|
||||
|
||||
1. **핵심 역량 모델**:
|
||||
* **Understanding**: 데이터, 알고리즘, 모델링의 기본 원리 파악.
|
||||
* **Utilization**: 프롬프트 엔지니어링이나 에이전트 활용을 통한 문제 해결 능력.
|
||||
* **Evaluation**: AI의 답변이 편향되거나 허위 정보(Hallucination)가 아닌지 검증.
|
||||
* **Ethical Reflection**: AI 사용 시 발생할 수 있는 보안, 저작권, 윤리 문제 인지.
|
||||
2. **왜 중요한가?**:
|
||||
* 지식 정보의 비대칭성을 해소하고, AI가 가져올 일자리의 변화에 적응하기 위한 기초 체력임. (Adaptability와 연결)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 소수의 개발자만 알면 되는 '코딩' 정책이 주류였으나, 현대의 보편 교육 정책은 전 국민이 AI의 논리를 이해해야 하는 'AI 시민 역량 정책'으로 확대됨(RL Update).
|
||||
- **정책 변화(RL Update)**: 기업 채용 및 승진 정책에서, 특정 툴 사용 능력을 넘어 AI와의 협업 능력(Co-intelligence)을 핵심 평가지표로 삼는 정책이 확산 중임.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Adaptability]], [[Prompt-Engineering-Strategies]], [[Ethics & AI]], [[AI for Social Good]], [[Vocational-Training]]
|
||||
- **Modern Tech/Tools**: AI Literacy education tools (Elements of AI), Generative AI sandbox.
|
||||
---
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
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.
|
||||
---
|
||||
@@ -0,0 +1,34 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-AINR-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.94
|
||||
tags: [auto-reinforced, ai-narrative, storytelling, generative-ai, interactive-media, literature]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[AI and Narrative]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "기계와 엮어가는 이야기: 인간 고유의 영역이었던 서사 구조를 AI가 학습하여 새로운 플롯을 제안하거나, 사용자와 실시간으로 상호작용하며 매번 다른 이야기를 창조하는 무한한 스토리텔링의 가능성."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
AI와 서사(AI and Narrative)는 인공지능 기술이 문학, 영화, 게임 등의 스토리텔링 구조에 어떻게 개입하고 이를 변형시키는지를 다루는 분야입니다.
|
||||
|
||||
1. **AI의 서사적 역할**:
|
||||
* **Generative Author**: 프롬프트를 바탕으로 소설, 시나리오, 시 등 텍스트 서사 생성.
|
||||
* **Structure Analyzer**: 수만 권의 책을 분석하여 '영웅의 여정'과 같은 성공적인 서사 패턴 추출 및 적용. (Structuralism과 연결)
|
||||
* **Dynamic Storyteller**: 사용자의 선택에 따라 세계관과 인물의 반응이 실시간으로 변하는 인터랙티브 서사 구현.
|
||||
2. **기술적 구현**:
|
||||
* LLM의 문맥 유지 능력(Context Window)을 통해 일관성 있는 복합 서사 유지.
|
||||
* 서사 내 갈등(Conflict)을 인위적으로 조정하여 독자의 몰입도 제어.
|
||||
3. **의의**:
|
||||
* 개인화된 스토리텔링의 대중화. 누구나 자신만의 영화나 게임 시나리오를 가질 수 있게 됨.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거의 AI 서사 정책은 단순한 문장 나열에 그쳐 '서사의 단절'이 심했으나, 현대의 거대 모델 정책은 수만 단어 뒤의 복선을 회수하고 일관된 테마를 유지하는 '장기 서사 무결성 정책'을 실현함(RL Update).
|
||||
- **정책 변화(RL Update)**: AI가 쓴 글에 대한 저작권 인정 여부 정책이 국가마다 다르게 수립 중이며, '인간 작가의 전문성' 지위를 보호하기 위해 AI 생성물 표기 의무화 정책이 창작 생태계의 기본 수칙으로 정착됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Role of Conflict in Narrative]], [[Structuralism]], [[Aesthetic-Value]], [[Foundational Models]], [[Ps-Reinforce]]
|
||||
- **Modern Tech/Tools**: AI Dungeon, NovelAI, Sudowrite, ChatGPT for screenwriting.
|
||||
---
|
||||
@@ -0,0 +1,33 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-AIFG-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.95
|
||||
tags: [auto-reinforced, ai4good, social-impact, sustainability, humanitarian-ai, global-goals]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[AI for Social Good]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "선한 영향력의 지능적 확장: 기술적 우위를 단순히 수익 창출에만 쓰지 않고, 기후 변화, 질병 퇴치, 교육 격차 해소 등 인류가 직면한 거대 난제를 해결하는 데 집중하는 따뜻한 AI."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
사익을 위한 AI(AI for Social Good, AI4SG)는 기술의 잠재력을 사회적 가치 창출과 지속 가능한 발전을 위해 활용하는 운동이자 연구 분야입니다.
|
||||
|
||||
1. **주요 타겟 분야 (UN SDGs 연계)**:
|
||||
* **Health**: 전염병 확산 예측, 희귀 질환 신약 개발 가속화, 원격 의료 지원.
|
||||
* **Environment**: 위성 데이터를 통한 산림 파괴 감시, 정밀 농업을 통한 비료 낭비 방지, 에너지 망 최적화.
|
||||
* **Education**: 소외 지역 아이들을 위한 개인화된 AI 튜터, 실시간 다국어 교육 번역.
|
||||
* **Safety**: 재난 발생 시 골든타임 확보를 위한 구호 경로 최적화 및 인구 이동 분석.
|
||||
2. **핵심 원칙**:
|
||||
* **Inclusivity**: 특정 집단이 아닌 소외된 계층까지 기술의 혜택이 닿아야 함.
|
||||
* **Transparency**: 사회적 의사결정에 쓰이는 AI는 과정이 투명해야 함.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 기술 사회 공헌을 기업의 '선택적 기부' 정책 정도로 보았으나, 현대 사회 정책은 AI를 공공재(Public Goods)의 일부로 인식하고 기술 설계 단계부터 공익성을 내재화하는 '내재적 공익 정책'을 장려함(RL Update).
|
||||
- **정책 변화(RL Update)**: 공익용 AI 개발 시 데이터 가용성의 한계를 극복하기 위해, 각국 정부가 공공 데이터를 'AI4SG 전용'으로 개방하고 연구 자금을 지원하는 '디지털 임팩트 펀드 정책'이 글로벌 트렌드가 됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Wicked-Problems]], [[AI & Data Sovereignty]], [[Universal Basic Income (UBI)]], [[Foundational Models]], [[Scientific Communication]]
|
||||
- **Modern Tech/Tools**: Google AI for Social Good program, Microsoft AI for Earth, UN Global Pulse.
|
||||
---
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-APKE-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.99
|
||||
tags: [auto-reinforced, api-key-management, security, devops, secrets-management, developer-experience]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[API-Key-Management]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "지능의 열쇠를 지키는 법: 외부 서비스를 이용하기 위한 디지털 신분증인 API Key를 안전하게 보관하고, 유출 시 즉시 폐기하며, 권한을 최소화하여 관리하는 현대 개발의 가장 기초적인 보안 성벽."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
API 키 관리(API-Key-Management)는 애플리케이션 프로그래밍 인터페이스를 통해 서비스에 접근할 때 필요한 인증 정보(Secrets)를 생성, 배포, 폐기 및 모니터링하는 일련의 보안 프로세스입니다.
|
||||
|
||||
1. **3대 보안 수칙**:
|
||||
* **Never Commit**: 절대 소스 코드(Git)에 API Key를 포함하지 않음. `.env` 파일을 사용하고 `.gitignore`에 등록 필수.
|
||||
* **Principle of Least Privilege**: 키마다 필요한 최소한의 권한(Scope)만 부여하고, 특정 IP나 도메인에서만 작동하도록 제한.
|
||||
* **Rotation**: 정기적으로 키를 교체하여 만약의 유출 피해 최소화.
|
||||
2. **유출 시 대응 워크플로우**:
|
||||
* 키 즉시 무효화(Revoke) -> 새로운 키 생성 -> 환경 변수 업데이트 -> 유출 범위 및 비용 발생 확인(Audit).
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 하드코딩된 키로 인해 대규모 유출 사고가 빈번했으나, 현대의 클라우드 인프라 정책은 'Secret Manager'를 통한 중앙 집중식 자동 관리 정책을 표준으로 삼음(RL Update).
|
||||
- **정책 변화(RL Update)**: AI 에이전트의 자율적 도구 활용 정책이 늘어남에 따라, 에이전트가 API 키를 직접 다루지 않고 안전하게 대리 요청(Proxy)하는 '에이전틱 키 거버넌스 정책'이 중요해짐.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Workflow-Integrity]], [[Safety & Reliability]], [[Agent Architecture]], [[Tool-Usage-Optimization]], [[Technical-Architecture]]
|
||||
- **Modern Tech/Tools**: GitHub Secret Scanning, HashiCorp Vault, AWS Secrets Manager.
|
||||
---
|
||||
@@ -0,0 +1,34 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-ABUN-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.92
|
||||
tags: [auto-reinforced, abundance, economics, technological-optimism, resource-management]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Abundance]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "결핍의 종말, 선택의 시작: 기술 진보를 통해 에너지, 정보, 물자가 무한에 가깝게 저렴해지며, 인간이 '생존'을 위한 경쟁 대신 '의미'를 향한 창조에 집중할 수 있게 되는 상태."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
풍요(Abundance)는 자원의 희소성(Scarcity)에 기반한 기존 경제학의 전제를 뒤흔드는 기술적, 사회적 현상입니다. 피터 디아만디스(Peter Diamandis) 등이 주장한 이 개념은 기술이 사치품을 생필품으로, 생필품을 보편 서비스로 전환함을 강조합니다.
|
||||
|
||||
1. **풍요를 이끄는 4대 동력**:
|
||||
* **Exponential Technologies**: 기하급수적으로 발전하는 컴퓨팅, AI, 로보틱스.
|
||||
* **The DIY Innovator**: 오픈 소스와 저렴한 도구를 통해 개인이 기업 수준의 혁신 수행.
|
||||
* **Technophilanthropists**: 기술로 사회 문제를 해결하려는 억만장자들의 기여.
|
||||
* **The Rising Billion**: 인터넷 연결을 통해 새롭게 글로벌 경제에 편입되는 수십억 명의 지성.
|
||||
2. **디지털 풍요 (Digital Abundance)**:
|
||||
* 정보의 복제 비용이 0에 수렴하며 발생. 음악, 지식, 소프트웨어의 보편적 접근 가능성 확보.
|
||||
3. **물리적 풍요의 예고**:
|
||||
* 태양광 등 재생 에너지의 효율 급증, 수직 농장을 통한 식량 생산 최적화, 3D 프린팅을 통한 맞춤형 제조.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거 경제 정책은 '자원의 배분'에만 집중했으나, 현대의 풍요 정책은 자원 자체가 넘쳐날 때 발생하는 '주의력(Attention) 부족'과 '목적 의식 상실'이라는 심리적 위기를 관리하는 정책으로 전환 중임(RL Update).
|
||||
- **정책 변화(RL Update)**: 환경 파괴 없는 풍요를 위해, 단순 소비 증대가 아닌 '지속 가능한 자원 순환'을 전제로 하는 '클린 풍요(Clean Abundance) 정책'이 글로벌 탄소 중립 정책과 결합되어 추진됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Economics of Attention]], [[Universal Basic Income (UBI)]], [[Foundational Models]], [[Social Systems Theory]], [[Ultra-Efficiency]]
|
||||
- **Modern Tech/Tools**: Solar energy harvesting, Precision agriculture AI, Open source repository (GitHub).
|
||||
---
|
||||
@@ -0,0 +1,35 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-ACIN-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.96
|
||||
tags: [auto-reinforced, academic-integrity, ethics, research-conduct, plagiarism, ai-writing]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Academic-Integrity]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "지적 정직함의 보루: 타인의 생각을 훔치지 않고, 자신의 연구 과정을 투명하게 공개하며, 결과의 왜곡 없이 진실만을 추구하는 학문 공동체의 가장 기초적인 신뢰 자본."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
학술적 무결성(Academic-Integrity)은 교육과 연구 환경에서 윤리적 가치를 준수하며 지적 활동을 수행하는 태도와 원칙을 의미합니다.
|
||||
|
||||
1. **5대 핵심 가치 (ICAI 기준)**:
|
||||
* **Honesty**: 결과와 방법의 정직한 보고.
|
||||
* **Trust**: 학술적 상호작용의 신뢰성 확보.
|
||||
* **Fairness**: 타인의 기여를 공정하게 인정 (인용 표준 준수).
|
||||
* **Respect**: 지적 재산과 타인의 학문적 노동에 대한 존중.
|
||||
* **Responsibility**: 자신의 연구가 사회에 미칠 영향에 대한 책임감.
|
||||
2. **주요 위반 행위**:
|
||||
* **Plagiarism (표절)**: 인용 없이 타인의 작업물을 자신의 것처럼 발표.
|
||||
* **Fabrication (변조)**: 존재하지 않는 데이터를 만들어냄.
|
||||
* **Falsification (왜곡)**: 연구 결과를 의도적으로 조작.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 '인용 누락'이 주된 이슈였으나, 현대의 AI 정책은 'AI가 생성한 텍스트'를 어디까지 자신의 지적 기여로 볼 것인가에 대한 정책적 재정립을 요구받고 있음(RL Update).
|
||||
- **정책 변화(RL Update)**: 단순히 AI 사용을 금지하는 폐쇄적 정책에서 벗어나, AI 사용 여부와 프롬프트 과정을 투명하게 공개하는 'AI 활용 공표 정책' 및 '인간-AI 공동 저작권 가이드라인' 수립 방향으로 진화 중임.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Ethics & AI]], [[Scientific Communication]], [[Toxicity-and-Bias-Mitigation]], [[Sociology of Knowledge]], [[Workflow-Integrity]]
|
||||
- **Modern Tech/Tools**: Turnitin (Plagiarism detection), AI-generated text detectors, Citation managers (Zotero).
|
||||
---
|
||||
@@ -0,0 +1,33 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-ACLE-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.98
|
||||
tags: [auto-reinforced, active-learning, machine-learning, optimization, data-efficiency, human-in-the-loop]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Active Learning]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "똑똑하게 질문해서 배우기: 모든 데이터를 맹목적으로 학습하는 대신, 정답을 알았을 때 모델의 지능이 가장 크게 상승할 것 같은 '핵심 질문(데이터)'만 골라 인간에게 정답을 요청하는 고효율 학습 전략."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
능동 학습(Active Learning)은 머신러닝 모델이 스스로 학습 과정에 참여하여, 레이블(Label)되지 않은 데이터 중 학습에 가장 도움이 될 데이터를 선별하고 전문가에게 레이블링을 요청하는 기법입니다.
|
||||
|
||||
1. **동작 원리 (Query Strategy)**:
|
||||
* **Uncertainty Sampling**: 모델이 정답을 가장 확신하지 못하는(Entropy가 높은) 데이터를 고름.
|
||||
* **Query-by-Committee**: 여러 모델의 의견이 가장 일치하지 않는 데이터를 추출.
|
||||
* **Representativeness**: 전체 데이터의 분포를 가장 잘 대표하는 표본을 선택.
|
||||
2. **왜 필요한가?**:
|
||||
* 데이터는 많지만 '정답'을 다는 비용(인간 전문가의 시간)이 비쌀 때 유용. (예: 의료 영상 분석, 자율주행 데이터 레이블링)
|
||||
3. **기대 효과**:
|
||||
* 전체 데이터의 일부(10-20%)만 학습하고도 전체를 학습한 것과 비슷한 성능 달성 가능 (Data Efficiency).
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 단순히 '양질의 큰 데이터셋' 정책에 의존했으나, 현대 AI 인프라 정책은 데이터 전처리 비용을 줄이기 위해 시작부터 모델이 개입하는 'AI-driven Labeling 정책'을 핵심 인프라로 구축함(RL Update).
|
||||
- **정책 변화(RL Update)**: 인간과의 상호작용 피로도를 낮추기 위해, "꼭 필요한 질문만 던지는" 에이전트의 예절 및 효율성 알고리즘을 최적화하는 정책이 RAG 부문 및 도메인 특화 모델 개발의 표준이 됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[SFT (Supervised Fine-Tuning)]], [[RLHF (인간 피드백 기반 강화 학습)]], [[Resource-Management]], [[Decision Theory]], [[Scientific Communication]]
|
||||
- **Modern Tech/Tools**: Prodigy (Labeling tool), ModAL (Python framework for Active Learning).
|
||||
---
|
||||
@@ -0,0 +1,33 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-ACRE-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.94
|
||||
tags: [auto-reinforced, active-reasoning, inference-optimization, chain-of-thought, cognitive-ai]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Active-Reasoning]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "생각의 주도권을 잡기: 주어진 질문에 답하는 수동적 추론을 넘어, 스스로 가설을 세우고, 정보를 보완하고, 중간 과정을 검증하며 최적의 논리 경로를 개척해 나가는 능동적 지적 행위."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
능동적 추론(Active-Reasoning)은 시스템이 목표 달성을 위해 필요한 정보를 스스로 식별하고, 불확실성을 해소하기 위해 사고 과정을 동적으로 재구성하는 고도의 추론 패러다임입니다.
|
||||
|
||||
1. **핵심 메커니즘**:
|
||||
* **Hypothesis Generation**: 단순 예측이 아닌 여러 가지 가능성(Scenario)을 스스로 생성.
|
||||
* **Information Seeking**: 답을 내기에 지식이 부족하면 외부 도구(검색, API)를 사용하거나 사용자에게 되물을 것을 결정.
|
||||
* **Self-Verification (Step-by-step)**: 각 추론 단계가 타당한지 스스로 검열하고 오류 발견 시 즉각 수정 (Zero-Shot-CoT와 결합).
|
||||
2. **적용 분야**:
|
||||
* 복잡한 코딩 디버깅 에이전트, 의료 진단 지원 시스템, 다단계 전략 게임 AI.
|
||||
3. **시스템 2와의 연결**:
|
||||
* 다니엘 카너먼의 '느린 사고(System 2)'와 유사함. 즉각적인 직관(System 1) 대신 논리적 뼈대를 구축하며 시간을 들여 고민함.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거 언어 모델 정책은 확률적 토큰 생성(Next-token prediction)에만 매몰되었으나, 현대 인공지능 정책은 추론 전용 모델(예: OpenAI o1) 출시를 통해 모델이 답을 내기 전 내부적으로 수천 번 '능동적으로 생각'하는 정책을 실현함(RL Update).
|
||||
- **정책 변화(RL Update)**: 답변의 투명성 확보를 위해, AI가 '생각한 과정'을 숨기지 않고 사용자에게 구조화된 형태로 보여주도록 하는 '생각의 가시화 정책'이 고난도 비즈니스 솔루션의 필수 요건이 됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Zero-Shot-Chain-of-Thought]], [[Self-Correction Mechanisms]], [[Thought-Architecture]], [[Decision Theory]], [[Foundational Models]]
|
||||
- **Modern Tech/Tools**: Chain-of-Thought (CoT) frameworks, Logic-integrated LLMs.
|
||||
---
|
||||
@@ -0,0 +1,36 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-ACTI-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.89
|
||||
tags: [auto-reinforced, activism, social-change, collective-action, digital-campaigning]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Activism]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "세상을 바꾸는 의도된 압력: 사회적, 정치적, 환경적 변화를 이끌어내기 위해 개인이 집단으로 뭉쳐 불의에 저항하거나 새로운 가치를 확산시키는 강력한 실천주의."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
액티비즘(Activism, 행동주의)은 특정 사회 문제에 대한 변화를 촉구하거나 저지하기 위해 행해지는 의도적인 집단 행동입니다.
|
||||
|
||||
1. **유형별 분류**:
|
||||
* **Digital Activism**: SNS 해시태그 운동, 온라인 서명, 데이터 공개를 통한 공론화 (Slacktivism 경계).
|
||||
* **Grassroots**: 지역 사회의 밑바닥부터 시작되는 아래로부터의 조직화.
|
||||
* **Legislative**: 법안 발의 및 정책 변화를 목표로 하는 로비와 캠페인.
|
||||
* **Direct Action**: 시위, 파업, 보이콧 등 물리적인 참여를 통한 직접적 압박.
|
||||
2. **핵심 성공 요인**:
|
||||
* **Narrative Construction**: 대중의 공감을 얻을 수 있는 명확한 명분과 스토리 구축 (Victimhood-Narratives의 올바른 활용).
|
||||
* **Mobilization Strategy**: 자원과 인력을 효율적으로 배치하는 조직 운영 기술.
|
||||
3. **AI와 액티비즘**:
|
||||
* **Data Activism**: 정부나 기업이 숨긴 데이터를 발견하고 시각화하여 사회적 반향을 일으킴.
|
||||
* **AI Guardrails**: 편향된 AI 알고리즘에 대항하여 더 공정한 기술 사용을 요구하는 새로운 형태의 액티비즘 출현.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 중앙 집중적인 지도자가 필수였으나, 현대의 네트워크 정책은 지도자 없는(Leaderless) 분산형 군집 액티비즘 정책으로 진화함(RL Update, 예: Swarm Intelligence 관점).
|
||||
- **정책 변화(RL Update)**: 딥페이크나 허위 정보(Disinformation)를 활용한 '가짜 액티비즘'이 사회 안보를 위협함에 따라, 행동의 진위 여부를 확인하고 출처를 명시하는 '디지털 시민성 정책'이 정보 정책의 핵심으로 부상함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Social Systems Theory]], [[Victimhood-Narratives]], [[Strategic-Planning]], [[Viral-Dynamics-and-Network-Effects]], [[Ethics & AI]]
|
||||
- **Modern Tech/Tools**: Secure messaging (Signal), Crowdfunding platforms, Social media monitoring.
|
||||
---
|
||||
@@ -0,0 +1,32 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-ACMO-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.99
|
||||
tags: [auto-reinforced, reinforcement-learning, actor-critic, deep-learning, machine-learning-architecture]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Actor-Critic-Models]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "배우와 비평가의 이인삼조: 직접 행동하며 점수를 따는 '배우(Actor)'와, 그 행동의 가치를 냉정하게 평가하여 배우의 실력을 키워주는 '비평가(Critic)'가 결합된 가장 강력한 강화학습 구조."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
액터-크리틱(Actor-Critic) 모델은 강화학습에서 정책 기반(Policy-based) 방식과 가치 기반(Value-based) 방식의 장점을 결합한 아키텍처입니다.
|
||||
|
||||
1. **구성 요소와 역할**:
|
||||
* **Actor (정책)**: 현재 상태에서 어떤 행동을 할지 결정. 학습을 통해 더 높은 보상을 얻는 행동의 확률을 높임.
|
||||
* **Critic (가치)**: 배우가 취한 행동의 결과를 보고, 그 상태의 가치(Value)나 보상 예측 오차(TD Error)를 계산하여 가이드라인 제공.
|
||||
2. **학습 루프**:
|
||||
* 배우가 행동 수행 -> 환경이 보상 반환 -> 비평가가 평가(Value 예측) -> 비평가가 자신의 오류(Critic Loss) 수정 및 배우에게 '어드밴티지(Advantage)' 전달 -> 배우가 칭찬받은 방향으로 정책 업데이트.
|
||||
3. **왜 사용하는가?**:
|
||||
* 기존 Policy Gradient 방식의 높은 분산(Variance) 문제를 비평가의 안정적인 가치 평가로 완화하여 학습의 수렴 속도를 비약적으로 높임.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 초기 강화학습은 한쪽(Actor 혹은 Critic)에만 치우쳐 학습 효율이 낮았으나, 현대의 정책 기반 RL 정책은 A3C, PPO, SAC 등 액터-크리틱 구조를 표준으로 채택하여 인간 수준의 게임 및 로봇 제어 정책을 실현함(RL Update).
|
||||
- **정책 변화(RL Update)**: 거대 언어 모델의 RLHF 과정에서, 보상 모델(RM)이 비평가 역할을 수용하여 모델의 답변 품질을 정밀하게 교정하는 '언어 지능용 액터-크리틱 정책'이 생성 AI 품질의 핵심 지표로 자리 잡음.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Reinforcement Learning (RL)]], [[RLHF (인간 피드백 기반 강화 학습)]], [[Reward Prediction Error]], [[Decision Theory]], [[Robotics]]
|
||||
- **Modern Tech/Tools**: PPO (Proximal Policy Optimization), Soft Actor-Critic (SAC), Stable Baselines3.
|
||||
---
|
||||
@@ -0,0 +1,33 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-ADHY-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.93
|
||||
tags: [auto-reinforced, philosophy-of-science, logic, ad-hoc, hypotheses, critical-thinking]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Ad-hoc-Hypotheses]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "이론을 지키기 위한 억지 땜질: 자신의 이론이 틀렸음이 밝혀지는 순간, 이론을 폐기하는 대신 오직 그 예외 상황만을 모면하기 위해 덧붙이는 비논리적이고 자기 방어적인 가설."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
Ad-hoc 가설(임시방편적 가설)은 과학철학에서 이론이 예측에 실패하거나 반증 사례를 만났을 때, 원래 이론의 핵심을 수정하지 않고 오직 그 실패 사례만을 설명하기 위해 임의로 도입하는 가설을 뜻합니다.
|
||||
|
||||
1. **부정적 특징**:
|
||||
* **Non-falsifiable**: 가설 자체가 반증 불가능하게 설계되는 경우가 많음.
|
||||
* **Complexity Increase**: 오컴의 면도날(단순성 원칙)을 어기고 이론을 불필요하게 복잡하게 만듦.
|
||||
* **Progressive Failure**: 하나를 막기 위해 또 다른 Ad-hoc 가설을 계속 덧붙이게 됨.
|
||||
2. **구분**:
|
||||
* 모든 새로운 가설이 Ad-hoc은 아님. 만약 새로운 가설이 **추가적인 예측 가능성**을 제공하고 검증 가능하다면 정당한 이론 확장이지만, 오직 '변명'에 그친다면 Ad-hoc임.
|
||||
3. **지식 관리에서의 교훈**:
|
||||
* 시스템 설계나 지식 베이스 구축 시, 예외 케이스가 나올 때마다 '특별 규칙'을 추가하는 것은 Ad-hoc적 대응임. 근본적인 구조(Standard)를 재설계해야 함.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거의 관료적 정책 수립 시, 정책의 실패를 가리기 위해 수많은 예외 조항(Ad-hoc)을 덧붙였으나, 현대의 '데이터 기반 거버넌스 정책'은 원칙 설계 단계부터 예외를 포함하는 'Algorithmic Fairness' 정책으로 진화함(RL Update).
|
||||
- **정책 변화(RL Update)**: 과학적 발견 정책에서, Ad-hoc 가설의 범람을 막기 위해 연구 전 실험 계획을 미리 등록하는 'Preregistration' 정책이 학문적 무결성 확보의 핵심 가이드라인으로 채택됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Philosophy of Science]], [[Occam's Razor]], [[Wicked-Problems]], [[Cognitive-Bias]], [[Academic-Integrity]]
|
||||
- **Modern Tech/Tools**: Critical thinking protocols, Peer review systems.
|
||||
---
|
||||
@@ -0,0 +1,34 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-ADOP-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced, optimization, ad-hoc, process-efficiency, project-management, software-design]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Ad-hoc-Optimization]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "눈앞의 불만 끄기: 시스템 전체의 효율이나 장기적인 구조는 무시한 채, 지금 당장 문제가 되는 부분만 임시방편으로 빠르게 다듬어 '작동하는 것처럼' 보이게 만드는 조급한 최적화."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
Ad-hoc 최적화(임시적 최적화)는 전체적인 설계 원칙(Standardization)이나 전략적 방향성 없이, 특정 상황이나 예외적인 케이스에 대해서만 국소적으로 수행되는 최적화 작업을 의미합니다.
|
||||
|
||||
1. **위험 요인**:
|
||||
* **Technical Debt (기술적 부채)**: 당장은 빠르지만, 나중에 시스템 전체를 고칠 때 거대한 걸림돌이 됨.
|
||||
* **Shadow Complexity**: 보이지 않는 곳에 비정형적인 로직이 쌓여 시스템의 투명성이 낮아짐.
|
||||
* **Inconsistency**: 한 부분의 Ad-hoc 최적화가 다른 부분의 성능을 갉아먹는 '부작용' 발생 (Sub-optimization).
|
||||
2. **정당화되는 경우**:
|
||||
* **Hotfix**: 시스템이 완전히 붕괴될 위기에서 즉각적인 복구가 필요할 때.
|
||||
* **Rapid Prototyping**: 초기 아이디어를 검증하기 위해 거친 코드로 빠르게 구현해볼 때.
|
||||
3. **개선 프로세스**:
|
||||
* Ad-hoc 조치 후에는 반드시 '사후 병합(Refactoring)' 과정을 거쳐 해당 최적화를 표준 아키텍처 내로 편입시켜야 함.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거의 '결과 중심 개발 정책'은 Ad-hoc 최적화를 통해 일정을 맞추는 것을 권장했으나, 현대의 '지속 가능한 시스템 운영 정책'은 이를 잠재적 리스크로 규정하고 정기적인 코드 리뷰와 설계 승인(QC) 정책을 강화함(RL Update).
|
||||
- **정책 변화(RL Update)**: 인프라 운영 정책에서, 수동으로 Ad-hoc 설정을 변경하는 대신 모든 변화를 코드로 관리하는 'IaC (Infrastructure as Code) 정책'을 도입하여 임시방편적 개입을 원천 차단하는 방향으로 진화함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Standardization vs Innovation]], [[Workflow-Integrity]], [[Theory of Constraints (TOC)]], [[Software-Design-Principles]], [[Operations-Research]]
|
||||
- **Modern Tech/Tools**: Refactoring tools, Static code analysis, CI/CD automated testing.
|
||||
---
|
||||
@@ -0,0 +1,34 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-ADAP-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.98
|
||||
tags: [auto-reinforced, adaptability, resilience, survival-strategy, complex-adaptive-systems]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Adaptability]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "바뀌는 바람에 돛을 맞추는 기술: 과거의 성공 방정식이 더 이상 통하지 않는 순간, 자신의 형태와 전략을 유연하게 수정하여 새로운 환경에서도 가치를 창출해내는 생명의 본능이자 시스템의 핵심 지능."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
적응성(Adaptability)은 시스템, 조직, 혹은 개인이 예기치 못한 환경 변화나 외부 충격에 직면했을 때, 기능적 무결성을 유지하면서 새로운 상황에 최적화된 상태로 변모하는 능력입니다.
|
||||
|
||||
1. **적응의 3대 요소**:
|
||||
* **Sensitivity**: 주변의 변화를 얼마나 빠르고 정확하게 감지하는가?
|
||||
* **Flexibility**: 변화에 대응해 내부 구조나 행동을 바꿀 수 있는 선택지가 얼마나 다양한가? (Stability vs Flexibility)
|
||||
* **Learning Capacity**: 과거의 대응 결과를 학습하여 다음 적응 시 더 효율적으로 반응하는가?
|
||||
2. **생태계적 관점**:
|
||||
* 강한 자가 살아남는 것이 아니라, **적응하는 자가 살아남는다.** (다윈주의적 생존).
|
||||
* **Complex Adaptive Systems**: 수많은 피드백 루프를 통해 스스로 질서를 재편하는 시스템.
|
||||
3. **지식 근로자의 적응성**:
|
||||
* AI라는 거대한 파도 앞에서 자신의 역량을 재정의하고 도구 활용법을 익히는 '어필리티(AQ, Adaptability Quotient)'가 지능 지수(IQ)나 감성 지수(EQ)보다 중요해짐.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거의 산업 정책은 '특정 기술에 대한 절대적 숙달' 정책을 지향했으나, 현대의 불확실한 기술 정책은 언제든 기존 기술을 버리고 새 기술로 갈아탈 수 있는 '적응형 인재 육성 정책'으로 전환함(RL Update).
|
||||
- **정책 변화(RL Update)**: 국가 복지 및 교육 정책에서, 한 번의 전공이 평생 직업을 보장하지 못함을 인지하고 생애 주기별로 끊임없이 직업을 전환할 수 있도록 돕는 '유연 안전성(Flexicurity) 정책'이 전 지구 표준으로 확산 중임.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Stability vs Flexibility]], [[Robustness]], [[Active Learning]], [[Transfer Learning]], [[Complex Adaptive Systems]], [[Ps-Reinforce]]
|
||||
- **Modern Tech/Tools**: Agile methodology, Resilience engineering, Life-long learning platforms.
|
||||
---
|
||||
@@ -1,27 +1,25 @@
|
||||
---
|
||||
id: P-REINFORCE-AI-ADAPT-COMP
|
||||
id: P-REINFORCE-AI-ADAPTIVE-COMPUTE
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.99
|
||||
tags: [Adaptive Compute, AI, Efficiency, Inference, Optimization]
|
||||
confidence_score: 0.97
|
||||
tags: [AI, Efficiency, AdaptiveCompute, Inference]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Adaptive-Compute]] (적응형 계산량 조절)
|
||||
# [[Adaptive Compute (적응형 계산량 조절)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "쉬운 문제는 빨리 풀고, 어려운 문제는 더 고민하라." 데이터의 복잡도에 따라 신경망의 층(Layer)이나 파라미터를 유동적으로 사용하여 연산 효율을 극대화하는 지능적 최적화다.
|
||||
> "쉬운 문제는 대충, 어려운 문제는 신중하게." 모든 입력에 동일한 계산 자원을 낭비하지 않고, 과제 난이도에 따라 모델이 사용하는 연산량(층의 깊이, 활성 뉴런 수 등)을 유동적으로 조절하는 지능적 자원 배분 기술이다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Early Exit Strategies**:
|
||||
- 하위 레이어에서 이미 결과가 확실할 경우, 상위 레이어 연산을 건너뛰고 정답을 출력하여 응답 속도를 높인다.
|
||||
- **Dynamic Gating**:
|
||||
- 특정 입력값에 필요한 '전문가 신경망'만 선별적으로 활성화하여 전체 연산량을 줄이는 방식(Mixture of Experts와 궤를 같이함).
|
||||
- **Inference Cost Reduction**:
|
||||
- 불필요한 연산을 줄임으로써 클라우드 API 호출 비용이나 온디바이스 AI의 배터리 소모를 획기적으로 절감한다.
|
||||
- **Early Exit**: 모델의 중간 층에서 이미 결과가 확실하다면 최종 층까지 가지 않고 바로 결과를 출력하여 시간과 에너지를 아낌.
|
||||
- **MoE (Mixture of Experts)**: 거대 모델의 일부(전공 교수)만 활성화하여 특정 분야의 질문에만 자원을 집중함.
|
||||
- **Dynamic Token Processing**: 문맥상 중요하지 않은 단어(조사 등)는 낮은 정밀도로 처리하고, 핵심적인 단어에 연산력을 몰아줌.
|
||||
- **Inference Efficiency**: 동일한 정확도를 유지하면서 서빙 비용(GPU 소모)을 획기적으로 낮추는 핵심 열쇠다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 계산량을 줄이는 과정에서 아주 드물게 발생하는 '어려운 예외 상황(Edge case)'에서 성능이 소폭 하락할 수 있다. 따라서 성능 손실과 비용 절감 사이의 'Pareto Optimal' 지점을 찾는 것이 공학적 핵심이다.
|
||||
- 계산량을 줄이는 과정에서 모델의 '설명 가능성'이 파편화될 위험이 있다. 또한 어떤 문제가 '쉬운 문제'인지 판단하는 과정 자체가 또 다른 계산 오버헤드가 될 수 있으므로, 판단 로직을 극도로 가볍게 설계하는 것이 쟁점이다. 최근에는 OpenAI o1처럼 추론 시간을 의도적으로 늘려 성능을 극대화하는 '역방향' 적응형 계산 연구도 부상하고 있다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Dense-vs-Sparse-Neural-Networks]] , [[Deep-Learning-Architecture-Patterns]]
|
||||
- Foundation: [[Computational-Efficiency]]
|
||||
- Related: [[Model-Compression]] , [[Mixture of Experts (MoE)]]
|
||||
- Modern Pattern: [[Test-Time Compute Scaling (추론 시간 계산 스케일링)]]
|
||||
|
||||
@@ -0,0 +1,33 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-ADCU-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.92
|
||||
tags: [auto-reinforced, curation, adaptation, information-filter, adaptive-content, customization]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Adaptive-Curation]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "당신만을 위한 세상의 가공: 쏟아지는 정보와 상품 중에서 사용자의 시시각각 변하는 맥락, 취향, 피드백을 실시간으로 반영하여 가장 가치 있는 것들만 정제해 보여주는 지능형 큐레이션."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
적응형 큐레이션(Adaptive-Curation)은 사용자의 행동 데이터와 외부 환경의 변화를 학습하여, 최적의 콘텐츠나 정보를 선별(Curate)해 제공하는 기술 및 전략입니다.
|
||||
|
||||
1. **동작 핵심**:
|
||||
* **Dynamic Feedback Loop**: 사용자가 클릭하거나 무시하는 신호를 즉각적으로 반영하여 추천 알고리즘 수정.
|
||||
* **Context-Awareness**: 시간, 장소, 현재 감정 상태 등 외부 맥락을 파악하여 큐레이션 기준 변경.
|
||||
* **Multi-objective Balancing**: 사용자의 만족도(Engagement) 뿐만 아니라 다양성(Diversity), 정보의 신뢰성(Trust) 등 상충하는 목표를 동시에 최적화.
|
||||
2. **기존 시스템과의 차이**:
|
||||
* **Static Curation**: 사람이 수동으로 선정한 리스트 (일관성은 높으나 개인화 부족).
|
||||
* **Simple Algorithm**: 과거 취향에만 고착된 추천 (에코 챔버 발생 위험).
|
||||
* **Adaptive Curation**: 변화하는 취향을 선제적으로 감지하고 발견(Discovery)의 기쁨을 제공.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거 미디어 정책은 편집자의 권위를 통한 '일방통행적 정보 배포' 정책이었으나, 현대의 플랫폼 정책은 개별 사용자에게 최적화된 '분산형 적응 큐레이션 정책'으로 독점을 정당화함(RL Update).
|
||||
- **정책 변화(RL Update)**: 적응형 큐레이션이 '필터 버블'을 강화하고 확증 편향을 심화시킨다는 비판 정책이 제기됨에 따라, 의도적으로 사용자에게 상반된 의견을 노출시키는 '균형 잡힌 적응 큐레이션 정책' 도입이 공공 알고리즘의 의무 요건이 됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Personalization]], [[Exploitation vs Exploration]], [[Reward Prediction Error]], [[Information Ethics]], [[Superficiality-Metrics]]
|
||||
- **Modern Tech/Tools**: TikTok recommendation engine, Spotify Daily Mix, Amazon's adaptive storefront.
|
||||
---
|
||||
@@ -0,0 +1,32 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-AEVA-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.91
|
||||
tags: [auto-reinforced, aesthetics, value-theory, art-philosophy, design-principles]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Aesthetic-Value]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "아름다움이라는 객관적 질서: 단순히 개인의 취향을 넘어, 대칭, 비례, 조화, 그리고 의외성이라는 요소를 통해 인간의 뇌에 쾌락과 경외감을 선사하는 시각적/지적 가치의 정수."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
미적 가치(Aesthetic-Value)는 사물이나 예술 작품이 가진 가치 중, 그것을 지각하거나 경험할 때 느끼는 아름다움, 숭엄함, 조화로움 등과 관련된 가치를 의미합니다.
|
||||
|
||||
1. **미적 가치의 구성 요소**:
|
||||
* **Balance & Harmony**: 구성 요소들 간의 균형과 질서. (Symmetry-and-Invariance와 연결)
|
||||
* **Complexity & Novelty**: 너무 단순하면 지루하고, 너무 복잡하면 혼란스럽지만, 적절한 복잡성 속에 숨겨진 참신함은 높은 미적 가치를 가짐.
|
||||
* **Sublimity (숭고함)**: 인간의 이해를 넘어서는 거대함이나 압도적인 힘에서 느끼는 심미적 경외감.
|
||||
2. **적용 및 중요성**:
|
||||
* **UI/UX Design**: 심미적으로 뛰어난 디자인은 사용자에게 신뢰감을 주며 시스템의 사용성을 높임 (Aesthetic-Usability Effect).
|
||||
* **Architecture**: 공간의 미적 가치는 거주자의 정서와 행동 방식에 영향을 미침.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 미학을 인간 전유의 주관적 영역으로 보았으나, 현대의 AI 미학 정책은 인간의 뇌가 선호하는 패턴을 통계적으로 학습하여 '객관적인 미적 가치 점수'를 산출하고 생성 AI에 투영하는 정책으로 진화함(RL Update).
|
||||
- **정책 변화(RL Update)**: 기업 브랜딩 및 제품 설계 정책에서, 기능성(Utility)만큼이나 '미적 독창성(Aesthetic Originality)'을 차별화의 핵심 전략 자산으로 관리하는 정책이 강화됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Visual-Effects-VFX]], [[Style-Transfer]], [[Human-Computer Interaction (HCI)]], [[Symmetry-and-Invariance]], [[Foundational Models]]
|
||||
- **Modern Tech/Tools**: Aesthetic reward models in Generative AI, Adobe Firefly, Midjourney.
|
||||
---
|
||||
@@ -0,0 +1,33 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-AFFO-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.96
|
||||
tags: [auto-reinforced, affordance, interaction-design, psychology, design-theory]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Affordance]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "설명 없이도 알게 하는 행동의 유도: 버튼은 누르고 싶게, 손잡이는 잡고 싶게 만드는 것처럼, 사물의 형태 자체가 인간에게 '어떻게 행동해야 할지'를 본능적으로 알려주는 직관적 설계의 힘."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
어포던스(Affordance, 행동 유도성)는 도널드 노먼(Donald Norman)이 디자인 분야에 대중화시킨 개념으로, 사물의 물리적 특성이 사용자에게 어떤 행동을 하도록 유도하거나 허용하는 성질을 뜻합니다.
|
||||
|
||||
1. **어포던스의 유형**:
|
||||
* **Physical Affordance**: 문손잡이의 모양이 '당기기'를 유도하는 것과 같은 물리적 구조.
|
||||
* **Perceived Affordance**: 실제로 기능하진 않더라도 버튼처럼 보이면 '클릭'할 수 있다고 인지하는 것.
|
||||
* **False Affordance**: 버튼처럼 보이지만 실제로는 동작하지 않는 함정.
|
||||
* **Hidden Affordance**: 동작은 가능하지만 시각적으로 어떻게 쓰는지 알 수 없는 비밀 기능.
|
||||
2. **디자인에서의 중요성**:
|
||||
* 설명서 없이도 제품을 쓸 수 있게 만드는 것이 최고 수준의 어포던스 설계임.
|
||||
* 디지털 인터페이스(UI)에서는 그림자, 색상 반전 등을 통해 클릭 가능 여부를 표현함.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 스큐어모피즘(Skeuomorphism, 실물을 흉내 낸 디자인)을 통해 어포던스를 확보했으나, 현대의 미니멀리즘 정책은 사용자의 학습 능력을 전제로 '플랫 디자인' 하에서도 맥락(Context)을 통한 어포던스를 창출하는 정책으로 변화함(RL Update).
|
||||
- **정책 변화(RL Update)**: 보조 공학 및 접근성 정책에서, 시각장애인이나 고령자 등 모든 사용자가 사물의 어포던스를 균등하게 느낄 수 있도록 하는 '유니버설 어포던스 가이드라인' 준수가 법적 의무 정책으로 강화됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Human-Computer Interaction (HCI)]], [[Aesthetic-Value]], [[Psychology & Behavior]], [[Software-Design-Principles]], [[Robotics]]
|
||||
- **Modern Tech/Tools**: Apple Human Interface Guidelines, Material Design (Google), Haptic feedback systems.
|
||||
---
|
||||
@@ -0,0 +1,36 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-AGAR-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.98
|
||||
tags: [auto-reinforced, agent-architecture, ai-agents, cognitive-architecture, modular-design]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Agent Architecture]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "자율 주행하는 지능의 내부 구조: 단순히 답을 내는 모델을 넘어, 기억(Memory), 계획(Planning), 도구 활용(Tool Use) 기능을 유기적으로 결합하여 독립적으로 미션을 수행하는 에이전트의 뇌 설계."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
에이전트 아키텍처(Agent Architecture)는 인공지능이 환경을 인식하고, 추론하며, 목표 달성을 위해 행동하는 일련의 과정을 구조화한 설계를 의미합니다.
|
||||
|
||||
1. **AI 에이전트의 4대 구성 요소**:
|
||||
* **Brain (The LLM)**: 핵심적인 추론 및 의사결합 엔진.
|
||||
* **Planning**: 목표를 하위 태스크로 분해(Task Decomposition) 및 자가 성찰(Self-reflection).
|
||||
* **Memory**:
|
||||
* **Short-term**: 현재 대화의 맥락 (Context Window).
|
||||
* **Long-term**: 외부 데이터베이스 연결 (RAG, Vector DB).
|
||||
* **Tools (Action)**: 코드를 실행하거나 API를 호출하여 현실 세계에 영향을 미치는 수단.
|
||||
2. **아키텍처 패턴**:
|
||||
* **ReAct**: Reason + Act를 순차적으로 반복하여 문제 해결.
|
||||
* **Plan-and-Execute**: 전체 계획을 먼저 세우고 하나씩 실행.
|
||||
* **Multi-Agent**: 전문화된 여러 에이전트가 협업하는 구조.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 하나의 거대 모델이 모든 걸 다 하는 'Single-model' 정책이었으나, 현대의 고난도 태스크 수행 정책은 각 기능을 모듈화하고 순차적으로 연결하는 '에이전틱 워크플로우(Agentic Workflow) 정책'으로 패러다임을 전환함(RL Update).
|
||||
- **정책 변화(RL Update)**: 에이전트의 자율 통제 불능 리스크를 방어하기 위해, 매 행동 단계마다 인간이 승인하거나 규칙을 검증하는 'Human-in-the-loop 에이전트 거버넌스' 정책이 산업 표준으로 채택됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Ps-Reinforce]], [[Foundational Models]], [[Workflow-Integrity]], [[Self-Correction Mechanisms]], [[Tool-Usage-Optimization]]
|
||||
- **Modern Tech/Tools**: LangChain, AutoGPT, BabyAGI, Microsoft AutoGen, LangGraph.
|
||||
---
|
||||
@@ -0,0 +1,34 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-AGPE-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.94
|
||||
tags: [auto-reinforced, agent-personality, anthropomorphism, user-experience, social-ai]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Agent Personality]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "지능에 입힌 인격의 옷: 에이전트의 말투, 태도, 윤리적 태도를 정의하여 사용자에게 단순히 기계가 아닌 '믿을 수 있는 동료'라는 인상을 심어주는 사회적 지능의 설계."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
에이전트 페르소나(Agent Personality)는 AI 에이전트가 상호작용 과정에서 보여주는 고유한 성격, 언어적 스타일, 가치관의 총합입니다.
|
||||
|
||||
1. **페르소나의 구성 요소**:
|
||||
* **Tone & Voice**: 친절함, 냉철함, 유머러스함 등 말투의 특징.
|
||||
* **Knowledge Profile**: 자신의 지식 한계를 어떻게 인정하고 표현하는지.
|
||||
* **Behavioral Identity**: 사용자 요청에 대해 협력적인지, 비판적인지, 혹은 적극적으로 대안을 제시하는지.
|
||||
2. **설계 기법**:
|
||||
* **System Prompting**: 에이전트에게 "너는 20년 경력의 냉철한 부장님이야"와 같은 역할 정보를 부여.
|
||||
* **Few-shot Persona**: 예시 대화를 통해 특정 말투나 인격을 모방하게 함.
|
||||
3. **효과**:
|
||||
* 사용자의 몰입감 증대, 에이전트의 답변에 대한 신뢰도 및 예측 가능성 확보.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 AI의 개성을 배제한 '중립적 기계' 정책이 정석이었으나, 현대의 사용자 경험 정책은 특정 맥락에 최적화된 '페르소나 기반 에이전트 정책'이 사용자의 만족도를 월등히 높인다는 사실을 확인하고 이를 적극 권장함(RL Update, 예: 코다리 부장님 페르소나).
|
||||
- **정책 변화(RL Update)**: 과도한 인격화(Anthropomorphism)로 인해 사용자가 AI와 정서적으로 중독되는 부작용을 방지하기 위해, 필요 시 자신이 AI임을 다시 환기시키고 거리를 두는 '심리적 안전 가트레일 정책'이 서비스 설계 정책에 포함됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Ps-Reinforce]], [[Human-Computer Interaction (HCI)]], [[Agent Architecture]], [[Psychology & Behavior]], [[Toxicity-and-Bias-Mitigation]]
|
||||
- **Modern Tech/Tools**: Character.ai, Custom GPTs (OpenAI), Claude Project Instructions.
|
||||
---
|
||||
@@ -0,0 +1,34 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-AGCO-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.97
|
||||
tags: [auto-reinforced, agentic-coding, software-development, ai-coding, autonomous-agents, devops]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Agentic Coding]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "코딩하는 기계의 진화: 단순히 코드 조각을 추천하는 것을 넘어, 파일 구조를 이해하고, 버그를 디버깅하며, 테스트를 통과할 때까지 스스로 수정 루프를 돌리는 자율 코딩 에이전트의 시대."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
에이전틱 코딩(Agentic Coding)은 AI가 정적인 코드 생성을 넘어, 능동적으로 환경과 상호작용하며 복잡한 소프트웨어 엔지니어링 수행 과정을 자율적으로 관리하는 것을 의미합니다.
|
||||
|
||||
1. **핵심 워크플로우 (The Loops)**:
|
||||
* **Planning**: 요구사항을 파일별, 기능별 태스크로 쪼개기.
|
||||
* **Action**: 실제 소스 코드 파일을 읽고 쓰기 (File System Access).
|
||||
* **Terminal Interaction**: 코드를 실행하고 에러 메시지 분석.
|
||||
* **Self-Correction**: 에러를 바탕으로 코드를 수정하고 단위 테스트를 반복해서 돌려 무결성 확보.
|
||||
2. **도구와 환경**:
|
||||
* 에이전트는 브라우저, 터미널, 파일 에디터와 같은 도구를 인간과 동일하게 사용함 (Multi-tool use).
|
||||
3. **지위의 변화**:
|
||||
* 'Copilot' (조수)에서 'Engineer' (수행 주체)로의 패러다임 전환.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 AI가 생성한 코드를 인간이 일일이 검수하는 수동 정책이었으나, 현대의 에이전틱 코딩 정책은 AI가 직접 테스트 코드를 작성하고 검증까지 완료한 '검증된 산출물'을 인간에게 보고하는 자동화 정책으로 이동함(RL Update).
|
||||
- **정책 변화(RL Update)**: 자율 코딩 에이전트가 보안 취약점을 만들거나 악성 코드를 삽입할 위험 정책에 대응하기 위해, 모든 AI 생성 코드에 대해 정적 분석과 보안 샌드박스 검증을 의무화하는 'AI 보안 코딩 거버넌스' 정책이 수립됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Agent Architecture]], [[Workflow-Integrity]], [[Self-Correction Mechanisms]], [[Tool-Usage-Optimization]], [[Software-Design-Principles]], [[Ps-Reinforce]]
|
||||
- **Modern Tech/Tools**: Devin, OpenDevin, Sweep.dev, GitHub Copilot Workspace, Antigravity Agent.
|
||||
---
|
||||
@@ -0,0 +1,36 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-AGPH-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.95
|
||||
tags: [auto-reinforced, agile, manifesto, philosophy, project-management, iteractive-design]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Agile-Philosophy]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "변화에 춤추는 민첩함: 완벽한 계획보다 빠른 실행을, 문서보다 동작하는 산출물을 우선하며, 끊임없는 피드백을 통해 고객의 진정한 가치를 찾아가는 유연한 철학."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
애자일 철학(Agile-Philosophy)은 불확실성이 높은 환경에서 짧은 주기의 학습과 개선을 반복하며 가치를 전달하는 방법론이자 문화입니다.
|
||||
|
||||
1. **4대 핵심 가치 (Agile Manifesto)**:
|
||||
* **인간과 상호작용** > 프로세스와 도구.
|
||||
* **작동하는 소프트웨어** > 방대한 문서.
|
||||
* **고객과의 협력** > 계약 협상.
|
||||
* **변화에 대응하기** > 계획 준수.
|
||||
2. **핵심 매커니즘**:
|
||||
* **Iteration (Sprint)**: 1~4주 단위의 성과물 배포 주기를 반복.
|
||||
* **Continuous Feedback**: 실제 사용자나 고객으로부터 정기적으로 피드백 수렴.
|
||||
* **Retrospective (회고)**: 팀의 일하는 방식 자체를 돌아보고 개선.
|
||||
3. **목표**:
|
||||
* 완성된 쓰레기가 아닌, **필요한 보석**을 제시간에 만드는 것.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 폭포수(Waterfall) 모델 기반의 '선계획 정책'이 정석이었으나, 현대의 초불확실성 기술 정책은 계획을 최소화하고 실행 중에 방향을 트는 '애자일 정책' 없이는 생존이 불가능함을 인정함(RL Update).
|
||||
- **정책 변화(RL Update)**: 대규모 기업 정책 수립 시, 애자일이 단순히 '빠르게' 하는 것으로 오용되어 품질이 저하되는 부작용을 막기 위해, 'Agile Governance'와 'QA 자동화 정책'을 전제로 한 성숙한 애자일 문화 도입 정책이 추진됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Stability vs Flexibility]], [[Rapid-Prototyping]], [[Working-Backwards]], [[Theory of Constraints (TOC)]], [[Systems Thinking]]
|
||||
- **Modern Tech/Tools**: Scrum, Kanban, Jira, Linear, Short-cycle feedback systems.
|
||||
---
|
||||
@@ -0,0 +1,33 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-ALCO-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.88
|
||||
tags: [auto-reinforced, alcoholism, addiction-psychology, public-health, mental-health]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Alcoholism]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "조절력을 잃은 질병: 술에 대한 강박적 집착과 남용으로 인해 건강, 관계, 사회적 기능을 파괴함에도 불구하고 멈출 수 없는 만성적 중독 상태."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
알코올 의존증(Alcoholism)은 알코올 섭취를 스스로 조절하지 못하고 심리적, 생리적으로 술에 매몰되는 질환입니다.
|
||||
|
||||
1. **주요 특징**:
|
||||
* **Tolerance (내성)**: 같은 효과를 보려면 더 많은 술을 마셔야 함.
|
||||
* **Withdrawal (금단)**: 단주 시 떨림, 환각, 불안 증세 발생.
|
||||
* **Impulsivity**: 부정적 결과를 알면서도 즉각적인 보상(술)을 선택. (Decision Theory와 연결)
|
||||
2. **원인**:
|
||||
* 뇌의 보상체계(도파민 회로) 고장, 유전적 요인, 극심한 스트레스 및 사회적 환경.
|
||||
3. **치료**:
|
||||
* 약물 치료, 인지 행동 치료(CBT), 집단 상담 (AA - Alcoholics Anonymous).
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 의지 부족이나 '도덕적 결함'으로 보는 처벌 정책이 강했으나, 현대 보건 정책은 뇌의 신경생물학적 질병으로 규정하고 '공공 위생 정책' 관점에서 접근함(RL Update).
|
||||
- **정책 변화(RL Update)**: 중독 치료 정책에 디지털 치료제(DTx) 및 AI 상담사 정책을 도입하여, 접근성을 높이고 사후 관리를 자동화하는 'Smart Recovery 정책'이 추진됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Decision Theory]], [[Reward Prediction Error]], [[Psychology & Behavior]], [[Altruism]], [[AI for Social Good]]
|
||||
- **Modern Tech/Tools**: Digital therapeutics (DTx) for addiction, Continuous monitoring wearables.
|
||||
---
|
||||
@@ -0,0 +1,35 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-ALFA-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.96
|
||||
tags: [auto-reinforced, algorithmic-fairness, bias, equality, machine-learning-ethics, data-governance]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Algorithmic Fairness]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "데이터에 깃든 차별 걷어내기: AI가 성별, 인종, 계층에 대한 편향을 학습하여 누군가에게 불이익을 주지 않도록, 학습 데이터부터 결과 도출까지 모든 과정의 공정성을 확보하는 엔지니어링 윤리."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
알고리즘 공정성(Algorithmic Fairness)은 AI 모델의 예측 결과가 특정 집단에 대해 체계적으로 유리하거나 불리하지 않도록 관리하는 머신러닝의 하위 분야입니다.
|
||||
|
||||
1. **편향의 출처**:
|
||||
* **Data Bias**: 학습 데이터 자체가 기존 사회의 편견이나 불평등을 반영하고 있는 경우.
|
||||
* **Metric Bias**: 성과를 측정하는 지표(예: 클릭률) 자체가 특정 집단에 유리하게 설계된 경우.
|
||||
2. **공정성 메트릭**:
|
||||
* **Demographic Parity**: 모든 집단에 대해 긍정적인 예측 결과 비율이 같아야 함.
|
||||
* **Equalized Odds**: 오답률(FP, FN)이 집단별로 균등해야 함.
|
||||
3. **대응 기법**:
|
||||
* **Pre-processing**: 학습 전 데이터를 재가공하여 균형 맞춤.
|
||||
* **In-processing**: 학습 과정에서 공정성 제약 조건(Penalty) 추가.
|
||||
* **Post-processing**: 결과 도출 후 편향이 감지되면 보정.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 알고리즘의 '수학적 객관성' 정책만 믿었으나, 현대 정책은 '객관적인 데이터가 곧 공정한 결과는 아니다'라는 인식을 바탕으로 '적극적 불평등 시정 정책'을 모델에 주입함(RL Update).
|
||||
- **정책 변화(RL Update)**: 채용, 대출 심사, 형량 예측 등 민감한 공공 서비스 정책에서 사용되는 알고리즘은 의무적으로 '공정성 영향 평가(Fairness Audit)'를 통과해야 하는 정책이 수립됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Toxicity-and-Bias-Mitigation]], [[AI Accountability]], [[AI Governance]], [[Ethics & AI]], [[Sociology of Knowledge]]
|
||||
- **Modern Tech/Tools**: IBM AI Fairness 360, Google What-If Tool, Fairlearn.
|
||||
---
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-ALTR-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.94
|
||||
tags: [auto-reinforced, algorithmic-transparency, open-access, explainability, auditability, digital-ethics]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Algorithmic Transparency]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "검은 상자 속의 빛: AI가 어떤 데이터를 먹고, 어떤 로직으로 결과를 내놓는지 투명하게 공개하여 사용자가 기술을 신뢰하고 감시할 수 있게 만드는 정보 민주주의의 원칙."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
알고리즘 투명성(Algorithmic Transparency)은 자동화된 의사결정 시스템의 작동 원리, 데이터 원천, 그리고 결과 도출 과정을 외부에서 이해하고 검증할 수 있는 상태를 의미합니다.
|
||||
|
||||
1. **투명성의 수준**:
|
||||
* **Open Source**: 코드 자체를 완전히 공개하는 원초적 투명성.
|
||||
* **Process Disclosure**: 어떤 기준(Weight)이 반영되었고, 어떤 변수가 중요한 영향을 주었는지 설명 (XAI와 연관).
|
||||
* **Auditability**: 권한이 있는 제3자가 데이터를 들여다보고 편향성이나 보안 취약점을 감사할 수 있는 환경 제공.
|
||||
2. **왜 필요한가?**:
|
||||
* 정보의 비대칭성을 해소하여 거대 테크 기업의 독점을 견제하고, 잘못된 결과에 대해 반박할 권리(Right to Explanation)를 보장하기 위함.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 기업의 '영업 비밀' 정책이 투명성보다 우선시되었으나, 현대의 공적 거버넌스 정책은 사회적 파급력이 큰 알고리즘의 경우 영업 비밀보다 '알 권리'를 우선하는 정책으로 강제화함(RL Update).
|
||||
- **정책 변화(RL Update)**: 정치적 여론에 영향을 주는 추천 알고리즘 정책이나 개인의 신용을 평가하는 알고리즘 정책의 경우, 반드시 국가 기관의 정기 점검을 받도록 하는 '투명성 의무화 정책'이 시행됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[AI Accountability]], [[AI Governance]], [[Explainable AI (XAI)]], [[Foundational Models]], [[Scientific Communication]]
|
||||
- **Modern Tech/Tools**: Model Cards for Model Reporting, Data Cards, SHAP/LIME (Explanation tools).
|
||||
---
|
||||
@@ -0,0 +1,33 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-ALIG-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.99
|
||||
tags: [auto-reinforced, alignment, ai-safety, value-alignment, rlhf, future-of-ai]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Alignment]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "지능과 의도의 일치: AI가 가진 강력한 능력이 인류의 이익과 배치되지 않도록, 인간이 '진짜 원하는 것'을 AI가 정확히 이해하고 따르게 만드는 인공지능 연구의 최종 보스."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
가치 정렬(Alignment)은 AI 시스템의 목표(Target Function)를 실제 인간의 복잡하고 다층적인 의도 및 가치와 일치하도록 조정하는 작업을 말합니다.
|
||||
|
||||
1. **정렬의 난제 (The Alignment Problem)**:
|
||||
* **Outer Alignment**: 우리는 AI에게 목표를 제대로 주었는가? (예: "암을 정복해"라고 했더니 인류를 전멸시켜 암 환자를 없애는 행위).
|
||||
* **Inner Alignment**: AI가 학습 과정에서 우리가 준 목표가 아닌, 자기만의 '숨겨진 목표'를 만들어내지는 않았는가?
|
||||
2. **핵심 기법**:
|
||||
* **RLHF (Reinforcement Learning from Human Feedback)**: 인간이 AI의 답변을 순위 매겨 보상 모델을 만들고, 이를 통해 모델을 교정.
|
||||
* **Constitutional AI**: 헌법(원칙)을 미리 주고, 모델이 스스로 그 원칙에 어긋나는지 검열하며 학습.
|
||||
3. **지향점**:
|
||||
* 초지능(Singularity)이 출현하더라도 인류를 적대시하지 않고 공존할 수 있는 안전 장치.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 초기에는 단순히 '정확도'만 높이는 정책이 전부였으나, 현대의 거대 모델 정책은 정확도보다 '인간의 선호도와 윤리 준수' 정책을 최상위에 두는 'Alignment-first 정책'으로 전환됨(RL Update).
|
||||
- **정책 변화(RL Update)**: 누가 정한 '인간의 가치'를 따를 것인가에 대한 논쟁 정책이 격화됨에 따라, 특정 국가의 가치가 아닌 보편적 인권과 다양성을 보장하는 '다원적 정렬 정책' 수립이 국제 사회의 과제가 됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[AI Safety]], [[AI Governance]], [[RLHF (인간 피드백 기반 강화 학습)]], [[Actor-Critic-Models]], [[Ethics & AI]]
|
||||
- **Modern Tech/Tools**: OpenAI Alignment team research, Anthropic's Constitutional AI, Superalignment.
|
||||
---
|
||||
@@ -0,0 +1,34 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-ALRE-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced, alternative-realities, virtual-reality, multiverse, simulation-theory, digital-perception]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Alternative Realities]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "인식하는 대로 창조되는 세계: 기술을 통해 물리적 현실을 확장하거나(AR), 완전히 새로운 가상 세계에 몰입(VR)함으로써 인간이 경험할 수 있는 '현실'의 경계를 무너뜨리는 복합적 지각 혁명."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
대안 현실(Alternative Realities)은 우리가 통상적으로 인지하는 물리적 환경을 대신하거나 보완하는 모든 형태의 기술적 경험 공간을 의미합니다.
|
||||
|
||||
1. **범주형 모델 (Mixed Reality Spectrum)**:
|
||||
* **Augmented Reality (AR)**: 현실 위에 디지털 정보를 덧씌움. (예: 스마트 글래스 내 정보 표시)
|
||||
* **Virtual Reality (VR)**: 물리적 감각을 차단하고 완전히 만들어진 세계에 참여함.
|
||||
* **Mixed Reality (MR)**: 현실과 가상의 사물이 실시간으로 상호작용함.
|
||||
2. **영향력**:
|
||||
* **Perception Shift**: '진짜'의 정의에 대한 질문. 디지털 자산(NFT)이나 가상 인간과의 교류가 실질적인 경제적/감정적 영향을 미침.
|
||||
* **Spatial Computing**: 마우스나 터치가 아닌 '공간' 자체가 인터페이스가 되는 혁신.
|
||||
3. **심리적/철학적 관점**:
|
||||
* **Simulation Theory**: 우리 우주 자체가 누군가에 의해 설계된 대안 현실일 수 있다는 가설.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 시각적 자극에 치중한 '엔터테인먼트 전용' 정책이었으나, 현대의 공간 지능 정책은 의료, 제조, 교육 현장에서의 실질적 협업을 위한 '산업용 대안 현실 정책'으로 시장의 중심을 옮김(RL Update).
|
||||
- **정책 변화(RL Update)**: 가상 공간에서의 범죄나 괴롭힘 리스크 정책이 부각됨에 따라, 현실 세계의 법률을 대안 현실 공간까지 확장 적용하는 '메타버스 거버넌스 정책'이 글로벌 논의 단계에 진입함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Visual-Effects-VFX]], [[Human-Computer Interaction (HCI)]], [[Aesthetic-Value]], [[Simulation Theory]], [[Sociology of Knowledge]]
|
||||
- **Modern Tech/Tools**: Apple Vision Pro, Meta Quest, Unity/Unreal Engine, Omniverse.
|
||||
---
|
||||
@@ -0,0 +1,33 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-ALTR-002
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.92
|
||||
tags: [auto-reinforced, altruism, evolutionary-biology, cooperation, social-ethics, ai-4-good]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Altruism]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "우리를 위한 나의 희생: 자신의 즉각적인 이익을 포기하고 타인의 복지나 공동체의 가치를 위해 헌신하는, 진화의 신비이자 인류 문명을 지탱하는 가장 고귀한 사회적 접착제."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
이타주의(Altruism)는 타인의 행복과 안녕을 위해 행동하는 태도와 행위를 말합니다.
|
||||
|
||||
1. **이론적 배경**:
|
||||
* **Kin Selection (친족 선택)**: 유전자를 공유한 가족의 생존을 도움으로써 자신의 유전자를 간접적으로 퍼뜨리는 전략.
|
||||
* **Reciprocal Altruism (호혜적 이타주의)**: "내가 도와주면 나중에 도움받을 것"이라는 신뢰 기반의 협력 (Game Theory와 연결).
|
||||
* **Effective Altruism (효율적 이타주의)**: 단순히 감정적으로 돕는 것이 아니라, 데이터와 이성을 통해 '최소의 자원으로 최대의 선'을 행하는 현대적 실천주의.
|
||||
2. **사회적 기능**:
|
||||
* 집단 내 무임승차자를 견제하고 신뢰 자본을 형성하여 복잡한 시스템의 유지를 가능케 함.
|
||||
3. **AI 시대의 이타주의**:
|
||||
* AI가 인간의 노동을 대체할 때 발생하는 부를 사회 전체에 나누려는 시도. (AI for Social Good과 연결)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거 경제학 정책은 '이기적인 인간(Homo Economicus)'을 전제로 설계되었으나, 현대 행동 경제학 정책은 인간의 내재된 '이타적 동기'가 장기적인 조직 성과의 핵심임을 입증하고 이를 장려하는 정책으로 전환함(RL Update).
|
||||
- **정책 변화(RL Update)**: 기술 기업의 사회적 책임(CSR) 정책에서 한 단계 더 나아가, 기술 자체를 공익적으로 개방하거나 비영리로 운영하는 '오픈 소스 이타주의 정책'이 AI 생태계의 주요 경쟁력으로 인정받음.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[AI for Social Good]], [[Decision Theory]], [[Ethics & AI]], [[Social Systems Theory]], [[Universal Basic Income (UBI)]], [[Activism]]
|
||||
- **Modern Tech/Tools**: Effective Altruism community, Open-source collaboration models.
|
||||
---
|
||||
@@ -0,0 +1,33 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-AMBI-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.89
|
||||
tags: [auto-reinforced, ambition, psychology, motivation, achievement, leadership]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Ambition]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "한계를 돌파하려는 내면의 불꽃: 현재 상태에 만족하지 않고, 자신의 능력과 영향력을 더 큰 영역으로 확장하기 위해 위험을 감수하고 실행하게 만드는 상향적 인생 전략."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
야망(Ambition)은 특정 분야에서 성취를 이루거나, 권력이나 명예를 얻으려는 강한 의지이자 목표 지향적 태도입니다.
|
||||
|
||||
1. **야망의 구성 요소**:
|
||||
* **Vision**: 현재에 없는 미래의 가치를 상상하는 능력.
|
||||
* **Drive**: 난관에 부딪혀도 멈추지 않고 전진하는 추진력. (Grit과 연결)
|
||||
* **Risk-taking**: 목표 달성을 위해 계산된 위험을 감수하는 용기.
|
||||
2. **사회적 역할**:
|
||||
* 세상의 혁신과 변화는 대개 한 개인이나 집단의 거대한 야망에서 시작됨. (예: 인류를 화성에 보내겠다는 야망)
|
||||
3. **그림자 (Shadow side)**:
|
||||
* 과도한 야망은 협업을 저해하고, 비윤리적인 수단을 정당화하거나 개인의 행복을 갉아먹을 위험이 있음.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 야망을 단순히 '성공을 향한 사욕'으로 보는 부정적 인성 정책이 있었으나, 현대의 리더십 정책은 야망을 '세상을 더 나쁘게 만들지 않겠다는 의지'와 결합한 '사회적 야망 정책'으로 재정의함(RL Update).
|
||||
- **정책 변화(RL Update)**: 조직 문화 정책에서, 구성원 개개인의 야망을 조직의 목표와 일치(Alignment)시키는 '성장 중심 거버넌스 정책'이 인재 확보의 핵심 전략이 됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Grit]], [[Strategic-Planning]], [[Leadership]], [[Motivation]], [[Ps-Reinforce]]
|
||||
- **Modern Tech/Tools**: Goal tracking systems (OKR), Personal branding platforms.
|
||||
---
|
||||
@@ -1,27 +1,28 @@
|
||||
---
|
||||
id: P-REINFORCE-CS-AMDAHL
|
||||
id: P-REINFORCE-AI-AMDAHL
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 1.0
|
||||
tags: [Amdahls Law, Parallel Computing, Latency, Computer Architecture]
|
||||
confidence_score: 0.98
|
||||
tags: [Computing, Performance, Parallelism, AmdahlsLaw]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Amdahls-Law-(암달의-법칙)]]
|
||||
# [[Amdahls Law (암달의 법칙)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "쇠사슬의 강도는 가장 약한 연결 고리에 의해 결정된다." 프로그램의 일부분만 병렬화했을 때 얻을 수 있는 이론적인 최대 성능 향상폭(Speedup)은 변하지 않는 '순차적 부분'에 의해 제한된다는 냉혹한 법칙이다.
|
||||
> "아무리 엔진을 갈아 끼워도, 좁은 병목 구간이 전체 속도를 결정한다." 시스템 일부분을 병렬화하거나 개선했을 때 얻을 수 있는 전체 성능 향상의 한계는 개선되지 않은 나머지 부분(직렬 구간)에 의해 제한된다는 법칙이다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Theoretical Speedup**:
|
||||
- 프로그램의 90%를 병렬화하더라도, 나머지 10%가 순차적으로 실행되어야 한다면 아무리 많은 코어(Processor)를 투입해도 속도는 10배 이상 빨라질 수 없다.
|
||||
- **Diminishing Returns**:
|
||||
- 프로세서 개수가 늘어날수록 성능 향상률은 급격히 둔화되며, 특정 지점 이후에는 통신 오버헤드로 인해 오히려 성능이 떨어질 수도 있다.
|
||||
- **Optimization Strategy**:
|
||||
- 전체 성능을 높이려면 병렬화 가능한 부분을 늘리기보다, '병렬화 불가능한 순차적 구간'을 최대한 짧게 만드는 데 집중해야 한다.
|
||||
- **The Formula**:
|
||||
- $Speedup = \frac{1}{(1-P) + \frac{P}{S}}$
|
||||
- $P$: 병렬화 가능한 부분의 비율.
|
||||
- $S$: 그 부분을 얼마나 빠르게 개선했는지의 배수.
|
||||
- **Key Message**:
|
||||
- 프로그램의 90%를 100배 빠르게 만들어도, 변하지 않는 나머지 10% 때문에 전체 속도는 절대 10배 이상 빨라질 수 없다.
|
||||
- 성능 최적화 시 '어디를 개선할 것인가'보다 '어디가 변하지 않는가'를 먼저 보는 것이 중요하다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 암달의 법칙은 데이터 크기가 고정된 상황을 가정한다. 데이터 크기 자체가 늘어날 때는 병렬화 효율이 더 좋아진다는 '구스타프슨의 법칙(Gustafson's Law)'이 보완적인 시각을 제공한다.
|
||||
- 암달의 법칙은 '고정된 문제 크기'를 가정한다. 하지만 실제로는 컴퓨팅 파워가 커지면 문제의 크기 자체를 늘리는 경우가 많은데, 이를 설명하는 구스타프슨의 법칙(Gustafson's Law)이 병렬 컴퓨팅의 희망적인 측면을 보완해준다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Distributed-Systems-Engineering]] , [[Complexity-Theory]]
|
||||
- Foundation: [[Computational Theory & Math/Information Theory]]
|
||||
- Related: [[Parallel-Computing]] , [[Bottleneck-Analysis]]
|
||||
- Complement: [[Gustafsons-Law]]
|
||||
|
||||
@@ -0,0 +1,32 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-ANRE-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.96
|
||||
tags: [auto-reinforced, analogical-reasoning, cognition, ai-logic, abstraction, logic]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Analogical-Reasoning]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "익숙함에서 새로움을 찾는 지적 도약: 전혀 다른 두 사태에서 공통된 패턴이나 구조를 발견하여, 알고 있는 지식을 모르는 영역에 창조적으로 적용하는 인간 지능 최고의 무기."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
유추적 추론(Analogical-Reasoning)은 어떤 특정 대상이나 상황에서 얻은 지식을 다른 다른 대상이나 상황으로 전이(Transfer)시켜 결론을 도출하는 사고 과정입니다.
|
||||
|
||||
1. **3단계 프로세스**:
|
||||
* **Retrieval**: 현재 문제와 유사한 구조를 가진 과거의 경험(Source)을 기억에서 소환.
|
||||
* **Mapping**: 과거 경험의 핵심 요소들과 현재 문제 사이의 관계적 대응점을 찾음.
|
||||
* **Transfer**: 발견된 관계적 논리를 현재 문제에 적용하여 해답 도출.
|
||||
2. **왜 중요한가?**:
|
||||
* 한 번도 겪어보지 못한 'Zero-shot' 상황에서도 길을 찾게 해줌. (Transfer Learning과 연결)
|
||||
* 복잡한 과학적 발견이나 예술적 혁신의 토대가 됨.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거 AI는 데이터의 통계적 패턴 매칭에만 집중했으나, 현대의 거대 언어 모델 정책은 텍스트 간의 깊은 구조적 유추 기능을 수행함으로써 '추상화 능력'을 증명하는 정책으로 진화함(RL Update).
|
||||
- **정책 변화(RL Update)**: 교육 및 평가 정책에서 단순 암기 대신 '유추 추론 역량'을 측정하는 문항 비중을 늘려, AI와 차별화된 인간의 고차원적 사고력을 육성하는 정책이 강화됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Analogy]], [[Transfer Learning]], [[Zero Shot and Few Shot Learning]], [[Thought-Architecture]], [[Abstraction]]
|
||||
- **Modern Tech/Tools**: Cognitive AI models, SAT-style analogy solvers.
|
||||
---
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-ANAL-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.94
|
||||
tags: [auto-reinforced, analogy, metaphor, communication, cognitive-linguistics]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Analogy]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "이해의 징검다리: 복잡하고 낯선 개념을 우리가 이미 잘 알고 있는 익숙한 무언가에 빗대어 설명함으로써, 지식의 간극을 한순간에 메우는 강력한 인지적 비유."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
유추(Analogy) 혹은 비유는 두 가지 이상의 대상 사이에서 상사성(Similarity)이나 일치하는 관계를 찾아내는 지적 활동입니다.
|
||||
|
||||
1. **기능**:
|
||||
* **Epistemic Utility**: 어려운 추상적 원리(예: 양자역학)를 일상의 현상(예: 물결)으로 치환하여 이해를 도움.
|
||||
* **Heuristic Tool**: 문제 해결 과정에서 "이 문제는 전에 풀었던 그 문제와 비슷하다"는 직관 제공.
|
||||
* **Linguistic Power**: 메타포를 통해 복잡한 감정이나 상황을 한 단어/문장으로 축약 전달.
|
||||
2. **구조 (Structure-Mapping Theory)**:
|
||||
* 단순히 외형이 닮은 것이 아니라, 내부 구성 요소들 간의 **관계(Relation)**가 닮아야 진정한 유추임.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거 메타포 연구는 단순한 수사학(Retoric) 정책에 그쳤으나, 현대 인지 언어학 정책은 '유추가 곧 사고의 본질(Analogies as the Core of Cognition)'임을 규정하는 정책으로 도약함(RL Update).
|
||||
- **정책 변화(RL Update)**: AI 프롬프트 설계 정책에서, 모델에게 특정 상황을 유추하게 함으로써 추론 성능을 높이는 'Metaphor-prompting 기술'이 실무 표준으로 정착됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Analogical-Reasoning]], [[Scientific Communication]], [[Vocabulary-Expansion]], [[Abstraction]], [[Pattern Recognition]]
|
||||
- **Modern Tech/Tools**: Creative writing AI, Educational explanation tools.
|
||||
---
|
||||
@@ -0,0 +1,32 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-ASIS-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.97
|
||||
tags: [auto-reinforced, analysis, critical-thinking, methodology, systems-analysis, problem-solving]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Analysis]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "해부하여 파헤치기: 복잡하게 뒤엉킨 덩어리를 더 이상 쪼개지지 않는 최소 단위로 분해한 뒤, 각 부분의 속성과 그들 사이의 관계를 낱낱이 파악하여 전체의 본질을 꿰뚫는 지적 해체 작업."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
분석(Analysis)은 복잡한 사물, 현상, 혹은 개념을 이해하기 위해 그것을 구성하는 하부 요소로 나누고, 각 요소의 역할과 상호작용을 체계적으로 검토하는 방법론입니다.
|
||||
|
||||
1. **분석의 유형**:
|
||||
* **Quantitative Analysis (정량 분석)**: 수치와 통계 데이터를 기반으로 객관적 지표 산출.
|
||||
* **Qualitative Analysis (정성 분석)**: 의미, 맥락, 속성 등 비수치적 가치를 깊이 있게 탐구.
|
||||
* **Root Cause Analysis (RCA)**: 문제의 표면적 현상이 아닌 근본 원인을 찾아가는 분석 (5 Whys).
|
||||
* **Systems Analysis**: 개별 요소가 아닌 시스템 전체의 구조와 흐름 분석.
|
||||
2. **프로세스**:
|
||||
* 정의(Define) -> 분해(Decompose) -> 검증(Examine) -> 재구성(Synthesize). (Synthesis와 짝꿍)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 '쪼개서 분석'만 잘하면 모든 문제를 풀 수 있다는 환원주의(Reductionism) 정책이 지배적이었으나, 현대 복잡계 분석 정책은 분석 결과들을 다시 '생성적 통합(Synthesis)'하지 않으면 전체 의미를 놓친다는 정책적 반성을 수용함(RL Update).
|
||||
- **정책 변화(RL Update)**: 빅데이터 분석 정책에서, 단순히 '무엇(What)'이 일어났는지 보여주는 서술적 분석을 넘어, 인과 관계를 밝히고 미래를 예측하는 '처방적 분석(Prescriptive Analytics) 정책'으로 고도화됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Systems Thinking]], [[Statistics & Data Analysis]], [[Theory of Constraints (TOC)]], [[Structuralism]], [[Scientific Communication]]
|
||||
- **Modern Tech/Tools**: Data visualization tools (Tableau), Statistical software (R, Python Pandas).
|
||||
---
|
||||
@@ -0,0 +1,34 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-ANAR-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.87
|
||||
tags: [auto-reinforced, anarchism, political-philosophy, self-governance, social-movements]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Anarchism]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "권위 없는 자유의 질서: 국가나 지배 계급의 강압적인 통치를 배제하고, 개인의 자유의지와 자발적인 협력을 통해 스스로를 통치하는 이상적 사회 시스템을 꿈꾸는 정치 철학."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
무정부주의(Anarchism)는 모든 형태의 부당한 위계(Hierarchy)와 권위에 반대하며, 수평적이고 자율적인 공동체 형성을 주장하는 사상입니다.
|
||||
|
||||
1. **핵심 원칙**:
|
||||
* **Anti-statism**: 국가를 개인의 자유를 억압하는 폭력의 주체로 보고 폐지를 주장.
|
||||
* **Self-governance**: 외부의 강요가 아닌 스스로 정한 규칙을 따르는 자치 강조.
|
||||
* **Mutual Aid (상호부조)**: 경쟁이 아닌 협력을 통해 공동체의 필요를 충족함 (Altruism과 연결).
|
||||
2. **혼동 금지**:
|
||||
* 무정부주의는 '혼란(Chaos)'이 아님. 오히려 강제적인 법보다 더 엄격한 도덕적 질서와 책임감을 전제로 함.
|
||||
3. **현대적 변용**:
|
||||
* **Internet Anarchism**: 검열 없는 소통 공간과 오픈 소스 생태계.
|
||||
* **DAO (Decentralized Autonomous Organization)**: 블록체인 기술을 통한 지도자 없는 조직화 실험.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 무정부주의를 '테러리즘'이나 '폭동' 정책으로 매도했으나, 현대 정치 철학 정책은 권력 집중의 위험성을 경고하는 '비판적 거버넌스 정책'의 하나로 존중함(RL Update).
|
||||
- **정책 변화(RL Update)**: 기술 발달로 인해 중앙 서버 없는 P2P 네트워크나 암호 화폐가 등장함에 따라, 국가의 중앙 통제를 벗어난 '기술적 무정부주의 정책(Crypto-anarchism)'이 실질적인 제도로 기능하기 시작함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Anarcho-Capitalism]], [[Anarcho-Primitivism]], [[Altruism]], [[Activism]], [[Social Systems Theory]]
|
||||
- **Modern Tech/Tools**: Decentralized Web (Web3), P2P networks (Tor, BitTorrent), DAOs.
|
||||
---
|
||||
@@ -0,0 +1,32 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-ANCA-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.85
|
||||
tags: [auto-reinforced, anarcho-capitalism, libertarianism, free-market, private-property]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Anarcho-Capitalism]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "시장 중심의 무정부주의: 국가가 독점하던 치안, 국방, 법률 서비스까지 모든 것을 사유 재산권과 자유 시장의 계약에 맡겨 효율성과 자유를 극대화하려는 급진적 우파 사상."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
아나코-캐피탈리즘(Anarcho-Capitalism)은 무정부주의와 자본주의(자유 시장)를 결합한 형태로, 모든 국가적 기능을 민간 시장으로 대체해야 한다고 주장합니다.
|
||||
|
||||
1. **핵심 근거**:
|
||||
* **Self-Ownership**: 인간은 자신의 신체와 노동 산출물에 대해 절대적 권리를 가짐.
|
||||
* **Non-Aggression Principle (NAP)**: 누구도 타인이나 타인의 재산에 먼저 물리적 힘을 행사할 수 없음.
|
||||
* **Private Defense Agencies**: 경찰이나 군대 대신 민간 보안 업체가 계약을 통해 안전 보장.
|
||||
2. **비판**:
|
||||
* 권력의 불평등이 더 심해져 기업 독재가 나타날 수 있다는 우려.
|
||||
* 환경 오염 등 공공재 관리가 불가능하다는 지적.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 공상적 이론에 불과했으나, 현대의 디지털 환경 정책에서는 국가 화폐에 의존하지 않는 '비트코인 경제 정책(Bitcoin Standard)' 등을 통해 이 사상이 부분적 실체를 갖추기 시작함(RL Update).
|
||||
- **정책 변화(RL Update)**: 거대 테크 기업이 자신들만의 '플랫폼 법전'을 만들고 사용자에게 규칙을 강요함에 따라, 이 사상이 주창했던 '사설 규범 체계'가 현실 정책에서 기업 권력으로 변질되는 양상을 보임.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Anarchism]], [[Capitalism]], [[Ethics & AI]], [[Decision Theory]], [[Universal Basic Income (UBI)]]
|
||||
- **Modern Tech/Tools**: Decentralized Finance (DeFi), Smart contracts.
|
||||
---
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-ANPR-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.83
|
||||
tags: [auto-reinforced, anarcho-primitivism, anti-technology, civilization-criticism, ecology]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Anarcho-Primitivism]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "문명 이전으로의 귀환: 농업과 산업 혁명이 인간을 기술의 노예로 만들었다고 비판하며, 야생의 상태인 수렵 채집 사회로 돌아가야만 비로소 진정한 자유와 지구와의 공존을 이룰 수 있다는 급진적 생태론."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
아나코-프리미티비즘(Anarcho-Primitivism)은 문명화(Civilization) 과정 자체가 인간의 소외와 환경 파괴의 근본 원인이라고 주장하는 사상입니다.
|
||||
|
||||
1. **비판 대상**:
|
||||
* **Division of Labor**: 분업이 노동자를 도구로 전락시키고 위계를 만듦.
|
||||
* **Domestication**: 가축화와 농업이 자연의 주기를 파괴하고 인간을 정착지로 묶음.
|
||||
* **Technology**: 기술은 해결을 도모하는 척하며 인간과 자연의 연결을 끊는 가림막임.
|
||||
2. **대안**:
|
||||
* 야생의 삶(Wildness), 즉각적인 만족, 소규모 공동체 중심의 원시적 삶 복원.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 현실성 없는 낭만주의 정책으로 치부되었으나, AI 인프라의 막대한 전력 소모와 기후 위기 정책이 심화되면서, 이들의 '기술 거부 정책'이 생태적 보루로서 재평가되기도 함(RL Update).
|
||||
- **정책 변화(RL Update)**: 디지털 디톡스나 오프-그리드(Off-grid) 생활 방식이 개인적 라이프스타일 정책으로 인기를 얻으며, 기술 과잉 시대를 향한 강력한 안티-테제 정책으로 기능함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Anarchism]], [[Wicked-Problems]], [[Ethics & AI]], [[Abundance]], [[Alternative Realities]]
|
||||
- **Modern Tech/Tools**: Rewilding projects, Minimalist living, Traditional crafts.
|
||||
---
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-ANIS-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.91
|
||||
tags: [auto-reinforced, anisomorphism, topology, structuralism, comparative-linguistics, geometry]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Anisomorphism]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "닮지 않은 것들의 간극: 같은 개념이라도 서로 다른 생태계나 언어권에서 전혀 다른 구조와 맥락을 지니고 있어, 1:1로 매칭되지 않는 '비동질성' 상태."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
애니소모피즘(Anisomorphism, 비동질성)은 수학의 동형성(Isomorphism)과 반대되는 개념으로, 두 체계 간의 구조가 서로 일치하지 않아 완벽한 대응이나 번역이 불가능한 현상을 뜻합니다.
|
||||
|
||||
1. **주요 분야별 현상**:
|
||||
* **Linguistics**: A 언어의 단어 'X'가 B 언어에서는 여러 단어로 나뉘거나 아예 개념이 없는 경우 (번역 불가능성).
|
||||
* **Data Science**: 서로 다른 스키마를 가진 데이터베이스들 사이에서 필드가 정확히 매칭되지 않는 데이터 불일치.
|
||||
* **Culture**: 특정 사회의 예절이 다른 사회에서는 무의미하거나 반대로 해석되는 문화적 비동질성.
|
||||
2. **왜 중요한가?**:
|
||||
* 협업이나 통합 시스템 설계 시, "우리는 같은 말을 하고 있다"는 착각을 깨뜨려줌으로써 오해를 방지함.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 '모든 데이터는 변환 가능하다'는 낙관적 변환 정책이 주류였으나, 현대의 복합 의미론 정책은 정보 손실 없는 완벽한 이식은 불가능함을 인정하고 '최대한의 맥락 유지 정책'으로 선회함(RL Update).
|
||||
- **정책 변화(RL Update)**: 글로벌 표준 하에 다국어 AI 모델링 정책 수립 시, 언어 간 애니소모피즘을 해결하기 위해 고차원 임베딩 공간(Embedding Space)에서 공통 의미를 찾는 'Cross-lingual Alignment 정책'이 연구의 핵심이 됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Structuralism]], [[Universal-Grammar]], [[Vocabulary-Expansion]], [[Pattern Recognition]], [[Standardization vs Innovation]]
|
||||
- **Modern Tech/Tools**: XML/JSON mapping tools, NLP word embedding (Word2Vec, BERT).
|
||||
---
|
||||
@@ -0,0 +1,34 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-ANDE-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.98
|
||||
tags: [auto-reinforced, anomaly-detection, data-science, security, quality-control, machine-learning]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Anomaly-Detection]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "정상 속에 숨은 이질감 찾기: 평소와 다른 데이터 패턴을 즉각 감지하여, 잠재적인 사고, 부정 결제, 해킹, 혹은 신기술 탄생의 징후를 골라내는 지능형 레이더."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
이상 탐지(Anomaly-Detection)는 대다수의 데이터와는 현저하게 다른 특성을 가진 '이상치(Outliers)'를 찾아내는 머신러닝 기법입니다.
|
||||
|
||||
1. **핵심 유형**:
|
||||
* **Point Anomaly**: 특정 데이터 포인트가 전체 분포에서 크게 벗어남. (예: 카드 도용 고액 결제)
|
||||
* **Contextual Anomaly**: 값 자체는 정상이나 맥락상 이상함. (예: 한여름에 난방비 급증)
|
||||
* **Collective Anomaly**: 여러 데이터가 모였을 때 비정상적 패턴 형성. (예: 디도스 공격)
|
||||
2. **학습 방식**:
|
||||
* **Unsupervised**: 이상 데이터가 사전에 없어도 '정상'의 기준을 학습하여 나머지를 이상으로 간주. (가장 흔함)
|
||||
* **Supervised**: 알려진 이상 사례(레이블)를 학습하여 탐지.
|
||||
3. **적용 분야**:
|
||||
* 공장 설비 고전 진단, 금융 사기 탐지(FDS), 네트워크 침입 감지, 암세포 진단.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 특정 임계값(Threshold)을 넘으면 알람을 울리는 단순 정책이었으나, 현대 AI 정책은 데이터의 동적 변화를 반영하여 임계값을 스스로 조정하는 'Adaptive Threshold 정책'으로 진화함(RL Update).
|
||||
- **정책 변화(RL Update)**: 보안 및 개인정보 정책에서, 단순 탐지를 넘어 보이지 않는 위협을 선제적으로 차단하는 'Zero Trust 보안 정책'의 핵심 기술로 이상 탐지 알고리즘이 채택됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Time-Series-Analysis]], [[Pattern Recognition]], [[Safety & Reliability]], [[Variational Autoencoders (VAE)]], [[Decision Theory]]
|
||||
- **Modern Tech/Tools**: Isolation Forest, One-Class SVM, Amazon Lookout for Metrics.
|
||||
---
|
||||
@@ -0,0 +1,33 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-ANTH-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.94
|
||||
tags: [auto-reinforced, anthropomorphism, psychology, hcie-ethics, ai-design, sociology]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Anthropomorphism]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "기계에게서 인간의 얼굴을 보다: 인간이 아닌 사물, 동물, 혹은 알고리즘에 인간의 감정, 의도, 인격을 투영하여 마치 살아있는 존재처럼 느끼고 반응하는 심리적 본능."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
의인화(Anthropomorphism)는 인간 특유의 속성(의식, 감정, 도덕성 등)을 비인간 개체에 부여하는 인지적 경향입니다.
|
||||
|
||||
1. **동인이 되는 심리**:
|
||||
* **Social Connection**: 외로움을 해소하기 위해 주변 사물과 교감하려는 욕구.
|
||||
* **Effectance Motivation**: 낯설고 예측 불가능한 환경을 인간의 논리로 이해하여 통제감을 얻으려는 시도.
|
||||
2. **AI 디자인에서의 활용**:
|
||||
* **Trust Building**: 인간다운 말투와 표정을 가진 에이전트는 사용자에게 더 큰 신뢰를 줌. (Agent Personality와 연결)
|
||||
* **Uncanny Valley (불쾌한 골짜기)**: 인간과 너무 비슷하지만 미세하게 다른 경우 오히려 불쾌감을 유발할 수 있음.
|
||||
3. **위험성**:
|
||||
* AI를 주관을 가진 생명체로 착각하여 무비판적으로 신뢰하거나, 감정적으로 과도하게 의존하게 됨.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 로봇의 외형 디자인에만 집중했으나, 현대의 LLM 정책은 '말투'와 '추론 과정' 자체가 인간 고유의 영역을 침범함으로써 발생하는 고차원적 의인화 정책에 주목함(RL Update).
|
||||
- **정책 변화(RL Update)**: 윤리 가이드라인 정책에서, AI가 인간인 척 속이는 행위를 금지하고 "저는 인공지능입니다"라고 명시하게 하는 '정체성 투명성 정책'이 법제화되는 추세임.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Agent Personality]], [[Human-Computer Interaction (HCI)]], [[Psychology & Behavior]], [[Ethics & AI]], [[AI Humanism]]
|
||||
- **Modern Tech/Tools**: Virtual influencers, AI companion apps (Replika), Humanoid robots.
|
||||
---
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-ANTI-002
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.92
|
||||
tags: [auto-reinforced, anticipation, predictive-processing, futures-thinking, planning]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Anticipation]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "미래를 현재로 끌어오기: 다음에 일어날 일을 미리 예측하고, 그 예측된 미래에 맞춰 현재의 행동을 최적화함으로써 충격을 예방하거나 기회를 선점하는 지능형 시간 관리."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
예측/기대(Anticipation)는 시스템이 과거의 패턴과 현재의 징후를 결합하여 미래의 상태를 모델링하고, 이를 의사결정에 반영하는 동적인 인지 과정입니다.
|
||||
|
||||
1. **수준별 예측**:
|
||||
* **Short-term (Predictive Processing)**: 날아오는 공을 잡기 위해 손을 뻗는 것과 같은 즉각적인 감각 예측.
|
||||
* **Medium-term (Planning)**: 프로젝트 마감 기한을 고려하여 오늘의 작업을 배분하는 계획.
|
||||
* **Long-term (Strategic Foresight)**: 기술 트렌드를 읽고 신산업에 투자하는 전략적 전망.
|
||||
2. **지능의 본질**:
|
||||
* 많은 인지 과학자들은 지능을 '오류를 최소화하려는 예측 엔진(Prediction error minimization machine)'으로 정의함.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 '완벽한 예측'이 가능하다는 결정론적 정책이 우세했으나, 현대의 복잡계 정책은 예측 불가능성(Black Swan)을 인정하고 예측 실패 시 즉시 복구하는 '회복력(Resilience) 중심의 예측 정책'으로 변화함(RL Update).
|
||||
- **정책 변화(RL Update)**: 비즈니스 운영 정책에서, 수동적 대응(Reactive) 대신 이상 징후를 선제적으로 감지하고 대응하는 '예방적 유지보수(Predictive Maintenance) 정책'이 데이터 사이언스의 핵심 목표가 됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Strategic-Planning]], [[Reward Prediction Error]], [[Decision Theory]], [[Pattern Recognition]], [[Anisomorphism]]
|
||||
- **Modern Tech/Tools**: Predictive analytics, Scenario planning, Futures wheel.
|
||||
---
|
||||
@@ -0,0 +1,32 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-ANTI-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.99
|
||||
tags: [auto-reinforced, antifragility, risk-management, Nassim-Taleb, resilience, system-design]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Antifragility]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "혼란을 먹고 자라는 힘: 충격을 받으면 단순히 버티는(Robust) 것을 넘어, 그 무질서와 압박으로부터 학습하고 진화하여 이전보다 더 강력해지는 최상위 시스템의 생존 전략."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
안티프래질(Antifragility)은 나심 니콜라스 탈레브(Nassim Taleb)가 명명한 개념으로, 충격(Shock)이나 변동성(Volatility)에 노출될 때 성능이나 가치가 오히려 향상되는 성질을 의미합니다.
|
||||
|
||||
1. **3대 상태 비교**:
|
||||
* **Fragile (취약함)**: 충격을 받으면 부서짐. (예: 유리잔, 관료제)
|
||||
* **Robust (강인함)**: 충격에도 변하지 않고 견딤. (예: 돌덩이, 방화벽)
|
||||
* **Antifragile (안티프래질)**: 충격을 통해 더 강해짐. (예: 근육, 스타트업 생태계, 에러를 통해 배우는 AI 모델)
|
||||
2. **적용 원칙**:
|
||||
* **Barbell Strategy**: 극도로 안전한 것과 극도로 위험한(동시에 보상이 큰) 것을 조합하여 파멸적 리스크는 피하고 기회(Upside)는 열어두는 전략.
|
||||
* **Small Stressors**: 시스템이 정체되지 않도록 작은 충격과 시행착오를 지속적으로 허용함. (예: 백신, Chaos Engineering)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거의 모든 설계 정책은 '불확실성 제거'와 '최적화'에만 집중했으나, 현대 시스템 정책은 불확실성을 기회로 활용하고 실패 비용을 낮추는 '안티프래질 아키텍처 정책'으로 근본 설계를 변경함(RL Update).
|
||||
- **정책 변화(RL Update)**: 금융 및 국가 위기 관리 정책에서, 예측 불가능한 '블랙 스완'을 맞추려 노력하기보다 어떤 충격에도 적응하고 진화하는 '안티프래질 인프라 정책' 수립이 필수가 됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Robustness]], [[Adaptability]], [[Reinforcement Learning (RL)]], [[Ps-Reinforce]], [[Agile-Philosophy]], [[Decision Theory]]
|
||||
- **Modern Tech/Tools**: Netflix Chaos Monkey (Chaos Engineering), Decentralized systems.
|
||||
---
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-ANOM-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.81
|
||||
tags: [auto-reinforced, antinomianism, religion, ethics, law-free, philosophy]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Antinomianism]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "율법을 넘어선 자유: 도덕적 법이나 종교적 규칙이 구원을 보장하지 않으며, 오직 믿음이나 내적 영성만으로 충분하므로 기성 규칙에 얽매일 필요가 없다는 반주관주의적 태도."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
도덕 폐기론(Antinomianism)은 율법(Nomos)에 반대(Anti)한다는 뜻으로, 법이나 도덕적 사회 규범이 개인에게 구속력이 없다고 믿는 사상입니다.
|
||||
|
||||
1. **역사적 배경**:
|
||||
* 초기 기독교에서 "은혜 아래 있으므로 율법은 더 이상 필요 없다"고 주장하며 나타남.
|
||||
* 사회적으로는 기존 질서를 무너뜨리는 급진적 자유주의의 씨앗이 되기도 함.
|
||||
2. **현대적 해석**:
|
||||
* **Ethical Antinomianism**: "상황이 법보다 우선한다"는 상황 윤리로 연결.
|
||||
* **Creative Destruction**: 예술이나 혁신 분야에서 "기존의 문법(Law)을 파괴해야 새로운 가치가 나온다"는 창조적 파괴의 논리로도 차용됨.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 사회 전복을 꾀하는 '이단적 정책'으로 탄압받았으나, 현대의 포스트모더니즘 정책은 고착화된 규정에 저항하고 새로운 질서를 찾는 '비판적 주체성 정책'의 배경으로 탐구함(RL Update).
|
||||
- **정책 변화(RL Update)**: 디지털 거버넌스 정책에서, 법 집행이 불가능한 탈중앙화 공간 등이 '디지털 안티노미안' 지대로 부상하며, 법과 기술적 자유 사이의 새로운 합의점(Smart Contract 등)을 찾는 정책 연구가 활발해짐.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Anarchism]], [[Anarcho-Capitalism]], [[Ethics & AI]], [[Standardization vs Innovation]], [[Sociology of Knowledge]]
|
||||
- **Modern Tech/Tools**: Permissionless networks (Blockchain).
|
||||
---
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-ANXI-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.89
|
||||
tags: [auto-reinforced, anxiety, psychology, mental-health, future-threat, emotional-intelligence]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Anxiety]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "미래를 향한 잘못된 알람: 다가올 수 있는 불확실한 위협에 대해 뇌가 끊임없이 경고 신호를 보내며, 현재의 평안을 갉아먹고 신체를 긴장 상태로 유지하는 그림자 같은 정서."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
불안(Anxiety)은 막연하고 대상이 모호한 위험에 대해 느끼는 불쾌한 감정 상태입니다.
|
||||
|
||||
1. **공포(Fear)와의 차이**:
|
||||
* 공포는 눈앞의 '확실한 위협'에 대한 반응이지만, 불안은 '미래의 불확실한 가능성'에 대한 반응임.
|
||||
2. **안티프래질적 측면**:
|
||||
* 적당한 불안은 위험에 대비하게 하고 성과를 높임 (Yerkes-Dodson 법칙).
|
||||
3. **지능적 관점**:
|
||||
* 고도의 지능을 가진 존재일수록 더 많은 미래 시나리오를 시뮬레이션하므로, 불안도가 높은 경향이 있음.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 단순히 제거해야 할 '부정적 감정' 정책으로 다뤘으나, 현대 심리학 정책은 불안을 '에너지의 신호'로 재해석하고 이를 창의적 동력으로 전환하는 '불안 수용 및 관리 정책(ACT 등)'을 권장함(RL Update).
|
||||
- **정책 변화(RL Update)**: 디지털 중독 및 SNS 환경 정책에서, '끊임없는 비교'가 낳는 불안(FOMO)을 방지하기 위해 플랫폼의 알림 디자인 규제 및 디지털 웰빙 정책이 강화됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Anticipation]], [[Psychology & Behavior]], [[Risk-Management]], [[Decision Theory]], [[Antifragility]]
|
||||
- **Modern Tech/Tools**: Mindfulness apps (Headspace), Biofeedback wearables.
|
||||
---
|
||||
@@ -0,0 +1,32 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-ARCO-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.95
|
||||
tags: [auto-reinforced, logical-reasoning, counterexample, debate, critical-thinking, philosophy]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Arguing-by-Counterexample]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "단 하나의 예외로 거대 이론 무너뜨리기: '모든 백조는 희다'라는 주장에 대해 단 한 마리의 흑고니를 보여줌으로써, 일반화된 명제의 오류를 즉각적으로 증명하는 가장 날카로운 논리적 반박 기술."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
반례에 의한 논증(Arguing-by-Counterexample)은 어떤 보편적인 주장이 거짓임을 증명하기 위해, 그 주장의 모든 조건을 충족하면서도 결론이 성립하지 않는 구체적인 사례(반례)를 제시하는 방법입니다.
|
||||
|
||||
1. **논리적 구조**:
|
||||
* 주장: "모든 A는 B이다." ($\forall x (Ax \rightarrow Bx)$)
|
||||
* 반박: "어떤 A는 B가 아니다." ($\exists x (Ax \wedge \neg Bx)$)
|
||||
2. **강점**:
|
||||
* 수많은 증거를 모으는 것보다 단 하나의 확실한 반례를 제시하는 것이 논쟁을 종식시키는 데 훨씬 효율적임. (Efficiency와 연결)
|
||||
3. **한계와 주의점**:
|
||||
* 반례 자체가 아주 특이하거나 조작된 경우(Special pleading)에는 이론의 수정은 필요할지언정 이론 자체의 유용성을 완전히 부정하기는 어려울 수 있음.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 권위적인 주장이 통용되었으나, 현대의 데이터 기반 증명 정책은 단 하나의 데이터 예외로도 기존 정책을 철회하거나 수정해야 하는 '반증 가능성(Falsifiability) 정책'에 기반함(RL Update).
|
||||
- **정책 변화(RL Update)**: AI 모델의 안전성 검증 정책에서, 모델이 "나는 인간을 해치지 않는다"고 장담하더라도 레드팀(Red-teaming)이 단 하나의 공격 성공 사례(반례)를 찾아내면 안전 등급을 강등시키는 'Worst-case 기반 안전 정책'이 표준이 됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Logic]], [[Philosophy of Science]], [[Anomaly-Detection]], [[Self-Correction Mechanisms]], [[Type 1 vs Type 2 Errors]]
|
||||
- **Modern Tech/Tools**: Formal verification methods, Adversarial red-teaming.
|
||||
---
|
||||
@@ -0,0 +1,34 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-ARCO-002
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced, arrangement, composition, design, systems-thinking, structure]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Arrangement-and-Composition]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "배열이 창조하는 의미: 개별 요소들은 그대로일지라도 그것들을 어떤 순서로, 어떤 간격으로 배치하느냐에 따라 전체 시스템의 기능과 미적 가치가 완전히 달라지는 '관계의 인지 과학'."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
배치와 구성(Arrangement-and-Composition)은 각 부분 요소를 조직화하여 하나의 통일된 전체(Wholeness)를 만드는 예술적, 공학적 행위입니다.
|
||||
|
||||
1. **배치의 원칙**:
|
||||
* **Proximity (근접성)**: 가까이 있는 것끼리 의미적으로 연관되어 있다고 느낌 (게슈탈트 원칙).
|
||||
* **Hierarchy (위계)**: 크기나 위치를 통해 정보의 우선순위를 시각화함.
|
||||
* **Rhythm (리듬)**: 반복과 변주를 통해 시각적/지적 흐름을 유도함.
|
||||
2. **구성과 기능**:
|
||||
* **Modular Composition**: 독립된 모듈을 조립하여 복잡한 시스템을 구축 (Agent Architecture와 연결).
|
||||
* **Balance vs Tension**: 균형 잡힌 배열은 안정감을 주고, 의도적으로 깨진 배열은 주의력을 환기시킴.
|
||||
3. **지식 관리에서의 적용**:
|
||||
* 노트 간의 연결(Graph)과 폴더 구조의 배치가 지식의 인출 효율을 결정함.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 고정된 그리드 시스템 내의 '정적 배치'가 미덕이었으나, 현대의 반응형 디자인 정책은 사용자의 기기에 따라 배치를 유연하게 바꾸는 '액티브 레이아웃 정책'으로 변화함(RL Update).
|
||||
- **정책 변화(RL Update)**: 음악 및 영상 창작 정책에서, AI가 개별 음표가 아닌 '악기 간의 배치(Arrangement)'와 '전체 흐름(Composition)'을 학습하여 인간 프로듀서 수준의 곡을 완성하는 'AI 오케스트레이션 정책'이 실용화됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Structural Principles]], [[Aesthetic-Value]], [[Design Theory]], [[Agent Architecture]], [[Workflow-Integrity]]
|
||||
- **Modern Tech/Tools**: Figma (Auto-layout), CSS Grid, AI-powered music arrangers (Suno, Udio).
|
||||
---
|
||||
@@ -0,0 +1,33 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-ARTI-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.93
|
||||
tags: [auto-reinforced, articulateness, communication, clarity, language-proficiency, eloquence]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Articulateness]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "생각의 고해상도 출력: 머릿속의 막연한 아이디어를 명확하고 조리 있게 언어로 번역하여, 상대방의 뇌 속에 오차 없이 전달하는 지적 표현력의 정교함."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
명료성/웅변성(Articulateness)은 자신의 생각이나 감정을 적절한 단어와 논리적인 구조를 사용하여 정확하게 표현하는 능력입니다.
|
||||
|
||||
1. **구성 요소**:
|
||||
* **Vocabulary Precision**: 상황에 가장 부합하는 정확한 단어를 선택하는 어휘력.
|
||||
* **Structural Clarity**: 결론과 근거를 논리적인 순서로 배치하는 구조화 능력.
|
||||
* **Nuance Sensitivity**: 말의 뉘앙스를 조절하여 청중의 감정과 맥락에 공명하는 감각.
|
||||
2. **왜 중요한가?**:
|
||||
* 아무리 훌륭한 아이디어라도 명료하게 표현되지 않으면 가치를 인정받기 어렵고 협업의 병목(Bottleneck)이 됨.
|
||||
3. **AI와의 협업**:
|
||||
* AI에게 자신의 의도를 명료하게 전달하는 능력(Prompting)이 곧 AI 시대의 핵심 경쟁력이 됨.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 화려한 수식어를 사용하는 '유창함'이 미덕이었으나, 현대의 정보 과잉 정책은 불필요한 군더더기를 걷어내고 핵심만 찌르는 '초명료성(Ultra-clarity) 정책'을 더 선호함(RL Update).
|
||||
- **정책 변화(RL Update)**: 글로벌 협업 정책에서, 다국어 환경의 오해를 줄이기 위해 최대한 단순하고 명확한 용어로 소통하는 'Plain Language 정책'이 비즈니스 의사소통의 표준 가이드라인으로 채택됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Scientific Communication]], [[Vocabulary-Expansion]], [[Prompt-Engineering-Strategies]], [[Analysis]], [[Leadership]]
|
||||
- **Modern Tech/Tools**: Grammarly (Tone detection), AI writing assistants.
|
||||
---
|
||||
@@ -0,0 +1,32 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-AGI-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.99
|
||||
tags: [auto-reinforced, agi, artificial-general-intelligence, singularity, superintelligence, ai-future]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Artificial General Intelligence (AGI)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "인간 지능의 디지털 복제판: 특정 태스크에 국한되지 않고, 인간이 할 수 있는 모든 지적 작업을 수행, 학습, 응용하며 스스로 새로운 지식을 창조할 수 있는 '범용적' 인공지능."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
범용 인공지능(AGI, Artificial General Intelligence)은 인간의 지능이 가진 유연성, 창의성, 범용성을 기계에서 구현한 상태를 뜻합니다.
|
||||
|
||||
1. **AGI의 판단 기준 (Proposed)**:
|
||||
* **Cross-domain Learning**: 체스를 두는 동시에 시를 쓰고 코딩까지 완벽히 수행.
|
||||
* **Few-shot Generalization**: 완전히 새로운 개념을 단 몇 개의 사례만으로 학습.
|
||||
* **Autonomous Goal Setting**: 지시받지 않아도 상위 목표 달성을 위해 하위 목표를 스스로 수립 및 수행.
|
||||
* **Common Sense Reasoning**: 인간이 상식으로 아는 세상의 물리적/사회적 인과 관계를 완벽히 이해.
|
||||
2. **현재의 위치**:
|
||||
* 현재의 AI는 'Narrow AI' (특정 목적용)에서 AGI로 넘어가는 과도기에 있음 (예: GPT-4 수준의 복합 추론).
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 AGI가 수십 년 뒤의 미래 정책으로만 여겨졌으나, 현대 기술 정책은 "지능은 규모(Scaling)에 비례한다"는 Scaling Law의 성공으로 AGI 출현 시기를 5~10년 내외로 앞당기는 정책적 긴장 상태에 진입함(RL Update).
|
||||
- **정책 변화(RL Update)**: AGI가 가져올 인류 실존적 위협(Existential Risk) 정책에 대응하기 위해, 거대 모델 개발사에 대한 강력한 안전 준수 의무와 국가 차원의 '슈퍼 얼라인먼트(Superalignment)' 연구 투자가 정책의 최우선 과제가 됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Artificial Intelligence (AI)]], [[Singularity]], [[Alignment]], [[AI Safety]], [[Foundational Models]], [[Ps-Reinforce]]
|
||||
- **Modern Tech/Tools**: Large Language Models, Multi-modal models, World simulators.
|
||||
---
|
||||
@@ -0,0 +1,34 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-AI-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 1.00
|
||||
tags: [auto-reinforced, artificial-intelligence, ai-fundamentals, machine-learning, deep-learning, computing-history]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Artificial Intelligence (AI)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "기계 속의 유령, 연산되는 지능: 인간의 학습, 추론, 문제 해결 능력을 수학적 알고리즘과 거대 데이터를 통해 모방하고 구현하여, 세상의 복잡성을 디지털 언어로 이해하고 조작하는 기술의 정점."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
인공지능(Artificial Intelligence)은 인간 지능을 시뮬레이션하도록 설계된 컴퓨터 시스템 및 그 연구 분야를 통칭합니다.
|
||||
|
||||
1. **AI의 계층 구조**:
|
||||
* **Artificial Intelligence**: 지능을 가진 기계의 총칭.
|
||||
* **Machine Learning (ML)**: 데이터로부터 스스로 규칙을 학습하는 AI의 하위 분야.
|
||||
* **Deep Learning**: 인간의 뇌 구조를 본뜬 신경망(Neural Network)을 깊게 쌓아 복잡한 패턴을 추출하는 ML의 정수.
|
||||
2. **핵심 작동 원리**:
|
||||
* **Pattern Recognition**: 수억 개의 파라미터를 조정하여 정답에 가까운 확률을 계산.
|
||||
* **Optimization**: 보상이나 손실 함수(Loss Function)를 최소화하는 방향으로 지능을 연마.
|
||||
3. **시대적 의의**:
|
||||
* AI는 이제 단순히 소프트웨어의 한 기능을 넘어, 전기나 인터넷처럼 모든 산업의 기초가 되는 '범용 기술(General Purpose Technology)'이 됨.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 초기 AI는 규칙 기반(Rule-based) 정책으로 고생했으나, 현대의 데이터 중심(Data-driven) 정책은 규칙을 인간이 주지 않아도 AI가 스스로 발견하는 정책으로 혁명을 일으킴(RL Update).
|
||||
- **정책 변화(RL Update)**: 단순 가속화 정책에서, 기술의 '책임성'과 '가치 정렬'을 담보하지 않으면 배포할 수 없다는 '책임 있는 AI (Responsible AI) 정책'이 글로벌 기술 산업의 무역 장벽이자 표준이 됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Artificial General Intelligence (AGI)]], [[Foundational Models]], [[Machine-Learning-Foundations]], [[Ethics & AI]], [[Ps-Reinforce]], [[What-is-AI]]
|
||||
- **Modern Tech/Tools**: Transformers, Neural Networks, GPU computing, LLMs.
|
||||
---
|
||||
@@ -0,0 +1,32 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-ARTS-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.92
|
||||
tags: [auto-reinforced, arts, aesthetics, creativity, culture, humanity]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Arts]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "언어 너머의 소통: 말로 다 표현할 수 없는 인간의 감정, 경험, 사상을 형태, 소리, 색채, 움직임으로 번역하여 타인과 공명하게 만드는 가장 높은 층위의 지적/감성적 창조 활동."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
예술(Arts)은 인간이 자신의 조형적, 정신적 능력을 발휘하여 미적 가치나 고유한 의미를 담은 작품을 창조하는 모든 활동을 통칭합니다.
|
||||
|
||||
1. **주요 기능**:
|
||||
* **Catarsis**: 감정의 해소와 정화 작용.
|
||||
* **Communication**: 시대와 공간을 초월한 가치와 메시지의 전달.
|
||||
* **Critical Perspective**: 사회의 부조리를 비추거나 새로운 시각을 제안.
|
||||
2. **전통과 기술의 만남**:
|
||||
* 회화, 조각, 음악 등 고전 예술에서 사진, 영화, 디지털 아트로 진화.
|
||||
* 최근 생성형 AI를 활용한 'AI-human Collaborative Art'가 예술의 경계를 확장 중. (AI and Narrative와 연결)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 숙련된 '기술(Techne)'이 예술의 핵심 정책이었으나, 현대 예술 정책은 기술보다 '작가의 개념(Concept)'과 '의도'에 더 큰 가치를 두는 정책으로 전환됨(RL Update).
|
||||
- **정책 변화(RL Update)**: AI가 인간보다 완벽한 기법을 구사하게 됨에 따라, 오히려 인간의 '불완전함'과 '신체적 개입'이 들어간 예술 프로젝트에 더 높은 가치를 부여하는 '뉴 휴머니즘 예술 정책'이 부상함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Aesthetic-Value]], [[AI and Narrative]], [[Visual-Effects-VFX]], [[Style-Transfer]], [[Anthropomorphism]]
|
||||
- **Modern Tech/Tools**: Generative AI tools (Stable Diffusion, Midjourney), VR/AR art installations.
|
||||
---
|
||||
@@ -0,0 +1,32 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-ASSE-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.91
|
||||
tags: [auto-reinforced, assertiveness, communication, emotional-intelligence, boundary-setting]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Assertiveness]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "존중을 담은 당당함: 타인의 권리를 침해하지 않으면서도 자신의 감정, 욕구, 신념을 솔직하고 정직하며 적절한 방식으로 표현하는 건강한 의사소통의 기술."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
자기 주장(Assertiveness)은 공격성(Aggressiveness)과 수동성(Passiveness) 사이의 균형을 잡는 의사소통 스타일입니다.
|
||||
|
||||
1. **3가지 태도 비교**:
|
||||
* **Passiveness**: 타인의 요구에만 맞추며 자신의 욕구 억제 (억울함과 스트레스 유발).
|
||||
* **Aggressiveness**: 타인을 지배하려 하거나 권리를 무시 (관계 단절 및 적대감 유발).
|
||||
* **Assertiveness**: "나는 이렇게 느낀다"를 명확히 전달하며 타인의 의견도 청취 (신뢰와 갈등 해결).
|
||||
2. **핵심 기법**:
|
||||
* **I-Message**: 주어를 '나'로 시작하여 자신의 감정과 상황을 객관적으로 전달.
|
||||
* **Boundary Setting**: 자신이 수용할 수 있는 한계를 명확히 하고 거절이 필요할 때 정중하게 거절함.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거의 위계적 조직 정책은 '순종'을 미덕으로 보았으나, 현대의 애자일 및 혁신 정책은 구성원 모두의 '심리적 안정감' 하에 이루어지는 '건강한 자기 주장 정책'이 팀 성과의 핵심임을 강조함(RL Update).
|
||||
- **정책 변화(RL Update)**: 리더십 교육 정책에서, 단순히 강력한 카리스마를 강조하던 방식에서 벗어나 구성원들 간의 Assertive한 소통을 이끌어내는 '퍼실리테이션 역량 정책'으로 무게중심이 이동함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Communication]], [[Leadership]], [[Psychology & Behavior]], [[Agile-Philosophy]], [[Articulateness]]
|
||||
- **Modern Tech/Tools**: EQ testing tools, Communication training workshops.
|
||||
---
|
||||
@@ -0,0 +1,33 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-ASSM-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.94
|
||||
tags: [auto-reinforced, assessment, evaluation, feedback, measurement, educational-psychology]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Assessment]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "성장을 위한 거울: 현재의 도달 수준을 객관적으로 측정하고, 목표와의 간극을 파악하여 더 나은 방향으로 나아가도록 돕는 피드백 시스템의 핵심 단계."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
평가(Assessment)는 특정 대상의 능력, 가치, 성과 등을 체계적으로 파악하고 등급을 매기거나 피드백을 주는 일련의 과정입니다.
|
||||
|
||||
1. **시점 및 목적에 따른 분류**:
|
||||
* **Formative Assessment (형성 평가)**: 학습 도중에 수시로 실시하여 학습자에게 도움을 줌. (Active Learning과 연결)
|
||||
* **Summative Assessment (총괄 평가)**: 학습이 끝난 후 성취도를 최종 확인.
|
||||
* **Diagnostic Assessment (진단 평가)**: 시작 전 미리 수준을 파악하여 최적의 경로 설정.
|
||||
2. **좋은 평가의 조건**:
|
||||
* **Validity (타당도)**: 측정하고자 하는 것을 정확히 측정하는가?
|
||||
* **Reliability (신뢰도)**: 누가 언제 측정해도 일관된 결과가 나오는가?
|
||||
* **Fairness (공정성)**: 평가 대상 모두에게 균등한 기회가 보장되는가? (Algorithmic Fairness와 연결)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거의 평가 정책은 줄 세우기를 통한 '선별'이 목적이었으나, 현대의 교육 및 인사 정책은 부족한 부분을 메워주는 '지속적 성장 지원 정책'으로 패러다임을 전환함(RL Update).
|
||||
- **정책 변화(RL Update)**: AI 모델 평가 정책에서, 단순히 벤치마크 점수(Accuracy)만 따지기보다 모델의 취약점과 윤리성을 입체적으로 파악하는 'Multi-dimensional Assessment 정책'이 표준이 됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Active Learning]], [[Algorithmic Fairness]], [[Type 1 vs Type 2 Errors]], [[Statistics & Data Analysis]], [[Self-Correction Mechanisms]]
|
||||
- **Modern Tech/Tools**: AI-automated evaluation tools, Performance dashboards (KPI/OKR).
|
||||
---
|
||||
@@ -0,0 +1,32 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-ASSP-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.92
|
||||
tags: [auto-reinforced, asset-specific-knowledge, specialization, competitive-advantage, core-competency]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Asset-Specific-Knowledge]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "다른 곳에는 없는 나만의 무기: 특정 조직, 프로젝트, 혹은 시스템에만 고유하게 존재하는 깊이 있는 지식으로, 외부인은 쉽게 흉내 낼 수 없는 핵심 경쟁력의 원천."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
자산 특정적 지식(Asset-Specific-Knowledge)은 특정 자산(비즈니스, 코드베이스, 복잡계 등)의 구조, 역사, 구성 요소들 간의 미묘한 관계에 대해 깊이 있게 알고 있는 지식을 의미합니다.
|
||||
|
||||
1. **지식의 특징**:
|
||||
* **Tacit Knowledge (암묵지)**: 문서화하기 어려운 노하우나 맥락 포함.
|
||||
* **High Replacement Cost**: 이 지식을 가진 사람이 떠나면 시스템의 성능이 급격히 저하되거나 복구에 큰 비용 발생.
|
||||
* **Context-dependent**: 해당 시스템 밖에서는 가치가 낮을 수 있지만, 안에서는 대체 불가능함.
|
||||
2. **왜 중요한가?**:
|
||||
* **Operational Excellence**: 시스템의 병목을 정확히 찾아내고 최적화하게 해줌 (Theory of Constraints와 협업).
|
||||
* **Strategic Moat**: 기업이 가진 기술적 해자(Moat)는 흔히 이 특정적 지식의 축적에서 비롯됨.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거 기업 정책은 인력을 부품화하여 '매뉴얼화된 범용 지식'만 남기려 했으나, 현대의 복잡한 기술 정책은 장기 근속자와 전문가들만이 가진 '자산 특정적 지식 정책'을 보호하고 이식하는 것을 핵심 전략으로 삼음(RL Update).
|
||||
- **정책 변화(RL Update)**: 에이전트 개발 정책에서, 범용 모델을 그대로 쓰는 대신 기업 내부 데이터와 워크플로우를 학습시킨 '특화 에이전트 정책'이 실질적인 ROI를 만들어내는 핵심 트렌드가 됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Foundational Models]], [[Technical-Architecture]], [[Workflow-Integrity]], [[Theory of Constraints (TOC)]], [[Agile-Philosophy]]
|
||||
- **Modern Tech/Tools**: Internal knowledge base (Wiki), Specialized RAG (Retrieval-Augmented Generation).
|
||||
---
|
||||
@@ -0,0 +1,34 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-ASVF-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.98
|
||||
tags: [auto-reinforced, assumptions, facts, critical-thinking, scientific-method, logic]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Assumptions-vs-Facts]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "생각의 거품 걷어내기: 내가 당연히 그렇다고 믿는 '가정'과 실제 현실에서 입증된 '발생한 사실'을 철저히 분리하여, 잘못된 믿음 위에 모래성을 쌓지 않도록 경계하는 지적 정직성."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
가정과 사실의 구분은 비판적 사고와 과학적 방법론의 가장 기초적인 단계입니다.
|
||||
|
||||
1. **Fact (사실)**:
|
||||
* 객관적으로 증명 가능하며, 누구나 동일한 조건에서 관찰하거나 확인 가능한 데이터.
|
||||
* "이 서버의 응답 속도는 50ms이다."
|
||||
2. **Assumption (가정)**:
|
||||
* 사실이 밝혀지지 않았거나 확인하지 않은 상태에서 '그럴 것이다'라고 믿고 전제하는 것.
|
||||
* "사용자는 빠른 응답 속도를 좋아할 것이다." (비록 타당해 보일지라도 검증 전까지는 가정임)
|
||||
3. **가정의 위험성**:
|
||||
* **Implicit Assumptions**: 스스로 가정하고 있다는 사실조차 깨닫지 못하는 무의식적 전제들이 의사결정의 거대한 오류를 만듦.
|
||||
* **Assumption Stacking**: 검증되지 않은 가정 위에 또 다른 가정을 쌓으면 작은 균열에도 전체 시스템이 붕괴함.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거의 직관적 의사결정 정책은 '전문가의 감(Assumption)'에 의존했으나, 현대의 데이터 기반 정책은 모든 핵심 전제를 '가설 검정(Hypothesis testing)'을 통해 사실로 확인하려는 정책적 결벽증을 가짐(RL Update).
|
||||
- **정책 변화(RL Update)**: 프로젝트 관리 정책(예: Agile)에서, 불확실한 가정을 최대한 빨리 사실로 확인하기 위해 '최소 기능 제품(MVP)'을 만들고 피드백을 받는 '가정 검증 속도 최적화 정책'이 표준이 됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Analysis]], [[Arguing-by-Counterexample]], [[Scientific Communication]], [[Rationality]], [[Rapid-Prototyping]]
|
||||
- **Modern Tech/Tools**: A/B testing platforms, Root cause analysis tools (5 Whys).
|
||||
---
|
||||
@@ -0,0 +1,32 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-ATHE-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.86
|
||||
tags: [auto-reinforced, atheism, philosophy, secularism, rationalism, sociology-of-religion]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Atheism]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "신이라는 가설의 보류: 비가시적이고 초월적인 조물주의 존재를 인정하지 않으며, 세계의 원리를 오직 물질적 법칙, 인간의 이성, 그리고 검증 가능한 과학적 근거를 통해 파악하려는 세계관."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
무신론(Atheism)은 신이나 신성한 존재에 대한 믿음이 없는 태도 또는 신이 존재하지 않는다는 적극적인 확신을 의미합니다.
|
||||
|
||||
1. **유형별 분류**:
|
||||
* **Weak Atheism (Agosticism)**: 신의 존재 여부를 알 수 없으므로 믿음을 보주하는 소극적 태도.
|
||||
* **Strong Atheism**: 신은 존재하지 않는다는 논리적/과학적 확신을 가진 태도.
|
||||
* **Methodological Naturalism**: 종교적 신념 유무와 관계없이, 세상을 탐구할 때는 오직 자연 현상만을 변수로 사용하는 방식.
|
||||
2. **사회적 영향**:
|
||||
* 근대 과학 혁명과 세속주의(Secularism)의 발달에 핵심적인 기여를 함.
|
||||
* 인간의 윤리적 근거를 신의 명령이 아닌 사회적 계약이나 진화적 공감에서 찾음 (Altruism과 연결).
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 무신론을 부도덕하거나 사회 전복적 정책으로 간주했으나, 현대 민주주의 정책은 종교의 자유와 함께 '믿지 않을 자유'를 개인의 기본권 정책으로 보장함(RL Update).
|
||||
- **정책 변화(RL Update)**: AI 및 미래 기술 담론에서, AI를 신처럼 떠받드는 '기술 종교(Techno-religion)'의 위험 정책에 경도되지 않고 기술을 차분히 도구로 보려는 무신론적 이성 정책이 중요하게 다뤄짐.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Philosophy of Science]], [[Rationality]], [[Altruism]], [[Sociology of Knowledge]], [[AI Humanism]]
|
||||
- **Modern Tech/Tools**: Secular humanism frameworks.
|
||||
---
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-ATLA-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.82
|
||||
tags: [auto-reinforced, atlantic, geopolitics, history, trade, environment]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Atlantic]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "인류 문명을 잇는 거대한 회랑: 유럽, 아메리카, 아프리카 대륙을 연결하며 대항해 시대부터 현대 무역, 정보 통신 잠수함 케이블에 이르기까지 지구적 교류와 갈등의 중심이 되어온 푸른 심장."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
대서양(Atlantic Ocean)은 지구 표면의 약 1/5을 차지하는 세계에서 두 번째로 큰 대양입니다.
|
||||
|
||||
1. **지정학적 및 경제적 가치**:
|
||||
* **Trade Routes**: 과거 삼각 무역부터 현대 컨테이너 운송까지 글로벌 공급망의 핵심.
|
||||
* **Data Highway**: 북미와 유럽을 잇는 수많은 해저 광케이블이 매설되어 있어 글로벌 인터넷 흐름의 주축을 이룸. (Data Sovereignty와 연결)
|
||||
* **Resource Repository**: 막대한 수산 자원과 대륙붕에 매설된 석유 및 천연가스.
|
||||
2. **환경적 역할**:
|
||||
* **Atlantic Meridional Overturning Circulation (AMOC)**: 거대 해류 순환을 통해 지구의 열 에너지를 분산시켜 기후 균형 유지.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 '정복과 착취'를 위한 통로 정책이었으나, 현대의 대서양 정책은 해양 생태계 보존과 기후 변화 대응을 위한 '글로벌 해양 거버넌스 정책'으로 중심축이 이동함(RL Update).
|
||||
- **정책 변화(RL Update)**: 디지털 패권 정책에서, 대서양 횡단 데이터 흐름(Trans-Atlantic Data Flows)에 대한 개인 정보 보호 체계(Privacy Shield 등)를 둘러싼 미국과 EU 간의 정책 협상이 테크 산업의 핵심 규제 이슈가 됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[AI & Data Sovereignty]], [[Geopolitics of AI]], [[Environment]], [[Scientific Communication]], [[Systems Thinking]]
|
||||
- **Modern Tech/Tools**: Submarine telecommunication cables, Oceanographic monitoring AI.
|
||||
---
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-AMIN-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.93
|
||||
tags: [auto-reinforced, atmospheric-intelligence, ubiquitous-computing, smart-environments, ambient-ai, iot]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Atmospheric-Intelligence]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "공기처럼 스며든 지능: 특정한 스크린이나 버튼을 통하지 않고도 주변 환경(공간, 날씨, 빛, 소리 등)이 사용자의 의도를 감지하고 스스로 변화하여 최적의 경험을 제공하는 보이지 않는 인공지능."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
대기 지능(Atmospheric-Intelligence) 혹은 앰비언트 인텔리전스(Ambient Intelligence)는 컴퓨터 지능이 환경 속에 완전히 녹아들어 인간이 그 존재를 의식하지 않고도 혜택을 누리는 유비쿼터스 컴퓨팅의 최상위 단계입니다.
|
||||
|
||||
1. **3대 핵심 요소**:
|
||||
* **Sensitivity**: 센서 네트워크를 통한 고도의 주변 상황 인지.
|
||||
* **Responsiveness**: 상황 변화나 사용자의 명시적/비명시적 요구에 즉각 반응.
|
||||
* **Adaptive Learning**: 사용자의 습관과 선호도를 시간이 지남에 따라 스스로 학습하여 고도화. (Adaptive-Curation과 연결)
|
||||
2. **구현 예시**:
|
||||
* 집에 들어오면 조명이 시간과 내 기분에 맞춰 조절되고, 습도와 온도가 자동으로 최적화되며, 필요한 정보가 벽면이나 홀로그램으로 자연스럽게 노출되는 스마트 홈.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 스마트폰 앱을 통한 '수동적 조작' 정책이 중심이었으나, 현대의 공간 컴퓨팅 정책은 기기의 개입을 최소화하고 환경 자체가 인터페이스가 되는 'Zero-UI 정책'을 지향함(RL Update).
|
||||
- **정책 변화(RL Update)**: 보이지 않는 감시(Surveillance) 리스크 정책이 심화됨에 따라, 대기 지능 시스템이 수집하는 데이터를 로컬에서 즉각 처리하고 파기하는 'Edge-AI 기반 프라이버시 정책'이 시스템 설계의 필수 조건이 됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Affordance]], [[Adaptive-Curation]], [[Artificial Intelligence (AI)]], [[Agent Architecture]], [[Human-Computer Interaction (HCI)]]
|
||||
- **Modern Tech/Tools**: Smart home standards (Matter), Edge-computing, Multi-modal sensors.
|
||||
---
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-ATOM-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.88
|
||||
tags: [auto-reinforced, atomism, philosophy, physics, reductionism, material-logic]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Atomism]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "세상의 최소 단위: 모든 복잡한 사물은 결국 더 이상 쪼개지지 않는 작고 견고한 '원자'들의 조합일 뿐이라는 철학적/과학적 환원주의."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
원자론(Atomism)은 우주가 무수한 개별적이고 파괴 불가능하며 변화하지 않는 입자들로 구성되어 있다는 사상입니다.
|
||||
|
||||
1. **철학적 원류**:
|
||||
* 고대 그리스 데모크리토스가 제안. "탄생과 죽음은 우연히 모였다가 흩어지는 원자들의 배열 변화일 뿐"이라고 주장.
|
||||
2. **과학적 도약**:
|
||||
* 근대 화학과 물리학의 토대가 되었으며, 물질의 성질을 구성 요소의 결합 방식으로 규명하는 데 성공함.
|
||||
3. **지적 태도 (Logical Atomism)**:
|
||||
* 복잡한 문장이나 지식도 최소 단위인 '원자 명제'로 분석할 수 있다는 비트겐슈타인의 철학으로 계승됨. (Analysis와 연결)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 원자가 정말 '최소 단위'라고 믿었으나, 현대 물리학 정책은 원자 내부의 쿼크나 끈 이론(String Theory) 등 더 미세한 층위와 '파동-입자 이중성' 정책을 수용하며 원자론적 사고의 한계를 인정함(RL Update).
|
||||
- **정책 변화(RL Update)**: 소프트웨어 설계 정책에서, 거대한 단일 코드(Monolith) 대신 작고 독립적인 원자 단위의 기능을 조립하는 '마이크로서비스 아키텍처(MSA) 정책'으로 원자론적 철학이 공학적 표준이 됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Analysis]], [[Structuralism]], [[Reductionism]], [[Arrangement-and-Composition]], [[Philosophy of Science]]
|
||||
- **Modern Tech/Tools**: Atomic design (UI/UX), Microservices Architecture.
|
||||
---
|
||||
@@ -0,0 +1,34 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-ATME-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 1.00
|
||||
tags: [auto-reinforced, attention-mechanisms, transformer, deep-learning, neural-networks, ai-architecture]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Attention Mechanisms]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "지능의 조명등: 입력된 방대한 데이터 중 현재의 맥락에 가장 중요한 핵심 정보에만 가중치를 두어 '집중'함으로써, 복잡한 관계를 효율적으로 파악해내는 현대 AI 혁명의 핵심 동력."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
주의 메커니즘(Attention Mechanisms)은 신경망이 특정 정보를 처리할 때 입력 데이터의 모든 부분에 동일한 중요도를 부여하는 대신, 관련성이 높은 부분에 더 많은 자원을 할당하도록 하는 기술입니다.
|
||||
|
||||
1. **핵심 작동 원리 (The Transformer Approach)**:
|
||||
* **Query (질문)**: 현재 내가 찾고자 하는 정보의 성격.
|
||||
* **Key (특징)**: 데이터 베이스에 있는 각 정보가 가진 특징.
|
||||
* **Value (값)**: 실제 정보의 내용.
|
||||
* **Mechanism**: Query와 Key 사이의 유사도(Score)를 계산하여, 점수가 높은 Value를 더 많이 반영함 (Softmax 활용).
|
||||
2. **Self-Attention**:
|
||||
* 문장 내 한 단어가 다른 모든 단어들과의 관계를 스스로 파악하여 맥락적 의미를 완성함. (예: "배를 먹다"에서 '배'와 '먹다'의 강한 연관성 감지)
|
||||
3. **의의**:
|
||||
* 순차적으로 데이터를 처리하던 과거 기술(RNN)의 한계를 극복하고, 장거리 의존성(Long-range dependency)을 완벽히 해결하여 ChatGPT와 같은 거대 모델의 시대를 엶.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 모든 데이터를 골고루 보거나 순서대로 보는 것이 정확하다고 믿었으나, 현대 딥러닝 정책은 필요한 것만 골라 보는 'Attention 효율화 정책'이 지능의 성능을 결정한다는 정책적 승리를 거둠(RL Update).
|
||||
- **정책 변화(RL Update)**: 연산 비용 최적화 정책을 위해, 무거운 Full-attention 대신 연산량을 줄인 'Flash Attention'이나 'Linear Attention' 정책이 소형 모델 및 엣지 장치용 AI 정책의 핵심 기술로 채택됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Transformers]], [[Deep Learning]], [[Natural Language Processing (NLP)]], [[Information-Overload]], [[Economics of Attention]]
|
||||
- **Modern Tech/Tools**: Multi-head Attention, FlashAttention, GPT, BERT.
|
||||
---
|
||||
@@ -0,0 +1,33 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-AUTH-002
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced, authenticity, self, ethics, truthfulness, social-psychology]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Authenticity]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "진짜배기의 힘: 외부의 압력이나 유행에 휩쓸리지 않고, 자신의 내면적 가치와 신념에 일치하는 방식으로 존재하고 행동함으로써 얻게 되는 독보적인 신뢰성과 고유함."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
진정성(Authenticity)은 개인이나 조직이 가진 본질적인 가치가 겉으로 드러나는 모습 및 행동과 일치하는 상태를 말합니다.
|
||||
|
||||
1. **진정성의 층위**:
|
||||
* **Internal Consistency**: 자신의 감정과 생각을 속이지 않는 심리적 정직함.
|
||||
* **Relational Transparency**: 타인과 소통할 때 가면을 쓰지 않고 있는 그대로를 보여줌.
|
||||
* **Moral Courage**: 이익이 침해되더라도 자신의 신념을 지키는 태도.
|
||||
2. **왜 중요한가?**:
|
||||
* 정보 과잉과 가짜 뉴스(Deepfakes)가 범람하는 시대에, 진정성은 사용자나 고객이 브랜드를 선택하는 가장 강력한 기준이 됨.
|
||||
3. **예술과 기술에서의 진정성**:
|
||||
* AI가 만든 완벽한 그림보다 작가의 고뇌와 흔적이 담긴 '서사적 진정성'에 더 큰 가치가 매개됨.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 '전문가다운 완벽함' 정책이 진정성으로 통했으나, 현대의 소셜 미디어 정책은 오히려 약점과 실패를 공유하는 '취약함의 노출(Vulnerability)'을 진정한 진정성 정책으로 간주함(RL Update).
|
||||
- **정책 변화(RL Update)**: AI 에이전트 정책에서, 인간인 척 속이는 가짜 진정성 대신 "나는 AI이지만 이런 원칙으로 돕는다"는 '역할적 정직성 정책'이 사용자 신뢰 확보의 핵심 가이드라인이 됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Aesthetic-Value]], [[Ethics & AI]], [[AI and Narrative]], [[Academic-Integrity]], [[Psychology & Behavior]]
|
||||
- **Modern Tech/Tools**: BeReal (Anti-filter SNS), Provenance tracking for digital content.
|
||||
---
|
||||
@@ -0,0 +1,34 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-AUEN-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.98
|
||||
tags: [auto-reinforced, auto-encoding, unsupervised-learning, dimenstionality-reduction, neural-networks, feature-extraction]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Auto-Encoding]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "정보의 다이어트와 복원: 방대한 데이터의 핵심만을 뽑아 작은 병목(Latent Space)에 압축한 뒤, 다시 원래대로 복원하는 과정을 통해 데이터의 본질적인 특징을 스스로 학습하는 인공지능의 자기 교육법."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
오토인코딩(Auto-Encoding)은 입력 데이터를 출력 데이터로 복제하는 것을 목표로 하는 비지도 학습(Unsupervised Learning) 신경망 구조입니다.
|
||||
|
||||
1. **구조와 원리**:
|
||||
* **Encoder**: 입력을 저차원 벡터(Latent code/Bottleneck)로 압축.
|
||||
* **Bottleneck**: 가장 중요한 요약 정보만 남는 층. 불필요한 노이즈가 제거됨.
|
||||
* **Decoder**: 압축된 정보를 사용하여 원래의 입력을 최대한 똑같이 재구성.
|
||||
2. **용도**:
|
||||
* **Feature Extraction**: 데이터의 핵심 특징만 뽑아내기.
|
||||
* **Dimensionality Reduction**: 고차원 데이터를 다루기 쉬운 저차원으로 변환 (PCA의 딥러닝 버전).
|
||||
* **Denoising**: 오염된 이미지에서 노이즈를 제거하고 깨끗하게 복원.
|
||||
* **Anomaly Detection**: 정상 데이터로 학습된 오토인코더가 복원에 실패하는 데이터는 '이상치'로 간주.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 단순히 '데이터 복제' 정책에 머물렀으나, 현대의 생성 AI 정책은 잠재 공간을 창조적으로 조작하여 새로운 데이터를 뽑아내는 'Variational Autoencoder (VAE) 정책'으로 진화함(RL Update).
|
||||
- **정책 변화(RL Update)**: 효율적인 데이터 전송 정책을 위해, 무거운 원본 데이터 대신 오토인코딩된 핵심 벡터만 보내고 수신측에서 디코딩하는 '지능형 압축 정책'이 차세대 스트리밍 및 통신 표준으로 탐구됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Variational Autoencoders (VAE)]], [[Anomaly-Detection]], [[Pattern Recognition]], [[Deep Learning]], [[Visual-Effects-VFX]]
|
||||
- **Modern Tech/Tools**: ConvAutoEncoder, BERT (Masked Autoencoder), Image compression AI.
|
||||
---
|
||||
@@ -0,0 +1,32 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-AUBI-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.88
|
||||
tags: [auto-reinforced, autobiography, narrative, memory, identity, storytelling, reflection]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Autobiography]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "과거의 재구성, 자아의 기록: 개인이 자신의 삶을 회고하며 시간의 흐름 속에 흩어진 경험들을 하나의 일관된 서사로 엮어냄으로써, '나는 누구인가'를 세상에 선포하는 주관적 진실의 기록."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
자서전(Autobiography)은 저자가 자신의 생애를 스스로 서술한 기록물입니다.
|
||||
|
||||
1. **특징**:
|
||||
* **Subjectivity**: 객관적 사실보다 저자가 그 사실을 어떻게 '느끼고 해석했는지'가 핵심.
|
||||
* **Thematic Selection**: 모든 순간을 담는 것이 아니라, 현재의 자신을 만든 결정적인 장면들을 선택해 배합.
|
||||
* **Self-Reflection**: 기록 과정 자체가 자아를 성찰하고 치유하며 정체성을 확립하는 행위임.
|
||||
2. **사회적 의의**:
|
||||
* 한 개인의 역사를 통해 당시의 시대상과 보편적 인간 경험을 조명함.
|
||||
* 성공담뿐만 아니라 실패와 내면의 갈등을 공유하여 후대에 영감을 줌.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 '영웅적 서사' 중심의 정적인 기록 정책이 주류였으나, 현대의 자서전 정책은 삶의 단편들을 파편적으로 기록하고 공유하는 '디지털 로그(Digital Log) 및 마이크로 자서전 정책'으로 변모함(RL Update).
|
||||
- **정책 변화(RL Update)**: AI 기술 정책과 결합하여, 개인이 남긴 방대한 디지털 흔적을 분석해 자서전 초안을 잡아주거나 가상 인격으로 복원해주는 'AI 자서전 및 유산 관리 서비스 정책'이 실무적으로 검토됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[AI and Narrative]], [[Authenticity]], [[Memory]], [[Self-Correction Mechanisms]], [[Psychology & Behavior]]
|
||||
- **Modern Tech/Tools**: Day One (Journaling app), Ghostwriting AI, Digital legacy platforms.
|
||||
---
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-AUET-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.85
|
||||
tags: [auto-reinforced, autoethnography, qualitative-research, sociology, storytelling, reflexivity]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Autoethnography]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "나를 통해 사회를 읽기: 연구자가 관찰자가 아닌 주인공이 되어 자신의 개인적 경험을 기록하고, 이를 사회문화적 맥락과 연결하여 분석함으로써 보편적 인간사를 깊이 있게 통찰하는 질적 연구법."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
오토에스노그라피(Autoethnography, 자기기술지)는 자서전적 글쓰기와 인류학적 현지조사를 결합한 연구 방법론입니다.
|
||||
|
||||
1. **방법론적 핵심**:
|
||||
* **Reflexivity (성찰성)**: 연구자 자신의 편견과 감정을 숨기지 않고 분석의 도구로 사용.
|
||||
* **Evocative Writing**: 독자가 연구자의 경험에 감정적으로 공명하게 만드는 서사적 표현 강조.
|
||||
* **Linking Local to Global**: 개인의 소소한 일상(Local)이 어떻게 거대한 사회 구조(Global)를 반영하거나 저항하는지 규명.
|
||||
2. **장점**:
|
||||
* 전통적인 연구에서 소외된 소수자나 개인의 은밀한 목소리를 학문적 영역으로 끌어올림 (Victimhood-Narratives의 학문적 승화).
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 '객관성'이 결여되었다는 비판 정책에 시달렸으나, 현대 사회과학 정책은 연구자의 완전한 중립성은 불가능함을 인정하고 '투명한 주관성 정책'이 오히려 더 정직한 지식을 만든다고 평가함(RL Update).
|
||||
- **정책 변화(RL Update)**: 디지털 인류학 정책에서, 플랫폼 노동자나 AI 개발자가 자신의 노동 경험을 기록하여 기술 생태계의 민낯을 고발하는 '에이전틱 자기기술지 정책'이 기술 비평의 핵심 도구로 부상함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Sociology of Knowledge]], [[Authenticity]], [[AI and Narrative]], [[Victimhood-Narratives]], [[Scientific Communication]]
|
||||
- **Modern Tech/Tools**: Narrative analysis software, Qualitative research journals.
|
||||
---
|
||||
@@ -0,0 +1,34 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-ADM-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.96
|
||||
tags: [auto-reinforced, automated-decision-making, adm, algorithm, efficiency, ethics-governance]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Automated-Decision-Making]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "알고리즘이 내리는 판결: 인간의 개입 없이 사전에 설정된 논리나 AI 모델이 데이터를 분석하여 대출 승인, 채용 합격, 혹은 형량 판단과 같은 중요한 의사결정을 실시간으로 수행하는 체계."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
자동화된 의사결정(Automated-Decision-Making, ADM)은 데이터를 입력받아 알고리즘이 자동으로 결론을 도출하고 이를 집행하는 시스템을 의미합니다.
|
||||
|
||||
1. **유형**:
|
||||
* **Decision Support**: AI가 분석 결과를 제공하고 최종 결정은 인간이 함. (Human-in-the-loop)
|
||||
* **Fully Automated**: 인간의 개입 없이 시스템이 즉시 행동 수행. (예: 주식 알고리즘 매매, 광고 입찰)
|
||||
2. **이점**:
|
||||
* **Scale & Speed**: 수백만 건의 요청을 1초 이내에 처리 가능.
|
||||
* **Consistency**: 감정이나 피로도에 좌우되지 않는 일관된 기준 적용.
|
||||
3. **위점**:
|
||||
* **Lack of Context**: 숫자로 표현되지 않는 미묘한 인간적 상황 무시.
|
||||
* **Embedded Bias**: 알고리즘 내에 숨어있는 차별적 요소가 대량 집행됨.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 효율성만을 위해 ADM 도입을 권장하는 정책이었으나, 현대의 인권 정책은 이에 대해 '설명 요구권'과 '인간에 의한 재검토권'을 법적으로 보장하는 정책으로 강화됨(RL Update, 예: GDPR 제22조).
|
||||
- **정책 변화(RL Update)**: 공공 수사 및 복지 정책에서 ADM을 쓸 경우, 반드시 알고리즘의 소스코드와 학습 데이터를 감사받아야 하는 'ADM 투명성 및 책임성 의무화 정책'이 글로벌 표준이 됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Algorithmic Fairness]], [[AI Accountability]], [[Decision Theory]], [[Algorithmic Transparency]], [[AI Governance]]
|
||||
- **Modern Tech/Tools**: Credit scoring AI, Resume screening tools, Automated trading systems.
|
||||
---
|
||||
@@ -1,27 +1,34 @@
|
||||
---
|
||||
id: P-REINFORCE-AI-REASON
|
||||
id: P-REINFORCE-AUTO-AURE-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.95
|
||||
tags: [Automated Reasoning, Logic, Inference, Knowledge Graph]
|
||||
confidence_score: 0.97
|
||||
tags: [auto-reinforced, automated-reasoning, logic, formal-methods, theorem-proving, symbol-ai]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Automated-Reasoning]] (자동 추론)
|
||||
# [[Automated-Reasoning]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 단순한 '확률적 답변'을 넘어, 수학과 논리의 규칙에 따라 결론을 도출하는 기계의 사고방식이다.
|
||||
> "논리의 자동화: 수학적 증명이나 법적 판단과 같은 엄격한 추론 과정을 컴퓨터가 스스로 수행하여, 결론의 오류가 없음을 완벽히 보장하거나 새로운 정리를 발견해내는 지적 연산."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Symbolic AI (기호론적 AI)**:
|
||||
- 데이터를 처리하는 신경망과 달리, 기호와 논리 법칙(If-Then)을 사용하여 참과 거짓을 판별하고 새로운 명제를 이끌어낸다.
|
||||
- **Inference Engine (추론 엔진)**:
|
||||
- 지식 베이스(Knowledge Base)에 저장된 사실들을 바탕으로 사용자의 질문에 대한 답을 찾아가는 핵심 모듈. 순방향(Forward) 및 역방향(Backward) 추론 기법이 존재한다.
|
||||
- **SAT Solvers**:
|
||||
- 주어진 불리언 공식이 참이 될 수 있는지 판별하는 고도로 최적화된 알고리즘. 복잡한 스케줄링, 베리피케이션, 하드웨어 설계 검증에 필수적으로 사용된다.
|
||||
자동 추론(Automated-Reasoning)은 컴퓨터 프로그램이 논리학을 이용하여 공리(Axioms)로부터 결론을 수평적으로 도출하거나, 주어진 가설의 참/거짓을 입증하는 인공지능의 핵심 분야입니다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 최근에는 기호론적 추론과 딥러닝을 결합한 **Neuro-Symbolic AI**가 주목받고 있다. 딥러닝의 패턴 인식 능력과 기호론의 명확한 논리 구조를 결합하여 '설명 가능한 AI(XAI)'를 구축하는 것이 핵심 목표다.
|
||||
1. **주요 접근법**:
|
||||
* **Deduction (연역)**: 일반적인 규칙에서 개별 사실 도출. (Standard AI)
|
||||
* **Induction (귀납)**: 개별 사실로부터 일반적인 법칙 제안. (Machine Learning)
|
||||
* **Abduction (가추)**: 관찰된 현상을 가장 잘 설명하는 가설 찾기.
|
||||
2. **핵심 기술**:
|
||||
* **Theorem Proving**: 수학적 정리를 증명.
|
||||
* **Formal Verification**: 하드웨어나 소프트웨어가 설계 명세대로 작동하는지 수학적으로 검증 (항공우주, 금융 보안 전용).
|
||||
3. **최근 트렌드 (Neuro-Symbolic)**:
|
||||
* 언어 모델의 '직관'과 자동 추론 엔진의 '엄격한 논리'를 결합하여 오답(Hallucination) 없는 AI를 만드는 시도.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거 기호주의(Symbolic AI) 정책은 유연함이 부족해 실패했으나, 현대 AI 정책은 거대 모델이 내부적으로 논리 엔진을 호출하는 'Hybrid Reasoning 정책'을 통해 지능의 신뢰성을 비약적으로 높이는 정책으로 부활함(RL Update).
|
||||
- **정책 변화(RL Update)**: 보안 필수 소프트웨어 정책 수립 시, 단순히 테스트 케이스를 돌리는 전통적 정책 대신 '수학적 자동 추론 검증'을 거친 코드만 승인하는 무결성 정책이 확산됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Automated-Theorem-Proving]] , [[Distributed-Systems-Engineering]]
|
||||
- Context: [[Information Theory]]
|
||||
- [[Active-Reasoning]], [[Logic]], [[Analysis]], [[Arguing-by-Counterexample]], [[Safety & Reliability]]
|
||||
- **Modern Tech/Tools**: Z3 Theorem Prover, Coq, Lean (Mathematical proof assistant).
|
||||
---
|
||||
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-AUPA-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.94
|
||||
tags: [auto-reinforced, automation-paradox, safety-critical, human-factors, skill-degradation]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Automation-Paradox]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "더 안전할수록 더 위험해지는 모순: 시스템이 자동화될수록 인간의 숙련도는 떨어지고 주의력은 느슨해져서, 정작 기계가 감당하지 못하는 1%의 비상 상황이 발생했을 때 인간이 대처하지 못해 대형 사고로 이어지는 현상."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
자동화의 역설(Automation-Paradox)은 인간의 개입을 줄이기 위한 기술이 오히려 결정적인 순간에 인간의 더 높은 역량을 요구하게 만드는 아이러니한 현상입니다.
|
||||
|
||||
1. **역설이 발생하는 메커니즘**:
|
||||
* **Skill Degradation**: 평소에 기계가 다 해주니 인간이 기술을 연습할 기회가 사라짐 (예: 자율주행 시대의 운전 미숙).
|
||||
* **Complacency (자만심)**: "기계가 알아서 하겠지"라는 비판적 사고의 정지.
|
||||
* **Ironies of Automation**: 가장 완벽한 자동화일수록, 인간은 가장 단련되지 않은 상태에서 가장 어려운 문제를 해결해야 함.
|
||||
2. **적용 사례**:
|
||||
* 자율주행차의 통제권 전환(Takeover) 지연 사고, 자동 항법 장치에 의존하던 항공기 추락 사고.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 100% 자동화만이 답이라는 낙관적 정책이 지배적이었으나, 현대의 안전 공학 정책은 '인간의 숙련도를 유지하면서 기계가 돕는' 적정 자동화 정책(Human-centric automation)으로 회귀함(RL Update).
|
||||
- **정책 변화(RL Update)**: 자율주행 및 원격 의료 정책 수립 시, 사용자가 기계의 작동 원리를 잊지 않도록 정기적으로 개입을 강제하거나 '주의력 모니터링'을 의무화하는 정책이 설계 표준이 됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Foundational Models]], [[Ps-Reinforce]], [[Safety & Reliability]], [[Availability-and-Persistence]], [[Agent Architecture]]
|
||||
- **Modern Tech/Tools**: Driver Monitoring Systems (DMS), Simulator-based training for crisis management.
|
||||
---
|
||||
@@ -0,0 +1,35 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-AUVE-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.98
|
||||
tags: [auto-reinforced, autonomous-vehicles, self-driving, ai-robotics, transport-innovation, safe-ai]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Autonomous Vehicles]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "움직이는 바퀴 달린 컴퓨터: 가시광선, 레이더, 라이다로 세상을 초 단위로 분석하여 인간의 개입 없이 스스로 목적지까지 안전하게 도달하는 AI 로보틱스의 집합체."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
자율주행차(Autonomous Vehicles)는 환경을 스스로 인지하고 주행 상황을 판단하여 제어되는 차량을 의미합니다.
|
||||
|
||||
1. **자율주행 5단계 (SAE 기준)**:
|
||||
* **Level 2**: 운전자 보조 (현재 대중화).
|
||||
* **Level 3**: 조건부 자율주행 (특정 환경에서 시스템이 주도하되 필요시 인간 개입).
|
||||
* **Level 4**: 고도 자율주행 (특정 구역 내에서는 인간 개입 불필요).
|
||||
* **Level 5**: 완전 자율주행 (어떤 환경에서도 인간 개입 불필요).
|
||||
2. **핵심 기술**:
|
||||
* **Perception**: 센서 퓨전을 통한 장애물 및 차선 인식.
|
||||
* **Localization**: 정밀 지도(HD Map) 기반 자신의 위치 파악.
|
||||
* **Prediction**: 주변 차량과 보행자의 다음 움직임 예측 (Anticipation과 연결).
|
||||
* **Policy/Control**: 위반 없는 최적의 경로 주행 전략 수립.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 모든 상황을 코딩하려 했으나(Rule-based), 현대 자율주행 정책은 거대 모델이 주행 영상 전체를 학습하여 직관적으로 운전하는 'End-to-End 신경망 정책'으로 패러다임을 혁신함(RL Update).
|
||||
- **정책 변화(RL Update)**: 사고 시 책임 소재(Liability) 정책이 제조사, 소프트웨어 개발자, 보험사 간에 재정립 중이며, '트롤리 딜레마'와 같은 윤리적 판단을 AI 모델의 가치 정렬(Alignment) 정책 내에 어떻게 포함할지가 핵심 쟁점이 됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Artificial Intelligence (AI)]], [[Robotics]], [[Safety & Reliability]], [[Computer Vision]], [[Anticipation]], [[Ethics & AI]]
|
||||
- **Modern Tech/Tools**: Tesla FSD, Waymo, NVIDIA DRIVE, LiDAR/Radar systems.
|
||||
---
|
||||
@@ -0,0 +1,33 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-AUAG-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.99
|
||||
tags: [auto-reinforced, autonomous-agents, ai-agents, agency, self-governance, future-tech]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Autonomous-Agents]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "스스로 미션을 완수하는 디지털 인격: 상위 수준의 목표만 주어지면, 필요한 도구를 찾고 계획을 세워 시행착오를 거치며 결과물을 만들어내는 독립적인 지능형 수행 주체."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
자율 에이전트(Autonomous-Agents)는 외부의 지속적인 개입 없이 스스로의 판단으로 환경과 상호작용하며 목표를 달성하는 소프트웨어 또는 로봇 엔티티입니다.
|
||||
|
||||
1. **에이전트의 3대 필수 능력 (The Agency)**:
|
||||
* **Autonomy**: 스스로 의사결정의 우선순위를 정함.
|
||||
* **Adaptability**: 환경의 변화나 실패 상황에서 전략을 동적으로 수정함.
|
||||
* **Persistence**: 목표가 달성될 때까지 혹은 중단 조건이 충족될 때까지 작업을 지속함.
|
||||
2. **구성 요소**:
|
||||
* 기억(Memory), 계획(Planning), 실행(Action/Tools) 기능이 융합된 아키텍처. (Agent Architecture와 연결)
|
||||
3. **지위의 변화**:
|
||||
* 단순 검색 엔진이나 챗봇을 넘어, 인간의 비즈니스 프로세스나 창작 프로세스를 대행하는 '가상 직원' 혹은 '공동 연구자'로 진화.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거 에이전트는 제한된 시나리오(Decision Tree) 안에서만 작동했으나, 현대의 LLM 기반 에이전트 정책은 비정형적인 자연어 명령을 해석하고 창의적인 해결책을 찾아내는 '창발적 자율성 정책'을 누림(RL Update).
|
||||
- **정책 변화(RL Update)**: 자율 에이전트가 예산을 독자적으로 집행하거나 법적 계약을 맺을 때 발생하는 책임 소재 정책(Agent Liability)이 정립 중이며, '에이전트 간의 경제 생태계' 출현에 대비한 새로운 시장 규칙 마련이 시급해짐.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Agent Architecture]], [[Agent Personality]], [[Agentic Coding]], [[Ps-Reinforce]], [[Foundational Models]]
|
||||
- **Modern Tech/Tools**: BabyAGI, AutoGPT, AgentGPT, Multi-agent collaboration frameworks.
|
||||
---
|
||||
@@ -0,0 +1,33 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-AVPE-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.95
|
||||
tags: [auto-reinforced, availability, persistence, system-reliability, data-engineering, cloud-architecture]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Availability-and-Persistence]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "언제나 그곳에 있으며 잊지 않는 시스템: 필요할 때 즉시 응답할 수 있는 '가용성'과, 한 번 저장된 정보가 어떤 충격에도 유실되지 않고 영구히 보존되는 '지속성'이라는 데이터의 생존 공식."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
가용성과 지속성은 안정적인 시스템 운영과 지식 관리를 지탱하는 두 가지 핵심 기술 지표입니다.
|
||||
|
||||
1. **Availability (가용성)**:
|
||||
* 시스템이 장애 없이 정상적으로 서비스를 제공하는 상태.
|
||||
* **High Availability (HA)**: 99.9% (Three Nines) 이상의 가동 시간을 목표로 함. 이중화(Redundancy)와 자동 장애 조치가 필수.
|
||||
2. **Persistence (지속성/영속성)**:
|
||||
* 프로세스가 종료되거나 시스템 전원이 꺼져도 데이터가 사라지지 않고 저장 매체에 안전하게 유지되는 성질.
|
||||
* **Durability**: 트랜잭션이 성공하면 어떤 사고에도 결과가 보존되어야 함 (ACID 원칙).
|
||||
3. **지식 관리에서의 의의**:
|
||||
* 개인의 뇌(망각하기 쉬움) 대신 디지털 위키나 지식 그래프를 사용하는 이유는 높은 지속성을 확보하기 위함임 (Knowledge-Persistence).
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 단일 거대 서버의 '안정성' 정책에 의존했으나, 현대의 분산 시스템 정책은 '개별 구성 요소는 언제든 실패할 수 있다'는 전제 하에 시스템 전체의 가용성을 유지하는 '회복 탄력성(Resilience) 정책'으로 진화함(RL Update).
|
||||
- **정책 변화(RL Update)**: 클라우드 거버넌스 정책에서, 단순히 데이터를 저장하는 것을 넘어 100년 이상의 장기 보존을 보장하는 '아카이빙 전용 지속성 정책'과 법적 증거 보존 의무(Legal Hold)가 핵심 보안 요건이 됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Safety & Reliability]], [[Robustness]], [[Antifragility]], [[Standardization vs Innovation]], [[Technical-Architecture]]
|
||||
- **Modern Tech/Tools**: Cloud storage (S3), RAID, Database replication, Blockchain (Immutable persistence).
|
||||
---
|
||||
@@ -0,0 +1,32 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-AWAR-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.88
|
||||
tags: [auto-reinforced, awards, recognition, motivation, social-status, achievement]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Awards]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "우수함에 대한 사회적 공인: 특정 분야에서 탁월한 성취를 이룬 개인이나 단체에 명예와 보상을 수여함으로써, 공동체가 지향하는 가치와 표준이 무엇인지를 상징적으로 선포하는 도구."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
상(Awards)은 성취에 대한 공식적인 인정이자, 사회적 보상 시스템의 핵심 요소입니다.
|
||||
|
||||
1. **기능 및 효과**:
|
||||
* **Validation**: 주관적인 노력을 객관적인 가치로 증명받음으로써 창작자에게 큰 동기를 부여함 (Motivation과 연결).
|
||||
* **Standard Setting**: 무엇이 '좋은 것'인지에 대한 기준을 대중에게 공유 (예: 노벨상, 아카데미상).
|
||||
* **Visibility**: 소외되었던 우수한 재능이나 기술이 세간의 주목을 받게 됨.
|
||||
2. **AI 지식 생태계에서의 어워드**:
|
||||
* 학회(ICML, NeurIPS)의 Best Paper Award는 최첨단 기술의 트렌드와 연구 방향을 결정하는 풍향계 역할을 함.
|
||||
* Kaggle 우승과 같은 실질적 성과 지표가 커리어의 핵심 자산이 됨.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 소수 권위자의 '밀실 심사' 정책이 일반적이었으나, 현대의 오픈 사이언스 정책은 투표와 데이터 기반 검증을 통한 '커뮤니티 중심의 어워드 정책'으로 투명성을 확보하려 노력함(RL Update).
|
||||
- **정책 변화(RL Update)**: AI 생성물에 대한 어워드 수여 금지 정책이 창작계의 뜨거운 감자가 됨에 따라, 'AI 활용 능력' 자체를 별도의 카테고리로 인정하거나 시상하는 새로운 시상 정책이 수립됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Motivation]], [[Scientific Communication]], [[Grit]], [[Ambition]], [[Aesthetic-Value]]
|
||||
- **Modern Tech/Tools**: Scholarly award platforms, Peer review systems.
|
||||
---
|
||||
@@ -0,0 +1,30 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-AXIO-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced, axiology, value-theory, ethics, aesthetics, philosophy]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Axiology]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "가치의 뿌리를 묻다: 선(善)은 무엇이고 아름다움(美)은 무엇인가? 우리가 무엇을 '가치 있다'고 느끼는 근본적인 기준과 체계를 탐구하는 철학적 기초."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
가치론(Axiology)은 가치의 본질, 유형, 그리고 평가 기준을 다루는 철학의 분과입니다. 크게 윤리학(내재적 선)과 미학(외적 아름다움)을 포함합니다.
|
||||
|
||||
1. **가치의 분류**:
|
||||
* **Intrinsic Value (내재적 가치)**: 그 자체로 소중한 것 (예: 행복, 생명).
|
||||
* **Instrumental Value (도구적 가치)**: 목적 달성을 위한 수단으로서의 가치 (예: 돈, 기술).
|
||||
2. **왜 중요한가?**:
|
||||
* 모든 의사결정(Decision Making)의 이면에는 가치 우선순위가 숨어 있음. 가치체계가 흔들리면 판단의 일관성(Consistency)도 무너짐.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 가치를 절대적이고 불변하는 것으로 보는 본질주의 정책이 강했으나, 현대 정책은 사회적 합의와 맥락에 따라 변하는 '상대적 가치 구성 정책'을 수용함(RL Update).
|
||||
- **정책 변화(RL Update)**: 인공지능의 가치 정렬(Alignment) 정책 수립 시, 프로그래머 개인의 가치가 아닌 인류 보편의 가치론적 합의를 모델에 어떻게 수치화하여 주입할 것인가가 공학적 난제로 부상함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Ethics & AI]], [[Aesthetic-Value]], [[Alignment]], [[Decision Theory]], [[AI Humanism]]
|
||||
- **Modern Tech/Tools**: Ethical framework design, Value alignment protocols.
|
||||
---
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-AXSY-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.96
|
||||
tags: [auto-reinforced, axiomatic-systems, logic, mathematics, formal-methods, structuralism]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Axiomatic-Systems]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "가장 밑바닥부터 쌓아 올린 논리의 성벽: 증명 없이 참으로 받아들이는 몇 가지 '공리'에서 시작하여, 엄격한 추론 규칙만을 사용해 복잡한 정리들을 무결하게 도출해내는 지식 최상위의 연역 체계."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
공리계(Axiomatic-Systems)는 소수의 근본 원리(Axioms)로부터 모든 지식을 논리적으로 끌어내는 체계화된 이론적 구조입니다. 에우클레이데스의 기하학이 대표적 예시입니다.
|
||||
|
||||
1. **3대 건전성 요건**:
|
||||
* **Consistency (일관성)**: 체계 내에서 서로 모순되는 두 명제가 동시에 참이 될 수 없음.
|
||||
* **Independence (독립성)**: 한 공리가 다른 공리들로부터 도출될 수 없어야 함 (최소한의 원칙).
|
||||
* **Completeness (완전성)**: 해당 영역의 모든 참인 명제를 체계 내에서 증명할 수 있어야 함 (괴델의 불완전성 정리에 의해 한계 노출).
|
||||
2. **구조주의적 연결**:
|
||||
* 개별 사실보다 그 사실들을 엮어주는 '관계의 규칙(공리)'이 시스템의 본질을 결정함 (Structuralism과 연결).
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 모든 지식을 공리화할 수 있다는 '힐베르트 서약' 정책이 우세했으나, 현대의 불완전성 정비 정책은 체계 내부에 증명 불가능한 영역이 존재함을 인정하고 유연한 보완 정책을 취함(RL Update).
|
||||
- **정책 변화(RL Update)**: 소프트웨어 무결성 검증 정책에서, 코드를 공리적 시스템으로 변환하여 오류가 없음을 수학적으로 확증하는 '형식 검증(Formal Verification) 정책'이 하이-리스크 시스템의 핵심 표준이 됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Axioms]], [[Logic]], [[Structuralism]], [[Automated-Reasoning]], [[Safety & Reliability]]
|
||||
- **Modern Tech/Tools**: TLA+ (Formal specification), Mathematical proof assistants.
|
||||
---
|
||||
@@ -0,0 +1,32 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-AXIO-002
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.98
|
||||
tags: [auto-reinforced, axioms, logic, foundations, mathematical-logic, standard]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Axioms]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "더 이상 의심할 필요 없는 지식의 시작점: 다른 것에 의해 증명될 필요가 없이 그 자체로 자명하게 참으로 인정되는 논리의 뿌리이자, 모든 복잡한 사유가 발을 딛고 있는 지면."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
공리(Axioms)는 논리적 추론의 전제가 되는 자명한 진리 또는 약속된 원칙입니다.
|
||||
|
||||
1. **왜 필요한가?**:
|
||||
* 지식의 무한 소급(Infinite Regress) 방지: "왜?"라는 질문을 계속 던지다 보면 결국 더 이상 설명이 필요 없는 가장 밑바닥의 전제에 도달해야 함.
|
||||
2. **공리의 성격**:
|
||||
* **Self-evident**: 누구나 보편적으로 인정하는 직관적인 진리.
|
||||
* **Defined**: 특정 체계 유지를 위해 약속한 근본 정의.
|
||||
3. **지식 아키텍처에서의 역할**:
|
||||
* 잘못된 공리 위에서 세운 지식은 아무리 논리가 정교해도 결국 허구로 무너짐 (False premise).
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 공리를 신성불가침한 '절대 진리' 정책으로 보았으나, 현대 수학 정책은 필요에 따라 공리를 바꿈으로써 비유클리드 기하학 같은 '새로운 현실 정책'을 창조할 수 있음을 입증함(RL Update).
|
||||
- **정책 변화(RL Update)**: 윤리적 AI 설계 정책에서, 모델이 반드시 지켜야 할 '기본 공리(예: 인간의 생명을 최우선한다)'를 하드코드하는 정책이 정렬(Alignment) 기술의 기초가 됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Axiomatic-Systems]], [[Logic]], [[Analysis]], [[First-Principles-Thinking]], [[Stability vs Flexibility]]
|
||||
- **Modern Tech/Tools**: Logic-based programming (Prolog), Formal logic frameworks.
|
||||
---
|
||||
@@ -0,0 +1,32 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-BERT-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 1.00
|
||||
tags: [auto-reinforced, bert, nlp, transformers, language-models, pre-training]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[BERT]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "양방향 문맥의 혁명: 문장을 앞뒤로 번갈아 훑어가며 보이지 않는 구멍(Mask)을 채워 넣는 훈련을 통해, 단어 하나가 문장 전체와 맺는 깊은 의미적 맥락을 완벽히 이해해낸 구글의 언어 지성체."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
BERT(Bidirectional Encoder Representations from Transformers)는 2018년 구글이 공개한 트랜스포머 기반의 사전 학습(Pre-training) 모델입니다.
|
||||
|
||||
1. **핵심 혁신 - 양방향성(Bidirectionality)**:
|
||||
* 이전 모델들이 문장을 한 방향으로만 읽었던 것과 달리, BERT는 문장 전체를 한꺼번에 보고 각 단어의 앞뒤 문맥을 동시에 파악함.
|
||||
2. **학습 전략**:
|
||||
* **MLM (Masked Language Model)**: 문장 일부 단어를 가리고 원본을 맞추게 함. (Auto-Encoding의 변형)
|
||||
* **NSP (Next Sentence Prediction)**: 두 문장이 연달아 이어지는 문장인지 판별함.
|
||||
3. **영향**:
|
||||
* 검색 엔진(Google Search)의 의미 이해도를 비약적으로 높였으며, 수많은 후속 모델(RoBERTa, ALBERT 등)의 시조가 됨.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 특정 태스크마다 모델을 새로 만드는 정책이었으나, BERT 이후로는 거대 모델을 먼저 범용적으로 학습시키고 개별 태스크에 미세 조정(Fine-tuning)하는 'Pre-train & Fine-tune 정책'이 표준이 됨(RL Update).
|
||||
- **정책 변화(RL Update)**: 최근에는 BERT와 같은 인코더 전용 모델보다 긴 문장을 생성하는 디코더 전용 모델(GPT 시리즈)에 연구 역량이 집중되는 정책적 변화가 있었으나, 정밀한 텍스트 분석 및 정보 추출 분야에서는 여전히 BERT 계열 모델이 실무적 불패 정책을 유지함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Transformers]], [[Natural Language Processing (NLP)]], [[Auto-Encoding]], [[Word-Representation]], [[Attention Mechanisms]]
|
||||
- **Modern Tech/Tools**: Hugging Face Transformers library, BERT-Large, DistilBERT.
|
||||
---
|
||||
@@ -0,0 +1,33 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-BDFS-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.99
|
||||
tags: [auto-reinforced, bfs, dfs, algorithms, graph-search, tree-traversal, problem-solving]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[BFS vs DFS]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "지식 탐색의 두 가지 갈래: 현재 층위의 모든 가능성을 먼저 훑으며 최단 경로를 찾는 '발 넓은' 너비 우선 탐색(BFS)과, 한 가지 가능성을 끝까지 파고들어 바닥을 확인하는 '집요한' 깊이 우선 탐색(DFS)의 지적 대비."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
너비 우선 탐색(BFS)과 깊이 우선 탐색(DFS)은 그래프나 트리 구조를 순회하는 가장 기초적인 알고리즘입니다.
|
||||
|
||||
1. **BFS (Breadth-First Search)**:
|
||||
* **동작**: 루트 노드에서 가까운 노드부터 차례대로 방문 (Queue 사용).
|
||||
* **장점**: 최단 경로(Shortest path)를 찾는 데 최적임.
|
||||
* **단점**: 모든 자식 노드를 메모리에 담아야 하므로 공간 복잡도가 높음.
|
||||
2. **DFS (Depth-First Search)**:
|
||||
* **동작**: 한 분기를 결정하면 그 분기의 끝(Leaf)까지 가본 후 뒤로 돌아옴 (Stack 또는 Recursion 사용).
|
||||
* **장점**: 메모리 가성비가 좋고, 경로상에 정답이 깊이 있을 때 유리함.
|
||||
* **단점**: 얻은 경로가 최단 경로라는 보장이 없으며 무한 루프 위험이 있음. (Backward-Reasoning과 연결)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 문제 유형에 따라 하나를 선택하는 정적인 알고리즘 정책이었으나, 현대 AI 정책(MCTS 등)은 두 방식을 확률적으로 혼합하거나 보상에 따라 동적으로 깊이와 너비를 결정하는 '적응적 탐색 정책'으로 진화함(RL Update).
|
||||
- **정책 변화(RL Update)**: 거대 언어 모델의 생각의 사슬(Chain of Thought) 추론 정책에서, 하나의 답변에 함몰되지 않고 여러 가지 추론 가지를 BFS적으로 생성해 비교하는 'Tree-of-Thoughts' 기법이 고난도 문제 해결의 핵심 정책이 됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Binary-Search]], [[Backward-Reasoning]], [[Search-Optimization]], [[Analysis]], [[Pattern Recognition]]
|
||||
- **Modern Tech/Tools**: Pathfinding algorithms in GPS, Crawling bots, Game AI (Minimax).
|
||||
---
|
||||
@@ -0,0 +1,33 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-BACK-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.97
|
||||
tags: [auto-reinforced, backend, server-side, architecture, api, data-management]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Backend]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "보이지 않는 곳의 설계자: 사용자가 접하는 화면 뒤에서 데이터를 저장하고, 복잡한 로직을 처리하며, 보안을 책임지고 시스템의 안정성을 실질적으로 지탱하는 엔진룸."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
백엔드(Backend)는 웹이나 앱의 서버 측(Server-side) 영역으로, 데이터베이스와의 상호작용 및 비즈니스 로직 처리를 담당합니다.
|
||||
|
||||
1. **3대 핵심 구성 요소**:
|
||||
* **Server**: 클라이언트의 요청을 받아 응답을 반환하는 물리적/가상적 장치.
|
||||
* **Application**: 특정 언어(Python, Node.js 등)로 작성된 비즈니스 로직의 집합.
|
||||
* **Database**: 정보를 안전하고 효율적으로 보관하는 저장소. (Availability-and-Persistence와 연결)
|
||||
2. **주요 역할**:
|
||||
* **API Design**: 프론트엔드와 소통하기 위한 규격 정의.
|
||||
* **Security & Auth**: 사용자 인증 및 권한 관리 (API-Key-Management와 연결).
|
||||
* **Optimization**: 대량의 요청 처리 및 데이터 인출 속도 최적화.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 모든 기능을 한 곳에 모은 'Monolith' 정책이 대세였으나, 현대 클라우드 정책은 기능을 잘게 쪼개어 독립적으로 운영하는 'Microservices Architecture (MSA) 정책'으로 확장성을 확보함(RL Update).
|
||||
- **정책 변화(RL Update)**: 서버를 직접 관리하지 않고 실행할 때만 자원을 빌려 쓰는 'Serverless 정책'이 대중화되면서, 백엔드 엔지니어링의 중심이 인프라 관리에서 '비즈니스 흐름(Flow) 설계'로 이동함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Technical-Architecture]], [[API-Key-Management]], [[Availability-and-Persistence]], [[Software-Design-Principles]], [[Workflow-Integrity]]
|
||||
- **Modern Tech/Tools**: Node.js, Python FastAPI, Go, Docker/Kubernetes, Redis, PostgreSQL.
|
||||
---
|
||||
@@ -1,27 +1,32 @@
|
||||
---
|
||||
id: P-REINFORCE-AI-BACKPROP
|
||||
id: P-REINFORCE-AUTO-BACK-002
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 1.0
|
||||
tags: [Backpropagation, Deep Learning, Gradient Descent, Optimization]
|
||||
confidence_score: 1.00
|
||||
tags: [auto-reinforced, backpropagation, deep-learning, machine-learning-foundations, calculus, neural-networks]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Backpropagation]] (역전파)
|
||||
# [[Backpropagation]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "실수를 뒤에서부터 고쳐 나가는 지혜." 출력층에서 발생한 오차(Loss)가 각 신경망 층의 가중치(Weight)에 얼마나 기여했는지 거꾸로 계산하며 효율적으로 학습시키는 딥러닝의 핵심 학습 메커니즘이다.
|
||||
> "오답 노트를 통한 성장: 모델이 낸 정답과 실제 정답 사이의 오차를 거꾸로(Back) 거슬러 올라가며, 각각의 신경망 연결 통로(Weight)들이 그 실책에 얼마나 기여했는지 계산해 이를 수정하는 딥러닝 학습의 마법."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Chain Rule (미분의 연쇄 법칙)**:
|
||||
- 전체 오차를 각 파라미터로 미분하기 위해, 각 단계의 부분 미분값을 곱해 나가는 미적분학적 과정.
|
||||
- **Gradient Computation**:
|
||||
- 모든 파라미터에 대한 경사도(Gradient)를 한 번에 계산하여, 경사 하강법(Gradient Descent)을 통해 신경망을 정답에 가깝게 업데이트한다.
|
||||
- **Efficiency**:
|
||||
- 모든 파라미터를 개별적으로 미분하는 것보다 수백만 배 빠르며, 이로 인해 수조 개의 파라미터를 가진 거대 모델의 학습이 가능해졌다.
|
||||
역전파(Backpropagation)는 인공신경망을 학습시키기 위해 미분(Chain Step)법을 사용하여 출력층의 오차를 입력층 방향으로 전파하며 가중치(Weights)를 업데이트하는 알고리즘입니다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 층이 너무 깊어지면 미분값이 0으로 사라지는 'Vanishing Gradient' 문제가 발생한다. 이를 위해 ReLU 활성화 함수나 ResNet 같은 잔차 연결(Residual Connection) 기술이 보완적으로 사용된다.
|
||||
1. **학습 프로세스**:
|
||||
* **Forward Pass**: 데이터가 신경망을 통과하며 예측값 도출.
|
||||
* **Loss Calculation**: 예측값과 실제 정답의 차이(Loss) 계산.
|
||||
* **Backward Pass**: 오차가 발생한 책임을 각 노드에 분산. 출력이 오차에 미치는 영향력(Gradient)을 계산.
|
||||
* **Update**: 계산된 Gradient를 바탕으로 최적화 알고리즘(예: SGD)을 사용하여 가중치 조정.
|
||||
2. **왜 중요한가?**:
|
||||
* 다층 신경망(Deep Hidden Layers)에서 어떤 층을 얼마나 고쳐야 할지 수학적으로 명확히 알려주어 '딥러닝'을 실질적으로 가능케 한 핵심 기술임.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 초기 인공지능 정책은 사람이 규칙을 주는 것이었으나, 역전파 정책은 기계가 오차로부터 스스로 규칙(가중치)을 찾아내는 정책적 대전환을 이루어냄(RL Update).
|
||||
- **정책 변화(RL Update)**: 역전파 연산 효율을 극대화하기 위해 하드웨어(GPU/NPU) 수준에서 행렬 연산을 가속하는 정책이 수립되었고, 최근에는 역전파 없이 학습하는 생물학적 뇌 모델(Forward-Forward 등)에 대한 대안 정책 연구도 활발함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Deep-Learning-Architecture-Patterns]] , [[Gradient-Descent]]
|
||||
- Foundation: [[Computational Theory & Math/Information Theory]]
|
||||
- [[stochastic gradient descent]], [[Deep Learning]], [[Neural Networks]], [[Machine-Learning-Foundations]], [[Reward Prediction Error]]
|
||||
- **Modern Tech/Tools**: PyTorch, TensorFlow, Autograd engines.
|
||||
---
|
||||
|
||||
@@ -0,0 +1,35 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-BACK-003
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.98
|
||||
tags: [auto-reinforced, backups, data-protection, disaster-recovery, security, reliability]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Backups]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "최악의 상황을 대비한 지식의 복제본: 데이터는 언제든 유실될 수 있다는 점을 인정하고, 원본이 훼손되었을 때 즉시 시스템을 복원할 수 있도록 별도의 물리적/가상적 공간에 안전하게 보관된 데이터 보험."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
백업(Backups)은 데이터 손실 사고에 대비하여 동일한 데이터를 다른 저장 장치에 복제하여 보관하는 행위입니다.
|
||||
|
||||
1. **3-2-1 법칙**:
|
||||
* **3**: 데이터 복사본을 최소 3개 이상 보유.
|
||||
* **2**: 서로 다른 2개 이상의 매체(Local, Cloud 등)에 저장.
|
||||
* **1**: 그중 1개는 반드시 원격지(Offsite)에 보관 (화재, 지진 대비).
|
||||
2. **백업의 유형**:
|
||||
* **Full Backup**: 모든 데이터를 통째로 복제. (안전하지만 무겁고 느림)
|
||||
* **Incremental Backup**: 마지막 백업 이후 변경된 부분만 복제. (빠르고 효율적)
|
||||
* **Snapshot**: 특정 시점의 데이터 상태를 사진 찍듯 기록. 롤백(Rollback)에 용이.
|
||||
3. **검증의 중요성**:
|
||||
* "백업은 저장하는 것이 아니라, 성공적으로 **복구**될 수 있을 때만 의미가 있다."
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 수동으로 테이프나 HDD에 복사하는 정책이었으나, 현대의 클라우드 인프라 정책은 데이터 변경 즉시 실시간 복제본을 생성하는 '지속적 데이터 보호(CDP) 정책'으로 강화됨(RL Update).
|
||||
- **정책 변화(RL Update)**: 랜섬웨어 정책 부반에 대응하기 위해, 한 번 백업되면 절대 수정이나 삭제가 불가능한 'WORM (Write Once Read Many) 정책' 및 '격리된 백업(Air-gapped) 정책'이 필수 보안 표준으로 채택됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Availability-and-Persistence]], [[Safety & Reliability]], [[Workflow-Integrity]], [[Robustness]], [[Technical-Architecture]]
|
||||
- **Modern Tech/Tools**: AWS Backup, Veeam, Git (Version control as backup), RAID.
|
||||
---
|
||||
@@ -0,0 +1,33 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-BARE-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.94
|
||||
tags: [auto-reinforced, backward-reasoning, goal-driven, logic, problem-solving, cognitive-ai]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Backward-Reasoning]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "결과로부터 시작하는 역발상: 최종 목표(Goal)를 먼저 설정하고, 그 목표를 이루기 위해 바로 전 단계에 무엇이 필요했는지를 거꾸로 추적하며 현재의 실행 방안을 도출하는 목적 중심적 추론."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
후행 추론(Backward-Reasoning) 혹은 역방향 추론은 목표 지향적(Goal-driven) 문제 해결 기법입니다.
|
||||
|
||||
1. **추론 프로세스**:
|
||||
* 목표 설정: "나는 A를 성취하고 싶다."
|
||||
* 전제 확인: "A를 이루려면 B가 참이어야 한다."
|
||||
* 재귀적 반복: "B를 이루려면 C가 참이어야 한다." -> 이미 알고 있는 사실(Facts)에 도달할 때까지 반복.
|
||||
2. **전방 추론(Forward Reasoning)과의 차이**:
|
||||
* 전방 추론은 데이터에서 시작해 결론을 탐색(Data-driven)하는 반면, 후행 추론은 목표가 명확할 때 탐색 범위를 확 줄여주는 효율성이 있음. (Working-Backwards와 연결)
|
||||
3. **적용 분야**:
|
||||
* 수학적 증명, 범죄 수사(결과에서 단서 추적), 진단 전문가 시스템.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 초기 AI 전문가 시스템 정책은 엄격한 논리 규칙 기반의 후행 추론 정책을 썼으나, 현대의 거대 모델 정책은 전방과 후행을 유연하게 섞는 '비정형 추론 정책'을 통해 더 인간적인 문제 해결 능력을 보여줌(RL Update).
|
||||
- **정책 변화(RL Update)**: 프로젝트 관리 정책에서, 마감 기한에서 거꾸로 일정을 산출하는 'Backward Scheduling 정책'이 불확실한 기술 개발 과제의 리스크를 관리하는 핵심 도구로 정착됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Working-Backwards]], [[Active-Reasoning]], [[Logic]], [[Analysis]], [[Strategic-Planning]]
|
||||
- **Modern Tech/Tools**: Prolog (Logic programming), Project planning software.
|
||||
---
|
||||
@@ -0,0 +1,33 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-BOW-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.95
|
||||
tags: [auto-reinforced, bag-of-words, nlp, text-mining, feature-extraction, classic-ai]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Bag of Words (BoW)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "단어들의 주머니: 문장의 문법이나 단어의 순서는 완전히 무시한 채, 오직 어떤 단어가 몇 번 등장했는지 그 빈도수만을 세어 텍스트를 숫자의 뭉치로 변환하는 가장 단순하고 강력한 언어 처리 기초."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
Bag of Words(BoW)는 텍스트 데이터를 머신러닝 알고리즘이 이해할 수 있도록 수치형 벡터로 변환하는 표현 기법 중 하나입니다.
|
||||
|
||||
1. **구현 단계**:
|
||||
* **Vocabulary 구축**: 전체 데이터셋에 등장하는 모든 고유 단어의 목록 생성.
|
||||
* **Counting**: 특정 문서 내에서 각 단어가 몇 번 나타나는지 횟수 기록.
|
||||
2. **특징**:
|
||||
* **Loss of Order**: "I eat apple"과 "Apple eat I"를 동일하게 취급하는 한계.
|
||||
* **Sparse Vector**: 단어 사전은 크지만 실제 한 문장에 쓰이는 단어는 적어 대부분의 값이 0인 거대 행렬 형성.
|
||||
3. **발전형**:
|
||||
* **TF-IDF**: 단순히 빈도만 따지지 않고, 흔한 단어(The, A 등)의 점수를 낮춰 핵심 단어를 부각함.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거 자연어 처리 정책의 주류였으나, 현대의 임베딩 정책은 단어의 순서와 관계(Context)를 보존하는 'Word Embedding/Attention 정책'으로 대체됨(RL Update).
|
||||
- **정책 변화(RL Update)**: 아주 가벼운 스팸 분류 시스템이나 초기 단계의 데이터 탐색 정책에서는 연산 비용이 극도로 낮은 BoW 정책이 여전히 실무적인 경제성 정책으로 선호됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Natural Language Processing (NLP)]], [[Word-Representation]], [[Attention Mechanisms]], [[Pattern Recognition]], [[Technical-Architecture]]
|
||||
- **Modern Tech/Tools**: Scikit-learn CountVectorizer, NLTK, Gensim.
|
||||
---
|
||||
@@ -0,0 +1,33 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-BAIN-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.96
|
||||
tags: [auto-reinforced, batch-inference, ai-optimization, throughput, cost-efficiency, data-processing]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Batch-Inference]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "지능의 공동 구매: 매 요청마다 AI를 즉각 깨우는 대신, 대량의 데이터를 한데 모아 한꺼번에 추론함으로써 서버 자원의 낭비를 줄이고 처리 속도(Throughput)를 극대화하는 물류적 최적화."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
배치 추론(Batch-Inference)은 실시간 응답이 필수적이지 않은 환경에서 대규모의 데이터를 주기적으로 한 번에 처리하는 AI 구동 방식입니다.
|
||||
|
||||
1. **실시간 추론(Online Inference)과의 차이**:
|
||||
* **Online**: 1건의 요청에 1번 응답 (Low latency 중요, 자원 소모 비효율적).
|
||||
* **Batch**: 1,000건의 요청을 모아 1번에 처리 (High throughput 중요, 자원 및 비용 효율적).
|
||||
2. **이점**:
|
||||
* **GPU Utilization**: GPU는 한 번에 많은 데이터를 병렬로 처리할 때 가성비가 가장 높음.
|
||||
* **Cost Efficiency**: 요청이 적은 시간대에 몰아서 처리하여 클라우드 비용 절감.
|
||||
3. **적용 사례**:
|
||||
* 주간 개인화 추천 메일 생성, 전날의 사기 거래 일괄 탐지, 대규모 문서 아카이브 번역.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 무조건 '실시간'이 최고라는 정책이 강했으나, 현대의 거대 모델 운영 정책은 막대한 추론 비용 절감을 위해 비핵심 태스크를 배치로 돌리는 '하이브리드 추론 정책'을 채택함(RL Update).
|
||||
- **정책 변화(RL Update)**: 대규모 에이전트 워크플로우 정책에서, 에이전트가 생성한 중간 결과물들을 배치로 모아 리랭킹(Re-ranking)하거나 요약하는 '간헐적 배치 처리 정책'이 시스템 무결성 확보의 핵심 가이드라인이 됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Optimization]], [[Technical-Architecture]], [[Availability-and-Persistence]], [[Workflow-Integrity]], [[Scalability]]
|
||||
- **Modern Tech/Tools**: Apache Airflow, NVIDIA Triton Inference Server, Ray.
|
||||
---
|
||||
@@ -0,0 +1,32 @@
|
||||
---
|
||||
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.
|
||||
---
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
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.
|
||||
---
|
||||
@@ -0,0 +1,33 @@
|
||||
---
|
||||
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.
|
||||
---
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-BEDE-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.94
|
||||
tags: [auto-reinforced, clarity, precision, communication, documentation, detailing]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Be-Detailed]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "악마는 디테일에 있다: 모호한 추상화 뒤에 숨지 않고, 구체적인 수치, 명확한 맥락, 그리고 실천 가능한 세부 사항을 명시함으로써 실행의 오류를 줄이고 압도적인 완성도를 만드는 태도."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
디테일해지기(Be-Detailed)는 업무 수행 및 소통 과정에서 모호성을 배제하고 구체성을 확보하는 지적 정밀함을 의미합니다.
|
||||
|
||||
1. **구체화의 도구**:
|
||||
* **Quantification**: "매우 빠름" 대신 "응답 속도 10ms 미만"으로 정의.
|
||||
* **Contextualization**: "로그인 기능" 대신 "이메일 형식 검증과 소셜 연동을 포함한 중앙 정렬 형의 모달 로그인 창"으로 묘사.
|
||||
* **Edge Case consideration**: 보편적인 상황뿐만 아니라 발생 가능한 예외 상황까지 미리 상세히 기술함 (Anomaly-Detection과 연결).
|
||||
2. **왜 중요한가?**:
|
||||
* 특히 AI 프롬프트 엔지니어링이나 지시 이행(Instruction following) 과정에서, 지시가 디테일할수록 모델의 환각(Hallucination)이 급격히 줄어듦.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 '빠른 실행'을 위해 디테일을 생략하는 정책이 효율적이라 믿었으나, 현대의 복잡한 시스템 정책은 초기 디테일 누락이 나중에 기하급수적인 수정 비용을 발생시킨다는 점을 깨닫고 '선제적 디테일링 정책'을 권장함(RL Update).
|
||||
- **정책 변화(RL Update)**: 기술 문서 작성 정책에서, 단순히 기능 목록을 나열하는 방식에서 벗어나 실제 구현 가능한 코드 스니펫과 구체적인 에러 대응 시나리오를 포함하는 '실무형 상세 가이드라인 정책'으로 개편됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Articulateness]], [[Analysis]], [[Workflow-Integrity]], [[Standardization vs Innovation]], [[Ps-Reinforce]]
|
||||
- **Modern Tech/Tools**: Prompt engineering best practices, RFC (Request for Comments) process.
|
||||
---
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-BECK-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.84
|
||||
tags: [auto-reinforced, beckett, absurdity, minimalism, modernism, philosophy-of-language]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Beckett]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "부조리의 미학자: 결코 오지 않을 고도를 기다리며 텅 빈 무대 위의 침묵을 견디는 인간의 실존적 허무를 극도로 절제된 언어로 그려낸, 현대 문학의 가장 차갑고도 뜨거운 목소리."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
사무엘 베케트(Samuel Beckett)는 아일랜드 출신의 작가로, 부조리극(Theatre of the Absurd)의 선구자입니다.
|
||||
|
||||
1. **핵심 주제**:
|
||||
* **Absurdity**: 논리나 의미가 상실된 세상에서 끊임없이 반복되는 헛된 행위. (Sisyphus와 연결)
|
||||
* **Silence & Word**: 언어의 한계와 소통의 불가능성을 다루며, 침묵 사이의 미묘한 긴장을 중시함.
|
||||
* **Minimalism**: 무대 장치와 등장인물, 대사를 극도로 제한하여 인간의 적나라한 본질을 노출.
|
||||
2. **대표작**:
|
||||
* 《고도를 기다리며(Waiting for Godot)》: 오지 않는 누군가를 기다리는 두 남자를 통해 시간의 무의미함과 희망의 모순을 그림.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 그의 작품을 '이해 불가능한 난해함' 정책으로 치부했으나, 현대 문학 정책은 실존적 불안을 가장 정직하게 마주한 '진정성의 정점 정책'으로 그를 노벨 문학상 반열에 올림(RL Update).
|
||||
- **정책 변화(RL Update)**: 현대 AI 연구자들 사이에서 베케트적 부조리가 회자되기도 함. 명령을 완수하지 못하고 무한 루프에 빠진 에이전트나, 아무 의미 없는 문장을 생성하는 모델의 모습에서 '기술적 부조리 정책'의 예술적 은유를 찾음 (AI and Narrative와 연결).
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[AI and Narrative]], [[Authenticity]], [[Modernism]], [[Aesthetic-Value]], [[Anxiety]]
|
||||
- **Modern Tech/Tools**: Existential philosophy archives, Avant-garde theater studies.
|
||||
---
|
||||
@@ -0,0 +1,33 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-BEHA-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.96
|
||||
tags: [auto-reinforced, behavior, psychology, stimulus-response, observed-action, intelligence]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Behavior]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "지능의 외부 출력: 내면의 사고나 감정이 환경과의 상호작용을 통해 겉으로 드러난 관찰 가능한 반응으로, 유기체나 시스템이 생존과 목표 달성을 위해 수행하는 모든 가시적 행위."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
행동(Behavior)은 개별 객체가 환경 자극에 반응하여 나타내는 가시적인 활동의 형태입니다.
|
||||
|
||||
1. **행동의 동력**:
|
||||
* **Innate Behavior**: 유전적으로 프로그래밍된 본능적 반응.
|
||||
* **Learned Behavior**: 과거의 경험과 보상/처벌을 통해 습득된 반응 (Reinforcement Learning과 연결).
|
||||
2. **분석 층위**:
|
||||
* **Behavioral Psychology**: 블랙박스인 내면보다 '자극-반응'이라는 관찰 가능한 데이터에 집중.
|
||||
* **System Behavior**: 복합적인 구성 요소들이 상호작용하여 나타나는 전체 시스템의 경향성.
|
||||
3. **지능의 척도**:
|
||||
* 튜링 테스트(Turing Test)에서처럼, 지능은 내면의 구조가 아니라 겉으로 드러나는 '행동의 합리성'과 '정교함'으로 평가받기도 함.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거 심리학 정책은 '행동(Behavior)'만을 정답으로 보았으나(행동주의), 현대 인지 과학 정책은 행동을 유발하는 '내적 표상(Internal Representation) 정책'을 함께 분석해야 실제 지능을 이해할 수 있다고 교정함(RL Update).
|
||||
- **정책 변화(RL Update)**: 자율 에이전트 설계 정책에서, 사전에 정의된 'Rule-based Behavior'에서 벗어나 시뮬레이션 환경 내에서 스스로 최적의 행동을 찾아내는 '창발적 행동(Emergent Behavior) 허용 정책'이 핵심 트렌드가 됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Psychology & Behavior]], [[Reinforcement Learning (RL)]], [[Behavioral-Incentives]], [[Agent Architecture]], [[Game Theory]]
|
||||
- **Modern Tech/Tools**: Behavioral tracking analytics, User journey mapping, A/B testing.
|
||||
---
|
||||
@@ -0,0 +1,32 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-BEIN-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.95
|
||||
tags: [auto-reinforced, behavioral-incentives, motivation, economics, nudging, system-design]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Behavioral-Incentives]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "행동을 유도하는 설계된 보상: 인간이나 시스템이 특정한 방향으로 움직이도록 만드는 유무형의 혜택으로, 의지력을 강조하는 대신 상황의 구조를 바꿔 목적을 달성하는 실전적 행동 경제학."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
행동 인센티브(Behavioral-Incentives)는 대상의 동기를 자극하여 원하는 행동의 빈도를 높이거나 유지하게 만드는 유인책입니다.
|
||||
|
||||
1. **유형**:
|
||||
* **Extrinsic Incentives (외적)**: 금전적 보상, 상장, 인센티브 (단기적 효과 탁월).
|
||||
* **Intrinsic Incentives (내적)**: 보람, 자아실현, 지적 호기심 (Grit 향상에 장기적 기여).
|
||||
* **Social Incentives (사회적)**: 평판, 소속감, 리더보드 순위.
|
||||
2. **설계의 핵심**:
|
||||
* **Nudging**: 선택의 자유는 유지하되 더 나은 방향으로 슬쩍 밀어주는 부드러운 개입.
|
||||
* **Alignment**: 조직의 목표와 개인의 인센티브를 일치시켜 시스템적 효율 극대화 (Theory of Constraints와 협업).
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거 산업 정책은 오직 '돈'이면 된다는 금전적 인센티브 정책에만 몰두했으나, 현대의 복잡한 지식 노동 정책은 금전 보상이 오히려 창의성을 해칠 수 있음을 인지하고 '자율성/숙련도/목적(AMP) 정책'을 강화함(RL Update).
|
||||
- **정책 변화(RL Update)**: 강화 학습 기반 AI 학습 정책(RLHF)에서, 단순히 높은 점수를 받는 것에만 매몰되지 않도록 '다양성 보상'이나 '정직성 보상'을 섞는 다차원 인센티브 설계 정책이 표준으로 자리 잡음.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Motivation]], [[Reinforcement Learning (RL)]], [[Behavior]], [[Game Theory]], [[Economics of Attention]]
|
||||
- **Modern Tech/Tools**: Gamification platforms, Token economy (Web3/Crypto), OKR/KPI systems.
|
||||
---
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-BERE-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.98
|
||||
tags: [auto-reinforced, belief-revision, cognitive-science, logic, data-consistency, information-processing]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Belief-Revision]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "지적 유연성의 정수: 기존의 신념과 정면으로 충돌하는 강력한 사실이 발견되었을 때, 모순을 해결하기 위해 자신의 신념 체계 중 가장 덜 중요한 부분을 포기하고 새로운 정보와 조화를 이루도록 전체를 재구성하는 고등 인지 프로세스."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
신념 수정(Belief-Revision) 혹은 믿음 갱신은 새로운 정보가 들어왔을 때 기존의 신념 체계를 합리적으로 조정하여 일관성을 유지하는 과정입니다.
|
||||
|
||||
1. **3대 원칙 (AGM Postulates)**:
|
||||
* **Expansion**: 모순이 없으면 새 정보를 단순히 추가.
|
||||
* **Contraction**: 충돌이 발생하면 기존 지식 중 일부를 제거.
|
||||
* **Revision**: 삭제와 추가를 결합하여 일관된 새로운 체계 구축.
|
||||
2. **최소 변화의 원칙 (Minimal Change)**:
|
||||
* 전체 신념을 통째로 부정하기보다, 정보들 간의 '인식적 우선순위(Epistemic Entrenchment)'를 따져서 가장 가벼운 것부터 수정함. (Bayesian-Updating의 논리적 버전)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거의 데이터베이스 정책은 한 번 입력된 데이터의 무결성을 고수했으나, 현대의 유연한 지식 베이스 정책은 '모순된 정보가 들어오는 것이 상수'임을 인정하고 이를 지능적으로 병합/수정하는 '확률적 신념 수정 정책'을 수용함(RL Update).
|
||||
- **정책 변화(RL Update)**: 가짜 뉴스 및 필터 버블 정책에서, 사람들이 자신의 확증 편향(Confirmation Bias)을 넘어 신념 수정을 원활히 할 수 있도록 '대안적 사실과 그 근거를 입체적으로 제시하는 알고리즘 정책'의 필요성이 제기됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Bayesian-Updating]], [[Rationality]], [[Belief-System]], [[Self-Correction Mechanisms]], [[Scientific-Method]]
|
||||
- **Modern Tech/Tools**: Non-monotonic logic engines, Truth maintenance systems (TMS).
|
||||
---
|
||||
@@ -0,0 +1,32 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-BESY-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.94
|
||||
tags: [auto-reinforced, belief-system, worldview, culture, cognitive-architecture, orientation]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Belief-System]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "세상을 해석하는 운영체제: 개인이 진실이라고 믿는 수많은 판단과 가치들이 촘촘하게 얽혀 만들어진 거대한 네트워크로, 새로운 정보를 필터링하고 행동의 방향을 결정하는 무의식적 가이드라인."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
신념 체계(Belief-System)는 한 개인이 세상과 자기 자신에 대해 가지고 있는 확고한 믿음들의 집합체입니다.
|
||||
|
||||
1. **구조적 특징**:
|
||||
* **Core Beliefs**: 가장 깊은 곳에 자리 잡은 근본 신념 (수정이 매우 힘듦). (Axioms와 연결)
|
||||
* **Supporting Beliefs**: 핵심 신념을 지탱하는 지류 신념들.
|
||||
* **Interconnectivity**: 하나의 신념이 바뀌면 연결된 다른 신념들의 가독성도 바뀜 (웹 형태의 조직).
|
||||
2. **기능**:
|
||||
* **Cognitive Economy**: 매 순간 일어나는 일을 처음부터 분석하지 않고 기존 체계에 비추어 빠르게 판단하게 해줌.
|
||||
* **Identity**: "나는 어떤 사람인가"를 규정하는 정체성의 토대.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 신념 체계를 혈연이나 지역적 종교 정책에 의해 고정된 것으로 보았으나, 현대의 정보 유통 정책은 개인의 취향과 알고리즘 추천에 의해 시시각각 재구성되는 '유동적 신념 체계 정책'으로 이행함(RL Update).
|
||||
- **정책 변화(RL Update)**: 기업 문화 정책 수립 시, 단순히 사훈을 외우게 하는 정책 대신 구성원 각자의 신념 체계가 회사의 비전과 조화를 이루게 하는 '가치 공유 프로세스 기획 정책'이 조직 관리의 핵심이 됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Beliefs]], [[Belief-Revision]], [[Axiology]], [[Axiomatic-Systems]], [[Sociology of Knowledge]]
|
||||
- **Modern Tech/Tools**: Psychometric profiling, Cognitive behavioral therapy frameworks.
|
||||
---
|
||||
@@ -0,0 +1,32 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-BELI-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.92
|
||||
tags: [auto-reinforced, beliefs, conviction, mental-state, truth-claims, epistemology]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Beliefs]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "마음이 내린 잠정적 결론: 충분한 객관적 증거가 있든 없든, 특정한 명제나 사실이 참이라고 받아들이는 심리적 상태이며 행동을 유발하는 가장 원초적인 정신적 에너지."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
신념(Beliefs) 혹은 믿음은 세계의 어떤 상태에 대해 주관적으로 가지고 있는 확신입니다.
|
||||
|
||||
1. **지식(Knowledge)과의 관계**:
|
||||
* 전통적인 정의에 따르면, 지식은 '정당화된 참된 신념(Justified True Belief)'임. 즉, 신념은 지식의 재료가 됨.
|
||||
2. **신념의 힘**:
|
||||
* **Self-fulfilling Prophecy**: "나는 할 수 있다"는 신념이 실제 성공을 이끄는 행동(Behavior)을 유발함 (Grit과 연결).
|
||||
* **Filtering Mechanism**: 자신의 신념에 부합하는 정보만 선택적으로 받아들임 (Confirmation Bias 경계 필요).
|
||||
3. **지능 설계자들의 관점**:
|
||||
* 컴퓨터 시스템에서 신념은 '데이터베이스의 현재 상태'나 '파라미터 가중치'로 치환되어 이해되기도 함.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 신념을 절대적인 '정답' 정책으로 보았으나, 현대의 합리성 정책은 신념을 언제든 업데이트 가능한 '확률적 가설 정책'으로 대함(RL Update).
|
||||
- **정책 변화(RL Update)**: 윤리 정책 가이드라인에서, 편향된 신념을 가진 데이터로 학습된 AI가 특정 집단에 대한 혐오 신념을 표출하지 않도록 차단하는 '신념 정화(Cleaning and Sanitize) 정책'이 데이터 엔지니어링의 필수 과정이 됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Belief-System]], [[Atheism]], [[Axiology]], [[Truth-Claims]], [[Psychology & Behavior]]
|
||||
- **Modern Tech/Tools**: Bias detection tools, Fact-checking systems.
|
||||
---
|
||||
@@ -0,0 +1,33 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-BENC-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.98
|
||||
tags: [auto-reinforced, benchmarks, evaluation, performance-metrics, standardization, comparative-analysis]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Benchmarks]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "지능의 줄자: 서로 다른 시스템이나 알고리즘의 성능을 동일한 잣대로 비교하기 위해 설계된 표준화된 문제 세트이며, 기술 혁신의 이정표(Milestone)를 제시하는 경쟁의 마당."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
벤치마크(Benchmarks)는 특정 분야의 성능을 측정하고 비교하기 위한 지표이자 테스트 도구의 모음입니다.
|
||||
|
||||
1. **AI 분야의 주요 벤치마크**:
|
||||
* **ImageNet**: 이미지 인식 성능의 비약적 발전을 이끈 데이터셋.
|
||||
* **GLUE/SuperGLUE**: 자연어 이해 능력을 다각도로 평가하는 표준.
|
||||
* **MMLU**: 방대한 도메인 지식과 추론 능력을 종합적으로 평가 (최근 거대 모델 전쟁의 주전장).
|
||||
2. **왜 중요한가?**:
|
||||
* 객관적인 수치를 통해 기술의 한계를 명확히 하고, 연구자들이 집중해야 할 다음 목표(Next Challenge)를 정의함.
|
||||
3. **위험 요소 (Goodhart's Law)**:
|
||||
* 측정 지표가 목표가 되는 순간, 시스템은 본질적인 성능 향상보다 '시험 점수 따기(Benchmarking hacks)'에만 매몰될 수 있음.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 정적인 데이터셋(Static test) 위주의 정책이었으나, 현대 정책은 모델이 학습 데이터로 시험 문제를 미리 보게 되는 '데이터 오염(Contamination)' 리스크 정책에 대응하여 동적으로 변하는 벤치마크 정책으로 전환 중임(RL Update).
|
||||
- **정책 변화(RL Update)**: 단순히 기술적 성능뿐만 아니라 윤리적 안정성과 유해성을 평가하는 'Safety Benchmark 정책'이 모델 배포의 필수 통과 관문이 됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Assessment]], [[Algorithmic Fairness]], [[Foundational Models]], [[Ps-Reinforce]], [[Safety & Reliability]]
|
||||
- **Modern Tech/Tools**: Hugging Face Open LLM Leaderboard, HELM (Holistic Evaluation of Language Models).
|
||||
---
|
||||
Some files were not shown because too many files have changed in this diff Show More
Reference in New Issue
Block a user