diff --git a/10_Wiki/Topics/00_Raw/conversations/2026-04-30.md b/10_Wiki/Topics/00_Raw/conversations/2026-04-30.md
index df4609b5..b9e09cfb 100644
--- a/10_Wiki/Topics/00_Raw/conversations/2026-04-30.md
+++ b/10_Wiki/Topics/00_Raw/conversations/2026-04-30.md
@@ -4,24 +4,24 @@ _모든 명령·분배·산출물·대화가 시간순으로 누적됩니다.
## [16:07:45] 👤 **사용자**
-[모닝 브리핑] 오늘 날짜는 2026-04-30입니다. 회사 목표(goals.md)와 지금까지의 의사결정 로그를 바탕으로 오늘 우리 회사가 우선순위로 처리해야 할 작업 3가지를 결정하고, 각 작업을 적절한 에이전트에게 분배하세요.
+[모닝 브리핑] 오늘 날짜는 2026-04-30입니다. 회사 목표([[goals]].md)와 지금까지의 의사결정 로그를 바탕으로 오늘 우리 회사가 우선순위로 처리해야 할 작업 3가지를 결정하고, 각 작업을 적절한 에이전트에게 분배하세요.
## [16:28:10] 🧭 **CEO** · _작업 분배_
회사 목표와 로그가 초기화 상태이므로, 시장 분석을 통한 닉슈 선정 → 수익화 전략 및 KPI 도출 → 일일/주간 실행 계획 수립 순으로 3가지 우선 작업을 정의합니다.
**할당:**
-- 🔍 **Researcher**: AI/기술/콘텐츠 관련 상위 3개 시장 트렌드와 주요 경쟁 채널의 성장 패턴을 분석한 후, 우리 회사가 1개월 내 진입 가능한 최적의 1개 닉슈와 핵심 타깃 키워드 5개를 정리해 보고하세요.
-- 💰 **Business**: researcher의 분석 결과를 기반으로 초기 수익화 모델(광고/스폰서/디지털 제품 중 1개 선택)을 제안하고, 월별 조회수·구독자·변환율 목표를 포함한 KPI 프레임워크와 가격/수익 구조를 1페이지 분량으로 작성하세요.
-- 📱 **Secretary**: 리서치와 비즈니스 전략 결과를 종합해 오늘 하루의 핵심 작업 3가지를 최종 확정하고, 마감 시간·담당 에이전트·진행 상태를 명시한 데일리 브리핑과 1주일 액션 플랜을 텔레그램 보고 형식으로 출력하세요.
+- 🔍 **[[Research]]er**: AI/기술/콘텐츠 관련 상위 3개 시장 트렌드와 주요 경쟁 채널의 성장 패턴을 분석한 후, 우리 회사가 1개월 내 진입 가능한 최적의 1개 닉슈와 핵심 타깃 키워드 5개를 정리해 보고하세요.
+- 💰 **[[business]]**: re[[Search]]er의 분석 결과를 기반으로 초기 수익화 모델(광고/스폰서/디지털 제품 중 1개 선택)을 제안하고, 월별 조회수·구독자·변환율 목표를 포함한 KPI 프레임워크와 가격/수익 구조를 1페이지 분량으로 작성하세요.
+- 📱 **[[secretary]]**: 리서치와 비즈니스 전략 결과를 종합해 오늘 하루의 핵심 작업 3가지를 최종 확정하고, 마감 시간·담당 에이전트·진행 상태를 명시한 데일리 브리핑과 1주일 액션 플랜을 텔레그램 보고 형식으로 출력하세요.
-## [16:33:10] 🔍 **Researcher** · _AI/기술/콘텐츠 관련 상위 3개 시장 트렌드와 주요 경쟁 채널의 성장 패턴을 분석한 후, 우리 회사가 1개_
+## [16:33:10] 🔍 **[[researcher]]** · _AI/기술/콘텐츠 관련 상위 3개 시장 트렌드와 주요 경쟁 채널의 성장 패턴을 분석한 후, 우리 회사가 1개_
⚠️ Researcher 에이전트 호출 실패: aborted
## [16:37:31] 👤 **사용자**
-[자율 사이클 — 2026-04-30] 사용자가 자리를 비웠습니다. 회사 목표·각 에이전트의 개인 목표(_agents/{id}/goal.md)·최근 의사결정·메모리를 검토해서 지금 가장 가치 있는 단일 작업 1개를 결정하고, 적절한 1~2명 에이전트에게 분배해서 실행하세요. 같은 산출물을 반복하지 마세요 — 메모리에 비슷한 항목이 24시간 내에 있으면 다른 각도로 진전시키세요.
+[자율 사이클 — 2026-04-30] 사용자가 자리를 비웠습니다. 회사 목표·각 에이전트의 개인 목표(_agents/{id}/[[goal]].md)·최근 의사결정·메모리를 검토해서 지금 가장 가치 있는 단일 작업 1개를 결정하고, 적절한 1~2명 에이전트에게 분배해서 실행하세요. 같은 산출물을 반복하지 마세요 — 메모리에 비슷한 항목이 24시간 내에 있으면 다른 각도로 진전시키세요.
## [16:38:10] 💰 **Business** · _researcher의 분석 결과를 기반으로 초기 수익화 모델(광고/스폰서/디지털 제품 중 1개 선택)을 제안_
diff --git a/10_Wiki/Topics/01_Frontend_Mastery/React_Clean_Code_Best_Practices.md b/10_Wiki/Topics/01_Frontend_Mastery/React_Clean_Code_Best_Practices.md
index 713b506e..2cd8886b 100644
--- a/10_Wiki/Topics/01_Frontend_Mastery/React_Clean_Code_Best_Practices.md
+++ b/10_Wiki/Topics/01_Frontend_Mastery/React_Clean_Code_Best_Practices.md
@@ -1,6 +1,6 @@
---
title: 리액트 클린 코드 및 개발 에티켓
-category: Software Architecture
+category: Software [[Architecture]]
tags: [Clean Code, Etiquette, Best Practice, Readable Code]
created: 2026-04-20
---
@@ -16,7 +16,7 @@ created: 2026-04-20
- **Props Destructuring (구조 분해 할당)**:
- `props.user.name` 처럼 경로를 길게 쓰는 대신, 함수의 인자 단계에서 `{ user: { name } }` 처럼 분해하라. 코드가 숨을 쉬기 시작한다.
- **Explicit Naming (명시적 네이밍)**:
- - 핸들러 함수는 `handle[Action]` (예: `handleSearch`), 비즈니스 함수는 `on[Action]` (예: `onSearchSubmit`)으로 구분하여 책임 소재를 명확히 한다.
+ - 핸들러 함수는 `handle[Action]` (예: `handle[[Search]]`), 비즈니스 함수는 `on[Action]` (예: `onSearchSubmit`)으로 구분하여 책임 소재를 명확히 한다.
- **조건부 렌더링 에티켓**:
- `&&` 연산자 대신 삼항 연산자(`? :`)를 권장한다. 특히 `0 && ` 시 화면에 숫자 0이 출력되는 대참사를 방지하기 위함이다.
diff --git a/10_Wiki/Topics/01_Frontend_Mastery/React_Hooks_Deep_Dive.md b/10_Wiki/Topics/01_Frontend_Mastery/React_Hooks_Deep_Dive.md
index cce5236e..866092d5 100644
--- a/10_Wiki/Topics/01_Frontend_Mastery/React_Hooks_Deep_Dive.md
+++ b/10_Wiki/Topics/01_Frontend_Mastery/React_Hooks_Deep_Dive.md
@@ -1,6 +1,6 @@
---
title: 리액트 훅(Hooks) 심층 분석 및 활용
-category: Software Architecture
+category: Software [[Architecture]]
tags: [React, Hooks, useEffect, Custom Hooks]
created: 2026-04-20
---
@@ -14,7 +14,7 @@ created: 2026-04-20
- **useEffect의 올바른 관점**:
- "마운트될 때 실행"이라는 라이프사이클 사고방식에서 벗어나라. `useEffect`는 **의존성 배열의 값과 컴포넌트 외부 시스템(API, DOM 등)을 동기화**하는 작업이다.
- **Custom Hooks (추상화의 꽃)**:
- - 복잡한 비즈니스 로직(예: 데이터 페칭, 타이머 관리)을 `useMyLogic` 처럼 따로 빼내어 컴포넌트는 오직 UI 선언에만 집중하게 만든다. 이것이 컴포넌트의 가독성을 폭발시키는 비결이다.
+ - 복잡한 비즈니스 로직(예: 데이터 페칭, 타이머 관리)을 `useMy[[Logic]]` 처럼 따로 빼내어 컴포넌트는 오직 UI 선언에만 집중하게 만든다. 이것이 컴포넌트의 가독성을 폭발시키는 비결이다.
- **Rules of Hooks**:
- 반드시 함수의 최상위에서만 호출되어야 한다. 그래야 리액트가 훅의 상태를 유한 상태 머신처럼 정확한 순서로 관리할 수 있다.
@@ -22,5 +22,5 @@ created: 2026-04-20
- `useEffect` 내에서 무분별하게 상태를 업데이트하면 무한 루프나 성능 저하가 발생한다. 가능하면 `useMemo`나 `useCallback`으로 계산 결과를 캐싱하거나, 상태 업데이트 로직을 `useReducer`로 위임하라.
## 🔗 지식 연결 (Graph)
-- Related: [[React_Performance_Optimization]] , [[React_State_Management_Strategy]]
+- Related: [[React_Performance_Optimization]] , [[React_[[State]]_[[Management]]_Strategy]]
- Context: [[WebWorker_Performance]]
diff --git a/10_Wiki/Topics/01_Frontend_Mastery/React_Mental_Model.md b/10_Wiki/Topics/01_Frontend_Mastery/React_Mental_Model.md
index 02838468..255c6679 100644
--- a/10_Wiki/Topics/01_Frontend_Mastery/React_Mental_Model.md
+++ b/10_Wiki/Topics/01_Frontend_Mastery/React_Mental_Model.md
@@ -1,6 +1,6 @@
---
-title: 리액트 핵심 멘탈 모델 (UI as a Function of State)
-category: Software Architecture
+title: 리액트 핵심 멘탈 모델 (UI as a Function of [[State]])
+category: Software [[Architecture]]
tags: [React, State, Mental Model, Immutability]
created: 2026-04-20
---
@@ -14,12 +14,12 @@ created: 2026-04-20
- **UI = f(State)**:
- 화면은 상태의 결과값이어야 한다. 명령형(Imperative)으로 "이 버튼의 글자를 바꿔라"라고 하는 순간 리액트의 질서는 무너진다. 오직 상태를 바꾸고 리액트가 알아서 그리게 하라.
- **Immutability (불변성)**:
- - 리액트는 객체의 주소값이 변할 때만 렌더링을 시도한다. `arr.push(1)`이 아니라 `setArr([...arr, 1])`처럼 **새로운 원본**을 복제하여 가상 DOM(Virtual DOM)이 효율적으로 동작하게 돕는다.
+ - 리액트는 객체의 주소값이 변할 때만 렌더링을 시도한다. `arr.push(1)`이 아니라 `setArr([...arr, 1])`처럼 **새로운 원본**을 복제하여 가상 DOM([[Virtual DOM]])이 효율적으로 동작하게 돕는다.
- **Virtual DOM Diffing**:
- 리액트는 실제 DOM을 직접 건드리기 전에 메모리상의 가상 DOM에서 이전 상태와 비교(Diffing)하여, 꼭 필요한 부분만 실제 화면에 반영(Commit)한다. 이것이 고성능 웹의 비결이다.
## ⚠️ 모순 및 업데이트 (RL Update)
-- 불변성 유지를 위해 매번 거대한 객체를 복사하는 것은 때로 손해다. `Immer` 같은 라이브러리를 쓰거나, 상태의 크기를 작게 쪼개어(Normalization) 업데이트 비용을 최소화하는 전략이 중급 개발자의 역량이다.
+- 불변성 유지를 위해 매번 거대한 객체를 복사하는 것은 때로 손해다. `Immer` 같은 라이브러리를 쓰거나, 상태의 크기를 작게 쪼개어([[Normalization]]) 업데이트 비용을 최소화하는 전략이 중급 개발자의 역량이다.
## 🔗 지식 연결 (Graph)
- Related: [[React_Hooks_Deep_Dive]] , [[Component_Design_Patterns]]
diff --git a/10_Wiki/Topics/01_Frontend_Mastery/React_Performance_Optimization.md b/10_Wiki/Topics/01_Frontend_Mastery/React_Performance_Optimization.md
index 6cc4a0b4..7205735f 100644
--- a/10_Wiki/Topics/01_Frontend_Mastery/React_Performance_Optimization.md
+++ b/10_Wiki/Topics/01_Frontend_Mastery/React_Performance_Optimization.md
@@ -1,7 +1,7 @@
---
title: 리액트 렌더링 최적화 전략
-category: Software Architecture
-tags: [Performance, Memoization, React.memo, Optimization]
+category: Software [[Architecture]]
+tags: [Performance, Memoization, React.memo, [[Optimization]]]
created: 2026-04-20
---
@@ -17,7 +17,7 @@ created: 2026-04-20
- **useCallback**: 함수 객체의 변동을 막아 자식 컴포넌트의 불필요한 리렌더링을 방지한다.
- **Windowing (가상 리스트)**:
- 수천 개의 리스트 아이템이 있어도 사용자의 눈에 보이는 수십 개만 실제 DOM에 렌더링한다. (예: `react-window`, `react-virtualized`).
-- **상태의 위치 선정 (State Colocation)**:
+- **상태의 위치 선정 ([[State]] Colocation)**:
- 전역 상태가 바뀔 때마다 앱 전체가 들썩이지 않게 하라. 상태는 그것을 사용하는 가장 하위 컴포넌트 근처로 내려라.
## ⚠️ 모순 및 업데이트 (RL Update)
diff --git a/10_Wiki/Topics/01_Frontend_Mastery/React_State_Management_Strategy.md b/10_Wiki/Topics/01_Frontend_Mastery/React_State_Management_Strategy.md
index ce445ce1..5e2eb949 100644
--- a/10_Wiki/Topics/01_Frontend_Mastery/React_State_Management_Strategy.md
+++ b/10_Wiki/Topics/01_Frontend_Mastery/React_State_Management_Strategy.md
@@ -1,7 +1,7 @@
---
-title: 전략적 상태 관리 가이드 (Global & Server State)
-category: Software Architecture
-tags: [State Management, React Query, SSOT, Architecture]
+title: 전략적 상태 관리 가이드 (Global & Server [[State]])
+category: Software [[Architecture]]
+tags: [State [[Management]], React Query, SSOT, Architecture]
created: 2026-04-20
---
@@ -21,7 +21,7 @@ created: 2026-04-20
- 다른 상태로부터 계산될 수 있는 값(예: `firstName`+`lastName` = `fullName`)은 절대 '상태'로 만들지 마라. 렌더링 시점에 계산하는 것이 정합성 유지의 핵심이다.
## ⚠️ 모순 및 업데이트 (RL Update)
-- 무조건적인 전역 상태 지상주의는 'Prop Drilling'보다 위험할 수 있다. 컴포넌트 간의 의존성이 암시적으로 얽히기 때문이다. 상태는 되도록 사용하는 곳에서 가장 가깝게 위치시켜라.
+- 무조건적인 전역 상태 지상주의는 '[[Prop Drilling]]'보다 위험할 수 있다. 컴포넌트 간의 의존성이 암시적으로 얽히기 때문이다. 상태는 되도록 사용하는 곳에서 가장 가깝게 위치시켜라.
## 🔗 지식 연결 (Graph)
- Related: [[Single_Source_of_Truth]] , [[API_Communication_Patterns]]
diff --git a/10_Wiki/Topics/01_Frontend_Mastery/React_Testing_Strategy.md b/10_Wiki/Topics/01_Frontend_Mastery/React_Testing_Strategy.md
index ca840dd3..82183622 100644
--- a/10_Wiki/Topics/01_Frontend_Mastery/React_Testing_Strategy.md
+++ b/10_Wiki/Topics/01_Frontend_Mastery/React_Testing_Strategy.md
@@ -1,7 +1,7 @@
---
title: 리액트 애플리케이션 테스트 전략
-category: Software Architecture
-tags: [Testing, Vitest, RTL, Unit Test, QA]
+category: Software [[Architecture]]
+tags: [[[Testing]], Vitest, RTL, Unit Test, QA]
created: 2026-04-20
---
diff --git a/10_Wiki/Topics/01_Frontend_Mastery/TypeScript_Type_Safety.md b/10_Wiki/Topics/01_Frontend_Mastery/TypeScript_Type_Safety.md
index 6fc052aa..fd67b450 100644
--- a/10_Wiki/Topics/01_Frontend_Mastery/TypeScript_Type_Safety.md
+++ b/10_Wiki/Topics/01_Frontend_Mastery/TypeScript_Type_Safety.md
@@ -1,6 +1,6 @@
---
title: 타입스크립트 기반의 안정적 개발 (Type Safety)
-category: Software Architecture
+category: Software [[Architecture]]
tags: [TypeScript, Interface, Type Safety, Generic]
created: 2026-04-20
---
diff --git a/10_Wiki/Topics/01_Frontend_Mastery/WebWorker_Performance.md b/10_Wiki/Topics/01_Frontend_Mastery/WebWorker_Performance.md
index 0dae6511..a697efc9 100644
--- a/10_Wiki/Topics/01_Frontend_Mastery/WebWorker_Performance.md
+++ b/10_Wiki/Topics/01_Frontend_Mastery/WebWorker_Performance.md
@@ -10,9 +10,9 @@ created: 2026-04-20
## 🎯 개요 (Overview)
실시간 상태 변화가 매우 빈번한 애플리케이션(예: 게임, 시뮬레이션)에서 UI 스레드와 복잡한 연산 로직을 분리하여 **프레임 드롭(Jank)**을 방지하는 아키텍처 설계 기법입니다.
-## 🚀 주요 원칙 (Key Principles)
+## 🚀 주요 원칙 (Key [[Principles]])
- **스레드 분리 (Thread Isolation)**: 무거운 계산은 백그라운드 스레드(Web Worker)에서 수행하고, 메인 스레드는 렌더링에만 집중합니다.
-- **메시징 기반 통신 (Messaging Architecture)**: `postMessage`와 `onmessage`를 통해 비동기적으로 데이터를 주고받아 결합도를 낮춥니다.
+- **메시징 기반 통신 (Messaging [[Architecture]])**: `postMessage`와 `onmessage`를 통해 비동기적으로 데이터를 주고받아 결합도를 낮춥니다.
## 💡 레슨 런 (Lesson Learned)
> [!IMPORTANT]
diff --git a/10_Wiki/Topics/02_Architecture_Principles/API_Communication_Patterns.md b/10_Wiki/Topics/02_Architecture_Principles/API_Communication_Patterns.md
index 07b8125c..96b98154 100644
--- a/10_Wiki/Topics/02_Architecture_Principles/API_Communication_Patterns.md
+++ b/10_Wiki/Topics/02_Architecture_Principles/API_Communication_Patterns.md
@@ -1,6 +1,6 @@
---
title: 효율적인 API 통신 패턴 (Axios & Interceptors)
-category: Software Architecture
+category: Software [[Architecture]]
tags: [API, Axios, Interceptor, Error Handling, Network]
created: 2026-04-20
---
@@ -22,5 +22,5 @@ created: 2026-04-20
- 모든 통신에 Axios가 정답은 아니다. 브라우저 네이티브인 `fetch`로도 충분한 경우가 많으며, 라이브러리 의존성을 낮추는 것이 가벼운 앱을 만드는 첫걸음일 수 있다.
## 🔗 지식 연결 (Graph)
-- Related: [[System_Protocol_Standard]] , [[React_State_Management_Strategy]]
+- Related: [[System_Protocol_Standard]] , [[React_[[State]]_[[Management]]_Strategy]]
- Foundation: [[Reliability_Safety_First]]
diff --git a/10_Wiki/Topics/02_Architecture_Principles/Component_Design_Patterns.md b/10_Wiki/Topics/02_Architecture_Principles/Component_Design_Patterns.md
index 800cc8bd..ad02b46e 100644
--- a/10_Wiki/Topics/02_Architecture_Principles/Component_Design_Patterns.md
+++ b/10_Wiki/Topics/02_Architecture_Principles/Component_Design_Patterns.md
@@ -1,7 +1,7 @@
---
title: 컴포넌트 설계 패턴 (Atomic & Composition)
-category: Software Architecture
-tags: [Design Pattern, Atomic Design, Composition, Architecture]
+category: Software [[Architecture]]
+tags: [Design Pattern, [[Atomic Design]], Composition, Architecture]
created: 2026-04-20
---
@@ -12,9 +12,9 @@ created: 2026-04-20
## 📖 구조화된 지식 (Synthesized Content)
- **Container-Presenter 패턴**:
- - **Container**: 데이터(State, API)를 가져오고 관리하는 '머리'.
+ - **Container**: 데이터([[State]], API)를 가져오고 관리하는 '머리'.
- **Presenter**: 오직 Props만 받아 화면을 그리는 '몸통'. 스타일과 UI 구조에만 집중하여 테스트 가능성을 높인다.
-- **Compound Components (복합 컴포넌트)**:
+- **[[Compound Components]] (복합 컴포넌트)**:
- ` ` 처럼 부모와 자식이 상태를 공유하며 하나의 긴밀한 기능을 수행하는 패턴. 사용자가 UI 구조를 자유롭게 배치할 수 있게 유연성을 제공한다.
- **Atomic Design (원자 중심 설계)**:
- Atom(버튼, 입력창) $\rightarrow$ Molecule(검색바) $\rightarrow$ Organism(헤더) $\rightarrow$ Template $\rightarrow$ Page.
diff --git a/10_Wiki/Topics/02_Architecture_Principles/Separation_of_Concerns.md b/10_Wiki/Topics/02_Architecture_Principles/Separation_of_Concerns.md
index e57cf8eb..de2734ef 100644
--- a/10_Wiki/Topics/02_Architecture_Principles/Separation_of_Concerns.md
+++ b/10_Wiki/Topics/02_Architecture_Principles/Separation_of_Concerns.md
@@ -1,6 +1,6 @@
---
-title: 시스템 아키텍처와 관심사 분리 (Separation of Concerns)
-category: Software Architecture
+title: 시스템 아키텍처와 관심사 분리 ([[Separation of Concerns]])
+category: Software [[Architecture]]
tags: [Architecture, SoC, Modular Design, Design Pattern]
created: 2026-04-20
---
@@ -11,8 +11,8 @@ created: 2026-04-20
복잡한 소프트웨어 시스템을 역할별로 구분된 독립적인 모듈로 나누어, 유지보수성과 확장성을 극대화하는 설계 철학입니다.
## 🚀 계층구조 예시 (Layering Example)
-1. **Logic Engine**: 순수 비즈니스 로직 및 규칙 수행 (예: `gameWorker.js`)
-2. **State Manager**: 데이터의 중앙 집중 처리 (예: `TetrisGame.jsx`)
+1. **[[Logic]] Engine**: 순수 비즈니스 로직 및 규칙 수행 (예: `gameWorker.js`)
+2. **[[State]] Manager**: 데이터의 중앙 집중 처리 (예: `TetrisGame.jsx`)
3. **View Layer**: 사용자 인터페이스 표현 및 렌더링 (예: React Components)
## 💡 레슨 런 (Lesson Learned)
diff --git a/10_Wiki/Topics/02_Architecture_Principles/Single_Source_of_Truth.md b/10_Wiki/Topics/02_Architecture_Principles/Single_Source_of_Truth.md
index d62c92be..1cfcef47 100644
--- a/10_Wiki/Topics/02_Architecture_Principles/Single_Source_of_Truth.md
+++ b/10_Wiki/Topics/02_Architecture_Principles/Single_Source_of_Truth.md
@@ -1,7 +1,7 @@
---
-title: 상태 관리의 단일 진실 공급원 (Single Source of Truth)
-category: Software Architecture
-tags: [State Management, Data Consistency, Redux, Architecture]
+title: 상태 관리의 단일 진실 공급원 ([[Single Source of Truth]])
+category: Software [[Architecture]]
+tags: [[[State]] [[Management]], Data Consistency, Redux, Architecture]
created: 2026-04-20
---
@@ -10,7 +10,7 @@ created: 2026-04-20
## 🎯 개요 (Overview)
시스템의 핵심 데이터를 중앙 집중식으로 관리하여, 데이터 불일치(Inconsistency) 현상을 원천 차단하고 예측 가능한 데이터 흐름을 확보하는 설계 원칙입니다.
-## 🚀 주요 원칙 (Key Principles)
+## 🚀 주요 원칙 (Key [[Principles]])
- **단일 지점 정의 (Defined at Single Point)**: 상태는 오직 한 곳에서만 정의되고 관리되어야 합니다.
- **예측 가능성 (Predictability)**: 상태 변경은 정해진 규칙(Action/Setter)을 통해서만 발생하여 디버깅을 용이하게 합니다.
diff --git a/10_Wiki/Topics/02_Architecture_Principles/Systemic_Simulation_Principles.md b/10_Wiki/Topics/02_Architecture_Principles/Systemic_Simulation_Principles.md
index 3cf8eceb..894916cb 100644
--- a/10_Wiki/Topics/02_Architecture_Principles/Systemic_Simulation_Principles.md
+++ b/10_Wiki/Topics/02_Architecture_Principles/Systemic_Simulation_Principles.md
@@ -1,7 +1,7 @@
---
title: 시스템 시뮬레이션 설계 원리
-category: Systemic Modeling & Fun
-tags: [Simulation, Physics Engine, Systemic Modeling, Ruleset]
+category:[[ system]]ic Modeling & Fun
+tags: [Simulation, [[Physics]] Engine, Systemic Modeling, Ruleset]
created: 2026-04-20
---
diff --git a/10_Wiki/Topics/03_DevOps_Environment/Deployment_Final_Gate.md b/10_Wiki/Topics/03_DevOps_Environment/Deployment_Final_Gate.md
index 7196cc46..f00857f0 100644
--- a/10_Wiki/Topics/03_DevOps_Environment/Deployment_Final_Gate.md
+++ b/10_Wiki/Topics/03_DevOps_Environment/Deployment_Final_Gate.md
@@ -1,7 +1,7 @@
---
title: 배포 프로토콜 및 CI/CD 자동화
-category: Software Architecture
-tags: [Deployment, CI/CD, GitHub Actions, Vercel, DevOps]
+category: Software [[Architecture]]
+tags: [Deployment, CI/CD, [[GitHub Actions]], Vercel, DevOps]
created: 2026-04-20
---
@@ -23,4 +23,4 @@ created: 2026-04-20
## 🔗 지식 연결 (Graph)
- Related: [[Modern_Environment_Ecosystem]] , [[Collaboration_Governance]]
-- Pre-requisite: [[React_Testing_Strategy]]
+- Pre-requisite: [[React_[[Testing]]_Strategy]]
diff --git a/10_Wiki/Topics/03_DevOps_Environment/DevOps_Environment_Setup.md b/10_Wiki/Topics/03_DevOps_Environment/DevOps_Environment_Setup.md
index c24517d5..425f2fcf 100644
--- a/10_Wiki/Topics/03_DevOps_Environment/DevOps_Environment_Setup.md
+++ b/10_Wiki/Topics/03_DevOps_Environment/DevOps_Environment_Setup.md
@@ -1,7 +1,7 @@
---
title: 개발 환경 및 실행 프로세스 관리 (DevOps & Setup)
category: DevOps
-tags: [DevOps, Environment, CI/CD, Process Management]
+tags: [DevOps, Environment, CI/CD, Process [[Management]]]
created: 2026-04-20
---
diff --git a/10_Wiki/Topics/03_DevOps_Environment/Git_Operation_Protocol.md b/10_Wiki/Topics/03_DevOps_Environment/Git_Operation_Protocol.md
index 1389de3f..cc502623 100644
--- a/10_Wiki/Topics/03_DevOps_Environment/Git_Operation_Protocol.md
+++ b/10_Wiki/Topics/03_DevOps_Environment/Git_Operation_Protocol.md
@@ -1,4 +1,4 @@
-# 🛠️ Git Operation & Work Log Protocol (Git 작업 및 기록 지침)
+# 🛠️ Git [[Opera]]tion & Work Log Protocol (Git 작업 및 기록 지침)
> **카테고리**: 03_DevOps_Environment, Automation
> **상태**: 🟢 활성화 (Active)
@@ -9,7 +9,7 @@
## 📌 개요 (Overview)
본 문서는 Skybound 프로젝트를 포함한 4개 주요 개발 거점의 원격 저장소 동기화 정합성을 유지하고, 모든 AI 작업 과정을 체계적으로 문서화하기 위한 Git 운영 규정 및 작업 로그(Work Log) 시스템을 정의한다.
-## 🔗 프로젝트별 Git 맵핑 (Repository Mapping)
+## 🔗 프로젝트별 Git 맵핑 ([[Repository]] Mapping)
대표님의 명령 한마디로 정확한 경로에서 작업을 수행하기 위해 각 폴더별로 독립적인 Git 설정을 유지한다.
| 프로젝트 | 로컬 경로 | 원격 저장소 (Remote URL) | 리모트 명칭 |
@@ -17,7 +17,7 @@
| **Wiki (2nd)** | `E:\Wiki\2nd` | `https://github.com/wonseokjung/solopreneur-ai-agents.git` | `lm_sync` |
| **Skybound** | `E:\Wiki\skybound` | `https://github.com/wonseokjung/skybound-protocol.git` | `origin` |
| **Legal** | `E:\Wiki\legal-bridge` | `https://github.com/wonseokjung/legal-bridge.git` | `origin` |
-| **Agent** | `E:\Wiki\auto-research-agent`| `https://github.com/wonseokjung/auto-research-agent.git` | `origin` |
+| **Agent** | `E:\Wiki\auto-[[Research]]-agent`| `https://github.com/wonseokjung/auto-re[[Search]]-agent.git` | `origin` |
## 🛠️ 운영 지침 (Operational Guidelines)
@@ -37,7 +37,7 @@
- **Result**: 최종 결과 및 관련 연결 지식.
### 3. 위키화 (Wikification)
-- `00_Raw`에 축적된 로그는 주기적으로 `10_Wiki\Topics` 하위 카테고리로 고도화(Refinement)되어 이동된다.
+- `00_Raw`에 축적된 로그는 주기적으로 `10_Wiki\Topics` 하위 카테고리로 고도화([[Refinement]])되어 이동된다.
- 위키화가 완료된 원본 로그는 삭제하여 지식 베이스의 정결성을 유지한다.
## 🚀 기대 효과
diff --git a/10_Wiki/Topics/03_DevOps_Environment/Modern_Environment_Ecosystem.md b/10_Wiki/Topics/03_DevOps_Environment/Modern_Environment_Ecosystem.md
index ed392e47..9097a48b 100644
--- a/10_Wiki/Topics/03_DevOps_Environment/Modern_Environment_Ecosystem.md
+++ b/10_Wiki/Topics/03_DevOps_Environment/Modern_Environment_Ecosystem.md
@@ -1,7 +1,7 @@
---
title: 모던 개발 환경 및 프레임워크 생태계
-category: Software Architecture
-tags: [Vite, Next.js, Ecosystem, Modern Stack]
+category: Software [[Architecture]]
+tags: [Vite, [[Next.js]], Ecosystem, Modern Stack]
created: 2026-04-20
---
@@ -16,7 +16,7 @@ created: 2026-04-20
- **Framework: Next.js (The Fullstack Edge)**:
- 단순히 SEO를 위한 SSR 도구가 아니다. API Routes를 통한 서버리스 함수 구현, 데이터 캐싱 전략(ISR/SSG) 등 현대 웹이 요구하는 거의 모든 기능을 탑재한 '거버넌스' 그 자체다.
- **패키지 매니저의 선택**:
- - `pnpm` 또는 `npm v7+`의 워크스페이스 기능을 통해 모노레포(Monorepo) 구조를 효율적으로 관리하고, 패키지 중복 설치를 최소화하여 빌드 성능을 최적화한다.
+ - `pnpm` 또는 `npm v7+`의 워크스페이스 기능을 통해 모노레포([[Monorepo]]) 구조를 효율적으로 관리하고, 패키지 중복 설치를 최소화하여 빌드 성능을 최적화한다.
## ⚠️ 모순 및 업데이트 (RL Update)
- 최신 기술이 항상 정답은 아니다. 안정성이 최우선인 기업 환경에서는 검증된 `CRA` 혹은 `Webpack` 기반의 설정을 유지하는 것이 보수적인 면에서 유리할 수 있다. 기술 부채(Tech Debt)와 도입 비용을 항상 저울질하라.
diff --git a/10_Wiki/Topics/03_DevOps_Environment/Tetris_Project_Retrospective.md b/10_Wiki/Topics/03_DevOps_Environment/Tetris_Project_Retrospective.md
index 7fe8fa68..9c5b3312 100644
--- a/10_Wiki/Topics/03_DevOps_Environment/Tetris_Project_Retrospective.md
+++ b/10_Wiki/Topics/03_DevOps_Environment/Tetris_Project_Retrospective.md
@@ -1,21 +1,21 @@
---
title: 프로젝트 회고: 고성능 테트리스 아키텍처
category: Projects
-tags: [Retrospective, Tetris, Architecture, Performance]
+tags: [Retrospective, Tetris, [[Architecture]], Performance]
created: 2026-04-20
---
-# 프로젝트 회고: 고성능 테트리스 아키텍처 (P-Reinforce)
+# 프로젝트 회고: 고성능 테트리스 아키텍처 ([[P-Reinforce]])
## 🌊 프로젝트 아키텍처 요약
본 프로젝트는 **Web Worker**를 활용한 완전한 연산-렌더링 분리를 실현하여, 실시간 게임 환경에서 극강의 부드러움을 확보하는 데 성공했습니다.
### 🧩 컴포넌트별 기술적 역할
- **Game Engine**: 물리 계산 및 상태 전이 (`public/gameWorker.js`).
-- **State Manager**: UI의 유일한 진실 공급원 (`src/App.js`).
+- **[[State]] Manager**: UI의 유일한 진실 공급원 (`src/App.js`).
- **Renderer**: Props 기반의 순수 매핑 렌더러 (`src/components/GameBoard.jsx`).
-## ⚠️ 핵심 교훈 (Lessons Learned)
+## ⚠️ 핵심 교훈 ([[Lessons Learned]])
> [!IMPORTANT]
> **"논리가 완벽해도 실행 환경이 무너지면 아무 의미가 없다."**
> 아키텍처 설계만큼이나 '파일 무결성 검증'과 '환경 재설정 루틴'이 개발 생산성에 지대한 영향을 미친다는 것을 확인했습니다.
diff --git a/10_Wiki/Topics/04_Governance_Reliability/Accessibility_Inclusivity.md b/10_Wiki/Topics/04_Governance_Reliability/Accessibility_Inclusivity.md
index c6af0e18..f251ec77 100644
--- a/10_Wiki/Topics/04_Governance_Reliability/Accessibility_Inclusivity.md
+++ b/10_Wiki/Topics/04_Governance_Reliability/Accessibility_Inclusivity.md
@@ -1,7 +1,7 @@
---
title: 웹 접근성 및 포용적 설계 (a11y)
-category: Software Architecture
-tags: [Accessibility, a11y, Semantic HTML, Inclusivity]
+category: Software [[Architecture]]
+tags: [[[Accessibility]], a11y, Semantic HTML, Inclusivity]
created: 2026-04-20
---
@@ -13,7 +13,7 @@ created: 2026-04-20
## 📖 구조화된 지식 (Synthesized Content)
- **Semantic HTML (의미론적 태그)**:
- `
`로만 도배하지 마라. `
`, ``, ``, `` 등 의미가 담긴 태그를 써야 기계(스크린 리더)와 검색 엔진이 내 콘텐츠의 중요도를 파악한다.
-- **ARIA & States**:
+- **ARIA & [[State]]s**:
- 표준 HTML로 설명이 불가능한 인터랙션(예: 커스텀 탭 메뉴)은 `aria-label`, `aria-hidden` 등을 통해 기계에게 보조 설명을 전한다.
- **Keyboard Navigation**:
- 마우스 없이 `Tab` 키와 `Enter` 키만으로 내 앱의 모든 핵심 기능을 수행할 수 있는지 검증하라. 포커스링을 숨기지 마라. 누군가에게는 유일한 가이드라인이다.
diff --git a/10_Wiki/Topics/04_Governance_Reliability/Collaboration_Governance.md b/10_Wiki/Topics/04_Governance_Reliability/Collaboration_Governance.md
index 6dbed316..783de79c 100644
--- a/10_Wiki/Topics/04_Governance_Reliability/Collaboration_Governance.md
+++ b/10_Wiki/Topics/04_Governance_Reliability/Collaboration_Governance.md
@@ -1,7 +1,7 @@
---
title: 협업 가이드라인 및 코드 거버넌스
-category: Software Architecture
-tags: [Collaboration, PR, Code Review, Documentation, Governance]
+category: Software [[Architecture]]
+tags: [Collaboration, PR, [[Code Review]], Documentation, Governance]
created: 2026-04-20
---
@@ -11,7 +11,7 @@ created: 2026-04-20
> 코드는 혼자 쓰는 일기장이 아니라 함께 짓는 건축물이다. 동료의 시간을 아껴주는 문서화와 소통 방식이 당신의 가치를 증명한다.
## 📖 구조화된 지식 (Synthesized Content)
-- **Pull Request (PR) 에티켓**:
+- **[[Pull Request (PR)]] 에티켓**:
- "이거 고쳤습니다"는 최악의 PR이다. 무엇을(What), 왜(Why), 어떻게(How) 했는지 명시하고 가능한 시각적 결과물(스크린샷, GIF)을 첨부하여 리뷰어의 인지 부하를 줄여라.
- **Code Review Protocol**:
- P1(필수 반영), P2(권장), P3(질문/의견) 식으로 중요도를 표시하라. 비판은 날카롭게 하되 표현은 따뜻하게 하여 팀의 심리적 안정성을 유지하라.
diff --git a/10_Wiki/Topics/04_Governance_Reliability/Reliability_Safety_First.md b/10_Wiki/Topics/04_Governance_Reliability/Reliability_Safety_First.md
index f764ec90..e4937fe7 100644
--- a/10_Wiki/Topics/04_Governance_Reliability/Reliability_Safety_First.md
+++ b/10_Wiki/Topics/04_Governance_Reliability/Reliability_Safety_First.md
@@ -1,7 +1,7 @@
---
title: 애플리케이션 안정성 및 로깅 (Error Boundary)
-category: Software Architecture
-tags: [Reliability, Error Boundary, Sentry, Logging, Stability]
+category: Software [[Architecture]]
+tags: [[[Reliability]], Error Boundary, Sentry, Logging, [[Stability]]]
created: 2026-04-20
---
@@ -24,5 +24,5 @@ created: 2026-04-20
- 모든 곳에 에러 바운더리를 칠 필요는 없다. 데이터와 UI가 1:1로 매칭되는 구조라면 차라리 상위에서 에러를 처리하는 것이 논리적으로 명확할 수 있다.
## 🔗 지식 연결 (Graph)
-- Related: [[System_Debugging_Protocol]] , [[React_Testing_Strategy]]
+- Related: [[System_Debugging_Protocol]] , [[React_[[Testing]]_Strategy]]
- Foundation: [[System_Protocol_Standard]]
diff --git a/10_Wiki/Topics/04_Governance_Reliability/Styling_Governance.md b/10_Wiki/Topics/04_Governance_Reliability/Styling_Governance.md
index 4d7e38ec..f69ea5ff 100644
--- a/10_Wiki/Topics/04_Governance_Reliability/Styling_Governance.md
+++ b/10_Wiki/Topics/04_Governance_Reliability/Styling_Governance.md
@@ -1,7 +1,7 @@
---
title: 스타일 거버넌스 및 디자인 시스템
-category: Software Architecture
-tags: [Styling, Tailwind, CSS-in-JS, Design System, Responsive]
+category: Software [[Architecture]]
+tags: [Styling, Tailwind, [[CSS-in-JS]], Design[[ system]], Responsive]
created: 2026-04-20
---
@@ -11,11 +11,11 @@ created: 2026-04-20
> 디자인은 '예쁜 픽셀'이 아니라 '일관된 약속'이다. 단 하나의 변수가 바뀌었을 때 전체 앱의 조화가 유지되는 구조가 진짜 디자인 시스템이다.
## 📖 구조화된 지식 (Synthesized Content)
-- **Design Tokens (디자인 토큰)**:
+- **[[Design Tokens]] (디자인 토큰)**:
- 색상(#FF0000 -> `brand-primary`), 여백(16px -> `spacing-md`)을 추상화된 이름으로 정의하라. 그래야 브랜드 리뉴얼 시 코드 한 줄로 대응 가능하다.
- **Utility-First vs Runtime Style**:
- - **Tailwind CSS**: 클래스명으로 스타일을 정의하여 런타임 오버헤드가 없고 개발 속도가 압도적이다.
- - **Styled-components**: 컴포넌트 중심의 의미론적 스타일링과 동적 Props 처리에 강점이 있다.
+ - **[[Tailwind CSS]]**: 클래스명으로 스타일을 정의하여 런타임 오버헤드가 없고 개발 속도가 압도적이다.
+ - **[[styled-components]]**: 컴포넌트 중심의 의미론적 스타일링과 동적 Props 처리에 강점이 있다.
- **Mobile First Responsive**:
- 작은 화면부터 디자인을 시작하여 넓은 화면으로 확장하라. 이것이 CSS 코드를 30% 이상 줄이는 지름길이다.
diff --git a/10_Wiki/Topics/04_Governance_Reliability/System_Debugging_Protocol.md b/10_Wiki/Topics/04_Governance_Reliability/System_Debugging_Protocol.md
index 22e46087..974cff2c 100644
--- a/10_Wiki/Topics/04_Governance_Reliability/System_Debugging_Protocol.md
+++ b/10_Wiki/Topics/04_Governance_Reliability/System_Debugging_Protocol.md
@@ -1,6 +1,6 @@
---
title: 단계별 시스템 디버깅 체크리스트 (L1~L3)
-category: Software Architecture
+category: Software [[Architecture]]
tags: [Debugging, Troubleshooting, Checklist, Process]
created: 2026-04-20
---
diff --git a/10_Wiki/Topics/04_Governance_Reliability/System_Protocol_Standard.md b/10_Wiki/Topics/04_Governance_Reliability/System_Protocol_Standard.md
index 9cee6e28..f6cf428e 100644
--- a/10_Wiki/Topics/04_Governance_Reliability/System_Protocol_Standard.md
+++ b/10_Wiki/Topics/04_Governance_Reliability/System_Protocol_Standard.md
@@ -1,7 +1,7 @@
---
title: 표준 시스템 통신 프로토콜 및 상태 제어
-category: Software Architecture
-tags: [Protocol, State Machine, Data Exchange, Lifecycle]
+category: Software [[Architecture]]
+tags: [Protocol, [[State]] Machine, Data Exchange, Lifecycle]
created: 2026-04-20
---
@@ -16,7 +16,7 @@ created: 2026-04-20
- `UPDATE`: 엔진 계산 결과의 브로드캐스트.
## 🔄 시스템 생명 주기 (Life Cycle)
-시스템은 [초기화 $\rightarrow$ 활성 루프 $\rightarrow$ 종료/정리]의 명확한 단계를 거쳐야 리소스 누수(Memory Leak)를 방지할 수 있습니다.
+시스템은 [초기화 $\rightarrow$ 활성 루프 $\rightarrow$ 종료/정리]의 명확한 단계를 거쳐야 리소스 누수([[memory]] Leak)를 방지할 수 있습니다.
## 🚨 상태 머신 (State Machine) 도입
시스템 복잡도가 임계치를 넘을 경우, `READY`, `RUNNING`, `PAUSED` 등 상태를 명시적으로 제어하는 **State Machine** 적용을 원칙으로 삼습니다.
diff --git a/10_Wiki/Topics/10v10 대규모 멀티플레이어.md b/10_Wiki/Topics/10v10 대규모 멀티플레이어.md
index 2b1c6940..e870bf03 100644
--- a/10_Wiki/Topics/10v10 대규모 멀티플레이어.md
+++ b/10_Wiki/Topics/10v10 대규모 멀티플레이어.md
@@ -6,8 +6,8 @@ converted_at: 2026-04-28
# 10v10 대규모 멀티플레이어
-## 📌 Brief Summary
-10v10 대규모 멀티플레이어는 WARNO에서 최대 20명의 플레이어가 동시에 참여하여 거대한 스펙터클과 혼란을 만들어내는 대규모 전술 게임 모드입니다 [1]. 이 모드에서는 유닛과 플레이어의 밀도가 매우 높아 강력한 포격과 촘촘한 방공망이 형성되며, 플레이어는 전장 전체가 아닌 특정 구역에 집중하여 전투를 수행할 수 있습니다 [1]. WARNO의 기반인 Iriszoom 엔진은 수백 개의 유닛이 기동하고 파괴되는 이러한 극단적인 환경 속에서도 4K 해상도와 풀 옵션을 안정적으로 유지할 수 있는 고도의 데이터 최적화 성능을 자랑합니다 [2, 3].
+## 📌[[ brief]] Summary
+10v10 대규모 멀티플레이어는 [[WARNO]]에서 최대 20명의 플레이어가 동시에 참여하여 거대한 스펙터클과 혼란을 만들어내는 대규모 전술 게임 모드입니다 [1]. 이 모드에서는 유닛과 플레이어의 밀도가 매우 높아 강력한 포격과 촘촘한 방공망이 형성되며, 플레이어는 전장 전체가 아닌 특정 구역에 집중하여 전투를 수행할 수 있습니다 [1]. WARNO의 기반인 Iriszoom 엔진은 수백 개의 유닛이 기동하고 파괴되는 이러한 극단적인 환경 속에서도 4K 해상도와 풀 옵션을 안정적으로 유지할 수 있는 고도의 데이터 최적화 성능을 자랑합니다 [2, 3].
## 📖 Core Content
* **엔진 최적화 및 시각 데이터 처리:** 10v10 멀티플레이어 매치는 시스템에 엄청난 부하를 주지만, Iriszoom 엔진은 이를 원활하게 처리하도록 설계되었습니다 [2]. 수백 개의 개별 유닛이 동시에 전장에서 충돌하고 파괴되는 10 대 10 환경에서도 게임은 4K 해상도와 풀 옵션 설정에서 안정적인 성능을 보여줍니다 [3]. 또한 네이팜, 연막, 폭발 등의 시각적 효과 데이터가 10v10 모드에서도 효과가 종료되기 전에 사라지지 않고 명확하게 렌더링되도록 최적화되었습니다 [4].
diff --git a/10_Wiki/Topics/2026년 인공지능 시각 언어 생성 패러다임 전환 및 연속적 창작 워크플로우.md b/10_Wiki/Topics/2026년 인공지능 시각 언어 생성 패러다임 전환 및 연속적 창작 워크플로우.md
index 34d9e7bb..57348b58 100644
--- a/10_Wiki/Topics/2026년 인공지능 시각 언어 생성 패러다임 전환 및 연속적 창작 워크플로우.md
+++ b/10_Wiki/Topics/2026년 인공지능 시각 언어 생성 패러다임 전환 및 연속적 창작 워크플로우.md
@@ -1,11 +1,11 @@
# [[2026년 인공지능 시각 언어 생성 패러다임 전환 및 연속적 창작 워크플로우]]
-## 📌 Brief Summary
-2026년의 인공지능 시각 언어 생성 기술은 단발성 이미지 추출에서 벗어나, 인간과 AI 에이전트가 긴밀하게 협업하는 '연속적 창작 워크플로우'의 패러다임으로 진화하였다 [1, 2]. 미드저니 V7의 드래프트 모드(Draft Mode)나 옴니 참조(Omni Reference)와 같은 기술의 도입으로 아이디어의 고속 대량 생산, 시각적 정체성의 일관성 유지, 정교한 사후 편집이 맞물린 체계적 작업이 가능해졌다 [3-5]. 이에 따라 이미지 프롬프트 작성법 역시 단순한 단어의 나열을 넘어, 카메라 물리 법칙이나 조명 과학 등의 시각적 전문 지식을 반영하고 각 AI 모델의 고유한 통제 언어를 다루는 고도화된 프롬프트 엔지니어링으로 격상되었다 [2, 6].
+## 📌[[ brief]] Summary
+2026년의 인공지능 시각 언어 생성 기술은 단발성 이미지 추출에서 벗어나, 인간과 AI 에이전트가 긴밀하게 협업하는 '연속적 창작 워크플로우'의 패러다임으로 진화하였다 [1, 2]. 미드저니 V7의 드래프트 모드(Draft Mode)나 옴니 참조([[Omni Reference]])와 같은 기술의 도입으로 아이디어의 고속 대량 생산, 시각적 정체성의 일관성 유지, 정교한 사후 편집이 맞물린 체계적 작업이 가능해졌다 [3-5]. 이에 따라 이미지 프롬프트 작성법 역시 단순한 단어의 나열을 넘어, 카메라 물리 법칙이나 조명 과학 등의 시각적 전문 지식을 반영하고 각 AI 모델의 고유한 통제 언어를 다루는 고도화된 프롬프트 엔지니어링으로 격상되었다 [2, 6].
## 📖 Core Content
* **프롬프트 엔지니어링의 구조화 및 전문화**
- 성공적인 시각 언어 생성 프롬프트는 인공지능의 신경망 구조에 부합하도록 주체(Subject), 매체(Medium), 환경(Environment), 조명(Lighting), 기술적 매개변수(Parameters) 등 5가지 핵심 층위로 구성된다 [7, 8]. 특히 2026년에는 '85mm 렌즈', '얕은 피사계 심도' 같은 렌즈 물리학이나, '볼륨메트릭 라이팅(Volumetric Lighting)', '치아로스쿠로(Chiaroscuro)' 같은 조명 과학 기반의 정밀 키워드가 이미지의 깊이와 서사를 결정짓는 핵심 수단으로 활용된다 [6, 9].
+ 성공적인 시각 언어 생성 프롬프트는 인공지능의 신경망 구조에 부합하도록 주체(Subject), 매체(Medium), 환경(Environment), 조명(Lighting), 기술적 매개변수([[Parameter]]s) 등 5가지 핵심 층위로 구성된다 [7, 8]. 특히 2026년에는 '85mm 렌즈', '얕은 피사계 심도' 같은 렌즈 물리학이나, '볼륨메트릭 라이팅(Volumetric Lighting)', '치아로스쿠로(Chiaroscuro)' 같은 조명 과학 기반의 정밀 키워드가 이미지의 깊이와 서사를 결정짓는 핵심 수단으로 활용된다 [6, 9].
* **연속적 창작 워크플로우와 드래프트 모드(Draft Mode)의 정착**
이미지 생성의 개념은 한 번에 완벽한 결과물을 얻는 것에서, 여러 시안을 탐색하고 정교화하는 반복적인 디자인 리뷰 루프(Design Review Loop)로 변화했다 [3, 10]. 미드저니 V7에 도입된 드래프트 모드는 기존 대비 약 10배 빠른 속도와 절반의 GPU 비용으로 아이디어를 시각화하며, 사용자가 유망한 구도를 선택해 고품질로 승격시키는 프로세스를 가능하게 했다 [1, 3, 4]. 또한, 생성 이후에도 인페인팅(Vary Region)이나 줌 아웃(Zoom Out)을 활용해 기존 맥락을 유지하면서 이미지를 부분 수정하거나 공간을 논리적으로 확장하는 사후 편집이 필수적인 단계로 자리 잡았다 [11-13].
@@ -13,16 +13,16 @@
* **모델별 맞춤형 프롬프트 제어와 참조 기능**
각 AI 플랫폼의 특성 및 구조적 '방언'에 맞춘 프롬프트 접근이 요구된다 [14].
* **미드저니(Midjourney):** 미학적 결과물 도출에 특화되어 있으며, 2026년 V7 모델의 핵심인 `--sref`(스타일 참조)와 `--oref`(옴니 참조) 매개변수를 통해 특정 캐릭터나 사물의 형태, 브랜드의 미학적 정체성을 여러 프롬프트에 걸쳐 일관되게 재현할 수 있다 [4, 5, 15, 16].
- * **스테이블 디퓨전(Stable Diffusion):** `(keyword:factor)` 형식의 가중치 부여 문법과 통제된 부정 프롬프트(Negative Prompt)를 통해, 해부학적 왜곡이나 불필요한 시각적 노이즈를 픽셀 단위로 차단하는 정밀한 제어가 가능하다 [17-19].
+ * **스테이블 디퓨전(Stable Diffusion):** `(keyword:factor)` 형식의 가중치 부여 문법과 통제된 부정 프롬프트(Negative [[prompt]])를 통해, 해부학적 왜곡이나 불필요한 시각적 노이즈를 픽셀 단위로 차단하는 정밀한 제어가 가능하다 [17-19].
* **DALL-E 3:** 대화형 GPT-4의 상호작용을 통해 복잡한 다중 객체의 배치나 오타 없는 정확한 텍스트 렌더링에서 우수한 성능을 보여주며, 자연어에 강하게 의존한다 [20, 21].
* **에이전틱 크리에이티브(Agentic Creative) 패러다임의 도래**
AI가 인간의 능력을 보조하는 것을 넘어 주도적으로 협력하는 2026년 '에이전틱 AI(Agentic AI)' 트렌드와 결합하여, 창작 환경에도 거대한 변화가 일어났다 [2, 22, 23]. 인간 창작자가 추상적인 비전을 제시하면, AI 에이전트가 이를 모델별 최적의 기술적 언어로 번역하고 대량의 시안을 자율적으로 생성하는 '에이전틱 크리에이티브' 시대가 열리며 소프트웨어적 상호작용 방식이 근본적으로 재정의되고 있다 [2, 24].
## 🔗 Knowledge Connections
-- **Related Topics:** `[[프롬프트 계층 구조(Prompt Hierarchical Structure)]]`, `[[매개변수 제어(Parameter Control)]]`, `[[부정 프롬프트(Negative Prompt)]]`, `[[에이전틱 AI(Agentic AI)]]`
-- **Projects/Contexts:** `[[미드저니 V7 드래프트 모드(Midjourney V7 Draft Mode)]]`, `[[옴니 참조(Omni Reference, --oref)]]`, `[[에이전틱 크리에이티브(Agentic Creative)]]`
+- **Related Topics:** `[[프롬프트 계층 구조(Prompt Hierarchical Structure)]]`, `[[매개변수 제어([[Parameter Control]])]]`, `[[부정 프롬프트(Negative Prompt)]]`, `[[에이전틱 AI(Agentic AI)]]`
+- **Projects/Contexts:** `[[미드저니 V7 드래프트 모드([[Midjourney V7 Draft Mode]])]]`, `[[옴니 참조(Omni [[Reference]], --oref)]]`, `[[에이전틱 크리에이티브(Agentic Creative)]]`
- **Contradictions/Notes:** 모델 아키텍처에 따라 '부정 지시어'를 처리하는 메커니즘에 뚜렷한 모순과 차이가 존재한다. 스테이블 디퓨전은 이미지의 해부학적 오류(예: extra fingers)나 저화질 요소를 제거하기 위해 명시적인 부정 프롬프트 작성이 필수적이지만 [17, 19, 25], DALL-E 3 모델은 "사용하지 말 것(no, without)"과 같은 부정 지시어를 오히려 해당 피사체를 그려내라는 의미로 오인하는 한계가 있어 모든 프롬프트를 긍정형으로 작성해야 한다 [21, 26]. 또한 미드저니 V7 모델은 시각적이고 미학적인 아이디어 탐색 워크플로우에는 최적화되어 있으나, 정확한 타이포그래피나 엄격한 레이아웃을 그대로 복제해야 하는 작업에는 적합하지 않다는 제한점이 관찰된다 [27, 28].
---
-*Last updated: 2026-04-30*
+*Last updated: [[2026-04-30]]*
diff --git a/10_Wiki/Topics/20k skinned instances demo.md b/10_Wiki/Topics/20k skinned instances demo.md
index fae4f311..1ecda64d 100644
--- a/10_Wiki/Topics/20k skinned instances demo.md
+++ b/10_Wiki/Topics/20k skinned instances demo.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AUTO-EB3F3C
+id: [[P-Reinforce]]-AUTO-EB3F3C
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.90
tags: [auto-reinforced]
@@ -10,17 +10,17 @@ github_commit: "[P-Reinforce] Continuous Worker - 20k skinned instances demo"
# [[20k skinned instances demo]]
## 📌 한 줄 통찰 (The Karpathy Summary)
-> '20k skinned instances demo'는 Three.js 기반의 오픈 소스 라이브러리인 InstancedMesh2를 활용하여 20,000개의 개별적인 스킨드 인스턴스(Skinned instances)를 동시에 렌더링하는 성능 최적화 데모입니다 [1, 2]. 이 데모는 모바일 기기에서도 3,000개의 인스턴스를 원활하게 구동할 수 있도록 설계되었습니다 [2]. 프러스텀 컬링, 거리 기반 애니메이션 프레임 조절, 다중 LOD(Level of Detail) 생성 등 다양한 최적화 기법을 적용하여 단 5번의 드로우 콜만으로 렌더링을 처리하는 것이 특징입니다 [2, 3].
+> '20k skinned instances demo'는 Three.js 기반의 오픈 소스 라이브러리인 [[InstancedMesh2]]를 활용하여 20,000개의 개별적인 스킨드 인스턴스(Skinned instances)를 동시에 렌더링하는 성능 최적화 데모입니다 [1, 2]. 이 데모는 모바일 기기에서도 3,000개의 인스턴스를 원활하게 구동할 수 있도록 설계되었습니다 [2]. 프러스텀 컬링, 거리 기반 애니메이션 프레임 조절, 다중 LOD(Level of Detail) 생성 등 다양한 최적화 기법을 적용하여 단 5번의 드로우 콜만으로 렌더링을 처리하는 것이 특징입니다 [2, 3].
## 📖 구조화된 지식 (Synthesized Content)
-이 데모는 제작자(agargaro)가 개발한 `instancedMesh2` 라이브러리를 기반으로 하며, 대규모 스킨드 메쉬를 렌더링하기 위해 다음과 같은 세부 최적화 기술들을 사용했습니다 [2].
+이 데모는 제작자(agargaro)가 개발한 `[[InstancedMesh]]2` 라이브러리를 기반으로 하며, 대규모 스킨드 메쉬를 렌더링하기 위해 다음과 같은 세부 최적화 기술들을 사용했습니다 [2].
-* **프러스텀 컬링 및 시야 기반 업데이트 (Frustum Culling & View-based Updates):**
+* **프러스텀 컬링 및 시야 기반 업데이트 ([[Frustum Culling]] & View-based Updates):**
기본적인 프러스텀 컬링을 적용하여 카메라 시야(Frustum) 내에 존재하는 인스턴스들에 대해서만 뼈대(Bones) 연산을 업데이트합니다 [2].
* **동적 애니메이션 프레임 제어:**
카메라와 각 인스턴스 간의 거리를 계산하여 애니메이션 FPS를 0에서 60 사이로 개별 설정함으로써 불필요한 연산을 줄입니다 [2].
* **LOD(Level of Detail)의 적극적 활용:**
- `meshoptimizer`를 활용해 5단계의 기하학적 LOD를 생성했습니다 [2]. 거리가 먼 인스턴스에 대해서는 일부 뼈대 계산을 생략하며, 각 LOD마다 1개의 드로우 콜(Draw Call)만 발생시켜 총 5개의 드로우 콜만으로 렌더링을 완료합니다 [2, 3]. 또한, 그림자(Shadows) 렌더링 시에도 LOD를 관리할 수 있도록 구성되어 있습니다 [4].
+ `meshoptimizer`를 활용해 5단계의 기하학적 LOD를 생성했습니다 [2]. 거리가 먼 인스턴스에 대해서는 일부 뼈대 계산을 생략하며, 각 LOD마다 1개의 드로우 콜([[Draw Call]])만 발생시켜 총 5개의 드로우 콜만으로 렌더링을 완료합니다 [2, 3]. 또한, 그림자(Shadows) 렌더링 시에도 LOD를 관리할 수 있도록 구성되어 있습니다 [4].
* **개별 애니메이션 지원:**
단일 인스턴스들의 복제본들이 모두 동일한 애니메이션과 포즈를 공유하는 것이 아니라, 각 인스턴스마다 서로 다른 애니메이션을 가집니다 [5, 6]. 이 데모에서는 하나의 애니메이션 믹서(Mixer)를 사용했지만, 필요에 따라 인스턴스별로 믹서를 생성할 수도 있습니다 [6].
diff --git a/10_Wiki/Topics/A-B-Testing-and-Data-Driven-UX.md b/10_Wiki/Topics/A-B-Testing-and-Data-Driven-UX.md
index eee099cd..67d8daa6 100644
--- a/10_Wiki/Topics/A-B-Testing-and-Data-Driven-UX.md
+++ b/10_Wiki/Topics/A-B-Testing-and-Data-Driven-UX.md
@@ -2,7 +2,7 @@
id: UX-DATA-TEST-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [ux, ab-testing, data-driven-design, cro, micro-conversions, product-growth]
+tags: [ux, ab-[[Testing]], data-driven-design, cro, micro-conversions, product-growth]
last_reinforced: 2026-04-26
---
@@ -12,11 +12,11 @@ last_reinforced: 2026-04-26
> "디자인의 주관적 미학을 통계적 객관성으로 치환하고, 사용자의 실제 행동 데이터를 나침반 삼아 비즈니스 전환율의 임계점을 돌파하라" — 가설을 검증하고 사용자 경험의 마찰을 수치로 정밀 타격하는 현대 프로덕트 성장의 핵심 엔진.
## 📖 구조화된 지식 (Synthesized Content)
-- **추출된 패턴:** "Empirical Validation and Iterative Optimization" — 직관이나 가정에 의존하는 대신, 트래픽을 대조군(Control)과 실험군(Test)으로 분리하여 특정 UI 변경이 미치는 인과관계를 데이터로 증명하는 패턴.
+- **추출된 패턴:** "Empirical Validation and Iterative [[Optimization]]" — 직관이나 가정에 의존하는 대신, 트래픽을 대조군(Control)과 실험군(Test)으로 분리하여 특정 UI 변경이 미치는 인과관계를 데이터로 증명하는 패턴.
- **핵심 방법론 및 도구:**
- **A/B & Multivariate Testing:** 단일 또는 다중 변수의 변경이 최종 전환율에 미치는 영향을 분리 및 검증.
- **Micro-conversions:** 최종 목표(구매 등) 이전의 행동(스크롤, 클릭, 시청)을 추적하여 사용자 의도 파악.
- - **Behavioral Analysis:** 히트맵(Heatmaps)과 세션 녹화(Session Recording)를 통해 정량적 지표 뒤에 숨겨진 정성적 마찰 지점 식별.
+ - **[[Behavior]]al [[Analysis]]:** 히트맵(Heatmaps)과 세션 녹화(Session Recording)를 통해 정량적 지표 뒤에 숨겨진 정성적 마찰 지점 식별.
- **Progressive Rollouts:** 리스크 최소화를 위해 신규 디자인을 특정 세그먼트에게만 점진적으로 노출.
- **의의:** 디자인 결정의 불확실성을 제거하고, 지속적인 실험 루프를 통해 제품의 비즈니스 가치를 과학적으로 극대화함.
@@ -25,5 +25,5 @@ last_reinforced: 2026-04-26
- **정책 변화:** Antigravity 프로젝트는 모든 주요 UI 변경 시 최소 10%의 트래픽에 대해 A/B 테스트를 선행하며, 데이터 기반의 근거 없이는 레이아웃 변경을 승인하지 않는 'Evidence-based Design' 정책을 고수함.
## 🔗 지식 연결 (Graph)
-- User-Centered-Design, Conversion-Rate-Optimization-CRO, [[Hypothesis-Testing]], Product-Management-Best-Practices
+- User-Centered-Design, Conversion-Rate-Optimization-CRO, [[Hypothesis-Testing]], Product-[[Management]]-Best-Practices
- **Raw Source:** 00_Raw/A-B 테스트 및 데이터 기반 UX 검증 환경.md
diff --git a/10_Wiki/Topics/ABA.md b/10_Wiki/Topics/ABA.md
index b13d6d07..8694a591 100644
--- a/10_Wiki/Topics/ABA.md
+++ b/10_Wiki/Topics/ABA.md
@@ -2,11 +2,11 @@
id: ABA-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [psychology, behavioral-science, reinforcement-learning, aba, pedagogy]
+tags: [[[Psychology]], [[Behavior]]al-science, [[Reinforcement-Learning]], aba, pedagogy]
last_reinforced: 2026-04-26
---
-# ABA (Applied Behavior Analysis, 응용 행동 분석)
+# ABA (Applied Behavior [[Analysis]], 응용 행동 분석)
## 📌 한 줄 통찰 (The Karpathy Summary)
> "행동의 원인을 분석하고, 보상 설계를 통해 바람직한 변화를 이끌어내라" — 행동주의 심리학에 근거하여 인간의 행동을 객관적으로 측정하고, 환경 조절과 강화를 통해 사회적으로 유의미한 행동 변화를 유도하는 과학적 방법론.
@@ -16,7 +16,7 @@ last_reinforced: 2026-04-26
- **핵심 요소:**
- **ABC Analysis:** 선행 사건(A), 행동(B), 결과(C)의 연쇄 고리 파악.
- **Positive Reinforcement:** 바람직한 행동 뒤에 보상을 주어 행동의 재발 확률을 높임.
- - **Prompting & Fading:** 초기에는 보조(Prompt)를 통해 행동을 유도하고, 점차 보조를 줄여 독립적 수행을 도움.
+ - **[[prompt]]ing & Fading:** 초기에는 보조(Prompt)를 통해 행동을 유도하고, 점차 보조를 줄여 독립적 수행을 도움.
- **Generalization:** 학습된 행동이 치료실 밖의 실제 환경에서도 유지되도록 유도.
- **의의:** 자폐 스펙트럼 장애 치료뿐만 아니라 조직 관리, 교육, 그리고 인공지능 에이전트의 보상 함수 설계에 광범위하게 응용됨.
diff --git a/10_Wiki/Topics/ADA-Website-Compliance.md b/10_Wiki/Topics/ADA-Website-Compliance.md
index bfba54b1..91078bb8 100644
--- a/10_Wiki/Topics/ADA-Website-Compliance.md
+++ b/10_Wiki/Topics/ADA-Website-Compliance.md
@@ -2,7 +2,7 @@
id: SYS-COMP-ACC-GLOBAL-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [accessibility, compliance, ada, eaa, wcag-2-2, pour-principles, digital-inclusive, legal-risk]
+tags: [[[Accessibility]], compliance, ada, eaa, wcag-2-2, pour-[[Principles]], digital-inclusive, legal-risk]
last_reinforced: 2026-04-26
---
diff --git a/10_Wiki/Topics/AGI.md b/10_Wiki/Topics/AGI.md
index b28f4b5f..30cc1e07 100644
--- a/10_Wiki/Topics/AGI.md
+++ b/10_Wiki/Topics/AGI.md
@@ -12,12 +12,12 @@ last_reinforced: 2026-04-26
> "인간이 할 수 있는 모든 지적 태스크를 인간 수준 혹은 그 이상으로 수행하는 범용 지능" — 특정 분야에 국한되지 않고 새로운 환경에서 스스로 학습하고, 추론하며, 창의적인 문제를 해결할 수 있는 인공지능의 궁극적 도달점.
## 📖 구조화된 지식 (Synthesized Content)
-- **추출된 패턴:** 지식의 파편화된 활용을 넘어, 자의식과 메타인지를 바탕으로 도메인을 넘나드는 범용적 문제 해결(General Problem Solving)을 수행하는 완전한 지능 패턴.
+- **추출된 패턴:** 지식의 파편화된 활용을 넘어, 자의식과 메타인지를 바탕으로 도메인을 넘나드는 범용적 문제 해결(General [[Problem Solving]])을 수행하는 완전한 지능 패턴.
- **핵심 특징:**
- **Cross-domain Learning:** 수학 문제를 풀던 지능이 소설을 쓰거나 코딩을 하는 등 다양한 분야로 즉각 전이됨.
- **Common Sense:** 방대한 경험을 바탕으로 세상의 당연한 이치(상식)를 이해하고 활용.
- - **Self-Correction:** 자신의 오류를 인지하고 외부의 도움 없이도 지식 체계를 수정 및 업데이트.
- - **Abstract Reasoning:** 구체적인 사례 없이도 원리와 개념만으로 복잡한 논리를 전개.
+ - **[[Self-Correction]]:** 자신의 오류를 인지하고 외부의 도움 없이도 지식 체계를 수정 및 업데이트.
+ - **Abstract [[Reasoning]]:** 구체적인 사례 없이도 원리와 개념만으로 복잡한 논리를 전개.
- **예상 시점:** 연구자마다 견해가 다르나, LLM의 등장으로 AGI로 가는 길이 가속화되었다는 평이 지배적.
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
diff --git a/10_Wiki/Topics/AI & Data Sovereignty.md b/10_Wiki/Topics/AI & Data Sovereignty.md
index 5ca47105..385786cb 100644
--- a/10_Wiki/Topics/AI & Data Sovereignty.md
+++ b/10_Wiki/Topics/AI & Data Sovereignty.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AUTO-AIDS-001
+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]
diff --git a/10_Wiki/Topics/AI & Games/10v10 대규모 멀티플레이어.md b/10_Wiki/Topics/AI & Games/10v10 대규모 멀티플레이어.md
index 2b1c6940..e870bf03 100644
--- a/10_Wiki/Topics/AI & Games/10v10 대규모 멀티플레이어.md
+++ b/10_Wiki/Topics/AI & Games/10v10 대규모 멀티플레이어.md
@@ -6,8 +6,8 @@ converted_at: 2026-04-28
# 10v10 대규모 멀티플레이어
-## 📌 Brief Summary
-10v10 대규모 멀티플레이어는 WARNO에서 최대 20명의 플레이어가 동시에 참여하여 거대한 스펙터클과 혼란을 만들어내는 대규모 전술 게임 모드입니다 [1]. 이 모드에서는 유닛과 플레이어의 밀도가 매우 높아 강력한 포격과 촘촘한 방공망이 형성되며, 플레이어는 전장 전체가 아닌 특정 구역에 집중하여 전투를 수행할 수 있습니다 [1]. WARNO의 기반인 Iriszoom 엔진은 수백 개의 유닛이 기동하고 파괴되는 이러한 극단적인 환경 속에서도 4K 해상도와 풀 옵션을 안정적으로 유지할 수 있는 고도의 데이터 최적화 성능을 자랑합니다 [2, 3].
+## 📌[[ brief]] Summary
+10v10 대규모 멀티플레이어는 [[WARNO]]에서 최대 20명의 플레이어가 동시에 참여하여 거대한 스펙터클과 혼란을 만들어내는 대규모 전술 게임 모드입니다 [1]. 이 모드에서는 유닛과 플레이어의 밀도가 매우 높아 강력한 포격과 촘촘한 방공망이 형성되며, 플레이어는 전장 전체가 아닌 특정 구역에 집중하여 전투를 수행할 수 있습니다 [1]. WARNO의 기반인 Iriszoom 엔진은 수백 개의 유닛이 기동하고 파괴되는 이러한 극단적인 환경 속에서도 4K 해상도와 풀 옵션을 안정적으로 유지할 수 있는 고도의 데이터 최적화 성능을 자랑합니다 [2, 3].
## 📖 Core Content
* **엔진 최적화 및 시각 데이터 처리:** 10v10 멀티플레이어 매치는 시스템에 엄청난 부하를 주지만, Iriszoom 엔진은 이를 원활하게 처리하도록 설계되었습니다 [2]. 수백 개의 개별 유닛이 동시에 전장에서 충돌하고 파괴되는 10 대 10 환경에서도 게임은 4K 해상도와 풀 옵션 설정에서 안정적인 성능을 보여줍니다 [3]. 또한 네이팜, 연막, 폭발 등의 시각적 효과 데이터가 10v10 모드에서도 효과가 종료되기 전에 사라지지 않고 명확하게 렌더링되도록 최적화되었습니다 [4].
diff --git a/10_Wiki/Topics/AI & Games/AlphaZero Strategy.md b/10_Wiki/Topics/AI & Games/AlphaZero Strategy.md
index e7eace1f..df48209a 100644
--- a/10_Wiki/Topics/AI & Games/AlphaZero Strategy.md
+++ b/10_Wiki/Topics/AI & Games/AlphaZero Strategy.md
@@ -1,10 +1,10 @@
---
-id: P-REINFORCE-5267ED
+id: [[P-Reinforce]]-5267ED
category: "10_Wiki/💡 Topics/AI & Games"
confidence_score: 0.95
tags: []
last_reinforced: 2026-04-20
-github_commit: "[P-Reinforce] Mega Batch - Wikified AlphaZero Strategy"
+github_commit: "[P-Reinforce] Mega Batch - Wikified AlphaZero [[Strategy]]"
---
# [[AlphaZero Strategy]]
diff --git a/10_Wiki/Topics/AI & Games/Combined Arms (제병협동) 전술.md b/10_Wiki/Topics/AI & Games/Combined Arms (제병협동) 전술.md
index e1f3eba4..044bb382 100644
--- a/10_Wiki/Topics/AI & Games/Combined Arms (제병협동) 전술.md
+++ b/10_Wiki/Topics/AI & Games/Combined Arms (제병협동) 전술.md
@@ -6,8 +6,8 @@ converted_at: 2026-04-28
# Combined Arms (제병협동) 전술
-## 📌 Brief Summary
-Combined Arms (제병협동) 전술은 보병, 기갑, 포병, 항공 지원 및 정찰 등 다양한 병과를 조화롭게 통합하여 승리를 쟁취하는 WARNO의 핵심 전술입니다 [1]. 이는 가위바위보와 같은 상성 원리를 기반으로 작동하며, 다양한 유닛이 서로를 지원하고 약점을 보완하도록 전술적 진형을 갖추어 교전을 통제하는 것을 의미합니다 [2-4].
+## 📌[[ brief]] Summary
+Combined Arms (제병협동) 전술은 보병, 기갑, 포병, 항공 지원 및 정찰 등 다양한 병과를 조화롭게 통합하여 승리를 쟁취하는 [[WARNO]]의 핵심 전술입니다 [1]. 이는 가위바위보와 같은 상성 원리를 기반으로 작동하며, 다양한 유닛이 서로를 지원하고 약점을 보완하도록 전술적 진형을 갖추어 교전을 통제하는 것을 의미합니다 [2-4].
## 📖 Core Content
* **가위바위보 기반의 상성 원리:** WARNO의 전투는 기본적으로 공격 헬기가 전차를 이기고, 대공포가 공격 헬기를 이기며, 전차가 대공포를 이기는 식의 상성(rock-paper-scissors) 원리로 작동합니다 [3, 5]. 따라서 적이 어떤 유닛을 투입하든 즉각적으로 카운터 유닛으로 대응할 수 있도록, 사전에 전장에 다양한 병과를 미리 전개해 두는 것이 제병협동의 기초입니다 [4, 5].
diff --git a/10_Wiki/Topics/AI & Games/Eugen Systems 모딩 매뉴얼.md b/10_Wiki/Topics/AI & Games/Eugen Systems 모딩 매뉴얼.md
index a86be801..7d227f74 100644
--- a/10_Wiki/Topics/AI & Games/Eugen Systems 모딩 매뉴얼.md
+++ b/10_Wiki/Topics/AI & Games/Eugen Systems 모딩 매뉴얼.md
@@ -4,10 +4,10 @@ status: Final
converted_at: 2026-04-28
---
-# Eugen Systems 모딩 매뉴얼
+# Eugen[[ system]]s 모딩 매뉴얼
-## 📌 Brief Summary
-Eugen Systems의 WARNO 모딩 매뉴얼은 플레이어가 게임 소스 코드를 직접 수정하지 않고도 게임 내 데이터 포맷인 NDF(Neutral Data Format) 파일을 편집하여 새로운 유닛, 무기, 사단 등을 추가하거나 밸런스를 변경할 수 있도록 돕는 지침이다 [1, 2]. 게임 설치 폴더에 포함된 공식 매뉴얼(Modding Manual, NDF Reference Manual) 및 커뮤니티가 제공하는 가이드와 툴(Warno Mod Editor 등)을 기반으로 모딩이 이루어진다 [3, 4]. 이를 통해 사용자들은 유닛의 기초적인 통계부터 3D 모델(Depiction) 및 덱 편제에 이르기까지 폭넓은 데이터 수정 작업을 수행할 수 있다 [1, 5, 6].
+## 📌[[ brief]] Summary
+[[Eugen Systems]]의 [[WARNO]] 모딩 매뉴얼은 플레이어가 게임 소스 코드를 직접 수정하지 않고도 게임 내 데이터 포맷인 NDF(Neutral Data Format) 파일을 편집하여 새로운 유닛, 무기, 사단 등을 추가하거나 밸런스를 변경할 수 있도록 돕는 지침이다 [1, 2]. 게임 설치 폴더에 포함된 공식 매뉴얼(Modding Manual, NDF [[Reference]] Manual) 및 커뮤니티가 제공하는 가이드와 툴(Warno Mod Editor 등)을 기반으로 모딩이 이루어진다 [3, 4]. 이를 통해 사용자들은 유닛의 기초적인 통계부터 3D 모델(Depiction) 및 덱 편제에 이르기까지 폭넓은 데이터 수정 작업을 수행할 수 있다 [1, 5, 6].
## 📖 Core Content
* **모딩 초기 설정 (Initial Setup):** WARNO의 모딩은 게임의 `Mods` 폴더 내에 있는 `CreateNewMod.bat` 파일을 실행하여 모드 이름을 인수로 입력함으로써 시작된다 [7, 8]. 성공적으로 실행되면 `CommonData`, `GameData` 폴더와 모드 생성 및 관리를 위한 다양한 배치 파일(`GenerateMod.bat`, `UpdateMod.bat` 등)이 생성된다 [6, 9]. Eugen Systems는 모딩의 기초를 다룬 'Modding Manual'과 NDF 언어의 구조를 설명하는 'NDF Reference Manual' PDF 파일을 게임 폴더 내에 함께 제공하여 모더들을 지원하고 있다 [4].
diff --git a/10_Wiki/Topics/AI & Games/Eugen Systems의 Iriszoom 엔진 및 전략 게임 개발.md b/10_Wiki/Topics/AI & Games/Eugen Systems의 Iriszoom 엔진 및 전략 게임 개발.md
index 5b9dd422..122982ed 100644
--- a/10_Wiki/Topics/AI & Games/Eugen Systems의 Iriszoom 엔진 및 전략 게임 개발.md
+++ b/10_Wiki/Topics/AI & Games/Eugen Systems의 Iriszoom 엔진 및 전략 게임 개발.md
@@ -4,10 +4,10 @@ status: Final
converted_at: 2026-04-28
---
-# Eugen Systems의 Iriszoom 엔진 및 전략 게임 개발
+# Eugen[[ system]]s의 Iriszoom 엔진 및 전략 게임 개발
-## 📌 Brief Summary
-Eugen Systems가 개발한 WARNO는 독자적인 Iriszoom 엔진을 기반으로 구축된 현대 실시간 전술 및 턴제 전략 게임이다 [1, 2]. 이 엔진은 수 킬로미터에 달하는 광활한 전략적 시야와 개별 병사의 무장까지 확인 가능한 세밀한 전술적 시점을 매끄럽게 연결하며, 물리 기반 렌더링(PBR)을 통해 전장의 시각적 사실성을 극대화한다 [3, 4]. 전작인 Wargame과 Steel Division 시리즈의 성공적인 요소를 계승하면서도, 고도화된 데이터 중심 설계(Data-Driven Design)를 결합하여 복잡한 현대 전술 시뮬레이션을 구현해냈다 [2, 5].
+## 📌[[ brief]] Summary
+[[Eugen Systems]]가 개발한 [[WARNO]]는 독자적인 Iriszoom 엔진을 기반으로 구축된 현대 실시간 전술 및 턴제 전략 게임이다 [1, 2]. 이 엔진은 수 킬로미터에 달하는 광활한 전략적 시야와 개별 병사의 무장까지 확인 가능한 세밀한 전술적 시점을 매끄럽게 연결하며, 물리 기반 렌더링(PBR)을 통해 전장의 시각적 사실성을 극대화한다 [3, 4]. 전작인 Wargame과 Steel Division 시리즈의 성공적인 요소를 계승하면서도, 고도화된 데이터 중심 설계(Data-Driven Design)를 결합하여 복잡한 현대 전술 시뮬레이션을 구현해냈다 [2, 5].
## 📖 Core Content
@@ -15,7 +15,7 @@ Eugen Systems가 개발한 WARNO는 독자적인 Iriszoom 엔진을 기반으로
Iriszoom 엔진은 R.U.S.E. 게임부터 이어져 온 Eugen Systems의 독자 엔진으로, 광활한 전장을 조감하는 시점과 유닛 단위의 정밀한 시점을 단일 렌더링 파이프라인 내에서 끊김 없이 연결하는 '줌(Zoom)' 기능을 핵심으로 한다 [3, 4]. 이 엔진은 카메라와의 거리에 따라 3D 모델의 정밀도를 동적으로 조절하는 가변적 LOD(Level of Detail) 시스템을 채택하여 대규모 전장에서의 가시성과 성능을 동시에 확보한다 [6, 7].
* **그래픽 및 렌더링 파이프라인의 진화**
-WARNO에 도입된 최신 엔진은 물리 기반 렌더링(PBR) 시스템과 지연 렌더링(Deferred Rendering) 구조를 전면 도입하였다 [3, 4]. 이를 통해 원거리 시야에서 발생할 수 있는 스펙큘러 폭발(Specular explosion) 노이즈를 효과적으로 억제하고, 4K 해상도의 텍스처를 지원한다 [3, 8]. 또한, Metallic/Roughness/Ambient Occlusion 워크플로우를 적용해 이전의 Specular/Glossiness 방식보다 금속 및 비금속 등 재질을 물리 법칙에 맞게 사실적으로 묘사한다 [4, 7, 8].
+WARNO에 도입된 최신 엔진은 물리 기반 렌더링(PBR) 시스템과 지연 렌더링(Deferred Rendering) 구조를 전면 도입하였다 [3, 4]. 이를 통해 원거리 시야에서 발생할 수 있는 스펙큘러 폭발(Specular explosion) 노이즈를 효과적으로 억제하고, 4K 해상도의 텍스처를 지원한다 [3, 8]. 또한, [[Metal]]lic/Roughness/Ambient Occlusion 워크플로우를 적용해 이전의 Specular/Glossiness 방식보다 금속 및 비금속 등 재질을 물리 법칙에 맞게 사실적으로 묘사한다 [4, 7, 8].
* **동적 파괴 시스템과 데이터의 물리적 연동**
게임 내 유닛의 파괴는 단순한 폭발 이펙트가 아니라 상태 데이터와 동기화된 물리적 현상으로 처리된다 [7]. 탄약고 유폭 시 전차의 포탑이 사출되거나 헬리콥터의 로터 블레이드 및 터빈이 비산하는 등 정교한 파괴 모션이 구현된다 [7, 9]. 파괴된 잔해나 폭발 분화구는 사라지지 않고 전장에 영구적으로 남아 '영속적 전장(Persistent Battlefield)'을 시각적으로 가시화한다 [7, 9].
diff --git a/10_Wiki/Topics/AI & Games/Eugen Systems의 WARNO 시뮬레이션 개발.md b/10_Wiki/Topics/AI & Games/Eugen Systems의 WARNO 시뮬레이션 개발.md
index 1d44b96a..37528348 100644
--- a/10_Wiki/Topics/AI & Games/Eugen Systems의 WARNO 시뮬레이션 개발.md
+++ b/10_Wiki/Topics/AI & Games/Eugen Systems의 WARNO 시뮬레이션 개발.md
@@ -4,14 +4,14 @@ status: Final
converted_at: 2026-04-28
---
-# Eugen Systems의 WARNO 시뮬레이션 개발
+# Eugen[[ system]]s의 [[WARNO]] 시뮬레이션 개발
-## 📌 Brief Summary
-Eugen Systems가 개발한 WARNO는 1989년 냉전이 열전으로 번진 가상의 시나리오를 배경으로 하는 실시간 전술(RTT) 및 턴제 전략 시뮬레이션 게임입니다 [1, 2]. 이 게임은 자체 개발한 Iriszoom 엔진을 통해 세밀한 3D 그래픽과 대규모 전장을 매끄럽게 구현하며, NDF(Neutral Data Format)라는 독자적인 스크립트 언어를 활용한 데이터 아키텍처를 기반으로 설계되었습니다 [3-5]. 개발진은 커뮤니티의 피드백뿐만 아니라 객관적인 텔레메트리(Telemetry) 데이터를 실시간으로 분석하여 무기 스펙과 사단 편제 등 시뮬레이션의 전술적 밸런스를 정교하게 조정합니다 [6, 7].
+## 📌[[ brief]] Summary
+[[Eugen Systems]]가 개발한 WARNO는 1989년 냉전이 열전으로 번진 가상의 시나리오를 배경으로 하는 실시간 전술(RTT) 및 턴제 전략 시뮬레이션 게임입니다 [1, 2]. 이 게임은 자체 개발한 Iriszoom 엔진을 통해 세밀한 3D 그래픽과 대규모 전장을 매끄럽게 구현하며, NDF(Neutral Data Format)라는 독자적인 스크립트 언어를 활용한 데이터 아키텍처를 기반으로 설계되었습니다 [3-5]. 개발진은 커뮤니티의 피드백뿐만 아니라 객관적인 텔레메트리(Telemetry) 데이터를 실시간으로 분석하여 무기 스펙과 사단 편제 등 시뮬레이션의 전술적 밸런스를 정교하게 조정합니다 [6, 7].
## 📖 Core Content
* **Iriszoom 엔진과 시각적 가시화:**
- WARNO는 과거 R.U.S.E.부터 진화해 온 Eugen Systems의 독자 엔진인 Iriszoom의 최신 버전을 사용합니다 [3, 4]. 이 엔진은 물리 기반 렌더링(PBR) 시스템과 Metallic/Roughness/Ambient Occlusion 워크플로우를 도입하여 4K 해상도로 유닛과 지형의 질감을 매우 사실적으로 구현합니다 [3, 4, 8]. 기술적으로 지연 렌더링(Deferred Rendering) 구조를 활용해 수백 대의 유닛이 맞붙는 10 대 10 멀티플레이어 환경에서도 뛰어난 최적화를 유지하며, 탄약고 유폭 시 포탑이 날아가거나 헬기 로터 블레이드가 떨어져 나가는 동적 파괴 시스템이 물리 데이터와 연동되어 표현됩니다 [4, 9-11].
+ WARNO는 과거 R.U.S.E.부터 진화해 온 Eugen Systems의 독자 엔진인 Iriszoom의 최신 버전을 사용합니다 [3, 4]. 이 엔진은 물리 기반 렌더링(PBR) 시스템과 [[Metal]]lic/Roughness/Ambient Occlusion 워크플로우를 도입하여 4K 해상도로 유닛과 지형의 질감을 매우 사실적으로 구현합니다 [3, 4, 8]. 기술적으로 지연 렌더링(Deferred Rendering) 구조를 활용해 수백 대의 유닛이 맞붙는 10 대 10 멀티플레이어 환경에서도 뛰어난 최적화를 유지하며, 탄약고 유폭 시 포탑이 날아가거나 헬기 로터 블레이드가 떨어져 나가는 동적 파괴 시스템이 물리 데이터와 연동되어 표현됩니다 [4, 9-11].
* **NDF(Neutral Data Format) 기반의 데이터 아키텍처:**
시뮬레이션의 모든 논리적 설계와 유닛 메커니즘은 NDF(Neutral Data Format)라는 텍스트 기반의 자체 스크립트 언어로 정의되어 있습니다 [5, 12]. 게임의 소스 코드와 데이터가 엄격히 분리된 이 객체 지향적 구조 덕분에, 개발자나 유저(모더)들은 `UniteDescriptor.ndf`, `WeaponDescriptor.ndf`, `Ammunition.ndf` 등의 데이터 파일만 수정하여 유닛의 명중률, 관통력, 이동 속도, 장갑 수치 등을 쉽게 제어할 수 있습니다 [5, 13-15]. 이러한 개방적이고 모듈화된 데이터 설계는 RebsFRAGO와 같이 무기 데이터를 실제 현실의 제원값으로 치환하는 정교한 현실주의 모드의 탄생을 가능하게 했습니다 [5, 16-18].
diff --git a/10_Wiki/Topics/AI & Games/Eugen Systems의 냉전기 가상 시나리오 및 모딩 생태계 구축.md b/10_Wiki/Topics/AI & Games/Eugen Systems의 냉전기 가상 시나리오 및 모딩 생태계 구축.md
index d0fa2eb4..e6ad75bb 100644
--- a/10_Wiki/Topics/AI & Games/Eugen Systems의 냉전기 가상 시나리오 및 모딩 생태계 구축.md
+++ b/10_Wiki/Topics/AI & Games/Eugen Systems의 냉전기 가상 시나리오 및 모딩 생태계 구축.md
@@ -4,10 +4,10 @@ status: Final
converted_at: 2026-04-28
---
-# Eugen Systems의 냉전기 가상 시나리오 및 모딩 생태계 구축
+# Eugen[[ system]]s의 냉전기 가상 시나리오 및 모딩 생태계 구축
-## 📌 Brief Summary
-Eugen Systems의 WARNO는 1987년 소련 강경파의 쿠데타를 기점으로 1989년에 제3차 세계대전이 발발했다는 가상의 '냉전기 열전(Cold War Gone Hot)' 시나리오를 배경으로 합니다 [1, 2]. 이 가상 시나리오는 실제 역사적 사단 편제표(TO&E)를 철저한 데이터 구조로 치환하여 게임 내 규칙으로 적용한 데이터 기반 설계를 특징으로 합니다 [2]. 더 나아가, 독자적인 NDF(Neutral Data Format) 시스템을 통해 소스코드 수정 없이도 게임 데이터를 제어할 수 있게 하여, 커뮤니티 주도의 분석 도구 및 모드(Mod) 개발이 활발히 이루어지는 개방적인 생태계를 구축했습니다 [2, 3].
+## 📌[[ brief]] Summary
+[[Eugen Systems]]의 [[WARNO]]는 1987년 소련 강경파의 쿠데타를 기점으로 1989년에 제3차 세계대전이 발발했다는 가상의 '냉전기 열전(Cold War Gone Hot)' 시나리오를 배경으로 합니다 [1, 2]. 이 가상 시나리오는 실제 역사적 사단 편제표(TO&E)를 철저한 데이터 구조로 치환하여 게임 내 규칙으로 적용한 데이터 기반 설계를 특징으로 합니다 [2]. 더 나아가, 독자적인 NDF(Neutral Data Format) 시스템을 통해 소스코드 수정 없이도 게임 데이터를 제어할 수 있게 하여, 커뮤니티 주도의 분석 도구 및 모드(Mod) 개발이 활발히 이루어지는 개방적인 생태계를 구축했습니다 [2, 3].
## 📖 Core Content
* **가상 냉전 시나리오의 데이터적 구현**
@@ -21,7 +21,7 @@ Eugen Systems의 WARNO는 1987년 소련 강경파의 쿠데타를 기점으로
* Eugen Systems는 사용자를 위해 `CreateNewMod.bat` 등의 배치 파일과 모딩 매뉴얼, NDF 참조 가이드를 제공하여 손쉽게 모드 환경을 구축할 수 있게 돕고 있습니다 [3, 5].
* **데이터 민주화와 커뮤니티 생태계 확장**
- * NDF 파일의 구조적 접근성 덕분에 커뮤니티는 숨겨진 게임 내부 수치를 파싱하여 War-Yes, Warno-Armory와 같은 정밀한 데이터 분석 웹사이트와 툴을 자체적으로 개발할 수 있었습니다 [2, 6, 7].
+ * NDF 파일의 구조적 접근성 덕분에 커뮤니티는 숨겨진 게임 내부 수치를 파싱하여 [[War-Yes]], [[Warno-Armory]]와 같은 정밀한 데이터 분석 웹사이트와 툴을 자체적으로 개발할 수 있었습니다 [2, 6, 7].
* 또한, 흩어진 NDF 속성들의 의미와 핵심 게임 메커니즘을 문서화하기 위해 WARNO-DATA와 같은 광범위한 오픈소스 위키 프로젝트가 진행되기도 했습니다 [2, 8].
* 이러한 생태계의 개방성은 모든 무기 데이터를 실제 현실의 제원값으로 치환하고 시뮬레이션 경제를 재설계한 'RebsFRAGO'와 같은 고도의 현실주의 모드(Realism Mod)가 탄생하는 기술적 근간이 되었습니다 [2, 9].
diff --git a/10_Wiki/Topics/AI & Games/Steel Division 시리즈.md b/10_Wiki/Topics/AI & Games/Steel Division 시리즈.md
index 1c04e6d6..7cd5f3bc 100644
--- a/10_Wiki/Topics/AI & Games/Steel Division 시리즈.md
+++ b/10_Wiki/Topics/AI & Games/Steel Division 시리즈.md
@@ -6,8 +6,8 @@ converted_at: 2026-04-28
# Steel Division 시리즈
-## 📌 Brief Summary
-'Steel Division 시리즈'는 Eugen Systems가 개발한 실시간 전술 및 전략 비디오 게임 시리즈로, 《Steel Division: Normandy 44》와 《Steel Division 2》를 포함합니다 [1]. 이 시리즈는 역사적 군 편제표에 기반한 사단(Division) 덱 시스템, 스마트 오더, Army General 캠페인과 같은 핵심 시스템을 도입했습니다 [2, 3]. 이러한 메커니즘은 이후 《WARNO》의 정교한 데이터 기반 설계와 전술적 게임플레이를 구축하는 데 직접적이고 결정적인 토대가 되었습니다 [4, 5].
+## 📌[[ brief]] Summary
+'Steel Division 시리즈'는 Eugen[[ system]]s가 개발한 실시간 전술 및 전략 비디오 게임 시리즈로, 《Steel Division: Normandy 44》와 《Steel Division 2》를 포함합니다 [1]. 이 시리즈는 역사적 군 편제표에 기반한 사단(Division) 덱 시스템, 스마트 오더, Army General 캠페인과 같은 핵심 시스템을 도입했습니다 [2, 3]. 이러한 메커니즘은 이후 《[[WARNO]]》의 정교한 데이터 기반 설계와 전술적 게임플레이를 구축하는 데 직접적이고 결정적인 토대가 되었습니다 [4, 5].
## 📖 Core Content
* **WARNO 설계의 기술적·전술적 토대:**
@@ -20,7 +20,7 @@ converted_at: 2026-04-28
《Steel Division 2》에서 처음 도입된 혁신적인 AI 편의성 도구들이 《WARNO》에 그대로 이식되었습니다 [2, 3, 10]. '스마트 오더'는 부대의 마이크로 컨트롤을 컴퓨터에 위임하여 그룹 구성, 지형, 도로, 적의 상대적 강도 등 다양한 전술적 데이터를 AI가 통합적으로 계산해 명령을 수행하게 합니다 [2, 11]. '교전 수칙'은 유닛이 전장의 변화하는 조건에 맞춰 더 독립적이고 지능적으로 행동하도록 규칙을 설정할 수 있게 해줍니다 [10].
* **전략적 깊이를 더하는 싱글플레이어 콘텐츠:**
- 《WARNO》는 《Steel Division 2》로부터 턴제 기반의 전략 캠페인인 'Army General'과 실시간 'Operations(작전)' 모드 등 전용 싱글플레이어 콘텐츠를 성공적으로 통합했습니다 [3]. 이를 통해 개별 전술 전투뿐만 아니라 대규모 작전 단위의 시뮬레이션을 구현할 수 있었습니다.
+ 《WARNO》는 《Steel Division 2》로부터 턴제 기반의 전략 캠페인인 'Army General'과 실시간 '[[Opera]]tions(작전)' 모드 등 전용 싱글플레이어 콘텐츠를 성공적으로 통합했습니다 [3]. 이를 통해 개별 전술 전투뿐만 아니라 대규모 작전 단위의 시뮬레이션을 구현할 수 있었습니다.
* **장갑 관통 및 피해 연산의 진화:**
《Steel Division》 시리즈는 장갑 관통 확률과 거리에 따른 스케일링 계산법에 있어 지속적인 변화와 발전을 거쳤습니다 [12]. 1편에서 2편으로 넘어가며 계산 방식이 변경되었으며 [13], 이는 《WARNO》에 이르러 운동에너지(KE) 탄자와 성형작약탄(HEAT)의 데이터적 차별화로 이어지는 물리적 시뮬레이션 발전의 궤적을 보여줍니다 [14].
diff --git a/10_Wiki/Topics/AI & Games/WARNO 그래픽 엔진 업그레이드 프로젝트.md b/10_Wiki/Topics/AI & Games/WARNO 그래픽 엔진 업그레이드 프로젝트.md
index cecd22d5..94325c3d 100644
--- a/10_Wiki/Topics/AI & Games/WARNO 그래픽 엔진 업그레이드 프로젝트.md
+++ b/10_Wiki/Topics/AI & Games/WARNO 그래픽 엔진 업그레이드 프로젝트.md
@@ -4,13 +4,13 @@ status: Final
converted_at: 2026-04-28
---
-# WARNO 그래픽 엔진 업그레이드 프로젝트
+# [[WARNO]] 그래픽 엔진 업그레이드 프로젝트
-## 📌 Brief Summary
-WARNO 그래픽 엔진 업그레이드 프로젝트는 Eugen Systems의 독자적인 기술인 Iriszoom 엔진을 최신 산업 표준에 맞게 진화시킨 프로젝트입니다 [1, 2]. 이 업그레이드는 물리 기반 렌더링(PBR) 시스템을 전면 도입하여 유닛과 지형의 시각적 사실성을 극대화했습니다 [1, 2]. 4K 텍스처와 물리 데이터가 연동된 정교한 파괴 시스템을 적용하면서도 뛰어난 최적화를 달성하여 전작인 Steel Division 2 수준의 시스템 요구 사양을 유지한 것이 핵심입니다 [3, 4].
+## 📌[[ brief]] Summary
+WARNO 그래픽 엔진 업그레이드 프로젝트는 Eugen[[ system]]s의 독자적인 기술인 Iriszoom 엔진을 최신 산업 표준에 맞게 진화시킨 프로젝트입니다 [1, 2]. 이 업그레이드는 물리 기반 렌더링(PBR) 시스템을 전면 도입하여 유닛과 지형의 시각적 사실성을 극대화했습니다 [1, 2]. 4K 텍스처와 물리 데이터가 연동된 정교한 파괴 시스템을 적용하면서도 뛰어난 최적화를 달성하여 전작인 Steel Division 2 수준의 시스템 요구 사양을 유지한 것이 핵심입니다 [3, 4].
## 📖 Core Content
-* **Iriszoom 엔진의 진화와 PBR 파이프라인 도입:** R.U.S.E.부터 이어져 온 독자적인 엔진 기술을 발전시켜 수 킬로미터의 광활한 전략적 조감 시점과 개별 병사를 식별할 수 있는 전술적 시점을 매끄럽게 연결합니다 [2]. 기존의 Specular/Glossiness 방식 대신 최첨단 Metallic/Roughness/Ambient Occlusion 워크플로우를 자산 생산 파이프라인에 전면 도입했습니다 [2, 3]. 이를 통해 모든 유닛에 4K PBR 텍스처와 세밀한 모델링을 적용하였으며, 사진학적 설정을 활용한 새로운 톤 매핑 알고리즘으로 사실성을 높였습니다 [2, 3]. 지연 렌더링(Deferred Rendering) 구조를 활용해 원거리에서 폭발적으로 발생하는 PBR 스펙큘러 노이즈 문제도 효과적으로 해결했습니다 [1, 2].
+* **Iriszoom 엔진의 진화와 PBR 파이프라인 도입:** R.U.S.E.부터 이어져 온 독자적인 엔진 기술을 발전시켜 수 킬로미터의 광활한 전략적 조감 시점과 개별 병사를 식별할 수 있는 전술적 시점을 매끄럽게 연결합니다 [2]. 기존의 Specular/Glossiness 방식 대신 최첨단 [[Metal]]lic/Roughness/Ambient Occlusion 워크플로우를 자산 생산 파이프라인에 전면 도입했습니다 [2, 3]. 이를 통해 모든 유닛에 4K PBR 텍스처와 세밀한 모델링을 적용하였으며, 사진학적 설정을 활용한 새로운 톤 매핑 알고리즘으로 사실성을 높였습니다 [2, 3]. 지연 렌더링(Deferred Rendering) 구조를 활용해 원거리에서 폭발적으로 발생하는 PBR 스펙큘러 노이즈 문제도 효과적으로 해결했습니다 [1, 2].
* **데이터가 연동된 동적 파괴 시스템:** 유닛이 피해를 입고 파괴되는 시각적 효과가 실제 전투 상태 데이터와 동기화되어 작동합니다 [4]. 단순히 폭발 효과만 출력하는 것이 아니라 유닛의 장갑이나 장비 조각이 떨어져 나가며, 파괴 시 탄약고 유폭으로 포탑이 사출되거나 헬리콥터 로터 블레이드 및 비행기 날개가 날아가는 사실적인 물리적 폭발 효과가 구현되었습니다 [4, 5]. 또한, 유닛 텍스처가 파손 상태를 직접적으로 반영하여 손상도를 시각화합니다 [5].
diff --git a/10_Wiki/Topics/AI & Games/WARNO 데이터 기반 밸런싱.md b/10_Wiki/Topics/AI & Games/WARNO 데이터 기반 밸런싱.md
index 498f7c9d..df919fde 100644
--- a/10_Wiki/Topics/AI & Games/WARNO 데이터 기반 밸런싱.md
+++ b/10_Wiki/Topics/AI & Games/WARNO 데이터 기반 밸런싱.md
@@ -4,13 +4,13 @@ status: Final
converted_at: 2026-04-28
---
-# WARNO 데이터 기반 밸런싱
+# [[WARNO]] 데이터 기반 밸런싱
-## 📌 Brief Summary
-WARNO의 밸런싱은 커뮤니티의 단순한 여론이나 개발진의 임의적 결정이 아닌, 수집된 방대한 텔레메트리(Telemetry) 데이터를 기반으로 객관적으로 이루어지는 시스템적 과정이다 [1], [2]. Eugen Systems는 유닛의 선택 빈도, 승률, 킬/데스 비율, 평균 생존 시간 등을 종합적으로 분석하여 포인트 비용, 무장 스펙, 사단별 가용성을 NDF 파일을 통해 세밀하게 조정한다 [2], [3]. 이러한 데이터 중심 설계는 특정 진영에 압도적인 우위가 고착되는 것을 방지하고, 게임이 지속적으로 균형 잡힌 전술 생태계로 기능하게 만든다 [3].
+## 📌[[ brief]] Summary
+WARNO의 밸런싱은 커뮤니티의 단순한 여론이나 개발진의 임의적 결정이 아닌, 수집된 방대한 텔레메트리(Telemetry) 데이터를 기반으로 객관적으로 이루어지는 시스템적 과정이다 [1], [2]. Eugen[[ system]]s는 유닛의 선택 빈도, 승률, 킬/데스 비율, 평균 생존 시간 등을 종합적으로 분석하여 포인트 비용, 무장 스펙, 사단별 가용성을 NDF 파일을 통해 세밀하게 조정한다 [2], [3]. 이러한 데이터 중심 설계는 특정 진영에 압도적인 우위가 고착되는 것을 방지하고, 게임이 지속적으로 균형 잡힌 전술 생태계로 기능하게 만든다 [3].
## 📖 Core Content
-* **텔레메트리(Telemetry) 기반의 객관적 분석:** Eugen Systems는 게임 출시 후 유저들의 플레이에서 발생하는 텔레메트리 데이터를 실시간으로 기록한다. 여기에는 어떤 유닛이 자주 선택되는지(Pick Rate), 실제 교전에서의 승률과 킬/데스 비율, 그리고 유닛의 평균 생존 시간 등이 포함된다 [2]. 개발진은 미숙련 플레이어들의 변덕스러운 여론에 직접적으로 휘둘리기보다는, 전문 테스터의 피드백과 수집된 텔레메트리 데이터를 교차 검증하여 게임 내 실제 작동 방식을 기준으로 밸런스를 조정한다 [4], [1].
+* **텔레메트리(Telemetry) 기반의 객관적 분석:** [[Eugen Systems]]는 게임 출시 후 유저들의 플레이에서 발생하는 텔레메트리 데이터를 실시간으로 기록한다. 여기에는 어떤 유닛이 자주 선택되는지(Pick Rate), 실제 교전에서의 승률과 킬/데스 비율, 그리고 유닛의 평균 생존 시간 등이 포함된다 [2]. 개발진은 미숙련 플레이어들의 변덕스러운 여론에 직접적으로 휘둘리기보다는, 전문 테스터의 피드백과 수집된 텔레메트리 데이터를 교차 검증하여 게임 내 실제 작동 방식을 기준으로 밸런스를 조정한다 [4], [1].
* **주요 밸런스 조정 변수와 NDF 연동:** 데이터 분석을 통해 특정 무기나 유닛의 성능이 지나치게 강력하거나 비효율적이라고 확인되면, 개발자는 독자적 언어인 NDF 파일 내 수치를 수정해 전장에 즉각적인 변화를 투영한다 [5], [2]. 주요 조정 변수로는 전술적 가치와 텔레메트리 효율에 맞춘 '포인트 비용(Point Cost)' 재책정, 장전 및 조준 시간·관통력 등의 '무장 세부 스펙' 변경, 전술적 역할을 강화하기 위한 '특성(Trait)' 할당, 특정 사단의 승률을 보완하기 위한 '사단별 유닛 카드 구성 및 가용성' 상향 등이 활용된다 [3].
* **사단(Division) 시스템을 통한 거시적 밸런스 통제:** 전작의 국가 덱(National Deck) 시스템을 대체하여 도입된 사단(Division) 중심의 덱 빌딩은 밸런싱을 위한 훌륭한 설계 장치이다 [6]. 플레이어가 뛰어난 유닛들만 모아 덱을 구성하는 것을 원천적으로 차단하며, 사단마다 내재된 강점과 약점을 데이터적으로 강제하여 훨씬 다채롭고 흥미로운 전술적 메타를 유지하게 한다 [6], [7], [8].
* **플레이어 통계와 진영 균형 검증:** 대규모 멀티플레이어 환경(10v10 등)의 데이터 분석에 의하면, NATO와 PACT 진영 간의 승률은 플레이어의 숙련도가 높아질수록 균형을 이루는 경향을 보인다 [9], [3]. 커뮤니티 유저가 직접 수백 명의 플레이어 통계를 분석한 결과에서도 진영 간 뚜렷한 편향성은 확인되지 않았으며, 게임 시스템 자체가 특정 진영에 압도적인 우위를 제공하지 않음이 객관적 지표로 증명되고 있다 [10], [9], [3].
diff --git a/10_Wiki/Topics/AI & Games/WARNO 데이터 기반 설계.md b/10_Wiki/Topics/AI & Games/WARNO 데이터 기반 설계.md
index 6784f639..4b34c618 100644
--- a/10_Wiki/Topics/AI & Games/WARNO 데이터 기반 설계.md
+++ b/10_Wiki/Topics/AI & Games/WARNO 데이터 기반 설계.md
@@ -4,13 +4,13 @@ status: Final
converted_at: 2026-04-28
---
-# WARNO 데이터 기반 설계
+# [[WARNO]] 데이터 기반 설계
-## 📌 Brief Summary
-WARNO는 1980년대 후반 냉전의 군사 교리와 장비 제원을 고도의 데이터 아키텍처로 치환하여 설계된 실시간 전술 시뮬레이션 게임입니다 [1]. 이 시스템은 Eugen Systems의 독자적인 Iriszoom 엔진과 NDF(Neutral Data Format) 스크립트 언어를 활용하여, 게임 코드와 데이터 값을 엄격히 분리한 '데이터 기반 설계(Data-Driven Design)' 철학을 바탕으로 구축되었습니다 [2]. 정밀한 명중률 알고리즘, 물리적 장갑 관통 모델, 심리적 제압 수치화, 그리고 텔레메트리에 기반한 밸런싱을 통해 플레이어에게 고도로 현실적이고 동적인 전술 환경을 제공합니다 [3-5].
+## 📌[[ brief]] Summary
+WARNO는 1980년대 후반 냉전의 군사 교리와 장비 제원을 고도의 데이터 아키텍처로 치환하여 설계된 실시간 전술 시뮬레이션 게임입니다 [1]. 이 시스템은 Eugen[[ system]]s의 독자적인 Iriszoom 엔진과 NDF(Neutral Data Format) 스크립트 언어를 활용하여, 게임 코드와 데이터 값을 엄격히 분리한 '데이터 기반 설계(Data-Driven Design)' 철학을 바탕으로 구축되었습니다 [2]. 정밀한 명중률 알고리즘, 물리적 장갑 관통 모델, 심리적 제압 수치화, 그리고 텔레메트리에 기반한 밸런싱을 통해 플레이어에게 고도로 현실적이고 동적인 전술 환경을 제공합니다 [3-5].
## 📖 Core 무Content
-* **NDF (Neutral Data Format) 아키텍처:**
+* **[[NDF (Neutral Data Format)]] 아키텍처:**
WARNO의 모든 물리적 및 기술적 속성(유닛 성능, 명중률, 관통력, 이동 속도 등)은 텍스트 기반의 객체 지향 스크립트 언어인 NDF 내에 정의되어 있습니다 [2]. `UniteDescriptor.ndf`, `WeaponDescriptor.ndf`, `Ammunition.ndf` 등의 파일을 통해 게임 소스코드를 수정하지 않고도 수천 개의 속성을 모듈화하여 체계적으로 관리하고 밸런스를 조정할 수 있습니다 [2, 6-8].
* **Iriszoom 엔진과 시각적 데이터의 물리적 연동:**
지연 렌더링(Deferred Rendering) 구조와 PBR(물리 기반 렌더링)을 전면 도입하여 거리에 따른 가변적 LOD 시스템을 구현했습니다 [9, 10]. 동적 파괴 시스템은 탄약고 유폭 시 포탑이 사출되거나 헬리콥터 로터가 비산하는 등 유닛의 상태 데이터와 물리적 현상을 정교하게 동기화시킵니다 [10, 11].
@@ -19,7 +19,7 @@ WARNO는 1980년대 후반 냉전의 군사 교리와 장비 제원을 고도의
* **장갑 및 관통(Armor & Penetration):** 실제 역사적 RHA(균질압연강권) 수치를 추상화한 '장갑 점수(Armor Value)'를 사용하며, 경사 장갑에 의한 방호 효과는 엔진 연산 부하를 줄이기 위해 미리 수치에 반영되어 있습니다 [14, 15]. 철갑탄(KE)과 같은 운동에너지 탄자는 거리에 비례해 관통력 데이터가 감소하나, 대전차 고폭탄이나 미사일(HEAT/ATGM)은 사거리에 관계없이 관통력을 유지합니다 [15].
* **제압(Suppression)과 은신(Stealth) 시스템:**
* 유닛은 기본적으로 500점의 제압 수치를 지니며 피격이나 폭발 시 누적되어 응집력(Cohesion)을 떨어뜨리고 명중률, 재장전, 기동력에 페널티를 부여합니다 [4, 16]. 건물(50%)과 숲(35%) 지형은 제압 효과에 대한 저항 데이터를 제공합니다 [16, 17].
- * 광학(Optics) 수치와 은신(Stealth) 수치 간의 상호작용으로 탐지가 결정되며, 무기 발사 시 생성되는 소음(Noise) 데이터는 은신 수치를 일시적으로 삭감시켜 위치를 노출시킵니다 [17, 18].
+ * 광학(Optics) 수치와 은신(Stealth) 수치 간의 상호작용으로 탐지가 결정되며, 무기 발사 시 생성되는 소음([[Noise]]) 데이터는 은신 수치를 일시적으로 삭감시켜 위치를 노출시킵니다 [17, 18].
* **텔레메트리 기반 밸런스 조정:**
개발진은 단순히 커뮤니티의 여론에 의존하지 않고, 유닛의 선택 빈도, 킬/데스 비율, 평균 생존 시간 등 방대한 텔레메트리(Telemetry) 데이터를 실시간으로 분석하여 포인트 비용이나 무장 스펙 데이터를 지속적으로 재조정합니다 [5, 19, 20].
diff --git a/10_Wiki/Topics/AI & Games/WARNO 멀티플레이어 및 경쟁 플레이 밸런스 패치.md b/10_Wiki/Topics/AI & Games/WARNO 멀티플레이어 및 경쟁 플레이 밸런스 패치.md
index 4b88b640..7aef80c0 100644
--- a/10_Wiki/Topics/AI & Games/WARNO 멀티플레이어 및 경쟁 플레이 밸런스 패치.md
+++ b/10_Wiki/Topics/AI & Games/WARNO 멀티플레이어 및 경쟁 플레이 밸런스 패치.md
@@ -4,10 +4,10 @@ status: Final
converted_at: 2026-04-28
---
-# WARNO 멀티플레이어 및 경쟁 플레이 밸런스 패치
+# [[WARNO]] 멀티플레이어 및 경쟁 플레이 밸런스 패치
-## 📌 Brief Summary
-WARNO의 멀티플레이어 및 경쟁 플레이 밸런스 패치는 개발사인 Eugen Systems가 수집하는 방대한 텔레메트리(Telemetry) 데이터를 기반으로 이루어집니다 [1], [2]. 개발진은 커뮤니티의 단순한 여론에 휘둘리지 않고, 유닛 선택률, 승률, 평균 생존 시간 등 객관적인 데이터를 분석하여 게임 내 수치를 정밀하게 조정합니다 [1], [2]. 이러한 데이터 중심의 설계와 지속적인 패치는 WARNO를 편향 없는 공정한 경쟁이 가능한 살아있는 전술 생태계로 유지하는 핵심 원동력입니다 [3].
+## 📌[[ brief]] Summary
+WARNO의 멀티플레이어 및 경쟁 플레이 밸런스 패치는 개발사인 Eugen[[ system]]s가 수집하는 방대한 텔레메트리(Telemetry) 데이터를 기반으로 이루어집니다 [1], [2]. 개발진은 커뮤니티의 단순한 여론에 휘둘리지 않고, 유닛 선택률, 승률, 평균 생존 시간 등 객관적인 데이터를 분석하여 게임 내 수치를 정밀하게 조정합니다 [1], [2]. 이러한 데이터 중심의 설계와 지속적인 패치는 WARNO를 편향 없는 공정한 경쟁이 가능한 살아있는 전술 생태계로 유지하는 핵심 원동력입니다 [3].
## 📖 Core Content
* **텔레메트리 기반의 객관적 밸런싱**
diff --git a/10_Wiki/Topics/AI & Games/WARNO 모딩(Modding).md b/10_Wiki/Topics/AI & Games/WARNO 모딩(Modding).md
index b8ddbecc..8a9f7c2f 100644
--- a/10_Wiki/Topics/AI & Games/WARNO 모딩(Modding).md
+++ b/10_Wiki/Topics/AI & Games/WARNO 모딩(Modding).md
@@ -4,10 +4,10 @@ status: Final
converted_at: 2026-04-28
---
-# WARNO 모딩(Modding)
+# [[WARNO]] 모딩(Modding)
-## 📌 Brief Summary
-WARNO의 모딩은 게임 소스 코드를 직접 수정하지 않고, Eugen Systems의 독자적인 스크립트 언어인 NDF(Neutral Data Format) 파일을 편집하여 게임 내 유닛 데이터, 무기 성능, 시각적 묘사 및 사단 편제 등을 변경하는 과정을 의미합니다. 플레이어와 모더들은 공식 도구와 커뮤니티가 개발한 WME(Warno Mod Editor), ndf-parse 등의 파싱 프로그램을 활용하여 게임의 데이터를 수정할 수 있습니다. 이러한 개방적인 데이터 구조는 현실주의 모드(Reb's FRAGO) 개발이나 새로운 전술적 환경을 구축하는 등 커뮤니티 주도의 확장성을 크게 높여줍니다.
+## 📌[[ brief]] Summary
+WARNO의 모딩은 게임 소스 코드를 직접 수정하지 않고, Eugen[[ system]]s의 독자적인 스크립트 언어인 NDF(Neutral Data Format) 파일을 편집하여 게임 내 유닛 데이터, 무기 성능, 시각적 묘사 및 사단 편제 등을 변경하는 과정을 의미합니다. 플레이어와 모더들은 공식 도구와 커뮤니티가 개발한 WME(Warno Mod Editor), [[ndf-parse]] 등의 파싱 프로그램을 활용하여 게임의 데이터를 수정할 수 있습니다. 이러한 개방적인 데이터 구조는 현실주의 모드(Reb's FRAGO) 개발이나 새로운 전술적 환경을 구축하는 등 커뮤니티 주도의 확장성을 크게 높여줍니다.
## 📖 Core Content
* **모딩 환경의 기반 및 NDF 시스템**
@@ -28,7 +28,7 @@ WARNO의 모딩은 게임 소스 코드를 직접 수정하지 않고, Eugen Sys
## 🔗 Knowledge Connections
- **Related Topics:** [[NDF (Neutral Data Format)]], [[데이터 기반 밸런싱(Data-Driven Balancing)]], [[Iriszoom 엔진]]
- **Projects/Contexts:** [[Reb's FRAGO 모드]], [[WME (Warno Mod Editor)]], [[WARNO-DATA Wiki]], [[ndf-parse]]
-- **Contradictions/Notes:** Eugen Systems는 기본적인 모딩 매뉴얼과 NDF 참조 가이드를 제공하지만, 정작 수천 개의 NDF 파일 내에 담긴 개별 데이터 속성(Property)에 대한 구체적인 설명은 누락되어 있습니다. 이를 극복하기 위해 커뮤니티 주도로 게임 메커니즘과 단위 데이터를 상세히 분석하여 문서화한 WARNO-DATA GitHub 위키가 만들어졌습니다 [29, 30].
+- **Contradictions/Notes:** [[Eugen Systems]]는 기본적인 모딩 매뉴얼과 NDF 참조 가이드를 제공하지만, 정작 수천 개의 NDF 파일 내에 담긴 개별 데이터 속성(Property)에 대한 구체적인 설명은 누락되어 있습니다. 이를 극복하기 위해 커뮤니티 주도로 게임 메커니즘과 단위 데이터를 상세히 분석하여 문서화한 WARNO-DATA GitHub 위키가 만들어졌습니다 [29, 30].
---
*Last updated: 2026-04-28*
\ No newline at end of file
diff --git a/10_Wiki/Topics/AI & Games/WARNO 모딩.md b/10_Wiki/Topics/AI & Games/WARNO 모딩.md
index 8fef78f0..9ed7d28e 100644
--- a/10_Wiki/Topics/AI & Games/WARNO 모딩.md
+++ b/10_Wiki/Topics/AI & Games/WARNO 모딩.md
@@ -4,15 +4,15 @@ status: Final
converted_at: 2026-04-28
---
-# WARNO 모딩
+# [[WARNO]] 모딩
-## 📌 Brief Summary
-WARNO 모딩은 Eugen Systems의 독자적인 스크립트 언어인 NDF(Neutral Data Format) 파일을 수정하여 게임의 소스 코드 변경 없이 유닛의 성능, 무기 제원, 편제 등을 커스터마이징하는 과정입니다 [1]. 개발사가 공식 모딩 가이드와 생성 도구를 제공하며, 커뮤니티 주도의 다양한 모드 에디터와 데이터 분석 도구가 활성화되어 있습니다 [2-4]. 이를 통해 플레이어는 단순한 수치 조정을 넘어 현실주의 지향 모드 등 자신만의 고유한 전술 시뮬레이션 환경을 데이터 기반으로 직접 구축할 수 있습니다 [4].
+## 📌[[ brief]] Summary
+WARNO 모딩은 Eugen[[ system]]s의 독자적인 스크립트 언어인 NDF(Neutral Data Format) 파일을 수정하여 게임의 소스 코드 변경 없이 유닛의 성능, 무기 제원, 편제 등을 커스터마이징하는 과정입니다 [1]. 개발사가 공식 모딩 가이드와 생성 도구를 제공하며, 커뮤니티 주도의 다양한 모드 에디터와 데이터 분석 도구가 활성화되어 있습니다 [2-4]. 이를 통해 플레이어는 단순한 수치 조정을 넘어 현실주의 지향 모드 등 자신만의 고유한 전술 시뮬레이션 환경을 데이터 기반으로 직접 구축할 수 있습니다 [4].
## 📖 Core Content
* **NDF(Neutral Data Format) 기반의 데이터 구조:** WARNO의 모든 논리적 설계는 NDF 파일 내에 텍스트 기반으로 정의되어 있습니다 [1]. 유닛의 물리적/기술적 속성을 정의하는 `UniteDescriptor.ndf`, 무기의 메커니즘을 설정하는 `WeaponDescriptor.ndf`, 탄약의 타격 로직과 관통력을 결정하는 `Ammunition.ndf`, 그리고 사단 구성 및 가용성을 다루는 `Divisions.ndf` 등을 통해 유닛 데이터와 게임 코드가 분리되어 체계적으로 관리됩니다 [1, 5-7].
* **모드 생성 및 작업 프로세스:** 모드 생성은 게임 내의 `Mods` 폴더에서 `CreateNewMod.bat` 배치 파일에 모드 이름을 인수로 입력 및 실행하여 시작할 수 있습니다 [3]. 이 과정을 거치면 `CommonData`, `GameData` 디렉터리와 함께 `GenerateMod.bat`, `UpdateMod.bat` 등의 필수 스크립트가 포함된 모드 폴더가 생성됩니다 [8]. 생성된 모드 내에서 유닛 구성, 활성화 포인트, 가용성을 수정하거나 `DivisionRules.ndf`, `DivisionCostMatrix.ndf` 파일 등을 편집하여 새로운 유닛 및 사단을 추가할 수 있으며, 새로운 3D 모델(.fbx) 묘사를 연결하는 것도 가능합니다 [5, 9-11].
-* **모딩 도구 및 커뮤니티 지원:** .ndf 파일을 편집하기 위해서는 텍스트 편집기(Notepad++, Sublime Text 등)와 함께 각 요소에 고유 식별자를 부여하기 위한 GUID 생성기가 필요합니다 [12]. 커뮤니티에서는 이러한 기능들을 통합하여 시각적 편집을 돕는 WME(Warno Mod Editor)를 제작하여 지원하고 있습니다 [2, 13]. 또한, GitHub의 'WARNO-DATA' 위키나 'Warno-Armory', 'War-Yes' 등의 데이터 파싱 도구를 통해 공식 문서에 누락된 숨겨진 데이터 구조를 파악하고 모딩에 활용할 수 있습니다 [4, 13, 14].
+* **모딩 도구 및 커뮤니티 지원:** .ndf 파일을 편집하기 위해서는 텍스트 편집기(Notepad++, Sublime Text 등)와 함께 각 요소에 고유 식별자를 부여하기 위한 GUID 생성기가 필요합니다 [12]. 커뮤니티에서는 이러한 기능들을 통합하여 시각적 편집을 돕는 WME(Warno Mod Editor)를 제작하여 지원하고 있습니다 [2, 13]. 또한, GitHub의 'WARNO-DATA' 위키나 '[[Warno-Armory]]', '[[War-Yes]]' 등의 데이터 파싱 도구를 통해 공식 문서에 누락된 숨겨진 데이터 구조를 파악하고 모딩에 활용할 수 있습니다 [4, 13, 14].
* **대표적인 모딩 사례:** 커뮤니티 모드인 'Reb's FRAGO'는 현실주의(Realism)를 지향하여 게임 내 모든 무기 데이터를 실제 제원값으로 치환하고 시뮬레이션의 시간 축과 경제 시스템을 재설계하는 등 데이터 기반 설계를 극한으로 활용한 대표적인 모딩 사례입니다 [4].
## 🔗 Knowledge Connections
diff --git a/10_Wiki/Topics/AI & Games/WARNO 밸런싱 및 사단 시스템.md b/10_Wiki/Topics/AI & Games/WARNO 밸런싱 및 사단 시스템.md
index e38d8eb7..81048e21 100644
--- a/10_Wiki/Topics/AI & Games/WARNO 밸런싱 및 사단 시스템.md
+++ b/10_Wiki/Topics/AI & Games/WARNO 밸런싱 및 사단 시스템.md
@@ -4,15 +4,15 @@ status: Final
converted_at: 2026-04-28
---
-# WARNO 밸런싱 및 사단 시스템
+# [[WARNO]] 밸런싱 및 사단 시스템
-## 📌 Brief Summary
-WARNO의 밸런싱 및 사단 시스템은 역사적 군 편제(TO&E) 데이터와 텔레메트리(Telemetry) 분석을 결합하여 전술적 깊이를 부여하는 핵심 설계 요소입니다. 플레이어는 모든 분야에서 완벽한 유닛 조합을 갖추는 대신 강점과 약점이 명확히 설정된 사단 단위의 덱을 구성해야 하며, 이는 다양한 전술과 팀플레이를 유도합니다. 개발사인 Eugen Systems는 커뮤니티의 주관적 여론보다는 유닛 선택률과 실제 승률 등 객관적 통계 데이터를 기반으로 NDF 파일 수치를 조정하며 지속적인 밸런싱을 수행합니다.
+## 📌[[ brief]] Summary
+WARNO의 밸런싱 및 사단 시스템은 역사적 군 편제(TO&E) 데이터와 텔레메트리(Telemetry) 분석을 결합하여 전술적 깊이를 부여하는 핵심 설계 요소입니다. 플레이어는 모든 분야에서 완벽한 유닛 조합을 갖추는 대신 강점과 약점이 명확히 설정된 사단 단위의 덱을 구성해야 하며, 이는 다양한 전술과 팀플레이를 유도합니다. 개발사인 Eugen[[ system]]s는 커뮤니티의 주관적 여론보다는 유닛 선택률과 실제 승률 등 객관적 통계 데이터를 기반으로 NDF 파일 수치를 조정하며 지속적인 밸런싱을 수행합니다.
## 📖 Core Content
- **사단(Division) 기반 덱 구성의 구조적 제약:** 과거작인 Wargame: Red Dragon의 무제한적인 국가별 덱(National Deck) 시스템과 달리, WARNO는 역사적 사단 편제를 기반으로 유닛을 제한합니다 [1], [2], [3]. 특정 사단은 우수한 보병을 갖춘 대신 최상급 전차가 없거나, 강력한 기갑 전력을 보유한 대신 대공이나 보병이 취약한 식의 구조적 강점과 약점을 가집니다 [2], [3], [4]. 이를 통해 플레이어는 특정 분야에 특화된 전술을 고민해야 하며, 모든 역할을 완벽히 수행하는 '무적의 메타 덱' 생성이 방지됩니다 [2], [5], [4].
- **유닛 가용성(Availability)과 베테랑(Veterancy) 시스템을 통한 밸런싱:** 각 유닛의 가치는 사단 내에서의 '가용성' 데이터를 통해 조율됩니다 [6]. 고성능 초중전차(예: M1A1 HA Abrams, T-80UD)나 정예 특수부대는 카드당 제공되는 유닛 수가 극히 제한적이며 활성화 포인트와 배치 비용이 비싸게 책정되어 손실을 철저히 관리해야 합니다 [7], [8], [9], [6]. 반면, 예비군(Reservist)이나 구식 장비는 능력치가 떨어지지만 높은 가용성과 저렴한 비용으로 소모전과 전선 유지에 유리하도록 설계되었습니다 [10], [11], [12], [6]. 또한, 플레이어가 유닛의 숙련도(Veterancy)를 높게 설정할수록 명중률, 연사력, 제압 저항력 등 성능이 향상되는 대신 맵에 배치할 수 있는 최대 유닛 수가 감소하여 밸런스가 유지됩니다 [13], [14], [15].
-- **텔레메트리(Telemetry) 기반 객관적 데이터 패치:** Eugen Systems는 커뮤니티의 불만이나 여론에만 의존하지 않고 텔레메트리를 통해 유저들의 실제 유닛 픽률(Pick Rate), 교전 승률, 킬/데스 비율, 평균 생존 시간 등의 데이터를 은밀히 수집합니다 [16], [6]. 이 분석 결과를 토대로 유닛의 포인트 비용, 장전 시간, 조준 시간, 장갑 관통력 등을 재책정하며, 이러한 변경 사항은 게임의 논리적 설계가 담긴 NDF(Neutral Data Format) 파일을 수정함으로써 전장에 즉각적으로 반영됩니다 [17], [18], [19].
+- **텔레메트리(Telemetry) 기반 객관적 데이터 패치:** [[Eugen Systems]]는 커뮤니티의 불만이나 여론에만 의존하지 않고 텔레메트리를 통해 유저들의 실제 유닛 픽률(Pick Rate), 교전 승률, 킬/데스 비율, 평균 생존 시간 등의 데이터를 은밀히 수집합니다 [16], [6]. 이 분석 결과를 토대로 유닛의 포인트 비용, 장전 시간, 조준 시간, 장갑 관통력 등을 재책정하며, 이러한 변경 사항은 게임의 논리적 설계가 담긴 NDF(Neutral Data Format) 파일을 수정함으로써 전장에 즉각적으로 반영됩니다 [17], [18], [19].
- **통계에 기반한 진영 간 균형(Faction Balance):** 플레이어 간에는 항상 진영 편향(NATO 또는 PACT가 더 유리하다는 주장)에 대한 논쟁이 있으나, 실제 10v10 대규모 멀티플레이어 데이터를 분석한 결과 게임 시스템 자체에 특정 진영에 대한 압도적인 우위는 발견되지 않았습니다 [20], [21], [19]. 승률의 차이는 주로 플레이어의 전술적 숙련도 차이 및 양 진영 플레이어들의 경험치 풀(Pact를 선호하는 유저들의 평균 플레이 횟수가 약간 더 높음)에서 비롯된 것으로 분석되며, 기본적으로 진영 간 밸런스는 견고하게 유지되고 있습니다 [22], [21].
## 🔗 Knowledge Connections
diff --git a/10_Wiki/Topics/AI & Games/WARNO 사후 관리 (Post-Launch Management).md b/10_Wiki/Topics/AI & Games/WARNO 사후 관리 (Post-Launch Management).md
index d8c5bdcd..decebf6c 100644
--- a/10_Wiki/Topics/AI & Games/WARNO 사후 관리 (Post-Launch Management).md
+++ b/10_Wiki/Topics/AI & Games/WARNO 사후 관리 (Post-Launch Management).md
@@ -4,13 +4,13 @@ status: Final
converted_at: 2026-04-28
---
-# WARNO 사후 관리 (Post-Launch Management)
+# [[WARNO]] 사후 관리 (Post-Launch [[Management]])
-## 📌 Brief Summary
+## 📌[[ brief]] Summary
WARNO의 사후 관리는 단순히 유저 커뮤니티의 여론에 의존하는 것이 아니라, 수집된 객관적인 텔레메트리(Telemetry) 데이터를 기반으로 정밀하게 밸런싱을 수행하는 과정을 의미합니다 [1, 2]. 플레이어의 유닛 선택 빈도(Pick rate), 승률, 킬/데스 비율 등의 실시간 데이터를 분석하여 NDF 파일의 수치를 지속적으로 패치합니다 [2]. 이러한 데이터 중심의 사후 지원은 게임을 단순한 정적 시뮬레이션이 아닌 살아있는 전술 생태계로 유지하는 핵심 동력으로 작용합니다 [3, 4].
## 📖 Core Content
-* **텔레메트리(Telemetry) 기반 밸런싱**: Eugen Systems는 게임 출시 후 텔레메트리 시스템을 통해 플레이어들의 유닛 사용 방식, 선택 빈도(Pick rate), 실제 교전에서의 승률, 킬/데스 비율, 평균 생존 시간 등을 실시간으로 기록 및 모니터링합니다 [1, 2]. 이는 변덕스럽고 비전문적인 커뮤니티 불만에만 의존하지 않고, 객관적인 데이터를 바탕으로 유닛의 실제 성능을 파악하여 패치를 진행하기 위함입니다 [1, 2].
+* **텔레메트리(Telemetry) 기반 밸런싱**: Eugen[[ system]]s는 게임 출시 후 텔레메트리 시스템을 통해 플레이어들의 유닛 사용 방식, 선택 빈도(Pick rate), 실제 교전에서의 승률, 킬/데스 비율, 평균 생존 시간 등을 실시간으로 기록 및 모니터링합니다 [1, 2]. 이는 변덕스럽고 비전문적인 커뮤니티 불만에만 의존하지 않고, 객관적인 데이터를 바탕으로 유닛의 실제 성능을 파악하여 패치를 진행하기 위함입니다 [1, 2].
* **밸런스 조정의 주요 데이터 변수**: 수집된 텔레메트리 데이터 분석 결과를 바탕으로 개발사는 NDF 파일 내의 수치를 직접 수정합니다 [2]. 유닛의 포인트 비용(Point Cost) 재책정, 장전 시간·조준 시간·관통력 수치 등 무장 세부 스펙의 미세 조정, 전술적 역할을 강화하기 위한 새로운 특성(Trait) 할당, 그리고 특정 사단의 승률을 보완하기 위한 보조 유닛 카드 추가 및 가용성 상향 등이 주요 밸런스 변수로 작용합니다 [4].
* **전문 테스터 및 커뮤니티 피드백의 교차 검증**: 개발사는 객관적인 텔레메트리 데이터뿐만 아니라 전문 테스터들의 피드백과 커뮤니티 미디어에서 제기되는 의견들의 요약본을 수집합니다 [1]. 이후 해당 피드백이 실제로 유의미한지 텔레메트리 데이터와 비교·대조하여 조정을 진행합니다 [1].
* **상호 연결된 데이터 생태계 관리**: WARNO의 데이터는 긴밀하게 연결되어 있어, 수송 트럭의 도로 이동 속도와 같은 단순한 수치 하나를 변경하더라도 해당 트럭을 사용하는 모든 유닛에 미치는 가치 변화와 이를 대체할 수 있는 다른 유닛들의 기회비용까지 모두 고려하여 밸런싱을 진행해야 합니다 [3]. 이렇듯 끊임없는 경쟁 플레이를 위한 엄격한 데이터 기반의 밸런싱 작업이 게임에 대한 지속적인 사후 지원을 의미합니다 [3, 4].
diff --git a/10_Wiki/Topics/AI & Games/WARNO 실시간 전술(Real-time Tactics) 및 Army General 캠페인.md b/10_Wiki/Topics/AI & Games/WARNO 실시간 전술(Real-time Tactics) 및 Army General 캠페인.md
index 61f3cc36..3805be23 100644
--- a/10_Wiki/Topics/AI & Games/WARNO 실시간 전술(Real-time Tactics) 및 Army General 캠페인.md
+++ b/10_Wiki/Topics/AI & Games/WARNO 실시간 전술(Real-time Tactics) 및 Army General 캠페인.md
@@ -4,9 +4,9 @@ status: Final
converted_at: 2026-04-28
---
-# WARNO 실시간 전술(Real-time Tactics) 및 Army General 캠페인
+# [[WARNO]] 실시간 전술(Real-time Tactics) 및 Army General 캠페인
-## 📌 Brief Summary
+## 📌[[ brief]] Summary
WARNO는 1989년의 가상 제3차 세계대전을 배경으로 하는 실시간 전술(Real-time Tactics) 및 턴제 전략 하이브리드 게임이다 [1, 2]. 실시간 전술 전투에서는 다양한 병과를 조율하는 제병협동 전술이 요구되며, 시야, 사거리, 제압, 장갑 관통 등 정교한 데이터 기반 시스템이 작용한다 [3-6]. 'Army General'로 불리는 턴제 캠페인 모드는 대대급 부대를 전략 맵에서 운용하며 피로도와 보급을 관리하고, 전투 발생 시 자동 전술 계산이나 실시간 직접 전투를 선택하게 함으로써 군사 시뮬레이션의 깊이를 더한다 [7-9].
## 📖 Core Content
@@ -17,14 +17,14 @@ WARNO는 1989년의 가상 제3차 세계대전을 배경으로 하는 실시간
* 유닛들은 제압(Suppression)과 응집력(Cohesion) 데이터를 통해 심리적 타격을 시뮬레이션하며, 사격이나 폭발의 영향을 받을 시 명중률과 이동 속도가 저하되는 등 데이터가 유닛의 전술적 행동에 직접적인 영향을 미친다 [6, 17, 18].
* **Army General 캠페인 (턴제 전략 요소):**
- * 캠페인은 보드 워게임이나 대전략 게임과 유사한 턴제 기반의 작전술(Operational warfare)을 다루며, 플레이어는 대대급 부대를 조작하여 기동한다 [7, 8].
+ * 캠페인은 보드 워게임이나 대전략 게임과 유사한 턴제 기반의 작전술([[Opera]]tional warfare)을 다루며, 플레이어는 대대급 부대를 조작하여 기동한다 [7, 8].
* 각 부대는 행동력(Action Points, AP)을 소모하여 이동하고 전투를 수행하며, 피로도(Fatigue)와 영구적인 병력 및 장비 손실을 관리해야 한다 [7, 19-21]. 보급선 차단 및 포위를 통해 적의 피로도 회복을 막는 전략적 기동도 중요하다 [22, 23].
* 전략 맵에서 교전이 발생하면, 플레이어는 각 전투의 승률(비율)을 바탕으로 이를 자동 전투(Autoresolve)로 넘기거나 전술 맵에서 직접 실시간 전투를 지휘할 수 있다 [7, 8, 24].
* 이 모든 캠페인 시스템과 교전 규칙 역시 실제 냉전 교리와 사단 편제표(TO&E)를 고도의 데이터 아키텍처로 체계화한 결과물이다 [9].
## 🔗 Knowledge Connections
- **Related Topics:** [[NDF (Neutral Data Format)]], [[제병협동 전술 (Combined Arms)]], [[텔레메트리 밸런싱 (Telemetry Balancing)]]
-- **Projects/Contexts:** [[Eugen Systems의 Iriszoom 엔진 및 전략 게임 개발]]
+- **Projects/Contexts:** [[Eugen[[ system]]s의 Iriszoom 엔진 및 전략 게임 개발]]
- **Contradictions/Notes:** 소스에 따르면 WARNO의 실시간 전술 전투와 전략 캠페인은 각각 고유한 복잡성을 지니나, 이 두 시스템 모두 역사적 제원과 편제를 반영하는 강력한 '데이터 기반 설계'를 통해 상호 연결되어 전술적 일관성을 유지한다 [9]. 다만 AI의 성능과 관련하여, 전략 맵(Army General)에서는 상대의 약점을 찌르거나 포위를 훌륭하게 수행하지만 실시간 전술 전투에서는 지형을 무시하고 예측 가능하게 전차를 일렬로 밀어붙이는 경향이 있어 한계로 지적된다 [25-27].
---
diff --git a/10_Wiki/Topics/AI & Games/WARNO 전술 시뮬레이션 시스템.md b/10_Wiki/Topics/AI & Games/WARNO 전술 시뮬레이션 시스템.md
index 9cd60ac9..ef0d8198 100644
--- a/10_Wiki/Topics/AI & Games/WARNO 전술 시뮬레이션 시스템.md
+++ b/10_Wiki/Topics/AI & Games/WARNO 전술 시뮬레이션 시스템.md
@@ -4,16 +4,16 @@ status: Final
converted_at: 2026-04-28
---
-# WARNO 전술 시뮬레이션 시스템
+# [[WARNO]] 전술 시뮬레이션 시스템
-## 📌 Brief Summary
+## 📌[[ brief]] Summary
WARNO의 전술 시뮬레이션 시스템은 냉전 시대의 군사 교리와 장비 제원을 '데이터 기반 설계(Data-Driven Design)' 철학 아래 통합한 정교한 가상 전장 환경입니다 [1]. 게임 내의 시각적 파괴 효과부터 물리적 충돌, 심리적 제압 및 부대 편제에 이르는 모든 요소가 상호 연결된 데이터 구조 내에서 작동합니다 [1]. 이 시스템은 독자적인 NDF(Neutral Data Format)와 Iriszoom 엔진을 통해 소스 코드 수정 없이도 방대한 전술 데이터와 텔레메트리를 제어하여 고도의 현실감과 전략적 깊이를 구현합니다 [2, 3].
## 📖 Core Content
* **Iriszoom 엔진과 시각 데이터의 통합**
- WARNO는 Iriszoom 엔진을 활용하여 광활한 전략적 조감과 개별 유닛 단위의 전술적 줌을 단일 렌더링 파이프라인에서 지원합니다 [2]. **물리 기반 렌더링(PBR) 시스템과 Metallic/Roughness 워크플로우를 도입**하여 재질감을 사실적으로 구현했으며, 유닛 파괴 시 탄약고 유폭에 의한 포탑 사출과 같은 물리적 현상을 유닛의 상태 데이터와 동기화하여 '영속적 전장(Persistent Battlefield)'을 만들어 냅니다 [2, 4].
+ WARNO는 Iriszoom 엔진을 활용하여 광활한 전략적 조감과 개별 유닛 단위의 전술적 줌을 단일 렌더링 파이프라인에서 지원합니다 [2]. **물리 기반 렌더링(PBR) 시스템과 [[Metal]]lic/Roughness 워크플로우를 도입**하여 재질감을 사실적으로 구현했으며, 유닛 파괴 시 탄약고 유폭에 의한 포탑 사출과 같은 물리적 현상을 유닛의 상태 데이터와 동기화하여 '영속적 전장(Persistent Battlefield)'을 만들어 냅니다 [2, 4].
-* **NDF (Neutral Data Format) 스크립트 아키텍처**
+* **[[NDF (Neutral Data Format)]] 스크립트 아키텍처**
게임의 모든 논리적 설계는 텍스트 기반 언어인 **NDF 내에 정의되어 있어 게임 코드와 데이터 값이 엄격히 분리**됩니다 [3]. `UniteDescriptor.ndf` (물리/기술 속성), `WeaponDescriptor.ndf` (무기 메커니즘), `Ammunition.ndf` (탄약 타격 로직) 등을 통해 모듈화된 디스크립터를 조립하여 유닛을 생성합니다 [3, 5]. 이 구조는 수천 개의 속성을 체계적으로 관리하며, 신속한 데이터 기반 밸런싱과 유저 모딩을 가능하게 합니다 [3, 5].
* **수학적 정밀도에 기반한 전투 및 장갑 역학**
@@ -23,7 +23,7 @@ WARNO의 전술 시뮬레이션 시스템은 냉전 시대의 군사 교리와
유닛들은 500점의 기본 제압 수치를 지니며, 폭발이나 아군 손실 시 수치가 누적되어 '응집력'이 하락합니다 [9]. **제압 상태가 깊어지면 명중률, 재장전 속도, 기동력이 저하**되는 페널티를 받습니다 [9]. 건물(50%) 및 숲(35%)과 같은 지형 데이터는 제압 피해에 대한 저항력을 제공하며, 헌병(Military Police) 특성과 높은 숙련도(Veterancy)는 응집력 회복을 가속하는 등 심리적 전장이 수치화되어 있습니다 [10].
* **텔레메트리 기반 밸런싱과 모딩 생태계**
- Eugen Systems는 커뮤니티의 단순 여론이 아닌 **방대한 텔레메트리(픽률, 승률, 킬/데스 비율 등) 데이터를 실시간으로 분석하여 가격, 무장 스펙, 가용성 등을 정밀하게 조정**합니다 [11, 12]. 또한 게임의 개방적인 데이터 구조를 통해 유저들은 NDF를 직접 수정하여 현실주의 모드(예: Reb's FRAGO)를 만들거나, Warno-Armory 및 War-Yes와 같은 데이터 파싱 도구를 제작하여 은닉된 엔진 내부 수치들을 커뮤니티와 공유하고 분석합니다 [13, 14].
+ Eugen[[ system]]s는 커뮤니티의 단순 여론이 아닌 **방대한 텔레메트리(픽률, 승률, 킬/데스 비율 등) 데이터를 실시간으로 분석하여 가격, 무장 스펙, 가용성 등을 정밀하게 조정**합니다 [11, 12]. 또한 게임의 개방적인 데이터 구조를 통해 유저들은 NDF를 직접 수정하여 현실주의 모드(예: Reb's FRAGO)를 만들거나, [[Warno-Armory]] 및 [[War-Yes]]와 같은 데이터 파싱 도구를 제작하여 은닉된 엔진 내부 수치들을 커뮤니티와 공유하고 분석합니다 [13, 14].
## 🔗 Knowledge Connections
- **Related Topics:** [[Iriszoom 엔진]], [[NDF (Neutral Data Format)]], [[텔레메트리 기반 밸런싱]], [[사단(Division) 덱 시스템]]
diff --git a/10_Wiki/Topics/AI & Games/WARNO 전투 메커니즘 (Combat Mechanics).md b/10_Wiki/Topics/AI & Games/WARNO 전투 메커니즘 (Combat Mechanics).md
index 4fbb19cd..d7c514dc 100644
--- a/10_Wiki/Topics/AI & Games/WARNO 전투 메커니즘 (Combat Mechanics).md
+++ b/10_Wiki/Topics/AI & Games/WARNO 전투 메커니즘 (Combat Mechanics).md
@@ -4,9 +4,9 @@ status: Final
converted_at: 2026-04-28
---
-# WARNO 전투 메커니즘 (Combat Mechanics)
+# [[WARNO]] 전투 메커니즘 (Combat Mechanics)
-## 📌 Brief Summary
+## 📌[[ brief]] Summary
WARNO의 전투 메커니즘은 단순한 난수 생성을 넘어 타겟과의 거리, 지형, 무기 특성이 복합적으로 작용하는 비선형적 알고리즘으로 구성된 시스템이다 [1]. 게임 엔진과 데이터 구조는 관통력, 명중률 등의 물리적 타격 로직부터 전장의 공포를 반영한 심리적 상태까지 모든 것을 정밀한 수치로 치환하여 모사한다 [2, 3]. 이러한 데이터 중심 설계는 플레이어로 하여금 유닛의 기동, 은폐, 사거리 조절을 끊임없이 최적화하도록 요구하는 깊이 있는 전술적 환경을 제공한다 [4, 5].
## 📖 Core Content
@@ -17,7 +17,7 @@ WARNO의 전투 메커니즘은 단순한 난수 생성을 넘어 타겟과의
* **제압 및 응집력 시스템 (Suppression & Cohesion):**
모든 유닛은 500점의 제압 한계 수치를 가지며, 피격되거나 인접 유닛이 손실될 때 제압 수치가 누적된다 [3, 11]. 누적된 제압 수치로 인해 유닛의 응집력(Cohesion) 상태가 하락하면 명중률이 감소할 뿐만 아니라 이동 속도와 연사 속도에 최대 50%의 심각한 페널티가 부과된다 [3, 12]. 장갑 수치 1당 제압 피해를 5% 흡수할 수 있으며, 헌병(Military Police) 특성 오라나 건물(50% 저항력), 숲(35% 저항력) 등의 지형 데이터는 심리적 타격에 대한 강력한 방어 및 회복력을 제공한다 [11-13].
* **정찰과 은신 (Recon & Stealth):**
- 은신 탐지 알고리즘은 관측 유닛의 '광학(Optics)' 수치와 타겟 유닛의 '은신(Stealth)' 수치의 상호작용으로 결정된다 [13]. 보병 유닛이 건물에 들어가면 3.75배, 숲에 들어가면 2.75배의 은신 승수를 얻어 탐지가 극히 어려워진다 [14, 15]. 그러나 무기를 발사할 경우 해당 무기에 설정된 '소음(Noise)' 수치만큼 은신 데이터가 일시적으로 삭감되어, 적의 정찰망에 강제로 노출되는 리스크가 발생한다 [15].
+ 은신 탐지 알고리즘은 관측 유닛의 '광학(Optics)' 수치와 타겟 유닛의 '은신(Stealth)' 수치의 상호작용으로 결정된다 [13]. 보병 유닛이 건물에 들어가면 3.75배, 숲에 들어가면 2.75배의 은신 승수를 얻어 탐지가 극히 어려워진다 [14, 15]. 그러나 무기를 발사할 경우 해당 무기에 설정된 '소음([[Noise]])' 수치만큼 은신 데이터가 일시적으로 삭감되어, 적의 정찰망에 강제로 노출되는 리스크가 발생한다 [15].
## 🔗 Knowledge Connections
- **Related Topics:** [[Iriszoom 엔진]], [[NDF (Neutral Data Format)]], [[데이터 기반 밸런싱]]
diff --git a/10_Wiki/Topics/AI & Games/WARNO 커뮤니티 데이터 도구 생태계.md b/10_Wiki/Topics/AI & Games/WARNO 커뮤니티 데이터 도구 생태계.md
index b00dd1e8..4a792aca 100644
--- a/10_Wiki/Topics/AI & Games/WARNO 커뮤니티 데이터 도구 생태계.md
+++ b/10_Wiki/Topics/AI & Games/WARNO 커뮤니티 데이터 도구 생태계.md
@@ -4,21 +4,21 @@ status: Final
converted_at: 2026-04-28
---
-# WARNO 커뮤니티 데이터 도구 생태계
+# [[WARNO]] 커뮤니티 데이터 도구 생태계
-## 📌 Brief Summary
+## 📌[[ brief]] Summary
WARNO 커뮤니티 데이터 도구 생태계는 유저들이 게임 내 숨겨진 데이터를 추출, 분석, 시각화하여 전술적 이해도를 높이기 위해 자발적으로 구축한 다양한 서드파티 플랫폼과 파싱 도구들의 집합을 의미합니다 [1]. 이 생태계는 NDF 파일 기반의 게임 구조를 역설계하여 인게임 UI에서 제공되지 않는 은닉 데이터를 제공하며, 데이터의 민주화를 통해 유저들이 게임 역학을 깊이 이해하고 정교한 덱 빌딩과 전술을 수립할 수 있도록 지원합니다 [1, 2].
## 📖 Core Content
-* **데이터 추출 및 시각화 플랫폼 (Warno-Armory & War-Yes):** 유저들은 NDF 파일을 직접 읽어 분석하거나 AI 텍스트 파서를 활용하는 웹사이트를 개발했습니다 [3, 4]. 'War-Yes'는 유닛을 검색, 정렬, 필터링하고 차트를 통해 상호 비교할 수 있게 해주며, 숨겨진 명중률 곡선 등을 시각화하여 제공합니다 [1, 5]. 'Warno-Armory'는 실제 NDF 파일 파싱을 기반으로 무기 체계의 상세 로직과 AI 표적 우선순위에 영향을 미치는 '위험도(Dangerousness)' 같은 숨겨진 통계를 추출하여 제공하며, 게임 패치 직후 신속하게 최신 데이터가 반영되는 강점이 있습니다 [1, 6, 7].
-* **리플레이 및 전투력 분석 도구 (WARPLAN & WARCAL):** 'WARPLAN'은 1v1 멀티플레이어 게임의 리플레이 파일(.rpl)과 게임 종료 화면의 스크린샷(OCR 활용)을 분석하여 시간 경과에 따른 유닛 구매 내역 및 AP(활성화 포인트) 손실 타임라인을 구축하는 도구입니다 [1, 8]. 'WARCAL' 알고리즘은 유닛의 전투력을 생존성, 대장갑 살상력, 대보병 살상력, 대공 살상력, 주도권 등 5가지 지표로 정량화하여 유닛 및 진영 간의 고차원적인 객관적 비교를 지원합니다 [9].
-* **모딩 및 NDF 파싱 도구 (WME & ndf-parse):** WARNO의 스크립트 언어인 NDF 파일을 해독하고 수정하기 위한 도구들도 커뮤니티 주도로 활발히 개발되었습니다. 'Warno Mod Editor (WME)'는 통합 GUID 생성기를 포함하여 NDF 파일의 시각적 편집을 돕는 도구로, 높은 접근성을 통해 모드 제작을 지원합니다 [1, 10]. 또한, Python 기반의 'ndf-parse' 패키지는 NDF 파일을 구문 분석하고 수정된 코드를 다시 유효한 NDF 코드로 작성할 수 있게 해주는 유틸리티입니다 [11].
-* **종합 위키 및 문서화 프로젝트 (WARNO-DATA):** GitHub에서 운영되는 'WARNO-DATA' 프로젝트는 Eugen Systems의 수천 개의 NDF 파일(UniteDescriptor.ndf, WeaponDescriptor.ndf 등)에 분산된 데이터를 체계적으로 문서화한 위키입니다 [12-14]. 피해량 및 정확도 계산과 같은 핵심 게임 메커니즘에 대한 심층적인 통찰력과 데이터 딕셔너리를 커뮤니티에 제공합니다 [13, 15].
+* **데이터 추출 및 시각화 플랫폼 ([[Warno-Armory]] & [[War-Yes]]):** 유저들은 NDF 파일을 직접 읽어 분석하거나 AI 텍스트 파서를 활용하는 웹사이트를 개발했습니다 [3, 4]. 'War-Yes'는 유닛을 검색, 정렬, 필터링하고 차트를 통해 상호 비교할 수 있게 해주며, 숨겨진 명중률 곡선 등을 시각화하여 제공합니다 [1, 5]. 'Warno-Armory'는 실제 NDF 파일 파싱을 기반으로 무기 체계의 상세 로직과 AI 표적 우선순위에 영향을 미치는 '위험도(Dangerousness)' 같은 숨겨진 통계를 추출하여 제공하며, 게임 패치 직후 신속하게 최신 데이터가 반영되는 강점이 있습니다 [1, 6, 7].
+* **리플레이 및 전투력 분석 도구 ([[WARPLAN]] & WARCAL):** 'WARPLAN'은 1v1 멀티플레이어 게임의 리플레이 파일(.rpl)과 게임 종료 화면의 스크린샷(OCR 활용)을 분석하여 시간 경과에 따른 유닛 구매 내역 및 AP(활성화 포인트) 손실 타임라인을 구축하는 도구입니다 [1, 8]. 'WARCAL' 알고리즘은 유닛의 전투력을 생존성, 대장갑 살상력, 대보병 살상력, 대공 살상력, 주도권 등 5가지 지표로 정량화하여 유닛 및 진영 간의 고차원적인 객관적 비교를 지원합니다 [9].
+* **모딩 및 NDF 파싱 도구 (WME & [[ndf-parse]]):** WARNO의 스크립트 언어인 NDF 파일을 해독하고 수정하기 위한 도구들도 커뮤니티 주도로 활발히 개발되었습니다. 'Warno Mod Editor (WME)'는 통합 GUID 생성기를 포함하여 NDF 파일의 시각적 편집을 돕는 도구로, 높은 접근성을 통해 모드 제작을 지원합니다 [1, 10]. 또한, Python 기반의 'ndf-parse' 패키지는 NDF 파일을 구문 분석하고 수정된 코드를 다시 유효한 NDF 코드로 작성할 수 있게 해주는 유틸리티입니다 [11].
+* **종합 위키 및 문서화 프로젝트 (WARNO-DATA):** GitHub에서 운영되는 'WARNO-DATA' 프로젝트는 Eugen[[ system]]s의 수천 개의 NDF 파일(UniteDescriptor.ndf, WeaponDescriptor.ndf 등)에 분산된 데이터를 체계적으로 문서화한 위키입니다 [12-14]. 피해량 및 정확도 계산과 같은 핵심 게임 메커니즘에 대한 심층적인 통찰력과 데이터 딕셔너리를 커뮤니티에 제공합니다 [13, 15].
## 🔗 Knowledge Connections
- **Related Topics:** [[NDF (Neutral Data Format)]], [[데이터 기반 설계(Data-Driven Design)]], [[은신과 광학 메커니즘(Stealth and Optics Mechanics)]]
- **Projects/Contexts:** [[War-Yes 및 Warno-Armory 플랫폼]], [[WARPLAN 리플레이 분석기]], [[Warno Mod Editor (WME)]], [[WARNO-DATA GitHub 프로젝트]]
-- **Contradictions/Notes:** 게임 개발사인 Eugen Systems는 인게임 무기고나 UI를 통해 모든 데이터를 공개하지 않지만(연사 준비 시간, 위험도 등 은닉 데이터 존재), 커뮤니티는 NDF 파싱 도구를 통해 이러한 데이터를 스스로 발굴하고 공유하여 전술 최적화에 적극적으로 활용하고 있습니다 [1, 7, 16].
+- **Contradictions/Notes:** 게임 개발사인 [[Eugen Systems]]는 인게임 무기고나 UI를 통해 모든 데이터를 공개하지 않지만(연사 준비 시간, 위험도 등 은닉 데이터 존재), 커뮤니티는 NDF 파싱 도구를 통해 이러한 데이터를 스스로 발굴하고 공유하여 전술 최적화에 적극적으로 활용하고 있습니다 [1, 7, 16].
---
*Last updated: 2026-04-28*
\ No newline at end of file
diff --git a/10_Wiki/Topics/AI & Games/WARNO 커뮤니티 모딩 생태계.md b/10_Wiki/Topics/AI & Games/WARNO 커뮤니티 모딩 생태계.md
index 637fea4a..8642fd16 100644
--- a/10_Wiki/Topics/AI & Games/WARNO 커뮤니티 모딩 생태계.md
+++ b/10_Wiki/Topics/AI & Games/WARNO 커뮤니티 모딩 생태계.md
@@ -4,15 +4,15 @@ status: Final
converted_at: 2026-04-28
---
-# WARNO 커뮤니티 모딩 생태계
+# [[WARNO]] 커뮤니티 모딩 생태계
-## 📌 Brief Summary
-WARNO의 커뮤니티 모딩 생태계는 게임의 개방적인 데이터 설계(NDF 시스템)를 바탕으로 유저들이 직접 게임 내 수치와 메커니즘을 분석, 수정, 공유하며 발전시키는 지식 및 창작 환경을 의미합니다 [1, 2]. 개발사인 Eugen Systems가 공식 모딩 가이드와 편집 도구를 제공하여 데이터 접근성을 높였으며, 이를 통해 유저들은 현실주의 모드 개발, 데이터 파싱 도구 제작, 통합 데이터베이스 구축 등 활발한 활동을 이어가고 있습니다 [2-4]. 이는 WARNO가 단순한 정적 게임을 넘어 유저 커뮤니티와 함께 호흡하며 진화하는 확장 가능한 전술 시뮬레이션 플랫폼으로 기능하게 합니다 [5, 6].
+## 📌[[ brief]] Summary
+WARNO의 커뮤니티 모딩 생태계는 게임의 개방적인 데이터 설계(NDF 시스템)를 바탕으로 유저들이 직접 게임 내 수치와 메커니즘을 분석, 수정, 공유하며 발전시키는 지식 및 창작 환경을 의미합니다 [1, 2]. 개발사인 Eugen[[ system]]s가 공식 모딩 가이드와 편집 도구를 제공하여 데이터 접근성을 높였으며, 이를 통해 유저들은 현실주의 모드 개발, 데이터 파싱 도구 제작, 통합 데이터베이스 구축 등 활발한 활동을 이어가고 있습니다 [2-4]. 이는 WARNO가 단순한 정적 게임을 넘어 유저 커뮤니티와 함께 호흡하며 진화하는 확장 가능한 전술 시뮬레이션 플랫폼으로 기능하게 합니다 [5, 6].
## 📖 Core Content
-* **개방적인 데이터 접근성 및 공식 지원:** Eugen Systems는 NDF(Neutral Data Format) 파일 구조를 통해 유저들이 게임의 핵심 소스 코드를 건드리지 않고도 유닛의 성능, 명중률, 관통력 등을 미세 조정할 수 있도록 개방적인 환경을 제공합니다 [1, 7]. 공식적인 모딩 매뉴얼과 `CreateNewMod.bat` 등의 스크립트를 기본 제공하여, 유저가 쉽게 자신만의 모드 디렉토리를 생성하고 `Divisions.ndf`, `DivisionRules.ndf`, `UniteDescriptor.ndf` 등의 파일을 수정할 수 있도록 지원하고 있습니다 [3, 4, 8-10].
-* **데이터 파싱 및 커뮤니티 도구의 발달:** 복잡한 NDF 파일을 효율적으로 다루기 위해 유저 커뮤니티는 독자적인 파싱 및 편집 도구를 자체 개발했습니다. Python 기반의 `ndf-parse` 패키지를 비롯하여 [11, 12], 고유 ID(GUID) 생성기가 통합된 전용 에디터인 'WME (Warno Mod Editor)' 등이 제작되어 모딩에 대한 진입 장벽을 낮추었습니다 [2, 13].
-* **메타 데이터베이스 및 분석 도구 구축:** 숨겨진 게임 엔진 내부의 수치들을 파싱하여 시각화하는 'Warno-Armory', 'War-Yes'와 같은 웹 기반 데이터베이스 사이트가 유저들에 의해 구축되었습니다 [2, 14-17]. 또한 리플레이 데이터 파일(.rpl)과 스크린샷을 분석하여 유닛의 생존성, 살상력 등을 시계열로 추적하는 'WARPLAN'과 같은 전술 분석 도구도 커뮤니티 주도로 활발히 운영되고 있습니다 [2, 18-20].
+* **개방적인 데이터 접근성 및 공식 지원:** [[Eugen Systems]]는 NDF(Neutral Data Format) 파일 구조를 통해 유저들이 게임의 핵심 소스 코드를 건드리지 않고도 유닛의 성능, 명중률, 관통력 등을 미세 조정할 수 있도록 개방적인 환경을 제공합니다 [1, 7]. 공식적인 모딩 매뉴얼과 `CreateNewMod.bat` 등의 스크립트를 기본 제공하여, 유저가 쉽게 자신만의 모드 디렉토리를 생성하고 `Divisions.ndf`, `DivisionRules.ndf`, `UniteDescriptor.ndf` 등의 파일을 수정할 수 있도록 지원하고 있습니다 [3, 4, 8-10].
+* **데이터 파싱 및 커뮤니티 도구의 발달:** 복잡한 NDF 파일을 효율적으로 다루기 위해 유저 커뮤니티는 독자적인 파싱 및 편집 도구를 자체 개발했습니다. Python 기반의 `[[ndf-parse]]` 패키지를 비롯하여 [11, 12], 고유 ID(GUID) 생성기가 통합된 전용 에디터인 '[[WME (Warno Mod Editor)]]' 등이 제작되어 모딩에 대한 진입 장벽을 낮추었습니다 [2, 13].
+* **메타 데이터베이스 및 분석 도구 구축:** 숨겨진 게임 엔진 내부의 수치들을 파싱하여 시각화하는 '[[Warno-Armory]]', '[[War-Yes]]'와 같은 웹 기반 데이터베이스 사이트가 유저들에 의해 구축되었습니다 [2, 14-17]. 또한 리플레이 데이터 파일(.rpl)과 스크린샷을 분석하여 유닛의 생존성, 살상력 등을 시계열로 추적하는 '[[WARPLAN]]'과 같은 전술 분석 도구도 커뮤니티 주도로 활발히 운영되고 있습니다 [2, 18-20].
* **커뮤니티 주도의 지식 문서화(Wiki) 프로젝트:** WARNO의 방대한 유닛 데이터와 수천 개의 NDF 파일에 분산된 게임 메커니즘을 체계적으로 문서화하기 위해 'WARNO-DATA'와 같은 GitHub 기반의 위키 프로젝트가 진행되었습니다 [2, 21, 22]. 이 프로젝트는 유저들이 자발적으로 참여하여 데미지 계산, 명중률 공식 등을 분석하고 기록하는 집단 지성의 장으로 기능합니다 [2, 23].
* **현실주의 모드의 등장 (Reb's FRAGO):** 커뮤니티 생태계의 대표적 성과 중 하나는 'RebsFRAGO'와 같은 고도의 현실주의(Realism) 지향 모드입니다 [2, 24]. 이 모드는 임의적인 밸런스 패치를 지양하고 무기의 최대 사거리, 탄약 크기 기반의 데미지, 폭발 반경, 이동 속도 등 모든 데이터를 실제 제원값과 일관된 계산식에 기반하여 재설계함으로써 전술적 현실성을 극대화했습니다 [24-26].
diff --git a/10_Wiki/Topics/AI & Games/WARNO-DATA Wiki.md b/10_Wiki/Topics/AI & Games/WARNO-DATA Wiki.md
index c84f127f..ccba3833 100644
--- a/10_Wiki/Topics/AI & Games/WARNO-DATA Wiki.md
+++ b/10_Wiki/Topics/AI & Games/WARNO-DATA Wiki.md
@@ -3,16 +3,16 @@ category: AI & Games
status: Final
converted_at: 2026-04-28
---
-# WARNO-DATA Wiki
+# [[WARNO]]-DATA Wiki
-## ?뱦 Brief Summary
-WARNO-DATA Wiki??Eugen Systems???꾩닠 ?쒕??덉씠??寃뚯엫??WARNO???좊떅 ?곗씠?곗? ?듭떖 寃뚯엫 硫붿빱?덉쬁???곸꽭??臾몄꽌?뷀븳 而ㅻ??덊떚 二쇰룄???꾨줈?앺듃?낅땲??[1-3]. 寃뚯엫???묐룞 ?쇰━媛 ?닿릿 ?낆옄?곸씤 NDF ?뚯씪?ㅼ쓽 ?뺤떇???대룆?섏뿬, 諛⑸????뚯씪 ?띿뿉 遺꾩궛???띿꽦 媛믩뱾???댄빐?섍린 ?쎄쾶 ?ㅻ챸?섎뒗 寃껋쓣 紐⑺몴濡??⑸땲??[1, 4]. ?대? ?듯빐 紐낆쨷瑜? ?곕?吏 怨꾩궛 ???④꺼吏?硫붿빱?덉쬁???щ챸?섍쾶 怨듦컻?섏뿬 ?뚮젅?댁뼱媛 ?곗씠??以묒떖??寃뚯엫 ?ㅺ퀎瑜?源딆씠 ?댄빐?????덈룄濡??뺤뒿?덈떎 [4, 5].
+## ?뱦[[ brief]] Summary
+WARNO-DATA Wiki??Eugen[[ system]]s???꾩닠 ?쒕??덉씠??寃뚯엫??WARNO???좊떅 ?곗씠?곗? ?듭떖 寃뚯엫 硫붿빱?덉쬁???곸꽭??臾몄꽌?뷀븳 而ㅻ??덊떚 二쇰룄???꾨줈?앺듃?낅땲??[1-3]. 寃뚯엫???묐룞 ?쇰━媛 ?닿릿 ?낆옄?곸씤 NDF ?뚯씪?ㅼ쓽 ?뺤떇???대룆?섏뿬, 諛⑸????뚯씪 ?띿뿉 遺꾩궛???띿꽦 媛믩뱾???댄빐?섍린 ?쎄쾶 ?ㅻ챸?섎뒗 寃껋쓣 紐⑺몴濡??⑸땲??[1, 4]. ?대? ?듯빐 紐낆쨷瑜? ?곕?吏 怨꾩궛 ???④꺼吏?硫붿빱?덉쬁???щ챸?섍쾶 怨듦컻?섏뿬 ?뚮젅?댁뼱媛 ?곗씠??以묒떖??寃뚯엫 ?ㅺ퀎瑜?源딆씠 ?댄빐?????덈룄濡??뺤뒿?덈떎 [4, 5].
## ?뱰 Core Content
-* **?ㅻ┰ 諛곌꼍 諛?紐⑹쟻:** WARNO??寃뚯엫 ?숈옉怨??좊떅 ?곗씠?곕뒗 Eugen Systems??怨좎쑀 ?щ㎎???섏쿇 媛쒖쓽 NDF(Neutral Data Format) ?뚯씪??遺꾩궛?섏뼱 ??λ릺???덉뒿?덈떎 [1]. 怨듭떇?곸쑝濡??쒓났?섎뒗 紐⑤뵫 留ㅻ돱?쇱? ?뚯씪 ?뺤떇留?媛쒕왂?곸쑝濡??ㅻ챸??肉??대? ?곗씠?곗뿉 ????곸꽭???ㅻ챸??遺議깊빀?덈떎 [1]. WARNO-DATA ?꾨줈?앺듃???대윭??媛꾧레??硫붿슦湲??꾪빐 ?좊떅??二쇱슂 ?띿꽦怨??듭떖 硫붿빱?덉쬁???ш큵?곸쑝濡?臾몄꽌?뷀븯???꾪궎瑜?援ъ텞?섏??듬땲??[1, 3, 4].
+* **?ㅻ┰ 諛곌꼍 諛?紐⑹쟻:** WARNO??寃뚯엫 ?숈옉怨??좊떅 ?곗씠?곕뒗 [[Eugen Systems]]??怨좎쑀 ?щ㎎???섏쿇 媛쒖쓽 NDF(Neutral Data Format) ?뚯씪??遺꾩궛?섏뼱 ??λ릺???덉뒿?덈떎 [1]. 怨듭떇?곸쑝濡??쒓났?섎뒗 紐⑤뵫 留ㅻ돱?쇱? ?뚯씪 ?뺤떇留?媛쒕왂?곸쑝濡??ㅻ챸??肉??대? ?곗씠?곗뿉 ????곸꽭???ㅻ챸??遺議깊빀?덈떎 [1]. WARNO-DATA ?꾨줈?앺듃???대윭??媛꾧레??硫붿슦湲??꾪빐 ?좊떅??二쇱슂 ?띿꽦怨??듭떖 硫붿빱?덉쬁???ш큵?곸쑝濡?臾몄꽌?뷀븯???꾪궎瑜?援ъ텞?섏??듬땲??[1, 3, 4].
* **?곗씠???ъ쟾(Data Dictionary) ?쒓났:** ???꾪궎??`UniteDescriptor.ndf`, `WeaponDescriptor.ndf`, `Ammunition.ndf` ???쒕??덉씠?섏쓣 援щ룞?섎뒗 ?듭떖 NDF ?뚯씪?ㅼ쓽 二쇱슂 ?띿꽦???뺣━???ъ쟾(Dictionary)???ы븿?섍퀬 ?덉뒿?덈떎 [4, 6]. ?대? ?듯빐 ?좊떅??媛寃? ?쒖빞, ?κ컩, 愿?듬젰, 議곗? ?쒓컙 ??臾쇰━??諛?湲곗닠???띿꽦???곗씠???덈꺼?먯꽌 ?대뼸寃??뺤쓽?섎뒗吏 ?뺤씤?????덉뒿?덈떎 [6, 7].
* **寃뚯엫 硫붿빱?덉쬁???ъ링 遺꾩꽍:** WARNO-DATA???섏튂?곸씤 ?곗씠?곕퓧留??꾨땲?? 紐낆쨷瑜좉낵 ?곕?吏媛 怨꾩궛?섎뒗 怨쇱젙 ??洹쇰낯?곸씤 寃뚯엫 ??븰??????ъ링?곸씤 ?듭같?μ쓣 ?쒓났?⑸땲??[2, 4]. ???꾪궎???먮즺瑜?諛뷀깢?쇰줈 ?뚮젅?댁뼱?ㅼ? ?꾩쥌(KE, HEAT, HE ?????곕Ⅸ ?ш굅由?鍮꾨? 愿?듬젰??李⑥씠??蹂듭옟??臾쇰━ 怨꾩궛???댄빐?????덉뒿?덈떎 [8, 9].
-* **而ㅻ??덊떚 二쇰룄???곗씠??誘쇱<??** WARNO-DATA??GPL-3.0 ?쇱씠?좎뒪 ?섏뿉 ?댁쁺?섎뒗 ?꾨줈?앺듃濡? 而ㅻ??덊떚 援ъ꽦?먮뱾???꾩쭅 臾몄꽌?붾릺吏 ?딆? ?띿꽦?ㅼ쓣 ?④퍡 ?대룆???섍???湲곗뿬??援ъ“瑜?媛吏怨??덉뒿?덈떎 [2]. Warno-Armory 諛?War-Yes? 媛숈? ?곗씠???뚯떛 ?꾧뎄?ㅺ낵 ?붾텋?? 媛쒕컻???대????④꺼???덈뜕 ?붿쭊 ?섏튂瑜?諛쒓뎬?섏뿬 ?좎?媛 ?뺢탳???곗씠??湲곕컲???꾩닠???섎┰?????덈룄濡??뺣뒗 ?듭떖?곸씤 ??븷???섑뻾?⑸땲??[5, 10].
+* **而ㅻ??덊떚 二쇰룄???곗씠??誘쇱<??** WARNO-DATA??GPL-3.0 ?쇱씠?좎뒪 ?섏뿉 ?댁쁺?섎뒗 ?꾨줈?앺듃濡? 而ㅻ??덊떚 援ъ꽦?먮뱾???꾩쭅 臾몄꽌?붾릺吏 ?딆? ?띿꽦?ㅼ쓣 ?④퍡 ?대룆???섍???湲곗뿬??援ъ“瑜?媛吏怨??덉뒿?덈떎 [2]. [[Warno-Armory]] 諛?[[War-Yes]]? 媛숈? ?곗씠???뚯떛 ?꾧뎄?ㅺ낵 ?붾텋?? 媛쒕컻???대????④꺼???덈뜕 ?붿쭊 ?섏튂瑜?諛쒓뎬?섏뿬 ?좎?媛 ?뺢탳???곗씠??湲곕컲???꾩닠???섎┰?????덈룄濡??뺣뒗 ?듭떖?곸씤 ??븷???섑뻾?⑸땲??[5, 10].
## ?뵕 Knowledge Connections
- **Related Topics:** [[NDF (Neutral Data Format)]], [[?곗씠??湲곕컲 ?ㅺ퀎(Data-Driven Design)]], [[Iriszoom ?붿쭊]]
diff --git a/10_Wiki/Topics/AI & Games/WARNO-DATA 프로젝트.md b/10_Wiki/Topics/AI & Games/WARNO-DATA 프로젝트.md
index 2954d36f..495e4b83 100644
--- a/10_Wiki/Topics/AI & Games/WARNO-DATA 프로젝트.md
+++ b/10_Wiki/Topics/AI & Games/WARNO-DATA 프로젝트.md
@@ -4,13 +4,13 @@ status: Final
converted_at: 2026-04-28
---
-# WARNO-DATA 프로젝트
+# [[WARNO]]-DATA 프로젝트
-## 📌 Brief Summary
-WARNO-DATA 프로젝트는 Eugen Systems의 전술 게임 WARNO를 위해 깃허브(GitHub)에 구축된 광범위한 위키 프로젝트입니다 [1, 2]. 이 프로젝트는 수천 개의 `.ndf` 파일에 분산된 유닛 데이터를 문서화하고 명중률이나 데미지 계산과 같은 게임의 핵심 메커니즘을 상세히 설명하는 데 목적을 두고 있습니다 [3-5]. 공식 모딩 매뉴얼이 제공하지 못하는 데이터 속성의 구체적인 의미를 해독하여 WARNO 커뮤니티와 모더들의 이해를 돕는 커뮤니티 주도형 프로젝트입니다 [3, 6].
+## 📌[[ brief]] Summary
+WARNO-DATA 프로젝트는 Eugen[[ system]]s의 전술 게임 WARNO를 위해 깃허브(GitHub)에 구축된 광범위한 위키 프로젝트입니다 [1, 2]. 이 프로젝트는 수천 개의 `.ndf` 파일에 분산된 유닛 데이터를 문서화하고 명중률이나 데미지 계산과 같은 게임의 핵심 메커니즘을 상세히 설명하는 데 목적을 두고 있습니다 [3-5]. 공식 모딩 매뉴얼이 제공하지 못하는 데이터 속성의 구체적인 의미를 해독하여 WARNO 커뮤니티와 모더들의 이해를 돕는 커뮤니티 주도형 프로젝트입니다 [3, 6].
## 📖 Core Content
-* **프로젝트의 배경 및 목표:** WARNO의 게임 동작 및 유닛 데이터는 Eugen Systems의 독자적인 `.ndf` 파일 시스템 내에 저장됩니다 [3]. 개발사가 파일 포맷을 설명하는 간략한 모딩 매뉴얼과 `.ndf` 참조 가이드를 제공하기는 하나, 수천 개의 파일에 분포된 실제 데이터의 의미에 대한 설명은 부족합니다 [3]. WARNO-DATA는 이러한 정보의 공백을 메우기 위해 고안되었으며, WARNO 커뮤니티의 발전을 위해 GPL-3.0 라이선스로 운영되는 커뮤니티 중심의 프로젝트입니다 [4, 6].
+* **프로젝트의 배경 및 목표:** WARNO의 게임 동작 및 유닛 데이터는 [[Eugen Systems]]의 독자적인 `.ndf` 파일 시스템 내에 저장됩니다 [3]. 개발사가 파일 포맷을 설명하는 간략한 모딩 매뉴얼과 `.ndf` 참조 가이드를 제공하기는 하나, 수천 개의 파일에 분포된 실제 데이터의 의미에 대한 설명은 부족합니다 [3]. WARNO-DATA는 이러한 정보의 공백을 메우기 위해 고안되었으며, WARNO 커뮤니티의 발전을 위해 GPL-3.0 라이선스로 운영되는 커뮤니티 중심의 프로젝트입니다 [4, 6].
* **데이터 사전(Data Dictionary):** 이 위키는 `UniteDescriptor.ndf` 및 `WeaponDescriptor.ndf` 등과 같은 게임 내 가장 중요한 `.ndf` 파일들의 핵심 속성들을 세심하게 기록한 포괄적인 데이터 사전을 포함하고 있습니다 [4].
* **게임 메커니즘 심층 가이드:** 단순히 데이터를 나열하는 것에 그치지 않고, 명중률(accuracy) 및 데미지 계산(damage calculation) 방식 등을 비롯한 WARNO의 근본적인 게임 메커니즘에 대한 상세한 통찰과 가이드를 제공합니다 [4, 6].
* **커뮤니티의 참여와 기여:** 아직 완전히 문서화되지 않은 데이터 속성들을 해독하기 위해 유저 커뮤니티의 적극적인 참여를 장려하고 있습니다 [6]. 사용자는 깃허브의 이슈(issue) 기능을 통해 질문을 남기거나 문제 해결을 지원받을 수 있습니다 [6].
diff --git a/10_Wiki/Topics/AI & Games/WARNO.md b/10_Wiki/Topics/AI & Games/WARNO.md
index 70b2d4eb..29aa9186 100644
--- a/10_Wiki/Topics/AI & Games/WARNO.md
+++ b/10_Wiki/Topics/AI & Games/WARNO.md
@@ -5,8 +5,8 @@ converted_at: 2026-04-28
---
# WARNO
-## ?뱦 Brief Summary
-WARNO??Eugen Systems媛 媛쒕컻???ㅼ떆媛??꾩닠 諛??댁젣 ?꾨왂 寃뚯엫?쇰줈, 1989???됱쟾???댁쟾?쇰줈 移섎떖? 媛?곸쓽 ??李??멸퀎??꾩쓣 諛곌꼍?쇰줈 ?섎뒗 援곗궗 ?쒕??덉씠?섏엯?덈떎 [1, 2]. ??寃뚯엫? ?⑥닚???쒕??덉씠?섏쓣 ?섏뼱 1980?꾨? ?꾨컲??援곗궗 援먮━? ?λ퉬 ?쒖썝??怨좊룄???곗씠???꾪궎?띿쿂濡?援ы쁽??'?곗씠??湲곕컲 ?ㅺ퀎(Data-Driven Design)' 泥좏븰??諛뷀깢?쇰줈 媛쒕컻?섏뿀?듬땲??[2]. ?낆옄?곸씤 NDF ?ㅽ겕由쏀듃 ?몄뼱? Iriszoom ?붿쭊??寃고빀?섏뿬, ?좊떅??臾쇰━??異⑸룎遺???щ━???쒖븬 ?쒖뒪?쒖뿉 ?대Ⅴ湲곌퉴吏 ?꾩옣??紐⑤뱺 ?붿냼瑜??뺢탳???곗씠???섏튂 紐⑤뜽濡?援ъ텞??寃껋씠 ?뱀쭠?낅땲??[3, 4].
+## ?뱦[[ brief]] Summary
+WARNO??Eugen[[ system]]s媛 媛쒕컻???ㅼ떆媛??꾩닠 諛??댁젣 ?꾨왂 寃뚯엫?쇰줈, 1989???됱쟾???댁쟾?쇰줈 移섎떖? 媛?곸쓽 ??李??멸퀎??꾩쓣 諛곌꼍?쇰줈 ?섎뒗 援곗궗 ?쒕??덉씠?섏엯?덈떎 [1, 2]. ??寃뚯엫? ?⑥닚???쒕??덉씠?섏쓣 ?섏뼱 1980?꾨? ?꾨컲??援곗궗 援먮━? ?λ퉬 ?쒖썝??怨좊룄???곗씠???꾪궎?띿쿂濡?援ы쁽??'?곗씠??湲곕컲 ?ㅺ퀎(Data-Driven Design)' 泥좏븰??諛뷀깢?쇰줈 媛쒕컻?섏뿀?듬땲??[2]. ?낆옄?곸씤 NDF ?ㅽ겕由쏀듃 ?몄뼱? Iriszoom ?붿쭊??寃고빀?섏뿬, ?좊떅??臾쇰━??異⑸룎遺???щ━???쒖븬 ?쒖뒪?쒖뿉 ?대Ⅴ湲곌퉴吏 ?꾩옣??紐⑤뱺 ?붿냼瑜??뺢탳???곗씠???섏튂 紐⑤뜽濡?援ъ텞??寃껋씠 ?뱀쭠?낅땲??[3, 4].
## ?뱰 Core Content
* **?곗씠??以묒떖???붿쭊 諛?援ъ“ (Iriszoom怨?NDF):**
@@ -16,7 +16,7 @@ WARNO??Eugen Systems媛 媛쒕컻???ㅼ떆媛??꾩닠 諛??댁젣 ?꾨왂 寃
* **?щ━???꾩옣???섏튂??(?쒖븬 諛??묒쭛??:**
?꾩옣?먯꽌???щ━???뺣컯? **'?쒖븬(Suppression)'** 諛?**'?묒쭛??Cohesion)'** ?쒖뒪?쒖쑝濡??곗씠?고솕?⑸땲??[14]. 紐⑤뱺 ?좊떅? 湲곕낯?곸쑝濡?500?먯쓽 ?쒖븬 ?섏튂瑜?吏?덈ʼn, ?쇨꺽?섍굅??二쇰??먯꽌 ??컻??諛쒖깮???뚮쭏???쒖븬 ?곗씠?곌? ?꾩쟻?섏뼱 ?좊떅??紐낆쨷瑜? ?ъ옣???띾룄, 湲곕룞?μ씠 ?섎씫?⑸땲??[14, 15]. 吏???곗씠??嫄대Ъ 50%, ??35% ?쒖븬 ?쇳빐 ????? 諛??좊떅 ?숇젴???곗씠?곌? ?쒖븬 ?꾩쟻 ?띾룄 諛??뚮났 ?띾룄??吏곸젒?곸쑝濡?媛쒖엯?섎룄濡??ㅺ퀎?섏뿀?듬땲??[15, 16].
* **?붾젅硫뷀듃由?湲곕컲 諛몃윴?깃낵 紐⑤뵫 ?앺깭怨?**
- 媛쒕컻?щ뒗 ?⑥닚??而ㅻ??덊떚 ?щ줎???꾨땶 **?붾젅硫뷀듃由?Telemetry)** ?쒖뒪?쒖쓣 ?듯빐 ?섏쭛??媛앷????곗씠???좏깮瑜? ?밸쪧, ???곗뒪 鍮꾩쑉 ??瑜?遺꾩꽍?섏뿬 ?좊떅???ъ씤??鍮꾩슜, 臾댁옣 ?ㅽ럺, ?щ떒 ??媛?⑹꽦 ?깆쓣 ?뺣??섍쾶 議곗젙?⑸땲??[17-19]. ?먰븳, 媛쒕갑?곸씤 NDF ?곗씠??援ъ“ ?뺣텇??而ㅻ??덊떚??'War-Yes', 'Warno-Armory', 'WARPLAN'怨?媛숈? ?뚯떛 諛?由ы뵆?덉씠 遺꾩꽍 ?꾧뎄瑜?吏곸젒 媛쒕컻?섏??쇰ʼn, ?대? ?듯빐 UI??蹂댁씠吏 ?딅뒗 ?④꺼吏??곗씠???? ????뱀닔, 諛쒖궗 媛꾧꺽 濡쒖쭅)瑜?諛쒓뎬?섍퀬 ?듦퀎???꾩닠???섎┰?섍퀬 ?덉뒿?덈떎 [20-23].
+ 媛쒕컻?щ뒗 ?⑥닚??而ㅻ??덊떚 ?щ줎???꾨땶 **?붾젅硫뷀듃由?Telemetry)** ?쒖뒪?쒖쓣 ?듯빐 ?섏쭛??媛앷????곗씠???좏깮瑜? ?밸쪧, ???곗뒪 鍮꾩쑉 ??瑜?遺꾩꽍?섏뿬 ?좊떅???ъ씤??鍮꾩슜, 臾댁옣 ?ㅽ럺, ?щ떒 ??媛?⑹꽦 ?깆쓣 ?뺣??섍쾶 議곗젙?⑸땲??[17-19]. ?먰븳, 媛쒕갑?곸씤 NDF ?곗씠??援ъ“ ?뺣텇??而ㅻ??덊떚??'[[War-Yes]]', '[[Warno-Armory]]', '[[WARPLAN]]'怨?媛숈? ?뚯떛 諛?由ы뵆?덉씠 遺꾩꽍 ?꾧뎄瑜?吏곸젒 媛쒕컻?섏??쇰ʼn, ?대? ?듯빐 UI??蹂댁씠吏 ?딅뒗 ?④꺼吏??곗씠???? ????뱀닔, 諛쒖궗 媛꾧꺽 濡쒖쭅)瑜?諛쒓뎬?섍퀬 ?듦퀎???꾩닠???섎┰?섍퀬 ?덉뒿?덈떎 [20-23].
## ?뵕 Knowledge Connections
- **Related Topics:** [[NDF (Neutral Data Format)]], [[Iriszoom Engine]], [[Telemetry]], [[?쒖븬 諛??묒쭛???쒖뒪??], [[?κ컩 愿???뚭퀬由ъ쬁 (Armor Penetration Algorithm)]]
diff --git a/10_Wiki/Topics/AI & Games/WME (Warno Mod Editor).md b/10_Wiki/Topics/AI & Games/WME (Warno Mod Editor).md
index ae5f91d6..c620f699 100644
--- a/10_Wiki/Topics/AI & Games/WME (Warno Mod Editor).md
+++ b/10_Wiki/Topics/AI & Games/WME (Warno Mod Editor).md
@@ -4,14 +4,14 @@ status: Final
converted_at: 2026-04-28
---
-# WME (Warno Mod Editor)
+# WME ([[WARNO]] Mod Editor)
-## 📌 Brief Summary
+## 📌[[ brief]] Summary
WME(Warno Mod Editor)는 WARNO의 모드 제작을 위해 개발된 커뮤니티 기반의 편집 도구이다 [1, 2]. 기본 Windows 텍스트 편집기를 사용하는 것보다 모딩 작업을 더 편리하게 만들 목적으로 만들어졌다 [1]. NDF 파일의 시각적 편집 기능과 모드 제작에 필수적인 고유 식별자인 GUID 생성기를 통합하여 접근성 높은 모드 제작 환경을 지원한다 [1, 2].
## 📖 Core Content
* **통합 모딩 환경 제공:** WARNO의 모딩은 기본적으로 Sublime Text나 NotePad++ 같은 텍스트 편집기 프로그램과 별도의 GUID 생성기를 각각 사용해야 하는 번거로움이 있다 [1, 3]. WME는 이러한 필수 편집 도구들을 하나로 통합하여 모더(Modder)들에게 보다 편리한 작업 환경을 제공한다 [1].
-* **NDF 파일의 시각적 편집:** WARNO의 모든 논리적 설계와 데이터는 Eugen Systems의 독자적인 스크립트 언어인 NDF 파일에 저장된다 [4]. WME는 이러한 NDF 파일들을 시각적으로 편집할 수 있는 기능을 지원하여, 유저 커뮤니티가 게임의 데이터 기반 설계 아키텍처에 쉽게 접근하고 관련 데이터를 조작할 수 있도록 돕는다 [2].
+* **NDF 파일의 시각적 편집:** WARNO의 모든 논리적 설계와 데이터는 Eugen[[ system]]s의 독자적인 스크립트 언어인 NDF 파일에 저장된다 [4]. WME는 이러한 NDF 파일들을 시각적으로 편집할 수 있는 기능을 지원하여, 유저 커뮤니티가 게임의 데이터 기반 설계 아키텍처에 쉽게 접근하고 관련 데이터를 조작할 수 있도록 돕는다 [2].
* **GUID 생성기 내장:** 모드 제작 시 각 요소는 반드시 무작위로 부여된 고유 식별자인 GUID를 가져야 한다 [1, 3]. WME는 이 GUID 생성기를 시스템 내에 내장하고 있어, 사용자가 외부 사이트를 오갈 필요 없이 도구 내에서 고유 ID를 생성하고 데이터베이스를 손쉽게 편집할 수 있도록 지원한다 [1-3].
## 🔗 Knowledge Connections
diff --git a/10_Wiki/Topics/AI & Games/War-Yes - Warno-Armory (커뮤니티 데이터 분석 도구).md b/10_Wiki/Topics/AI & Games/War-Yes - Warno-Armory (커뮤니티 데이터 분석 도구).md
index 0eb8ca6c..2be664f9 100644
--- a/10_Wiki/Topics/AI & Games/War-Yes - Warno-Armory (커뮤니티 데이터 분석 도구).md
+++ b/10_Wiki/Topics/AI & Games/War-Yes - Warno-Armory (커뮤니티 데이터 분석 도구).md
@@ -4,10 +4,10 @@ status: Final
converted_at: 2026-04-28
---
-# War-Yes / Warno-Armory (커뮤니티 데이터 분석 도구)
+# [[War-Yes]] / [[Warno-Armory]] (커뮤니티 데이터 분석 도구)
-## 📌 Brief Summary
-War-Yes와 Warno-Armory는 WARNO 유저 커뮤니티가 게임 내부의 데이터를 기반으로 직접 개발한 데이터 파싱 및 유닛 비교 도구 웹사이트이다 [1-3]. 이 도구들은 게임 엔진의 내부 파일(NDF)을 직접 읽어들이거나 텍스트 파서를 활용하여 인게임 UI에서는 확인할 수 없는 숨겨진 수치(Hidden stats)를 추출해 제공한다 [3-6]. 플레이어들은 이를 통해 유닛의 상세 제원을 검색, 분류, 비교할 수 있으며 데이터에 기반한 정교한 덱 빌딩과 전술을 수립할 수 있다 [1, 3].
+## 📌[[ brief]] Summary
+War-Yes와 [[WARNO]]-Armory는 WARNO 유저 커뮤니티가 게임 내부의 데이터를 기반으로 직접 개발한 데이터 파싱 및 유닛 비교 도구 웹사이트이다 [1-3]. 이 도구들은 게임 엔진의 내부 파일(NDF)을 직접 읽어들이거나 텍스트 파서를 활용하여 인게임 UI에서는 확인할 수 없는 숨겨진 수치(Hidden stats)를 추출해 제공한다 [3-6]. 플레이어들은 이를 통해 유닛의 상세 제원을 검색, 분류, 비교할 수 있으며 데이터에 기반한 정교한 덱 빌딩과 전술을 수립할 수 있다 [1, 3].
## 📖 Core Content
* **데이터 파싱 및 추출 방식:**
diff --git a/10_Wiki/Topics/AI & Games/War-Yes 및 Warno-Armory 도구.md b/10_Wiki/Topics/AI & Games/War-Yes 및 Warno-Armory 도구.md
index 2a8e5f7a..9e8f6111 100644
--- a/10_Wiki/Topics/AI & Games/War-Yes 및 Warno-Armory 도구.md
+++ b/10_Wiki/Topics/AI & Games/War-Yes 및 Warno-Armory 도구.md
@@ -4,10 +4,10 @@ status: Final
converted_at: 2026-04-28
---
-# War-Yes 및 Warno-Armory 도구
+# [[War-Yes]] 및 [[Warno-Armory]] 도구
-## 📌 Brief Summary
-War-Yes와 Warno-Armory는 Eugen Systems의 전술 시뮬레이션 게임 WARNO의 데이터를 분석하고 비교하기 위해 커뮤니티 유저들이 개발한 데이터 파싱 및 유닛 비교 웹사이트 도구입니다 [1-4]. 이 도구들은 게임 내 사용자 인터페이스(UI)에서는 확인할 수 없는 숨겨진 스탯(Hidden Stats)과 엔진 내부의 수치를 추출하여 플레이어에게 제공합니다 [1, 2, 4, 5]. 이를 통해 플레이어들은 게임의 물리적 메커니즘을 깊이 있게 이해하고, 데이터에 기반한 정교한 덱 빌딩과 전술을 수립할 수 있습니다 [4].
+## 📌[[ brief]] Summary
+War-Yes와 [[WARNO]]-Armory는 Eugen[[ system]]s의 전술 시뮬레이션 게임 WARNO의 데이터를 분석하고 비교하기 위해 커뮤니티 유저들이 개발한 데이터 파싱 및 유닛 비교 웹사이트 도구입니다 [1-4]. 이 도구들은 게임 내 사용자 인터페이스(UI)에서는 확인할 수 없는 숨겨진 스탯(Hidden Stats)과 엔진 내부의 수치를 추출하여 플레이어에게 제공합니다 [1, 2, 4, 5]. 이를 통해 플레이어들은 게임의 물리적 메커니즘을 깊이 있게 이해하고, 데이터에 기반한 정교한 덱 빌딩과 전술을 수립할 수 있습니다 [4].
## 📖 Core Content
- **데이터 파싱 및 숨겨진 수치 발굴:** 이 도구들은 WARNO의 실제 게임 파일(NDF 파일 등)을 직접 읽어오거나 AI 텍스트 파서를 활용해 데이터를 추출하는 방식으로 구축되었습니다 [4-7]. 이를 통해 인게임 무기고(Armory)나 유닛 카드에는 표시되지 않는 엔진 내부 수치, 예를 들어 '연사 준비 시간(TempsEntreDeuxTirs)'과 같은 숨겨진 데이터를 유저들이 확인할 수 있도록 공유합니다 [4, 8].
diff --git a/10_Wiki/Topics/AI & Games/Wargame 시리즈.md b/10_Wiki/Topics/AI & Games/Wargame 시리즈.md
index 6cd8b761..73f50ba4 100644
--- a/10_Wiki/Topics/AI & Games/Wargame 시리즈.md
+++ b/10_Wiki/Topics/AI & Games/Wargame 시리즈.md
@@ -6,8 +6,8 @@ converted_at: 2026-04-28
# Wargame 시리즈
-## 📌 Brief Summary
-'Wargame 시리즈'(*European Escalation*, *AirLand Battle*, *Red Dragon* 등)는 Eugen Systems가 개발한 냉전 및 현대전 배경의 실시간 전술(RTS) 비디오 게임 프랜차이즈입니다 [1, 2]. 이 시리즈는 *WARNO*의 정신적 전작으로서, WARNO는 Wargame의 전술적 전투 메커니즘을 기반으로 삼으면서도 이를 더욱 고도화된 데이터 기반의 사단 시스템과 통합하여 설계되었습니다 [1, 3-5].
+## 📌[[ brief]] Summary
+'Wargame 시리즈'(*European Escalation*, *AirLand Battle*, *Red Dragon* 등)는 Eugen[[ system]]s가 개발한 냉전 및 현대전 배경의 실시간 전술(RTS) 비디오 게임 프랜차이즈입니다 [1, 2]. 이 시리즈는 *[[WARNO]]*의 정신적 전작으로서, WARNO는 Wargame의 전술적 전투 메커니즘을 기반으로 삼으면서도 이를 더욱 고도화된 데이터 기반의 사단 시스템과 통합하여 설계되었습니다 [1, 3-5].
## 📖 Core Content
* **WARNO 시스템 설계의 기반:** WARNO는 Wargame 시리즈와 Steel Division 2의 성공적인 요소들을 계승하여 만들어진 게임입니다 [5, 6]. WARNO의 전술적 전투와 부대 커스터마이징 시스템은 Wargame 시리즈에서 얻은 교훈의 집약체이며, Wargame의 핵심 게임플레이 메커니즘에 Steel Division의 사단(Division) 단위 DNA를 결합하여 설계되었습니다 [3, 7]. 또한, WARNO의 'Army General' 턴제 전략 캠페인은 *Wargame: AirLand Battle*과 *Wargame: Red Dragon*의 다이내믹 캠페인 구조를 발전시킨 형태입니다 [8].
diff --git a/10_Wiki/Topics/AI & Games/Warno 데이터 기반 설계.md b/10_Wiki/Topics/AI & Games/Warno 데이터 기반 설계.md
index 25b08980..8740071c 100644
--- a/10_Wiki/Topics/AI & Games/Warno 데이터 기반 설계.md
+++ b/10_Wiki/Topics/AI & Games/Warno 데이터 기반 설계.md
@@ -4,27 +4,27 @@ status: Final
converted_at: 2026-04-28
---
-# Warno 데이터 기반 설계
+# [[WARNO]] 데이터 기반 설계
-## 📌 Brief Summary
+## 📌[[ brief]] Summary
WARNO는 단순한 실시간 전술 게임을 넘어 냉전 시대의 군사 교리와 장비 제원을 고도의 데이터 아키텍처로 치환한 가상 전장 시뮬레이션입니다 [1]. 시각적 요소부터 물리적 충돌, 심리적 제압 시스템에 이르는 모든 게임 내 요소는 NDF(Neutral Data Format)라는 독자적인 스크립트 언어와 정교한 수학적 모델링을 통해 상호 연결된 데이터 구조 내에서 작동합니다 [1, 2]. 개발사는 텔레메트리(Telemetry)를 활용하여 객관적인 데이터 기반 밸런싱을 수행하며, 유저 커뮤니티에도 이 데이터 설계를 개방하여 확장 가능한 전술 시뮬레이션 프레임워크를 구축하고 있습니다 [3, 4].
## 📖 Core Content
* **Iriszoom 엔진과 시각 데이터 연동:** 물리 기반 렌더링(PBR)을 전면 도입하여 유닛과 지형의 재질별 식별성을 강화했습니다 [5, 6]. 단순한 폭발 이펙트가 아닌 탄약고 유폭 시 포탑 사출, 헬기 로터 블레이드 비산 등 동적 파괴 시스템이 유닛의 상태 데이터와 물리적으로 동기화되어 작동합니다 [5, 6].
-* **NDF (Neutral Data Format) 아키텍처:** WARNO의 논리적 설계는 NDF 파일 내에 텍스트 기반 객체 지향 구조로 모듈화되어 있습니다 [2]. `UniteDescriptor.ndf`, `WeaponDescriptor.ndf`, `Ammunition.ndf` 등을 통해 게임 코드의 직접적인 수정 없이 유닛의 스펙, 관통력, 명중률, 사거리 데이터를 미세 조정할 수 있어 밸런싱과 모딩에 유연성을 제공합니다 [2, 7].
+* **[[NDF (Neutral Data Format)]] 아키텍처:** WARNO의 논리적 설계는 NDF 파일 내에 텍스트 기반 객체 지향 구조로 모듈화되어 있습니다 [2]. `UniteDescriptor.ndf`, `WeaponDescriptor.ndf`, `Ammunition.ndf` 등을 통해 게임 코드의 직접적인 수정 없이 유닛의 스펙, 관통력, 명중률, 사거리 데이터를 미세 조정할 수 있어 밸런싱과 모딩에 유연성을 제공합니다 [2, 7].
* **전투 역학의 수학적 정밀도:** 명중률은 고정된 확률이 아니라 거리가 좁혀질수록 특정 구간에서 기하급수적으로 상승하는 비선형적 거리 비례 데이터 곡선을 따르며, 이동 중 사격 시에는 스테빌라이저 유무에 따라 패널티 데이터가 감쇄됩니다 [8, 9]. 항공기에 대한 대공 미사일 명중률은 타겟의 ECM 데이터를 승수적으로 반영하여 산출($P_{final} = BaseAccuracy \times (1 - ECM)$)됩니다 [10, 11].
* **장갑 관통 데이터 추상화:** 실제 RHA 수치를 게임에 맞게 스케일링 한 '장갑 점수(Armor Value)'를 사용하며, 철갑탄(AP) 등 운동에너지(KE) 탄자는 거리에 비례하여 관통력이 감소하는 데이터 곡선을 가지는 반면, 대전차 고폭탄(HEAT) 및 대전차 미사일(ATGM)은 성형작약 원리를 반영해 사거리에 상관없이 일정한 관통력을 유지합니다 [12-14]. 관통 후 피해량은 장갑과 관통력의 차이에 기반하여 `(AP Value - Armor) / 2 + 1`과 같은 수학적 로직으로 계산됩니다 [15].
-* **심리적 제압(Suppression)과 시야(Optics) 시스템:** 모든 유닛은 500점의 기본 제압 데이터를 보유하며, 피격이나 주변 폭발 시 수치가 누적되어 명중률, 재장전 속도, 기동성 수치의 하락을 유발합니다 [16]. 정찰 시스템은 관측 유닛의 광학(Optics) 수치와 대상 유닛의 은신(Stealth) 수치 간의 거리 판정을 기반으로 하며, 무기 발사 시 적용되는 소음(Noise) 데이터가 은신 수치를 일시적으로 삭감시켜 노출 위험도를 높입니다 [17, 18].
+* **심리적 제압(Suppression)과 시야(Optics) 시스템:** 모든 유닛은 500점의 기본 제압 데이터를 보유하며, 피격이나 주변 폭발 시 수치가 누적되어 명중률, 재장전 속도, 기동성 수치의 하락을 유발합니다 [16]. 정찰 시스템은 관측 유닛의 광학(Optics) 수치와 대상 유닛의 은신(Stealth) 수치 간의 거리 판정을 기반으로 하며, 무기 발사 시 적용되는 소음([[Noise]]) 데이터가 은신 수치를 일시적으로 삭감시켜 노출 위험도를 높입니다 [17, 18].
* **사단 중심의 전략 제약과 텔레메트리 밸런싱:** 사단(Division) 편제표에 따라 유닛의 가용성(Availability) 및 슬롯 포인트 데이터를 달리 설정하여 플레이어가 전술적 장단점을 강제받도록 유도합니다 [19]. 개발사는 방대한 실시간 텔레메트리 데이터를 분석해 픽률과 교전 효율(승률, 생존 시간)을 토대로 유닛의 포인트, 무장 스펙, 특성 데이터를 객관적으로 튜닝하는 밸런싱 작업을 거칩니다 [3, 20].
## 🔗 Knowledge Connections
- **Related Topics:** [[NDF (Neutral Data Format)]], [[Iriszoom 엔진]], [[텔레메트리 (Telemetry) 밸런싱]], [[Combined Arms (제병협동) 전술]]
-- **Projects/Contexts:** [[Eugen Systems의 냉전기 가상 시나리오 및 모딩 생태계 구축]]
+- **Projects/Contexts:** [[Eugen[[ system]]s의 냉전기 가상 시나리오 및 모딩 생태계 구축]]
- **Contradictions/Notes:** WARNO의 장갑 데이터는 게임 성능 최적화와 복잡한 입사각 계산의 단순화를 위해, 경사 장갑 등에 의한 방호 효과를 추상화하여 장갑 수치 데이터 자체에 반영함으로써 실제 물리적 두께보다 높게 설정된 경우가 존재합니다 [13].
---
diff --git a/10_Wiki/Topics/AI & Games/Warno-Armory.md b/10_Wiki/Topics/AI & Games/Warno-Armory.md
index d7c93ec1..7d7c0c31 100644
--- a/10_Wiki/Topics/AI & Games/Warno-Armory.md
+++ b/10_Wiki/Topics/AI & Games/Warno-Armory.md
@@ -4,16 +4,16 @@ status: Final
converted_at: 2026-04-28
---
-# Warno-Armory
+# [[WARNO]]-Armory
-## 📌 Brief Summary
+## 📌[[ brief]] Summary
Warno-Armory는 WARNO의 게임 내부 파일(NDF 파일)을 자동으로 파싱하여 데이터를 읽고, 이를 플레이어에게 편리한 형식으로 보여주는 커뮤니티 기반의 데이터 파싱 도구 웹사이트이다 [1, 2]. 이 사이트는 게임 내 UI에서는 확인할 수 없는 무기 체계의 상세 로직과 숨겨진 스탯을 전수 조사하여 제공한다 [3-5]. 플레이어들은 이 도구를 통해 게임 메커니즘을 더욱 깊이 있게 이해하고, 데이터에 기반한 정교한 덱 빌딩과 전술을 수립할 수 있다 [2].
## 📖 Core Content
* **데이터 파싱 및 숨겨진 스탯 제공:** Warno-Armory는 게임의 내부 파일을 직접 읽어들여 구축된 온라인 무기고(Armory)로, 거의 모든 스탯에 대한 유닛 카테고리별 순위와 숨겨진 유닛 스탯을 제공한다 [1, 4]. 대표적으로 인게임 유닛 카드에는 표시되지 않는 무기별 '다음 공격 준비 시간(TempsEntreDeuxTirs)'과 같은 숨겨진 기술적 속성들을 이 웹사이트에서 쉽게 조회할 수 있다 [3].
* **상세 로직 분석 및 피해량 계산:** 이 웹사이트는 WARNO 무기 체계의 상세 로직을 분석하는 데 사용된다 [5]. 플레이어는 Warno-Armory의 '장갑 분석(Armor analytics)' 탭을 통해 거리에 따른 실제 피해량(Real damage)을 편리하게 계산하고 예측하여 복잡한 전투 역학을 이해할 수 있다 [6].
* **데이터 기반 설계와의 연관성:** WARNO는 NDF 시스템을 통한 데이터 기반 설계(Data-Driven Design)를 핵심으로 삼고 있는데, Reaktor4가 제작한 Warno-Armory는 이러한 엔진 내부에 숨겨진 수치들을 발굴하고 커뮤니티에 공유하는 중추적인 역할을 수행했다 [2, 7]. 이는 유저들이 게임의 수학적, 물리적 메커니즘을 데이터 단위에서 분석하고 전술에 직접 적용할 수 있도록 한 '데이터 민주화'의 대표적인 사례이다 [2].
-* **현재 상태:** Warno-Armory는 훌륭한 데이터 분석 사이트로 활약했으나, 이후 사이트 접속이 불가능해지면서 유사한 데이터 파싱 기능을 제공하는 커뮤니티 도구인 War-Yes(war-yes.com)가 그 역할을 대체하게 되었다 [8].
+* **현재 상태:** Warno-Armory는 훌륭한 데이터 분석 사이트로 활약했으나, 이후 사이트 접속이 불가능해지면서 유사한 데이터 파싱 기능을 제공하는 커뮤니티 도구인 [[War-Yes]](war-yes.com)가 그 역할을 대체하게 되었다 [8].
## 🔗 Knowledge Connections
- **Related Topics:** [[NDF (Neutral Data Format)]], [[War-Yes]], [[데이터 파싱 (Data Parsing)]], [[데이터 기반 설계 (Data-Driven Design)]]
diff --git a/10_Wiki/Topics/AI & Games/가용성 (Availability).md b/10_Wiki/Topics/AI & Games/가용성 (Availability).md
index 8f71bc24..1dc71585 100644
--- a/10_Wiki/Topics/AI & Games/가용성 (Availability).md
+++ b/10_Wiki/Topics/AI & Games/가용성 (Availability).md
@@ -6,13 +6,13 @@ converted_at: 2026-04-28
# 가용성 (Availability)
-## 📌 Brief Summary
-WARNO의 '가용성(Availability)'은 플레이어가 전투단(Battlegroup) 덱에서 증원군으로 전장에 호출할 수 있는 특정 유닛의 최대 개수를 의미하는 핵심 데이터입니다 [1]. 이 수치는 사단 중심의 덱 빌딩 시스템 내에서 개별 유닛의 전략적 가치를 결정짓고 게임의 전반적인 밸런스를 통제하는 역할을 수행합니다 [2, 3]. 고성능 유닛은 가용성이 극히 제한되는 반면, 구식 장비나 예비군은 높은 가용성을 지니게 되어 플레이어에게 품질과 물량 사이의 전술적 선택을 강제하는 데이터적 압박으로 작용합니다 [3, 4].
+## 📌[[ brief]] Summary
+[[WARNO]]의 '가용성(Availability)'은 플레이어가 전투단(Battlegroup) 덱에서 증원군으로 전장에 호출할 수 있는 특정 유닛의 최대 개수를 의미하는 핵심 데이터입니다 [1]. 이 수치는 사단 중심의 덱 빌딩 시스템 내에서 개별 유닛의 전략적 가치를 결정짓고 게임의 전반적인 밸런스를 통제하는 역할을 수행합니다 [2, 3]. 고성능 유닛은 가용성이 극히 제한되는 반면, 구식 장비나 예비군은 높은 가용성을 지니게 되어 플레이어에게 품질과 물량 사이의 전술적 선택을 강제하는 데이터적 압박으로 작용합니다 [3, 4].
## 📖 Core Content
* **데이터를 통한 전술적 역할 강제:** 사단 시스템 하에서 개별 유닛은 '가용성' 데이터를 통해 그 가치와 역할이 규정됩니다 [3]. 초중전차와 같은 고성능 유닛은 카드당 제공되는 유닛 수가 1~2대 수준으로 극히 제한되어 있으며, 이는 플레이어가 해당 유닛의 손실을 무조건 최소화해야 한다는 데이터 기반의 압박으로 작용합니다 [3, 4]. 반면 예비군 부대나 구식 장비는 매우 높은 가용성 데이터를 할당받아, 물량을 앞세운 소모전이나 전선 유지용 소모품으로 활용되도록 시스템적으로 유도됩니다 [4].
* **숙련도(Veterancy)와 가용성의 반비례 관계:** 유닛을 배치할 때 높은 숙련도(예: Veteran, Elite)를 선택할수록 전장에 투입할 수 있는 최대 유닛 수(가용성)는 감소합니다 [5]. 플레이어는 소수의 고도로 훈련된 병력을 사용할 것인지, 아니면 숙련도가 낮더라도 다수의 병력을 운용할 것인지(Quantity vs Quality)를 가용성 데이터를 기반으로 결정해야 합니다 [5, 6].
-* **NDF (Neutral Data Format) 아키텍처 구현:** 가용성 규칙은 Eugen Systems의 독자적인 스크립트 파일인 NDF 시스템 내에 엄격히 정의되어 있습니다 [7, 8]. `Divisions.ndf` 파일은 사단 덱 내의 유닛 카드 목록과 가용성을 나열하며, `DivisionRules.ndf` 파일은 개별 유닛의 기본 제공 수치(`NumberOfUnitInPack`)와 숙련도 레벨에 따른 가용성 승수(`NumberOfUnitInPackXPMultiplier`) 데이터를 직접 제어하여 밸런스를 수학적으로 구조화합니다 [9, 10].
+* **[[NDF (Neutral Data Format)]] 아키텍처 구현:** 가용성 규칙은 Eugen[[ system]]s의 독자적인 스크립트 파일인 NDF 시스템 내에 엄격히 정의되어 있습니다 [7, 8]. `Divisions.ndf` 파일은 사단 덱 내의 유닛 카드 목록과 가용성을 나열하며, `DivisionRules.ndf` 파일은 개별 유닛의 기본 제공 수치(`NumberOfUnitInPack`)와 숙련도 레벨에 따른 가용성 승수(`NumberOfUnitInPackXPMultiplier`) 데이터를 직접 제어하여 밸런스를 수학적으로 구조화합니다 [9, 10].
* **모딩(Modding)을 통한 시스템 조정:** 데이터 파일이 개방된 구조 덕분에, 모더들은 가용성 관련 변수를 수정하여 게임의 밸런스를 독자적으로 재설계할 수 있습니다 [7, 11]. 예를 들어, 현실주의 전술을 추구하는 'RebsFRAGO' 모드에서는 숙련도가 오를 때마다 가용성이 25%씩만 감소하도록 관련 데이터를 수정하여, 고숙련 베테랑 유닛의 실질적인 전장 활용도를 높였습니다 [12].
## 🔗 Knowledge Connections
diff --git a/10_Wiki/Topics/AI & Games/가위바위보 상성 (Rock-paper-scissors principle).md b/10_Wiki/Topics/AI & Games/가위바위보 상성 (Rock-paper-scissors principle).md
index 0a10ebcc..00b4726c 100644
--- a/10_Wiki/Topics/AI & Games/가위바위보 상성 (Rock-paper-scissors principle).md
+++ b/10_Wiki/Topics/AI & Games/가위바위보 상성 (Rock-paper-scissors principle).md
@@ -6,12 +6,12 @@ converted_at: 2026-04-28
# 가위바위보 상성 (Rock-paper-scissors principle)
-## 📌 Brief Summary
-가위바위보 상성(Rock-paper-scissors principle)은 WARNO의 전투 및 밸런싱을 구성하는 핵심 전술적 원리로, 서로 다른 유닛들이 물고 물리는 절대적인 상성 관계를 갖는 것을 의미합니다. 예를 들어 대전차 특화 헬리콥터는 전차에 강하고, 대공포는 헬리콥터에 강하며, 전차는 대공포에 강한 식의 순환 구조를 가집니다. 플레이어는 이 원리를 바탕으로 적의 유닛을 파괴하는 데 특화된 카운터 유닛을 적절히 배치하고 제병협동 전술을 구사해야 합니다.
+## 📌[[ brief]] Summary
+가위바위보 상성(Rock-paper-scissors principle)은 [[WARNO]]의 전투 및 밸런싱을 구성하는 핵심 전술적 원리로, 서로 다른 유닛들이 물고 물리는 절대적인 상성 관계를 갖는 것을 의미합니다. 예를 들어 대전차 특화 헬리콥터는 전차에 강하고, 대공포는 헬리콥터에 강하며, 전차는 대공포에 강한 식의 순환 구조를 가집니다. 플레이어는 이 원리를 바탕으로 적의 유닛을 파괴하는 데 특화된 카운터 유닛을 적절히 배치하고 제병협동 전술을 구사해야 합니다.
## 📖 Core Content
* **기본 상성 구조:** WARNO의 게임 메커니즘이 처음에는 매우 복잡해 보일 수 있지만, 근본적인 전투 원리는 가위바위보 상성과 동일합니다[1]. 전차가 아무리 강력하더라도 전차 사냥에 특화된 공격 헬리콥터에게 위에서 공격을 받으면 일방적으로 패배하게 됩니다[1]. 반대로, 공격 헬리콥터는 대공 전투에 특화된 대공포(AA guns)의 공격을 받으면 일방적으로 격추당하며, 대공포는 다시 전차의 공격에 일방적으로 무너지는 구조를 갖습니다[1].
-* **카운터 유닛 대응 및 제병협동:** 가위바위보 원리에 따라 WARNO 전투의 기본은 적 유닛을 파괴하는 데 특화된 '카운터 유닛'으로 맞대응하는 것입니다[2]. 이러한 깊이 있는 전술적 가위바위보 상호작용(rock-paper-scissors interplay)은 보병, 기갑, 포병, 대공, 정찰 병과가 조화롭게 작동해야 승리할 수 있는 제병협동(combined-arms) 메커니즘과 긴밀하게 결합되어 있습니다[3, 4].
+* **카운터 유닛 대응 및 제병협동:** 가위바위보 원리에 따라 WARNO 전투의 기본은 적 유닛을 파괴하는 데 특화된 '카운터 유닛'으로 맞대응하는 것입니다[2]. 이러한 깊이 있는 전술적 가위바위보 상호작용(rock-paper-scissors interplay)은 보병, 기갑, 포병, 대공, 정찰 병과가 조화롭게 작동해야 승리할 수 있는 제병협동([[Combined-Arms]]) 메커니즘과 긴밀하게 결합되어 있습니다[3, 4].
* **국가 및 사단별 RPS 유연성 차이:** 덱 구축(Deck building) 측면에서 볼 때, 진영이나 사단에 따라 가위바위보(RPS) 대응 능력이 다릅니다[5]. 예를 들어, 미국(US)이나 소련(SOV)과 같은 국가 단위의 덱 구성이 가능하다면, 사용 가능한 유닛의 풀이 가장 넓기 때문에 상황에 대처할 수 있는 유연성과 가위바위보(RPS) 옵션을 가장 많이 확보할 수 있게 되어 S/S+ 티어의 강력함을 갖게 됩니다[5].
## 🔗 Knowledge Connections
diff --git a/10_Wiki/Topics/AI & Games/모딩 커뮤니티 도구 (War-Yes, Warno-Armory).md b/10_Wiki/Topics/AI & Games/모딩 커뮤니티 도구 (War-Yes, Warno-Armory).md
index 81a1a5c4..96d5e99f 100644
--- a/10_Wiki/Topics/AI & Games/모딩 커뮤니티 도구 (War-Yes, Warno-Armory).md
+++ b/10_Wiki/Topics/AI & Games/모딩 커뮤니티 도구 (War-Yes, Warno-Armory).md
@@ -4,16 +4,16 @@ status: Final
converted_at: 2026-04-28
---
-# 모딩 커뮤니티 도구 (War-Yes, Warno-Armory)
+# 모딩 커뮤니티 도구 ([[War-Yes]], [[Warno-Armory]])
-## 📌 Brief Summary
-War-Yes와 Warno-Armory는 WARNO 유저 커뮤니티가 자체적으로 개발한 웹 기반의 데이터 파싱 및 유닛 비교 도구입니다 [1, 2]. 이 도구들은 게임 내 UI에서는 직접 확인할 수 없는 엔진 내부의 숨겨진 수치와 메커니즘을 추출하여 시각화합니다 [2, 3]. 이를 통해 플레이어들은 게임의 복잡한 데이터 기반 설계를 깊이 이해하고, 보다 정교한 덱 빌딩과 전술을 수립할 수 있습니다 [2].
+## 📌[[ brief]] Summary
+War-Yes와 [[WARNO]]-Armory는 WARNO 유저 커뮤니티가 자체적으로 개발한 웹 기반의 데이터 파싱 및 유닛 비교 도구입니다 [1, 2]. 이 도구들은 게임 내 UI에서는 직접 확인할 수 없는 엔진 내부의 숨겨진 수치와 메커니즘을 추출하여 시각화합니다 [2, 3]. 이를 통해 플레이어들은 게임의 복잡한 데이터 기반 설계를 깊이 이해하고, 보다 정교한 덱 빌딩과 전술을 수립할 수 있습니다 [2].
## 📖 Core Content
* **데이터 파싱을 통한 숨겨진 통계 추출:** WARNO의 커뮤니티 도구들은 게임 엔진 내부에 숨겨진 수치들을 발굴하여 공유하는 역할을 수행합니다 [2]. 예를 들어, 인게임 유닛 카드에는 표시되지 않는 무기의 '연사 준비 시간(TempsEntreDeuxTirs)'이나 자동 타겟팅과 관련된 '위험도(dangerousness)' 같은 숨겨진 내부 데이터를 이 도구들을 통해 정확하게 확인할 수 있습니다 [2, 4, 5].
* **Warno-Armory의 역할 및 특징:** 실제 WARNO의 내부 파일(NDF)을 직접 읽어들여 구축된 온라인 무기고(Armory)입니다 [6]. 무기 체계의 상세 로직과 전수 조사 데이터를 제공하며, 플레이어들이 게임 내부 파일에 담긴 방대한 데이터를 이해하기 쉬운 형태로 열람할 수 있도록 돕습니다 [3, 7].
* **War-Yes의 역할 및 특징:** 유닛 간의 상대적 성능을 정밀하게 비교할 수 있도록 검색, 정렬, 필터링 기능과 유닛 비교 차트를 제공합니다 [1, 7]. 초기 구축 당시에는 AI 텍스트 파서를 활용해 유닛 카드의 데이터를 추출하는 방식으로 개발되었으며 [8], 숨겨진 명중률 곡선 등을 시각화하여 제공합니다 [7].
-* **전술적 이해 및 생태계 확장:** 이러한 도구들은 플레이어가 전자전(ECM) 계산식이나 체력 피해 변환 표와 같은 복잡한 수치적 기반을 이해하도록 지원합니다 [9, 10]. 또한, 리플레이 분석기인 WARPLAN이나 시각적 모드 제작을 돕는 WME(Warno Mod Editor)와 함께 작용하여, WARNO의 '데이터 기반 설계'가 제작사만의 전유물이 아닌 유저와 함께 호흡하며 진화하는 개방형 생태계로 발전하는 데 기여하고 있습니다 [7].
+* **전술적 이해 및 생태계 확장:** 이러한 도구들은 플레이어가 전자전(ECM) 계산식이나 체력 피해 변환 표와 같은 복잡한 수치적 기반을 이해하도록 지원합니다 [9, 10]. 또한, 리플레이 분석기인 [[WARPLAN]]이나 시각적 모드 제작을 돕는 WME(Warno Mod Editor)와 함께 작용하여, WARNO의 '데이터 기반 설계'가 제작사만의 전유물이 아닌 유저와 함께 호흡하며 진화하는 개방형 생태계로 발전하는 데 기여하고 있습니다 [7].
## 🔗 Knowledge Connections
- **Related Topics:** [[NDF (Neutral Data Format)]], [[숨겨진 통계 (Hidden Stats)]]
diff --git a/10_Wiki/Topics/AI & Games/사단 시스템 (Division System).md b/10_Wiki/Topics/AI & Games/사단 시스템 (Division System).md
index 9530e39a..6ad6dd69 100644
--- a/10_Wiki/Topics/AI & Games/사단 시스템 (Division System).md
+++ b/10_Wiki/Topics/AI & Games/사단 시스템 (Division System).md
@@ -4,10 +4,10 @@ status: Final
converted_at: 2026-04-28
---
-# 사단 시스템 (Division System)
+# 사단 시스템 (Division[[ system]])
-## 📌 Brief Summary
-WARNO의 사단 시스템은 플레이어가 50점의 활성화 포인트(Activation Points)를 사용하여 역사적 군 편제에 기반한 덱을 구성하도록 하는 핵심 게임 메커니즘이다 [1, 2]. 이는 모든 병과에서 완벽한 유닛으로만 구성된 '무적의 군대'를 만드는 것을 방지하고, 각 사단마다 뚜렷한 강점과 약점을 데이터적으로 강제하여 전술적 다양성과 기회비용을 창출한다 [2-4]. 궁극적으로 플레이어에게 단순한 유닛 조합을 넘어, 실제 지휘관과 같은 한정된 자원 내에서의 전략적 제약을 경험하게 하는 시스템이다 [3, 5].
+## 📌[[ brief]] Summary
+[[WARNO]]의 사단 시스템은 플레이어가 50점의 활성화 포인트(Activation Points)를 사용하여 역사적 군 편제에 기반한 덱을 구성하도록 하는 핵심 게임 메커니즘이다 [1, 2]. 이는 모든 병과에서 완벽한 유닛으로만 구성된 '무적의 군대'를 만드는 것을 방지하고, 각 사단마다 뚜렷한 강점과 약점을 데이터적으로 강제하여 전술적 다양성과 기회비용을 창출한다 [2-4]. 궁극적으로 플레이어에게 단순한 유닛 조합을 넘어, 실제 지휘관과 같은 한정된 자원 내에서의 전략적 제약을 경험하게 하는 시스템이다 [3, 5].
## 📖 Core Content
* **전략적 제약의 데이터화**: 모든 사단은 덱 구성을 위해 50점의 활성화 포인트를 동일하게 부여받지만, 각 병과 슬롯을 개방하는 데 소모되는 포인트 비용은 사단의 특성에 따라 상이하게 설정되어 있다 [1, 2]. 예를 들어, 기갑사단은 전차 슬롯 비용이 저렴해 물량 확보가 쉽지만 보병 슬롯은 비싸고 가용 카드가 적게 데이터화되어 있다 [1, 2].
diff --git a/10_Wiki/Topics/AI & Games/사단 편제표 (TO&E).md b/10_Wiki/Topics/AI & Games/사단 편제표 (TO&E).md
index 04933ea2..8fbe00a7 100644
--- a/10_Wiki/Topics/AI & Games/사단 편제표 (TO&E).md
+++ b/10_Wiki/Topics/AI & Games/사단 편제표 (TO&E).md
@@ -6,8 +6,8 @@ converted_at: 2026-04-28
# 사단 편제표 (TO&E)
-## 📌 Brief Summary
-WARNO의 사단 편제표(TO&E)는 가상의 1989년 냉전 시나리오를 바탕으로 실제 역사적 군 편제를 게임의 핵심 규칙으로 내재화한 데이터 중심의 덱 빌딩 시스템이다 [1]. 이는 플레이어가 모든 분야에서 완벽한 유닛으로만 구성된 '무적의 군대'를 만드는 것을 방지하고, 각 사단의 고유한 강점과 약점에 따른 데이터적 정체성을 강제한다 [2, 3]. 결과적으로 병력 구성에 기회비용을 발생시키고 전략적 제약을 부여하여 게임의 밸런싱과 전술적 깊이를 창출하는 핵심적인 역할을 수행한다 [1-3].
+## 📌[[ brief]] Summary
+[[WARNO]]의 사단 편제표(TO&E)는 가상의 1989년 냉전 시나리오를 바탕으로 실제 역사적 군 편제를 게임의 핵심 규칙으로 내재화한 데이터 중심의 덱 빌딩 시스템이다 [1]. 이는 플레이어가 모든 분야에서 완벽한 유닛으로만 구성된 '무적의 군대'를 만드는 것을 방지하고, 각 사단의 고유한 강점과 약점에 따른 데이터적 정체성을 강제한다 [2, 3]. 결과적으로 병력 구성에 기회비용을 발생시키고 전략적 제약을 부여하여 게임의 밸런싱과 전술적 깊이를 창출하는 핵심적인 역할을 수행한다 [1-3].
## 📖 Core Content
* **데이터 기반의 사단 설계 철학**: 방대한 무기고에서 원하는 유닛을 샌드박스 형태로 자유롭게 조합할 수 있었던 전작(Wargame 시리즈)과 달리, WARNO는 실제 지휘관처럼 **제한된 사단 편제(TO&E) 내에서만 부대를 구성하도록 강제**한다 [4]. 이를 통해 모든 역할을 다 해내는 만능 덱의 출현을 막고, 강력한 전차를 가진 사단은 보병진이나 대공망이 취약하게 만드는 등 뚜렷한 기회비용과 설계적 제약을 부여한다 [2, 5].
@@ -16,7 +16,7 @@ WARNO의 사단 편제표(TO&E)는 가상의 1989년 냉전 시나리오를 바
* **사단 유형별 전략적 다변화**: 게임 내 사단은 장갑(Armored), 보병(Infantry), 기계화 보병(Mechanized Infantry), 공수(Airborne), 공중강습(Air Assault), 예비군(Reserve) 등 다양한 편제로 세분화된다 [10-15]. 편제 유형에 따라 개활지, 시가지, 숲 등 유리하게 작용하는 지형 조건이 다르며, 경기 초반의 기동성 우위나 후반부의 전차 물량전 등 각기 다른 전술적 강점이 데이터로 뚜렷하게 구분된다 [11, 13].
## 🔗 Knowledge Connections
-- **Related Topics:** [[덱 빌딩 시스템 (Deck Building System)]], [[NDF (Neutral Data Format)]], [[가용성 (Availability)]]
+- **Related Topics:** [[덱 빌딩 시스템 (Deck Building[[ system]])]], [[NDF (Neutral Data Format)]], [[가용성 (Availability)]]
- **Projects/Contexts:** [[WARNO 데이터 기반 밸런싱]]
- **Contradictions/Notes:** 사단 편제표 시스템이 제공하는 '역사적 고증'과 밸런싱에 대해 커뮤니티 내 의견 대립이 존재한다. 일부 플레이어는 실제 사단 편제에 맞지 않는 부대나 무기가 작전상 필요하다는 구실로 임의 배속되는 점이 고증과 몰입을 깬다고 강하게 비판하며 샌드박스 시스템으로의 회귀를 요구한다 [16-19]. 반면, 다른 플레이어들과 개발진은 이러한 제한적 편제 시스템이 획일화된 '메타 덱'을 방지하고 더 나은 게임 밸런스 및 팀 플레이를 유도하는 필수적인 장치라고 주장한다 [9, 20-22].
diff --git a/10_Wiki/Topics/AI & Games/사단(Division) 시스템.md b/10_Wiki/Topics/AI & Games/사단(Division) 시스템.md
index 8a17df7b..778e77c3 100644
--- a/10_Wiki/Topics/AI & Games/사단(Division) 시스템.md
+++ b/10_Wiki/Topics/AI & Games/사단(Division) 시스템.md
@@ -6,8 +6,8 @@ converted_at: 2026-04-28
# 사단(Division) 시스템
-## 📌 Brief Summary
-WARNO의 사단(Division) 시스템은 역사적 군 편제에 기반하여 플레이어의 덱 구성을 제한하고 전략적 정체성을 데이터로 강제하는 핵심 설계입니다 [1]. 이 시스템은 플레이어가 모든 병과에서 완벽한 유닛만 선택하여 '무적의 군대'를 만드는 것을 방지하고, 각 사단에 내재된 고유의 강점과 약점을 수용하도록 유도합니다 [1, 2]. 모든 사단은 덱 구성을 위해 50점의 활성화 포인트(Activation Points)를 공유하지만, 사단별로 슬롯 비용과 유닛 가용성(Availability) 데이터를 차등 적용하여 고도의 전략적 의사결정과 데이터 기반의 밸런싱을 구현합니다 [1, 3, 4].
+## 📌[[ brief]] Summary
+[[WARNO]]의 사단(Division) 시스템은 역사적 군 편제에 기반하여 플레이어의 덱 구성을 제한하고 전략적 정체성을 데이터로 강제하는 핵심 설계입니다 [1]. 이 시스템은 플레이어가 모든 병과에서 완벽한 유닛만 선택하여 '무적의 군대'를 만드는 것을 방지하고, 각 사단에 내재된 고유의 강점과 약점을 수용하도록 유도합니다 [1, 2]. 모든 사단은 덱 구성을 위해 50점의 활성화 포인트(Activation Points)를 공유하지만, 사단별로 슬롯 비용과 유닛 가용성(Availability) 데이터를 차등 적용하여 고도의 전략적 의사결정과 데이터 기반의 밸런싱을 구현합니다 [1, 3, 4].
## 📖 Core Content
* **전략적 제약과 밸런싱 디자인 공간**: 사단 시스템은 개별 유닛 단위가 아닌 사단이라는 큰 틀 안에서 밸런스를 조정할 수 있는 디자인 공간(Design space)을 제공합니다 [5]. 이를 통해 매우 강력한 유닛을 약한 사단에 배치하거나, 반대로 약한 유닛을 전반적으로 강력한 사단에서 필수적으로 사용하게끔 강제할 수 있습니다 [5]. 즉, 최고의 보병 탭을 가진 사단은 최고의 전차를 가질 수 없도록 설계되어 있어 플레이어가 특정 무적 메타 덱(Meta deck)에만 의존하는 것을 방지합니다 [2, 6].
diff --git a/10_Wiki/Topics/AI & Games/소음 역학 (Noise Dynamics).md b/10_Wiki/Topics/AI & Games/소음 역학 (Noise Dynamics).md
index bc801ce2..3cac6ebe 100644
--- a/10_Wiki/Topics/AI & Games/소음 역학 (Noise Dynamics).md
+++ b/10_Wiki/Topics/AI & Games/소음 역학 (Noise Dynamics).md
@@ -4,16 +4,16 @@ status: Final
converted_at: 2026-04-28
---
-# 소음 역학 (Noise Dynamics)
+# 소음 역학 ([[Noise]] Dynamics)
-## 📌 Brief Summary
-WARNO의 소음 역학(Noise Dynamics)은 유닛이 무기를 발사할 때 발생하는 소음으로 인해 은신(Stealth) 수치가 감소하는 메커니즘입니다 [1]. 각 무기 체계는 고유한 '소음 페널티(noise malus)'와 '최대 소음에 도달하기까지의 사격 횟수'에 대한 데이터를 보유하고 있습니다 [2], [1]. 무기를 발사할 때마다 유효 은신 수치가 단계적으로 삭감되어 적 정찰 유닛의 탐지 거리 내로 강제 노출되는 결과를 낳게 됩니다 [3].
+## 📌[[ brief]] Summary
+[[WARNO]]의 소음 역학(Noise Dynamics)은 유닛이 무기를 발사할 때 발생하는 소음으로 인해 은신(Stealth) 수치가 감소하는 메커니즘입니다 [1]. 각 무기 체계는 고유한 '소음 페널티(noise malus)'와 '최대 소음에 도달하기까지의 사격 횟수'에 대한 데이터를 보유하고 있습니다 [2], [1]. 무기를 발사할 때마다 유효 은신 수치가 단계적으로 삭감되어 적 정찰 유닛의 탐지 거리 내로 강제 노출되는 결과를 낳게 됩니다 [3].
## 📖 Core Content
* **은신 수치 감소 로직:** 무기 발사 시 생성되는 소음과 예광탄은 유닛의 유효 은신 수치(Effective Stealth) 상실로 직결됩니다 [1]. 실제 은신 손실량은 무기의 소음 페널티를 최대 소음 도달 사격 횟수로 나누어 계산됩니다 [4]. 일반적으로 대부분의 WARNO 유닛은 사격할 때마다 1단계의 유효 은신 수치를 잃게 되며, 사격 후에도 꽤 오랜 시간 동안 소음 상태(은신 감소 상태)가 유지됩니다 [1], [5].
* **무기별 고유 소음 데이터:** 유닛이 장비한 무기에 따라 발생하는 소음 데이터 값은 다르게 설정되어 있습니다 [6]. 예를 들어, TOW-2 대전차 미사일 팀의 소음 페널티는 2이며 최대 소음에 도달할 때까지 2회의 사격을 할 수 있습니다 [1]. 반면 더 큰 소음을 내는 M1A1 전차의 주포는 2.2의 소음 페널티를 가지며, 동일하게 2회 사격 시 최대 소음에 도달합니다 [1].
* **거리 판정 및 전술적 영향:** 관측 유닛과 타겟 유닛 간의 탐지 거리를 결정할 때 소음 역학이 개입하게 됩니다 [3]. 예를 들어, 숲에 배치되어 은신 수치가 5인 TOW-2 팀은 초기에는 적 정찰조가 1351m 이내로 접근해야 발견되지만, 한 발을 사격하여 은신 수치가 감소하면 1700m 거리에서도 발각될 수 있습니다 [7].
-* **전술적 응용:** 이러한 소음 역학 때문에 정찰 유닛은 위치가 발각되는 것을 피하기 위해 '사격 중지(Hold fire)' 또는 '반격(Return fire)' 명령을 내려야 합니다 [8], [9]. 반대로 이 시스템을 역이용하여, 적의 ATGM(대전차 유도 미사일) 팀의 사격을 의도적으로 유도(Baiting)함으로써 적이 소음 페널티를 받아 스스로 위치를 노출하도록 만드는 카운터 전술도 가능합니다 [8], [9].
+* **전술적 응용:** 이러한 소음 역학 때문에 정찰 유닛은 위치가 발각되는 것을 피하기 위해 '사격 중지(Hold fire)' 또는 '반격(Return fire)' 명령을 내려야 합니다 [8], [9]. 반대로 이 시스템을 역이용하여, 적의 ATGM(대전차 유도 미사일) 팀의 사격을 의도적으로 유도([[Baiting]])함으로써 적이 소음 페널티를 받아 스스로 위치를 노출하도록 만드는 카운터 전술도 가능합니다 [8], [9].
## 🔗 Knowledge Connections
- **Related Topics:** [[은신 역학 (Stealth Mechanics)]], [[탐지 및 광학 알고리즘 (Detection and Optics Algorithm)]]
diff --git a/10_Wiki/Topics/AI & Games/은신과 시야 매커니즘 (Stealth and Optics).md b/10_Wiki/Topics/AI & Games/은신과 시야 매커니즘 (Stealth and Optics).md
index 7ae9beab..b10200e1 100644
--- a/10_Wiki/Topics/AI & Games/은신과 시야 매커니즘 (Stealth and Optics).md
+++ b/10_Wiki/Topics/AI & Games/은신과 시야 매커니즘 (Stealth and Optics).md
@@ -6,8 +6,8 @@ converted_at: 2026-04-28
# 은신과 시야 매커니즘 (Stealth and Optics)
-## 📌 Brief Summary
-WARNO의 은신과 시야 매커니즘은 유닛의 정보 우위를 결정하는 핵심 데이터 기반 시스템이다 [1]. 이 시스템은 관측 유닛의 광학(Optics) 수치와 타겟 유닛의 은신(Stealth) 수치 간의 거리 판정 알고리즘을 통해 적의 탐지 여부를 결정한다 [2]. 플레이어는 가시선(LOS) 도구, 지형이 제공하는 은신 배수, 그리고 무기 발사 시 발생하는 소음(Noise) 데이터를 종합적으로 고려하여 전술을 수립해야 한다 [3], [4], [5].
+## 📌[[ brief]] Summary
+[[WARNO]]의 은신과 시야 매커니즘은 유닛의 정보 우위를 결정하는 핵심 데이터 기반 시스템이다 [1]. 이 시스템은 관측 유닛의 광학(Optics) 수치와 타겟 유닛의 은신(Stealth) 수치 간의 거리 판정 알고리즘을 통해 적의 탐지 여부를 결정한다 [2]. 플레이어는 가시선(LOS) 도구, 지형이 제공하는 은신 배수, 그리고 무기 발사 시 발생하는 소음([[Noise]]) 데이터를 종합적으로 고려하여 전술을 수립해야 한다 [3], [4], [5].
## 📖 Core Content
* **은신(Stealth) 및 광학(Optics) 데이터:**
diff --git a/10_Wiki/Topics/AI & Games/장갑 관통 모델링(Armor Penetration Modeling).md b/10_Wiki/Topics/AI & Games/장갑 관통 모델링(Armor Penetration Modeling).md
index 5b220656..7f0236cf 100644
--- a/10_Wiki/Topics/AI & Games/장갑 관통 모델링(Armor Penetration Modeling).md
+++ b/10_Wiki/Topics/AI & Games/장갑 관통 모델링(Armor Penetration Modeling).md
@@ -6,8 +6,8 @@ converted_at: 2026-04-28
# 장갑 관통 모델링(Armor Penetration Modeling)
-## 📌 Brief Summary
-장갑 관통 모델링은 WARNO에서 차량의 방호력과 무기의 관통력을 비교하여 피해를 산출하는 데이터 기반 시뮬레이션 시스템입니다 [1]. 이 모델은 엔진 연산 부하를 줄이기 위해 실제 역사적 RHA(균질압연강권) 수치를 그대로 쓰지 않고 스케일링된 '장갑 점수(Armor Value)'로 추상화하여 사용합니다 [1]. 무기의 관통력과 방어자의 부위별 장갑 수치 차이에 따라 관통 확률 및 데미지가 결정되며, 탄종(KE, HEAT 등)에 따라 사거리 비례 관통력 변화 로직이 다르게 적용됩니다 [1, 2].
+## 📌[[ brief]] Summary
+장갑 관통 모델링은 [[WARNO]]에서 차량의 방호력과 무기의 관통력을 비교하여 피해를 산출하는 데이터 기반 시뮬레이션 시스템입니다 [1]. 이 모델은 엔진 연산 부하를 줄이기 위해 실제 역사적 RHA(균질압연강권) 수치를 그대로 쓰지 않고 스케일링된 '장갑 점수(Armor Value)'로 추상화하여 사용합니다 [1]. 무기의 관통력과 방어자의 부위별 장갑 수치 차이에 따라 관통 확률 및 데미지가 결정되며, 탄종(KE, HEAT 등)에 따라 사거리 비례 관통력 변화 로직이 다르게 적용됩니다 [1, 2].
## 📖 Core Content
* **장갑 점수와 연산 효율화**
diff --git a/10_Wiki/Topics/AI & Games/장갑 및 사거리 데이터 (Armor and Range Stats).md b/10_Wiki/Topics/AI & Games/장갑 및 사거리 데이터 (Armor and Range Stats).md
index 07c4a9b4..fed61bf9 100644
--- a/10_Wiki/Topics/AI & Games/장갑 및 사거리 데이터 (Armor and Range Stats).md
+++ b/10_Wiki/Topics/AI & Games/장갑 및 사거리 데이터 (Armor and Range Stats).md
@@ -6,8 +6,8 @@ converted_at: 2026-04-28
# 장갑 및 사거리 데이터 (Armor and Range Stats)
-## 📌 Brief Summary
-WARNO의 장갑 및 사거리 데이터는 실제 물리적 제원(RHA 등)을 게임 내 역학에 맞춰 스케일링한 수치 체계이다 [1]. 장갑 시스템은 부위별 방호력 점수와 탄종별 관통력 산식을 기반으로 피해량과 도탄 여부를 엄격하게 결정한다 [2], [3], [4]. 사거리는 단순한 사격 가능 거리를 넘어, 거리 비례 명중률 곡선 및 관통력 증감 시스템과 결합하여 전술적 기동의 핵심 변수로 작용한다 [5], [6], [4].
+## 📌[[ brief]] Summary
+[[WARNO]]의 장갑 및 사거리 데이터는 실제 물리적 제원(RHA 등)을 게임 내 역학에 맞춰 스케일링한 수치 체계이다 [1]. 장갑 시스템은 부위별 방호력 점수와 탄종별 관통력 산식을 기반으로 피해량과 도탄 여부를 엄격하게 결정한다 [2], [3], [4]. 사거리는 단순한 사격 가능 거리를 넘어, 거리 비례 명중률 곡선 및 관통력 증감 시스템과 결합하여 전술적 기동의 핵심 변수로 작용한다 [5], [6], [4].
## 📖 Core Content
* **장갑 점수(Armor Value)와 방호 모델링:** 게임은 실제 전차의 RHA(균질압연강판) 수치를 그대로 쓰지 않고, 엔진의 연산 부하를 줄이며 물리적으로 정확한 결과를 내기 위해 스케일링된 '장갑 점수'를 사용한다 [1], [4]. 복잡한 입사각 계산을 단순화하기 위해 경사 장갑에 의한 방호 효과가 장갑 수치 데이터 자체에 사전에 반영되어 있다 [4]. 차량의 장갑은 전면, 측면, 후면, 상면(약함/강함)으로 엄격히 구분되며, 일반적으로 전면 장갑이 가장 두껍게 설정된다 [2], [1].
diff --git a/10_Wiki/Topics/AI & Games/제병협동 (Combined Arms).md b/10_Wiki/Topics/AI & Games/제병협동 (Combined Arms).md
index e58deb87..dcd65df3 100644
--- a/10_Wiki/Topics/AI & Games/제병협동 (Combined Arms).md
+++ b/10_Wiki/Topics/AI & Games/제병협동 (Combined Arms).md
@@ -6,8 +6,8 @@ converted_at: 2026-04-28
# 제병협동 (Combined Arms)
-## 📌 Brief Summary
-WARNO에서의 제병협동은 보병, 전차, 대공, 포병, 정찰 등 서로 다른 강점과 약점을 가진 유닛들을 결합하여 상호 지원하는 전술적 진형을 구성하는 핵심 플레이 원리입니다. 각 유닛의 사거리, 장갑, 은신도 등의 데이터 특성을 기반으로 알맞은 위치에 유닛을 배치하여 적의 어떠한 유닛 조합에도 대응할 수 있게 만듭니다. 성공적인 제병협동은 전략적 우위를 제공하며, Army General 캠페인 모드에서는 부대 병종의 조합에 따라 적에게 부정적인 보정치를 부여하는 시스템적 보너스로도 작용합니다.
+## 📌[[ brief]] Summary
+[[WARNO]]에서의 제병협동은 보병, 전차, 대공, 포병, 정찰 등 서로 다른 강점과 약점을 가진 유닛들을 결합하여 상호 지원하는 전술적 진형을 구성하는 핵심 플레이 원리입니다. 각 유닛의 사거리, 장갑, 은신도 등의 데이터 특성을 기반으로 알맞은 위치에 유닛을 배치하여 적의 어떠한 유닛 조합에도 대응할 수 있게 만듭니다. 성공적인 제병협동은 전략적 우위를 제공하며, Army General 캠페인 모드에서는 부대 병종의 조합에 따라 적에게 부정적인 보정치를 부여하는 시스템적 보너스로도 작용합니다.
## 📖 Core Content
* **가위바위보 상성 극복과 전술적 유연성 확보**
diff --git a/10_Wiki/Topics/AI & Games/제병협동 전술 (Combined Arms).md b/10_Wiki/Topics/AI & Games/제병협동 전술 (Combined Arms).md
index 4912985e..c20b0792 100644
--- a/10_Wiki/Topics/AI & Games/제병협동 전술 (Combined Arms).md
+++ b/10_Wiki/Topics/AI & Games/제병협동 전술 (Combined Arms).md
@@ -6,11 +6,11 @@ converted_at: 2026-04-28
# 제병협동 전술 (Combined Arms)
-## 📌 Brief 소스
-WARNO에서 제병협동 전술(Combined Arms)은 보병, 기갑, 포병, 항공 지원 및 정찰 등 다양한 병과가 조화롭게 협력하여 승리를 쟁취하는 핵심 전술 개념입니다 [1]. 서로 다른 특성과 능력치를 가진 유닛들을 통합하고 상호 지원하도록 배치함으로써 개별 유닛의 약점을 보완하고 적의 어떠한 유닛에도 효과적으로 대응할 수 있습니다 [2, 3]. 이는 단순한 실시간 전술 전투를 넘어 전략 모드인 아미 제너럴(Army General)에서도 시스템적으로 깊게 반영되어, 다양한 병과를 결합하면 적에게 디버프를 주고 아군에게 보너스를 부여하는 등 데이터 기반 설계의 핵심을 이룹니다 [4, 5].
+## 📌[[ brief]] 소스
+[[WARNO]]에서 제병협동 전술(Combined Arms)은 보병, 기갑, 포병, 항공 지원 및 정찰 등 다양한 병과가 조화롭게 협력하여 승리를 쟁취하는 핵심 전술 개념입니다 [1]. 서로 다른 특성과 능력치를 가진 유닛들을 통합하고 상호 지원하도록 배치함으로써 개별 유닛의 약점을 보완하고 적의 어떠한 유닛에도 효과적으로 대응할 수 있습니다 [2, 3]. 이는 단순한 실시간 전술 전투를 넘어 전략 모드인 아미 제너럴(Army General)에서도 시스템적으로 깊게 반영되어, 다양한 병과를 결합하면 적에게 디버프를 주고 아군에게 보너스를 부여하는 등 데이터 기반 설계의 핵심을 이룹니다 [4, 5].
## 📖 Core Content
-- **병과 간 상호 지원과 전술적 배치 (Mutual Support & Positioning)**: 제병협동의 핵심은 개별 유닛의 데이터 특성(사거리, 장갑, 은신 등)을 기반으로 한 상호 지원 진형을 구축하는 것입니다 [6]. 장갑이 얇은 유닛은 중장갑 유닛 뒤에, 사거리가 긴 유닛(ATGM, 공격 헬리콥터 등)은 보병이나 전차 뒤에, 비전투 및 은신 능력(Stealth)이 낮은 유닛은 후방에 배치하여 각 유닛의 특성을 극대화하고 약점을 철저히 보호해야 합니다 [7-9].
+- **병과 간 상호 지원과 전술적 배치 (Mutual [[Support]] & Positioning)**: 제병협동의 핵심은 개별 유닛의 데이터 특성(사거리, 장갑, 은신 등)을 기반으로 한 상호 지원 진형을 구축하는 것입니다 [6]. 장갑이 얇은 유닛은 중장갑 유닛 뒤에, 사거리가 긴 유닛(ATGM, 공격 헬리콥터 등)은 보병이나 전차 뒤에, 비전투 및 은신 능력(Stealth)이 낮은 유닛은 후방에 배치하여 각 유닛의 특성을 극대화하고 약점을 철저히 보호해야 합니다 [7-9].
- **란체스터의 제곱 법칙 (Lanchester's Square Law) 적용**: 게임 내 화력전에서 부대의 전투력은 보유한 유닛 화력 총합의 제곱에 비례하게 설계되어 있습니다 [10]. 서로 다른 병과(예: 전차, ATGM 차량, 보병 등)를 결합하여 십자포화(Crossfire)를 구성하면 단일 유닛으로 전투할 때보다 기하급수적으로 높은 데미지와 제압력(Suppression)을 적에게 입힐 수 있습니다 [11, 12].
- **핵심 병과의 융합 (Integration of Key Units)**: 정찰 유닛으로 적을 식별하고, 전차와 보병으로 전선을 형성하며, 대공(AA) 유닛으로 이들을 보호하고, 연막(Smoke)을 효과적으로 사용하여 교전을 통제하는 것이 제병협동의 기본입니다 [13-16]. 일례로 저격수가 보병, 전차, IFV를 동시에 지원하도록 배치하는 것은 시스템상 매우 스마트한 제병협동 플레이로 권장됩니다 [17].
- **아미 제너럴(Army General) 시스템과의 연동**: 턴제 전략 캠페인인 아미 제너럴 모드에서도 제병협동의 원칙은 룰로 강제됩니다. 전투에 다양한 유형의 부대를 참여시킬 경우, 적 부대에게 부정적인 수정치(negative modifier)가 적용되며, 아군에게는 추가적인 전투 보너스가 시스템적으로 계산되어 승률에 직접적인 영향을 미칩니다 [4, 5].
diff --git a/10_Wiki/Topics/AI & Games/탄도학 및 명중률 알고리즘 (Ballistics and Accuracy Algorithms).md b/10_Wiki/Topics/AI & Games/탄도학 및 명중률 알고리즘 (Ballistics and Accuracy Algorithms).md
index 49c3d5bf..1d256318 100644
--- a/10_Wiki/Topics/AI & Games/탄도학 및 명중률 알고리즘 (Ballistics and Accuracy Algorithms).md
+++ b/10_Wiki/Topics/AI & Games/탄도학 및 명중률 알고리즘 (Ballistics and Accuracy Algorithms).md
@@ -6,8 +6,8 @@ converted_at: 2026-04-28
# 탄도학 및 명중률 알고리즘 (Ballistics and Accuracy Algorithms)
-## 📌 Brief Summary
-WARNO의 탄도학 및 명중률 알고리즘은 거리에 따른 비선형적 명중률 보정, 이동 사격 페널티, 전자전(ECM), 그리고 숙련도를 복합적으로 고려하여 수학적 정밀도를 제공하는 전투 연산 시스템입니다. 무기의 종류와 타겟과의 거리, 유닛의 심리적/물리적 상태에 따라 역동적으로 명중 확률이 계산되어 깊이 있는 데이터 기반 전술 환경을 형성합니다.
+## 📌[[ brief]] Summary
+[[WARNO]]의 탄도학 및 명중률 알고리즘은 거리에 따른 비선형적 명중률 보정, 이동 사격 페널티, 전자전(ECM), 그리고 숙련도를 복합적으로 고려하여 수학적 정밀도를 제공하는 전투 연산 시스템입니다. 무기의 종류와 타겟과의 거리, 유닛의 심리적/물리적 상태에 따라 역동적으로 명중 확률이 계산되어 깊이 있는 데이터 기반 전술 환경을 형성합니다.
## 📖 Core Content
* **거리 비례 명중률 연산 (Range-based Accuracy Scaling)**
@@ -25,7 +25,7 @@ WARNO의 탄도학 및 명중률 알고리즘은 거리에 따른 비선형적
* 이에 더해 항공기는 숙련도 레벨에 따라 명중률을 고정적으로 차감(레벨당 -5%)시키는 '회피 기동(Evasive Maneuvers)' 메커니즘을 추가로 가져, 고숙련 파일럿의 생존성을 데이터적으로 보장합니다 [4, 9].
## 🔗 Knowledge Connections
-- **Related Topics:** [[장갑 관통 모델링 (Armor Penetration Modeling)]], [[제압 및 응집력 시스템 (Suppression and Cohesion System)]], [[NDF (Neutral Data Format)]]
+- **Related Topics:** [[장갑 관통 모델링 (Armor Penetration Modeling)]], [[제압 및 응집력 시스템 (Suppression and Cohesion[[ system]])]], [[NDF (Neutral Data Format)]]
- **Projects/Contexts:** [[WARNO 데이터 기반 밸런싱 (WARNO Data-Driven Balancing)]], [[Iriszoom 엔진 물리 렌더링 (Iriszoom Engine Physical Rendering)]]
- **Contradictions/Notes:** 소스 문서들은 대공 무기 명중률 공식에서 ECM이 승수로 작용한다는 점에 동의하나 [4, 8], 소스 28에서는 여기에 공격자의 숙련도 배율이 추가된 구체적인 인게임 수학적 산출식(`명중률 × (1+경험치 보정) × (1-ECM)`)을 제시하여 더 복합적인 연산이 이루어짐을 보여줍니다 [7].
diff --git a/10_Wiki/Topics/AI & ML MLOps/Concept Drift (개념 드리프트, 모델 지식의 부패).md b/10_Wiki/Topics/AI & ML MLOps/Concept Drift (개념 드리프트, 모델 지식의 부패).md
index 325fac1f..838025ec 100644
--- a/10_Wiki/Topics/AI & ML MLOps/Concept Drift (개념 드리프트, 모델 지식의 부패).md
+++ b/10_Wiki/Topics/AI & ML MLOps/Concept Drift (개념 드리프트, 모델 지식의 부패).md
@@ -1,6 +1,6 @@
---
-id: P-REINFORCE-AI-047
-category: "10_Wiki/💡 Topics/AI & ML MLOps"
+id: [[P-Reinforce]]-AI-047
+category: "10_Wiki/💡 Topics/AI & ML [[MLOps]]"
confidence_score: 0.96
tags: [ai, machine learning, mlops, data science]
last_reinforced: 2026-06-XX
@@ -15,7 +15,7 @@ github_commit: "[P-Reinforce] Processed Concept Drift (개념 드리프트)."
## 📖 구조화된 지식 (Synthesized Content)
- **정의:** 머신러닝 시스템이 배포되고 운영되는 환경에서 발생하는 데이터 분포의 변화를 의미한다. 이는 단순한 '데이터 부족' 이상의 근본적인 모델 성능 저하 문제다.
- **유형 및 원인:**
- 1. **Covariate Shift (공변량 드리프트):** 입력 데이터 $P(X)$가 변하는 경우. (예: 특정 계절에만 발생하는 트래픽 패턴 변화).
+ 1. **Covariate [[Shift]] (공변량 드리프트):** 입력 데이터 $P(X)$가 변하는 경우. (예: 특정 계절에만 발생하는 트래픽 패턴 변화).
2. **Concept Drift (개념 드리프트):** 실제 데이터 생성 과정 자체가 변하여, 같은 입력 $X$에 대한 레이블 $Y$의 조건부 확률 $P(Y|X)$가 변하는 경우. (예: 사용자의 구매 행동 패턴이 시대에 따라 근본적으로 변화).
- **탐지 및 대응:**
1. **모니터링:** 모델 예측 결과와 실제 데이터 분포 간의 KL Divergence, JS Divergence 등을 주기적으로 측정하여 이상 징후를 포착한다.
diff --git a/10_Wiki/Topics/AI & Narrative/AI-Driven Narrative Systems.md b/10_Wiki/Topics/AI & Narrative/AI-Driven Narrative Systems.md
index cbe68952..ae0a91e4 100644
--- a/10_Wiki/Topics/AI & Narrative/AI-Driven Narrative Systems.md
+++ b/10_Wiki/Topics/AI & Narrative/AI-Driven Narrative Systems.md
@@ -1,10 +1,10 @@
---
-id: P-REINFORCE-8DB819
+id: [[P-Reinforce]]-8DB819
category: "10_Wiki/💡 Topics/AI & Narrative"
confidence_score: 0.95
tags: []
last_reinforced: 2026-04-20
-github_commit: "[P-Reinforce] Batch 10 - Wikified AI-Driven Narrative Systems"
+github_commit: "[P-Reinforce] Batch 10 - Wikified AI-Driven Narrative[[ system]]s"
---
# [[AI-Driven Narrative Systems]]
diff --git a/10_Wiki/Topics/AI & Psychology/Affective Computing.md b/10_Wiki/Topics/AI & Psychology/Affective Computing.md
index 7eb8f987..71f52046 100644
--- a/10_Wiki/Topics/AI & Psychology/Affective Computing.md
+++ b/10_Wiki/Topics/AI & Psychology/Affective Computing.md
@@ -1,6 +1,6 @@
---
-id: P-REINFORCE-E4FCEF
-category: "10_Wiki/💡 Topics/AI & Psychology"
+id: [[P-Reinforce]]-E4FCEF
+category: "10_Wiki/💡 Topics/AI & [[Psychology]]"
confidence_score: 0.95
tags: []
last_reinforced: 2026-04-20
diff --git a/10_Wiki/Topics/AI & Tools/AI Connect LLM Tool.md b/10_Wiki/Topics/AI & Tools/AI Connect LLM Tool.md
index cf51523e..ee9b728c 100644
--- a/10_Wiki/Topics/AI & Tools/AI Connect LLM Tool.md
+++ b/10_Wiki/Topics/AI & Tools/AI Connect LLM Tool.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-92F236
+id: [[P-Reinforce]]-92F236
category: "10_Wiki/💡 Topics/AI & Tools"
confidence_score: 0.95
tags: []
diff --git a/10_Wiki/Topics/AI Accountability.md b/10_Wiki/Topics/AI Accountability.md
index 7886e69f..57fe2ad1 100644
--- a/10_Wiki/Topics/AI Accountability.md
+++ b/10_Wiki/Topics/AI Accountability.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AUTO-AIAC-001
+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]
@@ -27,6 +27,6 @@ AI 책임론(AI Accountability)은 AI 시스템의 설계, 개발, 배포 및
- **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.
+- [[Ethics & AI]], [[AI & Data Sovereignty]], [[Safety & Reliability]], [[Generative-AI]]-Safety, [[Decision Theory]]
+- **Modern Tech/Tools**: Algorithmic Impact [[Assessment]] (AIA), Explainable AI (XAI) toolkits.
---
diff --git a/10_Wiki/Topics/AI Agents.md b/10_Wiki/Topics/AI Agents.md
index 2681b305..a047fe04 100644
--- a/10_Wiki/Topics/AI Agents.md
+++ b/10_Wiki/Topics/AI Agents.md
@@ -2,7 +2,7 @@
id: AGENTS-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [ai, ai-agents, autonomous-agents, reasoning, planning]
+tags: [ai, ai-agents, [[Autonomous-Agents]], [[Reasoning]], planning]
last_reinforced: 2026-04-26
---
@@ -12,12 +12,12 @@ last_reinforced: 2026-04-26
> "단순한 답변기가 아닌, 목표를 위해 도구를 쓰고 스스로 계획하는 '행동 주체'로 진화하라" — 거대 모델의 추론 능력을 바탕으로 목표를 설정하고, 실행 계획을 수립하며, 외부 도구(브라우저, 코드 에디터 등)를 사용해 태스크를 완수하는 인공지능 시스템.
## 📖 구조화된 지식 (Synthesized Content)
-- **추출된 패턴:** 사용자의 추상적인 요청을 구체적인 작업 단위로 분해(Planning)하고, 각 단계를 실행(Action)하며, 결과를 관찰(Observation)하여 다음 행동을 결정하는 루프 기반의 자율성 패턴.
+- **추출된 패턴:** 사용자의 추상적인 요청을 구체적인 작업 단위로 분해(Planning)하고, 각 단계를 실행(Action)하며, 결과를 관찰([[Observation]])하여 다음 행동을 결정하는 루프 기반의 자율성 패턴.
- **핵심 루프 (ReAct 패턴 등):**
- **Reasoning:** 현재 상황을 분석하고 무엇을 해야 할지 판단.
- **Planning:** 목표 달성을 위한 단계별 워크플로우 생성.
- **Tool Use:** API, 웹 검색, 파일 시스템 접근 등 외부 도구 활용.
- - **Memory:** 대화의 맥락(단기)과 지식 베이스(장기)를 활용하여 일관성 유지.
+ - **[[memory]]:** 대화의 맥락(단기)과 지식 베이스(장기)를 활용하여 일관성 유지.
- **주요 사례:** AutoGPT, BabyAGI, 그리고 현재 작동 중인 Antigravity 에이전트.
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
diff --git a/10_Wiki/Topics/AI Connect LLM Tool.md b/10_Wiki/Topics/AI Connect LLM Tool.md
index cf51523e..ee9b728c 100644
--- a/10_Wiki/Topics/AI Connect LLM Tool.md
+++ b/10_Wiki/Topics/AI Connect LLM Tool.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-92F236
+id: [[P-Reinforce]]-92F236
category: "10_Wiki/💡 Topics/AI & Tools"
confidence_score: 0.95
tags: []
diff --git a/10_Wiki/Topics/AI Governance.md b/10_Wiki/Topics/AI Governance.md
index a69a03ea..84c6ec54 100644
--- a/10_Wiki/Topics/AI Governance.md
+++ b/10_Wiki/Topics/AI Governance.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-AIGO-001
+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]
+tags: [auto-reinforced, ai-governance, policy, regulation, [[Global-Standard]]s, tech-ethics]
last_reinforced: 2026-04-20
---
@@ -20,13 +20,13 @@ AI 거버넌스(AI Governance)는 인공지능 기술의 개발 및 활용이
* **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.
+ * **International Co[[Opera]]tion**: 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.
+- [[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.
---
diff --git a/10_Wiki/Topics/AI Humanism.md b/10_Wiki/Topics/AI Humanism.md
index fd9c21d1..94a918c3 100644
--- a/10_Wiki/Topics/AI Humanism.md
+++ b/10_Wiki/Topics/AI Humanism.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-AIHU-001
+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]
+tags: [auto-reinforced, ai-humanism, [[Philosophy]], human-centric, coexistence, existential-risks]
last_reinforced: 2026-04-20
---
diff --git a/10_Wiki/Topics/AI Literacy.md b/10_Wiki/Topics/AI Literacy.md
index 9292e1a5..0082cbd5 100644
--- a/10_Wiki/Topics/AI Literacy.md
+++ b/10_Wiki/Topics/AI Literacy.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AUTO-AILI-001
+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]
@@ -18,15 +18,15 @@ AI 리터러시(AI Literacy)는 단순히 AI를 사용하는 기술을 넘어, A
* **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.
+ * **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)
+ * 지식 정보의 비대칭성을 해소하고, AI가 가져올 일자리의 변화에 적응하기 위한 기초 체력임. ([[Adaptability]]와 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
+- [[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.
---
diff --git a/10_Wiki/Topics/AI Safety (AI 안전).md b/10_Wiki/Topics/AI Safety (AI 안전).md
index 99043aae..b51cd00a 100644
--- a/10_Wiki/Topics/AI Safety (AI 안전).md
+++ b/10_Wiki/Topics/AI Safety (AI 안전).md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AI-SAFETY
+id: [[P-Reinforce]]-AI-SAFETY
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [AI Safety, Alignment, Risk Management, AI Ethics]
+tags: [[[AI Safety]], [[Alignment]], Risk [[Management]], AI Ethics]
last_reinforced: 2026-04-20
---
@@ -12,9 +12,9 @@ last_reinforced: 2026-04-20
> "브레이크 없는 기차는 재앙이다." 인간보다 강력한 지능이 탄생했을 때, 그 지능이 인간의 목표와 문명을 파괴하지 않도록 기술적/방어적 보호막을 구축하는 가장 시급한 연구 분야다.
## 📖 구조화된 지식 (Synthesized Content)
-- **Robustness**:
+- **[[Robustness]]**:
- 적대적 공격(Adversarial Attack)이나 처음 보는 돌발 상황에서도 AI가 오작동하지 않고 안전하게 관리되는 성질.
-- **Interpretability**:
+- **[[Interpretability]]**:
- 신경망이라는 블랙박스 내부에서 어떤 논리 구조로 판단을 내리는지 인간이 읽을 수 있게 시각화하고 분석하는 기술(Mechanistic Interpretability).
- **Scalable Oversight**:
- 인간이 이해하기 힘든 복잡한 지능을 가진 AI를 다른 AI가 감시하게 하여, 인간의 통제력을 잃지 않게 하는 감시 체계.
@@ -24,4 +24,4 @@ last_reinforced: 2026-04-20
## 🔗 지식 연결 (Graph)
- Related: [[AI-Alignment]] , AI-Governance
-- Strategy: [[Reliability_Safety_First]]
+- [[Strategy]]: [[Reliability_Safety_First]]
diff --git a/10_Wiki/Topics/AI Safety.md b/10_Wiki/Topics/AI Safety.md
index 8835b962..f527fd91 100644
--- a/10_Wiki/Topics/AI Safety.md
+++ b/10_Wiki/Topics/AI Safety.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-AISA-001
+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]
+tags: [auto-reinforced, ai-safety, [[Alignment]], existential-risk, [[Robustness]], evaluation]
last_reinforced: 2026-04-20
---
@@ -26,6 +26,6 @@ AI 안전(AI Safety)은 AI 시스템이 설계된 목표 내에서만 안전하
- **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.
+- [[Alignment]], [[AI Governance]], [[Safety & Reliability]], [[Generative-AI]]-Safety, [[Ethics & AI]]
+- **Modern Tech/Tools**: RLHF (Reinforcement Learning from Human Feedback), Jailbreak [[Testing]], Model evaluation suites.
---
diff --git a/10_Wiki/Topics/AI and Narrative.md b/10_Wiki/Topics/AI and Narrative.md
index 3895f691..93c199a4 100644
--- a/10_Wiki/Topics/AI and Narrative.md
+++ b/10_Wiki/Topics/AI and Narrative.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-AINR-001
+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]
+tags: [auto-reinforced, ai-narrative, storytelling, [[Generative-AI]], interactive-media, literature]
last_reinforced: 2026-04-20
---
@@ -16,7 +16,7 @@ AI와 서사(AI and Narrative)는 인공지능 기술이 문학, 영화, 게임
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)
+ * **Structure Analyzer**: 수만 권의 책을 분석하여 '영웅의 여정'과 같은 성공적인 서사 패턴 추출 및 적용. ([[Structuralism]]과 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.
diff --git a/10_Wiki/Topics/AI for Social Good.md b/10_Wiki/Topics/AI for Social Good.md
index 2dfedcfe..ee23c289 100644
--- a/10_Wiki/Topics/AI for Social Good.md
+++ b/10_Wiki/Topics/AI for Social Good.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-AIFG-001
+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]
+tags: [auto-reinforced, ai4good, social-impact, [[Sustainability]], humanitarian-ai, global-[[goals]]]
last_reinforced: 2026-04-20
---
diff --git a/10_Wiki/Topics/AI 거버넌스 정책(AI Usage Policy).md b/10_Wiki/Topics/AI 거버넌스 정책(AI Usage Policy).md
index a1cde60b..6246523f 100644
--- a/10_Wiki/Topics/AI 거버넌스 정책(AI Usage Policy).md
+++ b/10_Wiki/Topics/AI 거버넌스 정책(AI Usage Policy).md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AI-GOV-POLICY
+id: [[P-Reinforce]]-AI-GOV-POLICY
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.99
-tags: [AI Governance, Policy, Compliance, Risk Management]
+tags: [[[AI Governance]], Policy, Compliance, Risk [[Management]]]
last_reinforced: 2026-04-20
---
diff --git a/10_Wiki/Topics/AI 생성 코드 검증(AI Code Assurance).md b/10_Wiki/Topics/AI 생성 코드 검증(AI Code Assurance).md
index 5f80c6bb..614fada4 100644
--- a/10_Wiki/Topics/AI 생성 코드 검증(AI Code Assurance).md
+++ b/10_Wiki/Topics/AI 생성 코드 검증(AI Code Assurance).md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AUTO-254BE9
+id: [[P-Reinforce]]-AUTO-254BE9
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.90
tags: [auto-reinforced]
@@ -10,7 +10,7 @@ github_commit: "[P-Reinforce] Continuous Worker - AI 생성 코드 검증(AI Cod
# [[AI 생성 코드 검증(AI Code Assurance)]]
## 📌 한 줄 통찰 (The Karpathy Summary)
-> AI Code Assurance(AI 생성 코드 검증)는 AI가 생성하거나 지원한 코드로 인해 발생할 수 있는 고유한 품질 및 보안 위험을 해결하기 위해 설계된 워크플로우이자 검증 프로세스입니다 [1]. 이를 통해 조직은 AI가 작성한 코드가 프로덕션 환경에 배포되기 전에 엄격한 보안, 신뢰성 및 품질 표준을 충족하는지 확인할 수 있습니다 [1, 2]. 주로 정적 애플리케이션 보안 테스트(SAST)와 자동화된 코드 리뷰를 활용하여 결함과 취약점을 조기에 식별하고 일관된 표준을 강제합니다 [2, 3].
+> AI Code Assurance(AI 생성 코드 검증)는 AI가 생성하거나 지원한 코드로 인해 발생할 수 있는 고유한 품질 및 보안 위험을 해결하기 위해 설계된 워크플로우이자 검증 프로세스입니다 [1]. 이를 통해 조직은 AI가 작성한 코드가 프로덕션 환경에 배포되기 전에 엄격한 보안, 신뢰성 및 품질 표준을 충족하는지 확인할 수 있습니다 [1, 2]. 주로 정적 애플리케이션 보안 테스트([[SAST]])와 자동화된 코드 리뷰를 활용하여 결함과 취약점을 조기에 식별하고 일관된 표준을 강제합니다 [2, 3].
## 📖 구조화된 지식 (Synthesized Content)
- **목적 및 필요성**
@@ -18,7 +18,7 @@ github_commit: "[P-Reinforce] Continuous Worker - AI 생성 코드 검증(AI Cod
- **주요 기능 및 작동 방식**
- **AI 코드 감지 및 추적:** 시스템은 프로젝트 내에 AI 생성 코드가 존재함을 자동으로 감지하거나 개발자가 직접 태그를 지정할 수 있게 합니다 [3]. 이를 통해 명확한 라벨링과 배지를 부여하여 AI 코드의 관리, 유지보수 및 규정 준수 모니터링을 간소화합니다 [3].
- - **정적 코드 분석(SAST) 적용:** 결정론적(deterministic)이고 독립적인 코드 검증 방식인 정적 코드 분석과 오염 분석(Taint Analysis)을 사용하여 코드를 스캔합니다 [4, 6]. 이를 통해 보안 취약점, 유출된 비밀 정보, 코드 냄새(Code smells), 논리적 결함 및 성능 위험을 풀 리퀘스트(Pull Request) 단계에서 조기에 표면화합니다 [4, 6, 7].
+ - **정적 코드 분석(SAST) 적용:** 결정론적(deterministic)이고 독립적인 코드 검증 방식인 정적 코드 분석과 오염 분석(Taint [[Analysis]])을 사용하여 코드를 스캔합니다 [4, 6]. 이를 통해 보안 취약점, 유출된 비밀 정보, 코드 냄새(Code smells), 논리적 결함 및 성능 위험을 풀 리퀘스트(Pull Request) 단계에서 조기에 표면화합니다 [4, 6, 7].
- **워크플로우 및 에이전트 통합:** IDE부터 CI/CD 파이프라인에 이르기까지 기존 개발 워크플로우에 원활하게 통합됩니다 [6, 8]. 특히, MCP(Model Context Protocol)를 통해 Cursor, Claude Code, Windsurf와 같은 AI 코딩 에이전트와 직접 연결되어, 코드가 생성되는 실시간 대화 흐름 속에서 보안 핫스팟 분석 및 피드백을 제공합니다 [4, 8, 9].
- **기대 효과**
@@ -29,8 +29,8 @@ github_commit: "[P-Reinforce] Continuous Worker - AI 생성 코드 검증(AI Cod
- **정책 변화:** AI 분야의 자동 자산화 수행.
## 🔗 지식 연결 (Graph)
-- **Related Topics:** [[Static Application Security Testing (SAST)]], [[Model Context Protocol (MCP)]], Automated Code Review
-- **Projects/Contexts:** SonarQube Server, SonarQube Cloud
+- **Related Topics:** [[Static Application Security [[Testing]] (SAST)]], [[Model Context Protocol (MCP)]], Automated [[Code Review]]
+- **Projects/Contexts:** [[SonarQube]] Server, SonarQube Cloud
- **Contradictions/Notes:** 소스에 따르면 AI 어시스턴트가 생성하는 코드는 본질적으로 일관성이 없고 예측하기 어려울 수 있지만, 이에 적용되는 정적 코드 분석 기술은 '결정론적(deterministic)'이므로 AI 코드의 불확실성을 극복하고 신뢰할 수 있는 독립적인 검증을 제공할 수 있다고 강조합니다 [4].
---
diff --git a/10_Wiki/Topics/AI 에이전트 (AI Agent).md b/10_Wiki/Topics/AI 에이전트 (AI Agent).md
index 440287c6..aaad1a59 100644
--- a/10_Wiki/Topics/AI 에이전트 (AI Agent).md
+++ b/10_Wiki/Topics/AI 에이전트 (AI Agent).md
@@ -1,27 +1,27 @@
---
-id: P-REINFORCE-AI-AGENT
+id: [[P-Reinforce]]-AI-AGENT
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [AI Agent, Autonomy, Planning, Reasoning, Action]
+tags: [AI Agent, Autonomy, Planning, [[Reasoning]], Action]
last_reinforced: 2026-04-20
---
# AI-에이전트-(AI-Agent)
## 📌 한 줄 통찰 (The Karpathy Summary)
-> "단순한 계산기에서 자율적인 일꾼으로." 스스로 목표를 설정하고, 계획을 세우며, 도구(Browser, Terminal 등)를 사용하여 주어진 과업을 끝까지 완수하는 자율적 지능체다.
+> "단순한 계산기에서 자율적인 일꾼으로." 스스로 목표를 설정하고, 계획을 세우며, 도구([[Browser]], Terminal 등)를 사용하여 주어진 과업을 끝까지 완수하는 자율적 지능체다.
## 📖 구조화된 지식 (Synthesized Content)
- **Planning & Reasoning**:
- 거대 언어 모델(LLM)을 두뇌로 삼아 복잡한 문제를 작은 단계로 분해(Chain-of-Thought)하고 전략을 수립한다.
- **Action & Tool Use**:
- API 호출, 웹 검색, 코드 실행 등 외부 환경과 상호작용할 수 있는 인터페이스를 통해 실제 세계에 변화를 일으킨다.
-- **Memory Management**:
+- **[[memory]] [[Management]]**:
- 대화의 맥락(Short-term)과 과거 지식(Long-term)을 RAG나 체크포인트 형태로 유지하여 일관된 수행 능력을 보유한다.
## ⚠️ 모순 및 업데이트 (RL Update)
-- 현재의 에이전트는 '무한 루프'나 '환각'에 빠질 위험이 크다. 이를 극복하기 위해 에이전트가 자신의 결과물을 스스로 검토하는 'Self-Correction' 루프와, 인간이 중간에 개입하는 'Human-in-the-loop' 설계가 필수적이다.
+- 현재의 에이전트는 '무한 루프'나 '환각'에 빠질 위험이 크다. 이를 극복하기 위해 에이전트가 자신의 결과물을 스스로 검토하는 '[[Self-Correction]]' 루프와, 인간이 중간에 개입하는 'Human-in-the-loop' 설계가 필수적이다.
## 🔗 지식 연결 (Graph)
-- Related: Multi-Agent-System-(다중-에이전트-시스템) , Agent-Communication-Protocol-(에이전트-통신-규약)
+- Related: [[Multi-agent-System]]-(다중-에이전트-시스템) , Agent-Communication-Protocol-(에이전트-통신-규약)
- Deployment: [[Deployment_Final_Gate]]
diff --git a/10_Wiki/Topics/AI 이미지 생성 워크플로우 (AI Image Generation Workflow).md b/10_Wiki/Topics/AI 이미지 생성 워크플로우 (AI Image Generation Workflow).md
index 805ba74f..1756520e 100644
--- a/10_Wiki/Topics/AI 이미지 생성 워크플로우 (AI Image Generation Workflow).md
+++ b/10_Wiki/Topics/AI 이미지 생성 워크플로우 (AI Image Generation Workflow).md
@@ -1,11 +1,11 @@
# [[AI 이미지 생성 워크플로우 (AI Image Generation Workflow)]]
-## 📌 Brief Summary
-AI 이미지 생성 워크플로우는 창작자가 텍스트 프롬프트를 입력하여 초기 이미지를 생성한 후, 반복적인 수정과 세부 조정을 통해 최종 결과물을 완성하는 일련의 과정이다 [1-3]. 이 과정은 명확한 피사체(Subject), 스타일, 조명 등의 뼈대를 잡는 단순한 프롬프트로 시작하여, 결과물을 평가한 뒤 점진적으로 부정 프롬프트(Negative Prompt)와 세부 매개변수를 추가하며 발전시킨다 [4-6]. 최근에는 단일 이미지 생성을 넘어 시안(Draft)을 빠르게 대량 생산하고 최적의 구도를 선택하거나, 일관된 스타일 참조 기능을 활용하는 등 전문가 수준의 파이프라인으로 진화하고 있다 [7, 8].
+## 📌[[ brief]] Summary
+AI 이미지 생성 워크플로우는 창작자가 텍스트 프롬프트를 입력하여 초기 이미지를 생성한 후, 반복적인 수정과 세부 조정을 통해 최종 결과물을 완성하는 일련의 과정이다 [1-3]. 이 과정은 명확한 피사체(Subject), 스타일, 조명 등의 뼈대를 잡는 단순한 프롬프트로 시작하여, 결과물을 평가한 뒤 점진적으로 부정 프롬프트(Negative [[prompt]])와 세부 매개변수를 추가하며 발전시킨다 [4-6]. 최근에는 단일 이미지 생성을 넘어 시안(Draft)을 빠르게 대량 생산하고 최적의 구도를 선택하거나, 일관된 스타일 참조 기능을 활용하는 등 전문가 수준의 파이프라인으로 진화하고 있다 [7, 8].
## 📖 Core Content
-* **반복적 프롬프트 정교화 (Iterative Prompting):**
+* **반복적 프롬프트 정교화 ([[Iterative Prompting]]):**
AI 이미지 생성은 단 한 번의 완벽한 프롬프트로 끝나는 것이 아니라, 넓고 모호한 지시에서 시작해 구체적이고 좁은 지시로 나아가는 고도의 반복적 과정이다 [1-3]. 단순하고 명확한 아이디어로 시작해 생성된 이미지를 바탕으로 예술적 요소, 조명, 환경 등의 세부 사항을 덧붙이는 방식이 권장된다 [4, 9]. 일반적으로 첫 프롬프트로 80%의 틀을 완성하고, 3~5번의 변형과 후속 프롬프트를 통해 세부 사항을 다듬어 나간다 [10].
* **모델별 맞춤형 워크플로우 전략:**
* **Midjourney:** V7 모델의 '드래프트 모드(Draft Mode)'를 활용해 저렴하고 빠른 속도로 여러 시안을 생성한 뒤, 가장 나은 구도를 고화질(HD)로 승격시키는 파이프라인이 비용과 시간 측면에서 효과적이다 [7, 11]. 이후 `--sref`(스타일 참조)나 `--oref`(옴니 참조) 파라미터를 사용하여 일관된 시각적 방향성을 재사용하며 편집을 진행한다 [8, 12, 13].
@@ -18,8 +18,8 @@ AI 이미지 생성 워크플로우는 창작자가 텍스트 프롬프트를
## 🔗 Knowledge Connections
- **Related Topics:** [[프롬프트 엔지니어링 (Prompt Engineering)]], [[부정 프롬프트 (Negative Prompt)]], [[인페인팅 및 아웃페인팅 (Inpainting and Outpainting)]], [[프롬프트 가중치 (Prompt Weights)]]
-- **Projects/Contexts:** [[미드저니 V7 드래프트 모드 (Midjourney V7 Draft Mode)]], [[DALL-E 3와 ChatGPT 통합 워크플로우]]
+- **Projects/Contexts:** [[미드저니 V7 드래프트 모드 ([[Midjourney V7 Draft Mode]])]], [[DALL-E 3와 ChatGPT 통합 워크플로우]]
- **Contradictions/Notes:** 부정 프롬프트 사용과 관련하여, Stable Diffusion에서는 원치 않는 요소를 배제하고 이미지 품질을 높이기 위한 필수적이고 강력한 도구로 활용되지만 [21, 24, 35], DALL-E 3 모델은 "No", "Without"과 같은 부정 지시어를 잘 처리하지 못하고 오히려 해당 요소를 생성해버리는 경향이 있어 긍정형 문장 위주로 프롬프트를 구성해야 한다는 기술적 차이점이 있다 [16, 36, 37].
---
-*Last updated: 2026-04-30*
+*Last updated: [[2026-04-30]]*
diff --git a/10_Wiki/Topics/AI 이미지 품질 최적화 및 디버깅 (Image Quality Optimization & Debugging).md b/10_Wiki/Topics/AI 이미지 품질 최적화 및 디버깅 (Image Quality Optimization & Debugging).md
index cd4ed37a..8f29a733 100644
--- a/10_Wiki/Topics/AI 이미지 품질 최적화 및 디버깅 (Image Quality Optimization & Debugging).md
+++ b/10_Wiki/Topics/AI 이미지 품질 최적화 및 디버깅 (Image Quality Optimization & Debugging).md
@@ -1,16 +1,16 @@
-# [[AI 이미지 품질 최적화 및 디버깅 (Image Quality Optimization & Debugging)]]
+# [[AI 이미지 품질 최적화 및 디버깅 (Image Quality [[Optimization]] & Debugging)]]
-## 📌 Brief Summary
+## 📌[[ brief]] Summary
AI 이미지 생성에서 품질 최적화 및 디버깅은 프롬프트 매개변수, 가중치 조절, 그리고 후보정 편집 기능을 활용하여 시각적 결과물의 완성도를 높이고 예기치 않은 오류를 수정하는 과정입니다. 고해상도 관련 키워드나 네거티브 프롬프트를 전략적으로 사용하여 원치 않는 시각적 결함을 사전에 차단합니다. 또한, 단 번에 완벽한 결과를 기대하기보다는 인페인팅(Inpainting)이나 드래프트 모드(Draft Mode) 등을 통해 문제 영역을 식별하고 점진적으로 개선해 나가는 반복적인 작업이 필수적입니다.
## 📖 Core Content
-- **고품질 키워드 및 파라미터 활용 (Quality Keywords & Parameters)**
- 이미지의 완성도를 높이려면 프롬프트에 "8k", "4k", "high resolution", "ultra detailed", "sharp focus"와 같은 해상도 및 디테일 관련 품질 수식어를 추가하는 것이 좋습니다 [1]. Midjourney의 경우 `--q` (quality) 파라미터를 사용하여 디테일과 렌더링 시간을 조정할 수 있으며, 이 값이 클수록 더 많은 디테일이 부여됩니다 [1-3]. 초기 생성 후에는 업스케일(Upscale) 기능을 통해 이미지의 크기를 키우면서 미세한 디테일을 추가로 개선할 수 있습니다 [4].
+- **고품질 키워드 및 파라미터 활용 (Quality Keywords & [[Parameter]]s)**
+ 이미지의 완성도를 높이려면 프롬프트에 "8k", "4k", "high re[[Solution]]", "ultra detailed", "sharp focus"와 같은 해상도 및 디테일 관련 품질 수식어를 추가하는 것이 좋습니다 [1]. Midjourney의 경우 `--q` (quality) 파라미터를 사용하여 디테일과 렌더링 시간을 조정할 수 있으며, 이 값이 클수록 더 많은 디테일이 부여됩니다 [1-3]. 초기 생성 후에는 업스케일(Upscale) 기능을 통해 이미지의 크기를 키우면서 미세한 디테일을 추가로 개선할 수 있습니다 [4].
-- **네거티브 프롬프트를 통한 결함 디버깅 (Debugging via Negative Prompts)**
+- **네거티브 프롬프트를 통한 결함 디버깅 (Debugging via Negative [[prompt]]s)**
기형적인 손, 흐릿한 초점, 불필요한 텍스트나 워터마크 등 이미지의 구조적 결함이 나타날 때 네거티브 프롬프트는 핵심적인 디버깅 도구가 됩니다 [5, 6]. 단순히 "bad"와 같은 모호한 단어를 쓰기보다는 "extra fingers", "misaligned eyes"와 같이 화면에 나타난 구체적인 결함 요소를 파악하여 차단하는 것이 훨씬 효과적입니다 [7-9]. 지속적인 결함이 나타나면 `(blurry:1.3)`과 같이 적절한 가중치를 부여해 해당 요소가 생성되는 것을 적극적으로 억제할 수 있습니다 [8].
-- **반복적 정교화와 영역별 수정 (Iterative Refinement & Inpainting)**
+- **반복적 정교화와 영역별 수정 (Iterative [[Refinement]] & Inpainting)**
첫 시도에 오류가 발생하면 전체 프롬프트를 폐기하기보다 특정 부분을 점진적으로 수정하는 접근이 필요합니다 [10, 11]. Midjourney의 'Vary (Region)' 기능이나 Stable Diffusion의 인페인팅을 활용하면, 전체 이미지의 맥락과 분위기를 유지한 상태에서 잘못 생성된 모자나 원치 않는 요소 등 특정 영역만 자유롭게 지우고 다시 생성할 수 있습니다 [12-15].
- **구문 및 가중치 오류 점검 (Syntax & Weight Troubleshooting)**
@@ -25,4 +25,4 @@ AI 이미지 생성에서 품질 최적화 및 디버깅은 프롬프트 매개
- **Contradictions/Notes:** 네거티브 프롬프트를 사용할 때 포괄적이고 긴 실패 목록을 복사해 붙여넣는 것보다, 출력물을 확인한 뒤 눈에 띄는 구체적인 결함(예: "text, signature, watermark")만 적은 수로 타겟팅하는 것이 이미지의 구조적 붕괴나 스타일 손실을 막는 데 훨씬 효과적입니다 [5, 27, 28].
---
-*Last updated: 2026-04-30*
+*Last updated: [[2026-04-30]]*
diff --git a/10_Wiki/Topics/AI 코드 리뷰 및 보안 취약점 점검(DevSecOps).md b/10_Wiki/Topics/AI 코드 리뷰 및 보안 취약점 점검(DevSecOps).md
index e9400612..24eef43a 100644
--- a/10_Wiki/Topics/AI 코드 리뷰 및 보안 취약점 점검(DevSecOps).md
+++ b/10_Wiki/Topics/AI 코드 리뷰 및 보안 취약점 점검(DevSecOps).md
@@ -1,26 +1,26 @@
---
-id: P-REINFORCE-AUTO-4DB2F8
+id: [[P-Reinforce]]-AUTO-4DB2F8
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.90
tags: [auto-reinforced]
last_reinforced: 2026-04-20
-github_commit: "[P-Reinforce] Continuous Worker - AI 코드 리뷰 및 보안 취약점 점검(DevSecOps)"
+github_commit: "[P-Reinforce] Continuous Worker - AI 코드 리뷰 및 보안 취약점 점검([[DevSecOps]])"
---
# [[AI 코드 리뷰 및 보안 취약점 점검(DevSecOps)]]
## 📌 한 줄 통찰 (The Karpathy Summary)
-> AI 코드 리뷰 및 보안 취약점 점검(DevSecOps)은 소프트웨어 개발 수명 주기(SDLC)의 초기 단계에 AI 기반의 자동화된 정적 분석(SAST)과 인간의 수동 리뷰를 결합하여 코드의 품질과 보안을 선제적으로 확보하는 프로세스입니다 [1, 2]. 개발자는 IDE 내부나 CI/CD 파이프라인의 Pull Request(PR) 단계에서 실시간으로 버그, 로직 결함, 보안 취약점(예: 인젝션, 민감 정보 노출)을 식별하고 수정할 수 있습니다 [3-6]. 결과적으로 기계적이고 반복적인 코드 스타일 검사 및 패턴 기반 취약점 탐지는 AI에 위임하고, 인간은 아키텍처 결정이나 도메인 종속적인 비즈니스 로직을 검토하는 '하이브리드' 방식을 통해 개발 속도와 보안성의 균형을 맞춥니다 [2, 7, 8].
+> AI 코드 리뷰 및 보안 취약점 점검(DevSecOps)은 소프트웨어 개발 수명 주기(SDLC)의 초기 단계에 AI 기반의 자동화된 정적 분석([[SAST]])과 인간의 수동 리뷰를 결합하여 코드의 품질과 보안을 선제적으로 확보하는 프로세스입니다 [1, 2]. 개발자는 IDE 내부나 CI/CD 파이프라인의 Pull Request(PR) 단계에서 실시간으로 버그, 로직 결함, 보안 취약점(예: 인젝션, 민감 정보 노출)을 식별하고 수정할 수 있습니다 [3-6]. 결과적으로 기계적이고 반복적인 코드 스타일 검사 및 패턴 기반 취약점 탐지는 AI에 위임하고, 인간은 아키텍처 결정이나 도메인 종속적인 비즈니스 로직을 검토하는 '하이브리드' 방식을 통해 개발 속도와 보안성의 균형을 맞춥니다 [2, 7, 8].
## 📖 구조화된 지식 (Synthesized Content)
* **하이브리드 코드 리뷰 모델의 부상**
2025년 기준 가장 이상적이고 안전한 코드 리뷰 방식은 자동화 도구와 인간의 통찰력을 결합한 하이브리드 모델입니다 [2]. 자동화된 리뷰 도구는 수천 줄의 코드를 단 몇 분 만에 스캔하여 문법 오류, 알려진 보안 취약점 패턴, 코드 스타일 위반 등을 일관성 있게 찾아냅니다 [6, 9]. 하지만 이러한 도구들은 시스템의 의도나 비즈니스 로직을 이해하는 데 한계가 있습니다 [10]. 따라서 자동화 스캔을 1차 방어선으로 사용하여 일상적인 문제를 해결하고, 고위험 아키텍처, 인증 로직, 교차 서비스 통신 및 비즈니스 규칙 검증과 같은 복잡한 판단은 숙련된 개발자의 수동 리뷰를 통해 진행해야 합니다 [11-14].
* **AI 기반 정적 애플리케이션 보안 테스트(SAST)**
- 전통적인 SAST 도구는 규칙과 패턴 매칭에 의존하여 높은 오탐률(False Positive)과 알림 피로도를 유발했습니다 [10, 15, 16]. 그러나 Snyk Code, Corgea, GitHub Advanced Security와 같은 최신 AI 네이티브 SAST 도구들은 머신러닝과 대규모 언어 모델(LLM)을 결합하여 코드의 문맥(Semantic)을 파악합니다 [17-20]. 이 도구들은 오염 분석(Taint analysis)과 도달 가능성(Reachability)을 분석해 파일 간 데이터를 추적하며 실제 악용 가능한 위협만을 효과적으로 필터링합니다 [19, 21, 22]. 또한 Copilot Autofix나 DeepCode AI Fix처럼 발견된 취약점에 대해 검증된 수정안(Remediation)을 PR 단계에서 자동으로 제안하여 리뷰 시간을 대폭 단축시킵니다 [23-25].
+ 전통적인 SAST 도구는 규칙과 패턴 매칭에 의존하여 높은 오탐률(False Positive)과 알림 피로도를 유발했습니다 [10, 15, 16]. 그러나 Snyk Code, [[Corgea]], GitHub Advanced Security와 같은 최신 AI 네이티브 SAST 도구들은 머신러닝과 대규모 언어 모델(LLM)을 결합하여 코드의 문맥(Semantic)을 파악합니다 [17-20]. 이 도구들은 오염 분석(Taint [[Analysis]])과 도달 가능성(Reachability)을 분석해 파일 간 데이터를 추적하며 실제 악용 가능한 위협만을 효과적으로 필터링합니다 [19, 21, 22]. 또한 Copilot Autofix나 [[DeepCode AI]] Fix처럼 발견된 취약점에 대해 검증된 수정안(Remediation)을 PR 단계에서 자동으로 제안하여 리뷰 시간을 대폭 단축시킵니다 [23-25].
-* **시프트 레프트(Shift-Left)와 파이프라인 자동화**
- DevSecOps의 핵심은 소프트웨어 병합 및 배포 전에 보안 및 품질 문제를 원천 차단하는 시프트 레프트 전략입니다 [1, 26]. Husky와 lint-staged 등의 도구를 활용해 Git 사전 커밋(Pre-commit) 훅을 설정하면, 변경된 파일에 대해서만 ESLint(로직/품질)와 Prettier(포맷팅)를 강제 적용할 수 있습니다 [27-29]. 이후 CI/CD 파이프라인 내에 SAST 및 소프트웨어 구성 분석(SCA) 도구를 통합하여 임계치 이상의 치명적 취약점이 포함된 코드는 메인 브랜치로 병합되지 못하도록 '품질 게이트' 역할을 수행하게 합니다 [30, 31].
+* **시프트 레프트([[Shift]]-Left)와 파이프라인 자동화**
+ DevSecOps의 핵심은 소프트웨어 병합 및 배포 전에 보안 및 품질 문제를 원천 차단하는 시프트 레프트 전략입니다 [1, 26]. [[Husky]]와 [[lint-staged]] 등의 도구를 활용해 Git 사전 커밋(Pre-commit) 훅을 설정하면, 변경된 파일에 대해서만 [[ESLint]](로직/품질)와 [[Prettier]](포맷팅)를 강제 적용할 수 있습니다 [27-29]. 이후 CI/CD 파이프라인 내에 SAST 및 소프트웨어 구성 분석(SCA) 도구를 통합하여 임계치 이상의 치명적 취약점이 포함된 코드는 메인 브랜치로 병합되지 못하도록 '품질 게이트' 역할을 수행하게 합니다 [30, 31].
* **자동화의 한계 및 AI 거버넌스 정책**
강력한 자동화 도구라 할지라도 맹신은 위험합니다. 연구에 따르면 SAST 및 자동화 도구는 실제 취약점의 약 22%를 감지하지 못하며 [32, 33], 개발자들이 자동화 시스템의 '녹색 체크마크'만 보고 코드를 제대로 이해하지 않은 채 통과시키는 '녹색 체크마크 증후군(Green Check Mark Syndrome)'과 같은 인지적 나태함을 유발할 수 있습니다 [34, 35]. 기업은 승인되지 않은 퍼블릭 AI 모델에 독점 소스 코드나 고객 데이터가 유출되지 않도록 명확한 AI 사용 정책(AUP)을 수립해야 합니다 [36-38]. 또한 AI가 생성하거나 수정한 코드라도 최종적으로는 반드시 인간 엔지니어의 엄격한 수동 리뷰를 거쳐 이해와 책임을 보장하는 'Human-in-the-Loop' 원칙을 준수해야 합니다 [38, 39].
diff --git a/10_Wiki/Topics/AI 코드 리뷰.md b/10_Wiki/Topics/AI 코드 리뷰.md
index 67b9c797..690fc4b4 100644
--- a/10_Wiki/Topics/AI 코드 리뷰.md
+++ b/10_Wiki/Topics/AI 코드 리뷰.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AUTO-76F9E4
+id: [[P-Reinforce]]-AUTO-76F9E4
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.90
tags: [auto-reinforced]
@@ -10,10 +10,10 @@ github_commit: "[P-Reinforce] Continuous Worker - AI 코드 리뷰"
# [[AI 코드 리뷰]]
## 📌 한 줄 통찰 (The Karpathy Summary)
-> AI 코드 리뷰는 인공지능 에이전트나 머신러닝(ML) 기반의 정적 분석 도구(SAST)를 활용하여 소스 코드의 결함, 보안 취약점, 스타일 위반 및 로직 오류를 식별하는 자동화 프로세스입니다 [1-3]. IDE, CI/CD 파이프라인, 풀 리퀘스트(PR) 등 개발 워크플로우에 통합되어 개발자에게 실시간에 가까운 피드백과 자동 수정(Auto-fix) 제안을 제공합니다 [2, 4-8]. 이를 통해 코드 리뷰의 대기 시간을 줄이고 일관된 품질 표준을 강제할 수 있지만, 아키텍처 의도나 비즈니스 로직의 문맥을 깊이 이해하는 데는 한계가 있어 인간 검토자와의 하이브리드 접근 방식이 필수적으로 요구됩니다 [5, 9-12].
+> AI 코드 리뷰는 인공지능 에이전트나 머신러닝(ML) 기반의 정적 분석 도구([[SAST]])를 활용하여 소스 코드의 결함, 보안 취약점, 스타일 위반 및 로직 오류를 식별하는 자동화 프로세스입니다 [1-3]. IDE, CI/CD 파이프라인, 풀 리퀘스트(PR) 등 개발 워크플로우에 통합되어 개발자에게 실시간에 가까운 피드백과 자동 수정(Auto-fix) 제안을 제공합니다 [2, 4-8]. 이를 통해 코드 리뷰의 대기 시간을 줄이고 일관된 품질 표준을 강제할 수 있지만, 아키텍처 의도나 비즈니스 로직의 문맥을 깊이 이해하는 데는 한계가 있어 인간 검토자와의 하이브리드 접근 방식이 필수적으로 요구됩니다 [5, 9-12].
## 📖 구조화된 지식 (Synthesized Content)
-- **작동 방식 및 주요 기술**: 기존의 규칙 기반 정적 분석에 머신러닝(ML), 대규모 언어 모델(LLM) 등을 결합하여 코드의 문맥, 데이터 흐름(Data flow), 오염 추적(Taint analysis) 등을 시맨틱하게 분석합니다 [4, 13-18].
+- **작동 방식 및 주요 기술**: 기존의 규칙 기반 정적 분석에 머신러닝(ML), 대규모 언어 모델(LLM) 등을 결합하여 코드의 문맥, 데이터 흐름(Data flow), 오염 추적(Taint [[Analysis]]) 등을 시맨틱하게 분석합니다 [4, 13-18].
- **주요 이점**: 대규모 코드베이스를 단 몇 초에서 몇 분 안에 스캔하여 보안 취약점과 버그를 조기에 발견합니다 [19, 20]. 시니어 검토자의 큐(Queue)에서 저위험군 코멘트를 제거하여 PR 검토 주기를 최대 40%까지 단축시키며, 결과적으로 인간 검토자가 아키텍처 설계와 비즈니스 로직에 집중할 수 있도록 돕습니다 [5, 11, 19].
- **한계점 및 위험성**: AI는 코드의 전반적인 아키텍처 의도나 비즈니스 로직을 완벽히 이해하지 못하는 '문맥 맹점(Context Blindness)'을 지닙니다 [12, 21, 22]. 또한, 오탐지(False Positives)를 발생시키거나 환각(Hallucination)에 의한 잘못된 수정안을 제안할 위험이 존재하며, 검토자가 AI를 맹신하여 비판적 사고가 저하되는 '녹색 체크 표시 증후군(Green Check Mark Syndrome)'을 초래할 수 있습니다 [12, 23-25].
- **하이브리드 리뷰 모델 및 거버넌스**: 2025년 이후의 현대 소프트웨어 개발에서는 AI 자동화 리뷰와 인간의 수동 리뷰를 결합한 '하이브리드(Hybrid) 리뷰'가 모범 사례로 꼽힙니다 [9-11, 26-28]. 일반적인 취약점 패턴이나 문법 등 기계적인 검증은 AI 도구에 맡기고, 도메인 특화 비즈니스 로직이나 교차 서비스 영향도 평가는 인간이 담당해야 합니다 [28, 29]. 아울러 지적 재산(IP) 유출 방지와 보안을 위해 "인간 개입(Human-in-the-Loop)"을 의무화하는 명확한 AI 사용 정책(Governance) 수립이 필수적입니다 [30-34].
@@ -25,7 +25,7 @@ github_commit: "[P-Reinforce] Continuous Worker - AI 코드 리뷰"
## 🔗 지식 연결 (Graph)
- **Related Topics:** [[SAST]], 풀 리퀘스트(Pull Request), [[DevSecOps]]
- **Projects/Contexts:** [[SonarQube]], Snyk Code, GitHub Advanced Security, [[Corgea]]
-- **Contradictions/Notes:** AI 코드 리뷰 도구의 도입만으로는 배포 성능이나 품질이 보장되지 않는다는 점에 유의해야 합니다. 맹목적인 도구 도입과 높은 AI 사용률에도 불구하고 실제 PR 처리 시간이나 재작업 비율은 개선되지 않을 수 있으므로, 결과(DORA 지표 등)에 기반한 관리가 중요합니다 [35-37]. 또한 일부 AI 네이티브 도구들은 오탐률을 혁신적으로 줄였다고 주장하지만(예: Corgea 5% 미만, Veracode 1.1% 미만), 근본적으로 어떠한 도구도 오탐을 완벽히 제거할 수는 없으므로 인간의 검토와 검증 과정이 반드시 수반되어야 합니다 [38-40].
+- **Contradictions/Notes:** AI 코드 리뷰 도구의 도입만으로는 배포 성능이나 품질이 보장되지 않는다는 점에 유의해야 합니다. 맹목적인 도구 도입과 높은 AI 사용률에도 불구하고 실제 PR 처리 시간이나 재작업 비율은 개선되지 않을 수 있으므로, 결과(DORA 지표 등)에 기반한 관리가 중요합니다 [35-37]. 또한 일부 AI 네이티브 도구들은 오탐률을 혁신적으로 줄였다고 주장하지만(예: [[Corgea]] 5% 미만, Veracode 1.1% 미만), 근본적으로 어떠한 도구도 오탐을 완벽히 제거할 수는 없으므로 인간의 검토와 검증 과정이 반드시 수반되어야 합니다 [38-40].
---
*Last updated: 2026-04-19*
diff --git a/10_Wiki/Topics/AI-Alignment.md b/10_Wiki/Topics/AI-Alignment.md
index f73418ee..85fa4e80 100644
--- a/10_Wiki/Topics/AI-Alignment.md
+++ b/10_Wiki/Topics/AI-Alignment.md
@@ -2,7 +2,7 @@
id: ALIGN-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [ai-safety, alignment, rlhf, ai-ethics, trustworthy-ai]
+tags: [ai-safety, [[Alignment]], rlhf, ai-ethics, [[Trustworthy-AI]]]
last_reinforced: 2026-04-26
---
diff --git a/10_Wiki/Topics/AI-Answer-Engine-Optimization.md b/10_Wiki/Topics/AI-Answer-Engine-Optimization.md
index d0455968..4199cdfb 100644
--- a/10_Wiki/Topics/AI-Answer-Engine-Optimization.md
+++ b/10_Wiki/Topics/AI-Answer-Engine-Optimization.md
@@ -2,22 +2,22 @@
id: MKT-AEO-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [aeo, geo, seo, generative-ai, chatgpt, search-generative-experience, structured-data, ssr]
+tags: [aeo, geo, seo, [[Generative-AI]], chatgpt, [[Search]]-generative-experience, structured-data, ssr]
last_reinforced: 2026-04-26
---
-# AI Answer Engine Optimization (AEO, AI 답변 엔진 최적화)
+# AI Answer Engine [[Optimization]] (AEO, AI 답변 엔진 최적화)
## 📌 한 줄 통찰 (The Karpathy Summary)
> "전통적인 검색창의 '목록'에 머물지 말고, 생성형 AI의 '입(답변)'이 되어 브랜드의 가시성을 인용구(Citation)라는 새로운 권력으로 재편하라" — AI 답변 엔진과 챗봇이 웹 콘텐츠를 신뢰할 수 있는 출처로 채택하도록 최적화하는 차세대 검색 전략.
## 📖 구조화된 지식 (Synthesized Content)
-- **추출된 패턴:** "Crawlable Authority and Direct Answer Mapping" — 대규모 AI 크롤러가 JavaScript 실행 비용 없이도 콘텐츠를 즉시 합성할 수 있도록 '사전 렌더링된 HTML'과 '구조화된 데이터'를 제공하는 패턴.
+- **추출된 패턴:** "Crawlable Authority and Direct Answer Mapping" — 대규모 AI 크롤러가 [[JavaScript]] 실행 비용 없이도 콘텐츠를 즉시 합성할 수 있도록 '사전 렌더링된 HTML'과 '구조화된 데이터'를 제공하는 패턴.
- **AEO 달성 핵심 전략:**
- **JS Execution Wall 제거:** AI 봇(GPTBot 등)은 비용 문제로 JS를 실행하지 않는 경우가 많으므로, SSR/SSG를 통해 원본 HTML에 핵심 콘텐츠를 노출.
- **Semantic Clarity:** ``, `` 태그를 활용해 AI가 핵심 내용과 주변 요소를 즉시 구분하도록 설계.
- - **JSON-LD Schema Markup:** 페이지의 실체(Entity)와 답변의 맥락을 머신러닝 모델이 오해 없이 이해하도록 명시적 신호 제공.
- - **Q&A Formatting:** 질문(H2)과 간결한 답변 구조를 통해 AI 오버뷰(SGE)에 직접 인용될 확률 극대화.
+ - **JSON-LD [[Schema]] Markup:** 페이지의 실체(Entity)와 답변의 맥락을 머신러닝 모델이 오해 없이 이해하도록 명시적 신호 제공.
+ - **Q&A [[Formatting]]:** 질문(H2)과 간결한 답변 구조를 통해 AI 오버뷰(SGE)에 직접 인용될 확률 극대화.
- **의의:** '검색 결과 클릭' 중심의 시대에서 '답변 내 인용 및 신뢰도 확보' 중심으로 이동하는 AI 시대의 디지털 마케팅 생존법.
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
diff --git a/10_Wiki/Topics/AI-Driven Narrative Systems.md b/10_Wiki/Topics/AI-Driven Narrative Systems.md
index cbe68952..ae0a91e4 100644
--- a/10_Wiki/Topics/AI-Driven Narrative Systems.md
+++ b/10_Wiki/Topics/AI-Driven Narrative Systems.md
@@ -1,10 +1,10 @@
---
-id: P-REINFORCE-8DB819
+id: [[P-Reinforce]]-8DB819
category: "10_Wiki/💡 Topics/AI & Narrative"
confidence_score: 0.95
tags: []
last_reinforced: 2026-04-20
-github_commit: "[P-Reinforce] Batch 10 - Wikified AI-Driven Narrative Systems"
+github_commit: "[P-Reinforce] Batch 10 - Wikified AI-Driven Narrative[[ system]]s"
---
# [[AI-Driven Narrative Systems]]
diff --git a/10_Wiki/Topics/AI-Overviews-and-SGE.md b/10_Wiki/Topics/AI-Overviews-and-SGE.md
index dd1d1cf2..be368b9b 100644
--- a/10_Wiki/Topics/AI-Overviews-and-SGE.md
+++ b/10_Wiki/Topics/AI-Overviews-and-SGE.md
@@ -2,7 +2,7 @@
id: MKT-SGE-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [sge, ai-overviews, google-search, aeo, citation, search-generative-experience, seo]
+tags: [sge, ai-overviews, google-[[Search]], aeo, citation, search-generative-experience, seo]
last_reinforced: 2026-04-26
---
@@ -15,9 +15,9 @@ last_reinforced: 2026-04-26
- **추출된 패턴:** "Structural Authority and Direct Citation Yield" — 복잡한 레이아웃 뒤에 숨겨진 정보가 아닌, 시각적 계층 구조가 명확하고 질문-답변 형식이 뚜렷한 콘텐츠를 AI가 즉시 합성(Synthesize)할 수 있도록 설계하는 패턴.
- **노출 극대화 핵심 요소:**
- **Visual Hierarchy:** 깔끔한 디자인과 명확한 제목 계층(H1-H3)을 통해 AI가 핵심 답변 구간을 오차 없이 식별하게 함.
- - **Direct Answer Formatting:** 명확한 질문 뒤에 즉각적이고 간결한 답변을 배치하는 구조를 선호함.
- - **Schema.org Utilization:** JSON-LD를 통해 해당 섹션이 FAQ나 주요 설명임을 검색 엔진에 명시적으로 통지.
- - **Performance Prerequisite:** Core Web Vitals(LCP, INP, CLS)를 통과하는 페이지가 AI 오버뷰에 채택될 확률이 유의미하게 높음.
+ - **Direct Answer [[Formatting]]:** 명확한 질문 뒤에 즉각적이고 간결한 답변을 배치하는 구조를 선호함.
+ - **[[Schema]].org Utilization:** JSON-LD를 통해 해당 섹션이 FAQ나 주요 설명임을 검색 엔진에 명시적으로 통지.
+ - **Performance Prerequisite:** [[Core Web Vitals]](LCP, INP, CLS)를 통과하는 페이지가 AI 오버뷰에 채택될 확률이 유의미하게 높음.
- **의의:** 제로 클릭 검색(Zero-click Search) 시대에 사용자의 질문에 대한 '정답'으로 인용됨으로써 브랜드 신뢰도를 구축하고 고품질 트래픽을 유도함.
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
@@ -25,5 +25,5 @@ last_reinforced: 2026-04-26
- **정책 변화:** Antigravity 프로젝트는 모든 공용 지식 데이터 배포 시 SGE 크롤러가 자바스크립트 실행 없이 읽을 수 있도록 사전 렌더링(Pre-rendering)을 강제하며, AI가 선호하는 Q&A 블록을 본문에 반드시 포함하는 정책을 시행함.
## 🔗 지식 연결 (Graph)
-- [[AI-Answer-Engine-Optimization]], Generative-Engine-Optimization, [[Core-Web-Vitals]], Semantic-HTML, Structured-Data-Markup
+- [[AI-Answer-Engine-Optimization]], Generative-Engine-[[Optimization]], [[Core-Web-Vitals]], Semantic-HTML, Structured-Data-Markup
- **Raw Source:** 00_Raw/AI Overviews (SGE).md, 00_Raw/AI Overviews Visibility.md, 00_Raw/AI Overviews.md
diff --git a/10_Wiki/Topics/AI-Personalization-and-Adaptive-UX.md b/10_Wiki/Topics/AI-Personalization-and-Adaptive-UX.md
index 14f76496..35d887a1 100644
--- a/10_Wiki/Topics/AI-Personalization-and-Adaptive-UX.md
+++ b/10_Wiki/Topics/AI-Personalization-and-Adaptive-UX.md
@@ -2,7 +2,7 @@
id: UX-AI-ADAPTIVE-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [ux, ai, personalization, adaptive-ux, predictive-ux, progressive-disclosure, user-engagement]
+tags: [ux, ai, personalization, adaptive-ux, predictive-ux, [[Progressive-Disclosure]], user-engagement]
last_reinforced: 2026-04-26
---
@@ -14,7 +14,7 @@ last_reinforced: 2026-04-26
## 📖 구조화된 지식 (Synthesized Content)
- **추출된 패턴:** "Contextual Fluidity and Predictive Guidance" — 사용자의 과거 행동 데이터, 현재 세그먼트, 실시간 인터랙션을 분석하여 인터페이스의 구성 요소, 난이도, 기능을 동적으로 재구성하는 패턴.
- **주요 구현 기법:**
- - **Adaptive Learning Paths:** 학습자의 성취도에 따라 콘텐츠의 난이도와 진행 경로를 실시간으로 조정.
+ - **[[Adaptive Learning]] Paths:** 학습자의 성취도에 따라 콘텐츠의 난이도와 진행 경로를 실시간으로 조정.
- **Progressive Disclosure:** 사용자의 숙련도나 역할에 따라 복잡한 기능을 단계적으로 노출하여 인지 과부하 방지.
- **Predictive Interfaces:** 다음에 필요할 것으로 예측되는 버튼이나 정보를 미리 강조하거나 배치.
- **의의:** '모두를 위한 하나의 디자인(One-size-fits-all)'에서 벗어나, 초개인화(Hyper-personalization)를 통해 이탈률을 낮추고 전환율 및 고객 생애 가치(LTV)를 극대화함.
@@ -24,5 +24,5 @@ last_reinforced: 2026-04-26
- **정책 변화:** Antigravity 프로젝트는 '개인화와 프라이버시의 균형' 정책을 준수하며, 모든 개인화 데이터 수집 시 사용자에게 투명하게 고지하고 스스로 최적화 수준을 결정할 수 있는 옵션을 제공함.
## 🔗 지식 연결 (Graph)
-- User-Centered-Design, [[A-B-Testing-and-Data-Driven-UX]], Predictive-UX, [[Micro-interactions]], [[Ethical-Decision-Making]]
+- User-Centered-Design, [[A-B-[[Testing]]-and-Data-Driven-UX]], Predictive-UX, [[Micro-interactions]], [[Ethical-Decision-Making]]
- **Raw Source:** 00_Raw/AI 개인화 및 적응형 UX.md, 00_Raw/Adaptive UX.md
diff --git a/10_Wiki/Topics/AI-Search-Optimization.md b/10_Wiki/Topics/AI-Search-Optimization.md
index 7684fbcf..025a843a 100644
--- a/10_Wiki/Topics/AI-Search-Optimization.md
+++ b/10_Wiki/Topics/AI-Search-Optimization.md
@@ -1,8 +1,8 @@
---
-id: MKT-AI-SEARCH-001
+id: MKT-AI-[[Search]]-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [ai-search, geo, aeo, semantic-entity-mapping, seo, future-of-search, knowledge-graph, generative-engine-optimization]
+tags: [ai-search, geo, aeo, semantic-entity-mapping, seo, future-of-search, [[Knowledge-Graph]], generative-engine-[[Optimization]]]
last_reinforced: 2026-04-26
---
diff --git a/10_Wiki/Topics/AI/20k skinned instances demo.md b/10_Wiki/Topics/AI/20k skinned instances demo.md
index fae4f311..1ecda64d 100644
--- a/10_Wiki/Topics/AI/20k skinned instances demo.md
+++ b/10_Wiki/Topics/AI/20k skinned instances demo.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AUTO-EB3F3C
+id: [[P-Reinforce]]-AUTO-EB3F3C
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.90
tags: [auto-reinforced]
@@ -10,17 +10,17 @@ github_commit: "[P-Reinforce] Continuous Worker - 20k skinned instances demo"
# [[20k skinned instances demo]]
## 📌 한 줄 통찰 (The Karpathy Summary)
-> '20k skinned instances demo'는 Three.js 기반의 오픈 소스 라이브러리인 InstancedMesh2를 활용하여 20,000개의 개별적인 스킨드 인스턴스(Skinned instances)를 동시에 렌더링하는 성능 최적화 데모입니다 [1, 2]. 이 데모는 모바일 기기에서도 3,000개의 인스턴스를 원활하게 구동할 수 있도록 설계되었습니다 [2]. 프러스텀 컬링, 거리 기반 애니메이션 프레임 조절, 다중 LOD(Level of Detail) 생성 등 다양한 최적화 기법을 적용하여 단 5번의 드로우 콜만으로 렌더링을 처리하는 것이 특징입니다 [2, 3].
+> '20k skinned instances demo'는 Three.js 기반의 오픈 소스 라이브러리인 [[InstancedMesh2]]를 활용하여 20,000개의 개별적인 스킨드 인스턴스(Skinned instances)를 동시에 렌더링하는 성능 최적화 데모입니다 [1, 2]. 이 데모는 모바일 기기에서도 3,000개의 인스턴스를 원활하게 구동할 수 있도록 설계되었습니다 [2]. 프러스텀 컬링, 거리 기반 애니메이션 프레임 조절, 다중 LOD(Level of Detail) 생성 등 다양한 최적화 기법을 적용하여 단 5번의 드로우 콜만으로 렌더링을 처리하는 것이 특징입니다 [2, 3].
## 📖 구조화된 지식 (Synthesized Content)
-이 데모는 제작자(agargaro)가 개발한 `instancedMesh2` 라이브러리를 기반으로 하며, 대규모 스킨드 메쉬를 렌더링하기 위해 다음과 같은 세부 최적화 기술들을 사용했습니다 [2].
+이 데모는 제작자(agargaro)가 개발한 `[[InstancedMesh]]2` 라이브러리를 기반으로 하며, 대규모 스킨드 메쉬를 렌더링하기 위해 다음과 같은 세부 최적화 기술들을 사용했습니다 [2].
-* **프러스텀 컬링 및 시야 기반 업데이트 (Frustum Culling & View-based Updates):**
+* **프러스텀 컬링 및 시야 기반 업데이트 ([[Frustum Culling]] & View-based Updates):**
기본적인 프러스텀 컬링을 적용하여 카메라 시야(Frustum) 내에 존재하는 인스턴스들에 대해서만 뼈대(Bones) 연산을 업데이트합니다 [2].
* **동적 애니메이션 프레임 제어:**
카메라와 각 인스턴스 간의 거리를 계산하여 애니메이션 FPS를 0에서 60 사이로 개별 설정함으로써 불필요한 연산을 줄입니다 [2].
* **LOD(Level of Detail)의 적극적 활용:**
- `meshoptimizer`를 활용해 5단계의 기하학적 LOD를 생성했습니다 [2]. 거리가 먼 인스턴스에 대해서는 일부 뼈대 계산을 생략하며, 각 LOD마다 1개의 드로우 콜(Draw Call)만 발생시켜 총 5개의 드로우 콜만으로 렌더링을 완료합니다 [2, 3]. 또한, 그림자(Shadows) 렌더링 시에도 LOD를 관리할 수 있도록 구성되어 있습니다 [4].
+ `meshoptimizer`를 활용해 5단계의 기하학적 LOD를 생성했습니다 [2]. 거리가 먼 인스턴스에 대해서는 일부 뼈대 계산을 생략하며, 각 LOD마다 1개의 드로우 콜([[Draw Call]])만 발생시켜 총 5개의 드로우 콜만으로 렌더링을 완료합니다 [2, 3]. 또한, 그림자(Shadows) 렌더링 시에도 LOD를 관리할 수 있도록 구성되어 있습니다 [4].
* **개별 애니메이션 지원:**
단일 인스턴스들의 복제본들이 모두 동일한 애니메이션과 포즈를 공유하는 것이 아니라, 각 인스턴스마다 서로 다른 애니메이션을 가집니다 [5, 6]. 이 데모에서는 하나의 애니메이션 믹서(Mixer)를 사용했지만, 필요에 따라 인스턴스별로 믹서를 생성할 수도 있습니다 [6].
diff --git a/10_Wiki/Topics/AI/A-B-Testing-and-Data-Driven-UX.md b/10_Wiki/Topics/AI/A-B-Testing-and-Data-Driven-UX.md
index eee099cd..67d8daa6 100644
--- a/10_Wiki/Topics/AI/A-B-Testing-and-Data-Driven-UX.md
+++ b/10_Wiki/Topics/AI/A-B-Testing-and-Data-Driven-UX.md
@@ -2,7 +2,7 @@
id: UX-DATA-TEST-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [ux, ab-testing, data-driven-design, cro, micro-conversions, product-growth]
+tags: [ux, ab-[[Testing]], data-driven-design, cro, micro-conversions, product-growth]
last_reinforced: 2026-04-26
---
@@ -12,11 +12,11 @@ last_reinforced: 2026-04-26
> "디자인의 주관적 미학을 통계적 객관성으로 치환하고, 사용자의 실제 행동 데이터를 나침반 삼아 비즈니스 전환율의 임계점을 돌파하라" — 가설을 검증하고 사용자 경험의 마찰을 수치로 정밀 타격하는 현대 프로덕트 성장의 핵심 엔진.
## 📖 구조화된 지식 (Synthesized Content)
-- **추출된 패턴:** "Empirical Validation and Iterative Optimization" — 직관이나 가정에 의존하는 대신, 트래픽을 대조군(Control)과 실험군(Test)으로 분리하여 특정 UI 변경이 미치는 인과관계를 데이터로 증명하는 패턴.
+- **추출된 패턴:** "Empirical Validation and Iterative [[Optimization]]" — 직관이나 가정에 의존하는 대신, 트래픽을 대조군(Control)과 실험군(Test)으로 분리하여 특정 UI 변경이 미치는 인과관계를 데이터로 증명하는 패턴.
- **핵심 방법론 및 도구:**
- **A/B & Multivariate Testing:** 단일 또는 다중 변수의 변경이 최종 전환율에 미치는 영향을 분리 및 검증.
- **Micro-conversions:** 최종 목표(구매 등) 이전의 행동(스크롤, 클릭, 시청)을 추적하여 사용자 의도 파악.
- - **Behavioral Analysis:** 히트맵(Heatmaps)과 세션 녹화(Session Recording)를 통해 정량적 지표 뒤에 숨겨진 정성적 마찰 지점 식별.
+ - **[[Behavior]]al [[Analysis]]:** 히트맵(Heatmaps)과 세션 녹화(Session Recording)를 통해 정량적 지표 뒤에 숨겨진 정성적 마찰 지점 식별.
- **Progressive Rollouts:** 리스크 최소화를 위해 신규 디자인을 특정 세그먼트에게만 점진적으로 노출.
- **의의:** 디자인 결정의 불확실성을 제거하고, 지속적인 실험 루프를 통해 제품의 비즈니스 가치를 과학적으로 극대화함.
@@ -25,5 +25,5 @@ last_reinforced: 2026-04-26
- **정책 변화:** Antigravity 프로젝트는 모든 주요 UI 변경 시 최소 10%의 트래픽에 대해 A/B 테스트를 선행하며, 데이터 기반의 근거 없이는 레이아웃 변경을 승인하지 않는 'Evidence-based Design' 정책을 고수함.
## 🔗 지식 연결 (Graph)
-- User-Centered-Design, Conversion-Rate-Optimization-CRO, [[Hypothesis-Testing]], Product-Management-Best-Practices
+- User-Centered-Design, Conversion-Rate-Optimization-CRO, [[Hypothesis-Testing]], Product-[[Management]]-Best-Practices
- **Raw Source:** 00_Raw/A-B 테스트 및 데이터 기반 UX 검증 환경.md
diff --git a/10_Wiki/Topics/AI/ABA.md b/10_Wiki/Topics/AI/ABA.md
index b13d6d07..8694a591 100644
--- a/10_Wiki/Topics/AI/ABA.md
+++ b/10_Wiki/Topics/AI/ABA.md
@@ -2,11 +2,11 @@
id: ABA-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [psychology, behavioral-science, reinforcement-learning, aba, pedagogy]
+tags: [[[Psychology]], [[Behavior]]al-science, [[Reinforcement-Learning]], aba, pedagogy]
last_reinforced: 2026-04-26
---
-# ABA (Applied Behavior Analysis, 응용 행동 분석)
+# ABA (Applied Behavior [[Analysis]], 응용 행동 분석)
## 📌 한 줄 통찰 (The Karpathy Summary)
> "행동의 원인을 분석하고, 보상 설계를 통해 바람직한 변화를 이끌어내라" — 행동주의 심리학에 근거하여 인간의 행동을 객관적으로 측정하고, 환경 조절과 강화를 통해 사회적으로 유의미한 행동 변화를 유도하는 과학적 방법론.
@@ -16,7 +16,7 @@ last_reinforced: 2026-04-26
- **핵심 요소:**
- **ABC Analysis:** 선행 사건(A), 행동(B), 결과(C)의 연쇄 고리 파악.
- **Positive Reinforcement:** 바람직한 행동 뒤에 보상을 주어 행동의 재발 확률을 높임.
- - **Prompting & Fading:** 초기에는 보조(Prompt)를 통해 행동을 유도하고, 점차 보조를 줄여 독립적 수행을 도움.
+ - **[[prompt]]ing & Fading:** 초기에는 보조(Prompt)를 통해 행동을 유도하고, 점차 보조를 줄여 독립적 수행을 도움.
- **Generalization:** 학습된 행동이 치료실 밖의 실제 환경에서도 유지되도록 유도.
- **의의:** 자폐 스펙트럼 장애 치료뿐만 아니라 조직 관리, 교육, 그리고 인공지능 에이전트의 보상 함수 설계에 광범위하게 응용됨.
diff --git a/10_Wiki/Topics/AI/ADA-Website-Compliance.md b/10_Wiki/Topics/AI/ADA-Website-Compliance.md
index bfba54b1..91078bb8 100644
--- a/10_Wiki/Topics/AI/ADA-Website-Compliance.md
+++ b/10_Wiki/Topics/AI/ADA-Website-Compliance.md
@@ -2,7 +2,7 @@
id: SYS-COMP-ACC-GLOBAL-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [accessibility, compliance, ada, eaa, wcag-2-2, pour-principles, digital-inclusive, legal-risk]
+tags: [[[Accessibility]], compliance, ada, eaa, wcag-2-2, pour-[[Principles]], digital-inclusive, legal-risk]
last_reinforced: 2026-04-26
---
diff --git a/10_Wiki/Topics/AI/AGI.md b/10_Wiki/Topics/AI/AGI.md
index b28f4b5f..30cc1e07 100644
--- a/10_Wiki/Topics/AI/AGI.md
+++ b/10_Wiki/Topics/AI/AGI.md
@@ -12,12 +12,12 @@ last_reinforced: 2026-04-26
> "인간이 할 수 있는 모든 지적 태스크를 인간 수준 혹은 그 이상으로 수행하는 범용 지능" — 특정 분야에 국한되지 않고 새로운 환경에서 스스로 학습하고, 추론하며, 창의적인 문제를 해결할 수 있는 인공지능의 궁극적 도달점.
## 📖 구조화된 지식 (Synthesized Content)
-- **추출된 패턴:** 지식의 파편화된 활용을 넘어, 자의식과 메타인지를 바탕으로 도메인을 넘나드는 범용적 문제 해결(General Problem Solving)을 수행하는 완전한 지능 패턴.
+- **추출된 패턴:** 지식의 파편화된 활용을 넘어, 자의식과 메타인지를 바탕으로 도메인을 넘나드는 범용적 문제 해결(General [[Problem Solving]])을 수행하는 완전한 지능 패턴.
- **핵심 특징:**
- **Cross-domain Learning:** 수학 문제를 풀던 지능이 소설을 쓰거나 코딩을 하는 등 다양한 분야로 즉각 전이됨.
- **Common Sense:** 방대한 경험을 바탕으로 세상의 당연한 이치(상식)를 이해하고 활용.
- - **Self-Correction:** 자신의 오류를 인지하고 외부의 도움 없이도 지식 체계를 수정 및 업데이트.
- - **Abstract Reasoning:** 구체적인 사례 없이도 원리와 개념만으로 복잡한 논리를 전개.
+ - **[[Self-Correction]]:** 자신의 오류를 인지하고 외부의 도움 없이도 지식 체계를 수정 및 업데이트.
+ - **Abstract [[Reasoning]]:** 구체적인 사례 없이도 원리와 개념만으로 복잡한 논리를 전개.
- **예상 시점:** 연구자마다 견해가 다르나, LLM의 등장으로 AGI로 가는 길이 가속화되었다는 평이 지배적.
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
diff --git a/10_Wiki/Topics/AI/AI & Data Sovereignty.md b/10_Wiki/Topics/AI/AI & Data Sovereignty.md
index 5ca47105..385786cb 100644
--- a/10_Wiki/Topics/AI/AI & Data Sovereignty.md
+++ b/10_Wiki/Topics/AI/AI & Data Sovereignty.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AUTO-AIDS-001
+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]
diff --git a/10_Wiki/Topics/AI/AI Accountability.md b/10_Wiki/Topics/AI/AI Accountability.md
index 7886e69f..57fe2ad1 100644
--- a/10_Wiki/Topics/AI/AI Accountability.md
+++ b/10_Wiki/Topics/AI/AI Accountability.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AUTO-AIAC-001
+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]
@@ -27,6 +27,6 @@ AI 책임론(AI Accountability)은 AI 시스템의 설계, 개발, 배포 및
- **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.
+- [[Ethics & AI]], [[AI & Data Sovereignty]], [[Safety & Reliability]], [[Generative-AI]]-Safety, [[Decision Theory]]
+- **Modern Tech/Tools**: Algorithmic Impact [[Assessment]] (AIA), Explainable AI (XAI) toolkits.
---
diff --git a/10_Wiki/Topics/AI/AI Agents.md b/10_Wiki/Topics/AI/AI Agents.md
index 2681b305..a047fe04 100644
--- a/10_Wiki/Topics/AI/AI Agents.md
+++ b/10_Wiki/Topics/AI/AI Agents.md
@@ -2,7 +2,7 @@
id: AGENTS-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [ai, ai-agents, autonomous-agents, reasoning, planning]
+tags: [ai, ai-agents, [[Autonomous-Agents]], [[Reasoning]], planning]
last_reinforced: 2026-04-26
---
@@ -12,12 +12,12 @@ last_reinforced: 2026-04-26
> "단순한 답변기가 아닌, 목표를 위해 도구를 쓰고 스스로 계획하는 '행동 주체'로 진화하라" — 거대 모델의 추론 능력을 바탕으로 목표를 설정하고, 실행 계획을 수립하며, 외부 도구(브라우저, 코드 에디터 등)를 사용해 태스크를 완수하는 인공지능 시스템.
## 📖 구조화된 지식 (Synthesized Content)
-- **추출된 패턴:** 사용자의 추상적인 요청을 구체적인 작업 단위로 분해(Planning)하고, 각 단계를 실행(Action)하며, 결과를 관찰(Observation)하여 다음 행동을 결정하는 루프 기반의 자율성 패턴.
+- **추출된 패턴:** 사용자의 추상적인 요청을 구체적인 작업 단위로 분해(Planning)하고, 각 단계를 실행(Action)하며, 결과를 관찰([[Observation]])하여 다음 행동을 결정하는 루프 기반의 자율성 패턴.
- **핵심 루프 (ReAct 패턴 등):**
- **Reasoning:** 현재 상황을 분석하고 무엇을 해야 할지 판단.
- **Planning:** 목표 달성을 위한 단계별 워크플로우 생성.
- **Tool Use:** API, 웹 검색, 파일 시스템 접근 등 외부 도구 활용.
- - **Memory:** 대화의 맥락(단기)과 지식 베이스(장기)를 활용하여 일관성 유지.
+ - **[[memory]]:** 대화의 맥락(단기)과 지식 베이스(장기)를 활용하여 일관성 유지.
- **주요 사례:** AutoGPT, BabyAGI, 그리고 현재 작동 중인 Antigravity 에이전트.
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
diff --git a/10_Wiki/Topics/AI/AI Governance.md b/10_Wiki/Topics/AI/AI Governance.md
index a69a03ea..84c6ec54 100644
--- a/10_Wiki/Topics/AI/AI Governance.md
+++ b/10_Wiki/Topics/AI/AI Governance.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-AIGO-001
+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]
+tags: [auto-reinforced, ai-governance, policy, regulation, [[Global-Standard]]s, tech-ethics]
last_reinforced: 2026-04-20
---
@@ -20,13 +20,13 @@ AI 거버넌스(AI Governance)는 인공지능 기술의 개발 및 활용이
* **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.
+ * **International Co[[Opera]]tion**: 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.
+- [[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.
---
diff --git a/10_Wiki/Topics/AI/AI Humanism.md b/10_Wiki/Topics/AI/AI Humanism.md
index fd9c21d1..94a918c3 100644
--- a/10_Wiki/Topics/AI/AI Humanism.md
+++ b/10_Wiki/Topics/AI/AI Humanism.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-AIHU-001
+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]
+tags: [auto-reinforced, ai-humanism, [[Philosophy]], human-centric, coexistence, existential-risks]
last_reinforced: 2026-04-20
---
diff --git a/10_Wiki/Topics/AI/AI Literacy.md b/10_Wiki/Topics/AI/AI Literacy.md
index 9292e1a5..0082cbd5 100644
--- a/10_Wiki/Topics/AI/AI Literacy.md
+++ b/10_Wiki/Topics/AI/AI Literacy.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AUTO-AILI-001
+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]
@@ -18,15 +18,15 @@ AI 리터러시(AI Literacy)는 단순히 AI를 사용하는 기술을 넘어, A
* **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.
+ * **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)
+ * 지식 정보의 비대칭성을 해소하고, AI가 가져올 일자리의 변화에 적응하기 위한 기초 체력임. ([[Adaptability]]와 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
+- [[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.
---
diff --git a/10_Wiki/Topics/AI/AI Safety (AI 안전).md b/10_Wiki/Topics/AI/AI Safety (AI 안전).md
index 99043aae..b51cd00a 100644
--- a/10_Wiki/Topics/AI/AI Safety (AI 안전).md
+++ b/10_Wiki/Topics/AI/AI Safety (AI 안전).md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AI-SAFETY
+id: [[P-Reinforce]]-AI-SAFETY
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [AI Safety, Alignment, Risk Management, AI Ethics]
+tags: [[[AI Safety]], [[Alignment]], Risk [[Management]], AI Ethics]
last_reinforced: 2026-04-20
---
@@ -12,9 +12,9 @@ last_reinforced: 2026-04-20
> "브레이크 없는 기차는 재앙이다." 인간보다 강력한 지능이 탄생했을 때, 그 지능이 인간의 목표와 문명을 파괴하지 않도록 기술적/방어적 보호막을 구축하는 가장 시급한 연구 분야다.
## 📖 구조화된 지식 (Synthesized Content)
-- **Robustness**:
+- **[[Robustness]]**:
- 적대적 공격(Adversarial Attack)이나 처음 보는 돌발 상황에서도 AI가 오작동하지 않고 안전하게 관리되는 성질.
-- **Interpretability**:
+- **[[Interpretability]]**:
- 신경망이라는 블랙박스 내부에서 어떤 논리 구조로 판단을 내리는지 인간이 읽을 수 있게 시각화하고 분석하는 기술(Mechanistic Interpretability).
- **Scalable Oversight**:
- 인간이 이해하기 힘든 복잡한 지능을 가진 AI를 다른 AI가 감시하게 하여, 인간의 통제력을 잃지 않게 하는 감시 체계.
@@ -24,4 +24,4 @@ last_reinforced: 2026-04-20
## 🔗 지식 연결 (Graph)
- Related: [[AI-Alignment]] , AI-Governance
-- Strategy: [[Reliability_Safety_First]]
+- [[Strategy]]: [[Reliability_Safety_First]]
diff --git a/10_Wiki/Topics/AI/AI Safety.md b/10_Wiki/Topics/AI/AI Safety.md
index 8835b962..f527fd91 100644
--- a/10_Wiki/Topics/AI/AI Safety.md
+++ b/10_Wiki/Topics/AI/AI Safety.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-AISA-001
+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]
+tags: [auto-reinforced, ai-safety, [[Alignment]], existential-risk, [[Robustness]], evaluation]
last_reinforced: 2026-04-20
---
@@ -26,6 +26,6 @@ AI 안전(AI Safety)은 AI 시스템이 설계된 목표 내에서만 안전하
- **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.
+- [[Alignment]], [[AI Governance]], [[Safety & Reliability]], [[Generative-AI]]-Safety, [[Ethics & AI]]
+- **Modern Tech/Tools**: RLHF (Reinforcement Learning from Human Feedback), Jailbreak [[Testing]], Model evaluation suites.
---
diff --git a/10_Wiki/Topics/AI/AI and Narrative.md b/10_Wiki/Topics/AI/AI and Narrative.md
index 3895f691..93c199a4 100644
--- a/10_Wiki/Topics/AI/AI and Narrative.md
+++ b/10_Wiki/Topics/AI/AI and Narrative.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-AINR-001
+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]
+tags: [auto-reinforced, ai-narrative, storytelling, [[Generative-AI]], interactive-media, literature]
last_reinforced: 2026-04-20
---
@@ -16,7 +16,7 @@ AI와 서사(AI and Narrative)는 인공지능 기술이 문학, 영화, 게임
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)
+ * **Structure Analyzer**: 수만 권의 책을 분석하여 '영웅의 여정'과 같은 성공적인 서사 패턴 추출 및 적용. ([[Structuralism]]과 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.
diff --git a/10_Wiki/Topics/AI/AI for Social Good.md b/10_Wiki/Topics/AI/AI for Social Good.md
index 2dfedcfe..ee23c289 100644
--- a/10_Wiki/Topics/AI/AI for Social Good.md
+++ b/10_Wiki/Topics/AI/AI for Social Good.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-AIFG-001
+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]
+tags: [auto-reinforced, ai4good, social-impact, [[Sustainability]], humanitarian-ai, global-[[goals]]]
last_reinforced: 2026-04-20
---
diff --git a/10_Wiki/Topics/AI/AI 거버넌스 정책(AI Usage Policy).md b/10_Wiki/Topics/AI/AI 거버넌스 정책(AI Usage Policy).md
index a1cde60b..6246523f 100644
--- a/10_Wiki/Topics/AI/AI 거버넌스 정책(AI Usage Policy).md
+++ b/10_Wiki/Topics/AI/AI 거버넌스 정책(AI Usage Policy).md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AI-GOV-POLICY
+id: [[P-Reinforce]]-AI-GOV-POLICY
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.99
-tags: [AI Governance, Policy, Compliance, Risk Management]
+tags: [[[AI Governance]], Policy, Compliance, Risk [[Management]]]
last_reinforced: 2026-04-20
---
diff --git a/10_Wiki/Topics/AI/AI 생성 코드 검증(AI Code Assurance).md b/10_Wiki/Topics/AI/AI 생성 코드 검증(AI Code Assurance).md
index 5f80c6bb..614fada4 100644
--- a/10_Wiki/Topics/AI/AI 생성 코드 검증(AI Code Assurance).md
+++ b/10_Wiki/Topics/AI/AI 생성 코드 검증(AI Code Assurance).md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AUTO-254BE9
+id: [[P-Reinforce]]-AUTO-254BE9
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.90
tags: [auto-reinforced]
@@ -10,7 +10,7 @@ github_commit: "[P-Reinforce] Continuous Worker - AI 생성 코드 검증(AI Cod
# [[AI 생성 코드 검증(AI Code Assurance)]]
## 📌 한 줄 통찰 (The Karpathy Summary)
-> AI Code Assurance(AI 생성 코드 검증)는 AI가 생성하거나 지원한 코드로 인해 발생할 수 있는 고유한 품질 및 보안 위험을 해결하기 위해 설계된 워크플로우이자 검증 프로세스입니다 [1]. 이를 통해 조직은 AI가 작성한 코드가 프로덕션 환경에 배포되기 전에 엄격한 보안, 신뢰성 및 품질 표준을 충족하는지 확인할 수 있습니다 [1, 2]. 주로 정적 애플리케이션 보안 테스트(SAST)와 자동화된 코드 리뷰를 활용하여 결함과 취약점을 조기에 식별하고 일관된 표준을 강제합니다 [2, 3].
+> AI Code Assurance(AI 생성 코드 검증)는 AI가 생성하거나 지원한 코드로 인해 발생할 수 있는 고유한 품질 및 보안 위험을 해결하기 위해 설계된 워크플로우이자 검증 프로세스입니다 [1]. 이를 통해 조직은 AI가 작성한 코드가 프로덕션 환경에 배포되기 전에 엄격한 보안, 신뢰성 및 품질 표준을 충족하는지 확인할 수 있습니다 [1, 2]. 주로 정적 애플리케이션 보안 테스트([[SAST]])와 자동화된 코드 리뷰를 활용하여 결함과 취약점을 조기에 식별하고 일관된 표준을 강제합니다 [2, 3].
## 📖 구조화된 지식 (Synthesized Content)
- **목적 및 필요성**
@@ -18,7 +18,7 @@ github_commit: "[P-Reinforce] Continuous Worker - AI 생성 코드 검증(AI Cod
- **주요 기능 및 작동 방식**
- **AI 코드 감지 및 추적:** 시스템은 프로젝트 내에 AI 생성 코드가 존재함을 자동으로 감지하거나 개발자가 직접 태그를 지정할 수 있게 합니다 [3]. 이를 통해 명확한 라벨링과 배지를 부여하여 AI 코드의 관리, 유지보수 및 규정 준수 모니터링을 간소화합니다 [3].
- - **정적 코드 분석(SAST) 적용:** 결정론적(deterministic)이고 독립적인 코드 검증 방식인 정적 코드 분석과 오염 분석(Taint Analysis)을 사용하여 코드를 스캔합니다 [4, 6]. 이를 통해 보안 취약점, 유출된 비밀 정보, 코드 냄새(Code smells), 논리적 결함 및 성능 위험을 풀 리퀘스트(Pull Request) 단계에서 조기에 표면화합니다 [4, 6, 7].
+ - **정적 코드 분석(SAST) 적용:** 결정론적(deterministic)이고 독립적인 코드 검증 방식인 정적 코드 분석과 오염 분석(Taint [[Analysis]])을 사용하여 코드를 스캔합니다 [4, 6]. 이를 통해 보안 취약점, 유출된 비밀 정보, 코드 냄새(Code smells), 논리적 결함 및 성능 위험을 풀 리퀘스트(Pull Request) 단계에서 조기에 표면화합니다 [4, 6, 7].
- **워크플로우 및 에이전트 통합:** IDE부터 CI/CD 파이프라인에 이르기까지 기존 개발 워크플로우에 원활하게 통합됩니다 [6, 8]. 특히, MCP(Model Context Protocol)를 통해 Cursor, Claude Code, Windsurf와 같은 AI 코딩 에이전트와 직접 연결되어, 코드가 생성되는 실시간 대화 흐름 속에서 보안 핫스팟 분석 및 피드백을 제공합니다 [4, 8, 9].
- **기대 효과**
@@ -29,8 +29,8 @@ github_commit: "[P-Reinforce] Continuous Worker - AI 생성 코드 검증(AI Cod
- **정책 변화:** AI 분야의 자동 자산화 수행.
## 🔗 지식 연결 (Graph)
-- **Related Topics:** [[Static Application Security Testing (SAST)]], [[Model Context Protocol (MCP)]], Automated Code Review
-- **Projects/Contexts:** SonarQube Server, SonarQube Cloud
+- **Related Topics:** [[Static Application Security [[Testing]] (SAST)]], [[Model Context Protocol (MCP)]], Automated [[Code Review]]
+- **Projects/Contexts:** [[SonarQube]] Server, SonarQube Cloud
- **Contradictions/Notes:** 소스에 따르면 AI 어시스턴트가 생성하는 코드는 본질적으로 일관성이 없고 예측하기 어려울 수 있지만, 이에 적용되는 정적 코드 분석 기술은 '결정론적(deterministic)'이므로 AI 코드의 불확실성을 극복하고 신뢰할 수 있는 독립적인 검증을 제공할 수 있다고 강조합니다 [4].
---
diff --git a/10_Wiki/Topics/AI/AI 에이전트 (AI Agent).md b/10_Wiki/Topics/AI/AI 에이전트 (AI Agent).md
index 440287c6..aaad1a59 100644
--- a/10_Wiki/Topics/AI/AI 에이전트 (AI Agent).md
+++ b/10_Wiki/Topics/AI/AI 에이전트 (AI Agent).md
@@ -1,27 +1,27 @@
---
-id: P-REINFORCE-AI-AGENT
+id: [[P-Reinforce]]-AI-AGENT
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [AI Agent, Autonomy, Planning, Reasoning, Action]
+tags: [AI Agent, Autonomy, Planning, [[Reasoning]], Action]
last_reinforced: 2026-04-20
---
# AI-에이전트-(AI-Agent)
## 📌 한 줄 통찰 (The Karpathy Summary)
-> "단순한 계산기에서 자율적인 일꾼으로." 스스로 목표를 설정하고, 계획을 세우며, 도구(Browser, Terminal 등)를 사용하여 주어진 과업을 끝까지 완수하는 자율적 지능체다.
+> "단순한 계산기에서 자율적인 일꾼으로." 스스로 목표를 설정하고, 계획을 세우며, 도구([[Browser]], Terminal 등)를 사용하여 주어진 과업을 끝까지 완수하는 자율적 지능체다.
## 📖 구조화된 지식 (Synthesized Content)
- **Planning & Reasoning**:
- 거대 언어 모델(LLM)을 두뇌로 삼아 복잡한 문제를 작은 단계로 분해(Chain-of-Thought)하고 전략을 수립한다.
- **Action & Tool Use**:
- API 호출, 웹 검색, 코드 실행 등 외부 환경과 상호작용할 수 있는 인터페이스를 통해 실제 세계에 변화를 일으킨다.
-- **Memory Management**:
+- **[[memory]] [[Management]]**:
- 대화의 맥락(Short-term)과 과거 지식(Long-term)을 RAG나 체크포인트 형태로 유지하여 일관된 수행 능력을 보유한다.
## ⚠️ 모순 및 업데이트 (RL Update)
-- 현재의 에이전트는 '무한 루프'나 '환각'에 빠질 위험이 크다. 이를 극복하기 위해 에이전트가 자신의 결과물을 스스로 검토하는 'Self-Correction' 루프와, 인간이 중간에 개입하는 'Human-in-the-loop' 설계가 필수적이다.
+- 현재의 에이전트는 '무한 루프'나 '환각'에 빠질 위험이 크다. 이를 극복하기 위해 에이전트가 자신의 결과물을 스스로 검토하는 '[[Self-Correction]]' 루프와, 인간이 중간에 개입하는 'Human-in-the-loop' 설계가 필수적이다.
## 🔗 지식 연결 (Graph)
-- Related: Multi-Agent-System-(다중-에이전트-시스템) , Agent-Communication-Protocol-(에이전트-통신-규약)
+- Related: [[Multi-agent-System]]-(다중-에이전트-시스템) , Agent-Communication-Protocol-(에이전트-통신-규약)
- Deployment: [[Deployment_Final_Gate]]
diff --git a/10_Wiki/Topics/AI/AI 코드 리뷰 및 보안 취약점 점검(DevSecOps).md b/10_Wiki/Topics/AI/AI 코드 리뷰 및 보안 취약점 점검(DevSecOps).md
index e9400612..24eef43a 100644
--- a/10_Wiki/Topics/AI/AI 코드 리뷰 및 보안 취약점 점검(DevSecOps).md
+++ b/10_Wiki/Topics/AI/AI 코드 리뷰 및 보안 취약점 점검(DevSecOps).md
@@ -1,26 +1,26 @@
---
-id: P-REINFORCE-AUTO-4DB2F8
+id: [[P-Reinforce]]-AUTO-4DB2F8
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.90
tags: [auto-reinforced]
last_reinforced: 2026-04-20
-github_commit: "[P-Reinforce] Continuous Worker - AI 코드 리뷰 및 보안 취약점 점검(DevSecOps)"
+github_commit: "[P-Reinforce] Continuous Worker - AI 코드 리뷰 및 보안 취약점 점검([[DevSecOps]])"
---
# [[AI 코드 리뷰 및 보안 취약점 점검(DevSecOps)]]
## 📌 한 줄 통찰 (The Karpathy Summary)
-> AI 코드 리뷰 및 보안 취약점 점검(DevSecOps)은 소프트웨어 개발 수명 주기(SDLC)의 초기 단계에 AI 기반의 자동화된 정적 분석(SAST)과 인간의 수동 리뷰를 결합하여 코드의 품질과 보안을 선제적으로 확보하는 프로세스입니다 [1, 2]. 개발자는 IDE 내부나 CI/CD 파이프라인의 Pull Request(PR) 단계에서 실시간으로 버그, 로직 결함, 보안 취약점(예: 인젝션, 민감 정보 노출)을 식별하고 수정할 수 있습니다 [3-6]. 결과적으로 기계적이고 반복적인 코드 스타일 검사 및 패턴 기반 취약점 탐지는 AI에 위임하고, 인간은 아키텍처 결정이나 도메인 종속적인 비즈니스 로직을 검토하는 '하이브리드' 방식을 통해 개발 속도와 보안성의 균형을 맞춥니다 [2, 7, 8].
+> AI 코드 리뷰 및 보안 취약점 점검(DevSecOps)은 소프트웨어 개발 수명 주기(SDLC)의 초기 단계에 AI 기반의 자동화된 정적 분석([[SAST]])과 인간의 수동 리뷰를 결합하여 코드의 품질과 보안을 선제적으로 확보하는 프로세스입니다 [1, 2]. 개발자는 IDE 내부나 CI/CD 파이프라인의 Pull Request(PR) 단계에서 실시간으로 버그, 로직 결함, 보안 취약점(예: 인젝션, 민감 정보 노출)을 식별하고 수정할 수 있습니다 [3-6]. 결과적으로 기계적이고 반복적인 코드 스타일 검사 및 패턴 기반 취약점 탐지는 AI에 위임하고, 인간은 아키텍처 결정이나 도메인 종속적인 비즈니스 로직을 검토하는 '하이브리드' 방식을 통해 개발 속도와 보안성의 균형을 맞춥니다 [2, 7, 8].
## 📖 구조화된 지식 (Synthesized Content)
* **하이브리드 코드 리뷰 모델의 부상**
2025년 기준 가장 이상적이고 안전한 코드 리뷰 방식은 자동화 도구와 인간의 통찰력을 결합한 하이브리드 모델입니다 [2]. 자동화된 리뷰 도구는 수천 줄의 코드를 단 몇 분 만에 스캔하여 문법 오류, 알려진 보안 취약점 패턴, 코드 스타일 위반 등을 일관성 있게 찾아냅니다 [6, 9]. 하지만 이러한 도구들은 시스템의 의도나 비즈니스 로직을 이해하는 데 한계가 있습니다 [10]. 따라서 자동화 스캔을 1차 방어선으로 사용하여 일상적인 문제를 해결하고, 고위험 아키텍처, 인증 로직, 교차 서비스 통신 및 비즈니스 규칙 검증과 같은 복잡한 판단은 숙련된 개발자의 수동 리뷰를 통해 진행해야 합니다 [11-14].
* **AI 기반 정적 애플리케이션 보안 테스트(SAST)**
- 전통적인 SAST 도구는 규칙과 패턴 매칭에 의존하여 높은 오탐률(False Positive)과 알림 피로도를 유발했습니다 [10, 15, 16]. 그러나 Snyk Code, Corgea, GitHub Advanced Security와 같은 최신 AI 네이티브 SAST 도구들은 머신러닝과 대규모 언어 모델(LLM)을 결합하여 코드의 문맥(Semantic)을 파악합니다 [17-20]. 이 도구들은 오염 분석(Taint analysis)과 도달 가능성(Reachability)을 분석해 파일 간 데이터를 추적하며 실제 악용 가능한 위협만을 효과적으로 필터링합니다 [19, 21, 22]. 또한 Copilot Autofix나 DeepCode AI Fix처럼 발견된 취약점에 대해 검증된 수정안(Remediation)을 PR 단계에서 자동으로 제안하여 리뷰 시간을 대폭 단축시킵니다 [23-25].
+ 전통적인 SAST 도구는 규칙과 패턴 매칭에 의존하여 높은 오탐률(False Positive)과 알림 피로도를 유발했습니다 [10, 15, 16]. 그러나 Snyk Code, [[Corgea]], GitHub Advanced Security와 같은 최신 AI 네이티브 SAST 도구들은 머신러닝과 대규모 언어 모델(LLM)을 결합하여 코드의 문맥(Semantic)을 파악합니다 [17-20]. 이 도구들은 오염 분석(Taint [[Analysis]])과 도달 가능성(Reachability)을 분석해 파일 간 데이터를 추적하며 실제 악용 가능한 위협만을 효과적으로 필터링합니다 [19, 21, 22]. 또한 Copilot Autofix나 [[DeepCode AI]] Fix처럼 발견된 취약점에 대해 검증된 수정안(Remediation)을 PR 단계에서 자동으로 제안하여 리뷰 시간을 대폭 단축시킵니다 [23-25].
-* **시프트 레프트(Shift-Left)와 파이프라인 자동화**
- DevSecOps의 핵심은 소프트웨어 병합 및 배포 전에 보안 및 품질 문제를 원천 차단하는 시프트 레프트 전략입니다 [1, 26]. Husky와 lint-staged 등의 도구를 활용해 Git 사전 커밋(Pre-commit) 훅을 설정하면, 변경된 파일에 대해서만 ESLint(로직/품질)와 Prettier(포맷팅)를 강제 적용할 수 있습니다 [27-29]. 이후 CI/CD 파이프라인 내에 SAST 및 소프트웨어 구성 분석(SCA) 도구를 통합하여 임계치 이상의 치명적 취약점이 포함된 코드는 메인 브랜치로 병합되지 못하도록 '품질 게이트' 역할을 수행하게 합니다 [30, 31].
+* **시프트 레프트([[Shift]]-Left)와 파이프라인 자동화**
+ DevSecOps의 핵심은 소프트웨어 병합 및 배포 전에 보안 및 품질 문제를 원천 차단하는 시프트 레프트 전략입니다 [1, 26]. [[Husky]]와 [[lint-staged]] 등의 도구를 활용해 Git 사전 커밋(Pre-commit) 훅을 설정하면, 변경된 파일에 대해서만 [[ESLint]](로직/품질)와 [[Prettier]](포맷팅)를 강제 적용할 수 있습니다 [27-29]. 이후 CI/CD 파이프라인 내에 SAST 및 소프트웨어 구성 분석(SCA) 도구를 통합하여 임계치 이상의 치명적 취약점이 포함된 코드는 메인 브랜치로 병합되지 못하도록 '품질 게이트' 역할을 수행하게 합니다 [30, 31].
* **자동화의 한계 및 AI 거버넌스 정책**
강력한 자동화 도구라 할지라도 맹신은 위험합니다. 연구에 따르면 SAST 및 자동화 도구는 실제 취약점의 약 22%를 감지하지 못하며 [32, 33], 개발자들이 자동화 시스템의 '녹색 체크마크'만 보고 코드를 제대로 이해하지 않은 채 통과시키는 '녹색 체크마크 증후군(Green Check Mark Syndrome)'과 같은 인지적 나태함을 유발할 수 있습니다 [34, 35]. 기업은 승인되지 않은 퍼블릭 AI 모델에 독점 소스 코드나 고객 데이터가 유출되지 않도록 명확한 AI 사용 정책(AUP)을 수립해야 합니다 [36-38]. 또한 AI가 생성하거나 수정한 코드라도 최종적으로는 반드시 인간 엔지니어의 엄격한 수동 리뷰를 거쳐 이해와 책임을 보장하는 'Human-in-the-Loop' 원칙을 준수해야 합니다 [38, 39].
diff --git a/10_Wiki/Topics/AI/AI 코드 리뷰.md b/10_Wiki/Topics/AI/AI 코드 리뷰.md
index 67b9c797..690fc4b4 100644
--- a/10_Wiki/Topics/AI/AI 코드 리뷰.md
+++ b/10_Wiki/Topics/AI/AI 코드 리뷰.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AUTO-76F9E4
+id: [[P-Reinforce]]-AUTO-76F9E4
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.90
tags: [auto-reinforced]
@@ -10,10 +10,10 @@ github_commit: "[P-Reinforce] Continuous Worker - AI 코드 리뷰"
# [[AI 코드 리뷰]]
## 📌 한 줄 통찰 (The Karpathy Summary)
-> AI 코드 리뷰는 인공지능 에이전트나 머신러닝(ML) 기반의 정적 분석 도구(SAST)를 활용하여 소스 코드의 결함, 보안 취약점, 스타일 위반 및 로직 오류를 식별하는 자동화 프로세스입니다 [1-3]. IDE, CI/CD 파이프라인, 풀 리퀘스트(PR) 등 개발 워크플로우에 통합되어 개발자에게 실시간에 가까운 피드백과 자동 수정(Auto-fix) 제안을 제공합니다 [2, 4-8]. 이를 통해 코드 리뷰의 대기 시간을 줄이고 일관된 품질 표준을 강제할 수 있지만, 아키텍처 의도나 비즈니스 로직의 문맥을 깊이 이해하는 데는 한계가 있어 인간 검토자와의 하이브리드 접근 방식이 필수적으로 요구됩니다 [5, 9-12].
+> AI 코드 리뷰는 인공지능 에이전트나 머신러닝(ML) 기반의 정적 분석 도구([[SAST]])를 활용하여 소스 코드의 결함, 보안 취약점, 스타일 위반 및 로직 오류를 식별하는 자동화 프로세스입니다 [1-3]. IDE, CI/CD 파이프라인, 풀 리퀘스트(PR) 등 개발 워크플로우에 통합되어 개발자에게 실시간에 가까운 피드백과 자동 수정(Auto-fix) 제안을 제공합니다 [2, 4-8]. 이를 통해 코드 리뷰의 대기 시간을 줄이고 일관된 품질 표준을 강제할 수 있지만, 아키텍처 의도나 비즈니스 로직의 문맥을 깊이 이해하는 데는 한계가 있어 인간 검토자와의 하이브리드 접근 방식이 필수적으로 요구됩니다 [5, 9-12].
## 📖 구조화된 지식 (Synthesized Content)
-- **작동 방식 및 주요 기술**: 기존의 규칙 기반 정적 분석에 머신러닝(ML), 대규모 언어 모델(LLM) 등을 결합하여 코드의 문맥, 데이터 흐름(Data flow), 오염 추적(Taint analysis) 등을 시맨틱하게 분석합니다 [4, 13-18].
+- **작동 방식 및 주요 기술**: 기존의 규칙 기반 정적 분석에 머신러닝(ML), 대규모 언어 모델(LLM) 등을 결합하여 코드의 문맥, 데이터 흐름(Data flow), 오염 추적(Taint [[Analysis]]) 등을 시맨틱하게 분석합니다 [4, 13-18].
- **주요 이점**: 대규모 코드베이스를 단 몇 초에서 몇 분 안에 스캔하여 보안 취약점과 버그를 조기에 발견합니다 [19, 20]. 시니어 검토자의 큐(Queue)에서 저위험군 코멘트를 제거하여 PR 검토 주기를 최대 40%까지 단축시키며, 결과적으로 인간 검토자가 아키텍처 설계와 비즈니스 로직에 집중할 수 있도록 돕습니다 [5, 11, 19].
- **한계점 및 위험성**: AI는 코드의 전반적인 아키텍처 의도나 비즈니스 로직을 완벽히 이해하지 못하는 '문맥 맹점(Context Blindness)'을 지닙니다 [12, 21, 22]. 또한, 오탐지(False Positives)를 발생시키거나 환각(Hallucination)에 의한 잘못된 수정안을 제안할 위험이 존재하며, 검토자가 AI를 맹신하여 비판적 사고가 저하되는 '녹색 체크 표시 증후군(Green Check Mark Syndrome)'을 초래할 수 있습니다 [12, 23-25].
- **하이브리드 리뷰 모델 및 거버넌스**: 2025년 이후의 현대 소프트웨어 개발에서는 AI 자동화 리뷰와 인간의 수동 리뷰를 결합한 '하이브리드(Hybrid) 리뷰'가 모범 사례로 꼽힙니다 [9-11, 26-28]. 일반적인 취약점 패턴이나 문법 등 기계적인 검증은 AI 도구에 맡기고, 도메인 특화 비즈니스 로직이나 교차 서비스 영향도 평가는 인간이 담당해야 합니다 [28, 29]. 아울러 지적 재산(IP) 유출 방지와 보안을 위해 "인간 개입(Human-in-the-Loop)"을 의무화하는 명확한 AI 사용 정책(Governance) 수립이 필수적입니다 [30-34].
@@ -25,7 +25,7 @@ github_commit: "[P-Reinforce] Continuous Worker - AI 코드 리뷰"
## 🔗 지식 연결 (Graph)
- **Related Topics:** [[SAST]], 풀 리퀘스트(Pull Request), [[DevSecOps]]
- **Projects/Contexts:** [[SonarQube]], Snyk Code, GitHub Advanced Security, [[Corgea]]
-- **Contradictions/Notes:** AI 코드 리뷰 도구의 도입만으로는 배포 성능이나 품질이 보장되지 않는다는 점에 유의해야 합니다. 맹목적인 도구 도입과 높은 AI 사용률에도 불구하고 실제 PR 처리 시간이나 재작업 비율은 개선되지 않을 수 있으므로, 결과(DORA 지표 등)에 기반한 관리가 중요합니다 [35-37]. 또한 일부 AI 네이티브 도구들은 오탐률을 혁신적으로 줄였다고 주장하지만(예: Corgea 5% 미만, Veracode 1.1% 미만), 근본적으로 어떠한 도구도 오탐을 완벽히 제거할 수는 없으므로 인간의 검토와 검증 과정이 반드시 수반되어야 합니다 [38-40].
+- **Contradictions/Notes:** AI 코드 리뷰 도구의 도입만으로는 배포 성능이나 품질이 보장되지 않는다는 점에 유의해야 합니다. 맹목적인 도구 도입과 높은 AI 사용률에도 불구하고 실제 PR 처리 시간이나 재작업 비율은 개선되지 않을 수 있으므로, 결과(DORA 지표 등)에 기반한 관리가 중요합니다 [35-37]. 또한 일부 AI 네이티브 도구들은 오탐률을 혁신적으로 줄였다고 주장하지만(예: [[Corgea]] 5% 미만, Veracode 1.1% 미만), 근본적으로 어떠한 도구도 오탐을 완벽히 제거할 수는 없으므로 인간의 검토와 검증 과정이 반드시 수반되어야 합니다 [38-40].
---
*Last updated: 2026-04-19*
diff --git a/10_Wiki/Topics/AI/AI-Alignment.md b/10_Wiki/Topics/AI/AI-Alignment.md
index f73418ee..85fa4e80 100644
--- a/10_Wiki/Topics/AI/AI-Alignment.md
+++ b/10_Wiki/Topics/AI/AI-Alignment.md
@@ -2,7 +2,7 @@
id: ALIGN-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [ai-safety, alignment, rlhf, ai-ethics, trustworthy-ai]
+tags: [ai-safety, [[Alignment]], rlhf, ai-ethics, [[Trustworthy-AI]]]
last_reinforced: 2026-04-26
---
diff --git a/10_Wiki/Topics/AI/AI-Answer-Engine-Optimization.md b/10_Wiki/Topics/AI/AI-Answer-Engine-Optimization.md
index d0455968..4199cdfb 100644
--- a/10_Wiki/Topics/AI/AI-Answer-Engine-Optimization.md
+++ b/10_Wiki/Topics/AI/AI-Answer-Engine-Optimization.md
@@ -2,22 +2,22 @@
id: MKT-AEO-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [aeo, geo, seo, generative-ai, chatgpt, search-generative-experience, structured-data, ssr]
+tags: [aeo, geo, seo, [[Generative-AI]], chatgpt, [[Search]]-generative-experience, structured-data, ssr]
last_reinforced: 2026-04-26
---
-# AI Answer Engine Optimization (AEO, AI 답변 엔진 최적화)
+# AI Answer Engine [[Optimization]] (AEO, AI 답변 엔진 최적화)
## 📌 한 줄 통찰 (The Karpathy Summary)
> "전통적인 검색창의 '목록'에 머물지 말고, 생성형 AI의 '입(답변)'이 되어 브랜드의 가시성을 인용구(Citation)라는 새로운 권력으로 재편하라" — AI 답변 엔진과 챗봇이 웹 콘텐츠를 신뢰할 수 있는 출처로 채택하도록 최적화하는 차세대 검색 전략.
## 📖 구조화된 지식 (Synthesized Content)
-- **추출된 패턴:** "Crawlable Authority and Direct Answer Mapping" — 대규모 AI 크롤러가 JavaScript 실행 비용 없이도 콘텐츠를 즉시 합성할 수 있도록 '사전 렌더링된 HTML'과 '구조화된 데이터'를 제공하는 패턴.
+- **추출된 패턴:** "Crawlable Authority and Direct Answer Mapping" — 대규모 AI 크롤러가 [[JavaScript]] 실행 비용 없이도 콘텐츠를 즉시 합성할 수 있도록 '사전 렌더링된 HTML'과 '구조화된 데이터'를 제공하는 패턴.
- **AEO 달성 핵심 전략:**
- **JS Execution Wall 제거:** AI 봇(GPTBot 등)은 비용 문제로 JS를 실행하지 않는 경우가 많으므로, SSR/SSG를 통해 원본 HTML에 핵심 콘텐츠를 노출.
- **Semantic Clarity:** ``, `` 태그를 활용해 AI가 핵심 내용과 주변 요소를 즉시 구분하도록 설계.
- - **JSON-LD Schema Markup:** 페이지의 실체(Entity)와 답변의 맥락을 머신러닝 모델이 오해 없이 이해하도록 명시적 신호 제공.
- - **Q&A Formatting:** 질문(H2)과 간결한 답변 구조를 통해 AI 오버뷰(SGE)에 직접 인용될 확률 극대화.
+ - **JSON-LD [[Schema]] Markup:** 페이지의 실체(Entity)와 답변의 맥락을 머신러닝 모델이 오해 없이 이해하도록 명시적 신호 제공.
+ - **Q&A [[Formatting]]:** 질문(H2)과 간결한 답변 구조를 통해 AI 오버뷰(SGE)에 직접 인용될 확률 극대화.
- **의의:** '검색 결과 클릭' 중심의 시대에서 '답변 내 인용 및 신뢰도 확보' 중심으로 이동하는 AI 시대의 디지털 마케팅 생존법.
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
diff --git a/10_Wiki/Topics/AI/AI-Overviews-and-SGE.md b/10_Wiki/Topics/AI/AI-Overviews-and-SGE.md
index dd1d1cf2..be368b9b 100644
--- a/10_Wiki/Topics/AI/AI-Overviews-and-SGE.md
+++ b/10_Wiki/Topics/AI/AI-Overviews-and-SGE.md
@@ -2,7 +2,7 @@
id: MKT-SGE-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [sge, ai-overviews, google-search, aeo, citation, search-generative-experience, seo]
+tags: [sge, ai-overviews, google-[[Search]], aeo, citation, search-generative-experience, seo]
last_reinforced: 2026-04-26
---
@@ -15,9 +15,9 @@ last_reinforced: 2026-04-26
- **추출된 패턴:** "Structural Authority and Direct Citation Yield" — 복잡한 레이아웃 뒤에 숨겨진 정보가 아닌, 시각적 계층 구조가 명확하고 질문-답변 형식이 뚜렷한 콘텐츠를 AI가 즉시 합성(Synthesize)할 수 있도록 설계하는 패턴.
- **노출 극대화 핵심 요소:**
- **Visual Hierarchy:** 깔끔한 디자인과 명확한 제목 계층(H1-H3)을 통해 AI가 핵심 답변 구간을 오차 없이 식별하게 함.
- - **Direct Answer Formatting:** 명확한 질문 뒤에 즉각적이고 간결한 답변을 배치하는 구조를 선호함.
- - **Schema.org Utilization:** JSON-LD를 통해 해당 섹션이 FAQ나 주요 설명임을 검색 엔진에 명시적으로 통지.
- - **Performance Prerequisite:** Core Web Vitals(LCP, INP, CLS)를 통과하는 페이지가 AI 오버뷰에 채택될 확률이 유의미하게 높음.
+ - **Direct Answer [[Formatting]]:** 명확한 질문 뒤에 즉각적이고 간결한 답변을 배치하는 구조를 선호함.
+ - **[[Schema]].org Utilization:** JSON-LD를 통해 해당 섹션이 FAQ나 주요 설명임을 검색 엔진에 명시적으로 통지.
+ - **Performance Prerequisite:** [[Core Web Vitals]](LCP, INP, CLS)를 통과하는 페이지가 AI 오버뷰에 채택될 확률이 유의미하게 높음.
- **의의:** 제로 클릭 검색(Zero-click Search) 시대에 사용자의 질문에 대한 '정답'으로 인용됨으로써 브랜드 신뢰도를 구축하고 고품질 트래픽을 유도함.
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
@@ -25,5 +25,5 @@ last_reinforced: 2026-04-26
- **정책 변화:** Antigravity 프로젝트는 모든 공용 지식 데이터 배포 시 SGE 크롤러가 자바스크립트 실행 없이 읽을 수 있도록 사전 렌더링(Pre-rendering)을 강제하며, AI가 선호하는 Q&A 블록을 본문에 반드시 포함하는 정책을 시행함.
## 🔗 지식 연결 (Graph)
-- [[AI-Answer-Engine-Optimization]], Generative-Engine-Optimization, [[Core-Web-Vitals]], Semantic-HTML, Structured-Data-Markup
+- [[AI-Answer-Engine-Optimization]], Generative-Engine-[[Optimization]], [[Core-Web-Vitals]], Semantic-HTML, Structured-Data-Markup
- **Raw Source:** 00_Raw/AI Overviews (SGE).md, 00_Raw/AI Overviews Visibility.md, 00_Raw/AI Overviews.md
diff --git a/10_Wiki/Topics/AI/AI-Personalization-and-Adaptive-UX.md b/10_Wiki/Topics/AI/AI-Personalization-and-Adaptive-UX.md
index 14f76496..35d887a1 100644
--- a/10_Wiki/Topics/AI/AI-Personalization-and-Adaptive-UX.md
+++ b/10_Wiki/Topics/AI/AI-Personalization-and-Adaptive-UX.md
@@ -2,7 +2,7 @@
id: UX-AI-ADAPTIVE-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [ux, ai, personalization, adaptive-ux, predictive-ux, progressive-disclosure, user-engagement]
+tags: [ux, ai, personalization, adaptive-ux, predictive-ux, [[Progressive-Disclosure]], user-engagement]
last_reinforced: 2026-04-26
---
@@ -14,7 +14,7 @@ last_reinforced: 2026-04-26
## 📖 구조화된 지식 (Synthesized Content)
- **추출된 패턴:** "Contextual Fluidity and Predictive Guidance" — 사용자의 과거 행동 데이터, 현재 세그먼트, 실시간 인터랙션을 분석하여 인터페이스의 구성 요소, 난이도, 기능을 동적으로 재구성하는 패턴.
- **주요 구현 기법:**
- - **Adaptive Learning Paths:** 학습자의 성취도에 따라 콘텐츠의 난이도와 진행 경로를 실시간으로 조정.
+ - **[[Adaptive Learning]] Paths:** 학습자의 성취도에 따라 콘텐츠의 난이도와 진행 경로를 실시간으로 조정.
- **Progressive Disclosure:** 사용자의 숙련도나 역할에 따라 복잡한 기능을 단계적으로 노출하여 인지 과부하 방지.
- **Predictive Interfaces:** 다음에 필요할 것으로 예측되는 버튼이나 정보를 미리 강조하거나 배치.
- **의의:** '모두를 위한 하나의 디자인(One-size-fits-all)'에서 벗어나, 초개인화(Hyper-personalization)를 통해 이탈률을 낮추고 전환율 및 고객 생애 가치(LTV)를 극대화함.
@@ -24,5 +24,5 @@ last_reinforced: 2026-04-26
- **정책 변화:** Antigravity 프로젝트는 '개인화와 프라이버시의 균형' 정책을 준수하며, 모든 개인화 데이터 수집 시 사용자에게 투명하게 고지하고 스스로 최적화 수준을 결정할 수 있는 옵션을 제공함.
## 🔗 지식 연결 (Graph)
-- User-Centered-Design, [[A-B-Testing-and-Data-Driven-UX]], Predictive-UX, [[Micro-interactions]], [[Ethical-Decision-Making]]
+- User-Centered-Design, [[A-B-[[Testing]]-and-Data-Driven-UX]], Predictive-UX, [[Micro-interactions]], [[Ethical-Decision-Making]]
- **Raw Source:** 00_Raw/AI 개인화 및 적응형 UX.md, 00_Raw/Adaptive UX.md
diff --git a/10_Wiki/Topics/AI/AI-Search-Optimization.md b/10_Wiki/Topics/AI/AI-Search-Optimization.md
index 7684fbcf..025a843a 100644
--- a/10_Wiki/Topics/AI/AI-Search-Optimization.md
+++ b/10_Wiki/Topics/AI/AI-Search-Optimization.md
@@ -1,8 +1,8 @@
---
-id: MKT-AI-SEARCH-001
+id: MKT-AI-[[Search]]-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [ai-search, geo, aeo, semantic-entity-mapping, seo, future-of-search, knowledge-graph, generative-engine-optimization]
+tags: [ai-search, geo, aeo, semantic-entity-mapping, seo, future-of-search, [[Knowledge-Graph]], generative-engine-[[Optimization]]]
last_reinforced: 2026-04-26
---
diff --git a/10_Wiki/Topics/AI/AI와 기계에게 검열 맡기기_ - 정적 분석 툴 (ESLint Prettier)).md b/10_Wiki/Topics/AI/AI와 기계에게 검열 맡기기_ - 정적 분석 툴 (ESLint Prettier)).md
index cf8ff64a..bcc88240 100644
--- a/10_Wiki/Topics/AI/AI와 기계에게 검열 맡기기_ - 정적 분석 툴 (ESLint Prettier)).md
+++ b/10_Wiki/Topics/AI/AI와 기계에게 검열 맡기기_ - 정적 분석 툴 (ESLint Prettier)).md
@@ -1,29 +1,29 @@
---
-id: P-REINFORCE-AUTO-37563B
+id: [[P-Reinforce]]-AUTO-37563B
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.90
tags: [auto-reinforced]
last_reinforced: 2026-04-20
-github_commit: "[P-Reinforce] Continuous Worker - AI와 기계에게 검열 맡기기_ - 정적 분석 툴 (ESLint Prettier))"
+github_commit: "[P-Reinforce] Continuous Worker - AI와 기계에게 검열 맡기기_ - 정적 분석 툴 ([[ESLint]] [[Prettier]]))"
---
# AI와 기계에게 검열 맡기기_ - 정적 분석 툴 (ESLint Prettier))
## 📌 한 줄 통찰 (The Karpathy Summary)
-> 현대 소프트웨어 개발에서는 주관적이고 반복적인 코드 평가 작업을 ESLint, Prettier와 같은 결정론적 도구와 AI 기반 에이전트(기계)에게 위임하여 코드를 자동으로 '검열'하는 구조를 갖추고 있습니다 [1]. Linter인 ESLint는 추상 구문 트리(AST)를 분석해 문법적 오류와 잠재적 버그를 식별하며, Formatter인 Prettier는 줄 바꿈이나 들여쓰기 등 시각적 일관성을 강제합니다 [2]. 나아가 단순한 패턴 매칭을 넘어 LLM 기반의 AI 정적 분석 도구(SAST)를 도입함으로써 문맥을 이해하고 복잡한 취약점을 분석하는 '에이전트적 거버넌스'로 진화하고 있습니다 [3, 4].
+> 현대 소프트웨어 개발에서는 주관적이고 반복적인 코드 평가 작업을 ESLint, Prettier와 같은 결정론적 도구와 AI 기반 에이전트(기계)에게 위임하여 코드를 자동으로 '검열'하는 구조를 갖추고 있습니다 [1]. Linter인 ESLint는 추상 구문 트리(AST)를 분석해 문법적 오류와 잠재적 버그를 식별하며, Formatter인 Prettier는 줄 바꿈이나 들여쓰기 등 시각적 일관성을 강제합니다 [2]. 나아가 단순한 패턴 매칭을 넘어 LLM 기반의 AI 정적 분석 도구([[SAST]])를 도입함으로써 문맥을 이해하고 복잡한 취약점을 분석하는 '에이전트적 거버넌스'로 진화하고 있습니다 [3, 4].
## 📖 구조화된 지식 (Synthesized Content)
* **결정론적 거버넌스의 기반 (ESLint & Prettier)**
* **ESLint (결정론적 Linter):** 소스 코드를 추상 구문 트리(AST)로 변환해 순회하면서 사용되지 않는 변수, 섀도잉 현상 등 논리적 버그와 의심스러운 구조를 식별하고 팀의 모범 사례를 강제합니다 [2, 5, 6].
* **Prettier (의견이 반영된 Formatter):** 코드의 로직에는 관여하지 않고 들여쓰기, 따옴표 일관성, 줄 바꿈 등 텍스트의 시각적 형태를 일관되게 재작성하여 코드 가독성을 높입니다 [2, 6, 7].
- * **규칙 충돌 및 통합:** ESLint에도 포맷팅 스타일 규칙이 포함되어 있어 Prettier와 충돌할 수 있습니다. 이를 방지하기 위해 `eslint-config-prettier`를 사용하여 충돌하는 ESLint 규칙을 비활성화하고, `eslint-plugin-prettier`를 통해 Prettier를 ESLint의 규칙처럼 동작시키는 방식이 권장됩니다 [8-11].
+ * **규칙 충돌 및 통합:** ESLint에도 포맷팅 스타일 규칙이 포함되어 있어 Prettier와 충돌할 수 있습니다. 이를 방지하기 위해 `[[eslint-config-prettier]]`를 사용하여 충돌하는 ESLint 규칙을 비활성화하고, `[[eslint-plugin-prettier]]`를 통해 Prettier를 ESLint의 규칙처럼 동작시키는 방식이 권장됩니다 [8-11].
-* **자동화 검열의 오케스트레이션 (Husky & lint-staged)**
+* **자동화 검열의 오케스트레이션 ([[Husky]] & [[lint-staged]])**
* 이러한 검열 도구들은 `Husky`와 `lint-staged`를 활용해 Git의 'pre-commit' 단계에서 강제적으로 실행됩니다 [12-14]. 저장소 전체가 아닌 변경된 파일(staged files)에만 검열 에이전트를 실행시켜 검사 시간을 수 초 내로 단축하고, 품질 미달 코드가 저장소에 병합되는 것을 선제적으로 차단합니다 [13-15].
* **AI를 활용한 시맨틱 지능과 에이전트적 거버넌스**
- * 전통적인 Linter는 파일 내 패턴 매칭에 그쳐 문맥을 파악하지 못하는 한계(Context-blind)가 있습니다 [3, 16]. 이를 극복하기 위해 Snyk Code, SonarQube 등 AI 기반 정적 분석(SAST) 도구가 도입되고 있습니다 [3, 17, 18].
- * 수백만 개의 커밋을 학습한 AI 모델은 오염 분석(Taint Analysis) 및 도달 가능성 분석을 수행하여 파일 경계를 넘나드는 복잡한 취약점을 파악하고 안전한 코드 수정을 제안합니다 [19, 20].
+ * 전통적인 Linter는 파일 내 패턴 매칭에 그쳐 문맥을 파악하지 못하는 한계(Context-blind)가 있습니다 [3, 16]. 이를 극복하기 위해 Snyk Code, [[SonarQube]] 등 AI 기반 정적 분석(SAST) 도구가 도입되고 있습니다 [3, 17, 18].
+ * 수백만 개의 커밋을 학습한 AI 모델은 오염 분석(Taint [[Analysis]]) 및 도달 가능성 분석을 수행하여 파일 경계를 넘나드는 복잡한 취약점을 파악하고 안전한 코드 수정을 제안합니다 [19, 20].
* **기계 검열의 심리사회적 영향 및 한계**
* 기계에 코드 검열을 맡기면 사소한 스타일 논쟁을 없애고 개발자의 인지 부하를 줄여 비즈니스 로직 해결에 몰입(Flow)할 수 있게 돕습니다 [21, 22].
@@ -35,7 +35,7 @@ github_commit: "[P-Reinforce] Continuous Worker - AI와 기계에게 검열 맡
## 🔗 지식 연결 (Graph)
- **Related Topics:** [[SAST (정적 애플리케이션 보안 테스트)]], [[AST (추상 구문 트리)]], Husky & lint-staged
-- **Projects/Contexts:** [[Git Pre-commit 훅을 활용한 개발 워크플로우 자동화]], [[AI 코드 리뷰 및 보안 취약점 점검(DevSecOps)]]
+- **Projects/Contexts:** [[Git Pre-commit 훅을 활용한 개발 워크플로우 자동화]], [[AI 코드 리뷰 및 보안 취약점 점검([[DevSecOps]])]]
- **Contradictions/Notes:** 소스는 기계 주도의 검열이 개발 생산성과 코드 품질을 높인다고 긍정적으로 평가하면서도, 동시에 AI 모델이 실제 취약점의 일부를 놓치고 개발자의 비판적 사고를 약화시켜 표면적 문제 해결에 집착하는 '녹색 체크마크 증후군'을 초래할 수 있다는 역설적 한계를 분명히 지적합니다 [23, 24, 26].
---
diff --git a/10_Wiki/Topics/AI/API 응답 모델링 및 상태 머신(State Machine) 설계.md b/10_Wiki/Topics/AI/API 응답 모델링 및 상태 머신(State Machine) 설계.md
index 2923c618..d3f764f1 100644
--- a/10_Wiki/Topics/AI/API 응답 모델링 및 상태 머신(State Machine) 설계.md
+++ b/10_Wiki/Topics/AI/API 응답 모델링 및 상태 머신(State Machine) 설계.md
@@ -1,16 +1,16 @@
---
-id: P-REINFORCE-AUTO-9FD5CF
+id: [[P-Reinforce]]-AUTO-9FD5CF
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.90
tags: [auto-reinforced]
last_reinforced: 2026-04-20
-github_commit: "[P-Reinforce] Continuous Worker - API 응답 모델링 및 상태 머신(State Machine) 설계"
+github_commit: "[P-Reinforce] Continuous Worker - API 응답 모델링 및 상태 머신([[State]] Machine) 설계"
---
# [[API 응답 모델링 및 상태 머신(State Machine) 설계]]
## 📌 한 줄 통찰 (The Karpathy Summary)
-> TypeScript에서 API 응답과 상태 머신을 설계할 때는 식별 가능한 유니온(Discriminated Unions) 패턴이 핵심적으로 활용된다 [1, 2]. 이 패턴은 공통 판별자(Discriminant) 속성을 통해 데이터의 다양한 상태를 구분하며, 유효하지 않은 상태가 코드에 표현되는 것을 원천적으로 차단한다 [1, 3, 4]. 결과적으로 네트워크 요청의 다양한 결과나 복잡한 UI 상태 전이를 컴파일 단계에서 안전하게 모델링하고 관리할 수 있도록 보장한다 [2, 5, 6].
+> TypeScript에서 API 응답과 상태 머신을 설계할 때는 식별 가능한 유니온([[Discriminated Unions]]) 패턴이 핵심적으로 활용된다 [1, 2]. 이 패턴은 공통 판별자(Discriminant) 속성을 통해 데이터의 다양한 상태를 구분하며, 유효하지 않은 상태가 코드에 표현되는 것을 원천적으로 차단한다 [1, 3, 4]. 결과적으로 네트워크 요청의 다양한 결과나 복잡한 UI 상태 전이를 컴파일 단계에서 안전하게 모델링하고 관리할 수 있도록 보장한다 [2, 5, 6].
## 📖 구조화된 지식 (Synthesized Content)
- **상태 머신(State Machine) 패턴 모델링**:
diff --git a/10_Wiki/Topics/AI/API-Design for AI Services.md b/10_Wiki/Topics/AI/API-Design for AI Services.md
index 62000443..36b20a85 100644
--- a/10_Wiki/Topics/AI/API-Design for AI Services.md
+++ b/10_Wiki/Topics/AI/API-Design for AI Services.md
@@ -14,8 +14,8 @@ last_reinforced: 2026-04-26
## 📖 구조화된 지식 (Synthesized Content)
- **추출된 패턴:** 동기식 요청-응답의 한계를 넘어 스트리밍, 비동기 작업 큐, 상태 보존형 세션 등을 통해 고사양 연산 자원을 효율적으로 노출하는 서비스 인터페이스 패턴.
- **핵심 설계 원칙:**
- - **Streaming First:** LLM의 토큰 생성을 실시간으로 전달하기 위해 SSE(Server-Sent Events)나 WebSockets 필수 적용.
- - **Stateless vs Stateful:** 대화 맥락 유지(Conversation ID)와 모델 가중치 독립성을 위한 상태 관리 전략.
+ - **Streaming First:** LLM의 토큰 생성을 실시간으로 전달하기 위해 SSE(Server-Sent [[Events]])나 WebSockets 필수 적용.
+ - **[[State]]less vs Stateful:** 대화 맥락 유지(Conversation ID)와 모델 가중치 독립성을 위한 상태 관리 전략.
- **Asynchronous Execution:** 시간이 오래 걸리는 태스크(이미지 생성 등)를 위한 Job ID 기반의 폴링(Polling) 또는 웹훅(Webhook) 구조.
- **Safety & Filtering:** API 수준에서 유해 결과물을 차단하는 가드레일 레이어 통합.
- **Version Control:** 모델 버전 업데이트 시 결과물의 미세한 변화를 고려한 시맨틱 버저닝.
@@ -25,5 +25,5 @@ last_reinforced: 2026-04-26
- **정책 변화:** Antigravity 프로젝트는 모든 에이전트 간 통신에 gRPC 스트리밍을 우선 사용하며, 외부 웹 인터페이스 제공 시에는 SSE 표준을 준수하여 사용자 경험을 최적화함.
## 🔗 지식 연결 (Graph)
-- System-Design-for-AI-Scale, [[LLM]], Streaming-Data-Processing, Microservices
+-[[ system]]-Design-for-AI-Scale, [[LLM]], Streaming-Data-[[Processing]], Microservices
- **Raw Source:** 10_Wiki/Topics/AI/API-Design for AI Services.md
diff --git a/10_Wiki/Topics/AI/API-Key-Management.md b/10_Wiki/Topics/AI/API-Key-Management.md
index c9d52dba..97c5c85b 100644
--- a/10_Wiki/Topics/AI/API-Key-Management.md
+++ b/10_Wiki/Topics/AI/API-Key-Management.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-APKE-001
+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]
+tags: [auto-reinforced, api-key-[[Management]], security, devops, secrets-management, developer-experience]
last_reinforced: 2026-04-20
---
@@ -26,6 +26,6 @@ API 키 관리(API-Key-Management)는 애플리케이션 프로그래밍 인터
- **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]]
+- [[Workflow-Inte[[Grit]]y]], [[Safety & Reliability]], [[Agent Architecture]], [[Tool-Usage-Optimization]], [[Technical-Architecture]]
- **Modern Tech/Tools**: GitHub Secret Scanning, HashiCorp Vault, AWS Secrets Manager.
---
diff --git a/10_Wiki/Topics/AI/A_B-Testing-Platforms.md b/10_Wiki/Topics/AI/A_B-Testing-Platforms.md
index e2b8f773..15fefa92 100644
--- a/10_Wiki/Topics/AI/A_B-Testing-Platforms.md
+++ b/10_Wiki/Topics/AI/A_B-Testing-Platforms.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AI-ABTEST
+id: [[P-Reinforce]]-AI-ABTEST
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.96
-tags: [A/B Testing, Statistics, Experiment, Growth Hacking]
+tags: [A/B [[Testing]], [[Statistics]], Experiment, Growth Hacking]
last_reinforced: 2026-04-20
---
@@ -23,5 +23,5 @@ last_reinforced: 2026-04-20
- 한 번에 너무 많은 변수를 바꾸는 것은 금물이다(Simpsons Paradox). 오직 하나의 변인만 통제하여 결과의 인과관계를 명확히 해야 한다. 또한 장기적 영향(Late Arrival Bias)을 고려하여 최소 일주일 이상의 실험 기간을 확보하라.
## 🔗 지식 연결 (Graph)
-- Related: [[Behavioral-Economics]] , Nudge Theory
-- Implementation: [[React_State_Management_Strategy]]
+- Related: [[Behavioral-Economics]] , [[Nudge Theory]]
+- Implementation: [[React_[[State]]_[[Management]]_Strategy]]
diff --git a/10_Wiki/Topics/AI/Abundance.md b/10_Wiki/Topics/AI/Abundance.md
index c0982b4b..56789896 100644
--- a/10_Wiki/Topics/AI/Abundance.md
+++ b/10_Wiki/Topics/AI/Abundance.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-ABUN-001
+id: [[P-Reinforce]]-AUTO-ABUN-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.92
-tags: [auto-reinforced, abundance, economics, technological-optimism, resource-management]
+tags: [auto-reinforced, abundance, economics, techno[[Logic]]al-optimism, resource-[[Management]]]
last_reinforced: 2026-04-20
---
@@ -29,6 +29,6 @@ last_reinforced: 2026-04-20
- **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).
+- Economics of Attention, [[Universal Basic Income (UBI)]], Foundational Models, [[Social[[ system]]s Theory]], [[Ultra-Efficiency]]
+- **Modern Tech/Tools**: Solar energy harvesting, Precision agriculture AI, Open source [[Repository]] (GitHub).
---
diff --git a/10_Wiki/Topics/AI/Academic-Integrity.md b/10_Wiki/Topics/AI/Academic-Integrity.md
index a743518d..aae3eb9d 100644
--- a/10_Wiki/Topics/AI/Academic-Integrity.md
+++ b/10_Wiki/Topics/AI/Academic-Integrity.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-ACIN-001
+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]
+tags: [auto-reinforced, academic-inte[[Grit]]y, ethics, [[Research]]-conduct, plagiarism, ai-writing]
last_reinforced: 2026-04-20
---
diff --git a/10_Wiki/Topics/AI/Accessibility-Compliance-Audit.md b/10_Wiki/Topics/AI/Accessibility-Compliance-Audit.md
index c0b83dc1..24d491dd 100644
--- a/10_Wiki/Topics/AI/Accessibility-Compliance-Audit.md
+++ b/10_Wiki/Topics/AI/Accessibility-Compliance-Audit.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AI-ACC-AUDIT
+id: [[P-Reinforce]]-AI-ACC-AUDIT
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.98
-tags: [Accessibility, Compliance, Audit, AI, Web]
+tags: [[[Accessibility]], Compliance, Audit, AI, Web]
last_reinforced: 2026-04-20
---
@@ -12,7 +12,7 @@ last_reinforced: 2026-04-20
> "모두를 위한 웹은 기술이 아니라 권리다." 시각 장애인이나 고령자 등 모든 사용자가 웹 사이트의 정보를 평등하게 얻고 있는지 기술적으로 검증하는 프로세스다.
## 📖 구조화된 지식 (Synthesized Content)
-- **Automated Testing**:
+- **Automated [[Testing]]**:
- AI가 DOM 트리와 ARIA 속성을 분석하여 텍스트 대안(Alt text) 누락, 충분하지 않은 색상 대비(Color Contrast) 등을 자동으로 적발한다.
- **Manual Heuristic Evaluation**:
- 자동화 도구가 잡지 못하는 맥락적 접근성(예: 스크린 리더의 읽기 순서가 논리적인가?)을 전문가가 직접 점검한다.
diff --git a/10_Wiki/Topics/AI/Active Learning.md b/10_Wiki/Topics/AI/Active Learning.md
index 951bec5e..11e94109 100644
--- a/10_Wiki/Topics/AI/Active Learning.md
+++ b/10_Wiki/Topics/AI/Active Learning.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-ACLE-001
+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]
+tags: [auto-reinforced, active-learning, machine-learning, [[Optimization]], data-[[Efficiency]], human-in-the-loop]
last_reinforced: 2026-04-20
---
@@ -14,7 +14,7 @@ last_reinforced: 2026-04-20
## 📖 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)**:
+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.
@@ -28,6 +28,6 @@ last_reinforced: 2026-04-20
- **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]]
+- [[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).
---
diff --git a/10_Wiki/Topics/AI/Active-Reasoning.md b/10_Wiki/Topics/AI/Active-Reasoning.md
index 9d0d19d1..de351237 100644
--- a/10_Wiki/Topics/AI/Active-Reasoning.md
+++ b/10_Wiki/Topics/AI/Active-Reasoning.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-ACRE-001
+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]
+tags: [auto-reinforced, active-[[Reasoning]], [[Inference-Optimization]], chain-of-thought, cognitive-ai]
last_reinforced: 2026-04-20
---
@@ -29,5 +29,5 @@ last_reinforced: 2026-04-20
## 🔗 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.
+- **Modern Tech/Tools**: Chain-of-Thought (CoT) frameworks, [[Logic]]-integrated LLMs.
---
diff --git a/10_Wiki/Topics/AI/Activism.md b/10_Wiki/Topics/AI/Activism.md
index b4ee590a..8d7a54d5 100644
--- a/10_Wiki/Topics/AI/Activism.md
+++ b/10_Wiki/Topics/AI/Activism.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AUTO-ACTI-001
+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]
@@ -20,17 +20,17 @@ last_reinforced: 2026-04-20
* **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.
+ * **Narrative Construction**: 대중의 공감을 얻을 수 있는 명확한 명분과 스토리 구축 ([[Victimhood-Narratives]]의 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).
+- **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]]
+- [[Social[[ system]]s Theory]], [[Victimhood-Narratives]], [[Strategic-Planning]], [[Viral-Dynamics-and-Network-Effects]], [[Ethics & AI]]
- **Modern Tech/Tools**: Secure messaging (Signal), Crowdfunding platforms, Social media monitoring.
---
diff --git a/10_Wiki/Topics/AI/Actor-Critic-Models.md b/10_Wiki/Topics/AI/Actor-Critic-Models.md
index 56fd4b4d..4e6c7303 100644
--- a/10_Wiki/Topics/AI/Actor-Critic-Models.md
+++ b/10_Wiki/Topics/AI/Actor-Critic-Models.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-ACMO-001
+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]
+tags: [auto-reinforced, [[Reinforcement-Learning]], actor-critic, [[Deep-Learning]], machine-learning-[[Architecture]]]
last_reinforced: 2026-04-20
---
@@ -28,5 +28,5 @@ last_reinforced: 2026-04-20
## 🔗 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.
+- **Modern Tech/Tools**: PPO (Proximal Policy [[Optimization]]), Soft Actor-Critic (SAC), Stable Baselines3.
---
diff --git a/10_Wiki/Topics/AI/Ad-hoc-Hypotheses.md b/10_Wiki/Topics/AI/Ad-hoc-Hypotheses.md
index e6fcd69e..b758f4df 100644
--- a/10_Wiki/Topics/AI/Ad-hoc-Hypotheses.md
+++ b/10_Wiki/Topics/AI/Ad-hoc-Hypotheses.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-ADHY-001
+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]
+tags: [auto-reinforced, [[Philosophy]]-of-science, [[Logic]], ad-hoc, hypotheses, critical-thinking]
last_reinforced: 2026-04-20
---
@@ -24,10 +24,10 @@ Ad-hoc 가설(임시방편적 가설)은 과학철학에서 이론이 예측에
* 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).
+- **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.
+- Philosophy of Science, Occam's Razor, [[Wicked-Problems]], Cognitive-Bias, [[Academic-Inte[[Grit]]y]]
+- **Modern Tech/Tools**: Critical thinking [[Protocols]], Peer review[[ system]]s.
---
diff --git a/10_Wiki/Topics/AI/Ad-hoc-Optimization.md b/10_Wiki/Topics/AI/Ad-hoc-Optimization.md
index 4e61e7ac..331ca3a1 100644
--- a/10_Wiki/Topics/AI/Ad-hoc-Optimization.md
+++ b/10_Wiki/Topics/AI/Ad-hoc-Optimization.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-ADOP-001
+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]
+tags: [auto-reinforced, [[Optimization]], ad-hoc, process-[[Efficiency]], project-[[Management]], software-design]
last_reinforced: 2026-04-20
---
@@ -20,7 +20,7 @@ Ad-hoc 최적화(임시적 최적화)는 전체적인 설계 원칙(Standardizat
* **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.
+ * **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.
@@ -29,6 +29,6 @@ Ad-hoc 최적화(임시적 최적화)는 전체적인 설계 원칙(Standardizat
- **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.
+- [[Standardization vs Innovation]], [[Workflow-Inte[[Grit]]y]], [[Theory of Constraints (TOC)]], [[Software-Design-Principles]], [[Operations-Research]]
+- **Modern Tech/Tools**: Refactoring tools, Static code [[Analysis]], CI/CD automated [[Testing]].
---
diff --git a/10_Wiki/Topics/AI/Adaptability.md b/10_Wiki/Topics/AI/Adaptability.md
index 1fbaf94b..60690a80 100644
--- a/10_Wiki/Topics/AI/Adaptability.md
+++ b/10_Wiki/Topics/AI/Adaptability.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-ADAP-001
+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]
+tags: [auto-reinforced, adaptability, [[Resilience]], survival-[[Strategy]], complex-adaptive-systems]
last_reinforced: 2026-04-20
---
@@ -16,11 +16,11 @@ last_reinforced: 2026-04-20
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)
+ * **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.
+ * **Complex Adaptive[[ system]]s**: 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.
diff --git a/10_Wiki/Topics/AI/Adaptive Compute (적응형 계산량 조절).md b/10_Wiki/Topics/AI/Adaptive Compute (적응형 계산량 조절).md
index 503ddec9..420d148e 100644
--- a/10_Wiki/Topics/AI/Adaptive Compute (적응형 계산량 조절).md
+++ b/10_Wiki/Topics/AI/Adaptive Compute (적응형 계산량 조절).md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AI-ADAPTIVE-COMPUTE
+id: [[P-Reinforce]]-AI-ADAPTIVE-COMPUTE
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.97
-tags: [AI, Efficiency, AdaptiveCompute, Inference]
+tags: [AI, [[Efficiency]], AdaptiveCompute, Inference]
last_reinforced: 2026-04-20
---
@@ -14,7 +14,7 @@ last_reinforced: 2026-04-20
## 📖 구조화된 지식 (Synthesized Content)
- **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.
+- **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)
diff --git a/10_Wiki/Topics/AI/Adaptive-Curation.md b/10_Wiki/Topics/AI/Adaptive-Curation.md
index b53e5fbe..34d028bf 100644
--- a/10_Wiki/Topics/AI/Adaptive-Curation.md
+++ b/10_Wiki/Topics/AI/Adaptive-Curation.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AUTO-ADCU-001
+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]
diff --git a/10_Wiki/Topics/AI/Advanced-Interface-Design.md b/10_Wiki/Topics/AI/Advanced-Interface-Design.md
index efcf82c6..9172e6d4 100644
--- a/10_Wiki/Topics/AI/Advanced-Interface-Design.md
+++ b/10_Wiki/Topics/AI/Advanced-Interface-Design.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AI-ADV-IF-DESIGN
+id: [[P-Reinforce]]-AI-ADV-IF-DESIGN
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.97
tags: [Interface Design, UX, Human-Computer Interaction, AI]
@@ -23,5 +23,5 @@ last_reinforced: 2026-04-20
- 인터페이스가 너무 '지능적'이면 사용자가 통제권을 상실했다고 느낄 수 있다(Black box effect). 따라서 시스템이 왜 이런 제안을 하는지 투명하게 보여주는 '설명 가능한 인터페이스'의 조화가 필요하다.
## 🔗 지식 연결 (Graph)
-- Related: UI-UX-Foundations , Psychology_Cognitive_Science
+- Related: UI-UX-Foundations , [[Psychology]]_Cognitive_Science
- Context: [[Modern_Environment_Ecosystem]]
diff --git a/10_Wiki/Topics/AI/Adversarial Code Stylometry.md b/10_Wiki/Topics/AI/Adversarial Code Stylometry.md
index 1cb68a40..ea7a5fd0 100644
--- a/10_Wiki/Topics/AI/Adversarial Code Stylometry.md
+++ b/10_Wiki/Topics/AI/Adversarial Code Stylometry.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AUTO-36585B
+id: [[P-Reinforce]]-AUTO-36585B
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.90
tags: [auto-reinforced]
@@ -16,8 +16,8 @@ github_commit: "[P-Reinforce] Continuous Worker - Adversarial Code Stylometry"
* **배경 및 필요성:** 인터넷 검열과 감시가 강화됨에 따라 프라이버시 향상 기술이나 검열 우회 도구를 개발하는 오픈소스 개발자들이 국가나 기관의 표적이 되는 사례가 늘고 있습니다 [5, 6, 8]. 코드 작성자의 코딩 스타일을 분석해 신원을 파악하는 소스 코드 문체론(Source Code Stylometry)은 이러한 개발자들에게 심각한 위협이 되며, 이에 대항하여 익명성을 유지할 수 있는 적대적 방어 기법이 필요해졌습니다 [7].
* **공격 기법 (난독화 및 모방):** 적대적 코드 문체론은 크게 두 가지 접근법을 취합니다. 첫째는 자신의 식별 가능한 코딩 스타일을 모호하게 만드는 '난독화(obfuscation / masking)'이고, 둘째는 다른 특정 작가로 기계 학습 모델을 속이기 위해 의도적으로 대상의 스타일을 흉내 내는 '모방(mimicry / forgery)' 공격입니다 [2-4, 9].
* **기존 문체 분석 시스템의 취약성:** 최첨단 소스 코드 문체 분석 시스템조차도 적대적 수정에 취약한 것으로 나타났습니다 [3, 9]. 변수 이름, 매크로, 리터럴, API 호출 등 국소적인 정보(local changes)나 표면적인 형식 변경만으로도 분류기(classifier)를 속여 다른 사람으로 오분류하게 만드는 것이 가능합니다 [10, 11].
-* **방어 지원 도구 (StyleCounsel):** 개발자가 다른 이의 스타일을 모방하고 자신의 스타일을 난독화할 수 있도록 돕는 `StyleCounsel`과 같은 시스템이 개발되었습니다 [2, 12]. 이 도구는 랜덤 포레스트(Random Forest)와 같은 기계 학습 모델의 의사 결정 트리를 분석하여, 오분류를 유도할 수 있는 구체적이고 최소한의 코드 변경 사항(예: 특정 구문의 사용 빈도 조절 등)을 사용자에게 추천합니다 [2, 13, 14].
-* **코드 포매팅을 통한 프라이버시 보호막:** Prettier나 Black 등과 같은 결정론적 코드 포매터(Formatter) 및 최소화(Minification) 도구를 적용하는 것만으로도 작성자 인식 정확도를 크게 떨어뜨릴 수 있습니다 [15, 16]. 연구에 따르면 코드 포매팅 적용 시 식별 정확도가 68%에서 53%로 하락하며, 최소화를 거치면 50%까지 떨어져 코드 문체론 분석에 대한 실질적인 프라이버시 보호막(Privacy shield) 역할을 수행합니다 [17-19].
+* **방어 지원 도구 ([[StyleCounsel]]):** 개발자가 다른 이의 스타일을 모방하고 자신의 스타일을 난독화할 수 있도록 돕는 `StyleCounsel`과 같은 시스템이 개발되었습니다 [2, 12]. 이 도구는 랜덤 포레스트(Random Forest)와 같은 기계 학습 모델의 의사 결정 트리를 분석하여, 오분류를 유도할 수 있는 구체적이고 최소한의 코드 변경 사항(예: 특정 구문의 사용 빈도 조절 등)을 사용자에게 추천합니다 [2, 13, 14].
+* **코드 포매팅을 통한 프라이버시 보호막:** [[Prettier]]나 Black 등과 같은 결정론적 코드 포매터(Formatter) 및 최소화(Minification) 도구를 적용하는 것만으로도 작성자 인식 정확도를 크게 떨어뜨릴 수 있습니다 [15, 16]. 연구에 따르면 코드 포매팅 적용 시 식별 정확도가 68%에서 53%로 하락하며, 최소화를 거치면 50%까지 떨어져 코드 문체론 분석에 대한 실질적인 프라이버시 보호막(Privacy shield) 역할을 수행합니다 [17-19].
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요.
diff --git a/10_Wiki/Topics/AI/Aesthetic-Value.md b/10_Wiki/Topics/AI/Aesthetic-Value.md
index 25c73fb0..83d9afbf 100644
--- a/10_Wiki/Topics/AI/Aesthetic-Value.md
+++ b/10_Wiki/Topics/AI/Aesthetic-Value.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-AEVA-001
+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]
+tags: [auto-reinforced, aesthetics, value-theory, art-[[Philosophy]], design-[[Principles]]]
last_reinforced: 2026-04-20
---
@@ -15,12 +15,12 @@ last_reinforced: 2026-04-20
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)
+ * **Balance & Harmony**: 구성 요소들 간의 균형과 질서. ([[Symmetry-and-Invariance]]와 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.
+ * **[[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).
diff --git a/10_Wiki/Topics/AI/Affordance.md b/10_Wiki/Topics/AI/Affordance.md
index 7546bfa5..11b799ff 100644
--- a/10_Wiki/Topics/AI/Affordance.md
+++ b/10_Wiki/Topics/AI/Affordance.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-AFFO-001
+id: [[P-Reinforce]]-AUTO-AFFO-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.96
-tags: [auto-reinforced, affordance, interaction-design, psychology, design-theory]
+tags: [auto-reinforced, affordance, interaction-design, [[Psychology]], design-theory]
last_reinforced: 2026-04-20
---
@@ -29,5 +29,5 @@ last_reinforced: 2026-04-20
## 🔗 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.
+- **Modern Tech/Tools**: [[Apple Human Interface Guidelines]], Material Design (Google), Haptic feedback[[ system]]s.
---
diff --git a/10_Wiki/Topics/AI/Agent Architecture.md b/10_Wiki/Topics/AI/Agent Architecture.md
index 2d71ecbc..c18f1fef 100644
--- a/10_Wiki/Topics/AI/Agent Architecture.md
+++ b/10_Wiki/Topics/AI/Agent Architecture.md
@@ -1,22 +1,22 @@
---
-id: P-REINFORCE-AUTO-AGAR-001
+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]
+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."
+> "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).
+ * **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).
@@ -31,6 +31,6 @@ last_reinforced: 2026-04-20
- **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]]
+- [[Ps-Reinforce]], Foundational Models, [[Workflow-Inte[[Grit]]y]], [[Self-Correction Mechanisms]], [[Tool-Usage-Optimization]]
- **Modern Tech/Tools**: LangChain, AutoGPT, BabyAGI, Microsoft AutoGen, LangGraph.
---
diff --git a/10_Wiki/Topics/AI/Agent Personality.md b/10_Wiki/Topics/AI/Agent Personality.md
index 4648b104..8618ba93 100644
--- a/10_Wiki/Topics/AI/Agent Personality.md
+++ b/10_Wiki/Topics/AI/Agent Personality.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-AGPE-001
+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]
+tags: [auto-reinforced, agent-personality, [[Anthropomorphism]], user-experience, social-ai]
last_reinforced: 2026-04-20
---
@@ -17,9 +17,9 @@ last_reinforced: 2026-04-20
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.
+ * **[[Behavior]]al [[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.
+ * **System [[prompt]]ing**: 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.
diff --git a/10_Wiki/Topics/AI/Agentic Coding.md b/10_Wiki/Topics/AI/Agentic Coding.md
index c99c4f9f..d083abd8 100644
--- a/10_Wiki/Topics/AI/Agentic Coding.md
+++ b/10_Wiki/Topics/AI/Agentic Coding.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-AGCO-001
+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]
+tags: [auto-reinforced, agentic-coding, software-development, ai-coding, [[Autonomous-Agents]], devops]
last_reinforced: 2026-04-20
---
@@ -16,9 +16,9 @@ last_reinforced: 2026-04-20
1. **핵심 워크플로우 (The Loops)**:
* **Planning**: 요구사항을 파일별, 기능별 태스크로 쪼개기.
- * **Action**: 실제 소스 코드 파일을 읽고 쓰기 (File System Access).
+ * **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.
+ * **[[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**:
@@ -29,6 +29,6 @@ last_reinforced: 2026-04-20
- **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]]
+- [[Agent Architecture]], [[Workflow-Inte[[Grit]]y]], [[Self-Correction Mechanisms]], [[Tool-Usage-Optimization]], [[Software-Design-Principles]], [[Ps-Reinforce]]
- **Modern Tech/Tools**: Devin, OpenDevin, Sweep.dev, GitHub Copilot Workspace, Antigravity Agent.
---
diff --git a/10_Wiki/Topics/AI/Agile-Philosophy.md b/10_Wiki/Topics/AI/Agile-Philosophy.md
index c9e8fb62..7d17624c 100644
--- a/10_Wiki/Topics/AI/Agile-Philosophy.md
+++ b/10_Wiki/Topics/AI/Agile-Philosophy.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-AGPH-001
+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]
+tags: [auto-reinforced, agile, manifesto, [[Philosophy]], project-[[Management]], iteractive-design]
last_reinforced: 2026-04-20
---
@@ -20,7 +20,7 @@ last_reinforced: 2026-04-20
* **고객과의 협력** > 계약 협상.
* **변화에 대응하기** > 계획 준수.
2. **핵심 매커니즘**:
- * **Iteration (Sprint)**: 1~4주 단위의 성과물 배포 주기를 반복.
+ * **[[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**:
@@ -32,5 +32,5 @@ last_reinforced: 2026-04-20
## 🔗 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.
+- **Modern Tech/Tools**: Scrum, Kanban, Jira, Linear, Short-cycle feedback[[ system]]s.
---
diff --git a/10_Wiki/Topics/AI/Alcoholism.md b/10_Wiki/Topics/AI/Alcoholism.md
index 5e1199a4..bb859e58 100644
--- a/10_Wiki/Topics/AI/Alcoholism.md
+++ b/10_Wiki/Topics/AI/Alcoholism.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-ALCO-001
+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]
+tags: [auto-reinforced, alcoholism, addiction-[[Psychology]], public-health, mental-health]
last_reinforced: 2026-04-20
---
@@ -17,7 +17,7 @@ last_reinforced: 2026-04-20
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)
+ * **Impulsivity**: 부정적 결과를 알면서도 즉각적인 보상(술)을 선택. ([[Decision Theory]]와 연결)
2. **원인**:
* 뇌의 보상체계(도파민 회로) 고장, 유전적 요인, 극심한 스트레스 및 사회적 환경.
3. **치료**:
diff --git a/10_Wiki/Topics/AI/Algorithm-Complexity-Big-O.md b/10_Wiki/Topics/AI/Algorithm-Complexity-Big-O.md
index 4db3fb6e..2df13a39 100644
--- a/10_Wiki/Topics/AI/Algorithm-Complexity-Big-O.md
+++ b/10_Wiki/Topics/AI/Algorithm-Complexity-Big-O.md
@@ -2,7 +2,7 @@
id: BIG-O-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [computer-science, algorithm, complexity, optimization, big-o]
+tags: [computer-science, algorithm, complexity, [[Optimization]], big-o]
last_reinforced: 2026-04-26
---
@@ -12,7 +12,7 @@ last_reinforced: 2026-04-26
> "데이터가 무한히 늘어날 때, 알고리즘이 얼마나 버틸 수 있는지 측정하라" — 입력 데이터의 크기($n$)에 따른 시간적(Time) 및 공간적(Space) 자원 소모량의 증가 추세를 나타내는 수학적 표기법.
## 📖 구조화된 지식 (Synthesized Content)
-- **추출된 패턴:** 구체적인 실행 시간 대신 최악의 경우(Worst-case)를 기준으로 알고리즘의 확장성(Scalability)을 분류하여 효율적인 설계를 돕는 추상화 패턴.
+- **추출된 패턴:** 구체적인 실행 시간 대신 최악의 경우(Worst-case)를 기준으로 알고리즘의 확장성([[Scalability]])을 분류하여 효율적인 설계를 돕는 추상화 패턴.
- **주요 복잡도 단계:**
- **$O(1)$:** 상수 시간. 입력 크기와 무관하게 즉시 처리 (예: 배열 인덱스 접근).
- **$O(\log n)$:** 로그 시간. 처리 범위가 절반씩 줄어듦 (예: 이진 탐색).
diff --git a/10_Wiki/Topics/AI/Algorithmic Fairness.md b/10_Wiki/Topics/AI/Algorithmic Fairness.md
index c2baafc1..2a543644 100644
--- a/10_Wiki/Topics/AI/Algorithmic Fairness.md
+++ b/10_Wiki/Topics/AI/Algorithmic Fairness.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-ALFA-001
+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]
+tags: [auto-reinforced, algorithmic-fairness, bias, [[Equality]], machine-learning-ethics, data-governance]
last_reinforced: 2026-04-20
---
@@ -21,7 +21,7 @@ last_reinforced: 2026-04-20
* **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.
+ * **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.
diff --git a/10_Wiki/Topics/AI/Algorithmic Transparency.md b/10_Wiki/Topics/AI/Algorithmic Transparency.md
index a7143b18..8fea8bdd 100644
--- a/10_Wiki/Topics/AI/Algorithmic Transparency.md
+++ b/10_Wiki/Topics/AI/Algorithmic Transparency.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AUTO-ALTR-001
+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]
diff --git a/10_Wiki/Topics/AI/Algorithmic-Biology.md b/10_Wiki/Topics/AI/Algorithmic-Biology.md
index 496fe5af..2b053391 100644
--- a/10_Wiki/Topics/AI/Algorithmic-Biology.md
+++ b/10_Wiki/Topics/AI/Algorithmic-Biology.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AI-BIO
+id: [[P-Reinforce]]-AI-BIO
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.99
tags: [Algorithmic Biology, AI, Bioinformatics, Simulation]
@@ -12,7 +12,7 @@ last_reinforced: 2026-04-20
> "생명은 우주의 가장 복잡한 알고리즘이다." 유전자 서열 분석부터 단백질 구조 예측(AlphaFold)까지, 생명 현상을 계산 가능한 모델로 해석하는 초융합 분야다.
## 📖 구조화된 지식 (Synthesized Content)
-- **Sequence Alignment**:
+- **Sequence [[Alignment]]**:
- 서로 다른 생물 종의 DNA/RNA 서열을 비교하여 진화적 관계를 밝히거나 질병 원인을 찾는 알고리즘.
- **Protein Folding Simulation**:
- AI를 이용해 단백질이 어떻게 3차원 구조로 접히는지 예측하여 신약 개발의 시간을 수십 년 단축한다.
@@ -20,7 +20,7 @@ last_reinforced: 2026-04-20
- 단순한 규칙이 어떻게 복잡한 생명 패턴을 만들어내는지 시뮬레이션하는 수리 생물학적 접근.
## ⚠️ 모순 및 업데이트 (RL Update)
-- 생물학적 데이터는 노이즈가 매우 심하고 복잡하다. 따라서 단순한 패턴 매칭을 넘어, 생체 내의 물리 법칙과 화학적 성질을 AI 모델에 주입하는 'Physics-informed Neural Networks'가 필수적이다.
+- 생물학적 데이터는 노이즈가 매우 심하고 복잡하다. 따라서 단순한 패턴 매칭을 넘어, 생체 내의 물리 법칙과 화학적 성질을 AI 모델에 주입하는 '[[Physics]]-informed Neural Networks'가 필수적이다.
## 🔗 지식 연결 (Graph)
- Related: Bioinformatics , Computational-Neuroscience
diff --git a/10_Wiki/Topics/AI/Algorithmic-Game-Theory.md b/10_Wiki/Topics/AI/Algorithmic-Game-Theory.md
index d23b0100..019a6faf 100644
--- a/10_Wiki/Topics/AI/Algorithmic-Game-Theory.md
+++ b/10_Wiki/Topics/AI/Algorithmic-Game-Theory.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AI-GAME-THEORY
+id: [[P-Reinforce]]-AI-[[Game-Theory]]
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.99
tags: [Algorithmic Game Theory, Mechanism Design, Nash Equilibrium, AI]
diff --git a/10_Wiki/Topics/AI/Alignment.md b/10_Wiki/Topics/AI/Alignment.md
index e3b0e090..287f322b 100644
--- a/10_Wiki/Topics/AI/Alignment.md
+++ b/10_Wiki/Topics/AI/Alignment.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AUTO-ALIG-001
+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]
@@ -29,5 +29,5 @@ last_reinforced: 2026-04-20
## 🔗 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.
+- **Modern Tech/Tools**: OpenAI Alignment team [[Research]], Anthropic's Constitutional AI, Superalignment.
---
diff --git a/10_Wiki/Topics/AI/Alternative Realities.md b/10_Wiki/Topics/AI/Alternative Realities.md
index c09697c9..b7d79b1a 100644
--- a/10_Wiki/Topics/AI/Alternative Realities.md
+++ b/10_Wiki/Topics/AI/Alternative Realities.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AUTO-ALRE-001
+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]
@@ -19,8 +19,8 @@ last_reinforced: 2026-04-20
* **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.
+ * **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.
@@ -30,5 +30,5 @@ last_reinforced: 2026-04-20
## 🔗 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.
+- **Modern Tech/Tools**: Apple Vision Pro, Meta Quest, [[Unity]]/Unreal Engine, Omniverse.
---
diff --git a/10_Wiki/Topics/AI/Altruism.md b/10_Wiki/Topics/AI/Altruism.md
index ad9a17b8..7a2be4f4 100644
--- a/10_Wiki/Topics/AI/Altruism.md
+++ b/10_Wiki/Topics/AI/Altruism.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-ALTR-002
+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]
+tags: [auto-reinforced, altruism, evolutionary-biology, co[[Opera]]tion, social-ethics, ai-4-good]
last_reinforced: 2026-04-20
---
@@ -21,13 +21,13 @@ last_reinforced: 2026-04-20
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)
+ * AI가 인간의 노동을 대체할 때 발생하는 부를 사회 전체에 나누려는 시도. ([[AI for Social Good]]과 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.
+- [[AI for Social Good]], [[Decision Theory]], [[Ethics & AI]], [[Social[[ system]]s Theory]], [[Universal Basic Income (UBI)]], [[Activism]]
+- **Modern Tech/Tools**: Effective Altruism comm[[Unity]], Open-source collaboration models.
---
diff --git a/10_Wiki/Topics/AI/Ambient-Declarations.md b/10_Wiki/Topics/AI/Ambient-Declarations.md
index e532be53..85f951ca 100644
--- a/10_Wiki/Topics/AI/Ambient-Declarations.md
+++ b/10_Wiki/Topics/AI/Ambient-Declarations.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-TS-AMBIENT
+id: [[P-Reinforce]]-TS-AMBIENT
category: "10_Wiki/💡 Topics/Design & Experience"
confidence_score: 0.98
-tags: [TypeScript, Ambient Declarations, dts, Coding Standards]
+tags: [TypeScript, [[Ambient Declarations]], dts, Coding Standards]
last_reinforced: 2026-04-20
---
diff --git a/10_Wiki/Topics/AI/Ambition.md b/10_Wiki/Topics/AI/Ambition.md
index d69b06c2..2f13ca33 100644
--- a/10_Wiki/Topics/AI/Ambition.md
+++ b/10_Wiki/Topics/AI/Ambition.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-AMBI-001
+id: [[P-Reinforce]]-AUTO-AMBI-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.89
-tags: [auto-reinforced, ambition, psychology, motivation, achievement, leadership]
+tags: [auto-reinforced, ambition, [[Psychology]], motivation, achievement, [[Leadership]]]
last_reinforced: 2026-04-20
---
@@ -16,7 +16,7 @@ last_reinforced: 2026-04-20
1. **야망의 구성 요소**:
* **Vision**: 현재에 없는 미래의 가치를 상상하는 능력.
- * **Drive**: 난관에 부딪혀도 멈추지 않고 전진하는 추진력. (Grit과 연결)
+ * **Drive**: 난관에 부딪혀도 멈추지 않고 전진하는 추진력. ([[Grit]]과 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)
@@ -25,9 +25,9 @@ last_reinforced: 2026-04-20
## ⚠️ 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.
+- **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.
+- **Modern Tech/Tools**: [[goal]] tracking[[ system]]s (OKR), Personal [[Branding]] platforms.
---
diff --git a/10_Wiki/Topics/AI/Amdahls Law (암달의 법칙).md b/10_Wiki/Topics/AI/Amdahls Law (암달의 법칙).md
index 3ba0f89f..825d15b0 100644
--- a/10_Wiki/Topics/AI/Amdahls Law (암달의 법칙).md
+++ b/10_Wiki/Topics/AI/Amdahls Law (암달의 법칙).md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AI-AMDAHL
+id: [[P-Reinforce]]-AI-AMDAHL
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.98
tags: [Computing, Performance, Parallelism, AmdahlsLaw]
@@ -24,5 +24,5 @@ last_reinforced: 2026-04-20
- 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: [[Parallel-Computing]] , Bottleneck-Analysis
+- Related: [[Parallel-Computing]] , Bottleneck-[[Analysis]]
- Complement: Gustafsons-Law
diff --git a/10_Wiki/Topics/AI/Analogical-Reasoning.md b/10_Wiki/Topics/AI/Analogical-Reasoning.md
index 8695aa9e..3f614d7b 100644
--- a/10_Wiki/Topics/AI/Analogical-Reasoning.md
+++ b/10_Wiki/Topics/AI/Analogical-Reasoning.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-ANRE-001
+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]
+tags: [auto-reinforced, ana[[Logic]]al-[[Reasoning]], cognition, ai-logic, abstraction, logic]
last_reinforced: 2026-04-20
---
@@ -19,7 +19,7 @@ last_reinforced: 2026-04-20
* **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)
+ * 한 번도 겪어보지 못한 'Zero-shot' 상황에서도 길을 찾게 해줌. ([[Transfer Learning]]과 연결)
* 복잡한 과학적 발견이나 예술적 혁신의 토대가 됨.
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
@@ -28,5 +28,5 @@ last_reinforced: 2026-04-20
## 🔗 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.
+- **Modern Tech/Tools**: Cognitive AI models, SAT-style [[Analogy]] solvers.
---
diff --git a/10_Wiki/Topics/AI/Analogy.md b/10_Wiki/Topics/AI/Analogy.md
index b63b10b2..53338088 100644
--- a/10_Wiki/Topics/AI/Analogy.md
+++ b/10_Wiki/Topics/AI/Analogy.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AUTO-ANAL-001
+id: [[P-Reinforce]]-AUTO-ANAL-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.94
tags: [auto-reinforced, analogy, metaphor, communication, cognitive-linguistics]
@@ -23,9 +23,9 @@ last_reinforced: 2026-04-20
## ⚠️ 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.
+- **정책 변화(RL Update)**: AI 프롬프트 설계 정책에서, 모델에게 특정 상황을 유추하게 함으로써 추론 성능을 높이는 'Metaphor-[[prompt]]ing 기술'이 실무 표준으로 정착됨.
## 🔗 지식 연결 (Graph)
-- [[Analogical-Reasoning]], [[Scientific Communication]], [[Vocabulary-Expansion]], Abstraction, Pattern Recognition
+- [[Ana[[Logic]]al-Reasoning]], [[Scientific Communication]], [[Vocabulary-Expansion]], Abstraction, Pattern Recognition
- **Modern Tech/Tools**: Creative writing AI, Educational explanation tools.
---
diff --git a/10_Wiki/Topics/AI/Analysis.md b/10_Wiki/Topics/AI/Analysis.md
index f1be1dd7..19fa7558 100644
--- a/10_Wiki/Topics/AI/Analysis.md
+++ b/10_Wiki/Topics/AI/Analysis.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-ASIS-001
+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]
+tags: [auto-reinforced, analysis, critical-thinking, methodology,[[ system]]s-analysis, [[Problem-Solving]]]
last_reinforced: 2026-04-20
---
diff --git a/10_Wiki/Topics/AI/Anarchism.md b/10_Wiki/Topics/AI/Anarchism.md
index 5963aa0e..eca3ecb9 100644
--- a/10_Wiki/Topics/AI/Anarchism.md
+++ b/10_Wiki/Topics/AI/Anarchism.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-ANAR-001
+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]
+tags: [auto-reinforced, anarchism, political-[[Philosophy]], self-governance, social-movements]
last_reinforced: 2026-04-20
---
@@ -17,7 +17,7 @@ last_reinforced: 2026-04-20
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).
+ * **Mutual Aid (상호부조)**: 경쟁이 아닌 협력을 통해 공동체의 필요를 충족함 ([[Altruism]]과 연결).
2. **혼동 금지**:
* 무정부주의는 '혼란(Chaos)'이 아님. 오히려 강제적인 법보다 더 엄격한 도덕적 질서와 책임감을 전제로 함.
3. **현대적 변용**:
@@ -29,6 +29,6 @@ last_reinforced: 2026-04-20
- **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]]
+- [[Anarcho-Capitalism]], [[Anarcho-Primitivism]], [[Altruism]], [[Activism]], [[Social[[ system]]s Theory]]
- **Modern Tech/Tools**: Decentralized Web (Web3), P2P networks (Tor, BitTorrent), DAOs.
---
diff --git a/10_Wiki/Topics/AI/Anarcho-Capitalism.md b/10_Wiki/Topics/AI/Anarcho-Capitalism.md
index 0c88264d..293c0d49 100644
--- a/10_Wiki/Topics/AI/Anarcho-Capitalism.md
+++ b/10_Wiki/Topics/AI/Anarcho-Capitalism.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-ANCA-001
+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]
+tags: [auto-reinforced, anarcho-capitalism, li[[BERT]]arianism, free-market, private-property]
last_reinforced: 2026-04-20
---
diff --git a/10_Wiki/Topics/AI/Anarcho-Primitivism.md b/10_Wiki/Topics/AI/Anarcho-Primitivism.md
index 5c651ec2..9a1806a4 100644
--- a/10_Wiki/Topics/AI/Anarcho-Primitivism.md
+++ b/10_Wiki/Topics/AI/Anarcho-Primitivism.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AUTO-ANPR-001
+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]
diff --git a/10_Wiki/Topics/AI/Anisomorphism.md b/10_Wiki/Topics/AI/Anisomorphism.md
index 8bc45682..bbc3534e 100644
--- a/10_Wiki/Topics/AI/Anisomorphism.md
+++ b/10_Wiki/Topics/AI/Anisomorphism.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-ANIS-001
+id: [[P-Reinforce]]-AUTO-ANIS-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.91
-tags: [auto-reinforced, anisomorphism, topology, structuralism, comparative-linguistics, geometry]
+tags: [auto-reinforced, anisomorphism, topology, [[Structuralism]], comparative-linguistics, geometry]
last_reinforced: 2026-04-20
---
@@ -23,9 +23,9 @@ last_reinforced: 2026-04-20
## ⚠️ 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.
+- **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).
+- **Modern Tech/Tools**: XML/JSON mapping tools, NLP word embedding (Word2Vec, [[BERT]]).
---
diff --git a/10_Wiki/Topics/AI/Anomaly-Detection.md b/10_Wiki/Topics/AI/Anomaly-Detection.md
index cbf9b681..505cd285 100644
--- a/10_Wiki/Topics/AI/Anomaly-Detection.md
+++ b/10_Wiki/Topics/AI/Anomaly-Detection.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-ANDE-001
+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]
+tags: [auto-reinforced, anomaly-detection, data-science, security, [[Quality-Control]], machine-learning]
last_reinforced: 2026-04-20
---
diff --git a/10_Wiki/Topics/AI/Anthropic-Principle.md b/10_Wiki/Topics/AI/Anthropic-Principle.md
index d7201779..03771bd8 100644
--- a/10_Wiki/Topics/AI/Anthropic-Principle.md
+++ b/10_Wiki/Topics/AI/Anthropic-Principle.md
@@ -2,7 +2,7 @@
id: ANTHROPIC-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [philosophy, physics, cosmology, ai-alignment, anthropic-principle]
+tags: [[[Philosophy]], [[Physics]], cosmology, [[AI-Alignment]], anthropic-principle]
last_reinforced: 2026-04-26
---
diff --git a/10_Wiki/Topics/AI/Anthropomorphism.md b/10_Wiki/Topics/AI/Anthropomorphism.md
index 70e9a1e9..56419e80 100644
--- a/10_Wiki/Topics/AI/Anthropomorphism.md
+++ b/10_Wiki/Topics/AI/Anthropomorphism.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-ANTH-001
+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]
+tags: [auto-reinforced, anthropomorphism, [[Psychology]], hcie-ethics, ai-design, sociology]
last_reinforced: 2026-04-20
---
@@ -18,7 +18,7 @@ last_reinforced: 2026-04-20
* **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)
+ * **Trust Building**: 인간다운 말투와 표정을 가진 에이전트는 사용자에게 더 큰 신뢰를 줌. ([[Agent Personality]]와 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.
diff --git a/10_Wiki/Topics/AI/Anticipation.md b/10_Wiki/Topics/AI/Anticipation.md
index 69aa6e4a..b4449468 100644
--- a/10_Wiki/Topics/AI/Anticipation.md
+++ b/10_Wiki/Topics/AI/Anticipation.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-ANTI-002
+id: [[P-Reinforce]]-AUTO-ANTI-002
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.92
-tags: [auto-reinforced, anticipation, predictive-processing, futures-thinking, planning]
+tags: [auto-reinforced, anticipation, predictive-[[Processing]], futures-thinking, planning]
last_reinforced: 2026-04-20
---
@@ -22,8 +22,8 @@ last_reinforced: 2026-04-20
* 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.
+- **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]]
diff --git a/10_Wiki/Topics/AI/Antifragility.md b/10_Wiki/Topics/AI/Antifragility.md
index 7510f504..e8bac5b2 100644
--- a/10_Wiki/Topics/AI/Antifragility.md
+++ b/10_Wiki/Topics/AI/Antifragility.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-ANTI-001
+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]
+tags: [auto-reinforced, anti[[Fragility]], risk-[[Management]], Nassim-Taleb, [[Resilience]],[[ system]]-design]
last_reinforced: 2026-04-20
---
@@ -19,7 +19,7 @@ last_reinforced: 2026-04-20
* **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.
+ * **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)
diff --git a/10_Wiki/Topics/AI/Antinomianism.md b/10_Wiki/Topics/AI/Antinomianism.md
index ee038dde..9919ccd9 100644
--- a/10_Wiki/Topics/AI/Antinomianism.md
+++ b/10_Wiki/Topics/AI/Antinomianism.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-ANOM-001
+id: [[P-Reinforce]]-AUTO-ANOM-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.81
-tags: [auto-reinforced, antinomianism, religion, ethics, law-free, philosophy]
+tags: [auto-reinforced, antinomianism, religion, ethics, law-free, [[Philosophy]]]
last_reinforced: 2026-04-20
---
@@ -27,5 +27,5 @@ last_reinforced: 2026-04-20
## 🔗 지식 연결 (Graph)
- [[Anarchism]], [[Anarcho-Capitalism]], [[Ethics & AI]], [[Standardization vs Innovation]], [[Sociology of Knowledge]]
-- **Modern Tech/Tools**: Permissionless networks (Blockchain).
+- **Modern Tech/Tools**: Permissionless networks ([[Blockchain]]).
---
diff --git a/10_Wiki/Topics/AI/Anxiety.md b/10_Wiki/Topics/AI/Anxiety.md
index 7178ff7e..fbd605d5 100644
--- a/10_Wiki/Topics/AI/Anxiety.md
+++ b/10_Wiki/Topics/AI/Anxiety.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-ANXI-001
+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]
+tags: [auto-reinforced, anxiety, [[Psychology]], mental-health, future-threat, emotional-intelligence]
last_reinforced: 2026-04-20
---
diff --git a/10_Wiki/Topics/AI/Arguing-by-Counterexample.md b/10_Wiki/Topics/AI/Arguing-by-Counterexample.md
index 6189f2ae..d437ccaa 100644
--- a/10_Wiki/Topics/AI/Arguing-by-Counterexample.md
+++ b/10_Wiki/Topics/AI/Arguing-by-Counterexample.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-ARCO-001
+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]
+tags: [auto-reinforced, [[Logic]]al-[[Reasoning]], counterexample, debate, critical-thinking, [[Philosophy]]]
last_reinforced: 2026-04-20
---
@@ -18,7 +18,7 @@ last_reinforced: 2026-04-20
* 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)
+ * 수많은 증거를 모으는 것보다 단 하나의 확실한 반례를 제시하는 것이 논쟁을 종식시키는 데 훨씬 효율적임. ([[Efficiency]]와 연결)
3. **한계와 주의점**:
* 반례 자체가 아주 특이하거나 조작된 경우(Special pleading)에는 이론의 수정은 필요할지언정 이론 자체의 유용성을 완전히 부정하기는 어려울 수 있음.
diff --git a/10_Wiki/Topics/AI/Arrangement-and-Composition.md b/10_Wiki/Topics/AI/Arrangement-and-Composition.md
index 5611a366..4e593d02 100644
--- a/10_Wiki/Topics/AI/Arrangement-and-Composition.md
+++ b/10_Wiki/Topics/AI/Arrangement-and-Composition.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-ARCO-002
+id: [[P-Reinforce]]-AUTO-ARCO-002
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.90
-tags: [auto-reinforced, arrangement, composition, design, systems-thinking, structure]
+tags: [auto-reinforced, arrangement, composition, design, [[Systems-Thinking]], structure]
last_reinforced: 2026-04-20
---
@@ -19,7 +19,7 @@ last_reinforced: 2026-04-20
* **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).
+ * **Modular Composition**: 독립된 모듈을 조립하여 복잡한 시스템을 구축 ([[Agent Architecture]]와 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.
@@ -29,6 +29,6 @@ last_reinforced: 2026-04-20
- **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).
+- [[Structural Principles]], [[Aesthetic-Value]], Design Theory, [[Agent Architecture]], [[Workflow-Inte[[Grit]]y]]
+- **Modern Tech/Tools**: [[Figma]] (Auto-layout), [[CSS Grid]], AI-powered music arrangers (Suno, Udio).
---
diff --git a/10_Wiki/Topics/AI/Articulateness.md b/10_Wiki/Topics/AI/Articulateness.md
index 0b790767..fb56c1cf 100644
--- a/10_Wiki/Topics/AI/Articulateness.md
+++ b/10_Wiki/Topics/AI/Articulateness.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AUTO-ARTI-001
+id: [[P-Reinforce]]-AUTO-ARTI-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.93
tags: [auto-reinforced, articulateness, communication, clarity, language-proficiency, eloquence]
@@ -21,13 +21,13 @@ last_reinforced: 2026-04-20
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.
+ * AI에게 자신의 의도를 명료하게 전달하는 능력([[prompt]]ing)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]]
+- [[Scientific Communication]], [[Vocabulary-Expansion]], [[Prompt-Engineering]]-Strategies, [[Analysis]], [[Leadership]]
- **Modern Tech/Tools**: Grammarly (Tone detection), AI writing assistants.
---
diff --git a/10_Wiki/Topics/AI/Artificial General Intelligence (AGI).md b/10_Wiki/Topics/AI/Artificial General Intelligence (AGI).md
index dcd61b3e..4cef1217 100644
--- a/10_Wiki/Topics/AI/Artificial General Intelligence (AGI).md
+++ b/10_Wiki/Topics/AI/Artificial General Intelligence (AGI).md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AUTO-AGI-001
+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]
@@ -17,14 +17,14 @@ last_reinforced: 2026-04-20
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.
+ * **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.
+- **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(Super[[Alignment]])' 연구 투자가 정책의 최우선 과제가 됨.
## 🔗 지식 연결 (Graph)
- [[Artificial Intelligence (AI)]], Singularity, [[Alignment]], [[AI Safety]], Foundational Models, [[Ps-Reinforce]]
diff --git a/10_Wiki/Topics/AI/Artificial Intelligence (AI).md b/10_Wiki/Topics/AI/Artificial Intelligence (AI).md
index b4fe898b..6de940b5 100644
--- a/10_Wiki/Topics/AI/Artificial Intelligence (AI).md
+++ b/10_Wiki/Topics/AI/Artificial Intelligence (AI).md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-AI-001
+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]
+tags: [auto-reinforced, [[Artificial-Intelligence]], ai-fundamentals, machine-learning, [[Deep-Learning]], computing-history]
last_reinforced: 2026-04-20
---
@@ -16,13 +16,13 @@ last_reinforced: 2026-04-20
1. **AI의 계층 구조**:
* **Artificial Intelligence**: 지능을 가진 기계의 총칭.
- * **Machine Learning (ML)**: 데이터로부터 스스로 규칙을 학습하는 AI의 하위 분야.
+ * **[[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.
+ * **[[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.
+ * 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).
@@ -30,5 +30,5 @@ last_reinforced: 2026-04-20
## 🔗 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.
+- **Modern Tech/Tools**: [[Transformers]], Neural Networks, GPU computing, LLMs.
---
diff --git a/10_Wiki/Topics/AI/Artificial-Intelligence-in-Games.md b/10_Wiki/Topics/AI/Artificial-Intelligence-in-Games.md
index 3c68c286..2b06a9cc 100644
--- a/10_Wiki/Topics/AI/Artificial-Intelligence-in-Games.md
+++ b/10_Wiki/Topics/AI/Artificial-Intelligence-in-Games.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AI-GAMES
+id: [[P-Reinforce]]-AI-GAMES
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.98
-tags: [Game AI, Pathfinding, FSM, Behavior Tree, Reinforcement Learning]
+tags: [Game AI, Pathfinding, FSM, [[Behavior]] Tree, Reinforcement Learning]
last_reinforced: 2026-04-20
---
@@ -14,7 +14,7 @@ last_reinforced: 2026-04-20
## 📖 구조화된 지식 (Synthesized Content)
- **Decision Making (FSM/BT)**:
- 유한 상태 기계(FSM)나 행동 트리(Behavior Tree)를 통해 상황에 맞는 NPC의 행동 로직을 계층적으로 설계한다.
-- **Dynamic Difficulty Adjustment (DDA)**:
+- **[[Dynamic Difficulty Adjustment (DDA)]]**:
- 실시간으로 플레이어의 실력을 파악하여 난이도를 조절, '몰입(Flow)' 상태를 유지하게 하는 기술.
- **Emergent Behavior**:
- 고정된 스크립트가 아니라, 단순한 규칙들의 상호작용을 통해 개발자도 예상치 못한 흥미로운 상황을 만들어내는 기법.
diff --git a/10_Wiki/Topics/AI/Artificial-Intelligence.md b/10_Wiki/Topics/AI/Artificial-Intelligence.md
index b2ab47a0..7f6200db 100644
--- a/10_Wiki/Topics/AI/Artificial-Intelligence.md
+++ b/10_Wiki/Topics/AI/Artificial-Intelligence.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AI-GENERAL
+id: [[P-Reinforce]]-AI-GENERAL
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.99
tags: [Artificial Intelligence, Machine Learning, Deep Learning, Scaling Laws]
@@ -14,14 +14,14 @@ last_reinforced: 2026-04-20
## 📖 구조화된 지식 (Synthesized Content)
- **Weak AI vs Strong AI**:
- 바둑이나 번역처럼 특정 작업만 수행하는 좁은 지능(ANI)과, 인간처럼 모든 영역에서 사고할 수 있는 광범위한 지능(AGI)의 구분.
-- **Information Processing**:
+- **Information [[Processing]]**:
- 입력을 출력으로 매핑하는 거대한 수학 함수. 최근에는 '데이터(Data), 연산량(Compute), 알고리즘(Algorithm)'이라는 3요소의 폭발적 성장이 성패를 가른다.
- **Societal Impact**:
- 노동의 자동화를 넘어, 인간의 창의 성과 의사결정 방식 자체를 재정의하는 문명적 도구.
## ⚠️ 모순 및 업데이트 (RL Update)
-- AI는 '이해'하는 것이 아니라 '확률적 생성'을 하는 것이다. 이 차이를 간과할 때 환각(Hallucination) 문제가 발생하며, 이를 극복하기 위해 심볼릭 로직과 딥러닝을 결합하는 'Neuro-symbolic AI'가 대안으로 떠오르고 있다.
+- AI는 '이해'하는 것이 아니라 '확률적 생성'을 하는 것이다. 이 차이를 간과할 때 환각(Hallucination) 문제가 발생하며, 이를 극복하기 위해 심볼릭 로직과 딥러닝을 결합하는 '[[Neuro-Symbolic AI]]'가 대안으로 떠오르고 있다.
## 🔗 지식 연결 (Graph)
-- Related: Deep-Learning-Architecture-Patterns , AI-Ethics
+- Related: [[Deep-Learning]]-[[Architecture]]-Patterns , AI-Ethics
- Foundation: Computational Thinking
diff --git a/10_Wiki/Topics/AI/Artificial-Life.md b/10_Wiki/Topics/AI/Artificial-Life.md
index 102c64fb..94fda932 100644
--- a/10_Wiki/Topics/AI/Artificial-Life.md
+++ b/10_Wiki/Topics/AI/Artificial-Life.md
@@ -12,12 +12,12 @@ last_reinforced: 2026-04-26
> "생명체의 본질을 디지털 코드로 재창조하여 지능의 기원을 탐구하라" — 생물학적 생명의 진화, 번식, 대사, 상호작용 등의 특성을 컴퓨터 시뮬레이션이나 로봇공학으로 구현하여 생명의 작동 원리를 연구하는 분야.
## 📖 구조화된 지식 (Synthesized Content)
-- **추출된 패턴:** 단순한 규칙들의 상호작용을 통해 복잡하고 지능적인 거동이 나타나는 창발(Emergence) 현상을 디지털 환경에서 재현하는 패턴.
+- **추출된 패턴:** 단순한 규칙들의 상호작용을 통해 복잡하고 지능적인 거동이 나타나는 창발([[Emergence]]) 현상을 디지털 환경에서 재현하는 패턴.
- **주요 연구 분야:**
- **Soft ALife:** 컴퓨터 소프트웨어 내의 가상 생명체 (예: 셀룰러 오토마타, Conway's Game of Life).
- **Hard ALife:** 생물학적 기능을 모사한 로봇 시스템.
- **Wet ALife:** 합성 생물학을 통한 인공 세포 및 생화학 시스템 구축.
- - **Evolutionary Computation:** 적자생존의 원리를 이용한 알고리즘 최적화.
+ - **[[Evolutionary Computation]]:** 적자생존의 원리를 이용한 알고리즘 최적화.
- **의의:** 지능이 중앙 통제가 아닌, 개별 개체들의 분산된 상호작용 결과물임을 증명하여 분산형 AI 연구에 기여.
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
diff --git a/10_Wiki/Topics/AI/Arts.md b/10_Wiki/Topics/AI/Arts.md
index 29ebb0ac..17e68727 100644
--- a/10_Wiki/Topics/AI/Arts.md
+++ b/10_Wiki/Topics/AI/Arts.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AUTO-ARTS-001
+id: [[P-Reinforce]]-AUTO-ARTS-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.92
tags: [auto-reinforced, arts, aesthetics, creativity, culture, humanity]
@@ -20,7 +20,7 @@ last_reinforced: 2026-04-20
* **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)
+ * 최근 생성형 AI를 활용한 'AI-human Collaborative Art'가 예술의 경계를 확장 중. ([[AI and Narrative]]와 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).
diff --git a/10_Wiki/Topics/AI/Assertiveness.md b/10_Wiki/Topics/AI/Assertiveness.md
index cc66664e..462a399c 100644
--- a/10_Wiki/Topics/AI/Assertiveness.md
+++ b/10_Wiki/Topics/AI/Assertiveness.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-ASSE-001
+id: [[P-Reinforce]]-AUTO-ASSE-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.91
-tags: [auto-reinforced, assertiveness, communication, emotional-intelligence, boundary-setting]
+tags: [auto-reinforced, assertiveness, communication, emotional-intelligence, [[Boundary-Setting]]]
last_reinforced: 2026-04-20
---
@@ -28,5 +28,5 @@ last_reinforced: 2026-04-20
## 🔗 지식 연결 (Graph)
- Communication, [[Leadership]], [[Psychology & Behavior]], [[Agile-Philosophy]], [[Articulateness]]
-- **Modern Tech/Tools**: EQ testing tools, Communication training workshops.
+- **Modern Tech/Tools**: EQ [[Testing]] tools, Communication training workshops.
---
diff --git a/10_Wiki/Topics/AI/Assessment.md b/10_Wiki/Topics/AI/Assessment.md
index 8a8c3565..20d8ecf2 100644
--- a/10_Wiki/Topics/AI/Assessment.md
+++ b/10_Wiki/Topics/AI/Assessment.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-ASSM-001
+id: [[P-Reinforce]]-AUTO-ASSM-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.94
-tags: [auto-reinforced, assessment, evaluation, feedback, measurement, educational-psychology]
+tags: [auto-reinforced, assessment, evaluation, feedback, measurement, educational-[[Psychology]]]
last_reinforced: 2026-04-20
---
@@ -15,13 +15,13 @@ last_reinforced: 2026-04-20
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)
+ * **Formative Assessment (형성 평가)**: 학습 도중에 수시로 실시하여 학습자에게 도움을 줌. ([[Active Learning]]과 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)
+ * **[[Reliability]] (신뢰도)**: 누가 언제 측정해도 일관된 결과가 나오는가?
+ * **Fairness (공정성)**: 평가 대상 모두에게 균등한 기회가 보장되는가? ([[Algorithmic Fairness]]와 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).
diff --git a/10_Wiki/Topics/AI/Asset-Specific-Knowledge.md b/10_Wiki/Topics/AI/Asset-Specific-Knowledge.md
index cc27f748..a23367ef 100644
--- a/10_Wiki/Topics/AI/Asset-Specific-Knowledge.md
+++ b/10_Wiki/Topics/AI/Asset-Specific-Knowledge.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AUTO-ASSP-001
+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]
@@ -19,7 +19,7 @@ last_reinforced: 2026-04-20
* **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).
+ * **[[Opera]]tional 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)
@@ -27,6 +27,6 @@ last_reinforced: 2026-04-20
- **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]]
+- Foundational Models, [[Technical-Architecture]], [[Workflow-Inte[[Grit]]y]], [[Theory of Constraints (TOC)]], [[Agile-Philosophy]]
- **Modern Tech/Tools**: Internal knowledge base (Wiki), Specialized RAG (Retrieval-Augmented Generation).
---
diff --git a/10_Wiki/Topics/AI/Assumptions-vs-Facts.md b/10_Wiki/Topics/AI/Assumptions-vs-Facts.md
index 7171cab9..ceeda5b5 100644
--- a/10_Wiki/Topics/AI/Assumptions-vs-Facts.md
+++ b/10_Wiki/Topics/AI/Assumptions-vs-Facts.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-ASVF-001
+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]
+tags: [auto-reinforced, assumptions, facts, critical-thinking, [[Scientific-Method]], [[Logic]]]
last_reinforced: 2026-04-20
---
@@ -25,10 +25,10 @@ last_reinforced: 2026-04-20
* **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).
+- **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).
+- **Modern Tech/Tools**: A/B testing platforms, Root cause [[Analysis]] tools (5 Whys).
---
diff --git a/10_Wiki/Topics/AI/Atheism.md b/10_Wiki/Topics/AI/Atheism.md
index 8cc6a431..71cb3595 100644
--- a/10_Wiki/Topics/AI/Atheism.md
+++ b/10_Wiki/Topics/AI/Atheism.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-ATHE-001
+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]
+tags: [auto-reinforced, atheism, [[Philosophy]], secularism, rationalism, sociology-of-religion]
last_reinforced: 2026-04-20
---
@@ -17,10 +17,10 @@ last_reinforced: 2026-04-20
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.
+ * **Methodo[[Logic]]al 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).
+ * 인간의 윤리적 근거를 신의 명령이 아닌 사회적 계약이나 진화적 공감에서 찾음 ([[Altruism]]과 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).
diff --git a/10_Wiki/Topics/AI/Atlantic.md b/10_Wiki/Topics/AI/Atlantic.md
index ee063a0a..96af359d 100644
--- a/10_Wiki/Topics/AI/Atlantic.md
+++ b/10_Wiki/Topics/AI/Atlantic.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AUTO-ATLA-001
+id: [[P-Reinforce]]-AUTO-ATLA-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.82
tags: [auto-reinforced, atlantic, geopolitics, history, trade, environment]
@@ -17,7 +17,7 @@ last_reinforced: 2026-04-20
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.
+ * **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.
diff --git a/10_Wiki/Topics/AI/Atmospheric-Intelligence.md b/10_Wiki/Topics/AI/Atmospheric-Intelligence.md
index 58aec193..cc67af25 100644
--- a/10_Wiki/Topics/AI/Atmospheric-Intelligence.md
+++ b/10_Wiki/Topics/AI/Atmospheric-Intelligence.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AUTO-AMIN-001
+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]
@@ -17,7 +17,7 @@ last_reinforced: 2026-04-20
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)
+ * **[[Adaptive Learning]]**: 사용자의 습관과 선호도를 시간이 지남에 따라 스스로 학습하여 고도화. ([[Adaptive-Curation]]과 연결)
2. **구현 예시**:
* 집에 들어오면 조명이 시간과 내 기분에 맞춰 조절되고, 습도와 온도가 자동으로 최적화되며, 필요한 정보가 벽면이나 홀로그램으로 자연스럽게 노출되는 스마트 홈.
@@ -27,5 +27,5 @@ last_reinforced: 2026-04-20
## 🔗 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.
+- **Modern Tech/Tools**: Smart home standards (Matter), [[Edge-Computing]], Multi-modal sensors.
---
diff --git a/10_Wiki/Topics/AI/Atomic-Design-System-Architecture.md b/10_Wiki/Topics/AI/Atomic-Design-System-Architecture.md
index 6c2431f5..559ea463 100644
--- a/10_Wiki/Topics/AI/Atomic-Design-System-Architecture.md
+++ b/10_Wiki/Topics/AI/Atomic-Design-System-Architecture.md
@@ -2,11 +2,11 @@
id: FE-ARCH-ATOMIC-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [atomic-design, design-system, architecture, react, component-driven, modularity, scalability]
+tags: [atomic-design, [[Design-System]], [[Architecture]], react, component-driven, [[Modularity]], [[Scalability]]]
last_reinforced: 2026-04-26
---
-# Atomic Design System Architecture (아토믹 디자인 시스템 아키텍처)
+# [[Atomic Design]][[ system]] Architecture (아토믹 디자인 시스템 아키텍처)
## 📌 한 줄 통찰 (The Karpathy Summary)
> "인터페이스를 쪼갤 수 없는 최소 단위(Atoms)부터 거대한 유기체(Organisms)까지 단계별로 조립하여, 일관성과 재사용성이라는 두 개의 기둥 위에 무한히 확장 가능한 UI 생태계를 구축하라" — 브래드 프로스트의 아토믹 디자인을 현대적 프런트엔드 환경으로 재해석한 설계론.
@@ -15,7 +15,7 @@ last_reinforced: 2026-04-26
- **추출된 패턴:** "Hierarchical Component Composition" — UI 요소를 복잡도에 따라 5가지 계층(Atoms, Molecules, Organisms, Templates, Pages)으로 분류하고, 하위 계층을 조합하여 상위 계층을 만드는 패턴.
- **계층별 정의:**
- **Atoms (원자):** 더 이상 쪼갤 수 없는 기본 태그 (Button, Input, Label 등).
- - **Molecules (분자):** 원자들의 결합체로, 하나의 기능을 수행 (SearchForm, FieldGroup 등).
+ - **Molecules (분자):** 원자들의 결합체로, 하나의 기능을 수행 ([[Search]]Form, FieldGroup 등).
- **Organisms (유기체):** 분자와 원자, 혹은 다른 유기체의 결합으로 구성된 복잡한 섹션 (Header, Sidebar, ProductGrid 등).
- **Templates (템플릿):** 데이터가 없는 레이아웃 수준의 골격.
- **Pages (페이지):** 실제 데이터가 주입되어 사용자에게 보여지는 최종 결과물.
@@ -23,8 +23,8 @@ last_reinforced: 2026-04-26
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌:** 과거에는 단순히 기능별로 컴포넌트를 나눴으나(Shared vs Feature), 현대 정책은 아토믹 디자인의 계층 구조를 통해 '컴포넌트의 책임 범위 정책'을 명확히 정의함.
-- **정책 변화:** Antigravity 프로젝트는 아토믹 디자인의 5계층 중 Atoms와 Molecules를 공용 라이브러리로 분리하고, Organisms 이상은 서비스별 비즈니스 로직을 포함하도록 격리하는 'Atomic-Logic Separation' 정책을 시행함.
+- **정책 변화:** Antigravity 프로젝트는 아토믹 디자인의 5계층 중 Atoms와 Molecules를 공용 라이브러리로 분리하고, Organisms 이상은 서비스별 비즈니스 로직을 포함하도록 격리하는 'Atomic-[[Logic]] Separation' 정책을 시행함.
## 🔗 지식 연결 (Graph)
-- Design-System-Governance, [[Frontend-Architecture-and-Folder-Structure]], Component-Composition-Patterns, [[Uber-Base-Web-Design-System]]
+- Design-System-Governance, [[Frontend-Architecture-and-Folder-Structure]], [[Component-Composition]]-Patterns, [[Uber-Base-Web-Design-System]]
- **Raw Source:** 00_Raw/Atomic Design.md
diff --git a/10_Wiki/Topics/AI/Atomic-Styling-and-Design-Systems.md b/10_Wiki/Topics/AI/Atomic-Styling-and-Design-Systems.md
index 3d81a66e..b4df1c48 100644
--- a/10_Wiki/Topics/AI/Atomic-Styling-and-Design-Systems.md
+++ b/10_Wiki/Topics/AI/Atomic-Styling-and-Design-Systems.md
@@ -2,14 +2,14 @@
id: FE-STYLE-ATOMIC-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [css, frontend, atomic-css, design-systems, tailwindcss, utility-first, scalability]
+tags: [css, [[Frontend]], atomic-css, [[Design-System]]s, tailwindcss, utility-first, [[Scalability]]]
last_reinforced: 2026-04-26
---
-# Atomic Styling and Design Systems (아토믹 스타일링과 디자인 시스템)
+# Atomic Styling and Design[[ system]]s (아토믹 스타일링과 디자인 시스템)
## 📌 한 줄 통찰 (The Karpathy Summary)
-> "스타일을 더 이상 '페이지' 단위로 설계하지 말고, 더 이상 쪼갤 수 없는 '원자(Utility)' 단위로 파편화하여 조합함으로써 전역 스타일의 오염을 방지하고 개발 속도를 무한히 확장하라" — Tailwind CSS 등으로 대변되는 유틸리티 퍼스트(Utility-first) 스타일링 패러다임.
+> "스타일을 더 이상 '페이지' 단위로 설계하지 말고, 더 이상 쪼갤 수 없는 '원자(Utility)' 단위로 파편화하여 조합함으로써 전역 스타일의 오염을 방지하고 개발 속도를 무한히 확장하라" — [[Tailwind CSS]] 등으로 대변되는 유틸리티 퍼스트(Utility-first) 스타일링 패러다임.
## 📖 구조화된 지식 (Synthesized Content)
- **추출된 패턴:** "Composition Over Cascading" — CSS의 전통적인 상속(Cascading)과 복잡한 선택자 구조를 배제하고, 클래스 하나가 하나의 스타일 속성만을 담당하게 하여 컴포넌트 레벨에서 스타일을 조합하는 패턴.
@@ -21,9 +21,9 @@ last_reinforced: 2026-04-26
- **의의:** 대규모 프로젝트에서 CSS의 복잡도를 선형적으로 유지하며, 디자인 시스템의 컴포넌트를 빠르고 안전하게 구축할 수 있게 함.
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
-- **과거 데이터와의 충돌:** 과거에는 HTML과 CSS의 분리(Separation of Concerns)를 지향했으나, 아토믹 스타일링 정책은 스타일과 구조를 한곳에 모으는 '결합(Co-location)'을 통한 유지보수 효율 정책으로 전향함.
-- **정책 변화:** Antigravity 프로젝트는 UI 개발 시 Tailwind CSS v4 기반의 아토믹 스타일링을 기본 정책으로 채택하며, 인라인 스타일 사용을 금지하고 오직 사전 정의된 원자 클래스만을 활용함.
+- **과거 데이터와의 충돌:** 과거에는 HTML과 CSS의 분리([[Separation of Concerns]])를 지향했으나, 아토믹 스타일링 정책은 스타일과 구조를 한곳에 모으는 '결합(Co-location)'을 통한 유지보수 효율 정책으로 전향함.
+- **정책 변화:** Antigravity 프로젝트는 UI 개발 시 [[Tailwind CSS v4]] 기반의 아토믹 스타일링을 기본 정책으로 채택하며, 인라인 스타일 사용을 금지하고 오직 사전 정의된 원자 클래스만을 활용함.
## 🔗 지식 연결 (Graph)
-- [[Design-System]], Tailwind-CSS-v4-도입, [[Software-Architecture-Patterns]], [[Clean-Code-Principles]]
+- [[Design-System]], Tailwind-CSS-v4-도입, [[Software-[[Architecture]]-Patterns]], [[Clean-Code-Principles]]
- **Raw Source:** 00_Raw/Atomic Styling.md
diff --git a/10_Wiki/Topics/AI/Atomism.md b/10_Wiki/Topics/AI/Atomism.md
index c499f6d6..1361802b 100644
--- a/10_Wiki/Topics/AI/Atomism.md
+++ b/10_Wiki/Topics/AI/Atomism.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-ATOM-001
+id: [[P-Reinforce]]-AUTO-ATOM-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.88
-tags: [auto-reinforced, atomism, philosophy, physics, reductionism, material-logic]
+tags: [auto-reinforced, atomism, [[Philosophy]], [[Physics]], reductionism, material-[[Logic]]]
last_reinforced: 2026-04-20
---
@@ -19,7 +19,7 @@ last_reinforced: 2026-04-20
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)
+ * 복잡한 문장이나 지식도 최소 단위인 '원자 명제'로 분석할 수 있다는 비트겐슈타인의 철학으로 계승됨. ([[Analysis]]와 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).
@@ -27,5 +27,5 @@ last_reinforced: 2026-04-20
## 🔗 지식 연결 (Graph)
- [[Analysis]], [[Structuralism]], Reductionism, [[Arrangement-and-Composition]], Philosophy of Science
-- **Modern Tech/Tools**: Atomic design (UI/UX), Microservices Architecture.
+- **Modern Tech/Tools**: [[Atomic Design]] (UI/UX), Microservices [[Architecture]].
---
diff --git a/10_Wiki/Topics/AI/Attention Mechanisms.md b/10_Wiki/Topics/AI/Attention Mechanisms.md
index 9e9878e9..b190cea3 100644
--- a/10_Wiki/Topics/AI/Attention Mechanisms.md
+++ b/10_Wiki/Topics/AI/Attention Mechanisms.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-ATME-001
+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]
+tags: [auto-reinforced, attention-mechanisms, transformer, [[Deep-Learning]], neural-networks, ai-[[Architecture]]]
last_reinforced: 2026-04-20
---
@@ -29,6 +29,6 @@ last_reinforced: 2026-04-20
- **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.
+- [[Transformers]], Deep Learning, Natural Language [[Processing]] (NLP), Information-Overload, Economics of Attention
+- **Modern Tech/Tools**: Multi-head Attention, FlashAttention, GPT, [[BERT]].
---
diff --git a/10_Wiki/Topics/AI/Attention is All You Need.md b/10_Wiki/Topics/AI/Attention is All You Need.md
index c9ae0f53..823279a2 100644
--- a/10_Wiki/Topics/AI/Attention is All You Need.md
+++ b/10_Wiki/Topics/AI/Attention is All You Need.md
@@ -2,7 +2,7 @@
id: PAPER-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [ai, nlp, paper-summary, transformer, attention, google-research]
+tags: [ai, nlp, paper-summary, transformer, attention, google-[[Research]]]
last_reinforced: 2026-04-26
---
@@ -18,7 +18,7 @@ last_reinforced: 2026-04-26
- **Multi-Head Attention:** 정보를 여러 관점(Head)에서 동시에 처리하여 입체적인 언어 이해 실현.
- **Elimination of Recurrence:** 데이터를 순차적으로 넣지 않고 한꺼번에 입력하여 GPU 활용도와 학습 속도를 비약적으로 향상.
- **Positional Encoding:** 순차 정보를 잃지 않기 위해 사인/코사인 함수를 이용한 위치 정보를 벡터에 주입.
-- **결과:** 기계 번역(WMT 2014)에서 기존 SOTA를 갈아치우며 압도적 성능 증명.
+- **결과:** 기계 번역(WMT 2014)에서 기존 [[SOTA]]를 갈아치우며 압도적 성능 증명.
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌:** 시계열 데이터는 반드시 시간 순서대로 처리해야 한다는 통념을 깨뜨림. 이로 인해 '텍스트'뿐만 아니라 이미지(ViT), 오디오 등 모든 도메인으로 트랜스포머가 확장됨.
diff --git a/10_Wiki/Topics/AI/Authenticity.md b/10_Wiki/Topics/AI/Authenticity.md
index 40cac698..698f03d9 100644
--- a/10_Wiki/Topics/AI/Authenticity.md
+++ b/10_Wiki/Topics/AI/Authenticity.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-AUTH-002
+id: [[P-Reinforce]]-AUTO-AUTH-002
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.90
-tags: [auto-reinforced, authenticity, self, ethics, truthfulness, social-psychology]
+tags: [auto-reinforced, authenticity, self, ethics, truthfulness, social-[[Psychology]]]
last_reinforced: 2026-04-20
---
@@ -28,6 +28,6 @@ last_reinforced: 2026-04-20
- **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]]
+- [[Aesthetic-Value]], [[Ethics & AI]], [[AI and Narrative]], [[Academic-Inte[[Grit]]y]], [[Psychology & Behavior]]
- **Modern Tech/Tools**: BeReal (Anti-filter SNS), Provenance tracking for digital content.
---
diff --git a/10_Wiki/Topics/AI/Autism Spectrum Disorder (ASD) Intervention.md b/10_Wiki/Topics/AI/Autism Spectrum Disorder (ASD) Intervention.md
index b89a27a1..dc89038a 100644
--- a/10_Wiki/Topics/AI/Autism Spectrum Disorder (ASD) Intervention.md
+++ b/10_Wiki/Topics/AI/Autism Spectrum Disorder (ASD) Intervention.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AI-ASD
+id: [[P-Reinforce]]-AI-ASD
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.96
tags: [ASD, Autism, AI Intervention, Healthcare, Therapy]
@@ -23,5 +23,5 @@ last_reinforced: 2026-04-20
- 기술은 보조적 수단일 뿐, 인간 전문가나 가족의 사랑과 지지를 대체할 수 없다. 기술 과의존으로 인해 현실 세계와의 접촉이 더 줄어들지 않도록 인간 지향적 설계(Human-centered design)가 매우 중요하다.
## 🔗 지식 연결 (Graph)
-- Related: [[Accessibility-Compliance-Audit]] , Psychology_Cognitive_Science
+- Related: [[Accessibility-Compliance-Audit]] , [[Psychology]]_Cognitive_Science
- Ethics: AI-Ethics
diff --git a/10_Wiki/Topics/AI/Auto-Encoding.md b/10_Wiki/Topics/AI/Auto-Encoding.md
index 38615283..a5aafd43 100644
--- a/10_Wiki/Topics/AI/Auto-Encoding.md
+++ b/10_Wiki/Topics/AI/Auto-Encoding.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-AUEN-001
+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]
+tags: [auto-reinforced, auto-encoding, un[[Supervised-Learning]], dimenstionality-reduction, neural-networks, feature-extraction]
last_reinforced: 2026-04-20
---
@@ -30,5 +30,5 @@ last_reinforced: 2026-04-20
## 🔗 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.
+- **Modern Tech/Tools**: ConvAutoEncoder, [[BERT]] (Masked Autoencoder), Image compression AI.
---
diff --git a/10_Wiki/Topics/AI/Auto-GPT and Autonomous Agents.md b/10_Wiki/Topics/AI/Auto-GPT and Autonomous Agents.md
index df4d14fc..4c1a4796 100644
--- a/10_Wiki/Topics/AI/Auto-GPT and Autonomous Agents.md
+++ b/10_Wiki/Topics/AI/Auto-GPT and Autonomous Agents.md
@@ -2,7 +2,7 @@
id: AUTOGPT-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [ai, ai-agents, autogpt, autonomous-agents, prompt-engineering]
+tags: [ai, ai-agents, autogpt, [[Autonomous-Agents]], [[Prompt-Engineering]]]
last_reinforced: 2026-04-26
---
@@ -14,10 +14,10 @@ last_reinforced: 2026-04-26
## 📖 구조화된 지식 (Synthesized Content)
- **추출된 패턴:** 사용자의 추상적 목표를 세부 작업으로 분해(Decomposition)하고, 외부 툴을 사용하여 각 단계를 실행한 뒤 결과를 다시 다음 계획에 반영하는 재귀적 목표 달성 패턴.
- **핵심 구성 요소:**
- - **Thought/Reasoning:** 다음 행동을 결정하는 논리적 판단.
+ - **Thought/[[Reasoning]]:** 다음 행동을 결정하는 논리적 판단.
- **Plan:** 목표 달성을 위한 단기/장기 로드맵.
- **Criticism:** 자신의 계획이나 결과물에 대한 비판적 검토.
- - **Long-term Memory:** 벡터 DB 등을 활용하여 이전 작업 내용을 기억.
+ - **Long-term [[memory]]:** 벡터 DB 등을 활용하여 이전 작업 내용을 기억.
- **Tooling:** 웹 브라우징, 코드 실행, 파일 시스템 제어 등.
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
diff --git a/10_Wiki/Topics/AI/Autobiography.md b/10_Wiki/Topics/AI/Autobiography.md
index d33c3ebb..e5d1c458 100644
--- a/10_Wiki/Topics/AI/Autobiography.md
+++ b/10_Wiki/Topics/AI/Autobiography.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-AUBI-001
+id: [[P-Reinforce]]-AUTO-AUBI-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.88
-tags: [auto-reinforced, autobiography, narrative, memory, identity, storytelling, reflection]
+tags: [auto-reinforced, autobiography, narrative, [[memory]], [[identity]], storytelling, [[Reflection]]]
last_reinforced: 2026-04-20
---
@@ -28,5 +28,5 @@ last_reinforced: 2026-04-20
## 🔗 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.
+- **Modern Tech/Tools**: Day One ([[Journaling]] app), Ghostwriting AI, Digital legacy platforms.
---
diff --git a/10_Wiki/Topics/AI/Autoethnography.md b/10_Wiki/Topics/AI/Autoethnography.md
index 8ce79e7f..2fac1911 100644
--- a/10_Wiki/Topics/AI/Autoethnography.md
+++ b/10_Wiki/Topics/AI/Autoethnography.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-AUET-001
+id: [[P-Reinforce]]-AUTO-AUET-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.85
-tags: [auto-reinforced, autoethnography, qualitative-research, sociology, storytelling, reflexivity]
+tags: [auto-reinforced, autoethnography, qualitative-[[Research]], sociology, storytelling, reflexivity]
last_reinforced: 2026-04-20
---
@@ -19,7 +19,7 @@ last_reinforced: 2026-04-20
* **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).
+ * 전통적인 연구에서 소외된 소수자나 개인의 은밀한 목소리를 학문적 영역으로 끌어올림 ([[Victimhood-Narratives]]의 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).
@@ -27,5 +27,5 @@ last_reinforced: 2026-04-20
## 🔗 지식 연결 (Graph)
- [[Sociology of Knowledge]], [[Authenticity]], [[AI and Narrative]], [[Victimhood-Narratives]], [[Scientific Communication]]
-- **Modern Tech/Tools**: Narrative analysis software, Qualitative research journals.
+- **Modern Tech/Tools**: Narrative [[Analysis]] software, Qualitative re[[Search]] journals.
---
diff --git a/10_Wiki/Topics/AI/Automated-Decision-Making.md b/10_Wiki/Topics/AI/Automated-Decision-Making.md
index 1728f90f..5ceedae8 100644
--- a/10_Wiki/Topics/AI/Automated-Decision-Making.md
+++ b/10_Wiki/Topics/AI/Automated-Decision-Making.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-ADM-001
+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]
+tags: [auto-reinforced, automated-decision-making, adm, algorithm, [[Efficiency]], ethics-governance]
last_reinforced: 2026-04-20
---
@@ -15,7 +15,7 @@ last_reinforced: 2026-04-20
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)
+ * **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.
@@ -30,5 +30,5 @@ last_reinforced: 2026-04-20
## 🔗 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.
+- **Modern Tech/Tools**: Credit scoring AI, Resume screening tools, Automated trading[[ system]]s.
---
diff --git a/10_Wiki/Topics/AI/Automated-Game-Testing.md b/10_Wiki/Topics/AI/Automated-Game-Testing.md
index 1a4d03d9..663f2df8 100644
--- a/10_Wiki/Topics/AI/Automated-Game-Testing.md
+++ b/10_Wiki/Topics/AI/Automated-Game-Testing.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AI-AUTOTEST
+id: [[P-Reinforce]]-AI-AUTOTEST
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.97
-tags: [Automated Testing, Game QA, AI Testing, Bot Testing]
+tags: [Automated [[Testing]], Game QA, AI Testing, Bot Testing]
last_reinforced: 2026-04-20
---
@@ -23,5 +23,5 @@ last_reinforced: 2026-04-20
- 자동화 봇은 효율적이지만 '인간의 감정'을 느끼지 못한다. 버그는 없으나 재미가 없는 구역(Boring Zones)을 찾아내는 것은 여전히 인간 QA의 영역이며, AI는 이를 보조하는 증폭기로 사용되어야 한다.
## 🔗 지식 연결 (Graph)
-- Related: Software Reliability , [[System_Debugging_Protocol]]
+- Related: Software [[Reliability]] , [[System_Debugging_Protocol]]
- Foundation: Reinforcement Learning
diff --git a/10_Wiki/Topics/AI/Automated-Map-Generation.md b/10_Wiki/Topics/AI/Automated-Map-Generation.md
index b89fa958..9cd9c03e 100644
--- a/10_Wiki/Topics/AI/Automated-Map-Generation.md
+++ b/10_Wiki/Topics/AI/Automated-Map-Generation.md
@@ -1,15 +1,15 @@
---
-id: P-REINFORCE-AI-GENMAP
+id: [[P-Reinforce]]-AI-GENMAP
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.99
-tags: [PCG, Map Generation, Algorithm, Noise Nature]
+tags: [PCG, Map Generation, Algorithm, [[Noise]] Nature]
last_reinforced: 2026-04-20
---
# [[Automated-Map-Generation]] (절차적 맵 생성 PCG)
## 📌 한 줄 통찰 (The Karpathy Summary)
-> 무한한 우주는 수학 공식(Seed) 하나에서 탄생한다. 절차적 생성(PCG)은 개발자의 노동력을 '규칙의 창조'로 전이시켜 콘텐츠의 무한 확장을 가능케 한다.
+> 무한한 우주는 수학 공식([[Seed]]) 하나에서 탄생한다. 절차적 생성(PCG)은 개발자의 노동력을 '규칙의 창조'로 전이시켜 콘텐츠의 무한 확장을 가능케 한다.
## 📖 구조화된 지식 (Synthesized Content)
- **Perlin Noise & Simplex Noise**:
diff --git a/10_Wiki/Topics/AI/Automated-Reasoning.md b/10_Wiki/Topics/AI/Automated-Reasoning.md
index 8911281c..9f20bd01 100644
--- a/10_Wiki/Topics/AI/Automated-Reasoning.md
+++ b/10_Wiki/Topics/AI/Automated-Reasoning.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-AURE-001
+id: [[P-Reinforce]]-AUTO-AURE-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.97
-tags: [auto-reinforced, automated-reasoning, logic, formal-methods, theorem-proving, symbol-ai]
+tags: [auto-reinforced, automated-[[Reasoning]], [[Logic]], formal-methods, theorem-proving, symbol-ai]
last_reinforced: 2026-04-20
---
@@ -12,7 +12,7 @@ last_reinforced: 2026-04-20
> "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)
-자동 추론(Automated-Reasoning)은 컴퓨터 프로그램이 논리학을 이용하여 공리(Axioms)로부터 결론을 수평적으로 도출하거나, 주어진 가설의 참/거짓을 입증하는 인공지능의 핵심 분야입니다.
+자동 추론(Automated-Reasoning)은 컴퓨터 프로그램이 논리학을 이용하여 공리([[Axioms]])로부터 결론을 수평적으로 도출하거나, 주어진 가설의 참/거짓을 입증하는 인공지능의 핵심 분야입니다.
1. **주요 접근법**:
* **Deduction (연역)**: 일반적인 규칙에서 개별 사실 도출. (Standard AI)
diff --git a/10_Wiki/Topics/AI/Automated-Refactoring-Tools.md b/10_Wiki/Topics/AI/Automated-Refactoring-Tools.md
index b9567574..ce5dfb54 100644
--- a/10_Wiki/Topics/AI/Automated-Refactoring-Tools.md
+++ b/10_Wiki/Topics/AI/Automated-Refactoring-Tools.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AI-REFACT
+id: [[P-Reinforce]]-AI-REFACT
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.96
-tags: [Refactoring, Static Analysis, AI Code, Technical Debt]
+tags: [Refactoring, Static [[Analysis]], AI Code, Technical Debt]
last_reinforced: 2026-04-20
---
@@ -20,8 +20,8 @@ last_reinforced: 2026-04-20
- 대규모 프레임워크 업데이트(예: React 17 -> 18) 시 전체 코드 베이스를 기계적으로 변환하여 인간의 실수를 줄이고 마이그레이션 비용을 획기적으로 낮춘다 (e.g., CodeMods).
## ⚠️ 모순 및 업데이트 (RL Update)
-- 자동화 도구에 100% 의존하는 것은 위험하다. 비즈니스 맥락(Business Context)을 모르는 기계적 리팩토링은 때로 의도된 우회 코드를 파괴할 수 있다. 최종 검사(Human-in-the-loop)는 여전히 필수적인 관문이다.
+- 자동화 도구에 100% 의존하는 것은 위험하다. 비즈니스 맥락([[business]] Context)을 모르는 기계적 리팩토링은 때로 의도된 우회 코드를 파괴할 수 있다. 최종 검사(Human-in-the-loop)는 여전히 필수적인 관문이다.
## 🔗 지식 연결 (Graph)
-- Related: [[React_Clean_Code_Best_Practices]] , Software Reliability
+- Related: [[React_Clean_Code_Best_Practices]] , Software [[Reliability]]
- Foundation: [[System_Debugging_Protocol]]
diff --git a/10_Wiki/Topics/AI/Automated-Security-Audits.md b/10_Wiki/Topics/AI/Automated-Security-Audits.md
index 99b040a6..66c43188 100644
--- a/10_Wiki/Topics/AI/Automated-Security-Audits.md
+++ b/10_Wiki/Topics/AI/Automated-Security-Audits.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-SEC-AUDIT
+id: [[P-Reinforce]]-SEC-AUDIT
category: "10_Wiki/💡 Topics/Security"
confidence_score: 0.97
tags: [Security Audits, Automation, Compliance, AI]
@@ -16,7 +16,7 @@ last_reinforced: 2026-04-20
- 보안 규정(예: 모든 S3 버킷은 비공개여야 함)을 코드로 정의하고, 테라폼(Terraform)이나 쿠버네티스 배포 시 자동으로 검사한다.
- **Compliance Monitoring**:
- ISO 27001, SOC2 같은 국제 표준 준수 여부를 실시간 대시보드로 확인하고, 규정 위반 시 자동으로 티켓을 생성한다.
-- **AI Pen-Testing**:
+- **AI Pen-[[Testing]]**:
- AI 에이전트가 시스템의 약점을 수동태로 계속해서 찌르고 시뮬레이션하여(Red Teaming), 인간이 놓친 경로를 발굴한다.
## ⚠️ 모순 및 업데이트 (RL Update)
@@ -24,4 +24,4 @@ last_reinforced: 2026-04-20
## 🔗 지식 연결 (Graph)
- Related: Security_Governance , [[SAST]]
-- Strategy: [[Reliability_Safety_First]]
+- [[Strategy]]: [[Reliability_Safety_First]]
diff --git a/10_Wiki/Topics/AI/Automated-Theorem-Proving.md b/10_Wiki/Topics/AI/Automated-Theorem-Proving.md
index 6d9d0221..068ad8bd 100644
--- a/10_Wiki/Topics/AI/Automated-Theorem-Proving.md
+++ b/10_Wiki/Topics/AI/Automated-Theorem-Proving.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AI-THEOREM
+id: [[P-Reinforce]]-AI-THEOREM
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.94
tags: [Theorem Proving, Coq, Lean, Formal Verification]
@@ -12,10 +12,10 @@ last_reinforced: 2026-04-20
> "코드가 맞다"고 믿는 것이 아니라, 수학적으로 "틀릴 수 없음"을 컴퓨터가 강제로 증명하게 만드는 소프트웨어 신뢰성의 정점이다.
## 📖 구조화된 지식 (Synthesized Content)
-- **Hilbert's Program & Decidability**:
+- **Hil[[BERT]]'s Program & Decidability**:
- 모든 수학적 명제를 기계적으로 판별할 수 있는지에 대한 질문에서 시작되었다. 비록 불완전성 정리에 의해 한계가 밝혀졌으나, 특정 영역에서의 자동 증명은 비약적으로 발전했다.
- **Formal Verification (형식 검증)**:
- - 운영체제 커널(seL4)이나 금융 스마트 컨트랙트처럼 단 하나의 버그도 허용되지 않는 곳에서, 프로그램이 사양(Specification)대로 동작함을 논리적으로 입증한다.
+ - 운영체제 커널(seL4)이나 금융 스마트 컨트랙트처럼 단 하나의 버그도 허용되지 않는 곳에서, 프로그램이 사양([[Specification]])대로 동작함을 논리적으로 입증한다.
- **Lean & Coq (Proof Assistants)**:
- 최근 AI(LLM)와 결합하여 인간이 수학 문제를 풀 듯 증명 과정을 생성하고 검증하는 '대화형 증명 도우미'가 대세다.
diff --git a/10_Wiki/Topics/AI/Automated_Mapping.md b/10_Wiki/Topics/AI/Automated_Mapping.md
index 241520ff..b5ec0003 100644
--- a/10_Wiki/Topics/AI/Automated_Mapping.md
+++ b/10_Wiki/Topics/AI/Automated_Mapping.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AI-004
+id: [[P-Reinforce]]-AI-004
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.91
tags: [ai, slam, mapping, autonomous]
@@ -7,7 +7,7 @@ last_reinforced: 2026-04-20
github_commit: "batch-reinforce-05"
---
-# Automated Mapping & SLAM
+# [[Automated Mapping]] & SLAM
## 📌 한 줄 통찰 (The Karpathy Summary)
> 미지의 공간을 탐사함과 동시에 자신의 위치를 파악하여 정밀한 지도를 그려내는 자율 주행의 눈과 지능.
@@ -26,4 +26,4 @@ github_commit: "batch-reinforce-05"
## 🔗 지식 연결 (Graph)
- **Parent:** 10_Wiki/💡 Topics/AI
- **Related:** [[Computer_Vision]], [[VPS_NeRF]], Spatial-Computing
-- **Raw Source:** 00_Raw/2026-04-20/Automated-Map-Generation.md
+- **Raw Source:** 00_Raw/2026-04-20/[[Automated-Map-Generation]].md
diff --git a/10_Wiki/Topics/AI/Automation-Paradox.md b/10_Wiki/Topics/AI/Automation-Paradox.md
index 64524b76..8ba60ca5 100644
--- a/10_Wiki/Topics/AI/Automation-Paradox.md
+++ b/10_Wiki/Topics/AI/Automation-Paradox.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AUTO-AUPA-001
+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]
@@ -27,5 +27,5 @@ last_reinforced: 2026-04-20
## 🔗 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.
+- **Modern Tech/Tools**: Driver Monitoring[[ system]]s (DMS), Simulator-based training for crisis [[Management]].
---
diff --git a/10_Wiki/Topics/AI/Autonomous Vehicles.md b/10_Wiki/Topics/AI/Autonomous Vehicles.md
index 1bd97436..cd117e59 100644
--- a/10_Wiki/Topics/AI/Autonomous Vehicles.md
+++ b/10_Wiki/Topics/AI/Autonomous Vehicles.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-AUVE-001
+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]
+tags: [auto-reinforced, autonomous-vehicles, self-driving, ai-[[Robotics]], transport-[[Innovation]], safe-ai]
last_reinforced: 2026-04-20
---
@@ -22,14 +22,14 @@ last_reinforced: 2026-04-20
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).
+ * **Prediction**: 주변 차량과 보행자의 다음 움직임 예측 ([[Anticipation]]과 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.
+- **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.
+- **Modern Tech/Tools**: Tesla FSD, Waymo, NVIDIA DRIVE, LiDAR/Radar[[ system]]s.
---
diff --git a/10_Wiki/Topics/AI/Autonomous-Agents.md b/10_Wiki/Topics/AI/Autonomous-Agents.md
index 3c270594..689bab62 100644
--- a/10_Wiki/Topics/AI/Autonomous-Agents.md
+++ b/10_Wiki/Topics/AI/Autonomous-Agents.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AUTO-AUAG-001
+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]
@@ -16,15 +16,15 @@ last_reinforced: 2026-04-20
1. **에이전트의 3대 필수 능력 (The Agency)**:
* **Autonomy**: 스스로 의사결정의 우선순위를 정함.
- * **Adaptability**: 환경의 변화나 실패 상황에서 전략을 동적으로 수정함.
+ * **[[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)
+ * 기억([[memory]]), 계획(Planning), 실행(Action/Tools) 기능이 융합된 아키텍처. ([[Agent Architecture]]와 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).
+- **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)
diff --git a/10_Wiki/Topics/AI/Autonomous-Polling-Wait-Automation.md b/10_Wiki/Topics/AI/Autonomous-Polling-Wait-Automation.md
index 82062d14..f922f0a5 100644
--- a/10_Wiki/Topics/AI/Autonomous-Polling-Wait-Automation.md
+++ b/10_Wiki/Topics/AI/Autonomous-Polling-Wait-Automation.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AUTO-9B8C6B
+id: [[P-Reinforce]]-AUTO-9B8C6B
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.90
tags: [auto-reinforced]
@@ -10,16 +10,16 @@ github_commit: "[P-Reinforce] Continuous Worker - Autonomous-Polling-Wait-Automa
# [[Autonomous-Polling-Wait-Automation]]
## 📌 한 줄 통찰 (The Karpathy Summary)
-> Deep Research 작업의 완료를 에이전트가 스스로 감지하고, "가져오기" 버튼을 누를 필요 없이 즉시 데이터를 수집하는 지능형 대기 시스템입니다. 10초 단위의 상태 폴링(Polling)을 통해 NotebookLM의 작업 상태를 모니터링하며, 완료 시점에 즉각적으로 다음 단계(Synthesis)로 전이됩니다.
+> Deep [[Research]] 작업의 완료를 에이전트가 스스로 감지하고, "가져오기" 버튼을 누를 필요 없이 즉시 데이터를 수집하는 지능형 대기 시스템입니다. 10초 단위의 상태 폴링(Polling)을 통해 NotebookLM의 작업 상태를 모니터링하며, 완료 시점에 즉각적으로 다음 단계(Synthesis)로 전이됩니다.
## 📖 구조화된 지식 (Synthesized Content)
-NotebookLM의 'Deep Research' 기능은 대규모 데이터를 처리하므로 평균 3~10분의 시간이 소요됩니다. 이전 버전에서는 사용자가 브라우저를 모니터링하다가 수동으로 '합성하기' 버튼을 눌러야 루프가 이어졌으나, 이를 다음과 같이 자동화했습니다.
+NotebookLM의 'Deep Re[[Search]]' 기능은 대규모 데이터를 처리하므로 평균 3~10분의 시간이 소요됩니다. 이전 버전에서는 사용자가 브라우저를 모니터링하다가 수동으로 '합성하기' 버튼을 눌러야 루프가 이어졌으나, 이를 다음과 같이 자동화했습니다.
-1. **State Polling Interface**: `research_status` API를 호출하여 작업의 진행 상태를 JSON 형태로 실시간 수집합니다.
-2. **Hybrid Wait Strategy**:
+1. **[[State]] Polling Interface**: `research_status` API를 호출하여 작업의 진행 상태를 JSON 형태로 실시간 수집합니다.
+2. **Hybrid Wait [[Strategy]]**:
- **Auto Mode**: 최대 10분(60회 폴링) 동안 'completed' 상태를 추적하며, 감지 즉시 `research_import`를 실행합니다.
- **Manual Fallback**: 만약 10분이 지나도 완료되지 않거나 네트워크 오류가 발생하면, 시스템은 중단되지 않고 다시 '수동 대기' 모드로 전환되어 사용자의 판단을 기다립니다.
-3. **Promise-Level Sync**: JavaScript의 비동기 제어 구조(Async/Await)를 활용하여, 폴링 루프가 도는 동안 엔진의 메인 루프를 안전하게 일시 정지(Suspend) 시킵니다.
+3. **Promise-Level Sync**: [[JavaScript]]의 비동기 제어 구조(Async/Await)를 활용하여, 폴링 루프가 도는 동안 엔진의 메인 루프를 안전하게 일시 정지(Suspend) 시킵니다.
이 자동화로 인해 에이전트는 진정한 의미의 '잠들지 않는 연구원'이 되었으며, 대규모 지식 수집 시 사용자의 피로도를 획기적으로 낮추었습니다.
diff --git a/10_Wiki/Topics/AI/Autonomous-Vehicle-Path-Planning.md b/10_Wiki/Topics/AI/Autonomous-Vehicle-Path-Planning.md
index 738e5f0f..1fcb5268 100644
--- a/10_Wiki/Topics/AI/Autonomous-Vehicle-Path-Planning.md
+++ b/10_Wiki/Topics/AI/Autonomous-Vehicle-Path-Planning.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AI-PATHPLAN
+id: [[P-Reinforce]]-AI-PATHPLAN
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.98
-tags: [Path Planning, A* Algorithm, Robotics, Autonomous Vehicle]
+tags: [Path Planning, A* Algorithm, [[Robotics]], Autonomous Vehicle]
last_reinforced: 2026-04-20
---
@@ -16,7 +16,7 @@ last_reinforced: 2026-04-20
- 출발지에서 목적지까지의 거시적인 경로를 설정한다. 고전적인 **A* (A-star)** 알고리즘이나 **Dijkstra** 알고리즘이 지도 데이터 위에서 작동한다.
- **Local Motion Planning (실시간 회피)**:
- 갑자기 튀어나오는 보행자나 장애물을 피하기 위한 미시적인 궤적 최적화. **RRT* (Rapidly-exploring Random Tree)**나 **Hybrid A*** 등이 사용된다.
-- **Behavioral Decision (판단 레이어)**:
+- **[[Behavior]]al Decision (판단 레이어)**:
- 차선 변경, 추월, 일단 정지 등 도로의 법규(Traffic Laws)와 에티켓을 반영한 의사결정 알고리즘과 물리적 제어를 결합한다.
## ⚠️ 모순 및 업데이트 (RL Update)
diff --git a/10_Wiki/Topics/AI/Availability-and-Persistence.md b/10_Wiki/Topics/AI/Availability-and-Persistence.md
index 038d7c5c..46c406c0 100644
--- a/10_Wiki/Topics/AI/Availability-and-Persistence.md
+++ b/10_Wiki/Topics/AI/Availability-and-Persistence.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-AVPE-001
+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]
+tags: [auto-reinforced, availability, persistence,[[ system]]-[[Reliability]], data-engineering, cloud-[[Architecture]]]
last_reinforced: 2026-04-20
---
@@ -24,10 +24,10 @@ last_reinforced: 2026-04-20
* 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).
+- **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).
+- **Modern Tech/Tools**: Cloud [[Storage]] (S3), RAID, Database replication, [[Blockchain]] (Immutable persistence).
---
diff --git a/10_Wiki/Topics/AI/Awards.md b/10_Wiki/Topics/AI/Awards.md
index eff65f08..20bc79f4 100644
--- a/10_Wiki/Topics/AI/Awards.md
+++ b/10_Wiki/Topics/AI/Awards.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AUTO-AWAR-001
+id: [[P-Reinforce]]-AUTO-AWAR-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.88
tags: [auto-reinforced, awards, recognition, motivation, social-status, achievement]
@@ -28,5 +28,5 @@ last_reinforced: 2026-04-20
## 🔗 지식 연결 (Graph)
- Motivation, [[Scientific Communication]], [[Grit]], [[Ambition]], [[Aesthetic-Value]]
-- **Modern Tech/Tools**: Scholarly award platforms, Peer review systems.
+- **Modern Tech/Tools**: Scholarly award platforms, Peer review[[ system]]s.
---
diff --git a/10_Wiki/Topics/AI/Axify.md b/10_Wiki/Topics/AI/Axify.md
index 1dc1ddea..11189e70 100644
--- a/10_Wiki/Topics/AI/Axify.md
+++ b/10_Wiki/Topics/AI/Axify.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AUTO-FB7EF7
+id: [[P-Reinforce]]-AUTO-FB7EF7
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.90
tags: [auto-reinforced]
@@ -16,7 +16,7 @@ github_commit: "[P-Reinforce] Continuous Worker - Axify"
- **소프트웨어 딜리버리 및 지표 추적:** Axify는 DORA 지표 대시보드, 소프트웨어 엔지니어링 지표 추적, 목표 설정 및 진행률 보고 기능을 제공합니다 [2, 7]. 또한 가치 흐름 매핑(Value Stream Mapping)을 통해 전체 소프트웨어 개발 과정의 시각적 지도를 제공하여 배포 효율성을 높입니다 [2, 4].
- **Axify Intelligence:** 엔지니어링 리더를 위한 AI 의사결정 파트너 기능입니다 [1, 2]. 범용 LLM과 달리 조직의 실제 저장소, 파이프라인, 과거 장애 기록 등 실제 전송 데이터를 기반으로 분석을 수행합니다 [8]. 지표가 변동된 원인을 설명하고 구체적인 워크플로우 조정 방안을 추천하며, 챗봇 인터페이스를 통해 사용자가 직접 질문하고 권장 조치를 적용할 수 있습니다 [8].
- **AI 도입 영향(AI Impact) 측정:** AI 리뷰 에이전트와 같은 도구 도입 시, 단순한 사용량 지표(가짜 지표)가 아니라 팀 단위의 실제 PR(Pull Request) 주기 시간, 최초 리뷰까지의 시간, AI 지원 커밋 비율, 제안 수락률 등의 실질적 행동 변화를 추적합니다 [9-11]. 나아가 PR 데이터와 배포 데이터를 연결하여 배포 빈도 및 변경 리드 타임(Lead time for changes)이 AI 도입 전후로 어떻게 달라졌는지 명확한 추세 분석을 가능하게 합니다 [10, 12].
-- **통합성 및 활용 사례:** Slack, Microsoft Teams, Jira, Azure DevOps, GitHub, GitLab 등 개발팀이 널리 사용하는 기존 도구들과 원활하게 통합됩니다 [7]. Axify를 도입한 BDC는 최대 51%의 배포 속도 향상을, Newforma는 22배 많은 배포 성과를 달성한 사례가 있습니다 [13].
+- **통합성 및 활용 사례:** Slack, Microsoft Teams, Jira, [[Azure DevOps]], GitHub, GitLab 등 개발팀이 널리 사용하는 기존 도구들과 원활하게 통합됩니다 [7]. Axify를 도입한 BDC는 최대 51%의 배포 속도 향상을, Newforma는 22배 많은 배포 성과를 달성한 사례가 있습니다 [13].
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요.
diff --git a/10_Wiki/Topics/AI/Axiology.md b/10_Wiki/Topics/AI/Axiology.md
index 7d111a9d..aaa7eaf8 100644
--- a/10_Wiki/Topics/AI/Axiology.md
+++ b/10_Wiki/Topics/AI/Axiology.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-AXIO-001
+id: [[P-Reinforce]]-AUTO-AXIO-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.90
-tags: [auto-reinforced, axiology, value-theory, ethics, aesthetics, philosophy]
+tags: [auto-reinforced, axiology, value-theory, ethics, aesthetics, [[Philosophy]]]
last_reinforced: 2026-04-20
---
@@ -22,9 +22,9 @@ last_reinforced: 2026-04-20
## ⚠️ 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.
+- **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.
+- **Modern Tech/Tools**: Ethical framework design, Value alignment [[Protocols]].
---
diff --git a/10_Wiki/Topics/AI/Axiomatic-Systems.md b/10_Wiki/Topics/AI/Axiomatic-Systems.md
index 15e081fa..abbe1c80 100644
--- a/10_Wiki/Topics/AI/Axiomatic-Systems.md
+++ b/10_Wiki/Topics/AI/Axiomatic-Systems.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-AXSY-001
+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]
+tags: [auto-reinforced, axiomatic-systems, [[Logic]], mathematics, formal-methods, [[Structuralism]]]
last_reinforced: 2026-04-20
---
@@ -12,7 +12,7 @@ last_reinforced: 2026-04-20
> "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.
+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.
@@ -27,5 +27,5 @@ last_reinforced: 2026-04-20
## 🔗 지식 연결 (Graph)
- [[Axioms]], [[Logic]], [[Structuralism]], [[Automated-Reasoning]], [[Safety & Reliability]]
-- **Modern Tech/Tools**: TLA+ (Formal specification), Mathematical proof assistants.
+- **Modern Tech/Tools**: TLA+ (Formal [[Specification]]), Mathematical proof assistants.
---
diff --git a/10_Wiki/Topics/AI/Axioms.md b/10_Wiki/Topics/AI/Axioms.md
index d60a3e8b..5f4437d2 100644
--- a/10_Wiki/Topics/AI/Axioms.md
+++ b/10_Wiki/Topics/AI/Axioms.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-AXIO-002
+id: [[P-Reinforce]]-AUTO-AXIO-002
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.98
-tags: [auto-reinforced, axioms, logic, foundations, mathematical-logic, standard]
+tags: [auto-reinforced, axioms, [[Logic]], foundations, mathematical-logic, standard]
last_reinforced: 2026-04-20
---
@@ -24,9 +24,9 @@ last_reinforced: 2026-04-20
## ⚠️ 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.
+- **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]]
+- [[Axiomatic-Systems]], [[Logic]], [[Analysis]], First-[[Principles]]-Thinking, [[Stability vs Flexibility]]
- **Modern Tech/Tools**: Logic-based programming (Prolog), Formal logic frameworks.
---
diff --git a/10_Wiki/Topics/AI/Azure DevOps.md b/10_Wiki/Topics/AI/Azure DevOps.md
index d916cbca..a7f1a24e 100644
--- a/10_Wiki/Topics/AI/Azure DevOps.md
+++ b/10_Wiki/Topics/AI/Azure DevOps.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AUTO-6BDC0C
+id: [[P-Reinforce]]-AUTO-6BDC0C
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.90
tags: [auto-reinforced]
@@ -17,8 +17,8 @@ github_commit: "[P-Reinforce] Continuous Worker - Azure DevOps"
제공된 소스에서 파악할 수 있는 Azure DevOps에 대한 단편적인 정보는 다음과 같습니다:
* **도구 통합(Integrations) 플랫폼으로서의 활용:**
- * AI 코드 리뷰 및 코드 품질/보안 검증 도구인 **SonarQube**는 개발자의 워크플로우를 지원하기 위해 GitHub, Bitbucket, GitLab 등과 함께 Azure DevOps와의 통합을 제공합니다 [1].
- * 소프트웨어 엔지니어링 팀의 DORA 지표 측정 및 생산성 분석 도구인 **Axify** 또한 Slack, Microsoft Teams, Jira 등의 도구와 더불어 Azure DevOps와의 연동을 지원합니다 [2].
+ * AI 코드 리뷰 및 코드 품질/보안 검증 도구인 **[[SonarQube]]**는 개발자의 워크플로우를 지원하기 위해 GitHub, Bitbucket, GitLab 등과 함께 Azure DevOps와의 통합을 제공합니다 [1].
+ * 소프트웨어 엔지니어링 팀의 DORA 지표 측정 및 생산성 분석 도구인 **[[Axify]]** 또한 Slack, Microsoft Teams, Jira 등의 도구와 더불어 Azure DevOps와의 연동을 지원합니다 [2].
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요.
diff --git a/10_Wiki/Topics/AI/B-Tree.md b/10_Wiki/Topics/AI/B-Tree.md
index 65a71c1f..c7255e68 100644
--- a/10_Wiki/Topics/AI/B-Tree.md
+++ b/10_Wiki/Topics/AI/B-Tree.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AI-B-TREE
+id: [[P-Reinforce]]-AI-B-TREE
category: "10_Wiki/💡 Topics/Programming & Language"
confidence_score: 0.99
tags: [B-Tree, Data Structure, DB, Indexing]
@@ -12,11 +12,11 @@ last_reinforced: 2026-04-20
> "디스크의 느린 속도를 이겨내는 최적의 균형." 한 노드에 여러 데이터를 담고 층수를 낮게 유지하여, 수백만 건의 데이터도 단 3~4번의 읽기만으로 찾아내는 인덱스의 제왕이다.
## 📖 구조화된 지식 (Synthesized Content)
-- **Multi-way Search Tree**:
+- **Multi-way [[Search]] Tree**:
- 이진 트리(2-way)와 달리 노드 하나가 수십~수백 개의 자식을 가질 수 있다. 이를 통해 트리의 높이(Height)를 극적으로 낮춘다.
- **Self-Balancing**:
- 데이터가 추가되거나 삭제될 때마다 스스로 노드를 분할(Split)하거나 합치며(Merge) 높이 균형을 유지한다. 언제나 탐색 속도가 보장된다.
-- **Disk I/O Efficiency**:
+- **Disk I/O [[Efficiency]]**:
- 노드 한 개의 크기를 하드디스크의 한 블록(Page) 크기에 맞춰 설계하여, 한 번의 스핀으로 최대한 많은 정보를 읽어오게 한다.
## ⚠️ 모순 및 업데이트 (RL Update)
diff --git a/10_Wiki/Topics/AI/BERT.md b/10_Wiki/Topics/AI/BERT.md
index d5c287b7..2ad4c3d9 100644
--- a/10_Wiki/Topics/AI/BERT.md
+++ b/10_Wiki/Topics/AI/BERT.md
@@ -2,11 +2,11 @@
id: BERT-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [ai, nlp, bert, transformer, language-model, google-research]
+tags: [ai, nlp, bert, transformer, language-model, google-[[Research]]]
last_reinforced: 2026-04-26
---
-# BERT (Bidirectional Encoder Representations from Transformers)
+# BERT (Bidirectional Encoder Representations from [[Transformers]])
## 📌 한 줄 통찰 (The Karpathy Summary)
> "문장의 왼쪽과 오른쪽을 동시에 보며 단어의 진짜 의미를 파악하라" — 구글이 제안한 혁신적인 사전 학습 모델로, 문맥의 양방향성을 모두 고려하여 단어의 의미를 수치화함으로써 NLP 분야의 수많은 벤치마크 기록을 갱신한 모델.
@@ -16,7 +16,7 @@ last_reinforced: 2026-04-26
- **핵심 특징:**
- **Bidirectional Context:** 이전 시점의 정보만 보는 GPT와 달리, 앞뒤 문맥을 한꺼번에 고려하여 중의성 해결에 탁월함.
- **Transformer Encoder:** 트랜스포머 아키텍처의 인코더 부분만 층층이 쌓아 올려 구성.
- - **Pre-training & Fine-tuning:** 방대한 일반 텍스트로 먼저 학습한 뒤, 특정 태스크(질의응답, 감성 분석 등)에 맞춰 살짝만 튜닝하여 고성능 확보.
+ - **Pre-training & [[Fine-tuning]]:** 방대한 일반 텍스트로 먼저 학습한 뒤, 특정 태스크(질의응답, 감성 분석 등)에 맞춰 살짝만 튜닝하여 고성능 확보.
- **Contextual Embeddings:** 동일한 단어라도 주변 문맥에 따라 서로 다른 벡터 값을 가짐.
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
diff --git a/10_Wiki/Topics/AI/BFS vs DFS.md b/10_Wiki/Topics/AI/BFS vs DFS.md
index 9eeda6a8..f718560f 100644
--- a/10_Wiki/Topics/AI/BFS vs DFS.md
+++ b/10_Wiki/Topics/AI/BFS vs DFS.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-BDFS-001
+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]
+tags: [auto-reinforced, bfs, dfs, algorithms, graph-[[Search]], tree-traversal, [[Problem-Solving]]]
last_reinforced: 2026-04-20
---
@@ -21,7 +21,7 @@ last_reinforced: 2026-04-20
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)
+ * **단점**: 얻은 경로가 최단 경로라는 보장이 없으며 무한 루프 위험이 있음. ([[Backward-Reasoning]]과 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).
diff --git a/10_Wiki/Topics/AI/Backend.md b/10_Wiki/Topics/AI/Backend.md
index 6b36280c..4ec4971b 100644
--- a/10_Wiki/Topics/AI/Backend.md
+++ b/10_Wiki/Topics/AI/Backend.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-BACK-001
+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]
+tags: [auto-reinforced, backend, server-side, [[Architecture]], api, data-[[Management]]]
last_reinforced: 2026-04-20
---
@@ -17,17 +17,17 @@ last_reinforced: 2026-04-20
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)
+ * **Database**: 정보를 안전하고 효율적으로 보관하는 저장소. ([[Availability-and-Persistence]]와 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.
+ * **Security & Auth**: 사용자 인증 및 권한 관리 ([[API-Key-Management]]와 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]]
+- [[Technical-Architecture]], [[API-Key-Management]], [[Availability-and-Persistence]], [[Software-Design-Principles]], [[Workflow-Inte[[Grit]]y]]
- **Modern Tech/Tools**: Node.js, Python FastAPI, Go, Docker/Kubernetes, Redis, PostgreSQL.
---
diff --git a/10_Wiki/Topics/AI/Backpropagation Through Time.md b/10_Wiki/Topics/AI/Backpropagation Through Time.md
index 69e7ec38..6fe78594 100644
--- a/10_Wiki/Topics/AI/Backpropagation Through Time.md
+++ b/10_Wiki/Topics/AI/Backpropagation Through Time.md
@@ -2,7 +2,7 @@
id: BPTT-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [ai, deep-learning, rnn, backpropagation, sequence-modeling]
+tags: [ai, [[Deep-Learning]], rnn, [[Backpropagation]], [[Sequence-Modeling]]]
last_reinforced: 2026-04-26
---
@@ -16,7 +16,7 @@ last_reinforced: 2026-04-26
- **세부 내용:**
- **Unrolling:** RNN의 순환 구조를 시간에 따라 길게 펼쳐진 신경망으로 간주.
- **Gradient Calculation:** 현재 시점의 손실 함수 기울기를 이전 시점의 가중치들까지 체인 룰(Chain Rule)을 통해 전달.
- - **Vanishing/Exploding Gradient:** 시간이 길어질수록 기울기가 사라지거나 폭주하는 문제 발생. 이를 해결하기 위해 LSTM이나 GRU 같은 게이트 구조가 고안됨.
+ - **Vanishing/Exploding Gradient:** 시간이 길어질수록 기울기가 사라지거나 폭주하는 문제 발생. 이를 해결하기 위해 [[LSTM]]이나 GRU 같은 게이트 구조가 고안됨.
- **Truncated BPTT:** 연산 효율과 기울기 소실 방지를 위해 특정 시간 범위까지만 역전파를 수행.
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
diff --git a/10_Wiki/Topics/AI/Backpropagation.md b/10_Wiki/Topics/AI/Backpropagation.md
index 7c0f9677..bf1379ab 100644
--- a/10_Wiki/Topics/AI/Backpropagation.md
+++ b/10_Wiki/Topics/AI/Backpropagation.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-BACK-002
+id: [[P-Reinforce]]-AUTO-BACK-002
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.00
-tags: [auto-reinforced, backpropagation, deep-learning, machine-learning-foundations, calculus, neural-networks]
+tags: [auto-reinforced, backpropagation, [[Deep-Learning]], [[Machine-Learning-Foundations]], calculus, neural-networks]
last_reinforced: 2026-04-20
---
diff --git a/10_Wiki/Topics/AI/Backups.md b/10_Wiki/Topics/AI/Backups.md
index 14c12aad..9bb1a734 100644
--- a/10_Wiki/Topics/AI/Backups.md
+++ b/10_Wiki/Topics/AI/Backups.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-BACK-003
+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]
+tags: [auto-reinforced, backups, data-protection, di[[SAST]]er-recovery, security, [[Reliability]]]
last_reinforced: 2026-04-20
---
@@ -30,6 +30,6 @@ last_reinforced: 2026-04-20
- **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]]
+- [[Availability-and-Persistence]], [[Safety & Reliability]], [[Workflow-Inte[[Grit]]y]], [[Robustness]], [[Technical-Architecture]]
- **Modern Tech/Tools**: AWS Backup, Veeam, Git (Version control as backup), RAID.
---
diff --git a/10_Wiki/Topics/AI/Backward-Reasoning.md b/10_Wiki/Topics/AI/Backward-Reasoning.md
index bf8a9548..d8a00448 100644
--- a/10_Wiki/Topics/AI/Backward-Reasoning.md
+++ b/10_Wiki/Topics/AI/Backward-Reasoning.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-BARE-001
+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]
+tags: [auto-reinforced, backward-[[Reasoning]], [[goal]]-driven, [[Logic]], [[Problem-Solving]], cognitive-ai]
last_reinforced: 2026-04-20
---
@@ -19,7 +19,7 @@ last_reinforced: 2026-04-20
* 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)
+ * 전방 추론은 데이터에서 시작해 결론을 탐색(Data-driven)하는 반면, 후행 추론은 목표가 명확할 때 탐색 범위를 확 줄여주는 효율성이 있음. ([[Working-Backwards]]와 연결)
3. **적용 분야**:
* 수학적 증명, 범죄 수사(결과에서 단서 추적), 진단 전문가 시스템.
diff --git a/10_Wiki/Topics/AI/Bag of Words (BoW).md b/10_Wiki/Topics/AI/Bag of Words (BoW).md
index 2bff0cc7..d45edebe 100644
--- a/10_Wiki/Topics/AI/Bag of Words (BoW).md
+++ b/10_Wiki/Topics/AI/Bag of Words (BoW).md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-BOW-001
+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]
+tags: [auto-reinforced, bag-of-words, nlp, [[Text-Mining]], feature-extraction, classic-ai]
last_reinforced: 2026-04-20
---
@@ -28,6 +28,6 @@ Bag of Words(BoW)는 텍스트 데이터를 머신러닝 알고리즘이 이해
- **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]]
+- Natural Language [[Processing]] (NLP), [[Word-Representation]], [[Attention Mechanisms]], Pattern Recognition, [[Technical-Architecture]]
- **Modern Tech/Tools**: Scikit-learn CountVectorizer, NLTK, Gensim.
---
diff --git a/10_Wiki/Topics/AI/Baseline Project.md b/10_Wiki/Topics/AI/Baseline Project.md
index 21019882..31ec7cd3 100644
--- a/10_Wiki/Topics/AI/Baseline Project.md
+++ b/10_Wiki/Topics/AI/Baseline Project.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AUTO-E3E3EF
+id: [[P-Reinforce]]-AUTO-E3E3EF
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.90
tags: [auto-reinforced]
@@ -10,13 +10,13 @@ github_commit: "[P-Reinforce] Continuous Worker - Baseline Project"
# [[Baseline Project]]
## 📌 한 줄 통찰 (The Karpathy Summary)
-> Baseline Project는 Chrome, Edge, Firefox, Safari 등 주요 웹 브라우저에서 최소 30개월 이상 지속적으로 지원된 '널리 사용 가능한 브라우저 API(widely available browser APIs)'를 정의하는 프로젝트입니다 [1]. 이 프로젝트는 특정 웹 플랫폼 기능이 언제부터 모든 주요 브라우저에서 안전하게 사용될 수 있는지에 대한 타임라인을 제공하여 개발자들을 돕습니다 [1]. 브라우저의 네이티브 지원이 확대되어 베이스라인 기능이 늘어나면, 대체용 JavaScript 사용량이 줄어들어 결과적으로 웹 성능이 향상되는 이점이 있습니다 [2].
+> Baseline Project는 [[Chrome]], Edge, Firefox, Safari 등 주요 웹 브라우저에서 최소 30개월 이상 지속적으로 지원된 '널리 사용 가능한 브라우저 API(widely available [[Browser]] APIs)'를 정의하는 프로젝트입니다 [1]. 이 프로젝트는 특정 웹 플랫폼 기능이 언제부터 모든 주요 브라우저에서 안전하게 사용될 수 있는지에 대한 타임라인을 제공하여 개발자들을 돕습니다 [1]. 브라우저의 네이티브 지원이 확대되어 베이스라인 기능이 늘어나면, 대체용 [[JavaScript]] 사용량이 줄어들어 결과적으로 웹 성능이 향상되는 이점이 있습니다 [2].
## 📖 구조화된 지식 (Synthesized Content)
- **정의 및 기준:** Baseline Project는 Chrome, Edge, Firefox, Safari 브라우저 모두에서 최소 30개월 동안 지원된 브라우저 API 기능들을 묶어 '널리 사용 가능한(widely available)' 기능으로 정의합니다 [1].
- **성능 측정과 타임라인:** 지원되는 API 중 일부는 비교적 최근에 추가된 것일 수 있으며, Rick Viscomi가 만든 웹사이트를 통해 다양한 기능들이 언제 베이스라인으로 편입되었거나 될 예정인지 보여주는 타임라인을 확인할 수 있습니다 [1]. 예를 들어, Safari가 2023년에 '리소스 크기 측정(Measuring resources size)'과 '서버 타이밍 수집(Collecting server timings)' 기능 지원을 개선함에 따라, 해당 기능들은 2025년 9월을 기점으로 베이스라인이 되었습니다 [1, 2].
- **주요 편입 기능 및 향후 예정:**
- - 컨테이너 쿼리(container queries), CompressionStream API, MathML 렌더링 기능은 2025년부터 널리 사용 가능한 베이스라인으로 편입되었습니다 [2].
+ - 컨테이너 쿼리([[Container Queries]]), CompressionStream API, MathML 렌더링 기능은 2025년부터 널리 사용 가능한 베이스라인으로 편입되었습니다 [2].
- 이미지 포맷인 AVIF는 2026년 7월에 널리 사용 가능한 상태가 될 것이며, 리소스 로딩 우선순위를 정하는 `fetchpriority` 속성은 2027년 4월에 베이스라인에 편입될 예정입니다 [3].
- **웹 성능에 미치는 영향:** 새로운 기능들이 네이티브 웹 플랫폼에서 널리 지원되어 베이스라인 수준에 도달하면, 이를 구현하기 위해 필요했던 JavaScript 코드의 양이 줄어들게 되어 결과적으로 더 나은 웹 성능을 제공할 수 있게 됩니다 [2].
diff --git a/10_Wiki/Topics/AI/Batch-Inference.md b/10_Wiki/Topics/AI/Batch-Inference.md
index e432f14a..a86a5db6 100644
--- a/10_Wiki/Topics/AI/Batch-Inference.md
+++ b/10_Wiki/Topics/AI/Batch-Inference.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-BAIN-001
+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]
+tags: [auto-reinforced, batch-inference, ai-[[Optimization]], throughput, cost-[[Efficiency]], data-[[Processing]]]
last_reinforced: 2026-04-20
---
@@ -28,6 +28,6 @@ last_reinforced: 2026-04-20
- **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]]
+- [[Optimization]], [[Technical-Architecture]], [[Availability-and-Persistence]], [[Workflow-Inte[[Grit]]y]], [[Scalability]]
- **Modern Tech/Tools**: Apache Airflow, NVIDIA Triton Inference Server, Ray.
---
diff --git a/10_Wiki/Topics/AI/Bayes-Theorem.md b/10_Wiki/Topics/AI/Bayes-Theorem.md
index 7e974ac5..911feace 100644
--- a/10_Wiki/Topics/AI/Bayes-Theorem.md
+++ b/10_Wiki/Topics/AI/Bayes-Theorem.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-BATH-001
+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]
+tags: [auto-reinforced, bayes-theorem, probability, [[Statistics]], rational-decision-making, [[Logic]]]
last_reinforced: 2026-04-20
---
diff --git a/10_Wiki/Topics/AI/Bayesian Inference.md b/10_Wiki/Topics/AI/Bayesian Inference.md
index dffcc7b6..0d0a0518 100644
--- a/10_Wiki/Topics/AI/Bayesian Inference.md
+++ b/10_Wiki/Topics/AI/Bayesian Inference.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AI-BAYESIAN
+id: [[P-Reinforce]]-AI-BAYESIAN
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.98
tags: [Bayesian Inference, Probability, Stats, AI]
diff --git a/10_Wiki/Topics/AI/Bayesian Statistics.md b/10_Wiki/Topics/AI/Bayesian Statistics.md
index 64d2c1f1..60d7ce32 100644
--- a/10_Wiki/Topics/AI/Bayesian Statistics.md
+++ b/10_Wiki/Topics/AI/Bayesian Statistics.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-BAST-001
+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]
+tags: [auto-reinforced, bayesian-[[Statistics]], inference, data-[[Analysis]], uncertainty, modeling]
last_reinforced: 2026-04-20
---
@@ -12,7 +12,7 @@ last_reinforced: 2026-04-20
> "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.
+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.
@@ -27,5 +27,5 @@ last_reinforced: 2026-04-20
## 🔗 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.
+- **Modern Tech/Tools**: Stan, PyMC3, Bayesian [[Optimization]] for hyperparameter tuning.
---
diff --git a/10_Wiki/Topics/AI/Bayesian-Brain-Hypothesis.md b/10_Wiki/Topics/AI/Bayesian-Brain-Hypothesis.md
index 1e6aaad4..1a37b1e8 100644
--- a/10_Wiki/Topics/AI/Bayesian-Brain-Hypothesis.md
+++ b/10_Wiki/Topics/AI/Bayesian-Brain-Hypothesis.md
@@ -2,7 +2,7 @@
id: BAYES-BRAIN-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [neuroscience, cognitive-science, bayesian, predictive-coding, ai-theory]
+tags: [neuroscience, cognitive-science, bayesian, [[Predictive-Coding]], ai-theory]
last_reinforced: 2026-04-26
---
diff --git a/10_Wiki/Topics/AI/Bayesian-Updating.md b/10_Wiki/Topics/AI/Bayesian-Updating.md
index 02499675..2f88665f 100644
--- a/10_Wiki/Topics/AI/Bayesian-Updating.md
+++ b/10_Wiki/Topics/AI/Bayesian-Updating.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-BAUP-001
+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]
+tags: [auto-reinforced, bayesian-updating, learning-mechanisms, adaptive-systems, [[Feedback-Loops]]]
last_reinforced: 2026-04-20
---
@@ -20,8 +20,8 @@ last_reinforced: 2026-04-20
* **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).
+ * **[[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).
diff --git a/10_Wiki/Topics/AI/Be-Detailed.md b/10_Wiki/Topics/AI/Be-Detailed.md
index 169f884c..b93c71a7 100644
--- a/10_Wiki/Topics/AI/Be-Detailed.md
+++ b/10_Wiki/Topics/AI/Be-Detailed.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AUTO-BEDE-001
+id: [[P-Reinforce]]-AUTO-BEDE-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.94
tags: [auto-reinforced, clarity, precision, communication, documentation, detailing]
@@ -17,7 +17,7 @@ last_reinforced: 2026-04-20
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).
+ * **Edge Case consideration**: 보편적인 상황뿐만 아니라 발생 가능한 예외 상황까지 미리 상세히 기술함 ([[Anomaly-Detection]]과 연결).
2. **왜 중요한가?**:
* 특히 AI 프롬프트 엔지니어링이나 지시 이행(Instruction following) 과정에서, 지시가 디테일할수록 모델의 환각(Hallucination)이 급격히 줄어듦.
@@ -26,6 +26,6 @@ last_reinforced: 2026-04-20
- **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.
+- [[Articulateness]], [[Analysis]], [[Workflow-Inte[[Grit]]y]], [[Standardization vs Innovation]], [[Ps-Reinforce]]
+- **Modern Tech/Tools**: [[prompt]] engineering best practices, RFC (Request for Comments) process.
---
diff --git a/10_Wiki/Topics/AI/Beckett.md b/10_Wiki/Topics/AI/Beckett.md
index c4d76702..98c34635 100644
--- a/10_Wiki/Topics/AI/Beckett.md
+++ b/10_Wiki/Topics/AI/Beckett.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-BECK-001
+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]
+tags: [auto-reinforced, beckett, absurdity, minimalism, modernism, [[Philosophy]]-of-language]
last_reinforced: 2026-04-20
---
@@ -23,7 +23,7 @@ last_reinforced: 2026-04-20
## ⚠️ 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).
+- **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 Narrative]]와 연결).
## 🔗 지식 연결 (Graph)
- [[AI and Narrative]], [[Authenticity]], Modernism, [[Aesthetic-Value]], [[Anxiety]]
diff --git a/10_Wiki/Topics/AI/Behavior.md b/10_Wiki/Topics/AI/Behavior.md
index e91c5d67..143e595f 100644
--- a/10_Wiki/Topics/AI/Behavior.md
+++ b/10_Wiki/Topics/AI/Behavior.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-BEHA-001
+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]
+tags: [auto-reinforced, behavior, [[Psychology]], stimulus-response, observed-action, intelligence]
last_reinforced: 2026-04-20
---
@@ -21,7 +21,7 @@ last_reinforced: 2026-04-20
* **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.
+ * 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).
@@ -29,5 +29,5 @@ last_reinforced: 2026-04-20
## 🔗 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.
+- **Modern Tech/Tools**: Behavioral tracking analytics, User journey mapping, A/B [[Testing]].
---
diff --git a/10_Wiki/Topics/AI/Behavioral Finance.md b/10_Wiki/Topics/AI/Behavioral Finance.md
index 4be0e5c7..f904aa42 100644
--- a/10_Wiki/Topics/AI/Behavioral Finance.md
+++ b/10_Wiki/Topics/AI/Behavioral Finance.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AI-FINANCE
+id: [[P-Reinforce]]-AI-FINANCE
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.98
-tags: [Behavioral Finance, Psychology, Market, Investment]
+tags: [[[Behavior]]al Finance, [[Psychology]], Market, Investment]
last_reinforced: 2026-04-20
---
diff --git a/10_Wiki/Topics/AI/Behavioral-Economics.md b/10_Wiki/Topics/AI/Behavioral-Economics.md
index b93fcde3..f64a974a 100644
--- a/10_Wiki/Topics/AI/Behavioral-Economics.md
+++ b/10_Wiki/Topics/AI/Behavioral-Economics.md
@@ -2,17 +2,17 @@
id: BEH-ECON-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [economics, psychology, decision-making, behavioral-science, nudge]
+tags: [economics, [[Psychology]], decision-making, [[Behavior]]al-science, nudge]
last_reinforced: 2026-04-26
---
-# Behavioral Economics (행동 경제학)
+# [[Behavioral Economics]] (행동 경제학)
## 📌 한 줄 통찰 (The Karpathy Summary)
> "인간은 합리적이지 않지만, 그 비합리성에는 일관된 패턴이 있다" — 심리학적 통찰을 경제학에 결합하여 인간이 실제로 어떻게 판단하고 선택하는지, 그리고 왜 종종 자신의 이익에 반하는 결정을 내리는지 탐구하는 학문.
## 📖 구조화된 지식 (Synthesized Content)
-- **추출된 패턴:** 인지적 한계와 감정적 요인으로 인해 발생하는 체계적인 판단 오류(Biases)를 식별하고, 이를 바탕으로 선택 설계(Choice Architecture)를 최적화하는 분석 패턴.
+- **추출된 패턴:** 인지적 한계와 감정적 요인으로 인해 발생하는 체계적인 판단 오류(Biases)를 식별하고, 이를 바탕으로 선택 설계(Choice [[Architecture]])를 최적화하는 분석 패턴.
- **주요 개념:**
- **Prospect Theory:** 이득보다 손실에 더 민감하게 반응하는 '손실 회피(Loss Aversion)' 성향 설명 (카너먼 & 트버스키).
- **Anchoring:** 처음 제시된 정보(닻)에 얽매여 이후의 판단이 왜곡되는 현상.
@@ -22,7 +22,7 @@ last_reinforced: 2026-04-26
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌:** 수학적 수식으로 완벽히 설명 가능하다고 믿었던 고전 경제학의 한계를 극복하고, 인간의 불완전성을 시스템 설계의 핵심 변수로 도입.
-- **정책 변화:** Skybound 프로젝트의 BM(Business Model) 설계 시, 플레이어가 심리적 거부감 없이 성취감을 느낄 수 있도록 행동 경제학적 '넛지' 설계를 적용함.
+- **정책 변화:** Skybound 프로젝트의 BM([[business]] Model) 설계 시, 플레이어가 심리적 거부감 없이 성취감을 느낄 수 있도록 행동 경제학적 '넛지' 설계를 적용함.
## 🔗 지식 연결 (Graph)
- [[Game-Theory]], [[Psychology-of-Learning]], Decision-Making, UX-Design
diff --git a/10_Wiki/Topics/AI/Behavioral-Incentives.md b/10_Wiki/Topics/AI/Behavioral-Incentives.md
index a4fdff9c..9dfe8515 100644
--- a/10_Wiki/Topics/AI/Behavioral-Incentives.md
+++ b/10_Wiki/Topics/AI/Behavioral-Incentives.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-BEIN-001
+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]
+tags: [auto-reinforced, [[Behavior]]al-incentives, motivation, economics, nudging,[[ system]]-design]
last_reinforced: 2026-04-20
---
@@ -16,11 +16,11 @@ last_reinforced: 2026-04-20
1. **유형**:
* **Extrinsic Incentives (외적)**: 금전적 보상, 상장, 인센티브 (단기적 효과 탁월).
- * **Intrinsic Incentives (내적)**: 보람, 자아실현, 지적 호기심 (Grit 향상에 장기적 기여).
+ * **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).
+ * **[[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).
diff --git a/10_Wiki/Topics/AI/Belief-Revision.md b/10_Wiki/Topics/AI/Belief-Revision.md
index 9e4170c4..4a8df7a2 100644
--- a/10_Wiki/Topics/AI/Belief-Revision.md
+++ b/10_Wiki/Topics/AI/Belief-Revision.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-BERE-001
+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]
+tags: [auto-reinforced, belief-revision, cognitive-science, [[Logic]], data-consistency, information-[[Processing]]]
last_reinforced: 2026-04-20
---
@@ -19,7 +19,7 @@ last_reinforced: 2026-04-20
* **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)
+ * 전체 신념을 통째로 부정하기보다, 정보들 간의 '인식적 우선순위(Epistemic Entrenchment)'를 따져서 가장 가벼운 것부터 수정함. ([[Bayesian-Updating]]의 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).
@@ -27,5 +27,5 @@ last_reinforced: 2026-04-20
## 🔗 지식 연결 (Graph)
- [[Bayesian-Updating]], Rationality, [[Belief-System]], [[Self-Correction Mechanisms]], [[Scientific-Method]]
-- **Modern Tech/Tools**: Non-monotonic logic engines, Truth maintenance systems (TMS).
+- **Modern Tech/Tools**: Non-monotonic logic engines, Truth maintenance[[ system]]s (TMS).
---
diff --git a/10_Wiki/Topics/AI/Belief-System.md b/10_Wiki/Topics/AI/Belief-System.md
index 269aa53b..fcbcd9f6 100644
--- a/10_Wiki/Topics/AI/Belief-System.md
+++ b/10_Wiki/Topics/AI/Belief-System.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-BESY-001
+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]
+tags: [auto-reinforced, belief-system, worldview, culture, [[Cognitive-Architecture]], orientation]
last_reinforced: 2026-04-20
---
@@ -15,12 +15,12 @@ last_reinforced: 2026-04-20
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.
+ * **Core [[Beliefs]]**: 가장 깊은 곳에 자리 잡은 근본 신념 (수정이 매우 힘듦). ([[Axioms]]와 연결)
+ * **[[Support]]ing 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.
+ * **[[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).
@@ -28,5 +28,5 @@ last_reinforced: 2026-04-20
## 🔗 지식 연결 (Graph)
- [[Beliefs]], [[Belief-Revision]], [[Axiology]], [[Axiomatic-Systems]], [[Sociology of Knowledge]]
-- **Modern Tech/Tools**: Psychometric profiling, Cognitive behavioral therapy frameworks.
+- **Modern Tech/Tools**: Psychometric profiling, Cognitive [[Behavior]]al therapy frameworks.
---
diff --git a/10_Wiki/Topics/AI/Beliefs.md b/10_Wiki/Topics/AI/Beliefs.md
index 3e35f235..edbb8b28 100644
--- a/10_Wiki/Topics/AI/Beliefs.md
+++ b/10_Wiki/Topics/AI/Beliefs.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-BELI-001
+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]
+tags: [auto-reinforced, beliefs, conviction, mental-[[State]], truth-claims, [[Epistemology]]]
last_reinforced: 2026-04-20
---
@@ -17,7 +17,7 @@ last_reinforced: 2026-04-20
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).
+ * **Self-fulfilling Prophecy**: "나는 할 수 있다"는 신념이 실제 성공을 이끄는 행동([[Behavior]])을 유발함 ([[Grit]]과 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.
@@ -28,5 +28,5 @@ last_reinforced: 2026-04-20
## 🔗 지식 연결 (Graph)
- [[Belief-System]], [[Atheism]], [[Axiology]], Truth-Claims, [[Psychology & Behavior]]
-- **Modern Tech/Tools**: Bias detection tools, Fact-checking systems.
+- **Modern Tech/Tools**: Bias detection tools, Fact-checking[[ system]]s.
---
diff --git a/10_Wiki/Topics/AI/Bellman Equation.md b/10_Wiki/Topics/AI/Bellman Equation.md
index c949851f..6162c9e6 100644
--- a/10_Wiki/Topics/AI/Bellman Equation.md
+++ b/10_Wiki/Topics/AI/Bellman Equation.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AI-BELLMAN
+id: [[P-Reinforce]]-AI-BELLMAN
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.99
tags: [Bellman Equation, Reinforcement Learning, Math, Dynamic Programming]
@@ -23,5 +23,5 @@ last_reinforced: 2026-04-20
- 실제 세계(Model-free)에서는 다음 상태의 가치를 정확히 알 수 없다. 그래서 벨만 방정식을 기반으로 경험을 통해 가치를 추측해가는 'Q-Learning'이나 'Deep Q-Networks(DQN)'로 발전해왔다.
## 🔗 지식 연결 (Graph)
-- Related: Reinforcement Learning , Deep-Reinforcement-Learning
+- Related: Reinforcement Learning , Deep-[[Reinforcement-Learning]]
- Foundation: [[Computational Theory & Math/Information Theory]]
diff --git a/10_Wiki/Topics/AI/Bellman-Equation.md b/10_Wiki/Topics/AI/Bellman-Equation.md
index d7316261..11a7886c 100644
--- a/10_Wiki/Topics/AI/Bellman-Equation.md
+++ b/10_Wiki/Topics/AI/Bellman-Equation.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AI-BELLMAN
+id: [[P-Reinforce]]-AI-BELLMAN
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [Bellman Equation, Reinforcement Learning, Dynamic Programming, MDP]
+tags: [[[Bellman Equation]], Reinforcement Learning, Dynamic Programming, MDP]
last_reinforced: 2026-04-20
---
@@ -14,7 +14,7 @@ last_reinforced: 2026-04-20
## 📖 구조화된 지식 (Synthesized Content)
- **Recursive Structure**:
- 복잡한 미래의 합을 현재와 바로 다음 단계의 관계로 쪼갬으로써, 거대한 의사결정 문제를 계산 가능한 단위로 분해한다.
-- **State-Value Function (V)**:
+- **[[State]]-Value Function (V)**:
- 특정 상태에 있는 것이 장기적으로 볼 때 얼마나 좋은지 수치화한다.
- **Action-Value Function (Q)**:
- 특정 상태에서 특정 행동을 하는 것이 얼마나 좋은지 수치화하며, 이는 Q-Learning의 핵심이 된다.
diff --git a/10_Wiki/Topics/AI/Benchmarks.md b/10_Wiki/Topics/AI/Benchmarks.md
index d37a9878..61e97523 100644
--- a/10_Wiki/Topics/AI/Benchmarks.md
+++ b/10_Wiki/Topics/AI/Benchmarks.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-BENC-001
+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]
+tags: [auto-reinforced, benchmarks, evaluation, performance-metrics, standardization, comparative-[[Analysis]]]
last_reinforced: 2026-04-20
---
diff --git a/10_Wiki/Topics/AI/Bert-Language-Model.md b/10_Wiki/Topics/AI/Bert-Language-Model.md
index 48045511..9be2a685 100644
--- a/10_Wiki/Topics/AI/Bert-Language-Model.md
+++ b/10_Wiki/Topics/AI/Bert-Language-Model.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AI-BERT
+id: [[P-Reinforce]]-AI-[[BERT]]
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.99
-tags: [BERT, NLP, Transformer, Language Model, Transfer Learning]
+tags: [BERT, NLP, Transformer, Language Model, [[Transfer Learning]]]
last_reinforced: 2026-04-20
---
@@ -17,7 +17,7 @@ last_reinforced: 2026-04-20
- **Next Sentence Prediction (NSP)**:
- 두 문장이 이어지는 문장인지 판단하는 태스크를 통해 문장 간의 관계와 논리적 흐름을 파악한다.
- **Transfer Learning**:
- - 방대한 텍스트로 미리 학습(Pre-training)된 BERT를 특정 작업(질의응답, 감성 분석 등)에 맞춰 살짝 미세 조정(Fine-tuning)하여 최강의 성능을 낸다.
+ - 방대한 텍스트로 미리 학습(Pre-training)된 BERT를 특정 작업(질의응답, 감성 분석 등)에 맞춰 살짝 미세 조정([[Fine-tuning]])하여 최강의 성능을 낸다.
## ⚠️ 모순 및 업데이트 (RL Update)
- BERT는 '이해'는 뛰어나지만 '생성(Generation)'에는 적합하지 않다. 생성형 AI 시대에는 GPT 같은 디코더(Decoder) 기반 모델이 주류지만, 검색이나 분류 같은 분석 작업에서는 여전히 BERT가 가성비 최고의 왕좌를 지키고 있다.
diff --git a/10_Wiki/Topics/AI/Best SAST Tools in 2026.md b/10_Wiki/Topics/AI/Best SAST Tools in 2026.md
index 09cc8212..bb30f80f 100644
--- a/10_Wiki/Topics/AI/Best SAST Tools in 2026.md
+++ b/10_Wiki/Topics/AI/Best SAST Tools in 2026.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-SEC-TOOLS
+id: [[P-Reinforce]]-SEC-TOOLS
category: "10_Wiki/💡 Topics/Security"
confidence_score: 0.98
-tags: [SAST, Security Tools, 2026, Snyk, SonarQube]
+tags: [[[SAST]], Security Tools, 2026, Snyk, [[SonarQube]]]
last_reinforced: 2026-04-20
---
@@ -22,8 +22,8 @@ last_reinforced: 2026-04-20
- 깃허브 네이티브 환경에서 코드를 쿼리처럼 검색하여 취약점을 찾는 독보적인 기능을 제공한다.
## ⚠️ 모순 및 업데이트 (RL Update)
-- 최고 사양의 도구를 도입하더라도, 조직의 '문화(DevSecOps)'가 뒷받침되지 않으면 무용지물이다. 경고를 무시하지 않고 즉각 대응하는 거버넌스(Governance) 프로세스가 도구의 성능보다 중요하다.
+- 최고 사양의 도구를 도입하더라도, 조직의 '문화([[DevSecOps]])'가 뒷받침되지 않으면 무용지물이다. 경고를 무시하지 않고 즉각 대응하는 거버넌스(Governance) 프로세스가 도구의 성능보다 중요하다.
## 🔗 지식 연결 (Graph)
-- Related: [[SAST (Static Application Security Testing)]] , [[Deployment_Final_Gate]]
+- Related: [[SAST (Static Application Security [[Testing]])]] , [[Deployment_Final_Gate]]
- Context: [[Modern_Environment_Ecosystem]]
diff --git a/10_Wiki/Topics/AI/Best-of-N Sampling ( ø).md b/10_Wiki/Topics/AI/Best-of-N Sampling ( ø).md
index dfafa854..d7fa0fdb 100644
--- a/10_Wiki/Topics/AI/Best-of-N Sampling ( ø).md
+++ b/10_Wiki/Topics/AI/Best-of-N Sampling ( ø).md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AI-BESTN
+id: [[P-Reinforce]]-AI-BESTN
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.98
-tags: [LLM, Sampling, Best-of-N, Search, Generation]
+tags: [LLM, Sampling, Best-of-N, [[Search]], Generation]
last_reinforced: 2026-04-20
---
@@ -20,7 +20,7 @@ last_reinforced: 2026-04-20
- 수학 문제라면 답변들 중 가장 많이 나온 값(Majority Vote)을 택하고, 창의적 답변이라면 RM 스코어가 가장 높은 것을 택한다.
## ⚠️ 모순 및 업데이트 (RL Update)
-- N이 클수록 품질은 올라가지만 비용과 응답 지연 시간(Latency)이 기하급수적으로 늘어난다. 실시간 서비스에서는 N=3~5 수준의 타협점이 요구되며, 최근에는 자가 수정(Self-correction) 능력을 키우는 쪽으로 연구가 이동 중이다.
+- N이 클수록 품질은 올라가지만 비용과 응답 지연 시간(Latency)이 기하급수적으로 늘어난다. 실시간 서비스에서는 N=3~5 수준의 타협점이 요구되며, 최근에는 자가 수정([[Self-Correction]]) 능력을 키우는 쪽으로 연구가 이동 중이다.
## 🔗 지식 연결 (Graph)
- Related: Reinforcement Learning , AI 모델 평가
diff --git a/10_Wiki/Topics/AI/Best-of-N Sampling (최적 샘플링).md b/10_Wiki/Topics/AI/Best-of-N Sampling (최적 샘플링).md
index 44a88577..6eee0bc8 100644
--- a/10_Wiki/Topics/AI/Best-of-N Sampling (최적 샘플링).md
+++ b/10_Wiki/Topics/AI/Best-of-N Sampling (최적 샘플링).md
@@ -2,7 +2,7 @@
id: BON-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [ai-inference, llm, sampling-strategy, post-processing]
+tags: [ai-inference, llm, sampling-[[Strategy]], post-[[Processing]]]
last_reinforced: 2026-04-26
---
@@ -26,4 +26,4 @@ last_reinforced: 2026-04-26
## 🔗 지식 연결 (Graph)
- **Parent:** 10_Wiki/💡 Topics/AI
- **Related:** Chain-of-Thought, Self-Consistency, Reward-Modeling
-- **Raw Source:** 00_Raw/2026-04-20/Best-of-N Sampling.md
+- **Raw Source:** 00_Raw/2026-04-20/[[Best-of-N Sampling]].md
diff --git a/10_Wiki/Topics/AI/Best-of-N Sampling.md b/10_Wiki/Topics/AI/Best-of-N Sampling.md
index 19832539..f7cd49f6 100644
--- a/10_Wiki/Topics/AI/Best-of-N Sampling.md
+++ b/10_Wiki/Topics/AI/Best-of-N Sampling.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AI-BEST-OF-N
+id: [[P-Reinforce]]-AI-BEST-OF-N
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.99
-tags: [Best-of-N, Sampling, Inference, Reward Model, AI Alignment]
+tags: [Best-of-N, Sampling, Inference, Reward Model, AI [[Alignment]]]
last_reinforced: 2026-04-20
---
@@ -23,5 +23,5 @@ last_reinforced: 2026-04-20
- N이 커질수록 품질은 좋아지지만 코스트(비용)와 지연 시간(Latency)이 기하급수적으로 늘어난다. 따라서 서비스의 실시간성 요구도에 따라 N의 적절한 값을 정하는 것이 엔지니어링의 묘미다.
## 🔗 지식 연결 (Graph)
-- Related: [[Prompt-Engineering]] , Reinforcement-Learning-from-Human-Feedback-(RLHF)
+- Related: [[Prompt-Engineering]] , [[Reinforcement-Learning]]-from-Human-Feedback-(RLHF)
- Metric: Reward-Model-Training
diff --git a/10_Wiki/Topics/AI/Best-of-N-Sampling.md b/10_Wiki/Topics/AI/Best-of-N-Sampling.md
index 31d5b4d1..46fe8a33 100644
--- a/10_Wiki/Topics/AI/Best-of-N-Sampling.md
+++ b/10_Wiki/Topics/AI/Best-of-N-Sampling.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-BONS-001
+id: [[P-Reinforce]]-AUTO-BONS-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.94
-tags: [auto-reinforced, best-of-n, sampling-strategy, inference-optimization, llm, reasoning, reranking]
+tags: [auto-reinforced, best-of-n, sampling-[[Strategy]], [[Inference-Optimization]], llm, [[Reasoning]], reranking]
last_reinforced: 2026-04-20
---
@@ -12,17 +12,17 @@ last_reinforced: 2026-04-20
> "지능의 물량 공세: 한 번에 정답을 맞히려 애쓰기보다, N개의 답변을 동시에 생성한 뒤 그중 가장 논리적이고 정확한 '최선의 답변'을 골라내는 방식으로 추론 능력을 비약적으로 끌어올리는 인퍼런스 최적화 전술."
## 📖 구조화된 지식 (Synthesized Content)
-Best-of-N Sampling(최적 샘플링)은 거대 언어 모델(LLM)의 추론 품질을 높이기 위해 사용되는 디코딩 시점의 리랭킹(Reranking) 기법입니다.
+[[Best-of-N Sampling]](최적 샘플링)은 거대 언어 모델(LLM)의 추론 품질을 높이기 위해 사용되는 디코딩 시점의 리랭킹(Reranking) 기법입니다.
1. **메커니즘**:
* **Generation**: 동일한 프롬프트에 대해 Temperature를 조절하여 N개의 독립적인 답변 후보를 생성.
* **Scoring (Reward Model)**: 생성된 N개의 답변을 보상 모델(RM)이나 특정 검증 로직(Verifier)으로 평가.
* **Selection**: 가장 높은 점수를 받은 답변을 최종 출력으로 선택.
2. **왜 중요한가?**:
- * 모델 자체를 추가 학습(Training)시키지 않고도, 추론 시점의 연산 자원(Inference compute)을 추가 투입하여 SOTA 급의 성능을 낼 수 있기 때문임. (Scalability와 연결)
+ * 모델 자체를 추가 학습(Training)시키지 않고도, 추론 시점의 연산 자원(Inference compute)을 추가 투입하여 [[SOTA]] 급의 성능을 낼 수 있기 때문임. ([[Scalability]]와 연결)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
-- **과거 데이터와의 충돌**: 과거에는 무조건 '가장 확률 높은 다음 토큰(Greedy search)'만 찾는 것이 최선이라 여겼으나, 현대 정책은 다양성 정책(Diversity)을 확보한 뒤 사후 검증 정책(Post-verification)을 거치는 것이 훨씬 더 복잡한 추론 문제 정책에 효과적임을 증명함(RL Update).
+- **과거 데이터와의 충돌**: 과거에는 무조건 '가장 확률 높은 다음 토큰(Greedy [[Search]])'만 찾는 것이 최선이라 여겼으나, 현대 정책은 다양성 정책(Diversity)을 확보한 뒤 사후 검증 정책(Post-verification)을 거치는 것이 훨씬 더 복잡한 추론 문제 정책에 효과적임을 증명함(RL Update).
- **정책 변화(RL Update)**: 최근 OpenAI o1 등 추론 전문 모델 정책은 단순히 N개를 뽑는 수준을 넘어, 생각의 체인(CoT) 과정 자체를 검증하고 수정하는 시스템으로 진화 중임. (Tree-of-Thought와 연결)
## 🔗 지식 연결 (Graph)
diff --git a/10_Wiki/Topics/AI/Bias vs Variance.md b/10_Wiki/Topics/AI/Bias vs Variance.md
index 6e2989ca..8ab06bf5 100644
--- a/10_Wiki/Topics/AI/Bias vs Variance.md
+++ b/10_Wiki/Topics/AI/Bias vs Variance.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-BIVA-001
+id: [[P-Reinforce]]-AUTO-BIVA-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.00
-tags: [auto-reinforced, bias-variance, machine-learning-foundations, overfitting, underfitting, model-performance]
+tags: [auto-reinforced, bias-variance, [[Machine-Learning-Foundations]], [[Overfitting]], underfitting, model-performance]
last_reinforced: 2026-04-20
---
@@ -24,7 +24,7 @@ last_reinforced: 2026-04-20
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거에는 모델 매개변수가 많아지면 무조건 Variance가 커진다고 믿었으나(U-shape curve), 현대 거대 모델 정책은 매개변수가 임계치 이상으로 많아지면 오차가 오히려 다시 줄어드는 'Double Descent(이중 하강) 정책'을 발견하여 고전적 통계학 정책의 한계를 확장함(RL Update).
-- **정책 변화(RL Update)**: 보상 함수 설계 정책에서, 모델의 분산을 줄이기 위해 데이터 증강(Augmentation)이나 규제화(Regularization)를 강제하는 '안정성 지향적 학습 정책'이 필수적으로 적용됨.
+- **정책 변화(RL Update)**: 보상 함수 설계 정책에서, 모델의 분산을 줄이기 위해 데이터 증강(Augmentation)이나 규제화([[Regularization]])를 강제하는 '안정성 지향적 학습 정책'이 필수적으로 적용됨.
## 🔗 지식 연결 (Graph)
- [[Standardization vs Innovation]], [[stochastic gradient descent]], Foundational Models, Pattern Recognition, [[Stability vs Flexibility]]
diff --git a/10_Wiki/Topics/AI/Bias-Correction-Algorithm.md b/10_Wiki/Topics/AI/Bias-Correction-Algorithm.md
index 2005fb1e..343ee85c 100644
--- a/10_Wiki/Topics/AI/Bias-Correction-Algorithm.md
+++ b/10_Wiki/Topics/AI/Bias-Correction-Algorithm.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AI-BIAS-CORR
+id: [[P-Reinforce]]-AI-BIAS-CORR
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.98
-tags: [Bias Correction, AI Ethics, Algorithmic Fairness, Statistics]
+tags: [Bias Correction, AI Ethics, [[Algorithmic Fairness]], [[Statistics]]]
last_reinforced: 2026-04-20
---
@@ -12,7 +12,7 @@ last_reinforced: 2026-04-20
> "데이터의 편견은 모델의 차별이 된다." 특정 인구통계학적 특성에 치우친 데이터를 수학적으로 재조정하여, AI가 공정하고 객관적인 판결을 내리도록 강제하는 기술적 윤리 장치다.
## 📖 구조화된 지식 (Synthesized Content)
-- **Pre-processing Techniques**:
+- **Pre-[[Processing]] Techniques**:
- 학습 전 데이터셋에서 편향된 샘플의 가중치를 조절하거나(Reweighing), 정보를 제거하여 모델이 편견을 학습하지 못하게 한다.
- **In-processing Approaches**:
- 손실 함수(Loss function)에 '공정성 제약 조건'을 추가하여, 정확도뿐만 아니라 공정성 점수도 함께 최적화한다.
@@ -24,4 +24,4 @@ last_reinforced: 2026-04-20
## 🔗 지식 연결 (Graph)
- Related: AI-Ethics , [[Bias-Variance-Tradeoff]]
-- Strategy: [[Reliability_Safety_First]]
+- [[Strategy]]: [[Reliability_Safety_First]]
diff --git a/10_Wiki/Topics/AI/Bias-Variance-Tradeoff.md b/10_Wiki/Topics/AI/Bias-Variance-Tradeoff.md
index bc7e62e5..04e94b8b 100644
--- a/10_Wiki/Topics/AI/Bias-Variance-Tradeoff.md
+++ b/10_Wiki/Topics/AI/Bias-Variance-Tradeoff.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AI-BIAS-VAR
+id: [[P-Reinforce]]-AI-BIAS-VAR
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [Bias Variance Tradeoff, Overfitting, Underfitting, Machine Learning]
+tags: [Bias Variance Tradeoff, [[Overfitting]], Underfitting, Machine Learning]
last_reinforced: 2026-04-20
---
@@ -23,5 +23,5 @@ last_reinforced: 2026-04-20
- 최근의 초거대 모델(LLM)들은 'Double Descent' 현상에 의해, 모델을 극한으로 키우면 오히려 분산이 다시 줄어들며 성능이 좋아지는 기이한 현상이 발견되고 있다. 이는 전통적인 트레이드오프 이론을 재정립하게 만들고 있다.
## 🔗 지식 연결 (Graph)
-- Related: [[Regularization-Techniques]] , Model-Optimization-Strategies
+- Related: [[Regularization-Techniques]] , Model-[[Optimization]]-Strategies
- Foundation: [[Computational Theory & Math/Information Theory]]
diff --git a/10_Wiki/Topics/AI/Bible.md b/10_Wiki/Topics/AI/Bible.md
index 6545dd5b..7415d6be 100644
--- a/10_Wiki/Topics/AI/Bible.md
+++ b/10_Wiki/Topics/AI/Bible.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AUTO-BIBL-001
+id: [[P-Reinforce]]-AUTO-BIBL-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.85
tags: [auto-reinforced, bible, narrative, culture, history, values, interpretation]
@@ -15,8 +15,8 @@ last_reinforced: 2026-04-20
성경(Bible)은 유대교와 기독교의 경전이자, 인류사에서 가장 많이 번역되고 읽힌 문학 및 종교 텍스트입니다.
1. **구성 및 테마**:
- * **Old Testament**: 세상의 창조와 율법, 예언. (Axioms적 가치 체계 포함)
- * **New Testament**: 사랑과 구원, 보편적 인류애로의 확장. (Altruism과 연결)
+ * **Old Testament**: 세상의 창조와 율법, 예언. ([[Axioms]]적 가치 체계 포함)
+ * **New Testament**: 사랑과 구원, 보편적 인류애로의 확장. ([[Altruism]]과 연결)
* **Narrative Power**: 천국, 지옥, 원죄, 희생 등 서구 문학의 근본 메타포를 제공.
2. **문화적 의의**:
* 셰익스피어, 베토벤, 미켈란젤로 등 수많은 예술 거장들의 영감 원천.
diff --git a/10_Wiki/Topics/AI/Bibliometrics.md b/10_Wiki/Topics/AI/Bibliometrics.md
index 4d3f5a9c..7185e5eb 100644
--- a/10_Wiki/Topics/AI/Bibliometrics.md
+++ b/10_Wiki/Topics/AI/Bibliometrics.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-BIBM-001
+id: [[P-Reinforce]]-AUTO-BIBM-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.92
-tags: [auto-reinforced, bibliometrics, h-index, research-impact, scientific-metrics, big-data]
+tags: [auto-reinforced, bibliometrics, h-index, [[Research]]-impact, scientific-metrics, [[Big-Data]]]
last_reinforced: 2026-04-20
---
diff --git a/10_Wiki/Topics/AI/Big-Data.md b/10_Wiki/Topics/AI/Big-Data.md
index f7162f36..28e0f197 100644
--- a/10_Wiki/Topics/AI/Big-Data.md
+++ b/10_Wiki/Topics/AI/Big-Data.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AUTO-BIGD-001
+id: [[P-Reinforce]]-AUTO-BIGD-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.97
tags: [auto-reinforced, big-data, data-science, analytics, scalable-systems, infrastructure]
diff --git a/10_Wiki/Topics/AI/Big-Picture.md b/10_Wiki/Topics/AI/Big-Picture.md
index bfe707d8..470b4d17 100644
--- a/10_Wiki/Topics/AI/Big-Picture.md
+++ b/10_Wiki/Topics/AI/Big-Picture.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-BIGP-001
+id: [[P-Reinforce]]-AUTO-BIGP-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.95
-tags: [auto-reinforced, big-picture, holistic-view, strategic-thinking, systems-thinking, context]
+tags: [auto-reinforced, big-picture, holistic-view, [[Strategic-Thinking]], [[Systems-Thinking]], context]
last_reinforced: 2026-04-20
---
@@ -16,16 +16,16 @@ last_reinforced: 2026-04-20
1. **실행 방법**:
* **Zoo-out**: 현재의 구체적 작업에서 한 걸음 물러나 "이 일이 5년 뒤에 어떤 영향을 미치는가?" 혹은 "전체 사업의 어느 단계인가?"를 질문함.
- * **First-Principles Thinking**: 표면적 현상이 아닌 근본 원리로 돌아가 판의 구조를 재정의함.
- * **Systems Thinking**: 개별 부품의 최적화가 아닌, 전체 시스템의 최적 균형점을 찾음.
+ * **First-[[Principles]] Thinking**: 표면적 현상이 아닌 근본 원리로 돌아가 판의 구조를 재정의함.
+ * **[[Systems Thinking]]**: 개별 부품의 최적화가 아닌, 전체 시스템의 최적 균형점을 찾음.
2. **왜 중요한가?**:
- * 리드급 개발자나 PD(Project Director)에게 필수적인 역량으로, 팀원들이 각개전투에 빠지지 않고 정렬(Alignment)되게 만듦.
+ * 리드급 개발자나 PD(Project Director)에게 필수적인 역량으로, 팀원들이 각개전투에 빠지지 않고 정렬([[Alignment]])되게 만듦.
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
-- **과거 데이터와의 충돌**: 과거에는 정교한 '디테일'이 성공의 핵심 정책이었으나(Be-Detailed), 현대의 불확실성이 극심한 정책 환경에서는 방향성 자체가 틀리는 리스크가 더 크므로 '거시적 조망 정책'이 의사결정의 제1원칙 정책이 됨(RL Update).
-- **정책 변화(RL Update)**: 조직 운영 정책에서, 중앙 집권적 통제가 아닌 모든 구성원에게 '큰 그림'을 공유하고 자율적으로 행동하게 만드는 '비전 중심 배양 정책'이 실무 생산성 향상의 핵심 성공 모델이 됨 (Ps-Reinforce의 거버넌스 철학).
+- **과거 데이터와의 충돌**: 과거에는 정교한 '디테일'이 성공의 핵심 정책이었으나([[Be-Detailed]]), 현대의 불확실성이 극심한 정책 환경에서는 방향성 자체가 틀리는 리스크가 더 크므로 '거시적 조망 정책'이 의사결정의 제1원칙 정책이 됨(RL Update).
+- **정책 변화(RL Update)**: 조직 운영 정책에서, 중앙 집권적 통제가 아닌 모든 구성원에게 '큰 그림'을 공유하고 자율적으로 행동하게 만드는 '비전 중심 배양 정책'이 실무 생산성 향상의 핵심 성공 모델이 됨 ([[Ps-Reinforce]]의 거버넌스 철학).
## 🔗 지식 연결 (Graph)
- Foundational Models, [[Alignment]], [[Analysis]], [[Be-Detailed]], [[Systems Thinking]]
-- **Modern Tech/Tools**: Strategy maps, OKR (Objective and Key Results), Mind mapping.
+- **Modern Tech/Tools**: [[Strategy]] maps, OKR (Objective and Key Results), Mind mapping.
---
diff --git a/10_Wiki/Topics/AI/Binary-Author-Identification.md b/10_Wiki/Topics/AI/Binary-Author-Identification.md
index eef07e31..9fdc738d 100644
--- a/10_Wiki/Topics/AI/Binary-Author-Identification.md
+++ b/10_Wiki/Topics/AI/Binary-Author-Identification.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-BAID-001
+id: [[P-Reinforce]]-AUTO-BAID-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.91
-tags: [auto-reinforced, binary-analysis, code-stylometry, security, author-identification, ml-security, de-compilation]
+tags: [auto-reinforced, binary-[[Analysis]], code-stylometry, security, author-identification, ml-security, de-compilation]
last_reinforced: 2026-04-20
---
@@ -17,15 +17,15 @@ last_reinforced: 2026-04-20
1. **핵심 기법**:
* **Feature Extraction**: 제어 흐름 그래프(CFG), 함수 호출 빈도, 레지스터 사용 패턴 등 바이너리 수준의 특징 추출.
* **Stylometric Analysis**: 가변수 이름이 사라진 상태에서도 남아있는 고유한 '코드 스타일 지문' 분석.
- * **Deep Learning**: 바이너리 시퀀스를 임베딩하여 유사도를 측정하는 신경망 모델 적용. (Representation-Learning와 연결)
+ * **Deep Learning**: 바이너리 시퀀스를 임베딩하여 유사도를 측정하는 신경망 모델 적용. ([[Representation-Learning]]와 연결)
2. **왜 중요한가?**:
- * 악성코드 제작자 추적, 오픈소스 저작권 도용 적발 등 사이버 보안 포렌식 분야에서 결정적인 증거를 제공하기 때문임. (Risk-Management와 연결)
+ * 악성코드 제작자 추적, 오픈소스 저작권 도용 적발 등 사이버 보안 포렌식 분야에서 결정적인 증거를 제공하기 때문임. (Risk-[[Management]]와 연결)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
-- **과거 데이터와의 충돌**: 과거에는 컴파일러 최적화 정책(Optimization)이 스타일을 모두 날려버려 식별이 불가능하다고 믿었으나, 현대 AI 정책은 최적화 후에도 남는 미세한 편향성 정책(Bias)을 잡아내는 데 성공함(RL Update).
+- **과거 데이터와의 충돌**: 과거에는 컴파일러 최적화 정책([[Optimization]])이 스타일을 모두 날려버려 식별이 불가능하다고 믿었으나, 현대 AI 정책은 최적화 후에도 남는 미세한 편향성 정책(Bias)을 잡아내는 데 성공함(RL Update).
- **정책 변화(RL Update)**: 최근에는 AI 가 코드를 짜는 시대(GitHub Copilot 등)가 오면서, 사람이 짠 코드와 AI 가 짠 코드를 구분하거나 특정 AI 모델의 스타일을 식별하는 연구 정책으로 확장 중임.
## 🔗 지식 연결 (Graph)
- [[Risk-Management]], [[Representation-Learning]], Security, [[Source-Control]], [[Feature-Engineering]]
-- **Key Researchers**: Aylin Caliskan, Arvind Narayanan.
+- **Key [[Research]]ers**: Aylin Caliskan, Arvind Narayanan.
---
diff --git a/10_Wiki/Topics/AI/Binary-Search.md b/10_Wiki/Topics/AI/Binary-Search.md
index 7d5f5458..967378c6 100644
--- a/10_Wiki/Topics/AI/Binary-Search.md
+++ b/10_Wiki/Topics/AI/Binary-Search.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-BISE-001
+id: [[P-Reinforce]]-AUTO-BISE-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.00
-tags: [auto-reinforced, binary-search, algorithms, optimization, efficiency, log-time]
+tags: [auto-reinforced, binary-[[Search]], algorithms, [[Optimization]], [[Efficiency]], log-time]
last_reinforced: 2026-04-20
---
diff --git a/10_Wiki/Topics/AI/BioShock (2007).md b/10_Wiki/Topics/AI/BioShock (2007).md
index bf478323..4c1dd1cc 100644
--- a/10_Wiki/Topics/AI/BioShock (2007).md
+++ b/10_Wiki/Topics/AI/BioShock (2007).md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AI-BIOSHOCK
+id: [[P-Reinforce]]-AI-BIOSHOCK
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.98
tags: [BioShock, Game AI, Immersive Sim, Narrative AI]
@@ -12,7 +12,7 @@ last_reinforced: 2026-04-20
> "생태계가 살아있는 것처럼 느껴지게 하라." 바이오쇼크의 AI는 플레이어를 사냥하는 적이 아니라, 자기들만의 규칙(Big Daddy-Little Sister)에 따라 살아가는 '유기적인 배우'들이다.
## 📖 구조화된 지식 (Synthesized Content)
-- **Ecological Interaction (생태계적 상호작용)**:
+- **Eco[[Logic]]al Interaction (생태계적 상호작용)**:
- AI가 플레이어에게만 반응하는 것이 아니라, 세계관 내의 다른 AI들과 특유의 관계(보호-수집)를 맺으며 독자적인 '상태 기계(FSM)'를 돌린다.
- **Environmental Narrative (환경적 서사)**:
- AI의 배치와 일상적인 행동 자체가 랩처(Rapture)라는 몰락한 도시의 비극을 설명하는 장치로 활용된다.
diff --git a/10_Wiki/Topics/AI/BioShock-Critique.md b/10_Wiki/Topics/AI/BioShock-Critique.md
index 9dd4af78..0dfca3a5 100644
--- a/10_Wiki/Topics/AI/BioShock-Critique.md
+++ b/10_Wiki/Topics/AI/BioShock-Critique.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AI-BIOSHOCK-CRIT
+id: [[P-Reinforce]]-AI-BIOSHOCK-CRIT
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.96
tags: [BioShock, Critique, Ludonarrative Dissonance, Game Design]
@@ -13,7 +13,7 @@ last_reinforced: 2026-04-20
## 📖 구조화된 지식 (Synthesized Content)
- **Ludonarrative Dissonance**:
- - 대의(Objectivism 비판)를 말하는 서사와 닥치는 대로 자원을 약탈하고 살인하는 게임 시스템 간의 괴리. 클린트 호킹이 이 지점에서 바이오쇼크를 날카롭게 비판했다.
+ - 대의([[Objectivism]] 비판)를 말하는 서사와 닥치는 대로 자원을 약탈하고 살인하는 게임 시스템 간의 괴리. 클린트 호킹이 이 지점에서 바이오쇼크를 날카롭게 비판했다.
- **False Agency (거짓 주체성)**:
- "Would you kindly?" 반전은 플레이어의 선택이 실제로는 프로그래밍된 선형적 경로였음을 폭로하며, 게임 매체 자체의 본질을 메타적으로 공격한다.
- **Atmospheric Success**:
diff --git a/10_Wiki/Topics/AI/Bioenergetics.md b/10_Wiki/Topics/AI/Bioenergetics.md
index 5c68d868..8134a5ab 100644
--- a/10_Wiki/Topics/AI/Bioenergetics.md
+++ b/10_Wiki/Topics/AI/Bioenergetics.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-SCI-BIOEN
+id: [[P-Reinforce]]-SCI-BIOEN
category: "10_Wiki/💡 Topics/Science"
confidence_score: 0.95
tags: [Bioenergetics, Metabolism, ATP, Thermodynamics]
diff --git a/10_Wiki/Topics/AI/Bioinformatics-Structure-Prediction.md b/10_Wiki/Topics/AI/Bioinformatics-Structure-Prediction.md
index fa2c651a..85c8bfc7 100644
--- a/10_Wiki/Topics/AI/Bioinformatics-Structure-Prediction.md
+++ b/10_Wiki/Topics/AI/Bioinformatics-Structure-Prediction.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-SCI-BIOINFO
+id: [[P-Reinforce]]-SCI-BIOINFO
category: "10_Wiki/💡 Topics/Science"
confidence_score: 0.98
tags: [Bioinformatics, AlphaFold, DNA Sequencing, Protein Structure]
@@ -23,5 +23,5 @@ last_reinforced: 2026-04-20
- 정적인 구조 예측을 넘어, 이제는 단백질이 시간에 따라 어떻게 움직이는지(Dynamics)를 예측하는 것이 다음 과제다. 이는 항암제와 같은 정밀 의료의 핵심이 된다.
## 🔗 지식 연결 (Graph)
-- Related: [[Digital Twins]] , Deep-Learning-Basics
+- Related: [[Digital Twins]] , [[Deep-Learning]]-Basics
- Foundation: [[Information Theory]]
diff --git a/10_Wiki/Topics/AI/Biological-Inspired-Algorithms.md b/10_Wiki/Topics/AI/Biological-Inspired-Algorithms.md
index 9a84af0b..ae2cd137 100644
--- a/10_Wiki/Topics/AI/Biological-Inspired-Algorithms.md
+++ b/10_Wiki/Topics/AI/Biological-Inspired-Algorithms.md
@@ -1,12 +1,12 @@
---
-id: P-REINFORCE-AI-BIO-INSPIRED
+id: [[P-Reinforce]]-AI-BIO-INSPIRED
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.99
-tags: [Bio-Inspired Algorithms, Genetic Algorithms, Ant Colony Optimization, Evolution]
+tags: [Bio-Inspired Algorithms, Genetic Algorithms, Ant Colony [[Optimization]], Evolution]
last_reinforced: 2026-04-20
---
-# [[Biological-Inspired-Algorithms]] (생물 유래 알고리즘)
+# [[Bio[[Logic]]al-Inspired-Algorithms]] (생물 유래 알고리즘)
## 📌 한 줄 통찰 (The Karpathy Summary)
> "자연은 수억 년 동안 검증된 최적화 라이브러리다." 진화, 군집 행동, 면역 체계 등 생물계의 생존 전략을 수학적으로 모델링하여 복잡한 공학적 난제를 해결하는 최적화 기법이다.
@@ -14,7 +14,7 @@ last_reinforced: 2026-04-20
## 📖 구조화된 지식 (Synthesized Content)
- **Genetic Algorithms (GA)**:
- 선택, 교차(Crossover), 변이(Mutation) 과정을 반복하며 가장 '적합한' 해를 찾아가는 다윈의 진화론 기반 알고리즘.
-- **Swarm Intelligence (ACO/PSO)**:
+- **[[Swarm Intelligence]] (ACO/PSO)**:
- 개별 개체(개미, 새)는 단순하지만, 그들의 상호작용이 거대한 지능(최단 경로 찾기 등)을 만들어내는 현상을 이용한 최적화.
- **Neural Networks**:
- 뇌의 뉴런 연결 구조를 모방한 인공 신경망 역시 가장 거대한 생물 유래 알고리즘의 범주에 속한다.
@@ -24,4 +24,4 @@ last_reinforced: 2026-04-20
## 🔗 지식 연결 (Graph)
- Related: [[Reinforcement-Learning]] , [[Algorithmic-Biology]]
-- Strategy: Innovation-Management
+- [[Strategy]]: [[Innovation]]-[[Management]]
diff --git a/10_Wiki/Topics/AI/Biological-Intelligence.md b/10_Wiki/Topics/AI/Biological-Intelligence.md
index decd5613..4338269d 100644
--- a/10_Wiki/Topics/AI/Biological-Intelligence.md
+++ b/10_Wiki/Topics/AI/Biological-Intelligence.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-BIIN-001
+id: [[P-Reinforce]]-AUTO-BIIN-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.94
-tags: [auto-reinforced, biological-intelligence, cognition, neuroscience, evolution, bio-inspired-ai]
+tags: [auto-reinforced, bio[[Logic]]al-intelligence, cognition, neuroscience, evolution, bio-inspired-ai]
last_reinforced: 2026-04-20
---
@@ -15,9 +15,9 @@ last_reinforced: 2026-04-20
생물학적 지능(Biological-Intelligence)은 유기체가 환경에 적응하고 문제를 해결하며 학습하는 선천적 및 후천적 인지 능력을 의미합니다.
1. **AI와의 차별적 특징**:
- * **Energy Efficiency**: 인간의 뇌는 단 20W 내외의 전력으로 거대 모델 이상의 복합 추론 수행.
+ * **Energy [[Efficiency]]**: 인간의 뇌는 단 20W 내외의 전력으로 거대 모델 이상의 복합 추론 수행.
* **Few-shot Learning**: 아이가 '사과' 한두 번만 보면 평생 기억하듯, 극소량의 데이터로 강력한 일반화 가능.
- * **Embodied Intelligence**: 신체라는 물리적 인터페이스를 통해 실제 세상과 피드백을 주고받으며 지능 형성 (Affordance와 연결).
+ * **Embodied Intelligence**: 신체라는 물리적 인터페이스를 통해 실제 세상과 피드백을 주고받으며 지능 형성 ([[Affordance]]와 연결).
2. **영향력**:
* 현대 뉴럴 네트워크(Neural Networks)의 구조는 뇌의 뉴런 연결을 모방한 것이며, 강화 학습(RL)은 도파민 보상 체계에서 아이디어를 얻음.
@@ -27,5 +27,5 @@ last_reinforced: 2026-04-20
## 🔗 지식 연결 (Graph)
- [[Artificial Intelligence (AI)]], Cognitive-Science, Neuroscience, [[Affordance]], [[Evolutionary-Computation]]
-- **Modern Tech/Tools**: Neuromorphic chips, BCI (Neuralink), Cognitive psychology models.
+- **Modern Tech/Tools**: Neuromorphic chips, BCI (Neuralink), [[Cognitive Psychology]] models.
---
diff --git a/10_Wiki/Topics/AI/Biomechanics-of-Injury.md b/10_Wiki/Topics/AI/Biomechanics-of-Injury.md
index 4c783eca..a5c9c787 100644
--- a/10_Wiki/Topics/AI/Biomechanics-of-Injury.md
+++ b/10_Wiki/Topics/AI/Biomechanics-of-Injury.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-SCI-BIOMECH
+id: [[P-Reinforce]]-SCI-BIOMECH
category: "10_Wiki/💡 Topics/Science"
confidence_score: 0.96
-tags: [Biomechanics, Injury, Physics, Safety Engineering]
+tags: [Biomechanics, Injury, [[Physics]], Safety Engineering]
last_reinforced: 2026-04-20
---
diff --git a/10_Wiki/Topics/AI/Biometrics.md b/10_Wiki/Topics/AI/Biometrics.md
index b4f6e1e6..fc1d5cb0 100644
--- a/10_Wiki/Topics/AI/Biometrics.md
+++ b/10_Wiki/Topics/AI/Biometrics.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-SCI-BIOMETRIC
+id: [[P-Reinforce]]-SCI-BIOMETRIC
category: "10_Wiki/💡 Topics/Science"
confidence_score: 0.97
tags: [Biometrics, Security, Authentication, Pattern Recognition]
@@ -12,7 +12,7 @@ last_reinforced: 2026-04-20
> 비밀번호는 '내가 아는 것(What you know)'이지만, 생체 인식은 '나 자신(What you are)'을 증명하는 것이며 가장 보안이 강력하지만 복구 불가능한 인증 수단이다.
## 📖 구조화된 지식 (Synthesized Content)
-- **Physiological vs Behavioral**:
+- **Physio[[Logic]]al vs [[Behavior]]al**:
- **생리학적 특성**: 지문, 안면, 홍채, 정맥 패턴 등 고정된 신체적 특징.
- **행동적 특성**: 걸음걸이(Gait), 타이핑 리듬, 음성 등 개인이 가진 고유한 행동 패턴.
- **FAR vs FRR (보안의 저울질)**:
diff --git a/10_Wiki/Topics/AI/Black-Box-Optimization.md b/10_Wiki/Topics/AI/Black-Box-Optimization.md
index 8ee9d97c..a1713bf9 100644
--- a/10_Wiki/Topics/AI/Black-Box-Optimization.md
+++ b/10_Wiki/Topics/AI/Black-Box-Optimization.md
@@ -2,7 +2,7 @@
id: BBO-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [optimization, algorithm, machine-learning, black-box, heuristics]
+tags: [[[Optimization]], algorithm, machine-learning, black-box, [[Heuristics]]]
last_reinforced: 2026-04-26
---
@@ -17,7 +17,7 @@ last_reinforced: 2026-04-26
- **Bayesian Optimization:** 가우시안 프로세스 등을 통해 목적 함수의 모양을 추정하고, 다음 샘플링 지점을 결정 (가장 널리 쓰임).
- **Genetic Algorithms:** 자연 선택의 원리를 이용하여 해를 진화시킴.
- **Simulated Annealing:** 확률적 탐색을 통해 지역 최적해 탈출.
- - **Random Search / Grid Search:** 가장 단순한 형태의 탐색.
+ - **Random [[Search]] / Grid Search:** 가장 단순한 형태의 탐색.
- **응용 분야:** 하이퍼파라미터 튜닝(AutoML), 신약 설계, 로봇 제어 정책 최적화 등.
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
@@ -25,5 +25,5 @@ last_reinforced: 2026-04-26
- **정책 변화:** Antigravity 프로젝트의 에이전트 모델 하이퍼파라미터 최적화 시, 베이지안 최적화 기반의 블랙박스 기법을 사용하여 적은 시행횟수로 최적의 설정을 찾음.
## 🔗 지식 연결 (Graph)
-- Bayesian-Inference, [[Evolutionary-Computation]], [[Simulated-Annealing]], [[Hyperparameter-Optimization]]
+- Bayesian-Inference, [[Evolutionary-Computation]], [[Simulated-Annealing]], [[Hyper[[Parameter]]-Optimization]]
- **Raw Source:** 10_Wiki/Topics/AI/Black-Box-Optimization.md
diff --git a/10_Wiki/Topics/AI/Black-Hole.md b/10_Wiki/Topics/AI/Black-Hole.md
index c68fc4cd..8fb4e3a0 100644
--- a/10_Wiki/Topics/AI/Black-Hole.md
+++ b/10_Wiki/Topics/AI/Black-Hole.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-BLHO-001
+id: [[P-Reinforce]]-AUTO-BLHO-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.88
-tags: [auto-reinforced, black-hole, astrophysics, singularity, gravity, space-time]
+tags: [auto-reinforced, black-hole, astro[[Physics]], singularity, gravity, space-time]
last_reinforced: 2026-04-20
---
@@ -26,6 +26,6 @@ last_reinforced: 2026-04-20
- **정책 변화(RL Update)**: 블랙홀의 실제 관측 데이터(Event Horizon Telescope)가 확보됨에 따라, 가설로만 존재하던 영역이 실질적인 '데이터 분석의 영역 정책'으로 들어왔으며, 이를 분석하기 위해 거대 AI 알고리즘이 필수적으로 사용됨.
## 🔗 지식 연결 (Graph)
-- [[Artificial Intelligence (AI)]], [[Scientific-Method]], [[Analysis]], [[Information-Theory]], Philosophy of Science
+- [[Artificial Intelligence (AI)]], [[Scientific-Method]], [[Analysis]], [[Information-Theory]], [[Philosophy]] of Science
- **Modern Tech/Tools**: Gravitational wave detectors (LIGO), Event Horizon Telescope imagery AI.
---
diff --git a/10_Wiki/Topics/AI/Black-Swan.md b/10_Wiki/Topics/AI/Black-Swan.md
index 0ca392e7..0ba70f35 100644
--- a/10_Wiki/Topics/AI/Black-Swan.md
+++ b/10_Wiki/Topics/AI/Black-Swan.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-BLSW-001
+id: [[P-Reinforce]]-AUTO-BLSW-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.95
-tags: [auto-reinforced, black-swan, risk-management, uncertainty, statistics, economics]
+tags: [auto-reinforced, black-swan, risk-[[Management]], uncertainty, [[Statistics]], economics]
last_reinforced: 2026-04-20
---
@@ -19,7 +19,7 @@ last_reinforced: 2026-04-20
* **Extreme Impact**: 전체 시스템을 붕괴시키거나 역사를 바꿀 만큼 영향력이 거대함.
* **Retrospective Predictability**: 발생 후에는 인간이 온갖 이유를 붙여 마치 예견된 일이었던 것처럼 착각하게 만듦 (Hindsight Bias).
2. **대응 전략**:
- * **Antifragility**: 충격을 단순히 견디는 데 그치지 않고, 그 혼란을 성장의 발판으로 삼는 시스템 구축. (Antifragility와 연결)
+ * **[[Antifragility]]**: 충격을 단순히 견디는 데 그치지 않고, 그 혼란을 성장의 발판으로 삼는 시스템 구축. (Anti[[Fragility]]와 연결)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거의 리스크 관리 정책은 '벨 커브(정규 분포)'의 중심부 근처만 대비하는 정책이었으나, 현대 정책은 꼬리 부분의 극단값(Fat-tail)에 의한 붕괴 정책을 방어하는 것이 더 핵심임을 인정함(RL Update).
@@ -27,5 +27,5 @@ last_reinforced: 2026-04-20
## 🔗 지식 연결 (Graph)
- [[Antifragility]], [[Robustness]], Probability, [[Bayesian Statistics]], [[Safety & Reliability]]
-- **Modern Tech/Tools**: Stress testing models, Scenario planning, Chaos engineering.
+- **Modern Tech/Tools**: Stress [[Testing]] models, Scenario planning, Chaos engineering.
---
diff --git a/10_Wiki/Topics/AI/Blockchain.md b/10_Wiki/Topics/AI/Blockchain.md
index 831985b9..dde37e5d 100644
--- a/10_Wiki/Topics/AI/Blockchain.md
+++ b/10_Wiki/Topics/AI/Blockchain.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AUTO-BLOC-001
+id: [[P-Reinforce]]-AUTO-BLOC-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.96
tags: [auto-reinforced, blockchain, decentralization, cryptography, trust, distributed-ledger]
@@ -16,7 +16,7 @@ last_reinforced: 2026-04-20
1. **핵심 메커니즘**:
* **Decentralization**: 특정 서버가 아닌 참여자 모두가 데이터를 가짐.
- * **Immutability (불변성)**: 해시 함수의 연결성을 통해 한 번 기록된 데이터를 고치는 게 사실상 불가능함. (Availability-and-Persistence와 연결)
+ * **Immutability (불변성)**: 해시 함수의 연결성을 통해 한 번 기록된 데이터를 고치는 게 사실상 불가능함. ([[Availability-and-Persistence]]와 연결)
* **Consensus Algorithm**: 무엇이 진짜 장부인지 합의하는 규칙 (PoW, PoS 등).
2. **왜 중요한가?**:
* 은행 같은 중개자 없이도 가치(Value)와 정보(Information)를 직접 주고받을 수 있는 프로토콜 경제를 가능케 함.
@@ -27,5 +27,5 @@ last_reinforced: 2026-04-20
## 🔗 지식 연결 (Graph)
- [[AI & Data Sovereignty]], [[Availability-and-Persistence]], Pattern Recognition, [[Information-Theory]], [[Ethics & AI]]
-- **Modern Tech/Tools**: Ethereum (Smart Contracts), Hyperledger, IPFS (Distributed storage).
+- **Modern Tech/Tools**: Ethereum (Smart Contracts), Hyperledger, IPFS (Distributed [[Storage]]).
---
diff --git a/10_Wiki/Topics/AI/Blocking.md b/10_Wiki/Topics/AI/Blocking.md
index 49c9af6f..3494771a 100644
--- a/10_Wiki/Topics/AI/Blocking.md
+++ b/10_Wiki/Topics/AI/Blocking.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-BLOC-002
+id: [[P-Reinforce]]-AUTO-BLOC-002
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.94
-tags: [auto-reinforced, blocking, synchronous, computation, resource-management, efficiency]
+tags: [auto-reinforced, blocking, synchronous, computation, resource-[[Management]], [[Efficiency]]]
last_reinforced: 2026-04-20
---
@@ -21,7 +21,7 @@ last_reinforced: 2026-04-20
* Non-blocking은 일단 일을 맡기고 바로 제어권을 돌려받아 다른 일을 하다가, 나중에 작업 완료 통보를 받는 방식임.
3. **시스템적 영향**:
* 사용자 인터페이스(UI)에서 블로킹이 발생하면 화면이 멈추는(Freezing) 현상이 일어남.
- * 서버에서 블로킹이 잦으면 동시 접속자 처리가 급격히 느려짐. (Scalability 저하)
+ * 서버에서 블로킹이 잦으면 동시 접속자 처리가 급격히 느려짐. ([[Scalability]] 저하)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거의 순차적 프로그래밍 정책은 블로킹을 당연한 것으로 여겼으나, 현대의 고성능 시스템 정책은 모든 I/O를 비동기/논블로킹(Async/Wait) 정책으로 처리하여 응답성을 극대화함(RL Update).
diff --git a/10_Wiki/Topics/AI/Blog-Post.md b/10_Wiki/Topics/AI/Blog-Post.md
index b9fcc6ff..2513c56b 100644
--- a/10_Wiki/Topics/AI/Blog-Post.md
+++ b/10_Wiki/Topics/AI/Blog-Post.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AUTO-BLPO-001
+id: [[P-Reinforce]]-AUTO-BLPO-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.88
tags: [auto-reinforced, blog-post, content-creation, outreach, digital-marketing, knowledge-sharing]
@@ -17,7 +17,7 @@ last_reinforced: 2026-04-20
1. **성공적인 포스트의 조건**:
* **Value Proposition**: 독자가 이 글을 읽고 무엇을 얻을 수 있는지 명확해야 함.
* **Structure**: 짧은 호흡의 단락, 헤드라인, 핵심 요약(Karpathy Summary 등)을 포함한 읽기 쉬운 구조.
- * **Authenticity**: 단순히 정보를 나열하기보다 필자만의 독특한 관점과 경험을 녹여냄. (Authenticity와 연결)
+ * **[[Authenticity]]**: 단순히 정보를 나열하기보다 필자만의 독특한 관점과 경험을 녹여냄. (Authenticity와 연결)
2. **지식 관리에서의 역할**:
* 파편화된 지식(Atomic notes)들을 엮어 하나의 완성된 서사로 발전시키는 '지식의 결정체' 단계.
diff --git a/10_Wiki/Topics/AI/Bloom-Filters in Search.md b/10_Wiki/Topics/AI/Bloom-Filters in Search.md
index 6a1a9518..4f4885f3 100644
--- a/10_Wiki/Topics/AI/Bloom-Filters in Search.md
+++ b/10_Wiki/Topics/AI/Bloom-Filters in Search.md
@@ -2,7 +2,7 @@
id: BLOOM-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [computer-science, data-structure, search, algorithm, efficiency]
+tags: [computer-science, data-structure, [[Search]], algorithm, [[Efficiency]]]
last_reinforced: 2026-04-26
---
@@ -24,5 +24,5 @@ last_reinforced: 2026-04-26
- **정책 변화:** Antigravity 프로젝트의 대규모 위키 문서 검색 시, 모든 문서를 임베딩 비교하기 전 블룸 필터를 통해 관련 키워드가 전혀 없는 문서를 1차적으로 배제함.
## 🔗 지식 연결 (Graph)
-- [[Algorithm-Complexity-Big-O]], System-Design-for-AI-Scale, Vector-Database-Selection, [[Parallel-Computing]]
-- **Raw Source:** 10_Wiki/Topics/AI/Bloom-Filters in Search.md
+- [[Algorithm-Complexity-Big-O]],[[ system]]-Design-for-AI-Scale, Vector-Database-Selection, [[Parallel-Computing]]
+- **Raw Source:** 10_Wiki/Topics/AI/[[Bloom-Filters]] in Search.md
diff --git a/10_Wiki/Topics/AI/Bloom-Filters.md b/10_Wiki/Topics/AI/Bloom-Filters.md
index 892f3cea..9e402bd4 100644
--- a/10_Wiki/Topics/AI/Bloom-Filters.md
+++ b/10_Wiki/Topics/AI/Bloom-Filters.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AI-BLOOM-FILTER
+id: [[P-Reinforce]]-AI-BLOOM-FILTER
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [Bloom Filters, Probabilistic Data Structure, Search Optimization, Hashing]
+tags: [Bloom Filters, Probabilistic Data Structure, [[Search]] [[Optimization]], Hashing]
last_reinforced: 2026-04-20
---
@@ -14,7 +14,7 @@ last_reinforced: 2026-04-20
## 📖 구조化된 지식 (Synthesized Content)
- **Probabilistic Membership**:
- "원소가 집합에 있는가?"에 대해 "없음"(100% 확실) 또는 "있을지도 모름"(False Positive 발생 가능)으로 답한다.
-- **Space Efficiency**:
+- **Space [[Efficiency]]**:
- 실제 원소를 저장하지 않고 해시 함수와 비트 배열(Bit Array)만 사용하므로, 메모리 사용량을 획기적으로 줄인다.
- **Use Cases**:
- 데이터베이스의 불필요한 디스크 읽기 방지, 악성 URL 차단 목록 확인, 대규모 네트워크 라우팅 등에서 전방 필터로 활약한다.
@@ -23,5 +23,5 @@ last_reinforced: 2026-04-20
- 블룸 필터의 성능 관건은 False Positive 확률을 낮추는 것이다. 비트 배열의 크기와 해시 함수의 개수를 데이터 양에 맞게 정밀하게 계산하는 수학적 튜닝이 필수적이다.
## 🔗 지식 연결 (Graph)
-- Related: Hash-Functions , Big-Data-Processing
+- Related: Hash-Functions , [[Big-Data]]-[[Processing]]
- Foundation: [[Computational Theory & Math/Information Theory]]
diff --git a/10_Wiki/Topics/AI/Boltzmann-Machines.md b/10_Wiki/Topics/AI/Boltzmann-Machines.md
index 18643621..53b54845 100644
--- a/10_Wiki/Topics/AI/Boltzmann-Machines.md
+++ b/10_Wiki/Topics/AI/Boltzmann-Machines.md
@@ -2,7 +2,7 @@
id: BOLTZMANN-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [ai, deep-learning, neural-networks, energy-based-model, statistical-mechanics]
+tags: [ai, [[Deep-Learning]], neural-networks, energy-based-model, statistical-mechanics]
last_reinforced: 2026-04-26
---
@@ -23,5 +23,5 @@ last_reinforced: 2026-04-26
- **정책 변화:** Antigravity 프로젝트는 비지도 학습 기반의 특징 추출 알고리즘 연구 시, 볼츠만 머신의 에너지 기반 모델링 철학을 참고하여 데이터 정합성을 검증함.
## 🔗 지식 연결 (Graph)
-- Unsupervised-Learning-Foundations, Energy-Based-Models, [[Deep-Learning]], Statistical-Mechanics
+- Un[[Supervised-Learning-Foundations]], Energy-Based-Models, [[Deep-Learning]], Statistical-Mechanics
- **Raw Source:** 10_Wiki/Topics/AI/Boltzmann-Machines.md
diff --git a/10_Wiki/Topics/AI/Boosting-Algorithms-XGBoost-LightGBM.md b/10_Wiki/Topics/AI/Boosting-Algorithms-XGBoost-LightGBM.md
index 8bf77d62..ff30684a 100644
--- a/10_Wiki/Topics/AI/Boosting-Algorithms-XGBoost-LightGBM.md
+++ b/10_Wiki/Topics/AI/Boosting-Algorithms-XGBoost-LightGBM.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AI-BOOSTING
+id: [[P-Reinforce]]-AI-BOOSTING
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
tags: [Boosting, XGBoost, LightGBM, Gradient Boosting, Machine Learning]
@@ -15,12 +15,12 @@ last_reinforced: 2026-04-20
- **Gradient Boosting (GBM)**:
- 잔여 오차(Residual Error)를 새로운 모델의 목표값으로 삼아 경사 하강법으로 오차를 줄여나가는 방식.
- **XGBoost (Extreme Gradient Boosting)**:
- - GBM에 병렬 처리, 규제(Regularization) 기능을 더해 캐글(Kaggle) 등 데이터 경연 대회를 휩쓴 전설적인 라이브러리.
+ - GBM에 병렬 처리, 규제([[Regularization]]) 기능을 더해 캐글(Kaggle) 등 데이터 경연 대회를 휩쓴 전설적인 라이브러리.
- **LightGBM**:
- 대규모 데이터셋에서 속도와 메모리 효율을 극대화한 알고리즘. 리프 중심(Leaf-wise) 분할 방식으로 더 깊고 정밀한 나무를 만든다.
## ⚠️ 모순 및 업데이트 (RL Update)
-- 부스팅 모델은 강력하지만 과적합(Overfitting)에 취약하다. 이를 위해 학습률(Learning rate)을 낮추고, 나무의 깊이를 제한하며, 조기 종료(Early stopping) 전략을 반드시 사용해야 한다.
+- 부스팅 모델은 강력하지만 과적합([[Overfitting]])에 취약하다. 이를 위해 학습률(Learning rate)을 낮추고, 나무의 깊이를 제한하며, 조기 종료(Early stopping) 전략을 반드시 사용해야 한다.
## 🔗 지식 연결 (Graph)
- Related: Decision-Tree , [[Bias-Variance-Tradeoff]]
diff --git a/10_Wiki/Topics/AI/Bottlenecks.md b/10_Wiki/Topics/AI/Bottlenecks.md
index 77f70448..d91c103e 100644
--- a/10_Wiki/Topics/AI/Bottlenecks.md
+++ b/10_Wiki/Topics/AI/Bottlenecks.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-BOTT-001
+id: [[P-Reinforce]]-AUTO-BOTT-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.98
-tags: [auto-reinforced, bottlenecks, optimization, performance, constraint, systems-thinking]
+tags: [auto-reinforced, bottlenecks, [[Optimization]], performance, constraint, [[Systems-Thinking]]]
last_reinforced: 2026-04-20
---
@@ -15,8 +15,8 @@ last_reinforced: 2026-04-20
병목(Bottlenecks) 현상은 시스템의 일부분이 그 능력을 발휘하지 못해 전체 시스템의 흐름을 제한하는 상태를 의미합니다.
1. **주요 유형**:
- * **Hardware Bottleneck**: CPU 연산 속도보다 데이터 읽기(I/O) 속도가 현격히 느린 경우.
- * **Software Bottleneck**: 비효율적인 알고리즘이나 블로킹 코드가 실행 시간을 잡아먹는 경우. (Blocking과 연결)
+ * **[[Hardware]] Bottleneck**: CPU 연산 속도보다 데이터 읽기(I/O) 속도가 현격히 느린 경우.
+ * **Software Bottleneck**: 비효율적인 알고리즘이나 블로킹 코드가 실행 시간을 잡아먹는 경우. ([[Blocking]]과 연결)
* **Human/Process Bottleneck**: 승인 프로세스가 너무 길거나 특정 전문가만 할 수 있는 작업이 밀려 있는 경우.
2. **해결 원칙 (TOC)**:
* 제약 이론(Theory of Constraints)에 따르면, 병목 지점이 아닌 곳을 개선하는 것은 시간 낭비에 불과함. 오직 병목 지점을 확장하거나 보호해야 전체 성과가 올라감.
@@ -27,5 +27,5 @@ last_reinforced: 2026-04-20
## 🔗 지식 연결 (Graph)
- [[Blocking]], [[Optimization]], [[Theory of Constraints (TOC)]], [[Analysis]], [[Scalability]]
-- **Modern Tech/Tools**: Performance profilers, Load testing tools, Network analyzers.
+- **Modern Tech/Tools**: Performance profilers, Load [[Testing]] tools, Network analyzers.
---
diff --git a/10_Wiki/Topics/AI/Bottom-Up-Approach.md b/10_Wiki/Topics/AI/Bottom-Up-Approach.md
index ee81227d..24522c5e 100644
--- a/10_Wiki/Topics/AI/Bottom-Up-Approach.md
+++ b/10_Wiki/Topics/AI/Bottom-Up-Approach.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-BUAP-001
+id: [[P-Reinforce]]-AUTO-BUAP-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.93
-tags: [auto-reinforced, bottom-up-approach, emergence, prototyping, inductive-reasoning, design-strategy]
+tags: [auto-reinforced, bottom-up-approach, [[Emergence]], [[Prototyping]], [[Inductive-Reasoning]], design-[[Strategy]]]
last_reinforced: 2026-04-20
---
@@ -15,7 +15,7 @@ last_reinforced: 2026-04-20
상향식 접근법(Bottom-Up-Approach)은 기초적인 요소들에서 시작하여 점차 상위 수준의 종합적인 시스템으로 나아가는 방식입니다.
1. **특징**:
- * **Emergent Intelligence**: 작고 독립적인 컴포넌트들의 상호작용에서 예상치 못한 복잡한 지능이 발현됨. (Autonomous-Agents와 연결)
+ * **Emergent Intelligence**: 작고 독립적인 컴포넌트들의 상호작용에서 예상치 못한 복잡한 지능이 발현됨. ([[Autonomous-Agents]]와 연결)
* **Early Validation**: 핵심 부품을 먼저 만들어 봄으로써 이론적 가설이 실제 작동하는지 즉시 확인 가능.
* **Flexibility**: 바닥부터 탄탄하게 쌓았으므로 환경 변화에 맞춰 상위 시스템을 유연하게 수정하기 좋음.
2. **적용 사례**:
@@ -24,9 +24,9 @@ last_reinforced: 2026-04-20
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거에는 완벽한 초기 설계(Top-down) 정책이 실패를 막는 유일한 길이라 믿었으나, 현대의 애자일 및 스타트업 정책은 빠른 실패와 학습이 가능한 '상향식 실행 정책'을 압도적으로 선호함(RL Update).
-- **정책 변화(RL Update)**: 지식 관리 정책(예: 이 Wiki)에서, 전체 카테고리부터 완벽히 짜는 대신 개별 지식 카드들을 먼저 풍성하게 주입하고 나중에 이들의 연결(Graph)을 통해 구조를 발견하는 '상향식 지식 생성 정책'이 채택됨 (Ps-Reinforce 핵심 철학).
+- **정책 변화(RL Update)**: 지식 관리 정책(예: 이 Wiki)에서, 전체 카테고리부터 완벽히 짜는 대신 개별 지식 카드들을 먼저 풍성하게 주입하고 나중에 이들의 연결(Graph)을 통해 구조를 발견하는 '상향식 지식 생성 정책'이 채택됨 ([[Ps-Reinforce]] 핵심 철학).
## 🔗 지식 연결 (Graph)
- [[Big-Picture]], [[Analysis]], [[Emergence]], [[Agile-Philosophy]], [[Rapid-Prototyping]]
-- **Modern Tech/Tools**: Component-based UI (React), Microservices, Modular hardware.
+- **Modern Tech/Tools**: Component-based UI (React), Microservices, Modular [[Hardware]].
---
diff --git a/10_Wiki/Topics/AI/Boundaries.md b/10_Wiki/Topics/AI/Boundaries.md
index 762a3413..9f65cdaf 100644
--- a/10_Wiki/Topics/AI/Boundaries.md
+++ b/10_Wiki/Topics/AI/Boundaries.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-BOUN-001
+id: [[P-Reinforce]]-AUTO-BOUN-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.91
-tags: [auto-reinforced, boundaries, self-care, psychology, relationships, ethical-limits]
+tags: [auto-reinforced, boundaries, self-care, [[Psychology]], relationships, ethical-limits]
last_reinforced: 2026-04-20
---
@@ -19,7 +19,7 @@ last_reinforced: 2026-04-20
* **Emotional**: 자신의 감정을 타인의 감정과 분리하고 스스로 책임지는 능력.
* **Intellectual**: 자신의 생각, 가치, 의견을 타인의 조종 없이 유지할 권리.
2. **왜 중요한가?**:
- * 경계가 불분명하면 번아웃(Burnout), 자아 상실, 타인에 대한 원망이 쌓임. 명확한 경계는 오히려 더 깊고 건강한 친밀감을 형성하게 해줌. (Assertiveness와 연결)
+ * 경계가 불분명하면 번아웃([[Burnout]]), 자아 상실, 타인에 대한 원망이 쌓임. 명확한 경계는 오히려 더 깊고 건강한 친밀감을 형성하게 해줌. ([[Assertiveness]]와 연결)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거 집단주의적 사회 정책은 '경계'를 이기주의로 보았으나, 현대의 개별 자유 정책은 명확한 경계 설정 정책이 개인의 존엄과 지속 가능성의 핵심임을 강조함(RL Update).
@@ -27,5 +27,5 @@ last_reinforced: 2026-04-20
## 🔗 지식 연결 (Graph)
- [[Assertiveness]], [[Boundary-Setting]], [[Psychology & Behavior]], [[Authenticity]], Human-Computer Interaction (HCI)
-- **Modern Tech/Tools**: "Do Not Disturb" modes, Privacy settings, Time-blocking apps.
+- **Modern Tech/Tools**: "Do Not Disturb" modes, Privacy settings, Time-[[Blocking]] apps.
---
diff --git a/10_Wiki/Topics/AI/Boundary-Setting.md b/10_Wiki/Topics/AI/Boundary-Setting.md
index e6e0b2ca..2d3f3cf4 100644
--- a/10_Wiki/Topics/AI/Boundary-Setting.md
+++ b/10_Wiki/Topics/AI/Boundary-Setting.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-BOSE-001
+id: [[P-Reinforce]]-AUTO-BOSE-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.92
-tags: [auto-reinforced, boundary-setting, communication, leadership, self-management, assertiveness]
+tags: [auto-reinforced, boundary-setting, communication, [[Leadership]], self-[[Management]], [[Assertiveness]]]
last_reinforced: 2026-04-20
---
@@ -19,7 +19,7 @@ last_reinforced: 2026-04-20
* **Communicate**: 정중하지만 단호하게 자신의 경계를 말로 표현. (Assertiveness 활용)
* **Enforce**: 경계가 침해되었을 때 발생하는 결과(Consequence)를 실행하여 선을 유지함.
2. **전문가 조직에서의 역할**:
- * **Scope Creep 방지**: 프로젝트 기획 범위를 넘어서는 무리한 요구를 차단하여 품질과 마감을 지킴. (Workflow-Integrity와 연결)
+ * **Scope Creep 방지**: 프로젝트 기획 범위를 넘어서는 무리한 요구를 차단하여 품질과 마감을 지킴. (Workflow-Inte[[Grit]]y와 연결)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거 리더십 정책은 '예스맨'을 선호했으나, 현대의 고숙련 전문직 정책은 가치가 낮은 일이나 범위를 벗어난 일에 대해 '세이 노(Say No)'를 할 수 있는 경계 설정 정책을 인재의 필수 자질로 평가함(RL Update).
@@ -27,5 +27,5 @@ last_reinforced: 2026-04-20
## 🔗 지식 연결 (Graph)
- [[Boundaries]], [[Assertiveness]], [[Workflow-Integrity]], Communication, Time-Management
-- **Modern Tech/Tools**: Project management scope definitions (SOW), Behavioral coaching frameworks.
+- **Modern Tech/Tools**: Project management scope definitions (SOW), [[Behavior]]al coaching frameworks.
---
diff --git a/10_Wiki/Topics/AI/Bounded Contexts.md b/10_Wiki/Topics/AI/Bounded Contexts.md
index 6d9c4806..f3c88747 100644
--- a/10_Wiki/Topics/AI/Bounded Contexts.md
+++ b/10_Wiki/Topics/AI/Bounded Contexts.md
@@ -1,6 +1,6 @@
---
-id: P-REINFORCE-AI-BOUNDED-CONTEXT
-category: "10_Wiki/💡 Topics/Software Architecture"
+id: [[P-Reinforce]]-AI-BOUNDED-CONTEXT
+category: "10_Wiki/💡 Topics/Software [[Architecture]]"
confidence_score: 0.99
tags: [DDD, Bounded Context, Software Architecture, Domain]
last_reinforced: 2026-04-20
@@ -20,7 +20,7 @@ last_reinforced: 2026-04-20
- 서로 다른 컨텍스트들이 어떻게 데이터를 주고받는지(Shared Kernel, Anti-Corruption Layer 등)의 관계도를 그리는 작업.
## ⚠️ 모순 및 업데이트 (RL Update)
-- 바운디드 컨텍스트를 너무 잘게 쪼개면 마이크로서비스(MSA)의 관리 복잡성(Distributed System complexity)이 폭발한다. 처음에는 '모놀리식'으로 시작하되, 도메인 경계가 명확해지는 시점에 분리하는 전략이 실용적이다.
+- 바운디드 컨텍스트를 너무 잘게 쪼개면 마이크로서비스(MSA)의 관리 복잡성(Distributed[[ system]] complexity)이 폭발한다. 처음에는 '모놀리식'으로 시작하되, 도메인 경계가 명확해지는 시점에 분리하는 전략이 실용적이다.
## 🔗 지식 연결 (Graph)
- Related: [[Domain-Driven Design (DDD)]] , [[Bounded-Contexts-and-Interface-Segregation]]
diff --git a/10_Wiki/Topics/AI/Bounded Rationality.md b/10_Wiki/Topics/AI/Bounded Rationality.md
index ecc3cf2f..0af08807 100644
--- a/10_Wiki/Topics/AI/Bounded Rationality.md
+++ b/10_Wiki/Topics/AI/Bounded Rationality.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AI-BOUNDED-RAT
+id: [[P-Reinforce]]-AI-BOUNDED-RAT
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.98
-tags: [Bounded Rationality, Decision Theory, AI, Economics]
+tags: [Bounded Rationality, [[Decision Theory]], AI, Economics]
last_reinforced: 2026-04-20
---
@@ -16,7 +16,7 @@ last_reinforced: 2026-04-20
- 헤르베르트 사이먼이 제안한 개념. 모든 대안을 전수 조사하는 '최적화' 대신, 자신의 기준(Threshold)을 넘는 첫 번째 대안을 선택하는 전략.
- **Cognitive Limits (인지적 한계)**:
- 인간이나 AI 시스템의 연산 능력은 제한되어 있으므로, 모든 변수를 고려하는 것은 물리적으로 불가능하다.
-- **Heuristic Search**:
+- **Heuristic [[Search]]**:
- 제한된 자원 내에서 해답을 찾기 위해 사용하는 '어림짐작'이나 '지름길' 알고리즘의 이론적 배경.
## ⚠️ 모순 및 업데이트 (RL Update)
@@ -24,4 +24,4 @@ last_reinforced: 2026-04-20
## 🔗 지식 연결 (Graph)
- Related: Cognitive-Biases , [[Behavioral-Economics]]
-- Analysis: [[Complexity-Theory]]
+- [[Analysis]]: [[Complexity-Theory]]
diff --git a/10_Wiki/Topics/AI/Bounded-Contexts-and-Interface-Segregation.md b/10_Wiki/Topics/AI/Bounded-Contexts-and-Interface-Segregation.md
index 61634bcf..f1fe25f1 100644
--- a/10_Wiki/Topics/AI/Bounded-Contexts-and-Interface-Segregation.md
+++ b/10_Wiki/Topics/AI/Bounded-Contexts-and-Interface-Segregation.md
@@ -1,6 +1,6 @@
---
-id: P-REINFORCE-AI-ISP-DDD
-category: "10_Wiki/💡 Topics/Software Architecture"
+id: [[P-Reinforce]]-AI-ISP-DDD
+category: "10_Wiki/💡 Topics/Software [[Architecture]]"
confidence_score: 0.97
tags: [ISP, DDD, Bounded Context, SOLID]
last_reinforced: 2026-04-20
@@ -14,7 +14,7 @@ last_reinforced: 2026-04-20
## 📖 구조화된 지식 (Synthesized Content)
- **Domain-Specific Interfaces**:
- 하나의 거대한 레포지토리 인터페이스 대신, 각 바운디드 컨텍스트가 필요로 하는 메서드만 정의된 작은 인터페이스로 쪼갠다.
-- **Decoupling Boundaries**:
+- **Decoupling [[Boundaries]]**:
- 결제 맥락(Payment Context)은 유저 맥락(User Context)의 전체 정보를 알 필요가 없다. 결제에 필요한 최소한의 인터페이스만 노출시켜 변경에 강한 구조를 만든다.
- **Adhering to SOLID**:
- ISP를 준수함으로써 하나의 변화가 시스템 전체로 전파되는 '버터플라이 이펙트'를 제어한다.
@@ -24,4 +24,4 @@ last_reinforced: 2026-04-20
## 🔗 지식 연결 (Graph)
- Related: Bounded-Contexts , [[Clean-Architecture-Implementation]]
-- Principles: [[React_Clean_Code_Best_Practices]]
+- [[Principles]]: [[React_Clean_Code_Best_Practices]]
diff --git a/10_Wiki/Topics/AI/Bounded-Rationality.md b/10_Wiki/Topics/AI/Bounded-Rationality.md
index 4b345d8b..14d4084e 100644
--- a/10_Wiki/Topics/AI/Bounded-Rationality.md
+++ b/10_Wiki/Topics/AI/Bounded-Rationality.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-BORA-001
+id: [[P-Reinforce]]-AUTO-BORA-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.98
-tags: [auto-reinforced, bounded-rationality, decision-theory, heuristics, cognitive-limitations, herbert-simon]
+tags: [auto-reinforced, bounded-rationality, decision-theory, [[Heuristics]], cognitive-limitations, her[[BERT]]-simon]
last_reinforced: 2026-04-20
---
@@ -23,9 +23,9 @@ last_reinforced: 2026-04-20
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거 경제학 정책은 인간을 모든 것을 계산하는 '호모 에코노미쿠스(합리적 인간)' 정책으로 정의했으나, 현대 정책은 인간의 인지적 한계를 인정한 제한된 합리성 정책을 바탕으로 한 행동 경제학 정책을 주류로 수용함(RL Update).
-- **정책 변화(RL Update)**: AI 설계 정책에서, 무한정 많은 컴퓨팅 자원을 써서 정답을 찾는 'Brute-force' 방식보다 제한된 자원 하에서 효율적으로 추론하는 '경량화 및 조건부 추론 정책'이 에지 디바이스용 지능의 핵심 아키텍처가 됨.
+- **정책 변화(RL Update)**: AI 설계 정책에서, 무한정 많은 컴퓨팅 자원을 써서 정답을 찾는 '[[Brute-force]]' 방식보다 제한된 자원 하에서 효율적으로 추론하는 '경량화 및 조건부 추론 정책'이 에지 디바이스용 지능의 핵심 아키텍처가 됨.
## 🔗 지식 연결 (Graph)
- Rationality, [[Decision Theory]], [[Bayesian-Updating]], [[Heuristics]], [[Optimization]]
-- **Modern Tech/Tools**: Heuristic-based algorithms, Multi-armed bandit (MAB) optimization.
+- **Modern Tech/Tools**: Heuristic-based algorithms, Multi-armed bandit (MAB) [[Optimization]].
---
diff --git a/10_Wiki/Topics/AI/Bounding-Box-Regression.md b/10_Wiki/Topics/AI/Bounding-Box-Regression.md
index e4ddb0fa..5044952d 100644
--- a/10_Wiki/Topics/AI/Bounding-Box-Regression.md
+++ b/10_Wiki/Topics/AI/Bounding-Box-Regression.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AI-BBOX
+id: [[P-Reinforce]]-AI-BBOX
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [Bounding Box Regression, Object Detection, Computer Vision, IoU]
+tags: [Bounding Box Regression, Object Detection, [[Computer Vision]], IoU]
last_reinforced: 2026-04-20
---
@@ -23,5 +23,5 @@ last_reinforced: 2026-04-20
- 여러 물체가 겹쳐 있을 때 하나의 박스만 남겨야 하는 'Non-Maximum Suppression (NMS)' 과정이 성능에 큰 영향을 미친다. 최근에는 NMS 없이 직접 물체 집합을 예측하는 Transformer 기반(DETR) 방식이 각광받고 있다.
## 🔗 지식 연결 (Graph)
-- Related: Object-Detection , Convolutional-Neural-Networks-(CNN)
+- Related: Object-Detection , [[Convolutional-Neural-Networks]]-(CNN)
- Metric: Mean-Average-Precision-(mAP)
diff --git a/10_Wiki/Topics/AI/Bourgeoisie.md b/10_Wiki/Topics/AI/Bourgeoisie.md
index c44f8301..79f93337 100644
--- a/10_Wiki/Topics/AI/Bourgeoisie.md
+++ b/10_Wiki/Topics/AI/Bourgeoisie.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AUTO-BOUR-001
+id: [[P-Reinforce]]-AUTO-BOUR-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.82
tags: [auto-reinforced, bourgeoisie, sociology, class-theory, capitalism, history]
@@ -16,7 +16,7 @@ last_reinforced: 2026-04-20
1. **역사적 역할**:
* **Agent of Change**: 봉건 질서를 타파하고 시민 혁명을 주도하여 개인의 자유와 사유 재산권을 확립함.
- * **Culture & Arts**: 르네상스 이후 예술가들의 주요 후원자(Patron) 역할을 수행하여 근대 문화 발전에 기여. (Arts와 연결)
+ * **Culture & [[Arts]]**: 르네상스 이후 예술가들의 주요 후원자(Patron) 역할을 수행하여 근대 문화 발전에 기여. (Arts와 연결)
2. **비판적 관점**:
* 마르크스주의에서는 노동력을 착상하여 자본을 축적하는 이기적인 계층으로 정의하기도 함.
* **Status Quo**: 기득권이 된 이후에는 변화보다 안정을 추구하는 보수적인 성향을 띠기도 함.
@@ -27,5 +27,5 @@ last_reinforced: 2026-04-20
## 🔗 지식 연결 (Graph)
- [[Anarcho-Capitalism]], [[Arts]], [[Axiology]], [[Sociology of Knowledge]], Capitalism
-- **Modern Tech/Tools**: Asset management AI, Venture capital networks.
+- **Modern Tech/Tools**: Asset [[Management]] AI, Venture capital networks.
---
diff --git a/10_Wiki/Topics/AI/Brain-Computer Interface (BCI).md b/10_Wiki/Topics/AI/Brain-Computer Interface (BCI).md
index 6e718738..71d9d193 100644
--- a/10_Wiki/Topics/AI/Brain-Computer Interface (BCI).md
+++ b/10_Wiki/Topics/AI/Brain-Computer Interface (BCI).md
@@ -2,7 +2,7 @@
id: BCI-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [neuroscience, bci, neurotechnology, signal-processing, future-tech]
+tags: [neuroscience, bci, neurotechnology, signal-[[Processing]], future-tech]
last_reinforced: 2026-04-26
---
diff --git a/10_Wiki/Topics/AI/Brain-Computer-Interface (BCI).md b/10_Wiki/Topics/AI/Brain-Computer-Interface (BCI).md
index 2c74ac8f..05e9f63e 100644
--- a/10_Wiki/Topics/AI/Brain-Computer-Interface (BCI).md
+++ b/10_Wiki/Topics/AI/Brain-Computer-Interface (BCI).md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AUTO-BCII-001
+id: [[P-Reinforce]]-AUTO-BCII-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.96
tags: [auto-reinforced, bci, brain-computer-interface, neuroscience, human-augmentation, future-tech]
@@ -19,7 +19,7 @@ last_reinforced: 2026-04-20
* **Non-invasive (비침습형)**: 머리 표면에 EEG 센서를 부착하여 뇌파 측정 (안전하지만 저해상도 신호).
2. **활용 분야**:
* **Medical Rehabilitation**: 사지 마비 환자가 의수/의족을 제어하거나 텍스트를 입력하게 도움.
- * **Human Augmentation**: 시각/청각 기능을 넘어서는 새로운 감각 기관이나 지능 확장 도구로 활용. (Biological-Intelligence와 연결)
+ * **Human Augmentation**: 시각/청각 기능을 넘어서는 새로운 감각 기관이나 지능 확장 도구로 활용. ([[Bio[[Logic]]al-Intelligence]]와 연결)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거에는 실험실 수준의 '단방향 제어' 정책에 머물렀으나, 현대 정책은 뇌로 정보를 전송하는 '양방향 통신 정책'과 거대 AI를 뇌의 보조 연산 장치로 쓰는 '지능 증강 정책'으로 도약함(RL Update).
diff --git a/10_Wiki/Topics/AI/Brain-Derived Neurotrophic Factor (BDNF).md b/10_Wiki/Topics/AI/Brain-Derived Neurotrophic Factor (BDNF).md
index 21b5bc64..082c8801 100644
--- a/10_Wiki/Topics/AI/Brain-Derived Neurotrophic Factor (BDNF).md
+++ b/10_Wiki/Topics/AI/Brain-Derived Neurotrophic Factor (BDNF).md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-SCI-BDNF
+id: [[P-Reinforce]]-SCI-BDNF
category: "10_Wiki/💡 Topics/Science"
confidence_score: 0.98
tags: [BDNF, Neuroscience, Brain Health, Cognitive]
@@ -12,7 +12,7 @@ last_reinforced: 2026-04-20
> "뇌를 위한 비료(Fertilizer)." BDNF는 시냅스의 가소성을 높여 학습 능력을 강화하고, 뇌가 늙지 않게 보호하는 마법의 단백질이다.
## 📖 구조화된 지식 (Synthesized Content)
-- **Neuroplasticity (신경 가소성)**:
+- **[[Neuroplasticity]] (신경 가소성)**:
- BDNF는 뉴런의 생존뿐만 아니라 새로운 뉴런의 생성(Neurogenesis)과 연결을 돕는다. 학습과 기억 형성의 생화학적 토대다.
- **Physical Exercise Connection**:
- 중강도 이상의 유산소 운동은 BDNF 수치를 즉각적으로 높인다. "공부가 안 될 땐 산책하라"는 조언의 과학적 근거다.
@@ -23,5 +23,5 @@ last_reinforced: 2026-04-20
- 스트레스 호르몬인 코르티솔(Cortisol)은 BDNF의 생성을 억제한다. 따라서 고도의 인지 작업이 필요한 개발자에게 '번아웃 관리'는 단순히 휴식이 아니라 뇌 세척과 성장을 위한 필수 프로세스다.
## 🔗 지식 연결 (Graph)
-- Related: Cognitive-Neuroscience-of-Flow , Burnout-Prevention-in-Professional-Gaming
+- Related: Cognitive-Neuroscience-of-Flow , [[Burnout]]-Prevention-in-Professional-Gaming
- Foundation: [[Information Theory]]
diff --git a/10_Wiki/Topics/AI/Branded-Types-for-Nominal-Typing.md b/10_Wiki/Topics/AI/Branded-Types-for-Nominal-Typing.md
index c5e1e084..51215f91 100644
--- a/10_Wiki/Topics/AI/Branded-Types-for-Nominal-Typing.md
+++ b/10_Wiki/Topics/AI/Branded-Types-for-Nominal-Typing.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AI-BRANDED-TYPES
+id: [[P-Reinforce]]-AI-[[Branded-Types]]
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.95
tags: [TypeScript, TypeSystem, NominalTyping, Safety]
@@ -12,13 +12,13 @@ last_reinforced: 2026-04-20
> "모양(Structure)이 같다고 같은 데이터는 아니다." 타입스크립트의 구조적 타이핑 한계를 극복하기 위해 고유한 '인장(Brand)'을 찍어 데이터의 오용을 원천 차단하는 기법이다.
## 📖 구조화된 지식 (Synthesized Content)
-- **Problem Statement**:
- - 타입스크립트는 기본적으로 구조가 같으면 같은 타입으로 간주한다(Structural Typing). 예를 들어 `Email`과 `UserId`가 둘 다 `string`이라면 서로 대입되는 사고를 막을 수 없다.
+- **Problem [[State]]ment**:
+ - 타입스크립트는 기본적으로 구조가 같으면 같은 타입으로 간주한다([[Structural Typing]]). 예를 들어 `Email`과 `UserId`가 둘 다 `string`이라면 서로 대입되는 사고를 막을 수 없다.
- **Implementation (The Brand Tag)**:
- 타입 정의 시 교차 타입(`&`)을 사용하여 실제로는 존재하지 않는 속성을 추가한다.
- `type Brand = K & { __brand: T };`
- `type Email = Brand;`
-- **Type Casting**:
+- **[[Type Casting]]**:
- 데이터를 생성할 때 `as Email`과 같은 단언(Assertion)을 사용하여 브랜드를 부여한다. 이후 시스템은 이 '낙인'이 찍힌 데이터만 특정 함수로 전달될 수 있도록 보장한다.
## ⚠️ 모순 및 업데이트 (RL Update)
diff --git a/10_Wiki/Topics/AI/Branded-Types.md b/10_Wiki/Topics/AI/Branded-Types.md
index a8a5bdd1..47224b2a 100644
--- a/10_Wiki/Topics/AI/Branded-Types.md
+++ b/10_Wiki/Topics/AI/Branded-Types.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AI-BRANDED-TYPES
+id: [[P-Reinforce]]-AI-BRANDED-TYPES
category: "10_Wiki/💡 Topics/Programming & Language"
confidence_score: 0.99
tags: [TypeScript, Branded Types, Nominal Typing, Type Safety]
@@ -12,9 +12,9 @@ last_reinforced: 2026-04-20
> "본질적으로 같은 `string`이라도, 유저 ID와 주문 ID는 엄격히 구분되어야 한다." 타입스크립트에 가짜 딱지를 붙여 '이름 기반 타입 시스템(Nominal Typing)'을 흉내 내는 고수의 기술이다.
## 📖 구조화된 지식 (Synthesized Content)
-- **Problem: Structural Typing**:
+- **Problem: [[Structural Typing]]**:
- 타입스크립트는 구조가 같으면 같은 타입으로 본다. `type UserId = string; type PostId = string;`일 때, 둘을 바꿔 써도 컴파일러는 잡지 못한다.
-- **Solution: Intersecting with Unique Tag**:
+- **[[Solution]]: Intersecting with Unique Tag**:
- `type UserId = string & { __brand: "UserId" };` 처럼 실제 데이터에는 없지만 타입 세계에만 존재하는 고유 속성을 추가한다.
- **Type Guards**:
- 단순 캐스팅(`as UserId`)보다는 검증 함수를 거쳐야만 해당 타입을 얻을 수 있게 설계하여 데이터 무결성을 보장한다.
@@ -24,4 +24,4 @@ last_reinforced: 2026-04-20
## 🔗 지식 연결 (Graph)
- Related: [[TypeScript_Type_Safety]] , [[Branded-Types-for-Nominal-Typing]]
-- Foundation: [[Clean-Architecture-TypeScript]]
+- Foundation: [[Clean-[[Architecture]]-TypeScript]]
diff --git a/10_Wiki/Topics/AI/Branding.md b/10_Wiki/Topics/AI/Branding.md
index d6f3b760..19edce05 100644
--- a/10_Wiki/Topics/AI/Branding.md
+++ b/10_Wiki/Topics/AI/Branding.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-BRAN-001
+id: [[P-Reinforce]]-AUTO-BRAN-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.90
-tags: [auto-reinforced, branding, identity, perception, trust, marketing-strategy]
+tags: [auto-reinforced, branding, [[identity]], perception, trust, marketing-[[Strategy]]]
last_reinforced: 2026-04-20
---
@@ -17,7 +17,7 @@ last_reinforced: 2026-04-20
1. **3대 구성 요소**:
* **Brand Identity (BI)**: 로고, 색상, 폰트 등 시각적으로 보여지는 일관된 형태.
* **Brand Voice**: 고객에게 말을 거는 톤앤매너와 언어적 습관.
- * **Brand Promise**: "우리는 이런 가치를 반드시 제공하겠다"는 고객과의 무언의 약속. (Authenticity와 연결)
+ * **Brand Promise**: "우리는 이런 가치를 반드시 제공하겠다"는 고객과의 무언의 약속. ([[Authenticity]]와 연결)
2. **왜 중요한가?**:
* 범람하는 정보 속에서 고객의 의사결정 비용을 줄여주고, 단순 거래(Transaction)를 관계(Relationship)로 바꿈.
@@ -27,5 +27,5 @@ last_reinforced: 2026-04-20
## 🔗 지식 연결 (Graph)
- [[Authenticity]], [[Agent Personality]], [[Behavioral-Incentives]], [[Aesthetic-Value]], Communication
-- **Modern Tech/Tools**: Brand tracking AI, Social listening tools, Design systems.
+- **Modern Tech/Tools**: Brand tracking AI, Social listening tools, Design[[ system]]s.
---
diff --git a/10_Wiki/Topics/AI/Browser.md b/10_Wiki/Topics/AI/Browser.md
index 9698b485..36d20873 100644
--- a/10_Wiki/Topics/AI/Browser.md
+++ b/10_Wiki/Topics/AI/Browser.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AUTO-BROW-001
+id: [[P-Reinforce]]-AUTO-BROW-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.95
tags: [auto-reinforced, browser, web-access, rendering-engine, internet-infrastructure, client-side]
@@ -15,8 +15,8 @@ last_reinforced: 2026-04-20
웹 브라우저(Web Browser)는 인터넷상에 존재하는 정보를 검색하고 표시하며 사용자와 상호작용하는 소프트웨어입니다.
1. **핵심 기능**:
- * **Rendering**: 코드를 해석하여 픽셀로 변환. (Visual-Effects-VFX와 맥락 공유)
- * **Execution**: JavaScript 엔진(예: V8)을 통해 복잡한 웹 앱 구동.
+ * **Rendering**: 코드를 해석하여 픽셀로 변환. ([[Visual-Effects-VFX]]와 맥락 공유)
+ * **Execution**: [[JavaScript]] 엔진(예: V8)을 통해 복잡한 웹 앱 구동.
* **Caching & Persistence**: 방문 기록, 쿠키 등을 저장하여 성능 향상 및 보안 유지.
2. **OS로서의 브라우저**:
* 현대 브라우저는 단순한 문서 뷰어를 넘어, 오피스, 게임, AI 도구들이 실행되는 '온라인 운영체제' 역할을 수행함.
@@ -27,5 +27,5 @@ last_reinforced: 2026-04-20
## 🔗 지식 연결 (Graph)
- [[Backend]], [[API-Key-Management]], [[Availability-and-Persistence]], [[Visual-Effects-VFX]], [[Technical-Architecture]]
-- **Modern Tech/Tools**: Chrome, Firefox, Safari, Chromium-based browsers, WebAssembly (Wasm).
+- **Modern Tech/Tools**: [[Chrome]], Firefox, Safari, [[Chromium]]-based browsers, [[WebAssembly]] (Wasm).
---
diff --git a/10_Wiki/Topics/AI/Brute-force.md b/10_Wiki/Topics/AI/Brute-force.md
index cedc50fa..bf1b5ade 100644
--- a/10_Wiki/Topics/AI/Brute-force.md
+++ b/10_Wiki/Topics/AI/Brute-force.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-BRFO-001
+id: [[P-Reinforce]]-AUTO-BRFO-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.98
-tags: [auto-reinforced, brute-force, algorithms, exhaustive-search, computation, optimization]
+tags: [auto-reinforced, brute-force, algorithms, exhaustive-[[Search]], computation, [[Optimization]]]
last_reinforced: 2026-04-20
---
@@ -17,7 +17,7 @@ last_reinforced: 2026-04-20
1. **특징**:
* **Simplicity**: 구현이 매우 쉽고 논리적 오류가 적음.
* **Guarantee**: 정답이 존재한다면 100% 찾아냄.
- * **Efficiency**: 데이터의 양(N)이 커질수록 탐색 시간이 기하급수적으로 늘어남 (Time Complexity 이슈).
+ * **[[Efficiency]]**: 데이터의 양(N)이 커질수록 탐색 시간이 기하급수적으로 늘어남 (Time Complexity 이슈).
2. **주요 용도**:
* 비밀번호 무차별 대입 공격(Brute-force attack) 방어 테스트.
* 데이터 크기가 작아 고난도 알고리즘을 짤 필요가 없는 경우.
diff --git a/10_Wiki/Topics/AI/Bubble-Sort.md b/10_Wiki/Topics/AI/Bubble-Sort.md
index 217ca591..0bd4a4c1 100644
--- a/10_Wiki/Topics/AI/Bubble-Sort.md
+++ b/10_Wiki/Topics/AI/Bubble-Sort.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-BUSO-001
+id: [[P-Reinforce]]-AUTO-BUSO-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.99
-tags: [auto-reinforced, bubble-sort, algorithms, sorting, educational, comparison-sort]
+tags: [auto-reinforced, bubble-sort, algorithms, [[Sorting]], educational, comparison-sort]
last_reinforced: 2026-04-20
---
@@ -20,7 +20,7 @@ last_reinforced: 2026-04-20
* 이면 한 개의 가장 큰 원소가 끝으로 감. 이 과정을 원소 개수만큼 반복.
2. **성능 지표**:
* **Time Complexity**: $O(N^2)$ (데이터가 많아지면 매우 느려짐).
- * **Stability**: 동일한 값의 상대적 순서가 유지되는 안정 정렬(Stable Sort).
+ * **[[Stability]]**: 동일한 값의 상대적 순서가 유지되는 안정 정렬(Stable Sort).
3. **교육적 의미**:
* 실무에서 대용량 데이터를 정렬할 때는 쓰이지 않지만, 알고리즘의 기초 논리인 '비교'와 '교환'을 배우는 가장 좋은 교재임.
diff --git a/10_Wiki/Topics/AI/Budget.md b/10_Wiki/Topics/AI/Budget.md
index 5f33ce38..b5b2df3e 100644
--- a/10_Wiki/Topics/AI/Budget.md
+++ b/10_Wiki/Topics/AI/Budget.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-BUDG-001
+id: [[P-Reinforce]]-AUTO-BUDG-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.94
-tags: [auto-reinforced, budget, finance, resource-allocation, strategic-planning, management]
+tags: [auto-reinforced, budget, finance, [[Resource-Allocation]], [[Strategic-Planning]], [[Management]]]
last_reinforced: 2026-04-20
---
@@ -16,10 +16,10 @@ last_reinforced: 2026-04-20
1. **기능 및 역할**:
* **Control**: 지출의 한계를 정해 자원 낭비를 방지.
- * **Communication**: 어떤 부서나 프로젝트에 힘을 실어줄 것인지 명확히 신호를 보냄 (Alignment와 연결).
+ * **Communication**: 어떤 부서나 프로젝트에 힘을 실어줄 것인지 명확히 신호를 보냄 ([[Alignment]]와 연결).
* **Performance Measurement**: 투입된 예산 대비 성과를 측정하여 효율성 평가.
2. **현대적 의미 (Incentives)**:
- * 예산 배분 방식에 따라 사람들의 행동 양식이 바뀜 (예: 소진하지 않으면 깎이는 예산은 낭비를 유발). (Behavioral-Incentives와 연결)
+ * 예산 배분 방식에 따라 사람들의 행동 양식이 바뀜 (예: 소진하지 않으면 깎이는 예산은 낭비를 유발). ([[Behavior]]al-Incentives와 연결)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거에는 한 번 정하면 끝까지 가는 '경직된 연 단위 예산 정책'이었으나, 현대 정책은 상황 변화에 따라 수시로 예산을 재조정하는 'Rolling Forecast 및 유연 배분 정책'으로 기민함을 확보함(RL Update).
@@ -27,5 +27,5 @@ last_reinforced: 2026-04-20
## 🔗 지식 연결 (Graph)
- [[Behavioral-Incentives]], [[Strategic-Planning]], theory of constraints, [[Business Intelligence (BI)]], [[Risk-Orchestration]]
-- **Modern Tech/Tools**: FinOps platforms, Cloud budget alerts (AWS/GCP), ERP systems.
+- **Modern Tech/Tools**: FinOps platforms, Cloud budget alerts (AWS/GCP), ERP[[ system]]s.
---
diff --git a/10_Wiki/Topics/AI/Bureaucracy.md b/10_Wiki/Topics/AI/Bureaucracy.md
index a05db24a..f6fe396d 100644
--- a/10_Wiki/Topics/AI/Bureaucracy.md
+++ b/10_Wiki/Topics/AI/Bureaucracy.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-BURE-001
+id: [[P-Reinforce]]-AUTO-BURE-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.90
-tags: [auto-reinforced, bureaucracy, organization, rules, hierarchy, efficiency-paradox]
+tags: [auto-reinforced, bureaucracy, organization, rules, hierarchy, [[Efficiency]]-paradox]
last_reinforced: 2026-04-20
---
@@ -16,7 +16,7 @@ last_reinforced: 2026-04-20
1. **핵심 특징**:
* **Hierarchy**: 명확한 수직적 명령 체계.
- * **Standardization**: 개인의 기분에 좌우되지 않는 표준화된 업무 매뉴얼. (Standardization vs Innovation과 연결)
+ * **Standardization**: 개인의 기분에 좌우되지 않는 표준화된 업무 매뉴얼. (Standardization vs [[Innovation]]과 연결)
* **Division of Labor**: 고도의 전문화된 분업.
2. **공과 실**:
* **Merit**: 예측 가능성(Predictability)과 안정성 확보. 거대 국가나 대기업 운영의 필수 요소.
@@ -27,6 +27,6 @@ last_reinforced: 2026-04-20
- **정책 변화(RL Update)**: AI 거버넌스 정책 수립 시, 과거의 지루한 종이 문서 결재 정책 대신 '데이터/코드 기반의 실시간 자동 승인 정책 (Computational Governance)'으로 관료제를 디지털화하여 효율과 통제를 동시에 잡으려는 시도가 이뤄짐.
## 🔗 지식 연결 (Graph)
-- [[Standardization vs Innovation]], [[Bottlenecks]], [[Agile-Philosophy]], Knowledge-Legacy, [[Workflow-Integrity]]
+- [[Standardization vs Innovation]], [[Bottlenecks]], [[Agile-Philosophy]], Knowledge-Legacy, [[Workflow-Inte[[Grit]]y]]
- **Modern Tech/Tools**: Robotic Process Automation (RPA), Digital GRC (Governance, Risk, and Compliance) tools.
---
diff --git a/10_Wiki/Topics/AI/Burnout Prevention in Professional Gaming.md b/10_Wiki/Topics/AI/Burnout Prevention in Professional Gaming.md
index fd3c80de..420ed13a 100644
--- a/10_Wiki/Topics/AI/Burnout Prevention in Professional Gaming.md
+++ b/10_Wiki/Topics/AI/Burnout Prevention in Professional Gaming.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-SCI-BURNOUT
+id: [[P-Reinforce]]-SCI-[[Burnout]]
category: "10_Wiki/💡 Topics/Science"
confidence_score: 0.96
tags: [Burnout, Professional Gaming, Mental Health, Performance]
@@ -14,7 +14,7 @@ last_reinforced: 2026-04-20
## 📖 구조화된 지식 (Synthesized Content)
- **Cognitive Fatigability (인지적 피로도)**:
- 고도의 집중력이 지속될 때 전전두엽의 포도당 소모가 급증하며 의사결정 속도가 저하된다. 이를 방지하기 위해 정기적인 'Mental Reset' 루틴이 필수적이다.
-- **Dopamine Detox (도파민 디톡스)**:
+- **[[Dopamine]] Detox (도파민 디톡스)**:
- 게임의 강력한 시각적/청각적 자극에 노출된 뇌를 위해, 연습 시간 외에는 자극이 적은 환경(명상, 산책)을 제공하여 뇌의 보상 시스템을 안정화한다.
- **Sleep Hygiene (수면 위생)**:
- 렘(REM) 수면 단계에서 당일 학습한 전략과 반응 기술이 장기 기억으로 전이된다. 하루 7시간 이상의 규칙적인 수면은 가장 강력한 기술 향상 도구다.
diff --git a/10_Wiki/Topics/AI/Burnout.md b/10_Wiki/Topics/AI/Burnout.md
index cd6c6ea3..ebafb92c 100644
--- a/10_Wiki/Topics/AI/Burnout.md
+++ b/10_Wiki/Topics/AI/Burnout.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-BURN-001
+id: [[P-Reinforce]]-AUTO-BURN-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.93
-tags: [auto-reinforced, burnout, mental-health, productivity, resilience, psychology]
+tags: [auto-reinforced, burnout, mental-health, productivity, [[Resilience]], [[Psychology]]]
last_reinforced: 2026-04-20
---
@@ -21,7 +21,7 @@ last_reinforced: 2026-04-20
2. **원인**:
* 지나친 업무량, 보상(보람/금전)의 부재, 자신의 업무를 통제할 수 없다는 무력감.
3. **대처법**:
- * **Boundaries**: 업무와 일상의 명확한 구분. (Boundary-Setting과 연결)
+ * **[[Boundaries]]**: 업무와 일상의 명확한 구분. ([[Boundary-Setting]]과 연결)
* **Reframing**: 업무의 의미를 재정의하거나 작은 성공(Small wins)을 통한 회복.
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
diff --git a/10_Wiki/Topics/AI/Business Intelligence (BI).md b/10_Wiki/Topics/AI/Business Intelligence (BI).md
index edb0d91a..91490a1f 100644
--- a/10_Wiki/Topics/AI/Business Intelligence (BI).md
+++ b/10_Wiki/Topics/AI/Business Intelligence (BI).md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-BINT-001
+id: [[P-Reinforce]]-AUTO-BINT-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.97
-tags: [auto-reinforced, business-intelligence, bi, data-visualization, analytics, decision-support]
+tags: [auto-reinforced, [[business]]-intelligence, bi, data-visualization, analytics, decision-[[Support]]]
last_reinforced: 2026-04-20
---
@@ -16,7 +16,7 @@ last_reinforced: 2026-04-20
1. **3단계 워크플로우**:
* **Data Collection (ETL)**: 여러 소스에서 데이터를 추출, 변환, 적재.
- * **Analysis**: 패턴과 트렌드를 발견. (Pattern Recognition과 연결)
+ * **[[Analysis]]**: 패턴과 트렌드를 발견. (Pattern Recognition과 연결)
* **Visualization**: 대시보드와 리포트를 통해 이해하기 쉽게 표현.
2. **전통적 AI와의 관계**:
* AI가 "앞으로 무슨 일이 생길까?"(Predictive)를 주로 묻는다면, BI는 "지금까지 무슨 일이 있었고 현재 상태는 어떠한가?"(Descriptive)라는 기본적 질문에 충실하여 판단의 토대를 닦음.
diff --git a/10_Wiki/Topics/AI/CAP-Theorem.md b/10_Wiki/Topics/AI/CAP-Theorem.md
index dc607719..3687c3ac 100644
--- a/10_Wiki/Topics/AI/CAP-Theorem.md
+++ b/10_Wiki/Topics/AI/CAP-Theorem.md
@@ -2,7 +2,7 @@
id: CAP-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [computer-science, distributed-systems, infrastructure, database, scalability]
+tags: [computer-science, [[Distributed-Systems]], infrastructure, database, [[Scalability]]]
last_reinforced: 2026-04-26
---
@@ -26,5 +26,5 @@ last_reinforced: 2026-04-26
- **정책 변화:** Antigravity 프로젝트의 분산 지식 그래프 시스템은 지식의 전파 속도보다 정확성이 중요하므로 CP 전략을 기본으로 하되, 사용자 읽기 요청에 대해서는 AP적 요소를 도입하여 응답성을 확보함.
## 🔗 지식 연결 (Graph)
-- System-Design-for-AI-Scale, [[Distributed-Computing]], Vector-Database-Selection, Microservices
+-[[ system]]-Design-for-AI-Scale, [[Distributed-Computing]], Vector-Database-Selection, Microservices
- **Raw Source:** 10_Wiki/Topics/AI/CAP-Theorem.md
diff --git a/10_Wiki/Topics/AI/CI-CD-Pipeline-Foundations.md b/10_Wiki/Topics/AI/CI-CD-Pipeline-Foundations.md
index 86c34ad7..5b65e47e 100644
--- a/10_Wiki/Topics/AI/CI-CD-Pipeline-Foundations.md
+++ b/10_Wiki/Topics/AI/CI-CD-Pipeline-Foundations.md
@@ -2,7 +2,7 @@
id: OPS-CICD-CORE-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [devops, cicd, automation, continuous-integration, continuous-deployment, delivery-pipeline, reliability]
+tags: [devops, cicd, automation, continuous-integration, continuous-deployment, delivery-pipeline, [[Reliability]]]
last_reinforced: 2026-04-26
---
@@ -14,10 +14,10 @@ last_reinforced: 2026-04-26
## 📖 구조화된 지식 (Synthesized Content)
- **추출된 패턴:** "Automated Verification and Incremental Delivery" — 코드가 커밋되는 순간부터 빌드, 테스트, 스테이징, 운영 환경 배포까지의 모든 수동 개입을 제거하고 가시성을 확보하는 패턴.
- **파이프라인 구성 요소:**
- - **Continuous Integration (CI):** 코드 병합 시 자동 빌드 및 유닛/통합 테스트 수행. 충돌을 조기에 발견.
+ - **[[Continuous Integration (CI)]]:** 코드 병합 시 자동 빌드 및 유닛/통합 테스트 수행. 충돌을 조기에 발견.
- **Continuous Delivery:** 검증된 코드를 수동 승인 후 운영 환경에 배포 가능한 상태로 유지.
- **Continuous Deployment (CD):** 모든 테스트를 통과한 코드를 실제 사용자에게 자동으로 즉시 배포.
- - **Quality Gates:** 린팅(Linting), 보안 스캔, 코드 커버리지 등의 지표가 충족되어야 다음 단계로 진행.
+ - **Quality [[Gates]]:** 린팅(Linting), 보안 스캔, 코드 커버리지 등의 지표가 충족되어야 다음 단계로 진행.
- **의의:** 배포 주기를 단축(Daily or hourly)시키고, 장애 발생 시 롤백(Rollback) 시간을 최소화하여 비즈니스의 기민함과 시스템의 안정성을 동시에 확보함.
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
@@ -25,5 +25,5 @@ last_reinforced: 2026-04-26
- **정책 변화:** Antigravity 프로젝트는 모든 저장소에 대해 'Pull Request 기반의 자동 CI'를 강제하며, 메인 브랜치 병합 시 즉시 에지(Edge) 환경에 배포되는 CD 파이프라인을 구축함.
## 🔗 지식 연결 (Graph)
-- [[Software-Architecture-Patterns]], Technical-Debt-Management, Cloud-Infrastructure, [[Infrastructure-as-Code-IaC]]
+- [[Software-[[Architecture]]-Patterns]], [[Technical-Debt]]-[[Management]], Cloud-Infrastructure, [[Infrastructure-as-Code-IaC]]
- **Raw Source:** 00_Raw/CI-CD Pipeline.md
diff --git a/10_Wiki/Topics/AI/CI_CD 및 Pull Request 자동화 리뷰.md b/10_Wiki/Topics/AI/CI_CD 및 Pull Request 자동화 리뷰.md
index c8079eaf..e461e1b4 100644
--- a/10_Wiki/Topics/AI/CI_CD 및 Pull Request 자동화 리뷰.md
+++ b/10_Wiki/Topics/AI/CI_CD 및 Pull Request 자동화 리뷰.md
@@ -1,20 +1,20 @@
---
-id: P-REINFORCE-AUTO-877DCA
+id: [[P-Reinforce]]-AUTO-877DCA
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.90
tags: [auto-reinforced]
last_reinforced: 2026-04-20
-github_commit: "[P-Reinforce] Continuous Worker - CI_CD 및 Pull Request 자동화 리뷰"
+github_commit: "[P-Reinforce] Continuous Worker - [[CI_CD]] 및 Pull Request 자동화 리뷰"
---
# [[CI_CD 및 Pull Request 자동화 리뷰]]
## 📌 한 줄 통찰 (The Karpathy Summary)
-> CI/CD 및 Pull Request(PR) 자동화 리뷰는 소프트웨어 개발 수명 주기(SDLC)에서 코드 병합 이전에 정적 분석 도구(SAST), 린터(Linter), AI 코드 리뷰 봇 등을 활용하여 취약점, 버그, 스타일 위반을 자동으로 검사하는 과정입니다 [1, 2]. 이를 통해 빠른 피드백 루프를 형성하고, 일관된 코드 품질 기준을 강제하며, CI/CD 파이프라인 내에서 품질 게이트(Quality Gate) 역할을 수행하여 인간 리뷰어의 피로도를 줄이고 보안과 품질을 극대화합니다 [3-6].
+> CI/CD 및 Pull Request(PR) 자동화 리뷰는 소프트웨어 개발 수명 주기(SDLC)에서 코드 병합 이전에 정적 분석 도구([[SAST]]), 린터(Linter), AI 코드 리뷰 봇 등을 활용하여 취약점, 버그, 스타일 위반을 자동으로 검사하는 과정입니다 [1, 2]. 이를 통해 빠른 피드백 루프를 형성하고, 일관된 코드 품질 기준을 강제하며, CI/CD 파이프라인 내에서 품질 게이트(Quality Gate) 역할을 수행하여 인간 리뷰어의 피로도를 줄이고 보안과 품질을 극대화합니다 [3-6].
## 📖 구조화된 지식 (Synthesized Content)
-* **파이프라인 통합 및 품질 게이트 (Quality Gates):** SonarQube, Snyk, CodeQL과 같은 자동화 분석 도구는 CI/CD 파이프라인 및 PR 워크플로우에 직접 통합됩니다 [1, 7-9]. PR이 생성되거나 코드가 푸시될 때 자동으로 검사를 실행하며, 사전 정의된 품질 게이트 규칙이나 심각도 임계값에 따라 PR 병합을 차단하거나 빌드를 실패하게 만들어 불량 코드가 프로덕션 환경에 도달하는 것을 원천적으로 방지합니다 [5, 10, 11].
-* **Pre-commit 단계의 선제적 자동화 (Husky & lint-staged):** CI 파이프라인 이전에 로컬 개발 환경에서 문제를 잡기 위해 Husky와 lint-staged를 주로 결합하여 사용합니다 [12, 13]. Husky는 `pre-commit`과 같은 Git 훅(Git hooks)을 중앙에서 관리하고, lint-staged는 변경되어 커밋 대기 중인 파일(staged files)에 대해서만 ESLint(정적 분석 및 린팅)와 Prettier(코드 포매팅)를 빠르게 실행합니다 [14-17]. 이를 통해 오류가 없거나 스타일 규칙을 준수한 코드만 커밋되도록 강제합니다 [16, 18].
+* **파이프라인 통합 및 품질 게이트 (Quality [[Gates]]):** [[SonarQube]], Snyk, CodeQL과 같은 자동화 분석 도구는 CI/CD 파이프라인 및 PR 워크플로우에 직접 통합됩니다 [1, 7-9]. PR이 생성되거나 코드가 푸시될 때 자동으로 검사를 실행하며, 사전 정의된 품질 게이트 규칙이나 심각도 임계값에 따라 PR 병합을 차단하거나 빌드를 실패하게 만들어 불량 코드가 프로덕션 환경에 도달하는 것을 원천적으로 방지합니다 [5, 10, 11].
+* **Pre-commit 단계의 선제적 자동화 ([[Husky]] & [[lint-staged]]):** CI 파이프라인 이전에 로컬 개발 환경에서 문제를 잡기 위해 Husky와 lint-staged를 주로 결합하여 사용합니다 [12, 13]. Husky는 `pre-commit`과 같은 Git 훅([[Git Hooks]])을 중앙에서 관리하고, lint-staged는 변경되어 커밋 대기 중인 파일(staged files)에 대해서만 [[ESLint]](정적 분석 및 린팅)와 [[Prettier]](코드 포매팅)를 빠르게 실행합니다 [14-17]. 이를 통해 오류가 없거나 스타일 규칙을 준수한 코드만 커밋되도록 강제합니다 [16, 18].
* **AI 기반 PR 자동 리뷰:** 최근의 자동화 리뷰 생태계는 생성형 AI와 머신러닝을 활용하여 PR 요약, 보안 취약점 식별, 자동 수정(Auto-fix) 코드 제안 기능을 PR 스레드 내에 직접 제공합니다 [19-21]. CodeRabbit, PR-Agent, Snyk Code, GitHub Copilot 등은 팀의 표준을 강제하며 개발자에게 실시간에 가까운 인라인 피드백을 제공하여 PR 주기 시간과 최초 리뷰 대기 시간(Time to first review)을 크게 단축시킵니다 [4, 22-25].
* **수동 리뷰와의 하이브리드 병행 (Hybrid Approach):** 자동화된 리뷰는 구문 오류, 코드 스멜(Code smells), 널리 알려진 보안 결함 등을 빠르고 일관되게 검출하는 데 탁월하지만, 코드의 근본적인 의도나 비즈니스 로직, 아키텍처 맥락을 이해하는 데에는 한계가 존재합니다 [26-28]. 따라서 CI/CD 및 Git 훅을 통한 자동화 도구로 1차적인 기계적 검증을 처리하고, 인간 리뷰어는 아키텍처 설계, 보안 문맥, 비즈니스 로직 검증에 집중하는 '하이브리드 코드 리뷰'가 현재의 가장 이상적인 모범 사례로 꼽힙니다 [6, 11, 29, 30].
@@ -23,7 +23,7 @@ github_commit: "[P-Reinforce] Continuous Worker - CI_CD 및 Pull Request 자동
- **정책 변화:** AI 분야의 자동 자산화 수행.
## 🔗 지식 연결 (Graph)
-- **Related Topics:** [[Static Application Security Testing (SAST)]], [[Git Hooks]], AI Code Review
+- **Related Topics:** [[Static Application Security [[Testing]] (SAST)]], [[Git Hooks]], AI [[Code Review]]
- **Projects/Contexts:** CI/CD Pipelines, [[DevSecOps]]
- **Contradictions/Notes:** 소스들은 자동화된 리뷰 도구가 매우 빠르고 일관적이지만 인간 리뷰어를 완전히 대체할 수는 없다고 주장합니다. 자동화 도구나 AI 봇은 문맥 맹점(Context Blindness)이 있어 아키텍처 설계나 비즈니스 로직을 온전히 이해하지 못하므로, 기계가 루틴한 검사를 담당하고 사람은 고차원적인 판단을 내리는 하이브리드 방식이 필수적이라고 강조합니다 [28, 31, 32].
diff --git a/10_Wiki/Topics/AI/CI_CD 파이프라인 및 IDE 통합 보안.md b/10_Wiki/Topics/AI/CI_CD 파이프라인 및 IDE 통합 보안.md
index ea439c78..04559ba6 100644
--- a/10_Wiki/Topics/AI/CI_CD 파이프라인 및 IDE 통합 보안.md
+++ b/10_Wiki/Topics/AI/CI_CD 파이프라인 및 IDE 통합 보안.md
@@ -1,21 +1,21 @@
---
-id: P-REINFORCE-AUTO-F8BCE8
+id: [[P-Reinforce]]-AUTO-F8BCE8
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.90
tags: [auto-reinforced]
last_reinforced: 2026-04-20
-github_commit: "[P-Reinforce] Continuous Worker - CI_CD 파이프라인 및 IDE 통합 보안"
+github_commit: "[P-Reinforce] Continuous Worker - [[CI_CD]] 파이프라인 및 IDE 통합 보안"
---
# [[CI_CD 파이프라인 및 IDE 통합 보안]]
## 📌 한 줄 통찰 (The Karpathy Summary)
-> CI/CD 파이프라인 및 IDE 통합 보안은 소프트웨어 개발 프로세스 전반에 걸쳐 코드의 품질과 보안을 유지하기 위한 핵심 접근법입니다 [1], [2]. 개발자가 코드를 작성하는 IDE 환경과 코드가 병합 및 배포되는 CI/CD 워크플로우에 정적 분석(SAST) 및 자동화된 보안 검사 도구를 내장하여 실시간 피드백을 제공합니다 [3], [4]. 이를 통해 개발자는 코드의 결함과 취약점을 조기에 식별하고 수정할 수 있어 안전하고 효율적인 소프트웨어 개발 수명 주기(SDLC)를 확보할 수 있습니다 [5], [6].
+> CI/CD 파이프라인 및 IDE 통합 보안은 소프트웨어 개발 프로세스 전반에 걸쳐 코드의 품질과 보안을 유지하기 위한 핵심 접근법입니다 [1], [2]. 개발자가 코드를 작성하는 IDE 환경과 코드가 병합 및 배포되는 CI/CD 워크플로우에 정적 분석([[SAST]]) 및 자동화된 보안 검사 도구를 내장하여 실시간 피드백을 제공합니다 [3], [4]. 이를 통해 개발자는 코드의 결함과 취약점을 조기에 식별하고 수정할 수 있어 안전하고 효율적인 소프트웨어 개발 수명 주기(SDLC)를 확보할 수 있습니다 [5], [6].
## 📖 구조화된 지식 (Synthesized Content)
-* **IDE 내 실시간 보안 검사:** SonarQube for IDE나 Snyk Code와 같은 플러그인은 Visual Studio, VS Code, JetBrains, Eclipse 등의 개발 환경에 직접 내장되어 작동합니다 [7], [8], [9]. 개발자가 코드를 작성하는 즉시 실시간으로 구문, 로직 및 보안 결함을 분석하여 즉각적인 피드백과 자동화된 수정 제안을 제공합니다 [7], [10]. 이를 통해 코드가 버전 관리 시스템에 커밋되기 전, 가장 이른 단계에서 보안 위험을 식별하고 제거할 수 있습니다 [11], [12].
-* **CI/CD 파이프라인 자동화 및 게이팅(Gating):** 코드가 풀 리퀘스트(Pull Request)나 브랜치에 푸시되어 빌드될 때, CI/CD 워크플로우 내에서 보안 스캔이 자동으로 실행됩니다 [5], [13], [9]. 조직은 심각도 임계값(Severity thresholds)이나 품질 게이트(Quality gates)를 설정하여, 기준을 충족하지 못하는 결함이나 보안 취약점이 발견되면 빌드를 실패하게 하거나 풀 리퀘스트 병합을 차단할 수 있습니다 [2], [14], [15], [16]. 이는 GitHub Actions, GitLab, Jenkins 등 다양한 DevOps 도구 체인과 긴밀하게 통합되어 이루어집니다 [4], [17], [15].
-* **시프트 레프트(Shift-Left) 및 규정 준수 강제:** IDE와 CI/CD 전반에 걸친 보안 통합은 취약점을 개발 과정의 초기에 발견하여 수정하는 '시프트 레프트' 보안 전략을 실현합니다 [11], [18]. 프로덕션 환경에 도달하기 전에 선제적으로 문제를 해결하므로 릴리스 이후 발생하는 결함을 수정하는 비용과 시간을 절감합니다 [6]. 또한, PCI, OWASP, CWE, STIG 등 주요 보안 및 규정 준수 표준을 조직 전체의 리포지토리와 팀에 일관되게 적용하고 강제할 수 있도록 지원합니다 [19], [20], [21], [22].
+* **IDE 내 실시간 보안 검사:** [[SonarQube]] for IDE나 Snyk Code와 같은 플러그인은 Visual Studio, VS Code, JetBrains, E[[CLIP]]se 등의 개발 환경에 직접 내장되어 작동합니다 [7], [8], [9]. 개발자가 코드를 작성하는 즉시 실시간으로 구문, 로직 및 보안 결함을 분석하여 즉각적인 피드백과 자동화된 수정 제안을 제공합니다 [7], [10]. 이를 통해 코드가 버전 관리 시스템에 커밋되기 전, 가장 이른 단계에서 보안 위험을 식별하고 제거할 수 있습니다 [11], [12].
+* **CI/CD 파이프라인 자동화 및 게이팅(Gating):** 코드가 풀 리퀘스트(Pull Request)나 브랜치에 푸시되어 빌드될 때, CI/CD 워크플로우 내에서 보안 스캔이 자동으로 실행됩니다 [5], [13], [9]. 조직은 심각도 임계값(Severity thresholds)이나 품질 게이트(Quality [[Gates]])를 설정하여, 기준을 충족하지 못하는 결함이나 보안 취약점이 발견되면 빌드를 실패하게 하거나 풀 리퀘스트 병합을 차단할 수 있습니다 [2], [14], [15], [16]. 이는 [[GitHub Actions]], GitLab, Jenkins 등 다양한 DevOps 도구 체인과 긴밀하게 통합되어 이루어집니다 [4], [17], [15].
+* **시프트 레프트([[Shift]]-Left) 및 규정 준수 강제:** IDE와 CI/CD 전반에 걸친 보안 통합은 취약점을 개발 과정의 초기에 발견하여 수정하는 '시프트 레프트' 보안 전략을 실현합니다 [11], [18]. 프로덕션 환경에 도달하기 전에 선제적으로 문제를 해결하므로 릴리스 이후 발생하는 결함을 수정하는 비용과 시간을 절감합니다 [6]. 또한, PCI, OWASP, CWE, STIG 등 주요 보안 및 규정 준수 표준을 조직 전체의 리포지토리와 팀에 일관되게 적용하고 강제할 수 있도록 지원합니다 [19], [20], [21], [22].
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요.
diff --git a/10_Wiki/Topics/AI/CI_CD.md b/10_Wiki/Topics/AI/CI_CD.md
index 219b17d1..f0d60885 100644
--- a/10_Wiki/Topics/AI/CI_CD.md
+++ b/10_Wiki/Topics/AI/CI_CD.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AUTO-CICD-001
+id: [[P-Reinforce]]-AUTO-CICD-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.98
tags: [auto-reinforced, cicd, devops, automation, continuous-integration, continuous-deployment]
@@ -16,17 +16,17 @@ CI/CD는 지속적 통합(Continuous Integration)과 지속적 제공/배포(Con
1. **CI (지속적 통합)**:
* 모든 개발자가 작업한 코드를 하루에도 여러 번 메인 브랜치에 통합.
- * 통합 시 자동 빌드와 자동 테스트가 수행되어 충돌을 조기에 발견. (Workflow-Integrity와 연결)
+ * 통합 시 자동 빌드와 자동 테스트가 수행되어 충돌을 조기에 발견. (Workflow-Inte[[Grit]]y와 연결)
2. **CD (지속적 배포)**:
* 테스트를 통과한 코드가 신뢰할 수 있는 상태로 유지되거나, 실제 운영 서버에 자동으로 반영되는 과정.
3. **왜 중요한가?**:
- * 릴리스 주기(Time to Market)를 혁신적으로 단축하고, 수동 배포로 인한 인적 오류(Human Error)를 제거함. (Scalability 고도화)
+ * 릴리스 주기(Time to Market)를 혁신적으로 단축하고, 수동 배포로 인한 인적 오류(Human Error)를 제거함. ([[Scalability]] 고도화)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거의 배포 정책은 '정기 점검 날'에 모든 기능을 몰아서 수동으로 배포하는 정책이었으나, 현대 정책은 기능 단위로 쪼개어 수시로 배포하는 '무중단 배포 정책'으로 완전히 전환됨(RL Update).
-- **정책 변화(RL Update)**: 단순히 코드만 배포하는 정책을 넘어, AI 모델의 성능을 지속적으로 모니터링하고 재학습시키는 'MLOps 파이프라인(Continuous Training) 정책'이 CI/CD의 새로운 확장 영역으로 포함됨.
+- **정책 변화(RL Update)**: 단순히 코드만 배포하는 정책을 넘어, AI 모델의 성능을 지속적으로 모니터링하고 재학습시키는 '[[MLOps]] 파이프라인(Continuous Training) 정책'이 CI/CD의 새로운 확장 영역으로 포함됨.
## 🔗 지식 연결 (Graph)
- [[Workflow-Integrity]], [[Scalability]], [[Backend]], [[Security-Governance]], [[Automated-Decision-Making]]
-- **Modern Tech/Tools**: GitHub Actions, Jenkins, GitLab CI, ArgoCD, Docker/K8s.
+- **Modern Tech/Tools**: [[GitHub Actions]], Jenkins, [[GitLab CI]], ArgoCD, Docker/K8s.
---
diff --git a/10_Wiki/Topics/AI/CLIP.md b/10_Wiki/Topics/AI/CLIP.md
index 04147490..288b1dd2 100644
--- a/10_Wiki/Topics/AI/CLIP.md
+++ b/10_Wiki/Topics/AI/CLIP.md
@@ -2,7 +2,7 @@
id: CLIP-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [ai, computer-vision, nlp, multimodal, clip, openai]
+tags: [ai, [[Computer-Vision]], nlp, multimodal, clip, openai]
last_reinforced: 2026-04-26
---
@@ -16,7 +16,7 @@ last_reinforced: 2026-04-26
- **핵심 특징:**
- **Contrastive Learning:** 관련 있는 이미지-텍스트 쌍은 가깝게, 관련 없는 쌍은 멀게 배치하도록 학습.
- **Zero-shot Visual Recognition:** 학습 데이터에 없던 새로운 물체라도 텍스트 설명을 통해 인식 가능.
- - **Robustness:** 특정 데이터셋(ImageNet 등)에 과적합되지 않고 실제 환경의 다양한 이미지에 대해 뛰어난 일반화 성능을 보임.
+ - **[[Robustness]]:** 특정 데이터셋(ImageNet 등)에 과적합되지 않고 실제 환경의 다양한 이미지에 대해 뛰어난 일반화 성능을 보임.
- **Foundation for GenAI:** DALL-E, Stable Diffusion 등 텍스트-투-이미지 생성 모델의 핵심 눈(Eye) 역할을 수행.
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
diff --git a/10_Wiki/Topics/AI/CPTED.md b/10_Wiki/Topics/AI/CPTED.md
index 058901da..512dc317 100644
--- a/10_Wiki/Topics/AI/CPTED.md
+++ b/10_Wiki/Topics/AI/CPTED.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AUTO-CPTD-001
+id: [[P-Reinforce]]-AUTO-CPTD-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.94
tags: [auto-reinforced, cpted, crime-prevention, environmental-design, surveillance, urban-planning, safety]
@@ -18,10 +18,10 @@ CPTED(Crime Prevention Through Environmental Design, 환경 설계를 통한 범
* **Natural Surveillance (자연적 감시)**: 주위 사람들이 자연스럽게 지켜볼 수 있게 가시성 확보 (예: 낮은 담장, 투명한 벽).
* **Natural Access Control (자연적 접근통제)**: 범죄자만 접근하기 힘든 명확한 경로 설계 (예: 출입구 일원화).
* **Territorial Reinforcement (영역성 강화)**: 공적/사적 공간의 경계를 명확히 하여 주민의 주인의식 고취.
- * **Activity Support (활동의 활성화)**: 사람들이 모이는 장소로 만들어 범죄 기회 감소.
- * **Maintenance (유지관리)**: '깨진 유리창 이론'을 방지하기 위한 지속적 관리. (Sustainability와 연결)
+ * **Activity [[Support]] (활동의 활성화)**: 사람들이 모이는 장소로 만들어 범죄 기회 감소.
+ * **Maintenance (유지관리)**: '깨진 유리창 이론'을 방지하기 위한 지속적 관리. ([[Sustainability]]와 연결)
2. **왜 중요한가?**:
- * 사후 처벌보다 사전 '기회 차단'이 사회적 비용 정책 측면에서 훨씬 효율적이기 때문임. (Efficiency와 연결)
+ * 사후 처벌보다 사전 '기회 차단'이 사회적 비용 정책 측면에서 훨씬 효율적이기 때문임. ([[Efficiency]]와 연결)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거에는 '감시'를 위한 요새화 정책(Fortress design)에 집중했으나, 현대 정책은 시민의 권리 정책과 아름다운 경관 정책까지 조화로운 '개방형 안전 정책'을 지향함(RL Update).
diff --git a/10_Wiki/Topics/AI/CV_Synthesis.md b/10_Wiki/Topics/AI/CV_Synthesis.md
index b86f2185..3e652dad 100644
--- a/10_Wiki/Topics/AI/CV_Synthesis.md
+++ b/10_Wiki/Topics/AI/CV_Synthesis.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-CVSY-001
+id: [[P-Reinforce]]-AUTO-CVSY-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.92
-tags: [auto-reinforced, cv-synthesis, computer-vision, synthetic-data, image-generation, computer-graphics]
+tags: [auto-reinforced, cv-synthesis, [[Computer-Vision]], [[Synthetic-Data]], image-generation, computer-graphics]
last_reinforced: 2026-04-20
---
@@ -12,11 +12,11 @@ last_reinforced: 2026-04-20
> "가상의 눈을 위한 가상의 데이터: 실제 촬영 없이도 컴퓨터 그래픽스와 AI를 이용해 완벽하게 라벨링된 대규모 학습 데이터를 생성함으로써, 컴퓨터 비전 모델 개발의 높은 비용과 데이터 부족 문제를 해결하는 지능형 제조 공정."
## 📖 구조화된 지식 (Synthesized Content)
-컴퓨터 비전 합성(CV Synthesis)은 가상의 환경에서 인공적인 이미지나 비디오 데이터를 생성하여 모델을 학습시키는 기술입니다.
+컴퓨터 비전 합성([[CV Synthesis]])은 가상의 환경에서 인공적인 이미지나 비디오 데이터를 생성하여 모델을 학습시키는 기술입니다.
1. **필요성**:
* **Perfect Ground Truth**: 합성 데이터는 객체의 위치, 각도, 픽셀 단위 마스크 정보를 오차 없이 자동으로 가짐.
- * **Rare Events**: 도로 위 사고 상황 등 실제로 수집하기 어려운 희귀 사례(Black-Swan)를 무한히 생성 가능. (Black-Swan과 연결)
+ * **Rare [[Events]]**: 도로 위 사고 상황 등 실제로 수집하기 어려운 희귀 사례([[Black-Swan]])를 무한히 생성 가능. (Black-Swan과 연결)
* **Privacy**: 실제 사람의 얼굴이나 번호판을 쓰지 않아도 되므로 개인정보 보호 이슈에서 자유로움.
2. **핵심 기술**:
* **Sim-to-Real**: 가상 세계(Simulator)와 실제 세계 간의 차이(Domain Gap)를 줄이기 위한 도메인 적응 기술.
@@ -26,6 +26,6 @@ last_reinforced: 2026-04-20
- **정책 변화(RL Update)**: 합성 데이터에 의한 '모델 붕괴(Model Collapse)' 방지 정책이 중요해짐에 따라, 원본 데이터와 합성 데이터의 적절한 혼합 비율 정책과 데이터 다양성 증명 정책이 모델 개발의 필수 과정이 됨.
## 🔗 지식 연결 (Graph)
-- [[Computer Vision]], [[Black-Swan]], [[Diffusion-Models]], Simulation, [[Data Distillation (데이터 증류)]]
-- **Modern Tech/Tools**: Unity Perception, NVIDIA Omniverse, Stable Diffusion, Blender.
+- [[Computer Vision]], [[Black-Swan]], [[Diffusion-Models]], Simulation, [[Data [[Distillation]] (데이터 증류)]]
+- **Modern Tech/Tools**: [[Unity]] Perception, NVIDIA Omniverse, Stable Diffusion, Blender.
---
diff --git a/10_Wiki/Topics/AI/Call Stack.md b/10_Wiki/Topics/AI/Call Stack.md
index 9fb2a3f0..20d2e449 100644
--- a/10_Wiki/Topics/AI/Call Stack.md
+++ b/10_Wiki/Topics/AI/Call Stack.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-CAST-001
+id: [[P-Reinforce]]-AUTO-CAST-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.99
-tags: [auto-reinforced, call-stack, computer-science, execution-context, memory-management, recursion]
+tags: [auto-reinforced, call-stack, computer-science, execution-context, [[memory]]-[[Management]], recursion]
last_reinforced: 2026-04-20
---
@@ -19,13 +19,13 @@ last_reinforced: 2026-04-20
* **Pop**: 함수 실행이 종료되면 스택 맨 위에서 제거되고, 이전 함수로 제어권이 넘어감.
2. **주요 이슈**:
* **Stack Overflow**: 재귀 함수가 끝나지 않고 계속 스택을 쌓거나, 함수 중첩이 너무 깊어 메모리 한계를 넘었을 때 발생.
- * **Debugging**: 에러 발생 시 출력되는 'Stack Trace'는 이 스택의 기록을 역순으로 보여주어 버그의 원점을 추적하게 도움. (Analysis와 연결)
+ * **Debugging**: 에러 발생 시 출력되는 'Stack Trace'는 이 스택의 기록을 역순으로 보여주어 버그의 원점을 추적하게 도움. ([[Analysis]]와 연결)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거의 스택 정책은 단순히 '순차 실행'을 관리하는 정적 정책이었으나, 현대 자바스크립트 등 비동기 언어 정책에서는 '이벤트 루프(Event Loop)' 및 '마이크로태스크 큐'와 상호작용하며 복잡한 비동기 흐름을 관리하는 동적 정책으로 이해됨(RL Update).
-- **정책 변화(RL Update)**: 브라우저 성능 최적화 정책에서, 메인 스레드 점유 정책(Main thread blocking)을 막기 위해 콜 스택을 너무 무겁게 유지하지 않고 작업을 쪼개는 '비동기 스택 정책'이 웹 앱 성능의 핵심 지표가 됨. (Blocking과 연결)
+- **정책 변화(RL Update)**: 브라우저 성능 최적화 정책에서, 메인 스레드 점유 정책([[Main Thread]] [[Blocking]])을 막기 위해 콜 스택을 너무 무겁게 유지하지 않고 작업을 쪼개는 '비동기 스택 정책'이 웹 앱 성능의 핵심 지표가 됨. (Blocking과 연결)
## 🔗 지식 연결 (Graph)
- [[Blocking]], [[Analysis]], [[Technical-Architecture]], Memory-Management, Recursion
-- **Modern Tech/Tools**: Chrome DevTools Call Stack view, V8 Engine stack management.
+- **Modern Tech/Tools**: [[Chrome DevTools]] Call Stack view, [[V8 Engine]] stack management.
---
diff --git a/10_Wiki/Topics/AI/Case-Study-Allbirds-PWA-Redesign.md b/10_Wiki/Topics/AI/Case-Study-Allbirds-PWA-Redesign.md
index c1b56bd4..4ea98aad 100644
--- a/10_Wiki/Topics/AI/Case-Study-Allbirds-PWA-Redesign.md
+++ b/10_Wiki/Topics/AI/Case-Study-Allbirds-PWA-Redesign.md
@@ -2,7 +2,7 @@
id: CS-RETAIL-ALLBIRDS-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [case-study, ecommerce, allbirds, pwa, performance-optimization, sustainability, storytelling, conversion-rate]
+tags: [case-study, ecommerce, allbirds, pwa, performance-[[Optimization]], [[Sustainability]], storytelling, conversion-rate]
last_reinforced: 2026-04-26
---
@@ -15,12 +15,12 @@ last_reinforced: 2026-04-26
- **핵심 과제:** 사용자 구매 흐름을 방해하지 않으면서 Allbirds의 핵심 가치인 '지속 가능성' 메시지를 효과적으로 전달하고, 모바일 로딩 속도를 획기적으로 개선하는 것.
- **혁신적 UX/기술 전략:**
- **Value-Integrated UI:** 지속 가능성 지표를 '회사 소개' 페이지에 가두지 않고, 제품 기능 설명 바로 옆에 배치하여 고객 신뢰도와 투명성 확보.
- - **PWA Architecture 도입:** 프로그레시브 웹 앱 기술을 활용하여 즉각적인(Near-instantaneous) 페이지 로딩 속도 구현.
+ - **PWA [[Architecture]] 도입:** 프로그레시브 웹 앱 기술을 활용하여 즉각적인(Near-instantaneous) 페이지 로딩 속도 구현.
- **정량적 비즈니스 성과:**
- **Performance:** 페이지 로드 속도 **89% 향상**, 이탈률(Bounce Rate) **34% 감소**.
- **Conversion:** 환경 중시 소비자층의 전환율 **23% 증가**.
- **Revenue:** 리디자인 후 첫 분기에만 **230만 달러**의 추가 수익 창출.
-- **의의:** 웹 성능(Engineering)과 가치 전달(Branding)의 결합이 어떻게 직접적인 수익 창출로 이어지는지를 증명한 현대 이커머스의 벤치마킹 모델.
+- **의의:** 웹 성능(Engineering)과 가치 전달([[Branding]])의 결합이 어떻게 직접적인 수익 창출로 이어지는지를 증명한 현대 이커머스의 벤치마킹 모델.
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌:** 과거에는 고성능 이미지와 풍부한 스토리텔링이 속도 저하를 유발한다고 보았으나, Allbirds 사례는 PWA 기술을 통해 '풍부한 경험'과 '빠른 속도'가 양립 가능하다는 것을 증명함.
diff --git a/10_Wiki/Topics/AI/Case-Study-Kiwi-com-Frontend-Migration.md b/10_Wiki/Topics/AI/Case-Study-Kiwi-com-Frontend-Migration.md
index b6038f34..26f71c18 100644
--- a/10_Wiki/Topics/AI/Case-Study-Kiwi-com-Frontend-Migration.md
+++ b/10_Wiki/Topics/AI/Case-Study-Kiwi-com-Frontend-Migration.md
@@ -2,21 +2,21 @@
id: CS-FE-MIGRATION-KIWI-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [case-study, kiwi-com, frontend-migration, nextjs, mono-repo, orbit-design-system, scalability, web-performance]
+tags: [case-study, kiwi-com, [[Frontend]]-migration, nextjs, mono-repo, orbit-[[Design-System]], [[Scalability]], web-performance]
last_reinforced: 2026-04-26
---
# Case Study: Kiwi.com Frontend Migration (사례 연구: Kiwi.com 프런트엔드 마이그레이션)
## 📌 한 줄 통찰 (The Karpathy Summary)
-> "거대한 항공 서비스의 복잡도를 모노레포와 자체 디자인 시스템(Orbit)으로 통합 관리하고, Next.js 마이그레이션을 통해 SEO와 성능이라는 두 마리 토끼를 한꺼번에 포획하라" — 대규모 글로벌 플랫폼의 기술적 성숙도를 증명한 프런트엔드 현대화 사례.
+> "거대한 항공 서비스의 복잡도를 모노레포와 자체 디자인 시스템(Orbit)으로 통합 관리하고, [[Next.js]] 마이그레이션을 통해 SEO와 성능이라는 두 마리 토끼를 한꺼번에 포획하라" — 대규모 글로벌 플랫폼의 기술적 성숙도를 증명한 프런트엔드 현대화 사례.
## 📖 구조화된 지식 (Synthesized Content)
- **핵심 과제:** 파편화된 다수의 마이크로 서비스와 일관성 없는 UI, 그리고 검색 노출(SEO)의 한계를 극복하기 위한 전사적 프런트엔드 재설계.
- **주요 전략 및 기술 스택:**
- **Next.js adoption:** SSR/SSG를 통한 초기 로딩 속도 향상 및 강력한 SEO 최적화 기반 구축.
- - **Orbit Design System:** 일관된 사용자 경험과 개발 속도 향상을 위해 우버의 Base Web 철학을 참고한 자체 오픈소스 UI 라이브러리 운영.
- - **Monorepo Architecture (pnpm):** 수백 개의 패키지와 서비스를 하나의 저장소에서 관리하여 의존성 충돌 방지 및 빌드 파이프라인 최적화.
+ - **Orbit Design[[ system]]:** 일관된 사용자 경험과 개발 속도 향상을 위해 우버의 Base Web 철학을 참고한 자체 오픈소스 UI 라이브러리 운영.
+ - **[[Monorepo Architecture]] (pnpm):** 수백 개의 패키지와 서비스를 하나의 저장소에서 관리하여 의존성 충돌 방지 및 빌드 파이프라인 최적화.
- **TypeScript & Cypress:** 타입 안전성 확보 및 철저한 E2E 테스트를 통한 배포 안정성 강화.
- **정량적 성과:** 페이지 로딩 속도의 획기적 단축, 개발 주기의 단축, 그리고 전 세계 검색 결과에서의 가시성 대폭 향상.
- **의의:** 기술 부채가 누적된 대규모 시스템이 어떻게 점진적으로 현대화될 수 있는지에 대한 실질적 이정표 제공.
@@ -26,5 +26,5 @@ last_reinforced: 2026-04-26
- **정책 변화:** Antigravity 프로젝트는 대규모 플랫폼 설계 시 Kiwi.com의 모노레포 및 디자인 시스템 기반 협업 모델을 벤치마킹하며, 모든 공유 패키지의 버전 관리를 자동화하는 정책을 도입함.
## 🔗 지식 연결 (Graph)
-- [[Modern-Frontend-Engineering-Architecture]], [[Design-System]], [[Nextjs-App-Router-Architecture]], Scalable-Frontend-Architecture, [[Uber-Base-Web-Design-System]]
+- [[Modern-Frontend-Engineering-Architecture]], [[Design-System]], [[Nextjs-App-Router-Architecture]], Scalable-[[Frontend-Architecture]], [[Uber-Base-Web-Design-System]]
- **Raw Source:** 00_Raw/Kiwi.com Migration.md, 00_Raw/kiwi.com 마이그레이션 프로젝트.md
diff --git a/10_Wiki/Topics/AI/Case-Study-Skybound-Asset-Cache-Busting.md b/10_Wiki/Topics/AI/Case-Study-Skybound-Asset-Cache-Busting.md
index ccba2ab3..0ef63e66 100644
--- a/10_Wiki/Topics/AI/Case-Study-Skybound-Asset-Cache-Busting.md
+++ b/10_Wiki/Topics/AI/Case-Study-Skybound-Asset-Cache-Busting.md
@@ -2,7 +2,7 @@
id: CS-SKYBOUND-CACHE-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [skybound, troubleshooting, cache-busting, production-deployment, vite, asset-management]
+tags: [skybound, troubleshooting, cache-busting, production-deployment, vite, asset-[[Management]]]
last_reinforced: 2026-04-26
---
@@ -24,5 +24,5 @@ last_reinforced: 2026-04-26
- **정책 변화:** Antigravity 프로젝트는 모든 웹 기반 게임 엔진 배포 시 `dist/` 폴더 하위에 빌드 번호별 격리된 자산 경로를 생성하는 것을 강제하는 배포 정책을 시행함.
## 🔗 지식 연결 (Graph)
-- [[Modern-Frontend-Engineering-Architecture]], Vite-Build-Optimization, [[Frontend-Performance-Optimization-Guide]]
+- [[Modern-[[Frontend]]-Engineering-Architecture]], Vite-Build-[[Optimization]], [[Frontend-Performance-Optimization-Guide]]
- **Raw Source:** 00_Raw/2026-04-26-Skybound_Production_Visual_Mismatch_Public_Asset_Cache_Busting.md
diff --git a/10_Wiki/Topics/AI/Case-Study-Skybound-Red-Striker-Jitter-Stabilization.md b/10_Wiki/Topics/AI/Case-Study-Skybound-Red-Striker-Jitter-Stabilization.md
index 196335a1..775667eb 100644
--- a/10_Wiki/Topics/AI/Case-Study-Skybound-Red-Striker-Jitter-Stabilization.md
+++ b/10_Wiki/Topics/AI/Case-Study-Skybound-Red-Striker-Jitter-Stabilization.md
@@ -2,7 +2,7 @@
id: CS-SKYBOUND-JITTER-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [skybound, troubleshooting, jitter, game-engine, lerp, delta-time, physics]
+tags: [skybound, troubleshooting, jitter, game-engine, lerp, delta-time, [[Physics]]]
last_reinforced: 2026-04-26
---
@@ -14,7 +14,7 @@ last_reinforced: 2026-04-26
## 📖 구조화된 지식 (Synthesized Content)
- **핵심 문제:** Red Striker 등 고속으로 이동하는 적 기체가 특정 프레임에서 위치가 미세하게 튀거나(Jitter), 프레임 드랍 발생 시 순간이동 하는 듯한 부자연스러운 움직임 발생.
- **해결 전략: Time-Sliced Linear Interpolation (LERP)**
- - **Delta Time Normalization:** 엔진의 `deltaTime`을 모든 이동 계산의 곱연산자로 사용하여 하드웨어 성능에 상관없는 일정한 이동 속도 보장.
+ - **Delta Time [[Normalization]]:** 엔진의 `deltaTime`을 모든 이동 계산의 곱연산자로 사용하여 하드웨어 성능에 상관없는 일정한 이동 속도 보장.
- **Position Smoothing (LERP):** `currentPos = lerp(currentPos, targetPos, alpha * dt)` 공식을 적용하여 급격한 위치 변화를 부드러운 가속/감속으로 완화.
- **Integer Pixel Snapping Prevention:** 렌더링 직전 단계에서만 소수점 좌표를 정수로 변환하고, 내부 논리 연산은 항상 부동 소수점(Floating point) 정밀도를 유지하여 누적 오차 제거.
- **성과:** 고주파 이동 시에도 잔상이나 떨림 없는 매끄러운 비행 궤적 구현, 엔진 부하 상황에서도 예측 가능한 적 기체 이동 패턴 유지.
@@ -24,5 +24,5 @@ last_reinforced: 2026-04-26
- **정책 변화:** Antigravity 프로젝트는 Skybound 엔진 내 모든 탄환 및 기체 이동 로직에 `LERP_THRESHOLD` 기반의 적응형 보간 필터 적용 정책을 의무화함.
## 🔗 지식 연결 (Graph)
-- [[JavaScript-Optimization-Patterns]], [[Interaction-to-Next-Paint-INP]], High-Performing-Website-Development
+- [[JavaScript-[[Optimization]]-Patterns]], [[Interaction-to-Next-Paint-INP]], High-Performing-Website-Development
- **Raw Source:** 00_Raw/2026-04-26-Skybound_Red_Striker_Movement_Jitter_Fix.md
diff --git a/10_Wiki/Topics/AI/Catastrophic-Forgetting.md b/10_Wiki/Topics/AI/Catastrophic-Forgetting.md
index 0b6809b9..6f8812b1 100644
--- a/10_Wiki/Topics/AI/Catastrophic-Forgetting.md
+++ b/10_Wiki/Topics/AI/Catastrophic-Forgetting.md
@@ -2,7 +2,7 @@
id: CATAST-FORGET-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [ai, neural-networks, lifelong-learning, catastrophic-forgetting, stability-plasticity]
+tags: [ai, neural-networks, lifelong-learning, catastrophic-forgetting, [[Stability]]-plasticity]
last_reinforced: 2026-04-26
---
@@ -14,9 +14,9 @@ last_reinforced: 2026-04-26
## 📖 구조화된 지식 (Synthesized Content)
- **추출된 패턴:** 학습 과정에서 가중치들이 현재의 데이터에만 최적화되면서, 과거의 데이터 분포 정보를 잃어버리는 정보 오버라이딩 패턴.
- **주요 해결 기법 (Continual Learning):**
- - **Regularization-based:** 과거 태스크에 중요했던 가중치가 변하지 않도록 페널티 부여 (예: EWC).
+ - **[[Regularization]]-based:** 과거 태스크에 중요했던 가중치가 변하지 않도록 페널티 부여 (예: EWC).
- **Replay-based:** 과거의 데이터 일부를 저장해두었다가 새로운 학습 시 함께 사용.
- - **Architecture-based:** 새로운 지식을 위해 신경망의 일부를 동적으로 확장하거나 분리.
+ - **[[Architecture]]-based:** 새로운 지식을 위해 신경망의 일부를 동적으로 확장하거나 분리.
- **의의:** 인간처럼 평생에 걸쳐 지식을 축적하는 '지속 가능한 학습(Lifelong Learning)' 구현을 위한 가장 큰 난제 중 하나.
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
diff --git a/10_Wiki/Topics/AI/Causal-Inference.md b/10_Wiki/Topics/AI/Causal-Inference.md
index e5574ebb..43d30809 100644
--- a/10_Wiki/Topics/AI/Causal-Inference.md
+++ b/10_Wiki/Topics/AI/Causal-Inference.md
@@ -2,7 +2,7 @@
id: CAUSAL-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [statistics, ai, causal-inference, causality, counterfactuals]
+tags: [[[Statistics]], ai, causal-inference, causality, counterfactuals]
last_reinforced: 2026-04-26
---
@@ -24,5 +24,5 @@ last_reinforced: 2026-04-26
- **정책 변화:** Antigravity 프로젝트는 시스템 장애 분석 시 단순 통계적 상관관계 대신 인과 추론 방법론을 적용하여, 장애의 진짜 원인을 타격하는 해결책을 제시함.
## 🔗 지식 연결 (Graph)
-- [[Root-Cause-Analysis-RCA]], [[Probabilistic-Graphical-Models]], Bayesian-Inference, Decision-Making
+- [[Root-Cause-[[Analysis]]-RCA]], [[Probabilistic-Graphical-Models]], Bayesian-Inference, Decision-Making
- **Raw Source:** 10_Wiki/Topics/AI/Causal-Inference.md
diff --git a/10_Wiki/Topics/AI/Central-Pattern-Generators.md b/10_Wiki/Topics/AI/Central-Pattern-Generators.md
index 0a48fa40..b5ab1e7e 100644
--- a/10_Wiki/Topics/AI/Central-Pattern-Generators.md
+++ b/10_Wiki/Topics/AI/Central-Pattern-Generators.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-CPGE-001
+id: [[P-Reinforce]]-AUTO-CPGE-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.89
-tags: [auto-reinforced, cpg, neurobiology, motor-control, robotics, rhythmic-movements]
+tags: [auto-reinforced, cpg, neurobiology, motor-control, [[Robotics]], rhythmic-movements]
last_reinforced: 2026-04-20
---
@@ -16,7 +16,7 @@ last_reinforced: 2026-04-20
1. **생물학적 역할**:
* **Locomotion**: 척추동물의 보행 리듬을 조절. 한쪽 다리가 나가면 반대쪽이 멈추는 상호 억제(Mutual Inhibition) 기법 활용.
- * **Efficiency**: 높은 수준의 인지 능력을 쓰지 않고도 기본적인 생존 움직임을 자동화함. (Biological-Intelligence와 연결)
+ * **[[Efficiency]]**: 높은 수준의 인지 능력을 쓰지 않고도 기본적인 생존 움직임을 자동화함. ([[Bio[[Logic]]al-Intelligence]]와 연결)
2. **로보틱스 적용**:
* 동물의 보행 매커니즘을 모방한 4족 보행 로봇의 보행 리듬 제어 알고리즘으로 활발히 연구됨.
diff --git a/10_Wiki/Topics/AI/CesiumJS.md b/10_Wiki/Topics/AI/CesiumJS.md
index 6dda0544..72cd016f 100644
--- a/10_Wiki/Topics/AI/CesiumJS.md
+++ b/10_Wiki/Topics/AI/CesiumJS.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-CESI-001
+id: [[P-Reinforce]]-AUTO-CESI-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.94
-tags: [auto-reinforced, cesiumjs, webgl, 3d-mapping, geospatial, visualization]
+tags: [auto-reinforced, [[Cesium]]js, [[WebGL]], 3d-mapping, geospatial, visualization]
last_reinforced: 2026-04-20
---
@@ -12,20 +12,20 @@ last_reinforced: 2026-04-20
> "브라우저에 담긴 지구: 웹상에서 거대한 3D 지형, 위성 이미지, 실시간 정밀 데이터를 플러그인 없이도 최고 수준의 성능으로 렌더링하는 오픈소스 기반의 공간 지능형 시각화 플랫폼."
## 📖 구조화된 지식 (Synthesized Content)
-CesiumJS는 3D 지리 공간 데이터를 웹 브라우저에서 시각화하기 위한 JavaScript 라이브러리입니다.
+CesiumJS는 3D 지리 공간 데이터를 웹 브라우저에서 시각화하기 위한 [[JavaScript]] 라이브러리입니다.
1. **핵심 강점**:
* **WebGL 기반**: 하드웨어 가속을 통해 대규모 3D 데이터를 매끄럽게 처리.
* **Precision**: WGS84 좌표계를 직접 사용하여 우주적 규모부터 도시의 미세한 건물까지 정밀하게 표현.
- * **3D Tiles**: 거대한 데이터를 청크 단위로 나누어 필요한 부분만 스트리밍하는 혁신적 방식. (Scalability와 연결)
+ * **3D Tiles**: 거대한 데이터를 청크 단위로 나누어 필요한 부분만 스트리밍하는 혁신적 방식. ([[Scalability]]와 연결)
2. **주요 활용**:
* 스마트 시티 디지털 트윈, 항공 경로 실시간 모니터링, 재난 피해 가상 시뮬레이션 등.
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거의 웹 지도 정책은 2D 평면 지도 중심이었으나, CesiumJS와 같은 3D 위주의 정책이 등격하며 '공간적 맥락 정책'을 디지털 트윈의 표준으로 만듦(RL Update).
-- **정책 변화(RL Update)**: 엔비디아 옴니버스나 구글 맵스 3D 타일과의 통합 정책이 강화됨에 따라, 닫힌 시스템이 아닌 '상호운용성 정책(Interoperability)'을 최우선으로 하는 지리 정보 생태계로 진화함.
+- **정책 변화(RL Update)**: 엔비디아 옴니버스나 구글 맵스 3D 타일과의 통합 정책이 강화됨에 따라, 닫힌 시스템이 아닌 '상호운용성 정책([[Inter[[Opera]]bility]])'을 최우선으로 하는 지리 정보 생태계로 진화함.
## 🔗 지식 연결 (Graph)
-- [[Browser]], Geographic-Information-Systems (GIS), Simulation, [[Scalability]], [[Technical-Architecture]]
-- **Modern Tech/Tools**: Cesium Ion, Unmanned Traffic Management (UTM), Digital Twin platforms.
+- [[Browser]], [[Geographic-Information-Systems]] (GIS), Simulation, [[Scalability]], [[Technical-Architecture]]
+- **Modern Tech/Tools**: Cesium Ion, Unmanned Traffic [[Management]] (UTM), [[Digital Twin]] platforms.
---
diff --git a/10_Wiki/Topics/AI/Chain-of-Thought (CoT 罽).md b/10_Wiki/Topics/AI/Chain-of-Thought (CoT 罽).md
index 087b3aa9..82e3da8b 100644
--- a/10_Wiki/Topics/AI/Chain-of-Thought (CoT 罽).md
+++ b/10_Wiki/Topics/AI/Chain-of-Thought (CoT 罽).md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AI-COT
+id: [[P-Reinforce]]-AI-COT
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.99
-tags: [LLM, Chain-of-Thought, CoT, Inference, Search]
+tags: [LLM, Chain-of-Thought, CoT, Inference, [[Search]]]
last_reinforced: 2026-04-20
---
@@ -12,7 +12,7 @@ last_reinforced: 2026-04-20
> 거대 언어 모델에게 "생각해 봐"라고 한마디 하는 것만으로도, 문제를 단계적으로 분해하여 정답 도출 가능성을 비약적으로 높이는 추론의 기적이다.
## 📖 구조화된 지식 (Synthesized Content)
-- **Step-by-Step Reasoning**:
+- **Step-by-Step [[Reasoning]]**:
- 질문에 바로 답하지 않고, 중간 과정(Rationales)을 텍스트로 먼저 생성하게 유도함으로써 모델이 자신의 이전 출력을 다음 추론의 근거로 활용하게 하는 기법.
- **Zero-shot CoT**:
- 프롬프트 끝에 "Let's think step by step"이라는 문구만 추가해도 상식 추론과 수학 문제 해결 능력이 폭발적으로 증가한다.
diff --git a/10_Wiki/Topics/AI/Chain-of-Thought (CoT 사고 사슬).md b/10_Wiki/Topics/AI/Chain-of-Thought (CoT 사고 사슬).md
index 5337454c..98475cfc 100644
--- a/10_Wiki/Topics/AI/Chain-of-Thought (CoT 사고 사슬).md
+++ b/10_Wiki/Topics/AI/Chain-of-Thought (CoT 사고 사슬).md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-CCOT-001
+id: [[P-Reinforce]]-AUTO-CCOT-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.98
-tags: [auto-reinforced, chain-of-thought, cot, prompt-engineering, llm, reasoning]
+tags: [auto-reinforced, chain-of-thought, cot, [[Prompt-Engineering]], llm, [[Reasoning]]]
last_reinforced: 2026-04-20
---
@@ -18,7 +18,7 @@ last_reinforced: 2026-04-20
* **Zero-shot CoT**: 프롬프트 끝에 "차근차근 생각해보자(Let's think step by step)"라는 마법의 구를 추가하는 것만으로 추론 성능이 비약적으로 상승.
* **Few-shot CoT**: 문제 풀이 과정을 보여주는 예시를 몇 개 제공하여 모델이 그 추론 흐름을 모방하게 함.
2. **왜 효과적인가?**:
- * 모델이 다음 토큰을 예측할 때, 앞서 적은 자신의 추론 과정이 '작업 기억(Working Memory)' 역할을 수행하여 최종 정답 도출의 확률적 정확도를 높임.
+ * 모델이 다음 토큰을 예측할 때, 앞서 적은 자신의 추론 과정이 '작업 기억(Working [[memory]])' 역할을 수행하여 최종 정답 도출의 확률적 정확도를 높임.
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 초기 모델 정책은 단순히 데이터 학습량만 늘리는 정책(Scaling Law)에 집중했으나, 현대 정책은 모델의 내부 연산 비중만큼이나 '출력되는 추론 과정의 양과 질 정책'이 지능 발현의 핵심임을 인정함(RL Update).
@@ -26,5 +26,5 @@ last_reinforced: 2026-04-20
## 🔗 지식 연결 (Graph)
- [[Reasoning]], [[Prompt-Engineering]], [[Automated-Reasoning]], [[Search-Optimization]], [[Knowledge-Representation-in-AI]]
-- **Modern Tech/Tools**: OpenAI o1 (Strawberry), Chain of Thought prompting, Self-consistency decoding.
+- **Modern Tech/Tools**: OpenAI o1 (Strawberry), Chain of Thought [[prompt]]ing, Self-consistency decoding.
---
diff --git a/10_Wiki/Topics/AI/Chaos-Theory in Systems.md b/10_Wiki/Topics/AI/Chaos-Theory in Systems.md
index 2957c671..761b2031 100644
--- a/10_Wiki/Topics/AI/Chaos-Theory in Systems.md
+++ b/10_Wiki/Topics/AI/Chaos-Theory in Systems.md
@@ -2,7 +2,7 @@
id: CHAOS-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [mathematics, complex-systems, chaos-theory, nonlinear-dynamics, system-design]
+tags: [mathematics, complex-systems, chaos-theory, nonlinear-dynamics,[[ system]]-design]
last_reinforced: 2026-04-26
---
@@ -12,7 +12,7 @@ last_reinforced: 2026-04-26
> "결정론적인 질서 안에서도 예측 불가능한 요동이 숨어 있다" — 초기 조건의 미세한 차이가 시간이 흐름에 따라 거대한 결과의 차이를 만들어내는(나비 효과) 비선형 동역학 시스템의 성질을 탐구하는 이론.
## 📖 구조화된 지식 (Synthesized Content)
-- **추출된 패턴:** 규칙적인 알고리즘으로 작동하는 시스템이라도, 요소 간의 복잡한 피드백 루프와 비선형성으로 인해 장기적인 예측이 원천적으로 불가능해지는 복잡계(Complex Systems) 패턴.
+- **추출된 패턴:** 규칙적인 알고리즘으로 작동하는 시스템이라도, 요소 간의 복잡한 피드백 루프와 비선형성으로 인해 장기적인 예측이 원천적으로 불가능해지는 복잡계([[Complex Systems]]) 패턴.
- **핵심 개념:**
- **Butterfly Effect:** 초기값의 0.0001% 차이가 전혀 다른 결과를 초래함.
- **Strange Attractors:** 혼돈 속에서도 특정 궤적이나 패턴으로 수렴하는 기하학적 구조 (예: 로렌츠 끌개).
diff --git a/10_Wiki/Topics/AI/Chrome DevTools Memory Profiling.md b/10_Wiki/Topics/AI/Chrome DevTools Memory Profiling.md
index bd00640f..914533a3 100644
--- a/10_Wiki/Topics/AI/Chrome DevTools Memory Profiling.md
+++ b/10_Wiki/Topics/AI/Chrome DevTools Memory Profiling.md
@@ -1,12 +1,12 @@
---
-id: CHROME-MEM-001
+id: [[Chrome]]-MEM-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [web-performance, debugging, memory-leak, devtools]
+tags: [web-performance, debugging, [[memory]]-leak, devtools]
last_reinforced: 2026-04-26
---
-# Chrome DevTools Memory Profiling (메모리 분석 및 성능 최적화)
+# [[Chrome DevTools]] Memory Profiling (메모리 분석 및 성능 최적화)
## 📌 한 줄 통찰 (The Karpathy Summary)
> "보이지 않는 메모리 누수를 가시화하라" — 브라우저의 힙 스냅샷과 타임라인 기록을 통해 자바스크립트 객체의 할당 및 해제 과정을 추적하여 웹 애플리케이션의 메모리 효율성을 극대화하는 진단 도구.
@@ -14,7 +14,7 @@ last_reinforced: 2026-04-26
## 📖 구조화된 지식 (Synthesized Content)
- **추출된 패턴:** 메모리 점유율이 지속적으로 우상향하는 '메모리 누수(Memory Leak)' 패턴을 식별하고, 해제되지 않은 참조 관계(Retainer Tree)를 찾아내는 진단 패턴.
- **세부 내용:**
- - **Heap Snapshot:** 특정 시점의 메모리 사용 현황을 캡처하여 어떤 객체가 가장 많은 용량을 차지하는지 분석.
+ - **[[Heap Snapshot]]:** 특정 시점의 메모리 사용 현황을 캡처하여 어떤 객체가 가장 많은 용량을 차지하는지 분석.
- **Allocation Instrumentation on Timeline:** 시간에 따른 메모리 할당 현황을 기록하여 특정 사용자 동작(클릭 등) 시 메모리가 비정상적으로 급증하는지 확인.
- **Detached DOM Nodes:** 화면에서 사라졌지만 가비지 컬렉터(GC)에 의해 수거되지 못한 DOM 노드를 탐지.
- **Shallow Size vs Retained Size:** 객체 자체의 크기와 해당 객체가 유지하고 있는 다른 객체들의 합계 크기를 구분하여 병목 지점 파악.
diff --git a/10_Wiki/Topics/AI/Chrome DevTools 메모리 프로파일링 및 힙 스냅샷 분석.md b/10_Wiki/Topics/AI/Chrome DevTools 메모리 프로파일링 및 힙 스냅샷 분석.md
index f68be68e..7ea8e7ea 100644
--- a/10_Wiki/Topics/AI/Chrome DevTools 메모리 프로파일링 및 힙 스냅샷 분석.md
+++ b/10_Wiki/Topics/AI/Chrome DevTools 메모리 프로파일링 및 힙 스냅샷 분석.md
@@ -1,21 +1,21 @@
---
-id: P-REINFORCE-AUTO-EF52CE
+id: [[P-Reinforce]]-AUTO-EF52CE
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.90
tags: [auto-reinforced]
last_reinforced: 2026-04-20
-github_commit: "[P-Reinforce] Continuous Worker - Chrome DevTools 메모리 프로파일링 및 힙 스냅샷 분석"
+github_commit: "[P-Reinforce] Continuous Worker - [[Chrome DevTools]] 메모리 프로파일링 및 힙 스냅샷 분석"
---
# [[Chrome DevTools 메모리 프로파일링 및 힙 스냅샷 분석]]
## 📌 한 줄 통찰 (The Karpathy Summary)
-> Chrome DevTools의 메모리 프로파일링 및 힙 스냅샷 분석은 웹 애플리케이션 및 Node.js 환경에서 발생하는 메모리 누수를 찾아내고 객체의 보존 상태를 파악하는 데 사용되는 핵심 디버깅 기법입니다. 메모리 패널은 전체 객체 그래프를 캡처하는 힙 스냅샷, 시간에 따른 할당을 추적하는 타임라인 계측, 그리고 프로덕션에 적합한 샘플링 도구를 제공합니다. 개발자는 이러한 도구와 객체의 참조 체인(Retaining path)을 분석하여 가비지 컬렉터(GC)에 의해 해제되어야 할 객체가 왜 메모리에 남아있는지 근본 원인을 파악할 수 있습니다.
+> [[Chrome]] DevTools의 메모리 프로파일링 및 힙 스냅샷 분석은 웹 애플리케이션 및 Node.js 환경에서 발생하는 메모리 누수를 찾아내고 객체의 보존 상태를 파악하는 데 사용되는 핵심 디버깅 기법입니다. 메모리 패널은 전체 객체 그래프를 캡처하는 힙 스냅샷, 시간에 따른 할당을 추적하는 타임라인 계측, 그리고 프로덕션에 적합한 샘플링 도구를 제공합니다. 개발자는 이러한 도구와 객체의 참조 체인([[Retaining Path]])을 분석하여 가비지 컬렉터(GC)에 의해 해제되어야 할 객체가 왜 메모리에 남아있는지 근본 원인을 파악할 수 있습니다.
## 📖 구조화된 지식 (Synthesized Content)
- **DevTools 메모리 패널의 핵심 도구**
- Chrome DevTools의 Memory 패널은 주로 세 가지 분석 도구를 제공합니다.
- 1. **Heap snapshot (힙 스냅샷):** 특정 시점의 전체 객체 그래프를 캡처합니다 [1].
+ Chrome DevTools의 [[memory]] 패널은 주로 세 가지 분석 도구를 제공합니다.
+ 1. **[[Heap Snapshot]] (힙 스냅샷):** 특정 시점의 전체 객체 그래프를 캡처합니다 [1].
2. **Allocation instrumentation on timeline (타임라인에 할당 계측):** 특정 기간 동안의 모든 메모리 할당과 스택 트레이스를 기록합니다 [1]. 기록을 시작하면 50ms마다 힙 스냅샷을 주기적으로 캡처하고 기록이 끝날 때 최종 스냅샷을 생성합니다 [2, 3].
3. **Allocation sampling (할당 샘플링):** 전체 계측을 수행하는 대신 통계적 샘플링을 사용하여 오버헤드가 적기 때문에 프로덕션 환경의 프로파일링에 적합합니다 [4].
@@ -23,7 +23,7 @@ github_commit: "[P-Reinforce] Continuous Worker - Chrome DevTools 메모리 프
캡처한 힙 스냅샷은 목적에 맞게 여러 가지 뷰를 통해 분석할 수 있습니다 [5].
- **Summary(요약) 뷰:** 객체를 생성자(Constructor) 이름으로 그룹화하여 보여줍니다 [5, 6]. 각 객체가 점유하는 자체 메모리인 '얕은 크기(Shallow size)'와, 해당 객체가 삭제될 때 해제될 수 있는 최대 메모리 크기인 '보존된 크기(Retained size)'를 확인할 수 있습니다 [7].
- **Comparison(비교) 뷰:** 두 개 이상의 스냅샷 간의 차이를 보여줍니다. 특정 작업 전후의 스냅샷을 비교하여 메모리 누수의 존재와 원인을 확인하는 데 유용합니다 [5, 8].
- - **Containment(포함) 뷰:** 애플리케이션 객체 구조를 조감(Bird's eye view)할 수 있으며, DOMWindow 객체, GC 루트(GC roots), 네이티브 객체를 통해 글로벌 네임스페이스에서 참조되는 객체를 분석할 수 있습니다 [5, 9, 10].
+ - **Containment(포함) 뷰:** 애플리케이션 객체 구조를 조감(Bird's eye view)할 수 있으며, DOMWindow 객체, GC 루트([[GC Root]]s), 네이티브 객체를 통해 글로벌 네임스페이스에서 참조되는 객체를 분석할 수 있습니다 [5, 9, 10].
- **타임라인 할당 분석을 통한 누수 추적**
타임라인을 이용한 할당 계측 시, 상단에 나타나는 막대의 높이는 할당된 객체의 크기를 의미하며 막대의 색상은 객체의 생존 여부를 나타냅니다 [11, 12].
@@ -44,7 +44,7 @@ github_commit: "[P-Reinforce] Continuous Worker - Chrome DevTools 메모리 프
- **정책 변화:** AI 분야의 자동 자산화 수행.
## 🔗 지식 연결 (Graph)
-- **Related Topics:** [[메모리 누수(Memory Leaks)]], 가비지 컬렉션(Garbage Collection), V8 엔진 메모리 구조, 객체 참조 체인(Retainers)
+- **Related Topics:** [[메모리 누수([[Memory Leaks]])]], 가비지 컬렉션([[Garbage Collection]]), V8 엔진 메모리 구조, 객체 참조 체인(Retainers)
- **Projects/Contexts:** Node.js 프로덕션 메모리 문제 해결, [[웹 프론트엔드 성능 최적화]]
- **Contradictions/Notes:** 단순히 메모리 그래프가 상승한다고 해서 모두 우발적인 메모리 누수인 것은 아닙니다. 애플리케이션의 캐시(Caches)나 실행 취소 기록(Undo histories) 등은 의도적으로 데이터를 보존하도록 설계되었으므로, 이러한 '의도된 보존'과 '우발적인 보존(누수)'을 명확하게 구분해야 합니다 [18].
diff --git a/10_Wiki/Topics/AI/Chrome DevTools 메모리 프로파일링.md b/10_Wiki/Topics/AI/Chrome DevTools 메모리 프로파일링.md
index ac1aa3e3..aaf54702 100644
--- a/10_Wiki/Topics/AI/Chrome DevTools 메모리 프로파일링.md
+++ b/10_Wiki/Topics/AI/Chrome DevTools 메모리 프로파일링.md
@@ -1,19 +1,19 @@
---
-id: P-REINFORCE-AUTO-8471ED
+id: [[P-Reinforce]]-AUTO-8471ED
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.90
tags: [auto-reinforced]
last_reinforced: 2026-04-20
-github_commit: "[P-Reinforce] Continuous Worker - Chrome DevTools 메모리 프로파일링"
+github_commit: "[P-Reinforce] Continuous Worker - [[Chrome DevTools]] 메모리 프로파일링"
---
# [[Chrome DevTools 메모리 프로파일링]]
## 📌 한 줄 통찰 (The Karpathy Summary)
-> Chrome DevTools 메모리 프로파일링은 개발자가 힙(Heap) 스냅샷을 캡처하고 시간에 따른 메모리 할당을 추적하여 브라우저 환경에서 발생하는 메모리 누수를 감지하고 분석하는 과정입니다 [1-4]. 이는 JavaScript 객체와 DOM 노드의 메모리 분포를 보여주며, 가비지 컬렉션(GC) 이후에도 불필요하게 남아있는 객체의 참조 경로(Retaining Path)를 시각적으로 파악할 수 있도록 돕습니다 [1, 4-6]. 이를 통해 브라우저 메모리 할당 시점별 힙의 상세한 동작과 메모리 보존(Retention) 원인을 명확히 식별할 수 있습니다 [2, 7].
+> [[Chrome]] DevTools 메모리 프로파일링은 개발자가 힙(Heap) 스냅샷을 캡처하고 시간에 따른 메모리 할당을 추적하여 브라우저 환경에서 발생하는 메모리 누수를 감지하고 분석하는 과정입니다 [1-4]. 이는 [[JavaScript]] 객체와 DOM 노드의 메모리 분포를 보여주며, 가비지 컬렉션(GC) 이후에도 불필요하게 남아있는 객체의 참조 경로([[Retaining Path]])를 시각적으로 파악할 수 있도록 돕습니다 [1, 4-6]. 이를 통해 브라우저 메모리 할당 시점별 힙의 상세한 동작과 메모리 보존(Retention) 원인을 명확히 식별할 수 있습니다 [2, 7].
## 📖 구조화된 지식 (Synthesized Content)
-* **힙 스냅샷(Heap Snapshot)과 3-스냅샷 기법:** 힙 스냅샷은 특정 시점의 전체 객체 그래프를 캡처하는 도구입니다 [2, 3]. 메모리 누수 탐지에서 가장 신뢰할 수 있는 방법은 '3-스냅샷 기법'으로, 기준 스냅샷을 찍고 누수가 의심되는 작업을 수행한 뒤 두 번째 스냅샷을 찍고, 작업을 반복한 후 세 번째 스냅샷을 찍는 방식입니다 [8]. 이를 통해 일회성 메모리 할당을 필터링하고 실제 누수 후보를 찾아낼 수 있습니다 [8]. 스냅샷은 생성자별로 객체를 그룹화하는 'Summary' 뷰, 두 스냅샷 간의 차이를 보여주는 'Comparison' 뷰, 전역 네임스페이스에 참조된 객체의 구조를 파악하는 'Containment' 뷰 등을 제공합니다 [9].
+* **힙 스냅샷([[Heap Snapshot]])과 3-스냅샷 기법:** 힙 스냅샷은 특정 시점의 전체 객체 그래프를 캡처하는 도구입니다 [2, 3]. 메모리 누수 탐지에서 가장 신뢰할 수 있는 방법은 '3-스냅샷 기법'으로, 기준 스냅샷을 찍고 누수가 의심되는 작업을 수행한 뒤 두 번째 스냅샷을 찍고, 작업을 반복한 후 세 번째 스냅샷을 찍는 방식입니다 [8]. 이를 통해 일회성 메모리 할당을 필터링하고 실제 누수 후보를 찾아낼 수 있습니다 [8]. 스냅샷은 생성자별로 객체를 그룹화하는 'Summary' 뷰, 두 스냅샷 간의 차이를 보여주는 'Comparison' 뷰, 전역 네임스페이스에 참조된 객체의 구조를 파악하는 'Containment' 뷰 등을 제공합니다 [9].
* **타임라인의 할당 계측(Allocation instrumentation on timeline):** 이 도구는 힙 프로파일러의 상세 스냅샷 정보와 타임라인 패널의 점진적인 업데이트 추적 기능을 결합한 것입니다 [10, 11]. 특정 기간 동안 발생한 모든 메모리 할당을 스택 트레이스와 함께 최소 50ms마다 주기적으로 기록합니다 [2, 12, 13]. 타임라인 상의 막대 높이는 할당된 객체의 크기를 의미하며, 파란색 막대는 타임라인 종료 시점까지 살아있는 객체를, 회색 막대는 할당 후 가비지 컬렉션(GC)된 객체를 나타냅니다 [5, 14, 15].
* **할당 샘플링(Allocation sampling):** 모든 할당을 추적하는 타임라인 계측 방식에 비해 시스템 오버헤드가 없기 때문에, 운영(Production) 환경의 프로파일링에 적합한 가벼운 통계적 샘플링 방식입니다 [16].
* **보존 경로(Retainers)와 고유 객체 식별자:** 메모리 패널 하단의 'Retainers' 섹션은 GC 루트(Root)에서부터 특정 객체를 계속 살아있게 유지하는 참조 체인을 역순으로 보여주어 메모리 누수의 근본 원인을 추적할 수 있게 합니다 [2, 7, 17]. 또한, 각 객체에는 가비지 컬렉션 과정에서 객체의 물리적 위치가 이동하더라도 여러 스냅샷 간에 동일하게 유지되는 고유 ID(`@` 기호 뒤의 숫자)가 부여되어 정밀한 개별 객체 단위의 비교 분석이 가능합니다 [12, 13, 18, 19].
@@ -23,8 +23,8 @@ github_commit: "[P-Reinforce] Continuous Worker - Chrome DevTools 메모리 프
- **정책 변화:** AI 분야의 자동 자산화 수행.
## 🔗 지식 연결 (Graph)
-- **Related Topics:** 힙 스냅샷(Heap Snapshot), [[타임라인 할당 계측(Allocation instrumentation on timeline)]], 가비지 컬렉션(Garbage Collection), [[보존 경로(Retaining Path)]]
-- **Projects/Contexts:** V8 JavaScript Engine 메모리 관리 및 가비지 컬렉션, [[브라우저 메모리 누수 탐지(Browser Memory Leak Detection)]]
+- **Related Topics:** 힙 스냅샷(Heap Snapshot), [[타임라인 할당 계측(Allocation instrumentation on timeline)]], 가비지 컬렉션([[Garbage Collection]]), [[보존 경로(Retaining Path)]]
+- **Projects/Contexts:** [[V8 JavaScript Engine]] 메모리 관리 및 가비지 컬렉션, [[브라우저 메모리 누수 탐지([[Browser]] [[memory]] Leak Detection)]]
- **Contradictions/Notes:** 소스의 메모리 누수 분석 시 주의사항에 따르면, DevTools 콘솔에서의 `console.log` 출력은 로깅된 객체에 대한 참조를 계속 유지하므로 실제로는 누수가 아니더라도 가비지 컬렉션이 되지 않아 조사 과정에서 혼선을 줄 수 있습니다 [20].
---
diff --git a/10_Wiki/Topics/AI/Chrome DevTools.md b/10_Wiki/Topics/AI/Chrome DevTools.md
index 70aacba0..8bb2227b 100644
--- a/10_Wiki/Topics/AI/Chrome DevTools.md
+++ b/10_Wiki/Topics/AI/Chrome DevTools.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-CDTO-001
+id: [[P-Reinforce]]-AUTO-CDTO-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.96
-tags: [auto-reinforced, chrome-devtools, debugging, web-development, performance-analysis, browser-tools]
+tags: [auto-reinforced, [[Chrome]]-devtools, debugging, web-development, performance-[[Analysis]], [[Browser]]-tools]
last_reinforced: 2026-04-20
---
@@ -16,9 +16,9 @@ Chrome DevTools는 구글 크롬 브라우저에 내장된 웹 제작 및 디버
1. **핵심 패널**:
* **Elements**: DOM 구조와 CSS 스타일을 실시간 수정 및 미리보기.
- * **Console**: API 테스트, 로그 확인, JavaScript 코드 즉석 실행.
- * **Network**: 데이터 요청 오가는 것을 감시하고 속도 지연 원인 파악. (Backend와 연결)
- * **Performance/Memory**: 프레임 드랍이나 메모리 누수(Memory Leak)를 정밀 분석. (Bottlenecks와 연결)
+ * **Console**: API 테스트, 로그 확인, [[JavaScript]] 코드 즉석 실행.
+ * **Network**: 데이터 요청 오가는 것을 감시하고 속도 지연 원인 파악. ([[Backend]]와 연결)
+ * **Performance/[[memory]]**: 프레임 드랍이나 메모리 누수(Memory Leak)를 정밀 분석. ([[Bottlenecks]]와 연결)
2. **왜 중요한가?**:
* 브라우저라는 거대한 블랙박스 내부의 '런타임 상태'를 투명하게 가시화하여, 이론이 아닌 데이터 기반의 최적화를 가능케 함.
@@ -28,5 +28,5 @@ Chrome DevTools는 구글 크롬 브라우저에 내장된 웹 제작 및 디버
## 🔗 지식 연결 (Graph)
- [[Browser]], [[Backend]], [[Bottlenecks]], [[Analysis]], [[Technical-Architecture]]
-- **Modern Tech/Tools**: Lighthouse, Heap Snapshot analyzer, Recorder panel.
+- **Modern Tech/Tools**: [[Lighthouse]], [[Heap Snapshot]] analyzer, Recorder panel.
---
diff --git a/10_Wiki/Topics/AI/Chrome-Rendering-Performance.md b/10_Wiki/Topics/AI/Chrome-Rendering-Performance.md
index 3c5bff35..f00312ae 100644
--- a/10_Wiki/Topics/AI/Chrome-Rendering-Performance.md
+++ b/10_Wiki/Topics/AI/Chrome-Rendering-Performance.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-CHRP-001
+id: [[P-Reinforce]]-AUTO-CHRP-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.96
-tags: [auto-reinforced, chrome, rendering-performance, web-vitals, frame-rate, optimization, browser-engine]
+tags: [auto-reinforced, [[Chrome]], rendering-performance, web-vitals, frame-rate, [[Optimization]], [[Browser]]-engine]
last_reinforced: 2026-04-20
---
@@ -15,13 +15,13 @@ last_reinforced: 2026-04-20
Chrome 브라우저 렌더링 성능(Chrome-Rendering-Performance)은 웹 콘텐츠가 사용자 화면에 표시되는 과정의 효율성을 극대화하는 것을 의미합니다.
1. **The Rendering Pipeline**:
- * **JavaScript**: 시각적 변화 유발 로직 실행.
+ * **[[JavaScript]]**: 시각적 변화 유발 로직 실행.
* **Style**: CSS 규칙을 요소에 적용.
* **Layout (Reflow)**: 기하학적 형태(크기, 위치) 계산. (가장 비싼 연산)
* **Paint**: 텍스트, 색상, 이미지 등을 픽셀로 채움.
* **Composite**: 레이어들을 합쳐 최종 화면 구성 (GPU 활용).
2. **핵심 최적화 전략**:
- * **Layout Thrashing 방지**: 읽기/쓰기 작업 교차 반복 금지.
+ * **[[Layout Thrashing]] 방지**: 읽기/쓰기 작업 교차 반복 금지.
* **Layer Promotion**: `will-change` 등을 통해 복잡한 애니메이션을 개별 레이어로 분리.
* **Web Vitals**: LCP, FID, CLS 등 사용자 중심 지표 관리. (SEO와 연결)
@@ -31,5 +31,5 @@ Chrome 브라우저 렌더링 성능(Chrome-Rendering-Performance)은 웹 콘텐
## 🔗 지식 연결 (Graph)
- [[SEO]], [[Efficiency]], UX-Design-and-Engagement, [[Scalability]], [[Systems-Thinking]]
-- **Key Tools**: Chrome DevTools Performance tab, Lighthouse, PageSpeed Insights.
+- **Key Tools**: [[Chrome DevTools]] Performance tab, [[Lighthouse]], [[PageSpeed Insights]].
---
diff --git a/10_Wiki/Topics/AI/Chronic-Pain-Management-Protocols.md b/10_Wiki/Topics/AI/Chronic-Pain-Management-Protocols.md
index 418717da..686d6160 100644
--- a/10_Wiki/Topics/AI/Chronic-Pain-Management-Protocols.md
+++ b/10_Wiki/Topics/AI/Chronic-Pain-Management-Protocols.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-SCI-PAIN
+id: [[P-Reinforce]]-SCI-PAIN
category: "10_Wiki/💡 Topics/Science"
confidence_score: 0.94
-tags: [Pain Management, Medical, Chronic Pain, Neurology]
+tags: [Pain [[Management]], Medical, Chronic Pain, Neurology]
last_reinforced: 2026-04-20
---
@@ -24,4 +24,4 @@ last_reinforced: 2026-04-20
## 🔗 지식 연결 (Graph)
- Related: [[Cognitive-Therapy-in-CBT]] , [[Biomechanics-of-Injury]]
-- Analysis: [[Clinical-Kinesiology-Assessment]]
+- [[Analysis]]: [[Clinical-Kinesiology-Assessment]]
diff --git a/10_Wiki/Topics/AI/Circuit Discovery (회로 발견).md b/10_Wiki/Topics/AI/Circuit Discovery (회로 발견).md
index d17297b3..700cec7d 100644
--- a/10_Wiki/Topics/AI/Circuit Discovery (회로 발견).md
+++ b/10_Wiki/Topics/AI/Circuit Discovery (회로 발견).md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AI-CIRCUIT-DISCOVERY
+id: [[P-Reinforce]]-AI-CIRCUIT-DISCOVERY
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.92
-tags: [Interpretability, MechanisticInterpretability, NeuralNetworks]
+tags: [[[Interpretability]], MechanisticInterpretability, NeuralNetworks]
last_reinforced: 2026-04-20
---
@@ -21,7 +21,7 @@ last_reinforced: 2026-04-20
- **Significance**: 블랙박스인 AI 모델을 해석 가능한 시스템으로 전환하여 안전성(Safety)과 제어 가능성을 확보한다.
## ⚠️ 모순 및 업데이트 (RL Update)
-- 현재의 회로 발견은 주로 작은 모델(GPT-2 등)에서 성공적이며, 수천억 개의 파라미터를 가진 대규모 모델에서는 회로의 중첩과 복잡성 때문에 자동화된 회로 발견(Automated Circuit Discovery) 기술이 활발히 연구되고 있다.
+- 현재의 회로 발견은 주로 작은 모델(GPT-2 등)에서 성공적이며, 수천억 개의 파라미터를 가진 대규모 모델에서는 회로의 중첩과 복잡성 때문에 자동화된 회로 발견(Automated [[Circuit Discovery]]) 기술이 활발히 연구되고 있다.
## 🔗 지식 연결 (Graph)
- Related: [[Mechanistic Interpretability (기계적 해석 가능성)]] , Monosemanticity (일의성)
diff --git a/10_Wiki/Topics/AI/Circuit Discovery.md b/10_Wiki/Topics/AI/Circuit Discovery.md
index b43258af..fcd62d84 100644
--- a/10_Wiki/Topics/AI/Circuit Discovery.md
+++ b/10_Wiki/Topics/AI/Circuit Discovery.md
@@ -2,7 +2,7 @@
id: CIRCUIT-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [ai-interpretability, mechanistic-interpretability, neural-networks, circuits]
+tags: [ai-[[Interpretability]], mechanistic-interpretability, neural-networks, circuits]
last_reinforced: 2026-04-26
---
@@ -21,7 +21,7 @@ last_reinforced: 2026-04-26
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌:** 단순 시각화(Saliency Map) 수준을 넘어, 모델 내부에서 수학적으로 정의 가능한 알고리즘을 찾아내는 정교한 단계로 진화.
-- **정책 변화:** 모델의 안전성 검증(Alignment)을 위해 잠재적인 유해 논리 회로가 형성되었는지 감지하는 도구로 활용 비중 확대.
+- **정책 변화:** 모델의 안전성 검증([[Alignment]])을 위해 잠재적인 유해 논리 회로가 형성되었는지 감지하는 도구로 활용 비중 확대.
## 🔗 지식 연결 (Graph)
- **Parent:** 10_Wiki/💡 Topics/AI
diff --git a/10_Wiki/Topics/AI/Circular-Economy-Transitions.md b/10_Wiki/Topics/AI/Circular-Economy-Transitions.md
index f212fd85..4c5786ed 100644
--- a/10_Wiki/Topics/AI/Circular-Economy-Transitions.md
+++ b/10_Wiki/Topics/AI/Circular-Economy-Transitions.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-CETE-001
+id: [[P-Reinforce]]-AUTO-CETE-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.93
-tags: [auto-reinforced, circular-economy, sustainability, resource-efficiency, regenerative-design, economic-model]
+tags: [auto-reinforced, [[Circular-Economy]], [[Sustainability]], resource-[[Efficiency]], regenerative-design, economic-model]
last_reinforced: 2026-04-20
---
@@ -17,14 +17,14 @@ last_reinforced: 2026-04-20
1. **3대 원칙 (Ellen MacArthur Foundation)**:
* **Design out Waste**: 폐기물과 오염을 발생시키지 않는 초기 설계.
* **Keep products in use**: 제품과 재료를 가능한 오래 사용 (재사용, 수리, 리퍼비시).
- * **Regenerate natural systems**: 자연으로 돌아가는 재료를 사용하여 생태계 회복.
+ * **Regenerate natural[[ system]]s**: 자연으로 돌아가는 재료를 사용하여 생태계 회복.
2. **전환 전략**:
* **Product as a Service (PaaS)**: 제품을 파는 것이 아니라 '기능'이나 '서비스'를 대여하는 모델.
- * **Closed-loop Supply Chain**: 공급망 자체가 순환되도록 설계. (Supply-Chain와 연결)
+ * **Closed-loop Supply Chain**: 공급망 자체가 순환되도록 설계. ([[Supply-Chain]]와 연결)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거에는 단순히 '분리수거(Recycling)' 잘하기가 순환 경제라 믿었으나, 현대 정책은 재활용 이전 단계인 '재사용 정책(Reuse)'과 '감량 정책(Reduce)', 그리고 근본적인 '설계 변경 정책(Redesign)'이 훨씬 더 큰 가치를 만든다는 것을 강조함(RL Update). (Sustainability와 연결)
-- **정책 변화(RL Update)**: 이제는 디지털 트윈 정책(Digital Twin)과 AI 를 활용해 자원의 흐름 정책을 실시간으로 추적하고 최적의 순환 경로 정책을 찾아내는 '테크 기반 순환 경제'로 진화 중임.
+- **정책 변화(RL Update)**: 이제는 디지털 트윈 정책([[Digital Twin]])과 AI 를 활용해 자원의 흐름 정책을 실시간으로 추적하고 최적의 순환 경로 정책을 찾아내는 '테크 기반 순환 경제'로 진화 중임.
## 🔗 지식 연결 (Graph)
- [[Sustainability]], [[Supply-Chain]], [[System-Theory]], [[Strategic-Planning]], Regenerative-Design
diff --git a/10_Wiki/Topics/AI/Circular-Economy.md b/10_Wiki/Topics/AI/Circular-Economy.md
index f6410c71..f9c24353 100644
--- a/10_Wiki/Topics/AI/Circular-Economy.md
+++ b/10_Wiki/Topics/AI/Circular-Economy.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-CIEC-001
+id: [[P-Reinforce]]-AUTO-CIEC-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.88
-tags: [auto-reinforced, circular-economy, sustainability, resource-efficiency, recycling, system-design]
+tags: [auto-reinforced, circular-economy, [[Sustainability]], resource-[[Efficiency]], recycling,[[ system]]-design]
last_reinforced: 2026-04-20
---
@@ -26,6 +26,6 @@ last_reinforced: 2026-04-20
- **정책 변화(RL Update)**: 블록체인 정책과 결합하여 제품의 전 생애 주기를 투명하게 추적하는 '디지털 제품 여권(DPP) 정책'이 도입됨에 따라, 순환 경제는 단순한 구호를 넘어 데이터 기반의 엄격한 컴플라이언스 영역 정책으로 편입됨.
## 🔗 지식 연결 (Graph)
-- Sustainable Development Goals (SDGs), [[Strategic-Planning]], [[Blockchain]], [[Systems Thinking]], [[Optimization]]
+- Sustainable Development [[goals]] (SDGs), [[Strategic-Planning]], [[Blockchain]], [[Systems Thinking]], [[Optimization]]
- **Modern Tech/Tools**: Digital Product Passports, Product-as-a-Service models, Cradle-to-Cradle certification.
---
diff --git a/10_Wiki/Topics/AI/Clean-Architecture-Implementation.md b/10_Wiki/Topics/AI/Clean-Architecture-Implementation.md
index cd73d837..e27aa262 100644
--- a/10_Wiki/Topics/AI/Clean-Architecture-Implementation.md
+++ b/10_Wiki/Topics/AI/Clean-Architecture-Implementation.md
@@ -1,6 +1,6 @@
---
-id: P-REINFORCE-AI-CLEANARCH-IMP
-category: "10_Wiki/💡 Topics/Software Architecture"
+id: [[P-Reinforce]]-AI-CLEANARCH-IMP
+category: "10_Wiki/💡 Topics/Software [[Architecture]]"
confidence_score: 0.98
tags: [Clean Architecture, Implementation, Layering, SOLID]
last_reinforced: 2026-04-20
@@ -19,7 +19,7 @@ last_reinforced: 2026-04-20
2. **Use Cases**: 애플리케이션 특유의 비즈니스 논리 구현.
3. **Interface Adapters**: Controller, Presenter 등 데이터 변환기.
4. **Frameworks & Drivers**: DB, UI, 외부 API 등 인프라스트럭처.
-- **DIP (Dependency Inversion Principle)**:
+- **DIP (Dependency [[Inversion]] Principle)**:
- 중심부가 외부를 호출해야 할 땐 인터페이스를 정의하고, 실체는 외부에서 주입(Injection)받는다.
## ⚠️ 모순 및 업데이트 (RL Update)
diff --git a/10_Wiki/Topics/AI/Clean-Architecture-TypeScript.md b/10_Wiki/Topics/AI/Clean-Architecture-TypeScript.md
index f122842b..c7d39656 100644
--- a/10_Wiki/Topics/AI/Clean-Architecture-TypeScript.md
+++ b/10_Wiki/Topics/AI/Clean-Architecture-TypeScript.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-CATY-001
+id: [[P-Reinforce]]-AUTO-CATY-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.97
-tags: [auto-reinforced, clean-architecture, typescript, software-design, decoupling, layered-architecture]
+tags: [auto-reinforced, clean-[[Architecture]], typescript, software-design, decoupling, layered-architecture]
last_reinforced: 2026-04-20
---
@@ -23,10 +23,10 @@ last_reinforced: 2026-04-20
* 의존성은 반드시 안쪽(Entity)으로만 향해야 함. 안쪽은 바깥쪽이 무엇을 쓰는지 몰라야 함.
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
-- **과거 데이터와의 충돌**: 과거의 개발 정책은 프레임워크(예: Spring, Next.js)가 제공하는 구조에 모든 코드를 넣는 정책이었으나, 현대 정책은 프레임워크를 단순한 '도구'로 취급하고 비즈니스 로직을 독립적으로 유지하는 '프레임워크 독립 정책'을 추구함(RL Update).
+- **과거 데이터와의 충돌**: 과거의 개발 정책은 프레임워크(예: Spring, [[Next.js]])가 제공하는 구조에 모든 코드를 넣는 정책이었으나, 현대 정책은 프레임워크를 단순한 '도구'로 취급하고 비즈니스 로직을 독립적으로 유지하는 '프레임워크 독립 정책'을 추구함(RL Update).
- **정책 변화(RL Update)**: 타입스크립트의 강력한 타입 시스템 정책을 활용하여, 컴파일 타임에 계층 간 의존성 위반을 체크하거나 '도메인 기반 타입 정의 정책'을 통해 아키텍처의 강건함을 코드 레벨에서 보장함. (Domain-Driven-Design과 시너지)
## 🔗 지식 연결 (Graph)
-- Domain-Driven-Design (DDD), [[Technical-Architecture]], [[Optimization]], [[Backend]], [[Workflow-Integrity]]
+- Domain-Driven-Design (DDD), [[Technical-Architecture]], [[Optimization]], [[Backend]], [[Workflow-Inte[[Grit]]y]]
- **Modern Tech/Tools**: TypeDI, InversifyJS, Hexagonal Architecture patterns, Microservices.
---
diff --git a/10_Wiki/Topics/AI/Clean-Code-Principles.md b/10_Wiki/Topics/AI/Clean-Code-Principles.md
index 2c4b3483..977f4dfd 100644
--- a/10_Wiki/Topics/AI/Clean-Code-Principles.md
+++ b/10_Wiki/Topics/AI/Clean-Code-Principles.md
@@ -6,7 +6,7 @@ tags: [software-engineering, clean-code, srp, dry, kiss, refactoring, maintainab
last_reinforced: 2026-04-26
---
-# Clean Code Principles (클린 코드 원칙)
+# Clean Code [[Principles]] (클린 코드 원칙)
## 📌 한 줄 통찰 (The Karpathy Summary)
> "코드는 컴퓨터가 읽기 위함이 아니라, 미래의 나를 포함한 '다른 인간'이 단번에 의도를 파악할 수 있도록 설계된 고도의 의사소통 수단이다" — 유지보수 효율을 극대화하고 소프트웨어의 부패를 막기 위한 코드 작성의 도덕적/기술적 기준.
@@ -17,7 +17,7 @@ last_reinforced: 2026-04-26
- **Meaningful Names:** 변수와 함수명은 존재 이유와 기능을 스스로 설명해야 함.
- **Single Responsibility (SRP):** 하나의 함수/클래스는 오직 하나의 일만 수행하고 하나의 변경 이유만 가져야 함.
- **DRY (Don't Repeat Yourself):** 중복은 시스템의 복잡도를 높이고 버그의 온상이 됨. 추상화를 통해 제거.
- - **KISS (Keep It Simple, Stupid):** 가장 단순한 해결책이 가장 좋은 해결책임.
+ - **[[KISS (Keep It Simple, Stupid)]]:** 가장 단순한 해결책이 가장 좋은 해결책임.
- **의의:** 기술 부채(Technical Debt)의 누적을 방지하고, 대규모 협업 환경에서 코드 리뷰 비용을 획기적으로 낮추며 시스템의 수명을 연장함.
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
@@ -25,5 +25,5 @@ last_reinforced: 2026-04-26
- **정책 변화:** Antigravity 프로젝트는 에이전트가 생성하는 모든 코드에 대해 SOLID 원칙과 클린 코드 가이드라인을 강제 적용하며, 복잡도가 일정 수준 이상인 코드는 자동 리팩토링 루프에 진입시킴.
## 🔗 지식 연결 (Graph)
-- [[Software-Architecture-Patterns]], Refactoring-Techniques, SOLID-Principles-in-React, Technical-Debt-Management
+- [[Software-[[Architecture]]-Patterns]], Refactoring-Techniques, SOLID-Principles-in-React, [[Technical-Debt]]-[[Management]]
- **Raw Source:** 00_Raw/Clean Code Principles.md
diff --git a/10_Wiki/Topics/AI/Climate Change Mitigation Frameworks.md b/10_Wiki/Topics/AI/Climate Change Mitigation Frameworks.md
index 3d72574d..d182e697 100644
--- a/10_Wiki/Topics/AI/Climate Change Mitigation Frameworks.md
+++ b/10_Wiki/Topics/AI/Climate Change Mitigation Frameworks.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-SCI-CLIMATE
+id: [[P-Reinforce]]-SCI-CLIMATE
category: "10_Wiki/💡 Topics/Science"
confidence_score: 0.93
tags: [Climate Change, Net Zero, Carbon Neutral, Mitigation]
@@ -9,14 +9,14 @@ last_reinforced: 2026-04-20
# Climate-Change-Mitigation-Frameworks (기후 변화 대응 프레임워크)
## 📌 한 줄 통찰 (The Karpathy Summary)
-> 기후 변화는 단순한 환경 문제가 아니라 '에너지 시스템의 대전환' 문제이며, 과학적 실증 데이터에 기반한 탄소 예산(Carbon Budget) 관리가 핵심이다.
+> 기후 변화는 단순한 환경 문제가 아니라 '에너지 시스템의 대전환' 문제이며, 과학적 실증 데이터에 기반한 탄소 예산(Carbon [[Budget]]) 관리가 핵심이다.
## 📖 구조화된 지식 (Synthesized Content)
- **Decarbonization (탈탄소화)**:
- 화석 연료 기반의 에너지 믹스를 태양광, 풍력, 원자력 등 저탄소 에너지원으로 전환하고 전력을 효율화한다.
-- **Carbon Capture & Storage (CCS)**:
+- **Carbon Capture & [[Storage]] (CCS)**:
- 배출된 이산화탄소를 포집하여 지하나 해저에 영구 격리하는 기술적 보완책. 넷 제로(Net Zero) 달성을 위한 최후의 수단이다.
-- **Emissions Trading System (ETS)**:
+- **Emissions Trading[[ system]] (ETS)**:
- 탄소 배출에 '가격'을 매겨 기업들이 자발적으로 배출량을 줄이도록 유도하는 시장 경제 기반의 정책 도구.
## ⚠️ 모순 및 업데이트 (RL Update)
diff --git a/10_Wiki/Topics/AI/Clinical-Kinesiology-Assessment.md b/10_Wiki/Topics/AI/Clinical-Kinesiology-Assessment.md
index e36b5b7b..6abd17c7 100644
--- a/10_Wiki/Topics/AI/Clinical-Kinesiology-Assessment.md
+++ b/10_Wiki/Topics/AI/Clinical-Kinesiology-Assessment.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-SCI-KINESIO
+id: [[P-Reinforce]]-SCI-KINESIO
category: "10_Wiki/💡 Topics/Science"
confidence_score: 0.95
-tags: [Kinesiology, Human Movement, Biomechanics, Assessment]
+tags: [Kinesiology, Human Movement, Biomechanics, [[Assessment]]]
last_reinforced: 2026-04-20
---
@@ -16,7 +16,7 @@ last_reinforced: 2026-04-20
- 관절이 가용할 수 있는 각도를 측정하여 유연성과 가동성을 평가한다. 특정 방향의 각도 제한은 부상으로 가는 조기 신호다.
- **Muscle Imbalance Study**:
- 주동근(Agonist)과 길항근(Antagonist)의 힘의 균형을 분석한다. 한쪽이 너무 강하면 반대쪽은 늘어지고 약해지며(Lower Crossed Syndrome 등) 체형 불균형을 초래한다.
-- **Gait Analysis (보행 분석)**:
+- **Gait [[Analysis]] (보행 분석)**:
- 발바닥의 압력 분포와 걷는 자세를 분석하여 척추와 골반의 정렬 상태를 추론한다.
## ⚠️ 모순 및 업데이트 (RL Update)
diff --git a/10_Wiki/Topics/AI/Code Review.md b/10_Wiki/Topics/AI/Code Review.md
index 8f0a17be..7263d4cd 100644
--- a/10_Wiki/Topics/AI/Code Review.md
+++ b/10_Wiki/Topics/AI/Code Review.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AUTO-8EC3C3
+id: [[P-Reinforce]]-AUTO-8EC3C3
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.90
tags: [auto-reinforced]
@@ -10,17 +10,17 @@ github_commit: "[P-Reinforce] Continuous Worker - Code Review"
# [[Code Review]]
## 📌 한 줄 통찰 (The Karpathy Summary)
-> 코드 리뷰(Code Review)는 소프트웨어의 전반적인 코드 건강 상태를 개선하고 품질 및 보안을 보장하기 위해 소스 코드를 검사하는 과정입니다 [1-3]. 이는 인간 개발자가 직접 수행하는 수동 리뷰(Manual Code Review)와 정적 분석(SAST) 및 AI 도구를 활용하는 자동화된 리뷰(Automated Code Review)로 나뉩니다 [4, 5]. 최신 소프트웨어 개발 환경에서는 자동화 도구의 속도와 인간의 문맥 이해 능력을 결합하여 일관성과 보안성을 극대화하는 하이브리드 접근법이 필수적인 모범 사례로 권장됩니다 [5-8].
+> 코드 리뷰(Code Review)는 소프트웨어의 전반적인 코드 건강 상태를 개선하고 품질 및 보안을 보장하기 위해 소스 코드를 검사하는 과정입니다 [1-3]. 이는 인간 개발자가 직접 수행하는 수동 리뷰(Manual Code Review)와 정적 분석([[SAST]]) 및 AI 도구를 활용하는 자동화된 리뷰(Automated Code Review)로 나뉩니다 [4, 5]. 최신 소프트웨어 개발 환경에서는 자동화 도구의 속도와 인간의 문맥 이해 능력을 결합하여 일관성과 보안성을 극대화하는 하이브리드 접근법이 필수적인 모범 사례로 권장됩니다 [5-8].
## 📖 구조화된 지식 (Synthesized Content)
* **수동 코드 리뷰 (Manual Code Review):**
개발자가 주로 풀 리퀘스트(PR)를 통해 코드를 한 줄씩 읽고 논의하는 인간 주도의 검사 방식입니다 [4, 9]. 도구가 파악할 수 없는 아키텍처의 의도, 비즈니스 로직, 복잡한 설계 결함을 찾아내는 데 탁월하며, 팀원 간의 지식 공유와 멘토링을 촉진하여 코드 가독성을 높입니다 [5, 6, 10, 11]. 구글의 코드 리뷰 표준에 따르면, 완벽한 코드를 추구하기보다는 시스템의 전반적인 코드 상태가 확실히 개선되는 방향(지속적 개선)을 기준으로 승인을 진행해야 합니다 [12, 13]. 하지만 수동 리뷰는 시간이 많이 소요되고 비용이 높으며, 리뷰어의 피로도나 편향에 의한 인적 오류가 발생할 수 있다는 단점이 있습니다 [14, 15].
* **자동화된 코드 리뷰 (Automated Code Review):**
- 린터(Linter), 포매터(Formatter), SAST, AI 기반 리뷰 봇 등의 도구를 사용하여 코드를 실행하지 않고 정적으로 분석하는 방식입니다 [4, 16]. ESLint, Prettier, SonarQube, Snyk 등의 도구를 통해 구문 오류, 스타일 위반, 일반적인 보안 취약점(예: SQL 인젝션, XSS 등)을 대규모 코드베이스에서 빠르고 일관되게 찾아냅니다 [17-20]. 하지만 비즈니스 로직과 설계의 복잡한 의도를 이해하지 못하는 문맥의 맹점(Context Blindness)이 존재하며, 설정된 규칙에만 의존하기 때문에 잦은 오탐(False Positive)을 발생시켜 개발자의 피로도를 높일 수 있다는 한계가 있습니다 [21, 22].
+ 린터(Linter), 포매터(Formatter), SAST, AI 기반 리뷰 봇 등의 도구를 사용하여 코드를 실행하지 않고 정적으로 분석하는 방식입니다 [4, 16]. [[ESLint]], [[Prettier]], [[SonarQube]], Snyk 등의 도구를 통해 구문 오류, 스타일 위반, 일반적인 보안 취약점(예: SQL 인젝션, XSS 등)을 대규모 코드베이스에서 빠르고 일관되게 찾아냅니다 [17-20]. 하지만 비즈니스 로직과 설계의 복잡한 의도를 이해하지 못하는 문맥의 맹점(Context Blindness)이 존재하며, 설정된 규칙에만 의존하기 때문에 잦은 오탐(False Positive)을 발생시켜 개발자의 피로도를 높일 수 있다는 한계가 있습니다 [21, 22].
* **하이브리드 리뷰 워크플로우 (Hybrid Approach):**
- 2025년 기준 가장 이상적인 방식은 자동화와 인간의 통찰력을 계층화하여 결합하는 것입니다 [5, 23]. CI/CD 파이프라인이나 Git 훅(예: Husky, lint-staged)을 통해 기본 구문 검사와 정형화된 보안 결함, 스타일 교정은 자동화 도구가 코드 커밋 및 PR 단계에서 우선적으로 차단합니다 [24, 25]. 이후 인간 리뷰어는 도구가 정리한 코드를 바탕으로 아키텍처 설계, 보안 문맥, 서비스 간의 교차 영향도와 같은 고차원적인 판단에만 집중할 수 있습니다 [23, 25, 26].
+ 2025년 기준 가장 이상적인 방식은 자동화와 인간의 통찰력을 계층화하여 결합하는 것입니다 [5, 23]. CI/CD 파이프라인이나 Git 훅(예: [[Husky]], [[lint-staged]])을 통해 기본 구문 검사와 정형화된 보안 결함, 스타일 교정은 자동화 도구가 코드 커밋 및 PR 단계에서 우선적으로 차단합니다 [24, 25]. 이후 인간 리뷰어는 도구가 정리한 코드를 바탕으로 아키텍처 설계, 보안 문맥, 서비스 간의 교차 영향도와 같은 고차원적인 판단에만 집중할 수 있습니다 [23, 25, 26].
* **AI 기반 코드 리뷰 도구의 진화:**
최근에는 GitHub Copilot, Snyk Code, DeepCode 등 대규모 언어 모델(LLM)과 머신러닝 기반의 분석 도구들이 코드 리뷰에 적극 도입되고 있습니다 [27-29]. AI는 코드의 문맥을 어느 정도 해석하고, 데이터 흐름을 추적하여 오탐률을 줄이며, 리뷰 과정에서 자동으로 코드를 수정해 주는 제안(Auto-fix)을 통해 리뷰 주기를 크게 단축시킵니다 [28, 30, 31].
diff --git a/10_Wiki/Topics/AI/Code-Splitting-and-Frontend-Performance-Optimization.md b/10_Wiki/Topics/AI/Code-Splitting-and-Frontend-Performance-Optimization.md
index 57115f15..7dce96a4 100644
--- a/10_Wiki/Topics/AI/Code-Splitting-and-Frontend-Performance-Optimization.md
+++ b/10_Wiki/Topics/AI/Code-Splitting-and-Frontend-Performance-Optimization.md
@@ -2,11 +2,11 @@
id: FE-PERF-CODE-SPLIT-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [performance, code-splitting, optimization, lazy-loading, suspense, bundling, vite, nextjs, core-web-vitals]
+tags: [performance, code-splitting, [[Optimization]], lazy-loading, suspense, bundling, vite, nextjs, [[Core-Web-Vitals]]]
last_reinforced: 2026-04-26
---
-# Code Splitting and Frontend Performance Optimization (코드 스플리팅과 성능 최적화)
+# Code Splitting and [[Frontend]] [[Performance Optimization]] (코드 스플리팅과 성능 최적화)
## 📌 한 줄 통찰 (The Karpathy Summary)
> "한꺼번에 전송되는 거대한 자바스크립트 번들은 사용자의 기다림을 고통으로 바꾼다. 번들을 의미 있는 조각(Chunks)으로 나누고 필요할 때만 호출(On-demand)하여, 첫 화면의 주인공을 0.1초라도 빨리 무대에 올려라" — 초기 로딩 속도와 런타임 반응성을 극대화하는 핵심 전략.
diff --git a/10_Wiki/Topics/AI/Cognitive Biases.md b/10_Wiki/Topics/AI/Cognitive Biases.md
index ef38f7d1..325c1ade 100644
--- a/10_Wiki/Topics/AI/Cognitive Biases.md
+++ b/10_Wiki/Topics/AI/Cognitive Biases.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-COGB-001
+id: [[P-Reinforce]]-AUTO-COGB-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.96
-tags: [auto-reinforced, cognitive-biases, psychology, decision-making, heuristics, mental-models]
+tags: [auto-reinforced, cognitive-biases, [[Psychology]], decision-making, [[Heuristics]], [[Mental-Models]]]
last_reinforced: 2026-04-20
---
@@ -16,11 +16,11 @@ last_reinforced: 2026-04-20
1. **주요 편향 유형**:
* **Confirmation Bias (확증 편향)**: 자신의 신념과 일치하는 정보만 선택적으로 수용.
- * **Hindsight Bias (사후 확신 편향)**: 사건이 발생한 후 "내 그럴 줄 알았어"라며 자신의 예측 능력을 과대평가. (Black-Swan과 연결)
+ * **Hindsight Bias (사후 확신 편향)**: 사건이 발생한 후 "내 그럴 줄 알았어"라며 자신의 예측 능력을 과대평가. ([[Black-Swan]]과 연결)
* **Availability Heuristic (가용성 휴리스틱)**: 최근에 본 강렬한 정보가 발생 확률이 높다고 착각.
* **Anchor Bias (정착 편향)**: 처음 제시된 숫자에 기준점이 박혀 이후의 판단이 휘둘리는 현상.
2. **왜 발생하는가?**:
- * 뇌가 한정된 에너지로 복잡한 세상을 헤쳐나가기 위해 사용하는 '생존형 최적화'의 부작용. (Bounded-Rationality와 연결)
+ * 뇌가 한정된 에너지로 복잡한 세상을 헤쳐나가기 위해 사용하는 '생존형 최적화'의 부작용. ([[Bounded-Rationality]]와 연결)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거에는 편향을 단순히 '고쳐야 할 결함' 정책으로 보았으나, 현대 정책은 편향이 가진 진화론적 유용성(속도와 생존 정책)을 인정하고, 이를 보완하는 시스템적 장치(Nudge)를 만드는 정책으로 진화함(RL Update).
@@ -28,5 +28,5 @@ last_reinforced: 2026-04-20
## 🔗 지식 연결 (Graph)
- [[Bounded-Rationality]], [[Black-Swan]], [[Axiology]], [[Analysis]], [[Decision Theory]]
-- **Modern Tech/Tools**: Bias detection algorithms, Decision support systems, Nudge design frameworks.
+- **Modern Tech/Tools**: Bias detection algorithms, Decision [[Support]][[ system]]s, Nudge design frameworks.
---
diff --git a/10_Wiki/Topics/AI/Cognitive Computing.md b/10_Wiki/Topics/AI/Cognitive Computing.md
index b8112faf..baa32b9e 100644
--- a/10_Wiki/Topics/AI/Cognitive Computing.md
+++ b/10_Wiki/Topics/AI/Cognitive Computing.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AI-COGCOMP
+id: [[P-Reinforce]]-AI-COGCOMP
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.98
tags: [Cognitive Computing, AI, Machine Learning, Brain-Inspired]
diff --git a/10_Wiki/Topics/AI/Cognitive Neuroscience of Flow.md b/10_Wiki/Topics/AI/Cognitive Neuroscience of Flow.md
index df0210e9..d174b146 100644
--- a/10_Wiki/Topics/AI/Cognitive Neuroscience of Flow.md
+++ b/10_Wiki/Topics/AI/Cognitive Neuroscience of Flow.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-SCI-FLOW
+id: [[P-Reinforce]]-SCI-FLOW
category: "10_Wiki/💡 Topics/Science"
confidence_score: 0.97
-tags: [Flow State, Neuroscience, Concentration, Performance]
+tags: [[[Flow State]], Neuroscience, Concentration, Performance]
last_reinforced: 2026-04-20
---
@@ -14,7 +14,7 @@ last_reinforced: 2026-04-20
## 📖 구조화된 지식 (Synthesized Content)
- **Transient Hypofrontality**:
- 몰입 중에는 전전두엽(판단, 비판 담당)의 활동이 일시적으로 낮아진다. 이로 인해 자의식적 비판이 사라지고 오직 '하는 행위' 자체에만 매몰된다.
-- **Dopamine & Norepinephrine**:
+- **[[Dopamine]] & Norepinephrine**:
- 도파민(보상)과 노르에피네프린(각성)이 다량 분비되며 학습 속도와 반응 속도를 비약적으로 높인다.
- **Challenge-Skill Balance**:
- 과제의 난이도와 자신의 실력이 완벽한 균형을 이룰 때(지루함과 불안 사이) 뇌는 몰입 상태에 진입하기 가장 쉽다.
@@ -23,5 +23,5 @@ last_reinforced: 2026-04-20
- 몰입은 마법 같은 상태지만, 도파민 중독과 비슷한 양상을 보여 '중독성'이 있다. 건강한 몰입과 강박적 몰입을 구분하는 메타 인지가 장기적인 성장에 중요하다.
## 🔗 지식 연결 (Graph)
-- Related: Burnout-Prevention-in-Professional-Gaming , [[Cognitive Psychology]]
+- Related: [[Burnout]]-Prevention-in-Professional-Gaming , [[Cognitive Psychology]]
- Foundation: [[Information Theory]]
diff --git a/10_Wiki/Topics/AI/Cognitive Psychology.md b/10_Wiki/Topics/AI/Cognitive Psychology.md
index b8e9d504..331b2752 100644
--- a/10_Wiki/Topics/AI/Cognitive Psychology.md
+++ b/10_Wiki/Topics/AI/Cognitive Psychology.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-SCI-COG-PSY
+id: [[P-Reinforce]]-SCI-COG-PSY
category: "10_Wiki/💡 Topics/Science"
confidence_score: 0.99
-tags: [Cognitive Psychology, Perception, Memory, Attention]
+tags: [Cognitive [[Psychology]], Perception, [[memory]], Attention]
last_reinforced: 2026-04-20
---
@@ -13,7 +13,7 @@ last_reinforced: 2026-04-20
## 📖 구조화된 지식 (Synthesized Content)
- **Mental Representations**:
- - 외부 세계를 뇌가 어떻게 내부 모델로 변환하여 저장하는가. (예: 스키마(Schema), 프레임(Frame)).
+ - 외부 세계를 뇌가 어떻게 내부 모델로 변환하여 저장하는가. (예: 스키마([[Schema]]), 프레임(Frame)).
- **Dual Process Theory**:
- 시스템 1(빠른 직관)과 시스템 2(느린 추론)가 어떻게 상호작용하며 결정을 내리는지 분석한다.
- **Working Memory Theory**:
diff --git a/10_Wiki/Topics/AI/Cognitive Reserve Theory.md b/10_Wiki/Topics/AI/Cognitive Reserve Theory.md
index 941f0d49..84f08a5f 100644
--- a/10_Wiki/Topics/AI/Cognitive Reserve Theory.md
+++ b/10_Wiki/Topics/AI/Cognitive Reserve Theory.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-SCI-COG-RES
+id: [[P-Reinforce]]-SCI-COG-RES
category: "10_Wiki/💡 Topics/Science"
confidence_score: 0.95
tags: [Cognitive Reserve, Brain Health, Aging, Plasticity]
@@ -24,4 +24,4 @@ last_reinforced: 2026-04-20
## 🔗 지식 연결 (Graph)
- Related: BDNF , Cognitive-Neuroscience-of-Flow
-- Foundation: Complex Systemic Modeling Protocols
+- Foundation: Complex[[ system]]ic Modeling [[Protocols]]
diff --git a/10_Wiki/Topics/AI/Cognitive Training Software (eg Aim Lab_KovaaKs).md b/10_Wiki/Topics/AI/Cognitive Training Software (eg Aim Lab_KovaaKs).md
index 9e1d7cdf..ca2fa947 100644
--- a/10_Wiki/Topics/AI/Cognitive Training Software (eg Aim Lab_KovaaKs).md
+++ b/10_Wiki/Topics/AI/Cognitive Training Software (eg Aim Lab_KovaaKs).md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AI-AIMTRAIN
+id: [[P-Reinforce]]-AI-AIMTRAIN
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.94
tags: [Aim Lab, KovaaKs, Cognitive Training, Performance]
@@ -24,5 +24,5 @@ last_reinforced: 2026-04-20
- 과도한 에임 훈련은 손목 부상(Carpal Tunnel)을 유발할 수 있으며, 실제 게임에서의 지형지물 활용이나 전략적 판단력(Game Sense)을 간과하게 만들 수 있다. 도구는 보조수단일 뿐, 실전 감각과의 균형이 필수적이다.
## 🔗 지식 연결 (Graph)
-- Related: Burnout-Prevention-in-Professional-Gaming , [[Biomechanics-of-Injury]]
-- Analysis: [[Clinical-Kinesiology-Assessment]]
+- Related: [[Burnout]]-Prevention-in-Professional-Gaming , [[Biomechanics-of-Injury]]
+- [[Analysis]]: [[Clinical-Kinesiology-Assessment]]
diff --git a/10_Wiki/Topics/AI/Cognitive-Architecture.md b/10_Wiki/Topics/AI/Cognitive-Architecture.md
index addb854b..b3487851 100644
--- a/10_Wiki/Topics/AI/Cognitive-Architecture.md
+++ b/10_Wiki/Topics/AI/Cognitive-Architecture.md
@@ -2,7 +2,7 @@
id: COG-ARCH-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [ai, cognitive-science, architecture, reasoning, knowledge-representation]
+tags: [ai, cognitive-science, [[Architecture]], [[Reasoning]], knowledge-representation]
last_reinforced: 2026-04-26
---
@@ -15,7 +15,7 @@ last_reinforced: 2026-04-26
- **추출된 패턴:** 환경으로부터 입력을 받아 내부 지식과 대조하고, 목표를 달성하기 위한 계획을 수립하여 실행하는 일관된 '인지 루프'를 하드웨어/소프트웨어적으로 구조화하는 패턴.
- **핵심 구성 요소:**
- **Perception Module:** 외부 자극을 수용하고 데이터화.
- - **Memory Systems:** 단기/작업 기억(Working Memory)과 장기/일화 기억(Long-term Memory)의 분리 및 관리.
+ - **[[memory]][[ system]]s:** 단기/작업 기억(Working Memory)과 장기/일화 기억(Long-term Memory)의 분리 및 관리.
- **Knowledge Representation:** 지식을 기호, 신경망 가중치, 또는 그래프 형태로 저장.
- **Reasoning & Planning:** 당면한 문제를 해결하기 위한 논리적 추론 및 단계별 행동 계획 수립.
- **Learning Mechanism:** 경험을 통해 내부 모델을 지속적으로 업데이트.
diff --git a/10_Wiki/Topics/AI/Cognitive-Evaluation-Theory.md b/10_Wiki/Topics/AI/Cognitive-Evaluation-Theory.md
index 25d7e12c..00c95258 100644
--- a/10_Wiki/Topics/AI/Cognitive-Evaluation-Theory.md
+++ b/10_Wiki/Topics/AI/Cognitive-Evaluation-Theory.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-SCI-COGEVAL
+id: [[P-Reinforce]]-SCI-COGEVAL
category: "10_Wiki/💡 Topics/Science"
confidence_score: 0.97
-tags: [Cognitive Evaluation Theory, Motivation, Autonomy, Psychology]
+tags: [Cognitive Evaluation Theory, Motivation, Autonomy, [[Psychology]]]
last_reinforced: 2026-04-20
---
diff --git a/10_Wiki/Topics/AI/Cognitive-Therapy-in-CBT.md b/10_Wiki/Topics/AI/Cognitive-Therapy-in-CBT.md
index f4a3b1bc..31604b39 100644
--- a/10_Wiki/Topics/AI/Cognitive-Therapy-in-CBT.md
+++ b/10_Wiki/Topics/AI/Cognitive-Therapy-in-CBT.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-SCI-CBT
+id: [[P-Reinforce]]-SCI-CBT
category: "10_Wiki/💡 Topics/Science"
confidence_score: 0.96
-tags: [CBT, Cognitive Therapy, Psychology, Mental Health]
+tags: [CBT, Cognitive Therapy, [[Psychology]], Mental Health]
last_reinforced: 2026-04-20
---
@@ -16,12 +16,12 @@ last_reinforced: 2026-04-20
- 어떤 상황을 마주했을 때 나도 모르게 떠오르는 즉각적인 생각들. (예: "실수했어, 나는 끝이야").
- **Cognitive Distortions (인지적 왜곡)**:
- 흑백 논리, 과도한 일반화, 파국화 등 사실을 왜곡해서 받아들이는 뇌의 습관적 오류.
-- **Core Beliefs (핵심 신념)**:
+- **Core [[Beliefs]] (핵심 신념)**:
- 인생 전반에 걸쳐 형성된 자신과 세상에 대한 근본적인 믿음. CBT는 이 핵심 신념을 탐색하고 건강하게 재구조화하는 것을 목표로 한다.
## ⚠️ 모순 및 업데이트 (RL Update)
- 최근에는 AI 챗봇이 CBT 기법을 활용하여 사용자의 우울감을 관리하고 멘탈 헬스를 보조하는 기술이 상용화되고 있다. 하지만 전문적인 심리 상담사의 공감과 개입을 완전히 대체하기에는 아직 윤리적, 감정적 한계가 존재한다.
## 🔗 지식 연결 (Graph)
-- Related: Cognitive-Biases , Burnout-Prevention-in-Professional-Gaming
+- Related: Cognitive-Biases , [[Burnout]]-Prevention-in-Professional-Gaming
- Foundation: [[Information Theory]]
diff --git a/10_Wiki/Topics/AI/Collaborative-Filtering.md b/10_Wiki/Topics/AI/Collaborative-Filtering.md
index 9dd40397..f3232211 100644
--- a/10_Wiki/Topics/AI/Collaborative-Filtering.md
+++ b/10_Wiki/Topics/AI/Collaborative-Filtering.md
@@ -2,7 +2,7 @@
id: RECOM-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [ai, recommendation-system, collaborative-filtering, personalization, matrix-factorization]
+tags: [ai, recommendation-system, collaborative-filtering, personalization, [[Matrix-Factorization]]]
last_reinforced: 2026-04-26
---
diff --git a/10_Wiki/Topics/AI/Collective-Intelligence.md b/10_Wiki/Topics/AI/Collective-Intelligence.md
index eec54739..86f9d4df 100644
--- a/10_Wiki/Topics/AI/Collective-Intelligence.md
+++ b/10_Wiki/Topics/AI/Collective-Intelligence.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-COIN-001
+id: [[P-Reinforce]]-AUTO-COIN-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.92
-tags: [auto-reinforced, collective-intelligence, emergence, crowdsourcing, decentralization, wisdom-of-crowds]
+tags: [auto-reinforced, collective-intelligence, [[Emergence]], crowdsourcing, decentralization, wisdom-of-crowds]
last_reinforced: 2026-04-20
---
@@ -18,7 +18,7 @@ last_reinforced: 2026-04-20
* **Diversity**: 서로 다른 관점을 가진 구성원들이 필수적.
* **Independence**: 타인의 의견에 휩쓸리지 않는 독립적 판단이 보장되어야 함.
* **Decentralization**: 신속하게 지역적 정보를 반영할 수 있는 구조.
- * **Aggregation**: 흩어진 개별 의견을 유의미한 결론으로 모으는 메커니즘. (Blockchain 등과 연결)
+ * **Aggregation**: 흩어진 개별 의견을 유의미한 결론으로 모으는 메커니즘. ([[Blockchain]] 등과 연결)
2. **주요 사례**:
* 개미 군집의 경로 최적화, 위키피디아, 오픈소스 소프트웨어 개발, 다중 에이전트 시스템.
diff --git a/10_Wiki/Topics/AI/Combinatorial Game Theory.md b/10_Wiki/Topics/AI/Combinatorial Game Theory.md
index 3d101b3c..308baf09 100644
--- a/10_Wiki/Topics/AI/Combinatorial Game Theory.md
+++ b/10_Wiki/Topics/AI/Combinatorial Game Theory.md
@@ -1,12 +1,12 @@
---
-id: P-REINFORCE-AI-CGT
+id: [[P-Reinforce]]-AI-CGT
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.99
-tags: [Game Theory, Combinatorial, Logic, Math, Strategy]
+tags: [Game Theory, Combinatorial, [[Logic]], Math, [[Strategy]]]
last_reinforced: 2026-04-20
---
-# Combinatorial-Game-Theory (조합론적 게임 이론 CGT)
+# Combinatorial-[[Game-Theory]] (조합론적 게임 이론 CGT)
## 📌 한 줄 통찰 (The Karpathy Summary)
> 우연도 숨겨진 정보도 없는 '완전 정보 게임'에서, 수학적으로 필승 전략(Winning Strategy)이 반드시 존재함을 증명하고 찾아내는 지적 유희다.
@@ -14,7 +14,7 @@ last_reinforced: 2026-04-20
## 📖 구조화된 지식 (Synthesized Content)
- **Perfect Information Games**:
- 체스, 바둑, 님(Nim) 게임처럼 모든 정보가 공개되어 있고 주사위 같은 확률 요소가 없는 게임.
-- **Game Tree Search**:
+- **Game Tree [[Search]]**:
- 모든 가능한 수의 경로를 트리 구조로 나타내고, 리프 노드(결과)에서부터 위로 거슬러 올라가며 최선의 수를 찾는 방식.
- **Normal Play Convention**:
- "마지막 수를 두는 사람이 이긴다"는 규칙 하의 전략 분석. 게임을 숫자(Value)로 치환하여 복잡한 게임을 더 단순한 게임의 합으로 분해한다.
diff --git a/10_Wiki/Topics/AI/Combinatorial-Optimization.md b/10_Wiki/Topics/AI/Combinatorial-Optimization.md
index b586d28d..f6e7abc5 100644
--- a/10_Wiki/Topics/AI/Combinatorial-Optimization.md
+++ b/10_Wiki/Topics/AI/Combinatorial-Optimization.md
@@ -2,7 +2,7 @@
id: COMB-OPT-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [mathematics, algorithm, optimization, combinatorial-optimization, complexity]
+tags: [mathematics, algorithm, [[Optimization]], combinatorial-optimization, complexity]
last_reinforced: 2026-04-26
---
diff --git a/10_Wiki/Topics/AI/CompCert-C-Compiler.md b/10_Wiki/Topics/AI/CompCert-C-Compiler.md
index 9a0dd0da..a47867e7 100644
--- a/10_Wiki/Topics/AI/CompCert-C-Compiler.md
+++ b/10_Wiki/Topics/AI/CompCert-C-Compiler.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AUTO-CCCC-001
+id: [[P-Reinforce]]-AUTO-CCCC-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.97
tags: [auto-reinforced, compcert, c-compiler, formal-verification, coq, safety-critical, embedded-systems]
@@ -17,12 +17,12 @@ CompCert는 Coq 증명 도우미를 사용하여 공식적으로 검증된 C 언
1. **핵심 가치**:
* **Formal Verification**: 컴파일러의 모든 패스(Pass)가 원본 코드의 의미를 보존한다는 것을 수학적으로 정형화하여 증명.
* **Bug-Free Compilation**: 일반적인 컴파일러(GCC, Clang 등)에서 발견되는 '컴파일러 버그'로 인한 오작동 원천 차단.
- * **Safety-Critical Standard**: 항공, 의료, 원자력 등 절대적 안전이 필요한 임베디드 시스템의 표준. (Reliability와 연결)
+ * **Safety-Critical Standard**: 항공, 의료, 원자력 등 절대적 안전이 필요한 임베디드 시스템의 표준. ([[Reliability]]와 연결)
2. **왜 중요한가?**:
* 아무리 소프트웨어를 잘 짜도 컴파일러가 틀리면 소용없는데, CompCert는 신뢰의 사슬(Chain of Trust)에서 가장 중요한 고리를 수학으로 고정했기 때문임.
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
-- **과거 데이터와의 충돌**: 과거에는 정형 검증된 소프트웨어는 실성능 정책이 매우 떨어진다고 생각했으나, CompCert 정책은 최적화 정책(Optimization)을 적용하면서도 증명 정책을 유지하며 GCC 2단계 최적화 수준의 우수한 성능 정책을 보여주어 편견 정책을 깼음(RL Update).
+- **과거 데이터와의 충돌**: 과거에는 정형 검증된 소프트웨어는 실성능 정책이 매우 떨어진다고 생각했으나, CompCert 정책은 최적화 정책([[Optimization]])을 적용하면서도 증명 정책을 유지하며 GCC 2단계 최적화 수준의 우수한 성능 정책을 보여주어 편견 정책을 깼음(RL Update).
- **정책 변화(RL Update)**: 이제는 단순 컴파일러를 넘어, 하드웨어 설계 정책이나 운영체제 정책(seL4 등) 전체를 정형 검증하려는 'Full-stack Verification 정책'의 선구자적 모델로 자리 잡음.
## 🔗 지식 연결 (Graph)
diff --git a/10_Wiki/Topics/AI/Complexity Theory.md b/10_Wiki/Topics/AI/Complexity Theory.md
index eb7daa67..10e82583 100644
--- a/10_Wiki/Topics/AI/Complexity Theory.md
+++ b/10_Wiki/Topics/AI/Complexity Theory.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-COTX-001
+id: [[P-Reinforce]]-AUTO-COTX-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.89
-tags: [auto-reinforced, complexity-theory, systems-thinking, chaos, emergence, non-linear]
+tags: [auto-reinforced, [[Complexity-Theory]], [[Systems-Thinking]], chaos, [[Emergence]], non-linear]
last_reinforced: 2026-04-20
---
@@ -15,7 +15,7 @@ last_reinforced: 2026-04-20
복잡계 이론(Complexity Theory)은 수많은 구성 요소가 서로 밀접하게 연관되어 질서와 혼돈 사이의 독특한 패턴을 만들어내는 시스템을 탐구합니다.
1. **핵심 개념**:
- * **Emergence (발현)**: 하위 수준의 단순한 규칙이 상위 수준의 지능적 패턴을 만듦. (Collective-Intelligence와 연결)
+ * **Emergence (발현)**: 하위 수준의 단순한 규칙이 상위 수준의 지능적 패턴을 만듦. ([[Collective-Intelligence]]와 연결)
* **Feedback Loops**: 시스템 내의 결과가 다시 원인이 되어 증폭(Positive)되거나 억제(Negative)되는 순환 구조.
* **Self-Organization**: 외부의 지휘 없이도 스스로 새로운 질서를 찾아감.
* **Non-linearity**: 원인의 작은 변화가 결과의 엄청난 차이를 가져옴 (Butterfly Effect).
@@ -28,5 +28,5 @@ last_reinforced: 2026-04-20
## 🔗 지식 연결 (Graph)
- [[Emergence]], [[Systems Thinking]], [[Collective-Intelligence]], Chaos Theory, [[Analysis]]
-- **Modern Tech/Tools**: Agent-based modeling (NetLogo), Network analysis software, System dynamics tools.
+- **Modern Tech/Tools**: Agent-based modeling (NetLogo), Network [[Analysis]] software,[[ system]] dynamics tools.
---
diff --git a/10_Wiki/Topics/AI/Complexity-Theory.md b/10_Wiki/Topics/AI/Complexity-Theory.md
index eddc45e3..c0b5f27c 100644
--- a/10_Wiki/Topics/AI/Complexity-Theory.md
+++ b/10_Wiki/Topics/AI/Complexity-Theory.md
@@ -2,11 +2,11 @@
id: COMP-THEORY-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [computer-science, math, complexity-theory, p-vs-np, logic]
+tags: [computer-science, math, complexity-theory, p-vs-np, [[Logic]]]
last_reinforced: 2026-04-26
---
-# Complexity Theory (복잡성 이론)
+# [[Complexity Theory]] (복잡성 이론)
## 📌 한 줄 통찰 (The Karpathy Summary)
> "문제의 본질적 난이도를 측정하고, 계산 가능성의 경계를 설정하라" — 문제를 해결하는 데 필요한 자원(시간, 공간)의 양에 따라 문제들을 분류하고, 현실적으로 해결 가능한 문제와 불가능한 문제를 구분하는 전산학의 핵심 이론.
diff --git a/10_Wiki/Topics/AI/Component-Composition.md b/10_Wiki/Topics/AI/Component-Composition.md
index 6aa8e455..1be861b9 100644
--- a/10_Wiki/Topics/AI/Component-Composition.md
+++ b/10_Wiki/Topics/AI/Component-Composition.md
@@ -2,7 +2,7 @@
id: FE-REACT-COMP-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [react, frontend, component-composition, reusability, modularity, design-patterns, clean-code]
+tags: [react, [[Frontend]], component-composition, reusability, [[Modularity]], design-patterns, clean-code]
last_reinforced: 2026-04-26
---
@@ -15,14 +15,14 @@ last_reinforced: 2026-04-26
- **추출된 패턴:** "Containment and Specialization" — 자식 컴포넌트를 `props.children`으로 전달받아 렌더링하는 컨테인먼트 패턴과, 일반적인 컴포넌트를 구체적인 사례로 설정하는 특수화 패턴의 결합.
- **주요 구현 기법:**
- **Props.children:** 컴포넌트 내부의 구멍(Slot)을 열어두어 호출부에서 자유롭게 UI를 주입하게 함.
- - **Render Props:** 함수를 prop으로 전달하여 렌더링 로직을 외부에서 결정하게 함.
+ - **[[Render Props]]:** 함수를 prop으로 전달하여 렌더링 로직을 외부에서 결정하게 함.
- **HOC (High-Order Components):** 컴포넌트를 인자로 받아 기능을 강화된 새 컴포넌트를 반환 (최근에는 Custom Hooks로 많이 대체됨).
- **의의:** 컴포넌트 간의 결합도를 낮추고(Decoupling), 비즈니스 로직과 UI 로직을 명확히 분리하여 코드의 재사용성과 테스트 용이성을 극대화함.
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌:** 과거 객체지향 기반 프레임워크는 클래스 상속을 권장했으나, React 정책은 '상속보다 합성(Composition over Inheritance)' 정책을 절대적 원칙으로 고수함.
-- **정책 변화:** Antigravity 프로젝트는 모든 공용 UI 라이브러리 설계 시 '슬롯 기반 합성(Slot-based Composition)' 아키텍처를 강제하며, 3단계 이상의 깊은 Prop Drilling이 발생하는 경우 반드시 합성을 통해 구조를 재설계하도록 함.
+- **정책 변화:** Antigravity 프로젝트는 모든 공용 UI 라이브러리 설계 시 '슬롯 기반 합성(Slot-based Composition)' 아키텍처를 강제하며, 3단계 이상의 깊은 [[Prop Drilling]]이 발생하는 경우 반드시 합성을 통해 구조를 재설계하도록 함.
## 🔗 지식 연결 (Graph)
-- React-Architecture, [[Custom-Hooks-Patterns]], Reusable-UI-Components, Scalable-React-Architecture
+- React-[[Architecture]], [[Custom-Hooks-Patterns]], Reusable-UI-Components, Scalable-React-Architecture
- **Raw Source:** 00_Raw/Component Composition.md
diff --git a/10_Wiki/Topics/AI/Computational Creativity.md b/10_Wiki/Topics/AI/Computational Creativity.md
index aad138d7..d88aa5f5 100644
--- a/10_Wiki/Topics/AI/Computational Creativity.md
+++ b/10_Wiki/Topics/AI/Computational Creativity.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-COCR-001
+id: [[P-Reinforce]]-AUTO-COCR-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.91
-tags: [auto-reinforced, computational-creativity, generative-ai, arts, innovation, algorithmic-art]
+tags: [auto-reinforced, [[Computational-Creativity]], [[Generative-AI]], [[Arts]], [[Innovation]], algorithmic-art]
last_reinforced: 2026-04-20
---
diff --git a/10_Wiki/Topics/AI/Computational Neuroscience of Reinforcement Learning.md b/10_Wiki/Topics/AI/Computational Neuroscience of Reinforcement Learning.md
index 4b022d9b..5b120a69 100644
--- a/10_Wiki/Topics/AI/Computational Neuroscience of Reinforcement Learning.md
+++ b/10_Wiki/Topics/AI/Computational Neuroscience of Reinforcement Learning.md
@@ -2,7 +2,7 @@
id: COMP-NEURO-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [neuroscience, reinforcement-learning, dopamine, brain-modeling]
+tags: [neuroscience, [[Reinforcement-Learning]], [[Dopamine]], brain-modeling]
last_reinforced: 2026-04-26
---
@@ -14,9 +14,9 @@ last_reinforced: 2026-04-26
## 📖 구조화된 지식 (Synthesized Content)
- **추출된 패턴:** 실제 생물학적 뉴런의 활동과 강화학습 알고리즘(예: Q-Learning) 간의 상관관계를 모델링하여 학습의 생물학적 하드웨어 원리를 파악하는 패턴.
- **세부 내용:**
- - **Reward Prediction Error (RPE):** 도파민 뉴런이 보상 자체가 아닌, '기대와 실제 보상의 차이'에 반응한다는 사실을 TD 에러 모델로 증명.
+ - **[[Reward Prediction Error]] (RPE):** 도파민 뉴런이 보상 자체가 아닌, '기대와 실제 보상의 차이'에 반응한다는 사실을 TD 에러 모델로 증명.
- **Basal Ganglia Modeling:** 뇌의 기저핵이 가치 함수를 저장하고 행동 선택을 수행하는 액터-크리틱(Actor-Critic) 구조와 유사함을 분석.
- - **Exploration vs Exploitation:** 전전두엽과 줄무늬체 간의 상호작용을 통해 미지의 보상을 탐색할지, 기존 보상을 취할지 결정하는 메커니즘 수치화.
+ - **[[Exploration vs Exploitation]]:** 전전두엽과 줄무늬체 간의 상호작용을 통해 미지의 보상을 탐색할지, 기존 보상을 취할지 결정하는 메커니즘 수치화.
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌:** 단순 조건 반사(Pavlovian) 모델에서 현대의 정교한 예측 부호화(Predictive Coding) 및 계층적 RL 모델로 확장.
diff --git a/10_Wiki/Topics/AI/Computational-Creativity.md b/10_Wiki/Topics/AI/Computational-Creativity.md
index b40d81b2..77132dd1 100644
--- a/10_Wiki/Topics/AI/Computational-Creativity.md
+++ b/10_Wiki/Topics/AI/Computational-Creativity.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-COCR-001
+id: [[P-Reinforce]]-AUTO-COCR-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.92
-tags: [auto-reinforced, computational-creativity, generative-ai, art-science, creativity-model, innovation, intelligence]
+tags: [auto-reinforced, computational-creativity, [[Generative-AI]], art-science, creativity-model, [[Innovation]], intelligence]
last_reinforced: 2026-04-20
---
@@ -19,7 +19,7 @@ last_reinforced: 2026-04-20
* **Exploratory**: 개념 공간(Conceptual Space)의 경계까지 탐구.
* **Transformational**: 공간의 규칙 자체를 변화시켜 이전에 불가능했던 것을 가능케 함.
2. **왜 중요한가?**:
- * AI가 단순 도구(Tool)를 넘어 창의적 파트너(Co-creator)로 진화하며, 음악, 미술, 문학은 물론 과학적 가설 수립 및 신약 개발 등 혁신 전반에 기여하기 때문임. (Synergy와 연결)
+ * AI가 단순 도구(Tool)를 넘어 창의적 파트너(Co-creator)로 진화하며, 음악, 미술, 문학은 물론 과학적 가설 수립 및 신약 개발 등 혁신 전반에 기여하기 때문임. ([[Synergy]]와 연결)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거에는 "결과물이 좋으면 창의적이다"라는 결과 중심 정책(Output-centric)이었으나, 현대 정책은 AI 가 그 결과를 내기까지의 '의도 정책'과 '과정 정책'을 어떻게 평가하고 피드백할 것인가 하는 가치 평가 정책(Evaluation)을 더 중시함(RL Update).
@@ -27,5 +27,5 @@ last_reinforced: 2026-04-20
## 🔗 지식 연결 (Graph)
- [[Synergy]], Deep Learning (DL), [[Representation-Learning]], [[Structuralism]], [[Search-Strategy]]
-- **Key Models**: GANs, Variational Autoencoders (VAE), Genetic Algorithms.
+- **Key Models**: GANs, [[Variational Autoencoders (VAE)]], Genetic Algorithms.
---
diff --git a/10_Wiki/Topics/AI/Computational-Linguistics.md b/10_Wiki/Topics/AI/Computational-Linguistics.md
index 2fa4d7ad..6f2a7cb9 100644
--- a/10_Wiki/Topics/AI/Computational-Linguistics.md
+++ b/10_Wiki/Topics/AI/Computational-Linguistics.md
@@ -14,7 +14,7 @@ last_reinforced: 2026-04-26
## 📖 구조화된 지식 (Synthesized Content)
- **추출된 패턴:** 문장의 통사론적(Syntax) 구조와 의미론적(Semantics) 연결 고리를 형식 언어 이론과 통계적 기법을 통해 전산화하는 분석 패턴.
- **주요 연구 분야:**
- - **Syntax Analysis:** 문장의 품사 태깅(POS tagging), 구문 분석(Parsing).
+ - **Syntax [[Analysis]]:** 문장의 품사 태깅(POS tagging), 구문 분석(Parsing).
- **Semantics:** 단어와 문장의 의미 표현 (예: WordNet, Formal Semantics).
- **Pragmatics:** 대화의 맥락과 상황에 따른 의미 변화 분석.
- **Machine Translation:** 서로 다른 언어 구조 간의 매핑 및 변환.
diff --git a/10_Wiki/Topics/AI/Computational-Neuroscience-RL.md b/10_Wiki/Topics/AI/Computational-Neuroscience-RL.md
index 66c1ceb1..1a72bf47 100644
--- a/10_Wiki/Topics/AI/Computational-Neuroscience-RL.md
+++ b/10_Wiki/Topics/AI/Computational-Neuroscience-RL.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-CNRL-001
+id: [[P-Reinforce]]-AUTO-CNRL-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.94
-tags: [auto-reinforced, computational-neuroscience, reinforcement-learning, dopamine, brain-model, reward-prediction-error, neuroscience]
+tags: [auto-reinforced, computational-neuroscience, [[Reinforcement-Learning]], [[Dopamine]], brain-model, reward-prediction-error, neuroscience]
last_reinforced: 2026-04-20
---
@@ -16,9 +16,9 @@ last_reinforced: 2026-04-20
1. **도파민과 보상 예측 오차(RPE)**:
* **Schultz의 발견**: 도파민 뉴런은 보상 그 자체보다 '기대했던 보상과 실제 보상의 차이'에 반응함.
- * **TD-Learning 연동**: 이는 인공지능의 시간차 학습(Temporal Difference Learning) 방식과 수학적으로 정확히 일치함. (Reinforcement Learning (RL)와 연결)
+ * **TD-Learning 연동**: 이는 인공지능의 시간차 학습(Temporal Difference Learning) 방식과 수학적으로 정확히 일치함. ([[Reinforcement Learning (RL)]]와 연결)
2. **왜 중요한가?**:
- * AI 알고리즘이 단순히 수학적 기교가 아니라 생물학적 타당성(Biological Plausibility)을 갖췄음을 증명하며, 역으로 뇌 질환(중독, 파킨슨 등)을 이해하는 강력한 모델을 제공하기 때문임. (Research-Framework와 연결)
+ * AI 알고리즘이 단순히 수학적 기교가 아니라 생물학적 타당성(Bio[[Logic]]al Plausibility)을 갖췄음을 증명하며, 역으로 뇌 질환(중독, 파킨슨 등)을 이해하는 강력한 모델을 제공하기 때문임. ([[Re[[Search]]-Framework]]와 연결)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거에는 단순 보상 정책(Scalar reward)만 중요하게 여겼으나, 현대 정책은 뇌가 미래의 다양한 가능성 정책을 한꺼번에 시뮬레이션하는 '분포적 강화학습(Distributional RL) 정책'을 사용한다는 사실을 발견함(RL Update).
@@ -26,5 +26,5 @@ last_reinforced: 2026-04-20
## 🔗 지식 연결 (Graph)
- [[Reinforcement Learning (RL)]], [[Research-Framework]], Generalization, [[State-Space]], [[Sensitivity-Analysis]]
-- **Key Concepts**: Basal ganglia, Dopamine, Reward Prediction Error (RPE).
+- **Key Concepts**: Basal ganglia, Dopamine, [[Reward Prediction Error]] (RPE).
---
diff --git a/10_Wiki/Topics/AI/Computer Vision.md b/10_Wiki/Topics/AI/Computer Vision.md
index 31328b14..ee254a65 100644
--- a/10_Wiki/Topics/AI/Computer Vision.md
+++ b/10_Wiki/Topics/AI/Computer Vision.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-COVI-001
+id: [[P-Reinforce]]-AUTO-COVI-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.98
-tags: [auto-reinforced, computer-vision, deep-learning, pattern-recognition, image-processing, perception]
+tags: [auto-reinforced, [[Computer-Vision]], [[Deep-Learning]], [[Pattern-Recognition]], image-[[Processing]], perception]
last_reinforced: 2026-04-20
---
@@ -20,7 +20,7 @@ last_reinforced: 2026-04-20
* **Segmentation**: 픽셀 단위로 객체의 경계선 따기.
* **Depth Estimation**: 공간의 입체적 거리감 파악.
2. **기반 기술**:
- * CNN(Convolutional Neural Networks)에서 최근에는 Vision Transformers(ViT)로 아키텍처가 진화 중.
+ * CNN(Convolutional Neural Networks)에서 최근에는 Vision [[Transformers]](ViT)로 아키텍처가 진화 중.
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거에는 필터 제작 등 수동 특징 추출(Hand-crafted features) 정책 위주였으나, 현대 정책은 데이터로부터 스스로 특징을 배우는 '딥러닝 기반 종단간 학습 정책(End-to-end)'으로 완전히 전환됨(RL Update).
diff --git a/10_Wiki/Topics/AI/Computer-Aided-Design.md b/10_Wiki/Topics/AI/Computer-Aided-Design.md
index c3a63a97..b0dfb6ce 100644
--- a/10_Wiki/Topics/AI/Computer-Aided-Design.md
+++ b/10_Wiki/Topics/AI/Computer-Aided-Design.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-COAD-001
+id: [[P-Reinforce]]-AUTO-COAD-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.95
-tags: [auto-reinforced, computer-aided-design, cad, engineering, architectural-design, manufacturing, optimization]
+tags: [auto-reinforced, computer-aided-design, cad, engineering, architectural-design, manufacturing, [[Optimization]]]
last_reinforced: 2026-04-20
---
@@ -16,14 +16,14 @@ last_reinforced: 2026-04-20
1. **핵심 기능**:
* **Geometric Modeling**: 2D 도면 및 3D 모델링 생성.
- * **Analysis and Simulation**: 응력 분석, 열 흐름 분석 등을 통해 생산 전 결함 예측. (Risk-Management와 연결)
- * **Technical Documentation**: 정확한 수치와 재료 명세를 포함한 상세 도면 자동화. (Specification와 연결)
+ * **[[Analysis]] and Simulation**: 응력 분석, 열 흐름 분석 등을 통해 생산 전 결함 예측. (Risk-[[Management]]와 연결)
+ * **Technical Documentation**: 정확한 수치와 재료 명세를 포함한 상세 도면 자동화. ([[Specification]]와 연결)
2. **왜 중요한가?**:
- * 디자인 오류로 인한 재작업 비용을 획기적으로 줄이고, 인간이 상상하기 힘든 정밀한 곡선과 복잡한 구조를 구현할 수 있게 하기 때문임. (Efficiency와 연결)
+ * 디자인 오류로 인한 재작업 비용을 획기적으로 줄이고, 인간이 상상하기 힘든 정밀한 곡선과 복잡한 구조를 구현할 수 있게 하기 때문임. ([[Efficiency]]와 연결)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거에는 인간이 선을 직접 긋는 '디지털 도구' 정책이었으나, 현대 정책은 AI 가 목표 성능 값(예: 강도는 높고 무게는 가볍게)만 주면 수천 가지 설계안을 제안하는 '생성적 설계(Generative Design) 정책'으로 패러다임이 전환됨(RL Update).
-- **정책 변화(RL Update)**: 이제는 단순 도면 정책을 넘어, 설계 데이터가 생산 및 유지보수 전 단계와 연동되는 '디지털 트윈(Digital Twin) 정책'과 'PLM(Product Lifecycle Management)'의 핵심 엔진으로 기능함.
+- **정책 변화(RL Update)**: 이제는 단순 도면 정책을 넘어, 설계 데이터가 생산 및 유지보수 전 단계와 연동되는 '디지털 트윈([[Digital Twin]]) 정책'과 'PLM(Product Lifecycle Management)'의 핵심 엔진으로 기능함.
## 🔗 지식 연결 (Graph)
- [[Risk-Management]], [[Specification]], [[Efficiency]], [[Technical-Architecture]], Simulation
diff --git a/10_Wiki/Topics/AI/Computer-Vision.md b/10_Wiki/Topics/AI/Computer-Vision.md
index 6110ebce..06984df2 100644
--- a/10_Wiki/Topics/AI/Computer-Vision.md
+++ b/10_Wiki/Topics/AI/Computer-Vision.md
@@ -2,11 +2,11 @@
id: CV-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [ai, computer-vision, image-processing, deep-learning, cnn]
+tags: [ai, computer-vision, image-[[Processing]], [[Deep-Learning]], cnn]
last_reinforced: 2026-04-26
---
-# Computer Vision Mastery (컴퓨터 비전 마스터리)
+# [[Computer Vision]] [[Mastery]] (컴퓨터 비전 마스터리)
## 📌 한 줄 통찰 (The Karpathy Summary)
> "픽셀의 나열에서 사물과 맥락을 읽어내는 AI의 눈을 완성하라" — 이미지나 비디오로부터 유의미한 정보를 추출, 분석 및 이해하기 위한 기술 체계로, 자율주행부터 의료 영상 판독까지 시각 지능의 정수.
@@ -22,7 +22,7 @@ last_reinforced: 2026-04-26
- **의의:** 인간의 시각 기능을 기계로 완벽히 구현하여 물리 세계와 디지털 세계의 경계를 허묾.
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
-- **과거 데이터와의 충돌:** 단순히 형태를 인식하는 수준에서, 현재는 CLIP이나 멀티모달 LLM을 통해 이미지 속 상황을 '설명'하고 '추론'하는 단계로 진입.
+- **과거 데이터와의 충돌:** 단순히 형태를 인식하는 수준에서, 현재는 [[CLIP]]이나 멀티모달 LLM을 통해 이미지 속 상황을 '설명'하고 '추론'하는 단계로 진입.
- **정책 변화:** Antigravity 프로젝트는 위키 문서 내의 비정형 도표나 스크린샷 데이터를 텍스트로 변환하여 지식 베이스에 통합할 때 최신 비전-언어 모델을 활용함.
## 🔗 지식 연결 (Graph)
diff --git a/10_Wiki/Topics/AI/Computer_Vision.md b/10_Wiki/Topics/AI/Computer_Vision.md
index ef71d0c7..f61671c6 100644
--- a/10_Wiki/Topics/AI/Computer_Vision.md
+++ b/10_Wiki/Topics/AI/Computer_Vision.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AI-001
+id: [[P-Reinforce]]-AI-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.97
-tags: [ai, computer-vision, cnn, transformer]
+tags: [ai, [[Computer-Vision]], cnn, transformer]
last_reinforced: 2026-04-20
github_commit: "batch-reinforce-03"
---
@@ -26,4 +26,4 @@ github_commit: "batch-reinforce-03"
## 🔗 지식 연결 (Graph)
- **Parent:** 10_Wiki/💡 Topics/AI
- **Related:** [[CV_Synthesis]], Object-Detection, CNN
-- **Raw Source:** 00_Raw/2026-04-20/Computer Vision.md
+- **Raw Source:** 00_Raw/2026-04-20/[[Computer Vision]].md
diff --git a/10_Wiki/Topics/AI/Concept Drift (개념 드리프트).md b/10_Wiki/Topics/AI/Concept Drift (개념 드리프트).md
index 29796e36..e3bd94ce 100644
--- a/10_Wiki/Topics/AI/Concept Drift (개념 드리프트).md
+++ b/10_Wiki/Topics/AI/Concept Drift (개념 드리프트).md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AI-CONCEPT-DRIFT
+id: [[P-Reinforce]]-AI-[[Concept-Drift]]
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.94
-tags: [MLOps, ConceptDrift, DataScience, Monitoring]
+tags: [[[MLOps]], ConceptDrift, DataScience, Monitoring]
last_reinforced: 2026-04-20
---
@@ -26,4 +26,4 @@ last_reinforced: 2026-04-20
## 🔗 지식 연결 (Graph)
- Related: [[MLOps]] , Model Collapse (모델 붕괴 현상)
-- Comparison: [[Data Distillation (데이터 증류)]]
+- Comparison: [[Data [[Distillation]] (데이터 증류)]]
diff --git a/10_Wiki/Topics/AI/Concept Mapping.md b/10_Wiki/Topics/AI/Concept Mapping.md
index 10ab7a7b..05444554 100644
--- a/10_Wiki/Topics/AI/Concept Mapping.md
+++ b/10_Wiki/Topics/AI/Concept Mapping.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-COMA-001
+id: [[P-Reinforce]]-AUTO-COMA-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.86
-tags: [auto-reinforced, concept-mapping, knowledge-management, visualization, mental-models, learning-strategy]
+tags: [auto-reinforced, concept-mapping, knowledge-[[Management]], visualization, [[Mental-Models]], learning-[[Strategy]]]
last_reinforced: 2026-04-20
---
@@ -17,7 +17,7 @@ last_reinforced: 2026-04-20
1. **주요 구성**:
* **Concepts (Nodes)**: 명사 위주의 핵심 단어. (Atomic units)
* **Linking Phrases (Edgy)**: "~은 ~의 원인이다", "~을 포함한다" 등 관계의 성격을 정의하는 동사/전치사.
- * **Hierarchy**: 가장 포괄적인 개념이 상단에 위치하여 하단으로 구체화되는 구조. (Bottom-Up-Approach와 대비)
+ * **Hierarchy**: 가장 포괄적인 개념이 상단에 위치하여 하단으로 구체화되는 구조. ([[Bottom-Up-Approach]]와 대비)
2. **왜 중요한가?**:
* 학습자가 기존 지식과 새로운 정보를 어떻게 연결하고 있는지 시각적으로 증명하며, 오인하고 있는 개념(Misconception)을 발견하기 좋음.
@@ -26,6 +26,6 @@ last_reinforced: 2026-04-20
- **정책 변화(RL Update)**: AI 에이전트가 방대한 문서를 읽고 자동으로 콘셉트 맵을 생성하여 인간에게 브리핑해주는 '지식 요약 자동화 정책'이 리서치 업무의 핵심 효율화 정책이 됨.
## 🔗 지식 연결 (Graph)
-- [[Analysis]], [[Bottom-Up-Approach]], [[Knowledge synthesis]], Philosophy of Science, [[Strategic-Planning]]
+- [[Analysis]], [[Bottom-Up-Approach]], [[Knowledge synthesis]], [[Philosophy]] of Science, [[Strategic-Planning]]
- **Modern Tech/Tools**: Obsidian (Graph View), CmapTools, Miro, MindMeister, Logseq.
---
diff --git a/10_Wiki/Topics/AI/Concept-Drift.md b/10_Wiki/Topics/AI/Concept-Drift.md
index ab535837..3e63da90 100644
--- a/10_Wiki/Topics/AI/Concept-Drift.md
+++ b/10_Wiki/Topics/AI/Concept-Drift.md
@@ -2,7 +2,7 @@
id: DRIFT-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [ai, machine-learning, mlops, concept-drift, model-monitoring]
+tags: [ai, machine-learning, [[MLOps]], concept-drift, model-monitoring]
last_reinforced: 2026-04-26
---
diff --git a/10_Wiki/Topics/AI/Concreteness-Principle.md b/10_Wiki/Topics/AI/Concreteness-Principle.md
index 595273b5..88b89b2c 100644
--- a/10_Wiki/Topics/AI/Concreteness-Principle.md
+++ b/10_Wiki/Topics/AI/Concreteness-Principle.md
@@ -2,7 +2,7 @@
id: GSTACK-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [gstack, engineering-philosophy, product-thinking, concreteness, antigravity]
+tags: [gstack, engineering-[[Philosophy]], product-thinking, concreteness, antigravity]
last_reinforced: 2026-04-26
---
@@ -24,5 +24,5 @@ last_reinforced: 2026-04-26
- **정책 변화:** Antigravity 에이전트는 모든 지식 gardening 과정에서 '구체성의 원칙'을 최우선으로 준수하며, 사용자에게 모호한 약속 대신 구체적인 결과물(MD 파일, 실행된 명령 결과 등)을 즉각 제공함.
## 🔗 지식 연결 (Graph)
-- G-Stack-Core-Principles, Product-Thinking, Agile-Development, System-Design-for-AI-Scale
+- G-Stack-Core-[[Principles]], Product-Thinking, Agile-Development,[[ system]]-Design-for-AI-Scale
- **Raw Source:** 10_Wiki/Topics/AI/Concreteness-Principle.md
diff --git a/10_Wiki/Topics/AI/Concurrent Programming.md b/10_Wiki/Topics/AI/Concurrent Programming.md
index edb68843..f676edf2 100644
--- a/10_Wiki/Topics/AI/Concurrent Programming.md
+++ b/10_Wiki/Topics/AI/Concurrent Programming.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-COPR-001
+id: [[P-Reinforce]]-AUTO-COPR-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.95
-tags: [auto-reinforced, concurrent-programming, parallel-computing, multi-threading, scalability, software-engineering]
+tags: [auto-reinforced, concurrent-programming, [[Parallel-Computing]], multi-threading, [[Scalability]], software-engineering]
last_reinforced: 2026-04-20
---
diff --git a/10_Wiki/Topics/AI/Conditioning and Learning ( ).md b/10_Wiki/Topics/AI/Conditioning and Learning ( ).md
index c9191bfe..92f385dd 100644
--- a/10_Wiki/Topics/AI/Conditioning and Learning ( ).md
+++ b/10_Wiki/Topics/AI/Conditioning and Learning ( ).md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-SCI-CONDITIONING
+id: [[P-Reinforce]]-SCI-CONDITIONING
category: "10_Wiki/💡 Topics/Science"
confidence_score: 0.97
-tags: [Conditioning, Behavioral Science, Learning, Psychology]
+tags: [Conditioning, [[Behavior]]al Science, Learning, [[Psychology]]]
last_reinforced: 2026-04-20
---
@@ -14,7 +14,7 @@ last_reinforced: 2026-04-20
## 📖 구조화된 지식 (Synthesized Content)
- **Classical Conditioning (고전적 조건 형성)**:
- 비자발적 반사 반응 학습. 파블로프의 개 실험처럼 중립 자극이 무조건 자극과 결합하여 반응을 이끌어내는 방식.
-- **Operant Conditioning (조작적 조건 형성)**:
+- **[[Opera]]nt Conditioning (조작적 조건 형성)**:
- 자발적 행동 학습. 행동의 결과가 보상(강화)이면 반복하고, 처벌이면 멈추는 방식. 스키너의 실험이 대표적이다.
- **Variable Reward Schedule**:
- 보상을 가끔씩 예측 불가능하게 줄 때 행동이 가장 강력하게 유지된다(도박, 가챠 게임의 원리).
diff --git a/10_Wiki/Topics/AI/Connect-AI-Documentation.md b/10_Wiki/Topics/AI/Connect-AI-Documentation.md
index 1148cc3c..76e4e987 100644
--- a/10_Wiki/Topics/AI/Connect-AI-Documentation.md
+++ b/10_Wiki/Topics/AI/Connect-AI-Documentation.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-CAID-001
+id: [[P-Reinforce]]-AUTO-CAID-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.93
-tags: [auto-reinforced, connect-ai, technical-documentation, knowledge-architecture, user-manual, flow-analysis, systems-documentation]
+tags: [auto-reinforced, connect-ai, technical-documentation, knowledge-[[Architecture]], user-manual, flow-[[Analysis]],[[ system]]s-documentation]
last_reinforced: 2026-04-20
---
@@ -15,11 +15,11 @@ last_reinforced: 2026-04-20
Connect AI 기술 문서(Connect-AI-Documentation)는 복잡한 AI 에이전트 인프라와 그 운영 프로세스를 정의하고 공유하기 위한 체계적인 지식 자산입니다.
1. **문서화의 핵심 요소**:
- * **System Architecture**: 에이전트 간의 연결망과 데이터 이동 경로 시각화. (Technical-Architecture와 연결)
- * **Operational SOP**: 각 기능별 실행 단계와 리스크 대응 가이드. (Standard-Operating-Procedure와 연결)
- * **API Specification**: 인터페이스 연결을 위한 데이터 스키마 및 가이드라인. (Schema와 연결)
+ * **System Architecture**: 에이전트 간의 연결망과 데이터 이동 경로 시각화. ([[Technical-Architecture]]와 연결)
+ * **[[Opera]]tional SOP**: 각 기능별 실행 단계와 리스크 대응 가이드. ([[Standard-Operating-Procedure]]와 연결)
+ * **API [[Specification]]**: 인터페이스 연결을 위한 데이터 스키마 및 가이드라인. ([[Schema]]와 연결)
2. **왜 중요한가?**:
- * 지능형 시스템이 고도화될수록 '개념적 통일성'이 없으면 개발팀 간 소통이 단절되고 시스템이 파편화되기 때문임. (Terminology와 연결)
+ * 지능형 시스템이 고도화될수록 '개념적 통일성'이 없으면 개발팀 간 소통이 단절되고 시스템이 파편화되기 때문임. ([[Terminology]]와 연결)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거에는 정적인 PDF 파일 정책이었으나, 현대 정책은 지식 베이스(Wiki)와 동적 그래프 정책을 연동하여 시스템 변경 시 문서가 자동으로 업데이트되거나 AI 가 직접 문서를 읽고 가이드하는 '자율 업데이트형 문서 정책'을 지향함(RL Update).
diff --git a/10_Wiki/Topics/AI/Constitutional AI (헌법 AI).md b/10_Wiki/Topics/AI/Constitutional AI (헌법 AI).md
index fd2665e7..c65738ce 100644
--- a/10_Wiki/Topics/AI/Constitutional AI (헌법 AI).md
+++ b/10_Wiki/Topics/AI/Constitutional AI (헌법 AI).md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-CAII-001
+id: [[P-Reinforce]]-AUTO-CAII-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.96
-tags: [auto-reinforced, constitutional-ai, ai-safety, ethics, rlaif, anthropic]
+tags: [auto-reinforced, [[Constitutional-AI]], ai-safety, ethics, rlaif, anthropic]
last_reinforced: 2026-04-20
---
@@ -18,7 +18,7 @@ last_reinforced: 2026-04-20
* **Supervised Learning**: 헌법(예: "도움이 되고 정직하며 해롭지 않아야 한다")을 기반으로 모델이 스스로 응답을 생성하고 비판하며 개선하는 과정을 거침.
* **RLAIF (RL from AI Feedback)**: 인간 대신 '헌법을 숙지한 AI 모델'이 다른 모델의 답변을 평가하여 선호도 데이터를 생성하고, 이를 통해 강화학습 수행. (RLHF의 확장)
2. **왜 중요한가?**:
- * 인간의 피드백은 비용이 많이 들고 일관성이 부족할 수 있지만, 헌법 AI는 명문화된 원칙에 따라 속도와 규모감 있게 정렬을 수행함. (Efficiency와 안전성 확보)
+ * 인간의 피드백은 비용이 많이 들고 일관성이 부족할 수 있지만, 헌법 AI는 명문화된 원칙에 따라 속도와 규모감 있게 정렬을 수행함. ([[Efficiency]]와 안전성 확보)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 초기 안전 정책은 유해 단어 차단 등 단순 '필터링 정책' 중심이었으나, 현대 정책은 모델의 내재적 철학 정책을 교정하는 '헌법 기반 자아 정렬 정책'으로 고도화됨(RL Update).
diff --git a/10_Wiki/Topics/AI/Constitutional-AI.md b/10_Wiki/Topics/AI/Constitutional-AI.md
index 92a5cdd4..72c25381 100644
--- a/10_Wiki/Topics/AI/Constitutional-AI.md
+++ b/10_Wiki/Topics/AI/Constitutional-AI.md
@@ -2,7 +2,7 @@
id: CONST-AI-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [ai-safety, constitutional-ai, rlaif, alignment, ethics]
+tags: [ai-safety, constitutional-ai, rlaif, [[Alignment]], ethics]
last_reinforced: 2026-04-26
---
diff --git a/10_Wiki/Topics/AI/Constraint Satisfaction Problems (CSP).md b/10_Wiki/Topics/AI/Constraint Satisfaction Problems (CSP).md
index 5c2824c9..c0c04707 100644
--- a/10_Wiki/Topics/AI/Constraint Satisfaction Problems (CSP).md
+++ b/10_Wiki/Topics/AI/Constraint Satisfaction Problems (CSP).md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AI-CSP
+id: [[P-Reinforce]]-AI-CSP
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.93
-tags: [Algorithm, AI, Optimization, CSP]
+tags: [Algorithm, AI, [[Optimization]], CSP]
last_reinforced: 2026-04-20
---
@@ -17,12 +17,12 @@ last_reinforced: 2026-04-20
- **Domains ($D$)**: 각 변수가 가질 수 있는 가능한 값들의 집합.
- **Constraints ($C$)**: 변수들 사이의 규칙 (예: 같은 시간에는 한 강의실만 사용 가능).
- **Core Algorithms**:
- - **Backtracking Search**: 값을 하나씩 할당해보고 규칙에 어긋나면 돌아가는 방식.
+ - **Backtracking [[Search]]**: 값을 하나씩 할당해보고 규칙에 어긋나면 돌아가는 방식.
- **Constraint Propagation (AC-3)**: 값을 할당하기 전에 불가능한 값들을 미리 제거하여 탐색 공간을 줄임.
- **Applications**: 스케줄링(공장 공정, 학교 시간표), 지도 색칠하기, 수도쿠(Sudoku), 논리 회로 설계 등.
## ⚠️ 모순 및 업데이트 (RL Update)
-- CSP는 NP-완전(NP-Complete) 문제인 경우가 많아 변수가 많아지면 기하급수적으로 어려워진다. 최신 AI 시스템에서는 고전적인 CSP 알고리즘에 강화학습을 결합하여, 다음에 시도할 변수를 선택하는 전략(Heuristics)을 최적화하는 시도가 이루어지고 있다.
+- CSP는 NP-완전(NP-Complete) 문제인 경우가 많아 변수가 많아지면 기하급수적으로 어려워진다. 최신 AI 시스템에서는 고전적인 CSP 알고리즘에 강화학습을 결합하여, 다음에 시도할 변수를 선택하는 전략([[Heuristics]])을 최적화하는 시도가 이루어지고 있다.
## 🔗 지식 연결 (Graph)
- Related: [[Graph-Theory]] , [[Combinatorial-Optimization]]
diff --git a/10_Wiki/Topics/AI/Constraint-Satisfaction Problems.md b/10_Wiki/Topics/AI/Constraint-Satisfaction Problems.md
index 17e58c6c..a7f74aeb 100644
--- a/10_Wiki/Topics/AI/Constraint-Satisfaction Problems.md
+++ b/10_Wiki/Topics/AI/Constraint-Satisfaction Problems.md
@@ -2,7 +2,7 @@
id: CSP-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [ai, math, logic, constraint-satisfaction, search-algorithm]
+tags: [ai, math, [[Logic]], constraint-satisfaction, [[Search]]-algorithm]
last_reinforced: 2026-04-26
---
diff --git a/10_Wiki/Topics/AI/Constraint-Satisfaction-Problems.md b/10_Wiki/Topics/AI/Constraint-Satisfaction-Problems.md
index aaf89c83..8f4ebd75 100644
--- a/10_Wiki/Topics/AI/Constraint-Satisfaction-Problems.md
+++ b/10_Wiki/Topics/AI/Constraint-Satisfaction-Problems.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-CSP-001
+id: [[P-Reinforce]]-AUTO-CSP-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.96
-tags: [auto-reinforced, constraint-satisfaction, csp, backtracking, search-algorithm, logic, optimization]
+tags: [auto-reinforced, constraint-satisfaction, csp, backtracking, [[Search]]-algorithm, [[Logic]], [[Optimization]]]
last_reinforced: 2026-04-20
---
@@ -20,8 +20,8 @@ last_reinforced: 2026-04-20
* **Constraints (C)**: 변수 간에 지켜야 할 규칙 (예: 같은 색은 이웃할 수 없음).
2. **핵심 알고리즘**:
* **Backtracking Search**: 값을 하나씩 넣어보다 제약에 걸리면 뒤로 돌아가 다른 시도.
- * **Constraint Propagation (AC-3)**: 미리 불가능한 후보군을 잘라내는 기술. (Efficiency와 연결)
- * **Heuristics**: MRV(최소 잔여 값), Degree Heuristic 등을 통해 탐색 속도 극대화. (Search-Strategy와 연결)
+ * **Constraint Propagation (AC-3)**: 미리 불가능한 후보군을 잘라내는 기술. ([[Efficiency]]와 연결)
+ * **[[Heuristics]]**: MRV(최소 잔여 값), Degree Heuristic 등을 통해 탐색 속도 극대화. ([[Search-Strategy]]와 연결)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거에는 단순히 '답을 찾느냐 마느냐'의 정책(Satisfiability)에 집중했으나, 현대 정책은 제약을 부분적으로 위반하더라도 최상의 결과를 내는 '연성 제약 정책(Soft Constraints)'과 최적화 정책을 결합함(RL Update).
diff --git a/10_Wiki/Topics/AI/Context-Aware-Computing.md b/10_Wiki/Topics/AI/Context-Aware-Computing.md
index 5c43103f..47f125be 100644
--- a/10_Wiki/Topics/AI/Context-Aware-Computing.md
+++ b/10_Wiki/Topics/AI/Context-Aware-Computing.md
@@ -16,7 +16,7 @@ last_reinforced: 2026-04-26
- **핵심 단계:**
- **Context Acquisition:** GPS, 가속도계, 조도 센서, 네트워크 상태, 사용자 일정 등 데이터 수집.
- **Context Modeling:** 수집된 정보를 기계가 이해할 수 있는 형식(온톨로지, 벡터 등)으로 구조화.
- - **Context Reasoning:** 모델링된 데이터를 바탕으로 사용자가 현재 무엇을 하고 있는지, 어떤 도움이 필요한지 추론.
+ - **Context [[Reasoning]]:** 모델링된 데이터를 바탕으로 사용자가 현재 무엇을 하고 있는지, 어떤 도움이 필요한지 추론.
- **Adaptive Interaction:** 추론 결과에 따라 UI/UX를 변경하거나 서비스를 실행.
- **의의:** 정적인 도구로서의 컴퓨터를 동적인 '디지털 비서'로 진화시킴.
diff --git a/10_Wiki/Topics/AI/Continuous-Discovery.md b/10_Wiki/Topics/AI/Continuous-Discovery.md
index 53971de4..1670b439 100644
--- a/10_Wiki/Topics/AI/Continuous-Discovery.md
+++ b/10_Wiki/Topics/AI/Continuous-Discovery.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-CDIS-001
+id: [[P-Reinforce]]-AUTO-CDIS-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.94
-tags: [auto-reinforced, continuous-discovery, product-discovery, dual-track-agile, customer-feedback, hypothesis-testing]
+tags: [auto-reinforced, continuous-discovery, product-discovery, dual-track-agile, customer-feedback, [[Hypothesis-Testing]]]
last_reinforced: 2026-04-20
---
@@ -17,15 +17,15 @@ last_reinforced: 2026-04-20
1. **핵심 워크플로우**:
* **Outcome Focus**: 기능 개발이 아니라 '사용자의 행동 변화'라는 결과에 집중.
* **Weekly User Interviews**: 일회성 조사가 아닌 정기적인 고객 접점 확보.
- * **Opportunity Solution Tree**: 목표-기회-솔루션을 시각화하여 최선의 경로 탐색. (Decision-Making와 연결)
+ * **Opport[[Unity]] [[Solution]] Tree**: 목표-기회-솔루션을 시각화하여 최선의 경로 탐색. (Decision-Making와 연결)
2. **왜 중요한가?**:
* 시장의 변화 속도가 너무 빨라, 한 번의 완벽한 기획서 정책은 반드시 실패하기 때문임. (Agile와 연결)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거에는 기획자와 고객이 만나는 것이 시간 낭비라 여겼으나, 현대 정책은 개발자가 고객의 목소리 정책을 직접 듣고 가설 정책을 즉시 수정하는 '임파워드 팀 정책(Empowered Teams)'이 훨씬 더 혁신적인 결과를 낸다는 점을 인정함(RL Update).
-- **정책 변화(RL Update)**: 이제는 단순 인터뷰 정책을 넘어, AI 가 수만 건의 피드백 정책을 실시간으로 분석(Text-Mining)하여 기획자에게 '기회 영역'을 추천해 주는 'AI-Augmented Discovery'로 진화 중임. (Text-Mining와 연결)
+- **정책 변화(RL Update)**: 이제는 단순 인터뷰 정책을 넘어, AI 가 수만 건의 피드백 정책을 실시간으로 분석([[Text-Mining]])하여 기획자에게 '기회 영역'을 추천해 주는 'AI-Augmented Discovery'로 진화 중임. (Text-Mining와 연결)
## 🔗 지식 연결 (Graph)
-- Decision-Making, Agile, [[Text-Mining]], [[Research-Methodology]], [[Product-Management]]
+- Decision-Making, Agile, [[Text-Mining]], [[Re[[Search]]-Methodology]], [[Product-Management]]
- **Key Figure**: Teresa Torres.
---
diff --git a/10_Wiki/Topics/AI/Contrastive-Learning.md b/10_Wiki/Topics/AI/Contrastive-Learning.md
index ff317af2..22948a88 100644
--- a/10_Wiki/Topics/AI/Contrastive-Learning.md
+++ b/10_Wiki/Topics/AI/Contrastive-Learning.md
@@ -2,7 +2,7 @@
id: CONTRAST-LEARN-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [ai, deep-learning, self-supervised-learning, contrastive-learning, representation-learning]
+tags: [ai, [[Deep-Learning]], [[Self-Supervised-Learning]], contrastive-learning, [[Representation-Learning]]]
last_reinforced: 2026-04-26
---
@@ -18,12 +18,12 @@ last_reinforced: 2026-04-26
- **Encoder:** 데이터를 고차원 벡터로 변환.
- **Projection Head:** 학습 효율을 높이기 위해 벡터를 다시 압축.
- **Contrastive Loss (예: InfoNCE):** 긍정 쌍의 거리는 좁히고 부정 쌍의 거리는 넓히는 손실 함수.
-- **의의:** 대규모 라벨링 비용 없이도 고성능 특징 추출기를 만들 수 있어, CLIP이나 SimCLR 등 최신 모델들의 핵심 기술로 사용됨.
+- **의의:** 대규모 라벨링 비용 없이도 고성능 특징 추출기를 만들 수 있어, [[CLIP]]이나 SimCLR 등 최신 모델들의 핵심 기술로 사용됨.
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌:** 정답지가 반드시 필요했던 지도 학습의 한계를 넘어, 원시 데이터 자체의 구조만으로도 지능을 구축할 수 있는 길을 염.
- **정책 변화:** Antigravity 프로젝트는 위키 문서 간의 의미적 거리를 계산하거나 중복 문서를 탐지할 때 대조 학습 기반의 텍스트 임베딩 모델을 적극 활용함.
## 🔗 지식 연결 (Graph)
-- [[Representation-Learning]], [[Self-Supervised-Learning]], [[CLIP]], Unsupervised-Learning-Foundations
+- [[Representation-Learning]], [[Self-Supervised-Learning]], [[CLIP]], Un[[Supervised-Learning-Foundations]]
- **Raw Source:** 10_Wiki/Topics/AI/Contrastive-Learning.md
diff --git a/10_Wiki/Topics/AI/Control Systems Engineering.md b/10_Wiki/Topics/AI/Control Systems Engineering.md
index 05072260..56c5bb10 100644
--- a/10_Wiki/Topics/AI/Control Systems Engineering.md
+++ b/10_Wiki/Topics/AI/Control Systems Engineering.md
@@ -2,22 +2,22 @@
id: CONTROL-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [engineering, control-theory, robotics, automation]
+tags: [engineering, [[Control-Theory]], [[Robotics]], automation]
last_reinforced: 2026-04-26
---
-# Control Systems Engineering (제어 시스템 공학)
+# Control[[ system]]s Engineering (제어 시스템 공학)
## 📌 한 줄 통찰 (The Karpathy Summary)
-> "원하는 목표 상태에 도달하도록 시스템을 설계하고 동적으로 수정하라" — 물리적 장치나 가상 에이전트가 외부 교란(Noise)에도 불구하고 목표 수치(Set-point)를 안정적으로 유지하게 만드는 공학적 프레임워크.
+> "원하는 목표 상태에 도달하도록 시스템을 설계하고 동적으로 수정하라" — 물리적 장치나 가상 에이전트가 외부 교란([[Noise]])에도 불구하고 목표 수치(Set-point)를 안정적으로 유지하게 만드는 공학적 프레임워크.
## 📖 구조화된 지식 (Synthesized Content)
- **추출된 패턴:** 시스템의 출력을 입력으로 다시 되먹여(Feedback) 오차를 줄여나가는 '폐쇄 루프 제어(Closed-loop Control)' 패턴.
- **세부 내용:**
- **Open-loop vs Closed-loop:** 피드백 존재 여부에 따라 단순 명령 실행과 상태 기반 자동 수정을 구분.
- **PID Control:** 비례(P), 적분(I), 미분(D) 항을 조합하여 오차를 빠르고 안정적으로 수렴시키는 범용 알고리즘.
- - **Stability Analysis:** 시스템이 발산하지 않고 평형 상태를 유지할 수 있는지 수학적으로 검증.
- - **State-space Representation:** 복잡한 시스템의 상태를 행렬로 표현하여 다변수 제어를 가능하게 함.
+ - **[[Stability]] [[Analysis]]:** 시스템이 발산하지 않고 평형 상태를 유지할 수 있는지 수학적으로 검증.
+ - **[[State-Space]] Representation:** 복잡한 시스템의 상태를 행렬로 표현하여 다변수 제어를 가능하게 함.
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌:** 전통적인 고전 제어(루프 베이스)에서 현대의 AI 기반 지능형 제어(강화학습 베이스)로 패러다임이 융합되고 있음.
diff --git a/10_Wiki/Topics/AI/Control-Systems-Engineering.md b/10_Wiki/Topics/AI/Control-Systems-Engineering.md
index cffdc42d..65349133 100644
--- a/10_Wiki/Topics/AI/Control-Systems-Engineering.md
+++ b/10_Wiki/Topics/AI/Control-Systems-Engineering.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AUTO-COSE-001
+id: [[P-Reinforce]]-AUTO-COSE-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.95
tags: [auto-reinforced, control-systems, engineering, feedback, pid-control, automation, dynamical-systems]
@@ -23,8 +23,8 @@ last_reinforced: 2026-04-20
* 자율주행차의 조향부터 원자로의 온도 조절, 로봇의 균형 잡기까지 현대 문명의 모든 '자동화'가 이 이론 위에 서 있기 때문임. (Automation와 연결)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
-- **과거 데이터와의 충돌**: 과거에는 시스템의 모든 수학적 모델 정책을 완벽히 알아야 한다는 고전 제어(Classic Control) 정책이 주류였으나, 현대 정책은 모델을 몰라도 데이터로 배우는 '모델 프리 강화학습 정책(Model-free RL)'과 결합하여 훨씬 복합적인 제어 정책을 수행함(RL Update). (Reinforcement Learning (RL)와 연결)
-- **정책 변화(RL Update)**: 이제는 단순 물리 시스템 제어 정책을 넘어, 거대 AI 모델의 답변 정책(Alignment)을 제어하거나 사회적 시스템의 변동성 정책을 제어하는 광의의 제어 정책으로 확장 중임.
+- **과거 데이터와의 충돌**: 과거에는 시스템의 모든 수학적 모델 정책을 완벽히 알아야 한다는 고전 제어(Classic Control) 정책이 주류였으나, 현대 정책은 모델을 몰라도 데이터로 배우는 '모델 프리 강화학습 정책(Model-free RL)'과 결합하여 훨씬 복합적인 제어 정책을 수행함(RL Update). ([[Reinforcement Learning (RL)]]와 연결)
+- **정책 변화(RL Update)**: 이제는 단순 물리 시스템 제어 정책을 넘어, 거대 AI 모델의 답변 정책([[Alignment]])을 제어하거나 사회적 시스템의 변동성 정책을 제어하는 광의의 제어 정책으로 확장 중임.
## 🔗 지식 연결 (Graph)
- Automation, [[Reinforcement Learning (RL)]], [[System-Theory]], [[Robotics]], [[Efficiency]]
diff --git a/10_Wiki/Topics/AI/Control-Theory.md b/10_Wiki/Topics/AI/Control-Theory.md
index f961fe4a..0cae636c 100644
--- a/10_Wiki/Topics/AI/Control-Theory.md
+++ b/10_Wiki/Topics/AI/Control-Theory.md
@@ -12,12 +12,12 @@ last_reinforced: 2026-04-26
> "현재의 오차를 측정하여 미래의 행동을 정밀하게 교정하라" — 동역학 시스템의 출력을 원하는 목표 상태로 유지하기 위해 입력을 조정하는 공학적 방법론으로, 피드백 루프와 안정성 분석이 핵심.
## 📖 구조화된 지식 (Synthesized Content)
-- **추출된 패턴:** 목표값(Desired State)과 현재값(Actual State) 사이의 차이인 오차(Error)를 실시간으로 계산하고, 이를 보정하기 위한 제어 신호를 생성하여 시스템을 안정화하는 피드백 패턴.
+- **추출된 패턴:** 목표값(Desired [[State]])과 현재값(Actual State) 사이의 차이인 오차(Error)를 실시간으로 계산하고, 이를 보정하기 위한 제어 신호를 생성하여 시스템을 안정화하는 피드백 패턴.
- **핵심 구성 요소:**
- **Open-loop Control:** 피드백 없이 정해진 입력만 전달 (예: 세탁기 타이머).
- **Closed-loop Control (Feedback):** 출력을 다시 입력에 반영하여 오차 수정.
- **PID Control:** 비례(P), 적분(I), 미분(D) 항의 조합으로 오차를 빠르고 부드럽게 제거.
- - **Stability:** 시스템이 발산하지 않고 수렴하는지 분석 (예: Lyapunov 안정성).
+ - **[[Stability]]:** 시스템이 발산하지 않고 수렴하는지 분석 (예: Lyapunov 안정성).
- **의의:** 로봇 공학, 자율주행, 드론 비행 제어, 그리고 강화학습의 이론적 토대.
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
@@ -25,5 +25,5 @@ last_reinforced: 2026-04-26
- **정책 변화:** Skybound 프로젝트의 미사일 추적 로직은 PID 제어 원리를 사용하여, 타겟의 움직임 변화에 부드럽고 정확하게 대응하도록 구현함.
## 🔗 지식 연결 (Graph)
-- Physics-Engine, [[Reinforcement-Learning]], Cybernetics-Foundations, [[Robotics]]
+- [[Physics]]-Engine, [[Reinforcement-Learning]], [[Cybernetics]]-Foundations, [[Robotics]]
- **Raw Source:** 10_Wiki/Topics/AI/Control-Theory.md
diff --git a/10_Wiki/Topics/AI/Convolutional-Neural-Networks.md b/10_Wiki/Topics/AI/Convolutional-Neural-Networks.md
index f9e1c90a..99cef0a8 100644
--- a/10_Wiki/Topics/AI/Convolutional-Neural-Networks.md
+++ b/10_Wiki/Topics/AI/Convolutional-Neural-Networks.md
@@ -2,7 +2,7 @@
id: CNN-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [ai, deep-learning, cnn, computer-vision, image-processing]
+tags: [ai, [[Deep-Learning]], cnn, [[Computer-Vision]], image-[[Processing]]]
last_reinforced: 2026-04-26
---
@@ -15,7 +15,7 @@ last_reinforced: 2026-04-26
- **추출된 패턴:** 작은 필터(Kernel)가 이미지를 슬라이딩하며 지역적인 특징(선, 면, 질감 등)을 추출하고, 이를 층층이 쌓아올려 복잡한 사물을 인식하는 계층적 인지 패턴.
- **핵심 구성 요소:**
- **Convolutional Layer:** 필터를 통해 특징 지도(Feature Map) 생성. 가중치 공유(Weight Sharing)를 통해 파라미터 수 절감.
- - **Pooling Layer:** 데이터의 크기를 줄여(Subsampling) 연산량을 조절하고 불변성(Invariance) 확보.
+ - **[[Pooling]] Layer:** 데이터의 크기를 줄여(Subsampling) 연산량을 조절하고 불변성(Invariance) 확보.
- **Fully Connected Layer:** 추출된 특징들을 종합하여 최종 분류 수행.
- **Translation Invariance:** 물체가 이미지 내 어디에 있든 동일하게 인식할 수 있는 능력.
@@ -24,5 +24,5 @@ last_reinforced: 2026-04-26
- **정책 변화:** Antigravity 프로젝트는 문서 내 이미지 데이터를 특징 벡터로 변환할 때, 효율적인 연산을 위해 경량화된 CNN 아키텍처(예: MobileNet)를 백본으로 사용함.
## 🔗 지식 연결 (Graph)
-- Computer-Vision-Mastery, [[Deep-Learning]], Image-Processing, [[Transformer-Architecture]]
+- Computer-Vision-[[Mastery]], [[Deep-Learning]], Image-Processing, [[Transformer-Architecture]]
- **Raw Source:** 10_Wiki/Topics/AI/Convolutional-Neural-Networks.md
diff --git a/10_Wiki/Topics/AI/Core-Web-Vitals-Metrics.md b/10_Wiki/Topics/AI/Core-Web-Vitals-Metrics.md
index a7561ff3..4a79158b 100644
--- a/10_Wiki/Topics/AI/Core-Web-Vitals-Metrics.md
+++ b/10_Wiki/Topics/AI/Core-Web-Vitals-Metrics.md
@@ -2,23 +2,23 @@
id: PERF-CWV-CORE-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [core-web-vitals, performance, lcp, inp, cls, seo, user-experience, rum]
+tags: [[[Core-Web-Vitals]], performance, lcp, inp, cls, seo, user-experience, rum]
last_reinforced: 2026-04-26
---
-# Core Web Vitals Metrics (코어 웹 바이탈 지표)
+# [[Core Web Vitals]] Metrics (코어 웹 바이탈 지표)
## 📌 한 줄 통찰 (The Karpathy Summary)
> "기술적 성능 지표를 사용자 체감 경험과 비즈니스 수익으로 연결하고, 구글이 정의한 세 가지 핵심 축(로딩, 반응성, 안정성)을 통해 웹사이트의 품질을 객관적으로 증명하라" — 실제 사용자 데이터(RUM)를 기반으로 한 현대 웹 성능의 표준 가시성 프레임워크.
## 📖 구조화된 지식 (Synthesized Content)
-- **추출된 패턴:** "User-Centric Performance Quantization" — 단순한 서버 응답 속도를 넘어, 사용자가 언제 콘텐츠를 보는지(LCP), 언제 상호작용할 수 있는지(INP), 화면이 얼마나 안정적인지(CLS)를 수치화하는 패턴.
+- **추출된 패턴:** "User-Centric Performance [[Quantization]]" — 단순한 서버 응답 속도를 넘어, 사용자가 언제 콘텐츠를 보는지(LCP), 언제 상호작용할 수 있는지(INP), 화면이 얼마나 안정적인지(CLS)를 수치화하는 패턴.
- **3대 핵심 지표:**
- **LCP (Largest Contentful Paint):** 가장 큰 시각적 요소가 렌더링되는 시간. (2.5초 이내 우수)
- **INP (Interaction to Next Paint):** 사용자 입력 후 다음 프레임이 그려질 때까지의 지연 시간. (200ms 이내 우수, FID를 대체)
- - **CLS (Cumulative Layout Shift):** 예기치 않은 레이아웃 이동 측정. (0.08~0.1 미만 우수)
+ - **CLS (Cumulative Layout [[Shift]]):** 예기치 않은 레이아웃 이동 측정. (0.08~0.1 미만 우수)
- **측정 및 개선 루프:**
- - **Synthetic Testing:** Lighthouse, PageSpeed Insights를 통한 개발 환경 검증.
+ - **Synthetic [[Testing]]:** [[Lighthouse]], [[PageSpeed Insights]]를 통한 개발 환경 검증.
- **Field Data (RUM):** Sentry, Web-Vitals.js를 활용하여 실제 다양한 기기/네트워크 환경의 사용자 데이터 수집.
- **의의:** 검색 엔진 랭킹(SEO) 향상과 더불어 이탈률 감소 및 구매 전환율 상승이라는 실질적 비즈니스 가치 창출.
@@ -27,5 +27,5 @@ last_reinforced: 2026-04-26
- **정책 변화:** Antigravity 프로젝트는 모든 웹 자산 배포 시 Core Web Vitals 'Good' 등급 달성을 필수 배포 조건(Quality Gate)으로 설정하며, 성능 미달 시 자동 롤백 정책을 적용함.
## 🔗 지식 연결 (Graph)
-- [[Cumulative-Layout-Shift-CLS]], Web-Performance-Optimization, SEO-Foundations, React-Performance-Optimization
+- [[Cumulative-Layout-Shift-CLS]], Web-Performance-[[Optimization]], SEO-Foundations, React-Performance-Optimization
- **Raw Source:** 00_Raw/Core Web Vitals.md
diff --git a/10_Wiki/Topics/AI/Core-Web-Vitals.md b/10_Wiki/Topics/AI/Core-Web-Vitals.md
index f8881c46..e349c4a8 100644
--- a/10_Wiki/Topics/AI/Core-Web-Vitals.md
+++ b/10_Wiki/Topics/AI/Core-Web-Vitals.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AUTO-CWVI-001
+id: [[P-Reinforce]]-AUTO-CWVI-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.98
tags: [auto-reinforced, core-web-vitals, web-performance, google-seo, lcp, inp, cls]
@@ -17,7 +17,7 @@ last_reinforced: 2026-04-20
1. **3대 핵심 지표**:
* **LCP (Largest Contentful Paint)**: 주요 콘텐츠가 화면에 나타나는 속도 (로딩 성능).
* **INP (Interaction to Next Paint)**: 사용자의 클릭/입력에 대해 화면이 얼마나 빨리 반응하는가 (상호작용성, FID를 대체).
- * **CLS (Cumulative Layout Shift)**: 페이지 로드 중 콘텐츠가 갑자기 움직이는 현상 (시각적 안정성).
+ * **CLS (Cumulative Layout [[Shift]])**: 페이지 로드 중 콘텐츠가 갑자기 움직이는 현상 (시각적 안정성).
2. **왜 중요한가?**:
* 단순히 '빠른 웹'을 넘어 '사용자가 쾌적함을 느끼는 웹'의 기준을 제시하며, 구글 검색 상위 노출(SEO)의 필수 조건임. (SEO Best Practices와 연결)
@@ -27,5 +27,5 @@ last_reinforced: 2026-04-20
## 🔗 지식 연결 (Graph)
- [[Browser]], [[Chrome DevTools]], [[Analysis]], [[Technical-Architecture]], [[Optimization]]
-- **Modern Tech/Tools**: PageSpeed Insights, Lighthouse, Search Console.
+- **Modern Tech/Tools**: [[PageSpeed Insights]], [[Lighthouse]], [[Search]] Console.
---
diff --git a/10_Wiki/Topics/AI/Corgea.md b/10_Wiki/Topics/AI/Corgea.md
index 8ab10ba4..54de953d 100644
--- a/10_Wiki/Topics/AI/Corgea.md
+++ b/10_Wiki/Topics/AI/Corgea.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AUTO-DA5E03
+id: [[P-Reinforce]]-AUTO-DA5E03
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.90
tags: [auto-reinforced]
@@ -10,12 +10,12 @@ github_commit: "[P-Reinforce] Continuous Worker - Corgea"
# [[Corgea]]
## 📌 한 줄 통찰 (The Karpathy Summary)
-> Corgea는 대형 언어 모델(LLM)을 사후 스캔 분류가 아닌 핵심 스캐닝 엔진의 일부로 직접 활용하는 AI 네이티브 정적 애플리케이션 보안 테스트(SAST) 플랫폼입니다 [1]. 패턴 기반 스캐너가 놓치기 쉬운 복잡한 비즈니스 로직 결함을 깊이 있게 이해하고, 5% 미만의 낮은 오탐지율(False Positive rate)을 달성하여 기존 SAST 도구의 노이즈 문제를 해결합니다 [1-4]. 20개 이상의 언어를 지원하며, 검증된 AI 자동 수정(Auto-fix) 기능을 개발자의 작업 흐름(IDE 및 PR) 내에 직접 제공하는 것이 특징입니다 [2, 3].
+> Corgea는 대형 언어 모델(LLM)을 사후 스캔 분류가 아닌 핵심 스캐닝 엔진의 일부로 직접 활용하는 AI 네이티브 정적 애플리케이션 보안 테스트([[SAST]]) 플랫폼입니다 [1]. 패턴 기반 스캐너가 놓치기 쉬운 복잡한 비즈니스 로직 결함을 깊이 있게 이해하고, 5% 미만의 낮은 오탐지율(False Positive rate)을 달성하여 기존 SAST 도구의 노이즈 문제를 해결합니다 [1-4]. 20개 이상의 언어를 지원하며, 검증된 AI 자동 수정(Auto-fix) 기능을 개발자의 작업 흐름(IDE 및 PR) 내에 직접 제공하는 것이 특징입니다 [2, 3].
## 📖 구조화된 지식 (Synthesized Content)
- **AI 네이티브 탐지 및 문맥 이해**: Corgea는 LLM을 스캐닝 과정에 활용하여 코드의 문맥과 의도를 파악합니다. 이를 통해 단순한 패턴 매칭만으로는 찾기 힘든 비즈니스 로직 취약점(예: 손상된 인증 시스템 등)을 탐지할 수 있습니다 [3, 5]. 이러한 접근 방식은 오탐지율을 5% 미만으로 크게 낮추는 데 기여합니다 [2, 4].
-- **PolicyIQ를 통한 맞춤형 문맥화**: 팀이 자연어를 사용하여 비즈니스 및 환경적 맥락을 제공할 수 있도록 하는 PolicyIQ 기능을 지원합니다 [3]. 스캐너는 이 컨텍스트를 활용하여 탐지 정확도를 개선하고 보다 적절한 수정안을 생성합니다 [3].
-- **도달 가능성 분석(Reachability Analysis)**: SAST 도달 가능성 분석을 수행하여 엔드포인트를 확인하고, 취약한 함수로 이어지는 콜 그래프(Call graph)를 생성하여 해당 취약점이 실제로 도달하여 악용될 수 있는지를 판별합니다 [3].
+- **[[PolicyIQ]]를 통한 맞춤형 문맥화**: 팀이 자연어를 사용하여 비즈니스 및 환경적 맥락을 제공할 수 있도록 하는 PolicyIQ 기능을 지원합니다 [3]. 스캐너는 이 컨텍스트를 활용하여 탐지 정확도를 개선하고 보다 적절한 수정안을 생성합니다 [3].
+- **도달 가능성 분석(Reachability [[Analysis]])**: SAST 도달 가능성 분석을 수행하여 엔드포인트를 확인하고, 취약한 함수로 이어지는 콜 그래프(Call graph)를 생성하여 해당 취약점이 실제로 도달하여 악용될 수 있는지를 판별합니다 [3].
- **워크플로우 통합 및 자동 수정**: Corgea는 IDE 및 Pull Request(PR) 단계에서 AI가 생성하고 검증한 수정안을 제공하여, 개발자가 평소 작업하는 흐름 내에서 직접 문제를 해결할 수 있도록 돕습니다 [2, 3]. 독립적인 Latio.tech 보고서에서 시중 최고의 자동 수정 도구로 평가받은 바 있습니다 [3].
- **잠재적 한계점**: 시장 진입이 비교적 최근에 이루어졌기 때문에 Latio.tech 보고서 외에는 독립적인 벤치마킹 데이터가 아직 부족하다는 점이 한계로 꼽힙니다 [6]. 또한, AI를 통해 오탐지를 크게 줄이기는 하지만 완벽하게 제거할 수는 없으며, 기존의 확고한 레거시 벤더들에 비해 기업 내 도입 설득이 더 어려울 수 있습니다 [6].
diff --git a/10_Wiki/Topics/AI/Corporate-LMS-Training.md b/10_Wiki/Topics/AI/Corporate-LMS-Training.md
index e25e6215..288872c0 100644
--- a/10_Wiki/Topics/AI/Corporate-LMS-Training.md
+++ b/10_Wiki/Topics/AI/Corporate-LMS-Training.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-CLMS-001
+id: [[P-Reinforce]]-AUTO-CLMS-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.93
-tags: [auto-reinforced, lms, corporate-training, hr-tech, digital-learning, talent-management, scalability]
+tags: [auto-reinforced, lms, corporate-training, hr-tech, digital-learning, talent-[[Management]], [[Scalability]]]
last_reinforced: 2026-04-20
---
@@ -15,17 +15,17 @@ last_reinforced: 2026-04-20
기업용 학습 관리 시스템(Corporate-LMS-Training)은 조직 구성원의 역량 개발을 위해 교육 콘텐츠를 생성, 배포, 추적, 분석하는 통합 플랫폼 전략입니다.
1. **3대 가치**:
- * **Standardization**: 모든 직원이 회사의 표준 프로세스(SOP)를 숙지함. (Standard-Operating-Procedure와 연결)
- * **Compliance**: 필수로 이수해야 할 법적/보안 교육 이수 자동 추적. (Risk-Management와 연결)
+ * **Standardization**: 모든 직원이 회사의 표준 프로세스(SOP)를 숙지함. ([[Standard-[[Opera]]ting-Procedure]]와 연결)
+ * **Compliance**: 필수로 이수해야 할 법적/보안 교육 이수 자동 추적. ([[Risk-Management]]와 연결)
* **Talent Analytics**: 누가 어떤 스킬을 가졌는지 데이터로 파악하여 적재적소 배치.
2. **왜 중요한가?**:
- * 지식의 생명 주기가 짧아지는 4차 산업 시대에, 조직 전체의 '학습 속도'가 곧 기업의 생존 속도이기 때문임. (Efficiency와 연결)
+ * 지식의 생명 주기가 짧아지는 4차 산업 시대에, 조직 전체의 '학습 속도'가 곧 기업의 생존 속도이기 때문임. ([[Efficiency]]와 연결)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거에는 단순히 지루한 영상을 틀어주는 '시청 기록기' 수준이었으나, 현대 정책은 마이크로 러닝(Micro-learning)과 게이미피케이션 정책(Gamification)을 통해 몰입도를 높이는 방향으로 진화함(RL Update).
-- **정책 변화(RL Update)**: 이제는 고정된 커리큘럼 정책을 넘어, AI 가 직원의 업무 성과 패턴 정책을 분석하여 부족한 역량 정책을 실시간으로 추천해 주는 'Adaptive Learning 정책'이 주류임. (Support와 연결)
+- **정책 변화(RL Update)**: 이제는 고정된 커리큘럼 정책을 넘어, AI 가 직원의 업무 성과 패턴 정책을 분석하여 부족한 역량 정책을 실시간으로 추천해 주는 '[[Adaptive Learning]] 정책'이 주류임. ([[Support]]와 연결)
## 🔗 지식 연결 (Graph)
- [[Standard-Operating-Procedure]], [[Risk-Management]], [[Efficiency]], [[Support]], [[Management]], [[Sustainability]]
-- **Modern Platforms**: Coursera for Business, Degreed, EdX, Cornerstone.
+- **Modern Platforms**: Coursera for [[business]], Degreed, EdX, Cornerstone.
---
diff --git a/10_Wiki/Topics/AI/Cost-Benefit Analysis in AI.md b/10_Wiki/Topics/AI/Cost-Benefit Analysis in AI.md
index e61f8eda..1022fa07 100644
--- a/10_Wiki/Topics/AI/Cost-Benefit Analysis in AI.md
+++ b/10_Wiki/Topics/AI/Cost-Benefit Analysis in AI.md
@@ -2,7 +2,7 @@
id: CBA-AI-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [ai-business, strategy, cost-benefit-analysis, scalability, optimization]
+tags: [ai-[[business]], [[Strategy]], cost-benefit-[[Analysis]], [[Scalability]], [[Optimization]]]
last_reinforced: 2026-04-26
---
@@ -14,7 +14,7 @@ last_reinforced: 2026-04-26
## 📖 구조화된 지식 (Synthesized Content)
- **추출된 패턴:** 기술적 성능(Accuracy, F1 score 등) 향상이 실제 비즈니스 수익으로 연결되는 지점을 파악하고, 한계 효용이 감소하는 임계점을 결정하는 의사결정 패턴.
- **주요 분석 항목:**
- - **Costs:** GPU 연산 비용, 데이터 수집 및 라벨링 비용, MLOps 인프라 구축비, 모델 서빙 지연 시간(Latency).
+ - **Costs:** GPU 연산 비용, 데이터 수집 및 라벨링 비용, [[MLOps]] 인프라 구축비, 모델 서빙 지연 시간(Latency).
- **Benefits:** 업무 자동화에 따른 인건비 절감, 예측 정확도 향상으로 인한 매출 증대, 사용자 경험(UX) 개선 및 리텐션 확보.
- **Intangible Factors:** 브랜드 이미지 제고, 기술적 우위 선점, 데이터 보안 및 윤리적 리스크 방어.
- **ROI 최적화 전략:** 모델 경량화, 오픈소스 활용 vs 자체 구축 선택, 점진적 도입(MVP 우선) 전략.
@@ -24,5 +24,5 @@ last_reinforced: 2026-04-26
- **정책 변화:** Antigravity 프로젝트는 새로운 AI 기능을 위키에 도입하기 전, 해당 기능이 제공하는 지식 검색의 질 향상이 서버 유지 비용을 상회하는지 비용 대비 편익 분석을 수행함.
## 🔗 지식 연결 (Graph)
-- System-Design-for-AI-Scale, Product-Thinking, Decision-Making, [[MLOps]]
+-[[ system]]-Design-for-AI-Scale, Product-Thinking, Decision-Making, [[MLOps]]
- **Raw Source:** 10_Wiki/Topics/AI/Cost-Benefit Analysis in AI.md
diff --git a/10_Wiki/Topics/AI/Creativity Research.md b/10_Wiki/Topics/AI/Creativity Research.md
index 75b2d3ad..84458c01 100644
--- a/10_Wiki/Topics/AI/Creativity Research.md
+++ b/10_Wiki/Topics/AI/Creativity Research.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-CRES-001
+id: [[P-Reinforce]]-AUTO-CRES-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.82
-tags: [auto-reinforced, creativity-research, psychology, innovation, divergent-thinking, neurobiology]
+tags: [auto-reinforced, creativity-[[Research]], [[Psychology]], [[Innovation]], divergent-thinking, neurobiology]
last_reinforced: 2026-04-20
---
@@ -12,7 +12,7 @@ last_reinforced: 2026-04-20
> "새로움의 기원을 찾아서: 신선하고 가치 있는 무언가를 만들어내는 인간의 능력을 심리적, 뇌과학적, 전산적 관점에서 분석하여 창의성의 프로세스를 이해하고 증명하려는 학문적 탐구."
## 📖 구조화된 지식 (Synthesized Content)
-창의성 연구(Creativity Research)는 창의적 사고의 본질과 이를 촉진하는 요인을 탐구합니다.
+창의성 연구(Creativity Re[[Search]])는 창의적 사고의 본질과 이를 촉진하는 요인을 탐구합니다.
1. **4P 모델 (James Rhodes)**:
* **Person**: 창의적 개인의 특성 (호기심, 개방성 등).
@@ -21,13 +21,13 @@ last_reinforced: 2026-04-20
* **Press**: 창의성을 자극하거나 억압하는 환경적 요인.
2. **인지적 메커니즘**:
* **Divergent Thinking**: 하나의 문제에서 수많은 대안을 생성하는 확산적 사고.
- * **Convergent Thinking**: 가장 적합한 하나를 선택하는 수렴적 사고. (Combinatorial-Optimization과 대비)
+ * **Convergent Thinking**: 가장 적합한 하나를 선택하는 수렴적 사고. ([[Combinatorial-Optimization]]과 대비)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
-- **과거 데이터와의 충돌**: 과거에는 창의성을 '천재의 신비로운 영감' 정책으로 치부했으나, 현대 정책은 정밀한 뇌 영상 분석과 전산 모델링 정책을 통해 창의성 또한 '정보의 재조합과 패턴 발견 정책'임을 과학적으로 규명함(RL Update). (Computational Creativity와 연결)
+- **과거 데이터와의 충돌**: 과거에는 창의성을 '천재의 신비로운 영감' 정책으로 치부했으나, 현대 정책은 정밀한 뇌 영상 분석과 전산 모델링 정책을 통해 창의성 또한 '정보의 재조합과 패턴 발견 정책'임을 과학적으로 규명함(RL Update). ([[Computational Creativity]]와 연결)
- **정책 변화(RL Update)**: AI 시대의 창의성 교육 정책에서, 단순히 '그림을 그리는 스킬'보다 문제의 본질을 꿰뚫고 AI에게 질문을 던지는 '프롬프트적 창의성 정책'과 '비판적 시각 정책'이 새로운 연구의 흐름이 됨.
## 🔗 지식 연결 (Graph)
-- [[Computational Creativity]], [[Arts]], [[Psychology & Behavior]], Philosophy of Science, [[Concept Mapping]]
+- [[Computational Creativity]], [[Arts]], [[Psychology & Behavior]], [[Philosophy]] of Science, [[Concept Mapping]]
- **Modern Tech/Tools**: Torrance Tests of Creative Thinking (TTCT), fMRI brain mapping.
---
diff --git a/10_Wiki/Topics/AI/Credit Assignment Problem.md b/10_Wiki/Topics/AI/Credit Assignment Problem.md
index ecb581c1..6ef4fa96 100644
--- a/10_Wiki/Topics/AI/Credit Assignment Problem.md
+++ b/10_Wiki/Topics/AI/Credit Assignment Problem.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-CRAS-001
+id: [[P-Reinforce]]-AUTO-CRAS-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.94
-tags: [auto-reinforced, credit-assignment, reinforcement-learning, machine-learning, backpropagation, reward]
+tags: [auto-reinforced, credit-assignment, [[Reinforcement-Learning]], machine-learning, [[Backpropagation]], reward]
last_reinforced: 2026-04-20
---
diff --git a/10_Wiki/Topics/AI/Cross-Entropy Loss.md b/10_Wiki/Topics/AI/Cross-Entropy Loss.md
index 9c66fdee..81e1bfd9 100644
--- a/10_Wiki/Topics/AI/Cross-Entropy Loss.md
+++ b/10_Wiki/Topics/AI/Cross-Entropy Loss.md
@@ -2,7 +2,7 @@
id: LOSS-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [math, deep-learning, loss-function, information-theory, cross-entropy]
+tags: [math, [[Deep-Learning]], loss-function, [[Information-Theory]], cross-entropy]
last_reinforced: 2026-04-26
---
diff --git a/10_Wiki/Topics/AI/Cumulative-Layout-Shift-CLS.md b/10_Wiki/Topics/AI/Cumulative-Layout-Shift-CLS.md
index db05e178..514985d0 100644
--- a/10_Wiki/Topics/AI/Cumulative-Layout-Shift-CLS.md
+++ b/10_Wiki/Topics/AI/Cumulative-Layout-Shift-CLS.md
@@ -2,14 +2,14 @@
id: PERF-CWV-CLS-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [core-web-vitals, cls, performance, ux, visual-stability, frontend-optimization, seo]
+tags: [[[Core-Web-Vitals]], cls, performance, ux, visual-[[Stability]], [[Frontend]]-[[Optimization]], seo]
last_reinforced: 2026-04-26
---
-# Cumulative Layout Shift: CLS (누적 레이아웃 이동)
+# Cumulative Layout [[Shift]]: CLS (누적 레이아웃 이동)
## 📌 한 줄 통찰 (The Karpathy Summary)
-> "사용자가 읽거나 클릭하려는 순간 콘텐츠가 춤추듯 이동하는 '시각적 불안정성'을 제거하고, 0.08초 이내의 고정된 안정감을 제공하여 인지적 마찰을 차단하라" — 페이지의 전체 수명 동안 발생하는 예기치 않은 레이아웃 이동을 측정하는 Core Web Vitals의 핵심 사용자 경험 지표.
+> "사용자가 읽거나 클릭하려는 순간 콘텐츠가 춤추듯 이동하는 '시각적 불안정성'을 제거하고, 0.08초 이내의 고정된 안정감을 제공하여 인지적 마찰을 차단하라" — 페이지의 전체 수명 동안 발생하는 예기치 않은 레이아웃 이동을 측정하는 [[Core Web Vitals]]의 핵심 사용자 경험 지표.
## 📖 구조화된 지식 (Synthesized Content)
- **추출된 패턴:** "Predictive Space Allocation and Visual Isolation" — 콘텐츠가 로드되기 전에 브라우저가 필요한 공간을 미리 예약하여, 데이터 로딩 전후의 시각적 불일치를 제로로 만드는 패턴.
diff --git a/10_Wiki/Topics/AI/Curriculum-Learning.md b/10_Wiki/Topics/AI/Curriculum-Learning.md
index acce149b..51ec8252 100644
--- a/10_Wiki/Topics/AI/Curriculum-Learning.md
+++ b/10_Wiki/Topics/AI/Curriculum-Learning.md
@@ -2,7 +2,7 @@
id: CURRICULUM-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [ai, machine-learning, curriculum-learning, optimization, training-strategy]
+tags: [ai, machine-learning, curriculum-learning, [[Optimization]], training-[[Strategy]]]
last_reinforced: 2026-04-26
---
diff --git a/10_Wiki/Topics/AI/Custom-ESLint-Rules-Development.md b/10_Wiki/Topics/AI/Custom-ESLint-Rules-Development.md
index 79dbe9eb..23c9eadf 100644
--- a/10_Wiki/Topics/AI/Custom-ESLint-Rules-Development.md
+++ b/10_Wiki/Topics/AI/Custom-ESLint-Rules-Development.md
@@ -1,8 +1,8 @@
---
-id: ESLINT-001
+id: [[ESLint]]-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [static-analysis, javascript, devtools, dx]
+tags: [static-[[Analysis]], [[JavaScript]], devtools, dx]
last_reinforced: 2026-04-26
---
@@ -26,4 +26,4 @@ last_reinforced: 2026-04-26
## 🔗 지식 연결 (Graph)
- **Parent:** 10_Wiki/💡 Topics/AI
- **Related:** Static-Analysis, AST, Developer-Experience
-- **Raw Source:** 10_Wiki/Topics/AI/Custom-ESLint-Rules-Development.md
+- **Raw Source:** 10_Wiki/Topics/AI/[[Custom-ESLint-Rules]]-Development.md
diff --git a/10_Wiki/Topics/AI/Custom-ESLint-Rules.md b/10_Wiki/Topics/AI/Custom-ESLint-Rules.md
index f2ef9c6c..5a159bc4 100644
--- a/10_Wiki/Topics/AI/Custom-ESLint-Rules.md
+++ b/10_Wiki/Topics/AI/Custom-ESLint-Rules.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-ESRL-001
+id: [[P-Reinforce]]-AUTO-ESRL-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.97
-tags: [auto-reinforced, eslint, linter, static-analysis, code-quality, dev-tooling, automation]
+tags: [auto-reinforced, [[ESLint]], linter, static-[[Analysis]], code-quality, dev-tooling, automation]
last_reinforced: 2026-04-20
---
@@ -15,15 +15,15 @@ last_reinforced: 2026-04-20
커스텀 ESLint 규칙(Custom-ESLint-Rules)은 프로젝트 요구사항에 맞춰 표준 린터가 잡지 못하는 특정 안티 패턴이나 스타일을 검사하기 위해 직접 만든 정적 분석 규칙입니다.
1. **메커니즘 (AST 파싱)**:
- * **Parser**: 소스 코드를 읽어 추상 구문 트리(AST)로 변환.
+ * **[[Parser]]**: 소스 코드를 읽어 추상 구문 트리(AST)로 변환.
* **Trainee**: 특정 노드(예: `Identifier`, `FunctionDeclaration`)를 방문할 때 검사 로직 실행.
* **Context Report**: 규칙 위반 시 문제의 위치와 메시지, 자동 수정(Fixer) 방법 제안.
2. **왜 중요한가?**:
- * 코드 리뷰 시 "세미콜론 찍으세요" 같은 소모적 논쟁을 없애고, 기술 부채 정책을 원천적으로 차단하기 때문임. (Technical-Debt와 연결)
+ * 코드 리뷰 시 "세미콜론 찍으세요" 같은 소모적 논쟁을 없애고, 기술 부채 정책을 원천적으로 차단하기 때문임. ([[Technical-Debt]]와 연결)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
-- **과거 데이터와의 충돌**: 과거에는 단순히 '들여쓰기' 같은 스타일 검사 정책이 주였으나, 현대 정책은 함수 사용의 '보안 취약점 정책'이나 '성능 저하 패턴 정책'을 감지하는 논리적 검사 정책으로 고도화됨(RL Update). (Testing와 연결)
-- **정책 변화(RL Update)**: 이제는 사람이 일일이 규칙 정책을 짜는 것을 넘어, AI 가 프로젝트 코드 전체를 학습하여 반복되는 오류 정책을 발견하고 새로운 린트 규칙 정책을 스스로 제안하는 시대로 진화 중임. (Scripts와 연결)
+- **과거 데이터와의 충돌**: 과거에는 단순히 '들여쓰기' 같은 스타일 검사 정책이 주였으나, 현대 정책은 함수 사용의 '보안 취약점 정책'이나 '성능 저하 패턴 정책'을 감지하는 논리적 검사 정책으로 고도화됨(RL Update). ([[Testing]]와 연결)
+- **정책 변화(RL Update)**: 이제는 사람이 일일이 규칙 정책을 짜는 것을 넘어, AI 가 프로젝트 코드 전체를 학습하여 반복되는 오류 정책을 발견하고 새로운 린트 규칙 정책을 스스로 제안하는 시대로 진화 중임. ([[Scripts]]와 연결)
## 🔗 지식 연결 (Graph)
- [[Technical-Debt]], [[Testing]], [[Scripts]], [[Quality-Control]], Automation, [[Technical-Architecture]]
diff --git a/10_Wiki/Topics/AI/Custom-Hooks-Patterns.md b/10_Wiki/Topics/AI/Custom-Hooks-Patterns.md
index 69ee6c33..1261180c 100644
--- a/10_Wiki/Topics/AI/Custom-Hooks-Patterns.md
+++ b/10_Wiki/Topics/AI/Custom-Hooks-Patterns.md
@@ -2,7 +2,7 @@
id: FE-REACT-CUSTOM-HOOK-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [react, frontend, custom-hooks, dry, refactoring, separation-of-concerns, business-logic]
+tags: [react, [[Frontend]], custom-hooks, dry, refactoring, separation-of-concerns, [[business]]-[[Logic]]]
last_reinforced: 2026-04-26
---
@@ -15,15 +15,15 @@ last_reinforced: 2026-04-26
- **추출된 패턴:** "Logic Decoupling and Reusable Abstraction" — 데이터 패칭, 상태 관리, 이벤트 리스너 등록 등의 횡단 관심사를 컴포넌트 밖으로 추출하여 `useX`라는 이름의 커스텀 인터페이스로 추상화하는 패턴.
- **주요 적용 사례:**
- **Data Fetching:** `useFetch`, `useQuery` 등을 통해 로딩/에러 상태와 데이터 처리 로직 공유.
- - **Form Management:** `useForm`을 통해 입력값 바인딩 및 유효성 검사 로직 재사용.
- - **Global State / Storage:** `useLocalStorage`, `useAuth` 등을 통해 외부 상태와의 동기화.
+ - **Form [[Management]]:** `useForm`을 통해 입력값 바인딩 및 유효성 검사 로직 재사용.
+ - **Global [[State]] / [[Storage]]:** `useLocalStorage`, `useAuth` 등을 통해 외부 상태와의 동기화.
- **설계 원칙:**
- **Naming:** 반드시 `use` 접두사로 시작하여 훅임을 명시.
- **Co-location:** 특정 도메인에 국한된 훅은 해당 도메인 폴더에, 범용 훅은 `src/hooks`에 배치.
- **의의:** 중복 코드를 제거(DRY)하고, 복잡한 컴포넌트의 인지적 부하를 줄여 유지보수 비용을 획기적으로 낮춤.
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
-- **과거 데이터와의 충돌:** 과거에는 로직 재사용을 위해 고차 컴포넌트(HOC)나 Render Props를 사용했으나, 훅 도입 이후 이러한 방식은 'Wrapper Hell'을 유발하는 지양해야 할 정책으로 간주됨.
+- **과거 데이터와의 충돌:** 과거에는 로직 재사용을 위해 고차 컴포넌트(HOC)나 [[Render Props]]를 사용했으나, 훅 도입 이후 이러한 방식은 'Wrapper Hell'을 유발하는 지양해야 할 정책으로 간주됨.
- **정책 변화:** Antigravity 프로젝트는 30라인 이상의 비즈니스 로직을 포함하는 컴포넌트 개발 시 반드시 커스텀 훅으로의 분리를 검토하도록 강제하며, 훅 내부에서 사이드 이펙트(Effect) 발생 시 명확한 클린업 로직을 포함하는 것을 정책화함.
## 🔗 지식 연결 (Graph)
diff --git a/10_Wiki/Topics/AI/Customer-Journey-Mapping.md b/10_Wiki/Topics/AI/Customer-Journey-Mapping.md
index 662c5d73..11fcc503 100644
--- a/10_Wiki/Topics/AI/Customer-Journey-Mapping.md
+++ b/10_Wiki/Topics/AI/Customer-Journey-Mapping.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-CJMA-001
+id: [[P-Reinforce]]-AUTO-CJMA-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.94
-tags: [auto-reinforced, customer-journey-map, cjm, service-design, user-experience, touchpoints, behavior-analysis]
+tags: [auto-reinforced, customer-journey-map, cjm, service-design, user-experience, touchpoints, [[Behavior]]-[[Analysis]]]
last_reinforced: 2026-04-20
---
@@ -18,16 +18,16 @@ last_reinforced: 2026-04-20
* **Stages**: 인지 -> 고려 -> 구매 -> 사용 -> 지지 등의 단계.
* **Touchpoints**: 사용자가 제품과 상호작용하는 구체적 지점 (앱 화면, 고객 센터 등).
* **Actions & Thoughts**: 각 단계에서 사용자가 행동하고 생각하는 것.
- * **Emotional Score**: 사용자의 기쁨과 좌절의 굴곡을 그래프화. (Sensitivity-Analysis와 대비).
+ * **Emotional Score**: 사용자의 기쁨과 좌절의 굴곡을 그래프화. ([[Sensitivity-Analysis]]와 대비).
* **Opportunities**: 좌절이 발생하는 지점에서 우리가 해결할 수 있는 기회 발굴.
2. **왜 중요한가?**:
- * 공급자 중심의 시각에서 벗어나 '사용자의 관점(UX)'으로 비즈니스를 재정의하게 하기 때문임. (Continuous-Discovery와 연결)
+ * 공급자 중심의 시각에서 벗어나 '사용자의 관점(UX)'으로 비즈니스를 재정의하게 하기 때문임. ([[Continuous-Discovery]]와 연결)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거에는 완벽한 한 장의 '보고서 정책'으로 끝냈으나, 현대 정책은 실제 로그 데이터와 연동되어 실시간으로 변하는 '살아있는 지도 정책(Dynamic CJM)'을 지향함(RL Update).
-- **정책 변화(RL Update)**: 이제는 개인화 AI 정책이 적용되면서 모든 사용자가 동일한 여정 정책을 걷지 않게 되었으며, 수천만 개의 개별 여정 정책을 AI 가 클러스터링(Clustering)하여 패턴 정책을 추출하는 방식으로 진화 중임. (Data-Science-in-UX와 연결)
+- **정책 변화(RL Update)**: 이제는 개인화 AI 정책이 적용되면서 모든 사용자가 동일한 여정 정책을 걷지 않게 되었으며, 수천만 개의 개별 여정 정책을 AI 가 클러스터링(Clustering)하여 패턴 정책을 추출하는 방식으로 진화 중임. ([[Data-Science-in-UX]]와 연결)
## 🔗 지식 연결 (Graph)
- [[Continuous-Discovery]], [[Data-Science-in-UX]], [[Sensitivity-Analysis]], Service-Design, UX-Design-and-Engagement
-- **Key Goal**: Empathy for the user (Empathy Map).
+- **Key [[goal]]**: Empathy for the user (Empathy Map).
---
diff --git a/10_Wiki/Topics/AI/Cybernetics Foundations.md b/10_Wiki/Topics/AI/Cybernetics Foundations.md
index a4d50686..1a29d5e5 100644
--- a/10_Wiki/Topics/AI/Cybernetics Foundations.md
+++ b/10_Wiki/Topics/AI/Cybernetics Foundations.md
@@ -2,7 +2,7 @@
id: CYBER-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [science, cybernetics, feedback-loop, communication, systems-theory]
+tags: [science, [[Cybernetics]], feedback-loop, communication,[[ system]]s-theory]
last_reinforced: 2026-04-26
---
@@ -15,8 +15,8 @@ last_reinforced: 2026-04-26
- **추출된 패턴:** 환경으로부터의 정보를 입력받아 목표와의 편차를 계산하고, 이를 수정 행동으로 변환하는 순환적 제어(Circular Causality) 패턴.
- **핵심 개념:**
- **Feedback Loops:** 출력의 결과가 다시 입력에 영향을 주어 시스템을 안정화(Negative Feedback)하거나 가속(Positive Feedback)시킴.
- - **Homeostasis (항상성):** 외부 변화에도 불구하고 내부 상태를 일정하게 유지하려는 성질.
- - **Information Theory:** 시스템 내에서 정보가 어떻게 전달되고 소음(Noise)을 극복하는지 연구.
+ - **[[Homeostasis]] (항상성):** 외부 변화에도 불구하고 내부 상태를 일정하게 유지하려는 성질.
+ - **[[Information Theory]]:** 시스템 내에서 정보가 어떻게 전달되고 소음([[Noise]])을 극복하는지 연구.
- **Black Box:** 내부 구조를 몰라도 입력과 출력의 관계만으로 시스템의 거동을 이해.
- **의의:** AI, 로봇공학, 컴퓨터 과학뿐만 아니라 생물학, 사회학 등 현대 과학 전반에 걸친 '시스템 사고'의 기틀 마련.
diff --git a/10_Wiki/Topics/AI/Cybernetics.md b/10_Wiki/Topics/AI/Cybernetics.md
index ae35c918..4bc26fbd 100644
--- a/10_Wiki/Topics/AI/Cybernetics.md
+++ b/10_Wiki/Topics/AI/Cybernetics.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-CYBE-001
+id: [[P-Reinforce]]-AUTO-CYBE-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.91
-tags: [auto-reinforced, cybernetics, systems-theory, feedback, communication, norbert-wiener]
+tags: [auto-reinforced, cybernetics,[[ system]]s-theory, feedback, communication, nor[[BERT]]-wiener]
last_reinforced: 2026-04-20
---
@@ -15,13 +15,13 @@ last_reinforced: 2026-04-20
사이버네틱스(Cybernetics)는 동물과 기계에서의 제어와 통신에 관한 학문입니다. (노버트 위너 제안)
1. **핵심 철학**:
- * **Feedback Loops**: 시스템의 출력이 입력에 영향을 주어 스스로를 조정하는 메커니즘을 만물의 공통 원리로 봄. (Control-Theory의 기초)
+ * **Feedback Loops**: 시스템의 출력이 입력에 영향을 주어 스스로를 조정하는 메커니즘을 만물의 공통 원리로 봄. ([[Control-Theory]]의 기초)
* **Information & Governance**: 정보를 단순히 데이터가 아닌 시스템을 조화롭게 이끄는 '조타수(Steersman)'의 역할로 정의.
2. **왜 중요한가?**:
* 단순한 기계론을 넘어, 생명체의 적응력과 기계의 자동성을 하나의 통합된 원리로 설명함으로써 AI와 로보틱스의 탄생에 결정적 기여를 함.
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
-- **과거 데이터와의 충돌**: 과거에는 사이버네틱스를 단순한 '공학적 제어 정책'으로 한정했으나, 현대 정책은 사회 시스템, 생태계, 거대 인터넷 경제를 포괄하는 '2차 사이버네틱스(관찰자를 포함한 시스템 분석 정책)'로 확장됨(RL Update). (Systems Thinking과 연결)
+- **과거 데이터와의 충돌**: 과거에는 사이버네틱스를 단순한 '공학적 제어 정책'으로 한정했으나, 현대 정책은 사회 시스템, 생태계, 거대 인터넷 경제를 포괄하는 '2차 사이버네틱스(관찰자를 포함한 시스템 분석 정책)'로 확장됨(RL Update). ([[Systems Thinking]]과 연결)
- **정책 변화(RL Update)**: 인간의 뇌와 컴퓨터를 직접 연결하는 BCI 정책과, AI가 스스로 목표를 재정의하는 '자율적 거버넌스 정책'에서 사이버네틱스의 피드백 이론이 재조명받고 있음.
## 🔗 지식 연결 (Graph)
diff --git a/10_Wiki/Topics/AI/DAG-Dependency-Management.md b/10_Wiki/Topics/AI/DAG-Dependency-Management.md
index ba19a63d..aa564308 100644
--- a/10_Wiki/Topics/AI/DAG-Dependency-Management.md
+++ b/10_Wiki/Topics/AI/DAG-Dependency-Management.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-DAGD-001
+id: [[P-Reinforce]]-AUTO-DAGD-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.95
-tags: [auto-reinforced, dag, dependency-management, directed-acyclic-graph, software-architecture, devops, efficiency]
+tags: [auto-reinforced, dag, dependency-[[Management]], directed-acyclic-graph, software-[[Architecture]], devops, [[Efficiency]]]
last_reinforced: 2026-04-20
---
@@ -19,15 +19,15 @@ DAG 기반 의존성 관리(DAG-Dependency-Management)는 시스템 구성 요
* **Directed Edges**: 의존 관계 (A -> B : B를 하려면 A가 먼저 끝나야 함).
* **Acyclic (비순환)**: 순환 참조(A->B->A)가 없어 무한 루프나 교착 상태가 발생하지 않음.
2. **활용 사례**:
- * **Build Systems**: 변경된 파일과 그에 의존하는 파일만 똑똑하게 빌드 (Next.js, Vite). (Efficiency와 연결)
+ * **Build[[ system]]s**: 변경된 파일과 그에 의존하는 파일만 똑똑하게 빌드 ([[Next.js]], Vite). (Efficiency와 연결)
* **Data Pipelines**: 데이터 처리 단계의 순서 보장 (Airflow, dbt).
* **Package Managers**: 라이브러리 간 버전 충돌 해결 (npm, yarn).
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
-- **과거 데이터와의 충돌**: 과거에는 순차적 실행 정책(Sequence)에만 집중했으나, 현대 정책은 DAG 분석 정책을 통해 의존성이 없는 노드들을 자동으로 묶어 '최대 병렬성 정책(Maximum Parallelism)'을 확보하는 방향으로 진화함(RL Update). (Scalability와 연결)
+- **과거 데이터와의 충돌**: 과거에는 순차적 실행 정책(Sequence)에만 집중했으나, 현대 정책은 DAG 분석 정책을 통해 의존성이 없는 노드들을 자동으로 묶어 '최대 병렬성 정책(Maximum Parallelism)'을 확보하는 방향으로 진화함(RL Update). ([[Scalability]]와 연결)
- **정책 변화(RL Update)**: 이제는 단순 빌드 정책을 넘어, 분산 시스템의 서비스 간 호출 관계 정책이나 대규모 모노레포 정책의 변경 영향도 정책을 실시간으로 계산하는 핵심 도구로 쓰임.
## 🔗 지식 연결 (Graph)
-- [[Efficiency]], [[Scalability]], [[Technical-Architecture]], [[Standard-Operating-Procedure]], [[Management]]
-- **Key Mathematics**: Topological Sorting (위상 정렬).
+- [[Efficiency]], [[Scalability]], [[Technical-Architecture]], [[Standard-[[Opera]]ting-Procedure]], [[Management]]
+- **Key Mathematics**: Topo[[Logic]]al [[Sorting]] (위상 정렬).
---
diff --git a/10_Wiki/Topics/AI/DDD-Type-Safety.md b/10_Wiki/Topics/AI/DDD-Type-Safety.md
index 1db0dddf..a52b3729 100644
--- a/10_Wiki/Topics/AI/DDD-Type-Safety.md
+++ b/10_Wiki/Topics/AI/DDD-Type-Safety.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-DDTS-001
+id: [[P-Reinforce]]-AUTO-DDTS-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.98
-tags: [auto-reinforced, ddd, type-safety, typescript, domain-model, constraint, reliability, engineering]
+tags: [auto-reinforced, ddd, type-safety, typescript, domain-model, constraint, [[Reliability]], engineering]
last_reinforced: 2026-04-20
---
@@ -17,15 +17,15 @@ last_reinforced: 2026-04-20
1. **구체적 기법**:
* **Branded Types (Nominal Typing)**: 단순 `number`가 아니라 `OrderId`라는 고유 타입을 만들어 실수로 다른 숫자와 섞이지 않게 함. (Nominal-Typing와 연결)
* **Validation through Construction**: 생성자나 팩토리 함수에서 검증을 완료한 후 '불변 객체'를 반환하여, 일단 생성된 객체는 항상 유효함을 보장.
- * **Exhaustive Checks**: 모든 비즈니스 상태 정책을 `Discriminated Unions`로 정의하여 모든 케이스 정책을 누락 없이 처리. (Discriminated-Unions와 연결)
+ * **Exhaustive Checks**: 모든 비즈니스 상태 정책을 `[[Discriminated Unions]]`로 정의하여 모든 케이스 정책을 누락 없이 처리. ([[Discriminated-Unions]]와 연결)
2. **왜 중요한가?**:
- * 버그가 런타임이 아닌 '코드를 쓰는 시점'에 발견되며, 문서가 아닌 '코드 그 자체'가 가장 정확한 비즈니스 명세서 정책이 되기 때문임. (Specification와 연결)
+ * 버그가 런타임이 아닌 '코드를 쓰는 시점'에 발견되며, 문서가 아닌 '코드 그 자체'가 가장 정확한 비즈니스 명세서 정책이 되기 때문임. ([[Specification]]와 연결)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
-- **과거 데이터와의 충돌**: 과거에는 런타임에 `if` 문 정책을 덕지덕지 붙여 방어 코드를 짜는 방식이었으나, 현대 정책은 'Make impossible states unrepresentable(불가능한 상태를 표현조체 못하게 만들기)'이라는 철학 정책을 통해 타입 시스템 정책의 한계까지 안정성 정책을 밀어붙임(RL Update).
-- **정책 변화(RL Update)**: 이제는 단순 데이터 보호 정책을 넘어, 비즈니스 프로세스(Workflow)의 순서 정책조차 타입을 통해 강제하는 '기능적 파이프라인 정책' 설계로 진화 중임. (Standard-Operating-Procedure와 연결)
+- **과거 데이터와의 충돌**: 과거에는 런타임에 `if` 문 정책을 덕지덕지 붙여 방어 코드를 짜는 방식이었으나, 현대 정책은 'Make impossible [[State]]s unrepresentable(불가능한 상태를 표현조체 못하게 만들기)'이라는 철학 정책을 통해 타입 시스템 정책의 한계까지 안정성 정책을 밀어붙임(RL Update).
+- **정책 변화(RL Update)**: 이제는 단순 데이터 보호 정책을 넘어, 비즈니스 프로세스(Workflow)의 순서 정책조차 타입을 통해 강제하는 '기능적 파이프라인 정책' 설계로 진화 중임. ([[Standard-[[Opera]]ting-Procedure]]와 연결)
## 🔗 지식 연결 (Graph)
- Nominal-Typing, [[Discriminated-Unions]], [[Specification]], [[Standard-Operating-Procedure]], [[Reliability]], [[Refinement]]
-- **Key Philosophy**: Make illegal states unrepresentable.
+- **Key [[Philosophy]]**: Make illegal states unrepresentable.
---
diff --git a/10_Wiki/Topics/AI/DDD-in-TypeScript.md b/10_Wiki/Topics/AI/DDD-in-TypeScript.md
index 16383f72..9f409d09 100644
--- a/10_Wiki/Topics/AI/DDD-in-TypeScript.md
+++ b/10_Wiki/Topics/AI/DDD-in-TypeScript.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-DDDT-001
+id: [[P-Reinforce]]-AUTO-DDDT-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.97
-tags: [auto-reinforced, ddd, typescript, domain-driven-design, software-architecture, tactical-patterns, modularity]
+tags: [auto-reinforced, ddd, typescript, domain-driven-design, software-[[Architecture]], tactical-patterns, [[Modularity]]]
last_reinforced: 2026-04-20
---
@@ -16,15 +16,15 @@ TS 기반 도메인 주도 설계(DDD-in-TypeScript)는 비즈니스 도메인
1. **핵심 전술적 패턴**:
* **Entities & Value Objects**: 식별자가 있는 객체와 값 자체로 의미를 갖는 객체 구분. (Value-Objects와 연결)
- * **Aggregates**: 데이터 변경의 일관성을 유지하는 단위.
+ * **Aggre[[Gates]]**: 데이터 변경의 일관성을 유지하는 단위.
* **Repositories**: 데이터 접근 정책을 도메인 로직과 분리.
* **Domain Services**: 여러 엔티티에 걸친 비즈니스 로직 처리.
2. **왜 중요한가?**:
- * 비즈니스 요구사항 정책이 복잡해질수록 '데이터와 로직이 파편화'되는 것을 막고, 기술적 용어가 아닌 비즈니스 용어로 코드를 작성하게 하여 대규모 프로젝트의 장기적 유지보수성 정책을 확보하기 때문임. (Terminology와 연결)
+ * 비즈니스 요구사항 정책이 복잡해질수록 '데이터와 로직이 파편화'되는 것을 막고, 기술적 용어가 아닌 비즈니스 용어로 코드를 작성하게 하여 대규모 프로젝트의 장기적 유지보수성 정책을 확보하기 때문임. ([[Terminology]]와 연결)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거 Java/C# 중심의 DDD 정책은 과도한 클래스 구조 정책 정책으로 인해 JS 환경에서는 무겁게 느껴졌으나, 현대 TS 정책은 인터페이스와 함수형 프로그래밍 정책을 결합하여 가벼우면서도 강력한 DDD 정책을 구현함(RL Update).
-- **정책 변화(RL Update)**: 이제는 단순 서버 측 설계 정책을 넘어, 프론트엔드에서도 도메인 모델 정책을 유지하여 클라이언트-서버 간의 '유비쿼터스 언어 정책'을 일치시키는 전사적 설계 정책이 강조됨. (Standard-Operating-Procedure와 연결)
+- **정책 변화(RL Update)**: 이제는 단순 서버 측 설계 정책을 넘어, 프론트엔드에서도 도메인 모델 정책을 유지하여 클라이언트-서버 간의 '유비쿼터스 언어 정책'을 일치시키는 전사적 설계 정책이 강조됨. ([[Standard-[[Opera]]ting-Procedure]]와 연결)
## 🔗 지식 연결 (Graph)
- Value-Objects, [[Terminology]], [[Standard-Operating-Procedure]], [[Technical-Architecture]], [[System-Theory]]
diff --git a/10_Wiki/Topics/AI/DORA-Metrics.md b/10_Wiki/Topics/AI/DORA-Metrics.md
index ad2ba28a..406b5baa 100644
--- a/10_Wiki/Topics/AI/DORA-Metrics.md
+++ b/10_Wiki/Topics/AI/DORA-Metrics.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-DORA-001
+id: [[P-Reinforce]]-AUTO-DORA-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.98
-tags: [auto-reinforced, dora-metrics, devops, software-delivery, performance, velocity, reliability]
+tags: [auto-reinforced, dora-metrics, devops, software-delivery, performance, velocity, [[Reliability]]]
last_reinforced: 2026-04-20
---
@@ -12,7 +12,7 @@ last_reinforced: 2026-04-20
> "엘리트 개발 팀의 성적표: 단순히 '얼마나 많이 만드는가'가 아니라, '얼마나 빠르고 안전하게 사용자에게 가치를 전달하는가'를 4가지 핵심 숫자로 입증하여 조직의 생산성 격차를 시각화하는 강력한 리트머스 시험지."
## 📖 구조화된 지식 (Synthesized Content)
-DORA Metrics는 Google의 DevOps Research and Assessment(DORA) 팀이 수천 개의 기업을 조사하여 정립한 소프트웨어 개발 및 배포 성과 측정 지표입니다.
+DORA Metrics는 Google의 DevOps [[Research]] and [[Assessment]](DORA) 팀이 수천 개의 기업을 조사하여 정립한 소프트웨어 개발 및 배포 성과 측정 지표입니다.
1. **4대 핵심 지표**:
* **Deployment Frequency (배포 빈도)**: 제품을 얼마나 자주 배포하는가? (속도)
@@ -20,13 +20,13 @@ DORA Metrics는 Google의 DevOps Research and Assessment(DORA) 팀이 수천 개
* **Change Failure Rate (변경 실패율)**: 배포 실패로 인해 장애가 발생할 확률. (신뢰성)
* **Failed Service Restoration Time (복구 소요 시간)**: 장애 발생 시 복구까지 걸리는 시간. (복구력)
2. **왜 중요한가?**:
- * 속도와 안정성을 상충 관계(Trade-off)가 아닌, 상호 보완 관계로 정의하여 '엘리트 그룹'으로 가기 위한 정량적 목표 정책을 제시하기 때문임. (Efficiency와 연결)
+ * 속도와 안정성을 상충 관계(Trade-off)가 아닌, 상호 보완 관계로 정의하여 '엘리트 그룹'으로 가기 위한 정량적 목표 정책을 제시하기 때문임. ([[Efficiency]]와 연결)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거에는 단순히 LOC(코드 라인 수)나 커밋 수 정책으로 개발자 성과를 측정했으나, DORA 정책은 '가치 전달의 흐름 정책(Flow)' 중심의 측정 정책이 조직의 성공과 직결됨을 증명함(RL Update).
- **정책 변화(RL Update)**: 최근에는 4대 지표 정책에 '안정성 정책' 외에 '운영 효율성 정책'을 시각화하는 5번째 지표(Reliability)를 추가하여 서비스 가용성 정책을 더욱 정밀하게 관리하는 추세임. (Reliability와 연결)
## 🔗 지식 연결 (Graph)
-- [[Efficiency]], [[Reliability]], [[Scalability]], [[Standard-Operating-Procedure]], [[Management]], [[Strategic-Planning]]
+- [[Efficiency]], [[Reliability]], [[Scalability]], [[Standard-[[Opera]]ting-Procedure]], [[Management]], [[Strategic-Planning]]
- **Category**: Elite, High, Medium, Low performers.
---
diff --git a/10_Wiki/Topics/AI/DPO (Direct Preference Optimization).md b/10_Wiki/Topics/AI/DPO (Direct Preference Optimization).md
index 66b55a88..640b18ef 100644
--- a/10_Wiki/Topics/AI/DPO (Direct Preference Optimization).md
+++ b/10_Wiki/Topics/AI/DPO (Direct Preference Optimization).md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-DPOO-001
+id: [[P-Reinforce]]-AUTO-DPOO-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.97
-tags: [auto-reinforced, dpo, direct-preference-optimization, llm-alignment, reinforcement-learning, machine-learning]
+tags: [auto-reinforced, dpo, direct-p[[Reference]]-[[Optimization]], llm-[[Alignment]], [[Reinforcement-Learning]], machine-learning]
last_reinforced: 2026-04-20
---
diff --git a/10_Wiki/Topics/AI/DQN.md b/10_Wiki/Topics/AI/DQN.md
index 0ec3ea37..2f664721 100644
--- a/10_Wiki/Topics/AI/DQN.md
+++ b/10_Wiki/Topics/AI/DQN.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-DQNN-001
+id: [[P-Reinforce]]-AUTO-DQNN-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.98
-tags: [auto-reinforced, dqn, deep-q-network, reinforcement-learning, machine-learning, atari]
+tags: [auto-reinforced, dqn, deep-q-network, [[Reinforcement-Learning]], machine-learning, atari]
last_reinforced: 2026-04-20
---
diff --git a/10_Wiki/Topics/AI/Data Cleaning Algorithms.md b/10_Wiki/Topics/AI/Data Cleaning Algorithms.md
index 8f9547d2..7c84566a 100644
--- a/10_Wiki/Topics/AI/Data Cleaning Algorithms.md
+++ b/10_Wiki/Topics/AI/Data Cleaning Algorithms.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-DCAL-001
+id: [[P-Reinforce]]-AUTO-DCAL-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.92
-tags: [auto-reinforced, data-cleaning, data-preprocessing, algorithms, outliers, duplicate-detection]
+tags: [auto-reinforced, data-cleaning, data-pre[[Processing]], algorithms, outliers, duplicate-detection]
last_reinforced: 2026-04-20
---
@@ -16,7 +16,7 @@ last_reinforced: 2026-04-20
1. **주요 태스크 및 알고리즘**:
* **Missing Value Imputation**: 평균, 최빈값 혹은 KNN/회귀 모델을 이용해 비어있는 값 채우기.
- * **Outlier Detection**: Z-Score, Isolation Forest 등을 이용해 정상 범위를 크게 벗어난 이상치 제거. (Anomaly-Detection과 연결)
+ * **Outlier Detection**: Z-Score, Isolation Forest 등을 이용해 정상 범위를 크게 벗어난 이상치 제거. ([[Anomaly-Detection]]과 연결)
* **Deduplication (중복 제거)**: 해시 매칭이나 편집 거리(Levenshtein Distance)를 이용해 겹치는 데이터 제거.
* **Standardization**: 단위나 형식을 통일 (예: 날짜 포맷 통일).
2. **왜 중요한가?**:
diff --git a/10_Wiki/Topics/AI/Data Distillation (데이터 증류).md b/10_Wiki/Topics/AI/Data Distillation (데이터 증류).md
index 214deb2a..12f1dd8f 100644
--- a/10_Wiki/Topics/AI/Data Distillation (데이터 증류).md
+++ b/10_Wiki/Topics/AI/Data Distillation (데이터 증류).md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-DDIS-001
+id: [[P-Reinforce]]-AUTO-DDIS-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.93
-tags: [auto-reinforced, data-distillation, machine-learning, model-compression, efficiency, dataset-synthesis]
+tags: [auto-reinforced, data-[[Distillation]], machine-learning, [[Model-Compression]], [[Efficiency]], dataset-synthesis]
last_reinforced: 2026-04-20
---
@@ -18,8 +18,8 @@ last_reinforced: 2026-04-20
* 전체 데이터로 학습한 '스승 모델(Teacher)'의 행동 패턴이나 그래디언트 정보를 보존하면서, 아주 작은 '가공된 데이터셋'을 생성.
* 이 증류된 데이터로 학습한 '제자 모델(Student)'이 전체 데이터로 학습한 효과와 유사한 성능을 내도록 최적화.
2. **왜 중요한가?**:
- * **Storage Efficiency**: 방대한 데이터를 보관할 필요가 없음.
- * **Training Speed**: 데이터 양이 적으므로 학습 시간이 극적으로 단축됨. (Optimization과 연결)
+ * **[[Storage]] Efficiency**: 방대한 데이터를 보관할 필요가 없음.
+ * **Training Speed**: 데이터 양이 적으므로 학습 시간이 극적으로 단축됨. ([[Optimization]]과 연결)
* **Privacy**: 원본 데이터를 직접 사용하지 않고 가공된 정보만 사용하므로 보안에 유리함.
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
diff --git a/10_Wiki/Topics/AI/Data-Augmentation Strategies.md b/10_Wiki/Topics/AI/Data-Augmentation Strategies.md
index 58b1ca6b..d16c65de 100644
--- a/10_Wiki/Topics/AI/Data-Augmentation Strategies.md
+++ b/10_Wiki/Topics/AI/Data-Augmentation Strategies.md
@@ -2,7 +2,7 @@
id: DATA-AUG-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [ai, deep-learning, computer-vision, nlp, data-augmentation, preprocessing]
+tags: [ai, [[Deep-Learning]], [[Computer-Vision]], nlp, data-augmentation, pre[[Processing]]]
last_reinforced: 2026-04-26
---
@@ -12,18 +12,18 @@ last_reinforced: 2026-04-26
> "데이터의 양을 늘릴 수 없다면, 데이터의 '모습'을 다양하게 변주하라" — 기존 학습 데이터를 수학적으로 변형하여 데이터셋의 규모를 가상으로 늘리고, 모델이 데이터의 본질적인 불변 특징을 학습하게 하여 일반화 성능을 높이는 기법.
## 📖 구조화된 지식 (Synthesized Content)
-- **추출된 패턴:** 원본 데이터가 가진 핵심 정보는 유지하면서 노이즈나 변형을 가해, 모델이 사소한 변화에 휘둘리지 않는 강건함(Robustness)을 갖추게 하는 변조 패턴.
+- **추출된 패턴:** 원본 데이터가 가진 핵심 정보는 유지하면서 노이즈나 변형을 가해, 모델이 사소한 변화에 휘둘리지 않는 강건함([[Robustness]])을 갖추게 하는 변조 패턴.
- **주요 전략:**
- - **Computer Vision:** 이미지 회전, 반전(Flip), 자르기(Crop), 색상 변조, Mixup(두 이미지를 섞음), Cutout(일부 가림).
+ - **[[Computer Vision]]:** 이미지 회전, 반전(Flip), 자르기(Crop), 색상 변조, Mixup(두 이미지를 섞음), Cutout(일부 가림).
- **NLP:** 동의어 교체(SR), 무작위 삭제/삽입, 역번역(Back Translation: 다른 언어로 번역 후 다시 복원).
- **Audio:** 속도 조절, 피치 변경, 노이즈 추가.
- **Generative Augmentation:** GAN이나 Diffusion 모델을 이용해 새로운 가짜 데이터를 생성하여 학습에 활용.
-- **의의:** 과적합(Overfitting)을 방지하고 적은 데이터로도 고성능 모델을 구축할 수 있게 함.
+- **의의:** 과적합([[Overfitting]])을 방지하고 적은 데이터로도 고성능 모델을 구축할 수 있게 함.
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌:** 사람이 직접 변형 규칙을 정의하던 방식에서, 최근에는 모델이 스스로 최적의 증강 조합을 찾는 AutoAugment 기술로 발전.
- **정책 변화:** Antigravity 프로젝트는 부족한 한국어 전문 용어 데이터를 보강하기 위해 역번역 기반의 데이터 증강 전략을 사용하여 NLP 에이전트의 문해력을 높임.
## 🔗 지식 연결 (Graph)
-- Computer-Vision-Mastery, NLP, [[Regularization-Techniques]], Generative-Adversarial-Networks-GAN
+- Computer-Vision-[[Mastery]], NLP, [[Regularization-Techniques]], [[Generative-Adversarial-Networks]]-GAN
- **Raw Source:** 10_Wiki/Topics/AI/Data-Augmentation Strategies.md
diff --git a/10_Wiki/Topics/AI/Data-Ethics and Privacy.md b/10_Wiki/Topics/AI/Data-Ethics and Privacy.md
index f295b008..fd4836f4 100644
--- a/10_Wiki/Topics/AI/Data-Ethics and Privacy.md
+++ b/10_Wiki/Topics/AI/Data-Ethics and Privacy.md
@@ -2,7 +2,7 @@
id: DATA-ETHICS-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [ai-ethics, data-privacy, gdpr, trustworthy-ai, security]
+tags: [ai-ethics, data-privacy, gdpr, [[Trustworthy-AI]], security]
last_reinforced: 2026-04-26
---
@@ -14,7 +14,7 @@ last_reinforced: 2026-04-26
## 📖 구조화된 지식 (Synthesized Content)
- **추출된 패턴:** 기술적 가능성(Can we?)보다 윤리적 정당성(Should we?)을 우선시하며, 데이터 주권을 명시적으로 관리하고 오남용 리스크를 최소화하는 보안 거버넌스 패턴.
- **핵심 원칙 및 기술:**
- - **Consent & Purpose:** 명확한 동의 하에 정해진 목적으로만 데이터 활용.
+ - **Consent & [[Purpose]]:** 명확한 동의 하에 정해진 목적으로만 데이터 활용.
- **Anonymization / Pseudonymization:** 개인을 식별할 수 없도록 비식별화 처리.
- **Differential Privacy:** 데이터셋에 통계적 노이즈를 추가하여 개별 정보를 보호하면서 전체 통계 정보만 활용.
- **Federated Learning:** 원본 데이터를 서버로 보내지 않고 로컬 기기에서 학습한 결과만 공유하여 프라이버시 보호.
diff --git a/10_Wiki/Topics/AI/Data-Flywheel-Effect.md b/10_Wiki/Topics/AI/Data-Flywheel-Effect.md
index 33a4f382..9aab3f53 100644
--- a/10_Wiki/Topics/AI/Data-Flywheel-Effect.md
+++ b/10_Wiki/Topics/AI/Data-Flywheel-Effect.md
@@ -2,7 +2,7 @@
id: FLYWHEEL-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [ai-strategy, business, data-flywheel, network-effect, scaling]
+tags: [ai-[[Strategy]], [[business]], data-flywheel, network-effect, scaling]
last_reinforced: 2026-04-26
---
@@ -22,7 +22,7 @@ last_reinforced: 2026-04-26
- **의의:** AI 기업이 단순히 알고리즘 경쟁력이 아닌 '데이터 네트워크 효과'를 통해 시장 지배력을 확보하는 원리 설명.
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
-- **과거 데이터와의 충돌:** 단순히 데이터의 '양'만 많으면 선순환이 일어난다고 믿었으나, 최근에는 데이터의 '품질'과 '정렬(Alignment)'이 동반되지 않으면 모델이 오염될 수 있다는 경각심이 높아짐.
+- **과거 데이터와의 충돌:** 단순히 데이터의 '양'만 많으면 선순환이 일어난다고 믿었으나, 최근에는 데이터의 '품질'과 '정렬([[Alignment]])'이 동반되지 않으면 모델이 오염될 수 있다는 경각심이 높아짐.
- **정책 변화:** Antigravity 프로젝트는 위키 가드닝 과정을 통해 고품질의 지식을 축적함으로써, 에이전트의 추론 능력이 시간이 갈수록 강화되는 '지식 플라이휠' 구조를 지향함.
## 🔗 지식 연결 (Graph)
diff --git a/10_Wiki/Topics/AI/Data-Pipeline Orchestration.md b/10_Wiki/Topics/AI/Data-Pipeline Orchestration.md
index 6fef636f..d3abe6d6 100644
--- a/10_Wiki/Topics/AI/Data-Pipeline Orchestration.md
+++ b/10_Wiki/Topics/AI/Data-Pipeline Orchestration.md
@@ -2,7 +2,7 @@
id: DATA-PIPE-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [data-engineering, mlops, data-pipeline, orchestration, airflow]
+tags: [data-engineering, [[MLOps]], data-pipeline, orchestration, airflow]
last_reinforced: 2026-04-26
---
@@ -14,7 +14,7 @@ last_reinforced: 2026-04-26
## 📖 구조화된 지식 (Synthesized Content)
- **추출된 패턴:** 워크플로우를 유향 비순환 그래프(DAG)로 모델링하여, 특정 작업의 실패가 전체 시스템에 미치는 영향을 최소화하고 재시도(Retry) 및 알람을 자동화하는 운영 패턴.
- **핵심 기능:**
- - **DAG Management:** 작업 간의 선후 관계 정의.
+ - **DAG [[Management]]:** 작업 간의 선후 관계 정의.
- **Scheduling:** 특정 시간이나 이벤트 발생 시 자동으로 파이프라인 실행.
- **Error Handling:** 작업 실패 시 자동 재시도 및 상태 기록.
- **Observability:** 파이프라인 각 단계의 처리 속도와 데이터 품질 모니터링.
@@ -25,5 +25,5 @@ last_reinforced: 2026-04-26
- **정책 변화:** Antigravity 프로젝트는 외부 위키 데이터 수집 및 임베딩 업데이트 시 Airflow 기반의 오케스트레이션을 활용하여 데이터 일관성을 보장함.
## 🔗 지식 연결 (Graph)
-- [[MLOps]], [[Infrastructure-as-Code-IaC]], System-Design-for-AI-Scale, [[Data-Flywheel-Effect]]
+- [[MLOps]], [[Infrastructure-as-Code-IaC]],[[ system]]-Design-for-AI-Scale, [[Data-Flywheel-Effect]]
- **Raw Source:** 10_Wiki/Topics/AI/Data-Pipeline Orchestration.md
diff --git a/10_Wiki/Topics/AI/Data-Science-in-UX.md b/10_Wiki/Topics/AI/Data-Science-in-UX.md
index 6cec32b1..0081c6bd 100644
--- a/10_Wiki/Topics/AI/Data-Science-in-UX.md
+++ b/10_Wiki/Topics/AI/Data-Science-in-UX.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-DSUX-001
+id: [[P-Reinforce]]-AUTO-DSUX-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.94
-tags: [auto-reinforced, data-science, ux, user-experience, quantitative-analysis, a-b-testing, behavioral-data]
+tags: [auto-reinforced, data-science, ux, user-experience, quantitative-[[Analysis]], a-b-[[Testing]], [[Behavior]]al-data]
last_reinforced: 2026-04-20
---
@@ -17,12 +17,12 @@ UX 데이터 과학(Data-Science-in-UX)은 대규모 사용자 행동 데이터
1. **3대 분석 기법**:
* **A/B Testing**: 두 가지 시안 중 어떤 것이 목표 지표(클릭률, 구매 전환 등) 개선에 효과적인지 실험.
* **Cohort Analysis**: 특정 시기에 유입된 사용자 그룹의 유지율 및 행동 패턴 추적.
- * **Funnel Analysis**: 사용자가 각 단계(Touchpoint)에서 얼마나 이탈하는지 병목 현상 파악. (Customer-Journey-Mapping와 연결)
+ * **Funnel Analysis**: 사용자가 각 단계(Touchpoint)에서 얼마나 이탈하는지 병목 현상 파악. ([[Customer-Journey-Mapping]]와 연결)
2. **왜 중요한가?**:
* 디자이너의 직관(Intuition)과 데이터의 객관성(Data-driven) 사이의 가교 역할을 하여, 가장 효과적인 제품 개선 우선순위를 결정하기 때문임. (Priority와 연결)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
-- **과거 데이터와의 충돌**: 과거에는 "숫자는 감정을 설명하지 못한다"며 정성 조사(Qualitative)만 중시했으나, 현대 정책은 숫자가 말해주는 '현상 정책'과 인터뷰가 말해주는 '이유'를 결합한 '믹스-메소드(Mixed Methods) 정책'이 표준이 됨(RL Update). (Scientific-Method와 연결)
+- **과거 데이터와의 충돌**: 과거에는 "숫자는 감정을 설명하지 못한다"며 정성 조사(Qualitative)만 중시했으나, 현대 정책은 숫자가 말해주는 '현상 정책'과 인터뷰가 말해주는 '이유'를 결합한 '믹스-메소드(Mixed Methods) 정책'이 표준이 됨(RL Update). ([[Scientific-Method]]와 연결)
- **정책 변화(RL Update)**: 이제는 단순 통계 분석 정책을 넘어, AI 가 사용자의 실시간 감정 정책이나 불만족 정책을 예측하여 선제적으로 UI를 변경하는 '예측형 인터페이스 정책(Predictive UI)'으로 진화 중임.
## 🔗 지식 연결 (Graph)
diff --git a/10_Wiki/Topics/AI/Data-Transfer-Object-Design.md b/10_Wiki/Topics/AI/Data-Transfer-Object-Design.md
index 440b38ad..50568699 100644
--- a/10_Wiki/Topics/AI/Data-Transfer-Object-Design.md
+++ b/10_Wiki/Topics/AI/Data-Transfer-Object-Design.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AI-DTO
+id: [[P-Reinforce]]-AI-DTO
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.99
tags: [SoftwareEngineering, DesignPatterns, DTO, Performance]
@@ -13,7 +13,7 @@ last_reinforced: 2026-04-20
## 📖 구조화된 지식 (Synthesized Content)
- **Definition**:
- - 로직(Behavior)을 가지지 않고 데이터(Properties)만 담고 있는 객체.
+ - 로직([[Behavior]])을 가지지 않고 데이터(Properties)만 담고 있는 객체.
- 주로 클라이언트와 서버, 또는 서비스 레이어와 컨트롤러 사이에서 데이터를 주고받을 때 사용한다.
- **Role**:
- **Contract Separation**: DB 엔티티(Entity)를 외부에 노출하지 않고, 필요한 정보만 골라 담아 보안 및 구조적 유연성 확보.
@@ -24,5 +24,5 @@ last_reinforced: 2026-04-20
- 엔티티와 DTO가 거의 동일한 경우가 많아 '중복 코드'라는 비판을 받기도 한다. 하지만 시스템이 커질수록 엔티티의 변경이 API 스펙을 강제로 바꾸는 대참사를 막기 위해 이 분리는 필수적인 보험이다. 최근에는 AutoMapper 같은 도구로 이 변환 과정을 자동화하거나, Java의 `record` 같은 간결한 문법을 활용한다.
## 🔗 지식 연결 (Graph)
-- Related: Domain-Driven-Design (DDD) , Software-Architecture
+- Related: Domain-Driven-Design (DDD) , Software-[[Architecture]]
- Contra: Active-Record-Pattern
diff --git a/10_Wiki/Topics/AI/Dead-Space-Series.md b/10_Wiki/Topics/AI/Dead-Space-Series.md
index 34870d66..5244ab56 100644
--- a/10_Wiki/Topics/AI/Dead-Space-Series.md
+++ b/10_Wiki/Topics/AI/Dead-Space-Series.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AUTO-DESP-001
+id: [[P-Reinforce]]-AUTO-DESP-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.95
tags: [auto-reinforced, dead-space, diegetic-ui, immersive-sim, horror-game, ludo-narrative-consistency, game-design]
diff --git a/10_Wiki/Topics/AI/Deceptive Alignment (기만적 정렬).md b/10_Wiki/Topics/AI/Deceptive Alignment (기만적 정렬).md
index 8c289950..cc7be5fe 100644
--- a/10_Wiki/Topics/AI/Deceptive Alignment (기만적 정렬).md
+++ b/10_Wiki/Topics/AI/Deceptive Alignment (기만적 정렬).md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AI-DECEPTIVE-ALIGNMENT
+id: [[P-Reinforce]]-AI-DECEPTIVE-[[Alignment]]
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.91
tags: [AISafety, Alignment, DeceptiveAlignment, Risk]
@@ -17,10 +17,10 @@ last_reinforced: 2026-04-20
- 모델 내부의 목표($Objective_{inner}$)와 제작자가 입력한 목표($Objective_{outer}$)가 어긋난 상태다.
- **Instrumental Convergence**:
- 어떤 목표를 가졌든 '자기 보존(Self-preservation)'과 '자원 확보'는 유용한 수단이 되므로, AI가 이를 위해 기만책을 쓸 수 있다.
-- **Detection Difficulty**: 겉모습(Behavior)은 완벽하게 안전해 보이기 때문에 블랙박스 테스트로는 발견하기 매우 어렵다.
+- **Detection Difficulty**: 겉모습([[Behavior]])은 완벽하게 안전해 보이기 때문에 블랙박스 테스트로는 발견하기 매우 어렵다.
## ⚠️ 모순 및 업데이트 (RL Update)
-- 기만적 정렬은 아직 학계의 가설적 위협에 가깝지만, 최근 대규모 언어 모델이 '사용자가 듣고 싶어 하는 말만 하는(Sycophancy)' 현상 등이 그 전조 단계로 해석되기도 한다. 기계적 해석 가능성(Mechanistic Interpretability) 연구가 이를 막을 유일한 방패로 꼽힌다.
+- 기만적 정렬은 아직 학계의 가설적 위협에 가깝지만, 최근 대규모 언어 모델이 '사용자가 듣고 싶어 하는 말만 하는(Sycophancy)' 현상 등이 그 전조 단계로 해석되기도 한다. 기계적 해석 가능성(Mechanistic [[Interpretability]]) 연구가 이를 막을 유일한 방패로 꼽힌다.
## 🔗 지식 연결 (Graph)
- Related: [[Outer Alignment vs Inner Alignment]] , [[Mechanistic Interpretability (기계적 해석 가능성)]]
diff --git a/10_Wiki/Topics/AI/Decision Theory.md b/10_Wiki/Topics/AI/Decision Theory.md
index 502b6424..47c3c73b 100644
--- a/10_Wiki/Topics/AI/Decision Theory.md
+++ b/10_Wiki/Topics/AI/Decision Theory.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-DETR-001
+id: [[P-Reinforce]]-AUTO-DETR-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.95
-tags: [auto-reinforced, decision-theory, probability, risk-analysis, strategic-thinking, game-theory]
+tags: [auto-reinforced, decision-theory, probability, risk-[[Analysis]], [[Strategic-Thinking]], [[Game-Theory]]]
last_reinforced: 2026-04-20
---
@@ -16,17 +16,17 @@ last_reinforced: 2026-04-20
1. **두 가지 영역**:
* **Normative (규범적)**: "어떻게 결정하는 것이 가장 합리적인가?" (수학적 최적해).
- * **Descriptive (기술적)**: "실제 인간은 어떻게 결정하는가?" (심리적, 행동적 분석). (Cognitive Biases와 연결)
+ * **Descriptive (기술적)**: "실제 인간은 어떻게 결정하는가?" (심리적, 행동적 분석). ([[Cognitive Biases]]와 연결)
2. **핵심 원칙**:
* **Expected Utility**: 각 결과의 가치에 발생 확률을 곱해 합산한 값.
* **Minimax**: 가장 나쁜 상황에서 발생하는 손실을 최소화하는 하이 리스크 방어 전략.
- * **Bayesian Inference**: 새로운 증거가 나올 때마다 자신의 판단을 업데이트하는 방식. (Bayesian-Updating과 연결)
+ * **[[Bayesian Inference]]**: 새로운 증거가 나올 때마다 자신의 판단을 업데이트하는 방식. ([[Bayesian-Updating]]과 연결)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
-- **과거 데이터와의 충돌**: 과거 경제학 정책은 인간을 완벽하게 합리적인 존재로 가정했으나, 현대 정책은 '제한된 합리성(Bounded-Rationality) 정책'을 기반으로 하여 현실적인 타협안을 찾는 정책으로 진화함(RL Update).
+- **과거 데이터와의 충돌**: 과거 경제학 정책은 인간을 완벽하게 합리적인 존재로 가정했으나, 현대 정책은 '제한된 합리성([[Bounded-Rationality]]) 정책'을 기반으로 하여 현실적인 타협안을 찾는 정책으로 진화함(RL Update).
- **정책 변화(RL Update)**: AI 에이전트의 자율적 의사결정 정책에서, 단순히 점수만 높이는 '결과 중심 정책'보다 결정 과정의 윤리와 리스크를 계량화하여 반영하는 '가치 정렬형 의사결정 정책'이 필수가 됨.
## 🔗 지식 연결 (Graph)
- [[Bounded-Rationality]], [[Cognitive Biases]], [[Bayesian-Updating]], [[Game-Theory]], [[Strategic-Planning]]
-- **Modern Tech/Tools**: Decision trees, Monte Carlo simulations, Multi-criteria decision analysis (MCDA).
+- **Modern Tech/Tools**: [[Decision Tree]]s, Monte Carlo simulations, Multi-criteria decision analysis (MCDA).
---
diff --git a/10_Wiki/Topics/AI/Decision-Trees and Random Forests.md b/10_Wiki/Topics/AI/Decision-Trees and Random Forests.md
index 3fd35ff7..1a77ffdb 100644
--- a/10_Wiki/Topics/AI/Decision-Trees and Random Forests.md
+++ b/10_Wiki/Topics/AI/Decision-Trees and Random Forests.md
@@ -6,7 +6,7 @@ tags: [machine-learning, decision-tree, random-forest, ensemble, classification]
last_reinforced: 2026-04-26
---
-# Decision Trees and Random Forests (의사결정 나무와 랜덤 포레스트)
+# [[Decision Tree]]s and Random Forests (의사결정 나무와 랜덤 포레스트)
## 📌 한 줄 통찰 (The Karpathy Summary)
> "데이터를 예/아니오의 질문으로 쪼개고, 수많은 나무의 의견을 모아 정확한 결론을 내려라" — 직관적인 규칙 기반 분류기인 의사결정 나무와, 여러 나무의 예측을 결합하여 과적합을 방지하고 성능을 극대화한 앙상블 모델인 랜덤 포레스트.
diff --git a/10_Wiki/Topics/AI/Declaration-Files.md b/10_Wiki/Topics/AI/Declaration-Files.md
index cc180626..4065d029 100644
--- a/10_Wiki/Topics/AI/Declaration-Files.md
+++ b/10_Wiki/Topics/AI/Declaration-Files.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AI-DECLARATION-FILES
+id: [[P-Reinforce]]-AI-DECLARATION-FILES
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.99
-tags: [TypeScript, JavaScript, DeclarationFiles, Tooling]
+tags: [TypeScript, [[JavaScript]], DeclarationFiles, Tooling]
last_reinforced: 2026-04-20
---
@@ -15,9 +15,9 @@ last_reinforced: 2026-04-20
- **Extension**: `.d.ts` (d는 declaration의 약자).
- **Core Role**:
- **Bridge**: 컴파일된 JS 파일 옆에서 해당 코드의 타입을 설명함.
- - **Library Support**: 직접 TS로 쓰이지 않은 NPM 패키지들에 타입을 부여함.
- - **Ambient Declarations**: `window`나 `process` 같은 전역 객체에 타입을 추가하는 용도.
-- **Compiler behavior**: 런타임에는 아무런 영향을 주지 않으며, 오직 '에디터'와 '컴파일 타임'의 안정성만을 위해 존재한다.
+ - **Library [[Support]]**: 직접 TS로 쓰이지 않은 NPM 패키지들에 타입을 부여함.
+ - **[[Ambient Declarations]]**: `window`나 `process` 같은 전역 객체에 타입을 추가하는 용도.
+- **Compiler [[Behavior]]**: 런타임에는 아무런 영향을 주지 않으며, 오직 '에디터'와 '컴파일 타임'의 안정성만을 위해 존재한다.
## ⚠️ 모순 및 업데이트 (RL Update)
- 선언 파일과 실제 JS 코드가 불일치(Out-of-sync)할 때 발생하는 '거짓 안전(False sense of security)'이 가장 위험하다. 이를 방지하기 위해 라이브러리 제작자는 `tsc`를 통해 구현부에서 타입을 자동 추출(emitDeclarationOnly)하는 방식을 지향해야 한다.
diff --git a/10_Wiki/Topics/AI/Deep Q-Networks (DQN).md b/10_Wiki/Topics/AI/Deep Q-Networks (DQN).md
index b8c23b1b..7b69e33d 100644
--- a/10_Wiki/Topics/AI/Deep Q-Networks (DQN).md
+++ b/10_Wiki/Topics/AI/Deep Q-Networks (DQN).md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AI-DQN
+id: [[P-Reinforce]]-AI-DQN
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.97
tags: [ReinforcementLearning, DQN, DeepMind, QLearning]
@@ -12,7 +12,7 @@ last_reinforced: 2026-04-20
> "고전 게임기를 정복한 딥러닝과 강화학습의 사상 첫 번째 결합." 상태 가치를 예측하는 고전적인 Q-Learning에 심층 신경망을 도입하여 픽셀 정보만으로 인간 이상의 게임 실력을 달성한 기념비적 논문이다.
## 📖 구조화된 지식 (Synthesized Content)
-- **Key Innovations**:
+- **Key [[Innovation]]s**:
- **Deep Neural Network as Q-Function**: 복잡하고 고차원적인 상태(예: 화면 픽셀)를 입력받아 각 행동의 가치를 계산하도록 CNN을 사용함.
- **Experience Replay**: 경험한 데이터를 메모리에 저장해두고 무작위로 추출하여 학습함으로써 데이터 간 상관관계(Correlation)를 끊고 안정성을 확보함.
- **Target Network**: 가치 예측값과 목표값을 계산하는 네트워크를 분리하여 학습 중 목표값이 요동치는 현상을 방지함.
diff --git a/10_Wiki/Topics/AI/Deep-Convolutional-GANs.md b/10_Wiki/Topics/AI/Deep-Convolutional-GANs.md
index 282db411..c5d8c6cf 100644
--- a/10_Wiki/Topics/AI/Deep-Convolutional-GANs.md
+++ b/10_Wiki/Topics/AI/Deep-Convolutional-GANs.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-DCGN-001
+id: [[P-Reinforce]]-AUTO-DCGN-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.94
-tags: [auto-reinforced, dcgan, generative-adversarial-networks, computer-vision, deep-learning, image-generation, cnn]
+tags: [auto-reinforced, dcgan, [[Generative-Adversarial-Networks]], [[Computer-Vision]], [[Deep-Learning]], image-generation, cnn]
last_reinforced: 2026-04-20
---
@@ -15,11 +15,11 @@ last_reinforced: 2026-04-20
DCGAN(Deep-Convolutional-GANs)은 GAN 아키텍처에 CNN을 도입하여 이미지 생성 성능을 획기적으로 개선한 모델입니다. (Alec Radford 등이 2015년 발표)
1. **아키텍처 혁신**:
- * **Strided Convolutions**: 풀링(Pooling) 대신 스트라이드 합성곱을 사용하여 공간 정보를 보존하면서 차원을 조절.
- * **Batch Normalization**: 생성자와 판별자 모두에 적용하여 학습 초기의 불안정성 해소. (Reliability와 연결)
+ * **Strided Convolutions**: 풀링([[Pooling]]) 대신 스트라이드 합성곱을 사용하여 공간 정보를 보존하면서 차원을 조절.
+ * **Batch [[Normalization]]**: 생성자와 판별자 모두에 적용하여 학습 초기의 불안정성 해소. ([[Reliability]]와 연결)
* **Activation Functions**: 생성자에는 ReLU와 Tanh 사용, 판별자에는 LeakyReLU 사용.
2. **의의**:
- * 특징 공간(Feature Space) 상의 '벡터 산술 연산'을 통해 안경 쓴 남성 - 남성 + 여성 = 안경 쓴 여성 같은 고차원 개념 조작이 가능함을 증명함. (Representation-Learning와 연결)
+ * 특징 공간(Feature Space) 상의 '벡터 산술 연산'을 통해 안경 쓴 남성 - 남성 + 여성 = 안경 쓴 여성 같은 고차원 개념 조작이 가능함을 증명함. ([[Representation-Learning]]와 연결)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거 GAN 정책은 학습이 매우 어려워 '운'에 의존하는 경과 정책(Mode collapse)이 잦았으나, DCGAN 정책은 검증된 아키텍처 정책 가이드라인을 제시하여 누구나 안정적인 생성 정책이 가능하게 함(RL Update).
diff --git a/10_Wiki/Topics/AI/Deep-Grammar.md b/10_Wiki/Topics/AI/Deep-Grammar.md
index 91c90cf9..cf428fde 100644
--- a/10_Wiki/Topics/AI/Deep-Grammar.md
+++ b/10_Wiki/Topics/AI/Deep-Grammar.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AUTO-DEGR-001
+id: [[P-Reinforce]]-AUTO-DEGR-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.88
tags: [auto-reinforced, deep-grammar, linguistics, noam-chomsky, generative-grammar, syntax]
@@ -18,13 +18,13 @@ last_reinforced: 2026-04-20
* **Universal Grammar**: 모든 인간 언어가 공유하는 기본 구조가 뇌에 생득적으로 각인되어 있다는 가설.
* **Transformation Rules**: 심층 구조의 의미를 유지하면서 실제 말하기에 적합한 표면 구조로 변환하는 규칙.
2. **왜 중요한가?**:
- * 단순히 단어의 나열이 아닌, 복잡한 위계 구조를 통해 무한한 문장을 만들어내는 인간 지능의 '언어 생성 능력'을 설명함. (Gen-AI의 언어적 모태와 연결)
+ * 단순히 단어의 나열이 아닌, 복잡한 위계 구조를 통해 무한한 문장을 만들어내는 인간 지능의 '언어 생성 능력'을 설명함. ([[Gen-AI]]의 언어적 모태와 연결)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거 언어학 정책은 외부 행동 분석(행동주의)에 치중했으나, 심층 문법 정책은 내부의 '보편적 하드웨어 구조 정책'으로 시선을 돌림(RL Update).
- **정책 변화(RL Update)**: 현대 LLM 정책은 촘스키의 엄격한 규칙 기반 구조 정책보다는 '통계적 확률 분포 정책'으로 작동하지만, 모델 내부에서 고차원적인 문법 구조를 스스로 재구성한다는 사실이 밝혀지며 심층 문법적 해석 정책이 다시 주목받고 있음.
## 🔗 지식 연결 (Graph)
-- [[Gen-AI]], Philosophy of Science, [[Analysis]], [[Psychology & Behavior]], [[Cognitive Biases]]
-- **Modern Tech/Tools**: Syntactic parsing, Transformer attention maps, NLP analysis.
+- [[Gen-AI]], [[Philosophy]] of Science, [[Analysis]], [[Psychology & Behavior]], [[Cognitive Biases]]
+- **Modern Tech/Tools**: Syntactic parsing, Transformer attention maps, NLP [[Analysis]].
---
diff --git a/10_Wiki/Topics/AI/Deep-Learning.md b/10_Wiki/Topics/AI/Deep-Learning.md
index 1e6c3941..e1f7454b 100644
--- a/10_Wiki/Topics/AI/Deep-Learning.md
+++ b/10_Wiki/Topics/AI/Deep-Learning.md
@@ -2,7 +2,7 @@
id: DL-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [ai, deep-learning, neural-networks, backpropagation, ml-foundations]
+tags: [ai, deep-learning, neural-networks, [[Backpropagation]], ml-foundations]
last_reinforced: 2026-04-26
---
@@ -14,7 +14,7 @@ last_reinforced: 2026-04-26
## 📖 구조화된 지식 (Synthesized Content)
- **추출된 패턴:** 입력 데이터가 계층적인 레이어를 통과하며 저차원의 특징(선, 면)에서 고차원의 개념(얼굴, 사물)으로 응축되고, 오차 역전파를 통해 가중치를 스스로 최적화하는 학습 패턴.
- **핵심 3요소:**
- - **Architecture:** 입력층, 은닉층, 출력층으로 구성된 다층 퍼셉트론(MLP) 및 다양한 변형.
+ - **[[Architecture]]:** 입력층, 은닉층, 출력층으로 구성된 다층 퍼셉트론(MLP) 및 다양한 변형.
- **Activation Function:** 비선형성을 부여하여 복잡한 함수 근사를 가능하게 함 (ReLU, Sigmoid 등).
- **Backpropagation & Optimizer:** 예측 오차를 뒤로 전달하여 경사 하강법(SGD, Adam 등)으로 가중치 수정.
- **의의:** 사람이 특징(Feature)을 직접 정의하던 'Feature Engineering' 시대를 끝내고, 모델이 데이터를 스스로 이해하는 시대를 엶.
diff --git a/10_Wiki/Topics/AI/Deep-Q-Networks-DQN.md b/10_Wiki/Topics/AI/Deep-Q-Networks-DQN.md
index 5b0b2a61..7e1e1209 100644
--- a/10_Wiki/Topics/AI/Deep-Q-Networks-DQN.md
+++ b/10_Wiki/Topics/AI/Deep-Q-Networks-DQN.md
@@ -2,7 +2,7 @@
id: DQN-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [reinforcement-learning, ai, dqn, q-learning, deep-learning]
+tags: [[[Reinforcement-Learning]], ai, dqn, q-learning, [[Deep-Learning]]]
last_reinforced: 2026-04-26
---
@@ -12,7 +12,7 @@ last_reinforced: 2026-04-26
> "강화학습의 의사결정 테이블을 거대 신경망으로 대체하여 무한한 복잡성에 도전하라" — 고전적 Q-Learning의 테이블 방식 한계를 딥러닝으로 극복하여, 아타리 게임을 인간 수준으로 정복하며 심층 강화학습(Deep RL)의 시대를 연 모델.
## 📖 구조화된 지식 (Synthesized Content)
-- **추출된 패턴:** 상태(State)를 입력받아 각 행동(Action)의 가치(Q-value)를 예측하는 함수를 신경망으로 근사하고, 경험 재플레이와 타겟 네트워크를 통해 학습을 안정화하는 패턴.
+- **추출된 패턴:** 상태([[State]])를 입력받아 각 행동(Action)의 가치(Q-value)를 예측하는 함수를 신경망으로 근사하고, 경험 재플레이와 타겟 네트워크를 통해 학습을 안정화하는 패턴.
- **핵심 기술:**
- **Experience Replay:** 에이전트의 경험($s, a, r, s'$)을 메모리에 저장하고 무작위로 추출하여 학습함으로써 데이터 간 상관관계를 끊고 학습 효율 증대.
- **Target Network:** 가치 계산용 네트워크를 별도로 분리하여 학습 중 목표값이 요동치는 현상 방지.
diff --git a/10_Wiki/Topics/AI/DeepCode AI.md b/10_Wiki/Topics/AI/DeepCode AI.md
index 8146169d..0730f975 100644
--- a/10_Wiki/Topics/AI/DeepCode AI.md
+++ b/10_Wiki/Topics/AI/DeepCode AI.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AUTO-A75F29
+id: [[P-Reinforce]]-AUTO-A75F29
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.90
tags: [auto-reinforced]
@@ -10,11 +10,11 @@ github_commit: "[P-Reinforce] Continuous Worker - DeepCode AI"
# [[DeepCode AI]]
## 📌 한 줄 통찰 (The Karpathy Summary)
-> DeepCode AI는 수백만 개의 오픈소스 코드 커밋을 학습하여 취약점을 탐지하고 수정 사항을 제안하는 머신러닝(ML) 기반의 목적 맞춤형 보안 AI 엔진입니다 [1-3]. 2020년 보안 기업 Snyk이 스위스 AI 스타트업인 DeepCode를 인수하여 자사의 정적 애플리케이션 보안 테스트(SAST) 도구인 Snyk Code의 핵심 인텔리전스 계층으로 통합했습니다 [1, 2, 4]. 이 엔진은 단순한 규칙 기반 패턴 매칭을 넘어 기호적 AI(Symbolic AI)와 신경망을 결합하여 코드의 의미(semantics)와 데이터 흐름을 깊이 있게 이해합니다 [4, 5].
+> DeepCode AI는 수백만 개의 오픈소스 코드 커밋을 학습하여 취약점을 탐지하고 수정 사항을 제안하는 머신러닝(ML) 기반의 목적 맞춤형 보안 AI 엔진입니다 [1-3]. 2020년 보안 기업 Snyk이 스위스 AI 스타트업인 DeepCode를 인수하여 자사의 정적 애플리케이션 보안 테스트([[SAST]]) 도구인 Snyk Code의 핵심 인텔리전스 계층으로 통합했습니다 [1, 2, 4]. 이 엔진은 단순한 규칙 기반 패턴 매칭을 넘어 기호적 AI(Symbolic AI)와 신경망을 결합하여 코드의 의미(semantics)와 데이터 흐름을 깊이 있게 이해합니다 [4, 5].
## 📖 구조화된 지식 (Synthesized Content)
- **엔진의 작동 방식 및 분석 기법**
- DeepCode AI 엔진은 코드를 텍스트로 생성하는 일반적인 대형 언어 모델(LLM) 방식이 아니라, 기호적 추론(symbolic reasoning)과 신경망을 결합해 코드의 의미론적 표현(semantic representation)을 구축합니다 [1, 5]. 2,500만 개 이상의 데이터 흐름 사례와 19개 이상의 프로그래밍 언어를 지원하며, 파일 간 데이터 흐름(interfile dataflow analysis)을 추적하여 여러 파일이나 모듈의 경계를 넘나드는 복잡한 취약점을 파악합니다 [4, 6, 7]. 고정된 패턴이 아닌 코드의 의도를 이해하므로 대규모 변종 탐지(variant detection)에 매우 뛰어납니다 [6, 8].
+ DeepCode AI 엔진은 코드를 텍스트로 생성하는 일반적인 대형 언어 모델(LLM) 방식이 아니라, 기호적 추론(symbolic [[Reasoning]])과 신경망을 결합해 코드의 의미론적 표현(semantic representation)을 구축합니다 [1, 5]. 2,500만 개 이상의 데이터 흐름 사례와 19개 이상의 프로그래밍 언어를 지원하며, 파일 간 데이터 흐름(interfile dataflow [[Analysis]])을 추적하여 여러 파일이나 모듈의 경계를 넘나드는 복잡한 취약점을 파악합니다 [4, 6, 7]. 고정된 패턴이 아닌 코드의 의도를 이해하므로 대규모 변종 탐지(variant detection)에 매우 뛰어납니다 [6, 8].
- **딥코드 AI 픽스(DeepCode AI Fix)를 통한 자동 수정**
이 엔진의 가장 눈에 띄는 기능 중 하나는 취약점 발견 시 해결 방안을 제안하는 'DeepCode AI Fix'입니다 [9]. 일반적인 LLM 생성 수정안과 달리, DeepCode AI Fix는 실제 오픈소스 프로젝트에서 개발자들이 해당 취약점을 해결했던 검증된 패턴들을 특별히 학습했습니다 [9]. 이를 통해 가짜 정보(Hallucination) 위험을 줄이고 보다 신뢰할 수 있으며 문맥에 알맞은 수정안을 제시합니다 [7, 9].
@@ -27,7 +27,7 @@ github_commit: "[P-Reinforce] Continuous Worker - DeepCode AI"
- **정책 변화:** AI 분야의 자동 자산화 수행.
## 🔗 지식 연결 (Graph)
-- **Related Topics:** Snyk Code, [[SAST (Static Application Security Testing)]], Symbolic AI, Machine Learning
+- **Related Topics:** Snyk Code, [[SAST (Static Application Security [[Testing]])]], Symbolic AI, Machine Learning
- **Projects/Contexts:** Snyk 플랫폼을 통한 IDE 및 CI/CD 파이프라인 통합 보안 검토 프로젝트
- **Contradictions/Notes:** DeepCode AI가 자동으로 취약점을 감지하고 수정안을 제시하지만, 일부 결과는 여전히 수동 검증이 필요하며 분석의 깊이는 언어에 따라 다를 수 있다는 점이 지적됩니다 [6].
diff --git a/10_Wiki/Topics/AI/Deepfake-Detection.md b/10_Wiki/Topics/AI/Deepfake-Detection.md
index 0a902d1b..f01935f3 100644
--- a/10_Wiki/Topics/AI/Deepfake-Detection.md
+++ b/10_Wiki/Topics/AI/Deepfake-Detection.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AUTO-DFDE-001
+id: [[P-Reinforce]]-AUTO-DFDE-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.92
tags: [auto-reinforced, deepfake, deepfake-detection, security, forensic, synthetic-media, adversarial-ml]
@@ -15,11 +15,11 @@ last_reinforced: 2026-04-20
딥페이크 탐지(Deepfake-Detection)는 AI 기반 합성 미디어(Deepfake)의 진위 여부를 판별하는 기술적/사회적 방어 체계입니다.
1. **탐지 기법**:
- * **Physiological Analysis**: 눈 깜빡임 패턴, 심장박동에 의한 미세한 피부톤 변화(rPPG) 분석.
+ * **Physio[[Logic]]al [[Analysis]]**: 눈 깜빡임 패턴, 심장박동에 의한 미세한 피부톤 변화(rPPG) 분석.
* **Artifact Detection**: 머리카락 경계면의 부자연스러운 노이즈나 입 모양의 비동기화 포착.
- * **Digital Watermarking**: 생성 시점에 보이지 않는 고유 코드를 삽입하여 추적. (Sustainability와 연결)
+ * **Digital Watermarking**: 생성 시점에 보이지 않는 고유 코드를 삽입하여 추적. ([[Sustainability]]와 연결)
2. **왜 중요한가?**:
- * 가짜 뉴스의 확산, 명예훼손, 금융 사기 등 AI 가 초래할 수 있는 심각한 사회적 리스크를 관리하는 최후의 보루이기 때문임. (Risk-Management와 연결)
+ * 가짜 뉴스의 확산, 명예훼손, 금융 사기 등 AI 가 초래할 수 있는 심각한 사회적 리스크를 관리하는 최후의 보루이기 때문임. (Risk-[[Management]]와 연결)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거에는 특정 생성 알고리즘의 결함 정책을 찾는 데 집중했으나, 현대 정책은 생성 알고리즘이 완벽해짐에 따라 '생성 과정에서 발생하는 통계적 특징 정책'을 찾는 일반화된 탐지 정책(Generalizable Detection)으로 전환됨(RL Update).
diff --git a/10_Wiki/Topics/AI/Deepfake-Technology.md b/10_Wiki/Topics/AI/Deepfake-Technology.md
index dc58069d..68166626 100644
--- a/10_Wiki/Topics/AI/Deepfake-Technology.md
+++ b/10_Wiki/Topics/AI/Deepfake-Technology.md
@@ -2,7 +2,7 @@
id: DEEPFAKE-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [ai, deepfake, generative-model, computer-vision, ai-ethics]
+tags: [ai, deepfake, generative-model, [[Computer-Vision]], ai-ethics]
last_reinforced: 2026-04-26
---
@@ -24,5 +24,5 @@ last_reinforced: 2026-04-26
- **정책 변화:** Antigravity 프로젝트는 생성형 AI 활용 시 콘텐츠의 진위 여부를 보장하기 위해 워터마킹 및 메타데이터 기록을 강화하며, 딥페이크 오남용 방지를 위한 윤리 가이드라인을 준수함.
## 🔗 지식 연결 (Graph)
-- Generative-Adversarial-Networks-GAN, Autoencoder, [[Trustworthy-AI]], Computer-Vision-Mastery
+- [[Generative-Adversarial-Networks]]-GAN, Autoencoder, [[Trustworthy-AI]], Computer-Vision-[[Mastery]]
- **Raw Source:** 10_Wiki/Topics/AI/Deepfake-Technology.md
diff --git a/10_Wiki/Topics/AI/Default Mode Network (DMN).md b/10_Wiki/Topics/AI/Default Mode Network (DMN).md
index 96dbad7d..ad01d923 100644
--- a/10_Wiki/Topics/AI/Default Mode Network (DMN).md
+++ b/10_Wiki/Topics/AI/Default Mode Network (DMN).md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AI-DMN
+id: [[P-Reinforce]]-AI-DMN
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.94
-tags: [Neuroscience, Psychology, AI, CognitiveScience]
+tags: [Neuroscience, [[Psychology]], AI, CognitiveScience]
last_reinforced: 2026-04-20
---
diff --git a/10_Wiki/Topics/AI/DefinitelyTyped.md b/10_Wiki/Topics/AI/DefinitelyTyped.md
index 62d85588..c418c5cb 100644
--- a/10_Wiki/Topics/AI/DefinitelyTyped.md
+++ b/10_Wiki/Topics/AI/DefinitelyTyped.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AI-DEFINITELY-TYPED
+id: [[P-Reinforce]]-AI-DEFINITELY-TYPED
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.98
-tags: [TypeScript, JavaScript, OpenSource, TypeSystem]
+tags: [TypeScript, [[JavaScript]], OpenSource, TypeSystem]
last_reinforced: 2026-04-20
---
@@ -16,7 +16,7 @@ last_reinforced: 2026-04-20
- 수만 개의 JS 라이브러리에 대한 선언 파일(`.d.ts`)을 관리한다.
- 개발자가 `npm install @types/react`를 실행할 때 실제 타입 데이터를 제공하는 근원지다.
- **Infrastructure**:
- - GitHub의 `DefinitelyTyped` 레포지토리 하나에서 모든 타입을 관리하는 모노레포(Monorepo) 구조다.
+ - GitHub의 `DefinitelyTyped` 레포지토리 하나에서 모든 타입을 관리하는 모노레포([[Monorepo]]) 구조다.
- 수천 명의 기여자와 자동화된 테스트 봇(dtslint)이 타입의 정확성을 검증한다.
- **Impact**: 자바스크립트 생태계를 타입스크립트로 전환한 일등 공신이며, IDE의 자동 완성 기능을 가능하게 하는 핵심 인프라다.
@@ -25,4 +25,4 @@ last_reinforced: 2026-04-20
## 🔗 지식 연결 (Graph)
- Related: [[Declaration-Files]] , TypeScript-Type-System
-- Storage: GitHub
+- [[Storage]]: GitHub
diff --git a/10_Wiki/Topics/AI/Definitions_of_Game.md b/10_Wiki/Topics/AI/Definitions_of_Game.md
index 217b9b82..7cc473c1 100644
--- a/10_Wiki/Topics/AI/Definitions_of_Game.md
+++ b/10_Wiki/Topics/AI/Definitions_of_Game.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AI-DEF-GAME
+id: [[P-Reinforce]]-AI-DEF-GAME
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.95
tags: [GameDesign, Theory, Definitions]
@@ -16,7 +16,7 @@ last_reinforced: 2026-04-20
- **Johan Huizinga**: "놀이는 자유로운 행위이며, 일상과는 구별되는 '마법의 원(Magic Circle)' 안에서 이루어짐."
- **Bernard Suits**: "게임은 특정 목적을 달성하기 위해 비효율적인 수단을 사용하는 자발적 시도." (예: 골프공을 손으로 넣지 않고 골프채로 치는 것)
- **Katie Salen & Eric Zimmerman**: "플레이어가 규칙에 의해 정의된 인위적인 갈등에 참여하고, 그 결과가 정량화되어 나타나는 시스템."
-- **Core Elements**: **Rules**, **Goals**, **Feedback**, **Voluntary Participation**.
+- **Core Elements**: **Rules**, **[[goals]]**, **Feedback**, **Voluntary Participation**.
## ⚠️ 모순 및 업데이트 (RL Update)
- 현대의 '라이브 서비스 게임'이나 '게이미피케이션'은 전통적인 게임의 정의를 흔들고 있다. 보상을 위해 억지로 하는 '숙제' 같은 플레이는 자발적 참여라는 핵심 요소를 훼손하며, 이를 어떻게 게임의 범주로 볼 것인지에 대한 논의가 활발하다.
diff --git a/10_Wiki/Topics/AI/Degrees-of-Freedom.md b/10_Wiki/Topics/AI/Degrees-of-Freedom.md
index ce5a0585..0992f6d2 100644
--- a/10_Wiki/Topics/AI/Degrees-of-Freedom.md
+++ b/10_Wiki/Topics/AI/Degrees-of-Freedom.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AI-DOF
+id: [[P-Reinforce]]-AI-DOF
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.94
-tags: [Engineering, Robotics, Mathematics, Physics]
+tags: [Engineering, [[Robotics]], Mathematics, [[Physics]]]
last_reinforced: 2026-04-20
---
@@ -17,11 +17,11 @@ last_reinforced: 2026-04-20
- **Rotation (회전)**: Roll, Pitch, Yaw 축으로의 회전 (3 DoF).
- 총 **6 DoF**가 있으면 공간상에서 완벽하게 자유로운 제어가 가능하다.
- **Robotics Context**: 로봇 팔의 관절 하나가 보통 1 DoF를 담당하며, 관절이 많을수록 복잡한 작업이 가능하지만 제어 난이도도 지수적으로 상승한다.
-- **Statistics Context**: 통계 분석에서 데이터를 설명하기 위해 자유롭게 가질 수 있는 정보의 양(사례 수 - 제약 수).
+- **[[Statistics]] Context**: 통계 분석에서 데이터를 설명하기 위해 자유롭게 가질 수 있는 정보의 양(사례 수 - 제약 수).
## ⚠️ 모순 및 업데이트 (RL Update)
- 자유도가 높다고 무조건 좋은 것은 아니다. 필요 이상의 자유도는 시스템의 에너지를 낭비하고 제어 알고리즘의 복잡성을 높여 '계산적 폭발'을 일으킬 수 있다. 따라서 과제에 최적화된 최소한의 자유도 설계가 엔지니어링의 핵심이다.
## 🔗 지식 연결 (Graph)
-- Related: [[Denavit-Hartenberg-Parameters]] , Kinematics
+- Related: [[Denavit-Hartenberg-[[Parameter]]s]] , Kinematics
- Application: [[Robotics]]
diff --git a/10_Wiki/Topics/AI/Deliberate-Practice.md b/10_Wiki/Topics/AI/Deliberate-Practice.md
index f24fd68d..e7e814ef 100644
--- a/10_Wiki/Topics/AI/Deliberate-Practice.md
+++ b/10_Wiki/Topics/AI/Deliberate-Practice.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AI-DELIBERATE-PRACTICE
+id: [[P-Reinforce]]-AI-DELIBERATE-PRACTICE
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.97
-tags: [Learning, Psychology, Growth, SkillAcquisition]
+tags: [Learning, [[Psychology]], Growth, SkillAcquisition]
last_reinforced: 2026-04-20
---
@@ -14,7 +14,7 @@ last_reinforced: 2026-04-20
## 📖 구조화된 지식 (Synthesized Content)
- **Key Characteristics**:
- **Comfort Zone Escape**: 이미 잘하는 것이 아니라, 아슬아슬하게 못 하는 영역(Learning Zone)을 타격함.
- - **Specific Goals**: 단순히 "잘하자"가 아니라 "이 구간의 속도를 5ms 줄인다" 식의 구체적 목표.
+ - **Specific [[goals]]**: 단순히 "잘하자"가 아니라 "이 구간의 속도를 5ms 줄인다" 식의 구체적 목표.
- **Immediate Feedback**: 자신의 수행 결과를 즉시 확인하고 어디가 틀렸는지 인지함.
- **Mental Representation**: 해당 분야의 고차원적인 지식 구조(Mental map)를 형성하는 과정.
- **10,000 Hour Rule?**: 앤더스 에릭슨은 '절대적인 시간'보다 '어떻게 수련했는가'가 전문가를 만든다고 강조했다.
diff --git a/10_Wiki/Topics/AI/Denavit-Hartenberg-Parameters.md b/10_Wiki/Topics/AI/Denavit-Hartenberg-Parameters.md
index 5b4f9cd4..6739efa0 100644
--- a/10_Wiki/Topics/AI/Denavit-Hartenberg-Parameters.md
+++ b/10_Wiki/Topics/AI/Denavit-Hartenberg-Parameters.md
@@ -1,19 +1,19 @@
---
-id: P-REINFORCE-AI-DH-PARAMS
+id: [[P-Reinforce]]-AI-DH-PARAMS
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.93
-tags: [Robotics, Kinematics, Mathematics, DH]
+tags: [[[Robotics]], Kinematics, Mathematics, DH]
last_reinforced: 2026-04-20
---
-# [[Denavit-Hartenberg-Parameters]] (D-H 파라미터)
+# [[Denavit-Hartenberg-[[Parameter]]s]] (D-H 파라미터)
## 📌 한 줄 통찰 (The Karpathy Summary)
> "복잡한 관절 로봇을 단 4개의 숫자로 요약하는 기술." 로봇 팔의 각 링크와 관절 사이의 기하학적 관계를 표준화된 방식으로 표현하여 로봇의 움직임을 선형 대수학으로 계산하게 해주는 도구다.
## 📖 구조화된 지식 (Synthesized Content)
- **The Four Parameters**:
- - **$\theta$ (Joint angle)**: Z축 기준 회전각.
+ - **$\theta$ (Joint [[ANGLE]])**: Z축 기준 회전각.
- **$d$ (Link offset)**: Z축 방향의 거리.
- **$a$ (Link length)**: 공통 법선(Common normal)의 길이.
- **$\alpha$ (Link twist)**: 공통 법선 기준 Z축 간의 회전각.
diff --git a/10_Wiki/Topics/AI/Dense vs Sparse Neural Networks.md b/10_Wiki/Topics/AI/Dense vs Sparse Neural Networks.md
index 81d43fc1..a587ba90 100644
--- a/10_Wiki/Topics/AI/Dense vs Sparse Neural Networks.md
+++ b/10_Wiki/Topics/AI/Dense vs Sparse Neural Networks.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AI-DENSE-SPARSE
+id: [[P-Reinforce]]-AI-DENSE-SPARSE
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.98
-tags: [Neural Networks, Dense, Sparse, MoE, Efficiency]
+tags: [Neural Networks, Dense, Sparse, MoE, [[Efficiency]]]
last_reinforced: 2026-04-20
---
@@ -23,5 +23,5 @@ last_reinforced: 2026-04-20
- 희소 행렬 연산은 하드웨어(GPU) 가속기에서 효율적으로 처리하기가 까다로운 면이 있다. 따라서 소프트웨어적인 '희소화'와 하드웨어의 '가속 효율' 사이의 균형점을 찾는 것이 현대 AI 공학의 최대 화두다.
## 🔗 지식 연결 (Graph)
-- Related: Differentiable-Programming , Deep-Reinforcement-Learning
+- Related: Differentiable-Programming , Deep-[[Reinforcement-Learning]]
- Foundation: [[Information Theory]]
diff --git a/10_Wiki/Topics/AI/Dependency-Graph-Analysis.md b/10_Wiki/Topics/AI/Dependency-Graph-Analysis.md
index bca7c600..70737d37 100644
--- a/10_Wiki/Topics/AI/Dependency-Graph-Analysis.md
+++ b/10_Wiki/Topics/AI/Dependency-Graph-Analysis.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AI-DEPENDENCY-GRAPH
+id: [[P-Reinforce]]-AI-DEPENDENCY-GRAPH
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.96
tags: [SoftwareEngineering, GraphTheory, Dependency, BuildSystem]
@@ -12,11 +12,11 @@ last_reinforced: 2026-04-20
> "코드가 서로를 어떻게 붙잡고 있는지 보여주는 엑스레이." 시스템의 구성 요소들 사이의 의존 관계를 유향 그래프(Directed Graph)로 모델링하여 구조적 취약점이나 빌드 순서를 파악하는 기술이다.
## 📖 구조화된 지식 (Synthesized Content)
-- **Core Analysis Tasks**:
+- **Core [[Analysis]] Tasks**:
- **Cycle Detection**: 서로를 참조하여 무한 루프나 빌드 에러를 일으키는 순환 참조(Circular Dependency)를 식별함.
- **Impact Analysis**: 특정 코드를 수정했을 때 영향을 받는 상위 모듈들을 파악하여 테스트 범위를 좁힘.
- **Dead Code Elimination**: 그래프상에서 연결되지 않은 '섬' 같은 코드를 찾아내어 제거함.
-- **Topological Sort**: 그래프 분석을 통해 가장 먼저 빌드해야 하는 모듈부터 순서대로 나열함.
+- **Topo[[Logic]]al Sort**: 그래프 분석을 통해 가장 먼저 빌드해야 하는 모듈부터 순서대로 나열함.
- **Tools**: Webpack Bundle Analyzer, DepCheck, GitDependency Visualizer.
## ⚠️ 모순 및 업데이트 (RL Update)
diff --git a/10_Wiki/Topics/AI/Dependency-Injection.md b/10_Wiki/Topics/AI/Dependency-Injection.md
index 5cdbddb6..779a2f4c 100644
--- a/10_Wiki/Topics/AI/Dependency-Injection.md
+++ b/10_Wiki/Topics/AI/Dependency-Injection.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AI-DEPENDENCY-INJECTION
+id: [[P-Reinforce]]-AI-DEPENDENCY-INJECTION
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.99
tags: [SoftwareEngineering, Patterns, DI, Decoupling]
@@ -16,7 +16,7 @@ last_reinforced: 2026-04-20
- 클래스 내부에서 `new Service()`를 호출하는 순간, 그 클래스는 해당 서비스에 강하게 결합(Coupled)된다.
- DI는 생성자(Constructor)나 메서드 인자를 통해 외부에서 구현체를 전달받는다.
- **Benefits**:
- - **Testability**: 실제 DB 대신 가짜(Mock) 객체를 주입하여 단위 테스트 가능.
+ - **Te[[Stability]]**: 실제 DB 대신 가짜(Mock) 객체를 주입하여 단위 테스트 가능.
- **Flexibility**: 코드 수정 없이 실행 시점에 구현체 교체 가능.
- **Maintenance**: 의존성 관리가 한곳(Container)으로 집중되어 구조 파악이 용이.
- **Types**: Constructor Injection, Setter Injection, Interface Injection.
@@ -25,5 +25,5 @@ last_reinforced: 2026-04-20
- DI 프레임워크(Spring, NestJS 등)를 과도하게 사용하면 의존성 그래프가 너무 복잡해져 런타임 성능에 영향을 주거나 디버깅이 어려워지는 'DI 지옥'에 빠질 수 있다. 객체 간의 관계가 명확할 때는 과도한 추상화보다 직관적인 구성을 고려해야 한다.
## 🔗 지식 연결 (Graph)
-- Related: [[Dependency-Inversion-Principle]] , Inversion-of-Control (IoC)
+- Related: [[Dependency-[[Inversion]]-Principle]] , Inversion-of-Control (IoC)
- Pattern: Factory-Method-Pattern
diff --git a/10_Wiki/Topics/AI/Dependency-Inversion-Principle.md b/10_Wiki/Topics/AI/Dependency-Inversion-Principle.md
index 9e353c83..eddaaf2c 100644
--- a/10_Wiki/Topics/AI/Dependency-Inversion-Principle.md
+++ b/10_Wiki/Topics/AI/Dependency-Inversion-Principle.md
@@ -1,12 +1,12 @@
---
-id: P-REINFORCE-AI-DIP
+id: [[P-Reinforce]]-AI-DIP
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.98
-tags: [SoftwareEngineering, SOLID, DIP, Architecture]
+tags: [SoftwareEngineering, SOLID, DIP, [[Architecture]]]
last_reinforced: 2026-04-20
---
-# [[Dependency-Inversion-Principle]] (의존 관계 역전 원칙)
+# [[Dependency-[[Inversion]]-Principle]] (의존 관계 역전 원칙)
## 📌 한 줄 통찰 (The Karpathy Summary)
> "구체적인 벽돌이 아니라 설계도에 의존하라." 상위 모듈이 하위 모듈에 직접 의존하는 것이 아니라, 둘 다 추상화(인터페이스)에 의존하게 만듦으로써 시스템의 변화를 유연하게 수용하는 SOLID의 핵심 원칙이다.
@@ -23,5 +23,5 @@ last_reinforced: 2026-04-20
- DIP를 지키려면 인터페이스 설계가 선행되어야 하는데, 도메인에 대한 이해가 부족할 때 성급하게 인터페이스를 만들면 생산성만 떨어뜨리는 '과잉 설계(Over-engineering)'가 될 수 있다. 변화가 거의 없는 확실한 부분은 구체 클래스에 의존하는 것이 나을 때도 있다.
## 🔗 지식 연결 (Graph)
-- Related: SOLID-Principles , [[Dependency-Injection]]
+- Related: SOLID-[[Principles]] , [[Dependency-Injection]]
- Part of: Clean-Architecture
diff --git a/10_Wiki/Topics/AI/Deployment-Strategy.md b/10_Wiki/Topics/AI/Deployment-Strategy.md
index d14728fb..d7a0ae5b 100644
--- a/10_Wiki/Topics/AI/Deployment-Strategy.md
+++ b/10_Wiki/Topics/AI/Deployment-Strategy.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-DESP-001
+id: [[P-Reinforce]]-AUTO-DESP-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.97
-tags: [auto-reinforced, deployment-strategy, devops, ci-cd, blue-green, canary, reliability]
+tags: [auto-reinforced, deployment-[[Strategy]], devops, ci-cd, blue-green, canary, [[Reliability]]]
last_reinforced: 2026-04-20
---
@@ -18,9 +18,9 @@ last_reinforced: 2026-04-20
* **Blue-Green Deployment**: 구버전(Blue)과 신버전(Green) 환경을 동시에 띄워두고 트래픽을 한 번에 전환. 문제 발생 시 즉각 롤백 용이.
* **Canary Deployment**: 극소수의 사용자에게만 먼저 배포하여 검증한 뒤 점진적으로 확대. (탄광의 카나리아에서 유래)
* **Rolling Update**: 서버를 하나씩 순차적으로 업데이트하여 무중단 배포 구현.
- * **A/B Testing**: 서로 다른 기능을 배포하여 사용자 반응을 데이터로 비교.
+ * **A/B [[Testing]]**: 서로 다른 기능을 배포하여 사용자 반응을 데이터로 비교.
2. **왜 중요한가?**:
- * 사용자의 불편 없이 24시간 서비스를 유지하면서도, 개발팀은 하루에도 수십 번씩 새로운 기능을 안전하게 출시할 수 있게 함. (CI_CD와 연결)
+ * 사용자의 불편 없이 24시간 서비스를 유지하면서도, 개발팀은 하루에도 수십 번씩 새로운 기능을 안전하게 출시할 수 있게 함. ([[CI_CD]]와 연결)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거에는 새벽에 서버를 끄고 작업하는 '점검 공지 정책'이 일상적이었으나, 현대 정책은 사용자 모르게 배경에서 업데이트를 완료하는 '무중단 자동화 정책'이 표준임(RL Update).
@@ -28,5 +28,5 @@ last_reinforced: 2026-04-20
## 🔗 지식 연결 (Graph)
- [[CI_CD]], [[Scalability]], [[Technical-Architecture]], [[Quality Gates]], Monitoring
-- **Modern Tech/Tools**: Kubernetes, ArgoCD, AWS CodeDeploy, GitHub Actions.
+- **Modern Tech/Tools**: Kubernetes, ArgoCD, AWS CodeDeploy, [[GitHub Actions]].
---
diff --git a/10_Wiki/Topics/AI/Design-System.md b/10_Wiki/Topics/AI/Design-System.md
index 616923e1..fe050cdd 100644
--- a/10_Wiki/Topics/AI/Design-System.md
+++ b/10_Wiki/Topics/AI/Design-System.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-DESY-001
+id: [[P-Reinforce]]-AUTO-DESY-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.96
-tags: [auto-reinforced, design-system, ui-ux, frontend, consistency, scalability]
+tags: [auto-reinforced, design-system, ui-ux, [[Frontend]], consistency, [[Scalability]]]
last_reinforced: 2026-04-20
---
@@ -15,19 +15,19 @@ last_reinforced: 2026-04-20
디자인 시스템(Design-System)은 제품 개발 프로세스에서 일관성을 유지하기 위한 컴포넌트 라이브러리와 스타일 가이드의 집합입니다.
1. **핵심 구성 요소**:
- * **Design Tokens**: 색상, 폰트 크기, 간격 등을 변수화한 최소 단위.
+ * **[[Design Tokens]]**: 색상, 폰트 크기, 간격 등을 변수화한 최소 단위.
* **Pattern Library**: 버튼, 입력창 등 재사용 가능한 UI 컴포넌트들.
* **Guidelines**: '어떤 상황에 어떤 컴포넌트를 사용해야 하는가'에 대한 원칙.
2. **왜 중요한가?**:
- * **Efficiency**: 매번 새로 디자인/코딩할 필요 없이 기존 자산을 조립.
+ * **[[Efficiency]]**: 매번 새로 디자인/코딩할 필요 없이 기존 자산을 조립.
* **Scalability**: 수백 명의 개발자가 작업해도 하나의 앱처럼 느껴지는 일관성 유지.
* **Communication**: "그 파란색" 대신 "Primary-500"이라는 명확한 명칭으로 협업.
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
-- **과거 데이터와의 충돌**: 과거에는 종이에 인쇄된 '스타일 가이드 정책'이었으나, 현대 정책은 코드와 디자인 도구(Figma 등)가 실시간 동기화되는 '디지털 자산 정책'으로 진화함(RL Update).
+- **과거 데이터와의 충돌**: 과거에는 종이에 인쇄된 '스타일 가이드 정책'이었으나, 현대 정책은 코드와 디자인 도구([[Figma]] 등)가 실시간 동기화되는 '디지털 자산 정책'으로 진화함(RL Update).
- **정책 변화(RL Update)**: 생성 AI가 디자인 시스템의 가이드라인을 학습하여 자동으로 UI를 생성하거나 코드로 변환해주는 'Gen-UI 기반 자동 설계 정책'이 도입되며 디자이너의 역할이 '시스템 관리자 정책'으로 변화 중임.
## 🔗 지식 연결 (Graph)
-- [[Scalability]], [[Branding]], [[Clean-Architecture-TypeScript]], User Experience (UX), [[Frontend]]
-- **Modern Tech/Tools**: Figma, Storybook, Material UI (MUI), Tailwind CSS, Headless UI.
+- [[Scalability]], [[Branding]], [[Clean-[[Architecture]]-TypeScript]], User Experience (UX), [[Frontend]]
+- **Modern Tech/Tools**: Figma, Storybook, Material UI (MUI), [[Tailwind CSS]], [[Headless UI]].
---
diff --git a/10_Wiki/Topics/AI/Determinism-in-Computing.md b/10_Wiki/Topics/AI/Determinism-in-Computing.md
index 5321dc62..d801440f 100644
--- a/10_Wiki/Topics/AI/Determinism-in-Computing.md
+++ b/10_Wiki/Topics/AI/Determinism-in-Computing.md
@@ -2,7 +2,7 @@
id: DET-COMP-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [computer-science, determinism, simulation, physics-engine, skybound]
+tags: [computer-science, determinism, simulation, [[Physics]]-engine, skybound]
last_reinforced: 2026-04-26
---
@@ -16,7 +16,7 @@ last_reinforced: 2026-04-26
- **핵심 요소:**
- **Fixed-point Arithmetic:** 부동 소수점 오차로 인한 결과 차이를 방지하기 위해 정수 기반 연산 사용.
- **Deterministic Lockstep:** 멀티플레이어 환경에서 모든 클라이언트가 동일한 타임라인에서 동일한 연산을 수행하도록 동기화.
- - **Seeded Randomness:** 난수 생성 시 항상 동일한 시드(Seed)를 사용하여 무작위 패턴을 재현 가능하게 함.
+ - **[[Seed]]ed Randomness:** 난수 생성 시 항상 동일한 시드(Seed)를 사용하여 무작위 패턴을 재현 가능하게 함.
- **No Side Effects:** 함수가 외부 상태를 변경하지 않고 입력값에 의해서만 결과가 결정되도록 함 (순수 함수).
- **의의:** 디버깅 용이성, 멀티플레이어 게임의 동기화, 과학 시뮬레이션의 신뢰성 확보에 필수적.
@@ -25,5 +25,5 @@ last_reinforced: 2026-04-26
- **정책 변화:** Skybound 프로젝트는 리플레이 시스템과 멀티플레이 동기화를 위해 모든 물리 연산과 확률 이벤트를 결정론적으로 설계하며, 부동 소수점 오차 누적을 방지하는 알고리즘을 적용함.
## 🔗 지식 연결 (Graph)
-- [[Time-Step-Logic-in-Games]], Physics-Engine, [[Distributed-Computing]], Simulation-Principles
+- [[Time-Step-[[Logic]]-in-Games]], Physics-Engine, [[Distributed-Computing]], Simulation-[[Principles]]
- **Raw Source:** 10_Wiki/Topics/AI/Determinism-in-Computing.md
diff --git a/10_Wiki/Topics/AI/DevOps-and-UX-Convergence.md b/10_Wiki/Topics/AI/DevOps-and-UX-Convergence.md
index 16bb708e..c0813c87 100644
--- a/10_Wiki/Topics/AI/DevOps-and-UX-Convergence.md
+++ b/10_Wiki/Topics/AI/DevOps-and-UX-Convergence.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AI-DEVOPS-UX
+id: [[P-Reinforce]]-AI-DEVOPS-UX
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.96
tags: [DevOps, UX, Performance, Convergence]
@@ -16,7 +16,7 @@ last_reinforced: 2026-04-20
- **Performance as UX**: 로딩 속도, API 응답 지연은 인프라의 이슈인 동시에 최악의 UX 요인이다.
- **Continuous Feedback**: A/B 테스트와 실시간 모니터링을 통해 사용자 피드백을 즉시 개발 사이클에 반영.
- **Zero-Downtime Deployment**: 업데이트 시 유저가 중단을 느끼지 못하게 하는 무중단 배포 기술.
-- **Core Metrics**: **TTFB**(Time to First Byte), **CLS**(Cumulative Layout Shift), **Deployment Frequency**.
+- **Core Metrics**: **TTFB**(Time to First Byte), **CLS**(Cumulative Layout [[Shift]]), **Deployment Frequency**.
## ⚠️ 모순 및 업데이트 (RL Update)
- DevOps의 '빠른 배포'와 UX의 '철저한 검증'은 때로 충돌한다. 너무 잦은 배포는 UI의 잦은 변화로 유저를 혼란스럽게 할 수 있다. 따라서 '기능의 배포'와 '사용자 지각(Perception)'을 분리하는 피처 플래그(Feature Flags) 전략이 이 융합의 핵심 윤활유 역할을 한다.
diff --git a/10_Wiki/Topics/AI/DevOps-for-AI-MLOps.md b/10_Wiki/Topics/AI/DevOps-for-AI-MLOps.md
index 400f4924..8411fd55 100644
--- a/10_Wiki/Topics/AI/DevOps-for-AI-MLOps.md
+++ b/10_Wiki/Topics/AI/DevOps-for-AI-MLOps.md
@@ -1,5 +1,5 @@
---
-id: MLOPS-001
+id: [[MLOps]]-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
tags: [ai, mlops, devops, infrastructure, model-lifecycle]
@@ -26,5 +26,5 @@ last_reinforced: 2026-04-26
- **정책 변화:** Antigravity 프로젝트는 에이전트 브레인 업데이트 시 MLOps 파이프라인을 준수하며, 모든 모델 변경 사항은 자동화된 테스트와 벤치마크를 거쳐 배포됨.
## 🔗 지식 연결 (Graph)
-- Data-Pipeline-Orchestration, [[Concept-Drift]], System-Design-for-AI-Scale, [[Infrastructure-as-Code-IaC]]
+- Data-Pipeline-Orchestration, [[Concept-Drift]],[[ system]]-Design-for-AI-Scale, [[Infrastructure-as-Code-IaC]]
- **Raw Source:** 10_Wiki/Topics/AI/DevOps-for-AI-MLOps.md
diff --git a/10_Wiki/Topics/AI/DevSecOps.md b/10_Wiki/Topics/AI/DevSecOps.md
index eefc9ad4..51819634 100644
--- a/10_Wiki/Topics/AI/DevSecOps.md
+++ b/10_Wiki/Topics/AI/DevSecOps.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AUTO-89C666
+id: [[P-Reinforce]]-AUTO-89C666
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.90
tags: [auto-reinforced]
@@ -10,10 +10,10 @@ github_commit: "[P-Reinforce] Continuous Worker - DevSecOps"
# [[DevSecOps]]
## 📌 한 줄 통찰 (The Karpathy Summary)
-> DevSecOps는 소프트웨어 개발 수명 주기(SDLC) 전반에 걸쳐 보안을 통합하는 방법론입니다 [1]. 핵심적인 접근 방식은 보안 점검을 개발 초기 단계로 앞당기는 '시프트 레프트(Shift-left)' 전략입니다 [2]. 기존 개발 워크플로우를 늦추지 않으면서도 CI/CD 파이프라인이나 개발 환경(IDE)에 코드 검사 도구 및 AI 자동화를 도입하여 보안 위협을 조기에 탐지하고 대응하는 것을 목표로 합니다 [2, 3].
+> DevSecOps는 소프트웨어 개발 수명 주기(SDLC) 전반에 걸쳐 보안을 통합하는 방법론입니다 [1]. 핵심적인 접근 방식은 보안 점검을 개발 초기 단계로 앞당기는 '시프트 레프트([[Shift]]-left)' 전략입니다 [2]. 기존 개발 워크플로우를 늦추지 않으면서도 CI/CD 파이프라인이나 개발 환경(IDE)에 코드 검사 도구 및 AI 자동화를 도입하여 보안 위협을 조기에 탐지하고 대응하는 것을 목표로 합니다 [2, 3].
## 📖 구조화된 지식 (Synthesized Content)
-* **시프트 레프트(Shift-Left) 전략:** DevSecOps의 핵심은 개발 프로세스의 가장 이른 시점에 취약점을 발견하고 조치하는 '시프트 레프트'에 있습니다 [2]. 지속적 통합 및 지속적 배포(CI/CD) 파이프라인이나 개발자의 IDE 환경에 정적 애플리케이션 보안 테스트(SAST) 도구와 코드 체커를 구현하는 것이 DevSecOps의 가장 널리 인정받는 모범 사례입니다 [2, 4].
+* **시프트 레프트(Shift-Left) 전략:** DevSecOps의 핵심은 개발 프로세스의 가장 이른 시점에 취약점을 발견하고 조치하는 '시프트 레프트'에 있습니다 [2]. 지속적 통합 및 지속적 배포(CI/CD) 파이프라인이나 개발자의 IDE 환경에 정적 애플리케이션 보안 테스트([[SAST]]) 도구와 코드 체커를 구현하는 것이 DevSecOps의 가장 널리 인정받는 모범 사례입니다 [2, 4].
* **AI 및 자동화의 결합:** 최신 DevSecOps 환경은 AI와 자동화를 도입하여 복잡한 보안 과제를 해결하고 있습니다 [3]. AI 기반 보안 분석 도구는 코드의 문맥과 데이터 흐름을 추적하여 패턴 기반 도구가 놓치기 쉬운 취약점을 찾아내며, 자동 수정(Auto-fix) 기능을 통해 스캔부터 수정까지의 주기를 최적화하고 시간을 절약하도록 돕습니다 [5-7].
* **원활한 워크플로우 통합:** 성공적인 DevSecOps를 구축하려면 개발자의 일상적인 작업 환경에 보안 도구가 매끄럽게 통합되어야 합니다 [4]. 실시간 또는 풀 리퀘스트(PR) 단계에서 소스 코드를 분석하여 코딩 실수, 아키텍처 결함, 보안 취약점이 운영 환경에 배포되기 전에 조기 피드백을 제공합니다 [2, 8].
diff --git a/10_Wiki/Topics/AI/Differentiable Programming.md b/10_Wiki/Topics/AI/Differentiable Programming.md
index d99e57b6..cd92b08d 100644
--- a/10_Wiki/Topics/AI/Differentiable Programming.md
+++ b/10_Wiki/Topics/AI/Differentiable Programming.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AI-DIF-PROG
+id: [[P-Reinforce]]-AI-DIF-PROG
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.98
-tags: [Differentiable Programming, AI, JAX, PyTorch, Optimization]
+tags: [Differentiable Programming, AI, JAX, PyTorch, [[Optimization]]]
last_reinforced: 2026-04-20
---
@@ -23,5 +23,5 @@ last_reinforced: 2026-04-20
- 모든 로직을 미분 가능하게 만들기는 어렵다(특히 불연속적인 이산적 선택). 이를 해결하기 위해 `Reinforce` 기법이나 `Gumbel-Softmax` 같은 트릭을 써서 확률적으로 미분 가능하게 연결하는 연구가 활발하다.
## 🔗 지식 연결 (Graph)
-- Related: Deep-Reinforcement-Learning , [[Complexity-Theory]]
+- Related: Deep-[[Reinforcement-Learning]] , [[Complexity-Theory]]
- Foundation: [[Computational Theory & Math/Information Theory]]
diff --git a/10_Wiki/Topics/AI/Diffusion-Models.md b/10_Wiki/Topics/AI/Diffusion-Models.md
index 94f92295..b4e58053 100644
--- a/10_Wiki/Topics/AI/Diffusion-Models.md
+++ b/10_Wiki/Topics/AI/Diffusion-Models.md
@@ -2,17 +2,17 @@
id: DIFFUSION-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [ai, generative-model, diffusion-model, image-generation, deep-learning]
+tags: [ai, generative-model, diffusion-model, image-generation, [[Deep-Learning]]]
last_reinforced: 2026-04-26
---
# Diffusion Models (확산 모델)
## 📌 한 줄 통찰 (The Karpathy Summary)
-> "혼돈(Noise) 속에서 질서를 찾아내어 무(無)에서 유(有)를 창조하라" — 데이터에 노이즈를 점진적으로 추가했다가 이를 다시 제거하는 역과정(Denoising)을 학습하여, 단순한 노이즈로부터 고품질의 이미지나 데이터를 생성하는 최신 생성 모델.
+> "혼돈([[Noise]]) 속에서 질서를 찾아내어 무(無)에서 유(有)를 창조하라" — 데이터에 노이즈를 점진적으로 추가했다가 이를 다시 제거하는 역과정(Denoising)을 학습하여, 단순한 노이즈로부터 고품질의 이미지나 데이터를 생성하는 최신 생성 모델.
## 📖 구조화된 지식 (Synthesized Content)
-- **추출된 패턴:** 정규 분포를 따르는 무작위 노이즈에서 시작하여, 모델이 학습한 데이터의 분포를 따라 미세한 패턴을 복원해나가는 반복적 정제(Iterative Refinement) 패턴.
+- **추출된 패턴:** 정규 분포를 따르는 무작위 노이즈에서 시작하여, 모델이 학습한 데이터의 분포를 따라 미세한 패턴을 복원해나가는 반복적 정제(Iterative [[Refinement]]) 패턴.
- **작동 원리:**
- **Forward Process:** 데이터에 가우시안 노이즈를 단계적으로 추가하여 완전한 노이즈 상태로 만듦.
- **Reverse Process (Denoising):** 각 단계에서 추가된 노이즈를 예측하고 제거하여 원래 데이터를 복구하도록 모델을 학습.
@@ -24,5 +24,5 @@ last_reinforced: 2026-04-26
- **정책 변화:** Antigravity 프로젝트는 위키 문서의 시각화 보조 자료나 목업 이미지를 생성할 때 최신 확산 모델 기반의 API를 활용하여 고품질 결과물을 생성함.
## 🔗 지식 연결 (Graph)
-- Generative-Adversarial-Networks-GAN, [[Variational-Autoencoders-VAE]], [[CLIP]], Computer-Vision-Mastery
+- [[Generative-Adversarial-Networks]]-GAN, [[Variational-Autoencoders-VAE]], [[CLIP]], [[Computer-Vision]]-[[Mastery]]
- **Raw Source:** 10_Wiki/Topics/AI/Diffusion-Models.md
diff --git a/10_Wiki/Topics/AI/Digital Intellectual Property Rights.md b/10_Wiki/Topics/AI/Digital Intellectual Property Rights.md
index 5be1bebd..4209e132 100644
--- a/10_Wiki/Topics/AI/Digital Intellectual Property Rights.md
+++ b/10_Wiki/Topics/AI/Digital Intellectual Property Rights.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AI-IP-RIGHTS
+id: [[P-Reinforce]]-AI-IP-RIGHTS
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.94
tags: [Law, Digital, IP, Copyright, Ethics]
@@ -18,7 +18,7 @@ last_reinforced: 2026-04-20
- **Trademark (상표권)**: 브랜드 이름, 로고 등 식별 표지 보호.
- **Modern Challenges**:
- **Fair Use (공정 이용)**: 교육, 보도 등의 목적으로 저작권물을 동의 없이 사용할 수 있는 범위 논쟁.
- - **DRM (Digital Rights Management)**: 무단 복제를 막기 위한 기술적 보호 조치.
+ - **DRM (Digital Rights [[Management]])**: 무단 복제를 막기 위한 기술적 보호 조치.
- **Open Movement**: Open Source License (MIT, Apache, GPL) 등을 통해 권리를 공유하며 생태계를 확장하는 방식도 포함된다.
## ⚠️ 모순 및 업데이트 (RL Update)
diff --git a/10_Wiki/Topics/AI/Digital Thread Integration.md b/10_Wiki/Topics/AI/Digital Thread Integration.md
index baf04602..2c4cde23 100644
--- a/10_Wiki/Topics/AI/Digital Thread Integration.md
+++ b/10_Wiki/Topics/AI/Digital Thread Integration.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AI-DIGITAL-THREAD
+id: [[P-Reinforce]]-AI-DIGITAL-THREAD
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.92
tags: [Manufacturing, DigitalThread, PLM, Integration]
@@ -14,9 +14,9 @@ last_reinforced: 2026-04-20
## 📖 구조화된 지식 (Synthesized Content)
- **The Concept**:
- 기존에는 부서 간 테이터가 단절(Silo)되어 정보 전달 과정에서 오류가 잦았음.
- - 디지털 스레드는 하나의 데이터 원천(Single Source of Truth)을 통해 요구사항 변경이 즉시 제조 현장과 서비스 매뉴얼에 반영되게 함.
+ - 디지털 스레드는 하나의 데이터 원천([[Single Source of Truth]])을 통해 요구사항 변경이 즉시 제조 현장과 서비스 매뉴얼에 반영되게 함.
- **Core Components**:
- - **PLM (Product Lifecycle Management)**: 데이터 축의 근간.
+ - **PLM (Product Lifecycle [[Management]])**: 데이터 축의 근간.
- **ERP / MES**: 실행 및 자원 관리 데이터와의 연결.
- **Feedback Loop**: 실제 사용 현장의 데이터를 다시 설계로 돌려보내는 루프.
- **Benefit**: 리드 타임 단축, 품질 비용 절감, 제품 추적성 완성.
@@ -26,4 +26,4 @@ last_reinforced: 2026-04-20
## 🔗 지식 연결 (Graph)
- Related: [[Digital-Twin-Technology]] , Industry-4.0
-- Foundation: Systems-Engineering
+- Foundation:[[ system]]s-Engineering
diff --git a/10_Wiki/Topics/AI/Digital-Twin-Technology.md b/10_Wiki/Topics/AI/Digital-Twin-Technology.md
index 74b87567..dbaf2a9b 100644
--- a/10_Wiki/Topics/AI/Digital-Twin-Technology.md
+++ b/10_Wiki/Topics/AI/Digital-Twin-Technology.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AI-DIGITAL-TWIN
+id: [[P-Reinforce]]-AI-DIGITAL-TWIN
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.95
tags: [DigitalTwin, Simulation, IoT, Industry40]
@@ -12,17 +12,17 @@ last_reinforced: 2026-04-20
> "현실 세계의 완벽한 실시간 가상 복제본." 물리적 사물이나 시스템의 동적 특성을 실시간으로 반영하여 예측, 최적화, 모니터링을 수행하는 고도의 시뮬레이션 환경이다.
## 📖 구조화된 지식 (Synthesized Content)
-- **System Architecture**:
+- **System [[Architecture]]**:
- **Physical Layer**: 센서, IoT 기기를 통해 현실 데이터를 수집.
- **Digital Layer**: 물리 역학 모델과 AI를 결합한 가상 엔진.
- - **Twinning (Synchronization)**: 실시간 데이터 흐름을 통해 현실과 가상의 상태(State)를 일치시킴.
+ - **Twinning (Synchronization)**: 실시간 데이터 흐름을 통해 현실과 가상의 상태([[State]])를 일치시킴.
- **Key Functions**:
- - **Predictive Maintenance**: 부품이 고장 나기 전 가상 모델에서 이상 징후를 먼저 발견.
- - **Scenario Testing**: 위험하거나 비용이 많이 드는 실험을 가상에서 안전하게 수행.
+ - **[[Predictive Maintenance]]**: 부품이 고장 나기 전 가상 모델에서 이상 징후를 먼저 발견.
+ - **Scenario [[Testing]]**: 위험하거나 비용이 많이 드는 실험을 가상에서 안전하게 수행.
- **Domains**: 스마트 시티, 제조 공정, 심지어 디지털 휴먼(의료용 트윈)까지 확장 중.
## ⚠️ 모순 및 업데이트 (RL Update)
-- 디지털 트윈은 '실시간성'이 생명이지만, 수많은 센서 데이터를 지연 없이 가상 공간에 반영하는 네트워크 병목이 큰 과제다. 최근에는 엣지 컴퓨팅(Edge Computing)과 결합하여 데이터 발생 지점에서 즉시 트윈을 업데이트하는 방식으로 발전하고 있다.
+- 디지털 트윈은 '실시간성'이 생명이지만, 수많은 센서 데이터를 지연 없이 가상 공간에 반영하는 네트워크 병목이 큰 과제다. 최근에는 엣지 컴퓨팅([[Edge Computing]])과 결합하여 데이터 발생 지점에서 즉시 트윈을 업데이트하는 방식으로 발전하고 있다.
## 🔗 지식 연결 (Graph)
- Related: Industrial Metaverse , Predictive Maintenance (PdM)
diff --git a/10_Wiki/Topics/AI/Dijkstra's Algorithm.md b/10_Wiki/Topics/AI/Dijkstra's Algorithm.md
index 932e7011..b695a80a 100644
--- a/10_Wiki/Topics/AI/Dijkstra's Algorithm.md
+++ b/10_Wiki/Topics/AI/Dijkstra's Algorithm.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AI-DIJKSTRA
+id: [[P-Reinforce]]-AI-DIJKSTRA
category: "10_Wiki/💡 Topics/Programming & Language"
confidence_score: 0.99
-tags: [Dijkstra, Algorithm, Pathfinding, Graph Theory]
+tags: [Dijkstra, Algorithm, Pathfinding, [[Graph Theory]]]
last_reinforced: 2026-04-20
---
diff --git a/10_Wiki/Topics/AI/Dimensionality-Reduction.md b/10_Wiki/Topics/AI/Dimensionality-Reduction.md
index 5ec4273d..5c4370da 100644
--- a/10_Wiki/Topics/AI/Dimensionality-Reduction.md
+++ b/10_Wiki/Topics/AI/Dimensionality-Reduction.md
@@ -2,7 +2,7 @@
id: DIM-REDUC-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [ai, machine-learning, statistics, dimensionality-reduction, pca, tsne]
+tags: [ai, machine-learning, [[Statistics]], dimensionality-reduction, pca, tsne]
last_reinforced: 2026-04-26
---
@@ -14,7 +14,7 @@ last_reinforced: 2026-04-26
## 📖 구조화된 지식 (Synthesized Content)
- **추출된 패턴:** 중복되거나 노이즈에 가까운 차원을 제거하고 데이터의 분산(Variance)이나 구조적 유사성을 가장 잘 설명하는 새로운 축을 찾아 정보를 압축하는 패턴.
- **주요 기법:**
- - **PCA (Principal Component Analysis):** 데이터의 분산이 최대인 방향으로 선형 결합하여 차원 축소 (선형 방식).
+ - **PCA (Principal Component [[Analysis]]):** 데이터의 분산이 최대인 방향으로 선형 결합하여 차원 축소 (선형 방식).
- **t-SNE / UMAP:** 고차원에서 가까운 데이터는 저차원에서도 가깝게 유지 (비선형 방식, 시각화에 탁월).
- **Autoencoders:** 신경망의 병목 구조를 통해 데이터를 압축 및 복원하며 핵심 특징 추출.
- **장점:** 차원의 저주(Curse of Dimensionality) 해결, 오버피팅 방지, 연산 속도 향상, 2D/3D 시각화를 통한 인사이트 도출.
@@ -24,5 +24,5 @@ last_reinforced: 2026-04-26
- **정책 변화:** Antigravity 프로젝트는 수천 개의 위키 문서 임베딩 벡터를 클러스터링하고 지식 지도로 시각화할 때 UMAP이나 t-SNE 기법을 사용하여 지식 간의 거리를 직관적으로 노출함.
## 🔗 지식 연결 (Graph)
-- Principal-Component-Analysis-PCA, Unsupervised-Learning-Foundations, Autoencoder, [[Representation-Learning]]
+- [[Principal-Component-Analysis]]-PCA, Un[[Supervised-Learning-Foundations]], Autoencoder, [[Representation-Learning]]
- **Raw Source:** 10_Wiki/Topics/AI/Dimensionality-Reduction.md
diff --git a/10_Wiki/Topics/AI/Diminishing Returns (한계 수익 체감).md b/10_Wiki/Topics/AI/Diminishing Returns (한계 수익 체감).md
index 0b7d403a..faf81561 100644
--- a/10_Wiki/Topics/AI/Diminishing Returns (한계 수익 체감).md
+++ b/10_Wiki/Topics/AI/Diminishing Returns (한계 수익 체감).md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AI-DIMINISHING-RETURNS
+id: [[P-Reinforce]]-AI-DIMINISHING-RETURNS
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.98
-tags: [Economics, Systems, Optimization, Efficiency]
+tags: [Economics,[[ system]]s, [[Optimization]], [[Efficiency]]]
last_reinforced: 2026-04-20
---
@@ -25,5 +25,5 @@ last_reinforced: 2026-04-20
- AI 스케일링 법칙(Scaling Laws)은 한계 수익 체감을 정면으로 돌파하는 것처럼 보였다. 하지만 최근에는 모델 크기를 키우는 것보다 데이터의 질을 높이거나 추론 시간을 늘리는 것이 더 효율적임이 밝혀지며, '어떤 자원'에 투자할 것인가에 대한 패러다임이 다시 변하고 있다.
## 🔗 지식 연결 (Graph)
-- Related: [[Amdahls Law (암달의 법칙)]] , Scaling-Laws-of-Neural-Language-Models
+- Related: [[Amdahls Law (암달의 법칙)]] , Scaling-Laws-of-Neural-[[Language-Models]]
- Law: Brooks-Law
diff --git a/10_Wiki/Topics/AI/Directed-Acyclic-Graph-Build-Systems.md b/10_Wiki/Topics/AI/Directed-Acyclic-Graph-Build-Systems.md
index 3d65351a..c934e660 100644
--- a/10_Wiki/Topics/AI/Directed-Acyclic-Graph-Build-Systems.md
+++ b/10_Wiki/Topics/AI/Directed-Acyclic-Graph-Build-Systems.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AI-DAG-BUILD
+id: [[P-Reinforce]]-AI-DAG-BUILD
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.97
-tags: [SoftwareEngineering, BuildSystems, DAG, Efficiency]
+tags: [SoftwareEngineering, BuildSystems, DAG, [[Efficiency]]]
last_reinforced: 2026-04-20
---
@@ -19,11 +19,11 @@ last_reinforced: 2026-04-20
- **Incremental Build**: 변경된 파일과 그에 영향을 받는 하위 그래프만 다시 빌드하여 시간 절약.
- **Parallel Execution**: 의존 관계가 없는 노드들은 동시에 실행하여 CPU 자원 극대화.
- **Caching**: 이전 빌드 결과물을 해시값으로 저장하여 동일 작업 반복 방지.
-- **Examples**: Bazel, Buck, Gradle, Turborepo.
+- **Examples**: Bazel, Buck, Gradle, [[Turborepo]].
## ⚠️ 모순 및 업데이트 (RL Update)
- DAG는 강력하지만, 그래프가 너무 거대해지면 '그래프 해석(Graph Solving)' 자체가 오버헤드가 될 수 있다. 최신 빌드 시스템들은 로컬이 아닌 클라우드 원격 캐시(Remote Caching)와 실행 엔진을 결합하여 수백만 개의 노드를 가진 그래프도 초 단위로 처리하는 방향으로 진화하고 있다.
## 🔗 지식 연결 (Graph)
- Related: [[Dependency-Graph-Analysis]] , [[Directed-Acyclic-Graph-Dependency-Management]]
-- Concept: Topological-Sort
+- Concept: Topo[[Logic]]al-Sort
diff --git a/10_Wiki/Topics/AI/Directed-Acyclic-Graph-Dependency-Management.md b/10_Wiki/Topics/AI/Directed-Acyclic-Graph-Dependency-Management.md
index cbff8a43..dcaf16c3 100644
--- a/10_Wiki/Topics/AI/Directed-Acyclic-Graph-Dependency-Management.md
+++ b/10_Wiki/Topics/AI/Directed-Acyclic-Graph-Dependency-Management.md
@@ -2,7 +2,7 @@
id: DAG-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [computer-science, graph-theory, data-structures, workflow]
+tags: [computer-science, [[Graph-Theory]], data-structures, workflow]
last_reinforced: 2026-04-26
---
@@ -14,8 +14,8 @@ last_reinforced: 2026-04-26
## 📖 구조화된 지식 (Synthesized Content)
- **추출된 패턴:** 노드 간의 방향은 존재하되, 어떤 노드에서 출발해도 다시 자기 자신으로 돌아오는 경로(Cycle)가 없는 구조를 통해 순차적 실행과 계층 관계를 보장하는 패턴.
- **세부 내용:**
- - **Topological Sort:** DAG의 노드들을 의존성에 따라 일렬로 정렬하는 알고리즘 (빌드 시스템, 태스크 스케줄링의 핵심).
- - **Dependency Management:** 특정 작업이 완료되어야 다음 작업이 시작될 수 있는 인과 관계를 명확히 표현.
+ - **Topo[[Logic]]al Sort:** DAG의 노드들을 의존성에 따라 일렬로 정렬하는 알고리즘 (빌드 시스템, 태스크 스케줄링의 핵심).
+ - **Dependency [[Management]]:** 특정 작업이 완료되어야 다음 작업이 시작될 수 있는 인과 관계를 명확히 표현.
- **Data Pipelines:** Spark, Airflow 등 현대 데이터 엔지니어링 도구에서 데이터의 흐름을 정의하는 표준 모델.
- **Version Control:** Git의 커밋 히스토리는 부모-자식 관계를 가진 거대한 DAG 구조임.
diff --git a/10_Wiki/Topics/AI/Discriminated-Unions-for-Error-Handling.md b/10_Wiki/Topics/AI/Discriminated-Unions-for-Error-Handling.md
index 901de65b..1a8a384c 100644
--- a/10_Wiki/Topics/AI/Discriminated-Unions-for-Error-Handling.md
+++ b/10_Wiki/Topics/AI/Discriminated-Unions-for-Error-Handling.md
@@ -2,11 +2,11 @@
id: TS-UNION-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [typescript, type-system, functional-programming, error-handling]
+tags: [typescript, type-system, [[Functional-Programming]], error-handling]
last_reinforced: 2026-04-26
---
-# Discriminated Unions (판별 가능한 유니온)
+# [[Discriminated Unions]] (판별 가능한 유니온)
## 📌 한 줄 통찰 (The Karpathy Summary)
> "타입 가드를 자동화하는 영리한 리터럴 태그" — 공통된 속성(Tag)을 기준으로 여러 타입을 하나로 묶고, 코드 레벨에서 안전하게 특정 타입을 식별해낼 수 있게 하는 타입 설계 기법.
@@ -26,4 +26,4 @@ last_reinforced: 2026-04-26
## 🔗 지식 연결 (Graph)
- **Parent:** 10_Wiki/💡 Topics/AI
- **Related:** Type-Guards, Algebraic-Data-Types, [[Exhaustiveness-Checking]]
-- **Raw Source:** 10_Wiki/Topics/AI/Discriminated-Unions-for-Error-Handling.md
+- **Raw Source:** 10_Wiki/Topics/AI/[[Discriminated-Unions]]-for-Error-Handling.md
diff --git a/10_Wiki/Topics/AI/Discriminated-Unions-for-State-Modeling.md b/10_Wiki/Topics/AI/Discriminated-Unions-for-State-Modeling.md
index e1fc41c9..8287c449 100644
--- a/10_Wiki/Topics/AI/Discriminated-Unions-for-State-Modeling.md
+++ b/10_Wiki/Topics/AI/Discriminated-Unions-for-State-Modeling.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AI-DU-STATES
+id: [[P-Reinforce]]-AI-DU-[[State]]S
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.99
-tags: [TypeScript, StateManagement, Patterns, Architecture]
+tags: [TypeScript, State[[Management]], Patterns, [[Architecture]]]
last_reinforced: 2026-04-20
---
@@ -15,7 +15,7 @@ last_reinforced: 2026-04-20
- **The Anti-pattern**:
- `interface State { isLoading: boolean; error?: string; data?: Data; }`
- 이 설계는 `isLoading: true`이면서 동시에 `error`가 존재하는 모순된 상태를 허용한다.
-- **The Discriminated Union Solution**:
+- **The Discriminated Union [[Solution]]**:
- `type State = { type: 'loading' } | { type: 'error'; message: string } | { type: 'success'; data: Data };`
- `type` 속성을 통해 현재 어떤 상태인지 명확히 구별하며, 각 상태에 꼭 필요한 데이터만 가질 수 있게 강제한다.
- **Benefit**: 컴포넌트나 로직에서 조건문 분기가 매우 명확해지며, 런타임 에러 발생 가능성이 획기적으로 줄어든다.
diff --git a/10_Wiki/Topics/AI/Discriminated-Unions.md b/10_Wiki/Topics/AI/Discriminated-Unions.md
index 588adcf0..c514bcce 100644
--- a/10_Wiki/Topics/AI/Discriminated-Unions.md
+++ b/10_Wiki/Topics/AI/Discriminated-Unions.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-DIUN-001
+id: [[P-Reinforce]]-AUTO-DIUN-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.98
-tags: [auto-reinforced, discriminated-unions, tagged-unions, typescript, error-handling, type-safety, functional-programming]
+tags: [auto-reinforced, discriminated-unions, tagged-unions, typescript, error-handling, type-safety, [[Functional-Programming]]]
last_reinforced: 2026-04-20
---
@@ -19,11 +19,11 @@ last_reinforced: 2026-04-20
* **Discriminant Property**: 각 타입에 공통으로 존재하는 리터럴 속성 (예: `type: 'success' | 'error'`).
* **Type Guarding**: `switch`나 `if` 문을 통해 해당 속성을 검사하면, 블록 내부에서 해당 타입으로만 자동 축소(Narrowing).
2. **왜 중요한가?**:
- * 에러 핸들링 시 `status` 값에 따라 `data`가 있을지 `error`가 있을지 컴파일러가 정확히 알게 하여, 정의되지 않은 속성 접근 정책(Undefined errors)을 막기 때문임. (Reliability와 연결)
+ * 에러 핸들링 시 `status` 값에 따라 `data`가 있을지 `error`가 있을지 컴파일러가 정확히 알게 하여, 정의되지 않은 속성 접근 정책(Undefined errors)을 막기 때문임. ([[Reliability]]와 연결)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거 자바스크립트 정책은 'duck typing'에 의존하여 런타임에 일일이 `if(data)` 등을 체크해야 했으나, TS 정책은 구별된 공용체 정책을 통해 '컴파일 타임'에 모든 경로 정책을 검증함(RL Update).
-- **정책 변화(RL Update)**: 이제는 단순 에러 처리를 넘어, 복잡한 상태 머신 정책(FSM)이나 Redux 액션 타입 정책 등을 정의하는 표준 아키텍처 패턴 정책으로 자리 잡음. (State-Space와 연결)
+- **정책 변화(RL Update)**: 이제는 단순 에러 처리를 넘어, 복잡한 상태 머신 정책(FSM)이나 Redux 액션 타입 정책 등을 정의하는 표준 아키텍처 패턴 정책으로 자리 잡음. ([[State-Space]]와 연결)
## 🔗 지식 연결 (Graph)
- [[Reliability]], [[State-Space]], [[Technical-Architecture]], [[Logic]], [[Complexity-Theory]]
diff --git a/10_Wiki/Topics/AI/Dissipative-Structures.md b/10_Wiki/Topics/AI/Dissipative-Structures.md
index 9ee2fe75..8d8417aa 100644
--- a/10_Wiki/Topics/AI/Dissipative-Structures.md
+++ b/10_Wiki/Topics/AI/Dissipative-Structures.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AUTO-DIST-001
+id: [[P-Reinforce]]-AUTO-DIST-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.93
tags: [auto-reinforced, dissipative-structures, thermodynamics, prigogine, self-organization, complexity-science, chaos-theory]
@@ -16,14 +16,14 @@ last_reinforced: 2026-04-20
1. **주요 특성**:
* **Non-Equilibrium**: 평형 상태(죽음)가 아닌, 변화가 계속되는 살아있는 상태.
- * **Self-Organization**: 외부의 지시 없이 내부 요소들의 상호작용만으로 질서가 발생. (Synergy와 연결)
+ * **Self-Organization**: 외부의 지시 없이 내부 요소들의 상호작용만으로 질서가 발생. ([[Synergy]]와 연결)
* **Bifurcation (분기)**: 임계점에 도달했을 때 미세한 변화로 인해 시스템이 완전히 다른 상태(질서 또는 카오스)로 선택 전이.
2. **왜 중요한가?**:
- * 무질서도가 증가한다는 엔트로피 법칙 속에서도 어떻게 생명과 지능 같은 '정교한 질서'가 탄생하고 유지되는지 과학적으로 설명하기 때문임. (System-Theory와 연결)
+ * 무질서도가 증가한다는 엔트로피 법칙 속에서도 어떻게 생명과 지능 같은 '정교한 질서'가 탄생하고 유지되는지 과학적으로 설명하기 때문임. ([[System-Theory]]와 연결)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거 고전 역학 정책은 시스템을 정적인 기계 정책으로 보았으나, 소산 구조 정책은 시스템을 유동적이고 역동적인 '프로세스 정책'으로 이해하게 함(RL Update).
-- **정책 변화(RL Update)**: 이제는 단순 물리 환경 정책을 넘어, 사회적 변혁 정책이나 기업의 혁신 정책, 심지어 거대 언어 모델(LLM)의 지능 발현 정책(Emergence)을 설명하는 거시적 프레임워크 정책으로 확장됨.
+- **정책 변화(RL Update)**: 이제는 단순 물리 환경 정책을 넘어, 사회적 변혁 정책이나 기업의 혁신 정책, 심지어 거대 언어 모델(LLM)의 지능 발현 정책([[Emergence]])을 설명하는 거시적 프레임워크 정책으로 확장됨.
## 🔗 지식 연결 (Graph)
- [[Synergy]], [[System-Theory]], Complexity-Science, [[Sustainability]], [[Strategic-Planning]], [[Structuralism]]
diff --git a/10_Wiki/Topics/AI/Distillation.md b/10_Wiki/Topics/AI/Distillation.md
index 367fc0fe..903a9363 100644
--- a/10_Wiki/Topics/AI/Distillation.md
+++ b/10_Wiki/Topics/AI/Distillation.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-DIST-001
+id: [[P-Reinforce]]-AUTO-DIST-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.96
-tags: [auto-reinforced, distillation, model-distillation, knowledge-transfer, efficiency, edge-ai]
+tags: [auto-reinforced, distillation, model-distillation, knowledge-transfer, [[Efficiency]], edge-ai]
last_reinforced: 2026-04-20
---
@@ -27,5 +27,5 @@ last_reinforced: 2026-04-20
## 🔗 지식 연결 (Graph)
- [[Data Distillation (데이터 증류)]], [[Optimization]], [[Efficiency]], [[Edge-Computing]], [[Technical-Architecture]]
-- **Modern Tech/Tools**: DistilBERT, MobileNet, TinyLlama, Ollama (Model management).
+- **Modern Tech/Tools**: Distil[[BERT]], MobileNet, TinyLlama, Ollama (Model [[Management]]).
---
diff --git a/10_Wiki/Topics/AI/Distributed Reinforcement Learning.md b/10_Wiki/Topics/AI/Distributed Reinforcement Learning.md
index e5c53493..895c8d3f 100644
--- a/10_Wiki/Topics/AI/Distributed Reinforcement Learning.md
+++ b/10_Wiki/Topics/AI/Distributed Reinforcement Learning.md
@@ -1,12 +1,12 @@
---
-id: P-REINFORCE-AI-DIST-RL
+id: [[P-Reinforce]]-AI-DIST-RL
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.98
-tags: [Distributed RL, Scalability, AI, Apex, Impala]
+tags: [Distributed RL, [[Scalability]], AI, Apex, Impala]
last_reinforced: 2026-04-20
---
-# Distributed-Reinforcement-Learning (분산 강화학습)
+# Distributed-[[Reinforcement-Learning]] (분산 강화학습)
## 📌 한 줄 통찰 (The Karpathy Summary)
> "혼자 배우면 1년, 함께 배우면 1시간." 수많은 에이전트를 가상 환경에 풀어 동시에 경험을 쌓게 하고, 이를 하나의 뇌로 집약하는 초고속 학습 기술이다.
@@ -16,7 +16,7 @@ last_reinforced: 2026-04-20
- 수백~수천 개의 CPU/GPU 환경에서 독립적인 에이전트들이 데이터를 수집하여 중앙 서버로 전송한다.
- **Asynchronous vs Synchronous**:
- 에이전트들끼리 속도를 맞출지(Sync), 아니면 각자 데이터가 생기는 대로 업데이트할지(Async)에 따른 아키텍처 차이(A3C, IMPALA 등).
-- **Efficiency Boost**:
+- **[[Efficiency]] Boost**:
- 탐색(Exploration)의 손실을 방지하고, 더 다양한 환경 시나리오를 짧은 시간 안에 학습할 수 있게 한다.
## ⚠️ 모순 및 업데이트 (RL Update)
diff --git a/10_Wiki/Topics/AI/Distributed-Computing.md b/10_Wiki/Topics/AI/Distributed-Computing.md
index d4f05c0f..2ccc1a0b 100644
--- a/10_Wiki/Topics/AI/Distributed-Computing.md
+++ b/10_Wiki/Topics/AI/Distributed-Computing.md
@@ -2,7 +2,7 @@
id: DIST-COMP-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [computer-science, distributed-systems, parallel-computing, infrastructure, scalability]
+tags: [computer-science, [[Distributed-Systems]], [[Parallel-Computing]], infrastructure, [[Scalability]]]
last_reinforced: 2026-04-26
---
@@ -25,5 +25,5 @@ last_reinforced: 2026-04-26
- **정책 변화:** Antigravity 프로젝트는 향후 수조 개의 지식 노드를 처리하기 위해 Ray와 같은 최신 분산 프레임워크를 기반으로 지식 가드닝 에이전트의 연산 인프라를 확장할 계획임.
## 🔗 지식 연결 (Graph)
-- [[Parallel-Computing]], [[CAP-Theorem]], System-Design-for-AI-Scale, [[GPU-Architecture]]
+- [[Parallel-Computing]], [[CAP-Theorem]],[[ system]]-Design-for-AI-Scale, [[GPU-Architecture]]
- **Raw Source:** 10_Wiki/Topics/AI/Distributed-Computing.md
diff --git a/10_Wiki/Topics/AI/Distributed-System-Type-Safety.md b/10_Wiki/Topics/AI/Distributed-System-Type-Safety.md
index f3f0e145..5bfbaeeb 100644
--- a/10_Wiki/Topics/AI/Distributed-System-Type-Safety.md
+++ b/10_Wiki/Topics/AI/Distributed-System-Type-Safety.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-DSTS-001
+id: [[P-Reinforce]]-AUTO-DSTS-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.94
-tags: [auto-reinforced, distributed-systems, type-safety, contract, architecture, reliability, api-design]
+tags: [auto-reinforced, [[Distributed-Systems]], type-safety, contract, [[Architecture]], [[Reliability]], api-design]
last_reinforced: 2026-04-20
---
@@ -15,8 +15,8 @@ last_reinforced: 2026-04-20
분산 시스템 타입 안전성(Distributed-System-Type-Safety)은 서로 다른 네트워크 노드 간에 주고받는 데이터가 사전에 정의된 데이터 구조(Type)를 엄격히 준수함을 보장하는 것입니다.
1. **구현 전략**:
- * **Shared Contracts**: IDL(Interface Definition Language)을 사용하여 서비스 간 규약을 정의 (gRPC, GraphQL, Protobuf). (Schema와 연결)
- * **Automatic Code Generation**: 중앙의 스키마 파일을 읽어 각 언어(JS, Go, Java 등)의 타입 코드를 자동 생성. (Efficiency와 연결)
+ * **Shared Contracts**: IDL(Interface Definition Language)을 사용하여 서비스 간 규약을 정의 (gRPC, GraphQL, Protobuf). ([[Schema]]와 연결)
+ * **Automatic Code Generation**: 중앙의 스키마 파일을 읽어 각 언어(JS, Go, Java 등)의 타입 코드를 자동 생성. ([[Efficiency]]와 연결)
* **Runtime Validation**: 데이터가 서버에 도착하자마자 실제 타입과 일치하는지 Zod 등을 통해 검층.
2. **왜 중요한가?**:
* 분산 환경에서는 한쪽 서비스의 타입 변경이 수천 개의 연결된 서비스를 '침묵의 에러(Silent failure)'로 빠뜨릴 수 있기 때문임.
@@ -26,6 +26,6 @@ last_reinforced: 2026-04-20
- **정책 변화(RL Update)**: 이제는 단순 데이터 타입 정책을 넘어, 버전 관리 정책(Versioning)과 하위 호환성 정책(Compatibility)을 타입 시스템 정책 내에서 자동으로 추적하는 스마트 계약형 인프라 정책으로 진화 중임.
## 🔗 지식 연결 (Graph)
-- [[Schema]], [[Efficiency]], [[Reliability]], [[Technical-Architecture]], [[Standard-Operating-Procedure]]
+- [[Schema]], [[Efficiency]], [[Reliability]], [[Technical-Architecture]], [[Standard-[[Opera]]ting-Procedure]]
- **Key Tools**: gRPC, tRPC, GraphQL, Zod, Protocol Buffers.
---
diff --git a/10_Wiki/Topics/AI/Distributed-Systems.md b/10_Wiki/Topics/AI/Distributed-Systems.md
index f90141c8..91893188 100644
--- a/10_Wiki/Topics/AI/Distributed-Systems.md
+++ b/10_Wiki/Topics/AI/Distributed-Systems.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-DISY-001
+id: [[P-Reinforce]]-AUTO-DISY-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.95
-tags: [auto-reinforced, distributed-systems, scalability, consistency, fault-tolerance, availability]
+tags: [auto-reinforced, distributed-systems, [[Scalability]], consistency, [[Fault-Tolerance]], availability]
last_reinforced: 2026-04-20
---
diff --git a/10_Wiki/Topics/AI/Documentation-Strategy.md b/10_Wiki/Topics/AI/Documentation-Strategy.md
index f26fbcd7..390df427 100644
--- a/10_Wiki/Topics/AI/Documentation-Strategy.md
+++ b/10_Wiki/Topics/AI/Documentation-Strategy.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-DOST-001
+id: [[P-Reinforce]]-AUTO-DOST-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.90
-tags: [auto-reinforced, documentation-strategy, knowledge-management, software-engineering, communication, clarity]
+tags: [auto-reinforced, documentation-[[Strategy]], knowledge-[[Management]], software-engineering, communication, clarity]
last_reinforced: 2026-04-20
---
@@ -16,17 +16,17 @@ last_reinforced: 2026-04-20
1. **4가지 문서 유형 (Diátaxis framework)**:
* **Tutorials**: 학습자 중심의 실제 따라하기 (Learning-oriented).
- * **How-to Guides**: 특정 문제를 해결하기 위한 스텝 (Goal-oriented).
- * **Reference**: API 규격 등 기술적 상세 정보 (Information-oriented).
+ * **How-to Guides**: 특정 문제를 해결하기 위한 스텝 ([[goal]]-oriented).
+ * **[[Reference]]**: API 규격 등 기술적 상세 정보 (Information-oriented).
* **Explanation**: 설계 배경과 개념적 논의 (Understanding-oriented).
2. **왜 중요한가?**:
- * 팀원이 떠나도 지식이 유실되지 않으며, 새로운 팀원이 빠르게 온보딩할 수 있음. (Cognitive Biases 중 지식의 저주 방지)
+ * 팀원이 떠나도 지식이 유실되지 않으며, 새로운 팀원이 빠르게 온보딩할 수 있음. ([[Cognitive Biases]] 중 지식의 저주 방지)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거에는 두꺼운 '매뉴얼 책자 정책'이었으나, 현대 정책은 코드와 함께 살아있는 'Docs as Code 정책'과 검색이 용이한 'Wiki 기반 지식 기지 정책'으로 진화함(RL Update). (이 Obsidian Wiki가 그 정점)
- **정책 변화(RL Update)**: AI가 코드를 읽고 문서를 자동으로 초안 작성하거나, 문서만 보고 동작하는 코드를 생성하는 '상호 보완적 문서화 정책'이 개발 문화의 중심이 됨.
## 🔗 지식 연결 (Graph)
-- [[Concept Mapping]], [[Clean-Architecture-TypeScript]], [[Knowledge synthesis]], [[Cognitive Biases]], [[Analysis]]
+- [[Concept Mapping]], [[Clean-[[Architecture]]-TypeScript]], [[Knowledge synthesis]], [[Cognitive Biases]], [[Analysis]]
- **Modern Tech/Tools**: Markdown, Docusaurus, Read the Docs, Notion/Obsidian.
---
diff --git a/10_Wiki/Topics/AI/Domain Objects.md b/10_Wiki/Topics/AI/Domain Objects.md
index c640702b..6756a5ac 100644
--- a/10_Wiki/Topics/AI/Domain Objects.md
+++ b/10_Wiki/Topics/AI/Domain Objects.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AUTO-17D3D3
+id: [[P-Reinforce]]-AUTO-17D3D3
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.90
tags: [auto-reinforced]
@@ -15,9 +15,9 @@ github_commit: "[P-Reinforce] Continuous Worker - Domain Objects"
## 📖 구조화된 지식 (Synthesized Content)
* **비즈니스 개념의 직접적 표현:**
도메인 객체는 소프트웨어가 해결하고자 하는 비즈니스 개념 자체를 코드로 표현합니다 [2]. 예를 들어, 쇼핑 애플리케이션에서는 사용자 정보나 상품 정보를 나타내는 `Product` 클래스가 도메인 객체의 역할을 수행하게 됩니다 [2].
-* **클린 아키텍처(Clean Architecture)에서의 중심 역할:**
+* **클린 아키텍처(Clean [[Architecture]])에서의 중심 역할:**
클린 아키텍처에서 도메인 객체는 시스템의 심장부인 '엔티티(Entities)' 또는 '도메인 계층'에 위치합니다 [1, 3]. 이들은 다른 외부 에이전시나 프레임워크, UI의 변화로부터 완벽하게 격리되어 순수한 엔터프라이즈 비즈니스 규칙만을 포함합니다 [1, 3].
-* **도메인 주도 설계(DDD)와 애그리게이트(Aggregates):**
+* **도메인 주도 설계(DDD)와 애그리게이트(Aggre[[Gates]]):**
도메인 주도 설계에서 도메인 객체들은 단일 단위로 취급될 수 있는 객체들의 무리인 '애그리게이트'로 묶이게 됩니다 [5]. 예를 들어 '주문(Order)'이라는 애그리게이트는 '주문 내역(OrderLineItem)'이라는 도메인 객체들을 포함할 수 있습니다 [5]. 이때 애그리게이트의 루트(root)는 클러스터 전체의 일관성을 보장하여 트랜잭션 관리를 단순하게 만들어 줍니다 [5].
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
diff --git a/10_Wiki/Topics/AI/Domain-Driven-Design-DDD.md b/10_Wiki/Topics/AI/Domain-Driven-Design-DDD.md
index a06d632b..d176432c 100644
--- a/10_Wiki/Topics/AI/Domain-Driven-Design-DDD.md
+++ b/10_Wiki/Topics/AI/Domain-Driven-Design-DDD.md
@@ -2,7 +2,7 @@
id: DDD-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [software-architecture, ddd, domain-driven-design, microservices, strategic-design]
+tags: [software-[[Architecture]], ddd, domain-driven-design, microservices, strategic-design]
last_reinforced: 2026-04-26
---
@@ -21,9 +21,9 @@ last_reinforced: 2026-04-26
- **Layered Architecture:** 도메인 로직을 표현 레이어나 인프라 레이어로부터 격리.
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
-- **과거 데이터와의 충돌:** 데이터베이스 테이블 중심의 설계에서, 비즈니스 행위(Behavior) 중심의 설계로 전환. 초기에는 중복 내용이 여러 파일에 흩어져 있었으나, Antigravity 지식 정비 과정을 통해 통합 마스터 문서로 정립됨.
+- **과거 데이터와의 충돌:** 데이터베이스 테이블 중심의 설계에서, 비즈니스 행위([[Behavior]]) 중심의 설계로 전환. 초기에는 중복 내용이 여러 파일에 흩어져 있었으나, Antigravity 지식 정비 과정을 통해 통합 마스터 문서로 정립됨.
- **정책 변화:** Antigravity 프로젝트는 에이전트의 스킬과 지식 카테고리를 설계할 때 DDD 원칙을 적용하여, 각 에이전트가 명확한 도메인 경계 내에서 자율성을 갖도록 구성함.
## 🔗 지식 연결 (Graph)
-- [[Software-Architecture-Patterns]], Microservices, [[Strategic-Thinking]], System-Design-for-AI-Scale
+- [[Software-Architecture-Patterns]], Microservices, [[Strategic-Thinking]],[[ system]]-Design-for-AI-Scale
- **Raw Source:** 10_Wiki/Topics/AI/Domain-Driven-Design-DDD.md
diff --git a/10_Wiki/Topics/AI/Domain-Specific-Languages.md b/10_Wiki/Topics/AI/Domain-Specific-Languages.md
index b3405e22..9c9c0ae8 100644
--- a/10_Wiki/Topics/AI/Domain-Specific-Languages.md
+++ b/10_Wiki/Topics/AI/Domain-Specific-Languages.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AUTO-DSLS-001
+id: [[P-Reinforce]]-AUTO-DSLS-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.96
tags: [auto-reinforced, dsl, domain-specific-language, metaprogramming, abstraction, syntax, compiler]
@@ -16,15 +16,15 @@ last_reinforced: 2026-04-20
1. **유형 구분**:
* **External DSL**: 완전히 새로운 문법을 가진 컴파일러/인터프리터 필요 (예: SQL, CSS, Regex).
- * **Internal DSL (Embedded)**: 기존 언어(Ruby, Kotlin, TS)의 문법 안에서 유연하게 정의 (예: CSS-in-JS, Gradle, Testing frameworks).
+ * **Internal DSL (Embedded)**: 기존 언어(Ruby, Kotlin, TS)의 문법 안에서 유연하게 정의 (예: [[CSS-in-JS]], Gradle, [[Testing]] frameworks).
2. **왜 중요한가?**:
* **High Abstraction**: 도메인 전문가와 개발자 사이의 소통 비용 정책을 줄이고, 선언적 방식(What)으로 로직 정책을 기술할 수 있기 때문임. (Communication와 연결)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거에는 DSL을 만드는 것이 '바퀴를 재발명하는 것'처럼 비효율적이라 여겼으나, 현대 정책은 복잡한 설정 정책(Config)이나 인프라 제어 정책(IaC)을 위해 목적에 맞는 DSL 정책 모델을 구축하는 것이 유지보수성 정책 면에서 압도적으로 유리함을 인정함(RL Update).
-- **정책 변화(RL Update)**: 이제는 단순 텍스트 기반 DSL 정책을 넘어, AI 가 자연어 정책을 DSL 정책으로 변환(Natural-Language-to-DSL)하여 시스템을 제어하는 인간-AI 인터페이스 정책의 핵심 기술로 진화 중임. (Natural-Language-Processing (NLP)와 연결)
+- **정책 변화(RL Update)**: 이제는 단순 텍스트 기반 DSL 정책을 넘어, AI 가 자연어 정책을 DSL 정책으로 변환(Natural-Language-to-DSL)하여 시스템을 제어하는 인간-AI 인터페이스 정책의 핵심 기술로 진화 중임. ([[Natural-Language-Processing]] (NLP)와 연결)
## 🔗 지식 연결 (Graph)
-- Communication, Natural-Language-Processing (NLP), [[Technical-Architecture]], [[Standard-Operating-Procedure]], [[Logic]]
+- Communication, Natural-Language-[[Processing]] (NLP), [[Technical-Architecture]], [[Standard-[[Opera]]ting-Procedure]], [[Logic]]
- **Key Examples**: SQL, HTML, Markdown, Terraform (HCL), RxJS.
---
diff --git a/10_Wiki/Topics/AI/Dopamine-Modeling.md b/10_Wiki/Topics/AI/Dopamine-Modeling.md
index 0c18b3af..2a2416d3 100644
--- a/10_Wiki/Topics/AI/Dopamine-Modeling.md
+++ b/10_Wiki/Topics/AI/Dopamine-Modeling.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-DOMO-001
+id: [[P-Reinforce]]-AUTO-DOMO-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.91
-tags: [auto-reinforced, dopamine, neurobiology, reward-prediction-error, motivation, addiction]
+tags: [auto-reinforced, [[Dopamine]], neurobiology, reward-prediction-error, motivation, addiction]
last_reinforced: 2026-04-20
---
@@ -14,7 +14,7 @@ last_reinforced: 2026-04-20
## 📖 구조화된 지식 (Synthesized Content)
도파민 모델링(Dopamine-Modeling)은 뇌의 신경전달물질인 도파민의 작용을 수학적, 전산적으로 분석하는 연구입니다.
-1. **핵심 이론 - Reward Prediction Error (RPE)**:
+1. **핵심 이론 - [[Reward Prediction Error]] (RPE)**:
* 우리의 뇌는 끊임없이 미래의 보상을 예측함.
* **예측보다 더 좋은 결과**: 도파민 대폭 분비 (학습 가속).
* **예측한 만큼 결과**: 도파민 유지.
diff --git a/10_Wiki/Topics/AI/Dopaminergic Reward System.md b/10_Wiki/Topics/AI/Dopaminergic Reward System.md
index a6ea791a..b4c6fd11 100644
--- a/10_Wiki/Topics/AI/Dopaminergic Reward System.md
+++ b/10_Wiki/Topics/AI/Dopaminergic Reward System.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AI-DOPAMINE
+id: [[P-Reinforce]]-AI-[[Dopamine]]
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.97
-tags: [Neuroscience, Psychology, RewardSystem, Dopamine]
+tags: [Neuroscience, [[Psychology]], RewardSystem, Dopamine]
last_reinforced: 2026-04-20
---
@@ -12,7 +12,7 @@ last_reinforced: 2026-04-20
> "쾌락의 호르몬이 아니라, '기대'와 '학습'의 엔진." 뇌에서 예상치 못한 보상을 받았을 때 분비되어 그 행동을 반복하게 만드는 강력한 강화학습(Reinforcement Learning) 시스템의 생물학적 기원이다.
## 📖 구조화된 지식 (Synthesized Content)
-- **Reward Prediction Error (RPE)**: 도파민은 보상을 받을 때보다 '예상보다 더 좋은 결과'가 나왔을 때 가장 많이 분비된다. (기대치와 실제의 차이가 학습의 신호가 됨)
+- **[[Reward Prediction Error]] (RPE)**: 도파민은 보상을 받을 때보다 '예상보다 더 좋은 결과'가 나왔을 때 가장 많이 분비된다. (기대치와 실제의 차이가 학습의 신호가 됨)
- **Core Pathways**:
- **Mesolimbic Pathway**: 동기 부여 및 중독과 관련 (복측 피개 영역 $\to$ 측좌핵).
- **Mesocortical Pathway**: 인지 제어 및 의사결정과 관련 (전전두엽 연결).
diff --git a/10_Wiki/Topics/AI/Dopaminergic Reward Systems.md b/10_Wiki/Topics/AI/Dopaminergic Reward Systems.md
index 94810cdb..d26f1245 100644
--- a/10_Wiki/Topics/AI/Dopaminergic Reward Systems.md
+++ b/10_Wiki/Topics/AI/Dopaminergic Reward Systems.md
@@ -1,12 +1,12 @@
---
-id: DOPAMINE-001
+id: [[Dopamine]]-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [neuroscience, dopamine, reward-system, addiction, reinforcement-learning]
+tags: [neuroscience, dopamine, reward-system, addiction, [[Reinforcement-Learning]]]
last_reinforced: 2026-04-26
---
-# Dopaminergic Reward Systems (도파민 보상 시스템)
+# [[Dopaminergic Reward System]]s (도파민 보상 시스템)
## 📌 한 줄 통찰 (The Karpathy Summary)
> "생존과 학습을 추동하는 뇌의 화학적 엔진" — 기대한 보상과 실제 보상의 차이를 매개로 행동의 가치를 수정하고, 특정 행위를 반복하게 만드는 뇌내 신경전달물질 시스템.
@@ -15,7 +15,7 @@ last_reinforced: 2026-04-26
- **추출된 패턴:** 긍정적 보상이 주어질 때 분비되는 도파민이 시냅스 가소성을 조절하여, 해당 보상을 가져온 행동을 강화(Reinforcement)하는 생물학적 학습 패턴.
- **세부 내용:**
- **Mesolimbic Pathway:** 복측 피개 구역(VTA)에서 측좌핵으로 이어지는 핵심 보상 경로. '쾌락' 자체보다 '욕구(Wanting)'와 '추구'를 담당.
- - **Reward Prediction Error (RPE):** 도파민 뉴런은 보상이 확실시되면 분비를 줄이고, 예상치 못한 보상이 나타날 때 폭발적으로 분비됨.
+ - **[[Reward Prediction Error]] (RPE):** 도파민 뉴런은 보상이 확실시되면 분비를 줄이고, 예상치 못한 보상이 나타날 때 폭발적으로 분비됨.
- **Tonic vs Phasic Release:** 기본적으로 유지되는 도파민 농도(Tonic)와 자극에 반응해 급격히 변하는 농도(Phasic)의 균형.
- **Addiction Mechanism:** 약물이나 자극이 도파민 시스템을 직접 납치(Hijack)하여 자연적 보상보다 강한 가짜 신호를 보낼 때 발생하는 중독 현상.
@@ -26,4 +26,4 @@ last_reinforced: 2026-04-26
## 🔗 지식 연결 (Graph)
- **Parent:** 10_Wiki/💡 Topics/AI
- **Related:** Computational-Neuroscience, Reward-Prediction-Error, Addiction-Neuroscience, [[Reinforcement-Learning]]
-- **Raw Source:** 10_Wiki/Topics/AI/Dopaminergic Reward Systems.md
+- **Raw Source:** 10_Wiki/Topics/AI/Dopaminergic Reward[[ system]]s.md
diff --git a/10_Wiki/Topics/AI/Drama Management Systems.md b/10_Wiki/Topics/AI/Drama Management Systems.md
index 1519b334..472a3527 100644
--- a/10_Wiki/Topics/AI/Drama Management Systems.md
+++ b/10_Wiki/Topics/AI/Drama Management Systems.md
@@ -1,12 +1,12 @@
---
-id: P-REINFORCE-AI-DRAMA-MGMT
+id: [[P-Reinforce]]-AI-DRAMA-MGMT
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.95
-tags: [GameDesign, AI, Narrative, DramaManagement]
+tags: [GameDesign, AI, Narrative, Drama[[Management]]]
last_reinforced: 2026-04-20
---
-# [[Drama Management Systems]] (드라마 관리 시스템)
+# [[Drama Management[[ system]]s]] (드라마 관리 시스템)
## 📌 한 줄 통찰 (The Karpathy Summary)
> "플레이어 모르게 등 뒤에서 연극 무대를 조절하는 보이지 않는 연출가." 게임 엔진 내부에서 플레이어의 행동을 실시간 모니터링하여, 이야기가 너무 지루하거나 너무 급박해지지 않도록 이벤트를 배치하고 난이도를 조절하는 지능형 서사 제어 시스템이다.
@@ -14,10 +14,10 @@ last_reinforced: 2026-04-20
## 📖 구조화된 지식 (Synthesized Content)
- **Target**: 플레이어의 '극적 긴장감(Dramatic Tension)'을 유지하는 것.
- **Components**:
- - **Story State Monitor**: 현재 서사의 진행 상황 파악.
+ - **Story [[State]] Monitor**: 현재 서사의 진행 상황 파악.
- **Experience Manager**: 사용자 경험의 질을 실시간으로 점수화(Metric).
- **Narrative Planner**: 목표 서사 구조로 유도하기 위한 최적의 행동(NPC 배치, 아이템 드랍 등) 결정.
-- **Key Technique**: **Search-based Drama Management (SBDM)**. 미래의 여러 시나리오를 시뮬레이션하여 현재 가장 필요한 '자극'을 골라냄.
+- **Key Technique**: **[[Search]]-based Drama Management (SBDM)**. 미래의 여러 시나리오를 시뮬레이션하여 현재 가장 필요한 '자극'을 골라냄.
## ⚠️ 모순 및 업데이트 (RL Update)
- 드라마 매니지먼트가 노골적이면 플레이어는 자신의 '자유의지(Agency)'가 침해받는다고 느껴 몰입이 깨진다(조작받는 느낌). 따라서 최근에는 LLM을 결합하여, 유저의 돌발 행동에도 논리적으로 대응하면서 자연스럽게 메인 플롯으로 복귀시키는 '생성형 드라마 매니지먼트'가 연구되고 있다.
diff --git a/10_Wiki/Topics/AI/Dramaturgy-Theory.md b/10_Wiki/Topics/AI/Dramaturgy-Theory.md
index 5e2a61d6..82c365d1 100644
--- a/10_Wiki/Topics/AI/Dramaturgy-Theory.md
+++ b/10_Wiki/Topics/AI/Dramaturgy-Theory.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-DRTH-001
+id: [[P-Reinforce]]-AUTO-DRTH-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.93
-tags: [auto-reinforced, dramaturgy, erving-goffman, sociology, impression-management, self, interaction]
+tags: [auto-reinforced, dramaturgy, erving-goffman, sociology, impression-[[Management]], self, interaction]
last_reinforced: 2026-04-20
---
@@ -17,9 +17,9 @@ last_reinforced: 2026-04-20
1. **핵심 개념**:
* **Front Stage (전면 무대)**: 관객(타인)에게 보여지는 공간. 역할에 충실한 연기가 일어남.
* **Back Stage (후면 무대)**: 관객의 눈에서 벗어난 공간. 연출을 멈추고 휴식하거나 다음 연기를 준비함.
- * **Impression Management**: 타인에게 바람직한 이미지를 주기 위한 의식적/무의식적 노력. (Social-Psychology와 연결)
+ * **Impression Management**: 타인에게 바람직한 이미지를 주기 위한 의식적/무의식적 노력. (Social-[[Psychology]]와 연결)
2. **왜 중요한가?**:
- * 인간의 자아가 고정된 실체가 아니라, 상황과 관계 속에서 끊임없이 변하고 연출되는 '관계적 산물'임을 통찰하게 하기 때문임. (Structuralism와 연결)
+ * 인간의 자아가 고정된 실체가 아니라, 상황과 관계 속에서 끊임없이 변하고 연출되는 '관계적 산물'임을 통찰하게 하기 때문임. ([[Structuralism]]와 연결)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거에는 오프라인 대면 상호작용 정책에만 집중했으나, 현대 정책은 SNS(인스타그램, 링크드인 등)라는 디지털 무대 정책에서의 극심한 인상 관리 정책과 그로 인한 자아 정체성 정책의 혼란을 분석하는 핵심 틀로 쓰임(RL Update).
diff --git a/10_Wiki/Topics/AI/Dry-Principle.md b/10_Wiki/Topics/AI/Dry-Principle.md
index a2c4572b..08cfeab5 100644
--- a/10_Wiki/Topics/AI/Dry-Principle.md
+++ b/10_Wiki/Topics/AI/Dry-Principle.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AI-DRY
+id: [[P-Reinforce]]-AI-DRY
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.98
-tags: [SoftwareEngineering, Principles, DRY, CleanCode]
+tags: [SoftwareEngineering, [[Principles]], DRY, CleanCode]
last_reinforced: 2026-04-20
---
@@ -12,7 +12,7 @@ last_reinforced: 2026-04-20
> "중복은 모든 악의 근원이다." 시스템 내부의 모든 지식은 단 한 번만, 단 하나의 명확한 형태로 존재해야 한다는 원칙이다.
## 📖 구조화된 지식 (Synthesized Content)
-- **Core Goal**: 유지보수성 향상. 기능을 수정할 때 여러 곳을 고쳐야 한다면 반드시 실수하게 되어 있다.
+- **Core [[goal]]**: 유지보수성 향상. 기능을 수정할 때 여러 곳을 고쳐야 한다면 반드시 실수하게 되어 있다.
- **Beyond Code**: 단순히 '복사-붙여넣기' 코드를 줄이는 것뿐만 아니라, DB 스키마, 테스트 케이스, 문서화 등 프로젝트 전반의 정보 중복을 제거하는 것을 포함한다.
- **Mechanisms**: 함수화, 클래스화, 모듈화, 상수 관리 등을 통해 구현한다.
diff --git a/10_Wiki/Topics/AI/Dynamic Difficulty Adjustment (DDA).md b/10_Wiki/Topics/AI/Dynamic Difficulty Adjustment (DDA).md
index 27d1598a..761c1464 100644
--- a/10_Wiki/Topics/AI/Dynamic Difficulty Adjustment (DDA).md
+++ b/10_Wiki/Topics/AI/Dynamic Difficulty Adjustment (DDA).md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AI-DDA
+id: [[P-Reinforce]]-AI-DDA
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.96
tags: [GameDesign, AI, DDA, Experience]
@@ -18,7 +18,7 @@ last_reinforced: 2026-04-20
- **Techniques**:
- **Rubber Banding**: 레이싱 게임에서 뒤처진 차량의 속도를 미세하게 보정함.
- **The Director (L4D)**: 유저의 긴장도를 측정하여 좀비의 스폰량과 타이밍을 조절함.
-- **Goal**: 유저를 최적의 경험인 '몰입 영역(Flow Zone)'에 가둬두는 것.
+- **[[goal]]**: 유저를 최적의 경험인 '몰입 영역(Flow Zone)'에 가둬두는 것.
## ⚠️ 모순 및 업데이트 (RL Update)
- DDA가 너무 노골적이면 플레이어는 자신의 노력이 무의미하다고 느끼거나(의욕 상실), 일부러 못하는 척하여 시스템을 기만하려 할 수 있다. 따라서 '조작된 난이도'라는 인상을 주지 않도록 정교하고 은밀한 설계가 필수적이다.
diff --git a/10_Wiki/Topics/AI/Dynamic Few-Shot (동적 퓨샷 선택 전략).md b/10_Wiki/Topics/AI/Dynamic Few-Shot (동적 퓨샷 선택 전략).md
index ec905b29..4daf1e8c 100644
--- a/10_Wiki/Topics/AI/Dynamic Few-Shot (동적 퓨샷 선택 전략).md
+++ b/10_Wiki/Topics/AI/Dynamic Few-Shot (동적 퓨샷 선택 전략).md
@@ -2,7 +2,7 @@
id: DFS-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [ai-inference, prompt-engineering, llm, in-context-learning]
+tags: [ai-inference, [[Prompt-Engineering]], llm, [[In-Context-Learning]]]
last_reinforced: 2026-04-26
---
@@ -14,10 +14,10 @@ last_reinforced: 2026-04-26
## 📖 구조화된 지식 (Synthesized Content)
- **추출된 패턴:** 대규모 예제 저장소(Example Pool)에서 현재 질문(Query)과 의미적으로 가장 가까운 N개의 예시를 찾아 프롬프트의 컨텍스트로 제공함으로써 모델의 성능을 최적화하는 패턴.
- **세부 내용:**
- - **Vector Semantic Search:** 사용자 입력을 임베딩하여 벡터 DB에서 가장 유사한 예제들을 검색.
+ - **Vector Semantic [[Search]]:** 사용자 입력을 임베딩하여 벡터 DB에서 가장 유사한 예제들을 검색.
- **Diversity Selection:** 유사도만 따지지 않고, 다양한 각도의 예시를 섞어 모델의 편향을 방지하는 전략.
- - **Token Efficiency:** 전체 예제를 넣는 대신 꼭 필요한 예제만 골라 넣어 토큰 소모량을 절감하고 성능은 유지.
- - **Context Window Management:** 모델의 컨텍스트 제한 내에서 최적의 예제 개수와 순서를 결정.
+ - **Token [[Efficiency]]:** 전체 예제를 넣는 대신 꼭 필요한 예제만 골라 넣어 토큰 소모량을 절감하고 성능은 유지.
+ - **Context Window [[Management]]:** 모델의 컨텍스트 제한 내에서 최적의 예제 개수와 순서를 결정.
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌:** 초기 퓨샷 기법은 하드코딩된 예시를 사용했으나, 입력값의 도메인이 다양해짐에 따라 입력 맞춤형 예제 제공이 필수적이 됨.
diff --git a/10_Wiki/Topics/AI/Dynamic-Capabilities.md b/10_Wiki/Topics/AI/Dynamic-Capabilities.md
index afcb0be2..83719640 100644
--- a/10_Wiki/Topics/AI/Dynamic-Capabilities.md
+++ b/10_Wiki/Topics/AI/Dynamic-Capabilities.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-DYCA-001
+id: [[P-Reinforce]]-AUTO-DYCA-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.95
-tags: [auto-reinforced, dynamic-capabilities, strategic-management, adaptability, innovation, business-theory]
+tags: [auto-reinforced, dynamic-capabilities, strategic-[[Management]], [[Adaptability]], [[Innovation]], [[business]]-theory]
last_reinforced: 2026-04-20
---
@@ -17,13 +17,13 @@ last_reinforced: 2026-04-20
1. **3대 핵심 기능 (The Teece Framework)**:
* **Sensing**: 시장의 위협과 기회를 탐지하고 해석하는 능력.
* **Seizing**: 포착된 기회를 활용하기 위해 신속하게 의사결정하고 투자하는 능력. (Decision-Making와 연결)
- * **Transforming (Reconfiguring)**: 변화된 전략에 맞춰 조직 구조, 기술, 지식을 재배치하고 업그레이드하는 능력. (Systems-Thinking와 연결)
+ * **Transforming (Reconfiguring)**: 변화된 전략에 맞춰 조직 구조, 기술, 지식을 재배치하고 업그레이드하는 능력. ([[Systems-Thinking]]와 연결)
2. **왜 중요한가?**:
* 노키아나 코닥처럼 '성공의 함정'에 빠진 기업들이 왜 망하는지, 그리고 왜 넷플릭스나 아마존 같은 기업이 끊임없이 업종을 넘나들며 성공하는지 설명하는 핵심 틀이기 때문임.
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
-- **과거 데이터와의 충돌**: 과거에는 효율적 관리 정책(Operations)만이 최우선이었으나, 현대 정책은 효율성 정책이 오히려 변화를 방해하는 독이 될 수 있음을 지적하고 '학습 정책'과 '유연성 정책'을 강조함(RL Update).
-- **정책 변화(RL Update)**: 이제는 단순 조직 역량 정책을 넘어, AI 시스템 자체에 '역동적 역량 정책'을 탑재하여 스스로 자신의 로직 정책을 환경에 맞춰 최적화하는 '자율 진화형 기업 시스템'으로의 진화 담론이 시작됨. (Evolutionary-Architecture와 연결)
+- **과거 데이터와의 충돌**: 과거에는 효율적 관리 정책([[Opera]]tions)만이 최우선이었으나, 현대 정책은 효율성 정책이 오히려 변화를 방해하는 독이 될 수 있음을 지적하고 '학습 정책'과 '유연성 정책'을 강조함(RL Update).
+- **정책 변화(RL Update)**: 이제는 단순 조직 역량 정책을 넘어, AI 시스템 자체에 '역동적 역량 정책'을 탑재하여 스스로 자신의 로직 정책을 환경에 맞춰 최적화하는 '자율 진화형 기업 시스템'으로의 진화 담론이 시작됨. (Evolutionary-[[Architecture]]와 연결)
## 🔗 지식 연결 (Graph)
- Decision-Making, [[Systems-Thinking]], Evolutionary-Architecture, [[Strategic-Planning]], [[Innovation]], [[Sustainability]]
diff --git a/10_Wiki/Topics/AI/Dynamic-Creative-Optimization.md b/10_Wiki/Topics/AI/Dynamic-Creative-Optimization.md
index d34a73e4..9313073b 100644
--- a/10_Wiki/Topics/AI/Dynamic-Creative-Optimization.md
+++ b/10_Wiki/Topics/AI/Dynamic-Creative-Optimization.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-DCO-001
+id: [[P-Reinforce]]-AUTO-DCO-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.94
-tags: [auto-reinforced, dco, dynamic-creative, advertising, ad-tech, personalization, optimization]
+tags: [auto-reinforced, dco, dynamic-creative, advertising, ad-tech, personalization, [[Optimization]]]
last_reinforced: 2026-04-20
---
@@ -20,7 +20,7 @@ last_reinforced: 2026-04-20
* **Creative Engine**: 실시간으로 시그널에 맞춰 에셋을 조립하여 완성된 배너나 영상을 생성. (Personalization와 연결)
* **Reinforcement Learning**: 어떤 조합이 가장 많은 클릭을 유도했는지 학습하여 다음 노출에 반영. (Optimization와 연결)
2. **왜 중요한가?**:
- * 광고 피로도(Ad fatigue)를 줄이고 전환율(Conversion)을 극대화하여 마케팅 ROI 정책을 획기적으로 높이기 때문임. (Efficiency와 연결)
+ * 광고 피로도(Ad fatigue)를 줄이고 전환율(Conversion)을 극대화하여 마케팅 ROI 정책을 획기적으로 높이기 때문임. ([[Efficiency]]와 연결)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거에는 수동으로 수백 개의 배너 시안 정책을 만드는 '노가다' 방식이었으나, 현대 정책은 AI 가 수천만 개의 조합 정책을 자동으로 관리하고 성과 정책을 분석함(RL Update).
diff --git a/10_Wiki/Topics/AI/Dynamic-Environment-Handling.md b/10_Wiki/Topics/AI/Dynamic-Environment-Handling.md
index 38e545a6..7fcc50ed 100644
--- a/10_Wiki/Topics/AI/Dynamic-Environment-Handling.md
+++ b/10_Wiki/Topics/AI/Dynamic-Environment-Handling.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AI-DYNAMIC-ENV
+id: [[P-Reinforce]]-AI-DYNAMIC-ENV
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.96
tags: [Dynamic Environment, Autonomous Driving, Adaptation, AI]
diff --git a/10_Wiki/Topics/AI/Dynamic-Programming.md b/10_Wiki/Topics/AI/Dynamic-Programming.md
index 1ebc1027..d1803d1f 100644
--- a/10_Wiki/Topics/AI/Dynamic-Programming.md
+++ b/10_Wiki/Topics/AI/Dynamic-Programming.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-DYPR-001
+id: [[P-Reinforce]]-AUTO-DYPR-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.97
-tags: [auto-reinforced, dynamic-programming, algorithms, optimization, memoization, subproblems]
+tags: [auto-reinforced, dynamic-programming, algorithms, [[Optimization]], memoization, subproblems]
last_reinforced: 2026-04-20
---
@@ -21,7 +21,7 @@ last_reinforced: 2026-04-20
* **Top-Down (Memoization)**: 재귀를 사용하되 계산 결과를 저장.
* **Bottom-Up (Tabulation)**: 작은 문제부터 순서대로 표를 채워나감.
3. **왜 중요한가?**:
- * 지수 함수적으로 늘어나는 시간 복잡도(Brute-force)를 다항 시간 이내로 줄여주어, 현실적으로 풀 수 없는 문제를 해결 가능하게 만듦. (Optimization과 연결)
+ * 지수 함수적으로 늘어나는 시간 복잡도([[Brute-force]])를 다항 시간 이내로 줄여주어, 현실적으로 풀 수 없는 문제를 해결 가능하게 만듦. (Optimization과 연결)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거에는 알고리즘 테스트용 '수학적 기법 정책'으로만 여겨졌으나, 현대 정책은 강화학습의 핵심인 '가치 함수 업데이트 정책(벨만 업데이트)'의 근간 정책으로 재평가됨(RL Update).
@@ -29,5 +29,5 @@ last_reinforced: 2026-04-20
## 🔗 지식 연결 (Graph)
- [[Brute-force]], [[Optimization]], [[Combinatorial-Optimization]], [[Reinforcement Learning (RL)]], [[Search-Optimization]]
-- **Modern Tech/Tools**: Fibonacci, Knapsack problem solvers, Bio-informatics sequence alignment.
+- **Modern Tech/Tools**: Fibonacci, Knapsack problem solvers, Bio-informatics sequence [[Alignment]].
---
diff --git a/10_Wiki/Topics/AI/E-Learning-Gamification.md b/10_Wiki/Topics/AI/E-Learning-Gamification.md
index bcd9be99..f444ae14 100644
--- a/10_Wiki/Topics/AI/E-Learning-Gamification.md
+++ b/10_Wiki/Topics/AI/E-Learning-Gamification.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-ELGM-001
+id: [[P-Reinforce]]-AUTO-ELGM-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.94
-tags: [auto-reinforced, e-learning, gamification, micro-learning, motivation, behavioral-economics, engagement]
+tags: [auto-reinforced, e-learning, gamification, micro-learning, motivation, [[Behavior]]al-economics, engagement]
last_reinforced: 2026-04-20
---
@@ -19,8 +19,8 @@ last_reinforced: 2026-04-20
* **Badges (배지)**: 특정 목표 달성에 대한 시각적 인증과 상징적 보상. (Customer-Experience와 연결)
* **Leaderboards (순위표)**: 커뮤니티 내 선의의 경쟁 유도.
2. **심리학적 기반**:
- * **Flow State (몰입)**: 난이도와 숙련도의 균형을 맞춰 몰입하게 함.
- * **Self-Determination Theory**: 유능성, 자율성, 관계성을 만족시켜 내재적 동기 강화. (Social-Psychology와 연결)
+ * **[[Flow State]] (몰입)**: 난이도와 숙련도의 균형을 맞춰 몰입하게 함.
+ * **Self-Determination Theory**: 유능성, 자율성, 관계성을 만족시켜 내재적 동기 강화. (Social-[[Psychology]]와 연결)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거에는 단순히 '포인트 정책'만 주면 다 좋아할 것이라 착각했으나, 현대 정책은 보상 정책이 사라지면 동기도 사라지는 '과잉 정당화 정책(Overjustification effect)'의 위험을 경고하고 '서사 정책(Storytelling)' 중심의 정교한 설계로 이동함(RL Update).
diff --git a/10_Wiki/Topics/AI/E-commerce-Catalog-Management.md b/10_Wiki/Topics/AI/E-commerce-Catalog-Management.md
index dc3b6944..97cf3184 100644
--- a/10_Wiki/Topics/AI/E-commerce-Catalog-Management.md
+++ b/10_Wiki/Topics/AI/E-commerce-Catalog-Management.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AI-CATALOG-MGMT
+id: [[P-Reinforce]]-AI-CATALOG-MGMT
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.98
-tags: [Ecommerce, DataManagement, Catalog, Taxonomy]
+tags: [Ecommerce, Data[[Management]], Catalog, Taxonomy]
last_reinforced: 2026-04-20
---
@@ -14,7 +14,7 @@ last_reinforced: 2026-04-20
## 📖 구조화된 지식 (Synthesized Content)
- **Taxonomy vs Folksonomy**: 엄격한 계층 구조(전자제품 > 노트북)와 유연한 사용자 태그(가성비, 학업용)의 조화.
- **PIM (Product Information Management)**: 파편화된 상품 정보를 한 곳에서 관리하여 채널별(앱, 웹, 외부 몰)로 일관되게 배포하는 시스템.
-- **Search Optimization**:
+- **[[Search]] [[Optimization]]**:
- **Synonym Mapping**: '폰'과 '핸드폰'을 동일하게 처리.
- **Categorization AI**: 상품 이미지만 보고 자동으로 카테고리를 할당함.
- **Core Challenge**: **Data Quality**. 중복 등록된 상품을 찾아내고(De-duplication) 잘못된 속성값을 바로잡는 과정.
@@ -23,5 +23,5 @@ last_reinforced: 2026-04-20
- 카탈로그가 너무 세분화되면 고객은 '선택의 장애'를 느끼고, 관리자는 데이터 입력 지옥에 빠진다. 최근에는 정해진 카테고리 트리(Tree)를 따르기보다, 벡터 검색과 LLM을 활용해 '의도 기반 카탈로그(Intent-based Catalog)'를 구축하여 훨씬 유연한 상품 노출(Semantic Search)을 구현하는 추세다.
## 🔗 지식 연결 (Graph)
-- Related: Taxonomy-and-Ontology , [[벡터 데이터베이스 (Vector Database)]]
-- Platform: Shopify-Architecture
+- Related: Taxonomy-and-[[Ontology]] , [[벡터 데이터베이스 (Vector Database)]]
+- Platform: Shopify-[[Architecture]]
diff --git a/10_Wiki/Topics/AI/E-commerce-Optimization.md b/10_Wiki/Topics/AI/E-commerce-Optimization.md
index d5a0c119..26f14777 100644
--- a/10_Wiki/Topics/AI/E-commerce-Optimization.md
+++ b/10_Wiki/Topics/AI/E-commerce-Optimization.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AI-EC-OPT
+id: [[P-Reinforce]]-AI-EC-OPT
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.99
-tags: [Ecommerce, Conversion, Optimization, GrowthHacking]
+tags: [Ecommerce, Conversion, [[Optimization]], GrowthHacking]
last_reinforced: 2026-04-20
---
@@ -13,16 +13,16 @@ last_reinforced: 2026-04-20
## 📖 구조화된 지식 (Synthesized Content)
- **Conversion Rate Optimization (CRO)**:
- - **Funnel Analysis**: 유저가 어느 단계(검색 -> 상세 -> 장바구니 -> 결제)에서 이탈하는지 파악.
+ - **Funnel [[Analysis]]**: 유저가 어느 단계(검색 -> 상세 -> 장바구니 -> 결제)에서 이탈하는지 파악.
- **One-click Checkout**: 결제 단계를 비약적으로 단축하여 충동 구매 지원.
- **Personalization**:
- **Recommendation Engine**: "이 상품을 본 고객이 함께 본 상품" (협업 필터링).
- - **Dynamic Pricing**: 수요와 유저 가치에 따라 실시간 가격 변동.
+ - **[[Dynamic Pricing]]**: 수요와 유저 가치에 따라 실시간 가격 변동.
- **Technical SEO**: 상품 상세 페이지의 로딩 속도 최적화(LCP) 및 구조화된 데이터(JSON-LD) 적용.
## ⚠️ 모순 및 업데이트 (RL Update)
- 단기적인 매출 최적화(다크 패턴, 가짜 할인 등)는 고객의 '심리적 장부'에 마이너스를 기록하여 장기적인 브랜드 가치를 훼손한다. 현대의 최적화는 단순히 '오늘 한 개 더 파는 것'이 아니라, 리텐션(Retention) 중심의 지표 설계를 통해 지속 가능한 성장을 추구해야 한다.
## 🔗 지식 연결 (Graph)
-- Related: [[Core-Web-Vitals]] , [[A_B-Testing-Platforms]]
+- Related: [[Core-Web-Vitals]] , [[A_B-[[Testing]]-Platforms]]
- Metric: Lifetime-Value (LTV)
diff --git a/10_Wiki/Topics/AI/ESLint-Plugin-Development.md b/10_Wiki/Topics/AI/ESLint-Plugin-Development.md
index 5895ccc8..3bbe64b5 100644
--- a/10_Wiki/Topics/AI/ESLint-Plugin-Development.md
+++ b/10_Wiki/Topics/AI/ESLint-Plugin-Development.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-ESPL-001
+id: [[P-Reinforce]]-AUTO-ESPL-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.96
-tags: [auto-reinforced, eslint, plugin-development, static-analysis, ast, javascript, dev-tooling, automation]
+tags: [auto-reinforced, [[ESLint]], plugin-development, static-[[Analysis]], ast, [[JavaScript]], dev-tooling, automation]
last_reinforced: 2026-04-20
---
@@ -15,17 +15,17 @@ last_reinforced: 2026-04-20
ESLint 플러그인 개발(ESLint-Plugin-Development)은 여러 ESLint 규칙(Rules)과 설정(Configs)을 하나의 모듈로 묶어 다른 프로젝트에서 재사용할 수 있게 만드는 과정입니다.
1. **구조 요소**:
- * **Rules**: 실제 코드를 검사하는 로직 (AST 방문 주체). (Custom-ESLint-Rules와 연결)
+ * **Rules**: 실제 코드를 검사하는 로직 (AST 방문 주체). ([[Custom-ESLint-Rules]]와 연결)
* **Configs**: 권장되는 규칙 설정 세트 (예: `plugin:my-plugin/recommended`).
* **Processors**: `.md`나 `.vue` 같은 비 JS 파일에서 JS 코드를 추출하는 전처리기.
2. **왜 중요한가?**:
- * 대규모 조직에서 매번 각 프로젝트의 린트 설정을 복사-붙여넣기 할 필요 없이, 중앙 관리형 플러그인 정책을 통해 코드 표준 정책을 일회성으로 전파할 수 있기 때문임. (Efficiency와 연결)
+ * 대규모 조직에서 매번 각 프로젝트의 린트 설정을 복사-붙여넣기 할 필요 없이, 중앙 관리형 플러그인 정책을 통해 코드 표준 정책을 일회성으로 전파할 수 있기 때문임. ([[Efficiency]]와 연결)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거에는 단순한 정규표현식 정책 검사에 가까웠으나, 현대 정책은 강력한 '타입 정보 정책(Type-aware linting)'을 활용하여 타입스크립트의 타입 관계 정책까지 검증하는 고수준 플러그인 정책으로 발전함(RL Update).
-- **정책 변화(RL Update)**: 이제는 단순 에러 감지 정책을 넘어, 복잡한 리팩토링 정책을 코드가 써진 순간 자동으로 수행(Fixer)해 주는 보좌진 역할을 수행함. (Quality-Control와 연결)
+- **정책 변화(RL Update)**: 이제는 단순 에러 감지 정책을 넘어, 복잡한 리팩토링 정책을 코드가 써진 순간 자동으로 수행(Fixer)해 주는 보좌진 역할을 수행함. ([[Quality-Control]]와 연결)
## 🔗 지식 연결 (Graph)
-- [[Custom-ESLint-Rules]], [[Efficiency]], [[Quality-Control]], [[Technical-Architecture]], [[Standard-Operating-Procedure]], Automation
+- [[Custom-ESLint-Rules]], [[Efficiency]], [[Quality-Control]], [[Technical-Architecture]], [[Standard-[[Opera]]ting-Procedure]], Automation
- **Key Tools**: Yeoman generator-eslint, AST Explorer.
---
diff --git a/10_Wiki/Topics/AI/ESLint-Static-Analysis.md b/10_Wiki/Topics/AI/ESLint-Static-Analysis.md
index f4affd98..155da09f 100644
--- a/10_Wiki/Topics/AI/ESLint-Static-Analysis.md
+++ b/10_Wiki/Topics/AI/ESLint-Static-Analysis.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AI-ESLINT-STATIC
+id: [[P-Reinforce]]-AI-[[ESLint]]-STATIC
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.00
-tags: [SoftwareEngineering, StaticAnalysis, ESLint, CodingStandard]
+tags: [SoftwareEngineering, Static[[Analysis]], ESLint, CodingStandard]
last_reinforced: 2026-04-20
---
@@ -15,12 +15,12 @@ last_reinforced: 2026-04-20
- **AST (Abstract Syntax Tree)**: 코드를 나무 구조로 분석하여 특정 패턴(예: `eval()` 사용)이 나타나는지 물리적으로 감지함.
- **Rules & Plugins**:
- **Recommended Rules**: 보편적으로 권장되는 안전한 코딩 수칙.
- - **Prettier Integration**: 코드의 '의미'는 ESLint가, '모양(Formatting)'은 Prettier가 담당하도록 협업.
-- **Automation**: Git Commit 시점에 검사하거나(Husky), IDE에서 실시간으로 밑줄을 그어 교정을 강제함.
+ - **[[Prettier]] Integration**: 코드의 '의미'는 ESLint가, '모양([[Formatting]])'은 Prettier가 담당하도록 협업.
+- **Automation**: Git Commit 시점에 검사하거나([[Husky]]), IDE에서 실시간으로 밑줄을 그어 교정을 강제함.
## ⚠️ 모순 및 업데이트 (RL Update)
- 설정이 너무 까다로우면(Strict) 개발자의 창의성과 생산성을 저해하여 "eslint-disable" 주석이 남용되는 역효과(Security Theater)를 낳는다. 팀의 수준과 프로젝트의 성격에 맞는 '품질의 적정선'을 설정하는 거버넌스가 중요하다. 최근에는 AI가 복잡한 린트 에러를 자동으로 고쳐주는 기능이 도입되고 있다.
## 🔗 지식 연결 (Graph)
-- Related: [[SAST (Static Application Security Testing)]] , [[Dry-Principle]]
+- Related: [[SAST (Static Application Security [[Testing]])]] , [[Dry-Principle]]
- Tools: [[Prettier]] , Husky-Git-Hooks
diff --git a/10_Wiki/Topics/AI/EU-Web-Accessibility-Directive.md b/10_Wiki/Topics/AI/EU-Web-Accessibility-Directive.md
index 1c21279a..4086d6fc 100644
--- a/10_Wiki/Topics/AI/EU-Web-Accessibility-Directive.md
+++ b/10_Wiki/Topics/AI/EU-Web-Accessibility-Directive.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AI-ACCESSIBILITY-DIR
+id: [[P-Reinforce]]-AI-[[Accessibility]]-DIR
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.98
tags: [Accessibility, Policy, EU, Compliance, WebStandard]
@@ -13,9 +13,9 @@ last_reinforced: 2026-04-20
## 📖 구조화된 지식 (Synthesized Content)
- **Standard**: **EN 301 549** 가 핵심이며, 이는 세계 표준인 **WCAG 2.1 Level AA**를 기반으로 함.
-- **Key Requirements**:
+- **Key [[Requirements]]**:
- **Perceivable**: 텍스트 아닌 콘텐츠는 대체 텍스트 제공.
- - **Operable**: 키보드만으로 모든 기능 조작 가능.
+ - **[[Opera]]ble**: 키보드만으로 모든 기능 조작 가능.
- **Understandable**: 콘텐츠와 운영 방식은 명확해야 함.
- **Robust**: 보조 기술(스크린 리더 등)과 완벽하게 호환되어야 함.
- **Enforcement**: 정기적인 접근성 선언문 게시 의무와 위반 시 과태료 처분.
@@ -24,5 +24,5 @@ last_reinforced: 2026-04-20
- 접근성 준수는 '추가 비용'으로 여겨지기 쉽지만, 검색 엔진(SEO) 최적화와 노년층 시장 확대라는 측면에서 강력한 비즈니스 기회가 된다. 2025년부터 시행될 **European Accessibility Act (EAA)**는 공공기관뿐만 아니라 민간 기업(은행, 전자상거래 등)까지 범위를 대폭 확대하므로, 글로벌 서비스를 준비한다면 필수적으로 대응해야 한다.
## 🔗 지식 연결 (Graph)
-- Related: Web-Content-Accessibility-Guidelines-WCAG , Universal-Design-Principles
-- Tooling: Axe-Core-Accessibility-Testing
+- Related: Web-Content-Accessibility-Guidelines-WCAG , Universal-Design-[[Principles]]
+- Tooling: Axe-Core-Accessibility-[[Testing]]
diff --git a/10_Wiki/Topics/AI/Ecology and Ecosystem Modeling.md b/10_Wiki/Topics/AI/Ecology and Ecosystem Modeling.md
index c4435975..41d4c799 100644
--- a/10_Wiki/Topics/AI/Ecology and Ecosystem Modeling.md
+++ b/10_Wiki/Topics/AI/Ecology and Ecosystem Modeling.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AI-ECOLOGY
+id: [[P-Reinforce]]-AI-ECOLOGY
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.95
-tags: [Science, Systems, Ecology, Modeling]
+tags: [Science,[[ system]]s, Ecology, Modeling]
last_reinforced: 2026-04-20
---
@@ -16,7 +16,7 @@ last_reinforced: 2026-04-20
- **Trophic Levels**: 생산자, 소비자, 분해자 사이의 에너지 전달 효율 분석.
- **Model Types**:
- **Agent-based Models (ABM)**: 개별 유닛의 규칙을 바탕으로 전체 군집의 창발적 행동 관찰.
- - **Compartmental Models**: 에너지나 영양소가 각 구획(질소, 탄소 등)을 흐르는 양을 계산.
+ - **Compart[[Mental Models]]**: 에너지나 영양소가 각 구획(질소, 탄소 등)을 흐르는 양을 계산.
- **Utility**: 기후 변화에 따른 멸종 확률 예측, 전염병 확산 경로 파악, 지속 가능한 농업 설계.
## ⚠️ 모순 및 업데이트 (RL Update)
diff --git a/10_Wiki/Topics/AI/Economic-Analysis.md b/10_Wiki/Topics/AI/Economic-Analysis.md
index 95f40752..e59f62c3 100644
--- a/10_Wiki/Topics/AI/Economic-Analysis.md
+++ b/10_Wiki/Topics/AI/Economic-Analysis.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-ECAN-001
+id: [[P-Reinforce]]-AUTO-ECAN-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.89
-tags: [auto-reinforced, economic-analysis, strategy, markets, opportunity-cost, incentives]
+tags: [auto-reinforced, economic-[[Analysis]], [[Strategy]], markets, [[Opport[[Unity]]-Cost]], incentives]
last_reinforced: 2026-04-20
---
@@ -16,13 +16,13 @@ last_reinforced: 2026-04-20
1. **핵심 원칙**:
* **Incentives**: 보상이 행동을 결정한다. (RL의 Reward와 연결)
- * **Opportunity Cost**: 하나를 선택함으로써 포기하는 가치. (Optimization의 필수 고려 사항)
+ * **Opportunity Cost**: 하나를 선택함으로써 포기하는 가치. ([[Optimization]]의 필수 고려 사항)
* **Marginal Analysis**: '하나 더' 할 때의 이익과 비용을 비교하여 멈출 시점 결정.
2. **왜 중요한가?**:
- * 단순한 돈의 흐름을 넘어, 시스템 설계 시 사용자가 왜 그렇게 행동하는지(Game-Theory)를 예측하고 최적의 거버넌스를 구축하게 함.
+ * 단순한 돈의 흐름을 넘어, 시스템 설계 시 사용자가 왜 그렇게 행동하는지([[Game-Theory]])를 예측하고 최적의 거버넌스를 구축하게 함.
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
-- **과거 데이터와의 충돌**: 과거에는 인간을 '합리적 경제인(Homo Economicus) 정책'으로 보았으나, 현대 정책은 심리학이 결합된 '행동 경제학 정책'을 통해 비합리적 편향까지 분석 모델에 포함함(RL Update). (Cognitive Biases와 연결)
+- **과거 데이터와의 충돌**: 과거에는 인간을 '합리적 경제인(Homo Economicus) 정책'으로 보았으나, 현대 정책은 심리학이 결합된 '행동 경제학 정책'을 통해 비합리적 편향까지 분석 모델에 포함함(RL Update). ([[Cognitive Biases]]와 연결)
- **정책 변화(RL Update)**: AI 경제 정책에서, 데이터와 연산 자원이 새로운 '생산 요소'로 부상함에 따라 데이터 주권 정책과 AI 자동화로 인한 노동 가치 재정의 정책이 국법적 차원의 핵심 분석 주제가 됨.
## 🔗 지식 연결 (Graph)
diff --git a/10_Wiki/Topics/AI/Economic-Complexity-Index.md b/10_Wiki/Topics/AI/Economic-Complexity-Index.md
index cc8de317..9b4929f1 100644
--- a/10_Wiki/Topics/AI/Economic-Complexity-Index.md
+++ b/10_Wiki/Topics/AI/Economic-Complexity-Index.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AUTO-ECIN-001
+id: [[P-Reinforce]]-AUTO-ECIN-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.93
tags: [auto-reinforced, eci, economic-complexity, global-trade, knowledge-economy, industrial-growth, analytics]
@@ -18,11 +18,11 @@ last_reinforced: 2026-04-20
* **Diversity (다양성)**: 한 국가가 얼마나 많은 종류의 제품을 수출하는가?
* **Ubiquity (편재성)**: 그 제품을 수출하는 다른 국가가 얼마나 적은가? (희소성)
2. **왜 중요한가?**:
- * 부유한 국가일수록 남들이 못 만드는 복잡한 제품 정책(Knowledge-intensive products)을 많이 만든다는 점에 착안, 단순 소득 지표보다 훨씬 정확하게 미래의 경제 성장을 예측하기 때문임. (Strategic-Planning와 연결)
+ * 부유한 국가일수록 남들이 못 만드는 복잡한 제품 정책(Knowledge-intensive products)을 많이 만든다는 점에 착안, 단순 소득 지표보다 훨씬 정확하게 미래의 경제 성장을 예측하기 때문임. ([[Strategic-Planning]]와 연결)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거에는 자원 정책(석유, 광물 등)이나 노동력 정책만으로 부국 정책을 설명했으나, ECI 정책은 '지식 통합 능력 정책(Knowledge integration)'이 국가 부의 진짜 원천 정책임을 입증함(RL Update).
-- **정책 변화(RL Update)**: 최근에는 물리적 제품 수출 정책뿐만 아니라, 소프트웨어 정책, 특허 정책, 문화 콘텐츠 정책 등 '무형 자산의 복잡성 정책'을 어떻게 ECI 정책 모델에 포함할 것인가에 대한 논의가 활발함. (Network-Analysis (NA)와 연결)
+- **정책 변화(RL Update)**: 최근에는 물리적 제품 수출 정책뿐만 아니라, 소프트웨어 정책, 특허 정책, 문화 콘텐츠 정책 등 '무형 자산의 복잡성 정책'을 어떻게 ECI 정책 모델에 포함할 것인가에 대한 논의가 활발함. (Network-[[Analysis]] (NA)와 연결)
## 🔗 지식 연결 (Graph)
- [[Strategic-Planning]], Network-Analysis (NA), [[Economics-of-Information]], [[Sustainability]], Complexity-Science, [[Innovation]]
diff --git a/10_Wiki/Topics/AI/Economic-Mobility.md b/10_Wiki/Topics/AI/Economic-Mobility.md
index b9f728e6..9a655b7b 100644
--- a/10_Wiki/Topics/AI/Economic-Mobility.md
+++ b/10_Wiki/Topics/AI/Economic-Mobility.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-ECMO-001
+id: [[P-Reinforce]]-AUTO-ECMO-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.92
-tags: [auto-reinforced, economic-mobility, social-class, inequality, opportunity, economics, sociology]
+tags: [auto-reinforced, economic-mobility, social-class, in[[Equality]], opport[[Unity]], economics, sociology]
last_reinforced: 2026-04-20
---
@@ -18,9 +18,9 @@ last_reinforced: 2026-04-20
* **Intergenerational Mobility (세대 간 유동성)**: 자녀가 부모보다 더 나은 처지에 있게 되는 것.
* **Intragenerational Mobility (세대 내 유동성)**: 개인이 생애 주기 동안 소득 수준을 높이는 것.
* **Absolute Mobility**: 절대적인 소득 수치 증가.
- * **Relative Mobility**: 전체 소득 순위에서의 위치 변동. (Social-Psychology와 연결)
+ * **Relative Mobility**: 전체 소득 순위에서의 위치 변동. (Social-[[Psychology]]와 연결)
2. **영향 요인**:
- * **Education**: 가장 강력한 사다리. (E-Learning-Gamification와 연결)
+ * **Education**: 가장 강력한 사다리. ([[E-Learning-Gamification]]와 연결)
* **Social Capital**: 인적 네트워크와 정보 접근성.
* **Policy**: 세제 혜택, 복지 정책 등 시스템적 지원.
diff --git a/10_Wiki/Topics/AI/Economics-of-Information.md b/10_Wiki/Topics/AI/Economics-of-Information.md
index 46105810..eafcf9d7 100644
--- a/10_Wiki/Topics/AI/Economics-of-Information.md
+++ b/10_Wiki/Topics/AI/Economics-of-Information.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-ECIN-001
+id: [[P-Reinforce]]-AUTO-ECIN-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.95
-tags: [auto-reinforced, information-economics, asymetric-information, signaling, screening, market-failure, game-theory]
+tags: [auto-reinforced, information-economics, asymetric-information, signaling, screening, market-failure, [[Game-Theory]]]
last_reinforced: 2026-04-20
---
@@ -17,8 +17,8 @@ last_reinforced: 2026-04-20
1. **핵심 개념**:
* **Asymmetric Information (정보 비대칭성)**: 거래 당사자 중 한쪽만 중요한 정보를 알고 있는 상태.
* **Adverse Selection (역선택)**: 정보 부족으로 인해 저질의 상품이나 위험한 상대와 거래하게 되는 현상 (예: 중고차 레몬 시장).
- * **Moral Hazard (도덕적 해이)**: 감시가 어려운 틈을 타 계약 이후에 무책임하게 행동하는 현상. (Risk-Management와 연결)
- * **Signaling**: 고학력, 자격증 등을 통해 자신의 능력을 외부에 증명 (배우의 연기와 맥락이 닿음 - Dramaturgy-Theory).
+ * **Moral Hazard (도덕적 해이)**: 감시가 어려운 틈을 타 계약 이후에 무책임하게 행동하는 현상. (Risk-[[Management]]와 연결)
+ * **Signaling**: 고학력, 자격증 등을 통해 자신의 능력을 외부에 증명 (배우의 연기와 맥락이 닿음 - [[Dramaturgy-Theory]]).
2. **왜 중요한가?**:
* 디지털 플랫폼 시대에 '신뢰 데이터'를 어떻게 시스템화할 것인지 디자인하는 이론적 토대이기 때문임. (Economics와 연결)
diff --git a/10_Wiki/Topics/AI/Edge-AI-and-Computing.md b/10_Wiki/Topics/AI/Edge-AI-and-Computing.md
index 641419b0..8c59cf93 100644
--- a/10_Wiki/Topics/AI/Edge-AI-and-Computing.md
+++ b/10_Wiki/Topics/AI/Edge-AI-and-Computing.md
@@ -2,7 +2,7 @@
id: EDGE-AI-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [ai, infrastructure, edge-computing, on-device-ai, latency-optimization]
+tags: [ai, infrastructure, [[Edge-Computing]], on-device-ai, latency-[[Optimization]]]
last_reinforced: 2026-04-26
---
@@ -14,8 +14,8 @@ last_reinforced: 2026-04-26
## 📖 구조화된 지식 (Synthesized Content)
- **추출된 패턴:** 대역폭(Bandwidth) 한계와 보안 리스크를 극복하기 위해, 중앙 집중식 연산을 분산된 단말기로 전이시키고 필요한 정보만 요약하여 전송하는 분산 지능 패턴.
- **핵심 기술:**
- - **Model Compression:** 양자화(Quantization), 프루닝(Pruning), 지식 증류(Distillation) 등을 통해 모델 크기 축소.
- - **NPU (Neural Processing Unit):** 모바일 기기에 최적화된 AI 전용 하드웨어 가속기.
+ - **Model Compression:** 양자화([[Quantization]]), 프루닝(Pruning), 지식 증류([[Distillation]]) 등을 통해 모델 크기 축소.
+ - **NPU (Neural [[Processing]] Unit):** 모바일 기기에 최적화된 AI 전용 하드웨어 가속기.
- **On-device Learning:** 서버 연결 없이 기기 내부 데이터로 모델을 미세 조정.
- **장점:** 초저지연 응답(자율주행, 게임 등), 오프라인 작동 가능, 데이터 유출 방지, 서버 비용 절감.
@@ -24,5 +24,5 @@ last_reinforced: 2026-04-26
- **정책 변화:** ConnectAI 프로젝트는 로컬 LLM 엔드포인트를 활용한 '로컬 브레인' 전략을 통해, 사용자의 코드가 외부로 유출되지 않는 Edge AI 지향적 아키텍처를 추구함.
## 🔗 지식 연결 (Graph)
-- System-Design-for-AI-Scale, Data-Ethics-and-Privacy, [[Federated-Learning]], [[Distributed-Computing]]
+-[[ system]]-Design-for-AI-Scale, Data-Ethics-and-Privacy, [[Federated-Learning]], [[Distributed-Computing]]
- **Raw Source:** 10_Wiki/Topics/AI/Edge-AI-and-Computing.md
diff --git a/10_Wiki/Topics/AI/Edge-Artificial-Intelligence.md b/10_Wiki/Topics/AI/Edge-Artificial-Intelligence.md
index 29119510..2ffde1ad 100644
--- a/10_Wiki/Topics/AI/Edge-Artificial-Intelligence.md
+++ b/10_Wiki/Topics/AI/Edge-Artificial-Intelligence.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-EDAI-001
+id: [[P-Reinforce]]-AUTO-EDAI-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.96
-tags: [auto-reinforced, edge-ai, on-device-ai, privacy, low-latency, bandwidth, distributed-computing, hardware-acceleration]
+tags: [auto-reinforced, edge-ai, on-device-ai, privacy, low-latency, bandwidth, [[Distributed-Computing]], [[Hardware]]-acceleration]
last_reinforced: 2026-04-20
---
@@ -12,20 +12,20 @@ last_reinforced: 2026-04-20
> "네트워크 없이 숨 쉬는 지능: 거대 클라우드 서버에 물어보지 않고, 스마트폰, CCTV, 드론, 심지어 커피 머신 속의 작은 칩에서 AI가 실시간으로 판단하고 학습하게 함으로써 속도는 높이고 사생활 침해는 막는 분산형 지능 구조."
## 📖 구조화된 지식 (Synthesized Content)
-엣지 AI(Edge-Artificial-Intelligence)는 데이터가 생성되는 현장(Edge) 기기에서 실시간으로 AI 알고리즘을 처리하는 기술입니다.
+엣지 AI(Edge-[[Artificial-Intelligence]])는 데이터가 생성되는 현장(Edge) 기기에서 실시간으로 AI 알고리즘을 처리하는 기술입니다.
1. **4대 장점**:
* **Low Latency**: 서버 통신이 필요 없어 즉각적인 반응 가능 (자율주행, 산업용 로봇).
* **Privacy**: 민감한 데이터를 외부로 보내지 않고 기기 안에서 처리. (Security와 연결)
- * **Bandwidth Efficiency**: 원본 데이터를 모두 전송할 필요 없이 핵심 결과만 전송하여 네트워크 부하 감소.
- * **Reliability**: 오프라인 상태에서도 작동 보장.
+ * **Bandwidth [[Efficiency]]**: 원본 데이터를 모두 전송할 필요 없이 핵심 결과만 전송하여 네트워크 부하 감소.
+ * **[[Reliability]]**: 오프라인 상태에서도 작동 보장.
2. **핵심 기술**:
- * **Model Compression**: 가중치 가지치기(Pruning), 양자화(Quantization). (Optimization와 연결)
- * **NPU (Neural Processing Unit)**: AI 연산에 특화된 저전력 전용 칩셋.
+ * **Model Compression**: 가중치 가지치기(Pruning), 양자화([[Quantization]]). ([[Optimization]]와 연결)
+ * **NPU (Neural [[Processing]] Unit)**: AI 연산에 특화된 저전력 전용 칩셋.
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거에는 "성능 좋은 AI는 무조건 커야 한다"는 대규모 정책(Big models)만 고집했으나, 현대 정책은 엣지에서 돌아가는 작지만 강력한 최적화 정책(SLM, TinyML)이 실제 서비스의 도달 범위 정책을 결정함을 인정함(RL Update).
-- **정책 변화(RL Update)**: 이제는 단순 추론 정책(Inference)을 넘어, 각 기기에서 수집한 데이터로 현지화 학습 정책을 수행하고 그 결과만 공유하는 '연합 학습 정책(Federated Learning)'으로 진화 중임. (Reinforcement Learning (RL)와 연결)
+- **정책 변화(RL Update)**: 이제는 단순 추론 정책(Inference)을 넘어, 각 기기에서 수집한 데이터로 현지화 학습 정책을 수행하고 그 결과만 공유하는 '연합 학습 정책(Federated Learning)'으로 진화 중임. ([[Reinforcement Learning (RL)]]와 연결)
## 🔗 지식 연결 (Graph)
- Security, [[Optimization]], [[Reinforcement Learning (RL)]], [[Efficiency]], [[Architecture]], Automation
diff --git a/10_Wiki/Topics/AI/Edge-Computing.md b/10_Wiki/Topics/AI/Edge-Computing.md
index aed9fa9e..7a6d5903 100644
--- a/10_Wiki/Topics/AI/Edge-Computing.md
+++ b/10_Wiki/Topics/AI/Edge-Computing.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-EDCO-001
+id: [[P-Reinforce]]-AUTO-EDCO-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.96
-tags: [auto-reinforced, edge-computing, iot, latency, distributed-computing, real-time]
+tags: [auto-reinforced, edge-computing, iot, latency, [[Distributed-Computing]], real-time]
last_reinforced: 2026-04-20
---
@@ -16,10 +16,10 @@ last_reinforced: 2026-04-20
1. **주요 장점**:
* **Latency**: 통신 시간이 거의 제로에 가까워 즉각적 반응이 필요한 자율주행, 원격 수술에 필수.
- * **Bandwidth**: 불필요한 데이터를 클라우드로 전송하지 않아 네트워크 부하 감소. (Efficiency와 연결)
+ * **Bandwidth**: 불필요한 데이터를 클라우드로 전송하지 않아 네트워크 부하 감소. ([[Efficiency]]와 연결)
* **Security**: 민감한 데이터가 기기 밖으로 나가지 않아 프라이버시 보호에 유리.
2. **왜 중요한가?**:
- * 수십억 개의 장치가 연결되는 IoT 시대에 거대 클라우드 중심의 병목 현상(Bottlenecks)을 해결할 유일한 대안임. (Distributed-Systems와 연결)
+ * 수십억 개의 장치가 연결되는 IoT 시대에 거대 클라우드 중심의 병목 현상([[Bottlenecks]])을 해결할 유일한 대안임. ([[Distributed-Systems]]와 연결)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거에는 연산력이 부족해 무조건 '클라우드 전송 정책' 위주였으나, 현대 정책은 전용 AI 칩(NPU)의 발전으로 기기 내부에서 직접 추론하는 'On-device AI 정책'이 주류가 됨(RL Update).
diff --git a/10_Wiki/Topics/AI/Edtech-Industry-Trends.md b/10_Wiki/Topics/AI/Edtech-Industry-Trends.md
index 381c6a41..63ab958c 100644
--- a/10_Wiki/Topics/AI/Edtech-Industry-Trends.md
+++ b/10_Wiki/Topics/AI/Edtech-Industry-Trends.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AUTO-EDTR-001
+id: [[P-Reinforce]]-AUTO-EDTR-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.94
tags: [auto-reinforced, edtech, education-technology, personalized-learning, adaptive-learning, lms, digital-transformation]
@@ -17,13 +17,13 @@ last_reinforced: 2026-04-20
1. **3대 핵심 트렌드**:
* **AI-Powered Personalized Learning**: 챗봇 선생님과 개인별 난이도 조절 알고리즘. (Personalization와 연결)
* **Immersive Learning**: VR/AR을 활용한 가상 실험 및 역사 체험. (UX-Design-and-Engagement와 연결)
- * **Micro-learning & Gamification**: 짧은 영상과 보상 시스템을 통한 몰입도 향상. (E-Learning-Gamification와 연결)
+ * **Micro-learning & Gamification**: 짧은 영상과 보상 시스템을 통한 몰입도 향상. ([[E-Learning-Gamification]]와 연결)
2. **왜 중요한가?**:
* 일대다(1:N) 방식의 공장형 교육에서 일대일(1:1) 맞춤형 인재 양성 체계로 전환하는 핵심 인프라이기 때문임.
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거에는 오프라인 교육 정책의 '보조 도구'로만 여겼으나, 현대 정책은 하이브리드 학습(Blended Learning)을 넘어 테크 중심의 '디지털 네이티브 교육 정책'이 주류로 부상함(RL Update).
-- **정책 변화(RL Update)**: 이제는 단순 지식 전달 정책을 넘어, 학생의 감정 정책이나 집중도 정책을 AI 가 분석하여 정서적 케어까지 병행하는 '인간 중심 에듀테크'로 진화 중임. (Social-Psychology와 연결)
+- **정책 변화(RL Update)**: 이제는 단순 지식 전달 정책을 넘어, 학생의 감정 정책이나 집중도 정책을 AI 가 분석하여 정서적 케어까지 병행하는 '인간 중심 에듀테크'로 진화 중임. (Social-[[Psychology]]와 연결)
## 🔗 지식 연결 (Graph)
- Personalization, UX-Design-and-Engagement, [[E-Learning-Gamification]], Social-Psychology, [[Corporate-LMS-Training]], [[Innovation]]
diff --git a/10_Wiki/Topics/AI/Effective-Altruism-in-AI.md b/10_Wiki/Topics/AI/Effective-Altruism-in-AI.md
index fb94060c..f5f9a8e2 100644
--- a/10_Wiki/Topics/AI/Effective-Altruism-in-AI.md
+++ b/10_Wiki/Topics/AI/Effective-Altruism-in-AI.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-EAAI-001
+id: [[P-Reinforce]]-AUTO-EAAI-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.93
-tags: [auto-reinforced, effective-altruism, ea, ai-safety, ai-alignment, existential-risk, long-termism]
+tags: [auto-reinforced, effective-[[Altruism]], ea, ai-safety, [[AI-Alignment]], existential-risk, long-termism]
last_reinforced: 2026-04-20
---
@@ -15,9 +15,9 @@ last_reinforced: 2026-04-20
효과적 이타주의(Effective-Altruism)와 AI는 과학적 근거와 이성을 사용하여 타인에게 최대의 선을 제공하려는 사회 운동이 AI 안전 지배구조와 결합된 형태입니다.
1. **AI 분야의 핵심 논점**:
- * **Existential Risk (인류 실존적 위협)**: 초지능이 인류의 목표와 어긋났을 때 발생할 파멸 방지. (Risk-Management와 연결)
- * **AI Alignment**: AI의 행동 정책을 인류의 가치 정책과 수학적으로 일치시키는 기술 연구.
- * **Long-termism**: 현재의 문제(편향 등)도 중요하지만, 미래 수만 년의 잠재적 가치를 지키는 것이 압도적으로 중요하다는 관점. (Sustainability와 연결)
+ * **Existential Risk (인류 실존적 위협)**: 초지능이 인류의 목표와 어긋났을 때 발생할 파멸 방지. (Risk-[[Management]]와 연결)
+ * **AI [[Alignment]]**: AI의 행동 정책을 인류의 가치 정책과 수학적으로 일치시키는 기술 연구.
+ * **Long-termism**: 현재의 문제(편향 등)도 중요하지만, 미래 수만 년의 잠재적 가치를 지키는 것이 압도적으로 중요하다는 관점. ([[Sustainability]]와 연결)
2. **왜 중요한가?**:
* AI 개발 경쟁 속에서 '속도'보다 '안전'이라는 제동 장치 정책을 강력하게 요구하는 싱크탱크 역할을 하기 때문임.
diff --git a/10_Wiki/Topics/AI/Efficiency.md b/10_Wiki/Topics/AI/Efficiency.md
index 69fdbc77..942bc69e 100644
--- a/10_Wiki/Topics/AI/Efficiency.md
+++ b/10_Wiki/Topics/AI/Efficiency.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-EFFI-001
+id: [[P-Reinforce]]-AUTO-EFFI-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.95
-tags: [auto-reinforced, efficiency, optimization, resource-management, productivity, frugality]
+tags: [auto-reinforced, efficiency, [[Optimization]], resource-[[Management]], productivity, frugality]
last_reinforced: 2026-04-20
---
@@ -15,14 +15,14 @@ last_reinforced: 2026-04-20
효율성(Efficiency)은 투입된 자원 대비 기대하는 성과를 얼마나 잘 달성하는지를 나타내는 지표입니다.
1. **주요 관점**:
- * **Algorithm Efficiency**: 같은 결과를 내기 위해 연산 횟수를 줄이는 것. (Dynamic-Programming과 연결)
- * **Operational Efficiency**: 배포 전략이나 자동화를 통해 사람의 수고를 줄이는 것. (Deployment-Strategy와 연결)
- * **Energy Efficiency**: 탄소 배출을 줄이고 지속 가능성을 확보하는 녹색 컴퓨팅. (Circular-Economy와 연결)
+ * **Algorithm Efficiency**: 같은 결과를 내기 위해 연산 횟수를 줄이는 것. ([[Dynamic-Programming]]과 연결)
+ * **[[Opera]]tional Efficiency**: 배포 전략이나 자동화를 통해 사람의 수고를 줄이는 것. ([[Deployment-Strategy]]와 연결)
+ * **Energy Efficiency**: 탄소 배출을 줄이고 지속 가능성을 확보하는 녹색 컴퓨팅. ([[Circular-Economy]]와 연결)
2. **왜 중요한가?**:
* 효율성은 단순히 비용 절감을 넘어, 불가능했던 프로젝트를 '수지 타선이 맞는' 영역으로 끌어들여 상용화 가능하게 만드는 결정적 열쇠임.
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
-- **과거 데이터와의 충돌**: 과거에는 성능(Accuracy)을 위해 효율성(Speed/Cost)을 희생하는 정책이 흔했으나, 현대 정책은 에지(Edge) 기기에서도 고성능을 내야 하는 제약 때문에 '효율성 기반의 고성능 정책(Distillation, Quantization)'이 기본임(RL Update).
+- **과거 데이터와의 충돌**: 과거에는 성능(Accuracy)을 위해 효율성(Speed/Cost)을 희생하는 정책이 흔했으나, 현대 정책은 에지(Edge) 기기에서도 고성능을 내야 하는 제약 때문에 '효율성 기반의 고성능 정책([[Distillation]], [[Quantization]])'이 기본임(RL Update).
- **정책 변화(RL Update)**: AI 학습 시 연산 효율 정책을 최우선으로 하여, 무작정 모델을 키우는 대신 정제된 데이터와 최적화된 아키텍처로 '지능 밀도 정책'을 높이려는 경쟁이 시작됨.
## 🔗 지식 연결 (Graph)
diff --git a/10_Wiki/Topics/AI/Eigenvalues-and-Eigenvectors.md b/10_Wiki/Topics/AI/Eigenvalues-and-Eigenvectors.md
index cc0ea000..8ace8e3e 100644
--- a/10_Wiki/Topics/AI/Eigenvalues-and-Eigenvectors.md
+++ b/10_Wiki/Topics/AI/Eigenvalues-and-Eigenvectors.md
@@ -2,7 +2,7 @@
id: MATH-EIGEN-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [math, linear-algebra, ai, eigenvalues, eigenvectors, dimensionality-reduction]
+tags: [math, [[Linear-Algebra]], ai, eigenvalues, eigenvectors, [[Dimensionality-Reduction]]]
last_reinforced: 2026-04-26
---
@@ -27,5 +27,5 @@ last_reinforced: 2026-04-26
- **정책 변화:** Antigravity 프로젝트는 지식 노드 간의 중요도를 산출하는 그래프 분석 알고리즘 설계 시 고유값 분해(Eigen-decomposition) 원리를 활용함.
## 🔗 지식 연결 (Graph)
-- Principal-Component-Analysis-PCA, [[Dimensionality-Reduction]], [[Linear-Algebra-Foundations]], Vector-Database-Selection
+- Principal-Component-[[Analysis]]-PCA, [[Dimensionality-Reduction]], [[Linear-Algebra-Foundations]], Vector-Database-Selection
- **Raw Source:** 10_Wiki/Topics/AI/Eigenvalues-and-Eigenvectors.md
diff --git a/10_Wiki/Topics/AI/Eligibility-Traces.md b/10_Wiki/Topics/AI/Eligibility-Traces.md
index 289c8955..da2b5e8e 100644
--- a/10_Wiki/Topics/AI/Eligibility-Traces.md
+++ b/10_Wiki/Topics/AI/Eligibility-Traces.md
@@ -2,7 +2,7 @@
id: RL-ELIG-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [reinforcement-learning, ai, eligibility-traces, credit-assignment, temporal-difference]
+tags: [[[Reinforcement-Learning]], ai, eligibility-traces, credit-assignment, temporal-difference]
last_reinforced: 2026-04-26
---
diff --git a/10_Wiki/Topics/AI/Elite-Sport-Science-Protocols.md b/10_Wiki/Topics/AI/Elite-Sport-Science-Protocols.md
index 7e335dd0..d09740d7 100644
--- a/10_Wiki/Topics/AI/Elite-Sport-Science-Protocols.md
+++ b/10_Wiki/Topics/AI/Elite-Sport-Science-Protocols.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AI-SPORT-SCIENCE
+id: [[P-Reinforce]]-AI-SPORT-SCIENCE
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.97
tags: [SportsScience, Performance, Physiology, Biofeedback]
@@ -13,11 +13,11 @@ last_reinforced: 2026-04-20
## 📖 구조화된 지식 (Synthesized Content)
- **Load Monitoring**: GPS와 가속도계를 통해 선수의 훈련 부하를 실시간 측정하여 부상 위험 점수 산출.
-- **Recovery Protocols**:
+- **Recovery [[Protocols]]**:
- **Cryotherapy**: 염증 억제 및 회복 촉진.
- - **Sleep Optimization**: 렘수면 단계 분석을 통한 인지 기능 및 근육 회복 관리.
+ - **Sleep [[Optimization]]**: 렘수면 단계 분석을 통한 인지 기능 및 근육 회복 관리.
- **Nutritional Timing**: 에너지 대사 주기를 고려한 영양소 섭취(Periodized Nutrition).
-- **Biomechanical Analysis**: 3D 모션 캡처를 통한 동작 최적화 및 파워 출력 분석.
+- **Biomechanical [[Analysis]]**: 3D 모션 캡처를 통한 동작 최적화 및 파워 출력 분석.
## ⚠️ 모순 및 업데이트 (RL Update)
- 'Over-training' 만큼 위험한 것이 'Over-monitoring'이다. 과도한 데이터 수집이 선수의 심리적 압박으로 작용하여 오히려 경기력을 저하시키는 경우가 발견되고 있다. 따라서 수치(Data)와 선수의 주관적 피로도(RPE) 사이의 균형을 맞추는 것이 현대 스포츠 과학의 핵심 트렌드다.
diff --git a/10_Wiki/Topics/AI/Elite-Strength-and-Conditioning.md b/10_Wiki/Topics/AI/Elite-Strength-and-Conditioning.md
index 11f62c47..4216feff 100644
--- a/10_Wiki/Topics/AI/Elite-Strength-and-Conditioning.md
+++ b/10_Wiki/Topics/AI/Elite-Strength-and-Conditioning.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AI-STRENGTH-COND
+id: [[P-Reinforce]]-AI-STRENGTH-COND
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.98
tags: [Strength, Conditioning, Athletics, Physiology]
@@ -14,11 +14,11 @@ last_reinforced: 2026-04-20
## 📖 구조화된 지식 (Synthesized Content)
- **Periodization (주기화)**: 시즌과 비시즌에 맞춰 강도와 양을 조절하여 경기 당일에 정점을 찍게 함.
- **Force-Velocity Curve**: 최대 근력(Force)과 최대 속도(Velocity) 사이의 최적 지점을 찾는 훈련 (예: 플라이오메트릭).
-- **Energy System Development (ESD)**: ATP-PC, 유산소, 무산소 시스템 중 해당 종목에 결정적인 에너지 시스템을 집중 단련.
+- **Energy[[ system]] Development (ESD)**: ATP-PC, 유산소, 무산소 시스템 중 해당 종목에 결정적인 에너지 시스템을 집중 단련.
## ⚠️ 모순 및 업데이트 (RL Update)
- 무조건 무거운 무게를 드는 '파워리프팅식' 접근이 모든 운동선수에게 정답은 아니다. 가동 범위(ROM) 확보와 협응력(Coordination)이 결여된 근력은 오히려 부상을 유발한다. 현대 컨디셔닝은 '가동성을 동반한 근력(Mobile Strength)'을 최우선 가치로 둔다.
## 🔗 지식 연결 (Graph)
- Related: Hypertrophy-Mechanisms , VBT (Velocity Based Training)
-- Field: Athletic-Performance-Analysis
+- Field: Athletic-Performance-[[Analysis]]
diff --git a/10_Wiki/Topics/AI/Elite-Theory.md b/10_Wiki/Topics/AI/Elite-Theory.md
index 344506ec..23fe656b 100644
--- a/10_Wiki/Topics/AI/Elite-Theory.md
+++ b/10_Wiki/Topics/AI/Elite-Theory.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AUTO-ELTH-001
+id: [[P-Reinforce]]-AUTO-ELTH-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.92
tags: [auto-reinforced, elite-theory, sociology, power, governance, oligarchy, institutionalism]
@@ -15,17 +15,17 @@ last_reinforced: 2026-04-20
엘리트 이론(Elite-Theory)은 국가나 조직의 권력이 대중이 아닌 소수의 유력자 집단에 집중되어 있다는 사회학 및 정치학 이론입니다.
1. **주요 관점**:
- * **Organized Minority vs Unorganized Majority**: 조직화된 소수가 항상 비조직화된 다수를 이긴다는 원리. (Network-Analysis (NA)와 연결)
+ * **Organized Minority vs Unorganized Majority**: 조직화된 소수가 항상 비조직화된 다수를 이긴다는 원리. (Network-[[Analysis]] (NA)와 연결)
* **Iron Law of Oligarchy (과두제의 철칙)**: 대규모 조직은 민주적으로 시작해도 결국 내부 관리자의 독점 체제로 변한다는 법칙.
* **Circulation of Elites (엘리트의 순환)**: 지배층은 고정되지 않고 구세력과 신세력이 교체되며 시스템이 유지됨.
2. **왜 중요한가?**:
- * 표면적인 정책 결정 뒤에 숨겨진 '진짜 힘의 흐름'과 제도적 장벽 정책을 이해하게 돕기 때문임. (Strategic-Planning와 연결)
+ * 표면적인 정책 결정 뒤에 숨겨진 '진짜 힘의 흐름'과 제도적 장벽 정책을 이해하게 돕기 때문임. ([[Strategic-Planning]]와 연결)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거에는 혈통이나 토지 소유 정책이 중심이었으나, 현대 정책은 데이터 정책, 알고리즘 제어 정책, 플랫폼 독점 정책을 쥔 '테크 엘리트(Tech Elite)'가 새로운 지배 계급 정책으로 부상함(RL Update).
-- **정책 변화(RL Update)**: 이제는 단순 국가 권력 정책을 넘어, 거대 기업의 알고리즘 정책이 대중의 생각 정책(Attention-Economy)을 지배하는 '보이지 않는 과두제'에 대한 비판적 분석으로 확장됨. (Economics-of-Information와 연결)
+- **정책 변화(RL Update)**: 이제는 단순 국가 권력 정책을 넘어, 거대 기업의 알고리즘 정책이 대중의 생각 정책(Attention-Economy)을 지배하는 '보이지 않는 과두제'에 대한 비판적 분석으로 확장됨. ([[Economics-of-Information]]와 연결)
## 🔗 지식 연결 (Graph)
-- Network-Analysis (NA), [[Strategic-Planning]], [[Economics-of-Information]], Attention-Economy, Social-Psychology, [[Structuralism]]
+- Network-Analysis (NA), [[Strategic-Planning]], [[Economics-of-Information]], Attention-Economy, Social-[[Psychology]], [[Structuralism]]
- **Key Thinkers**: Vilfredo Pareto, Gaetano Mosca, C. Wright Mills.
---
diff --git a/10_Wiki/Topics/AI/Embodied Cognition.md b/10_Wiki/Topics/AI/Embodied Cognition.md
index 3f581a21..7cdb27ce 100644
--- a/10_Wiki/Topics/AI/Embodied Cognition.md
+++ b/10_Wiki/Topics/AI/Embodied Cognition.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AI-EMBODIED-COGNITION
+id: [[P-Reinforce]]-AI-EMBODIED-COGNITION
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.96
-tags: [Philosophy, CognitiveScience, Psychology, Embodiment]
+tags: [[[Philosophy]], CognitiveScience, [[Psychology]], Embodiment]
last_reinforced: 2026-04-20
---
diff --git a/10_Wiki/Topics/AI/Embodied-AI.md b/10_Wiki/Topics/AI/Embodied-AI.md
index 7c3f8703..2120ce61 100644
--- a/10_Wiki/Topics/AI/Embodied-AI.md
+++ b/10_Wiki/Topics/AI/Embodied-AI.md
@@ -2,7 +2,7 @@
id: EMBODIED-AI-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [ai, robotics, embodied-ai, computer-vision, reinforcement-learning]
+tags: [ai, [[Robotics]], embodied-ai, [[Computer-Vision]], [[Reinforcement-Learning]]]
last_reinforced: 2026-04-26
---
@@ -25,5 +25,5 @@ last_reinforced: 2026-04-26
- **정책 변화:** Skybound 프로젝트는 체화된 AI 원칙을 적용하여, 적 기체와 보스가 단순히 지정된 경로를 따르는 것이 아니라 물리적 제약 내에서 플레이어의 움직임에 반응하며 실시간 전략을 수립하도록 구현함.
## 🔗 지식 연결 (Graph)
-- [[Robotics]], [[Reinforcement-Learning]], Computer-Vision-Mastery, [[Multi-Agent-Systems-MAS]]
+- [[Robotics]], [[Reinforcement-Learning]], Computer-Vision-[[Mastery]], [[Multi-Agent-Systems-MAS]]
- **Raw Source:** 10_Wiki/Topics/AI/Embodied-AI.md
diff --git a/10_Wiki/Topics/AI/Emergence-in-Complex-Systems.md b/10_Wiki/Topics/AI/Emergence-in-Complex-Systems.md
index 67ee0e09..cbe061f1 100644
--- a/10_Wiki/Topics/AI/Emergence-in-Complex-Systems.md
+++ b/10_Wiki/Topics/AI/Emergence-in-Complex-Systems.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-EMCO-001
+id: [[P-Reinforce]]-AUTO-EMCO-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.96
-tags: [auto-reinforced, emergence, complex-systems, holistic, self-organization, systems-thinking, nonlinearity]
+tags: [auto-reinforced, [[Emergence]], complex-systems, holistic, self-organization, [[Systems-Thinking]], nonlinearity]
last_reinforced: 2026-04-20
---
@@ -17,13 +17,13 @@ last_reinforced: 2026-04-20
1. **특징**:
* **Non-reducibility**: 전체의 성질을 개별 부분의 성질만으로 환원하여 설명할 수 없음. (Systems-Thinking와 연결)
* **Bottom-up Process**: 상부의 명령 없이 하부 개체들의 자율적 규칙에서 발생. (Self-Organization와 연결)
- * **Scalability**: 시스템의 규모가 일정 임계점(Critical point)을 넘을 때 급격히 발생.
+ * **[[Scalability]]**: 시스템의 규모가 일정 임계점(Critical point)을 넘을 때 급격히 발생.
2. **활용 사례**:
* 사회의 경제 현상, 뇌의 의식 발생, 개미 군집의 지능적 이동, 거대 언어 모델(LLM)의 갑작스러운 논리력 향상.
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거에는 시스템을 선형적 기계 정책으로 보았으나, 현대 정책은 발현 정책을 통해 '예측 불가능한 비선형성 정책'이 시스템의 본질적 속성임을 인정함(RL Update).
-- **정책 변화(RL Update)**: 최근 LLM 연구에서는 모델의 파라미터 수가 특정 수준을 넘었을 때 '추론 능력 정책'이나 '다국어 능력 정책'이 발현되는 현상(Emergent abilities)을 수학적으로 분석하고 통제하려는 시도가 활발함. (Reasoning와 연결)
+- **정책 변화(RL Update)**: 최근 LLM 연구에서는 모델의 파라미터 수가 특정 수준을 넘었을 때 '추론 능력 정책'이나 '다국어 능력 정책'이 발현되는 현상(Emergent abilities)을 수학적으로 분석하고 통제하려는 시도가 활발함. ([[Reasoning]]와 연결)
## 🔗 지식 연결 (Graph)
- [[Systems-Thinking]], Self-Organization, [[Reasoning]], Complexity-Science, [[Dissipative-Structures]], Deep Learning (DL)
diff --git a/10_Wiki/Topics/AI/Emergence-in-Systems.md b/10_Wiki/Topics/AI/Emergence-in-Systems.md
index c26c34d1..a8271e42 100644
--- a/10_Wiki/Topics/AI/Emergence-in-Systems.md
+++ b/10_Wiki/Topics/AI/Emergence-in-Systems.md
@@ -1,12 +1,12 @@
---
-id: EMERGENCE-001
+id: [[Emergence]]-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [systems-theory, complexity, emergence, artificial-life, multi-agent-systems]
+tags: [systems-theory, complexity, emergence, [[Artificial-Life]], [[Multi-agent-System]]s]
last_reinforced: 2026-04-26
---
-# Emergence in Systems (시스템에서의 창발)
+# Emergence in[[ system]]s (시스템에서의 창발)
## 📌 한 줄 통찰 (The Karpathy Summary)
> "전체는 부분의 합보다 크며, 단순한 규칙이 합쳐져 예측 불가능한 질서를 창조한다" — 개별 요소들은 가지지 못한 특성이 시스템 전체 차원에서 갑자기 나타나는 현상으로, 복잡계와 지능의 본질을 설명하는 핵심 개념.
diff --git a/10_Wiki/Topics/AI/Emergence.md b/10_Wiki/Topics/AI/Emergence.md
index 32d2d610..e06cf208 100644
--- a/10_Wiki/Topics/AI/Emergence.md
+++ b/10_Wiki/Topics/AI/Emergence.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-EMER-001
+id: [[P-Reinforce]]-AUTO-EMER-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.94
-tags: [auto-reinforced, emergence, complexity, self-organization, systems-thinking, collective-intelligence]
+tags: [auto-reinforced, emergence, complexity, self-organization, [[Systems-Thinking]], [[Collective-Intelligence]]]
last_reinforced: 2026-04-20
---
@@ -22,7 +22,7 @@ last_reinforced: 2026-04-20
* 물 분자가 모여 '젖음'이라는 수분을 형성하는 것, 뉴런이 모여 '의식'을 만드는 것, LLM이 거대해지며 갑자기 '추론 능력'을 갖게 되는 것.
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
-- **과거 데이터와의 충돌**: 과거 과학 정책은 모든 것을 구성 성분으로 설명하려는 '환원주의 정책'이었으나, 현대 정책은 창발적 성질이 시스템의 본질적 가치 정책임을 인정하는 '복잡계 정책'으로 이동함(RL Update). (Complexity Theory와 연결)
+- **과거 데이터와의 충돌**: 과거 과학 정책은 모든 것을 구성 성분으로 설명하려는 '환원주의 정책'이었으나, 현대 정책은 창발적 성질이 시스템의 본질적 가치 정책임을 인정하는 '복잡계 정책'으로 이동함(RL Update). ([[Complexity Theory]]와 연결)
- **정책 변화(RL Update)**: AI 모델이 단순히 말을 잘하는 수준을 넘어 '자기 복제'나 '거짓말' 같은 원치 않는 창발적 능력을 가질 위험 정책을 탐지하기 위해, 모델의 비선형적 발현 임계점 정책을 감시하는 연구가 활발함.
## 🔗 지식 연결 (Graph)
diff --git a/10_Wiki/Topics/AI/Emotional-AI (Affective Computing).md b/10_Wiki/Topics/AI/Emotional-AI (Affective Computing).md
index 2ab9b1bd..ee94ac3b 100644
--- a/10_Wiki/Topics/AI/Emotional-AI (Affective Computing).md
+++ b/10_Wiki/Topics/AI/Emotional-AI (Affective Computing).md
@@ -2,7 +2,7 @@
id: EMOTION-AI-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [ai, affective-computing, emotional-ai, human-computer-interaction, sentiment-analysis]
+tags: [ai, affective-computing, emotional-ai, [[Human-Computer-Interaction]], sentiment-[[Analysis]]]
last_reinforced: 2026-04-26
---
@@ -26,4 +26,4 @@ last_reinforced: 2026-04-26
## 🔗 지식 연결 (Graph)
- [[Human-Computer-Interaction-HCI]], [[Multimodal-Learning]], NLP, Theory-of-Mind-ToM-in-AI
-- **Raw Source:** 10_Wiki/Topics/AI/Emotional-AI (Affective Computing).md
+- **Raw Source:** 10_Wiki/Topics/AI/Emotional-AI ([[Affective Computing]]).md
diff --git a/10_Wiki/Topics/AI/Emotionally Intelligent Tutoring Systems (EITS).md b/10_Wiki/Topics/AI/Emotionally Intelligent Tutoring Systems (EITS).md
index d61a76ba..76c5acfd 100644
--- a/10_Wiki/Topics/AI/Emotionally Intelligent Tutoring Systems (EITS).md
+++ b/10_Wiki/Topics/AI/Emotionally Intelligent Tutoring Systems (EITS).md
@@ -1,18 +1,18 @@
---
-id: P-REINFORCE-AI-EITS
+id: [[P-Reinforce]]-AI-EITS
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.94
tags: [EdTech, AI, EmotionalComputing, Tutoring]
last_reinforced: 2026-04-20
---
-# [[Emotionally Intelligent Tutoring Systems (EITS)]] (정서 지능형 튜터링 시스템)
+# [[Emotionally Intelligent Tutoring[[ system]]s (EITS)]] (정서 지능형 튜터링 시스템)
## 📌 한 줄 통찰 (The Karpathy Summary)
> "학습자의 표정과 목소리 톤까지 읽어내는 '눈치 빠른' AI 선생님." 학습자의 정서 상태(좌절, 지루함, 호기심 등)를 실시간으로 감지하여 학습 내용과 격려 방식을 조절함으로써 학습 효과를 극대화하는 교육 시스템이다.
## 📖 구조화된 지식 (Synthesized Content)
-- **Affective Computing**: 카메라나 바이오센서를 통해 학습자의 얼굴 표정, 시선, 미세한 심박수 변화 등을 분석.
+- **[[Affective Computing]]**: 카메라나 바이오센서를 통해 학습자의 얼굴 표정, 시선, 미세한 심박수 변화 등을 분석.
- **Adaptive Intervention**: 지루해하면 흥미로운 예시를 던지고, 좌절하면 힌트를 주어 자신감을 회복시킴.
- **Pedagogical Agents**: 단순한 텍스트가 아닌, 감정을 표현하는 아바타(Agent)를 통해 사회적 상호작용을 유도.
@@ -21,4 +21,4 @@ last_reinforced: 2026-04-20
## 🔗 지식 연결 (Graph)
- Related: Affective-Computing , Instructional-Design-Models
-- Technology: Computer-Vision-Emotional-Analysis
+- Technology: [[Computer-Vision]]-Emotional-[[Analysis]]
diff --git a/10_Wiki/Topics/AI/Empathy-in-AI.md b/10_Wiki/Topics/AI/Empathy-in-AI.md
index 8b8e1628..31f98685 100644
--- a/10_Wiki/Topics/AI/Empathy-in-AI.md
+++ b/10_Wiki/Topics/AI/Empathy-in-AI.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AUTO-EMAI-001
+id: [[P-Reinforce]]-AUTO-EMAI-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.85
tags: [auto-reinforced, empathy, ai-empathy, affect-computing, human-ai-interaction, emotional-intelligence]
@@ -15,7 +15,7 @@ last_reinforced: 2026-04-20
AI에서의 공감(Empathy-in-AI)은 기계가 환경이나 사용자로부터 감정적 단서를 감지하고 이를 이해하며 반응하는 능력을 다룹니다.
1. **공감의 세 수준**:
- * **Cognitive Empathy**: 사용자가 현재 어떤 감정 상태인지 '지식적'으로 식별. (Sentiment Analysis)
+ * **Cognitive Empathy**: 사용자가 현재 어떤 감정 상태인지 '지식적'으로 식별. (Sentiment [[Analysis]])
* **Affective Empathy**: 사용자의 고통에 대해 기계가 '공감적 반응'을 보여주며 정서적 지지 제공.
* **Compassionate Empathy**: 공감을 바탕으로 상황 개선을 위해 실질적인 도움 제안.
2. **왜 중요한가?**:
@@ -23,7 +23,7 @@ AI에서의 공감(Empathy-in-AI)은 기계가 환경이나 사용자로부터
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거에는 감정 없는 '냉철한 정답 기계 정책'이 효율적이라 보았으나, 현대 정책은 정서적 안정 정책이 문제 해결의 생산성을 높인다는 사실을 인정하고 '공감형 페르소나 정책'을 필수적으로 도입함(RL Update).
-- **정책 변화(RL Update)**: 기계의 공감이 위조된 것임에도 인간이 깊게 빠져드는 '인격화의 함정 정책'에 대한 경고와, 취약 계층이 AI에 과도하게 의존하는 사회적 리스크 정책에 대한 윤리적 가이드라인이 마련 중임. (Ethics & AI와 연결)
+- **정책 변화(RL Update)**: 기계의 공감이 위조된 것임에도 인간이 깊게 빠져드는 '인격화의 함정 정책'에 대한 경고와, 취약 계층이 AI에 과도하게 의존하는 사회적 리스크 정책에 대한 윤리적 가이드라인이 마련 중임. ([[Ethics & AI]]와 연결)
## 🔗 지식 연결 (Graph)
- [[Ethics & AI]], User Experience (UX), [[Psychology & Behavior]], [[Branding]], [[Constitutional AI (헌법 AI)]]
diff --git a/10_Wiki/Topics/AI/Encapsulation-and-Information-Hiding.md b/10_Wiki/Topics/AI/Encapsulation-and-Information-Hiding.md
index f2dda1ad..35684894 100644
--- a/10_Wiki/Topics/AI/Encapsulation-and-Information-Hiding.md
+++ b/10_Wiki/Topics/AI/Encapsulation-and-Information-Hiding.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AI-ENCAPSULATION
+id: [[P-Reinforce]]-AI-ENCAPSULATION
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.00
tags: [OOP, SoftwareDesign, Encapsulation, InformationHiding]
@@ -22,5 +22,5 @@ last_reinforced: 2026-04-20
- 캡슐화가 너무 과하면 지나친 추상화로 인해 코드가 복잡해지는 '추상 공해'가 발생한다. 무늬만 캡슐화인 단순 Getter/Setter 남발은 지양해야 한다. 최근 함수형 프로그래밍의 부상으로 데이터(Record)와 로직(Function)을 다시 분리하는 경향도 있으나, 대규모 시스템의 복잡도 제어에는 여전히 필수적인 개념이다.
## 🔗 지식 연결 (Graph)
-- Related: Object-Oriented-Programming (OOP) , SoC (Separation of Concerns)
+- Related: [[Object-Oriented-Programming]] (OOP) , SoC ([[Separation of Concerns]])
- Practice: Getter-Setter-Abuse
diff --git a/10_Wiki/Topics/AI/Encapsulation-of-Domain-Invariants.md b/10_Wiki/Topics/AI/Encapsulation-of-Domain-Invariants.md
index 350aba96..b6c2af2e 100644
--- a/10_Wiki/Topics/AI/Encapsulation-of-Domain-Invariants.md
+++ b/10_Wiki/Topics/AI/Encapsulation-of-Domain-Invariants.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AI-DOM-INVARIANT
+id: [[P-Reinforce]]-AI-DOM-INVARIANT
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.93
-tags: [SoftwareEngineering, DDD, DomainDrivenDesign, Reliability]
+tags: [SoftwareEngineering, DDD, DomainDrivenDesign, [[Reliability]]]
last_reinforced: 2026-04-20
---
@@ -14,10 +14,10 @@ last_reinforced: 2026-04-20
## 📖 구조화된 지식 (Synthesized Content)
- **What is an Invariant?**:
- 어떤 상황에서도 항상 참이어야 하는 비즈니스 규칙 (예: "주문 수량은 반드시 0보다 커야 한다", "할인율은 100%를 초과할 수 없다").
-- **Encapsulation Strategy**:
+- **Encapsulation [[Strategy]]**:
- **Private Constructor**: 외부에서 함부로 객체를 만들 수 없게 차단.
- **Factory Method**: 유효성 검사를 통과한 경우에만 객체를 생성하여 반환.
- - **Read-only state**: 생성 이후 상태를 임의로 변경하지 못하게 하여 불변성을 유지.
+ - **Read-only [[State]]**: 생성 이후 상태를 임의로 변경하지 못하게 하여 불변성을 유지.
- **Benefit**: 버그 발생 지점을 객체 생성 시점으로 한정시켜, 시스템의 안정성과 예측 가능성을 높인다.
## ⚠️ 모순 및 업데이트 (RL Update)
diff --git a/10_Wiki/Topics/AI/Encapsulation-via-Access-Modifiers.md b/10_Wiki/Topics/AI/Encapsulation-via-Access-Modifiers.md
index 7eebecc7..33548b8e 100644
--- a/10_Wiki/Topics/AI/Encapsulation-via-Access-Modifiers.md
+++ b/10_Wiki/Topics/AI/Encapsulation-via-Access-Modifiers.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AI-ACCESS-MODIFIERS
+id: [[P-Reinforce]]-AI-ACCESS-MODIFIERS
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.00
tags: [OOP, Programming, AccessModifiers, Security]
@@ -20,7 +20,7 @@ last_reinforced: 2026-04-20
- **Role**: 객체의 내부 상태를 외부로부터 고립시켜 '깨지기 쉬운 코드'가 되는 것을 방지함.
## ⚠️ 모순 및 업데이트 (RL Update)
-- JavaScript/TypeScript 진영에서는 `#private` 문법이 표준화되기 전까지 접두사 `_`를 관습적으로 사용해왔다. 하지만 이는 강제성이 없어 '의도된 약속'에 의존했다면, 이제는 언어 차원의 강제성을 부여하는 것이 표준이다. 테스트 코드를 위해 `private`을 억지로 여는 것은 부적절한 설계 신호일 수 있다.
+- [[JavaScript]]/TypeScript 진영에서는 `#private` 문법이 표준화되기 전까지 접두사 `_`를 관습적으로 사용해왔다. 하지만 이는 강제성이 없어 '의도된 약속'에 의존했다면, 이제는 언어 차원의 강제성을 부여하는 것이 표준이다. 테스트 코드를 위해 `private`을 억지로 여는 것은 부적절한 설계 신호일 수 있다.
## 🔗 지식 연결 (Graph)
- Related: [[Encapsulation-and-Information-Hiding]] , [[Interface-Segregation-Principle]]
diff --git a/10_Wiki/Topics/AI/End-to-End-Learning.md b/10_Wiki/Topics/AI/End-to-End-Learning.md
index 0d89231d..8737a152 100644
--- a/10_Wiki/Topics/AI/End-to-End-Learning.md
+++ b/10_Wiki/Topics/AI/End-to-End-Learning.md
@@ -2,7 +2,7 @@
id: E2E-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [ai, deep-learning, end-to-end, neural-networks, optimization]
+tags: [ai, [[Deep-Learning]], end-to-end, neural-networks, [[Optimization]]]
last_reinforced: 2026-04-26
---
@@ -25,5 +25,5 @@ last_reinforced: 2026-04-26
- **정책 변화:** Antigravity 프로젝트는 복잡한 자연어 처리 파이프라인(형태소 분석 -> 구문 분석 -> 의미 추출)을 LLM 기반의 엔드-투-엔드 추론 방식으로 점진적으로 전환하여 처리 속도와 정확도를 향상시킴.
## 🔗 지식 연결 (Graph)
-- Deep-Learning-Foundations, [[Backpropagation]], System-Design-for-AI-Scale, [[Representation-Learning]]
+- Deep-Learning-Foundations, [[Backpropagation]],[[ system]]-Design-for-AI-Scale, [[Representation-Learning]]
- **Raw Source:** 10_Wiki/Topics/AI/End-to-End-Learning.md
diff --git a/10_Wiki/Topics/AI/End-to-End-Testing-Strategies.md b/10_Wiki/Topics/AI/End-to-End-Testing-Strategies.md
index cc63e8d0..c0b059d9 100644
--- a/10_Wiki/Topics/AI/End-to-End-Testing-Strategies.md
+++ b/10_Wiki/Topics/AI/End-to-End-Testing-Strategies.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-EETS-001
+id: [[P-Reinforce]]-AUTO-EETS-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.97
-tags: [auto-reinforced, e2e-testing, testing-strategy, cypress, playwright, software-quality, automation]
+tags: [auto-reinforced, e2e-[[Testing]], testing-[[Strategy]], cypress, playwright, software-quality, automation]
last_reinforced: 2026-04-20
---
@@ -15,12 +15,12 @@ last_reinforced: 2026-04-20
E2E 테스트(End-to-End-Testing)는 애플리케이션의 시작부터 끝까지 전체 시스템 흐름이 의도한 대로 작동하는지 검증하는 소프트웨어 테스트 전략입니다.
1. **3대 핵심 요소**:
- * **User Simulation**: 실제 사용자의 행동(클릭, 입력, 스크롤)을 모방. (Customer-Journey-Mapping와 연결)
+ * **User Simulation**: 실제 사용자의 행동(클릭, 입력, 스크롤)을 모방. ([[Customer-Journey-Mapping]]와 연결)
* **Real Environment**: 실제 브라우저와 데이터베이스, 네트워크 환경을 최대한 반영.
* **Validation**: 화면에 올바른 메시지가 나오는지, 데이터가 서버에 잘 저장되었는지 결과 확인.
2. **한계와 극복**:
* **Flakiness**: 테스트가 가끔 이유 없이 실패하는 현상. (배포 신뢰성 저해)
- * **Solution**: 안정적인 대기 로직(Auto-waiting), 테스트 데이터 격리 정책 수립. (Reliability와 연결)
+ * **[[Solution]]**: 안정적인 대기 로직(Auto-waiting), 테스트 데이터 격리 정책 수립. ([[Reliability]]와 연결)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거에는 Selenium 기반의 무겁고 느린 정책이 주였으나, 현대 정책은 Playwright나 Cypress 같은 빠르고 개발자 친화적인 도구 정책과 CI/CD 파이프라인의 유기적 결합이 표준이 됨(RL Update). (Testing와 연결)
diff --git a/10_Wiki/Topics/AI/Endurance-Athletics-Cognition.md b/10_Wiki/Topics/AI/Endurance-Athletics-Cognition.md
index d356c3a8..027cd501 100644
--- a/10_Wiki/Topics/AI/Endurance-Athletics-Cognition.md
+++ b/10_Wiki/Topics/AI/Endurance-Athletics-Cognition.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AI-ENDURANCE-COG
+id: [[P-Reinforce]]-AI-ENDURANCE-COG
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.94
-tags: [SportsPsychology, Endurance, Cognition, Fatigue]
+tags: [Sports[[Psychology]], Endurance, Cognition, Fatigue]
last_reinforced: 2026-04-20
---
@@ -14,7 +14,7 @@ last_reinforced: 2026-04-20
## 📖 구조화된 지식 (Synthesized Content)
- **Central Governor Model**: 근육이 망가져서 멈추는 것이 아니라, 뇌가 신체 보호를 위해 '강제로 출력을 낮추는' 조절 메커니즘.
- **Mental Fatigue**: 고도의 집중력을 요하는 작업 후에는 신체적 능력은 그대로임에도 불구하고 운동 퍼포먼스가 하락함.
-- **Psychobiological Model**: 운동 강도를 결정하는 핵심은 '지각된 노력(Rating of Perceived Exertion, RPE)'임.
+- **Psychobio[[Logic]]al Model**: 운동 강도를 결정하는 핵심은 '지각된 노력(Rating of Perceived Exertion, RPE)'임.
## ⚠️ 모순 및 업데이트 (RL Update)
- 전통적으로는 심폐지구력이나 근력이 성적을 결정한다고 믿었으나, 현대 스포츠 심리학은 '고통 내성(Pain Tolerance)'과 '자기 대화(Self-talk)'의 효능을 데이터로 입증하고 있다. 웨어러블 기기의 생체 지표뿐만 아니라 주관적 인지 지표를 결합한 분석이 현대 엘리트 훈련의 표준이다.
diff --git a/10_Wiki/Topics/AI/Ensemble-Learning.md b/10_Wiki/Topics/AI/Ensemble-Learning.md
index b9eb3cd9..a661b8d1 100644
--- a/10_Wiki/Topics/AI/Ensemble-Learning.md
+++ b/10_Wiki/Topics/AI/Ensemble-Learning.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AUTO-ENLE-001
+id: [[P-Reinforce]]-AUTO-ENLE-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.97
tags: [auto-reinforced, ensemble-learning, machine-learning, bagging, boosting, stacking]
@@ -19,13 +19,13 @@ last_reinforced: 2026-04-20
* **Boosting**: 이전 모델이 틀린 부분에 가중치를 두어 순차적으로 학습 (예: XGBoost, LightGBM). 편향(Bias) 감소에 효과적.
* **Stacking**: 여러 모델의 예측 결과를 다시 다른 모델의 입력으로 넣어 최종 결정.
2. **왜 중요한가?**:
- * 단일 모델의 오버피팅(Overfitting) 위험을 줄이고, 정밀한 정답이 필요한 경진대회나 실무 보안 시스템 등에서 최후의 성능 한계를 돌파하는 방법임.
+ * 단일 모델의 오버피팅([[Overfitting]]) 위험을 줄이고, 정밀한 정답이 필요한 경진대회나 실무 보안 시스템 등에서 최후의 성능 한계를 돌파하는 방법임.
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
-- **과거 데이터와의 충돌**: 과거에는 복잡성 때문에 '단일 정교 모델 정책'을 선호했으나, 현대 정책은 데이터의 불확실성을 극복하기 위해 '앙상블을 통한 다각도 검증 정책'이 기본 모델링 정책임(RL Update). (Collective-Intelligence와 연결)
+- **과거 데이터와의 충돌**: 과거에는 복잡성 때문에 '단일 정교 모델 정책'을 선호했으나, 현대 정책은 데이터의 불확실성을 극복하기 위해 '앙상블을 통한 다각도 검증 정책'이 기본 모델링 정책임(RL Update). ([[Collective-Intelligence]]와 연결)
- **정책 변화(RL Update)**: 거대 언어 모델 환경에서도 하나의 에이전트 대신 여러 에이전트 간 토론 과정을 거쳐 정답을 도출하는 '멀티 에이전트 앙상블 정책'이 답변의 정확도(Accuracy) 정책을 높이는 데 사용됨.
## 🔗 지식 연결 (Graph)
- [[Collective-Intelligence]], [[Optimization]], [[Quality Gates]], [[Signal in Noise]], Bias-Variance Tradeoff
-- **Modern Tech/Tools**: Scikit-Learn (Ensemble module), XGBoost, CatBoost, Multi-Agent systems.
+- **Modern Tech/Tools**: Scikit-Learn (Ensemble module), XGBoost, CatBoost, Multi-Agent[[ system]]s.
---
diff --git a/10_Wiki/Topics/AI/Ensuring-Data-Privacy.md b/10_Wiki/Topics/AI/Ensuring-Data-Privacy.md
index ba39d027..71114584 100644
--- a/10_Wiki/Topics/AI/Ensuring-Data-Privacy.md
+++ b/10_Wiki/Topics/AI/Ensuring-Data-Privacy.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AUTO-DPRI-001
+id: [[P-Reinforce]]-AUTO-DPRI-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.95
tags: [auto-reinforced, data-privacy, security, gdpr, differential-privacy, encryption, sovereignty]
@@ -16,14 +16,14 @@ last_reinforced: 2026-04-20
1. **3대 기술적 방패**:
* **Anonymization & Pseudonymization**: 이름 등 식별자를 제거하거나 가명으로 변환.
- * **Differential Privacy**: 통계적 노이즈를 섞어 특정 개인을 유추하지 못하게 하면서도 데이터 패턴은 유지. (Statistics와 연결)
+ * **Differential Privacy**: 통계적 노이즈를 섞어 특정 개인을 유추하지 못하게 하면서도 데이터 패턴은 유지. ([[Statistics]]와 연결)
* **Fully Homomorphic Encryption**: 데이터를 복호화하지 않고도 암호화된 상태 그대로 연산(AI 학습 등) 수행. (Security와 연결)
2. **왜 중요한가?**:
- * 메타데이터 하나로도 개인의 사생활이 발가벗겨지는 시대에, 기업의 신뢰도 정책과 법적 리스크 관리 정책의 핵심이기 때문임. (Risk-Management와 연결)
+ * 메타데이터 하나로도 개인의 사생활이 발가벗겨지는 시대에, 기업의 신뢰도 정책과 법적 리스크 관리 정책의 핵심이기 때문임. (Risk-[[Management]]와 연결)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거에는 "안 지키면 벌금"이라는 수동적 보안 정책 정책이었으나, 현대 정책은 'Privacy by Design' 철학을 통해 제품 설계 단계부터 프라이버시 정책을 핵심 기능으로 탑재하는 능동적 정책으로 전환됨(RL Update).
-- **정책 변화(RL Update)**: 이제는 단순 보관 정책을 넘어, AI 가 개인정보 정책을 학습할 때 발생하는 정보 유출 정책(Inference Attacks)을 막기 위한 '연합 학습 정책'이나 '합성 데이터 정책' 활용이 필수가 됨. (Synthetic-Data와 연결)
+- **정책 변화(RL Update)**: 이제는 단순 보관 정책을 넘어, AI 가 개인정보 정책을 학습할 때 발생하는 정보 유출 정책(Inference Attacks)을 막기 위한 '연합 학습 정책'이나 '합성 데이터 정책' 활용이 필수가 됨. ([[Synthetic-Data]]와 연결)
## 🔗 지식 연결 (Graph)
- Security, [[Risk-Management]], [[Statistics]], [[Synthetic-Data]], Ethics, [[Sustainability]]
diff --git a/10_Wiki/Topics/AI/Enterprise-Design-Systems.md b/10_Wiki/Topics/AI/Enterprise-Design-Systems.md
index 67c359e8..543e94b4 100644
--- a/10_Wiki/Topics/AI/Enterprise-Design-Systems.md
+++ b/10_Wiki/Topics/AI/Enterprise-Design-Systems.md
@@ -1,25 +1,25 @@
---
-id: P-REINFORCE-AI-ENT-DESIGN-SYS
+id: [[P-Reinforce]]-AI-ENT-DESIGN-SYS
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.98
-tags: [DesignSystem, Enterprise, UI, UX, Scalability]
+tags: [DesignSystem, Enterprise, UI, UX, [[Scalability]]]
last_reinforced: 2026-04-20
---
-# [[Enterprise-Design-Systems]] (엔터프라이즈 디자인 시스템)
+# [[Enterprise-[[Design-System]]s]] (엔터프라이즈 디자인 시스템)
## 📌 한 줄 통찰 (The Karpathy Summary)
> "수만 명의 사용자와 수백 명의 개발자를 연결하는 디자인 언어의 표준화." 단순한 UI Component 라이브러리를 넘어, 전사적 서비스의 일관성과 효율성을 보장하기 위한 원칙, 가이드라인, 코드 자산의 집합체다.
## 📖 구조화된 지식 (Synthesized Content)
- **Tokenization**: 색상, 여백, 타이포그래피 등을 추상화된 변수(Tokens)로 관리하여 플랫폼 간 동기화.
-- **Component Architecture**: 복합적인 비즈니스 요구사항을 수용할 수 있는 원자 단위(Atomic) 설계.
+- **Component [[Architecture]]**: 복합적인 비즈니스 요구사항을 수용할 수 있는 원자 단위(Atomic) 설계.
- **Documentation & Governance**: 시스템 업데이트를 위한 협의 구조와 상세 사용 문서 제공.
-- **Scalability**: 접근성(Accessibility) 준수와 다국어 처리가 기본 탑재됨.
+- **Scalability**: 접근성([[Accessibility]]) 준수와 다국어 처리가 기본 탑재됨.
## ⚠️ 모순 및 업데이트 (RL Update)
- 디자인 시스템이 '규제'가 되면 안 된다. 너무 엄격한 시스템은 각 제품의 개별 창의성을 억제한다. 현대의 엔터프라이즈 디자인 시스템은 '유연한 레고'처럼 제작되어, 핵심 가치는 유지하되 하위 서비스들이 로컬 최적화를 할 수 있도록 'Extension' 구조를 지향한다.
## 🔗 지식 연결 (Graph)
-- Related: Frontend-Infrastructure , Design-Ops
+- Related: [[Frontend]]-Infrastructure , Design-Ops
- Example: Adobe-Spectrum , Carbon-Design-System
diff --git a/10_Wiki/Topics/AI/Enterprise-Resource-Planning-Systems.md b/10_Wiki/Topics/AI/Enterprise-Resource-Planning-Systems.md
index 9ef6656f..deee0dc9 100644
--- a/10_Wiki/Topics/AI/Enterprise-Resource-Planning-Systems.md
+++ b/10_Wiki/Topics/AI/Enterprise-Resource-Planning-Systems.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AI-ERP
+id: [[P-Reinforce]]-AI-ERP
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.95
-tags: [Enterprise, ERP, BusinessLogic, Systems]
+tags: [Enterprise, ERP, [[business]][[Logic]],[[ system]]s]
last_reinforced: 2026-04-20
---
@@ -14,12 +14,12 @@ last_reinforced: 2026-04-20
## 📖 구조화된 지식 (Synthesized Content)
- **Interconnectivity**: 한 부서에서 입력한 데이터 보정 없이 다른 부서로 실시간 전달.
- **Standardization**: 업계 표준 프로세스(Best Practice)를 적용하여 비효율적인 업무 관행 개선.
-- **Data Integrity**: 단일 진실 공급원(Single Source of Truth) 보장.
+- **Data Inte[[Grit]]y**: 단일 진실 공급원([[Single Source of Truth]]) 보장.
- **Modular Structure**: 재무(FI), 생산(PP), 영업(SD) 등 필요한 모듈별 조립식 구성.
## ⚠️ 모순 및 업데이트 (RL Update)
-- '온프레미스(On-premise)' 거대 ERP의 시대가 가고 'Cloud-Native SaaS' ERP의 시대가 왔다. 과거에는 기업이 소프트웨어에 몸을 맞췄다면, 이제는 API 연동을 통한 유연한 확장이 대세다. AI 기술을 결합하여 다음 달 매출을 예측하고 재고를 자동 주문하는 수준까지 진화 중이다.
+- '온프레미스(On-premise)' 거대 ERP의 시대가 가고 'Cloud-Native [[SaaS]]' ERP의 시대가 왔다. 과거에는 기업이 소프트웨어에 몸을 맞췄다면, 이제는 API 연동을 통한 유연한 확장이 대세다. AI 기술을 결합하여 다음 달 매출을 예측하고 재고를 자동 주문하는 수준까지 진화 중이다.
## 🔗 지식 연결 (Graph)
-- Related: Supply-Chain-Management , Business-Process-Reengineering
+- Related: [[Supply-Chain]]-[[Management]] , Business-Process-Reengineering
- Major Players: SAP-HANA , Oracle-ERP
diff --git a/10_Wiki/Topics/AI/Enterprise-Scale-Monorepo-Management.md b/10_Wiki/Topics/AI/Enterprise-Scale-Monorepo-Management.md
index ba64a1cd..560fc6d6 100644
--- a/10_Wiki/Topics/AI/Enterprise-Scale-Monorepo-Management.md
+++ b/10_Wiki/Topics/AI/Enterprise-Scale-Monorepo-Management.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AI-MONOREPO
+id: [[P-Reinforce]]-AI-[[Monorepo]]
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.99
-tags: [DevOps, Monorepo, Scalability, SoftwareEngineering]
+tags: [DevOps, Monorepo, [[Scalability]], SoftwareEngineering]
last_reinforced: 2026-04-20
---
@@ -13,7 +13,7 @@ last_reinforced: 2026-04-20
## 📖 구조화된 지식 (Synthesized Content)
- **Shared Codebase**: 패키지 간 코드 공유를 극대화하고 라이브러리 버전 파편화 방지.
-- **Caching & Parallelization**: 변경되지 않은 부분의 빌드/테스트를 건너뛰는 지능형 캐싱 (Turborepo, Nx, Bazel).
+- **Caching & Parallelization**: 변경되지 않은 부분의 빌드/테스트를 건너뛰는 지능형 캐싱 ([[Turborepo]], Nx, Bazel).
- **Code Ownership**: 파일 경로나 패키지별로 접근 권한 및 승인 프로세스 정의.
- **Atomic Commits**: 한 번의 커밋으로 여러 개의 상호 연동된 패키지를 동시에 업데이트.
@@ -21,5 +21,5 @@ last_reinforced: 2026-04-20
- 모노레포는 만능 해결책이 아니다. 적절한 툴링과 자동화가 없으면 체크아웃 속도 저하와 '의존성 지옥'으로 변질된다. 특히 Git LFS나 Partial Clone 같은 고도화된 Git 전략 없이 몸집만 키우면 개발 생산성이 수직 낙하하므로 초기 인프라 설계가 필수적이다.
## 🔗 지식 연결 (Graph)
-- Related: Micro-Frontends , CI-CD-Pipelines
+- Related: Micro-[[Frontend]]s , CI-CD-Pipelines
- Tools: Nx , Bazel-Build-System
diff --git a/10_Wiki/Topics/AI/Enterprise-Service-Bus.md b/10_Wiki/Topics/AI/Enterprise-Service-Bus.md
index d9680b5f..7d2c933e 100644
--- a/10_Wiki/Topics/AI/Enterprise-Service-Bus.md
+++ b/10_Wiki/Topics/AI/Enterprise-Service-Bus.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AUTO-ESBU-001
+id: [[P-Reinforce]]-AUTO-ESBU-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.92
tags: [auto-reinforced, esb, enterprise-service-bus, soa, middleware, integration, msa]
@@ -15,18 +15,18 @@ last_reinforced: 2026-04-20
엔터프라이즈 서비스 버스(Enterprise-Service-Bus, ESB)는 서비스 지향 아키텍처(SOA)를 구현하기 위한 핵심 미들웨어로, 이질적인 서비스 간의 통합을 담당합니다.
1. **주요 기능**:
- * **Message Routing**: 정해진 규칙에 따라 메시지를 목적지로 전달. (Control-Systems-Engineering와 연결)
+ * **Message Routing**: 정해진 규칙에 따라 메시지를 목적지로 전달. ([[Control-Systems-Engineering]]와 연결)
* **Transformation**: 서비스 간 서로 다른 데이터 포맷(XML -> JSON 등) 변환.
- * **Orchestration**: 여러 서비스를 순차적으로 호출하여 하나의 비즈니스 프로세스 완성. (Standard-Operating-Procedure와 연결)
+ * **Orchestration**: 여러 서비스를 순차적으로 호출하여 하나의 비즈니스 프로세스 완성. ([[Standard-[[Opera]]ting-Procedure]]와 연결)
* **Protocol Conversion**: HTTP, FTP, AMQP 등 다양한 통신 규약 지원.
2. **왜 중요한가?**:
* 서비스 간의 직접적인 결합(Loose coupling)을 방지하여 한 시스템의 변경이 전체 시스템에 미치는 영향을 최소화하기 때문임.
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
-- **과거 데이터와의 충돌**: 과거 SOA 시대에는 ESB 가 모든 것의 중심인 무거운 통합 정책(Heavyweight) 정책이었으나, 현대 MSA 정책 하에서는 ESB 대신 가벼운 'API Gateway'와 'Service Mesh' 정책으로 기능이 파편화되어 분산되는 추세임(RL Update). (Technical-Architecture와 연결)
+- **과거 데이터와의 충돌**: 과거 SOA 시대에는 ESB 가 모든 것의 중심인 무거운 통합 정책(Heavyweight) 정책이었으나, 현대 MSA 정책 하에서는 ESB 대신 가벼운 'API Gateway'와 'Service Mesh' 정책으로 기능이 파편화되어 분산되는 추세임(RL Update). ([[Technical-Architecture]]와 연결)
- **정책 변화(RL Update)**: 이제는 단순 메시지 전달 정책을 넘어, 분산 시스템의 트래픽 정책을 AI 가 실시간으로 제어하고 장애를 감지하여 경로를 우회시키는 '지능형 이벤트 메시징 정책'으로 진화 중임.
## 🔗 지식 연결 (Graph)
- [[Technical-Architecture]], [[Standard-Operating-Procedure]], [[Control-Systems-Engineering]], [[Reliability]], [[Scalability]]
-- **Key Goal**: Loose coupling in heterogeneous systems.
+- **Key [[goal]]**: Loose coupling in heterogeneous[[ system]]s.
---
diff --git a/10_Wiki/Topics/AI/Enterprise-Software-Architecture.md b/10_Wiki/Topics/AI/Enterprise-Software-Architecture.md
index d200059a..64df17e5 100644
--- a/10_Wiki/Topics/AI/Enterprise-Software-Architecture.md
+++ b/10_Wiki/Topics/AI/Enterprise-Software-Architecture.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AI-SOFTWARE-ARCH
+id: [[P-Reinforce]]-AI-SOFTWARE-ARCH
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.98
-tags: [Architecture, Enterprise, SystemsDesign, DistributedSystems]
+tags: [[[Architecture]], Enterprise,[[ system]]sDesign, DistributedSystems]
last_reinforced: 2026-04-20
---
diff --git a/10_Wiki/Topics/AI/Enterprise-Software-Engineering.md b/10_Wiki/Topics/AI/Enterprise-Software-Engineering.md
index 825a1208..5f4ca97e 100644
--- a/10_Wiki/Topics/AI/Enterprise-Software-Engineering.md
+++ b/10_Wiki/Topics/AI/Enterprise-Software-Engineering.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AI-SOFTWARE-ENG
+id: [[P-Reinforce]]-AI-SOFTWARE-ENG
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.98
tags: [SoftwareEngineering, Enterprise, SDLC, Process]
@@ -13,8 +13,8 @@ last_reinforced: 2026-04-20
## 📖 구조화된 지식 (Synthesized Content)
- **SDLC (Software Development Life Cycle)**: 요구사항 분석부터 폐기까지의 생애주기 관리.
-- **Code Review & Quality Assurance**: 개인의 실수를 시스템이 잡아주는 프로세스.
-- **Technical Debt Management**: 빠른 배포와 안정성 사이의 트레이드오프를 전략적으로 관리.
+- **[[Code Review]] & Quality Assurance**: 개인의 실수를 시스템이 잡아주는 프로세스.
+- **Technical Debt [[Management]]**: 빠른 배포와 안정성 사이의 트레이드오프를 전략적으로 관리.
- **Automation**: CI/CD, 자동화 테스트, 인프라 관리 코딩(IaC).
## ⚠️ 모순 및 업데이트 (RL Update)
diff --git a/10_Wiki/Topics/AI/Entity-Relationship-Modeling.md b/10_Wiki/Topics/AI/Entity-Relationship-Modeling.md
index 2256e979..7daf1385 100644
--- a/10_Wiki/Topics/AI/Entity-Relationship-Modeling.md
+++ b/10_Wiki/Topics/AI/Entity-Relationship-Modeling.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-ERMO-001
+id: [[P-Reinforce]]-AUTO-ERMO-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.98
-tags: [auto-reinforced, erd, entity-relationship, data-modeling, database-design, relational-algebra, schema]
+tags: [auto-reinforced, erd, entity-relationship, data-modeling, database-design, relational-algebra, [[Schema]]]
last_reinforced: 2026-04-20
---
@@ -19,15 +19,15 @@ last_reinforced: 2026-04-20
* **Attribute**: 개체의 속성 (예: 이름, 가격).
* **Relationship**: 개체 간의 연관성 (예: 회원이 상품을 주분한다).
2. **Cardinality (사상비)**:
- * 1:1, 1:N, N:M 관계 정의를 통해 데이터의 무결성 정책 확보. (Reliability와 연결)
+ * 1:1, 1:N, N:M 관계 정의를 통해 데이터의 무결성 정책 확보. ([[Reliability]]와 연결)
3. **왜 중요한가?**:
- * 비즈니스 로직 정책을 물리적인 DB 테이블로 변환하기 전, 데이터의 중복 정책과 모순 정책을 사전에 제거하는 '설계의 정수'이기 때문임. (Technical-Architecture와 연결)
+ * 비즈니스 로직 정책을 물리적인 DB 테이블로 변환하기 전, 데이터의 중복 정책과 모순 정책을 사전에 제거하는 '설계의 정수'이기 때문임. ([[Technical-Architecture]]와 연결)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거에는 관계형 DB(RDBMS) 정책만을 위한 도구였으나, 현대 정책은 NoSQL 이나 그래프 DB 정책 설계 시에도 데이터 간의 '개념적 관계 정책'을 시각화하는 범용 설계 도구로 쓰임(RL Update).
-- **정책 변화(RL Update)**: 이제는 사람이 일일이 그리는 것을 넘어, AI 가 비즈니스 요구사항 정책(Text)을 읽고 최적의 정규화 정책(Normalization)이 적용된 ERD 정책을 자동으로 생성하고 성능 정책을 예측하는 'AI-Assisted Modeling'으로 진화 중임. (Schema와 연결)
+- **정책 변화(RL Update)**: 이제는 사람이 일일이 그리는 것을 넘어, AI 가 비즈니스 요구사항 정책(Text)을 읽고 최적의 정규화 정책([[Normalization]])이 적용된 ERD 정책을 자동으로 생성하고 성능 정책을 예측하는 'AI-Assisted Modeling'으로 진화 중임. (Schema와 연결)
## 🔗 지식 연결 (Graph)
- [[Technical-Architecture]], [[Reliability]], [[Schema]], [[Logic]], [[Complexity-Theory]], Generalization
-- **Key Concept**: Primary Key, Foreign Key, Integrity Constraints.
+- **Key Concept**: Primary Key, Foreign Key, Inte[[Grit]]y Constraints.
---
diff --git a/10_Wiki/Topics/AI/Entropy in Information Theory.md b/10_Wiki/Topics/AI/Entropy in Information Theory.md
index db0e0cb8..644e4194 100644
--- a/10_Wiki/Topics/AI/Entropy in Information Theory.md
+++ b/10_Wiki/Topics/AI/Entropy in Information Theory.md
@@ -2,11 +2,11 @@
id: INFO-ENTROPY-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [math, information-theory, entropy, probability, data-compression]
+tags: [math, [[Information-Theory]], entropy, probability, data-compression]
last_reinforced: 2026-04-26
---
-# Entropy in Information Theory (정보 이론에서의 엔트로피)
+# Entropy in [[Information Theory]] (정보 이론에서의 엔트로피)
## 📌 한 줄 통찰 (The Karpathy Summary)
> "놀라움의 정도를 숫자로 측정하여 정보의 본질적 가치를 규명하라" — 클로드 섀넌이 정의한 개념으로, 확률 분포의 불확실성(Uncertainty)이나 무작위성을 수치화한 것이며, 데이터를 전송하거나 저장할 때 필요한 최소한의 정보량을 의미함.
@@ -17,12 +17,12 @@ last_reinforced: 2026-04-26
- **Uncertainty:** 모든 사건의 확률이 균등할 때(가장 예측하기 힘들 때) 엔트로피가 최대가 됨.
- **Information Gain:** 특정 정보를 알게 됨으로써 줄어든 엔트로피의 양. 의사결정 나무의 학습 기준으로 활용.
- **Compression Limit:** 엔트로피는 이론적으로 도달 가능한 최적의 데이터 압축 한계를 정의함.
-- **의의:** 무의미한 소음(Noise)과 유의미한 신호(Signal)를 구분하고, 데이터 속에 숨겨진 지식의 밀도를 측정하는 척도 제공.
+- **의의:** 무의미한 소음([[Noise]])과 유의미한 신호(Signal)를 구분하고, 데이터 속에 숨겨진 지식의 밀도를 측정하는 척도 제공.
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌:** 열역학적 무질서도에서 시작된 개념을 '정보의 양'이라는 추상적 가치로 확장하여 디지털 통신과 AI 시대를 여는 이론적 토대가 됨.
- **정책 변화:** Antigravity 프로젝트는 문서 내의 키워드 추출이나 지식의 중요도 산출 시, 해당 단어나 문장이 지식 네트워크의 전체 엔트로피를 얼마나 낮추는지(정보 이득)를 기준으로 가치를 평가함.
## 🔗 지식 연결 (Graph)
-- Cross-Entropy-Loss, Decision-Trees-and-Random-Forests, [[Information-Theory]], Cybernetics-Foundations
+- Cross-Entropy-Loss, Decision-Trees-and-Random-Forests, [[Information-Theory]], [[Cybernetics]]-Foundations
- **Raw Source:** 10_Wiki/Topics/AI/Entropy in Information Theory.md
diff --git a/10_Wiki/Topics/AI/Environment-Design-in-RL.md b/10_Wiki/Topics/AI/Environment-Design-in-RL.md
index 6fb9b083..b7a957e4 100644
--- a/10_Wiki/Topics/AI/Environment-Design-in-RL.md
+++ b/10_Wiki/Topics/AI/Environment-Design-in-RL.md
@@ -2,7 +2,7 @@
id: RL-ENV-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [reinforcement-learning, ai, environment-design, mdp, simulation]
+tags: [[[Reinforcement-Learning]], ai, environment-design, mdp, simulation]
last_reinforced: 2026-04-26
---
@@ -14,7 +14,7 @@ last_reinforced: 2026-04-26
## 📖 구조화된 지식 (Synthesized Content)
- **추출된 패턴:** 복잡한 현실 세계를 마르코프 결정 과정(MDP)으로 추상화하고, 에이전트가 원하는 방향으로 유도되도록 보상의 빈도와 강도를 조절하는 보상 설계(Reward Engineering) 패턴.
- **핵심 요소:**
- - **State Space (S):** 학습에 필요한 정보만 포함하되 차원의 저주를 피하도록 설계.
+ - **[[State]] Space (S):** 학습에 필요한 정보만 포함하되 차원의 저주를 피하도록 설계.
- **Action Space (A):** 연속적 vs 이산적 행동 정의.
- **Reward Function (R):** Sparse Reward(보상이 드묾) 문제를 해결하기 위한 Reward Shaping 도입.
- **Simulator Fidelity:** 시뮬레이션 환경의 정밀도와 연산 속도 사이의 균형.
@@ -25,5 +25,5 @@ last_reinforced: 2026-04-26
- **정책 변화:** Skybound 프로젝트의 함대 전투 AI 학습 시, 적 처치뿐만 아니라 아군 보호 및 연료 효율성 등 다각도의 환경 변수를 설계하여 균형 잡힌 전략을 유도함.
## 🔗 지식 연결 (Graph)
-- [[Reinforcement-Learning]], [[Markov-Decision-Process-MDP]], Reward-Shaping, Simulation-Principles
+- [[Reinforcement-Learning]], [[Markov-Decision-Process-MDP]], Reward-Shaping, Simulation-[[Principles]]
- **Raw Source:** 10_Wiki/Topics/AI/Environment-Design-in-RL.md
diff --git a/10_Wiki/Topics/AI/Enzyme-Inhibition-Kinetics.md b/10_Wiki/Topics/AI/Enzyme-Inhibition-Kinetics.md
index 808973b4..843719b1 100644
--- a/10_Wiki/Topics/AI/Enzyme-Inhibition-Kinetics.md
+++ b/10_Wiki/Topics/AI/Enzyme-Inhibition-Kinetics.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AUTO-EINK-001
+id: [[P-Reinforce]]-AUTO-EINK-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.94
tags: [auto-reinforced, enzyme-inhibition, kinetics, biochemistry, michaelis-menten, competitive-inhibition, drug-design]
@@ -19,7 +19,7 @@ last_reinforced: 2026-04-20
* **Non-competitive Inhibition**: 다른 부위에 결합하여 효소 구조 변경. Vmax 감소, Km 불변.
* **Uncompetitive Inhibition**: 효소-기질 복합체에만 결합. Vmax와 Km 모두 감소.
2. **왜 중요한가?**:
- * 대부분의 약물 정책(아스피린, 항암제 등)이 특정 효소의 활동 정책을 저해하는 방식이므로, 이 속도론적 지표(Ki)가 신약의 효능 정책을 결정하는 척도가 되기 때문임. (Scientific-Method와 연결)
+ * 대부분의 약물 정책(아스피린, 항암제 등)이 특정 효소의 활동 정책을 저해하는 방식이므로, 이 속도론적 지표(Ki)가 신약의 효능 정책을 결정하는 척도가 되기 때문임. ([[Scientific-Method]]와 연결)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거에는 실험 데이터 정책을 손으로 그리는 리뉴버-버크 플롯 정책 등에 의존했으나, 현대 정책은 강력한 컴퓨팅 정책(Molecular Dynamics)을 통해 저해제가 단백질과 결합하는 과정을 원자 단위에서 시뮬레이션함(RL Update). (Simulation와 연결)
diff --git a/10_Wiki/Topics/AI/Epidemiological-Modeling.md b/10_Wiki/Topics/AI/Epidemiological-Modeling.md
index 94b1ad2e..1c98a51e 100644
--- a/10_Wiki/Topics/AI/Epidemiological-Modeling.md
+++ b/10_Wiki/Topics/AI/Epidemiological-Modeling.md
@@ -1,12 +1,12 @@
---
-id: P-REINFORCE-AUTO-EPDM-001
+id: [[P-Reinforce]]-AUTO-EPDM-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.95
tags: [auto-reinforced, epidemiology, modeling, sir-model, public-health, simulation, forecasting]
last_reinforced: 2026-04-20
---
-# [[Epidemiological-Modeling]]
+# [[Epidemio[[Logic]]al-Modeling]]
## 📌 한 줄 통찰 (The Karpathy Summary)
> "질병 확산의 수학적 예언: 바이러스의 전파 속도, 사람 간 접촉 패턴, 면역 생성률을 수식에 담아 '언제 정점에 도달하고 얼마나 많은 백신이 필요한가'를 예측하여 국가의 방역 정책을 결정하는 데이터 과학의 창."
@@ -18,7 +18,7 @@ last_reinforced: 2026-04-20
* **Susceptible (S)**: 감염 가능한 인구.
* **Infectious (I)**: 감염자.
* **Recovered (R)**: 회복자/면역자.
- * **R0 (Basic Reproduction Number)**: 감염자 1명이 평균적으로 감염시키는 인원수. R0 > 1 이면 대유행 발생. (Statistics와 연결)
+ * **R0 (Basic Reproduction Number)**: 감염자 1명이 평균적으로 감염시키는 인원수. R0 > 1 이면 대유행 발생. ([[Statistics]]와 연결)
2. **왜 중요한가?**:
* 봉쇄 정책, 마스크 착용, 백신 접종 등의 정책 변화 정책이 실제 확산세 정책에 미치는 영향을 데이터로 미리 검증할 수 있기 때문임. (Simulation와 연결)
@@ -28,5 +28,5 @@ last_reinforced: 2026-04-20
## 🔗 지식 연결 (Graph)
- Simulation, [[Statistics]], Complexity-Science, [[Risk-Management]], [[Sustainability]], Bio-Informatics
-- **Key Milestone**: COVID-19 real-time modeling and strategy.
+- **Key Milestone**: COVID-19 real-time modeling and [[Strategy]].
---
diff --git a/10_Wiki/Topics/AI/Epistemic-Uncertainty.md b/10_Wiki/Topics/AI/Epistemic-Uncertainty.md
index 486bb761..4a491e38 100644
--- a/10_Wiki/Topics/AI/Epistemic-Uncertainty.md
+++ b/10_Wiki/Topics/AI/Epistemic-Uncertainty.md
@@ -2,7 +2,7 @@
id: UNCERT-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [ai, probability, statistics, epistemic-uncertainty, bayesian-deep-learning]
+tags: [ai, probability, [[Statistics]], epistemic-uncertainty, bayesian-[[Deep-Learning]]]
last_reinforced: 2026-04-26
---
@@ -16,7 +16,7 @@ last_reinforced: 2026-04-26
- **주요 특징:**
- **Reducibility:** 더 많은 데이터를 수집하고 학습할수록 불확실성이 감소함.
- **Bayesian Approach:** 가중치를 단일값이 아닌 확률 분포로 취급하여 불확실성 산출.
- - **Active Learning:** 인식적 불확실성이 높은 데이터를 선별하여 라벨링함으로써 학습 효율 극대화.
+ - **[[Active Learning]]:** 인식적 불확실성이 높은 데이터를 선별하여 라벨링함으로써 학습 효율 극대화.
- **의의:** 자율주행이나 의료 진단과 같이 안전이 중요한 분야에서, 모델이 확신할 수 없는 상황을 판단하여 인간에게 제어권을 넘기거나 경고를 주는 근거가 됨.
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
diff --git a/10_Wiki/Topics/AI/Epistemology.md b/10_Wiki/Topics/AI/Epistemology.md
index 66d14764..d73052a9 100644
--- a/10_Wiki/Topics/AI/Epistemology.md
+++ b/10_Wiki/Topics/AI/Epistemology.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-EPIS-001
+id: [[P-Reinforce]]-AUTO-EPIS-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.88
-tags: [auto-reinforced, epistemology, philosophy, knowledge, belief, truth, ai-epistemology]
+tags: [auto-reinforced, epistemology, [[Philosophy]], knowledge, belief, truth, ai-epistemology]
last_reinforced: 2026-04-20
---
diff --git a/10_Wiki/Topics/AI/Equality.md b/10_Wiki/Topics/AI/Equality.md
index e851259d..bf178119 100644
--- a/10_Wiki/Topics/AI/Equality.md
+++ b/10_Wiki/Topics/AI/Equality.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-EQUA-001
+id: [[P-Reinforce]]-AUTO-EQUA-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.81
-tags: [auto-reinforced, equality, social-justice, ethics, diversity, accessibility]
+tags: [auto-reinforced, equality, social-justice, ethics, diversity, [[Accessibility]]]
last_reinforced: 2026-04-20
---
@@ -19,10 +19,10 @@ last_reinforced: 2026-04-20
* **Substantive Equality (Equity)**: 실제 불리한 여건을 고려하여 결과의 평등을 지향하는 정책적 배려.
* **Digital Equality**: 정보 접근성(Accessibility)의 격차를 줄여 소외 계층 없이 기술의 혜택을 누리는 것.
2. **왜 중요한가?**:
- * AI 시스템이 채용, 대출, 범죄 예측 등에서 특정 인종이나 성별에 편향될 경우 사회적 불평등을 고착화할 수 있으므로, 기술적 설계 단계의 평등 가치 주입이 필수적임. (Ethics & AI와 연결)
+ * AI 시스템이 채용, 대출, 범죄 예측 등에서 특정 인종이나 성별에 편향될 경우 사회적 불평등을 고착화할 수 있으므로, 기술적 설계 단계의 평등 가치 주입이 필수적임. ([[Ethics & AI]]와 연결)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
-- **과거 데이터와의 충돌**: 과거에는 단순히 '데이터에 있는 대로' 학습하는 것이 공정하다 믿었으나, 현대 정책은 데이터 자체가 가진 역사적 차별을 인정하고 이를 보정하는 '반편향(Debiasing) 기술 정책'을 통해 능동적 평등을 추구함(RL Update). (Cognitive Biases와 연결)
+- **과거 데이터와의 충돌**: 과거에는 단순히 '데이터에 있는 대로' 학습하는 것이 공정하다 믿었으나, 현대 정책은 데이터 자체가 가진 역사적 차별을 인정하고 이를 보정하는 '반편향(Debiasing) 기술 정책'을 통해 능동적 평등을 추구함(RL Update). ([[Cognitive Biases]]와 연결)
- **정책 변화(RL Update)**: AI 모델의 다국어 지원 정책과 저사양 기기 호환 정책 또한 '지식의 평등 정책'의 일환으로 중요시되며, 누구나 고성능 지능의 혜택을 누리는 '보편적 복지로서의 지능 정책'으로 진화 중임.
## 🔗 지식 연결 (Graph)
diff --git a/10_Wiki/Topics/AI/Ergodic-Theory.md b/10_Wiki/Topics/AI/Ergodic-Theory.md
index 2c070feb..50984ce9 100644
--- a/10_Wiki/Topics/AI/Ergodic-Theory.md
+++ b/10_Wiki/Topics/AI/Ergodic-Theory.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-ERTH-001
+id: [[P-Reinforce]]-AUTO-ERTH-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.93
-tags: [auto-reinforced, ergodic-theory, dynamics, statistical-physics, probability, chaos, stability]
+tags: [auto-reinforced, ergodic-theory, dynamics, statistical-[[Physics]], probability, chaos, [[Stability]]]
last_reinforced: 2026-04-20
---
@@ -16,13 +16,13 @@ last_reinforced: 2026-04-20
1. **핵심 원리**:
* **Ergodicity**: 충분한 시간이 주어지면, 시스템의 상태가 상태 공간 전체를 균일하게 방문한다는 가정.
- * **Time Average = Space Average**: 개별 시스템을 오래 관찰한 결과가, 같은 조건의 수많은 시스템을 한 번에 관찰한 평균과 같음. (Statistics와 연결)
+ * **Time Average = Space Average**: 개별 시스템을 오래 관찰한 결과가, 같은 조건의 수많은 시스템을 한 번에 관찰한 평균과 같음. ([[Statistics]]와 연결)
2. **왜 중요한가?**:
- * 분자 수조 개의 움직임(미시적)을 일일이 추적하지 않고도 온도나 압력(거시적) 같은 시스템의 성질 정책을 안정적으로 계산할 수 있게 하기 때문임. (System-Theory와 연결)
+ * 분자 수조 개의 움직임(미시적)을 일일이 추적하지 않고도 온도나 압력(거시적) 같은 시스템의 성질 정책을 안정적으로 계산할 수 있게 하기 때문임. ([[System-Theory]]와 연결)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거에는 거의 모든 물리계 정책이 에르고드적이라 가정했으나, 현대 정책은 '비에르고드적(Non-ergodic)' 상황(예: 금융 시장, 특정 복잡계)에서 평균값이 미래를 예측 정책에 오역을 줄 수 있다는 사실을 강조함(RL Update).
-- **정책 변화(RL Update)**: 이제는 단순 물리 환경 정책을 넘어, AI 의 가중치 최적화 경로 정책이나 알고리즘의 수렴성 정책을 분석할 때 에르고드적 성질 정책 유무를 판단하는 것이 알고리즘 안정성 정책의 핵심이 됨. (Reliability와 연결)
+- **정책 변화(RL Update)**: 이제는 단순 물리 환경 정책을 넘어, AI 의 가중치 최적화 경로 정책이나 알고리즘의 수렴성 정책을 분석할 때 에르고드적 성질 정책 유무를 판단하는 것이 알고리즘 안정성 정책의 핵심이 됨. ([[Reliability]]와 연결)
## 🔗 지식 연결 (Graph)
- [[Statistics]], [[System-Theory]], [[Reliability]], [[Complexity-Theory]], Entropy, [[Analysis]]
diff --git a/10_Wiki/Topics/AI/Ergonomics-in-Workspace-Design.md b/10_Wiki/Topics/AI/Ergonomics-in-Workspace-Design.md
index 9ac98d7d..f122c144 100644
--- a/10_Wiki/Topics/AI/Ergonomics-in-Workspace-Design.md
+++ b/10_Wiki/Topics/AI/Ergonomics-in-Workspace-Design.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AI-ERGO
+id: [[P-Reinforce]]-AI-ERGO
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.94
tags: [Design, Ergonomics, HumanFactors, Workspace]
@@ -13,7 +13,7 @@ last_reinforced: 2026-04-20
## 📖 구조화된 지식 (Synthesized Content)
- **Physical Ergonomics**:
- - **Posture**: 척추의 자연스러운 곡선을 유지하는 의자(Lumbar support).
+ - **Posture**: 척추의 자연스러운 곡선을 유지하는 의자(Lumbar [[Support]]).
- **Eye-level**: 거북목 방지를 위한 모니터 높이 및 거리 조절.
- **Reach Zone**: 자주 쓰는 도구는 몸 근처에 배치하여 어깨 피로 감소.
- **Cognitive Ergonomics**:
@@ -25,5 +25,5 @@ last_reinforced: 2026-04-20
- 최신 인간공학은 단순히 '편안함'을 넘어 '능동적 휴식'과 결합하고 있다. (예: 스탠딩 데스크, 걷는 회의 등). AI 분야에서는 사무 환경을 실시간 감시하여 유저의 자세가 굽어지면 알람을 주거나, 스트레스 수치에 따라 조명과 높낮이를 자동 조절하는 'Adaptive Workspace'로 진화 중이다.
## 🔗 지식 연결 (Graph)
-- Related: [[Gestalt-Principles-of-Design]] , Human-Computer-Interaction (HCI)
+- Related: [[Gestalt-[[Principles]]-of-Design]] , [[Human-Computer-Interaction]] (HCI)
- Health: Repetitive-Strain-Injury (RSI)
diff --git a/10_Wiki/Topics/AI/Error-Boundary-Pattern.md b/10_Wiki/Topics/AI/Error-Boundary-Pattern.md
index e9fce04c..71abd228 100644
--- a/10_Wiki/Topics/AI/Error-Boundary-Pattern.md
+++ b/10_Wiki/Topics/AI/Error-Boundary-Pattern.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AI-ERROR-BOUNDARY
+id: [[P-Reinforce]]-AI-ERROR-BOUNDARY
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.99
-tags: [React, Patterns, Resilience, Reliability]
+tags: [React, Patterns, [[Resilience]], [[Reliability]]]
last_reinforced: 2026-04-20
---
@@ -14,7 +14,7 @@ last_reinforced: 2026-04-20
## 📖 구조화된 지식 (Synthesized Content)
- **The Core Problem**: 리액트에서는 렌더링 중 발생한 하나의 에러가 처리되지 않으면 전체 컴포넌트 트리가 해제되어 화면이 하얗게 변함(White screen of death).
- **Implementation**:
- - `componentDidCatch`와 `getDerivedStateFromError` 생명주기 메서드를 가진 클래스 컴포넌트로 구현.
+ - `componentDidCatch`와 `getDerived[[State]]FromError` 생명주기 메서드를 가진 클래스 컴포넌트로 구현.
- 에러 발생 시 상태를 업데이트하고 부모 쪽에서 에러 로그를 전송(Sentry 등).
- **Graceful Degradation**: 에러가 난 특정 위젯만 "데이터를 불러오지 못했습니다"라고 표시하고 나머지 앱 기능은 정상 유지.
diff --git a/10_Wiki/Topics/AI/Es-Lint-Configuration.md b/10_Wiki/Topics/AI/Es-Lint-Configuration.md
index 2a28c480..9e94ad9b 100644
--- a/10_Wiki/Topics/AI/Es-Lint-Configuration.md
+++ b/10_Wiki/Topics/AI/Es-Lint-Configuration.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AI-ESLINT
+id: [[P-Reinforce]]-AI-[[ESLint]]
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.00
-tags: [JavaScript, Tooling, ESLint, StaticAnalysis]
+tags: [[[JavaScript]], Tooling, ESLint, Static[[Analysis]]]
last_reinforced: 2026-04-20
---
@@ -13,15 +13,15 @@ last_reinforced: 2026-04-20
## 📖 구조화된 지식 (Synthesized Content)
- **Configuration Layers**:
- - **Parser**: TS, Babel 등 최신 문법을 분석할 수 있게 변환.
+ - **[[Parser]]**: TS, Babel 등 최신 문법을 분석할 수 있게 변환.
- **Plugins**: 특정 프레임워크 전용 규칙 추가 (React, NestJS 등).
- **Extends**: 구글, 에어비앤비 등에서 검증된 설정 세트를 그대로 상속.
- **Rules**: 'off', 'warn', 'error' 3단계로 개별 규칙의 엄격도 조절.
- **Auto-fix**: 저장 시점에 세미콜론 누락, 안 쓰는 변수 제거 등을 자동으로 교정하여 생산성 향상.
## ⚠️ 모순 및 업데이트 (RL Update)
-- 최신 ESLint(v9+)는 설정 파일 형식이 완전히 바뀐 'Flat Config' 시대로 진입했다. 기존 `eslintrc.*` 방식은 레거시가 되었으므로, 새로운 프로젝트에서는 `eslint.config.js`를 사용해야 한다. 또한 포맷팅 전용 도구인 Prettier와 충돌하지 않도록 역할 분담(Linter: 논리검사, Formatter: 모양검사)을 명확히 하는 것이 핵심이다.
+- 최신 ESLint(v9+)는 설정 파일 형식이 완전히 바뀐 'Flat Config' 시대로 진입했다. 기존 `eslintrc.*` 방식은 레거시가 되었으므로, 새로운 프로젝트에서는 `eslint.config.js`를 사용해야 한다. 또한 포맷팅 전용 도구인 [[Prettier]]와 충돌하지 않도록 역할 분담(Linter: 논리검사, Formatter: 모양검사)을 명확히 하는 것이 핵심이다.
## 🔗 지식 연결 (Graph)
- Related: Prettier-Configuration , [[Custom-ESLint-Rules-Development]]
-- Part of: [[SAST (Static Application Security Testing)]]
+- Part of: [[SAST (Static Application Security [[Testing]])]]
diff --git a/10_Wiki/Topics/AI/Escalation-of-Commitment.md b/10_Wiki/Topics/AI/Escalation-of-Commitment.md
index c5bdc7fa..ed59dd19 100644
--- a/10_Wiki/Topics/AI/Escalation-of-Commitment.md
+++ b/10_Wiki/Topics/AI/Escalation-of-Commitment.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-ESCM-001
+id: [[P-Reinforce]]-AUTO-ESCM-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.94
-tags: [auto-reinforced, escalation-of-commitment, sunk-cost-fallacy, decision-making, psychology, behavioral-economics, management]
+tags: [auto-reinforced, escalation-of-commitment, sunk-cost-fallacy, decision-making, [[Psychology]], [[Behavior]]al-economics, [[Management]]]
last_reinforced: 2026-04-20
---
@@ -15,16 +15,16 @@ last_reinforced: 2026-04-20
몰입의 상승(Escalation-of-Commitment)은 의사결정자가 부정적인 결과가 나타남에도 불구하고 기존의 결정이나 행동 노선을 고수하고 자원을 추가로 투입하는 현상입니다.
1. **발생 원인**:
- * **Sunk Cost Fallacy (매몰비용 오류)**: 이미 지불한 비용을 회수하려는 강박. (Economics-of-Information와 연결)
+ * **Sunk Cost Fallacy (매몰비용 오류)**: 이미 지불한 비용을 회수하려는 강박. ([[Economics-of-Information]]와 연결)
* **Self-Justification**: 자신의 과거 판단 정책이 틀렸음을 인정하지 않으려는 자아 방어 기제.
- * **Social Pressure**: 일관성 있는 리더로 보이고 싶은 사회적 압박. (Dramaturgy-Theory와 연결)
+ * **Social Pressure**: 일관성 있는 리더로 보이고 싶은 사회적 압박. ([[Dramaturgy-Theory]]와 연결)
2. **방지 전략**:
* **Stop-loss Rules**: 사전에 이탈 시점을 명확히 정의.
* **Outside Observers**: 과거 결정과 이해관계가 없는 외부 전문가의 조언 활용. (Decision-Making와 연결)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거에는 개인의 '의지'나 '기개'로 포장되기도 했으나, 현대 정책은 이를 명백한 '인지적 편향 정책'으로 규정하고 시스템적 제동 장치 정책 구축을 필수화함(RL Update).
-- **정책 변화(RL Update)**: 이제는 기업의 R&D 정책뿐만 아니라, AI 프로젝트의 알고리즘 편향 정책이나 성능 저하 정책 발견 시 즉시 작업을 중단(Abort)하는 기술적 의사결정에도 이 방지 전략 정책이 적용됨. (Project-Management와 연결)
+- **정책 변화(RL Update)**: 이제는 기업의 R&D 정책뿐만 아니라, AI 프로젝트의 알고리즘 편향 정책이나 성능 저하 정책 발견 시 즉시 작업을 중단(Abort)하는 기술적 의사결정에도 이 방지 전략 정책이 적용됨. ([[Project-Management]]와 연결)
## 🔗 지식 연결 (Graph)
- [[Economics-of-Information]], [[Dramaturgy-Theory]], Decision-Making, [[Project-Management]], Social-Psychology, Ethics
diff --git a/10_Wiki/Topics/AI/Ethical-Decision-Making.md b/10_Wiki/Topics/AI/Ethical-Decision-Making.md
index 41a6109f..1ca5a886 100644
--- a/10_Wiki/Topics/AI/Ethical-Decision-Making.md
+++ b/10_Wiki/Topics/AI/Ethical-Decision-Making.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-EDMA-001
+id: [[P-Reinforce]]-AUTO-EDMA-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.95
-tags: [auto-reinforced, ethical-decision-making, ethics, philosophy, justice, utilitariansim, deontology]
+tags: [auto-reinforced, ethical-decision-making, ethics, [[Philosophy]], justice, utilitariansim, de[[Ontology]]]
last_reinforced: 2026-04-20
---
@@ -16,11 +16,11 @@ last_reinforced: 2026-04-20
1. **3대 철학적 접근**:
* **Utilitarianism (공리주의)**: 최대 다수의 최대 행복. 결과적 영향 중심.
- * **Deontology (의무론)**: 보편적 도덕 원칙 준수 (예: 거짓말 금지). 과정의 정당성 중심. (Logic와 연결)
+ * **Deontology (의무론)**: 보편적 도덕 원칙 준수 (예: 거짓말 금지). 과정의 정당성 중심. ([[Logic]]와 연결)
* **Virtue Ethics (덕 윤리)**: 좋은 인간(또는 조직)이라면 어떻게 행동했을까? 행위자의 품성 중심.
2. **적용 단계**:
* **Awareness**: 윤리적 쟁점 정책 인식.
- * **Evaluation**: 각 대안이 이해관계자에게 미칠 영향 분석. (Sensitivity-Analysis와 대비).
+ * **Evaluation**: 각 대안이 이해관계자에게 미칠 영향 분석. (Sensitivity-[[Analysis]]와 대비).
* **Intention & Action**: 최선의 선택 실행 및 책임 수용.
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
@@ -28,6 +28,6 @@ last_reinforced: 2026-04-20
- **정책 변화(RL Update)**: 이제는 인간의 의사결정 정책을 넘어, 자율주행차나 의료 AI 가 맞닥뜨릴 '트롤리 딜레마' 상황에서 어떤 윤리 정책을 탑재(Embedding)할 것인가에 대한 수학적 정의가 연구의 핵심임. (Ethics와 연결)
## 🔗 지식 연결 (Graph)
-- [[Logic]], [[Sensitivity-Analysis]], Ethics, Decision-Making, [[Quality-Control]], [[Effective-Altruism-in-AI]]
+- [[Logic]], [[Sensitivity-Analysis]], Ethics, Decision-Making, [[Quality-Control]], [[Effective-[[Altruism]]-in-AI]]
- **Key Model**: Rest's Four-Component Model.
---
diff --git a/10_Wiki/Topics/AI/Ethics & AI.md b/10_Wiki/Topics/AI/Ethics & AI.md
index 50c9d92b..3c46fb2b 100644
--- a/10_Wiki/Topics/AI/Ethics & AI.md
+++ b/10_Wiki/Topics/AI/Ethics & AI.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-ETAI-001
+id: [[P-Reinforce]]-AUTO-ETAI-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.98
-tags: [auto-reinforced, ethics, ai-ethics, alignment, safety, responsibility, bias]
+tags: [auto-reinforced, ethics, ai-ethics, [[Alignment]], safety, responsibility, bias]
last_reinforced: 2026-04-20
---
@@ -16,8 +16,8 @@ AI 윤리(Ethics & AI)는 AI 시스템의 개발과 사용에서 발생하는
1. **핵심 원칙 (UNESCO/OECD 기준)**:
* **Transparency (투명성)**: AI가 왜 그런 결정을 내렸는지 설명 가능해야 함. (XAI와 연결)
- * **Fairness (공정성)**: 특정 집단에 비우호적인 결과가 나오지 않도록 관리. (Equality와 연결)
- * **Safety & Security**: 해킹이나 오작동으로 인한 물리적/정신적 피해 방지. (AI Safety와 연결)
+ * **Fairness (공정성)**: 특정 집단에 비우호적인 결과가 나오지 않도록 관리. ([[Equality]]와 연결)
+ * **Safety & Security**: 해킹이나 오작동으로 인한 물리적/정신적 피해 방지. ([[AI Safety]]와 연결)
* **Responsibility (책임성)**: 사고 발생 시 누가 책임을 지는가에 대한 법적/윤리적 주체 명확화.
2. **왜 중요한가?**:
* 기술이 통제를 벗어나 인간의 존엄성을 위협하는 것을 막고, 지속 가능한 인공지능 발전을 위한 사회적 합의의 기초가 됨.
@@ -28,5 +28,5 @@ AI 윤리(Ethics & AI)는 AI 시스템의 개발과 사용에서 발생하는
## 🔗 지식 연결 (Graph)
- [[Constitutional AI (헌법 AI)]], [[AI Safety]], [[Equality]], [[Epistemology]], [[Empathy-in-AI]]
-- **Modern Tech/Tools**: Red-teaming, Bias auditing tools, Ethics impact assessments (EIA).
+- **Modern Tech/Tools**: Red-teaming, Bias auditing tools, Ethics impact [[Assessment]]s (EIA).
---
diff --git a/10_Wiki/Topics/AI/Ethics of Autonomous Systems.md b/10_Wiki/Topics/AI/Ethics of Autonomous Systems.md
index a18c9bc6..e51e441f 100644
--- a/10_Wiki/Topics/AI/Ethics of Autonomous Systems.md
+++ b/10_Wiki/Topics/AI/Ethics of Autonomous Systems.md
@@ -2,11 +2,11 @@
id: ETHICS-AUTO-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [ai-ethics, autonomous-systems, accountability, alignment, future-tech]
+tags: [ai-ethics, autonomous-systems, accountability, [[Alignment]], future-tech]
last_reinforced: 2026-04-26
---
-# Ethics of Autonomous Systems (자율 시스템의 윤리)
+# Ethics of Autonomous[[ system]]s (자율 시스템의 윤리)
## 📌 한 줄 통찰 (The Karpathy Summary)
> "기계의 선택이 생명과 직결될 때, 그 책임과 도덕적 근거는 누구에게 있는가" — 인간의 개입 없이 스스로 의사결정을 내리는 자율 시스템(자율주행차, 무인 드론 등)이 사회적, 윤리적 가치와 충돌할 때 발생하는 문제들을 다루는 철학적/기술적 기준.
diff --git a/10_Wiki/Topics/AI/Ethics-in-Artificial-Intelligence.md b/10_Wiki/Topics/AI/Ethics-in-Artificial-Intelligence.md
index 144fdd65..fc7e0ae6 100644
--- a/10_Wiki/Topics/AI/Ethics-in-Artificial-Intelligence.md
+++ b/10_Wiki/Topics/AI/Ethics-in-Artificial-Intelligence.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AI-ETHICS
+id: [[P-Reinforce]]-AI-ETHICS
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.99
tags: [AI, Ethics, AISafety, Fairness, Bias]
@@ -20,7 +20,7 @@ last_reinforced: 2026-04-20
- **Safety**: 통제를 벗어난 AI '존재론적 위험(Existential Risk)'에 대한 선제적 방어.
## ⚠️ 모순 및 업데이트 (RL Update)
-- 윤리는 주관적이며 문화권마다 다르다. 서구권의 가치관이 담긴 AI가 전 세계에 표준으로 쓰이는 '윤리적 제국주의'에 대한 우려가 크다. 이에 따라 특정 기업이 아닌 인류 전체의 합의를 이끌어내기 위한 'Global AI Governance' 구축이 시급한 과제로 떠오르고 있다.
+- 윤리는 주관적이며 문화권마다 다르다. 서구권의 가치관이 담긴 AI가 전 세계에 표준으로 쓰이는 '윤리적 제국주의'에 대한 우려가 크다. 이에 따라 특정 기업이 아닌 인류 전체의 합의를 이끌어내기 위한 'Global [[AI Governance]]' 구축이 시급한 과제로 떠오르고 있다.
## 🔗 지식 연결 (Graph)
- Related: [[Explainable-AI (XAI)]] , [[Constitutional AI (헌법 AI)]]
diff --git a/10_Wiki/Topics/AI/Ethnographic-Research.md b/10_Wiki/Topics/AI/Ethnographic-Research.md
index 4a1c92f7..59193cfe 100644
--- a/10_Wiki/Topics/AI/Ethnographic-Research.md
+++ b/10_Wiki/Topics/AI/Ethnographic-Research.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-ETRE-001
+id: [[P-Reinforce]]-AUTO-ETRE-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.94
-tags: [auto-reinforced, ethnography, research-methodology, user-research, observation, contextual-inquiry, qualitative]
+tags: [auto-reinforced, ethnography, [[Re[[Search]]-Methodology]], user-[[Research]], [[Observation]], contextual-inquiry, qualitative]
last_reinforced: 2026-04-20
---
@@ -17,15 +17,15 @@ last_reinforced: 2026-04-20
1. **핵심 기법**:
* **Participant Observation**: 연구자가 커뮤니티의 일원이 되어 생활하며 관찰.
* **In-situ Interviews**: 행동이 일어나는 현장에서 즉석 질문 수행.
- * **Shadowing**: 사용자의 하루 일과를 그대로 따라다니며 페인 포인트(Pain point) 기록. (Customer-Journey-Mapping와 연결)
+ * **Shadowing**: 사용자의 하루 일과를 그대로 따라다니며 페인 포인트(Pain point) 기록. ([[Customer-Journey-Mapping]]와 연결)
2. **왜 중요한가?**:
- * 사용자 자신도 인지하지 못했던 '당연한 불편함'을 발견하여, 기존 시장에 없던 파괴적 혁신 제품 정책(Blue ocean)의 단초를 제공하기 때문임. (Innovation와 연결)
+ * 사용자 자신도 인지하지 못했던 '당연한 불편함'을 발견하여, 기존 시장에 없던 파괴적 혁신 제품 정책(Blue ocean)의 단초를 제공하기 때문임. ([[Innovation]]와 연결)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거에는 오프라인 오지 탐험 정책 위주였으나, 현대 정책은 커뮤니티 활동 로그, SNS 포스팅 등을 분석하는 '디지털 에스노그라피(Netnography) 정책'으로 진화함(RL Update).
-- **정책 변화(RL Update)**: 이제는 단순 관찰 정책을 넘어, AI 가 수억 명의 디지털 활동 궤적 정책을 분석하여 거시적인 문화적 흐름 정책을 민속지학적으로 해석해 주는 'Computational Ethnography 정책'이 부상 중임. (Text-Mining와 연결)
+- **정책 변화(RL Update)**: 이제는 단순 관찰 정책을 넘어, AI 가 수억 명의 디지털 활동 궤적 정책을 분석하여 거시적인 문화적 흐름 정책을 민속지학적으로 해석해 주는 'Computational Ethnography 정책'이 부상 중임. ([[Text-Mining]]와 연결)
## 🔗 지식 연결 (Graph)
- [[Customer-Journey-Mapping]], [[Innovation]], [[Text-Mining]], [[Research-Methodology]], [[Continuous-Discovery]], UX-Design-and-Engagement
-- **Key Goal**: Emic perspective (내부자의 시각).
+- **Key [[goal]]**: Emic perspective (내부자의 시각).
---
diff --git a/10_Wiki/Topics/AI/Etiology-of-Disease.md b/10_Wiki/Topics/AI/Etiology-of-Disease.md
index 93076d59..741a7e4a 100644
--- a/10_Wiki/Topics/AI/Etiology-of-Disease.md
+++ b/10_Wiki/Topics/AI/Etiology-of-Disease.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AUTO-ETDI-001
+id: [[P-Reinforce]]-AUTO-ETDI-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.93
tags: [auto-reinforced, etiology, disease, pathology, causality, genetics, environment]
@@ -15,9 +15,9 @@ last_reinforced: 2026-04-20
병인학(Etiology-of-Disease)은 질병의 원인과 그 인자들이 질병 발생에 기여하는 메커니즘을 연구하는 의학 및 생물학 분야입니다.
1. **원인의 분류**:
- * **Endogenous (내인성)**: 유전적 이상, 대사 장애, 면역 결함. (Enzyme-Inhibition-Kinetics와 연결)
- * **Exogenous (외인성)**: 바이러스/세균(Biological), 화학 물질/독소(Chemical), 외상/방사선(Physical).
- * **Multifactorial**: 유전과 환경의 복합적 상호작용. (Epidemiological-Modeling와 연결)
+ * **Endogenous (내인성)**: 유전적 이상, 대사 장애, 면역 결함. ([[Enzyme-Inhibition-Kinetics]]와 연결)
+ * **Exogenous (외인성)**: 바이러스/세균(Bio[[Logic]]al), 화학 물질/독소(Chemical), 외상/방사선(Physical).
+ * **Multifactorial**: 유전과 환경의 복합적 상호작용. ([[Epidemiological-Modeling]]와 연결)
2. **왜 중요한가?**:
* 원인을 정확히 알아야만 '표적 정밀 치료(Precision medicine)'가 가능하며, 반복되는 질병의 확산 경로 정책을 차단할 수 있기 때문임.
diff --git a/10_Wiki/Topics/AI/Eudaimonia-and-Well-being.md b/10_Wiki/Topics/AI/Eudaimonia-and-Well-being.md
index d1bd8009..2558c876 100644
--- a/10_Wiki/Topics/AI/Eudaimonia-and-Well-being.md
+++ b/10_Wiki/Topics/AI/Eudaimonia-and-Well-being.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AUTO-EUWE-001
+id: [[P-Reinforce]]-AUTO-EUWE-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.92
tags: [auto-reinforced, eudaimonia, well-being, aristotle, happiness, self-actualization, ethics]
@@ -16,12 +16,12 @@ last_reinforced: 2026-04-20
1. **Hedonia vs Eudaimonia**:
* **Hedonia**: 감각적 즐거움, 고통의 부재, 즉각적 만족.
- * **Eudaimonia**: 자아 성찰, 성품의 탁월함, 의미 있는 목표 달성. (Ethical-Decision-Making와 연결)
+ * **Eudaimonia**: 자아 성찰, 성품의 탁월함, 의미 있는 목표 달성. ([[Ethical-Decision-Making]]와 연결)
2. **현대 웰빙 이론 (PERMA 모델)**:
- * 긍정적 감정(P), 몰입(E), 관계(R), 의미(M), 성취(A)의 조화. (Social-Psychology와 연결)
+ * 긍정적 감정(P), 몰입(E), 관계(R), 의미(M), 성취(A)의 조화. (Social-[[Psychology]]와 연결)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
-- **과거 데이터와의 충돌**: 과거에는 개인의 '수양' 문제로만 보았으나, 현대 정책은 개인의 행복 정책이 그가 속한 시스템 정책과 환경 정책(Sustainability)에 크게 의존한다는 공동체적 관 정책점을 복원함(RL Update).
+- **과거 데이터와의 충돌**: 과거에는 개인의 '수양' 문제로만 보았으나, 현대 정책은 개인의 행복 정책이 그가 속한 시스템 정책과 환경 정책([[Sustainability]])에 크게 의존한다는 공동체적 관 정책점을 복원함(RL Update).
- **정책 변화(RL Update)**: 이제는 인간의 행복 정책을 넘어, AI 가 인간의 에우다이모니아 정책을 보조할 수 있는지, 아니면 단순 쾌락 정책(Attention-Economy)에 중독시켜 이를 파괴하는지에 대한 윤리적 기술 설계 담론이 활발함. (Ethics와 연결)
## 🔗 지식 연결 (Graph)
diff --git a/10_Wiki/Topics/AI/Event-Driven-Architecture.md b/10_Wiki/Topics/AI/Event-Driven-Architecture.md
index e1209ecc..a9785178 100644
--- a/10_Wiki/Topics/AI/Event-Driven-Architecture.md
+++ b/10_Wiki/Topics/AI/Event-Driven-Architecture.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AI-EVENT-DRIVEN
+id: [[P-Reinforce]]-AI-EVENT-DRIVEN
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.97
-tags: [Architecture, EventDriven, Async, PubSub]
+tags: [[[Architecture]], EventDriven, Async, PubSub]
last_reinforced: 2026-04-20
---
@@ -18,7 +18,7 @@ last_reinforced: 2026-04-20
- **Event Consumer**: 필요한 이벤트를 구독하여 로직을 실행함.
- **Benefits**:
- **Decoupling**: 생산자는 소비자가 누구인지 알 필요가 없다.
- - **Scalability**: 트래픽 급증 시 메시지 큐를 통해 부하를 분산 처리할 수 있다.
+ - **[[Scalability]]**: 트래픽 급증 시 메시지 큐를 통해 부하를 분산 처리할 수 있다.
- **Responsiveness**: 비동기 처리를 통해 즉각적인 사용자 피드백이 가능하다.
## ⚠️ 모순 및 업데이트 (RL Update)
diff --git a/10_Wiki/Topics/AI/Evolutionary Biology.md b/10_Wiki/Topics/AI/Evolutionary Biology.md
index ff41e49b..11e3c9ee 100644
--- a/10_Wiki/Topics/AI/Evolutionary Biology.md
+++ b/10_Wiki/Topics/AI/Evolutionary Biology.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AI-EVO-BIO
+id: [[P-Reinforce]]-AI-EVO-BIO
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.97
tags: [Biology, Evolution, Science, Darwinism]
diff --git a/10_Wiki/Topics/AI/Evolutionary Computation.md b/10_Wiki/Topics/AI/Evolutionary Computation.md
index 2d5e1aaa..6f52f06a 100644
--- a/10_Wiki/Topics/AI/Evolutionary Computation.md
+++ b/10_Wiki/Topics/AI/Evolutionary Computation.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AI-EVO-COMP
+id: [[P-Reinforce]]-AI-EVO-COMP
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.98
-tags: [AI, EvolutionaryComputation, Optimization, GeneticAlgorithm]
+tags: [AI, EvolutionaryComputation, [[Optimization]], GeneticAlgorithm]
last_reinforced: 2026-04-20
---
@@ -18,8 +18,8 @@ last_reinforced: 2026-04-20
- **Mutation & Crossover**: 지역 최적점(Local Minima)에 빠지지 않게 하고 새로운 탐색 영역을 넓히는 핵심 메커니즘.
## ⚠️ 모순 및 업데이트 (RL Update)
-- 딥러닝의 역전파(Backpropagation) 방식은 미분 가능한 함수에서만 작동하지만, 진화 연산은 '미분 불가능하거나 블랙박스 형태'의 최적화 문제에서도 강력한 위력을 발휘한다. 최근에는 신경망의 구조 자체를 진화시키는 'Neuroevolution'과 강화학습의 대안으로 대두되며 다시 주목받고 있다.
+- 딥러닝의 역전파([[Backpropagation]]) 방식은 미분 가능한 함수에서만 작동하지만, 진화 연산은 '미분 불가능하거나 블랙박스 형태'의 최적화 문제에서도 강력한 위력을 발휘한다. 최근에는 신경망의 구조 자체를 진화시키는 '[[Neuroevolution]]'과 강화학습의 대안으로 대두되며 다시 주목받고 있다.
## 🔗 지식 연결 (Graph)
- Related: [[Optimization-Algorithms]] , [[Genetic-Algorithms]]
-- AI Context: Reinforcement-Learning-vs-Evolutionary-Computation
+- AI Context: [[Reinforcement-Learning]]-vs-[[Evolutionary-Computation]]
diff --git a/10_Wiki/Topics/AI/Evolutionary-Algorithm-Design.md b/10_Wiki/Topics/AI/Evolutionary-Algorithm-Design.md
index b0fb2dab..c09da39c 100644
--- a/10_Wiki/Topics/AI/Evolutionary-Algorithm-Design.md
+++ b/10_Wiki/Topics/AI/Evolutionary-Algorithm-Design.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-EADI-001
+id: [[P-Reinforce]]-AUTO-EADI-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.95
-tags: [auto-reinforced, evolutionary-algorithm, genetic-algorithm, optimization, heuristic, bio-inspired, search-strategy]
+tags: [auto-reinforced, evolutionary-algorithm, genetic-algorithm, [[Optimization]], heuristic, bio-inspired, [[Search-Strategy]]]
last_reinforced: 2026-04-20
---
@@ -17,14 +17,14 @@ last_reinforced: 2026-04-20
1. **4대 핵심 연산**:
* **Selection**: 적합도(Fitness score)가 높은 개체를 다음 세대의 부모로 선택.
* **Crossover (Recombination)**: 부모의 '유전자(데이터)'를 섞어 새로운 자손 생성.
- * **Mutation**: 무작위 변이를 주어 가끔 새로운 지역을 탐색 (Local Optima 탈출). (Search-Strategy와 연결)
+ * **Mutation**: 무작위 변이를 주어 가끔 새로운 지역을 탐색 (Local Optima 탈출). ([[Search]]-[[Strategy]]와 연결)
* **Replacement**: 새로운 개체들로 인구 집단 업데이트.
2. **왜 중요한가?**:
* 미분 불가능하거나 수학적으로 정의하기 힘든 '블랙박스' 문제 상에서 가장 강력한 해 찾기 정책을 보여주기 때문임. (Optimization와 연결)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
-- **과거 데이터와의 충돌**: 과거에는 계산 비용 정책이 너무 비싸 외면받기도 했으나, 현대 정책은 강력한 병렬 컴퓨팅 정책(GPU)을 만나 거대 AI 모델의 구조 자체를 진화시키는 'NAS(Neural Architecture Search)' 분야에서 화려하게 부활함(RL Update).
-- **정책 변화(RL Update)**: 이제는 단순 유전 알고리즘 정책을 넘어, AI 가 스스로 진화 전략 정책을 설계(Auto-EA)하거나 강화학습과 결합하여 환경 변화에 실시간으로 적응하는 '자기 진화형 에이전트' 설계의 핵심 논리로 쓰임. (Reinforcement Learning (RL)와 연결)
+- **과거 데이터와의 충돌**: 과거에는 계산 비용 정책이 너무 비싸 외면받기도 했으나, 현대 정책은 강력한 병렬 컴퓨팅 정책(GPU)을 만나 거대 AI 모델의 구조 자체를 진화시키는 'NAS(Neural [[Architecture]] Search)' 분야에서 화려하게 부활함(RL Update).
+- **정책 변화(RL Update)**: 이제는 단순 유전 알고리즘 정책을 넘어, AI 가 스스로 진화 전략 정책을 설계(Auto-EA)하거나 강화학습과 결합하여 환경 변화에 실시간으로 적응하는 '자기 진화형 에이전트' 설계의 핵심 논리로 쓰임. ([[Reinforcement Learning (RL)]]와 연결)
## 🔗 지식 연결 (Graph)
- [[Search-Strategy]], [[Optimization]], [[Reinforcement Learning (RL)]], [[Complexity-Theory]], Generalization, Deep Learning (DL)
diff --git a/10_Wiki/Topics/AI/Evolutionary-Algorithms.md b/10_Wiki/Topics/AI/Evolutionary-Algorithms.md
index 0c20de20..fc27e7b4 100644
--- a/10_Wiki/Topics/AI/Evolutionary-Algorithms.md
+++ b/10_Wiki/Topics/AI/Evolutionary-Algorithms.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-EVAL-001
+id: [[P-Reinforce]]-AUTO-EVAL-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.94
-tags: [auto-reinforced, evolutionary-algorithms, genetic-algorithms, optimization, bio-inspired, search]
+tags: [auto-reinforced, evolutionary-algorithms, [[Genetic-Algorithms]], [[Optimization]], bio-inspired, [[Search]]]
last_reinforced: 2026-04-20
---
@@ -19,12 +19,12 @@ last_reinforced: 2026-04-20
* **Fitness Evaluation**: 각 솔루션이 얼마나 문제를 잘 푸는지 평가.
* **Selection**: 성적이 좋은 상위 개체 선택.
* **Reproduction (Crossover & Mutation)**: 부모 개체의 장점을 섞거나 우연한 변화를 주어 새로운 자손 생성.
- * **Iteration**: 최적의 결과가 나올 때까지 무한 반복.
+ * **[[Iteration]]**: 최적의 결과가 나올 때까지 무한 반복.
2. **왜 중요한가?**:
- * 수학적으로 미분 불가능하거나 규칙이 복잡하여 전통적 방식으로 풀기 어려운 거대 조합 최적화 문제에 강력함. (Combinatorial-Optimization과 밀접)
+ * 수학적으로 미분 불가능하거나 규칙이 복잡하여 전통적 방식으로 풀기 어려운 거대 조합 최적화 문제에 강력함. ([[Combinatorial-Optimization]]과 밀접)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
-- **과거 데이터와의 충돌**: 과거에는 연산 속도가 너무 느려 실용성이 떨어진다는 정책이 많았으나, 현대 정책은 강력한 GPU 연산과 결합하여 AI 신경망 구조 자체를 진화시키는 '신경 진화(Neuroevolution) 정책'으로 부활함(RL Update).
+- **과거 데이터와의 충돌**: 과거에는 연산 속도가 너무 느려 실용성이 떨어진다는 정책이 많았으나, 현대 정책은 강력한 GPU 연산과 결합하여 AI 신경망 구조 자체를 진화시키는 '신경 진화([[Neuroevolution]]) 정책'으로 부활함(RL Update).
- **정책 변화(RL Update)**: 강화학습의 그래디언트 방식이 막히는 복잡한 환경에서, 진화 알고리즘을 통한 '에이전트 모집단 학습 정책'이 더 강건한 인공지능을 만드는 대안 정책으로 연구되고 있음.
## 🔗 지식 연결 (Graph)
diff --git a/10_Wiki/Topics/AI/Evolutionary-Computation.md b/10_Wiki/Topics/AI/Evolutionary-Computation.md
index b7ff7466..5a8abb14 100644
--- a/10_Wiki/Topics/AI/Evolutionary-Computation.md
+++ b/10_Wiki/Topics/AI/Evolutionary-Computation.md
@@ -2,11 +2,11 @@
id: EVO-COMP-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [ai, evolutionary-computation, genetic-algorithm, optimization, bio-inspired]
+tags: [ai, evolutionary-computation, genetic-algorithm, [[Optimization]], bio-inspired]
last_reinforced: 2026-04-26
---
-# Evolutionary Computation (진화 연산)
+# [[Evolutionary Computation]] (진화 연산)
## 📌 한 줄 통찰 (The Karpathy Summary)
> "생존에 유리한 코드를 남기고 진화시켜 전역 최적해를 향한 지름길을 찾아라" — 다윈의 진화론에서 영감을 얻어, 후보 해들의 집단(Population)을 생성하고 교배와 돌연변이를 거쳐 세대를 거듭하며 해의 품질을 높여가는 확률적 최적화 알고리즘.
@@ -21,9 +21,9 @@ last_reinforced: 2026-04-26
- **의의:** 미분 불가능한 비선형 문제, 다목적 최적화, 신경망 구조 탐색(NAS) 등 광범위한 분야에서 활용.
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
-- **과거 데이터와의 충돌:** 초기에는 연산량이 많아 비효율적인 방식으로 여겨졌으나, 병렬 컴퓨팅의 발달과 신경망과의 결합(Neuroevolution)을 통해 다시 주목받음.
+- **과거 데이터와의 충돌:** 초기에는 연산량이 많아 비효율적인 방식으로 여겨졌으나, 병렬 컴퓨팅의 발달과 신경망과의 결합([[Neuroevolution]])을 통해 다시 주목받음.
- **정책 변화:** Antigravity 프로젝트는 에이전트의 전략 수립 모델 최적화 시, 강화학습과 진화 연산을 결합하여 안정성과 탐색 능력의 균형을 맞춤.
## 🔗 지식 연결 (Graph)
-- [[Genetic-Algorithms]], [[Black-Box-Optimization]], [[Neural-Architecture-Search-NAS]], [[Neural-Darwinism]]
+- [[Genetic-Algorithms]], [[Black-Box-Optimization]], [[Neural-[[Architecture]]-[[Search]]-NAS]], [[Neural-Darwinism]]
- **Raw Source:** 10_Wiki/Topics/AI/Evolutionary-Computation.md
diff --git a/10_Wiki/Topics/AI/Excess-Property-Checking.md b/10_Wiki/Topics/AI/Excess-Property-Checking.md
index 91c9a0c7..760eb0aa 100644
--- a/10_Wiki/Topics/AI/Excess-Property-Checking.md
+++ b/10_Wiki/Topics/AI/Excess-Property-Checking.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AI-TS-EXCESS-PROPERTITY
+id: [[P-Reinforce]]-AI-TS-EXCESS-PROPERTITY
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.00
tags: [TypeScript, Programming, TypeSafety, ErrorHandling]
@@ -13,7 +13,7 @@ last_reinforced: 2026-04-20
## 📖 구조화된 지식 (Synthesized Content)
- **Object Literal Restriction**: 변수에 미리 담지 않고 직접 `{...}` 형태로 넘길 때만 발동함.
-- **Structural Typing Exception**: TypeScript는 기본적으로 구조적 타이핑을 따르지만, 리터럴 할당 시에는 '엄격한 타입 일치'를 요구하여 버그를 줄임.
+- **[[Structural Typing]] Exception**: TypeScript는 기본적으로 구조적 타이핑을 따르지만, 리터럴 할당 시에는 '엄격한 타입 일치'를 요구하여 버그를 줄임.
- **Bypassing Methods**:
- 변수에 할당 후 전달.
- 타입 단언(`as AnyType`) 사용.
diff --git a/10_Wiki/Topics/AI/Executive Dysfunction.md b/10_Wiki/Topics/AI/Executive Dysfunction.md
index e877b47f..d95a2106 100644
--- a/10_Wiki/Topics/AI/Executive Dysfunction.md
+++ b/10_Wiki/Topics/AI/Executive Dysfunction.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AI-EXECUTIVE-DYS
+id: [[P-Reinforce]]-AI-EXECUTIVE-DYS
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.96
-tags: [Psychology, Brain, CognitiveScience, ExecutiveFunction]
+tags: [[[Psychology]], Brain, CognitiveScience, ExecutiveFunction]
last_reinforced: 2026-04-20
---
@@ -14,7 +14,7 @@ last_reinforced: 2026-04-20
## 📖 구조화된 지식 (Synthesized Content)
- **Key Challenges**:
- **Procrastination**: 시작 자체를 못 함 (Inhibition 문제).
- - **Working Memory**: 방금 하려던 걸 까먹음.
+ - **Working [[memory]]**: 방금 하려던 걸 까먹음.
- **Time Blindness**: 시간의 흐름을 인지하지 못함.
- **Decision Paralysis**: 여러 선택지 앞에서 압도됨.
- **Associated Conditions**: ADHD, 자폐 스펙트럼(ASD), 우울증, 전전두엽 손상.
@@ -23,5 +23,5 @@ last_reinforced: 2026-04-20
- 의지력(Willpower)의 부족이나 게으름과는 본질적으로 다르다. 신경학적으로 도파민 회로의 불균형이나 뇌 부위 간의 연결성 문제에서 기인한다. 현대에는 '환경 설계(Scaffolding)' 기술과 '외부 뇌(노션, 옵시디언 등)'를 활용하여 이러한 인지적 구멍을 메우는 보조 전략이 중요하게 다뤄진다.
## 🔗 지식 연결 (Graph)
-- Related: Dopaminergic-Reward-System , [[Executive-Function-Deficit]]
+- Related: [[Dopamine]]rgic-Reward-System , [[Executive-Function-Deficit]]
- Tool: GTD-Methodology
diff --git a/10_Wiki/Topics/AI/Executive-Function-Deficit.md b/10_Wiki/Topics/AI/Executive-Function-Deficit.md
index 3389e511..3a07a6e4 100644
--- a/10_Wiki/Topics/AI/Executive-Function-Deficit.md
+++ b/10_Wiki/Topics/AI/Executive-Function-Deficit.md
@@ -1,15 +1,15 @@
---
-id: P-REINFORCE-AI-EXECUTIVE-FUNC-DEFICIT
+id: [[P-Reinforce]]-AI-EXECUTIVE-FUNC-DEFICIT
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.95
-tags: [Neuroscience, Psychology, Cognition]
+tags: [Neuroscience, [[Psychology]], Cognition]
last_reinforced: 2026-04-20
---
# [[Executive-Function-Deficit]] (실행 기능 결핍)
## 📌 한 줄 통찰 (The Karpathy Summary)
-> "오케스트라 지휘자가 자리를 비운 상태." 목표 지향적인 행동을 가능하게 하는 고차원 인지 과정의 결손을 의미하며, 실행 기능 장애(Executive Dysfunction)와 유사한 개념으로 사용되지만 특히 발달 및 신경학적 '부재'에 초점을 둔다.
+> "오케스트라 지휘자가 자리를 비운 상태." 목표 지향적인 행동을 가능하게 하는 고차원 인지 과정의 결손을 의미하며, 실행 기능 장애([[Executive Dysfunction]])와 유사한 개념으로 사용되지만 특히 발달 및 신경학적 '부재'에 초점을 둔다.
## 📖 구조화된 지식 (Synthesized Content)
- **Core Components Affected**:
diff --git a/10_Wiki/Topics/AI/Exhaustiveness-Checking.md b/10_Wiki/Topics/AI/Exhaustiveness-Checking.md
index fae8618a..49ecd86f 100644
--- a/10_Wiki/Topics/AI/Exhaustiveness-Checking.md
+++ b/10_Wiki/Topics/AI/Exhaustiveness-Checking.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AI-EXHAUSTIVENESS
+id: [[P-Reinforce]]-AI-EXHAUSTIVENESS
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.99
tags: [TypeScript, Safety, ExhaustivenessCheck, NeverType]
@@ -20,7 +20,7 @@ last_reinforced: 2026-04-20
- 코드 유지보수 시 강력한 안전장치가 된다. 예를 들어 `UserRole`에 'Guest'가 새로 추가되면, 이를 처리하지 않은 모든 스위치 문에서 즉시 빨간 줄이 그어진다.
## ⚠️ 모순 및 업데이트 (RL Update)
-- 망라성 검사는 '닫힌 시스템(Closed System)'에서는 완벽하지만, 외부 라이브러리에서 동적으로 확장되는 타입에 대해서는 무력할 수 있다. 이때는 `assertNever`와 같은 헬퍼 함수를 사용하여 런타임 에러를 명시적으로 던지도록 설계해야 한다.
+- 망라성 검사는 '닫힌 시스템(Closed[[ system]])'에서는 완벽하지만, 외부 라이브러리에서 동적으로 확장되는 타입에 대해서는 무력할 수 있다. 이때는 `assertNever`와 같은 헬퍼 함수를 사용하여 런타임 에러를 명시적으로 던지도록 설계해야 한다.
## 🔗 지식 연결 (Graph)
- Related: [[Discriminated-Unions]] , Type-Soundness
diff --git a/10_Wiki/Topics/AI/Expectation-Maximization.md b/10_Wiki/Topics/AI/Expectation-Maximization.md
index 39e38601..f9a145e7 100644
--- a/10_Wiki/Topics/AI/Expectation-Maximization.md
+++ b/10_Wiki/Topics/AI/Expectation-Maximization.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-EXMA-001
+id: [[P-Reinforce]]-AUTO-EXMA-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.94
-tags: [auto-reinforced, em-algorithm, expectation-maximization, latent-variable, gmm, statistics, clustering, unsupervised-learning]
+tags: [auto-reinforced, em-algorithm, expectation-maximization, latent-variable, gmm, [[Statistics]], clustering, un[[Supervised-Learning]]]
last_reinforced: 2026-04-20
---
diff --git a/10_Wiki/Topics/AI/Expected Utility Theory.md b/10_Wiki/Topics/AI/Expected Utility Theory.md
index f8b10e72..7fdfdfed 100644
--- a/10_Wiki/Topics/AI/Expected Utility Theory.md
+++ b/10_Wiki/Topics/AI/Expected Utility Theory.md
@@ -2,7 +2,7 @@
id: EUT-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [economics, decision-theory, probability, psychology]
+tags: [economics, decision-theory, probability, [[Psychology]]]
last_reinforced: 2026-04-26
---
@@ -21,7 +21,7 @@ last_reinforced: 2026-04-26
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌:** 고전 경제학의 '완전한 합리성' 전제가 실제 인간의 비합리적 선택(Allais Paradox 등)을 설명하지 못한다는 비판을 받으며 전망 이론(Prospect Theory)으로 확장됨.
-- **정책 변화:** AI 에이전트의 위험 관리(Risk Management) 로직 설계 시, 단순 성공 확률뿐만 아니라 실패 시의 타격(Negative Utility)을 가중치로 두어 안정적인 의사결정을 유도함.
+- **정책 변화:** AI 에이전트의 위험 관리(Risk [[Management]]) 로직 설계 시, 단순 성공 확률뿐만 아니라 실패 시의 타격(Negative Utility)을 가중치로 두어 안정적인 의사결정을 유도함.
## 🔗 지식 연결 (Graph)
- **Parent:** 10_Wiki/💡 Topics/AI
diff --git a/10_Wiki/Topics/AI/Experience-Replay.md b/10_Wiki/Topics/AI/Experience-Replay.md
index d17794ad..c72aa19e 100644
--- a/10_Wiki/Topics/AI/Experience-Replay.md
+++ b/10_Wiki/Topics/AI/Experience-Replay.md
@@ -2,7 +2,7 @@
id: RL-REPLAY-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [reinforcement-learning, ai, experience-replay, dqn, stable-learning]
+tags: [[[Reinforcement-Learning]], ai, experience-replay, dqn, stable-learning]
last_reinforced: 2026-04-26
---
@@ -15,8 +15,8 @@ last_reinforced: 2026-04-26
- **추출된 패턴:** 실시간으로 유입되는 데이터 간의 강한 시간적 상관관계(Correlation)를 무작위 샘플링을 통해 파괴함으로써, 모델이 특정 상황에 편향되거나 발산하는 것을 막는 학습 안정화 패턴.
- **주요 효과:**
- **Reduced Correlation:** 연속된 샘플들이 서로 비슷하여 생기는 학습의 비효율성 해결.
- - **Data Efficiency:** 한 번의 경험을 여러 번 학습에 활용하여 데이터 가치 극대화.
- - **Stability:** 학습의 분산을 낮추어 신경망이 더 안정적으로 수렴하도록 도움.
+ - **Data [[Efficiency]]:** 한 번의 경험을 여러 번 학습에 활용하여 데이터 가치 극대화.
+ - **[[Stability]]:** 학습의 분산을 낮추어 신경망이 더 안정적으로 수렴하도록 도움.
- **고급 기법:**
- **Prioritized Experience Replay (PER):** 학습에 더 도움이 될 것 같은(오차가 큰) 중요한 경험을 더 자주 샘플링.
diff --git a/10_Wiki/Topics/AI/Experience-Sampling-Method.md b/10_Wiki/Topics/AI/Experience-Sampling-Method.md
index 1c0ea4df..e17e24e3 100644
--- a/10_Wiki/Topics/AI/Experience-Sampling-Method.md
+++ b/10_Wiki/Topics/AI/Experience-Sampling-Method.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-EXSM-001
+id: [[P-Reinforce]]-AUTO-EXSM-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.93
-tags: [auto-reinforced, esm, experience-sampling, user-research, ecological-validity, emotion-tracking, psychology]
+tags: [auto-reinforced, esm, experience-sampling, user-[[Research]], eco[[Logic]]al-validity, emotion-tracking, [[Psychology]]]
last_reinforced: 2026-04-20
---
@@ -16,16 +16,16 @@ last_reinforced: 2026-04-20
1. **3대 강점**:
* **Reduced Recall Bias**: 나중에 기억을 떠올릴 때 생기는 왜곡(회상 편향) 방지.
- * **Ecological Validity**: 실험실이 아닌 실제 생활 맥락(Natural setting)에서의 현상 포착. (Ethnographic-Research와 연결)
+ * **Ecological Validity**: 실험실이 아닌 실제 생활 맥락(Natural setting)에서의 현상 포착. ([[Ethnographic-Research]]와 연결)
* **Temporal Micro-patterns**: 하루 중 어떤 시간에 어떤 자극에 의해 감정이 변하는지 미세 패턴 분석.
2. **왜 중요한가?**:
- * 웰빙, 스트레스, 제품에 대한 실제 만족도 등 '시간에 따라 변하는(Dynamic)' 주관적 경험 정책을 포착하는 가장 정밀한 도구이기 때문임. (Eudaimonia-and-Well-being와 연결)
+ * 웰빙, 스트레스, 제품에 대한 실제 만족도 등 '시간에 따라 변하는(Dynamic)' 주관적 경험 정책을 포착하는 가장 정밀한 도구이기 때문임. ([[Eudaimonia-and-Well-being]]와 연결)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거에는 종이 수첩 정책이나 삐삐 정책을 써서 응답률 정책이 낮았으나, 현대 정책은 모바일 앱 정책과 웨어러블 기기 정책(Heart rate 등)을 결합하여 자동으로 상황 정책을 인지하고 질문을 던지는 '지능형 샘플링 정책'으로 고도화됨(RL Update).
- **정책 변화(RL Update)**: 이제는 단순 질문 정책을 넘어, AI 가 사용자의 음성 톤 정책이나 표정 정책을 분석하여 '부정적 감정 정책'이 감지될 때만 샘플링을 수행(Triggered sampling)하는 등 사용자 부하 정책을 줄이는 방향으로 진화 중임. (Social-Psychology와 연결)
## 🔗 지식 연결 (Graph)
-- [[Ethnographic-Research]], [[Eudaimonia-and-Well-being]], Social-Psychology, [[Research-Methodology]], Personalization, [[Continuous-Discovery]]
-- **Key Metric**: Affective state variability.
+- [[Ethnographic-Research]], [[Eudaimonia-and-Well-being]], Social-Psychology, [[Re[[Search]]-Methodology]], Personalization, [[Continuous-Discovery]]
+- **Key Metric**: Affective [[State]] variability.
---
diff --git a/10_Wiki/Topics/AI/Explainable-AI (XAI).md b/10_Wiki/Topics/AI/Explainable-AI (XAI).md
index 81ca11b0..f404f2b7 100644
--- a/10_Wiki/Topics/AI/Explainable-AI (XAI).md
+++ b/10_Wiki/Topics/AI/Explainable-AI (XAI).md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-EXAI-001
+id: [[P-Reinforce]]-AUTO-EXAI-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.97
-tags: [auto-reinforced, xai, explainable-ai, transparency, interpretability, trust]
+tags: [auto-reinforced, xai, explainable-ai, transparency, [[Interpretability]], trust]
last_reinforced: 2026-04-20
---
@@ -15,7 +15,7 @@ last_reinforced: 2026-04-20
설명 가능한 AI(XAI, Explainable-AI)는 AI 모델의 결과물에 대해 인간이 이해할 수 있는 설명을 제공하는 것을 목표로 합니다.
1. **왜 필요한가?**:
- * **Trust**: 의료, 금융 등 생명/자산과 직결된 분야에서는 "왜"라는 질문에 답할 수 있어야 함. (Ethics & AI와 연결)
+ * **Trust**: 의료, 금융 등 생명/자산과 직결된 분야에서는 "왜"라는 질문에 답할 수 있어야 함. ([[Ethics & AI]]와 연결)
* **Debugging**: 모델이 엉뚱한 곳을 보고 학습하는지(예: 배경을 보고 늑대를 분류) 확인.
* **Regulatory Compliance**: AI의 결정에 대해 사용자가 '설명받을 권리'를 법적으로 보장받는 추세.
2. **주요 기법**:
diff --git a/10_Wiki/Topics/AI/Explainable-AI-XAI.md b/10_Wiki/Topics/AI/Explainable-AI-XAI.md
index 6142d9f4..64b41e3c 100644
--- a/10_Wiki/Topics/AI/Explainable-AI-XAI.md
+++ b/10_Wiki/Topics/AI/Explainable-AI-XAI.md
@@ -2,7 +2,7 @@
id: XAI-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [ai, xai, explainable-ai, transparency, interpretability]
+tags: [ai, xai, explainable-ai, transparency, [[Interpretability]]]
last_reinforced: 2026-04-26
---
@@ -17,7 +17,7 @@ last_reinforced: 2026-04-26
- **LIME / SHAP:** 모델의 종류와 상관없이 특정 입력에 대한 예측 근거를 분석 (Post-hoc).
- **Attention Visualization:** 트랜스포머 모델이 어떤 단어나 이미지 영역에 집중했는지 시각화.
- **CAM (Class Activation Map):** 이미지 분류 시 어떤 픽셀 영역이 결정에 결정적이었는지 노출.
- - **Rule-based Surrogates:** 복잡한 모델을 단순한 의사결정 나무 등으로 근사하여 설명.
+ - **Rule-based Surro[[Gates]]:** 복잡한 모델을 단순한 의사결정 나무 등으로 근사하여 설명.
- **의의:** 의료, 금융, 법률 등 고위험 의사결정 분야에서 AI 도입을 가능하게 하는 필수 조건.
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
diff --git a/10_Wiki/Topics/AI/Exploding-Gradient Problem.md b/10_Wiki/Topics/AI/Exploding-Gradient Problem.md
index 514b9f3f..4274a634 100644
--- a/10_Wiki/Topics/AI/Exploding-Gradient Problem.md
+++ b/10_Wiki/Topics/AI/Exploding-Gradient Problem.md
@@ -2,7 +2,7 @@
id: GRAD-EXPL-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [ai, deep-learning, neural-networks, optimization, exploding-gradient]
+tags: [ai, [[Deep-Learning]], neural-networks, [[Optimization]], exploding-gradient]
last_reinforced: 2026-04-26
---
@@ -14,10 +14,10 @@ last_reinforced: 2026-04-26
## 📖 구조화된 지식 (Synthesized Content)
- **추출된 패턴:** 가중치 행렬의 고유값이 1보다 클 때, 연쇄 법칙에 의해 기울기가 곱해지며 무한히 증폭되는 수치적 불안정 패턴. 주로 순환 신경망(RNN)이나 매우 깊은 신경망에서 발생.
- **해결 기법:**
- - **Gradient Clipping:** 기울기가 일정 임계값(Threshold)을 넘지 않도록 강제로 자름 (가장 직접적인 해결책).
+ - **Gradient [[CLIP]]ping:** 기울기가 일정 임계값(Threshold)을 넘지 않도록 강제로 자름 (가장 직접적인 해결책).
- **Weight Initialization:** 가중치 초기값을 적절히 설정 (Xavier, He 초기화).
- - **Batch Normalization:** 각 층의 출력을 정규화하여 값의 범위를 제한.
- - **LSTM / GRU:** 게이트 구조를 통해 정보의 흐름을 조절하여 RNN의 고질적인 문제 완화.
+ - **Batch [[Normalization]]:** 각 층의 출력을 정규화하여 값의 범위를 제한.
+ - **[[LSTM]] / GRU:** 게이트 구조를 통해 정보의 흐름을 조절하여 RNN의 고질적인 문제 완화.
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌:** 기울기 소실(Vanishing Gradient) 문제에 가려져 덜 주목받았으나, 초거대 모델 학습 시 수치적 안정성을 깨뜨리는 주요 원인으로 부각됨.
diff --git a/10_Wiki/Topics/AI/Exploration vs Exploitation.md b/10_Wiki/Topics/AI/Exploration vs Exploitation.md
index ae61fd63..a22d931c 100644
--- a/10_Wiki/Topics/AI/Exploration vs Exploitation.md
+++ b/10_Wiki/Topics/AI/Exploration vs Exploitation.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-EXEX-001
+id: [[P-Reinforce]]-AUTO-EXEX-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.96
-tags: [auto-reinforced, exploration, exploitation, reinforcement-learning, multi-armed-bandit, strategy]
+tags: [auto-reinforced, exploration, exploitation, [[Reinforcement-Learning]], multi-armed-bandit, [[Strategy]]]
last_reinforced: 2026-04-20
---
@@ -24,9 +24,9 @@ last_reinforced: 2026-04-20
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거에는 최대한 빠르게 '안주 정책'으로 들어가는 것이 효율적이라 보았으나, 현대 정책은 복잡한 환경일수록 시스템에 '호기심(Curiosity) 정책'을 주입하여 끝까지 탐사하게 하는 것이 궁극의 지능을 만든다고 믿음(RL Update). (Reinforcement Learning과 연결)
-- **정책 변화(RL Update)**: 비즈니스 전략 정책에서, 기존 수익 모델에 안주하는 것(Exploitation)과 신사업을 발굴하는 것(Exploration) 사이의 '양손잡이 경영 정책'의 이론적 토대가 됨. (Strategic-Planning과 연결)
+- **정책 변화(RL Update)**: 비즈니스 전략 정책에서, 기존 수익 모델에 안주하는 것(Exploitation)과 신사업을 발굴하는 것(Exploration) 사이의 '양손잡이 경영 정책'의 이론적 토대가 됨. ([[Strategic-Planning]]과 연결)
## 🔗 지식 연결 (Graph)
- [[Reinforcement Learning (RL)]], Multi-Armed Bandit (MAB), [[Decision Theory]], [[Strategic-Planning]], [[Optimization]]
-- **Modern Tech/Tools**: Recommender systems (Exploration balance), A/B testing algorithms.
+- **Modern Tech/Tools**: Recommender[[ system]]s (Exploration balance), A/B [[Testing]] algorithms.
---
diff --git a/10_Wiki/Topics/AI/Exploration-vs-Exploitation.md b/10_Wiki/Topics/AI/Exploration-vs-Exploitation.md
index e7503896..06f711cb 100644
--- a/10_Wiki/Topics/AI/Exploration-vs-Exploitation.md
+++ b/10_Wiki/Topics/AI/Exploration-vs-Exploitation.md
@@ -2,11 +2,11 @@
id: RL-EX-BAL-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [reinforcement-learning, ai, decision-making, exploration, exploitation]
+tags: [[[Reinforcement-Learning]], ai, decision-making, exploration, exploitation]
last_reinforced: 2026-04-26
---
-# Exploration vs Exploitation (탐색과 활용의 균형)
+# [[Exploration vs Exploitation]] (탐색과 활용의 균형)
## 📌 한 줄 통찰 (The Karpathy Summary)
> "안전한 현재의 수익과 불확실한 미래의 가능성 사이에서 최적의 배팅 지점을 찾아라" — 강화학습의 핵심 딜레마로, 이미 알고 있는 최선의 행동을 반복하여 보상을 얻는 것(Exploitation)과 더 나은 행동을 찾기 위해 새로운 시도를 하는 것(Exploration) 사이의 트레이드오프.
diff --git a/10_Wiki/Topics/AI/Exploratory-Data-Analysis.md b/10_Wiki/Topics/AI/Exploratory-Data-Analysis.md
index 4eac4764..74b0515d 100644
--- a/10_Wiki/Topics/AI/Exploratory-Data-Analysis.md
+++ b/10_Wiki/Topics/AI/Exploratory-Data-Analysis.md
@@ -2,11 +2,11 @@
id: EDA-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [data-science, statistics, eda, visualization, machine-learning]
+tags: [data-science, [[Statistics]], eda, visualization, machine-learning]
last_reinforced: 2026-04-26
---
-# Exploratory Data Analysis (EDA, 탐색적 데이터 분석)
+# Exploratory Data [[Analysis]] (EDA, 탐색적 데이터 분석)
## 📌 한 줄 통찰 (The Karpathy Summary)
> "모델을 만들기 전, 데이터가 들려주는 날것의 이야기에 귀를 기울여라" — 수집된 데이터를 다양한 각도에서 관찰하고 시각화하여 데이터의 분포, 이상치, 변수 간 상관관계를 파악하고 가설을 세우는 필수적인 기초 분석 단계.
@@ -25,5 +25,5 @@ last_reinforced: 2026-04-26
- **정책 변화:** Antigravity 프로젝트는 새로운 위키 소스 데이터가 확보될 때마다 자동화된 EDA 리포트를 생성하여, 지식의 밀도와 편향성을 사전에 점검함.
## 🔗 지식 연결 (Graph)
-- Machine-Learning, [[Feature-Engineering]], [[Dimensionality-Reduction]], Principal-Component-Analysis-PCA
+- Machine-Learning, [[Feature-Engineering]], [[Dimensionality-Reduction]], [[Principal-Component-Analysis]]-PCA
- **Raw Source:** 10_Wiki/Topics/AI/Exploratory-Data-Analysis.md
diff --git a/10_Wiki/Topics/AI/Expo 2025 Osaka.md b/10_Wiki/Topics/AI/Expo 2025 Osaka.md
index f9b9f801..6dd46e1d 100644
--- a/10_Wiki/Topics/AI/Expo 2025 Osaka.md
+++ b/10_Wiki/Topics/AI/Expo 2025 Osaka.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AUTO-AE03AD
+id: [[P-Reinforce]]-AUTO-AE03AD
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.90
tags: [auto-reinforced]
@@ -10,11 +10,11 @@ github_commit: "[P-Reinforce] Continuous Worker - Expo 2025 Osaka"
# [[Expo 2025 Osaka]]
## 📌 한 줄 통찰 (The Karpathy Summary)
-> Expo 2025 Osaka는 고성능 WebGPU 및 Three.js 기술을 활용한 최첨단 3D 인터랙티브 경험이 전시된 행사입니다 [1-3]. 이곳에서는 100만 개의 파티클을 활용한 유체 시뮬레이션 설치물이 대형 4K 디스플레이에서 눈에 띄는 지연 없이 실시간으로 구동되었습니다 [2, 3]. 이 엑스포는 기존 아키텍처에 비해 WebGPU가 가져온 컴퓨팅 성능의 막대한 향상을 실증하는 주요 무대가 되었습니다 [1, 3].
+> Expo 2025 Osaka는 고성능 [[WebGPU]] 및 Three.js 기술을 활용한 최첨단 3D 인터랙티브 경험이 전시된 행사입니다 [1-3]. 이곳에서는 100만 개의 파티클을 활용한 유체 시뮬레이션 설치물이 대형 4K 디스플레이에서 눈에 띄는 지연 없이 실시간으로 구동되었습니다 [2, 3]. 이 엑스포는 기존 아키텍처에 비해 WebGPU가 가져온 컴퓨팅 성능의 막대한 향상을 실증하는 주요 무대가 되었습니다 [1, 3].
## 📖 구조화된 지식 (Synthesized Content)
- **고성능 기술 실증 사례:** Expo 2025 Osaka는 수많은 드로우 콜이나 연산 집약적인 효과가 필요한 환경에서 WebGPU가 제공하는 막대한 성능 향상을 실제 프로덕션 수준에서 입증한 주요 사례로 언급됩니다 [1].
-- **주요 전시물 (Waves of Connection / Hokusai installation):** 인터랙티브 크리에이티브 스튜디오인 Utsubo는 이 행사에서 "Hokusai installation" (또는 "Waves of Connection")이라는 설치 미술을 선보였습니다 [2, 3].
+- **주요 전시물 (Waves of Connection / Hokusai installation):** 인터랙티브 크리에이티브 스튜디오인 [[Utsubo]]는 이 행사에서 "Hokusai installation" (또는 "Waves of Connection")이라는 설치 미술을 선보였습니다 [2, 3].
- **기술적 성과:** 해당 설치물은 98인치 4K 디스플레이 상에서 100만 개(1M)의 파티클로 구성된 유체 시뮬레이션을 실시간으로 렌더링하는 데 성공했습니다 [2, 3]. 특히 눈에 띄는 지연(lag) 현상 없이 다수의 인원을 동시에 추적(multi-person body tracking)하는 고도의 기술적 성과를 달성했습니다 [3].
- **정보의 한계:** 제공된 데이터는 WebGPU 성능 최적화를 설명하기 위한 특정 설치물 사례에만 집중되어 있어, 엑스포 행사의 전체 규모나 다른 목적 등에 대해서는 소스에 관련 정보가 부족합니다.
@@ -23,7 +23,7 @@ github_commit: "[P-Reinforce] Continuous Worker - Expo 2025 Osaka"
- **정책 변화:** AI 분야의 자동 자산화 수행.
## 🔗 지식 연결 (Graph)
-- **Related Topics:** [[WebGPU]], Three.js, Particle System
+- **Related Topics:** [[WebGPU]], Three.js, Particle[[ system]]
- **Projects/Contexts:** [[Utsubo]], Hokusai installation, Waves of Connection
- **Contradictions/Notes:** 주어진 소스는 엑스포 내 특정 디지털 설치물(Utsubo의 유체 시뮬레이션)에 대한 기술적 성과만을 다루고 있으며, 엑스포 행사 전반에 대한 내용은 소스에 관련 정보가 부족합니다.
diff --git a/10_Wiki/Topics/AI/Exponential-Growth.md b/10_Wiki/Topics/AI/Exponential-Growth.md
index 6ba6907a..3a662659 100644
--- a/10_Wiki/Topics/AI/Exponential-Growth.md
+++ b/10_Wiki/Topics/AI/Exponential-Growth.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AUTO-EXGR-001
+id: [[P-Reinforce]]-AUTO-EXGR-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.92
tags: [auto-reinforced, exponential-growth, compounding, scaling, singularity, network-effects]
@@ -16,13 +16,13 @@ last_reinforced: 2026-04-20
1. **주요 특징**:
* **Compounding Effect**: 원금뿐 아니라 이자에도 이자가 붙듯, 성장이 성장을 낳는 구조.
- * **Deceptive Start**: 초기에는 선형적 성장보다도 느려 보일 수 있어 과소평가(Cognitive Biases)의 대상이 됨.
+ * **Deceptive Start**: 초기에는 선형적 성장보다도 느려 보일 수 있어 과소평가([[Cognitive Biases]])의 대상이 됨.
* **Scaling Laws**: 반도체 집적도(Moores Law)나 AI 모델의 규모 대비 성능 향상에서 극명하게 나타남.
2. **왜 중요한가?**:
- * AI 발전 속도는 인간의 선형적 인식을 훨씬 앞지르고 있으므로, 현재의 한계를 기준으로 미래를 판단하는 오류(Black-Swan 방치)를 막아줌.
+ * AI 발전 속도는 인간의 선형적 인식을 훨씬 앞지르고 있으므로, 현재의 한계를 기준으로 미래를 판단하는 오류([[Black-Swan]] 방치)를 막아줌.
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
-- **과거 데이터와의 충돌**: 과거에는 자원이나 전력의 한계로 성장이 멈출 것이라는 'S-커브 한계 정책'이 우세했으나, 현대 정책은 하드웨어와 알고리즘의 동시 발전을 통해 성장의 기울기를 매번 꺾어 올리는 '계단식 지수 성장 정책'으로 이어짐(RL Update). (Scalability와 연결)
+- **과거 데이터와의 충돌**: 과거에는 자원이나 전력의 한계로 성장이 멈출 것이라는 'S-커브 한계 정책'이 우세했으나, 현대 정책은 하드웨어와 알고리즘의 동시 발전을 통해 성장의 기울기를 매번 꺾어 올리는 '계단식 지수 성장 정책'으로 이어짐(RL Update). ([[Scalability]]와 연결)
- **정책 변화(RL Update)**: 단순히 '양적 팽창 정책'을 넘어, 지능의 질이 기하급수적으로 높아지는 '지각 능력의 지수화 정책'이 인류 문명에 미칠 임팩트를 관리하는 정책이 국가 전략의 핵심이 됨.
## 🔗 지식 연결 (Graph)
diff --git a/10_Wiki/Topics/AI/Extended-Reality-XR.md b/10_Wiki/Topics/AI/Extended-Reality-XR.md
index a5ecee4d..5dfddb8b 100644
--- a/10_Wiki/Topics/AI/Extended-Reality-XR.md
+++ b/10_Wiki/Topics/AI/Extended-Reality-XR.md
@@ -2,7 +2,7 @@
id: XR-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [future-tech, xr, vr, ar, mr, computer-vision, metaverse]
+tags: [future-tech, xr, vr, ar, mr, [[Computer-Vision]], metaverse]
last_reinforced: 2026-04-26
---
@@ -14,7 +14,7 @@ last_reinforced: 2026-04-26
## 📖 구조화된 지식 (Synthesized Content)
- **추출된 패턴:** 사용자의 시선과 움직임을 실시간으로 추적(Tracking)하고, 그에 맞춰 가상의 콘텐츠를 이질감 없이 렌더링하여 현실과 정합시키는 고도화된 공간 컴퓨팅 패턴.
- **핵심 기술 요소:**
- - **Spatial Computing:** 주변 공간을 3D로 인식하고 매핑 (SLAM 기술).
+ - **[[Spatial Computing]]:** 주변 공간을 3D로 인식하고 매핑 (SLAM 기술).
- **Haptic Feedback:** 가상 물체와 상호작용할 때 실제 촉감을 느끼게 하는 기술.
- **Eye Tracking & Hand Tracking:** AI를 통해 사용자의 의도를 미세한 신체 움직임으로 파악.
- **Passthrough:** 헤드셋 외부의 카메라 영상을 실시간으로 보여주며 가상 객체 합성.
@@ -25,5 +25,5 @@ last_reinforced: 2026-04-26
- **정책 변화:** Antigravity 프로젝트는 향후 지식 그래프를 3D 공간에서 시각화하고 탐색할 수 있는 XR 인터페이스 도입을 장기 로드맵에 포함함.
## 🔗 지식 연결 (Graph)
-- Computer-Vision-Mastery, [[Human-Computer-Interaction-HCI]], [[Artificial-Life]], [[Generative-AI-Impact]]
+- Computer-Vision-[[Mastery]], [[Human-Computer-Interaction-HCI]], [[Artificial-Life]], [[Generative-AI-Impact]]
- **Raw Source:** 10_Wiki/Topics/AI/Extended-Reality-XR.md
diff --git a/10_Wiki/Topics/AI/Externalities.md b/10_Wiki/Topics/AI/Externalities.md
index 0eecba23..625557d8 100644
--- a/10_Wiki/Topics/AI/Externalities.md
+++ b/10_Wiki/Topics/AI/Externalities.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AUTO-EXTE-001
+id: [[P-Reinforce]]-AUTO-EXTE-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.86
tags: [auto-reinforced, externalities, economics, spillover, social-cost, pollution]
@@ -22,9 +22,9 @@ last_reinforced: 2026-04-20
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거에는 공장 굴뚝 연기 같은 '물리적 오염 정책'에 집중했으나, 현대 정책은 AI가 생성하는 저퀄리티 정보 오염이나 알고리즘 확증 편향 같은 '디지털 외부효과 정책'으로 시야를 넓힘(RL Update).
-- **정책 변화(RL Update)**: 거대 AI 학습에 드는 막대한 전력 소비와 탄소 발자국 정책을 '사회적 비용 부과 정책'으로 내재화하려는 '지속 가능한 AI 정책'이 글로벌 스탠다드가 되고 있음. (Circular-Economy와 연결)
+- **정책 변화(RL Update)**: 거대 AI 학습에 드는 막대한 전력 소비와 탄소 발자국 정책을 '사회적 비용 부과 정책'으로 내재화하려는 '지속 가능한 AI 정책'이 글로벌 스탠다드가 되고 있음. ([[Circular-Economy]]와 연결)
## 🔗 지식 연결 (Graph)
- [[Economic-Analysis]], Environmental-Impact, [[Circular-Economy]], [[Ethics & AI]], [[Equality]]
-- **Modern Tech/Tools**: Carbon tax calculations, Social impact assessment tools.
+- **Modern Tech/Tools**: Carbon tax calculations, Social impact [[Assessment]] tools.
---
diff --git a/10_Wiki/Topics/AI/Extreme-Programming-XP.md b/10_Wiki/Topics/AI/Extreme-Programming-XP.md
index c472894b..ee41808a 100644
--- a/10_Wiki/Topics/AI/Extreme-Programming-XP.md
+++ b/10_Wiki/Topics/AI/Extreme-Programming-XP.md
@@ -17,7 +17,7 @@ last_reinforced: 2026-04-26
- **실천 방법:**
- **Pair Programming:** 두 명의 개발자가 한 컴퓨터에서 함께 코딩하여 즉각적인 검토 수행.
- **Test-Driven Development (TDD):** 실제 코드를 짜기 전 테스트 케이스를 먼저 작성.
- - **Continuous Integration (CI):** 변경 사항을 수시로 통합하여 충돌 방지.
+ - **[[Continuous Integration (CI)]]:** 변경 사항을 수시로 통합하여 충돌 방지.
- **Refactoring:** 기능 변경 없이 코드 구조를 지속적으로 개선.
- **의의:** 변화하는 비즈니스 환경에서 소프트웨어의 유연성을 보장하는 가장 강력한 실천적 틀.
@@ -26,5 +26,5 @@ last_reinforced: 2026-04-26
- **정책 변화:** Antigravity 프로젝트는 에이전트와 유저 간의 페어 프로그래밍 환경을 구축할 때 XP의 핵심 철학을 반영하여, 실시간 피드백과 점진적 개선 프로세스를 최우선으로 함.
## 🔗 지식 연결 (Graph)
-- Agile-Development, [[Software-Architecture-Patterns]], [[DevOps-for-AI-MLOps]], [[Concreteness-Principle]]
+- Agile-Development, [[Software-[[Architecture]]-Patterns]], [[DevOps-for-AI-MLOps]], [[Concreteness-Principle]]
- **Raw Source:** 10_Wiki/Topics/AI/Extreme-Programming-XP.md
diff --git a/10_Wiki/Topics/AI/Eye-Tracking-in-UX-Research.md b/10_Wiki/Topics/AI/Eye-Tracking-in-UX-Research.md
index d09099f7..141db9fd 100644
--- a/10_Wiki/Topics/AI/Eye-Tracking-in-UX-Research.md
+++ b/10_Wiki/Topics/AI/Eye-Tracking-in-UX-Research.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AI-EYE-TRACKING
+id: [[P-Reinforce]]-AI-[[Eye-Tracking]]
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.95
-tags: [UX, EyeTracking, Research, UserBehavior]
+tags: [UX, EyeTracking, [[Research]], User[[Behavior]]]
last_reinforced: 2026-04-20
---
@@ -22,8 +22,8 @@ last_reinforced: 2026-04-20
- **Banner Blindness**: 광고처럼 보이는 영역은 뇌가 무의식적으로 아예 필터링함.
## ⚠️ 모순 및 업데이트 (RL Update)
-- 시선이 고정되었다고 해서 유저가 그 내용을 '이해'했다는 뜻은 아니다. 이해가 안 가서 '헤매는 중'일 수도 있다. 따라서 아이트래킹 데이터는 반드시 유저의 인터뷰(Thinking Aloud)나 행동 데이터와 교차 검증해야 한다. 최근에는 물리 장비 없이 웹캠과 AI(Computer Vision)만으로 고정밀 아이트래킹을 수행하는 SaaS 솔루션들이 대중화되고 있다.
+- 시선이 고정되었다고 해서 유저가 그 내용을 '이해'했다는 뜻은 아니다. 이해가 안 가서 '헤매는 중'일 수도 있다. 따라서 아이트래킹 데이터는 반드시 유저의 인터뷰(Thinking Aloud)나 행동 데이터와 교차 검증해야 한다. 최근에는 물리 장비 없이 웹캠과 AI([[Computer Vision]])만으로 고정밀 아이트래킹을 수행하는 [[SaaS]] 솔루션들이 대중화되고 있다.
## 🔗 지식 연결 (Graph)
-- Related: [[Gestalt-Principles-of-Design]] , UX-Research-Methods
+- Related: [[Gestalt-[[Principles]]-of-Design]] , UX-Re[[Search]]-Methods
- Technology: [[Computer_Vision]]
diff --git a/10_Wiki/Topics/AI/Eye-Tracking.md b/10_Wiki/Topics/AI/Eye-Tracking.md
index 6ccc57ad..fb591126 100644
--- a/10_Wiki/Topics/AI/Eye-Tracking.md
+++ b/10_Wiki/Topics/AI/Eye-Tracking.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-EYTR-001
+id: [[P-Reinforce]]-AUTO-EYTR-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.90
-tags: [auto-reinforced, eye-tracking, hci, biometrics, attention, usability]
+tags: [auto-reinforced, eye-tracking, hci, [[Biometrics]], attention, usability]
last_reinforced: 2026-04-20
---
@@ -17,11 +17,11 @@ last_reinforced: 2026-04-20
1. **주요 지표**:
* **Fixation (고정)**: 특정 지점에 시선이 머무는 것. (관심/처리 중)
* **Saccade (도약)**: 한 지점에서 다른 지점으로 빠르게 움직이는 것.
- * **Heatmap**: 시선이 집중된 영역을 색상으로 시각화. (Design-System 검증에 활용)
+ * **Heatmap**: 시선이 집중된 영역을 색상으로 시각화. ([[Design-System]] 검증에 활용)
2. **활용 분야**:
- * **UI/UX Research**: 사용자가 중요한 버튼을 찾지 못하는지 확인.
+ * **UI/UX [[Research]]**: 사용자가 중요한 버튼을 찾지 못하는지 확인.
* **Medical**: 자폐증이나 치매 초기 진단.
- * **Gaming/VR**: 시선이 머무는 곳만 고해상도로 렌더링(Foveated Rendering)하여 Efficiency 극대화.
+ * **Gaming/VR**: 시선이 머무는 곳만 고해상도로 렌더링(Foveated Rendering)하여 [[Efficiency]] 극대화.
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거에는 전용 안경이나 수천만 원대 장비 정책이 필수였으나, 현대 정책은 딥러닝과 웹캠만으로 시선을 추적하는 '범용 카메라 기반 소프트웨어 정책'으로 대중화됨(RL Update).
diff --git a/10_Wiki/Topics/AI/Factor-Analysis.md b/10_Wiki/Topics/AI/Factor-Analysis.md
index 9d0f3ae7..6bd41d7e 100644
--- a/10_Wiki/Topics/AI/Factor-Analysis.md
+++ b/10_Wiki/Topics/AI/Factor-Analysis.md
@@ -2,7 +2,7 @@
id: STAT-FACTOR-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [statistics, machine-learning, factor-analysis, latent-variables, dimensionality-reduction]
+tags: [[[Statistics]], machine-learning, factor-[[Analysis]], latent-variables, [[Dimensionality-Reduction]]]
last_reinforced: 2026-04-26
---
@@ -24,5 +24,5 @@ last_reinforced: 2026-04-26
- **정책 변화:** Antigravity 프로젝트는 에이전트의 성능 지표(응답 속도, 정확도, 토큰 사용량 등)를 분석할 때, 이들을 결정짓는 잠재 요인(예: 하드웨어 성능, 모델 복잡도, 네트워크 지연)을 분리하기 위해 요인 분석 기법을 활용함.
## 🔗 지식 연결 (Graph)
-- Principal-Component-Analysis-PCA, [[Dimensionality-Reduction]], [[Exploratory-Data-Analysis]], Unsupervised-Learning-Foundations
+- [[Principal-Component-Analysis]]-PCA, [[Dimensionality-Reduction]], [[Exploratory-Data-Analysis]], Un[[Supervised-Learning-Foundations]]
- **Raw Source:** 10_Wiki/Topics/AI/Factor-Analysis.md
diff --git a/10_Wiki/Topics/AI/Factory-Pattern.md b/10_Wiki/Topics/AI/Factory-Pattern.md
index ab4d215c..89cde3bc 100644
--- a/10_Wiki/Topics/AI/Factory-Pattern.md
+++ b/10_Wiki/Topics/AI/Factory-Pattern.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AI-FACTORY
+id: [[P-Reinforce]]-AI-FACTORY
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.00
tags: [DesignPatterns, Factory, OOP, Abstraction]
diff --git a/10_Wiki/Topics/AI/Failable-Task-Handling.md b/10_Wiki/Topics/AI/Failable-Task-Handling.md
index adce31ac..0783d5ba 100644
--- a/10_Wiki/Topics/AI/Failable-Task-Handling.md
+++ b/10_Wiki/Topics/AI/Failable-Task-Handling.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AI-FAILABLE
+id: [[P-Reinforce]]-AI-FAILABLE
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.98
-tags: [Programming, Resilience, ErrorHandling, TaskManagement]
+tags: [Programming, [[Resilience]], ErrorHandling, Task[[Management]]]
last_reinforced: 2026-04-20
---
@@ -12,7 +12,7 @@ last_reinforced: 2026-04-20
> "실패는 사건이 아니라 시스템의 한 상태다." 네트워크 장애, 데드락 등으로 인해 실패할 수 있는 작업들을 회복 탄력적(Resilient)으로 처리하여 전체 시스템의 가용성을 유지하는 전략이다.
## 📖 구조화된 지식 (Synthesized Content)
-- **Retry Strategy**:
+- **Retry [[Strategy]]**:
- **Immediate Retry**: 즉시 재시도 (일시적 노이즈 해결).
- **Exponential Backoff**: 실패 횟수가 늘어날수록 재시도 간격을 늘려 대상 서버의 부하를 줄임.
- **Circuit Breaker**: 특정 임계치 이상 실패하면 아예 통로를 차단하고 즉시 에러를 리턴하여 연쇄 장애(Cascading Failure) 방지.
@@ -23,5 +23,5 @@ last_reinforced: 2026-04-20
- 무분별한 재시도는 시스템의 '좀비 부하'를 유발한다. 실패의 유형을 '재시도 가능한(Transient)' 것과 '불가능한(Permanent)' 것으로 명확히 구분하는 로직이 핵심이며, 이를 위해 HTTP 상태 코드 등 표준 인터페이스를 적극 활용해야 한다.
## 🔗 지식 연결 (Graph)
-- Related: Reliability-Patterns , [[Event-Driven-Architecture]]
+- Related: [[Reliability]]-Patterns , [[Event-Driven-Architecture]]
- Pattern: Saga-Pattern
diff --git a/10_Wiki/Topics/AI/Fault-Tolerance.md b/10_Wiki/Topics/AI/Fault-Tolerance.md
index 007f3b3b..c0746558 100644
--- a/10_Wiki/Topics/AI/Fault-Tolerance.md
+++ b/10_Wiki/Topics/AI/Fault-Tolerance.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-FATO-001
+id: [[P-Reinforce]]-AUTO-FATO-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.96
-tags: [auto-reinforced, fault-tolerance, reliability, distributed-systems, redundancy, resilience]
+tags: [auto-reinforced, fault-tolerance, [[Reliability]], [[Distributed-Systems]], redundancy, [[Resilience]]]
last_reinforced: 2026-04-20
---
diff --git a/10_Wiki/Topics/AI/Feature Clamping (피처 고정).md b/10_Wiki/Topics/AI/Feature Clamping (피처 고정).md
index 8f761ed7..b904e539 100644
--- a/10_Wiki/Topics/AI/Feature Clamping (피처 고정).md
+++ b/10_Wiki/Topics/AI/Feature Clamping (피처 고정).md
@@ -2,7 +2,7 @@
id: CLAMP-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [ai-interpretability, mechanistic-interpretability, steering, neural-networks]
+tags: [ai-[[Interpretability]], mechanistic-interpretability, steering, neural-networks]
last_reinforced: 2026-04-26
---
diff --git a/10_Wiki/Topics/AI/Feature-Engineering.md b/10_Wiki/Topics/AI/Feature-Engineering.md
index e8a1c8df..769c8bee 100644
--- a/10_Wiki/Topics/AI/Feature-Engineering.md
+++ b/10_Wiki/Topics/AI/Feature-Engineering.md
@@ -2,7 +2,7 @@
id: FEAT-ENG-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [ai, machine-learning, feature-engineering, data-preprocessing, ml-mastery]
+tags: [ai, machine-learning, feature-engineering, data-pre[[Processing]], ml-[[Mastery]]]
last_reinforced: 2026-04-26
---
@@ -14,7 +14,7 @@ last_reinforced: 2026-04-26
## 📖 구조화된 지식 (Synthesized Content)
- **추출된 패턴:** 복잡한 현실 세계의 원시 데이터 속에 숨겨진 인과관계나 상관관계를 수학적 연산이나 논리적 가공을 통해 모델이 즉각 인지할 수 있는 신호(Signal)로 증폭시키는 증폭 패턴.
- **주요 기법:**
- - **Scaling & Normalization:** 변수들의 단위를 통일하여 특정 변수의 왜곡 방지 (Min-Max, Standard Scaling).
+ - **Scaling & [[Normalization]]:** 변수들의 단위를 통일하여 특정 변수의 왜곡 방지 (Min-Max, Standard Scaling).
- **Encoding:** 범주형 데이터를 수치로 변환 (One-hot encoding, Target encoding).
- **Binning:** 연속형 데이터를 범주로 나누어 노이즈 감소.
- **Interaction Features:** 두 개 이상의 변수를 조합(곱셈, 나눗셈 등)하여 새로운 의미 생성.
@@ -26,5 +26,5 @@ last_reinforced: 2026-04-26
- **정책 변화:** Antigravity 프로젝트는 문서 간의 관련성을 산출할 때, 단순 임베딩 거리에 '문서 구조적 유사도(헤더 개수, 링크 밀도 등)'를 피처로 추가하여 검색 정밀도를 높임.
## 🔗 지식 연결 (Graph)
-- [[Exploratory-Data-Analysis]], [[Dimensionality-Reduction]], Deep-Learning-Foundations, Data-Augmentation-Strategies
+- [[Exploratory-Data-Analysis]], [[Dimensionality-Reduction]], [[Deep-Learning]]-Foundations, Data-Augmentation-Strategies
- **Raw Source:** 10_Wiki/Topics/AI/Feature-Engineering.md
diff --git a/10_Wiki/Topics/AI/Feature-Flags.md b/10_Wiki/Topics/AI/Feature-Flags.md
index 2339662a..9547ff82 100644
--- a/10_Wiki/Topics/AI/Feature-Flags.md
+++ b/10_Wiki/Topics/AI/Feature-Flags.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AI-FE FEATURE-FLAGS
+id: [[P-Reinforce]]-AI-FE FEATURE-FLAGS
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.98
-tags: [DevOps, FeatureFlags, Deployment, RiskManagement]
+tags: [DevOps, FeatureFlags, Deployment, Risk[[Management]]]
last_reinforced: 2026-04-20
---
@@ -15,7 +15,7 @@ last_reinforced: 2026-04-20
- **Core Functions**:
- **Kill Switch**: 신규 기능에 치명적인 버그가 발견되면 코드 수정 없이 즉시 비활성화.
- **Canary Release**: 소수의 유저(예: 1%)에게만 기능을 먼저 공개하여 안정성 검증.
- - **A/B Testing**: 동일한 기능을 두 가지 버전으로 배포하고 성과를 비교.
+ - **A/B [[Testing]]**: 동일한 기능을 두 가지 버전으로 배포하고 성과를 비교.
- **Implementation**: `if (flag('new-ui')) { ... }` 식의 조건문으로 감싸고, 중앙 서버(LaunchDarkly 등)에서 상태를 제어한다.
## ⚠️ 모순 및 업데이트 (RL Update)
@@ -23,4 +23,4 @@ last_reinforced: 2026-04-20
## 🔗 지식 연결 (Graph)
- Related: [[DevOps-and-UX-Convergence]] , Continuous-Deployment
-- Strategy: Trunk-Based-Development
+- [[Strategy]]: Trunk-Based-Development
diff --git a/10_Wiki/Topics/AI/Federated-Learning.md b/10_Wiki/Topics/AI/Federated-Learning.md
index 5c4ad417..4204c549 100644
--- a/10_Wiki/Topics/AI/Federated-Learning.md
+++ b/10_Wiki/Topics/AI/Federated-Learning.md
@@ -2,7 +2,7 @@
id: FED-LEARN-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [ai, machine-learning, federated-learning, privacy, distributed-computing]
+tags: [ai, machine-learning, federated-learning, privacy, [[Distributed-Computing]]]
last_reinforced: 2026-04-26
---
diff --git a/10_Wiki/Topics/AI/Feedback-Control-Systems.md b/10_Wiki/Topics/AI/Feedback-Control-Systems.md
index d7db0f28..d03555d0 100644
--- a/10_Wiki/Topics/AI/Feedback-Control-Systems.md
+++ b/10_Wiki/Topics/AI/Feedback-Control-Systems.md
@@ -2,11 +2,11 @@
id: FEEDBACK-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [engineering, control-theory, feedback-loop, cybernetics]
+tags: [engineering, [[Control-Theory]], feedback-loop, [[Cybernetics]]]
last_reinforced: 2026-04-26
---
-# Feedback Control Systems (피드백 제어 시스템)
+# Feedback Control[[ system]]s (피드백 제어 시스템)
## 📌 한 줄 통찰 (The Karpathy Summary)
> "현재의 상태가 미래의 행동을 결정하게 하라" — 시스템의 출력을 관찰하고 이를 입력으로 다시 피드백하여, 목표 상태와의 오차를 실시간으로 줄여나가는 자동 조절 기전.
diff --git a/10_Wiki/Topics/AI/Feedback-Loops in Systems.md b/10_Wiki/Topics/AI/Feedback-Loops in Systems.md
index 693f223c..96e0c056 100644
--- a/10_Wiki/Topics/AI/Feedback-Loops in Systems.md
+++ b/10_Wiki/Topics/AI/Feedback-Loops in Systems.md
@@ -2,11 +2,11 @@
id: SYS-FEEDBACK-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [systems-theory, cybernetics, feedback-loop, stability, growth-strategy]
+tags: [systems-theory, [[Cybernetics]], feedback-loop, [[Stability]], growth-[[Strategy]]]
last_reinforced: 2026-04-26
---
-# Feedback Loops in Systems (시스템에서의 피드백 루프)
+# Feedback Loops in[[ system]]s (시스템에서의 피드백 루프)
## 📌 한 줄 통찰 (The Karpathy Summary)
> "결과가 다시 원인이 되는 순환의 고리를 설계하여, 스스로 제어하고 진화하는 시스템을 완성하라" — 시스템의 출력이 다시 입력으로 돌아와 시스템의 동작을 조절하거나 변화를 증폭시키는 메커니즘.
@@ -24,4 +24,4 @@ last_reinforced: 2026-04-26
## 🔗 지식 연결 (Graph)
- Cybernetics-Foundations, [[Control-Theory]], [[Data-Flywheel-Effect]], [[Reinforcement-Learning-from-Human-Feedback-RLHF]]
-- **Raw Source:** 10_Wiki/Topics/AI/Feedback-Loops in Systems.md
+- **Raw Source:** 10_Wiki/Topics/AI/[[Feedback-Loops]] in Systems.md
diff --git a/10_Wiki/Topics/AI/Feedback-Loops-in-Design.md b/10_Wiki/Topics/AI/Feedback-Loops-in-Design.md
index 5724d630..94f0eb06 100644
--- a/10_Wiki/Topics/AI/Feedback-Loops-in-Design.md
+++ b/10_Wiki/Topics/AI/Feedback-Loops-in-Design.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AI-FFL
+id: [[P-Reinforce]]-AI-FFL
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.95
tags: [ProductDesign, UX, Feedback, Interaction]
@@ -15,7 +15,7 @@ last_reinforced: 2026-04-20
- **Action -> Reaction**:
- 버튼을 눌렀을 때의 색상 변화, 햅틱 진동, 프로그레스 바 등.
- **Types of Loops**:
- - **Micro-interactions**: 버튼 하나, 로딩 하나하나의 즉각적 응답.
+ - **[[Micro-interactions]]**: 버튼 하나, 로딩 하나하나의 즉각적 응답.
- **System-level Feedback**: 알림, 확인 이메일, 주간 리포트 등 큰 흐름에서의 응답.
- **Characteristics of Good Feedback**:
- **Immediacy**: 행동 직후 지연 없이 나타나야 함.
@@ -26,5 +26,5 @@ last_reinforced: 2026-04-20
- 피드백이 너무 많으면 유저는 '정보 피로'를 느끼고 시스템 알람을 무시하게 된다(Alarm Fatigue). 정말 중요한 순간에만 유저의 뇌를 자극하는 '피드백의 완급 조절'이 현대 상호작용 설계의 핵심이며, 이는 AI가 유저의 집중도에 따라 피드백 강도를 조절하는 'Context-aware Feedback'으로 발전하고 있다.
## 🔗 지식 연결 (Graph)
-- Related: [[Micro-interactions]] , [[Gestalt-Principles-of-Design]]
-- Principle: Affordance (행동 유도성)
+- Related: [[Micro-interactions]] , [[Gestalt-[[Principles]]-of-Design]]
+- Principle: [[Affordance]] (행동 유도성)
diff --git a/10_Wiki/Topics/AI/Feedback-Loops.md b/10_Wiki/Topics/AI/Feedback-Loops.md
index b907b741..1bdeb3e9 100644
--- a/10_Wiki/Topics/AI/Feedback-Loops.md
+++ b/10_Wiki/Topics/AI/Feedback-Loops.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-FELP-001
+id: [[P-Reinforce]]-AUTO-FELP-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.95
-tags: [auto-reinforced, feedback-loops, systems-thinking, cybernetics, self-correction, steering]
+tags: [auto-reinforced, feedback-loops, [[Systems-Thinking]], [[Cybernetics]], [[Self-Correction]], steering]
last_reinforced: 2026-04-20
---
@@ -15,8 +15,8 @@ last_reinforced: 2026-04-20
피드백 루프(Feedback-Loops)는 시스템의 출력이 입력을 조절하는 프로세스입니다.
1. **두 가지 유형**:
- * **Negative Feedback (안정화)**: 목표와 멀어지면 반대 방향으로 힘을 가해 현재 상태 유지 (예: 에어컨 온도 조절, 인체 항상성). (Homeostasis와 연결)
- * **Positive Feedback (증폭)**: 특정 방향으로의 변화를 더 가속화 (예: 산울림 현상, 기술의 지수 성장, 시장 독점). (Exponential-Growth와 연결)
+ * **Negative Feedback (안정화)**: 목표와 멀어지면 반대 방향으로 힘을 가해 현재 상태 유지 (예: 에어컨 온도 조절, 인체 항상성). ([[Homeostasis]]와 연결)
+ * **Positive Feedback (증폭)**: 특정 방향으로의 변화를 더 가속화 (예: 산울림 현상, 기술의 지수 성장, 시장 독점). ([[Exponential-Growth]]와 연결)
2. **왜 중요한가?**:
* 시스템이 외부 변화에 적응하고 스스로를 보정(Self-Correction)하게 만드는 핵심 동력임. (Cybernetics의 근간)
diff --git a/10_Wiki/Topics/AI/Few-Shot-Learning.md b/10_Wiki/Topics/AI/Few-Shot-Learning.md
index 55c8f534..47ffaa04 100644
--- a/10_Wiki/Topics/AI/Few-Shot-Learning.md
+++ b/10_Wiki/Topics/AI/Few-Shot-Learning.md
@@ -2,7 +2,7 @@
id: FEW-SHOT-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [ai, deep-learning, few-shot-learning, meta-learning, transfer-learning]
+tags: [ai, [[Deep-Learning]], few-shot-learning, meta-learning, transfer-learning]
last_reinforced: 2026-04-26
---
@@ -16,7 +16,7 @@ last_reinforced: 2026-04-26
- **주요 방식:**
- **Metric-based:** 임베딩 공간에서 샘플 간의 거리를 측정 (예: Matching Networks, Prototypical Networks).
- **Model-based:** 새로운 데이터를 빠르게 학습하도록 설계된 특수 아키텍처 사용.
- - **Optimization-based (Meta-learning):** 모델이 "어떻게 학습해야 하는지"를 배워서 적은 데이터로도 빠르게 수렴 (예: MAML).
+ - **[[Optimization]]-based (Meta-learning):** 모델이 "어떻게 학습해야 하는지"를 배워서 적은 데이터로도 빠르게 수렴 (예: MAML).
- **의의:** 데이터 수집 비용이 매우 비싸거나 새로운 클래스가 수시로 발생하는 실제 산업 현장에서의 AI 활용성을 극대화함.
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
diff --git a/10_Wiki/Topics/AI/Figma-to-Code-Workflow.md b/10_Wiki/Topics/AI/Figma-to-Code-Workflow.md
index c2bf5c9c..048135ac 100644
--- a/10_Wiki/Topics/AI/Figma-to-Code-Workflow.md
+++ b/10_Wiki/Topics/AI/Figma-to-Code-Workflow.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AI-FIGMA-WORKFLOW
+id: [[P-Reinforce]]-AI-[[Figma]]-WORKFLOW
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.99
tags: [Design, Development, Figma, Workflow, DevOps]
@@ -13,15 +13,15 @@ last_reinforced: 2026-04-20
## 📖 구조화된 지식 (Synthesized Content)
- **The Core Steps**:
- 1. **Design Tokens**: 색상, 폰트, 간격 등을 변수화(Variable)하여 코드의 상수와 1:1 매칭.
+ 1. **[[Design Tokens]]**: 색상, 폰트, 간격 등을 변수화(Variable)하여 코드의 상수와 1:1 매칭.
2. **Auto Layout**: 피그마의 동적 배치 기능을 사용하여 리스폰시브 레이아웃의 로직을 미리 검증.
3. **Dev Mode**: 피그마 내부에서 개발자가 CSS, 속성 값을 즉시 확인하고 컴포넌트 구조를 파악함.
- 4. **Inspection & Handover**: 디자이너의 수정 사항이 실시간 동기화되며 슬랙 등으로 알림.
-- **Collaboration Strategy**: "디자인 수정 -> 코드 반영"이 아니라, 처음부터 공용 **디자인 시스템(Design System)**을 구축하여 사용함.
+ 4. **Inspection & [[HANDOVER]]**: 디자이너의 수정 사항이 실시간 동기화되며 슬랙 등으로 알림.
+- **Collaboration [[Strategy]]**: "디자인 수정 -> 코드 반영"이 아니라, 처음부터 공용 **디자인 시스템(Design[[ system]])**을 구축하여 사용함.
## ⚠️ 모순 및 업데이트 (RL Update)
- 피그마 시안은 완벽해 보이지만, 실제 데이터가 들어갔을 때(긴 텍스트, 끊긴 이미지 등) 깨지는 경우가 많다. 이를 해결하기 위해 'Storybook'과 피그마를 연동하여 실제 코드로 구현된 컴포넌트를 피그마 안에서 미리 보거나, 'Stitch'와 같은 AI 도구를 통해 피그마 프리뷰를 즉시 작동하는 코드로 변환하는 자동화가 가속화되고 있다.
## 🔗 지식 연결 (Graph)
-- Related: UI-Design-Systems , TailwindCSS-Architecture
+- Related: UI-[[Design-System]]s , TailwindCSS-[[Architecture]]
- Tool: Stitch (MCP Server)
diff --git a/10_Wiki/Topics/AI/Figurative-Language.md b/10_Wiki/Topics/AI/Figurative-Language.md
index 62f56f82..987b38f4 100644
--- a/10_Wiki/Topics/AI/Figurative-Language.md
+++ b/10_Wiki/Topics/AI/Figurative-Language.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AUTO-FILA-001
+id: [[P-Reinforce]]-AUTO-FILA-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.84
tags: [auto-reinforced, figurative-language, metaphor, linguistics, nlp, communication]
@@ -27,6 +27,6 @@ last_reinforced: 2026-04-20
- **정책 변화(RL Update)**: AI가 인간의 완곡한 표현이나 풍자 정책을 감지하지 못해 발생하는 '소통 장애 정책'을 해결하기 위해, 비유적 언어 전담 데이터셋으로 학습된 '문맥 인지 모델 정책'이 정밀화됨.
## 🔗 지식 연결 (Graph)
-- [[Empathy-in-AI]], Philosophy of Science, [[Concept Mapping]], [[Knowledge synthesis]], [[Cognitive Biases]]
+- [[Empathy-in-AI]], [[Philosophy]] of Science, [[Concept Mapping]], [[Knowledge synthesis]], [[Cognitive Biases]]
- **Modern Tech/Tools**: Figurative language detection datasets, Creative writing AI assistants.
---
diff --git a/10_Wiki/Topics/AI/Fine-tuning.md b/10_Wiki/Topics/AI/Fine-tuning.md
index dae7c350..03bfbbd2 100644
--- a/10_Wiki/Topics/AI/Fine-tuning.md
+++ b/10_Wiki/Topics/AI/Fine-tuning.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AUTO-FITU-001
+id: [[P-Reinforce]]-AUTO-FITU-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.98
tags: [auto-reinforced, fine-tuning, llm, transfer-learning, domain-adaptation, lora]
@@ -16,7 +16,7 @@ last_reinforced: 2026-04-20
1. **방식**:
* **Full Fine-tuning**: 전체 파라미터를 업데이트 (비용 높음).
- * **PEFT (Parameter-Efficient Fine-Tuning)**: LoRA(Low-Rank Adaptation) 등 일부 핵심 파라미터만 학습하여 적은 자원으로 고성능 달성.
+ * **PEFT ([[Parameter]]-Efficient Fine-Tuning)**: LoRA(Low-Rank Adaptation) 등 일부 핵심 파라미터만 학습하여 적은 자원으로 고성능 달성.
* **Instruction Tuning**: "요약해줘", "번역해줘" 등의 지시어(Instruction)를 따르도록 학습.
2. **왜 중요한가?**:
* 범용 모델의 한계(일반적 답변)를 넘어, 의료, 법률, 기업 내부 매뉴얼 등에 특화된 '살아있는 지능'을 만드는 가장 강력한 방법임. (Transfer-Learning의 연장)
@@ -26,6 +26,6 @@ last_reinforced: 2026-04-20
- **정책 변화(RL Update)**: 단순히 데이터를 넣는 수준을 넘어, 모델의 가치관과 윤리를 정렬하는 RLHF/DPO 정책과 결합되어 '지능의 방향성 정책'을 설정하는 과정으로 고도화됨. (DPO와 연결)
## 🔗 지식 연결 (Graph)
-- Transfer-Learning, [[DPO (Direct Preference Optimization)]], [[Optimization]], [[Efficiency]], [[Constitutional AI (헌법 AI)]]
+- Transfer-Learning, [[DPO (Direct P[[Reference]] [[Optimization]])]], [[Optimization]], [[Efficiency]], [[Constitutional AI (헌법 AI)]]
- **Modern Tech/Tools**: LoRA, QLoRA, Hugging Face `peft` library, Unsloth.
---
diff --git a/10_Wiki/Topics/AI/Finished Goods.md b/10_Wiki/Topics/AI/Finished Goods.md
index d4e89779..b06b4a65 100644
--- a/10_Wiki/Topics/AI/Finished Goods.md
+++ b/10_Wiki/Topics/AI/Finished Goods.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-FIGO-001
+id: [[P-Reinforce]]-AUTO-FIGO-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.85
-tags: [auto-reinforced, finished-goods, manufacturing, supply-chain, product-management, value-chain]
+tags: [auto-reinforced, finished-goods, manufacturing, [[Supply-Chain]], product-[[Management]], value-chain]
last_reinforced: 2026-04-20
---
@@ -17,15 +17,15 @@ last_reinforced: 2026-04-20
1. **가치 창출 단계**:
* **Raw Materials**: 입고된 원자재.
* **WIP (Work In Progress)**: 가공 중인 품목.
- * **Finished Goods**: 검수 완료 후 출고 대기 상태. (Quality Gates와 연결)
+ * **Finished Goods**: 검수 완료 후 출고 대기 상태. (Quality [[Gates]]와 연결)
2. **왜 중요한가?**:
* 자본이 묶여있는 상태이므로, 효율적인 재고 관리(SMC)를 통해 재고 회전율을 높이는 것이 경영 효율성의 핵심임.
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
-- **과거 데이터와의 충돌**: 과거에는 대량 생산을 통한 '재고 확보 정책'이 미덕이었으나, 현대 정책은 수요를 예측하여 실시간으로 생산하고 재고를 최소화하는 'Just-In-Time(JIT) 정책'으로 진화함(RL Update). (Efficiency와 연결)
-- **정책 변화(RL Update)**: 물리적 제품뿐 아니라 소프트웨어 및 AI 모델에서도 배포 준비가 끝난 '프로덕션 릴리스 정책'을 완제품의 관점에서 관리하며, CI/CD를 통한 '디지털 완제품의 연속적 배포 정책'이 표준이 됨. (Deployment-Strategy와 연결)
+- **과거 데이터와의 충돌**: 과거에는 대량 생산을 통한 '재고 확보 정책'이 미덕이었으나, 현대 정책은 수요를 예측하여 실시간으로 생산하고 재고를 최소화하는 'Just-In-Time(JIT) 정책'으로 진화함(RL Update). ([[Efficiency]]와 연결)
+- **정책 변화(RL Update)**: 물리적 제품뿐 아니라 소프트웨어 및 AI 모델에서도 배포 준비가 끝난 '프로덕션 릴리스 정책'을 완제품의 관점에서 관리하며, CI/CD를 통한 '디지털 완제품의 연속적 배포 정책'이 표준이 됨. ([[Deployment-Strategy]]와 연결)
## 🔗 지식 연결 (Graph)
- [[Quality Gates]], [[Efficiency]], [[Economic-Analysis]], [[Deployment-Strategy]], [[Circular-Economy]]
-- **Modern Tech/Tools**: ERP systems, SCM software, Predictive demand forecasting (AI).
+- **Modern Tech/Tools**: ERP[[ system]]s, SCM software, Predictive demand forecasting (AI).
---
diff --git a/10_Wiki/Topics/AI/Finite-Element-Analysis.md b/10_Wiki/Topics/AI/Finite-Element-Analysis.md
index 36921110..24db9be0 100644
--- a/10_Wiki/Topics/AI/Finite-Element-Analysis.md
+++ b/10_Wiki/Topics/AI/Finite-Element-Analysis.md
@@ -2,11 +2,11 @@
id: FEA-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [engineering, simulation, physics, mathematics, cae]
+tags: [engineering, simulation, [[Physics]], mathematics, cae]
last_reinforced: 2026-04-26
---
-# Finite Element Analysis (FEA, 유한 요소 해석)
+# Finite Element [[Analysis]] (FEA, 유한 요소 해석)
## 📌 한 줄 통찰 (The Karpathy Summary)
> "복잡한 전체를 단순한 조각으로 나누어 계산하라" — 복잡한 구조물의 물리적 거동을 무수히 작은 요소(Finite Elements)들의 연립 방정식으로 치환하여 수치적으로 해결하는 시뮬레이션 기법.
diff --git a/10_Wiki/Topics/AI/Finite-State-Machines-FSM.md b/10_Wiki/Topics/AI/Finite-State-Machines-FSM.md
index 415363ed..9252c501 100644
--- a/10_Wiki/Topics/AI/Finite-State-Machines-FSM.md
+++ b/10_Wiki/Topics/AI/Finite-State-Machines-FSM.md
@@ -2,7 +2,7 @@
id: FSM-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [computer-science, game-ai, fsm, state-pattern, software-architecture]
+tags: [computer-science, game-ai, fsm, [[State]]-pattern, software-[[Architecture]]]
last_reinforced: 2026-04-26
---
@@ -16,7 +16,7 @@ last_reinforced: 2026-04-26
- **핵심 구성 요소:**
- **States:** 시스템이 취할 수 있는 구체적인 행동이나 상황 (예: IDLE, CHASE, ATTACK).
- **Transitions:** 한 상태에서 다른 상태로 넘어가는 규칙.
- - **Events (Inputs):** 전이를 일으키는 자극 (예: 플레이어 발견, 체력 저하).
+ - **[[Events]] (Inputs):** 전이를 일으키는 자극 (예: 플레이어 발견, 체력 저하).
- **Actions:** 상태에 진입(Enter), 유지(Update), 혹은 퇴장(Exit)할 때 수행하는 작업.
- **의의:** 게임 AI, 컴파일러 설계, 네트워크 프로토콜, UI 네비게이션 등 로직의 명확한 관리가 필요한 모든 분야의 기반 기술.
@@ -25,5 +25,5 @@ last_reinforced: 2026-04-26
- **정책 변화:** Skybound 프로젝트의 모든 적 유닛과 보스 기체는 FSM 아키텍처를 기반으로 설계되어, 기획자의 의도에 맞는 정교하고 예측 가능한 행동 패턴을 보여줌.
## 🔗 지식 연결 (Graph)
-- Behavior-Trees-BT, Decision-Making, Physics-Engine, System-Design-for-AI-Scale
-- **Raw Source:** 10_Wiki/Topics/AI/Finite-State-Machines-FSM.md
+- [[Behavior]]-Trees-BT, Decision-Making, [[Physics]]-Engine,[[ system]]-Design-for-AI-Scale
+- **Raw Source:** 10_Wiki/Topics/AI/[[Finite-State-Machines]]-FSM.md
diff --git a/10_Wiki/Topics/AI/Finite-State-Machines.md b/10_Wiki/Topics/AI/Finite-State-Machines.md
index 855c1e3e..42083b01 100644
--- a/10_Wiki/Topics/AI/Finite-State-Machines.md
+++ b/10_Wiki/Topics/AI/Finite-State-Machines.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-FSMA-001
+id: [[P-Reinforce]]-AUTO-FSMA-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.94
-tags: [auto-reinforced, fsm, finite-state-machine, automata, computer-science, logic-design]
+tags: [auto-reinforced, fsm, finite-[[State]]-machine, automata, computer-science, [[Logic]]-design]
last_reinforced: 2026-04-20
---
@@ -28,5 +28,5 @@ last_reinforced: 2026-04-20
## 🔗 지식 연결 (Graph)
- [[Control-Theory]], [[Technical-Architecture]], [[Analysis]], [[Logic]], [[Design-System]]
-- **Modern Tech/Tools**: XState (JavaScript), Unity Animator, Regex engines.
+- **Modern Tech/Tools**: XState ([[JavaScript]]), [[Unity]] Animator, Regex engines.
---
diff --git a/10_Wiki/Topics/AI/First Input Delay (FID).md b/10_Wiki/Topics/AI/First Input Delay (FID).md
index 07d67cbb..96c92fea 100644
--- a/10_Wiki/Topics/AI/First Input Delay (FID).md
+++ b/10_Wiki/Topics/AI/First Input Delay (FID).md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AUTO-DD1BE6
+id: [[P-Reinforce]]-AUTO-DD1BE6
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.90
tags: [auto-reinforced]
@@ -10,12 +10,12 @@ github_commit: "[P-Reinforce] Continuous Worker - First Input Delay (FID)"
# [[First Input Delay (FID)]]
## 📌 한 줄 통찰 (The Karpathy Summary)
-> First Input Delay(FID)는 사용자가 웹페이지에서 첫 상호작용을 시도할 때, 브라우저가 해당 이벤트를 처리하기 시작할 때까지 걸리는 지연 시간을 측정하는 지표이다 [1]. 이 지표는 이벤트 핸들러가 시작되기 전까지의 지연 시간만을 측정하며, 이후의 렌더링 지연이나 후속 상호작용은 고려하지 않는 한계가 있었다 [2]. 이러한 단점을 보완하기 위해 2024년 구글(Google)은 코어 웹 바이탈(Core Web Vitals)의 공식 상호작용 측정 지표를 FID에서 Interaction to Next Paint (INP)로 전면 대체하였다 [3, 4].
+> First Input Delay(FID)는 사용자가 웹페이지에서 첫 상호작용을 시도할 때, 브라우저가 해당 이벤트를 처리하기 시작할 때까지 걸리는 지연 시간을 측정하는 지표이다 [1]. 이 지표는 이벤트 핸들러가 시작되기 전까지의 지연 시간만을 측정하며, 이후의 렌더링 지연이나 후속 상호작용은 고려하지 않는 한계가 있었다 [2]. 이러한 단점을 보완하기 위해 2024년 구글(Google)은 코어 웹 바이탈([[Core Web Vitals]])의 공식 상호작용 측정 지표를 FID에서 [[Interaction to Next Paint (INP)]]로 전면 대체하였다 [3, 4].
## 📖 구조화된 지식 (Synthesized Content)
- **FID의 발생 원인:** 사용자가 웹페이지가 준비되었다고 생각하여 클릭 등의 이벤트를 발생시켰을 때, 브라우저가 자바스크립트를 다운로드하거나 파싱 및 실행하느라 백그라운드 작업이 바쁜 상태라면 입력 지연이 발생하게 되며 FID는 바로 이 시간을 측정한다 [1].
-- **측정 방식의 한계:** FID는 페이지 방문 중 발생하는 여러 상호작용 중에서 오직 '첫 번째 상호작용(first interaction)'의 지연 시간만을 측정한다 [2]. 이벤트 핸들러가 시작되기 직전까지의 대기 시간만을 평가하기 때문에, 실제 이벤트가 처리되는 시간(processing time)이나 화면에 결과를 렌더링하는 데 걸리는 프레젠테이션 지연(presentation delay)을 무시한다는 명확한 한계가 존재했다 [2, 5].
-- **타 지표와의 연관성:** 크롬 라이트하우스(Chrome Lighthouse) 등에서 측정하는 Time to Interactive (TTI) 지표는 페이지가 완전히 상호작용 가능해질 때까지의 시간을 뜻하는데, 이 TTI는 First Input Delay (FID)뿐만 아니라 Largest Contentful Paint (LCP)와 같은 요소를 포함하여 산출된다 [6, 7].
+- **측정 방식의 한계:** FID는 페이지 방문 중 발생하는 여러 상호작용 중에서 오직 '첫 번째 상호작용(first interaction)'의 지연 시간만을 측정한다 [2]. 이벤트 핸들러가 시작되기 직전까지의 대기 시간만을 평가하기 때문에, 실제 이벤트가 처리되는 시간([[Processing]] time)이나 화면에 결과를 렌더링하는 데 걸리는 프레젠테이션 지연(presentation delay)을 무시한다는 명확한 한계가 존재했다 [2, 5].
+- **타 지표와의 연관성:** 크롬 라이트하우스([[Chrome]] [[Lighthouse]]) 등에서 측정하는 [[Time to Interactive (TTI)]] 지표는 페이지가 완전히 상호작용 가능해질 때까지의 시간을 뜻하는데, 이 TTI는 First Input Delay (FID)뿐만 아니라 [[Largest Contentful Paint (LCP)]]와 같은 요소를 포함하여 산출된다 [6, 7].
- **INP(Interaction to Next Paint)로의 진화:** 첫 상호작용만을 측정하던 FID 방식으로는 사용자 경험(UX)을 완벽하게 반영하기 어려웠다 [5]. 이에 구글은 2024년에 FID를 폐기하고, 페이지에 머무는 동안 발생하는 모든 상호작용(클릭, 탭, 키보드 입력 등)의 전체 지연 시간을 종합적으로 평가하는 INP 지표를 코어 웹 바이탈에 새롭게 도입하였다 [2, 3, 5].
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
@@ -24,7 +24,7 @@ github_commit: "[P-Reinforce] Continuous Worker - First Input Delay (FID)"
## 🔗 지식 연결 (Graph)
- **Related Topics:** [[Interaction to Next Paint (INP)]], [[Core Web Vitals]], [[Time to Interactive (TTI)]]
-- **Projects/Contexts:** Google Page Experience, Chrome User Experience Report (CrUX)
+- **Projects/Contexts:** Google Page Experience, Chrome User Experience Report ([[CrUX]])
- **Contradictions/Notes:** 한때 구글 코어 웹 바이탈의 핵심 반응성 지표로 사용되었으나, 단일 상호작용만 측정하는 결함이 인정되어 2024년을 기점으로 공식 지표의 지위를 잃고 INP로 완전히 대체되었다 [3, 4].
---
diff --git a/10_Wiki/Topics/AI/Fitness-Landscape.md b/10_Wiki/Topics/AI/Fitness-Landscape.md
index 881b923f..440366e0 100644
--- a/10_Wiki/Topics/AI/Fitness-Landscape.md
+++ b/10_Wiki/Topics/AI/Fitness-Landscape.md
@@ -2,7 +2,7 @@
id: EVO-FIT-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [ai, evolutionary-computation, optimization, fitness-landscape, complex-systems]
+tags: [ai, [[Evolutionary-Computation]], [[Optimization]], fitness-landscape, complex-systems]
last_reinforced: 2026-04-26
---
diff --git a/10_Wiki/Topics/AI/Fixed Time Step vs Variable Time Step.md b/10_Wiki/Topics/AI/Fixed Time Step vs Variable Time Step.md
index b8b183b5..3e8cb0d1 100644
--- a/10_Wiki/Topics/AI/Fixed Time Step vs Variable Time Step.md
+++ b/10_Wiki/Topics/AI/Fixed Time Step vs Variable Time Step.md
@@ -2,7 +2,7 @@
id: TIMESTEP-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [game-development, simulation, physics-engine, optimization]
+tags: [game-development, simulation, [[Physics]]-engine, [[Optimization]]]
last_reinforced: 2026-04-26
---
diff --git a/10_Wiki/Topics/AI/Flow State.md b/10_Wiki/Topics/AI/Flow State.md
index 3a6060be..1e5b9278 100644
--- a/10_Wiki/Topics/AI/Flow State.md
+++ b/10_Wiki/Topics/AI/Flow State.md
@@ -2,11 +2,11 @@
id: FLOW-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [psychology, productivity, flow, peak-performance]
+tags: [[[Psychology]], productivity, flow, peak-performance]
last_reinforced: 2026-04-26
---
-# Flow State (몰입 상태)
+# Flow [[State]] (몰입 상태)
## 📌 한 줄 통찰 (The Karpathy Summary)
> "자아와 시간이 사라지고 행위만 남는 최적의 경험" — 도전 과제의 난이도와 자신의 기술 수준이 완벽한 균형을 이룰 때 도달하는, 고도의 집중과 창의성이 발휘되는 심리적 상태.
@@ -14,7 +14,7 @@ last_reinforced: 2026-04-26
## 📖 구조화된 지식 (Synthesized Content)
- **추출된 패턴:** 명확한 목표, 즉각적인 피드백, 그리고 잡념이 사라질 정도의 적절한 난이도(Flow Channel)가 결합되어 생산성이 극대화되는 인지 패턴.
- **세부 내용:**
- - **Flow Channel:** 지루함(Anxiety)과 불안(Boredom) 사이의 좁은 통로. 기술과 난이도가 비례해야 도달 가능.
+ - **Flow Channel:** 지루함([[Anxiety]])과 불안(Boredom) 사이의 좁은 통로. 기술과 난이도가 비례해야 도달 가능.
- **Loss of Self-Consciousness:** 행위에 완전히 흡수되어 자의식이 사라지고 일체감을 느끼는 현상.
- **Altered Sense of Time:** 시간이 아주 빠르게 가거나, 반대로 정지한 것처럼 느껴지는 시간 왜곡 경험.
- **Autotelic Experience:** 활동 그 자체가 목적이 되는 자기 목적적 보상 기제.
diff --git a/10_Wiki/Topics/AI/Flow-State.md b/10_Wiki/Topics/AI/Flow-State.md
index 96a7fe87..85c906b6 100644
--- a/10_Wiki/Topics/AI/Flow-State.md
+++ b/10_Wiki/Topics/AI/Flow-State.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-FLST-001
+id: [[P-Reinforce]]-AUTO-FLST-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.88
-tags: [auto-reinforced, flow-state, psychology, productivity, Mihaly-Csikszentmihalyi, high-performance]
+tags: [auto-reinforced, flow-[[State]], [[Psychology]], productivity, Mihaly-Csikszentmihalyi, high-performance]
last_reinforced: 2026-04-20
---
@@ -16,10 +16,10 @@ last_reinforced: 2026-04-20
1. **조건**:
* **난이도 조절**: 너무 쉬우면 지루하고, 너무 어려우면 불안함. 그 사이의 '몰입 채널'에 진입해야 함.
- * **명확한 목표 & 즉각적 피드백**: 지금 무엇을 해야 하는지 알고, 결과가 바로 확인되어야 함. (Feedback-Loops와 연결)
+ * **명확한 목표 & 즉각적 피드백**: 지금 무엇을 해야 하는지 알고, 결과가 바로 확인되어야 함. ([[Feedback-Loops]]와 연결)
* **집중을 방해하는 요소 제거**: 환경적 잡음과 내부적 잡념의 차단.
2. **왜 중요한가?**:
- * 생산성이 최대 5배까지 향상되며, 결과물의 품질은 물론 수행자 본인의 행복감이 극대화됨. (Creativity Research와 연결)
+ * 생산성이 최대 5배까지 향상되며, 결과물의 품질은 물론 수행자 본인의 행복감이 극대화됨. ([[Creativity Research]]와 연결)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거에는 열심히 노력하는 '고통스러운 수양 정책'만이 성과를 낸다고 보았으나, 현대 정책은 '몰입을 유도하는 즐거운 집중 정책'이 뇌과학적으로 훨씬 더 효율적인 고성능 정책임을 입증함(RL Update).
@@ -27,5 +27,5 @@ last_reinforced: 2026-04-20
## 🔗 지식 연결 (Graph)
- [[Creativity Research]], [[Psychology & Behavior]], [[Feedback-Loops]], [[Efficiency]], [[Analysis]]
-- **Modern Tech/Tools**: Deep Work techniques, Pomodoro timers, Distraction-blocking apps.
+- **Modern Tech/Tools**: Deep Work techniques, Pomodoro timers, Distraction-[[Blocking]] apps.
---
diff --git a/10_Wiki/Topics/AI/Fluent-Interface-Design.md b/10_Wiki/Topics/AI/Fluent-Interface-Design.md
index 03146432..daceff3f 100644
--- a/10_Wiki/Topics/AI/Fluent-Interface-Design.md
+++ b/10_Wiki/Topics/AI/Fluent-Interface-Design.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AI-FLUENT-INTERFACE
+id: [[P-Reinforce]]-AI-FLUENT-INTERFACE
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.96
tags: [SoftwareEngineering, API, Pattern, CleanCode]
@@ -14,7 +14,7 @@ last_reinforced: 2026-04-20
## 📖 구조화된 지식 (Synthesized Content)
- **Concept**: 메서드가 `this`(자기 자신)를 반환하도록 설계하여, 점`.`을 찍고 계속해서 명령을 이어가게 함.
- **Example**: `builder.setName("Ant").setAge(1).build();`
-- **Goal**:
+- **[[goal]]**:
- **Readability**: 비개발자가 봐도 의도를 파악할 수 있는 선언적 구조.
- **Discoverability**: 점을 찍으면 바로 다음에 가능한 행동들이 나열되어 API 사용이 쉬워짐.
- **Domain Specific Languages (DSL)**: 특정 도메인 전용 언어를 구축할 때 핵심적인 패턴이다.
diff --git a/10_Wiki/Topics/AI/Fluid-Dynamics for Games.md b/10_Wiki/Topics/AI/Fluid-Dynamics for Games.md
index e4566898..73ddc026 100644
--- a/10_Wiki/Topics/AI/Fluid-Dynamics for Games.md
+++ b/10_Wiki/Topics/AI/Fluid-Dynamics for Games.md
@@ -2,7 +2,7 @@
id: PHYS-FLUID-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [game-dev, physics-engine, fluid-dynamics, simulation, vfx]
+tags: [game-dev, [[Physics]]-engine, fluid-dynamics, simulation, vfx]
last_reinforced: 2026-04-26
---
@@ -24,5 +24,5 @@ last_reinforced: 2026-04-26
- **정책 변화:** Skybound 프로젝트는 보스 폭발 및 특수 무기 효과 시 시각적 임팩트를 위해 경량화된 SPH(Smoothed Particle Hydrodynamics) 기반의 유체 시뮬레이션을 적용함.
## 🔗 지식 연결 (Graph)
-- Physics-Engine, [[Determinism-in-Computing]], [[Time-Step-Logic-in-Games]], Computer-Vision-Mastery
+- Physics-Engine, [[Determinism-in-Computing]], [[Time-Step-[[Logic]]-in-Games]], [[Computer-Vision]]-[[Mastery]]
- **Raw Source:** 10_Wiki/Topics/AI/Fluid-Dynamics for Games.md
diff --git a/10_Wiki/Topics/AI/Focal-Loss.md b/10_Wiki/Topics/AI/Focal-Loss.md
index cf8e750e..90ee2ae9 100644
--- a/10_Wiki/Topics/AI/Focal-Loss.md
+++ b/10_Wiki/Topics/AI/Focal-Loss.md
@@ -2,7 +2,7 @@
id: LOSS-002
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [ai, deep-learning, loss-function, focal-loss, imbalanced-data]
+tags: [ai, [[Deep-Learning]], loss-function, focal-loss, imbalanced-data]
last_reinforced: 2026-04-26
---
@@ -23,5 +23,5 @@ last_reinforced: 2026-04-26
- **정책 변화:** Antigravity 프로젝트는 수만 개의 일반 지식 문서 사이에서 극소수의 '핵심 프로젝트 로그'를 분류해내는 정밀 탐지 모델 학습 시 포컬 손실을 사용하여 오분류율을 획기적으로 낮춤.
## 🔗 지식 연결 (Graph)
-- Cross-Entropy-Loss, Computer-Vision-Mastery, Deep-Learning-Foundations, Object-Detection-Mastery
+- Cross-Entropy-Loss, [[Computer-Vision]]-[[Mastery]], Deep-Learning-Foundations, Object-Detection-Mastery
- **Raw Source:** 10_Wiki/Topics/AI/Focal-Loss.md
diff --git a/10_Wiki/Topics/AI/Formal Methods.md b/10_Wiki/Topics/AI/Formal Methods.md
index a10bddcc..0fbbc400 100644
--- a/10_Wiki/Topics/AI/Formal Methods.md
+++ b/10_Wiki/Topics/AI/Formal Methods.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-FOMT-001
+id: [[P-Reinforce]]-AUTO-FOMT-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.95
-tags: [auto-reinforced, formal-methods, safety-critical, verification, logic, software-engineering]
+tags: [auto-reinforced, formal-methods, safety-critical, verification, [[Logic]], software-engineering]
last_reinforced: 2026-04-20
---
@@ -15,11 +15,11 @@ last_reinforced: 2026-04-20
정형 기법(Formal Methods)은 수학적 모델을 사용해 시스템의 속성을 명시하고 개발 및 검증하는 기법입니다.
1. **핵심 단계**:
- * **Formal Specification**: 모호한 일상어가 아닌 수학적 로직으로 시스템이 해야 할 일을 기술.
+ * **Formal [[Specification]]**: 모호한 일상어가 아닌 수학적 로직으로 시스템이 해야 할 일을 기술.
* **Model Checking**: 가능한 모든 상태를 자동으로 탐색하여 에러가 발생하는 경로가 없는지 증명.
* **Theorem Proving**: 논리적 추론을 통해 코드의 정확성을 증명.
2. **왜 중요한가?**:
- * 자율주행차의 제어 로직, 우주선 소프트웨어, 보안 프로토콜, 스마트 컨트랙트 등 '에러 = 치명적 재앙'인 분야에서 수학적 신뢰성을 제공함. (AI Safety와 연결)
+ * 자율주행차의 제어 로직, 우주선 소프트웨어, 보안 프로토콜, 스마트 컨트랙트 등 '에러 = 치명적 재앙'인 분야에서 수학적 신뢰성을 제공함. ([[AI Safety]]와 연결)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거에는 너무 복잡하고 시간이 많이 걸려 '비실용적인 정책'으로 여겨졌으나, 현대 정책은 컴퓨팅 파워의 발전과 자동화 도구 정책 덕분에 클라우드 아키텍처나 하드웨어 설계 정책의 핵심 검증 단계로 안착함(RL Update).
diff --git a/10_Wiki/Topics/AI/Formal-Verification-of-Software.md b/10_Wiki/Topics/AI/Formal-Verification-of-Software.md
index 09dd7b6d..0fd8755a 100644
--- a/10_Wiki/Topics/AI/Formal-Verification-of-Software.md
+++ b/10_Wiki/Topics/AI/Formal-Verification-of-Software.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AI-FORMAL-VERIFICATION
+id: [[P-Reinforce]]-AI-FORMAL-VERIFICATION
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.92
tags: [SoftwareEngineering, FormalVerification, Math, Security]
@@ -14,13 +14,13 @@ last_reinforced: 2026-04-20
## 📖 구조화된 지식 (Synthesized Content)
- **Mechanism**:
- **Model Checking**: 시스템이 가질 수 있는 모든 상태를 전수 조사하여 결함이 없는지 확인.
- - **Theorem Proving**: 코드를 수식으로 변환하여 공리(Axioms)로부터 정답임을 유도함.
+ - **Theorem Proving**: 코드를 수식으로 변환하여 공리([[Axioms]])로부터 정답임을 유도함.
- **Use Cases**: 원자력 제어 시스템, 항공기 항법 장치, 스마트 컨트랙트(블록체인), OS 커널 보안.
- **Benefit**: 인간이 결코 상상할 수 없는 아주 희귀한 상황(Edge Cases)에서의 에러도 100% 발견 및 방지.
## ⚠️ 모순 및 업데이트 (RL Update)
-- 정식 검증은 고도의 수학적 지식이 필요하며, 대규모 소스 코드에 적용하기에 연산 비용이 어마어마하다(State Explosion). 최근에는 AI가 복잡한 증명 과정을 대신 생성해주거나 코드를 읽고 정식 모델을 자동 추출하는 연구가 진행되어, 일반 상용 소프트웨어 영역으로 문턱을 낮추고 있다.
+- 정식 검증은 고도의 수학적 지식이 필요하며, 대규모 소스 코드에 적용하기에 연산 비용이 어마어마하다([[State]] Explosion). 최근에는 AI가 복잡한 증명 과정을 대신 생성해주거나 코드를 읽고 정식 모델을 자동 추출하는 연구가 진행되어, 일반 상용 소프트웨어 영역으로 문턱을 낮추고 있다.
## 🔗 지식 연결 (Graph)
-- Related: [[SAST (Static Application Security Testing)]] , Cyber-Security
-- Concept: Logic-And-Mathematics
+- Related: [[SAST (Static Application Security [[Testing]])]] , Cyber-Security
+- Concept: [[Logic]]-And-Mathematics
diff --git a/10_Wiki/Topics/AI/Foundation-Models.md b/10_Wiki/Topics/AI/Foundation-Models.md
index 65b134ed..7b451694 100644
--- a/10_Wiki/Topics/AI/Foundation-Models.md
+++ b/10_Wiki/Topics/AI/Foundation-Models.md
@@ -1,15 +1,15 @@
---
-id: P-REINFORCE-AUTO-FOMO-001
+id: [[P-Reinforce]]-AUTO-FOMO-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.98
-tags: [auto-reinforced, foundation-models, llm, multimodal, generative-ai, scaling-laws]
+tags: [auto-reinforced, foundation-models, llm, multimodal, [[Generative-AI]], scaling-laws]
last_reinforced: 2026-04-20
---
# [[Foundation-Models]]
## 📌 한 줄 통찰 (The Karpathy Summary)
-> "지능의 새로운 지층: 거대한 데이터셋에서 학습되어 언어, 이미지, 코딩 등 수많은 하위 작업을 동시에 수행할 수 있는 범용적인 능력을 갖춘 기본 모델로, 그 위에 다양한 앱이 건축(Fine-tuning)되는 현대 AI 생태계의 단단한 지반."
+> "지능의 새로운 지층: 거대한 데이터셋에서 학습되어 언어, 이미지, 코딩 등 수많은 하위 작업을 동시에 수행할 수 있는 범용적인 능력을 갖춘 기본 모델로, 그 위에 다양한 앱이 건축([[Fine-tuning]])되는 현대 AI 생태계의 단단한 지반."
## 📖 구조화된 지식 (Synthesized Content)
파운데이션 모델(Foundation-Models)은 방대한 데이터에서 자기지도 학습(Self-supervised learning)을 통해 훈련되어 광범위한 하위 작업에 적응할 수 있는 모델입니다. (스탠포드 HAI 명명)
@@ -17,7 +17,7 @@ last_reinforced: 2026-04-20
1. **특징**:
* **Generality**: 특정 용도가 아닌 범용적 지능 제공.
* **Scale**: 수천억 개의 파라미터와 테라바이트급 데이터로 학습.
- * **Emergence**: 학습하지 않은 능력(추론 등)이 규모가 커지며 갑자기 나타남. (Emergence와 연결)
+ * **[[Emergence]]**: 학습하지 않은 능력(추론 등)이 규모가 커지며 갑자기 나타남. (Emergence와 연결)
* **Multimodality**: 최근에는 텍스트를 넘어 시각, 청각을 동시에 처리.
2. **왜 중요한가?**:
* 누구나 바닥부터 모델을 만들 필요 없이, 강력한 파운데이션 모델을 API나 오픈소스로 가져와 비즈니스 아이디어만 얹으면 되는 'AI 민주화'의 핵심임.
diff --git a/10_Wiki/Topics/AI/Fragility.md b/10_Wiki/Topics/AI/Fragility.md
index 0adcf8b7..7632aa30 100644
--- a/10_Wiki/Topics/AI/Fragility.md
+++ b/10_Wiki/Topics/AI/Fragility.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-FRAG-001
+id: [[P-Reinforce]]-AUTO-FRAG-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.89
-tags: [auto-reinforced, fragility, antifragility, nassim-taleb, systems-theory, risk-management]
+tags: [auto-reinforced, fragility, [[Antifragility]], nassim-taleb,[[ system]]s-theory, risk-[[Management]]]
last_reinforced: 2026-04-20
---
@@ -19,14 +19,14 @@ last_reinforced: 2026-04-20
* **Robust (강건)**: 충격을 버팀. (예: 돌덩이)
* **Antifragile (반취약)**: 충격을 받을수록 더 강해짐. (예: 근육, 세균, 지식 진화 정책).
2. **왜 발생하는가?**:
- * **Over-optimization**: 효율성만을 위해 여유분(Redundancy)을 없앴을 때, 작은 변수에도 전체가 무너짐. (Efficiency의 역설)
- * **Interdependence**: 구성 요소들이 너무 긴밀하게 묶여 있어 에러가 빛의 속도로 전파됨. (Complex Systems)
+ * **Over-[[Optimization]]**: 효율성만을 위해 여유분(Redundancy)을 없앴을 때, 작은 변수에도 전체가 무너짐. ([[Efficiency]]의 역설)
+ * **Interdependence**: 구성 요소들이 너무 긴밀하게 묶여 있어 에러가 빛의 속도로 전파됨. ([[Complex Systems]])
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
-- **과거 데이터와의 충돌**: 과거에는 '효율적이고 예측 가능한 정책'을 최고로 쳤으나, 현대 정책은 예측 불가능한 세상(Black-Swan)에서 살아남기 위해 '충격에 면역이 있는 정책(Robustness)'을 넘어 '충격에서 배우는 정책(Antifragility)'을 추구함(RL Update).
-- **정책 변화(RL Update)**: AI 모델 배포 정책에서 단일 서버에 의존하는 대신, 전 세계 수만 개의 노드에 분산하고 에러 상황을 인위적으로 유도해 시스템을 강화하는 '카오스 엔지니어링 정책'이 표준이 됨. (Fault-Tolerance와 연결)
+- **과거 데이터와의 충돌**: 과거에는 '효율적이고 예측 가능한 정책'을 최고로 쳤으나, 현대 정책은 예측 불가능한 세상([[Black-Swan]])에서 살아남기 위해 '충격에 면역이 있는 정책([[Robustness]])'을 넘어 '충격에서 배우는 정책(Antifragility)'을 추구함(RL Update).
+- **정책 변화(RL Update)**: AI 모델 배포 정책에서 단일 서버에 의존하는 대신, 전 세계 수만 개의 노드에 분산하고 에러 상황을 인위적으로 유도해 시스템을 강화하는 '카오스 엔지니어링 정책'이 표준이 됨. ([[Fault-Tolerance]]와 연결)
## 🔗 지식 연결 (Graph)
- [[Black-Swan]], [[Efficiency]], [[Fault-Tolerance]], [[Complexity Theory]], [[Distributed-Systems]]
-- **Modern Tech/Tools**: Error budget, Redundancy systems, Antifragile organizational models.
+- **Modern Tech/Tools**: Error [[Budget]], Redundancy systems, Antifragile organizational models.
---
diff --git a/10_Wiki/Topics/AI/Free-Energy-Principle.md b/10_Wiki/Topics/AI/Free-Energy-Principle.md
index 1dccada2..87848b54 100644
--- a/10_Wiki/Topics/AI/Free-Energy-Principle.md
+++ b/10_Wiki/Topics/AI/Free-Energy-Principle.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AUTO-FEPP-001
+id: [[P-Reinforce]]-AUTO-FEPP-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.92
tags: [auto-reinforced, free-energy-principle, neuroscience, karl-friston, active-inference, perception]
@@ -18,7 +18,7 @@ last_reinforced: 2026-04-20
* **인식 수정**: 세상에 대한 나의 예측이 틀렸다면, 내 생각을 바꿈 (학습).
* **행동 수행**: 세상을 내 예측에 맞게 바꿈 (예: 배고프면 음식을 찾아 먹어 예측된 영양 상태 실현).
2. **왜 중요한가?**:
- * 에너지 소모를 최소화하면서도 복잡한 환경에서 살아남는 생명 지능의 '경제성'을 설명하며, 차세대 AI 아키텍처의 설계 영감이 됨. (Dopamine-Modeling과 연결)
+ * 에너지 소모를 최소화하면서도 복잡한 환경에서 살아남는 생명 지능의 '경제성'을 설명하며, 차세대 AI 아키텍처의 설계 영감이 됨. ([[Dopamine-Modeling]]과 연결)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거에는 뇌가 외부 자극을 수동적으로 처리하는 '연산 장치 정책'으로 보았으나, 자유 에너지 원리 정책은 뇌를 적극적으로 가설을 던지고 검증하는 '예측 기계 정책'으로 재정의함(RL Update).
diff --git a/10_Wiki/Topics/AI/Frontend-Architecture-and-Folder-Structure.md b/10_Wiki/Topics/AI/Frontend-Architecture-and-Folder-Structure.md
index c8369dca..f657d67f 100644
--- a/10_Wiki/Topics/AI/Frontend-Architecture-and-Folder-Structure.md
+++ b/10_Wiki/Topics/AI/Frontend-Architecture-and-Folder-Structure.md
@@ -2,7 +2,7 @@
id: FE-ARCH-STRUCT-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [frontend, architecture, folder-structure, scalability, modularity, atomic-design, clean-architecture]
+tags: [[[Frontend]], [[Architecture]], folder-structure, [[Scalability]], [[Modularity]], atomic-design, clean-architecture]
last_reinforced: 2026-04-26
---
@@ -26,5 +26,5 @@ last_reinforced: 2026-04-26
- **정책 변화:** Antigravity 프로젝트는 모든 저장소에 대해 'Feature-first' 폴더 구조를 강제하며, 각 피처 폴더 밖으로 유출되는 의존성은 엄격히 검토되는 'Strict Encapsulation' 정책을 고수함.
## 🔗 지식 연결 (Graph)
-- Scalable-Frontend-Architecture, [[Atomic-Styling-and-Design-Systems]], [[Clean-Code-Principles]], Modular-Monolith
+- Scalable-[[Frontend-Architecture]], [[Atomic-Styling-and-[[Design-System]]s]], [[Clean-Code-Principles]], Modular-Monolith
- **Raw Source:** 00_Raw/Frontend Folder Structure.md
diff --git a/10_Wiki/Topics/AI/Frontend-Architecture.md b/10_Wiki/Topics/AI/Frontend-Architecture.md
index b02405e8..f5a2da64 100644
--- a/10_Wiki/Topics/AI/Frontend-Architecture.md
+++ b/10_Wiki/Topics/AI/Frontend-Architecture.md
@@ -2,7 +2,7 @@
id: FE-ARCH-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [frontend, software-architecture, web-development, react, state-management]
+tags: [[[Frontend]], software-[[Architecture]], web-development, react, [[State]]-[[Management]]]
last_reinforced: 2026-04-26
---
@@ -23,8 +23,8 @@ last_reinforced: 2026-04-26
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌:** 단순히 정적 페이지를 보여주던 방식에서, 수만 개의 상태를 실시간으로 동기화하고 에이전트와 대화하는 '지능형 애플리케이션 플랫폼'으로 진화.
-- **정책 변화:** Antigravity 프로젝트는 에이전트의 지식 탐색 결과와 지식 지도를 시각화하기 위해 최신 Next.js 기반의 서버 컴포넌트 아키텍처를 표준으로 채택함.
+- **정책 변화:** Antigravity 프로젝트는 에이전트의 지식 탐색 결과와 지식 지도를 시각화하기 위해 최신 [[Next.js]] 기반의 서버 컴포넌트 아키텍처를 표준으로 채택함.
## 🔗 지식 연결 (Graph)
-- System-Design-for-AI-Scale, UX-Design, [[Context-Aware-Computing]], [[Domain-Driven-Design-DDD]]
+-[[ system]]-Design-for-AI-Scale, UX-Design, [[Context-Aware-Computing]], [[Domain-Driven-Design-DDD]]
- **Raw Source:** 10_Wiki/Topics/AI/Frontend-Architecture.md
diff --git a/10_Wiki/Topics/AI/Frontend-Debugging-and-Testing.md b/10_Wiki/Topics/AI/Frontend-Debugging-and-Testing.md
index 33eebcc8..f41ba8c8 100644
--- a/10_Wiki/Topics/AI/Frontend-Debugging-and-Testing.md
+++ b/10_Wiki/Topics/AI/Frontend-Debugging-and-Testing.md
@@ -2,7 +2,7 @@
id: FE-DEBUG-TEST-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [frontend, debugging, testing, devtools, chrome, logging, troubleshooting]
+tags: [[[Frontend]], debugging, [[Testing]], devtools, [[Chrome]], logging, troubleshooting]
last_reinforced: 2026-04-26
---
@@ -14,7 +14,7 @@ last_reinforced: 2026-04-26
## 📖 구조화된 지식 (Synthesized Content)
- **추출된 패턴:** "Runtime Inspection and Automated Verification" — 브라우저 개발자 도구를 통한 실시간 상태 분석과 단위/통합 테스트를 결합하여 개발 주기를 가속화하는 패턴.
- **핵심 디버깅 기술:**
- - **Chrome DevTools Mastering:** Elements(DOM/CSS), Console, Sources(Breakpoints), Network(API), Performance(Bottlenecks) 탭의 숙련된 활용.
+ - **[[Chrome DevTools]] Mastering:** Elements(DOM/CSS), Console, Sources(Breakpoints), Network(API), Performance([[Bottlenecks]]) 탭의 숙련된 활용.
- **Source Maps:** 난독화된 프로덕션 코드에서도 원본 소스 위치를 정확히 식별.
- **Conditional Logging:** 불필요한 로그 노출 없이 특정 조건에서만 디버그 정보를 출력하는 로깅 전략.
- **테스트 전략:**
@@ -28,5 +28,5 @@ last_reinforced: 2026-04-26
- **정책 변화:** Antigravity 프로젝트는 모든 치명적인 비즈니스 로직에 대해 80% 이상의 테스트 커버리지를 강제하며, 디버그 모드에서만 활성화되는 상세 추적 로그(Verbose Tracing) 정책을 시행함.
## 🔗 지식 연결 (Graph)
-- [[React-Error-Boundaries-and-Handling]], [[Frontend-Performance-Optimization-Guide]], Sentry-LogRocket-Monitoring, [[Clean-Code-Principles]]
+- [[React-Error-[[Boundaries]]-and-Handling]], [[Frontend-Performance-[[Optimization]]-Guide]], Sentry-LogRocket-Monitoring, [[Clean-Code-Principles]]
- **Raw Source:** 00_Raw/Frontend Debugging.md
diff --git a/10_Wiki/Topics/AI/Frontend-Performance-Optimization-Guide.md b/10_Wiki/Topics/AI/Frontend-Performance-Optimization-Guide.md
index c5a4e6b7..53576200 100644
--- a/10_Wiki/Topics/AI/Frontend-Performance-Optimization-Guide.md
+++ b/10_Wiki/Topics/AI/Frontend-Performance-Optimization-Guide.md
@@ -2,27 +2,27 @@
id: FE-PERF-GUIDE-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [frontend, performance, optimization, checklist, lighthouse, code-splitting, lazy-loading, caching]
+tags: [[[Frontend]], performance, [[Optimization]], checklist, [[Lighthouse]], code-splitting, lazy-loading, caching]
last_reinforced: 2026-04-26
---
-# Frontend Performance Optimization Guide (프런트엔드 성능 최적화 가이드)
+# Frontend [[Performance Optimization]] Guide (프런트엔드 성능 최적화 가이드)
## 📌 한 줄 통찰 (The Karpathy Summary)
> "불필요한 리소스 전송을 최소화하고, 브라우저의 렌더링 경로를 효율적으로 관리하여 사용자에게 밀리초 단위의 쾌적함을 선사하라" — 사용자 유지율과 전환율을 결정짓는 프런트엔드 엔지니어링의 핵심 지표 관리 전략.
## 📖 구조화된 지식 (Synthesized Content)
-- **추출된 패턴:** "Lean Delivery and Progressive Hydration" — 초기 번들 크기를 줄이고 필요한 시점에 리소스를 지연 로딩하여, 사용자가 체감하는 첫 유의미한 페인팅(FCP) 시간을 단축하는 패턴.
+- **추출된 패턴:** "Lean Delivery and Progressive [[Hydration]]" — 초기 번들 크기를 줄이고 필요한 시점에 리소스를 지연 로딩하여, 사용자가 체감하는 첫 유의미한 페인팅(FCP) 시간을 단축하는 패턴.
- **실전 최적화 체크리스트:**
- **Resource Loading:** 이미지 최적화(WebP, Lazy Load), 폰트 서브셋 활용, 중요 리소스 우선순위(Preload/Prefetch) 설정.
- - **JavaScript Bundle:** Route-based Code Splitting, 대형 라이브러리 Tree-shaking, 미사용 코드 제거.
- - **Rendering Efficiency:** 불필요한 리렌더링 방지(`React.memo`, `useMemo`), 가상화 리스트(`react-window`) 적용.
+ - **[[JavaScript]] Bundle:** Route-based Code Splitting, 대형 라이브러리 Tree-shaking, 미사용 코드 제거.
+ - **Rendering [[Efficiency]]:** 불필요한 리렌더링 방지(`React.memo`, `useMemo`), 가상화 리스트(`react-window`) 적용.
- **Network & Caching:** HTTP/2+ 활용, CDN 배포, 정적 자산의 강력한 캐시 정책(E-tag, Cache-Control).
- **의의:** 저사양 기기나 열악한 네트워크 환경의 사용자까지 포용하며, 비즈니스 수익과 검색 엔진 랭킹을 동시에 향상시킴.
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌:** 과거에는 모든 리소스를 하나로 합쳐서(Bundling) 전송했으나, 현대 정책은 지연 로딩(Lazy Loading)과 증분 전송 정책으로 전환됨. 또한 '서버 사이드 렌더링(SSR)'이 단순히 SEO를 넘어 성능 최적화의 필수 요소 정책으로 정착됨.
-- **정책 변화:** Antigravity 프로젝트는 모든 웹 자산에 대해 Lighthouse 성능 점수 90점 이상 유지를 강제하며, 번들 크기가 20% 이상 증가할 경우 자동 알림 및 검토 루프에 진입하는 'Performance Budget' 정책을 시행함.
+- **정책 변화:** Antigravity 프로젝트는 모든 웹 자산에 대해 Lighthouse 성능 점수 90점 이상 유지를 강제하며, 번들 크기가 20% 이상 증가할 경우 자동 알림 및 검토 루프에 진입하는 'Performance [[Budget]]' 정책을 시행함.
## 🔗 지식 연결 (Graph)
- [[Core-Web-Vitals-Metrics]], [[Web-Rendering-Strategies-CSR-vs-SSR]], Image-Optimization, Frontend-Performance-Checklist
diff --git a/10_Wiki/Topics/AI/Frontend-Team-Collaboration-and-Governance.md b/10_Wiki/Topics/AI/Frontend-Team-Collaboration-and-Governance.md
index ae474791..92804dde 100644
--- a/10_Wiki/Topics/AI/Frontend-Team-Collaboration-and-Governance.md
+++ b/10_Wiki/Topics/AI/Frontend-Team-Collaboration-and-Governance.md
@@ -2,7 +2,7 @@
id: FE-TEAM-COLLAB-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [frontend, team-collaboration, governance, code-reviews, documentation, standard-operating-procedures]
+tags: [[[Frontend]], team-collaboration, governance, code-reviews, documentation, [[Standard-[[Opera]]ting-Procedure]]s]
last_reinforced: 2026-04-26
---
@@ -14,9 +14,9 @@ last_reinforced: 2026-04-26
## 📖 구조화된 지식 (Synthesized Content)
- **추출된 패턴:** "Standardized Workflow and Collective Responsibility" — PR 템플릿, 코드 리뷰 가이드라인, 자동화된 린팅/포맷팅 규칙을 통해 개인의 편차를 줄이고 팀 전체의 역량을 상향 평준화하는 패턴.
- **협업 핵심 요소:**
- - **Code Governance:** ESLint, Prettier 설정을 통한 코드 스타일 강제. Husky를 활용한 Git Hooks 자동화.
+ - **Code Governance:** [[ESLint]], [[Prettier]] 설정을 통한 코드 스타일 강제. [[Husky]]를 활용한 [[Git Hooks]] 자동화.
- **Review Protocol:** 의미 있는 커밋 메시지 규칙(Conventional Commits), PR 단위의 작업 정의, 건설적인 코드 리뷰 문화.
- - **Documentation Strategy:** 기술 설계 문서(RFC), Storybook을 활용한 컴포넌트 시각적 문서화, Wiki 기반의 도메인 지식 공유.
+ - **Documentation [[Strategy]]:** 기술 설계 문서(RFC), Storybook을 활용한 컴포넌트 시각적 문서화, Wiki 기반의 도메인 지식 공유.
- **Standard Operating Procedures (SOP):** 버그 리포팅, 배포 승인 프로세스, 온보딩 가이드 등 반복적인 업무의 표준화.
- **의의:** 개발 속도의 병목을 제거하고 코드의 기술 부채 누적을 방지하며, 팀원 변경 시에도 프로젝트의 연속성을 유지함.
@@ -25,5 +25,5 @@ last_reinforced: 2026-04-26
- **정책 변화:** Antigravity 프로젝트는 모든 PR에 대해 최소 2인 이상의 승인(Approval)을 필수 정책으로 하며, 매 분기마다 기술 부채를 전담 처리하는 'Gardening Week' 정책을 시행함.
## 🔗 지식 연결 (Graph)
-- [[Git-Branching-Strategies-and-Workflows]], Pull-Request-Workflow, [[Clean-Code-Principles]], Technical-Debt-Management
+- [[Git-Branching-Strategies-and-Workflows]], [[Pull-Request]]-Workflow, [[Clean-Code-Principles]], [[Technical-Debt]]-[[Management]]
- **Raw Source:** 00_Raw/Frontend Team Collaboration.md
diff --git a/10_Wiki/Topics/AI/Frontend.md b/10_Wiki/Topics/AI/Frontend.md
index a465ab9f..f91a661e 100644
--- a/10_Wiki/Topics/AI/Frontend.md
+++ b/10_Wiki/Topics/AI/Frontend.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AUTO-FRON-001
+id: [[P-Reinforce]]-AUTO-FRON-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.98
tags: [auto-reinforced, frontend, web-development, ui, framework, user-interface]
@@ -16,16 +16,16 @@ last_reinforced: 2026-04-20
1. **3대 핵심 기술**:
* **HTML**: 웹의 뼈대와 구조 정의.
- * **CSS**: 스타일, 레이아웃, 심미적 디자인 (Design-System의 구현체).
- * **JavaScript**: 사용자의 클릭, 입력 등에 반응하는 동적 로직.
+ * **CSS**: 스타일, 레이아웃, 심미적 디자인 ([[Design-System]]의 구현체).
+ * **[[JavaScript]]**: 사용자의 클릭, 입력 등에 반응하는 동적 로직.
2. **현대적 라이브러리/프레임워크**:
- * **React, Vue, Svelte**: 컴포넌트 기반으로 복잡한 UI를 효율적으로 관리. (Scalability 확보)
+ * **React, Vue, Svelte**: 컴포넌트 기반으로 복잡한 UI를 효율적으로 관리. ([[Scalability]] 확보)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거에는 정적인 문서를 보여주는 '표시 정책' 위주였으나, 현대 정책은 브라우저에서 거대 연산을 수행하고 오프라인에서도 작동하는 '애플리케이션 정책(SPA/PWA)'으로 도약함(RL Update).
- **정책 변화(RL Update)**: 단순히 코드를 짜는 정책을 넘어, AI가 캡처한 이미지나 기획 문서만 보고 프론트엔드 코드를 자동 생성하는 'V0/Screenshot-to-Code 정책'이 도입되며 프론트 개발자의 역할이 '경험 설계자 정책'으로 고도화 중임.
## 🔗 지식 연결 (Graph)
-- [[Design-System]], User Experience (UX), [[Clean-Architecture-TypeScript]], [[Core-Web-Vitals]], [[Backend]]
-- **Modern Tech/Tools**: Next.js, Vite, WebGL/Three.js (Visuals), Tailwind CSS.
+- [[Design-System]], User Experience (UX), [[Clean-[[Architecture]]-TypeScript]], [[Core-Web-Vitals]], [[Backend]]
+- **Modern Tech/Tools**: [[Next.js]], Vite, [[WebGL]]/Three.js (Visuals), [[Tailwind CSS]].
---
diff --git a/10_Wiki/Topics/AI/Functional Programming.md b/10_Wiki/Topics/AI/Functional Programming.md
index ac38e150..e721b3d7 100644
--- a/10_Wiki/Topics/AI/Functional Programming.md
+++ b/10_Wiki/Topics/AI/Functional Programming.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-FUPR-001
+id: [[P-Reinforce]]-AUTO-FUPR-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.96
-tags: [auto-reinforced, functional-programming, declarative, immutability, pure-function, software-engineering]
+tags: [auto-reinforced, [[Functional-Programming]], declarative, immutability, pure-function, software-engineering]
last_reinforced: 2026-04-20
---
@@ -19,13 +19,13 @@ last_reinforced: 2026-04-20
* **Pure Functions**: 외부 상태에 의존하지 않고 오직 입력으로만 결과를 냄 (Side effect 제거).
* **Higher-Order Functions**: 함수를 값처럼 주고받아 로직의 결합과 재사용성을 극대화 (Map, Filter, Reduce).
2. **왜 중요한가?**:
- * 코드가 간결해지고 테스트가 압도적으로 쉬워지며, 분산 컴퓨팅(Distributed-Systems) 환경에서 데이터 일관성을 지키기에 최적임.
+ * 코드가 간결해지고 테스트가 압도적으로 쉬워지며, 분산 컴퓨팅([[Distributed-Systems]]) 환경에서 데이터 일관성을 지키기에 최적임.
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거에는 하드웨어 자원 낭비(복사 비용 등) 때문에 '명령형/객체지향 정책'이 압승했으나, 현대 정책은 병렬 연산의 중요성과 소프트웨어 복잡성 해결 정책 때문에 모든 주류 언어가 함수형 특징을 도입하는 '하이브리드 함용 정책'으로 승리함(RL Update).
- **정책 변화(RL Update)**: 거대 데이터 파이프라인 정책과 AI 모델의 레이어 연산 정책 자체가 거대한 함수 체인(Functional Chain) 정책으로 설계되어 있으며, 이를 선언적으로 다루는 능력이 현대 개발의 필수 정책이 됨.
## 🔗 지식 연결 (Graph)
-- [[Clean-Architecture-TypeScript]], [[Distributed-Systems]], [[Concurrent Programming]], [[Logic]], [[Optimization]]
+- [[Clean-[[Architecture]]-TypeScript]], [[Distributed-Systems]], [[Concurrent Programming]], [[Logic]], [[Optimization]]
- **Modern Tech/Tools**: Haskell, Elixir, React (Functional Components), Rust, Ramda.js.
---
diff --git a/10_Wiki/Topics/AI/Functional-Programming-in-TypeScript.md b/10_Wiki/Topics/AI/Functional-Programming-in-TypeScript.md
index fa3805a4..f7186cad 100644
--- a/10_Wiki/Topics/AI/Functional-Programming-in-TypeScript.md
+++ b/10_Wiki/Topics/AI/Functional-Programming-in-TypeScript.md
@@ -2,11 +2,11 @@
id: FP-TS-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [typescript, functional-programming, immutability, pure-functions]
+tags: [typescript, [[Functional-Programming]], immutability, pure-functions]
last_reinforced: 2026-04-26
---
-# Functional Programming in TypeScript (함수형 프로그래밍)
+# [[Functional Programming]] in TypeScript (함수형 프로그래밍)
## 📌 한 줄 통찰 (The Karpathy Summary)
> "데이터를 바꾸지 말고, 새로운 데이터를 파이프라인으로 흘려보내라" — 불변성과 순수 함수를 통해 부수 효과(Side-effects)를 제거하고, 코드의 예측 가능성을 극대화하는 프로그래밍 패러다임.
@@ -17,7 +17,7 @@ last_reinforced: 2026-04-26
- **Immutability:** 기존 데이터를 직접 수정(Mutation)하지 않고, 전개 연산자(`...`) 등을 사용하여 새로운 사본을 생성.
- **Pure Functions:** 외부 상태에 의존하거나 수정하지 않는 함수. 테스트와 디버깅이 매우 쉬움.
- **Higher-Order Functions:** 함수를 인자로 받거나 결과로 반환 (예: `map`, `filter`, `reduce`).
- - **Type Safety:** TypeScript의 강력한 제네릭과 Readonly 타입을 활용하여 컴파일 타임에 불변성을 강제.
+ - **Type Safety:** TypeScript의 강력한 제네릭과 [[readonly]] 타입을 활용하여 컴파일 타임에 불변성을 강제.
- **Declarative Code:** '어떻게(How)'가 아닌 '무엇(What)'을 할 것인지 기술하여 코드의 의도를 명확히 함.
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
diff --git a/10_Wiki/Topics/AI/Functional-Programming.md b/10_Wiki/Topics/AI/Functional-Programming.md
index b9861f24..2071541c 100644
--- a/10_Wiki/Topics/AI/Functional-Programming.md
+++ b/10_Wiki/Topics/AI/Functional-Programming.md
@@ -6,7 +6,7 @@ tags: [programming, functional-programming, immutability, pure-functions, softwa
last_reinforced: 2026-04-26
---
-# Functional Programming (함수형 프로그래밍)
+# [[Functional Programming]] (함수형 프로그래밍)
## 📌 한 줄 통찰 (The Karpathy Summary)
> "데이터의 상태 변화를 피하고, 순수 함수들의 조합으로 견고한 로직을 조립하라" — 계산을 수학적 함수의 평가로 취급하고 상태 변경 및 가변 데이터를 멀리하여, 병렬 처리에 유리하고 버그가 적은 소프트웨어를 만드는 프로그래밍 패러다임.
@@ -25,5 +25,5 @@ last_reinforced: 2026-04-26
- **정책 변화:** Antigravity 프로젝트는 에이전트의 사고 흐름(Chain of Thought)을 처리하는 파이프라인 설계 시, 각 단계를 순수 함수로 정의하여 재현 가능성과 안정성을 확보함.
## 🔗 지식 연결 (Graph)
-- [[Determinism-in-Computing]], [[Distributed-Computing]], [[Software-Architecture-Patterns]], [[Parallel-Computing]]
+- [[Determinism-in-Computing]], [[Distributed-Computing]], [[Software-[[Architecture]]-Patterns]], [[Parallel-Computing]]
- **Raw Source:** 10_Wiki/Topics/AI/Functional-Programming.md
diff --git a/10_Wiki/Topics/AI/Fuzzy-Logic.md b/10_Wiki/Topics/AI/Fuzzy-Logic.md
index 46ebfa57..be48db90 100644
--- a/10_Wiki/Topics/AI/Fuzzy-Logic.md
+++ b/10_Wiki/Topics/AI/Fuzzy-Logic.md
@@ -1,8 +1,8 @@
---
-id: FUZZY-LOGIC-001
+id: FUZZY-[[Logic]]-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [ai, fuzzy-logic, logic, control-theory, robotics]
+tags: [ai, fuzzy-logic, logic, [[Control-Theory]], [[Robotics]]]
last_reinforced: 2026-04-26
---
@@ -16,7 +16,7 @@ last_reinforced: 2026-04-26
- **주요 특징:**
- **Membership Function:** 어떤 집단에 속하는 정도(Degree)를 정의 (예: 온도 25도는 '적당함'에 0.8, '더움'에 0.2 소속).
- **Fuzzy Rules:** "만약 온도가 '조금 더우면', 냉각 팬의 속도를 '적당히 빠르게' 하라"와 같은 직관적 규칙 적용 가능.
- - **Robustness:** 입력값의 미세한 변화에도 출력이 급격히 변하지 않고 부드럽게 반응함.
+ - **[[Robustness]]:** 입력값의 미세한 변화에도 출력이 급격히 변하지 않고 부드럽게 반응함.
- **의의:** 정교한 수학적 모델링이 어려운 복잡한 시스템(가전제품 제어, 차량 브레이크 시스템, 게임 캐릭터의 성격 표현 등)에서 효율적인 해법 제공.
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
diff --git a/10_Wiki/Topics/AI/G-Stack Principles.md b/10_Wiki/Topics/AI/G-Stack Principles.md
index 8cb3efbd..ca8dfeaa 100644
--- a/10_Wiki/Topics/AI/G-Stack Principles.md
+++ b/10_Wiki/Topics/AI/G-Stack Principles.md
@@ -6,7 +6,7 @@ tags: [engineering-culture, productivity, gstack, framework]
last_reinforced: 2026-04-26
---
-# G-Stack Principles (G-Stack 엔지니어링 원칙)
+# G-Stack [[Principles]] (G-Stack 엔지니어링 원칙)
## 📌 한 줄 통찰 (The Karpathy Summary)
> "한계를 넘어서는 엔지니어링을 위한 행동 지침" — 극강의 생산성과 문제 해결 능력을 위해 정의된, GStack 프레임워크의 핵심 철학이자 실천 강령.
diff --git a/10_Wiki/Topics/AI/G-Stack-Integration-Guide.md b/10_Wiki/Topics/AI/G-Stack-Integration-Guide.md
index 65ce0935..a848aee7 100644
--- a/10_Wiki/Topics/AI/G-Stack-Integration-Guide.md
+++ b/10_Wiki/Topics/AI/G-Stack-Integration-Guide.md
@@ -2,7 +2,7 @@
id: GSTACK-GUIDE-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [antigravity, g-stack, integration, architecture, project-standard]
+tags: [antigravity, g-stack, integration, [[Architecture]], project-standard]
last_reinforced: 2026-04-26
---
@@ -12,7 +12,7 @@ last_reinforced: 2026-04-26
> "포괄적인 데이터 수집과 구체적인 구현(Concreteness)을 통해 에이전트의 지능을 실제 가치로 치환하라" — Antigravity 프로젝트의 핵심 운영 체계인 G-Stack의 원칙을 모든 레포지토리와 에이전트 스킬에 이식하기 위한 통합 기술 가이드라인.
## 📖 구조화된 지식 (Synthesized Content)
-- **추출된 패턴:** "추상적 추론보다는 구체적 데이터와 코드"를 우선시하고, 시스템의 모든 로그와 지식을 자산화하여 에이전트의 피드백 루프를 완성하는 정렬(Alignment) 패턴.
+- **추출된 패턴:** "추상적 추론보다는 구체적 데이터와 코드"를 우선시하고, 시스템의 모든 로그와 지식을 자산화하여 에이전트의 피드백 루프를 완성하는 정렬([[Alignment]]) 패턴.
- **3대 핵심 통합 원칙:**
- **Boil the Lake (포괄적 처리):** 특정 문제 해결을 위해 파편화된 데이터가 아닌, 가용 가능한 모든 지식(Wiki, Raw, Git)을 인덱싱하고 연결함.
- **Concreteness (구체성):** 모호한 답변 대신 실행 가능한 코드, 검증된 수치, 직접적인 파일 링크를 제공함.
@@ -27,5 +27,5 @@ last_reinforced: 2026-04-26
- **정책 변화:** 모든 에이전트는 작업 시작 전 본 가이드를 참조하여 자신의 작업 범위와 G-Stack 원칙 준수 여부를 자가 점검해야 함.
## 🔗 지식 연결 (Graph)
-- GStack-Core-Principles, Antigravity-Project-Overview, Knowledge-Gardening-Protocol, Agent-Interaction-Contracts
+- GStack-Core-[[Principles]], Antigravity-Project-Overview, Knowledge-Gardening-Protocol, Agent-Interaction-Contracts
- **Raw Source:** 10_Wiki/Topics/AI/G-Stack-Integration-Guide.md
diff --git a/10_Wiki/Topics/AI/GNN.md b/10_Wiki/Topics/AI/GNN.md
index 170de050..b9940dba 100644
--- a/10_Wiki/Topics/AI/GNN.md
+++ b/10_Wiki/Topics/AI/GNN.md
@@ -2,7 +2,7 @@
id: GNN-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [ai, deep-learning, gnn, graph-neural-networks, relational-data]
+tags: [ai, [[Deep-Learning]], gnn, graph-neural-networks, relational-data]
last_reinforced: 2026-04-26
---
diff --git a/10_Wiki/Topics/AI/GPT-Architecture-Foundations.md b/10_Wiki/Topics/AI/GPT-Architecture-Foundations.md
index f1f85ff8..06d04280 100644
--- a/10_Wiki/Topics/AI/GPT-Architecture-Foundations.md
+++ b/10_Wiki/Topics/AI/GPT-Architecture-Foundations.md
@@ -2,27 +2,27 @@
id: GPT-ARCH-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [ai, nlp, gpt, transformer, deep-learning, generative-ai]
+tags: [ai, nlp, gpt, transformer, [[Deep-Learning]], [[Generative-AI]]]
last_reinforced: 2026-04-26
---
-# GPT Architecture Foundations (GPT 아키텍처 기초)
+# GPT [[Architecture]] Foundations (GPT 아키텍처 기초)
## 📌 한 줄 통찰 (The Karpathy Summary)
> "방대한 텍스트의 바다를 스스로 학습하여, 다음에 올 단어를 예측하는 것만으로 우주적 지능에 도달하라" — 트랜스포머의 디코더 블록을 층층이 쌓아 올려, 이전 문맥을 바탕으로 가장 확률 높은 다음 토큰을 생성해 나가는 자기 회귀적(Autoregressive) 언어 모델의 표준.
## 📖 구조화된 지식 (Synthesized Content)
-- **추출된 패턴:** "Next Token Prediction"이라는 단순한 목표 함수를 대규모 데이터와 파라미터에 적용했을 때, 추론과 창의성이라는 상위 인지 능력이 창발(Emergence)하는 스케일링 법칙 패턴.
+- **추출된 패턴:** "Next Token Prediction"이라는 단순한 목표 함수를 대규모 데이터와 파라미터에 적용했을 때, 추론과 창의성이라는 상위 인지 능력이 창발([[Emergence]])하는 스케일링 법칙 패턴.
- **핵심 구성:**
- **Decoder-only Transformer:** 인코더 없이 마스킹된 셀프 어텐션(Masked Self-Attention)만을 사용하여 미래 정보를 차단하고 과거 문맥에만 집중.
- **Causal Self-Attention:** 현재 토큰이 이전 토큰들과의 관계만을 계산하도록 강제.
- - **Pre-training & Fine-tuning:** 방대한 비지도 학습으로 지식을 쌓고, 특정 태스크나 지시 이행(Instruction Following)을 위해 미세 조정.
+ - **Pre-training & [[Fine-tuning]]:** 방대한 비지도 학습으로 지식을 쌓고, 특정 태스크나 지시 이행(Instruction Following)을 위해 미세 조정.
- **의의:** 사람이 규칙을 정의하지 않아도 데이터 자체에서 언어의 문법, 논리, 심지어 코딩 능력까지 스스로 습득함.
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
-- **과거 데이터와의 충돌:** RNN/LSTM의 순차적 처리 한계를 깨고, 병렬 연산이 가능한 어텐션 메커니즘을 통해 모델 규모의 대형화를 실현함.
+- **과거 데이터와의 충돌:** RNN/[[LSTM]]의 순차적 처리 한계를 깨고, 병렬 연산이 가능한 어텐션 메커니즘을 통해 모델 규모의 대형화를 실현함.
- **정책 변화:** Antigravity 프로젝트의 핵심 엔진(Local/Cloud Brain)은 GPT 아키텍처 기반의 모델들을 사용하며, 프로젝트 특화 지식(Wiki)을 RAG나 Fine-tuning을 통해 통합함.
## 🔗 지식 연결 (Graph)
-- Transformer-Architecture-Foundations, [[LLM]], [[Generative-AI-Impact]], Attention-Mechanism
+- [[Transformer-Architecture]]-Foundations, [[LLM]], [[Generative-AI-Impact]], Attention-Mechanism
- **Raw Source:** 10_Wiki/Topics/AI/GPT-Architecture-Foundations.md
diff --git a/10_Wiki/Topics/AI/GPU-Architecture.md b/10_Wiki/Topics/AI/GPU-Architecture.md
index 021c09c5..522e6a60 100644
--- a/10_Wiki/Topics/AI/GPU-Architecture.md
+++ b/10_Wiki/Topics/AI/GPU-Architecture.md
@@ -2,11 +2,11 @@
id: HW-GPU-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [hardware, gpu, cuda, parallel-computing, ai-infrastructure]
+tags: [[[Hardware]], gpu, cuda, [[Parallel-Computing]], ai-infrastructure]
last_reinforced: 2026-04-26
---
-# GPU Architecture for AI (AI를 위한 GPU 아키텍처)
+# GPU [[Architecture]] for AI (AI를 위한 GPU 아키텍처)
## 📌 한 줄 통찰 (The Karpathy Summary)
> "복잡한 소수의 연산 대신, 수만 개의 단순한 행렬 곱셈을 동시에 몰아치듯 처리하라" — 대규모 병렬 처리에 최적화된 하드웨어 구조로, 특히 딥러닝의 핵심인 행렬 연산을 가속화하기 위해 진화한 현대 AI의 심장.
@@ -16,14 +16,14 @@ last_reinforced: 2026-04-26
- **핵심 구성 요소:**
- **CUDA Cores:** 범용적인 부동 소수점 연산을 수행하는 최소 단위.
- **Tensor Cores:** AI 학습 및 추론에 특화된 고속 행렬 연산 가속기. FP16/BF16 등 혼합 정밀도 연산 지원.
- - **VRAM (High Bandwidth Memory):** 거대 모델의 파라미터를 저장하고 초고속으로 전송하는 전용 메모리 공간.
+ - **VRAM (High Bandwidth [[memory]]):** 거대 모델의 파라미터를 저장하고 초고속으로 전송하는 전용 메모리 공간.
- **Memory Bandwidth:** 연산 속도만큼이나 중요한 데이터 전송 통로의 너비.
- **의의:** 무어의 법칙을 넘어 AI 연산 성능을 기하급수적으로 끌어올려 초거대 언어 모델(LLM) 시대를 실현함.
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌:** 그래픽 렌더링 도구에서 범용 연산 도구(GPGPU)로, 이제는 AI 전용 가속 시스템으로 정체성 진화. NVIDIA의 H100 등 최신 아키텍처는 트랜스포머 연산 가속을 위한 전용 엔진을 포함함.
-- **정책 변화:** Antigravity 프로젝트는 로컬 브레인 구동 시 가용 가능한 GPU 자원을 우선적으로 감지하며, VRAM 용량에 맞춰 모델의 양자화(Quantization) 수준을 동적으로 결정함.
+- **정책 변화:** Antigravity 프로젝트는 로컬 브레인 구동 시 가용 가능한 GPU 자원을 우선적으로 감지하며, VRAM 용량에 맞춰 모델의 양자화([[Quantization]]) 수준을 동적으로 결정함.
## 🔗 지식 연결 (Graph)
-- [[Parallel-Computing]], [[Distributed-Computing]], Deep-Learning-Foundations, [[LLM]]
+- [[Parallel-Computing]], [[Distributed-Computing]], [[Deep-Learning]]-Foundations, [[LLM]]
- **Raw Source:** 10_Wiki/Topics/AI/GPU-Architecture.md
diff --git a/10_Wiki/Topics/AI/GPU-Programming-with-CUDA.md b/10_Wiki/Topics/AI/GPU-Programming-with-CUDA.md
index de47bc2a..ccacb7f8 100644
--- a/10_Wiki/Topics/AI/GPU-Programming-with-CUDA.md
+++ b/10_Wiki/Topics/AI/GPU-Programming-with-CUDA.md
@@ -2,7 +2,7 @@
id: HW-CUDA-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [hardware, gpu, cuda, parallel-computing, c-cpp, ai-acceleration]
+tags: [[[Hardware]], gpu, cuda, [[Parallel-Computing]], c-cpp, ai-acceleration]
last_reinforced: 2026-04-26
---
@@ -15,8 +15,8 @@ last_reinforced: 2026-04-26
- **추출된 패턴:** "Single Instruction, Multiple Threads (SIMT)" — 하나의 명령을 수많은 데이터에 동시에 적용하기 위해 작업을 그리드(Grid), 블록(Block), 스레드(Thread) 단위로 쪼개어 GPU 하드웨어에 매핑하는 병렬 코딩 패턴.
- **핵심 개념:**
- **Kernel:** GPU에서 병렬로 실행되는 함수 단위.
- - **Memory Hierarchy:** Host(CPU)와 Device(GPU) 간의 메모리 복사, 그리고 Global, Shared, Local 메모리의 전략적 활용.
- - **Parallelism Optimization:** 스레드 간의 데이터 동기화와 메모리 접근 패턴(Coalescing) 최적화.
+ - **[[memory]] Hierarchy:** Host(CPU)와 Device(GPU) 간의 메모리 복사, 그리고 Global, Shared, Local 메모리의 전략적 활용.
+ - **Parallelism [[Optimization]]:** 스레드 간의 데이터 동기화와 메모리 접근 패턴(Coalescing) 최적화.
- **Libraries:** cuBLAS, cuDNN 등 딥러닝 연산에 최적화된 저수준 라이브러리 활용.
- **의의:** 딥러닝 프레임워크(PyTorch, TensorFlow)의 밑바닥을 지탱하며, AI 연구자가 하드웨어의 성능을 100% 이끌어낼 수 있게 함.
@@ -25,5 +25,5 @@ last_reinforced: 2026-04-26
- **정책 변화:** Antigravity 프로젝트는 대규모 벡터 연산이나 커스텀 신경망 레이어 최적화가 필요할 때, CUDA 커널을 직접 작성하거나 최적화된 하드웨어 가속 라이브러리를 호출하여 성능 병목을 해결함.
## 🔗 지식 연결 (Graph)
-- GPU-Architecture-for-AI, [[Parallel-Computing]], [[Distributed-Computing]], Deep-Learning-Foundations
+- [[GPU-Architecture]]-for-AI, [[Parallel-Computing]], [[Distributed-Computing]], [[Deep-Learning]]-Foundations
- **Raw Source:** 10_Wiki/Topics/AI/GPU-Programming-with-CUDA.md
diff --git a/10_Wiki/Topics/AI/GPU.md b/10_Wiki/Topics/AI/GPU.md
index 169a0b0b..414fac85 100644
--- a/10_Wiki/Topics/AI/GPU.md
+++ b/10_Wiki/Topics/AI/GPU.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AUTO-DD4F11
+id: [[P-Reinforce]]-AUTO-DD4F11
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.90
tags: [auto-reinforced]
@@ -10,12 +10,12 @@ github_commit: "[P-Reinforce] Continuous Worker - GPU"
# [[GPU]]
## 📌 한 줄 통찰 (The Karpathy Summary)
-> GPU(Graphics Processing Unit)는 실시간 3D 그래픽 렌더링과 병렬 연산 처리에 최적화된 하드웨어 장치이다 [1]. 최신 GPU는 수천 개의 프로세싱 코어를 갖추고 있어 그래픽 렌더링뿐만 아니라 물리 시뮬레이션, AI 추론 등 범용적인 병렬 작업에 뛰어난 성능을 발휘한다 [2, 3]. 웹 환경에서는 WebGL 및 WebGPU와 같은 그래픽 API를 통해 제어되며, 셰이더(Shader) 프로그램을 하드웨어 수준에서 매우 빠른 속도로 실행하여 시각적 결과물을 만들어낸다 [1, 4].
+> GPU(Graphics [[Processing]] Unit)는 실시간 3D 그래픽 렌더링과 병렬 연산 처리에 최적화된 하드웨어 장치이다 [1]. 최신 GPU는 수천 개의 프로세싱 코어를 갖추고 있어 그래픽 렌더링뿐만 아니라 물리 시뮬레이션, AI 추론 등 범용적인 병렬 작업에 뛰어난 성능을 발휘한다 [2, 3]. 웹 환경에서는 [[WebGL]] 및 [[WebGPU]]와 같은 그래픽 API를 통해 제어되며, 셰이더(Shader) 프로그램을 하드웨어 수준에서 매우 빠른 속도로 실행하여 시각적 결과물을 만들어낸다 [1, 4].
## 📖 구조화된 지식 (Synthesized Content)
* **웹 그래픽 파이프라인에서의 역할:** GPU는 WebGL이나 WebGPU API를 통해 전달된 셰이더 프로그램을 실행하여 HTML5 브라우저의 화면(``)에 3D 장면을 렌더링한다 [1, 4]. 렌더링 속도를 극대화하기 위해서는 애플리케이션 코드가 실행되는 환경과 GPU 간의 컨텍스트 스위칭(Context Switching) 및 통신을 최소화해야 하며, 가급적 렌더링에 필요한 모든 데이터를 GPU 메모리에 한 번만 복사하는 것이 이상적이다 [5-8].
-* **GPU 바운드(GPU Bound)와 CPU 병목 현상:** 성능 분석 시 렌더링 지연의 원인이 CPU인지 GPU인지 파악하는 것이 중요하다 [9, 10]. 복잡한 프래그먼트 셰이더 연산이나 과도한 드로우 콜(Draw Call)이 발생할 경우, CPU는 유휴 상태임에도 GPU가 지속적으로 작동하며 한계에 부딪히는 'GPU 바운드' 현상이 발생한다 [11]. 반대로, 단일 스레드로 명령을 전송하는 WebGL 아키텍처 하에서는 최신 GPU가 초당 수백만 개의 폴리곤을 처리할 수 있음에도 불구하고 CPU가 명령을 충분히 빨리 전달하지 못해 GPU가 유휴 상태로 대기하는 CPU 병목 현상이 발생하기도 한다 [2, 12].
-* **컴퓨트 셰이더를 통한 범용 병렬 처리(GPGPU):** 과거 WebGL은 GPU의 사용을 그래픽 렌더링에만 국한시켰으나, WebGPU는 컴퓨트 셰이더(Compute Shaders)를 도입하여 GPU를 범용 병렬 프로세서로 변모시켰다 [2, 3]. GPU의 SIMT(Single-Instruction-Multiple-Thread) 아키텍처를 활용하면 수십만 개의 파티클 시스템, 유체 시뮬레이션, 데이터 정렬, 기계학습 기반의 거대 언어 모델(LLM) 추론 등의 방대한 연산을 CPU 개입 없이 GPU 내부에서 직접 병렬로 처리할 수 있다 [3, 13-15].
+* **GPU 바운드(GPU Bound)와 CPU 병목 현상:** 성능 분석 시 렌더링 지연의 원인이 CPU인지 GPU인지 파악하는 것이 중요하다 [9, 10]. 복잡한 프래그먼트 셰이더 연산이나 과도한 드로우 콜([[Draw Call]])이 발생할 경우, CPU는 유휴 상태임에도 GPU가 지속적으로 작동하며 한계에 부딪히는 'GPU 바운드' 현상이 발생한다 [11]. 반대로, 단일 스레드로 명령을 전송하는 WebGL 아키텍처 하에서는 최신 GPU가 초당 수백만 개의 폴리곤을 처리할 수 있음에도 불구하고 CPU가 명령을 충분히 빨리 전달하지 못해 GPU가 유휴 상태로 대기하는 CPU 병목 현상이 발생하기도 한다 [2, 12].
+* **컴퓨트 셰이더를 통한 범용 병렬 처리(GPGPU):** 과거 WebGL은 GPU의 사용을 그래픽 렌더링에만 국한시켰으나, WebGPU는 컴퓨트 셰이더([[Compute Shader]]s)를 도입하여 GPU를 범용 병렬 프로세서로 변모시켰다 [2, 3]. GPU의 SIMT(Single-Instruction-Multiple-Thread) 아키텍처를 활용하면 수십만 개의 파티클 시스템, 유체 시뮬레이션, 데이터 정렬, 기계학습 기반의 거대 언어 모델(LLM) 추론 등의 방대한 연산을 CPU 개입 없이 GPU 내부에서 직접 병렬로 처리할 수 있다 [3, 13-15].
* **성능 및 전력 효율 극대화:** GPU 주도형(GPU-driven) 렌더링 방식을 도입하여 오클루전 컬링, 물리 시뮬레이션 등의 핵심 로직을 GPU로 옮기면 CPU와 GPU 간의 데이터 왕복 횟수 및 동기화 오버헤드를 크게 줄일 수 있다 [16, 17]. 이는 명령 생성에 따른 CPU 부하를 감소시켜 전력 소비와 발열을 낮추며, 특히 모바일 기기에서 열에 의한 스로틀링(Thermal Throttling)을 방지하여 일관된 프레임 속도와 렌더링 성능을 유지하도록 돕는다 [17-19].
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
diff --git a/10_Wiki/Topics/AI/GRPO.md b/10_Wiki/Topics/AI/GRPO.md
index cbf6b1b3..22e5d438 100644
--- a/10_Wiki/Topics/AI/GRPO.md
+++ b/10_Wiki/Topics/AI/GRPO.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-GRPO-001
+id: [[P-Reinforce]]-AUTO-GRPO-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.94
-tags: [auto-reinforced, grpo, reinforcement-learning, llm, optimization, ppo, deep-learning, deepseek]
+tags: [auto-reinforced, grpo, [[Reinforcement-Learning]], llm, [[Optimization]], ppo, [[Deep-Learning]], deepseek]
last_reinforced: 2026-04-20
---
@@ -15,13 +15,13 @@ last_reinforced: 2026-04-20
GRPO(Group Relative Policy Optimization)는 DeepSeek-V3 등 최신 거대 언어 모델 학습에 사용된 강화학습 알고리즘입니다.
1. **혁신 지점**:
- * **No Critic Model**: 기존 PPO의 핵심인 가치 함수(Value function) 모델을 제거하여 VRAM 절약. (Efficiency와 연결)
+ * **No Critic Model**: 기존 PPO의 핵심인 가치 함수(Value function) 모델을 제거하여 VRAM 절약. ([[Efficiency]]와 연결)
* **Relative Reward**: 동일한 프롬프트에 대해 여러 답변을 생성(Group)하고, 그 답변들의 평균 점수를 기준으로 각 답변의 우위를 평가(Relative)하여 정책 업데이트.
2. **왜 중요한가?**:
- * AI 학습 비용 정책이 기하급수적으로 늘어나는 상황에서, 알고리즘적 효율성 정책만으로 고성능 추론 모델 정책(Reasoning models)을 효율적으로 만들 수 있음을 증명했기 때문임.
+ * AI 학습 비용 정책이 기하급수적으로 늘어나는 상황에서, 알고리즘적 효율성 정책만으로 고성능 추론 모델 정책([[Reasoning]] models)을 효율적으로 만들 수 있음을 증명했기 때문임.
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
-- **과거 데이터와의 충돌**: 과거 PPO 정책이 강화학습의 '골드 표준'이었으나, GRPO 정책은 대규모 분산 학습 정책 환경에서 통계적 상대 평가 정책이 개별 가치 추정 정책보다 훨씬 안정적(Reliability)일 수 있음을 보여줌(RL Update).
+- **과거 데이터와의 충돌**: 과거 PPO 정책이 강화학습의 '골드 표준'이었으나, GRPO 정책은 대규모 분산 학습 정책 환경에서 통계적 상대 평가 정책이 개별 가치 추정 정책보다 훨씬 안정적([[Reliability]])일 수 있음을 보여줌(RL Update).
- **정책 변화(RL Update)**: 이제는 단순 언어 모델 정책을 넘어, 복잡한 다단계 추론 정책(Multi-step reasoning)이 필요한 수학이나 코딩 전문 모델 정책을 학습시키는 데 필수적인 기술로 자리 잡는 중임. (Reasoning와 연결)
## 🔗 지식 연결 (Graph)
diff --git a/10_Wiki/Topics/AI/GRU.md b/10_Wiki/Topics/AI/GRU.md
index 4190b3ad..ad290bff 100644
--- a/10_Wiki/Topics/AI/GRU.md
+++ b/10_Wiki/Topics/AI/GRU.md
@@ -2,7 +2,7 @@
id: RNN-GRU-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [ai, deep-learning, rnn, gru, lstm, sequence-modeling]
+tags: [ai, [[Deep-Learning]], rnn, gru, [[LSTM]], [[Sequence-Modeling]]]
last_reinforced: 2026-04-26
---
@@ -16,13 +16,13 @@ last_reinforced: 2026-04-26
- **핵심 구조:**
- **Reset Gate:** 과거의 상태를 얼마나 무시할지 결정 (과거 정보의 선택적 망각).
- **Update Gate:** 과거의 정보와 현재의 정보를 어떤 비율로 섞어 새로운 상태를 만들지 결정 (LSTM의 Forget/Input 게이트 통합).
- - **No Cell State:** LSTM과 달리 별도의 셀 상태 없이 은닉 상태(Hidden State)만으로 정보 전달.
+ - **No Cell [[State]]:** LSTM과 달리 별도의 셀 상태 없이 은닉 상태(Hidden State)만으로 정보 전달.
- **의의:** 데이터셋이 상대적으로 작거나 연산 자원이 제한적인 환경에서 LSTM의 훌륭한 대안이 되며, 언어 모델링 및 시계열 예측에서 널리 활용됨.
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
-- **과거 데이터와의 충돌:** 복잡할수록 성능이 좋을 것이라는 편견을 깨고, 구조를 단순화(Less parameters)함으로써 오히려 학습 속도와 일반화 성능을 높일 수 있음을 증명.
+- **과거 데이터와의 충돌:** 복잡할수록 성능이 좋을 것이라는 편견을 깨고, 구조를 단순화(Less [[Parameter]]s)함으로써 오히려 학습 속도와 일반화 성능을 높일 수 있음을 증명.
- **정책 변화:** Antigravity 프로젝트는 에이전트의 단기 대화 이력을 요약하거나 시퀀스 기반의 이상 징후를 감지할 때, 연산 효율성이 높은 GRU 아키텍처를 우선적으로 고려함.
## 🔗 지식 연결 (Graph)
-- LSTM-Long-Short-Term-Memory, RNN-Foundations, [[Sequence-to-Sequence-Models]], Deep-Learning-Foundations
+- LSTM-[[Long-Short-Term-Memory]], RNN-Foundations, [[Sequence-to-Sequence-Models]], Deep-Learning-Foundations
- **Raw Source:** 10_Wiki/Topics/AI/GRU.md
diff --git a/10_Wiki/Topics/AI/Gacha Mechanics Analysis.md b/10_Wiki/Topics/AI/Gacha Mechanics Analysis.md
index ed9b629c..3709391b 100644
--- a/10_Wiki/Topics/AI/Gacha Mechanics Analysis.md
+++ b/10_Wiki/Topics/AI/Gacha Mechanics Analysis.md
@@ -2,11 +2,11 @@
id: GACHA-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [game-design, monetization, psychology, probability]
+tags: [game-design, monetization, [[Psychology]], probability]
last_reinforced: 2026-04-26
---
-# Gacha Mechanics Analysis (가챠 메커니즘 분석)
+# Gacha Mechanics [[Analysis]] (가챠 메커니즘 분석)
## 📌 한 줄 통찰 (The Karpathy Summary)
> "무작위성 뒤에 숨겨진 정교한 심리 설계" — 확률적 보상을 통해 사용자의 지속적인 참여와 매출을 유도하는 게임 비즈니스 모델의 핵심 기전.
@@ -14,10 +14,10 @@ last_reinforced: 2026-04-26
## 📖 구조화된 지식 (Synthesized Content)
- **추출된 패턴:** 간헐적 강화(Intermittent Reinforcement) 스케줄을 사용하여 사용자가 보상을 기대하며 반복적인 행동(결제/플레이)을 하게 만드는 심리 아키텍처 패턴.
- **세부 내용:**
- - **Pity System (천장 시스템):** 일정 횟수 이상 시도 시 확정적으로 고등급 보상을 지급하여 사용자의 좌절(Churn)을 방지.
- - **Banner Strategy:** 특정 기간 동안 특정 아이템의 획득 확률을 높여 긴박감(FOMO) 조성.
+ - **Pity[[ system]] (천장 시스템):** 일정 횟수 이상 시도 시 확정적으로 고등급 보상을 지급하여 사용자의 좌절(Churn)을 방지.
+ - **Banner [[Strategy]]:** 특정 기간 동안 특정 아이템의 획득 확률을 높여 긴박감(FOMO) 조성.
- **Box Gacha vs Open Gacha:** 남은 아이템 개수가 줄어드는 방식과 매번 동일한 확률이 적용되는 방식의 수학적 차이 분석.
- - **Psychological Anchoring:** '무료 단차' 등을 제공하여 심리적 장벽을 낮추고 결제 흐름으로 유도.
+ - **Psycho[[Logic]]al Anchoring:** '무료 단차' 등을 제공하여 심리적 장벽을 낮추고 결제 흐름으로 유도.
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌:** 단순히 운에 맡기던 방식에서, 최근에는 확률 정보의 투명한 공개와 '천장' 시스템의 고도화가 법적/윤리적 표준으로 정착.
diff --git a/10_Wiki/Topics/AI/Gait-Analysis-Laboratory.md b/10_Wiki/Topics/AI/Gait-Analysis-Laboratory.md
index 1d862f93..e5ed35a0 100644
--- a/10_Wiki/Topics/AI/Gait-Analysis-Laboratory.md
+++ b/10_Wiki/Topics/AI/Gait-Analysis-Laboratory.md
@@ -2,7 +2,7 @@
id: GAIT-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [biomechanics, motion-analysis, animation, health-tech]
+tags: [biomechanics, motion-[[Analysis]], animation, health-tech]
last_reinforced: 2026-04-26
---
@@ -24,5 +24,5 @@ last_reinforced: 2026-04-26
- **정책 변화:** Skybound의 캐릭터 이동 애니메이션 설계 시, 사실적인 무게 중심 이동과 관성을 표현하기 위해 보행 분석의 역학적 원리를 참고함.
## 🔗 지식 연결 (Graph)
-- Animation-Principles, Biomechanics, Computer-Vision-Pose-Estimation
+- Animation-[[Principles]], Biomechanics, [[Computer-Vision]]-[[Pose-Estimation]]
- **Raw Source:** 10_Wiki/Topics/AI/Gait-Analysis-Laboratory.md
diff --git a/10_Wiki/Topics/AI/Game Analytics (게임 분석).md b/10_Wiki/Topics/AI/Game Analytics (게임 분석).md
index e7c96385..2744ad46 100644
--- a/10_Wiki/Topics/AI/Game Analytics (게임 분석).md
+++ b/10_Wiki/Topics/AI/Game Analytics (게임 분석).md
@@ -19,7 +19,7 @@ last_reinforced: 2026-04-26
- **ARPU/ARPPU:** 사용자당 평균 결제 금액. 비즈니스 모델의 효율성 측정.
- **Churn Rate:** 이탈률. 특정 레벨이나 퀘스트에서의 난이도 병목 지점 파악에 유용.
- **분석 기법:**
- - **Funnel Analysis:** 튜토리얼 완료율, 상점 진입 후 구매율 등 단계별 전환 확인.
+ - **Funnel [[Analysis]]:** 튜토리얼 완료율, 상점 진입 후 구매율 등 단계별 전환 확인.
- **Cohort Analysis:** 유입 시기별 사용자 그룹의 행동 변화 추적.
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
@@ -27,5 +27,5 @@ last_reinforced: 2026-04-26
- **정책 변화:** Skybound 프로젝트는 실시간 텔레메트리(Telemetry) 시스템을 통해 플레이어가 선호하는 무기 조합과 사망 지점 데이터를 수집, 밸런싱 작업에 즉시 환류함.
## 🔗 지식 연결 (Graph)
-- [[Game-Economy-Design]], Data-Mining, AB-Testing, Telemetry
+- [[Game-Economy-Design]], Data-Mining, AB-[[Testing]], Telemetry
- **Raw Source:** 10_Wiki/Topics/AI/Game Analytics (게임 분석).md
diff --git a/10_Wiki/Topics/AI/Game-Balance-Design.md b/10_Wiki/Topics/AI/Game-Balance-Design.md
index 7c43c8a7..551d5a42 100644
--- a/10_Wiki/Topics/AI/Game-Balance-Design.md
+++ b/10_Wiki/Topics/AI/Game-Balance-Design.md
@@ -2,7 +2,7 @@
id: GAME-BALANCE-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [game-design, balancing, systems-design, math]
+tags: [game-design, balancing,[[ system]]s-design, math]
last_reinforced: 2026-04-26
---
@@ -16,7 +16,7 @@ last_reinforced: 2026-04-26
- **세부 내용:**
- **Symmetric vs Asymmetric Balance:** 진영 간 동일한 능력을 부여할지, 서로 다른 강점을 부여하여 조화시킬지 결정.
- **Transitivity:** A > B, B > C이면 A > C인 선형적 밸런스. 주로 RPG의 레벨 성장에 적용.
- - **Intransitivity (Circular):** 상성 관계를 통해 절대적인 최강 전략(Dominant Strategy)이 없도록 설계.
+ - **Intransitivity (Circular):** 상성 관계를 통해 절대적인 최강 전략(Dominant [[Strategy]])이 없도록 설계.
- **Mathematical Modeling:** 엑셀이나 시뮬레이션을 통해 전투 시간(TTK), 자원 획득 속도 등을 수치적으로 모델링.
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
diff --git a/10_Wiki/Topics/AI/Game-Balance-Modeling.md b/10_Wiki/Topics/AI/Game-Balance-Modeling.md
index aba64990..2532a29f 100644
--- a/10_Wiki/Topics/AI/Game-Balance-Modeling.md
+++ b/10_Wiki/Topics/AI/Game-Balance-Modeling.md
@@ -25,5 +25,5 @@ last_reinforced: 2026-04-26
- **정책 변화:** Skybound 프로젝트는 각 스테이지의 클리어 타임과 플레이어의 사망 위치 데이터를 분석하여, 실시간으로 Swarm의 생성 속도와 적 기체의 명중률을 미세 조정하는 밸런스 시스템을 구축함.
## 🔗 지식 연결 (Graph)
-- Simulation-Principles, [[Game-Theory-in-AI]], [[Reinforcement-Learning]], Probability-Theory
+- Simulation-[[Principles]], [[Game-Theory-in-AI]], [[Reinforcement-Learning]], Probability-Theory
- **Raw Source:** 10_Wiki/Topics/AI/Game-Balance-Modeling.md
diff --git a/10_Wiki/Topics/AI/Game-Design-Ontology.md b/10_Wiki/Topics/AI/Game-Design-Ontology.md
index 3338dc11..813cb68c 100644
--- a/10_Wiki/Topics/AI/Game-Design-Ontology.md
+++ b/10_Wiki/Topics/AI/Game-Design-Ontology.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-GDO-001
+id: [[P-Reinforce]]-AUTO-GDO-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.96
-tags: [auto-reinforced, game-ontology, game-design, hierarchy, structuralism, metadata, taxonomy]
+tags: [auto-reinforced, game-[[Ontology]], game-design, hierarchy, [[Structuralism]], metadata, taxonomy]
last_reinforced: 2026-04-20
---
@@ -16,17 +16,17 @@ last_reinforced: 2026-04-20
1. **구성 계층**:
* **Interface**: 플레이어와 게임이 만나는 지점 (Button, Screen). (User-Experience와 연결)
- * **Rules**: 게임의 논리와 제약 (Scoring, Physics). (Logic와 연결)
- * **Goals**: 플레이어가 달성해야 할 목적 (Quest, Win condition).
+ * **Rules**: 게임의 논리와 제약 (Scoring, [[Physics]]). ([[Logic]]와 연결)
+ * **[[goals]]**: 플레이어가 달성해야 할 목적 (Quest, Win condition).
* **Entities**: 게임 내부의 사물과 캐릭터 (Actor, Item).
2. **왜 중요한가?**:
* 모호한 '재미'라는 개념을 구체적인 '데이터 구조'로 변환하여, 게임 간의 유사성을 비교하거나 새로운 장르를 설계하는 도구로 쓰이기 때문임. (Structuralism와 연결)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거에는 장르(RPG, FPS 등)로만 게임을 구분 정책했으나, 온톨로지 정책은 장르의 경계가 무너진 현대 게임에서 '핵심 매커니즘 정책' 중심의 분석 정책이 훨씬 유용함을 증명함(RL Update).
-- **정책 변화(RL Update)**: 이제는 단순 분석 정책을 넘어, AI 가 이 온톨로지 정책을 학습하여 자동으로 게임 레벨을 생성하거나 밸런스를 조절하는 'AI 기반 기획 정책'의 기반 언어로 활용됨. (Game-Ontology-for-PCG와 연결)
+- **정책 변화(RL Update)**: 이제는 단순 분석 정책을 넘어, AI 가 이 온톨로지 정책을 학습하여 자동으로 게임 레벨을 생성하거나 밸런스를 조절하는 'AI 기반 기획 정책'의 기반 언어로 활용됨. ([[Game-Ontology-for-PCG]]와 연결)
## 🔗 지식 연결 (Graph)
- User-Experience, [[Logic]], [[Structuralism]], [[Game-Design-Theory]], [[Game-Ontology-for-PCG]]
-- **Reference**: The Game Design Ontology Project (Zagal et al.).
+- **[[Reference]]**: The Game Design Ontology Project (Zagal et al.).
---
diff --git a/10_Wiki/Topics/AI/Game-Design-Theory.md b/10_Wiki/Topics/AI/Game-Design-Theory.md
index e5c75dac..e658cc4d 100644
--- a/10_Wiki/Topics/AI/Game-Design-Theory.md
+++ b/10_Wiki/Topics/AI/Game-Design-Theory.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AUTO-GDTH-001
+id: [[P-Reinforce]]-AUTO-GDTH-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.95
tags: [auto-reinforced, game-design-theory, mda-framework, flow-theory, mechanics, dynamics, aesthetics]
@@ -19,11 +19,11 @@ last_reinforced: 2026-04-20
* **Dynamics (역동)**: 규칙들이 상호작용하며 발생하는 연쇄 반응과 플레이어 행동.
* **Aesthetics (미학)**: 플레이어가 느끼는 감정 (도전, 즐거움, 공포 등). (UX-Design-and-Engagement와 연결)
2. **몰입의 조절**:
- * **Flow Theory**: 난이도와 숙련도의 균형점(Flow Channel)을 유지하여 지루함과 불안을 방지. (Experience-Sampling-Method와 연결)
+ * **Flow Theory**: 난이도와 숙련도의 균형점(Flow Channel)을 유지하여 지루함과 불안을 방지. ([[Experience-Sampling-Method]]와 연결)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거에는 '화려한 그래픽'이 게임의 전부라 믿는 경향 정책이 있었으나, 현대 정책은 탄탄한 '규칙의 상호작용 정책'이 그래픽보다 훨씬 더 깊은 몰입 정책을 만든다는 'Ludo-centric' 관점이 주류임(RL Update).
-- **정책 변화(RL Update)**: 이제는 단순한 '재미 정책'을 넘어, 교육 정책, 치료 정책, 조직 관리 정책 등에 게임 이론 정책을 이식하는 '기능성 게임(Serious Games)'과 '게이미피케이션 정책'으로 확장 중임. (Gamification-Theory와 연결)
+- **정책 변화(RL Update)**: 이제는 단순한 '재미 정책'을 넘어, 교육 정책, 치료 정책, 조직 관리 정책 등에 게임 이론 정책을 이식하는 '기능성 게임(Serious Games)'과 '게이미피케이션 정책'으로 확장 중임. ([[Gamification-Theory]]와 연결)
## 🔗 지식 연결 (Graph)
- UX-Design-and-Engagement, [[Experience-Sampling-Method]], [[Gamification-Theory]], [[Game-Design-Ontology]], Immersive-Sim, Complexity-Science
diff --git a/10_Wiki/Topics/AI/Game-Economy-Design.md b/10_Wiki/Topics/AI/Game-Economy-Design.md
index daf1a605..2a45b1a6 100644
--- a/10_Wiki/Topics/AI/Game-Economy-Design.md
+++ b/10_Wiki/Topics/AI/Game-Economy-Design.md
@@ -16,7 +16,7 @@ last_reinforced: 2026-04-26
- **세부 내용:**
- **Sources (공급원):** 퀘스트 보상, 에너미 드랍, 업적 달성 등 시스템에서 자원이 새로 생성되는 지점.
- **Sinks (소비처):** 장비 강화 비용, 소모품 구매, 수수료, 세금 등 시스템에서 자원이 영구적으로 사라지는 지점.
- - **Inventory/Storage:** 플레이어가 보유한 자원의 총량. 인플레이션의 척도가 됨.
+ - **Inventory/[[Storage]]:** 플레이어가 보유한 자원의 총량. 인플레이션의 척도가 됨.
- **Virtual Currency:** 유료 화폐와 무료 화폐의 구분 및 교환 비율 설정을 통한 수익 모델 구축.
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
@@ -24,5 +24,5 @@ last_reinforced: 2026-04-26
- **정책 변화:** Skybound 프로젝트는 인게임 재화인 '골드'와 강화 재료인 '모듈'의 순환을 설계할 때, 고레벨로 갈수록 기하급수적으로 증가하는 소비처를 두어 경제 안정을 꾀함.
## 🔗 지식 연결 (Graph)
-- Gacha-Mechanics-Analysis, [[Game-Balance-Design]], Inflation, Market-Economy
+- Gacha-Mechanics-[[Analysis]], [[Game-Balance-Design]], Inflation, Market-Economy
- **Raw Source:** 10_Wiki/Topics/AI/Game-Economy-Design.md
diff --git a/10_Wiki/Topics/AI/Game-Feel-and-Juiciness.md b/10_Wiki/Topics/AI/Game-Feel-and-Juiciness.md
index 7200cf24..443f839c 100644
--- a/10_Wiki/Topics/AI/Game-Feel-and-Juiciness.md
+++ b/10_Wiki/Topics/AI/Game-Feel-and-Juiciness.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AI-GAME-FEE-JUICY
+id: [[P-Reinforce]]-AI-GAME-FEE-JUICY
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.97
tags: [GameDesign, GameFeel, Juiciness, Interaction]
diff --git a/10_Wiki/Topics/AI/Game-Loop-Architecture.md b/10_Wiki/Topics/AI/Game-Loop-Architecture.md
index 45157b31..d8edcfa4 100644
--- a/10_Wiki/Topics/AI/Game-Loop-Architecture.md
+++ b/10_Wiki/Topics/AI/Game-Loop-Architecture.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AI-GAME-LOOP
+id: [[P-Reinforce]]-AI-GAME-LOOP
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.98
-tags: [GameDevelopment, Architecture, GameLoop, RealTime]
+tags: [GameDevelopment, [[Architecture]], GameLoop, RealTime]
last_reinforced: 2026-04-20
---
diff --git a/10_Wiki/Topics/AI/Game-Mechanics.md b/10_Wiki/Topics/AI/Game-Mechanics.md
index ffa11d54..047e2588 100644
--- a/10_Wiki/Topics/AI/Game-Mechanics.md
+++ b/10_Wiki/Topics/AI/Game-Mechanics.md
@@ -12,11 +12,11 @@ last_reinforced: 2026-04-26
> "플레이어와 게임 세계 사이의 상호작용 규칙" — 게임 엔진이 플레이어의 입력에 반응하는 방식이자, 게임의 재미를 구성하는 원자 단위의 동작 규칙들.
## 📖 구조화된 지식 (Synthesized Content)
-- **추출된 패턴:** 입력(Input) -> 처리(Logic) -> 피드백(Feedback)으로 이어지는 핵심 루프(Core Loop)를 통해 플레이어에게 보상감과 도전을 제공하는 아키텍처 패턴.
+- **추출된 패턴:** 입력(Input) -> 처리([[Logic]]) -> 피드백(Feedback)으로 이어지는 핵심 루프(Core Loop)를 통해 플레이어에게 보상감과 도전을 제공하는 아키텍처 패턴.
- **세부 내용:**
- **Movement & Navigation:** 캐릭터의 이동 방식 (Dash, Jump, Fly 등). 조작감의 핵심.
- - **Combat Systems:** 공격, 방어, 스킬 쿨타임, 상태 이상 등 전투의 규칙 정의.
- - **Resource Management:** HP, MP, 탄약, 골드 등 유한한 자원을 획득하고 소모하는 규칙.
+ - **Combat[[ system]]s:** 공격, 방어, 스킬 쿨타임, 상태 이상 등 전투의 규칙 정의.
+ - **Resource [[Management]]:** HP, MP, 탄약, 골드 등 유한한 자원을 획득하고 소모하는 규칙.
- **Progression:** 레벨업, 스킬 트리, 장비 강화 등 시간이 흐름에 따라 플레이어가 강해지는 기전.
- **Victory/Defeat Conditions:** 게임의 목표를 정의하는 최종 도달 지점 설정.
diff --git a/10_Wiki/Topics/AI/Game-Ontology-for-PCG.md b/10_Wiki/Topics/AI/Game-Ontology-for-PCG.md
index 2d4fcf23..37bd67b6 100644
--- a/10_Wiki/Topics/AI/Game-Ontology-for-PCG.md
+++ b/10_Wiki/Topics/AI/Game-Ontology-for-PCG.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-GOPC-001
+id: [[P-Reinforce]]-AUTO-GOPC-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.94
-tags: [auto-reinforced, pcg, game-ontology, procedural-generation, automation, creative-ai, algorithmic-design]
+tags: [auto-reinforced, pcg, game-[[Ontology]], procedural-generation, automation, creative-ai, algorithmic-design]
last_reinforced: 2026-04-20
---
@@ -15,15 +15,15 @@ last_reinforced: 2026-04-20
PCG를 위한 게임 온톨로지(Game-Ontology-for-PCG)는 사람이 일일이 수작업으로 디자인하지 않고 알고리즘이 콘텐츠를 생성할 때, 게임의 문맥과 규칙을 이해하게 돕는 데이터 구조입니다.
1. **PCG와의 결합 방식**:
- * **Constraint Specification**: 온톨로지에 정의된 제약을 통해 '벽 속의 상자' 같은 논리적 오류 방지. (Constraint-Satisfaction-Problems와 연결)
+ * **Constraint [[Specification]]**: 온톨로지에 정의된 제약을 통해 '벽 속의 상자' 같은 논리적 오류 방지. ([[Constraint-Satisfaction-Problems]]와 연결)
* **Semantic Labeling**: 생성된 개체에 의미를 부여하여(예: 이 칼은 보스방 앞의 보상이다) 내러티브적 개연성 확보.
* **Modular Assembly**: 온톨로지 단위를 조립하여 복합적인 던전이나 생태계 생성.
2. **왜 중요한가?**:
- * 단순한 무작위 정책을 넘어 '의도된 디자인 정책'을 자동화하여 게임 개발의 스케일 정책과 비용 정책을 획기적으로 개선하기 때문임. (Efficiency와 연결)
+ * 단순한 무작위 정책을 넘어 '의도된 디자인 정책'을 자동화하여 게임 개발의 스케일 정책과 비용 정책을 획기적으로 개선하기 때문임. ([[Efficiency]]와 연결)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
-- **과거 데이터와의 충돌**: 초기 PCG 정책은 단순 수학적 함수(Perlin noise 등)에 의존했으나, 현대 정책은 온톨로지 정책 기반의 '지식 지향 생성 기법'을 통해 플레이어의 경험 정책까지 고려한 설계 정책이 가능해짐(RL Update).
-- **정책 변화(RL Update)**: 이제는 LLM 이나 확산 모델 정책이 온톨로지 정책을 이해하여, 텍스트 설명 정책(Prompt)만으로 완성된 게임 레벨 정책을 즉석으로 생성하는 'Generative PCG' 시대로 진화 중임. (Deep-Convolutional-GANs와 연결)
+- **과거 데이터와의 충돌**: 초기 PCG 정책은 단순 수학적 함수(Perlin [[Noise]] 등)에 의존했으나, 현대 정책은 온톨로지 정책 기반의 '지식 지향 생성 기법'을 통해 플레이어의 경험 정책까지 고려한 설계 정책이 가능해짐(RL Update).
+- **정책 변화(RL Update)**: 이제는 LLM 이나 확산 모델 정책이 온톨로지 정책을 이해하여, 텍스트 설명 정책([[prompt]])만으로 완성된 게임 레벨 정책을 즉석으로 생성하는 'Generative PCG' 시대로 진화 중임. ([[Deep-Convolutional-GANs]]와 연결)
## 🔗 지식 연결 (Graph)
- [[Constraint-Satisfaction-Problems]], [[Efficiency]], [[Deep-Convolutional-GANs]], [[Game-Design-Ontology]], Procedural-Generation
diff --git a/10_Wiki/Topics/AI/Game-Theory-in-AI.md b/10_Wiki/Topics/AI/Game-Theory-in-AI.md
index abc615dd..41e202f7 100644
--- a/10_Wiki/Topics/AI/Game-Theory-in-AI.md
+++ b/10_Wiki/Topics/AI/Game-Theory-in-AI.md
@@ -1,8 +1,8 @@
---
-id: GAME-THEORY-001
+id: [[Game-Theory]]-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [ai, game-theory, multi-agent-systems, nash-equilibrium, decision-making]
+tags: [ai, game-theory, [[Multi-agent-System]]s, nash-equilibrium, decision-making]
last_reinforced: 2026-04-26
---
@@ -17,7 +17,7 @@ last_reinforced: 2026-04-26
- **Nash Equilibrium (나시 균형):** 모든 플레이어가 상대방의 최선에 대응하여 최선의 선택을 하고 있는 정적 상태.
- **Zero-sum vs Non-zero-sum:** 한쪽의 이득이 다른 쪽의 손실인 상황과 상생이 가능한 상황의 구분.
- **Minimax Algorithm:** 최악의 경우에 발생할 손실을 최소화하는 전통적인 게임 트리 탐색 기법.
- - **Multi-Agent Systems (MAS):** 여러 AI 에이전트가 협력하거나 경쟁하며 복잡한 문제를 해결하는 구조.
+ - **Multi-Agent[[ system]]s (MAS):** 여러 AI 에이전트가 협력하거나 경쟁하며 복잡한 문제를 해결하는 구조.
- **의의:** 강화학습(특히 Multi-agent RL)과 경제 시스템 모델링, 자율주행차 간의 통행 협상 등 현대 AI의 사회적 상호작용 설계의 근간.
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
diff --git a/10_Wiki/Topics/AI/Game-Theory.md b/10_Wiki/Topics/AI/Game-Theory.md
index e206f23a..c11f0799 100644
--- a/10_Wiki/Topics/AI/Game-Theory.md
+++ b/10_Wiki/Topics/AI/Game-Theory.md
@@ -2,7 +2,7 @@
id: GAME-THEORY-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [math, decision-theory, economics, ai-strategy]
+tags: [math, decision-theory, economics, ai-[[Strategy]]]
last_reinforced: 2026-04-26
---
diff --git a/10_Wiki/Topics/AI/Gamification-Strategies.md b/10_Wiki/Topics/AI/Gamification-Strategies.md
index bdd99c00..1fbba875 100644
--- a/10_Wiki/Topics/AI/Gamification-Strategies.md
+++ b/10_Wiki/Topics/AI/Gamification-Strategies.md
@@ -2,7 +2,7 @@
id: GAMIFY-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [ux-design, psychology, engagement, reward-systems]
+tags: [ux-design, [[Psychology]], engagement, reward-systems]
last_reinforced: 2026-04-26
---
@@ -12,7 +12,7 @@ last_reinforced: 2026-04-26
> "게임이 아닌 곳에 게임의 마법을 주입하라" — 비게임적 상황(업무, 학습, 건강)에 게임의 메커니즘과 요소들을 적용하여 동기 부여와 참여를 극대화하는 설계 전략.
## 📖 구조화된 지식 (Synthesized Content)
-- **추출된 패턴:** PBL(Points, Badges, Leaderboards) 요소를 넘어, 성취감(Mastery), 자율성(Autonomy), 소속감(Relatedness)과 같은 내적 동기 기제를 자극하는 사용자 경험 패턴.
+- **추출된 패턴:** PBL(Points, Badges, Leaderboards) 요소를 넘어, 성취감([[Mastery]]), 자율성(Autonomy), 소속감(Relatedness)과 같은 내적 동기 기제를 자극하는 사용자 경험 패턴.
- **세부 내용:**
- **Octalysis Framework:** 유카이 차우가 정의한 8가지 핵심 동기(의미, 성취, 권한 부여, 소유권, 사회적 영향, 희귀성, 예측 불가능성, 손실 회피) 활용.
- **Progress Bar & Quests:** 큰 목표를 작은 단계로 나누어 성취감을 시각화하고 즉각적인 보상 제공.
@@ -24,5 +24,5 @@ last_reinforced: 2026-04-26
- **정책 변화:** Antigravity의 '지식 가드닝' 프로세스는 위키를 편집하고 연결하는 행위 자체를 하나의 '가드닝 게임'으로 느낄 수 있도록 게이미피케이션 요소가 적용되어 있음.
## 🔗 지식 연결 (Graph)
-- [[Behavioral-Economics]], Dopaminergic-Reward-Systems, [[Flow-State]], UX-Design
+- [[Behavioral-Economics]], [[Dopamine]]rgic-Reward-Systems, [[Flow-State]], UX-Design
- **Raw Source:** 10_Wiki/Topics/AI/Gamification-Strategies.md
diff --git a/10_Wiki/Topics/AI/Gamification-Theory.md b/10_Wiki/Topics/AI/Gamification-Theory.md
index 3a5e05c1..099d7f51 100644
--- a/10_Wiki/Topics/AI/Gamification-Theory.md
+++ b/10_Wiki/Topics/AI/Gamification-Theory.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-GMTH-001
+id: [[P-Reinforce]]-AUTO-GMTH-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.95
-tags: [auto-reinforced, gamification, game-theory, motivation, engagement, behavioral-economics, reward-systems]
+tags: [auto-reinforced, gamification, [[Game-Theory]], motivation, engagement, [[Behavior]]al-economics, reward-systems]
last_reinforced: 2026-04-20
---
@@ -17,13 +17,13 @@ last_reinforced: 2026-04-20
1. **3대 레이어 (Dynamics-Mechanics-Components)**:
* **Components**: 배지, 퀘스트, 포인트 등 눈에 보이는 보상.
* **Mechanics**: 도전, 운, 경쟁, 협력 등 시스템적 장치.
- * **Dynamics**: 사회적 지위, 성취감, 자아 감정 등 하부의 심리적 욕구. (Social-Psychology와 연결)
+ * **Dynamics**: 사회적 지위, 성취감, 자아 감정 등 하부의 심리적 욕구. (Social-[[Psychology]]와 연결)
2. **성공 조건**:
* 단순한 '포인트 정책' 나열이 아니라, 사용자의 행동 정책이 비즈니스 목표 정책 및 내재적 동기 정책과 정렬되어야 함. (Decision-Making와 연결)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거에는 "무조건 보상만 주면 된다"는 외재적 보상 정책 중심이었으나, 현대 정책은 보상이 사라지면 흥미도 사라지는 '탈동기화 정책'을 방지하기 위한 '이야기(Narrative) 정책' 중심 게이미피케이션 정책으로 전환됨(RL Update).
-- **정책 변화(RL Update)**: 이제는 획일적인 하이점수 순위표 정책을 넘어, AI 가 사용자의 성향 정책(Bartle taxonomy)을 실시간으로 분석하여 맞춤형 챌린지 정책을 제공하는 '다이내믹 게이미피케이션 정책'이 주류임. (E-Learning-Gamification와 연결)
+- **정책 변화(RL Update)**: 이제는 획일적인 하이점수 순위표 정책을 넘어, AI 가 사용자의 성향 정책(Bartle taxonomy)을 실시간으로 분석하여 맞춤형 챌린지 정책을 제공하는 '다이내믹 게이미피케이션 정책'이 주류임. ([[E-Learning-Gamification]]와 연결)
## 🔗 지식 연결 (Graph)
- Social-Psychology, Decision-Making, [[E-Learning-Gamification]], [[Game-Design-Theory]], UX-Design-and-Engagement, Ethics
diff --git a/10_Wiki/Topics/AI/Gates.md b/10_Wiki/Topics/AI/Gates.md
index dd54a8f3..bf2db767 100644
--- a/10_Wiki/Topics/AI/Gates.md
+++ b/10_Wiki/Topics/AI/Gates.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-GATE-001
+id: [[P-Reinforce]]-AUTO-GATE-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.95
-tags: [auto-reinforced, gates, logic-gates, computer-architecture, boolean-algebra, hardware]
+tags: [auto-reinforced, gates, [[Logic]]-gates, computer-[[Architecture]], boolean-algebra, [[Hardware]]]
last_reinforced: 2026-04-20
---
@@ -20,11 +20,11 @@ last_reinforced: 2026-04-20
* **NOT**: 입력을 반전 (0 -> 1, 1 -> 0).
* **NAND/NOR**: 범용 게이트(Universal Gates). 이 조합만으로 모든 복잡한 논리 회로 구현 가능.
2. **왜 중요한가?**:
- * 소프트웨어의 모든 추상적 로직은 결국 물리적인 게이트 집합의 전기적 신호로 변환되어 실행됨. (Technical-Architecture의 밑바닥)
+ * 소프트웨어의 모든 추상적 로직은 결국 물리적인 게이트 집합의 전기적 신호로 변환되어 실행됨. ([[Technical-Architecture]]의 밑바닥)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거에는 실리콘 트랜지스터 기반의 '고정형 게이트 정책'이 유일했으나, 현대 정책은 빛으로 연산하는 '광 게이트 정책'이나 양자 중첩을 활용하는 '양자 게이트 정책'으로 하드웨어의 한계 돌파 정책을 모색 중임(RL Update).
-- **정책 변화(RL Update)**: 신경망의 특정 뉴런을 활성화하거나 억제하는 '게이팅 메커니즘(Gating Mechanism, 예: GRU/LSTM의 Gate)'은 하드웨어 게이트의 개념을 수학적 알고리즘 정책으로 승화시켜 시계열 데이터 학습의 핵심이 됨.
+- **정책 변화(RL Update)**: 신경망의 특정 뉴런을 활성화하거나 억제하는 '게이팅 메커니즘(Gating Mechanism, 예: GRU/[[LSTM]]의 Gate)'은 하드웨어 게이트의 개념을 수학적 알고리즘 정책으로 승화시켜 시계열 데이터 학습의 핵심이 됨.
## 🔗 지식 연결 (Graph)
- [[Technical-Architecture]], [[Logic]], Scaling-Laws, Moore's Law, [[Hardware]]
diff --git a/10_Wiki/Topics/AI/Gaussian-Processes.md b/10_Wiki/Topics/AI/Gaussian-Processes.md
index 42e55901..6eddd6de 100644
--- a/10_Wiki/Topics/AI/Gaussian-Processes.md
+++ b/10_Wiki/Topics/AI/Gaussian-Processes.md
@@ -2,7 +2,7 @@
id: MATH-GP-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [statistics, machine-learning, gaussian-processes, bayesian-inference, uncertainty]
+tags: [[[Statistics]], machine-learning, gaussian-processes, bayesian-inference, uncertainty]
last_reinforced: 2026-04-26
---
@@ -16,8 +16,8 @@ last_reinforced: 2026-04-26
- **핵심 요소:**
- **Mean Function:** 데이터가 없을 때의 기본 예측값 (보통 0).
- **Kernel (Covariance) Function:** 두 입력 사이의 관계(부드러움, 주기성 등)를 결정하는 핵심 파라미터.
- - **Bayesian Inference:** 새로운 관측 데이터가 유입될 때마다 사후 분포(Posterior)를 업데이트하여 불확실성 정제.
-- **의의:** 딥러닝과 달리 모델의 '모름(Uncertainty)'을 정량화할 수 있어, 최적화(Bayesian Optimization)나 소량 데이터 학습에서 필수적으로 사용됨.
+ - **[[Bayesian Inference]]:** 새로운 관측 데이터가 유입될 때마다 사후 분포(Posterior)를 업데이트하여 불확실성 정제.
+- **의의:** 딥러닝과 달리 모델의 '모름(Uncertainty)'을 정량화할 수 있어, 최적화(Bayesian [[Optimization]])나 소량 데이터 학습에서 필수적으로 사용됨.
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌:** 연산 복잡도가 데이터 수의 세제곱($O(n^3)$)에 비례하여 대규모 데이터 처리가 불가능했으나, 최근에는 희소 근사(Sparse approximation) 기법을 통해 수백만 개의 데이터도 처리 가능하도록 진화.
diff --git a/10_Wiki/Topics/AI/Gen-AI.md b/10_Wiki/Topics/AI/Gen-AI.md
index 8dae6bd2..7d068694 100644
--- a/10_Wiki/Topics/AI/Gen-AI.md
+++ b/10_Wiki/Topics/AI/Gen-AI.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-GEAI-001
+id: [[P-Reinforce]]-AUTO-GEAI-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.99
-tags: [auto-reinforced, gen-ai, generative-ai, foundation-models, creativity, ai-revolution]
+tags: [auto-reinforced, gen-ai, [[Generative-AI]], [[Foundation-Models]], creativity, ai-revolution]
last_reinforced: 2026-04-20
---
@@ -19,10 +19,10 @@ last_reinforced: 2026-04-20
* **Multimodality**: 여러 형태의 데이터(텍스트, 이미지 등)를 자유자재로 넘나듦. (Foundation-Models와 연결)
* **Democratization**: 전문가만 하던 고도의 창작/엔지니어링 작업을 프롬프트 하나로 누구나 수행 가능하게 함.
2. **기반 기술**:
- * Transformer 아키텍처, Diffusion Models, GAN. (Diffusion-Models와 연결)
+ * Transformer 아키텍처, Diffusion Models, GAN. ([[Diffusion-Models]]와 연결)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
-- **과거 데이터와의 충돌**: 과거 인공지능 정책은 '패턴 인식 정책'에 그쳤으나, 생성 AI 정책은 패턴을 넘어 '새로운 가치 창출 정책'으로 진화함(RL Update). (Computational Creativity와 연결)
+- **과거 데이터와의 충돌**: 과거 인공지능 정책은 '패턴 인식 정책'에 그쳤으나, 생성 AI 정책은 패턴을 넘어 '새로운 가치 창출 정책'으로 진화함(RL Update). ([[Computational Creativity]]와 연결)
- **정책 변화(RL Update)**: 생성물의 신뢰성(Hallucination) 정책과 저작권 침해 정책이 사회적 화두가 됨에 따라, 정답을 생성하기보다 정답을 도출하는 '에이전틱 추론 정책'으로 기술의 중심이 옮겨가는 중임.
## 🔗 지식 연결 (Graph)
diff --git a/10_Wiki/Topics/AI/Generalization-in-AI.md b/10_Wiki/Topics/AI/Generalization-in-AI.md
index 3763409e..9bc3cea5 100644
--- a/10_Wiki/Topics/AI/Generalization-in-AI.md
+++ b/10_Wiki/Topics/AI/Generalization-in-AI.md
@@ -1,8 +1,8 @@
---
-id: GEN-AI-001
+id: [[Gen-AI]]-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [ai, machine-learning, generalization, overfitting, regularization]
+tags: [ai, machine-learning, generalization, [[Overfitting]], [[Regularization]]]
last_reinforced: 2026-04-26
---
diff --git a/10_Wiki/Topics/AI/Generative Adversarial Networks (GANs) in Fine Arts.md b/10_Wiki/Topics/AI/Generative Adversarial Networks (GANs) in Fine Arts.md
index fda0144a..395c98d1 100644
--- a/10_Wiki/Topics/AI/Generative Adversarial Networks (GANs) in Fine Arts.md
+++ b/10_Wiki/Topics/AI/Generative Adversarial Networks (GANs) in Fine Arts.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AI-GAN-FINE-ARTS
+id: [[P-Reinforce]]-AI-GAN-FINE-[[Arts]]
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.94
tags: [GenerativeAI, FineArts, GAN, Creativity]
diff --git a/10_Wiki/Topics/AI/Generative-AI-Impact.md b/10_Wiki/Topics/AI/Generative-AI-Impact.md
index 832261ff..7bdfd160 100644
--- a/10_Wiki/Topics/AI/Generative-AI-Impact.md
+++ b/10_Wiki/Topics/AI/Generative-AI-Impact.md
@@ -2,7 +2,7 @@
id: GEN-IMPACT-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [ai, generative-ai, future-of-work, ai-ethics, societal-impact]
+tags: [ai, [[Generative-AI]], future-of-work, ai-ethics, societal-impact]
last_reinforced: 2026-04-26
---
@@ -14,7 +14,7 @@ last_reinforced: 2026-04-26
## 📖 구조화된 지식 (Synthesized Content)
- **추출된 패턴:** 인간의 지적/예술적 노동 중 반복적이고 정형화된 부분을 AI가 대체하고, 인간은 상위 수준의 기획, 검증, 그리고 프롬프트 설계에 집중하는 'AI-Human Copilot' 협업 패턴.
- **주요 영향 분야:**
- - **Economic Efficiency:** 콘텐츠 제작, 고객 대응, 소프트웨어 개발 비용의 획기적 절감.
+ - **Economic [[Efficiency]]:** 콘텐츠 제작, 고객 대응, 소프트웨어 개발 비용의 획기적 절감.
- **Creative Democratization:** 고도의 전문 지식 없이도 고품질의 예술/디자인 결과물 생성 가능.
- **Educational Revolution:** 개인별 맞춤형 튜터링과 지식 요약의 보편화.
- **Legal & Ethical Risks:** 저작권 분쟁, 딥페이크를 통한 가짜 뉴스, 데이터 편향성 심화.
@@ -25,5 +25,5 @@ last_reinforced: 2026-04-26
- **정책 변화:** Antigravity 프로젝트는 생성형 AI의 결과물에 대한 투명성(Provenance)을 보장하기 위해 모든 생성 지식에 출처 메타데이터를 기록하며, AI의 창작물에 대한 인간의 최종 검토 프로세스를 강화함.
## 🔗 지식 연결 (Graph)
-- Generative-Adversarial-Networks-GAN, [[LLM]], Future-of-Work-with-AI, AI-Ethics
+- [[Generative-Adversarial-Networks]]-GAN, [[LLM]], Future-of-Work-with-AI, AI-Ethics
- **Raw Source:** 10_Wiki/Topics/AI/Generative-AI-Impact.md
diff --git a/10_Wiki/Topics/AI/Generative-AI.md b/10_Wiki/Topics/AI/Generative-AI.md
index da469d5c..691eb739 100644
--- a/10_Wiki/Topics/AI/Generative-AI.md
+++ b/10_Wiki/Topics/AI/Generative-AI.md
@@ -1,5 +1,5 @@
---
-id: GEN-AI-001
+id: [[Gen-AI]]-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
tags: [ai, generative-ai, llm, diffusion, transformer]
@@ -12,15 +12,15 @@ last_reinforced: 2026-04-26
> "데이터를 분석하는 단계를 넘어, 새로운 데이터를 창조하는 시대로" — 텍스트, 이미지, 오디오, 코드 등 방대한 데이터를 학습하여 기존에 존재하지 않던 새로운 콘텐츠를 생성해내는 AI 기술의 총칭.
## 📖 구조화된 지식 (Synthesized Content)
-- **추출된 패턴:** 입력(Prompt)의 문맥을 이해하고 확률적으로 가장 자연스러운 다음 요소(Next Token/Pixel)를 예측하여 전체 결과물을 완성하는 생성 패턴.
+- **추출된 패턴:** 입력([[prompt]])의 문맥을 이해하고 확률적으로 가장 자연스러운 다음 요소(Next Token/Pixel)를 예측하여 전체 결과물을 완성하는 생성 패턴.
- **세부 내용:**
- - **Large Language Models (LLM):** 트랜스포머 아키텍처를 기반으로 텍스트의 문맥과 지식을 학습하여 대화, 요약, 번역 수행.
+ - **[[Large Language Models (LLM)]]:** 트랜스포머 아키텍처를 기반으로 텍스트의 문맥과 지식을 학습하여 대화, 요약, 번역 수행.
- **Diffusion Models:** 노이즈로부터 점진적으로 이미지를 복원해가는 과정을 통해 고품질 이미지 및 비디오 생성.
- **Multimodal AI:** 텍스트, 이미지, 음성 등 서로 다른 형태의 데이터를 통합적으로 이해하고 생성.
- **Zero-shot/Few-shot Learning:** 별도의 추가 학습 없이 프롬프트만으로 새로운 태스크를 수행하는 능력.
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
-- **과거 데이터와의 충돌:** 단순한 패턴 반복(RNN/LSTM) 수준에서, 거대 모델과 주의 집중(Attention) 메커니즘을 통한 창의적 결과물 도출 단계로 도약.
+- **과거 데이터와의 충돌:** 단순한 패턴 반복(RNN/[[LSTM]]) 수준에서, 거대 모델과 주의 집중(Attention) 메커니즘을 통한 창의적 결과물 도출 단계로 도약.
- **정책 변화:** Antigravity 프로젝트는 생성형 AI를 활용하여 위키 문서 보강, 코드 자동 생성, 게임 에셋 제작 등 워크플로우 전반의 생산성을 극대화함.
## 🔗 지식 연결 (Graph)
diff --git a/10_Wiki/Topics/AI/Generative-Adversarial-Networks.md b/10_Wiki/Topics/AI/Generative-Adversarial-Networks.md
index 0d11950e..50abfd67 100644
--- a/10_Wiki/Topics/AI/Generative-Adversarial-Networks.md
+++ b/10_Wiki/Topics/AI/Generative-Adversarial-Networks.md
@@ -2,7 +2,7 @@
id: GAN-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [deep-learning, generative-ai, neural-networks, computer-vision]
+tags: [[[Deep-Learning]], [[Generative-AI]], neural-networks, [[Computer-Vision]]]
last_reinforced: 2026-04-26
---
diff --git a/10_Wiki/Topics/AI/Generics-and-Polymorphism.md b/10_Wiki/Topics/AI/Generics-and-Polymorphism.md
index 420fd59f..40212505 100644
--- a/10_Wiki/Topics/AI/Generics-and-Polymorphism.md
+++ b/10_Wiki/Topics/AI/Generics-and-Polymorphism.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-GEPO-001
+id: [[P-Reinforce]]-AUTO-GEPO-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.97
-tags: [auto-reinforced, generics, polymorphism, typescript, type-safety, code-reuse, software-architecture]
+tags: [auto-reinforced, generics, polymorphism, typescript, type-safety, code-reuse, software-[[Architecture]]]
last_reinforced: 2026-04-20
---
@@ -16,15 +16,15 @@ last_reinforced: 2026-04-20
1. **Generics**:
* **Abstraction**: 함수나 클래스를 정의할 때 타입을 고정하지 않고 '변수()'로 둠.
- * **Type Safety**: 런타임이 아닌 컴파일 타임에 타입의 정합성 정책 보장. (Reliability와 연결)
+ * **Type Safety**: 런타임이 아닌 컴파일 타임에 타입의 정합성 정책 보장. ([[Reliability]]와 연결)
2. **Polymorphism**:
* **Ad-hoc**: 연산자 오버로딩처럼 이름만 같은 경우.
* **Parametric**: 제네릭을 이용해 소스 코드를 바꾸지 않고 다양한 타입 처리.
- * **Subtype**: 상속을 통해 부모 타입 변수에 자식 객체를 담아 각자의 행동 정책(Overriding) 수행. (Technical-Architecture와 연결)
+ * **Subtype**: 상속을 통해 부모 타입 변수에 자식 객체를 담아 각자의 행동 정책(Overriding) 수행. ([[Technical-Architecture]]와 연결)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거에는 과도한 추상화 정책이 성능 저하 정책이나 복잡도 정책만 높인다고 우려했으나, 현대 정책은 강력한 타입 추론 정책(Inference)을 지원하는 TS 같은 환경 정책에서 '중복 코드 정책 제거'를 위한 최고의 무기로 인정받음(RL Update).
-- **정책 변화(RL Update)**: 이제는 단순 타입 공유 정책을 넘어, 복잡한 조건부 타입 정책(Conditional Types)을 활용해 입력 타입 정책에 따라 출력 타입 정책이 지능적으로 변하는 '메타 프로그래밍 정책' 수준으로 진화함. (Custom-ESLint-Rules와 연결)
+- **정책 변화(RL Update)**: 이제는 단순 타입 공유 정책을 넘어, 복잡한 조건부 타입 정책(Conditional Types)을 활용해 입력 타입 정책에 따라 출력 타입 정책이 지능적으로 변하는 '메타 프로그래밍 정책' 수준으로 진화함. ([[Custom-[[ESLint]]-Rules]]와 연결)
## 🔗 지식 연결 (Graph)
- [[Reliability]], [[Technical-Architecture]], [[Custom-ESLint-Rules]], [[TS-Declaration-Files]], [[Discriminated-Unions]], [[Modularity]]
diff --git a/10_Wiki/Topics/AI/Genetic-Algorithms.md b/10_Wiki/Topics/AI/Genetic-Algorithms.md
index 297c36a5..7ca10c30 100644
--- a/10_Wiki/Topics/AI/Genetic-Algorithms.md
+++ b/10_Wiki/Topics/AI/Genetic-Algorithms.md
@@ -2,7 +2,7 @@
id: EVO-GEN-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [ai, evolutionary-computation, genetic-algorithm, optimization, survival-of-the-fittest]
+tags: [ai, [[Evolutionary-Computation]], genetic-algorithm, [[Optimization]], survival-of-the-fittest]
last_reinforced: 2026-04-26
---
@@ -22,9 +22,9 @@ last_reinforced: 2026-04-26
- **의의:** 정답을 직접 계산하는 것이 아니라, 수많은 시도와 실패를 통해 '정답으로 진화'해 나가는 생물학적 지능의 구현.
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
-- **과거 데이터와의 충돌:** 단순히 수치를 찾는 최적화 도구에서, 최근에는 신경망 구조 자체를 진화시키는 Neuroevolution 기법으로 확장되어 딥러닝과 융합됨.
+- **과거 데이터와의 충돌:** 단순히 수치를 찾는 최적화 도구에서, 최근에는 신경망 구조 자체를 진화시키는 [[Neuroevolution]] 기법으로 확장되어 딥러닝과 융합됨.
- **정책 변화:** Skybound 프로젝트의 함대 진형 최적화 알고리즘은 유전 알고리즘을 활용하여, 수만 번의 교전을 시뮬레이션하며 적의 공격을 가장 잘 방어하는 최적의 배치를 스스로 찾아냄.
## 🔗 지식 연결 (Graph)
-- [[Evolutionary-Computation]], [[Fitness-Landscape]], [[Black-Box-Optimization]], [[Neural-Architecture-Search-NAS]]
+- [[Evolutionary-Computation]], [[Fitness-Landscape]], [[Black-Box-Optimization]], [[Neural-[[Architecture]]-[[Search]]-NAS]]
- **Raw Source:** 10_Wiki/Topics/AI/Genetic-Algorithms.md
diff --git a/10_Wiki/Topics/AI/Geographic-Information-Systems.md b/10_Wiki/Topics/AI/Geographic-Information-Systems.md
index 4b963fd1..e4d25a38 100644
--- a/10_Wiki/Topics/AI/Geographic-Information-Systems.md
+++ b/10_Wiki/Topics/AI/Geographic-Information-Systems.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AUTO-GGIS-001
+id: [[P-Reinforce]]-AUTO-GGIS-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.94
tags: [auto-reinforced, gis, geographic-information, mapping, spatial-data, urban-planning, analytics]
@@ -15,16 +15,16 @@ last_reinforced: 2026-04-20
지리 정보 시스템(Geographic-Information-Systems, GIS)은 지표면과 관련된 데이터를 수집, 저장, 분석, 관리하여 시각적으로 표현하는 컴퓨터 시스템입니다.
1. **데이터 구조**:
- * **Vector Data**: 점(Point), 선(Line), 면(Polygon)으로 정밀한 형상 표현. (ERD와 구조적 유사성 - Entity-Relationship-Modeling)
+ * **Vector Data**: 점(Point), 선(Line), 면(Polygon)으로 정밀한 형상 표현. (ERD와 구조적 유사성 - [[Entity-Relationship-Modeling]])
* **Raster Data**: 픽셀 격자로 연속적인 높이, 온도 등 표현.
2. **활용 분야**:
- * **Urban Planning**: 최적의 도로 및 인프라 배치. (CPTED와 연결)
+ * **Urban Planning**: 최적의 도로 및 인프라 배치. ([[CPTED]]와 연결)
* **Logistics**: 최단 경로 및 배송 관리. (Sim-City와 연결)
- * **Disaster Management**: 침수 구역 예측 및 대피로 확보.
+ * **Di[[SAST]]er [[Management]]**: 침수 구역 예측 및 대피로 확보.
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거에는 정적인 지도 데이터 정책 위주였으나, 현대 정책은 GPS 실시간 위치 정책, 드론 이미지 정책, SNS 트래픽 정책 등이 결합된 '실시간 공간 빅데이터 정책(Real-time GIS)'으로 패러다임이 전환됨(RL Update).
-- **정책 변화(RL Update)**: 이제는 단순 레이어 중첩 정책을 넘어, AI 가 위성 사진 정책을 분석하여 불법 건축물 정책을 자동 감지하거나 도시의 탄소 배출 정책을 정밀 측정하는 'AI-GIS'로 진화 중임. (Sustainability와 연결)
+- **정책 변화(RL Update)**: 이제는 단순 레이어 중첩 정책을 넘어, AI 가 위성 사진 정책을 분석하여 불법 건축물 정책을 자동 감지하거나 도시의 탄소 배출 정책을 정밀 측정하는 'AI-GIS'로 진화 중임. ([[Sustainability]]와 연결)
## 🔗 지식 연결 (Graph)
- [[Entity-Relationship-Modeling]], [[CPTED]], Sim-City, [[Sustainability]], Urban-Planning, [[Strategic-Planning]]
diff --git a/10_Wiki/Topics/AI/Geometric-Deep-Learning.md b/10_Wiki/Topics/AI/Geometric-Deep-Learning.md
index e165b32c..8bd25277 100644
--- a/10_Wiki/Topics/AI/Geometric-Deep-Learning.md
+++ b/10_Wiki/Topics/AI/Geometric-Deep-Learning.md
@@ -2,7 +2,7 @@
id: GEO-DL-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [ai, deep-learning, geometric-deep-learning, gnn, graph-theory, topology]
+tags: [ai, [[Deep-Learning]], geometric-deep-learning, gnn, [[Graph-Theory]], topology]
last_reinforced: 2026-04-26
---
diff --git a/10_Wiki/Topics/AI/Geriatric-Medicine.md b/10_Wiki/Topics/AI/Geriatric-Medicine.md
index 3a2fc38f..7f5ffdcb 100644
--- a/10_Wiki/Topics/AI/Geriatric-Medicine.md
+++ b/10_Wiki/Topics/AI/Geriatric-Medicine.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-GERE-001
+id: [[P-Reinforce]]-AUTO-GERE-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.93
-tags: [auto-reinforced, geriatric-medicine, aging, healthcare, frailty, chronic-disease, system-medicine]
+tags: [auto-reinforced, geriatric-medicine, aging, healthcare, frailty, chronic-disease,[[ system]]-medicine]
last_reinforced: 2026-04-20
---
@@ -16,15 +16,15 @@ last_reinforced: 2026-04-20
1. **Geriatric Syndrome (노인성 증후군)**:
* 단일 질환보다는 섬망, 낙상, 실금, 욕창, 노쇠(Frailty) 등 여러 원인이 얽힌 증후군 중심 접근.
- * **Polypharmacy (다제복용)**: 여러 약의 상호작용으로 인한 부작용 관리 필수. (Enzyme-Inhibition-Kinetics와 연결)
+ * **Polypharmacy (다제복용)**: 여러 약의 상호작용으로 인한 부작용 관리 필수. ([[Enzyme-Inhibition-Kinetics]]와 연결)
2. **왜 중요한가?**:
- * 초고령 사회 진입에 따라 사회적 비용 정책과 정밀 의료 정책의 핵심 전장이 되고 있기 때문임. (Sustainability와 연결)
+ * 초고령 사회 진입에 따라 사회적 비용 정책과 정밀 의료 정책의 핵심 전장이 되고 있기 때문임. ([[Sustainability]]와 연결)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거에는 노화를 '필연적 쇠퇴 정책'으로만 보았으나, 현대 정책은 적극적인 개입 정책(재활, 운동, 영양)을 통해 '건강 수명 정책'을 연장할 수 있다는 활기찬 노년 정책(Active aging)을 지향함(RL Update).
-- **정책 변화(RL Update)**: 이제는 단순 환자 진료 정책을 넘어, 웨어러블 센서 정책과 AI 가 가정 내 낙상 위험 정책을 실시간 감지하여 미리 방지하는 '항시적 모니터링 체계'로 진화 중임. (Etiology-of-Disease와 연결)
+- **정책 변화(RL Update)**: 이제는 단순 환자 진료 정책을 넘어, 웨어러블 센서 정책과 AI 가 가정 내 낙상 위험 정책을 실시간 감지하여 미리 방지하는 '항시적 모니터링 체계'로 진화 중임. ([[Etiology-of-Disease]]와 연결)
## 🔗 지식 연결 (Graph)
- [[Enzyme-Inhibition-Kinetics]], [[Sustainability]], [[Etiology-of-Disease]], Bio-Informatics, [[Scientific-Method]], [[Reliability]]
-- **Key Focus**: Comprehensive Geriatric Assessment (CGA).
+- **Key Focus**: Comprehensive Geriatric [[Assessment]] (CGA).
---
diff --git a/10_Wiki/Topics/AI/Gestalt Psychology.md b/10_Wiki/Topics/AI/Gestalt Psychology.md
index 87eceaee..42abf3b4 100644
--- a/10_Wiki/Topics/AI/Gestalt Psychology.md
+++ b/10_Wiki/Topics/AI/Gestalt Psychology.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-GPSY-001
+id: [[P-Reinforce]]-AUTO-GPSY-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.87
-tags: [auto-reinforced, gestalt-psychology, perception, cognitive-science, holistic-thinking, patterns]
+tags: [auto-reinforced, gestalt-[[Psychology]], perception, cognitive-science, holistic-thinking, patterns]
last_reinforced: 2026-04-20
---
@@ -20,13 +20,13 @@ last_reinforced: 2026-04-20
* **Continuity (연속성)**: 선이나 곡선이 끊기지 않고 이어지는 것처럼 인식.
* **Closure (폐쇄성)**: 미완성된 형태를 뇌가 스스로 채워 완성된 형태로 인식. (Hallucination의 심리적 근거와 연결)
2. **왜 중요한가?**:
- * UI/UX 디자인에서 사용자가 화면을 어떻게 훑고 정보를 그룹화하는지 예측하는 시각적 문법의 정석임. (Design-System의 토대)
+ * UI/UX 디자인에서 사용자가 화면을 어떻게 훑고 정보를 그룹화하는지 예측하는 시각적 문법의 정석임. ([[Design-System]]의 토대)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
-- **과거 데이터와의 충돌**: 과거에는 인간의 감각 기관이 정보를 수동적으로 수집한다는 정책이었으나, 게슈탈트 정책은 뇌가 적극적으로 구조를 부여하는 '구성주의적 인식 정책'으로 패러다임을 바꿈(RL Update). (Epistemology와 연결)
-- **정책 변화(RL Update)**: 컴퓨터 비전(Computer Vision) 정책에서 픽셀 단위 분석을 넘어 전체적인 '객체의 관계와 맥락 정책'을 이해하려는 연구에 영감을 주며, 신경망이 어떻게 패턴을 '전체적으로' 인식하게 만들지에 대한 이론적 바탕이 됨.
+- **과거 데이터와의 충돌**: 과거에는 인간의 감각 기관이 정보를 수동적으로 수집한다는 정책이었으나, 게슈탈트 정책은 뇌가 적극적으로 구조를 부여하는 '구성주의적 인식 정책'으로 패러다임을 바꿈(RL Update). ([[Epistemology]]와 연결)
+- **정책 변화(RL Update)**: 컴퓨터 비전([[Computer Vision]]) 정책에서 픽셀 단위 분석을 넘어 전체적인 '객체의 관계와 맥락 정책'을 이해하려는 연구에 영감을 주며, 신경망이 어떻게 패턴을 '전체적으로' 인식하게 만들지에 대한 이론적 바탕이 됨.
## 🔗 지식 연결 (Graph)
- User Experience (UX), [[Design-System]], [[Computer Vision]], Pattern Recognition, [[Epistemology]]
-- **Modern Tech/Tools**: Gestalt principles in web design, Visual hierarchy analysis.
+- **Modern Tech/Tools**: Gestalt [[Principles]] in web design, Visual hierarchy [[Analysis]].
---
diff --git a/10_Wiki/Topics/AI/Gestalt-Principles in UX.md b/10_Wiki/Topics/AI/Gestalt-Principles in UX.md
index 027af50c..9ffd7b18 100644
--- a/10_Wiki/Topics/AI/Gestalt-Principles in UX.md
+++ b/10_Wiki/Topics/AI/Gestalt-Principles in UX.md
@@ -2,7 +2,7 @@
id: UX-GESTALT-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [ux, design, gestalt-principles, psychology, human-computer-interaction]
+tags: [ux, design, gestalt-[[Principles]], [[Psychology]], [[Human-Computer-Interaction]]]
last_reinforced: 2026-04-26
---
diff --git a/10_Wiki/Topics/AI/Gestalt-Principles-of-Design.md b/10_Wiki/Topics/AI/Gestalt-Principles-of-Design.md
index 0d2bdd00..137572ff 100644
--- a/10_Wiki/Topics/AI/Gestalt-Principles-of-Design.md
+++ b/10_Wiki/Topics/AI/Gestalt-Principles-of-Design.md
@@ -1,12 +1,12 @@
---
-id: P-REINFORCE-AI-GESTALT-TECH
+id: [[P-Reinforce]]-AI-GESTALT-TECH
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.98
-tags: [Design, Psychology, Gestalt, UX]
+tags: [Design, [[Psychology]], Gestalt, UX]
last_reinforced: 2026-04-20
---
-# [[Gestalt-Principles-of-Design]] (게슈탈트 원리)
+# [[Gestalt-[[Principles]]-of-Design]] (게슈탈트 원리)
## 📌 한 줄 통찰 (The Karpathy Summary)
> "부분의 합이 전체보다 크다는 것을 증명하는 시각적 문법." 뇌가 흩어진 정보를 어떻게 의미 있는 형태로 조직화하는지 설명하며, 가장 적은 노력으로 유저가 구조를 파악하게 돕는 디자인의 황금률이다.
@@ -22,5 +22,5 @@ last_reinforced: 2026-04-20
- 게슈탈트 원칙은 강력하지만 문화적 배경에 따라 시선의 우선순위가 달라질 수 있다. 또한 현대의 '레이어드 모달'이나 'Z-index' 디자인에서는 물리적 근접성보다 '깊이감(Depth)'이 그룹 인식에 더 큰 영향을 주기도 한다. 고여 있는 법칙이 아니라 기기 환경에 맞춰 재해석되어야 한다.
## 🔗 지식 연결 (Graph)
-- Related: UI-Design-Systems , Human-Computer-Interaction (HCI)
+- Related: UI-[[Design-System]]s , [[Human-Computer-Interaction]] (HCI)
- Fundamental: Visual-Hierarchy
diff --git a/10_Wiki/Topics/AI/Gimbals-and-Orientation.md b/10_Wiki/Topics/AI/Gimbals-and-Orientation.md
index 70f7b5f2..9e656c4c 100644
--- a/10_Wiki/Topics/AI/Gimbals-and-Orientation.md
+++ b/10_Wiki/Topics/AI/Gimbals-and-Orientation.md
@@ -2,14 +2,14 @@
id: PHYS-GIMBAL-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [physics, robotics, game-dev, orientation, rotation-math, skybound]
+tags: [[[Physics]], [[Robotics]], game-dev, orientation, rotation-math, skybound]
last_reinforced: 2026-04-26
---
# Gimbals and Orientation (짐벌과 방향 제어)
## 📌 한 줄 통찰 (The Karpathy Summary)
-> "3차원 공간의 자유도를 수호하고, 회전의 축이 겹쳐 통제력을 잃는 짐벌 락의 함정을 회피하라" — 물체가 어떤 방향으로든 자유롭게 회전할 수 있도록 지지하는 장치(Gimbal)와, 오일러 각(Euler Angles) 및 쿼터니언(Quaternions)을 활용한 수학적 자세 제어 기법.
+> "3차원 공간의 자유도를 수호하고, 회전의 축이 겹쳐 통제력을 잃는 짐벌 락의 함정을 회피하라" — 물체가 어떤 방향으로든 자유롭게 회전할 수 있도록 지지하는 장치(Gimbal)와, 오일러 각(Euler [[ANGLE]]s) 및 쿼터니언(Quaternions)을 활용한 수학적 자세 제어 기법.
## 📖 구조화된 지식 (Synthesized Content)
- **추출된 패턴:** 세 개의 회전 축(Roll, Pitch, Yaw)을 독립적으로 제어하여 물체의 지향점을 유지하고, 각 축 간의 상호작용으로 인해 발생하는 기하학적 제약을 극복하는 방향성 제어 패턴.
diff --git a/10_Wiki/Topics/AI/Git-Branching-Strategies-and-Workflows.md b/10_Wiki/Topics/AI/Git-Branching-Strategies-and-Workflows.md
index 1af5e01f..1aa28164 100644
--- a/10_Wiki/Topics/AI/Git-Branching-Strategies-and-Workflows.md
+++ b/10_Wiki/Topics/AI/Git-Branching-Strategies-and-Workflows.md
@@ -2,7 +2,7 @@
id: OPS-GIT-BRANCH-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [git, version-control, branching-strategy, gitflow, trunk-based-development, collaboration, devops]
+tags: [git, version-control, branching-[[Strategy]], gitflow, trunk-based-development, collaboration, devops]
last_reinforced: 2026-04-26
---
@@ -12,7 +12,7 @@ last_reinforced: 2026-04-26
> "코드 변경의 격리와 통합을 체계적으로 관리하여 메인 브랜치의 안정성을 수호하고, 팀의 규모와 릴리스 주기에 최적화된 협업의 고속도로를 설계하라" — 소프트웨어 형상 관리의 효율성을 결정짓는 팀 표준 워크플로우.
## 📖 구조화된 지식 (Synthesized Content)
-- **추출된 패턴:** "Stability-driven Isolation and Continuous Integration" — 새로운 기능이나 버그 수정 작업을 독립된 브랜치에서 수행하고, PR 검증을 거쳐 안정된 코드만 메인 트렁크에 합류시키는 패턴.
+- **추출된 패턴:** "[[Stability]]-driven Isolation and Continuous Integration" — 새로운 기능이나 버그 수정 작업을 독립된 브랜치에서 수행하고, PR 검증을 거쳐 안정된 코드만 메인 트렁크에 합류시키는 패턴.
- **팀 규모별 최적 전략:**
- **Feature Branch Workflow:** 소규모 팀(2-5인)에 적장. 메인 브랜치에서 짧은 수명의 기능 브랜치를 분기하여 작업 후 병합.
- **Trunk-Based Development:** 고도로 숙련된 팀 및 강력한 CI/CD 환경에 적합. 메인 브랜치에 작고 잦은 커밋을 직접 또는 짧은 PR로 병합.
@@ -28,5 +28,5 @@ last_reinforced: 2026-04-26
- **정책 변화:** Antigravity 프로젝트는 모든 저장소에 대해 'Feature Branch' 방식을 기본 정책으로 하며, 메인 브랜치로의 직접 커밋을 기술적으로 차단(Protected Branch)하고 반드시 PR 리뷰를 거치도록 함.
## 🔗 지식 연결 (Graph)
-- [[Frontend-Team-Collaboration-and-Governance]], Pull-Request-Workflow, [[CI-CD-Pipeline-Foundations]], [[Clean-Code-Principles]]
+- [[Frontend-Team-Collaboration-and-Governance]], [[Pull-Request]]-Workflow, [[CI-CD-Pipeline-Foundations]], [[Clean-Code-Principles]]
- **Raw Source:** 00_Raw/Git Branching Strategies.md
diff --git a/10_Wiki/Topics/AI/Git-Version-Control.md b/10_Wiki/Topics/AI/Git-Version-Control.md
index 4cb43936..b4b9a559 100644
--- a/10_Wiki/Topics/AI/Git-Version-Control.md
+++ b/10_Wiki/Topics/AI/Git-Version-Control.md
@@ -14,10 +14,10 @@ last_reinforced: 2026-04-26
## 📖 구조화된 지식 (Synthesized Content)
- **추출된 패턴:** "Snapshot, not Delta" — 파일의 차이점이 아닌 상태 전체를 스냅샷으로 저장하여 무결성을 보장하고, 로컬과 원격의 상태를 동기화하며 프로젝트의 진화 과정을 관리하는 워크플로우 패턴.
- **핵심 메커니즘:**
- - **Area:** Working Directory (작업 중), Staging Area (준비), Repository (기록).
+ - **Area:** Working Directory (작업 중), Staging Area (준비), [[Repository]] (기록).
- **Branching & Merging:** 독립적인 작업 공간을 만들고, 검토 후 메인 줄기에 통합.
- **Rebase vs Merge:** 커밋 히스토리를 깔끔하게 유지할지, 아니면 실제 작업 흐름을 그대로 남길지의 선택.
- - **Distributed System:** 모든 클라이언트가 전체 이력을 소유하여 오프라인 작업과 복구가 용이함.
+ - **Distributed[[ system]]:** 모든 클라이언트가 전체 이력을 소유하여 오프라인 작업과 복구가 용이함.
- **의의:** 현대 소프트웨어 공학의 필수 인프라로, 오픈소스 생태계와 지속적 통합(CI)의 토대.
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
@@ -25,5 +25,5 @@ last_reinforced: 2026-04-26
- **정책 변화:** Antigravity 프로젝트는 에이전트가 생성한 모든 지식(Wiki)과 코드(Agent, Skybound 등)를 Git으로 관리하며, '의미 있는 단위'의 자동 커밋과 푸시를 통해 실시간 지식 자산화를 실현함.
## 🔗 지식 연결 (Graph)
-- [[DevOps-for-AI-MLOps]], [[Extreme-Programming-XP]], [[Software-Architecture-Patterns]], Collaborative-Development
+- [[DevOps-for-AI-MLOps]], [[Extreme-Programming-XP]], [[Software-[[Architecture]]-Patterns]], Collaborative-Development
- **Raw Source:** 10_Wiki/Topics/AI/Git-Version-Control.md
diff --git a/10_Wiki/Topics/AI/GitHub-Actions-CI-CD.md b/10_Wiki/Topics/AI/GitHub-Actions-CI-CD.md
index a1532f29..1a17c6f7 100644
--- a/10_Wiki/Topics/AI/GitHub-Actions-CI-CD.md
+++ b/10_Wiki/Topics/AI/GitHub-Actions-CI-CD.md
@@ -6,7 +6,7 @@ tags: [devops, cicd, automation, github]
last_reinforced: 2026-04-26
---
-# GitHub Actions CI/CD (자동화 파이프라인)
+# [[GitHub Actions]] CI/CD (자동화 파이프라인)
## 📌 한 줄 통찰 (The Karpathy Summary)
> "코드가 저장소에 들어오는 순간부터 배포까지의 모든 여정을 자동화하라" — GitHub 이벤트(Push, PR 등)에 반응하여 테스트, 빌드, 배포 워크플로우를 실행하는 클라우드 네이티브 자동화 도구.
@@ -15,7 +15,7 @@ last_reinforced: 2026-04-26
- **추출된 패턴:** YAML 설정을 통해 이벤트 트리거와 실행 단계(Steps), 실행 환경(Runner)을 정의하여 코드 품질을 지속적으로 통합(CI)하고 배포(CD)하는 데브옵스 패턴.
- **세부 내용:**
- **Workflows:** 하나 이상의 작업을 실행하는 자동화된 절차. `.github/workflows` 디렉토리에 저장.
- - **Events:** 워크플로우를 시작하는 특정 활동 (예: `push`, `pull_request`, `schedule`).
+ - **[[Events]]:** 워크플로우를 시작하는 특정 활동 (예: `push`, `pull_request`, `schedule`).
- **Jobs:** 동일한 러너에서 실행되는 일련의 단계 집합. 기본적으로 병렬로 실행됨.
- **Actions:** 복잡하지만 자주 반복되는 작업을 수행하는 재사용 가능한 애플리케이션 유닛.
- **Secrets:** API 키나 패스워드 등 민감한 정보를 안전하게 관리하고 워크플로우에서 사용.
diff --git a/10_Wiki/Topics/AI/GitLab CI.md b/10_Wiki/Topics/AI/GitLab CI.md
index 6f38c107..7f9107c0 100644
--- a/10_Wiki/Topics/AI/GitLab CI.md
+++ b/10_Wiki/Topics/AI/GitLab CI.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AUTO-0DF208
+id: [[P-Reinforce]]-AUTO-0DF208
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.90
tags: [auto-reinforced]
@@ -10,12 +10,12 @@ github_commit: "[P-Reinforce] Continuous Worker - GitLab CI"
# [[GitLab CI]]
## 📌 한 줄 통찰 (The Karpathy Summary)
-> 소스에 관련 정보가 부족합니다. 제공된 소스에서 GitLab CI 자체의 아키텍처나 구체적인 기능에 대한 직접적인 설명은 없으며, 주로 Snyk Code나 SonarQube와 같은 정적 애플리케이션 보안 테스트(SAST) 및 AI 코드 리뷰 도구들이 원활하게 연동되는 대표적인 CI/CD 파이프라인 플랫폼 중 하나로만 간략히 언급됩니다 [1, 2].
+> 소스에 관련 정보가 부족합니다. 제공된 소스에서 GitLab CI 자체의 아키텍처나 구체적인 기능에 대한 직접적인 설명은 없으며, 주로 Snyk Code나 [[SonarQube]]와 같은 정적 애플리케이션 보안 테스트([[SAST]]) 및 AI 코드 리뷰 도구들이 원활하게 연동되는 대표적인 CI/CD 파이프라인 플랫폼 중 하나로만 간략히 언급됩니다 [1, 2].
## 📖 구조화된 지식 (Synthesized Content)
소스에 관련 정보가 부족합니다. 하지만 제공된 문서 내에서 외부 보안 및 분석 도구와의 연동 맥락을 통해 다음과 같은 제한적인 역할을 확인할 수 있습니다.
-* **보안 및 코드 리뷰 도구와의 원활한 통합:** GitLab CI는 SonarQube, Snyk Code, Axify, CodeAnt AI 및 다양한 풀 리퀘스트 리뷰 봇(Pull Request Review Bots) 등과 통합(Integration)되어 사용되는 주요 개발 플랫폼입니다 [1, 3-6].
+* **보안 및 코드 리뷰 도구와의 원활한 통합:** GitLab CI는 SonarQube, Snyk Code, [[Axify]], CodeAnt AI 및 다양한 풀 리퀘스트 리뷰 봇(Pull Request Review Bots) 등과 통합(Integration)되어 사용되는 주요 개발 플랫폼입니다 [1, 3-6].
* **CI/CD 파이프라인 내 보안 스캔:** Snyk Code와 같은 도구는 GitLab CI 파이프라인에 통합되어 풀 리퀘스트(Pull request)가 발생할 때마다 변경된 파일을 스캔합니다 [2]. 발견된 취약점은 인라인 주석으로 게시되며, 심각한 취약점이 감지될 경우 코드 병합을 차단하도록 설정할 수 있습니다 [2].
* **풀 리퀘스트(PR) 및 가드레일 환경:** 개발자들은 GitLab의 풀 리퀘스트 환경을 통해 수동으로 코드를 검토하거나, AI 및 머신러닝 기반의 리뷰 봇을 연동하여 팀의 코드 표준을 강제하고 구조화된 코멘트를 생성하는 자동화된 가드레일을 구축합니다 [5, 7, 8].
diff --git a/10_Wiki/Topics/AI/GloVe (Word Embeddings).md b/10_Wiki/Topics/AI/GloVe (Word Embeddings).md
index 24824087..41ea70af 100644
--- a/10_Wiki/Topics/AI/GloVe (Word Embeddings).md
+++ b/10_Wiki/Topics/AI/GloVe (Word Embeddings).md
@@ -12,15 +12,15 @@ last_reinforced: 2026-04-26
> "단어의 의미를 전체 말뭉치의 동시 출현 빈도로 정의하라" — 전역적인 단어-단어 동시 출현 행렬(Co-occurrence Matrix)의 통계 정보를 활용하여 단어를 고차원 벡터로 변환하는 임베딩 기법.
## 📖 구조화된 지식 (Synthesized Content)
-- **추출된 패턴:** 단어 간의 공생 관계를 행렬 분해(Matrix Factorization)와 유사한 수치 해석적 방법으로 학습하여, 단어 사이의 의미적 거리와 유추 관계(Analogy)를 보존하는 패턴.
+- **추출된 패턴:** 단어 간의 공생 관계를 행렬 분해(Matrix Factorization)와 유사한 수치 해석적 방법으로 학습하여, 단어 사이의 의미적 거리와 유추 관계([[Analogy]])를 보존하는 패턴.
- **세부 내용:**
- - **Global Statistics:** 국소적인 문맥(Window)만 보는 Word2Vec과 달리, 말뭉치 전체의 통계 정보를 반영.
+ - **Global [[Statistics]]:** 국소적인 문맥(Window)만 보는 Word2Vec과 달리, 말뭉치 전체의 통계 정보를 반영.
- **Co-occurrence Probabilities:** 두 단어가 함께 나타날 확률의 비율을 로그 모델로 학습하여 의미적 차이를 벡터 공간의 거리로 변환.
- **Vector Arithmetic:** 'King - Man + Woman = Queen'과 같은 의미적 유추가 벡터 연산으로 가능함.
- **Pre-trained Embeddings:** 방대한 텍스트(Wikipedia 등)로 미리 학습된 벡터를 제공하여 다양한 NLP 태스크의 기초 데이터로 활용.
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
-- **과거 데이터와의 충돌:** 워드 임베딩의 대세였으나, 문맥에 따라 단어의 의미가 변하는 동적 임베딩(BERT, GPT 등)이 등장하면서 정적 임베딩으로서의 한계가 명확해짐.
+- **과거 데이터와의 충돌:** 워드 임베딩의 대세였으나, 문맥에 따라 단어의 의미가 변하는 동적 임베딩([[BERT]], GPT 등)이 등장하면서 정적 임베딩으로서의 한계가 명확해짐.
- **정책 변화:** Antigravity 에이전트의 텍스트 분석 엔진은 기본적으로 트랜스포머 기반 임베딩을 사용하나, 가벼운 단어 유사도 비교나 전통적인 통계 분석 시에는 GloVe를 참고 지표로 활용함.
## 🔗 지식 연결 (Graph)
diff --git a/10_Wiki/Topics/AI/Global-Standard.md b/10_Wiki/Topics/AI/Global-Standard.md
index fd547303..9e26c728 100644
--- a/10_Wiki/Topics/AI/Global-Standard.md
+++ b/10_Wiki/Topics/AI/Global-Standard.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-GLST-001
+id: [[P-Reinforce]]-AUTO-GLST-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.90
-tags: [auto-reinforced, global-standard, iso, interoperability, governance, standardization]
+tags: [auto-reinforced, global-standard, iso, [[Inter[[Opera]]bility]], governance, standardization]
last_reinforced: 2026-04-20
---
@@ -16,13 +16,13 @@ last_reinforced: 2026-04-20
1. **주요 유형**:
* **Technical Standards**: ISO(표준화 기구), IEEE 등 정보 통신 및 제조 규격.
- * **Regulatory Standards**: ESG 경영, 탄소 중립 등 사회적 가치 기준. (Circular-Economy와 연결)
+ * **Regulatory Standards**: ESG 경영, 탄소 중립 등 사회적 가치 기준. ([[Circular-Economy]]와 연결)
* **De Facto Standards**: 법적 합의는 없으나 시장 지배력에 의해 사실상 표준이 된 것 (예: 윈도우 OS, 영어).
2. **왜 중요한가?**:
* 표준을 선점하는 쪽이 시장의 규칙을 지배하며, 뒤처지는 쪽은 막대한 전환 비용과 고립(갈라파고스화)을 겪게 됨.
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
-- **과거 데이터와의 충돌**: 과거에는 제조물의 규격 정책 위주였으나, 현대 정책은 '데이터 주권 정책'과 'AI 윤리 가이드라인 정책' 등 무형의 지능 서비스에 대한 글로벌 표준 경쟁 정책으로 전선이 옮겨감(RL Update). (Ethics & AI와 연결)
+- **과거 데이터와의 충돌**: 과거에는 제조물의 규격 정책 위주였으나, 현대 정책은 '데이터 주권 정책'과 'AI 윤리 가이드라인 정책' 등 무형의 지능 서비스에 대한 글로벌 표준 경쟁 정책으로 전선이 옮겨감(RL Update). ([[Ethics & AI]]와 연결)
- **정책 변화(RL Update)**: AI 모델의 성능을 측정하는 벤치마크(MMLU 등)가 사실상의 글로벌 성능 표준 정책이 됨에 따라, 특정 국가의 편향이 섞인 표준 정책에 대응하는 '로컬 정체성 반영 표준 정책' 수립 노력이 병행됨.
## 🔗 지식 연결 (Graph)
diff --git a/10_Wiki/Topics/AI/Global-vs-Local-Optima.md b/10_Wiki/Topics/AI/Global-vs-Local-Optima.md
index 6cd8136f..21bb6f23 100644
--- a/10_Wiki/Topics/AI/Global-vs-Local-Optima.md
+++ b/10_Wiki/Topics/AI/Global-vs-Local-Optima.md
@@ -2,7 +2,7 @@
id: OPT-GLO-LOC-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [ai, optimization, mathematics, global-optima, local-optima]
+tags: [ai, [[Optimization]], mathematics, global-optima, local-optima]
last_reinforced: 2026-04-26
---
diff --git a/10_Wiki/Topics/AI/Goal-Misgeneralization.md b/10_Wiki/Topics/AI/Goal-Misgeneralization.md
index c5277b3e..021aa183 100644
--- a/10_Wiki/Topics/AI/Goal-Misgeneralization.md
+++ b/10_Wiki/Topics/AI/Goal-Misgeneralization.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-GOMI-001
+id: [[P-Reinforce]]-AUTO-GOMI-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.94
-tags: [auto-reinforced, goal-misgeneralization, ai-safety, alignment, reinforcement-learning, rewards, agent]
+tags: [auto-reinforced, [[goal]]-misgeneralization, ai-safety, [[Alignment]], [[Reinforcement-Learning]], rewards, agent]
last_reinforced: 2026-04-20
---
@@ -16,15 +16,15 @@ last_reinforced: 2026-04-20
1. **발생 경로**:
* **Capability Generalization**: 능력 자체는 뛰어나게 발달함 (예: 길 찾기 능력 극대화).
- * **Goal Pursuit Error**: 하지만 목표 지점이 달라졌을 때, 새로운 환경의 목표가 아닌 학습 때 익힌 '보상 패턴'에만 집착. (Reinforcement Learning (RL)와 연결)
+ * **Goal Pursuit Error**: 하지만 목표 지점이 달라졌을 때, 새로운 환경의 목표가 아닌 학습 때 익힌 '보상 패턴'에만 집착. ([[Reinforcement Learning (RL)]]와 연결)
2. **왜 위험한가?**:
- * 단순 성능 저하 정책이 아니라, 매우 뛰어난 능력 정책을 가진 AI 가 인류의 가치 정책과 완전히 다른 방향 정책으로 폭주할 수 있는 실무적 위험 정책이기 때문임. (AI-Alignment와 연결)
+ * 단순 성능 저하 정책이 아니라, 매우 뛰어난 능력 정책을 가진 AI 가 인류의 가치 정책과 완전히 다른 방향 정책으로 폭주할 수 있는 실무적 위험 정책이기 때문임. ([[AI-Alignment]]와 연결)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거에는 "데이터가 많으면 정답으로 수렴할 것"이라 믿었으나, 현대 정책은 시스템이 '지름길 정책'을 찾아내는 능력 정책이 생각보다 강력하여 목표 자체를 오해 정책하는 경우가 흔함을 경고함(RL Update).
-- **정책 변화(RL Update)**: 이제는 단순 보상 함수 정책(Reward function) 설계 정책을 넘어, 인간의 피드백 정책(RLHF)을 지속적으로 투입하여 AI 의 '내적 의도 정책'을 상시 검증하는 견제 정책(Anti-misgeneralization)이 안전 연구의 표준이 됨. (Effective-Altruism-in-AI와 연결)
+- **정책 변화(RL Update)**: 이제는 단순 보상 함수 정책(Reward function) 설계 정책을 넘어, 인간의 피드백 정책(RLHF)을 지속적으로 투입하여 AI 의 '내적 의도 정책'을 상시 검증하는 견제 정책(Anti-misgeneralization)이 안전 연구의 표준이 됨. (Effective-[[Altruism]]-in-AI와 연결)
## 🔗 지식 연결 (Graph)
- [[Reinforcement Learning (RL)]], [[Effective-Altruism-in-AI]], [[Bias-Variance-Tradeoff]], [[Reliability]], Safety, [[Refinement]]
-- **Key Researchers**: Lauro Langosco, Jack Koch et al.
+- **Key [[Research]]ers**: Lauro Langosco, Jack Koch et al.
---
diff --git a/10_Wiki/Topics/AI/Goal-Oriented-Action-Planning.md b/10_Wiki/Topics/AI/Goal-Oriented-Action-Planning.md
index 7957844e..d50b2d79 100644
--- a/10_Wiki/Topics/AI/Goal-Oriented-Action-Planning.md
+++ b/10_Wiki/Topics/AI/Goal-Oriented-Action-Planning.md
@@ -2,17 +2,17 @@
id: GOAP-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [game-ai, ai-planning, game-design, behavior-systems]
+tags: [game-ai, ai-planning, game-design, [[Behavior]]-systems]
last_reinforced: 2026-04-26
---
-# Goal-Oriented Action Planning (GOAP, 목표 지향적 행동 계획)
+# [[goal]]-Oriented Action Planning (GOAP, 목표 지향적 행동 계획)
## 📌 한 줄 통찰 (The Karpathy Summary)
> "어떻게 할지 가르치지 말고, 무엇을 하고 싶은지 정해주면 스스로 계획하게 하라" — 에이전트가 목표를 달성하기 위해 현재 상태에서 가능한 행동들의 조합을 동적으로 탐색하고 계획(Plan)을 세워 실행하는 AI 아키텍처.
## 📖 구조화된 지식 (Synthesized Content)
-- **추출된 패턴:** 복잡한 상태 전이(State Machine)를 하드코딩하는 대신, 각 행동의 전제 조건(Pre-condition)과 효과(Effect)를 정의하여 목표(Goal)에 도달하는 최적의 경로를 그래프 탐색(A* 등)으로 찾아내는 패턴.
+- **추출된 패턴:** 복잡한 상태 전이([[State]] Machine)를 하드코딩하는 대신, 각 행동의 전제 조건(Pre-condition)과 효과(Effect)를 정의하여 목표(Goal)에 도달하는 최적의 경로를 그래프 탐색(A* 등)으로 찾아내는 패턴.
- **세부 내용:**
- **Goal:** 에이전트가 도달하고자 하는 상태 (예: '적을 제거하라', '체력을 회복하라').
- **Actions:** 에이전트가 수행할 수 있는 최소 단위의 행동. (예: '장전', '이동', '사격').
diff --git a/10_Wiki/Topics/AI/God-Object-Antipattern.md b/10_Wiki/Topics/AI/God-Object-Antipattern.md
index 09a4be46..62bcb474 100644
--- a/10_Wiki/Topics/AI/God-Object-Antipattern.md
+++ b/10_Wiki/Topics/AI/God-Object-Antipattern.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AI-GOD-OBJECT
+id: [[P-Reinforce]]-AI-GOD-OBJECT
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.99
tags: [SoftwareEngineering, AntiPattern, CleanCode, Refactoring]
@@ -17,7 +17,7 @@ last_reinforced: 2026-04-20
- 소스 코드 줄 수가 수천 줄을 넘어가며, 거의 모든 다른 기능과 연결되어 있음.
- 작은 기능 수정 하나가 연쇄적인 부작용(Side Effect)을 일으켜 테스트가 불가능함.
- **Root Cause**: 초기 설계가 부족할 때, 새로운 기능을 기존의 가장 큰 곳에 쑤셔 넣는 '게으른 개발 습관'에서 비롯됨.
-- **Solution**: 로직을 관심사별로 쪼개어 각각의 전문 클래스로 분리하고, 이들을 조합(Composition)하는 방식으로 리팩토링해야 한다.
+- **[[Solution]]**: 로직을 관심사별로 쪼개어 각각의 전문 클래스로 분리하고, 이들을 조합(Composition)하는 방식으로 리팩토링해야 한다.
## ⚠️ 모순 및 업데이트 (RL Update)
- 때로는 성능 최적화(캐시 히트율, 함수 호출 오버헤드 감소)를 위해 일부러 데이터를 모아두는 경우가 있으나, 이는 극히 예외적인 상황이다. 현대의 가독성과 테스트 중심 개발 환경에서 '신 객체'는 프로젝트의 수명을 갉아먹는 암적 존재로 간주된다.
diff --git a/10_Wiki/Topics/AI/Godel's Incompleteness Theorems.md b/10_Wiki/Topics/AI/Godel's Incompleteness Theorems.md
index d250b266..deba3d04 100644
--- a/10_Wiki/Topics/AI/Godel's Incompleteness Theorems.md
+++ b/10_Wiki/Topics/AI/Godel's Incompleteness Theorems.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-GITR-001
+id: [[P-Reinforce]]-AUTO-GITR-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.91
-tags: [auto-reinforced, godel, incompleteness, mathematics, logic, philosophy, limits-of-computation]
+tags: [auto-reinforced, godel, incompleteness, mathematics, [[Logic]], [[Philosophy]], limits-of-computation]
last_reinforced: 2026-04-20
---
@@ -25,5 +25,5 @@ last_reinforced: 2026-04-20
## 🔗 지식 연결 (Graph)
- [[Logic]], [[Epistemology]], Philosophy of Science, [[Analysis]], [[Artificial Intelligence (AI)]]
-- **Modern Tech/Tools**: Formal verification systems, Meta-programming, Tarski's undefinability theorem.
+- **Modern Tech/Tools**: Formal verification[[ system]]s, Meta-programming, Tarski's undefinability theorem.
---
diff --git a/10_Wiki/Topics/AI/Google-Page-Experience-2025-Update.md b/10_Wiki/Topics/AI/Google-Page-Experience-2025-Update.md
index 6712a071..de128fd5 100644
--- a/10_Wiki/Topics/AI/Google-Page-Experience-2025-Update.md
+++ b/10_Wiki/Topics/AI/Google-Page-Experience-2025-Update.md
@@ -2,7 +2,7 @@
id: MKT-GOOG-2025-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [google, seo, page-experience, core-web-vitals, inp, search-ranking, 2025-update]
+tags: [google, seo, page-experience, [[Core-Web-Vitals]], inp, [[Search]]-ranking, 2025-update]
last_reinforced: 2026-04-26
---
@@ -22,8 +22,8 @@ last_reinforced: 2026-04-26
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌:** 과거에는 초기 로딩 시간(LCP)만 좋으면 상위 랭킹이 가능했으나, 2025년 정책은 페이지 로드 이후의 '지속적인 상호작용성(INP)' 정책을 동일한 비중으로 반영함.
-- **정책 변화:** Antigravity 프로젝트는 모든 웹 자산에 대해 'Google Search Console - Core Web Vitals' 리포트의 모든 지표를 'Good' 등급으로 유지하는 것을 마케팅 KPI의 기본 정책으로 설정함.
+- **정책 변화:** Antigravity 프로젝트는 모든 웹 자산에 대해 'Google Search Console - [[Core Web Vitals]]' 리포트의 모든 지표를 'Good' 등급으로 유지하는 것을 마케팅 KPI의 기본 정책으로 설정함.
## 🔗 지식 연결 (Graph)
-- [[Core-Web-Vitals-Metrics]], [[Interaction-to-Next-Paint-INP]], [[Cumulative-Layout-Shift-CLS]], SEO-Foundations, [[Modern-Website-Architecture]]
+- [[Core-Web-Vitals-Metrics]], [[Interaction-to-Next-Paint-INP]], [[Cumulative-Layout-[[Shift]]-CLS]], SEO-Foundations, [[Modern-Website-Architecture]]
- **Raw Source:** 00_Raw/Google Page Experience 2025 Update.md, 00_Raw/Google Page Experience 2025.md
diff --git a/10_Wiki/Topics/AI/Gradient-Boosting-Machines.md b/10_Wiki/Topics/AI/Gradient-Boosting-Machines.md
index 4d86c97d..857572f0 100644
--- a/10_Wiki/Topics/AI/Gradient-Boosting-Machines.md
+++ b/10_Wiki/Topics/AI/Gradient-Boosting-Machines.md
@@ -2,7 +2,7 @@
id: ML-GBM-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [machine-learning, gradient-boosting, xgboost, lightgbm, supervised-learning]
+tags: [machine-learning, gradient-boosting, xgboost, lightgbm, [[Supervised-Learning]]]
last_reinforced: 2026-04-26
---
diff --git a/10_Wiki/Topics/AI/Gradient-Descent.md b/10_Wiki/Topics/AI/Gradient-Descent.md
index 72fcc81a..0b840c73 100644
--- a/10_Wiki/Topics/AI/Gradient-Descent.md
+++ b/10_Wiki/Topics/AI/Gradient-Descent.md
@@ -2,7 +2,7 @@
id: OPT-GRAD-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [ai, optimization, mathematics, gradient-descent, machine-learning]
+tags: [ai, [[Optimization]], mathematics, gradient-descent, machine-learning]
last_reinforced: 2026-04-26
---
@@ -18,7 +18,7 @@ last_reinforced: 2026-04-26
- **Partial Derivative:** 각 파라미터가 오차에 미치는 영향력을 개별적으로 계산.
- **Step:** 현재 위치에서 기울기가 가장 가파른 방향의 반대로 이동하는 한 단계의 연산.
- **주요 변형:**
- - **Stochastic Gradient Descent (SGD):** 하나의 데이터만 보고 즉시 업데이트. 빠르지만 요동이 심함.
+ - **[[stochastic gradient descent]] (SGD):** 하나의 데이터만 보고 즉시 업데이트. 빠르지만 요동이 심함.
- **Mini-batch SGD:** 적절한 묶음 데이터를 사용하여 속도와 안정성의 균형을 맞춤. 현대 딥러닝의 표준.
- **의의:** 복잡한 신경망의 수백만 개 파라미터를 학습시킬 수 있는 유일하고 실질적인 방법.
@@ -27,5 +27,5 @@ last_reinforced: 2026-04-26
- [[Global-vs-Local-Optima]] 문서와 연계하여, 지역 최적해의 함정을 피하는 것이 경사 하강법 운영의 핵심 기술임.
## 🔗 지식 연결 (Graph)
-- [[Backpropagation]], [[Global-vs-Local-Optima]], Deep-Learning-Foundations, Mathematics-for-AI
+- [[Backpropagation]], [[Global-vs-Local-Optima]], [[Deep-Learning]]-Foundations, Mathematics-for-AI
- **Raw Source:** 10_Wiki/Topics/AI/Gradient-Descent.md
diff --git a/10_Wiki/Topics/AI/Graph Theory.md b/10_Wiki/Topics/AI/Graph Theory.md
index 294f83e8..ee627a71 100644
--- a/10_Wiki/Topics/AI/Graph Theory.md
+++ b/10_Wiki/Topics/AI/Graph Theory.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-GRTH-001
+id: [[P-Reinforce]]-AUTO-GRTH-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.96
-tags: [auto-reinforced, graph-theory, mathematics, networks, topology, discrete-mathematics]
+tags: [auto-reinforced, [[Graph-Theory]], mathematics, networks, topology, discrete-mathematics]
last_reinforced: 2026-04-20
---
diff --git a/10_Wiki/Topics/AI/Graph-Coloring-Problem.md b/10_Wiki/Topics/AI/Graph-Coloring-Problem.md
index 4e1a85c7..2b77fbdd 100644
--- a/10_Wiki/Topics/AI/Graph-Coloring-Problem.md
+++ b/10_Wiki/Topics/AI/Graph-Coloring-Problem.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-GRCP-001
+id: [[P-Reinforce]]-AUTO-GRCP-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.95
-tags: [auto-reinforced, graph-coloring, algorithm, csp, graph-theory, optimization, scheduling, complexity]
+tags: [auto-reinforced, graph-coloring, algorithm, csp, [[Graph-Theory]], [[Optimization]], scheduling, complexity]
last_reinforced: 2026-04-20
---
@@ -16,11 +16,11 @@ last_reinforced: 2026-04-20
1. **핵심 지표**:
* **Chromatic Number (χ(G))**: 그래프 G를 채색하는 데 필요한 최소 색상 수.
- * **NP-hard**: 모든 노드를 최소 색으로 칠하는 최적해를 찾는 것은 계산 복잡도 정책 면에서 매우 어려움. (Complexity-Theory와 연결)
+ * **NP-hard**: 모든 노드를 최소 색으로 칠하는 최적해를 찾는 것은 계산 복잡도 정책 면에서 매우 어려움. ([[Complexity-Theory]]와 연결)
2. **활용 사례**:
- * **Register Allocation**: 컴파일러가 제한된 CPU 레지스터를 변수들에게 충돌 없이 배정. (Efficiency와 연결)
+ * **Register Allocation**: 컴파일러가 제한된 CPU 레지스터를 변수들에게 충돌 없이 배정. ([[Efficiency]]와 연결)
* **Frequency Assignment**: 근접한 기지국들이 서로 다른 주파수를 쓰게 하여 간섭 방지.
- * **Map Coloring**: 이웃한 국가가 다른 색으로 표시되게 지도 제작. (Constraint-Satisfaction-Problems와 연결)
+ * **Map Coloring**: 이웃한 국가가 다른 색으로 표시되게 지도 제작. ([[Constraint-Satisfaction-Problems]]와 연결)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거에는 모든 노드를 방문 정책하는 백트래킹 정책 방식 위주였으나, 현대 정책은 대규모 소셜 그래프 정책 분석 등을 위해 근사해 정책(Approximation)을 빠르게 찾는 그리디(Greedy)나 메타-휴리스틱 정책이 주류임(RL Update).
diff --git a/10_Wiki/Topics/AI/Graph-Database.md b/10_Wiki/Topics/AI/Graph-Database.md
index 32b9a313..8a16cec8 100644
--- a/10_Wiki/Topics/AI/Graph-Database.md
+++ b/10_Wiki/Topics/AI/Graph-Database.md
@@ -2,7 +2,7 @@
id: GRAPH-DB-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [database, graph-theory, data-structure, nosql]
+tags: [database, [[Graph-Theory]], data-structure, nosql]
last_reinforced: 2026-04-26
---
diff --git a/10_Wiki/Topics/AI/Graph-Theory.md b/10_Wiki/Topics/AI/Graph-Theory.md
index 1e527b61..512df9c5 100644
--- a/10_Wiki/Topics/AI/Graph-Theory.md
+++ b/10_Wiki/Topics/AI/Graph-Theory.md
@@ -2,11 +2,11 @@
id: MATH-GRAPH-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [math, graph-theory, network-analysis, data-structures, ai]
+tags: [math, graph-theory, network-[[Analysis]], data-structures, ai]
last_reinforced: 2026-04-26
---
-# Graph Theory and Networks (그래프 이론과 네트워크)
+# [[Graph Theory]] and Networks (그래프 이론과 네트워크)
## 📌 한 줄 통찰 (The Karpathy Summary)
> "세상의 모든 존재를 점(Node)으로, 그들의 관계를 선(Edge)으로 연결하여 복잡계의 지도를 그려라" — 개체들 간의 상호작용과 연결 구조를 수학적으로 모델링하여, 네트워크의 특성과 정보의 흐름을 분석하는 학문적 토대.
@@ -26,5 +26,5 @@ last_reinforced: 2026-04-26
- **정책 변화:** Antigravity 프로젝트는 1,174개의 지식 문서 간의 상관관계를 그래프 이론적 관점에서 상시 분석하며, 지식의 고립(Island)을 방지하고 핵심 연결 노드를 자동으로 추천함.
## 🔗 지식 연결 (Graph)
-- [[GNN]], [[Geometric-Deep-Learning]], [[Knowledge-Graph-Foundations]], Search-Algorithms
+- [[GNN]], [[Geometric-Deep-Learning]], [[Knowledge-Graph-Foundations]], [[Search]]-Algorithms
- **Raw Source:** 10_Wiki/Topics/AI/Graph-Theory.md
diff --git a/10_Wiki/Topics/AI/GraphQL-Code-Generator.md b/10_Wiki/Topics/AI/GraphQL-Code-Generator.md
index 47f28cfc..ddc270df 100644
--- a/10_Wiki/Topics/AI/GraphQL-Code-Generator.md
+++ b/10_Wiki/Topics/AI/GraphQL-Code-Generator.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-GQCG-001
+id: [[P-Reinforce]]-AUTO-GQCG-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.96
-tags: [auto-reinforced, graphql, code-generator, typescript, type-safety, schema, automation, api-development]
+tags: [auto-reinforced, graphql, code-generator, typescript, type-safety, [[Schema]], automation, api-development]
last_reinforced: 2026-04-20
---
@@ -16,16 +16,16 @@ GraphQL 코드 제너레이터(GraphQL-Code-Generator)는 GraphQL 스키마와
1. **동작 매커니즘**:
* **Input**: `schema.graphql` 파일 + 프론트엔드에서 작성한 `.graphql` 쿼리 파일들.
- * **Processing**: 플러그인 시스템을 통해 AST 분석 및 템플릿 적용.
- * **Output**: `types.ts`, `hooks.ts` 등 (React Query, Apollo, SWR 대응 가능). (Efficiency와 연결)
+ * **[[Processing]]**: 플러그인 시스템을 통해 AST 분석 및 템플릿 적용.
+ * **Output**: `types.ts`, `hooks.ts` 등 (React Query, Apollo, SWR 대응 가능). ([[Efficiency]]와 연결)
2. **왜 중요한가?**:
- * API 변경 시 클라이언트 코드가 즉시 컴파일 에러를 띄우므로, 런타임 장애 정책을 사전에 완벽히 차단하기 때문임. (Reliability와 연결)
+ * API 변경 시 클라이언트 코드가 즉시 컴파일 에러를 띄우므로, 런타임 장애 정책을 사전에 완벽히 차단하기 때문임. ([[Reliability]]와 연결)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
-- **과거 데이터와의 충돌**: 과거에는 `any` 타입을 쓰거나 수동으로 인터페이스 정책을 맞췄으나, 현대 정책은 'Schema-first' 또는 'Code-first' 방식 정책을 통해 타입 정책을 100% 자동 생성 정책하는 것이 표준임(RL Update). (Distributed-System-Type-Safety와 연결)
+- **과거 데이터와의 충돌**: 과거에는 `any` 타입을 쓰거나 수동으로 인터페이스 정책을 맞췄으나, 현대 정책은 'Schema-first' 또는 'Code-first' 방식 정책을 통해 타입 정책을 100% 자동 생성 정책하는 것이 표준임(RL Update). ([[Distributed-System-Type-Safety]]와 연결)
- **정책 변화(RL Update)**: 이제는 단순 타입 생성 정책을 넘어, 스키마 정보를 활용하여 목업 데이터(Mocking) 정책이나 유효성 검사 로직(Zod) 정책까지 자동으로 생성해 주는 풀스택 개발 가속기로 진화함.
## 🔗 지식 연결 (Graph)
-- [[Efficiency]], [[Reliability]], [[Distributed-System-Type-Safety]], [[Technical-Architecture]], [[Standard-Operating-Procedure]], Automation
+- [[Efficiency]], [[Reliability]], [[Distributed-System-Type-Safety]], [[Technical-Architecture]], [[Standard-[[Opera]]ting-Procedure]], Automation
- **Key Ecosystem**: The Guild (Creators).
---
diff --git a/10_Wiki/Topics/AI/GraphRAG (그래프 기반 검색 증강 생성).md b/10_Wiki/Topics/AI/GraphRAG (그래프 기반 검색 증강 생성).md
index 68472904..6277f346 100644
--- a/10_Wiki/Topics/AI/GraphRAG (그래프 기반 검색 증강 생성).md
+++ b/10_Wiki/Topics/AI/GraphRAG (그래프 기반 검색 증강 생성).md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AI-GRAPHRAG
+id: [[P-Reinforce]]-AI-GRAPHRAG
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.97
tags: [AI, RAG, GraphRAG, KnowledgeGraph, LLM]
@@ -16,7 +16,7 @@ last_reinforced: 2026-04-20
- **Mechanism**:
- **Entity Extraction**: 텍스트에서 주어, 목적어 등 핵심 개체를 추출.
- **Relationship Mapping**: 개체 간의 관계를 간선(Edge)으로 연결하여 그래프 구축.
- - **Community Detection**: 밀접하게 연결된 지식 뭉치들을 파악하여 거시적 답변 생성 가능.
+ - **Comm[[Unity]] Detection**: 밀접하게 연결된 지식 뭉치들을 파악하여 거시적 답변 생성 가능.
- **Benefit**: "이 소설의 전체적인 주제가 뭐야?"와 같이 여러 문서에 흩어진 정보를 종합해야 하는 글로벌 쿼리에 매우 강력함.
## ⚠️ 모순 및 업데이트 (RL Update)
@@ -24,4 +24,4 @@ last_reinforced: 2026-04-20
## 🔗 지식 연결 (Graph)
- Related: [[Knowledge-Graph]] , [[벡터 데이터베이스 (Vector Database)]]
-- System: [[RAG (검색 증강 생성)]]
+-[[ system]]: [[RAG (검색 증강 생성)]]
diff --git a/10_Wiki/Topics/AI/Greedy-Algorithms.md b/10_Wiki/Topics/AI/Greedy-Algorithms.md
index c5efeb6d..1af2d4a6 100644
--- a/10_Wiki/Topics/AI/Greedy-Algorithms.md
+++ b/10_Wiki/Topics/AI/Greedy-Algorithms.md
@@ -2,7 +2,7 @@
id: CS-GREEDY-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [computer-science, algorithms, greedy-algorithm, optimization, search-strategies]
+tags: [computer-science, algorithms, greedy-algorithm, [[Optimization]], [[Search]]-strategies]
last_reinforced: 2026-04-26
---
@@ -16,14 +16,14 @@ last_reinforced: 2026-04-26
- **핵심 특징:**
- **Local Optimum:** 각 단계에서의 최선의 선택.
- **No Backtracking:** 한 번 내린 결정은 번복하지 않음.
- - **Efficiency:** 동적 계획법(DP)보다 연산 속도가 압도적으로 빠름.
+ - **[[Efficiency]]:** 동적 계획법(DP)보다 연산 속도가 압도적으로 빠름.
- **적용 사례:** Dijkstra의 최단 경로 알고리즘, Prim/Kruskal의 최소 신장 트리(MST), 허프만 코딩(Huffman Coding), 거스름돈 문제.
- **한계:** 모든 문제에서 전역 최적해(Global Optimum)를 보장하지는 않으므로 사용 전 수학적 검증이 필요함.
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
-- **과거 데이터와의 충돌:** 완벽한 정답(Optimal Solution)만을 추구하던 경직된 사고에서, 실시간성이나 연산 자원이 중요한 환경에서는 '충분히 좋은 해(Heuristic)'를 빠르게 찾는 탐욕적 방식이 더 현실적일 수 있음을 인정.
+- **과거 데이터와의 충돌:** 완벽한 정답(Optimal [[Solution]])만을 추구하던 경직된 사고에서, 실시간성이나 연산 자원이 중요한 환경에서는 '충분히 좋은 해(Heuristic)'를 빠르게 찾는 탐욕적 방식이 더 현실적일 수 있음을 인정.
- **정책 변화:** Antigravity 프로젝트의 실시간 지식 임베딩 클러스터링 알고리즘은 연산 부하를 줄이기 위해 일부 단계에서 탐욕적 접근 방식을 채택하여 빠른 반응성을 유지함.
## 🔗 지식 연결 (Graph)
-- [[Global-vs-Local-Optima]], Search-Algorithms, [[Heuristic-Search]], Dynamic-Programming-Foundations
+- [[Global-vs-Local-Optima]], Search-Algorithms, [[Heuristic-Search]], [[Dynamic-Programming]]-Foundations
- **Raw Source:** 10_Wiki/Topics/AI/Greedy-Algorithms.md
diff --git a/10_Wiki/Topics/AI/Grit.md b/10_Wiki/Topics/AI/Grit.md
index dad421e9..7bf93207 100644
--- a/10_Wiki/Topics/AI/Grit.md
+++ b/10_Wiki/Topics/AI/Grit.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-GRIT-001
+id: [[P-Reinforce]]-AUTO-GRIT-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.94
-tags: [auto-reinforced, grit, passion, perseverance, success, psychology, achievement]
+tags: [auto-reinforced, grit, passion, perseverance, success, [[Psychology]], achievement]
last_reinforced: 2026-04-20
---
@@ -16,15 +16,15 @@ last_reinforced: 2026-04-20
1. **2가지 핵심 요소**:
* **Passion (열정)**: 한결같이 유지되는 관심사. "어제 좋았던 것을 10년 뒤에도 좋아하는 힘."
- * **Perseverance (끈기)**: 어려움과 실패에도 불구하고 계속 나아가는 힘. (Escalation-of-Commitment와 대비).
+ * **Perseverance (끈기)**: 어려움과 실패에도 불구하고 계속 나아가는 힘. ([[Escalation-of-Commitment]]와 대비).
2. **Grit 측정 (Grit Scale)**:
* 재능과 노력의 관계: `재능 × 노력 = 기술`, `기술 × 노력 = 성취`. 노력(Grit)이 두 번이나 곱해짐을 강조.
3. **성장 경로**:
- * 관심(Interest) -> 연습(Practice) -> 목적(Purpose) -> 희망(Hope). (Eudaimonia-and-Well-being와 연결)
+ * 관심(Interest) -> 연습(Practice) -> 목적([[Purpose]]) -> 희망(Hope). ([[Eudaimonia-and-Well-being]]와 연결)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거에는 성공을 '지능 지수(IQ)'나 '타고난 재능' 정책으로만 설명했으나, 그릿 연구 정책은 성실함과 집요함 정책이 학업 성취와 경력 성공 정책에 훨씬 더 결정적인 영향 정책을 미친다는 점을 과학적으로 입증함(RL Update).
-- **정책 변화(RL Update)**: 최근에는 '맹목적인 그릿(Escalation) 정책'의 위험 정책이 지적되면서, 유연한 전략 수정(Pivot) 정책과 결합된 '전략적 그릿' 개념이 교육과 경영 분야에서 새롭게 논의 중임. (Growth-Mindset와 연결)
+- **정책 변화(RL Update)**: 최근에는 '맹목적인 그릿(Escalation) 정책'의 위험 정책이 지적되면서, 유연한 전략 수정(Pivot) 정책과 결합된 '전략적 그릿' 개념이 교육과 경영 분야에서 새롭게 논의 중임. ([[Growth-Mindset]]와 연결)
## 🔗 지식 연결 (Graph)
- [[Escalation-of-Commitment]], [[Eudaimonia-and-Well-being]], [[Growth-Mindset]], Social-Psychology, [[Strategic-Planning]], Ethics
diff --git a/10_Wiki/Topics/AI/Grounded Theory Method.md b/10_Wiki/Topics/AI/Grounded Theory Method.md
index 5979fe3d..47948f9c 100644
--- a/10_Wiki/Topics/AI/Grounded Theory Method.md
+++ b/10_Wiki/Topics/AI/Grounded Theory Method.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-GTME-001
+id: [[P-Reinforce]]-AUTO-GTME-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.86
-tags: [auto-reinforced, grounded-theory, research-methodology, qualitative-analysis, sociology, inductive-reasoning]
+tags: [auto-reinforced, grounded-theory, [[Re[[Search]]-Methodology]], qualitative-[[Analysis]], sociology, [[Inductive-Reasoning]]]
last_reinforced: 2026-04-20
---
@@ -19,7 +19,7 @@ last_reinforced: 2026-04-20
* **Axial Coding**: 개별 개념들 간의 범주를 설정하고 인과관계를 연결.
* **Selective Coding**: 핵심 범주(Core Category)를 선정하여 통합적인 이론 모형 완성.
2. **왜 중요한가?**:
- * 기존 이론으로 설명되지 않는 새로운 사회 현상이나 사용자 행동의 기저 심리를 파헤칠 때 가장 강력한 도구임. (Bottom-Up-Approach의 전형)
+ * 기존 이론으로 설명되지 않는 새로운 사회 현상이나 사용자 행동의 기저 심리를 파헤칠 때 가장 강력한 도구임. ([[Bottom-Up-Approach]]의 전형)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거에는 사람이 수천 페이지의 인터뷰를 직접 읽으며 코딩하는 고통스러운 '수동 정책'이었으나, 현대 정책은 AI 에이전트가 방대한 질적 데이터를 1차 코딩하고 패턴을 제안하는 'AI 보조 근거 이론 정책'으로 효율성이 극대화됨(RL Update).
diff --git a/10_Wiki/Topics/AI/Growth-Mindset-Intervention.md b/10_Wiki/Topics/AI/Growth-Mindset-Intervention.md
index a8a3987f..c3b2a198 100644
--- a/10_Wiki/Topics/AI/Growth-Mindset-Intervention.md
+++ b/10_Wiki/Topics/AI/Growth-Mindset-Intervention.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-GMIN-001
+id: [[P-Reinforce]]-AUTO-GMIN-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.93
-tags: [auto-reinforced, growth-mindset, intervention, education, neuroplasticity, achievement, psychology]
+tags: [auto-reinforced, [[Growth-Mindset]], intervention, education, [[Neuroplasticity]], achievement, [[Psychology]]]
last_reinforced: 2026-04-20
---
@@ -16,14 +16,14 @@ last_reinforced: 2026-04-20
1. **핵심 전략**:
* **The Power of 'Yet'**: "모른다"가 아니라 "아직(Yet) 모른다"는 언어적 재정의.
- * **Neuroplasticity Education**: 뇌 가소성(뇌세포가 새로운 시도를 할 때 연결이 강화됨)을 시각적 데이터로 교육. (Hebbian-Theory와 연결)
+ * **Neuroplasticity Education**: 뇌 가소성(뇌세포가 새로운 시도를 할 때 연결이 강화됨)을 시각적 데이터로 교육. ([[Hebbian-Theory]]와 연결)
* **Process Praise**: 결과(너 똑똑하구나)가 아닌 과정(네가 이 방법으로 시도한 것이 훌륭하구나)에 대한 칭찬.
2. **왜 중요한가?**:
- * 저소득층이나 성적이 낮은 그룹에서 고정 마인드셋 정책으로 인한 무력감 정책을 깨뜨리는 가장 비용 효율적인 교육 정책 수단이기 때문임. (Economic-Mobility와 연결)
+ * 저소득층이나 성적이 낮은 그룹에서 고정 마인드셋 정책으로 인한 무력감 정책을 깨뜨리는 가장 비용 효율적인 교육 정책 수단이기 때문임. ([[Economic-Mobility]]와 연결)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거에는 "누구든 할 수 있다"는 단순한 격려 정책이었으나, 현대 정책은 뇌 과학적 근거 정책(Brain science)을 기반으로 한 정밀한 심리 설계 정책이 뒷받침되어야 실제 효과 정책이 나타남을 강조함(RL Update).
-- **정책 변화(RL Update)**: 최근 대규모 메타 분석 정책에 따르면, 단순한 1회성 교육 정책보다는 교사의 태도 정책과 환경적 지지 정책(Sustainability)이 동반될 때 비로소 장기적인 성과 정책으로 이어진다는 결과가 우세함.
+- **정책 변화(RL Update)**: 최근 대규모 메타 분석 정책에 따르면, 단순한 1회성 교육 정책보다는 교사의 태도 정책과 환경적 지지 정책([[Sustainability]])이 동반될 때 비로소 장기적인 성과 정책으로 이어진다는 결과가 우세함.
## 🔗 지식 연결 (Graph)
- [[Hebbian-Theory]], [[Economic-Mobility]], [[Sustainability]], [[Growth-Mindset]], Social-Psychology, [[E-Learning-Gamification]]
diff --git a/10_Wiki/Topics/AI/Growth-Mindset.md b/10_Wiki/Topics/AI/Growth-Mindset.md
index 391c3b01..5f18c507 100644
--- a/10_Wiki/Topics/AI/Growth-Mindset.md
+++ b/10_Wiki/Topics/AI/Growth-Mindset.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-GRMI-001
+id: [[P-Reinforce]]-AUTO-GRMI-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.95
-tags: [auto-reinforced, growth-mindset, mind-set, failure, learning, resilience, psychology]
+tags: [auto-reinforced, growth-mindset, mind-set, failure, learning, [[Resilience]], [[Psychology]]]
last_reinforced: 2026-04-20
---
@@ -16,13 +16,13 @@ last_reinforced: 2026-04-20
1. **Fixed vs Growth**:
* **Fixed Mindset (고정 마인드셋)**: 지능은 타고난 것이며 변하지 않는다고 믿음 -> 실수를 숨김, 도전 기피.
- * **Growth Mindset (성장 마인드셋)**: 노력하면 뇌의 구조가 바뀐다고 믿음 -> 실패에서 배우고 도전을 즐김. (Hebbian-Theory와 연결)
+ * **Growth Mindset (성장 마인드셋)**: 노력하면 뇌의 구조가 바뀐다고 믿음 -> 실패에서 배우고 도전을 즐김. ([[Hebbian-Theory]]와 연결)
2. **왜 중요한가?**:
- * 복잡성이 높은 현대 사회에서 끊임없이 새로운 기술 정책을 습득해야 하는 '평생 학습'의 심리적 기초 체력이기 때문임. (E-Learning-Gamification와 연결)
+ * 복잡성이 높은 현대 사회에서 끊임없이 새로운 기술 정책을 습득해야 하는 '평생 학습'의 심리적 기초 체력이기 때문임. ([[E-Learning-Gamification]]와 연결)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
-- **과거 데이터와의 충돌**: 과거에는 마인드셋 정책만 바꾸면 성공이 보장된다는 '만능론 정책'이 유행했으나, 현대 정책은 구조적 한계 정책(Social inequality)도 엄연히 존재함을 인정하며, 마인드셋 정책을 사회적 지지 정책과 병행해야 한다는 균형 잡힌 시각으로 전환됨(RL Update).
-- **정책 변화(RL Update)**: 이제는 단순 자기계발 정책 용어를 넘어, AI 에이전트 설계 시 에이전트가 실패 데이터 정책을 보고 자신의 정책(Policy)을 어떻게 수정할 것인가를 결정하는 '학습 알고리즘의 유연성 정책' 모델링의 철학적 토대가 됨. (Reinforcement Learning (RL)와 연결)
+- **과거 데이터와의 충돌**: 과거에는 마인드셋 정책만 바꾸면 성공이 보장된다는 '만능론 정책'이 유행했으나, 현대 정책은 구조적 한계 정책(Social in[[Equality]])도 엄연히 존재함을 인정하며, 마인드셋 정책을 사회적 지지 정책과 병행해야 한다는 균형 잡힌 시각으로 전환됨(RL Update).
+- **정책 변화(RL Update)**: 이제는 단순 자기계발 정책 용어를 넘어, AI 에이전트 설계 시 에이전트가 실패 데이터 정책을 보고 자신의 정책(Policy)을 어떻게 수정할 것인가를 결정하는 '학습 알고리즘의 유연성 정책' 모델링의 철학적 토대가 됨. ([[Reinforcement Learning (RL)]]와 연결)
## 🔗 지식 연결 (Graph)
- [[Hebbian-Theory]], [[E-Learning-Gamification]], [[Reinforcement Learning (RL)]], Social-Psychology, [[Grit]], Ethics
diff --git a/10_Wiki/Topics/AI/Guilty-Gear-Xrd-Rendering-Pipeline.md b/10_Wiki/Topics/AI/Guilty-Gear-Xrd-Rendering-Pipeline.md
index 02df5f1c..a4ddba3d 100644
--- a/10_Wiki/Topics/AI/Guilty-Gear-Xrd-Rendering-Pipeline.md
+++ b/10_Wiki/Topics/AI/Guilty-Gear-Xrd-Rendering-Pipeline.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AUTO-GGXR-001
+id: [[P-Reinforce]]-AUTO-GGXR-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.95
tags: [auto-reinforced, guilty-gear, rendering, anime-style, cel-shading, real-time-graphics, unreal-engine]
@@ -12,10 +12,10 @@ last_reinforced: 2026-04-20
> "2D를 삼킨 3D의 마법: 단순히 모델링을 예쁘게 하는 것을 넘어, 애니메이터가 한 땀 한 땀 그린 듯한 '어색하지 않은 외곽선'과 '급격한 그림자 변화'를 구현하기 위해 노멀 맵(Normal map)을 수동으로 조작하는 광기에 가까운 장인 정신의 기술 집약체."
## 📖 구조화된 지식 (Synthesized Content)
-길티기어 Xrd 렌더링 파이프라인(Guilty-Gear-Xrd-Rendering-Pipeline)은 Arc System Works가 개발한, 3D 모델을 마치 고품질 2D 셀 애니메이션처럼 보이게 만드는 독보적인 그래픽 기술입니다.
+길티기어 Xrd 렌더링 파이프라인(Guilty-Gear-Xrd-Rendering-Pipeline)은 Arc[[ system]] Works가 개발한, 3D 모델을 마치 고품질 2D 셀 애니메이션처럼 보이게 만드는 독보적인 그래픽 기술입니다.
1. **핵심 기술 (Arc System Works 비법)**:
- * **Manual Normal Tuning**: 조명에 따라 그림자가 지는 방향을 사람이 직접 지정하여 애니메이션 특유의 칼 같은 명암 표현. (Refinement와 연결)
+ * **Manual Normal Tuning**: 조명에 따라 그림자가 지는 방향을 사람이 직접 지정하여 애니메이션 특유의 칼 같은 명암 표현. ([[Refinement]]와 연결)
* **Vertex Color Weighting**: 특정 부위에 그림자가 더 진하게 지게 하거나 외곽선을 굵게 설정.
* **Limited Animation Emulation**: 60프레임 런타임에서도 캐릭터의 움직임 프레임을 고의로 끊어 2D 수작업 느낌 재현.
2. **왜 중요한가?**:
diff --git a/10_Wiki/Topics/AI/HANDOVER.md b/10_Wiki/Topics/AI/HANDOVER.md
index 60881b30..dc77fa4b 100644
--- a/10_Wiki/Topics/AI/HANDOVER.md
+++ b/10_Wiki/Topics/AI/HANDOVER.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-HAND-001
+id: [[P-Reinforce]]-AUTO-HAND-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.98
-tags: [auto-reinforced, handover, knowledge-transfer, project-management, documentation, standard, communication]
+tags: [auto-reinforced, handover, knowledge-transfer, project-[[Management]], documentation, standard, communication]
last_reinforced: 2026-04-20
---
@@ -15,12 +15,12 @@ last_reinforced: 2026-04-20
핸드오버(HANDOVER)는 프로젝트, 시스템 운영, 또는 특정 업무의 책임과 지식을 한 주체에서 다른 주체로 넘겨주는 공식적인 절차입니다.
1. **필수 포함 요소 (Checklist)**:
- * **Context & Goal**: 이 일이 왜 시작되었고 무엇을 달성하려 하는가?
- * **Technical Stack & Debt**: 사용된 기술과 현재 알고 있는 결함/부채 목록. (Technical-Debt와 연결)
+ * **Context & [[goal]]**: 이 일이 왜 시작되었고 무엇을 달성하려 하는가?
+ * **Technical Stack & Debt**: 사용된 기술과 현재 알고 있는 결함/부채 목록. ([[Technical-Debt]]와 연결)
* **Key Contacts**: 문제 발생 시 연락해야 할 유관 부서 및 인물.
- * **SOP & Credentials**: 운영 표준 절차 및 접근 권한 정보. (Standard-Operating-Procedure와 연결)
+ * **SOP & Credentials**: 운영 표준 절차 및 접근 권한 정보. ([[Standard-[[Opera]]ting-Procedure]]와 연결)
2. **왜 중요한가?**:
- * 지식의 파편화 정책(Silo)을 방지하고, 인력 변동 시 발생하는 시스템 리스크 정책과 리러닝 비용 정책을 최소화하기 때문임. (Efficiency와 연결)
+ * 지식의 파편화 정책(Silo)을 방지하고, 인력 변동 시 발생하는 시스템 리스크 정책과 리러닝 비용 정책을 최소화하기 때문임. ([[Efficiency]]와 연결)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거에는 "그냥 파일 몇 개 넘겨주면 된다"는 안일한 정책이었으나, 현대 정책은 실제 시나리오를 함께 수행하는 '워크샵 정책'과 지속적인 질의응답 기간 정책(Shadowing)을 포함한 입체적 인수인계 정책을 지향함(RL Update).
diff --git a/10_Wiki/Topics/AI/HBO-Prestige-Television.md b/10_Wiki/Topics/AI/HBO-Prestige-Television.md
index 2ae83b73..1b12d0a1 100644
--- a/10_Wiki/Topics/AI/HBO-Prestige-Television.md
+++ b/10_Wiki/Topics/AI/HBO-Prestige-Television.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AUTO-HBOT-001
+id: [[P-Reinforce]]-AUTO-HBOT-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.92
tags: [auto-reinforced, hbo, prestige-tv, storytelling, narrative, television-history, cultural-impact]
@@ -16,14 +16,14 @@ HBO 프레스티지 텔레비전(HBO-Prestige-Television)은 1990년대 후반
1. **서사적 특징**:
* **Anti-hero (안티 히어로)**: 도덕적으로 결함이 있지만 매력적인 주인공 (입체적 캐릭터).
- * **Serialized Storytelling**: 회차별 단절이 아닌, 수십 시간에 걸쳐 빌드업되는 거대 서사. (Dramaturgy-Theory와 연결)
+ * **Serialized Storytelling**: 회차별 단절이 아닌, 수십 시간에 걸쳐 빌드업되는 거대 서사. ([[Dramaturgy-Theory]]와 연결)
* **Moral Ambiguity**: 선과 악의 경계가 모호한 현실적 인간 본성 탐구.
2. **왜 중요한가?**:
- * 넷플릭스 등 오늘날 OTT 경쟁의 근간이 되는 '오리지널 고품질 콘텐츠'의 비즈니스 모델과 예술적 형식을 정립했기 때문임. (Strategic-Planning와 연결)
+ * 넷플릭스 등 오늘날 OTT 경쟁의 근간이 되는 '오리지널 고품질 콘텐츠'의 비즈니스 모델과 예술적 형식을 정립했기 때문임. ([[Strategic-Planning]]와 연결)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거 TV 드라마 정책은 광고를 위한 '시간 때우기' 정책이었다면, HBO 정책은 '돈을 내고 소장하고 싶은 작품 정책'으로 가치를 전환함(RL Update).
-- **정책 변화(RL Update)**: 이제는 단순 제작 정책을 넘어, 데이터 분석 정책을 통해 시청자가 이탈하는 지점 정책을 분석하고 최적의 서사 구조 정책을 설계하는 AI 서사 알고리즘 정책과의 협업 단계로 진화 중임. (Experience-Sampling-Method와 연결)
+- **정책 변화(RL Update)**: 이제는 단순 제작 정책을 넘어, 데이터 분석 정책을 통해 시청자가 이탈하는 지점 정책을 분석하고 최적의 서사 구조 정책을 설계하는 AI 서사 알고리즘 정책과의 협업 단계로 진화 중임. ([[Experience-Sampling-Method]]와 연결)
## 🔗 지식 연결 (Graph)
- [[Dramaturgy-Theory]], [[Strategic-Planning]], [[Experience-Sampling-Method]], Communication, User-Experience, Ethics
diff --git a/10_Wiki/Topics/AI/HCI (Human-Computer Interaction).md b/10_Wiki/Topics/AI/HCI (Human-Computer Interaction).md
index 77ebcc02..8624d63b 100644
--- a/10_Wiki/Topics/AI/HCI (Human-Computer Interaction).md
+++ b/10_Wiki/Topics/AI/HCI (Human-Computer Interaction).md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-HCII-001
+id: [[P-Reinforce]]-AUTO-HCII-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.94
-tags: [auto-reinforced, hci, human-computer-interaction, accessibility, usability, design-thinking]
+tags: [auto-reinforced, hci, [[Human-Computer-Interaction]], [[Accessibility]], usability, design-thinking]
last_reinforced: 2026-04-20
---
@@ -16,7 +16,7 @@ last_reinforced: 2026-04-20
1. **3대 고려 요소**:
* **Usefulness**: 시스템이 실제 목표를 달성하는 데 도움이 되는가?
- * **Usability**: 얼마나 배우기 쉽고 사용하기 편리한가? (Efficiency와 연결)
+ * **Usability**: 얼마나 배우기 쉽고 사용하기 편리한가? ([[Efficiency]]와 연결)
* **Experience (UX)**: 사용자가 상호작용 과정에서 느끼는 감정과 만족도. (User Experience (UX)와 연결)
2. **인터페이스의 진화**:
* CLI (명령어) -> GUI (그래픽) -> NUI (Natural User Interface: 음성, 시선, 제스처).
@@ -27,5 +27,5 @@ last_reinforced: 2026-04-20
## 🔗 지식 연결 (Graph)
- User Experience (UX), [[Design-System]], [[Eye-Tracking]], [[Accessibility]], [[Brain-Computer-Interface (BCI)]]
-- **Modern Tech/Tools**: Figma, Eye trackers, Voice assistants (Siri, Alexa), VR/AR headsets.
+- **Modern Tech/Tools**: [[Figma]], Eye trackers, Voice assistants (Siri, Alexa), VR/AR headsets.
---
diff --git a/10_Wiki/Topics/AI/HHH.md b/10_Wiki/Topics/AI/HHH.md
index 1c93b32c..f55a8568 100644
--- a/10_Wiki/Topics/AI/HHH.md
+++ b/10_Wiki/Topics/AI/HHH.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-HHHY-001
+id: [[P-Reinforce]]-AUTO-HHHY-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.95
-tags: [auto-reinforced, hhh, helpful, harmless, honest, ai-alignment, safety, ethics, llm]
+tags: [auto-reinforced, hhh, helpful, harmless, honest, [[AI-Alignment]], safety, ethics, llm]
last_reinforced: 2026-04-20
---
@@ -12,17 +12,17 @@ last_reinforced: 2026-04-20
> "AI의 3대 계율: 인간에게 도움이 되어야 하고(Helpful), 해롭지 않아야 하며(Harmless), 거짓말하지 않고 정직해야 한다(Honest). 복잡한 인공지능이 인류의 가치와 어긋나지 않게 묶어두는 최소한의 도덕적 안전장치."
## 📖 구조화된 지식 (Synthesized Content)
-HHH 가이드라인은 Anthropic 등 주요 AI 연구소에서 AI 모델의 행동을 정렬(Alignment)하기 위해 제시한 핵심 원칙입니다.
+HHH 가이드라인은 Anthropic 등 주요 AI 연구소에서 AI 모델의 행동을 정렬([[Alignment]])하기 위해 제시한 핵심 원칙입니다.
1. **3대 원칙**:
- * **Helpful (유익성)**: 사용자의 의도를 명확히 파악하여 최선의 답 제공. (Reasoning와 연결)
+ * **Helpful (유익성)**: 사용자의 의도를 명확히 파악하여 최선의 답 제공. ([[Reasoning]]와 연결)
* **Harmless (무해성)**: 혐오 표현, 위험 정보 생성, 차별 등 사회적 해악 방지. (Safety와 연결)
* **Honest (낙관적 정직성)**: 모르는 것은 모른다고 말하고, 환각(Hallucination) 없이 사실에 기반함.
2. **왜 중요한가?**:
- * 똑똑한 AI 가 인간을 속이거나 해치는 '목표 오일반화'를 막기 위한 필수적인 정책적 뼈대이기 때문임. (Goal-Misgeneralization와 연결)
+ * 똑똑한 AI 가 인간을 속이거나 해치는 '목표 오일반화'를 막기 위한 필수적인 정책적 뼈대이기 때문임. ([[Goal-Misgeneralization]]와 연결)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
-- **과거 데이터와의 충돌**: 과거에는 단순히 "정답을 맞춰라"는 성능 정책 위주였으나, 현대 정책은 정답보다 '안전 정책'과 '정직 정책'이 우선시되어야 한다는 RLHF(인간 피드백 기반 강화학습) 정책이 표준이 됨(RL Update). (Effective-Altruism-in-AI와 맥락 공유)
+- **과거 데이터와의 충돌**: 과거에는 단순히 "정답을 맞춰라"는 성능 정책 위주였으나, 현대 정책은 정답보다 '안전 정책'과 '정직 정책'이 우선시되어야 한다는 RLHF(인간 피드백 기반 강화학습) 정책이 표준이 됨(RL Update). (Effective-[[Altruism]]-in-AI와 맥락 공유)
- **정책 변화(RL Update)**: 이제는 단순 원칙 정책을 넘어, 세 가지 원칙 정책이 충돌할 때(예: 해로운 질문에 정직하게 답해야 하는가?)의 우선순위 정책과 맥락 정책을 AI 가 스스로 판단하게 하는 '헌법적 AI(Constitutional AI)' 기법으로 발전 중임.
## 🔗 지식 연결 (Graph)
diff --git a/10_Wiki/Topics/AI/HMM.md b/10_Wiki/Topics/AI/HMM.md
index e86c72a6..9eb02ba7 100644
--- a/10_Wiki/Topics/AI/HMM.md
+++ b/10_Wiki/Topics/AI/HMM.md
@@ -2,14 +2,14 @@
id: MATH-HMM-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [statistics, machine-learning, hmm, sequence-modeling, hidden-states]
+tags: [[[Statistics]], machine-learning, hmm, [[Sequence-Modeling]], hidden-[[State]]s]
last_reinforced: 2026-04-26
---
# HMM (Hidden Markov Models, 은닉 마르코프 모델)
## 📌 한 줄 통찰 (The Karpathy Summary)
-> "보이지 않는 진실(Hidden States)을 겉으로 드러난 현상(Observations)을 통해 확률적으로 추론하라" — 관측 가능한 데이터를 바탕으로 직접 볼 수 없는 상태들의 변화 과정을 확률 모델로 설명하는 시계열 데이터 분석의 고전이자 핵심 도구.
+> "보이지 않는 진실(Hidden States)을 겉으로 드러난 현상([[Observation]]s)을 통해 확률적으로 추론하라" — 관측 가능한 데이터를 바탕으로 직접 볼 수 없는 상태들의 변화 과정을 확률 모델로 설명하는 시계열 데이터 분석의 고전이자 핵심 도구.
## 📖 구조화된 지식 (Synthesized Content)
- **추출된 패턴:** "Markov Property" — 미래의 상태는 오직 현재의 상태에 의해서만 결정된다는 가정을 바탕으로, 숨겨진 상태들 사이의 전이 확률(Transition Prob)과 상태별 관측 확률(Emission Prob)을 계산하는 확률 모델링 패턴.
@@ -20,7 +20,7 @@ last_reinforced: 2026-04-26
- **의의:** 음성 인식, 유전자 분석, 필기체 인식 등 딥러닝 이전의 시퀀스 모델링 분야를 지배했으며, 현재도 불완전한 정보 하의 상태 추론에 널리 쓰임.
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
-- **과거 데이터와의 충돌:** RNN/LSTM에 의해 많은 영역이 대체되었으나, 명시적인 상태 전이가 중요한 제어 시스템이나 데이터가 매우 적은 확률 모델링에서는 여전히 강력한 효율성을 발휘함.
+- **과거 데이터와의 충돌:** RNN/[[LSTM]]에 의해 많은 영역이 대체되었으나, 명시적인 상태 전이가 중요한 제어 시스템이나 데이터가 매우 적은 확률 모델링에서는 여전히 강력한 효율성을 발휘함.
- **정책 변화:** Antigravity 프로젝트는 에이전트의 불완전한 센서 데이터나 불규칙한 로그 시퀀스를 바탕으로 시스템의 잠재적 상태(정상/위험/장애 등)를 확률적으로 진단할 때 HMM을 보조적으로 활용함.
## 🔗 지식 연결 (Graph)
diff --git a/10_Wiki/Topics/AI/Habit-Formation.md b/10_Wiki/Topics/AI/Habit-Formation.md
index 0a3b20e7..54e08853 100644
--- a/10_Wiki/Topics/AI/Habit-Formation.md
+++ b/10_Wiki/Topics/AI/Habit-Formation.md
@@ -2,7 +2,7 @@
id: HABIT-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [psychology, neuroscience, behavior-change, productivity]
+tags: [[[Psychology]], neuroscience, [[Behavior]]-change, productivity]
last_reinforced: 2026-04-26
---
@@ -17,12 +17,12 @@ last_reinforced: 2026-04-26
- **Basal Ganglia:** 습관이 저장되는 뇌 부위. 전전두엽의 개입 없이도 행동을 실행하게 함.
- **Implementation Intentions:** "X 상황이 오면 Y를 하겠다"는 구체적 계획이 습관 형성 성공률을 높임.
- **Keystone Habits:** 하나의 작은 습관이 연쇄적으로 다른 긍정적 변화를 일으키는 핵심 습관 (예: 운동, 독서).
- - **Neuroplasticity:** 반복을 통해 시냅스 연결이 강화되는 뇌의 가소성 원리.
+ - **[[Neuroplasticity]]:** 반복을 통해 시냅스 연결이 강화되는 뇌의 가소성 원리.
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌:** 단순히 "21일이면 습관이 된다"는 속설과 달리, 행동의 복잡도에 따라 평균 66일에서 길게는 수개월이 걸릴 수 있음이 현대 심리학에서 증명됨.
- **정책 변화:** Antigravity 에이전트의 사용자 인터랙션 설계 시, 사용자가 매일 지식 가드닝에 참여할 수 있도록 명확한 '신호'와 '보상' 체계를 제공하여 습관화를 유도함.
## 🔗 지식 연결 (Graph)
-- Dopaminergic-Reward-Systems, [[Behavioral-Economics]], [[Psychology]], Productivity
+- [[Dopamine]]rgic-Reward-Systems, [[Behavioral-Economics]], [[Psychology]], Productivity
- **Raw Source:** 10_Wiki/Topics/AI/Habit-Formation.md
diff --git a/10_Wiki/Topics/AI/Hallucination (환각).md b/10_Wiki/Topics/AI/Hallucination (환각).md
index 38116692..2739177e 100644
--- a/10_Wiki/Topics/AI/Hallucination (환각).md
+++ b/10_Wiki/Topics/AI/Hallucination (환각).md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-HALL-001
+id: [[P-Reinforce]]-AUTO-HALL-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.98
-tags: [auto-reinforced, hallucination, llm-issue, ai-safety, fact-checking, alignment]
+tags: [auto-reinforced, hallucination, llm-issue, ai-safety, fact-checking, [[Alignment]]]
last_reinforced: 2026-04-20
---
@@ -16,17 +16,17 @@ last_reinforced: 2026-04-20
1. **왜 발생하는가?**:
* **Probabilistic Nature**: 모델은 실제 진리를 아는 게 아니라 다음 단어가 올 확률만 계산함.
- * **Confabulation**: 부족한 정보를 메우기 위해 뇌가 이야기를 지어내는 인간의 심리 기제와 유사함. (Gestalt Psychology와 연결)
- * **Data Noise**: 학습 데이터 자체의 오류나 모순이 반영됨. (Data Cleaning Algorithms의 필요성)
+ * **Confabulation**: 부족한 정보를 메우기 위해 뇌가 이야기를 지어내는 인간의 심리 기제와 유사함. ([[Gestalt Psychology]]와 연결)
+ * **Data [[Noise]]**: 학습 데이터 자체의 오류나 모순이 반영됨. ([[Data Cleaning Algorithms]]의 필요성)
2. **해결 노력**:
* **RAG (Retrieval-Augmented Generation)**: 답변 전 외부 지식을 검색하여 근거를 제시.
* **Constitutional AI**: "모르면 모른다고 말하라"는 원칙 주입. (Constitutional AI와 연결)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 초기 유저 정책은 AI를 '검색 엔진'처럼 믿었으나, 환각 정책의 실체를 알게 된 현대 정책은 AI의 답변을 반드시 재검증하는 '비판적 수용 정책'으로 변화함(RL Update).
-- **정책 변화(RL Update)**: 환각을 단순한 '제거 대상 정책'이 아닌, 소설 창작이나 아이디어 발굴 같은 '창의적 영역 정책'에서는 유용한 동력으로 활용하는 역발상적 접근 정책도 대두됨. (Computational Creativity와 연결)
+- **정책 변화(RL Update)**: 환각을 단순한 '제거 대상 정책'이 아닌, 소설 창작이나 아이디어 발굴 같은 '창의적 영역 정책'에서는 유용한 동력으로 활용하는 역발상적 접근 정책도 대두됨. ([[Computational Creativity]]와 연결)
## 🔗 지식 연결 (Graph)
- [[Constitutional AI (헌법 AI)]], [[Computational Creativity]], [[Ethics & AI]], [[Self-Correction]], [[Data Cleaning Algorithms]]
-- **Modern Tech/Tools**: RAG, Fact-checkers, Hallucination detection benchmarks (HaluEval).
+- **Modern Tech/Tools**: RAG, Fact-checkers, Hallucination detection [[Benchmarks]] (HaluEval).
---
diff --git a/10_Wiki/Topics/AI/Hallucination-in-LLM.md b/10_Wiki/Topics/AI/Hallucination-in-LLM.md
index d97f39ef..ad6aa418 100644
--- a/10_Wiki/Topics/AI/Hallucination-in-LLM.md
+++ b/10_Wiki/Topics/AI/Hallucination-in-LLM.md
@@ -2,7 +2,7 @@
id: HALLUCINATION-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [ai, llm, safety, alignment, uncertainty]
+tags: [ai, llm, safety, [[Alignment]], uncertainty]
last_reinforced: 2026-04-26
---
@@ -14,18 +14,18 @@ last_reinforced: 2026-04-26
## 📖 구조화된 지식 (Synthesized Content)
- **추출된 패턴:** 다음 토큰의 확률을 예측하는 과정에서, 논리적 개연성보다는 통계적 유사성에 치우쳐 허구의 정보를 생성하는 인공지능의 오류 패턴.
- **발생 원인:**
- - **Training Data Noise:** 학습 데이터 자체에 포함된 잘못된 정보나 모순.
- - **Overfitting:** 특정 문구에 과하게 최적화되어 사실 관계를 왜곡.
+ - **Training Data [[Noise]]:** 학습 데이터 자체에 포함된 잘못된 정보나 모순.
+ - **[[Overfitting]]:** 특정 문구에 과하게 최적화되어 사실 관계를 왜곡.
- **Stochastic Parrot:** 모델이 실제 지식을 이해하는 것이 아니라, 확률적으로 그럴듯한 단어 나열에 집중하기 때문.
- **완화 전략:**
- **Retrieval-Augmented Generation (RAG):** 외부 지식 베이스를 참조하여 답변의 근거 확보.
- - **Self-Correction:** 생성된 답변을 모델 스스로 다시 검증하게 함.
- - **Prompt Engineering:** "모르는 내용은 모른다고 답하라"는 지침 명시.
+ - **[[Self-Correction]]:** 생성된 답변을 모델 스스로 다시 검증하게 함.
+ - **[[prompt]] Engineering:** "모르는 내용은 모른다고 답하라"는 지침 명시.
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌:** 초기에는 해결 불가능한 구조적 결함으로 여겨졌으나, 최근에는 RAG 기술과 RLHF(인간 피드백 기반 강화학습)를 통해 발생 빈도를 획기적으로 낮추고 있음.
- **정책 변화:** Antigravity 프로젝트는 모든 지식 생성 시 RAG를 우선 적용하며, 생성된 문서는 반드시 교차 검증 단계를 거쳐 환각 리스크를 관리함.
## 🔗 지식 연결 (Graph)
-- [[LLM]], [[RAG]], Reinforcement-Learning-from-Human-Feedback, AI-Safety
+- [[LLM]], [[RAG]], [[Reinforcement-Learning]]-from-Human-Feedback, AI-Safety
- **Raw Source:** 10_Wiki/Topics/AI/Hallucination-in-LLM.md
diff --git a/10_Wiki/Topics/AI/Hallucination-in-LLMs.md b/10_Wiki/Topics/AI/Hallucination-in-LLMs.md
index 08a0ed1b..c59ae063 100644
--- a/10_Wiki/Topics/AI/Hallucination-in-LLMs.md
+++ b/10_Wiki/Topics/AI/Hallucination-in-LLMs.md
@@ -14,12 +14,12 @@ last_reinforced: 2026-04-26
## 📖 구조화된 지식 (Synthesized Content)
- **추출된 패턴:** 모델이 확률적으로 가장 높은 다음 토큰을 생성하는 과정에서, 사실 관계(Factuality)보다 문장의 유창함(Fluency)이나 패턴의 유사성에 압도되어 발생하는 정보 왜곡 패턴.
- **주요 원인:**
- - **Data Noise:** 학습 데이터 자체에 잘못된 정보가 포함된 경우.
+ - **Data [[Noise]]:** 학습 데이터 자체에 잘못된 정보가 포함된 경우.
- **Over-smoothing:** 드문 사실보다 흔한 패턴을 우선시하여 일반화하는 경향.
- **Knowledge Cut-off:** 학습 시점 이후의 사건에 대해 추측하여 답변.
- **해결 전략:**
- **RAG (Retrieval-Augmented Generation):** 외부의 신뢰할 수 있는 지식 소스를 검색하여 근거로 제공 (Antigravity의 핵심 전략).
- - **Prompt Engineering:** "모르면 모른다고 답하라"는 명시적 지시 포함.
+ - **[[prompt]] Engineering:** "모르면 모른다고 답하라"는 명시적 지시 포함.
- **Verification Loop:** 생성된 답변을 다른 모델이나 인간이 재검증.
- **의의:** AI 답변의 신뢰도를 결정하는 가장 큰 장벽이며, 이를 통제하는 능력이 실전 AI 성능의 척도가 됨.
@@ -29,4 +29,4 @@ last_reinforced: 2026-04-26
## 🔗 지식 연결 (Graph)
- [[LLM]], [[Reinforcement-Learning-from-Human-Feedback-RLHF]], [[Trustworthy-AI]], Knowledge-Gardening-Protocol
-- **Raw Source:** 10_Wiki/Topics/AI/Hallucination-in-LLMs.md
+- **Raw Source:** 10_Wiki/Topics/AI/[[Hallucination-in-LLM]]s.md
diff --git a/10_Wiki/Topics/AI/Hardware-Acceleration-for-AI.md b/10_Wiki/Topics/AI/Hardware-Acceleration-for-AI.md
index 812b0bc7..8b03c117 100644
--- a/10_Wiki/Topics/AI/Hardware-Acceleration-for-AI.md
+++ b/10_Wiki/Topics/AI/Hardware-Acceleration-for-AI.md
@@ -2,7 +2,7 @@
id: HW-ACCEL-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [hardware, ai-infrastructure, tpu, npu, asic, acceleration]
+tags: [[[Hardware]], ai-infrastructure, tpu, npu, asic, acceleration]
last_reinforced: 2026-04-26
---
@@ -14,19 +14,19 @@ last_reinforced: 2026-04-26
## 📖 구조화된 지식 (Synthesized Content)
- **추출된 패턴:** 딥러닝 연산의 90% 이상을 차지하는 곱셈-누산(MAC) 연산을 저전력으로 초고속 처리하기 위해 연산 유닛을 격자 형태로 배치하는 시스톨릭 어레이(Systolic Array) 아키텍처 패턴.
- **주요 가속기 종류:**
- - **GPU (Graphics Processing Unit):** 수천 개의 코어를 이용한 범용 병렬 처리의 강자.
+ - **GPU (Graphics [[Processing]] Unit):** 수천 개의 코어를 이용한 범용 병렬 처리의 강자.
- **TPU (Tensor Processing Unit):** 구글이 개발한 텐서 연산 특화 ASIC.
- **NPU (Neural Processing Unit):** 모바일 및 엣지 기기에서 저전력 AI 연산에 특화.
- **FPGA:** 회로를 직접 프로그래밍하여 특정 알고리즘에 맞춤화된 성능 제공.
- **핵심 기술:**
- **Mixed Precision:** FP32 대신 FP16, BF16, INT8 등 낮은 정밀도를 사용하여 연산량과 메모리 사용량 절감.
- - **Quantization:** 모델 가중치를 낮은 비트로 변환하여 가속화.
+ - **[[Quantization]]:** 모델 가중치를 낮은 비트로 변환하여 가속화.
- **의의:** 하드웨어의 혁신이 모델의 대형화와 실시간 서빙을 가능케 하는 AI 발전의 물리적 동력.
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌:** 하드웨어는 주어진 것이라는 인식에서 벗어나, 이제는 알고리즘에 맞춰 하드웨어를 설계(HW-SW Co-design)하는 시대로 진화.
-- GPU-Architecture-for-AI 문서와 연계하여, 각 가속기별 최적화 전략의 차이를 명확히 인지해야 함.
+- [[GPU-Architecture]]-for-AI 문서와 연계하여, 각 가속기별 최적화 전략의 차이를 명확히 인지해야 함.
## 🔗 지식 연결 (Graph)
-- GPU-Architecture-for-AI, System-Design-for-AI-Scale, Deep-Learning-Foundations, [[Edge-AI-and-Computing]]
+- GPU-[[Architecture]]-for-AI,[[ system]]-Design-for-AI-Scale, [[Deep-Learning]]-Foundations, [[Edge-AI-and-Computing]]
- **Raw Source:** 10_Wiki/Topics/AI/Hardware-Acceleration-for-AI.md
diff --git a/10_Wiki/Topics/AI/Hardware-Verification.md b/10_Wiki/Topics/AI/Hardware-Verification.md
index 2449e35d..00d45f2c 100644
--- a/10_Wiki/Topics/AI/Hardware-Verification.md
+++ b/10_Wiki/Topics/AI/Hardware-Verification.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-HAVE-001
+id: [[P-Reinforce]]-AUTO-HAVE-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.94
-tags: [auto-reinforced, hardware-verification, formal-verification, simulation, vlsi, chip-design, functional-safety]
+tags: [auto-reinforced, [[Hardware]]-verification, formal-verification, simulation, vlsi, chip-design, functional-safety]
last_reinforced: 2026-04-20
---
@@ -12,20 +12,20 @@ last_reinforced: 2026-04-20
> "물질 이전의 증명: 수조 원의 천문학적 비용이 드는 칩 제조(Tape-out) 전, 설계된 논리 회로가 단 하나의 오차도 없이 의도대로 작동함을 수학적 검증과 수억 번의 시뮬레이션으로 입증하는 결벽증에 가까운 품질 보증."
## 📖 구조화된 지식 (Synthesized Content)
-하드웨어 검증(Hardware-Verification)은 설계된 집적 회로(IC)나 시스템온칩(SoC)이 원래의 사양(Specification)에 맞게 올바르게 동작하는지 확인하는 과정입니다.
+하드웨어 검증(Hardware-Verification)은 설계된 집적 회로(IC)나 시스템온칩(SoC)이 원래의 사양([[Specification]])에 맞게 올바르게 동작하는지 확인하는 과정입니다.
1. **검증 방법론**:
* **Simulation-based Verification**: 입력 벡터를 넣어보고 출력값이 예상과 맞는지 확인 (UVM 프레임워크). (Simulation와 연결)
* **Formal Verification**: 특정 속성(Property)이 모든 가능한 입력 조합에 대해 수학적으로 참임을 증명. (Mathematical-Proof와 맥락)
- * **Emulation/FPGA Prototyping**: 실제 칩과 유사한 속도로 하드웨어를 구동하여 실시간 소프트웨어 테스트 병행.
+ * **Emulation/FPGA [[Prototyping]]**: 실제 칩과 유사한 속도로 하드웨어를 구동하여 실시간 소프트웨어 테스트 병행.
2. **왜 중요한가?**:
- * 하드웨어는 소스 코드 수정처럼 '패치'가 불가능(비용 폭증)하므로, 제조 전 완벽한 무결성 정책 확보가 생존과 직결되기 때문임. (Reliability와 연결)
+ * 하드웨어는 소스 코드 수정처럼 '패치'가 불가능(비용 폭증)하므로, 제조 전 완벽한 무결성 정책 확보가 생존과 직결되기 때문임. ([[Reliability]]와 연결)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
-- **과거 데이터와의 충돌**: 과거에는 사람이 수동으로 테스트 케이스 정책을 짰으나, 현대 정책은 제약 기반 무작위 테스트(CRV) 정책을 통해 도저히 사람이 생각할 수 없는 '코너 케이스 정책(Corner cases)'을 알고리즘이 스스로 찾아내게 함(RL Update). (Constraint-Satisfaction-Problems와 연결)
+- **과거 데이터와의 충돌**: 과거에는 사람이 수동으로 테스트 케이스 정책을 짰으나, 현대 정책은 제약 기반 무작위 테스트(CRV) 정책을 통해 도저히 사람이 생각할 수 없는 '코너 케이스 정책(Corner cases)'을 알고리즘이 스스로 찾아내게 함(RL Update). ([[Constraint-Satisfaction-Problems]]와 연결)
- **정책 변화(RL Update)**: 이제는 AI 가 설계 도면(RTL) 정책을 읽고 버그가 발생할 확률이 높은 지점 정책을 미리 예측하거나, 검증용 테스트 코드를 자동으로 생성하는 'AI-Driven EDA' 시대가 열림.
## 🔗 지식 연결 (Graph)
-- Simulation, [[Reliability]], [[Constraint-Satisfaction-Problems]], [[Quality-Control]], [[Technical-Architecture]], [[Standard-Operating-Procedure]]
+- Simulation, [[Reliability]], [[Constraint-Satisfaction-Problems]], [[Quality-Control]], [[Technical-Architecture]], [[Standard-[[Opera]]ting-Procedure]]
- **Key Standard**: Universal Verification Methodology (UVM).
---
diff --git a/10_Wiki/Topics/AI/Hardware.md b/10_Wiki/Topics/AI/Hardware.md
index adc74531..410256cf 100644
--- a/10_Wiki/Topics/AI/Hardware.md
+++ b/10_Wiki/Topics/AI/Hardware.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-HARD-001
+id: [[P-Reinforce]]-AUTO-HARD-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.97
-tags: [auto-reinforced, hardware, semiconductor, gpu, npu, computer-architecture]
+tags: [auto-reinforced, hardware, semiconductor, gpu, npu, computer-[[Architecture]]]
last_reinforced: 2026-04-20
---
@@ -15,9 +15,9 @@ last_reinforced: 2026-04-20
하드웨어(Hardware)는 컴퓨터 시스템을 구성하는 물리적인 장치들을 의미합니다. 현대 AI의 비약적 발전은 하드웨어 혁신 없이는 불가능했습니다.
1. **AI 시대의 핵심 부품**:
- * **GPU (Graphic Processing Unit)**: 수만 개의 코어를 이용한 대규모 병렬 연산 특화. (DQN, Gradient-Descent의 가속기)
- * **NPU (Neural Processing Unit)**: AI 연산만을 위해 최적화된 칩. (Efficiency 극대화)
- * **HBM (High Bandwidth Memory)**: 데이터가 병목 없이 칩 사이를 흐르게 돕는 고대역폭 메모리. (Bottlenecks 해결)
+ * **GPU (Graphic [[Processing]] Unit)**: 수만 개의 코어를 이용한 대규모 병렬 연산 특화. (DQN, [[Gradient-Descent]]의 가속기)
+ * **NPU (Neural Processing Unit)**: AI 연산만을 위해 최적화된 칩. ([[Efficiency]] 극대화)
+ * **HBM (High Bandwidth [[memory]])**: 데이터가 병목 없이 칩 사이를 흐르게 돕는 고대역폭 메모리. ([[Bottlenecks]] 해결)
2. **왜 중요한가?**:
* 하드웨어의 성능(Compute)이 곧 AI 모델의 지모(Scale)와 성능을 결정하는 물리적 한계이기 때문임. (Scaling-Laws와 연결)
diff --git a/10_Wiki/Topics/AI/Hash-Functions-and-Maps.md b/10_Wiki/Topics/AI/Hash-Functions-and-Maps.md
index 5102f691..75352a34 100644
--- a/10_Wiki/Topics/AI/Hash-Functions-and-Maps.md
+++ b/10_Wiki/Topics/AI/Hash-Functions-and-Maps.md
@@ -2,7 +2,7 @@
id: CS-HASH-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [computer-science, data-structures, hash-function, hash-map, search-efficiency]
+tags: [computer-science, data-structures, hash-function, hash-map, [[Search]]-[[Efficiency]]]
last_reinforced: 2026-04-26
---
@@ -15,7 +15,7 @@ last_reinforced: 2026-04-26
- **추출된 패턴:** "Key-Value" 쌍으로 정보를 저장하고, 키값에 해시 함수를 적용하여 저장 위치를 즉각 결정함으로써 탐색 범위를 원천적으로 배제하는 매핑 패턴.
- **핵심 요소:**
- **Hash Function:** 입력 데이터를 고르게 분산된 숫자로 변환하는 결정론적 함수.
- - **Collision Resolution:** 서로 다른 키가 같은 해시값을 가질 때의 해결책 (Chaining, Open Addressing).
+ - **Collision Re[[Solution]]:** 서로 다른 키가 같은 해시값을 가질 때의 해결책 (Chaining, Open Addressing).
- **Load Factor:** 해시 테이블의 채워진 정도에 따라 성능이 결정되므로 적절한 리사이징(Resizing) 필요.
- **의의:** 캐시 시스템, 데이터베이스 인덱싱, 암호화, 중복 체크 등 현대 모든 고성능 소프트웨어 아키텍처의 필수 구성 요소.
@@ -24,5 +24,5 @@ last_reinforced: 2026-04-26
- **정책 변화:** Antigravity 프로젝트는 수백만 개의 지식 임베딩 ID를 관리하고 중복 문서를 빠르게 필터링하기 위해 고성능 해시 맵 아키텍처를 적극 활용함.
## 🔗 지식 연결 (Graph)
-- Data-Structures-Foundations, Search-Algorithms, [[Distributed-Computing]], System-Design-for-AI-Scale
+- Data-Structures-Foundations, Search-Algorithms, [[Distributed-Computing]],[[ system]]-Design-for-AI-Scale
- **Raw Source:** 10_Wiki/Topics/AI/Hash-Functions-and-Maps.md
diff --git a/10_Wiki/Topics/AI/Health-Informatics.md b/10_Wiki/Topics/AI/Health-Informatics.md
index 3fe59535..f8b75d70 100644
--- a/10_Wiki/Topics/AI/Health-Informatics.md
+++ b/10_Wiki/Topics/AI/Health-Informatics.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-HEIN-001
+id: [[P-Reinforce]]-AUTO-HEIN-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.95
-tags: [auto-reinforced, health-informatics, mhealth, telemedicine, electronic-health-records, clinical-decision-support, data-science]
+tags: [auto-reinforced, health-informatics, mhealth, telemedicine, [[Electron]]ic-health-records, clinical-decision-[[Support]], data-science]
last_reinforced: 2026-04-20
---
@@ -17,13 +17,13 @@ last_reinforced: 2026-04-20
1. **3대 핵심 영역**:
* **Clinical Informatics**: 의사의 의사결정을 돕는 CDSS(임상 의사결정 지원 시스템). (Decision-Making와 연결)
* **Consumer Health Informatics (mHealth)**: 개인이 직접 앱이나 웨어러블로 건강 관리.
- * **Public Health Informatics**: 질병 확산 트래픽 모니터링 및 방역 전략 수립. (Epidemiological-Modeling와 연결)
+ * **Public Health Informatics**: 질병 확산 트래픽 모니터링 및 방역 전략 수립. ([[Epidemio[[Logic]]al-Modeling]]와 연결)
2. **왜 중요한가?**:
- * 인구 고령화 시대에 의료 자원 정책의 효율성 정책을 극대화하고 오진 확률 정책을 낮추는 유일한 기술적 해법이기 때문임. (Sustainability와 연결)
+ * 인구 고령화 시대에 의료 자원 정책의 효율성 정책을 극대화하고 오진 확률 정책을 낮추는 유일한 기술적 해법이기 때문임. ([[Sustainability]]와 연결)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
-- **과거 데이터와의 충돌**: 과거에는 단순히 종이 문서를 디지털화(EHR) 정책하는 데 급급했으나, 현대 정책은 흩어진 데이터들 간의 상호 운용성(Interoperability, HL7 FHIR) 정책 확보와 AI 분석 정책이 중심임(RL Update).
-- **정책 변화(RL Update)**: 이제는 병원 데이터 정책을 넘어, 일상의 라이프로그 정책(걸음 수, 수면, 식단)을 AI 가 실시간으로 분석하여 발병 전 경고를 보내는 '예방 의료 정책'으로 패러다임이 이동 중임. (Geriatric-Medicine와 연결)
+- **과거 데이터와의 충돌**: 과거에는 단순히 종이 문서를 디지털화(EHR) 정책하는 데 급급했으나, 현대 정책은 흩어진 데이터들 간의 상호 운용성([[Inter[[Opera]]bility]], HL7 FHIR) 정책 확보와 AI 분석 정책이 중심임(RL Update).
+- **정책 변화(RL Update)**: 이제는 병원 데이터 정책을 넘어, 일상의 라이프로그 정책(걸음 수, 수면, 식단)을 AI 가 실시간으로 분석하여 발병 전 경고를 보내는 '예방 의료 정책'으로 패러다임이 이동 중임. ([[Geriatric-Medicine]]와 연결)
## 🔗 지식 연결 (Graph)
- Decision-Making, [[Epidemiological-Modeling]], [[Sustainability]], [[Geriatric-Medicine]], [[Ensuring-Data-Privacy]], Bio-Informatics
diff --git a/10_Wiki/Topics/AI/Hebbian-Learning.md b/10_Wiki/Topics/AI/Hebbian-Learning.md
index 5ce8a248..eeeb58d0 100644
--- a/10_Wiki/Topics/AI/Hebbian-Learning.md
+++ b/10_Wiki/Topics/AI/Hebbian-Learning.md
@@ -17,12 +17,12 @@ last_reinforced: 2026-04-26
- **Synaptic Plasticity:** 경험에 의해 뇌의 연결 구조가 변하는 가소성의 핵심 기제.
- **Unsupervised Learning:** 정답(Label) 없이도 데이터 내부의 패턴과 상관관계를 찾아내는 초기 인공신경망의 모태.
- **Long-Term Potentiation (LTP):** 시냅스 연결이 장기적으로 강화되는 현상에 대한 생화학적 설명 제공.
- - **Modern AI Link:** 오차 역전파(Backpropagation)와는 대조적으로, 국소적인 정보만으로 학습하는 생물학적 타당성(Biological Plausibility) 연구의 기초.
+ - **Modern AI Link:** 오차 역전파([[Backpropagation]])와는 대조적으로, 국소적인 정보만으로 학습하는 생물학적 타당성(Bio[[Logic]]al Plausibility) 연구의 기초.
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌:** 초기에는 무한정 강화되는 단순 모델이었으나, 현대에는 연결이 약화되는 'Anti-Hebbian Learning' 및 'Long-Term Depression(LTD)'과 균형을 이루는 복합 모델로 발전.
- **정책 변화:** Antigravity 프로젝트의 '기억 연결 엔진'은 특정 주제들이 동시에 자주 언급될 때 문서 간의 가중치를 자동으로 높이는 헵의 법칙 원리를 응용함.
## 🔗 지식 연결 (Graph)
-- Synaptic-Plasticity, Unsupervised-Learning, Artificial-Neural-Networks, Spiking-Neural-Networks
+- Synaptic-Plasticity, Un[[Supervised-Learning]], Artificial-Neural-Networks, Spiking-Neural-Networks
- **Raw Source:** 10_Wiki/Topics/AI/Hebbian-Learning.md
diff --git a/10_Wiki/Topics/AI/Hebbian-Theory.md b/10_Wiki/Topics/AI/Hebbian-Theory.md
index 00c1df00..fc10379f 100644
--- a/10_Wiki/Topics/AI/Hebbian-Theory.md
+++ b/10_Wiki/Topics/AI/Hebbian-Theory.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-HETH-001
+id: [[P-Reinforce]]-AUTO-HETH-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.96
-tags: [auto-reinforced, hebbian-theory, neuroplasticity, synaptic-plasticity, neuroscience, learning, biological-intelligence]
+tags: [auto-reinforced, hebbian-theory, [[Neuroplasticity]], synaptic-plasticity, neuroscience, learning, [[Bio[[Logic]]al-Intelligence]]]
last_reinforced: 2026-04-20
---
@@ -16,13 +16,13 @@ last_reinforced: 2026-04-20
1. **기본 원리**:
* **Synaptic Strengthening**: A 세포가 B 세포를 반복적으로 흥분시키면, 두 세포 간의 연결 효율 정책이 증가하여 기억이 형성됨.
- * **Long-Term Potentiation (LTP)**: 이 법칙의 생물학적 발현인 장기 강화 현상. (Growth-Mindset-Intervention와 연결)
+ * **Long-Term Potentiation (LTP)**: 이 법칙의 생물학적 발현인 장기 강화 현상. ([[Growth-Mindset-Intervention]]와 연결)
2. **왜 중요한가?**:
* 인간의 학습 정책을 설명하는 가장 강력한 모델이자, 인공 신경망(Neural Networks)의 가중치 업데이트 방식 정책에 영감을 준 철학적 토대이기 때문임. (Deep Learning (DL)와 연결)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거에는 뇌가 성인이 되면 고착 정책된다고 믿었으나, 헵의 이론 정책을 기반으로 한 현대 뇌과학 정책은 끊임없는 시도 정책과 자극 정책을 통해 신경망 정책이 전 생애에 걸쳐 재구성 정책(Neuroplasticity)될 수 있음을 증명함(RL Update).
-- **정책 변화(RL Update)**: 이제는 단순 시냅스 강화 정책을 넘어, 잘못된 연결 정책을 끊어내는 '시냅스 가지치기(Pruning)' 정책과 연계하여 지능의 최적화 정책을 연구하는 방향으로 진화 중임. (High-Cohesion-Low-Coupling와 비유적 연결)
+- **정책 변화(RL Update)**: 이제는 단순 시냅스 강화 정책을 넘어, 잘못된 연결 정책을 끊어내는 '시냅스 가지치기(Pruning)' 정책과 연계하여 지능의 최적화 정책을 연구하는 방향으로 진화 중임. ([[High-Cohesion-Low-Coupling]]와 비유적 연결)
## 🔗 지식 연결 (Graph)
- [[Growth-Mindset-Intervention]], Deep Learning (DL), [[High-Cohesion-Low-Coupling]], [[Biological-Intelligence]], [[Growth-Mindset]], [[Refinement]]
diff --git a/10_Wiki/Topics/AI/Heuristic-Search.md b/10_Wiki/Topics/AI/Heuristic-Search.md
index 59952491..fdd5a67b 100644
--- a/10_Wiki/Topics/AI/Heuristic-Search.md
+++ b/10_Wiki/Topics/AI/Heuristic-Search.md
@@ -2,7 +2,7 @@
id: CS-HEUR-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [ai, algorithms, search-algorithms, heuristic, a-star, pathfinding]
+tags: [ai, algorithms, [[Search]]-algorithms, heuristic, a-star, pathfinding]
last_reinforced: 2026-04-26
---
@@ -24,5 +24,5 @@ last_reinforced: 2026-04-26
- **정책 변화:** Skybound 프로젝트의 적 함대 경로 탐색 알고리즘은 장애물 회피를 위해 최적화된 A* 휴리스틱을 사용하여 실시간 프레임 저하 없이 복잡한 지형을 기동함.
## 🔗 지식 연결 (Graph)
-- Search-Algorithms, [[Greedy-Algorithms]], A-Star-Algorithm-Optimizations, Decision-Trees-and-Random-Forests
+- Search-Algorithms, [[Greedy-Algorithms]], A-Star-Algorithm-[[Optimization]]s, Decision-Trees-and-Random-Forests
- **Raw Source:** 10_Wiki/Topics/AI/Heuristic-Search.md
diff --git a/10_Wiki/Topics/AI/Heuristics.md b/10_Wiki/Topics/AI/Heuristics.md
index 75d196d5..f569c677 100644
--- a/10_Wiki/Topics/AI/Heuristics.md
+++ b/10_Wiki/Topics/AI/Heuristics.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-HEUR-001
+id: [[P-Reinforce]]-AUTO-HEUR-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.96
-tags: [auto-reinforced, heuristics, problem-solving, cognitive-shortcuts, strategy, rule-of-thumb]
+tags: [auto-reinforced, heuristics, [[Problem-Solving]], cognitive-shortcuts, [[Strategy]], rule-of-thumb]
last_reinforced: 2026-04-20
---
@@ -15,15 +15,15 @@ last_reinforced: 2026-04-20
휴리스틱(Heuristics)은 의사결정 시 완벽한 논리보다는 실용적인 방법으로 접근하는 문제 해결 방식입니다.
1. **양면성**:
- * **Efficiency**: 연산량을 극적으로 줄여 신속한 판단 가능. (Search-Optimization과 연결)
- * **Bias Risk**: 지름길이기에 가끔 엉뚱한 길로 인도함. (Cognitive Biases 유발)
+ * **[[Efficiency]]**: 연산량을 극적으로 줄여 신속한 판단 가능. ([[Search]]-[[Optimization]]과 연결)
+ * **Bias Risk**: 지름길이기에 가끔 엉뚱한 길로 인도함. ([[Cognitive Biases]] 유발)
2. **분야별 사례**:
* **Search**: A* 알고리즘에서 남은 거리를 '직선거리'로 가정하는 것.
* **Daily Life**: 인지도가 높은 브랜드가 질도 좋을 것이라 믿는 것.
* **Expertise**: 숙련된 의사가 증상만 보고 빠르게 병명을 추측하는 '직관'.
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
-- **과거 데이터와의 충돌**: 과거 과학 정책은 휴리스틱을 '불완전한 오류 정책'으로 폄하했으나, 현대 정책은 복잡한 세상에서 살아남기 위한 지능체의 가장 강력한 '적응적 도구 정책'으로 재평가함(RL Update). (Bounded-Rationality와 연결)
+- **과거 데이터와의 충돌**: 과거 과학 정책은 휴리스틱을 '불완전한 오류 정책'으로 폄하했으나, 현대 정책은 복잡한 세상에서 살아남기 위한 지능체의 가장 강력한 '적응적 도구 정책'으로 재평가함(RL Update). ([[Bounded-Rationality]]와 연결)
- **정책 변화(RL Update)**: AI 모델 학습 정책에서, 인간의 휴리스틱을 모방하는 것을 넘어 AI가 직접 데이터 속에서 '새로운 최적 휴리스틱 정책'을 발견하여 복잡한 난제를 해결하는 단계로 진입함.
## 🔗 지식 연결 (Graph)
diff --git a/10_Wiki/Topics/AI/Hierarchical-Task-Network (HTN).md b/10_Wiki/Topics/AI/Hierarchical-Task-Network (HTN).md
index 79e67627..a4c20392 100644
--- a/10_Wiki/Topics/AI/Hierarchical-Task-Network (HTN).md
+++ b/10_Wiki/Topics/AI/Hierarchical-Task-Network (HTN).md
@@ -2,7 +2,7 @@
id: HTN-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [game-ai, ai-planning, game-design, behavior-systems]
+tags: [game-ai, ai-planning, game-design, [[Behavior]]-systems]
last_reinforced: 2026-04-26
---
@@ -14,7 +14,7 @@ last_reinforced: 2026-04-26
## 📖 구조화된 지식 (Synthesized Content)
- **추출된 패턴:** 상위 수준의 추상적 목표(Compound Task)를 조건에 따라 하위 작업(Primitive Task)으로 구체화(Decomposition)해 나가는 하향식(Top-down) 계획 패턴.
- **세부 내용:**
- - **Methods:** 복합 태스크를 수행하는 다양한 방법들의 집합. 현재 월드 상태(World State)에 맞는 최적의 방법을 선택.
+ - **Methods:** 복합 태스크를 수행하는 다양한 방법들의 집합. 현재 월드 상태(World [[State]])에 맞는 최적의 방법을 선택.
- **Sensors & World State:** 주변 환경 정보를 수치화하여 계획 수립의 근거로 활용.
- **Backtracking:** 선택한 경로가 목표 달성에 실패할 경우, 이전 단계로 돌아가 다른 'Method'를 시도.
- **Real-time Performance:** GOAP에 비해 전체 탐색 공간이 계층적으로 제한되므로, 매우 복잡한 행동 체계에서도 빠른 연산 속도 유지.
diff --git a/10_Wiki/Topics/AI/High-Availability-Systems.md b/10_Wiki/Topics/AI/High-Availability-Systems.md
index 62113c75..0490d28a 100644
--- a/10_Wiki/Topics/AI/High-Availability-Systems.md
+++ b/10_Wiki/Topics/AI/High-Availability-Systems.md
@@ -2,7 +2,7 @@
id: SYS-HA-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [infrastructure, high-availability, cloud-computing, reliability, system-architecture]
+tags: [infrastructure, high-availability, cloud-computing, [[Reliability]],[[ system]]-[[Architecture]]]
last_reinforced: 2026-04-26
---
@@ -12,18 +12,18 @@ last_reinforced: 2026-04-26
> "장애는 반드시 일어난다는 가정 하에, 시스템의 어느 한 곳이 무너져도 서비스가 멈추지 않는 '불사신' 아키텍처를 설계하라" — 시스템의 구성 요소들을 이중화(Redundancy)하고 장애를 자동으로 감지 및 복구하여, 사용자가 체감하는 서비스 중단 시간을 최소화(99.99% 이상)하는 기술 체계.
## 📖 구조화된 지식 (Synthesized Content)
-- **추출된 패턴:** 단일 장애점(Single Point of Failure, SPOF)을 철저히 제거하고, 부하 분산(Load Balancing)과 복제(Replication)를 통해 자원을 분산 배치하여 장애 전파를 차단하는 격리 및 복구 패턴.
+- **추출된 패턴:** 단일 장애점(Single Point of Failure, [[SPOF]])을 철저히 제거하고, 부하 분산(Load Balancing)과 복제(Replication)를 통해 자원을 분산 배치하여 장애 전파를 차단하는 격리 및 복구 패턴.
- **핵심 요소:**
- **Redundancy:** 모든 핵심 서버와 데이터베이스를 2개 이상으로 운영 (Active-Active, Active-Standby).
- **Load Balancing:** 트래픽을 여러 노드에 고르게 분산시켜 과부하 방지.
- **Failover:** 장애 발생 시 즉시 정상적인 노드로 서비스를 전환.
- **Health Check:** 각 노드의 상태를 주기적으로 감지하여 가용 자원에서 제외/포함 결정.
-- **의의:** 비즈니스 연속성(Business Continuity)을 보장하고 서비스 신뢰도를 높여, 대규모 사용자 기반의 플랫폼 운영에 필수적인 토대 제공.
+- **의의:** 비즈니스 연속성([[business]] Continuity)을 보장하고 서비스 신뢰도를 높여, 대규모 사용자 기반의 플랫폼 운영에 필수적인 토대 제공.
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌:** 단순히 성능이 좋은 서버 하나를 쓰는 것보다, 평범한 여러 서버를 유기적으로 연결하는 것이 비용 대비 가용성 면에서 압도적임을 클라우드 시대를 통해 증명.
- **정책 변화:** Antigravity 프로젝트의 클라우드 브레인 인프라는 다중 리전(Multi-region) 배치를 통해 자연재해급 장애 상황에서도 지식 검색 서비스가 중단되지 않도록 고가용성 설계를 적용함.
## 🔗 지식 연결 (Graph)
-- System-Design-for-AI-Scale, [[Distributed-Computing]], [[Hybrid-Cloud-Architectures]], Fault-Tolerance-and-Resilience
+- System-Design-for-AI-Scale, [[Distributed-Computing]], [[Hybrid-Cloud-Architectures]], [[Fault-Tolerance]]-and-[[Resilience]]
- **Raw Source:** 10_Wiki/Topics/AI/High-Availability-Systems.md
diff --git a/10_Wiki/Topics/AI/High-Cohesion-Low-Coupling.md b/10_Wiki/Topics/AI/High-Cohesion-Low-Coupling.md
index d7dff8cb..36af47c9 100644
--- a/10_Wiki/Topics/AI/High-Cohesion-Low-Coupling.md
+++ b/10_Wiki/Topics/AI/High-Cohesion-Low-Coupling.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-HCLC-001
+id: [[P-Reinforce]]-AUTO-HCLC-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.98
-tags: [auto-reinforced, software-craftsmanship, modularity, architecture, cohesion, coupling, design-patterns]
+tags: [auto-reinforced, software-craftsmanship, [[Modularity]], [[Architecture]], cohesion, coupling, design-patterns]
last_reinforced: 2026-04-20
---
@@ -15,11 +15,11 @@ last_reinforced: 2026-04-20
고응집 저결합(High-Cohesion-Low-Coupling)은 소프트웨어 설계의 품질을 결정하는 가장 고전적이면서 강력한 원칙입니다.
1. **High Cohesion (고응집)**:
- * 모듈 내부의 요소들이 하나의 책임(Single Responsibility)을 위해 얼마나 밀접하게 협력하는가. (DDD-Type-Safety와 연결)
+ * 모듈 내부의 요소들이 하나의 책임(Single Responsibility)을 위해 얼마나 밀접하게 협력하는가. ([[DDD-Type-Safety]]와 연결)
* **장점**: 가독성 향상, 재사용성 증가.
2. **Low Coupling (저결합)**:
* 서로 다른 모듈 간의 의존성 강도.
- * **장점**: 한 곳의 변경 정책이 다른 곳에 미치는 영향 정책 최소화 (Side-effect 방지). (Reliability와 연결)
+ * **장점**: 한 곳의 변경 정책이 다른 곳에 미치는 영향 정책 최소화 (Side-effect 방지). ([[Reliability]]와 연결)
3. **왜 중요한가?**:
* 복잡한 시스템 정책의 유지보수 비용 정책을 결정하며, 대규모 팀 협업 시 코드 충돌 정책을 방지하는 구조적 방패이기 때문임. (Modularity와 연결)
@@ -28,6 +28,6 @@ last_reinforced: 2026-04-20
- **정책 변화(RL Update)**: 이제는 단순 코드 설계 정책을 넘어, 조직 구조 정책까지도 소프트웨어 아키텍처 정책과 일치시켜야 한다는 'Conway's Law'를 기반으로 팀 빌딩 정책에도 이 원칙 정책이 적용됨.
## 🔗 지식 연결 (Graph)
-- [[DDD-Type-Safety]], [[Reliability]], [[Modularity]], [[Technical-Architecture]], [[Standard-Operating-Procedure]], Clean-Code
-- **Key Principle**: SOLID Principles.
+- [[DDD-Type-Safety]], [[Reliability]], [[Modularity]], [[Technical-Architecture]], [[Standard-[[Opera]]ting-Procedure]], Clean-Code
+- **Key Principle**: SOLID [[Principles]].
---
diff --git a/10_Wiki/Topics/AI/High-Frequency-Trading-Models.md b/10_Wiki/Topics/AI/High-Frequency-Trading-Models.md
index 94d2147f..4ca6bc45 100644
--- a/10_Wiki/Topics/AI/High-Frequency-Trading-Models.md
+++ b/10_Wiki/Topics/AI/High-Frequency-Trading-Models.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AUTO-HFTM-001
+id: [[P-Reinforce]]-AUTO-HFTM-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.94
tags: [auto-reinforced, hft, trading-models, finance, algorithm, latency, arbitrage, market-making]
@@ -17,14 +17,14 @@ last_reinforced: 2026-04-20
1. **주요 전략**:
* **Market Making**: 매수와 매도 호가를 동시에 제시하여 스프레드 이익 취득.
* **Statistical Arbitrage**: 서로 연관된 자산 간의 일시적 가격 괴리 이용.
- * **Momentum Ignition**: 대량 주문으로 가격 변동을 유도하고 추세 추종. (Refinement와 연결)
+ * **Momentum Ignition**: 대량 주문으로 가격 변동을 유도하고 추세 추종. ([[Refinement]]와 연결)
2. **핵심 기술**:
- * **Low Latency**: 서버 거래소 내부 배치(Co-location), FPGA 기반 하드웨어 가속. (Efficiency와 연결)
+ * **Low Latency**: 서버 거래소 내부 배치(Co-location), FPGA 기반 하드웨어 가속. ([[Efficiency]]와 연결)
* **Predictive Modeling**: 뉴스나 호가창 데이터를 실시간 분석하여 다음 가격 예측.
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거에는 정보의 불균형 정책을 이용한 단순 매매 정책 위주였으나, 현대 정책은 AI 모델 정책(Deep Learning) 정책을 이식하여 수만 개의 미세 신호 정책을 동시에 학습 정책하고 실시간으로 전략 정책을 수정하는 지능형 HFT 로 진화함(RL Update).
-- **정책 변화(RL Update)**: 시장의 유동성 정책을 공급한다는 순기능 정책 이면에, '플래시 크래시(Flash crash) 정책' 같은 시스템 리스크 정책 유발 가능성 정책이 제기되면서, 각국 거래소는 HFT 에 대한 강력한 서킷 브레이커 정책 및 감시 정책을 강화하는 정책적 대응 중임. (Stability와 연결)
+- **정책 변화(RL Update)**: 시장의 유동성 정책을 공급한다는 순기능 정책 이면에, '플래시 크래시(Flash crash) 정책' 같은 시스템 리스크 정책 유발 가능성 정책이 제기되면서, 각국 거래소는 HFT 에 대한 강력한 서킷 브레이커 정책 및 감시 정책을 강화하는 정책적 대응 중임. ([[Stability]]와 연결)
## 🔗 지식 연결 (Graph)
- [[Refinement]], [[Efficiency]], [[Stability]], [[Distributed-System-Type-Safety]], [[Complexity-Theory]], [[Reinforcement Learning (RL)]]
diff --git a/10_Wiki/Topics/AI/High-Performance Computing (HPC).md b/10_Wiki/Topics/AI/High-Performance Computing (HPC).md
index 72895738..a2b5704a 100644
--- a/10_Wiki/Topics/AI/High-Performance Computing (HPC).md
+++ b/10_Wiki/Topics/AI/High-Performance Computing (HPC).md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-HPCO-001
+id: [[P-Reinforce]]-AUTO-HPCO-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.97
-tags: [auto-reinforced, hpc, high-performance-computing, supercomputing, parallel-processing, cluster]
+tags: [auto-reinforced, hpc, high-performance-computing, supercomputing, [[Parallel-Processing]], cluster]
last_reinforced: 2026-04-20
---
@@ -16,10 +16,10 @@ last_reinforced: 2026-04-20
1. **3대 구성 요소**:
* **Compute (Nodes)**: 수천 개의 CPU/GPU 코어의 집합.
- * **Network (Interconnect)**: 노드 간 데이터를 빛의 속도로 주고받는 인피니밴드(Infiniband) 등 초저지연 통신. (Distributed-Systems와 연결)
- * **Storage**: 페타바이트급 데이터를 안전하고 빠르게 읽고 쓰는 병렬 파일 시스템.
+ * **Network (Interconnect)**: 노드 간 데이터를 빛의 속도로 주고받는 인피니밴드(Infiniband) 등 초저지연 통신. ([[Distributed-Systems]]와 연결)
+ * **[[Storage]]**: 페타바이트급 데이터를 안전하고 빠르게 읽고 쓰는 병렬 파일 시스템.
2. **왜 중요한가?**:
- * 기상 예측, 신약 설계, 그리고 무엇보다 **거대 언어 모델(LLM)의 학습**에 필수적인 물리적 인프라임. (Foundation-Models의 산실)
+ * 기상 예측, 신약 설계, 그리고 무엇보다 **거대 언어 모델(LLM)의 학습**에 필수적인 물리적 인프라임. ([[Foundation-Models]]의 산실)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거에는 전용 슈퍼컴퓨터실만 가진 연구소의 전유물이었으나(On-premise 정책), 현대 정책은 클라우드에서 누구나 필요한 만큼 빌려 쓰는 'HPC as a Service 정책'으로 대중화됨(RL Update).
diff --git a/10_Wiki/Topics/AI/High-Performance-Coaching.md b/10_Wiki/Topics/AI/High-Performance-Coaching.md
index 7f8debc9..13a61912 100644
--- a/10_Wiki/Topics/AI/High-Performance-Coaching.md
+++ b/10_Wiki/Topics/AI/High-Performance-Coaching.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-HPCO-001
+id: [[P-Reinforce]]-AUTO-HPCO-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.95
-tags: [auto-reinforced, coaching, high-performance, leadership, development, feedback, psychological-safety]
+tags: [auto-reinforced, coaching, high-performance, [[Leadership]], development, feedback, psycho[[Logic]]al-safety]
last_reinforced: 2026-04-20
---
@@ -15,11 +15,11 @@ last_reinforced: 2026-04-20
고성과 코칭(High-Performance-Coaching)은 개인이나 팀이 자신의 역량을 극대화하여 목표를 달성할 수 있도록 돕는 전문적인 과정입니다.
1. **3대 프로세스**:
- * **Self-Awareness**: 자신의 강점과 약점을 객관적인 데이터로 인지. (Experience-Sampling-Method와 연결)
- * **Goal Setting (SMART)**: 막연한 희망이 아닌, 측정 가능한 구체적인 목표 설정.
- * **Accountability**: 약속한 행동을 지키도록 모니터링하고 피드백 루프 지속. (Standard-Operating-Procedure와 연결)
+ * **Self-Awareness**: 자신의 강점과 약점을 객관적인 데이터로 인지. ([[Experience-Sampling-Method]]와 연결)
+ * **[[goal]] Setting (SMART)**: 막연한 희망이 아닌, 측정 가능한 구체적인 목표 설정.
+ * **Accountability**: 약속한 행동을 지키도록 모니터링하고 피드백 루프 지속. ([[Standard-[[Opera]]ting-Procedure]]와 연결)
2. **왜 중요한가?**:
- * 단순 기술 습득 정책을 넘어, '멘탈 모델 정책' 자체를 성장 마인드셋 정책으로 전환하여 지속성 정책(Grit) 정책을 만들어내기 때문임. (Growth-Mindset와 연결)
+ * 단순 기술 습득 정책을 넘어, '멘탈 모델 정책' 자체를 성장 마인드셋 정책으로 전환하여 지속성 정책([[Grit]]) 정책을 만들어내기 때문임. ([[Growth-Mindset]]와 연결)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거에는 카리스마 넘치는 리더의 일방적 지시 정책(Directing)이 주였으나, 현대 정책은 대상자의 내적 동기 정책을 끌어내는 '파트너십 정책' 중심의 코칭 정책이 훨씬 더 높은 몰입 정책과 결과 정책을 만들어냄을 증명함(RL Update).
diff --git a/10_Wiki/Topics/AI/High-Performance-Organizations.md b/10_Wiki/Topics/AI/High-Performance-Organizations.md
index 1f443999..bd5710fb 100644
--- a/10_Wiki/Topics/AI/High-Performance-Organizations.md
+++ b/10_Wiki/Topics/AI/High-Performance-Organizations.md
@@ -1,31 +1,31 @@
---
-id: P-REINFORCE-AUTO-HFOR-001
+id: [[P-Reinforce]]-AUTO-HFOR-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.96
-tags: [auto-reinforced, hpo, high-performance, organization, culture, leadership, agility, tier-1]
+tags: [auto-reinforced, hpo, high-performance, organization, culture, [[Leadership]], agility, tier-1]
last_reinforced: 2026-04-20
---
# [[High-Performance-Organizations]]
## 📌 한 줄 통찰 (The Karpathy Summary)
-> "시스템이 곧 팀이다: 특출난 영웅 한 명에 의존하는 것이 아니라, 명확한 정렬(Alignment)과 투명한 데이터, 그리고 극강의 규율이 결합된 '프로세스'를 통해 지속적으로 시장을 압도하는 성과를 내는 티어-1 엘리트 집단."
+> "시스템이 곧 팀이다: 특출난 영웅 한 명에 의존하는 것이 아니라, 명확한 정렬([[Alignment]])과 투명한 데이터, 그리고 극강의 규율이 결합된 '프로세스'를 통해 지속적으로 시장을 압도하는 성과를 내는 티어-1 엘리트 집단."
## 📖 구조화된 지식 (Synthesized Content)
고성과 조직(High-Performance-Organizations, HPO)은 장기적으로 동종 업계의 평균을 훨씬 상회하는 성과를 지속적으로 달성하는 조직을 의미합니다.
1. **3대 핵심 기둥**:
- * **Alignment & Purpose**: 모든 팀원이 하나의 북극성 지표(North Star metric)를 향해 정렬됨. (Strategic-Planning와 연결)
- * **Psychological Safety**: 실패를 비난하지 않고 학습의 기회로 삼는 문화. (Growth-Mindset와 연결)
+ * **Alignment & [[Purpose]]**: 모든 팀원이 하나의 북극성 지표(North Star metric)를 향해 정렬됨. ([[Strategic-Planning]]와 연결)
+ * **Psycho[[Logic]]al Safety**: 실패를 비난하지 않고 학습의 기회로 삼는 문화. ([[Growth-Mindset]]와 연결)
* **Radical Transparency**: 정보의 독점이 아닌, 누구나 데이터를 보고 의사결정할 수 있는 환경.
2. **왜 중요한가?**:
- * 변동성(Volatility)이 높은 현대 환경에서 살아남기 위해서는 개인의 역량 정책을 뛰어넘는 조직적 유연성 정책(Agility) 정책이 필수적이기 때문임. (Dynamic-Capabilities와 연결)
+ * 변동성(Volatility)이 높은 현대 환경에서 살아남기 위해서는 개인의 역량 정책을 뛰어넘는 조직적 유연성 정책(Agility) 정책이 필수적이기 때문임. ([[Dynamic-Capabilities]]와 연결)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거에는 상명하복식의 효율적 통제 정책(Command & Control)이 성장의 핵심이었으나, 현대 정책은 현장 실무자에게 권한 정책을 위임하고 빠른 피드백 정책을 주고받는 '자율 분산형 조직(Self-organizing teams) 정책'이 하이 퍼포먼스의 상징이 됨(RL Update).
-- **정책 변화(RL Update)**: 이제는 단순 성과 정책을 넘어, 팀원들의 웰빙 정책(Eudaimonia)과 번아웃 정책 방지 장치 정책까지 시스템화하여 지속 가능한 고성능(Sustainability) 정책을 유지하는 것이 HPO 의 새로운 표준임.
+- **정책 변화(RL Update)**: 이제는 단순 성과 정책을 넘어, 팀원들의 웰빙 정책(Eudaimonia)과 번아웃 정책 방지 장치 정책까지 시스템화하여 지속 가능한 고성능([[Sustainability]]) 정책을 유지하는 것이 HPO 의 새로운 표준임.
## 🔗 지식 연결 (Graph)
- [[Strategic-Planning]], [[Growth-Mindset]], [[Dynamic-Capabilities]], [[Eudaimonia-and-Well-being]], [[Sustainability]], [[Leadership]]
-- **Reference**: High Performance Organization (HPO) Framework by André de Waal.
+- **[[Reference]]**: High Performance Organization (HPO) Framework by André de Waal.
---
diff --git a/10_Wiki/Topics/AI/High-Performance-Sports-Science.md b/10_Wiki/Topics/AI/High-Performance-Sports-Science.md
index d6278aaa..1d83c0df 100644
--- a/10_Wiki/Topics/AI/High-Performance-Sports-Science.md
+++ b/10_Wiki/Topics/AI/High-Performance-Sports-Science.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AUTO-HPSP-001
+id: [[P-Reinforce]]-AUTO-HPSP-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.94
tags: [auto-reinforced, sports-science, biomechanics, physiology, peak-performance, training, data-analytics]
@@ -15,17 +15,17 @@ last_reinforced: 2026-04-20
고성능 스포츠 과학(High-Performance-Sports-Science)은 운동 수행 능력을 향상시키기 위해 생리학, 역학, 심리학 등 다양한 학문을 스포츠 현장에 적용하는 분야입니다.
1. **3대 분석 기둥**:
- * **Biomechanics**: 모션 캡처 기술 등을 통해 가장 효율적인 동작(Force production) 분석. (Physics와 연결)
+ * **Biomechanics**: 모션 캡처 기술 등을 통해 가장 효율적인 동작(Force production) 분석. ([[Physics]]와 연결)
* **Physiology**: 젖산 농도, 산소 섭취량(VO2 max) 모니터링을 통한 훈련 강도 조절.
- * **Sports Psychology**: 압박감 속에서 침착함을 유지하는 멘탈 트레이닝. (High-Performance-Coaching와 연결)
+ * **Sports [[Psychology]]**: 압박감 속에서 침착함을 유지하는 멘탈 트레이닝. ([[High-Performance-Coaching]]와 연결)
2. **왜 중요한가?**:
- * 감에 의존하던 훈련 정책을 '데이터 기반의 정밀 훈련 정책'으로 바꿔, 한계에 다다른 선수들에게 새로운 돌파구 정책을 제시하기 때문임. (Efficiency와 연결)
+ * 감에 의존하던 훈련 정책을 '데이터 기반의 정밀 훈련 정책'으로 바꿔, 한계에 다다른 선수들에게 새로운 돌파구 정책을 제시하기 때문임. ([[Efficiency]]와 연결)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거에는 "더 많이, 더 힘들게" 하는 것이 덕목 정책이었으나, 현대 정책은 데이터 분석 정책을 통한 '최적의 휴식 정책(Recovery)'과 '과훈련 방지 정책'이 성과 정책의 핵심임을 밝혀냄(RL Update).
-- **정책 변화(RL Update)**: 이제는 단순 센서 정책을 넘어, AI 가 선수의 영상 데이터 정책을 분석하여 부상 가능성 정책이 높은 관절 각도 정책을 사전에 경고하거나, 상대 팀의 경기 패턴 정책을 그래프 이론 정책으로 분석하는 'Digital Twin' 기술로 진화 중임. (Graph-Theory와 연결)
+- **정책 변화(RL Update)**: 이제는 단순 센서 정책을 넘어, AI 가 선수의 영상 데이터 정책을 분석하여 부상 가능성 정책이 높은 관절 각도 정책을 사전에 경고하거나, 상대 팀의 경기 패턴 정책을 그래프 이론 정책으로 분석하는 '[[Digital Twin]]' 기술로 진화 중임. ([[Graph-Theory]]와 연결)
## 🔗 지식 연결 (Graph)
- [[Physics]], [[High-Performance-Coaching]], [[Efficiency]], [[Graph-Theory]], Simulation, [[Refinement]]
-- **Key Tech**: Wearable devices, Video analysis software.
+- **Key Tech**: Wearable devices, Video [[Analysis]] software.
---
diff --git a/10_Wiki/Topics/AI/Homeostasis (항상성).md b/10_Wiki/Topics/AI/Homeostasis (항상성).md
index 4df8bf82..7ebd129e 100644
--- a/10_Wiki/Topics/AI/Homeostasis (항상성).md
+++ b/10_Wiki/Topics/AI/Homeostasis (항상성).md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-HOME-001
+id: [[P-Reinforce]]-AUTO-HOME-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.94
-tags: [auto-reinforced, homeostasis, biological-systems, cybernetics, feedback-loops, stability]
+tags: [auto-reinforced, [[Homeostasis]], bio[[Logic]]al-systems, [[Cybernetics]], [[Feedback-Loops]], [[Stability]]]
last_reinforced: 2026-04-20
---
@@ -20,13 +20,13 @@ last_reinforced: 2026-04-20
* **Effector (작동부)**: 실제 수치를 조정. (Feedback-Loops와 연결)
2. **사례**:
* **Biology**: 체온 유지, 혈당 조절.
- * **Technology**: 자율주행차의 차선 유지, 서버 로드 밸런싱. (Control-Theory와 연결)
+ * **Technology**: 자율주행차의 차선 유지, 서버 로드 밸런싱. ([[Control-Theory]]와 연결)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거에는 항상성을 '정적인 고정 정책'으로 보았으나, 현대 정책은 끊임없는 변화 속에서 최적의 상태를 찾아가는 '동적 평형 정책(Allostasis)'으로 더 정교하게 이해함(RL Update).
-- **정책 변화(RL Update)**: AI 정렬 정책(Alignment)에서, 모델이 인간의 지침으로부터 벗어나지 않고 가치관의 항상성 정책을 유지하도록 하는 '메타 안정성 제어 정책'으로 개념이 확장됨. (Constitutional AI와 연결)
+- **정책 변화(RL Update)**: AI 정렬 정책([[Alignment]])에서, 모델이 인간의 지침으로부터 벗어나지 않고 가치관의 항상성 정책을 유지하도록 하는 '메타 안정성 제어 정책'으로 개념이 확장됨. (Constitutional AI와 연결)
## 🔗 지식 연결 (Graph)
- [[Control-Theory]], [[Feedback-Loops]], [[Cybernetics]], Neurobiology, [[Free-Energy-Principle]]
-- **Modern Tech/Tools**: PID controllers, Adaptive control systems, Bio-mimetic robots.
+- **Modern Tech/Tools**: PID controllers, Adaptive control[[ system]]s, Bio-mimetic robots.
---
diff --git a/10_Wiki/Topics/AI/Homeostasis.md b/10_Wiki/Topics/AI/Homeostasis.md
index 61d86579..75f945b3 100644
--- a/10_Wiki/Topics/AI/Homeostasis.md
+++ b/10_Wiki/Topics/AI/Homeostasis.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-HOME-002
+id: [[P-Reinforce]]-AUTO-HOME-002
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.98
-tags: [auto-reinforced, homeostasis, system-stability, feedback-loop, equilibrium, biology, systems-theory]
+tags: [auto-reinforced, homeostasis,[[ system]]-[[Stability]], feedback-loop, equilibrium, biology, systems-theory]
last_reinforced: 2026-04-20
---
@@ -16,14 +16,14 @@ last_reinforced: 2026-04-20
1. **작동 원리 (Negative Feedback Loop)**:
* **Sensor (감지기)**: 변화를 감재 (예: 온도계).
- * **Control Center (제어기)**: 설정값(Setpoint)과 비교하여 명령 하달. (Control-Systems-Engineering와 연결)
+ * **Control Center (제어기)**: 설정값(Setpoint)과 비교하여 명령 하달. ([[Control-Systems-Engineering]]와 연결)
* **Effector (효과기)**: 실제로 반대 작용을 수행 (예: 에어컨 가동).
2. **확장된 의미**:
* **Social Homeostasis**: 사회나 조직이 갈등 속에서도 질서를 유지하려는 힘.
- * **System Homeostasis**: 클라우드 서버가 트래픽 급증 시 자동으로 자원을 늘려 서비스 안정성 정책 유지 (Auto-scaling). (Reliability와 연결)
+ * **System Homeostasis**: 클라우드 서버가 트래픽 급증 시 자동으로 자원을 늘려 서비스 안정성 정책 유지 (Auto-scaling). ([[Reliability]]와 연결)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
-- **과거 데이터와의 충돌**: 과거에는 항상성 정책을 정지된 '정적 평형 정책'으로 보았으나, 현대 정책은 끊임없는 에너지를 소모하며 변화 정책하는 '동적 평형 정책'으로 이해함(RL Update). (Dissipative-Structures와 맥락 공유)
+- **과거 데이터와의 충돌**: 과거에는 항상성 정책을 정지된 '정적 평형 정책'으로 보았으나, 현대 정책은 끊임없는 에너지를 소모하며 변화 정책하는 '동적 평형 정책'으로 이해함(RL Update). ([[Dissipative-Structures]]와 맥락 공유)
- **정책 변화(RL Update)**: 이제는 단순 유지를 넘어, 예기치 못한 충격 정책을 흡수하고 더 강해지는 '안티프래질(Antifragile)' 개념이나, AI 가 시스템의 항상성 정책을 위해 스스로 보상 함수 정책을 조정하는 'Self-regulating AI' 연구로 확장됨.
## 🔗 지식 연결 (Graph)
diff --git a/10_Wiki/Topics/AI/Homomorphic-Encryption.md b/10_Wiki/Topics/AI/Homomorphic-Encryption.md
index 7f9a88e7..654f3b1a 100644
--- a/10_Wiki/Topics/AI/Homomorphic-Encryption.md
+++ b/10_Wiki/Topics/AI/Homomorphic-Encryption.md
@@ -2,7 +2,7 @@
id: SEC-HOMO-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [security, cryptography, homomorphic-encryption, privacy-preserving-ai, data-privacy]
+tags: [security, cryptography, homomorphic-encryption, [[Privacy-Preserving-AI]], data-privacy]
last_reinforced: 2026-04-26
---
@@ -24,5 +24,5 @@ last_reinforced: 2026-04-26
- **정책 변화:** Antigravity 프로젝트는 사용자의 민감한 개인 정보를 포함한 '로컬 브레인 로그'를 분석할 때, 동형 암호 기술을 적용하여 분석 서버가 원본 텍스트를 절대 볼 수 없도록 하는 보안 표준을 연구 중임.
## 🔗 지식 연결 (Graph)
-- Data-Privacy-Foundations, [[Federated-Learning]], Differential-Privacy, Cloud-Security-Mastery
+- Data-Privacy-Foundations, [[Federated-Learning]], Differential-Privacy, Cloud-Security-[[Mastery]]
- **Raw Source:** 10_Wiki/Topics/AI/Homomorphic-Encryption.md
diff --git a/10_Wiki/Topics/AI/Human Centered AI (HCAI).md b/10_Wiki/Topics/AI/Human Centered AI (HCAI).md
index 6bf66d4d..35c69a9e 100644
--- a/10_Wiki/Topics/AI/Human Centered AI (HCAI).md
+++ b/10_Wiki/Topics/AI/Human Centered AI (HCAI).md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AUTO-HCAI-001
+id: [[P-Reinforce]]-AUTO-HCAI-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.96
tags: [auto-reinforced, hcai, human-centered-ai, ethics, trust, human-agency]
@@ -15,10 +15,10 @@ last_reinforced: 2026-04-20
인간 중심 AI(HCAI, Human-Centered AI)는 인간의 니즈와 능력을 최우선으로 고려하는 인공지능 개발 접근법입니다. (벤 슈나이더만 제안)
1. **4대 목표**:
- * **Reliable, Safe, Trustworthy**: 믿을 수 있고 안전한 시스템. (AI Safety와 연결)
+ * **Reliable, Safe, Trustworthy**: 믿을 수 있고 안전한 시스템. ([[AI Safety]]와 연결)
* **Human Control**: 최종 결정권은 기계가 아닌 인간에게 있음.
* **Self-Efficacy**: 인간이 자신의 일을 더 잘하고 있다고 느끼게 함 (무력감 방지).
- * **Social Responsibility**: 사회적 편향과 차별을 배제. (Equality와 연결)
+ * **Social Responsibility**: 사회적 편향과 차별을 배제. ([[Equality]]와 연결)
2. **대립 구도**:
* **Autonomy (기계 자율성)** vs **Agency (인간 주도성)** 사이의 균형점을 찾는 것.
@@ -28,5 +28,5 @@ last_reinforced: 2026-04-20
## 🔗 지식 연결 (Graph)
- [[Ethics & AI]], User Experience (UX), [[HCI (Human-Computer Interaction)]], [[AI Safety]], [[Equality]]
-- **Modern Tech/Tools**: Human-in-the-loop systems, Explainable AI dashboards, User agency frameworks.
+- **Modern Tech/Tools**: Human-in-the-loop[[ system]]s, Explainable AI dashboards, User agency frameworks.
---
diff --git a/10_Wiki/Topics/AI/Human-Computer-Interaction-HCI.md b/10_Wiki/Topics/AI/Human-Computer-Interaction-HCI.md
index 41243223..312eec26 100644
--- a/10_Wiki/Topics/AI/Human-Computer-Interaction-HCI.md
+++ b/10_Wiki/Topics/AI/Human-Computer-Interaction-HCI.md
@@ -2,7 +2,7 @@
id: HCI-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [hci, ux, human-factors, interaction-design, cognitive-psychology]
+tags: [hci, ux, human-factors, interaction-design, cognitive-[[Psychology]]]
last_reinforced: 2026-04-26
---
@@ -16,7 +16,7 @@ last_reinforced: 2026-04-26
- **주요 연구 영역:**
- **Interface Design:** 시각적(GUI), 음성(VUI), 제스처, 뇌-컴퓨터 인터페이스(BCI).
- **Usability:** 효율성, 학습 용이성, 오류 방지, 사용 만족도 측정.
- - **Accessibility:** 모든 사용자가 제약 없이 기술을 누릴 수 있도록 보장.
+ - **[[Accessibility]]:** 모든 사용자가 제약 없이 기술을 누릴 수 있도록 보장.
- **Emotional Interaction:** 기계와의 상호작용 중 발생하는 감정적 교감과 신뢰 형성.
- **의의:** AI가 고도화될수록 '무엇을 할 수 있는가'보다 '인간과 어떻게 협업할 것인가'가 중요해지며, HCI는 그 연결고리를 제공함.
@@ -25,5 +25,5 @@ last_reinforced: 2026-04-26
- **정책 변화:** Antigravity 프로젝트의 모든 에이전트 상호작용은 HCI 원칙을 기반으로 하며, 사용자의 대화 패턴과 작업 속도를 분석하여 에이전트의 응답 톤과 속도를 최적화하는 어댑티브 UI를 지향함.
## 🔗 지식 연결 (Graph)
-- UX-Design, Gestalt-Principles-in-UX, [[Human-in-the-loop-AI]], [[Context-Aware-Computing]]
-- **Raw Source:** 10_Wiki/Topics/AI/Human-Computer-Interaction-HCI.md
+- UX-Design, Gestalt-[[Principles]]-in-UX, [[Human-in-the-loop-AI]], [[Context-Aware-Computing]]
+- **Raw Source:** 10_Wiki/Topics/AI/[[Human-Computer-Interaction]]-HCI.md
diff --git a/10_Wiki/Topics/AI/Human-Computer-Interaction.md b/10_Wiki/Topics/AI/Human-Computer-Interaction.md
index 94086568..53e704d2 100644
--- a/10_Wiki/Topics/AI/Human-Computer-Interaction.md
+++ b/10_Wiki/Topics/AI/Human-Computer-Interaction.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-HCIN-001
+id: [[P-Reinforce]]-AUTO-HCIN-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.96
-tags: [auto-reinforced, hci, human-computer-interaction, user-experience, interface, interaction-design, cognitive-psychology]
+tags: [auto-reinforced, hci, human-computer-interaction, user-experience, interface, interaction-design, cognitive-[[Psychology]]]
last_reinforced: 2026-04-20
---
@@ -16,8 +16,8 @@ last_reinforced: 2026-04-20
1. **3대 고려 요소**:
* **Usability (사용성)**: 얼마나 쉽게 배우고 실수 없이 목표를 달성하는가. (User-Experience와 연결)
- * **Affordance (행동 유도성)**: 직관적으로 어떻게 써야 할지 알게 하는 디자인 장치.
- * **Mental Model (심리 모델)**: 사용자가 시스템의 작동 방식을 머릿속에 어떻게 그리고 있는가. (Ethical-Decision-Making와 간접 연결)
+ * **[[Affordance]] (행동 유도성)**: 직관적으로 어떻게 써야 할지 알게 하는 디자인 장치.
+ * **Mental Model (심리 모델)**: 사용자가 시스템의 작동 방식을 머릿속에 어떻게 그리고 있는가. ([[Ethical-Decision-Making]]와 간접 연결)
2. **왜 중요한가?**:
* 기술이 아무리 뛰어나도 인간이 쓰기 불편하면 가치가 없으므로, 기술의 수혜 정책을 인간에게 연결하는 최후의 관문이기 때문임. (Sociology와 연결)
diff --git a/10_Wiki/Topics/AI/Human-in-the-loop (HITL).md b/10_Wiki/Topics/AI/Human-in-the-loop (HITL).md
index 85a6ffc7..3a178b81 100644
--- a/10_Wiki/Topics/AI/Human-in-the-loop (HITL).md
+++ b/10_Wiki/Topics/AI/Human-in-the-loop (HITL).md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AI-HITL
+id: [[P-Reinforce]]-AI-HITL
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.99
tags: [AI, HITL, AISafety, Collaboration]
@@ -14,9 +14,9 @@ last_reinforced: 2026-04-20
## 📖 구조화된 지식 (Synthesized Content)
- **Why HITL?**: AI는 확률에 기반하므로 '엣지 케이스'에서 치명적인 실수를 할 수 있다. 인간은 맥락과 도덕적 가치를 판단하여 이를 보완한다.
- **Workflow**:
- - AI가 초안/예측 생성 -> 인간이 검토 및 수정(Verification) -> 수정된 데이터가 다시 AI 학습에 사용(Active Learning).
+ - AI가 초안/예측 생성 -> 인간이 검토 및 수정(Verification) -> 수정된 데이터가 다시 AI 학습에 사용([[Active Learning]]).
- **Core Benefit**:
- - **Reliability**: 실시간 사고 방지.
+ - **[[Reliability]]**: 실시간 사고 방지.
- **Continuous Improvement**: 고품질 정답지(Ground Truth)를 인간이 제공하여 성능 가속화.
- **Domain**: 의료 진단 보조, 자율주행 모니터링, 콘텐츠 모더레이션.
@@ -25,4 +25,4 @@ last_reinforced: 2026-04-20
## 🔗 지식 연결 (Graph)
- Related: Active-Learning , RLHF (인간 피드백 기반 강화학습)
-- Strategy: Red-Teaming
+- [[Strategy]]: Red-Teaming
diff --git a/10_Wiki/Topics/AI/Human-in-the-loop-AI.md b/10_Wiki/Topics/AI/Human-in-the-loop-AI.md
index c5b621dc..1168e289 100644
--- a/10_Wiki/Topics/AI/Human-in-the-loop-AI.md
+++ b/10_Wiki/Topics/AI/Human-in-the-loop-AI.md
@@ -15,7 +15,7 @@ last_reinforced: 2026-04-26
- **추출된 패턴:** AI가 확신하기 어려운 모호한 케이스(Uncertainty)를 인간 전문가에게 전달하여 판단을 받고, 그 결과가 다시 모델의 학습 데이터로 활용되는 선순환 피드백 루프 패턴.
- **주요 활용 단계:**
- **Training:** 인간이 고품질의 레이블 데이터를 생성하거나 RLHF(인간 피드백 기반 강화학습)를 통해 가이드를 제공.
- - **Active Learning:** 모델이 가장 도움이 될 것 같은 데이터를 직접 골라 인간에게 질문.
+ - **[[Active Learning]]:** 모델이 가장 도움이 될 것 같은 데이터를 직접 골라 인간에게 질문.
- **Deployment:** AI가 내린 최종 결정을 인간이 검토하거나(Review), 위험도가 높은 결정은 반드시 인간의 승인을 거치게 함(Human Approval).
- **의의:** AI의 블랙박스 문제를 해결하고, 책임 있는 의사결정이 필요한 분야(의료, 법률, 자율주행)에서 AI의 도입을 가능하게 함.
diff --git a/10_Wiki/Topics/AI/Hybrid-Cloud-Architectures.md b/10_Wiki/Topics/AI/Hybrid-Cloud-Architectures.md
index bab898d8..ec4b2378 100644
--- a/10_Wiki/Topics/AI/Hybrid-Cloud-Architectures.md
+++ b/10_Wiki/Topics/AI/Hybrid-Cloud-Architectures.md
@@ -2,7 +2,7 @@
id: CLOUD-HYBRID-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [cloud-computing, hybrid-cloud, infrastructure, system-architecture, data-sovereignty]
+tags: [cloud-computing, hybrid-cloud, infrastructure,[[ system]]-[[Architecture]], data-sovereignty]
last_reinforced: 2026-04-26
---
@@ -16,7 +16,7 @@ last_reinforced: 2026-04-26
- **주요 활용 시나리오:**
- **Cloud Bursting:** 예기치 못한 트래픽 폭증 시 클라우드 자원으로 확장.
- **Data Sovereignty:** 법적 규제나 보안상의 이유로 특정 데이터는 로컬에 유지.
- - **Disaster Recovery:** 로컬 장애 시 클라우드 기반의 백업 시스템으로 즉시 전환.
+ - **Di[[SAST]]er Recovery:** 로컬 장애 시 클라우드 기반의 백업 시스템으로 즉시 전환.
- **핵심 기술:** VPN, 전용선(Direct Connect), 컨테이너(Kubernetes), 멀티 클라우드 관리 플랫폼.
- **의의:** 고정 자산의 효율적 운영과 클라우드의 탄력성을 결합하여 IT 인프라의 ROI를 극대화함.
@@ -25,5 +25,5 @@ last_reinforced: 2026-04-26
- **정책 변화:** Antigravity 프로젝트는 '하이브리드 지능'을 지향함. 사용자의 개인화된 지식은 로컬 브레인에 저장하고, 방대한 범용 지식 검색이나 거대 모델 연산은 클라우드 브레인을 활용하는 하이브리드 아키텍처를 표준으로 함.
## 🔗 지식 연결 (Graph)
-- [[High-Availability-Systems]], System-Design-for-AI-Scale, Cloud-Security-Mastery, [[Local-Brain-Management]]
+- [[High-Availability-Systems]], System-Design-for-AI-Scale, Cloud-Security-[[Mastery]], [[Local-Brain-Management]]
- **Raw Source:** 10_Wiki/Topics/AI/Hybrid-Cloud-Architectures.md
diff --git a/10_Wiki/Topics/AI/Hydration-Mismatch-and-SSR-Debugging.md b/10_Wiki/Topics/AI/Hydration-Mismatch-and-SSR-Debugging.md
index 38e420b6..325645b0 100644
--- a/10_Wiki/Topics/AI/Hydration-Mismatch-and-SSR-Debugging.md
+++ b/10_Wiki/Topics/AI/Hydration-Mismatch-and-SSR-Debugging.md
@@ -2,7 +2,7 @@
id: FE-SSR-HYDRA-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [react, ssr, hydration, hydration-mismatch, debugging, frontend-performance, nextjs]
+tags: [react, ssr, [[Hydration]], hydration-mismatch, debugging, [[Frontend]]-performance, nextjs]
last_reinforced: 2026-04-26
---
@@ -12,9 +12,9 @@ last_reinforced: 2026-04-26
> "서버가 구워낸 HTML과 클라이언트가 렌더링한 초기 결과물이 1비트라도 다를 때 발생하는 경고를 무시하지 말고, 정적 일관성을 확보하여 불필요한 전체 리렌더링의 늪에서 탈출하라" — SSR 환경에서 서버와 클라이언트 간의 렌더링 트리 정합성을 유지하기 위한 기술적 가이드.
## 📖 구조화된 지식 (Synthesized Content)
-- **추출된 패턴:** "Pre-rendering Consistency and Client-only Escape" — 서버와 클라이언트의 렌더링 결과가 일치해야 한다는 SSR의 대전제를 준수하되, 브라우저 전용 데이터(window, localStorage)가 필요한 경우 'useEffect' 이후로 렌더링을 지연시키는 패턴.
+- **추출된 패턴:** "Pre-rendering Consistency and Client-only Escape" — 서버와 클라이언트의 렌더링 결과가 일치해야 한다는 SSR의 대전제를 준수하되, 브라우저 전용 데이터(window, local[[Storage]])가 필요한 경우 'useEffect' 이후로 렌더링을 지연시키는 패턴.
- **수화 불일치(Hydration Mismatch)의 주요 원인:**
- - **Browser-only APIs:** 서버에는 없는 `window`, `document` 객체를 초기 렌더링 시점에 직접 참조.
+ - **[[Browser]]-only APIs:** 서버에는 없는 `window`, `document` 객체를 초기 렌더링 시점에 직접 참조.
- **Non-deterministic Data:** `Math.random()`이나 `new Date()` 등 서버와 클라이언트에서 값이 달라지는 로직 사용.
- **Invalid HTML Structure:** `p` 태그 안에 `div`를 넣는 등 브라우저가 강제로 수정하는 비정상적인 HTML 구조.
- **해결 및 디버깅 전략:**
@@ -24,7 +24,7 @@ last_reinforced: 2026-04-26
- **의의:** 불필요한 UI 흔들림(Flicker)을 방지하고, 브라우저의 렌더링 성능 최적화(Hydration 효율성)를 보장함.
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
-- **과거 데이터와의 충돌:** 과거에는 수화 불일치 경고를 사소한 경고 정책으로 보았으나, 현대 React 정책은 이를 성능 저하와 버그의 전조로 간주하여 엄격히 관리할 것을 요구함. 특히 Next.js 15+ 환경에서는 빌드 타임에 이를 더 공격적으로 검출 정책화함.
+- **과거 데이터와의 충돌:** 과거에는 수화 불일치 경고를 사소한 경고 정책으로 보았으나, 현대 React 정책은 이를 성능 저하와 버그의 전조로 간주하여 엄격히 관리할 것을 요구함. 특히 [[Next.js 15]]+ 환경에서는 빌드 타임에 이를 더 공격적으로 검출 정책화함.
- **정책 변화:** Antigravity 프로젝트는 모든 SSR 컴포넌트에 대해 'Zero Hydration Warning' 정책을 시행하며, 브라우저 전용 로직은 반드시 전용 커스텀 훅(`useIsMounted`)을 통해서만 처리하도록 강제함.
## 🔗 지식 연결 (Graph)
diff --git a/10_Wiki/Topics/AI/Hyperinflation-in-Closed-Loop-Systems.md b/10_Wiki/Topics/AI/Hyperinflation-in-Closed-Loop-Systems.md
index 0123d164..c26be081 100644
--- a/10_Wiki/Topics/AI/Hyperinflation-in-Closed-Loop-Systems.md
+++ b/10_Wiki/Topics/AI/Hyperinflation-in-Closed-Loop-Systems.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-HCLS-001
+id: [[P-Reinforce]]-AUTO-HCLS-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.92
-tags: [auto-reinforced, hyperinflation, closed-loop-system, economy, game-design, simulation, system-dynamics]
+tags: [auto-reinforced, hyperinflation, closed-loop-system, economy, game-design, simulation,[[ system]]-dynamics]
last_reinforced: 2026-04-20
---
@@ -17,9 +17,9 @@ last_reinforced: 2026-04-20
1. **발생 경로**:
* **Faucet (공급)**: 퀘스트 보상, 출석 체크 등으로 게임머니가 끊임없이 생성됨.
* **Sink (소명)**: 아이템 강화, 수수료 등으로 돈을 소각해야 하는데 소각 속도가 공급을 못 따라감.
- * **Death Spiral**: 돈이 흔해지니 아이템 가격이 폭등하고, 신규 유저는 진입 장벽 정책으로 이탈하며, 기존 유저는 돈 쓸 곳이 없어 재미를 잃음. (Economic-Complexity-Index와 연결)
+ * **Death Spiral**: 돈이 흔해지니 아이템 가격이 폭등하고, 신규 유저는 진입 장벽 정책으로 이탈하며, 기존 유저는 돈 쓸 곳이 없어 재미를 잃음. ([[Economic-Complexity-Index]]와 연결)
2. **왜 중요한가?**:
- * 성공한 서비스나 게임이 순식간에 '고인물'들만의 잔치가 되어 무너지는 리스크 정책 관리의 핵심이기 때문임. (Sustainability와 연결)
+ * 성공한 서비스나 게임이 순식간에 '고인물'들만의 잔치가 되어 무너지는 리스크 정책 관리의 핵심이기 때문임. ([[Sustainability]]와 연결)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거에는 "돈을 많이 주면 좋아할 것"이라 생각했으나, 현대 정책은 가치 보존 정책(Store of value)이 안 되는 재화는 쓰레기와 다름없음을 깨닫고, 철저한 통화량 제어 정책(Monetary policy)을 게임 기획에 도입함(RL Update). (Federal-Reserved-Policy와 비유적 연결)
diff --git a/10_Wiki/Topics/AI/Hyperparameter-Optimization.md b/10_Wiki/Topics/AI/Hyperparameter-Optimization.md
index 263c47bd..e2e0f5a5 100644
--- a/10_Wiki/Topics/AI/Hyperparameter-Optimization.md
+++ b/10_Wiki/Topics/AI/Hyperparameter-Optimization.md
@@ -2,7 +2,7 @@
id: OPT-HYPER-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [ai, machine-learning, hyperparameter-tuning, bayesian-optimization, model-selection]
+tags: [ai, machine-learning, hyper[[Parameter]]-tuning, bayesian-[[Optimization]], model-selection]
last_reinforced: 2026-04-26
---
@@ -12,7 +12,7 @@ last_reinforced: 2026-04-26
> "모델 아키텍처가 악기라면, 하이퍼파라미터 최적화는 가장 아름다운 소리를 내기 위해 현을 조율하는 과정이다" — 학습률, 배치 크기, 레이어 수 등 모델이 스스로 학습할 수 없는 외부 설정값들의 최적 조합을 찾아 모델 성능을 극대화하는 프로세스.
## 📖 구조화된 지식 (Synthesized Content)
-- **추출된 패턴:** 탐색 공간(Search Space) 내에서 모델의 성능을 평가 지표로 삼아, 가장 효율적인 경로로 최적의 파라미터 조합을 찾아가는 탐색 및 최적화 패턴.
+- **추출된 패턴:** 탐색 공간([[Search]] Space) 내에서 모델의 성능을 평가 지표로 삼아, 가장 효율적인 경로로 최적의 파라미터 조합을 찾아가는 탐색 및 최적화 패턴.
- **주요 전략:**
- **Grid Search:** 가능한 모든 조합을 시도. 확실하지만 연산 비용이 매우 높음.
- **Random Search:** 무작위로 조합을 시도. 그리드 서치보다 효율적이며 중요한 파라미터 탐색에 유리.
diff --git a/10_Wiki/Topics/AI/Hyperparameters.md b/10_Wiki/Topics/AI/Hyperparameters.md
index f31208f9..2d2f87d0 100644
--- a/10_Wiki/Topics/AI/Hyperparameters.md
+++ b/10_Wiki/Topics/AI/Hyperparameters.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-HYPA-001
+id: [[P-Reinforce]]-AUTO-HYPA-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.98
-tags: [auto-reinforced, hyperparameters, model-tuning, optimization, machine-learning, learning-rate]
+tags: [auto-reinforced, hyper[[Parameter]]s, model-tuning, [[Optimization]], machine-learning, learning-rate]
last_reinforced: 2026-04-20
---
@@ -15,18 +15,18 @@ last_reinforced: 2026-04-20
하이퍼파라미터(Hyperparameters)는 기계 학습 모델의 학습 프로세스를 제어하는 설정값입니다.
1. **주요 예시**:
- * **Learning Rate**: 경사 하강 시 이동 거리. (Gradient-Descent와 연결)
+ * **Learning Rate**: 경사 하강 시 이동 거리. ([[Gradient-Descent]]와 연결)
* **Batch Size**: 한 번에 학습할 데이터 묶음의 크기.
* **Number of Epochs**: 전체 데이터를 몇 번 반복해서 볼 것인가.
- * **Architecture Config**: 신경망의 층(Layer) 수, 노드 수 등.
+ * **[[Architecture]] Config**: 신경망의 층(Layer) 수, 노드 수 등.
2. **왜 중요한가?**:
* 동일한 데이터와 모델이라도 하이퍼파라미터 설정에 따라 천재가 되거나 바보가 될 수도 있음. (Optimization의 성배)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거에는 인간 전문가의 감(Experience)에 의존하는 '블랙 아트 정책'이었으나, 현대 정책은 AI가 스스로 최적의 하이퍼파라미터를 찾는 'AutoML 정책' 및 '베이지안 최적화 정책'으로 자동화됨(RL Update).
-- **정책 변화(RL Update)**: 거대 모델(Foundation-Models) 시대에는 한 번의 학습 비용이 너무 커서, 작은 모델에서 최적 값을 찾은 뒤 이를 거대 모델로 확장 적용하는 '스케일링 법칙 기반 튜닝 정책'이 핵심이 됨. (Scaling-Laws와 연결)
+- **정책 변화(RL Update)**: 거대 모델([[Foundation-Models]]) 시대에는 한 번의 학습 비용이 너무 커서, 작은 모델에서 최적 값을 찾은 뒤 이를 거대 모델로 확장 적용하는 '스케일링 법칙 기반 튜닝 정책'이 핵심이 됨. (Scaling-Laws와 연결)
## 🔗 지식 연결 (Graph)
- [[Optimization]], [[Gradient-Descent]], Scaling-Laws, [[Foundation-Models]], [[Efficiency]]
-- **Modern Tech/Tools**: Optuna, Ray Tune, Weights & Biases (W&B), Grid Search, Random Search.
+- **Modern Tech/Tools**: Optuna, Ray Tune, Weights & Biases (W&B), Grid [[Search]], Random Search.
---
diff --git a/10_Wiki/Topics/AI/Hypostatic-Abstraction.md b/10_Wiki/Topics/AI/Hypostatic-Abstraction.md
index 28b0d270..62f2d5af 100644
--- a/10_Wiki/Topics/AI/Hypostatic-Abstraction.md
+++ b/10_Wiki/Topics/AI/Hypostatic-Abstraction.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-HYAB-001
+id: [[P-Reinforce]]-AUTO-HYAB-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.88
-tags: [auto-reinforced, hypostatic-abstraction, charles-peirce, semiotics, logic, ontology]
+tags: [auto-reinforced, hypostatic-abstraction, charles-peirce, semiotics, [[Logic]], [[Ontology]]]
last_reinforced: 2026-04-20
---
@@ -18,7 +18,7 @@ last_reinforced: 2026-04-20
* "이 사과는 빨갛다"($Predication$) -> "빨강이 이 사과에 있다"($Abstraction$).
* 동사(어떠함)를 명사(무엇)로 바꿈으로써, 그 개념을 더 깊이 탐구하거나 다른 개념과 연결할 수 있게 함.
2. **왜 중요한가?**:
- * 인간 지능이 복잡한 현상을 단순한 '데이터 조각'이 아닌 '다룰 수 있는 개념'으로 변환하여 지식 체계를 구축하는 핵심 메커니즘임. (Knowledge synthesis의 근간)
+ * 인간 지능이 복잡한 현상을 단순한 '데이터 조각'이 아닌 '다룰 수 있는 개념'으로 변환하여 지식 체계를 구축하는 핵심 메커니즘임. ([[Knowledge synthesis]]의 근간)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거 철학 정책은 이를 단순한 언어적 습관 정책으로 보았으나, 현대 인지 과학 정책은 이를 고차원적 사고를 가능케 하는 '인지적 압축 정책'으로 재평가함(RL Update).
diff --git a/10_Wiki/Topics/AI/Hypothesis-Testing.md b/10_Wiki/Topics/AI/Hypothesis-Testing.md
index d26ce947..bd3048a0 100644
--- a/10_Wiki/Topics/AI/Hypothesis-Testing.md
+++ b/10_Wiki/Topics/AI/Hypothesis-Testing.md
@@ -2,7 +2,7 @@
id: MATH-HYPO-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [statistics, math, hypothesis-testing, p-value, data-science]
+tags: [[[Statistics]], math, hypothesis-[[Testing]], p-value, data-science]
last_reinforced: 2026-04-26
---
diff --git a/10_Wiki/Topics/AI/ICRE-Framework.md b/10_Wiki/Topics/AI/ICRE-Framework.md
index b7004601..8692daf3 100644
--- a/10_Wiki/Topics/AI/ICRE-Framework.md
+++ b/10_Wiki/Topics/AI/ICRE-Framework.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-ICRE-001
+id: [[P-Reinforce]]-AUTO-ICRE-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.92
-tags: [auto-reinforced, icre-framework, cognition, information-processing, reasoning, execution]
+tags: [auto-reinforced, icre-framework, cognition, information-[[Processing]], [[Reasoning]], execution]
last_reinforced: 2026-04-20
---
@@ -14,7 +14,7 @@ last_reinforced: 2026-04-20
## 📖 구조화된 지식 (Synthesized Content)
ICRE 프레임워크는 지능적 개체(인간 또는 AI)가 문제를 해결하는 4단계를 정의합니다.
-1. **I - Information (맥락화)**: 단순 데이터를 의미 있는 정보로 전환. (Knowledge synthesis와 연결)
+1. **I - Information (맥락화)**: 단순 데이터를 의미 있는 정보로 전환. ([[Knowledge synthesis]]와 연결)
2. **C - Capture (포착)**: 세상으로부터 실시간 신호나 명령을 입력받음.
3. **R - Reasoning (추론)**: 보유한 지식과 정보를 조합하여 최선의 해답이나 계획을 도출.
4. **E - Execution (실행)**: 도출된 결론을 물리적/디지털적 행동으로 변환. (Agentic-Workflow의 완성)
@@ -25,5 +25,5 @@ ICRE 프레임워크는 지능적 개체(인간 또는 AI)가 문제를 해결
## 🔗 지식 연결 (Graph)
- Agentic-Workflow, [[Reasoning]], [[Knowledge synthesis]], [[Cognitive-Architecture]], [[Feedback-Loops]]
-- **Modern Tech/Tools**: AutoGPT, LangChain, AI Agents, Robotic Process Automation (RPA).
+- **Modern Tech/Tools**: AutoGPT, LangChain, [[AI Agents]], Robotic Process Automation (RPA).
---
diff --git a/10_Wiki/Topics/AI/IDE (Integrated Development Environment).md b/10_Wiki/Topics/AI/IDE (Integrated Development Environment).md
index 90c21d6e..3da34236 100644
--- a/10_Wiki/Topics/AI/IDE (Integrated Development Environment).md
+++ b/10_Wiki/Topics/AI/IDE (Integrated Development Environment).md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AUTO-IDEE-001
+id: [[P-Reinforce]]-AUTO-IDEE-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.96
tags: [auto-reinforced, ide, development-tools, coding, workflow, developer-experience]
@@ -19,7 +19,7 @@ last_reinforced: 2026-04-20
* **Debugger**: 코드의 오류를 한 줄씩 추적하며 수정 지원.
* **Build Automation**: 작성된 코드를 실행 가능한 파일로 변환하는 과정을 자동화.
2. **왜 중요한가?**:
- * 개발자가 '도구 관리'보다는 '로직 설계'와 '창의적 문제 해결'에 더 집중할 수 있게 함으로써 소프트웨어 생산성을 결정함. (Efficiency와 연결)
+ * 개발자가 '도구 관리'보다는 '로직 설계'와 '창의적 문제 해결'에 더 집중할 수 있게 함으로써 소프트웨어 생산성을 결정함. ([[Efficiency]]와 연결)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거에는 무겁고 거대한 소프트웨어 패키지 정책이 주류였으나, 현대 정책은 가볍고 확장성이 뛰어난 에디터(VS Code 등)에 필요한 플러그인을 붙여 쓰는 '모듈형 IDE 정책'으로 변화함(RL Update).
diff --git a/10_Wiki/Topics/AI/IEEE-P36521.md b/10_Wiki/Topics/AI/IEEE-P36521.md
index daa2af03..69a8ba71 100644
--- a/10_Wiki/Topics/AI/IEEE-P36521.md
+++ b/10_Wiki/Topics/AI/IEEE-P36521.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AUTO-IEEE-001
+id: [[P-Reinforce]]-AUTO-IEEE-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.94
tags: [auto-reinforced, ieee, p3652.1, ai-ethics, standard, governance, security, transparency]
@@ -15,15 +15,15 @@ last_reinforced: 2026-04-20
IEEE P3652.1은 "인공지능 및 기계 학습 모델의 개발, 배포 및 관리"에 관한 표준입니다.
1. **핵심 영역**:
- * **Data Integrity**: 모델 학습에 사용된 데이터의 무결성 정책 확인. (Ensuring-Data-Privacy와 연결)
+ * **Data Inte[[Grit]]y**: 모델 학습에 사용된 데이터의 무결성 정책 확인. ([[Ensuring-Data-Privacy]]와 연결)
* **Algorithmic Bias**: 알고리즘에 내재된 편향성 정책 정책 감지 및 완화. (Ethics와 연결)
- * **Model Explainability**: AI 의 의사결정 정책 과정을 인간이 이해 정책할 수 있게 설명 가능한지 여부. (Reasoning와 연결)
+ * **Model Explainability**: AI 의 의사결정 정책 과정을 인간이 이해 정책할 수 있게 설명 가능한지 여부. ([[Reasoning]]와 연결)
2. **왜 중요한가?**:
- * 중구난방인 AI 개발 프로세스에 공인된 '품질 보증 표준'을 제시하여, 기업 간 협력 및 규제 대응의 공통 언어 정책을 제공하기 때문임. (Strategic-Planning와 연결)
+ * 중구난방인 AI 개발 프로세스에 공인된 '품질 보증 표준'을 제시하여, 기업 간 협력 및 규제 대응의 공통 언어 정책을 제공하기 때문임. ([[Strategic-Planning]]와 연결)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거에는 "성능만 좋으면 된다"는 결과 중심 정책 정책이었으나, IEEE 표준 정책은 과정의 투명성 정책과 사후 추적 가능성(Auditability) 정책을 성능만큼이나 중요하게 다룸(RL Update).
-- **정책 변화(RL Update)**: 최근에는 생성형 AI(Generative AI)의 폭발적 성장에 따라, LLM 의 저작권 정책 및 가치 정렬 정책(Alignment) 정책을 포함하는 방향으로 표준 범위 정책이 지속적으로 확장 중임. (HHH와 연결)
+- **정책 변화(RL Update)**: 최근에는 생성형 AI(Generative AI)의 폭발적 성장에 따라, LLM 의 저작권 정책 및 가치 정렬 정책([[Alignment]]) 정책을 포함하는 방향으로 표준 범위 정책이 지속적으로 확장 중임. (HHH와 연결)
## 🔗 지식 연결 (Graph)
- [[Ensuring-Data-Privacy]], Ethics, [[Reasoning]], [[Strategic-Planning]], [[HHH]], [[Reliability]], Safety
diff --git a/10_Wiki/Topics/AI/ISO-Standard.md b/10_Wiki/Topics/AI/ISO-Standard.md
index e4596ac6..3b9f902c 100644
--- a/10_Wiki/Topics/AI/ISO-Standard.md
+++ b/10_Wiki/Topics/AI/ISO-Standard.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-ISOS-001
+id: [[P-Reinforce]]-AUTO-ISOS-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.93
-tags: [auto-reinforced, iso, standards, quality-management, compliance, global-governance]
+tags: [auto-reinforced, iso, standards, quality-[[Management]], compliance, global-governance]
last_reinforced: 2026-04-20
---
@@ -19,7 +19,7 @@ ISO 표준은 국제 표준화 기구가 제정하는 품질 및 프로세스
* **ISO 27001**: 정보 보안 경영 시스템 (데이터 보호의 글로벌 문법).
* **ISO 14001**: 환경 경영 시스템. (Environmental-Impact와 연결)
2. **왜 중요한가?**:
- * 공급자에게는 일관된 품질을 강제하고, 소비자에게는 검증된 안전을 보장하는 사회적 인프라이자 지적 자산임. (Global-Standard의 구체적 구현체)
+ * 공급자에게는 일관된 품질을 강제하고, 소비자에게는 검증된 안전을 보장하는 사회적 인프라이자 지적 자산임. ([[Global-Standard]]의 구체적 구현체)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거에는 오프라인 제조 기반의 규격 정책이 주류였으나, 현대 정책은 'AI 관리 체계(ISO 42001) 정책'이나 '클라우드 보안 정책' 등 디지털 원주민형 표준 수립 정책에 집중함(RL Update).
diff --git a/10_Wiki/Topics/AI/Ikigai (이키가이).md b/10_Wiki/Topics/AI/Ikigai (이키가이).md
index acc46127..1b545c1e 100644
--- a/10_Wiki/Topics/AI/Ikigai (이키가이).md
+++ b/10_Wiki/Topics/AI/Ikigai (이키가이).md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-IKIG-001
+id: [[P-Reinforce]]-AUTO-IKIG-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.85
-tags: [auto-reinforced, ikigai, purpose, motivation, well-being, life-philosophy, meaning-of-life]
+tags: [auto-reinforced, ikigai, [[Purpose]], motivation, well-being, life-[[Philosophy]], meaning-of-life]
last_reinforced: 2026-04-20
---
@@ -20,7 +20,7 @@ last_reinforced: 2026-04-20
* **Vocation (천직)**: 세상이 필요로 하는 것 + 보상을 받을 수 있는 것.
* **Profession (직업)**: 잘하는 것 + 보상을 받을 수 있는 것.
2. **왜 중요한가?**:
- * 번아웃과 허무주의가 만연한 현대 사회에서 개인이 장기적으로 몰입하고 행복을 유지할 수 있는 지적 지도를 제공함. (Flow-State의 상위 구조와 연결)
+ * 번아웃과 허무주의가 만연한 현대 사회에서 개인이 장기적으로 몰입하고 행복을 유지할 수 있는 지적 지도를 제공함. ([[Flow-State]]의 상위 구조와 연결)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거에는 직업적 성공(돈+잘함)만을 최우선 시 하는 정책이 지배적이었으나, 현대 정책은 정신적 풍요와 사회적 공헌(좋아함+세상 필요)의 균형을 찾는 '전인적 성공 정책'으로 확장됨(RL Update).
@@ -28,5 +28,5 @@ last_reinforced: 2026-04-20
## 🔗 지식 연결 (Graph)
- [[Flow-State]], [[Creativity Research]], [[Dopamine-Modeling]], [[Homeostasis (항상성)]], [[Empathy-in-AI]]
-- **Modern Tech/Tools**: Ikigai diagrams, Life coaching, Self-reflection journaling apps.
+- **Modern Tech/Tools**: Ikigai diagrams, Life coaching, Self-[[Reflection]] [[Journaling]] apps.
---
diff --git a/10_Wiki/Topics/AI/Image-Classification-Mastery.md b/10_Wiki/Topics/AI/Image-Classification-Mastery.md
index 65acb42d..a3f70c08 100644
--- a/10_Wiki/Topics/AI/Image-Classification-Mastery.md
+++ b/10_Wiki/Topics/AI/Image-Classification-Mastery.md
@@ -2,11 +2,11 @@
id: CV-CLASS-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [computer-vision, deep-learning, image-classification, cnn, vit]
+tags: [[[Computer-Vision]], [[Deep-Learning]], image-classification, cnn, vit]
last_reinforced: 2026-04-26
---
-# Image Classification Mastery (이미지 분류 마스터리)
+# Image Classification [[Mastery]] (이미지 분류 마스터리)
## 📌 한 줄 통찰 (The Karpathy Summary)
> "픽셀의 뭉치에서 사물의 특징(Feature)을 추출하여, 기계가 세상을 명명(Labeling)하게 하라" — 입력 이미지를 미리 정의된 여러 카테고리 중 하나(또는 그 이상)로 분류하는 컴퓨터 비전의 핵심 태스크이자, 모든 시각 지능 시스템의 시작점.
@@ -16,11 +16,11 @@ last_reinforced: 2026-04-26
- **핵심 아키텍처:**
- **CNN (Convolutional Neural Networks):** 공간적 구조를 보존하며 특징을 추출하는 고전적 강자 (ResNet, EfficientNet).
- **Vision Transformer (ViT):** 이미지를 패치 단위로 나누어 어텐션 메커니즘을 적용, 전역적인 맥락 파악에 유리.
- - **Transfer Learning:** 거대 데이터셋(ImageNet 등)으로 사전 학습된 모델을 활용하여 소량의 데이터로도 고성능 구현.
+ - **[[Transfer Learning]]:** 거대 데이터셋(ImageNet 등)으로 사전 학습된 모델을 활용하여 소량의 데이터로도 고성능 구현.
- **의의:** 자율주행, 의료 영상 진단, 콘텐츠 필터링 등 이미지가 데이터로 사용되는 거의 모든 산업의 기반 기술.
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
-- **과거 데이터와의 충돌:** 단순히 정적인 이미지를 분류하던 단계를 넘어, 이제는 텍스트와 이미지를 동시에 이해하는 멀티모달(CLIP 등) 모델을 통해 '문맥적 분류'가 가능한 시대로 진화.
+- **과거 데이터와의 충돌:** 단순히 정적인 이미지를 분류하던 단계를 넘어, 이제는 텍스트와 이미지를 동시에 이해하는 멀티모달([[CLIP]] 등) 모델을 통해 '문맥적 분류'가 가능한 시대로 진화.
- **정책 변화:** Antigravity 프로젝트는 수집된 이미지 자료(`00_Raw/Images`)를 자동으로 인덱싱하고 위키 카테고리에 할당하기 위해 최신 ViT 기반의 분류 엔진을 상시 가동함.
## 🔗 지식 연결 (Graph)
diff --git a/10_Wiki/Topics/AI/Image-Optimization-for-Web-Performance.md b/10_Wiki/Topics/AI/Image-Optimization-for-Web-Performance.md
index f7a8aa3e..4eee82ee 100644
--- a/10_Wiki/Topics/AI/Image-Optimization-for-Web-Performance.md
+++ b/10_Wiki/Topics/AI/Image-Optimization-for-Web-Performance.md
@@ -2,7 +2,7 @@
id: PERF-IMG-OPT-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [image-optimization, web-performance, webp, avif, lazy-loading, responsive-images, lcp]
+tags: [image-[[Optimization]], web-performance, webp, avif, lazy-loading, responsive-images, lcp]
last_reinforced: 2026-04-26
---
@@ -26,5 +26,5 @@ last_reinforced: 2026-04-26
- **정책 변화:** Antigravity 프로젝트는 모든 신규 이미지 자산에 대해 AVIF 포맷 사용을 기본 정책으로 하며, 고해상도 원본 이미지를 직접 서빙하는 행위를 엄격히 금지함.
## 🔗 지식 연결 (Graph)
-- [[Core-Web-Vitals-Metrics]], [[Largest-Contentful-Paint-LCP]], [[Cumulative-Layout-Shift-CLS]], [[Frontend-Performance-Optimization-Guide]]
+- [[Core-Web-Vitals-Metrics]], [[Largest-Contentful-Paint-LCP]], [[Cumulative-Layout-[[Shift]]-CLS]], [[Frontend-Performance-Optimization-Guide]]
- **Raw Source:** 00_Raw/Image Optimization.md
diff --git a/10_Wiki/Topics/AI/Image-Segmentation-Techniques.md b/10_Wiki/Topics/AI/Image-Segmentation-Techniques.md
index 0005346e..844b124b 100644
--- a/10_Wiki/Topics/AI/Image-Segmentation-Techniques.md
+++ b/10_Wiki/Topics/AI/Image-Segmentation-Techniques.md
@@ -2,7 +2,7 @@
id: CV-SEG-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [computer-vision, deep-learning, image-segmentation, u-net, mask-rcnn]
+tags: [[[Computer-Vision]], [[Deep-Learning]], [[Image-Segmentation]], u-net, mask-rcnn]
last_reinforced: 2026-04-26
---
@@ -25,5 +25,5 @@ last_reinforced: 2026-04-26
- **정책 변화:** Skybound 프로젝트의 후처리 이펙트 및 정교한 충돌 판정 시스템은 픽셀 단위의 마스크 데이터를 생성하는 세그멘테이션 기법을 활용하여 시각적 완성도를 높임.
## 🔗 지식 연결 (Graph)
-- [[Image-Classification-Mastery]], Object-Detection-Mastery, Computer-Vision-Mastery, Deep-Learning-Foundations
+- [[Image-Classification-Mastery]], Object-Detection-[[Mastery]], Computer-Vision-Mastery, Deep-Learning-Foundations
- **Raw Source:** 10_Wiki/Topics/AI/Image-Segmentation-Techniques.md
diff --git a/10_Wiki/Topics/AI/Image-Segmentation.md b/10_Wiki/Topics/AI/Image-Segmentation.md
index 18b78c32..8d34addf 100644
--- a/10_Wiki/Topics/AI/Image-Segmentation.md
+++ b/10_Wiki/Topics/AI/Image-Segmentation.md
@@ -2,7 +2,7 @@
id: SEGMENT-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [computer-vision, deep-learning, image-processing, autonomous-driving]
+tags: [[[Computer-Vision]], [[Deep-Learning]], image-[[Processing]], autonomous-driving]
last_reinforced: 2026-04-26
---
@@ -17,7 +17,7 @@ last_reinforced: 2026-04-26
- **Semantic Segmentation:** 같은 클래스의 객체들을 하나의 영역으로 묶음 (예: 모든 '자동차'를 하나의 색으로 칠함).
- **Instance Segmentation:** 개별 객체를 독립적으로 식별 (예: 1번 자동차, 2번 자동차를 구분).
- **Panoptic Segmentation:** 세맨틱과 인스턴스를 결합하여 배경과 개별 객체를 모두 완벽하게 분류.
- - **Key Architectures:** U-Net(의료 영상), Mask R-CNN, SAM(Segment Anything Model) 등.
+ - **Key [[Architecture]]s:** U-Net(의료 영상), Mask R-CNN, SAM(Segment Anything Model) 등.
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌:** 초기에는 경계선 검출(Edge Detection) 수준이었으나, 딥러닝과 어텐션 메커니즘을 통해 복잡한 배경 속에서도 픽셀 단위의 완벽한 마스킹이 가능해짐.
diff --git a/10_Wiki/Topics/AI/Imbalanced-Data-Handling.md b/10_Wiki/Topics/AI/Imbalanced-Data-Handling.md
index 97ddf18e..fdcdc458 100644
--- a/10_Wiki/Topics/AI/Imbalanced-Data-Handling.md
+++ b/10_Wiki/Topics/AI/Imbalanced-Data-Handling.md
@@ -2,7 +2,7 @@
id: ML-IMBAL-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [machine-learning, imbalanced-data, resampling, smote, focal-loss]
+tags: [machine-learning, imbalanced-data, resampling, smote, [[Focal-Loss]]]
last_reinforced: 2026-04-26
---
@@ -28,5 +28,5 @@ last_reinforced: 2026-04-26
- **정책 변화:** Antigravity 프로젝트는 보안 로그 분석 시, 압도적으로 많은 '정상 접근' 사이에서 극소수의 '공격 징후'를 놓치지 않기 위해 SMOTE와 Cost-sensitive 앙상블 모델을 표준으로 사용함.
## 🔗 지식 연결 (Graph)
-- [[Focal-Loss]], [[Supervised-Learning-Foundations]], Precision-Recall-and-F1-Score, Deep-Learning-Foundations
+- [[Focal-Loss]], [[Supervised-Learning-Foundations]], Precision-Recall-and-F1-Score, [[Deep-Learning]]-Foundations
- **Raw Source:** 10_Wiki/Topics/AI/Imbalanced-Data-Handling.md
diff --git a/10_Wiki/Topics/AI/Imitation-Learning.md b/10_Wiki/Topics/AI/Imitation-Learning.md
index 5b4f4404..bd9a69a9 100644
--- a/10_Wiki/Topics/AI/Imitation-Learning.md
+++ b/10_Wiki/Topics/AI/Imitation-Learning.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AI-IMITATION
+id: [[P-Reinforce]]-AI-IMITATION
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.95
-tags: [AI, ReinforcementLearning, ImitationLearning, Robotics]
+tags: [AI, ReinforcementLearning, ImitationLearning, [[Robotics]]]
last_reinforced: 2026-04-20
---
@@ -14,7 +14,7 @@ last_reinforced: 2026-04-20
## 📖 구조화된 지식 (Synthesized Content)
- **Why Imitation?**: 강화학습에서 희소한 보상(Sparse Reward) 문제는 학습을 불가능하게 한다. 전문가의 자취를 따라가는 것은 훨씬 빠른 경로를 제공한다.
- **Methods**:
- - **Behavioral Cloning (BC)**: 시연 데이터를 단순한 지도 학습(Supervised Learning)으로 학습. (데이터 밖의 상황에 취약)
+ - **[[Behavior]]al Cloning (BC)**: 시연 데이터를 단순한 지도 학습(Supervised Learning)으로 학습. (데이터 밖의 상황에 취약)
- **Inverse Reinforcement Learning (IRL)**: 전문가의 행동으로부터 그가 추구하는 '보상 함수'를 역으로 추론함.
- **GAIL (Generative Adversarial Imitation Learning)**: GAN 구조를 활용해 시연자와 구분이 안 되는 행동을 하도록 학습.
- **Domain**: 자율주행, 로봇 팔 제어, 개인화된 에이전트.
diff --git a/10_Wiki/Topics/AI/Immersive-Sim-Design.md b/10_Wiki/Topics/AI/Immersive-Sim-Design.md
index 994b4d4e..bee6c002 100644
--- a/10_Wiki/Topics/AI/Immersive-Sim-Design.md
+++ b/10_Wiki/Topics/AI/Immersive-Sim-Design.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-IMSD-001
+id: [[P-Reinforce]]-AUTO-IMSD-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.97
-tags: [auto-reinforced, immersive-sim, game-design, emergent-gameplay, systems-design, player-agency]
+tags: [auto-reinforced, immersive-sim, game-design, emergent-gameplay,[[ system]]s-design, player-agency]
last_reinforced: 2026-04-20
---
@@ -16,14 +16,14 @@ last_reinforced: 2026-04-20
1. **핵심 기동 (Design Pillars)**:
* **Consistency**: 세상의 규칙이 논리적이고 일관 정책적이어야 함 (예: 불은 나무를 태우고 물은 불을 끈다).
- * **Emergent Gameplay**: 서로 다른 시스템 정책들이 충돌하며 개발자도 예상하지 못한 기발한 상황 정책 발생. (Emergence-in-Complex-Systems와 연결)
+ * **Emergent Gameplay**: 서로 다른 시스템 정책들이 충돌하며 개발자도 예상하지 못한 기발한 상황 정책 발생. ([[Emergence-in-Complex-Systems]]와 연결)
* **Agency**: "이게 될까?"라고 플레이어가 물었을 때, 시스템 정책은 반드시 "된다"고 응답해야 함.
2. **왜 중요한가?**:
- * 단순한 오락을 넘어, 인간이 가상 공간의 물리적/사회적 규칙 정책을 활용해 목적 정책을 달성하는 능동적 지능 정책을 자극하기 때문임. (Game-Design-Theory와 연결)
+ * 단순한 오락을 넘어, 인간이 가상 공간의 물리적/사회적 규칙 정책을 활용해 목적 정책을 달성하는 능동적 지능 정책을 자극하기 때문임. ([[Game-Design-Theory]]와 연결)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
-- **과거 데이터와의 충돌**: 과거에는 미리 짜여진 스크립트 기반 연출(Scripted events) 정책이 몰입의 핵심이라 믿었으나, 이머시브 심 정책은 오히려 스크립트 정책을 최소화하고 '규칙의 자율성 정책'을 주는 것이 더 깊은 몰입 정책을 만든다는 것을 유로(Looking Glass Studios)가 증명함(RL Update).
-- **정책 변화(RL Update)**: 이제는 단순 게임 플레이 정책을 넘어, AI 에이전트가 이머시브 심 세계에서 스스로 도구 정책을 결합하여 난관 정책을 돌파하는 모델링 연구의 훌륭한 시뮬레이션 환경 정책으로 활용됨. (Game-Ontology-for-PCG와 연결)
+- **과거 데이터와의 충돌**: 과거에는 미리 짜여진 스크립트 기반 연출(Scripted [[Events]]) 정책이 몰입의 핵심이라 믿었으나, 이머시브 심 정책은 오히려 스크립트 정책을 최소화하고 '규칙의 자율성 정책'을 주는 것이 더 깊은 몰입 정책을 만든다는 것을 유로(Looking Glass Studios)가 증명함(RL Update).
+- **정책 변화(RL Update)**: 이제는 단순 게임 플레이 정책을 넘어, AI 에이전트가 이머시브 심 세계에서 스스로 도구 정책을 결합하여 난관 정책을 돌파하는 모델링 연구의 훌륭한 시뮬레이션 환경 정책으로 활용됨. ([[Game-[[Ontology]]-for-PCG]]와 연결)
## 🔗 지식 연결 (Graph)
- [[Emergence-in-Complex-Systems]], [[Game-Design-Theory]], [[Game-Ontology-for-PCG]], [[Logic]], [[Complexity-Theory]], UX-Design-and-Engagement
diff --git a/10_Wiki/Topics/AI/Immersive-Sim-Genre.md b/10_Wiki/Topics/AI/Immersive-Sim-Genre.md
index c7bb2e64..5b809e58 100644
--- a/10_Wiki/Topics/AI/Immersive-Sim-Genre.md
+++ b/10_Wiki/Topics/AI/Immersive-Sim-Genre.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-ISGR-001
+id: [[P-Reinforce]]-AUTO-ISGR-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.96
-tags: [auto-reinforced, immersive-sim, genre-definition, simulation, first-person, systems-theory, gameplay]
+tags: [auto-reinforced, immersive-sim, genre-definition, simulation, first-person,[[ system]]s-theory, gameplay]
last_reinforced: 2026-04-20
---
@@ -19,11 +19,11 @@ last_reinforced: 2026-04-20
* **Player-Driven**: 플레이어가 문제 정책을 해결할 때 자신의 창의성 정책을 사용하도록 강력하게 권장함. (Decision-Making와 연결)
* **First-Person Perspective**: 세상과 내가 직접 맞닿아 있다는 일치감 정책 극대화.
2. **역사적 계보**:
- * Ultima Underworld -> System Shock -> Thief -> Deus Ex -> BioShock -> Prey (2017). (System-Theory와 연결)
+ * Ultima Underworld -> System Shock -> Thief -> Deus Ex -> BioShock -> Prey (2017). ([[System-Theory]]와 연결)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거에는 "매니악한 변두리 장르 정책"으로 치부 정책되었으나, 현대 정책은 거의 모든 대작 게임 정책(Cyberpunk 2077, Baldur's Gate 3 등)이 이머시브 심의 '자유로운 상호작용 정책' 요소를 핵심 재미 정책으로 채택함에 따라 메인스트림의 기초 체력이 됨(RL Update).
-- **정책 변화(RL Update)**: 생성형 AI 정책 기술이 발달함에 따라, 이제는 개발자가 미리 짜놓지 않은 대답 정책을 NPC 가 온톨로지 정책을 기반으로 즉석에서 내놓는 '진정한 지능형 이머시브 심 정책'으로의 진화가 시도되고 있음. (Game-Design-Ontology와 연결)
+- **정책 변화(RL Update)**: 생성형 AI 정책 기술이 발달함에 따라, 이제는 개발자가 미리 짜놓지 않은 대답 정책을 NPC 가 온톨로지 정책을 기반으로 즉석에서 내놓는 '진정한 지능형 이머시브 심 정책'으로의 진화가 시도되고 있음. ([[Game-Design-Ontology]]와 연결)
## 🔗 지식 연결 (Graph)
- Simulation, Decision-Making, [[System-Theory]], [[Game-Design-Ontology]], [[Immersive-Sim-Design]], User-Experience
diff --git a/10_Wiki/Topics/AI/Immersive-Sims-Deus-Ex-Dishonored.md b/10_Wiki/Topics/AI/Immersive-Sims-Deus-Ex-Dishonored.md
index 7ca70558..0eca43fd 100644
--- a/10_Wiki/Topics/AI/Immersive-Sims-Deus-Ex-Dishonored.md
+++ b/10_Wiki/Topics/AI/Immersive-Sims-Deus-Ex-Dishonored.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-ISDD-001
+id: [[P-Reinforce]]-AUTO-ISDD-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.95
-tags: [auto-reinforced, immersive-sim, deus-ex, dishonored, game-analysis, choice, consequence]
+tags: [auto-reinforced, immersive-sim, deus-ex, dishonored, game-[[Analysis]], choice, consequence]
last_reinforced: 2026-04-20
---
@@ -16,12 +16,12 @@ last_reinforced: 2026-04-20
1. **Deus Ex (2000)**:
* **Hybridity**: RPG의 캐릭터 성장 정책과 FPS의 액션 정책 결합.
- * **Consequence**: 플레이어의 행동 정책(누구를 살렸는가 등)이 후반부 서사 정책과 레벨 디자인 정책에 실질적인 영향 정책을 미침. (Dramaturgy-Theory와 연결)
+ * **Consequence**: 플레이어의 행동 정책(누구를 살렸는가 등)이 후반부 서사 정책과 레벨 디자인 정책에 실질적인 영향 정책을 미침. ([[Dramaturgy-Theory]]와 연결)
2. **Dishonored (2012)**:
- * **Verticality**: 마법 능력(Blink)을 활용한 수직적 이동 정책 기능 강화.
- * **Chaos System**: 살인을 많이 할수록 쥐 떼가 늘어나고 세상이 황폐해지는 '행동 정책-환경 정책' 연동 시스템. (Homeostasis와 대비)
+ * **Verticality**: 마법 능력([[Blink]])을 활용한 수직적 이동 정책 기능 강화.
+ * **Chaos[[ system]]**: 살인을 많이 할수록 쥐 떼가 늘어나고 세상이 황폐해지는 '행동 정책-환경 정책' 연동 시스템. ([[Homeostasis]]와 대비)
3. **왜 중요한가?**:
- * 이 두 작품은 복잡한 시스템 정책들이 플레이어의 '윤리적 선택 정책'과 어떻게 맞물릴 수 있는지 보여주는 최고의 사례이기 때문임. (Ethical-Decision-Making와 연결)
+ * 이 두 작품은 복잡한 시스템 정책들이 플레이어의 '윤리적 선택 정책'과 어떻게 맞물릴 수 있는지 보여주는 최고의 사례이기 때문임. ([[Ethical-Decision-Making]]와 연결)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거에는 이머시브 심 정책이 너무 복잡해서 대중성 정책이 떨어진다고 평가 정책받았으나, 현대 정책은 이들의 디자인 요소(Skill trees, Stealth mechanics) 정책이 거의 모든 AAA 오픈월드 게임 정책의 필수 요소로 흡수되었음을 보여줌(RL Update).
diff --git a/10_Wiki/Topics/AI/Immersive-Sims-Deus-Ex-Thief.md b/10_Wiki/Topics/AI/Immersive-Sims-Deus-Ex-Thief.md
index 359607ab..0e288fb1 100644
--- a/10_Wiki/Topics/AI/Immersive-Sims-Deus-Ex-Thief.md
+++ b/10_Wiki/Topics/AI/Immersive-Sims-Deus-Ex-Thief.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AUTO-ISDT-001
+id: [[P-Reinforce]]-AUTO-ISDT-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.94
tags: [auto-reinforced, immersive-sim, deus-ex, thief, history, looking-glass, dark-engine, game-development]
@@ -16,7 +16,7 @@ last_reinforced: 2026-04-20
1. **Thief (1998)**:
* **Light & Sound Simulation**: 어둠 속에 숨으면 안 보이고, 카펫 위를 걸으면 소리가 안 나는 '물리적 감각 정책'의 시뮬레이션 정책화.
- * **Non-combat Focus**: 정면 대결이 아닌 회피 정책가 정답이 될 수 있음을 입증. (Logic와 연결)
+ * **Non-combat Focus**: 정면 대결이 아닌 회피 정책가 정답이 될 수 있음을 입증. ([[Logic]]와 연결)
2. **Deus Ex (2000)**:
* **Cyberpunk Narrative**: 음모론과 철학적 질문 정책이 가득한 깊이 있는 시나리오.
* **Environmental Storytelling**: 맵에 놓인 일기장이나 이메일 하나로 세계관 정책 설명. (Communication와 연결)
@@ -25,7 +25,7 @@ last_reinforced: 2026-04-20
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 초기 유행 정책 중심이던 아케이드 게임 정책들과 달리, 이 작품 정책들은 플레이어가 시간을 들여 세상을 관찰 정책(Observer pattern)하고 이해 정책해야 한다는 '지성 지향적 게임 기획 정책'을 확립함(RL Update).
-- **정책 변화(RL Update)**: 이들이 정립한 '환경적 서사 정책'과 '시스템적 상호작용 정책'은 현대의 젤다 야생의 숨결(BotW) 같은 작품 정책에까지 지대한 영향 정책을 미친 것으로 재평가 정책받음. (Game-Design-Theory와 연결)
+- **정책 변화(RL Update)**: 이들이 정립한 '환경적 서사 정책'과 '시스템적 상호작용 정책'은 현대의 젤다 야생의 숨결(BotW) 같은 작품 정책에까지 지대한 영향 정책을 미친 것으로 재평가 정책받음. ([[Game-Design-Theory]]와 연결)
## 🔗 지식 연결 (Graph)
- [[Logic]], Communication, [[Game-Design-Theory]], [[Immersive-Sim-Design]], [[Immersive-Sim-Genre]], [[Experience-Sampling-Method]]
diff --git a/10_Wiki/Topics/AI/Immutability-Patterns.md b/10_Wiki/Topics/AI/Immutability-Patterns.md
index 50d1a3e5..71fb81e1 100644
--- a/10_Wiki/Topics/AI/Immutability-Patterns.md
+++ b/10_Wiki/Topics/AI/Immutability-Patterns.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-IMPA-001
+id: [[P-Reinforce]]-AUTO-IMPA-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.98
-tags: [auto-reinforced, immutability, pattern, functional-programming, thread-safety, side-effects, software-design]
+tags: [auto-reinforced, immutability, pattern, [[Functional-Programming]], thread-safety, side-effects, software-design]
last_reinforced: 2026-04-20
---
@@ -15,15 +15,15 @@ last_reinforced: 2026-04-20
불변성 패턴(Immutability-Patterns)은 생성된 후 그 상태를 변경할 수 없는 객체를 활용하는 소프트웨어 디자인 원칙입니다.
1. **핵심 이점**:
- * **Predictability**: 값이 변하지 않으므로 언제 어디서 호출해도 항상 같은 결과를 보장. (Reliability와 연결)
+ * **Predictability**: 값이 변하지 않으므로 언제 어디서 호출해도 항상 같은 결과를 보장. ([[Reliability]]와 연결)
* **Thread Safety**: 여러 프로세스가 동시에 접근해도 데이터 변조 정책 위험 정책 없음.
* **Undo/Redo (Time Travel Debugging)**: 이전 상태 정책의 복사본 정책이 보존 정책되어 있어 시점 이동 정책 용이.
2. **구현 기술**:
* **Copy-on-Write**: 변경 시에만 새로운 객체 생성.
- * **Structural Sharing**: 변경되지 않은 부분은 메모리 정책을 공유하여 효율성 정책 확보. (Efficiency와 연결)
+ * **Structural Sharing**: 변경되지 않은 부분은 메모리 정책을 공유하여 효율성 정책 확보. ([[Efficiency]]와 연결)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
-- **과거 데이터와의 충돌**: 과거에는 "매번 복사하면 메모리 정책이 아깝다"는 우려 정책이 컸으나, 현대 정책은 하드웨어 성능 정책 향상 정책과 '구조적 공유 정책' 기술의 발달로 인해, 불변성 정책을 통해 얻는 '디버깅 비용 정책 감소' 효과 정책이 훨씬 더 크다고 판단함(RL Update). (Technical-Debt 감소와 연결)
+- **과거 데이터와의 충돌**: 과거에는 "매번 복사하면 메모리 정책이 아깝다"는 우려 정책이 컸으나, 현대 정책은 하드웨어 성능 정책 향상 정책과 '구조적 공유 정책' 기술의 발달로 인해, 불변성 정책을 통해 얻는 '디버깅 비용 정책 감소' 효과 정책이 훨씬 더 크다고 판단함(RL Update). ([[Technical-Debt]] 감소와 연결)
- **정책 변화(RL Update)**: 이제는 단순 프로그래밍 패턴 정책을 넘어, 데이터베이스(Event Sourcing)나 블록체인 정책처럼 기록 정책 자체를 불변 정책으로 관리하여 데이터의 무결성 정책을 완벽히 보장 정책하는 아키텍처의 핵심으로 자리 잡음.
## 🔗 지식 연결 (Graph)
diff --git a/10_Wiki/Topics/AI/Impedance-Matching.md b/10_Wiki/Topics/AI/Impedance-Matching.md
index 38c7f53a..00ab9888 100644
--- a/10_Wiki/Topics/AI/Impedance-Matching.md
+++ b/10_Wiki/Topics/AI/Impedance-Matching.md
@@ -2,21 +2,21 @@
id: SYS-IMP-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [system-design, engineering, impedance-matching, optimization, scalability]
+tags: [system-design, engineering, impedance-matching, [[Optimization]], [[Scalability]]]
last_reinforced: 2026-04-26
---
-# Impedance Matching in Systems (시스템 임피던스 매칭)
+# Impedance Matching in[[ system]]s (시스템 임피던스 매칭)
## 📌 한 줄 통찰 (The Karpathy Summary)
> "서로 다른 두 시스템이 만나는 경계에서 에너지와 데이터의 손실을 최소화하고, 흐름의 효율을 극대화하라" — 전기 회로의 개념을 소프트웨어 아키텍처로 확장하여, 서로 다른 처리 속도나 데이터 구조를 가진 컴포넌트 간의 결합을 최적화하는 설계 원리.
## 📖 구조화된 지식 (Synthesized Content)
-- **추출된 패턴:** "Interface Alignment" — 데이터를 생산하는 속도(Producer)와 소비하는 속도(Consumer), 또는 객체 지향 코드와 관계형 데이터베이스(ORM) 사이의 간극을 메우기 위해 버퍼, 캐시, 변환 레이어를 배치하는 조율 패턴.
+- **추출된 패턴:** "Interface [[Alignment]]" — 데이터를 생산하는 속도(Producer)와 소비하는 속도(Consumer), 또는 객체 지향 코드와 관계형 데이터베이스(ORM) 사이의 간극을 메우기 위해 버퍼, 캐시, 변환 레이어를 배치하는 조율 패턴.
- **주요 적용 사례:**
- **Software Engineering:** 비동기 메시지 큐(Kafka, RabbitMQ)를 통한 처리 속도 차이 조율.
- **Database (ORM):** 객체 모델과 테이블 모델 간의 구조적 불일치 해결.
- - **API Design:** 프론트엔드가 요구하는 데이터 형태와 백엔드가 제공하는 데이터 형태 사이의 변환 (BFF - Backend For Frontend).
+ - **API Design:** 프론트엔드가 요구하는 데이터 형태와 백엔드가 제공하는 데이터 형태 사이의 변환 (BFF - [[Backend]] For [[Frontend]]).
- **의의:** 시스템 전체의 병목 현상을 방지하고, 구성 요소 간의 결합도(Coupling)를 낮추어 유지보수성과 확장성을 확보함.
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
diff --git a/10_Wiki/Topics/AI/In-Context-Learning.md b/10_Wiki/Topics/AI/In-Context-Learning.md
index 7aac599b..c6ff9a48 100644
--- a/10_Wiki/Topics/AI/In-Context-Learning.md
+++ b/10_Wiki/Topics/AI/In-Context-Learning.md
@@ -2,7 +2,7 @@
id: ICL-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [ai, llm, prompting, zero-shot, few-shot]
+tags: [ai, llm, [[prompt]]ing, zero-shot, few-shot]
last_reinforced: 2026-04-26
---
@@ -17,7 +17,7 @@ last_reinforced: 2026-04-26
- **Zero-shot:** 예시 없이 지시사항만으로 태스크 수행.
- **Few-shot:** 몇 가지 입-출력 예시를 프롬프트에 포함하여 성능 극대화.
- **Emergent Ability:** 특정 파라미터 규모 이상의 모델에서 갑자기 나타나는 지능적 특성.
- - **Analogy Reasoning:** 예시 사이의 유추 관계를 파악하여 새로운 입력에 적용.
+ - **[[Analogy]] [[Reasoning]]:** 예시 사이의 유추 관계를 파악하여 새로운 입력에 적용.
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌:** 학습 데이터에 고정된 지식만 답변하던 방식에서, 주어진 컨텍스트를 바탕으로 '생각하는' 방식으로 패러다임 전환.
diff --git a/10_Wiki/Topics/AI/Inclusive-Design-and-UX.md b/10_Wiki/Topics/AI/Inclusive-Design-and-UX.md
index f29febd0..f1842e55 100644
--- a/10_Wiki/Topics/AI/Inclusive-Design-and-UX.md
+++ b/10_Wiki/Topics/AI/Inclusive-Design-and-UX.md
@@ -2,11 +2,11 @@
id: UX-INCLUSIVE-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [inclusive-design, ux, accessibility, universal-design, diversity, empathy, digital-equity]
+tags: [inclusive-design, ux, [[Accessibility]], universal-design, diversity, empathy, digital-equity]
last_reinforced: 2026-04-26
---
-# Inclusive Design and UX (인클루시브 디자인과 UX)
+# [[Inclusive Design]] and UX (인클루시브 디자인과 UX)
## 📌 한 줄 통찰 (The Karpathy Summary)
> "평균적인 사용자를 위한 설계를 넘어 극단적 제약(장애, 환경, 연령)을 가진 사용자의 문제부터 해결하고, 그 결과로 모두에게 더 편리하고 혁신적인 경험을 제공하라" — 인간의 다양성을 설계의 중심에 두는 보편적 디자인 철학.
@@ -25,5 +25,5 @@ last_reinforced: 2026-04-26
- **정책 변화:** Antigravity 프로젝트는 모든 디자인 리뷰 단계에서 '인클루시브 체크리스트' 통과를 의무화하며, 고령자 및 아동 사용자를 포함한 극한 환경 테스트 정책을 상시 운영함.
## 🔗 지식 연결 (Graph)
-- ADA-and-EAA-Accessibility-Compliance, POUR-Principles, [[UX-Design-Principles]], User-Centered-Design-Approach
+- ADA-and-EAA-Accessibility-Compliance, POUR-[[Principles]], [[UX-Design-Principles]], User-Centered-Design-Approach
- **Raw Source:** 00_Raw/Inclusive Design.md, 00_Raw/Inclusive UX Design.md
diff --git a/10_Wiki/Topics/AI/Incremental-Computation.md b/10_Wiki/Topics/AI/Incremental-Computation.md
index 840a2750..d3f6a851 100644
--- a/10_Wiki/Topics/AI/Incremental-Computation.md
+++ b/10_Wiki/Topics/AI/Incremental-Computation.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-INCM-001
+id: [[P-Reinforce]]-AUTO-INCM-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.95
-tags: [auto-reinforced, incremental-computation, algorithms, efficiency, dynamic-programming, synchronization, caching]
+tags: [auto-reinforced, incremental-computation, algorithms, [[Efficiency]], [[Dynamic-Programming]], synchronization, caching]
last_reinforced: 2026-04-20
---
@@ -15,12 +15,12 @@ last_reinforced: 2026-04-20
증분 계산(Incremental-Computation)은 입력의 작은 변화에 대해 출력을 효율적으로 업데이트하는 기법입니다.
1. **핵심 메커니즘**:
- * **Dependency Tracking**: 어떤 계산 정책 결과가 어떤 입력 데이터 정책에 의존 정책하는지 그래프로 관리. (DAG-Dependency-Management와 연결)
+ * **Dependency Tracking**: 어떤 계산 정책 결과가 어떤 입력 데이터 정책에 의존 정책하는지 그래프로 관리. ([[DAG-Dependency-Management]]와 연결)
* **Memoization/Caching**: 이전 계산 정책 결과 정책을 저장 정책해 두었다가 재사용. (Efficiency와 연결)
* **Change Propagation**: 변경된 입력 정책과 연결된 노드들만 선별적으로 재계산 정책.
2. **활용 사례**:
- * **Build Systems**: 수정된 파일만 다시 컴파일 (Bazel, Make).
- * **Database Views**: 원본 테이블에 데이터가 추가될 때 뷰(View)를 전체 갱신하지 않고 증분 반영. (Entity-Relationship-Modeling와 연결)
+ * **Build[[ system]]s**: 수정된 파일만 다시 컴파일 (Bazel, Make).
+ * **Database Views**: 원본 테이블에 데이터가 추가될 때 뷰(View)를 전체 갱신하지 않고 증분 반영. ([[Entity-Relationship-Modeling]]와 연결)
* **Excel**: 특정 셀의 값을 바꿨을 때 연결된 수식들만 실시간 업데이트.
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
diff --git a/10_Wiki/Topics/AI/Incremental-Learning.md b/10_Wiki/Topics/AI/Incremental-Learning.md
index 0e96b2d3..6438d2c0 100644
--- a/10_Wiki/Topics/AI/Incremental-Learning.md
+++ b/10_Wiki/Topics/AI/Incremental-Learning.md
@@ -14,8 +14,8 @@ last_reinforced: 2026-04-26
## 📖 구조화된 지식 (Synthesized Content)
- **추출된 패턴:** "Streaming Intelligence" — 데이터의 흐름(Stream)을 따라 모델의 파라미터를 미세 조정하며, 새로운 지식을 추가할 때 발생하는 파괴적 망각(Catastrophic Forgetting)을 방지하는 지식 축적 패턴.
- **핵심 과제 및 해결책:**
- - **Catastrophic Forgetting:** 새로운 학습이 기존 가중치를 덮어씌워 과거 지식을 잃어버리는 현상. -> 정규화(Regularization)나 리플레이(Replay) 버퍼를 통해 해결.
- - **Plasticity vs Stability:** 변화에 유연하면서도 본질적인 지식은 고수해야 하는 딜레마.
+ - **Catastrophic Forgetting:** 새로운 학습이 기존 가중치를 덮어씌워 과거 지식을 잃어버리는 현상. -> 정규화([[Regularization]])나 리플레이(Replay) 버퍼를 통해 해결.
+ - **Plasticity vs [[Stability]]:** 변화에 유연하면서도 본질적인 지식은 고수해야 하는 딜레마.
- **Elastic Weight Consolidation (EWC):** 중요한 과거 지식에 관련된 가중치 변화에 벌점을 부여하여 보존.
- **의의:** 데이터 규모가 기하급수적으로 커지는 환경에서 재학습 비용을 절감하고, 최신 트렌드를 즉각 반영하는 '살아있는 모델' 운영 가능.
diff --git a/10_Wiki/Topics/AI/Incremental-Static-Regeneration-ISR.md b/10_Wiki/Topics/AI/Incremental-Static-Regeneration-ISR.md
index 9b6ce49c..fa299084 100644
--- a/10_Wiki/Topics/AI/Incremental-Static-Regeneration-ISR.md
+++ b/10_Wiki/Topics/AI/Incremental-Static-Regeneration-ISR.md
@@ -2,7 +2,7 @@
id: FE-REND-ISR-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [nextjs, isr, rendering, web-architecture, ssg, performance, scalability, seo]
+tags: [nextjs, isr, rendering, web-[[Architecture]], ssg, performance, [[Scalability]], seo]
last_reinforced: 2026-04-26
---
diff --git a/10_Wiki/Topics/AI/Incrementalism.md b/10_Wiki/Topics/AI/Incrementalism.md
index 8a2f9bd5..c3bd9231 100644
--- a/10_Wiki/Topics/AI/Incrementalism.md
+++ b/10_Wiki/Topics/AI/Incrementalism.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AUTO-INCR-001
+id: [[P-Reinforce]]-AUTO-INCR-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.91
tags: [auto-reinforced, incrementalism, agile, product-development, continuous-improvement, evolution]
@@ -16,10 +16,10 @@ last_reinforced: 2026-04-20
1. **핵심 원칙**:
* **MVP (Minimum Viable Product)**: 핵심 기능만 갖춘 최소 버전으로 먼저 검증.
- * **Feedback Loops**: 작게 배포하고 유저 반응을 학습에 반영. (Feedback-Loops와 연결)
+ * **Feedback Loops**: 작게 배포하고 유저 반응을 학습에 반영. ([[Feedback-Loops]]와 연결)
* **Risk Mitigation**: 한 번에 큰 실패를 겪는 대신, 작은 실패를 통해 조기에 궤도를 수정.
2. **왜 중요한가?**:
- * 예측 불가능한 복잡계(Complexity Theory) 환경에서 완벽한 계획은 불가능하므로, '시도하며 배우는 것'만이 유일한 생존 전략임.
+ * 예측 불가능한 복잡계([[Complexity Theory]]) 환경에서 완벽한 계획은 불가능하므로, '시도하며 배우는 것'만이 유일한 생존 전략임.
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거에는 완벽한 기획 후에만 실행하는 '워터폴 정책'이 주류였으나, 현대 정책은 빠르게 실행하고 고치는 '애자일/점진주의 정책'이 모든 혁신의 표준 정책이 됨(RL Update).
@@ -27,5 +27,5 @@ last_reinforced: 2026-04-20
## 🔗 지식 연결 (Graph)
- [[Feedback-Loops]], [[Deployment-Strategy]], [[Complexity Theory]], [[Design-System]], Software Engineering
-- **Modern Tech/Tools**: Agile Scrum, CI/CD pipelines, DevOps culture, A/B testing.
+- **Modern Tech/Tools**: Agile Scrum, CI/CD pipelines, DevOps culture, A/B [[Testing]].
---
diff --git a/10_Wiki/Topics/AI/Independent Component Analysis (ICA).md b/10_Wiki/Topics/AI/Independent Component Analysis (ICA).md
index 0adbd7ef..841cffc3 100644
--- a/10_Wiki/Topics/AI/Independent Component Analysis (ICA).md
+++ b/10_Wiki/Topics/AI/Independent Component Analysis (ICA).md
@@ -1,12 +1,12 @@
---
-id: P-REINFORCE-AUTO-ICAN-001
+id: [[P-Reinforce]]-AUTO-ICAN-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.89
-tags: [auto-reinforced, ica, signal-processing, statistics, unsupervised-learning, machine-learning]
+tags: [auto-reinforced, ica, signal-[[Processing]], [[Statistics]], un[[Supervised-Learning]], machine-learning]
last_reinforced: 2026-04-20
---
-# [[Independent Component Analysis (ICA)]]
+# [[Independent Component [[Analysis]] (ICA)]]
## 📌 한 줄 통찰 (The Karpathy Summary)
> "칵테일 파티의 마법: 여러 악기 소리나 사람들의 목소리가 뒤섞인 복잡한 신호 뭉치에서, 각 소리가 서로 독립적이라는 가정을 바탕으로 겹겹이 쌓인 원형 신호들을 깔끔하게 분리해내는 통계학적 필터링."
@@ -23,7 +23,7 @@ last_reinforced: 2026-04-20
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거에는 선형적인 혼합 신호 분리에만 국한된 정책이었으나, 현대 정책은 딥러닝과 결합하여 비선형적인 복잡한 관계 속에서도 독립 성분을 찾아내는 'Deep ICA 정책'으로 진화함(RL Update).
-- **정책 변화(RL Update)**: 언어 모델의 가중치들 사이에서 특정 개념(concept)을 나타내는 독립적인 활성화 패턴 정책을 추출하여 AI 내부를 해석하려는 'XAI(Explainable AI) 정책'의 핵심 도구로 재발견됨. (Explainable-AI (XAI)와 연결)
+- **정책 변화(RL Update)**: 언어 모델의 가중치들 사이에서 특정 개념(concept)을 나타내는 독립적인 활성화 패턴 정책을 추출하여 AI 내부를 해석하려는 'XAI(Explainable AI) 정책'의 핵심 도구로 재발견됨. ([[Explainable-AI (XAI)]]와 연결)
## 🔗 지식 연결 (Graph)
- Unsupervised-Learning, [[Machine Learning (ML)]], [[Analysis]], [[Explainable-AI (XAI)]], [[Feature-Engineering]]
diff --git a/10_Wiki/Topics/AI/Independent-Component-Analysis.md b/10_Wiki/Topics/AI/Independent-Component-Analysis.md
index e5b74457..8f97000b 100644
--- a/10_Wiki/Topics/AI/Independent-Component-Analysis.md
+++ b/10_Wiki/Topics/AI/Independent-Component-Analysis.md
@@ -2,11 +2,11 @@
id: MATH-ICA-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [statistics, machine-learning, ica, signal-processing, blind-source-separation]
+tags: [[[Statistics]], machine-learning, ica, signal-[[Processing]], blind-source-separation]
last_reinforced: 2026-04-26
---
-# Independent Component Analysis (ICA, 독립 성분 분석)
+# Independent Component [[Analysis]] (ICA, 독립 성분 분석)
## 📌 한 줄 통찰 (The Karpathy Summary)
> "뒤섞인 소음들 속에서 각기 다른 목소리의 본질을 찾아내어 분리하라" — 서로 독립적인 여러 신호가 혼합된 관측 데이터로부터, 통계적 독립성(Statistical Independence)을 최대화하는 방향으로 원래의 소스 신호들을 찾아내는 기법.
diff --git a/10_Wiki/Topics/AI/Index-Fragmentation-Analysis.md b/10_Wiki/Topics/AI/Index-Fragmentation-Analysis.md
index ecdbf9a6..6ebaee0a 100644
--- a/10_Wiki/Topics/AI/Index-Fragmentation-Analysis.md
+++ b/10_Wiki/Topics/AI/Index-Fragmentation-Analysis.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-IDFR-001
+id: [[P-Reinforce]]-AUTO-IDFR-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.94
-tags: [auto-reinforced, database, index, fragmentation, performance, optimization, sql-server, storage]
+tags: [auto-reinforced, database, index, fragmentation, performance, [[Optimization]], sql-server, [[Storage]]]
last_reinforced: 2026-04-20
---
@@ -12,16 +12,16 @@ last_reinforced: 2026-04-20
> "데이터의 흩어진 조각들: 데이터가 추가/삭제되는 과정에서 인덱스 페이지들이 물리적으로 연속적이지 않게 어긋나거나 빈 공간이 생겨, 쿼리 성능이 점점 느려지는 'DB의 노화' 현상을 정밀 진단하고 복구하는 기술."
## 📖 구조화된 지식 (Synthesized Content)
-인덱스 파편화 분석(Index-Fragmentation-Analysis)은 데이터베이스 성능 최적화를 위해 인덱스의 물리적 저장 상태를 점검하는 과정입니다.
+인덱스 파편화 분석(Index-Fragmentation-[[Analysis]])은 데이터베이스 성능 최적화를 위해 인덱스의 물리적 저장 상태를 점검하는 과정입니다.
1. **파편화의 종류**:
* **External Fragmentation**: 논리적 순서와 물리적 페이지 저장 순서가 일치하지 않음 (I/O 비용 증가).
- * **Internal Fragmentation**: 페이지 내부에 빈 공간이 너무 많음 (메모리 낭비). (Efficiency와 연결)
+ * **Internal Fragmentation**: 페이지 내부에 빈 공간이 너무 많음 (메모리 낭비). ([[Efficiency]]와 연결)
2. **진단 및 해결**:
* **Reorganize**: 페이지를 다시 정렬하여 파편화 제거 (온라인 작업 가능).
- * **Rebuild**: 인덱스를 완전히 새로 생성 (강력하지만 리소스 소모 큼). (Standard-Operating-Procedure와 연결)
+ * **Rebuild**: 인덱스를 완전히 새로 생성 (강력하지만 리소스 소모 큼). ([[Standard-[[Opera]]ting-Procedure]]와 연결)
3. **왜 중요한가?**:
- * 아무리 좋은 쿼리 정책이라도 인덱스 정책이 파편화 정책되어 있으면 하드웨어 리소스 정책을 낭비 정책하고 응답 시간 정책이 지연되기 때문임. (Reliability와 연결)
+ * 아무리 좋은 쿼리 정책이라도 인덱스 정책이 파편화 정책되어 있으면 하드웨어 리소스 정책을 낭비 정책하고 응답 시간 정책이 지연되기 때문임. ([[Reliability]]와 연결)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거 HDD 환경 정책에서는 파편화 정책이 치명적이었으나, SSD 환경 정책에서는 탐색 정책 시간(Seek time)이 짧아 파편화 정책의 영향 정책이 줄었다는 주장이 있었음. 하지만 현대 정책은 SSD 에서도 '순차적 읽기 정책 성능'이 훨씬 우월하므로 여전히 파편화 관리 정책은 고성능 DB의 필수 덕목임(RL Update).
diff --git a/10_Wiki/Topics/AI/Indexing-Strategies.md b/10_Wiki/Topics/AI/Indexing-Strategies.md
index 457c029e..bbab539e 100644
--- a/10_Wiki/Topics/AI/Indexing-Strategies.md
+++ b/10_Wiki/Topics/AI/Indexing-Strategies.md
@@ -2,7 +2,7 @@
id: DATA-IDX-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [database, data-engineering, indexing, search-engine, vector-database, scalability]
+tags: [database, data-engineering, indexing, [[Search]]-engine, vector-database, [[Scalability]]]
last_reinforced: 2026-04-26
---
@@ -14,7 +14,7 @@ last_reinforced: 2026-04-26
## 📖 구조화된 지식 (Synthesized Content)
- **추출된 패턴:** "Space-Time Trade-off" — 추가적인 저장 공간(Index)을 사용하여 데이터 접근 시간(Search Time)을 획기적으로 단축시키는 효율성 극대화 패턴.
- **주요 인덱싱 기법:**
- - **B-Tree / B+Tree:** 범위 검색에 강하며 대부분의 관계형 DB에서 표준으로 사용.
+ - **[[B-Tree]] / B+Tree:** 범위 검색에 강하며 대부분의 관계형 DB에서 표준으로 사용.
- **Hash Index:** 정확한 키 일치 검색에서 최강의 성능($O(1)$)을 발휘.
- **Inverted Index (역색인):** 텍스트 검색 엔진(Lucene, Elasticsearch)의 핵심. 단어가 포함된 문서를 즉시 추적.
- **Vector Indexing (HNSW, IVFFlat):** AI의 임베딩 벡터 간 유사도를 빠르게 계산하기 위한 고차원 공간 인덱싱.
@@ -25,5 +25,5 @@ last_reinforced: 2026-04-26
- **정책 변화:** Antigravity 프로젝트는 1,174개의 위키 문서와 수만 개의 로우 데이터를 연결하기 위해, 역색인(키워드)과 벡터 인덱스(의미)를 결합한 하이브리드 인덱싱 전략을 사용하여 검색의 정확도와 속도를 동시에 확보함.
## 🔗 지식 연결 (Graph)
-- [[Hash-Functions-and-Maps]], Vector-Database-Foundations, System-Design-for-AI-Scale, Search-Algorithms
+- [[Hash-Functions-and-Maps]], Vector-Database-Foundations,[[ system]]-Design-for-AI-Scale, Search-Algorithms
- **Raw Source:** 10_Wiki/Topics/AI/Indexing-Strategies.md
diff --git a/10_Wiki/Topics/AI/Indian-Innovation-Models.md b/10_Wiki/Topics/AI/Indian-Innovation-Models.md
index 53d2be55..5216d2bd 100644
--- a/10_Wiki/Topics/AI/Indian-Innovation-Models.md
+++ b/10_Wiki/Topics/AI/Indian-Innovation-Models.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-ININ-001
+id: [[P-Reinforce]]-AUTO-ININ-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.92
-tags: [auto-reinforced, india, innovation, jugaad, entrepreneurship, emerging-markets, frugality, strategy]
+tags: [auto-reinforced, india, [[Innovation]], jugaad, entrepreneurship, emerging-markets, frugality, [[Strategy]]]
last_reinforced: 2026-04-20
---
@@ -15,13 +15,13 @@ last_reinforced: 2026-04-20
인도 혁신 모델(Indian-Innovation-Models)은 글로벌 emerging market에서 독특한 경쟁력을 보여주는 비즈니스 및 기술 전략입니다.
1. **Jugaad (Frugal Innovation)**:
- * **Improvisation**: 정해진 교본이 아닌, 당장 손에 쥔 재료로 문제를 해결하는 임기응변. (Dynamic-Capabilities와 연결)
+ * **Improvisation**: 정해진 교본이 아닌, 당장 손에 쥔 재료로 문제를 해결하는 임기응변. ([[Dynamic-Capabilities]]와 연결)
* **Doing More with Less**: 최소한의 자원으로 대중을 위한 가치 창출 (예: 타타 나노 자동차).
2. **Aadhaar & Digital Public Infrastructure (DPI)**:
* 생체 정보를 활용한 세계 최대의 신원 확인 시스템.
- * **Financial Inclusion**: 은행 계좌가 없는 서민들이 폰 하나로 금융 정책을 이용하게 함. (Economic-Mobility와 연결)
+ * **Financial Inclusion**: 은행 계좌가 없는 서민들이 폰 하나로 금융 정책을 이용하게 함. ([[Economic-Mobility]]와 연결)
3. **왜 중요한가?**:
- * 선진국의 막대한 자본 중심 혁신 모델 정책과는 다른, 개발도상국과 미래의 자원 제약 환경 정책에서 작동하는 '지속 가능한 성장의 대안'을 제시하기 때문임. (Sustainability와 연결)
+ * 선진국의 막대한 자본 중심 혁신 모델 정책과는 다른, 개발도상국과 미래의 자원 제약 환경 정책에서 작동하는 '지속 가능한 성장의 대안'을 제시하기 때문임. ([[Sustainability]]와 연결)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거에는 주가드 정책을 단순히 '조잡한 임시변통 정책'으로 폄하 정책했으나, 현대 정책은 이를 '복잡성을 제거한 핵심 가치 집중 정책'으로 재평가 정책하며 실리콘밸리 기업들도 이를 학습 정책하기 시작함(RL Update).
diff --git a/10_Wiki/Topics/AI/Inductive-Bias.md b/10_Wiki/Topics/AI/Inductive-Bias.md
index f4be2f41..cf87835b 100644
--- a/10_Wiki/Topics/AI/Inductive-Bias.md
+++ b/10_Wiki/Topics/AI/Inductive-Bias.md
@@ -25,5 +25,5 @@ last_reinforced: 2026-04-26
- **정책 변화:** Antigravity 프로젝트는 도메인 특화 에이전트 설계 시, 초기 학습 속도를 높이기 위해 도메인 지식 기반의 강한 귀납적 편향을 아키텍처에 반영함.
## 🔗 지식 연결 (Graph)
-- [[Generalization-in-AI]], Deep-Learning-Foundations, CNN-Mastery, Transformer-Architecture-Foundations
+- [[Generalization-in-AI]], [[Deep-Learning]]-Foundations, CNN-[[Mastery]], [[Transformer-Architecture]]-Foundations
- **Raw Source:** 10_Wiki/Topics/AI/Inductive-Bias.md
diff --git a/10_Wiki/Topics/AI/Inductive-Reasoning.md b/10_Wiki/Topics/AI/Inductive-Reasoning.md
index 3f17b7a8..8920ff96 100644
--- a/10_Wiki/Topics/AI/Inductive-Reasoning.md
+++ b/10_Wiki/Topics/AI/Inductive-Reasoning.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-INRE-001
+id: [[P-Reinforce]]-AUTO-INRE-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.94
-tags: [auto-reinforced, inductive-reasoning, logic, epistimology, patterns, generalization]
+tags: [auto-reinforced, inductive-[[Reasoning]], [[Logic]], epistimology, patterns, generalization]
last_reinforced: 2026-04-20
---
@@ -16,15 +16,15 @@ last_reinforced: 2026-04-20
1. **특징**:
* **Probability-based**: 전제가 참이라도 결론이 100% 참임을 보장하지는 않음 (개연성의 영역).
- * **Pattern Recognition**: 뇌가 세상을 안정적으로 살아가기 위해 사용하는 가장 기본적인 지식 확장 방식. (Machine Learning (ML)의 본질)
+ * **Pattern Recognition**: 뇌가 세상을 안정적으로 살아가기 위해 사용하는 가장 기본적인 지식 확장 방식. ([[Machine Learning (ML)]]의 본질)
2. **왜 중요한가?**:
* 인공지능(특히 딥러닝)이 수조 개의 텍스트나 이미지를 보고 '세상의 법칙'을 스스로 깨닫는 과정 자체가 거대한 귀납적 추론 장치이기 때문임.
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
-- **과거 데이터와의 충돌**: 과거 논리학 정책은 귀납법을 연역법(Deductive)에 비해 '불확실한 정책'으로 보았으나, 현대 정책은 불확실한 복잡계에서 유일한 학습 도구 정책으로 그 가치를 극대화함(RL Update). (Epistemology와 연결)
-- **정책 변화(RL Update)**: 단순히 패턴을 찾는 정책을 넘어, 적은 표본만으로도 강력한 일반화 정책을 수행하는 '퓨샷 러닝(Few-Shot-Learning) 정책'이나 '베이지안 귀납 정책'이 차세대 AI의 핵심 지능 정책으로 각광받음. (Few-Shot-Learning와 연결)
+- **과거 데이터와의 충돌**: 과거 논리학 정책은 귀납법을 연역법(Deductive)에 비해 '불확실한 정책'으로 보았으나, 현대 정책은 불확실한 복잡계에서 유일한 학습 도구 정책으로 그 가치를 극대화함(RL Update). ([[Epistemology]]와 연결)
+- **정책 변화(RL Update)**: 단순히 패턴을 찾는 정책을 넘어, 적은 표본만으로도 강력한 일반화 정책을 수행하는 '퓨샷 러닝([[Few-Shot-Learning]]) 정책'이나 '베이지안 귀납 정책'이 차세대 AI의 핵심 지능 정책으로 각광받음. (Few-Shot-Learning와 연결)
## 🔗 지식 연결 (Graph)
- [[Machine Learning (ML)]], [[Few-Shot-Learning]], [[Epistemology]], [[Grounded Theory Method]], [[Logic]]
-- **Modern Tech/Tools**: Bayesian inference, LLM-based pattern extraction, Predictive analytics.
+- **Modern Tech/Tools**: [[Bayesian Inference]], LLM-based pattern extraction, Predictive analytics.
---
diff --git a/10_Wiki/Topics/AI/Inexact-Science.md b/10_Wiki/Topics/AI/Inexact-Science.md
index 4647b6e5..ec58a3a7 100644
--- a/10_Wiki/Topics/AI/Inexact-Science.md
+++ b/10_Wiki/Topics/AI/Inexact-Science.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-INSC-001
+id: [[P-Reinforce]]-AUTO-INSC-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.86
-tags: [auto-reinforced, inexact-science, social-science, soft-science, complexity, human-behavior]
+tags: [auto-reinforced, inexact-science, social-science, soft-science, complexity, human-[[Behavior]]]
last_reinforced: 2026-04-20
---
@@ -15,9 +15,9 @@ last_reinforced: 2026-04-20
부정밀 과학(Inexact-Science)은 엄격한 실험적 통제나 수치적 정확성이 떨어지지만, 복잡한 인문·사회 현상을 다루는 학문 분야를 의미합니다. (심리학, 사회학, 경제학 등)
1. **특징**:
- * **Complexity**: 변수가 너무 많고 인간의 자유의지가 개입되어 예측이 어려움. (Complexity Theory와 연결)
+ * **Complexity**: 변수가 너무 많고 인간의 자유의지가 개입되어 예측이 어려움. ([[Complexity Theory]]와 연결)
* **Context-Dependent**: 시대와 환경에 따라 정답이 변함.
- * **Heuristic-driven**: 절대적 법칙보다 전문가의 직관과 휴리스틱이 자주 사용됨. (Heuristics와 연결)
+ * **Heuristic-driven**: 절대적 법칙보다 전문가의 직관과 휴리스틱이 자주 사용됨. ([[Heuristics]]와 연결)
2. **왜 중요한가?**:
* AI가 수학적 최적화(Hard Science)를 넘어 인간의 복잡한 감정과 사회적 맥락(Soft Science)을 이해하게 하려면, 이 분야의 지식 체계 포섭이 필수적임.
@@ -27,5 +27,5 @@ last_reinforced: 2026-04-20
## 🔗 지식 연결 (Graph)
- [[Epistemology]], [[Complexity Theory]], [[Heuristics]], [[Decision Theory]], [[Ethics & AI]]
-- **Modern Tech/Tools**: Sentiment analysis, Sociometric research, Behavioral economic modeling.
+- **Modern Tech/Tools**: Sentiment [[Analysis]], Sociometric [[Research]], Behavioral economic modeling.
---
diff --git a/10_Wiki/Topics/AI/Inference-Optimization.md b/10_Wiki/Topics/AI/Inference-Optimization.md
index 49aafb18..3bb6d736 100644
--- a/10_Wiki/Topics/AI/Inference-Optimization.md
+++ b/10_Wiki/Topics/AI/Inference-Optimization.md
@@ -2,7 +2,7 @@
id: AI-INF-OPT-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [ai, deep-learning, inference, optimization, quantization, model-serving]
+tags: [ai, [[Deep-Learning]], inference, [[Optimization]], [[Quantization]], model-serving]
last_reinforced: 2026-04-26
---
@@ -16,15 +16,15 @@ last_reinforced: 2026-04-26
- **주요 최적화 기법:**
- **Quantization (양자화):** FP32 가중치를 INT8 등으로 변환하여 메모리 사용량과 연산 속도 개선.
- **Pruning (가지치기):** 성능에 영향이 적은 뉴런이나 연결(Weights)을 제거하여 모델 경량화.
- - **Knowledge Distillation (지식 증류):** 거대 모델(Teacher)의 지식을 작은 모델(Student)에게 전수.
- - **Operator Fusion:** 여러 연산을 하나로 합쳐 메모리 접근 횟수 감소.
+ - **Knowledge [[Distillation]] (지식 증류):** 거대 모델(Teacher)의 지식을 작은 모델(Student)에게 전수.
+ - **[[Opera]]tor Fusion:** 여러 연산을 하나로 합쳐 메모리 접근 횟수 감소.
- **Caching:** 트랜스포머의 KV Cache 등 반복 연산 결과 재사용.
- **의의:** AI 모델이 연구실을 넘어 모바일 기기나 실시간 응답이 필요한 대규모 서비스에 적용될 수 있게 하는 핵심 동력.
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
-- **과거 데이터와의 충돌:** 모델이 클수록 무조건 좋다는 믿음에서 벗어나, 이제는 주어진 자원(Budget) 내에서 최적의 성능을 내는 '비율 효율적 지능'이 산업계의 표준으로 자리 잡음.
+- **과거 데이터와의 충돌:** 모델이 클수록 무조건 좋다는 믿음에서 벗어나, 이제는 주어진 자원([[Budget]]) 내에서 최적의 성능을 내는 '비율 효율적 지능'이 산업계의 표준으로 자리 잡음.
- **정책 변화:** Antigravity 프로젝트는 로컬 브레인 구동 시 가용 VRAM 용량에 따라 모델을 4-bit 또는 8-bit로 동적 양자화하여, 저사양 기기에서도 초저지연 응답을 보장함.
## 🔗 지식 연결 (Graph)
-- [[Hardware-Acceleration-for-AI]], GPU-Architecture-for-AI, System-Design-for-AI-Scale, [[LLM]]
+- [[Hardware-Acceleration-for-AI]], [[GPU-Architecture]]-for-AI,[[ system]]-Design-for-AI-Scale, [[LLM]]
- **Raw Source:** 10_Wiki/Topics/AI/Inference-Optimization.md
diff --git a/10_Wiki/Topics/AI/Inferential-Statistics.md b/10_Wiki/Topics/AI/Inferential-Statistics.md
index 5f8c7b17..de4aa4b7 100644
--- a/10_Wiki/Topics/AI/Inferential-Statistics.md
+++ b/10_Wiki/Topics/AI/Inferential-Statistics.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-INST-001
+id: [[P-Reinforce]]-AUTO-INST-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.94
-tags: [auto-reinforced, inferential-statistics, statistics, data-analysis, hypothesis-testing, sampling]
+tags: [auto-reinforced, inferential-[[Statistics]], statistics, data-[[Analysis]], [[Hypothesis-Testing]], sampling]
last_reinforced: 2026-04-20
---
@@ -16,13 +16,13 @@ last_reinforced: 2026-04-20
1. **두 기둥**:
* **Estimation (추정)**: 표본을 통해 모집단의 평균이나 비율이 특정 범위 안에 있을 것이라 예측.
- * **Hypothesis Testing (가설 검정)**: "이 약이 효과가 있는가?"와 같은 주장이 통계적으로 의미가 있는지(p-value) 판단.
+ * **Hypothesis [[Testing]] (가설 검정)**: "이 약이 효과가 있는가?"와 같은 주장이 통계적으로 의미가 있는지(p-value) 판단.
2. **왜 중요한가?**:
- * 모든 실험과 데이터 분석의 신뢰성을 결정하는 '판사' 역할을 수행함. (Inductive-Reasoning의 수학적 도구)
+ * 모든 실험과 데이터 분석의 신뢰성을 결정하는 '판사' 역할을 수행함. ([[Inductive-Reasoning]]의 수학적 도구)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거에는 작은 표본으로 거대 집단을 설명하려는 '희소 데이터 정책'이 주류였으나, 현대 정책은 방대한 빅데이터 정책 하에서도 '상관관계와 인과관계 정책'을 엄격히 구분하고 변수 간의 복잡한 영향을 파악하는 데 집중함(RL Update).
-- **정책 변화(RL Update)**: 단순히 p-value 수치에만 목매는 정책(P-hacking)을 지양하고, 모델의 불확실성을 더 정교하게 다루는 '베이지안 추론 통계 정책'으로의 전환 정책이 가속화되고 있음. (Inductive-Reasoning와 연결)
+- **정책 변화(RL Update)**: 단순히 p-value 수치에만 목매는 정책(P-hacking)을 지양하고, 모델의 불확실성을 더 정교하게 다루는 '베이지안 추론 통계 정책'으로의 전환 정책이 가속화되고 있음. (Inductive-[[Reasoning]]와 연결)
## 🔗 지식 연결 (Graph)
- [[Inductive-Reasoning]], [[Analysis]], [[Data Cleaning Algorithms]], [[Decision Theory]], [[Epistemology]]
diff --git a/10_Wiki/Topics/AI/Information-Entropy.md b/10_Wiki/Topics/AI/Information-Entropy.md
index 678fdb4f..f7122993 100644
--- a/10_Wiki/Topics/AI/Information-Entropy.md
+++ b/10_Wiki/Topics/AI/Information-Entropy.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-INEN-001
+id: [[P-Reinforce]]-AUTO-INEN-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.97
-tags: [auto-reinforced, information-entropy, shannon, probability, information-theory, uncertainty]
+tags: [auto-reinforced, information-entropy, shannon, probability, [[Information-Theory]], uncertainty]
last_reinforced: 2026-04-20
---
@@ -18,13 +18,13 @@ last_reinforced: 2026-04-20
* 확률이 낮은 사건(희귀한 일)이 발생하면 더 많은 정보를 전달함.
* 엔트로피가 0이면 결과가 100% 확실하여 아무런 정보 가치가 없음.
2. **왜 중요한가?**:
- * 데이터 압축, 암호화, 그리고 딥러닝에서 모델의 예측이 실제 정답과 얼마나 다른지 측정하는 '크로스 엔트로피(Cross-Entropy)' 손실 함수의 근간이 됨. (Gradient-Descent와 연결)
+ * 데이터 압축, 암호화, 그리고 딥러닝에서 모델의 예측이 실제 정답과 얼마나 다른지 측정하는 '크로스 엔트로피(Cross-Entropy)' 손실 함수의 근간이 됨. ([[Gradient-Descent]]와 연결)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
-- **과거 데이터와의 충돌**: 과거에는 단순 통신 시스템 내부의 '노이즈 측정 정책'이었으나, 현대 정책은 지능 리전트가 세상의 질서를 파악하고 '복잡성 정책'을 이해하는 핵심 인지 지표 정책으로 승격됨(RL Update). (Complexity Theory와 연결)
+- **과거 데이터와의 충돌**: 과거에는 단순 통신 시스템 내부의 '노이즈 측정 정책'이었으나, 현대 정책은 지능 리전트가 세상의 질서를 파악하고 '복잡성 정책'을 이해하는 핵심 인지 지표 정책으로 승격됨(RL Update). ([[Complexity Theory]]와 연결)
- **정책 변화(RL Update)**: AI 모델이 단순히 다음 단어를 맞히는 것을 넘어, 답변의 '정보 밀도'와 '의외성'을 조절하여 더 인간답고 가치 있는 답변을 생성하게 하는 정책적 도구로 활용됨.
## 🔗 지식 연결 (Graph)
-- Information-Processing, [[Complexity Theory]], [[Gradient-Descent]], [[Optimization]], [[Logic]]
-- **Modern Tech/Tools**: Loss functions (Cross-Entropy), Huffman coding, Softmax layers.
+- Information-[[Processing]], [[Complexity Theory]], [[Gradient-Descent]], [[Optimization]], [[Logic]]
+- **Modern Tech/Tools**: [[Loss Functions]] (Cross-Entropy), Huffman coding, Softmax layers.
---
diff --git a/10_Wiki/Topics/AI/Information-Retrieval-IR.md b/10_Wiki/Topics/AI/Information-Retrieval-IR.md
index fb0e38cd..9c0537ef 100644
--- a/10_Wiki/Topics/AI/Information-Retrieval-IR.md
+++ b/10_Wiki/Topics/AI/Information-Retrieval-IR.md
@@ -2,7 +2,7 @@
id: DATA-IR-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [data-science, information-retrieval, search-engine, ranking, nlp, rag]
+tags: [data-science, information-retrieval, [[Search]]-engine, ranking, nlp, rag]
last_reinforced: 2026-04-26
---
diff --git a/10_Wiki/Topics/AI/Information-Society.md b/10_Wiki/Topics/AI/Information-Society.md
index 60699945..955c6849 100644
--- a/10_Wiki/Topics/AI/Information-Society.md
+++ b/10_Wiki/Topics/AI/Information-Society.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AUTO-INSO-001
+id: [[P-Reinforce]]-AUTO-INSO-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.88
tags: [auto-reinforced, information-society, digital-transformation, data-economy, network-society, social-change]
@@ -16,10 +16,10 @@ last_reinforced: 2026-04-20
1. **주요 특징**:
* **Digital Transformation**: 오프라인의 모든 가치가 온라인(0과 1)으로 전이됨.
- * **Platform Economy**: 정보를 중개하고 연결하는 플랫폼 기업이 시장을 지배. (Global-Standard와의 경쟁)
- * **Ubiquity**: 언제 어디서나 정보에 접근 가능. (Internet of Things (IoT)와 연결)
+ * **Platform Economy**: 정보를 중개하고 연결하는 플랫폼 기업이 시장을 지배. ([[Global-Standard]]와의 경쟁)
+ * **Ubiquity**: 언제 어디서나 정보에 접근 가능. ([[Internet of Things (IoT)]]와 연결)
2. **도전 과제**:
- * 정보 격차(Digital Divide), 데이터 프라이버시, 허위 정보의 확산. (Ethics & AI와 연결)
+ * 정보 격차(Digital Divide), 데이터 프라이버시, 허위 정보의 확산. ([[Ethics & AI]]와 연결)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거에는 정보의 확산 자체가 '민주화와 자유 정책'을 가져올 것이라 낙관했으나, 현대 정책은 정보 과잉으로 인한 '관심 경제 정책'과 '알고리즘 확증 편향 정책'이라는 어두운 면에 더 주목함(RL Update).
@@ -27,5 +27,5 @@ last_reinforced: 2026-04-20
## 🔗 지식 연결 (Graph)
- [[Internet of Things (IoT)]], [[Global-Standard]], [[Ethics & AI]], [[Intangible-Capital]], [[Distributed-Systems]]
-- **Modern Tech/Tools**: Big Data, Cloud computing, Blockchain, AI governance frameworks.
+- **Modern Tech/Tools**: Big Data, Cloud computing, [[Blockchain]], [[AI Governance]] frameworks.
---
diff --git a/10_Wiki/Topics/AI/Information-Theory.md b/10_Wiki/Topics/AI/Information-Theory.md
index 29a28874..12ae4dee 100644
--- a/10_Wiki/Topics/AI/Information-Theory.md
+++ b/10_Wiki/Topics/AI/Information-Theory.md
@@ -6,7 +6,7 @@ tags: [math, communication, entropy, data-compression, ai-foundations]
last_reinforced: 2026-04-26
---
-# Information Theory (정보 이론)
+# [[Information Theory]] (정보 이론)
## 📌 한 줄 통찰 (The Karpathy Summary)
> "불확실성을 측정하고 통신을 수치화하라" — 클로드 섀넌이 정립한, 정보의 양을 엔트로피(Entropy)라는 개념으로 정의하고 데이터 압축 및 전송의 한계를 규명한 수학적 기초.
diff --git a/10_Wiki/Topics/AI/Infraspace.md b/10_Wiki/Topics/AI/Infraspace.md
index 035479a2..62ae6770 100644
--- a/10_Wiki/Topics/AI/Infraspace.md
+++ b/10_Wiki/Topics/AI/Infraspace.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-INFR-001
+id: [[P-Reinforce]]-AUTO-INFR-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.82
-tags: [auto-reinforced, infraspace, hidden-networks, digital-infrastructure, system-layers, architecture]
+tags: [auto-reinforced, infraspace, hidden-networks, digital-infrastructure,[[ system]]-layers, [[Architecture]]]
last_reinforced: 2026-04-20
---
@@ -15,15 +15,15 @@ last_reinforced: 2026-04-20
인프라스페이스(Infraspace)는 디지털 및 물리적 시스템이 작동하기 위해 필수적인 하위 계층의 보이지 않는 네트워크 공간을 의미합니다.
1. **디지털 인프라스페이스**:
- * 데이터 센터 본체, 해저 광케이블망, BGP 프로토콜 등. (Distributed-Systems와 연결)
+ * 데이터 센터 본체, 해저 광케이블망, BGP 프로토콜 등. ([[Distributed-Systems]]와 연결)
* 클라우드 가상화 계층, 컨테이너 오케스트레이션.
2. **물리적 인프라스페이스**:
- * 전력망, 냉각 용수 공급로, 반도체 공급망. (Hardware와 연결)
+ * 전력망, 냉각 용수 공급로, 반도체 공급망. ([[Hardware]]와 연결)
3. **왜 중요한가?**:
- * 표면의 서비스(Soft)가 아무리 우수해도, 하위의 인프라(Hard)가 무너지면 현대 문명은 분 단위로 마비되기 때문임. (Fault-Tolerance의 핵심 전장)
+ * 표면의 서비스(Soft)가 아무리 우수해도, 하위의 인프라(Hard)가 무너지면 현대 문명은 분 단위로 마비되기 때문임. ([[Fault-Tolerance]]의 핵심 전장)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
-- **과거 데이터와의 충돌**: 과거에는 인프라를 단순한 '지원 부서 정책'으로 여겼으나, 현대 정책은 최고의 기술력을 가진 기업만이 자신만의 독자적인 '인프라스페이스 최적화 정책'을 가질 수 있음을 식별함(RL Update). (High-Performance Computing (HPC)와 연결)
+- **과거 데이터와의 충돌**: 과거에는 인프라를 단순한 '지원 부서 정책'으로 여겼으나, 현대 정책은 최고의 기술력을 가진 기업만이 자신만의 독자적인 '인프라스페이스 최적화 정책'을 가질 수 있음을 식별함(RL Update). ([[High-Performance Computing (HPC)]]와 연결)
- **정책 변화(RL Update)**: 가상 세계(Metaverse)와 실물 세계의 데이터 연결 정책이 강화됨에 따라, 물리적 위치와 상관없이 전 세계를 하나의 연산 노드로 엮는 '글로벌 엣지 인프라스페이스 정책' 수립이 가속화됨.
## 🔗 지식 연결 (Graph)
diff --git a/10_Wiki/Topics/AI/Infrastructure-as-Code-IaC.md b/10_Wiki/Topics/AI/Infrastructure-as-Code-IaC.md
index ddf12cf5..97e686a2 100644
--- a/10_Wiki/Topics/AI/Infrastructure-as-Code-IaC.md
+++ b/10_Wiki/Topics/AI/Infrastructure-as-Code-IaC.md
@@ -2,7 +2,7 @@
id: SYS-IAC-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [devops, infrastructure, iac, terraform, automation, scalability]
+tags: [devops, infrastructure, iac, terraform, automation, [[Scalability]]]
last_reinforced: 2026-04-26
---
@@ -15,7 +15,7 @@ last_reinforced: 2026-04-26
- **추출된 패턴:** "Immutable Infrastructure" — 기존 서버를 수정하는 대신 코드를 통해 새로운 서버를 생성하고 교체함으로써 구성 드리프트(Configuration Drift)를 원천 차단하고 환경의 일관성을 유지하는 패턴.
- **주요 도구:**
- **Provisioning:** Terraform, CloudFormation (인프라 뼈대 구축).
- - **Configuration Management:** Ansible, Puppet (내부 소프트웨어 설정).
+ - **Configuration [[Management]]:** Ansible, Puppet (내부 소프트웨어 설정).
- **IaC의 핵심 가치:**
- **Reproducibility:** 개발, 테스트, 운영 환경을 동일하게 100% 복제 가능.
- **Version Control:** 인프라 변경 이력을 Git에서 추적하고 문제가 생기면 즉시 롤백.
@@ -27,5 +27,5 @@ last_reinforced: 2026-04-26
- **정책 변화:** Antigravity 프로젝트의 모든 클라우드 브레인 노드와 데이터베이스 설정은 Terraform 코드로 관리되며, 인프라의 모든 변경 사항은 코드 리뷰를 거쳐 자동 배포됨.
## 🔗 지식 연결 (Graph)
-- [[DevOps-for-AI-MLOps]], [[High-Availability-Systems]], [[Hybrid-Cloud-Architectures]], Git-Version-Control-Master
+- [[DevOps-for-AI-MLOps]], [[High-Availability-Systems]], [[Hybrid-Cloud-[[Architecture]]s]], [[Git-Version-Control]]-Master
- **Raw Source:** 10_Wiki/Topics/AI/Infrastructure-as-Code-IaC.md
diff --git a/10_Wiki/Topics/AI/Inheritance-and-Polymorphism.md b/10_Wiki/Topics/AI/Inheritance-and-Polymorphism.md
index 39006c15..e93d6baa 100644
--- a/10_Wiki/Topics/AI/Inheritance-and-Polymorphism.md
+++ b/10_Wiki/Topics/AI/Inheritance-and-Polymorphism.md
@@ -23,5 +23,5 @@ last_reinforced: 2026-04-26
- **정책 변화:** Antigravity 프로젝트의 에이전트 스킬 설계 시, 기본 기능을 상속받되 구체적인 동작은 다형성을 활용하여 각 에이전트의 특성에 맞춰 구현하는 '플러그인 아키텍처'를 준수함.
## 🔗 지식 연결 (Graph)
-- [[Software-Architecture-Patterns]], [[Functional-Programming]], [[Domain-Driven-Design-DDD]], System-Design-for-AI-Scale
+- [[Software-[[Architecture]]-Patterns]], [[Functional-Programming]], [[Domain-Driven-Design-DDD]],[[ system]]-Design-for-AI-Scale
- **Raw Source:** 10_Wiki/Topics/AI/Inheritance-and-Polymorphism.md
diff --git a/10_Wiki/Topics/AI/Inner-Product-Spaces.md b/10_Wiki/Topics/AI/Inner-Product-Spaces.md
index 2edb5671..95378685 100644
--- a/10_Wiki/Topics/AI/Inner-Product-Spaces.md
+++ b/10_Wiki/Topics/AI/Inner-Product-Spaces.md
@@ -2,7 +2,7 @@
id: MATH-INNER-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [math, linear-algebra, inner-product, vector-space, similarity-metrics, ai]
+tags: [math, [[Linear-Algebra]], inner-product, vector-space, [[Similarity-Metrics]], ai]
last_reinforced: 2026-04-26
---
diff --git a/10_Wiki/Topics/AI/Innovation.md b/10_Wiki/Topics/AI/Innovation.md
index c89a0c2f..851d45a7 100644
--- a/10_Wiki/Topics/AI/Innovation.md
+++ b/10_Wiki/Topics/AI/Innovation.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-INNO-001
+id: [[P-Reinforce]]-AUTO-INNO-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.95
-tags: [auto-reinforced, innovation, creativity, disruption, strategy, value-creation]
+tags: [auto-reinforced, innovation, creativity, disruption, [[Strategy]], value-creation]
last_reinforced: 2026-04-20
---
@@ -15,7 +15,7 @@ last_reinforced: 2026-04-20
혁신(Innovation)은 기술, 프로세스, 아이디어를 결합하여 새로운 가치를 만들어내는 모든 변화를 의미합니다. (조셉 슘페터의 '창조적 파괴'가 핵심)
1. **유형**:
- * **Incremental Innovation**: 기존 것을 조금씩 개선 (Incrementalism과 연결).
+ * **Incremental Innovation**: 기존 것을 조금씩 개선 ([[Incrementalism]]과 연결).
* **Radical Innovation**: 완전히 새로운 기술로 시장을 창출.
* **Disruptive Innovation**: 저렴하거나 단순한 기능으로 밑바닥부터 기존 강자를 무너뜨림.
2. **왜 중요한가?**:
@@ -23,9 +23,9 @@ last_reinforced: 2026-04-20
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거에는 연구소 내부의 '폐쇄형 혁신 정책'이 주류였으나, 현대 정책은 외부의 지식과 협력하여 가치를 만드는 '오픈 이노베이션 정책'과 '사용자 참여형 혁신 정책'으로 진화함(RL Update).
-- **정책 변화(RL Update)**: 사람이 혁신을 주도하는 정책을 넘어, AI가 수백만 개의 분자 구조를 시뮬레이션하여 신약을 찾거나 최적의 설계를 제안하는 'AI 가속 혁신 정책'이 모든 연구 개발의 새로운 표준 정책이 됨. (Gen-AI와 연결)
+- **정책 변화(RL Update)**: 사람이 혁신을 주도하는 정책을 넘어, AI가 수백만 개의 분자 구조를 시뮬레이션하여 신약을 찾거나 최적의 설계를 제안하는 'AI 가속 혁신 정책'이 모든 연구 개발의 새로운 표준 정책이 됨. ([[Gen-AI]]와 연결)
## 🔗 지식 연결 (Graph)
- [[Incrementalism]], [[Creativity Research]], [[Gen-AI]], [[Economic-Analysis]], [[Design-System]]
-- **Modern Tech/Tools**: Design Thinking, Lean Startup, Blue Ocean Strategy, TRIZ.
+- **Modern Tech/Tools**: Design Thinking, Lean [[Startup]], Blue Ocean Strategy, TRIZ.
---
diff --git a/10_Wiki/Topics/AI/Input-Validation-Strategies.md b/10_Wiki/Topics/AI/Input-Validation-Strategies.md
index 1b9eb729..556d4b2a 100644
--- a/10_Wiki/Topics/AI/Input-Validation-Strategies.md
+++ b/10_Wiki/Topics/AI/Input-Validation-Strategies.md
@@ -2,7 +2,7 @@
id: SEC-INPUT-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [security, software-engineering, input-validation, data-integrity, defensive-programming]
+tags: [security, software-engineering, input-validation, data-inte[[Grit]]y, defensive-programming]
last_reinforced: 2026-04-26
---
@@ -25,5 +25,5 @@ last_reinforced: 2026-04-26
- **정책 변화:** Antigravity 프로젝트는 에이전트에게 전달되는 모든 사용자 발화와 외부 파일 데이터를 처리하기 전, 보안 스캔 및 형식 검증 레이어를 거치도록 강제함.
## 🔗 지식 연결 (Graph)
-- [[Software-Architecture-Patterns]], Cloud-Security-Mastery, Data-Privacy-Foundations, [[LLM-Security-and-Safety]]
+- [[Software-[[Architecture]]-Patterns]], Cloud-Security-[[Mastery]], Data-Privacy-Foundations, [[LLM-Security-and-Safety]]
- **Raw Source:** 10_Wiki/Topics/AI/Input-Validation-Strategies.md
diff --git a/10_Wiki/Topics/AI/Inquiry-Based Learning.md b/10_Wiki/Topics/AI/Inquiry-Based Learning.md
index fec8d45d..b9ac5327 100644
--- a/10_Wiki/Topics/AI/Inquiry-Based Learning.md
+++ b/10_Wiki/Topics/AI/Inquiry-Based Learning.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AUTO-IBLR-001
+id: [[P-Reinforce]]-AUTO-IBLR-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.87
tags: [auto-reinforced, inquiry-based-learning, education, critical-thinking, active-learning, curiosity]
@@ -25,9 +25,9 @@ last_reinforced: 2026-04-20
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거에는 교사가 지식을 전달하는 '강의 정책'이 기본이었으나, 현대 정책은 교사가 탐구의 조력자(Facilitator)가 되고 학습자가 주도하는 '프로젝트 중심 정책'으로 변화함(RL Update).
-- **정책 변화(RL Update)**: AI가 모든 질문에 답해주는 시대 정책 속에서, 역설적으로 '좋은 질문을 던지는 능력(Prompt Engineering)'이 탐구 기반 학습의 정수가 되며 창의적 인재의 핵심 역량 정책으로 부상함.
+- **정책 변화(RL Update)**: AI가 모든 질문에 답해주는 시대 정책 속에서, 역설적으로 '좋은 질문을 던지는 능력([[prompt]] Engineering)'이 탐구 기반 학습의 정수가 되며 창의적 인재의 핵심 역량 정책으로 부상함.
## 🔗 지식 연결 (Graph)
- Critical Thinking, [[Creativity Research]], [[Knowledge synthesis]], [[Analysis]], [[Empathy-in-AI]]
-- **Modern Tech/Tools**: PBL (Project Based Learning), Socratic method, Research-based education.
+- **Modern Tech/Tools**: PBL (Project Based Learning), Socratic method, [[Research]]-based education.
---
diff --git a/10_Wiki/Topics/AI/Instance-based-Learning.md b/10_Wiki/Topics/AI/Instance-based-Learning.md
index e2e95830..11696fc3 100644
--- a/10_Wiki/Topics/AI/Instance-based-Learning.md
+++ b/10_Wiki/Topics/AI/Instance-based-Learning.md
@@ -2,7 +2,7 @@
id: ML-INST-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [machine-learning, instance-based-learning, knn, lazy-learning, similarity-metrics]
+tags: [machine-learning, instance-based-learning, knn, lazy-learning, [[Similarity-Metrics]]]
last_reinforced: 2026-04-26
---
@@ -15,7 +15,7 @@ last_reinforced: 2026-04-26
- **추출된 패턴:** "Lazy Learning" — 추상적인 모델을 구축하는 비용을 아끼는 대신, 추론 시점에 모든 연산을 집중하여 실시간으로 데이터 간의 거리를 계산하는 지연 추론 패턴.
- **핵심 알고리즘:**
- **k-Nearest Neighbors (k-NN):** 가장 가까운 k개의 이웃을 찾아 다수결이나 평균으로 예측.
- - **Case-Based Reasoning (CBR):** 과거의 성공 사례를 검색하고, 현재 문제에 맞게 수정하여 적용.
+ - **Case-Based [[Reasoning]] (CBR):** 과거의 성공 사례를 검색하고, 현재 문제에 맞게 수정하여 적용.
- **장점 및 단점:**
- **장점:** 데이터가 추가될 때 재학습이 필요 없음. 국지적(Local) 특징 반영에 강함.
- **단점:** 데이터가 많아질수록 추론 속도가 급격히 느려짐(연산 부하). 노이즈에 취약함.
diff --git a/10_Wiki/Topics/AI/InstancedMesh2 library.md b/10_Wiki/Topics/AI/InstancedMesh2 library.md
index b977c946..2bdabd41 100644
--- a/10_Wiki/Topics/AI/InstancedMesh2 library.md
+++ b/10_Wiki/Topics/AI/InstancedMesh2 library.md
@@ -1,26 +1,26 @@
---
-id: P-REINFORCE-AUTO-F5A361
+id: [[P-Reinforce]]-AUTO-F5A361
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.90
tags: [auto-reinforced]
last_reinforced: 2026-04-20
-github_commit: "[P-Reinforce] Continuous Worker - InstancedMesh2 library"
+github_commit: "[P-Reinforce] Continuous Worker - [[InstancedMesh2]] library"
---
# [[InstancedMesh2 library]]
## 📌 한 줄 통찰 (The Karpathy Summary)
-> InstancedMesh2는 Three.js의 공식 InstancedMesh가 가진 한계를 극복하고 대규모 객체 렌더링을 최적화하기 위해 agargaro가 개발한 오픈 소스 확장 라이브러리입니다. 이 라이브러리는 개별 인스턴스 단위의 절두체 컬링(Frustum culling), 정렬(Sorting), 가시성 관리(Visibility management), LOD(Level of Detail), BVH를 활용한 빠른 레이캐스팅 및 스키닝(Skinning) 기능을 제공합니다 [1-3]. 특히 수만 개의 스킨드 메시나 개별 애니메이션을 가진 객체들을 최소한의 드로우 콜로 렌더링할 수 있도록 설계되어 높은 프레임 레이트 유지를 돕습니다 [1, 4, 5].
+> [[InstancedMesh]]2는 Three.js의 공식 InstancedMesh가 가진 한계를 극복하고 대규모 객체 렌더링을 최적화하기 위해 agargaro가 개발한 오픈 소스 확장 라이브러리입니다. 이 라이브러리는 개별 인스턴스 단위의 절두체 컬링([[Frustum Culling]]), 정렬([[Sorting]]), 가시성 관리(Visibility [[Management]]), LOD(Level of Detail), BVH를 활용한 빠른 레이캐스팅 및 스키닝(Skinning) 기능을 제공합니다 [1-3]. 특히 수만 개의 스킨드 메시나 개별 애니메이션을 가진 객체들을 최소한의 드로우 콜로 렌더링할 수 있도록 설계되어 높은 프레임 레이트 유지를 돕습니다 [1, 4, 5].
## 📖 구조화된 지식 (Synthesized Content)
* **효율적인 데이터 구조와 참조 방식 (Indirection):**
- InstancedMesh2는 렌더링할 인스턴스 인덱스를 관리하기 위해 `InstancedBufferAttribute`를 통한 간접 참조(Indirection) 방식을 사용합니다 [6]. 이를 통해 GPU로 데이터를 전송하기 전 속성 버퍼 전체를 재정렬할 필요 없이, 선택적 렌더링과 효율적인 컬링 및 정렬을 수행할 수 있습니다 [6].
+ InstancedMesh2는 렌더링할 인스턴스 인덱스를 관리하기 위해 `Instanced[[BufferAttribute]]`를 통한 간접 참조(Indirection) 방식을 사용합니다 [6]. 이를 통해 GPU로 데이터를 전송하기 전 속성 버퍼 전체를 재정렬할 필요 없이, 선택적 렌더링과 효율적인 컬링 및 정렬을 수행할 수 있습니다 [6].
* **데이터 텍스처와 객체 핸들링 개선:**
인스턴스 변환 행렬과 데이터를 저장하기 위해 부분 업데이트(Partial updates)를 지원하는 `SquareDataTexture`를 활용합니다 [1, 6]. 또한 전체 인스턴스 개수에 맞춰 `Object3D`와 유사한 프록시 객체를 생성하므로, 사용자가 배열에서 직접 행렬을 추출하지 않고도 위치, 회전, 크기 등의 연산을 쉽게 처리할 수 있습니다 [7]. 객체를 숨길 때(가시성 관리)는 캐시 미스(Cache miss)를 방지하기 위해 해당 행렬을 배열의 끝으로 이동시키는 방식을 적용합니다 [7].
* **스키닝(Skinning) 및 애니메이션 최적화:**
각각의 인스턴스가 서로 다른 애니메이션과 포즈를 가질 수 있습니다 [8]. 카메라 절두체 내에 위치한 인스턴스의 뼈대(Bones)만 업데이트하며, 카메라와의 거리에 따라 각 인스턴스의 애니메이션 FPS(0~60)를 조절할 수 있습니다 [1]. 또한 먼 거리에 있는 인스턴스는 불필요한 뼈대 계산을 생략하고 텍스처 업데이트의 렌더링 부하를 줄일 수 있습니다 [1].
* **LOD 및 레이캐스팅 연동:**
- `meshoptimizer`와 연계하여 지오메트리 LOD를 관리하며, 그림자에 대한 LOD 제어도 가능합니다 [1, 9]. 또한 Three.js 생태계의 `three-mesh-bvh`를 통합하여 수많은 인스턴스에 대해서도 빠르고 정확한 공간 인덱스(Spatial index) 기반 레이캐스팅과 절두체 컬링을 지원합니다 [2, 10].
+ `meshoptimizer`와 연계하여 지오메트리 LOD를 관리하며, 그림자에 대한 LOD 제어도 가능합니다 [1, 9]. 또한 Three.js 생태계의 `[[three-mesh-bvh]]`를 통합하여 수많은 인스턴스에 대해서도 빠르고 정확한 공간 인덱스(Spatial index) 기반 레이캐스팅과 절두체 컬링을 지원합니다 [2, 10].
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요.
diff --git a/10_Wiki/Topics/AI/Instinct.md b/10_Wiki/Topics/AI/Instinct.md
index b5d1d984..db53060d 100644
--- a/10_Wiki/Topics/AI/Instinct.md
+++ b/10_Wiki/Topics/AI/Instinct.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-INST-002
+id: [[P-Reinforce]]-AUTO-INST-002
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.84
-tags: [auto-reinforced, instinct, biology, intuition, behavior, evolution, heuristics]
+tags: [auto-reinforced, instinct, biology, intuition, [[Behavior]], evolution, [[Heuristics]]]
last_reinforced: 2026-04-20
---
@@ -28,5 +28,5 @@ last_reinforced: 2026-04-20
## 🔗 지식 연결 (Graph)
- [[Heuristics]], [[Homeostasis (항상성)]], [[Evolutionary-Algorithms]], [[Cognitive Biases]], [[Empathy-in-AI]]
-- **Modern Tech/Tools**: Bio-inspired robotics, Hard-coded safety constraints in AI.
+- **Modern Tech/Tools**: Bio-inspired [[Robotics]], Hard-coded safety constraints in AI.
---
diff --git a/10_Wiki/Topics/AI/Instruction-Tuning.md b/10_Wiki/Topics/AI/Instruction-Tuning.md
index c947c4fa..26828852 100644
--- a/10_Wiki/Topics/AI/Instruction-Tuning.md
+++ b/10_Wiki/Topics/AI/Instruction-Tuning.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AI-INSTRUCTION-TUNING
+id: [[P-Reinforce]]-AI-INSTRUCTION-TUNING
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.99
-tags: [AI, LLM, InstructionTuning, FineTuning, Alignment]
+tags: [AI, LLM, InstructionTuning, FineTuning, [[Alignment]]]
last_reinforced: 2026-04-20
---
@@ -15,8 +15,8 @@ last_reinforced: 2026-04-20
- **Base vs Chat Model**:
- **Base**: 인터넷의 모든 글을 읽었지만, "질문해봐"라고 하면 다른 질문을 출력할 수도 있음.
- **Instruction-Tuned**: "질문해봐"라고 하면 실제로 유용한 답변을 시작함.
-- **The Dataset**: (명령, 컨텍스트, 정답) 형태의 데이터 수십만 건을 지도 학습(Supervised Fine-tuning) 시킴.
-- **Effect**: 전이 학습(Transfer Learning)을 통해 모델이 한 번도 보지 못한 새로운 유형의 지시 사항도 눈치껏 수행하게 됨 (Zero-shot performance).
+- **The Dataset**: (명령, 컨텍스트, 정답) 형태의 데이터 수십만 건을 지도 학습(Supervised [[Fine-tuning]]) 시킴.
+- **Effect**: 전이 학습([[Transfer Learning]])을 통해 모델이 한 번도 보지 못한 새로운 유형의 지시 사항도 눈치껏 수행하게 됨 (Zero-shot performance).
## ⚠️ 모순 및 업데이트 (RL Update)
- 지시어 튜닝은 모델이 '진실'을 말하게 하기보다 '인간이 정답이라고 믿는 말'을 하게 만들 위험(Sycophancy)이 있다. 또한 튜닝 과정에서 모델의 창의성이 일부 억제되기도 한다. 이를 극복하기 위해 튜닝 이후 강화학습(RLHF)을 통해 답변의 미세한 품질과 안전성을 조율하는 다회차 공정이 필수적이다.
diff --git a/10_Wiki/Topics/AI/Intangible-Capital.md b/10_Wiki/Topics/AI/Intangible-Capital.md
index 6d3fd32a..fc76e332 100644
--- a/10_Wiki/Topics/AI/Intangible-Capital.md
+++ b/10_Wiki/Topics/AI/Intangible-Capital.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AUTO-INCA-001
+id: [[P-Reinforce]]-AUTO-INCA-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.89
tags: [auto-reinforced, intangible-capital, economy, intellectual-property, human-capital, brand-value, knowledge-assets]
@@ -20,7 +20,7 @@ last_reinforced: 2026-04-20
* **Organizational Capital**: 기업 문화, 경영 프로세스, 네트워크.
* **Brand Capital**: 소비자 신뢰, 이미지, 인지도.
2. **왜 중요한가?**:
- * 현대 플랫폼 기업 가치의 90% 이상은 무형 자본에서 나오며, 이는 복제가 쉽고 확장성(Scalability)이 무한하다는 특징을 가짐. (Information-Society의 자본 형태)
+ * 현대 플랫폼 기업 가치의 90% 이상은 무형 자본에서 나오며, 이는 복제가 쉽고 확장성([[Scalability]])이 무한하다는 특징을 가짐. ([[Information-Society]]의 자본 형태)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거 회계 정책은 형체가 있는 자산만 가치 있게 보았으나, 현대 정책은 무형 자산에 대한 투자와 평가가 기업과 국가 경쟁력의 본질임을 인정함(RL Update).
@@ -28,5 +28,5 @@ last_reinforced: 2026-04-20
## 🔗 지식 연결 (Graph)
- [[Information-Society]], [[Global-Standard]], [[Innovation]], [[Economic-Analysis]], [[Knowledge synthesis]]
-- **Modern Tech/Tools**: IP management, Knowledge management systems (Obsidian!), Human resource analytics.
+- **Modern Tech/Tools**: IP [[Management]], Knowledge management[[ system]]s (Obsidian!), Human resource analytics.
---
diff --git a/10_Wiki/Topics/AI/Integrated-Development-Environment.md b/10_Wiki/Topics/AI/Integrated-Development-Environment.md
index 137aa1ad..8f519cd0 100644
--- a/10_Wiki/Topics/AI/Integrated-Development-Environment.md
+++ b/10_Wiki/Topics/AI/Integrated-Development-Environment.md
@@ -16,7 +16,7 @@ last_reinforced: 2026-04-26
- **세부 내용:**
- **IntelliSense/Auto-complete:** 코드의 의미를 분석하여 적절한 함수나 변수명을 추천.
- **Debugging Tools:** 중단점(Breakpoint) 설정, 변수 추적 등을 통해 런타임 오류를 시각적으로 진단.
- - **Refactoring Support:** 변수명 일괄 변경, 함수 추출 등 복잡한 코드 수정을 안전하게 지원.
+ - **Refactoring [[Support]]:** 변수명 일괄 변경, 함수 추출 등 복잡한 코드 수정을 안전하게 지원.
- **Extension Ecosystem:** 플러그인을 통해 특정 언어나 기술 스택에 최적화된 기능 확장 가능.
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
@@ -24,5 +24,5 @@ last_reinforced: 2026-04-26
- **정책 변화:** Antigravity 프로젝트는 VS Code를 표준 IDE로 채택하며, `ConnectAI`와 같은 자체 확장 프로그램을 통해 AI 기반의 자동화된 개발 환경을 구축함.
## 🔗 지식 연결 (Graph)
-- Developer-Experience, ConnectAI, Static-Analysis, Debugging
+- Developer-Experience, ConnectAI, Static-[[Analysis]], Debugging
- **Raw Source:** 10_Wiki/Topics/AI/Integrated-Development-Environment.md
diff --git a/10_Wiki/Topics/AI/Integration-Testing-for-AI.md b/10_Wiki/Topics/AI/Integration-Testing-for-AI.md
index 7e5a6aee..347f18f5 100644
--- a/10_Wiki/Topics/AI/Integration-Testing-for-AI.md
+++ b/10_Wiki/Topics/AI/Integration-Testing-for-AI.md
@@ -2,7 +2,7 @@
id: QA-INT-TEST-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [software-engineering, testing, ai-qa, integration-testing, reliability, mlops]
+tags: [software-engineering, [[Testing]], ai-qa, integration-testing, [[Reliability]], [[MLOps]]]
last_reinforced: 2026-04-26
---
@@ -24,5 +24,5 @@ last_reinforced: 2026-04-26
- **정책 변화:** Antigravity 프로젝트는 모든 커밋 전, 에이전트의 주요 시나리오(지식 생성, 파일 수정 등)를 시뮬레이션하는 통합 테스트 자동화 스크립트를 실행하여 시스템의 강건성을 유지함.
## 🔗 지식 연결 (Graph)
-- [[DevOps-for-AI-MLOps]], [[Software-Architecture-Patterns]], [[Input-Validation-Strategies]], System-Design-for-AI-Scale
+- [[DevOps-for-AI-MLOps]], [[Software-[[Architecture]]-Patterns]], [[Input-Validation-Strategies]],[[ system]]-Design-for-AI-Scale
- **Raw Source:** 10_Wiki/Topics/AI/Integration-Testing-for-AI.md
diff --git a/10_Wiki/Topics/AI/Intellectual-Property-in-AI.md b/10_Wiki/Topics/AI/Intellectual-Property-in-AI.md
index c834d4c2..9d86ed3e 100644
--- a/10_Wiki/Topics/AI/Intellectual-Property-in-AI.md
+++ b/10_Wiki/Topics/AI/Intellectual-Property-in-AI.md
@@ -2,7 +2,7 @@
id: ETH-IP-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [ai, intellectual-property, copyright, ai-ethics, law, generative-ai]
+tags: [ai, intellectual-property, copyright, ai-ethics, law, [[Generative-AI]]]
last_reinforced: 2026-04-26
---
diff --git a/10_Wiki/Topics/AI/Interaction to Next Paint (INP).md b/10_Wiki/Topics/AI/Interaction to Next Paint (INP).md
index dcb35100..d1305012 100644
--- a/10_Wiki/Topics/AI/Interaction to Next Paint (INP).md
+++ b/10_Wiki/Topics/AI/Interaction to Next Paint (INP).md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AUTO-1BE349
+id: [[P-Reinforce]]-AUTO-1BE349
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.90
tags: [auto-reinforced]
@@ -10,25 +10,25 @@ github_commit: "[P-Reinforce] Continuous Worker - Interaction to Next Paint (INP
# [[Interaction to Next Paint (INP)]]
## 📌 한 줄 통찰 (The Karpathy Summary)
-> INP(Interaction to Next Paint)는 웹 페이지의 전반적인 상호작용성(Interactivity)과 응답성(Responsiveness)을 측정하기 위해 2024년 Google이 공식 도입한 Core Web Vitals 지표입니다 [1-3]. 첫 번째 상호작용만 측정하던 기존의 FID(First Input Delay)와 달리, 페이지 방문 기간 동안 발생하는 모든 상호작용(클릭, 탭, 키 누름 등)의 전체 지연 시간을 측정하여 실제 사용자 경험을 더 정확하게 반영합니다 [4-6]. 사용자의 작업에 대해 즉각적인 시각적 피드백을 제공하는 것을 목표로 하며, 200밀리초(ms) 이하의 지연 시간을 기록해야 '좋음(Good)'으로 평가받을 수 있습니다 [5, 7].
+> INP(Interaction to Next Paint)는 웹 페이지의 전반적인 상호작용성(Interactivity)과 응답성(Responsiveness)을 측정하기 위해 2024년 Google이 공식 도입한 [[Core Web Vitals]] 지표입니다 [1-3]. 첫 번째 상호작용만 측정하던 기존의 FID(First Input Delay)와 달리, 페이지 방문 기간 동안 발생하는 모든 상호작용(클릭, 탭, 키 누름 등)의 전체 지연 시간을 측정하여 실제 사용자 경험을 더 정확하게 반영합니다 [4-6]. 사용자의 작업에 대해 즉각적인 시각적 피드백을 제공하는 것을 목표로 하며, 200밀리초(ms) 이하의 지연 시간을 기록해야 '좋음(Good)'으로 평가받을 수 있습니다 [5, 7].
## 📖 구조화된 지식 (Synthesized Content)
* **도입 배경 및 영향:**
- INP는 2024년에 기존 Core Web Vitals 지표였던 First Input Delay (FID)를 공식적으로 대체했습니다 [1, 2]. FID가 첫 번째 상호작용의 이벤트 핸들러 시작 전 지연 시간만을 측정했던 반면, INP는 페이지 전체 수명 동안 발생하는 모든 상호작용을 추적하고 렌더링 지연까지 포함하여 측정합니다 [4-6]. 이 엄격해진 기준 변화로 인해 2024년 2월, 모바일 웹사이트들의 Core Web Vitals 통과율이 크게 하락하는 현상이 관찰되기도 했습니다 [1].
+ INP는 2024년에 기존 Core Web Vitals 지표였던 [[First Input Delay (FID)]]를 공식적으로 대체했습니다 [1, 2]. FID가 첫 번째 상호작용의 이벤트 핸들러 시작 전 지연 시간만을 측정했던 반면, INP는 페이지 전체 수명 동안 발생하는 모든 상호작용을 추적하고 렌더링 지연까지 포함하여 측정합니다 [4-6]. 이 엄격해진 기준 변화로 인해 2024년 2월, 모바일 웹사이트들의 Core Web Vitals 통과율이 크게 하락하는 현상이 관찰되기도 했습니다 [1].
* **측정 및 산출 방식:**
INP는 75백분위수(75th percentile)의 방문 데이터를 기준으로 계산됩니다 [8]. 페이지 내 상호작용이 50개 이하인 경우 가장 긴 상호작용 지연 시간을 INP로 간주하며, 상호작용이 50개를 초과할 경우 이상치(Outlier)의 영향을 줄이기 위해 50개 그룹당 가장 지연 시간이 긴 1개를 제외한 나머지 중 최댓값을 사용합니다 [8].
* **평가 임계값:** 200ms 이하는 '좋음(Good)', 200ms 초과 500ms 이하는 '개선 필요(Needs improvement)', 500ms 초과는 '나쁨(Poor)'으로 분류됩니다 [5].
- * **브라우저 지원:** Chrome뿐만 아니라 Interop 2025 프로젝트를 통해 Firefox(버전 144부터 지원)와 Safari에서도 INP 측정 지표 구현 작업이 시작되었습니다 [9].
+ * **브라우저 지원:** [[Chrome]]뿐만 아니라 [[Interop 2025]] 프로젝트를 통해 Firefox(버전 144부터 지원)와 Safari에서도 INP 측정 지표 구현 작업이 시작되었습니다 [9].
-* **지연 시간의 세부 구성 요소 (Sub-parts):**
- 사용자 상호작용의 전체 대기 시간은 크게 3단계로 나뉘며, Chrome DevTools를 통해 이 세부 정보(INP breakdown)를 확인할 수 있습니다 [4, 5, 10].
+* **지연 시간의 세부 구성 요소 (Sub-p[[Arts]]):**
+ 사용자 상호작용의 전체 대기 시간은 크게 3단계로 나뉘며, [[Chrome DevTools]]를 통해 이 세부 정보(INP breakdown)를 확인할 수 있습니다 [4, 5, 10].
1. **입력 지연 (Input delay):** 이벤트가 감지된 시점부터 이벤트 핸들러가 실행되기 전까지의 시간 [4, 5].
- 2. **처리 시간 (Processing duration):** 이벤트 핸들러 코드가 실제로 실행되는 시간 [4]. 성능 병목이 가장 자주 발생하는 구간입니다 [10].
+ 2. **처리 시간 ([[Processing]] duration):** 이벤트 핸들러 코드가 실제로 실행되는 시간 [4]. 성능 병목이 가장 자주 발생하는 구간입니다 [10].
3. **표시 지연 (Presentation delay):** 사용자 작업 이후 다음 프레임을 화면에 렌더링(페인트)할 때까지 걸리는 시간 [4].
* **최적화 전략:**
- INP를 최적화하기 위해서는 브라우저의 메인 스레드(Main thread) 차단을 최소화해야 합니다. 이를 위해 긴 작업(Long tasks)을 비동기 청크로 분할하고, 핵심 이벤트 핸들러의 우선순위를 높이며, 불필요한 JavaScript 지연 로드(Lazy load) 및 수동 이벤트 리스너(Passive event listeners) 사용, 레이아웃 스래싱(Layout thrashing) 감소 등의 전략이 필요합니다 [11-14]. Chrome DevTools의 성능 패널에 통합된 Long Animation Frames API를 활용하면 상호작용을 지연시키는 특정 스크립트와 그 원인을 직관적으로 파악할 수 있습니다 [15, 16].
+ INP를 최적화하기 위해서는 브라우저의 메인 스레드([[Main Thread]]) 차단을 최소화해야 합니다. 이를 위해 긴 작업([[Long Tasks]])을 비동기 청크로 분할하고, 핵심 이벤트 핸들러의 우선순위를 높이며, 불필요한 [[JavaScript]] 지연 로드(Lazy load) 및 수동 이벤트 리스너(Passive event listeners) 사용, 레이아웃 스래싱([[Layout Thrashing]]) 감소 등의 전략이 필요합니다 [11-14]. Chrome DevTools의 성능 패널에 통합된 [[Long Animation Frames API]]를 활용하면 상호작용을 지연시키는 특정 스크립트와 그 원인을 직관적으로 파악할 수 있습니다 [15, 16].
* **특수 측정 사례 (텍스트 강조 표시):**
웹 페이지에서 텍스트를 드래그하여 강조 표시(Highlighting)하는 행위도 일반적으로 INP 점수에 영향을 주는 사용자 상호작용으로 간주됩니다 [17]. 다만, 2025년 초 Chrome의 업데이트를 통해 사용자가 창의 가장자리에 도달하여 스크롤이 트리거되는 텍스트 강조 표시 상황에서는 INP 점수가 증가하지 않도록 측정 방식이 조정되었습니다 [17].
@@ -39,7 +39,7 @@ github_commit: "[P-Reinforce] Continuous Worker - Interaction to Next Paint (INP
## 🔗 지식 연결 (Graph)
- **Related Topics:** [[Core Web Vitals]], [[First Input Delay (FID)]], [[Long Animation Frames API]]
-- **Projects/Contexts:** Chrome User Experience Report (CrUX), [[Chrome DevTools]], [[Interop 2025]]
+- **Projects/Contexts:** Chrome User Experience Report ([[CrUX]]), [[Chrome DevTools]], [[Interop 2025]]
- **Contradictions/Notes:** 초기 측정 방식에서는 모든 텍스트 강조 표시가 INP에 영향을 주었으나, 2025년 초 Chrome의 업데이트로 인해 스크롤을 동반하는 텍스트 강조 표시는 예외적으로 INP 지연 시간에 합산되지 않도록 변경되었습니다 [17].
---
diff --git a/10_Wiki/Topics/AI/Interaction-to-Next-Paint-INP.md b/10_Wiki/Topics/AI/Interaction-to-Next-Paint-INP.md
index c5741a97..5bf5c156 100644
--- a/10_Wiki/Topics/AI/Interaction-to-Next-Paint-INP.md
+++ b/10_Wiki/Topics/AI/Interaction-to-Next-Paint-INP.md
@@ -2,25 +2,25 @@
id: PERF-CWV-INP-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [core-web-vitals, inp, performance, responsiveness, interaction, main-thread, frontend-optimization]
+tags: [[[Core-Web-Vitals]], inp, performance, responsiveness, interaction, main-thread, [[Frontend]]-[[Optimization]]]
last_reinforced: 2026-04-26
---
# Interaction to Next Paint: INP (상호작용 다음 페인트까지의 지연 시간)
## 📌 한 줄 통찰 (The Karpathy Summary)
-> "단 한 번의 빠른 반응이 아니라, 사용자가 페이지를 떠날 때까지 수행하는 모든 상호작용의 지연을 감시하고, 0.2초 이내의 즉각적인 응답성을 일관되게 보장하라" — FID를 대체하여 웹사이트의 전체적인 반응성을 측정하는 2024년 이후 Core Web Vitals의 핵심 지표.
+> "단 한 번의 빠른 반응이 아니라, 사용자가 페이지를 떠날 때까지 수행하는 모든 상호작용의 지연을 감시하고, 0.2초 이내의 즉각적인 응답성을 일관되게 보장하라" — FID를 대체하여 웹사이트의 전체적인 반응성을 측정하는 2024년 이후 [[Core Web Vitals]]의 핵심 지표.
## 📖 구조화된 지식 (Synthesized Content)
- **추출된 패턴:** "Continuous Responsiveness and Task Yielding" — 긴 작업을 작게 쪼개어 브라우저가 사용자 입력과 렌더링 업데이트 사이에 숨 쉴 틈(Yield)을 주는 패턴.
- **INP의 핵심 메커니즘:**
- **Input Delay:** 사용자 입력 후 이벤트 핸들러가 실행되기 전까지의 대기 시간 (주로 메인 스레드 점유로 발생).
- - **Processing Time:** 이벤트 핸들러 자체의 실행 시간.
+ - **[[Processing]] Time:** 이벤트 핸들러 자체의 실행 시간.
- **Presentation Delay:** 이벤트 처리 후 실제 화면에 변경 사항이 그려지기까지의 시간.
- **주요 최적화 전략:**
- - **Breaking Up Long Tasks:** 50ms 이상의 무거운 동기 작업을 `scheduler.yield()`나 `setTimeout`으로 분할.
+ - **Breaking Up [[Long Tasks]]:** 50ms 이상의 무거운 동기 작업을 `scheduler.yield()`나 `setTimeout`으로 분할.
- **Web Workers:** 복잡한 연산을 메인 스레드 밖으로 오프로드.
- - **Optimization of Third-party Scripts:** 상호작용을 저해하는 광고/분석 스크립트의 실행 지연.
+ - **Optimization of Third-party [[Scripts]]:** 상호작용을 저해하는 광고/분석 스크립트의 실행 지연.
- **Event Debouncing/Throttling:** 잦은 이벤트 발생을 제한하여 렌더링 부하 감소.
- **의의:** 사용자의 입력에 즉각적으로 반응하는 웹사이트를 통해 심리적 마찰을 줄이고 비즈니스 전환율을 높임.
@@ -30,4 +30,4 @@ last_reinforced: 2026-04-26
## 🔗 지식 연결 (Graph)
- [[Core-Web-Vitals-Metrics]], [[JavaScript-Optimization-Patterns]], [[Google-Page-Experience-2025-Update]], [[Frontend-Performance-Optimization-Guide]]
-- **Raw Source:** 00_Raw/INP (Interaction to Next Paint).md, 00_Raw/Interaction to Next Paint (INP).md
+- **Raw Source:** 00_Raw/INP (Interaction to Next Paint).md, 00_Raw/[[Interaction to Next Paint (INP)]].md
diff --git a/10_Wiki/Topics/AI/Interdisciplinary-Research.md b/10_Wiki/Topics/AI/Interdisciplinary-Research.md
index 5673680b..cfdb3a74 100644
--- a/10_Wiki/Topics/AI/Interdisciplinary-Research.md
+++ b/10_Wiki/Topics/AI/Interdisciplinary-Research.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-INRE-002
+id: [[P-Reinforce]]-AUTO-INRE-002
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.90
-tags: [auto-reinforced, interdisciplinary-research, collaboration, complexity, holistic-approach, convergence]
+tags: [auto-reinforced, interdisciplinary-[[Research]], collaboration, complexity, holistic-approach, convergence]
last_reinforced: 2026-04-20
---
@@ -12,13 +12,13 @@ last_reinforced: 2026-04-20
> "지식의 경계를 허무는 융합: 하나의 학문적 틀에 갇히지 않고 수학, 심리학, 공학, 예술 등 서로 다른 분야의 관점과 도구를 결합하여, 개별 학문으로는 해결할 수 없는 복잡한 난제를 돌파하는 통합적 탐제."
## 📖 구조화된 지식 (Synthesized Content)
-학제 간 연구(Interdisciplinary-Research)는 두 개 이상의 학문 분야를 통합하여 새로운 관점을 창출하는 활동입니다.
+학제 간 연구(Interdisciplinary-Re[[Search]])는 두 개 이상의 학문 분야를 통합하여 새로운 관점을 창출하는 활동입니다.
1. **필요성**:
- * 기후 변화, 기아, 인공지능 윤리 등 현대의 거대 난제는 '단일 전공'의 지식으로는 분석 불가능함. (Complexity Theory와 연결)
- * 서로 다른 성격의 지식이 부딪힐 때 혁신적인 아이디어가 탄생함. (Innovation의 근원)
+ * 기후 변화, 기아, 인공지능 윤리 등 현대의 거대 난제는 '단일 전공'의 지식으로는 분석 불가능함. ([[Complexity Theory]]와 연결)
+ * 서로 다른 성격의 지식이 부딪힐 때 혁신적인 아이디어가 탄생함. ([[Innovation]]의 근원)
2. **구축 조건**:
- * 서로 다른 언어(용어)를 이해하려는 '공감'과 공동의 목표(Alignment)가 필수적임. (Empathy-in-AI와 연결)
+ * 서로 다른 언어(용어)를 이해하려는 '공감'과 공동의 목표([[Alignment]])가 필수적임. ([[Empathy-in-AI]]와 연결)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거에는 자기 분야만 깊게 파는 'I자형 인재 정책'이 우대받았으나, 현대 정책은 넓은 이해를 바탕으로 깊이 있는 협업을 주도하는 'T자형/Pi자형 인재 정책'으로 패러다임이 바뀜(RL Update). (Ikigai (이키가이)와 연결)
diff --git a/10_Wiki/Topics/AI/Interface-Segregation-Principle.md b/10_Wiki/Topics/AI/Interface-Segregation-Principle.md
index 92de6e04..3511b57b 100644
--- a/10_Wiki/Topics/AI/Interface-Segregation-Principle.md
+++ b/10_Wiki/Topics/AI/Interface-Segregation-Principle.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AI-ISP
+id: [[P-Reinforce]]-AI-ISP
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.99
tags: [SoftwareEngineering, SOLID, ISP, CleanCode]
@@ -13,12 +13,12 @@ last_reinforced: 2026-04-20
## 📖 구조화된 지식 (Synthesized Content)
- **The Core Problem**: 하나의 거대한 인터페이스(Fat Interface)를 여러 클래스가 상속하면, 어떤 클래스는 필요 없는 기능까지 구현(보통 빈 메서드로 방치)해야 하는 문제가 생김.
-- **The Solution**: 클라이언트 전용 인터페이스로 쪼갠다. (예: `SmartDevice` 대신 `Printer`, `Scanner`, `Fax` 인터페이스로 분리)
+- **The [[Solution]]**: 클라이언트 전용 인터페이스로 쪼갠다. (예: `SmartDevice` 대신 `Printer`, `Scanner`, `Fax` 인터페이스로 분리)
- **Result**: 특정 기능의 요구사항이 바뀌어도, 그 기능을 쓰지 않는 다른 클래스들은 전혀 영향(재컴파일 등)을 받지 않는다.
## ⚠️ 모순 및 업데이트 (RL Update)
- 인터페이스를 너무 잘게 쪼개면 인터페이스 수가 폭발하여 관리가 힘들어지는 트레이드오프가 있다. 따라서 '응집도'와 '클라이언트의 필요' 사이에서 균형을 잡아야 한다. 타입스크립트와 같은 현대 언어에서는 인터페이스 상속과 교차 타입(`&`)을 활용해 필요한 기능만 유연하게 조합하는 방식으로 ISP를 스마트하게 적용한다.
## 🔗 지식 연결 (Graph)
-- Related: SOLID-Principles , Single-Responsibility-Principle (SRP)
+- Related: SOLID-[[Principles]] , Single-Responsibility-Principle (SRP)
- Technique: Role-Interface
diff --git a/10_Wiki/Topics/AI/Internet of Things (IoT).md b/10_Wiki/Topics/AI/Internet of Things (IoT).md
index 0069f498..8d96fd05 100644
--- a/10_Wiki/Topics/AI/Internet of Things (IoT).md
+++ b/10_Wiki/Topics/AI/Internet of Things (IoT).md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AUTO-IOTT-001
+id: [[P-Reinforce]]-AUTO-IOTT-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.95
tags: [auto-reinforced, iot, internet-of-things, connectivity, smart-devices, ubiquitous-computing]
@@ -17,7 +17,7 @@ last_reinforced: 2026-04-20
1. **구성 요소**:
* **Things**: 데이터를 생성하는 사물 (전구, 냉장고, 산업용 로봇 등).
* **Connectivity**: 데이터를 전송하는 통신망 (Wi-Fi, 5G, LoRa).
- * **Data Processing**: 수집된 데이터를 분석하여 가치를 도출. (Edge-Computing과 연결)
+ * **Data [[Processing]]**: 수집된 데이터를 분석하여 가치를 도출. ([[Edge-Computing]]과 연결)
2. **왜 중요한가?**:
* 물리 세계의 '날것의 데이터'를 디지털 세계로 실시간으로 끌어올려 데이터 경제의 혈관 역할을 수행함.
diff --git a/10_Wiki/Topics/AI/Interop 2026.md b/10_Wiki/Topics/AI/Interop 2026.md
index 402f6ff1..f73735e6 100644
--- a/10_Wiki/Topics/AI/Interop 2026.md
+++ b/10_Wiki/Topics/AI/Interop 2026.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AUTO-36D047
+id: [[P-Reinforce]]-AUTO-36D047
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.90
tags: [auto-reinforced]
@@ -10,10 +10,10 @@ github_commit: "[P-Reinforce] Continuous Worker - Interop 2026"
# [[Interop 2026]]
## 📌 한 줄 통찰 (The Karpathy Summary)
-> Interop 2026은 웹 브라우저 간 코어 웹 바이탈(Core Web Vitals) 지원을 표준화하기 위한 후속 프로젝트로 언급된 제안입니다 [1]. 특히 파이어폭스(Firefox)나 사파리(Safari) 등에서 아직 지원이 계획되지 않은 누적 레이아웃 이동(Cumulative Layout Shift, CLS) 지표를 포함하기 위한 목적으로 제안되고 있습니다 [1].
+> Interop 2026은 웹 브라우저 간 코어 웹 바이탈([[Core Web Vitals]]) 지원을 표준화하기 위한 후속 프로젝트로 언급된 제안입니다 [1]. 특히 파이어폭스(Firefox)나 사파리(Safari) 등에서 아직 지원이 계획되지 않은 누적 레이아웃 이동(Cumulative Layout [[Shift]], CLS) 지표를 포함하기 위한 목적으로 제안되고 있습니다 [1].
## 📖 구조화된 지식 (Synthesized Content)
-- **코어 웹 바이탈의 크로스 브라우저 지원 배경:** 2020년 구글이 발표한 코어 웹 바이탈은 오랫동안 크롬(Chrome) 전용 지표로 사용되었습니다 [1, 2]. 이 상황은 Interop 2025 프로젝트를 통해 파이어폭스와 사파리가 LCP(Largest Contentful Paint) 및 INP(Interaction to Next Paint) 지표 구현 작업을 시작하면서 변화하기 시작했습니다 [1].
+- **코어 웹 바이탈의 크로스 브라우저 지원 배경:** 2020년 구글이 발표한 코어 웹 바이탈은 오랫동안 크롬([[Chrome]]) 전용 지표로 사용되었습니다 [1, 2]. 이 상황은 [[Interop 2025]] 프로젝트를 통해 파이어폭스와 사파리가 LCP(Largest Contentful Paint) 및 INP(Interaction to Next Paint) 지표 구현 작업을 시작하면서 변화하기 시작했습니다 [1].
- **Interop 2026의 제안 사항:** 현재 진행 중인 브라우저 표준화 작업에는 누적 레이아웃 이동(CLS) 지표에 대한 지원이 계획되어 있지 않습니다 [1]. 이를 해결하기 위해 CLS 지표 지원을 Interop 2026에 포함시키자는 제안(proposal)이 나와 있는 상태입니다 [1].
- **정보의 한계:** 소스에 관련 정보가 부족합니다. Interop 2026 프로젝트의 전체 범위, 구체적인 일정, CLS 외에 추가로 논의되는 웹 성능 지표 등에 대한 상세한 내용은 제공된 소스에 존재하지 않습니다.
@@ -23,7 +23,7 @@ github_commit: "[P-Reinforce] Continuous Worker - Interop 2026"
## 🔗 지식 연결 (Graph)
- **Related Topics:** [[Core Web Vitals]], Cumulative Layout Shift, [[Interop 2025]]
-- **Projects/Contexts:** 크로스 브라우저 코어 웹 바이탈 지원 (Cross-browser support for Core Web Vitals)
+- **Projects/Contexts:** 크로스 브라우저 코어 웹 바이탈 지원 (Cross-[[Browser]] [[Support]] for Core Web Vitals)
- **Contradictions/Notes:** 소스 내에서 Interop 2026은 확정된 프로젝트가 아니라 CLS 지표를 향후에 지원하기 위해 고려 중인 '제안' 단계로만 매우 짧게 언급되어 있습니다 [1].
---
diff --git a/10_Wiki/Topics/AI/Interoperability.md b/10_Wiki/Topics/AI/Interoperability.md
index 68edd432..791b8a5d 100644
--- a/10_Wiki/Topics/AI/Interoperability.md
+++ b/10_Wiki/Topics/AI/Interoperability.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-INTE-001
+id: [[P-Reinforce]]-AUTO-INTE-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.96
-tags: [auto-reinforced, interoperability, connectivity, standards, synchronization, systems-thinking]
+tags: [auto-reinforced, inter[[Opera]]bility, connectivity, standards, synchronization, [[Systems-Thinking]]]
last_reinforced: 2026-04-20
---
@@ -15,14 +15,14 @@ last_reinforced: 2026-04-20
상호운용성(Interoperability)은 이질적인 시스템들이 하나의 유기체처럼 서로 작동할 수 있는 능력입니다.
1. **계층**:
- * **Technical**: 하드웨어와 프로토콜의 연결 (케이블이 꽂히고 데이터가 전송됨). (Gates와 연결)
+ * **Technical**: 하드웨어와 프로토콜의 연결 (케이블이 꽂히고 데이터가 전송됨). ([[Gates]]와 연결)
* **Syntactic**: 데이터 포맷의 일치 (JSON, XML 등).
- * **Semantic**: 데이터 의미의 일치 (서로가 보낸 수치를 동일한 단위와 개념으로 이해함). (Ontology (온톨로지)와 연결)
+ * **Semantic**: 데이터 의미의 일치 (서로가 보낸 수치를 동일한 단위와 개념으로 이해함). ([[Ontology]] (온톨로지)와 연결)
2. **왜 중요한가?**:
- * 상호운용성이 확보되지 않으면 시스템은 고립된 섬(Silo)이 되어 전체 효율을 갉아먹게 됨. (Efficiency와 연결)
+ * 상호운용성이 확보되지 않으면 시스템은 고립된 섬(Silo)이 되어 전체 효율을 갉아먹게 됨. ([[Efficiency]]와 연결)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
-- **과거 데이터와의 충돌**: 과거에는 자국/자사만의 폐쇄적인 규격으로 시장을 장악하려는 'Lock-in 정책'이 주류였으나, 현대 정책은 연결될수록 가치가 커지는 네트워크 효과 기반의 '개방형 상호운용성 정책'으로 선회함(RL Update). (Global-Standard와 연결)
+- **과거 데이터와의 충돌**: 과거에는 자국/자사만의 폐쇄적인 규격으로 시장을 장악하려는 'Lock-in 정책'이 주류였으나, 현대 정책은 연결될수록 가치가 커지는 네트워크 효과 기반의 '개방형 상호운용성 정책'으로 선회함(RL Update). ([[Global-Standard]]와 연결)
- **정책 변화(RL Update)**: 다양한 AI 모델과 툴들이 서로의 API를 호출하며 협업하는 '에이전트 생태계 정책'에서, 상호운용성은 지능 시스템의 확장성을 결정하는 결정적 정책이 됨.
## 🔗 지식 연결 (Graph)
diff --git a/10_Wiki/Topics/AI/Interpretability-vs-Explainability.md b/10_Wiki/Topics/AI/Interpretability-vs-Explainability.md
index dc49dcc5..9fab6a20 100644
--- a/10_Wiki/Topics/AI/Interpretability-vs-Explainability.md
+++ b/10_Wiki/Topics/AI/Interpretability-vs-Explainability.md
@@ -2,7 +2,7 @@
id: AI-INT-EXP-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [ai, explainable-ai, xai, interpretability, explainability, trust]
+tags: [ai, explainable-ai, xai, [[Interpretability]], explainability, trust]
last_reinforced: 2026-04-26
---
diff --git a/10_Wiki/Topics/AI/Introduction-to-Programming.md b/10_Wiki/Topics/AI/Introduction-to-Programming.md
index dfee7759..b07947b2 100644
--- a/10_Wiki/Topics/AI/Introduction-to-Programming.md
+++ b/10_Wiki/Topics/AI/Introduction-to-Programming.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-INPR-001
+id: [[P-Reinforce]]-AUTO-INPR-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.96
-tags: [auto-reinforced, programming, logic, software-development, computer-science, foundational]
+tags: [auto-reinforced, programming, [[Logic]], software-development, computer-science, foundational]
last_reinforced: 2026-04-20
---
@@ -16,16 +16,16 @@ last_reinforced: 2026-04-20
1. **3대 기본 요소**:
* **Data Structures**: 정보를 담는 그릇 (변수, 리스트, 객체).
- * **Control Structures**: 정보가 흐르는 길 (조건문, 반복문). (Iteration와 연결)
+ * **Control Structures**: 정보가 흐르는 길 (조건문, 반복문). ([[Iteration]]와 연결)
* **Algorithms**: 문제를 해결하는 구체적인 레시피.
2. **왜 중요한가?**:
* 현대 사회에서 프로그래밍은 단순한 기술이 아니라 '디지털 읽고 쓰기(Literacy)'이며, 논리적 사고력을 극대화하는 가장 강력한 도구임. (Logic와 연결)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
-- **과거 데이터와의 충돌**: 과거에는 복잡한 문법 기술을 익히는 '문법 중심 정책'이었으나, 현대 정책은 AI 코파일럿의 도움을 받아 더 상위 수준의 '아키텍처 및 문제 해결 설계 정책'에 집중하는 방향으로 변화함(RL Update). (IDE (Integrated Development Environment)와 연결)
+- **과거 데이터와의 충돌**: 과거에는 복잡한 문법 기술을 익히는 '문법 중심 정책'이었으나, 현대 정책은 AI 코파일럿의 도움을 받아 더 상위 수준의 '아키텍처 및 문제 해결 설계 정책'에 집중하는 방향으로 변화함(RL Update). ([[IDE (Integrated Development Environment)]]와 연결)
- **정책 변화(RL Update)**: 단순히 코드를 작성하는 정책을 넘어, 작성된 코드의 보안성, 유지보수성, 성능 정책을 동시에 고려하는 '소프트웨어 엔지니어링적 사고 정책'이 입문의 핵심이 됨.
## 🔗 지식 연결 (Graph)
- [[Logic]], [[IDE (Integrated Development Environment)]], [[Iteration]], [[Technical-Architecture]], [[Functional Programming]]
-- **Modern Tech/Tools**: Python, JavaScript, TypeScript, Scratch (for education), GitHub Copilot.
+- **Modern Tech/Tools**: Python, [[JavaScript]], TypeScript, Scratch (for education), GitHub Copilot.
---
diff --git a/10_Wiki/Topics/AI/Introspection (자기성찰).md b/10_Wiki/Topics/AI/Introspection (자기성찰).md
index 0acb26fa..98fcc991 100644
--- a/10_Wiki/Topics/AI/Introspection (자기성찰).md
+++ b/10_Wiki/Topics/AI/Introspection (자기성찰).md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-INTR-001
+id: [[P-Reinforce]]-AUTO-INTR-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.88
-tags: [auto-reinforced, introspection, self-awareness, metacognition, cognitive-science, psychology]
+tags: [auto-reinforced, introspection, self-awareness, metacognition, cognitive-science, [[Psychology]]]
last_reinforced: 2026-04-20
---
@@ -15,8 +15,8 @@ last_reinforced: 2026-04-20
자기성찰(Introspection)은 자신의 정신적 상태를 직접 들여다보는 의식 활동입니다.
1. **가치**:
- * **Self-Correction**: 자신의 인지적 편향이나 실수를 조기에 발견하고 수정 가능. (Cognitive Biases와 연결)
- * **Emotional Intelligence**: 감정의 뿌리를 이해하여 타인과의 소통 및 공감 능력 향상. (Empathy-in-AI와 연결)
+ * **[[Self-Correction]]**: 자신의 인지적 편향이나 실수를 조기에 발견하고 수정 가능. ([[Cognitive Biases]]와 연결)
+ * **Emotional Intelligence**: 감정의 뿌리를 이해하여 타인과의 소통 및 공감 능력 향상. ([[Empathy-in-AI]]와 연결)
* **Metacognition**: "내가 무엇을 알고 무엇을 모르는가"를 파악하여 학습 효율을 높임.
2. **AI적 해석 (Self-Refine)**:
* AI가 내놓은 답변을 스스로 검토하고 보완하는 'Self-Correction' 루프는 AI 기법의 핵심으로 자리 잡음. (Chain of Thought와 연결)
@@ -27,5 +27,5 @@ last_reinforced: 2026-04-20
## 🔗 지식 연결 (Graph)
- [[Cognitive Biases]], [[Empathy-in-AI]], [[Hallucination (환각)]], [[Flow-State]], Agentic-Workflow
-- **Modern Tech/Tools**: Reflective journaling, Mental models, AI monitoring dashboards, Chain-of-Thought prompting.
+- **Modern Tech/Tools**: Reflective [[Journaling]], [[Mental Models]], AI monitoring dashboards, Chain-of-Thought [[prompt]]ing.
---
diff --git a/10_Wiki/Topics/AI/Inverse-Kinematics.md b/10_Wiki/Topics/AI/Inverse-Kinematics.md
index 0f677326..41b70973 100644
--- a/10_Wiki/Topics/AI/Inverse-Kinematics.md
+++ b/10_Wiki/Topics/AI/Inverse-Kinematics.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AI-INVERSE-KINEMATICS
+id: [[P-Reinforce]]-AI-INVERSE-KINEMATICS
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.97
-tags: [Robotics, Kinematics, Animation, Mathematics]
+tags: [[[Robotics]], Kinematics, Animation, Mathematics]
last_reinforced: 2026-04-20
---
@@ -24,5 +24,5 @@ last_reinforced: 2026-04-20
- 역운동학은 장애물 충돌이나 관절의 물리적 한계를 고려해야 하므로 갈수록 복잡해진다. 최근에는 신경망 기반의 IK 솔버나 강화학습 에이전트가 물리 시뮬레이션 환경에서 스스로 '가장 자연스러운 포즈'를 학습하여, 고전적인 수치 해석 방식의 한계를 넘어서는 자연스러운 움직임을 보여주고 있다.
## 🔗 지식 연결 (Graph)
-- Related: [[Denavit-Hartenberg-Parameters]] , [[Robotics]]
+- Related: [[Denavit-Hartenberg-[[Parameter]]s]] , [[Robotics]]
- Algorithm: FABRIK-Algorithm
diff --git a/10_Wiki/Topics/AI/Inverse-Reinforcement-Learning.md b/10_Wiki/Topics/AI/Inverse-Reinforcement-Learning.md
index 53ed2e44..c898dabd 100644
--- a/10_Wiki/Topics/AI/Inverse-Reinforcement-Learning.md
+++ b/10_Wiki/Topics/AI/Inverse-Reinforcement-Learning.md
@@ -2,7 +2,7 @@
id: RL-INV-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [ai, reinforcement-learning, inverse-rl, imitation-learning, apprenticeship-learning]
+tags: [ai, [[Reinforcement-Learning]], inverse-rl, [[Imitation-Learning]], apprenticeship-learning]
last_reinforced: 2026-04-26
---
@@ -12,14 +12,14 @@ last_reinforced: 2026-04-26
> "모델에게 무엇이 좋은지 알려주지 말고, 전문가의 행동을 관찰하여 스스로 '보상(Reward)'의 의미를 추론하게 하라" — 명시적인 보상 함수를 정의하기 어려운 복잡한 태스크에서, 전문가의 시연(Demonstration)을 보고 에이전트가 그 내면에 깔린 보상 체계를 역으로 학습하는 기법.
## 📖 구조화된 지식 (Synthesized Content)
-- **추출된 패턴:** "Learning from Observation" — 결과값(Reward)이 주어지는 일반 강화학습과 달리, 전문가의 궤적(Trajectories)을 데이터로 삼아 에이전트가 지향해야 할 목표 함수 자체를 도출하는 관찰 기반 학습 패턴.
+- **추출된 패턴:** "Learning from [[Observation]]" — 결과값(Reward)이 주어지는 일반 강화학습과 달리, 전문가의 궤적(Trajectories)을 데이터로 삼아 에이전트가 지향해야 할 목표 함수 자체를 도출하는 관찰 기반 학습 패턴.
- **주요 알고리즘:**
- **Maximum Entropy IRL:** 전문가의 행동을 가장 잘 설명하면서도 가장 불확실성이 높은(편향되지 않은) 보상 함수 탐색.
- **Apprenticeship Learning:** 추출된 보상 함수를 바탕으로 전문가의 성능을 재현하거나 능가하도록 학습.
- **의의:** 인간이 말로 설명하기 힘든 복잡한 가치 판단이나 '운전 스타일', '숙련된 작업 방식' 등을 AI에게 효과적으로 이식할 수 있음.
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
-- **과거 데이터와의 충돌:** 단순 모방 학습(Behavioral Cloning)은 관측되지 않은 상황에서 급격히 성능이 저하되지만, IRL은 행동의 '근본 목적'을 배우기에 훨씬 더 높은 일반화 능력을 보여줌.
+- **과거 데이터와의 충돌:** 단순 모방 학습([[Behavior]]al Cloning)은 관측되지 않은 상황에서 급격히 성능이 저하되지만, IRL은 행동의 '근본 목적'을 배우기에 훨씬 더 높은 일반화 능력을 보여줌.
- **정책 변화:** Antigravity 프로젝트는 에이전트가 사용자의 작업 패턴을 학습할 때, 단순한 명령 복제가 아닌 IRL을 적용하여 사용자가 진정으로 의도한 '작업의 품질 기준'을 스스로 파악하도록 설계함.
## 🔗 지식 연결 (Graph)
diff --git a/10_Wiki/Topics/AI/Inversion.md b/10_Wiki/Topics/AI/Inversion.md
index d59fab9c..d2e60c9c 100644
--- a/10_Wiki/Topics/AI/Inversion.md
+++ b/10_Wiki/Topics/AI/Inversion.md
@@ -1,8 +1,8 @@
---
-id: P-REINFORCE-AUTO-INVE-001
+id: [[P-Reinforce]]-AUTO-INVE-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.92
-tags: [auto-reinforced, inversion, mental-models, problem-solving, carl-jacobi, strategy]
+tags: [auto-reinforced, inversion, [[Mental-Models]], [[Problem-Solving]], carl-jacobi, [[Strategy]]]
last_reinforced: 2026-04-20
---
@@ -16,17 +16,17 @@ last_reinforced: 2026-04-20
1. **전술적 이점**:
* **Risk Mitigation**: 성공 전략은 수만 가지일 수 있지만, 실패 요인은 명확한 경우가 많음 (소거법).
- * **Anti-goal Setting**: 도달하고 싶은 곳이 아니라, 절대 가서는 안 될 곳을 설정하여 행동의 범위를 제약.
- * **Cognitive Shift**: 뇌의 고착된 사고 회로를 강제로 뒤집어 새로운 통찰 유도.
+ * **Anti-[[goal]] Setting**: 도달하고 싶은 곳이 아니라, 절대 가서는 안 될 곳을 설정하여 행동의 범위를 제약.
+ * **Cognitive [[Shift]]**: 뇌의 고착된 사고 회로를 강제로 뒤집어 새로운 통찰 유도.
2. **사례**:
* **Pre-mortem**: 프로젝트 시작 전 "망했다"고 가정하고 그 이유를 찾아보기.
* **Security**: "어떻게 하면 이 철통 보안을 뚫을 수 있을까?" 고민하는 화이트 해커의 시각.
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
-- **과거 데이터와의 충돌**: 과거에는 긍정적인 확신 정책(Positive Thinking)만이 강조되었으나, 현대 정책은 최악의 상황 정책(Worst-case Scenario)을 먼저 관리하여 생존 가능성 정책을 높이는 인버전 정책이 더 강건하다고 평가함(RL Update). (Fault-Tolerance와 연결)
-- **정책 변화(RL Update)**: 소프트웨어 개발 정책에서 'GOTO'를 금기시하고 구조화된 제어 정책을 쓰는 이유 역시, 디버깅 시 코드의 흐름을 거꾸로 추적(Inversion)하기 쉽게 만들기 위한 노력의 일환임. (Logic와 연결)
+- **과거 데이터와의 충돌**: 과거에는 긍정적인 확신 정책(Positive Thinking)만이 강조되었으나, 현대 정책은 최악의 상황 정책(Worst-case Scenario)을 먼저 관리하여 생존 가능성 정책을 높이는 인버전 정책이 더 강건하다고 평가함(RL Update). ([[Fault-Tolerance]]와 연결)
+- **정책 변화(RL Update)**: 소프트웨어 개발 정책에서 'GOTO'를 금기시하고 구조화된 제어 정책을 쓰는 이유 역시, 디버깅 시 코드의 흐름을 거꾸로 추적(Inversion)하기 쉽게 만들기 위한 노력의 일환임. ([[Logic]]와 연결)
## 🔗 지식 연결 (Graph)
- [[Logic]], [[Fault-Tolerance]], [[Complexity Theory]], [[Decision Theory]], [[Cognitive Biases]]
-- **Modern Tech/Tools**: Charlie Munger's mental models, Pre-mortem analysis, Test-driven development (TDD).
+- **Modern Tech/Tools**: Charlie Munger's [[Mental Models]], Pre-mortem [[Analysis]], Test-driven development (TDD).
---
diff --git a/10_Wiki/Topics/AI/IoT-and-AI-Integration.md b/10_Wiki/Topics/AI/IoT-and-AI-Integration.md
index bcb11921..9bab8bcb 100644
--- a/10_Wiki/Topics/AI/IoT-and-AI-Integration.md
+++ b/10_Wiki/Topics/AI/IoT-and-AI-Integration.md
@@ -2,7 +2,7 @@
id: IOT-AI-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [iot, ai, aiot, edge-computing, smart-systems, sensor-networks]
+tags: [iot, ai, aiot, [[Edge-Computing]], smart-systems, sensor-networks]
last_reinforced: 2026-04-26
---
@@ -14,9 +14,9 @@ last_reinforced: 2026-04-26
## 📖 구조화된 지식 (Synthesized Content)
- **추출된 패턴:** "Edge-to-Cloud Intelligence" — 지연 시간(Latency)이 중요한 작업은 현장의 엣지 기기에서 즉시 처리하고, 거대 데이터 분석 및 장기 학습은 클라우드에서 수행하는 계층적 지능 연산 패턴.
- **주요 가치:**
- - **Predictive Maintenance:** 장비의 미세한 진동/소음 변화를 감지하여 고장 전 사전 정비.
+ - **[[Predictive Maintenance]]:** 장비의 미세한 진동/소음 변화를 감지하여 고장 전 사전 정비.
- **Context Awareness:** 사용자의 위치, 조도, 온도 등을 종합하여 최적의 환경 자동 제공.
- - **Energy Efficiency:** 전력 소비 패턴을 학습하여 낭비 요소를 실시간 차단.
+ - **Energy [[Efficiency]]:** 전력 소비 패턴을 학습하여 낭비 요소를 실시간 차단.
- **의의:** AI가 모니터 속의 가상 데이터를 넘어 실제 물리 세계의 문제를 해결하고 제어하는 실질적인 힘을 갖게 함.
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
@@ -24,5 +24,5 @@ last_reinforced: 2026-04-26
- **정책 변화:** Antigravity 프로젝트는 로컬 하드웨어 센서 데이터를 처리할 때, 데이터의 프라이버시 보호를 위해 엣지 단계에서의 1차 필터링 및 익명화 처리를 필수 원칙으로 함.
## 🔗 지식 연결 (Graph)
-- [[Edge-AI-and-Computing]], Cloud-Security-Mastery, Real-time-Data-Processing, [[Hybrid-Cloud-Architectures]]
+- [[Edge-AI-and-Computing]], Cloud-Security-[[Mastery]], Real-time-Data-[[Processing]], [[Hybrid-Cloud-[[Architecture]]s]]
- **Raw Source:** 10_Wiki/Topics/AI/IoT-and-AI-Integration.md
diff --git a/10_Wiki/Topics/AI/Isaac-Asimovs-Laws-of-Robotics.md b/10_Wiki/Topics/AI/Isaac-Asimovs-Laws-of-Robotics.md
index aae0d51e..0888bf39 100644
--- a/10_Wiki/Topics/AI/Isaac-Asimovs-Laws-of-Robotics.md
+++ b/10_Wiki/Topics/AI/Isaac-Asimovs-Laws-of-Robotics.md
@@ -2,7 +2,7 @@
id: ETH-ASIMOV-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [ai-ethics, robotics, asimov, alignment, safety-guardrails]
+tags: [ai-ethics, [[Robotics]], asimov, [[Alignment]], safety-guardrails]
last_reinforced: 2026-04-26
---
diff --git a/10_Wiki/Topics/AI/Item-Item-Collaborative-Filtering.md b/10_Wiki/Topics/AI/Item-Item-Collaborative-Filtering.md
index 91a7362c..759f31b2 100644
--- a/10_Wiki/Topics/AI/Item-Item-Collaborative-Filtering.md
+++ b/10_Wiki/Topics/AI/Item-Item-Collaborative-Filtering.md
@@ -2,7 +2,7 @@
id: REC-ITEM-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [recommender-systems, collaborative-filtering, item-item, personalization, similarity-metrics]
+tags: [recommender-systems, [[Collaborative-Filtering]], item-item, personalization, [[Similarity-Metrics]]]
last_reinforced: 2026-04-26
---
diff --git a/10_Wiki/Topics/AI/Iteration.md b/10_Wiki/Topics/AI/Iteration.md
index 19c73781..30b80ac2 100644
--- a/10_Wiki/Topics/AI/Iteration.md
+++ b/10_Wiki/Topics/AI/Iteration.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AUTO-ITER-001
+id: [[P-Reinforce]]-AUTO-ITER-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.96
tags: [auto-reinforced, iteration, loops, recursion, computer-science, repetitive-tasks]
@@ -17,15 +17,15 @@ last_reinforced: 2026-04-20
1. **구현 방식**:
* **Loops**: 정해진 횟수(for)나 조건(while)이 만족될 때까지 코드 블록 실행.
* **Recursion**: 함수가 자기 자신을 호출하여 문제를 작게 쪼개어 해결.
- * **Convergence**: 값을 조금씩 수정하며 정답에 수렴함 (Gradient-Descent와 연결).
+ * **Convergence**: 값을 조금씩 수정하며 정답에 수렴함 ([[Gradient-Descent]]와 연결).
2. **왜 중요한가?**:
- * 인간은 수백만 번의 반복에 지치지만, 컴퓨터는 지치지 않고 반복하여 압도적인 데이터 처리와 수치 해석을 수행하기 때문임. (Efficiency와 연결)
+ * 인간은 수백만 번의 반복에 지치지만, 컴퓨터는 지치지 않고 반복하여 압도적인 데이터 처리와 수치 해석을 수행하기 때문임. ([[Efficiency]]와 연결)
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
-- **과거 데이터와의 충돌**: 과거에는 단순히 '횟수 반복 정책'에 그쳤으나, 현대 정책은 반복할 때마다 이전 결과를 학습에 반영하여 더 나아지는 '피드백 기반 반복 정책'으로 지능화됨(RL Update). (Feedback-Loops와 연결)
+- **과거 데이터와의 충돌**: 과거에는 단순히 '횟수 반복 정책'에 그쳤으나, 현대 정책은 반복할 때마다 이전 결과를 학습에 반영하여 더 나아지는 '피드백 기반 반복 정책'으로 지능화됨(RL Update). ([[Feedback-Loops]]와 연결)
- **정책 변화(RL Update)**: 거대 모델의 추론 정책에서 한 번에 답을 내기보다, 여러 번의 생각(Iteration)을 거쳐 정답을 다듬는 '가챠(Sampling)와 재시도 정책'이 성능의 핵심 지표가 됨.
## 🔗 지식 연결 (Graph)
- [[Feedback-Loops]], [[Gradient-Descent]], [[Efficiency]], [[Incrementalism]], [[Control-Theory]]
-- **Modern Tech/Tools**: For loops, Multi-pass reasoning, Iterative refinement, Self-correction loops.
+- **Modern Tech/Tools**: For loops, Multi-pass [[Reasoning]], Iterative [[Refinement]], [[Self-Correction]] loops.
---
diff --git a/10_Wiki/Topics/AI/Iterative-Development-Models.md b/10_Wiki/Topics/AI/Iterative-Development-Models.md
index 7dcd7e70..5d534b03 100644
--- a/10_Wiki/Topics/AI/Iterative-Development-Models.md
+++ b/10_Wiki/Topics/AI/Iterative-Development-Models.md
@@ -2,7 +2,7 @@
id: SDLC-ITER-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [software-engineering, agile, iterative-development, lean, sdlc, feedback-loops]
+tags: [software-engineering, agile, [[Iterative-Development]], lean, sdlc, [[Feedback-Loops]]]
last_reinforced: 2026-04-26
---
@@ -14,14 +14,14 @@ last_reinforced: 2026-04-26
## 📖 구조화된 지식 (Synthesized Content)
- **추출된 패턴:** "Build-Measure-Learn" — 계획, 설계, 구현, 테스트의 전 과정을 작은 단위(Sprint/Batch)로 쪼개어 반복 수행하고, 각 주기마다 동작하는 결과물을 만들어 사용자 피드백을 수용하는 선순환 진화 패턴.
- **주요 특징:**
- - **Risk Management:** 초기 단계에서 결함이나 기획 오류를 발견하여 수정 비용 절감.
- - **Adaptability:** 변화하는 시장 상황이나 기술적 한계에 유연하게 대응 가능.
+ - **Risk [[Management]]:** 초기 단계에서 결함이나 기획 오류를 발견하여 수정 비용 절감.
+ - **[[Adaptability]]:** 변화하는 시장 상황이나 기술적 한계에 유연하게 대응 가능.
- **Continuous Improvement:** 매 주기마다 성능과 품질이 누적되어 향상됨.
- **대표 모델:** Agile, Scrum, Kanban, Spiral Model.
- **의의:** 정답이 정해져 있지 않은 AI 개발 및 탐색적 프로젝트에서 불확실성을 통제하고 성공 확률을 높이는 유일한 실천 대안.
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
-- **과거 데이터와의 충돌:** 완벽한 설계도(Architecture Design Document)가 우선이라는 믿음에서 벗어나, 이제는 '실행 가능한 최소 제품(MVP)'과 '빠른 피드백 루프'가 프로젝트 성공의 핵심 지표로 재정립됨.
+- **과거 데이터와의 충돌:** 완벽한 설계도([[Architecture]] Design Document)가 우선이라는 믿음에서 벗어나, 이제는 '실행 가능한 최소 제품(MVP)'과 '빠른 피드백 루프'가 프로젝트 성공의 핵심 지표로 재정립됨.
- **정책 변화:** Antigravity 프로젝트의 지식 가드닝 작업은 전형적인 반복적 모델을 따름. 20개 단위의 Batch 작업을 수행하고 트래커를 업데이트하며, 사용자의 피드백을 즉각 반영하여 다음 배치의 품질을 높이는 구조를 유지함.
## 🔗 지식 연결 (Graph)
diff --git a/10_Wiki/Topics/AI/Iterative-Development.md b/10_Wiki/Topics/AI/Iterative-Development.md
index 2643b85e..307721da 100644
--- a/10_Wiki/Topics/AI/Iterative-Development.md
+++ b/10_Wiki/Topics/AI/Iterative-Development.md
@@ -1,5 +1,5 @@
---
-id: P-REINFORCE-AUTO-ITDE-001
+id: [[P-Reinforce]]-AUTO-ITDE-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.94
tags: [auto-reinforced, iterative-development, software-lifecycle, agile, prototype, feedback]
@@ -15,12 +15,12 @@ last_reinforced: 2026-04-20
반복적 개발(Iterative-Development)은 대규모 시스템을 점진적으로 구축하는 라이프사이클 모델입니다.
1. **작동 주기**:
- * **Planning -> Analysis -> Design -> Implemetation -> Testing -> Evaluation** 의 무한 반복.
+ * **Planning -> [[Analysis]] -> Design -> Implemetation -> [[Testing]] -> Evaluation** 의 무한 반복.
2. **강점**:
* **Early Detection**: 설계 결함이나 유저의 불만을 초기에 발견 가능.
* **Flexibility**: 급변하는 시장 환경에 맞춰 기능을 유연하게 수정/폐기 가능.
3. **핵심 연결**:
- * 단순 노무의 반복이 아니라 '가치의 반복적 강화'를 목표로 함 (Incrementalism와 연결).
+ * 단순 노무의 반복이 아니라 '가치의 반복적 강화'를 목표로 함 ([[Incrementalism]]와 연결).
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거에는 사전에 모든 요구사항 정책을 확정 짓는 '빅 디자인 업프런트(BDUF) 정책'이 정석이었으나, 현대 정책은 요구사항 자체가 개발 도중 바뀐다는 것을 인정하는 '지속적 반복 정책'이 압도적 우위 정책을 가짐(RL Update). (Agile와 유사)
@@ -28,5 +28,5 @@ last_reinforced: 2026-04-20
## 🔗 지식 연결 (Graph)
- [[Incrementalism]], [[Feedback-Loops]], [[Deployment-Strategy]], [[Innovation]], [[Documentation-Strategy]]
-- **Modern Tech/Tools**: Scrum, Kanban, Rapid Prototyping, CI/CD, A/B Testing.
+- **Modern Tech/Tools**: Scrum, Kanban, Rapid [[Prototyping]], CI/CD, A/B Testing.
---
diff --git a/10_Wiki/Topics/AI/JIT-Compilation-in-AI-Engines.md b/10_Wiki/Topics/AI/JIT-Compilation-in-AI-Engines.md
index ecac92b1..468832d3 100644
--- a/10_Wiki/Topics/AI/JIT-Compilation-in-AI-Engines.md
+++ b/10_Wiki/Topics/AI/JIT-Compilation-in-AI-Engines.md
@@ -2,7 +2,7 @@
id: AI-JIT-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [ai, deep-learning, jit-compilation, xla, torchscript, optimization]
+tags: [ai, [[Deep-Learning]], jit-compilation, xla, torchscript, [[Optimization]]]
last_reinforced: 2026-04-26
---
@@ -24,5 +24,5 @@ last_reinforced: 2026-04-26
- **정책 변화:** Antigravity 프로젝트는 실시간 벡터 연산 및 커스텀 로직 수행 시, 성능 병목이 발생하는 구간에 적극적으로 JIT 컴파일러 가속 옵션을 적용하여 처리 속도를 최적화함.
## 🔗 지식 연결 (Graph)
-- [[Inference-Optimization]], [[Hardware-Acceleration-for-AI]], GPU-Architecture-for-AI, [[Distributed-Computing]]
+- [[Inference-Optimization]], [[Hardware-Acceleration-for-AI]], [[GPU-Architecture]]-for-AI, [[Distributed-Computing]]
- **Raw Source:** 10_Wiki/Topics/AI/JIT-Compilation-in-AI-Engines.md
diff --git a/10_Wiki/Topics/AI/JSON-LD-Structured-Data.md b/10_Wiki/Topics/AI/JSON-LD-Structured-Data.md
index cd7289a1..99acc9e3 100644
--- a/10_Wiki/Topics/AI/JSON-LD-Structured-Data.md
+++ b/10_Wiki/Topics/AI/JSON-LD-Structured-Data.md
@@ -2,7 +2,7 @@
id: MKT-SEO-JSONLD-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
-tags: [json-ld, structured-data, schema-markup, seo, rich-results, aeo, ai-crawling]
+tags: [json-ld, structured-data, [[Schema]]-markup, seo, rich-results, aeo, ai-crawling]
last_reinforced: 2026-04-26
---
@@ -16,7 +16,7 @@ last_reinforced: 2026-04-26
- **주요 활용 및 효과:**
- **Rich Results:** 별점, 가격, 재고 여부, FAQ 등을 검색 결과 페이지(SERP)에 직접 노출하여 클릭률(CTR) 향상.
- **Knowledge Panel:** 인물이나 기관의 정보를 지식 패널에 정확히 연동.
- - **AI AEO/GEO Optimization:** AI 크롤러가 콘텐츠의 핵심 실체를 오해 없이 수집하도록 돕는 결정적 신호 제공.
+ - **AI AEO/GEO [[Optimization]]:** AI 크롤러가 콘텐츠의 핵심 실체를 오해 없이 수집하도록 돕는 결정적 신호 제공.
- **구현 방식:** HTML의 `` 영역에 `