[G1-Sync] Manual knowledge update
This commit is contained in:
Antigravity Agent
@@ -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].
|
||||
|
||||
|
||||
@@ -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
|
||||
|
||||
@@ -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.
|
||||
|
||||
|
||||
@@ -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
|
||||
---
|
||||
|
||||
|
||||
@@ -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)
|
||||
|
||||
@@ -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]
|
||||
|
||||
@@ -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.
|
||||
---
|
||||
|
||||
@@ -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)
|
||||
|
||||
@@ -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.
|
||||
---
|
||||
|
||||
@@ -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
|
||||
---
|
||||
|
||||
|
||||
@@ -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.
|
||||
---
|
||||
|
||||
@@ -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]]
|
||||
|
||||
@@ -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.
|
||||
---
|
||||
|
||||
@@ -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.
|
||||
|
||||
@@ -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
|
||||
---
|
||||
|
||||
|
||||
@@ -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
|
||||
---
|
||||
|
||||
|
||||
@@ -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].
|
||||
|
||||
---
|
||||
|
||||
@@ -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]]
|
||||
|
||||
@@ -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].
|
||||
|
||||
@@ -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*
|
||||
|
||||
@@ -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
|
||||
---
|
||||
|
||||
|
||||
@@ -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:** `<main>`, `<article>` 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)
|
||||
|
||||
@@ -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
|
||||
|
||||
@@ -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
|
||||
|
||||
@@ -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
|
||||
---
|
||||
|
||||
|
||||
@@ -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].
|
||||
|
||||
---
|
||||
|
||||
@@ -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**:
|
||||
|
||||
@@ -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
|
||||
|
||||
@@ -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.
|
||||
---
|
||||
|
||||
@@ -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]]
|
||||
|
||||
@@ -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).
|
||||
---
|
||||
|
||||
@@ -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
|
||||
---
|
||||
|
||||
|
||||
@@ -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.
|
||||
|
||||
@@ -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).
|
||||
---
|
||||
|
||||
@@ -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.
|
||||
---
|
||||
|
||||
@@ -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.
|
||||
---
|
||||
|
||||
@@ -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.
|
||||
---
|
||||
|
||||
@@ -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.
|
||||
---
|
||||
|
||||
@@ -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]].
|
||||
---
|
||||
|
||||
@@ -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.
|
||||
|
||||
|
||||
@@ -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)
|
||||
|
||||
@@ -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]
|
||||
|
||||
@@ -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]]
|
||||
|
||||
@@ -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.
|
||||
|
||||
@@ -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).
|
||||
|
||||
@@ -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.
|
||||
---
|
||||
|
||||
@@ -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.
|
||||
---
|
||||
|
||||
@@ -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.
|
||||
|
||||
@@ -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.
|
||||
---
|
||||
|
||||
@@ -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.
|
||||
---
|
||||
|
||||
@@ -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**:
|
||||
|
||||
@@ -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).
|
||||
|
||||
@@ -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.
|
||||
|
||||
|
||||
@@ -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]
|
||||
|
||||
@@ -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
|
||||
|
||||
@@ -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]
|
||||
|
||||
@@ -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.
|
||||
---
|
||||
|
||||
@@ -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.
|
||||
---
|
||||
|
||||
@@ -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.
|
||||
---
|
||||
|
||||
@@ -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
|
||||
---
|
||||
|
||||
|
||||
@@ -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.
|
||||
---
|
||||
|
||||
@@ -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
|
||||
|
||||
@@ -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.
|
||||
---
|
||||
|
||||
@@ -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.
|
||||
---
|
||||
|
||||
@@ -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
|
||||
---
|
||||
|
||||
|
||||
@@ -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.
|
||||
---
|
||||
|
||||
@@ -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
|
||||
---
|
||||
|
||||
|
||||
@@ -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]
|
||||
|
||||
@@ -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]]).
|
||||
---
|
||||
|
||||
@@ -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
|
||||
---
|
||||
|
||||
|
||||
@@ -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
|
||||
---
|
||||
|
||||
|
||||
@@ -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.
|
||||
|
||||
@@ -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]]
|
||||
|
||||
@@ -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)
|
||||
|
||||
@@ -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]]).
|
||||
---
|
||||
|
||||
@@ -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
|
||||
---
|
||||
|
||||
|
||||
@@ -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.
|
||||
|
||||
|
||||
@@ -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).
|
||||
---
|
||||
|
||||
@@ -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.
|
||||
---
|
||||
|
||||
@@ -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]]
|
||||
|
||||
@@ -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.
|
||||
---
|
||||
|
||||
@@ -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.
|
||||
|
||||
@@ -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
|
||||
|
||||
@@ -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)
|
||||
|
||||
@@ -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).
|
||||
|
||||
@@ -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.
|
||||
---
|
||||
|
||||
@@ -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).
|
||||
|
||||
@@ -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).
|
||||
---
|
||||
|
||||
@@ -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).
|
||||
---
|
||||
|
||||
@@ -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).
|
||||
|
||||
@@ -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.
|
||||
|
||||
|
||||
@@ -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.
|
||||
---
|
||||
|
||||
@@ -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
|
||||
|
||||
@@ -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
|
||||
|
||||
@@ -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]].
|
||||
---
|
||||
|
||||
@@ -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]].
|
||||
---
|
||||
|
||||
@@ -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.
|
||||
|
||||
@@ -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.
|
||||
---
|
||||
|
||||
@@ -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
|
||||
|
||||
@@ -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.
|
||||
---
|
||||
|
||||
Some files were not shown because too many files have changed in this diff Show More
Reference in New Issue
Block a user