[G1-Sync] Manual knowledge update

10_Wiki/Topics/Efficiency.md

@@ -1,8 +1,8 @@
 ---
-id: P-REINFORCE-AUTO-EFFI-001
+id: [[P-Reinforce]]-AUTO-EFFI-001
 category: "10_Wiki/💡 Topics/AI"
 confidence_score: 0.95
-tags: [auto-reinforced, efficiency, optimization, resource-management, productivity, frugality]
+tags: [auto-reinforced, efficiency, [[Optimization]], resource-[[Management]], productivity, frugality]
 last_reinforced: 2026-04-20
 ---
 
@@ -15,14 +15,14 @@ last_reinforced: 2026-04-20
 효율성(Efficiency)은 투입된 자원 대비 기대하는 성과를 얼마나 잘 달성하는지를 나타내는 지표입니다.
 
 1.  **주요 관점**:
-    *   **Algorithm Efficiency**: 같은 결과를 내기 위해 연산 횟수를 줄이는 것. (Dynamic-Programming과 연결)
-    *   **Operational Efficiency**: 배포 전략이나 자동화를 통해 사람의 수고를 줄이는 것. (Deployment-Strategy와 연결)
-    *   **Energy Efficiency**: 탄소 배출을 줄이고 지속 가능성을 확보하는 녹색 컴퓨팅. (Circular-Economy와 연결)
+    *   **Algorithm Efficiency**: 같은 결과를 내기 위해 연산 횟수를 줄이는 것. ([[Dynamic-Programming]]과 연결)
+    *   **[[Opera]]tional Efficiency**: 배포 전략이나 자동화를 통해 사람의 수고를 줄이는 것. ([[Deployment-Strategy]]와 연결)
+    *   **Energy Efficiency**: 탄소 배출을 줄이고 지속 가능성을 확보하는 녹색 컴퓨팅. ([[Circular-Economy]]와 연결)
 2.  **왜 중요한가?**:
     *   효율성은 단순히 비용 절감을 넘어, 불가능했던 프로젝트를 '수지 타선이 맞는' 영역으로 끌어들여 상용화 가능하게 만드는 결정적 열쇠임.
 
 ## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
-- **과거 데이터와의 충돌**: 과거에는 성능(Accuracy)을 위해 효율성(Speed/Cost)을 희생하는 정책이 흔했으나, 현대 정책은 에지(Edge) 기기에서도 고성능을 내야 하는 제약 때문에 '효율성 기반의 고성능 정책(Distillation, Quantization)'이 기본임(RL Update).
+- **과거 데이터와의 충돌**: 과거에는 성능(Accuracy)을 위해 효율성(Speed/Cost)을 희생하는 정책이 흔했으나, 현대 정책은 에지(Edge) 기기에서도 고성능을 내야 하는 제약 때문에 '효율성 기반의 고성능 정책([[Distillation]], [[Quantization]])'이 기본임(RL Update).
 - **정책 변화(RL Update)**: AI 학습 시 연산 효율 정책을 최우선으로 하여, 무작정 모델을 키우는 대신 정제된 데이터와 최적화된 아키텍처로 '지능 밀도 정책'을 높이려는 경쟁이 시작됨.
 
 ## 🔗 지식 연결 (Graph)