[G1-Sync] Manual knowledge update

10_Wiki/Topics/Locality-Sensitive-Hashing (LSH).md

@@ -1,8 +1,8 @@
 ---
-id: P-REINFORCE-AUTO-LSHH-001
+id: [[P-Reinforce]]-AUTO-LSHH-001
 category: "10_Wiki/💡 Topics/AI"
 confidence_score: 0.96
-tags: [auto-reinforced, lsh, hashing, vector-search, algorithms, big-data, similarity-search]
+tags: [auto-reinforced, lsh, hashing, vector-[[Search]], algorithms, [[Big-Data]], similarity-search]
 last_reinforced: 2026-04-20
 ---
 
@@ -19,11 +19,11 @@ last_reinforced: 2026-04-20
     *   거리가 가까운 데이터들은 해시값이 같을 확률이 매우 높게 설계됨.
     *   전체 데이터를 다 비교하는 대신, 같은 바구니에 담긴 데이터들만 상세히 비교함 (연산량 폭감).
 2.  **왜 중요한가?**:
-    *   유튜브의 저작권 도용 영상 찾기, 구글의 중복 문서 필터링, 대규모 벡터 DB의 핵심 엔진임. (Efficiency와 연결)
+    *   유튜브의 저작권 도용 영상 찾기, 구글의 중복 문서 필터링, 대규모 벡터 DB의 핵심 엔진임. ([[Efficiency]]와 연결)
 
 ## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
 - **과거 데이터와의 충돌**: 과거에는 정확도가 떨어진다는 정책적 우려가 있었으나, 현대 정책은 '근사 유사도 검색(ANN)' 정책이 빅데이터 환경에서 '정확도 100% 탐색 정책'보다 수천 배 빠르고 실용적임을 입증함(RL Update).
-- **정책 변화(RL Update)**: 최근 RAG(검색 증강 생성) 시스템에서 수백만 개의 문서 중 질문과 가장 닮은 문서를 0.1초 만에 찾아내는 'Faiss' 같은 라이브러리의 밑바닥 핵심 원리 정책으로 작동함. (Large Language Models (LLM)와 연결)
+- **정책 변화(RL Update)**: 최근 RAG(검색 증강 생성) 시스템에서 수백만 개의 문서 중 질문과 가장 닮은 문서를 0.1초 만에 찾아내는 'Faiss' 같은 라이브러리의 밑바닥 핵심 원리 정책으로 작동함. ([[Large Language Models (LLM)]]와 연결)
 
 ## 🔗 지식 연결 (Graph)
 - [[Efficiency]], [[Large Language Models (LLM)]], [[Analysis]], [[Information-Entropy]], [[Search-Optimization]]