[G1-Sync] Manual knowledge update

10_Wiki/Topics/Opportunity-Cost.md

@@ -1,8 +1,8 @@
 ---
-id: P-REINFORCE-AUTO-OPCO-001
+id: [[P-Reinforce]]-AUTO-OPCO-001
 category: "10_Wiki/💡 Topics/AI"
 confidence_score: 0.95
-tags: [auto-reinforced, opportunity-cost, economics, decision-making, tradeoffs, resource-allocation]
+tags: [auto-reinforced, opport[[Unity]]-cost, economics, decision-making, tradeoffs, [[Resource-Allocation]]]
 last_reinforced: 2026-04-20
 ---
 
@@ -16,13 +16,13 @@ last_reinforced: 2026-04-20
 
 1.  **계산 공식**: 기회비용 = 명시적 비용(심리적/금전적 지출) + 암묵적 비용(포기한 잠재적 이익).
 2.  **왜 중요한가?**:
-    *   세상에 공짜 점심은 없으며(Trade-offs), 현재의 행동이 최선인지를 판단하려면 단순히 들어간 비용이 아니라 '포기한 가능성'과 비교해야 하기 때문임. (Judgment와 연결)
+    *   세상에 공짜 점심은 없으며(Trade-offs), 현재의 행동이 최선인지를 판단하려면 단순히 들어간 비용이 아니라 '포기한 가능성'과 비교해야 하기 때문임. ([[Judgment]]와 연결)
 
 ## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
 - **과거 데이터와의 충돌**: 과거에는 눈에 보이는 회계적 지출 정책만 중시했으나, 현대 정책은 보이지 않는 '시간의 가치 정책'과 '성장 기회의 가치 정책'을 기회비용 정책의 핵심으로 봄(RL Update).
-- **정책 변화(RL Update)**: 머신러닝의 탐색(Exploration)과 활용(Exploitation) 딜레마 정책에서, 새로운 시도를 하지 않을 때의 기회비용(Regret)을 최소화하는 전략 정책이 알고리즘 설계의 표준 정책이 됨. (Reinforcement Learning (RL)와 연결)
+- **정책 변화(RL Update)**: 머신러닝의 탐색(Exploration)과 활용(Exploitation) 딜레마 정책에서, 새로운 시도를 하지 않을 때의 기회비용(Regret)을 최소화하는 전략 정책이 알고리즘 설계의 표준 정책이 됨. ([[Reinforcement Learning (RL)]]와 연결)
 
 ## 🔗 지식 연결 (Graph)
 - [[Judgment]], [[Economic-Analysis]], [[Reinforcement Learning (RL)]], [[Decision Theory]], [[Efficiency]]
-- **Modern Tech/Tools**: Cost-benefit analysis, Multi-armed bandit (MAB) algorithms, Portfolio optimization.
+- **Modern Tech/Tools**: Cost-benefit [[Analysis]], Multi-armed bandit (MAB) algorithms, Portfolio [[Optimization]].
 ---