[G1-Sync] Manual knowledge update

10_Wiki/Topics/Pipeline-Parallelism.md

@@ -2,7 +2,7 @@
 id: SYS-PIPE-PAR-001
 category: "10_Wiki/💡 Topics/AI"
 confidence_score: 1.0
-tags: [infrastructure, parallel-computing, pipeline-parallelism, distributed-training, llm-training, gpu-optimization]
+tags: [infrastructure, [[Parallel-Computing]], pipeline-parallelism, distributed-training, llm-training, gpu-[[Optimization]]]
 last_reinforced: 2026-04-26
 ---
 
@@ -12,7 +12,7 @@ last_reinforced: 2026-04-26
 > "거대한 모델을 한 그릇에 담으려 하지 말고, 여러 장치에 층층이 나누어 배치한 뒤 데이터의 컨베이어 벨트를 가동하라" — 모델의 레이어들을 여러 개의 GPU에 분산 배치하고, 데이터를 순차적으로 통과시켜 연산과 통신을 중첩함으로써 학습 효율을 높이는 분산 학습 기술.
 
 ## 📖 구조화된 지식 (Synthesized Content)
-- **추출된 패턴:** "Sequential Layer Partitioning and Micro-batching" — 모델을 수직으로 쪼개어 장치별로 할당하고, 앞선 장치의 연산이 끝날 때까지 뒷 장치가 노는 시간(Bubble)을 줄이기 위해 미니 배치를 더 작은 마이크로 배치로 쪼개어 끊임없이 파이프라인을 채우는 패턴.
+- **추출된 패턴:** "Sequential Layer Partitioning and Micro-[[Batching]]" — 모델을 수직으로 쪼개어 장치별로 할당하고, 앞선 장치의 연산이 끝날 때까지 뒷 장치가 노는 시간(Bubble)을 줄이기 위해 미니 배치를 더 작은 마이크로 배치로 쪼개어 끊임없이 파이프라인을 채우는 패턴.
 - **핵심 알고리즘:**
     - **GPipe:** 마이크로 배치를 통해 유휴 시간을 줄인 최초의 표준 파이프라인 병렬화.
     - **PipeDream:** 전방 계산(Forward)과 후방 계산(Backward)을 비동기적으로 중첩시켜 효율 극대화.
@@ -23,5 +23,5 @@ last_reinforced: 2026-04-26
 - **정책 변화:** Antigravity 프로젝트는 대규모 지식 모델의 파인튜닝 시, GPU 자원 점유율을 최적화하기 위해 파이프라인 병렬화 기반의 분산 학습 프레임워크(DeepSpeed 등)를 적극 활용함.
 
 ## 🔗 지식 연결 (Graph)
-- [[Parallel-Computing-in-AI]], [[NVIDIA-CUDA-and-AI]], System-Design-for-AI-Scale, LLM-Training-Foundations
+- [[Parallel-Computing-in-AI]], [[NVIDIA-CUDA-and-AI]],[[ system]]-Design-for-AI-Scale, LLM-Training-Foundations
 - **Raw Source:** 10_Wiki/Topics/AI/Pipeline-Parallelism.md