[G1-Sync] Manual knowledge update

10_Wiki/Topics/System-Design for AI Scale.md

@@ -2,11 +2,11 @@
 id: SYS-DESIGN-001
 category: "10_Wiki/💡 Topics/AI"
 confidence_score: 1.0
-tags: [system-design, scalability, ai-infrastructure, distributed-systems, mlops]
+tags: [system-design, [[Scalability]], ai-infrastructure, [[Distributed-Systems]], [[MLOps]]]
 last_reinforced: 2026-04-26
 ---
 
-# System Design for AI Scale (AI 스케일을 위한 시스템 디자인)
+#[[ system]] Design for AI Scale (AI 스케일을 위한 시스템 디자인)
 
 ## 📌 한 줄 통찰 (The Karpathy Summary)
 > "모델이 커져도 무너지지 않는 견고한 지능의 고속도로를 닦아라" — 수조 개의 파라미터와 페타바이트급 데이터를 다루는 대규모 AI 서비스의 가용성, 확장성, 지연 시간 최적화를 위한 아키텍처 설계.
@@ -15,9 +15,9 @@ last_reinforced: 2026-04-26
 - **추출된 패턴:** 연산 집약적인 AI 추론과 학습 과정을 분산 처리하고, 병목 현상(I/O, Network)을 제거하여 시스템 전체의 효율을 극대화하는 고성능 시스템 설계 패턴.
 - **핵심 요소:**
     - **Load Balancing for AI:** GPU 자원의 부하를 분산하고 최적의 추론 서버로 요청 할당.
-    - **Model Serving & Optimization:** 양자화(Quantization), 가지치기(Pruning)를 통해 모델 크기를 줄이고 추론 속도 개선.
+    - **Model Serving & [[Optimization]]:** 양자화([[Quantization]]), 가지치기(Pruning)를 통해 모델 크기를 줄이고 추론 속도 개선.
     - **Vector Database Scaling:** 대규모 임베딩 데이터의 고속 검색을 위한 샤딩(Sharding)과 인덱싱 전략.
-    - **Data Pipeline Efficiency:** 데이터 학습 시 스토리지 병목을 방지하기 위한 분산 파일 시스템 활용.
+    - **Data Pipeline [[Efficiency]]:** 데이터 학습 시 스토리지 병목을 방지하기 위한 분산 파일 시스템 활용.
 
 ## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
 - **과거 데이터와의 충돌:** 웹 서비스 위주의 전통적인 시스템 디자인에서, 모델의 크기와 연산 비용이 지배적인 '컴퓨팅 집약적' 디자인으로 패러다임 전환.