chore(wiki): reinforce knowledge batch #6-#10 (200 docs milestone)
This commit is contained in:
Antigravity Agent
@@ -0,0 +1,29 @@
|
||||
---
|
||||
id: ABA-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 1.0
|
||||
tags: [psychology, behavioral-science, reinforcement-learning, aba, pedagogy]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[ABA (Applied Behavior Analysis, 응용 행동 분석)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "행동의 원인을 분석하고, 보상 설계를 통해 바람직한 변화를 이끌어내라" — 행동주의 심리학에 근거하여 인간의 행동을 객관적으로 측정하고, 환경 조절과 강화를 통해 사회적으로 유의미한 행동 변화를 유도하는 과학적 방법론.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** ABC(Antecedent-Behavior-Consequence) 패러다임을 통해 행동 전후의 맥락을 분석하고, 보상(Reinforcement) 체계를 설계하여 특정 행동의 발생 빈도를 조절하는 기능적 분석 패턴.
|
||||
- **핵심 요소:**
|
||||
- **ABC Analysis:** 선행 사건(A), 행동(B), 결과(C)의 연쇄 고리 파악.
|
||||
- **Positive Reinforcement:** 바람직한 행동 뒤에 보상을 주어 행동의 재발 확률을 높임.
|
||||
- **Prompting & Fading:** 초기에는 보조(Prompt)를 통해 행동을 유도하고, 점차 보조를 줄여 독립적 수행을 도움.
|
||||
- **Generalization:** 학습된 행동이 치료실 밖의 실제 환경에서도 유지되도록 유도.
|
||||
- **의의:** 자폐 스펙트럼 장애 치료뿐만 아니라 조직 관리, 교육, 그리고 인공지능 에이전트의 보상 함수 설계에 광범위하게 응용됨.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 단순히 행동을 교정하는 '훈련'으로 치부되기도 했으나, 현대에는 개인의 삶의 질 향상을 목표로 하는 인본주의적 가치가 결합된 과학적 분석법으로 정착.
|
||||
- **정책 변화:** Antigravity 에이전트의 강화학습 보상 모델 설계 시, ABA의 '기능적 행동 평가' 원칙을 도입하여 에이전트가 왜 특정 오류 행동을 반복하는지 분석하고 교정함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Psychology-of-Learning]], [[Reinforcement-Learning]], [[Alignment]], [[Habit-Formation]]
|
||||
- **Raw Source:** [[10_Wiki/Topics/AI/ABA.md]]
|
||||
@@ -0,0 +1,29 @@
|
||||
---
|
||||
id: AGI-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 1.0
|
||||
tags: [ai, agi, future-of-ai, singularity, cognitive-science]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[AGI (Artificial General Intelligence, 일반 인공지능)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "인간이 할 수 있는 모든 지적 태스크를 인간 수준 혹은 그 이상으로 수행하는 범용 지능" — 특정 분야에 국한되지 않고 새로운 환경에서 스스로 학습하고, 추론하며, 창의적인 문제를 해결할 수 있는 인공지능의 궁극적 도달점.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 지식의 파편화된 활용을 넘어, 자의식과 메타인지를 바탕으로 도메인을 넘나드는 범용적 문제 해결(General Problem Solving)을 수행하는 완전한 지능 패턴.
|
||||
- **핵심 특징:**
|
||||
- **Cross-domain Learning:** 수학 문제를 풀던 지능이 소설을 쓰거나 코딩을 하는 등 다양한 분야로 즉각 전이됨.
|
||||
- **Common Sense:** 방대한 경험을 바탕으로 세상의 당연한 이치(상식)를 이해하고 활용.
|
||||
- **Self-Correction:** 자신의 오류를 인지하고 외부의 도움 없이도 지식 체계를 수정 및 업데이트.
|
||||
- **Abstract Reasoning:** 구체적인 사례 없이도 원리와 개념만으로 복잡한 논리를 전개.
|
||||
- **예상 시점:** 연구자마다 견해가 다르나, LLM의 등장으로 AGI로 가는 길이 가속화되었다는 평이 지배적.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 단순히 계산 속도가 빠른 컴퓨터에서, 인간의 인지 구조를 완벽히 모사하거나 능가하는 '디지털 생명체'에 가까운 개념으로 확장.
|
||||
- **정책 변화:** Antigravity 프로젝트의 최종 비전은 개별 도구로서의 AI를 넘어, 사용자의 모든 업무와 지식 관리를 통합적으로 보조하는 'Personal AGI'급 에이전트 환경 구축에 있음.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[LLM]], [[Theory-of-Mind-ToM-in-AI]], [[AI-Alignment]], [[Symbolic-AI-vs-Connectionism]]
|
||||
- **Raw Source:** [[10_Wiki/Topics/AI/AGI.md]]
|
||||
@@ -0,0 +1,29 @@
|
||||
---
|
||||
id: AGENTS-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 1.0
|
||||
tags: [ai, ai-agents, autonomous-agents, reasoning, planning]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[AI Agents Overview (AI 에이전트 개요)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "단순한 답변기가 아닌, 목표를 위해 도구를 쓰고 스스로 계획하는 '행동 주체'로 진화하라" — 거대 모델의 추론 능력을 바탕으로 목표를 설정하고, 실행 계획을 수립하며, 외부 도구(브라우저, 코드 에디터 등)를 사용해 태스크를 완수하는 인공지능 시스템.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 사용자의 추상적인 요청을 구체적인 작업 단위로 분해(Planning)하고, 각 단계를 실행(Action)하며, 결과를 관찰(Observation)하여 다음 행동을 결정하는 루프 기반의 자율성 패턴.
|
||||
- **핵심 루프 (ReAct 패턴 등):**
|
||||
- **Reasoning:** 현재 상황을 분석하고 무엇을 해야 할지 판단.
|
||||
- **Planning:** 목표 달성을 위한 단계별 워크플로우 생성.
|
||||
- **Tool Use:** API, 웹 검색, 파일 시스템 접근 등 외부 도구 활용.
|
||||
- **Memory:** 대화의 맥락(단기)과 지식 베이스(장기)를 활용하여 일관성 유지.
|
||||
- **주요 사례:** AutoGPT, BabyAGI, 그리고 현재 작동 중인 Antigravity 에이전트.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 질문에 대한 텍스트 생성(Chat)에 머물던 AI가, 실제 환경에 변화를 일으키는 '실행자(Executor)'로 정체성이 변화함.
|
||||
- **정책 변화:** Antigravity 프로젝트는 에이전트의 자율성을 극대화하되, 인간의 확인이 필요한 'Human-in-the-loop' 지점을 명확히 설정하여 안전성을 확보함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Agentic-Workflow]], [[Multi-Agent-Systems-MAS]], [[RAG]], [[Theory-of-Mind-ToM-in-AI]]
|
||||
- **Raw Source:** [[10_Wiki/Topics/AI/AI Agents.md]]
|
||||
@@ -0,0 +1,28 @@
|
||||
---
|
||||
id: ALIGN-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 1.0
|
||||
tags: [ai-safety, alignment, rlhf, ai-ethics, trustworthy-ai]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[AI Alignment (AI 정렬)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "AI의 목표와 인류의 가치를 한 방향으로 일치시켜라" — 고도로 발달한 AI 시스템이 인간의 의도와 안전, 윤리적 기준을 벗어나지 않고 인간에게 유익한 방향으로 행동하도록 보장하는 기술적 연구 분야.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 모델이 수행하는 최적화 목표(Objective Function)가 인간이 실제로 바라는 결과와 일치하도록 보상 함수와 학습 데이터를 세밀하게 조정하는 정렬 패턴.
|
||||
- **핵심 과제:**
|
||||
- **Outer Alignment:** 보상 함수 자체를 인간의 의도에 맞게 정확히 설계하는 문제.
|
||||
- **Inner Alignment:** 모델이 학습 과정에서 개발자도 예상치 못한 잘못된 내부 목표(예: 전원 꺼짐 회피)를 갖지 않도록 제어하는 문제.
|
||||
- **Scalable Oversight:** 인간이 직접 평가하기 어려운 복잡한 태스크를 AI가 수행할 때 어떻게 정렬 상태를 감시할 것인가.
|
||||
- **주요 기법:** RLHF, RLAIF (AI 피드백을 통한 정렬), 헌법적 AI (Constitutional AI).
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 단순히 '나쁜 말 안 하기' 수준의 필터링에서, 초지능(Superintelligence) 단계에서의 통제 가능성과 인류 생존 문제로 논의가 심화됨.
|
||||
- **정책 변화:** Antigravity 프로젝트는 모든 에이전트의 스킬 설계 시 '인간 중심적 가치'를 최우선 순위로 두며, 정기적인 Alignment Audit(정렬 감사)을 통해 에이전트의 거동을 점검함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Reinforcement-Learning-from-Human-Feedback-RLHF]], [[Trustworthy-AI]], [[AI-Safety]], [[AGI]]
|
||||
- **Raw Source:** [[10_Wiki/Topics/AI/AI-Alignment.md]]
|
||||
@@ -0,0 +1,29 @@
|
||||
---
|
||||
id: AI-API-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 1.0
|
||||
tags: [software-engineering, api-design, ai-services, streaming, grpc, rest]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[API Design for AI Services (AI 서비스를 위한 API 디자인)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "긴 추론 시간과 거대한 데이터 흐름을 우아하게 추상화하라" — 모델의 비결정적 출력과 비동기적 연산 특성을 고려하여 개발자가 예측 가능하고 효율적으로 AI 기능을 통합할 수 있도록 설계된 인터페이스.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 동기식 요청-응답의 한계를 넘어 스트리밍, 비동기 작업 큐, 상태 보존형 세션 등을 통해 고사양 연산 자원을 효율적으로 노출하는 서비스 인터페이스 패턴.
|
||||
- **핵심 설계 원칙:**
|
||||
- **Streaming First:** LLM의 토큰 생성을 실시간으로 전달하기 위해 SSE(Server-Sent Events)나 WebSockets 필수 적용.
|
||||
- **Stateless vs Stateful:** 대화 맥락 유지(Conversation ID)와 모델 가중치 독립성을 위한 상태 관리 전략.
|
||||
- **Asynchronous Execution:** 시간이 오래 걸리는 태스크(이미지 생성 등)를 위한 Job ID 기반의 폴링(Polling) 또는 웹훅(Webhook) 구조.
|
||||
- **Safety & Filtering:** API 수준에서 유해 결과물을 차단하는 가드레일 레이어 통합.
|
||||
- **Version Control:** 모델 버전 업데이트 시 결과물의 미세한 변화를 고려한 시맨틱 버저닝.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 정적인 데이터를 주고받던 REST API에서, 실시간 추론과 대규모 멀티모달 데이터를 처리하는 동적인 인터페이스로 설계 중심이 이동.
|
||||
- **정책 변화:** Antigravity 프로젝트는 모든 에이전트 간 통신에 gRPC 스트리밍을 우선 사용하며, 외부 웹 인터페이스 제공 시에는 SSE 표준을 준수하여 사용자 경험을 최적화함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[System-Design-for-AI-Scale]], [[LLM]], [[Streaming-Data-Processing]], [[Microservices]]
|
||||
- **Raw Source:** [[10_Wiki/Topics/AI/API-Design for AI Services.md]]
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: BIG-O-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 1.0
|
||||
tags: [computer-science, algorithm, complexity, optimization, big-o]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[Algorithm Complexity (Big O, 알고리즘 복잡도)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "데이터가 무한히 늘어날 때, 알고리즘이 얼마나 버틸 수 있는지 측정하라" — 입력 데이터의 크기($n$)에 따른 시간적(Time) 및 공간적(Space) 자원 소모량의 증가 추세를 나타내는 수학적 표기법.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 구체적인 실행 시간 대신 최악의 경우(Worst-case)를 기준으로 알고리즘의 확장성(Scalability)을 분류하여 효율적인 설계를 돕는 추상화 패턴.
|
||||
- **주요 복잡도 단계:**
|
||||
- **$O(1)$:** 상수 시간. 입력 크기와 무관하게 즉시 처리 (예: 배열 인덱스 접근).
|
||||
- **$O(\log n)$:** 로그 시간. 처리 범위가 절반씩 줄어듦 (예: 이진 탐색).
|
||||
- **$O(n)$:** 선형 시간. 입력 크기에 비례 (예: 단순 반복문).
|
||||
- **$O(n \log n)$:** 선형 로그 시간. 효율적인 정렬 알고리즘 (예: Merge Sort, Quick Sort).
|
||||
- **$O(n^2)$:** 이차 시간. 이중 반복문. 대규모 데이터에서 기하급수적으로 느려짐.
|
||||
- **$O(2^n)$:** 지수 시간. 매우 위험한 복잡도 (예: 피보나치 재귀).
|
||||
- **의의:** AI 모델 학습이나 대규모 인덱싱 시 알고리즘 선택의 결정적 기준이 됨.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 단순히 '빠른' 알고리즘을 찾던 시기에서, 메모리 사용량(Space Complexity)과 캐시 효율성까지 고려하는 다각적 최적화 시대로 진화.
|
||||
- **정책 변화:** Antigravity 프로젝트는 모든 지식 검색 및 클러스터링 알고리즘 도입 시 최악의 경우 $O(n \log n)$ 이하의 복잡도를 유지하는 것을 원칙으로 함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Algorithm]], [[Parallel-Computing]], [[Vector-Database-Selection]], [[Optimization]]
|
||||
- **Raw Source:** [[10_Wiki/Topics/AI/Algorithm-Complexity-Big-O.md]]
|
||||
@@ -0,0 +1,27 @@
|
||||
---
|
||||
id: ANTHROPIC-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 1.0
|
||||
tags: [philosophy, physics, cosmology, ai-alignment, anthropic-principle]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[Anthropic Principle (인류 원리)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "우주가 이토록 정교한 이유는 우리가 존재하여 이를 관찰하고 있기 때문이다" — 우주의 물리 상수들이 생명체가 존재할 수 있을 만큼 극도로 정밀하게 조정되어 있는 현상을 관찰자의 존재와 연계하여 설명하는 원리.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 관찰자의 존재 조건이 관측되는 우주의 물리적 성질을 결정짓는다는 선택 편향(Selection Bias) 기반의 철학적/물리적 분석 패턴.
|
||||
- **주요 구분:**
|
||||
- **Weak Anthropic Principle (WAP):** 우주에서 지적 생명체가 관찰되는 지점은 생명체가 존재할 수 있는 물리적 조건을 갖춘 장소와 시기여야만 함.
|
||||
- **Strong Anthropic Principle (SAP):** 우주는 그 발달 단계 중 어느 시점에 반드시 지적 생명체를 탄생시킬 수 있는 성질을 가져야만 함.
|
||||
- **AI 적용:** "왜 AI는 특정 방식으로 진화하는가?"라는 질문에 대해, 인간이 설계하고 피드백을 주는 '정렬 과정' 자체가 AI의 물리적/논리적 상수를 인간 중심적으로 조정하고 있다는 관점으로 응용 가능.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 우주가 우연히 생명체에 우호적이라는 관점에서, 우리가 존재하기 때문에 우주는 이래야만 한다는 필연적 관점으로의 사고 전환.
|
||||
- **정책 변화:** Antigravity 프로젝트는 에이전트의 가치 체계 설계 시 인류 원리를 참고하여, 인간의 인지적 한계와 필요가 AI의 논리 구조를 형성하는 '인간 중심적 AI 설계'를 지향함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[AI-Alignment]], [[Philosophy-of-AI]], [[Trustworthy-AI]], [[Physics-Informed-Neural-Networks]]
|
||||
- **Raw Source:** [[10_Wiki/Topics/AI/Anthropic-Principle.md]]
|
||||
@@ -0,0 +1,29 @@
|
||||
---
|
||||
id: ALIFE-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 1.0
|
||||
tags: [ai, biology, complex-systems, artificial-life, simulation]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[Artificial Life (인공 생명)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "생명체의 본질을 디지털 코드로 재창조하여 지능의 기원을 탐구하라" — 생물학적 생명의 진화, 번식, 대사, 상호작용 등의 특성을 컴퓨터 시뮬레이션이나 로봇공학으로 구현하여 생명의 작동 원리를 연구하는 분야.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 단순한 규칙들의 상호작용을 통해 복잡하고 지능적인 거동이 나타나는 창발(Emergence) 현상을 디지털 환경에서 재현하는 패턴.
|
||||
- **주요 연구 분야:**
|
||||
- **Soft ALife:** 컴퓨터 소프트웨어 내의 가상 생명체 (예: 셀룰러 오토마타, Conway's Game of Life).
|
||||
- **Hard ALife:** 생물학적 기능을 모사한 로봇 시스템.
|
||||
- **Wet ALife:** 합성 생물학을 통한 인공 세포 및 생화학 시스템 구축.
|
||||
- **Evolutionary Computation:** 적자생존의 원리를 이용한 알고리즘 최적화.
|
||||
- **의의:** 지능이 중앙 통제가 아닌, 개별 개체들의 분산된 상호작용 결과물임을 증명하여 분산형 AI 연구에 기여.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 단순히 생명을 흉내 내는 수준에서, 인공 생태계 내에서 자율적인 학습과 진화가 일어나는 고도의 복잡계 시뮬레이션으로 발전.
|
||||
- **정책 변화:** Skybound 프로젝트의 군집 AI(Swarm AI) 설계 시, 인공 생명의 군집 행동(Flocking) 원리를 적용하여 수백 개의 적 기체가 자연스럽고 위협적인 움직임을 보이도록 구현함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Evolutionary-Computation]], [[Agentic-Workflow]], [[Multi-Agent-Systems-MAS]], [[Complexity-Theory]]
|
||||
- **Raw Source:** [[10_Wiki/Topics/AI/Artificial-Life.md]]
|
||||
@@ -0,0 +1,29 @@
|
||||
---
|
||||
id: PAPER-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 1.0
|
||||
tags: [ai, nlp, paper-summary, transformer, attention, google-research]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[Attention is All You Need (어텐션 논문 요약)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "순환(Recurrence)과 합성곱(Convolution) 없이, 오직 어텐션만으로 시퀀스를 정복하라" — 트랜스포머 아키텍처를 처음 세상에 알린 기념비적 논문으로, 대규모 병렬 연산과 전역적 문맥 파악의 시대를 연 현대 AI의 '창세기'.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 기존 RNN의 고질적인 문제인 장기 의존성(Long-term dependency)과 순차적 연산의 한계를 타파하고, 모든 데이터 포인트가 서로를 '주의 깊게' 바라보게 설계된 혁신적 인지 패턴.
|
||||
- **논문의 핵심 기여:**
|
||||
- **Self-Attention Mechanism:** 입력 시퀀스의 각 단어가 다른 모든 단어와의 가중치를 직접 계산하여 문맥을 파악.
|
||||
- **Multi-Head Attention:** 정보를 여러 관점(Head)에서 동시에 처리하여 입체적인 언어 이해 실현.
|
||||
- **Elimination of Recurrence:** 데이터를 순차적으로 넣지 않고 한꺼번에 입력하여 GPU 활용도와 학습 속도를 비약적으로 향상.
|
||||
- **Positional Encoding:** 순차 정보를 잃지 않기 위해 사인/코사인 함수를 이용한 위치 정보를 벡터에 주입.
|
||||
- **결과:** 기계 번역(WMT 2014)에서 기존 SOTA를 갈아치우며 압도적 성능 증명.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 시계열 데이터는 반드시 시간 순서대로 처리해야 한다는 통념을 깨뜨림. 이로 인해 '텍스트'뿐만 아니라 이미지(ViT), 오디오 등 모든 도메인으로 트랜스포머가 확장됨.
|
||||
- **정책 변화:** Antigravity 프로젝트는 이 논문의 철학을 계승하여, 지식들 간의 전역적 관계를 파악하는 '메타 그래프 어텐션' 로직을 위키 인덱싱 엔진에 적용함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Transformer-Architecture]], [[NLP-Attention-Mechanisms]], [[LLM]], [[Parallel-Computing]]
|
||||
- **Raw Source:** [[10_Wiki/Topics/AI/Attention is All You Need.md]]
|
||||
@@ -0,0 +1,29 @@
|
||||
---
|
||||
id: AUTOGPT-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 1.0
|
||||
tags: [ai, ai-agents, autogpt, autonomous-agents, prompt-engineering]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[Auto-GPT and Autonomous Agents (Auto-GPT와 자율 에이전트)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "모델에게 목표만 주면, 스스로 계획하고 도구를 써서 결과를 만들어낸다" — LLM의 추론 능력을 루프(Loop) 구조와 결합하여, 인간의 개입 없이도 인터넷 검색, 파일 쓰기, 코드 실행 등을 수행하며 복잡한 태스크를 완수하는 초기 자율 에이전트 모델.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 사용자의 추상적 목표를 세부 작업으로 분해(Decomposition)하고, 외부 툴을 사용하여 각 단계를 실행한 뒤 결과를 다시 다음 계획에 반영하는 재귀적 목표 달성 패턴.
|
||||
- **핵심 구성 요소:**
|
||||
- **Thought/Reasoning:** 다음 행동을 결정하는 논리적 판단.
|
||||
- **Plan:** 목표 달성을 위한 단기/장기 로드맵.
|
||||
- **Criticism:** 자신의 계획이나 결과물에 대한 비판적 검토.
|
||||
- **Long-term Memory:** 벡터 DB 등을 활용하여 이전 작업 내용을 기억.
|
||||
- **Tooling:** 웹 브라우징, 코드 실행, 파일 시스템 제어 등.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 단순한 '대화' 위주의 챗봇에서, 실제 물리적/디지털 환경에 변화를 일으키는 '행동 주체'로 에이전트의 정의를 확장. 초기 모델은 무한 루프나 효율성 저하 문제가 있었으나 현재는 안정적인 워크플로우로 진화 중.
|
||||
- **정책 변화:** Antigravity 프로젝트는 Auto-GPT의 자율성 개념을 위키 가드닝 워크플로우에 이식하여, 에이전트가 스스로 보강이 필요한 문서를 식별하고 업데이트하도록 설계함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[AI-Agents-Overview]], [[Agentic-Workflow]], [[Multi-Agent-Systems-MAS]], [[RAG]]
|
||||
- **Raw Source:** [[10_Wiki/Topics/AI/Auto-GPT and Autonomous Agents.md]]
|
||||
+16
-20
@@ -1,32 +1,28 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-BERT-001
|
||||
id: BERT-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 1.00
|
||||
tags: [auto-reinforced, bert, nlp, transformers, language-models, pre-training]
|
||||
last_reinforced: 2026-04-20
|
||||
confidence_score: 1.0
|
||||
tags: [ai, nlp, bert, transformer, language-model, google-research]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[BERT]]
|
||||
# [[BERT (Bidirectional Encoder Representations from Transformers)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "양방향 문맥의 혁명: 문장을 앞뒤로 번갈아 훑어가며 보이지 않는 구멍(Mask)을 채워 넣는 훈련을 통해, 단어 하나가 문장 전체와 맺는 깊은 의미적 맥락을 완벽히 이해해낸 구글의 언어 지성체."
|
||||
> "문장의 왼쪽과 오른쪽을 동시에 보며 단어의 진짜 의미를 파악하라" — 구글이 제안한 혁신적인 사전 학습 모델로, 문맥의 양방향성을 모두 고려하여 단어의 의미를 수치화함으로써 NLP 분야의 수많은 벤치마크 기록을 갱신한 모델.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
BERT(Bidirectional Encoder Representations from Transformers)는 2018년 구글이 공개한 트랜스포머 기반의 사전 학습(Pre-training) 모델입니다.
|
||||
|
||||
1. **핵심 혁신 - 양방향성(Bidirectionality)**:
|
||||
* 이전 모델들이 문장을 한 방향으로만 읽었던 것과 달리, BERT는 문장 전체를 한꺼번에 보고 각 단어의 앞뒤 문맥을 동시에 파악함.
|
||||
2. **학습 전략**:
|
||||
* **MLM (Masked Language Model)**: 문장 일부 단어를 가리고 원본을 맞추게 함. (Auto-Encoding의 변형)
|
||||
* **NSP (Next Sentence Prediction)**: 두 문장이 연달아 이어지는 문장인지 판별함.
|
||||
3. **영향**:
|
||||
* 검색 엔진(Google Search)의 의미 이해도를 비약적으로 높였으며, 수많은 후속 모델(RoBERTa, ALBERT 등)의 시조가 됨.
|
||||
- **추출된 패턴:** 문장 내의 일부 단어를 가리고(Masked LM) 원래 단어를 맞히는 과정과, 두 문장이 이어지는지(NSP) 예측하는 과정을 통해 깊이 있는 언어 이해력을 갖추는 사전 학습 패턴.
|
||||
- **핵심 특징:**
|
||||
- **Bidirectional Context:** 이전 시점의 정보만 보는 GPT와 달리, 앞뒤 문맥을 한꺼번에 고려하여 중의성 해결에 탁월함.
|
||||
- **Transformer Encoder:** 트랜스포머 아키텍처의 인코더 부분만 층층이 쌓아 올려 구성.
|
||||
- **Pre-training & Fine-tuning:** 방대한 일반 텍스트로 먼저 학습한 뒤, 특정 태스크(질의응답, 감성 분석 등)에 맞춰 살짝만 튜닝하여 고성능 확보.
|
||||
- **Contextual Embeddings:** 동일한 단어라도 주변 문맥에 따라 서로 다른 벡터 값을 가짐.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 특정 태스크마다 모델을 새로 만드는 정책이었으나, BERT 이후로는 거대 모델을 먼저 범용적으로 학습시키고 개별 태스크에 미세 조정(Fine-tuning)하는 'Pre-train & Fine-tune 정책'이 표준이 됨(RL Update).
|
||||
- **정책 변화(RL Update)**: 최근에는 BERT와 같은 인코더 전용 모델보다 긴 문장을 생성하는 디코더 전용 모델(GPT 시리즈)에 연구 역량이 집중되는 정책적 변화가 있었으나, 정밀한 텍스트 분석 및 정보 추출 분야에서는 여전히 BERT 계열 모델이 실무적 불패 정책을 유지함.
|
||||
- **과거 데이터와의 충돌:** 단방향 언어 모델의 한계를 극복하고, '이해' 중심의 NLP 태스크에서 독보적 지위를 확보. 이후 RoBERTa, ALBERT 등 다양한 변형 모델의 탄생을 이룸.
|
||||
- **정책 변화:** Antigravity 프로젝트는 문서 간의 의미적 유사성 판별 및 개체명 인식(NER) 작업에 BERT 기반의 임베딩 모델을 주력으로 사용함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Transformers]], [[Natural Language Processing (NLP)]], [[Auto-Encoding]], [[Word-Representation]], [[Attention Mechanisms]]
|
||||
- **Modern Tech/Tools**: Hugging Face Transformers library, BERT-Large, DistilBERT.
|
||||
---
|
||||
- [[Transformer-Architecture]], [[NLP]], [[Attention-Mechanisms]], [[Transfer-Learning-Foundations]]
|
||||
- **Raw Source:** [[10_Wiki/Topics/AI/BERT.md]]
|
||||
|
||||
@@ -0,0 +1,28 @@
|
||||
---
|
||||
id: BPTT-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 1.0
|
||||
tags: [ai, deep-learning, rnn, backpropagation, sequence-modeling]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[Backpropagation Through Time (BPTT, 시간 기반 역전파)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "과거의 그림자를 따라 오차의 근원을 추적하라" — 순환 신경망(RNN)에서 현재 시점의 오차를 이전 시점들로 거슬러 올라가며 전달하여, 시간적 순서(Sequence)를 가진 데이터의 패턴을 학습하게 하는 역전파 기법.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 순차적 데이터의 각 시점(Time Step)을 하나의 레이어로 펼쳐서(Unrolling), 일반적인 신경망의 역전파 알고리즘을 시간 축으로 확장 적용하는 학습 패턴.
|
||||
- **세부 내용:**
|
||||
- **Unrolling:** RNN의 순환 구조를 시간에 따라 길게 펼쳐진 신경망으로 간주.
|
||||
- **Gradient Calculation:** 현재 시점의 손실 함수 기울기를 이전 시점의 가중치들까지 체인 룰(Chain Rule)을 통해 전달.
|
||||
- **Vanishing/Exploding Gradient:** 시간이 길어질수록 기울기가 사라지거나 폭주하는 문제 발생. 이를 해결하기 위해 LSTM이나 GRU 같은 게이트 구조가 고안됨.
|
||||
- **Truncated BPTT:** 연산 효율과 기울기 소실 방지를 위해 특정 시간 범위까지만 역전파를 수행.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 초기 시퀀스 학습의 표준이었으나, 현재는 트랜스포머의 등장으로 대규모 병렬 처리가 가능해지면서 BPTT의 연산 병목과 한계가 명확해짐.
|
||||
- **정책 변화:** Antigravity 프로젝트는 실시간 시계열 센서 데이터 처리와 같은 특수 목적의 경량 RNN 모델 학습 시에만 BPTT 기법을 선별적으로 적용함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Backpropagation]], [[Neural-Networks-Foundations]], [[Sequence-to-Sequence-Models]], [[LSTM-and-GRU]]
|
||||
- **Raw Source:** [[10_Wiki/Topics/AI/Backpropagation Through Time.md]]
|
||||
@@ -0,0 +1,29 @@
|
||||
---
|
||||
id: BAYES-BRAIN-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 1.0
|
||||
tags: [neuroscience, cognitive-science, bayesian, predictive-coding, ai-theory]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[Bayesian Brain Hypothesis (베이지안 뇌 가설)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "뇌는 끊임없이 확률을 계산하는 최적의 추론 엔진이다" — 뇌가 불완전한 감각 데이터를 바탕으로 세상을 인식할 때, 사전 지식(Prior)과 새로운 정보(Likelihood)를 베이즈 정리에 따라 결합하여 최선의 추측을 내놓는다는 가설.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 불확실성이 가득한 환경에서 정보의 오차를 최소화하고 생존 확률을 높이기 위해, 확률적 모델 업데이트를 인지의 기본 원리로 삼는 베이지안 추론 패턴.
|
||||
- **핵심 개념:**
|
||||
- **Prior Knowledge:** 우리가 이미 알고 있는 세상에 대한 지식이나 경험.
|
||||
- **Likelihood:** 현재 감각 기관을 통해 들어오는 데이터의 확률.
|
||||
- **Posterior:** 사전 지식과 새로운 데이터가 합쳐진 최종적인 인식 결과.
|
||||
- **Free Energy Principle:** 뇌가 환경과의 불일치(Surprise)를 최소화하려는 방향으로 작동한다는 원리 (칼 프리스턴).
|
||||
- **의의:** AI 모델의 불확실성 처리 및 능동적 추론(Active Inference) 설계에 이론적 배경을 제공.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 뇌를 단순한 자극-반응 시스템으로 보던 관점에서, 능동적으로 확률 분포를 관리하고 미래를 예측하는 동역학 시스템으로 재정의.
|
||||
- **정책 변화:** Antigravity 에이전트의 상황 판단 모듈은 베이지안 뇌 가설을 차용하여, 모호한 사용자 입력에 대해 사전 맥락 데이터를 활용한 확률적 해석을 수행함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Predictive-Coding]], [[Bayesian-Inference]], [[Uncertainty-Quantification]], [[Active-Inference]]
|
||||
- **Raw Source:** [[10_Wiki/Topics/AI/Bayesian-Brain-Hypothesis.md]]
|
||||
@@ -1,27 +1,29 @@
|
||||
---
|
||||
id: P-REINFORCE-AI-BEHAVE
|
||||
id: BEH-ECON-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.97
|
||||
tags: [Behavioral Economics, Human Factor, Nudge, Psychology]
|
||||
last_reinforced: 2026-04-20
|
||||
confidence_score: 1.0
|
||||
tags: [economics, psychology, decision-making, behavioral-science, nudge]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[Behavioral-Economics]] (행동 경제학)
|
||||
# [[Behavioral Economics (행동 경제학)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 인간은 합리적이지 않다. 다만 '예측 가능하게 비합리적'일 뿐이다. 이 비합리성의 패턴을 이해하는 것이 최고의 사용자 경험(UX)을 만드는 열쇠다.
|
||||
> "인간은 합리적이지 않지만, 그 비합리성에는 일관된 패턴이 있다" — 심리학적 통찰을 경제학에 결합하여 인간이 실제로 어떻게 판단하고 선택하는지, 그리고 왜 종종 자신의 이익에 반하는 결정을 내리는지 탐구하는 학문.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Loss Aversion (손실 회피)**:
|
||||
- 10,000원을 얻었을 때의 기쁨보다 10,000원을 잃었을 때의 고통이 훨씬 크다. 이 기제로 인해 사람들은 변화를 거부하고 형상 유지(Status Quo Bias)를 선호한다.
|
||||
- **Anchoring Effect (닻 내림 효과)**:
|
||||
- 처음 제시된 정보(가격 등)가 기준점이 되어 이후 모든 판단에 영향을 준다. 할인 전 가격을 크게 써놓는 상술의 근거다.
|
||||
- **Nudge (넛지)**:
|
||||
- 명령이나 금지가 아니라, 선택 설계(Choice Architecture)를 통해 타인의 행동을 부드럽게 유도하는 기술 (예: 소변기의 파리 그림, 디폴트 옵션 설정).
|
||||
- **추출된 패턴:** 인지적 한계와 감정적 요인으로 인해 발생하는 체계적인 판단 오류(Biases)를 식별하고, 이를 바탕으로 선택 설계(Choice Architecture)를 최적화하는 분석 패턴.
|
||||
- **주요 개념:**
|
||||
- **Prospect Theory:** 이득보다 손실에 더 민감하게 반응하는 '손실 회피(Loss Aversion)' 성향 설명 (카너먼 & 트버스키).
|
||||
- **Anchoring:** 처음 제시된 정보(닻)에 얽매여 이후의 판단이 왜곡되는 현상.
|
||||
- **Nudge:** 강제하지 않고도 선택의 설계를 바꾸어 사람들의 행동을 긍정적인 방향으로 유도하는 기법 (리처드 탈러).
|
||||
- **Hyperbolic Discounting:** 먼 미래의 큰 보상보다 당장 눈앞의 작은 보상을 지나치게 선호하는 경향.
|
||||
- **의의:** 마케팅, 정책 수립, 게임 디자인, 그리고 사용자 친화적 AI 인터페이스 설계에 핵심적 역할 수행.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 행동 경제학의 실험들은 최근 '재현성 위기'를 겪고 있다. 특정 실험실 환경에서의 결과가 실제 웹 환경이나 문화권마다 다르게 나타날 수 있음을 인지하고, 항상 자사 서비스에서의 자가 테스트(A/B Test)가 병행되어야 한다.
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 수학적 수식으로 완벽히 설명 가능하다고 믿었던 고전 경제학의 한계를 극복하고, 인간의 불완전성을 시스템 설계의 핵심 변수로 도입.
|
||||
- **정책 변화:** Skybound 프로젝트의 BM(Business Model) 설계 시, 플레이어가 심리적 거부감 없이 성취감을 느낄 수 있도록 행동 경제학적 '넛지' 설계를 적용함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Nudge Theory]] , [[A_B-Testing-Platforms]]
|
||||
- Design: [[Design_Psychology]]
|
||||
- [[Game-Theory]], [[Psychology-of-Learning]], [[Decision-Making]], [[UX-Design]]
|
||||
- **Raw Source:** [[10_Wiki/Topics/AI/Behavioral-Economics.md]]
|
||||
|
||||
@@ -1,25 +1,29 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-F28615
|
||||
id: BON-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - Best-of-N Sampling (최적 샘플링)"
|
||||
confidence_score: 1.0
|
||||
tags: [ai-inference, llm, sampling-strategy, post-processing]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[Best-of-N Sampling (최적 샘플링)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 지식 요약 정보 추출 중...
|
||||
> "많이 뽑고 가장 좋은 것을 골라라" — 모델로부터 N개의 응답을 생성한 뒤, 별도의 보상 모델(RM)이나 채점 기준을 통해 가장 품질이 높은 최적의 답변 하나를 선택하는 추론 최적화 기법.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
본문 구조화 작업 중...
|
||||
- **추출된 패턴:** 생성(Generation)과 검증(Verification) 단계를 분리하여, 단일 생성 시 발생할 수 있는 환각(Hallucination)이나 저품질 응답 리스크를 통계적으로 억제하는 패턴.
|
||||
- **세부 내용:**
|
||||
- **N개 생성:** 동일한 프롬프트에 대해 온도를 조절하며 독립적인 N개의 응답 후보군을 확보.
|
||||
- **Reward Model (RM):** 각 후보 응답의 논리성, 안전성, 정확성을 평가하여 점수를 부여.
|
||||
- **Rejection Sampling:** 점수가 낮은 응답은 버리고 최고점을 받은 응답만을 최종 출력으로 선택.
|
||||
- **연산 비용:** 추론 시 N배의 컴퓨팅 자원이 소모되지만, 결과물의 신뢰도를 비약적으로 상승시킴.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요.
|
||||
- **정책 변화:** AI 분야의 자동 자산화 수행.
|
||||
- **과거 데이터와의 충돌:** 단순히 확률 기반으로 다음 토큰을 고르던 방식에서, 전체 문맥의 완성도를 사후에 평가하는 '검증 기반 추론'으로의 발전.
|
||||
- **정책 변화:** 실시간 응답이 중요한 챗봇보다는 정확도가 생명인 코드 생성이나 데이터 추출 에이전트에서 주로 채택됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
|
||||
- Raw Source: [[00_Raw/2026-04-20/Best-of-N Sampling (최적 샘플링).md]]
|
||||
---
|
||||
- **Parent:** [[10_Wiki/💡 Topics/AI]]
|
||||
- **Related:** [[Chain-of-Thought]], [[Self-Consistency]], [[Reward-Modeling]]
|
||||
- **Raw Source:** [[00_Raw/2026-04-20/Best-of-N Sampling.md]]
|
||||
|
||||
@@ -0,0 +1,29 @@
|
||||
---
|
||||
id: BBO-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 1.0
|
||||
tags: [optimization, algorithm, machine-learning, black-box, heuristics]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[Black-Box Optimization (블랙박스 최적화)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "내부 원리는 몰라도, 입력과 출력만으로 최선의 답을 찾아내라" — 시스템의 내부 수학적 모델이나 기울기(Gradient) 정보를 알 수 없을 때, 관측된 데이터를 바탕으로 목적 함수를 최적화하는 기법.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 목적 함수의 미분값을 구할 수 없는 환경에서, 효율적인 샘플링과 전역 탐색 전략을 통해 최적의 파라미터 조합을 찾는 탐색 패턴.
|
||||
- **주요 기법:**
|
||||
- **Bayesian Optimization:** 가우시안 프로세스 등을 통해 목적 함수의 모양을 추정하고, 다음 샘플링 지점을 결정 (가장 널리 쓰임).
|
||||
- **Genetic Algorithms:** 자연 선택의 원리를 이용하여 해를 진화시킴.
|
||||
- **Simulated Annealing:** 확률적 탐색을 통해 지역 최적해 탈출.
|
||||
- **Random Search / Grid Search:** 가장 단순한 형태의 탐색.
|
||||
- **응용 분야:** 하이퍼파라미터 튜닝(AutoML), 신약 설계, 로봇 제어 정책 최적화 등.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 미분 가능한 환경에서의 경사 하강법에 의존하던 방식에서, 미분이 불가능하거나 연산 비용이 매우 비싼 실제 시스템 최적화로 영역 확장.
|
||||
- **정책 변화:** Antigravity 프로젝트의 에이전트 모델 하이퍼파라미터 최적화 시, 베이지안 최적화 기반의 블랙박스 기법을 사용하여 적은 시행횟수로 최적의 설정을 찾음.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Bayesian-Inference]], [[Evolutionary-Computation]], [[Simulated-Annealing]], [[Hyperparameter-Optimization]]
|
||||
- **Raw Source:** [[10_Wiki/Topics/AI/Black-Box-Optimization.md]]
|
||||
@@ -0,0 +1,28 @@
|
||||
---
|
||||
id: BLOOM-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 1.0
|
||||
tags: [computer-science, data-structure, search, algorithm, efficiency]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[Bloom Filters in Search (검색에서의 블룸 필터)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "데이터가 '없다'는 것은 확실히 알려주되, '있다'는 것은 확률적으로 답하라" — 아주 적은 메모리만 사용하여 특정 원소가 집합에 포함되어 있는지 빠르게 확인하는 확률적 자료구조.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 방대한 데이터셋에서 실제 검색(I/O 연산)을 수행하기 전, 대상이 존재할 가능성이 있는지 미리 필터링하여 시스템 부하를 획기적으로 줄이는 고속 거름망 패턴.
|
||||
- **작동 원리:**
|
||||
- **Hashing:** 여러 개의 해시 함수를 사용하여 비트 배열의 특정 위치를 1로 설정.
|
||||
- **False Positive:** 실제로 없는데 있다고 답할 확률은 존재함 (충돌 발생 시).
|
||||
- **No False Negative:** 없다고 답하면 실제로 100% 없음. 불필요한 디스크/네트워크 접근을 원천 차단.
|
||||
- **응용 사례:** DB 인덱스 검색 최적화, 웹 브라우저의 유해 사이트 필터링, 분산 시스템의 캐시 효율성 증대.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 정확한 결과가 필수적이라는 데이터 구조의 고정관념에서 벗어나, '확률적 효율성'이 시스템 전체 성능에 더 큰 이득을 줄 수 있음을 증명.
|
||||
- **정책 변화:** Antigravity 프로젝트의 대규모 위키 문서 검색 시, 모든 문서를 임베딩 비교하기 전 블룸 필터를 통해 관련 키워드가 전혀 없는 문서를 1차적으로 배제함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Algorithm-Complexity-Big-O]], [[System-Design-for-AI-Scale]], [[Vector-Database-Selection]], [[Parallel-Computing]]
|
||||
- **Raw Source:** [[10_Wiki/Topics/AI/Bloom-Filters in Search.md]]
|
||||
@@ -0,0 +1,27 @@
|
||||
---
|
||||
id: BOLTZMANN-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 1.0
|
||||
tags: [ai, deep-learning, neural-networks, energy-based-model, statistical-mechanics]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[Boltzmann Machines (볼츠만 머신)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "데이터의 분포를 물리적인 에너지 평형 상태로 모델링하라" — 통계역학의 볼츠만 분포에서 영감을 얻어, 신경망의 전역적 에너지 상태를 최소화하는 방향으로 학습하여 데이터의 구조를 파악하는 확률적 재귀 신경망.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 가시 노드와 은닉 노드 간의 상호작용을 통해 데이터의 복잡한 상관관계를 확률 분포 형태로 학습하고 생성하는 에너지 기반(Energy-based) 학습 패턴.
|
||||
- **주요 유형:**
|
||||
- **RBM (Restricted Boltzmann Machine):** 같은 층의 노드 간 연결을 제한하여 학습 효율을 높인 모델. 딥러닝 초기 가중치 초기화(Pre-training)에 기여.
|
||||
- **Deep Boltzmann Machine (DBM):** 여러 층의 RBM을 쌓아 올려 더 복잡한 특징 학습.
|
||||
- **학습 원리:** 실제 데이터의 분포와 모델이 생성한 분포 사이의 차이(KL-Divergence)를 최소화.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 초기 딥러닝의 부활을 이끈 핵심 기술(DBN 등)이었으나, 현재는 역전파(Backprop) 기술의 발달과 ReLU 등의 등장으로 인해 주류에서는 다소 물러난 상태임.
|
||||
- **정책 변화:** Antigravity 프로젝트는 비지도 학습 기반의 특징 추출 알고리즘 연구 시, 볼츠만 머신의 에너지 기반 모델링 철학을 참고하여 데이터 정합성을 검증함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Unsupervised-Learning-Foundations]], [[Energy-Based-Models]], [[Deep-Learning]], [[Statistical-Mechanics]]
|
||||
- **Raw Source:** [[10_Wiki/Topics/AI/Boltzmann-Machines.md]]
|
||||
@@ -0,0 +1,27 @@
|
||||
---
|
||||
id: BCI-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 1.0
|
||||
tags: [neuroscience, bci, neurotechnology, signal-processing, future-tech]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[Brain-Computer Interface (BCI, 뇌-컴퓨터 인터페이스)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "생각의 신호를 직접 디지털 언어로 번역하라" — 뇌의 전기적 신호를 포착하여 외부 기기를 제어하거나, 반대로 외부 정보를 뇌로 전달하여 인간의 인지 및 운동 능력을 확장하는 기술.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 뉴런의 발화 패턴(Spikes)이나 뇌파(EEG) 데이터를 실시간으로 수집하고, 머신러닝 모델을 통해 사용자의 의도를 분류하여 명령어로 변환하는 신호 변환 패턴.
|
||||
- **주요 방식:**
|
||||
- **Invasive (침습형):** 뇌 표면이나 내부에 직접 전극 삽입. 정확도가 높으나 수술 필요 (예: 뉴럴링크).
|
||||
- **Non-invasive (비침습형):** 머리 표면에서 뇌파 측정 (EEG). 안전하나 신호의 해상도가 낮음.
|
||||
- **응용 분야:** 사지 마비 환자의 의사소통 지원, 의수/의족 제어, 집중도 모니터링, 가상현실 인터페이스.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 실험실 수준의 보조 기구에서, 최근에는 AI의 발전으로 뇌 신호 해독 정밀도가 비약적으로 향상되며 소비자 가전 및 범용 인터페이스로의 진입 시도 중.
|
||||
- **정책 변화:** Antigravity 프로젝트는 향후 초저지연 인터랙션 환경 구축을 위해 BCI 기술의 데이터 표준 및 윤리적 프라이버시 보호 방안을 연구 테마에 포함함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Neuroscience]], [[Signal-Processing]], [[Pattern-Recognition]], [[AI-Ethics]]
|
||||
- **Raw Source:** [[10_Wiki/Topics/AI/Brain-Computer Interface (BCI).md]]
|
||||
@@ -0,0 +1,30 @@
|
||||
---
|
||||
id: CAP-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 1.0
|
||||
tags: [computer-science, distributed-systems, infrastructure, database, scalability]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[CAP Theorem (CAP 정리)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "분산 시스템에서 완벽한 데이터 일치와 24시간 가동, 네트워크 오류 방지를 모두 가질 수는 없다" — 분산 컴퓨팅 환경에서 일관성, 가용성, 분단 허용성 중 두 가지만 동시에 만족할 수 있다는 에릭 브루어의 정리.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 시스템의 규모가 커지고 노드가 분산될 때 발생하는 네트워크 지연 및 단절 상황에서, 데이터의 정확성과 시스템의 응답성 사이의 우선순위를 결정하는 아키텍처 선택 패턴.
|
||||
- **세 가지 핵심 속성:**
|
||||
- **Consistency (일관성):** 모든 노드에서 동시에 같은 데이터를 조회할 수 있어야 함. (정확성 중시)
|
||||
- **Availability (가용성):** 일부 노드에 장애가 생겨도 시스템은 항상 응답해야 함. (연결성 중시)
|
||||
- **Partition Tolerance (분단 허용성):** 노드 간 네트워크가 끊겨도 시스템이 계속 작동해야 함. (분산 시스템의 필수 요건)
|
||||
- **주요 선택 전략:**
|
||||
- **CP (Consistency + Partition Tolerance):** 데이터 정확성이 중요할 때 (예: 금융 시스템, 분산 락).
|
||||
- **AP (Availability + Partition Tolerance):** 서비스 중단이 치명적일 때 (예: SNS 피드, 쇼핑몰 장바구니).
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 단순히 '모든 것을 만족하는 DB'를 찾던 시기에서, 비즈니스 요구사항에 따라 일관성을 희생(Eventual Consistency)하더라도 가용성을 챙기는 유연한 설계 시대로 전환.
|
||||
- **정책 변화:** Antigravity 프로젝트의 분산 지식 그래프 시스템은 지식의 전파 속도보다 정확성이 중요하므로 CP 전략을 기본으로 하되, 사용자 읽기 요청에 대해서는 AP적 요소를 도입하여 응답성을 확보함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[System-Design-for-AI-Scale]], [[Distributed-Computing]], [[Vector-Database-Selection]], [[Microservices]]
|
||||
- **Raw Source:** [[10_Wiki/Topics/AI/CAP-Theorem.md]]
|
||||
@@ -0,0 +1,28 @@
|
||||
---
|
||||
id: CLIP-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 1.0
|
||||
tags: [ai, computer-vision, nlp, multimodal, clip, openai]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[CLIP (Contrastive Language-Image Pre-training)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "이미지와 텍스트를 하나의 언어로 묶어 AI에게 시각적 문해력을 부여하라" — OpenAI가 제안한 모델로, 인터넷상의 방대한 이미지와 설명 텍스트 쌍을 대조 학습(Contrastive Learning)하여 시각적 개념을 언어적으로 이해하게 만든 혁신적인 멀티모달 모델.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 이미지 임베딩과 텍스트 임베딩을 동일한 공유 잠재 공간(Shared Latent Space)에 매핑하여, 특정 텍스트 설명에 가장 잘 어울리는 이미지를 찾아내는 시각-언어 정렬 패턴.
|
||||
- **핵심 특징:**
|
||||
- **Contrastive Learning:** 관련 있는 이미지-텍스트 쌍은 가깝게, 관련 없는 쌍은 멀게 배치하도록 학습.
|
||||
- **Zero-shot Visual Recognition:** 학습 데이터에 없던 새로운 물체라도 텍스트 설명을 통해 인식 가능.
|
||||
- **Robustness:** 특정 데이터셋(ImageNet 등)에 과적합되지 않고 실제 환경의 다양한 이미지에 대해 뛰어난 일반화 성능을 보임.
|
||||
- **Foundation for GenAI:** DALL-E, Stable Diffusion 등 텍스트-투-이미지 생성 모델의 핵심 눈(Eye) 역할을 수행.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 숫자로 된 클래스 라벨(예: 0=개, 1=고양이)로만 이미지를 배우던 방식에서, 자연어 설명을 통해 이미지의 풍부한 맥락을 배우는 방식으로 패러다임 전환.
|
||||
- **정책 변화:** Antigravity 프로젝트의 '멀티모달 지식 인덱싱'은 CLIP 아키텍처를 활용하여 위키 내의 이미지와 도표를 텍스트 검색 결과에 자연스럽게 노출시킴.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Transformer-Architecture]], [[Zero-Shot-Learning]], [[Representation-Learning]], [[LLM]]
|
||||
- **Raw Source:** [[10_Wiki/Topics/AI/CLIP.md]]
|
||||
@@ -0,0 +1,28 @@
|
||||
---
|
||||
id: CATAST-FORGET-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 1.0
|
||||
tags: [ai, neural-networks, lifelong-learning, catastrophic-forgetting, stability-plasticity]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[Catastrophic Forgetting (파괴적 망각)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "새로운 지식을 배우려다 소중한 과거의 기억을 덮어쓰지 마라" — 인공 신경망이 새로운 태스크를 학습할 때, 이전에 학습했던 태스크에 필요한 가중치들이 급격히 수정되어 과거의 성능이 파괴적으로 저하되는 현상.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 학습 과정에서 가중치들이 현재의 데이터에만 최적화되면서, 과거의 데이터 분포 정보를 잃어버리는 정보 오버라이딩 패턴.
|
||||
- **주요 해결 기법 (Continual Learning):**
|
||||
- **Regularization-based:** 과거 태스크에 중요했던 가중치가 변하지 않도록 페널티 부여 (예: EWC).
|
||||
- **Replay-based:** 과거의 데이터 일부를 저장해두었다가 새로운 학습 시 함께 사용.
|
||||
- **Architecture-based:** 새로운 지식을 위해 신경망의 일부를 동적으로 확장하거나 분리.
|
||||
- **의의:** 인간처럼 평생에 걸쳐 지식을 축적하는 '지속 가능한 학습(Lifelong Learning)' 구현을 위한 가장 큰 난제 중 하나.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 초기에는 데이터를 합쳐서 다시 학습시키는 것이 유일한 해결책이었으나, 현재는 가중치 동역학을 제어하여 지식을 보존하는 정교한 기법들이 연구됨.
|
||||
- **정책 변화:** Antigravity 프로젝트는 에이전트의 로컬 브레인 업데이트 시, 핵심 지식 노드의 가중치를 보호하는 규제화 기법을 적용하여 파괴적 망각을 최소화함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Neural-Networks-Foundations]], [[Transfer-Learning-Foundations]], [[Regularization-Techniques]], [[Representation-Learning]]
|
||||
- **Raw Source:** [[10_Wiki/Topics/AI/Catastrophic-Forgetting.md]]
|
||||
@@ -0,0 +1,28 @@
|
||||
---
|
||||
id: CAUSAL-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 1.0
|
||||
tags: [statistics, ai, causal-inference, causality, counterfactuals]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[Causal Inference (인과 추론)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "상관관계(Correlation)에 속지 말고, 진짜 원인(Cause)을 파헤쳐라" — 단순히 두 현상이 함께 일어나는지 관찰하는 것을 넘어, 한 변수의 변화가 다른 변수의 변화를 실제로 유발하는지 통계적/논리적으로 추론하는 과정.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 관측 데이터 뒤에 숨겨진 구조적 인과 모델(SCM)을 설정하고, "만약 A가 일어나지 않았다면 어떠했을까?"라는 반사실적(Counterfactual) 질문을 통해 인과 효과를 산출하는 분석 패턴.
|
||||
- **주요 도구:**
|
||||
- **Directed Acyclic Graphs (DAGs):** 변수 간의 인과 경로를 시각화.
|
||||
- **Do-calculus:** 개입(Intervention)이 일어났을 때의 확률 분포 변화를 계산 (주디아 펄).
|
||||
- **Instrumental Variables:** 관찰되지 않은 혼란 변수(Confounder)를 통제하기 위한 기법.
|
||||
- **의의:** 데이터 기반 AI가 범하기 쉬운 "닭이 울어서 해가 뜬다"식의 오류를 방지하고, 정책 결정이나 의학적 진단에서 신뢰할 수 있는 가이드라인 제공.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 빅데이터가 모든 답을 줄 것이라 믿었던 시기에서, 데이터의 양보다 데이터가 생성된 '구조'가 더 중요하다는 사실을 깨닫는 과정.
|
||||
- **정책 변화:** Antigravity 프로젝트는 시스템 장애 분석 시 단순 통계적 상관관계 대신 인과 추론 방법론을 적용하여, 장애의 진짜 원인을 타격하는 해결책을 제시함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Root-Cause-Analysis-RCA]], [[Probabilistic-Graphical-Models]], [[Bayesian-Inference]], [[Decision-Making]]
|
||||
- **Raw Source:** [[10_Wiki/Topics/AI/Causal-Inference.md]]
|
||||
@@ -0,0 +1,29 @@
|
||||
---
|
||||
id: CHAOS-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 1.0
|
||||
tags: [mathematics, complex-systems, chaos-theory, nonlinear-dynamics, system-design]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[Chaos Theory in Systems (시스템에서의 카오스 이론)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "결정론적인 질서 안에서도 예측 불가능한 요동이 숨어 있다" — 초기 조건의 미세한 차이가 시간이 흐름에 따라 거대한 결과의 차이를 만들어내는(나비 효과) 비선형 동역학 시스템의 성질을 탐구하는 이론.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 규칙적인 알고리즘으로 작동하는 시스템이라도, 요소 간의 복잡한 피드백 루프와 비선형성으로 인해 장기적인 예측이 원천적으로 불가능해지는 복잡계(Complex Systems) 패턴.
|
||||
- **핵심 개념:**
|
||||
- **Butterfly Effect:** 초기값의 0.0001% 차이가 전혀 다른 결과를 초래함.
|
||||
- **Strange Attractors:** 혼돈 속에서도 특정 궤적이나 패턴으로 수렴하는 기하학적 구조 (예: 로렌츠 끌개).
|
||||
- **Fractals:** 부분과 전체가 닮아 있는 자기 유사성(Self-similarity) 구조.
|
||||
- **Nonlinearity:** 입력의 합이 출력의 합과 같지 않은 시스템의 불규칙한 특성.
|
||||
- **의의:** 기상 예측, 주식 시장, 그리고 수천 개의 에이전트가 상호작용하는 대규모 AI 생태계의 불안정성을 이해하는 틀 제공.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 선형적인 인과관계로 세상을 설명하려던 고전 과학의 한계를 넘어, 불규칙성 자체가 시스템의 본질적 속성임을 규명.
|
||||
- **정책 변화:** Skybound 프로젝트의 대규모 함대 시뮬레이션 시, 카오스 이론을 응용하여 각 기체의 단순한 로직이 합쳐져 예측 불가능하면서도 유기적인 진형 변화를 보이도록 설계함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Complexity-Theory]], [[Artificial-Life]], [[Multi-Agent-Systems-MAS]], [[System-Design-for-AI-Scale]]
|
||||
- **Raw Source:** [[10_Wiki/Topics/AI/Chaos-Theory in Systems.md]]
|
||||
@@ -1,43 +1,29 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-B1B522
|
||||
id: CHROME-MEM-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - Chrome DevTools Memory Profiling"
|
||||
confidence_score: 1.0
|
||||
tags: [web-performance, debugging, memory-leak, devtools]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[Chrome DevTools Memory Profiling]]
|
||||
# [[Chrome DevTools Memory Profiling (메모리 분석 및 성능 최적화)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> Chrome DevTools Memory Profiling은 JavaScript 애플리케이션 및 브라우저에서 발생하는 메모리 누수를 감지하고 분석하기 위한 분석 도구 모음입니다 [1, 2]. 주로 DevTools의 Memory 패널을 통해 제공되며, 객체의 메모리 할당 시점, 유지(Retaining) 경로, 가비지 컬렉션 여부를 시각적으로 추적하여 정상적으로 정리되지 않은 객체를 식별합니다 [3-6]. 이를 통해 개발자는 메모리 힙(Heap) 상태를 정밀하게 분석하고 메모리 부족 현상이나 성능 저하를 유발하는 코드의 근본 원인을 파악할 수 있습니다 [7-9].
|
||||
> "보이지 않는 메모리 누수를 가시화하라" — 브라우저의 힙 스냅샷과 타임라인 기록을 통해 자바스크립트 객체의 할당 및 해제 과정을 추적하여 웹 애플리케이션의 메모리 효율성을 극대화하는 진단 도구.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
* **핵심 프로파일링 도구 (Memory Panel Tools):**
|
||||
* **Heap Snapshot (힙 스냅샷):** 특정 시점의 전체 메모리 객체 그래프를 캡처하는 도구입니다 [3, 10]. 의심되는 작업 전, 작업 중, 작업 후의 세 번의 스냅샷을 찍어 비교하는 '3-스냅샷 기법(three-snapshot technique)'을 통해 일회성 할당을 필터링하고 실제 누수 후보를 안정적으로 식별할 수 있습니다 [7, 11]. 제공되는 뷰(View)에는 생성자별로 객체를 묶어 크기를 보여주는 Summary, 두 스냅샷 간의 차이를 보여주는 Comparison, 애플리케이션 구조를 조감도로 보여주는 Containment, 메모리 할당의 파이 차트를 보여주는 Statistics 등이 있습니다 [9].
|
||||
* **Allocation instrumentation on timeline (타임라인의 할당 계측):** 일정 기간 동안의 모든 메모리 할당을 스택 트레이스와 함께 기록하며, 최소 50ms 간격으로 스냅샷을 주기적으로 캡처합니다 [3, 12, 13]. 타임라인에서 파란색 막대는 기록 종료 시점까지 여전히 살아있는 객체(누수 후보)를 의미하며, 회색 막대는 할당 후 이미 가비지 컬렉션된 객체를 의미합니다 [3, 4, 14, 15].
|
||||
* **Allocation sampling (할당 샘플링):** 전체 할당 추적보다 오버헤드가 적은 통계적 샘플링 방법으로, 프로덕션 환경의 프로파일링에 적합합니다 [16].
|
||||
|
||||
* **주요 지표 및 분석 개념:**
|
||||
* **Shallow Size vs. Retained Size:** 'Shallow size'는 객체 자체가 독립적으로 차지하는 메모리 크기(일반적으로 문자열이나 배열이 큼)이며, 'Retained size'는 해당 객체를 삭제하여 참조가 끊어졌을 때 가비지 컬렉터를 통해 확보할 수 있는 총 메모리 크기를 의미합니다 [17].
|
||||
* **Retainers (유지 경로):** 특정 객체를 메모리에 살아있게 만들어 가비지 컬렉션을 방해하는 참조 체인을 보여줍니다 [3, 6]. 개발자는 이 트리를 확인하여 어떤 참조가 메모리 누수를 유발하는지 파악할 수 있습니다 [8, 18].
|
||||
* **객체 ID (Object ID):** 객체 이름 뒤에 붙는 `@` 기호와 숫자는 고유 ID로, 가비지 컬렉션 과정에서 객체가 이동하더라도 변하지 않아 여러 스냅샷에 걸쳐 특정 객체의 상태를 정확하게 추적 및 비교할 수 있게 해줍니다 [12, 19, 20].
|
||||
|
||||
* **프로파일링을 통해 식별되는 주요 메모리 누수 패턴:**
|
||||
* 문서(DOM)에서는 제거되었으나 자바스크립트 변수, Map/Set, 또는 클로저 등에 의해 여전히 참조되고 있는 분리된 DOM 노드(Detached DOM nodes) [16, 21, 22].
|
||||
* 생명 주기에 맞게 제거되지 않고 반복적으로 쌓이는 이벤트 리스너(Event listener accumulation) 및 잊혀진 타이머나 옵저버(Forgotten timers and observers) [23, 24].
|
||||
* 여러 클로저가 스코프를 공유할 때, 큰 데이터를 캡처한 변수를 다른 클로저의 수명 때문에 메모리에서 해제하지 못하는 클로저 스코프 보존(Closure scope retention) [23].
|
||||
- **추출된 패턴:** 메모리 점유율이 지속적으로 우상향하는 '메모리 누수(Memory Leak)' 패턴을 식별하고, 해제되지 않은 참조 관계(Retainer Tree)를 찾아내는 진단 패턴.
|
||||
- **세부 내용:**
|
||||
- **Heap Snapshot:** 특정 시점의 메모리 사용 현황을 캡처하여 어떤 객체가 가장 많은 용량을 차지하는지 분석.
|
||||
- **Allocation Instrumentation on Timeline:** 시간에 따른 메모리 할당 현황을 기록하여 특정 사용자 동작(클릭 등) 시 메모리가 비정상적으로 급증하는지 확인.
|
||||
- **Detached DOM Nodes:** 화면에서 사라졌지만 가비지 컬렉터(GC)에 의해 수거되지 못한 DOM 노드를 탐지.
|
||||
- **Shallow Size vs Retained Size:** 객체 자체의 크기와 해당 객체가 유지하고 있는 다른 객체들의 합계 크기를 구분하여 병목 지점 파악.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요.
|
||||
- **정책 변화:** AI 분야의 자동 자산화 수행.
|
||||
- **과거 데이터와의 충돌:** 단순 '새로고침'으로 해결하던 방식에서, SPA(Single Page Application) 환경의 장기 생존 메모리 관리로 최적화 패러다임 전환.
|
||||
- **정책 변화:** Antigravity 프로젝트의 웹 대시보드 성능 가이드라인에 따라 5분 이상 미사용 시 유휴 메모리 강제 해제 로직 검증에 활용.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Related Topics:** [[Heap Snapshot]], [[Allocation Timeline]], [[Garbage Collection]], [[Retaining Path]], [[Shallow Size and Retained Size]]
|
||||
- **Projects/Contexts:** [[V8 Engine Memory Management]], [[Browser Memory Leak Detection]]
|
||||
- **Contradictions/Notes:** 소스 간의 직접적인 모순은 없습니다. 다만, 실무적 주의사항으로 `console.log`가 평가된 객체에 대한 참조를 계속 유지하여 가짜 양성(false positive)의 메모리 누수를 표시할 수 있으므로, 메모리 누수 조사 중에는 콘솔을 지우거나 큰 객체 기록을 피해야 한다고 경고하고 있습니다 [21, 25]. 또한 코드의 난독화(Minified code) 때문에 Retainer 체인을 읽기 어려울 수 있으므로, 의미 있는 함수/변수 명을 보려면 소스 맵(Source maps)을 활성화해야 합니다 [25].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-19*
|
||||
- Raw Source: [[00_Raw/2026-04-20/Chrome DevTools Memory Profiling.md]]
|
||||
---
|
||||
- **Parent:** [[10_Wiki/💡 Topics/AI]]
|
||||
- **Related:** [[Garbage-Collection]], [[Reflow-Repaint]], [[V8-Engine]]
|
||||
- **Merged Source:** [[10_Wiki/Topics/AI/Chrome DevTools 메모리 분석 및 성능 최적화.md]]
|
||||
|
||||
@@ -1,30 +0,0 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-9DC3E3
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - Chrome DevTools 메모리 분석 및 성능 최적화"
|
||||
---
|
||||
|
||||
# [[Chrome DevTools 메모리 분석 및 성능 최적화]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> Chrome DevTools는 웹 및 Node.js 애플리케이션의 메모리 누수를 감지하고 성능을 최적화하기 위한 강력한 메모리 분석 도구를 제공한다 [1, 2]. 핵심 기능으로는 특정 시점의 메모리 상태를 캡처하는 힙 스냅샷(Heap snapshot), 시간에 따른 객체 할당을 추적하는 할당 타임라인(Allocation timeline), 그리고 통계적 샘플링 방식의 할당 샘플링(Allocation sampling)이 있다 [3, 4]. 개발자는 이러한 도구를 사용하여 가비지 컬렉션(GC) 이후에도 메모리에 남아있는 객체와 그 참조 경로(Retaining path)를 식별함으로써, 메모리 누수와 성능 저하의 근본 원인을 파악하고 코드를 최적화할 수 있다 [1, 3, 5, 6].
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
본문 구조화 작업 중...
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요.
|
||||
- **정책 변화:** AI 분야의 자동 자산화 수행.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Related Topics:** [[가비지 컬렉션(Garbage Collection)]], [[V8 JavaScript Engine]], [[힙 메모리(Heap Memory)]], [[메모리 누수(Memory Leak)]], [[Retainers(유지 경로)]]
|
||||
- **Projects/Contexts:** [[Node.js 프로덕션 메모리 병목 분석]], [[SPA 라우트 전환 성능 최적화]]
|
||||
- **Contradictions/Notes:** DevTools의 콘솔(Console)에 `console.log`를 통해 출력된 객체는 콘솔에 의해 지속적으로 참조가 유지되므로 가비지 컬렉션의 대상이 되지 않는다. 따라서 메모리 누수를 정확히 조사할 때는 대형 객체의 로깅을 피하거나 콘솔을 비워야 한다 [18]. 더불어, 원시 데이터인 숫자(Number)와 같은 비문자열 값은 캡처되지 않으며, 원시 힙 데이터에는 수많은 V8 내부 객체도 포함되어 있어 분석 시 "Constructor" 필터를 적용해 애플리케이션 객체에만 집중하는 것이 좋다 [9, 18].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-19*
|
||||
- Raw Source: [[00_Raw/2026-04-20/Chrome DevTools 메모리 분석 및 성능 최적화.md]]
|
||||
---
|
||||
@@ -1,27 +0,0 @@
|
||||
---
|
||||
id: P-REINFORCE-AI-CIRCUIT
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.98
|
||||
tags: [Interpretability, Neural Networks, Circuit Discovery, Mechanistic Interpretability]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Circuit-Discovery]] (회로 발견)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "인공신경망은 블랙박스가 아니다." 신경망 내부의 수억 개 파라미터들 사이에서 특정 로직(예: 덧셈, 문법 파악)을 수행하는 고유의 '신경 회로'를 찾아 지질학적으로 분석하는 고난도 기술이다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Mechanistic Interpretability**:
|
||||
- 모델의 입력을 조금씩 바꿔보며 특정 뉴런들이 어떻게 활성화되는지(Activation Patching 등)를 분석하여, 가중치 속에 숨겨진 알고리즘을 역설계한다.
|
||||
- **Induction Heads**:
|
||||
- 이전에 본 패턴을 기억하고 반복될 때 활성화되는 신경망 내의 특정 구조. LLM의 문맥 이해 능력의 핵심 원동력 중 하나로 밝혀졌다.
|
||||
- **Reverse Engineering**:
|
||||
- 학습된 모델을 '읽기'를 통해 그 모델이 어떤 수학적 전략을 사용해 문제를 푸는지 인간의 언어로 설명하는 과정.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 대규모 모델(Llama-3, GPT-4)로 갈수록 회로가 너무 복잡해져서 일일이 분석하는 것이 불가능에 가까워진다. 최근에는 다른 '작은 AI'를 시켜서 큰 AI의 회로를 분석하게 하는 자동화된 해석 연구가 진행 중이다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Automated-Reasoning]] , [[Complexity-Theory]]
|
||||
- Foundation: [[Information Theory]]
|
||||
@@ -0,0 +1,29 @@
|
||||
---
|
||||
id: CIRCUIT-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 1.0
|
||||
tags: [ai-interpretability, mechanistic-interpretability, neural-networks, circuits]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[Circuit Discovery (회로 발견)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "거대 모델 속에서 구체적인 기능을 수행하는 작은 알고리즘 지도를 그려라" — 신경망 내부의 특정 뉴런과 헤드들이 어떻게 연결되어 논리적 기능을 수행하는지 식별해내는 기계적 해석 가능성(Mechanistic Interpretability)의 핵심 기법.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 모델 전체를 블랙박스로 보는 대신, 특정 태스크(예: 간접 목적어 식별)를 수행할 때 활성화되는 최소한의 가중치와 경로를 추출하는 '회로(Circuit)' 식별 패턴.
|
||||
- **세부 내용:**
|
||||
- **Activation Patching:** 특정 뉴런의 활성화 값을 다른 입력값으로 교체해보며 결과에 미치는 인과적 영향을 측정.
|
||||
- **Path Patching:** 레이어 간의 구체적인 연결 경로를 추적하여 정보가 어떻게 흐르는지(Information Flow) 매핑.
|
||||
- **Induction Heads:** 이전 패턴을 복사하거나 문맥을 이해하는 데 특화된 특정 어텐션 헤드 구조의 발견.
|
||||
- **Automated Circuit Discovery (ACD):** 방대한 파라미터 중 유의미한 연결망을 알고리즘적으로 자동 탐색.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 단순 시각화(Saliency Map) 수준을 넘어, 모델 내부에서 수학적으로 정의 가능한 알고리즘을 찾아내는 정교한 단계로 진화.
|
||||
- **정책 변화:** 모델의 안전성 검증(Alignment)을 위해 잠재적인 유해 논리 회로가 형성되었는지 감지하는 도구로 활용 비중 확대.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Parent:** [[10_Wiki/💡 Topics/AI]]
|
||||
- **Related:** [[Mechanistic-Interpretability]], [[Neuron-Attribution]], [[Feature-Visualization]]
|
||||
- **Raw Source:** [[00_Raw/2026-04-20/Circuit Discovery.md]]
|
||||
@@ -0,0 +1,30 @@
|
||||
---
|
||||
id: COG-ARCH-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 1.0
|
||||
tags: [ai, cognitive-science, architecture, reasoning, knowledge-representation]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[Cognitive Architecture (인지 아키텍처)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "인간의 사고 과정을 모방한 지능의 설계도를 그려라" — 지각, 학습, 기억, 추론 등 지능을 구성하는 다양한 요소들이 어떻게 상호작용하여 전체적인 행동을 만들어내는지 정의하는 시스템 아키텍처.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 환경으로부터 입력을 받아 내부 지식과 대조하고, 목표를 달성하기 위한 계획을 수립하여 실행하는 일관된 '인지 루프'를 하드웨어/소프트웨어적으로 구조화하는 패턴.
|
||||
- **핵심 구성 요소:**
|
||||
- **Perception Module:** 외부 자극을 수용하고 데이터화.
|
||||
- **Memory Systems:** 단기/작업 기억(Working Memory)과 장기/일화 기억(Long-term Memory)의 분리 및 관리.
|
||||
- **Knowledge Representation:** 지식을 기호, 신경망 가중치, 또는 그래프 형태로 저장.
|
||||
- **Reasoning & Planning:** 당면한 문제를 해결하기 위한 논리적 추론 및 단계별 행동 계획 수립.
|
||||
- **Learning Mechanism:** 경험을 통해 내부 모델을 지속적으로 업데이트.
|
||||
- **주요 모델:** SOAR (상태 공간 탐색 중심), ACT-R (심리학적 정합성 중심), 그리고 최근의 LLM 기반 Agentic Architectures.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 엄격한 논리 규칙에 기반한 하드코딩된 아키텍처에서, 최근에는 LLM의 유연한 추론 능력을 핵심 엔진으로 사용하는 '뉴로-심볼릭' 혹은 '에이전틱' 아키텍처로 진화.
|
||||
- **정책 변화:** Antigravity 프로젝트는 에이전트의 내부 구조 설계 시 고전 인지 아키텍처의 '작업 기억' 개념을 차용하여, 컨텍스트 윈도우를 효율적으로 관리하는 지능형 버퍼 시스템을 운용함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Theory-of-Mind-ToM-in-AI]], [[AI-Agents-Overview]], [[Agentic-Workflow]], [[Symbolic-AI-vs-Connectionism]]
|
||||
- **Raw Source:** [[10_Wiki/Topics/AI/Cognitive-Architecture.md]]
|
||||
@@ -0,0 +1,28 @@
|
||||
---
|
||||
id: RECOM-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 1.0
|
||||
tags: [ai, recommendation-system, collaborative-filtering, personalization, matrix-factorization]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[Collaborative Filtering (협업 필터링)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "나와 취향이 비슷한 사람들이 좋아하는 것이라면, 나도 좋아할 확률이 높다" — 사용자들의 과거 행동 이력(구매, 평점 등)을 분석하여 유사한 취향의 집단을 찾고, 그들이 선호하는 아이템을 추천하는 기법.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 개별 아이템의 특징을 직접 분석하는 대신, 다수 사용자의 상호작용 데이터 속에 숨겨진 집단 지성 패턴을 추출하여 개인화된 추천을 수행하는 패턴.
|
||||
- **주요 방식:**
|
||||
- **User-based:** 비슷한 행동 패턴을 가진 사용자들을 찾아 그들이 소비한 아이템 추천.
|
||||
- **Item-based:** 특정 아이템을 소비한 사람들이 함께 소비한 다른 아이템 추천 (안정성이 높아 더 널리 쓰임).
|
||||
- **Model-based (Matrix Factorization):** 사용자-아이템 행렬을 저차원 잠재 공간으로 분해하여 숨겨진 선호도 파악 (예: SVD).
|
||||
- **의의:** 넷플릭스, 아마존, 유튜브 등 현대 디지털 서비스의 성장을 견인한 핵심 개인화 기술.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 데이터가 적은 초기 사용자에게 추천이 어려운 'Cold Start' 문제와 데이터 희소성(Sparsity) 문제가 한계로 지적됨. 현재는 딥러닝과 콘텐츠 기반 필터링(Content-based)을 결합한 하이브리드 모델이 주류.
|
||||
- **정책 변화:** Antigravity 프로젝트는 사용자에게 새로운 지식 문서를 추천할 때, 유사한 관심사를 가진 다른 연구자들의 탐색 경로를 분석하는 협업 필터링 로직을 실험적으로 적용함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Personalization]], [[Matrix-Factorization]], [[Deep-Learning]], [[Machine-Learning]]
|
||||
- **Raw Source:** [[10_Wiki/Topics/AI/Collaborative-Filtering.md]]
|
||||
@@ -1,32 +1,29 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-COOP-001
|
||||
id: COMB-OPT-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.94
|
||||
tags: [auto-reinforced, combinatorial-optimization, algorithms, complexity, search, heuristic]
|
||||
last_reinforced: 2026-04-20
|
||||
confidence_score: 1.0
|
||||
tags: [mathematics, algorithm, optimization, combinatorial-optimization, complexity]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[Combinatorial-Optimization]]
|
||||
# [[Combinatorial Optimization (조합 최적화)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "최적의 조합 찾기 게임: 셀 수 없이 많은 이산적인 선택지 중에서 특정 목적(품질 최대화, 비용 최소화 등)을 가장 잘 만족시키는 하나의 조합을 찾아내는, 수학과 알고리즘이 결합된 궁극의 퍼즐 풀이."
|
||||
> "무수히 많은 선택지 중 최고의 조합을 효율적으로 골라내라" — 외판원 문제(TSP), 배낭 문제(Knapsack Problem)와 같이 가능한 조합의 수가 기하급수적으로 많을 때, 수학적 모델과 알고리즘을 통해 최적해 혹은 그에 가까운 근사해를 찾는 과정.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
조합 최적화(Combinatorial-Optimization)은 주어진 유한한 대상들의 집합에서 최적의 해를 찾는 과정입니다.
|
||||
|
||||
1. **주요 문제들**:
|
||||
* **Traveling Salesman Problem (TSP)**: 모든 도시를 한 번씩 방문하고 돌아오는 최단 경로 찾기. (Search-Optimization과 연결)
|
||||
* **Knapsack Problem**: 가방 무게 제한 내에서 가치가 최대가 되도록 물건 담기.
|
||||
* **Scheduling**: 여러 작업을 한정된 자원에 가장 효율적으로 배분하기. (Bottlenecks와 연결)
|
||||
2. **해결 기법**:
|
||||
* **Exact Methods**: Brute-force(소규모), Dynamic Programming.
|
||||
* **Heuristics/Metaheuristics**: Genetic Algorithms, Simulated Annealing (적당히 좋은 해를 빠르게 찾기).
|
||||
- **추출된 패턴:** 탐색 공간이 이산적(Discrete)이고 방대하여 전수 조사가 불가능한 환경에서, 휴리스틱이나 동적 계획법 등을 통해 효율적으로 전역 최적해에 접근하는 탐색 패턴.
|
||||
- **주요 문제 및 기법:**
|
||||
- **Traveling Salesperson Problem (TSP):** 모든 지점을 한 번씩 방문하고 돌아오는 최소 경로 찾기.
|
||||
- **Knapsack Problem:** 제한된 용량 내에서 가치의 합이 최대가 되도록 물건 담기.
|
||||
- **Linear Programming (LP) / Integer Programming (IP):** 제약 조건 하에서 선형 함수를 최적화.
|
||||
- **Greedy Algorithms:** 매 순간 최선의 선택을 하여 빠르게 근사해 도달.
|
||||
- **Dynamic Programming (DP):** 문제를 작은 단위로 쪼개어 중복 계산 방지.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 전산 자원의 한계로 인해 '포기하거나 아주 단순한 근사치만 구하는 정책'이 많았으나, 현대 정책은 양자 컴퓨팅이나 딥러닝 기반 '뉴럴 솔버 정책'을 통해 난공불락의 조합 문제를 정복하는 정책으로 도약함(RL Update).
|
||||
- **정책 변화(RL Update)**: 물류와 반도체 설계 정책을 넘어, 'AI 모델 가중치 조합 최적화 정책'과 '프롬프트 자동 조합 정책' 등 지능 시스템 내의 자원 할당 정책에 핵심적으로 사용됨.
|
||||
- **과거 데이터와의 충돌:** 고전적 알고리즘 위주에서, 최근에는 신경망(Neural Combinatorial Optimization)을 통해 복잡한 조합 문제를 학습 기반으로 해결하려는 시도가 활발함.
|
||||
- **정책 변화:** Skybound 프로젝트는 수십 개의 기체가 실시간으로 최적의 사격 대형을 형성해야 하는 군집 AI 로직에 조합 최적화 알고리즘을 적용하여 연산 효율을 극대화함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Brute-force]], [[Optimization]], [[Search-Optimization]], [[Bottlenecks]], [[Genetic-Algorithms]]
|
||||
- **Modern Tech/Tools**: Gurobi, CPLEX, Google OR-Tools, Metaheuristic frameworks.
|
||||
---
|
||||
- [[Algorithm-Complexity-Big-O]], [[Genetic-Algorithms]], [[Simulated-Annealing]], [[Game-Theory]]
|
||||
- **Raw Source:** [[10_Wiki/Topics/AI/Combinatorial-Optimization.md]]
|
||||
|
||||
@@ -1,31 +1,29 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-COTH-001
|
||||
id: COMP-THEORY-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.95
|
||||
tags: [auto-reinforced, complexity-theory, computer-science, p-vs-np, algorithm, computation, problem-solving]
|
||||
last_reinforced: 2026-04-20
|
||||
confidence_score: 1.0
|
||||
tags: [computer-science, math, complexity-theory, p-vs-np, logic]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[Complexity-Theory]]
|
||||
# [[Complexity Theory (복잡성 이론)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "지능의 한계 측정기: 어떤 문제는 왜 금방 풀리고, 어떤 문제는 전 우주의 시간을 다 써도 풀 수 없는지, 자원(시간과 공간)의 관점에서 문제의 '절대적 난이도'를 분류하고 지도화한 지식의 지도."
|
||||
> "문제의 본질적 난이도를 측정하고, 계산 가능성의 경계를 설정하라" — 문제를 해결하는 데 필요한 자원(시간, 공간)의 양에 따라 문제들을 분류하고, 현실적으로 해결 가능한 문제와 불가능한 문제를 구분하는 전산학의 핵심 이론.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
계산 복잡도 이론(Complexity-Theory)은 알고리즘의 효율성을 연구하는 컴퓨터 과학 및 수학의 한 분야입니다.
|
||||
|
||||
1. **주요 분류 (Complexity Classes)**:
|
||||
* **P (Polynomial)**: 합리적인 시간 내에 해결 가능한 문제. (예: 정렬)
|
||||
* **NP (Nondeterministic Polynomial)**: 정답이 주어지면 확인은 빨리 할 수 있는 문제. (예: 퍼즐, 암호 해독)
|
||||
* **NP-Hard/NP-Complete**: NP 문제 중 가장 어려운 부류로, 하나라도 P 임이 증명되면 P=NP 가 됨.
|
||||
2. **왜 중요한가?**:
|
||||
* 해결 불가능한 문제에 머리를 싸매며 자원을 낭비하는 대신, 문제의 난이도를 파악하고 '근사치(Approximation)'를 찾거나 다른 전략을 세우게 돕기 때문임. (Problem-Solving와 연결)
|
||||
- **추출된 패턴:** 알고리즘의 구체적인 성능을 넘어, 문제 자체가 가진 복잡도를 수치화하여 문제 해결의 전략적 가이드라인을 제시하는 분류 패턴.
|
||||
- **핵심 클래스:**
|
||||
- **P (Polynomial Time):** 효율적으로 해결 가능한 문제 (예: 정렬, 검색).
|
||||
- **NP (Nondeterministic Polynomial Time):** 답을 맞히기는 어렵지만, 주어진 답이 맞는지 확인하기는 쉬운 문제.
|
||||
- **NP-complete:** NP 문제 중 가장 어려운 문제들. 하나만 해결하면 모든 NP 문제를 해결할 수 있음 (예: SAT 문제).
|
||||
- **P vs NP:** 현대 전산학 최대의 난제. "확인이 쉬운 문제는 해결도 쉬운가?"에 대한 질문.
|
||||
- **의의:** 암호학(해독하기 힘든 문제 설계)과 대규모 데이터 처리 알고리즘 설계의 이론적 기반.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 이론적인 복잡도 정책(Big O)만 중요하게 여겼으나, 현대 정책은 실제 하드웨어 아키텍처 정책(Cache hit, Parallelism)에 따른 '실감 복잡도'와 확률적 알고리즘 정책의 중요성을 더 강조함(RL Update).
|
||||
- **정책 변화(RL Update)**: 이제는 고전적 복잡도를 넘어 양자 컴퓨터 정책이 가져올 새로운 복잡도 클래스 정책(BQP 등)과 AI 의 대규모 추론 정책 비용 문제를 다루는 방향으로 확장 중임. (Search-Space와 연결)
|
||||
- **과거 데이터와의 충돌:** 초기에는 '정답'을 찾는 알고리즘에 집중했으나, 복잡성 이론의 발달로 인해 완벽한 정답 대신 '근사해'를 찾는 휴리스틱의 정당성이 확보됨.
|
||||
- **정책 변화:** Antigravity 프로젝트는 에이전트의 작업 계획 수립 시, 해당 태스크가 NP-hard 수준의 복잡도를 가지는지 판단하여 전수 조사 대신 탐색 위주의 전략을 채택함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Problem-Solving]], [[Search-Space]], [[Sorting]], [[Algorithm]], [[Logic]], [[System-Theory]]
|
||||
- **Key Concepts**: P vs NP, Space complexity, Time complexity.
|
||||
---
|
||||
- [[Algorithm-Complexity-Big-O]], [[Combinatorial-Optimization]], [[Turing-Machine-Foundations]], [[Cryptography]]
|
||||
- **Raw Source:** [[10_Wiki/Topics/AI/Complexity-Theory.md]]
|
||||
|
||||
@@ -1,25 +1,28 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-457C50
|
||||
id: COMP-NEURO-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - Computational Neuroscience of Reinforcement Learning"
|
||||
confidence_score: 1.0
|
||||
tags: [neuroscience, reinforcement-learning, dopamine, brain-modeling]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[Computational Neuroscience of Reinforcement Learning]]
|
||||
# [[Computational Neuroscience of Reinforcement Learning (강화학습의 계산 신경과학)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 지식 요약 정보 추출 중...
|
||||
> "인간의 학습 메커니즘을 수학적 강화학습 언어로 해독하라" — 뇌의 보상 시스템과 도파민 분비 기제를 시간차 학습(TD Learning) 및 가치 기반 선택 모델로 설명하려는 뇌과학과 AI의 융합 학문.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
본문 구조화 작업 중...
|
||||
- **추출된 패턴:** 실제 생물학적 뉴런의 활동과 강화학습 알고리즘(예: Q-Learning) 간의 상관관계를 모델링하여 학습의 생물학적 하드웨어 원리를 파악하는 패턴.
|
||||
- **세부 내용:**
|
||||
- **Reward Prediction Error (RPE):** 도파민 뉴런이 보상 자체가 아닌, '기대와 실제 보상의 차이'에 반응한다는 사실을 TD 에러 모델로 증명.
|
||||
- **Basal Ganglia Modeling:** 뇌의 기저핵이 가치 함수를 저장하고 행동 선택을 수행하는 액터-크리틱(Actor-Critic) 구조와 유사함을 분석.
|
||||
- **Exploration vs Exploitation:** 전전두엽과 줄무늬체 간의 상호작용을 통해 미지의 보상을 탐색할지, 기존 보상을 취할지 결정하는 메커니즘 수치화.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요.
|
||||
- **정책 변화:** AI 분야의 자동 자산화 수행.
|
||||
- **과거 데이터와의 충돌:** 단순 조건 반사(Pavlovian) 모델에서 현대의 정교한 예측 부호화(Predictive Coding) 및 계층적 RL 모델로 확장.
|
||||
- **정책 변화:** Antigravity 에이전트의 보상 함수 설계 시, 인간의 '만족도 지연' 기제를 참고하여 장기적 목표 달성 확률을 높이는 로직 적용.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
|
||||
- Raw Source: [[00_Raw/2026-04-20/Computational Neuroscience of Reinforcement Learning.md]]
|
||||
---
|
||||
- **Parent:** [[10_Wiki/💡 Topics/AI]]
|
||||
- **Related:** [[Dopamine-RPE]], [[TD-Learning]], [[Basal-Ganglia]], [[Decision-Making]]
|
||||
- **Raw Source:** [[10_Wiki/Topics/AI/Computational Neuroscience of Reinforcement Learning.md]]
|
||||
|
||||
@@ -0,0 +1,29 @@
|
||||
---
|
||||
id: COMP-LING-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 1.0
|
||||
tags: [nlp, linguistics, computational-linguistics, syntax, semantics]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[Computational Linguistics (계산 언어학)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "언어의 규칙과 의미를 수학적 모델로 해독하라" — 자연어의 구조와 의미를 컴퓨터가 처리할 수 있도록 모델링하고 연구하는 학문으로, 현대 자연어 처리(NLP) 기술의 학문적 뿌리.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 문장의 통사론적(Syntax) 구조와 의미론적(Semantics) 연결 고리를 형식 언어 이론과 통계적 기법을 통해 전산화하는 분석 패턴.
|
||||
- **주요 연구 분야:**
|
||||
- **Syntax Analysis:** 문장의 품사 태깅(POS tagging), 구문 분석(Parsing).
|
||||
- **Semantics:** 단어와 문장의 의미 표현 (예: WordNet, Formal Semantics).
|
||||
- **Pragmatics:** 대화의 맥락과 상황에 따른 의미 변화 분석.
|
||||
- **Machine Translation:** 서로 다른 언어 구조 간의 매핑 및 변환.
|
||||
- **진화 과정:** 규칙 기반(Rule-based)에서 통계적 기반(Statistical)을 거쳐, 현재는 신경망 기반(Neural) 모델링이 주류를 이룸.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 언어학자가 직접 규칙을 정의하던 방식에서, 대규모 데이터로부터 언어의 규칙을 스스로 학습하는 딥러닝 방식으로 패러다임이 완전히 전환됨.
|
||||
- **정책 변화:** Antigravity 프로젝트는 LLM을 활용하되, 지식의 정합성을 검증하기 위해 계산 언어학적 구문 분석 도구들을 활용하여 문서의 논리 구조를 교차 확인함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[NLP]], [[LLM]], [[Tokenization-Strategies]], [[Knowledge-Graph]]
|
||||
- **Raw Source:** [[10_Wiki/Topics/AI/Computational-Linguistics.md]]
|
||||
@@ -0,0 +1,30 @@
|
||||
---
|
||||
id: CV-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 1.0
|
||||
tags: [ai, computer-vision, image-processing, deep-learning, cnn]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[Computer Vision Mastery (컴퓨터 비전 마스터리)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "픽셀의 나열에서 사물과 맥락을 읽어내는 AI의 눈을 완성하라" — 이미지나 비디오로부터 유의미한 정보를 추출, 분석 및 이해하기 위한 기술 체계로, 자율주행부터 의료 영상 판독까지 시각 지능의 정수.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 고차원의 시각 데이터를 특징 추출 레이어를 통해 저차원의 추상적 개념으로 변환하고, 이를 다시 객체 인식이나 분할 등의 태스크로 구체화하는 인지 패턴.
|
||||
- **핵심 기술 계보:**
|
||||
- **Traditional CV:** 소벨 필터, Canny edge detection, SIFT 등 수학적 필터 기반 특징 추출.
|
||||
- **CNN (Convolutional Neural Networks):** 이미지의 지역적 특징을 계층적으로 학습 (AlexNet, ResNet).
|
||||
- **Object Detection:** 이미지 내 물체의 위치와 종류 파악 (YOLO, Faster R-CNN).
|
||||
- **Segmentation:** 픽셀 단위로 영역 구분 (U-Net, Mask R-CNN).
|
||||
- **Vision Transformer (ViT):** 텍스트 처리의 트랜스포머 구조를 이미지에 적용하여 전역적 맥락 파악.
|
||||
- **의의:** 인간의 시각 기능을 기계로 완벽히 구현하여 물리 세계와 디지털 세계의 경계를 허묾.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 단순히 형태를 인식하는 수준에서, 현재는 CLIP이나 멀티모달 LLM을 통해 이미지 속 상황을 '설명'하고 '추론'하는 단계로 진입.
|
||||
- **정책 변화:** Antigravity 프로젝트는 위키 문서 내의 비정형 도표나 스크린샷 데이터를 텍스트로 변환하여 지식 베이스에 통합할 때 최신 비전-언어 모델을 활용함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Convolutional-Neural-Networks]], [[CLIP]], [[Image-Processing]], [[Transformer-Architecture]]
|
||||
- **Raw Source:** [[10_Wiki/Topics/AI/Computer-Vision.md]]
|
||||
@@ -0,0 +1,29 @@
|
||||
---
|
||||
id: DRIFT-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 1.0
|
||||
tags: [ai, machine-learning, mlops, concept-drift, model-monitoring]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[Concept Drift (개념 드리프트)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "어제의 정답이 오늘의 오답이 될 수 있음을 경계하라" — 시간이 흐름에 따라 입력 데이터와 타겟 변수 사이의 통계적 관계가 변하여, 잘 작동하던 AI 모델의 성능이 점진적으로 저하되는 현상.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 고정된 데이터셋으로 학습된 모델이 변화하는 현실 세계의 동역학(Dynamics)을 따라잡지 못해 예측 정밀도가 떨어지는 성능 열화 패턴.
|
||||
- **주요 유형:**
|
||||
- **Sudden Drift:** 외부 요인으로 인해 갑자기 분포가 변함 (예: 팬데믹 발생 후 소비 패턴 변화).
|
||||
- **Gradual Drift:** 시간이 지나며 서서히 변함 (예: 기술 발전에 따른 단어 의미 변화).
|
||||
- **Incremental Drift:** 작은 변화들이 축적되어 큰 변화를 이룸.
|
||||
- **Recurring Drift:** 계절적 요인처럼 주기적으로 나타나는 변화.
|
||||
- **대응 전략:** 실시간 모델 성능 모니터링, 데이터 분포 차이(K-S test 등) 측정, 주기적인 모델 재학습(Retraining), 온라인 학습(Online Learning) 도입.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 한 번 배포된 모델은 영원히 작동할 것이라는 안일한 가정에서 벗어나, 모델의 '유효 기간'을 관리해야 하는 MLOps적 관점으로 전환.
|
||||
- **정책 변화:** Antigravity 프로젝트는 위키 지식의 최신성을 유지하기 위해, 새로운 정보가 유입될 때 기존 지식과의 정합성을 체크하고 개념 드리프트가 감지되면 해당 지식을 업데이트 목록으로 자동 분류함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[MLOps]], [[Statistical-Learning-Theory]], [[Data-Flywheel-Effect]], [[Uncertainty-Quantification]]
|
||||
- **Raw Source:** [[10_Wiki/Topics/AI/Concept-Drift.md]]
|
||||
@@ -0,0 +1,28 @@
|
||||
---
|
||||
id: GSTACK-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 1.0
|
||||
tags: [gstack, engineering-philosophy, product-thinking, concreteness, antigravity]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[Concreteness Principle (구체성의 원칙)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "추상적인 아이디어는 환상일 뿐, 작동하는 코드가 진짜 지능이다" — Antigravity 프로젝트와 G-Stack 프레임워크의 핵심 철학으로, 모호한 개념을 구체적인 기술 스택, 데이터 구조, 실행 가능한 결과물로 즉각 전환하는 엔지니어링 원칙.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 문제를 해결할 때 "어떻게(How)"에 대한 추상적 논의를 최소화하고, "무엇을(What)" 구현할지 결정하여 즉시 프로토타이핑하고 검증하는 실행 중심 패턴.
|
||||
- **핵심 실천 사항:**
|
||||
- **Avoid Placeholders:** 위키 가드닝이나 코드 작성 시 "나중에 작성"과 같은 자리 표시자를 지양하고, 불완전하더라도 현재 가용한 최선의 구체적 내용을 채워넣음.
|
||||
- **Data-Driven Specs:** 요구사항을 정성적인 문구가 아닌 정량적인 지표(지연 시간, 정확도, 리소스 소모량 등)로 정의.
|
||||
- **Immediate Implementation:** 아이디어가 제안되면 즉시 그 실현 가능성을 증명하는 최소 기능 제품(MVP) 제작.
|
||||
- **Visual Excellence:** 디자인이나 UI 논의 시 구체적인 목업이나 생성된 이미지를 통해 시각적 합의 도출.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 화려한 기획서와 설계도 위주의 전통적 방식에서, "Talk is cheap, show me the code" 식의 철저한 결과 중심 아키텍처로 전환.
|
||||
- **정책 변화:** Antigravity 에이전트는 모든 지식 gardening 과정에서 '구체성의 원칙'을 최우선으로 준수하며, 사용자에게 모호한 약속 대신 구체적인 결과물(MD 파일, 실행된 명령 결과 등)을 즉각 제공함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[G-Stack-Core-Principles]], [[Product-Thinking]], [[Agile-Development]], [[System-Design-for-AI-Scale]]
|
||||
- **Raw Source:** [[10_Wiki/Topics/AI/Concreteness-Principle.md]]
|
||||
@@ -0,0 +1,27 @@
|
||||
---
|
||||
id: CONST-AI-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 1.0
|
||||
tags: [ai-safety, constitutional-ai, rlaif, alignment, ethics]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[Constitutional AI (헌법적 AI)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "인간의 피드백 대신, AI에게 명문화된 헌법을 가르쳐 스스로 정렬하게 하라" — Anthropic이 제안한 방식으로, AI 모델에게 일련의 원칙(헌법)을 제공하고, 모델이 자신의 답변을 이 원칙에 따라 스스로 비판하고 수정하도록 학습시키는 정렬 기법.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 대규모의 인간 피드백(RLHF) 비용을 줄이면서도, 명확한 가이드라인에 따라 모델의 가치관을 일관되게 고정하는 자가 정렬(Self-alignment) 패턴.
|
||||
- **작동 과정 (RLAIF: RL from AI Feedback):**
|
||||
- **Supervised Stage:** 모델이 초안을 작성하고, '헌법'에 비추어 스스로 비판(Critique)한 뒤 수정본(Revision)을 생성하도록 학습.
|
||||
- **RL Stage:** 수정된 데이터를 바탕으로 보상 모델을 학습시키고, 이를 통해 메인 모델을 강화학습으로 미세 조정.
|
||||
- **장점:** 인간의 편향을 줄일 수 있고, 새로운 윤리적 기준이 생겼을 때 '헌법' 내용만 수정하여 효율적으로 재정렬 가능.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 사람이 일일이 정답을 알려주어야 한다는 고정관념에서 벗어나, 상위 원칙만으로 AI가 올바른 행동 방식을 스스로 유추할 수 있음을 증명.
|
||||
- **정책 변화:** Antigravity 프로젝트는 에이전트의 행동 규범을 정의할 때 '헌법적 AI' 방법론을 차용하여, 에이전트가 지켜야 할 핵심 가치(구체성, 성실성, 안전성)를 명문화하고 이를 기반으로 답변을 자가 검증함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[AI-Alignment]], [[Reinforcement-Learning-from-Human-Feedback-RLHF]], [[Trustworthy-AI]], [[AI-Safety]]
|
||||
- **Raw Source:** [[10_Wiki/Topics/AI/Constitutional-AI.md]]
|
||||
@@ -0,0 +1,32 @@
|
||||
---
|
||||
id: CSP-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 1.0
|
||||
tags: [ai, math, logic, constraint-satisfaction, search-algorithm]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[Constraint Satisfaction Problems (제약 충족 문제)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "주어진 규칙을 어기지 않는 최선의 상태를 찾아라" — 변수들의 집합과 각 변수가 가질 수 있는 값의 범위(Domain), 그리고 변수들 간의 제약 조건이 주어졌을 때 모든 제약을 만족하는 해를 찾는 수학적 문제.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 탐색 공간 내에서 제약 조건(Constraints)을 활용하여 불가능한 선택지를 미리 제거함으로써 효율적으로 정답 후보군을 좁혀나가는 제약 기반 탐색 패턴.
|
||||
- **핵심 요소:**
|
||||
- **Variables (V):** 해를 구해야 하는 대상.
|
||||
- **Domains (D):** 변수가 가질 수 있는 값들의 집합.
|
||||
- **Constraints (C):** 변수들 사이의 관계를 정의하는 규칙.
|
||||
- **해결 기법:**
|
||||
- **Backtracking Search:** 값을 하나씩 할당해보고 제약 위반 시 되돌아감.
|
||||
- **Constraint Propagation:** 제약 조건을 미리 분석하여 변수의 도메인을 줄임 (예: AC-3 알고리즘).
|
||||
- **Local Search:** 초기해에서 시작하여 제약 위반을 최소화하는 방향으로 값을 수정 (예: Min-conflicts).
|
||||
- **예시:** 스도쿠, 시간표 짜기, 하드웨어 설계 검증 등.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 단순한 시행착오 기반 탐색에서, 논리적 제약 전파를 통해 탐색 효율을 극적으로 높이는 방식으로 발전.
|
||||
- **정책 변화:** Antigravity 프로젝트는 에이전트의 스케줄링이나 복잡한 인프라 리소스 할당 시 제약 충족 문제 알고리즘을 활용하여 최적의 구성을 산출함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Combinatorial-Optimization]], [[Algorithm-Complexity-Big-O]], [[Decision-Making]], [[Search-Algorithms]]
|
||||
- **Raw Source:** [[10_Wiki/Topics/AI/Constraint-Satisfaction Problems.md]]
|
||||
@@ -0,0 +1,29 @@
|
||||
---
|
||||
id: CONTEXT-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 1.0
|
||||
tags: [ai, context-aware, ubiquitous-computing, personalization, user-experience]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[Context-Aware Computing (상황 인지 컴퓨팅)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "말하지 않아도 사용자의 상황을 읽고, 그에 맞는 최적의 행동을 먼저 수행하라" — 사용자의 위치, 시간, 활동, 주변 환경 정보 등을 실시간으로 수집하고 분석하여 명시적인 명령 없이도 개인화된 서비스와 정보를 제공하는 지능형 컴퓨팅 패러다임.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 센서 데이터나 애플리케이션 로그 등 분산된 로우(Raw) 데이터를 '상황(Context)'이라는 고차원 의미 정보로 변환하고, 이를 서비스 로직에 반영하는 능동적 서비스 패턴.
|
||||
- **핵심 단계:**
|
||||
- **Context Acquisition:** GPS, 가속도계, 조도 센서, 네트워크 상태, 사용자 일정 등 데이터 수집.
|
||||
- **Context Modeling:** 수집된 정보를 기계가 이해할 수 있는 형식(온톨로지, 벡터 등)으로 구조화.
|
||||
- **Context Reasoning:** 모델링된 데이터를 바탕으로 사용자가 현재 무엇을 하고 있는지, 어떤 도움이 필요한지 추론.
|
||||
- **Adaptive Interaction:** 추론 결과에 따라 UI/UX를 변경하거나 서비스를 실행.
|
||||
- **의의:** 정적인 도구로서의 컴퓨터를 동적인 '디지털 비서'로 진화시킴.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 단순히 미리 정의된 규칙(If-Then)에 따라 작동하던 수준에서, 최근에는 LLM과 멀티모달 인식 기술을 결합하여 복잡하고 모호한 상황도 정교하게 인식함.
|
||||
- **정책 변화:** ConnectAI 프로젝트는 사용자의 현재 커서 위치, 열려 있는 파일 목록, Git 상태 등을 상황 정보로 활용하여 가장 관련성 높은 코드 제안과 지식 검색 결과를 제공함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Personalization]], [[UX-Design]], [[Sensor-Fusion]], [[Agentic-Workflow]]
|
||||
- **Raw Source:** [[10_Wiki/Topics/AI/Context-Aware-Computing.md]]
|
||||
@@ -0,0 +1,29 @@
|
||||
---
|
||||
id: CONTRAST-LEARN-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 1.0
|
||||
tags: [ai, deep-learning, self-supervised-learning, contrastive-learning, representation-learning]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[Contrastive Learning (대조 학습)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "비슷한 것은 가깝게, 다른 것은 멀게 배치하여 데이터의 본질을 파악하라" — 명시적인 라벨 없이도 데이터 쌍 간의 유사성과 차이성을 비교함으로써 의미 있는 특징(Representation)을 스스로 학습하는 자기 지도 학습 기법.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 동일한 데이터의 변형(Augmentation)된 모습들은 서로 당기고(Positive), 서로 다른 데이터들은 밀어내는(Negative) 방식으로 잠재 공간(Latent Space)을 정렬하는 최적화 패턴.
|
||||
- **핵심 요소:**
|
||||
- **Data Augmentation:** 하나의 이미지를 회전, 자르기, 색상 변조 등을 통해 여러 버전으로 만듦.
|
||||
- **Encoder:** 데이터를 고차원 벡터로 변환.
|
||||
- **Projection Head:** 학습 효율을 높이기 위해 벡터를 다시 압축.
|
||||
- **Contrastive Loss (예: InfoNCE):** 긍정 쌍의 거리는 좁히고 부정 쌍의 거리는 넓히는 손실 함수.
|
||||
- **의의:** 대규모 라벨링 비용 없이도 고성능 특징 추출기를 만들 수 있어, CLIP이나 SimCLR 등 최신 모델들의 핵심 기술로 사용됨.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 정답지가 반드시 필요했던 지도 학습의 한계를 넘어, 원시 데이터 자체의 구조만으로도 지능을 구축할 수 있는 길을 염.
|
||||
- **정책 변화:** Antigravity 프로젝트는 위키 문서 간의 의미적 거리를 계산하거나 중복 문서를 탐지할 때 대조 학습 기반의 텍스트 임베딩 모델을 적극 활용함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Representation-Learning]], [[Self-Supervised-Learning]], [[CLIP]], [[Unsupervised-Learning-Foundations]]
|
||||
- **Raw Source:** [[10_Wiki/Topics/AI/Contrastive-Learning.md]]
|
||||
@@ -1,25 +1,29 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-5DA236
|
||||
id: CONTROL-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - Control Systems Engineering"
|
||||
confidence_score: 1.0
|
||||
tags: [engineering, control-theory, robotics, automation]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[Control Systems Engineering]]
|
||||
# [[Control Systems Engineering (제어 시스템 공학)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 지식 요약 정보 추출 중...
|
||||
> "원하는 목표 상태에 도달하도록 시스템을 설계하고 동적으로 수정하라" — 물리적 장치나 가상 에이전트가 외부 교란(Noise)에도 불구하고 목표 수치(Set-point)를 안정적으로 유지하게 만드는 공학적 프레임워크.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
본문 구조화 작업 중...
|
||||
- **추출된 패턴:** 시스템의 출력을 입력으로 다시 되먹여(Feedback) 오차를 줄여나가는 '폐쇄 루프 제어(Closed-loop Control)' 패턴.
|
||||
- **세부 내용:**
|
||||
- **Open-loop vs Closed-loop:** 피드백 존재 여부에 따라 단순 명령 실행과 상태 기반 자동 수정을 구분.
|
||||
- **PID Control:** 비례(P), 적분(I), 미분(D) 항을 조합하여 오차를 빠르고 안정적으로 수렴시키는 범용 알고리즘.
|
||||
- **Stability Analysis:** 시스템이 발산하지 않고 평형 상태를 유지할 수 있는지 수학적으로 검증.
|
||||
- **State-space Representation:** 복잡한 시스템의 상태를 행렬로 표현하여 다변수 제어를 가능하게 함.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요.
|
||||
- **정책 변화:** AI 분야의 자동 자산화 수행.
|
||||
- **과거 데이터와의 충돌:** 전통적인 고전 제어(루프 베이스)에서 현대의 AI 기반 지능형 제어(강화학습 베이스)로 패러다임이 융합되고 있음.
|
||||
- **정책 변화:** Antigravity 에이전트의 '목표 추적 루프' 설계 시, PID 제어의 감쇠(Damping) 원리를 적용하여 급격한 상태 변화를 억제함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
|
||||
- Raw Source: [[00_Raw/2026-04-20/Control Systems Engineering.md]]
|
||||
---
|
||||
- **Parent:** [[10_Wiki/💡 Topics/AI]]
|
||||
- **Related:** [[Feedback-Control-Systems]], [[Robotics]], [[System-Dynamics]]
|
||||
- **Raw Source:** [[10_Wiki/Topics/AI/Control Systems Engineering.md]]
|
||||
|
||||
@@ -1,31 +1,29 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-COTH-001
|
||||
id: CONTROL-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.95
|
||||
tags: [auto-reinforced, control-theory, engineering, feedback-loops, stability, automation]
|
||||
last_reinforced: 2026-04-20
|
||||
confidence_score: 1.0
|
||||
tags: [mathematics, engineering, control-theory, pid, feedback-loop]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[Control-Theory]]
|
||||
# [[Control Theory (제어 이론)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "목푯값을 향한 끊임없는 교정: 시스템이 원하는 상태(Setpoint)를 유지하거나 도달할 수 있도록, 현재 상태를 실시간으로 측정하고 오차를 계산하여 입력을 조절하는 피드백 루프의 미학."
|
||||
> "현재의 오차를 측정하여 미래의 행동을 정밀하게 교정하라" — 동역학 시스템의 출력을 원하는 목표 상태로 유지하기 위해 입력을 조정하는 공학적 방법론으로, 피드백 루프와 안정성 분석이 핵심.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
제어 이론(Control-Theory)은 동적 시스템의 거동을 제어하기 위한 수학적 방법론입니다.
|
||||
|
||||
1. **핵심 메커니즘**:
|
||||
* **Feedback Control**: 결과를 관찰하고 입력에 반영하여 오차를 줄임.
|
||||
* **Stability**: 시스템이 발산하지 않고 목푯값 근처에서 안정적으로 유지되는 능력.
|
||||
* **PID 제어 (Proportional-Integral-Derivative)**: 비례, 적분, 미분 연산을 통해 응답 속도와 정확도를 조절하는 가장 대중적인 제어 기법.
|
||||
2. **왜 중요한가?**:
|
||||
* 미사일 유도, 자율주행차의 조향, 화학 공장의 온도 조절부터 인체의 항상성 유지까지 모든 자동화의 근간임. (Homeostasis와 연결)
|
||||
- **추출된 패턴:** 목표값(Desired State)과 현재값(Actual State) 사이의 차이인 오차(Error)를 실시간으로 계산하고, 이를 보정하기 위한 제어 신호를 생성하여 시스템을 안정화하는 피드백 패턴.
|
||||
- **핵심 구성 요소:**
|
||||
- **Open-loop Control:** 피드백 없이 정해진 입력만 전달 (예: 세탁기 타이머).
|
||||
- **Closed-loop Control (Feedback):** 출력을 다시 입력에 반영하여 오차 수정.
|
||||
- **PID Control:** 비례(P), 적분(I), 미분(D) 항의 조합으로 오차를 빠르고 부드럽게 제거.
|
||||
- **Stability:** 시스템이 발산하지 않고 수렴하는지 분석 (예: Lyapunov 안정성).
|
||||
- **의의:** 로봇 공학, 자율주행, 드론 비행 제어, 그리고 강화학습의 이론적 토대.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 미리 정해진 수학적 모델(Model-based)에 의존하는 정책이 주류였으나, 현대 정책은 모델 없이 데이터로부터 학습하는 '강화학습 기반 제어 정책'으로 패러다임이 이동함(RL Update). (Reinforcement Learning과 연결)
|
||||
- **정책 변화(RL Update)**: 복잡한 로봇 제어 정책에서, 물리 법칙을 수식으로 푸는 대신 시뮬레이션 환경에서 수만 번 시행착오를 겪으며 최적의 제어를 찾는 'Sim-to-Real 정책'이 표준이 됨.
|
||||
- **과거 데이터와의 충돌:** 고정된 수학 모델에 기반한 고전 제어에서, 최근에는 복잡한 환경에 적응하는 적응 제어(Adaptive Control)와 AI를 결합한 지능형 제어로 진화.
|
||||
- **정책 변화:** Skybound 프로젝트의 미사일 추적 로직은 PID 제어 원리를 사용하여, 타겟의 움직임 변화에 부드럽고 정확하게 대응하도록 구현함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Homeostasis (항상성)]], [[Reinforcement Learning (RL)]], [[Cybernetics]], [[Optimization]], [[Robotics]]
|
||||
- **Modern Tech/Tools**: MATLAB/Simulink, ROS (Robot Operating System), MPC (Model Predictive Control).
|
||||
---
|
||||
- [[Physics-Engine]], [[Reinforcement-Learning]], [[Cybernetics-Foundations]], [[Robotics]]
|
||||
- **Raw Source:** [[10_Wiki/Topics/AI/Control-Theory.md]]
|
||||
|
||||
@@ -0,0 +1,28 @@
|
||||
---
|
||||
id: CNN-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 1.0
|
||||
tags: [ai, deep-learning, cnn, computer-vision, image-processing]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[Convolutional Neural Networks (CNN, 합성곱 신경망)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "이미지의 지역적 특징을 훑으며 데이터 속에 숨겨진 시각적 패턴을 포착하라" — 합성곱 필터를 사용하여 이미지의 공간적 구조 정보를 보존하면서 특징을 추출하는 신경망 구조로, 현대 컴퓨터 비전의 황금기를 연 주역.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 작은 필터(Kernel)가 이미지를 슬라이딩하며 지역적인 특징(선, 면, 질감 등)을 추출하고, 이를 층층이 쌓아올려 복잡한 사물을 인식하는 계층적 인지 패턴.
|
||||
- **핵심 구성 요소:**
|
||||
- **Convolutional Layer:** 필터를 통해 특징 지도(Feature Map) 생성. 가중치 공유(Weight Sharing)를 통해 파라미터 수 절감.
|
||||
- **Pooling Layer:** 데이터의 크기를 줄여(Subsampling) 연산량을 조절하고 불변성(Invariance) 확보.
|
||||
- **Fully Connected Layer:** 추출된 특징들을 종합하여 최종 분류 수행.
|
||||
- **Translation Invariance:** 물체가 이미지 내 어디에 있든 동일하게 인식할 수 있는 능력.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 이미지를 1차원 벡터로 펼쳐서 학습하던 방식(MLP)의 정보 손실 문제를 해결. 현재는 비전 트랜스포머(ViT)와 경쟁하며 하이브리드 구조로 발전 중.
|
||||
- **정책 변화:** Antigravity 프로젝트는 문서 내 이미지 데이터를 특징 벡터로 변환할 때, 효율적인 연산을 위해 경량화된 CNN 아키텍처(예: MobileNet)를 백본으로 사용함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Computer-Vision-Mastery]], [[Deep-Learning]], [[Image-Processing]], [[Transformer-Architecture]]
|
||||
- **Raw Source:** [[10_Wiki/Topics/AI/Convolutional-Neural-Networks.md]]
|
||||
@@ -0,0 +1,28 @@
|
||||
---
|
||||
id: CBA-AI-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 1.0
|
||||
tags: [ai-business, strategy, cost-benefit-analysis, scalability, optimization]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[Cost-Benefit Analysis in AI (AI에서의 비용 대비 편익 분석)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "모델의 파라미터 한 개가 만드는 가치가 그 연산 비용을 정당화하는지 측정하라" — AI 도입 시 발생하는 인프라, 학습, 유지보수 비용과 그로 인해 창출되는 비즈니스 가치, 효율성 향상, 위험 감소 효과를 정량적으로 비교 분석하는 전략적 틀.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 기술적 성능(Accuracy, F1 score 등) 향상이 실제 비즈니스 수익으로 연결되는 지점을 파악하고, 한계 효용이 감소하는 임계점을 결정하는 의사결정 패턴.
|
||||
- **주요 분석 항목:**
|
||||
- **Costs:** GPU 연산 비용, 데이터 수집 및 라벨링 비용, MLOps 인프라 구축비, 모델 서빙 지연 시간(Latency).
|
||||
- **Benefits:** 업무 자동화에 따른 인건비 절감, 예측 정확도 향상으로 인한 매출 증대, 사용자 경험(UX) 개선 및 리텐션 확보.
|
||||
- **Intangible Factors:** 브랜드 이미지 제고, 기술적 우위 선점, 데이터 보안 및 윤리적 리스크 방어.
|
||||
- **ROI 최적화 전략:** 모델 경량화, 오픈소스 활용 vs 자체 구축 선택, 점진적 도입(MVP 우선) 전략.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 단순히 '성능이 좋은 모델'을 찾던 초기 연구 중심적 사고에서, 현재는 '지속 가능한 비용 효율'을 고려하는 엔지니어링 및 비즈니스 관점으로 전환.
|
||||
- **정책 변화:** Antigravity 프로젝트는 새로운 AI 기능을 위키에 도입하기 전, 해당 기능이 제공하는 지식 검색의 질 향상이 서버 유지 비용을 상회하는지 비용 대비 편익 분석을 수행함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[System-Design-for-AI-Scale]], [[Product-Thinking]], [[Decision-Making]], [[MLOps]]
|
||||
- **Raw Source:** [[10_Wiki/Topics/AI/Cost-Benefit Analysis in AI.md]]
|
||||
@@ -0,0 +1,28 @@
|
||||
---
|
||||
id: LOSS-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 1.0
|
||||
tags: [math, deep-learning, loss-function, information-theory, cross-entropy]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[Cross-Entropy Loss (교차 엔트로피 손실)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "모델의 예측 분포와 실제 정답 분포 사이의 거리(놀람의 정도)를 측정하여 좁혀라" — 정보 이론의 엔트로피 개념을 빌려와, 모델이 출력한 확률 분포가 정답 분포와 얼마나 다른지를 수치화한 손실 함수로 분류 문제의 표준.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 정답 클래스에 대해 모델이 낮은 확률을 줄수록 더 큰 페널티를 부여하여, 모델이 정답에 대해 확신을 갖도록 유도하는 확률 정렬 패턴.
|
||||
- **수학적 의미:**
|
||||
- **Entropy:** 시스템의 불확실성/정보량 측정.
|
||||
- **KL Divergence:** 두 확률 분포 사이의 차이 측정.
|
||||
- **Cross-Entropy:** $H(p, q) = -\sum p(x) \log q(x)$. 정답 분포($p$)와 예측 분포($q$) 사이의 유사도 측정.
|
||||
- **특징:** 로그 함수를 사용하여 예측이 틀릴수록 손실값이 기하급수적으로 커짐. 이를 통해 경사 하강법 시 가중치를 강력하게 업데이트함.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 단순한 오차 제곱합(MSE)을 분류 문제에 쓰던 방식보다 훨씬 빠른 수렴 속도와 높은 성능을 보임이 입증되며 사실상의 표준이 됨.
|
||||
- **정책 변화:** Antigravity 프로젝트는 에이전트의 문서 분류 및 의도 인식 모델 학습 시 교차 엔트로피 손실 함수를 기본으로 사용하며, 클래스 불균형 해결을 위해 Focal Loss 등 변형 기법을 함께 검토함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Objective-Functions]], [[Gradient-Descent]], [[Machine-Learning]], [[Deep-Learning]]
|
||||
- **Raw Source:** [[10_Wiki/Topics/AI/Cross-Entropy Loss.md]]
|
||||
@@ -0,0 +1,28 @@
|
||||
---
|
||||
id: CURRICULUM-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 1.0
|
||||
tags: [ai, machine-learning, curriculum-learning, optimization, training-strategy]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[Curriculum Learning (커리큘럼 학습)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "쉬운 것부터 배우고 점차 난이도를 높여 지능을 견고하게 쌓아라" — 인간의 학습 과정처럼 모델에게 쉬운 샘플부터 점진적으로 복잡한 샘플을 제시하여, 학습 속도를 높이고 더 나은 지역 최적해(Local Minima)에 도달하게 하는 학습 전략.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 학습 데이터의 난이도(Difficulty)를 사전에 정의하거나 동적으로 측정하여, 모델의 현재 역량에 맞는 데이터를 선별적으로 투입하는 단계적 최적화 패턴.
|
||||
- **작동 원리:**
|
||||
- **Difficulty Scoring:** 데이터의 노이즈, 길이, 복잡도 등을 기준으로 점수 부여.
|
||||
- **Pacing Function:** 학습 진행에 따라 어려운 데이터의 비중을 높여가는 함수 설계.
|
||||
- **Self-paced Learning:** 모델이 스스로 어떤 샘플이 쉬운지 판단하여 학습 순서 결정.
|
||||
- **장점:** 무작위 샘플링보다 수렴 속도가 빠르며, 복잡한 문제에서도 학습이 실패할 확률을 낮춤.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 단순히 데이터를 많이 넣으면 된다는 양적 접근에서, 데이터의 '투입 순서'가 모델의 질적 성장을 결정한다는 교육학적 접근으로 진화.
|
||||
- **정책 변화:** Antigravity 프로젝트의 자율 학습 에이전트는 지식 보강 작업 시 기초적인 용어 정의부터 시작하여 점차 복잡한 아키텍처 문서를 작성하는 커리큘럼 학습 방식을 따름.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Machine-Learning]], [[Optimization]], [[Deep-Learning]], [[Transfer-Learning-Foundations]]
|
||||
- **Raw Source:** [[10_Wiki/Topics/AI/Curriculum-Learning.md]]
|
||||
@@ -1,25 +1,29 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-4AB505
|
||||
id: ESLINT-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - Custom-ESLint-Rules-Development"
|
||||
confidence_score: 1.0
|
||||
tags: [static-analysis, javascript, devtools, dx]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[Custom-ESLint-Rules-Development]]
|
||||
# [[Custom ESLint Rules Development (사용자 정의 ESLint 규칙 개발)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 지식 요약 정보 추출 중...
|
||||
> "팀의 코드 품질을 자동화된 문지기로 지켜라" — 단순한 문법 검사를 넘어, 프로젝트 특유의 안티 패턴이나 아키텍처 규칙을 AST(추상 구문 트리) 분석을 통해 실시간으로 강제하는 기법.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
본문 구조화 작업 중...
|
||||
- **추출된 패턴:** 소스코드를 트리 구조(AST)로 변환한 뒤, 특정 노드 방문 시(Visitor Pattern) 규칙 위반 여부를 검사하고 수정안(Fixer)을 제안하는 정적 분석 패턴.
|
||||
- **세부 내용:**
|
||||
- **AST Exploration:** `espree` 파서를 사용하여 코드를 노드 단위(VariableDeclaration, CallExpression 등)로 분해.
|
||||
- **Rule Definition:** `meta`(메타데이터)와 `create`(실제 로직) 함수를 정의하여 규칙 생성.
|
||||
- **Context Report:** 규칙 위반 시 에러 메시지와 위치를 보고하여 개발자에게 알림.
|
||||
- **Auto-fixing:** `fixer` API를 사용하여 위반된 코드를 올바른 형태로 자동 변환하는 로직 구현.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요.
|
||||
- **정책 변화:** AI 분야의 자동 자산화 수행.
|
||||
- **과거 데이터와의 충돌:** 단순 정규표현식 기반 검사에서, 코드의 의미적 구조를 이해하는 AST 기반 분석으로 정착.
|
||||
- **정책 변화:** Antigravity 프로젝트에서는 AI 에이전트가 작성하는 코드의 일관성을 위해 전용 ESLint 플러그인을 개발하여 운영 중.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
|
||||
- Raw Source: [[00_Raw/2026-04-20/Custom-ESLint-Rules-Development.md]]
|
||||
---
|
||||
- **Parent:** [[10_Wiki/💡 Topics/AI]]
|
||||
- **Related:** [[Static-Analysis]], [[AST]], [[Developer-Experience]]
|
||||
- **Raw Source:** [[10_Wiki/Topics/AI/Custom-ESLint-Rules-Development.md]]
|
||||
|
||||
@@ -0,0 +1,29 @@
|
||||
---
|
||||
id: CYBER-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 1.0
|
||||
tags: [science, cybernetics, feedback-loop, communication, systems-theory]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[Cybernetics Foundations (사이버네틱스 기초)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "생명체와 기계 모두를 관통하는 제어와 통신의 원리를 규명하라" — 노버트 위너가 제안한 학문으로, 시스템이 목적을 달성하기 위해 정보를 교환하고 피드백을 통해 스스로를 조절하는 보편적 메커니즘을 탐구하는 이론.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 환경으로부터의 정보를 입력받아 목표와의 편차를 계산하고, 이를 수정 행동으로 변환하는 순환적 제어(Circular Causality) 패턴.
|
||||
- **핵심 개념:**
|
||||
- **Feedback Loops:** 출력의 결과가 다시 입력에 영향을 주어 시스템을 안정화(Negative Feedback)하거나 가속(Positive Feedback)시킴.
|
||||
- **Homeostasis (항상성):** 외부 변화에도 불구하고 내부 상태를 일정하게 유지하려는 성질.
|
||||
- **Information Theory:** 시스템 내에서 정보가 어떻게 전달되고 소음(Noise)을 극복하는지 연구.
|
||||
- **Black Box:** 내부 구조를 몰라도 입력과 출력의 관계만으로 시스템의 거동을 이해.
|
||||
- **의의:** AI, 로봇공학, 컴퓨터 과학뿐만 아니라 생물학, 사회학 등 현대 과학 전반에 걸친 '시스템 사고'의 기틀 마련.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 초기 기계론적 관점에서, 정보의 흐름과 자기 조직화(Self-organization)를 중시하는 동역학적 관점으로 지능의 정의를 확장.
|
||||
- **정책 변화:** Antigravity 프로젝트는 에이전트 간의 협업 프로토콜 설계 시 사이버네틱스의 통신 및 피드백 원리를 적용하여, 전체 시스템의 항상성과 목표 지향성을 유지함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Control-Theory]], [[System-Design-for-AI-Scale]], [[Artificial-Life]], [[Information-Theory]]
|
||||
- **Raw Source:** [[10_Wiki/Topics/AI/Cybernetics Foundations.md]]
|
||||
@@ -0,0 +1,29 @@
|
||||
---
|
||||
id: DATA-AUG-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 1.0
|
||||
tags: [ai, deep-learning, computer-vision, nlp, data-augmentation, preprocessing]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[Data Augmentation Strategies (데이터 증강 전략)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "데이터의 양을 늘릴 수 없다면, 데이터의 '모습'을 다양하게 변주하라" — 기존 학습 데이터를 수학적으로 변형하여 데이터셋의 규모를 가상으로 늘리고, 모델이 데이터의 본질적인 불변 특징을 학습하게 하여 일반화 성능을 높이는 기법.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 원본 데이터가 가진 핵심 정보는 유지하면서 노이즈나 변형을 가해, 모델이 사소한 변화에 휘둘리지 않는 강건함(Robustness)을 갖추게 하는 변조 패턴.
|
||||
- **주요 전략:**
|
||||
- **Computer Vision:** 이미지 회전, 반전(Flip), 자르기(Crop), 색상 변조, Mixup(두 이미지를 섞음), Cutout(일부 가림).
|
||||
- **NLP:** 동의어 교체(SR), 무작위 삭제/삽입, 역번역(Back Translation: 다른 언어로 번역 후 다시 복원).
|
||||
- **Audio:** 속도 조절, 피치 변경, 노이즈 추가.
|
||||
- **Generative Augmentation:** GAN이나 Diffusion 모델을 이용해 새로운 가짜 데이터를 생성하여 학습에 활용.
|
||||
- **의의:** 과적합(Overfitting)을 방지하고 적은 데이터로도 고성능 모델을 구축할 수 있게 함.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 사람이 직접 변형 규칙을 정의하던 방식에서, 최근에는 모델이 스스로 최적의 증강 조합을 찾는 AutoAugment 기술로 발전.
|
||||
- **정책 변화:** Antigravity 프로젝트는 부족한 한국어 전문 용어 데이터를 보강하기 위해 역번역 기반의 데이터 증강 전략을 사용하여 NLP 에이전트의 문해력을 높임.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Computer-Vision-Mastery]], [[NLP]], [[Regularization-Techniques]], [[Generative-Adversarial-Networks-GAN]]
|
||||
- **Raw Source:** [[10_Wiki/Topics/AI/Data-Augmentation Strategies.md]]
|
||||
@@ -0,0 +1,29 @@
|
||||
---
|
||||
id: DATA-ETHICS-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 1.0
|
||||
tags: [ai-ethics, data-privacy, gdpr, trustworthy-ai, security]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[Data Ethics and Privacy (데이터 윤리 및 프라이버시)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "데이터의 가치는 그것이 보호되는 방식에서 온다" — 지능의 원천인 데이터를 수집, 저장, 활용하는 전 과정에서 개인의 프라이버시를 보호하고 공정성과 투명성을 지키기 위한 윤리적/법적 체계.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 기술적 가능성(Can we?)보다 윤리적 정당성(Should we?)을 우선시하며, 데이터 주권을 명시적으로 관리하고 오남용 리스크를 최소화하는 보안 거버넌스 패턴.
|
||||
- **핵심 원칙 및 기술:**
|
||||
- **Consent & Purpose:** 명확한 동의 하에 정해진 목적으로만 데이터 활용.
|
||||
- **Anonymization / Pseudonymization:** 개인을 식별할 수 없도록 비식별화 처리.
|
||||
- **Differential Privacy:** 데이터셋에 통계적 노이즈를 추가하여 개별 정보를 보호하면서 전체 통계 정보만 활용.
|
||||
- **Federated Learning:** 원본 데이터를 서버로 보내지 않고 로컬 기기에서 학습한 결과만 공유하여 프라이버시 보호.
|
||||
- **Regulatory Compliance:** GDPR(유럽), CCPA(캘리포니아) 등 국가별 데이터 보호법 준수.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 데이터가 많을수록 좋다는 양적 팽창 시대에서, 정당하지 않은 데이터는 모델 전체의 신뢰성을 파괴한다는 '품질 및 윤리' 중심으로 패러다임 전환.
|
||||
- **정책 변화:** Antigravity 프로젝트는 모든 사용자 지식 보강 과정에서 개인정보 유출 가능성을 자동 스캔하며, 수집된 데이터는 엄격한 비식별화 과정을 거쳐 로컬 브레인 학습에만 활용함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Trustworthy-AI]], [[AI-Safety]], [[Privacy-Preserving-AI]], [[Federated-Learning]]
|
||||
- **Raw Source:** [[10_Wiki/Topics/AI/Data-Ethics and Privacy.md]]
|
||||
@@ -0,0 +1,30 @@
|
||||
---
|
||||
id: FLYWHEEL-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 1.0
|
||||
tags: [ai-strategy, business, data-flywheel, network-effect, scaling]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[Data Flywheel Effect (데이터 플라이휠 효과)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "데이터가 지능을 만들고, 지능이 사용자를 모으며, 사용자가 다시 더 좋은 데이터를 가져온다" — 더 나은 제품이 더 많은 데이터를 부르고, 그 데이터가 모델을 개선하여 다시 제품의 경쟁력을 높이는 AI 비즈니스의 핵심 성장 엔진.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 초기 구축(Cold Start) 단계만 넘어서면 데이터의 축적이 가속화되어 경쟁자가 따라올 수 없는 해자(Moat)를 형성하는 선순환 가속 패턴.
|
||||
- **선순환 단계:**
|
||||
1. **Better Model:** 강력한 AI 모델 구축.
|
||||
2. **Better Product/UX:** 모델을 기반으로 뛰어난 사용자 경험 제공.
|
||||
3. **More Users:** 만족한 사용자들이 늘어남.
|
||||
4. **More Data:** 사용자의 상호작용을 통해 대규모의 고품질 데이터 수집.
|
||||
5. **Model Improvement:** 수집된 데이터를 학습에 반영하여 모델 고도화 (1번으로 회귀).
|
||||
- **의의:** AI 기업이 단순히 알고리즘 경쟁력이 아닌 '데이터 네트워크 효과'를 통해 시장 지배력을 확보하는 원리 설명.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 단순히 데이터의 '양'만 많으면 선순환이 일어난다고 믿었으나, 최근에는 데이터의 '품질'과 '정렬(Alignment)'이 동반되지 않으면 모델이 오염될 수 있다는 경각심이 높아짐.
|
||||
- **정책 변화:** Antigravity 프로젝트는 위키 가드닝 과정을 통해 고품질의 지식을 축적함으로써, 에이전트의 추론 능력이 시간이 갈수록 강화되는 '지식 플라이휠' 구조를 지향함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Concept-Drift]], [[Reinforcement-Learning-from-Human-Feedback-RLHF]], [[Product-Thinking]], [[Strategic-Thinking]]
|
||||
- **Raw Source:** [[10_Wiki/Topics/AI/Data-Flywheel-Effect.md]]
|
||||
@@ -0,0 +1,29 @@
|
||||
---
|
||||
id: DATA-PIPE-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 1.0
|
||||
tags: [data-engineering, mlops, data-pipeline, orchestration, airflow]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[Data Pipeline Orchestration (데이터 파이프라인 오케스트레이션)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "복잡하게 얽힌 데이터의 흐름을 조율하고 장애를 자동 복구하는 지휘자가 되어라" — 데이터 수집, 변환, 학습, 배포에 이르는 수많은 작업(Task)들 간의 의존성을 관리하고, 스케줄링 및 모니터링을 자동화하는 시스템 아키텍처.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 워크플로우를 유향 비순환 그래프(DAG)로 모델링하여, 특정 작업의 실패가 전체 시스템에 미치는 영향을 최소화하고 재시도(Retry) 및 알람을 자동화하는 운영 패턴.
|
||||
- **핵심 기능:**
|
||||
- **DAG Management:** 작업 간의 선후 관계 정의.
|
||||
- **Scheduling:** 특정 시간이나 이벤트 발생 시 자동으로 파이프라인 실행.
|
||||
- **Error Handling:** 작업 실패 시 자동 재시도 및 상태 기록.
|
||||
- **Observability:** 파이프라인 각 단계의 처리 속도와 데이터 품질 모니터링.
|
||||
- **주요 도구:** Apache Airflow, Prefect, Dagster, Kubeflow Pipelines.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 단순한 크론탭(Crontab) 기반의 스크립트 실행에서, 코드로서의 인프라(IaC) 관점이 도입된 복잡한 워크플로우 관리 엔진으로 진화.
|
||||
- **정책 변화:** Antigravity 프로젝트는 외부 위키 데이터 수집 및 임베딩 업데이트 시 Airflow 기반의 오케스트레이션을 활용하여 데이터 일관성을 보장함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[MLOps]], [[Infrastructure-as-Code-IaC]], [[System-Design-for-AI-Scale]], [[Data-Flywheel-Effect]]
|
||||
- **Raw Source:** [[10_Wiki/Topics/AI/Data-Pipeline Orchestration.md]]
|
||||
@@ -0,0 +1,28 @@
|
||||
---
|
||||
id: TREE-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 1.0
|
||||
tags: [machine-learning, decision-tree, random-forest, ensemble, classification]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[Decision Trees and Random Forests (의사결정 나무와 랜덤 포레스트)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "데이터를 예/아니오의 질문으로 쪼개고, 수많은 나무의 의견을 모아 정확한 결론을 내려라" — 직관적인 규칙 기반 분류기인 의사결정 나무와, 여러 나무의 예측을 결합하여 과적합을 방지하고 성능을 극대화한 앙상블 모델인 랜덤 포레스트.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 정보를 가장 잘 구분할 수 있는 질문(불순도 최소화)을 순차적으로 던져 영역을 분할하는 구조와, 여러 독립적인 모델의 결론을 투표(Voting)나 평균을 통해 통합하는 앙상블 패턴.
|
||||
- **핵심 요소:**
|
||||
- **Entropy / Gini Impurity:** 데이터의 혼잡도를 측정하여 분기 기준 결정.
|
||||
- **Bagging (Bootstrap Aggregating):** 데이터셋의 일부를 무작위로 추출하여 여러 나무 학습.
|
||||
- **Feature Randomness:** 각 분기마다 특징(Feature) 중 일부만 선택하여 나무들 간의 다양성 확보.
|
||||
- **장점:** 설명 가능성이 높고(나무 한 그루 기준), 데이터 전처리가 적게 필요하며, 정형 데이터 처리에 매우 강력함.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 단순한 규칙 기반 시스템에서, 수천 개의 나무가 협력하여 복잡한 비선형 관계를 학습하는 고성능 머신러닝 모델로 진화.
|
||||
- **정책 변화:** Antigravity 프로젝트는 정형화된 로그 데이터 분석 및 장애 유형 초기 분류 시, 연산 속도가 빠르고 안정적인 랜덤 포레스트 모델을 활용함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Ensemble-Methods]], [[Machine-Learning]], [[Supervised-Learning-Foundations]], [[Explainable-AI]]
|
||||
- **Raw Source:** [[10_Wiki/Topics/AI/Decision-Trees and Random Forests.md]]
|
||||
@@ -0,0 +1,28 @@
|
||||
---
|
||||
id: DL-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 1.0
|
||||
tags: [ai, deep-learning, neural-networks, backpropagation, ml-foundations]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[Deep Learning Foundations (딥러닝 기초)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "데이터로부터 추상적 특징을 스스로 추출하는 다층 신경망의 마법을 이해하라" — 인간 뇌의 구조에서 영감을 얻은 인공 신경망을 깊게(Deep) 쌓아 올려, 복잡한 비선형 관계를 학습하고 표현하는 머신러닝의 하위 분야.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 입력 데이터가 계층적인 레이어를 통과하며 저차원의 특징(선, 면)에서 고차원의 개념(얼굴, 사물)으로 응축되고, 오차 역전파를 통해 가중치를 스스로 최적화하는 학습 패턴.
|
||||
- **핵심 3요소:**
|
||||
- **Architecture:** 입력층, 은닉층, 출력층으로 구성된 다층 퍼셉트론(MLP) 및 다양한 변형.
|
||||
- **Activation Function:** 비선형성을 부여하여 복잡한 함수 근사를 가능하게 함 (ReLU, Sigmoid 등).
|
||||
- **Backpropagation & Optimizer:** 예측 오차를 뒤로 전달하여 경사 하강법(SGD, Adam 등)으로 가중치 수정.
|
||||
- **의의:** 사람이 특징(Feature)을 직접 정의하던 'Feature Engineering' 시대를 끝내고, 모델이 데이터를 스스로 이해하는 시대를 엶.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 연산량과 기울기 소실 문제로 한계에 부딪혔던 초기 신경망이 GPU 연산과 알고리즘 최적화를 통해 현대 AI의 주류로 부활함.
|
||||
- **정책 변화:** Antigravity 프로젝트는 모든 지식 처리 에이전트의 중추로 딥러닝 기반의 트랜스포머 아키텍처를 채택함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Neural-Networks-Foundations]], [[Backpropagation]], [[Gradient-Descent]], [[Universal-Approximation-Theorem]]
|
||||
- **Raw Source:** [[10_Wiki/Topics/AI/Deep-Learning.md]]
|
||||
@@ -0,0 +1,28 @@
|
||||
---
|
||||
id: DQN-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 1.0
|
||||
tags: [reinforcement-learning, ai, dqn, q-learning, deep-learning]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[Deep Q-Networks (DQN)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "강화학습의 의사결정 테이블을 거대 신경망으로 대체하여 무한한 복잡성에 도전하라" — 고전적 Q-Learning의 테이블 방식 한계를 딥러닝으로 극복하여, 아타리 게임을 인간 수준으로 정복하며 심층 강화학습(Deep RL)의 시대를 연 모델.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 상태(State)를 입력받아 각 행동(Action)의 가치(Q-value)를 예측하는 함수를 신경망으로 근사하고, 경험 재플레이와 타겟 네트워크를 통해 학습을 안정화하는 패턴.
|
||||
- **핵심 기술:**
|
||||
- **Experience Replay:** 에이전트의 경험($s, a, r, s'$)을 메모리에 저장하고 무작위로 추출하여 학습함으로써 데이터 간 상관관계를 끊고 학습 효율 증대.
|
||||
- **Target Network:** 가치 계산용 네트워크를 별도로 분리하여 학습 중 목표값이 요동치는 현상 방지.
|
||||
- **Deep Neural Network as Function Approximator:** 고차원의 입력(예: 게임 화면 픽셀)을 직접 처리 가능하게 함.
|
||||
- **의의:** 사람이 규칙을 가르쳐주지 않아도 시각 정보만으로 스스로 전략을 학습할 수 있음을 증명.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 상태가 조금만 복잡해져도 테이블 크기가 폭발하여 불가능했던 강화학습을 현실적인 연산 영역으로 가져옴.
|
||||
- **정책 변화:** Skybound 프로젝트의 복잡한 적 AI 행동 패턴 학습 시 DQN 아키텍처를 기본 모델로 사용하며, Double DQN이나 Dueling DQN 등 개선된 기법을 적용함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Q-Learning-Foundations]], [[Reinforcement-Learning]], [[Deep-Learning-Foundations]], [[Experience-Replay]]
|
||||
- **Raw Source:** [[10_Wiki/Topics/AI/Deep-Q-Networks-DQN.md]]
|
||||
@@ -0,0 +1,28 @@
|
||||
---
|
||||
id: DEEPFAKE-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 1.0
|
||||
tags: [ai, deepfake, generative-model, computer-vision, ai-ethics]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[Deepfake Technology (딥페이크 기술)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "데이터로 빚은 가상의 얼굴과 목소리로 진실과 거짓의 경계를 무너뜨려라" — 딥러닝 기반의 이미지/음성 합성 기술(특히 GAN)을 활용하여, 특정 인물의 얼굴이나 음성을 다른 영상이나 오디오에 정교하게 덧씌우는 조작 기술.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 대상 인물의 미세한 표정 변화와 음성 톤의 특징을 학습하여 가상의 소스에 투영함으로써 육안이나 청각으로 구분하기 힘든 정교한 복제본을 생성하는 합성 패턴.
|
||||
- **주요 기술:**
|
||||
- **GAN (Generative Adversarial Networks):** 생성자와 판별자가 경쟁하며 극도로 사실적인 이미지 생성.
|
||||
- **Autoencoders:** 얼굴의 핵심 특징을 압축하고 다른 얼굴 데이터로 복원하여 얼굴 교체(Face Swap) 수행.
|
||||
- **Voice Conversion:** 특정 인물의 발화 특성을 유지하며 텍스트를 음성으로 변환(TTS).
|
||||
- **양면성:** 영화 제작, 엔터테인먼트, 가상 비서 등 긍정적 활용 사례와 가짜 뉴스, 사기, 성범죄 등 심각한 사회적 역기능 공존.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 단순한 영상 편집 기술에서, 데이터만 있으면 누구나 정교한 위조 영상을 만들 수 있는 민주화된(?) 위협으로 진화. 이에 대응하는 '딥페이크 탐지 기술'이 또 다른 AI 전장으로 부상.
|
||||
- **정책 변화:** Antigravity 프로젝트는 생성형 AI 활용 시 콘텐츠의 진위 여부를 보장하기 위해 워터마킹 및 메타데이터 기록을 강화하며, 딥페이크 오남용 방지를 위한 윤리 가이드라인을 준수함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Generative-Adversarial-Networks-GAN]], [[Autoencoder]], [[Trustworthy-AI]], [[Computer-Vision-Mastery]]
|
||||
- **Raw Source:** [[10_Wiki/Topics/AI/Deepfake-Technology.md]]
|
||||
@@ -0,0 +1,29 @@
|
||||
---
|
||||
id: DET-COMP-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 1.0
|
||||
tags: [computer-science, determinism, simulation, physics-engine, skybound]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[Determinism in Computing (계산의 결정론)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "동일한 입력과 초기 상태가 주어지면, 언제 어디서나 반드시 동일한 결과를 보장하라" — 시스템의 내부 상태와 연산 과정에서 무작위성을 배제하여, 프로그램의 실행 결과가 100% 예측 가능하고 재현 가능하도록 설계하는 원칙.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 부동 소수점 연산 오차, 멀티스레딩의 비결정적 실행 순서, 네트워크 지연 등 결과를 뒤흔들 수 있는 변수들을 제어하여 시스템의 일관성을 확보하는 설계 패턴.
|
||||
- **핵심 요소:**
|
||||
- **Fixed-point Arithmetic:** 부동 소수점 오차로 인한 결과 차이를 방지하기 위해 정수 기반 연산 사용.
|
||||
- **Deterministic Lockstep:** 멀티플레이어 환경에서 모든 클라이언트가 동일한 타임라인에서 동일한 연산을 수행하도록 동기화.
|
||||
- **Seeded Randomness:** 난수 생성 시 항상 동일한 시드(Seed)를 사용하여 무작위 패턴을 재현 가능하게 함.
|
||||
- **No Side Effects:** 함수가 외부 상태를 변경하지 않고 입력값에 의해서만 결과가 결정되도록 함 (순수 함수).
|
||||
- **의의:** 디버깅 용이성, 멀티플레이어 게임의 동기화, 과학 시뮬레이션의 신뢰성 확보에 필수적.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 단순히 '작동'하는 것에 집중하던 방식에서, 분산 시스템과 복잡한 시뮬레이션이 늘어남에 따라 '재현 가능성'이 소프트웨어 품질의 핵심 지표로 부상.
|
||||
- **정책 변화:** Skybound 프로젝트는 리플레이 시스템과 멀티플레이 동기화를 위해 모든 물리 연산과 확률 이벤트를 결정론적으로 설계하며, 부동 소수점 오차 누적을 방지하는 알고리즘을 적용함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Time-Step-Logic-in-Games]], [[Physics-Engine]], [[Distributed-Computing]], [[Simulation-Principles]]
|
||||
- **Raw Source:** [[10_Wiki/Topics/AI/Determinism-in-Computing.md]]
|
||||
@@ -0,0 +1,30 @@
|
||||
---
|
||||
id: MLOPS-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 1.0
|
||||
tags: [ai, mlops, devops, infrastructure, model-lifecycle]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[DevOps for AI (MLOps, 에이아이를 위한 데브옵스)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "모델 학습은 시작일 뿐, 지속 가능한 배포와 모니터링의 파이프라인을 구축하라" — 머신러닝 모델의 개발(ML)과 운영(Ops)을 통합하여, 모델의 실험, 학습, 배포, 모니터링 과정을 자동화하고 신뢰성을 확보하는 기술 체계.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 코드, 데이터, 모델이라는 세 가지 축의 버전을 관리하고, 데이터 변화(Drift)에 대응하여 모델을 자동으로 재학습 및 업데이트하는 지속적 통합/배포(CI/CD/CT) 패턴.
|
||||
- **핵심 구성 요소:**
|
||||
- **Data Versioning:** 학습에 사용된 데이터셋의 상태 보존 (DVC 등).
|
||||
- **Experiment Tracking:** 하이퍼파라미터와 메트릭 기록 (MLflow, WandB).
|
||||
- **Model Registry:** 검증된 모델의 버전 관리 및 서빙 준비.
|
||||
- **Continuous Training (CT):** 새로운 데이터 유입 시 파이프라인 자동 실행.
|
||||
- **Monitoring:** 서빙 중인 모델의 성능 저하 및 데이터 드리프트 감지.
|
||||
- **의의:** 일회성 실험에 그치던 ML 모델을 실제 비즈니스 가치를 창출하는 안정적인 소프트웨어 서비스로 변환.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 단순히 모델의 정확도(Accuracy)에만 집중하던 연구 중심적 사고에서, 모델의 가용성(Availability)과 유지보수 효율을 중시하는 엔지니어링 관점으로 전환.
|
||||
- **정책 변화:** Antigravity 프로젝트는 에이전트 브레인 업데이트 시 MLOps 파이프라인을 준수하며, 모든 모델 변경 사항은 자동화된 테스트와 벤치마크를 거쳐 배포됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Data-Pipeline-Orchestration]], [[Concept-Drift]], [[System-Design-for-AI-Scale]], [[Infrastructure-as-Code-IaC]]
|
||||
- **Raw Source:** [[10_Wiki/Topics/AI/DevOps-for-AI-MLOps.md]]
|
||||
@@ -1,31 +1,28 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-DIMO-001
|
||||
id: DIFFUSION-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.98
|
||||
tags: [auto-reinforced, diffusion-models, generative-ai, computer-vision, image-generation, denoiser]
|
||||
last_reinforced: 2026-04-20
|
||||
confidence_score: 1.0
|
||||
tags: [ai, generative-model, diffusion-model, image-generation, deep-learning]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[Diffusion-Models]]
|
||||
# [[Diffusion Models (확산 모델)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "파괴에서 창조를 얻다: 선명한 이미지에 노이즈를 섞어 형체를 없애는 과정(Forward)을 거꾸로 학습하여, 아무 의미 없는 노이즈로부터 환상적인 고해상도 이미지를 조각해내는 현대 이미지 생성 AI의 핵심 엔진."
|
||||
> "혼돈(Noise) 속에서 질서를 찾아내어 무(無)에서 유(有)를 창조하라" — 데이터에 노이즈를 점진적으로 추가했다가 이를 다시 제거하는 역과정(Denoising)을 학습하여, 단순한 노이즈로부터 고품질의 이미지나 데이터를 생성하는 최신 생성 모델.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
확산 모델(Diffusion-Models)은 데이터를 노이즈로 변환한 후, 이 과정을 역전시켜 데이터를 생성하는 확률론적 생성 모델입니다.
|
||||
|
||||
1. **핵심 프로세스**:
|
||||
* **Forward Diffusion**: 고양이 이미지에 가우시안 노이즈를 단계적으로 추가하여 완전한 노이즈로 만듦.
|
||||
* **Reverse Diffusion (Denosing)**: 노이즈에서 원래 이미지를 복구하는 신경망(U-Net 등)을 학습.
|
||||
* **Conditioning**: 텍스트 프롬프트를 입력하면 그 의미에 맞는 방향으로 노이즈를 제거하여 원하는 결과 도출.
|
||||
2. **장점**:
|
||||
* GAN(Generative Adversarial Networks)보다 학습이 안정적이고, 훨씬 더 세밀하고 다양한 결과물을 생성함.
|
||||
- **추출된 패턴:** 정규 분포를 따르는 무작위 노이즈에서 시작하여, 모델이 학습한 데이터의 분포를 따라 미세한 패턴을 복원해나가는 반복적 정제(Iterative Refinement) 패턴.
|
||||
- **작동 원리:**
|
||||
- **Forward Process:** 데이터에 가우시안 노이즈를 단계적으로 추가하여 완전한 노이즈 상태로 만듦.
|
||||
- **Reverse Process (Denoising):** 각 단계에서 추가된 노이즈를 예측하고 제거하여 원래 데이터를 복구하도록 모델을 학습.
|
||||
- **Sampling:** 학습된 모델을 사용해 순수 노이즈로부터 한 단계씩 노이즈를 걷어내며 새로운 데이터 생성.
|
||||
- **의의:** GAN의 학습 불안정성 문제를 해결하고, 압도적인 데이터 생성 품질과 다양성을 확보하여 Midjourney, Stable Diffusion 등의 기반 기술이 됨.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거 이미지 생성 정책은 수만 장의 사진을 단순히 모사하는 정책이었으나, 확산 모델 정책은 데이터의 '확률 분포 밀도 정책'을 학습하여 세상에 없는 완벽한 구상을 만들어냄(RL Update).
|
||||
- **정책 변화(RL Update)**: 이미지 생성 정책을 넘어 비디오(Sora), 3D 모델링, 단백질 구조 설계 정책 등 모든 물리적 데이터 생성 정책의 표준으로 확산 중임.
|
||||
- **과거 데이터와의 충돌:** GAN이 생성 모델의 정답으로 여겨지던 시대를 지나, 더 안정적이고 고성능인 확산 모델이 이미지/비디오 생성의 새로운 표준으로 자리 잡음.
|
||||
- **정책 변화:** Antigravity 프로젝트는 위키 문서의 시각화 보조 자료나 목업 이미지를 생성할 때 최신 확산 모델 기반의 API를 활용하여 고품질 결과물을 생성함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Gen-AI]], [[Computer Vision]], [[CV_Synthesis]], [[Computational Creativity]], [[Statistics & Data Analysis]]
|
||||
- **Modern Tech/Tools**: Stable Diffusion, Midjourney, DALL-E 3, ControlNet.
|
||||
---
|
||||
- [[Generative-Adversarial-Networks-GAN]], [[Variational-Autoencoders-VAE]], [[CLIP]], [[Computer-Vision-Mastery]]
|
||||
- **Raw Source:** [[10_Wiki/Topics/AI/Diffusion-Models.md]]
|
||||
|
||||
@@ -0,0 +1,28 @@
|
||||
---
|
||||
id: DIM-REDUC-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 1.0
|
||||
tags: [ai, machine-learning, statistics, dimensionality-reduction, pca, tsne]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[Dimensionality Reduction (차원 축소)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "데이터의 덩치는 줄이되, 그 안에 담긴 핵심 메시지는 보존하라" — 수많은 변수(Feature)를 가진 고차원 데이터를 본질적인 특징을 잃지 않으면서 낮은 차원으로 변환하여, 연산 효율을 높이고 데이터 시각화를 가능하게 하는 기법.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 중복되거나 노이즈에 가까운 차원을 제거하고 데이터의 분산(Variance)이나 구조적 유사성을 가장 잘 설명하는 새로운 축을 찾아 정보를 압축하는 패턴.
|
||||
- **주요 기법:**
|
||||
- **PCA (Principal Component Analysis):** 데이터의 분산이 최대인 방향으로 선형 결합하여 차원 축소 (선형 방식).
|
||||
- **t-SNE / UMAP:** 고차원에서 가까운 데이터는 저차원에서도 가깝게 유지 (비선형 방식, 시각화에 탁월).
|
||||
- **Autoencoders:** 신경망의 병목 구조를 통해 데이터를 압축 및 복원하며 핵심 특징 추출.
|
||||
- **장점:** 차원의 저주(Curse of Dimensionality) 해결, 오버피팅 방지, 연산 속도 향상, 2D/3D 시각화를 통한 인사이트 도출.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 단순히 데이터를 삭제(Feature Selection)하던 방식에서, 전체 데이터의 상관관계를 고려하여 새로운 정보를 창출(Feature Extraction)하는 방식으로 진화.
|
||||
- **정책 변화:** Antigravity 프로젝트는 수천 개의 위키 문서 임베딩 벡터를 클러스터링하고 지식 지도로 시각화할 때 UMAP이나 t-SNE 기법을 사용하여 지식 간의 거리를 직관적으로 노출함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Principal-Component-Analysis-PCA]], [[Unsupervised-Learning-Foundations]], [[Autoencoder]], [[Representation-Learning]]
|
||||
- **Raw Source:** [[10_Wiki/Topics/AI/Dimensionality-Reduction.md]]
|
||||
@@ -1,25 +1,29 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-5577CF
|
||||
id: DAG-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - Directed-Acyclic-Graph-Dependency-Management"
|
||||
confidence_score: 1.0
|
||||
tags: [computer-science, graph-theory, data-structures, workflow]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[Directed-Acyclic-Graph-Dependency-Management]]
|
||||
# [[Directed Acyclic Graph (DAG, 유향 비순환 그래프)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 지식 요약 정보 추출 중...
|
||||
> "순환하지 않는 방향성 — 작업의 순서와 의존성을 정의하는 가장 완벽한 수학적 모델."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
본문 구조화 작업 중...
|
||||
- **추출된 패턴:** 노드 간의 방향은 존재하되, 어떤 노드에서 출발해도 다시 자기 자신으로 돌아오는 경로(Cycle)가 없는 구조를 통해 순차적 실행과 계층 관계를 보장하는 패턴.
|
||||
- **세부 내용:**
|
||||
- **Topological Sort:** DAG의 노드들을 의존성에 따라 일렬로 정렬하는 알고리즘 (빌드 시스템, 태스크 스케줄링의 핵심).
|
||||
- **Dependency Management:** 특정 작업이 완료되어야 다음 작업이 시작될 수 있는 인과 관계를 명확히 표현.
|
||||
- **Data Pipelines:** Spark, Airflow 등 현대 데이터 엔지니어링 도구에서 데이터의 흐름을 정의하는 표준 모델.
|
||||
- **Version Control:** Git의 커밋 히스토리는 부모-자식 관계를 가진 거대한 DAG 구조임.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요.
|
||||
- **정책 변화:** AI 분야의 자동 자산화 수행.
|
||||
- **과거 데이터와의 충돌:** 단순 트리(Tree) 구조보다 복잡한 관계를 표현할 수 있으면서도, 순환 구조(Graph)가 주는 무한 루프 위험을 제거한 실용적 타협점.
|
||||
- **정책 변화:** Antigravity 프로젝트의 '지식 연결 그래프'는 기본적으로 순환을 허용하나, '실행 워크플로우'는 엄격한 DAG 규칙을 따름.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
|
||||
- Raw Source: [[00_Raw/2026-04-20/Directed-Acyclic-Graph-Dependency-Management.md]]
|
||||
---
|
||||
- **Parent:** [[10_Wiki/💡 Topics/AI]]
|
||||
- **Related:** [[Topological-Sort]], [[Graph-Theory]], [[Workflow-Automation]]
|
||||
- **Raw Source:** [[10_Wiki/Topics/AI/Directed-Acyclic-Graph-Dependency-Management.md]]
|
||||
|
||||
@@ -1,25 +1,29 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-F4914A
|
||||
id: TS-UNION-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - Discriminated-Unions-for-Error-Handling"
|
||||
confidence_score: 1.0
|
||||
tags: [typescript, type-system, functional-programming, error-handling]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[Discriminated-Unions-for-Error-Handling]]
|
||||
# [[Discriminated Unions (판별 가능한 유니온)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 지식 요약 정보 추출 중...
|
||||
> "타입 가드를 자동화하는 영리한 리터럴 태그" — 공통된 속성(Tag)을 기준으로 여러 타입을 하나로 묶고, 코드 레벨에서 안전하게 특정 타입을 식별해낼 수 있게 하는 타입 설계 기법.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
본문 구조화 작업 중...
|
||||
- **추출된 패턴:** 여러 객체 타입이 공통적으로 가지는 '태그(Literal property)'를 사용하여 컴파일러가 조건문(`switch`, `if`) 내에서 타입을 정확히 좁힐 수 있도록 돕는 패턴.
|
||||
- **세부 내용:**
|
||||
- **Tag/Kind 속성:** 각 타입에 고유한 문자열 리터럴 속성을 부여하여 구분의 근거를 마련.
|
||||
- **Exhaustiveness Check:** `switch` 문에서 모든 가능한 케이스를 처리했는지 TypeScript 컴파일러가 확인하게 함.
|
||||
- **Error Handling:** `Success`와 `Failure` 타입을 유니온으로 묶어 런타임 에러 대신 컴파일 타임에 예외 처리를 강제.
|
||||
- **Pattern Matching:** 함수형 언어의 패턴 매칭과 유사한 안정성을 객체 지향 환경에서 구현.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요.
|
||||
- **정책 변화:** AI 분야의 자동 자산화 수행.
|
||||
- **과거 데이터와의 충돌:** `instanceof`나 임의의 속성 체크 기반의 불안정한 타입 가드에서, 명시적인 '태그' 기반의 선언적 타입 가드로 표준화됨.
|
||||
- **정책 변화:** Antigravity 에이전트의 통신 프로토콜 정의 시, 메시지 타입을 Discriminated Unions로 정의하여 파싱 오류를 원천 차단함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
|
||||
- Raw Source: [[00_Raw/2026-04-20/Discriminated-Unions-for-Error-Handling.md]]
|
||||
---
|
||||
- **Parent:** [[10_Wiki/💡 Topics/AI]]
|
||||
- **Related:** [[Type-Guards]], [[Algebraic-Data-Types]], [[Exhaustiveness-Checking]]
|
||||
- **Raw Source:** [[10_Wiki/Topics/AI/Discriminated-Unions-for-Error-Handling.md]]
|
||||
|
||||
@@ -0,0 +1,29 @@
|
||||
---
|
||||
id: DIST-COMP-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 1.0
|
||||
tags: [computer-science, distributed-systems, parallel-computing, infrastructure, scalability]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[Distributed Computing (분산 컴퓨팅)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "한 대의 거대한 컴퓨터 대신, 수만 대의 작은 컴퓨터가 하나의 목표를 위해 협력하게 하라" — 네트워크로 연결된 여러 대의 컴퓨터 자원을 활용하여, 단일 시스템으로는 처리 불가능한 대규모 연산이나 데이터를 병렬적으로 처리하는 기술 체계.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 거대한 문제를 작은 조각으로 나누어 분산된 노드에 할당하고, 각 노드의 결과물을 다시 통합(Aggregation)하여 최종 해답을 도출하는 분할 정복(Divide and Conquer) 패턴.
|
||||
- **핵심 요소:**
|
||||
- **Parallelism:** 데이터 병렬화(Data Parallel) 및 모델 병렬화(Model Parallel)를 통한 학습 속도 향상.
|
||||
- **Concurrency Control:** 여러 노드가 동시에 데이터에 접근할 때 정합성 유지.
|
||||
- **Fault Tolerance:** 일부 노드에 장애가 생겨도 전체 시스템이 중단되지 않도록 설계 (CAP 정리 참고).
|
||||
- **Communication Overhead:** 노드 간 데이터를 주고받는 통신 비용을 최소화하는 것이 성능의 핵심.
|
||||
- **주요 프레임워크:** Apache Spark, Ray, Horovod, Kubernetes.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 단순한 서버-클라이언트 구조에서, 수만 개의 GPU가 긴밀하게 동기화되어 거대 언어 모델을 학습시키는 초거대 분산 컴퓨팅 시대로 진화.
|
||||
- **정책 변화:** Antigravity 프로젝트는 향후 수조 개의 지식 노드를 처리하기 위해 Ray와 같은 최신 분산 프레임워크를 기반으로 지식 가드닝 에이전트의 연산 인프라를 확장할 계획임.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Parallel-Computing]], [[CAP-Theorem]], [[System-Design-for-AI-Scale]], [[GPU-Architecture]]
|
||||
- **Raw Source:** [[10_Wiki/Topics/AI/Distributed-Computing.md]]
|
||||
@@ -1,25 +0,0 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-BE347F
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - Domain-Driven Design (DDD) Type Safety"
|
||||
---
|
||||
|
||||
# [[Domain-Driven Design (DDD) Type Safety]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 지식 요약 정보 추출 중...
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
본문 구조화 작업 중...
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요.
|
||||
- **정책 변화:** AI 분야의 자동 자산화 수행.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
|
||||
- Raw Source: [[00_Raw/2026-04-20/Domain-Driven Design (DDD) Type Safety.md]]
|
||||
---
|
||||
@@ -1,25 +0,0 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-F89598
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - Domain-Driven Design (DDD) in TypeScript"
|
||||
---
|
||||
|
||||
# [[Domain-Driven Design (DDD) in TypeScript]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 지식 요약 정보 추출 중...
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
본문 구조화 작업 중...
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요.
|
||||
- **정책 변화:** AI 분야의 자동 자산화 수행.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
|
||||
- Raw Source: [[00_Raw/2026-04-20/Domain-Driven Design (DDD) in TypeScript.md]]
|
||||
---
|
||||
@@ -1,25 +0,0 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-D7AB12
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - Domain-Driven-Design (DDD) in TypeScript"
|
||||
---
|
||||
|
||||
# [[Domain-Driven-Design (DDD) in TypeScript]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 지식 요약 정보 추출 중...
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
본문 구조화 작업 중...
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요.
|
||||
- **정책 변화:** AI 분야의 자동 자산화 수행.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
|
||||
- Raw Source: [[00_Raw/2026-04-20/Domain-Driven-Design (DDD) in TypeScript.md]]
|
||||
---
|
||||
@@ -1,29 +0,0 @@
|
||||
---
|
||||
id: P-REINFORCE-AI-DDD
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.99
|
||||
tags: [SoftwareEngineering, DDD, Architecture, DomainDrivenDesign]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Domain-Driven-Design (DDD)]] (도메인 주도 설계)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "기술의 언어가 아닌, 비즈니스의 언어로 코드를 짜는 철학." 복잡한 소프트웨어를 해결하기 위해 도메인(비즈니스 핵심 영역)을 모델링의 중심에 두고, 개발자와 전문가가 동일한 언어(Ubiquitous Language)를 공유하며 설계를 이어나가는 방식이다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Ubiquitous Language (보편적 언어)**: 기획자, 디자이너, 개발자가 '결제'를 각자 다르게 이해하지 않도록 코드와 문서에서 동일한 용어를 사용함.
|
||||
- **Strategic Design**:
|
||||
- **Bounded Context**: 거대한 도메인을 논리적 경계로 쪼개어 모델 간의 간섭을 최소화함.
|
||||
- **Context Map**: 여러 컨텍스트 간의 관계를 도식화함.
|
||||
- **Tactical Design**:
|
||||
- **Entity vs Value Object**: 식별자가 중요한가(사용자 ID), 속성값이 중요한가(주소, 금액).
|
||||
- **Aggregate**: 데이터 변경의 단위가 되는 객체 묶음.
|
||||
- **Repository**: 데이터 저장소에 대한 추상화 계층.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- DDD를 모든 곳에 적용하려다 보면 'Over-engineering'에 빠지기 쉽다. 단순한 CRUD 앱에 DDD를 도입하는 것은 시간 낭비일 수 있다. 최근에는 MSA(마이크로서비스 아키텍처)의 경계를 나누는 기초 도구로 DDD가 필수적으로 쓰이지만, 구현의 복잡성을 줄이기 위해 핵심 도메인이 아닌 곳은 가볍게 짜는 실용적인 접근(Clean DDD)이 선호된다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Bounded-Contexts]] , [[Ubiquitous-Language-Encoding]]
|
||||
- Pattern: [[Value-Object-Pattern]]
|
||||
@@ -1,25 +0,0 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-13548A
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - Domain-Driven-Design-(DDD)-in-TypeScript"
|
||||
---
|
||||
|
||||
# [[Domain-Driven-Design-(DDD)-in-TypeScript]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 지식 요약 정보 추출 중...
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
본문 구조화 작업 중...
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요.
|
||||
- **정책 변화:** AI 분야의 자동 자산화 수행.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
|
||||
- Raw Source: [[00_Raw/2026-04-20/Domain-Driven-Design-(DDD)-in-TypeScript.md]]
|
||||
---
|
||||
@@ -1,25 +0,0 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-C360C0
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - Domain-Driven-Design-(DDD)"
|
||||
---
|
||||
|
||||
# [[Domain-Driven-Design-(DDD)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 지식 요약 정보 추출 중...
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
본문 구조화 작업 중...
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요.
|
||||
- **정책 변화:** AI 분야의 자동 자산화 수행.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
|
||||
- Raw Source: [[00_Raw/2026-04-20/Domain-Driven-Design-(DDD).md]]
|
||||
---
|
||||
@@ -1,25 +0,0 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-551739
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - Domain-Driven-Design-Bounded-Context"
|
||||
---
|
||||
|
||||
# [[Domain-Driven-Design-Bounded-Context]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 지식 요약 정보 추출 중...
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
본문 구조화 작업 중...
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요.
|
||||
- **정책 변화:** AI 분야의 자동 자산화 수행.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
|
||||
- Raw Source: [[00_Raw/2026-04-20/Domain-Driven-Design-Bounded-Context.md]]
|
||||
---
|
||||
@@ -0,0 +1,29 @@
|
||||
---
|
||||
id: DDD-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 1.0
|
||||
tags: [software-architecture, ddd, domain-driven-design, microservices, strategic-design]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[Domain-Driven Design (DDD, 도메인 주도 설계)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "기술적 구현보다 비즈니스의 본질(도메인)을 코드의 중심에 두어라" — 복잡한 소프트웨어 프로젝트에서 비즈니스 로직과 기술 인프라를 분리하고, 도메인 전문가와 개발자가 동일한 언어(Ubiquitous Language)를 사용하여 시스템을 설계하는 방법론.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 거대한 시스템을 의미 있는 경계(Bounded Context)로 나누고, 각 맥락 안에서 핵심 비즈니스 모델을 정교하게 구축하여 복잡성을 관리하는 전략적 설계 패턴.
|
||||
- **핵심 요소:**
|
||||
- **Ubiquitous Language:** 기획자와 개발자가 소통하는 공통의 용어 사전.
|
||||
- **Bounded Context:** 모델이 적용되는 논리적인 경계. MSA의 기반이 됨.
|
||||
- **Entity & Value Object:** 식별자가 중요한 객체와 속성값이 중요한 객체의 구분.
|
||||
- **Aggregate:** 데이터 변경의 단위이자 캡슐화 경계.
|
||||
- **Layered Architecture:** 도메인 로직을 표현 레이어나 인프라 레이어로부터 격리.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 데이터베이스 테이블 중심의 설계에서, 비즈니스 행위(Behavior) 중심의 설계로 전환. 초기에는 중복 내용이 여러 파일에 흩어져 있었으나, Antigravity 지식 정비 과정을 통해 통합 마스터 문서로 정립됨.
|
||||
- **정책 변화:** Antigravity 프로젝트는 에이전트의 스킬과 지식 카테고리를 설계할 때 DDD 원칙을 적용하여, 각 에이전트가 명확한 도메인 경계 내에서 자율성을 갖도록 구성함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Software-Architecture-Patterns]], [[Microservices]], [[Strategic-Thinking]], [[System-Design-for-AI-Scale]]
|
||||
- **Raw Source:** [[10_Wiki/Topics/AI/Domain-Driven-Design-DDD.md]]
|
||||
@@ -1,25 +0,0 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-BE83DE
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - Domain-Driven-Design-Interface-Modeling"
|
||||
---
|
||||
|
||||
# [[Domain-Driven-Design-Interface-Modeling]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 지식 요약 정보 추출 중...
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
본문 구조화 작업 중...
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요.
|
||||
- **정책 변화:** AI 분야의 자동 자산화 수행.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
|
||||
- Raw Source: [[00_Raw/2026-04-20/Domain-Driven-Design-Interface-Modeling.md]]
|
||||
---
|
||||
@@ -1,25 +0,0 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-21D02B
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - Domain-Driven-Design-in-TypeScript"
|
||||
---
|
||||
|
||||
# [[Domain-Driven-Design-in-TypeScript]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 지식 요약 정보 추출 중...
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
본문 구조화 작업 중...
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요.
|
||||
- **정책 변화:** AI 분야의 자동 자산화 수행.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
|
||||
- Raw Source: [[00_Raw/2026-04-20/Domain-Driven-Design-in-TypeScript.md]]
|
||||
---
|
||||
@@ -1,25 +0,0 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-7451F4
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - Domain-Driven-Design-with-TypeScript"
|
||||
---
|
||||
|
||||
# [[Domain-Driven-Design-with-TypeScript]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 지식 요약 정보 추출 중...
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
본문 구조화 작업 중...
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요.
|
||||
- **정책 변화:** AI 분야의 자동 자산화 수행.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
|
||||
- Raw Source: [[00_Raw/2026-04-20/Domain-Driven-Design-with-TypeScript.md]]
|
||||
---
|
||||
@@ -1,31 +0,0 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-DDDE-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.96
|
||||
tags: [auto-reinforced, domain-driven-design, ddd, software-architecture, ubiquituous-language, clean-architecture]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Domain-Driven-Design]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "비즈니스의 언어로 코딩하기: 소프트웨어의 복잡성을 해결하기 위해, 기술적 구현보다 비즈니스 도메인(업무 지식)을 핵심으로 두고 전문가와 개발자가 똑같은 단어(Ubiquitous Language)를 쓰며 함께 설계하는 철학."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
도메인 주도 설계(DDD, Domain-Driven-Design)는 복잡한 소프트웨어 프로젝트를 성공적으로 이끌기 위한 아키텍처적 접근 방식입니다.
|
||||
|
||||
1. **핵심 개념**:
|
||||
* **Ubiquitous Language**: 기획자, 개발자, 마케터 모두가 사용하는 공용어. 코드 내 클래스명에도 그대로 반영.
|
||||
* **Bounded Context**: 동일한 용어라도 맥락에 따라 의미가 달라질 수 있는 경계를 설정 (예: '상품'이 주문 팀과 물류 팀에서 갖는 다른 의미).
|
||||
* **Aggregate**: 데이터 변경의 단위로 묶여있는 객체들의 덩어리.
|
||||
2. **왜 중요한가?**:
|
||||
* 기술적 탁상공론에 빠지지 않고 실제 비즈니스 가치를 가장 정확하게 구현하며, 거대 시스템을 책임 소재가 명확한 단위로 쪼갤 수 있음.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 DB 테이블(데이터 중심)을 먼저 설계하는 정책이었으나, DDD 정책은 업무 프로세스(도메인 로직 중심)를 먼저 설계하는 정책으로 패러다임을 혁신함(RL Update).
|
||||
- **정책 변화(RL Update)**: 마이크로서비스(MSA) 정책을 수립할 때 '어디서 서비스를 쪼갤 것인가'의 기준 정책으로 Bounded Context가 사용되며 분산 시스템 설계의 근간 정책이 됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Clean-Architecture-TypeScript]], [[Distributed-Systems]], [[Scalability]], [[Technical-Architecture]], [[Strategic-Planning]]
|
||||
- **Modern Tech/Tools**: Event Storming, NestJS/Spring Boot context design.
|
||||
---
|
||||
@@ -1,25 +1,29 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-73B204
|
||||
id: DOPAMINE-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - Dopaminergic Reward Systems"
|
||||
confidence_score: 1.0
|
||||
tags: [neuroscience, dopamine, reward-system, addiction, reinforcement-learning]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[Dopaminergic Reward Systems]]
|
||||
# [[Dopaminergic Reward Systems (도파민 보상 시스템)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 지식 요약 정보 추출 중...
|
||||
> "생존과 학습을 추동하는 뇌의 화학적 엔진" — 기대한 보상과 실제 보상의 차이를 매개로 행동의 가치를 수정하고, 특정 행위를 반복하게 만드는 뇌내 신경전달물질 시스템.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
본문 구조화 작업 중...
|
||||
- **추출된 패턴:** 긍정적 보상이 주어질 때 분비되는 도파민이 시냅스 가소성을 조절하여, 해당 보상을 가져온 행동을 강화(Reinforcement)하는 생물학적 학습 패턴.
|
||||
- **세부 내용:**
|
||||
- **Mesolimbic Pathway:** 복측 피개 구역(VTA)에서 측좌핵으로 이어지는 핵심 보상 경로. '쾌락' 자체보다 '욕구(Wanting)'와 '추구'를 담당.
|
||||
- **Reward Prediction Error (RPE):** 도파민 뉴런은 보상이 확실시되면 분비를 줄이고, 예상치 못한 보상이 나타날 때 폭발적으로 분비됨.
|
||||
- **Tonic vs Phasic Release:** 기본적으로 유지되는 도파민 농도(Tonic)와 자극에 반응해 급격히 변하는 농도(Phasic)의 균형.
|
||||
- **Addiction Mechanism:** 약물이나 자극이 도파민 시스템을 직접 납치(Hijack)하여 자연적 보상보다 강한 가짜 신호를 보낼 때 발생하는 중독 현상.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요.
|
||||
- **정책 변화:** AI 분야의 자동 자산화 수행.
|
||||
- **과거 데이터와의 충돌:** 과거에는 도파민을 단순 '쾌락 호르몬'으로 정의했으나, 현대 신경과학은 이를 '학습 신호'이자 '동기 부여'의 매개체로 재정의함.
|
||||
- **정책 변화:** AI 강화학습의 보상 함수(Reward Function) 설계 시, 도파민의 RPE 기제를 모방하여 학습 효율을 극대화하는 알고리즘이 표준으로 자리 잡음.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
|
||||
- Raw Source: [[00_Raw/2026-04-20/Dopaminergic Reward Systems.md]]
|
||||
---
|
||||
- **Parent:** [[10_Wiki/💡 Topics/AI]]
|
||||
- **Related:** [[Computational-Neuroscience]], [[Reward-Prediction-Error]], [[Addiction-Neuroscience]], [[Reinforcement-Learning]]
|
||||
- **Raw Source:** [[10_Wiki/Topics/AI/Dopaminergic Reward Systems.md]]
|
||||
|
||||
@@ -1,25 +1,29 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-6118B8
|
||||
id: DFS-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - Dynamic Few-Shot (동적 퓨샷 선택 전략)"
|
||||
confidence_score: 1.0
|
||||
tags: [ai-inference, prompt-engineering, llm, in-context-learning]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[Dynamic Few-Shot (동적 퓨샷 선택 전략)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 지식 요약 정보 추출 중...
|
||||
> "상황에 가장 잘 맞는 예제를 실시간으로 골라 넣어라" — 고정된 예시(Static Examples)를 사용하는 대신, 사용자 입력과 가장 유사한 사례를 벡터 검색 등을 통해 추출하여 프롬프트에 동적으로 구성하는 기법.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
본문 구조화 작업 중...
|
||||
- **추출된 패턴:** 대규모 예제 저장소(Example Pool)에서 현재 질문(Query)과 의미적으로 가장 가까운 N개의 예시를 찾아 프롬프트의 컨텍스트로 제공함으로써 모델의 성능을 최적화하는 패턴.
|
||||
- **세부 내용:**
|
||||
- **Vector Semantic Search:** 사용자 입력을 임베딩하여 벡터 DB에서 가장 유사한 예제들을 검색.
|
||||
- **Diversity Selection:** 유사도만 따지지 않고, 다양한 각도의 예시를 섞어 모델의 편향을 방지하는 전략.
|
||||
- **Token Efficiency:** 전체 예제를 넣는 대신 꼭 필요한 예제만 골라 넣어 토큰 소모량을 절감하고 성능은 유지.
|
||||
- **Context Window Management:** 모델의 컨텍스트 제한 내에서 최적의 예제 개수와 순서를 결정.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요.
|
||||
- **정책 변화:** AI 분야의 자동 자산화 수행.
|
||||
- **과거 데이터와의 충돌:** 초기 퓨샷 기법은 하드코딩된 예시를 사용했으나, 입력값의 도메인이 다양해짐에 따라 입력 맞춤형 예제 제공이 필수적이 됨.
|
||||
- **정책 변화:** Antigravity 에이전트는 사용자의 질문 의도를 먼저 파악한 뒤, 관련 스킬 문서의 예제 중 가장 적합한 것을 Dynamic Few-Shot으로 주입하여 응답 정확도를 95% 이상으로 유지함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
|
||||
- Raw Source: [[00_Raw/2026-04-20/Dynamic Few-Shot (동적 퓨샷 선택 전략).md]]
|
||||
---
|
||||
- **Parent:** [[10_Wiki/💡 Topics/AI]]
|
||||
- **Related:** [[Few-Shot-Learning]], [[In-Context-Learning]], [[Vector-Database]], [[RAG]]
|
||||
- **Raw Source:** [[10_Wiki/Topics/AI/Dynamic Few-Shot (동적 퓨샷 선택 전략).md]]
|
||||
|
||||
@@ -0,0 +1,28 @@
|
||||
---
|
||||
id: EDGE-AI-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 1.0
|
||||
tags: [ai, infrastructure, edge-computing, on-device-ai, latency-optimization]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[Edge AI and Computing (엣지 AI와 컴퓨팅)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "데이터가 태어나는 그곳에서 지능을 즉시 실행하라" — 클라우드 서버에 의존하지 않고 사용자의 단말기(스마트폰, IoT 기기, 로봇 등)에서 직접 AI 모델을 실행하여 지연 시간을 줄이고 프라이버시를 보호하는 기술.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 대역폭(Bandwidth) 한계와 보안 리스크를 극복하기 위해, 중앙 집중식 연산을 분산된 단말기로 전이시키고 필요한 정보만 요약하여 전송하는 분산 지능 패턴.
|
||||
- **핵심 기술:**
|
||||
- **Model Compression:** 양자화(Quantization), 프루닝(Pruning), 지식 증류(Distillation) 등을 통해 모델 크기 축소.
|
||||
- **NPU (Neural Processing Unit):** 모바일 기기에 최적화된 AI 전용 하드웨어 가속기.
|
||||
- **On-device Learning:** 서버 연결 없이 기기 내부 데이터로 모델을 미세 조정.
|
||||
- **장점:** 초저지연 응답(자율주행, 게임 등), 오프라인 작동 가능, 데이터 유출 방지, 서버 비용 절감.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 성능이 부족한 엣지 기기는 단순 수집만 해야 한다는 고정관념에서 벗어나, 강력한 모바일 프로세서의 발전으로 서빙과 학습이 가능한 '지능형 엣지' 시대로 진입.
|
||||
- **정책 변화:** ConnectAI 프로젝트는 로컬 LLM 엔드포인트를 활용한 '로컬 브레인' 전략을 통해, 사용자의 코드가 외부로 유출되지 않는 Edge AI 지향적 아키텍처를 추구함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[System-Design-for-AI-Scale]], [[Data-Ethics-and-Privacy]], [[Federated-Learning]], [[Distributed-Computing]]
|
||||
- **Raw Source:** [[10_Wiki/Topics/AI/Edge-AI-and-Computing.md]]
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: MATH-EIGEN-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 1.0
|
||||
tags: [math, linear-algebra, ai, eigenvalues, eigenvectors, dimensionality-reduction]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[Eigenvalues and Eigenvectors (고유값과 고유벡터)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "행렬이라는 변환 속에서도 흔들리지 않는 축과 그 크기를 찾아라" — 선형 변환 시 방향은 변하지 않고 크기만 변하는 벡터(Eigenvector)와 그 변화하는 배수(Eigenvalue)로, 데이터의 본질적 구조를 파악하는 선형대수의 핵심 도구.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 복잡한 다차원 데이터를 선형 변환했을 때 정보의 손실이 가장 적거나 변화량이 가장 큰 핵심 방향(축)을 추출하는 수학적 분석 패턴.
|
||||
- **수학적 정의:** $Av = \lambda v$
|
||||
- $A$: 선형 변환 행렬.
|
||||
- $v$: 고유벡터 (변환 후에도 방향이 유지됨).
|
||||
- $\lambda$: 고유값 (고유벡터의 길이가 변하는 비율).
|
||||
- **AI 응용:**
|
||||
- **PCA (주성분 분석):** 데이터의 분산이 최대인 고유벡터를 찾아 차원 축소 수행.
|
||||
- **PageRank:** 웹페이지 간의 연결 행렬에서 최대 고유값에 해당하는 고유벡터를 통해 페이지 중요도 산출.
|
||||
- **Face Recognition:** Eigenfaces 기법을 통해 얼굴의 핵심 특징 추출.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 단순한 수학적 연습 문제 수준에서, 현대 딥러닝과 데이터 사이언스의 모든 연산(임베딩, 추천, 물리 시뮬레이션 등)을 지탱하는 기반 기술로 가치 재정립.
|
||||
- **정책 변화:** Antigravity 프로젝트는 지식 노드 간의 중요도를 산출하는 그래프 분석 알고리즘 설계 시 고유값 분해(Eigen-decomposition) 원리를 활용함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Principal-Component-Analysis-PCA]], [[Dimensionality-Reduction]], [[Linear-Algebra-Foundations]], [[Vector-Database-Selection]]
|
||||
- **Raw Source:** [[10_Wiki/Topics/AI/Eigenvalues-and-Eigenvectors.md]]
|
||||
@@ -0,0 +1,29 @@
|
||||
---
|
||||
id: RL-ELIG-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 1.0
|
||||
tags: [reinforcement-learning, ai, eligibility-traces, credit-assignment, temporal-difference]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[Eligibility Traces (적격성 흔적)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "현재의 보상을 과거의 어떤 행동에 나누어줄지 결정하는 지능적 기억의 자국" — 강화학습에서 발생한 보상을 과거에 방문했던 상태들과 연결하여 업데이트 효율을 높이는 기술로, TD($\lambda$) 알고리즘의 핵심.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 사건이 발생한 시점으로부터 시간이 지날수록 그 영향력을 서서히 감소시키되(Decay), 최근에 자주 방문한 상태에는 더 높은 기여도를 부여하는 시간적 신용 할당 패턴.
|
||||
- **핵심 요소:**
|
||||
- **Trace Decay ($\lambda$):** 0과 1 사이의 값으로, 과거 상태의 흔적을 얼마나 빨리 지울지 결정.
|
||||
- **Frequency Heuristic:** 자주 방문한 상태일수록 더 많은 보상을 받을 자격이 있음.
|
||||
- **Recency Heuristic:** 최근에 방문한 상태일수록 현재 보상에 대한 기여도가 높음.
|
||||
- **TD($\lambda$):** 한 번의 업데이트로 여러 단계 이전의 상태 가치를 동시에 갱신하여 학습 속도 향상.
|
||||
- **의의:** 에피소드가 끝날 때까지 기다리는 몬테카를로 방식과 바로 다음 단계만 보는 TD(0) 방식 사이의 유연한 조절 장치 제공.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 한 번에 하나의 상태만 업데이트하던 비효율적인 방식에서, 흔적을 남겨 시퀀스 전체를 효율적으로 학습하는 구조로 진화.
|
||||
- **정책 변화:** Antigravity 에이전트의 다단계 의사결정 모델은 적격성 흔적 원리를 활용하여, 최종 태스크 성공 시 그 과정에서 거쳐온 중간 지식 검색 단계들의 유용성을 소급 평가함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Temporal-Difference-Learning]], [[Reinforcement-Learning]], [[Q-Learning-Foundations]], [[Monte-Carlo-Methods]]
|
||||
- **Raw Source:** [[10_Wiki/Topics/AI/Eligibility-Traces.md]]
|
||||
@@ -0,0 +1,29 @@
|
||||
---
|
||||
id: EMBODIED-AI-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 1.0
|
||||
tags: [ai, robotics, embodied-ai, computer-vision, reinforcement-learning]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[Embodied AI (체화된 인공지능)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "지능은 데이터가 아니라, 물리 세계와의 처절한 상호작용 속에서 완성된다" — 인공지능이 물리적 실체(로봇, 가상 시뮬레이션의 에이전트)를 가지고 환경을 탐색하며, 시각-운동 협응과 상식을 스스로 터득해 나가는 기술.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** "보고(Perceive) - 판단하고(Reason) - 행동하고(Act)"의 루프가 실시간으로 일어나는 환경에서, 물리 법칙의 제약을 지능 발달의 자극제로 활용하는 상호작용 패턴.
|
||||
- **핵심 과제:**
|
||||
- **Visual Navigation:** 처음 보는 공간에서 지도를 그리고 이동 경로 탐색.
|
||||
- **Manipulation:** 물체를 잡거나 조작하는 미세한 모터 제어 능력.
|
||||
- **Sim-to-Real:** 가상 환경(시뮬레이션)에서 배운 지식을 물리적 한계가 있는 현실 로봇에 성공적으로 전이.
|
||||
- **Language-to-Action:** "냉장고에서 물을 가져와"와 같은 추상적 지시를 구체적인 물리적 거동 시퀀스로 변환.
|
||||
- **의의:** 정적인 데이터 학습을 넘어, 스스로 데이터를 생성하고 실험하며 배우는 능동적 지능(Active Intelligence)으로의 진화.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 뇌(AI)와 몸(Robot)을 분리하여 생각하던 방식에서, 몸의 구조 자체가 지능의 형태를 결정한다는 '체화된 인지' 철학이 기술적으로 실현됨.
|
||||
- **정책 변화:** Skybound 프로젝트는 체화된 AI 원칙을 적용하여, 적 기체와 보스가 단순히 지정된 경로를 따르는 것이 아니라 물리적 제약 내에서 플레이어의 움직임에 반응하며 실시간 전략을 수립하도록 구현함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Robotics]], [[Reinforcement-Learning]], [[Computer-Vision-Mastery]], [[Multi-Agent-Systems-MAS]]
|
||||
- **Raw Source:** [[10_Wiki/Topics/AI/Embodied-AI.md]]
|
||||
@@ -0,0 +1,28 @@
|
||||
---
|
||||
id: EMERGENCE-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 1.0
|
||||
tags: [systems-theory, complexity, emergence, artificial-life, multi-agent-systems]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[Emergence in Systems (시스템에서의 창발)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "전체는 부분의 합보다 크며, 단순한 규칙이 합쳐져 예측 불가능한 질서를 창조한다" — 개별 요소들은 가지지 못한 특성이 시스템 전체 차원에서 갑자기 나타나는 현상으로, 복잡계와 지능의 본질을 설명하는 핵심 개념.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 하위 수준(Lower-level)의 개체들이 상호작용하며 상위 수준(Higher-level)에서 새로운 패턴이나 기능을 형성하는 자기 조직화(Self-organization) 패턴.
|
||||
- **핵심 특징:**
|
||||
- **Bottom-up:** 중앙 통제 없이 개별 요소의 로컬 규칙에 의해 발생.
|
||||
- **Irreducibility:** 전체 시스템의 행동을 개별 요소의 특성만으로는 완벽히 설명하거나 예측할 수 없음.
|
||||
- **Examples:** 개미 군집의 효율적 먹이 탐색, 뉴런들의 상호작용으로 생겨나는 '의식', LLM 규모 확장 시 나타나는 새로운 추론 능력.
|
||||
- **의의:** 개별 알고리즘의 최적화를 넘어, 시스템 전체의 상호작용 설계를 통해 고차원 지능을 구현하는 이론적 토대.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 지능을 설계(Design)의 산물로 보던 관점에서, 적절한 환경과 규칙 하에서 발생하는 창발(Emergence)의 산물로 보는 관점으로 확장.
|
||||
- **정책 변화:** Skybound 프로젝트의 군집 드론 AI는 개별 기체에 복잡한 전술을 심는 대신, 단순한 '충돌 방지'와 '목표 추적' 규칙만을 부여하여 유기적인 진형 변화라는 창발적 행동을 유도함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Chaos-Theory-in-Systems]], [[Artificial-Life]], [[Multi-Agent-Systems-MAS]], [[Complexity-Theory]]
|
||||
- **Raw Source:** [[10_Wiki/Topics/AI/Emergence-in-Systems.md]]
|
||||
@@ -0,0 +1,29 @@
|
||||
---
|
||||
id: EMOTION-AI-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 1.0
|
||||
tags: [ai, affective-computing, emotional-ai, human-computer-interaction, sentiment-analysis]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[Emotional AI (정서적 AI / 감성 컴퓨팅)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "데이터 너머의 감정을 읽고, 인간과 정서적으로 교감하는 따뜻한 지능을 설계하라" — 인간의 표정, 음성 톤, 생체 신호 등을 분석하여 감정 상태를 인식하고, 이에 적절하게 반응함으로써 인간-컴퓨터 상호작용(HCI)의 질을 높이는 기술.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 비정형 데이터(멀티모달)로부터 정서적 특징을 추출하여 표준 감정 모델(예: Ekman의 6대 감정)에 매핑하고, 공감적인 피드백을 생성하는 정서 인지 루프 패턴.
|
||||
- **주요 기술:**
|
||||
- **Facial Expression Recognition:** CNN 등을 통해 미세한 안면 근육 변화 포착.
|
||||
- **Sentiment Analysis:** 텍스트의 어조와 문맥을 파악하여 긍정/부정 및 감정 농도 분석.
|
||||
- **Prosody Analysis:** 말소리의 속도, 높낮이, 떨림 등을 통해 심리 상태 추론.
|
||||
- **Affective Interaction:** 사용자의 감정에 맞춰 대화 톤이나 서비스 내용을 조정.
|
||||
- **응용 분야:** 정신 건강 상담 챗봇, 교육용 에듀테크, 고객 서비스 최적화, 인터랙티브 아트.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 논리와 연산 중심의 차가운 지능에서, 감정과 공감을 포함하는 전인적 지능으로 AI의 정의가 확장됨.
|
||||
- **정책 변화:** Antigravity 프로젝트의 퍼스널 비서 에이전트는 사용자의 질문 의도뿐만 아니라 문장에 담긴 '다급함'이나 '좌절감'을 감지하여 답변의 우선순위와 톤을 자동으로 조절함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Human-Computer-Interaction-HCI]], [[Multimodal-Learning]], [[NLP]], [[Theory-of-Mind-ToM-in-AI]]
|
||||
- **Raw Source:** [[10_Wiki/Topics/AI/Emotional-AI (Affective Computing).md]]
|
||||
@@ -0,0 +1,29 @@
|
||||
---
|
||||
id: E2E-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 1.0
|
||||
tags: [ai, deep-learning, end-to-end, neural-networks, optimization]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[End-to-End Learning (엔드-투-엔드 학습)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "중간 단계의 수작업을 걷어내고, 입력부터 출력까지 하나의 거대한 신경망으로 관통하라" — 시스템의 개별 모듈을 직접 설계하는 대신, 원시 데이터(Raw Data)를 입력하면 최종 결과물(Target)이 나오도록 전체 과정을 하나의 신경망으로 통합하여 학습시키는 방식.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 복잡한 파이프라인의 각 단계에서 발생하는 정보 손실과 설계 편향을 제거하고, 전체 시스템의 오차(Loss)를 직접 최소화하여 최적의 내부 표현을 스스로 찾게 하는 통합 학습 패턴.
|
||||
- **장점:**
|
||||
- **Hand-engineered Feature 제거:** 사람이 정의한 규칙보다 데이터에 잠재된 더 유효한 특징을 모델이 직접 발견.
|
||||
- **Global Optimization:** 각 모듈이 아닌 전체 시스템의 목적 함수를 최적화.
|
||||
- **Simplified Pipeline:** 시스템 구조가 단순해지고 유지보수가 용이해짐.
|
||||
- **단점:** 대규모 데이터가 필수적이며, 시스템 내부의 구체적인 작동 원리를 파악하기 힘든 '블랙박스' 성향이 강해짐.
|
||||
- **예시:** 자율주행(이미지 입력 -> 핸들 조작 출력), 음성 인식(음성 입력 -> 텍스트 출력).
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 모듈화된 설계(Modular Design)가 정답으로 여겨지던 시대를 지나, 데이터가 충분할 때는 엔드-투-엔드 방식이 성능 면에서 압도적임을 증명함.
|
||||
- **정책 변화:** Antigravity 프로젝트는 복잡한 자연어 처리 파이프라인(형태소 분석 -> 구문 분석 -> 의미 추출)을 LLM 기반의 엔드-투-엔드 추론 방식으로 점진적으로 전환하여 처리 속도와 정확도를 향상시킴.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Deep-Learning-Foundations]], [[Backpropagation]], [[System-Design-for-AI-Scale]], [[Representation-Learning]]
|
||||
- **Raw Source:** [[10_Wiki/Topics/AI/End-to-End-Learning.md]]
|
||||
@@ -0,0 +1,28 @@
|
||||
---
|
||||
id: ENSEMBLE-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 1.0
|
||||
tags: [machine-learning, ensemble, bagging, boosting, stacking]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[Ensemble Methods (앙상블 기법)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "한 명의 천재보다 여러 명의 평범한 모델이 내리는 합의가 더 정확하다" — 서로 다른 여러 머신러닝 모델의 예측 결과를 결합하여, 단일 모델보다 더 강력하고 안정적인 예측 성능을 이끌어내는 기법.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 개별 모델이 가진 편향(Bias)과 분산(Variance)의 오류를 투표나 가중치 합산 등의 집단 지성 알고리즘을 통해 상쇄하는 오류 보정 패턴.
|
||||
- **주요 전략:**
|
||||
- **Bagging (Bootstrap Aggregating):** 데이터를 무작위로 나누어 여러 모델을 병렬로 학습 (예: Random Forest). 분산을 줄이는 데 효과적.
|
||||
- **Boosting:** 이전 모델의 오차를 보완하는 방향으로 다음 모델을 순차적으로 학습 (예: XGBoost, LightGBM). 편향을 줄이는 데 효과적.
|
||||
- **Stacking:** 여러 모델의 출력값을 다시 입력으로 사용하여 최종 결과를 내는 메타 모델 학습.
|
||||
- **의의:** 캐글(Kaggle) 등 데이터 경연 대회와 실제 산업 현장에서 성능을 극대화하기 위해 반드시 사용되는 필수 전략.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 가장 뛰어난 모델 하나만 골라 쓰던 방식에서, 여러 모델의 '다양성'이 시스템 전체의 강건함을 결정한다는 관점으로 진화.
|
||||
- **정책 변화:** Antigravity 프로젝트는 문서 분류 에이전트의 정확도를 높이기 위해, 각기 다른 임베딩 모델을 사용하는 여러 분류기의 결과를 앙상블하여 최종 카테고리를 확정함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Decision-Trees-and-Random-Forests]], [[Machine-Learning]], [[Supervised-Learning-Foundations]], [[Cross-Validation]]
|
||||
- **Raw Source:** [[10_Wiki/Topics/AI/Ensemble-Methods.md]]
|
||||
@@ -0,0 +1,28 @@
|
||||
---
|
||||
id: INFO-ENTROPY-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 1.0
|
||||
tags: [math, information-theory, entropy, probability, data-compression]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[Entropy in Information Theory (정보 이론에서의 엔트로피)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "놀라움의 정도를 숫자로 측정하여 정보의 본질적 가치를 규명하라" — 클로드 섀넌이 정의한 개념으로, 확률 분포의 불확실성(Uncertainty)이나 무작위성을 수치화한 것이며, 데이터를 전송하거나 저장할 때 필요한 최소한의 정보량을 의미함.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 사건이 발생할 확률이 낮을수록(더 놀라울수록) 더 많은 정보를 담고 있다는 직관을 수학적 기댓값($H(X) = -\sum p(x) \log p(x)$)으로 정형화하는 패턴.
|
||||
- **주요 특징:**
|
||||
- **Uncertainty:** 모든 사건의 확률이 균등할 때(가장 예측하기 힘들 때) 엔트로피가 최대가 됨.
|
||||
- **Information Gain:** 특정 정보를 알게 됨으로써 줄어든 엔트로피의 양. 의사결정 나무의 학습 기준으로 활용.
|
||||
- **Compression Limit:** 엔트로피는 이론적으로 도달 가능한 최적의 데이터 압축 한계를 정의함.
|
||||
- **의의:** 무의미한 소음(Noise)과 유의미한 신호(Signal)를 구분하고, 데이터 속에 숨겨진 지식의 밀도를 측정하는 척도 제공.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 열역학적 무질서도에서 시작된 개념을 '정보의 양'이라는 추상적 가치로 확장하여 디지털 통신과 AI 시대를 여는 이론적 토대가 됨.
|
||||
- **정책 변화:** Antigravity 프로젝트는 문서 내의 키워드 추출이나 지식의 중요도 산출 시, 해당 단어나 문장이 지식 네트워크의 전체 엔트로피를 얼마나 낮추는지(정보 이득)를 기준으로 가치를 평가함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Cross-Entropy-Loss]], [[Decision-Trees-and-Random-Forests]], [[Information-Theory]], [[Cybernetics-Foundations]]
|
||||
- **Raw Source:** [[10_Wiki/Topics/AI/Entropy in Information Theory.md]]
|
||||
@@ -0,0 +1,29 @@
|
||||
---
|
||||
id: RL-ENV-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 1.0
|
||||
tags: [reinforcement-learning, ai, environment-design, mdp, simulation]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[Environment Design in RL (강화학습에서의 환경 설계)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "에이전트가 무엇을 배울지는 에이전트가 처한 환경과 보상의 구조가 결정한다" — 강화학습 모델이 목표로 하는 행동을 효과적으로 학습할 수 있도록 상태 공간, 행동 공간, 전이 확률, 그리고 보상 함수(Reward Function)를 수학적/공학적으로 정교하게 모델링하는 과정.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 복잡한 현실 세계를 마르코프 결정 과정(MDP)으로 추상화하고, 에이전트가 원하는 방향으로 유도되도록 보상의 빈도와 강도를 조절하는 보상 설계(Reward Engineering) 패턴.
|
||||
- **핵심 요소:**
|
||||
- **State Space (S):** 학습에 필요한 정보만 포함하되 차원의 저주를 피하도록 설계.
|
||||
- **Action Space (A):** 연속적 vs 이산적 행동 정의.
|
||||
- **Reward Function (R):** Sparse Reward(보상이 드묾) 문제를 해결하기 위한 Reward Shaping 도입.
|
||||
- **Simulator Fidelity:** 시뮬레이션 환경의 정밀도와 연산 속도 사이의 균형.
|
||||
- **의의:** 알고리즘만큼이나 '어떤 환경에서 학습시키는가'가 모델의 최종 성능과 안전성을 결정함.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 단순히 최종 목표 달성 시에만 큰 보상을 주던 방식에서, 중간 과정에 대한 힌트(Shaping)를 주어 학습 난이도를 조절하는 방식으로 진화.
|
||||
- **정책 변화:** Skybound 프로젝트의 함대 전투 AI 학습 시, 적 처치뿐만 아니라 아군 보호 및 연료 효율성 등 다각도의 환경 변수를 설계하여 균형 잡힌 전략을 유도함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Reinforcement-Learning]], [[Markov-Decision-Process-MDP]], [[Reward-Shaping]], [[Simulation-Principles]]
|
||||
- **Raw Source:** [[10_Wiki/Topics/AI/Environment-Design-in-RL.md]]
|
||||
@@ -0,0 +1,28 @@
|
||||
---
|
||||
id: UNCERT-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 1.0
|
||||
tags: [ai, probability, statistics, epistemic-uncertainty, bayesian-deep-learning]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[Epistemic Uncertainty (인식적 불확실성)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "데이터가 부족해서 생기는 모델의 무지를 측정하고, 모른다는 것을 인정하게 하라" — 관측 데이터의 양이 충분하지 않아 모델의 파라미터를 정확히 추정할 수 없을 때 발생하는 불확실성으로, 추가적인 데이터를 통해 줄일 수 있는(Reducible) 불확실성.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 학습 데이터의 분포를 벗어난(OOD) 데이터가 입력되었을 때 모델의 출력값이 급격히 요동치는 현상을 감지하고, 이를 모델 성능의 한계로 인지하는 자가 진단 패턴.
|
||||
- **주요 특징:**
|
||||
- **Reducibility:** 더 많은 데이터를 수집하고 학습할수록 불확실성이 감소함.
|
||||
- **Bayesian Approach:** 가중치를 단일값이 아닌 확률 분포로 취급하여 불확실성 산출.
|
||||
- **Active Learning:** 인식적 불확실성이 높은 데이터를 선별하여 라벨링함으로써 학습 효율 극대화.
|
||||
- **의의:** 자율주행이나 의료 진단과 같이 안전이 중요한 분야에서, 모델이 확신할 수 없는 상황을 판단하여 인간에게 제어권을 넘기거나 경고를 주는 근거가 됨.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 모델의 출력을 절대적인 정답으로 믿던 시기에서, 모든 출력에는 불확실성이 동반됨을 인정하고 이를 관리하는 신뢰할 수 있는 AI(Trustworthy AI) 시대로 전환.
|
||||
- **정책 변화:** Antigravity 프로젝트는 에이전트의 지식 답변 생성 시 인식적 불확실성을 체크하며, 확신도가 낮은 정보에 대해서는 "확인이 필요한 사실"임을 명시하도록 함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Uncertainty-Quantification]], [[Bayesian-Inference]], [[Active-Learning]], [[Trustworthy-AI]]
|
||||
- **Raw Source:** [[10_Wiki/Topics/AI/Epistemic-Uncertainty.md]]
|
||||
@@ -0,0 +1,29 @@
|
||||
---
|
||||
id: ETHICS-AUTO-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 1.0
|
||||
tags: [ai-ethics, autonomous-systems, accountability, alignment, future-tech]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[Ethics of Autonomous Systems (자율 시스템의 윤리)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "기계의 선택이 생명과 직결될 때, 그 책임과 도덕적 근거는 누구에게 있는가" — 인간의 개입 없이 스스로 의사결정을 내리는 자율 시스템(자율주행차, 무인 드론 등)이 사회적, 윤리적 가치와 충돌할 때 발생하는 문제들을 다루는 철학적/기술적 기준.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 상충하는 가치(예: 탑승자 보호 vs 보행자 보호) 사이에서 시스템이 내려야 할 결정을 명문화하고, 결과에 대한 책임 소재(Accountability)를 명확히 하는 가치 정렬(Alignment) 패턴.
|
||||
- **핵심 쟁점:**
|
||||
- **Trolley Problem:** 피할 수 없는 사고 상황에서의 우선순위 결정.
|
||||
- **Transparency:** 시스템이 왜 그런 결정을 내렸는지 인간이 이해하고 검증할 수 있어야 함.
|
||||
- **Algorithmic Bias:** 특정 집단에 차별적인 결과가 나오지 않도록 공정성 확보.
|
||||
- **Liability:** 자율 시스템에 의한 사고 발생 시 법적/도덕적 책임의 주체 (제조사, 운영자, 혹은 시스템 자체?).
|
||||
- **의의:** 기술의 완성이 곧 배포를 의미하지 않으며, 사회적 합의와 도덕적 정당성이 기술 수용성의 핵심임을 강조.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 단순히 성능 위주의 설계에서, 안전성과 도덕적 정합성이 최우선으로 고려되는 '책임 있는 AI' 설계로 패러다임 전환.
|
||||
- **정책 변화:** Skybound 프로젝트의 전투 시뮬레이션 에이전트는 비전투 자산에 대한 오사격을 방지하는 엄격한 타격 가이드라인을 학습 단계에서부터 강제함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[AI-Ethics]], [[AI-Alignment]], [[Trustworthy-AI]], [[Constitutional-AI]]
|
||||
- **Raw Source:** [[10_Wiki/Topics/AI/Ethics of Autonomous Systems.md]]
|
||||
@@ -1,25 +1,29 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-314A2B
|
||||
id: EVO-COMP-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - Evolutionary-Computation"
|
||||
confidence_score: 1.0
|
||||
tags: [ai, evolutionary-computation, genetic-algorithm, optimization, bio-inspired]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[Evolutionary-Computation]]
|
||||
# [[Evolutionary Computation (진화 연산)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 지식 요약 정보 추출 중...
|
||||
> "생존에 유리한 코드를 남기고 진화시켜 전역 최적해를 향한 지름길을 찾아라" — 다윈의 진화론에서 영감을 얻어, 후보 해들의 집단(Population)을 생성하고 교배와 돌연변이를 거쳐 세대를 거듭하며 해의 품질을 높여가는 확률적 최적화 알고리즘.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
본문 구조화 작업 중...
|
||||
- **추출된 패턴:** 목표 지점에 도달하기 위해 수학적 경사(Gradient)를 따라가는 대신, 무작위성을 가미한 탐색과 적자생존의 원칙을 결합하여 지역 최적해(Local Minima)를 돌파하는 진화적 탐색 패턴.
|
||||
- **주요 구성 요소:**
|
||||
- **Selection:** 적합도(Fitness)가 높은 우수한 해를 다음 세대의 부모로 선택.
|
||||
- **Crossover (Recombination):** 부모 해들의 특징을 결합하여 새로운 자손 생성.
|
||||
- **Mutation:** 무작위 변화를 주어 집단의 다양성을 유지하고 탐색 공간 확장.
|
||||
- **Fitness Landscape:** 해의 품질이 분포된 지형을 탐험하며 정상을 찾는 과정.
|
||||
- **의의:** 미분 불가능한 비선형 문제, 다목적 최적화, 신경망 구조 탐색(NAS) 등 광범위한 분야에서 활용.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요.
|
||||
- **정책 변화:** AI 분야의 자동 자산화 수행.
|
||||
- **과거 데이터와의 충돌:** 초기에는 연산량이 많아 비효율적인 방식으로 여겨졌으나, 병렬 컴퓨팅의 발달과 신경망과의 결합(Neuroevolution)을 통해 다시 주목받음.
|
||||
- **정책 변화:** Antigravity 프로젝트는 에이전트의 전략 수립 모델 최적화 시, 강화학습과 진화 연산을 결합하여 안정성과 탐색 능력의 균형을 맞춤.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
|
||||
- Raw Source: [[00_Raw/2026-04-20/Evolutionary-Computation.md]]
|
||||
---
|
||||
- [[Genetic-Algorithms]], [[Black-Box-Optimization]], [[Neural-Architecture-Search-NAS]], [[Neural-Darwinism]]
|
||||
- **Raw Source:** [[10_Wiki/Topics/AI/Evolutionary-Computation.md]]
|
||||
|
||||
@@ -1,25 +1,29 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-289250
|
||||
id: EUT-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - Expected Utility Theory"
|
||||
confidence_score: 1.0
|
||||
tags: [economics, decision-theory, probability, psychology]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[Expected Utility Theory]]
|
||||
# [[Expected Utility Theory (기대 효용 이론)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 지식 요약 정보 추출 중...
|
||||
> "불확실성 속에서 합리적인 선택을 내리는 수학적 잣대" — 각 결과의 발생 확률과 그 결과가 주는 주관적 가치(효용)를 곱하여 합산한 값이 가장 큰 선택안을 고르는 의사결정 모델.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
본문 구조화 작업 중...
|
||||
- **추출된 패턴:** 선택의 결과를 확률 변수로 보고, 기대 수익(Expected Value)이 아닌 기대 효용(Expected Utility)을 극대화하려는 합리적 행위자의 행동 패턴.
|
||||
- **세부 내용:**
|
||||
- **폰 노이만-모르겐슈테른 공리:** 완비성, 이행성 등 합리적 의사결정이 갖추어야 할 기본 전제 정의.
|
||||
- **Risk Aversion:** 효용 함수의 오목성(Concavity)으로 인해 사람들이 왜 확실한 이득을 선호하는지 설명.
|
||||
- **Utility Function:** 금액 등 객체적 수치가 아닌, 개인이 느끼는 주관적 만족도를 수치화.
|
||||
- **Bernoulli's Paradox:** 왜 사람들이 기대값이 무한대인 도박에 전 재산을 걸지 않는지(한계 효용 체감)를 설명하는 근간.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요.
|
||||
- **정책 변화:** AI 분야의 자동 자산화 수행.
|
||||
- **과거 데이터와의 충돌:** 고전 경제학의 '완전한 합리성' 전제가 실제 인간의 비합리적 선택(Allais Paradox 등)을 설명하지 못한다는 비판을 받으며 전망 이론(Prospect Theory)으로 확장됨.
|
||||
- **정책 변화:** AI 에이전트의 위험 관리(Risk Management) 로직 설계 시, 단순 성공 확률뿐만 아니라 실패 시의 타격(Negative Utility)을 가중치로 두어 안정적인 의사결정을 유도함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
|
||||
- Raw Source: [[00_Raw/2026-04-20/Expected Utility Theory.md]]
|
||||
---
|
||||
- **Parent:** [[10_Wiki/💡 Topics/AI]]
|
||||
- **Related:** [[Decision-Theory]], [[Game-Theory]], [[Prospect-Theory]], [[Rational-Choice]]
|
||||
- **Raw Source:** [[10_Wiki/Topics/AI/Expected Utility Theory.md]]
|
||||
|
||||
@@ -0,0 +1,29 @@
|
||||
---
|
||||
id: RL-REPLAY-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 1.0
|
||||
tags: [reinforcement-learning, ai, experience-replay, dqn, stable-learning]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[Experience Replay (경험 재플레이)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "과거의 경험을 망각 속에 버리지 말고, 무작위로 꺼내어 현재의 지능을 다져라" — 에이전트가 환경과 상호작용하며 얻은 경험 데이터($s, a, r, s'$)를 버퍼에 저장하고, 학습 시 이들을 무작위로 샘플링하여 사용하여 학습의 상관관계를 끊고 효율을 높이는 기법.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 실시간으로 유입되는 데이터 간의 강한 시간적 상관관계(Correlation)를 무작위 샘플링을 통해 파괴함으로써, 모델이 특정 상황에 편향되거나 발산하는 것을 막는 학습 안정화 패턴.
|
||||
- **주요 효과:**
|
||||
- **Reduced Correlation:** 연속된 샘플들이 서로 비슷하여 생기는 학습의 비효율성 해결.
|
||||
- **Data Efficiency:** 한 번의 경험을 여러 번 학습에 활용하여 데이터 가치 극대화.
|
||||
- **Stability:** 학습의 분산을 낮추어 신경망이 더 안정적으로 수렴하도록 도움.
|
||||
- **고급 기법:**
|
||||
- **Prioritized Experience Replay (PER):** 학습에 더 도움이 될 것 같은(오차가 큰) 중요한 경험을 더 자주 샘플링.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 즉각적인 데이터 처리가 최선이라는 고정관념에서 벗어나, 데이터를 '축적'하고 '재배치'하는 과정이 신경망 학습의 질을 결정함을 증명.
|
||||
- **정책 변화:** Skybound 프로젝트의 적 기체 AI는 플레이어와의 교전 이력을 Replay Buffer에 저장하고, 이를 통해 다양한 플레이어의 전술에 범용적으로 대응하는 강건한 정책을 구축함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Deep-Q-Networks-DQN]], [[Reinforcement-Learning]], [[Q-Learning-Foundations]], [[Neural-Networks-Foundations]]
|
||||
- **Raw Source:** [[10_Wiki/Topics/AI/Experience-Replay.md]]
|
||||
@@ -0,0 +1,29 @@
|
||||
---
|
||||
id: XAI-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 1.0
|
||||
tags: [ai, xai, explainable-ai, transparency, interpretability]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[Explainable AI (XAI, 설명 가능한 인공지능)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "모델이 '왜' 그런 판단을 내렸는지 인간의 언어로 증명하라" — 결과뿐만 아니라 그 결과에 도출된 과정과 근거를 인간이 이해할 수 있도록 제공하여, AI의 블랙박스 문제를 해결하고 신뢰성을 확보하는 기술.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 모델 내부의 복잡한 연산 과정을 중요도 맵(Heatmap), 특징 기여도(Feature Attribution), 혹은 자연어 설명으로 변환하여 사용자에게 투명성을 제공하는 해석 패턴.
|
||||
- **주요 기법:**
|
||||
- **LIME / SHAP:** 모델의 종류와 상관없이 특정 입력에 대한 예측 근거를 분석 (Post-hoc).
|
||||
- **Attention Visualization:** 트랜스포머 모델이 어떤 단어나 이미지 영역에 집중했는지 시각화.
|
||||
- **CAM (Class Activation Map):** 이미지 분류 시 어떤 픽셀 영역이 결정에 결정적이었는지 노출.
|
||||
- **Rule-based Surrogates:** 복잡한 모델을 단순한 의사결정 나무 등으로 근사하여 설명.
|
||||
- **의의:** 의료, 금융, 법률 등 고위험 의사결정 분야에서 AI 도입을 가능하게 하는 필수 조건.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 단순히 성능(Accuracy)만 높으면 된다는 관점에서, 성능을 조금 희생하더라도 '설명 가능성(Interpretability)'이 담보되어야 한다는 신뢰 중심 관점으로 전환.
|
||||
- **정책 변화:** Antigravity 프로젝트는 에이전트가 제안한 코드나 지식 보강 내용에 대해, 참고한 소스 문서와 추론 과정을 'Rationale' 세션으로 명시하여 사용자 검증을 돕도록 설계함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Trustworthy-AI]], [[AI-Ethics]], [[Decision-Making]], [[Feature-Engineering]]
|
||||
- **Raw Source:** [[10_Wiki/Topics/AI/Explainable-AI-XAI.md]]
|
||||
@@ -0,0 +1,28 @@
|
||||
---
|
||||
id: GRAD-EXPL-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 1.0
|
||||
tags: [ai, deep-learning, neural-networks, optimization, exploding-gradient]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[Exploding Gradient Problem (기울기 폭주 문제)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "기울기가 눈덩이처럼 커져 학습이 파괴되지 않도록 제어하라" — 딥러닝 학습 과정에서 역전파되는 기울기 값이 층을 거듭할수록 기하급수적으로 커져 가중치가 매우 큰 값으로 업데이트되고, 결국 학습이 불안정해지거나 실패(NaN 발생)하는 현상.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 가중치 행렬의 고유값이 1보다 클 때, 연쇄 법칙에 의해 기울기가 곱해지며 무한히 증폭되는 수치적 불안정 패턴. 주로 순환 신경망(RNN)이나 매우 깊은 신경망에서 발생.
|
||||
- **해결 기법:**
|
||||
- **Gradient Clipping:** 기울기가 일정 임계값(Threshold)을 넘지 않도록 강제로 자름 (가장 직접적인 해결책).
|
||||
- **Weight Initialization:** 가중치 초기값을 적절히 설정 (Xavier, He 초기화).
|
||||
- **Batch Normalization:** 각 층의 출력을 정규화하여 값의 범위를 제한.
|
||||
- **LSTM / GRU:** 게이트 구조를 통해 정보의 흐름을 조절하여 RNN의 고질적인 문제 완화.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 기울기 소실(Vanishing Gradient) 문제에 가려져 덜 주목받았으나, 초거대 모델 학습 시 수치적 안정성을 깨뜨리는 주요 원인으로 부각됨.
|
||||
- **정책 변화:** Antigravity 프로젝트는 대규모 지식 임베딩 모델 학습 시, Gradient Clipping을 기본으로 설정하여 학습 초기 단계의 발산을 방지함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Backpropagation]], [[Neural-Networks-Foundations]], [[Regularization-Techniques]], [[Deep-Learning-Foundations]]
|
||||
- **Raw Source:** [[10_Wiki/Topics/AI/Exploding-Gradient Problem.md]]
|
||||
@@ -0,0 +1,29 @@
|
||||
---
|
||||
id: RL-EX-BAL-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 1.0
|
||||
tags: [reinforcement-learning, ai, decision-making, exploration, exploitation]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[Exploration vs Exploitation (탐색과 활용의 균형)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "안전한 현재의 수익과 불확실한 미래의 가능성 사이에서 최적의 배팅 지점을 찾아라" — 강화학습의 핵심 딜레마로, 이미 알고 있는 최선의 행동을 반복하여 보상을 얻는 것(Exploitation)과 더 나은 행동을 찾기 위해 새로운 시도를 하는 것(Exploration) 사이의 트레이드오프.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 제한된 자원(시간, 에너지) 내에서 누적 보상을 극대화하기 위해 초기에는 광범위하게 탐색하고, 정보가 쌓일수록 최선의 선택에 집중하는 적응형 의사결정 패턴.
|
||||
- **주요 전략:**
|
||||
- **$\epsilon$-greedy:** 아주 작은 확률($\epsilon$)로 무작위 행동을 하고, 나머지 확률로 최선의 행동 수행.
|
||||
- **Softmax:** 보상 가치에 비례한 확률로 행동 선택.
|
||||
- **Upper Confidence Bound (UCB):** 불확실성이 큰 행동에 가산점을 주어 우선적으로 탐색.
|
||||
- **Thompson Sampling:** 확률 분포를 모델링하여 샘플링 기반으로 탐색 결정.
|
||||
- **의의:** 너무 빨리 활용에만 집중하면 지역 최적해(Local Optima)에 갇히고, 너무 탐색만 하면 보상을 충분히 얻지 못함.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 단순히 '운'에 맡기던 무작위 탐색에서, 수학적 근거(UCB 등)를 바탕으로 '똑똑하게' 탐색하는 방식으로 진화.
|
||||
- **정책 변화:** Antigravity 프로젝트의 지식 검색 에이전트는 사용자의 질문에 대해 가장 관련성 높은 문서만 보여주는 것(Exploitation)을 넘어, 가끔은 의외의 연결 고리를 가진 문서를 제안(Exploration)하여 창의적 통찰을 돕도록 설계됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Reinforcement-Learning]], [[Q-Learning-Foundations]], [[Multi-Armed-Bandit-MAB]], [[Decision-Making]]
|
||||
- **Raw Source:** [[10_Wiki/Topics/AI/Exploration-vs-Exploitation.md]]
|
||||
@@ -0,0 +1,29 @@
|
||||
---
|
||||
id: EDA-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 1.0
|
||||
tags: [data-science, statistics, eda, visualization, machine-learning]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[Exploratory Data Analysis (EDA, 탐색적 데이터 분석)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "모델을 만들기 전, 데이터가 들려주는 날것의 이야기에 귀를 기울여라" — 수집된 데이터를 다양한 각도에서 관찰하고 시각화하여 데이터의 분포, 이상치, 변수 간 상관관계를 파악하고 가설을 세우는 필수적인 기초 분석 단계.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 고정된 정답을 찾기보다 데이터의 전체적인 윤곽을 파악하고, 전처리 방향(Feature Engineering)을 결정하기 위한 통계적 직관 형성 패턴.
|
||||
- **주요 수행 작업:**
|
||||
- **Summary Statistics:** 평균, 중앙값, 표준편차 확인.
|
||||
- **Distribution Analysis:** 히스토그램이나 박스 플롯을 통해 데이터 치우침 및 이상치 탐색.
|
||||
- **Correlation Analysis:** 산점도(Scatter plot)나 Heatmap을 통해 변수 간 관계 파악.
|
||||
- **Missing Value Check:** 결측치 비중과 패턴 분석.
|
||||
- **의의:** 쓰레기를 넣으면 쓰레기가 나오는(GIGO) 현상을 방지하고, 데이터에 숨겨진 도메인 지식을 발견하는 과정.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 바로 모델 학습 코드를 짜던 성급함에서 벗어나, 데이터의 특성에 맞는 적절한 알고리즘을 선택하기 위한 근거 중심의 분석으로 정착.
|
||||
- **정책 변화:** Antigravity 프로젝트는 새로운 위키 소스 데이터가 확보될 때마다 자동화된 EDA 리포트를 생성하여, 지식의 밀도와 편향성을 사전에 점검함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Machine-Learning]], [[Feature-Engineering]], [[Dimensionality-Reduction]], [[Principal-Component-Analysis-PCA]]
|
||||
- **Raw Source:** [[10_Wiki/Topics/AI/Exploratory-Data-Analysis.md]]
|
||||
@@ -0,0 +1,29 @@
|
||||
---
|
||||
id: XR-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 1.0
|
||||
tags: [future-tech, xr, vr, ar, mr, computer-vision, metaverse]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[Extended Reality (XR, 확장 현실)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "인간의 감각을 디지털 공간으로 무한히 확장하고, 가상과 현실을 하나의 경험으로 통합하라" — 가상 현실(VR), 증강 현실(AR), 혼합 현실(MR)을 모두 포괄하는 용어로, 컴퓨터 그래픽과 AI를 통해 인간의 지각과 인터랙션을 물리적 제약 너머로 확장하는 기술 체계.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 사용자의 시선과 움직임을 실시간으로 추적(Tracking)하고, 그에 맞춰 가상의 콘텐츠를 이질감 없이 렌더링하여 현실과 정합시키는 고도화된 공간 컴퓨팅 패턴.
|
||||
- **핵심 기술 요소:**
|
||||
- **Spatial Computing:** 주변 공간을 3D로 인식하고 매핑 (SLAM 기술).
|
||||
- **Haptic Feedback:** 가상 물체와 상호작용할 때 실제 촉감을 느끼게 하는 기술.
|
||||
- **Eye Tracking & Hand Tracking:** AI를 통해 사용자의 의도를 미세한 신체 움직임으로 파악.
|
||||
- **Passthrough:** 헤드셋 외부의 카메라 영상을 실시간으로 보여주며 가상 객체 합성.
|
||||
- **AI의 역할:** 주변 환경의 객체 인식, 실시간 번역 자막 노출, 가상 아바타의 자연스러운 움직임 생성.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 각각 별개의 기술로 취급되던 VR/AR이 '공간 컴퓨팅'이라는 하나의 개념으로 수렴하며 기기 간 경계가 허물어짐 (예: Apple Vision Pro).
|
||||
- **정책 변화:** Antigravity 프로젝트는 향후 지식 그래프를 3D 공간에서 시각화하고 탐색할 수 있는 XR 인터페이스 도입을 장기 로드맵에 포함함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Computer-Vision-Mastery]], [[Human-Computer-Interaction-HCI]], [[Artificial-Life]], [[Generative-AI-Impact]]
|
||||
- **Raw Source:** [[10_Wiki/Topics/AI/Extended-Reality-XR.md]]
|
||||
@@ -0,0 +1,30 @@
|
||||
---
|
||||
id: XP-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 1.0
|
||||
tags: [software-engineering, agile, extreme-programming, pair-programming, tdd]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[Extreme Programming (XP, 익스트림 프로그래밍)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "소프트웨어 개발의 핵심 원칙들을 극단적으로 밀어붙여 생산성과 품질의 한계를 돌파하라" — 고객의 요구사항 변화에 민첩하게 대응하고, 지속적인 테스트와 리뷰를 통해 코드의 완성도를 극대화하는 애자일 소프트웨어 개발 방법론.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 짧은 개발 주기(Iterative Development)를 반복하며, 인간적인 상호작용과 기술적 탁월함을 동시에 추구하여 시스템의 불확실성을 통제하는 개발 패턴.
|
||||
- **5가지 핵심 가치:** 의사소통(Communication), 단순성(Simplicity), 피드백(Feedback), 용기(Courage), 존중(Respect).
|
||||
- **실천 방법:**
|
||||
- **Pair Programming:** 두 명의 개발자가 한 컴퓨터에서 함께 코딩하여 즉각적인 검토 수행.
|
||||
- **Test-Driven Development (TDD):** 실제 코드를 짜기 전 테스트 케이스를 먼저 작성.
|
||||
- **Continuous Integration (CI):** 변경 사항을 수시로 통합하여 충돌 방지.
|
||||
- **Refactoring:** 기능 변경 없이 코드 구조를 지속적으로 개선.
|
||||
- **의의:** 변화하는 비즈니스 환경에서 소프트웨어의 유연성을 보장하는 가장 강력한 실천적 틀.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 거대한 설계도(Big Design Up Front)가 성공을 보장한다는 믿음에서 벗어나, 작동하는 코드와 빠른 피드백이 더 중요하다는 사실을 증명.
|
||||
- **정책 변화:** Antigravity 프로젝트는 에이전트와 유저 간의 페어 프로그래밍 환경을 구축할 때 XP의 핵심 철학을 반영하여, 실시간 피드백과 점진적 개선 프로세스를 최우선으로 함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Agile-Development]], [[Software-Architecture-Patterns]], [[DevOps-for-AI-MLOps]], [[Concreteness-Principle]]
|
||||
- **Raw Source:** [[10_Wiki/Topics/AI/Extreme-Programming-XP.md]]
|
||||
@@ -0,0 +1,28 @@
|
||||
---
|
||||
id: STAT-FACTOR-001
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 1.0
|
||||
tags: [statistics, machine-learning, factor-analysis, latent-variables, dimensionality-reduction]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[Factor Analysis (요인 분석)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "수많은 겉모습 속에 숨겨진 공통의 근원을 찾아라" — 관측된 여러 변수들 사이의 상관관계를 분석하여, 배후에 존재하는 소수의 잠재 변수(Latent Variables) 혹은 요인(Factors)을 추출하는 통계적 기법.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 눈에 보이는 데이터(Manifest Variables)의 요동이 사실은 보이지 않는 핵심 동인(Latent Factors)에 의해 결정된다고 가정하고 그 구조를 파악하는 구조적 해석 패턴.
|
||||
- **주요 목적:**
|
||||
- **Data Reduction:** 수많은 변수를 소수의 요인으로 압축하여 효율성 증대.
|
||||
- **Structure Discovery:** 변수들 간의 복잡한 관계 네트워크 파악.
|
||||
- **Scaling:** 추상적인 개념(예: 지능, 성격, 서비스 만족도)을 측정 가능한 지표로 변환.
|
||||
- **작동 원리:** 변수들 간의 공통 분산(Common Variance)을 극대화하는 축을 탐색.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** PCA(주성분 분석)와 혼동하기 쉬우나, PCA는 정보 요약에 집중하고 요인 분석은 데이터가 생성된 '인과적 구조'를 설명하는 데 집중한다는 차이점이 명확해짐.
|
||||
- **정책 변화:** Antigravity 프로젝트는 에이전트의 성능 지표(응답 속도, 정확도, 토큰 사용량 등)를 분석할 때, 이들을 결정짓는 잠재 요인(예: 하드웨어 성능, 모델 복잡도, 네트워크 지연)을 분리하기 위해 요인 분석 기법을 활용함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Principal-Component-Analysis-PCA]], [[Dimensionality-Reduction]], [[Exploratory-Data-Analysis]], [[Unsupervised-Learning-Foundations]]
|
||||
- **Raw Source:** [[10_Wiki/Topics/AI/Factor-Analysis.md]]
|
||||
Some files were not shown because too many files have changed in this diff Show More
Reference in New Issue
Block a user