[P-Reinforce] Global knowledge consolidation, massive deduplication (5,249 files), and high-density wikification (45 nodes)
This commit is contained in:
Antigravity Agent
@@ -0,0 +1,10 @@
|
||||
# 자동 생성 — Connect AI 1인 기업 모드
|
||||
# 시크릿·API 키 보호
|
||||
_agents/*/config.md
|
||||
|
||||
# 외부 API 응답 캐시 (재현 가능)
|
||||
_cache/
|
||||
|
||||
# 대용량 임시 산출물
|
||||
_tmp/
|
||||
*.log
|
||||
Vendored
+3
-3
@@ -12,11 +12,11 @@
|
||||
"textFadeMultiplier": 0,
|
||||
"nodeSizeMultiplier": 1,
|
||||
"lineSizeMultiplier": 1,
|
||||
"collapse-forces": true,
|
||||
"collapse-forces": false,
|
||||
"centerStrength": 0.518713248970312,
|
||||
"repelStrength": 10,
|
||||
"linkStrength": 1,
|
||||
"linkDistance": 250,
|
||||
"scale": 0.06266331324511164,
|
||||
"close": false
|
||||
"scale": 0.029551079651164214,
|
||||
"close": true
|
||||
}
|
||||
+58
-45
@@ -1,14 +1,14 @@
|
||||
{
|
||||
"main": {
|
||||
"id": "bf9ee9eebe88b8c6",
|
||||
"id": "3fc76d379d004b0c",
|
||||
"type": "split",
|
||||
"children": [
|
||||
{
|
||||
"id": "9dcde06deced5ea0",
|
||||
"id": "d9209ef6fa04705b",
|
||||
"type": "tabs",
|
||||
"children": [
|
||||
{
|
||||
"id": "6fd25226b74e630a",
|
||||
"id": "471c758202e009a4",
|
||||
"type": "leaf",
|
||||
"state": {
|
||||
"type": "graph",
|
||||
@@ -23,15 +23,15 @@
|
||||
"direction": "vertical"
|
||||
},
|
||||
"left": {
|
||||
"id": "b321364cdad8d2a1",
|
||||
"id": "14420f71c8e463c7",
|
||||
"type": "split",
|
||||
"children": [
|
||||
{
|
||||
"id": "161528c93f5247f3",
|
||||
"id": "026126c5779ef0d1",
|
||||
"type": "tabs",
|
||||
"children": [
|
||||
{
|
||||
"id": "c07d7d779fa7132c",
|
||||
"id": "3c4f676663de108b",
|
||||
"type": "leaf",
|
||||
"state": {
|
||||
"type": "file-explorer",
|
||||
@@ -44,7 +44,7 @@
|
||||
}
|
||||
},
|
||||
{
|
||||
"id": "9201ea7625ee9756",
|
||||
"id": "c85f7eceb7d2fd98",
|
||||
"type": "leaf",
|
||||
"state": {
|
||||
"type": "search",
|
||||
@@ -61,7 +61,7 @@
|
||||
}
|
||||
},
|
||||
{
|
||||
"id": "cdcbac657087dc6b",
|
||||
"id": "0aab514d3887d1f0",
|
||||
"type": "leaf",
|
||||
"state": {
|
||||
"type": "bookmarks",
|
||||
@@ -77,19 +77,20 @@
|
||||
"width": 300
|
||||
},
|
||||
"right": {
|
||||
"id": "d5a17b4993279dd3",
|
||||
"id": "8e81aaf0af24f2a0",
|
||||
"type": "split",
|
||||
"children": [
|
||||
{
|
||||
"id": "145c8e720270062f",
|
||||
"id": "3283f5452e0c7734",
|
||||
"type": "tabs",
|
||||
"children": [
|
||||
{
|
||||
"id": "7cc704f4e0f8b527",
|
||||
"id": "2768a7df58e67cf4",
|
||||
"type": "leaf",
|
||||
"state": {
|
||||
"type": "backlink",
|
||||
"state": {
|
||||
"file": "Focal Loss (포컬 손실).md",
|
||||
"collapseAll": false,
|
||||
"extraContext": false,
|
||||
"sortOrder": "alphabetical",
|
||||
@@ -99,24 +100,25 @@
|
||||
"unlinkedCollapsed": true
|
||||
},
|
||||
"icon": "links-coming-in",
|
||||
"title": "백링크"
|
||||
"title": "Focal Loss (포컬 손실) 의 백링크"
|
||||
}
|
||||
},
|
||||
{
|
||||
"id": "46bc82926e2944fb",
|
||||
"id": "e32c536fe9411952",
|
||||
"type": "leaf",
|
||||
"state": {
|
||||
"type": "outgoing-link",
|
||||
"state": {
|
||||
"file": "Focal Loss (포컬 손실).md",
|
||||
"linksCollapsed": false,
|
||||
"unlinkedCollapsed": true
|
||||
},
|
||||
"icon": "links-going-out",
|
||||
"title": "나가는 링크"
|
||||
"title": "Focal Loss (포컬 손실) 의 나가는 링크"
|
||||
}
|
||||
},
|
||||
{
|
||||
"id": "8265a4a9cd6cb1ee",
|
||||
"id": "e4e179d925740b8d",
|
||||
"type": "leaf",
|
||||
"state": {
|
||||
"type": "tag",
|
||||
@@ -131,7 +133,7 @@
|
||||
}
|
||||
},
|
||||
{
|
||||
"id": "7dc1ea3dfaf01d42",
|
||||
"id": "259c52e79205779b",
|
||||
"type": "leaf",
|
||||
"state": {
|
||||
"type": "all-properties",
|
||||
@@ -145,17 +147,18 @@
|
||||
}
|
||||
},
|
||||
{
|
||||
"id": "acf6bab91e2f6466",
|
||||
"id": "75330b282fdbce70",
|
||||
"type": "leaf",
|
||||
"state": {
|
||||
"type": "outline",
|
||||
"state": {
|
||||
"file": "Focal Loss (포컬 손실).md",
|
||||
"followCursor": false,
|
||||
"showSearch": false,
|
||||
"searchQuery": ""
|
||||
},
|
||||
"icon": "lucide-list",
|
||||
"title": "개요"
|
||||
"title": "Focal Loss (포컬 손실) 의 개요"
|
||||
}
|
||||
}
|
||||
]
|
||||
@@ -176,33 +179,43 @@
|
||||
"bases:새 베이스 생성하기": false
|
||||
}
|
||||
},
|
||||
"active": "c07d7d779fa7132c",
|
||||
"active": "471c758202e009a4",
|
||||
"lastOpenFiles": [
|
||||
"AI_and_ML/Weak Central Coherence.md",
|
||||
"Other/Improvisation.md",
|
||||
"Computer_Science_and_Theory/Phase-Amplitude Coupling.md",
|
||||
"Computer_Science_and_Theory/Global Workspace Theory.md",
|
||||
"Computer_Science_and_Theory/FMEA.md",
|
||||
"AI_and_ML/Innovative Problem Solving.md",
|
||||
"AI_and_ML/Cognition Overcoming Action.md",
|
||||
"AI_and_ML/Context Integration.md",
|
||||
"Business_and_Management/Creative and Flexible Corporate Culture.md",
|
||||
"Business_and_Management/Strategic Agility.md",
|
||||
"Business_and_Management/Risk Management.md",
|
||||
"Business_and_Management/Omni-channel Strategy.md",
|
||||
"Business_and_Management/Proactive Response.md",
|
||||
"Business_and_Management/Mutual Growth.md",
|
||||
"Business_and_Management/Proactive Approach.md",
|
||||
"Business_and_Management/Reactive Behavior.md",
|
||||
"Business_and_Management/Bounce Forward.md",
|
||||
"Business_and_Management/Goal Drive and Action Power.md",
|
||||
"Business_and_Management/Proactive Organizational Culture.md",
|
||||
"Business_and_Management/Proactive Personality.md",
|
||||
"Business_and_Management/Zones of Initiative.md",
|
||||
"Business_and_Management/Green Yellow Red Zones.md",
|
||||
"Business_and_Management/Theory of Planned Behavior.md",
|
||||
"Business_and_Management/Calculated Risk.md",
|
||||
"Business_and_Management/5-Second Rule.md",
|
||||
"Business_and_Management/Strategic Thinking & Proactive Action.md"
|
||||
"리팩토링 실전 가이드 (Refactoring Best Practices).md",
|
||||
"_Archive_Orphans/React_Native_상태_관리_Redux_Toolkit,_Zustand,_React_Query.md",
|
||||
"Global Workspace Theory (GWT).md",
|
||||
"AGI (Artificial General Intelligence).md",
|
||||
"Data-Augmentation Strategies.md",
|
||||
"AI/PEV_Loop.md",
|
||||
"AI/Context_Engineering.md",
|
||||
"AI/A2A.md",
|
||||
"AI/ACI.md",
|
||||
"Development/Legacy_React_Migration.md",
|
||||
"Development/Agentic_Software_Engineering.md",
|
||||
"AI/Agent_State_Store.md",
|
||||
"Risk-Management.md",
|
||||
"확산 모델 (Diffusion Models).md",
|
||||
"확산 모델 (Diffusion Model).md",
|
||||
"해부학적 오류 디버깅 워크플로우.md",
|
||||
"프롬프트 확장(Prompt Expansion).md",
|
||||
"프롬프트 파라미터 제어 (Prompt Parameter Control).md",
|
||||
"프롬프트 정밀도 (Prompt Precision).md",
|
||||
"프롬프트 엔지니어링의 진화.md",
|
||||
"프롬프트 엔지니어링.md",
|
||||
"프롬프트 구조 및 문법.md",
|
||||
"프롬프트 구조 (Prompt Structure).md",
|
||||
"프롬프트 구문 (Prompt Syntax).md",
|
||||
"프롬프트 가중치(Prompt Weighting).md",
|
||||
"프롬프트 가중치 (Prompt Weighting).md",
|
||||
"sessions/2026-04-30T07-07",
|
||||
"sessions",
|
||||
"company_state.json",
|
||||
"_shared",
|
||||
"_agents/youtube/tools/youtube_account.py",
|
||||
"_agents/youtube/tools/youtube_account.json",
|
||||
"_agents/youtube/tools/trend_sniper.py",
|
||||
"_agents/youtube/tools/trend_sniper.json",
|
||||
"_agents/youtube/tools/telegram_notify.py",
|
||||
"_agents/youtube/tools/telegram_notify.json"
|
||||
]
|
||||
}
|
||||
@@ -0,0 +1,33 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-WIKI-ARCH-001
|
||||
category: "10_Wiki/💡 Topics/02_Architecture_Principles"
|
||||
confidence_score: 0.95
|
||||
tags: [architecture, ooad, solid-principles, maintainability, code-review, p-reinforce]
|
||||
last_reinforced: 2026-05-01
|
||||
---
|
||||
|
||||
# [[SOLID Principles]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "소프트웨어의 유지보수성과 확장성을 보장하기 위한 5가지 핵심 설계 기둥: 인지적 부하를 낮추고, 변화에 유연하며, 결합도가 낮은 강건한 시스템을 구축하기 위한 객체지향 설계의 표준 지침."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
SOLID 원칙은 코드 리뷰와 시스템 설계의 무결성을 평가하는 핵심 기준입니다.
|
||||
|
||||
1. **[[Single Responsibility Principle (SRP)]]**: 클래스나 함수는 단 하나의 변경 이유만을 가져야 합니다. 모듈화를 통해 가독성과 테스트 용이성을 극대화합니다.
|
||||
2. **Open-Closed Principle (OCP)**: 확장에는 열려 있고 수정에는 닫혀 있어야 합니다. 기존 코드를 건드리지 않고 새로운 기능을 추가할 수 있는 구조를 지향합니다.
|
||||
3. **Liskov Substitution Principle (LSP)**: 하위 타입은 언제나 상위 타입으로 교체 가능해야 합니다. 상속 구조에서의 행동 일관성을 보장합니다.
|
||||
4. **Interface Segregation Principle (ISP)**: 클라이언트가 사용하지 않는 메서드에 의존하도록 강요해서는 안 됩니다. 거대한 인터페이스보다 구체적이고 작은 인터페이스 여러 개가 낫습니다.
|
||||
5. **[[Dependency Inversion Principle (DIP)]]**: 고수준 모듈은 저수준 모듈에 의존해서는 안 되며, 둘 다 추상화에 의존해야 합니다. 구체적인 구현이 아닌 추상화에 의존하여 결합도를 낮춥니다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **추상화의 비용**: 확장성을 위해 인터페이스와 추상화를 과도하게 도입할 경우, 코드의 직관성이 떨어지고 오버엔지니어링(Over-engineering)으로 이어질 수 있습니다. 현재의 요구사항과 미래의 유연성 사이의 실용적 타협(Trade-off)이 필수적입니다.
|
||||
- **실행 흐름 파악의 어려움**: DI(의존성 주입)를 극한으로 활용할 경우 런타임에 의존성이 결정되므로, 코드 정적 분석만으로는 전체 실행 흐름을 파악하기 어려워질 수 있습니다. 이를 보완하기 위한 명확한 문서화와 추적 로직이 필요합니다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Single Responsibility Principle (SRP)]]: 첫 번째 원칙의 심화.
|
||||
- [[Dependency Injection (DI)]]: DIP를 실현하는 구체적 기법.
|
||||
- [[Clean Architecture]]: SOLID를 애플리케이션 전체로 확장한 구조.
|
||||
- [[Abstraction & Over-engineering]]: 설계 시 경계해야 할 트레이드오프.
|
||||
- [[Test-Driven Development (TDD)]]: 테스트하기 좋은 코드를 만드는 원칙으로서의 연결.
|
||||
---
|
||||
@@ -0,0 +1,36 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-WIKI-ARCH-002
|
||||
category: "10_Wiki/💡 Topics/02_Architecture_Principles"
|
||||
confidence_score: 0.95
|
||||
tags: [architecture, srp, cohesion, refactoring, code-review, p-reinforce]
|
||||
last_reinforced: 2026-05-01
|
||||
---
|
||||
|
||||
# [[Single Responsibility Principle (SRP)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "하나의 모듈은 오직 하나의 변경 이유(Reason to change)만을 가져야 한다: 코드의 응집도를 높이고 복잡성을 분산하여, 버그 수정과 기능 확장이 다른 영역에 미치는 부작용을 최소화하는 설계의 기초."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
SRP는 객체 지향 설계의 첫 번째 단추이자 가장 보편적인 리뷰 기준입니다.
|
||||
|
||||
1. **단일 책임의 기준**:
|
||||
* 클래스나 함수가 수행하는 '일(Task)'이 아니라, 그 코드를 관리하고 요구사항을 변경하는 '주체(Actor)'가 누구인가에 집중합니다.
|
||||
* 비즈니스 로직, 데이터베이스 접근, UI 렌더링 등이 하나의 파일에 섞여 있다면 이는 명백한 SRP 위반입니다.
|
||||
2. **코드 리뷰의 핵심 필터**:
|
||||
* 리뷰어는 거대한 함수나 클래스를 발견했을 때 이를 논리적 단위로 쪼개도록 권고합니다.
|
||||
* 모듈이 작아질수록 테스트 코드를 작성하기 쉬워지며, 특정 기능만 떼어내어 재사용하기 용이해집니다.
|
||||
3. **결합도와 응집도**:
|
||||
* 책임이 명확히 분리된 코드는 낮은 결합도(Low Coupling)와 높은 응집도(High Cohesion)를 가지게 되어, 전체 시스템의 유지보수 비용을 낮춥니다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과도한 파편화**: SRP를 극단적으로 적용할 경우 클래스와 파일 수가 기하급수적으로 증가하여 전체 시스템의 가독성을 해칠 수 있습니다. '논리적 연관성'이 높은 코드들은 적절한 수준에서 함께 유지하는 실용적 균형이 필요합니다.
|
||||
- **아키텍처적 부채**: 초기 설계 시 SRP를 무시하면 시간이 흐를수록 '신(God) 객체'가 탄생하며, 이는 리팩토링 비용을 기하급수적으로 증가시키는 주요 원인이 됩니다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[SOLID Principles]]: 5대 원칙의 시작점.
|
||||
- [[Testability]]: 테스트하기 좋은 코드를 만드는 직접적 원인.
|
||||
- [[Refactoring]]: SRP 위반 시 리뷰어가 내리는 핵심 처방.
|
||||
- [[Clean Architecture]]: 책임을 계층별로 격리하는 거시적 구조.
|
||||
- [[Code Readability]]: 단순해진 코드가 가져오는 가독성 향상.
|
||||
---
|
||||
@@ -0,0 +1,35 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-WIKI-DEV-003
|
||||
category: "10_Wiki/💡 Topics/Development"
|
||||
confidence_score: 0.95
|
||||
tags: [development, ci-cd, automation, quality-gate, devops, p-reinforce]
|
||||
last_reinforced: 2026-05-01
|
||||
---
|
||||
|
||||
# [[CI-CD Pipeline]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "소프트웨어의 빌드, 테스트, 배포 전 과정을 자동화하여, 인간 리뷰어보다 먼저 결함을 찾아내는 '기계적 파수꾼'이자 배포의 신뢰성을 보장하는 핵심 인프라."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
CI-CD는 현대적 개발 워크플로우에서 품질과 속도를 동시에 잡는 핵심 엔진입니다.
|
||||
|
||||
1. **자동화된 품질 게이트 (Quality Gates)**:
|
||||
* **CI (Continuous Integration)**: 코드 변경 시마다 빌드와 테스트를 자동으로 수행합니다. 린터, SAST, SCA 등이 통합되어 인간 리뷰어에게 도달하기 전 기초 결함을 필터링합니다.
|
||||
* **CD (Continuous Delivery/Deployment)**: 검증된 코드를 스테이징이나 프로덕션 환경으로 자동 배포합니다.
|
||||
2. **병합 차단 (Blocking Merges)**:
|
||||
* 자동화 테스트가 실패하거나 보안 스캔에서 취약점이 발견되면 메인 브랜치로의 병합을 시스템적으로 차단하여 안전성을 확보합니다.
|
||||
3. **인지 부하 감소**:
|
||||
* 사소한 스타일 위반이나 오타 등은 기계가 처리하므로, 인간 리뷰어는 아키텍처와 비즈니스 로직 같은 고차원적 검토에 집중할 수 있습니다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **파이프라인 지연의 역설**: 품질 검증을 위해 너무 많은 단계(무거운 E2E 테스트 등)를 추가하면 파이프라인 속도가 느려져 개발 피드백 루프를 저해합니다. 검증 강도와 실행 속도 사이의 정교한 밸런싱이 필수적입니다.
|
||||
- **자동화의 한계**: CI-CD는 정해진 패턴은 잘 찾지만 비즈니스적 맥락이나 설계상의 논리적 오류는 잡지 못합니다. 기계적 검증과 인간의 정성적 리뷰가 결합된 상호 보완 구조를 유지해야 합니다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Shift-Left Security]]: 보안 점검을 CI 단계로 앞당기는 전략.
|
||||
- [[Automated Testing]]: 파이프라인의 핵심 관문.
|
||||
- [[Pull Request Workflow]]: CI-CD가 트리거되는 지점.
|
||||
- [[DevSecOps]]: 보안이 내재화된 자동화 철학.
|
||||
- [[Infrastructure as Code (IaC)]]: 인프라 배포의 자동화 확장.
|
||||
---
|
||||
@@ -0,0 +1,25 @@
|
||||
# [[4X 전략]]
|
||||
|
||||
## 📌 Brief Summary
|
||||
4X 전략은 1990년대 PC 게임에서 처음 유래한 용어로, 탐험(Explore), 확장(Expand), 활용(Exploit), 섬멸(Exterminate)의 네 가지 핵심 요소를 기반으로 하는 전략 게임 장르를 의미한다 [1-3]. 모바일 시장에서 4X 전략 게임은 복잡한 경제 시스템, 장기적인 성장, 고도화된 소셜 인프라를 통해 모바일 게임 중 가장 높은 수준의 유저 생애 가치(LTV)를 창출하는 미드코어 장르로 자리 잡았다 [1, 4, 5]. 특히 'Game of War'와 같은 게임은 이 4X 루프를 모바일에 최적화된 실시간 다중 사용자(MMO) 환경에 접목하고, 정교한 계단식 수익화 모델(BM)을 결합하여 업계에 지대한 영향을 미쳤다 [6-8].
|
||||
|
||||
## 📖 Core Content
|
||||
**4X 장르의 핵심 구조 (The 4X Core)**
|
||||
'Game of War'를 비롯한 4X 게임은 아래의 4가지 행동을 중심으로 끊임없는 자원 소비와 성장의 순환 구조를 가진다.
|
||||
* **탐험(Explore):** 광활한 월드 맵을 정찰하여 자원 지대, 몬스터, 적의 위치 등 주변 영토와 비밀을 파악하는 활동이다 [2, 9, 10]. 'Game of War'에서는 512x1024 크기의 격자 맵 위에서 거리를 계산하고 적군을 정찰하는 것이 핵심 전략이 된다 [9].
|
||||
* **확장(Expand):** 새로운 정착지를 건설하거나 성채(Citadel), 병영, 병원 등 도시의 건물을 업그레이드하여 세력을 넓히는 과정이다 [2, 10-12]. 이 과정에는 시간이 소요되는 '타임 게이트(Time-gating)'가 존재하며, 레벨이 오를수록 몇 달이 걸리기도 하여 '시간 단축(Speed Ups)' 아이템의 구매를 강력하게 유도한다 [13-15].
|
||||
* **활용(Exploit):** 점령한 지역에서 자원을 수집하고 경제 효율성을 최적화하는 단계다 [2, 10]. 게임 내 군대의 규모가 커질수록 자원의 자연 생산량보다 군대 유지비(Upkeep)가 더 커지는 '적자 경제(Deficit Economy)'가 발생하며, 이는 유저가 계속해서 자원 패키지를 구매하거나 월드 맵에서 위험을 감수하고 자원을 채집하도록 강제한다 [13, 16].
|
||||
* **섬멸(Exterminate):** 경쟁 플레이어의 도시를 공격하고 병력을 제거하는 활동이다 [2, 10, 17]. 4X 게임의 전투는 유저의 병력이 한 번 파괴되면 서버에서 영구적으로 소멸하는 '영구적 손실(Permanent Loss)' 메커니즘을 따르기 때문에, 유저는 자신의 투자와 권력을 잃지 않기 위해 끊임없이 병력을 회복하고 과금하도록 자극받는다 [18-21].
|
||||
|
||||
**모바일 4X 게임의 BM 및 소셜 시스템**
|
||||
* **수익화(Monetization) 전략:** 4X 장르의 선두 게임들은 플레이어를 결제로 이끌기 위해 두 가지 주요 접근법을 사용한다. 흥미가 최고조에 달한 초반부터 다양한 혜택과 중첩되는 이벤트를 통해 결제를 유도하는 **'즉각적 수익화(Immediate Monetization)'**와 초기에는 게임 플레이와 몰입에 집중하게 한 뒤 점진적으로 큰 결제를 요구하는 **'점진적 수익화(Gradual Monetization)'**가 그것이다 [1, 22-25]. 'Game of War'는 구매할 때마다 다음 패키지의 가격이 갱신되어 점차 높아지는 '계단식(Staircase)' 모델과 활성화(Activation) 상태에서만 버프를 제공하는 이중 구조의 VIP 시스템을 통해 지출을 극대화했다 [26-28].
|
||||
* **소셜 엔지니어링 및 봉건적 정치 구조:** 4X 게임은 동맹(Alliance) 중심의 고도화된 정치 및 사회적 생태계를 지닌다 [29-31]. 실시간 번역 기능을 통한 전 세계 유저 간의 소통, 권력을 잡은 자가 타인에게 버프나 디버프 칭호를 내리는 '왕(King)' 시스템, 동맹원 간의 상호 자원 및 시간 단축 지원 시스템 등은 유저들이 사회적 책임감과 압박감(Peer pressure)을 느끼게 하여 이탈을 막고 더 많은 금액을 투자하도록 묶어둔다 [32-36].
|
||||
* **엔드게임(Endgame) 및 장르 융합(Genre-Blending):** 4X 게임의 최종 목표는 왕국 내의 'Wonder' 쟁탈전이나 다른 서버와 통째로 맞붙는 '왕국 간 전쟁(KvK)'에 참전하는 것이다 [37-40]. 최근 치열해진 시장 경쟁 속에서 새로운 4X 게임들은 매치3, 퍼즐, RPG 등의 캐주얼 요소를 도입하여 더 넓은 대중을 유입시킨 후 심도 있는 4X 후반부로 연결하는 '장르 융합' 전략을 통해 성공을 거두고 있다 [41-44].
|
||||
|
||||
## 🔗 Knowledge Connections
|
||||
- **Related Topics:** [[수익화 모델(BM)]], [[VIP 시스템]], [[소셜 엔지니어링(Social Engineering)]], [[왕국 간 전쟁(KvK)]], [[장르 융합(Genre-Blending)]]
|
||||
- **Projects/Contexts:** [[Game of War: Fire Age]], [[Machine Zone(MZ)]], [[Mobile Strike]], [[Puzzles & Survival]], [[State of Survival]]
|
||||
- **Contradictions/Notes:** 4X 게임의 과금 전략과 관련하여 소스들은 두 가지 뚜렷한 대비를 보여줍니다. 초기 세션부터 HUD에 과금 알림과 이벤트 팝업을 가득 띄워 반복적인 소액 결제를 유도하는 방식(예: Evony)이 있는 반면, 초기에는 결제 압박을 피하고 게임 서사와 핵심 루프에 몰입시킨 후 필요해지는 시점에 선택적 과금으로 신뢰를 쌓아가는 방식(예: Rise of Kingdoms)이 서로 공존하며 성공을 거두고 있습니다 [22-24, 45].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-27*
|
||||
@@ -0,0 +1,27 @@
|
||||
---
|
||||
category: Unified
|
||||
tags: [auto-consolidated, technical-documentation]
|
||||
title: AGI (Artificial General Intelligence)
|
||||
last_updated: 2026-05-05
|
||||
---
|
||||
|
||||
# AGI (Artificial General Intelligence)
|
||||
|
||||
## 📌 Brief Summary
|
||||
범용 인공지능(AGI)은 인간이 수행할 수 있는 모든 지적 작업을 수행할 수 있는 인공지능을 의미하며, 인공지능 연구의 궁극적인 목표이다. 특정 분야에 국한되지 않고 새로운 환경에서 학습하고 문제를 해결하며, 상식을 바탕으로 추론하고 자율적으로 행동하는 능력을 포함한다.
|
||||
|
||||
## 📖 Core Content
|
||||
* **뉴로-심볼릭 통합 (Neuro-Symbolic Integration):** 신경망의 학습 능력과 기호 논리의 추론 능력을 결합하여 AGI를 구현하려는 시도이다.
|
||||
* **자기 개선 및 지속적 학습:** 스스로 알고리즘을 최적화하고 새로운 지식을 지속적으로 갱신하는 능력이 필수적이다.
|
||||
* **설명 가능성 및 안전성:** 고도의 지능이 인류의 가치와 정렬(Alignment)되도록 보장하는 거버넌스 체계가 수반되어야 한다.
|
||||
|
||||
## ⚖️ Trade-offs & Caveats
|
||||
* **지능 vs 통제:** 지능이 높아질수록 인간의 통제를 벗어날 위험(Alignment Problem)이 증가한다.
|
||||
* **연산 자원 및 효율성:** AGI 수준의 지능을 구현하기 위한 막대한 하드웨어 비용과 전력 소모가 환경적/경제적 제약으로 작용한다.
|
||||
|
||||
## 🔗 Knowledge Connections
|
||||
* [[Neuro-Symbolic AI]]
|
||||
* [[LLM Alignment]]
|
||||
|
||||
---
|
||||
*Last updated: 2026-05-05*
|
||||
@@ -0,0 +1,27 @@
|
||||
---
|
||||
category: AI & Games
|
||||
status: Final
|
||||
converted_at: 2026-04-28
|
||||
---
|
||||
|
||||
# Combined Arms (제병협동) 전술
|
||||
|
||||
## 📌[[ brief]] Summary
|
||||
Combined Arms (제병협동) 전술은 보병, 기갑, 포병, 항공 지원 및 정찰 등 다양한 병과를 조화롭게 통합하여 승리를 쟁취하는 [[WARNO]]의 핵심 전술입니다 [1]. 이는 가위바위보와 같은 상성 원리를 기반으로 작동하며, 다양한 유닛이 서로를 지원하고 약점을 보완하도록 전술적 진형을 갖추어 교전을 통제하는 것을 의미합니다 [2-4].
|
||||
|
||||
## 📖 Core Content
|
||||
* **가위바위보 기반의 상성 원리:** WARNO의 전투는 기본적으로 공격 헬기가 전차를 이기고, 대공포가 공격 헬기를 이기며, 전차가 대공포를 이기는 식의 상성(rock-paper-scissors) 원리로 작동합니다 [3, 5]. 따라서 적이 어떤 유닛을 투입하든 즉각적으로 카운터 유닛으로 대응할 수 있도록, 사전에 전장에 다양한 병과를 미리 전개해 두는 것이 제병협동의 기초입니다 [4, 5].
|
||||
* **병과별 역할 분담과 상호 지원:** 성공적인 제병협동을 위해서는 부대의 타격력을 담당하는 전차, 적 헬기 위협에 대응하는 대공 유닛, 시야를 제공하는 정찰 유닛, 그리고 측면 방어와 은폐를 돕는 보병이 하나의 전술적 진형 안에서 상호 지원해야 합니다 [4]. 예를 들어 저격수가 보병, 전차, IFV와 함께 작전하는 것은 매우 스마트한 제병협동 플레이로 간주됩니다 [6]. 또한 연막(Smoke)을 효과적으로 활용하여 서로 다른 유닛 타입 간의 교전을 통제하는 것이 권장됩니다 [2].
|
||||
* **데이터 스펙에 따른 전략적 배치:** 효과적인 제병협동 진형은 각 유닛의 데이터 특성(장갑, 사거리, 은신)을 바탕으로 구축되어야 합니다 [7].
|
||||
* 장갑 수치가 낮은 유닛은 높은 유닛 뒤에 배치하여 피해를 흡수하도록 합니다 [7, 8].
|
||||
* ATGM 차량이나 헬기처럼 사거리가 긴 유닛은 사거리가 짧은 유닛 뒤에 두어 아웃레인지 공격을 수행하게 합니다 [8, 9].
|
||||
* 은신(Stealth) 수치가 낮은 유닛(예: 대공 차량)은 은신이 높은 보병이나 정찰 유닛의 뒤에 배치하여 적의 시야에서 벗어나게 해야 합니다 [10].
|
||||
* **Army General 캠페인에서의 시스템적 보상:** Army General 모드에서 전술 전투(Tactical Battle)를 벌일 때, 서로 다른 유닛 타입들을 조합하여 제병협동을 달성하면 시스템적으로 적에게는 부정적인 모디파이어(페널티)를 가하고 아군에게는 추가적인 전투 보너스를 제공받게 됩니다 [11].
|
||||
|
||||
## 🔗 Knowledge Connections
|
||||
- **Related Topics:** [[가위바위보 상성 (Rock-paper-scissors principle)]], [[장갑 및 사거리 데이터 (Armor and Range Stats)]], [[은신과 시야 매커니즘 (Stealth and Optics)]]
|
||||
- **Projects/Contexts:** [[WARNO 실시간 전술(Real-time Tactics) 및 Army General 캠페인]]
|
||||
- **Contradictions/Notes:** 모든 소스들은 공통적으로 제병협동의 절대적인 중요성을 강조하며, 단순히 병력을 한곳에 뭉치는 것(blobbing)이 아니라 각 유닛의 스펙과 데이터(장갑, 사거리, 은신)를 고려한 정교한 진형 배치가 승리의 핵심임을 지적합니다 [1, 7, 12].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-28*
|
||||
@@ -0,0 +1,28 @@
|
||||
---
|
||||
category: AI & Games
|
||||
status: Final
|
||||
converted_at: 2026-04-28
|
||||
---
|
||||
|
||||
# Eugen[[ system]]s 모딩 매뉴얼
|
||||
|
||||
## 📌[[ brief]] Summary
|
||||
[[Eugen Systems]]의 [[WARNO]] 모딩 매뉴얼은 플레이어가 게임 소스 코드를 직접 수정하지 않고도 게임 내 데이터 포맷인 NDF(Neutral Data Format) 파일을 편집하여 새로운 유닛, 무기, 사단 등을 추가하거나 밸런스를 변경할 수 있도록 돕는 지침이다 [1, 2]. 게임 설치 폴더에 포함된 공식 매뉴얼(Modding Manual, NDF [[Reference]] Manual) 및 커뮤니티가 제공하는 가이드와 툴(Warno Mod Editor 등)을 기반으로 모딩이 이루어진다 [3, 4]. 이를 통해 사용자들은 유닛의 기초적인 통계부터 3D 모델(Depiction) 및 덱 편제에 이르기까지 폭넓은 데이터 수정 작업을 수행할 수 있다 [1, 5, 6].
|
||||
|
||||
## 📖 Core Content
|
||||
* **모딩 초기 설정 (Initial Setup):** WARNO의 모딩은 게임의 `Mods` 폴더 내에 있는 `CreateNewMod.bat` 파일을 실행하여 모드 이름을 인수로 입력함으로써 시작된다 [7, 8]. 성공적으로 실행되면 `CommonData`, `GameData` 폴더와 모드 생성 및 관리를 위한 다양한 배치 파일(`GenerateMod.bat`, `UpdateMod.bat` 등)이 생성된다 [6, 9]. Eugen Systems는 모딩의 기초를 다룬 'Modding Manual'과 NDF 언어의 구조를 설명하는 'NDF Reference Manual' PDF 파일을 게임 폴더 내에 함께 제공하여 모더들을 지원하고 있다 [4].
|
||||
|
||||
* **필요 도구 (Tools):** NDF 파일을 수정하기 위해 Sublime Text, NotePad++ 같은 텍스트 편집기와 고유 식별자 생성을 위한 GUID 생성기가 필수적이다 [6, 10]. 또한 커뮤니티에서 개발한 통합 솔루션인 Warno Mod Editor(WME)를 활용하면 필수적인 NDF 편집과 GUID 생성을 한 번에 편리하게 처리할 수 있다 [3, 11].
|
||||
|
||||
* **데이터 파일 편집 (NDF 파일 수정):**
|
||||
* **사단 및 덱 편제:** `Divisions.ndf` 파일에서 특정 사단에 할당된 유닛 카드 리스트를 추가하거나 변경할 수 있으며, `DivisionRules.ndf`에서 숙련도(Veterancy)에 따른 유닛 가용성을 세부적으로 설정한다 [6, 12, 13]. 덱의 활성화 포인트와 슬롯 비용은 `DivisionCostMatrix.ndf`에서 변경 가능하다 [14].
|
||||
* **유닛 및 무기 속성:** 유닛의 시야, 비용, 전진 배치(Forward Deployment) 특성 등은 `UniteDescriptor.ndf`에서, 무장 및 탄약 적재량은 `WeaponDescriptor.ndf`에서, 관통력이나 피해량 같은 핵심 전투 속성은 `Ammunition.ndf`에서 수정한다 [2, 15]. 관통력 등을 수정할 때는 특정한 데미지 유형 인덱스(예: DamageFamily_ap)를 상호 참조하는 방식을 취한다 [16].
|
||||
* **시각적 묘사 (Depictions):** 게임 내 3D 모델(`.fbx` 파일), 사운드, 시각 효과 등을 렌더링하기 위해서는 `DepictionVehicles.ndf`, `DepictionAlternatives.ndf`(LOD 품질 설정용), `GeneratedDepictionGhosts.ndf`(배치 단계의 투명 모델), `UnitCadavreDescriptor.ndf`(파괴된 유닛 잔해) 등의 다양한 NDF 파일들을 편집하고 상호 연결하는 복잡한 과정이 필요하다 [5, 17, 18].
|
||||
|
||||
## 🔗 Knowledge Connections
|
||||
- **Related Topics:** `[[NDF (Neutral Data Format)]]`, `[[Warno Mod Editor (WME)]]`, `[[Iriszoom 엔진]]`
|
||||
- **Projects/Contexts:** `[[WARNO-DATA Wiki]]`, `[[RebsFRAGO 모드 프로젝트]]`
|
||||
- **Contradictions/Notes:** 모딩 중 동일한 유닛을 같은 사단 덱 내에 중복해서 추가할 경우, 충돌이 발생하여 정상적으로 모드가 생성되지 않는다는 점에 주의해야 한다 [14]. 또한, 모드 생성 시 나타나는 코드 오류 메시지가 주로 프랑스어로 출력되므로, 번역기를 사용하여 편집 실수를 파악하고 대처해야 할 수 있다 [15].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-28*
|
||||
@@ -0,0 +1,34 @@
|
||||
---
|
||||
category: AI & Games
|
||||
status: Final
|
||||
converted_at: 2026-04-28
|
||||
---
|
||||
|
||||
# Eugen[[ system]]s의 냉전기 가상 시나리오 및 모딩 생태계 구축
|
||||
|
||||
## 📌[[ brief]] Summary
|
||||
[[Eugen Systems]]의 [[WARNO]]는 1987년 소련 강경파의 쿠데타를 기점으로 1989년에 제3차 세계대전이 발발했다는 가상의 '냉전기 열전(Cold War Gone Hot)' 시나리오를 배경으로 합니다 [1, 2]. 이 가상 시나리오는 실제 역사적 사단 편제표(TO&E)를 철저한 데이터 구조로 치환하여 게임 내 규칙으로 적용한 데이터 기반 설계를 특징으로 합니다 [2]. 더 나아가, 독자적인 NDF(Neutral Data Format) 시스템을 통해 소스코드 수정 없이도 게임 데이터를 제어할 수 있게 하여, 커뮤니티 주도의 분석 도구 및 모드(Mod) 개발이 활발히 이루어지는 개방적인 생태계를 구축했습니다 [2, 3].
|
||||
|
||||
## 📖 Core Content
|
||||
* **가상 냉전 시나리오의 데이터적 구현**
|
||||
* WARNO의 배경은 1987년 미하일 고르바초프에 반대하는 소련 강경파의 쿠데타로 인해 1989년 NATO와 바르샤바 조약기구 간의 전면전이 발발하는 대체 역사입니다 [1].
|
||||
* 이 허구의 시나리오를 현실감 있게 통제하기 위해, 게임은 실제 군대의 사단 편제표(TO&E)를 핵심 데이터 규칙으로 내재화했습니다 [2].
|
||||
* 이를 통해 무제한적인 유닛 조합 대신, 특정 사단이라는 거대한 데이터 군집이 지닌 역사적, 교리적 강점과 약점을 반영하도록 설계되었습니다 [2, 4].
|
||||
|
||||
* **NDF 기반의 개방형 모딩 아키텍처**
|
||||
* 게임의 모든 물리적, 기술적 논리는 NDF(Neutral Data Format)라는 Eugen Systems의 독자적인 텍스트 기반 스크립트 언어로 정의되어 있습니다 [2].
|
||||
* NDF는 게임 코드와 데이터 값을 엄격히 분리하여, 모더(Modder)들이 `UniteDescriptor.ndf`, `WeaponDescriptor.ndf`, `Divisions.ndf` 등의 파일만 텍스트 편집기로 수정하여도 유닛의 성능, 명중률, 가용성 등을 세밀하게 변경할 수 있도록 지원합니다 [2, 5].
|
||||
* Eugen Systems는 사용자를 위해 `CreateNewMod.bat` 등의 배치 파일과 모딩 매뉴얼, NDF 참조 가이드를 제공하여 손쉽게 모드 환경을 구축할 수 있게 돕고 있습니다 [3, 5].
|
||||
|
||||
* **데이터 민주화와 커뮤니티 생태계 확장**
|
||||
* NDF 파일의 구조적 접근성 덕분에 커뮤니티는 숨겨진 게임 내부 수치를 파싱하여 [[War-Yes]], [[Warno-Armory]]와 같은 정밀한 데이터 분석 웹사이트와 툴을 자체적으로 개발할 수 있었습니다 [2, 6, 7].
|
||||
* 또한, 흩어진 NDF 속성들의 의미와 핵심 게임 메커니즘을 문서화하기 위해 WARNO-DATA와 같은 광범위한 오픈소스 위키 프로젝트가 진행되기도 했습니다 [2, 8].
|
||||
* 이러한 생태계의 개방성은 모든 무기 데이터를 실제 현실의 제원값으로 치환하고 시뮬레이션 경제를 재설계한 'RebsFRAGO'와 같은 고도의 현실주의 모드(Realism Mod)가 탄생하는 기술적 근간이 되었습니다 [2, 9].
|
||||
|
||||
## 🔗 Knowledge Connections
|
||||
- **Related Topics:** [[NDF (Neutral Data Format)]], [[사단 편제표 (TO&E)]], [[데이터 기반 설계]]
|
||||
- **Projects/Contexts:** [[WARNO-DATA 프로젝트]], [[RebsFRAGO 모드]], [[War-Yes 및 Warno-Armory 도구]]
|
||||
- **Contradictions/Notes:** 게임의 전체적인 배경은 1989년 3차 세계대전이라는 완전한 허구의 시나리오를 따르고 있지만, 그 전장을 채우는 부대 편제와 유닛의 성능은 철저하게 실제 역사적 데이터(TO&E 등)를 바탕으로 한 데이터 아키텍처에 의해 엄격하게 통제되고 있어 허구와 현실성이 공존하고 있습니다 [1, 2, 4].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-28*
|
||||
@@ -0,0 +1,25 @@
|
||||
---
|
||||
category: AI & Games
|
||||
status: Final
|
||||
converted_at: 2026-04-28
|
||||
---
|
||||
|
||||
# [[WARNO]] 그래픽 엔진 업그레이드 프로젝트
|
||||
|
||||
## 📌[[ brief]] Summary
|
||||
WARNO 그래픽 엔진 업그레이드 프로젝트는 Eugen[[ system]]s의 독자적인 기술인 Iriszoom 엔진을 최신 산업 표준에 맞게 진화시킨 프로젝트입니다 [1, 2]. 이 업그레이드는 물리 기반 렌더링(PBR) 시스템을 전면 도입하여 유닛과 지형의 시각적 사실성을 극대화했습니다 [1, 2]. 4K 텍스처와 물리 데이터가 연동된 정교한 파괴 시스템을 적용하면서도 뛰어난 최적화를 달성하여 전작인 Steel Division 2 수준의 시스템 요구 사양을 유지한 것이 핵심입니다 [3, 4].
|
||||
|
||||
## 📖 Core Content
|
||||
* **Iriszoom 엔진의 진화와 PBR 파이프라인 도입:** R.U.S.E.부터 이어져 온 독자적인 엔진 기술을 발전시켜 수 킬로미터의 광활한 전략적 조감 시점과 개별 병사를 식별할 수 있는 전술적 시점을 매끄럽게 연결합니다 [2]. 기존의 Specular/Glossiness 방식 대신 최첨단 [[Metal]]lic/Roughness/Ambient Occlusion 워크플로우를 자산 생산 파이프라인에 전면 도입했습니다 [2, 3]. 이를 통해 모든 유닛에 4K PBR 텍스처와 세밀한 모델링을 적용하였으며, 사진학적 설정을 활용한 새로운 톤 매핑 알고리즘으로 사실성을 높였습니다 [2, 3]. 지연 렌더링(Deferred Rendering) 구조를 활용해 원거리에서 폭발적으로 발생하는 PBR 스펙큘러 노이즈 문제도 효과적으로 해결했습니다 [1, 2].
|
||||
|
||||
* **데이터가 연동된 동적 파괴 시스템:** 유닛이 피해를 입고 파괴되는 시각적 효과가 실제 전투 상태 데이터와 동기화되어 작동합니다 [4]. 단순히 폭발 효과만 출력하는 것이 아니라 유닛의 장갑이나 장비 조각이 떨어져 나가며, 파괴 시 탄약고 유폭으로 포탑이 사출되거나 헬리콥터 로터 블레이드 및 비행기 날개가 날아가는 사실적인 물리적 폭발 효과가 구현되었습니다 [4, 5]. 또한, 유닛 텍스처가 파손 상태를 직접적으로 반영하여 손상도를 시각화합니다 [5].
|
||||
|
||||
* **영속적 전장(Persistent Battlefield)과 최적화:** 전장에 생성된 차량의 잔해, 연기, 크레이터 등은 단순히 장식으로 소모되지 않고 지속적으로 유지되어 사실적이고 영속적인 전장 환경을 구성합니다 [4, 5]. 그래픽 엔진이 대폭 업그레이드되었음에도 불구하고 최적화 수준이 매우 높아, 이전 타이틀인 Steel Division 2보다 높은 사양을 요구하지 않습니다 [3]. 결과적으로 수백 개의 유닛이 동시에 파괴되고 기동하는 대규모 10 대 10 멀티플레이어 환경에서도 엔진은 안정적인 시각적 성능을 발휘합니다 [2].
|
||||
|
||||
## 🔗 Knowledge Connections
|
||||
- **Related Topics:** [[Iriszoom 엔진]], [[물리 기반 렌더링(PBR)]], [[지연 렌더링(Deferred Rendering)]]
|
||||
- **Projects/Contexts:** [[데이터 기반 설계(Data-Driven Design)]], [[영속적 전장(Persistent Battlefield)]]
|
||||
- **Contradictions/Notes:** 소스에 상충되는 정보는 없습니다. 시각적 디테일과 파괴 효과가 획기적으로 증가했음에도 불구하고 시스템 요구 사양이 상승하지 않고 효율적인 최적화가 유지되었다는 점이 엔진 업그레이드의 핵심 성과로 강조됩니다.
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-28*
|
||||
@@ -0,0 +1,24 @@
|
||||
---
|
||||
category: AI & Games
|
||||
status: Final
|
||||
converted_at: 2026-04-28
|
||||
---
|
||||
|
||||
# [[WARNO]] 데이터 기반 밸런싱
|
||||
|
||||
## 📌[[ brief]] Summary
|
||||
WARNO의 밸런싱은 커뮤니티의 단순한 여론이나 개발진의 임의적 결정이 아닌, 수집된 방대한 텔레메트리(Telemetry) 데이터를 기반으로 객관적으로 이루어지는 시스템적 과정이다 [1], [2]. Eugen[[ system]]s는 유닛의 선택 빈도, 승률, 킬/데스 비율, 평균 생존 시간 등을 종합적으로 분석하여 포인트 비용, 무장 스펙, 사단별 가용성을 NDF 파일을 통해 세밀하게 조정한다 [2], [3]. 이러한 데이터 중심 설계는 특정 진영에 압도적인 우위가 고착되는 것을 방지하고, 게임이 지속적으로 균형 잡힌 전술 생태계로 기능하게 만든다 [3].
|
||||
|
||||
## 📖 Core Content
|
||||
* **텔레메트리(Telemetry) 기반의 객관적 분석:** [[Eugen Systems]]는 게임 출시 후 유저들의 플레이에서 발생하는 텔레메트리 데이터를 실시간으로 기록한다. 여기에는 어떤 유닛이 자주 선택되는지(Pick Rate), 실제 교전에서의 승률과 킬/데스 비율, 그리고 유닛의 평균 생존 시간 등이 포함된다 [2]. 개발진은 미숙련 플레이어들의 변덕스러운 여론에 직접적으로 휘둘리기보다는, 전문 테스터의 피드백과 수집된 텔레메트리 데이터를 교차 검증하여 게임 내 실제 작동 방식을 기준으로 밸런스를 조정한다 [4], [1].
|
||||
* **주요 밸런스 조정 변수와 NDF 연동:** 데이터 분석을 통해 특정 무기나 유닛의 성능이 지나치게 강력하거나 비효율적이라고 확인되면, 개발자는 독자적 언어인 NDF 파일 내 수치를 수정해 전장에 즉각적인 변화를 투영한다 [5], [2]. 주요 조정 변수로는 전술적 가치와 텔레메트리 효율에 맞춘 '포인트 비용(Point Cost)' 재책정, 장전 및 조준 시간·관통력 등의 '무장 세부 스펙' 변경, 전술적 역할을 강화하기 위한 '특성(Trait)' 할당, 특정 사단의 승률을 보완하기 위한 '사단별 유닛 카드 구성 및 가용성' 상향 등이 활용된다 [3].
|
||||
* **사단(Division) 시스템을 통한 거시적 밸런스 통제:** 전작의 국가 덱(National Deck) 시스템을 대체하여 도입된 사단(Division) 중심의 덱 빌딩은 밸런싱을 위한 훌륭한 설계 장치이다 [6]. 플레이어가 뛰어난 유닛들만 모아 덱을 구성하는 것을 원천적으로 차단하며, 사단마다 내재된 강점과 약점을 데이터적으로 강제하여 훨씬 다채롭고 흥미로운 전술적 메타를 유지하게 한다 [6], [7], [8].
|
||||
* **플레이어 통계와 진영 균형 검증:** 대규모 멀티플레이어 환경(10v10 등)의 데이터 분석에 의하면, NATO와 PACT 진영 간의 승률은 플레이어의 숙련도가 높아질수록 균형을 이루는 경향을 보인다 [9], [3]. 커뮤니티 유저가 직접 수백 명의 플레이어 통계를 분석한 결과에서도 진영 간 뚜렷한 편향성은 확인되지 않았으며, 게임 시스템 자체가 특정 진영에 압도적인 우위를 제공하지 않음이 객관적 지표로 증명되고 있다 [10], [9], [3].
|
||||
|
||||
## 🔗 Knowledge Connections
|
||||
- **Related Topics:** [[텔레메트리(Telemetry)]], [[NDF (Neutral Data Format)]], [[사단 시스템(Division System)]]
|
||||
- **Projects/Contexts:** [[WARNO 멀티플레이어 밸런싱 패치]]
|
||||
- **Contradictions/Notes:** 개발진의 텔레메트리나 유저들의 수치 통계는 양 진영(NATO vs PACT)이 대체로 균형을 이룬다는 데이터를 보여주고 있으나 [9], [3], 일부 플레이어들은 게임 체감상 특정 진영 편향(예: PACT 편향)이 존재한다고 주장하며 커뮤니티 여론과 실제 통계 데이터 간의 인식 차이가 빈번하게 나타난다 [11], [12], [4], [1].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-28*
|
||||
@@ -0,0 +1,32 @@
|
||||
---
|
||||
category: AI & Games
|
||||
status: Final
|
||||
converted_at: 2026-04-28
|
||||
---
|
||||
|
||||
# [[WARNO]] 데이터 기반 설계
|
||||
|
||||
## 📌[[ brief]] Summary
|
||||
WARNO는 1980년대 후반 냉전의 군사 교리와 장비 제원을 고도의 데이터 아키텍처로 치환하여 설계된 실시간 전술 시뮬레이션 게임입니다 [1]. 이 시스템은 Eugen[[ system]]s의 독자적인 Iriszoom 엔진과 NDF(Neutral Data Format) 스크립트 언어를 활용하여, 게임 코드와 데이터 값을 엄격히 분리한 '데이터 기반 설계(Data-Driven Design)' 철학을 바탕으로 구축되었습니다 [2]. 정밀한 명중률 알고리즘, 물리적 장갑 관통 모델, 심리적 제압 수치화, 그리고 텔레메트리에 기반한 밸런싱을 통해 플레이어에게 고도로 현실적이고 동적인 전술 환경을 제공합니다 [3-5].
|
||||
|
||||
## 📖 Core 무Content
|
||||
* **[[NDF (Neutral Data Format)]] 아키텍처:**
|
||||
WARNO의 모든 물리적 및 기술적 속성(유닛 성능, 명중률, 관통력, 이동 속도 등)은 텍스트 기반의 객체 지향 스크립트 언어인 NDF 내에 정의되어 있습니다 [2]. `UniteDescriptor.ndf`, `WeaponDescriptor.ndf`, `Ammunition.ndf` 등의 파일을 통해 게임 소스코드를 수정하지 않고도 수천 개의 속성을 모듈화하여 체계적으로 관리하고 밸런스를 조정할 수 있습니다 [2, 6-8].
|
||||
* **Iriszoom 엔진과 시각적 데이터의 물리적 연동:**
|
||||
지연 렌더링(Deferred Rendering) 구조와 PBR(물리 기반 렌더링)을 전면 도입하여 거리에 따른 가변적 LOD 시스템을 구현했습니다 [9, 10]. 동적 파괴 시스템은 탄약고 유폭 시 포탑이 사출되거나 헬리콥터 로터가 비산하는 등 유닛의 상태 데이터와 물리적 현상을 정교하게 동기화시킵니다 [10, 11].
|
||||
* **수학적 정밀도에 기반한 전투 역학:**
|
||||
* **명중률 및 ECM:** 명중 확률은 거리가 가까워질수록 기하급수적으로 상승하는 비선형적 알고리즘을 따릅니다 [3]. 대공 미사일과 항공기 교전 시 항공기의 전자전(ECM) 데이터는 명중률을 직접 삭감하는 대신 승수($P_{final} = BaseAccuracy \times (1 - ECM)$)로 작용하여 최종 명중률을 계산합니다 [12, 13].
|
||||
* **장갑 및 관통(Armor & Penetration):** 실제 역사적 RHA(균질압연강권) 수치를 추상화한 '장갑 점수(Armor Value)'를 사용하며, 경사 장갑에 의한 방호 효과는 엔진 연산 부하를 줄이기 위해 미리 수치에 반영되어 있습니다 [14, 15]. 철갑탄(KE)과 같은 운동에너지 탄자는 거리에 비례해 관통력 데이터가 감소하나, 대전차 고폭탄이나 미사일(HEAT/ATGM)은 사거리에 관계없이 관통력을 유지합니다 [15].
|
||||
* **제압(Suppression)과 은신(Stealth) 시스템:**
|
||||
* 유닛은 기본적으로 500점의 제압 수치를 지니며 피격이나 폭발 시 누적되어 응집력(Cohesion)을 떨어뜨리고 명중률, 재장전, 기동력에 페널티를 부여합니다 [4, 16]. 건물(50%)과 숲(35%) 지형은 제압 효과에 대한 저항 데이터를 제공합니다 [16, 17].
|
||||
* 광학(Optics) 수치와 은신(Stealth) 수치 간의 상호작용으로 탐지가 결정되며, 무기 발사 시 생성되는 소음([[Noise]]) 데이터는 은신 수치를 일시적으로 삭감시켜 위치를 노출시킵니다 [17, 18].
|
||||
* **텔레메트리 기반 밸런스 조정:**
|
||||
개발진은 단순히 커뮤니티의 여론에 의존하지 않고, 유닛의 선택 빈도, 킬/데스 비율, 평균 생존 시간 등 방대한 텔레메트리(Telemetry) 데이터를 실시간으로 분석하여 포인트 비용이나 무장 스펙 데이터를 지속적으로 재조정합니다 [5, 19, 20].
|
||||
|
||||
## 🔗 Knowledge Connections
|
||||
- **Related Topics:** [[Iriszoom Engine]], [[NDF (Neutral Data Format)]], [[Telemetry-based Balancing]], [[Data-Driven Design]]
|
||||
- **Projects/Contexts:** [[WARNO]], [[Eugen Systems]], [[WARNO Modding Ecosystem]]
|
||||
- **Contradictions/Notes:** 커뮤니티의 일부 유저들은 특정 진영이나 유닛(예: PACT의 전차 장갑 등)이 편향되어 있다고 비판하며 불만을 제기하기도 하지만, 개발사가 수집한 텔레메트리 데이터 분석 결과에 따르면 플레이어의 숙련도가 높아질수록 NATO와 PACT 진영 간의 승률은 균형을 이루는 것으로 나타나 데이터 기반 밸런싱의 실효성을 입증하고 있습니다 [5, 19, 21, 22].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-28*
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
category: AI & Games
|
||||
status: Final
|
||||
converted_at: 2026-04-28
|
||||
---
|
||||
|
||||
# [[WARNO]] 멀티플레이어 및 경쟁 플레이 밸런스 패치
|
||||
|
||||
## 📌[[ brief]] Summary
|
||||
WARNO의 멀티플레이어 및 경쟁 플레이 밸런스 패치는 개발사인 Eugen[[ system]]s가 수집하는 방대한 텔레메트리(Telemetry) 데이터를 기반으로 이루어집니다 [1], [2]. 개발진은 커뮤니티의 단순한 여론에 휘둘리지 않고, 유닛 선택률, 승률, 평균 생존 시간 등 객관적인 데이터를 분석하여 게임 내 수치를 정밀하게 조정합니다 [1], [2]. 이러한 데이터 중심의 설계와 지속적인 패치는 WARNO를 편향 없는 공정한 경쟁이 가능한 살아있는 전술 생태계로 유지하는 핵심 원동력입니다 [3].
|
||||
|
||||
## 📖 Core Content
|
||||
* **텔레메트리 기반의 객관적 밸런싱**
|
||||
WARNO의 밸런스 조정은 변덕스러운 커뮤니티의 불만이나 여론보다는, 실제 게임 플레이에서 추출되는 텔레메트리 데이터에 의존합니다 [1], [2]. 이 시스템은 멀티플레이어 환경에서 플레이어들이 어떤 유닛을 자주 선택하는지(Pick Rate), 실제 교전에서의 승률과 킬/데스 비율은 어떠한지, 그리고 평균 생존 시간은 얼마나 되는지를 실시간으로 기록합니다 [2]. 예를 들어, 특정 대공 미사일이 항공기를 너무 쉽게 격추한다는 데이터가 확인되면, NDF 파일 내의 명중률 곡선이나 가격 데이터를 직접 수정하는 방식으로 밸런스를 맞춥니다 [2].
|
||||
|
||||
* **주요 밸런스 조정 데이터 변수**
|
||||
수집된 데이터를 바탕으로 게임 내에서 밸런스를 맞추기 위해 조정되는 주요 변수는 다음과 같습니다:
|
||||
1. **포인트 비용(Point Cost):** 텔레메트리 효율성과 유닛의 전술적 가치에 따라 유닛의 가격을 재책정합니다 [3].
|
||||
2. **무장 세부 스펙:** 무기의 장전 시간, 조준 시간, 관통력 수치 등을 미세하게 조정합니다 [3].
|
||||
3. **사단별 유닛 구성 및 가용성(Availability):** 특정 사단의 승률 데이터가 낮게 나타날 경우, 보조 유닛 카드를 추가하거나 해당 유닛의 가용성 데이터를 상향하여 사단 간의 밸런스를 맞춥니다 [3].
|
||||
|
||||
* **진영 간 밸런스 및 숙련도의 상관관계**
|
||||
10v10 대규모 멀티플레이어 매치 데이터를 분석한 결과, NATO와 PACT 진영 간의 플레이 비중과 승률은 플레이어의 숙련도가 높아질수록 균형을 이루는 경향을 보입니다 [4], [3]. 특정 진영만을 선호하는 플레이어(소위 'Pactoid' 또는 'Natoid')들의 데이터를 비교해보아도, 게임 시스템 자체가 특정 진영에 압도적인 우위를 제공하지 않음이 확인되었습니다 [5], [3]. 즉, 진영의 승률 차이는 팩션 자체의 불균형보다는 플레이어들의 전반적인 경험치와 실력 차이에서 기인하는 것으로 분석됩니다 [4].
|
||||
|
||||
## 🔗 Knowledge Connections
|
||||
- **Related Topics:** [[텔레메트리 (Telemetry)]], [[NDF (Neutral Data Format)]], [[가용성 (Availability)]]
|
||||
- **Projects/Contexts:** [[WARNO 10v10 멀티플레이어 통계 분석]]
|
||||
- **Contradictions/Notes:** 일부 플레이어들은 잦은 밸런스 변경 및 단위 너프에 피로감을 느끼며 일정 시간 후에는 수치를 고정할 것을 원하기도 하지만 [6], 개발사와 커뮤니티의 분석에 따르면 지속적인 텔레메트리 모니터링을 통한 밸런스 패치야말로 경쟁적인 RTS 게임을 유지하고 지원하기 위한 필수 불가결한 과정입니다 [1], [7].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-28*
|
||||
@@ -0,0 +1,24 @@
|
||||
---
|
||||
category: AI & Games
|
||||
status: Final
|
||||
converted_at: 2026-04-28
|
||||
---
|
||||
|
||||
# [[WARNO]] 모딩
|
||||
|
||||
## 📌[[ brief]] Summary
|
||||
WARNO 모딩은 Eugen[[ system]]s의 독자적인 스크립트 언어인 NDF(Neutral Data Format) 파일을 수정하여 게임의 소스 코드 변경 없이 유닛의 성능, 무기 제원, 편제 등을 커스터마이징하는 과정입니다 [1]. 개발사가 공식 모딩 가이드와 생성 도구를 제공하며, 커뮤니티 주도의 다양한 모드 에디터와 데이터 분석 도구가 활성화되어 있습니다 [2-4]. 이를 통해 플레이어는 단순한 수치 조정을 넘어 현실주의 지향 모드 등 자신만의 고유한 전술 시뮬레이션 환경을 데이터 기반으로 직접 구축할 수 있습니다 [4].
|
||||
|
||||
## 📖 Core Content
|
||||
* **NDF(Neutral Data Format) 기반의 데이터 구조:** WARNO의 모든 논리적 설계는 NDF 파일 내에 텍스트 기반으로 정의되어 있습니다 [1]. 유닛의 물리적/기술적 속성을 정의하는 `UniteDescriptor.ndf`, 무기의 메커니즘을 설정하는 `WeaponDescriptor.ndf`, 탄약의 타격 로직과 관통력을 결정하는 `Ammunition.ndf`, 그리고 사단 구성 및 가용성을 다루는 `Divisions.ndf` 등을 통해 유닛 데이터와 게임 코드가 분리되어 체계적으로 관리됩니다 [1, 5-7].
|
||||
* **모드 생성 및 작업 프로세스:** 모드 생성은 게임 내의 `Mods` 폴더에서 `CreateNewMod.bat` 배치 파일에 모드 이름을 인수로 입력 및 실행하여 시작할 수 있습니다 [3]. 이 과정을 거치면 `CommonData`, `GameData` 디렉터리와 함께 `GenerateMod.bat`, `UpdateMod.bat` 등의 필수 스크립트가 포함된 모드 폴더가 생성됩니다 [8]. 생성된 모드 내에서 유닛 구성, 활성화 포인트, 가용성을 수정하거나 `DivisionRules.ndf`, `DivisionCostMatrix.ndf` 파일 등을 편집하여 새로운 유닛 및 사단을 추가할 수 있으며, 새로운 3D 모델(.fbx) 묘사를 연결하는 것도 가능합니다 [5, 9-11].
|
||||
* **모딩 도구 및 커뮤니티 지원:** .ndf 파일을 편집하기 위해서는 텍스트 편집기(Notepad++, Sublime Text 등)와 함께 각 요소에 고유 식별자를 부여하기 위한 GUID 생성기가 필요합니다 [12]. 커뮤니티에서는 이러한 기능들을 통합하여 시각적 편집을 돕는 WME(Warno Mod Editor)를 제작하여 지원하고 있습니다 [2, 13]. 또한, GitHub의 'WARNO-DATA' 위키나 '[[Warno-Armory]]', '[[War-Yes]]' 등의 데이터 파싱 도구를 통해 공식 문서에 누락된 숨겨진 데이터 구조를 파악하고 모딩에 활용할 수 있습니다 [4, 13, 14].
|
||||
* **대표적인 모딩 사례:** 커뮤니티 모드인 'Reb's FRAGO'는 현실주의(Realism)를 지향하여 게임 내 모든 무기 데이터를 실제 제원값으로 치환하고 시뮬레이션의 시간 축과 경제 시스템을 재설계하는 등 데이터 기반 설계를 극한으로 활용한 대표적인 모딩 사례입니다 [4].
|
||||
|
||||
## 🔗 Knowledge Connections
|
||||
- **Related Topics:** [[NDF (Neutral Data Format)]], [[데이터 기반 설계 (Data-Driven Design)]], [[Iriszoom 엔진]]
|
||||
- **Projects/Contexts:** [[Reb's FRAGO 모드]], [[WME (Warno Mod Editor)]], [[WARNO-DATA 위키]]
|
||||
- **Contradictions/Notes:** WARNO의 NDF 파일 시스템은 세부적인 데이터 접근성을 제공하지만, 무기의 관통력과 같은 특정 데이터 값이 단일 무기 파일에만 명시된 것이 아니라 손상 계통(Family)을 지정하는 복잡한 참조 구조(`DamageResistanceFamilyListImpl.ndf` 등)로 얽혀 있어 모더들이 원하는 값을 찾고 수정하는 데 혼란을 겪기도 합니다 [15, 16].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-28*
|
||||
@@ -0,0 +1,24 @@
|
||||
---
|
||||
category: AI & Games
|
||||
status: Final
|
||||
converted_at: 2026-04-28
|
||||
---
|
||||
|
||||
# [[WARNO]] 밸런싱 및 사단 시스템
|
||||
|
||||
## 📌[[ brief]] Summary
|
||||
WARNO의 밸런싱 및 사단 시스템은 역사적 군 편제(TO&E) 데이터와 텔레메트리(Telemetry) 분석을 결합하여 전술적 깊이를 부여하는 핵심 설계 요소입니다. 플레이어는 모든 분야에서 완벽한 유닛 조합을 갖추는 대신 강점과 약점이 명확히 설정된 사단 단위의 덱을 구성해야 하며, 이는 다양한 전술과 팀플레이를 유도합니다. 개발사인 Eugen[[ system]]s는 커뮤니티의 주관적 여론보다는 유닛 선택률과 실제 승률 등 객관적 통계 데이터를 기반으로 NDF 파일 수치를 조정하며 지속적인 밸런싱을 수행합니다.
|
||||
|
||||
## 📖 Core Content
|
||||
- **사단(Division) 기반 덱 구성의 구조적 제약:** 과거작인 Wargame: Red Dragon의 무제한적인 국가별 덱(National Deck) 시스템과 달리, WARNO는 역사적 사단 편제를 기반으로 유닛을 제한합니다 [1], [2], [3]. 특정 사단은 우수한 보병을 갖춘 대신 최상급 전차가 없거나, 강력한 기갑 전력을 보유한 대신 대공이나 보병이 취약한 식의 구조적 강점과 약점을 가집니다 [2], [3], [4]. 이를 통해 플레이어는 특정 분야에 특화된 전술을 고민해야 하며, 모든 역할을 완벽히 수행하는 '무적의 메타 덱' 생성이 방지됩니다 [2], [5], [4].
|
||||
- **유닛 가용성(Availability)과 베테랑(Veterancy) 시스템을 통한 밸런싱:** 각 유닛의 가치는 사단 내에서의 '가용성' 데이터를 통해 조율됩니다 [6]. 고성능 초중전차(예: M1A1 HA Abrams, T-80UD)나 정예 특수부대는 카드당 제공되는 유닛 수가 극히 제한적이며 활성화 포인트와 배치 비용이 비싸게 책정되어 손실을 철저히 관리해야 합니다 [7], [8], [9], [6]. 반면, 예비군(Reservist)이나 구식 장비는 능력치가 떨어지지만 높은 가용성과 저렴한 비용으로 소모전과 전선 유지에 유리하도록 설계되었습니다 [10], [11], [12], [6]. 또한, 플레이어가 유닛의 숙련도(Veterancy)를 높게 설정할수록 명중률, 연사력, 제압 저항력 등 성능이 향상되는 대신 맵에 배치할 수 있는 최대 유닛 수가 감소하여 밸런스가 유지됩니다 [13], [14], [15].
|
||||
- **텔레메트리(Telemetry) 기반 객관적 데이터 패치:** [[Eugen Systems]]는 커뮤니티의 불만이나 여론에만 의존하지 않고 텔레메트리를 통해 유저들의 실제 유닛 픽률(Pick Rate), 교전 승률, 킬/데스 비율, 평균 생존 시간 등의 데이터를 은밀히 수집합니다 [16], [6]. 이 분석 결과를 토대로 유닛의 포인트 비용, 장전 시간, 조준 시간, 장갑 관통력 등을 재책정하며, 이러한 변경 사항은 게임의 논리적 설계가 담긴 NDF(Neutral Data Format) 파일을 수정함으로써 전장에 즉각적으로 반영됩니다 [17], [18], [19].
|
||||
- **통계에 기반한 진영 간 균형(Faction Balance):** 플레이어 간에는 항상 진영 편향(NATO 또는 PACT가 더 유리하다는 주장)에 대한 논쟁이 있으나, 실제 10v10 대규모 멀티플레이어 데이터를 분석한 결과 게임 시스템 자체에 특정 진영에 대한 압도적인 우위는 발견되지 않았습니다 [20], [21], [19]. 승률의 차이는 주로 플레이어의 전술적 숙련도 차이 및 양 진영 플레이어들의 경험치 풀(Pact를 선호하는 유저들의 평균 플레이 횟수가 약간 더 높음)에서 비롯된 것으로 분석되며, 기본적으로 진영 간 밸런스는 견고하게 유지되고 있습니다 [22], [21].
|
||||
|
||||
## 🔗 Knowledge Connections
|
||||
- **Related Topics:** [[텔레메트리 (Telemetry)]], [[NDF (Neutral Data Format)]], [[Iriszoom 엔진]]
|
||||
- **Projects/Contexts:** [[Eugen Systems의 데이터 기반 설계]]
|
||||
- **Contradictions/Notes:** 국가 기반 덱 시스템(WGRD)을 선호하는 일부 유저들은 현재의 사단 시스템이 유닛 구성의 자유도와 창의성을 크게 제한한다고 불만을 표출합니다 [23], [24]. 반면, 이를 옹호하는 유저들은 사단 시스템이 소수의 유닛에만 의존하는 메타 고착화를 방지하고 훨씬 더 다채롭고 밸런스 잡힌 게임플레이를 가능하게 한다고 반박합니다 [25], [2], [5].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-28*
|
||||
@@ -0,0 +1,34 @@
|
||||
---
|
||||
category: AI & Games
|
||||
status: Final
|
||||
converted_at: 2026-04-28
|
||||
---
|
||||
|
||||
# [[WARNO]] 전술 시뮬레이션 시스템
|
||||
|
||||
## 📌[[ brief]] Summary
|
||||
WARNO의 전술 시뮬레이션 시스템은 냉전 시대의 군사 교리와 장비 제원을 '데이터 기반 설계(Data-Driven Design)' 철학 아래 통합한 정교한 가상 전장 환경입니다 [1]. 게임 내의 시각적 파괴 효과부터 물리적 충돌, 심리적 제압 및 부대 편제에 이르는 모든 요소가 상호 연결된 데이터 구조 내에서 작동합니다 [1]. 이 시스템은 독자적인 NDF(Neutral Data Format)와 Iriszoom 엔진을 통해 소스 코드 수정 없이도 방대한 전술 데이터와 텔레메트리를 제어하여 고도의 현실감과 전략적 깊이를 구현합니다 [2, 3].
|
||||
|
||||
## 📖 Core Content
|
||||
* **Iriszoom 엔진과 시각 데이터의 통합**
|
||||
WARNO는 Iriszoom 엔진을 활용하여 광활한 전략적 조감과 개별 유닛 단위의 전술적 줌을 단일 렌더링 파이프라인에서 지원합니다 [2]. **물리 기반 렌더링(PBR) 시스템과 [[Metal]]lic/Roughness 워크플로우를 도입**하여 재질감을 사실적으로 구현했으며, 유닛 파괴 시 탄약고 유폭에 의한 포탑 사출과 같은 물리적 현상을 유닛의 상태 데이터와 동기화하여 '영속적 전장(Persistent Battlefield)'을 만들어 냅니다 [2, 4].
|
||||
|
||||
* **[[NDF (Neutral Data Format)]] 스크립트 아키텍처**
|
||||
게임의 모든 논리적 설계는 텍스트 기반 언어인 **NDF 내에 정의되어 있어 게임 코드와 데이터 값이 엄격히 분리**됩니다 [3]. `UniteDescriptor.ndf` (물리/기술 속성), `WeaponDescriptor.ndf` (무기 메커니즘), `Ammunition.ndf` (탄약 타격 로직) 등을 통해 모듈화된 디스크립터를 조립하여 유닛을 생성합니다 [3, 5]. 이 구조는 수천 개의 속성을 체계적으로 관리하며, 신속한 데이터 기반 밸런싱과 유저 모딩을 가능하게 합니다 [3, 5].
|
||||
|
||||
* **수학적 정밀도에 기반한 전투 및 장갑 역학**
|
||||
전투 시뮬레이션은 거리에 따라 명중률이 기하급수적으로 상승하는 비선형적 알고리즘을 사용하며, 이동 사격 시 스테빌라이저의 품질에 따라 페널티가 차등 적용됩니다 [6]. 장갑 관통 모델링은 실제 RHA(균질압연강판) 수치를 게임 메커니즘에 맞게 스케일링한 '장갑 점수'를 사용합니다 [7]. **운동에너지(KE) 탄자는 거리에 비례해 관통력이 감소하는 반면, 대전차 고폭탄(HEAT)이나 대전차 미사일(ATGM)은 사거리에 관계없이 관통력을 일정하게 유지**하는 특성을 데이터로 구분하여 전술적 활용도를 다르게 만들었습니다 [8].
|
||||
|
||||
* **제압(Suppression)과 응집력(Cohesion) 시스템**
|
||||
유닛들은 500점의 기본 제압 수치를 지니며, 폭발이나 아군 손실 시 수치가 누적되어 '응집력'이 하락합니다 [9]. **제압 상태가 깊어지면 명중률, 재장전 속도, 기동력이 저하**되는 페널티를 받습니다 [9]. 건물(50%) 및 숲(35%)과 같은 지형 데이터는 제압 피해에 대한 저항력을 제공하며, 헌병(Military Police) 특성과 높은 숙련도(Veterancy)는 응집력 회복을 가속하는 등 심리적 전장이 수치화되어 있습니다 [10].
|
||||
|
||||
* **텔레메트리 기반 밸런싱과 모딩 생태계**
|
||||
Eugen[[ system]]s는 커뮤니티의 단순 여론이 아닌 **방대한 텔레메트리(픽률, 승률, 킬/데스 비율 등) 데이터를 실시간으로 분석하여 가격, 무장 스펙, 가용성 등을 정밀하게 조정**합니다 [11, 12]. 또한 게임의 개방적인 데이터 구조를 통해 유저들은 NDF를 직접 수정하여 현실주의 모드(예: Reb's FRAGO)를 만들거나, [[Warno-Armory]] 및 [[War-Yes]]와 같은 데이터 파싱 도구를 제작하여 은닉된 엔진 내부 수치들을 커뮤니티와 공유하고 분석합니다 [13, 14].
|
||||
|
||||
## 🔗 Knowledge Connections
|
||||
- **Related Topics:** [[Iriszoom 엔진]], [[NDF (Neutral Data Format)]], [[텔레메트리 기반 밸런싱]], [[사단(Division) 덱 시스템]]
|
||||
- **Projects/Contexts:** [[WARNO]], [[Reb's FRAGO 모드]], [[Warno-Armory 및 War-Yes 커뮤니티 도구]]
|
||||
- **Contradictions/Notes:** 커뮤니티 일각에서는 특정 진영(예: Pact)이 편향적으로 유리하다거나, 무기 위력이 비현실적이라는 주관적 불만을 제기하기도 하지만, 개발사와 유저들의 실제 대규모 텔레메트리 데이터 분석 결과에 따르면 시스템 자체의 압도적인 진영 편향은 없으며 숙련도에 따라 승률이 균형을 이루는 것으로 나타납니다 [11, 12, 15, 16].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-28*
|
||||
@@ -0,0 +1,24 @@
|
||||
---
|
||||
category: AI & Games
|
||||
status: Final
|
||||
converted_at: 2026-04-28
|
||||
---
|
||||
|
||||
# [[WARNO]] 커뮤니티 데이터 도구 생태계
|
||||
|
||||
## 📌[[ brief]] Summary
|
||||
WARNO 커뮤니티 데이터 도구 생태계는 유저들이 게임 내 숨겨진 데이터를 추출, 분석, 시각화하여 전술적 이해도를 높이기 위해 자발적으로 구축한 다양한 서드파티 플랫폼과 파싱 도구들의 집합을 의미합니다 [1]. 이 생태계는 NDF 파일 기반의 게임 구조를 역설계하여 인게임 UI에서 제공되지 않는 은닉 데이터를 제공하며, 데이터의 민주화를 통해 유저들이 게임 역학을 깊이 이해하고 정교한 덱 빌딩과 전술을 수립할 수 있도록 지원합니다 [1, 2].
|
||||
|
||||
## 📖 Core Content
|
||||
* **데이터 추출 및 시각화 플랫폼 ([[Warno-Armory]] & [[War-Yes]]):** 유저들은 NDF 파일을 직접 읽어 분석하거나 AI 텍스트 파서를 활용하는 웹사이트를 개발했습니다 [3, 4]. 'War-Yes'는 유닛을 검색, 정렬, 필터링하고 차트를 통해 상호 비교할 수 있게 해주며, 숨겨진 명중률 곡선 등을 시각화하여 제공합니다 [1, 5]. 'Warno-Armory'는 실제 NDF 파일 파싱을 기반으로 무기 체계의 상세 로직과 AI 표적 우선순위에 영향을 미치는 '위험도(Dangerousness)' 같은 숨겨진 통계를 추출하여 제공하며, 게임 패치 직후 신속하게 최신 데이터가 반영되는 강점이 있습니다 [1, 6, 7].
|
||||
* **리플레이 및 전투력 분석 도구 ([[WARPLAN]] & WARCAL):** 'WARPLAN'은 1v1 멀티플레이어 게임의 리플레이 파일(.rpl)과 게임 종료 화면의 스크린샷(OCR 활용)을 분석하여 시간 경과에 따른 유닛 구매 내역 및 AP(활성화 포인트) 손실 타임라인을 구축하는 도구입니다 [1, 8]. 'WARCAL' 알고리즘은 유닛의 전투력을 생존성, 대장갑 살상력, 대보병 살상력, 대공 살상력, 주도권 등 5가지 지표로 정량화하여 유닛 및 진영 간의 고차원적인 객관적 비교를 지원합니다 [9].
|
||||
* **모딩 및 NDF 파싱 도구 (WME & [[ndf-parse]]):** WARNO의 스크립트 언어인 NDF 파일을 해독하고 수정하기 위한 도구들도 커뮤니티 주도로 활발히 개발되었습니다. 'Warno Mod Editor (WME)'는 통합 GUID 생성기를 포함하여 NDF 파일의 시각적 편집을 돕는 도구로, 높은 접근성을 통해 모드 제작을 지원합니다 [1, 10]. 또한, Python 기반의 'ndf-parse' 패키지는 NDF 파일을 구문 분석하고 수정된 코드를 다시 유효한 NDF 코드로 작성할 수 있게 해주는 유틸리티입니다 [11].
|
||||
* **종합 위키 및 문서화 프로젝트 (WARNO-DATA):** GitHub에서 운영되는 'WARNO-DATA' 프로젝트는 Eugen[[ system]]s의 수천 개의 NDF 파일(UniteDescriptor.ndf, WeaponDescriptor.ndf 등)에 분산된 데이터를 체계적으로 문서화한 위키입니다 [12-14]. 피해량 및 정확도 계산과 같은 핵심 게임 메커니즘에 대한 심층적인 통찰력과 데이터 딕셔너리를 커뮤니티에 제공합니다 [13, 15].
|
||||
|
||||
## 🔗 Knowledge Connections
|
||||
- **Related Topics:** [[NDF (Neutral Data Format)]], [[데이터 기반 설계(Data-Driven Design)]], [[은신과 광학 메커니즘(Stealth and Optics Mechanics)]]
|
||||
- **Projects/Contexts:** [[War-Yes 및 Warno-Armory 플랫폼]], [[WARPLAN 리플레이 분석기]], [[Warno Mod Editor (WME)]], [[WARNO-DATA GitHub 프로젝트]]
|
||||
- **Contradictions/Notes:** 게임 개발사인 [[Eugen Systems]]는 인게임 무기고나 UI를 통해 모든 데이터를 공개하지 않지만(연사 준비 시간, 위험도 등 은닉 데이터 존재), 커뮤니티는 NDF 파싱 도구를 통해 이러한 데이터를 스스로 발굴하고 공유하여 전술 최적화에 적극적으로 활용하고 있습니다 [1, 7, 16].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-28*
|
||||
@@ -0,0 +1,25 @@
|
||||
---
|
||||
category: AI & Games
|
||||
status: Final
|
||||
converted_at: 2026-04-28
|
||||
---
|
||||
|
||||
# [[WARNO]] 커뮤니티 모딩 생태계
|
||||
|
||||
## 📌[[ brief]] Summary
|
||||
WARNO의 커뮤니티 모딩 생태계는 게임의 개방적인 데이터 설계(NDF 시스템)를 바탕으로 유저들이 직접 게임 내 수치와 메커니즘을 분석, 수정, 공유하며 발전시키는 지식 및 창작 환경을 의미합니다 [1, 2]. 개발사인 Eugen[[ system]]s가 공식 모딩 가이드와 편집 도구를 제공하여 데이터 접근성을 높였으며, 이를 통해 유저들은 현실주의 모드 개발, 데이터 파싱 도구 제작, 통합 데이터베이스 구축 등 활발한 활동을 이어가고 있습니다 [2-4]. 이는 WARNO가 단순한 정적 게임을 넘어 유저 커뮤니티와 함께 호흡하며 진화하는 확장 가능한 전술 시뮬레이션 플랫폼으로 기능하게 합니다 [5, 6].
|
||||
|
||||
## 📖 Core Content
|
||||
* **개방적인 데이터 접근성 및 공식 지원:** [[Eugen Systems]]는 NDF(Neutral Data Format) 파일 구조를 통해 유저들이 게임의 핵심 소스 코드를 건드리지 않고도 유닛의 성능, 명중률, 관통력 등을 미세 조정할 수 있도록 개방적인 환경을 제공합니다 [1, 7]. 공식적인 모딩 매뉴얼과 `CreateNewMod.bat` 등의 스크립트를 기본 제공하여, 유저가 쉽게 자신만의 모드 디렉토리를 생성하고 `Divisions.ndf`, `DivisionRules.ndf`, `UniteDescriptor.ndf` 등의 파일을 수정할 수 있도록 지원하고 있습니다 [3, 4, 8-10].
|
||||
* **데이터 파싱 및 커뮤니티 도구의 발달:** 복잡한 NDF 파일을 효율적으로 다루기 위해 유저 커뮤니티는 독자적인 파싱 및 편집 도구를 자체 개발했습니다. Python 기반의 `[[ndf-parse]]` 패키지를 비롯하여 [11, 12], 고유 ID(GUID) 생성기가 통합된 전용 에디터인 '[[WME (Warno Mod Editor)]]' 등이 제작되어 모딩에 대한 진입 장벽을 낮추었습니다 [2, 13].
|
||||
* **메타 데이터베이스 및 분석 도구 구축:** 숨겨진 게임 엔진 내부의 수치들을 파싱하여 시각화하는 '[[Warno-Armory]]', '[[War-Yes]]'와 같은 웹 기반 데이터베이스 사이트가 유저들에 의해 구축되었습니다 [2, 14-17]. 또한 리플레이 데이터 파일(.rpl)과 스크린샷을 분석하여 유닛의 생존성, 살상력 등을 시계열로 추적하는 '[[WARPLAN]]'과 같은 전술 분석 도구도 커뮤니티 주도로 활발히 운영되고 있습니다 [2, 18-20].
|
||||
* **커뮤니티 주도의 지식 문서화(Wiki) 프로젝트:** WARNO의 방대한 유닛 데이터와 수천 개의 NDF 파일에 분산된 게임 메커니즘을 체계적으로 문서화하기 위해 'WARNO-DATA'와 같은 GitHub 기반의 위키 프로젝트가 진행되었습니다 [2, 21, 22]. 이 프로젝트는 유저들이 자발적으로 참여하여 데미지 계산, 명중률 공식 등을 분석하고 기록하는 집단 지성의 장으로 기능합니다 [2, 23].
|
||||
* **현실주의 모드의 등장 (Reb's FRAGO):** 커뮤니티 생태계의 대표적 성과 중 하나는 'RebsFRAGO'와 같은 고도의 현실주의(Realism) 지향 모드입니다 [2, 24]. 이 모드는 임의적인 밸런스 패치를 지양하고 무기의 최대 사거리, 탄약 크기 기반의 데미지, 폭발 반경, 이동 속도 등 모든 데이터를 실제 제원값과 일관된 계산식에 기반하여 재설계함으로써 전술적 현실성을 극대화했습니다 [24-26].
|
||||
|
||||
## 🔗 Knowledge Connections
|
||||
- **Related Topics:** [[NDF (Neutral Data Format)]], [[데이터 기반 밸런싱(Data-Driven Balancing)]], [[Iriszoom 엔진]]
|
||||
- **Projects/Contexts:** [[War-Yes 및 Warno-Armory 데이터베이스]], [[WARPLAN 리플레이 분석기]], [[RebsFRAGO 모드]], [[WARNO-DATA GitHub 위키 프로젝트]], [[WME (Warno Mod Editor)]]
|
||||
- **Contradictions/Notes:** Eugen Systems는 기본적인 모딩 매뉴얼과 NDF 참조 가이드를 공식적으로 제공하고 있으나, 수천 개의 파일에 분산된 구체적인 속성 데이터에 대한 상세한 설명은 부족한 편입니다. 이에 대한 간극은 유저 커뮤니티가 직접 WARNO-DATA 위키 문서화나 커뮤니티 디스코드 등을 통해 메우고 있습니다 [3, 21, 27].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-28*
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
category: AI & Games
|
||||
status: Final
|
||||
converted_at: 2026-04-28
|
||||
---
|
||||
|
||||
# [[War-Yes]] / [[Warno-Armory]] (커뮤니티 데이터 분석 도구)
|
||||
|
||||
## 📌[[ brief]] Summary
|
||||
War-Yes와 [[WARNO]]-Armory는 WARNO 유저 커뮤니티가 게임 내부의 데이터를 기반으로 직접 개발한 데이터 파싱 및 유닛 비교 도구 웹사이트이다 [1-3]. 이 도구들은 게임 엔진의 내부 파일(NDF)을 직접 읽어들이거나 텍스트 파서를 활용하여 인게임 UI에서는 확인할 수 없는 숨겨진 수치(Hidden stats)를 추출해 제공한다 [3-6]. 플레이어들은 이를 통해 유닛의 상세 제원을 검색, 분류, 비교할 수 있으며 데이터에 기반한 정교한 덱 빌딩과 전술을 수립할 수 있다 [1, 3].
|
||||
|
||||
## 📖 Core Content
|
||||
* **데이터 파싱 및 추출 방식:**
|
||||
* Warno-Armory는 WARNO의 실제 내부 게임 파일(NDF)을 파싱하여 구축된 온라인 무기고로, 게임 데이터가 자동으로 사이트에 연동되도록 설계되었다 [2-4, 7].
|
||||
* War-Yes는 AI 텍스트 파서를 사용해 유닛 카드 데이터를 캡처하여 만들어졌으며, 게임의 패치가 릴리스될 때마다 덱 빌더와 유닛 데이터베이스를 지속적으로 업데이트하여 최신 상태를 유지한다 [6, 8].
|
||||
|
||||
* **제공 기능 및 전술적 활용:**
|
||||
* 사용자는 이 도구들을 통해 게임 내 모든 유닛을 검색, 정렬 및 필터링할 수 있으며, 직관적인 차트와 시각적 그래프를 통해 유닛 간의 상대적 성능을 정밀하게 비교할 수 있다 [1, 5, 7].
|
||||
* 인게임 UI로는 볼 수 없는 '숨겨진 수치(Hidden values)'를 확인할 수 있는 것이 가장 큰 특징이다 [5, 9, 10]. 예를 들어, 무기의 연사 준비 시간(TempsEntreDeuxTirs)이나 전자전(ECM) 수치가 명중률에 미치는 구체적인 계산 공식 등 복잡한 전투 역학 데이터를 제공하여 유저들의 심도 있는 시뮬레이션 분석을 돕는다 [3, 11, 12].
|
||||
|
||||
* **커뮤니티 도구의 세대 교체:**
|
||||
* 초기에는 NDF 파일 파싱 기반의 전수 조사 데이터를 제공하는 Warno-Armory가 널리 사용되었으나, 현재는 사이트가 다운되면서 접근성이 떨어졌다 [7, 13].
|
||||
* 이를 대신하여 모바일 친화적인 인터페이스와 이해하기 쉬운 시각화 그래프를 제공하는 War-Yes가 WARNO 커뮤니티의 주요 데이터 분석 도구로 그 역할을 대체하고 있다 [3, 5].
|
||||
|
||||
## 🔗 Knowledge Connections
|
||||
- **Related Topics:** [[NDF (Neutral Data Format)]], [[숨겨진 스탯 (Hidden Stats)]]
|
||||
- **Projects/Contexts:** [[WARNO 모딩 및 커뮤니티 생태계]]
|
||||
- **Contradictions/Notes:** War-Yes 사이트는 방대한 데이터와 숨겨진 스탯을 제공하지만, 최근 사이트 개편 과정에서 과거에 제공하던 일부 장갑 타격(HE damage against armor) 관련 세부 정보가 누락된 것으로 보인다는 유저의 지적이 존재한다 [14].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-28*
|
||||
@@ -0,0 +1,24 @@
|
||||
---
|
||||
category: AI & Games
|
||||
status: Final
|
||||
converted_at: 2026-04-28
|
||||
---
|
||||
|
||||
# [[War-Yes]] 및 [[Warno-Armory]] 도구
|
||||
|
||||
## 📌[[ brief]] Summary
|
||||
War-Yes와 [[WARNO]]-Armory는 Eugen[[ system]]s의 전술 시뮬레이션 게임 WARNO의 데이터를 분석하고 비교하기 위해 커뮤니티 유저들이 개발한 데이터 파싱 및 유닛 비교 웹사이트 도구입니다 [1-4]. 이 도구들은 게임 내 사용자 인터페이스(UI)에서는 확인할 수 없는 숨겨진 스탯(Hidden Stats)과 엔진 내부의 수치를 추출하여 플레이어에게 제공합니다 [1, 2, 4, 5]. 이를 통해 플레이어들은 게임의 물리적 메커니즘을 깊이 있게 이해하고, 데이터에 기반한 정교한 덱 빌딩과 전술을 수립할 수 있습니다 [4].
|
||||
|
||||
## 📖 Core Content
|
||||
- **데이터 파싱 및 숨겨진 수치 발굴:** 이 도구들은 WARNO의 실제 게임 파일(NDF 파일 등)을 직접 읽어오거나 AI 텍스트 파서를 활용해 데이터를 추출하는 방식으로 구축되었습니다 [4-7]. 이를 통해 인게임 무기고(Armory)나 유닛 카드에는 표시되지 않는 엔진 내부 수치, 예를 들어 '연사 준비 시간(TempsEntreDeuxTirs)'과 같은 숨겨진 데이터를 유저들이 확인할 수 있도록 공유합니다 [4, 8].
|
||||
- **유닛 비교 및 심층 분석 기능:** 플레이어는 사이트를 통해 게임 내 모든 유닛을 탐색, 검색, 정렬, 필터링할 수 있으며, 직관적인 차트와 그래프를 이용해 유닛 성능을 비교할 수 있습니다 [2, 3]. 특히 Warno-Armory의 경우 각 스탯별 순위(랭킹)를 제공하고 '장갑 분석(Armor analytics)' 탭을 통해 장갑 수치와 관통력을 대조하여 실질적인 타격 데미지를 계산하는 기능도 지원했습니다 [1, 9].
|
||||
- **게임 메커니즘 정보의 가시화:** 유닛 데이터뿐만 아니라, War-Yes와 같은 사이트는 게임의 복잡한 역학 지식을 제공합니다. 예를 들어 대공 미사일의 명중률 계산식인 `Accuracy x (1 - ECM)`과 같은 교전 알고리즘을 분석하고 명시하여 플레이어의 이해를 돕습니다 [2, 10, 11].
|
||||
- **데이터의 민주화와 커뮤니티 생태계:** 이 도구들은 개발사의 전유물로 여겨질 수 있는 게임의 '데이터 기반 설계' 구조를 유저 커뮤니티가 직접 분석하고 역이용할 수 있게 만듭니다 [4, 12]. 이 플랫폼들은 모바일 친화적인 환경을 제공하기도 하며, 게임 패치가 적용될 때마다 유닛 데이터베이스를 지속적으로 업데이트하여 신뢰성을 유지합니다 [2, 13].
|
||||
|
||||
## 🔗 Knowledge Connections
|
||||
- **Related Topics:** [[NDF (Neutral Data Format)]], [[숨겨진 스탯(Hidden Stats)]], [[데이터 파싱(Data Parsing)]]
|
||||
- **Projects/Contexts:** [[WARNO 커뮤니티 모딩 생태계]]
|
||||
- **Contradictions/Notes:** 유저 주도 프로젝트의 특성상 도구의 운영 상태에 변화가 발생하기도 합니다. 소스에 따르면 Warno-Armory 사이트가 다운되어 접속되지 않으면서 War-Yes가 이를 대체하게 된 것으로 언급되며 [14], War-Yes 사이트 또한 개편 과정을 거치면서 과거에 제공하던 장갑 대비 고폭(HE) 데미지 계산 변환표 등 일부 정보가 누락된 적이 있다는 유저의 지적도 존재합니다 [15].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-28*
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
category: AI & Games
|
||||
status: Final
|
||||
converted_at: 2026-04-28
|
||||
---
|
||||
|
||||
# [[WARNO]] 데이터 기반 설계
|
||||
|
||||
## 📌[[ brief]] Summary
|
||||
WARNO는 단순한 실시간 전술 게임을 넘어 냉전 시대의 군사 교리와 장비 제원을 고도의 데이터 아키텍처로 치환한 가상 전장 시뮬레이션입니다 [1]. 시각적 요소부터 물리적 충돌, 심리적 제압 시스템에 이르는 모든 게임 내 요소는 NDF(Neutral Data Format)라는 독자적인 스크립트 언어와 정교한 수학적 모델링을 통해 상호 연결된 데이터 구조 내에서 작동합니다 [1, 2]. 개발사는 텔레메트리(Telemetry)를 활용하여 객관적인 데이터 기반 밸런싱을 수행하며, 유저 커뮤니티에도 이 데이터 설계를 개방하여 확장 가능한 전술 시뮬레이션 프레임워크를 구축하고 있습니다 [3, 4].
|
||||
|
||||
## 📖 Core Content
|
||||
* **Iriszoom 엔진과 시각 데이터 연동:** 물리 기반 렌더링(PBR)을 전면 도입하여 유닛과 지형의 재질별 식별성을 강화했습니다 [5, 6]. 단순한 폭발 이펙트가 아닌 탄약고 유폭 시 포탑 사출, 헬기 로터 블레이드 비산 등 동적 파괴 시스템이 유닛의 상태 데이터와 물리적으로 동기화되어 작동합니다 [5, 6].
|
||||
|
||||
* **[[NDF (Neutral Data Format)]] 아키텍처:** WARNO의 논리적 설계는 NDF 파일 내에 텍스트 기반 객체 지향 구조로 모듈화되어 있습니다 [2]. `UniteDescriptor.ndf`, `WeaponDescriptor.ndf`, `Ammunition.ndf` 등을 통해 게임 코드의 직접적인 수정 없이 유닛의 스펙, 관통력, 명중률, 사거리 데이터를 미세 조정할 수 있어 밸런싱과 모딩에 유연성을 제공합니다 [2, 7].
|
||||
|
||||
* **전투 역학의 수학적 정밀도:** 명중률은 고정된 확률이 아니라 거리가 좁혀질수록 특정 구간에서 기하급수적으로 상승하는 비선형적 거리 비례 데이터 곡선을 따르며, 이동 중 사격 시에는 스테빌라이저 유무에 따라 패널티 데이터가 감쇄됩니다 [8, 9]. 항공기에 대한 대공 미사일 명중률은 타겟의 ECM 데이터를 승수적으로 반영하여 산출($P_{final} = BaseAccuracy \times (1 - ECM)$)됩니다 [10, 11].
|
||||
|
||||
* **장갑 관통 데이터 추상화:** 실제 RHA 수치를 게임에 맞게 스케일링 한 '장갑 점수(Armor Value)'를 사용하며, 철갑탄(AP) 등 운동에너지(KE) 탄자는 거리에 비례하여 관통력이 감소하는 데이터 곡선을 가지는 반면, 대전차 고폭탄(HEAT) 및 대전차 미사일(ATGM)은 성형작약 원리를 반영해 사거리에 상관없이 일정한 관통력을 유지합니다 [12-14]. 관통 후 피해량은 장갑과 관통력의 차이에 기반하여 `(AP Value - Armor) / 2 + 1`과 같은 수학적 로직으로 계산됩니다 [15].
|
||||
|
||||
* **심리적 제압(Suppression)과 시야(Optics) 시스템:** 모든 유닛은 500점의 기본 제압 데이터를 보유하며, 피격이나 주변 폭발 시 수치가 누적되어 명중률, 재장전 속도, 기동성 수치의 하락을 유발합니다 [16]. 정찰 시스템은 관측 유닛의 광학(Optics) 수치와 대상 유닛의 은신(Stealth) 수치 간의 거리 판정을 기반으로 하며, 무기 발사 시 적용되는 소음([[Noise]]) 데이터가 은신 수치를 일시적으로 삭감시켜 노출 위험도를 높입니다 [17, 18].
|
||||
|
||||
* **사단 중심의 전략 제약과 텔레메트리 밸런싱:** 사단(Division) 편제표에 따라 유닛의 가용성(Availability) 및 슬롯 포인트 데이터를 달리 설정하여 플레이어가 전술적 장단점을 강제받도록 유도합니다 [19]. 개발사는 방대한 실시간 텔레메트리 데이터를 분석해 픽률과 교전 효율(승률, 생존 시간)을 토대로 유닛의 포인트, 무장 스펙, 특성 데이터를 객관적으로 튜닝하는 밸런싱 작업을 거칩니다 [3, 20].
|
||||
|
||||
## 🔗 Knowledge Connections
|
||||
- **Related Topics:** [[NDF (Neutral Data Format)]], [[Iriszoom 엔진]], [[텔레메트리 (Telemetry) 밸런싱]], [[Combined Arms (제병협동) 전술]]
|
||||
- **Projects/Contexts:** [[Eugen[[ system]]s의 냉전기 가상 시나리오 및 모딩 생태계 구축]]
|
||||
- **Contradictions/Notes:** WARNO의 장갑 데이터는 게임 성능 최적화와 복잡한 입사각 계산의 단순화를 위해, 경사 장갑 등에 의한 방호 효과를 추상화하여 장갑 수치 데이터 자체에 반영함으로써 실제 물리적 두께보다 높게 설정된 경우가 존재합니다 [13].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-28*
|
||||
@@ -0,0 +1,24 @@
|
||||
---
|
||||
category: AI & Games
|
||||
status: Final
|
||||
converted_at: 2026-04-28
|
||||
---
|
||||
|
||||
# 모딩 커뮤니티 도구 ([[War-Yes]], [[Warno-Armory]])
|
||||
|
||||
## 📌[[ brief]] Summary
|
||||
War-Yes와 [[WARNO]]-Armory는 WARNO 유저 커뮤니티가 자체적으로 개발한 웹 기반의 데이터 파싱 및 유닛 비교 도구입니다 [1, 2]. 이 도구들은 게임 내 UI에서는 직접 확인할 수 없는 엔진 내부의 숨겨진 수치와 메커니즘을 추출하여 시각화합니다 [2, 3]. 이를 통해 플레이어들은 게임의 복잡한 데이터 기반 설계를 깊이 이해하고, 보다 정교한 덱 빌딩과 전술을 수립할 수 있습니다 [2].
|
||||
|
||||
## 📖 Core Content
|
||||
* **데이터 파싱을 통한 숨겨진 통계 추출:** WARNO의 커뮤니티 도구들은 게임 엔진 내부에 숨겨진 수치들을 발굴하여 공유하는 역할을 수행합니다 [2]. 예를 들어, 인게임 유닛 카드에는 표시되지 않는 무기의 '연사 준비 시간(TempsEntreDeuxTirs)'이나 자동 타겟팅과 관련된 '위험도(dangerousness)' 같은 숨겨진 내부 데이터를 이 도구들을 통해 정확하게 확인할 수 있습니다 [2, 4, 5].
|
||||
* **Warno-Armory의 역할 및 특징:** 실제 WARNO의 내부 파일(NDF)을 직접 읽어들여 구축된 온라인 무기고(Armory)입니다 [6]. 무기 체계의 상세 로직과 전수 조사 데이터를 제공하며, 플레이어들이 게임 내부 파일에 담긴 방대한 데이터를 이해하기 쉬운 형태로 열람할 수 있도록 돕습니다 [3, 7].
|
||||
* **War-Yes의 역할 및 특징:** 유닛 간의 상대적 성능을 정밀하게 비교할 수 있도록 검색, 정렬, 필터링 기능과 유닛 비교 차트를 제공합니다 [1, 7]. 초기 구축 당시에는 AI 텍스트 파서를 활용해 유닛 카드의 데이터를 추출하는 방식으로 개발되었으며 [8], 숨겨진 명중률 곡선 등을 시각화하여 제공합니다 [7].
|
||||
* **전술적 이해 및 생태계 확장:** 이러한 도구들은 플레이어가 전자전(ECM) 계산식이나 체력 피해 변환 표와 같은 복잡한 수치적 기반을 이해하도록 지원합니다 [9, 10]. 또한, 리플레이 분석기인 [[WARPLAN]]이나 시각적 모드 제작을 돕는 WME(Warno Mod Editor)와 함께 작용하여, WARNO의 '데이터 기반 설계'가 제작사만의 전유물이 아닌 유저와 함께 호흡하며 진화하는 개방형 생태계로 발전하는 데 기여하고 있습니다 [7].
|
||||
|
||||
## 🔗 Knowledge Connections
|
||||
- **Related Topics:** [[NDF (Neutral Data Format)]], [[숨겨진 통계 (Hidden Stats)]]
|
||||
- **Projects/Contexts:** [[커뮤니티 데이터 도구 및 모딩 생태계]]
|
||||
- **Contradictions/Notes:** 소스에 포함된 한 유저의 언급에 따르면, Warno-Armory 웹사이트가 다운되는 문제가 발생하면서 War-Yes가 사실상 이를 대체하는 도구로 활용되기도 했습니다 [11]. 또한 War-yes의 경우 과거에는 장갑에 대한 고폭탄(HE) 피해 변환 정보 등 세부 지식을 제공했으나, 사이트 개편 이후 일부 정보가 누락되었다는 유저의 지적도 존재합니다 [10].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-28*
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
category: AI & Games
|
||||
status: Final
|
||||
converted_at: 2026-04-28
|
||||
---
|
||||
|
||||
# 제병협동 (Combined Arms)
|
||||
|
||||
## 📌[[ brief]] Summary
|
||||
[[WARNO]]에서의 제병협동은 보병, 전차, 대공, 포병, 정찰 등 서로 다른 강점과 약점을 가진 유닛들을 결합하여 상호 지원하는 전술적 진형을 구성하는 핵심 플레이 원리입니다. 각 유닛의 사거리, 장갑, 은신도 등의 데이터 특성을 기반으로 알맞은 위치에 유닛을 배치하여 적의 어떠한 유닛 조합에도 대응할 수 있게 만듭니다. 성공적인 제병협동은 전략적 우위를 제공하며, Army General 캠페인 모드에서는 부대 병종의 조합에 따라 적에게 부정적인 보정치를 부여하는 시스템적 보너스로도 작용합니다.
|
||||
|
||||
## 📖 Core Content
|
||||
* **가위바위보 상성 극복과 전술적 유연성 확보**
|
||||
WARNO의 전투는 기본적으로 '가위바위보' 원리처럼 각 유닛 간의 명확한 상성이 존재합니다(예: 공격 헬기는 전차에 강하고, 대공포는 공격 헬기에 강함) [1]. 적이 어떠한 유닛을 전장에 투입하더라도 즉각적으로 대응하기 위해서는 단일 병종이 아닌 보병, 장갑차, 포병, 항공 지원, 정찰 유닛 등을 통합한 제병협동 전술이 필수적입니다 [2-4]. 연막을 효과적으로 활용하며 다양한 유닛을 혼합하는 것은 게임에서 승리하기 위한 주요 전략 중 하나로 강조됩니다 [5].
|
||||
|
||||
* **유닛 데이터 기반의 진형(Formation) 배치 원칙**
|
||||
제병협동 진형을 구성할 때는 각 유닛의 장갑 수치, 사거리, 은신도 등 시스템적 특성 데이터를 고려하여 상호 보완적인 배치를 해야 합니다 [6].
|
||||
* **장갑과 방호**: 장갑 수치가 낮은 차량이나 비전투 유닛(보급, 지휘 차량 등)은 적의 대전차 공격을 흡수할 수 있는 장갑이 두꺼운 중전차 등의 후방에 배치하여 보호받아야 합니다 [7, 8].
|
||||
* **사거리**: ATGM(대전차 유도 미사일) 차량이나 공격 헬기와 같은 장거리 타격 유닛은 보병이나 전차 등 사거리가 짧은 유닛의 뒤에 배치해야 합니다 [7, 9]. 이는 원거리의 이점을 살리면서도 적의 공격을 받을 경우 빠르게 사거리 밖으로 후퇴할 수 있도록 하기 위함입니다 [9].
|
||||
* **은신도(Stealth)**: 대공 차량이나 보급 헬기 등 은신도가 낮아 적에게 쉽게 노출되는 유닛은 대공 보병처럼 은신도가 높은 유닛의 후방에 배치하여 생존성을 높여야 합니다 [8].
|
||||
|
||||
* **게임 내 실전 활용 및 시스템적 지원**
|
||||
실제 게임 플레이에서 스나이퍼가 보병, 전차, IFV(보병전투차량)를 후방에서 지원하는 플레이는 매우 훌륭한 제병협동의 사례로 꼽힙니다 [10]. 플레이어는 덱 빌딩 단계에서 전차, 대공 차량, 정찰 차량 등을 묶어 '전투 단(Combat Group)'을 구성할 수 있으며, 이 경우 정찰 차량이 시야를 확보하고 전차가 타격하며 대공 차량이 공중 위협을 제거하는 유기적인 제병협동이 이루어집니다 [11, 12]. 또한, Army General(턴제 캠페인) 모드에서는 서로 다른 병종을 결합하여 전투에 임할 경우, 병과 비대칭성으로 인해 적의 전투 결과에 부정적인 보정치를 부여하여 시스템적으로 직접적인 이점을 얻을 수 있습니다 [13].
|
||||
|
||||
## 🔗 Knowledge Connections
|
||||
- **Related Topics:** [[전술적 진형 (Tactical Formations)]], [[장갑 관통 및 방호 (Armor Penetration and Protection)]], [[시야 및 정찰 (Vision and Scouting)]]
|
||||
- **Projects/Contexts:** [[Army General 캠페인 (Army General Campaign)]], [[WARNO 전투 역학 (WARNO Game Mechanics)]]
|
||||
- **Contradictions/Notes:** 소스에 관련 정보 내 모순점은 발견되지 않았습니다. 제공된 모든 소스는 제병협동 전술이 WARNO 시스템 설계 내에서 필수적으로 요구되는 요소이며, 유닛의 고유 데이터(장갑, 사거리 등)에 따라 철저하게 계산되어야 함을 일관되게 강조하고 있습니다.
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-28*
|
||||
@@ -0,0 +1,24 @@
|
||||
---
|
||||
category: AI & Games
|
||||
status: Final
|
||||
converted_at: 2026-04-28
|
||||
---
|
||||
|
||||
# 제병협동 전술 (Combined Arms)
|
||||
|
||||
## 📌[[ brief]] 소스
|
||||
[[WARNO]]에서 제병협동 전술(Combined Arms)은 보병, 기갑, 포병, 항공 지원 및 정찰 등 다양한 병과가 조화롭게 협력하여 승리를 쟁취하는 핵심 전술 개념입니다 [1]. 서로 다른 특성과 능력치를 가진 유닛들을 통합하고 상호 지원하도록 배치함으로써 개별 유닛의 약점을 보완하고 적의 어떠한 유닛에도 효과적으로 대응할 수 있습니다 [2, 3]. 이는 단순한 실시간 전술 전투를 넘어 전략 모드인 아미 제너럴(Army General)에서도 시스템적으로 깊게 반영되어, 다양한 병과를 결합하면 적에게 디버프를 주고 아군에게 보너스를 부여하는 등 데이터 기반 설계의 핵심을 이룹니다 [4, 5].
|
||||
|
||||
## 📖 Core Content
|
||||
- **병과 간 상호 지원과 전술적 배치 (Mutual [[Support]] & Positioning)**: 제병협동의 핵심은 개별 유닛의 데이터 특성(사거리, 장갑, 은신 등)을 기반으로 한 상호 지원 진형을 구축하는 것입니다 [6]. 장갑이 얇은 유닛은 중장갑 유닛 뒤에, 사거리가 긴 유닛(ATGM, 공격 헬리콥터 등)은 보병이나 전차 뒤에, 비전투 및 은신 능력(Stealth)이 낮은 유닛은 후방에 배치하여 각 유닛의 특성을 극대화하고 약점을 철저히 보호해야 합니다 [7-9].
|
||||
- **란체스터의 제곱 법칙 (Lanchester's Square Law) 적용**: 게임 내 화력전에서 부대의 전투력은 보유한 유닛 화력 총합의 제곱에 비례하게 설계되어 있습니다 [10]. 서로 다른 병과(예: 전차, ATGM 차량, 보병 등)를 결합하여 십자포화(Crossfire)를 구성하면 단일 유닛으로 전투할 때보다 기하급수적으로 높은 데미지와 제압력(Suppression)을 적에게 입힐 수 있습니다 [11, 12].
|
||||
- **핵심 병과의 융합 (Integration of Key Units)**: 정찰 유닛으로 적을 식별하고, 전차와 보병으로 전선을 형성하며, 대공(AA) 유닛으로 이들을 보호하고, 연막(Smoke)을 효과적으로 사용하여 교전을 통제하는 것이 제병협동의 기본입니다 [13-16]. 일례로 저격수가 보병, 전차, IFV를 동시에 지원하도록 배치하는 것은 시스템상 매우 스마트한 제병협동 플레이로 권장됩니다 [17].
|
||||
- **아미 제너럴(Army General) 시스템과의 연동**: 턴제 전략 캠페인인 아미 제너럴 모드에서도 제병협동의 원칙은 룰로 강제됩니다. 전투에 다양한 유형의 부대를 참여시킬 경우, 적 부대에게 부정적인 수정치(negative modifier)가 적용되며, 아군에게는 추가적인 전투 보너스가 시스템적으로 계산되어 승률에 직접적인 영향을 미칩니다 [4, 5].
|
||||
|
||||
## 🔗 Knowledge Connections
|
||||
- **Related Topics:** [[란체스터의 제곱 법칙 (Lanchester's Square Law)]], [[상호 지원 (Mutual Support)]], [[아미 제너럴 (Army General)]], [[시야 및 은신 (Line of Sight & Stealth)]]
|
||||
- **Projects/Contexts:** [[WARNO 전술 가이드 (Tactical Guide)]], [[아미 제너럴 캠페인 (Army General Campaign)]]
|
||||
- **Contradictions/Notes:** 소스에 따르면 단일 병과에만 의존하거나 한 장소에 유닛을 단순히 뭉쳐놓는 '블로빙(Blobbing)' 행위는 제병협동의 원칙에 위배되며, 숙련된 플레이어의 광역 살상 무기나 포병에 의해 매우 취약하게 파훼됩니다 [18].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-28*
|
||||
@@ -0,0 +1,32 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AI-047
|
||||
category: "10_Wiki/💡 Topics/AI & ML [[MLOps]]"
|
||||
confidence_score: 0.96
|
||||
tags: [ai, machine learning, mlops, data science]
|
||||
last_reinforced: 2026-06-XX
|
||||
github_commit: "[P-Reinforce] Processed Concept Drift (개념 드리프트)."
|
||||
---
|
||||
|
||||
# [[Concept Drift (개념 드리프트)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 시간이 지남에 따라 데이터의 통계적 특성이나 생성 메커니즘 자체가 변화하여, 이전에 학습된 AI 모델의 예측 정확도와 신뢰도가 점진적으로 떨어지는 현상이다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **정의:** 머신러닝 시스템이 배포되고 운영되는 환경에서 발생하는 데이터 분포의 변화를 의미한다. 이는 단순한 '데이터 부족' 이상의 근본적인 모델 성능 저하 문제다.
|
||||
- **유형 및 원인:**
|
||||
1. **Covariate [[Shift]] (공변량 드리프트):** 입력 데이터 $P(X)$가 변하는 경우. (예: 특정 계절에만 발생하는 트래픽 패턴 변화).
|
||||
2. **Concept Drift (개념 드리프트):** 실제 데이터 생성 과정 자체가 변하여, 같은 입력 $X$에 대한 레이블 $Y$의 조건부 확률 $P(Y|X)$가 변하는 경우. (예: 사용자의 구매 행동 패턴이 시대에 따라 근본적으로 변화).
|
||||
- **탐지 및 대응:**
|
||||
1. **모니터링:** 모델 예측 결과와 실제 데이터 분포 간의 KL Divergence, JS Divergence 등을 주기적으로 측정하여 이상 징후를 포착한다.
|
||||
2. **재학습 (Retraining):** 드리프트가 감지되면 최신 데이터를 반영하여 모델을 재학습하거나(Online Learning), 모델 자체를 업데이트해야 한다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 개념 드리프트는 '일회성 문제'가 아니라, AI/MLOps 운영의 *지속적인* 관리 영역임을 인식해야 하며, 이를 위한 자동화 파이프라인(Monitoring Pipeline) 구축이 필수적이다.
|
||||
- **정책 변화:** 최근에는 설명 가능한 AI (XAI) 기법을 결합하여, 모델이 왜 성능 저하를 겪고 있는지 '어떤 개념'에서 벗어났는지 진단하는 것이 중요해지고 있다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Parent: Model Collapse (모델 붕괴 현상)
|
||||
- Related: [[MLOps]] , Data Science in UX , Continuous Monitoring
|
||||
|
||||
---
|
||||
+3
-3
@@ -1,13 +1,13 @@
|
||||
---
|
||||
id: P-REINFORCE-92F236
|
||||
category: Unified
|
||||
id: [[P-Reinforce]]-92F236
|
||||
category: "10_Wiki/💡 Topics/AI & Tools"
|
||||
confidence_score: 0.95
|
||||
tags: []
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Batch 10 - Wikified AI Connect LLM Tool"
|
||||
---
|
||||
|
||||
# [[AI Connect LLM Tool|AI Connect LLM Tool]]
|
||||
# [[AI Connect LLM Tool]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> **Connect AI**는 100% 로컬 및 오프라인 환경에서 작동하는 VS Code 전용 프리미엄 AI 코딩 에이전트입니다. 외부 서버 연결 없이 사용자의 하드웨어(Ollama/LM Studio)를 직접 활용하여 파일 생성, 편집, 터미널 명령 실행 및 개인 지식 기반(Second Brain) 연동을 지원합니다.
|
||||
@@ -0,0 +1,26 @@
|
||||
# [[AI Image Generation Workflow]]
|
||||
|
||||
## 📌 Brief Summary
|
||||
AI 이미지 생성 워크플로우는 사용자의 텍스트 기반 프롬프트를 해석하여 시각적 기호 및 데이터로 변환하는 일련의 과정이다 [1, 2]. 초기 아이디어를 구체적인 주체, 매체, 스타일, 조명 등의 층위로 구조화하여 프롬프트를 작성하는 것에서 출발한다 [2, 3]. 이후 모델별 특성에 맞춰 초기 이미지를 생성하고, 네거티브 프롬프트, 인페인팅(Inpainting), 아웃페인팅(Outpainting) 등을 통해 결과물을 반복적으로 정교화하여 최종 이미지를 완성한다 [4-6].
|
||||
|
||||
## 📖 Core Content
|
||||
* **프롬프트 구조화 (Prompt Structuring)**
|
||||
성공적인 이미지 생성을 위해서는 단순한 단어의 나열이 아닌, 주체(Subject), 매체(Medium), 환경(Environment), 조명(Lighting), 스타일(Style) 및 기술적 매개변수로 이루어진 명확한 계층적 구조가 필요하다 [2, 3, 7, 8]. 피사체에 대한 구체적인 묘사와 함께 렌즈(예: 85mm), 조명(예: 골든 아워, 림 라이팅) 등의 촬영 및 예술적 전문 용어를 사용하면 AI 모델의 제어력을 극대화할 수 있다 [9-11].
|
||||
|
||||
* **플랫폼 특화 워크플로우 (Platform-specific Workflows)**
|
||||
* *미드저니(Midjourney):* 2026년 기준 V7 모델에서는 '드래프트 모드(--draft)'를 활용해 저비용으로 빠르게 다수의 시안을 대량 생성한 뒤, 최적의 구도를 선택하여 고화질(HD)로 업스케일링하는 작업 방식이 효율적이다 [6, 12, 13]. 또한, 일관된 스타일과 서사를 위해 스타일 참조(--sref) 및 옴니 참조(--oref) 매개변수를 적극 활용한다 [14-16].
|
||||
* *DALL-E 3:* 텍스트 지시의 정확한 이행에 강점이 있으며, 사용자가 짧은 프롬프트를 입력해도 ChatGPT가 내부적으로 상세한 합성 캡션(Synthetic Captions)으로 확장하여 이미지를 정교하게 생성한다 [17-20].
|
||||
* *스테이블 디퓨전(Stable Diffusion):* 프롬프트 가중치 조절(예: `(keyword:1.5)`) 기능을 통해 특정 단어의 중요도를 세밀하게 조정하며, 컨트롤넷(ControlNet) 등을 통해 하드웨어 수준의 정밀한 통제력을 발휘하는 것이 특징이다 [21-23].
|
||||
|
||||
* **반복적 정교화 및 후처리 (Iterative Refinement)**
|
||||
이미지 생성 워크플로우는 첫 번째 생성에서 끝나지 않고 모델과의 반복적인 협업 과정으로 이어진다 [4, 5, 24].
|
||||
* **네거티브 프롬프트 (Negative Prompts):** 원치 않는 요소나 시각적 결함(예: 일그러진 손가락, 워터마크)이 발생하면 이를 네거티브 프롬프트에 명시적으로 추가하여 제거한다 [23, 25-27].
|
||||
* **부분 수정 및 시야 확장:** 미드저니의 'Vary (Region)'과 같은 인페인팅 기능을 사용해 이미지의 전체적인 맥락을 유지한 채 특정 영역(예: 인물의 모자)만 수정하거나, 'Zoom Out(아웃페인팅)'을 통해 캔버스 밖의 배경을 자연스럽게 확장한다 [5, 28-30].
|
||||
|
||||
## 🔗 Knowledge Connections
|
||||
- **Related Topics:** [[Prompt Engineering]], [[Negative Prompts]], [[Image Parameters]], [[Inpainting & Outpainting]]
|
||||
- **Projects/Contexts:** [[Midjourney V7 Draft Mode]], [[DALL-E 3 Synthetic Captioning]]
|
||||
- **Contradictions/Notes:** DALL-E 3는 "no", "without"과 같은 부정형 지시어를 잘 이해하지 못해 오히려 해당 객체를 생성할 위험이 있으므로 모든 지시를 긍정형 문장으로 우회해야 하는 반면 [20, 31], 스테이블 디퓨전은 구조화된 네거티브 프롬프트 섹션을 통해 워터마크나 신체 왜곡 등의 결함을 적극적으로 차단해야 한다는 점에서 플랫폼별 대응 방식에 뚜렷한 차이가 존재한다 [23, 26, 32].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-30*
|
||||
@@ -0,0 +1,24 @@
|
||||
# AI 안전 (AI Safety)
|
||||
|
||||
## 📌 Brief Summary
|
||||
AI 안전(AI Safety)은 AI 시스템이 설계된 목표 내에서만 안전하게 작동하도록 보장하고, 인간에게 해로운 행동을 하지 못하도록 방지하는 기술적 보안 및 예방 체계입니다 [1]. 인간보다 강력한 지능이 탄생했을 때, 그 지능이 인간의 목표와 일치(Alignment)하도록 설계하고, 돌발 상황에서도 오작동하지 않는 견고함(Robustness)을 갖추는 것이 핵심입니다 [1, 2].
|
||||
|
||||
## 📖 Core Content
|
||||
* **3대 연구 및 기술 영역**
|
||||
- **기술적 견고성 (Technical Robustness)**: 적대적 공격(Adversarial Attack)이나 처음 보는 돌발 상황에서도 AI가 붕괴하지 않고 안전하게 관리되는 성질 [1, 3].
|
||||
- **정렬 및 인센티브 설계 (Alignment/Incentive Design)**: 모델이 점수를 얻기 위해 지름길(Cheat)을 택하지 않고, 인간의 실제 의도와 가치를 충실히 따르도록 설계하는 기술 [1, 4].
|
||||
- **감시 및 통제 (Monitoring & Control)**: 신경망의 판단 논리를 인간이 이해할 수 있게 분석하는 '기계적 해석 가능성(Mechanistic Interpretability)'과, 비정상 징후 시 즉시 차단(Kill-switch)할 수 있는 체계를 포함합니다 [1, 5, 6].
|
||||
|
||||
* **주요 위협 및 대응**
|
||||
- 딥페이크(Deepfakes)를 통한 여론 조작, 자율 무기 시스템의 오류, 통제권을 벗어난 초지능(AGI)의 출현 등이 주요 위협 사례입니다 [1].
|
||||
- 현대의 정책은 배포 전 레드팀(Red-teaming)을 통한 사전 검증을 의무화하고 있으며, 단순히 기술적 안전을 넘어 사회적 가치와 공존하는지 검증하는 '거버넌스 연계형 AI 안전'으로 확장되고 있습니다 [1, 7].
|
||||
|
||||
## ⚖️ Trade-offs & Caveats
|
||||
- **성능-안전 시너지**: AI 안전이 모델 성능을 늦춘다는 비판도 있으나, 정교하게 정렬된(Aligned) 모델이 오히려 더 나은 사고 능력과 실무 성능을 보여주는 시너지가 확인되고 있습니다 [1].
|
||||
|
||||
## 🔗 Knowledge Connections
|
||||
- **Related Topics**: [[AI 정렬 (AI Alignment)]], [[AI 거버넌스 (AI Governance)]], [[안전 및 신뢰성 (Safety & Reliability)]], [[윤리 및 AI (Ethics & AI)]]
|
||||
- **Projects/Contexts**: [[UK AI Safety Summit]], [[RLHF (Reinforcement Learning from Human Feedback)]]
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-30*
|
||||
@@ -0,0 +1,23 @@
|
||||
# AI 에이전트 (AI Agents)
|
||||
|
||||
## 📌 Brief Summary
|
||||
AI 에이전트(AI Agent)는 단순히 사용자의 질문에 답하는 것을 넘어, 스스로 목표를 설정하고 계획을 수립하며 외부 도구(브라우저, 터미널 등)를 사용하여 주어진 과업을 자율적으로 완수하는 행동 주체입니다 [1, 2]. 거대 언어 모델(LLM)의 추론 능력을 두뇌로 삼아 실제 환경에 변화를 일으키는 '실행자(Executor)'로서의 역할을 수행합니다 [1, 3].
|
||||
|
||||
## 📖 Core Content
|
||||
* **핵심 작동 메커니즘 (ReAct 패턴 등)**
|
||||
- **추론 및 계획 (Reasoning & Planning)**: 복잡한 문제를 작은 단계로 분해(Chain-of-Thought)하고 목표 달성을 위한 전략적 워크플로우를 수립합니다 [1, 4].
|
||||
- **도구 활용 및 실행 (Tool Use & Action)**: API 호출, 웹 검색, 파일 시스템 접근 등 외부 인터페이스를 통해 실제 세계와 상호작용합니다 [1, 3, 5].
|
||||
- **기억 관리 (Memory Management)**: 대화의 맥락을 유지하는 단기 기억과, 과거 지식 및 RAG를 활용하는 장기 기억을 결합하여 일관된 수행 능력을 보유합니다 [1, 6].
|
||||
|
||||
* **에이전틱 워크플로우 (Agentic Workflow)**
|
||||
사용자의 추상적 요청을 구체적 작업 단위로 분해하고, 각 단계를 실행하며, 결과를 관찰(Observation)하여 다음 행동을 결정하는 루프 기반의 자율성을 가집니다 [1]. 대표적인 사례로는 AutoGPT, BabyAGI, 그리고 Antigravity 프로젝트의 에이전트 시스템이 있습니다 [1, 7].
|
||||
|
||||
## ⚖️ Trade-offs & Caveats
|
||||
- **안정성 확보**: 자율적 에이전트는 무한 루프나 환각(Hallucination)에 빠질 위험이 있습니다. 이를 방지하기 위해 에이전트가 자신의 결과를 검토하는 '자기 교정(Self-Correction)' 루프와, 인간이 중간에 개입하는 'Human-in-the-loop' 설계가 필수적입니다 [1, 8].
|
||||
|
||||
## 🔗 Knowledge Connections
|
||||
- **Related Topics**: [[다중 에이전트 시스템 (Multi-Agent Systems)]], [[에이전트 통신 규약 (Agent Communication Protocol)]], [[RAG (Retrieval-Augmented Generation)]], [[마음의 이론 (Theory of Mind in AI)]]
|
||||
- **Projects/Contexts**: [[Antigravity Agentic Coding]], [[ReAct 패러다임]]
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-30*
|
||||
@@ -0,0 +1,28 @@
|
||||
# [[AI 이미지 생성 도구 및 매개변수]]
|
||||
|
||||
## 📌 Brief Summary
|
||||
AI 이미지 생성 도구는 사용자의 텍스트 프롬프트를 해석하여 시각적 결과물로 변환하는 플랫폼으로, 대표적으로 Midjourney, DALL-E 3, Stable Diffusion 등이 있습니다[1, 2]. 매개변수(Parameters)는 프롬프트에 추가되어 이미지의 종횡비, 예술적 스타일의 강도, 무작위성 등을 정밀하게 제어하는 명령어 및 가중치 시스템입니다[3-5]. 각 생성 도구는 고유한 알고리즘과 명령어 문법을 가지므로, 이를 적절히 활용하는 것이 성공적인 프롬프트 작성의 핵심입니다[6, 7].
|
||||
|
||||
## 📖 Core Content
|
||||
|
||||
**1. 주요 AI 이미지 생성 도구의 특성**
|
||||
* **Midjourney**: 시네마틱한 완성도와 독보적인 예술적 감각을 제공하여 전문가 집단에서 널리 선호됩니다[1, 8]. 2026년 기준 기본 모델인 V7은 드래프트 모드(Draft Mode)를 통해 빠르고 저렴하게 시안을 대량 생산할 수 있으며, 자연어 처리 능력이 향상되었습니다[9-11].
|
||||
* **DALL-E 3 (OpenAI)**: 자연어에 대한 이해도가 매우 높아 복잡한 프롬프트의 지시를 정확히 따르며, 이미지 내에 텍스트(글자)를 렌더링하는 능력이 탁월합니다[1, 12-14]. 복잡한 기술적 매개변수보다는 대화형 자연어 묘사에 가장 잘 반응합니다[12, 15].
|
||||
* **Stable Diffusion**: 오픈 소스 기반으로 높은 유연성과 맞춤 설정(Fine-tuning) 기능을 제공합니다[1, 2, 5, 16]. 하드웨어 수준에서 제어가 가능하며, 복잡한 프롬프트 가중치 조절과 강력한 부정 프롬프트 제어를 통해 정밀한 결과물을 얻을 수 있습니다[5, 17, 18].
|
||||
* **Adobe Firefly**: Adobe Creative Cloud와 원활하게 통합되어 전문가의 워크플로우를 보완하며, 저작권 측면에서 상업적으로 안전하게 사용할 수 있는 고품질 이미지를 생성하는 데 특화되어 있습니다[2, 19, 20].
|
||||
|
||||
**2. 핵심 매개변수 (Parameters) 및 활용법**
|
||||
매개변수는 주로 프롬프트 텍스트의 마지막에 덧붙여서 이미지 생성 방식을 직접적으로 미세 조정합니다[3, 4].
|
||||
* **종횡비 조절 (Aspect Ratio)**: `--ar` 매개변수(예: `--ar 16:9`)를 사용하여 이미지의 가로세로 비율을 지정합니다[21, 22].
|
||||
* **스타일라이즈 (Stylize)**: `--stylize` 또는 `--s` (예: `--s 100-1000`)를 통해 AI의 예술적 개입 강도를 조절합니다. 값이 높을수록 미학적이고 예술적인 결과가 나오며, 낮을수록 사용자의 텍스트 지시에 더 문자 그대로 충실해집니다[8, 21, 23, 24].
|
||||
* **무작위성 (Chaos)**: `--chaos` 또는 `--c` (예: `--c 0-100`)는 생성되는 초기 이미지 4장 간의 다양성과 무작위성을 부여합니다. 값이 클수록 서로 매우 다른 결과물이 도출됩니다[21, 25].
|
||||
* **참조 기능 (References)**: Midjourney에서는 특정 이미지의 URL을 활용하여 스타일을 복제하는 **스타일 참조(`--sref`)**와 캐릭터의 일관성을 유지하는 **캐릭터 참조(`--cref`)**를 지원합니다[8, 26-28]. V7에서 추가된 **옴니 참조(`--oref`)**는 사물의 고유한 형태와 정체성까지 일관되게 유지해줍니다[8, 9, 29].
|
||||
* **가중치 제어 (Weights)**: Stable Diffusion의 경우 `(keyword:factor)` 형태(예: `(dog:1.1)`) 또는 괄호를 중첩하여 특정 단어의 중요도와 강도를 숫자로 세밀하게 조정합니다[5, 17, 30, 31]. Midjourney에서는 다중 프롬프트를 분리할 때 `::` 기호를 써서 개별 요소의 가중치를 설정할 수 있습니다[32, 33].
|
||||
|
||||
## 🔗 Knowledge Connections
|
||||
- **Related Topics:** [[프롬프트 구조 및 문법]], [[부정 프롬프트(Negative Prompt)]], [[스타일 및 캐릭터 참조(References)]]
|
||||
- **Projects/Contexts:** 사용자가 각기 다른 아키텍처를 지닌 AI 플랫폼(Midjourney, DALL-E, Stable Diffusion 등)의 특성을 파악하고, 각 모델의 '방언'에 해당하는 매개변수와 가중치를 조절하여 본인이 의도한 미학적, 상업적 이미지를 완벽하게 구현하려는 맥락
|
||||
- **Contradictions/Notes:** DALL-E 3는 사용자의 자연어 묘사나 복잡한 지시를 따르는 데는 탁월하지만 "not", "no", "without"과 같은 부정 지시어를 잘 처리하지 못하고 오히려 해당 객체를 생성하는 경향이 있습니다[14, 34, 35]. 반면 Midjourney나 Stable Diffusion은 `--no` 매개변수 또는 전용 '부정 프롬프트' 섹션을 활용하여 원치 않는 요소(예: 손가락 기형, 워터마크 등)를 매우 효과적으로 제거할 수 있습니다[5, 18, 25].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-30*
|
||||
@@ -0,0 +1,25 @@
|
||||
# [[AI 이미지 생성 워크플로우 (AI Image Generation Workflow)]]
|
||||
|
||||
## 📌 Brief Summary
|
||||
AI 이미지 생성 워크플로우는 창작자가 텍스트 프롬프트를 입력하여 초기 이미지를 생성한 후, 반복적인 수정과 세부 조정을 통해 최종 결과물을 완성하는 일련의 과정이다 [1-3]. 이 과정은 명확한 피사체(Subject), 스타일, 조명 등의 뼈대를 잡는 단순한 프롬프트로 시작하여, 결과물을 평가한 뒤 점진적으로 부정 프롬프트(Negative Prompt)와 세부 매개변수를 추가하며 발전시킨다 [4-6]. 최근에는 단일 이미지 생성을 넘어 시안(Draft)을 빠르게 대량 생산하고 최적의 구도를 선택하거나, 일관된 스타일 참조 기능을 활용하는 등 전문가 수준의 파이프라인으로 진화하고 있다 [7, 8].
|
||||
|
||||
## 📖 Core Content
|
||||
|
||||
* **반복적 프롬프트 정교화 (Iterative Prompting):**
|
||||
AI 이미지 생성은 단 한 번의 완벽한 프롬프트로 끝나는 것이 아니라, 넓고 모호한 지시에서 시작해 구체적이고 좁은 지시로 나아가는 고도의 반복적 과정이다 [1-3]. 단순하고 명확한 아이디어로 시작해 생성된 이미지를 바탕으로 예술적 요소, 조명, 환경 등의 세부 사항을 덧붙이는 방식이 권장된다 [4, 9]. 일반적으로 첫 프롬프트로 80%의 틀을 완성하고, 3~5번의 변형과 후속 프롬프트를 통해 세부 사항을 다듬어 나간다 [10].
|
||||
* **모델별 맞춤형 워크플로우 전략:**
|
||||
* **Midjourney:** V7 모델의 '드래프트 모드(Draft Mode)'를 활용해 저렴하고 빠른 속도로 여러 시안을 생성한 뒤, 가장 나은 구도를 고화질(HD)로 승격시키는 파이프라인이 비용과 시간 측면에서 효과적이다 [7, 11]. 이후 `--sref`(스타일 참조)나 `--oref`(옴니 참조) 파라미터를 사용하여 일관된 시각적 방향성을 재사용하며 편집을 진행한다 [8, 12, 13].
|
||||
* **DALL-E 3:** 사용자의 짧은 프롬프트를 ChatGPT의 언어 모델이 자동으로 상세하게 확장(Augment)해 주는 특징이 있다 [14-16]. 텍스트 렌더링 능력이 뛰어나 로고나 포스터 제작에 적합하지만, 사용자의 의도를 그대로 반영하려면 "프롬프트를 변경하지 말고 그대로 사용할 것"이라는 명시적인 지시가 필요할 수 있다 [16-18].
|
||||
* **Stable Diffusion:** 프롬프트 가중치(Prompt Weights)와 부정 프롬프트(Negative Prompt)를 핵심 통제 수단으로 사용한다 [19-21]. 결과물의 결함을 진단한 뒤, 5-10개의 구체적인 단어를 부정 프롬프트에 명시하여 원치 않는 요소를 제거해 나가는 방식이 필수적이다 [6, 22-24].
|
||||
* **사후 편집 및 이미지 확장:**
|
||||
원하는 결과물의 분위기에 근접했을 경우, 프롬프트 전체를 갈아엎기보다는 사후 편집 도구를 사용하는 것이 효율적이다 [1, 25]. 인페인팅(Inpainting, 미드저니의 Vary Region 등) 기능을 사용하면 원본 이미지의 맥락을 유지한 채 특정 부분(예: 인물의 모자 등)만 선택해 수정하거나 새로운 요소를 추가할 수 있다 [26-30]. 또한 아웃페인팅(Zoom Out, Pan)을 통해 원본 이미지의 바깥쪽 공간을 확장하여 캔버스를 넓히고 구도를 재설정할 수 있다 [30-32].
|
||||
* **프롬프트의 계층적 구성 요소:**
|
||||
성공적인 워크플로우를 위한 프롬프트는 논리적인 계층 구조를 가진다. 일반적으로 주체(Subject), 맥락/환경(Context/Environment), 스타일/매체(Style/Medium), 기술적 세부사항(Technical Details: 구도 및 조명)의 순서나 결합으로 구성하여 AI가 우선순위를 쉽게 파악할 수 있도록 돕는다 [5, 33, 34].
|
||||
|
||||
## 🔗 Knowledge Connections
|
||||
- **Related Topics:** [[프롬프트 엔지니어링 (Prompt Engineering)]], [[부정 프롬프트 (Negative Prompt)]], [[인페인팅 및 아웃페인팅 (Inpainting and Outpainting)]], [[프롬프트 가중치 (Prompt Weights)]]
|
||||
- **Projects/Contexts:** [[미드저니 V7 드래프트 모드 (Midjourney V7 Draft Mode)]], [[DALL-E 3와 ChatGPT 통합 워크플로우]]
|
||||
- **Contradictions/Notes:** 부정 프롬프트 사용과 관련하여, Stable Diffusion에서는 원치 않는 요소를 배제하고 이미지 품질을 높이기 위한 필수적이고 강력한 도구로 활용되지만 [21, 24, 35], DALL-E 3 모델은 "No", "Without"과 같은 부정 지시어를 잘 처리하지 못하고 오히려 해당 요소를 생성해버리는 경향이 있어 긍정형 문장 위주로 프롬프트를 구성해야 한다는 기술적 차이점이 있다 [16, 36, 37].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-30*
|
||||
@@ -0,0 +1,25 @@
|
||||
# [[AI 이미지 생성 파이프라인]]
|
||||
|
||||
## 📌 Brief Summary
|
||||
AI 이미지 생성 파이프라인은 사용자가 입력한 텍스트 프롬프트나 기존 이미지를 기계가 해석 가능한 데이터로 변환하여 시각적 결과물을 만들어내는 과정이다 [1, 2]. 이 과정의 핵심은 추상적인 텍스트 기호를 잠재 공간(Latent Space)의 구체적 좌표로 매핑하여 픽셀 단위로 구현하는 것이다 [2]. 주로 확산 모델(Diffusion Models), 생성적 적대 신경망(GANs), 변분 자동인코더(VAEs) 등의 기계 학습 아키텍처를 기반으로 작동하며, 특히 확산 모델은 무작위 노이즈에서 시작해 점진적으로 노이즈를 제거하며 사용자의 의도에 맞는 이미지를 형성한다 [3-6].
|
||||
|
||||
## 📖 Core Content
|
||||
* **기술적 기반 및 주요 모델 구조**
|
||||
AI 이미지 생성 파이프라인을 구성하는 핵심 아키텍처로는 GANs, VAEs, 그리고 확산 모델(Diffusion Models)이 있다 [3-5]. 최근 텍스트-이미지 생성에 가장 널리 쓰이는 확산 모델의 파이프라인은 텍스트 프롬프트를 데이터로 변환한 뒤, 무작위 노이즈 상태에서 출발하여 점진적으로 노이즈를 제거(Reverse Diffusion)해 나가는 방식으로 최종 이미지를 도출한다 [1, 6]. 2026년의 최신 모델들은 텍스트 인코더와 잠재 공간을 밀접하게 정렬시켜 프롬프트의 미세한 뉘앙스까지 픽셀 단위로 정확하게 구현하는 수준에 도달하였다 [2].
|
||||
|
||||
* **텍스트 프롬프트와 파이프라인의 상호작용**
|
||||
이미지 생성 파이프라인에서 프롬프트는 단순한 단어의 나열이 아니라, 인공지능의 신경망 구조에 부합하는 계층적 지시어 역할을 한다 [2]. 긍정 프롬프트(Positive Prompt)가 생성 과정의 타겟(Target) 역할을 수행한다면, 부정 프롬프트(Negative Prompt)는 회피 지도(Avoidance Map)로 작동하여 파이프라인이 원치 않는 실패 패턴으로 편향되는 것을 막아준다 [7, 8].
|
||||
|
||||
* **반복적 정교화와 파이프라인 확장**
|
||||
효과적인 생성 파이프라인은 단일 입력으로 끝나는 것이 아니라, 베이스 이미지(Base Image)를 생성한 후 점진적으로 수정해 나가는 반복적 정교화(Iterative Process)를 포함한다 [9]. 초기 결과물을 바탕으로 인페인팅(Inpainting), 아웃페인팅(Outpainting), 영역별 변주(Vary Region) 등의 파이프라인 단계를 거쳐 원본의 맥락을 유지하면서 세부 요소를 변경하거나 캔버스를 확장할 수 있다 [9, 10]. 또한, 기존 이미지를 기반으로 스타일을 변환하는 이미지 간 변환(Image-to-Image) 파이프라인을 통해 완전히 새로운 결과물을 만들어낼 수도 있다 [11, 12].
|
||||
|
||||
* **에이전틱 크리에이티브 및 연속적 워크플로우 (2026 트렌드)**
|
||||
최신 AI 이미지 생성 파이프라인은 단발성 생성에서 '연속적 창작 워크플로우'로 진화했다 [13]. 미드저니 V7의 드래프트 모드(Draft Mode)처럼 저비용·초고속으로 대량의 시안을 생성한 뒤 최적의 결과물을 고화질로 승격시키는 설계가 도입되었다 [13-15]. 더 나아가 생성된 정적 이미지를 비디오로 변환하는 단계까지 파이프라인이 매끄럽게 연결되며, 스타일 참조(--sref) 및 객체 참조(--oref) 기능을 통해 파이프라인 전반에 걸쳐 미학적 일관성을 유지할 수 있게 되었다 [13, 14, 16, 17].
|
||||
|
||||
## 🔗 Knowledge Connections
|
||||
- **Related Topics:** [[Diffusion Models]], [[Latent Space]], [[Prompt Engineering]], [[Negative Prompt]]
|
||||
- **Projects/Contexts:** [[Midjourney V7/V8 Alpha]], [[DALL-E 3]], [[Stable Diffusion]]
|
||||
- **Contradictions/Notes:** 소스 39와 17에서는 미드저니(Midjourney) 파이프라인이 매개변수(Parameter)를 통한 수치 제어 및 고유의 예술적 개입에 의존한다고 설명하는 반면, 소스 20 및 21에서는 DALL-E 3의 파이프라인이 매개변수 대신 자연어에 크게 의존하며 GPT-4가 사용자의 프롬프트를 자동으로 상세하게 확장(Expansion)하여 이미지를 생성한다고 분석하여 플랫폼 간의 프롬프트 처리 파이프라인 설계에 차이가 있음을 보여준다 [18-20].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-30*
|
||||
@@ -1,46 +1,29 @@
|
||||
---
|
||||
category: Unified
|
||||
tags: [auto-consolidated, technical-documentation]
|
||||
title: ABA (Applied Behavior [[Analysis|Analysis]], 응용 행동 분석)
|
||||
last_updated: 2026-05-02
|
||||
id: ABA-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.0
|
||||
tags: [[[Psychology]], [[Behavior]]al-science, [[Reinforcement-Learning]], aba, pedagogy]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# ABA (Applied Behavior [[Analysis|Analysis]], 응용 행동 분석)
|
||||
# ABA (Applied Behavior [[Analysis]], 응용 행동 분석)
|
||||
|
||||
## 📌 Brief Summary
|
||||
## 📌 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.
|
||||
|
||||
---
|
||||
|
||||
> 지식 요약 정보 추출 중...
|
||||
|
||||
## 📖 Core Content
|
||||
## 📖 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.
|
||||
- **[[prompt]]ing & 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.
|
||||
|
||||
---
|
||||
|
||||
본문 구조화 작업 중...
|
||||
|
||||
## ⚖️ Trade-offs & Caveats
|
||||
## ⚠️ 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.
|
||||
|
||||
---
|
||||
|
||||
- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요.
|
||||
- **정책 변화:** Design & Experience 분야의 자동 자산화 수행.
|
||||
|
||||
## 🔗 Knowledge Connections
|
||||
- [[Psychology-of-Learning|Psychology-of-Learning]], [[Reinforcement-Learning|Reinforcement-Learning]], [[Alignment|Alignment]], [[Habit-Formation|Habit-Formation]]
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Psychology-of-Learning]], [[Reinforcement-Learning]], [[Alignment]], [[Habit-Formation]]
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/ABA.md
|
||||
|
||||
---
|
||||
|
||||
- Raw Source: 00_Raw/2026-04-20/응용 행동 분석(ABA)], [행동 경제학], [교육 심리학의 행동주의 모델.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 +1,27 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AI-SAFETY
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.0
|
||||
tags: [[[AI Safety]], [[Alignment]], Risk [[Management]], AI Ethics]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# AI-Safety (AI 안전)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "브레이크 없는 기차는 재앙이다." 인간보다 강력한 지능이 탄생했을 때, 그 지능이 인간의 목표와 문명을 파괴하지 않도록 기술적/방어적 보호막을 구축하는 가장 시급한 연구 분야다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **[[Robustness]]**:
|
||||
- 적대적 공격(Adversarial Attack)이나 처음 보는 돌발 상황에서도 AI가 오작동하지 않고 안전하게 관리되는 성질.
|
||||
- **[[Interpretability]]**:
|
||||
- 신경망이라는 블랙박스 내부에서 어떤 논리 구조로 판단을 내리는지 인간이 읽을 수 있게 시각화하고 분석하는 기술(Mechanistic Interpretability).
|
||||
- **Scalable Oversight**:
|
||||
- 인간이 이해하기 힘든 복잡한 지능을 가진 AI를 다른 AI가 감시하게 하여, 인간의 통제력을 잃지 않게 하는 감시 체계.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- AI 안전은 종종 모델의 성능 발전을 늦춘다는 비판을 받는다. 그러나 최근 연구에 따르면, 안전하게 설계된 모델(Aligned model)이 정제된 사고 능력 덕분에 실제 실무 성능도 더 높게 나타나는 '보안-성능 시너지'가 확인되고 있다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[AI-Alignment]] , AI-Governance
|
||||
- [[Strategy]]: [[Reliability_Safety_First]]
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-AISA-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.99
|
||||
tags: [auto-reinforced, ai-safety, [[Alignment]], existential-risk, [[Robustness]], evaluation]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[AI Safety]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "지능의 고비를 넘는 안전장치: AI가 인간의 의도를 오해하거나 예측 불가능하게 행동하여 신체적, 정신적, 사회적 피해를 입히지 않도록 연구하는 기술적 보안 및 예방 체계."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
AI 안전(AI Safety)은 AI 시스템이 설계된 목표 내에서만 안전하게 작동하도록 보장하고, 인간에게 해로운 행동을 하지 못하도록 방지하는 데 초점을 맞춘 분야입니다.
|
||||
|
||||
1. **3대 연구 영역**:
|
||||
* **Technical Robustness**: 외부 공격(Adversarial attacks)이나 예외 상황에서도 모델이 무너지지 않게 함.
|
||||
* **Incentive Design (Alignment)**: 모델이 점수를 얻기 위해 '지름길(Cheat)'을 택하지 않고 진짜 목적을 따르도록 설계.
|
||||
* **Monitoring & Control**: AI의 비정상적 징후를 감지하고 즉시 차단(Kill-switch)할 수 있는 가시성 확보.
|
||||
2. **주요 위협 사례**:
|
||||
* Deepfakes을 통한 여론 조작, 자율 무기 시스템의 오류, 통제권을 벗어난 초지능(AGI)의 출현.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 '버그 수정' 수준의 사후 대응 정책이었으나, 현대 정책은 모델 배포 전 레드팀(Red-teaming)을 통한 '사전 안전 검증 정책'을 법적 의무로 강화함(RL Update).
|
||||
- **정책 변화(RL Update)**: 단순히 기술적 안전을 넘어, 사회적 가치와 공존하는지 검증하는 '거버넌스 연계형 AI 안전 정책'이 글로벌 안전 서밋(UK AI Safety Summit 등)의 핵심 의제가 됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Alignment]], [[AI Governance]], [[Safety & Reliability]], [[Generative-AI]]-Safety, [[Ethics & AI]]
|
||||
- **Modern Tech/Tools**: RLHF (Reinforcement Learning from Human Feedback), Jailbreak [[Testing]], Model evaluation suites.
|
||||
---
|
||||
@@ -0,0 +1,33 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-76F9E4
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - AI 코드 리뷰"
|
||||
---
|
||||
|
||||
# [[AI 코드 리뷰]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> AI 코드 리뷰는 인공지능 에이전트나 머신러닝(ML) 기반의 정적 분석 도구([[SAST]])를 활용하여 소스 코드의 결함, 보안 취약점, 스타일 위반 및 로직 오류를 식별하는 자동화 프로세스입니다 [1-3]. IDE, CI/CD 파이프라인, 풀 리퀘스트(PR) 등 개발 워크플로우에 통합되어 개발자에게 실시간에 가까운 피드백과 자동 수정(Auto-fix) 제안을 제공합니다 [2, 4-8]. 이를 통해 코드 리뷰의 대기 시간을 줄이고 일관된 품질 표준을 강제할 수 있지만, 아키텍처 의도나 비즈니스 로직의 문맥을 깊이 이해하는 데는 한계가 있어 인간 검토자와의 하이브리드 접근 방식이 필수적으로 요구됩니다 [5, 9-12].
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **작동 방식 및 주요 기술**: 기존의 규칙 기반 정적 분석에 머신러닝(ML), 대규모 언어 모델(LLM) 등을 결합하여 코드의 문맥, 데이터 흐름(Data flow), 오염 추적(Taint [[Analysis]]) 등을 시맨틱하게 분석합니다 [4, 13-18].
|
||||
- **주요 이점**: 대규모 코드베이스를 단 몇 초에서 몇 분 안에 스캔하여 보안 취약점과 버그를 조기에 발견합니다 [19, 20]. 시니어 검토자의 큐(Queue)에서 저위험군 코멘트를 제거하여 PR 검토 주기를 최대 40%까지 단축시키며, 결과적으로 인간 검토자가 아키텍처 설계와 비즈니스 로직에 집중할 수 있도록 돕습니다 [5, 11, 19].
|
||||
- **한계점 및 위험성**: AI는 코드의 전반적인 아키텍처 의도나 비즈니스 로직을 완벽히 이해하지 못하는 '문맥 맹점(Context Blindness)'을 지닙니다 [12, 21, 22]. 또한, 오탐지(False Positives)를 발생시키거나 환각(Hallucination)에 의한 잘못된 수정안을 제안할 위험이 존재하며, 검토자가 AI를 맹신하여 비판적 사고가 저하되는 '녹색 체크 표시 증후군(Green Check Mark Syndrome)'을 초래할 수 있습니다 [12, 23-25].
|
||||
- **하이브리드 리뷰 모델 및 거버넌스**: 2025년 이후의 현대 소프트웨어 개발에서는 AI 자동화 리뷰와 인간의 수동 리뷰를 결합한 '하이브리드(Hybrid) 리뷰'가 모범 사례로 꼽힙니다 [9-11, 26-28]. 일반적인 취약점 패턴이나 문법 등 기계적인 검증은 AI 도구에 맡기고, 도메인 특화 비즈니스 로직이나 교차 서비스 영향도 평가는 인간이 담당해야 합니다 [28, 29]. 아울러 지적 재산(IP) 유출 방지와 보안을 위해 "인간 개입(Human-in-the-Loop)"을 의무화하는 명확한 AI 사용 정책(Governance) 수립이 필수적입니다 [30-34].
|
||||
|
||||
## ⚠️ 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:** [[SAST]], 풀 리퀘스트(Pull Request), [[DevSecOps]]
|
||||
- **Projects/Contexts:** [[SonarQube]], Snyk Code, GitHub Advanced Security, [[Corgea]]
|
||||
- **Contradictions/Notes:** AI 코드 리뷰 도구의 도입만으로는 배포 성능이나 품질이 보장되지 않는다는 점에 유의해야 합니다. 맹목적인 도구 도입과 높은 AI 사용률에도 불구하고 실제 PR 처리 시간이나 재작업 비율은 개선되지 않을 수 있으므로, 결과(DORA 지표 등)에 기반한 관리가 중요합니다 [35-37]. 또한 일부 AI 네이티브 도구들은 오탐률을 혁신적으로 줄였다고 주장하지만(예: [[Corgea]] 5% 미만, Veracode 1.1% 미만), 근본적으로 어떠한 도구도 오탐을 완벽히 제거할 수는 없으므로 인간의 검토와 검증 과정이 반드시 수반되어야 합니다 [38-40].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-19*
|
||||
|
||||
---
|
||||
+11
-28
@@ -1,24 +1,17 @@
|
||||
---
|
||||
category: Unified
|
||||
tags: [auto-consolidated, technical-documentation]
|
||||
title: [[Algorithmic Game Theory|Algorithmic Game Theory]]
|
||||
last_updated: 2026-05-02
|
||||
id: [[P-Reinforce]]-AI-[[Game-Theory]]
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.99
|
||||
tags: [Algorithmic Game Theory, Mechanism Design, Nash Equilibrium, AI]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Algorithmic Game Theory|Algorithmic Game Theory]]
|
||||
|
||||
## 📌 Brief Summary
|
||||
> 지식 요약 작업 중
|
||||
|
||||
---
|
||||
# [[Algorithmic-Game-Theory]] (알고리즘 게임 이론)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "이기적인 경제 주체들을 위한 최적의 규칙." 게임 이론의 복잡한 균형점(Nash Equilibrium)을 컴퓨터 알고리즘으로 어떻게 빠르게 찾아낼 것인가를 다루는 학문이다.
|
||||
|
||||
## 📖 Core Content
|
||||
본문 구조화 작업 중
|
||||
|
||||
---
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Computational Complexity of Equilibria**:
|
||||
- 나쉬 균형을 찾는 것이 얼마나 어려운지(PPAD-complete) 분석하고, 이를 근사적으로 해결하는 알고리즘을 개발한다.
|
||||
- **Mechanism Design**:
|
||||
@@ -26,19 +19,9 @@ last_updated: 2026-05-02
|
||||
- **Price of Anarchy**:
|
||||
- 개별 주체의 이기적 행동으로 인해 사회 전체의 효율성이 얼마나 감소하는지 정량화한다.
|
||||
|
||||
## ⚖️ Trade-offs & Caveats
|
||||
- **과거 데이터와의 충돌:** 신규 지식 카테고리화 및 연결성 강화.
|
||||
- **정책 변화:** Game Design & Math 분야의 지식 자산 보호 및 네트워크 확장.
|
||||
|
||||
---
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 전통적인 게임 이론은 주체들이 '완전하게 합리적'이라고 가정하지만, 현실의 AI나 인간은 '제한적 합리성'을 가진다. 따라서 최근에는 강화학습을 통해 실시간으로 변하는 전략 공간에 대응하는 연구가 주류다.
|
||||
|
||||
## 🔗 Knowledge Connections
|
||||
- Raw Source: 00_Raw/2026-04-20/Algorithmic Game Theory.md
|
||||
---
|
||||
|
||||
---
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: Nash-Equilibrium , Mechanism-Design
|
||||
- Foundation: [[Bounded-Rationality|Bounded-Rationality]]
|
||||
- Foundation: [[Bounded-Rationality]]
|
||||
@@ -0,0 +1,27 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-TS-AMBIENT
|
||||
category: "10_Wiki/💡 Topics/Design & Experience"
|
||||
confidence_score: 0.98
|
||||
tags: [TypeScript, [[Ambient Declarations]], dts, Coding Standards]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Ambient-Declarations]] (앰비언트 선언)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "존재하지만 실체는 없는 것들에 대한 증명." 타입스크립트 컴파일러에게 "이 변수나 함수는 외부에 이미 있으니 타입만 믿고 통과시켜라"라고 알려주는 `declare` 키워드의 본질이다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **declare keyword**:
|
||||
- 실제 컴파일된 JS 파일에는 포함되지 않지만, 타입 전용 공간에서 전역 변수나 라이브러리의 구조를 선언할 때 사용한다.
|
||||
- **.d.ts files**:
|
||||
- 앰비언트 선언들이 모여 있는 파일. 프로젝트 전체에 걸쳐 전역적인 타입 정보를 제공하는 '타입 명세서' 역할을 한다.
|
||||
- **External Library Integration**:
|
||||
- 타입 정보가 없는 레거시 JS 라이브러리를 타입스크립트 프로젝트에서 에러 없이 사용하기 위한 필수 관문이다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 무분별한 앰비언트 선언은 전역 네임스페이스를 오염시킨다. 현대적 가이드라인은 가능하면 `Module Augmentation`을 사용하거나 `@types` 패키지를 통해 엄격하게 관리하는 것을 권장한다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Declaration-Files]] , Module-Augmentation
|
||||
- Standard: [[Branded-Types-for-Nominal-Typing]]
|
||||
@@ -0,0 +1,29 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AI-BAYESIAN
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.98
|
||||
tags: [Bayesian Inference, Probability, Stats, AI]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# Bayesian-Inference (베이지안 추론)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "믿음은 고정된 것이 아니라 정보에 따라 진화한다." 기존의 배경 지식(Prior)에 새로운 근거(Evidence)를 더해 더 정확한 진실(Posterior)에 다가가는 통계학적 통찰이다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Prior Probability (사전 확률)**:
|
||||
- 새로운 데이터를 보기 전에 우리가 이미 알고 있는 지식이나 가설의 확률.
|
||||
- **Likelihood (우도)**:
|
||||
- 어떤 가설이 참일 때, 현재 관찰된 데이터가 나타날 확률.
|
||||
- **Posterior Probability (사후 확률)**:
|
||||
- 새로운 데이터를 반영한 후 업데이트된 우리의 최종 믿음.
|
||||
- **Application**:
|
||||
- 스팸 메일 필터링, 의료 진단, 자율주행 차의 센서 융합 등 불확실성이 큰 환경의 의사결정에 필수적이다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 베이지안 추론은 '사전 확률'을 설정할 때 주관이 개입된다는 비판을 받기도 한다(빈도주의 통계학과의 논쟁). 하지만 데이터가 적은 초기 상태에서는 베이지만큼 강력한 예측 도구가 없다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Automated-Reasoning]] , [[Behavioral-Economics]]
|
||||
- Foundation: [[Computational Theory & Math/Information Theory]]
|
||||
@@ -0,0 +1,29 @@
|
||||
---
|
||||
id: BEH-ECON-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.0
|
||||
tags: [economics, [[Psychology]], decision-making, [[Behavior]]al-science, nudge]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[Behavioral Economics]] (행동 경제학)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "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)
|
||||
- **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 (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)
|
||||
- [[Game-Theory]], [[Psychology-of-Learning]], Decision-Making, UX-Design
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Behavioral-Economics.md
|
||||
@@ -0,0 +1,27 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AI-BELLMAN
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.99
|
||||
tags: [Bellman Equation, Reinforcement Learning, Math, Dynamic Programming]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Bellman-Equation]] (벨만 방정식)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "오늘의 보상(Step reward) + 내일의 가치(Future value) = 오늘의 가치." 시간의 흐름 속에 흩어진 가치를 하나로 묶어주는 재귀의 미학이다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Recursive Utility**:
|
||||
- 현재 상태의 가치(Value)를 '즉각적 보상'과 '다음 상태의 기대 가치'의 합으로 정의한다. 이는 복잡한 미래 결정을 작은 현재 결정으로 쪼개어 풀 수 있게 한다.
|
||||
- **Dynamic Programming (동적 계획법)**:
|
||||
- 벨만 방정식은 큰 문제를 작은 부분 문제로 나누어 푸는 근간이 된다. 바둑(AlphaGo)이나 체스 AI의 핵심 연산 원리다.
|
||||
- **Discount Factor (Gamma)**:
|
||||
- 미래의 가치를 현재 시점으로 환산할 때 얼마나 깎을지(가중치)를 결정하는 변수. 1에 가까울수록 먼 미래를 보고, 0에 가까울수록 당장의 이익에 집중한다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 실제 세계(Model-free)에서는 다음 상태의 가치를 정확히 알 수 없다. 그래서 벨만 방정식을 기반으로 경험을 통해 가치를 추측해가는 'Q-Learning'이나 'Deep Q-Networks(DQN)'로 발전해왔다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: Reinforcement Learning , Deep-[[Reinforcement-Learning]]
|
||||
- Foundation: [[Computational Theory & Math/Information Theory]]
|
||||
@@ -0,0 +1,27 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AI-BELLMAN
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.0
|
||||
tags: [[[Bellman Equation]], Reinforcement Learning, Dynamic Programming, MDP]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Bellman-Equation]] (벨만 방정식)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "오늘의 선택은 내일의 가치를 품고 있다." 현재 상태의 가치를 '현재 받는 보상'과 '다음 상태의 기대 가치'의 합으로 정의하는 강화학습과 동적 계획법의 수학적 초석이다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Recursive Structure**:
|
||||
- 복잡한 미래의 합을 현재와 바로 다음 단계의 관계로 쪼갬으로써, 거대한 의사결정 문제를 계산 가능한 단위로 분해한다.
|
||||
- **[[State]]-Value Function (V)**:
|
||||
- 특정 상태에 있는 것이 장기적으로 볼 때 얼마나 좋은지 수치화한다.
|
||||
- **Action-Value Function (Q)**:
|
||||
- 특정 상태에서 특정 행동을 하는 것이 얼마나 좋은지 수치화하며, 이는 Q-Learning의 핵심이 된다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 벨만 방정식은 환경의 변화를 완벽히 안다는 가정하에 작동한다. 실제 세상처럼 환경이 불투명할 때는 근사치(Approximation)를 사용하는 Deep Q-Network(DQN) 등이 대안으로 사용된다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[DQN]] , [[Reinforcement-Learning]]
|
||||
- Foundation: [[Computational Theory & Math/Information Theory]]
|
||||
@@ -0,0 +1,27 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AI-BESTN
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.98
|
||||
tags: [LLM, Sampling, Best-of-N, [[Search]], Generation]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Best-of-N-Sampling]] (베스트 오브 N 샘플링)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "열 번 찍어 안 넘어가는 나무 없다." AI에게 N번 시도하게 하고, 그중 가장 '정답에 가까운' 결과물을 보상 모델(Reward Model)로 골라내는 필승 전략이다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추론 시간 연산 (Inference-time Compute)**:
|
||||
- 모델의 크기를 키우는 대신, 추론 시점에 더 많은 계산을 수행하여 답변의 품질을 높이는 기법. 최근 OpenAI o1 등 추론 모델의 핵심 원리 중 하나다.
|
||||
- **Reward Modeling (RM)**:
|
||||
- N개의 답변 중 어떤 것이 가장 좋은지 판별하는 별도의 '감별사 AI'를 투입한다. 인간의 선호도(RLHF)를 반영한 RM이 최종 선택을 담당한다.
|
||||
- **Majority Voting vs Selection**:
|
||||
- 수학 문제라면 답변들 중 가장 많이 나온 값(Majority Vote)을 택하고, 창의적 답변이라면 RM 스코어가 가장 높은 것을 택한다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- N이 클수록 품질은 올라가지만 비용과 응답 지연 시간(Latency)이 기하급수적으로 늘어난다. 실시간 서비스에서는 N=3~5 수준의 타협점이 요구되며, 최근에는 자가 수정([[Self-Correction]]) 능력을 키우는 쪽으로 연구가 이동 중이다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: Reinforcement Learning , AI 모델 평가
|
||||
- Context: [[Information Theory]]
|
||||
@@ -0,0 +1,29 @@
|
||||
---
|
||||
id: BON-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
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)
|
||||
> "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)
|
||||
- **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:** 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)
|
||||
- **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 +1,27 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AI-BEST-OF-N
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.99
|
||||
tags: [Best-of-N, Sampling, Inference, Reward Model, AI [[Alignment]]]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Best-of-N-Sampling]] (Best-of-N 샘플링)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "열 정승보다 나은 한 명의 장군 찾기." LLM이 생성한 N개의 결과물 중, 보상 모델(Reward Model)이 가장 우수하다고 판단한 단 하나의 답변을 선택하여 품질을 극대화하는 추론 전략이다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Generation & Scoring**:
|
||||
- 동일한 프롬프트에 대해 정책 모델(Policy)이 여러 개의 독립된 답변을 생성하고, 이를 별도의 채점 모델(Reward)이 평가한다.
|
||||
- **Inference Time Compute**:
|
||||
- 모델을 더 키우는 대신 '추론 단계의 연산량'을 늘려 성능을 향상시키는 경제적인 성능 고도화 방법(Scaling Laws for Inference).
|
||||
- **Quality Control**:
|
||||
- 환각이 발생한 답변이나 안전 가이드라인을 어긴 답변을 필터링하고 가장 논리적인 결과물을 도출한다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- N이 커질수록 품질은 좋아지지만 코스트(비용)와 지연 시간(Latency)이 기하급수적으로 늘어난다. 따라서 서비스의 실시간성 요구도에 따라 N의 적절한 값을 정하는 것이 엔지니어링의 묘미다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Prompt-Engineering]] , [[Reinforcement-Learning]]-from-Human-Feedback-(RLHF)
|
||||
- Metric: Reward-Model-Training
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-BONS-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.94
|
||||
tags: [auto-reinforced, best-of-n, sampling-[[Strategy]], [[Inference-Optimization]], llm, [[Reasoning]], reranking]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Best-of-N-Sampling]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "지능의 물량 공세: 한 번에 정답을 맞히려 애쓰기보다, N개의 답변을 동시에 생성한 뒤 그중 가장 논리적이고 정확한 '최선의 답변'을 골라내는 방식으로 추론 능력을 비약적으로 끌어올리는 인퍼런스 최적화 전술."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
[[Best-of-N Sampling]](최적 샘플링)은 거대 언어 모델(LLM)의 추론 품질을 높이기 위해 사용되는 디코딩 시점의 리랭킹(Reranking) 기법입니다.
|
||||
|
||||
1. **메커니즘**:
|
||||
* **Generation**: 동일한 프롬프트에 대해 Temperature를 조절하여 N개의 독립적인 답변 후보를 생성.
|
||||
* **Scoring (Reward Model)**: 생성된 N개의 답변을 보상 모델(RM)이나 특정 검증 로직(Verifier)으로 평가.
|
||||
* **Selection**: 가장 높은 점수를 받은 답변을 최종 출력으로 선택.
|
||||
2. **왜 중요한가?**:
|
||||
* 모델 자체를 추가 학습(Training)시키지 않고도, 추론 시점의 연산 자원(Inference compute)을 추가 투입하여 [[SOTA]] 급의 성능을 낼 수 있기 때문임. ([[Scalability]]와 연결)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 무조건 '가장 확률 높은 다음 토큰(Greedy [[Search]])'만 찾는 것이 최선이라 여겼으나, 현대 정책은 다양성 정책(Diversity)을 확보한 뒤 사후 검증 정책(Post-verification)을 거치는 것이 훨씬 더 복잡한 추론 문제 정책에 효과적임을 증명함(RL Update).
|
||||
- **정책 변화(RL Update)**: 최근 OpenAI o1 등 추론 전문 모델 정책은 단순히 N개를 뽑는 수준을 넘어, 생각의 체인(CoT) 과정 자체를 검증하고 수정하는 시스템으로 진화 중임. (Tree-of-Thought와 연결)
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Scalability]], [[Reinforcement Learning (RL)]], Tree-of-Thought, [[Search-Strategy]], Inference
|
||||
- **Related Terms**: Rejection Sampling, Majority Voting, Thought-level Verifiers.
|
||||
---
|
||||
@@ -0,0 +1,27 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AI-BOUNDED-RAT
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.98
|
||||
tags: [Bounded Rationality, [[Decision Theory]], AI, Economics]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Bounded-Rationality]] (제한적 합리성)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "완벽한 최선은 가능하지 않다. 그저 '충분히 좋은' 것에 만족할 뿐이다." 지능, 시간, 정보의 한계 속에서 내리는 실제적인 의사결정의 원리다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Satisficing (만족화)**:
|
||||
- 헤르베르트 사이먼이 제안한 개념. 모든 대안을 전수 조사하는 '최적화' 대신, 자신의 기준(Threshold)을 넘는 첫 번째 대안을 선택하는 전략.
|
||||
- **Cognitive Limits (인지적 한계)**:
|
||||
- 인간이나 AI 시스템의 연산 능력은 제한되어 있으므로, 모든 변수를 고려하는 것은 물리적으로 불가능하다.
|
||||
- **Heuristic [[Search]]**:
|
||||
- 제한된 자원 내에서 해답을 찾기 위해 사용하는 '어림짐작'이나 '지름길' 알고리즘의 이론적 배경.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 현대 AI(LLM)는 방대한 데이터를 통해 인간보다 훨씬 넓은 합리성을 가진 것처럼 보이지만, 결국 '다음 단어 예측'이라는 확률적 휴리스틱에 기반하고 있다는 점에서 여전히 제한적 합리성의 틀 안에 있다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: Cognitive-Biases , [[Behavioral-Economics]]
|
||||
- [[Analysis]]: [[Complexity-Theory]]
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-BORA-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.98
|
||||
tags: [auto-reinforced, bounded-rationality, decision-theory, [[Heuristics]], cognitive-limitations, her[[BERT]]-simon]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Bounded-Rationality]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "현실적인 똑똑함: 인간의 인지 능력, 시간, 정보는 모두 유한하기 때문에, 모든 대안을 완벽히 계산해 최적(Optimizing)을 찾는 대신 현재 상황에서 '적당히 만족스러운(Satisficing)' 해결책을 선택하는 실질적인 합리성."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
제한된 합리성(Bounded-Rationality)은 허버트 사이먼이 제안한 개념으로, 인간이 의사결정을 내릴 때 직면하는 현실적인 제약들을 인정하는 이론입니다.
|
||||
|
||||
1. **3대 제약 조건**:
|
||||
* **Limited Information**: 모든 정보를 다 알 수 없음.
|
||||
* **Cognitive Limitations**: 두뇌의 정보 처리 용량에 한계가 있음.
|
||||
* **Time Constraints**: 결정에 무한한 시간을 쓸 수 없음.
|
||||
2. **해결 전략 - 휴리스틱 (Heuristics)**:
|
||||
* 복잡한 연산 대신 '경험의 법칙'이나 직관을 사용하여 빠르고 충분히 괜찮은 결론에 도달함. (Satisficing)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거 경제학 정책은 인간을 모든 것을 계산하는 '호모 에코노미쿠스(합리적 인간)' 정책으로 정의했으나, 현대 정책은 인간의 인지적 한계를 인정한 제한된 합리성 정책을 바탕으로 한 행동 경제학 정책을 주류로 수용함(RL Update).
|
||||
- **정책 변화(RL Update)**: AI 설계 정책에서, 무한정 많은 컴퓨팅 자원을 써서 정답을 찾는 '[[Brute-force]]' 방식보다 제한된 자원 하에서 효율적으로 추론하는 '경량화 및 조건부 추론 정책'이 에지 디바이스용 지능의 핵심 아키텍처가 됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Rationality, [[Decision Theory]], [[Bayesian-Updating]], [[Heuristics]], [[Optimization]]
|
||||
- **Modern Tech/Tools**: Heuristic-based algorithms, Multi-armed bandit (MAB) [[Optimization]].
|
||||
---
|
||||
@@ -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 +1,31 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-BCII-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.96
|
||||
tags: [auto-reinforced, bci, brain-computer-interface, neuroscience, human-augmentation, future-tech]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Brain-Computer-Interface (BCI)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "생각의 직통 차로: 뇌파를 디지털 신호로 해독하여 키보드나 마우스 없이 오직 '생각'만으로 기계를 제어하거나 정보를 입출력하는, 인간과 기계의 완벽한 결합을 꿈꾸는 인터페이스의 종착역."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
뇌-컴퓨터 인터페이스(BCI)는 뇌의 전기적 신호를 포착하여 컴퓨터나 외부 기기를 제어하는 통로를 만드는 기술입니다.
|
||||
|
||||
1. **구현 방식**:
|
||||
* **Invasive (침습형)**: 뇌 표면이나 내부에 직접 전극을 삽입 (정확도가 높으나 수술 리스크 및 감염 위험).
|
||||
* **Non-invasive (비침습형)**: 머리 표면에 EEG 센서를 부착하여 뇌파 측정 (안전하지만 저해상도 신호).
|
||||
2. **활용 분야**:
|
||||
* **Medical Rehabilitation**: 사지 마비 환자가 의수/의족을 제어하거나 텍스트를 입력하게 도움.
|
||||
* **Human Augmentation**: 시각/청각 기능을 넘어서는 새로운 감각 기관이나 지능 확장 도구로 활용. ([[Bio[[Logic]]al-Intelligence]]와 연결)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 실험실 수준의 '단방향 제어' 정책에 머물렀으나, 현대 정책은 뇌로 정보를 전송하는 '양방향 통신 정책'과 거대 AI를 뇌의 보조 연산 장치로 쓰는 '지능 증강 정책'으로 도약함(RL Update).
|
||||
- **정책 변화(RL Update)**: 생각 읽기(Mind reading)에 의한 사생활 침해 정책 리스크가 대두됨에 따라, 개인의 뇌파 데이터에 대한 소유권을 법적 보호 정책(Neuro-rights)으로 제정하려는 움직임이 시작됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Biological-Intelligence]], [[Artificial Intelligence (AI)]], Human-Computer Interaction (HCI), [[Ethics & AI]], Neuroscience
|
||||
- **Modern Tech/Tools**: Neuralink, Synchron, EEG headsets (Emotiv, OpenBCI).
|
||||
---
|
||||
@@ -0,0 +1,32 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-F8BCE8
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - [[CI_CD]] 파이프라인 및 IDE 통합 보안"
|
||||
---
|
||||
|
||||
# [[CI_CD 파이프라인 및 IDE 통합 보안]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> CI/CD 파이프라인 및 IDE 통합 보안은 소프트웨어 개발 프로세스 전반에 걸쳐 코드의 품질과 보안을 유지하기 위한 핵심 접근법입니다 [1], [2]. 개발자가 코드를 작성하는 IDE 환경과 코드가 병합 및 배포되는 CI/CD 워크플로우에 정적 분석([[SAST]]) 및 자동화된 보안 검사 도구를 내장하여 실시간 피드백을 제공합니다 [3], [4]. 이를 통해 개발자는 코드의 결함과 취약점을 조기에 식별하고 수정할 수 있어 안전하고 효율적인 소프트웨어 개발 수명 주기(SDLC)를 확보할 수 있습니다 [5], [6].
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
* **IDE 내 실시간 보안 검사:** [[SonarQube]] for IDE나 Snyk Code와 같은 플러그인은 Visual Studio, VS Code, JetBrains, E[[CLIP]]se 등의 개발 환경에 직접 내장되어 작동합니다 [7], [8], [9]. 개발자가 코드를 작성하는 즉시 실시간으로 구문, 로직 및 보안 결함을 분석하여 즉각적인 피드백과 자동화된 수정 제안을 제공합니다 [7], [10]. 이를 통해 코드가 버전 관리 시스템에 커밋되기 전, 가장 이른 단계에서 보안 위험을 식별하고 제거할 수 있습니다 [11], [12].
|
||||
* **CI/CD 파이프라인 자동화 및 게이팅(Gating):** 코드가 풀 리퀘스트(Pull Request)나 브랜치에 푸시되어 빌드될 때, CI/CD 워크플로우 내에서 보안 스캔이 자동으로 실행됩니다 [5], [13], [9]. 조직은 심각도 임계값(Severity thresholds)이나 품질 게이트(Quality [[Gates]])를 설정하여, 기준을 충족하지 못하는 결함이나 보안 취약점이 발견되면 빌드를 실패하게 하거나 풀 리퀘스트 병합을 차단할 수 있습니다 [2], [14], [15], [16]. 이는 [[GitHub Actions]], GitLab, Jenkins 등 다양한 DevOps 도구 체인과 긴밀하게 통합되어 이루어집니다 [4], [17], [15].
|
||||
* **시프트 레프트([[Shift]]-Left) 및 규정 준수 강제:** IDE와 CI/CD 전반에 걸친 보안 통합은 취약점을 개발 과정의 초기에 발견하여 수정하는 '시프트 레프트' 보안 전략을 실현합니다 [11], [18]. 프로덕션 환경에 도달하기 전에 선제적으로 문제를 해결하므로 릴리스 이후 발생하는 결함을 수정하는 비용과 시간을 절감합니다 [6]. 또한, PCI, OWASP, CWE, STIG 등 주요 보안 및 규정 준수 표준을 조직 전체의 리포지토리와 팀에 일관되게 적용하고 강제할 수 있도록 지원합니다 [19], [20], [21], [22].
|
||||
|
||||
## ⚠️ 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:** SAST(정적 애플리케이션 보안 테스트), Shift-left(시프트 레프트), SDLC(소프트웨어 개발 수명 주기)
|
||||
- **Projects/Contexts:** [[SonarQube]], Snyk Code, [[DevSecOps]]
|
||||
- **Contradictions/Notes:** 소스 내용 중 이 주제에 대한 명시적인 모순이나 반대 의견은 존재하지 않습니다. 모든 소스가 조기 발견(Shift-left)의 효율성 및 통합의 필요성에 동의하고 있습니다.
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-19*
|
||||
|
||||
---
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-CAST-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.99
|
||||
tags: [auto-reinforced, call-stack, computer-science, execution-context, [[memory]]-[[Management]], recursion]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Call Stack]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "함수들이 쌓아 올리는 기억의 탑: 프로그램이 어떤 순서로 함수를 호출해왔는지, 함수가 끝나면 어디로 돌아가야 하는지를 관리하는 '후입선출(LIFO)' 방식의 지능형 작업 일지이자 메모리 영역."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
콜 스택(Call Stack)은 컴퓨터 프로그램의 현재 실행 중인 서브루틴(함수)들에 대한 정보를 저장하는 스택 자료구조입니다.
|
||||
|
||||
1. **동작 메커니즘**:
|
||||
* **Push**: 함수를 호출하면 해당 함수의 실행 컨텍스트(변수, 리턴 주소 등)가 스택 맨 위에 쌓임.
|
||||
* **Pop**: 함수 실행이 종료되면 스택 맨 위에서 제거되고, 이전 함수로 제어권이 넘어감.
|
||||
2. **주요 이슈**:
|
||||
* **Stack Overflow**: 재귀 함수가 끝나지 않고 계속 스택을 쌓거나, 함수 중첩이 너무 깊어 메모리 한계를 넘었을 때 발생.
|
||||
* **Debugging**: 에러 발생 시 출력되는 'Stack Trace'는 이 스택의 기록을 역순으로 보여주어 버그의 원점을 추적하게 도움. ([[Analysis]]와 연결)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거의 스택 정책은 단순히 '순차 실행'을 관리하는 정적 정책이었으나, 현대 자바스크립트 등 비동기 언어 정책에서는 '이벤트 루프(Event Loop)' 및 '마이크로태스크 큐'와 상호작용하며 복잡한 비동기 흐름을 관리하는 동적 정책으로 이해됨(RL Update).
|
||||
- **정책 변화(RL Update)**: 브라우저 성능 최적화 정책에서, 메인 스레드 점유 정책([[Main Thread]] [[Blocking]])을 막기 위해 콜 스택을 너무 무겁게 유지하지 않고 작업을 쪼개는 '비동기 스택 정책'이 웹 앱 성능의 핵심 지표가 됨. (Blocking과 연결)
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Blocking]], [[Analysis]], [[Technical-Architecture]], Memory-Management, Recursion
|
||||
- **Modern Tech/Tools**: [[Chrome DevTools]] Call Stack view, [[V8 Engine]] stack management.
|
||||
---
|
||||
@@ -0,0 +1,27 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AI-COT
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.99
|
||||
tags: [LLM, Chain-of-Thought, CoT, Inference, [[Search]]]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# Chain-of-Thought (사고의 사슬 CoT)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 거대 언어 모델에게 "생각해 봐"라고 한마디 하는 것만으로도, 문제를 단계적으로 분해하여 정답 도출 가능성을 비약적으로 높이는 추론의 기적이다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Step-by-Step [[Reasoning]]**:
|
||||
- 질문에 바로 답하지 않고, 중간 과정(Rationales)을 텍스트로 먼저 생성하게 유도함으로써 모델이 자신의 이전 출력을 다음 추론의 근거로 활용하게 하는 기법.
|
||||
- **Zero-shot CoT**:
|
||||
- 프롬프트 끝에 "Let's think step by step"이라는 문구만 추가해도 상식 추론과 수학 문제 해결 능력이 폭발적으로 증가한다.
|
||||
- **Self-Consistency**:
|
||||
- 여러 개의 CoT 경로를 생성하게 하여 가장 공통적으로 도출된 결론을 정답으로 선택하는 기법.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- CoT는 항상 유리하지 않다. 단순 사실 확인 문제에서는 오히려 불필요한 텍스트 생성으로 인해 에러(Hallucination)가 발생할 확률이 있다. 최근에는 이를 고도화한 `Tree-of-Thoughts (ToT)` 또는 `OpenAI o1`처럼 내부적으로 강화학습을 통해 최적의 사고 경로를 찾는 모델로 진화 중이다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Best-of-N-Sampling]] , [[Automated-Reasoning]]
|
||||
- Foundation: [[Information Theory]]
|
||||
@@ -0,0 +1,30 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-CCOT-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.98
|
||||
tags: [auto-reinforced, chain-of-thought, cot, [[Prompt-Engineering]], llm, [[Reasoning]]]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Chain-of-Thought (CoT 사고 사슬)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "생각의 과정을 말하게 하라: AI에게 정답만 툭 던지라고 하지 않고, 문제를 단계별로 풀어나가는 중간 추론 과정을 텍스트로 적게 함으로써 복잡한 논리 문제의 정답률을 드라마틱하게 끌어올리는 인지적 증폭 장치."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
사고 사슬(Chain-of-Thought, CoT)은 거대 언어 모델(LLM)의 추론 능력을 극대화하기 위해 '단계별 생각(Step-by-step reasoning)'을 유도하는 기법입니다.
|
||||
|
||||
1. **핵심 메커니즘**:
|
||||
* **Zero-shot CoT**: 프롬프트 끝에 "차근차근 생각해보자(Let's think step by step)"라는 마법의 구를 추가하는 것만으로 추론 성능이 비약적으로 상승.
|
||||
* **Few-shot CoT**: 문제 풀이 과정을 보여주는 예시를 몇 개 제공하여 모델이 그 추론 흐름을 모방하게 함.
|
||||
2. **왜 효과적인가?**:
|
||||
* 모델이 다음 토큰을 예측할 때, 앞서 적은 자신의 추론 과정이 '작업 기억(Working [[memory]])' 역할을 수행하여 최종 정답 도출의 확률적 정확도를 높임.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 초기 모델 정책은 단순히 데이터 학습량만 늘리는 정책(Scaling Law)에 집중했으나, 현대 정책은 모델의 내부 연산 비중만큼이나 '출력되는 추론 과정의 양과 질 정책'이 지능 발현의 핵심임을 인정함(RL Update).
|
||||
- **정책 변화(RL Update)**: 사용자가 추론 과정을 보는 정책(Open CoT)을 넘어, 모델 내부에서만 추론을 수행하고 결과만 내놓는 '잠재적 CoT 정책'이 OpenAI의 o1 모델 등을 통해 구현되어 성능과 사용성을 모두 잡는 방향으로 진화함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Reasoning]], [[Prompt-Engineering]], [[Automated-Reasoning]], [[Search-Optimization]], [[Knowledge-Representation-in-AI]]
|
||||
- **Modern Tech/Tools**: OpenAI o1 (Strawberry), Chain of Thought [[prompt]]ing, Self-consistency decoding.
|
||||
---
|
||||
@@ -0,0 +1,54 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-EF52CE
|
||||
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 프로파일링 및 힙 스냅샷 분석"
|
||||
---
|
||||
|
||||
# [[Chrome DevTools 메모리 프로파일링 및 힙 스냅샷 분석]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> [[Chrome]] DevTools의 메모리 프로파일링 및 힙 스냅샷 분석은 웹 애플리케이션 및 Node.js 환경에서 발생하는 메모리 누수를 찾아내고 객체의 보존 상태를 파악하는 데 사용되는 핵심 디버깅 기법입니다. 메모리 패널은 전체 객체 그래프를 캡처하는 힙 스냅샷, 시간에 따른 할당을 추적하는 타임라인 계측, 그리고 프로덕션에 적합한 샘플링 도구를 제공합니다. 개발자는 이러한 도구와 객체의 참조 체인([[Retaining Path]])을 분석하여 가비지 컬렉터(GC)에 의해 해제되어야 할 객체가 왜 메모리에 남아있는지 근본 원인을 파악할 수 있습니다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **DevTools 메모리 패널의 핵심 도구**
|
||||
Chrome DevTools의 [[memory]] 패널은 주로 세 가지 분석 도구를 제공합니다.
|
||||
1. **[[Heap Snapshot]] (힙 스냅샷):** 특정 시점의 전체 객체 그래프를 캡처합니다 [1].
|
||||
2. **Allocation instrumentation on timeline (타임라인에 할당 계측):** 특정 기간 동안의 모든 메모리 할당과 스택 트레이스를 기록합니다 [1]. 기록을 시작하면 50ms마다 힙 스냅샷을 주기적으로 캡처하고 기록이 끝날 때 최종 스냅샷을 생성합니다 [2, 3].
|
||||
3. **Allocation sampling (할당 샘플링):** 전체 계측을 수행하는 대신 통계적 샘플링을 사용하여 오버헤드가 적기 때문에 프로덕션 환경의 프로파일링에 적합합니다 [4].
|
||||
|
||||
- **힙 스냅샷 뷰(View)의 종류와 활용**
|
||||
캡처한 힙 스냅샷은 목적에 맞게 여러 가지 뷰를 통해 분석할 수 있습니다 [5].
|
||||
- **Summary(요약) 뷰:** 객체를 생성자(Constructor) 이름으로 그룹화하여 보여줍니다 [5, 6]. 각 객체가 점유하는 자체 메모리인 '얕은 크기(Shallow size)'와, 해당 객체가 삭제될 때 해제될 수 있는 최대 메모리 크기인 '보존된 크기(Retained size)'를 확인할 수 있습니다 [7].
|
||||
- **Comparison(비교) 뷰:** 두 개 이상의 스냅샷 간의 차이를 보여줍니다. 특정 작업 전후의 스냅샷을 비교하여 메모리 누수의 존재와 원인을 확인하는 데 유용합니다 [5, 8].
|
||||
- **Containment(포함) 뷰:** 애플리케이션 객체 구조를 조감(Bird's eye view)할 수 있으며, DOMWindow 객체, GC 루트([[GC Root]]s), 네이티브 객체를 통해 글로벌 네임스페이스에서 참조되는 객체를 분석할 수 있습니다 [5, 9, 10].
|
||||
|
||||
- **타임라인 할당 분석을 통한 누수 추적**
|
||||
타임라인을 이용한 할당 계측 시, 상단에 나타나는 막대의 높이는 할당된 객체의 크기를 의미하며 막대의 색상은 객체의 생존 여부를 나타냅니다 [11, 12].
|
||||
- **파란색 막대:** 타임라인 기록이 끝날 때까지 여전히 살아있는(Live) 객체를 의미하며, 이 객체들이 메모리 누수 후보가 될 수 있습니다 [1, 11-13].
|
||||
- **회색 막대:** 타임라인 동안 할당되었으나 이후 가비지 컬렉션(GC)에 의해 수집된 객체를 의미합니다 [1, 11-13].
|
||||
타임라인에서 파란색 막대를 확대(Zoom in)한 뒤 'Retainers(보유자)' 패널을 확인하면, 해당 객체가 수집되지 못하고 계속 살아있게 만드는 참조 체인을 파악할 수 있습니다 [14-16].
|
||||
|
||||
- **메모리 누수 탐지 전략: 3단계 스냅샷 기법(Three-snapshot technique)**
|
||||
메모리 누수를 감지하는 가장 신뢰할 수 있는 방법은 3단계 스냅샷 기법입니다. 먼저 기준이 되는 스냅샷 1을 찍고, 누수가 의심되는 작업(예: 모달 열기/닫기 등)을 수행한 뒤 스냅샷 2를 찍습니다. 그다음 동일한 작업을 다시 반복하고 스냅샷 3을 캡처합니다. 이후 스냅샷 2와 3을 비교하여, 스냅샷 1과 2 사이에서 할당되었지만 스냅샷 3에서도 여전히 살아있는 객체를 찾음으로써 일회성 할당(False positives)을 걸러내고 실제 누수 후보를 특정할 수 있습니다 [17].
|
||||
|
||||
- **분석 시 주의사항(Gotchas)**
|
||||
- 힙 스냅샷에는 애플리케이션의 객체뿐만 아니라 `(compiled code)`, `(concatenated string)`, `InternalNode` 등 수많은 V8 내부 객체들이 포함되므로, 의미 있는 객체에 집중하려면 생성자(Constructor) 필터링을 사용하는 것이 좋습니다 [18-22].
|
||||
- 난독화된(Minified) 코드에서는 변수나 함수 이름이 제대로 보이지 않으므로, 의미 있는 Retainer 트리를 확인하려면 DevTools에서 소스 맵(Source maps)을 사용해야 합니다 [18].
|
||||
- 개발자 도구 콘솔에서 `console.log`로 출력된 객체는 계속해서 참조가 유지되므로 누수 조사 시에는 콘솔을 비우거나 대용량 객체 로깅을 피해야 합니다 [18].
|
||||
|
||||
## ⚠️ 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:** [[메모리 누수([[Memory Leaks]])]], 가비지 컬렉션([[Garbage Collection]]), V8 엔진 메모리 구조, 객체 참조 체인(Retainers)
|
||||
- **Projects/Contexts:** Node.js 프로덕션 메모리 문제 해결, [[웹 프론트엔드 성능 최적화]]
|
||||
- **Contradictions/Notes:** 단순히 메모리 그래프가 상승한다고 해서 모두 우발적인 메모리 누수인 것은 아닙니다. 애플리케이션의 캐시(Caches)나 실행 취소 기록(Undo histories) 등은 의도적으로 데이터를 보존하도록 설계되었으므로, 이러한 '의도된 보존'과 '우발적인 보존(누수)'을 명확하게 구분해야 합니다 [18].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-19*
|
||||
|
||||
---
|
||||
@@ -0,0 +1,33 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-8471ED
|
||||
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 프로파일링"
|
||||
---
|
||||
|
||||
# [[Chrome DevTools 메모리 프로파일링]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> [[Chrome]] DevTools 메모리 프로파일링은 개발자가 힙(Heap) 스냅샷을 캡처하고 시간에 따른 메모리 할당을 추적하여 브라우저 환경에서 발생하는 메모리 누수를 감지하고 분석하는 과정입니다 [1-4]. 이는 [[JavaScript]] 객체와 DOM 노드의 메모리 분포를 보여주며, 가비지 컬렉션(GC) 이후에도 불필요하게 남아있는 객체의 참조 경로([[Retaining Path]])를 시각적으로 파악할 수 있도록 돕습니다 [1, 4-6]. 이를 통해 브라우저 메모리 할당 시점별 힙의 상세한 동작과 메모리 보존(Retention) 원인을 명확히 식별할 수 있습니다 [2, 7].
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
* **힙 스냅샷([[Heap Snapshot]])과 3-스냅샷 기법:** 힙 스냅샷은 특정 시점의 전체 객체 그래프를 캡처하는 도구입니다 [2, 3]. 메모리 누수 탐지에서 가장 신뢰할 수 있는 방법은 '3-스냅샷 기법'으로, 기준 스냅샷을 찍고 누수가 의심되는 작업을 수행한 뒤 두 번째 스냅샷을 찍고, 작업을 반복한 후 세 번째 스냅샷을 찍는 방식입니다 [8]. 이를 통해 일회성 메모리 할당을 필터링하고 실제 누수 후보를 찾아낼 수 있습니다 [8]. 스냅샷은 생성자별로 객체를 그룹화하는 'Summary' 뷰, 두 스냅샷 간의 차이를 보여주는 'Comparison' 뷰, 전역 네임스페이스에 참조된 객체의 구조를 파악하는 'Containment' 뷰 등을 제공합니다 [9].
|
||||
* **타임라인의 할당 계측(Allocation instrumentation on timeline):** 이 도구는 힙 프로파일러의 상세 스냅샷 정보와 타임라인 패널의 점진적인 업데이트 추적 기능을 결합한 것입니다 [10, 11]. 특정 기간 동안 발생한 모든 메모리 할당을 스택 트레이스와 함께 최소 50ms마다 주기적으로 기록합니다 [2, 12, 13]. 타임라인 상의 막대 높이는 할당된 객체의 크기를 의미하며, 파란색 막대는 타임라인 종료 시점까지 살아있는 객체를, 회색 막대는 할당 후 가비지 컬렉션(GC)된 객체를 나타냅니다 [5, 14, 15].
|
||||
* **할당 샘플링(Allocation sampling):** 모든 할당을 추적하는 타임라인 계측 방식에 비해 시스템 오버헤드가 없기 때문에, 운영(Production) 환경의 프로파일링에 적합한 가벼운 통계적 샘플링 방식입니다 [16].
|
||||
* **보존 경로(Retainers)와 고유 객체 식별자:** 메모리 패널 하단의 'Retainers' 섹션은 GC 루트(Root)에서부터 특정 객체를 계속 살아있게 유지하는 참조 체인을 역순으로 보여주어 메모리 누수의 근본 원인을 추적할 수 있게 합니다 [2, 7, 17]. 또한, 각 객체에는 가비지 컬렉션 과정에서 객체의 물리적 위치가 이동하더라도 여러 스냅샷 간에 동일하게 유지되는 고유 ID(`@` 기호 뒤의 숫자)가 부여되어 정밀한 개별 객체 단위의 비교 분석이 가능합니다 [12, 13, 18, 19].
|
||||
|
||||
## ⚠️ 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:** 힙 스냅샷(Heap Snapshot), [[타임라인 할당 계측(Allocation instrumentation on timeline)]], 가비지 컬렉션([[Garbage Collection]]), [[보존 경로(Retaining Path)]]
|
||||
- **Projects/Contexts:** [[V8 JavaScript Engine]] 메모리 관리 및 가비지 컬렉션, [[브라우저 메모리 누수 탐지([[Browser]] [[memory]] Leak Detection)]]
|
||||
- **Contradictions/Notes:** 소스의 메모리 누수 분석 시 주의사항에 따르면, DevTools 콘솔에서의 `console.log` 출력은 로깅된 객체에 대한 참조를 계속 유지하므로 실제로는 누수가 아니더라도 가비지 컬렉션이 되지 않아 조사 과정에서 혼선을 줄 수 있습니다 [20].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-19*
|
||||
|
||||
---
|
||||
@@ -0,0 +1,32 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-CDTO-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.96
|
||||
tags: [auto-reinforced, [[Chrome]]-devtools, debugging, web-development, performance-[[Analysis]], [[Browser]]-tools]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Chrome DevTools]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "웹 개발자의 X-ray와 메스: 돌아가는 웹 사이트의 장기를 실시간으로 들여다보고, 픽셀을 깎으며, 메모리의 찌꺼기를 찾아내고, 성능의 구멍을 메우는 전 세계 웹 엔지니어들의 필수 공작 창고."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
Chrome DevTools는 구글 크롬 브라우저에 내장된 웹 제작 및 디버깅 도구 세트입니다.
|
||||
|
||||
1. **핵심 패널**:
|
||||
* **Elements**: DOM 구조와 CSS 스타일을 실시간 수정 및 미리보기.
|
||||
* **Console**: API 테스트, 로그 확인, [[JavaScript]] 코드 즉석 실행.
|
||||
* **Network**: 데이터 요청 오가는 것을 감시하고 속도 지연 원인 파악. ([[Backend]]와 연결)
|
||||
* **Performance/[[memory]]**: 프레임 드랍이나 메모리 누수(Memory Leak)를 정밀 분석. ([[Bottlenecks]]와 연결)
|
||||
2. **왜 중요한가?**:
|
||||
* 브라우저라는 거대한 블랙박스 내부의 '런타임 상태'를 투명하게 가시화하여, 이론이 아닌 데이터 기반의 최적화를 가능케 함.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거 개발 정책은 단순히 '글자 수정'과 '에러 확인' 정책에 그쳤으나, 현대 정책은 정밀한 '코어 웹 바이탈(LCP, INP) 측정 정책'과 '모바일 기기 에뮬레이션 정책'을 통해 최적화의 질을 결정하는 핵심 정책 기지가 됨(RL Update).
|
||||
- **정책 변화(RL Update)**: DevTools 내부에 AI 비서(Gemini)가 통합되는 정책이 추진됨에 따라, 에러 메시지를 보고 해결책을 직접 찾는 대신 AI가 소스 코드를 분석해 바로 제안해 주는 '지능형 디버깅 정책'으로 도약함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Browser]], [[Backend]], [[Bottlenecks]], [[Analysis]], [[Technical-Architecture]]
|
||||
- **Modern Tech/Tools**: [[Lighthouse]], [[Heap Snapshot]] analyzer, Recorder panel.
|
||||
---
|
||||
@@ -0,0 +1,28 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AI-CIRCUIT-DISCOVERY
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.92
|
||||
tags: [[[Interpretability]], MechanisticInterpretability, NeuralNetworks]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Circuit Discovery (회로 발견)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "거대한 신경망 속에서 특정 기능을 수행하는 '작은 부품'을 찾아내는 고고학." 딥러닝 모델 내부의 뉴런과 가중치들이 어떻게 결합하여 특정 알고리즘(예: 간접 목적어 식별)을 구현하는지 밝히는 과정이다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Methodology**:
|
||||
- **Ablation (제거)**: 특정 뉴런이나 층을 비활성화했을 때 성능 변화를 관찰하여 중요도를 측정한다.
|
||||
- **Activation Patching**: 특정 입력에 대한 중간 활성값을 다른 입력에 주입하여 정보 흐름을 역추적한다.
|
||||
- **Found Components**:
|
||||
- **Induction Heads**: 이전 패턴을 기억하고 반복하는 작은 회로. Context-based learning의 핵심.
|
||||
- **Indirect Object Identification (IOI) Circuit**: 문장에서 간접 목적어를 찾아내는 20여 개의 뉴런 그룹.
|
||||
- **Significance**: 블랙박스인 AI 모델을 해석 가능한 시스템으로 전환하여 안전성(Safety)과 제어 가능성을 확보한다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 현재의 회로 발견은 주로 작은 모델(GPT-2 등)에서 성공적이며, 수천억 개의 파라미터를 가진 대규모 모델에서는 회로의 중첩과 복잡성 때문에 자동화된 회로 발견(Automated [[Circuit Discovery]]) 기술이 활발히 연구되고 있다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Mechanistic Interpretability (기계적 해석 가능성)]] , Monosemanticity (일의성)
|
||||
- Concepts: Superposition (중첩)
|
||||
@@ -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 +1,40 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-8EC3C3
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - Code Review"
|
||||
---
|
||||
|
||||
# [[Code Review]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 코드 리뷰(Code Review)는 소프트웨어의 전반적인 코드 건강 상태를 개선하고 품질 및 보안을 보장하기 위해 소스 코드를 검사하는 과정입니다 [1-3]. 이는 인간 개발자가 직접 수행하는 수동 리뷰(Manual Code Review)와 정적 분석([[SAST]]) 및 AI 도구를 활용하는 자동화된 리뷰(Automated Code Review)로 나뉩니다 [4, 5]. 최신 소프트웨어 개발 환경에서는 자동화 도구의 속도와 인간의 문맥 이해 능력을 결합하여 일관성과 보안성을 극대화하는 하이브리드 접근법이 필수적인 모범 사례로 권장됩니다 [5-8].
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
* **수동 코드 리뷰 (Manual Code Review):**
|
||||
개발자가 주로 풀 리퀘스트(PR)를 통해 코드를 한 줄씩 읽고 논의하는 인간 주도의 검사 방식입니다 [4, 9]. 도구가 파악할 수 없는 아키텍처의 의도, 비즈니스 로직, 복잡한 설계 결함을 찾아내는 데 탁월하며, 팀원 간의 지식 공유와 멘토링을 촉진하여 코드 가독성을 높입니다 [5, 6, 10, 11]. 구글의 코드 리뷰 표준에 따르면, 완벽한 코드를 추구하기보다는 시스템의 전반적인 코드 상태가 확실히 개선되는 방향(지속적 개선)을 기준으로 승인을 진행해야 합니다 [12, 13]. 하지만 수동 리뷰는 시간이 많이 소요되고 비용이 높으며, 리뷰어의 피로도나 편향에 의한 인적 오류가 발생할 수 있다는 단점이 있습니다 [14, 15].
|
||||
|
||||
* **자동화된 코드 리뷰 (Automated Code Review):**
|
||||
린터(Linter), 포매터(Formatter), SAST, AI 기반 리뷰 봇 등의 도구를 사용하여 코드를 실행하지 않고 정적으로 분석하는 방식입니다 [4, 16]. [[ESLint]], [[Prettier]], [[SonarQube]], Snyk 등의 도구를 통해 구문 오류, 스타일 위반, 일반적인 보안 취약점(예: SQL 인젝션, XSS 등)을 대규모 코드베이스에서 빠르고 일관되게 찾아냅니다 [17-20]. 하지만 비즈니스 로직과 설계의 복잡한 의도를 이해하지 못하는 문맥의 맹점(Context Blindness)이 존재하며, 설정된 규칙에만 의존하기 때문에 잦은 오탐(False Positive)을 발생시켜 개발자의 피로도를 높일 수 있다는 한계가 있습니다 [21, 22].
|
||||
|
||||
* **하이브리드 리뷰 워크플로우 (Hybrid Approach):**
|
||||
2025년 기준 가장 이상적인 방식은 자동화와 인간의 통찰력을 계층화하여 결합하는 것입니다 [5, 23]. CI/CD 파이프라인이나 Git 훅(예: [[Husky]], [[lint-staged]])을 통해 기본 구문 검사와 정형화된 보안 결함, 스타일 교정은 자동화 도구가 코드 커밋 및 PR 단계에서 우선적으로 차단합니다 [24, 25]. 이후 인간 리뷰어는 도구가 정리한 코드를 바탕으로 아키텍처 설계, 보안 문맥, 서비스 간의 교차 영향도와 같은 고차원적인 판단에만 집중할 수 있습니다 [23, 25, 26].
|
||||
|
||||
* **AI 기반 코드 리뷰 도구의 진화:**
|
||||
최근에는 GitHub Copilot, Snyk Code, DeepCode 등 대규모 언어 모델(LLM)과 머신러닝 기반의 분석 도구들이 코드 리뷰에 적극 도입되고 있습니다 [27-29]. AI는 코드의 문맥을 어느 정도 해석하고, 데이터 흐름을 추적하여 오탐률을 줄이며, 리뷰 과정에서 자동으로 코드를 수정해 주는 제안(Auto-fix)을 통해 리뷰 주기를 크게 단축시킵니다 [28, 30, 31].
|
||||
|
||||
## ⚠️ 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:** Manual Code Review, Automated Code Review, [[SAST]], Linting, [[Prettier]], [[Husky]]
|
||||
- **Projects/Contexts:** CI/CD Pipelines, SDLC, Pull Request
|
||||
- **Contradictions/Notes:** 소스에 따르면 자동화된 리뷰 도구는 코드 검사 속도와 일관성을 극대화하지만, 비즈니스 로직과 아키텍처적 맥락을 이해하지 못해 실제 취약점의 약 22%를 놓치거나 오탐(False Positive)을 대량으로 양산할 수 있습니다 [22, 32]. 따라서 자동화 도구 단독으로는 완벽한 보안과 품질을 보장할 수 없으며, 복잡하고 위험도가 높은 코드는 반드시 인간 리뷰어의 수동 평가가 동반되어야 한다고 강조합니다 [5, 26, 33].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-19*
|
||||
|
||||
---
|
||||
@@ -0,0 +1,27 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-SCI-COG-PSY
|
||||
category: "10_Wiki/💡 Topics/Science"
|
||||
confidence_score: 0.99
|
||||
tags: [Cognitive [[Psychology]], Perception, [[memory]], Attention]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# Cognitive-Psychology (인지 심리학)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "마음은 정보 처리 시스템이다." 인간의 사고 과정을 컴퓨터의 아키텍처처럼 입력(지각)-저장(기억)-처리(생각)-출력(행동)의 관점에서 분석하는 학문이다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Mental Representations**:
|
||||
- 외부 세계를 뇌가 어떻게 내부 모델로 변환하여 저장하는가. (예: 스키마([[Schema]]), 프레임(Frame)).
|
||||
- **Dual Process Theory**:
|
||||
- 시스템 1(빠른 직관)과 시스템 2(느린 추론)가 어떻게 상호작용하며 결정을 내리는지 분석한다.
|
||||
- **Working Memory Theory**:
|
||||
- 정보가 장기 기억으로 넘어가기 전, 머릿속에서 유지되고 처리되는 '메모리 공간'의 용량 제한(7±2 등)에 대한 연구.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 인지 심리학의 고전적 모델들은 '감정'을 배제한 경향이 있었다. 현대에는 인지적 처리와 감정적 처리가 뗄 수 없다는 '정서 지능(Emotional Intelligence)'과의 융합 연구가 대세다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: Cognitive-Biases , [[Cognitive-Therapy-in-CBT]]
|
||||
- Foundation: [[Information Theory]]
|
||||
+11
-28
@@ -1,20 +1,17 @@
|
||||
---
|
||||
category: Unified
|
||||
tags: [auto-consolidated, technical-documentation]
|
||||
title: [[Cognitive-Evaluation-Theory|Cognitive-Evaluation-Theory]] (인지 평가 이론)
|
||||
last_updated: 2026-05-02
|
||||
id: [[P-Reinforce]]-SCI-COGEVAL
|
||||
category: "10_Wiki/💡 Topics/Science"
|
||||
confidence_score: 0.97
|
||||
tags: [Cognitive Evaluation Theory, Motivation, Autonomy, [[Psychology]]]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Cognitive-Evaluation-Theory|Cognitive-Evaluation-Theory]] (인지 평가 이론)
|
||||
# [[Cognitive-Evaluation-Theory]] (인지 평가 이론)
|
||||
|
||||
## 📌 Brief Summary
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "보상이 때로는 열정을 죽인다." 인간은 스스로 결정하고 유능하다고 느낄 때 가장 강력한 내적 동기를 발휘한다.
|
||||
|
||||
---
|
||||
|
||||
> 지식 요약 정보 추출 중...
|
||||
|
||||
## 📖 Core Content
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Autonomy (자율성)**:
|
||||
- 외부의 강요가 아니라 스스로의 선택에 의해 행동한다고 느낄 때 동기가 유발된다. (예: 게임에서의 자유로운 퀘스트 선택).
|
||||
- **Competence (유능성)**:
|
||||
@@ -22,23 +19,9 @@ last_updated: 2026-05-02
|
||||
- **Extrinsic vs Intrinsic Motivation**:
|
||||
- 금전적 보상 같은 외적 동기가 너무 크면, 즐거워서 하던 일(내적 동기)의 가치가 훼손되는 '과잉 정당화 효과(Over-justification effect)'가 발생할 수 있다.
|
||||
|
||||
---
|
||||
|
||||
본문 구조화 작업 중...
|
||||
|
||||
## ⚖️ Trade-offs & Caveats
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 게임 기획 시 단순히 '데일리 보상'만 뿌리는 것은 위험하다. 사용자가 보상 때문에 숙제처럼 게임을 하게 만들지 말고, 자신의 실력이 늘어가는 과정 자체를 즐기게 하는 '마스터리의 경험'을 설계해야 한다.
|
||||
|
||||
---
|
||||
|
||||
- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요.
|
||||
- **정책 변화:** Design & Experience 분야의 자동 자산화 수행.
|
||||
|
||||
## 🔗 Knowledge Connections
|
||||
- Related: [[Game Design Theory|Game Design Theory]] , [[Behavioral-Economics|Behavioral-Economics]]
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Game Design Theory]] , [[Behavioral-Economics]]
|
||||
- Foundation: Cognitive-Biases
|
||||
|
||||
---
|
||||
|
||||
- Raw Source: 00_Raw/2026-04-20/인지 평가 이론 (Cognitive Evaluation Theory).md
|
||||
---
|
||||
@@ -0,0 +1,32 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-COTX-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.89
|
||||
tags: [auto-reinforced, [[Complexity-Theory]], [[Systems-Thinking]], chaos, [[Emergence]], non-linear]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Complexity Theory]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "전체는 부분의 합보다 크다: 개별 요소들은 단순해 보이더라도, 이들이 얽히고설켜 상호작용할 때 발생하는 예측 불가능하고 비선형적인 패턴인 '복잡성'을 연구하는 현대 과학의 새로운 눈."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
복잡계 이론(Complexity Theory)은 수많은 구성 요소가 서로 밀접하게 연관되어 질서와 혼돈 사이의 독특한 패턴을 만들어내는 시스템을 탐구합니다.
|
||||
|
||||
1. **핵심 개념**:
|
||||
* **Emergence (발현)**: 하위 수준의 단순한 규칙이 상위 수준의 지능적 패턴을 만듦. ([[Collective-Intelligence]]와 연결)
|
||||
* **Feedback Loops**: 시스템 내의 결과가 다시 원인이 되어 증폭(Positive)되거나 억제(Negative)되는 순환 구조.
|
||||
* **Self-Organization**: 외부의 지휘 없이도 스스로 새로운 질서를 찾아감.
|
||||
* **Non-linearity**: 원인의 작은 변화가 결과의 엄청난 차이를 가져옴 (Butterfly Effect).
|
||||
2. **적용 분야**:
|
||||
* 주식 시장, 기후 변화, 인간 뇌의 신경망, 거대 언어 모델의 창발 등.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거의 과학 정책은 문제를 쪼개서 분석하는 '환원주의 정책'이었으나, 현대 정책은 쪼개면 사라지는 시스템 전체의 성질을 분석하는 '전체론적 복잡계 정책'으로 패러다임을 전환함(RL Update).
|
||||
- **정책 변화(RL Update)**: 거대 AI 모델의 '창발 능력 정책'을 예측하고 제어하기 위해, 단순 성능 측정을 넘어 복잡계 이론을 적용한 '상전이(Phase Transition) 분석 정책'이 도입되고 있음.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Emergence]], [[Systems Thinking]], [[Collective-Intelligence]], Chaos Theory, [[Analysis]]
|
||||
- **Modern Tech/Tools**: Agent-based modeling (NetLogo), Network [[Analysis]] software,[[ system]] dynamics tools.
|
||||
---
|
||||
@@ -0,0 +1,29 @@
|
||||
---
|
||||
id: COMP-THEORY-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.0
|
||||
tags: [computer-science, math, complexity-theory, p-vs-np, [[Logic]]]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[Complexity Theory]] (복잡성 이론)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "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)
|
||||
- **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:** 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)
|
||||
- [[Algorithm-Complexity-Big-O]], [[Combinatorial-Optimization]], Turing-Machine-Foundations, Cryptography
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Complexity-Theory.md
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-COCR-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.91
|
||||
tags: [auto-reinforced, [[Computational-Creativity]], [[Generative-AI]], [[Arts]], [[Innovation]], algorithmic-art]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Computational Creativity]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "기계에게 영감을 입력하다: 인간만의 성역으로 여겨졌던 '창의성'을 컴퓨터 코드와 확률 모델로 구현하여, AI가 스스로 새로운 예술적 학술적 가치를 가진 결과물을 생성하고 인간의 창의성을 확장하게 돕는 도전적 영역."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
계산적 창의성(Computational Creativity)은 소프트웨어가 인간을 모방하거나 인간과 협업하여 창의적인 행위를 수행하도록 하는 연구 분야입니다.
|
||||
|
||||
1. **창의성의 3요소 (Margaret Boden)**:
|
||||
* **Combinational**: 기존 개념들의 새로운 조합.
|
||||
* **Exploratory**: 지식 공간 내부의 새로운 영역 탐색.
|
||||
* **Transformational**: 기존의 규칙 자체를 뒤집어 새로운 지형 생성.
|
||||
2. **왜 중요한가?**:
|
||||
* 단순 자동화를 넘어, 인간이 상상하지 못한 새로운 양식(Style)이나 전략을 발견하여 예술과 공학의 지평을 넓힘. (Arts와 연결)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 기계의 창작물을 '데이터 짜깁기 정책'으로 폄하했으나, 현대 정책은 예술의 본질이 결과물 자체의 가치와 수용자의 해석 정책에 있음을 인정하고 AI를 '메타 창작자 정책'으로 수용함(RL Update).
|
||||
- **정책 변화(RL Update)**: 저작권 및 창작자 보호 정책 수립 시, AI 생성물에 대한 법적 지위 정책과 '인간의 기여도 측정 정책'이 새로운 산업 표준 정책으로 자리 잡고 있음.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Arts]], [[Gen-AI]], [[Aesthetic-Value]], [[Authenticity]], [[Style-Transfer]]
|
||||
- **Modern Tech/Tools**: Stable Diffusion, Suno/Udio (Music), Sora (Video), Copilot for coding.
|
||||
---
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-COCR-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.92
|
||||
tags: [auto-reinforced, computational-creativity, [[Generative-AI]], art-science, creativity-model, [[Innovation]], intelligence]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Computational-Creativity]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "기계는 영감을 받을 수 있는가?: 인간의 고유 영역이라 믿었던 '창의성'을 알고리즘으로 모델링하여, AI가 단순히 학습데이터를 흉내 내는 수준을 넘어 새로운 규칙을 만들고 예술적 가치를 창출하게 만드는 지능의 최전선."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
계산적 창의성(Computational-Creativity)은 인공지능을 사용하여 창의적인 결과물을 생성하거나 인간의 창발적 사고 과정을 모델링하는 연구 분야입니다.
|
||||
|
||||
1. **창의성의 3원칙 (Margaret Boden)**:
|
||||
* **Combinational**: 기존 요소들의 새로운 조합.
|
||||
* **Exploratory**: 개념 공간(Conceptual Space)의 경계까지 탐구.
|
||||
* **Transformational**: 공간의 규칙 자체를 변화시켜 이전에 불가능했던 것을 가능케 함.
|
||||
2. **왜 중요한가?**:
|
||||
* AI가 단순 도구(Tool)를 넘어 창의적 파트너(Co-creator)로 진화하며, 음악, 미술, 문학은 물론 과학적 가설 수립 및 신약 개발 등 혁신 전반에 기여하기 때문임. ([[Synergy]]와 연결)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 "결과물이 좋으면 창의적이다"라는 결과 중심 정책(Output-centric)이었으나, 현대 정책은 AI 가 그 결과를 내기까지의 '의도 정책'과 '과정 정책'을 어떻게 평가하고 피드백할 것인가 하는 가치 평가 정책(Evaluation)을 더 중시함(RL Update).
|
||||
- **정책 변화(RL Update)**: 생성형 AI (LLM, Diffusion) 정책의 폭발적 보급으로 인해, 이제는 기술적 생성 정책보다는 '인간의 예술적 권위 정책'과 'AI 의 창작권 정책'에 대한 철학적, 법적 논의 정책이 계산적 창의성의 핵심 어젠다가 됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Synergy]], Deep Learning (DL), [[Representation-Learning]], [[Structuralism]], [[Search-Strategy]]
|
||||
- **Key Models**: GANs, [[Variational Autoencoders (VAE)]], Genetic Algorithms.
|
||||
---
|
||||
@@ -0,0 +1,32 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-COVI-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.98
|
||||
tags: [auto-reinforced, [[Computer-Vision]], [[Deep-Learning]], [[Pattern-Recognition]], image-[[Processing]], perception]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Computer Vision]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "디지털 눈의 진화: 픽셀의 단순한 나열인 이미지와 비디오 데이터를 컴퓨터가 인간처럼 이해하고, 객체를 식별하며, 공간의 깊이를 읽고, 의미 있는 정보를 추출하게 만드는 인공지능의 시각 중추."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
컴퓨터 비전(Computer Vision)은 가시광선 등 물리적 신호를 디지털 데이터로 변환하고 분석하여 '본다'는 행위를 기계로 구현하는 기술입니다.
|
||||
|
||||
1. **핵심 태스크**:
|
||||
* **Classification**: 무엇이 들어있는가? (예: 개/고양이 구분)
|
||||
* **Detection**: 무엇이 '어디에' 있는가? (Bounding Box 표시)
|
||||
* **Segmentation**: 픽셀 단위로 객체의 경계선 따기.
|
||||
* **Depth Estimation**: 공간의 입체적 거리감 파악.
|
||||
2. **기반 기술**:
|
||||
* CNN(Convolutional Neural Networks)에서 최근에는 Vision [[Transformers]](ViT)로 아키텍처가 진화 중.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 필터 제작 등 수동 특징 추출(Hand-crafted features) 정책 위주였으나, 현대 정책은 데이터로부터 스스로 특징을 배우는 '딥러닝 기반 종단간 학습 정책(End-to-end)'으로 완전히 전환됨(RL Update).
|
||||
- **정책 변화(RL Update)**: 2D 이미지 분석 정책을 넘어, 최근에는 '3D 공간 지능 정책'과 '멀티모달(시각+언어) 통합 정책'이 자율주행과 에이전틱 서비스의 핵심 정책 토대가 됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Pattern Recognition, [[Autonomous Vehicles]], [[CV_Synthesis]], [[Artificial Intelligence (AI)]], [[Robotics]]
|
||||
- **Modern Tech/Tools**: OpenCV, PyTorch/TensorFlow, YOLO, Segment Anything Model (SAM), NeRF.
|
||||
---
|
||||
@@ -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 [[CLIP]]이나 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: [[P-Reinforce]]-AI-[[Concept-Drift]]
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.94
|
||||
tags: [[[MLOps]], ConceptDrift, DataScience, Monitoring]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Concept Drift (개념 드리프트)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "어제의 정답이 오늘의 오답이 되는 현상." 데이터의 통계적 특성이 시간이 지남에 따라 변하여, 과거에 학습된 모델의 예측 성능이 실시간으로 하락하는 리스크를 의미한다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Types of Drift**:
|
||||
- **Sudden Drift**: 갑작스러운 사회적 변화(예: 팬데믹)로 소비자 패턴이 급변함.
|
||||
- **Gradual Drift**: 시간이 흐르며 조금씩 변화함(예: 언어의 변화, 인플레이션).
|
||||
- **Seasonal Drift**: 특정 주기마다 반복되는 변화.
|
||||
- **Detection Strategies**:
|
||||
- **Statistical Tests**: 데이터 분포의 차이를 측정(P-value, KL-divergence 등).
|
||||
- **Performance Monitoring**: 정확도, 정밀도 등의 지표가 임계값 아래로 떨어지는지 감시.
|
||||
- **Adaptation**: 모델 지속적 재학습(Continuous Retraining), 온라인 학습(Online Learning), 앙상블 가중치 업데이트 등을 통해 대응한다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 개념 드리프트와 데이터 드리프트(Data Drift)를 혼동해서는 안 된다. 데이터 드리프트는 입력 데이터($X$)의 분포 변화이고, 개념 드리프트는 입력과 출력의 관계($P(Y|X)$) 자체가 변하는 것이다. 개념 드리프트가 발생하면 모델의 '로직' 자체가 유효하지 않게 되므로 훨씬 더 위험하다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[MLOps]] , Model Collapse (모델 붕괴 현상)
|
||||
- Comparison: [[Data [[Distillation]] (데이터 증류)]]
|
||||
@@ -0,0 +1,30 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-CAII-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.96
|
||||
tags: [auto-reinforced, [[Constitutional-AI]], ai-safety, ethics, rlaif, anthropic]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Constitutional AI (헌법 AI)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "AI에게 헌법을 주다: 모델의 행동을 일일이 사람이 교정하는 대신, 지켜야 할 명확한 원칙(헌법)을 입력하고 AI가 스스로 그 원칙에 따라 자신의 답변을 평가하고 수정하게 만드는 고차원적 자가 정렬 기법."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
헌법 AI(Constitutional AI)는 앤스로픽(Anthropic)이 제안한 기술로, AI 시스템의 안전성과 가치관을 대규모로 정렬하기 위한 방법론입니다.
|
||||
|
||||
1. **작동 단계**:
|
||||
* **Supervised Learning**: 헌법(예: "도움이 되고 정직하며 해롭지 않아야 한다")을 기반으로 모델이 스스로 응답을 생성하고 비판하며 개선하는 과정을 거침.
|
||||
* **RLAIF (RL from AI Feedback)**: 인간 대신 '헌법을 숙지한 AI 모델'이 다른 모델의 답변을 평가하여 선호도 데이터를 생성하고, 이를 통해 강화학습 수행. (RLHF의 확장)
|
||||
2. **왜 중요한가?**:
|
||||
* 인간의 피드백은 비용이 많이 들고 일관성이 부족할 수 있지만, 헌법 AI는 명문화된 원칙에 따라 속도와 규모감 있게 정렬을 수행함. ([[Efficiency]]와 안전성 확보)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 초기 안전 정책은 유해 단어 차단 등 단순 '필터링 정책' 중심이었으나, 현대 정책은 모델의 내재적 철학 정책을 교정하는 '헌법 기반 자아 정렬 정책'으로 고도화됨(RL Update).
|
||||
- **정책 변화(RL Update)**: 어떤 가치가 헌법에 포함되어야 하는가에 대한 '민주적 헌법 제정 정책'이 중요해짐에 따라, 기술 기업이 독점하는 가치가 아닌 인류 보편적 가치 정책을 반영하려는 사회적 합의 활동이 활발해짐.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[RLHF (인간 피드백 기반 강화 학습)]], [[AI Safety]], [[Ethics & AI]], [[Alignment]], [[Policy-Surveillance]]
|
||||
- **Modern Tech/Tools**: Claude (Anthropic), RLAIF frameworks, Constitutional drafting guides.
|
||||
---
|
||||
@@ -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 +1,33 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-CSP-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.96
|
||||
tags: [auto-reinforced, constraint-satisfaction, csp, backtracking, [[Search]]-algorithm, [[Logic]], [[Optimization]]]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Constraint-Satisfaction-Problems]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "한계 내에서의 최적: '이 조건은 만족해야 하고 저 조건은 피해야 한다'는 수많은 제약 사항을 모두 충족하는 단 하나의 정답(또는 최적해)을 찾아내는 수학적 수수께끼 풀이 엔진."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
제약 충족 문제(Constraint-Satisfaction-Problems, CSP)는 변수 세트의 값이 일련의 제약 조건을 만족해야 하는 수학적 문제입니다.
|
||||
|
||||
1. **3대 구성 요소**:
|
||||
* **Variables (V)**: 값을 할당받아야 하는 대상.
|
||||
* **Domains (D)**: 각 변수가 가질 수 있는 값의 범위.
|
||||
* **Constraints (C)**: 변수 간에 지켜야 할 규칙 (예: 같은 색은 이웃할 수 없음).
|
||||
2. **핵심 알고리즘**:
|
||||
* **Backtracking Search**: 값을 하나씩 넣어보다 제약에 걸리면 뒤로 돌아가 다른 시도.
|
||||
* **Constraint Propagation (AC-3)**: 미리 불가능한 후보군을 잘라내는 기술. ([[Efficiency]]와 연결)
|
||||
* **[[Heuristics]]**: MRV(최소 잔여 값), Degree Heuristic 등을 통해 탐색 속도 극대화. ([[Search-Strategy]]와 연결)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 단순히 '답을 찾느냐 마느냐'의 정책(Satisfiability)에 집중했으나, 현대 정책은 제약을 부분적으로 위반하더라도 최상의 결과를 내는 '연성 제약 정책(Soft Constraints)'과 최적화 정책을 결합함(RL Update).
|
||||
- **정책 변화(RL Update)**: 최근의 AI 스케줄링 정책이나 칩 설계 정책(EDA) 등은 수조 개의 변수와 제약 정책이 얽힌 거대 CSP 문제로 진화했으며, 이를 AI 가 강화학습 정책으로 해결하려는 시나리오가 주류임.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Efficiency]], [[Search-Strategy]], [[Logic]], [[Complexity-Theory]], [[Optimization]]
|
||||
- **Key Examples**: Map coloring, Sudoku, Scheduling, Protein folding.
|
||||
---
|
||||
@@ -0,0 +1,29 @@
|
||||
---
|
||||
id: CONTROL-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.0
|
||||
tags: [engineering, [[Control-Theory]], [[Robotics]], automation]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Control[[ system]]s Engineering (제어 시스템 공학)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "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)
|
||||
- **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:** 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)
|
||||
- **Parent:** 10_Wiki/💡 Topics/AI
|
||||
- **Related:** [[Feedback-Control-Systems]], [[Robotics]], System-Dynamics
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Control Systems Engineering.md
|
||||
@@ -0,0 +1,32 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-COSE-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.95
|
||||
tags: [auto-reinforced, control-systems, engineering, feedback, pid-control, automation, dynamical-systems]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Control-Systems-Engineering]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "의도한 대로의 상태 유지: 복잡한 외부의 방해 속에서도, 시스템의 현재 상태를 목표치(Set-point)로 일정하게 유지하거나 정확한 경로로 유도하기 위해 끊임없이 '수정 명령'을 내리는 기술적 중추."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
제어 시스템 공학(Control-Systems-Engineering)은 동적 시스템의 거동을 제어하고 원하는 동작을 이끌어내기 위한 공학적 원리와 분석 방법을 다룹니다.
|
||||
|
||||
1. **핵심 구조 (Feedback Loop)**:
|
||||
* **Sensor**: 현재 상태(Output) 측정.
|
||||
* **Comparator**: 목표값과 현재값의 차이(Error) 계산.
|
||||
* **Controller**: 오차를 줄이기 위한 제어값 계산 (예: PID 제어).
|
||||
* **Actuator**: 시스템에 물리적/논리적 변화 가함.
|
||||
2. **왜 중요한가?**:
|
||||
* 자율주행차의 조향부터 원자로의 온도 조절, 로봇의 균형 잡기까지 현대 문명의 모든 '자동화'가 이 이론 위에 서 있기 때문임. (Automation와 연결)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 시스템의 모든 수학적 모델 정책을 완벽히 알아야 한다는 고전 제어(Classic Control) 정책이 주류였으나, 현대 정책은 모델을 몰라도 데이터로 배우는 '모델 프리 강화학습 정책(Model-free RL)'과 결합하여 훨씬 복합적인 제어 정책을 수행함(RL Update). ([[Reinforcement Learning (RL)]]와 연결)
|
||||
- **정책 변화(RL Update)**: 이제는 단순 물리 시스템 제어 정책을 넘어, 거대 AI 모델의 답변 정책([[Alignment]])을 제어하거나 사회적 시스템의 변동성 정책을 제어하는 광의의 제어 정책으로 확장 중임.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Automation, [[Reinforcement Learning (RL)]], [[System-Theory]], [[Robotics]], [[Efficiency]]
|
||||
- **Key Algorithms**: PID Control, Kalman Filter, Model Predictive Control (MPC).
|
||||
---
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-CWVI-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.98
|
||||
tags: [auto-reinforced, core-web-vitals, web-performance, google-seo, lcp, inp, cls]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Core-Web-Vitals]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "웹의 건강 검진표: 로딩 속도, 상호작용성, 시각적 안정성이라는 세 가지 핵심 지표를 통해, 사용자가 웹 사이트에서 느끼는 실제 경험의 질을 수치화하고 검색 엔진 순위까지 결정짓는 구글의 표준 가이드라인."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
코어 웹 바이탈(Core-Web-Vitals)은 웹 페이지 경험의 질을 측정하기 위해 구글이 정의한 핵심 지표들입니다.
|
||||
|
||||
1. **3대 핵심 지표**:
|
||||
* **LCP (Largest Contentful Paint)**: 주요 콘텐츠가 화면에 나타나는 속도 (로딩 성능).
|
||||
* **INP (Interaction to Next Paint)**: 사용자의 클릭/입력에 대해 화면이 얼마나 빨리 반응하는가 (상호작용성, FID를 대체).
|
||||
* **CLS (Cumulative Layout [[Shift]])**: 페이지 로드 중 콘텐츠가 갑자기 움직이는 현상 (시각적 안정성).
|
||||
2. **왜 중요한가?**:
|
||||
* 단순히 '빠른 웹'을 넘어 '사용자가 쾌적함을 느끼는 웹'의 기준을 제시하며, 구글 검색 상위 노출(SEO)의 필수 조건임. (SEO Best Practices와 연결)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 단순히 '전체 페이지 로딩 시간' 정책에 집중했으나, 현대 정책은 실제 사용자가 느끼는 '첫 인상'과 '반응 속도' 정책인 코어 웹 바이탈 정책으로 정밀화됨(RL Update).
|
||||
- **정책 변화(RL Update)**: 2024년 3월부터 FID(First Input Delay) 정책이 INP 정책으로 공식 교체됨에 따라, 웹 사이트 전반의 상호작용 지연을 더 엄격하게 측정하고 개선하는 정책이 강제됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Browser]], [[Chrome DevTools]], [[Analysis]], [[Technical-Architecture]], [[Optimization]]
|
||||
- **Modern Tech/Tools**: [[PageSpeed Insights]], [[Lighthouse]], [[Search]] Console.
|
||||
---
|
||||
@@ -0,0 +1,26 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AI-DQN
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.97
|
||||
tags: [ReinforcementLearning, DQN, DeepMind, QLearning]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Deep Q-Networks (DQN)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "고전 게임기를 정복한 딥러닝과 강화학습의 사상 첫 번째 결합." 상태 가치를 예측하는 고전적인 Q-Learning에 심층 신경망을 도입하여 픽셀 정보만으로 인간 이상의 게임 실력을 달성한 기념비적 논문이다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Key [[Innovation]]s**:
|
||||
- **Deep Neural Network as Q-Function**: 복잡하고 고차원적인 상태(예: 화면 픽셀)를 입력받아 각 행동의 가치를 계산하도록 CNN을 사용함.
|
||||
- **Experience Replay**: 경험한 데이터를 메모리에 저장해두고 무작위로 추출하여 학습함으로써 데이터 간 상관관계(Correlation)를 끊고 안정성을 확보함.
|
||||
- **Target Network**: 가치 예측값과 목표값을 계산하는 네트워크를 분리하여 학습 중 목표값이 요동치는 현상을 방지함.
|
||||
- **Legacy**: 아타리(Atari) 게임 정복을 통해 현대 심층 강화학습(Deep RL) 시대를 열었다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- DQN은 가치 기반(Value-based) 방식이기에 행동 공간이 연속적인(Continuous) 문제에는 적용하기 어렵다. 또한 가치 값을 과대평가(Overestimation)하는 경향이 있어, 이를 보완한 Double DQN, Dueling DQN 등으로 진화하였다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Reinforcement Learning (RL)]] , [[Bellman-Equation]]
|
||||
- Contrast: Policy Gradient Methods
|
||||
@@ -0,0 +1,28 @@
|
||||
---
|
||||
id: DIFFUSION-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.0
|
||||
tags: [ai, generative-model, diffusion-model, image-generation, [[Deep-Learning]]]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Diffusion Models (확산 모델)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "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)
|
||||
- **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:** 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)
|
||||
- [[Generative-Adversarial-Networks]]-GAN, [[Variational-Autoencoders-VAE]], [[CLIP]], [[Computer-Vision]]-[[Mastery]]
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Diffusion-Models.md
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-DIUN-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.98
|
||||
tags: [auto-reinforced, discriminated-unions, tagged-unions, typescript, error-handling, type-safety, [[Functional-Programming]]]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Discriminated-Unions]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "타입의 확실한 이름표: 여러 가능한 데이터 형태 중 '현재 어떤 형태인지'를 명확한 구분자(Tag)로 박제하여, 조건문 안에서 컴파일러가 타입을 완벽하게 추론하게 만들고 런타임 에러의 가능성을 원천 봉쇄하는 견고한 방패."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
구별된 공용체(Discriminated-Unions, Tagged Unions)는 공통된 문자열 리터럴 속성(Discriminant)을 사용하여 여러 타입 중 하나를 안전하게 선택하는 패턴입니다.
|
||||
|
||||
1. **3대 조건**:
|
||||
* **Union of Types**: 여러 타입이 결합된 합집합 타입.
|
||||
* **Discriminant Property**: 각 타입에 공통으로 존재하는 리터럴 속성 (예: `type: 'success' | 'error'`).
|
||||
* **Type Guarding**: `switch`나 `if` 문을 통해 해당 속성을 검사하면, 블록 내부에서 해당 타입으로만 자동 축소(Narrowing).
|
||||
2. **왜 중요한가?**:
|
||||
* 에러 핸들링 시 `status` 값에 따라 `data`가 있을지 `error`가 있을지 컴파일러가 정확히 알게 하여, 정의되지 않은 속성 접근 정책(Undefined errors)을 막기 때문임. ([[Reliability]]와 연결)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거 자바스크립트 정책은 'duck typing'에 의존하여 런타임에 일일이 `if(data)` 등을 체크해야 했으나, TS 정책은 구별된 공용체 정책을 통해 '컴파일 타임'에 모든 경로 정책을 검증함(RL Update).
|
||||
- **정책 변화(RL Update)**: 이제는 단순 에러 처리를 넘어, 복잡한 상태 머신 정책(FSM)이나 Redux 액션 타입 정책 등을 정의하는 표준 아키텍처 패턴 정책으로 자리 잡음. ([[State-Space]]와 연결)
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Reliability]], [[State-Space]], [[Technical-Architecture]], [[Logic]], [[Complexity-Theory]]
|
||||
- **Key Concept**: Algebraic Data Types (ADT).
|
||||
---
|
||||
@@ -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
|
||||
@@ -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
|
||||
+13
-30
@@ -1,44 +1,27 @@
|
||||
---
|
||||
category: Unified
|
||||
tags: [auto-consolidated, technical-documentation]
|
||||
title: Drama Managementsystems (드라마 관리 시스템)
|
||||
last_updated: 2026-05-02
|
||||
id: [[P-Reinforce]]-AI-DRAMA-MGMT
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.95
|
||||
tags: [GameDesign, AI, Narrative, Drama[[Management]]]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# Drama Managementsystems (드라마 관리 시스템)
|
||||
# [[Drama Management[[ system]]s]] (드라마 관리 시스템)
|
||||
|
||||
## 📌 Brief Summary
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "플레이어 모르게 등 뒤에서 연극 무대를 조절하는 보이지 않는 연출가." 게임 엔진 내부에서 플레이어의 행동을 실시간 모니터링하여, 이야기가 너무 지루하거나 너무 급박해지지 않도록 이벤트를 배치하고 난이도를 조절하는 지능형 서사 제어 시스템이다.
|
||||
|
||||
---
|
||||
|
||||
> 지식 요약 정보 추출 중...
|
||||
|
||||
## 📖 Core Content
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Target**: 플레이어의 '극적 긴장감(Dramatic Tension)'을 유지하는 것.
|
||||
- **Components**:
|
||||
- **Story [[State|State]] Monitor**: 현재 서사의 진행 상황 파악.
|
||||
- **Story [[State]] Monitor**: 현재 서사의 진행 상황 파악.
|
||||
- **Experience Manager**: 사용자 경험의 질을 실시간으로 점수화(Metric).
|
||||
- **Narrative Planner**: 목표 서사 구조로 유도하기 위한 최적의 행동(NPC 배치, 아이템 드랍 등) 결정.
|
||||
- **Key Technique**: **[[Search|Search]]-based Drama Management (SBDM)**. 미래의 여러 시나리오를 시뮬레이션하여 현재 가장 필요한 '자극'을 골라냄.
|
||||
- **Key Technique**: **[[Search]]-based Drama Management (SBDM)**. 미래의 여러 시나리오를 시뮬레이션하여 현재 가장 필요한 '자극'을 골라냄.
|
||||
|
||||
---
|
||||
|
||||
본문 구조화 작업 중...
|
||||
|
||||
## ⚖️ Trade-offs & Caveats
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 드라마 매니지먼트가 노골적이면 플레이어는 자신의 '자유의지(Agency)'가 침해받는다고 느껴 몰입이 깨진다(조작받는 느낌). 따라서 최근에는 LLM을 결합하여, 유저의 돌발 행동에도 논리적으로 대응하면서 자연스럽게 메인 플롯으로 복귀시키는 '생성형 드라마 매니지먼트'가 연구되고 있다.
|
||||
|
||||
---
|
||||
|
||||
- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요.
|
||||
- **정책 변화:** Graphics & Performance 분야의 자동 자산화 수행.
|
||||
|
||||
## 🔗 Knowledge Connections
|
||||
- Related: [[Dynamic Difficulty Adjustment (DDA)|Dynamic Difficulty Adjustment (DDA)]] , Player-Agency
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Dynamic Difficulty Adjustment (DDA)]] , Player-Agency
|
||||
- System: AI-Director (eg Left 4 Dead)
|
||||
|
||||
---
|
||||
|
||||
- Raw Source: 00_Raw/2026-04-20/Drama-Management-Systems.md
|
||||
---
|
||||
@@ -0,0 +1,24 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AI-DRY
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.98
|
||||
tags: [SoftwareEngineering, [[Principles]], DRY, CleanCode]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Dry-Principle]] (Don't Repeat Yourself)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "중복은 모든 악의 근원이다." 시스템 내부의 모든 지식은 단 한 번만, 단 하나의 명확한 형태로 존재해야 한다는 원칙이다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Core [[goal]]**: 유지보수성 향상. 기능을 수정할 때 여러 곳을 고쳐야 한다면 반드시 실수하게 되어 있다.
|
||||
- **Beyond Code**: 단순히 '복사-붙여넣기' 코드를 줄이는 것뿐만 아니라, DB 스키마, 테스트 케이스, 문서화 등 프로젝트 전반의 정보 중복을 제거하는 것을 포함한다.
|
||||
- **Mechanisms**: 함수화, 클래스화, 모듈화, 상수 관리 등을 통해 구현한다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- DRY를 맹신하면 '성급한 추상화(Premature Abstraction)'에 빠지게 된다. 모양만 같고 '의미(Semantics)'가 다른 두 코드를 억지로 합치면, 나중에 각자의 비즈니스 로직이 달라질 때 코드가 꼬여버린다. 이럴 때는 차라리 중복을 허용하는 'WET(Write Everything Twice)'가 나을 수도 있다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: Clean-Code , [[Modular-Programming]]
|
||||
- Contrast: YAGNI-Principle
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-EDCO-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.96
|
||||
tags: [auto-reinforced, edge-computing, iot, latency, [[Distributed-Computing]], real-time]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Edge-Computing]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "데이터의 현장 수습: 모든 정보를 거대 중앙 클라우드로 보내지 않고, 속도가 생명인 스마트폰, 자율주행차, IoT 기기 등 데이터가 발생하는 '가장자리(Edge)'에서 즉시 처리함으로써 지연 시간과 보안 문제를 동시에 해결하는 분산 컴퓨팅의 해법."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
엣지 컴퓨팅(Edge-Computing)은 데이터 소스와 가까운 곳에서 연산을 수행하는 네트워크 배포 방식입니다.
|
||||
|
||||
1. **주요 장점**:
|
||||
* **Latency**: 통신 시간이 거의 제로에 가까워 즉각적 반응이 필요한 자율주행, 원격 수술에 필수.
|
||||
* **Bandwidth**: 불필요한 데이터를 클라우드로 전송하지 않아 네트워크 부하 감소. ([[Efficiency]]와 연결)
|
||||
* **Security**: 민감한 데이터가 기기 밖으로 나가지 않아 프라이버시 보호에 유리.
|
||||
2. **왜 중요한가?**:
|
||||
* 수십억 개의 장치가 연결되는 IoT 시대에 거대 클라우드 중심의 병목 현상([[Bottlenecks]])을 해결할 유일한 대안임. ([[Distributed-Systems]]와 연결)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 연산력이 부족해 무조건 '클라우드 전송 정책' 위주였으나, 현대 정책은 전용 AI 칩(NPU)의 발전으로 기기 내부에서 직접 추론하는 'On-device AI 정책'이 주류가 됨(RL Update).
|
||||
- **정책 변화(RL Update)**: 엣지에서 학습한 지식을 개인정보 유출 없이 중앙으로 모으는 '연합 학습(Federated Learning) 정책'이 데이터 주권 시대의 핵심 정책으로 부상함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Internet of Things (IoT)]], [[Distributed-Systems]], [[Scalability]], [[Bottlenecks]], [[Distillation]]
|
||||
- **Modern Tech/Tools**: NVIDIA Jetson, AWS Wavelength, Raspberry Pi, NPU sensors.
|
||||
---
|
||||
+5
-5
@@ -1,12 +1,12 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AI-STRENGTH-COND
|
||||
category: Unified
|
||||
id: [[P-Reinforce]]-AI-STRENGTH-COND
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.98
|
||||
tags: [Strength, Conditioning, Athletics, Physiology]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Elite-Strength-and-Conditioning|Elite-Strength-and-Conditioning]] (엘리트 스트랭스 & 컨디셔닝)
|
||||
# [[Elite-Strength-and-Conditioning]] (엘리트 스트랭스 & 컨디셔닝)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "단순한 근육 성장이 아닌, '종목별 특화 엔진'을 제작하는 과정." 해당 스포츠에서 요구하는 파워, 속도, 지구력을 가장 효율적으로 발휘할 수 있도록 신체 능력을 프로그래밍하는 훈련 학문이다.
|
||||
@@ -14,11 +14,11 @@ last_reinforced: 2026-04-20
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Periodization (주기화)**: 시즌과 비시즌에 맞춰 강도와 양을 조절하여 경기 당일에 정점을 찍게 함.
|
||||
- **Force-Velocity Curve**: 최대 근력(Force)과 최대 속도(Velocity) 사이의 최적 지점을 찾는 훈련 (예: 플라이오메트릭).
|
||||
- **Energy[[_system|system]] Development (ESD)**: ATP-PC, 유산소, 무산소 시스템 중 해당 종목에 결정적인 에너지 시스템을 집중 단련.
|
||||
- **Energy[[ system]] Development (ESD)**: ATP-PC, 유산소, 무산소 시스템 중 해당 종목에 결정적인 에너지 시스템을 집중 단련.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 무조건 무거운 무게를 드는 '파워리프팅식' 접근이 모든 운동선수에게 정답은 아니다. 가동 범위(ROM) 확보와 협응력(Coordination)이 결여된 근력은 오히려 부상을 유발한다. 현대 컨디셔닝은 '가동성을 동반한 근력(Mobile Strength)'을 최우선 가치로 둔다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: Hypertrophy-Mechanisms , VBT (Velocity Based Training)
|
||||
- Field: Athletic-Performance-[[Analysis|Analysis]]
|
||||
- Field: Athletic-Performance-[[Analysis]]
|
||||
+4
-4
@@ -1,12 +1,12 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AI-EMBODIED-COGNITION
|
||||
category: Unified
|
||||
id: [[P-Reinforce]]-AI-EMBODIED-COGNITION
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.96
|
||||
tags: [[Philosophy|[Philosophy]], CognitiveScience, [[Psychology|Psychology]], Embodiment]
|
||||
tags: [[[Philosophy]], CognitiveScience, [[Psychology]], Embodiment]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Embodied Cognition|Embodied Cognition]] (체화된 인지)
|
||||
# [[Embodied Cognition]] (체화된 인지)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "생각은 뇌에서만 일어나는 것이 아니라, '몸' 전체와 그 환경의 상호작용이다." 지능을 단순히 추상적인 계산 과정으로 보지 않고, 신체의 구조와 감각-운동 경험이 사고의 본질을 형성한다는 이론이다.
|
||||
+5
-5
@@ -1,18 +1,18 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AI-EITS
|
||||
category: Unified
|
||||
id: [[P-Reinforce]]-AI-EITS
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.94
|
||||
tags: [EdTech, AI, EmotionalComputing, Tutoring]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# Emotionally Intelligent Tutoringsystems (EITS) (정서 지능형 튜터링 시스템)
|
||||
# [[Emotionally Intelligent Tutoring[[ system]]s (EITS)]] (정서 지능형 튜터링 시스템)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "학습자의 표정과 목소리 톤까지 읽어내는 '눈치 빠른' AI 선생님." 학습자의 정서 상태(좌절, 지루함, 호기심 등)를 실시간으로 감지하여 학습 내용과 격려 방식을 조절함으로써 학습 효과를 극대화하는 교육 시스템이다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **[[Affective Computing|Affective Computing]]**: 카메라나 바이오센서를 통해 학습자의 얼굴 표정, 시선, 미세한 심박수 변화 등을 분석.
|
||||
- **[[Affective Computing]]**: 카메라나 바이오센서를 통해 학습자의 얼굴 표정, 시선, 미세한 심박수 변화 등을 분석.
|
||||
- **Adaptive Intervention**: 지루해하면 흥미로운 예시를 던지고, 좌절하면 힌트를 주어 자신감을 회복시킴.
|
||||
- **Pedagogical Agents**: 단순한 텍스트가 아닌, 감정을 표현하는 아바타(Agent)를 통해 사회적 상호작용을 유도.
|
||||
|
||||
@@ -21,4 +21,4 @@ last_reinforced: 2026-04-20
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: Affective-Computing , Instructional-Design-Models
|
||||
- Technology: [[Computer-Vision|Computer-Vision]]-Emotional-[[Analysis|Analysis]]
|
||||
- Technology: [[Computer-Vision]]-Emotional-[[Analysis]]
|
||||
+6
-6
@@ -1,12 +1,12 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AI-ENDURANCE-COG
|
||||
category: Unified
|
||||
id: [[P-Reinforce]]-AI-ENDURANCE-COG
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.94
|
||||
tags: [Sports[[Psychology|Psychology]], Endurance, Cognition, Fatigue]
|
||||
tags: [Sports[[Psychology]], Endurance, Cognition, Fatigue]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Endurance-Athletics-Cognition|Endurance-Athletics-Cognition]] (지중 운동과 인지 기능)
|
||||
# [[Endurance-Athletics-Cognition]] (지중 운동과 인지 기능)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "몸이 먼저 포기하는가, 정신이 먼저 꺾이는가?" 극한의 장거리 운동(마라톤, 철인 3종 등) 상황에서 뇌가 신체 피로를 어떻게 인식하고, 인지 부하가 퍼포먼스에 어떤 결정적인 영향을 미치는지에 대한 연구 분야다.
|
||||
@@ -14,11 +14,11 @@ last_reinforced: 2026-04-20
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Central Governor Model**: 근육이 망가져서 멈추는 것이 아니라, 뇌가 신체 보호를 위해 '강제로 출력을 낮추는' 조절 메커니즘.
|
||||
- **Mental Fatigue**: 고도의 집중력을 요하는 작업 후에는 신체적 능력은 그대로임에도 불구하고 운동 퍼포먼스가 하락함.
|
||||
- **Psychobio[[Logic|Logic]]al Model**: 운동 강도를 결정하는 핵심은 '지각된 노력(Rating of Perceived Exertion, RPE)'임.
|
||||
- **Psychobio[[Logic]]al Model**: 운동 강도를 결정하는 핵심은 '지각된 노력(Rating of Perceived Exertion, RPE)'임.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 전통적으로는 심폐지구력이나 근력이 성적을 결정한다고 믿었으나, 현대 스포츠 심리학은 '고통 내성(Pain Tolerance)'과 '자기 대화(Self-talk)'의 효능을 데이터로 입증하고 있다. 웨어러블 기기의 생체 지표뿐만 아니라 주관적 인지 지표를 결합한 분석이 현대 엘리트 훈련의 표준이다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Elite-Sport-Science-Protocols|Elite-Sport-Science-Protocols]] , [[Executive-Function-Deficit|Executive-Function-Deficit]]
|
||||
- Related: [[Elite-Sport-Science-Protocols]] , [[Executive-Function-Deficit]]
|
||||
- Theory: Central-Governor-Theory
|
||||
+13
-30
@@ -1,49 +1,32 @@
|
||||
---
|
||||
category: Unified
|
||||
tags: [auto-consolidated, technical-documentation]
|
||||
title: [[Epidemiological Modeling|Epidemiological Modeling]]
|
||||
last_updated: 2026-05-02
|
||||
id: [[P-Reinforce]]-AUTO-EPDM-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.95
|
||||
tags: [auto-reinforced, epidemiology, modeling, sir-model, public-health, simulation, forecasting]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Epidemiological Modeling|Epidemiological Modeling]]
|
||||
|
||||
## 📌 Brief Summary
|
||||
> 지식 요약 정보 추출 중...
|
||||
|
||||
---
|
||||
# [[Epidemio[[Logic]]al-Modeling]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "질병 확산의 수학적 예언: 바이러스의 전파 속도, 사람 간 접촉 패턴, 면역 생성률을 수식에 담아 '언제 정점에 도달하고 얼마나 많은 백신이 필요한가'를 예측하여 국가의 방역 정책을 결정하는 데이터 과학의 창."
|
||||
|
||||
## 📖 Core Content
|
||||
본문 구조화 작업 중...
|
||||
|
||||
---
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
역학 모델링(Epidemiological-Modeling)은 인구 집단 내에서 질병의 전파 양상을 수학적으로 묘사하고 통제 전략의 효과를 시뮬레이션하는 기법입니다.
|
||||
|
||||
1. **대표적 모델 (SIR Model)**:
|
||||
* **Susceptible (S)**: 감염 가능한 인구.
|
||||
* **Infectious (I)**: 감염자.
|
||||
* **Recovered (R)**: 회복자/면역자.
|
||||
* **R0 (Basic Reproduction Number)**: 감염자 1명이 평균적으로 감염시키는 인원수. R0 > 1 이면 대유행 발생. ([[Statistics|Statistics]]와 연결)
|
||||
* **R0 (Basic Reproduction Number)**: 감염자 1명이 평균적으로 감염시키는 인원수. R0 > 1 이면 대유행 발생. ([[Statistics]]와 연결)
|
||||
2. **왜 중요한가?**:
|
||||
* 봉쇄 정책, 마스크 착용, 백신 접종 등의 정책 변화 정책이 실제 확산세 정책에 미치는 영향을 데이터로 미리 검증할 수 있기 때문임. (Simulation와 연결)
|
||||
|
||||
## ⚖️ Trade-offs & Caveats
|
||||
- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요.
|
||||
- **정책 변화:** Graphics & Performance 분야의 자동 자산화 수행.
|
||||
|
||||
---
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 평균적인 인구 통계 정책에 의존했으나, 현대 정책은 개개인의 이동 패턴 정책이나 SNS 관계망 정책까지 반영하는 '에이전트 기반 모델(ABM) 정책'으로 훨씬 더 정교한 예측이 가능해짐(RL Update). (Complexity-Science와 연결)
|
||||
- **정책 변화(RL Update)**: 이제는 단순 시뮬레이션 정책을 넘어, AI 가 실시간으로 전 세계 하수 데이터나 검색 트래픽 정책을 분석하여 변이 바이러스의 출현 정책을 조기 경보하는 '디지털 역학 감시 체계'로 진화 중임.
|
||||
|
||||
## 🔗 Knowledge Connections
|
||||
- Raw Source: 00_Raw/2026-04-20/Epidemiological Modeling.md
|
||||
---
|
||||
|
||||
---
|
||||
|
||||
- Simulation, [[Statistics|Statistics]], Complexity-Science, [[Risk-Management|Risk-Management]], [[Sustainability|Sustainability]], Bio-Informatics
|
||||
- **Key Milestone**: COVID-19 real-time modeling and [[Strategy|Strategy]].
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Simulation, [[Statistics]], Complexity-Science, [[Risk-Management]], [[Sustainability]], Bio-Informatics
|
||||
- **Key Milestone**: COVID-19 real-time modeling and [[Strategy]].
|
||||
---
|
||||
@@ -0,0 +1,29 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AI-EVENT-DRIVEN
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.97
|
||||
tags: [[[Architecture]], EventDriven, Async, PubSub]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Event-Driven-Architecture]] (이벤트 주도 아키텍처)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "말 걸지 마, 그냥 공지사항을 확인해." 상태 변화(이벤트)를 발행하고 구독하는 방식으로 시스템을 구성하여, 서비스 간의 직접적인 호출을 없애고 유연한 확장을 가능하게 하는 설계다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Components**:
|
||||
- **Event Producer**: 상태 변화를 감지하고 이벤트를 발행함.
|
||||
- **Event Bus / Broker**: 발행된 이벤트를 전달함 (Kafka, RabbitMQ 등).
|
||||
- **Event Consumer**: 필요한 이벤트를 구독하여 로직을 실행함.
|
||||
- **Benefits**:
|
||||
- **Decoupling**: 생산자는 소비자가 누구인지 알 필요가 없다.
|
||||
- **[[Scalability]]**: 트래픽 급증 시 메시지 큐를 통해 부하를 분산 처리할 수 있다.
|
||||
- **Responsiveness**: 비동기 처리를 통해 즉각적인 사용자 피드백이 가능하다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 이벤트 주도는 시스템 흐름을 파악하기 어렵게 만든다(Where did this event come from?). 또한 '결과적 일관성(Eventual Consistency)'을 수용해야 하므로, 금융 거래처럼 원자성이 중요한 작업에는 설계 난이도가 급상승한다. 분산 추적(Distributed Tracing) 도구 없이는 재앙이 될 수 있다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Microservices-Architecture]] , Message-Queue-Design
|
||||
- Pattern: Observer-Pattern
|
||||
@@ -0,0 +1,25 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AI-EVO-COMP
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.98
|
||||
tags: [AI, EvolutionaryComputation, [[Optimization]], GeneticAlgorithm]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Evolutionary Computation]] (진화 연산)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "생물 진화의 원리를 빌려와 가장 효율적인 해답을 찾아내는 디지털 적자생존." 자연의 진화 과정(선택, 교차, 변이)을 모방하여 복잡한 최적화 문제를 해결하는 휴리스틱 기반 인공지능 기법이다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Genetic Algorithm (GA)**: 염색체 연산을 통해 최적 해를 탐색하는 가장 대중적인 방식.
|
||||
- **Evolutionary Strategies (ES)**: 실수 값 벡터 최적화에 특화된 접근.
|
||||
- **Fitness Function**: 개체가 얼마나 문제 해결에 적합한지를 평가하는 척도.
|
||||
- **Mutation & Crossover**: 지역 최적점(Local Minima)에 빠지지 않게 하고 새로운 탐색 영역을 넓히는 핵심 메커니즘.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 딥러닝의 역전파([[Backpropagation]]) 방식은 미분 가능한 함수에서만 작동하지만, 진화 연산은 '미분 불가능하거나 블랙박스 형태'의 최적화 문제에서도 강력한 위력을 발휘한다. 최근에는 신경망의 구조 자체를 진화시키는 '[[Neuroevolution]]'과 강화학습의 대안으로 대두되며 다시 주목받고 있다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Optimization-Algorithms]] , [[Genetic-Algorithms]]
|
||||
- AI Context: [[Reinforcement-Learning]]-vs-[[Evolutionary-Computation]]
|
||||
@@ -0,0 +1,29 @@
|
||||
---
|
||||
id: EVO-COMP-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.0
|
||||
tags: [ai, evolutionary-computation, genetic-algorithm, [[Optimization]], bio-inspired]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[Evolutionary Computation]] (진화 연산)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "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)
|
||||
- **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:** 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)
|
||||
- [[Genetic-Algorithms]], [[Black-Box-Optimization]], [[Neural-[[Architecture]]-[[Search]]-NAS]], [[Neural-Darwinism]]
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Evolutionary-Computation.md
|
||||
@@ -0,0 +1,27 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AI-TS-EXCESS-PROPERTITY
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.00
|
||||
tags: [TypeScript, Programming, TypeSafety, ErrorHandling]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Excess-Property-Checking]] (잉여 속성 체크)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "너 정체가 뭐야? 시키지 않은 건 하지 마." 객체 리터럴을 변수에 할당하거나 함수 인자로 전달할 때, 정의되지 않은 추가 속성이 포함되어 있으면 타입 에러를 발생시켜 오타나 실수(Mistyping)를 방지하는 TypeScript의 안전장치다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Object Literal Restriction**: 변수에 미리 담지 않고 직접 `{...}` 형태로 넘길 때만 발동함.
|
||||
- **[[Structural Typing]] Exception**: TypeScript는 기본적으로 구조적 타이핑을 따르지만, 리터럴 할당 시에는 '엄격한 타입 일치'를 요구하여 버그를 줄임.
|
||||
- **Bypassing Methods**:
|
||||
- 변수에 할당 후 전달.
|
||||
- 타입 단언(`as AnyType`) 사용.
|
||||
- 인덱스 시그니처(`[key: string]: any`) 추가.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 이 기능은 때때로 "덕 타이핑(Duck Typing)이라며 왜 안 돼?"라며 초보자들을 당황하게 만든다. 하지만 이는 리터럴 객체 생성 시 발생할 수 있는 오타(예: `colour` vs `color`)를 런타임 이전 단계에서 원천 봉쇄하기 위한 의도적인 설계다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: Structural-Typing-vs-Nominal-Typing , TypeScript-Best-Practices
|
||||
- Concept: Type-Guard
|
||||
@@ -0,0 +1,32 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-EXAI-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.97
|
||||
tags: [auto-reinforced, xai, explainable-ai, transparency, [[Interpretability]], trust]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Explainable-AI (XAI)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "블랙박스의 뚜껑을 열다: AI가 복잡한 신경망 속에서 내린 결론의 근거를 인간이 이해할 수 있는 언어와 시각 자료로 설명함으로써, 기계에 대한 신뢰를 구축하고 오류를 검증 가능하게 만드는 투명성의 기술."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
설명 가능한 AI(XAI, Explainable-AI)는 AI 모델의 결과물에 대해 인간이 이해할 수 있는 설명을 제공하는 것을 목표로 합니다.
|
||||
|
||||
1. **왜 필요한가?**:
|
||||
* **Trust**: 의료, 금융 등 생명/자산과 직결된 분야에서는 "왜"라는 질문에 답할 수 있어야 함. ([[Ethics & AI]]와 연결)
|
||||
* **Debugging**: 모델이 엉뚱한 곳을 보고 학습하는지(예: 배경을 보고 늑대를 분류) 확인.
|
||||
* **Regulatory Compliance**: AI의 결정에 대해 사용자가 '설명받을 권리'를 법적으로 보장받는 추세.
|
||||
2. **주요 기법**:
|
||||
* **LIME/SHAP**: 입력값의 변화가 결과에 미치는 영향을 측정하여 중요도 표시.
|
||||
* **Attention Maps**: 모델이 이미지의 어느 부분이나 텍스트의 어느 단어에 집중했는지 가시화.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 성능(Accuracy)과 설명력(Interpretability)이 반비례 관계라는 정책이 주류였으나, 현대 정책은 지능이 높으면서도 스스로의 논리 구조를 브리핑하는 '내재적 설명 정책'을 추구함(RL Update).
|
||||
- **정책 변화(RL Update)**: 단순 가시화를 넘어, AI가 자신의 사고 과정을 단계별로 풀어서 설명하는 CoT(Chain-of-Thought) 정책이 LLM 시대의 핵심 XAI 방법론으로 부상함. (Chain-of-Thought와 연결)
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Ethics & AI]], [[Chain-of-Thought (CoT 사고 사슬)]], Trust and Perspective, Transparency, Bias-Variance Tradeoff
|
||||
- **Modern Tech/Tools**: SHAP, LIME, Captum (PyTorch), Integrated Gradients.
|
||||
---
|
||||
@@ -0,0 +1,32 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-EXEX-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.96
|
||||
tags: [auto-reinforced, exploration, exploitation, [[Reinforcement-Learning]], multi-armed-bandit, [[Strategy]]]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Exploration vs Exploitation]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "모험과 안주의 저울질: 이미 알고 있는 최선을 선택하여 확실한 이득을 챙길 것인가(Exploitation), 아니면 더 큰 보상이 있을지 모르는 새로운 영역을 탐험할 것인가(Exploration) 사이의 영원한 전략적 딜레마."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
탐사 대 이용(Exploration vs Exploitation)은 강화학습과 의사결정 이론의 핵심적인 트레이드오프 문제입니다.
|
||||
|
||||
1. **두 개념**:
|
||||
* **Exploitation (이용)**: 과거 경험상 보상이 가장 컸던 행동을 반복. 단기 수익 최적화.
|
||||
* **Exploration (탐사)**: 정보가 부족한 새로운 행동을 시도. 장기적인 '더 나은 최적해' 발견 가능성.
|
||||
2. **해결 전략**:
|
||||
* **Epsilon-Greedy**: 대부분($1-\epsilon$)은 이용하되, 무작위($\epsilon$)로 탐사.
|
||||
* **UCB (Upper Confidence Bound)**: 불확실성(가보지 않은 곳)에 가중치를 두어 탐사 유도.
|
||||
* **Thompson Sampling**: 확률 분포를 기반으로 유연하게 선택.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 최대한 빠르게 '안주 정책'으로 들어가는 것이 효율적이라 보았으나, 현대 정책은 복잡한 환경일수록 시스템에 '호기심(Curiosity) 정책'을 주입하여 끝까지 탐사하게 하는 것이 궁극의 지능을 만든다고 믿음(RL Update). (Reinforcement Learning과 연결)
|
||||
- **정책 변화(RL Update)**: 비즈니스 전략 정책에서, 기존 수익 모델에 안주하는 것(Exploitation)과 신사업을 발굴하는 것(Exploration) 사이의 '양손잡이 경영 정책'의 이론적 토대가 됨. ([[Strategic-Planning]]과 연결)
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Reinforcement Learning (RL)]], Multi-Armed Bandit (MAB), [[Decision Theory]], [[Strategic-Planning]], [[Optimization]]
|
||||
- **Modern Tech/Tools**: Recommender[[ system]]s (Exploration balance), A/B [[Testing]] algorithms.
|
||||
---
|
||||
@@ -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 +1,25 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AI-FACTORY
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.00
|
||||
tags: [DesignPatterns, Factory, OOP, Abstraction]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Factory-Pattern]] (팩토리 패턴)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "객체 생성을 전담하는 대리인." 어떤 구체적인 클래스의 인스턴스를 만들지 결정하는 로직을 별도의 객체나 메서드로 분리하여, 클라이언트 코드가 생성 방식의 변화로부터 자유로워지게 하는 패턴이다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Simple Factory**: 입력값에 따라 다른 자식 객체를 생성하여 리턴함.
|
||||
- **Factory Method**: 상속을 통해 어떤 객체를 생성할지 서브클래스가 결정하게 함.
|
||||
- **Abstract Factory**: 연관된 객체들의 '군(Family)'을 생성하기 위한 인터페이스를 제공함 (예: 다크 테마용 버튼과 입력창 세트).
|
||||
- **Core Benefit**: **Decoupling**. `new` 키워드를 한곳에서 관리하므로, 나중에 구현체가 바뀌어도 사용하는 쪽 코드는 전혀 수정할 필요가 없다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 팩토리 패턴은 코드의 유연성을 높이지만, 단순한 객체 생성에도 팩토리를 도입하면 클래스 수가 많아지고 구조가 복잡해지는 '클래스 폭발'을 유발할 수 있다. 객체 생성 로직이 복잡하거나 타입에 따라 분기가 빈번할 때만 선택적으로 사용하는 것이 좋다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Dependency-Injection]] , Abstract-Factory-Pattern
|
||||
- Concept: Encapsulation
|
||||
+2
-2
@@ -1,8 +1,8 @@
|
||||
---
|
||||
id: CLAMP-001
|
||||
category: Unified
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.0
|
||||
tags: [ai-[[Interpretability|Interpretability]], mechanistic-interpretability, steering, neural-networks]
|
||||
tags: [ai-[[Interpretability]], mechanistic-interpretability, steering, neural-networks]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
Some files were not shown because too many files have changed in this diff Show More
Reference in New Issue
Block a user