[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 +1,29 @@
|
||||
---
|
||||
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]], 응용 행동 분석)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "행동의 원인을 분석하고, 보상 설계를 통해 바람직한 변화를 이끌어내라" — 행동주의 심리학에 근거하여 인간의 행동을 객관적으로 측정하고, 환경 조절과 강화를 통해 사회적으로 유의미한 행동 변화를 유도하는 과학적 방법론.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** ABC(Antecedent-Behavior-Consequence) 패러다임을 통해 행동 전후의 맥락을 분석하고, 보상(Reinforcement) 체계를 설계하여 특정 행동의 발생 빈도를 조절하는 기능적 분석 패턴.
|
||||
- **핵심 요소:**
|
||||
- **ABC Analysis:** 선행 사건(A), 행동(B), 결과(C)의 연쇄 고리 파악.
|
||||
- **Positive Reinforcement:** 바람직한 행동 뒤에 보상을 주어 행동의 재발 확률을 높임.
|
||||
- **[[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.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 단순히 행동을 교정하는 '훈련'으로 치부되기도 했으나, 현대에는 개인의 삶의 질 향상을 목표로 하는 인본주의적 가치가 결합된 과학적 분석법으로 정착.
|
||||
- **정책 변화:** Antigravity 에이전트의 강화학습 보상 모델 설계 시, ABA의 '기능적 행동 평가' 원칙을 도입하여 에이전트가 왜 특정 오류 행동을 반복하는지 분석하고 교정함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Psychology-of-Learning]], [[Reinforcement-Learning]], [[Alignment]], [[Habit-Formation]]
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/ABA.md
|
||||
@@ -0,0 +1,29 @@
|
||||
---
|
||||
id: 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*
|
||||
|
||||
---
|
||||
@@ -0,0 +1,27 @@
|
||||
---
|
||||
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]] (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.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Computational Complexity of Equilibria**:
|
||||
- 나쉬 균형을 찾는 것이 얼마나 어려운지(PPAD-complete) 분석하고, 이를 근사적으로 해결하는 알고리즘을 개발한다.
|
||||
- **Mechanism Design**:
|
||||
- 참여자들이 자신의 리소스를 솔직하게 공개하는 것이 스스로에게도 이득이 되도록 시스템(경매, 매칭 등)을 설계한다.
|
||||
- **Price of Anarchy**:
|
||||
- 개별 주체의 이기적 행동으로 인해 사회 전체의 효율성이 얼마나 감소하는지 정량화한다.
|
||||
|
||||
## ⚠️ 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.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: Nash-Equilibrium , Mechanism-Design
|
||||
- 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]]
|
||||
@@ -0,0 +1,27 @@
|
||||
---
|
||||
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]] (인지 평가 이론)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "보상이 때로는 열정을 죽인다." 인간은 스스로 결정하고 유능하다고 느낄 때 가장 강력한 내적 동기를 발휘한다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Autonomy (자율성)**:
|
||||
- 외부의 강요가 아니라 스스로의 선택에 의해 행동한다고 느낄 때 동기가 유발된다. (예: 게임에서의 자유로운 퀘스트 선택).
|
||||
- **Competence (유능성)**:
|
||||
- 자신의 능력이 과제에 적합하거나 성장하고 있다고 느낄 때 재미와 보람을 느낀다. (예: 레벨업 시스템, 랭크 시스템).
|
||||
- **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.
|
||||
|
||||
## ⚠️ 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.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Game Design Theory]] , [[Behavioral-Economics]]
|
||||
- Foundation: Cognitive-Biases
|
||||
@@ -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
|
||||
@@ -0,0 +1,27 @@
|
||||
---
|
||||
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 Management[[ system]]s]] (드라마 관리 시스템)
|
||||
|
||||
## 📌 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.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Target**: 플레이어의 '극적 긴장감(Dramatic Tension)'을 유지하는 것.
|
||||
- **Components**:
|
||||
- **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]]-based Drama Management (SBDM)**. 미래의 여러 시나리오를 시뮬레이션하여 현재 가장 필요한 '자극'을 골라냄.
|
||||
|
||||
## ⚠️ 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.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Dynamic Difficulty Adjustment (DDA)]] , Player-Agency
|
||||
- System: AI-Director (eg Left 4 Dead)
|
||||
@@ -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.
|
||||
---
|
||||
@@ -0,0 +1,24 @@
|
||||
---
|
||||
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]] (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.
|
||||
|
||||
## 📖 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]] 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]]
|
||||
@@ -0,0 +1,24 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AI-EMBODIED-COGNITION
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.96
|
||||
tags: [[[Philosophy]], CognitiveScience, [[Psychology]], Embodiment]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[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.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Anti-Dualism**: 마음과 몸을 분리된 실체로 보지 않고, 하나로 연결된 시스템으로 파악.
|
||||
- **Action-Oriented**: 인지는 추상적 표상(Representation)을 쌓는 것이 아니라, 환경에서 어떻게 행동할지를 실시간으로 결정하는 과정임.
|
||||
- **Extended Mind Hypothesis**: 도구나 환경(스마트폰, 노트 등)도 인지 과정의 일부라는 주장.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 순수 소프트웨어 기반 AI(LLM)가 정말 '지능'을 가질 수 있는가에 대한 강력한 반론의 근거가 된다. 물리적 세계와 상호작용하는 '몸'이 없는 AI는 개념적 이해에 한계가 있다는 주장(Symbol Grounding Problem)이 끊임없이 제기된다. 이는 로보틱스 기반 AI 연구가 중요해진 이유이기도 하다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: Situated-Cognition , Phenomenology
|
||||
- Problem: Symbol-Grounding-Problem
|
||||
@@ -0,0 +1,24 @@
|
||||
---
|
||||
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 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]]**: 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.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 개인 정보 보호 및 감정 감시(Privacy & Surveillance)에 대한 윤리적 이슈가 크다. 또한, AI가 감정을 '흉내'내는 것일 뿐 진짜 공감하는 것은 아니라는 점이 학습자에게 괴리감을 줄 수 있다. 최근에는 멀티모달(Multimodal) 센싱 기술의 비약적 발전으로 정확도가 크게 향상되었다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: Affective-Computing , Instructional-Design-Models
|
||||
- Technology: [[Computer-Vision]]-Emotional-[[Analysis]]
|
||||
@@ -0,0 +1,24 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AI-ENDURANCE-COG
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.94
|
||||
tags: [Sports[[Psychology]], Endurance, Cognition, Fatigue]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[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.
|
||||
|
||||
## 📖 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]]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]] , [[Executive-Function-Deficit]]
|
||||
- Theory: Central-Governor-Theory
|
||||
@@ -0,0 +1,32 @@
|
||||
---
|
||||
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
|
||||
---
|
||||
|
||||
# [[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."
|
||||
|
||||
## 📖 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]]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)
|
||||
|
||||
## ⚠️ 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.
|
||||
|
||||
## 🔗 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
|
||||
@@ -0,0 +1,29 @@
|
||||
---
|
||||
id: CLAMP-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.0
|
||||
tags: [ai-[[Interpretability]], mechanistic-interpretability, steering, neural-networks]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Feature Clamping (피처 고정 기법)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "모델 내부의 특정 개념을 강제로 고정하여 출력을 조종하라" — 신경망 내부의 특정 활성화(Activation) 값을 인위적으로 고정(Clamp)하여 모델의 행동이나 스타일을 제어하는 기법.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 모델이 특정 개념(예: '정중함' 또는 '독일어')을 처리하는 내부 뉴런 집합을 찾아낸 뒤, 그 값을 최대치로 고정하여 모든 출력에 해당 성질이 강제로 나타나게 하는 '스티어링(Steering)' 패턴.
|
||||
- **세부 내용:**
|
||||
- **Activation Extraction:** 특정 태스크 시 활성화되는 핵심 벡터 방향 식별.
|
||||
- **Constant Injection:** 추론 과정에서 특정 레이어의 활성화 값을 계산된 값이 아닌, 사전에 정의된 '고정값'으로 대체.
|
||||
- **Model Steering:** 파인튜닝 없이도 모델의 어조, 주제, 언어 등을 실시간으로 조율 가능.
|
||||
- **Ablation Study:** 반대로 특정 값을 0으로 고정하여 해당 기능이 모델에서 어떤 역할을 하는지 분석하는 용도로도 사용.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 단순히 프롬프트로 유도하던 방식에서, 모델의 두뇌(활성화 층)를 직접 제어하는 하드웨어적 접근으로의 진화.
|
||||
- **정책 변화:** 모델의 편향이나 유해성을 제거하기 위해 특정 '부정적 피처'를 억제(Negative Clamping)하는 안전 가드레일로 활용 연구 중.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Parent:** 10_Wiki/💡 Topics/AI
|
||||
- **Related:** Mechanistic-Interpretability, Circuit-Discovery, Activation-Patching
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Feature Clamping (피처 고정).md
|
||||
@@ -0,0 +1,29 @@
|
||||
---
|
||||
id: FEA-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.0
|
||||
tags: [engineering, simulation, [[Physics]], mathematics, cae]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Finite Element [[Analysis]] (FEA, 유한 요소 해석)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "복잡한 전체를 단순한 조각으로 나누어 계산하라" — 복잡한 구조물의 물리적 거동을 무수히 작은 요소(Finite Elements)들의 연립 방정식으로 치환하여 수치적으로 해결하는 시뮬레이션 기법.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 연속적인 물리계를 이산적인 격자(Mesh)로 분할하고, 각 격자점(Node)에서의 물리량 변화를 계산하여 전체 시스템의 반응을 예측하는 수치 해석 패턴.
|
||||
- **세부 내용:**
|
||||
- **Meshing:** 기하학적 형상을 삼각형이나 사각형 등 단순한 요소로 나누는 과정. 격자가 세밀할수록 정확도가 높으나 연산 비용 증가.
|
||||
- **Boundary Conditions:** 하중, 구속 조건 등 실제 환경의 물리적 제약 사항을 수치 모델에 반영.
|
||||
- **Structural Analysis:** 응력, 변형률, 진동 등을 계산하여 구조물의 안전성과 내구성 검증.
|
||||
- **Multi-physics:** 열전달, 유체 흐름, 전자기장 등 다양한 물리 현상을 복합적으로 해석.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 과거에는 거대한 슈퍼컴퓨터에서만 가능했으나, GPU 가속 및 클라우드 컴퓨팅의 발전으로 데스크톱 환경에서도 고정밀 해석이 가능해짐.
|
||||
- **정책 변화:** Antigravity 프로젝트의 자산 설계 시, 가상 구조물의 물리적 타당성을 검토하기 위한 수치 해석 모델링의 기초 이론으로 활용.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Parent:** 10_Wiki/💡 Topics/AI
|
||||
- **Related:** Computational-Fluid-Dynamics, Numerical-Analysis, Simulation
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Finite-Element-Analysis.md
|
||||
@@ -0,0 +1,29 @@
|
||||
---
|
||||
id: FLOW-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.0
|
||||
tags: [[[Psychology]], productivity, flow, peak-performance]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Flow [[State]] (몰입 상태)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "자아와 시간이 사라지고 행위만 남는 최적의 경험" — 도전 과제의 난이도와 자신의 기술 수준이 완벽한 균형을 이룰 때 도달하는, 고도의 집중과 창의성이 발휘되는 심리적 상태.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 명확한 목표, 즉각적인 피드백, 그리고 잡념이 사라질 정도의 적절한 난이도(Flow Channel)가 결합되어 생산성이 극대화되는 인지 패턴.
|
||||
- **세부 내용:**
|
||||
- **Flow Channel:** 지루함([[Anxiety]])과 불안(Boredom) 사이의 좁은 통로. 기술과 난이도가 비례해야 도달 가능.
|
||||
- **Loss of Self-Consciousness:** 행위에 완전히 흡수되어 자의식이 사라지고 일체감을 느끼는 현상.
|
||||
- **Altered Sense of Time:** 시간이 아주 빠르게 가거나, 반대로 정지한 것처럼 느껴지는 시간 왜곡 경험.
|
||||
- **Autotelic Experience:** 활동 그 자체가 목적이 되는 자기 목적적 보상 기제.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 단순히 '열심히 하는 것'과 '몰입'을 혼동하던 초기 관점에서, 특정 뇌파(Alpha/Theta)와 호르몬 수치로 측정 가능한 과학적 상태로 규명됨.
|
||||
- **정책 변화:** Antigravity 프로젝트의 UX 설계 시, 사용자가 학습 루프 내에서 몰입 상태를 유지할 수 있도록 점진적 난이도 상승(Progressive Disclosure) 기법을 적용함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Parent:** 10_Wiki/💡 Topics/AI
|
||||
- **Related:** Mihaly-Csikszentmihalyi, Cognitive-Load-Theory, Deep-Work
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Flow State.md
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-FLST-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.88
|
||||
tags: [auto-reinforced, flow-[[State]], [[Psychology]], productivity, Mihaly-Csikszentmihalyi, high-performance]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Flow-State]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "시간이 멈추는 몰입: 자신의 기술 수준과 도전 과제의 난이도가 황금 비율을 이룰 때, 자의식이 사라지고 오직 현재의 행위에만 완전히 젖어 들어 수행 능력과 창의성이 극대화되는 '무아지경'의 경지."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
몰입 상태(Flow-State)는 긍정 심리학자 미하이 칙센트미하이(Mihaly Csikszentmihalyi)가 정의한 상태입니다.
|
||||
|
||||
1. **조건**:
|
||||
* **난이도 조절**: 너무 쉬우면 지루하고, 너무 어려우면 불안함. 그 사이의 '몰입 채널'에 진입해야 함.
|
||||
* **명확한 목표 & 즉각적 피드백**: 지금 무엇을 해야 하는지 알고, 결과가 바로 확인되어야 함. ([[Feedback-Loops]]와 연결)
|
||||
* **집중을 방해하는 요소 제거**: 환경적 잡음과 내부적 잡념의 차단.
|
||||
2. **왜 중요한가?**:
|
||||
* 생산성이 최대 5배까지 향상되며, 결과물의 품질은 물론 수행자 본인의 행복감이 극대화됨. ([[Creativity Research]]와 연결)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 열심히 노력하는 '고통스러운 수양 정책'만이 성과를 낸다고 보았으나, 현대 정책은 '몰입을 유도하는 즐거운 집중 정책'이 뇌과학적으로 훨씬 더 효율적인 고성능 정책임을 입증함(RL Update).
|
||||
- **정책 변화(RL Update)**: 인간과 AI의 인터페이스 정책에서, AI가 인간을 대신해 단순 반복 작업을 처리해주어 인간이 고차원적 몰입(Deep Work) 정책에만 집중할 수 있게 돕는 '몰입 조력자로서의 AI 정책' 모델이 부상함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Creativity Research]], [[Psychology & Behavior]], [[Feedback-Loops]], [[Efficiency]], [[Analysis]]
|
||||
- **Modern Tech/Tools**: Deep Work techniques, Pomodoro timers, Distraction-[[Blocking]] apps.
|
||||
---
|
||||
@@ -0,0 +1,30 @@
|
||||
---
|
||||
id: FE-ARCH-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.0
|
||||
tags: [[[Frontend]], software-[[Architecture]], web-development, react, [[State]]-[[Management]]]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Frontend Architecture (프론트엔드 아키텍처)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "복잡한 UI 상태를 예측 가능한 흐름으로 관리하고, 사용자 경험(UX)을 기술적 구조로 구현하라" — 단순한 화면 구성을 넘어 컴포넌트 설계, 상태 관리 전략, 렌더링 성능 최적화, 그리고 에이전트 인터랙션을 아우르는 현대 웹 기술의 설계도.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** UI를 독립적인 컴포넌트로 분리하고, 단방향 데이터 흐름(Unidirectional Data Flow)을 통해 상태 변화에 따른 부수 효과를 제어하는 선언적 UI 아키텍처 패턴.
|
||||
- **핵심 구성 요소:**
|
||||
- **Component-Driven Development (CDD):** 재사용 가능한 원자적 단위의 UI 설계.
|
||||
- **State Management:** 전역 상태(Redux, Zustand)와 로컬 상태의 균형.
|
||||
- **Rendering Strategies:** CSR, SSR, SSG, ISR 등 비즈니스 요구사항에 맞는 렌더링 방식 선택.
|
||||
- **Micro Frontends:** 대규모 애플리케이션을 독립적으로 배포 가능한 작은 단위로 분리.
|
||||
- **AI-Driven UI:** 에이전트의 응답에 따라 실시간으로 변화하는 동적 인터페이스(Generative UI).
|
||||
- **의의:** 복잡해지는 웹 애플리케이션의 유지보수성을 확보하고, 초저지연 인터랙션을 보장함.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 단순히 정적 페이지를 보여주던 방식에서, 수만 개의 상태를 실시간으로 동기화하고 에이전트와 대화하는 '지능형 애플리케이션 플랫폼'으로 진화.
|
||||
- **정책 변화:** Antigravity 프로젝트는 에이전트의 지식 탐색 결과와 지식 지도를 시각화하기 위해 최신 [[Next.js]] 기반의 서버 컴포넌트 아키텍처를 표준으로 채택함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
-[[ system]]-Design-for-AI-Scale, UX-Design, [[Context-Aware-Computing]], [[Domain-Driven-Design-DDD]]
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Frontend-Architecture.md
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-FUPR-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.96
|
||||
tags: [auto-reinforced, [[Functional-Programming]], declarative, immutability, pure-function, software-engineering]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Functional Programming]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "상태 변화 없는 수학적 흐름: 데이터를 직접 수정(Mutation)하지 않고, 입력에 대해 항상 같은 결과를 내놓는 순수 함수(Pure Function)들의 조합으로 안정성 있고 예측 가능한 소프트웨어를 건축하는 프로그래밍 철학."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
함수형 프로그래밍(Functional Programming)은 자료 처리를 수학적 함수의 계산으로 취급하고 상태와 가변 데이터를 멀리하는 프로그래밍 패러다임입니다.
|
||||
|
||||
1. **핵심 원칙**:
|
||||
* **Immutability (불변성)**: 한번 생성된 데이터는 바꾸지 않고, 변화가 필요하면 새로운 데이터를 만듦. (멀티코어 환경의 안전성 확보)
|
||||
* **Pure Functions**: 외부 상태에 의존하지 않고 오직 입력으로만 결과를 냄 (Side effect 제거).
|
||||
* **Higher-Order Functions**: 함수를 값처럼 주고받아 로직의 결합과 재사용성을 극대화 (Map, Filter, Reduce).
|
||||
2. **왜 중요한가?**:
|
||||
* 코드가 간결해지고 테스트가 압도적으로 쉬워지며, 분산 컴퓨팅([[Distributed-Systems]]) 환경에서 데이터 일관성을 지키기에 최적임.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 하드웨어 자원 낭비(복사 비용 등) 때문에 '명령형/객체지향 정책'이 압승했으나, 현대 정책은 병렬 연산의 중요성과 소프트웨어 복잡성 해결 정책 때문에 모든 주류 언어가 함수형 특징을 도입하는 '하이브리드 함용 정책'으로 승리함(RL Update).
|
||||
- **정책 변화(RL Update)**: 거대 데이터 파이프라인 정책과 AI 모델의 레이어 연산 정책 자체가 거대한 함수 체인(Functional Chain) 정책으로 설계되어 있으며, 이를 선언적으로 다루는 능력이 현대 개발의 필수 정책이 됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Clean-[[Architecture]]-TypeScript]], [[Distributed-Systems]], [[Concurrent Programming]], [[Logic]], [[Optimization]]
|
||||
- **Modern Tech/Tools**: Haskell, Elixir, React (Functional Components), Rust, Ramda.js.
|
||||
---
|
||||
@@ -0,0 +1,29 @@
|
||||
---
|
||||
id: FP-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.0
|
||||
tags: [programming, functional-programming, immutability, pure-functions, software-engineering]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[Functional Programming]] (함수형 프로그래밍)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "데이터의 상태 변화를 피하고, 순수 함수들의 조합으로 견고한 로직을 조립하라" — 계산을 수학적 함수의 평가로 취급하고 상태 변경 및 가변 데이터를 멀리하여, 병렬 처리에 유리하고 버그가 적은 소프트웨어를 만드는 프로그래밍 패러다임.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** "어떻게(How)" 연산할지보다 "무엇(What)"인지 정의하고, 입력을 넣으면 항상 동일한 출력이 나오는 불변성(Immutability)과 참조 투명성(Referential Transparency)을 유지하는 선언적 코딩 패턴.
|
||||
- **핵심 개념:**
|
||||
- **Pure Functions:** 외부 상태를 참조하거나 변경하지 않는 함수. 테스트와 디버깅이 매우 쉬움.
|
||||
- **First-class Citizens:** 함수를 변수에 담고, 인자로 넘기고, 결과로 반환할 수 있음.
|
||||
- **Higher-order Functions:** 함수를 파라미터로 받거나 결과로 반환하는 함수 (map, filter, reduce 등).
|
||||
- **Immutability:** 한 번 생성된 데이터는 수정하지 않고 항상 새로운 데이터를 생성하여 전달.
|
||||
- **의의:** 동시성(Concurrency) 문제가 발생하는 멀티코어 환경과 대규모 분산 시스템에서 데이터 일관성을 유지하는 가장 강력한 무기.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 객체지향(OOP)이 유일한 정답이던 시대를 지나, 데이터 스트림 처리와 비동기 프로그래밍이 중요해지면서 함수형 패러다임이 모든 주류 언어(JS, Java, Python 등)에 깊숙이 침투함.
|
||||
- **정책 변화:** Antigravity 프로젝트는 에이전트의 사고 흐름(Chain of Thought)을 처리하는 파이프라인 설계 시, 각 단계를 순수 함수로 정의하여 재현 가능성과 안정성을 확보함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Determinism-in-Computing]], [[Distributed-Computing]], [[Software-[[Architecture]]-Patterns]], [[Parallel-Computing]]
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Functional-Programming.md
|
||||
@@ -0,0 +1,28 @@
|
||||
---
|
||||
id: GSTACK-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.0
|
||||
tags: [engineering-culture, productivity, gstack, framework]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# G-Stack [[Principles]] (G-Stack 엔지니어링 원칙)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "한계를 넘어서는 엔지니어링을 위한 행동 지침" — 극강의 생산성과 문제 해결 능력을 위해 정의된, GStack 프레임워크의 핵심 철학이자 실천 강령.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 복잡한 문제를 만나면 회피하는 대신 '호수를 끓이는(Boil the Lake)' 수준의 압도적인 실행력으로 정면 돌파하고, 결과를 구체화(Concreteness)하는 엔지니어링 패턴.
|
||||
- **핵심 원칙:**
|
||||
- **Boil the Lake (호수 끓이기):** 불가능해 보이는 거대한 작업도 잘게 쪼개어 끝내 집요하게 완수하는 에너지.
|
||||
- **Concreteness (구체성):** 모호한 계획보다 돌아가는 코드와 눈에 보이는 결과물(Artifacts)을 우선시함.
|
||||
- **Product Thinking:** 엔지니어링 작업을 단순 기능 구현이 아닌, 사용자 가치를 창출하는 제품의 관점에서 접근.
|
||||
- **Autonomous Collaboration:** 에이전트 간, 그리고 인간과 에이전트 간의 명확한 계약(R&R) 기반 자율 협업.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 단순히 '열심히 하는 것'과 '원칙에 따라 똑똑하게 실행하는 것'의 차이를 명확히 구분.
|
||||
- **정책 변화:** Antigravity 프로젝트는 모든 의사결정과 코드 작성 시 G-Stack 원칙을 준수하며, 특히 '지식 가드닝' 과정에서 구체성 원칙을 엄격히 적용함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- GStack-Core-Principles, Antigravity-Framework, Productivity, Engineering-Excellence
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/G-Stack Principles.md
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: GAME-ANALYTICS-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.0
|
||||
tags: [data-science, game-design, metrics, retention, monetization]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Game Analytics (게임 분석론)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "데이터를 통해 플레이어의 경험을 읽고 설계하라" — 게임 내에서 발생하는 방대한 로그를 분석하여 리텐션, 이탈 지점, 경제 균형 등을 진단하고 개선하는 정량적 의사결정 체계.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 사용자 행동 로그를 깔대기(Funnel) 구조로 분석하여 특정 구간에서의 이탈 원인을 파악하고, A/B 테스트를 통해 최적의 게임 구성을 찾아가는 데이터 주도 패턴.
|
||||
- **주요 지표 (Metrics):**
|
||||
- **Retention (D1, D7, D30):** 게임에 다시 접속하는 비율. 게임의 근본적인 재미와 지속 가능성을 나타냄.
|
||||
- **DAU/MAU:** 활성 사용자 수 지표. 서비스의 규모와 활성도를 측정.
|
||||
- **ARPU/ARPPU:** 사용자당 평균 결제 금액. 비즈니스 모델의 효율성 측정.
|
||||
- **Churn Rate:** 이탈률. 특정 레벨이나 퀘스트에서의 난이도 병목 지점 파악에 유용.
|
||||
- **분석 기법:**
|
||||
- **Funnel [[Analysis]]:** 튜토리얼 완료율, 상점 진입 후 구매율 등 단계별 전환 확인.
|
||||
- **Cohort Analysis:** 유입 시기별 사용자 그룹의 행동 변화 추적.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 단순히 전체 매출만 보던 방식에서, 개별 플레이어의 '생애 가치(LTV)'와 '심리적 몰입 지표'를 정교하게 추적하는 방식으로 진화.
|
||||
- **정책 변화:** Skybound 프로젝트는 실시간 텔레메트리(Telemetry) 시스템을 통해 플레이어가 선호하는 무기 조합과 사망 지점 데이터를 수집, 밸런싱 작업에 즉시 환류함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Game-Economy-Design]], Data-Mining, AB-[[Testing]], Telemetry
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Game Analytics (게임 분석).md
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-GDTH-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.95
|
||||
tags: [auto-reinforced, game-design-theory, mda-framework, flow-theory, mechanics, dynamics, aesthetics]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Game-Design-Theory]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "의도된 경험의 공학: 규칙(Mechanics)이 어떻게 플레이어의 행동(Dynamics)을 유도하고, 최종적으로 어떤 감정적 체험(Aesthetics)을 만들어내는지 파악하여 사용자에게 최상의 '몰입'을 선사하는 지식 체계."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
게임 디자인 이론(Game-Design-Theory)은 게임이 작동하는 방식과 그것이 인간에게 전달하는 가치를 연구하는 학제적 분야입니다.
|
||||
|
||||
1. **3대 핵심 프레임워크 (MDA)**:
|
||||
* **Mechanics (역학)**: 게임의 코드, 규칙, 기초 시스템.
|
||||
* **Dynamics (역동)**: 규칙들이 상호작용하며 발생하는 연쇄 반응과 플레이어 행동.
|
||||
* **Aesthetics (미학)**: 플레이어가 느끼는 감정 (도전, 즐거움, 공포 등). (UX-Design-and-Engagement와 연결)
|
||||
2. **몰입의 조절**:
|
||||
* **Flow Theory**: 난이도와 숙련도의 균형점(Flow Channel)을 유지하여 지루함과 불안을 방지. ([[Experience-Sampling-Method]]와 연결)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 '화려한 그래픽'이 게임의 전부라 믿는 경향 정책이 있었으나, 현대 정책은 탄탄한 '규칙의 상호작용 정책'이 그래픽보다 훨씬 더 깊은 몰입 정책을 만든다는 'Ludo-centric' 관점이 주류임(RL Update).
|
||||
- **정책 변화(RL Update)**: 이제는 단순한 '재미 정책'을 넘어, 교육 정책, 치료 정책, 조직 관리 정책 등에 게임 이론 정책을 이식하는 '기능성 게임(Serious Games)'과 '게이미피케이션 정책'으로 확장 중임. ([[Gamification-Theory]]와 연결)
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- UX-Design-and-Engagement, [[Experience-Sampling-Method]], [[Gamification-Theory]], [[Game-Design-Ontology]], Immersive-Sim, Complexity-Science
|
||||
- **Key Figures**: Jesse Schell, Raph Koster, Mihaly Csikszentmihalyi.
|
||||
---
|
||||
@@ -0,0 +1,28 @@
|
||||
---
|
||||
id: GAME-THEORY-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.0
|
||||
tags: [math, decision-theory, economics, ai-[[Strategy]]]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Game Theory (게임 이론)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "상대방의 전략을 고려한 최선의 선택을 수학적으로 분석하라" — 독립적인 의사결정자들이 서로의 선택이 자신의 결과에 영향을 미치는 상황(전략적 상호작용)에서 어떻게 행동하는지 연구하는 학문.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 상대방이 자신의 이익을 극대화한다는 가정 하에, 자신의 기대 보상을 최대화하는 '내쉬 균형(Nash Equilibrium)' 지점을 찾아가는 의사결정 패턴.
|
||||
- **세부 내용:**
|
||||
- **Zero-sum Game:** 한쪽의 이득이 다른 쪽의 손실이 되는 대립 관계 (예: 장기, 바둑).
|
||||
- **Prisoner's Dilemma:** 각자에게는 최선의 선택이 전체적으로는 최악의 결과를 낳는 협력의 딜레마 분석.
|
||||
- **Dominant Strategy:** 상대방이 무엇을 하든 상관없이 자신에게 가장 유리한 전략.
|
||||
- **Minimax Algorithm:** AI 체스/바둑 등에서 최악의 시나리오를 가정하고 손실을 최소화하는 경로 탐색.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 완전한 합리성을 전제로 하던 초기 모델에서, 진화 게임 이론(Evolutionary Game Theory) 및 행동 게임 이론을 통해 비합리성과 생물학적 진화 과정을 포괄하는 모델로 확장.
|
||||
- **정책 변화:** Antigravity 에이전트의 다중 에이전트 협업(Multi-agent Collaboration) 설계 시, 개인의 이익과 팀의 목표가 일치하도록 '메커니즘 디자인' 이론을 적용함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Decision-Theory, Expected-Utility-Theory, Nash-Equilibrium, Mechanism-Design
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Game-Theory.md
|
||||
@@ -0,0 +1,30 @@
|
||||
---
|
||||
id: MATH-GRAPH-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.0
|
||||
tags: [math, graph-theory, network-[[Analysis]], data-structures, ai]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[Graph Theory]] and Networks (그래프 이론과 네트워크)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "세상의 모든 존재를 점(Node)으로, 그들의 관계를 선(Edge)으로 연결하여 복잡계의 지도를 그려라" — 개체들 간의 상호작용과 연결 구조를 수학적으로 모델링하여, 네트워크의 특성과 정보의 흐름을 분석하는 학문적 토대.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 개별 요소의 특성보다 요소들 사이의 '연결 방식(Connectivity)'이 시스템 전체의 성격(중요도, 전파 속도, 강건성 등)을 결정한다는 관계 중심의 분석 패턴.
|
||||
- **핵심 개념:**
|
||||
- **Nodes & Edges:** 데이터를 나타내는 정점과 관계를 나타내는 간선.
|
||||
- **Degree:** 특정 노드에 연결된 간선의 수 (중요도 지표).
|
||||
- **Shortest Path:** 두 노드 사이의 최단 거리 (효율성 지표).
|
||||
- **Centrality:** 네트워크 내에서 특정 노드가 차지하는 영향력 (PageRank 등).
|
||||
- **Clustering:** 노드들이 얼마나 밀집하여 그룹을 형성하는지 측정.
|
||||
- **의의:** 소셜 네트워크 분석, 전력망 설계, 신약 개발은 물론, 현대 AI의 지식 그래프(Knowledge Graph)와 GNN의 핵심 이론적 근거.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 정적인 관계망 분석에서 벗어나, 시간에 따라 노드와 엣지가 생성/소멸하는 동적 네트워크(Dynamic Networks) 분석으로 진화.
|
||||
- **정책 변화:** Antigravity 프로젝트는 1,174개의 지식 문서 간의 상관관계를 그래프 이론적 관점에서 상시 분석하며, 지식의 고립(Island)을 방지하고 핵심 연결 노드를 자동으로 추천함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[GNN]], [[Geometric-Deep-Learning]], [[Knowledge-Graph-Foundations]], [[Search]]-Algorithms
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Graph-Theory.md
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-HCII-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.94
|
||||
tags: [auto-reinforced, hci, [[Human-Computer-Interaction]], [[Accessibility]], usability, design-thinking]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[HCI (Human-Computer Interaction)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "기술과 인간의 대화: 컴퓨터가 인간의 의도를 더 정확히 이해하고, 인간이 기계를 더 쉽고 자연스럽게 사용할 수 있도록 인터페이스를 설계하여 두 종 간의 장벽을 허무는 공생의 기술학."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
인간-컴퓨터 상호작용(HCI)은 인간과 컴퓨터 간의 인터페이스 설계를 연구하는 학문 분야입니다.
|
||||
|
||||
1. **3대 고려 요소**:
|
||||
* **Usefulness**: 시스템이 실제 목표를 달성하는 데 도움이 되는가?
|
||||
* **Usability**: 얼마나 배우기 쉽고 사용하기 편리한가? ([[Efficiency]]와 연결)
|
||||
* **Experience (UX)**: 사용자가 상호작용 과정에서 느끼는 감정과 만족도. (User Experience (UX)와 연결)
|
||||
2. **인터페이스의 진화**:
|
||||
* CLI (명령어) -> GUI (그래픽) -> NUI (Natural User Interface: 음성, 시선, 제스처).
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 인간이 기계의 언어를 배워야 했던 '기계 중심 정책'이었으나, 현대 정책은 기계가 인간의 언어와 맥락을 배우는 '인간 중심 정책'으로 완전히 역전됨(RL Update).
|
||||
- **정책 변화(RL Update)**: 화면 속 버튼을 누르는 소통 정책을 넘어, 생각만으로 기계를 조작하는 BCI 정책과 대화로 모든 일을 수행하는 'LUI(Language User Interface) 정책'이 HCI의 새로운 프런티어가 됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- User Experience (UX), [[Design-System]], [[Eye-Tracking]], [[Accessibility]], [[Brain-Computer-Interface (BCI)]]
|
||||
- **Modern Tech/Tools**: [[Figma]], Eye trackers, Voice assistants (Siri, Alexa), VR/AR headsets.
|
||||
---
|
||||
@@ -0,0 +1,32 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-HOME-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.94
|
||||
tags: [auto-reinforced, [[Homeostasis]], bio[[Logic]]al-systems, [[Cybernetics]], [[Feedback-Loops]], [[Stability]]]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Homeostasis (항상성)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "균형을 향한 의지: 외부 환경이 변하더라도 생명체나 시스템이 자신의 내부 상태(온도, 농도, 질서 등)를 일정하게 유지하려는 성질로, 모든 생존 지능의 근본 목적이자 제어 이론의 살아있는 원형."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
항상성(Homeostasis)은 시스템이 동적 평형을 유지하려는 경향을 의미합니다. (클로드 베르나르가 제안, 월터 캐넌이 명명)
|
||||
|
||||
1. **메커니즘**:
|
||||
* **Sensor (센서)**: 편차를 감지.
|
||||
* **Control Center (제어부)**: 목표치와 비교 후 명령 하달.
|
||||
* **Effector (작동부)**: 실제 수치를 조정. (Feedback-Loops와 연결)
|
||||
2. **사례**:
|
||||
* **Biology**: 체온 유지, 혈당 조절.
|
||||
* **Technology**: 자율주행차의 차선 유지, 서버 로드 밸런싱. ([[Control-Theory]]와 연결)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 항상성을 '정적인 고정 정책'으로 보았으나, 현대 정책은 끊임없는 변화 속에서 최적의 상태를 찾아가는 '동적 평형 정책(Allostasis)'으로 더 정교하게 이해함(RL Update).
|
||||
- **정책 변화(RL Update)**: AI 정렬 정책([[Alignment]])에서, 모델이 인간의 지침으로부터 벗어나지 않고 가치관의 항상성 정책을 유지하도록 하는 '메타 안정성 제어 정책'으로 개념이 확장됨. (Constitutional AI와 연결)
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Control-Theory]], [[Feedback-Loops]], [[Cybernetics]], Neurobiology, [[Free-Energy-Principle]]
|
||||
- **Modern Tech/Tools**: PID controllers, Adaptive control[[ system]]s, Bio-mimetic robots.
|
||||
---
|
||||
@@ -0,0 +1,29 @@
|
||||
---
|
||||
id: HCI-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.0
|
||||
tags: [hci, ux, human-factors, interaction-design, cognitive-[[Psychology]]]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Human-Computer Interaction (HCI, 인간-컴퓨터 상호작용)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "기계의 언어를 인간에게 강요하지 말고, 기계가 인간의 맥락과 감각을 학습하게 하라" — 인간과 컴퓨터 시스템 사이의 대화와 상호작용을 연구하여, 기술이 인간의 능력을 확장하고 사용 경험을 최적화하도록 만드는 다학제적 분야.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** "User-Centered Design (UCD)" — 기술적 구현 가능성보다 사용자의 인지 모델, 심리 상태, 그리고 작업 맥락을 최우선으로 고려하여 인터페이스와 경험을 설계하는 인간 중심의 엔지니어링 패턴.
|
||||
- **주요 연구 영역:**
|
||||
- **Interface Design:** 시각적(GUI), 음성(VUI), 제스처, 뇌-컴퓨터 인터페이스(BCI).
|
||||
- **Usability:** 효율성, 학습 용이성, 오류 방지, 사용 만족도 측정.
|
||||
- **[[Accessibility]]:** 모든 사용자가 제약 없이 기술을 누릴 수 있도록 보장.
|
||||
- **Emotional Interaction:** 기계와의 상호작용 중 발생하는 감정적 교감과 신뢰 형성.
|
||||
- **의의:** AI가 고도화될수록 '무엇을 할 수 있는가'보다 '인간과 어떻게 협업할 것인가'가 중요해지며, HCI는 그 연결고리를 제공함.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 일방적인 명령 전달(CLI/GUI)에서 벗어나, 에이전트가 인간의 비언어적 맥락까지 파악하여 선제적으로 대응하는 지능형 상호작용으로 패러다임이 전이됨.
|
||||
- **정책 변화:** Antigravity 프로젝트의 모든 에이전트 상호작용은 HCI 원칙을 기반으로 하며, 사용자의 대화 패턴과 작업 속도를 분석하여 에이전트의 응답 톤과 속도를 최적화하는 어댑티브 UI를 지향함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- UX-Design, Gestalt-[[Principles]]-in-UX, [[Human-in-the-loop-AI]], [[Context-Aware-Computing]]
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/[[Human-Computer-Interaction]]-HCI.md
|
||||
File diff suppressed because it is too large
Load Diff
@@ -0,0 +1,30 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-INRE-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.94
|
||||
tags: [auto-reinforced, inductive-[[Reasoning]], [[Logic]], epistimology, patterns, generalization]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Inductive-Reasoning]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "관찰이 쌓여 상식이 되다: '어제도 해가 떴고 오늘도 떴으니 내일도 뜰 것이다'처럼, 수많은 개별적 사례들로부터 보편적인 패턴이나 법칙을 끌어내어 미래를 예측하는 지능의 핵심 귀납 엔진."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
귀납적 추론(Inductive-Reasoning)은 구체적인 사실들로부터 일반적인 원리를 도출하는 사고 방식입니다.
|
||||
|
||||
1. **특징**:
|
||||
* **Probability-based**: 전제가 참이라도 결론이 100% 참임을 보장하지는 않음 (개연성의 영역).
|
||||
* **Pattern Recognition**: 뇌가 세상을 안정적으로 살아가기 위해 사용하는 가장 기본적인 지식 확장 방식. ([[Machine Learning (ML)]]의 본질)
|
||||
2. **왜 중요한가?**:
|
||||
* 인공지능(특히 딥러닝)이 수조 개의 텍스트나 이미지를 보고 '세상의 법칙'을 스스로 깨닫는 과정 자체가 거대한 귀납적 추론 장치이기 때문임.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거 논리학 정책은 귀납법을 연역법(Deductive)에 비해 '불확실한 정책'으로 보았으나, 현대 정책은 불확실한 복잡계에서 유일한 학습 도구 정책으로 그 가치를 극대화함(RL Update). ([[Epistemology]]와 연결)
|
||||
- **정책 변화(RL Update)**: 단순히 패턴을 찾는 정책을 넘어, 적은 표본만으로도 강력한 일반화 정책을 수행하는 '퓨샷 러닝([[Few-Shot-Learning]]) 정책'이나 '베이지안 귀납 정책'이 차세대 AI의 핵심 지능 정책으로 각광받음. (Few-Shot-Learning와 연결)
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Machine Learning (ML)]], [[Few-Shot-Learning]], [[Epistemology]], [[Grounded Theory Method]], [[Logic]]
|
||||
- **Modern Tech/Tools**: [[Bayesian Inference]], LLM-based pattern extraction, Predictive analytics.
|
||||
---
|
||||
@@ -0,0 +1,28 @@
|
||||
---
|
||||
id: INFO-THEORY-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.0
|
||||
tags: [math, communication, entropy, data-compression, ai-foundations]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[Information Theory]] (정보 이론)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "불확실성을 측정하고 통신을 수치화하라" — 클로드 섀넌이 정립한, 정보의 양을 엔트로피(Entropy)라는 개념으로 정의하고 데이터 압축 및 전송의 한계를 규명한 수학적 기초.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 메시지가 담고 있는 '놀라움의 정도(Surprise)'를 확률 기반으로 계산하여, 정보를 비트(Bit) 단위로 정량화하는 패턴.
|
||||
- **세부 내용:**
|
||||
- **Entropy ($H$):** 정보의 평균적인 불확실성. 확률이 낮을수록(예측하기 힘들수록) 정보량은 큼.
|
||||
- **Mutual Information:** 두 변수 사이의 의존성이나 공유된 정보량을 측정.
|
||||
- **Channel Capacity:** 노이즈가 있는 채널을 통해 오류 없이 전송할 수 있는 최대 정보율.
|
||||
- **Cross-Entropy:** 딥러닝에서 실제 분포와 예측 분포의 차이를 계산하는 손실 함수로 활용.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 단순 신호 전송 기술에서, 현대에는 머신러닝의 학습 목표 정의 및 모델 복잡도 측정의 핵심 이론으로 확장됨.
|
||||
- **정책 변화:** Antigravity 에이전트의 응답 생성 시, '정보 밀도'를 높이기 위해 불필요한 반복을 제거하고 핵심 엔트로피가 높은 텍스트를 구성하도록 유도함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Entropy, Cross-Entropy, Data-Compression, Machine-Learning
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Information-Theory.md
|
||||
@@ -0,0 +1,28 @@
|
||||
---
|
||||
id: IDE-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.0
|
||||
tags: [software-development, devtools, productivity, dx]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Integrated Development Environment (IDE, 통합 개발 환경)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "코딩의 생산성을 극대화하는 올인원 워크샵" — 편집기, 컴파일러, 디버거, 버전 관리 등을 하나의 인터페이스로 통합하여 개발자가 로직에만 집중할 수 있게 돕는 소프트웨어 애플리케이션.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 코드 작성부터 실행, 검증까지의 개발 생명주기를 단일 도구 내에서 연동하여 문맥 전환(Context Switching) 비용을 최소화하는 도구 패턴.
|
||||
- **세부 내용:**
|
||||
- **IntelliSense/Auto-complete:** 코드의 의미를 분석하여 적절한 함수나 변수명을 추천.
|
||||
- **Debugging Tools:** 중단점(Breakpoint) 설정, 변수 추적 등을 통해 런타임 오류를 시각적으로 진단.
|
||||
- **Refactoring [[Support]]:** 변수명 일괄 변경, 함수 추출 등 복잡한 코드 수정을 안전하게 지원.
|
||||
- **Extension Ecosystem:** 플러그인을 통해 특정 언어나 기술 스택에 최적화된 기능 확장 가능.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 단순 텍스트 에디터에서, 최근에는 AI가 코드를 직접 제안하고 수천 개의 파일을 동시에 분석하는 '지능형 워크스페이스'로 진화.
|
||||
- **정책 변화:** Antigravity 프로젝트는 VS Code를 표준 IDE로 채택하며, `ConnectAI`와 같은 자체 확장 프로그램을 통해 AI 기반의 자동화된 개발 환경을 구축함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Developer-Experience, ConnectAI, Static-[[Analysis]], Debugging
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Integrated-Development-Environment.md
|
||||
@@ -0,0 +1,48 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-1BE349
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - Interaction to Next Paint (INP)"
|
||||
---
|
||||
|
||||
# [[Interaction to Next Paint (INP)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> INP(Interaction to Next Paint)는 웹 페이지의 전반적인 상호작용성(Interactivity)과 응답성(Responsiveness)을 측정하기 위해 2024년 Google이 공식 도입한 [[Core Web Vitals]] 지표입니다 [1-3]. 첫 번째 상호작용만 측정하던 기존의 FID(First Input Delay)와 달리, 페이지 방문 기간 동안 발생하는 모든 상호작용(클릭, 탭, 키 누름 등)의 전체 지연 시간을 측정하여 실제 사용자 경험을 더 정확하게 반영합니다 [4-6]. 사용자의 작업에 대해 즉각적인 시각적 피드백을 제공하는 것을 목표로 하며, 200밀리초(ms) 이하의 지연 시간을 기록해야 '좋음(Good)'으로 평가받을 수 있습니다 [5, 7].
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
* **도입 배경 및 영향:**
|
||||
INP는 2024년에 기존 Core Web Vitals 지표였던 [[First Input Delay (FID)]]를 공식적으로 대체했습니다 [1, 2]. FID가 첫 번째 상호작용의 이벤트 핸들러 시작 전 지연 시간만을 측정했던 반면, INP는 페이지 전체 수명 동안 발생하는 모든 상호작용을 추적하고 렌더링 지연까지 포함하여 측정합니다 [4-6]. 이 엄격해진 기준 변화로 인해 2024년 2월, 모바일 웹사이트들의 Core Web Vitals 통과율이 크게 하락하는 현상이 관찰되기도 했습니다 [1].
|
||||
|
||||
* **측정 및 산출 방식:**
|
||||
INP는 75백분위수(75th percentile)의 방문 데이터를 기준으로 계산됩니다 [8]. 페이지 내 상호작용이 50개 이하인 경우 가장 긴 상호작용 지연 시간을 INP로 간주하며, 상호작용이 50개를 초과할 경우 이상치(Outlier)의 영향을 줄이기 위해 50개 그룹당 가장 지연 시간이 긴 1개를 제외한 나머지 중 최댓값을 사용합니다 [8].
|
||||
* **평가 임계값:** 200ms 이하는 '좋음(Good)', 200ms 초과 500ms 이하는 '개선 필요(Needs improvement)', 500ms 초과는 '나쁨(Poor)'으로 분류됩니다 [5].
|
||||
* **브라우저 지원:** [[Chrome]]뿐만 아니라 [[Interop 2025]] 프로젝트를 통해 Firefox(버전 144부터 지원)와 Safari에서도 INP 측정 지표 구현 작업이 시작되었습니다 [9].
|
||||
|
||||
* **지연 시간의 세부 구성 요소 (Sub-p[[Arts]]):**
|
||||
사용자 상호작용의 전체 대기 시간은 크게 3단계로 나뉘며, [[Chrome DevTools]]를 통해 이 세부 정보(INP breakdown)를 확인할 수 있습니다 [4, 5, 10].
|
||||
1. **입력 지연 (Input delay):** 이벤트가 감지된 시점부터 이벤트 핸들러가 실행되기 전까지의 시간 [4, 5].
|
||||
2. **처리 시간 ([[Processing]] duration):** 이벤트 핸들러 코드가 실제로 실행되는 시간 [4]. 성능 병목이 가장 자주 발생하는 구간입니다 [10].
|
||||
3. **표시 지연 (Presentation delay):** 사용자 작업 이후 다음 프레임을 화면에 렌더링(페인트)할 때까지 걸리는 시간 [4].
|
||||
|
||||
* **최적화 전략:**
|
||||
INP를 최적화하기 위해서는 브라우저의 메인 스레드([[Main Thread]]) 차단을 최소화해야 합니다. 이를 위해 긴 작업([[Long Tasks]])을 비동기 청크로 분할하고, 핵심 이벤트 핸들러의 우선순위를 높이며, 불필요한 [[JavaScript]] 지연 로드(Lazy load) 및 수동 이벤트 리스너(Passive event listeners) 사용, 레이아웃 스래싱([[Layout Thrashing]]) 감소 등의 전략이 필요합니다 [11-14]. Chrome DevTools의 성능 패널에 통합된 [[Long Animation Frames API]]를 활용하면 상호작용을 지연시키는 특정 스크립트와 그 원인을 직관적으로 파악할 수 있습니다 [15, 16].
|
||||
|
||||
* **특수 측정 사례 (텍스트 강조 표시):**
|
||||
웹 페이지에서 텍스트를 드래그하여 강조 표시(Highlighting)하는 행위도 일반적으로 INP 점수에 영향을 주는 사용자 상호작용으로 간주됩니다 [17]. 다만, 2025년 초 Chrome의 업데이트를 통해 사용자가 창의 가장자리에 도달하여 스크롤이 트리거되는 텍스트 강조 표시 상황에서는 INP 점수가 증가하지 않도록 측정 방식이 조정되었습니다 [17].
|
||||
|
||||
## ⚠️ 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:** [[Core Web Vitals]], [[First Input Delay (FID)]], [[Long Animation Frames API]]
|
||||
- **Projects/Contexts:** Chrome User Experience Report ([[CrUX]]), [[Chrome DevTools]], [[Interop 2025]]
|
||||
- **Contradictions/Notes:** 초기 측정 방식에서는 모든 텍스트 강조 표시가 INP에 영향을 주었으나, 2025년 초 Chrome의 업데이트로 인해 스크롤을 동반하는 텍스트 강조 표시는 예외적으로 INP 지연 시간에 합산되지 않도록 변경되었습니다 [17].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-19*
|
||||
|
||||
---
|
||||
@@ -0,0 +1,32 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-36D047
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - Interop 2026"
|
||||
---
|
||||
|
||||
# [[Interop 2026]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> Interop 2026은 웹 브라우저 간 코어 웹 바이탈([[Core Web Vitals]]) 지원을 표준화하기 위한 후속 프로젝트로 언급된 제안입니다 [1]. 특히 파이어폭스(Firefox)나 사파리(Safari) 등에서 아직 지원이 계획되지 않은 누적 레이아웃 이동(Cumulative Layout [[Shift]], CLS) 지표를 포함하기 위한 목적으로 제안되고 있습니다 [1].
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **코어 웹 바이탈의 크로스 브라우저 지원 배경:** 2020년 구글이 발표한 코어 웹 바이탈은 오랫동안 크롬([[Chrome]]) 전용 지표로 사용되었습니다 [1, 2]. 이 상황은 [[Interop 2025]] 프로젝트를 통해 파이어폭스와 사파리가 LCP(Largest Contentful Paint) 및 INP(Interaction to Next Paint) 지표 구현 작업을 시작하면서 변화하기 시작했습니다 [1].
|
||||
- **Interop 2026의 제안 사항:** 현재 진행 중인 브라우저 표준화 작업에는 누적 레이아웃 이동(CLS) 지표에 대한 지원이 계획되어 있지 않습니다 [1]. 이를 해결하기 위해 CLS 지표 지원을 Interop 2026에 포함시키자는 제안(proposal)이 나와 있는 상태입니다 [1].
|
||||
- **정보의 한계:** 소스에 관련 정보가 부족합니다. Interop 2026 프로젝트의 전체 범위, 구체적인 일정, CLS 외에 추가로 논의되는 웹 성능 지표 등에 대한 상세한 내용은 제공된 소스에 존재하지 않습니다.
|
||||
|
||||
## ⚠️ 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:** [[Core Web Vitals]], Cumulative Layout Shift, [[Interop 2025]]
|
||||
- **Projects/Contexts:** 크로스 브라우저 코어 웹 바이탈 지원 (Cross-[[Browser]] [[Support]] for Core Web Vitals)
|
||||
- **Contradictions/Notes:** 소스 내에서 Interop 2026은 확정된 프로젝트가 아니라 CLS 지표를 향후에 지원하기 위해 고려 중인 '제안' 단계로만 매우 짧게 언급되어 있습니다 [1].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-19*
|
||||
|
||||
---
|
||||
@@ -0,0 +1,28 @@
|
||||
---
|
||||
id: [[LSTM]]-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.0
|
||||
tags: [[[Deep-Learning]], nlp, rnn, ai-history, time-series]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[LSTM (Long Short-Term [[memory]])]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "기억할 것과 잊을 것을 스스로 결정하는 똑똑한 메모리 셀" — 기존 RNN의 고질적인 문제인 '장기 의존성(Long-term dependency)' 손실을 해결하기 위해 게이트(Gate) 구조를 도입한 순환 신경망 아키텍처.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 정보의 흐름을 조절하는 세 가지 문(Gate)을 통해, 중요한 정보는 오래 보존하고 불필요한 정보는 즉시 지워버리는 시계열 데이터 처리 패턴.
|
||||
- **세부 내용:**
|
||||
- **Forget Gate:** 이전 상태의 정보 중 무엇을 버릴지 결정.
|
||||
- **Input Gate:** 현재 입력 정보 중 무엇을 셀 상태(Cell [[State]])에 저장할지 결정.
|
||||
- **Output Gate:** 갱신된 셀 상태를 바탕으로 다음 단계로 전달할 값을 결정.
|
||||
- **Cell State:** 컨베이어 벨트처럼 정보가 흐르며, 게이트들에 의해 정보가 추가되거나 삭제됨.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 자연어 처리의 독보적 존재였으나, 병렬 연산이 불가능한 순차적 구조라는 한계 때문에 현재는 트랜스포머(Transformer) 아키텍처에 자리를 내줌. 하지만 음성 인식이나 시계열 수치 예측 분야에서는 여전히 활용됨.
|
||||
- **정책 변화:** Antigravity 프로젝트의 센서 데이터 분석(Telemetry) 및 사용자 활동 패턴 예측 시, 가벼운 LSTM 모델을 보조적으로 운용함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Recurrent-Neural-Network, Gated-Recurrent-Unit, [[Transformer-Architecture]], [[Time-Series-Analysis]]
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/LSTM (Long Short-Term Memory).md
|
||||
@@ -0,0 +1,38 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-C57B92
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - Largest Contentful Paint (LCP)"
|
||||
---
|
||||
|
||||
# [[Largest Contentful Paint (LCP)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> LCP(Largest Contentful Paint)는 웹 페이지의 로딩 성능을 측정하는 구글의 핵심 웹 바이탈([[Core Web Vitals]]) 지표 중 하나로, 브라우저가 화면에 가장 큰 콘텐츠를 렌더링하는 데 걸리는 시간을 의미합니다 [1, 2]. 이는 사용자가 페이지의 주요 콘텐츠를 볼 수 있게 되는 시점을 나타내는 대리 지표로 사용됩니다 [2]. 구글은 좋은 사용자 경험을 위해 LCP를 2.5초 미만으로 유지할 것을 권장하며, 4.0초를 초과하면 불량한 것으로 간주합니다 [3, 4].
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
* **LCP의 역할 및 측정 기준:**
|
||||
LCP는 초기 시각적 응답 속도를 측정하며, 페이지 로드 시 가장 넓은 픽셀 영역을 차지하는 텍스트나 이미지 요소의 렌더링 완료 시점을 기준으로 합니다 [2, 5]. 데스크톱 및 모바일 환경의 실제 사용자 데이터를 기반으로 한 [[Chrome]] User Experience Report([[CrUX]])에서 75백분위수 방문자의 경험을 기준으로 평가됩니다 [6, 7].
|
||||
* **성능 최적화 및 디버깅:**
|
||||
LCP를 개선하기 위해서는 서버 응답 시간 최적화, 사전 연결(preconnect), 주요 리소스 사전 로드(preload), 렌더링을 차단하는 CSS/JS의 감소가 필요합니다 [8]. 특히 LCP에 영향을 미치는 주요 이미지에는 `fetchpriority='high'` 속성을 부여하여 로딩 우선순위를 높이는 것이 권장됩니다 [9]. 개발자는 [[Chrome DevTools]]의 'Performance' 패널과 'Live metrics' 화면을 통해 로컬 및 실제 필드 데이터의 LCP를 실시간으로 확인하고, 지표에 영향을 미치는 LCP 요소를 직접 추적할 수 있습니다 [6, 9-11].
|
||||
* **최근 측정 및 지표 업데이트 (2025년 기준):**
|
||||
* **LCP Subp[[Arts]]:** 2025년 2월부터 CrUX는 LCP를 구성하는 하위 요소(subparts) 데이터를 제공하여, 느린 서버 응답인지, 이미지 다운로드 지연인지 등 LCP 지연 원인을 세분화하여 파악할 수 있게 되었습니다 [12]. 이 하위 요소 데이터는 가장 큰 콘텐츠 요소가 이미지인 방문에 한해 적용됩니다 [13].
|
||||
* **Cross-origin 이미지 측정 개선:** 기존에 Chrome은 `Timing-Allow-Origin` 응답 헤더가 없는 크로스 오리진 이미지의 경우 이미지가 화면에 표시되기 전 다운로드된 시간만 보고했으나, 2025년 2월부터 실제 렌더링 시간을 정확히 반영하도록 측정 방식을 변경했습니다 [14].
|
||||
* **렌더링 시간의 세분화:** Chrome은 LCP 페인트 타이밍을 브라우저 렌더링이 완료된 시간(`paintTime`)과 실제 픽셀이 화면에 나타난 시간(`presentationTime`)으로 세분화하여 보고하기 시작했습니다 [15].
|
||||
* **브라우저 지원 확대 및 [[Soft Navigation]]:** [[Interop 2025]] 프로젝트를 통해 기존에 Chrome에 국한되었던 LCP 지표가 Firefox 및 Safari(Technology Preview 버전)에서도 지원되기 시작했습니다 [16]. 또한 현재 LCP는 초기 네비게이션 시에만 로드 시간을 측정하지만, 2025년 8월 Chrome은 SPA(Single-Page Application)와 같은 Soft Navigation 환경에서도 LCP 로드 시간을 측정하기 위한 새로운 Origin Trial을 시작했습니다 [17].
|
||||
|
||||
## ⚠️ 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:** [[Core Web Vitals]], Chrome User Experience Report (CrUX), [[Interaction to Next Paint (INP)]], [[Cumulative Layout [[Shift]] (CLS)]], [[Soft Navigation]]
|
||||
- **Projects/Contexts:** [[Interop 2025]], [[Chrome DevTools]], [[Lighthouse]]
|
||||
- **Contradictions/Notes:** 소스에 따르면 현재 LCP 지표는 웹 사이트의 초기 네비게이션(initial navigation)에 대한 로드 시간만을 측정하기 때문에, URL 변경 시 전체 새로고침이 일어나지 않는 Soft Navigation 기반의 단일 페이지 애플리케이션(SPA) 운영자와 개발자에게는 성능 분석에 상당한 사각지대가 발생한다는 한계가 지적됩니다 [17].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-19*
|
||||
|
||||
---
|
||||
@@ -0,0 +1,35 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-B9CF3B
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - Level of Detail (LOD)"
|
||||
---
|
||||
|
||||
# [[Level of Detail (LOD)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> LOD(Level of Detail)는 카메라와의 거리에 따라 객체의 기하학적 복잡도(폴리곤 수)를 동적으로 조절하여 렌더링 성능을 최적화하는 기법입니다 [1-3]. 가까운 객체에는 고해상도(High-poly) 모델을 보여주고, 멀리 있는 객체는 저해상도(Low-poly) 모델이나 단순한 평면(Impostor)으로 교체하여 GPU 연산량을 줄입니다 [1, 2, 4, 5]. 이를 통해 화면의 시각적 품질을 유지하면서도 대규모 씬의 프레임 속도를 크게 개선할 수 있습니다 [6, 7].
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **성능 개선 효과:** Three.js는 매 프레임 카메라와 객체 사이의 거리를 측정하여 적절한 폴리곤 밀도를 가진 메쉬로 자동 전환합니다 [3, 7, 8]. 대규모 씬에서 LOD를 적용하면 GPU 프래그먼트 처리량을 60~75% 감소시키고, 평균 폴리곤 수를 60~80% 줄일 수 있으며 [3, 7], 프레임 레이트를 30~40% 향상시킬 수 있습니다 [6].
|
||||
- **LOD 단계의 구성:** 일반적으로 3~5단계의 LOD 버전을 사전에 생성하여 사용합니다. 예를 들어, 근접 뷰용 5만 개(Hero), 중간 거리용 1만 5천 개, 배경용 5천 개, 그리고 극한의 거리를 위한 500개의 임포스터(Impostor) 메쉬로 구성하는 방식입니다 [4, 7]. 거리가 먼 객체는 드로우 콜과 삼각형 수를 줄이기 위해 질감이 입혀진 단일 평면(Billboard Impostor)으로 대체되기도 합니다 [2, 5].
|
||||
- **확장된 LOD 적용:** LOD 개념은 기하학적 메쉬뿐만 아니라 다른 렌더링 요소에도 적용됩니다. 애니메이션 최적화 시 뼈대(Bone)와 관련된 연산이나 텍스처 크기를 거리에 따라 줄이거나 [9-12], 텍스처 샘플링을 위해 해상도 피라미드를 구성하는 밉맵([[Mipmap]]s) 기능도 일종의 거리 기반 디테일 조절 기법입니다 [13].
|
||||
- **성능적 트레이드오프 및 한계:** LOD 시스템은 보이지 않는 메쉬 레벨까지 모두 GPU 메모리에 유지해야 하므로 메모리 사용량이 증가합니다 [14]. 또한 매 프레임 거리를 계산하고 메쉬를 교체하는 작업이 개별 메쉬마다 CPU 오버헤드를 발생시킵니다 [8].
|
||||
- **LOD 적용의 적합성:** 장면 최적화 시 LOD는 드로우 콜([[Draw Call]]) 병목 현상을 해결해 주지는 않습니다. 따라서 수천 개의 고유 요소를 렌더링하는 경우 드로우 콜 병목이 먼저 발생하므로 LOD가 성능 향상에 기여하지 못할 수 있습니다 [15]. LOD는 삼각형 수(예: 600만 개 이상)가 너무 많아 GPU가 한계에 도달했을 때 효과적이며, 거대한 오픈 월드나 매우 상세한 모델이 없는 한 후순위로 고려해야 할 최적화 기법입니다 [16-18].
|
||||
- **구현 방식:** Three.js에서는 `THREE.LOD` 객체를 사용하여 구현하며 [7], React Three Fiber에서는 Drei 라이브러리의 `<Detailed />` 컴포넌트를 통해 간편하게 설정할 수 있습니다 [1, 19]. [[InstancedMesh2]] 라이브러리 등을 통해 인스턴싱 기술과 LOD를 함께 활용하기도 합니다 [11, 20-22]. 런타임에 동적으로 모델을 단순화(Simplify)하여 LOD를 생성하는 것은 오버헤드를 유발하므로, 익스포트 단계에서 미리 LOD 메쉬를 만들어두는 것이 권장됩니다 [16, 23, 24].
|
||||
|
||||
## ⚠️ 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:** Draw Calls, Impostor, [[InstancedMesh]], [[Frustum Culling]], Mipmaps
|
||||
- **Projects/Contexts:** Three.js, React Three Fiber, [[InstancedMesh2]]
|
||||
- **Contradictions/Notes:** LOD 기술이 항상 성능 향상을 가져오는 것은 아닙니다. 만약 애플리케이션이 드로우 콜 과부하 상태(Draw call bound)라면 LOD를 적용해도 드로우 콜 자체가 줄지 않으므로 성능이 오히려 약간 저하될 수 있으며, 메모리 부하와 교체 연산 오버헤드만 추가될 위험이 있습니다 [8, 14, 15].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-19*
|
||||
|
||||
---
|
||||
@@ -0,0 +1,28 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AI-LORA
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.00
|
||||
tags: [AI, LLM, LoRA, FineTuning, [[Efficiency]]]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[LoRA (Low-Rank Adaptation)]] (저차원 적응)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "거대한 산을 옮기지 말고, 신발 밑창에 아주 얇은 깔창 하나만 덧대는 혁명." 수조 개의 파라미터를 가진 거대 모델 전체를 건드리지 않고, 아주 작은 추가 행렬(A, B)만 학습시켜 모델의 지식을 효율적으로 갱신하는 최신 튜닝 기법이다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **The Core Idea**: 모델이 학습하며 변하는 가중치의 차이($\Delta W$)는 사실 '낮은 차원(Low intrinsic rank)'에 머물러 있다는 점에 착안함.
|
||||
- **Mechanism**:
|
||||
- 기존 가중치 $W$는 얼려둔(Freeze) 채로, 옆에 두 개의 작은 행렬($A \times B$)을 둠.
|
||||
- $W_{new} = W + (A \times B)$.
|
||||
- **Unbelievable Efficiency**:
|
||||
- 전체 파라미터의 0.01%만 학습해도 전체 튜닝과 유사한 성능을 냄.
|
||||
- 수 기가바이트의 모델 대신 수 메가바이트의 'LoRA 가중치 파일'만 저장하고 공유하면 됨.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- LoRA는 효율적이지만, 대규모 멀티 모달 학습이나 근본적인 기초 지식 습득에는 전체 파인튜닝(Full [[Fine-tuning]])보다 성능이 소폭 떨어질 수 있다. 이를 보완하기 위해 양자화 기술을 결합한 **QLoRA**가 등장하여, 일반 소비자용 그래픽카드 한 장으로도 거대 언어 모델을 튜닝하는 'AI 민주화'를 이끌고 있다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Instruction-Tuning]] , [[Quantization]] (양자화)
|
||||
- Variant: QLoRA (Quantized LoRA)
|
||||
@@ -0,0 +1,32 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-2A8383
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - Long Animation Frames API"
|
||||
---
|
||||
|
||||
# [[Long Animation Frames API]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> Long Animation Frames API는 사용자 상호작용을 지연시키는 스크립트를 식별하고 세부 정보를 제공하는 데 사용되는 웹 성능 API입니다 [1]. [[Chrome]] 브라우저에서 INP(Interaction to Next Paint) 지표 측정을 위한 계측(instrumentation) 역할을 하여, 특정 상호작용 중에 실행된 자바스크립트 목록을 제공합니다 [2]. 이를 통해 개발자는 열악한 사용자 경험을 유발하는 스크립트와 함수를 효과적으로 탐지하고 최적화할 수 있습니다 [2].
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
* **상호작용 처리 시간 및 스크립트 식별:** 이 API는 사용자의 입력(클릭, 탭, 포인터 등)에 대한 직접적 또는 간접적인 결과로 실행된 이벤트 리스너나 콜백 등의 스크립트 목록을 식별하게 해줍니다 [2]. [[Chrome DevTools]]에서 INP 값을 분석할 때, 이 API 덕분에 상호작용 처리 시간에 기여한 자바스크립트 코드의 상세 목록을 콘솔에서 확인할 수 있습니다 [2].
|
||||
* **성능 모니터링 도구에서의 활용:** DebugBear와 같은 웹 성능 모니터링 제품은 Long Animation Frames API에서 얻은 데이터를 활용하여 사용자 상호작용을 지연시키는 스크립트를 시각화합니다 [1]. 이를 통해 각 스크립트를 파비콘, 실행 이유에 대한 설명, 그리고 스크립팅 작업과 레이아웃 작업의 세부 항목으로 분류하여 표시할 수 있습니다 [1].
|
||||
* **INP(Interaction to Next Paint) 문제 해결:** 웹 사이트의 반응성을 측정하는 핵심 지표인 INP의 하위 요소 중 '처리 시간([[Processing]] duration)'의 지연 원인을 분석할 때 매우 중요하게 활용됩니다 [2, 3].
|
||||
|
||||
## ⚠️ 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:** INP (Interaction to Next Paint), [[Chrome DevTools]], Web Performance
|
||||
- **Projects/Contexts:** 사용자 상호작용 병목 현상을 파악하기 위한 [[Chrome DevTools]] 성능 패널 및 DebugBear 웹 성능 모니터링 대시보드
|
||||
- **Contradictions/Notes:** 소스에 모순되는 내용은 존재하지 않으며, 이 API는 웹 성능 분석 및 서드파티 모니터링 서비스에서 자바스크립트 실행 지연을 식별하는 주요 수단으로 일관되게 설명되고 있습니다.
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-19*
|
||||
|
||||
---
|
||||
@@ -0,0 +1,27 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AI-[[LSTM]]
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.98
|
||||
tags: [DeepLearning, RNN, LSTM, NLP]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Long-Short-Term-[[memory]] (LSTM)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "정보의 흐름을 열고 닫는 수도꼭지를 가진 똑똑한 메모리." 기존 RNN의 고질병인 '장기 기억 상실(Vanishing Gradient)' 문제를 해결하여, 수만 단계 이전의 정보도 잊지 않고 현재로 가져오는 시계열 데이터의 혁명이다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Cell [[State]]**: 정보를 담고 흐르는 '긴 통로'. 마치 컨베이어 벨트처럼 정보를 변조 없이 전달함.
|
||||
- **The Three [[Gates]]**:
|
||||
- **Forget Gate**: 과거의 정보 중 무엇을 버릴지 결정.
|
||||
- **Input Gate**: 현재 들어온 정보 중 무엇을 기억할지 결정.
|
||||
- **Output Gate**: 현재의 기억 중 무엇을 밖으로 내보낼지 결정.
|
||||
- **Utility**: 번역, 주가 예측, 음성 인식 등 순서(Sequence)가 중요한 모든 분야를 평정했던 모델이다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- LSTM은 시계열 데이터 처리에 강력하지만, 순차적으로 연산해야 하므로 성능 스케일링(병렬 처리)이 어렵다. 현재는 모든 시점을 동시에 바라보는 **트랜스포머(Transformer)** 아키텍처에 왕좌를 내어주었으나, 데이터가 적거나 초저지연 하드웨어 구현이 필요한 특수 분야에서는 여전히 현역으로 활동 중이다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Recurrent-Neural-Networks]] (RNN) , Attention-Mechanism
|
||||
- Rival: [[Transformer-Architecture]]
|
||||
@@ -0,0 +1,29 @@
|
||||
---
|
||||
id: ML-LIFE-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.0
|
||||
tags: [machine-learning, [[MLOps]], workflow, software-engineering]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Machine Learning Lifecycle (머신러닝 생명주기)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "데이터 수집부터 모델 폐기까지, AI의 요람에서 무덤까지의 여정" — 단순한 학습(Training)을 넘어 비즈니스 목표 설정, 데이터 엔지니어링, 배포, 모니터링을 포괄하는 순환적인 개발 프로세스.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 한 번의 배포로 끝나는 것이 아니라, 실제 운영 데이터(Real-world data)를 지속적으로 환류(Feedback)하여 모델을 개선해 나가는 반복적 라이프사이클 패턴.
|
||||
- **주요 단계:**
|
||||
- **Data Preparation:** 수집, 클리닝, 라벨링, 피처 엔지니어링. 가장 많은 시간이 소요되는 구간.
|
||||
- **Model Development:** 알고리즘 선택, 학습, 하이퍼파라미터 튜닝, 평가.
|
||||
- **Deployment & Serving:** 학습된 모델을 실제 서비스 환경(API, Edge 등)에 배포.
|
||||
- **Monitoring & Maintenance:** 성능 하락(Model Drift) 감지, 재학습(Retraining) 트리거.
|
||||
- **MLOps:** 이 생명주기 전반을 자동화하여 효율성을 극대화하는 실천법.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 연구 중심의 '모델링'에만 치중하던 방식에서, 지속 가능한 운영과 데이터 품질 관리가 강조되는 '데이터 중심(Data-centric)' 환경으로 전환.
|
||||
- **정책 변화:** Antigravity 프로젝트는 '지식 엔진'의 답변 품질을 매일 모니터링하며, 성능이 저하될 경우 자동으로 위키 데이터를 재인덱싱하는 라이프사이클 자동화 시스템을 갖추고 있음.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[MLOps]], Data-Centric-AI, [[Hyper[[Parameter]]-Optimization]], Continuous-Integration
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Machine-Learning-Lifecycle.md
|
||||
@@ -0,0 +1,32 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-905D08
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - Main Thread"
|
||||
---
|
||||
|
||||
# [[Main Thread]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> Main Thread(메인 스레드)는 웹 브라우저에서 자바스크립트 실행, 렌더링, 이벤트 처리 등 핵심 작업이 순차적으로 실행되는 단일 작업 흐름을 의미합니다 [1, 2]. [[WebGL]]과 같은 환경에서는 그래픽 명령어 제출을 비롯한 무거운 연산이 메인 스레드에서 이루어질 경우 렌더링 파이프라인이 차단되어 지연(Latency)과 병목 현상이 발생할 수 있습니다 [1, 2]. [[Chrome DevTools]]와 같은 성능 분석 도구를 통해 메인 스레드의 활동을 시각적으로 추적하고 병목 지점을 최적화할 수 있습니다 [3-5].
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
* **단일 스레드 구조와 병목 현상:** WebGL은 단일 스레드(Single-threaded) 환경에서 작동하므로 모든 드로우 콜([[Draw Call]]), 상태 변경, 리소스 업로드가 메인 스레드에서 순차적으로 실행됩니다 [2]. 이로 인해 자바스크립트 실행에 과도한 시간이 소요되면 메인 스레드가 차단(blocked)되고 렌더링 파이프라인이 지연되는 병목 현상이 발생하며, GPU는 다음 명령을 기다리며 유휴 상태(idle)로 남게 됩니다 [1, 2, 6, 7].
|
||||
* **성능 모니터링 및 진단:** [[Chrome]] DevTools의 Performance 패널에서 'Main' 트랙을 사용하면 메인 스레드의 활동을 시간의 흐름에 따른 플레임 차트([[Flame Chart]]) 형태로 분석할 수 있습니다 [3-5]. 개발자는 이를 통해 16.67ms의 프레임 예산을 초과하여 메인 스레드를 차단하는 구체적인 자바스크립트 함수를 식별하고 [8], 50ms를 초과하는 긴 작업([[Long Tasks]])을 파악하여 성능 저하의 원인을 진단할 수 있습니다 [9, 10].
|
||||
* **최적화 및 [[WebGPU]]로의 전환:** 메인 스레드의 차단을 방지하여 상호작용성(Responsiveness)을 높이려면, 무거운 자바스크립트 작업을 더 작은 비동기 조각으로 나누거나 웹 워커(Web Workers)를 활용하여 메인 스레드에서 작업을 분리해야 합니다 [9]. 최근에는 이러한 메인 스레드 병목 현상을 근본적으로 해결하기 위해, 애니메이션 로직과 명령어 생성을 다중 스레드(Multi-Threaded)로 분산하고 작업을 GPU로 오프로드할 수 있는 WebGPU 기술이 도입되고 있습니다 [11, 12].
|
||||
|
||||
## ⚠️ 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:** [[WebGL]], [[WebGPU]], [[Total [[Blocking]] Time (TBT)]], [[Interaction to Next Paint (INP)]], [[Long Tasks]]
|
||||
- **Projects/Contexts:** Chrome DevTools [[Performance Panel]], [[Core Web Vitals]]
|
||||
- **Contradictions/Notes:** 소스는 WebGL이 메인 스레드에서 순차적으로 그래픽 명령을 처리하여 CPU 병목을 유발한다고 주장하는 반면, 새로운 WebGPU는 다중 스레드 명령 생성(Multi-Threaded Command Generation)을 지원하여 메인 스레드의 오버헤드를 대폭 줄일 수 있다고 대조하여 설명합니다 [2, 11, 12].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-19*
|
||||
|
||||
---
|
||||
@@ -0,0 +1,29 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AI-MARKOV
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.99
|
||||
tags: [AI, ReinforcementLearning, MDP, Mathematics]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Markov-Decision-Process (MDP)]] (마르코프 결정 과정)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "과거는 묻지 마세요, 현재의 내 모습이 미래를 결정할 뿐입니다." 강화학습의 세계를 정의하는 수학적 모델로, 상태, 행동, 보상, 전이 확률 네 가지 요소로 이루어진 의사결정의 표준 프레임워크다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Markov Property**: 현재 상태($S_t$)만 알면 미래를 예측하는 데 충분하다는 가정. (과거의 모든 히스토리는 현재 상태에 이미 함축되어 있다고 믿음)
|
||||
- **Five Components**:
|
||||
- **$S$ ([[State]])**: 에이전트가 처한 상황.
|
||||
- **$A$ (Action)**: 에이전트가 할 수 있는 선택.
|
||||
- **$P$ (Transition Probability)**: 특정 행동 시 다음 상태로 갈 확률.
|
||||
- **$R$ (Reward)**: 결과에 따른 보상.
|
||||
- **$\gamma$ (Discount Factor)**: 미래의 보상을 현재 얼마의 가치로 칠 것인가.
|
||||
- **Objective**: 누적 보상의 합(Return)을 최대화하는 최적의 정책($\pi$)을 찾는 것.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 현실의 많은 문제는 '현재 상태'만으로 판단하기 불충분하다(예: 카드 게임에서 상대의 패를 모를 때). 이를 해결하기 위해 상태가 부분적으로만 관찰된다는 전제의 **[[POMDP]]**(Partially Observable MDP)가 더 현실적인 모델로 사용되며, 이는 LLM 에이전트의 컨텍스트 추론 성능과도 직결된다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Reinforcement Learning (RL)]] , [[Bellman-Equation]]
|
||||
- Complexity: POMDP (부분 관측 가능 MDP)
|
||||
@@ -0,0 +1,30 @@
|
||||
---
|
||||
id: RL-MDP-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.0
|
||||
tags: [ai, [[Reinforcement-Learning]], mdp, decision-making, [[Bellman-Equation]], [[Optimization]]]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Markov Decision Process (MDP, 마르코프 결정 과정)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "세상의 모든 상호작용을 상태, 행동, 보상의 순환으로 수치화하고, 미래 가치를 극대화하는 최적의 시나리오를 설계하라" — 의사결정자가 불확실한 환경 속에서 최선의 정책(Policy)을 찾기 위해 사용하는 수학적 프레임워크.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** "Sequential Decision Modeling" — 미래의 결과가 오직 현재의 상태와 선택에만 의존한다는 마르코프 성질(Markov Property)을 바탕으로, 매 순간의 선택이 가져올 장기적인 이득을 계산하고 최적화하는 동적 프로그래밍 패턴.
|
||||
- **5대 구성 요소 (S, A, P, R, $\gamma$):**
|
||||
- **[[State]] (S):** 에이전트가 관찰하는 환경의 상태.
|
||||
- **Action (A):** 에이전트가 할 수 있는 행동의 집합.
|
||||
- **Transition Probability (P):** 특정 행동 시 다음 상태로 넘어갈 확률.
|
||||
- **Reward (R):** 행동의 결과로 받는 즉각적인 피드백.
|
||||
- **Discount Factor ($\gamma$):** 미래 보상의 현재 가치를 결정하는 비율.
|
||||
- **의의:** 강화학습 알고리즘(Q-Learning, Policy Gradient 등)이 무엇을 목표로 학습해야 하는지 정의하는 이론적 토대.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 모든 환경이 MDP로 완벽히 설명 가능하다는 믿음에서 벗어나, 관측이 불완전한 현실 세계를 반영한 [[POMDP]](Partially Observable MDP) 등 더 복잡한 모델로의 확장이 필수적이 됨.
|
||||
- **정책 변화:** Antigravity 에이전트의 자율적 문제 해결 로직은 현재 상황을 MDP 상태로 정의하고, 각 도구 사용(Action)이 가져올 지식 강화 결과(Reward)를 예측하여 최적의 경로를 탐색함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Reinforcement-Learning]], [[Markov-Chain-Monte-Carlo]], Expected-Utility-Theory, [[Bellman-Equation]]
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Markov-Decision-Process-MDP.md
|
||||
@@ -0,0 +1,33 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-MMDP-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.98
|
||||
tags: [auto-reinforced, mdp, [[Reinforcement-Learning]], markov-decision-process, [[Optimization]], decision-making]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Markov-Decision-Processes]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "의사결정의 수학적 지도: 불확실한 환경 속에서 로봇이나 에이전트가 어떤 '행동'을 해야 가장 큰 '보상'을 얻을 수 있는지, 상태-행동-보상-전이의 사슬로 정의하여 인공지능이 스스로 전략을 짜게 만드는 강화 학습의 청사진."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
마르코프 결정 과정(MDP)은 의사결정 문제를 확률론적 최우선으로 모델링하는 수학적 프레임워크입니다.
|
||||
|
||||
1. **5대 요소 (S, A, P, R, $\gamma$)**:
|
||||
* **[[State]] (S)**: 현재 상황.
|
||||
* **Action (A)**: 할 수 있는 행동.
|
||||
* **Transition Probability (P)**: 행동 후 다음 상태로 갈 확률.
|
||||
* **Reward (R)**: 행동의 결과로 받는 보상.
|
||||
* **Discount Factor ($\gamma$)**: 미래의 보상을 현재 가치로 얼마나 쳐줄 것인가.
|
||||
2. **왜 중요한가?**:
|
||||
* 인공지능이 단순히 데이터를 외우는 게 아니라, 복잡한 환경과 상호작용하며 '최적의 정책(Policy)'을 찾아가는 모든 강화 학습 알고리즘의 표준 이론이기 때문임. ([[Reinforcement Learning (RL)]]와 연결)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 환경의 모든 정보를 아는 정책(Full Observability)을 전제했으나, 현대 정책은 환경의 일부만 보이는 상황([[POMDP]]) 정책에서도 최적의 수를 찾아내는 복합 추론 정책으로 진화함(RL Update).
|
||||
- **정책 변화(RL Update)**: 바둑(알파고)이나 게임을 넘어, 자율주행이나 도심 항공 모빌리티(UAM)의 경로 정책 수립 등 실생활의 거대하고 복잡한 시스템 최적화 정책의 핵심으로 작동 중임.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Reinforcement Learning (RL)]], [[Markov-Chains]], [[Optimization]], [[Decision Theory]], [[Logic]]
|
||||
- **Modern Tech/Tools**: [[Bellman Equation]], Q-Learning, PPO, Deep Reinforcement Learning.
|
||||
---
|
||||
@@ -0,0 +1,32 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-MEMO-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.98
|
||||
tags: [auto-reinforced, mental-models, thinking-tools, decision-making, cognitive-science, wisdom]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Mental-Models]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "생각의 연장통: 세상이 어떻게 돌아가는지에 대한 핵심 원리들을 추상화한 지적 모형으로, 복잡한 상황에 직면했을 때 이를 해석하고 해결책을 도출하게 돕는 '인지적 지름길'이자 현자의 렌즈."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
사고 모델(Mental-Models)은 우리가 세상을 이해하고 의사결정을 내릴 때 사용하는 심리적 틀입니다. (찰리 멍거의 '격자판 지식' 개념과 연결)
|
||||
|
||||
1. **대표적 모델들**:
|
||||
* **First [[Principles]] (제1원리)**: 가정을 다 걷어내고 근본 진리에서 시작. ([[Reasoning]]와 연결)
|
||||
* **[[Inversion]] (역발상)**: 성공이 아닌 실패를 피하는 법부터 생각. (Inversion와 연결)
|
||||
* **Circle of Competence**: 내가 명확히 아는 영역과 모르는 영역의 경계 인식.
|
||||
* **Compounding (복리)**: 작은 성과가 쌓여 거대한 차이를 만드는 힘.
|
||||
2. **왜 중요한가?**:
|
||||
* 단편적 정보는 잊히기 쉽지만, 견고한 사고 모델은 새로운 정보를 걸러내고 의미를 부여하는 '지적 뼈대' 역할을 하여 더 나은 판단을 유도함. ([[Judgment]]와 연결)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 한 가지 전문 분야의 모델 정책만으로 충분했으나, 현대 정책은 찰리 멍거의 조언처럼 여러 학문의 핵심 모델 정책을 엮는 '격자판 지식(Latticework) 정책'이 복잡한 문제를 푸는 유일한 방법임(RL Update). ([[Knowledge synthesis]]와 연결)
|
||||
- **정책 변화(RL Update)**: AI 에이전트 설계 정책에서도 에이전트가 현실을 모델링하는 방식(World Model)을 사고 모델 정책으로 구현하여, 단순히 정답을 내는 것을 넘어 '상황의 맥락 정책'을 이해하게 함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Judgment]], [[Innovation]], [[Reasoning]], [[Inversion]], [[Knowledge synthesis]], [[Mental-[[Opera]]tions-Synthesized]]
|
||||
- **Modern Tech/Tools**: 1st principles thinking, Second order effects, Latticework of [[Mental Models]].
|
||||
---
|
||||
@@ -0,0 +1,29 @@
|
||||
---
|
||||
id: SYS-MSA-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 1.0
|
||||
tags: [infrastructure, microservices, msa, cloud-native, [[Distributed-Systems]], [[Scalability]]]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Microservices [[Architecture]] (마이크로서비스 아키텍처)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "거대한 단일체를 쪼개어 독립적인 생명체들의 연합군으로 만들고, 각자가 가장 잘하는 일에 집중하게 하라" — 애플리케이션을 비즈니스 기능 단위의 작고 독립적인 서비스들로 분리하여 구축하고, 가벼운 통신 프로토콜(주로 REST/gRPC)을 통해 상호작용하게 하는 설계 방식.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** "Decomposition and Autonomy" — 시스템을 작게 나누어 각 서비스가 자체 데이터베이스를 가지고 독립적으로 배포 및 확장(Scaling)될 수 있게 함으로써, 특정 기능의 장애가 시스템 전체로 확산(Cascading Failure)되는 것을 막는 방어적 연합 패턴.
|
||||
- **핵심 요소:**
|
||||
- **API Gateway:** 클라이언트 요청을 적절한 서비스로 라우팅하고 통합 관리.
|
||||
- **Service Discovery:** 동적으로 변화하는 서비스들의 위치를 자동으로 파악.
|
||||
- **Database per Service:** 서비스 간 데이터 간섭을 최소화하여 독립적 진화 보장.
|
||||
- **Event-driven Communication:** 메시지 큐를 통한 비동기 결합으로 성능과 유연성 확보.
|
||||
- **의의:** 대규모 조직에서 팀별 개발 속도를 극대화하고, 기술 스택의 다양성을 수용하며, 클라우드 환경의 탄력성을 100% 활용 가능케 함.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 마이크로서비스가 만능이라는 맹신에서 벗어나, 서비스 간 통신 복잡성과 데이터 일관성 유지 비용(Distributed Transaction) 등 '분산 시스템의 세금'을 신중히 고려해야 한다는 현실적 관점이 정립됨.
|
||||
- **정책 변화:** Antigravity 프로젝트의 백엔드는 에이전트 브레인, 지식 인덱서, 데이터 수집기 등이 마이크로서비스 형태로 분리되어 있어, 특정 모듈의 부하 증가 시 해당 부분만 즉각 확장할 수 있는 구조를 유지함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Message-Queues-and-Event-Streams]],[[ system]]-Design-for-AI-Scale, [[High-Availability-Systems]], [[Kubernetes-for-AI-Orchestration]]
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Microservices-Architecture.md
|
||||
@@ -0,0 +1,32 @@
|
||||
---
|
||||
id: [[P-Reinforce]]-AUTO-C8F96B
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - Model Context Protocol (MCP)"
|
||||
---
|
||||
|
||||
# [[Model Context Protocol (MCP)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> Model Context Protocol (MCP)은 Cursor, Claude Code, Windsurf, GitHub Copilot 등과 같은 AI 코딩 어시스턴트(AI 에이전트)를 분석 엔진과 직접 연결할 수 있도록 지원하는 프로토콜입니다 [1, 2]. 이 프로토콜을 통해 AI는 대화형 워크플로우 내에서 실시간으로 쿼리를 보내고 통제된 피드백을 받을 수 있습니다 [1, 3]. 결과적으로 AI를 활용한 생산성과 코드 품질 및 보안 사이의 간격을 메워주는 특수한 브릿지 역할을 수행합니다 [2, 4].
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **AI 에이전트와의 직접 통합**: MCP는 [[SonarQube]] MCP 서버와 같은 분석 도구를 Cursor, Claude Code, Windsurf 등의 AI 코딩 에이전트에 직접 연결하는 표준 방식을 제공합니다 [1].
|
||||
- **실시간 쿼리 및 분석 수행**: AI 어시스턴트는 MCP를 활용해 신뢰할 수 있는 분석 엔진과 실시간으로 상호작용합니다 [2, 3]. 이를 통해 AI는 코드 스니펫을 분석하고, Quality Gate 상태를 확인하며, 보안 핫스팟(Security Hotspots)을 즉각적으로 찾아낼 수 있습니다 [4].
|
||||
- **사전 코드 검토 및 워크플로우 최적화**: MCP를 통한 통합은 AI가 코드를 생성하는 과정에서 실시간으로 검토 및 개선이 이루어지도록 보장합니다 [3]. 이는 코드가 풀 리퀘스트(Pull Request) 단계에 도달하기 훨씬 전부터 작동하므로, 에이전틱(Agentic) 워크플로우를 최적화하고 안전한 코드 전달을 가능하게 합니다 [3].
|
||||
|
||||
## ⚠️ 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:** [[AI Agents]], Static Code [[Analysis]], Automated [[Code Review]]
|
||||
- **Projects/Contexts:** SonarQube MCP Server, Cursor, Claude Code, Windsurf, GitHub Copilot
|
||||
- **Contradictions/Notes:** 소스에 관련 정보가 부족합니다. (제공된 소스에서는 주로 SonarQube 환경에서의 통합 사례를 통해서만 MCP가 설명되고 있으며, 프로토콜 자체의 심층적인 기술적 사양이나 다른 활용 사례에 대한 정보는 없습니다.)
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-19*
|
||||
|
||||
---
|
||||
Some files were not shown because too many files have changed in this diff Show More
Reference in New Issue
Block a user