Cleanup: remove unnecessary files
This commit is contained in:
한예성
@@ -1,25 +0,0 @@
|
||||
---
|
||||
id: P-REINFORCE-7C3E9E
|
||||
category: "[[10_Wiki/💡 Topics/AI & Biology]]"
|
||||
confidence_score: 0.95
|
||||
tags: []
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Mega Batch 2 - Wikified Artificial Life (ALife)"
|
||||
---
|
||||
|
||||
# [[Artificial Life (ALife)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 지식 요약 작업 중
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
본문 구조화 작업 중
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 지식 자산화 및 기존 네트워크 연동 단계.
|
||||
- **정책 변화:** AI & Biology 카테고리의 전문성 확보 및 링크 밀도 최적화.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
|
||||
- Raw Source: [[00_Raw/2026-04-20/Artificial Life (ALife).md]]
|
||||
---
|
||||
@@ -1,25 +0,0 @@
|
||||
---
|
||||
id: P-REINFORCE-DEC2D9
|
||||
category: "[[10_Wiki/💡 Topics/AI & Ethics]]"
|
||||
confidence_score: 0.95
|
||||
tags: []
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Batch 11 - Wikified Algorithmic Bias in Art"
|
||||
---
|
||||
|
||||
# [[Algorithmic Bias in Art]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 지식 요약 작업 중
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
본문 구조화 작업 중
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 신규 지식 카테고리화 및 연결성 강화.
|
||||
- **정책 변화:** AI & Ethics 분야의 지식 자산 보호 및 네트워크 확장.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
|
||||
- Raw Source: [[00_Raw/2026-04-20/Algorithmic Bias in Art.md]]
|
||||
---
|
||||
@@ -1,25 +0,0 @@
|
||||
---
|
||||
id: P-REINFORCE-E80494
|
||||
category: "[[10_Wiki/💡 Topics/AI & Ethics]]"
|
||||
confidence_score: 0.95
|
||||
tags: []
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Batch 11 - Wikified Algorithmic Decision Making"
|
||||
---
|
||||
|
||||
# [[Algorithmic Decision Making]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 지식 요약 작업 중
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
본문 구조화 작업 중
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 신규 지식 카테고리화 및 연결성 강화.
|
||||
- **정책 변화:** AI & Ethics 분야의 지식 자산 보호 및 네트워크 확장.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
|
||||
- Raw Source: [[00_Raw/2026-04-20/Algorithmic Decision Making.md]]
|
||||
---
|
||||
@@ -1,25 +0,0 @@
|
||||
---
|
||||
id: P-REINFORCE-935E0A
|
||||
category: "[[10_Wiki/💡 Topics/AI & Ethics]]"
|
||||
confidence_score: 0.95
|
||||
tags: []
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Mega Batch 2 - Wikified Artificial-Intelligence-Explainability"
|
||||
---
|
||||
|
||||
# [[Artificial-Intelligence-Explainability]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 지식 요약 작업 중
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
본문 구조화 작업 중
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 지식 자산화 및 기존 네트워크 연동 단계.
|
||||
- **정책 변화:** AI & Ethics 카테고리의 전문성 확보 및 링크 밀도 최적화.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
|
||||
- Raw Source: [[00_Raw/2026-04-20/Artificial-Intelligence-Explainability.md]]
|
||||
---
|
||||
@@ -1,25 +0,0 @@
|
||||
---
|
||||
id: P-REINFORCE-5267ED
|
||||
category: "[[10_Wiki/💡 Topics/AI & Games]]"
|
||||
confidence_score: 0.95
|
||||
tags: []
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Mega Batch - Wikified AlphaZero Strategy"
|
||||
---
|
||||
|
||||
# [[AlphaZero Strategy]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 핵심 요약 작업 진행 중
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
본문 상세 구성 진행 중
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 지식 자산화 및 기존 네트워크 연동 단계.
|
||||
- **정책 변화:** AI & Games 카테고리의 전문성 확보 및 링크 밀도 최적화.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
|
||||
- Raw Source: [[00_Raw/2026-04-20/AlphaZero Strategy.md]]
|
||||
---
|
||||
@@ -1,32 +0,0 @@
|
||||
---
|
||||
id: P-REINFORCE-AI-047
|
||||
category: "[[10_Wiki/💡 Topics/AI & ML MLOps]]"
|
||||
confidence_score: 0.96
|
||||
tags: [ai, machine learning, mlops, data science]
|
||||
last_reinforced: 2026-06-XX
|
||||
github_commit: "[P-Reinforce] Processed Concept Drift (개념 드리프트)."
|
||||
---
|
||||
|
||||
# [[Concept Drift (개념 드리프트)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 시간이 지남에 따라 데이터의 통계적 특성이나 생성 메커니즘 자체가 변화하여, 이전에 학습된 AI 모델의 예측 정확도와 신뢰도가 점진적으로 떨어지는 현상이다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **정의:** 머신러닝 시스템이 배포되고 운영되는 환경에서 발생하는 데이터 분포의 변화를 의미한다. 이는 단순한 '데이터 부족' 이상의 근본적인 모델 성능 저하 문제다.
|
||||
- **유형 및 원인:**
|
||||
1. **Covariate Shift (공변량 드리프트):** 입력 데이터 $P(X)$가 변하는 경우. (예: 특정 계절에만 발생하는 트래픽 패턴 변화).
|
||||
2. **Concept Drift (개념 드리프트):** 실제 데이터 생성 과정 자체가 변하여, 같은 입력 $X$에 대한 레이블 $Y$의 조건부 확률 $P(Y|X)$가 변하는 경우. (예: 사용자의 구매 행동 패턴이 시대에 따라 근본적으로 변화).
|
||||
- **탐지 및 대응:**
|
||||
1. **모니터링:** 모델 예측 결과와 실제 데이터 분포 간의 KL Divergence, JS Divergence 등을 주기적으로 측정하여 이상 징후를 포착한다.
|
||||
2. **재학습 (Retraining):** 드리프트가 감지되면 최신 데이터를 반영하여 모델을 재학습하거나(Online Learning), 모델 자체를 업데이트해야 한다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 개념 드리프트는 '일회성 문제'가 아니라, AI/MLOps 운영의 *지속적인* 관리 영역임을 인식해야 하며, 이를 위한 자동화 파이프라인(Monitoring Pipeline) 구축이 필수적이다.
|
||||
- **정책 변화:** 최근에는 설명 가능한 AI (XAI) 기법을 결합하여, 모델이 왜 성능 저하를 겪고 있는지 '어떤 개념'에서 벗어났는지 진단하는 것이 중요해지고 있다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Parent: [[Model Collapse (모델 붕괴 현상)]]
|
||||
- Related: [[MLOps]] , [[Data Science in UX]] , [[Continuous Monitoring]]
|
||||
- Raw Source: [[00_Raw/Concept Drift (개념 드리프트).md]]
|
||||
---
|
||||
@@ -1,25 +0,0 @@
|
||||
---
|
||||
id: P-REINFORCE-8DB819
|
||||
category: "[[10_Wiki/💡 Topics/AI & Narrative]]"
|
||||
confidence_score: 0.95
|
||||
tags: []
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Batch 10 - Wikified AI-Driven Narrative Systems"
|
||||
---
|
||||
|
||||
# [[AI-Driven Narrative Systems]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 핵심 내용 요약 예정
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
세부 본문 내용 구성 예정
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 신규 지식 유입에 따른 기존 지식과의 정합성 검증 단계.
|
||||
- **정책 변화:** AI & Narrative 분야의 체계적 지식 자산화 진행.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
|
||||
- Raw Source: [[00_Raw/2026-04-20/AI-Driven Narrative Systems.md]]
|
||||
---
|
||||
@@ -1,25 +0,0 @@
|
||||
---
|
||||
id: P-REINFORCE-E4FCEF
|
||||
category: "[[10_Wiki/💡 Topics/AI & Psychology]]"
|
||||
confidence_score: 0.95
|
||||
tags: []
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Batch 10 - Wikified Affective Computing"
|
||||
---
|
||||
|
||||
# [[Affective Computing]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 핵심 내용 요약 예정
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
세부 본문 내용 구성 예정
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 신규 지식 유입에 따른 기존 지식과의 정합성 검증 단계.
|
||||
- **정책 변화:** AI & Psychology 분야의 체계적 지식 자산화 진행.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
|
||||
- Raw Source: [[00_Raw/2026-04-20/Affective Computing.md]]
|
||||
---
|
||||
@@ -1,39 +0,0 @@
|
||||
---
|
||||
id: P-REINFORCE-92F236
|
||||
category: "[[10_Wiki/💡 Topics/AI & Tools]]"
|
||||
confidence_score: 0.95
|
||||
tags: []
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Batch 10 - Wikified AI Connect LLM Tool"
|
||||
---
|
||||
|
||||
# [[AI Connect LLM Tool]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> **Connect AI**는 100% 로컬 및 오프라인 환경에서 작동하는 VS Code 전용 프리미엄 AI 코딩 에이전트입니다. 외부 서버 연결 없이 사용자의 하드웨어(Ollama/LM Studio)를 직접 활용하여 파일 생성, 편집, 터미널 명령 실행 및 개인 지식 기반(Second Brain) 연동을 지원합니다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 신규 지식 유입에 따른 기존 지식과의 정합성 검증 단계.
|
||||
- **정책 변화:** AI & Tools 분야의 체계적 지식 자산화 진행.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Related Topics:** [[Ollama]], [[LM Studio]], [[VS Code Extension Development]], [[Agentic AI]]
|
||||
- **Projects/Contexts:** [[Connect-AI-Lab]], [[EZERAI Infrastructure]]
|
||||
- **Contradictions/Notes:**
|
||||
- **통합 구조:** 현재 프로젝트는 모든 로직(UI, 통신, 에이전트)이 `extension.ts` 하나에 집중된 모놀리식 구조를 가지고 있어, 향후 대규모 기능 추가 시 모듈화가 권장됩니다.
|
||||
- **보안:** 모든 작업이 로컬에서 이루어지므로 기업 보안 환경에 매우 적합하나, `run_command` 실행 시 사용자의 최종 확인 절차가 보완될 필요가 있습니다.
|
||||
|
||||
---
|
||||
|
||||
*Last updated: 2026-04-14*
|
||||
|
||||
---
|
||||
|
||||
# 🕵️ 프로젝트 코드 리뷰 리포트
|
||||
|
||||
`/Volumes/Data/project/Antigravity/local_module/resource` 프로젝트에 대한 상세 코드 리뷰 결과입니다.
|
||||
- Raw Source: [[00_Raw/2026-04-20/AI Connect LLM Tool.md]]
|
||||
---
|
||||
@@ -1,39 +0,0 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-EB3F3C
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - 20k skinned instances demo"
|
||||
---
|
||||
|
||||
# [[20k skinned instances demo]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> '20k skinned instances demo'는 Three.js 기반의 오픈 소스 라이브러리인 InstancedMesh2를 활용하여 20,000개의 개별적인 스킨드 인스턴스(Skinned instances)를 동시에 렌더링하는 성능 최적화 데모입니다 [1, 2]. 이 데모는 모바일 기기에서도 3,000개의 인스턴스를 원활하게 구동할 수 있도록 설계되었습니다 [2]. 프러스텀 컬링, 거리 기반 애니메이션 프레임 조절, 다중 LOD(Level of Detail) 생성 등 다양한 최적화 기법을 적용하여 단 5번의 드로우 콜만으로 렌더링을 처리하는 것이 특징입니다 [2, 3].
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
이 데모는 제작자(agargaro)가 개발한 `instancedMesh2` 라이브러리를 기반으로 하며, 대규모 스킨드 메쉬를 렌더링하기 위해 다음과 같은 세부 최적화 기술들을 사용했습니다 [2].
|
||||
|
||||
* **프러스텀 컬링 및 시야 기반 업데이트 (Frustum Culling & View-based Updates):**
|
||||
기본적인 프러스텀 컬링을 적용하여 카메라 시야(Frustum) 내에 존재하는 인스턴스들에 대해서만 뼈대(Bones) 연산을 업데이트합니다 [2].
|
||||
* **동적 애니메이션 프레임 제어:**
|
||||
카메라와 각 인스턴스 간의 거리를 계산하여 애니메이션 FPS를 0에서 60 사이로 개별 설정함으로써 불필요한 연산을 줄입니다 [2].
|
||||
* **LOD(Level of Detail)의 적극적 활용:**
|
||||
`meshoptimizer`를 활용해 5단계의 기하학적 LOD를 생성했습니다 [2]. 거리가 먼 인스턴스에 대해서는 일부 뼈대 계산을 생략하며, 각 LOD마다 1개의 드로우 콜(Draw Call)만 발생시켜 총 5개의 드로우 콜만으로 렌더링을 완료합니다 [2, 3]. 또한, 그림자(Shadows) 렌더링 시에도 LOD를 관리할 수 있도록 구성되어 있습니다 [4].
|
||||
* **개별 애니메이션 지원:**
|
||||
단일 인스턴스들의 복제본들이 모두 동일한 애니메이션과 포즈를 공유하는 것이 아니라, 각 인스턴스마다 서로 다른 애니메이션을 가집니다 [5, 6]. 이 데모에서는 하나의 애니메이션 믹서(Mixer)를 사용했지만, 필요에 따라 인스턴스별로 믹서를 생성할 수도 있습니다 [6].
|
||||
|
||||
## ⚠️ 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:** [[InstancedMesh2]], [[Frustum Culling]], [[Level of Detail (LOD)]], [[Skinned Mesh]], [[Draw Call]]
|
||||
- **Projects/Contexts:** [[three.js]]
|
||||
- **Contradictions/Notes:** 본 텍스처(Bone texture)의 부분 업데이트(Partial texture updates) 기능은 PC 환경에서 60FPS를 달성하는 데 도움이 될 수 있는 최적화 기법이지만, 모바일 기기와 파이어폭스(Mozilla Firefox) 브라우저에서는 이중 버퍼링(Double buffering) 부재로 인해 오히려 속도가 느려지는 문제가 있어 본 데모에서는 비활성화된 상태로 제공되었습니다 [2, 7].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-19*
|
||||
- Raw Source: [[00_Raw/2026-04-20/20k skinned instances demo.md]]
|
||||
---
|
||||
@@ -1,27 +0,0 @@
|
||||
---
|
||||
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]]
|
||||
@@ -1,27 +0,0 @@
|
||||
---
|
||||
id: P-REINFORCE-AI-GOV-POLICY
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.99
|
||||
tags: [AI Governance, Policy, Compliance, Risk Management]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[AI-거버넌스-정책(AI-Usage-Policy)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "자율에는 책임이 따른다." 조직 내 AI 도입이 법적, 윤리적, 보안적으로 안전한 궤도를 유지하도록 규정하는 의사결정 프레임워크이자 규율이다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Data Privacy & IP Protection**:
|
||||
- 기업의 민감 데이터나 지식 재산권이 외부 AI 서비스의 학습 데이터로 유출되지 않도록 하는 차단 가이드라인.
|
||||
- **Human-in-the-loop**:
|
||||
- 중요한 비즈니스 의사결정이나 콘텐츠 생성 결과물에 대해 반드시 인간이 최종 검토하고 책임을 지게 하는 원칙.
|
||||
- **Accountability Framework**:
|
||||
- AI 오작동으로 인한 피해 발생 시, 누가 책임을 지고 어떻게 복구할 것인지에 대한 법적 대응 절차.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 정책이 너무 경직되면 조직의 혁신 속도가 죽는다. 따라서 '무조건 금지'가 아니라, 승인된 도구 내에서 안전하게 실험할 수 있는 '샌드박스 정책'과 주기적인 'AI 리터러시 교육'이 병행되어야 한다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Security-Governance]] , [[AI-Ethics]]
|
||||
- Authority: [[Deployment_Final_Gate]]
|
||||
@@ -1,39 +0,0 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-254BE9
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - AI 생성 코드 검증(AI Code Assurance)"
|
||||
---
|
||||
|
||||
# [[AI 생성 코드 검증(AI Code Assurance)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> AI Code Assurance(AI 생성 코드 검증)는 AI가 생성하거나 지원한 코드로 인해 발생할 수 있는 고유한 품질 및 보안 위험을 해결하기 위해 설계된 워크플로우이자 검증 프로세스입니다 [1]. 이를 통해 조직은 AI가 작성한 코드가 프로덕션 환경에 배포되기 전에 엄격한 보안, 신뢰성 및 품질 표준을 충족하는지 확인할 수 있습니다 [1, 2]. 주로 정적 애플리케이션 보안 테스트(SAST)와 자동화된 코드 리뷰를 활용하여 결함과 취약점을 조기에 식별하고 일관된 표준을 강제합니다 [2, 3].
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **목적 및 필요성**
|
||||
AI 어시스턴트가 생성한 코드는 스타일과 품질 측면에서 매우 일관성이 없고 변동성이 클 수 있습니다 [4, 5]. AI Code Assurance의 목적은 전체 소프트웨어 개발 수명 주기(SDLC)에서 AI 생성 코드의 비율이 증가하더라도 인간이 작성한 코드와 동일한 품질 게이트(Quality Gate) 표준을 적용하여, 유지보수성과 보안에 대한 일관된 규칙을 강제하는 것입니다 [1, 5].
|
||||
|
||||
- **주요 기능 및 작동 방식**
|
||||
- **AI 코드 감지 및 추적:** 시스템은 프로젝트 내에 AI 생성 코드가 존재함을 자동으로 감지하거나 개발자가 직접 태그를 지정할 수 있게 합니다 [3]. 이를 통해 명확한 라벨링과 배지를 부여하여 AI 코드의 관리, 유지보수 및 규정 준수 모니터링을 간소화합니다 [3].
|
||||
- **정적 코드 분석(SAST) 적용:** 결정론적(deterministic)이고 독립적인 코드 검증 방식인 정적 코드 분석과 오염 분석(Taint Analysis)을 사용하여 코드를 스캔합니다 [4, 6]. 이를 통해 보안 취약점, 유출된 비밀 정보, 코드 냄새(Code smells), 논리적 결함 및 성능 위험을 풀 리퀘스트(Pull Request) 단계에서 조기에 표면화합니다 [4, 6, 7].
|
||||
- **워크플로우 및 에이전트 통합:** IDE부터 CI/CD 파이프라인에 이르기까지 기존 개발 워크플로우에 원활하게 통합됩니다 [6, 8]. 특히, MCP(Model Context Protocol)를 통해 Cursor, Claude Code, Windsurf와 같은 AI 코딩 에이전트와 직접 연결되어, 코드가 생성되는 실시간 대화 흐름 속에서 보안 핫스팟 분석 및 피드백을 제공합니다 [4, 8, 9].
|
||||
|
||||
- **기대 효과**
|
||||
위험도가 가장 높은 문제를 자동으로 강조 표시하여 코드 리뷰어의 피로도를 크게 줄여주며, 배포 주기를 단축합니다 [4]. 또한 조직은 PCI, OWASP, CWE와 같은 널리 통용되는 규정 준수 및 보안 표준을 충족하면서 신뢰성 있게 AI 기여(contribution)를 수용할 수 있습니다 [10, 11].
|
||||
|
||||
## ⚠️ 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:** [[Static Application Security Testing (SAST)]], [[Model Context Protocol (MCP)]], [[Automated Code Review]]
|
||||
- **Projects/Contexts:** [[SonarQube Server]], [[SonarQube Cloud]]
|
||||
- **Contradictions/Notes:** 소스에 따르면 AI 어시스턴트가 생성하는 코드는 본질적으로 일관성이 없고 예측하기 어려울 수 있지만, 이에 적용되는 정적 코드 분석 기술은 '결정론적(deterministic)'이므로 AI 코드의 불확실성을 극복하고 신뢰할 수 있는 독립적인 검증을 제공할 수 있다고 강조합니다 [4].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-19*
|
||||
- Raw Source: [[00_Raw/2026-04-20/AI 생성 코드 검증(AI Code Assurance).md]]
|
||||
---
|
||||
@@ -1,27 +0,0 @@
|
||||
---
|
||||
id: P-REINFORCE-AI-AGENT
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 1.0
|
||||
tags: [AI Agent, Autonomy, Planning, Reasoning, Action]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[AI-에이전트-(AI-Agent)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "단순한 계산기에서 자율적인 일꾼으로." 스스로 목표를 설정하고, 계획을 세우며, 도구(Browser, Terminal 등)를 사용하여 주어진 과업을 끝까지 완수하는 자율적 지능체다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Planning & Reasoning**:
|
||||
- 거대 언어 모델(LLM)을 두뇌로 삼아 복잡한 문제를 작은 단계로 분해(Chain-of-Thought)하고 전략을 수립한다.
|
||||
- **Action & Tool Use**:
|
||||
- API 호출, 웹 검색, 코드 실행 등 외부 환경과 상호작용할 수 있는 인터페이스를 통해 실제 세계에 변화를 일으킨다.
|
||||
- **Memory Management**:
|
||||
- 대화의 맥락(Short-term)과 과거 지식(Long-term)을 RAG나 체크포인트 형태로 유지하여 일관된 수행 능력을 보유한다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 현재의 에이전트는 '무한 루프'나 '환각'에 빠질 위험이 크다. 이를 극복하기 위해 에이전트가 자신의 결과물을 스스로 검토하는 'Self-Correction' 루프와, 인간이 중간에 개입하는 'Human-in-the-loop' 설계가 필수적이다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Multi-Agent-System-(다중-에이전트-시스템)]] , [[Agent-Communication-Protocol-(에이전트-통신-규약)]]
|
||||
- Deployment: [[Deployment_Final_Gate]]
|
||||
@@ -1,40 +0,0 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-4DB2F8
|
||||
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 및 보안 취약점 점검(DevSecOps)"
|
||||
---
|
||||
|
||||
# [[AI 코드 리뷰 및 보안 취약점 점검(DevSecOps)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> AI 코드 리뷰 및 보안 취약점 점검(DevSecOps)은 소프트웨어 개발 수명 주기(SDLC)의 초기 단계에 AI 기반의 자동화된 정적 분석(SAST)과 인간의 수동 리뷰를 결합하여 코드의 품질과 보안을 선제적으로 확보하는 프로세스입니다 [1, 2]. 개발자는 IDE 내부나 CI/CD 파이프라인의 Pull Request(PR) 단계에서 실시간으로 버그, 로직 결함, 보안 취약점(예: 인젝션, 민감 정보 노출)을 식별하고 수정할 수 있습니다 [3-6]. 결과적으로 기계적이고 반복적인 코드 스타일 검사 및 패턴 기반 취약점 탐지는 AI에 위임하고, 인간은 아키텍처 결정이나 도메인 종속적인 비즈니스 로직을 검토하는 '하이브리드' 방식을 통해 개발 속도와 보안성의 균형을 맞춥니다 [2, 7, 8].
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
* **하이브리드 코드 리뷰 모델의 부상**
|
||||
2025년 기준 가장 이상적이고 안전한 코드 리뷰 방식은 자동화 도구와 인간의 통찰력을 결합한 하이브리드 모델입니다 [2]. 자동화된 리뷰 도구는 수천 줄의 코드를 단 몇 분 만에 스캔하여 문법 오류, 알려진 보안 취약점 패턴, 코드 스타일 위반 등을 일관성 있게 찾아냅니다 [6, 9]. 하지만 이러한 도구들은 시스템의 의도나 비즈니스 로직을 이해하는 데 한계가 있습니다 [10]. 따라서 자동화 스캔을 1차 방어선으로 사용하여 일상적인 문제를 해결하고, 고위험 아키텍처, 인증 로직, 교차 서비스 통신 및 비즈니스 규칙 검증과 같은 복잡한 판단은 숙련된 개발자의 수동 리뷰를 통해 진행해야 합니다 [11-14].
|
||||
|
||||
* **AI 기반 정적 애플리케이션 보안 테스트(SAST)**
|
||||
전통적인 SAST 도구는 규칙과 패턴 매칭에 의존하여 높은 오탐률(False Positive)과 알림 피로도를 유발했습니다 [10, 15, 16]. 그러나 Snyk Code, Corgea, GitHub Advanced Security와 같은 최신 AI 네이티브 SAST 도구들은 머신러닝과 대규모 언어 모델(LLM)을 결합하여 코드의 문맥(Semantic)을 파악합니다 [17-20]. 이 도구들은 오염 분석(Taint analysis)과 도달 가능성(Reachability)을 분석해 파일 간 데이터를 추적하며 실제 악용 가능한 위협만을 효과적으로 필터링합니다 [19, 21, 22]. 또한 Copilot Autofix나 DeepCode AI Fix처럼 발견된 취약점에 대해 검증된 수정안(Remediation)을 PR 단계에서 자동으로 제안하여 리뷰 시간을 대폭 단축시킵니다 [23-25].
|
||||
|
||||
* **시프트 레프트(Shift-Left)와 파이프라인 자동화**
|
||||
DevSecOps의 핵심은 소프트웨어 병합 및 배포 전에 보안 및 품질 문제를 원천 차단하는 시프트 레프트 전략입니다 [1, 26]. Husky와 lint-staged 등의 도구를 활용해 Git 사전 커밋(Pre-commit) 훅을 설정하면, 변경된 파일에 대해서만 ESLint(로직/품질)와 Prettier(포맷팅)를 강제 적용할 수 있습니다 [27-29]. 이후 CI/CD 파이프라인 내에 SAST 및 소프트웨어 구성 분석(SCA) 도구를 통합하여 임계치 이상의 치명적 취약점이 포함된 코드는 메인 브랜치로 병합되지 못하도록 '품질 게이트' 역할을 수행하게 합니다 [30, 31].
|
||||
|
||||
* **자동화의 한계 및 AI 거버넌스 정책**
|
||||
강력한 자동화 도구라 할지라도 맹신은 위험합니다. 연구에 따르면 SAST 및 자동화 도구는 실제 취약점의 약 22%를 감지하지 못하며 [32, 33], 개발자들이 자동화 시스템의 '녹색 체크마크'만 보고 코드를 제대로 이해하지 않은 채 통과시키는 '녹색 체크마크 증후군(Green Check Mark Syndrome)'과 같은 인지적 나태함을 유발할 수 있습니다 [34, 35]. 기업은 승인되지 않은 퍼블릭 AI 모델에 독점 소스 코드나 고객 데이터가 유출되지 않도록 명확한 AI 사용 정책(AUP)을 수립해야 합니다 [36-38]. 또한 AI가 생성하거나 수정한 코드라도 최종적으로는 반드시 인간 엔지니어의 엄격한 수동 리뷰를 거쳐 이해와 책임을 보장하는 'Human-in-the-Loop' 원칙을 준수해야 합니다 [38, 39].
|
||||
|
||||
## ⚠️ 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:** [[정적 애플리케이션 보안 테스트(SAST)]], [[시프트 레프트(Shift-Left)]], [[하이브리드 코드 리뷰]]
|
||||
- **Projects/Contexts:** [[CI/CD 파이프라인 통합 및 Git 훅(Hooks)]]
|
||||
- **Contradictions/Notes:** 자동화 도구를 적극적으로 옹호하는 입장에서는 AI 기반 코드 리뷰와 수정안 자동 생성 기능이 개발자의 업무를 크게 대체하고 생산성을 극대화한다고 주장하지만, 보안 전문가 및 실제 성능 벤치마크 결과(Augment Code 등)에 따르면 자동화 도구는 여전히 30~60%의 오탐률을 보이며 실제 취약점의 약 22%를 놓치는 근본적 사각지대가 존재하므로, 아키텍처 설계와 비즈니스 로직에는 기계가 아닌 인간의 수동 판단이 필수 불가결하다고 반박합니다.
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-18*
|
||||
- Raw Source: [[00_Raw/2026-04-20/AI 코드 리뷰 및 보안 취약점 점검(DevSecOps).md]]
|
||||
---
|
||||
@@ -1,33 +0,0 @@
|
||||
---
|
||||
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*
|
||||
- Raw Source: [[00_Raw/2026-04-20/AI 코드 리뷰.md]]
|
||||
---
|
||||
@@ -1,44 +0,0 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-37563B
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - AI와 기계에게 검열 맡기기_ - 정적 분석 툴 (ESLint Prettier))"
|
||||
---
|
||||
|
||||
# [[AI와 기계에게 검열 맡기기_ - 정적 분석 툴 (ESLint Prettier))]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 현대 소프트웨어 개발에서는 주관적이고 반복적인 코드 평가 작업을 ESLint, Prettier와 같은 결정론적 도구와 AI 기반 에이전트(기계)에게 위임하여 코드를 자동으로 '검열'하는 구조를 갖추고 있습니다 [1]. Linter인 ESLint는 추상 구문 트리(AST)를 분석해 문법적 오류와 잠재적 버그를 식별하며, Formatter인 Prettier는 줄 바꿈이나 들여쓰기 등 시각적 일관성을 강제합니다 [2]. 나아가 단순한 패턴 매칭을 넘어 LLM 기반의 AI 정적 분석 도구(SAST)를 도입함으로써 문맥을 이해하고 복잡한 취약점을 분석하는 '에이전트적 거버넌스'로 진화하고 있습니다 [3, 4].
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
* **결정론적 거버넌스의 기반 (ESLint & Prettier)**
|
||||
* **ESLint (결정론적 Linter):** 소스 코드를 추상 구문 트리(AST)로 변환해 순회하면서 사용되지 않는 변수, 섀도잉 현상 등 논리적 버그와 의심스러운 구조를 식별하고 팀의 모범 사례를 강제합니다 [2, 5, 6].
|
||||
* **Prettier (의견이 반영된 Formatter):** 코드의 로직에는 관여하지 않고 들여쓰기, 따옴표 일관성, 줄 바꿈 등 텍스트의 시각적 형태를 일관되게 재작성하여 코드 가독성을 높입니다 [2, 6, 7].
|
||||
* **규칙 충돌 및 통합:** ESLint에도 포맷팅 스타일 규칙이 포함되어 있어 Prettier와 충돌할 수 있습니다. 이를 방지하기 위해 `eslint-config-prettier`를 사용하여 충돌하는 ESLint 규칙을 비활성화하고, `eslint-plugin-prettier`를 통해 Prettier를 ESLint의 규칙처럼 동작시키는 방식이 권장됩니다 [8-11].
|
||||
|
||||
* **자동화 검열의 오케스트레이션 (Husky & lint-staged)**
|
||||
* 이러한 검열 도구들은 `Husky`와 `lint-staged`를 활용해 Git의 'pre-commit' 단계에서 강제적으로 실행됩니다 [12-14]. 저장소 전체가 아닌 변경된 파일(staged files)에만 검열 에이전트를 실행시켜 검사 시간을 수 초 내로 단축하고, 품질 미달 코드가 저장소에 병합되는 것을 선제적으로 차단합니다 [13-15].
|
||||
|
||||
* **AI를 활용한 시맨틱 지능과 에이전트적 거버넌스**
|
||||
* 전통적인 Linter는 파일 내 패턴 매칭에 그쳐 문맥을 파악하지 못하는 한계(Context-blind)가 있습니다 [3, 16]. 이를 극복하기 위해 Snyk Code, SonarQube 등 AI 기반 정적 분석(SAST) 도구가 도입되고 있습니다 [3, 17, 18].
|
||||
* 수백만 개의 커밋을 학습한 AI 모델은 오염 분석(Taint Analysis) 및 도달 가능성 분석을 수행하여 파일 경계를 넘나드는 복잡한 취약점을 파악하고 안전한 코드 수정을 제안합니다 [19, 20].
|
||||
|
||||
* **기계 검열의 심리사회적 영향 및 한계**
|
||||
* 기계에 코드 검열을 맡기면 사소한 스타일 논쟁을 없애고 개발자의 인지 부하를 줄여 비즈니스 로직 해결에 몰입(Flow)할 수 있게 돕습니다 [21, 22].
|
||||
* 하지만 자동화에 과도하게 의존할 경우, 개발자의 비판적 사고 근육이 퇴화하고 자동화 도구의 검사만 통과하면 된다고 여기는 '녹색 체크마크 증후군(Green Check Mark Syndrome)'을 유발할 수 있습니다 [23, 24]. 또한 AI 도구 역시 전체 취약점의 약 22%를 놓치는 사각지대가 존재하므로, 아키텍처 설계와 도메인 비즈니스 로직 등 고위험 검토에는 여전히 인간의 판단(Human-in-the-loop)이 필수적입니다 [24-26].
|
||||
|
||||
## ⚠️ 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)]], [[AST (추상 구문 트리)]], [[Husky & lint-staged]]
|
||||
- **Projects/Contexts:** [[Git Pre-commit 훅을 활용한 개발 워크플로우 자동화]], [[AI 코드 리뷰 및 보안 취약점 점검(DevSecOps)]]
|
||||
- **Contradictions/Notes:** 소스는 기계 주도의 검열이 개발 생산성과 코드 품질을 높인다고 긍정적으로 평가하면서도, 동시에 AI 모델이 실제 취약점의 일부를 놓치고 개발자의 비판적 사고를 약화시켜 표면적 문제 해결에 집착하는 '녹색 체크마크 증후군'을 초래할 수 있다는 역설적 한계를 분명히 지적합니다 [23, 24, 26].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-18*
|
||||
- Raw Source: [[00_Raw/2026-04-20/AI와 기계에게 검열 맡기기_ - 정적 분석 툴 (ESLint & Prettier)).md]]
|
||||
---
|
||||
@@ -1,40 +0,0 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-9FD5CF
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - API 응답 모델링 및 상태 머신(State Machine) 설계"
|
||||
---
|
||||
|
||||
# [[API 응답 모델링 및 상태 머신(State Machine) 설계]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> TypeScript에서 API 응답과 상태 머신을 설계할 때는 식별 가능한 유니온(Discriminated Unions) 패턴이 핵심적으로 활용된다 [1, 2]. 이 패턴은 공통 판별자(Discriminant) 속성을 통해 데이터의 다양한 상태를 구분하며, 유효하지 않은 상태가 코드에 표현되는 것을 원천적으로 차단한다 [1, 3, 4]. 결과적으로 네트워크 요청의 다양한 결과나 복잡한 UI 상태 전이를 컴파일 단계에서 안전하게 모델링하고 관리할 수 있도록 보장한다 [2, 5, 6].
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **상태 머신(State Machine) 패턴 모델링**:
|
||||
애플리케이션 내의 복잡한 상태(예: `Idle`, `Fetching`, `Success`, `Failure`, `Retry` 등)는 식별 가능한 유니온을 통해 상태 머신으로 완벽하게 모델링할 수 있다 [2]. 이 방식은 폼 제출 워크플로우(예: `validating`, `submitting`, `success`, `error`)나 비동기 작업 패턴을 명확히 정의하는 데 뛰어나며, 호환되지 않는 잘못된 상태들의 조합이 발생하는 것을 원천적으로 불가능(Impossible)하게 만든다 [3, 5].
|
||||
|
||||
- **API 응답 데이터 구조화**:
|
||||
API 응답은 성공, 실패, 대기 등 여러 형태를 취할 수 있으므로 식별 가능한 유니온을 통해 구조화하는 것이 효과적이다 [2]. 예를 들어, `NetworkState`라는 유니온 타입 내에 `NetworkLoadingState`, `NetworkFailedState`, `NetworkSuccessState`를 정의하고 `state`라는 리터럴 필드를 공유 판별자로 설계할 수 있다 [6]. 컴파일러는 이 판별자를 바탕으로 `code`나 `response`와 같은 고유 페이로드(Payload) 속성에 안전하게 접근하도록 타입을 좁혀준다(Narrowing) [6, 7].
|
||||
|
||||
- **완전성 검사(Exhaustiveness Checking) 적용**:
|
||||
상태 머신과 API 응답을 분기 처리할 때 `switch` 문과 `never` 타입을 활용하면, 개발자가 실수로 누락한 상태나 새롭게 추가된 API 응답 형태가 있을 경우 TypeScript 컴파일러가 에러를 발생시킨다 [3, 7-9]. 이는 모든 분기 및 상태가 빠짐없이 처리되도록 강제하는 강력한 안전장치가 되어 런타임 버그를 방지한다 [10-12].
|
||||
|
||||
- **외부 데이터 런타임 검증과의 결합**:
|
||||
외부 API에서 전달받은 응답은 TypeScript의 컴파일 타임 시스템만으로는 런타임에서의 완벽한 안전성을 보장할 수 없다 [12, 13]. 따라서 Zod와 같은 런타임 검증 라이브러리와 식별 가능한 유니온을 결합하여 사용하면, 예기치 않은 형태의 API 데이터로 인해 상태 머신이 망가지는 것을 방어할 수 있다 [12, 13].
|
||||
|
||||
## ⚠️ 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:** [[식별 가능한 유니온(Discriminated Unions)]], [[완전성 검사(Exhaustiveness Checking)]], [[타입 좁히기(Type Narrowing)]]
|
||||
- **Projects/Contexts:** [[비동기 데이터 패칭(Async Data Fetching)]], [[상태 머신 기반 UI 폼 및 라우터 관리]]
|
||||
- **Contradictions/Notes:** API 응답 데이터를 변환할 때 타입 캐스팅(`as`)을 사용하면 잉여 속성이 존재하거나 형태가 잘못되어도 컴파일러가 이를 조용히 허용하여 안전성이 떨어질 수 있다. 따라서 엄격한 타입 계약을 강제하기 위해서는 `as` 대신 `satisfies` 키워드를 활용하는 것이 권장된다 [14, 15].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-18*
|
||||
- Raw Source: [[00_Raw/2026-04-20/API 응답 모델링 및 상태 머신(State Machine) 설계.md]]
|
||||
---
|
||||
@@ -1,27 +0,0 @@
|
||||
---
|
||||
id: P-REINFORCE-AI-ABTEST
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.96
|
||||
tags: [A/B Testing, Statistics, Experiment, Growth Hacking]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[A_B-Testing-Platforms]] (A/B 테스트 및 실험 설계)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "내 생각엔 이게 좋다"는 주관성을 버리고, "사용자는 실제로 이렇게 반응한다"를 통계적으로 증명하는 마케팅과 엔지니어링의 결합체다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Hypothesis Testing (가설 검증)**:
|
||||
- "버튼 색상을 파란색에서 빨간색으로 바꾸면 클릭률(CTR)이 10% 오를 것이다"라는 명확한 가설을 세우고 실험군(A)과 대조군(B)으로 트래픽을 분할한다.
|
||||
- **Statistical Significance (p-value)**:
|
||||
- 실험 결과가 '우연'에 의한 것인지 아니면 '의도된 변화'인지 판별한다. 보통 p-value < 0.05를 기준으로 유의미함을 결정한다.
|
||||
- **Multi-armed Bandit (MAB)**:
|
||||
- 실험 중간에 성적이 좋은 쪽에 트래픽을 실시간으로 더 배분하여 '실험 비용'을 최소화하고 '수익'을 극대화하는 고도화된 타겟팅 알고리즘.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 한 번에 너무 많은 변수를 바꾸는 것은 금물이다(Simpsons Paradox). 오직 하나의 변인만 통제하여 결과의 인과관계를 명확히 해야 한다. 또한 장기적 영향(Late Arrival Bias)을 고려하여 최소 일주일 이상의 실험 기간을 확보하라.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Behavioral-Economics]] , [[Nudge Theory]]
|
||||
- Implementation: [[React_State_Management_Strategy]]
|
||||
@@ -1,27 +0,0 @@
|
||||
---
|
||||
id: P-REINFORCE-AI-ACC-AUDIT
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.98
|
||||
tags: [Accessibility, Compliance, Audit, AI, Web]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Accessibility-Compliance-Audit]] (접근성 준수 감사)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "모두를 위한 웹은 기술이 아니라 권리다." 시각 장애인이나 고령자 등 모든 사용자가 웹 사이트의 정보를 평등하게 얻고 있는지 기술적으로 검증하는 프로세스다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Automated Testing**:
|
||||
- AI가 DOM 트리와 ARIA 속성을 분석하여 텍스트 대안(Alt text) 누락, 충분하지 않은 색상 대비(Color Contrast) 등을 자동으로 적발한다.
|
||||
- **Manual Heuristic Evaluation**:
|
||||
- 자동화 도구가 잡지 못하는 맥락적 접근성(예: 스크린 리더의 읽기 순서가 논리적인가?)을 전문가가 직접 점검한다.
|
||||
- **Reporting & Remediation**:
|
||||
- 감사 결과를 리포트화하고, 개발팀에 즉각적인 수정 가이드를 제공하여 법적 리스크(WCAG 준수 등)를 방어한다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 접근성 감사는 한 번의 '합격'으로 끝나지 않는다. 코드가 업데이트될 때마다 접근성 점수가 소리 없이 무너질 수 있으므로, CI/CD 파이프라인에 접근성 자동 검사를 통합하는 것이 핵심이다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[UI-UX-Foundations]] , [[Automated-Security-Audits]]
|
||||
- Standard: [[Web-Content-Accessibility-Guidelines-WCAG]]
|
||||
@@ -1,27 +0,0 @@
|
||||
---
|
||||
id: P-REINFORCE-AI-ADAPT-COMP
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.99
|
||||
tags: [Adaptive Compute, AI, Efficiency, Inference, Optimization]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Adaptive-Compute]] (적응형 계산량 조절)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "쉬운 문제는 빨리 풀고, 어려운 문제는 더 고민하라." 데이터의 복잡도에 따라 신경망의 층(Layer)이나 파라미터를 유동적으로 사용하여 연산 효율을 극대화하는 지능적 최적화다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Early Exit Strategies**:
|
||||
- 하위 레이어에서 이미 결과가 확실할 경우, 상위 레이어 연산을 건너뛰고 정답을 출력하여 응답 속도를 높인다.
|
||||
- **Dynamic Gating**:
|
||||
- 특정 입력값에 필요한 '전문가 신경망'만 선별적으로 활성화하여 전체 연산량을 줄이는 방식(Mixture of Experts와 궤를 같이함).
|
||||
- **Inference Cost Reduction**:
|
||||
- 불필요한 연산을 줄임으로써 클라우드 API 호출 비용이나 온디바이스 AI의 배터리 소모를 획기적으로 절감한다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 계산량을 줄이는 과정에서 아주 드물게 발생하는 '어려운 예외 상황(Edge case)'에서 성능이 소폭 하락할 수 있다. 따라서 성능 손실과 비용 절감 사이의 'Pareto Optimal' 지점을 찾는 것이 공학적 핵심이다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Dense-vs-Sparse-Neural-Networks]] , [[Deep-Learning-Architecture-Patterns]]
|
||||
- Foundation: [[Computational-Efficiency]]
|
||||
@@ -1,27 +0,0 @@
|
||||
---
|
||||
id: P-REINFORCE-AI-ADV-IF-DESIGN
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.97
|
||||
tags: [Interface Design, UX, Human-Computer Interaction, AI]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Advanced-Interface-Design]] (고급 인터페이스 설계)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "보이지 않는 인터페이스가 가장 훌륭한 인터페이스다." 사용자의 의도를 예측하고 대화를 최소화하면서도 완벽한 경험을 선사하는 고도의 심미적/공학적 설계 체계다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Predictive Interaction**:
|
||||
- 과거 행동 데이터를 기반으로 사용자가 다음에 무엇을 클릭할지 예측하여 미리 로딩하거나 인터페이스를 배치한다.
|
||||
- **Micro-animations & Feedback**:
|
||||
- 미묘한 움직임으로 시스템의 상태를 알리고, 사용자의 행동에 즉각적이고 부드러운 심리적 만족감을 제공한다.
|
||||
- **Multi-modal Input**:
|
||||
- 터치, 음성, 시선, 제스처 등 다양한 입력 수단을 통합하여 가장 자연스러운 맥락에서 시스템과 소통하게 한다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 인터페이스가 너무 '지능적'이면 사용자가 통제권을 상실했다고 느낄 수 있다(Black box effect). 따라서 시스템이 왜 이런 제안을 하는지 투명하게 보여주는 '설명 가능한 인터페이스'의 조화가 필요하다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[UI-UX-Foundations]] , [[Psychology_Cognitive_Science]]
|
||||
- Context: [[Modern_Environment_Ecosystem]]
|
||||
@@ -1,34 +0,0 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-36585B
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - Adversarial Code Stylometry"
|
||||
---
|
||||
|
||||
# [[Adversarial Code Stylometry]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> Adversarial Code Stylometry(적대적 코드 문체론)는 프로그래머가 코드 문체 분석(Code Stylometry) 시스템의 추적을 우회하여 자신의 익명성을 보호하기 위해 의도적으로 코드를 변형하는 기법입니다 [1-3]. 주로 자신의 고유한 코딩 스타일을 숨기는 난독화(obfuscation)와 다른 프로그래머의 스타일을 흉내 내는 모방(mimicry) 기술을 사용합니다 [2-4]. 이는 감시와 검열에 맞서 프라이버시 향상 도구를 개발하는 오픈소스 기여자들이 신원 노출로 인한 탄압을 피하기 위한 핵심적인 방어 수단으로 연구되고 있습니다 [5-7].
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
* **배경 및 필요성:** 인터넷 검열과 감시가 강화됨에 따라 프라이버시 향상 기술이나 검열 우회 도구를 개발하는 오픈소스 개발자들이 국가나 기관의 표적이 되는 사례가 늘고 있습니다 [5, 6, 8]. 코드 작성자의 코딩 스타일을 분석해 신원을 파악하는 소스 코드 문체론(Source Code Stylometry)은 이러한 개발자들에게 심각한 위협이 되며, 이에 대항하여 익명성을 유지할 수 있는 적대적 방어 기법이 필요해졌습니다 [7].
|
||||
* **공격 기법 (난독화 및 모방):** 적대적 코드 문체론은 크게 두 가지 접근법을 취합니다. 첫째는 자신의 식별 가능한 코딩 스타일을 모호하게 만드는 '난독화(obfuscation / masking)'이고, 둘째는 다른 특정 작가로 기계 학습 모델을 속이기 위해 의도적으로 대상의 스타일을 흉내 내는 '모방(mimicry / forgery)' 공격입니다 [2-4, 9].
|
||||
* **기존 문체 분석 시스템의 취약성:** 최첨단 소스 코드 문체 분석 시스템조차도 적대적 수정에 취약한 것으로 나타났습니다 [3, 9]. 변수 이름, 매크로, 리터럴, API 호출 등 국소적인 정보(local changes)나 표면적인 형식 변경만으로도 분류기(classifier)를 속여 다른 사람으로 오분류하게 만드는 것이 가능합니다 [10, 11].
|
||||
* **방어 지원 도구 (StyleCounsel):** 개발자가 다른 이의 스타일을 모방하고 자신의 스타일을 난독화할 수 있도록 돕는 `StyleCounsel`과 같은 시스템이 개발되었습니다 [2, 12]. 이 도구는 랜덤 포레스트(Random Forest)와 같은 기계 학습 모델의 의사 결정 트리를 분석하여, 오분류를 유도할 수 있는 구체적이고 최소한의 코드 변경 사항(예: 특정 구문의 사용 빈도 조절 등)을 사용자에게 추천합니다 [2, 13, 14].
|
||||
* **코드 포매팅을 통한 프라이버시 보호막:** Prettier나 Black 등과 같은 결정론적 코드 포매터(Formatter) 및 최소화(Minification) 도구를 적용하는 것만으로도 작성자 인식 정확도를 크게 떨어뜨릴 수 있습니다 [15, 16]. 연구에 따르면 코드 포매팅 적용 시 식별 정확도가 68%에서 53%로 하락하며, 최소화를 거치면 50%까지 떨어져 코드 문체론 분석에 대한 실질적인 프라이버시 보호막(Privacy shield) 역할을 수행합니다 [17-19].
|
||||
|
||||
## ⚠️ 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:** [[Code Stylometry]], [[Obfuscation]], [[Mimicry Attack]], [[StyleCounsel]]
|
||||
- **Projects/Contexts:** [[오픈소스 기여자 익명성 보장]], [[검열 우회 및 프라이버시 보호 도구 개발]]
|
||||
- **Contradictions/Notes:** Caliskan-Islam 등의 기존 연구에서는 'Stunnix'와 같은 상용 난독화 도구를 사용해도 분류기의 식별 정확도가 거의 떨어지지 않는다고 보고했습니다. 그러나 Simko 등의 적대적 연구에서는 실험 참가자들이 표면적인 수준의 변수명 교체나 국소적인 구조 변경 등 간단한 조작을 가하는 것만으로도 기계 학습 모델을 성공적으로 속일 수 있음을 입증하며 기존 분류 시스템의 취약성과 한계를 지적했습니다 [11, 20].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-19*
|
||||
- Raw Source: [[00_Raw/2026-04-20/Adversarial Code Stylometry.md]]
|
||||
---
|
||||
@@ -1,27 +0,0 @@
|
||||
---
|
||||
id: P-REINFORCE-AI-BIO
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.99
|
||||
tags: [Algorithmic Biology, AI, Bioinformatics, Simulation]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Algorithmic-Biology]] (알고리즘 생물학)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "생명은 우주의 가장 복잡한 알고리즘이다." 유전자 서열 분석부터 단백질 구조 예측(AlphaFold)까지, 생명 현상을 계산 가능한 모델로 해석하는 초융합 분야다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Sequence Alignment**:
|
||||
- 서로 다른 생물 종의 DNA/RNA 서열을 비교하여 진화적 관계를 밝히거나 질병 원인을 찾는 알고리즘.
|
||||
- **Protein Folding Simulation**:
|
||||
- AI를 이용해 단백질이 어떻게 3차원 구조로 접히는지 예측하여 신약 개발의 시간을 수십 년 단축한다.
|
||||
- **Cellular Automata**:
|
||||
- 단순한 규칙이 어떻게 복잡한 생명 패턴을 만들어내는지 시뮬레이션하는 수리 생물학적 접근.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 생물학적 데이터는 노이즈가 매우 심하고 복잡하다. 따라서 단순한 패턴 매칭을 넘어, 생체 내의 물리 법칙과 화학적 성질을 AI 모델에 주입하는 'Physics-informed Neural Networks'가 필수적이다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Bioinformatics]] , [[Computational-Neuroscience]]
|
||||
- Foundation: [[Computational Theory & Math/Information Theory]]
|
||||
@@ -1,27 +0,0 @@
|
||||
---
|
||||
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]]
|
||||
@@ -1,27 +0,0 @@
|
||||
---
|
||||
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]]
|
||||
@@ -1,27 +0,0 @@
|
||||
---
|
||||
id: P-REINFORCE-CS-AMDAHL
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 1.0
|
||||
tags: [Amdahls Law, Parallel Computing, Latency, Computer Architecture]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Amdahls-Law-(암달의-법칙)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "쇠사슬의 강도는 가장 약한 연결 고리에 의해 결정된다." 프로그램의 일부분만 병렬화했을 때 얻을 수 있는 이론적인 최대 성능 향상폭(Speedup)은 변하지 않는 '순차적 부분'에 의해 제한된다는 냉혹한 법칙이다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Theoretical Speedup**:
|
||||
- 프로그램의 90%를 병렬화하더라도, 나머지 10%가 순차적으로 실행되어야 한다면 아무리 많은 코어(Processor)를 투입해도 속도는 10배 이상 빨라질 수 없다.
|
||||
- **Diminishing Returns**:
|
||||
- 프로세서 개수가 늘어날수록 성능 향상률은 급격히 둔화되며, 특정 지점 이후에는 통신 오버헤드로 인해 오히려 성능이 떨어질 수도 있다.
|
||||
- **Optimization Strategy**:
|
||||
- 전체 성능을 높이려면 병렬화 가능한 부분을 늘리기보다, '병렬화 불가능한 순차적 구간'을 최대한 짧게 만드는 데 집중해야 한다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 암달의 법칙은 데이터 크기가 고정된 상황을 가정한다. 데이터 크기 자체가 늘어날 때는 병렬화 효율이 더 좋아진다는 '구스타프슨의 법칙(Gustafson's Law)'이 보완적인 시각을 제공한다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Distributed-Systems-Engineering]] , [[Complexity-Theory]]
|
||||
- Foundation: [[Computational Theory & Math/Information Theory]]
|
||||
@@ -1,27 +0,0 @@
|
||||
---
|
||||
id: P-REINFORCE-AI-GAMES
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.98
|
||||
tags: [Game AI, Pathfinding, FSM, Behavior Tree, Reinforcement Learning]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Artificial-Intelligence-in-Games]] (게임 속의 인공지능)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "플레이어의 즐거움을 위한 적당한 지능적 패배." 플레이어에게 도전과 몰입감을 주기 위해 설계된 NPC 제어 기술이자, 최근에는 환경 생성(PCG)까지 확장된 게임 디자인의 파트너다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Decision Making (FSM/BT)**:
|
||||
- 유한 상태 기계(FSM)나 행동 트리(Behavior Tree)를 통해 상황에 맞는 NPC의 행동 로직을 계층적으로 설계한다.
|
||||
- **Dynamic Difficulty Adjustment (DDA)**:
|
||||
- 실시간으로 플레이어의 실력을 파악하여 난이도를 조절, '몰입(Flow)' 상태를 유지하게 하는 기술.
|
||||
- **Emergent Behavior**:
|
||||
- 고정된 스크립트가 아니라, 단순한 규칙들의 상호작용을 통해 개발자도 예상치 못한 흥미로운 상황을 만들어내는 기법.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 너무 똑똑한 AI는 게임의 재미를 망친다(절대 지지 않는 AI는 독재자와 같다). 따라서 게임 AI의 핵심은 '완벽한 승리'가 아니라 '설득력 있는 지능적 행동'을 보여주는 것이다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Agency-in-Game-Design]] , [[Reinforcement-Learning]]
|
||||
- Context: [[Immersive-Sim-Genre]]
|
||||
@@ -1,27 +0,0 @@
|
||||
---
|
||||
id: P-REINFORCE-AI-GENERAL
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.99
|
||||
tags: [Artificial Intelligence, Machine Learning, Deep Learning, Scaling Laws]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Artificial-Intelligence]] (인공지능)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "기계의 사고가 아니라, 데이터의 압축과 예측이다." 인간의 지능적 행동을 흉내 내는 소프트웨어 체계를 넘어, 데이터 속에 숨겨진 고차원적 패턴을 찾아내어 미래를 통계적으로 추론하는 기술이다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Weak AI vs Strong AI**:
|
||||
- 바둑이나 번역처럼 특정 작업만 수행하는 좁은 지능(ANI)과, 인간처럼 모든 영역에서 사고할 수 있는 광범위한 지능(AGI)의 구분.
|
||||
- **Information Processing**:
|
||||
- 입력을 출력으로 매핑하는 거대한 수학 함수. 최근에는 '데이터(Data), 연산량(Compute), 알고리즘(Algorithm)'이라는 3요소의 폭발적 성장이 성패를 가른다.
|
||||
- **Societal Impact**:
|
||||
- 노동의 자동화를 넘어, 인간의 창의 성과 의사결정 방식 자체를 재정의하는 문명적 도구.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- AI는 '이해'하는 것이 아니라 '확률적 생성'을 하는 것이다. 이 차이를 간과할 때 환각(Hallucination) 문제가 발생하며, 이를 극복하기 위해 심볼릭 로직과 딥러닝을 결합하는 'Neuro-symbolic AI'가 대안으로 떠오르고 있다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Deep-Learning-Architecture-Patterns]] , [[AI-Ethics]]
|
||||
- Foundation: [[Computational Thinking]]
|
||||
@@ -1,27 +0,0 @@
|
||||
---
|
||||
id: P-REINFORCE-AI-ASD
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.96
|
||||
tags: [ASD, Autism, AI Intervention, Healthcare, Therapy]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Autism-Spectrum-Disorder-(ASD)-Intervention]] (ASD를 위한 기술적 개입)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "사회적 장벽을 허무는 디지털 동반자." 자폐 스펙트럼 장애(ASD)를 가진 이들이 겪는 의사소통과 감정 인식의 어려움을 AI 기술을 통해 보조하고 교육하는 인도적 기술이다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Emotion Recognition Training**:
|
||||
- 사람의 표정을 분석하여 감정을 텍스트나 소리로 알려주는 안경(Smart glass)이나 앱을 통해 사회적 상호작용을 돕는다.
|
||||
- **Social Scenarios Simulation**:
|
||||
- VR(가상 현실)과 AI를 결합하여 안전한 환경에서 사회적 상황을 반복 연습하게 함으로써 실제 상황에서의 불안감을 낮춘다.
|
||||
- **Personalized Learning Robots**:
|
||||
- 사람과의 접촉을 부담스러워할 수 있는 환자를 위해, 감정이 일관되고 인내심이 강한 교육용 로봇을 통해 기초 교육을 수행한다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 기술은 보조적 수단일 뿐, 인간 전문가나 가족의 사랑과 지지를 대체할 수 없다. 기술 과의존으로 인해 현실 세계와의 접촉이 더 줄어들지 않도록 인간 지향적 설계(Human-centered design)가 매우 중요하다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Accessibility-Compliance-Audit]] , [[Psychology_Cognitive_Science]]
|
||||
- Ethics: [[AI-Ethics]]
|
||||
@@ -1,27 +0,0 @@
|
||||
---
|
||||
id: P-REINFORCE-AI-AUTOTEST
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.97
|
||||
tags: [Automated Testing, Game QA, AI Testing, Bot Testing]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Automated-Game-Testing]] (지능형 게임 테스트 자동화)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> QA는 단순히 버그를 찾는 행위를 넘어, AI 에이전트가 게이머처럼 플레이하게 함으로써 게임의 '밸런스'와 '재미의 영역'까지 검증하는 기술이다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Bot-driven Testing**:
|
||||
- 단순 매크로가 아닌, 강화학습된 AI 봇을 투입하여 맵의 갈 수 없는 곳(Collision Error)을 찾거나 무한 루프에 빠지는 구간을 전수 조사한다.
|
||||
- **Performance Profiling Automation**:
|
||||
- 대규모 전투나 복잡한 지형에서 프레임드랍(FPS Drop)이 발생하는 구간을 자동 감지하고, 해당 시점의 메모리 스택과 렌더링 부하를 기록하여 개발팀에 보고한다.
|
||||
- **Regression Guard**:
|
||||
- 기능 추가 시 기존의 퀘스트 라인이나 밸런스가 무너지지 않았는지, 자동화된 시나리오 테스트를 통해 24시간 감시 체계를 유지한다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 자동화 봇은 효율적이지만 '인간의 감정'을 느끼지 못한다. 버그는 없으나 재미가 없는 구역(Boring Zones)을 찾아내는 것은 여전히 인간 QA의 영역이며, AI는 이를 보조하는 증폭기로 사용되어야 한다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Software Reliability]] , [[System_Debugging_Protocol]]
|
||||
- Foundation: [[Reinforcement Learning]]
|
||||
@@ -1,28 +0,0 @@
|
||||
---
|
||||
id: P-REINFORCE-AI-GENMAP
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.99
|
||||
tags: [PCG, Map Generation, Algorithm, Noise Nature]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Automated-Map-Generation]] (절차적 맵 생성 PCG)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 무한한 우주는 수학 공식(Seed) 하나에서 탄생한다. 절차적 생성(PCG)은 개발자의 노동력을 '규칙의 창조'로 전이시켜 콘텐츠의 무한 확장을 가능케 한다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Perlin Noise & Simplex Noise**:
|
||||
- 자연스러운 지형(산, 계곡, 해안선)을 만들기 위한 수학적 노이즈 알고리즘. 연속성을 가진 난수를 통해 자연의 불규칙성을 모사한다.
|
||||
- **Constraint-based Generation (제약 기반 생성)**:
|
||||
- 단순히 무작위로 만드는 것이 아니라, "마을은 물 근처에 있어야 한다", "보스 방은 입구에서 가장 멀어야 한다"는 비즈니스 로직(제약 조건)을 알고리즘에 주입한다.
|
||||
- **Dungeon Generation (BSP, WFC)**:
|
||||
- **BSP (Binary Space Partitioning)**: 공간을 이진 분할하여 방과 복도를 배치하는 정석적인 방식.
|
||||
- **WFC (Wave Function Collapse)**: 인접한 타일 간의 관계성을 기반으로 복잡한 구조를 확률적으로 붕괴시켜 완성하는 최신 알고리즘.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- PCG는 자칫 '반복적이고 지루한(Samey)' 느낌을 줄 수 있다. 이를 방지하기 위해 핵심 랜드마크는 수동 제작(Manual Polish)하고, 그 사이의 연결을 PCG가 담당하는 하이브리드 방식이 선호된다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Systemic_Simulation_Principles]] , [[Art_Direction_Governance]]
|
||||
- Foundation: [[Information Theory]]
|
||||
@@ -1,27 +0,0 @@
|
||||
---
|
||||
id: P-REINFORCE-AI-REASON
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.95
|
||||
tags: [Automated Reasoning, Logic, Inference, Knowledge Graph]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Automated-Reasoning]] (자동 추론)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 단순한 '확률적 답변'을 넘어, 수학과 논리의 규칙에 따라 결론을 도출하는 기계의 사고방식이다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Symbolic AI (기호론적 AI)**:
|
||||
- 데이터를 처리하는 신경망과 달리, 기호와 논리 법칙(If-Then)을 사용하여 참과 거짓을 판별하고 새로운 명제를 이끌어낸다.
|
||||
- **Inference Engine (추론 엔진)**:
|
||||
- 지식 베이스(Knowledge Base)에 저장된 사실들을 바탕으로 사용자의 질문에 대한 답을 찾아가는 핵심 모듈. 순방향(Forward) 및 역방향(Backward) 추론 기법이 존재한다.
|
||||
- **SAT Solvers**:
|
||||
- 주어진 불리언 공식이 참이 될 수 있는지 판별하는 고도로 최적화된 알고리즘. 복잡한 스케줄링, 베리피케이션, 하드웨어 설계 검증에 필수적으로 사용된다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 최근에는 기호론적 추론과 딥러닝을 결합한 **Neuro-Symbolic AI**가 주목받고 있다. 딥러닝의 패턴 인식 능력과 기호론의 명확한 논리 구조를 결합하여 '설명 가능한 AI(XAI)'를 구축하는 것이 핵심 목표다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Automated-Theorem-Proving]] , [[Distributed-Systems-Engineering]]
|
||||
- Context: [[Information Theory]]
|
||||
@@ -1,27 +0,0 @@
|
||||
---
|
||||
id: P-REINFORCE-AI-REFACT
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.96
|
||||
tags: [Refactoring, Static Analysis, AI Code, Technical Debt]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Automated-Refactoring-Tools]] (자동 리팩토링 도구)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 코드는 생명체와 같아서 방치하면 썩는다. 자동 리팩토링 도구는 코드의 악취를 맡고 실시간으로 해독제를 주입하는 '시스템의 면역계'다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Static Analysis (정적 분석)**:
|
||||
- 코드를 실행하지 않고도 잠재적 버그, 중복 코드, 매직 넘버 등을 찾아내어 표준화된 스타일(Lint)로 교정한다.
|
||||
- **AI-Powered Code Assistant (Copilot, Cursor)**:
|
||||
- LLM을 활용하여 단순한 린트를 넘어, 함수의 복잡도를 낮추거나 비효율적인 루프를 고성능 패턴으로 바꾸는 지능적 제안을 수행한다.
|
||||
- **Code Transformation Engines**:
|
||||
- 대규모 프레임워크 업데이트(예: React 17 -> 18) 시 전체 코드 베이스를 기계적으로 변환하여 인간의 실수를 줄이고 마이그레이션 비용을 획기적으로 낮춘다 (e.g., CodeMods).
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 자동화 도구에 100% 의존하는 것은 위험하다. 비즈니스 맥락(Business Context)을 모르는 기계적 리팩토링은 때로 의도된 우회 코드를 파괴할 수 있다. 최종 검사(Human-in-the-loop)는 여전히 필수적인 관문이다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[React_Clean_Code_Best_Practices]] , [[Software Reliability]]
|
||||
- Foundation: [[System_Debugging_Protocol]]
|
||||
@@ -1,27 +0,0 @@
|
||||
---
|
||||
id: P-REINFORCE-SEC-AUDIT
|
||||
category: "[[10_Wiki/💡 Topics/Security]]"
|
||||
confidence_score: 0.97
|
||||
tags: [Security Audits, Automation, Compliance, AI]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Automated-Security-Audits]] (자동 보안 감사)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "감사는 1년에 한 번 하는 행사가 아니라, 매 순간 일어나는 이벤트여야 한다." Continuous Security를 지향하는 현대적 보안 감사의 핵심 원칙이다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Policy as Code (PaC)**:
|
||||
- 보안 규정(예: 모든 S3 버킷은 비공개여야 함)을 코드로 정의하고, 테라폼(Terraform)이나 쿠버네티스 배포 시 자동으로 검사한다.
|
||||
- **Compliance Monitoring**:
|
||||
- ISO 27001, SOC2 같은 국제 표준 준수 여부를 실시간 대시보드로 확인하고, 규정 위반 시 자동으로 티켓을 생성한다.
|
||||
- **AI Pen-Testing**:
|
||||
- AI 에이전트가 시스템의 약점을 수동태로 계속해서 찌르고 시뮬레이션하여(Red Teaming), 인간이 놓친 경로를 발굴한다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 자동화는 효율적이지만 '제로 데이(Zero-day)' 취약점 앞에서는 무력할 수 있다. 자동 감사는 알려진 위협(Known unknowns)을 막는 방패이며, 알려지지 않은 위협(Unknown unknowns)은 화이트 해커의 창의적 수동 분석이 여전히 필요하다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Security_Governance]] , [[SAST]]
|
||||
- Strategy: [[Reliability_Safety_First]]
|
||||
@@ -1,27 +0,0 @@
|
||||
---
|
||||
id: P-REINFORCE-AI-THEOREM
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.94
|
||||
tags: [Theorem Proving, Coq, Lean, Formal Verification]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Automated-Theorem-Proving]] (자동 정기 증명 ATP)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "코드가 맞다"고 믿는 것이 아니라, 수학적으로 "틀릴 수 없음"을 컴퓨터가 강제로 증명하게 만드는 소프트웨어 신뢰성의 정점이다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Hilbert's Program & Decidability**:
|
||||
- 모든 수학적 명제를 기계적으로 판별할 수 있는지에 대한 질문에서 시작되었다. 비록 불완전성 정리에 의해 한계가 밝혀졌으나, 특정 영역에서의 자동 증명은 비약적으로 발전했다.
|
||||
- **Formal Verification (형식 검증)**:
|
||||
- 운영체제 커널(seL4)이나 금융 스마트 컨트랙트처럼 단 하나의 버그도 허용되지 않는 곳에서, 프로그램이 사양(Specification)대로 동작함을 논리적으로 입증한다.
|
||||
- **Lean & Coq (Proof Assistants)**:
|
||||
- 최근 AI(LLM)와 결합하여 인간이 수학 문제를 풀 듯 증명 과정을 생성하고 검증하는 '대화형 증명 도우미'가 대세다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- ATP는 엄청난 계산 자원을 소모하는 '탐색 문제'다. 모든 경로를 다 뒤지는 대신, 최근에는 신경망이 증명 전략(Tactics)을 제안하고 ATP가 이를 검증하는 하이브리드 방식이 각광받고 있다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Automated-Reasoning]] , [[Amazon-AWS-Formal-Verification]]
|
||||
- Foundation: [[Computational Thinking]]
|
||||
@@ -1,29 +0,0 @@
|
||||
---
|
||||
id: P-REINFORCE-AI-004
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.91
|
||||
tags: [ai, slam, mapping, autonomous]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "batch-reinforce-05"
|
||||
---
|
||||
|
||||
# [[Automated Mapping & SLAM]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 미지의 공간을 탐사함과 동시에 자신의 위치를 파악하여 정밀한 지도를 그려내는 자율 주행의 눈과 지능.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** LiDAR/카메라 데이터 퓨전을 통해 특징을 추출하고, 루프 폐쇄(Loop Closure)를 통해 지도 정합의 오차를 보정하며 전역 일관성을 확보하는 패턴.
|
||||
- **세부 내용:**
|
||||
- 4단계 매핑 파이프라인: 데이터 획득 -> 특징 추출 -> 위상 구조 생성 -> 전역 최적화.
|
||||
- 번들 조정(Bundle Adjustment)을 통한 그래프 기반 최적화 기법 적용.
|
||||
- 고정밀(HD) 지도 자동 생성 및 실시간 업데이트 로직.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 수동 지도 제작 방식에서 센서 기반의 완전 자율 매핑 시스템으로의 패러다임 변화.
|
||||
- **정책 변화:** 지식 구조(w2) 관점에서 자율 주행 에이전트의 '공간 지능' 핵심 요소로 정의.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Parent:** [[10_Wiki/💡 Topics/AI]]
|
||||
- **Related:** [[Computer_Vision]], [[VPS_NeRF]], [[Spatial-Computing]]
|
||||
- **Raw Source:** [[00_Raw/2026-04-20/Automated-Map-Generation.md]]
|
||||
@@ -1,35 +0,0 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-9B8C6B
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - Autonomous-Polling-Wait-Automation"
|
||||
---
|
||||
|
||||
# [[Autonomous-Polling-Wait-Automation]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> Deep Research 작업의 완료를 에이전트가 스스로 감지하고, "가져오기" 버튼을 누를 필요 없이 즉시 데이터를 수집하는 지능형 대기 시스템입니다. 10초 단위의 상태 폴링(Polling)을 통해 NotebookLM의 작업 상태를 모니터링하며, 완료 시점에 즉각적으로 다음 단계(Synthesis)로 전이됩니다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
NotebookLM의 'Deep Research' 기능은 대규모 데이터를 처리하므로 평균 3~10분의 시간이 소요됩니다. 이전 버전에서는 사용자가 브라우저를 모니터링하다가 수동으로 '합성하기' 버튼을 눌러야 루프가 이어졌으나, 이를 다음과 같이 자동화했습니다.
|
||||
|
||||
1. **State Polling Interface**: `research_status` API를 호출하여 작업의 진행 상태를 JSON 형태로 실시간 수집합니다.
|
||||
2. **Hybrid Wait Strategy**:
|
||||
- **Auto Mode**: 최대 10분(60회 폴링) 동안 'completed' 상태를 추적하며, 감지 즉시 `research_import`를 실행합니다.
|
||||
- **Manual Fallback**: 만약 10분이 지나도 완료되지 않거나 네트워크 오류가 발생하면, 시스템은 중단되지 않고 다시 '수동 대기' 모드로 전환되어 사용자의 판단을 기다립니다.
|
||||
3. **Promise-Level Sync**: JavaScript의 비동기 제어 구조(Async/Await)를 활용하여, 폴링 루프가 도는 동안 엔진의 메인 루프를 안전하게 일시 정지(Suspend) 시킵니다.
|
||||
|
||||
이 자동화로 인해 에이전트는 진정한 의미의 '잠들지 않는 연구원'이 되었으며, 대규모 지식 수집 시 사용자의 피로도를 획기적으로 낮추었습니다.
|
||||
|
||||
## ⚠️ 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:** [[NotebookLM-Automated-Authentication-CLI]], [[Autonomous-Loop-State-Machine]]
|
||||
- **Projects/Contexts:** [[P-Reinforce-Agent-v2.6]]
|
||||
- **Contradictions/Notes:** 너무 잦은 폴링은 API 할당량(Quota) 이슈를 유발할 수 있으므로 10초 간격이 권장됩니다.
|
||||
- Raw Source: [[00_Raw/2026-04-20/Autonomous-Polling-Wait-Automation.md]]
|
||||
---
|
||||
@@ -1,27 +0,0 @@
|
||||
---
|
||||
id: P-REINFORCE-AI-PATHPLAN
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.98
|
||||
tags: [Path Planning, A* Algorithm, Robotics, Autonomous Vehicle]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Autonomous-Vehicle-Path-Planning]] (자율주행 경로 계획)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 경로 계획은 '가장 빠른 길'을 찾는 것이 아니라, '안전하고 부드러우며 예측 가능한' 움직임을 실시간으로 설계하는 확률적 탐색이다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Global Path Planning**:
|
||||
- 출발지에서 목적지까지의 거시적인 경로를 설정한다. 고전적인 **A* (A-star)** 알고리즘이나 **Dijkstra** 알고리즘이 지도 데이터 위에서 작동한다.
|
||||
- **Local Motion Planning (실시간 회피)**:
|
||||
- 갑자기 튀어나오는 보행자나 장애물을 피하기 위한 미시적인 궤적 최적화. **RRT* (Rapidly-exploring Random Tree)**나 **Hybrid A*** 등이 사용된다.
|
||||
- **Behavioral Decision (판단 레이어)**:
|
||||
- 차선 변경, 추월, 일단 정지 등 도로의 법규(Traffic Laws)와 에티켓을 반영한 의사결정 알고리즘과 물리적 제어를 결합한다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 과거에는 규칙 기반(Rule-based) 알고리즘이 주류였으나, 최근에는 복잡한 도심 상황을 해결하기 위해 'End-to-End' 딥러닝 방식과 '전통적 플래닝'을 결합한 계층적 구조가 표준으로 자리 잡았다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Systemic_Simulation_Principles]] , [[Robotic Manipulation]]
|
||||
- Context: [[Digital Twins]]
|
||||
-33
@@ -1,33 +0,0 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-FB7EF7
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - Axify"
|
||||
---
|
||||
|
||||
# [[Axify]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> Axify는 엔지니어링 리더와 소프트웨어 개발 팀의 생산성 및 배포 성과를 측정하고 최적화하도록 돕는 플랫폼입니다 [1-3]. DORA 지표, 가치 흐름 매핑(VSM), 개발자 생산성 등 다양한 소프트웨어 엔지니어링 지표를 실시간으로 추적 및 시각화합니다 [2, 4]. 특히 AI 기반 코드 리뷰 도구 등 새로운 기술의 도입이 개발 주기와 실제 배포 결과에 미치는 영향을 객관적인 데이터로 비교하고 분석하는 기능을 제공합니다 [5, 6].
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **소프트웨어 딜리버리 및 지표 추적:** Axify는 DORA 지표 대시보드, 소프트웨어 엔지니어링 지표 추적, 목표 설정 및 진행률 보고 기능을 제공합니다 [2, 7]. 또한 가치 흐름 매핑(Value Stream Mapping)을 통해 전체 소프트웨어 개발 과정의 시각적 지도를 제공하여 배포 효율성을 높입니다 [2, 4].
|
||||
- **Axify Intelligence:** 엔지니어링 리더를 위한 AI 의사결정 파트너 기능입니다 [1, 2]. 범용 LLM과 달리 조직의 실제 저장소, 파이프라인, 과거 장애 기록 등 실제 전송 데이터를 기반으로 분석을 수행합니다 [8]. 지표가 변동된 원인을 설명하고 구체적인 워크플로우 조정 방안을 추천하며, 챗봇 인터페이스를 통해 사용자가 직접 질문하고 권장 조치를 적용할 수 있습니다 [8].
|
||||
- **AI 도입 영향(AI Impact) 측정:** AI 리뷰 에이전트와 같은 도구 도입 시, 단순한 사용량 지표(가짜 지표)가 아니라 팀 단위의 실제 PR(Pull Request) 주기 시간, 최초 리뷰까지의 시간, AI 지원 커밋 비율, 제안 수락률 등의 실질적 행동 변화를 추적합니다 [9-11]. 나아가 PR 데이터와 배포 데이터를 연결하여 배포 빈도 및 변경 리드 타임(Lead time for changes)이 AI 도입 전후로 어떻게 달라졌는지 명확한 추세 분석을 가능하게 합니다 [10, 12].
|
||||
- **통합성 및 활용 사례:** Slack, Microsoft Teams, Jira, Azure DevOps, GitHub, GitLab 등 개발팀이 널리 사용하는 기존 도구들과 원활하게 통합됩니다 [7]. Axify를 도입한 BDC는 최대 51%의 배포 속도 향상을, Newforma는 22배 많은 배포 성과를 달성한 사례가 있습니다 [13].
|
||||
|
||||
## ⚠️ 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:** [[Axify Intelligence]], [[DORA Metrics]], [[Value Stream Mapping]]
|
||||
- **Projects/Contexts:** [[AI Adoption and Impact Measurement]], [[Developer Productivity Tracking]]
|
||||
- **Contradictions/Notes:** 소스 내에서 상충되는 의견은 발견되지 않았습니다. 다만 Axify는 새로운 AI 리뷰 도구를 단순히 설치하거나 제안 횟수 자체를 세는 것(Vanity metrics)만으로는 배포 개선을 증명할 수 없다고 지적하며, 실제 성과(DORA 지표 등)로 이어지는지 측정하는 것의 중요성을 강조합니다 [5, 9, 14].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-18*
|
||||
- Raw Source: [[00_Raw/2026-04-20/Axify.md]]
|
||||
---
|
||||
@@ -1,35 +0,0 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-6BDC0C
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - Azure DevOps"
|
||||
---
|
||||
|
||||
# [[Azure DevOps]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 소스에 관련 정보가 부족합니다. 주어진 소스에서는 Azure DevOps 자체에 대한 구체적인 정의나 기능에 대한 설명이 없으며, 단지 다른 소프트웨어 분석 및 관리 도구들이 연동을 지원하는 여러 개발 플랫폼 중 하나로만 간략히 언급되어 있습니다 [1, 2].
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
소스에 관련 정보가 부족합니다.
|
||||
|
||||
제공된 소스에서 파악할 수 있는 Azure DevOps에 대한 단편적인 정보는 다음과 같습니다:
|
||||
* **도구 통합(Integrations) 플랫폼으로서의 활용:**
|
||||
* AI 코드 리뷰 및 코드 품질/보안 검증 도구인 **SonarQube**는 개발자의 워크플로우를 지원하기 위해 GitHub, Bitbucket, GitLab 등과 함께 Azure DevOps와의 통합을 제공합니다 [1].
|
||||
* 소프트웨어 엔지니어링 팀의 DORA 지표 측정 및 생산성 분석 도구인 **Axify** 또한 Slack, Microsoft Teams, Jira 등의 도구와 더불어 Azure DevOps와의 연동을 지원합니다 [2].
|
||||
|
||||
## ⚠️ 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:** [[SonarQube]], [[Axify]]
|
||||
- **Projects/Contexts:** 외부 AI 코드 리뷰 도구 및 엔지니어링 생산성 분석 대시보드와의 파트너십 및 시스템 통합(Integration) 맥락 환경 [1, 2]
|
||||
- **Contradictions/Notes:** 소스에 관련 정보가 부족합니다.
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-19*
|
||||
- Raw Source: [[00_Raw/2026-04-20/Azure DevOps.md]]
|
||||
---
|
||||
@@ -1,27 +0,0 @@
|
||||
---
|
||||
id: P-REINFORCE-AI-B-TREE
|
||||
category: "[[10_Wiki/💡 Topics/Programming & Language]]"
|
||||
confidence_score: 0.99
|
||||
tags: [B-Tree, Data Structure, DB, Indexing]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[B-Tree]] (B-트리)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "디스크의 느린 속도를 이겨내는 최적의 균형." 한 노드에 여러 데이터를 담고 층수를 낮게 유지하여, 수백만 건의 데이터도 단 3~4번의 읽기만으로 찾아내는 인덱스의 제왕이다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Multi-way Search Tree**:
|
||||
- 이진 트리(2-way)와 달리 노드 하나가 수십~수백 개의 자식을 가질 수 있다. 이를 통해 트리의 높이(Height)를 극적으로 낮춘다.
|
||||
- **Self-Balancing**:
|
||||
- 데이터가 추가되거나 삭제될 때마다 스스로 노드를 분할(Split)하거나 합치며(Merge) 높이 균형을 유지한다. 언제나 탐색 속도가 보장된다.
|
||||
- **Disk I/O Efficiency**:
|
||||
- 노드 한 개의 크기를 하드디스크의 한 블록(Page) 크기에 맞춰 설계하여, 한 번의 스핀으로 최대한 많은 정보를 읽어오게 한다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 현대의 SSD 환경에서는 랜덤 액세스 속도가 빨라져서 B-Tree 계열 외에도 LSM-Tree(NoSQL 등에서 사용) 같은 다양한 변종이 사용된다. 하지만 여전히 관계형 DB(MySQL, PostgreSQL)의 기본 인덱스는 B+Tree(B-Tree의 계층형 변형)가 압도적 표준이다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Distributed-Systems-Engineering]] , [[Combinatorial-Optimization]]
|
||||
- Foundation: [[Computational Thinking]]
|
||||
@@ -1,27 +0,0 @@
|
||||
---
|
||||
id: P-REINFORCE-AI-BACKPROP
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 1.0
|
||||
tags: [Backpropagation, Deep Learning, Gradient Descent, Optimization]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Backpropagation]] (역전파)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "실수를 뒤에서부터 고쳐 나가는 지혜." 출력층에서 발생한 오차(Loss)가 각 신경망 층의 가중치(Weight)에 얼마나 기여했는지 거꾸로 계산하며 효율적으로 학습시키는 딥러닝의 핵심 학습 메커니즘이다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Chain Rule (미분의 연쇄 법칙)**:
|
||||
- 전체 오차를 각 파라미터로 미분하기 위해, 각 단계의 부분 미분값을 곱해 나가는 미적분학적 과정.
|
||||
- **Gradient Computation**:
|
||||
- 모든 파라미터에 대한 경사도(Gradient)를 한 번에 계산하여, 경사 하강법(Gradient Descent)을 통해 신경망을 정답에 가깝게 업데이트한다.
|
||||
- **Efficiency**:
|
||||
- 모든 파라미터를 개별적으로 미분하는 것보다 수백만 배 빠르며, 이로 인해 수조 개의 파라미터를 가진 거대 모델의 학습이 가능해졌다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 층이 너무 깊어지면 미분값이 0으로 사라지는 'Vanishing Gradient' 문제가 발생한다. 이를 위해 ReLU 활성화 함수나 ResNet 같은 잔차 연결(Residual Connection) 기술이 보완적으로 사용된다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Deep-Learning-Architecture-Patterns]] , [[Gradient-Descent]]
|
||||
- Foundation: [[Computational Theory & Math/Information Theory]]
|
||||
@@ -1,35 +0,0 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-E3E3EF
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - Baseline Project"
|
||||
---
|
||||
|
||||
# [[Baseline Project]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> Baseline Project는 Chrome, Edge, Firefox, Safari 등 주요 웹 브라우저에서 최소 30개월 이상 지속적으로 지원된 '널리 사용 가능한 브라우저 API(widely available browser APIs)'를 정의하는 프로젝트입니다 [1]. 이 프로젝트는 특정 웹 플랫폼 기능이 언제부터 모든 주요 브라우저에서 안전하게 사용될 수 있는지에 대한 타임라인을 제공하여 개발자들을 돕습니다 [1]. 브라우저의 네이티브 지원이 확대되어 베이스라인 기능이 늘어나면, 대체용 JavaScript 사용량이 줄어들어 결과적으로 웹 성능이 향상되는 이점이 있습니다 [2].
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **정의 및 기준:** Baseline Project는 Chrome, Edge, Firefox, Safari 브라우저 모두에서 최소 30개월 동안 지원된 브라우저 API 기능들을 묶어 '널리 사용 가능한(widely available)' 기능으로 정의합니다 [1].
|
||||
- **성능 측정과 타임라인:** 지원되는 API 중 일부는 비교적 최근에 추가된 것일 수 있으며, Rick Viscomi가 만든 웹사이트를 통해 다양한 기능들이 언제 베이스라인으로 편입되었거나 될 예정인지 보여주는 타임라인을 확인할 수 있습니다 [1]. 예를 들어, Safari가 2023년에 '리소스 크기 측정(Measuring resources size)'과 '서버 타이밍 수집(Collecting server timings)' 기능 지원을 개선함에 따라, 해당 기능들은 2025년 9월을 기점으로 베이스라인이 되었습니다 [1, 2].
|
||||
- **주요 편입 기능 및 향후 예정:**
|
||||
- 컨테이너 쿼리(container queries), CompressionStream API, MathML 렌더링 기능은 2025년부터 널리 사용 가능한 베이스라인으로 편입되었습니다 [2].
|
||||
- 이미지 포맷인 AVIF는 2026년 7월에 널리 사용 가능한 상태가 될 것이며, 리소스 로딩 우선순위를 정하는 `fetchpriority` 속성은 2027년 4월에 베이스라인에 편입될 예정입니다 [3].
|
||||
- **웹 성능에 미치는 영향:** 새로운 기능들이 네이티브 웹 플랫폼에서 널리 지원되어 베이스라인 수준에 도달하면, 이를 구현하기 위해 필요했던 JavaScript 코드의 양이 줄어들게 되어 결과적으로 더 나은 웹 성능을 제공할 수 있게 됩니다 [2].
|
||||
|
||||
## ⚠️ 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:** [[Browser APIs]], [[Web Performance]]
|
||||
- **Projects/Contexts:** [[Web Platform Features]]
|
||||
- **Contradictions/Notes:** 소스에 관련 정보가 부족합니다.
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-19*
|
||||
- Raw Source: [[00_Raw/2026-04-20/Baseline Project.md]]
|
||||
---
|
||||
@@ -1,29 +0,0 @@
|
||||
---
|
||||
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]]
|
||||
@@ -1,27 +0,0 @@
|
||||
---
|
||||
id: P-REINFORCE-AI-FINANCE
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.98
|
||||
tags: [Behavioral Finance, Psychology, Market, Investment]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Behavioral-Finance]] (행동 재무학)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 주식 시장은 '가치'가 아니라 '군중의 광기와 공포'에 의해 움직이며, 이 비합리적 패턴을 수학적으로 모델링하여 초과 수익(Alpha)을 찾는 학문이다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Overconfidence Bias (자기과신 편향)**:
|
||||
- 자신이 평균보다 정보를 더 잘 해석한다고 믿는 착각. 이로 인해 과도한 거래가 발생하고 수수료로 수익이 깎이는 현상이 발생한다.
|
||||
- **Herd Behavior (群集 심리)**:
|
||||
- 뚜렷한 근거 없이 남들이 사니까 따라 사는 것. 버블(Bubble)이 형성되고 붕괴되는 심리적 메커니즘의 핵심이다.
|
||||
- **Mental Accounting (심적 회계)**:
|
||||
- 공짜로 얻은 돈과 힘들게 번 돈을 다르게 대하는 태도. 도박꾼의 오류(Gambler's Fallacy)와 연결되어 비합리적인 베팅을 유도한다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 행동 재무학은 시장의 비합리성을 말하지만, 이를 이용해 돈을 버는 것은 또 다른 문제다(효율적 시장 가설과의 충돌). 최근에는 AI를 통해 소셜 미디어의 감정(Sentiment)을 분석하여 군중 심리를 정량화하는 고도화된 퀀트(Quant) 전략이 사용된다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Behavioral-Economics]] , [[Game Design Theory]]
|
||||
- Foundation: [[Information Theory]]
|
||||
@@ -1,27 +0,0 @@
|
||||
---
|
||||
id: P-REINFORCE-AI-BEHAVE
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.97
|
||||
tags: [Behavioral Economics, Human Factor, Nudge, Psychology]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Behavioral-Economics]] (행동 경제학)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 인간은 합리적이지 않다. 다만 '예측 가능하게 비합리적'일 뿐이다. 이 비합리성의 패턴을 이해하는 것이 최고의 사용자 경험(UX)을 만드는 열쇠다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Loss Aversion (손실 회피)**:
|
||||
- 10,000원을 얻었을 때의 기쁨보다 10,000원을 잃었을 때의 고통이 훨씬 크다. 이 기제로 인해 사람들은 변화를 거부하고 형상 유지(Status Quo Bias)를 선호한다.
|
||||
- **Anchoring Effect (닻 내림 효과)**:
|
||||
- 처음 제시된 정보(가격 등)가 기준점이 되어 이후 모든 판단에 영향을 준다. 할인 전 가격을 크게 써놓는 상술의 근거다.
|
||||
- **Nudge (넛지)**:
|
||||
- 명령이나 금지가 아니라, 선택 설계(Choice Architecture)를 통해 타인의 행동을 부드럽게 유도하는 기술 (예: 소변기의 파리 그림, 디폴트 옵션 설정).
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 행동 경제학의 실험들은 최근 '재현성 위기'를 겪고 있다. 특정 실험실 환경에서의 결과가 실제 웹 환경이나 문화권마다 다르게 나타날 수 있음을 인지하고, 항상 자사 서비스에서의 자가 테스트(A/B Test)가 병행되어야 한다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Nudge Theory]] , [[A_B-Testing-Platforms]]
|
||||
- Design: [[Design_Psychology]]
|
||||
@@ -1,27 +0,0 @@
|
||||
---
|
||||
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]]
|
||||
@@ -1,27 +0,0 @@
|
||||
---
|
||||
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]]
|
||||
@@ -1,27 +0,0 @@
|
||||
---
|
||||
id: P-REINFORCE-AI-BERT
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.99
|
||||
tags: [BERT, NLP, Transformer, Language Model, Transfer Learning]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Bert-Language-Model]] (BERT 언어 모델)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "단어의 앞뒤 맥락을 동시에 읽는 천재." 문장을 왼쪽에서 오른쪽으로만 읽던 기존 방식을 탈피하여, 양방향(Bidirectional)으로 문맥을 파악해 언어 이해 능력을 극대화한 트랜스포머 기반 모델이다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Masked Language Model (MLM)**:
|
||||
- 문장의 일부 단어를 가리고(Masking), 주변 단어들을 통해 가려진 단어를 맞추는 방식으로 언어의 구조를 스스로 학습한다.
|
||||
- **Next Sentence Prediction (NSP)**:
|
||||
- 두 문장이 이어지는 문장인지 판단하는 태스크를 통해 문장 간의 관계와 논리적 흐름을 파악한다.
|
||||
- **Transfer Learning**:
|
||||
- 방대한 텍스트로 미리 학습(Pre-training)된 BERT를 특정 작업(질의응답, 감성 분석 등)에 맞춰 살짝 미세 조정(Fine-tuning)하여 최강의 성능을 낸다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- BERT는 '이해'는 뛰어나지만 '생성(Generation)'에는 적합하지 않다. 생성형 AI 시대에는 GPT 같은 디코더(Decoder) 기반 모델이 주류지만, 검색이나 분류 같은 분석 작업에서는 여전히 BERT가 가성비 최고의 왕좌를 지키고 있다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Transformer-Architecture]] , [[Natural-Language-Processing]]
|
||||
- Context: [[Artificial-Intelligence]]
|
||||
@@ -1,29 +0,0 @@
|
||||
---
|
||||
id: P-REINFORCE-SEC-TOOLS
|
||||
category: "[[10_Wiki/💡 Topics/Security]]"
|
||||
confidence_score: 0.98
|
||||
tags: [SAST, Security Tools, 2026, Snyk, SonarQube]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Best-SAST-Tools-in-2026]] (2026년 최고의 SAST 도구)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "도구는 똑똑해졌고, 개발자는 더 안전해졌다." 2026년 현재, 단순 패턴 매칭을 넘어 코드의 '의도'를 파악하는 AI 기반 보안 도구가 시장을 지배하고 있다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **SonarQube (Professional Edition)**:
|
||||
- 코드 품질과 결합된 전통의 강자. 최근 딥러닝 엔진을 탑재하여 정교한 데이터 흐름 분석 기능을 강화했다.
|
||||
- **Snyk (Developer First)**:
|
||||
- 개발자 친화적인 UI와 강력한 오픈소스 라이브러리 취약점 관리(SCA)를 동시에 제공한다. PR 단계에서 즉각적인 수정을 제안한다.
|
||||
- **Checkmarx One**:
|
||||
- 엔터프라이즈 환경에서 수천 개의 마이크로서비스를 통합 관리할 수 있는 가시성을 제공한다.
|
||||
- **GitHub Advanced Security (CodeQL)**:
|
||||
- 깃허브 네이티브 환경에서 코드를 쿼리처럼 검색하여 취약점을 찾는 독보적인 기능을 제공한다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 최고 사양의 도구를 도입하더라도, 조직의 '문화(DevSecOps)'가 뒷받침되지 않으면 무용지물이다. 경고를 무시하지 않고 즉각 대응하는 거버넌스(Governance) 프로세스가 도구의 성능보다 중요하다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[SAST (Static Application Security Testing)]] , [[Deployment_Final_Gate]]
|
||||
- Context: [[Modern_Environment_Ecosystem]]
|
||||
@@ -1,27 +0,0 @@
|
||||
---
|
||||
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]]
|
||||
@@ -1,25 +0,0 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-F28615
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - Best-of-N Sampling (최적 샘플링)"
|
||||
---
|
||||
|
||||
# [[Best-of-N Sampling (최적 샘플링)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 지식 요약 정보 추출 중...
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
본문 구조화 작업 중...
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요.
|
||||
- **정책 변화:** AI 분야의 자동 자산화 수행.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
|
||||
- Raw Source: [[00_Raw/2026-04-20/Best-of-N Sampling (최적 샘플링).md]]
|
||||
---
|
||||
@@ -1,27 +0,0 @@
|
||||
---
|
||||
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]]
|
||||
@@ -1,27 +0,0 @@
|
||||
---
|
||||
id: P-REINFORCE-AI-BIAS-CORR
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.98
|
||||
tags: [Bias Correction, AI Ethics, Algorithmic Fairness, Statistics]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Bias-Correction-Algorithm]] (편향 보정 알고리즘)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "데이터의 편견은 모델의 차별이 된다." 특정 인구통계학적 특성에 치우친 데이터를 수학적으로 재조정하여, AI가 공정하고 객관적인 판결을 내리도록 강제하는 기술적 윤리 장치다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Pre-processing Techniques**:
|
||||
- 학습 전 데이터셋에서 편향된 샘플의 가중치를 조절하거나(Reweighing), 정보를 제거하여 모델이 편견을 학습하지 못하게 한다.
|
||||
- **In-processing Approaches**:
|
||||
- 손실 함수(Loss function)에 '공정성 제약 조건'을 추가하여, 정확도뿐만 아니라 공정성 점수도 함께 최적화한다.
|
||||
- **Post-processing Calibration**:
|
||||
- 모델의 예측 결과가 나온 뒤, 특정 집단에 대해 임계값(Threshold)을 조정하여 최종 출력의 균형을 맞춘다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 과도한 편향 보정은 모델의 전반적인 정확도(Accuracy)를 떨어뜨릴 수 있다. '정확도와 공정성 사이의 트레이드오프'를 비즈니스 가치에 맞게 합의하는 의사결정이 기술보다 더 중요하다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[AI-Ethics]] , [[Bias-Variance-Tradeoff]]
|
||||
- Strategy: [[Reliability_Safety_First]]
|
||||
@@ -1,27 +0,0 @@
|
||||
---
|
||||
id: P-REINFORCE-AI-BIAS-VAR
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 1.0
|
||||
tags: [Bias Variance Tradeoff, Overfitting, Underfitting, Machine Learning]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Bias-Variance-Tradeoff]] (편향-분산 트레이드오프)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "너무 단순해도, 너무 복잡해도 망한다." 모델이 데이터를 너무 대충 배워 생기는 오차(Bias)와, 너무 깐깐하게 배워 생기는 오차(Variance) 사이의 황금 밸런스를 찾는 머신러닝의 숙명적 과제다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **High Bias (Underfitting)**:
|
||||
- 모델이 너무 단순하여 데이터의 본질적 패턴을 잡지 못함. (예: 곡선을 직선으로 설명하려 할 때)
|
||||
- **High Variance (Overfitting)**:
|
||||
- 모델이 너무 복잡하여 데이터의 노이즈까지 다 외워버림. 새로운 데이터를 넣으면 엉뚱한 결과가 나옴.
|
||||
- **Total Error Reduction**:
|
||||
- 편향과 분산의 합이 최소가 되는 지점이 바로 모델의 일반화 성능(Generalization)이 가장 높은 구간이다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 최근의 초거대 모델(LLM)들은 'Double Descent' 현상에 의해, 모델을 극한으로 키우면 오히려 분산이 다시 줄어들며 성능이 좋아지는 기이한 현상이 발견되고 있다. 이는 전통적인 트레이드오프 이론을 재정립하게 만들고 있다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Regularization-Techniques]] , [[Model-Optimization-Strategies]]
|
||||
- Foundation: [[Computational Theory & Math/Information Theory]]
|
||||
@@ -1,27 +0,0 @@
|
||||
---
|
||||
id: P-REINFORCE-AI-BIOSHOCK
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.98
|
||||
tags: [BioShock, Game AI, Immersive Sim, Narrative AI]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[BioShock-(2007)]] (바이오쇼크의 서사적 AI)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "생태계가 살아있는 것처럼 느껴지게 하라." 바이오쇼크의 AI는 플레이어를 사냥하는 적이 아니라, 자기들만의 규칙(Big Daddy-Little Sister)에 따라 살아가는 '유기적인 배우'들이다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Ecological Interaction (생태계적 상호작용)**:
|
||||
- AI가 플레이어에게만 반응하는 것이 아니라, 세계관 내의 다른 AI들과 특유의 관계(보호-수집)를 맺으며 독자적인 '상태 기계(FSM)'를 돌린다.
|
||||
- **Environmental Narrative (환경적 서사)**:
|
||||
- AI의 배치와 일상적인 행동 자체가 랩처(Rapture)라는 몰락한 도시의 비극을 설명하는 장치로 활용된다.
|
||||
- **Emergent Gameplay**:
|
||||
- 플라스미드(능력)와 AI의 속성이 충돌하며 플레이어가 예상치 못한 전략(예: 해킹된 터렛으로 빅대디 유인)을 창출하게 만든다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 지금 보면 바이오쇼크의 AI는 매우 단순한 규칙 기반 시스템이다. 하지만 '서사(Narrative)'와 결합했을 때, 그 단순함은 오히려 예측 가능한 몰입감을 제공했다. 현대의 비선형적 AI보다 '의도된 연출'이 게임 디자인에서 얼마나 강력한지 보여주는 사례다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[BioShock-Critique]] , [[Game Design Theory]]
|
||||
- Foundation: [[Collective-Intelligence]]
|
||||
@@ -1,27 +0,0 @@
|
||||
---
|
||||
id: P-REINFORCE-AI-BIOSHOCK-CRIT
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.96
|
||||
tags: [BioShock, Critique, Ludonarrative Dissonance, Game Design]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[BioShock-Critique]] (바이오쇼크 비평)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "이야기는 자유를 갈구하지만, 시스템은 살육을 강요한다." 루도내러티브 디스너넌스(Ludonarrative Dissonance)라는 용어를 대중화시킨 불완전한 걸작이다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Ludonarrative Dissonance**:
|
||||
- 대의(Objectivism 비판)를 말하는 서사와 닥치는 대로 자원을 약탈하고 살인하는 게임 시스템 간의 괴리. 클린트 호킹이 이 지점에서 바이오쇼크를 날카롭게 비판했다.
|
||||
- **False Agency (거짓 주체성)**:
|
||||
- "Would you kindly?" 반전은 플레이어의 선택이 실제로는 프로그래밍된 선형적 경로였음을 폭로하며, 게임 매체 자체의 본질을 메타적으로 공격한다.
|
||||
- **Atmospheric Success**:
|
||||
- 시스템적 모순에도 불구하고, 아르 데코 스타일과 사운드 디자인이 결합된 '공간의 힘'이 모든 단점을 압도하는 몰입감을 생성했다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 후속작인 `BioShock Infinite`에서는 이 디스너넌스가 더 심화되었다는 평이 많다. 이는 '서사를 중시하는 AAA 게임'이 가진 고질적인 한계(System vs Story)를 보여주는 지침석이다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[BioShock (2007)]] , [[Game Design Theory]]
|
||||
- Context: [[Behavioral-Economics]]
|
||||
@@ -1,27 +0,0 @@
|
||||
---
|
||||
id: P-REINFORCE-SCI-BIOEN
|
||||
category: "[[10_Wiki/💡 Topics/Science]]"
|
||||
confidence_score: 0.95
|
||||
tags: [Bioenergetics, Metabolism, ATP, Thermodynamics]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Bioenergetics]] (생체 에너지학)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 생명체는 '열역학 제2법칙(엔트로피 증가)'에 저항하여 에너지를 수집하고 변환함으로써 질서를 유지하는 경이로운 화학 공장이다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **ATP (Adenosine Triphosphate)**:
|
||||
- 생명체의 '에너지 통화'. 세포 내에서 모든 화학적 활동을 수행하기 위해 사용되는 충전지 같은 분자다.
|
||||
- **Thermodynamics in Biology**:
|
||||
- 생명체는 고립계가 아니므로 자유 에너지(Gibbs Free Energy)를 외부에서 섭취하여 상태를 유지한다. 이 과정의 효율성은 기계보다 압도적으로 높다.
|
||||
- **Metabolism (신진대사)**:
|
||||
- 에너지를 얻는 이화 작용(Catabolism)과 질서를 만드는 동화 작용(Anabolism)의 끊임없는 순환 과정.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 인공지능이 생명체의 에너지 효율을 모사하는 **Neuromorphic Computing** 연구가 활발하다. 현재 AI 모델은 생물학적 뇌보다 수백만 배 많은 에너지를 소모하므로, 생체 에너지학의 효율성 원리는 차세대 컴퓨팅의 영감이 된다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Information Theory]] , [[Complexity-Theory]]
|
||||
- Application: [[Digital Twins]]
|
||||
@@ -1,27 +0,0 @@
|
||||
---
|
||||
id: P-REINFORCE-SCI-BIOINFO
|
||||
category: "[[10_Wiki/💡 Topics/Science]]"
|
||||
confidence_score: 0.98
|
||||
tags: [Bioinformatics, AlphaFold, DNA Sequencing, Protein Structure]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Bioinformatics-Structure-Prediction]] (바이오 인포매틱스와 구조 예측)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 생명과학의 난제인 '단백질 접힘(Protein Folding)' 문제를 딥러닝(AlphaFold)으로 해결함으로써, 신약 개발과 질병 정복의 속도를 100배 이상 가속화했다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **DNA to Structure**:
|
||||
- DNA 서열 정보에서 단백질의 3D 입체 구조를 예측하는 것은 생물학의 성배였다. 이 구조가 결정되어야 약물이 어디에 결합할지(Docking) 알 수 있기 때문이다.
|
||||
- **AlphaFold (DeepMind)**:
|
||||
- 트랜스포머 아키텍처를 바이오 데이터에 이식하여 수십 년 걸리던 구조 분석을 단 며칠로 단축했다. 2억 개 이상의 단백질 구조 데이터를 전 세계에 공개하여 과학적 혁명을 일으켰다.
|
||||
- **Genome Sequencing**:
|
||||
- 대량의 염기 서열 데이터를 고속으로 처리하고 통계적으로 분석하여 유전병의 원인을 찾아내는 머신러닝 분석 기법.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 정적인 구조 예측을 넘어, 이제는 단백질이 시간에 따라 어떻게 움직이는지(Dynamics)를 예측하는 것이 다음 과제다. 이는 항암제와 같은 정밀 의료의 핵심이 된다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Digital Twins]] , [[Deep-Learning-Basics]]
|
||||
- Foundation: [[Information Theory]]
|
||||
@@ -1,27 +0,0 @@
|
||||
---
|
||||
id: P-REINFORCE-AI-BIO-INSPIRED
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.99
|
||||
tags: [Bio-Inspired Algorithms, Genetic Algorithms, Ant Colony Optimization, Evolution]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Biological-Inspired-Algorithms]] (생물 유래 알고리즘)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "자연은 수억 년 동안 검증된 최적화 라이브러리다." 진화, 군집 행동, 면역 체계 등 생물계의 생존 전략을 수학적으로 모델링하여 복잡한 공학적 난제를 해결하는 최적화 기법이다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Genetic Algorithms (GA)**:
|
||||
- 선택, 교차(Crossover), 변이(Mutation) 과정을 반복하며 가장 '적합한' 해를 찾아가는 다윈의 진화론 기반 알고리즘.
|
||||
- **Swarm Intelligence (ACO/PSO)**:
|
||||
- 개별 개체(개미, 새)는 단순하지만, 그들의 상호작용이 거대한 지능(최단 경로 찾기 등)을 만들어내는 현상을 이용한 최적화.
|
||||
- **Neural Networks**:
|
||||
- 뇌의 뉴런 연결 구조를 모방한 인공 신경망 역시 가장 거대한 생물 유래 알고리즘의 범주에 속한다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 자연 모방 알고리즘은 전역 최적해(Global Optimum)를 찾는 데 유용하지만, 수렴 속도가 느릴 수 있다. 따라서 최근에는 수학적인 경사 하강법과 하이브리드로 결합하여 '정밀도'와 '탐색 범위'를 동시에 잡는 추세다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Reinforcement-Learning]] , [[Algorithmic-Biology]]
|
||||
- Strategy: [[Innovation-Management]]
|
||||
@@ -1,27 +0,0 @@
|
||||
---
|
||||
id: P-REINFORCE-SCI-BIOMECH
|
||||
category: "[[10_Wiki/💡 Topics/Science]]"
|
||||
confidence_score: 0.96
|
||||
tags: [Biomechanics, Injury, Physics, Safety Engineering]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Biomechanics-of-Injury]] (부상 생체역학)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 인체는 정교한 '기계적 구조물'이며, 외부 충격 시 물리적 에너지가 조직의 한계치를 넘어서는 과정(부상)을 수학적으로 모델링하여 생명을 보호한다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Kinematics & Kinetics**:
|
||||
- 충돌 시 몸의 움직임(운동학)과 그 움직임을 유발하는 힘(운동역학)을 계산하여 뼈와 장기에 가해지는 부하를 예측한다.
|
||||
- **Tolerance Limit (임계치)**:
|
||||
- 각 신체 부위가 버틸 수 있는 최대 압력(Stress)과 변형률(Strain). 이를 넘어설 때 골절이나 파열이 발생하며, 차량 충돌 테스트 더미(Dummy)의 설계 기준이 된다.
|
||||
- **HIC (Head Injury Criterion)**:
|
||||
- 뇌진탕 등 머리 부상의 위험도를 가속도와 시간의 함수로 정량화한 지표.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 수동적인 보호 장치(에어백 등)를 넘어, 이제는 AI 시뮬레이션으로 수천 가지 사고 시나리오를 미리 돌려보고 부상을 획기적으로 줄이는 '액티브 세이프티(Active Safety)' 설계가 주류가 되고 있다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Autonomous-Vehicle-Path-Planning]] , [[Distributed-Systems-Engineering]]
|
||||
- Application: [[Digital Twins]]
|
||||
@@ -1,30 +0,0 @@
|
||||
---
|
||||
id: P-REINFORCE-SCI-BIOMETRIC
|
||||
category: "[[10_Wiki/💡 Topics/Science]]"
|
||||
confidence_score: 0.97
|
||||
tags: [Biometrics, Security, Authentication, Pattern Recognition]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Biometrics]] (생체 인식 보안)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 비밀번호는 '내가 아는 것(What you know)'이지만, 생체 인식은 '나 자신(What you are)'을 증명하는 것이며 가장 보안이 강력하지만 복구 불가능한 인증 수단이다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Physiological vs Behavioral**:
|
||||
- **생리학적 특성**: 지문, 안면, 홍채, 정맥 패턴 등 고정된 신체적 특징.
|
||||
- **행동적 특성**: 걸음걸이(Gait), 타이핑 리듬, 음성 등 개인이 가진 고유한 행동 패턴.
|
||||
- **FAR vs FRR (보안의 저울질)**:
|
||||
- **FAR (False Acceptance Rate)**: 타인을 나로 오인할 확률 (보안 위협).
|
||||
- **FRR (False Rejection Rate)**: 나를 타인으로 오인할 확률 (사용자 불편).
|
||||
- 이 두 지표가 만나는 지점(EER)을 최소화하는 것이 시스템 성능의 핵심이다.
|
||||
- **Anti-spoofing (Liveness Detection)**:
|
||||
- 사진이나 가짜 지문(Spoof)을 가려내기 위해 눈 깜빡임, 혈류 감지 등으로 실제 살아있는 신체인지 확인하는 기술.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 생체 정보는 한 번 유출되면 '비밀번호 변경'이 불가능하다. 따라서 생체 데이터를 서버에 날것으로 저장하지 않고, 암호화된 요약본(Hash)으로만 관리하는 분산 인증 프레임워크(FIDO)가 필수적이다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[System_Protocol_Standard]] , [[Deployment_Final_Gate]]
|
||||
- Foundation: [[Information Theory]]
|
||||
@@ -1,27 +0,0 @@
|
||||
---
|
||||
id: P-REINFORCE-AI-BLOOM-FILTER
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 1.0
|
||||
tags: [Bloom Filters, Probabilistic Data Structure, Search Optimization, Hashing]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Bloom-Filters]] (블룸 필터)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "없다는 것은 확실히 알지만, 있다는 것은 가끔 착각한다." 공간 효율성을 극대화한 확률적 자료구조로, 거대한 데이터 집합에서 특정 원소가 포함되어 있는지 '초고속'으로 확인하는 선별 장치다.
|
||||
|
||||
## 📖 구조化된 지식 (Synthesized Content)
|
||||
- **Probabilistic Membership**:
|
||||
- "원소가 집합에 있는가?"에 대해 "없음"(100% 확실) 또는 "있을지도 모름"(False Positive 발생 가능)으로 답한다.
|
||||
- **Space Efficiency**:
|
||||
- 실제 원소를 저장하지 않고 해시 함수와 비트 배열(Bit Array)만 사용하므로, 메모리 사용량을 획기적으로 줄인다.
|
||||
- **Use Cases**:
|
||||
- 데이터베이스의 불필요한 디스크 읽기 방지, 악성 URL 차단 목록 확인, 대규모 네트워크 라우팅 등에서 전방 필터로 활약한다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 블룸 필터의 성능 관건은 False Positive 확률을 낮추는 것이다. 비트 배열의 크기와 해시 함수의 개수를 데이터 양에 맞게 정밀하게 계산하는 수학적 튜닝이 필수적이다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Hash-Functions]] , [[Big-Data-Processing]]
|
||||
- Foundation: [[Computational Theory & Math/Information Theory]]
|
||||
@@ -1,27 +0,0 @@
|
||||
---
|
||||
id: P-REINFORCE-AI-BOOSTING
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 1.0
|
||||
tags: [Boosting, XGBoost, LightGBM, Gradient Boosting, Machine Learning]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Boosting-Algorithms-XGBoost-LightGBM]] (부스팅 알고리즘)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "오답 노트를 돌려보며 완벽해지는 군단." 약한 예측기(Weak Learners)를 순차적으로 학습시키되, 앞선 모델이 틀린 데이터에 가중치를 두어 성능을 계단식으로 끌어올리는 강력한 앙상블 기법이다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Gradient Boosting (GBM)**:
|
||||
- 잔여 오차(Residual Error)를 새로운 모델의 목표값으로 삼아 경사 하강법으로 오차를 줄여나가는 방식.
|
||||
- **XGBoost (Extreme Gradient Boosting)**:
|
||||
- GBM에 병렬 처리, 규제(Regularization) 기능을 더해 캐글(Kaggle) 등 데이터 경연 대회를 휩쓴 전설적인 라이브러리.
|
||||
- **LightGBM**:
|
||||
- 대규모 데이터셋에서 속도와 메모리 효율을 극대화한 알고리즘. 리프 중심(Leaf-wise) 분할 방식으로 더 깊고 정밀한 나무를 만든다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 부스팅 모델은 강력하지만 과적합(Overfitting)에 취약하다. 이를 위해 학습률(Learning rate)을 낮추고, 나무의 깊이를 제한하며, 조기 종료(Early stopping) 전략을 반드시 사용해야 한다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Decision-Tree]] , [[Bias-Variance-Tradeoff]]
|
||||
- Tool: [[Data-Science-Toolkit]]
|
||||
@@ -1,27 +0,0 @@
|
||||
---
|
||||
id: P-REINFORCE-AI-BOUNDED-CONTEXT
|
||||
category: "[[10_Wiki/💡 Topics/Software Architecture]]"
|
||||
confidence_score: 0.99
|
||||
tags: [DDD, Bounded Context, Software Architecture, Domain]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Bounded-Contexts]] (제한된 맥락)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "모두를 위한 언어는 아무도 위한 언어가 아니다." 특정 도메인 내에서만 유효한 '의미의 경계'를 설정하여 복잡한 시스템을 명료하게 관리하는 DDD의 핵심 기법이다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Linguistic Boundary (언어적 경계)**:
|
||||
- 'Account'라는 단어가 '은행' 맥락에서는 계좌이지만, '로그인' 맥락에서는 유저 ID일 수 있다. 이 두 의미가 섞이지 않도록 코드와 모델의 영역을 물리적으로 나누는 것이 핵심이다.
|
||||
- **Ubiquitous Language (보편적 언어)**:
|
||||
- 특정 바운디드 컨텍스트 안에서는 개발자나 기획자나 똑같은 단어를 똑같은 의미로 사용해야 한다.
|
||||
- **Context Mapping**:
|
||||
- 서로 다른 컨텍스트들이 어떻게 데이터를 주고받는지(Shared Kernel, Anti-Corruption Layer 등)의 관계도를 그리는 작업.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 바운디드 컨텍스트를 너무 잘게 쪼개면 마이크로서비스(MSA)의 관리 복잡성(Distributed System complexity)이 폭발한다. 처음에는 '모놀리식'으로 시작하되, 도메인 경계가 명확해지는 시점에 분리하는 전략이 실용적이다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Domain-Driven Design (DDD)]] , [[Bounded-Contexts-and-Interface-Segregation]]
|
||||
- Foundation: [[Clean-Architecture-Implementation]]
|
||||
@@ -1,27 +0,0 @@
|
||||
---
|
||||
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]]
|
||||
@@ -1,27 +0,0 @@
|
||||
---
|
||||
id: P-REINFORCE-AI-ISP-DDD
|
||||
category: "[[10_Wiki/💡 Topics/Software Architecture]]"
|
||||
confidence_score: 0.97
|
||||
tags: [ISP, DDD, Bounded Context, SOLID]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Bounded-Contexts-and-Interface-Segregation]] (맥락 분리와 인터페이스 격리)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "내가 쓰지 않는 기능에 의존하지 마라." 객체 지향의 ISP(인터페이스 분리 원칙)를 도메인 레벨(DDD)로 확장하여 시스템 간의 불필요한 결합을 원천 차단하는 설계 패턴이다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Domain-Specific Interfaces**:
|
||||
- 하나의 거대한 레포지토리 인터페이스 대신, 각 바운디드 컨텍스트가 필요로 하는 메서드만 정의된 작은 인터페이스로 쪼갠다.
|
||||
- **Decoupling Boundaries**:
|
||||
- 결제 맥락(Payment Context)은 유저 맥락(User Context)의 전체 정보를 알 필요가 없다. 결제에 필요한 최소한의 인터페이스만 노출시켜 변경에 강한 구조를 만든다.
|
||||
- **Adhering to SOLID**:
|
||||
- ISP를 준수함으로써 하나의 변화가 시스템 전체로 전파되는 '버터플라이 이펙트'를 제어한다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 인터페이스를 과도하게 분리하면 '관리 포인트'가 늘어난다. 실제 의존성이 발생하지 않는 단순 조회(CRUD) 시스템에서는 과도한 격리보다 단순한 데이터 모델 공유가 더 효율적일 수 있다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Bounded-Contexts]] , [[Clean-Architecture-Implementation]]
|
||||
- Principles: [[React_Clean_Code_Best_Practices]]
|
||||
@@ -1,27 +0,0 @@
|
||||
---
|
||||
id: P-REINFORCE-AI-BBOX
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 1.0
|
||||
tags: [Bounding Box Regression, Object Detection, Computer Vision, IoU]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Bounding-Box-Regression]] (경계 박스 회귀)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "이미지 속 사물의 정확한 주소를 찾는 일." 물체가 어디에 있는지 대략적인 영역을 넘어, x, y, Width, Height라는 4개의 숫자를 정밀하게 예측하여 물체를 상자 안에 가두는 컴퓨터 비전의 핵심 기술이다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Coordinate Prediction**:
|
||||
- 신경망의 마지막 층에서 물체의 중심점 좌표와 크기를 연속적인 실수값으로 출력한다.
|
||||
- **Intersection over Union (IoU)**:
|
||||
- 예측한 박스와 실제 정답 박스가 얼마나 겹치는지(0~1 사이) 측정하여 박스의 정확도를 평가하는 지표.
|
||||
- **Anchor Boxes**:
|
||||
- 다양한 크기와 비율의 가이드라인(Anchor)을 미리 뿌려두고, 물체와 가장 비슷한 앵커를 세밀하게 조정(Offset)하여 최종 위치를 결정한다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 여러 물체가 겹쳐 있을 때 하나의 박스만 남겨야 하는 'Non-Maximum Suppression (NMS)' 과정이 성능에 큰 영향을 미친다. 최근에는 NMS 없이 직접 물체 집합을 예측하는 Transformer 기반(DETR) 방식이 각광받고 있다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Object-Detection]] , [[Convolutional-Neural-Networks-(CNN)]]
|
||||
- Metric: [[Mean-Average-Precision-(mAP)]]
|
||||
@@ -1,27 +0,0 @@
|
||||
---
|
||||
id: P-REINFORCE-SCI-BDNF
|
||||
category: "[[10_Wiki/💡 Topics/Science]]"
|
||||
confidence_score: 0.98
|
||||
tags: [BDNF, Neuroscience, Brain Health, Cognitive]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Brain-Derived-Neurotrophic-Factor-(BDNF)]] (뇌유래 신경영양인자)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "뇌를 위한 비료(Fertilizer)." BDNF는 시냅스의 가소성을 높여 학습 능력을 강화하고, 뇌가 늙지 않게 보호하는 마법의 단백질이다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Neuroplasticity (신경 가소성)**:
|
||||
- BDNF는 뉴런의 생존뿐만 아니라 새로운 뉴런의 생성(Neurogenesis)과 연결을 돕는다. 학습과 기억 형성의 생화학적 토대다.
|
||||
- **Physical Exercise Connection**:
|
||||
- 중강도 이상의 유산소 운동은 BDNF 수치를 즉각적으로 높인다. "공부가 안 될 땐 산책하라"는 조언의 과학적 근거다.
|
||||
- **Cognitive Reserve (인지 예비능)**:
|
||||
- 높은 BDNF 수치는 치매나 뇌 손상에 대응할 수 있는 '방어력'을 키워준다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 스트레스 호르몬인 코르티솔(Cortisol)은 BDNF의 생성을 억제한다. 따라서 고도의 인지 작업이 필요한 개발자에게 '번아웃 관리'는 단순히 휴식이 아니라 뇌 세척과 성장을 위한 필수 프로세스다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Cognitive-Neuroscience-of-Flow]] , [[Burnout-Prevention-in-Professional-Gaming]]
|
||||
- Foundation: [[Information Theory]]
|
||||
@@ -1,25 +0,0 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-6DAFA5
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - Branded-Types-for-Nominal-Typing"
|
||||
---
|
||||
|
||||
# [[Branded-Types-for-Nominal-Typing]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 지식 요약 정보 추출 중...
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
본문 구조화 작업 중...
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요.
|
||||
- **정책 변화:** AI 분야의 자동 자산화 수행.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
|
||||
- Raw Source: [[00_Raw/2026-04-20/Branded-Types-for-Nominal-Typing.md]]
|
||||
---
|
||||
@@ -1,27 +0,0 @@
|
||||
---
|
||||
id: P-REINFORCE-AI-BRANDED-TYPES
|
||||
category: "[[10_Wiki/💡 Topics/Programming & Language]]"
|
||||
confidence_score: 0.99
|
||||
tags: [TypeScript, Branded Types, Nominal Typing, Type Safety]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Branded-Types]] (브랜디드 타입)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "본질적으로 같은 `string`이라도, 유저 ID와 주문 ID는 엄격히 구분되어야 한다." 타입스크립트에 가짜 딱지를 붙여 '이름 기반 타입 시스템(Nominal Typing)'을 흉내 내는 고수의 기술이다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Problem: Structural Typing**:
|
||||
- 타입스크립트는 구조가 같으면 같은 타입으로 본다. `type UserId = string; type PostId = string;`일 때, 둘을 바꿔 써도 컴파일러는 잡지 못한다.
|
||||
- **Solution: Intersecting with Unique Tag**:
|
||||
- `type UserId = string & { __brand: "UserId" };` 처럼 실제 데이터에는 없지만 타입 세계에만 존재하는 고유 속성을 추가한다.
|
||||
- **Type Guards**:
|
||||
- 단순 캐스팅(`as UserId`)보다는 검증 함수를 거쳐야만 해당 타입을 얻을 수 있게 설계하여 데이터 무결성을 보장한다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 런타임에는 이 '낙인(Brand)'이 사라진다. 따라서 브랜디드 타입은 오직 컴파일 타임의 실수 방지용이다. 시스템이 매우 거대해져서 ID 값들이 혼동될 우려가 있는 엔터프라이즈급 프로젝트에서 그 가치가 증명된다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[TypeScript_Type_Safety]] , [[Branded-Types-for-Nominal-Typing]]
|
||||
- Foundation: [[Clean-Architecture-TypeScript]]
|
||||
@@ -1,27 +0,0 @@
|
||||
---
|
||||
id: P-REINFORCE-SCI-BURNOUT
|
||||
category: "[[10_Wiki/💡 Topics/Science]]"
|
||||
confidence_score: 0.96
|
||||
tags: [Burnout, Professional Gaming, Mental Health, Performance]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Burnout-Prevention-in-Professional-Gaming]] (프로게이머 번아웃 방지)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "휴식도 훈련의 일부다." 0.1초의 반응 속도를 다투는 프로의 세계에서 뇌의 피로(Cognitive Fatigue)를 관리하지 못하는 것은 승리를 포기하는 것과 같다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Cognitive Fatigability (인지적 피로도)**:
|
||||
- 고도의 집중력이 지속될 때 전전두엽의 포도당 소모가 급증하며 의사결정 속도가 저하된다. 이를 방지하기 위해 정기적인 'Mental Reset' 루틴이 필수적이다.
|
||||
- **Dopamine Detox (도파민 디톡스)**:
|
||||
- 게임의 강력한 시각적/청각적 자극에 노출된 뇌를 위해, 연습 시간 외에는 자극이 적은 환경(명상, 산책)을 제공하여 뇌의 보상 시스템을 안정화한다.
|
||||
- **Sleep Hygiene (수면 위생)**:
|
||||
- 렘(REM) 수면 단계에서 당일 학습한 전략과 반응 기술이 장기 기억으로 전이된다. 하루 7시간 이상의 규칙적인 수면은 가장 강력한 기술 향상 도구다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 무조건적인 연습 시간 증가는 오히려 '플래토(Plateau, 성체기)' 현상을 유발한다. 짧고 강렬한 '몰입 연습(Deliberate Practice)'과 완전한 단절을 동반한 휴식을 교차시키는 것이 롱런하는 선수의 공통점이다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Behavioral-Economics]] , [[Complexity-Theory]]
|
||||
- Foundation: [[Information Theory]]
|
||||
@@ -1,33 +0,0 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-877DCA
|
||||
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 및 Pull Request 자동화 리뷰"
|
||||
---
|
||||
|
||||
# [[CI_CD 및 Pull Request 자동화 리뷰]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> CI/CD 및 Pull Request(PR) 자동화 리뷰는 소프트웨어 개발 수명 주기(SDLC)에서 코드 병합 이전에 정적 분석 도구(SAST), 린터(Linter), AI 코드 리뷰 봇 등을 활용하여 취약점, 버그, 스타일 위반을 자동으로 검사하는 과정입니다 [1, 2]. 이를 통해 빠른 피드백 루프를 형성하고, 일관된 코드 품질 기준을 강제하며, CI/CD 파이프라인 내에서 품질 게이트(Quality Gate) 역할을 수행하여 인간 리뷰어의 피로도를 줄이고 보안과 품질을 극대화합니다 [3-6].
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
* **파이프라인 통합 및 품질 게이트 (Quality Gates):** SonarQube, Snyk, CodeQL과 같은 자동화 분석 도구는 CI/CD 파이프라인 및 PR 워크플로우에 직접 통합됩니다 [1, 7-9]. PR이 생성되거나 코드가 푸시될 때 자동으로 검사를 실행하며, 사전 정의된 품질 게이트 규칙이나 심각도 임계값에 따라 PR 병합을 차단하거나 빌드를 실패하게 만들어 불량 코드가 프로덕션 환경에 도달하는 것을 원천적으로 방지합니다 [5, 10, 11].
|
||||
* **Pre-commit 단계의 선제적 자동화 (Husky & lint-staged):** CI 파이프라인 이전에 로컬 개발 환경에서 문제를 잡기 위해 Husky와 lint-staged를 주로 결합하여 사용합니다 [12, 13]. Husky는 `pre-commit`과 같은 Git 훅(Git hooks)을 중앙에서 관리하고, lint-staged는 변경되어 커밋 대기 중인 파일(staged files)에 대해서만 ESLint(정적 분석 및 린팅)와 Prettier(코드 포매팅)를 빠르게 실행합니다 [14-17]. 이를 통해 오류가 없거나 스타일 규칙을 준수한 코드만 커밋되도록 강제합니다 [16, 18].
|
||||
* **AI 기반 PR 자동 리뷰:** 최근의 자동화 리뷰 생태계는 생성형 AI와 머신러닝을 활용하여 PR 요약, 보안 취약점 식별, 자동 수정(Auto-fix) 코드 제안 기능을 PR 스레드 내에 직접 제공합니다 [19-21]. CodeRabbit, PR-Agent, Snyk Code, GitHub Copilot 등은 팀의 표준을 강제하며 개발자에게 실시간에 가까운 인라인 피드백을 제공하여 PR 주기 시간과 최초 리뷰 대기 시간(Time to first review)을 크게 단축시킵니다 [4, 22-25].
|
||||
* **수동 리뷰와의 하이브리드 병행 (Hybrid Approach):** 자동화된 리뷰는 구문 오류, 코드 스멜(Code smells), 널리 알려진 보안 결함 등을 빠르고 일관되게 검출하는 데 탁월하지만, 코드의 근본적인 의도나 비즈니스 로직, 아키텍처 맥락을 이해하는 데에는 한계가 존재합니다 [26-28]. 따라서 CI/CD 및 Git 훅을 통한 자동화 도구로 1차적인 기계적 검증을 처리하고, 인간 리뷰어는 아키텍처 설계, 보안 문맥, 비즈니스 로직 검증에 집중하는 '하이브리드 코드 리뷰'가 현재의 가장 이상적인 모범 사례로 꼽힙니다 [6, 11, 29, 30].
|
||||
|
||||
## ⚠️ 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:** [[Static Application Security Testing (SAST)]], [[Git Hooks]], [[AI Code Review]]
|
||||
- **Projects/Contexts:** [[CI/CD Pipelines]], [[DevSecOps]]
|
||||
- **Contradictions/Notes:** 소스들은 자동화된 리뷰 도구가 매우 빠르고 일관적이지만 인간 리뷰어를 완전히 대체할 수는 없다고 주장합니다. 자동화 도구나 AI 봇은 문맥 맹점(Context Blindness)이 있어 아키텍처 설계나 비즈니스 로직을 온전히 이해하지 못하므로, 기계가 루틴한 검사를 담당하고 사람은 고차원적인 판단을 내리는 하이브리드 방식이 필수적이라고 강조합니다 [28, 31, 32].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-19*
|
||||
- Raw Source: [[00_Raw/2026-04-20/CI_CD 및 Pull Request 자동화 리뷰.md]]
|
||||
---
|
||||
@@ -1,32 +0,0 @@
|
||||
---
|
||||
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, Eclipse 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*
|
||||
- Raw Source: [[00_Raw/2026-04-20/CI_CD 파이프라인 및 IDE 통합 보안.md]]
|
||||
---
|
||||
-33
@@ -1,33 +0,0 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-CFCF20
|
||||
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"
|
||||
---
|
||||
|
||||
# [[CI_CD]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> CI/CD(Continuous Integration / Continuous Delivery)는 소프트웨어 개발 라이프사이클(SDLC) 전반에 걸쳐 코드의 빌드, 테스트, 병합 및 배포 과정을 자동화하는 워크플로우 파이프라인입니다 [1-3]. 주로 정적 애플리케이션 보안 테스트(SAST) 및 AI 코드 리뷰 도구와 결합하여 코드 결함과 보안 취약점을 프로덕션 배포 전에 조기에 발견하고 차단하는 역할을 합니다 [4-6]. 이를 통해 개발 팀은 품질 저하 없이 일관되고 빠른 소프트웨어 릴리스 주기를 유지할 수 있습니다 [7-9].
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
* **자동화된 품질 및 보안 스캔 통합:** CI/CD 파이프라인은 SonarQube, Snyk, Qodana와 같은 정적 코드 분석(SAST) 도구 및 AI 기반 코드 리뷰 도구가 실행되는 주요 환경입니다 [2, 6, 10, 11]. 개발 환경에서 코드가 푸시되거나 풀 리퀘스트(PR)가 생성되면 파이프라인 내에서 스캔이 자동으로 트리거되어, 잠재적 버그, 보안 취약점, 유지보수성 문제 등을 찾아냅니다 [3, 12-14].
|
||||
* **품질 게이트(Quality Gate)를 통한 정책 시행:** 파이프라인 내부에는 특정 심각도 임계값(threshold)을 초과하는 결함이나 보안 취약점이 발견될 경우 빌드를 중단시키거나 코드 병합을 차단하는 품질 게이트가 존재합니다 [2, 13, 15, 16]. 이러한 장치는 불량 코드가 프로덕션 환경에 도달하는 것을 방지하는 강력한 가드레일 역할을 수행합니다 [14, 17, 18].
|
||||
* **신속한 피드백 루프와 성능 요구사항:** CI/CD에 스캔을 통합함으로써 개발자는 취약점에 대한 즉각적이고 시의적절한 피드백을 실시간에 가깝게 받을 수 있습니다 [7, 18, 19]. 하지만, 도구가 전체 코드베이스를 너무 오래 검사하여 파이프라인의 속도를 저하시키는 것은 큰 병목 현상을 유발할 수 있습니다 [9, 20]. 따라서 변경된 파일만 점검하거나 스캔 속도가 빠른 도구를 사용하여 CI/CD 파이프라인의 속도를 저해하지 않는 것이 중요합니다 [15, 21, 22].
|
||||
* **하이브리드 코드 리뷰 워크플로우의 기반:** CI/CD 파이프라인 내에서의 자동화된 검사(구문 오류, 스타일 위반, 알려진 취약점 등)는 개발 초기에 기계적인 오류를 신속히 잡아내므로, 이후 인간 리뷰어가 복잡한 아키텍처나 비즈니스 로직 검토에 온전히 집중할 수 있도록 돕는 다층적(Hybrid) 코드 리뷰 프로세스의 핵심 기반으로 작용합니다 [14, 16, 23].
|
||||
|
||||
## ⚠️ 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]], [[Quality Gate]], [[Pull Request]], [[Automated Code Review]]
|
||||
- **Projects/Contexts:** 보안 스캔을 개발 워크플로우에 통합하기 위해 자주 사용되는 [[SonarQube Cloud]], [[Snyk Code]], [[Qodana]], [[GitHub Actions]] 기반 파이프라인 환경.
|
||||
- **Contradictions/Notes:** 소스 문헌들은 CI/CD를 통한 자동화 검사가 빠르고 일관된 피드백을 제공하여 보안을 크게 향상시킨다고 주장하지만 [8], 자동화 도구는 비즈니스 로직이나 코드의 의도(Context)를 완전히 이해하지 못해 오탐(False Positive)을 유발할 수 있는 한계가 있으므로 파이프라인 자동화에만 의존해서는 안 되며 반드시 수동 리뷰와 결합해야 한다고 조언합니다 [14, 24, 25].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-18*
|
||||
- Raw Source: [[00_Raw/2026-04-20/CI_CD.md]]
|
||||
---
|
||||
-25
@@ -1,25 +0,0 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-9984E9
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - CPTED"
|
||||
---
|
||||
|
||||
# [[CPTED]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 지식 요약 정보 추출 중...
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
본문 구조화 작업 중...
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요.
|
||||
- **정책 변화:** AI 분야의 자동 자산화 수행.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
|
||||
- Raw Source: [[00_Raw/2026-04-20/CPTED.md]]
|
||||
---
|
||||
@@ -1,29 +0,0 @@
|
||||
---
|
||||
id: P-REINFORCE-AI-002
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.95
|
||||
tags: [ai, graphics, nerf, synthesis]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "batch-reinforce-03"
|
||||
---
|
||||
|
||||
# [[Computer Vision Synthesis]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 정적 이미지 분석을 넘어 새로운 시점과 현실적인 영상을 생성해내는 '창조적 비전'의 영역.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** NeRF(Neural Radiance Fields)와 같은 미분 가능한 렌더링 기법을 통해 2D 이미지로부터 3D 씬을 재구성하고 합성하는 패턴.
|
||||
- **세부 내용:**
|
||||
- View Synthesis: 다른 각도에서 본 물체나 풍경을 사실적으로 생성.
|
||||
- Generative Models: GAN 및 Diffusion 모델을 활용한 고해상도 이미지 합성.
|
||||
- 3DGS(Gaussian Splatting)와의 기술적 접점 및 실시간성 확보.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 단순 텍스처 매핑 기반 모델링에서 신경망 보간(Interpolation) 기반 합성으로의 전환.
|
||||
- **정책 변화:** 성능(w1) 대비 품질의 균형점을 NeRF 계열 지식 중심으로 재편.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Parent:** [[10_Wiki/💡 Topics/AI]]
|
||||
- **Related:** [[NeRF]], [[3D_Gaussian_Splatting]], [[Generative-AI]]
|
||||
- **Raw Source:** [[00_Raw/2026-04-20/Computer-Vision-Synthesis.md]]
|
||||
@@ -1,39 +0,0 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-0C1C8B
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - Caliskan-Islam 등의 프로그램 바이너리 작성자 식별 연구"
|
||||
---
|
||||
|
||||
# [[Caliskan-Islam 등의 프로그램 바이너리 작성자 식별 연구]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 지식 요약 정보 추출 중...
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
* **특징 추출 (Feature Extraction):**
|
||||
이 연구는 하이브리드 방식을 취하여 다양한 수준에서 프로그램의 특징을 추출했습니다. Netwide 및 Radare2 역어셈블러를 통해 어셈블리 코드 n-그램, 제어 흐름 그래프(CFG) 블록 유니그램 및 바이그램을 추출했습니다 [1, 2]. 또한 IDA Pro와 Hex-Rays 역컴파일러로 얻은 코드에서 단어 유니그램 및 라이브러리/내부 함수 이름을 추출하고, Joern 파서를 이용해 구문 분석을 수행하여 노드 유형 유니그램 같은 AST 기반의 특징도 활용했습니다 [1, 2].
|
||||
* **특징 차원 축소 (Feature Reduction):**
|
||||
초기에는 750,000개라는 방대하고 희소성(sparse)이 높은 특징 세트가 생성되었습니다. 랜덤 포레스트 훈련에 있어 희소성이 문제가 되자, 저자들은 이전 소스 코드 스타일로메트리 연구에서처럼 정보 이득(Information gain)을 기반으로 한 특징 선택 기법을 적용했습니다 [2]. 이를 통해 특징 차원을 2,000개 미만으로 줄였으며, 그 결과 분류 성공률이 30%에서 90%로 대폭 향상되었습니다 [2].
|
||||
* **통제된 환경에서의 식별 성능 (Google Code Jam 데이터):**
|
||||
구글 코드 잼의 C++ 제출 코드를 바탕으로 동일한 9개 문제를 푼 프로그래머 100명의 데이터를 평가했습니다. 500개의 트리로 구성된 랜덤 포레스트 분류기를 사용하여 9겹 교차 검증(9-fold cross-validation)을 진행한 결과, 축소된 특징 세트로 89.8%의 정확도를 달성했습니다 [2, 3]. 겹치지 않는 다른 100명 그룹에 적용했을 때도 92.8%의 정확도를 보였으며, 작성자 수를 600명으로 확대했을 때도 78.1%라는 비교적 높은 정확도를 유지했습니다 [3].
|
||||
* **야생(In the wild) 환경에서의 식별 성능 (GitHub 데이터):**
|
||||
실제 오픈소스 환경에서의 식별 가능성을 확인하기 위해 단일 기여자로 이루어진 GitHub의 C/C++ 저장소를 대상으로 테스트했습니다 [3, 4]. 복사된 코드나 라이브러리의 노이즈를 수작업으로 필터링한 후, 파일 수가 6~15개인 50명의 프로그래머 집단을 대상으로 실험했을 때 60.1%의 정확도를 기록했습니다 [3, 4].
|
||||
* **컴파일 최적화 및 난독화의 영향:**
|
||||
최적화 레벨 3을 적용한 컴파일 환경에서는 100명의 작성자를 대상으로 한 정확도가 85.7%로 다소 감소했으며, 심볼(Symbol) 정보를 완전히 제거한 경우에는 정확도가 23%나 급락했습니다 [3]. 그러나 Obfuscator-LLVM과 같은 도구를 통한 전문적인 난독화를 적용했을 때는 정확도 하락 폭이 단 3.6%에 불과하여, 작성자의 특정 코딩 스타일 패턴이 강력하게 유지됨을 확인했습니다 [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:** [[Code Stylometry]], [[Random Forest]], [[Abstract Syntax Tree (AST)]], [[Control Flow Graph (CFG)]]
|
||||
- **Projects/Contexts:** [[Google Code Jam]], [[GitHub]]
|
||||
- **Contradictions/Notes:** 소스 [2, 3]에 따르면, 초기 75만 개의 특징을 그대로 머신러닝에 투입했을 때는 성능이 30%에 그쳤으나, 정보 이득(Information gain)을 사용하여 특징을 2,000개 미만으로 대폭 줄였음에도 불구하고 정확도가 90% 근방으로 상승하는 반직관적인 결과를 보였습니다. 또한 심볼 정보 제거는 23%의 뚜렷한 성능 저하를 일으켰으나, 본격적인 소스 코드 난독화(Obfuscator-LLVM)는 식별 성능을 겨우 3.6%만 낮췄다는 흥미로운 점을 발견했습니다 [3].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-19*
|
||||
- Raw Source: [[00_Raw/2026-04-20/Caliskan-Islam 등의 프로그램 바이너리 작성자 식별 연구.md]]
|
||||
---
|
||||
@@ -1,30 +0,0 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-081DEE
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - Call Stack"
|
||||
---
|
||||
|
||||
# [[Call Stack]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 콜 스택(Call Stack)은 Chrome DevTools의 성능(Performance) 분석 패널에서 페이지 실행 중 호출된 함수들의 계층 구조와 연쇄적인 실행 순서를 나타내는 요소입니다 [1-3]. 플레임 차트(Flame chart)나 Call Tree와 같은 시각적 도구를 통해 어떤 상위 이벤트가 하위 이벤트를 발생시켰는지 그 인과 관계를 보여줍니다 [1, 3, 4]. 이를 통해 개발자는 런타임 성능을 저하시키는 가장 무거운 스택이나 불필요한 자바스크립트 함수 호출 과정을 추적할 수 있습니다 [2, 5].
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
본문 구조화 작업 중...
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요.
|
||||
- **정책 변화:** AI 분야의 자동 자산화 수행.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Related Topics:** [[Chrome DevTools]], [[Flame Chart]], [[Performance Panel]]
|
||||
- **Projects/Contexts:** [[Analyze runtime performance]]
|
||||
- **Contradictions/Notes:** 소스에 제공된 콜 스택 관련 내용은 일반적인 프로그래밍 이론보다는 전적으로 Chrome DevTools의 런타임 성능 분석(Performance panel) 맥락에서만 설명되어 있습니다.
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-19*
|
||||
- Raw Source: [[00_Raw/2026-04-20/Call Stack.md]]
|
||||
---
|
||||
@@ -1,27 +0,0 @@
|
||||
---
|
||||
id: P-REINFORCE-AI-CPG
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.96
|
||||
tags: [CPG, Robotics, Neuroscience, Locomotion]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Central-Pattern-Generators]] (중추 패턴 생성기 CPG)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 뇌의 복잡한 연산 없이도 척수 수준에서 리듬감 있는 동작(걷기, 수영, 비행)을 자동으로 만들어내는 생체 회로의 신비다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Neural Oscillators (신경 진동자)**:
|
||||
- 외부의 지속적인 입력이 없어도 스스로 리드미컬한 신호를 만들어내는 뉴런의 집단. 생명체의 보행을 제어하는 핵심 엔진이다.
|
||||
- **Robotics Application**:
|
||||
- 로봇이 험지에서 매 순간 계산을 통해 걷는 대신, CPG 모델을 적용하여 자연스러운 반사 신경(Reflex)처럼 장애물을 넘게 만드는 방식.
|
||||
- **Distributed Control (분산 제어)**:
|
||||
- 중앙 집중 스케줄러가 아닌, 각 다리나 마디가 고유의 진동자를 가지고 서로 동기화(Synchronization)되어 전체의 조화를 이루는 구조.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- CPG만으로는 복잡한 환경 변화에 대응하기 어렵다. 따라서 상위 레벨의 강화학습(RL)이 방향과 속도를 결정하고, 하위 레벨의 CPG가 실제 관절 리듬을 담당하는 계층적 제어(Hierarchical Control)가 현대 로보틱스의 정석이다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Robotic Manipulation]] , [[Autonomous-Vehicle-Path-Planning]]
|
||||
- Foundation: [[Systemic_Simulation_Principles]]
|
||||
@@ -1,34 +0,0 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-39CDC5
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - CesiumJS"
|
||||
---
|
||||
|
||||
# [[CesiumJS]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> CesiumJS는 웹을 위한 오픈 소스 3D 시각화 엔진으로, 주로 대규모 지형 공간 데이터의 시각화를 선도하는 기술입니다 [1, 2]. 3D 타일(3D Tiles), 지형(terrain), 위성 이미지 등 방대한 양의 3D 콘텐츠를 스트리밍하고 렌더링하는 데 활용됩니다 [1, 2]. 지표면에서 우주 공간에 이르는 거대한 가상 세계를 효율적으로 처리하기 위해 z-파이팅(z-fighting)을 방지하는 다중 절두체(multiple frustums) 및 명시적 렌더링(explicit rendering)과 같은 독자적인 WebGL 렌더링 파이프라인을 구축하고 있습니다 [3, 4].
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **렌더링 파이프라인 및 다중 절두체 (Multiple Frustums):** CesiumJS는 다양한 광원을 처리하는 씬이 드물기 때문에 전통적인 포워드 셰이딩(forward-shading) 파이프라인을 사용합니다 [4]. 특히 거대한 가시거리를 지원하면서 멀리 있는 객체 간의 z-파이팅(z-fighting) 아티팩트를 피하기 위해 뷰 볼륨을 여러 개의 절두체로 분할하여 관리하는 독특한 방식을 사용합니다 [3, 4]. 가장 먼 절두체부터 시작하여 매번 깊이 버퍼를 지우면서 순차적으로 명령을 실행합니다 [5].
|
||||
- **Scene.render와 Primitive 관리:** 프레임 렌더링의 핵심인 `Scene.render`는 애니메이션, 업데이트, 렌더링의 파이프라인을 관리합니다 [4, 6]. 업데이트 단계에서 씬의 기본 요소(Primitive, 예: 지형과 이미지를 처리하는 Globe 엔진)들이 WebGL 리소스를 생성하거나 업데이트하고, `DrawCommand` 객체 목록을 반환합니다 [7, 8]. 이 중 가시성 테스트를 통과한 '잠재적 가시 집합(Potentially Visible Set)'만이 파이프라인을 따라 렌더링됩니다 [8].
|
||||
- **투명도 처리 (OIT) 및 정렬:** 절두체 내에서 불투명(opaque) 명령을 먼저 실행한 후 반투명(translucent) 명령을 실행합니다 [5]. 하드웨어가 부동 소수점 텍스처를 지원하는 경우, 순서 비의존 투명도([[Order-Independent Transparency (OIT)]]) 기법을 적용하여 겹치는 반투명 객체의 시각적 품질을 높이고 CPU 정렬 오버헤드를 방지합니다 [5].
|
||||
- **명시적 렌더링 (Explicit Rendering / requestRenderMode):** 지속적으로 프레임을 렌더링하는 대신, 성능을 최적화하기 위해 `requestRenderMode` 기능을 지원합니다 [9]. 이 모드가 활성화되면 카메라 이동, 시뮬레이션 시간 변경, 또는 새로운 데이터(3D 타일 등)가 로드될 때만 명시적으로 새 프레임을 렌더링합니다 [9, 10]. 이를 통해 유휴 상태(idle)에서 CPU 사용률을 25.1%에서 3.0% 수준으로 크게 절약할 수 있습니다 [10, 11].
|
||||
- **가우시안 스플래팅(Gaussian Splatting) 이슈:** 최근 가우시안 스플랫 렌더링 시 대규모 데이터셋 처리 과정에서 여러 프레임에 걸친 깊이 정렬 수행 중 프로미스 간섭(promise interference)으로 인한 WebGL 오류와 미세 지연(micro-stuttering) 현상이 보고된 바 있습니다 [12-14]. 여러 개의 프로미스 체인이 중첩되면서 정렬 결과를 오염시켜 모델이 깜빡이거나 사라지는 문제를 유발합니다 [12, 14].
|
||||
|
||||
## ⚠️ 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]], [[3D Tiles]], [[Order-Independent Transparency (OIT)]], [[Gaussian Splatting]], [[Multiple Frustums]]
|
||||
- **Projects/Contexts:** [[Geospatial Visualization]], [[requestRenderMode]]
|
||||
- **Contradictions/Notes:** 소스에 따르면, Cesium팀은 엔진을 지속적으로 최적화하고 있음에도 불구하고 OIT 및 지형 깊이 버퍼를 위한 전체 화면 패스(fullscreen passes) 기능이 추가되면서 채우기 속도(fillrate)가 제한된 환경에서는 구버전(예: 1.1)에 비해 최신 버전(예: 1.10)의 평균 프레임 속도(FPS)가 오히려 감소하는 사례가 보고되기도 했습니다 [15, 16].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-19*
|
||||
- Raw Source: [[00_Raw/2026-04-20/CesiumJS.md]]
|
||||
---
|
||||
@@ -1,27 +0,0 @@
|
||||
---
|
||||
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]]
|
||||
@@ -1,25 +0,0 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-550B46
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - Chain-of-Thought (CoT 사고 사슬)"
|
||||
---
|
||||
|
||||
# [[Chain-of-Thought (CoT 사고 사슬)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 지식 요약 정보 추출 중...
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
본문 구조화 작업 중...
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요.
|
||||
- **정책 변화:** AI 분야의 자동 자산화 수행.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
|
||||
- Raw Source: [[00_Raw/2026-04-20/Chain-of-Thought (CoT, 사고 사슬).md]]
|
||||
---
|
||||
@@ -1,43 +0,0 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-B1B522
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - Chrome DevTools Memory Profiling"
|
||||
---
|
||||
|
||||
# [[Chrome DevTools Memory Profiling]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> Chrome DevTools Memory Profiling은 JavaScript 애플리케이션 및 브라우저에서 발생하는 메모리 누수를 감지하고 분석하기 위한 분석 도구 모음입니다 [1, 2]. 주로 DevTools의 Memory 패널을 통해 제공되며, 객체의 메모리 할당 시점, 유지(Retaining) 경로, 가비지 컬렉션 여부를 시각적으로 추적하여 정상적으로 정리되지 않은 객체를 식별합니다 [3-6]. 이를 통해 개발자는 메모리 힙(Heap) 상태를 정밀하게 분석하고 메모리 부족 현상이나 성능 저하를 유발하는 코드의 근본 원인을 파악할 수 있습니다 [7-9].
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
* **핵심 프로파일링 도구 (Memory Panel Tools):**
|
||||
* **Heap Snapshot (힙 스냅샷):** 특정 시점의 전체 메모리 객체 그래프를 캡처하는 도구입니다 [3, 10]. 의심되는 작업 전, 작업 중, 작업 후의 세 번의 스냅샷을 찍어 비교하는 '3-스냅샷 기법(three-snapshot technique)'을 통해 일회성 할당을 필터링하고 실제 누수 후보를 안정적으로 식별할 수 있습니다 [7, 11]. 제공되는 뷰(View)에는 생성자별로 객체를 묶어 크기를 보여주는 Summary, 두 스냅샷 간의 차이를 보여주는 Comparison, 애플리케이션 구조를 조감도로 보여주는 Containment, 메모리 할당의 파이 차트를 보여주는 Statistics 등이 있습니다 [9].
|
||||
* **Allocation instrumentation on timeline (타임라인의 할당 계측):** 일정 기간 동안의 모든 메모리 할당을 스택 트레이스와 함께 기록하며, 최소 50ms 간격으로 스냅샷을 주기적으로 캡처합니다 [3, 12, 13]. 타임라인에서 파란색 막대는 기록 종료 시점까지 여전히 살아있는 객체(누수 후보)를 의미하며, 회색 막대는 할당 후 이미 가비지 컬렉션된 객체를 의미합니다 [3, 4, 14, 15].
|
||||
* **Allocation sampling (할당 샘플링):** 전체 할당 추적보다 오버헤드가 적은 통계적 샘플링 방법으로, 프로덕션 환경의 프로파일링에 적합합니다 [16].
|
||||
|
||||
* **주요 지표 및 분석 개념:**
|
||||
* **Shallow Size vs. Retained Size:** 'Shallow size'는 객체 자체가 독립적으로 차지하는 메모리 크기(일반적으로 문자열이나 배열이 큼)이며, 'Retained size'는 해당 객체를 삭제하여 참조가 끊어졌을 때 가비지 컬렉터를 통해 확보할 수 있는 총 메모리 크기를 의미합니다 [17].
|
||||
* **Retainers (유지 경로):** 특정 객체를 메모리에 살아있게 만들어 가비지 컬렉션을 방해하는 참조 체인을 보여줍니다 [3, 6]. 개발자는 이 트리를 확인하여 어떤 참조가 메모리 누수를 유발하는지 파악할 수 있습니다 [8, 18].
|
||||
* **객체 ID (Object ID):** 객체 이름 뒤에 붙는 `@` 기호와 숫자는 고유 ID로, 가비지 컬렉션 과정에서 객체가 이동하더라도 변하지 않아 여러 스냅샷에 걸쳐 특정 객체의 상태를 정확하게 추적 및 비교할 수 있게 해줍니다 [12, 19, 20].
|
||||
|
||||
* **프로파일링을 통해 식별되는 주요 메모리 누수 패턴:**
|
||||
* 문서(DOM)에서는 제거되었으나 자바스크립트 변수, Map/Set, 또는 클로저 등에 의해 여전히 참조되고 있는 분리된 DOM 노드(Detached DOM nodes) [16, 21, 22].
|
||||
* 생명 주기에 맞게 제거되지 않고 반복적으로 쌓이는 이벤트 리스너(Event listener accumulation) 및 잊혀진 타이머나 옵저버(Forgotten timers and observers) [23, 24].
|
||||
* 여러 클로저가 스코프를 공유할 때, 큰 데이터를 캡처한 변수를 다른 클로저의 수명 때문에 메모리에서 해제하지 못하는 클로저 스코프 보존(Closure scope retention) [23].
|
||||
|
||||
## ⚠️ 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:** [[Heap Snapshot]], [[Allocation Timeline]], [[Garbage Collection]], [[Retaining Path]], [[Shallow Size and Retained Size]]
|
||||
- **Projects/Contexts:** [[V8 Engine Memory Management]], [[Browser Memory Leak Detection]]
|
||||
- **Contradictions/Notes:** 소스 간의 직접적인 모순은 없습니다. 다만, 실무적 주의사항으로 `console.log`가 평가된 객체에 대한 참조를 계속 유지하여 가짜 양성(false positive)의 메모리 누수를 표시할 수 있으므로, 메모리 누수 조사 중에는 콘솔을 지우거나 큰 객체 기록을 피해야 한다고 경고하고 있습니다 [21, 25]. 또한 코드의 난독화(Minified code) 때문에 Retainer 체인을 읽기 어려울 수 있으므로, 의미 있는 함수/변수 명을 보려면 소스 맵(Source maps)을 활성화해야 합니다 [25].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-19*
|
||||
- Raw Source: [[00_Raw/2026-04-20/Chrome DevTools Memory Profiling.md]]
|
||||
---
|
||||
@@ -1,30 +0,0 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-9DC3E3
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - Chrome DevTools 메모리 분석 및 성능 최적화"
|
||||
---
|
||||
|
||||
# [[Chrome DevTools 메모리 분석 및 성능 최적화]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> Chrome DevTools는 웹 및 Node.js 애플리케이션의 메모리 누수를 감지하고 성능을 최적화하기 위한 강력한 메모리 분석 도구를 제공한다 [1, 2]. 핵심 기능으로는 특정 시점의 메모리 상태를 캡처하는 힙 스냅샷(Heap snapshot), 시간에 따른 객체 할당을 추적하는 할당 타임라인(Allocation timeline), 그리고 통계적 샘플링 방식의 할당 샘플링(Allocation sampling)이 있다 [3, 4]. 개발자는 이러한 도구를 사용하여 가비지 컬렉션(GC) 이후에도 메모리에 남아있는 객체와 그 참조 경로(Retaining path)를 식별함으로써, 메모리 누수와 성능 저하의 근본 원인을 파악하고 코드를 최적화할 수 있다 [1, 3, 5, 6].
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
본문 구조화 작업 중...
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요.
|
||||
- **정책 변화:** AI 분야의 자동 자산화 수행.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Related Topics:** [[가비지 컬렉션(Garbage Collection)]], [[V8 JavaScript Engine]], [[힙 메모리(Heap Memory)]], [[메모리 누수(Memory Leak)]], [[Retainers(유지 경로)]]
|
||||
- **Projects/Contexts:** [[Node.js 프로덕션 메모리 병목 분석]], [[SPA 라우트 전환 성능 최적화]]
|
||||
- **Contradictions/Notes:** DevTools의 콘솔(Console)에 `console.log`를 통해 출력된 객체는 콘솔에 의해 지속적으로 참조가 유지되므로 가비지 컬렉션의 대상이 되지 않는다. 따라서 메모리 누수를 정확히 조사할 때는 대형 객체의 로깅을 피하거나 콘솔을 비워야 한다 [18]. 더불어, 원시 데이터인 숫자(Number)와 같은 비문자열 값은 캡처되지 않으며, 원시 힙 데이터에는 수많은 V8 내부 객체도 포함되어 있어 분석 시 "Constructor" 필터를 적용해 애플리케이션 객체에만 집중하는 것이 좋다 [9, 18].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-19*
|
||||
- Raw Source: [[00_Raw/2026-04-20/Chrome DevTools 메모리 분석 및 성능 최적화.md]]
|
||||
---
|
||||
@@ -1,54 +0,0 @@
|
||||
---
|
||||
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 roots), 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*
|
||||
- Raw Source: [[00_Raw/2026-04-20/Chrome DevTools 메모리 프로파일링 및 힙 스냅샷 분석.md]]
|
||||
---
|
||||
@@ -1,33 +0,0 @@
|
||||
---
|
||||
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*
|
||||
- Raw Source: [[00_Raw/2026-04-20/Chrome DevTools 메모리 프로파일링.md]]
|
||||
---
|
||||
@@ -1,50 +0,0 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-6965B5
|
||||
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"
|
||||
---
|
||||
|
||||
# [[Chrome DevTools]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> Chrome DevTools는 웹 성능 분석 및 메모리 누수 진단을 수행할 수 있는 브라우저 내장 개발자 도구이다 [1]. 이 도구의 메모리(Memory) 패널은 힙 스냅샷 캡처와 할당 타임라인 기록 기능을 제공하여 객체의 참조 상태와 메모리 상태를 추적할 수 있도록 돕는다 [1-3]. 개발자는 이를 통해 가비지 컬렉션(GC) 이후에도 살아남아 메모리를 점유하고 있는 객체들을 식별하고 분석할 수 있다 [4-6].
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
* **메모리 패널(Memory Panel)의 핵심 기능:**
|
||||
Chrome DevTools의 메모리 패널은 주로 세 가지 진단 도구를 제공한다 [1].
|
||||
* **힙 스냅샷(Heap snapshot):** 특정 시점의 완전한 객체 그래프를 캡처하여 생성자(Constructor)별 객체, 유지된 크기(Retained Size), 참조 트리 등을 보여준다 [1, 7, 8].
|
||||
* **타임라인 할당 계측(Allocation instrumentation on timeline):** 특정 기간 내의 모든 메모리 할당을 시간 순으로 스택 트레이스와 함께 기록한다 [1, 5, 9].
|
||||
* **할당 샘플링(Allocation sampling):** 통계적 샘플링을 사용하여 가벼운 오버헤드로 메모리 할당을 추적하며 프로덕션 환경 분석에 적합하다 [10].
|
||||
|
||||
* **힙 스냅샷 분석 뷰(Heap Snapshot Views):**
|
||||
스냅샷 데이터는 목적에 따라 여러 가지 뷰(View)로 분석할 수 있다 [11].
|
||||
* **Summary view:** 생성자 이름 및 소스 기준으로 객체를 그룹화하여 타입별 메모리 사용량 및 DOM 누수를 추적한다 [7, 11].
|
||||
* **Comparison view:** 두 개 이상의 스냅샷을 비교하여 특정 작업 전후로 해제된 메모리와 추가/삭제된 객체의 델타를 확인해 누수 여부를 파악한다 [11-13].
|
||||
* **Containment view:** 전역 네임스페이스(window)나 클로저 내에서 참조되는 객체의 전체적인 구조를 로우 레벨에서 보여준다 [11, 13].
|
||||
* **Statistics:** 메모리 할당을 코드, 문자열, 배열 등의 범주로 나누어 파이 차트로 시각화한다 [11].
|
||||
* **Retainers 패널:** 선택한 객체를 계속 살아있게 만드는 참조 체인(Retaining path)을 표시하여, 해당 객체가 가비지 컬렉션 되지 않는 이유를 확인하고 불필요한 참조를 코드에서 제거할 수 있게 돕는다 [1, 14-16].
|
||||
|
||||
* **할당 타임라인 시각화:**
|
||||
타임라인 보고서는 힙 프로파일러의 스냅샷 정보와 타임라인 패널의 점진적 업데이트 기능을 결합한 것이다 [5, 9]. 메모리 할당 과정은 최대 50ms 빈도로 기록되며 막대그래프로 표시된다 [2, 17]. 파란색 막대는 타임라인 기록이 끝날 때까지 여전히 살아있는 객체를 의미하며 메모리 누수 후보군이 되고, 회색 막대는 할당 후 가비지 컬렉터에 의해 정상적으로 수집된 객체를 의미한다 [18-21].
|
||||
|
||||
* **메모리 누수 진단 시 유의사항:**
|
||||
* DevTools 콘솔에 로깅(`console.log`)된 객체들은 콘솔 도구 자체에 의해 도달 가능한 상태로 유지되므로, 메모리 누수를 조사할 때는 콘솔을 지우거나 대형 객체 로깅을 피해야 한다 [22].
|
||||
* 축소된(Minified) 코드는 Retainer 체인을 알아보기 어렵게 만들므로, 소스 맵(Source maps)을 활용해 원래의 변수 및 함수 이름을 복원해야 정확한 분석이 가능하다 [22].
|
||||
* 문서(DOM)에서 제거되었음에도 불구하고 JavaScript 클로저나 Map/Set 엔트리에 의해 참조되어 남아 있는 분리된 DOM 노드(Detached DOM nodes)를 필터링하여 찾을 수 있다 [10, 23].
|
||||
|
||||
## ⚠️ 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:** [[Heap Snapshot]], [[Allocation Timeline]], [[Garbage Collection]], [[Memory Leak]]
|
||||
- **Projects/Contexts:** [[Browser Memory Leak Detection]]
|
||||
- **Contradictions/Notes:** 가비지 컬렉션 과정에서 객체들이 이동할 수 있으므로 객체의 주소를 직접 추적하는 것은 의미가 없다. 대신 DevTools는 `@` 기호 뒤에 여러 스냅샷 간 유지되는 고유 식별자(Object ID)를 부여하여 정확하게 힙 상태와 객체를 비교할 수 있도록 한다 [2, 17, 24].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-19*
|
||||
- Raw Source: [[00_Raw/2026-04-20/Chrome DevTools.md]]
|
||||
---
|
||||
@@ -1,42 +0,0 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-EC1033
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - Chrome 브라우저 렌더링 성능"
|
||||
---
|
||||
|
||||
# [[Chrome 브라우저 렌더링 성능]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 지식 요약 정보 추출 중...
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
소스에 Chrome의 핵심 렌더링 파이프라인(HTML/CSS 파싱, Layout, Paint, Composite 등)에 대한 관련 정보가 부족합니다. 단, 제공된 소스에서는 JavaScript 엔진(V8)의 메모리 관리 동작이 렌더링 및 화면 표시 성능에 미치는 영향을 다음과 같이 구체적으로 설명하고 있습니다.
|
||||
|
||||
* **가비지 컬렉션(GC)과 렌더링 지연(Jank):**
|
||||
V8과 같은 엔진에서 메모리를 관리하는 가비지 컬렉션 프로세스가 비효율적으로 실행될 경우, 길고 예측 불가능한 실행 일시 정지(Pause)가 발생할 수 있습니다 [1]. 이러한 일시 정지는 메인 스레드의 작업을 차단하여 상호작용이 많은 시스템이나 애니메이션의 렌더링 지연(Janky pages) 및 대기 시간(Latency) 저하 문제를 초래합니다 [2-4].
|
||||
|
||||
* **Orinoco 프로젝트와 메인 스레드 부하 감소:**
|
||||
V8은 메인 스레드의 부담을 줄이기 위해 병렬(Parallel), 점진적(Incremental), 동시(Concurrent) 기법을 활용하는 Orinoco 가비지 컬렉터를 도입했습니다 [3, 5-8]. 백그라운드 작업으로 GC 부하를 분산시킴으로써 메인 스레드가 JavaScript 실행 및 렌더링을 자유롭게 처리할 수 있게 되어 애니메이션, 스크롤 및 사용자 상호작용이 훨씬 매끄러워졌으며 무거운 WebGL 게임 등에서의 일시 정지 시간을 최대 50% 단축했습니다 [9].
|
||||
|
||||
* **유휴 시간 가비지 컬렉션(Idle-time GC)을 통한 프레임 최적화:**
|
||||
Chrome은 초당 60프레임(FPS)을 렌더링하기 위해 각 프레임당 약 16.6ms의 시간을 갖습니다 [10]. 애니메이션 및 렌더링 작업이 예상보다 일찍 완료될 경우, Chrome은 다음 프레임이 시작되기 전 남은 '유휴 시간(Idle time)'을 활용하여 백그라운드에서 GC 작업을 선제적으로 수행합니다 [9-11]. 이를 통해 메인 렌더링 작업의 중단을 방지하면서도 효과적으로 메모리를 관리할 수 있습니다.
|
||||
|
||||
* **백그라운드 파싱(Background Parsing):**
|
||||
페이지가 로드되는 동안 V8 엔진은 백그라운드 파싱을 활용하여 스크립트를 처리합니다. 파싱 완료 즉시 사용된 임시 메모리(Zone)를 해제함으로써 메모리 소비를 줄여, 전반적인 브라우저 리소스 효율성과 렌더링 준비 속도 향상에 기여합니다 [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:** [[가비지 컬렉션 (Garbage Collection)]], [[Orinoco]], [[유휴 시간 GC (Idle-time GC)]]
|
||||
- **Projects/Contexts:** [[V8 JavaScript Engine]], [[Blink Renderer]]
|
||||
- **Contradictions/Notes:** 소스에 관련 정보가 부족합니다. 제공된 문서는 전적으로 V8 메모리 관리, 힙 구조, 메모리 누수 분석 등 JavaScript 엔진 단의 최적화에 집중되어 있습니다. 따라서 Chrome 렌더링 파이프라인(DOM 트리, CSSOM, 컴포지팅 등) 또는 Core Web Vitals(LCP, CLS, INP)의 구체적 동작 원리에 대한 정보는 소스에 포함되어 있지 않아 기술하지 못했습니다.
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-19*
|
||||
- Raw Source: [[00_Raw/2026-04-20/Chrome 브라우저 렌더링 성능.md]]
|
||||
---
|
||||
@@ -1,27 +0,0 @@
|
||||
---
|
||||
id: P-REINFORCE-SCI-PAIN
|
||||
category: "[[10_Wiki/💡 Topics/Science]]"
|
||||
confidence_score: 0.94
|
||||
tags: [Pain Management, Medical, Chronic Pain, Neurology]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Chronic-Pain-Management-Protocols]] (만성 통증 관리 프로토콜)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "통증은 뇌의 해석이다." 실제 조직이 다 낫더라도 뇌가 '통증 회로'를 끄지 못해 발생하는 만성 고통을 신경 가소성을 이용해 재훈련하는 과정이다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Central Sensitization (중추 감작)**:
|
||||
- 신경계가 과도하게 민감해져서 아주 작은 자극에도 극심한 통증으로 반응하게 된 상태. 뇌의 '경보 시스템'이 고장 난 것과 같다.
|
||||
- **Biopsychosocial Model**:
|
||||
- 생물학적 요인뿐만 아니라 심리적(불안, 우울), 사회적 요인이 통증의 정도를 결정한다는 현대적 접근법.
|
||||
- **Gait Control Theory (관문 조절설)**:
|
||||
- 가벼운 접촉이나 진동 같은 다른 자극을 근처 신경에 주어, 통증 신호가 뇌로 가는 '관문'을 닫게 하는 원리.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 단순 진통제 처방은 근본 원인을 해결하지 못하고 중독 위험만 키운다. 최근에는 명상, 점진적 운동 노출치료(Graded Motor Imagery) 등 뇌의 회로를 직접 재배열하는 치료법이 강조되고 있다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Cognitive-Therapy-in-CBT]] , [[Biomechanics-of-Injury]]
|
||||
- Analysis: [[Clinical-Kinesiology-Assessment]]
|
||||
@@ -1,27 +0,0 @@
|
||||
---
|
||||
id: P-REINFORCE-AI-CIRCUIT
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.98
|
||||
tags: [Interpretability, Neural Networks, Circuit Discovery, Mechanistic Interpretability]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Circuit-Discovery]] (회로 발견)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "인공신경망은 블랙박스가 아니다." 신경망 내부의 수억 개 파라미터들 사이에서 특정 로직(예: 덧셈, 문법 파악)을 수행하는 고유의 '신경 회로'를 찾아 지질학적으로 분석하는 고난도 기술이다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Mechanistic Interpretability**:
|
||||
- 모델의 입력을 조금씩 바꿔보며 특정 뉴런들이 어떻게 활성화되는지(Activation Patching 등)를 분석하여, 가중치 속에 숨겨진 알고리즘을 역설계한다.
|
||||
- **Induction Heads**:
|
||||
- 이전에 본 패턴을 기억하고 반복될 때 활성화되는 신경망 내의 특정 구조. LLM의 문맥 이해 능력의 핵심 원동력 중 하나로 밝혀졌다.
|
||||
- **Reverse Engineering**:
|
||||
- 학습된 모델을 '읽기'를 통해 그 모델이 어떤 수학적 전략을 사용해 문제를 푸는지 인간의 언어로 설명하는 과정.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 대규모 모델(Llama-3, GPT-4)로 갈수록 회로가 너무 복잡해져서 일일이 분석하는 것이 불가능에 가까워진다. 최근에는 다른 '작은 AI'를 시켜서 큰 AI의 회로를 분석하게 하는 자동화된 해석 연구가 진행 중이다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Automated-Reasoning]] , [[Complexity-Theory]]
|
||||
- Foundation: [[Information Theory]]
|
||||
@@ -1,25 +0,0 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-0A3374
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - Circuit Discovery (회로 발견)"
|
||||
---
|
||||
|
||||
# [[Circuit Discovery (회로 발견)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 지식 요약 정보 추출 중...
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
본문 구조화 작업 중...
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요.
|
||||
- **정책 변화:** AI 분야의 자동 자산화 수행.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
|
||||
- Raw Source: [[00_Raw/2026-04-20/Circuit Discovery (회로 발견).md]]
|
||||
---
|
||||
@@ -1,25 +0,0 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-544952
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - Circular Economy Transitions"
|
||||
---
|
||||
|
||||
# [[Circular Economy Transitions]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 지식 요약 정보 추출 중...
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
본문 구조화 작업 중...
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요.
|
||||
- **정책 변화:** AI 분야의 자동 자산화 수행.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
|
||||
- Raw Source: [[00_Raw/2026-04-20/Circular Economy Transitions.md]]
|
||||
---
|
||||
@@ -1,27 +0,0 @@
|
||||
---
|
||||
id: P-REINFORCE-SCI-CIRCULAR
|
||||
category: "[[10_Wiki/💡 Topics/Science]]"
|
||||
confidence_score: 0.94
|
||||
tags: [Circular Economy, Sustainability, Recycling, ESG]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Circular-Economy]] (순환 경제)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 쓰레기는 설계 단계에서의 '지능 부족'의 결과물이다. 자원이 폐기되지 않고 영구적으로 순환하도록 시스템 자체를 다시 디자인하는 것이 순환 경제의 정수다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Design out Waste**:
|
||||
- 처음부터 재활용이 불가능한 소재를 배제하고, 수리(Repair)와 분해(Disassembly)가 쉬운 제품 아키텍처를 설계한다.
|
||||
- **Product as a Service (PaaS)**:
|
||||
- 제품을 판매하는 대신 '사용권'을 빌려주는 모델. 기업이 소유권을 유지하므로 제품의 내구성을 높이고 회수 후 재자원화하는 동기가 강화된다.
|
||||
- **Biological vs Technical Cycles**:
|
||||
- 생물학적 자원은 안전하게 자연으로 돌아가고(Bio-degradable), 기술적 자원(금속, 플라스틱)은 에너지를 투입해 가치를 유지하며 순환시킨다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 재활용 과정에서 소모되는 에너지와 탄소 배출량이 자원의 가치보다 클 때가 있다. 따라서 단순한 재활용(Recycling)보다 상위 개념인 재사용(Reuse)과 리퍼비시(Refurbish) 정책이 우선시되어야 한다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Circular Economy Transitions]] , [[Climate Change Mitigation Frameworks]]
|
||||
- Context: [[Distributed-Systems-Engineering]]
|
||||
@@ -1,30 +0,0 @@
|
||||
---
|
||||
id: P-REINFORCE-AI-CLEANARCH-IMP
|
||||
category: "[[10_Wiki/💡 Topics/Software Architecture]]"
|
||||
confidence_score: 0.98
|
||||
tags: [Clean Architecture, Implementation, Layering, SOLID]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Clean-Architecture-Implementation]] (클린 아키텍처 구현)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "데이터베이스나 프레임워크는 세부 사항일 뿐이다." 비즈니스 규칙(Domain)을 외부 세계로부터 철저히 격리하여 평생 변하지 않는 단단한 원핵(Core)을 유지하는 아키텍처다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **의존성 규칙 (Dependency Rule)**:
|
||||
- 의존성의 방향은 항상 안쪽(Domain)으로만 향해야 한다. 도메인은 외부 라이브러리나 UI 라이브러리를 절대 알면 안 된다.
|
||||
- **4대 레이어 구성**:
|
||||
1. **Entities**: 가장 핵심적인 비즈니스 객체 및 규칙.
|
||||
2. **Use Cases**: 애플리케이션 특유의 비즈니스 논리 구현.
|
||||
3. **Interface Adapters**: Controller, Presenter 등 데이터 변환기.
|
||||
4. **Frameworks & Drivers**: DB, UI, 외부 API 등 인프라스트럭처.
|
||||
- **DIP (Dependency Inversion Principle)**:
|
||||
- 중심부가 외부를 호출해야 할 땐 인터페이스를 정의하고, 실체는 외부에서 주입(Injection)받는다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 작은 프로젝트에 클린 아키텍처를 도입하는 것은 '보일러플레이트 지옥'을 초래할 수 있다. 소규모일 땐 생산성을 챙기고, 코드 베이스가 1만 라인을 넘어가는 시점부터 점진적으로 레이어를 분리하는 **'점진적 아키텍처링'**이 실무에서 더 선호된다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Separation_of_Concerns]] , [[Domain-Driven Design (DDD)]]
|
||||
- Foundation: [[React_Clean_Code_Best_Practices]]
|
||||
@@ -1,27 +0,0 @@
|
||||
---
|
||||
id: P-REINFORCE-AI-CLEANARCH-TS
|
||||
category: "[[10_Wiki/💡 Topics/Software Architecture]]"
|
||||
confidence_score: 0.99
|
||||
tags: [TypeScript, Clean Architecture, Type Safety, Mapping]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Clean-Architecture-TypeScript]] (타입스크립트와 클린 아키텍처)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 타입스크립트의 강력한 타입 시스템은 클린 아키텍처의 '레이어 간 경계'를 물리적으로 강제하는 가장 완벽한 감시자다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Domain Interface First**:
|
||||
- Use Case는 구체적인 레포지토리가 아닌, 타입스크립트 `interface`에만 의존하게 설계하라. 이렇게 하면 테스트 작성 시 가짜(Mock) 객체를 갈아 끼우는 것이 숨 쉬듯 쉬워진다.
|
||||
- **Data Transfer Object (DTO) Mapping**:
|
||||
- DB 엔티티 타입을 UI까지 그대로 끌고 가지 마라. 레이어를 넘나들 때마다 `Mapper`를 통해 필요한 데이터만 추출한 전용 타입을 사용해야 '오염'을 막을 수 있다.
|
||||
- **Branded Types for ID**:
|
||||
- `UserId`, `OrderId`를 단순한 `string`이 아닌 고유 타입으로 정의하여, 실수로 유저 ID 칸에 주문 ID를 넣는 실수를 컴파일 타임에 잡아낸다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 과도한 'Mapping'은 런타임 성능과 개발 시간을 소모한다. 도메인과 데이터 계층의 모양이 90% 이상 일치한다면, 무리하게 분리하기보다 `Pick`이나 `Omit` 유틸리티 타입을 활용하여 유연하게 대응하는 것이 실용적이다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[TypeScript_Type_Safety]] , [[React_State_Management_Strategy]]
|
||||
- Foundation: [[Clean-Architecture-Implementation]]
|
||||
@@ -1,27 +0,0 @@
|
||||
---
|
||||
id: P-REINFORCE-SCI-CLIMATE
|
||||
category: "[[10_Wiki/💡 Topics/Science]]"
|
||||
confidence_score: 0.93
|
||||
tags: [Climate Change, Net Zero, Carbon Neutral, Mitigation]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Climate-Change-Mitigation-Frameworks]] (기후 변화 대응 프레임워크)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 기후 변화는 단순한 환경 문제가 아니라 '에너지 시스템의 대전환' 문제이며, 과학적 실증 데이터에 기반한 탄소 예산(Carbon Budget) 관리가 핵심이다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Decarbonization (탈탄소화)**:
|
||||
- 화석 연료 기반의 에너지 믹스를 태양광, 풍력, 원자력 등 저탄소 에너지원으로 전환하고 전력을 효율화한다.
|
||||
- **Carbon Capture & Storage (CCS)**:
|
||||
- 배출된 이산화탄소를 포집하여 지하나 해저에 영구 격리하는 기술적 보완책. 넷 제로(Net Zero) 달성을 위한 최후의 수단이다.
|
||||
- **Emissions Trading System (ETS)**:
|
||||
- 탄소 배출에 '가격'을 매겨 기업들이 자발적으로 배출량을 줄이도록 유도하는 시장 경제 기반의 정책 도구.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 선진국과 개도국 사이의 '기후 정의' 문제가 항상 충돌한다. 기술적 해결만큼이나 글로벌 거버넌스(Paris Agreement)와 금융 지원 체계가 동반되어야 실무적인 변화가 가능하다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Circular-Economy]] , [[Distributed-Systems-Engineering]]
|
||||
- Policy: [[Collaboration_Governance]]
|
||||
@@ -1,27 +0,0 @@
|
||||
---
|
||||
id: P-REINFORCE-SCI-KINESIO
|
||||
category: "[[10_Wiki/💡 Topics/Science]]"
|
||||
confidence_score: 0.95
|
||||
tags: [Kinesiology, Human Movement, Biomechanics, Assessment]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Clinical-Kinesiology-Assessment]] (임상 운동학 평가)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 통증은 결과일 뿐, 원인은 '잘못된 움직임의 패턴'에 있다. 골격과 근육의 역학적 상호작용을 분석하여 신체의 기능을 최적화하는 과정이다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Joint Range of Motion (ROM)**:
|
||||
- 관절이 가용할 수 있는 각도를 측정하여 유연성과 가동성을 평가한다. 특정 방향의 각도 제한은 부상으로 가는 조기 신호다.
|
||||
- **Muscle Imbalance Study**:
|
||||
- 주동근(Agonist)과 길항근(Antagonist)의 힘의 균형을 분석한다. 한쪽이 너무 강하면 반대쪽은 늘어지고 약해지며(Lower Crossed Syndrome 등) 체형 불균형을 초래한다.
|
||||
- **Gait Analysis (보행 분석)**:
|
||||
- 발바닥의 압력 분포와 걷는 자세를 분석하여 척추와 골반의 정렬 상태를 추론한다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 과거에는 눈과 수동 측정기에 의존했으나, 최근에는 스마트폰 카메라를 통한 **AI 자세 분석(Pose Estimation)** 기술이 도입되어 훨씬 정밀하고 객관적인 평가가 가능해졌다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Biomechanics-of-Injury]] , [[Biometrics]]
|
||||
- Tech: [[Computer Vision]]
|
||||
Some files were not shown because too many files have changed in this diff Show More
Reference in New Issue
Block a user