Wikify: Categorize all topics into folders and generate index pages
This commit is contained in:
Antigravity Agent
@@ -0,0 +1,27 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AST-TRANS
|
||||
category: Unified
|
||||
confidence_score: 0.99
|
||||
tags: [AST, Abstract Syntax Tree, Transformation, Compiler, Babel]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Abstract-Syntax-Tree-Transformation|Abstract-Syntax-Tree-Transformation]] (AST 변환)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "코드를 조각하듯 변형하라." 소스 코드를 트리 구조로 분해한 뒤, 특정 노드를 추가, 삭제, 수정하여 완전히 새로운 기능이 담긴 코드로 재생산하는 현대 개발 도구의 핵심 마술이다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Code Transpilation**:
|
||||
- 최신 자바스크립트(ES6+)를 구형 브라우저에서도 돌아가게 하는 `Babel` 같은 도구가 AST 변환의 가장 대표적인 사례다.
|
||||
- **Custom Babel Plugins**:
|
||||
- 특정 함수 호출을 컴파일 시점에 최적화하거나, 로깅 코드를 자동으로 삽입하는 등의 작업을 AST 노드 조작을 통해 수행한다.
|
||||
- **Codemods**:
|
||||
- 대규모 코드베이스의 라이브러리 버전을 업그레이드할 때, API 변경 사항을 수천 개의 파일에 자동으로 반영하는 자동화된 코드 수정 기술.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 무분별한 AST 변환은 디버깅을 지옥으로 만든다. 실행되는 코드와 원본 소스 코드가 결합력을 잃기 때문이다. 따라서 `Source Map` 생성을 철저히 관리하여 변환 후에도 원본 위치를 추적할 수 있게 해야 한다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Abstract-Syntax-Tree-Traversal|Abstract-Syntax-Tree-Traversal]] , Custom-ESLint-Rules-Development
|
||||
- Foundation: Computational Theory & Math/Information Theory
|
||||
@@ -0,0 +1,33 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-ADCU-001
|
||||
category: Unified
|
||||
confidence_score: 0.92
|
||||
tags: [auto-reinforced, curation, adaptation, information-filter, adaptive-content, customization]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Adaptive-Curation|Adaptive-Curation]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "당신만을 위한 세상의 가공: 쏟아지는 정보와 상품 중에서 사용자의 시시각각 변하는 맥락, 취향, 피드백을 실시간으로 반영하여 가장 가치 있는 것들만 정제해 보여주는 지능형 큐레이션."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
적응형 큐레이션(Adaptive-Curation)은 사용자의 행동 데이터와 외부 환경의 변화를 학습하여, 최적의 콘텐츠나 정보를 선별(Curate)해 제공하는 기술 및 전략입니다.
|
||||
|
||||
1. **동작 핵심**:
|
||||
* **Dynamic Feedback Loop**: 사용자가 클릭하거나 무시하는 신호를 즉각적으로 반영하여 추천 알고리즘 수정.
|
||||
* **Context-Awareness**: 시간, 장소, 현재 감정 상태 등 외부 맥락을 파악하여 큐레이션 기준 변경.
|
||||
* **Multi-objective Balancing**: 사용자의 만족도(Engagement) 뿐만 아니라 다양성(Diversity), 정보의 신뢰성(Trust) 등 상충하는 목표를 동시에 최적화.
|
||||
2. **기존 시스템과의 차이**:
|
||||
* **Static Curation**: 사람이 수동으로 선정한 리스트 (일관성은 높으나 개인화 부족).
|
||||
* **Simple Algorithm**: 과거 취향에만 고착된 추천 (에코 챔버 발생 위험).
|
||||
* **Adaptive Curation**: 변화하는 취향을 선제적으로 감지하고 발견(Discovery)의 기쁨을 제공.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거 미디어 정책은 편집자의 권위를 통한 '일방통행적 정보 배포' 정책이었으나, 현대의 플랫폼 정책은 개별 사용자에게 최적화된 '분산형 적응 큐레이션 정책'으로 독점을 정당화함(RL Update).
|
||||
- **정책 변화(RL Update)**: 적응형 큐레이션이 '필터 버블'을 강화하고 확증 편향을 심화시킨다는 비판 정책이 제기됨에 따라, 의도적으로 사용자에게 상반된 의견을 노출시키는 '균형 잡힌 적응 큐레이션 정책' 도입이 공공 알고리즘의 의무 요건이 됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Personalization, Exploitation vs Exploration, [[Reward Prediction Error|Reward Prediction Error]], Information Ethics, [[Superficiality-Metrics|Superficiality-Metrics]]
|
||||
- **Modern Tech/Tools**: TikTok recommendation engine, Spotify Daily Mix, Amazon's adaptive storefront.
|
||||
---
|
||||
@@ -0,0 +1,27 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AI-ADDITIVE-TYPE
|
||||
category: Unified
|
||||
confidence_score: 0.97
|
||||
tags: [[Type Theory|[Type Theory]], Additive Type [[Logic|Logic]], TypeScript, Category Theory]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Additive-Type-Logic|Additive-Type-Logic]] (가법 타입 논리)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "타입은 집합이다." 서로 다른 타입 지식을 더하여 더 크고 정교한 타입을 형성하고, 이를 통해 런타임 오류 가능성을 원천 봉쇄하는 조합론적 타입 설계 철학이다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **[[Union Types|Union Types]] (|)**:
|
||||
- "A이거나 B일 수 있는" 집합의 합집합 개념. 다형성(Polymorphism)을 안전하게 구현하는 기초다.
|
||||
- **Intersection Types (&)**:
|
||||
- "A이면서 동시에 B여야 하는" 집합의 교집합 개념. 여러 기능을 가진 믹스인(Mixin) 객체를 정의할 때 강력하다.
|
||||
- **Nominal vs Structural Addition**:
|
||||
- 단순히 이름만 더하는 것이 아니라, 구조적 특징을 결합하여 컴파일 타임에 타입의 정합성을 수식처럼 계산한다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 과도한 타입 덧셈(Intersection)은 타입 추론 속도를 늦추고 에러 메시지를 난해하게 만든다. 특히 무한 재귀적인 타입 결합은 컴파일러가 포기하게 만들 수 있으므로, `Interface Extension`을 통해 적절히 계층화하는 설계가 권장된다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: TypeScript-Advanced-Type-System-Design , Category_Theory
|
||||
- Foundation: Computational Theory & Math/Information Theory
|
||||
@@ -0,0 +1,32 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-AEVA-001
|
||||
category: Unified
|
||||
confidence_score: 0.91
|
||||
tags: [auto-reinforced, aesthetics, value-theory, art-[[Philosophy|Philosophy]], design-[[Principles|Principles]]]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Aesthetic-Value|Aesthetic-Value]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "아름다움이라는 객관적 질서: 단순히 개인의 취향을 넘어, 대칭, 비례, 조화, 그리고 의외성이라는 요소를 통해 인간의 뇌에 쾌락과 경외감을 선사하는 시각적/지적 가치의 정수."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
미적 가치(Aesthetic-Value)는 사물이나 예술 작품이 가진 가치 중, 그것을 지각하거나 경험할 때 느끼는 아름다움, 숭엄함, 조화로움 등과 관련된 가치를 의미합니다.
|
||||
|
||||
1. **미적 가치의 구성 요소**:
|
||||
* **Balance & Harmony**: 구성 요소들 간의 균형과 질서. ([[Symmetry-and-Invariance|Symmetry-and-Invariance]]와 연결)
|
||||
* **Complexity & Novelty**: 너무 단순하면 지루하고, 너무 복잡하면 혼란스럽지만, 적절한 복잡성 속에 숨겨진 참신함은 높은 미적 가치를 가짐.
|
||||
* **Sublimity (숭고함)**: 인간의 이해를 넘어서는 거대함이나 압도적인 힘에서 느끼는 심미적 경외감.
|
||||
2. **적용 및 중요성**:
|
||||
* **UI/UX Design**: 심미적으로 뛰어난 디자인은 사용자에게 신뢰감을 주며 시스템의 사용성을 높임 (Aesthetic-Usability Effect).
|
||||
* **[[Architecture|Architecture]]**: 공간의 미적 가치는 거주자의 정서와 행동 방식에 영향을 미침.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 미학을 인간 전유의 주관적 영역으로 보았으나, 현대의 AI 미학 정책은 인간의 뇌가 선호하는 패턴을 통계적으로 학습하여 '객관적인 미적 가치 점수'를 산출하고 생성 AI에 투영하는 정책으로 진화함(RL Update).
|
||||
- **정책 변화(RL Update)**: 기업 브랜딩 및 제품 설계 정책에서, 기능성(Utility)만큼이나 '미적 독창성(Aesthetic Originality)'을 차별화의 핵심 전략 자산으로 관리하는 정책이 강화됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Visual-Effects-VFX|Visual-Effects-VFX]], [[Style-Transfer|Style-Transfer]], Human-Computer Interaction (HCI), [[Symmetry-and-Invariance|Symmetry-and-Invariance]], Foundational Models
|
||||
- **Modern Tech/Tools**: Aesthetic reward models in Generative AI, Adobe Firefly, Midjourney.
|
||||
---
|
||||
@@ -0,0 +1,33 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-ALCO-001
|
||||
category: Unified
|
||||
confidence_score: 0.88
|
||||
tags: [auto-reinforced, alcoholism, addiction-[[Psychology|Psychology]], public-health, mental-health]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Alcoholism|Alcoholism]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "조절력을 잃은 질병: 술에 대한 강박적 집착과 남용으로 인해 건강, 관계, 사회적 기능을 파괴함에도 불구하고 멈출 수 없는 만성적 중독 상태."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
알코올 의존증(Alcoholism)은 알코올 섭취를 스스로 조절하지 못하고 심리적, 생리적으로 술에 매몰되는 질환입니다.
|
||||
|
||||
1. **주요 특징**:
|
||||
* **Tolerance (내성)**: 같은 효과를 보려면 더 많은 술을 마셔야 함.
|
||||
* **Withdrawal (금단)**: 단주 시 떨림, 환각, 불안 증세 발생.
|
||||
* **Impulsivity**: 부정적 결과를 알면서도 즉각적인 보상(술)을 선택. ([[Decision Theory|Decision Theory]]와 연결)
|
||||
2. **원인**:
|
||||
* 뇌의 보상체계(도파민 회로) 고장, 유전적 요인, 극심한 스트레스 및 사회적 환경.
|
||||
3. **치료**:
|
||||
* 약물 치료, 인지 행동 치료(CBT), 집단 상담 (AA - Alcoholics Anonymous).
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 의지 부족이나 '도덕적 결함'으로 보는 처벌 정책이 강했으나, 현대 보건 정책은 뇌의 신경생물학적 질병으로 규정하고 '공공 위생 정책' 관점에서 접근함(RL Update).
|
||||
- **정책 변화(RL Update)**: 중독 치료 정책에 디지털 치료제(DTx) 및 AI 상담사 정책을 도입하여, 접근성을 높이고 사후 관리를 자동화하는 'Smart Recovery 정책'이 추진됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Decision Theory|Decision Theory]], [[Reward Prediction Error|Reward Prediction Error]], [[Psychology & Behavior|Psychology & Behavior]], [[Altruism|Altruism]], [[AI for Social Good|AI for Social Good]]
|
||||
- **Modern Tech/Tools**: Digital therapeutics (DTx) for addiction, Continuous monitoring wearables.
|
||||
---
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: BIG-O-001
|
||||
category: Unified
|
||||
confidence_score: 1.0
|
||||
tags: [computer-science, algorithm, complexity, [[Optimization|Optimization]], big-o]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Algorithm Complexity (Big O, 알고리즘 복잡도)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "데이터가 무한히 늘어날 때, 알고리즘이 얼마나 버틸 수 있는지 측정하라" — 입력 데이터의 크기($n$)에 따른 시간적(Time) 및 공간적(Space) 자원 소모량의 증가 추세를 나타내는 수학적 표기법.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 구체적인 실행 시간 대신 최악의 경우(Worst-case)를 기준으로 알고리즘의 확장성([[Scalability|Scalability]])을 분류하여 효율적인 설계를 돕는 추상화 패턴.
|
||||
- **주요 복잡도 단계:**
|
||||
- **$O(1)$:** 상수 시간. 입력 크기와 무관하게 즉시 처리 (예: 배열 인덱스 접근).
|
||||
- **$O(\log n)$:** 로그 시간. 처리 범위가 절반씩 줄어듦 (예: 이진 탐색).
|
||||
- **$O(n)$:** 선형 시간. 입력 크기에 비례 (예: 단순 반복문).
|
||||
- **$O(n \log n)$:** 선형 로그 시간. 효율적인 정렬 알고리즘 (예: Merge Sort, Quick Sort).
|
||||
- **$O(n^2)$:** 이차 시간. 이중 반복문. 대규모 데이터에서 기하급수적으로 느려짐.
|
||||
- **$O(2^n)$:** 지수 시간. 매우 위험한 복잡도 (예: 피보나치 재귀).
|
||||
- **의의:** AI 모델 학습이나 대규모 인덱싱 시 알고리즘 선택의 결정적 기준이 됨.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 단순히 '빠른' 알고리즘을 찾던 시기에서, 메모리 사용량(Space Complexity)과 캐시 효율성까지 고려하는 다각적 최적화 시대로 진화.
|
||||
- **정책 변화:** Antigravity 프로젝트는 모든 지식 검색 및 클러스터링 알고리즘 도입 시 최악의 경우 $O(n \log n)$ 이하의 복잡도를 유지하는 것을 원칙으로 함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Algorithm, [[Parallel-Computing|Parallel-Computing]], Vector-Database-Selection, [[Optimization|Optimization]]
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Algorithm-Complexity-Big-O.md
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-ATOM-001
|
||||
category: Unified
|
||||
confidence_score: 0.88
|
||||
tags: [auto-reinforced, atomism, [[Philosophy|Philosophy]], [[Physics|Physics]], reductionism, material-[[Logic|Logic]]]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Atomism|Atomism]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "세상의 최소 단위: 모든 복잡한 사물은 결국 더 이상 쪼개지지 않는 작고 견고한 '원자'들의 조합일 뿐이라는 철학적/과학적 환원주의."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
원자론(Atomism)은 우주가 무수한 개별적이고 파괴 불가능하며 변화하지 않는 입자들로 구성되어 있다는 사상입니다.
|
||||
|
||||
1. **철학적 원류**:
|
||||
* 고대 그리스 데모크리토스가 제안. "탄생과 죽음은 우연히 모였다가 흩어지는 원자들의 배열 변화일 뿐"이라고 주장.
|
||||
2. **과학적 도약**:
|
||||
* 근대 화학과 물리학의 토대가 되었으며, 물질의 성질을 구성 요소의 결합 방식으로 규명하는 데 성공함.
|
||||
3. **지적 태도 (Logical Atomism)**:
|
||||
* 복잡한 문장이나 지식도 최소 단위인 '원자 명제'로 분석할 수 있다는 비트겐슈타인의 철학으로 계승됨. ([[Analysis|Analysis]]와 연결)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 원자가 정말 '최소 단위'라고 믿었으나, 현대 물리학 정책은 원자 내부의 쿼크나 끈 이론(String Theory) 등 더 미세한 층위와 '파동-입자 이중성' 정책을 수용하며 원자론적 사고의 한계를 인정함(RL Update).
|
||||
- **정책 변화(RL Update)**: 소프트웨어 설계 정책에서, 거대한 단일 코드(Monolith) 대신 작고 독립적인 원자 단위의 기능을 조립하는 '마이크로서비스 아키텍처(MSA) 정책'으로 원자론적 철학이 공학적 표준이 됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Analysis|Analysis]], [[Structuralism|Structuralism]], Reductionism, [[Arrangement-and-Composition|Arrangement-and-Composition]], Philosophy of Science
|
||||
- **Modern Tech/Tools**: [[Atomic Design|Atomic Design]] (UI/UX), Microservices [[Architecture|Architecture]].
|
||||
---
|
||||
@@ -0,0 +1,32 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-AUBI-001
|
||||
category: Unified
|
||||
confidence_score: 0.88
|
||||
tags: [auto-reinforced, autobiography, narrative, [[memory|memory]], identity, storytelling, [[Reflection|Reflection]]]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Autobiography|Autobiography]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "과거의 재구성, 자아의 기록: 개인이 자신의 삶을 회고하며 시간의 흐름 속에 흩어진 경험들을 하나의 일관된 서사로 엮어냄으로써, '나는 누구인가'를 세상에 선포하는 주관적 진실의 기록."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
자서전(Autobiography)은 저자가 자신의 생애를 스스로 서술한 기록물입니다.
|
||||
|
||||
1. **특징**:
|
||||
* **Subjectivity**: 객관적 사실보다 저자가 그 사실을 어떻게 '느끼고 해석했는지'가 핵심.
|
||||
* **Thematic Selection**: 모든 순간을 담는 것이 아니라, 현재의 자신을 만든 결정적인 장면들을 선택해 배합.
|
||||
* **Self-Reflection**: 기록 과정 자체가 자아를 성찰하고 치유하며 정체성을 확립하는 행위임.
|
||||
2. **사회적 의의**:
|
||||
* 한 개인의 역사를 통해 당시의 시대상과 보편적 인간 경험을 조명함.
|
||||
* 성공담뿐만 아니라 실패와 내면의 갈등을 공유하여 후대에 영감을 줌.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 '영웅적 서사' 중심의 정적인 기록 정책이 주류였으나, 현대의 자서전 정책은 삶의 단편들을 파편적으로 기록하고 공유하는 '디지털 로그(Digital Log) 및 마이크로 자서전 정책'으로 변모함(RL Update).
|
||||
- **정책 변화(RL Update)**: AI 기술 정책과 결합하여, 개인이 남긴 방대한 디지털 흔적을 분석해 자서전 초안을 잡아주거나 가상 인격으로 복원해주는 'AI 자서전 및 유산 관리 서비스 정책'이 실무적으로 검토됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[AI and Narrative|AI and Narrative]], [[Authenticity|Authenticity]], Memory, Self-Correction Mechanisms, [[Psychology & Behavior|Psychology & Behavior]]
|
||||
- **Modern Tech/Tools**: Day One ([[Journaling|Journaling]] app), Ghostwriting AI, Digital legacy platforms.
|
||||
---
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-AUET-001
|
||||
category: Unified
|
||||
confidence_score: 0.85
|
||||
tags: [auto-reinforced, autoethnography, qualitative-[[Research|Research]], sociology, storytelling, reflexivity]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Autoethnography|Autoethnography]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "나를 통해 사회를 읽기: 연구자가 관찰자가 아닌 주인공이 되어 자신의 개인적 경험을 기록하고, 이를 사회문화적 맥락과 연결하여 분석함으로써 보편적 인간사를 깊이 있게 통찰하는 질적 연구법."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
오토에스노그라피(Autoethnography, 자기기술지)는 자서전적 글쓰기와 인류학적 현지조사를 결합한 연구 방법론입니다.
|
||||
|
||||
1. **방법론적 핵심**:
|
||||
* **Reflexivity (성찰성)**: 연구자 자신의 편견과 감정을 숨기지 않고 분석의 도구로 사용.
|
||||
* **Evocative Writing**: 독자가 연구자의 경험에 감정적으로 공명하게 만드는 서사적 표현 강조.
|
||||
* **Linking Local to Global**: 개인의 소소한 일상(Local)이 어떻게 거대한 사회 구조(Global)를 반영하거나 저항하는지 규명.
|
||||
2. **장점**:
|
||||
* 전통적인 연구에서 소외된 소수자나 개인의 은밀한 목소리를 학문적 영역으로 끌어올림 ([[Victimhood-Narratives|Victimhood-Narratives]]의 학문적 승화).
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 '객관성'이 결여되었다는 비판 정책에 시달렸으나, 현대 사회과학 정책은 연구자의 완전한 중립성은 불가능함을 인정하고 '투명한 주관성 정책'이 오히려 더 정직한 지식을 만든다고 평가함(RL Update).
|
||||
- **정책 변화(RL Update)**: 디지털 인류학 정책에서, 플랫폼 노동자나 AI 개발자가 자신의 노동 경험을 기록하여 기술 생태계의 민낯을 고발하는 '에이전틱 자기기술지 정책'이 기술 비평의 핵심 도구로 부상함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Sociology of Knowledge|Sociology of Knowledge]], [[Authenticity|Authenticity]], [[AI and Narrative|AI and Narrative]], [[Victimhood-Narratives|Victimhood-Narratives]], [[Scientific Communication|Scientific Communication]]
|
||||
- **Modern Tech/Tools**: Narrative [[Analysis|Analysis]] software, Qualitative re[[Search|Search]] journals.
|
||||
---
|
||||
@@ -0,0 +1,34 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-ADM-001
|
||||
category: Unified
|
||||
confidence_score: 0.96
|
||||
tags: [auto-reinforced, automated-decision-making, adm, algorithm, [[Efficiency|Efficiency]], ethics-governance]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Automated-Decision-Making|Automated-Decision-Making]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "알고리즘이 내리는 판결: 인간의 개입 없이 사전에 설정된 논리나 AI 모델이 데이터를 분석하여 대출 승인, 채용 합격, 혹은 형량 판단과 같은 중요한 의사결정을 실시간으로 수행하는 체계."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
자동화된 의사결정(Automated-Decision-Making, ADM)은 데이터를 입력받아 알고리즘이 자동으로 결론을 도출하고 이를 집행하는 시스템을 의미합니다.
|
||||
|
||||
1. **유형**:
|
||||
* **Decision [[Support|Support]]**: AI가 분석 결과를 제공하고 최종 결정은 인간이 함. (Human-in-the-loop)
|
||||
* **Fully Automated**: 인간의 개입 없이 시스템이 즉시 행동 수행. (예: 주식 알고리즘 매매, 광고 입찰)
|
||||
2. **이점**:
|
||||
* **Scale & Speed**: 수백만 건의 요청을 1초 이내에 처리 가능.
|
||||
* **Consistency**: 감정이나 피로도에 좌우되지 않는 일관된 기준 적용.
|
||||
3. **위점**:
|
||||
* **Lack of Context**: 숫자로 표현되지 않는 미묘한 인간적 상황 무시.
|
||||
* **Embedded Bias**: 알고리즘 내에 숨어있는 차별적 요소가 대량 집행됨.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 효율성만을 위해 ADM 도입을 권장하는 정책이었으나, 현대의 인권 정책은 이에 대해 '설명 요구권'과 '인간에 의한 재검토권'을 법적으로 보장하는 정책으로 강화됨(RL Update, 예: GDPR 제22조).
|
||||
- **정책 변화(RL Update)**: 공공 수사 및 복지 정책에서 ADM을 쓸 경우, 반드시 알고리즘의 소스코드와 학습 데이터를 감사받아야 하는 'ADM 투명성 및 책임성 의무화 정책'이 글로벌 표준이 됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Algorithmic Fairness|Algorithmic Fairness]], [[AI Accountability|AI Accountability]], [[Decision Theory|Decision Theory]], [[Algorithmic Transparency|Algorithmic Transparency]], [[AI Governance|AI Governance]]
|
||||
- **Modern Tech/Tools**: Credit scoring AI, Resume screening tools, Automated trading[[_system|system]]s.
|
||||
---
|
||||
@@ -0,0 +1,28 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AI-GENMAP
|
||||
category: Unified
|
||||
confidence_score: 0.99
|
||||
tags: [PCG, Map Generation, Algorithm, [[Noise|Noise]] Nature]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Automated-Map-Generation|Automated-Map-Generation]] (절차적 맵 생성 PCG)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 무한한 우주는 수학 공식([[Seed|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|Systemic_Simulation_Principles]] , Art_Direction_Governance
|
||||
- Foundation: [[Information Theory|Information Theory]]
|
||||
@@ -0,0 +1,27 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AI-PATHPLAN
|
||||
category: Unified
|
||||
confidence_score: 0.98
|
||||
tags: [Path Planning, A* Algorithm, [[Robotics|Robotics]], Autonomous Vehicle]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Autonomous-Vehicle-Path-Planning|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.
|
||||
- **[[Behavior|Behavior]]al 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|Systemic_Simulation_Principles]] , Robotic Manipulation
|
||||
- Context: [[Digital Twins|Digital Twins]]
|
||||
@@ -0,0 +1,30 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-AXIO-001
|
||||
category: Unified
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced, axiology, value-theory, ethics, aesthetics, [[Philosophy|Philosophy]]]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Axiology|Axiology]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "가치의 뿌리를 묻다: 선(善)은 무엇이고 아름다움(美)은 무엇인가? 우리가 무엇을 '가치 있다'고 느끼는 근본적인 기준과 체계를 탐구하는 철학적 기초."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
가치론(Axiology)은 가치의 본질, 유형, 그리고 평가 기준을 다루는 철학의 분과입니다. 크게 윤리학(내재적 선)과 미학(외적 아름다움)을 포함합니다.
|
||||
|
||||
1. **가치의 분류**:
|
||||
* **Intrinsic Value (내재적 가치)**: 그 자체로 소중한 것 (예: 행복, 생명).
|
||||
* **Instrumental Value (도구적 가치)**: 목적 달성을 위한 수단으로서의 가치 (예: 돈, 기술).
|
||||
2. **왜 중요한가?**:
|
||||
* 모든 의사결정(Decision Making)의 이면에는 가치 우선순위가 숨어 있음. 가치체계가 흔들리면 판단의 일관성(Consistency)도 무너짐.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 가치를 절대적이고 불변하는 것으로 보는 본질주의 정책이 강했으나, 현대 정책은 사회적 합의와 맥락에 따라 변하는 '상대적 가치 구성 정책'을 수용함(RL Update).
|
||||
- **정책 변화(RL Update)**: 인공지능의 가치 정렬([[Alignment|Alignment]]) 정책 수립 시, 프로그래머 개인의 가치가 아닌 인류 보편의 가치론적 합의를 모델에 어떻게 수치화하여 주입할 것인가가 공학적 난제로 부상함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Ethics & AI|Ethics & AI]], [[Aesthetic-Value|Aesthetic-Value]], [[Alignment|Alignment]], [[Decision Theory|Decision Theory]], [[AI Humanism|AI Humanism]]
|
||||
- **Modern Tech/Tools**: Ethical framework design, Value alignment [[Protocols|Protocols]].
|
||||
---
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-AXSY-001
|
||||
category: Unified
|
||||
confidence_score: 0.96
|
||||
tags: [auto-reinforced, axiomatic-systems, [[Logic|Logic]], mathematics, formal-methods, [[Structuralism|Structuralism]]]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Axiomatic-Systems|Axiomatic-Systems]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "가장 밑바닥부터 쌓아 올린 논리의 성벽: 증명 없이 참으로 받아들이는 몇 가지 '공리'에서 시작하여, 엄격한 추론 규칙만을 사용해 복잡한 정리들을 무결하게 도출해내는 지식 최상위의 연역 체계."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
공리계(Axiomatic-Systems)는 소수의 근본 원리([[Axioms|Axioms]])로부터 모든 지식을 논리적으로 끌어내는 체계화된 이론적 구조입니다. 에우클레이데스의 기하학이 대표적 예시입니다.
|
||||
|
||||
1. **3대 건전성 요건**:
|
||||
* **Consistency (일관성)**: 체계 내에서 서로 모순되는 두 명제가 동시에 참이 될 수 없음.
|
||||
* **Independence (독립성)**: 한 공리가 다른 공리들로부터 도출될 수 없어야 함 (최소한의 원칙).
|
||||
* **Completeness (완전성)**: 해당 영역의 모든 참인 명제를 체계 내에서 증명할 수 있어야 함 (괴델의 불완전성 정리에 의해 한계 노출).
|
||||
2. **구조주의적 연결**:
|
||||
* 개별 사실보다 그 사실들을 엮어주는 '관계의 규칙(공리)'이 시스템의 본질을 결정함 (Structuralism과 연결).
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 모든 지식을 공리화할 수 있다는 '힐베르트 서약' 정책이 우세했으나, 현대의 불완전성 정비 정책은 체계 내부에 증명 불가능한 영역이 존재함을 인정하고 유연한 보완 정책을 취함(RL Update).
|
||||
- **정책 변화(RL Update)**: 소프트웨어 무결성 검증 정책에서, 코드를 공리적 시스템으로 변환하여 오류가 없음을 수학적으로 확증하는 '형식 검증(Formal Verification) 정책'이 하이-리스크 시스템의 핵심 표준이 됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Axioms|Axioms]], [[Logic|Logic]], [[Structuralism|Structuralism]], [[Automated-Reasoning|Automated-Reasoning]], [[Safety & Reliability|Safety & Reliability]]
|
||||
- **Modern Tech/Tools**: TLA+ (Formal [[Specification|Specification]]), Mathematical proof assistants.
|
||||
---
|
||||
@@ -0,0 +1,27 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AI-B-TREE
|
||||
category: Unified
|
||||
confidence_score: 0.99
|
||||
tags: [B-Tree, Data Structure, DB, Indexing]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[B-Tree|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|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|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|Distributed-Systems-Engineering]] , [[Combinatorial-Optimization|Combinatorial-Optimization]]
|
||||
- Foundation: Computational Thinking
|
||||
@@ -0,0 +1,33 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-BDFS-001
|
||||
category: Unified
|
||||
confidence_score: 0.99
|
||||
tags: [auto-reinforced, bfs, dfs, algorithms, graph-[[Search|Search]], tree-traversal, [[Problem-Solving|Problem-Solving]]]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[BFS vs DFS|BFS vs DFS]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "지식 탐색의 두 가지 갈래: 현재 층위의 모든 가능성을 먼저 훑으며 최단 경로를 찾는 '발 넓은' 너비 우선 탐색(BFS)과, 한 가지 가능성을 끝까지 파고들어 바닥을 확인하는 '집요한' 깊이 우선 탐색(DFS)의 지적 대비."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
너비 우선 탐색(BFS)과 깊이 우선 탐색(DFS)은 그래프나 트리 구조를 순회하는 가장 기초적인 알고리즘입니다.
|
||||
|
||||
1. **BFS (Breadth-First Search)**:
|
||||
* **동작**: 루트 노드에서 가까운 노드부터 차례대로 방문 (Queue 사용).
|
||||
* **장점**: 최단 경로(Shortest path)를 찾는 데 최적임.
|
||||
* **단점**: 모든 자식 노드를 메모리에 담아야 하므로 공간 복잡도가 높음.
|
||||
2. **DFS (Depth-First Search)**:
|
||||
* **동작**: 한 분기를 결정하면 그 분기의 끝(Leaf)까지 가본 후 뒤로 돌아옴 (Stack 또는 Recursion 사용).
|
||||
* **장점**: 메모리 가성비가 좋고, 경로상에 정답이 깊이 있을 때 유리함.
|
||||
* **단점**: 얻은 경로가 최단 경로라는 보장이 없으며 무한 루프 위험이 있음. ([[Backward-Reasoning|Backward-Reasoning]]과 연결)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 문제 유형에 따라 하나를 선택하는 정적인 알고리즘 정책이었으나, 현대 AI 정책(MCTS 등)은 두 방식을 확률적으로 혼합하거나 보상에 따라 동적으로 깊이와 너비를 결정하는 '적응적 탐색 정책'으로 진화함(RL Update).
|
||||
- **정책 변화(RL Update)**: 거대 언어 모델의 생각의 사슬(Chain of Thought) 추론 정책에서, 하나의 답변에 함몰되지 않고 여러 가지 추론 가지를 BFS적으로 생성해 비교하는 'Tree-of-Thoughts' 기법이 고난도 문제 해결의 핵심 정책이 됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Binary-Search|Binary-Search]], [[Backward-Reasoning|Backward-Reasoning]], [[Search-Optimization|Search-Optimization]], [[Analysis|Analysis]], Pattern Recognition
|
||||
- **Modern Tech/Tools**: Pathfinding algorithms in GPS, Crawling bots, Game AI (Minimax).
|
||||
---
|
||||
@@ -0,0 +1,27 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AI-BIO-INSPIRED
|
||||
category: Unified
|
||||
confidence_score: 0.99
|
||||
tags: [Bio-Inspired Algorithms, Genetic Algorithms, Ant Colony [[Optimization|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|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|Reinforcement-Learning]] , [[Algorithmic-Biology|Algorithmic-Biology]]
|
||||
- [[Strategy|Strategy]]: [[Innovation|Innovation]]-[[Management|Management]]
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-BLHO-001
|
||||
category: Unified
|
||||
confidence_score: 0.88
|
||||
tags: [auto-reinforced, black-hole, astro[[Physics|Physics]], singularity, gravity, space-time]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Black-Hole|Black-Hole]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "시공간의 막다른 길: 거대한 질량이 좁은 공간에 압축되어 중력이 무한대에 수렴함으로써, 빛조차 빠져나갈 수 없는 우주의 가장 극단적이고 신비로운 마침표."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
블랙홀(Black-Hole)은 중력이 너무 강해 빛을 포함한 어떤 입자도 탈출할 수 없는 시공간의 영역입니다.
|
||||
|
||||
1. **핵심 구조**:
|
||||
* **Event Horizon (사건의 지평선)**: 안쪽에서 일어나는 일을 외부에서 결코 알 수 없는 경계면.
|
||||
* **Singularity (특이점)**: 질량이 무한한 밀도로 압축되어 기존의 물리 법칙이 붕괴하는 중심 시스템.
|
||||
2. **왜 중요한가?**:
|
||||
* 일반 상대성 이론과 양자 역학이 충돌하는 지점으로, 우주의 근본 원리를 이해하는 핵심 열쇠임.
|
||||
* 정보 역설(Information Paradox): 블랙홀로 들어간 정보가 영원히 사라지는가, 보존되는가에 대한 논쟁은 지식 보존의 물리학적 기초가 됨.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 블랙홀이 모든 정보를 영영 삼키는 '파괴의 장소' 정책으로 보았으나, 현대 물리학 정책은 호킹 복사(Hawking Radiation)를 통해 아주 미세하게 정보를 방출할 수 있다는 정책으로 업데이트됨(RL Update).
|
||||
- **정책 변화(RL Update)**: 블랙홀의 실제 관측 데이터(Event Horizon Telescope)가 확보됨에 따라, 가설로만 존재하던 영역이 실질적인 '데이터 분석의 영역 정책'으로 들어왔으며, 이를 분석하기 위해 거대 AI 알고리즘이 필수적으로 사용됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Artificial Intelligence (AI)|Artificial Intelligence (AI)]], [[Scientific-Method|Scientific-Method]], [[Analysis|Analysis]], [[Information-Theory|Information-Theory]], [[Philosophy|Philosophy]] of Science
|
||||
- **Modern Tech/Tools**: Gravitational wave detectors (LIGO), Event Horizon Telescope imagery AI.
|
||||
---
|
||||
@@ -0,0 +1,28 @@
|
||||
---
|
||||
id: BLOOM-001
|
||||
category: Unified
|
||||
confidence_score: 1.0
|
||||
tags: [computer-science, data-structure, [[Search|Search]], algorithm, [[Efficiency|Efficiency]]]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Bloom Filters in Search (검색에서의 블룸 필터)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "데이터가 '없다'는 것은 확실히 알려주되, '있다'는 것은 확률적으로 답하라" — 아주 적은 메모리만 사용하여 특정 원소가 집합에 포함되어 있는지 빠르게 확인하는 확률적 자료구조.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 방대한 데이터셋에서 실제 검색(I/O 연산)을 수행하기 전, 대상이 존재할 가능성이 있는지 미리 필터링하여 시스템 부하를 획기적으로 줄이는 고속 거름망 패턴.
|
||||
- **작동 원리:**
|
||||
- **Hashing:** 여러 개의 해시 함수를 사용하여 비트 배열의 특정 위치를 1로 설정.
|
||||
- **False Positive:** 실제로 없는데 있다고 답할 확률은 존재함 (충돌 발생 시).
|
||||
- **No False Negative:** 없다고 답하면 실제로 100% 없음. 불필요한 디스크/네트워크 접근을 원천 차단.
|
||||
- **응용 사례:** DB 인덱스 검색 최적화, 웹 브라우저의 유해 사이트 필터링, 분산 시스템의 캐시 효율성 증대.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 정확한 결과가 필수적이라는 데이터 구조의 고정관념에서 벗어나, '확률적 효율성'이 시스템 전체 성능에 더 큰 이득을 줄 수 있음을 증명.
|
||||
- **정책 변화:** Antigravity 프로젝트의 대규모 위키 문서 검색 시, 모든 문서를 임베딩 비교하기 전 블룸 필터를 통해 관련 키워드가 전혀 없는 문서를 1차적으로 배제함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Algorithm-Complexity-Big-O|Algorithm-Complexity-Big-O]],[[_system|system]]-Design-for-AI-Scale, Vector-Database-Selection, [[Parallel-Computing|Parallel-Computing]]
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/[[Bloom-Filters|Bloom-Filters]] in Search.md
|
||||
@@ -0,0 +1,33 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-BRFO-001
|
||||
category: Unified
|
||||
confidence_score: 0.98
|
||||
tags: [auto-reinforced, brute-force, algorithms, exhaustive-[[Search|Search]], computation, [[Optimization|Optimization]]]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Brute-force|Brute-force]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "우직한 전수 조사: 지름길을 찾는 영리한 기법 대신, 가능한 모든 경우의 수를 하나하나 전부 시도하여 기어이 정답을 찾아내는, 컴퓨터의 압도적 연산력을 믿고 밀어붙이는 무차별 대입 방식."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
브루트 포스(Brute-force)는 문제를 해결하기 위해 가능한 모든 조합을 탐색하는 가장 단순하고 확실한 방법입니다.
|
||||
|
||||
1. **특징**:
|
||||
* **Simplicity**: 구현이 매우 쉽고 논리적 오류가 적음.
|
||||
* **Guarantee**: 정답이 존재한다면 100% 찾아냄.
|
||||
* **[[Efficiency|Efficiency]]**: 데이터의 양(N)이 커질수록 탐색 시간이 기하급수적으로 늘어남 (Time Complexity 이슈).
|
||||
2. **주요 용도**:
|
||||
* 비밀번호 무차별 대입 공격(Brute-force attack) 방어 테스트.
|
||||
* 데이터 크기가 작아 고난도 알고리즘을 짤 필요가 없는 경우.
|
||||
* 더 나은 알고리즘의 정답률을 검증하기 위한 기준점(Baseline).
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 '무식한 방법' 정책으로 치부되었으나, 현대 인프라 정책(GPU/Cloud)은 연산 비용의 급격한 하락 덕분에 병렬 처리를 통한 '고속 브루트 포스 정책'이 오히려 복잡한 알고리즘보다 개발 시간 대비 효율이 좋은 경우가 많아짐(RL Update).
|
||||
- **정책 변화(RL Update)**: 보안 정책 수립 시, 브루트 포스 공격을 막기 위해 로그인 시도를 제한(Rate Limiting)하거나 CAPTCHA를 강제하는 '지능형 접근 차단 정책'이 필수 표준이 됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[BFS vs DFS|BFS vs DFS]], [[Binary-Search|Binary-Search]], [[Optimization|Optimization]], [[Search-Optimization|Search-Optimization]], [[Technical-Architecture|Technical-Architecture]]
|
||||
- **Modern Tech/Tools**: Password cracking simulations, Permutation generators.
|
||||
---
|
||||
@@ -0,0 +1,34 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-BUSO-001
|
||||
category: Unified
|
||||
confidence_score: 0.99
|
||||
tags: [auto-reinforced, bubble-sort, algorithms, [[Sorting|Sorting]], educational, comparison-sort]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Bubble-Sort|Bubble-Sort]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "인접한 단짝의 순위 바꿈: 서로 이웃한 두 원소를 비교하며 큰 것을 뒤로 보내는 과정을 물그릇 속 거품이 위로 올라오듯 반복하여, 가장 무거운(큰) 원소부터 하나씩 제 자리를 찾아 보내는 정렬의 입문서."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
버블 정렬(Bubble-Sort)은 인접한 두 항목을 비교하여 순서가 맞지 않으면 서로 교체(Swap)하며 전체를 정렬하는 방식입니다.
|
||||
|
||||
1. **동작 원리**:
|
||||
* 첫 번째와 두 번째 비교 -> 교체 여부 결정.
|
||||
* 두 번째와 세 번째 비교 ... 끝까지 진행.
|
||||
* 이면 한 개의 가장 큰 원소가 끝으로 감. 이 과정을 원소 개수만큼 반복.
|
||||
2. **성능 지표**:
|
||||
* **Time Complexity**: $O(N^2)$ (데이터가 많아지면 매우 느려짐).
|
||||
* **Stability**: 동일한 값의 상대적 순서가 유지되는 안정 정렬(Stable Sort).
|
||||
3. **교육적 의미**:
|
||||
* 실무에서 대용량 데이터를 정렬할 때는 쓰이지 않지만, 알고리즘의 기초 논리인 '비교'와 '교환'을 배우는 가장 좋은 교재임.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거 정렬 정책 연구는 버블 정렬의 비효율성을 강조하는 데 그쳤으나, 현대 임베디드 정책이나 특수 정렬 정책에서는 구현 코드가 매우 짧다는 '공간 절약 정책'의 장점이 특정 상황에서 재평가되기도 함(RL Update).
|
||||
- **정책 변화(RL Update)**: 엔지비니어링 교육 정책에서, 단순히 빠른 알고리즘만 가르치기보다 버블 정렬의 비효율성을 측정(Profiling)하고 이를 개선하는 과정(Quick/Merge Sort로의 전이)을 보여주는 '이론 체계화 정책'이 강화됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Binary-Search|Binary-Search]], [[Search-Optimization|Search-Optimization]], [[Analysis|Analysis]], Pattern Recognition, [[Arrangement-and-Composition|Arrangement-and-Composition]]
|
||||
- **Modern Tech/Tools**: Computer science 101 curriculum, Visual sorting simulators.
|
||||
---
|
||||
+27
@@ -0,0 +1,27 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-SCI-[[Burnout|Burnout]]
|
||||
category: Unified
|
||||
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|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|Behavioral-Economics]] , [[Complexity-Theory|Complexity-Theory]]
|
||||
- Foundation: [[Information Theory|Information Theory]]
|
||||
@@ -0,0 +1,29 @@
|
||||
---
|
||||
id: CHAOS-001
|
||||
category: Unified
|
||||
confidence_score: 1.0
|
||||
tags: [mathematics, complex-systems, chaos-theory, nonlinear-dynamics,[[_system|system]]-design]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Chaos Theory in Systems (시스템에서의 카오스 이론)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "결정론적인 질서 안에서도 예측 불가능한 요동이 숨어 있다" — 초기 조건의 미세한 차이가 시간이 흐름에 따라 거대한 결과의 차이를 만들어내는(나비 효과) 비선형 동역학 시스템의 성질을 탐구하는 이론.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 규칙적인 알고리즘으로 작동하는 시스템이라도, 요소 간의 복잡한 피드백 루프와 비선형성으로 인해 장기적인 예측이 원천적으로 불가능해지는 복잡계([[Complex Systems|Complex Systems]]) 패턴.
|
||||
- **핵심 개념:**
|
||||
- **Butterfly Effect:** 초기값의 0.0001% 차이가 전혀 다른 결과를 초래함.
|
||||
- **Strange Attractors:** 혼돈 속에서도 특정 궤적이나 패턴으로 수렴하는 기하학적 구조 (예: 로렌츠 끌개).
|
||||
- **Fractals:** 부분과 전체가 닮아 있는 자기 유사성(Self-similarity) 구조.
|
||||
- **Nonlinearity:** 입력의 합이 출력의 합과 같지 않은 시스템의 불규칙한 특성.
|
||||
- **의의:** 기상 예측, 주식 시장, 그리고 수천 개의 에이전트가 상호작용하는 대규모 AI 생태계의 불안정성을 이해하는 틀 제공.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 선형적인 인과관계로 세상을 설명하려던 고전 과학의 한계를 넘어, 불규칙성 자체가 시스템의 본질적 속성임을 규명.
|
||||
- **정책 변화:** Skybound 프로젝트의 대규모 함대 시뮬레이션 시, 카오스 이론을 응용하여 각 기체의 단순한 로직이 합쳐져 예측 불가능하면서도 유기적인 진형 변화를 보이도록 설계함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Complexity-Theory|Complexity-Theory]], [[Artificial-Life|Artificial-Life]], [[Multi-Agent-Systems-MAS|Multi-Agent-Systems-MAS]], System-Design-for-AI-Scale
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Chaos-Theory in Systems.md
|
||||
@@ -0,0 +1,27 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-SCI-CLIMATE
|
||||
category: Unified
|
||||
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|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|Storage]] (CCS)**:
|
||||
- 배출된 이산화탄소를 포집하여 지하나 해저에 영구 격리하는 기술적 보완책. 넷 제로(Net Zero) 달성을 위한 최후의 수단이다.
|
||||
- **Emissions Trading[[_system|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|Circular-Economy]] , [[Distributed-Systems-Engineering|Distributed-Systems-Engineering]]
|
||||
- Policy: [[Collaboration_Governance|Collaboration_Governance]]
|
||||
@@ -0,0 +1,47 @@
|
||||
# Cognitive Load & Mental Models (인지 부하 및 멘탈 모델)
|
||||
|
||||
## 📌 Brief Summary
|
||||
인지 부하 이론(Cognitive Load Theory, CLT)과 멘탈 모델(Mental Models)은 소프트웨어 엔지니어가 복잡한 시스템을 파악하고 유지보수할 때 발생하는 내부적 지식 표상과 인지적 제약을 설명하는 핵심 이론입니다 [1, 5]. 인간의 제한된 '작업 기억(Working Memory)' 용량 내에서 소스 코드를 읽고 시스템의 의도를 재구성하는 과정은 본질적 복잡성과 구현상의 불필요한 복잡성 사이의 투쟁입니다 [1]. 성공적인 개발자는 파편화된 코드를 고수준의 기능적 단위로 '청킹(Chunking)'하여 견고한 멘탈 모델을 구축함으로써 대규모 시스템의 복잡도를 관리합니다 [1, 2].
|
||||
|
||||
## 📖 Core Content
|
||||
|
||||
### 1. 인지 부하의 3대 유형 (Types of Cognitive Load)
|
||||
소프트웨어 개발 시 발생하는 인지적 노력은 다음 세 가지로 분류됩니다 [1]:
|
||||
* **본질적 부하 (Intrinsic Load):** 도메인 로직이나 알고리즘 자체가 가진 고유의 복잡성입니다. (예: 분산 합의 알고리즘 구현)
|
||||
* **외부적 부하 (Extraneous Load):** 조잡한 코드 명명, 파편화된 아키텍처, 문서 부재 등 구현 방식 때문에 발생하는 불필요한 인지적 소모입니다.
|
||||
* **관련적 부하 (Germane Load):** 시스템의 동작 원리를 내재화하고 지식 스키마(Schema)를 구축하는 데 투입되는 유익한 노력입니다.
|
||||
|
||||
### 2. 멘탈 모델의 계층 구조 (Hierarchy of Mental Models)
|
||||
개발자는 코드를 읽으며 두 가지 핵심 표상을 형성합니다 [1, 2, 5]:
|
||||
* **프로그램 모델 (Program Model):** 코드의 구문, 제어 흐름, 데이터 흐름 등 기술적 구현에 집중한 저수준 모델입니다. (상향식 접근법의 결과물)
|
||||
* **상황 모델 (Situation Model / Task Model):** 비즈니스 목적, 사용자 요구사항, 도메인 기능을 표현하는 고수준 모델입니다. (하향식 접근법의 결과물)
|
||||
* **매핑 계층 (Annotation Layer):** 프로그램 모델(How)과 상황 모델(Why) 사이의 연결 고리로, 이 연결이 명확할수록 코드의 '추적 가능성(Traceability)'이 높아집니다.
|
||||
|
||||
### 3. 복잡성 관리 도구 (Chunking & Beacons)
|
||||
* **청킹 (Chunking):** 여러 코드 요소를 '정렬 알고리즘', '인증 미들웨어'와 같이 하나의 추상화된 레이블로 묶어 작업 기억의 부하를 줄이는 기술입니다 [1].
|
||||
* **비컨 (Beacons):** 특정 기능을 암시하는 강력한 단서(예: `swap` 변수는 정렬을 암시)로, 개발자가 하향식 가설을 세울 때 지름길 역할을 합니다 [16, 17].
|
||||
|
||||
## ⚠️ Trade-offs & Caveats
|
||||
* **Clean vs. Traceable 코드의 긴장:** 고도로 모듈화된 '클린(Clean)' 코드는 개별 모듈의 본질적 부하를 줄여주지만, 실행 흐름을 파악하기 위해 수많은 파일을 넘나들어야 하므로 **외부적 인지 부하(Extraneous load)**를 급격히 높일 수 있습니다 [3, 4].
|
||||
* **비전형적 코드(Unplan-like)의 충격:** 관례를 무시한 코드는 개발자의 기존 스키마와 충돌하여 '인지적 불일치(Cognitive Dissonance)'를 유발하고 멘탈 모델 구축을 방해합니다 [18].
|
||||
* **리뷰 파편화:** 인지 부하 관리를 위해 PR을 작게 쪼개는 것은 개별 검토에는 유리하지만, 전체 시스템의 일관성(Big Picture)을 놓치게 만들 위험이 있습니다 [2].
|
||||
|
||||
## 🔗 Knowledge Connections
|
||||
|
||||
### Related Concepts
|
||||
- [[Program Comprehension Strategies]]: 멘탈 모델을 구축하기 위한 구체적인 하향식/상향식 탐색 전략을 다룹니다.
|
||||
- Information Foraging Theory (정보 탐색 이론): 최소한의 인지 노력으로 코드 내 비컨(단서)을 찾아 이동하는 인간의 행동 양식을 설명합니다.
|
||||
- Clean Architecture vs Traceable Code: 인지 부하 최적화와 아키텍처적 결합도 제거 사이의 트레이드오프를 심층 분석합니다.
|
||||
|
||||
### Deeper Research Questions
|
||||
- AI 기반 자동 완성 도구가 제공하는 코드가 개발자의 '관련적 부하(Germane load)' 형성을 방해하여 장기적인 시스템 이해도를 떨어뜨리는가?
|
||||
- 가상현실(VR)이나 3D 시각화 도구가 텍스트 기반 코드보다 고수준 상황 모델 구축에 더 효과적인 인지 보조 수단이 될 수 있는가?
|
||||
- 마이크로서비스 환경에서 파편화된 상황 모델을 하나로 통합하기 위한 가장 효율적인 '비컨' 설계 전략은 무엇인가?
|
||||
|
||||
### Practical Application Contexts
|
||||
- **System Design:** 아키텍처 설계 시 'Clean'함뿐만 아니라 'Traceable'함(추적 용이성)을 동시에 고려하여 외부적 부하를 통제해야 합니다 [20, 32].
|
||||
- **Code Review:** 리뷰어의 인지 부하를 줄이기 위해 PR 본문에 'Specification(목적)'을 명확히 작성하여 구현부와의 매핑(Annotation)을 도와야 합니다 [5, 10].
|
||||
- **Documentation:** 문서는 단순히 코드를 설명하는 것이 아니라, 코드에서 읽기 어려운 '상황 모델(Why)'을 집중적으로 보완하는 역할을 해야 합니다.
|
||||
|
||||
---
|
||||
*Last updated: 2026-05-02*
|
||||
@@ -0,0 +1,27 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-SCI-FLOW
|
||||
category: Unified
|
||||
confidence_score: 0.97
|
||||
tags: [[Flow State|[Flow State]], Neuroscience, Concentration, Performance]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# Cognitive-Neuroscience-of-Flow (몰입의 뇌과학)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "자아조차 잊게 만드는 완벽한 조화." 몰입(Flow)은 뇌의 보상 시스템과 주의력 시스템이 극한의 효율로 결합하여 에너지를 폭발시키는 상태다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Transient Hypofrontality**:
|
||||
- 몰입 중에는 전전두엽(판단, 비판 담당)의 활동이 일시적으로 낮아진다. 이로 인해 자의식적 비판이 사라지고 오직 '하는 행위' 자체에만 매몰된다.
|
||||
- **[[Dopamine|Dopamine]] & Norepinephrine**:
|
||||
- 도파민(보상)과 노르에피네프린(각성)이 다량 분비되며 학습 속도와 반응 속도를 비약적으로 높인다.
|
||||
- **Challenge-Skill Balance**:
|
||||
- 과제의 난이도와 자신의 실력이 완벽한 균형을 이룰 때(지루함과 불안 사이) 뇌는 몰입 상태에 진입하기 가장 쉽다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 몰입은 마법 같은 상태지만, 도파민 중독과 비슷한 양상을 보여 '중독성'이 있다. 건강한 몰입과 강박적 몰입을 구분하는 메타 인지가 장기적인 성장에 중요하다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Burnout|Burnout]]-Prevention-in-Professional-Gaming , [[Cognitive Psychology|Cognitive Psychology]]
|
||||
- Foundation: [[Information Theory|Information Theory]]
|
||||
@@ -0,0 +1,29 @@
|
||||
---
|
||||
id: COMB-OPT-001
|
||||
category: Unified
|
||||
confidence_score: 1.0
|
||||
tags: [mathematics, algorithm, [[Optimization|Optimization]], combinatorial-optimization, complexity]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Combinatorial Optimization (조합 최적화)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "무수히 많은 선택지 중 최고의 조합을 효율적으로 골라내라" — 외판원 문제(TSP), 배낭 문제(Knapsack Problem)와 같이 가능한 조합의 수가 기하급수적으로 많을 때, 수학적 모델과 알고리즘을 통해 최적해 혹은 그에 가까운 근사해를 찾는 과정.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 탐색 공간이 이산적(Discrete)이고 방대하여 전수 조사가 불가능한 환경에서, 휴리스틱이나 동적 계획법 등을 통해 효율적으로 전역 최적해에 접근하는 탐색 패턴.
|
||||
- **주요 문제 및 기법:**
|
||||
- **Traveling Salesperson Problem (TSP):** 모든 지점을 한 번씩 방문하고 돌아오는 최소 경로 찾기.
|
||||
- **Knapsack Problem:** 제한된 용량 내에서 가치의 합이 최대가 되도록 물건 담기.
|
||||
- **Linear Programming (LP) / Integer Programming (IP):** 제약 조건 하에서 선형 함수를 최적화.
|
||||
- **Greedy Algorithms:** 매 순간 최선의 선택을 하여 빠르게 근사해 도달.
|
||||
- **Dynamic Programming (DP):** 문제를 작은 단위로 쪼개어 중복 계산 방지.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 고전적 알고리즘 위주에서, 최근에는 신경망(Neural Combinatorial Optimization)을 통해 복잡한 조합 문제를 학습 기반으로 해결하려는 시도가 활발함.
|
||||
- **정책 변화:** Skybound 프로젝트는 수십 개의 기체가 실시간으로 최적의 사격 대형을 형성해야 하는 군집 AI 로직에 조합 최적화 알고리즘을 적용하여 연산 효율을 극대화함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Algorithm-Complexity-Big-O|Algorithm-Complexity-Big-O]], [[Genetic-Algorithms|Genetic-Algorithms]], [[Simulated-Annealing|Simulated-Annealing]], [[Game-Theory|Game-Theory]]
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Combinatorial-Optimization.md
|
||||
@@ -0,0 +1,149 @@
|
||||
---
|
||||
category: Unified
|
||||
tags: [category-index, computer_science_and_theory]
|
||||
title: Computer Science and Theory Directory
|
||||
last_updated: 2026-05-02
|
||||
---
|
||||
|
||||
# Computer Science and Theory Directory
|
||||
|
||||
이 문서는 `Computer_Science_and_Theory` 카테고리에 속한 모든 지식 문서들의 목록을 제공합니다.
|
||||
|
||||
## 📄 문서 목록
|
||||
- [[Abstract-Syntax-Tree-Transformation]] : [[Abstract-Syntax-Tree-Transformation|Abstract-Syntax-Tree-Transformation]] (AST 변환)
|
||||
- [[Adaptive-Curation]] : [[Adaptive-Curation|Adaptive-Curation]]
|
||||
- [[Additive-Type-Logic]] : [[Additive-Type-Logic|Additive-Type-Logic]] (가법 타입 논리)
|
||||
- [[Aesthetic-Value]] : [[Aesthetic-Value|Aesthetic-Value]]
|
||||
- [[Alcoholism]] : [[Alcoholism|Alcoholism]]
|
||||
- [[Algorithm-Complexity-Big-O]] : Algorithm Complexity (Big O, 알고리즘 복잡도)
|
||||
- [[Atomism]] : [[Atomism|Atomism]]
|
||||
- [[Autobiography]] : [[Autobiography|Autobiography]]
|
||||
- [[Autoethnography]] : [[Autoethnography|Autoethnography]]
|
||||
- [[Automated-Decision-Making]] : [[Automated-Decision-Making|Automated-Decision-Making]]
|
||||
- [[Automated-Map-Generation]] : [[Automated-Map-Generation|Automated-Map-Generation]] (절차적 맵 생성 PCG)
|
||||
- [[Autonomous-Vehicle-Path-Planning]] : [[Autonomous-Vehicle-Path-Planning|Autonomous-Vehicle-Path-Planning]] (자율주행 경로 계획)
|
||||
- [[Axiology]] : [[Axiology|Axiology]]
|
||||
- [[Axiomatic-Systems]] : [[Axiomatic-Systems|Axiomatic-Systems]]
|
||||
- [[B-Tree]] : [[B-Tree|B-Tree]] (B-트리)
|
||||
- [[BFS vs DFS]] : [[BFS vs DFS|BFS vs DFS]]
|
||||
- [[Biological-Inspired-Algorithms]] : BioLogical-Inspired-Algorithms (생물 유래 알고리즘)
|
||||
- [[Black-Hole]] : [[Black-Hole|Black-Hole]]
|
||||
- [[Bloom-Filters in Search]] : Bloom Filters in Search (검색에서의 블룸 필터)
|
||||
- [[Brute-force]] : [[Brute-force|Brute-force]]
|
||||
- [[Bubble-Sort]] : [[Bubble-Sort|Bubble-Sort]]
|
||||
- [[Burnout Prevention in Professional Gaming]] : Burnout-Prevention-in-Professional-Gaming (프로게이머 번아웃 방지)
|
||||
- [[Chaos-Theory in Systems]] : Chaos Theory in Systems (시스템에서의 카오스 이론)
|
||||
- [[Climate Change Mitigation Frameworks]] : Climate-Change-Mitigation-Frameworks (기후 변화 대응 프레임워크)
|
||||
- [[Cognitive Load & Mental Models]] : Cognitive Load & Mental Models (인지 부하 및 멘탈 모델)
|
||||
- [[Cognitive Neuroscience of Flow]] : Cognitive-Neuroscience-of-Flow (몰입의 뇌과학)
|
||||
- [[Combinatorial-Optimization]] : Combinatorial Optimization (조합 최적화)
|
||||
- [[Control-Theory]] : Control Theory (제어 이론)
|
||||
- [[Decision Theory]] : [[Decision Theory|Decision Theory]]
|
||||
- [[Determinism-in-Computing]] : Determinism in Computing (계산의 결정론)
|
||||
- [[Dijkstra's Algorithm]] : Dijkstra's-Algorithm (데이크스트라 알고리즘)
|
||||
- [[Directed-Acyclic-Graph-Dependency-Management]] : Directed Acyclic Graph (DAG, 유향 비순환 그래프)
|
||||
- [[Dissipative-Structures]] : [[Dissipative-Structures|Dissipative-Structures]]
|
||||
- [[Dynamic-Programming]] : [[Dynamic-Programming|Dynamic-Programming]]
|
||||
- [[Economic-Complexity-Index]] : [[Economic-Complexity-Index|Economic-Complexity-Index]]
|
||||
- [[Eigenvalues-and-Eigenvectors]] : Eigenvalues and Eigenvectors (고유값과 고유벡터)
|
||||
- [[Elite-Theory]] : [[Elite-Theory|Elite-Theory]]
|
||||
- [[Emergence-in-Systems]] : Emergence in[[_system|system]]s (시스템에서의 창발)
|
||||
- [[Emergence]] : [[Emergence|Emergence]]
|
||||
- [[Entropy in Information Theory]] : Entropy in [[Information Theory|Information Theory]] (정보 이론에서의 엔트로피)
|
||||
- [[Ergodic-Theory]] : [[Ergodic-Theory|Ergodic-Theory]]
|
||||
- [[Ethnographic-Research]] : [[Ethnographic-Research|Ethnographic-Research]]
|
||||
- [[Evolutionary-Algorithm-Design]] : [[Evolutionary-Algorithm-Design|Evolutionary-Algorithm-Design]]
|
||||
- [[Evolutionary-Algorithms]] : [[Evolutionary-Algorithms|Evolutionary-Algorithms]]
|
||||
- [[Expectation-Maximization]] : [[Expectation-Maximization|Expectation-Maximization]]
|
||||
- [[Feedback-Control-Systems]] : Feedback Control[[_system|system]]s (피드백 제어 시스템)
|
||||
- [[Feedback-Loops in Systems]] : Feedback Loops in[[_system|system]]s (시스템에서의 피드백 루프)
|
||||
- [[Finite-Element-Analysis]] : Finite Element [[Analysis|Analysis]] (FEA, 유한 요소 해석)
|
||||
- [[Flame-Icicle_Graph_플레임-고드름_그래프]] : Flame/Icicle Graph (플레임/고드름 그래프)
|
||||
- [[Geographic-Information-Systems]] : [[Geographic-Information-Systems|Geographic-Information-Systems]]
|
||||
- [[Gimbals-and-Orientation]] : Gimbals and Orientation (짐벌과 방향 제어)
|
||||
- [[Godel's Incompleteness Theorems]] : [[Godel's Incompleteness Theorems|Godel's Incompleteness Theorems]]
|
||||
- [[Graph-Coloring-Problem]] : [[Graph-Coloring-Problem|Graph-Coloring-Problem]]
|
||||
- [[GraphRAG & Knowledge Graph Memory]] : GraphRAG & Knowledge Graph Memory (지식 그래프 메모리)
|
||||
- [[Greedy-Algorithms]] : Greedy Algorithms (탐욕 알고리즘)
|
||||
- [[Grounded Theory Method]] : [[Grounded Theory Method|Grounded Theory Method]]
|
||||
- [[Hardware-Verification]] : [[Hardware-Verification|Hardware-Verification]]
|
||||
- [[Hash-Functions-and-Maps]] : Hash Functions and Maps (해시 함수와 맵)
|
||||
- [[Hebbian-Theory]] : [[Hebbian-Theory|Hebbian-Theory]]
|
||||
- [[High-Frequency-Trading-Models]] : [[High-Frequency-Trading-Models|High-Frequency-Trading-Models]]
|
||||
- [[Incremental-Computation]] : [[Incremental-Computation|Incremental-Computation]]
|
||||
- [[Inexact-Science]] : [[Inexact-Science|Inexact-Science]]
|
||||
- [[Information-Entropy]] : [[Information-Entropy|Information-Entropy]]
|
||||
- [[Inner-Product-Spaces]] : Inner Product Spaces (내적 공간)
|
||||
- [[Issue Tree]] : [[Issue Tree|Issue Tree]]
|
||||
- [[Kalman-Filter-and-State-Tracking]] : Kalman Filter and State Tracking (칼만 필터와 상태 추적)
|
||||
- [[Kernel-Density-Estimation-KDE]] : Kernel Density Estimation (KDE, 커널 밀도 추정)
|
||||
- [[Knowledge-Graph-Foundations]] : Knowledge Graph Foundations (지식 그래프 기초)
|
||||
- [[Knowledge-Structure]] : [[Knowledge-Structure|Knowledge-Structure]]
|
||||
- [[Kolmogorov-Complexity]] : Kolmogorov Complexity (콜모고로프 복잡도)
|
||||
- [[Kullback-Leibler-Divergence]] : Kullback-Leibler Divergence (KL 발산)
|
||||
- [[Lagrange-Multipliers]] : Lagrange Multipliers (라그랑주 승수법)
|
||||
- [[Least-Squares-Methods]] : Least Squares Methods (최소제곱법)
|
||||
- [[Linear-Algebra-Foundations]] : Linear Algebra Foundations (선형대수학 기초)
|
||||
- [[Linked-Lists-and-Trees]] : Linked Lists and Trees (연결 리스트와 트리)
|
||||
- [[Locality-Sensitive-Hashing (LSH)]] : [[Locality-Sensitive-Hashing (LSH)|Locality-Sensitive-Hashing (LSH)]]
|
||||
- [[Locality-Sensitive-Hashing]] : Locality-Sensitive Hashing (LSH, 지역 민감 해싱)
|
||||
- [[Logic Trees]] : [[Logic Trees|Logic Trees]]
|
||||
- [[Lubrication]] : [[Lubrication|Lubrication]]
|
||||
- [[Model-Predictive-Control (MPC)]] : [[Model-Predictive-Control (MPC)|Model-Predictive-Control (MPC)]] (모델 예측 제어)
|
||||
- [[Monte-Carlo-Integration]] : Monte Carlo Integration (몬테카를로 적분)
|
||||
- [[Multivariate-Analysis]] : Multivariate Analysis (다변량 분석)
|
||||
- [[Mutual-Information]] : Mutual Information (상호 정보량)
|
||||
- [[Mutually Exclusive and Collectively Exhaustive (MECE)]] : [[Mutually Exclusive and Collectively Exhaustive (MECE)|Mutually Exclusive and Collectively Exhaustive (MECE]]
|
||||
- [[Noise]] : [[Noise|Noise]]
|
||||
- [[Operations-Research]] : [[Operations-Research|Operations-Research]]
|
||||
- [[Operator-Theory]] : [[Operator-Theory|Operator-Theory]]
|
||||
- [[Optimal-Control-Theory]] : Optimal Control Theory (최적 제어 이론)
|
||||
- [[Optimization-Algorithms]] : Optimization Algorithms (최적화 알고리즘)
|
||||
- [[Optimization]] : [[Optimization|Optimization]]
|
||||
- [[PCA-and-Dimension-Reduction]] : PCA and Dimension Reduction (PCA와 차원 축소)
|
||||
- [[PID-Controllers-in-AI]] : PID Controllers in AI (AI에서의 PID 제어기)
|
||||
- [[Partial-Differential-Equations]] : Partial Differential Equations (PDE, 편미분 방정식)
|
||||
- [[Particle-Filter-Algorithms]] : Particle Filter Algorithms (파티클 필터 알고리즘)
|
||||
- [[Posterior-and-Prior-Probability]] : Posterior and Prior Probability (사후 및 사전 확률)
|
||||
- [[Principal-Component-Analysis]] : Principal Component Analysis (주성분 분석)
|
||||
- [[Principle-of-Least-Action]] : Principle of Least Action (최소 작용의 원리)
|
||||
- [[Probability Theory]] : [[Probability Theory|Probability Theory]]
|
||||
- [[Probability-Theory-Foundations]] : [[Probability Theory|Probability Theory]] Foundations (확률론 기초)
|
||||
- [[Profiling-and-Optimization]] : Profiling and Optimization (프로파일링과 최적화)
|
||||
- [[Profitability Framework]] : [[Profitability Framework|Profitability Framework]]
|
||||
- [[Psychology-of-Learning]] : Psychology of Learning (학습 심리학)
|
||||
- [[Quantum Computing (Intro)]] : [[Quantum Computing (Intro)|Quantum Computing (Intro)]]
|
||||
- [[Quantum-Computing]] : [[Quantum-Computing|Quantum-Computing]]
|
||||
- [[Ranking-Algorithms]] : Ranking Algorithms (순위 산정 알고리즘)
|
||||
- [[Regression-Analysis-Foundations]] : Regression [[Analysis|Analysis]] Foundations (회귀 분석 기초)
|
||||
- [[Relevance-Feedback]] : Relevance Feedback (관련성 피드백)
|
||||
- [[Reports]] : [[Reports|Reports]]
|
||||
- [[Representation Theory]] : Representation-Theory
|
||||
- [[Ridge-Regression]] : Ridge Regression (릿지 회귀)
|
||||
- [[Root-Cause-Analysis-RCA]] : Root Cause [[Analysis|Analysis]] (RCA, 근본 원인 분석)
|
||||
- [[Root-Mean-Square-Error]] : Root Mean Square Error (RMSE, 평균 제곱근 오차)
|
||||
- [[Roughness (그래픽 및 물리)]] : [[Roughness (그래픽 및 물리)|Roughness (그래픽 및 물리)]]
|
||||
- [[Sampling-Techniques]] : Sampling Techniques (샘플링 기법)
|
||||
- [[Scientific-Computing-with-Python]] : Scientific Computing with Python (파이썬을 활용한 과학 연산)
|
||||
- [[Semantics & Ontology]] : [[Semantics & Ontology|Semantics & Ontology]]
|
||||
- [[Signal in Noise]] : [[Signal in Noise|Signal in Noise]]
|
||||
- [[Signal-Processing-Foundations]] : Signal Processing Foundations (신호 처리 기초)
|
||||
- [[Similarity-Metrics]] : [[Similarity-Metrics|Similarity-Metrics]]
|
||||
- [[Simulated-Annealing]] : Simulated Annealing (시뮬레이티드 어닐링)
|
||||
- [[Singular-Value-Decomposition]] : Singular Value Decomposition (SVD, 특이값 분해)
|
||||
- [[Social Systems Theory]] : [[Social Systems Theory|Social Systems Theory]]
|
||||
- [[Social-Network-Analysis]] : Social Network Analysis (사회망 분석)
|
||||
- [[Sorting]] : [[Sorting|Sorting]]
|
||||
- [[Spatial-Data-Analysis]] : Spatial Data Analysis (공간 데이터 분석)
|
||||
- [[Standard-Deviation-and-Variance]] : Standard Deviation and Variance (표준 편차 및 분산)
|
||||
- [[Statistical-Hypothesis-Testing]] : Statistical Hypothesis [[Testing|Testing]] (통계적 가설 검정)
|
||||
- [[Statistical-Power]] : Statistical Power (통계적 검정력)
|
||||
- [[Statistics]] : [[Statistics|Statistics]]
|
||||
- [[Structural-Equation-Modeling]] : Structural Equation Modeling (SEM, 구조 방정식 모델링)
|
||||
- [[Systemic_Simulation_Principles]] : 시스템 시뮬레이션 설계 원리
|
||||
- [[Theoretical-Computer-Science]] : Theoretical Computer Science (이론 컴퓨터 과학)
|
||||
- [[Turing-Machine Foundations]] : Turing Machine Foundations (튜링 머신 기초)
|
||||
- [[Type Theory]] : [[Type Theory|Type Theory]] (타입 이론)
|
||||
- [[VPS_NeRF]] : VPS & NeRF (Visual PositioningSystem)
|
||||
- [[Wicked-Problems]] : [[Wicked-Problems|Wicked-Problems]]
|
||||
- [[탄도학 및 명중률 알고리즘 (Ballistics and Accuracy Algorithms)]] : 탄도학 및 명중률 알고리즘 (Ballistics and Accuracy Algorithms)
|
||||
@@ -0,0 +1,29 @@
|
||||
---
|
||||
id: CONTROL-001
|
||||
category: Unified
|
||||
confidence_score: 1.0
|
||||
tags: [mathematics, engineering, control-theory, pid, feedback-loop]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Control Theory (제어 이론)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "현재의 오차를 측정하여 미래의 행동을 정밀하게 교정하라" — 동역학 시스템의 출력을 원하는 목표 상태로 유지하기 위해 입력을 조정하는 공학적 방법론으로, 피드백 루프와 안정성 분석이 핵심.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 목표값(Desired [[State|State]])과 현재값(Actual State) 사이의 차이인 오차(Error)를 실시간으로 계산하고, 이를 보정하기 위한 제어 신호를 생성하여 시스템을 안정화하는 피드백 패턴.
|
||||
- **핵심 구성 요소:**
|
||||
- **Open-loop Control:** 피드백 없이 정해진 입력만 전달 (예: 세탁기 타이머).
|
||||
- **Closed-loop Control (Feedback):** 출력을 다시 입력에 반영하여 오차 수정.
|
||||
- **PID Control:** 비례(P), 적분(I), 미분(D) 항의 조합으로 오차를 빠르고 부드럽게 제거.
|
||||
- **Stability:** 시스템이 발산하지 않고 수렴하는지 분석 (예: Lyapunov 안정성).
|
||||
- **의의:** 로봇 공학, 자율주행, 드론 비행 제어, 그리고 강화학습의 이론적 토대.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 고정된 수학 모델에 기반한 고전 제어에서, 최근에는 복잡한 환경에 적응하는 적응 제어(Adaptive Control)와 AI를 결합한 지능형 제어로 진화.
|
||||
- **정책 변화:** Skybound 프로젝트의 미사일 추적 로직은 PID 제어 원리를 사용하여, 타겟의 움직임 변화에 부드럽고 정확하게 대응하도록 구현함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Physics|Physics]]-Engine, [[Reinforcement-Learning|Reinforcement-Learning]], [[Cybernetics|Cybernetics]]-Foundations, [[Robotics|Robotics]]
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Control-Theory.md
|
||||
@@ -0,0 +1,32 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-DETR-001
|
||||
category: Unified
|
||||
confidence_score: 0.95
|
||||
tags: [auto-reinforced, decision-theory, probability, risk-[[Analysis|Analysis]], [[Strategic-Thinking|Strategic-Thinking]], [[Game-Theory|Game-Theory]]]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Decision Theory|Decision Theory]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "최선의 선택을 향한 수학적 지도: 불확실한 상황 속에서 얻게 될 이익(Utility)과 발생할 위험(Risk)을 저울질하여, 기대 가치를 극대화하는 가장 합리적인 행동을 결정하는 의사결정의 과학."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
의사결정 이론(Decision Theory)은 불완전한 정보 하에서 최적의 선택을 내리는 과정을 연구하는 학문입니다.
|
||||
|
||||
1. **두 가지 영역**:
|
||||
* **Normative (규범적)**: "어떻게 결정하는 것이 가장 합리적인가?" (수학적 최적해).
|
||||
* **Descriptive (기술적)**: "실제 인간은 어떻게 결정하는가?" (심리적, 행동적 분석). ([[Cognitive Biases|Cognitive Biases]]와 연결)
|
||||
2. **핵심 원칙**:
|
||||
* **Expected Utility**: 각 결과의 가치에 발생 확률을 곱해 합산한 값.
|
||||
* **Minimax**: 가장 나쁜 상황에서 발생하는 손실을 최소화하는 하이 리스크 방어 전략.
|
||||
* **[[Bayesian Inference|Bayesian Inference]]**: 새로운 증거가 나올 때마다 자신의 판단을 업데이트하는 방식. ([[Bayesian-Updating|Bayesian-Updating]]과 연결)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거 경제학 정책은 인간을 완벽하게 합리적인 존재로 가정했으나, 현대 정책은 '제한된 합리성([[Bounded-Rationality|Bounded-Rationality]]) 정책'을 기반으로 하여 현실적인 타협안을 찾는 정책으로 진화함(RL Update).
|
||||
- **정책 변화(RL Update)**: AI 에이전트의 자율적 의사결정 정책에서, 단순히 점수만 높이는 '결과 중심 정책'보다 결정 과정의 윤리와 리스크를 계량화하여 반영하는 '가치 정렬형 의사결정 정책'이 필수가 됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Bounded-Rationality|Bounded-Rationality]], [[Cognitive Biases|Cognitive Biases]], [[Bayesian-Updating|Bayesian-Updating]], [[Game-Theory|Game-Theory]], [[Strategic-Planning|Strategic-Planning]]
|
||||
- **Modern Tech/Tools**: [[Decision Tree|Decision Tree]]s, Monte Carlo simulations, Multi-criteria decision analysis (MCDA).
|
||||
---
|
||||
@@ -0,0 +1,29 @@
|
||||
---
|
||||
id: DET-COMP-001
|
||||
category: Unified
|
||||
confidence_score: 1.0
|
||||
tags: [computer-science, determinism, simulation, [[Physics|Physics]]-engine, skybound]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Determinism in Computing (계산의 결정론)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "동일한 입력과 초기 상태가 주어지면, 언제 어디서나 반드시 동일한 결과를 보장하라" — 시스템의 내부 상태와 연산 과정에서 무작위성을 배제하여, 프로그램의 실행 결과가 100% 예측 가능하고 재현 가능하도록 설계하는 원칙.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 부동 소수점 연산 오차, 멀티스레딩의 비결정적 실행 순서, 네트워크 지연 등 결과를 뒤흔들 수 있는 변수들을 제어하여 시스템의 일관성을 확보하는 설계 패턴.
|
||||
- **핵심 요소:**
|
||||
- **Fixed-point Arithmetic:** 부동 소수점 오차로 인한 결과 차이를 방지하기 위해 정수 기반 연산 사용.
|
||||
- **Deterministic Lockstep:** 멀티플레이어 환경에서 모든 클라이언트가 동일한 타임라인에서 동일한 연산을 수행하도록 동기화.
|
||||
- **[[Seed|Seed]]ed Randomness:** 난수 생성 시 항상 동일한 시드(Seed)를 사용하여 무작위 패턴을 재현 가능하게 함.
|
||||
- **No Side Effects:** 함수가 외부 상태를 변경하지 않고 입력값에 의해서만 결과가 결정되도록 함 (순수 함수).
|
||||
- **의의:** 디버깅 용이성, 멀티플레이어 게임의 동기화, 과학 시뮬레이션의 신뢰성 확보에 필수적.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 단순히 '작동'하는 것에 집중하던 방식에서, 분산 시스템과 복잡한 시뮬레이션이 늘어남에 따라 '재현 가능성'이 소프트웨어 품질의 핵심 지표로 부상.
|
||||
- **정책 변화:** Skybound 프로젝트는 리플레이 시스템과 멀티플레이 동기화를 위해 모든 물리 연산과 확률 이벤트를 결정론적으로 설계하며, 부동 소수점 오차 누적을 방지하는 알고리즘을 적용함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Time-Step-Logic-in-Games, Physics-Engine, [[Distributed-Computing|Distributed-Computing]], Simulation-[[Principles|Principles]]
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Determinism-in-Computing.md
|
||||
@@ -0,0 +1,27 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AI-DIJKSTRA
|
||||
category: Unified
|
||||
confidence_score: 0.99
|
||||
tags: [Dijkstra, Algorithm, Pathfinding, [[Graph Theory|Graph Theory]]]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# Dijkstra's-Algorithm (데이크스트라 알고리즘)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "욕심쟁이(Greedy)의 가장 똑똑한 길 찾기." 출발점에서 다른 모든 지점까지의 최단 거리를 가장 효율적으로 확정해 나가는 알고리즘의 고전이자 정석이다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Shortest Path Tree**:
|
||||
- 방문하지 않은 지점 중 거리가 가장 짧은 지점을 먼저 방문함으로써, 한 번 확정된 거리는 다시 계산할 필요가 없게 만든다.
|
||||
- **Priority Queue Usage**:
|
||||
- 우선순위 큐(힙)를 사용하여 다음에 방문할 지점을 빠르게 찾아냄으로써 시간 복잡도를 극적으로 최적화한다.
|
||||
- **Application**:
|
||||
- 구글 지도, 게임 길찾기, 네트워크 라우팅(OSPF) 등 연결된 네트워크가 있는 모든 곳에 쓰인다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 데이크스트라는 음수 가중치(음수의 거리 등)가 있는 환경에서는 작동하지 않는다(이땐 벨만-포드 필요). 또한, 거대한 맵에서는 탐색 범위가 너무 넓어지므로, 목표 지점 방향으로 먼저 탐색하는 지능을 더한 `A* (A-Star) 알고리즘`이 실무에서 더 선호된다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Autonomous-Vehicle-Path-Planning|Autonomous-Vehicle-Path-Planning]] , [[Combinatorial-Optimization|Combinatorial-Optimization]]
|
||||
- Foundation: Computational Theory & Math/Information Theory
|
||||
+29
@@ -0,0 +1,29 @@
|
||||
---
|
||||
id: DAG-001
|
||||
category: Unified
|
||||
confidence_score: 1.0
|
||||
tags: [computer-science, [[Graph-Theory|Graph-Theory]], data-structures, workflow]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Directed Acyclic Graph (DAG, 유향 비순환 그래프)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "순환하지 않는 방향성 — 작업의 순서와 의존성을 정의하는 가장 완벽한 수학적 모델."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 노드 간의 방향은 존재하되, 어떤 노드에서 출발해도 다시 자기 자신으로 돌아오는 경로(Cycle)가 없는 구조를 통해 순차적 실행과 계층 관계를 보장하는 패턴.
|
||||
- **세부 내용:**
|
||||
- **Topo[[Logic|Logic]]al Sort:** DAG의 노드들을 의존성에 따라 일렬로 정렬하는 알고리즘 (빌드 시스템, 태스크 스케줄링의 핵심).
|
||||
- **Dependency [[Management|Management]]:** 특정 작업이 완료되어야 다음 작업이 시작될 수 있는 인과 관계를 명확히 표현.
|
||||
- **Data Pipelines:** Spark, Airflow 등 현대 데이터 엔지니어링 도구에서 데이터의 흐름을 정의하는 표준 모델.
|
||||
- **Version Control:** Git의 커밋 히스토리는 부모-자식 관계를 가진 거대한 DAG 구조임.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 단순 트리(Tree) 구조보다 복잡한 관계를 표현할 수 있으면서도, 순환 구조(Graph)가 주는 무한 루프 위험을 제거한 실용적 타협점.
|
||||
- **정책 변화:** Antigravity 프로젝트의 '지식 연결 그래프'는 기본적으로 순환을 허용하나, '실행 워크플로우'는 엄격한 DAG 규칙을 따름.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Parent:** 10_Wiki/💡 Topics/AI
|
||||
- **Related:** Topological-Sort, [[Graph-Theory|Graph-Theory]], Workflow-Automation
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Directed-Acyclic-Graph-Dependency-Management.md
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-DIST-001
|
||||
category: Unified
|
||||
confidence_score: 0.93
|
||||
tags: [auto-reinforced, dissipative-structures, thermodynamics, prigogine, self-organization, complexity-science, chaos-theory]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Dissipative-Structures|Dissipative-Structures]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "혼란 속에서 피어난 질서: 에너지가 소용돌이치며 빠져나가는 극도로 불안정한 상태(비평형 상태)에서, 시스템이 갑자기 스스로 조직화하며 더 높은 차원의 '새로운 질서'로 도약하는 현상을 설명한 우주의 창조 원리."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
소산 구조(Dissipative-Structures)는 일리야 프리고진이 제안한 비평형 열역학 이론으로, 에너지와 물질의 끊임없는 유입과 유출을 통해 자기 조직화가 일어나는 시스템을 설명합니다.
|
||||
|
||||
1. **주요 특성**:
|
||||
* **Non-Equilibrium**: 평형 상태(죽음)가 아닌, 변화가 계속되는 살아있는 상태.
|
||||
* **Self-Organization**: 외부의 지시 없이 내부 요소들의 상호작용만으로 질서가 발생. ([[Synergy|Synergy]]와 연결)
|
||||
* **Bifurcation (분기)**: 임계점에 도달했을 때 미세한 변화로 인해 시스템이 완전히 다른 상태(질서 또는 카오스)로 선택 전이.
|
||||
2. **왜 중요한가?**:
|
||||
* 무질서도가 증가한다는 엔트로피 법칙 속에서도 어떻게 생명과 지능 같은 '정교한 질서'가 탄생하고 유지되는지 과학적으로 설명하기 때문임. ([[System-Theory|System-Theory]]와 연결)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거 고전 역학 정책은 시스템을 정적인 기계 정책으로 보았으나, 소산 구조 정책은 시스템을 유동적이고 역동적인 '프로세스 정책'으로 이해하게 함(RL Update).
|
||||
- **정책 변화(RL Update)**: 이제는 단순 물리 환경 정책을 넘어, 사회적 변혁 정책이나 기업의 혁신 정책, 심지어 거대 언어 모델(LLM)의 지능 발현 정책([[Emergence|Emergence]])을 설명하는 거시적 프레임워크 정책으로 확장됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Synergy|Synergy]], [[System-Theory|System-Theory]], Complexity-Science, [[Sustainability|Sustainability]], [[Strategic-Planning|Strategic-Planning]], [[Structuralism|Structuralism]]
|
||||
- **Key Figure**: Ilya Prigogine (Nobel Prize in Chemistry, 1977).
|
||||
---
|
||||
@@ -0,0 +1,33 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-DYPR-001
|
||||
category: Unified
|
||||
confidence_score: 0.97
|
||||
tags: [auto-reinforced, dynamic-programming, algorithms, [[Optimization|Optimization]], memoization, subproblems]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Dynamic-Programming|Dynamic-Programming]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "똑똑한 반복의 기술: 복잡한 문제를 작은 부분 문제로 쪼개고, 한 번 구한 정답은 메모리에 기억(Memoization)해두었다가 다시 사용하는 방식으로 중복 연산을 획기적으로 줄이는 알고리즘 최적화의 정수."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
동적 계획법(Dynamic-Programming)은 문제를 해결하기 위한 알고리즘 설계 패러다임입니다.
|
||||
|
||||
1. **두 가지 필수 조건**:
|
||||
* **Overlapping Subproblems**: 똑같은 작은 문제들이 반복해서 나타남.
|
||||
* **Optimal Substructure**: 부분 문제의 최적해를 모으면 전체 문제의 최적해가 됨.
|
||||
2. **구현 방식**:
|
||||
* **Top-Down (Memoization)**: 재귀를 사용하되 계산 결과를 저장.
|
||||
* **Bottom-Up (Tabulation)**: 작은 문제부터 순서대로 표를 채워나감.
|
||||
3. **왜 중요한가?**:
|
||||
* 지수 함수적으로 늘어나는 시간 복잡도([[Brute-force|Brute-force]])를 다항 시간 이내로 줄여주어, 현실적으로 풀 수 없는 문제를 해결 가능하게 만듦. (Optimization과 연결)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 알고리즘 테스트용 '수학적 기법 정책'으로만 여겨졌으나, 현대 정책은 강화학습의 핵심인 '가치 함수 업데이트 정책(벨만 업데이트)'의 근간 정책으로 재평가됨(RL Update).
|
||||
- **정책 변화(RL Update)**: 거대 모델의 추론 최적화 정책에서, 토큰 생성 시 반복되는 연산을 캐싱하는 'KV 캐시 정책' 또한 현대적인 동적 계획법의 연장선상에 있는 최적화 정책임.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Brute-force|Brute-force]], [[Optimization|Optimization]], [[Combinatorial-Optimization|Combinatorial-Optimization]], [[Reinforcement Learning (RL)|Reinforcement Learning (RL)]], [[Search-Optimization|Search-Optimization]]
|
||||
- **Modern Tech/Tools**: Fibonacci, Knapsack problem solvers, Bio-informatics sequence [[Alignment|Alignment]].
|
||||
---
|
||||
@@ -0,0 +1,30 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-ECIN-001
|
||||
category: Unified
|
||||
confidence_score: 0.93
|
||||
tags: [auto-reinforced, eci, economic-complexity, global-trade, knowledge-economy, industrial-growth, analytics]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Economic-Complexity-Index|Economic-Complexity-Index]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "국가 지능의 실적표: 단순히 GDP가 높은가 보다는, '얼마나 만들기 힘든 고부가가치 제품을 얼마나 다양하게 만들 수 있는가'를 측정하여 한 국가가 보유한 지식과 기술의 총량을 수치화한 미래 성장성 지표."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
경제 복잡성 지수(Economic-Complexity-Index, ECI)는 어떤 국가가 수출하는 제품의 다양성과 희소성을 분석하여 그 국가의 경제적 생산 능력을 측정한 지표입니다. (리카르도 하우스만, 세사르 이달고 제안)
|
||||
|
||||
1. **측정 기준**:
|
||||
* **Diversity (다양성)**: 한 국가가 얼마나 많은 종류의 제품을 수출하는가?
|
||||
* **Ubiquity (편재성)**: 그 제품을 수출하는 다른 국가가 얼마나 적은가? (희소성)
|
||||
2. **왜 중요한가?**:
|
||||
* 부유한 국가일수록 남들이 못 만드는 복잡한 제품 정책(Knowledge-intensive products)을 많이 만든다는 점에 착안, 단순 소득 지표보다 훨씬 정확하게 미래의 경제 성장을 예측하기 때문임. ([[Strategic-Planning|Strategic-Planning]]와 연결)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 자원 정책(석유, 광물 등)이나 노동력 정책만으로 부국 정책을 설명했으나, ECI 정책은 '지식 통합 능력 정책(Knowledge integration)'이 국가 부의 진짜 원천 정책임을 입증함(RL Update).
|
||||
- **정책 변화(RL Update)**: 최근에는 물리적 제품 수출 정책뿐만 아니라, 소프트웨어 정책, 특허 정책, 문화 콘텐츠 정책 등 '무형 자산의 복잡성 정책'을 어떻게 ECI 정책 모델에 포함할 것인가에 대한 논의가 활발함. (Network-[[Analysis|Analysis]] (NA)와 연결)
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Strategic-Planning|Strategic-Planning]], Network-Analysis (NA), [[Economics-of-Information|Economics-of-Information]], [[Sustainability|Sustainability]], Complexity-Science, [[Innovation|Innovation]]
|
||||
- **Key Concepts**: Product Space, Knowledge-based economy.
|
||||
---
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: MATH-EIGEN-001
|
||||
category: Unified
|
||||
confidence_score: 1.0
|
||||
tags: [math, [[Linear-Algebra|Linear-Algebra]], ai, eigenvalues, eigenvectors, [[Dimensionality-Reduction|Dimensionality-Reduction]]]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Eigenvalues and Eigenvectors (고유값과 고유벡터)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "행렬이라는 변환 속에서도 흔들리지 않는 축과 그 크기를 찾아라" — 선형 변환 시 방향은 변하지 않고 크기만 변하는 벡터(Eigenvector)와 그 변화하는 배수(Eigenvalue)로, 데이터의 본질적 구조를 파악하는 선형대수의 핵심 도구.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 복잡한 다차원 데이터를 선형 변환했을 때 정보의 손실이 가장 적거나 변화량이 가장 큰 핵심 방향(축)을 추출하는 수학적 분석 패턴.
|
||||
- **수학적 정의:** $Av = \lambda v$
|
||||
- $A$: 선형 변환 행렬.
|
||||
- $v$: 고유벡터 (변환 후에도 방향이 유지됨).
|
||||
- $\lambda$: 고유값 (고유벡터의 길이가 변하는 비율).
|
||||
- **AI 응용:**
|
||||
- **PCA (주성분 분석):** 데이터의 분산이 최대인 고유벡터를 찾아 차원 축소 수행.
|
||||
- **PageRank:** 웹페이지 간의 연결 행렬에서 최대 고유값에 해당하는 고유벡터를 통해 페이지 중요도 산출.
|
||||
- **Face Recognition:** Eigenfaces 기법을 통해 얼굴의 핵심 특징 추출.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 단순한 수학적 연습 문제 수준에서, 현대 딥러닝과 데이터 사이언스의 모든 연산(임베딩, 추천, 물리 시뮬레이션 등)을 지탱하는 기반 기술로 가치 재정립.
|
||||
- **정책 변화:** Antigravity 프로젝트는 지식 노드 간의 중요도를 산출하는 그래프 분석 알고리즘 설계 시 고유값 분해(Eigen-decomposition) 원리를 활용함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Principal-Component-[[Analysis|Analysis]]-PCA, [[Dimensionality-Reduction|Dimensionality-Reduction]], [[Linear-Algebra-Foundations|Linear-Algebra-Foundations]], Vector-Database-Selection
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Eigenvalues-and-Eigenvectors.md
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-ELTH-001
|
||||
category: Unified
|
||||
confidence_score: 0.92
|
||||
tags: [auto-reinforced, elite-theory, sociology, power, governance, oligarchy, institutionalism]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Elite-Theory|Elite-Theory]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "소수의 지배, 다수의 방관: 민주주의라는 껍데기 아래에서도 사회의 중요한 의사결정은 결국 교육, 부, 권력을 독점한 극소수의 지배층(Elite)에 의해 조직되고 실행된다는 냉정한 사회적 역학 분석."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
엘리트 이론(Elite-Theory)은 국가나 조직의 권력이 대중이 아닌 소수의 유력자 집단에 집중되어 있다는 사회학 및 정치학 이론입니다.
|
||||
|
||||
1. **주요 관점**:
|
||||
* **Organized Minority vs Unorganized Majority**: 조직화된 소수가 항상 비조직화된 다수를 이긴다는 원리. (Network-[[Analysis|Analysis]] (NA)와 연결)
|
||||
* **Iron Law of Oligarchy (과두제의 철칙)**: 대규모 조직은 민주적으로 시작해도 결국 내부 관리자의 독점 체제로 변한다는 법칙.
|
||||
* **Circulation of Elites (엘리트의 순환)**: 지배층은 고정되지 않고 구세력과 신세력이 교체되며 시스템이 유지됨.
|
||||
2. **왜 중요한가?**:
|
||||
* 표면적인 정책 결정 뒤에 숨겨진 '진짜 힘의 흐름'과 제도적 장벽 정책을 이해하게 돕기 때문임. ([[Strategic-Planning|Strategic-Planning]]와 연결)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 혈통이나 토지 소유 정책이 중심이었으나, 현대 정책은 데이터 정책, 알고리즘 제어 정책, 플랫폼 독점 정책을 쥔 '테크 엘리트(Tech Elite)'가 새로운 지배 계급 정책으로 부상함(RL Update).
|
||||
- **정책 변화(RL Update)**: 이제는 단순 국가 권력 정책을 넘어, 거대 기업의 알고리즘 정책이 대중의 생각 정책(Attention-Economy)을 지배하는 '보이지 않는 과두제'에 대한 비판적 분석으로 확장됨. ([[Economics-of-Information|Economics-of-Information]]와 연결)
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Network-Analysis (NA), [[Strategic-Planning|Strategic-Planning]], [[Economics-of-Information|Economics-of-Information]], Attention-Economy, Social-[[Psychology|Psychology]], [[Structuralism|Structuralism]]
|
||||
- **Key Thinkers**: Vilfredo Pareto, Gaetano Mosca, C. Wright Mills.
|
||||
---
|
||||
@@ -0,0 +1,28 @@
|
||||
---
|
||||
id: [[Emergence|Emergence]]-001
|
||||
category: Unified
|
||||
confidence_score: 1.0
|
||||
tags: [systems-theory, complexity, emergence, [[Artificial-Life|Artificial-Life]], [[Multi-agent-System|Multi-agent-System]]s]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Emergence in[[_system|system]]s (시스템에서의 창발)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "전체는 부분의 합보다 크며, 단순한 규칙이 합쳐져 예측 불가능한 질서를 창조한다" — 개별 요소들은 가지지 못한 특성이 시스템 전체 차원에서 갑자기 나타나는 현상으로, 복잡계와 지능의 본질을 설명하는 핵심 개념.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 하위 수준(Lower-level)의 개체들이 상호작용하며 상위 수준(Higher-level)에서 새로운 패턴이나 기능을 형성하는 자기 조직화(Self-organization) 패턴.
|
||||
- **핵심 특징:**
|
||||
- **Bottom-up:** 중앙 통제 없이 개별 요소의 로컬 규칙에 의해 발생.
|
||||
- **Irreducibility:** 전체 시스템의 행동을 개별 요소의 특성만으로는 완벽히 설명하거나 예측할 수 없음.
|
||||
- **Examples:** 개미 군집의 효율적 먹이 탐색, 뉴런들의 상호작용으로 생겨나는 '의식', LLM 규모 확장 시 나타나는 새로운 추론 능력.
|
||||
- **의의:** 개별 알고리즘의 최적화를 넘어, 시스템 전체의 상호작용 설계를 통해 고차원 지능을 구현하는 이론적 토대.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 지능을 설계(Design)의 산물로 보던 관점에서, 적절한 환경과 규칙 하에서 발생하는 창발(Emergence)의 산물로 보는 관점으로 확장.
|
||||
- **정책 변화:** Skybound 프로젝트의 군집 드론 AI는 개별 기체에 복잡한 전술을 심는 대신, 단순한 '충돌 방지'와 '목표 추적' 규칙만을 부여하여 유기적인 진형 변화라는 창발적 행동을 유도함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Chaos-Theory-in-Systems, [[Artificial-Life|Artificial-Life]], [[Multi-Agent-Systems-MAS|Multi-Agent-Systems-MAS]], [[Complexity-Theory|Complexity-Theory]]
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Emergence-in-Systems.md
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-EMER-001
|
||||
category: Unified
|
||||
confidence_score: 0.94
|
||||
tags: [auto-reinforced, emergence, complexity, self-organization, [[Systems-Thinking|Systems-Thinking]], [[Collective-Intelligence|Collective-Intelligence]]]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Emergence|Emergence]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "하급자들의 예기치 못한 합창: 개별 구성 요소들은 단순하고 지능이 낮아 보일지라도, 이들이 특정 임계점을 넘어 상호작용할 때 전체 시스템 차원에서 상상하지 못했던 고차원적인 지능이나 패턴이 갑자기 튀어나오는 신비로운 현상."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
창발(Emergence)은 하위 계층에 없는 특성이 상위 계층에서 자발적으로 나타나는 현상입니다.
|
||||
|
||||
1. **핵심 특징**:
|
||||
* **Unpredictability**: 개별 요소의 특성만 분석해서는 전체의 행동을 예측하기 어렵고 직접 보아야 함.
|
||||
* **No Central Control**: 지휘자 없이도 개미 군집이나 신경망 세포들이 스스로 질서를 만듦. (Collective-Intelligence와 연결)
|
||||
* **Threshold Effect**: 요소가 일정 수(Scale) 이상 모일 때까지는 조용하다가 임계치를 넘는 순간 폭발적으로 나타남.
|
||||
2. **사례**:
|
||||
* 물 분자가 모여 '젖음'이라는 수분을 형성하는 것, 뉴런이 모여 '의식'을 만드는 것, LLM이 거대해지며 갑자기 '추론 능력'을 갖게 되는 것.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거 과학 정책은 모든 것을 구성 성분으로 설명하려는 '환원주의 정책'이었으나, 현대 정책은 창발적 성질이 시스템의 본질적 가치 정책임을 인정하는 '복잡계 정책'으로 이동함(RL Update). ([[Complexity Theory|Complexity Theory]]와 연결)
|
||||
- **정책 변화(RL Update)**: AI 모델이 단순히 말을 잘하는 수준을 넘어 '자기 복제'나 '거짓말' 같은 원치 않는 창발적 능력을 가질 위험 정책을 탐지하기 위해, 모델의 비선형적 발현 임계점 정책을 감시하는 연구가 활발함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Complexity Theory|Complexity Theory]], [[Collective-Intelligence|Collective-Intelligence]], [[Systems Thinking|Systems Thinking]], Self-Correction, [[Artificial General Intelligence (AGI)|Artificial General Intelligence (AGI)]]
|
||||
- **Modern Tech/Tools**: Cellular automata, Multi-agent simulations, Scale laws in LLMs.
|
||||
---
|
||||
@@ -0,0 +1,28 @@
|
||||
---
|
||||
id: INFO-ENTROPY-001
|
||||
category: Unified
|
||||
confidence_score: 1.0
|
||||
tags: [math, [[Information-Theory|Information-Theory]], entropy, probability, data-compression]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Entropy in [[Information Theory|Information Theory]] (정보 이론에서의 엔트로피)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "놀라움의 정도를 숫자로 측정하여 정보의 본질적 가치를 규명하라" — 클로드 섀넌이 정의한 개념으로, 확률 분포의 불확실성(Uncertainty)이나 무작위성을 수치화한 것이며, 데이터를 전송하거나 저장할 때 필요한 최소한의 정보량을 의미함.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 사건이 발생할 확률이 낮을수록(더 놀라울수록) 더 많은 정보를 담고 있다는 직관을 수학적 기댓값($H(X) = -\sum p(x) \log p(x)$)으로 정형화하는 패턴.
|
||||
- **주요 특징:**
|
||||
- **Uncertainty:** 모든 사건의 확률이 균등할 때(가장 예측하기 힘들 때) 엔트로피가 최대가 됨.
|
||||
- **Information Gain:** 특정 정보를 알게 됨으로써 줄어든 엔트로피의 양. 의사결정 나무의 학습 기준으로 활용.
|
||||
- **Compression Limit:** 엔트로피는 이론적으로 도달 가능한 최적의 데이터 압축 한계를 정의함.
|
||||
- **의의:** 무의미한 소음([[Noise|Noise]])과 유의미한 신호(Signal)를 구분하고, 데이터 속에 숨겨진 지식의 밀도를 측정하는 척도 제공.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 열역학적 무질서도에서 시작된 개념을 '정보의 양'이라는 추상적 가치로 확장하여 디지털 통신과 AI 시대를 여는 이론적 토대가 됨.
|
||||
- **정책 변화:** Antigravity 프로젝트는 문서 내의 키워드 추출이나 지식의 중요도 산출 시, 해당 단어나 문장이 지식 네트워크의 전체 엔트로피를 얼마나 낮추는지(정보 이득)를 기준으로 가치를 평가함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Cross-Entropy-Loss, Decision-Trees-and-Random-Forests, [[Information-Theory|Information-Theory]], [[Cybernetics|Cybernetics]]-Foundations
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Entropy in Information Theory.md
|
||||
@@ -0,0 +1,30 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-ERTH-001
|
||||
category: Unified
|
||||
confidence_score: 0.93
|
||||
tags: [auto-reinforced, ergodic-theory, dynamics, statistical-[[Physics|Physics]], probability, chaos, Stability]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Ergodic-Theory|Ergodic-Theory]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "시간이 흐르면 모든 곳을 지나친다: 시스템의 '시간 평균'이 '공간(상태) 평균'과 같아진다는 원리로, 복잡하고 예측 불가능해 보이는 변화 속에서도 결국 전체적인 통계적 평형을 찾게 되는 물리적·수학적 보장."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
에르고드 이론(Ergodic-Theory)은 동적 시스템의 장기적인 거동을 통계적으로 연구하는 수학 및 물리학 분야입니다.
|
||||
|
||||
1. **핵심 원리**:
|
||||
* **Ergodicity**: 충분한 시간이 주어지면, 시스템의 상태가 상태 공간 전체를 균일하게 방문한다는 가정.
|
||||
* **Time Average = Space Average**: 개별 시스템을 오래 관찰한 결과가, 같은 조건의 수많은 시스템을 한 번에 관찰한 평균과 같음. ([[Statistics|Statistics]]와 연결)
|
||||
2. **왜 중요한가?**:
|
||||
* 분자 수조 개의 움직임(미시적)을 일일이 추적하지 않고도 온도나 압력(거시적) 같은 시스템의 성질 정책을 안정적으로 계산할 수 있게 하기 때문임. ([[System-Theory|System-Theory]]와 연결)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 거의 모든 물리계 정책이 에르고드적이라 가정했으나, 현대 정책은 '비에르고드적(Non-ergodic)' 상황(예: 금융 시장, 특정 복잡계)에서 평균값이 미래를 예측 정책에 오역을 줄 수 있다는 사실을 강조함(RL Update).
|
||||
- **정책 변화(RL Update)**: 이제는 단순 물리 환경 정책을 넘어, AI 의 가중치 최적화 경로 정책이나 알고리즘의 수렴성 정책을 분석할 때 에르고드적 성질 정책 유무를 판단하는 것이 알고리즘 안정성 정책의 핵심이 됨. ([[Reliability|Reliability]]와 연결)
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Statistics|Statistics]], [[System-Theory|System-Theory]], [[Reliability|Reliability]], [[Complexity-Theory|Complexity-Theory]], Entropy, [[Analysis|Analysis]]
|
||||
- **Key Figure**: Ludwig Boltzmann, George David Birkhoff.
|
||||
---
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-ETRE-001
|
||||
category: Unified
|
||||
confidence_score: 0.94
|
||||
tags: [auto-reinforced, ethnography, [[Research|Re[[Search]]-Methodology]], user-[[Research|Research]], [[Observation|Observation]], contextual-inquiry, qualitative]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Ethnographic-Research|Ethnographic-Research]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "삶 속으로의 잠입: 설문조사나 인터뷰 데이터가 말해주지 않는 사용자의 '진짜 행동'을 발견하기 위해, 그들의 실제 일상 속에 들어가 자연스러운 맥락(Context)을 관찰하고 숨겨진 요구를 포착하는 리서치의 정수."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
민속지학적 리서치(Ethnographic-Research)는 인류학에서 유래한 방법론으로, 특정 그룹의 문화와 행동을 그들이 활동하는 실제 환경에서 직접 관찰하고 참여하여 깊이 있게 이해하는 질적 연구 방법입니다.
|
||||
|
||||
1. **핵심 기법**:
|
||||
* **Participant Observation**: 연구자가 커뮤니티의 일원이 되어 생활하며 관찰.
|
||||
* **In-situ Interviews**: 행동이 일어나는 현장에서 즉석 질문 수행.
|
||||
* **Shadowing**: 사용자의 하루 일과를 그대로 따라다니며 페인 포인트(Pain point) 기록. ([[Customer-Journey-Mapping|Customer-Journey-Mapping]]와 연결)
|
||||
2. **왜 중요한가?**:
|
||||
* 사용자 자신도 인지하지 못했던 '당연한 불편함'을 발견하여, 기존 시장에 없던 파괴적 혁신 제품 정책(Blue ocean)의 단초를 제공하기 때문임. ([[Innovation|Innovation]]와 연결)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 오프라인 오지 탐험 정책 위주였으나, 현대 정책은 커뮤니티 활동 로그, SNS 포스팅 등을 분석하는 '디지털 에스노그라피(Netnography) 정책'으로 진화함(RL Update).
|
||||
- **정책 변화(RL Update)**: 이제는 단순 관찰 정책을 넘어, AI 가 수억 명의 디지털 활동 궤적 정책을 분석하여 거시적인 문화적 흐름 정책을 민속지학적으로 해석해 주는 'Computational Ethnography 정책'이 부상 중임. ([[Text-Mining|Text-Mining]]와 연결)
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Customer-Journey-Mapping|Customer-Journey-Mapping]], [[Innovation|Innovation]], [[Text-Mining|Text-Mining]], [[Research-Methodology|Research-Methodology]], [[Continuous-Discovery|Continuous-Discovery]], UX-Design-and-Engagement
|
||||
- **Key [[goal|goal]]**: Emic perspective (내부자의 시각).
|
||||
---
|
||||
@@ -0,0 +1,32 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-EADI-001
|
||||
category: Unified
|
||||
confidence_score: 0.95
|
||||
tags: [auto-reinforced, evolutionary-algorithm, genetic-algorithm, [[Optimization|Optimization]], heuristic, bio-inspired, [[Search-Strategy|Search-Strategy]]]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Evolutionary-Algorithm-Design|Evolutionary-Algorithm-Design]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "코드로 구현한 자연택: 정답을 모르는 복잡한 문제 공간에서, 수많은 후보해(개체)를 생성하고 경쟁시켜 우수한 것만 '생존'시키고 '교배'와 '변이'를 거치게 하여, 결국 최적의 정답으로 스스로 진화하게 만드는 최적화 기법."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
진화 알고리즘(Evolutionary-Algorithm-Design)은 다윈의 적자생존 원리에 기반한 확률적 최적화 탐색 방법론입니다.
|
||||
|
||||
1. **4대 핵심 연산**:
|
||||
* **Selection**: 적합도(Fitness score)가 높은 개체를 다음 세대의 부모로 선택.
|
||||
* **Crossover (Recombination)**: 부모의 '유전자(데이터)'를 섞어 새로운 자손 생성.
|
||||
* **Mutation**: 무작위 변이를 주어 가끔 새로운 지역을 탐색 (Local Optima 탈출). ([[Search|Search]]-[[Strategy|Strategy]]와 연결)
|
||||
* **Replacement**: 새로운 개체들로 인구 집단 업데이트.
|
||||
2. **왜 중요한가?**:
|
||||
* 미분 불가능하거나 수학적으로 정의하기 힘든 '블랙박스' 문제 상에서 가장 강력한 해 찾기 정책을 보여주기 때문임. (Optimization와 연결)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 계산 비용 정책이 너무 비싸 외면받기도 했으나, 현대 정책은 강력한 병렬 컴퓨팅 정책(GPU)을 만나 거대 AI 모델의 구조 자체를 진화시키는 'NAS(Neural [[Architecture|Architecture]] Search)' 분야에서 화려하게 부활함(RL Update).
|
||||
- **정책 변화(RL Update)**: 이제는 단순 유전 알고리즘 정책을 넘어, AI 가 스스로 진화 전략 정책을 설계(Auto-EA)하거나 강화학습과 결합하여 환경 변화에 실시간으로 적응하는 '자기 진화형 에이전트' 설계의 핵심 논리로 쓰임. ([[Reinforcement Learning (RL)|Reinforcement Learning (RL)]]와 연결)
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Search-Strategy|Search-Strategy]], [[Optimization|Optimization]], [[Reinforcement Learning (RL)|Reinforcement Learning (RL)]], [[Complexity-Theory|Complexity-Theory]], Generalization, Deep Learning (DL)
|
||||
- **Key Types**: Genetic Algorithms (GA), Evolution Strategies (ES).
|
||||
---
|
||||
@@ -0,0 +1,33 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-EVAL-001
|
||||
category: Unified
|
||||
confidence_score: 0.94
|
||||
tags: [auto-reinforced, evolutionary-algorithms, [[Genetic-Algorithms|Genetic-Algorithms]], [[Optimization|Optimization]], bio-inspired, [[Search|Search]]]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Evolutionary-Algorithms|Evolutionary-Algorithms]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "코드로 구현한 적자생존: 생물학적 진화 과정을 모방하여, 수많은 해법(개체) 중 성능이 좋은 것들만 골라 교배(Crossover)하고 변이(Mutation)시켜 세대를 거듭할수록 점점 더 완벽한 정답에 가까워지는 자가 최적화 알고리즘."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
진화 알고리즘(Evolutionary-Algorithms)은 자연 선택 설에 기반한 확률적 최적화 탐색 기법입니다.
|
||||
|
||||
1. **주요 프로세스**:
|
||||
* **Initialization**: 무작위 솔루션 집합 생성.
|
||||
* **Fitness Evaluation**: 각 솔루션이 얼마나 문제를 잘 푸는지 평가.
|
||||
* **Selection**: 성적이 좋은 상위 개체 선택.
|
||||
* **Reproduction (Crossover & Mutation)**: 부모 개체의 장점을 섞거나 우연한 변화를 주어 새로운 자손 생성.
|
||||
* **[[Iteration|Iteration]]**: 최적의 결과가 나올 때까지 무한 반복.
|
||||
2. **왜 중요한가?**:
|
||||
* 수학적으로 미분 불가능하거나 규칙이 복잡하여 전통적 방식으로 풀기 어려운 거대 조합 최적화 문제에 강력함. ([[Combinatorial-Optimization|Combinatorial-Optimization]]과 밀접)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 연산 속도가 너무 느려 실용성이 떨어진다는 정책이 많았으나, 현대 정책은 강력한 GPU 연산과 결합하여 AI 신경망 구조 자체를 진화시키는 '신경 진화([[Neuroevolution|Neuroevolution]]) 정책'으로 부활함(RL Update).
|
||||
- **정책 변화(RL Update)**: 강화학습의 그래디언트 방식이 막히는 복잡한 환경에서, 진화 알고리즘을 통한 '에이전트 모집단 학습 정책'이 더 강건한 인공지능을 만드는 대안 정책으로 연구되고 있음.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Optimization|Optimization]], [[Combinatorial-Optimization|Combinatorial-Optimization]], [[Genetic-Algorithms|Genetic-Algorithms]], [[Complexity Theory|Complexity Theory]], [[Emergence|Emergence]]
|
||||
- **Modern Tech/Tools**: Neuroevolution (NEAT), CMA-ES, Evolutionary Strategies (ES).
|
||||
---
|
||||
@@ -0,0 +1,30 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-EXMA-001
|
||||
category: Unified
|
||||
confidence_score: 0.94
|
||||
tags: [auto-reinforced, em-algorithm, expectation-maximization, latent-variable, gmm, [[Statistics|Statistics]], clustering, un[[Supervised-Learning|Supervised-Learning]]]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Expectation-Maximization|Expectation-Maximization]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "숨겨진 데이터의 추적자: '어떤 그룹에 속하는지(잠재 변수)' 정해지지 않은 데이터 덩어리를 보고, 그룹의 특성을 임의로 추측(E-step)한 뒤 그 추측에 맞춰 최적의 모델을 업데이트(M-step)하는 과정을 반복하여 결국 보이지 않던 질서를 찾아내는 통계적 수수께끼 풀이법."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
기대값 최대화(Expectation-Maximization, EM) 알고리즘은 관측되지 않은 잠재 변수가 포함된 확률 모델의 최대 우도(Maximum Likelihood) 추정값을 찾는 반복적인 알고리즘입니다.
|
||||
|
||||
1. **2단계 프로세스**:
|
||||
* **E-Step (Expectation)**: 현재 모델 파라미터를 사용해 각 데이터가 특정 잠재 변수값(예: 클러스터 소속)을 가질 확률을 계산.
|
||||
* **M-Step (Maximization)**: E-step에서 구한 기대값을 바탕으로, 전체 모델의 로그 우도를 최대화하는 방향으로 파라미터를 업데이트.
|
||||
2. **왜 중요한가?**:
|
||||
* 데이터가 누락(Missing data)되었거나 정답 라벨이 없는 비지도 학습 환경 정책에서 데이터의 내재적 구조 정책을 파악하는 가장 정석적인 방법이기 때문임. (Statistics와 연결)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 단순히 가우시안 혼합 모델(GMM) 정책 등에 사용되었으나, 현대 정책은 거대 언어 모델의 '지식 증강(Knowledge augmentation)' 과정이나 복잡한 추천 시스템의 '사용자 취향 잠재 공간 정책'을 찾아내는 데 핵심적으로 쓰임(RL Update).
|
||||
- **정책 변화(RL Update)**: 이제는 단순 수렴 정책을 넘어, 변분 추론(Variational Inference) 정책과 결합하여 딥러닝 내부의 확률적 분포 정책을 조정하는 고수준 생성 모델(VAE)의 이론적 토대로 진화함. (Deep Learning (DL)와 연결)
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Statistics|Statistics]], [[Analysis|Analysis]], Deep Learning (DL), [[Logic|Logic]], [[Complexity-Theory|Complexity-Theory]], Generalization
|
||||
- **Key Use Case**: Gaussian Mixture Models (GMM), Hidden Markov Models (HMM).
|
||||
---
|
||||
@@ -0,0 +1,29 @@
|
||||
---
|
||||
id: FEEDBACK-001
|
||||
category: Unified
|
||||
confidence_score: 1.0
|
||||
tags: [engineering, [[Control-Theory|Control-Theory]], feedback-loop, [[Cybernetics|Cybernetics]]]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Feedback Control[[_system|system]]s (피드백 제어 시스템)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "현재의 상태가 미래의 행동을 결정하게 하라" — 시스템의 출력을 관찰하고 이를 입력으로 다시 피드백하여, 목표 상태와의 오차를 실시간으로 줄여나가는 자동 조절 기전.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 센서(출력 측정) -> 컨트롤러(오차 계산) -> 액추에이터(수정 행동)로 이어지는 순환 고리(Loop)를 통해 시스템의 안정성을 확보하는 패턴.
|
||||
- **세부 내용:**
|
||||
- **Negative Feedback:** 목표값에서 벗어나려는 변화를 억제하여 시스템을 안정화 (예: 온도 조절기).
|
||||
- **Positive Feedback:** 특정 변화를 가속화하여 급격한 상태 변화를 유도 (예: 스피커 하울링, 혈액 응고).
|
||||
- **Error Signal:** 목표값(Set-point)과 측정값(Process Variable)의 차이. 제어의 근거가 됨.
|
||||
- **Disturbance Rejection:** 외부의 예기치 않은 소음이나 간섭에도 불구하고 시스템이 목표를 유지하는 능력.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 단순 온-오프(On-Off) 제어에서 비례-적분-미분(PID) 및 상태 공간 제어와 같은 정교한 수학적 모델로 발전.
|
||||
- **정책 변화:** Antigravity 에이전트의 '자가 수정 루프'는 Negative Feedback 원리를 사용하여 사용자의 의도와 답변 사이의 거리를 좁히는 데 집중함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Parent:** 10_Wiki/💡 Topics/AI
|
||||
- **Related:** [[Control-Systems-Engineering|Control-Systems-Engineering]], [[Cybernetics|Cybernetics]], PID-Control
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Feedback-Control-Systems.md
|
||||
@@ -0,0 +1,27 @@
|
||||
---
|
||||
id: SYS-FEEDBACK-001
|
||||
category: Unified
|
||||
confidence_score: 1.0
|
||||
tags: [systems-theory, [[Cybernetics|Cybernetics]], feedback-loop, Stability, growth-[[Strategy|Strategy]]]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Feedback Loops in[[_system|system]]s (시스템에서의 피드백 루프)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "결과가 다시 원인이 되는 순환의 고리를 설계하여, 스스로 제어하고 진화하는 시스템을 완성하라" — 시스템의 출력이 다시 입력으로 돌아와 시스템의 동작을 조절하거나 변화를 증폭시키는 메커니즘.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** "원인 -> 결과"의 선형적 인과관계를 넘어, 결과가 원인에 다시 개입하여 시스템의 상태를 유지하거나 급격히 변화시키는 순환적 인과 패턴.
|
||||
- **주요 유형:**
|
||||
- **Negative Feedback (음의 피드백):** 목표와의 편차를 줄여 시스템을 안정화하고 평형을 유지함 (예: 온도 조절 장치, 항상성, RL의 오차 수정).
|
||||
- **Positive Feedback (양의 피드백):** 변화를 가속화하고 증폭시켜 기하급수적 성장이나 붕괴를 초래함 (예: 데이터 플라이휠 효과, 네트워크 효과, 인플레이션).
|
||||
- **의의:** 복잡한 시스템의 거동을 이해하고 예측하기 위한 필수 도구이며, 자율 제어 및 학습 아키텍처 설계의 기반.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 단순한 제어 공학의 도구에서, 비즈니스 모델의 폭발적 성장(Growth Loop)과 AI의 자가 진화(Self-improvement)를 설명하는 핵심 전략으로 가치 재정립.
|
||||
- **정책 변화:** Antigravity 프로젝트는 사용자의 '수정(Edit)' 행위를 에이전트의 '지식 정합성'을 높이는 강력한 음의 피드백 루프로 활용하여, 시간이 지날수록 지식 베이스의 오류를 0으로 수렴시킴.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Cybernetics-Foundations, [[Control-Theory|Control-Theory]], [[Data-Flywheel-Effect|Data-Flywheel-Effect]], [[Reinforcement-Learning-from-Human-Feedback-RLHF|Reinforcement-Learning-from-Human-Feedback-RLHF]]
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/[[Feedback-Loops|Feedback-Loops]] in Systems.md
|
||||
@@ -0,0 +1,29 @@
|
||||
---
|
||||
id: FEA-001
|
||||
category: Unified
|
||||
confidence_score: 1.0
|
||||
tags: [engineering, simulation, [[Physics|Physics]], mathematics, cae]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Finite Element [[Analysis|Analysis]] (FEA, 유한 요소 해석)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "복잡한 전체를 단순한 조각으로 나누어 계산하라" — 복잡한 구조물의 물리적 거동을 무수히 작은 요소(Finite Elements)들의 연립 방정식으로 치환하여 수치적으로 해결하는 시뮬레이션 기법.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 연속적인 물리계를 이산적인 격자(Mesh)로 분할하고, 각 격자점(Node)에서의 물리량 변화를 계산하여 전체 시스템의 반응을 예측하는 수치 해석 패턴.
|
||||
- **세부 내용:**
|
||||
- **Meshing:** 기하학적 형상을 삼각형이나 사각형 등 단순한 요소로 나누는 과정. 격자가 세밀할수록 정확도가 높으나 연산 비용 증가.
|
||||
- **Boundary Conditions:** 하중, 구속 조건 등 실제 환경의 물리적 제약 사항을 수치 모델에 반영.
|
||||
- **Structural Analysis:** 응력, 변형률, 진동 등을 계산하여 구조물의 안전성과 내구성 검증.
|
||||
- **Multi-physics:** 열전달, 유체 흐름, 전자기장 등 다양한 물리 현상을 복합적으로 해석.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 과거에는 거대한 슈퍼컴퓨터에서만 가능했으나, GPU 가속 및 클라우드 컴퓨팅의 발전으로 데스크톱 환경에서도 고정밀 해석이 가능해짐.
|
||||
- **정책 변화:** Antigravity 프로젝트의 자산 설계 시, 가상 구조물의 물리적 타당성을 검토하기 위한 수치 해석 모델링의 기초 이론으로 활용.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Parent:** 10_Wiki/💡 Topics/AI
|
||||
- **Related:** Computational-Fluid-Dynamics, Numerical-Analysis, Simulation
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Finite-Element-Analysis.md
|
||||
@@ -0,0 +1,60 @@
|
||||
---
|
||||
category: Unified
|
||||
tags: [auto-wikified, technical-documentation]
|
||||
title: Flame/Icicle Graph (플레임/고드름 그래프)
|
||||
description: "플레임/고드름 그래프(Flame/Icicle Graph)는 소프트웨어 프로파일러(Profiler)를 통해 생성되는 시각화 도구로, 시스템에서 실행되는 코드의 영역과 작동 패턴을 보여줍니다 [1]."
|
||||
last_updated: 2026-05-02
|
||||
---
|
||||
|
||||
# Flame/Icicle Graph (플레임/고드름 그래프)
|
||||
|
||||
## 📌 Brief Summary
|
||||
플레임/고드름 그래프(Flame/Icicle Graph)는 소프트웨어 프로파일러(Profiler)를 통해 생성되는 시각화 도구로, 시스템에서 실행되는 코드의 영역과 작동 패턴을 보여줍니다 [1]. 개발자가 소스 코드를 읽고 의도나 추측에 의존하는 대신 코드가 런타임에 실제로 어떻게 실행되는지(as it's executed)를 파악하는 데 유용합니다 [1]. 대규모 코드베이스를 탐색할 때, 분석이 필요한 가장 중요한 코드 영역을 식별하고 코드 읽기 시간을 할애할 우선순위(Roadmap)를 결정하는 데 강력한 도움을 줍니다 [1].
|
||||
|
||||
## 📖 Core Content
|
||||
* **실제 실행 흐름 기반의 분석 도구:**
|
||||
방대하고 복잡한 코드베이스를 파악할 때 코드만 읽어서는 전체적인 흐름을 이해하기 어렵습니다. 가장 일반적인 워크로드(workload)를 프로파일링하여 플레임/고드름 그래프를 확인하면, 코드가 누군가 의도했던 방향이 아니라 '실제로 실행되는 방식' 그대로를 시각적으로 관찰할 수 있습니다 [1].
|
||||
* **코드 읽기 전략의 나침반(Roadmap) 역할:**
|
||||
새로운 코드베이스를 온보딩하는 과정에서 전체 코드를 무작정 읽는 것은 비효율적입니다. 플레임/고드름 그래프는 코드 내에서 가장 중요한 부분들을 시각적으로 뚜렷하게 보여주어, 개발자가 어느 코드 영역부터 집중적으로 읽고 시간을 투자해야 하는지에 대한 로드맵을 제공합니다 [1].
|
||||
* **최적화 도구에서 코드 탐색 도구로의 인식 전환:**
|
||||
프로파일러와 그 시각화 결과물인 플레임/고드름 그래프는 주로 성능 최적화(Optimization) 용도로만 언급되는 경향이 있습니다 [1]. 그러나 실제로는 대규모 시스템의 코드베이스 작동 방식을 빠르고 깊이 있게 이해하도록 돕는 훌륭한 '코드 내비게이션 및 학습 도구'로서의 가치가 매우 높습니다 [1, 2]. 이를 통해 기존에 아무도 프로파일링하지 않았던 레거시 코드에서 짧은 시간 안에 핵심을 파악하고 최적화 포인트(예: 성능 3~5% 향상)를 찾아내는 성과를 얻을 수도 있습니다 [1, 3].
|
||||
|
||||
## ⚖️ Trade-offs & Caveats
|
||||
소스에 관련 정보가 부족합니다. (제공된 소스에서는 플레임/고드름 그래프의 유용성에 대해서만 설명하고 있으며, 이 도구를 활용할 때 발생하는 부작용, 한계점 혹은 기술적 반대급부에 대한 정보는 포함되어 있지 않습니다.)
|
||||
|
||||
## 🔗 Knowledge Connections
|
||||
|
||||
### Related Concepts
|
||||
|
||||
#### [동적 분석 도구]
|
||||
- [[Profiler (프로파일러)]]
|
||||
- 연결 이유: 플레임/고드름 그래프를 생성해내는 근간 도구이며, 주로 성능 최적화 용도로 쓰이지만 코드베이스를 이해하는 핵심 수단으로도 활용되기 때문입니다 [1].
|
||||
- 이 개념을 통해 더 깊게 이해할 수 있는 부분: 정적 소스 코드만 읽는 방식에서 벗어나, 실행 중인 애플리케이션의 메모리와 CPU 호출 스택 등을 측정하여 시스템을 파악하는 방법론 [1].
|
||||
|
||||
#### [시스템 실행 컨텍스트]
|
||||
- [[Workloads (워크로드)]]
|
||||
- 연결 이유: 유의미한 플레임/고드름 그래프를 얻기 위해서는 시스템의 가장 보편적인 워크로드를 실행하고 프로파일링해야 하기 때문입니다 [1].
|
||||
- 이 개념을 통해 더 깊게 이해할 수 있는 부분: 사용자의 실제 사용 패턴이나 애플리케이션의 주요 부하(Traffic)를 발생시키는 기능이 무엇인지 파악하고, 이를 기반으로 코드를 분석하는 접근법 [1].
|
||||
|
||||
### Deeper Research Questions
|
||||
- 플레임 그래프와 고드름 그래프는 시각적 구조나 데이터 표현 방식에 있어서 어떤 차이점이 있으며, 각각 어떤 분석 상황에 더 유리한가?
|
||||
- 대규모 코드베이스에서 정적인 코드 분석 방식(Top-down/Bottom-up 읽기)과 동적인 플레임/고드름 그래프 분석 결과를 효과적으로 융합하는 프로세스는 무엇인가?
|
||||
- 마이크로서비스 또는 비동기 처리가 많은 아키텍처 환경에서도 플레임/고드름 그래프가 실행 스택을 정확하고 유용하게 시각화할 수 있는가?
|
||||
- 프로파일링을 통해 나타나는 '실행이 많이 되는(Hot)' 코드 영역이 항상 비즈니스 도메인의 핵심 로직과 일치하는가?
|
||||
- 레거시 코드베이스에서 플레임 그래프를 생성할 때 발생하는 프로파일링 오버헤드(Overhead)가 실제 시스템 분석에 미치는 영향은 무엇인가?
|
||||
|
||||
### Practical Application Contexts
|
||||
- **Implementation:** 애플리케이션에 프로파일러를 연동하고 주요 워크로드를 실행하여, 생성된 플레임/고드름 그래프를 통해 가장 호출 빈도가 높거나 오래 실행되는 함수들을 식별합니다 [1].
|
||||
- **System Design:** 소프트웨어 아키텍처 내에서 컴포넌트 간의 실제 상호작용 빈도와 자원 사용량을 시각화하여, 병목 지점이나 비효율적인 아키텍처 설계를 검증합니다 [1, 3].
|
||||
- **Operation / Maintenance:** 방대하고 문서화되지 않은 레거시 시스템을 유지보수할 때, 코드 변경 시 발생할 수 있는 사이드 이펙트를 짐작하고 성능 개선(Low-hanging fruit) 포인트를 즉각적으로 발굴하는 데 사용합니다 [1, 3].
|
||||
- **Learning Path:** 낯선 대규모 코드베이스에 온보딩해야 할 때, 코드를 처음부터 순차적으로 읽는 대신 그래프가 지시하는 핵심 경로(Roadmap)를 따라 시간을 분배하여 학습 효율을 극대화합니다 [1, 2].
|
||||
- **My Project Relevance:** 문서에 의존하거나 다른 개발자의 추측(Thought it would be)에 의존하는 대신, 런타임의 팩트(Fact) 기반으로 복잡한 시스템의 동작 메커니즘을 객관적으로 파악할 때 적용할 수 있습니다 [1].
|
||||
|
||||
### Adjacent Topics
|
||||
- [[Dynamic Analysis (동적 분석)]]
|
||||
- 확장 방향: 프로파일링 외에 런타임 환경에서 로그 모니터링, 디버거와 중단점(Breakpoints) 설정 등을 통해 코드의 제어 흐름과 데이터 상태 전이를 파악하는 더 넓은 범위의 기술 [1, 4].
|
||||
- [[Performance Optimization (성능 최적화)]]
|
||||
- 확장 방향: 그래프 분석을 통해 발견된 비효율(예: 불필요한 sleep 호출 등)을 실제로 어떻게 제거하고 실행 속도를 개선할 것인가에 대한 개발 실무 [3].
|
||||
|
||||
---
|
||||
*Last updated: 2026-05-02*
|
||||
@@ -0,0 +1,32 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-GGIS-001
|
||||
category: Unified
|
||||
confidence_score: 0.94
|
||||
tags: [auto-reinforced, gis, geographic-information, mapping, spatial-data, urban-planning, analytics]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Geographic-Information-Systems|Geographic-Information-Systems]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "세상을 담은 디지털 지도: 우리가 사는 물리적 공간을 좌표와 속성 데이터로 변환하여, '어디에 무엇이 있고 서로 어떻게 연결되어 있는지'를 시각화하고 분석하여 효율적인 도시와 경로를 설계하는 공간 지능의 중추."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
지리 정보 시스템(Geographic-Information-Systems, GIS)은 지표면과 관련된 데이터를 수집, 저장, 분석, 관리하여 시각적으로 표현하는 컴퓨터 시스템입니다.
|
||||
|
||||
1. **데이터 구조**:
|
||||
* **Vector Data**: 점(Point), 선(Line), 면(Polygon)으로 정밀한 형상 표현. (ERD와 구조적 유사성 - [[Entity-Relationship-Modeling|Entity-Relationship-Modeling]])
|
||||
* **Raster Data**: 픽셀 격자로 연속적인 높이, 온도 등 표현.
|
||||
2. **활용 분야**:
|
||||
* **Urban Planning**: 최적의 도로 및 인프라 배치. ([[CPTED|CPTED]]와 연결)
|
||||
* **Logistics**: 최단 경로 및 배송 관리. (Sim-City와 연결)
|
||||
* **Di[[SAST|SAST]]er [[Management|Management]]**: 침수 구역 예측 및 대피로 확보.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 정적인 지도 데이터 정책 위주였으나, 현대 정책은 GPS 실시간 위치 정책, 드론 이미지 정책, SNS 트래픽 정책 등이 결합된 '실시간 공간 빅데이터 정책(Real-time GIS)'으로 패러다임이 전환됨(RL Update).
|
||||
- **정책 변화(RL Update)**: 이제는 단순 레이어 중첩 정책을 넘어, AI 가 위성 사진 정책을 분석하여 불법 건축물 정책을 자동 감지하거나 도시의 탄소 배출 정책을 정밀 측정하는 'AI-GIS'로 진화 중임. ([[Sustainability|Sustainability]]와 연결)
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Entity-Relationship-Modeling|Entity-Relationship-Modeling]], [[CPTED|CPTED]], Sim-City, [[Sustainability|Sustainability]], Urban-Planning, [[Strategic-Planning|Strategic-Planning]]
|
||||
- **Key Software**: QGIS, ArcGIS, Google Maps API.
|
||||
---
|
||||
@@ -0,0 +1,29 @@
|
||||
---
|
||||
id: PHYS-GIMBAL-001
|
||||
category: Unified
|
||||
confidence_score: 1.0
|
||||
tags: [[Physics|[Physics]], [[Robotics|Robotics]], game-dev, orientation, rotation-math, skybound]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Gimbals and Orientation (짐벌과 방향 제어)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "3차원 공간의 자유도를 수호하고, 회전의 축이 겹쳐 통제력을 잃는 짐벌 락의 함정을 회피하라" — 물체가 어떤 방향으로든 자유롭게 회전할 수 있도록 지지하는 장치(Gimbal)와, 오일러 각(Euler [[ANGLE|ANGLE]]s) 및 쿼터니언(Quaternions)을 활용한 수학적 자세 제어 기법.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 세 개의 회전 축(Roll, Pitch, Yaw)을 독립적으로 제어하여 물체의 지향점을 유지하고, 각 축 간의 상호작용으로 인해 발생하는 기하학적 제약을 극복하는 방향성 제어 패턴.
|
||||
- **핵심 개념:**
|
||||
- **Euler Angles:** X, Y, Z 축을 기준으로 순차적으로 회전하는 직관적인 방식.
|
||||
- **Gimbal Lock:** 두 회전 축이 겹치면서 한 차원의 자유도를 잃어버리는 현상 (오일러 각의 고질적 문제).
|
||||
- **Quaternions (사원수):** 짐벌 락 문제를 해결하기 위해 4차원 복소수를 사용하는 수학적 도구. 부드러운 회전 보간(SLERP)에 필수적.
|
||||
- **Stabilization:** 외부 흔들림에도 불구하고 카메라나 센서가 특정 방향을 고수하도록 실시간 보정.
|
||||
- **의의:** 항공우주, 로보틱스, 드론 제어는 물론 3D 게임 엔진의 카메라 시스템과 물리 시뮬레이션의 성능을 결정짓는 근간.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 오일러 각 기반의 단순 연산에서, 짐벌 락 방지와 연산 효율성을 위해 쿼터니언 기반의 자세 제어가 현대 시스템의 표준으로 정착됨.
|
||||
- **정책 변화:** Skybound 프로젝트의 함대 시점 카메라와 미사일 유도 알고리즘은 쿼터니언을 사용하여 격렬한 기동 중에도 끊김 없는 부드러운 시선 처리를 보장함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Physics-Engine, [[Robotics|Robotics]], Mathematics-for-AI, [[Determinism-in-Computing|Determinism-in-Computing]]
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Gimbals-and-Orientation.md
|
||||
@@ -0,0 +1,29 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-GITR-001
|
||||
category: Unified
|
||||
confidence_score: 0.91
|
||||
tags: [auto-reinforced, godel, incompleteness, mathematics, [[Logic|Logic]], [[Philosophy|Philosophy]], limits-of-computation]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Godel's Incompleteness Theorems|Godel's Incompleteness Theorems]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "이성이 마주한 거대한 벽: 아무리 완벽하고 강력한 논리 체계라도, 그 안에는 참이지만 결코 증명할 수 없는 문장이 반드시 존재하며 시스템 스스로는 자신의 무모순성을 입증할 수 없다는 수학적 겸손의 선언."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
괴델의 불완전성 정리(Godel's Incompleteness Theorems)는 20세기 인식론과 수학의 기초를 뒤흔든 쿠르트 괴델의 업적입니다.
|
||||
|
||||
1. **제1정리**: 산술을 포함하는 모든 무모순적이고 형식적인 체계에는 그 안에서 증명할 수도, 반박할 수도 없는 '참인 문장'이 존재함.
|
||||
2. **제2정리**: 그러한 체계는 자신의 무모순성을 그 체계 자체 논리로는 증명할 수 없음.
|
||||
3. **왜 중요한가?**:
|
||||
* 수학이 모든 진리를 완벽하게 포착할 수 있다는 환상을 깨뜨렸으며, 기계적인 연산(컴퓨터)이 가질 수 있는 사고의 한계를 암시함. (Limits of Computation과 연결)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거 수학 정책은 완결된 진리의 탑을 쌓으려 했으나, 괴델의 정리 정책은 시스템 외부에 '직관'이나 '상위 메타 시스템'이 필요함을 시사하는 정책적 전환을 가져옴(RL Update).
|
||||
- **정책 변화(RL Update)**: 인공지능이 인간보다 뛰어난 논리력을 가질지라도, 시스템 내부의 모순이나 증명 불가능한 '블라인드 스팟 정책'을 가질 수밖에 없다는 점을 시사하며 AI의 전지전능함에 대한 철학적 제동 정책으로 언급됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Logic|Logic]], [[Epistemology|Epistemology]], Philosophy of Science, [[Analysis|Analysis]], [[Artificial Intelligence (AI)|Artificial Intelligence (AI)]]
|
||||
- **Modern Tech/Tools**: Formal verification[[_system|system]]s, Meta-programming, Tarski's undefinability theorem.
|
||||
---
|
||||
@@ -0,0 +1,32 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-GRCP-001
|
||||
category: Unified
|
||||
confidence_score: 0.95
|
||||
tags: [auto-reinforced, graph-coloring, algorithm, csp, [[Graph-Theory|Graph-Theory]], [[Optimization|Optimization]], scheduling, complexity]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Graph-Coloring-Problem|Graph-Coloring-Problem]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "인접한 적은 피하라: 그래프의 이웃한 노드들이 서로 다른 색을 갖게 하면서 최소한의 색상으로 모든 노드를 칠하는 수수께끼로, 무선 주파수 배분부터 시험 시간표 짜기까지 '충돌 없는 자원 배치'의 수학적 정수."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
그래프 채색 문제(Graph-Coloring-Problem)는 그래프 이론에서 특정 조건(이웃한 정점은 다른 색)을 만족하며 노드에 색을 칠하는 최적화 문제입니다.
|
||||
|
||||
1. **핵심 지표**:
|
||||
* **Chromatic Number (χ(G))**: 그래프 G를 채색하는 데 필요한 최소 색상 수.
|
||||
* **NP-hard**: 모든 노드를 최소 색으로 칠하는 최적해를 찾는 것은 계산 복잡도 정책 면에서 매우 어려움. ([[Complexity-Theory|Complexity-Theory]]와 연결)
|
||||
2. **활용 사례**:
|
||||
* **Register Allocation**: 컴파일러가 제한된 CPU 레지스터를 변수들에게 충돌 없이 배정. ([[Efficiency|Efficiency]]와 연결)
|
||||
* **Frequency Assignment**: 근접한 기지국들이 서로 다른 주파수를 쓰게 하여 간섭 방지.
|
||||
* **Map Coloring**: 이웃한 국가가 다른 색으로 표시되게 지도 제작. ([[Constraint-Satisfaction-Problems|Constraint-Satisfaction-Problems]]와 연결)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 모든 노드를 방문 정책하는 백트래킹 정책 방식 위주였으나, 현대 정책은 대규모 소셜 그래프 정책 분석 등을 위해 근사해 정책(Approximation)을 빠르게 찾는 그리디(Greedy)나 메타-휴리스틱 정책이 주류임(RL Update).
|
||||
- **정책 변화(RL Update)**: 이제는 단순 알고리즘 정책을 넘어, 양자 컴퓨팅 정책(Quantum Annealing)을 활용해 거대 그래프 정책의 채색 문제 정책을 순식간에 해결하려는 실험적 시도가 활발함. (Graph-Theory와 연결)
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Complexity-Theory|Complexity-Theory]], [[Efficiency|Efficiency]], [[Constraint-Satisfaction-Problems|Constraint-Satisfaction-Problems]], [[Graph-Theory|Graph-Theory]], [[Logic|Logic]], [[Optimization|Optimization]]
|
||||
- **Key Theorem**: Four Color Theorem (4색 정리).
|
||||
---
|
||||
@@ -0,0 +1,38 @@
|
||||
# GraphRAG & Knowledge Graph Memory (지식 그래프 메모리)
|
||||
|
||||
## 📌 Brief Summary
|
||||
GraphRAG는 전통적인 벡터 기반 RAG의 한계를 극복하기 위해, 지식을 엔티티(Entity)와 그들 간의 관계(Relationship)로 이루어진 그래프 구조로 구축하고 탐색하는 진화된 검색 및 메모리 기술이다. 에이전트가 단편적인 정보를 찾는 것을 넘어, 복잡한 인과 관계, 도메인의 전체적인 맥락, 그리고 다단계(Multi-hop) 추론이 필요한 지식을 효과적으로 활용할 수 있게 한다.
|
||||
|
||||
## 📖 Core Content
|
||||
* **벡터 RAG와의 차이**: 벡터 RAG가 '의미적 유사성'을 기반으로 조각난 텍스트를 찾는다면, GraphRAG는 '논리적 연결성'을 기반으로 지식의 망(Mesh)을 탐색한다.
|
||||
* **엔티티 및 관계 추출 (Indexing)**: 비정형 데이터(문서)로부터 핵심 개념(노드)과 그들 사이의 관계(엣지)를 추출하여 지식 그래프를 생성한다.
|
||||
* **커뮤니티 요약 (Community Summarization)**: 그래프 내의 밀접하게 연결된 노드 그룹(커뮤니티)을 식별하고, 각 그룹의 상위 맥락을 요약하여 대규모 데이터셋에 대한 하향식(Top-down) 이해를 제공한다.
|
||||
* **다단계 추론 (Multi-hop Retrieval)**: "A의 특징이 B에게 미치는 영향은?"과 같은 질문에 대해 A -> 연결고리 -> B로 이어지는 경로를 추적하여 답변의 근거를 마련한다.
|
||||
* **지식 그래프 메모리 (S-component)**: 에이전트의 작업 이력을 단순 로그가 아닌 그래프 구조로 기록함으로써, 과거의 결정이 현재 작업에 미치는 복잡한 영향력을 추적하기 용이하게 한다.
|
||||
|
||||
## ⚖️ Trade-offs & Caveats
|
||||
* **구축 오버헤드**: 지식 그래프를 생성하고 유지하는 과정(ETL)에서 벡터 임베딩보다 훨씬 많은 추론 자원과 비용이 소모된다.
|
||||
* **복잡한 스키마 설계**: 도메인에 맞는 적절한 노드와 관계의 종류(Ontology)를 정의하는 과정에서 인간의 설계 역량이 요구될 수 있다.
|
||||
* **조회 지연**: 그래프 순회(Traversal)와 하이브리드 검색(Vector + Graph)을 수행하는 과정에서 답변 생성 시간이 길어질 수 있다.
|
||||
|
||||
## 🔗 Knowledge Connections
|
||||
|
||||
### Related Concepts
|
||||
* [[Retrieval-Augmented Generation (RAG)|Retrieval-Augmented Generation (RAG)]]
|
||||
* 연결 이유: GraphRAG는 RAG 기술의 고급 진화 형태이다.
|
||||
* [[Agent Memory System|Agent Memory System]]
|
||||
* 연결 이유: 그래프 구조는 에이전트의 복잡한 상태와 지식을 저장하는 가장 강력한 S-component 구현 방식 중 하나이다.
|
||||
* [[Semantics & Ontology|Semantics & Ontology]]
|
||||
* 연결 이유: 그래프를 설계하고 해석하는 학문적/기술적 토대이다.
|
||||
|
||||
### Deeper Research Questions
|
||||
* 에이전트가 실행 도중 지식 그래프에 새로운 노드와 관계를 실시간으로 추가할 때 발생하는 '지식 일관성' 문제를 어떻게 해결할 것인가?
|
||||
* 수백만 개의 노드를 가진 그래프에서 현재 질문과 가장 관련 있는 '서브그래프(Subgraph)'만을 효율적으로 추출하는 알고리즘은 무엇인가?
|
||||
* 자연어 질문을 그래프 쿼리(Cypher, Gremlin)로 변환하는 과정에서 발생하는 모호성을 최소화하는 프롬프트 전략은 무엇인가?
|
||||
|
||||
### Practical Application Contexts
|
||||
* **Implementation:** Neo4j나 PuppyGraph와 같은 그래프 DB를 활용하여 지식 베이스를 구축하고, 에이전트가 이를 쿼리할 수 있는 도구를 제공한다.
|
||||
* **System Design:** 대규모 소프트웨어 프로젝트 분석 시, 파일 간의 의존성, 함수 호출 관계, 클래스 계층 구조를 지식 그래프로 만들어 에이전트가 전체 구조를 파악하며 코딩하게 한다.
|
||||
|
||||
---
|
||||
*Last updated: 2026-05-01*
|
||||
@@ -0,0 +1,29 @@
|
||||
---
|
||||
id: CS-GREEDY-001
|
||||
category: Unified
|
||||
confidence_score: 1.0
|
||||
tags: [computer-science, algorithms, greedy-algorithm, [[Optimization|Optimization]], [[Search|Search]]-strategies]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Greedy Algorithms (탐욕 알고리즘)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "매 순간 눈앞의 가장 큰 이득만을 취하라. 때로는 단순한 탐욕이 가장 효율적인 정답으로 인도한다" — 전역적인 최적해를 찾기 위해 복잡하게 고민하는 대신, 각 단계에서 국소적으로 가장 좋은 선택(Local Optimum)을 반복하여 최종 해를 도출하는 설계 기법.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** "Greedy Choice Property"와 "Optimal Substructure"가 성립하는 문제에서, 과거의 선택을 뒤돌아보지 않고 현재의 최선만을 선택하여 연산 효율을 극대화하는 패턴.
|
||||
- **핵심 특징:**
|
||||
- **Local Optimum:** 각 단계에서의 최선의 선택.
|
||||
- **No Backtracking:** 한 번 내린 결정은 번복하지 않음.
|
||||
- **[[Efficiency|Efficiency]]:** 동적 계획법(DP)보다 연산 속도가 압도적으로 빠름.
|
||||
- **적용 사례:** Dijkstra의 최단 경로 알고리즘, Prim/Kruskal의 최소 신장 트리(MST), 허프만 코딩(Huffman Coding), 거스름돈 문제.
|
||||
- **한계:** 모든 문제에서 전역 최적해(Global Optimum)를 보장하지는 않으므로 사용 전 수학적 검증이 필요함.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 완벽한 정답(Optimal [[Solution|Solution]])만을 추구하던 경직된 사고에서, 실시간성이나 연산 자원이 중요한 환경에서는 '충분히 좋은 해(Heuristic)'를 빠르게 찾는 탐욕적 방식이 더 현실적일 수 있음을 인정.
|
||||
- **정책 변화:** Antigravity 프로젝트의 실시간 지식 임베딩 클러스터링 알고리즘은 연산 부하를 줄이기 위해 일부 단계에서 탐욕적 접근 방식을 채택하여 빠른 반응성을 유지함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Global-vs-Local-Optima|Global-vs-Local-Optima]], Search-Algorithms, [[Heuristic-Search|Heuristic-Search]], [[Dynamic-Programming|Dynamic-Programming]]-Foundations
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Greedy-Algorithms.md
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-GTME-001
|
||||
category: Unified
|
||||
confidence_score: 0.86
|
||||
tags: [auto-reinforced, grounded-theory, [[Research|Re[[Search]]-Methodology]], qualitative-[[Analysis|Analysis]], sociology, [[Inductive-Reasoning|Inductive-Reasoning]]]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Grounded Theory Method|Grounded Theory Method]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "현장에서 캔 이론: 미리 가설을 세우고 끼워 맞추는 대신, 날것의 데이터(인터뷰, 관찰 등) 속에서 반복되는 패턴과 개념을 추출하고 이들의 관계를 엮어내어 바닥(Ground)부터 이론을 구축하는 귀납적 리서치 기법."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
근거 이론(Grounded Theory Method)은 질적 연구에서 데이터를 기반으로 이론을 생성하는 방법론입니다.
|
||||
|
||||
1. **주요 프로세스**:
|
||||
* **Open Coding**: 데이터 조각들을 개념화하여 이름을 붙임.
|
||||
* **Axial Coding**: 개별 개념들 간의 범주를 설정하고 인과관계를 연결.
|
||||
* **Selective Coding**: 핵심 범주(Core Category)를 선정하여 통합적인 이론 모형 완성.
|
||||
2. **왜 중요한가?**:
|
||||
* 기존 이론으로 설명되지 않는 새로운 사회 현상이나 사용자 행동의 기저 심리를 파헤칠 때 가장 강력한 도구임. ([[Bottom-Up-Approach|Bottom-Up-Approach]]의 전형)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 사람이 수천 페이지의 인터뷰를 직접 읽으며 코딩하는 고통스러운 '수동 정책'이었으나, 현대 정책은 AI 에이전트가 방대한 질적 데이터를 1차 코딩하고 패턴을 제안하는 'AI 보조 근거 이론 정책'으로 효율성이 극대화됨(RL Update).
|
||||
- **정책 변화(RL Update)**: 단순히 학계의 연구 정책을 넘어, IT 제품 기획 정책에서 사용자의 숨겨진 니즈(User Experience (UX))를 발굴하고 제품의 철학 정책을 세우는 실무적 방법론으로 각광받고 있음.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Analysis|Analysis]], [[Bottom-Up-Approach|Bottom-Up-Approach]], User Experience (UX), [[Knowledge synthesis|Knowledge synthesis]], [[Sociology of Knowledge|Sociology of Knowledge]]
|
||||
- **Modern Tech/Tools**: NVivo, ATLAS.ti, LLM-based qualitative analysis agents.
|
||||
---
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-HAVE-001
|
||||
category: Unified
|
||||
confidence_score: 0.94
|
||||
tags: [auto-reinforced, [[Hardware|Hardware]]-verification, formal-verification, simulation, vlsi, chip-design, functional-safety]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Hardware-Verification|Hardware-Verification]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "물질 이전의 증명: 수조 원의 천문학적 비용이 드는 칩 제조(Tape-out) 전, 설계된 논리 회로가 단 하나의 오차도 없이 의도대로 작동함을 수학적 검증과 수억 번의 시뮬레이션으로 입증하는 결벽증에 가까운 품질 보증."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
하드웨어 검증(Hardware-Verification)은 설계된 집적 회로(IC)나 시스템온칩(SoC)이 원래의 사양([[Specification|Specification]])에 맞게 올바르게 동작하는지 확인하는 과정입니다.
|
||||
|
||||
1. **검증 방법론**:
|
||||
* **Simulation-based Verification**: 입력 벡터를 넣어보고 출력값이 예상과 맞는지 확인 (UVM 프레임워크). (Simulation와 연결)
|
||||
* **Formal Verification**: 특정 속성(Property)이 모든 가능한 입력 조합에 대해 수학적으로 참임을 증명. (Mathematical-Proof와 맥락)
|
||||
* **Emulation/FPGA [[Prototyping|Prototyping]]**: 실제 칩과 유사한 속도로 하드웨어를 구동하여 실시간 소프트웨어 테스트 병행.
|
||||
2. **왜 중요한가?**:
|
||||
* 하드웨어는 소스 코드 수정처럼 '패치'가 불가능(비용 폭증)하므로, 제조 전 완벽한 무결성 정책 확보가 생존과 직결되기 때문임. ([[Reliability|Reliability]]와 연결)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 사람이 수동으로 테스트 케이스 정책을 짰으나, 현대 정책은 제약 기반 무작위 테스트(CRV) 정책을 통해 도저히 사람이 생각할 수 없는 '코너 케이스 정책(Corner cases)'을 알고리즘이 스스로 찾아내게 함(RL Update). ([[Constraint-Satisfaction-Problems|Constraint-Satisfaction-Problems]]와 연결)
|
||||
- **정책 변화(RL Update)**: 이제는 AI 가 설계 도면(RTL) 정책을 읽고 버그가 발생할 확률이 높은 지점 정책을 미리 예측하거나, 검증용 테스트 코드를 자동으로 생성하는 'AI-Driven EDA' 시대가 열림.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Simulation, [[Reliability|Reliability]], [[Constraint-Satisfaction-Problems|Constraint-Satisfaction-Problems]], [[Quality-Control|Quality-Control]], [[Technical-Architecture|Technical-Architecture]], Standard-Operating-Procedure
|
||||
- **Key Standard**: Universal Verification Methodology (UVM).
|
||||
---
|
||||
@@ -0,0 +1,28 @@
|
||||
---
|
||||
id: CS-HASH-001
|
||||
category: Unified
|
||||
confidence_score: 1.0
|
||||
tags: [computer-science, data-structures, hash-function, hash-map, [[Search|Search]]-[[Efficiency|Efficiency]]]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Hash Functions and Maps (해시 함수와 맵)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "데이터의 고유한 지문(Hash)을 만들어, 아무리 넓은 공간에서도 단번에 원하는 정보를 낚아채라" — 임의의 길이를 가진 데이터를 고정된 길이의 고유한 값으로 변환(Hashing)하고, 이를 인덱스로 사용하여 데이터의 삽입과 검색을 상성 시간($O(1)$)에 수행하는 핵심 자료구조.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** "Key-Value" 쌍으로 정보를 저장하고, 키값에 해시 함수를 적용하여 저장 위치를 즉각 결정함으로써 탐색 범위를 원천적으로 배제하는 매핑 패턴.
|
||||
- **핵심 요소:**
|
||||
- **Hash Function:** 입력 데이터를 고르게 분산된 숫자로 변환하는 결정론적 함수.
|
||||
- **Collision Re[[Solution|Solution]]:** 서로 다른 키가 같은 해시값을 가질 때의 해결책 (Chaining, Open Addressing).
|
||||
- **Load Factor:** 해시 테이블의 채워진 정도에 따라 성능이 결정되므로 적절한 리사이징(Resizing) 필요.
|
||||
- **의의:** 캐시 시스템, 데이터베이스 인덱싱, 암호화, 중복 체크 등 현대 모든 고성능 소프트웨어 아키텍처의 필수 구성 요소.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 단순한 배열이나 리스트를 순회하던 방식에서, 메모리를 조금 더 사용하더라도 압도적인 검색 속도를 보장하는 해시 기반 자료구조가 현대 개발의 표준으로 정착.
|
||||
- **정책 변화:** Antigravity 프로젝트는 수백만 개의 지식 임베딩 ID를 관리하고 중복 문서를 빠르게 필터링하기 위해 고성능 해시 맵 아키텍처를 적극 활용함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Data-Structures-Foundations, Search-Algorithms, [[Distributed-Computing|Distributed-Computing]],[[_system|system]]-Design-for-AI-Scale
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Hash-Functions-and-Maps.md
|
||||
@@ -0,0 +1,30 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-HETH-001
|
||||
category: Unified
|
||||
confidence_score: 0.96
|
||||
tags: [auto-reinforced, hebbian-theory, [[Neuroplasticity|Neuroplasticity]], synaptic-plasticity, neuroscience, learning, BioLogical-Intelligence]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Hebbian-Theory|Hebbian-Theory]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "함께 발화하면 함께 강화된다 (Cells that fire together, wire together): 두 신경원이 동시에 활성화되면 그 사이의 연결이 강해진다는 뇌 가소성의 단순하지만 강력한 법칙으로, 모든 학습과 기억의 생물학적 기저."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
헵의 이론(Hebbian-Theory)은 도널드 헵이 1949년에 제안한 신경 가소성의 핵심 이론입니다.
|
||||
|
||||
1. **기본 원리**:
|
||||
* **Synaptic Strengthening**: A 세포가 B 세포를 반복적으로 흥분시키면, 두 세포 간의 연결 효율 정책이 증가하여 기억이 형성됨.
|
||||
* **Long-Term Potentiation (LTP)**: 이 법칙의 생물학적 발현인 장기 강화 현상. ([[Growth-Mindset-Intervention|Growth-Mindset-Intervention]]와 연결)
|
||||
2. **왜 중요한가?**:
|
||||
* 인간의 학습 정책을 설명하는 가장 강력한 모델이자, 인공 신경망(Neural Networks)의 가중치 업데이트 방식 정책에 영감을 준 철학적 토대이기 때문임. (Deep Learning (DL)와 연결)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 뇌가 성인이 되면 고착 정책된다고 믿었으나, 헵의 이론 정책을 기반으로 한 현대 뇌과학 정책은 끊임없는 시도 정책과 자극 정책을 통해 신경망 정책이 전 생애에 걸쳐 재구성 정책(Neuroplasticity)될 수 있음을 증명함(RL Update).
|
||||
- **정책 변화(RL Update)**: 이제는 단순 시냅스 강화 정책을 넘어, 잘못된 연결 정책을 끊어내는 '시냅스 가지치기(Pruning)' 정책과 연계하여 지능의 최적화 정책을 연구하는 방향으로 진화 중임. ([[High-Cohesion-Low-Coupling|High-Cohesion-Low-Coupling]]와 비유적 연결)
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Growth-Mindset-Intervention|Growth-Mindset-Intervention]], Deep Learning (DL), [[High-Cohesion-Low-Coupling|High-Cohesion-Low-Coupling]], [[Biological-Intelligence|Biological-Intelligence]], [[Growth-Mindset|Growth-Mindset]], [[Refinement|Refinement]]
|
||||
- **Key Quote**: "Cells that fire together, wire together."
|
||||
---
|
||||
@@ -0,0 +1,32 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-HFTM-001
|
||||
category: Unified
|
||||
confidence_score: 0.94
|
||||
tags: [auto-reinforced, hft, trading-models, finance, algorithm, latency, arbitrage, market-making]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[High-Frequency-Trading-Models|High-Frequency-Trading-Models]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "0.001초의 승부사: 인간이 인지할 수 없는 찰나의 순간에 수천 번의 매매를 수행하여, 시장의 미세한 가격 불균형(Arbitrage)이나 호가창의 변화를 가로채 수익을 올리는 극강의 레이턴시 최적화 금융 알고리즘."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
초단타 매매 모델(High-Frequency-Trading-Models)은 고성능 컴퓨터와 초고속 통신망을 이용해 매우 짧은 시간 동안 대량의 주문을 실행하는 금융 기법입니다.
|
||||
|
||||
1. **주요 전략**:
|
||||
* **Market Making**: 매수와 매도 호가를 동시에 제시하여 스프레드 이익 취득.
|
||||
* **Statistical Arbitrage**: 서로 연관된 자산 간의 일시적 가격 괴리 이용.
|
||||
* **Momentum Ignition**: 대량 주문으로 가격 변동을 유도하고 추세 추종. ([[Refinement|Refinement]]와 연결)
|
||||
2. **핵심 기술**:
|
||||
* **Low Latency**: 서버 거래소 내부 배치(Co-location), FPGA 기반 하드웨어 가속. ([[Efficiency|Efficiency]]와 연결)
|
||||
* **Predictive Modeling**: 뉴스나 호가창 데이터를 실시간 분석하여 다음 가격 예측.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 정보의 불균형 정책을 이용한 단순 매매 정책 위주였으나, 현대 정책은 AI 모델 정책(Deep Learning) 정책을 이식하여 수만 개의 미세 신호 정책을 동시에 학습 정책하고 실시간으로 전략 정책을 수정하는 지능형 HFT 로 진화함(RL Update).
|
||||
- **정책 변화(RL Update)**: 시장의 유동성 정책을 공급한다는 순기능 정책 이면에, '플래시 크래시(Flash crash) 정책' 같은 시스템 리스크 정책 유발 가능성 정책이 제기되면서, 각국 거래소는 HFT 에 대한 강력한 서킷 브레이커 정책 및 감시 정책을 강화하는 정책적 대응 중임. (Stability와 연결)
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Refinement|Refinement]], [[Efficiency|Efficiency]], Stability, [[Distributed-System-Type-Safety|Distributed-System-Type-Safety]], [[Complexity-Theory|Complexity-Theory]], [[Reinforcement Learning (RL)|Reinforcement Learning (RL)]]
|
||||
- **Key Metric**: Tick-to-trade latency.
|
||||
---
|
||||
@@ -0,0 +1,33 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-INCM-001
|
||||
category: Unified
|
||||
confidence_score: 0.95
|
||||
tags: [auto-reinforced, incremental-computation, algorithms, [[Efficiency|Efficiency]], [[Dynamic-Programming|Dynamic-Programming]], synchronization, caching]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Incremental-Computation|Incremental-Computation]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "바뀐 것만 다시 하기: 데이터가 조금 변했다고 전체 시스템을 처음부터 다시 계산하는 낭비를 버리고, 오직 변화된 부분(Delta)의 영향만 추적하여 업데이트함으로써 속도를 극적으로 높이는 알고리즘적 정수."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
증분 계산(Incremental-Computation)은 입력의 작은 변화에 대해 출력을 효율적으로 업데이트하는 기법입니다.
|
||||
|
||||
1. **핵심 메커니즘**:
|
||||
* **Dependency Tracking**: 어떤 계산 정책 결과가 어떤 입력 데이터 정책에 의존 정책하는지 그래프로 관리. ([[DAG-Dependency-Management|DAG-Dependency-Management]]와 연결)
|
||||
* **Memoization/Caching**: 이전 계산 정책 결과 정책을 저장 정책해 두었다가 재사용. (Efficiency와 연결)
|
||||
* **Change Propagation**: 변경된 입력 정책과 연결된 노드들만 선별적으로 재계산 정책.
|
||||
2. **활용 사례**:
|
||||
* **Build[[_system|system]]s**: 수정된 파일만 다시 컴파일 (Bazel, Make).
|
||||
* **Database Views**: 원본 테이블에 데이터가 추가될 때 뷰(View)를 전체 갱신하지 않고 증분 반영. ([[Entity-Relationship-Modeling|Entity-Relationship-Modeling]]와 연결)
|
||||
* **Excel**: 특정 셀의 값을 바꿨을 때 연결된 수식들만 실시간 업데이트.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 "전체 재계산 정책(Batch)이 구현 정책이 훨씬 쉽고 정확하다"고 생각했으나, 데이터가 기하급수적으로 늘어난 현대 정책은 증분 계산 정책 없이는 실시간 서비스 정책이 도저히 불가능함을 깨닫고 모든 현대 아키텍처 정책의 필수 요소로 도입함(RL Update).
|
||||
- **정책 변화(RL Update)**: 이제는 단순 값 업데이트 정책을 넘어, AI 모델 장치 정책이 새로운 데이터 정책을 학습 정책(Live learning)할 때 전체 가중치 정책을 다시 학습 정책하지 않고 점진적으로 지식 정책을 업데이트하는 연구로 확장 중임.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[DAG-Dependency-Management|DAG-Dependency-Management]], [[Efficiency|Efficiency]], [[Entity-Relationship-Modeling|Entity-Relationship-Modeling]], [[Optimization|Optimization]], Performance, [[Refinement|Refinement]]
|
||||
- **Key Concept**: Static vs Dynamic dependency graphs.
|
||||
---
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-INSC-001
|
||||
category: Unified
|
||||
confidence_score: 0.86
|
||||
tags: [auto-reinforced, inexact-science, social-science, soft-science, complexity, human-[[Behavior|Behavior]]]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Inexact-Science|Inexact-Science]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "확실함의 부재가 주는 지혜: 물리학처럼 공식 하나로 명쾌하게 설명되지 않는 인간 심리, 경제, 사회 현상을 연구하며, 절대적 정답 대신 '가장 가능성 있는 경향성'과 '맥락'을 탐구하여 불확실성을 다루는 학문."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
부정밀 과학(Inexact-Science)은 엄격한 실험적 통제나 수치적 정확성이 떨어지지만, 복잡한 인문·사회 현상을 다루는 학문 분야를 의미합니다. (심리학, 사회학, 경제학 등)
|
||||
|
||||
1. **특징**:
|
||||
* **Complexity**: 변수가 너무 많고 인간의 자유의지가 개입되어 예측이 어려움. ([[Complexity Theory|Complexity Theory]]와 연결)
|
||||
* **Context-Dependent**: 시대와 환경에 따라 정답이 변함.
|
||||
* **Heuristic-driven**: 절대적 법칙보다 전문가의 직관과 휴리스틱이 자주 사용됨. ([[Heuristics|Heuristics]]와 연결)
|
||||
2. **왜 중요한가?**:
|
||||
* AI가 수학적 최적화(Hard Science)를 넘어 인간의 복잡한 감정과 사회적 맥락(Soft Science)을 이해하게 하려면, 이 분야의 지식 체계 포섭이 필수적임.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 '비과학적 정책'이라 치부되기도 했으나, 현대 정책은 데이터 과학과 컴퓨팅 파워 정책을 결합하여 '정량적 부정밀 과학 정책(Computational Social Science)'으로 거듭남(RL Update).
|
||||
- **정책 변화(RL Update)**: 거대 언어 모델이 인간의 심리 상담이나 사회 현상 분석 정책을 수행함에 따라, 인문학적 통찰 정책이 기술 개발 정책의 가장 강력한 지침이 되는 '문명적 기술 정책'의 시대로 진입함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Epistemology|Epistemology]], [[Complexity Theory|Complexity Theory]], [[Heuristics|Heuristics]], [[Decision Theory|Decision Theory]], [[Ethics & AI|Ethics & AI]]
|
||||
- **Modern Tech/Tools**: Sentiment [[Analysis|Analysis]], Sociometric [[Research|Research]], Behavioral economic modeling.
|
||||
---
|
||||
@@ -0,0 +1,30 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-INEN-001
|
||||
category: Unified
|
||||
confidence_score: 0.97
|
||||
tags: [auto-reinforced, information-entropy, shannon, probability, [[Information-Theory|Information-Theory]], uncertainty]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Information-Entropy|Information-Entropy]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "놀라움의 척도: 어떤 메시지가 전달될 때 담긴 정보의 양을 '그것이 얼마나 불확실한가(Uncertainty)'로 측정하는 개념으로, 예측하기 힘든 돌발 상황일수록 엔트로피가 높고 그 정보의 가치 또한 크다는 정보 이론의 핵심 지표."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
정보 엔트로피(Information-Entropy)는 클로드 섀넌이 제안한 정보의 평균적인 불확실성 혹은 정보량의 측정 방식입니다. (Bit의 탄생 근거)
|
||||
|
||||
1. **핵심 원리**:
|
||||
* 확률이 낮은 사건(희귀한 일)이 발생하면 더 많은 정보를 전달함.
|
||||
* 엔트로피가 0이면 결과가 100% 확실하여 아무런 정보 가치가 없음.
|
||||
2. **왜 중요한가?**:
|
||||
* 데이터 압축, 암호화, 그리고 딥러닝에서 모델의 예측이 실제 정답과 얼마나 다른지 측정하는 '크로스 엔트로피(Cross-Entropy)' 손실 함수의 근간이 됨. ([[Gradient-Descent|Gradient-Descent]]와 연결)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 단순 통신 시스템 내부의 '노이즈 측정 정책'이었으나, 현대 정책은 지능 리전트가 세상의 질서를 파악하고 '복잡성 정책'을 이해하는 핵심 인지 지표 정책으로 승격됨(RL Update). ([[Complexity Theory|Complexity Theory]]와 연결)
|
||||
- **정책 변화(RL Update)**: AI 모델이 단순히 다음 단어를 맞히는 것을 넘어, 답변의 '정보 밀도'와 '의외성'을 조절하여 더 인간답고 가치 있는 답변을 생성하게 하는 정책적 도구로 활용됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Information-[[Processing|Processing]], [[Complexity Theory|Complexity Theory]], [[Gradient-Descent|Gradient-Descent]], [[Optimization|Optimization]], [[Logic|Logic]]
|
||||
- **Modern Tech/Tools**: [[Loss Functions|Loss Functions]] (Cross-Entropy), Huffman coding, Softmax layers.
|
||||
---
|
||||
@@ -0,0 +1,32 @@
|
||||
---
|
||||
id: MATH-INNER-001
|
||||
category: Unified
|
||||
confidence_score: 1.0
|
||||
tags: [math, [[Linear-Algebra|Linear-Algebra]], inner-product, vector-space, [[Similarity-Metrics|Similarity-Metrics]], ai]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Inner Product Spaces (내적 공간)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "추상적인 벡터들 사이에 거리를 재고 각도를 측정하여, 데이터 간의 '닮음'을 기하학적으로 정의하라" — 벡터 공간에 내적(Inner Product)이라는 연산이 추가되어 길이(Norm)와 각도(Orthogonality)를 계산할 수 있게 된 공간.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 고차원 데이터 공간에서 두 요소 사이의 상관관계를 스칼라 값 하나로 응축하여, 데이터의 유사성이나 투영(Projection)을 계산하는 선형 대수적 분석 패턴.
|
||||
- **핵심 성질:**
|
||||
- **Positivity:** 자기 자신과의 내적은 항상 0 이상.
|
||||
- **Symmetry (Conjugate Symmetry):** 순서를 바꿔도 결과가 일정함.
|
||||
- **Linearity:** 벡터의 합과 스칼라 곱에 대해 선형성이 유지됨.
|
||||
- **AI에서의 응용:**
|
||||
- **Cosine Similarity:** 두 벡터의 내적을 각각의 크기로 나누어 '방향의 일치도' 측정.
|
||||
- **Projection:** 특정 벡터를 다른 벡터 축으로 투영하여 특징을 추출하거나 차원을 축소(PCA).
|
||||
- **Kernel Methods:** 데이터를 더 높은 차원의 내적 공간으로 보내 복잡한 경계를 선형적으로 분리.
|
||||
- **의의:** AI가 지식을 벡터로 변환(Embedding)하고 이를 검색하거나 비교하는 모든 수치적 연산의 이론적 토대.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 단순한 유클리드 거리 중심에서 벗어나, 데이터의 분포와 맥락을 반영하는 다양한 내적 정의와 유사도 지표(Dot product, Cosine similarity 등)의 중요성 대두.
|
||||
- **정책 변화:** Antigravity 프로젝트는 문서 간 유사도 분석 시, 내적 공간 상의 코사인 유사도를 기본 지표로 사용하여 의미적으로 가장 가까운 지식들을 추천함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Linear-Algebra-Foundations|Linear-Algebra-Foundations]], Vector-Database-Foundations, [[Dimensionality-Reduction|Dimensionality-Reduction]], [[Information-Retrieval-IR|Information-Retrieval-IR]]
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Inner-Product-Spaces.md
|
||||
@@ -0,0 +1,17 @@
|
||||
# [[Issue Tree|Issue Tree]]
|
||||
|
||||
## 📌 Brief Summary
|
||||
크고 복잡한 문제를 논리적이고 관리가 용이한 하부 문제(Sub-issues)들로 분해하기 위해 사용하는 시각적인 트리형 프레임워크.
|
||||
|
||||
## 📖 Core Content
|
||||
- 이슈 트리는 상단에 핵심 문제 선언문을 두고 하단으로 갈수록 점차 세부적인 문제들로 넓게 퍼져나가는 형태를 취합니다 [50]. (예: "레스토랑이 수익성이 없다" -> "수익성을 어떻게 올릴 것인가?" -> "수익 증가" & "비용 감소" -> 구체적 실행 방안) [51, 52].
|
||||
- 계층을 분할할 때는 누락과 중복을 방지하기 위해 반드시 [[MECE|MECE]](상호 배제 및 전체 포괄) 원칙을 엄격하게 적용해야 합니다 [53, 54].
|
||||
- 컨설턴트들은 이슈 트리를 연구 로드맵으로 활용하여, 중복 없이 각 팀원에게 세부 업무(Workstreams)를 명확히 분배합니다 [54].
|
||||
|
||||
## 🔗 Knowledge Connections
|
||||
- **Related Topics:** [[MECE Principle|MECE Principle]], [[Hypothesis Tree|Hypothesis Tree]]
|
||||
- **Projects/Contexts:** [[Problem Solving|Problem Solving]], [[Profitability Framework|Profitability Framework]]
|
||||
- **Contradictions/Notes:** 구조화된 이슈 트리를 바탕으로 초기 검토를 마친 후, 가치가 떨어지는 옵션들은 과감히 배제하는 '가지치기(Trimming branches)'가 수반되어야 실질적인 문제 해결 도구로 기능할 수 있습니다 [53].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-27*
|
||||
@@ -0,0 +1,28 @@
|
||||
---
|
||||
id: MATH-KALMAN-001
|
||||
category: Unified
|
||||
confidence_score: 1.0
|
||||
tags: [math, [[Robotics|Robotics]], [[Control-Theory|Control-Theory]], kalman-filter, [[State|State]]-estimation, [[Sensor-Fusion|Sensor-Fusion]]]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Kalman Filter and State Tracking (칼만 필터와 상태 추적)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "불확실한 정보들 사이에서 가장 믿음직한 정답을 확률적으로 조율하라" — 과거의 상태와 현재의 측정값을 결합하여, 잡음이 섞인 데이터로부터 시스템의 상태를 최적의 확률로 추정하는 순귀적 필터.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** "Prediction-Correction Cycle" — 이전 단계의 지식을 바탕으로 현재를 예측(Predict)하고, 실제 센서의 측정값이 들어오면 그 차이를 반영하여 예측치를 수정(Update/Correct)하며 오차를 줄여나가는 반복 패턴.
|
||||
- **주요 단계:**
|
||||
- **Prediction Step:** 시스템의 물리 법칙(운동 방정식 등)을 바탕으로 다음 상태와 불확실성을 예측.
|
||||
- **Kalman Gain:** 예측값과 측정값 중 어느 쪽을 더 신뢰할지 결정하는 가중치 계산.
|
||||
- **Update Step:** 실제 측정값을 반영하여 상태를 수정하고 불확실성을 좁힘.
|
||||
- **의의:** GPS 오차 보정, 로봇의 자기 위치 인식(SLAM), 주식 시장의 추세 분석 등 실시간으로 변하는 데이터를 다루는 모든 제어 시스템의 심장.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 선형 시스템(Linear[[_system|system]])에서만 최적이라는 한계를 넘기 위해, 비선형 환경에서도 작동하는 확장 칼만 필터(EKF)와 파티클 필터(Particle Filter) 등으로 이론적 지평이 넓어짐.
|
||||
- **정책 변화:** Skybound 프로젝트의 유도 미사일 및 적 기동 추적 로직은 칼만 필터를 사용하여 센서 데이터의 노이즈를 제거하고 정밀한 타격 지점을 실시간으로 계산함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Control-Theory|Control-Theory]], [[Robotics-Foundations|Robotics-Foundations]], Probability-Theory, [[Time-Series-Analysis|Time-Series-Analysis]]
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Kalman-Filter-and-State-Tracking.md
|
||||
@@ -0,0 +1,27 @@
|
||||
---
|
||||
id: MATH-KDE-001
|
||||
category: Unified
|
||||
confidence_score: 1.0
|
||||
tags: [[Statistics|[Statistics]], math, kde, density-estimation, data-visualization, probability]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Kernel Density Estimation (KDE, 커널 밀도 추정)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "데이터라는 개별 점들에 부드러운 산 모양의 확률을 씌워, 전체의 흐름을 보여주는 부드러운 능선을 그려라" — 유한한 표본 데이터를 바탕으로 모집단의 확률 밀도 함수(PDF)를 부드럽게 추정하여 데이터의 분포 특성을 파악하는 기계학습 및 통계학의 핵심 도구.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** "Smoothing and Summation" — 각 데이터 포인트 위치에 커널 함수(주로 가우시안)를 배치하고, 이들을 모두 합산하여 데이터가 밀집된 곳은 높게, 희소한 곳은 낮게 표현하는 공간적 밀도 추론 패턴.
|
||||
- **주요 구성 요소:**
|
||||
- **Kernel Function:** 데이터의 영향력을 주변으로 퍼뜨리는 함수 형태.
|
||||
- **Bandwidth ($h$):** 함수의 넓이(매끄러움)를 조절하는 파라미터. $h$가 너무 작으면 과적합([[Overfitting|Overfitting]]), 너무 크면 분포가 뭉개짐(Underfitting).
|
||||
- **의의:** 히스토그램과 달리 빈(Bin)의 크기나 시작점에 민감하지 않으며, 데이터의 실제 분포 형태를 훨씬 더 정확하게 반영할 수 있음.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 단순한 시각화 도구로 여겨졌으나, 최근에는 이상치 탐지(Anomaly Detection)나 생성 모델(Generative Models)의 기초 이론으로 중요성이 다시 부각됨.
|
||||
- **정책 변화:** Antigravity 프로젝트는 에이전트의 응답 시간 분포를 분석하여 병목 구간을 시각화할 때, 히스토그램 대신 KDE 곡선을 사용하여 통계적 왜곡을 방지함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Probability-Theory, [[Exploratory-Data-Analysis|Exploratory-Data-Analysis]], [[Anomaly-Detection|Anomaly-Detection]]-Foundations, [[Supervised-Learning-Foundations|Supervised-Learning-Foundations]]
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Kernel-Density-Estimation-KDE.md
|
||||
@@ -0,0 +1,28 @@
|
||||
---
|
||||
id: DATA-KG-001
|
||||
category: Unified
|
||||
confidence_score: 1.0
|
||||
tags: [data-engineering, [[Knowledge-Graph|Knowledge-Graph]], [[Graph-Database|Graph-Database]], semantic-web, [[Ontology|Ontology]], rag]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Knowledge Graph Foundations (지식 그래프 기초)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "데이터를 단순한 목록이 아닌 '관계의 그물망'으로 엮어, 기계가 세상의 맥락을 스스로 탐험하게 하라" — 개체(Entity)와 그들 사이의 관계(Relationship)를 그래프 구조로 표현하여, 의미론적 검색(Semantic [[Search|Search]])과 복합 추론을 가능케 하는 지식 베이스 아키텍처.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** "Triples (Subject-Predicate-Object)" — "A는 B와 C의 관계다"라는 세 부분의 조합을 기본 단위로 삼아, 파편화된 지식들을 거대한 의미망으로 연결하는 지식 정형화 패턴.
|
||||
- **주요 구성 요소:**
|
||||
- **Ontology:** 데이터의 개념과 분류 체계를 정의.
|
||||
- **Entities & Relations:** 실제 데이터(노드)와 그들의 연결(엣지).
|
||||
- **Graph Database:** Neo4j, ArangoDB 등 그래프 구조 저장 및 쿼리에 최적화된 엔진.
|
||||
- **의의:** 기존 검색 엔진이 찾지 못하는 '연관된 정보'를 즉각 추적할 수 있으며, 특히 환각 현상을 줄이기 위한 GraphRAG의 핵심 토대가 됨.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 정적인 백과사전식 지식에서 벗어나, 대규모 언어 모델(LLM)이 추출한 비정형 데이터의 관계를 실시간으로 통합하는 '동적 지식 그래프'로 진화.
|
||||
- **정책 변화:** Antigravity 프로젝트의 핵심 자산은 1,174개 문서 간의 유기적 연결 관계를 담은 `20_Meta/Graph.json`이며, 이를 통해 에이전트는 특정 주제에서 파생된 심화 지식을 막힘없이 탐색함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Graph-Theory|Graph-Theory]]-and-Networks, [[GNN|GNN]], [[Information-Retrieval-IR|Information-Retrieval-IR]], [[Hallucination-in-LLMs|Hallucination-in-LLMs]]
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Knowledge-Graph-Foundations.md
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-KNST-001
|
||||
category: Unified
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced, knowledge-structure, [[Mental-Models|Mental-Models]], hierarchy, network, organizational-learning]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Knowledge-Structure|Knowledge-Structure]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "지능의 골격: 파편화된 정보들이 서로 어떤 위계와 논리적 관계로 묶여 있는지를 보여주는 설계도이자, 새로운 정보를 기존 지식에 안정적으로 안착시키는 '지적 앵커(Anchor)'들의 집합체."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
지식 구조(Knowledge-Structure)는 정보 간의 관계를 조직화하는 방식입니다. (KH-Mapping적 관점 포함)
|
||||
|
||||
1. **주요 형태**:
|
||||
* **Hierarchy**: 상위 개념과 하위 개념의 트리 구조 (분류학적 접근).
|
||||
* **Network**: 유기적으로 얽힌 거미줄 구조 (지식 그래프적 접근). ([[Graph Theory|Graph Theory]]와 연결)
|
||||
* **[[Schema|Schema]]**: 특정 상황이나 개념에 대한 고정된 지식 틀. ([[Gestalt Psychology|Gestalt Psychology]]와 연결)
|
||||
2. **왜 중요한가?**:
|
||||
* 구조가 없는 데이터는 '소음'일 뿐이지만, 잘 정립된 지식 구조는 정보의 검색(Retrieval)과 활용([[Reasoning|Reasoning]]) 속도를 비약적으로 높임. ([[Efficiency|Efficiency]]와 연결)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 정적인 '백과사전식 분류 정책'이 주류였으나, 현대 정책은 지식 간의 다차원적 연결 정책과 사용자 맥락에 따라 유연하게 변하는 '동적 그래프 정책'으로 진화함(RL Update). ([[Concept Mapping|Concept Mapping]]와 연결)
|
||||
- **정책 변화(RL Update)**: AI가 방대한 텍스트 속에서 스스로 지식의 구조 정책을 추출(Embedding)하고 이를 그래프 DB로 구축하는 '자동화된 지식 구조화 정책'이 지식 관리 시스템의 새 표준이 됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Graph Theory|Graph Theory]], [[Concept Mapping|Concept Mapping]], [[Gestalt Psychology|Gestalt Psychology]], [[Ontology|Ontology]] (온톨로지), [[Efficiency|Efficiency]]
|
||||
- **Modern Tech/Tools**: Obsidian (Graph view), Neo4j, Knowledge graphs, Vector databases.
|
||||
---
|
||||
@@ -0,0 +1,27 @@
|
||||
---
|
||||
id: MATH-KOLM-001
|
||||
category: Unified
|
||||
confidence_score: 1.0
|
||||
tags: [math, computer-science, [[Information-Theory|Information-Theory]], kolmogorov-complexity, compression]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Kolmogorov Complexity (콜모고로프 복잡도)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "데이터의 복잡도는 그 데이터를 설명하기 위해 필요한 '가장 짧은 문장'의 길이다" — 어떤 데이터를 생성할 수 있는 가장 짧은 알고리즘(프로그램)의 길이로 데이터의 정보량을 정의하는 이론적 척도.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** "Algorithmic Incompressibility" — 규칙적인 데이터는 짧은 프로그램으로 설명 가능하지만(낮은 복잡도), 완전 무작위(Random) 데이터는 데이터 그 자체를 출력하는 것 외에는 방법이 없어 데이터 길이만큼의 복잡도를 가진다는 패턴.
|
||||
- **주요 개념:**
|
||||
- **Minimum Description Length (MDL):** 데이터를 설명하는 모델의 복잡도와 모델로 데이터를 설명했을 때의 오차를 동시에 최소화하려는 원리.
|
||||
- **Universal Turing Machine:** 복잡도는 언어에 따라 상수로만 차이가 나며 본질적인 복잡도는 보존됨 (Invariance Theorem).
|
||||
- **의의:** 데이터 압축 기술의 이론적 상한선(Entropy)을 제공하며, 인공지능이 데이터를 '학습'한다는 것이 곧 데이터의 '가장 짧은 압축 알고리즘'을 찾는 과정임을 시사함.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 이론적으로는 계산 불가능(Uncomputable)한 영역이지만, 실전에서는 신경망의 파라미터 수와 손실 함수의 관계를 분석하여 모델의 효율성을 측정하는 도구로 응용됨.
|
||||
- **정책 변화:** Antigravity 프로젝트는 지식 문서의 정보 밀도를 측정할 때, 의미론적 핵심 내용이 얼마나 함축적으로 표현되었는지 평가하는 척도 중 하나로 콜모고로프 복잡도 개념을 차용함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Probability-Theory, [[Information-Retrieval-IR|Information-Retrieval-IR]], [[Deep-Learning|Deep-Learning]]-Foundations, Occams-Razor-in-ML
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Kolmogorov-Complexity.md
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: MATH-KL-001
|
||||
category: Unified
|
||||
confidence_score: 1.0
|
||||
tags: [math, [[Statistics|Statistics]], kl-divergence, [[Information-Theory|Information-Theory]], loss-functions, ai]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Kullback-Leibler Divergence (KL 발산)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "두 세상(확률 분포) 사이의 어긋남을 측정하여, 모델이 진실에 얼마나 도달했는지 수치로 증명하라" — 어떤 확률 분포 $P$를 다른 확률 분포 $Q$로 대체했을 때 발생하는 정보 손실의 양을 측정하는 비대칭적 지표.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** "Distribution [[Alignment|Alignment]]" — 모델의 출력 분포를 타겟 분포에 근사시키기 위해 정보 엔트로피의 차이를 최소화하며 지식의 왜곡을 줄여나가는 최적화 패턴.
|
||||
- **핵심 성질:**
|
||||
- **Non-negativity:** 항상 0 이상이며, 두 분포가 완벽히 같을 때만 0임 (Gibbs' In[[Equality|Equality]]).
|
||||
- **Asymmetry:** $D_{KL}(P||Q) \neq D_{KL}(Q||P)$. 즉, 기준이 되는 분포에 따라 값이 달라짐 (거리 개념이 아님).
|
||||
- **AI에서의 응용:**
|
||||
- **VAE (Variational Autoencoder):** 잠재 공간의 분포를 가우시안 분포에 가깝게 강제.
|
||||
- **PPO (Reinforcement Learning):** 새로운 정책이 이전 정책과 너무 급격하게 변하지 않도록 제약.
|
||||
- **Knowledge [[Distillation|Distillation]]:** 스튜던트 모델이 티처 모델의 확률 분포를 따라가게 함.
|
||||
- **의의:** AI 모델이 단순히 정답을 맞히는 것을 넘어, 데이터의 내재된 확률 구조 자체를 학습하게 만드는 수학적 나침반.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 대칭적인 거리 개념(Euclidean Distance)으로 접근하던 초기 방식을 넘어, 정보의 흐름과 소실 관점에서 확률 분포를 비교하는 정보 이론적 접근이 현대 AI의 표준이 됨.
|
||||
- **정책 변화:** Antigravity 프로젝트는 에이전트의 페르소나 미세 조정([[Fine-tuning|Fine-tuning]]) 시, 기존 모델과의 KL 발산을 모니터링하여 원래의 유용한 지능이 파괴되지 않도록 관리함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Probability-Theory, [[Kolmogorov-Complexity|Kolmogorov-Complexity]], [[Knowledge-Distillation|Knowledge-Distillation]], [[Reinforcement-Learning|Reinforcement-Learning]]
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Kullback-Leibler-Divergence.md
|
||||
@@ -0,0 +1,27 @@
|
||||
---
|
||||
id: MATH-LAGR-001
|
||||
category: Unified
|
||||
confidence_score: 1.0
|
||||
tags: [math, [[Optimization|Optimization]], calculus, lagrange-multipliers, constrained-optimization]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Lagrange Multipliers (라그랑주 승수법)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "제약(Constraint)이라는 벽에 가로막혔을 때, 그 벽과 목표(Objective)가 만나는 가장 아름다운 접점을 찾아라" — 제약 조건이 있는 최적화 문제를 제약 조건이 없는 문제로 변환하여, 목적 함수의 경사도(Gradient)와 제약 함수의 경사도가 나란해지는 지점을 찾는 수학적 기법.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** "Gradient [[Alignment|Alignment]]" — 목표 함수의 등고선과 제약 조건의 경계선이 서로 접할 때 최적해가 발생한다는 기하학적 통찰을 바탕으로, 라그랑주 승수($\lambda$)를 도입하여 통합 함수($L$)를 구성하는 최적화 패턴.
|
||||
- **핵심 원리:**
|
||||
- **Lagrangian Function:** $L(x, \lambda) = f(x) - \lambda(g(x) - c)$ 형태의 식을 구성.
|
||||
- **Stationary Point:** $L$을 각 변수에 대해 편미분하여 0이 되는 지점을 탐색.
|
||||
- **의의:** 기계학습의 수많은 최적화 문제(특히 제약 조건이 있는 SVM, 주성분 분석 등)를 해결하는 이론적 근거가 되며, 복잡한 현실의 제약 속에서 최선의 선택을 내리는 논리적 토대 제공.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 등식 제약 조건에만 머물던 고전적 방식에서, 부등식 제약 조건까지 포괄하는 KKT(Karush-Kuhn-Tucker) 조건으로 확장되어 현대 인공지능의 정교한 최적화 알고리즘에 적용됨.
|
||||
- **정책 변화:** Antigravity 프로젝트는 에이전트의 연산 자원(Token, Time) 제약 하에서 정보의 품질을 극대화하는 스케줄링 알고리즘 설계 시 라그랑주 승수법의 최적화 개념을 활용함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Kernel-Methods-and-SVMs|Kernel-Methods-and-SVMs]], [[Global-vs-Local-Optima|Global-vs-Local-Optima]], [[Deep-Learning|Deep-Learning]]-Foundations, [[Search|Search]]-Algorithms
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Lagrange-Multipliers.md
|
||||
@@ -0,0 +1,28 @@
|
||||
---
|
||||
id: MATH-LSM-001
|
||||
category: Unified
|
||||
confidence_score: 1.0
|
||||
tags: [math, [[Statistics|Statistics]], linear-regression, least-squares, [[Optimization|Optimization]], data-science]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Least Squares Methods (최소제곱법)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "실제 데이터와 예측값 사이의 벌어진 틈(Residuals)을 최소로 좁히는 가장 정직한 직선을 그려라" — 데이터 포인트들과 모델 함수 사이의 오차 제곱합을 최소화함으로써 가장 적합한 파라미터를 찾아내는 회귀 분석의 핵심 수학 기법.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** "Error Minimization" — 개별 오차의 절대값 대신 제곱을 사용함으로써 큰 오차에 더 큰 벌점을 부여하고, 미분이 가능한 매끄러운 손실 함수를 구성하여 수학적으로 명확한 최적해를 구하는 패턴.
|
||||
- **핵심 원리:**
|
||||
- **Residuals:** 관측값과 모델이 예측한 값의 차이.
|
||||
- **Objective Function:** $\sum (y_i - \hat{y}_i)^2$ 를 최소화.
|
||||
- **Normal Equation:** 행렬 연산을 통해 반복적 계산 없이 한 번에 최적의 가중치를 구하는 공식.
|
||||
- **의의:** 선형 회귀분석의 표준 방법론이며, 데이터 속에 숨겨진 선형적 관계를 파악하고 미래 값을 예측하는 가장 기초적이면서 강력한 도구.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 이상치(Outliers)에 매우 민감하다는 단점이 있어, 실제 산업 데이터 처리 시에는 로버스트 회귀(Robust Regression)나 정규화(L1/L2) 기법과 결합하여 한계를 보완함.
|
||||
- **정책 변화:** Antigravity 프로젝트는 에이전트의 응답 지연 시간 경향성을 분석하고 하드웨어 자원 사용량의 선형적 추세를 예측할 때, 최소제곱법 기반의 회귀 모델을 활용함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Linear-Regression-Mastery|Linear-Regression-Mastery]], [[Gradient-Descent|Gradient-Descent]]-Foundations, [[L1-and-L2-Regularization|L1-and-L2-Regularization]], Probability-Theory
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Least-Squares-Methods.md
|
||||
@@ -0,0 +1,29 @@
|
||||
---
|
||||
id: MATH-LA-001
|
||||
category: Unified
|
||||
confidence_score: 1.0
|
||||
tags: [math, [[Linear-Algebra|Linear-Algebra]], vector-space, matrix, ai-foundations]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Linear Algebra Foundations (선형대수학 기초)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "세상의 모든 데이터를 숫자들의 격자(Matrix)로 치환하고, 그들 사이의 관계를 공간의 변환(Transformation)으로 이해하라" — 벡터와 행렬을 통해 다차원 데이터를 표현하고 연산하는 수학적 체계이자, 인공지능이 세상을 수치화하고 처리하는 공용어.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** "Space Mapping" — 데이터를 고차원 벡터 공간의 점으로 정의하고, 행렬 곱을 통해 공간을 회전, 확대, 투영함으로써 데이터 내의 숨겨진 구조와 특징을 추출하는 수학적 추상화 패턴.
|
||||
- **핵심 구성 요소:**
|
||||
- **Vectors & Scalars:** 데이터의 방향과 크기 표현.
|
||||
- **Matrices:** 데이터 집합체이자 선형 변환의 도구.
|
||||
- **Eigenvalues & Eigenvectors:** 행렬 변환 시 방향이 변하지 않는 고유한 축(핵심 특징).
|
||||
- **Inverse Matrix & Determinant:** 시스템의 해를 구하거나 공간의 부피 변화 측정.
|
||||
- **의의:** 신경망의 가중치 연산, 차원 축소(PCA), 추천 시스템, 그래픽스 등 현대 모든 지능형 소프트웨어의 물리적 토대.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 정적인 수식 풀이 중심에서, 이제는 거대한 규모의 행렬 연산을 효율적으로 처리하기 위한 수치 선형대수(Numerical Linear Algebra)와 GPU 가속 하드웨어 연산 최적화가 더 중요한 쟁점으로 부상함.
|
||||
- **정책 변화:** Antigravity 프로젝트는 에이전트의 지식 임베딩 연산 시, 선형대수적 원리를 바탕으로 유사도 측정 및 공간 투영 최적화를 수행하여 연산 효율을 극대화함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Inner-Product-Spaces|Inner-Product-Spaces]], [[Eigenvalues-and-Eigenvectors|Eigenvalues-and-Eigenvectors]], [[Dimensionality-Reduction|Dimensionality-Reduction]], [[GPU-Architecture|GPU-Architecture]]-for-AI
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Linear-Algebra-Foundations.md
|
||||
@@ -0,0 +1,28 @@
|
||||
---
|
||||
id: CS-DS-001
|
||||
category: Unified
|
||||
confidence_score: 1.0
|
||||
tags: [computer-science, data-structures, linked-list, trees, algorithm-foundations]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Linked Lists and Trees (연결 리스트와 트리)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "메모리의 조각들을 포인터로 엮어 유연한 흐름(List)을 만들고, 데이터의 숲(Tree)을 구축하여 탐색의 미학을 완성하라" — 데이터 요소를 물리적 순서가 아닌 논리적 연결로 관리하는 연결 리스트와, 부모-자식 관계를 통해 계층적 정보를 저장하는 트리 자료구조.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** "Non-contiguous [[Storage|Storage]] & Hierarchical [[Search|Search]]" — 고정된 배열의 한계를 넘어 데이터를 필요할 때마다 동적으로 할당(Linked List)하고, $O(\log N)$ 수준의 고속 탐색을 위해 지식을 분류하고 계층화(Tree)하는 최적화 패턴.
|
||||
- **핵심 특징:**
|
||||
- **Linked List:** 삽입과 삭제가 자유롭지만 탐색이 느림($O(N)$). 큐(Queue)나 스택(Stack) 구현의 기초.
|
||||
- **Binary Search Tree (BST):** 정렬된 데이터를 효율적으로 탐색.
|
||||
- **Balanced Trees (AVL, [[B-Tree|B-Tree]]):** 데이터가 한쪽으로 쏠리지 않게 관리하여 성능 유지 (DB 인덱스의 핵심).
|
||||
- **의의:** AI 에이전트의 사고 과정([[Decision Tree|Decision Tree]]), 파일 시스템 구조, 지식 그래프의 하위 분류 등 복잡한 정보를 조직화하는 가장 기본적인 논리 장치.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 단순한 이진 트리를 넘어, 이제는 고차원 벡터 공간의 검색을 가속하기 위한 KD-Tree, Ball-Tree 등 특수한 트리 구조가 AI 도메인에서 더 핵심적으로 활용됨.
|
||||
- **정책 변화:** Antigravity 프로젝트는 지식 문서의 카테고리 계층 구조를 트리 형태로 관리하며, 에이전트의 추론 단계([[Reasoning|Reasoning]] Chain)를 연결 리스트로 시각화하여 사용자가 사고의 흐름을 추적할 수 있게 함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Search-Algorithms, [[Knowledge-Graph-Foundations|Knowledge-Graph-Foundations]], [[Indexing-Strategies|Indexing-Strategies]], Decision-Trees-and-Random-Forests
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Linked-Lists-and-Trees.md
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-LSHH-001
|
||||
category: Unified
|
||||
confidence_score: 0.96
|
||||
tags: [auto-reinforced, lsh, hashing, vector-[[Search|Search]], algorithms, [[Big-Data|Big-Data]], similarity-search]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Locality-Sensitive-Hashing (LSH)|Locality-Sensitive-Hashing (LSH)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "비슷한 놈들끼리 같은 주소로: 값이 하나만 달라도 전혀 딴판이 되는 일반 해시(Hash)와 정반대로, 비슷한 데이터들은 높은 확률로 같은 바구니(Bucket)에 담기게 설계하여 방대한 데이터 속에서 닮은꼴을 순식간에 찾아내는 마법의 필터."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
가까운 것을 민감하게 해싱(LSH)하는 기법은 고차원 데이터의 근사 유사도 검색을 위한 알고리즘입니다.
|
||||
|
||||
1. **동작 원리**:
|
||||
* 데이터를 여러 개의 특수 해시 함수로 투영.
|
||||
* 거리가 가까운 데이터들은 해시값이 같을 확률이 매우 높게 설계됨.
|
||||
* 전체 데이터를 다 비교하는 대신, 같은 바구니에 담긴 데이터들만 상세히 비교함 (연산량 폭감).
|
||||
2. **왜 중요한가?**:
|
||||
* 유튜브의 저작권 도용 영상 찾기, 구글의 중복 문서 필터링, 대규모 벡터 DB의 핵심 엔진임. ([[Efficiency|Efficiency]]와 연결)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 정확도가 떨어진다는 정책적 우려가 있었으나, 현대 정책은 '근사 유사도 검색(ANN)' 정책이 빅데이터 환경에서 '정확도 100% 탐색 정책'보다 수천 배 빠르고 실용적임을 입증함(RL Update).
|
||||
- **정책 변화(RL Update)**: 최근 RAG(검색 증강 생성) 시스템에서 수백만 개의 문서 중 질문과 가장 닮은 문서를 0.1초 만에 찾아내는 'Faiss' 같은 라이브러리의 밑바닥 핵심 원리 정책으로 작동함. ([[Large Language Models (LLM)|Large Language Models (LLM)]]와 연결)
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Efficiency|Efficiency]], [[Large Language Models (LLM)|Large Language Models (LLM)]], [[Analysis|Analysis]], [[Information-Entropy|Information-Entropy]], [[Search-Optimization|Search-Optimization]]
|
||||
- **Modern Tech/Tools**: Faiss (Meta), MinHash, SimHash, Pinecone, Milvus.
|
||||
---
|
||||
@@ -0,0 +1,28 @@
|
||||
---
|
||||
id: ALGO-LSH-001
|
||||
category: Unified
|
||||
confidence_score: 1.0
|
||||
tags: [algorithm, [[Search|Search]], lsh, hashing, similarity-search, [[Big-Data|Big-Data]]]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Locality-Sensitive Hashing (LSH, 지역 민감 해싱)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "해시 충돌을 '버그'가 아닌 '특징'으로 활용하여, 닮은꼴 데이터들을 같은 바구니에 담아라" — 비슷한 특성을 가진 고차원 데이터들이 높은 확률로 동일한 해시 값을 갖게 하여, 선형 탐색 없이도 유사한 데이터를 매우 빠르게 찾아내는 확률적 근사 검색 기법.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** "Probabilistic Bucketing" — 모든 데이터를 전수 조사하는 대신, 유사한 데이터끼리 같은 버킷(Bucket)에 모이도록 설계된 해시 함수를 통해 탐색 범위를 획기적으로 줄이는 고속 검색 패턴.
|
||||
- **작동 원리:**
|
||||
- **Projection:** 고차원 벡터를 임의의 축으로 투영하거나 해싱하여 차원 축소.
|
||||
- **Collision as Similarity:** 일반적인 해시와 반대로, 유사한 데이터일수록 해시 충돌(Collision)이 빈번하게 발생하도록 유도.
|
||||
- **Candidate Selection:** 동일한 해시 버킷에 담긴 데이터들만을 대상으로 정밀한 유사도 측정 수행.
|
||||
- **의의:** 수억 건 이상의 데이터가 쌓인 환경에서도 중복 문서 탐지, 유사 이미지 검색, 추천 시스템 등을 실시간 수준으로 처리 가능케 함.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 완전한 정답을 보장하지 못한다는 이유로 외면받기도 했으나, 데이터가 폭발적으로 증가하는 빅데이터 시대에 '완벽한 정답'보다 '충분히 빠른 근사 정답'이 더 가치 있음을 입증하며 필수 알고리즘으로 정착됨.
|
||||
- **정책 변화:** Antigravity 프로젝트는 1,174개의 방대한 문서 중 중복되거나 유사한 내용이 있는지 전수 검사할 때, 연산 효율을 위해 LSH 기반의 1차 필터링을 수행함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Indexing-Strategies|Indexing-Strategies]], Vector-Database-Foundations, [[Dimensionality-Reduction|Dimensionality-Reduction]], [[K-Nearest-Neighbors-K-NN|K-Nearest-Neighbors-K-NN]]
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Locality-Sensitive-Hashing.md
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: c3e4f5a6-b7d8-4901-2e3f-4a5b6c7d8e9f
|
||||
category: Unified
|
||||
confidence_score: 1.0
|
||||
tags: [logic-tree, issue-tree, hypothesis-tree, [[Problem-Solving|Problem-Solving]], structuring]
|
||||
last_reinforced: 2026-04-27
|
||||
github_commit: "[[P-Reinforce|P-Reinforce]]-logic"
|
||||
---
|
||||
|
||||
# [[Logic Trees|Logic Trees]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 논리 트리는 거대한 문제를 원자 단위의 가설로 분해하여 연구 로드맵을 시각화하고 업무의 중복을 원천 차단하는 문제 해결의 지도다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 거시적 문제 선언문에서 미시적 실행 방안으로의 계층적 분해.
|
||||
- **주요 유형:**
|
||||
- **[[Issue Tree|Issue Tree]]:** "무엇이 문제인가?"를 중심으로 전체 상황을 [[MECE|MECE]]하게 해체하여 작업 범위(Workstreams)를 획정.
|
||||
- **[[Hypothesis Tree|Hypothesis Tree]]:** "이것이 해결책인가?"라는 가설에서 시작하여 이를 증명하기 위한 데이터와 분석 단위를 설계.
|
||||
- **구축 원칙:**
|
||||
- **Hierarchical Inte[[Grit|Grit]]y:** 하단으로 갈수록 구체성이 높아지며, 각 계층은 상위 계층을 논리적으로 증명해야 함.
|
||||
- **Trimming Branches:** 가치가 낮은 옵션은 조기에 배제하여 분석의 효율성 극대화.
|
||||
- **수평적 논리 ([[Horizontal Logic|Horizontal Logic]]):** 그룹 내 아이디어들이 연역적 또는 귀납적인 명확한 논리 순서를 따라야 함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Parent:** Logic & Reasoning
|
||||
- **Related:** [[MECE Principle|MECE Principle]], Business Problem Solving, [[Deductive & Inductive Reasoning|Deductive & Inductive Reasoning]]
|
||||
- **Raw Source:** 00_Raw/Issue Tree, 00_Raw/Hypothesis Tree, 00_Raw/Horizontal and Vertical Logic
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-27*
|
||||
@@ -0,0 +1,32 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-LUBR-001
|
||||
category: Unified
|
||||
confidence_score: 0.84
|
||||
tags: [auto-reinforced, lubrication,[[_system|system]]-[[Efficiency|Efficiency]], buffers, coordination, friction-reduction]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Lubrication|Lubrication]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "시스템의 기름칠: 기계 부품 사이의 마찰을 줄여 열과 마모를 막는 물리적 작용을 넘어, 조직이나 소프트웨어 모듈 사이의 '소통의 부재'나 '버퍼의 부재'로 인한 마찰을 제거하여 전체 흐름을 매끄럽게 만드는 시스템적 유연함."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
윤활(Lubrication)은 마찰을 완화하여 에너지를 보존하고 파손을 방지하는 행위 및 요소를 의미합니다.
|
||||
|
||||
1. **물리적 윤활**: 기계적 마찰 감소. ([[Hardware|Hardware]]와 연결)
|
||||
2. **시스템/조직적 윤활**:
|
||||
* **Buffers**: 업무 사이의 여유 공간([[Just-in-Case|Just-in-Case]])을 두어 병목 해결. (Just-in-Case와 연결)
|
||||
* **Communication**: 조율되지 않은 부서 간의 이견을 중재하는 '소통의 기술'. ([[Leadership|Leadership]]와 연결)
|
||||
* **InterOperability**: 데이터 규격을 맞춰 시스템 간 충돌 방지. (Interoperability와 연결)
|
||||
3. **왜 중요한가?**:
|
||||
* 시스템이 복잡해질수록 구성 요소 간의 마찰(Friction)은 기하급수적으로 늘어나며, 적절한 윤활이 없으면 시스템은 과부하로 자폭하기 때문임. ([[Complexity Theory|Complexity Theory]]와 연결)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 윤활(여유 자원)을 단순한 '낭비 정책'으로 보았으나, 현대 정책은 이 유연성이야말로 불확실한 환경에서 시스템의 생사를 결정하는 '복원력 정책([[Resilience|Resilience]])'임을 인식함(RL Update).
|
||||
- **정책 변화(RL Update)**: 소프트웨어 아키텍처 정책에서 '미들웨어(Middleware)'나 '중재자 패턴(Mediator Pattern)'은 모듈 간의 직접 마찰을 방지하는 디지털 윤활제 정책으로 기능함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Just-in-Case|Just-in-Case]], [[Interoperability|Interoperability]], [[Leadership|Leadership]], [[Complexity Theory|Complexity Theory]], [[Efficiency|Efficiency]]
|
||||
- **Modern Tech/Tools**: API Gateways, Message Queues (RabbitMQ), Organizational mediators.
|
||||
---
|
||||
@@ -0,0 +1,28 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AI-MPC
|
||||
category: Unified
|
||||
confidence_score: 0.98
|
||||
tags: [Engineering, ControlTheory, MPC, Predictive]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Model-Predictive-Control (MPC)|Model-Predictive-Control (MPC)]] (모델 예측 제어)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "몇 수 앞을 내다보고 현재의 핸들을 꺾는 지능형 조타수." 시스템의 수학적 모델을 사용해 미래의 거동을 예측하고, 수천 번의 가공 시뮬레이션을 통해 현재 시점에서 최선의 제어 입력을 결정하는 고도의 제어 알고리즘이다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Mechanism**:
|
||||
1. 현재 상태를 측정함.
|
||||
2. 일정 기간(Prediction Horizon) 동안 시스템이 어떻게 움직일지 미래를 예측함.
|
||||
3. 제약 조건(예: 속도 100km 제한)을 만족하면서 가장 목표에 근접하는 입력 시퀀스를 계산.
|
||||
4. 계산된 여러 수 중 **첫 번째 명령만 실행**하고 다시 1번으로 돌아감 (Receding Horizon).
|
||||
- **Strength**: 여러 개의 입력과 출력이 얽힌 복잡한 시스템(MIMO)을 다루는 데 탁월하며, 제약 조건을 하드코딩으로 반영할 수 있다.
|
||||
- **Domain**: 정유 공정, 우주선 도킹, 고성능 자율주행 차량.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- MPC는 매 순간 최적화 문제를 풀어야 하므로 계산 성능이 엄청나게 소모된다. 최근에는 강화학습(RL)이 MPC의 역할을 대신하거나, 반대로 RL이 갈 방향을 MPC가 제약 조건으로 가이드해주는 하이브리드 제어(Learning-based MPC)가 로보틱스의 새로운 표준이 되고 있다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Control-Theory|Control-Theory]] , [[Decision Theory|Decision Theory]]
|
||||
- AI Hybrid: Deep-[[Reinforcement-Learning|Reinforcement-Learning]]-for-Control
|
||||
@@ -0,0 +1,28 @@
|
||||
---
|
||||
id: MATH-MC-INT-001
|
||||
category: Unified
|
||||
confidence_score: 1.0
|
||||
tags: [math, [[Statistics|Statistics]], monte-carlo, integration, sampling, numerical-[[Analysis|Analysis]]]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Monte Carlo Integration (몬테카를로 적분)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "해석적으로 풀 수 없는 복잡한 영역의 넓이를 무작위 샘플링의 통계적 평균으로 정복하라" — 함수의 적분값을 구하기 위해 영역 내에서 무작위 점을 추출하고, 그 점들의 함숫값 평균을 통해 전체 적분량을 근사적으로 계산하는 수치 해석 기법.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** "Statistical Approximation of Continuous Space" — 연속적인 공간 전체를 계산하는 대신, 대표적인 샘플들을 충분히 많이 추출하면 그 평균이 실제 값에 수렴한다는 대수의 법칙을 활용하여 '차원의 저주'를 극복하는 적분 패턴.
|
||||
- **수식적 원리:** $I = \int f(x) dx \approx \frac{V}{N} \sum_{i=1}^N f(x_i)$. 여기서 $V$는 영역의 부피, $N$은 샘플 수.
|
||||
- **주요 특징:**
|
||||
- **Dimension Independence:** 차원이 높아져도 샘플링 기반이기에 연산 복잡도가 지수적으로 증가하지 않음.
|
||||
- **Probabilistic Accuracy:** 샘플 수가 늘어날수록 실제 값에 확률적으로 수렴하며, 오차 범위를 통계적으로 추정 가능.
|
||||
- **의의:** 베이지안 추론, 강화학습의 기댓값 계산, 레이 트레이싱(Ray Tracing) 그래픽스 연산 등 현대 과학 계산의 핵심 근간.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 샘플링의 무작위성 때문에 결과가 매번 미세하게 달라질 수 있다는 단점이 있으나, 중요도 샘플링(Importance Sampling)이나 준-몬테카를로(Quasi-Monte Carlo) 기법을 통해 분산을 줄이고 수렴 속도를 높이는 방향으로 진화함.
|
||||
- **정책 변화:** Antigravity 프로젝트는 에이전트의 불확실한 보상 기대치를 계산하거나 대규모 지식 그래프의 잠재적 연결 강도를 추정할 때, 몬테카를로 적분 원리를 기반으로 한 시뮬레이션을 수행함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Markov-Chain-Monte-Carlo|Markov-Chain-Monte-Carlo]], Probability-Theory, Monte-Carlo-Tree-Search-MCTS, Bayesian-Inference
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Monte-Carlo-Integration.md
|
||||
@@ -0,0 +1,29 @@
|
||||
---
|
||||
id: MATH-MVA-001
|
||||
category: Unified
|
||||
confidence_score: 1.0
|
||||
tags: [[Statistics|[Statistics]], math, multivariate-[[Analysis|Analysis]], pca, mva, data-science]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Multivariate Analysis (다변량 분석)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "단일 변수의 관찰을 넘어, 변수들 사이의 복잡한 얽힘과 상호작용 속에서 데이터의 진짜 형상을 발견하라" — 둘 이상의 변수가 동시에 가지는 통계적 특성과 상관관계를 분석하여, 데이터 내의 숨겨진 패턴이나 구조를 파악하는 통계적 방법론의 총칭.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** "Dimensionality Reduction and Structural Discovery" — 변수들 사이의 공분산(Covariance)과 상관계수를 분석하여, 데이터의 흩어짐을 가장 잘 설명하는 주성분을 찾거나(PCA) 유사한 집단으로 묶는(Clustering) 등 고차원 데이터를 저차원의 핵심 구조로 요약하는 패턴.
|
||||
- **주요 기법:**
|
||||
- **PCA (주성분 분석):** 데이터의 분산을 최대한 보존하며 차원 축소.
|
||||
- **Factor Analysis (요인 분석):** 관측된 변수들 뒤에 숨겨진 잠재 요인 추출.
|
||||
- **MANOVA (다변량 분산 분석):** 여러 종속 변수에 대한 집단 간 차이 검정.
|
||||
- **Canonical Correlation:** 두 변수 집단 사이의 상관관계 최대화.
|
||||
- **의의:** 변수가 수백, 수천 개에 달하는 현대 빅데이터 환경에서 데이터의 중복성을 제거하고 핵심적인 인사이트를 도출하기 위한 필수적인 통계적 토대.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 선형적인 관계 분석에 치중하던 과거와 달리, 이제는 커널 기법이나 오토인코더(Autoencoder)와 같은 신경망 기술과 결합하여 비선형적인 다변량 관계까지 정밀하게 포착하는 방향으로 진화함.
|
||||
- **정책 변화:** Antigravity 프로젝트는 에이전트의 다양한 성능 지표(응답 속도, 정확도, 토큰 사용량 등) 사이의 복합적인 상관관계를 분석하여 전체적인 시스템 효율을 최적화할 때 다변량 분석 기법을 활용함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Principal-Component-Analysis|Principal-Component-Analysis]]-PCA, [[Linear-Discriminant-Analysis|Linear-Discriminant-Analysis]], [[Exploratory-Data-Analysis|Exploratory-Data-Analysis]], Correlation-vs-Causality
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Multivariate-Analysis.md
|
||||
@@ -0,0 +1,29 @@
|
||||
---
|
||||
id: MATH-MI-001
|
||||
category: Unified
|
||||
confidence_score: 1.0
|
||||
tags: [math, [[Information-Theory|Information-Theory]], mutual-information, entropy, machine-learning, feature-selection]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Mutual Information (상호 정보량)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "두 변수가 공유하고 있는 정보의 양을 측정하여, 하나를 알 때 다른 하나에 대한 불확실성이 얼마나 사라지는지 수치화하라" — 두 확률 변수 사이의 상호 의존성을 측정하는 지표로, 단순한 선형 관계를 넘어 비선형적인 연관성까지 모두 포착할 수 있는 정보 이론적 척도.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** "Uncertainty Reduction" — 변수 $X$를 관찰함으로써 변수 $Y$의 엔트로피(불확실성)가 얼마나 감소하는지 계산하여, 두 변수가 얼마나 밀접하게 얽혀 있는지 파악하는 패턴.
|
||||
- **수식적 정의:** $I(X; Y) = H(X) + H(Y) - H(X, Y)$ (각자의 엔트로피 합에서 결합 엔트로피를 뺀 값).
|
||||
- **주요 특징:**
|
||||
- **Non-linear Correlation:** 상관계수가 0이라도 상호 정보량은 높을 수 있음 (비선형적 관계 포착 가능).
|
||||
- **Symmetry:** $I(X; Y) = I(Y; X)$.
|
||||
- **Non-negativity:** 항상 0 이상의 값을 가지며, 0인 경우 두 변수는 독립임.
|
||||
- **의의:** 머신러닝의 특징 선택(Feature Selection), 데이터 압축, 베이지안 네트워크 구축, 독립 성분 분석(ICA) 등에서 핵심적인 판단 기준으로 활용됨.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 연속형 변수에서 상호 정보량을 계산할 때 구간 분할(Binning) 방식에 따라 값이 왜곡될 수 있다는 한계가 있어, 최근에는 KNN 기반의 KSG 추정기나 MINE(Mutual Information Neural Estimation) 등 신경망 기반 추정 기법이 주로 사용됨.
|
||||
- **정책 변화:** Antigravity 프로젝트는 에이전트의 지식 임베딩 품질을 평가할 때, 입력 텍스트와 추출된 핵심 개념 사이의 상호 정보량을 측정하여 정보 손실을 최소화하는 지표로 활용함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Kullback-Leibler-Divergence|Kullback-Leibler-Divergence]], [[Independent-Component-Analysis|Independent-Component-Analysis]], Feature-Selection-Strategies, Probability-Theory
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Mutual-Information.md
|
||||
+18
@@ -0,0 +1,18 @@
|
||||
# [[Mutually Exclusive and Collectively Exhaustive (MECE)|Mutually Exclusive and Collectively Exhaustive (MECE]]
|
||||
|
||||
## 📌 Brief Summary
|
||||
데이터나 문제를 범주화할 때, 항목 간 **'상호 배제(중복 없음)'**와 **'전체 포괄(누락 없음)'**을 충족하도록 나누는 논리적 프레임워크로 전략 컨설팅의 핵심 기초입니다.
|
||||
|
||||
## 📖 Core Content
|
||||
- **상호 배제 (Mutually Exclusive):** 각 정보나 하위 범주가 고유하고 독립적이어야 합니다. 즉, 하나의 항목이 두 개 이상의 범주에 속해서는 안 되며, 이는 분석 시 이중 계산(Double-counting)이나 혼란을 방지합니다 [61-63].
|
||||
- **전체 포괄 (Collectively Exhaustive):** 선택한 범주들을 모두 합쳤을 때 전체 문제나 데이터 세트를 100% 포괄해야 합니다. 누락된 부분이 있으면 중요한 전략적 기회나 위험을 놓칠 수 있습니다 [62, 64, 65].
|
||||
- **실전 활용:** 이윤 하락 문제를 분석할 때 수익(Price × Volume)과 비용(Fixed Costs + Variable Costs)으로 나누는 수익성 프레임워크가 가장 대표적인 MECE 적용 사례입니다 [66, 67].
|
||||
- **함정 피하기:** 고객을 '취미'와 '관심사'로 나누는 것은 중복이 발생하여 Non-MECE 방식이 되며 [63, 68], '기타(Other)'라는 모호한 범주를 남용해 억지로 CE 요건을 맞추는 것도 지양해야 합니다 [57].
|
||||
|
||||
## 🔗 Knowledge Connections
|
||||
- **Related Topics:** [[McKinsey Problem Solving|McKinsey Problem Solving]], [[Minto Pyramid Principle|Minto Pyramid Principle]]
|
||||
- **Projects/Contexts:** [[Issue Tree|Issue Tree]] Development, Market Segmentation
|
||||
- **Contradictions/Notes:** 현실 세계의 복잡한 시스템에서는 범주 간 완전히 분리되지 않는 상호의존성이 존재할 수 있으므로, MECE만 고집할 경우 문제의 유기적 본질을 지나치게 단순화(False completeness)할 위험이 있습니다 [10, 41, 69].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-27*
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-NOIS-001
|
||||
category: Unified
|
||||
confidence_score: 0.92
|
||||
tags: [auto-reinforced, noise, signals, data-quality, [[Information-Theory|Information-Theory]], [[Statistics|Statistics]]]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Noise|Noise]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "진실을 가리는 불청객: 우리가 진짜 알고 싶은 정보(Signal)에 섞여 들어와 데이터의 정확도를 떨어뜨리고 판단을 흐리게 만드는 무작위한 방해 요소이자, 역설적으로는 이미지 생성이나 보안 암호화의 핵심 재료로 쓰이는 혼돈의 변수."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
노이즈(Noise)는 정보 전달 및 처리 과정에서 원치 않게 발생하는 방해 요소입니다.
|
||||
|
||||
1. **유형**:
|
||||
* **Statistical Noise**: 측정 오차나 우연성에 의한 데이터 변동. ([[Inferential-Statistics|Inferential-Statistics]]와 연결)
|
||||
* **Signal Noise**: 통신이나 녹음 과정에서의 전자적 간섭.
|
||||
* **Concept Noise (Decision Noise)**: 판단 시 나타나는 일관성 없는 편차 (대니얼 카너먼 정의). ([[Judgment|Judgment]]와 연결)
|
||||
2. **왜 중요한가?**:
|
||||
* 노이즈를 제거(Denoising)하지 못하면 모델은 데이터의 본질이 아닌 쓸모없는 잡음을 학습([[Overfitting|Overfitting]])하여 예측력이 바닥을 치기 때문임.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 노이즈를 무조건 지워야 할 '오답 정책'으로만 보았으나, 현대 정책(Diffusion Model 등)은 노이즈로부터 정보를 복원하는 과정 정책을 통해 고해상도 이미지를 생성하는 '노이즈의 창조적 활용 정책'으로 패러다임을 바꿈(RL Update). ([[Gen-AI|Gen-AI]]와 연결)
|
||||
- **정책 변화(RL Update)**: 학습 데이터 정책에서도 의도적으로 노이즈를 섞어(Data Augmentation) 모델의 맷집을 키우는 '강인한 학습 정책'이 일반화 성능의 핵심 정책이 됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Information-Entropy|Information-Entropy]], [[Inferential-Statistics|Inferential-Statistics]], [[Judgment|Judgment]], [[Gen-AI|Gen-AI]], [[Optimization|Optimization]]
|
||||
- **Modern Tech/Tools**: Denoising Autoencoders, Diffusion Models, Gaussian noise, SNR (Signal-to-Noise Ratio).
|
||||
---
|
||||
@@ -0,0 +1,35 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-OPRES-001
|
||||
category: Unified
|
||||
confidence_score: 0.94
|
||||
tags: [auto-reinforced, mathematics, [[Optimization|Optimization]],[[_system|system]]-[[Analysis|Analysis]], [[Management|Management]]-science]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Operations-Research|Operations-Research]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "최적의 선택을 위한 수학적 나침반: 복잡한 시스템의 자원 배분 문제를 수리 모델링하여, 최소의 비용으로 최대의 효율을 뽑아내는 의사결정의 과학."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
경영 과학([[Opera|Opera]]tions [[Research|Research]], OR)은 수학적 모델, 통계학, 알고리즘을 사용하여 복잡한 시스템의 문제를 해결하고 의사결정을 돕는 학문입니다.
|
||||
|
||||
1. **주요 해결 기법**:
|
||||
* **Linear Programming (선형 계획법)**: 제약 조건 하에서 선형 함수를 극대화/최소화 (예: 수송 최적화).
|
||||
* **Queuing Theory (대기 행렬 이론)**: 줄 서기 현상을 분석하여 서비스 창구 수나 대기 시간을 최적화.
|
||||
* **Monte Carlo Simulation**: 불확실성이 큰 시스템을 반복 시행을 통해 확률적으로 분석.
|
||||
2. **적용 분야**:
|
||||
* **공급망 관리 (SCM)**: 재고 유지 비용 최소화 및 물류 경로 최적화.
|
||||
* **금융**: 포트폴리오 자산 배분 및 리스크 관리.
|
||||
* **전략 기획**: 비즈니스 프로세스 개선 및 인력 배치.
|
||||
3. **역사적 배경**:
|
||||
* 제2차 세계대전 당시 레이더 배치, 잠수함 탐색 등 군사 작전의 효율성을 높이기 위해 시작되어 민간 영역으로 확산됨.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 정적인 데이터 기반의 선형 모델이 주류였으나, 현대의 OR은 실시간으로 변하는 빅데이터와 결합하여 '적응형 최적화(Adaptive Optimization)'로 진화함.
|
||||
- **정책 변화(RL Update)**: 인공지능(Reinforcement Learning)이 기존의 OR 수식을 대체하거나 보완하며, 단순 효율성뿐만 아니라 '지속 가능성(ESG)'을 제약 조건으로 포함하는 다중 목적 최적화 정책이 글로벌 스탠다드가 됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Related**: [[Decision Theory|Decision Theory]], Game Theory, [[Probability Theory|Probability Theory]], Complex Adaptive Systems, Economic Models
|
||||
- **Modern Tech/Tools**: Gurobi Solver, IBM ILOG CPLEX, Python (SciPy/Pyomo).
|
||||
---
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-OPTH-001
|
||||
category: Unified
|
||||
confidence_score: 0.86
|
||||
tags: [auto-reinforced, [[Opera|Opera]]tor-theory, mathematics, [[Physics|Physics]], functional-[[Analysis|Analysis]], linear-operators]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Operator-Theory|Operator-Theory]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "변화의 수학적 규칙: 함수를 입력받아 다른 함수로 변조하거나 숫자로 변환하는 '연산자(Operator)' 그 자체의 성질을 연구하는 학문이자, 입자의 확률 분포가 변하는 현대 물리학(양자역학)과 복잡한 신경망의 변환을 설명하는 심오한 기초 체력."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
연산자 이론(Operator-Theory)은 함수 공간에서 작용하는 연산자의 특성을 다루는 수학의 한 분야입니다. (함수해석학의 핵심)
|
||||
|
||||
1. **기초 개념**:
|
||||
* **Linear Operator**: 덧셈과 상수 곱셈의 선형성을 유지하는 변환. ([[Linear-Algebra|Linear-Algebra]]와 연결)
|
||||
* **Spectrum**: 행렬의 고유값 개념을 무한 차원의 함수 공간으로 확장한 것.
|
||||
* **Functional Analysis**: 무한히 많은 변수를 다루는 수학적 뼈대.
|
||||
2. **왜 중요한가?**:
|
||||
* 현대 제어 공학, 신호 처리, 그리고 양자 컴퓨팅의 상태 변화 정책을 수식으로 완벽히 통제하게 돕기 때문임.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 추상 수학 정책에 머물렀으나, 현대 정책은 딥러닝에서 입력 텐서를 출력 텐서로 바꾸는 계층(Layer) 하나하나를 연산자로 보고 '연산자 학습(Neural Operator)' 정책을 연구하여 물리 법칙을 직접 푸는 AI 정책 수립에 결정적 기여 정책을 함(RL Update).
|
||||
- **정책 변화(RL Update)**: 데이터 간의 차이가 유한할 때는 행렬 대수 정책을 쓰지만, 연속적인 세상 정책(Continuous world)을 설명할 때는 연산자 이론 정책이 필수적이며, 이는 '물리 기반 신경망(PINN)' 정책의 모태가 됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Linear-Algebra|Linear-Algebra]], [[Optimization|Optimization]], Deep Learning (DL), [[High-Performance Computing (HPC)|High-Performance Computing (HPC)]], [[Logic|Logic]]
|
||||
- **Modern Tech/Tools**: Fourier transform operators, Laplacians, Neural Operators (FNO), Quantum operators.
|
||||
---
|
||||
@@ -0,0 +1,28 @@
|
||||
---
|
||||
id: MATH-OPT-CTRL-001
|
||||
category: Unified
|
||||
confidence_score: 1.0
|
||||
tags: [math, [[Control-Theory|Control-Theory]], optimal-control, [[Bellman-Equation|Bellman-Equation]], [[Reinforcement-Learning|Reinforcement-Learning]], [[Robotics|Robotics]]]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Optimal Control Theory (최적 제어 이론)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "한정된 에너지를 가장 영리하게 사용하여, 시스템이 목표한 궤도에 가장 우아하게 도달하게 하라" — 시간에 따라 변화하는 동적 시스템의 거동을 제어하여, 특정 목적 함수(Cost Function)를 최소화하거나 이득을 최대화하는 최적의 제어 법칙을 찾아내는 수학적 이론.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** "Trajectory [[Optimization|Optimization]] and Dynamic Programming" — 시스템의 현재 상태와 물리적 제약 조건을 고려하여 미래의 일련의 행동들을 계획하고, 벨만 방정식([[Bellman Equation|Bellman Equation]])이나 폰트랴긴의 최대 원리를 통해 최선의 경로를 산출하는 제어 패턴.
|
||||
- **핵심 개념:**
|
||||
- **LQR (Linear Quadratic Regulator):** 선형 시스템에서 오차의 제곱합을 최소화하는 표준 제어 기법.
|
||||
- **MPC (Model Predictive Control):** 미래의 일정 구간을 예측하여 매 순간 최적의 입력을 다시 계산하는 실시간 제어 방식.
|
||||
- **Hamiltonian:** 시스템의 에너지 보존과 변화율을 다루는 핵심 물리 수식.
|
||||
- **의의:** 강화학습(RL)의 근간이 되는 이론적 토대이며, 자율주행, 항공우주, 드론 제어 등 물리적 실체가 있는 AI 시스템의 필수 학문.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 모든 물리 수식을 완벽히 알아야 했던 과거의 모델 기반 제어(Model-based)에서, 이제는 수식을 몰라도 데이터를 통해 제어 규칙을 배우는 강화학습 기반의 데이터 주도 제어(Data-driven)와 결합하여 적응력이 극대화됨.
|
||||
- **정책 변화:** Skybound 프로젝트의 미사일 궤적 최적화 및 에이전트의 자원 배분 시나리오 설계 시, 최적 제어 이론의 비용 함수 설계 원칙을 준수하여 시스템의 안정성을 확보함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Reinforcement-Learning|Reinforcement-Learning]], Monte-Carlo-Tree-Search-MCTS, [[Markov-Decision-Process-MDP|Markov-Decision-Process-MDP]], Fluid-Dynamics
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Optimal-Control-Theory.md
|
||||
@@ -0,0 +1,30 @@
|
||||
---
|
||||
id: MATH-OPT-ALGO-001
|
||||
category: Unified
|
||||
confidence_score: 1.0
|
||||
tags: [math, algorithms, [[Optimization|Optimization]], heuristic, [[Simulated-Annealing|Simulated-Annealing]], [[Genetic-Algorithms|Genetic-Algorithms]]]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Optimization Algorithms (최적화 알고리즘)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "가능성의 숲에서 가장 깊은 골짜기(최소 비용)를 찾기 위해, 때로는 눈앞의 내리막을 걷고 때로는 과감한 도약으로 산맥을 넘으라" — 주어진 제약 조건 하에서 목적 함수의 값을 최대로 하거나 최소로 만드는 변수들의 최적 조합을 효율적으로 탐색하는 알고리즘들의 총칭.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** "Iterative Improvement and [[Search|Search]] Space Exploration" — 현재 상태에서 조금씩 더 나은 방향으로 이동하거나(Local Search), 무작위성을 부여하여 지역 최적해(Local Minima)에서 탈출하며 전역 최적해를 향해 나아가는 탐색 패턴.
|
||||
- **주요 알고리즘 분류:**
|
||||
- **Gradient-based:** 함수를 미분하여 기울기 방향으로 이동 (SGD, Adam 등). 연속적인 공간에 최적.
|
||||
- **Meta-[[Heuristics|Heuristics]]:** 자연 현상을 모방한 범용 탐색법.
|
||||
- **Simulated Annealing:** 확률적 도약을 통해 지역 최적해 탈출.
|
||||
- **Genetic Algorithms:** 교배와 변이를 통한 진화적 탐색.
|
||||
- **Particle Swarm Optimization:** 집단의 정보를 공유하며 최적점 추적.
|
||||
- **의의:** AI 모델 학습뿐만 아니라 물류 경로 최적화, 반도체 설계, 금융 포트폴리오 구성 등 모든 공학적 의사결정의 핵심 도구.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 항상 전역 최적해를 찾아야 한다는 집착에서 벗어나, 현실적인 시간 내에 충분히 훌륭한 해(Sub-optimal [[Solution|Solution]])를 찾는 '휴리스틱'의 가치가 현대 대규모 복잡계 최적화의 주류로 자리 잡음.
|
||||
- **정책 변화:** Antigravity 프로젝트는 에이전트의 작업 스케줄링 및 리소스 할당 시, 문제의 성격에 따라 정교한 수리 계획법(Linear Programming)과 유연한 메타 휴리스틱 알고리즘을 혼합하여 사용함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Optimization-in-AI|Optimization-in-AI]], [[Gradient-Descent|Gradient-Descent]]-Foundations, [[Genetic-Algorithms|Genetic-Algorithms]], HyperParameter-Optimization
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Optimization-Algorithms.md
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-OPTI-001
|
||||
category: Unified
|
||||
confidence_score: 0.99
|
||||
tags: [auto-reinforced, optimization, algorithms, [[Efficiency|Efficiency]], mathematical-programming, improvement]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Optimization|Optimization]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "최선을 향한 끊임없는 탐구: 주어진 조건 속에서 무엇(이득, 성능)을 최대화하거나 무엇(비용, 고통)을 최소화하는 최적의 해답을 수학적으로 찾아내는 기술이자, 모든 인적·기계적 진보를 이끄는 '가장 효율적인 상태'로의 지향."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
최적화(Optimization)는 특정 목적 함수를 가장 만족시키는 해를 찾는 과정입니다.
|
||||
|
||||
1. **3대 구성 요소**:
|
||||
* **Objective Function**: 극대화 또는 극소화할 목표.
|
||||
* **Variables**: 우리가 조정할 수 있는 통제 변수.
|
||||
* **Constraints**: 우리가 지켜야 할 현실적 제약 조건들.
|
||||
2. **왜 중요한가?**:
|
||||
* 지능(Intelligence)은 결국 한정된 자원으로 최선의 목표를 달성하는 '최적화 능력'의 다른 이름이며, AI 학습 자체가 오류를 최소화하는 거대한 최적화 연산이기 때문임. ([[Gradient-Descent|Gradient-Descent]]와 연결)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 한 번에 정답을 찾는 '분석적 정책(Analytical)'을 선호했으나, 현대 정책은 거대 변수 앞에서는 조금씩 고쳐가며 답에 근접하는 '반복적 경사 하강 정책(Iterative)'이 압도적 실용 정책을 가짐(RL Update). ([[Iteration|Iteration]]와 연결)
|
||||
- **정책 변화(RL Update)**: 단순히 현재의 최적 정책(Local Optima)에 만족하지 않고, 전역 최적해(Global Optima)를 찾기 위해 탐색 공간을 뒤흔드는 '하이퍼파라미터 튜닝 정책'과 '강화 학습 정책'이 현대 AI 최적화의 꽃이 됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Gradient-Descent|Gradient-Descent]], [[Efficiency|Efficiency]], [[Iteration|Iteration]], [[Linear-Programming|Linear-Programming]], [[Search-Optimization|Search-Optimization]]
|
||||
- **Modern Tech/Tools**: SGD ([[stochastic gradient descent|stochastic gradient descent]]), Adam optimizer, Genetic algorithms, Convex optimization.
|
||||
---
|
||||
@@ -0,0 +1,29 @@
|
||||
---
|
||||
id: MATH-PCA-001
|
||||
category: Unified
|
||||
confidence_score: 1.0
|
||||
tags: [[Statistics|[Statistics]], math, pca, dimension-reduction, un[[Supervised-Learning|Supervised-Learning]], data-science]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# PCA and Dimension Reduction (PCA와 차원 축소)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "데이터의 흩어짐(Variance)이 가장 큰 핵심 축을 찾아, 고차원의 안개를 걷어내고 데이터의 진정한 뼈대를 드러내라" — 변수들 사이의 상관관계를 분석하여 주성분(Principal Components)을 추출함으로써, 정보의 손실을 최소화하며 데이터의 차원을 낮추는 통계적 방법론.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** "Variance Maximization and Orthogonal Projection" — 데이터의 분산이 가장 크게 보존되는 방향으로 좌표축을 회전시키고, 중요도가 낮은 축(고유값이 작은 축)을 제거하여 데이터의 본질적인 구조를 저차원의 평면에 투영하는 패턴.
|
||||
- **핵심 단계:**
|
||||
- **Standardization:** 변수들의 단위를 맞춤 (평균 0, 분산 1).
|
||||
- **Covariance Matrix:** 변수 간의 관계 파악.
|
||||
- **Eigen-decomposition:** 주성분 방향(고유벡터)과 중요도(고유값) 산출.
|
||||
- **Projection:** 상위 k개의 주성분으로 데이터 변환.
|
||||
- **의의:** 차원의 저주(Curse of Dimensionality)를 극복하고, 모델의 과적합을 방지하며, 수천 차원의 임베딩 데이터를 2D/3D로 시각화하여 인간이 이해할 수 있게 함.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 선형적인 관계만 포착할 수 있는 PCA의 한계를 넘어, 최근에는 커널 PCA나 오토인코더를 이용한 비선형 차원 축소, 그리고 t-SNE나 UMAP과 같이 데이터의 지역적 구조 보존에 특화된 시각화 기법들이 함께 활용됨.
|
||||
- **정책 변화:** Antigravity 프로젝트는 1,174개 문서의 임베딩 벡터를 시각화하여 지식의 군집(Cluster) 상태를 점검할 때, PCA를 1차 필터로 사용하여 전체적인 데이터 분포를 조망함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Principal-Component-[[Analysis|Analysis]]-PCA, [[Multivariate-Analysis|Multivariate-Analysis]], [[Exploratory-Data-Analysis|Exploratory-Data-Analysis]], Autoencoders-in-[[Deep-Learning|Deep-Learning]]
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/PCA-and-Dimension-Reduction.md
|
||||
@@ -0,0 +1,28 @@
|
||||
---
|
||||
id: CTRL-PID-001
|
||||
category: Unified
|
||||
confidence_score: 1.0
|
||||
tags: [[Control-Theory|[Control-Theory]], pid, ai, [[Robotics|Robotics]], feedback-loop, automation]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# PID Controllers in AI (AI에서의 PID 제어기)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "과거의 오차(I)를 반성하고, 현재의 차이(P)를 직시하며, 미래의 변화(D)를 예측하여 완벽한 균형점을 사수하라" — 비례(Proportional), 적분(Integral), 미분(Derivative) 항의 조합을 통해 시스템의 출력을 목표값에 빠르고 안정적으로 수렴시키는 가장 대표적인 피드백 제어 기술.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** "Closed-loop Error Correction" — 목표값과 현재값의 차이(오차)를 실시간으로 계산하고, 세 가지 제어 항을 통해 오차를 보정하여 외부 교란에도 불구하고 시스템을 안정 상태로 유지하는 패턴.
|
||||
- **3대 제어 항:**
|
||||
- **P (Proportional):** 현재 오차에 비례하여 강하게 반응 (빠른 응답).
|
||||
- **I (Integral):** 쌓인 오차를 제거하여 잔류 편차 해결 (정밀도).
|
||||
- **D (Derivative):** 오차의 변화 속도를 감지하여 오버슈트 억제 (안정성).
|
||||
- **의의:** AI 에이전트가 현실 세계의 드론, 로봇 팔, 자율주행 조향 등을 실제로 움직일 때 사용하는 가장 믿음직하고 검증된 물리 인터페이스.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 사람이 수작업으로 최적의 계수(Gain)를 찾던 방식에서, 이제는 강화학습(RL)이나 베이지안 최적화가 실시간으로 가장 적합한 PID 계수를 찾아주는 '지능형 PID'로 진화함.
|
||||
- **정책 변화:** Skybound 프로젝트의 비행 유닛들이 목표 고도를 유지하거나 흔들림을 보정할 때, 내부적으로 최적화된 PID 제어 루프를 사용하여 부드러운 움직임을 구현함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Optimal-Control-Theory|Optimal-Control-Theory]], [[Reinforcement-Learning|Reinforcement-Learning]], [[Robotics-Foundations|Robotics-Foundations]], Automation-Strategies
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/PID-Controllers-in-AI.md
|
||||
@@ -0,0 +1,27 @@
|
||||
---
|
||||
id: MATH-PDE-001
|
||||
category: Unified
|
||||
confidence_score: 1.0
|
||||
tags: [math, calculus, pde, [[Physics|Physics]]-informed-ml, scientific-computing, fluid-dynamics]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Partial Differential Equations (PDE, 편미분 방정식)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "세상의 모든 복잡한 변화는 시간과 공간이라는 여러 변수의 얽힘 속에 있으며, 이를 편미분이라는 돋보기로 들여다볼 때 비로소 물리적 질서가 드러난다" — 독립 변수가 둘 이상인 함수와 그 도함수들 사이의 관계를 나타내는 방정식으로, 물리적 세계의 연속적인 변화를 설명하는 가장 강력한 수학적 언어.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** "Multi-variable Dynamics and Constraint Satisfaction" — 열 전도(Heat), 파동(Wave), 유체 흐름(Navier-Stokes) 등 공간상의 위치와 시간의 흐름에 따라 변하는 물리 현상을 수식화하고, 이를 수치 해석이나 신경망을 통해 해결하여 미래 상태를 예측하는 패턴.
|
||||
- **AI와의 접점:**
|
||||
- **PINNs (Physics-informed Neural Networks):** 신경망의 손실 함수에 PDE 식을 직접 포함시켜, 데이터뿐만 아니라 물리 법칙까지 준수하도록 학습.
|
||||
- **Scientific AI:** 기상 예측, 신소재 설계, 유체 역학 시뮬레이션 등 정밀한 과학적 추론이 필요한 분야의 핵심 엔진.
|
||||
- **의의:** 데이터가 부족한 환경에서도 물리적 법칙(상식)을 바탕으로 정확한 추론을 가능케 하며, '블랙박스 AI'를 '법칙 기반 AI'로 진화시키는 가교 역할.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 엄청난 연산량이 필요한 수치 해석(Finite Element Method 등)에만 의존하던 방식에서, 이제는 신경망이 PDE의 해를 직접 근사하여 수만 배 빠른 속도로 시뮬레이션을 수행하는 'AI 대리 모델(Surrogate Model)' 방식으로 패러다임이 시프트됨.
|
||||
- **정책 변화:** Antigravity 프로젝트는 향후 Skybound의 기상 효과 시뮬레이션이나 물리 기반 에이전트 행동 최적화 시, PDE 기반의 PINNs 아키텍처를 도입하여 시각적 리얼리티와 물리적 개연성을 동시에 확보할 계획임.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Optimal-Control-Theory|Optimal-Control-Theory]], Fluid-Dynamics, [[Deep-Learning|Deep-Learning]]-Foundations, Scientific-Computing-in-AI
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Partial-Differential-Equations.md
|
||||
@@ -0,0 +1,27 @@
|
||||
---
|
||||
id: ALGO-PARTICLE-001
|
||||
category: Unified
|
||||
confidence_score: 1.0
|
||||
tags: [algorithm, [[Robotics|Robotics]], particle-filter, bayesian-filtering, monte-carlo, slam, localization]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Particle Filter Algorithms (파티클 필터 알고리즘)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "수많은 가상의 '분신(Particles)'들을 세상에 뿌리고, 실제와 가장 닮은 자들만 살아남겨 진실의 궤적을 추적하라" — 비선형적이고 복잡한 확률 분포를 가진 동적 시스템의 상태를 수많은 입자의 집합으로 근사하여 추정하는 몬테카를로 기반의 필터링 기술.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** "Prediction, Weighting, and Resampling" — 시스템의 움직임을 예측하여 입자들을 이동시키고, 실제 관측값과 비교하여 각 입자에 점수(Weight)를 매긴 뒤, 점수가 높은 입자들 위주로 다시 복제(Resampling)하여 정답에 수렴해가는 반복적 추적 패턴.
|
||||
- **주요 특징:**
|
||||
- **Non-linear/Non-Gaussian:** 칼만 필터가 해결하지 못하는 복잡하고 불규칙한 확률 분포 환경에서도 탁월한 성능 발휘.
|
||||
- **Global Localization:** 초기 위치를 전혀 모르는 상태에서도 데이터가 쌓임에 따라 위치를 찾아낼 수 있음.
|
||||
- **의의:** 로봇의 자기 위치 인식(SLAM), 영상 기반 물체 추적(Object Tracking), 자율주행차의 장애물 경로 예측 등 불확실성이 큰 실전 환경의 핵심 추론 엔진.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 입자 수가 많을수록 정확하지만 연산량이 폭증하는 단점이 있었으나, 최근에는 GPU 병렬 연산을 활용한 고속 파티클 필터링과 신경망 기반의 상태 전이 모델이 결합된 하이브리드 추적 기법으로 진화 중임.
|
||||
- **정책 변화:** Antigravity 프로젝트는 에이전트의 작업 성공 가능성을 예측하거나 복잡한 유저 시나리오를 시뮬레이션할 때, 다양한 가능성을 입자로 표현하여 최적의 경로를 도출하는 확률적 추론 모듈에 이 원리를 적용함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Optimal-Control-Theory|Optimal-Control-Theory]], Monte-Carlo-Tree-Search-MCTS, Probability-Theory, [[Robotics-Foundations|Robotics-Foundations]]
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Particle-Filter-Algorithms.md
|
||||
@@ -0,0 +1,28 @@
|
||||
---
|
||||
id: MATH-BAYES-001
|
||||
category: Unified
|
||||
confidence_score: 1.0
|
||||
tags: [math, probability, bayesian, prior, posterior, likelihood, [[Bayes-Theorem|Bayes-Theorem]]]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Posterior and Prior Probability (사후 및 사전 확률)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "어제의 믿음(Prior)에 오늘의 증거(Likelihood)를 더해, 내일의 더 정확한 확신(Posterior)을 설계하라" — 새로운 증거를 목격하기 전의 신념과, 목격한 후 업데이트된 신념 사이의 관계를 규명하는 베이즈 추론의 핵심 개념.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** "Belief Update and Recursive Learning" — 세상을 바라보는 기존의 틀(Prior)이 새로운 데이터(Data)와 만났을 때, 데이터가 가르키는 방향(Likelihood)으로 틀을 수정하여 최종적인 결론(Posterior)에 도달하는 확률적 학습 패턴.
|
||||
- **주요 구성 요소:**
|
||||
- **Prior (사전 확률):** 사건 발생 전 우리가 가진 배경지식 혹은 믿음.
|
||||
- **Likelihood (우도):** 가설이 참일 때 현재 데이터가 관찰될 확률.
|
||||
- **Posterior (사후 확률):** 데이터를 보고 난 후 업데이트된 사건 발생 확률.
|
||||
- **의의:** AI가 단순히 현재 데이터에만 매몰되지 않고, 과거의 경험(지식)을 바탕으로 불확실한 상황에서도 합리적인 추론을 내리게 하는 수학적 엔진.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 고정된 확률값만을 다루던 빈도주의(Frequentist) 관점과 달리, 베이즈 관점은 새로운 정보가 들어올 때마다 끊임없이 확률을 업데이트하는 '동적 지능'의 토대가 됨.
|
||||
- **정책 변화:** Antigravity 프로젝트는 에이전트의 작업 성공률 예측 시, 과거의 평균 성공률(Prior)을 기반으로 현재 작업의 난이도와 피드백(Likelihood)을 결합하여 실시간 신뢰 점수(Posterior)를 산출함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Probability-Theory-Foundations|Probability-Theory-Foundations]], [[Naive-Bayes-Classifiers|Naive-Bayes-Classifiers]], Maximum-Likelihood-Estimation-MLE, Bayesian-Inference
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Posterior-and-Prior-Probability.md
|
||||
@@ -0,0 +1,28 @@
|
||||
---
|
||||
id: MATH-PCA-DET-001
|
||||
category: Unified
|
||||
confidence_score: 1.0
|
||||
tags: [math, [[Linear-Algebra|Linear-Algebra]], pca, principal-component-[[Analysis|Analysis]], [[Statistics|Statistics]], [[Dimensionality-Reduction|Dimensionality-Reduction]]]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Principal Component Analysis (주성분 분석)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "데이터의 혼돈 속에서 가장 강한 에너지가 분출되는 '주성분'의 방향을 찾고, 그 축을 중심으로 세상을 다시 정렬하라" — 고차원 데이터의 정보를 선형 결합을 통해 서로 상관관계가 없는 주성분들로 변환하여 데이터를 요약하고 구조화하는 통계적 기법.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** "Orthogonal Transformation and Information Compaction" — 데이터의 공분산 행렬을 고유분해(Eigen-decomposition)하여, 분산이 큰 순서대로 수직인 기저 벡터들을 찾아내고 데이터를 그 축 위로 정사영(Projection)시키는 수학적 패턴.
|
||||
- **수학적 3대 정수:**
|
||||
- **Eigenvectors (고유벡터):** 데이터가 가장 많이 흩어져 있는 '방향'. 즉, 새로운 축.
|
||||
- **Eigenvalues (고유값):** 그 축이 얼마나 많은 정보를 담고 있는지를 나타내는 '크기'.
|
||||
- **Variance Preservation:** 상위 몇 개의 주성분만으로 원본 데이터 정보의 80~90%를 보존 가능.
|
||||
- **의의:** 데이터 내의 노이즈를 제거하고 핵심적인 변수 조합을 찾아냄으로써, 기계 학습 모델의 학습 속도를 높이고 다차원 데이터의 시각적 해석을 가능케 함.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 변수가 많을수록 좋다는 양적 팽창의 시대에서, 이제는 데이터의 중복성(Redundancy)을 제거하고 '가장 설명력이 높은' 핵심 변수만을 남기는 질적 압축의 시대로 전환되는 핵심 도구로 작용함.
|
||||
- **정책 변화:** Antigravity 프로젝트는 에이전트의 다양한 성능 지표들 사이의 불필요한 상관관계를 제거하고 핵심 성과 동인을 파악하기 위해, 주기적으로 리포트 데이터에 PCA 분석을 적용하여 인사이트를 도출함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[PCA-and-Dimension-Reduction|PCA-and-Dimension-Reduction]], [[Multivariate-Analysis|Multivariate-Analysis]], [[Linear-Algebra-Foundations|Linear-Algebra-Foundations]], [[Feature-Engineering|Feature-Engineering]]-Best-Practices
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Principal-Component-Analysis.md
|
||||
@@ -0,0 +1,28 @@
|
||||
---
|
||||
id: PLA-001
|
||||
category: Unified
|
||||
confidence_score: 1.0
|
||||
tags: [[Physics|[Physics]], [[Optimization|Optimization]], mechanics, variational-calculus, ai-foundations]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Principle of Least Action (최소 작용의 원리)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "자연은 가장 효율적인 경로를 선택한다" — 물체가 이동할 때 작용(Action)이라는 물리량을 최소화하는 경로를 따라 움직인다는 현대 물리학의 가장 보편적인 기본 원리.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 복잡한 운동 방정식(F=ma 등)을 일일이 계산하는 대신, 전체 시스템의 에너지 균형을 나타내는 '작용'을 최적화(Optimization)하여 시스템의 거동을 예측하는 패턴.
|
||||
- **세부 내용:**
|
||||
- **Lagrangian ($L = T - V$):** 운동 에너지($T$)와 위치 에너지($V$)의 차이. 시스템의 상태를 정의.
|
||||
- **Action ($S$):** 라그랑지안을 시간에 대해 적분한 값. 이 값이 최소가 되는 경로가 실제 물리적 경로임.
|
||||
- **Hamilton's Principle:** 고전 역학뿐만 아니라 전자기학, 상대성 이론, 양자 역학까지 관통하는 통합 원리.
|
||||
- **Variational Calculus:** 함수를 입력으로 받아 수치를 출력하는 '범함수'의 최적값을 찾는 수학적 도구.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 개별 힘의 상호작용에 집중하던 뉴턴 역학에서, 시스템 전체의 에너지 효율과 최적화 관점으로 물리학의 패러다임을 전환.
|
||||
- **정책 변화:** Antigravity 프로젝트의 에이전트 경로 최적화 및 물리 시뮬레이션 엔진 설계 시, 최소 작용의 원리를 응용하여 계산 비용을 최소화하는 최적 경로를 산출함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Optimization|Optimization]], [[Physics-informed-Neural-Networks|Physics-Informed-Neural-Networks]], Differential-Equations, Calculus-for-ML
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Principle-of-Least-Action.md
|
||||
@@ -0,0 +1,35 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-PROB-001
|
||||
category: Unified
|
||||
confidence_score: 0.98
|
||||
tags: [auto-reinforced, mathematics, [[Statistics|Statistics]], risk, randomness]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Probability Theory|Probability Theory]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "우연의 정복: 무작위성 속에서 질서를 발견하고, 일어날 수 있는 미래의 사건들을 숫자로 관리하여 불확실성을 '통제 가능한 리스크'로 변환하는 수학적 도구."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
확률론(Probability Theory)은 불확실한 사건을 수학적으로 정량화하고 분석하는 수학의 한 분야입니다.
|
||||
|
||||
1. **기초 개념**:
|
||||
* **Sample Space (표본 공간)**: 일어날 수 있는 모든 결과의 집합.
|
||||
* **Random Variable (확률 변수)**: 사건의 결과를 실수로 매핑한 함수.
|
||||
* **Probability Distribution (확률 분포)**: 확률 변수가 특정 값을 가질 확률을 나타낸 함숫값 (정규 분포, 베르누이 분포 등).
|
||||
2. **주요 법칙**:
|
||||
* **Law of Large Numbers (대수의 법칙)**: 시행 횟수가 많아질수록 결과의 평균은 기댓값에 수렴함.
|
||||
* **Central Limit Theorem (중심 극한 정리)**: 데이터가 어떤 분포를 따르든, 그 합이나 평균은 데이터가 많아질수록 정규 분포에 가까워짐.
|
||||
3. **철학적 관점 (Interpretation)**:
|
||||
* **Frequentist (빈도주의)**: 확률은 사건이 반복될 때 나타나는 상대적 빈도.
|
||||
* **Bayesian (베이즈주의)**: 확률은 증거에 기반한 '지식의 확신 정도'. 데이터가 추가될수록 관점을 업데이트함.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 확률론이 도박이나 보험 통계에 국한되었으나, 현대 인공지능은 모든 데이터를 '확률 분포'로 인식하며 생성 모델(GenAI)은 이 분포에서 가장 그럴듯한 다음 조각을 추출하는 '대규모 확률 연산' 시스템으로 변모함.
|
||||
- **정책 변화(RL Update)**: 알고리즘의 편향성과 차별 문제를 해결하기 위해, 확률적 공정성(Probabilistic Fairness) 지표를 모델 검증 정책에 포함하여 특정 집단이 확률적으로 부당한 대우를 받지 않도록 감시하는 거버넌스가 확립됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Statistics & Data Analysis|Statistics & Data Analysis]], Probability and Logic Fusion, [[Information-Entropy|Information-Entropy]], [[Risk Management|Risk Management]], Machine Learning
|
||||
- **Modern Tech/Tools**: BUGS, Stan, PyMC3, SciPy stats module.
|
||||
---
|
||||
@@ -0,0 +1,29 @@
|
||||
---
|
||||
id: MATH-PROB-001
|
||||
category: Unified
|
||||
confidence_score: 1.0
|
||||
tags: [math, probability, [[Statistics|Statistics]], random-variables, distributions, central-limit-theorem, foundations]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# [[Probability Theory|Probability Theory]] Foundations (확률론 기초)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "세상의 모든 우연과 불확실성을 수치화된 '확신'의 언어로 번역하여, 기계가 가설을 세우고 결론을 내릴 수 있는 논리적 기반을 제공하라" — 무작위 현상을 수학적으로 모델링하고 분석하여, 어떤 사건이 발생할 가능성을 측정하는 수학적 학문.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** "Axiomatic [[Reasoning|Reasoning]] and Distributional Modeling" — 표본 공간(Sample Space) 내에서 사건이 발생할 확률의 공리를 세우고, 무작위 변수(Random Variables)의 분포를 통해 현상의 기저를 설명하는 패턴.
|
||||
- **핵심 개념:**
|
||||
- **Probability [[Axioms|Axioms]]:** 모든 확률은 0과 1 사이이며, 전체 합은 1임.
|
||||
- **Random Variables:** 무작위 사건의 결과를 수치로 매핑 (이산형 vs 연속형).
|
||||
- **Distributions:** 데이터의 형태를 결정 (정규분포, 베르누이, 포아송 등).
|
||||
- **Central Limit Theorem (중심극한정리):** 표본이 커질수록 평균의 분포는 정규분포에 수렴한다는 통계의 핵심 정리.
|
||||
- **의의:** 딥러닝의 손실 함수 설계, 생성 모델의 샘플링, 강화학습의 기대 가치 계산 등 현대 AI의 모든 연산이 이 확률론적 기반 위에서 수행됨.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 단순히 주사위를 던지는 확률을 넘어, 이제는 수조 개의 파라미터를 가진 신경망의 출력값(Logits)을 확률로 해석하고 이를 통해 지각과 생성의 경계를 허무는 '확률적 지능'으로 진화함.
|
||||
- **정책 변화:** Antigravity 프로젝트는 에이전트의 모든 답변에 대해 내부적인 확률 분포를 분석하여, 확신이 낮은 구간에서는 사용자에게 확인을 요청하거나 추가 정보를 탐색하는 '신뢰도 기반 응답' 프로토콜을 가동함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Posterior-and-Prior-Probability|Posterior-and-Prior-Probability]], Maximum-Likelihood-Estimation-MLE, [[Probabilistic-Graphical-Models|Probabilistic-Graphical-Models]], Bayesian-Inference
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Probability-Theory-Foundations.md
|
||||
Some files were not shown because too many files have changed in this diff Show More
Reference in New Issue
Block a user