---
id: AI-MET-SIM-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
tags: [ai, machine-learning, similarity-metrics, cosine-similarity, euclidean-distance, jaccard-similarity, vector-space]
last_reinforced: 2026-04-26
---

# Similarity Metrics in AI (AI에서의 유사도 메트릭)

## 📌 한 줄 통찰 (The Karpathy Summary)
> "데이터를 고차원 벡터의 좌표로 변환하고, 그들 사이의 '거리'와 '각도'를 측정하여 보이지 않는 의미적 유사성을 수치화하라" — 두 데이터 객체가 서로 얼마나 닮았는지 정량적으로 측정하기 위한 수학적 척도들의 총합.

## 📖 구조화된 지식 (Synthesized Content)
- **추출된 패턴:** "Vector Distance and Semantic Proximity" — 텍스트, 이미지, 사용자 행동 등을 수치 벡터로 투영하고, 선택한 메트릭에 따라 기하학적 거리를 계산하여 분류, 클러스터링, 추천 등에 활용하는 패턴.
- **주요 유사도 메트릭:**
    - **Cosine Similarity:** 두 벡터 사이의 각도 측정. 벡터의 크기보다 '방향(의미)'이 중요할 때(예: 텍스트 분석) 최적.
    - **Euclidean Distance:** 두 점 사이의 직선 거리. 데이터의 물리적 수치 차이가 중요할 때 사용.
    - **Jaccard Similarity:** 두 집합 사이의 겹침 정도 측정. 키워드 공유 여부 분석에 용이.
    - **Manhattan Distance:** 격자 구조에서의 거리. 고차원 데이터에서 유클리드 거리의 한계를 보완할 때 사용.
- **의의:** 시맨틱 검색, 추천 시스템, 중복 데이터 제거 등 현대 AI 서비스의 거의 모든 '비교' 로직의 핵심 수학적 근간.

## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌:** 단순히 거리가 가까우면 비슷하다는 가정을 넘어, 이제는 데이터의 분포와 밀도를 고려한 마할라노비스 거리(Mahalanobis Distance)나 학습된 신경망 기반의 유사도 측정(Deep Metric Learning)이 복잡한 데이터 분석의 표준이 됨.
- **정책 변화:** Antigravity 프로젝트는 지식 문서 간의 연관 관계 산출 시, 문맥적 의미 보존율이 높은 코사인 유사도를 기본 메트릭으로 채택하며 필요에 따라 리랭킹 모델을 병행함.

## 🔗 지식 연결 (Graph)
- [[Semantic-Search-with-AI|Semantic-Search-with-AI]], Vector-Database-Foundations, [[Recommendation-Systems|Recommendation-Systems]], Cluster-Analysis-Techniques
- **Raw Source:** 10_Wiki/Topics/AI/Similarity-Metrics-in-AI.md