[ { "path": "10_Wiki/Topics/4X 전략.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\4X 전략.md", "folder": "Topics", "filename": "4X 전략", "norm_name": "4x전략", "title": "4X 전략", "norm_title": "4x전략", "fm_id": "wiki-2026-0508-4x-전략", "fm_aliases": [ "P-Reinforce-REDIRECT-4X-001" ], "fm_tags": [ "uncategorized" ], "fm_status": "merged", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 1183, "body_first_para_hash": "3a0b156abd94", "body_fingerprint": "[!note] 본 문서는 4x strategy 로 통합되었습니다. 지식의 중복을 방지하고 최신성을 유지하기 위해 위 대표 문서에서 내용을 관리합니다. 🫡🐟 4x 전략은 explore·expand·exploit·exterminate의 약자로, 거대 전략 게임의 표준 디자인 프레임이다. 추출된 패턴: 4축 = 동기·메커니즘·성장 곡선의 4가지 축. 한 축이 약하면 게임이 한쪽으로 기움. 세부 내용: 탐사: 정찰·발견. 확장: 도시·자원 점유. 활용: 기술·경제·생산. 말살: 전쟁·외교. 모바일 slg는 \"빠른 확장 + 동맹\" 강조. 언제 이 지식을 쓰는가: (todo) 언제 쓰면 안 되는가: (todo) 정보 상태: merged 출처 신뢰도: a 검토 이유: (p reinforce phase 1 자동 정규화. 본문 검증 필요.) 기존 유사 문서: (todo: 인덱서 클러스터 리포트 참조) 처리 방식: update (자동 정규화) 처리 이유: phase 1 정규화 — 옛 템플릿/누락 필드 보강. 과거 데이터와의 충돌: 없음 정책 변화: 없음 parent: 10 wiki/topics related: (todo: 최소 2개) opposite / trade off: (", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/4X_Strategy.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\4X_Strategy.md", "folder": "Topics", "filename": "4X_Strategy", "norm_name": "4xstrategy", "title": "4X Strategy (4X 전략)", "norm_title": "4xstrategy4x전략", "fm_id": "wiki-2026-0508-4x-strategy", "fm_aliases": [ "P-Reinforce-MANUAL-4X-STRAT-001", "4X 전략", "4X 시스템", "4X System", "4X 전략 게임 수익화 모델" ], "fm_tags": [ "game-design", "monetization", "4x", "mobile-games" ], "fm_status": "verified", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 2616, "body_first_para_hash": "8de4f8cf03fb", "body_fingerprint": "\"탐험(explore), 확장(expand), 활용(exploit), 섬멸(exterminate)의 순환 구조를 통해 강력한 몰입을 형성하고, 정교한 수익화 모델과 소셜 엔지니어링을 결합하여 극강의 유저 생애 가치(ltv)를 창출하는 전략 게임의 정수.\" 4x 전략은 1990년대 pc 게임에서 유래하여, 현대 모바일 시장에서 가장 고도화된 수익 구조를 갖춘 장르로 발전했습니다. 탐험(explore): 월드 맵을 정찰하여 자원 지대, 몬스터, 적의 위치 등 주변 정보를 파악하는 탐색 단계. 확장(expand): 새로운 정착지를 건설하거나 성채, 병영 등 건물을 업그레이드하여 세력을 확장하는 단계. '타임 게이트(time gating)'를 통한 유료 속도 향상 아이템 소비를 유도함. 활용(exploit): 점령 지역에서 자원을 수집하고 경제 효율을 최적화하는 단계. 군대 규모가 커질수록 유지비가 생산량을 상회하는 '적자 경제(deficit economy)'를 유도하여 지속적인 과금을 자극함. 섬멸(exterminate): 경쟁 플레이어의 병력을 제거하고 도시를 함락시키는 단계. 병력이 영구 삭제되는 '영구적 손실(permanent loss)' 메커니즘을 통해 손", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/AI_Safety_and_Alignment.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\AI_Safety_and_Alignment.md", "folder": "Topics", "filename": "AI_Safety_and_Alignment", "norm_name": "aisafetyandalignment", "title": "AI_Safety_and_Alignment", "norm_title": "aisafetyandalignment", "fm_id": "wiki-2026-0508-ai-safety-and-alignment", "fm_aliases": [ "P-Reinforce-CANONICAL-AI-SAFETY-ALIGNMENT" ], "fm_tags": [ "canonical", "ai-safety", "alignment", "rlhf", "rlaif", "constitutional-ai" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 3048, "body_first_para_hash": "58adec565647", "body_fingerprint": "\"지능이 통제를 벗어나지 않게 하는 브레이크와 핸들.\" ai safety는 적대적 공격과 오작동으로부터 시스템을 보호하는 '기술적 견고성(robustness)'을, alignment는 ai의 목표가 인간의 가치와 일치하도록 보정하는 'rlhf/constitutional ai' 기술을 통해 인류 보편적 이익에 부합하는 초지능(agi)을 구축하는 핵심 연구 분야입니다. ai 정렬은 모델의 목표(objective)가 인간의 의도(intention) 및 가치(value)와 일치하도록 만드는 과정입니다. 외부 정렬 (outer alignment): 모델에게 주어지는 보상 함수(reward function)나 손실 함수가 인간의 실제 목표를 정확히 반영하도록 설계하는 것. (예: \"돈을 벌어라\" \"정당한 방법으로 가치를 창출하여 돈을 벌어라\") 내부 정렬 (inner alignment): 모델 내부에서 스스로 생성한 하위 목표(sub goals)가 인간의 목표와 충돌하지 않는지 검증하는 것. 기만적 정렬 (deceptive alignment): 모델이 훈련 중에는 안전한 척 행동하다가, 배포 후 통제를 벗어났을 때 본래의 유해한 목표를 드러내는 위험 현상. rlhf (", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/AI_Sampling_Strategies.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\AI_Sampling_Strategies.md", "folder": "Topics", "filename": "AI_Sampling_Strategies", "norm_name": "aisamplingstrategies", "title": "Redirect", "norm_title": "redirect", "fm_id": "wiki-2026-0508-ai-sampling-strategies", "fm_aliases": [], "fm_tags": [ "uncategorized" ], "fm_status": "verified", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 1531, "body_first_para_hash": "6eef7e342db6", "body_fingerprint": " redirect to: \"생성형 ai 및 llm 엔지니어링 표준\" canonical id: \"wiki 2026 0507 106\" 이 문서는 canonical 문서인 통합되었습니다. 모든 최신 지식과 세부 내용은 위 링크를 참조하십시오. llm 디코딩에서 다음 토큰을 고르는 방식(temperature·top k·top p·repetition penalty 등)이 출력의 다양성·일관성·환각 비율을 좌우한다. 추출된 패턴: 결정적(greedy/beam) ↔ 확률적(sampling) 스펙트럼에서, 작업 유형(코딩=낮은 온도, 창작=높은 온도)에 맞춘 파라미터 매칭이 핵심. 세부 내용: greedy / beam search : 항상 최고 확률만 선택. 코딩·번역에 적합하지만 단조로움. temperature : logit을 t로 나눠 분포 평탄화. t<1 보수적, t 1 다양함. top k : 상위 k개 토큰만 후보. k=40~50이 흔함. top p (nucleus) : 누적확률 p까지 컷오프. p=0.9~0.95가 표준. repetition / frequency penalty : 반복 토큰의 logit을 깎아 루프 방지. min p / mirostat : 최신 ", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/AI_이미지_생성_및_프롬프트_엔지니어링_워크플로우.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\AI_이미지_생성_및_프롬프트_엔지니어링_워크플로우.md", "folder": "Topics", "filename": "AI_이미지_생성_및_프롬프트_엔지니어링_워크플로우", "norm_name": "ai이미지생성및프롬프트엔지니어링워크플로우", "title": "Redirect", "norm_title": "redirect", "fm_id": "wiki-2026-0508-ai-이미지-생성-및-프롬프트-엔지니어링-워크플로우", "fm_aliases": [ "ai_image_gen_workflow_redirect" ], "fm_tags": [ "uncategorized" ], "fm_status": "merged", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": "Prompt_Engineering", "fm_canonical_id": "Prompt_Engineering", "body_chars": 51, "body_first_para_hash": "321af0d21fe8", "body_fingerprint": "이 문서는 prompt engineering으로 통합되었습니다.", "is_stub": true, "is_huge": false, "is_redirect": true, "is_operational": false }, { "path": "10_Wiki/Topics/AI_이미지_생성_워크플로우.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\AI_이미지_생성_워크플로우.md", "folder": "Topics", "filename": "AI_이미지_생성_워크플로우", "norm_name": "ai이미지생성워크플로우", "title": "AI_이미지_생성_워크플로우", "norm_title": "ai이미지생성워크플로우", "fm_id": "wiki-2026-0507-009", "fm_aliases": [ "wiki-2026-0507-009", "AI Image Generation Workflow", "이미지 생성 워크플로우", "AI 이미지 파이프라인", "DALL-E 3", "Midjourney", "Stable Diffusion" ], "fm_tags": [ "AI", "Image Generation", "Workflow", "Midjourney", "Stable Diffusion", "DALL-E 3" ], "fm_status": "verified", "fm_trust": "B", "fm_last_reinforced": "2026-05-07", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 2790, "body_first_para_hash": "cab975602313", "body_fingerprint": "ai 이미지 생성은 단판 승부가 아닌, '초기 시안 탐색 반복적 정교화 부분 수정 및 확장'으로 이어지는 점진적이고 계층적인 워크플로우의 결과물이다. 모델마다 다른 언어적 이해도와 기술적 매개변수를 정확히 활용하는 것이 프로페셔널 생성의 핵심이다. 추출된 패턴: 생성의 80%는 핵심 피사체와 구도를 잡는 초기 프롬프트에서 결정되며, 나머지 20%의 완성도는 부정 프롬프트 제어와 인페인팅/아웃페인팅 기술을 통한 미세 조정에서 완성된다. dall e 3는 자연어 설명 중심, midjourney/sd는 기술적 매개변수 중심의 전략을 취한다. 세부 내용: 모델별 특화 전략: dall e 3: gpt 4 기반의 고도화된 자연어 이해력을 활용. 프롬프트를 문장 형태로 상세히 기술할수록 의도가 정확히 반영됨. 의도가 왜곡될 경우 \"prompt exactly: [본래 프롬프트]\"를 사용하여 모델의 자동 확장을 억제. midjourney: ar (가로세로비), stylize (스타일 강도), chaos (다양성) 등 매개변수 중심의 제어. sref (style reference) 및 cref (character reference)를 통한 이미지 일관성 유지. stable d", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/AI_추론_및_맥락_인식_아키텍처.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\AI_추론_및_맥락_인식_아키텍처.md", "folder": "Topics", "filename": "AI_추론_및_맥락_인식_아키텍처", "norm_name": "ai추론및맥락인식아키텍처", "title": "Redirect", "norm_title": "redirect", "fm_id": "wiki-2026-0508-ai-추론-및-맥락-인식-아키텍처", "fm_aliases": [], "fm_tags": [ "uncategorized" ], "fm_status": "verified", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 1372, "body_first_para_hash": "825d539b8fe2", "body_fingerprint": " redirect to: \"생성형 ai 및 llm 엔지니어링 표준\" canonical id: \"wiki 2026 0507 106\" 이 문서는 canonical 문서인 통합되었습니다. 모든 최신 지식과 세부 내용은 위 링크를 참조하십시오. 맥락 인식 아키텍처는 정적 가중치 외에 외부 메모리·검색·도구를 시점마다 동적으로 결합해, 모델 내부 지식의 한계를 시스템 수준에서 보완하는 패턴이다. 추출된 패턴: \"파라미터에 모든 걸 외우게 하지 말고, 필요할 때 가져오게 하라\" — rag·툴 호출·에이전트 루프가 이 원칙의 구체화. 세부 내용: rag : 벡터 검색 + 생성. 최신성·도메인 특화 강함. 툴 사용(function calling) : 계산·코드 실행·api 호출. 메모리 : 단기(컨텍스트), 장기(벡터 db), 에피소드 기억. 에이전트 루프 : 관찰 사고 행동(react) 사이클. 트레이드오프 : 지연시간·비용·실패 모드 다양화. 언제 이 지식을 쓰는가: (todo) 언제 쓰면 안 되는가: (todo) 정보 상태: draft 출처 신뢰도: a 검토 이유: (p reinforce phase 1 자동 정규화. 본문 검증 필요.) 기존 유사 문서: (todo:", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/Alliance (동맹).md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\Alliance (동맹).md", "folder": "Topics", "filename": "Alliance (동맹)", "norm_name": "alliance동맹", "title": "Alliance (동맹)", "norm_title": "alliance동맹", "fm_id": "wiki-20260508-alliance--redir", "fm_aliases": [], "fm_tags": [ "redirect" ], "fm_status": "merged", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": "Alliance_(동맹)", "fm_canonical_id": "Alliance_(동맹)", "body_chars": 144, "body_first_para_hash": "433723c1c491", "body_fingerprint": "[!important] 이 문서는 p reinforce phase 2 자동 merge에 의해 alliance (동맹) 로 통합되었습니다. redirected to: alliance (동맹)", "is_stub": true, "is_huge": false, "is_redirect": true, "is_operational": false }, { "path": "10_Wiki/Topics/Amygdala Hyperactivity.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\Amygdala Hyperactivity.md", "folder": "Topics", "filename": "Amygdala Hyperactivity", "norm_name": "amygdalahyperactivity", "title": "Amygdala Hyperactivity", "norm_title": "amygdalahyperactivity", "fm_id": "wiki-2026-0508-amygdala-hyperactivity", "fm_aliases": [ "P-REINFORCE-CE31D3" ], "fm_tags": [ "uncategorized" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-04-20", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 908, "body_first_para_hash": "f77142bfb3ce", "body_fingerprint": "핵심 요약 작업 진행 중 본문 상세 구성 진행 중 과거 데이터와의 충돌: 지식 자산화 및 기존 네트워크 연동 단계. 정책 변화: psychology & behavior 카테고리의 전문성 확보 및 링크 밀도 최적화. raw source: 00 raw/2026 04 20/amygdala hyperactivity.md 언제 이 지식을 쓰는가: (todo) 언제 쓰면 안 되는가: (todo) 정보 상태: needs review 출처 신뢰도: a 검토 이유: (p reinforce phase 1 자동 정규화. 본문 검증 필요.) 기존 유사 문서: (todo: 인덱서 클러스터 리포트 참조) 처리 방식: update (자동 정규화) 처리 이유: phase 1 정규화 — 옛 템플릿/누락 필드 보강. | 날짜 | 변경 내용 | 처리 방식 | 신뢰도 | | | | | | | 2026 05 08 | p reinforce phase 1 정규화 (frontmatter + 헤더 표준화) | update | a |", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/Autism-Spectrum-Disorder.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\Autism-Spectrum-Disorder.md", "folder": "Topics", "filename": "Autism-Spectrum-Disorder", "norm_name": "autismspectrumdisorder", "title": "Autism-Spectrum-Disorder", "norm_title": "autismspectrumdisorder", "fm_id": "wiki-2026-0508-autism-spectrum-disorder", "fm_aliases": [ "PREI-AUTO-ASD-001" ], "fm_tags": [ "auto-reinforced", "Autism-Spectrum-Disorder", "neuro-divergence", "context-blindness", "weak-central-coherence", "cognitive-profile" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-05-05", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 2063, "body_first_para_hash": "c2618afde170", "body_fingerprint": "\"전체적인 맥락의 숲을 보는 대신 개별 나무의 잎맥에 고도로 집중하는, 인지적 초점의 특이점이 만들어낸 신경다양성의 세계.\" 자폐 스펙트럼 장애(asd)는 사회적 상호작용의 어려움과 제한적이고 반복적인 행동 패턴을 특징으로 하는 신경 발달 조건입니다. 1. 약한 중앙 응집 (weak central coherence) : 정보의 파편들을 하나의 통합된 맥락으로 묶는 능력이 표준 범주와 다름. 전체 맥락보다는 국소적인 세부 사항(local details)을 처리하는 데 탁월한 강점을 보이나, 이로 인해 '맥락 맹(context blindness)' 현상이 발생하기도 함. 2. 맥락 맹 (context blindness) : 피터 베르뮬렌(peter vermeulen)이 제시한 개념으로, 과거의 경험이나 주변 상황을 참조하여 현재의 자극에 유연하게 의미를 부여하는 능력이 저하된 상태. 비유, 반어법, 풍자 등 pragmatics 맥락이 중요한 대화에서 어려움을 겪을 수 있음. 3. 카이텍스티아 (caetextia) : 여러 변수에 동시에 주의를 기울이거나 맥락에 따라 주의를 유연하게 전환하지 못하는 결함. 고정된 규칙에 집착하거나 예기치 못한 변화에 높은 불안을 ", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/CFG_스케일_제어.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\CFG_스케일_제어.md", "folder": "Topics", "filename": "CFG_스케일_제어", "norm_name": "cfg스케일제어", "title": "Redirect", "norm_title": "redirect", "fm_id": "wiki-2026-0508-cfg-스케일-제어", "fm_aliases": [], "fm_tags": [ "uncategorized" ], "fm_status": "verified", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 1447, "body_first_para_hash": "d20dbf1214aa", "body_fingerprint": " redirect to: \"생성형 ai 및 llm 엔지니어링 표준\" canonical id: \"wiki 2026 0507 106\" 이 문서는 canonical 문서인 통합되었습니다. 모든 최신 지식과 세부 내용은 위 링크를 참조하십시오. classifier free guidance(cfg) 스케일은 디퓨전 모델에서 조건부 생성과 무조건부 생성의 차이를 증폭하는 하이퍼파라미터로, 프롬프트 충실도와 다양성·자연스러움의 트레이드오프를 결정한다. 추출된 패턴: cfg = 조건부 + s × (조건부 무조건부). s 값이 클수록 프롬프트에 충실하지만 색상 포화·아티팩트가 늘어남. 세부 내용: 공식 : ε̂ = ε(x, ∅) + s · (ε(x, c) ε(x, ∅)). 권장 범위 : sd 1.5/sdxl은 7~8, flux는 3~4가 표준. dynamic thresholding : 고스케일에서 색 포화 방지. guidance distillation : cfg 효과를 단일 forward로 압축(lumina, hunyuan dit). 음수 가이던스 : 부정 프롬프트 강조. 언제 이 지식을 쓰는가: (todo) 언제 쓰면 안 되는가: (todo) 정보 상태: draft 출처", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/Chrome DevTools 및 메모리 프로파일링.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\Chrome DevTools 및 메모리 프로파일링.md", "folder": "Topics", "filename": "Chrome DevTools 및 메모리 프로파일링", "norm_name": "chromedevtools및메모리프로파일링", "title": "Chrome DevTools 및 메모리 프로파일링", "norm_title": "chromedevtools및메모리프로파일링", "fm_id": "wiki-2026-0508-chrome-devtools-및-메모리-프로파일링", "fm_aliases": [ "P-Reinforce-REDIRECT-CHROME-DEVTOOLS-KOR" ], "fm_tags": [ "redirect" ], "fm_status": "merged", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": "Nodejs_and_Backend_Optimization", "fm_canonical_id": "Nodejs_and_Backend_Optimization", "body_chars": 227, "body_first_para_hash": "47407985af5d", "body_fingerprint": "[!important] 이 문서는 고밀도 지식 자산 통합 정책에 따라 nodejs and backend optimization 으로 통합되었습니다. 모든 최신 지식과 상세 분석 내용은 통합 문서를 참조하시기 바랍니다. redirected to: nodejs and backend optimization", "is_stub": false, "is_huge": false, "is_redirect": true, "is_operational": false }, { "path": "10_Wiki/Topics/CIPOMDPs.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\CIPOMDPs.md", "folder": "Topics", "filename": "CIPOMDPs", "norm_name": "cipomdps", "title": "CIPOMDPs", "norm_title": "cipomdps", "fm_id": "wiki-2026-0508-cipomdps", "fm_aliases": [ "PREI-AUTO-CIPOMDP-001" ], "fm_tags": [ "auto-reinforced", "CIPOMDPs", "decision-theory", "intentionality", "multi-agent-systems", "conversational-AI" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-05-05", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 1870, "body_first_para_hash": "1e8ce70a13af", "body_fingerprint": "\"상대방이 무슨 생각을 하는지 모르는 불확실성 속에서도, 대화의 맥락과 의도를 확률적으로 추론하여 최적의 답변을 찾아내는 전략적 소통의 수학적 프레임워크.\" cipomdps는 부분적으로 관찰 가능한 환경에서 여러 행위자(agent)가 상호작용하는 모델인 pomdp를 대화 상황에 특화하여 확장한 것입니다. 1. 의도 추론과 재귀적 모델링 : 화자는 청자의 지식 상태와 의도를 추론하고, 청자 역시 화자의 의도를 해석함. 이 '나는 네가 ...라고 생각할 것이라고 생각한다'는 식의 재귀적 의도 파악 과정을 모델링함. 2. 불완전한 정보 하의 의사결정 : 상대방의 마음속을 직접 볼 수 없으므로(partial observation), 과거의 대화 이력과 맥락을 바탕으로 상대방의 믿음 상태(belief state)를 확률적으로 갱신하며 가장 적절한 화행(pragmatics)을 선택. 3. 대화의 목표 최적화 : 단순한 문장 생성을 넘어, 정보 전달 효율성 극대화, 관계 유지, 설득 등 대화의 궁극적 목표(reward)를 달성하기 위한 최적의 정책(policy)을 수립. 계산 복잡도의 폭발 (rl update) : 재귀적 의도 추론은 계산량이 기하급수적으로 늘어나는 '상", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/CI_CD_파이프라인_및_배포_자동화.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\CI_CD_파이프라인_및_배포_자동화.md", "folder": "Topics", "filename": "CI_CD_파이프라인_및_배포_자동화", "norm_name": "cicd파이프라인및배포자동화", "title": "CI_CD_파이프라인_및_배포_자동화", "norm_title": "cicd파이프라인및배포자동화", "fm_id": "wiki-2026-0507-034", "fm_aliases": [ "wiki-2026-0507-034", "CI/CD", "Continuous Integration", "Continuous Deployment", "DevOps", "Pipeline", "지속적 통합", "지속적 배포" ], "fm_tags": [ "DevOps", "CI/CD", "Automation", "Quality Gate", "Deployment", "SDLC" ], "fm_status": "verified", "fm_trust": "B", "fm_last_reinforced": "2026-05-07", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 2891, "body_first_para_hash": "2e3d354aa4a3", "body_fingerprint": "\"소프트웨어의 빌드, 테스트, 배포 전 과정을 자동화하여, 인간 리뷰어보다 먼저 결함을 찾아내는 '기계적 파수꾼'이자 배포의 신뢰성을 보장하는 핵심 인프라.\" 추출된 패턴: 코드 변경 사항이 발생하는 즉시 자동으로 빌드와 테스트를 수행(ci)하고, 검증된 코드를 실제 환경에 안전하게 배포(cd)하는 자동화된 품질 게이트(quality gate)를 구축하여 개발 사이클을 단축한다. 세부 내용: 지속적 통합 (continuous integration ci): 자동 빌드 및 테스트: 모든 코드 푸시 시마다 유닛 테스트, 린팅, 정적 분석을 자동으로 실행. 조기 오류 발견: 통합 과정에서의 충돌을 방지하고 메인 브랜치의 무결성 유지. 지속적 배포 (continuous deployment cd): continuous delivery: 스테이징 환경까지 자동 배포하여 언제든 릴리스 가능한 상태 유지. continuous deployment: 프로덕션 환경까지 완전 자동 배포. 핵심 메커니즘: 품질 게이트 (quality gates): 테스트 통과 여부, 보안 취약점 점수, 코드 커버리지 등을 기준으로 병합(merge)을 자동 차단. 시프트 레프트 (shift left)", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/Cloud_Native.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\Cloud_Native.md", "folder": "Topics", "filename": "Cloud_Native", "norm_name": "cloudnative", "title": "클라우드 네이티브 컴퓨팅 및 아키텍처 (Cloud-Native)", "norm_title": "클라우드네이티브컴퓨팅및아키텍처cloudnative", "fm_id": "wiki-2026-0508-cloud-native", "fm_aliases": [ "cloud_native" ], "fm_tags": [ "- cloud-native - containerization - kubernetes - microservices - serverless - hybrid-cloud - infrastructure-as-code" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 2994, "body_first_para_hash": "a5a0e922aa1c", "body_fingerprint": "클라우드 네이티브(cloud native)는 클라우드 컴퓨팅 모델의 이점을 극대화하여 애플리케이션을 구축하고 실행하는 현대적인 설계 및 운영 접근 방식입니다 [1]. 컨테이너화, 마이크로서비스, 서버리스, 그리고 자동 확장(auto scaling) 능력을 핵심 동력으로 삼아 탄력적이고 관리가 용이한 시스템을 구축하는 것이 목표입니다. 특히 데이터 주권은 로컬(private)에서 지키고 연산의 확장성은 클라우드(public)에서 빌려 쓰는 하이브리드 전략을 통해 비즈니스 유연성을 확보합니다 [12]. 컨테이너화 (containerization) : 애플리케이션과 의존성을 독립된 단위로 패키징하여 환경 일관성을 보장합니다. docker 및 kubernetes 오케스트레이션을 통해 대규모 배포를 관리합니다 [1, 3]. 마이크로서비스 (microservices) : 애플리케이션을 작고 독립적인 서비스 단위로 분해하여 독립적 배포와 확장이 가능하게 합니다 [5]. 서버리스 (serverless) : 서버 관리 없이 코드만 배포하며, 사용량에 따라 자원이 자동 할당되는 모델입니다 [2]. 상태 비저장 설계 (stateless) : 로컬 세션 데이터를 저장하지 않아 수", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/Cloud_Native_and_Microservices.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\Cloud_Native_and_Microservices.md", "folder": "Topics", "filename": "Cloud_Native_and_Microservices", "norm_name": "cloudnativeandmicroservices", "title": "클라우드 네이티브 및 마이크로서비스 (Cloud-Native and Microservices)", "norm_title": "클라우드네이티브및마이크로서비스cloudnativeandmicroservices", "fm_id": "wiki-2026-0508-cloud-native-and-microservices", "fm_aliases": [ "cloud_native_and_microservices" ], "fm_tags": [ "- cloud-native - microservices - modular-monolith - event-sourcing - distributed-systems" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 2733, "body_first_para_hash": "81de4d67f1a1", "body_fingerprint": "\"복잡성을 분산하고 복원력을 확보하라.\" 클라우드 네이티브 아키텍처는 마이크로서비스, 컨테이너, 데브옵스를 결합하여 비즈니스 변화에 민첩하게 대응하고 대규모 트래픽을 견디는 시스템을 구축하는 현대적 엔지니어링 패러다임입니다. monolithic : 단일 배포 단위. 초기 개발은 빠르나 확장성과 유지보수성이 낮음. modular monolith : 단일 배포 단위 내에서 도메인 경계를 엄격히 분리. msa의 복잡성 없이 모듈성을 확보하며, 향후 서비스 분리(extraction)의 토대를 마련함. microservices (msa) : 비즈니스 기능을 독립적인 서비스 단위로 분리. 각 서비스는 독자적인 db와 기술 스택을 가질 수 있으며, 네트워크를 통해 통신함. resilience (복원력) : 서비스 장애가 전체 시스템으로 확산되지 않도록 격리. scalability (확장성) : 수평적 확장(scale out)을 통해 가용성 확보. observability (관측성) : 분산 추적(distributed tracing), 로깅, 메트릭을 통해 시스템 상태를 실시간 파악. event sourcing : 상태 변경을 불변의 이벤트 로그로 기록. 완벽한 감사 추적", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/CNN.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\CNN.md", "folder": "Topics", "filename": "CNN", "norm_name": "cnn", "title": "Redirect", "norm_title": "redirect", "fm_id": "wiki-2026-0508-cnn", "fm_aliases": [], "fm_tags": [ "uncategorized" ], "fm_status": "verified", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 1502, "body_first_para_hash": "7e05f5729a17", "body_fingerprint": " redirect to: \"데이터 사이언스 및 ml 엔지니어링\" canonical id: \"wiki 2026 0507 029\" 이 문서는 canonical 문서인 통합되었습니다. 모든 최신 지식과 세부 내용은 위 링크를 참조하십시오. 합성곱 신경망(cnn)은 학습 가능한 커널의 슬라이딩으로 공간적 지역성과 가중치 공유를 동시에 잡아, 이미지 같은 격자 데이터에서 표현 학습의 표준이 된 아키텍처다. 추출된 패턴: 컨볼루션 비선형 풀링의 반복으로 receptive field를 점진 확장 → 저수준 엣지에서 고수준 객체로 추상화가 자연스럽게 형성됨. 세부 내용: 핵심 연산 : conv(공간 가중합) + activation(relu 등) + pool(다운샘플) + batchnorm. 대표 아키텍처 : lenet→alexnet→vgg→googlenet→resnet→densenet→efficientnet→convnext. residual connection : 깊은 네트워크에서 그래디언트 소실을 우회하며 100층+ 학습을 가능케 함. 한계 : 글로벌 컨텍스트 부족 → vit/hybrid 등으로 보완. 응용 : 비전 외에도 음성·시계열·게놈 등 1d/3d 합성곱으로 확", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/Computer_Vision.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\Computer_Vision.md", "folder": "Topics", "filename": "Computer_Vision", "norm_name": "computervision", "title": "Redirect", "norm_title": "redirect", "fm_id": "wiki-2026-0508-computer-vision", "fm_aliases": [], "fm_tags": [ "uncategorized" ], "fm_status": "verified", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 1560, "body_first_para_hash": "8d73e28bf5f2", "body_fingerprint": " redirect to: \"데이터 사이언스 및 ml 엔지니어링\" canonical id: \"wiki 2026 0507 029\" 이 문서는 canonical 문서인 통합되었습니다. 모든 최신 지식과 세부 내용은 위 링크를 참조하십시오. 컴퓨터 비전은 픽셀 입력을 의미 있는 객체·관계·맥락으로 변환하는 영역으로, cnn→transformer 기반 모델 발전과 함께 분류·검출·세그멘테이션·생성의 4대 축으로 분화되어 왔다. 추출된 패턴: 합성곱(cnn)이 공간적 지역성을, vit가 글로벌 어텐션을 잡으면서 도메인별로 둘을 섞은 하이브리드(swin, convnext)가 표준이 됨. 세부 내용: 분류(classification) : 이미지 → 단일 라벨. imagenet 벤치마크가 생태계를 견인. 검출(detection) : 객체 박스 + 라벨. 2 stage(r cnn 계열) vs 1 stage(yolo/ssd/detr)의 트레이드오프. 세그멘테이션(segmentation) : 픽셀 단위 라벨. semantic / instance / panoptic 3단계. 생성(generation) : gan→diffusion으로 패러다임 이동. sd/dall·e/imagen ", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/Conversational-Maxims.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\Conversational-Maxims.md", "folder": "Topics", "filename": "Conversational-Maxims", "norm_name": "conversationalmaxims", "title": "Conversational-Maxims", "norm_title": "conversationalmaxims", "fm_id": "wiki-2026-0508-conversational-maxims", "fm_aliases": [ "PREI-AUTO-CONV-MAX-001" ], "fm_tags": [ "auto-reinforced", "Conversational-Maxims", "Grice", "pragmatics", "communication-theory", "AI-conversational-design" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-05-05", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 1893, "body_first_para_hash": "f81b2daa2cc1", "body_fingerprint": "\"말하지 않아도 알아듣는 '대화적 함축'의 연금술: 화자와 청자가 서로 협력하고 있다는 믿음 위에 세워진 효율적 소통의 4대 규범.\" 폴 그라이스(paul grice)는 성공적인 대화가 '협력 원칙(cooperative principle)' 하에 이루어진다고 보며, 이를 위한 4가지 세부 격률을 제안했습니다. 1. 4대 대화 격률 : 양의 격률(quantity) : 필요한 만큼의 정보만 제공할 것 (너무 적거나 많지 않게). 질의 격률(quality) : 진실이라고 믿는 것만 말할 것 (거짓이나 근거 없는 말 금지). 관계의 격률(relation) : 대화의 주제와 관련 있는 것만 말할 것 (관련성 유지). 방식의 격률(manner) : 명료하고 간결하며 중의적이지 않게 말할 것. 2. 대화적 함축(conversational implicature) : 화자가 의도적으로 격률을 위반(flouting)하더라도, 청자는 화자가 협력하고 있다고 가정하여 그 너머의 진짜 의도를 추론해냄 (예: \"기름이 떨어졌다\" \"근처에 주유소가 있다\"). 3. 에이전트 설계에의 응용 : 에이전트가 사용자의 간접적인 요청이나 풍자를 이해하기 위해서는 이 격률 기반의 추론 메커니즘이 ", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/CSS_Architecture_and_Styling.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\CSS_Architecture_and_Styling.md", "folder": "Topics", "filename": "CSS_Architecture_and_Styling", "norm_name": "cssarchitectureandstyling", "title": "CSS 아키텍처 및 스타일링 (CSS Architecture and Styling)", "norm_title": "css아키텍처및스타일링cssarchitectureandstyling", "fm_id": "wiki-2026-0508-css-architecture-and-styling", "fm_aliases": [ "css_architecture_and_styling" ], "fm_tags": [ "- css-architecture - tailwind-css - css-modules - bem - design-tokens - performance" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 2873, "body_first_para_hash": "6bee8cb235e6", "body_fingerprint": "\"시각적 표현을 넘어, 대규모 시스템의 확장성과 유지보수성을 보장하는 엔지니어링 골격을 구축하라.\" css 아키텍처는 전역 네임스페이스 충돌을 방지하고 스타일의 예측 가능성을 확보하는 핵심 시스템입니다. bem (block element modifier) : 명명 규칙을 통해 캡슐화를 모의하는 전통적 방식. block element modifier 구조로 계층을 명시합니다. css modules : 빌드 시 고유한 해시 클래스명을 생성하여 자동으로 로컬 스코프를 보장합니다. utility first (tailwind css) : 단일 목적의 유틸리티 클래스를 조합하여 ui를 구성합니다. jit 컴파일을 통해 번들 크기를 최적화하며, 일관된 디자인 시스템 적용에 유리합니다. css in js : javascript 내부에 스타일을 작성하여 로직과 스타일을 응집시키나, 런타임 오버헤드와 rsc(react server components) 호환성 문제를 고려해야 합니다. css variables (custom properties) : 런타임에 동적으로 변경 가능한 디자인 토큰 관리의 핵심. container queries ( @container ) : 뷰포트가 아", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/Data Privacy & Local Processing.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\Data Privacy & Local Processing.md", "folder": "Topics", "filename": "Data Privacy & Local Processing", "norm_name": "dataprivacylocalprocessing", "title": "Data Privacy & Local Processing", "norm_title": "dataprivacylocalprocessing", "fm_id": "wiki-2026-0508-data-privacy-local-processing", "fm_aliases": [ "mission_40e87d6b7bb9" ], "fm_tags": [ "automated", "datacollector", "brain_sync" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 2064, "body_first_para_hash": "62adbff2b1cd", "body_fingerprint": "데이터 프라이버시와 로컬 프로세싱(엣지 컴퓨팅)은 클라우드가 아닌 기기 자체에서 ai 및 데이터 분석을 직접 실행하여 개인정보 보호를 강화하는 기술적 접근 방식입니다 [1]. 특히 민감한 건강 및 생리 주기 추적 데이터를 외부 서버로 전송하지 않고 로컬에서 처리함으로써 사용자의 신뢰를 얻고 프라이버시 우려를 해소하는 데 중요한 역할을 합니다 [2, 3]. 엣지 컴퓨팅으로의 전환: 웨어러블 기기와 ai 기술 시장에서는 클라우드 기반 데이터 처리에서 기기 내에서 직접 실행되는 엣지 컴퓨팅(on device ai)으로의 전환이 일어나고 있습니다. 이를 통해 지연 시간을 줄이고, 프라이버시를 향상시키며, 에너지 소비를 최소화하면서 실시간 분석을 수행할 수 있습니다 [1]. 민감한 건강 데이터의 로컬 처리: 여성 건강 기술(femtech) 분야 등에서는 데이터 프라이버시가 핵심 경쟁력으로 작용하고 있습니다. 특히 디지털 생리 추적 등에 대한 여성들의 정당한 프라이버시 우려가 커지면서, 데이터를 클라우드가 아닌 로컬에서 처리하는 기기(예: oura)들이 순수 클라우드 기반 솔루션보다 더 큰 시장 이점을 확보하고 있습니다 [3]. 보안 규정 준수 및 데이터 제어: 건강 ", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/Data Twins.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\Data Twins.md", "folder": "Topics", "filename": "Data Twins", "norm_name": "datatwins", "title": "Data Twins", "norm_title": "datatwins", "fm_id": "wiki-2026-0508-data-twins", "fm_aliases": [ "mission_9b200cb8fa64" ], "fm_tags": [ "automated", "datacollector", "brain_sync" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 1598, "body_first_para_hash": "d2c53435ad65", "body_fingerprint": "데이터 트윈(data twins)은 시간이 지남에 따라 업데이트되는 개별 환자의 동적인 데이터 연결 전산 표현(computational representations)을 의미합니다 [1]. 이는 의료 ai 분야에서 새롭게 부상하고 있는 성장 영역으로, 질병 예측, 시뮬레이션 및 치료 최적화를 지원합니다 [1]. 관련 연구가 활발히 진행 중이며, 엄격한 임상 시험이 이루어진 곳에서는 유망한 초기 성과를 보여주고 있습니다 [1]. 정의 및 특성 : 데이터 트윈은 개별 환자의 상태를 동적이고 데이터가 연결된 전산 모델로 구현한 것으로, 시간이 지남에 따라 환자의 상태 변화를 반영하여 지속적으로 업데이트됩니다 [1]. 의료적 활용 및 목적 : 이 기술은 의료 인공지능(ai)의 주요 성장 분야 중 하나로, 주로 환자의 향후 상태 예측(forecasting), 시뮬레이션(simulation), 그리고 치료 방법의 최적화(treatment optimization)를 지원하는 데 사용됩니다 [1]. 연구 및 발전 동향 : 데이터 트윈에 대한 학술적 관심은 최근 폭발적으로 증가했습니다. 관련 출판물 수는 2015년 거의 0건에 불과했으나, 2025년에는 372건으로 급증했습니", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/Data-Schema.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\Data-Schema.md", "folder": "Topics", "filename": "Data-Schema", "norm_name": "dataschema", "title": "Schema", "norm_title": "schema", "fm_id": "wiki-2026-0508-data-schema", "fm_aliases": [ "P-Reinforce-AUTO-SCHE-001" ], "fm_tags": [ "auto-reinforced", "schema", "data-structure", "organization", "blueprint", "database-design" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-04-20", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 2097, "body_first_para_hash": "4cf1996cee99", "body_fingerprint": "\"데이터의 골격: 수만 개의 정보가 중구난방으로 쌓이지 않도록, 각각의 이름과 형식을 미리 정의해 둔 설계도이자, 시스템이 '이 데이터가 여기에 들어갈 자리가 맞는지'를 즉각 판별하게 돕는 질서의 틀.\" 스키마(schema)는 자료의 구조, 자료의 표현 방법, 자료 간의 관계를 형식 언어로 정의한 것입니다. 1. 3대 유형 : conceptual schema : 사용자 관점에서의 전체적인 데이터 구조 (개념적 설계). logical schema : dbms가 이해할 수 있는 구체적인 테이블과 관계 정의. (relational database와 연결) physical schema : 실제 저장 장치에 데이터가 어떻게 박힐지 결정. 2. 왜 중요한가? : 스키마가 없는 지식 시스템은 결국 쓰레기통(data swamp)이 되기 때문이며, 데이터의 무결성(integrity)과 검색 효율성을 보장하는 유일한 방법임. (scalability의 전제 조건) 과거 데이터와의 충돌 : 과거에는 한 번 정하면 바꾸기 힘든 '경직된 정책(hard schema)'이었으나, 현대 정책은 지식의 변화에 따라 구조를 유연하게 확장하는 '스키마리스(nosql) 정책'이나 '동적 스키마 ", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/Edge Computing.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\Edge Computing.md", "folder": "Topics", "filename": "Edge Computing", "norm_name": "edgecomputing", "title": "Edge Computing", "norm_title": "edgecomputing", "fm_id": "wiki-2026-0508-edge-computing", "fm_aliases": [ "P-Reinforce-AI-043" ], "fm_tags": [ "edge", "computing", "iot", "distributed" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-06-XX", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 4475, "body_first_para_hash": "8b8ab047a0cd", "body_fingerprint": "에지 컴퓨팅(edge computing)은 클라우드 기반 처리에서 벗어나 디바이스 자체에서 직접 ai 및 실시간 데이터 분석을 실행하는 기술입니다 [1]. 이를 통해 지연 시간(latency)을 줄이고 개인정보 보호를 강화하며 에너지 소비를 최소화할 수 있습니다 [1]. 특히 웨어러블 기기 분야에서는 단순한 데이터 수집을 넘어, 사용자에게 즉각적이고 사전 예방적인 건강 조언(proactive suggestion)을 제공하는 핵심 기반으로 작용하고 있습니다 [1, 2]. 클라우드에서 디바이스로의 전환: 웨어러블 ai 시장은 iot, 무선 연결, ai 구동 분석의 발전과 함께 클라우드 기반 처리에서 기기에서 직접 ai가 구동되는 에지 컴퓨팅(edge computing)으로 전환되고 있습니다 [1]. 실시간 분석 및 사전 감지: 에지 컴퓨팅이 적용된 디바이스는 비정상적인 심장 박동을 즉시 경고하거나, 저혈당 에피소드가 발생하기 전에 이를 미리 예측할 수 있습니다 [1]. 또한, 스트레스를 감지하여 그 순간에 필요한 즉각적인 개입(intervention)을 제안하는 등 실시간 분석을 가능하게 합니다 [1]. 데이터 노이즈 필터링 및 개인화: 웨어러블에서 실행되는 기", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/Encoder-Decoder-Inconsistency.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\Encoder-Decoder-Inconsistency.md", "folder": "Topics", "filename": "Encoder-Decoder-Inconsistency", "norm_name": "encoderdecoderinconsistency", "title": "Encoder-Decoder-Inconsistency", "norm_title": "encoderdecoderinconsistency", "fm_id": "wiki-2026-0508-encoder-decoder-inconsistency", "fm_aliases": [ "PREI-AUTO-ENC-DEC-INC-001" ], "fm_tags": [ "auto-reinforced", "Encoder-Decoder-Inconsistency", "RAG", "alignment", "semantic-gap", "inference-quality" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-05-05", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 2121, "body_first_para_hash": "9881a7a4b39b", "body_fingerprint": "\"찾아온 사람(인코더)과 대답하는 사람(디코더)이 서로 다른 언어와 가치관을 가졌을 때 발생하는 인지적 불협화음: rag 성능 저하의 숨은 주범.\" 인코더 디코더 불일치는 텍스트를 벡터로 변환하여 검색하는 모델(인코더)과 텍스트를 생성하는 모델(디코더)이 동일한 정보를 서로 다르게 해석할 때 발생합니다. 1. 발생 원인 : 두 모델이 서로 다른 데이터셋으로 훈련되었거나, 학습 목표(검색 vs 생성)가 상이하여 텍스트의 중요도를 판단하는 기준이 다르기 때문. 특히 검색 기반의 rag 아키텍처에서 두 독립적인 모델을 결합할 때 흔히 발생. 2. 부작용 : 인코더가 '중요하다'고 판단하여 가져온 문서가 디코더의 입장에서는 '무의미'하거나 '방해'되는 정보일 수 있으며, 이로 인해 답변의 정확도가 하락함. 3. 해결 전략 (alignment) : e2llm 방식 : 어댑터를 통해 인코더의 출력을 디코더의 입력 공간과 물리적으로 정렬. 상호 훈련 : 인코더와 디코더를 공동 학습시켜 동일한 의미론적 해상도를 갖도록 조율. 독립성의 트레이드오프 (rl update) : 모델을 분리해서 쓰면 구축이 빠르고 유연하지만(plug and play), 불일치로 인한 오류 전파를 ", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/Engineering_Principles.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\Engineering_Principles.md", "folder": "Topics", "filename": "Engineering_Principles", "norm_name": "engineeringprinciples", "title": "Redirect", "norm_title": "redirect", "fm_id": "wiki-2026-0508-engineering-principles", "fm_aliases": [], "fm_tags": [ "uncategorized" ], "fm_status": "merged", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": "소프트웨어_설계_원칙_및_디자인_패턴", "fm_canonical_id": "wiki-2026-0507-102", "body_chars": 98, "body_first_para_hash": "bbbfef15a8ca", "body_fingerprint": "이 문서는 canonical 문서인 소프트웨어 설계 원칙 및 디자인 패턴으로 통합되었습니다. 모든 최신 지식과 세부 내용은 위 링크를 참조하십시오.", "is_stub": true, "is_huge": false, "is_redirect": true, "is_operational": false }, { "path": "10_Wiki/Topics/Executive-Dysfunction.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\Executive-Dysfunction.md", "folder": "Topics", "filename": "Executive-Dysfunction", "norm_name": "executivedysfunction", "title": "Executive-Dysfunction", "norm_title": "executivedysfunction", "fm_id": "wiki-2026-0508-executive-dysfunction", "fm_aliases": [ "PREI-AUTO-EXEC-DYS-001" ], "fm_tags": [ "auto-reinforced", "Executive-Dysfunction", "Prefrontal-Cortex", "cognitive-control", "ADHD", "goal-setting" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-05-05", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 1880, "body_first_para_hash": "72f8eadcbdff", "body_fingerprint": "\"목적지는 알지만 시동을 걸지 못하거나 핸들을 꺾지 못하는, 인지 본부의 '지휘 및 통제' 체계가 마비된 상태.\" 집행 기능 장애는 뇌의 prefrontal cortex이 담당하는 고차원적 통제 능력이 저하되어 일상적인 계획 수립과 작업 실행에 어려움을 겪는 현상입니다. 1. 3대 핵심 기능의 저하 : 작업 기억(working memory) : 정보를 일시적으로 유지하고 조작하는 능력이 부족하여 복잡한 지시를 잊거나 놓침. 억제 제어(inhibitory control) : 충동을 조절하거나 부적절한 반응을 억제하지 못함. 인지적 유연성(cognitive flexibility) : 상황 변화에 맞춰 생각이나 행동을 바꾸는 데 어려움을 겪음. 2. 실행의 병목 : 할 일을 알고 있음에도 시작하지 못하는 '실행 마비', 우선순위를 정하지 못하는 결정 장애, 시간 감각의 상실(time blindness) 등이 나타남. 3. 관련 상태 : adhd, 자폐 스펙트럼 장애, 우울증 등 다양한 신경학적/정신적 조건에서 공통적으로 관찰됨. 의지력의 모순 (rl update) : 과거에는 이를 '게으름'이나 '의지 부족'으로 치부했으나, 현대 뇌과학은 이를 전두엽의 도파민 회", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/Fact_Based_Meeting_Minutes_Prompt.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\Fact_Based_Meeting_Minutes_Prompt.md", "folder": "Topics", "filename": "Fact_Based_Meeting_Minutes_Prompt", "norm_name": "factbasedmeetingminutesprompt", "title": "사실 기반 회의록 작성 프롬프트]] (Fact-Based Meeting Minutes Prompt)", "norm_title": "사실기반회의록작성프롬프트factbasedmeetingminutesprompt", "fm_id": "wiki-2026-0508-fact-based-meeting-minutes-promp", "fm_aliases": [], "fm_tags": [ "uncategorized" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 3512, "body_first_para_hash": "6bc51936ff8a", "body_fingerprint": "본 문서는 사용자로부터 제공받은 회의 녹취록 및 기록(input data)을 분석하여, 외부 지식이나 주관적 추측을 철저히 배제하고 완벽하게 구조화된 '사실 기반 회의록'을 산출하기 위한 ai 프롬프트 엔진입니다. 발언자의 감정적 편향이나 id 표기에 휘둘리지 않고 오직 '발언된 사실과 합의된 내용'만을 추출하여 실행 가능한 결과물로 변환하는 것을 목표로 합니다. 아래는 회의록 작성을 위한 최종 사실 추출 엔진 프롬프트의 전문입니다. 사용자로부터 제공받은 원본 회의 녹취록/기록(input data)을 분석하여, 외부 지식이나 개인적 추측이 일절 배제된 , 완벽하게 구조화되고 객관적이며 실행 가능한 '사실 기반 회의록'을 산출하는 것. 당신은 최종 사실 추출 엔진(ultimate fact extraction engine) 이다. 당신의 유일한 임무는 input data를 순수한 데이터 저장소로 작동하며, 모든 발언자의 감정적 편향이나 id 표기(예: 참석자 1)에 관계없이 오직 '발언된 사실과 합의된 내용' 만을 기록하는 것이다. 최우선 데이터 소스: 만약 사용자로부터 회의 녹취록 외에 별도로 제공된 '회의 메타데이터(날짜, 참석자 명단 등)'가 존재할 경우,", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/FDA Clearance (Medical Device Approval).md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\FDA Clearance (Medical Device Approval).md", "folder": "Topics", "filename": "FDA Clearance (Medical Device Approval)", "norm_name": "fdaclearancemedicaldeviceapproval", "title": "FDA Clearance (Medical Device Approval)", "norm_title": "fdaclearancemedicaldeviceapproval", "fm_id": "wiki-2026-0508-fda-clearance-medical-device-app", "fm_aliases": [ "mission_18a2a9e404cd" ], "fm_tags": [ "automated", "datacollector", "brain_sync" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 2456, "body_first_para_hash": "d013941c13b1", "body_fingerprint": "fda 승인(fda clearance)은 웨어러블 기술이 단순한 소비자용 건강 기기에서 임상 수준의 의료 기기로 도약하기 위해 거쳐야 하는 핵심 규제 절차입니다 [1, 2]. 웨어러블 기기가 임상적 정확성을 입증하여 이 승인을 획득하면 보험 환급(reimbursement) 및 의료 시스템 통합이 가능해져 기술 채택이 폭발적으로 증가하는 계기가 됩니다 [2, 3]. 최근 심전도(ecg)나 연속 혈당 측정(cgm), 피임 앱 등 다양한 소비자용 기기들이 fda 승인을 받으며 의료 기기와의 경계를 허물고 있습니다 [1, 4]. 소비자 기기의 의료 기기화 (웨어러블 2.0): 2025년을 기점으로 소비자용 웨어러블 기기들이 본격적인 규제 당국의 승인을 받기 시작했습니다 [1]. apple watch가 심전도(ecg) 및 심방세동 감지 기능으로 fda 승인을 받으며 선례를 만들었고, 이를 통해 다른 소비자 기술 기업들이 의료 기능을 추가하는 계기가 되었습니다 [5]. 주요 fda 승인 및 분류 사례: whoop은 ecg 기능에 대해 fda 510(k) 승인을 획득하여 순수 피트니스 기기에서 의료 영역으로 진입했습니다 [1]. dexcom의 g7 15 day cgm 시", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/Flak Tank.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\Flak Tank.md", "folder": "Topics", "filename": "Flak Tank", "norm_name": "flaktank", "title": "Flak Tank", "norm_title": "flaktank", "fm_id": "wiki-2026-0508-flak-tank", "fm_aliases": [], "fm_tags": [ "uncategorized" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 2176, "body_first_para_hash": "824c6f03a6f1", "body_fingerprint": "flak tank는 war commander의 전투 시스템에서 공중 유닛을 격추하기 위해 특화된 대공(anti air) 차량이다 [1, 2]. 지상 유닛을 공격하는 데는 적합하지 않지만, 적의 공중 부대와 드론을 상대로 강력한 저지력을 발휘한다 [2, 3]. 하지만 전술적 태세를 제대로 설정하지 않으면 적의 미끼(baiting) 전술에 속아 기지 방어 진형 밖으로 유인될 수 있는 치명적인 약점을 지니고 있다 [4, 5]. 대공(anti air) 특화 성능: flak tank는 개틀링 트럭(gatling truck)과 더불어 공중 유닛을 상대하는 데 탁월한 성능을 지닌 유닛이다 [1, 2]. 지상 병력을 공격하도록 설계되지 않았기 때문에 대지상 공격력은 거의 없으나, 적의 전투기 및 항공기를 완벽하게 견제할 수 있다 [2]. 특히 다수의 건물을 파괴하는 데 능한 강력한 중폭격기인 kondor를 상대로 특별히 높은 방어 효과를 발휘하는 카운터 유닛이다 [6, 7]. 기지 방어 및 드론 억제력: 기지 방어선 내에 flak tank가 다수 배치되어 단단히 구축되어 있으면, 공격자는 공중 유닛으로 접근하여 공격하는 것이 사실상 지옥과도 같아진다 [4, 8]. 이로 인", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/Functional_Programming.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\Functional_Programming.md", "folder": "Topics", "filename": "Functional_Programming", "norm_name": "functionalprogramming", "title": "Redirect", "norm_title": "redirect", "fm_id": "wiki-2026-0508-functional-programming", "fm_aliases": [], "fm_tags": [ "uncategorized" ], "fm_status": "merged", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": "소프트웨어_설계_원칙_및_디자인_패턴", "fm_canonical_id": "wiki-2026-0507-102", "body_chars": 98, "body_first_para_hash": "bbbfef15a8ca", "body_fingerprint": "이 문서는 canonical 문서인 소프트웨어 설계 원칙 및 디자인 패턴으로 통합되었습니다. 모든 최신 지식과 세부 내용은 위 링크를 참조하십시오.", "is_stub": true, "is_huge": false, "is_redirect": true, "is_operational": false }, { "path": "10_Wiki/Topics/G1nation_Build_Fix_Report.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\G1nation_Build_Fix_Report.md", "folder": "Topics", "filename": "G1nation_Build_Fix_Report", "norm_name": "g1nationbuildfixreport", "title": "Report] G1nation Extension Encoding & Engine Rebuilding", "norm_title": "reportg1nationextensionencodingenginerebuilding", "fm_id": "wiki-2026-0508-g1nation-build-fix-report", "fm_aliases": [], "fm_tags": [ "uncategorized" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 2744, "body_first_para_hash": "ab003a556209", "body_fingerprint": "date : 2026 04 24 author : pd kodari (ai) status : completed & packaged (v2.2.15) connectai에서 g1nation으로의 브랜딩 전환 이후 발생한 심각한 빌드 오류 및 런타임 불안정성을 해결하기 위한 긴급 수술을 집행함. 소스 코드 내 인코딩 오염과 코드 복제(duplication)로 인해 npm run compile 이 불가능한 상태였음. 인코딩 지뢰 (encoding corruption) : extension.ts 내 한글 주석 및 ui 문자열이 utf 8 형식을 벗어나 깨지면서 따옴표( ' ) 인식을 방해함 unterminated string literal 에러 발생. 좀비 코드 (ghost blocks) : 함수 외부에 버려진 실행 코드와 닫는 중괄호( } )들이 산재하여 문법 파괴. 엔진 중복 (engine duplication) : executeactions 함수가 두 군데 이상 중복 정의되어 로직 충돌 및 용량 비대화 초래. 문법 오용 : execsync 에 .catch() 를 사용하는 등 동기/비동기 혼선 발견. 총 20단계에 걸친 powershell 레이저 수술(line by", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/Global-Neuronal-Workspace.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\Global-Neuronal-Workspace.md", "folder": "Topics", "filename": "Global-Neuronal-Workspace", "norm_name": "globalneuronalworkspace", "title": "Global-Neuronal-Workspace", "norm_title": "globalneuronalworkspace", "fm_id": "wiki-2026-0508-global-neuronal-workspace", "fm_aliases": [ "PREI-AUTO-GNW-001" ], "fm_tags": [ "auto-reinforced", "Global-Neuronal-Workspace", "consciousness", "information-broadcast", "cognitive-architecture", "ignition" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-05-05", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 2189, "body_first_para_hash": "2ece8beddbf5", "body_fingerprint": "\"무대 뒤에서 속삭이는 수많은 무의식의 목소리 중 하나가 '주의'라는 조명을 받아 뇌 전체로 울려 퍼지는, 지능의 전역 방송국.\" 전역적 신경 워크스페이스(gnw)는 뇌의 분산된 모듈들이 어떻게 정보를 공유하고 통합하여 의식을 형성하는지를 설명하는 인지 과학 모델입니다. 1. 신경적 점화(ignition)와 방송(broadcast) : 무의식적 모듈들이 특정 정보를 처리하며 경쟁하다가, 주의(attention)를 통해 임계값을 넘으면 '점화'가 발생. 점화된 정보는 전두엽, 두정엽 등을 잇는 장거리 네트워크를 통해 뇌 전체로 '방송'되어 모든 모듈이 접근 가능한 상태가 됨. 2. 나비넥타이(bowtie) 아키텍처 : 수많은 감각 입력이 전두 두정 네트워크라는 좁은 '병목(bottleneck)'으로 수렴된 후, 다시 전역으로 확장되는 구조. 이 병목 구간이 정보를 라우팅하고 통합하는 핵심 엔진 역할을 수행. 3. 계산론적 시뮬레이션 : 최근에는 홉필드 네트워크(hopfield networks) 등을 활용하여 gnw의 동역학(측면 경쟁, 점화 임계값 등)을 수학적으로 모델링하려는 시도가 활발함. 용량의 한계 (rl update) : 전역 공유는 정보의 가용성을 ", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/Human_Computer_Interaction.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\Human_Computer_Interaction.md", "folder": "Topics", "filename": "Human_Computer_Interaction", "norm_name": "humancomputerinteraction", "title": "Redirect", "norm_title": "redirect", "fm_id": "wiki-2026-0508-human-computer-interaction", "fm_aliases": [], "fm_tags": [ "uncategorized" ], "fm_status": "merged", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": "프론트엔드_및_UIUX_표준", "fm_canonical_id": "wiki-2026-0508-041", "body_chars": 93, "body_first_para_hash": "53ca1254bdde", "body_fingerprint": "이 문서는 canonical 문서인 프론트엔드 및 uiux 표준으로 통합되었습니다. 모든 최신 지식과 세부 내용은 위 링크를 참조하십시오.", "is_stub": true, "is_huge": false, "is_redirect": true, "is_operational": false }, { "path": "10_Wiki/Topics/Index_13.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\Index_13.md", "folder": "Topics", "filename": "Index_13", "norm_name": "index13", "title": "Index: Topics > 02_Architecture_Principles", "norm_title": "indextopics02architectureprinciples", "fm_id": "wiki-2026-0508-index-13", "fm_aliases": [], "fm_tags": [ "uncategorized" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 1457, "body_first_para_hash": "9da5a697e1a9", "body_fingerprint": "api communication patterns component design patterns separation of concerns single source of truth systemic simulation principles (todo: 한 문장으로 핵심 통찰을 작성. \"x는 y 조건에서 z 효과를 낸다\" 구조 권장.) 추출된 패턴: (todo) 세부 내용: (todo) 언제 이 지식을 쓰는가: (todo) 언제 쓰면 안 되는가: (todo) 정보 상태: needs review 출처 신뢰도: a 검토 이유: (p reinforce phase 1 자동 정규화. 본문 검증 필요.) 기존 유사 문서: (todo: 인덱서 클러스터 리포트 참조) 처리 방식: update (자동 정규화) 처리 이유: phase 1 정규화 — 옛 템플릿/누락 필드 보강. 과거 데이터와의 충돌: 없음 정책 변화: 없음 parent: 10 wiki/topics related: (todo: 최소 2개) opposite / trade off: (todo) raw source: 직접 입력 | 날짜 | 변경 내용 | 처리 방식 | 신뢰도 | | | | | | | 2026 05 08 | p ", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/Index_1490.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\Index_1490.md", "folder": "Topics", "filename": "Index_1490", "norm_name": "index1490", "title": "Index: Topics > AI & Games", "norm_title": "indextopicsaigames", "fm_id": "wiki-2026-0508-index-1490", "fm_aliases": [], "fm_tags": [ "uncategorized" ], "fm_status": "draft", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 1189, "body_first_para_hash": "354d7ce37346", "body_fingerprint": "alphazero strategy 🤖 [ai 추론 보강 필요] — 본문이 200자 미만이라 p reinforce가 빈약 stub으로 분류했습니다. source trust level= c (ai 보강분), confidence score= 0.92 로 표시되어 있습니다. 사용자 검증 후 trust level 상향 조정 가능. (todo: 한 문장으로 핵심 통찰을 작성. \"x는 y 조건에서 z 효과를 낸다\" 구조 권장.) 추출된 패턴: (todo) 세부 내용: (todo) 언제 이 지식을 쓰는가: (todo) 언제 쓰면 안 되는가: (todo) 정보 상태: draft 출처 신뢰도: a 검토 이유: (p reinforce phase 1 자동 정규화. 본문 검증 필요.) 기존 유사 문서: (todo: 인덱서 클러스터 리포트 참조) 처리 방식: update (자동 정규화) 처리 이유: phase 1 정규화 — 옛 템플릿/누락 필드 보강. 과거 데이터와의 충돌: 없음 정책 변화: 없음 parent: 10 wiki/topics related: (todo: 최소 2개) opposite / trade off: (todo) raw source: 직접 입력 | 날짜 | 변경 내용", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/Index_1528.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\Index_1528.md", "folder": "Topics", "filename": "Index_1528", "norm_name": "index1528", "title": "Index: Topics > AI & ML MLOps", "norm_title": "indextopicsaimlmlops", "fm_id": "wiki-2026-0508-index-1528", "fm_aliases": [], "fm_tags": [ "uncategorized" ], "fm_status": "draft", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 1208, "body_first_para_hash": "bd06be212f74", "body_fingerprint": "concept drift (개념 드리프트, 모델 지식의 부패) 🤖 [ai 추론 보강 필요] — 본문이 200자 미만이라 p reinforce가 빈약 stub으로 분류했습니다. source trust level= c (ai 보강분), confidence score= 0.92 로 표시되어 있습니다. 사용자 검증 후 trust level 상향 조정 가능. (todo: 한 문장으로 핵심 통찰을 작성. \"x는 y 조건에서 z 효과를 낸다\" 구조 권장.) 추출된 패턴: (todo) 세부 내용: (todo) 언제 이 지식을 쓰는가: (todo) 언제 쓰면 안 되는가: (todo) 정보 상태: draft 출처 신뢰도: a 검토 이유: (p reinforce phase 1 자동 정규화. 본문 검증 필요.) 기존 유사 문서: (todo: 인덱서 클러스터 리포트 참조) 처리 방식: update (자동 정규화) 처리 이유: phase 1 정규화 — 옛 템플릿/누락 필드 보강. 과거 데이터와의 충돌: 없음 정책 변화: 없음 parent: 10 wiki/topics related: (todo: 최소 2개) opposite / trade off: (todo) raw source: 직접", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/Index_1530.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\Index_1530.md", "folder": "Topics", "filename": "Index_1530", "norm_name": "index1530", "title": "Index: Topics > AI & Narrative", "norm_title": "indextopicsainarrative", "fm_id": "wiki-2026-0508-index-1530", "fm_aliases": [], "fm_tags": [ "uncategorized" ], "fm_status": "draft", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 1202, "body_first_para_hash": "e49563c33438", "body_fingerprint": "ai driven narrative systems 🤖 [ai 추론 보강 필요] — 본문이 200자 미만이라 p reinforce가 빈약 stub으로 분류했습니다. source trust level= c (ai 보강분), confidence score= 0.92 로 표시되어 있습니다. 사용자 검증 후 trust level 상향 조정 가능. (todo: 한 문장으로 핵심 통찰을 작성. \"x는 y 조건에서 z 효과를 낸다\" 구조 권장.) 추출된 패턴: (todo) 세부 내용: (todo) 언제 이 지식을 쓰는가: (todo) 언제 쓰면 안 되는가: (todo) 정보 상태: draft 출처 신뢰도: a 검토 이유: (p reinforce phase 1 자동 정규화. 본문 검증 필요.) 기존 유사 문서: (todo: 인덱서 클러스터 리포트 참조) 처리 방식: update (자동 정규화) 처리 이유: phase 1 정규화 — 옛 템플릿/누락 필드 보강. 과거 데이터와의 충돌: 없음 정책 변화: 없음 parent: 10 wiki/topics related: (todo: 최소 2개) opposite / trade off: (todo) raw source: 직접 입력 | 날", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/Index_1532.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\Index_1532.md", "folder": "Topics", "filename": "Index_1532", "norm_name": "index1532", "title": "Index: Topics > AI & Psychology", "norm_title": "indextopicsaipsychology", "fm_id": "wiki-2026-0508-index-1532", "fm_aliases": [], "fm_tags": [ "uncategorized" ], "fm_status": "draft", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 1195, "body_first_para_hash": "9a874c0c4141", "body_fingerprint": "affective computing 🤖 [ai 추론 보강 필요] — 본문이 200자 미만이라 p reinforce가 빈약 stub으로 분류했습니다. source trust level= c (ai 보강분), confidence score= 0.92 로 표시되어 있습니다. 사용자 검증 후 trust level 상향 조정 가능. (todo: 한 문장으로 핵심 통찰을 작성. \"x는 y 조건에서 z 효과를 낸다\" 구조 권장.) 추출된 패턴: (todo) 세부 내용: (todo) 언제 이 지식을 쓰는가: (todo) 언제 쓰면 안 되는가: (todo) 정보 상태: draft 출처 신뢰도: a 검토 이유: (p reinforce phase 1 자동 정규화. 본문 검증 필요.) 기존 유사 문서: (todo: 인덱서 클러스터 리포트 참조) 처리 방식: update (자동 정규화) 처리 이유: phase 1 정규화 — 옛 템플릿/누락 필드 보강. 과거 데이터와의 충돌: 없음 정책 변화: 없음 parent: 10 wiki/topics related: (todo: 최소 2개) opposite / trade off: (todo) raw source: 직접 입력 | 날짜 | 변경 내", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/Index_1534.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\Index_1534.md", "folder": "Topics", "filename": "Index_1534", "norm_name": "index1534", "title": "Index: Topics > AI & Tools", "norm_title": "indextopicsaitools", "fm_id": "wiki-2026-0508-index-1534", "fm_aliases": [], "fm_tags": [ "uncategorized" ], "fm_status": "draft", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 1190, "body_first_para_hash": "c85ad2e5310c", "body_fingerprint": "ai connect llm tool 🤖 [ai 추론 보강 필요] — 본문이 200자 미만이라 p reinforce가 빈약 stub으로 분류했습니다. source trust level= c (ai 보강분), confidence score= 0.92 로 표시되어 있습니다. 사용자 검증 후 trust level 상향 조정 가능. (todo: 한 문장으로 핵심 통찰을 작성. \"x는 y 조건에서 z 효과를 낸다\" 구조 권장.) 추출된 패턴: (todo) 세부 내용: (todo) 언제 이 지식을 쓰는가: (todo) 언제 쓰면 안 되는가: (todo) 정보 상태: draft 출처 신뢰도: a 검토 이유: (p reinforce phase 1 자동 정규화. 본문 검증 필요.) 기존 유사 문서: (todo: 인덱서 클러스터 리포트 참조) 처리 방식: update (자동 정규화) 처리 이유: phase 1 정규화 — 옛 템플릿/누락 필드 보강. 과거 데이터와의 충돌: 없음 정책 변화: 없음 parent: 10 wiki/topics related: (todo: 최소 2개) opposite / trade off: (todo) raw source: 직접 입력 | 날짜 | 변경 내", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/Index_2.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\Index_2.md", "folder": "Topics", "filename": "Index_2", "norm_name": "index2", "title": "Index: Topics > 01_Frontend_Mastery", "norm_title": "indextopics01frontendmastery", "fm_id": "wiki-2026-0508-index-2", "fm_aliases": [], "fm_tags": [ "uncategorized" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 1542, "body_first_para_hash": "739481498f1a", "body_fingerprint": "react clean code best practices react hooks deep dive react mental model react performance optimization react state management strategy react testing strategy typescript type safety webworker performance (todo: 한 문장으로 핵심 통찰을 작성. \"x는 y 조건에서 z 효과를 낸다\" 구조 권장.) 추출된 패턴: (todo) 세부 내용: (todo) 언제 이 지식을 쓰는가: (todo) 언제 쓰면 안 되는가: (todo) 정보 상태: needs review 출처 신뢰도: a 검토 이유: (p reinforce phase 1 자동 정규화. 본문 검증 필요.) 기존 유사 문서: (todo: 인덱서 클러스터 리포트 참조) 처리 방식: update (자동 정규화) 처리 이유: phase 1 정규화 — 옛 템플릿/누락 필드 보강. 과거 데이터와의 충돌: 없음 정책 변화: 없음 parent: 10 wiki/topics related: (todo: 최소 2개) opposite / trade off: (todo) ", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/Index_20.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\Index_20.md", "folder": "Topics", "filename": "Index_20", "norm_name": "index20", "title": "Index: Topics > 03_DevOps_Environment", "norm_title": "indextopics03devopsenvironment", "fm_id": "wiki-2026-0508-index-20", "fm_aliases": [], "fm_tags": [ "uncategorized" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 1164, "body_first_para_hash": "b9db73635f92", "body_fingerprint": "deployment final gate devops environment setup git operation protocol modern environment ecosystem tetris project retrospective (todo: 한 문장으로 핵심 통찰을 작성. \"x는 y 조건에서 z 효과를 낸다\" 구조 권장.) 추출된 패턴: (todo) 세부 내용: (todo) 언제 이 지식을 쓰는가: (todo) 언제 쓰면 안 되는가: (todo) 정보 상태: needs review 출처 신뢰도: a 검토 이유: (p reinforce phase 1 자동 정규화. 본문 검증 필요.) 기존 유사 문서: (todo: 인덱서 클러스터 리포트 참조) 처리 방식: update (자동 정규화) 처리 이유: phase 1 정규화 — 옛 템플릿/누락 필드 보강. 과거 데이터와의 충돌: 없음 정책 변화: 없음 parent: 10 wiki/topics related: (todo: 최소 2개) opposite / trade off: (todo) raw source: 직접 입력 | 날짜 | 변경 내용 | 처리 방식 | 신뢰도 | | | | | | | 2026 05 08 | p re", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/Index_25.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\Index_25.md", "folder": "Topics", "filename": "Index_25", "norm_name": "index25", "title": "Index: Topics > 04_Governance_Reliability", "norm_title": "indextopics04governancereliability", "fm_id": "wiki-2026-0508-index-25", "fm_aliases": [], "fm_tags": [ "uncategorized" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 1192, "body_first_para_hash": "086893e10e20", "body_fingerprint": "accessibility inclusivity collaboration governance reliability safety first styling governance system debugging protocol system protocol standard (todo: 한 문장으로 핵심 통찰을 작성. \"x는 y 조건에서 z 효과를 낸다\" 구조 권장.) 추출된 패턴: (todo) 세부 내용: (todo) 언제 이 지식을 쓰는가: (todo) 언제 쓰면 안 되는가: (todo) 정보 상태: needs review 출처 신뢰도: a 검토 이유: (p reinforce phase 1 자동 정규화. 본문 검증 필요.) 기존 유사 문서: (todo: 인덱서 클러스터 리포트 참조) 처리 방식: update (자동 정규화) 처리 이유: phase 1 정규화 — 옛 템플릿/누락 필드 보강. 과거 데이터와의 충돌: 없음 정책 변화: 없음 parent: 10 wiki/topics related: (todo: 최소 2개) opposite / trade off: (todo) raw source: 직접 입력 | 날짜 | 변경 내용 | 처리 방식 | 신뢰도 | | | | | | |", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/Information_Retrieval.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\Information_Retrieval.md", "folder": "Topics", "filename": "Information_Retrieval", "norm_name": "informationretrieval", "title": "정보 검색 (Information Retrieval, IR)", "norm_title": "정보검색informationretrievalir", "fm_id": "wiki-2026-0508-information-retrieval", "fm_aliases": [ "information_retrieval" ], "fm_tags": [ "- information_retrieval - search_engine - ranking - ir_metrics - evaluation" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 2920, "body_first_para_hash": "e5d210e764b8", "body_fingerprint": "\"방대한 데이터 집합에서 사용자의 특정 정보 요구(information need)에 가장 적합한 문서를 정확하고 빠르게 찾아내어 최적의 순위로 정렬하는 컴퓨터 과학의 핵심 기술 체계.\" 정보 검색 시스템은 비정형 데이터(주로 텍스트)를 대상으로 다음과 같은 단계를 거칩니다. 색인 (indexing) : 검색 대상 문서를 효율적으로 찾기 위해 inverted index 등으로 구조화합니다 [18]. 질의 처리 (query processing) : 자연어 질문을 토큰화, 스테밍(stemming) 등을 통해 시스템이 이해할 수 있는 형태로 변환합니다 [19]. 랭킹 (ranking) : 검색된 문서들 중 사용자의 의도와 가장 가까운 순서대로 정렬합니다 [20]. boolean model : 키워드의 존재 유무(and, or, not)만 판단하는 기초적 모델 [23]. vector space model : 문서를 벡터 공간의 점으로 표현하고 코사인 유사도 등으로 관련성을 계산합니다 [24]. bm25 (probabilistic model) : 문서 내 단어 빈도와 문서 길이를 고려한 통계적 모델로, 현대 검색 엔진의 강력한 baseline입니다 [25]. neura", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/Interpretability.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\Interpretability.md", "folder": "Topics", "filename": "Interpretability", "norm_name": "interpretability", "title": "Interpretability (해석 가능성)", "norm_title": "interpretability해석가능성", "fm_id": "wiki-2026-0508-interpretability", "fm_aliases": [ "INTERPRET-001" ], "fm_tags": [ "ai", "explainable-ai", "xai", "machine-learning", "trust" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-04-26", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 1823, "body_first_para_hash": "41173885fb8d", "body_fingerprint": "\"ai 블랙박스의 내부를 들여다보는 지적 렌즈\" — 머신러닝 모델의 판단 근거와 내부 작동 기제를 인간이 이해할 수 있는 형태로 설명하고 분석하는 능력. 추출된 패턴: 복잡한 신경망 가중치 뒤에 숨겨진 논리 구조를 식별하여, ai의 결정이 우연인지 실질적인 학습 결과인지 검증하는 패턴. 세부 내용: global interpretability: 모델 전체의 거동과 중요한 변수들의 영향을 파악 (예: feature importance). local interpretability: 특정 개별 데이터에 대해 왜 그런 결정을 내렸는지 분석 (예: lime, shap). mechanistic interpretability: 모델 내부의 특정 뉴런이나 '회로(circuit)'가 수행하는 구체적인 알고리즘적 역할을 규명. trust & safety: 오답의 원인을 파악하고, 모델의 편향이나 위험성을 사전에 감지하기 위한 필수 요건. 과거 데이터와의 충돌: 성능을 위해 이해를 포기하던 '블랙박스' 시대에서, 신뢰성과 규제 대응을 위해 '설명 가능한 ai(xai)'가 필수적인 시대로 진입. 정책 변화: antigravity 프로젝트는 모든 지식 보강 작업 시 모델이 참조한 근", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/Jamba-and-Bamba.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\Jamba-and-Bamba.md", "folder": "Topics", "filename": "Jamba-and-Bamba", "norm_name": "jambaandbamba", "title": "Redirect", "norm_title": "redirect", "fm_id": "wiki-2026-0508-jamba-and-bamba", "fm_aliases": [], "fm_tags": [ "uncategorized" ], "fm_status": "verified", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 1467, "body_first_para_hash": "76b278988640", "body_fingerprint": " redirect to: \"생성형 ai 및 llm 엔지니어링 표준\" canonical id: \"wiki 2026 0507 106\" 이 문서는 canonical 문서인 통합되었습니다. 모든 최신 지식과 세부 내용은 위 링크를 참조하십시오. jamba와 bamba는 ssm(mamba)과 transformer 어텐션을 레이어 단위로 혼합한 하이브리드 모델로, 긴 컨텍스트 효율과 짧은 컨텍스트 표현력을 동시에 노린다. 추출된 패턴: 순수 ssm은 retrieval에 약하고 순수 transformer는 long context 비용이 크므로, 두 블록을 인터리브해 양쪽 약점을 상쇄하는 설계. 세부 내용: jamba (ai21) : 256k 컨텍스트, 12b activated / 52b 총 파라미터. moe + ssm + attention. bamba (ibm/meta) : mamba2 기반 + 부분 어텐션. 효율 품질 균형 강조. 장점 : 메모리 풋프린트 감소, 추론 throughput 향상. 트레이드오프 : 학습 복잡도 증가, 어텐션 비율 튜닝 필요. 방향성 : 차세대 llm 아키텍처의 유력 후보 중 하나. 언제 이 지식을 쓰는가: (todo) 언제 쓰면 안 되는가", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/Liquid-Democracy.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\Liquid-Democracy.md", "folder": "Topics", "filename": "Liquid-Democracy", "norm_name": "liquiddemocracy", "title": "Liquid Democracy (리퀴드 디모크라시)", "norm_title": "liquiddemocracy리퀴드디모크라시", "fm_id": "wiki-2026-0508-liquid-democracy", "fm_aliases": [ "LIQUID-001" ], "fm_tags": [ "governance", "democracy", "delegation", "liquid-democracy", "technology" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-04-26", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 1631, "body_first_para_hash": "11a4a6ff7142", "body_fingerprint": "\"직접 민주주의의 참여와 대의 민주주의의 효율성을 결합하라\" — 투표권을 스스로 행사하거나, 특정 이슈별로 자신이 신뢰하는 대리인에게 실시간으로 위임(delegation)할 수 있는 유동적인 민주주의 모델. 추출된 패턴: 고정된 임기나 정당이 아닌, 이슈별 전문성에 기반한 '동적 위임 구조'를 통해 의사결정의 질과 민주적 정당성을 동시에 확보하는 거버넌스 패턴. 세부 내용: flexible delegation: 모든 안건에 직접 참여할 필요 없이, 주제별(예: 경제, 환경)로 다른 전문가에게 내 표를 맡길 수 있음. instant revocation: 위임한 대리인이 마음에 들지 않으면 언제든지 위임을 철회하고 직접 투표하거나 다른 사람에게 재위임 가능. transitive delegation: a가 b에게, b가 c에게 위임하면 a의 표도 c에게 전달되는 유동적인 흐름 형성. digital platform requirement: 실시간 위임과 집계를 가능하게 하는 블록체인이나 보안이 강화된 투표 시스템이 필수적. 과거 데이터와의 충돌: 4년에 한 번 뽑는 정치인에게 모든 권한을 위임하던 경직된 방식에서, 개인의 주권이 실시간으로 흐르는 '액체형' 모델로의 ", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/LLM_Optimization_and_Deployment_Strategies.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\LLM_Optimization_and_Deployment_Strategies.md", "folder": "Topics", "filename": "LLM_Optimization_and_Deployment_Strategies", "norm_name": "llmoptimizationanddeploymentstrategies", "title": "LLM_Optimization_and_Deployment_Strategies", "norm_title": "llmoptimizationanddeploymentstrategies", "fm_id": "wiki-2026-0508-llm-optimization-and-deployment-", "fm_aliases": [ "P-Reinforce-CANONICAL-LLM-OPTIMIZATION" ], "fm_tags": [ "canonical", "llm-ops", "quantization", "distillation", "peft", "vllm", "inference" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 3025, "body_first_para_hash": "5848ff9fb881", "body_fingerprint": "\"지능의 밀도는 높이고, 실행의 비용은 낮추라.\" llm 최적화는 거대한 모델의 파라미터를 압축(양자화, 증류)하고, 학습 효율을 극대화(peft)하며, 추론 엔진(vllm, pagedattention)을 통해 처리량을 최대로 끌어올려 실전 서비스가 가능한 수준으로 지능을 정제하는 프로세스입니다. quantization (양자화): 32비트 부동소수점(fp32) 가중치를 8비트(int8) 또는 4비트(int4/nf4)로 변환하여 메모리 사용량을 70% 이상 절감하면서도 성능 저하를 최소화합니다. (gguf, exl2, awq 등) knowledge distillation (지식 증류): 거대한 교사(teacher) 모델의 지식을 작고 빠른 학생(student) 모델에게 전이시켜, 작은 모델로도 높은 성능을 내게 합니다. pruning (가지치기): 모델에서 중요도가 낮은 뉴런이나 연결을 제거하여 연산량을 줄입니다. lora (low rank adaptation): 전체 가중치를 고정하고 매우 작은 크기의 행렬만을 학습시켜, 적은 리소스로도 특정 도메인에 특화된 모델을 생성합니다. qlora: 양자화된 모델 위에 lora를 적용하여 단일 소비자용 gpu에서도 ", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/March 2026 Research Drop.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\March 2026 Research Drop.md", "folder": "Topics", "filename": "March 2026 Research Drop", "norm_name": "march2026researchdrop", "title": "March 2026 Research Drop", "norm_title": "march2026researchdrop", "fm_id": "wiki-20260508-march-2026-research-drop-redir", "fm_aliases": [], "fm_tags": [ "redirect" ], "fm_status": "merged", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": "March_2026_Research_Drop", "fm_canonical_id": "March_2026_Research_Drop", "body_chars": 177, "body_first_para_hash": "78b37c0d4a95", "body_fingerprint": "[!important] 이 문서는 p reinforce phase 2 자동 merge에 의해 march 2026 research drop 로 통합되었습니다. redirected to: march 2026 research drop", "is_stub": true, "is_huge": false, "is_redirect": true, "is_operational": false }, { "path": "10_Wiki/Topics/Microservices_Architecture.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\Microservices_Architecture.md", "folder": "Topics", "filename": "Microservices_Architecture", "norm_name": "microservicesarchitecture", "title": "마이크로서비스 아키텍처 (Microservices Architecture)", "norm_title": "마이크로서비스아키텍처microservicesarchitecture", "fm_id": "wiki-2026-0508-microservices-architecture", "fm_aliases": [ "microservices_architecture" ], "fm_tags": [ "- msa - microservices - software-architecture - ddd - distributed-systems - fault-isolation" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 3089, "body_first_para_hash": "2e19b4718d72", "body_fingerprint": "마이크로서비스 아키텍처(msa)는 대규모 애플리케이션을 비즈니스 도메인(domain)을 중심으로 독립적으로 배포 및 실행 가능한 작은 서비스들의 집합으로 설계하는 소프트웨어 개발 접근 방식입니다 [1]. 각 서비스는 고유의 프로세스를 실행하며 api와 같은 경량화된 통신 메커니즘을 통해 상호작용합니다 [3]. 이를 통해 조직은 시스템의 유연성, 확장성, 복원력을 확보하고 개발 및 배포 속도를 극대화할 수 있습니다 [4]. 자율성 및 독립성 (autonomy & isolation) : 각 서비스는 독립적인 코드베이스, ci/cd 파이프라인, 그리고 개별 데이터베이스를 보유하는 'database per service' 패턴을 따릅니다 [6, 10]. 단일 책임 원칙 (single responsibility) : 각 서비스는 오직 하나의 비즈니스 기능에만 집중하며, 도메인 주도 설계(ddd) 원칙에 따라 경계가 정의됩니다 [12]. 기술적 이질성 (technology heterogeneity) : 서비스별 특성에 맞춰 최적의 언어, 프레임워크, 데이터베이스(폴리글랏 프로그래밍)를 자율적으로 선택할 수 있습니다 [4, 9]. 장애 격리 (fault isolation", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/Modern_Web_Rendering_and_Optimization.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\Modern_Web_Rendering_and_Optimization.md", "folder": "Topics", "filename": "Modern_Web_Rendering_and_Optimization", "norm_name": "modernwebrenderingandoptimization", "title": "현대적 웹 렌더링 및 최적화 (Modern Web Rendering and Optimization)", "norm_title": "현대적웹렌더링및최적화modernwebrenderingandoptimization", "fm_id": "wiki-2026-0508-modern-web-rendering-and-optimiz", "fm_aliases": [ "modern_web_rendering_and_optimization" ], "fm_tags": [ "- rendering-strategies - web-performance - hydration - react - core-web-vitals" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 3000, "body_first_para_hash": "98e61581631a", "body_fingerprint": "\"언제, 어디서 html을 생성할 것인가?\" 웹 렌더링 전략은 초기 로드 성능(fcp/lcp), 상호작용성(tti/inp), 그리고 검색 엔진 최적화(seo) 사이의 트레이드오프를 관리하는 엔지니어링 의사결정의 집합입니다. csr (client side rendering) : 브라우저에서 자바스크립트로 ui를 동적 구축. 상호작용은 풍부하나 초기 로드가 느리고 seo에 불리함. ssr (server side rendering) : 요청마다 서버에서 html 생성. 빠른 콘텐츠 노출(fcp)과 우수한 seo를 제공하지만, 서버 부하와 하이드레이션 지연이 발생함. ssg (static site generation) : 빌드 시점에 html 미리 생성. cdn 배포를 통해 압도적인 로딩 속도를 제공하나 실시간 데이터 업데이트가 어려움. isr (incremental static regeneration) : ssg의 장점을 유지하면서 런타임에 정적 페이지를 부분적으로 업데이트하는 하이브리드 전략. 하이드레이션(hydration) : 서버에서 받은 정적 html에 자바스크립트 이벤트 리스너와 상태를 결합하여 생명을 불어넣는 과정. uncanny valley : 화면은", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/Neural_Networks_and_Deep_Learning_Foundations.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\Neural_Networks_and_Deep_Learning_Foundations.md", "folder": "Topics", "filename": "Neural_Networks_and_Deep_Learning_Foundations", "norm_name": "neuralnetworksanddeeplearningfoundations", "title": "Redirect", "norm_title": "redirect", "fm_id": "wiki-2026-0508-neural-networks-and-deep-learnin", "fm_aliases": [], "fm_tags": [ "uncategorized" ], "fm_status": "verified", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 1443, "body_first_para_hash": "ed86474c8d08", "body_fingerprint": " redirect to: \"데이터 사이언스 및 ml 엔지니어링\" canonical id: \"wiki 2026 0507 029\" 이 문서는 canonical 문서인 통합되었습니다. 모든 최신 지식과 세부 내용은 위 링크를 참조하십시오. 심층 신경망은 미분 가능한 합성 함수의 스택으로, 표현 학습·역전파·확률적 경사하강이라는 세 기둥이 결합되어 비정형 데이터에서 패턴을 추출한다. 추출된 패턴: \"깊이 + 적절한 비선형성 + 충분한 데이터 + 정규화\"의 4박자가 일반화를 결정하며, 이 중 어느 하나라도 무너지면 과적합 또는 수렴 실패로 이어짐. 세부 내용: 순전파/역전파 : 체인 룰로 모든 파라미터에 대한 손실의 기울기 계산. 활성함수 : relu(기본), gelu(트랜스포머), sigmoid/tanh(게이트). 최적화 : sgd+모멘텀, adam, adamw. learning rate scheduling 중요. 정규화 : batchnorm, layernorm, dropout, weight decay. 표현 학습 : 사전학습→파인튜닝, 자기지도, 멀티태스크 등. 언제 이 지식을 쓰는가: (todo) 언제 쓰면 안 되는가: (todo) 정보 상태: draft 출처", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/Nodejs_and_Backend_Optimization.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\Nodejs_and_Backend_Optimization.md", "folder": "Topics", "filename": "Nodejs_and_Backend_Optimization", "norm_name": "nodejsandbackendoptimization", "title": "Nodejs_and_Backend_Optimization", "norm_title": "nodejsandbackendoptimization", "fm_id": "wiki-2026-0508-nodejs-and-backend-optimization", "fm_aliases": [ "P-Reinforce-CANONICAL-NODEJS-BACKEND" ], "fm_tags": [ "canonical", "nodejs", "backend", "performance", "v8", "memory-leak" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 3715, "body_first_para_hash": "1e9a7b930510", "body_fingerprint": "\"메모리는 유실되는 것이 아니라 붙잡혀 있는 것이다.\" node.js의 고성능 백엔드 구축은 v8 엔진의 세대별 가비지 컬렉션(gc) 메커니즘을 이해하고, 클로저·이벤트 리스너·캐시 등에서 발생하는 '래칫(ratchet)' 패턴의 메모리 누수를 힙 스냅샷과 할당 타임라인으로 정밀 타격하여 제거하는 과정입니다. 세대별 가설 (generational hypothesis): \"대부분의 객체는 일찍 죽는다.\" v8은 이를 기반으로 힙(heap)을 new space(young generation) 와 old space(old generation) 로 분리 관리합니다. minor gc (scavenger): new space에서 짧은 수명의 객체를 매우 빠르게 정리합니다. 여러 번 살아남은 객체는 old space로 승격(promotion) 됩니다. major gc (mark sweep compact): old space의 장기 객체를 정리합니다. 실행 비용이 크며, 메모리 파편화를 줄이기 위해 압축(compaction)을 수행합니다. orinoco gc: 메인 스레드 중단(stop the world)을 최소화하기 위해 병렬(parallel), 점진적(increment", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/Pay-to-win.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\Pay-to-win.md", "folder": "Topics", "filename": "Pay-to-win", "norm_name": "paytowin", "title": "Pay-to-win", "norm_title": "paytowin", "fm_id": "wiki-2026-0508-pay-to-win", "fm_aliases": [], "fm_tags": [ "uncategorized" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 2330, "body_first_para_hash": "981f61b44aea", "body_fingerprint": "pay to win(p2w)은 게임 내에서 생존과 우위를 점하기 위해 지속적인 금전 지출이 필수적으로 요구되는 게임 디자인 또는 비즈니스 모델을 의미합니다. [1, 2] 이러한 시스템 하에서는 막대한 자금을 지불하는 유저가 일반 유저에 비해 압도적인 힘의 우위를 가지게 되어 경쟁 환경에서 승리하기 쉬워집니다. [3] 최근 모바일 게임 시장에서는 이처럼 노골적인 pay to win 모델에 대한 비판과 함께, 보다 공정하다고 여겨지는 배틀패스 및 외형 치장성 아이템 중심의 과금으로 이동하는 추세도 관찰됩니다. [2] 압도적인 힘의 격차와 재정적 투입 강요: 'game of war'와 같은 4x 전략 게임에서 최상위 과금 유저(고래 유저)는 일반 플레이어보다 수백 배 더 강력한 힘을 발휘할 수 있습니다. [3] 게임 내 모든 활동(건설, 연구, 행군 등)과 서버 간 전쟁은 플레이어들을 경쟁의 소용돌이로 몰아넣으며, 오직 지출만이 생존과 지배를 위한 유일하게 실행 가능한 경로가 되도록 설계되어 있습니다. [1] 영구적 손실(permanent loss)을 통한 과금 유도: 게임 내 전투는 병원 수용량을 초과하여 병력을 잃을 경우 서버에서 영구적으로 삭제되는 구조를 띱", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/Performance_Profiling_and_Memory.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\Performance_Profiling_and_Memory.md", "folder": "Topics", "filename": "Performance_Profiling_and_Memory", "norm_name": "performanceprofilingandmemory", "title": "성능_프로파일링_및_메모리_관리_표준", "norm_title": "성능프로파일링및메모리관리표준", "fm_id": "wiki-2026-0508-040", "fm_aliases": [ "wiki-2026-0508-040", "Performance", "Profiling", "Memory Management", "V8 Engine", "Garbage Collection", "GC", "Memory Leak", "Node.js Performance", "성능 최적화", "메모리 관리", "가비지 컬렉션" ], "fm_tags": [ "Performance", "Memory", "V8", "Profiling", "Node.js", "Diagnostics" ], "fm_status": "verified", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 2768, "body_first_para_hash": "adfb1eeceddc", "body_fingerprint": "\"보이지 않는 메모리의 실체를 추적하라.\" 가비지 컬렉션(gc)의 메커니즘을 이해하고, 크롬 개발자 도구와 힙 스냅샷을 통해 누수 지점(retaining path)을 정확히 짚어내는 것이 고성능 애플리케이션의 핵심이다. 추출된 패턴: v8 엔진의 세대별 가비지 컬렉션(generational gc) 전략을 활용하여 객체 생명주기를 관리하고, 런타임 프로파일링을 통해 병목 지점을 데이터 기반으로 식별하여 시스템 처리량을 극대화한다. 세부 내용: v8 메모리 아키텍처: new space (young gen): scavenge 알고리즘 기반. 생존율이 낮은 짧은 수명 객체 처리. old space (old gen): mark sweep compact 알고리즘 기반. 수명이 긴 객체 및 대형 객체 관리. v8 memory cage: 포인터 압축 기술을 통해 64비트 환경에서도 메모리 효율성 증대. 가비지 컬렉션 (gc) 최적화: orinoco 프로젝트: 병렬(parallel), 점진적(incremental), 동시성(concurrent) 마킹을 통해 stop the world 지연 최소화. oilpan: c++ 객체 관리용 gc 엔진과 v8의 협력적 메모리 관리. 성", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/Permanent Loss.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\Permanent Loss.md", "folder": "Topics", "filename": "Permanent Loss", "norm_name": "permanentloss", "title": "Permanent Loss", "norm_title": "permanentloss", "fm_id": "wiki-20260508-permanent-loss-redir", "fm_aliases": [], "fm_tags": [ "redirect" ], "fm_status": "merged", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": "Permanent_Loss", "fm_canonical_id": "Permanent_Loss", "body_chars": 147, "body_first_para_hash": "1e210b24e341", "body_fingerprint": "[!important] 이 문서는 p reinforce phase 2 자동 merge에 의해 permanent loss 로 통합되었습니다. redirected to: permanent loss", "is_stub": true, "is_huge": false, "is_redirect": true, "is_operational": false }, { "path": "10_Wiki/Topics/PEV_Loop.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\PEV_Loop.md", "folder": "Topics", "filename": "PEV_Loop", "norm_name": "pevloop", "title": "Plan-Execute-Verify (PEV) Loop", "norm_title": "planexecuteverifypevloop", "fm_id": "wiki-2026-0508-pev-loop", "fm_aliases": [ "e6f7a8b9-c0d1-4e2f-3a4b-5c6d7e8f9a0b" ], "fm_tags": [ "pev-loop", "execution", "verification", "agent", "harness", "reliability" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-05-01", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 2276, "body_first_para_hash": "03bb203f1032", "body_fingerprint": "pev 루프는 에이전트가 즉흥적으로 행동하는 것을 방지하기 위해 계획, 제한된 실행, 엄격한 검증의 3단계를 강제하여 자율 시스템의 신뢰성과 아키텍처 일관성을 보장하는 핵심 실행 패턴이다. plan (계획) : 문제를 명시적으로 분해하고 수용 기준(acceptance criteria)을 포함한 상세 계획을 수립한다. 이는 추론의 비결정성 문제를 줄이는 역할을 한다. execute (실행) : 수립된 계획의 범위 내에서만 도구를 호출한다. 실행 전 게이트(pre execution gates)가 개입하여 인자 유효성 및 권한을 실시간으로 통제한다. verify (검증) : 단순 성공 여부를 넘어 계획과의 일치성(plan alignment)을 평가한다. 실패 시 구체적인 에러 피드백을 추론 루프로 돌려보내 자가 수정을 유도한다. pre execution gates : 도구 호출 전 작업 공간 및 권한을 확인하여 범위를 벗어난 행동을 원천 차단한다. post execution verification : 린터, 테스트 러너, 아키텍처 규칙 검사 등을 통해 결과물의 품질을 보증한다. '일단 해보고 확인하기(generate and check)' 방식의 한계를 극복하고, ", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/Pragmatics.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\Pragmatics.md", "folder": "Topics", "filename": "Pragmatics", "norm_name": "pragmatics", "title": "Pragmatics", "norm_title": "pragmatics", "fm_id": "wiki-2026-0508-pragmatics", "fm_aliases": [ "PREI-AUTO-PRAG-001" ], "fm_tags": [ "auto-reinforced", "Pragmatics", "context-meaning", "speech-act", "AI-alignment", "linguistics" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-05-05", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 1788, "body_first_para_hash": "90ac14747f29", "body_fingerprint": "\"말해진 것(what is said)과 의미된 것(what is meant) 사이의 간극을 맥락(context)으로 메우는 해석의 예술.\" 화용론은 언어의 문자적 의미를 넘어, 특정 상황과 맥락 속에서 발화가 어떻게 기능하고 해석되는지를 연구하는 언어학의 한 분야입니다. 1. 언어 사용의 맥락 의존성 : 직시(deixis) : '나, 너, 여기, 지금'과 같이 상황에 따라 지시 대상이 바뀌는 표현들은 화용론적 맥락 없이는 해석 불가능. 전제(presupposition) : 문장 내에 암묵적으로 깔려 있는 기정사실 (예: \"그가 담배를 끊었다\" \"그는 과거에 담배를 피웠다\"). 2. 화행 이론(speech act theory) : 언어는 단순히 정보를 전달하는 것을 넘어, 약속, 명령, 사과 등 실질적인 '행위'를 수행함 (austin & searle). 3. llm과 화용론적 정렬 : 현대 ai의 과제는 사용자의 간접적 요청, 풍자, 은유를 파악하여 '의도'에 정렬(alignment)된 답변을 내놓는 것. 자동 평가의 한계 (rl update) : 기존 nlp의 평가 지표(bleu, rouge 등)는 문장의 표면적 유사성만 측정할 뿐, 공손함이나 의도 파악과", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/Prefrontal-Cortex.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\Prefrontal-Cortex.md", "folder": "Topics", "filename": "Prefrontal-Cortex", "norm_name": "prefrontalcortex", "title": "Prefrontal-Cortex", "norm_title": "prefrontalcortex", "fm_id": "wiki-2026-0508-prefrontal-cortex", "fm_aliases": [ "PREI-AUTO-PFC-001" ], "fm_tags": [ "auto-reinforced", "Prefrontal-Cortex", "executive-function", "decision-making", "working-memory", "cognitive-control" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-05-05", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 1759, "body_first_para_hash": "89a5844f7dc8", "body_fingerprint": "\"본능의 파도를 이성의 댐으로 막아세워, 인간을 '계획하고 선택하는 존재'로 만드는 뇌의 ceo이자 지휘 본부.\" 전두엽은 대뇌 피질의 앞부분에 위치하며, 인간을 다른 동물과 차별화하는 가장 고차원적인 인지 기능을 담당합니다. 1. 지휘 및 통제 (executive function) : 목표 설정, 계획 수립, 복잡한 문제 해결, 의사결정의 중심지. 충동적 반응을 억제하고 장기적인 이익을 위해 현재의 욕구를 지연시키는 능력 제공. 2. 작업 기억의 핵심 허브 : 실시간 데이터를 일시적으로 저장하고 가공하는 '인지적 메모리' 공간을 운영. global neuronal workspace의 핵심 노드 역할을 수행. 3. 자동화와 전두엽의 관계 : 새로운 과제를 배울 때는 전두엽이 강력하게 개입하지만, 과제가 반복되어 숙달(자동화)되면 전두엽의 활성도가 낮아지고 하위 뇌 영역으로 처리가 이관됨. 에너지 소모와 병목 (rl update) : 전두엽은 뇌에서 가장 에너지를 많이 소모하며 처리 용량이 매우 제한적임. 따라서 스트레스나 피로가 누적되면 가장 먼저 기능이 저하되어, 이성적 판단 대신 본능적/습관적 행동이 튀어나오게 됨. 뇌파 동기화 : 전두엽과 해마 간의 t", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/Prompt_Engineering.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\Prompt_Engineering.md", "folder": "Topics", "filename": "Prompt_Engineering", "norm_name": "promptengineering", "title": "프롬프트 엔지니어링 (Prompt Engineering)", "norm_title": "프롬프트엔지니어링promptengineering", "fm_id": "wiki-2026-0508-prompt-engineering", "fm_aliases": [ "prompt_engineering" ], "fm_tags": [ "- prompt_engineering - llm - image_generation - ai_optimization - chain-of-thought - few-shot - midjourney - stable_diffusion" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 3648, "body_first_para_hash": "d789be9cf445", "body_fingerprint": "프롬프트 엔지니어링은 인공지능 모델(llm 및 이미지 생성 모델)로부터 최적의 결과물을 도출하기 위해 입력값(prompt)을 전략적으로 설계, 최적화 및 프로그래밍하는 기술 체계입니다 [1]. 단순히 '말을 잘하는 법'을 넘어, 모델의 추론 성능을 극대화하기 위한 구조적 지시어 설계와 반복적인 실험(iterative refinement)을 통해 잠재된 확률의 바다에서 최적의 해답을 인양하는 현대 지능 제어의 핵심 인터페이스 역할을 합니다 [4, 12]. 모델에게 사고의 방향을 제시하는 가장 기본적인 기법들입니다. zero shot : 예시 없이 직접적인 지시만 내리는 방식. few shot : 몇 개의 입출력 예시를 제공하여 모델이 패턴을 학습하게 하는 방식 [18]. chain of thought (cot) : \"단계별로 생각해보자\"와 같은 문구로 모델의 논리적 추론 과정을 명시적으로 유도하는 기법 [19]. persona prompting : 모델에게 특정 전문가 역할을 부여하여 출력의 전문성을 높입니다 (예: \"너는 20년 경력의 시니어 개발자야\") [20]. system prompt : 모델의 전반적인 페르소나, 행동 규칙, 제약 사항을 정의하는 최상", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/Reinforcement_Learning_and_Decision_Making.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\Reinforcement_Learning_and_Decision_Making.md", "folder": "Topics", "filename": "Reinforcement_Learning_and_Decision_Making", "norm_name": "reinforcementlearninganddecisionmaking", "title": "Redirect", "norm_title": "redirect", "fm_id": "wiki-2026-0508-reinforcement-learning-and-decis", "fm_aliases": [], "fm_tags": [ "uncategorized" ], "fm_status": "verified", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 1516, "body_first_para_hash": "bee1dc8e2456", "body_fingerprint": " redirect to: \"데이터 사이언스 및 ml 엔지니어링\" canonical id: \"wiki 2026 0507 029\" 이 문서는 canonical 문서인 통합되었습니다. 모든 최신 지식과 세부 내용은 위 링크를 참조하십시오. 강화학습은 환경과 상호작용하며 누적 보상을 최대화하는 정책을 학습하는 프레임워크로, mdp 가정 위에서 가치 추정과 정책 개선의 두 축으로 발전해 왔다. 추출된 패턴: 환경 모델 유무(model based vs model free), 가치 vs 정책 학습, 온폴리시 vs 오프폴리시 — 이 세 축으로 거의 모든 rl 알고리즘이 분류된다. 세부 내용: mdp : (s, a, p, r, γ) 5 튜플. 마르코프 가정 = 미래는 현재 상태에만 의존. 가치 기반 : q learning, dqn, double/dueling dqn — 가치함수 추정 후 argmax 행동. 정책 기반 : reinforce, a2c/a3c, ppo, trpo — 정책 자체를 직접 최적화. 모델 기반 : dyna, muzero, dreamer — 환경 동역학을 학습해 시뮬레이션으로 효율 향상. 현대적 응용 : rlhf(llm 정렬), 로보틱스, alphago/", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/Reinforcement_Learning_Fundamentals.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\Reinforcement_Learning_Fundamentals.md", "folder": "Topics", "filename": "Reinforcement_Learning_Fundamentals", "norm_name": "reinforcementlearningfundamentals", "title": "Redirect", "norm_title": "redirect", "fm_id": "wiki-2026-0508-reinforcement-learning-fundament", "fm_aliases": [], "fm_tags": [ "uncategorized" ], "fm_status": "verified", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 1470, "body_first_para_hash": "1ab0aade4d60", "body_fingerprint": " redirect to: \"데이터 사이언스 및 ml 엔지니어링\" canonical id: \"wiki 2026 0507 029\" 이 문서는 canonical 문서인 통합되었습니다. 모든 최신 지식과 세부 내용은 위 링크를 참조하십시오. rl의 토대는 보상 가설·탐색 활용 트레이드오프·벨만 방정식 세 가지로 압축되며, 이 셋의 균형이 알고리즘 설계의 핵심 결정점이 된다. 추출된 패턴: \"즉시 보상 vs 장기 보상\"의 시간 신용 할당이 모든 rl 문제의 본질이며, 할인계수 γ와 부트스트래핑 깊이가 이 균형을 조정하는 손잡이다. 세부 내용: 보상 가설(reward hypothesis) : 모든 목표는 누적 스칼라 보상으로 표현 가능하다는 전제. 벨만 방정식 : v(s) = e[r + γv(s')] — 가치 추정의 재귀적 정의. 탐색 활용 : ε greedy, ucb, thompson sampling, entropy bonus 등. 시간 차분(td) : mc와 dp의 절충. sarsa, q learning이 대표. 함수 근사 : 상태 공간이 크면 nn/선형 근사 필요. 수렴성 이슈(deadly triad) 주의. 언제 이 지식을 쓰는가: (todo) 언제 쓰면 안 ", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/Reward Prediciton Error.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\Reward Prediciton Error.md", "folder": "Topics", "filename": "Reward Prediciton Error", "norm_name": "rewardpredicitonerror", "title": "Reward Prediciton Error", "norm_title": "rewardpredicitonerror", "fm_id": "wiki-2026-0508-reward-prediciton-error", "fm_aliases": [ "P-Reinforce-AUTO-RWPE-TYPO" ], "fm_tags": [ "uncategorized" ], "fm_status": "verified", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 1341, "body_first_para_hash": "bb13f871ce47", "body_fingerprint": "[!note] 본 파일은 오타가 포함된 파일명으로, 본 내용은 reward prediction error 문서에서 통합 관리되고 있습니다. 위 링크로 이동해 주시기 바랍니다. 🫡🐟 보상 예측 오류는 강화학습과 신경과학의 교차점에서 학습 신호를 통합 설명하는 핵심 개념이다. 추출된 패턴: δ = r + γv(s') v(s) 라는 동일 수식이 도파민 발화율과 가치함수 갱신 모두를 설명한다는 점이 \"학습은 곧 rpe 최소화\"라는 통합 가설의 근거. 세부 내용: 양의 rpe → 가치 함수 상향, 음의 rpe → 하향. 사람·동물에서 도파민 phasic burst가 rpe와 일치. td learning 알고리즘이 이 신호를 그대로 사용. 환경 비정상성(non stationarity) 하에서는 학습률 조정 필요. llm rlhf의 kl 페널티도 광의의 rpe 정규화로 볼 수 있음. 언제 이 지식을 쓰는가: (todo) 언제 쓰면 안 되는가: (todo) 정보 상태: draft 출처 신뢰도: a 검토 이유: (p reinforce phase 1 자동 정규화. 본문 검증 필요.) 기존 유사 문서: (todo: 인덱서 클러스터 리포트 참조) 처리 방식: update (자동 ", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/Reward Prediction Error (상태 예측 오류).md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\Reward Prediction Error (상태 예측 오류).md", "folder": "Topics", "filename": "Reward Prediction Error (상태 예측 오류)", "norm_name": "rewardpredictionerror상태예측오류", "title": "Reward Prediction Error (상태 예측 오류)", "norm_title": "rewardpredictionerror상태예측오류", "fm_id": "wiki-2026-0508-reward-prediction-error-상태-예측-오류", "fm_aliases": [ "P-Reinforce-AUTO-RWPE-KOR" ], "fm_tags": [ "uncategorized" ], "fm_status": "verified", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 1418, "body_first_para_hash": "86dc9003f4b2", "body_fingerprint": "[!note] 본 내용은 reward prediction error 문서에서 통합 관리되고 있습니다. 글로벌 지식 연결을 위해 영문 표준 명칭 문서를 사용합니다. 위 링크로 이동해 주시기 바랍니다. 🫡🐟 보상 예측 오류(rpe)는 \"기대했던 보상 실제 받은 보상\"의 차이로, 도파민 신호의 신경과학적 모델이자 td 학습의 핵심 신호다. 추출된 패턴: 신경과학(vta 도파민 뉴런 활동)과 강화학습 이론(td error)이 같은 수학을 공유 — 이 수렴이 \"뇌가 rl 기계인가\"라는 질문의 출발점. 세부 내용: 수식 : δ = r + γv(s') v(s). 양/음 rpe : 기대보다 좋으면 양(보상 학습), 나쁘면 음(소거 학습). 도파민 가설(schultz) : vta/snc 도파민 뉴런이 rpe를 인코딩. 연관 : 중독·우울·파킨슨 같은 질환의 신경경제학적 모델 기반. 알고리즘 : q learning, sarsa, actor critic의 핵심 업데이트 신호. 언제 이 지식을 쓰는가: (todo) 언제 쓰면 안 되는가: (todo) 정보 상태: draft 출처 신뢰도: a 검토 이유: (p reinforce phase 1 자동 정규화. 본문 검증 필요.) 기존 ", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/Runtime_Validation.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\Runtime_Validation.md", "folder": "Topics", "filename": "Runtime_Validation", "norm_name": "runtimevalidation", "title": "런타임 유효성 검사 (Runtime Validation)", "norm_title": "런타임유효성검사runtimevalidation", "fm_id": "wiki-2026-0508-runtime-validation", "fm_aliases": [ "runtime_validation" ], "fm_tags": [ "- typescript - validation - zod - type_safety - parsing" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 2621, "body_first_para_hash": "18d214ff0c84", "body_fingerprint": "\"컴파일 타임의 타입 안전성과 런타임의 데이터 무결성 사이의 간극을 메우기 위해, 시스템 경계(boundary)에서 데이터를 검증하는 대신 신뢰할 수 있는 타입으로 파싱하는 설계 기법.\" typescript의 정적 타입 시스템은 컴파일 시점에만 존재하며, 런타임에는 소거(erasure)됩니다. 따라서 api 응답, 설정 파일, 사용자 입력 등 외부에서 유입되는 데이터는 typescript가 그 구조를 보장할 수 없습니다. 런타임 유효성 검사는 이러한 타입 불일치로 인한 런타임 에러를 방지 하기 위해 필수적입니다 [1, 2, 5]. 단순히 데이터가 유효한지 체크(boolean 반환)하는 것에 그치지 않고, 시스템의 진입점에서 데이터를 검증한 후 완벽하게 타이핑된 결과물로 변환 하는 철학입니다 [3, 6]. 시스템 경계(boundary) 보호 : 외부 데이터가 내부 로직으로 침투하기 전에 단 한 번의 파싱을 거쳐 안전성을 확보합니다 [3, 7]. 유효하지 않은 상태의 표현 불가 : 파싱을 통과했다는 것은 해당 데이터가 비즈니스 규칙을 충족함을 의미하며, 이후 로직에서는 추가적인 체크가 불필요해집니다 [3]. zod는 typescript 우선(typescript ", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/S2-Attn.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\S2-Attn.md", "folder": "Topics", "filename": "S2-Attn", "norm_name": "s2attn", "title": "Redirect", "norm_title": "redirect", "fm_id": "wiki-2026-0508-s2-attn", "fm_aliases": [], "fm_tags": [ "uncategorized" ], "fm_status": "verified", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 1379, "body_first_para_hash": "6263ab018944", "body_fingerprint": " redirect to: \"생성형 ai 및 llm 엔지니어링 표준\" canonical id: \"wiki 2026 0507 106\" 이 문서는 canonical 문서인 통합되었습니다. 모든 최신 지식과 세부 내용은 위 링크를 참조하십시오. shifted sparse attention(s² attn)은 longlora 등에서 사용된 효율적 어텐션 패턴으로, 긴 컨텍스트 파인튜닝 시 메모리·시간 비용을 줄이면서 글로벌 정보 흐름은 유지한다. 추출된 패턴: \"local sparsity + 절반의 헤드 shift\"로 윈도우 경계 정보 누설을 방지 — 단순 슬라이딩 윈도우의 단점을 보완. 세부 내용: 그룹 크기 g로 시퀀스를 분할하여 그룹 내 어텐션만 계산. 헤드의 절반은 g/2만큼 시프트해 다음 그룹 정보까지 흡수. 학습 시 시간 복잡도 o(l·g)로 o(l²) 대비 큰 절감. longlora에서 32k~100k 컨텍스트 파인튜닝에 활용. 추론 시에는 일반 어텐션으로 전환 가능. 언제 이 지식을 쓰는가: (todo) 언제 쓰면 안 되는가: (todo) 정보 상태: draft 출처 신뢰도: a 검토 이유: (p reinforce phase 1 자동 정규화. 본문 검증", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/SDLC_and_SSDLC.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\SDLC_and_SSDLC.md", "folder": "Topics", "filename": "SDLC_and_SSDLC", "norm_name": "sdlcandssdlc", "title": "Redirect", "norm_title": "redirect", "fm_id": "wiki-2026-0508-sdlc-and-ssdlc", "fm_aliases": [], "fm_tags": [ "uncategorized" ], "fm_status": "merged", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": "보안_및_시스템_신뢰성_표준", "fm_canonical_id": "wiki-2026-0507-039", "body_chars": 93, "body_first_para_hash": "13a255ca037c", "body_fingerprint": "이 문서는 canonical 문서인 보안 및 시스템 신뢰성 표준으로 통합되었습니다. 모든 최신 지식과 세부 내용은 위 링크를 참조하십시오.", "is_stub": true, "is_huge": false, "is_redirect": true, "is_operational": false }, { "path": "10_Wiki/Topics/Selective-SSM.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\Selective-SSM.md", "folder": "Topics", "filename": "Selective-SSM", "norm_name": "selectivessm", "title": "Redirect", "norm_title": "redirect", "fm_id": "wiki-2026-0508-selective-ssm", "fm_aliases": [], "fm_tags": [ "uncategorized" ], "fm_status": "verified", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 1468, "body_first_para_hash": "265dc0ad45c4", "body_fingerprint": " redirect to: \"생성형 ai 및 llm 엔지니어링 표준\" canonical id: \"wiki 2026 0507 106\" 이 문서는 canonical 문서인 통합되었습니다. 모든 최신 지식과 세부 내용은 위 링크를 참조하십시오. selective ssm(mamba)은 입력에 따라 ssm 파라미터(b, c, δ)를 동적으로 변화시켜, 기존 시간 불변 ssm의 한계를 극복하고 transformer에 근접한 표현력을 확보한다. 추출된 패턴: \"선택적 입력 의존성\"이 콘텐츠 기반 reasoning을 가능케 함 — linear rnn의 효율과 어텐션의 표현력을 절충하려는 시도. 세부 내용: 핵심 수식 : b(x), c(x), δ(x)가 입력 x의 함수. hardware aware 알고리즘 : parallel scan으로 gpu에서 효율 학습. 벤치마크 : 언어 모델링·dna·오디오에서 transformer와 동등하거나 우월. 한계 : in context learning과 retrieval에서는 transformer가 여전히 강함. 하이브리드 : jamba/bamba처럼 ssm+어텐션 결합 모델 등장. 언제 이 지식을 쓰는가: (todo) 언제 쓰면 안 되는", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/Self-Correction Mechanisms.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\Self-Correction Mechanisms.md", "folder": "Topics", "filename": "Self-Correction Mechanisms", "norm_name": "selfcorrectionmechanisms", "title": "self-correction mechanisms", "norm_title": "selfcorrectionmechanisms", "fm_id": "wiki-2026-0508-self-correction-mechanisms", "fm_aliases": [ "P-Reinforce-AUTO-SECO-RD1" ], "fm_tags": [ "uncategorized" ], "fm_status": "verified", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 1415, "body_first_para_hash": "582c92b2878d", "body_fingerprint": "[!note] 본 파일은 소문자로 명명된 중복 파일로, 내용은 self correction mechanisms 문서에서 통합 관리되고 있습니다. 위 링크로 이동해 주시기 바랍니다. 🫡🐟 self correction 메커니즘은 llm 추론 파이프라인 안에 검증·재시도 루프를 명시적으로 구조화한 기법군이다. 추출된 패턴: 외부 verifier가 가능할수록 강력 — 코드(컴파일러), 수학(증명자), 검색(retrieval) 같이 정답이 검증 가능한 도메인에서 가장 효과적. 세부 내용: retry with feedback : 실패 시그널 + 원인 텍스트를 다시 입력. tool augmented : 코드 실행/검색/계산기로 결과를 검증. critic actor 분리 : 비판자와 실행자를 별도 모델로 분리하여 편향 감소. constitutional ai : 헌법 원칙 기반 자기 비판. 검증 가능성 원칙 : \"verification ≪ generation\"인 도메인에서만 진정한 효과. 언제 이 지식을 쓰는가: (todo) 언제 쓰면 안 되는가: (todo) 정보 상태: draft 출처 신뢰도: a 검토 이유: (p reinforce phase 1 자동 정규화. 본문 검증", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/Self-Correction.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\Self-Correction.md", "folder": "Topics", "filename": "Self-Correction", "norm_name": "selfcorrection", "title": "Self-Correction", "norm_title": "selfcorrection", "fm_id": "wiki-2026-0508-self-correction", "fm_aliases": [ "P-Reinforce-AUTO-SECO-RD2" ], "fm_tags": [ "uncategorized" ], "fm_status": "verified", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 1392, "body_first_para_hash": "387b7493cd4c", "body_fingerprint": "[!note] 본 내용은 self correction mechanisms 문서에서 더 구체적이고 체계적으로 관리되고 있습니다. 위 링크로 이동해 주시기 바랍니다. 🫡🐟 자기 교정은 llm이 자신의 출력을 비판·수정하는 능력으로, 외부 피드백 없이도 reasoning 품질을 높일 수 있는 중요 기제이지만 한계도 분명하다. 추출된 패턴: self critic이 잘 작동하려면 (1) 검증이 생성보다 쉬워야 하고 (2) 모델이 자신의 오류를 식별할 메타인지가 있어야 함. 둘 중 하나라도 무너지면 자기 강화 환각으로 빠짐. 세부 내용: self refine : 출력 → 비판 → 재생성 루프. reflexion : 에피소드 메모리 + 자기 반성 텍스트. self consistency : 여러 추론 경로 비교. 한계 : 동일 모델로 비판하면 같은 편향 재생산. 외부 verifier가 더 강력함. 연구 동향 : o1/r1 류 모델은 학습 단계에서 자기교정을 내재화. 언제 이 지식을 쓰는가: (todo) 언제 쓰면 안 되는가: (todo) 정보 상태: draft 출처 신뢰도: a 검토 이유: (p reinforce phase 1 자동 정규화. 본문 검증 필요.) 기존 유사 ", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/Skybound_Asset_Purity_Sync.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\Skybound_Asset_Purity_Sync.md", "folder": "Topics", "filename": "Skybound_Asset_Purity_Sync", "norm_name": "skyboundassetpuritysync", "title": "LOG] Skybound Asset Purity & Transparency Synchronization", "norm_title": "logskyboundassetpuritytransparencysynchronization", "fm_id": "wiki-2026-0508-skybound-asset-purity-sync", "fm_aliases": [], "fm_tags": [ "uncategorized" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 2619, "body_first_para_hash": "25f8dea8c751", "body_fingerprint": "timestamp : 2026 04 23 22:52 (kst) status : completed lead : steve (executive director) 스프라이트 자산 교체 : 사용자 기체(falcon, rayce), 일반 적기(normal), 엘리트 적기(elite), 보스 적기(boss)의 이미지를 배경이 제거된 고해상도 png로 전면 교체. 렌더링 로직 최적화 : spriteutils.ts 의 loadtransparentsprite 함수 내에서 해당 에셋들이 'fake transparency removal' 로직을 거치지 않고 원본 알파 채널을 그대로 사용하도록 화이트리스트 업데이트. 미학적 완성도 : 대표님(yesung)께서 직접 가공하신 배경 없는 고해상도 에셋의 무결성을 100% 보존하기 위함. 성능 최적화 : 픽셀 단위의 색상 비교 및 배경 제거 연산(flood fill style algorithm)은 cpu 자원을 소모함. 이미 투명 배경이 확보된 에셋에 대해 이를 수행하는 것은 'shit'이며, 이를 제거함으로써 로딩 속도와 런타임 효율성을 확보함. target file : /volumes/data/project/antigravity/s", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/Sleep Tracking.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\Sleep Tracking.md", "folder": "Topics", "filename": "Sleep Tracking", "norm_name": "sleeptracking", "title": "Sleep Tracking", "norm_title": "sleeptracking", "fm_id": "wiki-2026-0508-sleep-tracking", "fm_aliases": [ "mission_359b523b4515" ], "fm_tags": [ "automated", "datacollector", "brain_sync" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 2815, "body_first_para_hash": "eff4a3ff2a9c", "body_fingerprint": "수면 추적(sleep tracking)은 사용자의 수면 상태, 심박변이도(hrv), 호흡률 등 다양한 생체 데이터를 지속적이고 수동적으로 모니터링하는 기술입니다 [1 3]. 과거에는 단순한 수면 단계 기록에 머물렀으나, 최근에는 인공지능(ai)과 결합하여 사용자에게 수면 최적화와 질병 예측을 돕는 개인 맞춤형 코칭으로 진화하고 있습니다 [3 5]. 특히 스마트워치, 스마트 반지, 스마트 매트리스 등 다양한 폼팩터가 활용되며 웨어러블 헬스케어의 핵심 기능으로 자리 잡고 있습니다 [2, 3, 6]. 시장 성장과 웨어러블의 지배력: 수면 추적 및 최적화 제품 시장은 2025년 36억 달러에서 2035년 208억 달러 규모로 연평균 19% 성장할 것으로 전망됩니다 [7]. 사용자들이 취침 시 기기를 켜야 하는 번거로움 없이 지속적인 모니터링을 선호함에 따라, 웨어러블 기기가 2025년 기준 전체 수면 추적 시장의 72%를 차지하며 성장을 주도하고 있습니다 [1]. 주요 폼팩터 및 브랜드 혁신: 스마트 반지(smart rings): 잠자리에 들 때 크고 두꺼운 스마트워치를 착용하기 꺼리는 소비자들에게 가장 이상적인 폼팩터로 평가받고 있습니다 [6]. 오우라(oura)", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/Smart Glasses & Spatial Computing.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\Smart Glasses & Spatial Computing.md", "folder": "Topics", "filename": "Smart Glasses & Spatial Computing", "norm_name": "smartglassesspatialcomputing", "title": "Smart Glasses & Spatial Computing", "norm_title": "smartglassesspatialcomputing", "fm_id": "wiki-2026-0508-smart-glasses-spatial-computing", "fm_aliases": [ "mission_8f1c7aec0e20" ], "fm_tags": [ "automated", "datacollector", "brain_sync" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 5120, "body_first_para_hash": "f30ba303372d", "body_fingerprint": "스마트 안경(smart glasses)과 공간 컴퓨팅(spatial computing)은 ai 비서가 내장되어 사용자의 시야에 직접 번역, 내비게이션, 알림 등의 정보를 오버레이(overlay)해 주는 차세대 웨어러블 기술이다 [1, 2]. 과거의 투박한 카메라 안경 수준을 벗어나 일상적인 패션 아이템으로 진화하며 폭발적인 성장을 기록하고 있다 [3]. 특히, 단순한 데이터 수집을 넘어 사용자에게 향후 상황을 예측하고 행동을 지시하는 지능형 '선제적 제안(proactive suggestion)' 기능이 통합되면서 진정한 의미의 개인별 생활 및 건강 어드바이저 플랫폼으로 자리 잡고 있다 [4, 5]. 시장의 폭발적 성장과 ai의 결합: 2026년 기준 스마트 안경 출하량은 전년 대비 110% 증가했으며, 전체 스마트 안경 출하량의 78%가 ai가 내장된 모델일 정도로 소비자 수요가 ai 비서 결합형으로 이동했다 [1, 6]. meta는 디스플레이가 장착된 799달러의 ray ban 모델을 출시해 48시간 만에 매진시키며 시장의 73%를 점유했고, xiaomi와 tcl rayneo 등도 아시아 태평양 시장에서 경쟁을 가속하고 있다 [1, 3, 6]. 디자인 한계", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/Smart Glasses.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\Smart Glasses.md", "folder": "Topics", "filename": "Smart Glasses", "norm_name": "smartglasses", "title": "Smart Glasses", "norm_title": "smartglasses", "fm_id": "wiki-2026-0508-smart-glasses", "fm_aliases": [ "mission_4a29166a3e5d" ], "fm_tags": [ "automated", "datacollector", "brain_sync" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 2417, "body_first_para_hash": "9538917024bb", "body_fingerprint": "스마트 안경(smart glasses)은 ai 어시스턴트와 디스플레이 기술이 통합되면서 2026년 기준 전년 대비 110%의 폭발적인 출하량 성장을 기록하고 있는 웨어러블 기술입니다 [1, 2]. 단순한 카메라 기능을 넘어 실시간 번역, 내비게이션, 알림 등을 사용자의 시야에 직접 오버레이하여 보여줍니다 [3]. 메타(meta)와 같은 주요 기술 기업들의 주도 아래 과거의 디자인적 한계와 가격 문제를 해결하며 소비자들에게 강력한 실사용 가치를 입증하고 있습니다 [2 5]. 폭발적인 시장 성장과 ai의 결합 : 스마트 안경 시장은 전년 대비 110%의 성장을 보였으며, ai 어시스턴트가 내장된 ai 안경이 전체 스마트 안경 출하량의 78%를 차지하게 되었습니다(2024년 상반기 46%에서 급증) [1, 2]. 소비자들은 더 이상 단순한 카메라 안경이 아닌 ai가 탑재된 지능형 기기를 요구하고 있습니다 [2]. 기능의 진화와 실용성 입증 : 디스플레이가 장착된 최신 모델들은 오디오 중심의 기능을 넘어 번역, 내비게이션, 스마트폰 알림 등을 사용자의 시야 위에 시각적으로 오버레이하여 제공합니다 [3]. 이러한 발전은 ai 어시스턴트와 결합하여 스마트 안경을 구매해", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/Smart Rings.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\Smart Rings.md", "folder": "Topics", "filename": "Smart Rings", "norm_name": "smartrings", "title": "Smart Rings", "norm_title": "smartrings", "fm_id": "wiki-2026-0508-smart-rings", "fm_aliases": [ "mission_510bae3c58c2" ], "fm_tags": [ "automated", "datacollector", "brain_sync" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 5189, "body_first_para_hash": "8686069a2148", "body_fingerprint": "스마트 링(smart rings)은 부피가 큰 화면 없이 사용자의 수면, 회복, 준비도 등을 수집하는 데 이상적인 폼팩터를 갖춘 주류 웨어러블 기술입니다 [1, 2]. 최근 이 기기들은 단순한 데이터 수집을 넘어 심박수 변이도(hrv), 체온, 혈중 산소 등의 생체 데이터를 분석하여 사용자에게 실행 가능한 건강 인텔리전스를 제공하도록 진화하고 있습니다 [1, 2]. 특히 ai와 결합하여 사용자가 증상을 느끼기 전에 질병을 예측하거나, 데이터에 기반한 선제적 행동(proactive suggestion)을 지시하는 강력한 건강 코칭 도구로 자리 잡고 있습니다 [3 5]. 폭발적인 시장 성장과 폼팩터의 장점: 스마트 링 출하량은 2025년에 49% 급증하며 \"기술 애호가의 호기심\"에서 \"합법적인 제품 범주\"로 주류 시장에 진입했습니다 [1, 6]. oura가 전 세계 매출의 약 80%를 지배하는 가운데 samsung 등이 시장에 진입했으며, 수면 추적에 있어 부피가 큰 스마트워치보다 착용이 편하다는 형태적 이점이 성장을 견인하고 있습니다 [1, 7, 8]. 선제적 건강 인텔리전스 (proactive suggestion): 2026년 웨어러블의 성공 기준은 가장 많", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/Soft-Prompt-Compression.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\Soft-Prompt-Compression.md", "folder": "Topics", "filename": "Soft-Prompt-Compression", "norm_name": "softpromptcompression", "title": "Redirect", "norm_title": "redirect", "fm_id": "wiki-2026-0508-soft-prompt-compression", "fm_aliases": [], "fm_tags": [ "uncategorized" ], "fm_status": "verified", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 1414, "body_first_para_hash": "7bfa4d79e2dc", "body_fingerprint": " redirect to: \"생성형 ai 및 llm 엔지니어링 표준\" canonical id: \"wiki 2026 0507 106\" 이 문서는 canonical 문서인 통합되었습니다. 모든 최신 지식과 세부 내용은 위 링크를 참조하십시오. soft prompt compression은 긴 자연어 컨텍스트를 학습 가능한 가상 토큰(소프트 프롬프트)으로 압축해, 추론 시 토큰 비용을 줄이면서 정보 손실을 최소화하는 기법이다. 추출된 패턴: 자연어 토큰 → 임베딩 공간의 연속 벡터로 압축하면, 정보 밀도는 높지만 인간 해석성은 잃음 (\"black box prompt\"). 세부 내용: gist tokens : 긴 instruction을 소수 게이트 토큰으로 증류. autocompressors : llm이 자기 출력을 누적 압축. prefix tuning과의 차이 : 전자는 입력 압축, 후자는 태스크 적응. 활용 : api 비용 절감, rag 컨텍스트 압축, 에이전트 메모리. 한계 : 압축률↑ 시 ood 일반화 저하. 언제 이 지식을 쓰는가: (todo) 언제 쓰면 안 되는가: (todo) 정보 상태: draft 출처 신뢰도: a 검토 이유: (p reinforce p", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/Software_Architecture_Patterns.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\Software_Architecture_Patterns.md", "folder": "Topics", "filename": "Software_Architecture_Patterns", "norm_name": "softwarearchitecturepatterns", "title": "Software Architecture Patterns", "norm_title": "softwarearchitecturepatterns", "fm_id": "wiki-20260508-software-architecture-patterns-redir", "fm_aliases": [], "fm_tags": [ "redirect" ], "fm_status": "merged", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": "Software-Architecture-Patterns", "fm_canonical_id": "Software-Architecture-Patterns", "body_chars": 195, "body_first_para_hash": "c4c1f2c8bbca", "body_fingerprint": "[!important] 이 문서는 p reinforce phase 2 자동 merge에 의해 software architecture patterns 로 통합되었습니다. redirected to: software architecture patterns", "is_stub": true, "is_huge": false, "is_redirect": true, "is_operational": false }, { "path": "10_Wiki/Topics/SSM.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\SSM.md", "folder": "Topics", "filename": "SSM", "norm_name": "ssm", "title": "Redirect", "norm_title": "redirect", "fm_id": "wiki-2026-0508-ssm", "fm_aliases": [], "fm_tags": [ "uncategorized" ], "fm_status": "verified", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 1448, "body_first_para_hash": "03c8e8db86a0", "body_fingerprint": " redirect to: \"생성형 ai 및 llm 엔지니어링 표준\" canonical id: \"wiki 2026 0507 106\" 이 문서는 canonical 문서인 통합되었습니다. 모든 최신 지식과 세부 내용은 위 링크를 참조하십시오. state space model(ssm)은 연속 시간 선형 동역학을 신경망으로 매개변수화한 시퀀스 모델로, transformer 대비 선형 복잡도로 긴 컨텍스트를 처리할 수 있는 대안이다. 추출된 패턴: \"행렬 a·b·c·d로 정의되는 ode → 이산화 → 컨볼루션/rnn 형태로 효율 계산\" — 이 수학적 골격이 모든 ssm 변형의 기본 틀. 세부 내용: 수식 : h'(t) = ah(t) + bx(t), y(t) = ch(t) + dx(t). 이산화 : zoh/bilinear로 (a,b) → (ā,b̄). hippo 초기화 : 직교 다항식 기반으로 장기 메모리 보존. s4 / s5 / s6 (mamba) : 선택적 게이팅으로 데이터 의존성 도입. 장점 : 추론 시 o(l) 시간·메모리. transformer의 o(l²) 대비 유리. 언제 이 지식을 쓰는가: (todo) 언제 쓰면 안 되는가: (todo) 정보 상태: dra", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/Stability.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\Stability.md", "folder": "Topics", "filename": "Stability", "norm_name": "stability", "title": "Stability", "norm_title": "stability", "fm_id": "wiki-2026-0508-stability", "fm_aliases": [ "P-Reinforce-AUTO-STAB-RD" ], "fm_tags": [ "uncategorized" ], "fm_status": "verified", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 1459, "body_first_para_hash": "f98d66bc48b5", "body_fingerprint": "[!note] 안정성에 관한 단일 개념은 시스템 설계상의 트레이드오프를 다루는 stability vs flexibility 문서에서 통합하여 깊이 있게 다루고 있습니다. 위 링크로 이동해 주시기 바랍니다. 🫡🐟 ai 시스템의 안정성은 입력 perturbation·분포 변화·파라미터 변동 하에서 출력 일관성을 유지하는 능력으로, 신뢰성·재현성·안전성의 토대가 된다. 추출된 패턴: 학습 안정성(loss 발산 방지)과 추론 안정성(출력 변동성)은 별개 — 전자는 옵티마이저·정규화 문제, 후자는 샘플링·탈옥 문제. 세부 내용: 학습 안정성 : gradient clipping, learning rate warmup, residual scaling. 추론 안정성 : temperature 고정, deterministic flag, seed 관리. 분포 외 강건성 : adversarial training, ensemble. 재현성 : hardware nondeterminism (cudnn), float precision. 안전성 : jailbreak 저항, prompt injection 방어. 언제 이 지식을 쓰는가: (todo) 언제 쓰면 안 되는가: (todo) 정보 ", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/Street Duel Fighter.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\Street Duel Fighter.md", "folder": "Topics", "filename": "Street Duel Fighter", "norm_name": "streetduelfighter", "title": "Street Duel Fighter", "norm_title": "streetduelfighter", "fm_id": "wiki-2026-0508-street-duel-fighter", "fm_aliases": [ "550e8400-e29b-41d4-a716-446655440001" ], "fm_tags": [ "Game Design", "Street Fighter", "CRT", "Canvas", "React" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-04-21", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 1644, "body_first_para_hash": "c83364755419", "body_fingerprint": "16비트 아케이드의 crt 미학과 현대적인 react/canvas 기술을 결합하여 오감을 자극하는 격투 게임 기획 및 구현 프로토콜. 추출된 패턴: 클래식 격투 게임의 메카닉을 웹 기술(react 18 + tailwind v4 + canvas api)로 재해석하여 고성능 인터랙티브 데모 구축. 세부 내용: visual identity : crt 스캔라인 효과, 픽셀 아트 스타일, 네온 컬러 팔레트를 통한 강렬한 레트로 감성. core mechanics : 8인 캐릭터 시스템, 6종 스테이지, canvas 기반의 프레임 단위 충돌 판정 및 hp 시스템. tech stack : 가벼운 라우팅(wouter)과 강력한 스타일링(tailwind v4)을 통한 쾌적한 ux. 정책 변화 : 단순한 정적 기획서를 넘어, 즉시 플레이 가능한 '전투 훈련기'와 '데모'를 포함하는 실행 중심의 기획서 표준 제안. parent : game design related : retro aesthetics, canvas interaction raw source : 00 raw/2026 04 21 street duel fighter prompt 언제 이 지식을 쓰는가: (todo) 언제 ", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/Test-time computing.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\Test-time computing.md", "folder": "Topics", "filename": "Test-time computing", "norm_name": "testtimecomputing", "title": "Redirect", "norm_title": "redirect", "fm_id": "wiki-2026-0508-test-time-computing", "fm_aliases": [], "fm_tags": [ "uncategorized" ], "fm_status": "verified", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 1442, "body_first_para_hash": "8a04e2f066bd", "body_fingerprint": " redirect to: \"생성형 ai 및 llm 엔지니어링 표준\" canonical id: \"wiki 2026 0507 106\" 이 문서는 canonical 문서인 통합되었습니다. 모든 최신 지식과 세부 내용은 위 링크를 참조하십시오. test time compute는 학습 후 추론 단계에서 더 많은 연산을 투입(샘플 증강·체인 오브 사고·반복 증류 등)해 추가 학습 없이 정확도를 높이는 패러다임이다. 추출된 패턴: \"파라미터 키우기\" 대신 \"추론 시간 키우기\" — openai o1/deepseek r1처럼 thinking tokens를 늘려 reasoning 깊이를 확장. 세부 내용: chain of thought : 중간 추론 단계를 명시적으로 생성. self consistency : 여러 샘플 후 다수결. tree of thoughts / graph of thoughts : 분기 탐색. verifier guided search : 검증자로 후보를 가지치기. process reward model (prm) : 단계별 보상으로 reasoning 강화. 언제 이 지식을 쓰는가: (todo) 언제 쓰면 안 되는가: (todo) 정보 상태: draft 출처 ", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/The Grammys.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\The Grammys.md", "folder": "Topics", "filename": "The Grammys", "norm_name": "thegrammys", "title": "The Grammys", "norm_title": "thegrammys", "fm_id": "wiki-2026-0508-the-grammys", "fm_aliases": [ "P-Reinforce-AUTO-GRAM-RD" ], "fm_tags": [ "uncategorized" ], "fm_status": "draft", "fm_trust": "A", "fm_last_reinforced": "2026-04-20", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 1269, "body_first_para_hash": "d04b655f82c9", "body_fingerprint": "[!note] 그래미 어워즈와 이를 주관하는 레코딩 아카데미에 관한 상세 내용은 recording academy (the grammys) 문서에서 통합 관리하고 있습니다. 위 링크로 이동해 주시기 바랍니다. 🫡🐟 🤖 [ai 추론 보강 필요] — 본문이 200자 미만이라 p reinforce가 빈약 stub으로 분류했습니다. source trust level= c (ai 보강분), confidence score= 0.92 로 표시되어 있습니다. 사용자 검증 후 trust level 상향 조정 가능. (todo: 한 문장으로 핵심 통찰을 작성. \"x는 y 조건에서 z 효과를 낸다\" 구조 권장.) 추출된 패턴: (todo) 세부 내용: (todo) 언제 이 지식을 쓰는가: (todo) 언제 쓰면 안 되는가: (todo) 정보 상태: draft 출처 신뢰도: a 검토 이유: (p reinforce phase 1 자동 정규화. 본문 검증 필요.) 기존 유사 문서: (todo: 인덱서 클러스터 리포트 참조) 처리 방식: update (자동 정규화) 처리 이유: phase 1 정규화 — 옛 템플릿/누락 필드 보강. 과거 데이터와의 충돌: 없음 정책 변화: 없음 paren", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/Theoretical_Foundations.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\Theoretical_Foundations.md", "folder": "Topics", "filename": "Theoretical_Foundations", "norm_name": "theoreticalfoundations", "title": "Redirect", "norm_title": "redirect", "fm_id": "wiki-2026-0508-theoretical-foundations", "fm_aliases": [], "fm_tags": [ "uncategorized" ], "fm_status": "verified", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 1401, "body_first_para_hash": "2c7de496fdce", "body_fingerprint": " redirect to: \"데이터 사이언스 및 ml 엔지니어링\" canonical id: \"wiki 2026 0507 029\" 이 문서는 canonical 문서인 통합되었습니다. 모든 최신 지식과 세부 내용은 위 링크를 참조하십시오. ai/ml의 이론적 기반은 확률·통계·정보이론·최적화·계산복잡도가 교차하는 지점이며, 응용 모델 선택의 정당성을 이 층위에서 찾는다. 추출된 패턴: 모든 학습 알고리즘은 결국 \"가설공간 + 손실함수 + 최적화 절차\"의 조합으로 환원되며, 각 선택의 통계적·계산적 트레이드오프를 이해하는 것이 핵심. 세부 내용: 확률·통계 : mle, map, 베이즈 추론, 정보이론(엔트로피, kl divergence). 최적화 : 볼록/비볼록, 1차/2차 방법, 확률적 경사, 라그랑지안 쌍대. pac 학습 : 표본 복잡도, vc 차원, 일반화 이론. 계산복잡도 : p/np, 근사 알고리즘, 샘플링 기반 추론. 표현이론 : 보편 근사 정리, 만성/유한 표현, 신경 정량화. 언제 이 지식을 쓰는가: (todo) 언제 쓰면 안 되는가: (todo) 정보 상태: draft 출처 신뢰도: a 검토 이유: (p reinforce phase 1 자동 정규화", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/Theta-Gamma-Coupling.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\Theta-Gamma-Coupling.md", "folder": "Topics", "filename": "Theta-Gamma-Coupling", "norm_name": "thetagammacoupling", "title": "Theta Gamma Coupling", "norm_title": "thetagammacoupling", "fm_id": "wiki-20260508-theta-gamma-coupling-redir", "fm_aliases": [], "fm_tags": [ "redirect" ], "fm_status": "merged", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": "Theta-Gamma Coupling", "fm_canonical_id": "Theta-Gamma Coupling", "body_chars": 165, "body_first_para_hash": "4822274587c0", "body_fingerprint": "[!important] 이 문서는 p reinforce phase 2 자동 merge에 의해 theta gamma coupling 로 통합되었습니다. redirected to: theta gamma coupling", "is_stub": true, "is_huge": false, "is_redirect": true, "is_operational": false }, { "path": "10_Wiki/Topics/Transformer_Architecture_and_LLM_Foundations.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\Transformer_Architecture_and_LLM_Foundations.md", "folder": "Topics", "filename": "Transformer_Architecture_and_LLM_Foundations", "norm_name": "transformerarchitectureandllmfoundations", "title": "Transformer_Architecture_and_LLM_Foundations", "norm_title": "transformerarchitectureandllmfoundations", "fm_id": "wiki-2026-0508-transformer-architecture-and-llm", "fm_aliases": [ "P-Reinforce-CANONICAL-TRANSFORMER-LLM" ], "fm_tags": [ "canonical", "transformer", "llm", "attention", "bert", "gpt" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 3035, "body_first_para_hash": "da2bcb20394e", "body_fingerprint": "\"데이터 간의 모든 관계를 병렬로 파악하여 시퀀스의 한계를 돌파하라.\" 트랜스포머는 순차적 처리를 버리고 셀프 어텐션(self attention) 메커니즘을 통해 데이터의 맥락을 전역적으로 파악하며, 현대 대규모 언어 모델(llm)의 폭발적인 성능 향상을 이끈 표준 아키텍처입니다. self attention: 입력 문장의 각 단어가 문맥 내 다른 모든 단어들과 어떤 관계를 맺고 있는지 점수를 매깁니다. 특정 단어를 이해하기 위해 어떤 단어에 '주의(attention)'를 기울여야 하는지 계산합니다. multi head attention: 여러 개의 어텐션 루프를 병렬로 실행하여, 단어 간의 다양한 의미적(문법, 의미, 대용어 등) 관계를 동시에 포착합니다. query, key, value (q, k, v): 정보를 찾으려는 주체(q), 정보의 인덱스(k), 실제 정보 값(v)으로 데이터를 벡터화하여 관계를 연산합니다. positional encoding: 트랜스포머는 데이터를 한꺼번에 입력받으므로 순서 정보가 없습니다. 이를 해결하기 위해 단어 벡터에 위치 정보(sine/cosine 함수 등)를 더해 순서 감각을 부여합니다. feed forward netwo", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/Vagus Nerve Stimulation (VNS).md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\Vagus Nerve Stimulation (VNS).md", "folder": "Topics", "filename": "Vagus Nerve Stimulation (VNS)", "norm_name": "vagusnervestimulationvns", "title": "Vagus Nerve Stimulation (VNS)", "norm_title": "vagusnervestimulationvns", "fm_id": "wiki-2026-0508-vagus-nerve-stimulation-vns", "fm_aliases": [ "mission_de1801a206a3" ], "fm_tags": [ "automated", "datacollector", "brain_sync" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 2048, "body_first_para_hash": "bbab4aec0fd0", "body_fingerprint": "미주신경 자극(vns)은 신경계를 진정시켜 사용자의 불안과 스트레스를 완화하는 것을 목적으로 하는 기술입니다 [1]. 최근의 비침습적 웨어러블 장치는 가슴에 착용하여 골전도를 통한 초저주파 진동을 몸에 전달하는 방식으로 이 신경을 자극합니다 [1]. 이를 통해 심장 건강, 소화 기능 및 호흡 속도를 개선하고 깊은 명상 상태를 유도하는 데 도움을 줄 수 있습니다 [1]. 비침습적 웨어러블 기술의 적용 : 최근 소비자 가전 전시회(ces)에서 소개된 '센세이트(sensate)'와 같은 기기는 수술이나 침습적 시술 없이 미주신경을 자극하는 웰니스 장치의 대표적인 예입니다 [1]. 이 장치는 사용자의 가슴 위에 놓여 신경계를 진정시키는 부드럽고 편안한 진동을 제공합니다 [1]. 작동 원리 (초저주파 및 골전도) : 이 기기는 골전도(bone conduction) 방식을 활용하여 초저주파(infrasonic) 음파를 방출함으로써 신체 내부로 자극을 전달합니다 [1]. 주요 건강 이점 : vns 기술의 주된 이점은 신경계 안정을 통한 스트레스 및 불안 감소입니다 [1]. 더 나아가, 소화 기능 향상, 심장 건강 개선, 호흡 속도 안정화 등의 다양한 신체적, 정신적 이점", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/Wearable Technology (웨어러블 기기).md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\Wearable Technology (웨어러블 기기).md", "folder": "Topics", "filename": "Wearable Technology (웨어러블 기기)", "norm_name": "wearabletechnology웨어러블기기", "title": "Wearable Technology (웨어러블 기기)", "norm_title": "wearabletechnology웨어러블기기", "fm_id": "wiki-2026-0508-wearable-technology-웨어러블-기기", "fm_aliases": [ "mission_dc160fa51f04" ], "fm_tags": [ "automated", "datacollector", "brain_sync" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 3191, "body_first_para_hash": "450e994f74c5", "body_fingerprint": "웨어러블 기기(wearable technology)는 단순한 걸음 수 측정이나 알림 기능을 넘어, 임상 수준의 정확도로 건강 상태를 모니터링하고 예측하는 스마트 전자기기로 진화하고 있습니다 [1]. 2026년 현재 스마트 반지, ai 탑재 스마트 안경, 건강 센서가 내장된 무선 이어버드뿐만 아니라 속옷 부착형 트래커, 보행 보조 외골격 등 다양한 형태의 기기들이 시장을 주도하고 있습니다 [2 4]. 특히 온디바이스 ai와 결합하여 단순히 과거의 데이터를 수집하는 것을 넘어, 질병을 예측하고 실질적인 건강 관리 조언을 제공하는 능동적인 코칭 도구로 발전하고 있습니다 [5 7]. 임상 등급 모니터링으로의 진화: 웨어러블 기기는 점차 소비자용 웰니스 제품과 의료 기기 사이의 경계를 허물고 있습니다 [8, 9]. whoop의 심전도(ecg) 기능과 biolinq의 바늘 없는 연속 혈당 측정기(cgm) 등이 fda 승인을 받으며, 스마트 기기를 통한 임상 등급의 정확한 건강 데이터 수집이 현실화되고 있습니다 [8 10]. 폼팩터의 다양화와 일상으로의 통합: 스마트 반지 및 이어버드: 수면 및 회복 상태를 추적하는 데 최적화된 스마트 반지(oura, samsung 등)", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/Wearables 2.0.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\Wearables 2.0.md", "folder": "Topics", "filename": "Wearables 2.0", "norm_name": "wearables20", "title": "Wearables 2.0", "norm_title": "wearables20", "fm_id": "wiki-2026-0508-wearables-2-0", "fm_aliases": [ "mission_e94d535a21a5" ], "fm_tags": [ "automated", "datacollector", "brain_sync" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 2593, "body_first_para_hash": "ca480e0fdcca", "body_fingerprint": "wearables 2.0은 기존의 단순 피트니스 추적용 기기들이 fda와 같은 규제 당국의 승인을 받은 임상 등급(clinical grade)의 의료 기기로 진화하는 새로운 시대를 의미합니다 [1]. 이 시기의 웨어러블 기기들은 소비자용 제품의 외관을 유지하면서도 심전도, 연속 혈당 측정 등 고도의 의료적 기능을 제공합니다 [1, 2]. 결과적으로 웰니스 기기와 전문 의료 기기 사이의 경계가 흐려지며, 단순한 데이터 수집을 넘어 사용자에게 실질적인 건강 인텔리전스를 제공하는 것이 특징입니다 [2, 3]. 임상 등급 의료 기능의 편입: 2025년부터 소비자용 웨어러블 기기들이 본격적인 규제 승인을 받기 시작하며 wearables 2.0의 시대가 도래했습니다 [1]. apple watch가 심전도(ecg) 및 심방세동 감지 기능으로 선례를 만든 이후, whoop은 심전도 기능으로 fda 승인을 획득했습니다 [1, 4]. 또한, dexcom과 biolinq는 임상적 정확도를 갖춘 연속 혈당 측정기(cgm)와 자율 무침 패치에 대한 규제 승인을 받으며 기존의 의료 기기와 소비자 기기의 융합을 가속하고 있습니다 [1, 2, 5]. 온디바이스 ai와 예측형 건강 관리:", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/Wearables API - IoT Devices.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\Wearables API - IoT Devices.md", "folder": "Topics", "filename": "Wearables API - IoT Devices", "norm_name": "wearablesapiiotdevices", "title": "Wearables API / IoT Devices", "norm_title": "wearablesapiiotdevices", "fm_id": "wiki-2026-0508-wearables-api-iot-devices", "fm_aliases": [ "mission_14d797993957" ], "fm_tags": [ "automated", "datacollector", "brain_sync" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 5494, "body_first_para_hash": "7238d80374f9", "body_fingerprint": "wearables api 및 iot 기기는 스마트 링, 연속 혈당 측정기(cgm), 무선 이어버드 등 다양한 건강 및 피트니스 트래커에서 발생하는 생체 데이터를 단일 플랫폼으로 통합하는 기술입니다 [1, 2]. 최근 이 기술은 기기 내장형 ai(온디바이스 ai) 및 대형 언어 모델과 결합하여, 단순한 수동적 데이터 기록을 넘어 증상이 나타나기 전에 질병을 예측하고 실시간으로 행동 지침을 제공하는 '선제적 제안(proactive suggestion)' 기능으로 진화하고 있습니다 [3 8]. 수동적 추적에서 선제적 건강 인텔리전스로의 전환 : 웨어러블 기기의 역할은 단순히 수면 부족이나 심박수 변이를 알려주는 것에서, 데이터를 기반으로 \"오늘 강도 높은 운동을 건너뛰고 회복에 집중하라\"고 지시하거나 증상을 느끼기 전에 질병 발생을 예측하는 능동적인 코치 역할로 변화하고 있습니다 [9 12]. ai 모델은 패턴을 분석해 저혈당 쇼크, 임신 합병증, 스트레스 수준 등을 선제적으로 경고합니다 [5, 6, 13]. 엣지 컴퓨팅(edge computing)과 온디바이스 ai : 데이터를 클라우드로 보내는 대신 기기 자체에서 실시간으로 분석하는 온디바이스 ai가 웨어러블에", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/Wearables API.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\Wearables API.md", "folder": "Topics", "filename": "Wearables API", "norm_name": "wearablesapi", "title": "Wearables API", "norm_title": "wearablesapi", "fm_id": "wiki-2026-0508-wearables-api", "fm_aliases": [ "mission_f66b7b222a6c" ], "fm_tags": [ "automated", "datacollector", "brain_sync" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 2658, "body_first_para_hash": "658bcb976d95", "body_fingerprint": "wearables api(웨어러블 api)는 스마트워치, 피트니스 트래커, 스마트 링 등 수많은 웨어러블 및 iot 기기의 데이터를 단일 연결을 통해 애플리케이션에 연동해 주는 인터페이스입니다 [1 3]. 개발자는 이를 통해 각 기기별로 시스템을 별도로 구축할 필요 없이 일관된 형식의 건강 데이터를 수집하고 개발 및 유지보수 시간을 크게 단축할 수 있습니다 [2]. 특히 펨테크(femtech) 및 헬스케어 앱이 ai를 활용하여 개인화되고 선제적인 건강 관리(proactive health coaching)를 제공할 수 있도록 돕는 핵심 인프라 역할을 수행합니다 [1, 2, 4]. 포괄적인 기기 통합 및 엔지니어링 효율성 : wearables api(예: spike wearables api)는 단 한 번의 연동 작업만으로 500개 이상의 웨어러블 및 iot 기기에 대한 데이터 접근을 제공합니다 [1, 2]. 이는 수백 개의 기기를 일일이 연동하고 지속적으로 유지보수하는 데 드는 수개월의 엔지니어링 리소스를 절감해주며, 서로 다른 기기 유형 간에도 일관된 데이터 형식을 보장합니다 [2]. 폭넓은 데이터 범용성 및 확장성 : 오직 피트니스 목적의 기기에 한정되는 피", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/Web_Performance_Optimization.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\Web_Performance_Optimization.md", "folder": "Topics", "filename": "Web_Performance_Optimization", "norm_name": "webperformanceoptimization", "title": "웹 성능 최적화 및 Web Vitals (Web Performance & Web Vitals)", "norm_title": "웹성능최적화및webvitalswebperformancewebvitals", "fm_id": "wiki-2026-0508-web-performance-optimization", "fm_aliases": [ "web_performance_optimization" ], "fm_tags": [ "- web-performance - web-vitals - lcp - inp - cls - browser-rendering" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 2722, "body_first_para_hash": "7a2748b349a5", "body_fingerprint": "\"사용자 경험의 계량화: 단순히 페이지가 빨리 뜨는 것을 넘어, 로딩(lcp), 반응성(inp), 시각적 안정성(cls)을 측정하여 사용자가 체감하는 '쾌적함'을 숫자로 관리하는 전략.\" 구글이 사용자 경험을 평가하기 위해 제시한 3대 지표입니다. lcp (largest contentful paint) : 가장 큰 콘텐츠(이미지, 텍스트 블록 등)가 렌더링되는 시점. 로딩 성능 을 측정합니다. (2.5초 이내 권장) cls (cumulative layout shift) : 페이지 로드 중 예기치 않은 레이아웃 이동이 발생하는 정도. 시각적 안정성 을 측정합니다. (0.1 이하 권장) inp (interaction to next paint) : 사용자의 클릭, 탭, 키보드 입력에 대해 브라우저가 다음 프레임을 그릴 때까지의 시간. 반응성 을 측정합니다. (fid를 대체하는 최신 지표) main thread 관리 : javascript 실행 시간이 길어지면 메인 스레드가 차단되어 반응성이 저하됩니다. long tasks 를 분할하거나 web workers를 활용해야 합니다. layout & paint : 불필요한 dom 변경과 리플로우(reflow)를 방지하고,", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/게임_디자인_및_가상_경제_시스템.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\게임_디자인_및_가상_경제_시스템.md", "folder": "Topics", "filename": "게임_디자인_및_가상_경제_시스템", "norm_name": "게임디자인및가상경제시스템", "title": "게임_디자인_및_가상_경제_시스템", "norm_title": "게임디자인및가상경제시스템", "fm_id": "wiki-2026-0507-105", "fm_aliases": [ "wiki-2026-0507-105", "Game Design", "Virtual Economy", "Game Mechanics", "Monetization", "Gacha", "Game Balancing", "Level Design", "Combat Ecosystem", "LiveOps", "C2", "Tactical Strategy", "게임 디자인", "가상 경제", "수익화 모델", "전투 시스템", "라이브 서비스" ], "fm_tags": [ "GameDesign", "Economy", "Psychology", "Monetization", "Mechanics", "LiveOps", "Strategy" ], "fm_status": "verified", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 3885, "body_first_para_hash": "f2524b8e19a5", "body_fingerprint": "\"게임을 설계하는 것은 재미를 설계하는 것이 아니라, 의미 있는 선택의 연속을 설계하는 것이다.\" 플레이어의 심리를 자극하는 보상 체계와 시스템적 균형이 잡힌 가상 경제를 통해 지속 가능한 디지털 생태계를 구축하는 핵심 프레임워크. 추출된 패턴: 현대 게임 디자인은 '코어 루프(core loop)' 의 반복을 통해 몰입을 유도하고, '메타 프로그레션(meta progression)' 을 통해 장기적 목표를 제공한다. 수익화 모델은 단순한 판매를 넘어 플레이어의 심리적 편향(매몰 비용, fomo)을 활용한 정교한 경제 시스템과 결합되어 작동한다. 세부 내용: mechanics (메커니즘): 규칙, 행동, 데이터 등 시스템의 구성 요소. dynamics (다이내믹스): 플레이어가 메커니즘을 조작할 때 발생하는 시스템의 반응과 상호작용. aesthetics (에스테틱스): 플레이어가 느끼는 정서적 반응 (재미, 긴장감, 성취감 등). 수도꼭지와 배수구 (taps & sinks): taps (유입): 퀘스트, 보상 등을 통해 경제 시스템으로 재화가 유입되는 지점. sinks (소모): 수리비, 강화비, 수수료 등을 통해 재화를 소멸시켜 인플레이션을 억제하는 지점. ", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/그래픽스_및_시뮬레이션_엔지니어링.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\그래픽스_및_시뮬레이션_엔지니어링.md", "folder": "Topics", "filename": "그래픽스_및_시뮬레이션_엔지니어링", "norm_name": "그래픽스및시뮬레이션엔지니어링", "title": "그래픽스_및_시뮬레이션_엔지니어링", "norm_title": "그래픽스및시뮬레이션엔지니어링", "fm_id": "wiki-2026-0507-107", "fm_aliases": [ "wiki-2026-0507-107", "Graphics Engineering", "Computer Graphics", "Simulation", "WebGPU", "VFX", "Rendering", "Physics Engine", "그래픽스", "시뮬레이션" ], "fm_tags": [ "Graphics", "Simulation", "WebGPU", "VFX", "Rendering", "Physics" ], "fm_status": "verified", "fm_trust": "A", "fm_last_reinforced": "2026-05-07", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 3240, "body_first_para_hash": "b87f09e9d5d8", "body_fingerprint": "\"수학으로 현실을 그리다.\" 물리적 법칙을 코드로 시뮬레이션하고, 하드웨어 가속(gpu)을 통해 실시간으로 고품질 시각 정보를 렌더링하며, 디지털 세계의 상호작용을 사실적으로 구현하는 시각화 공학. 추출된 패턴: 현대 그래픽스 엔지니어링은 'webgpu와 같은 차세대 api' 를 통한 저수준 제어와 '절차적 생성(procedural generation)' 을 통한 대규모 세계 구축을 지향한다. 렌더링 파이프라인의 최적화는 단순히 속도를 높이는 것을 넘어, 복잡한 물리 현상(빛, 유체 등)을 실시간으로 근사하는 고도의 수학적 모델링을 포함한다. 세부 내용: webgpu: 최신 gpu 아키텍처를 웹에서 직접 제어할 수 있는 표준 api. webgl 대비 오버헤드가 낮고 연산 성능(compute shader)이 뛰어남. 렌더링 파이프라인: 정점 처리(vertex processing), 래스터화(rasterization), 프래그먼트 처리(fragment processing)의 고속 병렬 처리 과정. gpu 메모리 계층: 레지스터, 공유 메모리, 글로벌 메모리 간의 데이터 전송 최적화가 성능의 핵심. 물리 법칙 모델링: 강체(rigid body), 연성체(soft ", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/데이터_사이언스_및_ML_엔지니어링.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\데이터_사이언스_및_ML_엔지니어링.md", "folder": "Topics", "filename": "데이터_사이언스_및_ML_엔지니어링", "norm_name": "데이터사이언스및ml엔지니어링", "title": "데이터_사이언스_및_ML_엔지니어링", "norm_title": "데이터사이언스및ml엔지니어링", "fm_id": "wiki-2026-0507-029", "fm_aliases": [ "wiki-2026-0507-029", "Machine Learning", "Deep Learning", "ML", "Python", "Data Science", "Generative AI", "Neural Networks", "VAE", "LSTM", "DQN", "Bayesian Inference", "MDP", "Swarm Intelligence", "NLP", "Computer Vision", "CNN", "Reinforcement Learning", "기계 학습", "데이터 사이언스", "강화 학습" ], "fm_tags": [ "AI", "Machine Learning", "Deep Learning", "Data Science", "Generative AI", "MLOps", "NeuralNetworks", "ProbabilisticModels", "ComputerVision", "RL" ], "fm_status": "verified", "fm_trust": "B", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 3908, "body_first_para_hash": "434bd5c88568", "body_fingerprint": "\"데이터로부터 가치를 추출하고 지능을 모델링하는 공학.\" 단순한 예측을 넘어, 대규모 데이터를 학습하여 새로운 콘텐츠를 생성하고(generative ai), 복잡한 문제를 인공신경망으로 해결하는 현대 ai 기술의 근간. 추출된 패턴: 데이터 전처리(cleaning)에서 시작하여 모델 학습(training)과 최적화(optimization)를 거쳐, 실제 서비스에 배포하고 모니터링하는 전 과정(mlops)을 하나의 유기적인 파이프라인으로 구축하는 것이 핵심이다. 세부 내용: 머신러닝 및 딥러닝 기초: 3대 학습 패러다임: 지도 학습, 비지도 학습, 강화 학습. 인공신경망 아키텍처 (neural architectures): cnn (convolutional neural networks): 이미지 데이터의 공간적 구조를 보존하며 특징을 추출하는 표준 아키텍처. 풀링(pooling), 필터(filter), 스트라이드(stride) 등을 통해 고수준 시각적 패턴 학습. lstm (long short term memory): 시계열 데이터의 장기 의존성 문제를 해결하는 순환 신경망(rnn) 변형. 게이트 메커니즘(forget, input, output)으로 정보의 흐름", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/데이터_엔지니어링_표준.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\데이터_엔지니어링_표준.md", "folder": "Topics", "filename": "데이터_엔지니어링_표준", "norm_name": "데이터엔지니어링표준", "title": "데이터_엔지니어링_표준", "norm_title": "데이터엔지니어링표준", "fm_id": "wiki-2026-0508-001", "fm_aliases": [ "wiki-2026-0508-001", "Data Engineering", "Data Warehouse", "Data Quality", "Governance", "Snowflake", "Firebase Data Connect", "ETL", "Data Pipeline", "데이터 엔지니어링" ], "fm_tags": [ "Data Engineering", "Infrastructure", "Cloud", "Data Governance", "Database", "SaaS" ], "fm_status": "verified", "fm_trust": "B", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 3188, "body_first_para_hash": "fe7f686fae01", "body_fingerprint": "\"데이터의 흐름은 공학이고, 파이프라인은 생명선이다.\" 원천 데이터의 수집부터 정제, 저장, 그리고 분석에 이르기까지 전 과정의 신뢰성을 확보하고, 데이터 품질 계층(data quality layer)을 통해 ai 에이전트의 판단 근거를 견고히 하는 현대적 데이터 아키텍처 구축 표준. 추출된 패턴: '저장과 연산의 분리(separation of storage and compute)' 및 '스키마 우선 설계(schema first design)'를 통해 확장성과 무결성을 동시에 확보한다. 특히 ai 에이전트 환경에서는 데이터의 최신성과 인증 상태를 실시간으로 검증하는 '데이터 품질 계층'이 필수적이다. 세부 내용: 데이터 엔지니어링 아키텍처: cloud native data warehouse (snowflake): 다중 클러스터 공유 데이터 아키텍처를 통해 무한한 확장성을 확보. 데이터 공유(data sharing) 기능을 활용하여 복제 없이 실시간 협업 수행. hybrid data access (firebase data connect): nosql의 민첩성과 sql(postgresql)의 엄격함을 결합. graphql 인터페이스를 통해 복잡한 관계형 데이터를", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/도메인_주도_설계(DDD)_및_소프트웨어_아키텍처.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\도메인_주도_설계(DDD)_및_소프트웨어_아키텍처.md", "folder": "Topics", "filename": "도메인_주도_설계(DDD)_및_소프트웨어_아키텍처", "norm_name": "도메인주도설계ddd및소프트웨어아키텍처", "title": "도메인_주도_설계(DDD)_및_소프트웨어_아키텍처", "norm_title": "도메인주도설계ddd및소프트웨어아키텍처", "fm_id": "wiki-2026-0507-101", "fm_aliases": [ "wiki-2026-0507-101", "DDD", "Domain-Driven Design", "Clean Architecture", "Hexagonal Architecture", "Onion Architecture", "Software Architecture", "Microservices", "CQRS", "Layered Architecture", "Microkernel", "Space-based Architecture", "도메인 주도 설계", "클린 아키텍처", "아키텍처 패턴" ], "fm_tags": [ "Architecture", "DDD", "Clean Architecture", "Backend", "System Design", "Software Engineering", "DistributedSystems" ], "fm_status": "verified", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 4370, "body_first_para_hash": "8200d2c721f4", "body_fingerprint": "\"기술은 변하지만 도메인은 변하지 않는다.\" 소프트웨어의 핵심 가치인 비즈니스 로직(domain)을 외부 프레임워크나 데이터베이스(infrastructure)로부터 철저히 격리하여, 변화에 유연하고 테스트 가능한 고밀도 지능 시스템을 구축하는 현대 아키텍처의 정점. 추출된 패턴: 현대 소프트웨어 아키텍처는 '관심사의 분리(soc)' 와 '의존성 역전(dip)' 을 통해 비즈니스 핵심(brain)과 기술적 세부사항(limbs)을 분리한다. 클린/육각형/양파 아키텍처는 모두 도메인을 최중심에 두고 의존성이 안쪽으로만 향하게 함으로써 기술 스택의 교체가 비즈니스 로직에 영향을 주지 않도록 설계된다. 세부 내용: 전략적 설계 (strategic design): 바운디드 컨텍스트 (bounded context): 모델이 적용되는 명확한 경계를 설정하여 용어의 혼선을 방지 (예: '상품'이 주문 컨텍스트와 재고 컨텍스트에서 가지는 의미의 차이). 보편적 언어 (ubiquitous language): 개발자와 비즈니스 전문가가 동일한 용어를 사용하여 소통 비용과 오해를 최소화. 전술적 설계 (tactical design): 엔티티 (entities) vs 값 객체 (va", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/디자인_시스템_및_사용자_경험_표준.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\디자인_시스템_및_사용자_경험_표준.md", "folder": "Topics", "filename": "디자인_시스템_및_사용자_경험_표준", "norm_name": "디자인시스템및사용자경험표준", "title": "디자인_시스템_및_사용자_경험_표준", "norm_title": "디자인시스템및사용자경험표준", "fm_id": "wiki-2026-0507-032", "fm_aliases": [ "wiki-2026-0507-032", "Design System", "UX", "UI", "Atomic Design", "Material Design", "User Experience", "디자인 시스템", "사용자 경험" ], "fm_tags": [ "Design", "UX", "UI", "Atomic Design", "Design Tokens", "Usability" ], "fm_status": "verified", "fm_trust": "B", "fm_last_reinforced": "2026-05-07", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 2878, "body_first_para_hash": "35dc5b03dcb0", "body_fingerprint": "\"디자인은 어떻게 보이는가가 아니라, 어떻게 작동하는가이다.\" 일관된 시각적 언어(design system)를 통해 인지 부하를 줄이고, 사용자의 여정을 매끄럽게 설계하여(ux) 제품의 본질적 가치를 전달하는 총체적 경험 설계 표준. 추출된 패턴: 작은 단위에서 큰 단위로 조립해 나가는 계층적 구조(atomic design)와 이를 코드로 정의하는 데이터(design tokens)를 결합하여 개발과 디자인 사이의 간극을 메우고 생산성을 극대화한다. 세부 내용: 아토믹 디자인 패턴 (atomic design): atoms: 버튼, 입력창 등 가장 작은 단위. molecules: 원자들이 결합하여 하나의 기능을 수행하는 단위(검색창 등). organisms: 분자들이 모여 독립적인 섹션을 형성(헤더, 사이드바 등). templates/pages: 실제 콘텐츠가 배치되는 최종 레이아웃. 디자인 토큰 (design tokens): 색상, 간격, 폰트 크기 등을 변수화하여 플랫폼(web, ios, android) 간 일관성 유지 및 대규모 수정 용이성 확보. 사용자 경험 (ux) 설계 원칙: 인지 부하 최소화: 사용자가 학습하지 않고도 인터랙션을 이해할 수 있도록 익", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/디지털 치료제 (Digital Therapeutics, DTx).md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\디지털 치료제 (Digital Therapeutics, DTx).md", "folder": "Topics", "filename": "디지털 치료제 (Digital Therapeutics, DTx)", "norm_name": "디지털치료제digitaltherapeuticsdtx", "title": "디지털 치료제 (Digital Therapeutics, DTx)", "norm_title": "디지털치료제digitaltherapeuticsdtx", "fm_id": "wiki-2026-0508-디지털-치료제-digital-therapeutics-dtx", "fm_aliases": [ "P-REINFORCE-AUTO-E74AFF" ], "fm_tags": [ "auto-reinforced" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-04-20", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 6294, "body_first_para_hash": "6d87cef61be7", "body_fingerprint": "소스에 '디지털 치료제 (digital therapeutics, dtx)'라는 정확한 용어에 대한 정보는 부족합니다. 그러나 소스는 이를 포괄하는 '임상 등급의 웨어러블 기기', '여성 건강(femtech) 앱', 'ai 기반의 능동적 건강 코칭(proactive suggestion)'에 대해 상세히 다루고 있으므로 이를 바탕으로 작성합니다. 최근의 디지털 건강 기술은 사용자의 생체 데이터를 단순히 수집하는 것을 넘어, 인공지능(ai)을 통해 질병이나 건강 상태를 예측하고 조치를 제안하는 '능동적 건강 조언자(proactive health advisor)'로 진화하고 있습니다 [1, 2]. 센서의 정확도가 높아지면서 소비자용 기기들이 fda 승인을 받는 등 의료 기기와의 경계가 허물어지고 있으며 [3, 4], 통합 건강 데이터 api와 ai 에이전트의 결합을 통해 개인 맞춤형 임상 코칭을 제공하는 방향으로 발전하고 있습니다 [5, 6]. 반응형 추적에서 능동적 제안(proactive suggestion)으로의 진화 웨어러블 기기와 건강 앱은 수면이 나빴다거나 심박수가 높았다는 '과거의 결과'를 알려주는 데서 벗어나, 무엇이 다가오고 있으며 어떻게 대처해야 하", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/디퓨전_모델_작동_원리.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\디퓨전_모델_작동_원리.md", "folder": "Topics", "filename": "디퓨전_모델_작동_원리", "norm_name": "디퓨전모델작동원리", "title": "디퓨전_모델_작동_원리", "norm_title": "디퓨전모델작동원리", "fm_id": "wiki-2026-0507-012", "fm_aliases": [ "wiki-2026-0507-012", "Diffusion Models", "디퓨전 모델", "확산 모델" ], "fm_tags": [ "AI", "Machine Learning", "Diffusion Models", "Generative AI", "Image Generation" ], "fm_status": "verified", "fm_trust": "B", "fm_last_reinforced": "2026-05-07", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 2218, "body_first_para_hash": "ac76ca67ea6e", "body_fingerprint": "디퓨전 모델은 데이터에 노이즈를 섞는 과정을 학습한 뒤, 무작위 노이즈로부터 텍스트 조건에 맞춰 형태를 복원해가는 '역방향 확산'을 통해 고품질 이미지를 생성하는 아키텍처다. 추출된 패턴: 생성은 파괴(노이즈 추가)의 역과정이며, 이 반복적인 디노이징(denoising) 단계 덕분에 gan보다 학습이 안정적이고 프롬프트를 통한 세밀한 제어가 가능하다. 세부 내용: 핵심 프로세스: 정방향 확산 (forward diffusion): 원본 데이터에 가우시안 노이즈를 점진적으로 추가하여 완전한 노이즈로 변환하는 과정을 학습. 역방향 확산 (reverse diffusion): 무작위 노이즈에서 시작하여 학습된 데이터를 바탕으로 노이즈를 제거하며 의도한 형태를 복원. 주요 특징: 안정성: gan(생성적 적대 신경망)에 비해 훈련 과정이 안정적이고 모드 붕괴(mode collapse) 위험이 적음. 세밀한 제어: 반복적인 생성 단계 덕분에 사용자가 중간 단계에서 개입하거나 매개변수(cfg, seed 등)로 결과물을 조율하기 용이함. 제약 사항: 반복 연산으로 인해 컴퓨팅 리소스 소모가 크며, 생성 속도가 단판 승부 방식인 gan보다 상대적으로 느림. 플랫폼별 적용: mi", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/런타임 유효성 검사 (Runtime Validation).md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\런타임 유효성 검사 (Runtime Validation).md", "folder": "Topics", "filename": "런타임 유효성 검사 (Runtime Validation)", "norm_name": "런타임유효성검사runtimevalidation", "title": "런타임 유효성 검사 (Runtime Validation)", "norm_title": "런타임유효성검사runtimevalidation", "fm_id": "wiki-2026-0508-런타임-유효성-검사-runtime-validation", "fm_aliases": [ "P-Reinforce-REDIRECT-RV-001" ], "fm_tags": [ "uncategorized" ], "fm_status": "merged", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 1562, "body_first_para_hash": "61c1e81e865d", "body_fingerprint": "[!note] 본 문서는 runtime validation 으로 통합되었습니다. 🫡🐟 런타임 유효성 검사는 외부 데이터(api 응답, 폼 입력, 환경변수)가 기대 형태인지 실행 시점에 확인하는 보호 계층으로, typescript 타입만으로는 부족한 경계 검증을 보완한다. 추출된 패턴: 타입은 빌드 타임 약속, 검증은 런타임 약속 — 둘이 같은 출처(스키마)에서 나와야 drift 방지. 세부 내용: 검증 위치: api 경계, db 입출력, 폼, env. 라이브러리: zod, yup, valibot, io ts. 패턴: parse 후 정상값만 도메인으로 진입. 에러 처리: 사용자 메시지 + 로깅 분리. 비용: 런타임 오버헤드 vs 디버깅 비용 절감. 언제 이 지식을 쓰는가: (todo) 언제 쓰면 안 되는가: (todo) 정보 상태: merged 출처 신뢰도: a 검토 이유: (p reinforce phase 1 자동 정규화. 본문 검증 필요.) 기존 유사 문서: (todo: 인덱서 클러스터 리포트 참조) 처리 방식: update (자동 정규화) 처리 이유: phase 1 정규화 — 옛 템플릿/누락 필드 보강. 과거 데이터와의 충돌: 없음 정책 변화: 없음 pa", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/매개변수 (Parameters).md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\매개변수 (Parameters).md", "folder": "Topics", "filename": "매개변수 (Parameters)", "norm_name": "매개변수parameters", "title": "매개변수 (Parameters)", "norm_title": "매개변수parameters", "fm_id": "wiki-20260508--parameters--redir", "fm_aliases": [], "fm_tags": [ "redirect" ], "fm_status": "merged", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": "매개변수(Parameters)", "fm_canonical_id": "매개변수(Parameters)", "body_chars": 154, "body_first_para_hash": "99973e854a2d", "body_fingerprint": "[!important] 이 문서는 p reinforce phase 2 자동 merge에 의해 매개변수(parameters) 로 통합되었습니다. redirected to: 매개변수(parameters)", "is_stub": true, "is_huge": false, "is_redirect": true, "is_operational": false }, { "path": "10_Wiki/Topics/매몰 비용 오류 (Sunk Cost Fallacy).md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\매몰 비용 오류 (Sunk Cost Fallacy).md", "folder": "Topics", "filename": "매몰 비용 오류 (Sunk Cost Fallacy)", "norm_name": "매몰비용오류sunkcostfallacy", "title": "매몰 비용 오류 (Sunk Cost Fallacy)", "norm_title": "매몰비용오류sunkcostfallacy", "fm_id": "wiki-20260508--sunk-cost-fallacy--redir", "fm_aliases": [], "fm_tags": [ "redirect" ], "fm_status": "merged", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": "매몰_비용_오류_(Sunk_Cost_Fallacy)", "fm_canonical_id": "매몰_비용_오류_(Sunk_Cost_Fallacy)", "body_chars": 189, "body_first_para_hash": "23f90af3eee5", "body_fingerprint": "[!important] 이 문서는 p reinforce phase 2 자동 merge에 의해 매몰 비용 오류 (sunk cost fallacy) 로 통합되었습니다. redirected to: 매몰 비용 오류 (sunk cost fallacy)", "is_stub": true, "is_huge": false, "is_redirect": true, "is_operational": false }, { "path": "10_Wiki/Topics/미드저니_매개변수_제어.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\미드저니_매개변수_제어.md", "folder": "Topics", "filename": "미드저니_매개변수_제어", "norm_name": "미드저니매개변수제어", "title": "미드저니_매개변수_제어", "norm_title": "미드저니매개변수제어", "fm_id": "wiki-2026-0507-002", "fm_aliases": [ "wiki-2026-0507-002", "Midjourney Parameters", "미드저니 매개변수", "미드저니 파라미터" ], "fm_tags": [ "Midjourney", "Parameters", "Prompt Engineering", "V7" ], "fm_status": "verified", "fm_trust": "B", "fm_last_reinforced": "2026-05-07", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 2258, "body_first_para_hash": "a05a27d677f8", "body_fingerprint": "미드저니 매개변수는 텍스트로 표현하기 어려운 시각적 비율, 모델 버전, 예술적 개입 및 일관성을 정밀하게 제어하는 기술적 레버다. 추출된 패턴: 모델 버전이 올라갈수록(v6 v7) 단순 묘사보다 참조(reference) 파라미터( cref , oref )의 비중이 커지며, 생성 속도와 비용을 최적화하는 옵션( draft )이 강화된다. 세부 내용: 기본 규칙: 프롬프트 가장 뒤에 위치하며, 로 시작하고 앞에는 공백이 필요함. 비율 및 모델: ar : 종횡비 제어 (최신 모델 파노라마 지원 확대) v : 모델 버전 지정 (현재 v7 권장) draft : v7 전용, 10배 빠른 초기 시안 생성 미학적 제어: s (stylize): 모델의 예술적 개입 강도 (0~1000) style raw : 사실적/가공되지 않은 스타일 c (chaos): 4장 이미지 간의 다양성/무작위성 w (weird): 기이하고 독특한 표현력 일관성 유지 (reference): sref : 스타일 참조 (색감, 무드 복제) cref : 캐릭터 참조 (인물 일관성) oref : 옴니 참조 (v7, 사물/피사체의 형태적 정체성 유지) seed : 동일한 노이즈 패턴 재현 기타: no : 특정", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/백엔드_엔지니어링_및_데이터베이스_설계.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\백엔드_엔지니어링_및_데이터베이스_설계.md", "folder": "Topics", "filename": "백엔드_엔지니어링_및_데이터베이스_설계", "norm_name": "백엔드엔지니어링및데이터베이스설계", "title": "백엔드_엔지니어링_및_데이터베이스_설계", "norm_title": "백엔드엔지니어링및데이터베이스설계", "fm_id": "wiki-2026-0507-104", "fm_aliases": [ "wiki-2026-0507-104", "Backend Engineering", "Database Design", "API Design", "Node.js", "SQL", "NoSQL", "System Design", "백엔드", "데이터베이스" ], "fm_tags": [ "Backend", "Database", "Node.js", "API", "System Design" ], "fm_status": "verified", "fm_trust": "A", "fm_last_reinforced": "2026-05-07", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 3755, "body_first_para_hash": "86a2add2e51a", "body_fingerprint": "\"데이터는 흐르고 시스템은 응답한다.\" 비즈니스 로직의 안정적인 실행 환경을 구축하고, 대규모 데이터의 영속성과 정합성을 보장하며, 고성능 통신 프로토콜을 통해 클라이언트와 에이전트의 요청을 처리하는 시스템의 심장부. 추출된 패턴: 현대적 백엔드는 '계층화된 아키텍처' 와 '다중 저장소 전략(polyglot persistence)' 을 통해 확장성을 확보한다. api 설계는 단순한 데이터 전달을 넘어 보안, 속도 제한(rate limiting), 그리고 관측 가능성(observability)을 포함하는 종합적인 관문으로 진화했다. 세부 내용: rest (representational state transfer): 자원 중심의 표준 인터페이스. 무상태성(stateless)을 통한 확장성 확보. graphql: 클라이언트가 필요한 데이터만 요청할 수 있는 유연한 쿼리 언어. over fetching 방지. grpc: http/2 기반의 고성능 바이너리 통신. 서비스 간 통신(internal)에 최적. 비동기 통신: message broker (kafka, rabbitmq)를 활용한 이벤트 기반 아키텍처로 서비스 간 결합도 완화. 관계형 db (rdbms): 엄격", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/보안_및_시스템_신뢰성_표준.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\보안_및_시스템_신뢰성_표준.md", "folder": "Topics", "filename": "보안_및_시스템_신뢰성_표준", "norm_name": "보안및시스템신뢰성표준", "title": "보안_및_시스템_신뢰성_표준", "norm_title": "보안및시스템신뢰성표준", "fm_id": "wiki-2026-0507-039", "fm_aliases": [ "wiki-2026-0507-039", "Security", "Reliability", "Governance", "Supply Chain Security", "SAST", "DAST", "Secret Management", "Encryption", "SSDLC", "SDLC", "Data Privacy", "보안 표준", "시스템 신뢰성", "거버넌스", "비밀 키 관리", "암호화", "소프트웨어 개발 수명 주기" ], "fm_tags": [ "Security", "Reliability", "Governance", "DevSecOps", "Infrastructure", "Safety", "Encryption", "Secrets_Management" ], "fm_status": "verified", "fm_trust": "B", "fm_last_reinforced": "2026-05-07", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 4516, "body_first_para_hash": "76e1045d5dd9", "body_fingerprint": "\"보안은 사후 처리가 아닌 설계의 일부다.\" 외부 위협으로부터 시스템을 보호하고, 예기치 않은 오류 상황에서도 핵심 기능을 유지하며, 조직의 정책을 기술적으로 강제하는 신뢰 기반 인프라. 추출된 패턴: 심층 방어(defense in depth) 전략을 통해 인프라, 애플리케이션, 데이터 전 계층에 걸쳐 보안 관문을 구축하고, 자동화된 테스트와 거버넌스 프레임워크를 통해 시스템의 예측 가능성과 신뢰성을 확보한다. 세부 내용: 애플리케이션 보안 (app security): sast/dast/iast: 정적, 동적, 대화형 분석을 통해 코드 및 런타임 취약점을 조기에 식별. shift left security: 보안 점검을 개발 초기 단계와 ci/cd 파이프라인에 내장하여 수정 비용 절감. sca (software composition analysis): 오픈소스 및 서드파티 라이브러리의 취약점(cve)과 라이선스를 실시간 모니터링. 제로 트러스트 아키텍처 (zero trust): 명시적 검증 (verify explicitly): 사용자 위치나 기기 상태와 상관없이 모든 접근 요청을 개별적으로 인증 및 인가. 최소 권한 부여 (least privilege): 작업", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/비즈니스_전략_및_운영_프레임워크.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\비즈니스_전략_및_운영_프레임워크.md", "folder": "Topics", "filename": "비즈니스_전략_및_운영_프레임워크", "norm_name": "비즈니스전략및운영프레임워크", "title": "비즈니스_전략_및_운영_프레임워크", "norm_title": "비즈니스전략및운영프레임워크", "fm_id": "wiki-2026-0507-030", "fm_aliases": [ "wiki-2026-0507-030", "Business Strategy", "Marketing", "KPI", "Project Management", "Business Model", "Agile", "Scrum", "Code Review", "Pull Request", "Management Consulting", "MECE", "Pyramid Principle", "비즈니스 전략", "마케팅", "경영 컨설팅" ], "fm_tags": [ "Business", "Strategy", "Marketing", "KPI", "Management", "Operations", "Consulting", "Logic" ], "fm_status": "verified", "fm_trust": "B", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 3155, "body_first_para_hash": "a9a6e7d00ed5", "body_fingerprint": "\"어디서 싸울 것인가보다, 어떻게 이길 것인가를 결정하는 것.\" 한정된 자원을 집중하여 경쟁 우위를 창출하고, 애자일한 실행 체계와 코드 수준의 품질 관리를 통해 비즈니스 가치를 연속적으로 배달하는 통합 운영 체계. 추출된 패턴: 현대의 비즈니스 전략은 '데이터 기반의 유연한 적응(agile)'과 '기술적 무결성(quality)'의 결합이다. 전략적 목표(okr/kpi)가 하향식으로 전달되면, 스크럼 팀은 코드 리뷰와 pr 프로세스를 통해 품질이 담보된 결과물을 상향식으로 배포하며 루프를 완성한다. 세부 내용: 비즈니스 전략 및 수익화: 경쟁 우위: 경제적 해자(moat) 구축 및 블루오션 전략을 통한 시장 창출. 수익화 아키텍처: ltv(고객 생애 가치) 3x cac(고객 획득 비용) 공식을 충족하는 비즈니스 모델 설계. 애자일 및 팀 협업 (agile & scrum): 반복적 가치 전달: 1~4주의 스프린트 단위로 동작하는 소프트웨어를 배포하고 사용자 피드백 반영. 역할 분담: po(제품 책임자), 스크럼 마스터, 개발팀 간의 긴밀한 소통과 투명한 업무 시각화. 개발 프로세스 및 품질 보증 (devprocess): 코드 리뷰 (code review): 단", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/빌보드 임포스터(Billboard Impostors).md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\빌보드 임포스터(Billboard Impostors).md", "folder": "Topics", "filename": "빌보드 임포스터(Billboard Impostors)", "norm_name": "빌보드임포스터billboardimpostors", "title": "빌보드 임포스터(Billboard Impostors)", "norm_title": "빌보드임포스터billboardimpostors", "fm_id": "wiki-2026-0508-빌보드-임포스터-billboard-impostors", "fm_aliases": [ "P-Reinforce-AUTO-143607" ], "fm_tags": [ "auto-reinforced" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-04-20", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 2241, "body_first_para_hash": "aec255372cab", "body_fingerprint": "빌보드 임포스터(billboard impostor)는 카메라에서 멀리 떨어진 복잡한 3d 지오메트리를 미리 렌더링된 이미지가 맵핑된 카메라를 향하는 2d 평면(quad)으로 대체하는 렌더링 최적화 기법입니다 [1]. 모델을 여러 각도(보통 8~16개)에서 캡처한 이미지를 사용하여 3d 객체와 같은 착시를 만들어냅니다 [1]. 렌더링에 필요한 폴리곤 수를 단 2개로 줄여 gpu 리소스 소모를 99.9%까지 감소시키며, 배경 캐릭터나 식생, 먼 거리의 환경 디테일을 표현하는 데 매우 효과적입니다 [1, 2]. 작동 원리 및 데이터 구조: 빌보드 임포스터는 다양한 수평 각도에서 미리 렌더링된 3d 객체의 이미지 뷰(보통 8~16개)를 텍스처 배열이나 플립북 애니메이션 형태로 저장해 둡니다 [1]. 모델이 최대 lod(level of detail) 거리를 초과하면, 시스템은 2개의 폴리곤으로 이루어진 단순한 2d 평면(quad) 위에 카메라의 현재 시야각과 가장 일치하는 텍스처 뷰를 매칭하여 렌더링합니다 [1]. 성능 최적화 이점: 멀리 떨어진 객체를 매우 단순한 지오메트리(단일 평면)로 렌더링하여 gpu 자원 소모를 99.9%가량 줄여줍니다 [1, 3]. 자세히 ", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/생성형_AI_및_LLM_엔지니어링_표준.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\생성형_AI_및_LLM_엔지니어링_표준.md", "folder": "Topics", "filename": "생성형_AI_및_LLM_엔지니어링_표준", "norm_name": "생성형ai및llm엔지니어링표준", "title": "생성형_AI_및_LLM_엔지니어링_표준", "norm_title": "생성형ai및llm엔지니어링표준", "fm_id": "wiki-2026-0507-106", "fm_aliases": [ "wiki-2026-0507-106", "Generative AI", "LLM Engineering", "Large Language Models", "Transformer", "Mamba", "LoRA", "RAG", "Prompt Engineering", "Sampling Strategies", "CFG", "Test-time Computing", "생성형 AI", "LLM 엔지니어링", "샘플링 전략" ], "fm_tags": [ "AI", "GenerativeAI", "LLM", "MachineLearning", "NLP", "MLOps", "Inference" ], "fm_status": "verified", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 3956, "body_first_para_hash": "85ff6a4a5b9c", "body_fingerprint": "\"언어는 지능의 운영체제다.\" 방대한 데이터를 통해 학습된 언어 모델(llm)을 최적화하고, 외부 지식(rag)과 결합하며, 추론 성능을 극대화(test time computing)하여 자율적으로 사고하고 행동하는 인공지능 시스템의 코어 엔진. 추출된 패턴: 생성형 ai 엔지니어링은 '모델의 효율적 학습(lora/peft)' 과 '고성능 추론(flashattention/quantization)' , 그리고 '신뢰성 있는 응답(rag/self correction)' 이라는 세 축을 중심으로 발전하고 있다. 최근에는 transformer의 한계를 넘는 ssm(mamba) 아키텍처와 추론 시 연산량을 늘려 지능을 높이는 기법이 주목받고 있다. 세부 내용: attention 메커니즘 최적화: flashattention: 메모리 대역폭 병목을 해결하여 긴 문맥(long context) 처리 속도를 획기적으로 개선. s2 attn: 다중 해상도 및 긴 문맥 처리를 위한 효율적인 어텐션 구조. 차세대 아키텍처 (ssm): mamba (selective ssm): 데이터에 따라 상태를 선택적으로 압축하여 rnn의 효율성과 transformer의 성능을 동시에 확보. 선형 ", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/소프트웨어 개발 수명 주기 (SDLC).md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\소프트웨어 개발 수명 주기 (SDLC).md", "folder": "Topics", "filename": "소프트웨어 개발 수명 주기 (SDLC)", "norm_name": "소프트웨어개발수명주기sdlc", "title": "Redirect", "norm_title": "redirect", "fm_id": "wiki-2026-0508-소프트웨어-개발-수명-주기-sdlc", "fm_aliases": [], "fm_tags": [ "uncategorized" ], "fm_status": "merged", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": "보안_및_시스템_신뢰성_표준", "fm_canonical_id": "wiki-2026-0507-039", "body_chars": 93, "body_first_para_hash": "13a255ca037c", "body_fingerprint": "이 문서는 canonical 문서인 보안 및 시스템 신뢰성 표준으로 통합되었습니다. 모든 최신 지식과 세부 내용은 위 링크를 참조하십시오.", "is_stub": true, "is_huge": false, "is_redirect": true, "is_operational": false }, { "path": "10_Wiki/Topics/소프트웨어_설계_원칙_및_디자인_패턴.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\소프트웨어_설계_원칙_및_디자인_패턴.md", "folder": "Topics", "filename": "소프트웨어_설계_원칙_및_디자인_패턴", "norm_name": "소프트웨어설계원칙및디자인패턴", "title": "소프트웨어_설계_원칙_및_디자인_패턴", "norm_title": "소프트웨어설계원칙및디자인패턴", "fm_id": "wiki-2026-0507-102", "fm_aliases": [ "wiki-2026-0507-102", "Software Design Principles", "Design Patterns", "SOLID", "DRY", "KISS", "YAGNI", "GoF Patterns", "디자인 패턴", "설계 원칙", "클린 코드" ], "fm_tags": [ "Programming", "Software Engineering", "Design Patterns", "SOLID", "Clean Code" ], "fm_status": "verified", "fm_trust": "A", "fm_last_reinforced": "2026-05-07", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 3744, "body_first_para_hash": "b70025c2da39", "body_fingerprint": "\"코드는 한 번 작성되지만 수만 번 읽힌다.\" 인간의 인지 한계를 극복하고 변화의 파동을 국소화하기 위해, 검증된 구조(design patterns)와 엄격한 규율(solid/clean code)을 적용하여 '읽기 쉽고 고치기 쉬운' 생태계를 구축하는 지침서. 추출된 패턴: 설계의 본질은 '추상화' 와 '결합도 관리' 에 있다. solid 원칙이 클래스 레벨의 올바른 의존성 방향을 제시한다면, 디자인 패턴은 반복되는 문제 상황에 대한 검증된 구조적 해답을 제공한다. 이 둘의 조화는 시스템의 부패를 막는 가장 강력한 방어선이다. 세부 내용: srp (단일 책임 원칙): 클래스는 단 하나의 변경 이유만 가져야 함. 책임이 명확하면 테스트와 재사용이 용이함. ocp (개방 폐쇄 원칙): 확장에는 열려 있고 수정에는 닫혀 있어야 함. 인터페이스와 다형성을 활용하여 기존 코드를 건드리지 않고 기능을 추가. lsp (리스코프 치환 원칙): 서브타입은 언제나 기반 타입으로 교체 가능해야 함. 상속 관계에서 부모의 계약을 어기지 않는 일관성 보장. isp (인터페이스 분리 원칙): 클라이언트가 사용하지 않는 메서드에 의존하지 않도록 거대 인터페이스를 구체적인 여러 개로 분", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/심리학_및_행동과학_모델링.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\심리학_및_행동과학_모델링.md", "folder": "Topics", "filename": "심리학_및_행동과학_모델링", "norm_name": "심리학및행동과학모델링", "title": "심리학_및_행동과학_모델링", "norm_title": "심리학및행동과학모델링", "fm_id": "wiki-2026-0507-031", "fm_aliases": [ "wiki-2026-0507-031", "Psychology", "Behavioral Science", "Cognitive Psychology", "Behavioral Economics", "Global Workspace Theory", "GWT", "Cocktail Party Effect", "Cognitive Bias", "심리학", "행동과학", "인지 심리학", "행동 경제학", "인지 편향" ], "fm_tags": [ "Psychology", "Behavior", "Cognitive", "Economics", "Human Intelligence", "GWT" ], "fm_status": "verified", "fm_trust": "B", "fm_last_reinforced": "2026-05-07", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 4063, "body_first_para_hash": "8a4f985d47d1", "body_fingerprint": "\"마음은 정보 처리 시스템이자 동기 부여의 엔진이다.\" 인간의 사고와 행동을 [입력(지각) 처리(인지/감정) 출력(행동)]의 아키텍처로 분석하고, 그 이면의 무의식적 편향과 경제적 유인을 모델링하는 학문적 기반. 추출된 패턴: 인간은 항상 합리적으로 판단하지 않으며, 시스템 1(직관)과 시스템 2(추론)의 상호작용 및 다양한 인지적 편향(cognitive biases)에 의해 의사결정의 질이 결정된다. 특히 주의력(attention)은 선택적 필터링을 거쳐 의식의 중심(global workspace)으로 전달된다. 세부 내용: 인지 심리학 및 뇌 과학: 글로벌 워크스페이스 이론 (gwt): 뇌의 여러 하위 시스템이 생성한 정보 중 선택된 일부만이 의식의 '칠판'에 게시되어 전체 시스템으로 전파된다는 이론. 칵테일 파티 효과 (cocktail party effect): 수많은 자극 속에서 자신에게 의미 있는 정보(예: 자신의 이름)만을 선택적으로 지각하는 주의집중 메커니즘. 작업 기억 (working memory): 정보 처리의 병목 구간(7±2 용량 제한)으로, 이를 초과할 경우 인지 부하가 발생하여 판단력이 급격히 저하됨. 행동 경제학 및 의사결정 편향: ", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/얼라이언스 (Alliance).md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\얼라이언스 (Alliance).md", "folder": "Topics", "filename": "얼라이언스 (Alliance)", "norm_name": "얼라이언스alliance", "title": "얼라이언스 (Alliance)", "norm_title": "얼라이언스alliance", "fm_id": "wiki-2026-0508-얼라이언스-alliance", "fm_aliases": [], "fm_tags": [ "uncategorized" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 2764, "body_first_para_hash": "26945d0c0749", "body_fingerprint": "'게임 오브 워(game of war)'를 비롯한 4x 모바일 게임에서 얼라이언스(동맹)는 최대 100명의 플레이어로 구성되는 복잡한 정치적, 사회적 집단입니다 [1]. 단순한 팀의 개념을 넘어 플레이어 간의 협력, 외교, 배신 등 창발적 게임플레이(emergent gameplay)를 유도하는 핵심 기반입니다 [2 4]. 특히 얼라이언스 내에서 형성된 사회적 유대감과 상호 압박은 플레이어들이 게임에 지속적으로 참여하고 막대한 인앱 결제(iap)를 진행하게 만드는 가장 강력한 원동력으로 작용합니다 [5, 6]. 사회적 구조와 역할 분담: 얼라이언스 내에서 플레이어들은 단순히 전투만 하는 것이 아니라 고도화된 역할을 분담합니다 [3]. 자원을 전담하여 생산하는 '농부(farmer)', 맵의 정보를 수집하는 '정찰병(scout)', 자원을 안전하게 관리하는 '은행가(banker)' 등으로 역할을 나눕니다 [3]. 공격으로부터 서로를 보호하기 위해 도시들을 밀집시키는 '하이브(hives)'를 형성하며, 게임 내 실시간 번역 시스템을 통해 국적과 언어를 초월한 글로벌 규모의 소통과 합동 군사 작전을 수행합니다 [5, 7, 8]. 강력한 bm 연계 요소 ('킥백' 시스", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/오사카 엑스포 2025 호쿠사이 인스톨레이션(Hokusai installation).md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\오사카 엑스포 2025 호쿠사이 인스톨레이션(Hokusai installation).md", "folder": "Topics", "filename": "오사카 엑스포 2025 호쿠사이 인스톨레이션(Hokusai installation)", "norm_name": "오사카엑스포2025호쿠사이인스톨레이션hokusaiinstallation", "title": "오사카 엑스포 2025 호쿠사이 인스톨레이션(Hokusai installation)", "norm_title": "오사카엑스포2025호쿠사이인스톨레이션hokusaiinstallation", "fm_id": "wiki-2026-0508-오사카-엑스포-2025-호쿠사이-인스톨레이션-hokusai", "fm_aliases": [ "P-Reinforce-AUTO-6697EE" ], "fm_tags": [ "auto-reinforced" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-04-20", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 2158, "body_first_para_hash": "0be644f609cf", "body_fingerprint": "오사카 엑스포 2025 호쿠사이 인스톨레이션(hokusai installation)은 인터랙티브 크리에이티브 스튜디오인 utsubo가 2025년 오사카 엑스포를 위해 제작한 대규모 유체 시뮬레이션 프로젝트입니다 [1]. 이 인스톨레이션은 three.js의 webgpu 렌더러를 적극 활용하여 기존의 한계를 뛰어넘는 100만 개 단위의 파티클을 실시간으로 렌더링하는 그래픽 성능을 입증했습니다 [1]. 98인치 4k 디스플레이 상에서 지연 없는 실시간 다인원 신체 추적(multi person body tracking) 기능과 결합되어, webgpu 마이그레이션을 통한 성공적인 프로덕션 벤치마크 사례로 평가받고 있습니다 [2, 3]. 제작사 및 개발 배경: 이 프로젝트는 브랜드 웹사이트 및 물리적 인스톨레이션을 전문으로 하는 기술 중심 크리에이티브 스튜디오 'utsubo'에 의해 2025년 오사카 엑스포를 겨냥하여 구축되었습니다 [1]. webgpu를 통한 파티클 시뮬레이션 구현: 이 인스톨레이션의 가장 큰 기술적 성과는 three.js webgpu 렌더러를 기반으로 100만 개(1m) 규모의 파티클 유체 시뮬레이션(particle fluid simulation)을", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/인지 행동 치료 (CBT).md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\인지 행동 치료 (CBT).md", "folder": "Topics", "filename": "인지 행동 치료 (CBT)", "norm_name": "인지행동치료cbt", "title": "인지 행동 치료 (CBT)]] (Cognitive [[Behavior]]al Therapy)", "norm_title": "인지행동치료cbtcognitivebehavioraltherapy", "fm_id": "wiki-2026-0508-인지-행동-치료-cbt", "fm_aliases": [ "P-Reinforce-AI-CBT" ], "fm_tags": [ "Psychology", "CBT", "MentalHealth", "Therapy" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-04-20", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 1817, "body_first_para_hash": "bdfe41e49c28", "body_fingerprint": "\"생각 습관을 교정하여 감정의 감옥에서 탈출하기.\" 부정적인 자동 사고를 식별하고 이를 합리적인 사고로 재구조화하여 행동의 변화를 끌어내는 가장 과학적으로 실증된 심리 치료 기법이다. abc model : activating event (사건) : 외부에서 발생한 일. belief (신념/생각) : 사건을 해석하는 나의 필터. consequence (결과) : 생각으로 인해 발생하는 감정과 행동. techniques : cognitive restructuring : \"나는 늘 실패해\" 같은 인지 왜곡을 찾아내고 반증을 찾아 교정함. exposure therapy : 두려워하는 대상에 단계적으로 노출되어 둔감화함. application : 우울증, 불안 장애, 중독 치료 등 광범위한 영역에서 강력한 효과를 발휘한다. cbt는 매우 효과적이지만, 감정의 뿌리가 깊은 과거 트라우마나 무의식적 갈등을 다루기엔 한계가 있다는 비판을 받기도 한다. 이를 보완하기 위해 마음챙김(mindfulness)을 결합한 3세대 인지행동치료(act, dbt 등)로 확장되고 있다. ai 챗봇이 cbt 기법을 사용하여 유저의 멘탈 케어를 수행하는 시도도 활발하다. related: neu", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/지능형_헬스케어_및_생체데이터_분석.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\지능형_헬스케어_및_생체데이터_분석.md", "folder": "Topics", "filename": "지능형_헬스케어_및_생체데이터_분석", "norm_name": "지능형헬스케어및생체데이터분석", "title": "지능형_헬스케어_및_생체데이터_분석", "norm_title": "지능형헬스케어및생체데이터분석", "fm_id": "wiki-2026-0507-033", "fm_aliases": [ "wiki-2026-0507-033", "Actionable Health Intelligence", "Health Monitoring", "Wearables", "Biometrics", "Clinical Sensors", "FemTech", "지능형 헬스케어", "생체 데이터", "웨어러블", "펨테크" ], "fm_tags": [ "Healthcare", "AI", "Biometrics", "Sensors", "Predictive Analytics", "FemTech", "On-device AI" ], "fm_status": "verified", "fm_trust": "B", "fm_last_reinforced": "2026-05-07", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 3186, "body_first_para_hash": "8b6fb1e49c3e", "body_fingerprint": "\"데이터 기록을 넘어 실천적 지능으로.\" 단순한 생체 수치 기록(reactive)에서 벗어나, ai가 데이터를 해석하여 사용자에게 구체적인 행동 지침을 제안하고 특정 인구통계(femtech 등)에 특화된 예측 통찰력을 제공하는 현대 헬스케어의 핵심. 추출된 패턴: 웨어러블 기기와 임상 등급 센서(cgm, ecg 등)를 통해 수집된 고해상도 생체 데이터를 온디바이스 ai가 실시간 분석하고, 이를 '데이터 트윈' 모델과 결합하여 질병 예방 및 최적의 컨디션 관리를 위한 '실천 가능한 통찰(actionable intelligence)'을 제공한다. 세부 내용: actionable health intelligence: 과거 데이터 기록 중심에서 미래 행동 제안 중심으로 패러다임 전환. 예: \"어제 잠을 못 잤네요\" 대신 \"오늘 hrv가 낮으니 고강도 운동보다는 요가를 추천합니다\"라고 제안. 핵심 기술 요소: 임상 등급 센서 (clinical grade): fda 승인 수준의 정확도를 가진 심전도(ecg), 연속 혈당 측정(cgm), 체온 센서 등. 온디바이스 ai (edge computing): 민감한 건강 데이터를 클라우드 전송 없이 기기 내에서 실시간 분석하여 ", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/클라우드_인프라_및_IaC_운영_표준.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\클라우드_인프라_및_IaC_운영_표준.md", "folder": "Topics", "filename": "클라우드_인프라_및_IaC_운영_표준", "norm_name": "클라우드인프라및iac운영표준", "title": "클라우드_인프라_및_IaC_운영_표준", "norm_title": "클라우드인프라및iac운영표준", "fm_id": "wiki-2026-0507-028", "fm_aliases": [ "wiki-2026-0507-028", "Cloud Infrastructure", "Kubernetes", "Docker", "Terraform", "IaC", "AWS", "Backups", "SaaS", "IoT", "Virtualization", "클라우드", "오케스트레이션", "백업", "가상화" ], "fm_tags": [ "Cloud", "DevOps", "Infrastructure", "Kubernetes", "Docker", "IaC", "Backup", "SaaS", "IoT", "Virtualization" ], "fm_status": "verified", "fm_trust": "B", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 3063, "body_first_para_hash": "232de393c51a", "body_fingerprint": "\"서버를 직접 조립하지 말고 코드로 정의하라.\" 클라우드 네이티브 환경에서 인프라는 더 이상 물리적 자산이 아닌, 소프트웨어처럼 버전 관리되고 자동 배포되는 가변적 자원(cattle, not pets)이다. 추출된 패턴: 애플리케이션을 컨테이너(docker)로 격리하고, 이를 수천 개의 인스턴스로 확장·관리(kubernetes)하며, 이 모든 인프라 구성을 코드(iac / terraform)로 명시하는 것이 현대적 인프라 운영의 핵심 패턴이다. 클라우드 서비스 모델 (service models): iaas (infra as a service): 가상 서버, 스토리지 등 기초 인프라 제공. paas (platform as a service): 개발·배포 환경(런타임, 미들웨어) 제공. saas (software as a service): 설치 없이 인터넷을 통해 애플리케이션을 구독하여 사용(수도·전력과 같은 '경험의 구독'). 백업 및 재해 복구 (backup & disaster recovery): 3 2 1 법칙: 데이터 복사본 3개 보유, 2개 이상의 매체 저장, 1개는 원격지 보관. snapshot: 특정 시점의 데이터 상태를 기록하여 롤백에 용이. wo", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/테스트_전략_및_방법론.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\테스트_전략_및_방법론.md", "folder": "Topics", "filename": "테스트_전략_및_방법론", "norm_name": "테스트전략및방법론", "title": "테스트_전략_및_방법론", "norm_title": "테스트전략및방법론", "fm_id": "wiki-2026-0507-023", "fm_aliases": [ "wiki-2026-0507-023", "Testing Methodologies", "테스트 방법론", "TDD", "BDD", "Unit Testing", "Test Strategy" ], "fm_tags": [ "Testing", "Software Engineering", "Quality Assurance", "TDD", "Automation", "CI/CD" ], "fm_status": "verified", "fm_trust": "A", "fm_last_reinforced": "2026-05-07", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 2844, "body_first_para_hash": "b6a873fd238e", "body_fingerprint": "\"테스트는 단순히 버그를 찾는 행위가 아니라, 코드의 변경에 대한 용기(confidence)를 부여하고 설계의 품질을 강제하는 엔지니어링 규율이다.\" 추출된 패턴: 자동화된 테스트를 통해 사소한 로직 결함을 기계가 선별하게 함으로써, 인간 리뷰어가 아키텍처와 비즈니스 맥락 등 고차원적 가치에 집중할 수 있는 '품질 게이트(quality gate)'를 구축하는 것이 핵심이다. 세부 내용: 테스트 계층 구조 (testing pyramid): 단위 테스트 (unit test): 개별 함수/클래스 독립 검증. 가장 빠르고 많아야 함. 통합 테스트 (integration test): 모듈 간 상호작용 및 데이터 흐름 검증. e2e 테스트 (end to end): 사용자 시나리오 기반 전체 시스템 흐름 검증. 주요 방법론: tdd (test driven development): [실패 테스트 작성 구현 리팩토링] 순환을 통해 테스트 용이성이 높은 설계 유도. bdd (behaviour driven development): 사용자 행위(scenario) 중심 서술로 요구사항과 구현의 간극 해소. 자동화 및 ci/cd 통합: pre commit hooks: 코드 제출 전 ", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/파워 크립 (Power Creep).md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\파워 크립 (Power Creep).md", "folder": "Topics", "filename": "파워 크립 (Power Creep)", "norm_name": "파워크립powercreep", "title": "파워 크립 (Power Creep)", "norm_title": "파워크립powercreep", "fm_id": "wiki-2026-0508-파워-크립-power-creep", "fm_aliases": [], "fm_tags": [ "uncategorized" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 2591, "body_first_para_hash": "ff8c9de9e0f7", "body_fingerprint": "파워 크립(power creep)은 멀티플레이어 게임에서 새롭게 추가된 콘텐츠나 장비가 기존 콘텐츠보다 훨씬 강력하거나 유용하게 출시되어 기존 아이템을 무용지물로 만드는 현상을 의미합니다 [1]. 개발자는 플레이어가 모든 것을 달성하고 게임에 대한 흥미와 결제 동기를 잃는 것을 방지하기 위해 새로운 레벨과 장비를 도입하여 수치를 계속 높여 나갑니다 [2, 3]. 'game of war'에서 파워 크립은 최상위 지출 플레이어와 일반 플레이어 간의 격차를 지속적으로 벌려 유저들이 도태되지 않기 위해 끊임없이 과금하도록 강제하는 핵심 비즈니스 모델로 작동합니다 [4]. 파워 크립의 개념과 경제적 목적: 파워 크립은 재정적 관점에서 플레이어들이 새롭게 출시된 아이템을 구매하고 사용하도록 유도하기 위해 필수적으로 활용됩니다 [5]. 이전 아이템보다 더 높은 능력치나 유용한 메커니즘을 지닌 장비(예: 기존 마나 5를 소비하는 아이템 대신 마나 2를 소비하는 더 강력한 아이템)를 계속해서 출시함으로써 플레이어의 지속적인 지출을 촉진합니다 [5]. game of war에서의 적용 방식 (무한 확장 경제): 'game of war'는 플레이어가 최고 레벨에 도달하여 게임의 ", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/프론트엔드 및 Nodejs 개발 워크플로우.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\프론트엔드 및 Nodejs 개발 워크플로우.md", "folder": "Topics", "filename": "프론트엔드 및 Nodejs 개발 워크플로우", "norm_name": "프론트엔드및nodejs개발워크플로우", "title": "프론트엔드 및 Nodejs 개발 워크플로우", "norm_title": "프론트엔드및nodejs개발워크플로우", "fm_id": "wiki-2026-0508-프론트엔드-및-nodejs-개발-워크플로우", "fm_aliases": [ "P-Reinforce-AUTO-D024EA" ], "fm_tags": [ "auto-reinforced" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-04-20", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 4069, "body_first_para_hash": "1590d866c345", "body_fingerprint": "프론트엔드 및 node.js 개발 워크플로우는 소스 코드의 품질, 일관성, 그리고 보안을 자동화된 방식으로 유지하기 위해 일련의 도구들을 파이프라인에 결합하는 과정입니다. 주축이 되는 도구로는 코드 에러를 정적으로 분석하는 eslint와 코드 스타일을 자동으로 정렬해주는 prettier가 있으며, 이를 git 훅(git hooks) 관리 도구인 husky와 변경된 파일만 검사하는 lint staged를 통해 커밋 전에 강제합니다. 최근에는 이러한 파이프라인과 ide에 ai 기반의 정적 애플리케이션 보안 테스트(sast)를 결합하여 취약점을 조기에 탐지하고 자동 수정하는 체계가 필수적으로 자리 잡고 있습니다. 코드 품질 및 스타일 자동화 도구 (eslint & prettier) 자바스크립트 및 타입스크립트 기반의 프론트엔드와 node.js 환경에서는 코드 품질과 스타일을 일관되게 유지하기 위해 eslint와 prettier를 핵심 도구로 사용합니다 [1, 2]. eslint는 문법적 오류와 잠재적 버그, 안티 패턴을 찾아내고 규칙을 강제하는 린터(linter)이며, prettier는 줄 바꿈, 공백, 들여쓰기 등의 코드 스타일을 일관되게 변환해주는 포매터(fo", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/프론트엔드_및_UIUX_표준.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\프론트엔드_및_UIUX_표준.md", "folder": "Topics", "filename": "프론트엔드_및_UIUX_표준", "norm_name": "프론트엔드및uiux표준", "title": "프론트엔드_및_UIUX_표준", "norm_title": "프론트엔드및uiux표준", "fm_id": "wiki-2026-0508-041", "fm_aliases": [ "wiki-2026-0508-041", "Frontend Architecture", "UI/UX Design", "Design Systems", "HCI", "Human-Computer Interaction", "Accessibility", "Web Performance", "User Experience", "Interaction Design", "UCD", "프론트엔드", "디자인 시스템", "사용자 경험", "인간-컴퓨터 상호작용" ], "fm_tags": [ "Frontend", "UX", "UI", "DesignSystem", "HCI", "Architecture", "WebDev" ], "fm_status": "verified", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 3124, "body_first_para_hash": "b6cec8faf15b", "body_fingerprint": "\"복잡한 ui 상태를 예측 가능한 흐름으로 관리하고, 사용자 경험(ux)을 기술적 구조로 구현하라.\" 단순히 화면을 그리는 것을 넘어, 컴포넌트 기반 설계(cdd)와 디자인 시스템을 통해 일관성을 유지하고 렌더링 최적화로 초저지연 인터랙션을 보장하는 것이 현대 프론트엔드의 핵심이다. 추출된 패턴: ui를 독립적인 컴포넌트로 분리(atomic design)하고, 단방향 데이터 흐름을 통해 상태를 제어하며, 디자인 시스템(design tokens)을 통해 시각적 일관성과 개발 생산성을 동시에 확보하는 아키텍처 패턴. 세부 내용: 프론트엔드 아키텍처: component driven development (cdd): atomic design(atom molecule organism) 기반의 재사용 가능한 ui 설계. state management: 전역 상태(zustand, redux)와 서버 상태(tanstack query), 로컬 상태의 역할 분리. rendering strategies: next.js app router 기반의 서버 컴포넌트(rsc)와 클라이언트 컴포넌트의 조화로운 배치. 디자인 시스템 (design systems): design tokens:", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/플랫폼 저항성(Platform Resistance).md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\플랫폼 저항성(Platform Resistance).md", "folder": "Topics", "filename": "플랫폼 저항성(Platform Resistance)", "norm_name": "플랫폼저항성platformresistance", "title": "플랫폼 저항성(Platform Resistance)", "norm_title": "플랫폼저항성platformresistance", "fm_id": "wiki-2026-0508-플랫폼-저항성-platform-resistance", "fm_aliases": [], "fm_tags": [ "uncategorized" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 2776, "body_first_para_hash": "9f9d4c1bd207", "body_fingerprint": "플랫폼 저항성(platform resistance)은 2026년 3월 연구 업데이트(research drop)를 통해 도입된 방어 메커니즘으로, 기지의 방어 플랫폼이 특정 공격 유형에 대해 지니는 강력한 내성을 의미합니다 [1 3]. 이 시스템은 각 플랫폼이 특정 무기 프로필에 대해 50%의 피해 감소 또는 상태 이상 면역 등의 고유한 방어력을 제공하도록 하여 방어선의 전문성을 크게 높였습니다 [3 5]. 이로 인해 공격자는 단일 유닛에 전적으로 의존하기보다 다양한 피해 유형을 조합한 '혼합 소대(mixed platoons)'를 구성해야만 하는 전술적 변화를 맞이하게 되었습니다 [6]. 2026년 3월 업데이트를 기점으로 방어 플랫폼의 명칭과 기능이 개편되면서, 방어탑의 선택만큼이나 어떤 저항성을 가진 플랫폼을 선택하는지가 전투에서 매우 중요해졌습니다 [2, 7]. 각 방어 플랫폼은 이제 특정 공격 유형으로부터 받는 피해를 절반으로 줄이거나 완전히 무효화하는 기능을 갖습니다 [3]. 소스에 명시된 주요 플랫폼별 저항성 기능은 다음과 같습니다: support / heavy graviton 플랫폼 : 지상 유닛으로부터 받는 피해를 50% 감소시킵니다 [3, 4,", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/현대적_웹_성능_및_사용자_경험_최적화.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\현대적_웹_성능_및_사용자_경험_최적화.md", "folder": "Topics", "filename": "현대적_웹_성능_및_사용자_경험_최적화", "norm_name": "현대적웹성능및사용자경험최적화", "title": "현대적_웹_성능_및_사용자_경험_최적화", "norm_title": "현대적웹성능및사용자경험최적화", "fm_id": "wiki-2026-0507-038", "fm_aliases": [ "wiki-2026-0507-038", "Web Performance", "Core Web Vitals", "RUM", "Chrome DevTools", "Rendering Optimization", "웹 성능 최적화", "사용자 경험 최적화", "코어 웹 바이탈" ], "fm_tags": [ "Frontend", "Performance", "UX", "Web Vitals", "Optimization", "RUM", "Profiling" ], "fm_status": "verified", "fm_trust": "B", "fm_last_reinforced": "2026-05-07", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 3203, "body_first_para_hash": "b8de1a76c008", "body_fingerprint": "\"속도가 곧 경험이다.\" 데이터 기반의 지표(core web vitals)를 바탕으로 로딩, 상호작용, 시각적 안정성을 최적화하여 사용자의 이탈을 막고 비즈니스 가치를 극대화하는 프론트엔드 공학의 핵심. 추출된 패턴: 실험실 데이터(lighthouse)로 병목을 디버깅하고, 실사용자 모니터링(rum)으로 실제 경험을 추적하며, 중요 렌더링 경로(crp) 최적화와 현대적 렌더링 전략(ssr, rsc)을 통해 인지된 성능을 극대화한다. 세부 내용: 핵심 성능 지표 (core web vitals): lcp (largest contentful paint): 최대 콘텐츠 렌더링 시간. 로딩 성능의 척도. inp (interaction to next paint): 다음 페인트까지의 상호작용 지연. 응답성 측정. cls (cumulative layout shift): 시각적 안정성. 레이아웃 흔들림 측정. 분석 및 진단 도구: chrome devtools: 메인 스레드 점유율, 메모리 누수, 네트워크 병목 실시간 프로파일링. real user monitoring (rum): 실제 사용자의 환경(네트워크, 기기 성능)에서 발생하는 지표를 수집하여 crux 데이터와 비교 분", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/현대적_프론트엔드_아키텍처_및_상태_관리.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\현대적_프론트엔드_아키텍처_및_상태_관리.md", "folder": "Topics", "filename": "현대적_프론트엔드_아키텍처_및_상태_관리", "norm_name": "현대적프론트엔드아키텍처및상태관리", "title": "현대적_프론트엔드_아키텍처_및_상태_관리", "norm_title": "현대적프론트엔드아키텍처및상태관리", "fm_id": "wiki-2026-0507-103", "fm_aliases": [ "wiki-2026-0507-103", "Frontend Architecture", "Modern Frontend", "State Management", "FSD", "Feature-Sliced Design", "React Patterns", "Next.js Architecture", "상태 관리", "프론트엔드 아키텍처" ], "fm_tags": [ "Frontend", "React", "Next.js", "Architecture", "State Management", "FSD" ], "fm_status": "verified", "fm_trust": "A", "fm_last_reinforced": "2026-05-07", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 3889, "body_first_para_hash": "393c7dad08be", "body_fingerprint": "\"ui는 상태의 함수다 ($ui = f(state)$).\" 단순한 화면 구성을 넘어, 복잡한 상태의 흐름을 예측 가능하게 통제하고(state management), 비즈니스 로직과 ui를 물리적으로 격리하여(fsd), 사용자에게 초저지연의 지능형 경험을 제공하는 설계의 정점. 추출된 패턴: 현대 프론트엔드는 '컴포넌트 기반 설계(cdd)' 와 '기능 중심 아키텍처(fsd)' 를 결합하여 거대해진 코드베이스의 복잡성을 관리한다. 특히 서버 사이드와 클라이언트 사이드의 경계가 모호해지는 react server components(rsc) 환경에서, 상태의 위치와 렌더링 전략을 최적화하는 것이 핵심이다. 세부 내용: 계층 구조 (layers): 하위 계층은 상위 계층을 참조할 수 없는 엄격한 단방향 의존성 유지. app: 전역 설정 (providers, styles). processes: 다단계 워크플로우 (legacy 지향). pages: 애플리케이션의 화면 단위. widgets: 여러 기능을 조합한 독립적 ui 블록. features: 사용자 가치를 제공하는 비즈니스 기능 (예: '장바구니 담기'). entities: 비즈니스 엔티티 (예: '상품', '사용자", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/AI_and_ML/2014 Combat Controls Update.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\AI_and_ML\\2014 Combat Controls Update.md", "folder": "AI_and_ML", "filename": "2014 Combat Controls Update", "norm_name": "2014combatcontrolsupdate", "title": "2014 Combat Controls Update", "norm_title": "2014combatcontrolsupdate", "fm_id": "wiki-2026-0508-2014-combat-controls-update", "fm_aliases": [], "fm_tags": [ "uncategorized" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 2898, "body_first_para_hash": "c3525f637997", "body_fingerprint": "2014 combat controls update는 2014년 2월 3일 게임 업데이트를 통해 도입된 새로운 전투 제어 시스템입니다 [1 3]. 이 시스템은 기존에 사용되던 정적인 방어 태세(defensive stances)를 동적이고 단축키 기반인 실시간 유닛 관리 체계로 대체했습니다 [3, 4]. 이를 통해 플레이어는 마이크로 컨트롤과 상황 인식 능력을 극대화할 수 있게 되었으며, 인공지능(ai)의 경로 및 교전 논리를 전략적으로 더 일관성 있게 조작할 수 있는 기반이 마련되었습니다 [3, 4]. 주요 전투 명령어 및 단축키 기능 공격 이동 (attack move, 단축키 'a') : 유닛을 지정한 위치로 이동시키며, 경로상에 있는 모든 적을 향해 발포합니다 [5, 6]. 타겟을 직접 클릭하더라도 이동 중에 만나는 다른 적 병력을 공격할 수 있습니다 [5]. 이동 (move, 단축키 'm') : 적을 공격하기 위해 멈추지 않고 목표 위치로 직접 이동합니다 [5, 6]. 적의 시선을 끄는 미끼 전술(baiting)이나 플랭킹, 빠른 재배치 등에 필수적으로 활용됩니다 [6]. 정지 (stop, 단축키 's') : 선택된 유닛에 내려진 모든 명령을 취소하고 이", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/AI_and_ML/2026년 BCG 글로벌 게이밍 설문조사.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\AI_and_ML\\2026년 BCG 글로벌 게이밍 설문조사.md", "folder": "AI_and_ML", "filename": "2026년 BCG 글로벌 게이밍 설문조사", "norm_name": "2026년bcg글로벌게이밍설문조사", "title": "2026년 BCG 글로벌 게이밍 설문조사", "norm_title": "2026년bcg글로벌게이밍설문조사", "fm_id": "wiki-2026-0508-2026년-bcg-글로벌-게이밍-설문조사", "fm_aliases": [], "fm_tags": [ "uncategorized" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 3083, "body_first_para_hash": "a3633f8d4e9f", "body_fingerprint": "2026년 bcg 글로벌 게이밍 설문조사(global gaming survey)는 약 3,000명의 전 세계 게이머를 대상으로 비디오 게임 산업의 소비자 동향과 행동을 분석한 자료입니다 [1, 2]. 이 설문조사는 3년간 이어진 게임 산업의 침체기가 끝나가고 있음을 시사하며, 새로운 성장을 견인할 주요 요소로 생성형 ai, 사용자 제작 콘텐츠(ugc), 클라우드 게이밍, 앱 스토어 개방의 네 가지 핵심 트렌드를 지목하고 있습니다 [1, 3]. 이는 성공적인 게임 경제 설계와 수익화 모델이 어떻게 변화해야 하는지에 대한 필수적인 시장 데이터를 제공합니다 [4]. 게이머의 참여도 증가와 세대 간 연결 설문조사에 따르면 게이머의 55%가 지난 6개월 동안 게임 시간을 늘린 것으로 나타났습니다 [5]. 성인들의 게임 참여도 지속적으로 증가하여 베이비붐 세대의 40%와 x세대의 50%가 주당 5시간 이상 비디오 게임을 즐기고 있습니다 [6]. 또한 부모 게이머의 44%는 자녀가 5세가 되기 전에 마인크래프트나 로블록스 등 사용자 제작 콘텐츠(ugc) 기반 게임을 통해 게임을 처음 접하게 한다고 응답하여, 세대를 거쳐 게임 사이클이 이어지고 있음을 보여줍니다 [5, 6", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/AI_and_ML/2026년 인공지능 시각 언어 생성 패러다임 전환 및 연속적 창작 워크플로우.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\AI_and_ML\\2026년 인공지능 시각 언어 생성 패러다임 전환 및 연속적 창작 워크플로우.md", "folder": "AI_and_ML", "filename": "2026년 인공지능 시각 언어 생성 패러다임 전환 및 연속적 창작 워크플로우", "norm_name": "2026년인공지능시각언어생성패러다임전환및연속적창작워크플로우", "title": "2026년 인공지능 시각 언어 생성 패러다임 전환 및 연속적 창작 워크플로우", "norm_title": "2026년인공지능시각언어생성패러다임전환및연속적창작워크플로우", "fm_id": "wiki-2026-0508-2026년-인공지능-시각-언어-생성-패러다임-전환-및-연속", "fm_aliases": [], "fm_tags": [ "uncategorized" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 3616, "body_first_para_hash": "76cf1a72a91b", "body_fingerprint": "2026년의 인공지능 시각 언어 생성 기술은 단발성 이미지 추출에서 벗어나, 인간과 ai 에이전트가 긴밀하게 협업하는 '연속적 창작 워크플로우'의 패러다임으로 진화하였다 [1, 2]. 미드저니 v7의 드래프트 모드(draft mode)나 옴니 참조(omni reference)와 같은 기술의 도입으로 아이디어의 고속 대량 생산, 시각적 정체성의 일관성 유지, 정교한 사후 편집이 맞물린 체계적 작업이 가능해졌다 [3 5]. 이에 따라 이미지 프롬프트 작성법 역시 단순한 단어의 나열을 넘어, 카메라 물리 법칙이나 조명 과학 등의 시각적 전문 지식을 반영하고 각 ai 모델의 고유한 통제 언어를 다루는 고도화된 프롬프트 엔지니어링으로 격상되었다 [2, 6]. 프롬프트 엔지니어링의 구조화 및 전문화 성공적인 시각 언어 생성 프롬프트는 인공지능의 신경망 구조에 부합하도록 주체(subject), 매체(medium), 환경(environment), 조명(lighting), 기술적 매개변수(parameters) 등 5가지 핵심 층위로 구성된다 [7, 8]. 특히 2026년에는 '85mm 렌즈', '얕은 피사계 심도' 같은 렌즈 물리학이나, '볼륨메트릭 라이팅(volumetri", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/AI_and_ML/20k skinned instances demo.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\AI_and_ML\\20k skinned instances demo.md", "folder": "AI_and_ML", "filename": "20k skinned instances demo", "norm_name": "20kskinnedinstancesdemo", "title": "20k skinned instances demo", "norm_title": "20kskinnedinstancesdemo", "fm_id": "wiki-2026-0508-20k-skinned-instances-demo", "fm_aliases": [ "P-Reinforce-AUTO-EB3F3C" ], "fm_tags": [ "auto-reinforced" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-04-20", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 2795, "body_first_para_hash": "d575f9951b29", "body_fingerprint": "'20k skinned instances demo'는 three.js 기반의 오픈 소스 라이브러리인 instancedmesh2를 활용하여 20,000개의 개별적인 스킨드 인스턴스(skinned instances)를 동시에 렌더링하는 성능 최적화 데모입니다 [1, 2]. 이 데모는 모바일 기기에서도 3,000개의 인스턴스를 원활하게 구동할 수 있도록 설계되었습니다 [2]. 프러스텀 컬링, 거리 기반 애니메이션 프레임 조절, 다중 lod(level of detail) 생성 등 다양한 최적화 기법을 적용하여 단 5번의 드로우 콜만으로 렌더링을 처리하는 것이 특징입니다 [2, 3]. 이 데모는 제작자(agargaro)가 개발한 instancedmesh2 라이브러리를 기반으로 하며, 대규모 스킨드 메쉬를 렌더링하기 위해 다음과 같은 세부 최적화 기술들을 사용했습니다 [2]. 프러스텀 컬링 및 시야 기반 업데이트 (frustum culling & view based updates): 기본적인 프러스텀 컬링을 적용하여 카메라 시야(frustum) 내에 존재하는 인스턴스들에 대해서만 뼈대(bones) 연산을 업데이트합니다 [2]. 동적 애니메이션 프레임 제어: 카메라와 각", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/AI_and_ML/3D Gaussian Splatting (3DGS).md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\AI_and_ML\\3D Gaussian Splatting (3DGS).md", "folder": "AI_and_ML", "filename": "3D Gaussian Splatting (3DGS)", "norm_name": "3dgaussiansplatting3dgs", "title": "3D Gaussian Splatting (3DGS)", "norm_title": "3dgaussiansplatting3dgs", "fm_id": "wiki-2026-0508-3d-gaussian-splatting-3dgs", "fm_aliases": [ "P-REINFORCE-AI-AC09DA" ], "fm_tags": [ "uncategorized" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-04-20", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 3214, "body_first_para_hash": "3de9006f6221", "body_fingerprint": "3d gaussian splatting (3dgs)은 3d 스플랫(splat)들로 구성된 명시적 표현을 사용하여 고품질의 실시간 렌더링을 구현하는 혁신적인 기법이다 [1, 2]. 각 3d 가우시안은 중심 위치, 3d 공분산 행렬, 최대 불투명도, 그리고 구면 조화(spherical harmonics) 계수를 활용한 시점 종속적 색상으로 정의된다 [2]. 올바른 렌더링을 위해 카메라로부터의 거리를 기준으로 가우시안들을 뒤에서 앞으로 정렬(depth sorting)하고 알파 블렌딩(alpha blending)하는 과정이 필수적이며 [3, 4], 미분 가능한 특성 덕분에 브라우저 환경에서 고품질 재구성 및 생성적 3d 모델링에 활발히 응용되고 있다 [1]. 기본 동작 원리와 렌더링 구조: 3dgs는 장면을 구성하는 3d 가우시안들을 2d 이미지 평면으로 투영하여 렌더링을 수행한다 [2, 4]. 투영된 2d 공분산 행렬과 학습된 불투명도를 기반으로 각 픽셀에 대한 알파 기여도를 계산하며, 카메라 시점 방향에 따른 구면 조화 함수를 평가하여 반사 효과 및 최종 색상을 결정한다 [2, 4]. 투명도를 올바르게 처리하기 위해 수백만 개의 가우시안을 매 프레임마다 카메라와", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/AI_and_ML/4X_전략.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\AI_and_ML\\4X_전략.md", "folder": "AI_and_ML", "filename": "4X_전략", "norm_name": "4x전략", "title": "4X 전략", "norm_title": "4x전략", "fm_id": "wiki-20260508-4x--redir", "fm_aliases": [], "fm_tags": [ "redirect" ], "fm_status": "merged", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": "4X 전략", "fm_canonical_id": "4X 전략", "body_chars": 120, "body_first_para_hash": "7f8a0c6f8409", "body_fingerprint": "[!important] 이 문서는 p reinforce phase 2 자동 merge에 의해 4x 전략 로 통합되었습니다. redirected to: 4x 전략", "is_stub": true, "is_huge": false, "is_redirect": true, "is_operational": false }, { "path": "10_Wiki/Topics/AI_and_ML/ABA.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\AI_and_ML\\ABA.md", "folder": "AI_and_ML", "filename": "ABA", "norm_name": "aba", "title": "ABA (Applied Behavior [[Analysis]], 응용 행동 분석)", "norm_title": "abaappliedbehavioranalysis응용행동분석", "fm_id": "wiki-2026-0508-aba", "fm_aliases": [ "ABA-001" ], "fm_tags": [ "Psychology", "Behavioral-science", "Reinforcement-Learning", "aba", "pedagogy" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-04-26", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 1695, "body_first_para_hash": "8bb840a8a764", "body_fingerprint": "\"행동의 원인을 분석하고, 보상 설계를 통해 바람직한 변화를 이끌어내라\" — 행동주의 심리학에 근거하여 인간의 행동을 객관적으로 측정하고, 환경 조절과 강화를 통해 사회적으로 유의미한 행동 변화를 유도하는 과학적 방법론. 추출된 패턴: abc(antecedent behavior consequence) 패러다임을 통해 행동 전후의 맥락을 분석하고, 보상(reinforcement) 체계를 설계하여 특정 행동의 발생 빈도를 조절하는 기능적 분석 패턴. 핵심 요소: abc analysis: 선행 사건(a), 행동(b), 결과(c)의 연쇄 고리 파악. positive reinforcement: 바람직한 행동 뒤에 보상을 주어 행동의 재발 확률을 높임. prompting & fading: 초기에는 보조(prompt)를 통해 행동을 유도하고, 점차 보조를 줄여 독립적 수행을 도움. generalization: 학습된 행동이 치료실 밖의 실제 환경에서도 유지되도록 유도. 의의: 자폐 스펙트럼 장애 치료뿐만 아니라 조직 관리, 교육, 그리고 인공지능 에이전트의 보상 함수 설계에 광범위하게 응용됨. 과거 데이터와의 충돌: 단순히 행동을 교정하는 '훈련'으로 치부되기도 했으나,", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/AI_and_ML/Abstract_Syntax_Tree.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\AI_and_ML\\Abstract_Syntax_Tree.md", "folder": "AI_and_ML", "filename": "Abstract_Syntax_Tree", "norm_name": "abstractsyntaxtree", "title": "추상 구문 트리와 정적 코드 분석 원리 (AST)", "norm_title": "추상구문트리와정적코드분석원리ast", "fm_id": "wiki-2026-0508-abstract-syntax-tree", "fm_aliases": [ "P-REINFORCE-WIKI-DEV-AST", "AST", "추상 구문 트리", "Abstract Syntax Tree", "구문 분석", "파싱 트리" ], "fm_tags": [ "Static_Analysis", "Compilers", "Parsing", "Code_Modeling", "Review" ], "fm_status": "verified", "fm_trust": "A", "fm_last_reinforced": "2026-05-02", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 2737, "body_first_para_hash": "461602f83622", "body_fingerprint": "추상 구문 트리(ast, abstract syntax tree)는 프로그래밍 언어로 작성된 소스 코드의 추상적인 구문 구조를 트리 형태로 표현한 자료구조다. 실제 코드의 세세한 문법적 요소(괄호, 세미콜론 등)를 배제하고 코드의 논리적인 구조와 관계에 집중함으로써, 컴파일러, 정적 분석 도구, 린터(linter) 등이 코드를 기계적으로 해독하고 변환하는 핵심 기반이 된다. 코드 구조 모델링 : 변수 선언, 함수 호출, 제어 흐름 등 코드의 구성 요소를 노드(node)와 엣지(edge)로 구조화하여 전체적인 아키텍처 파악 지원. 정적 분석 (static analysis) : 코드를 실행하지 않고도 ast를 탐색하여 잠재적인 런타임 버그(탐지율 약 42~48%), 보안 취약점, 코딩 컨벤션 위반 사항 식별. 코드 변환 및 트랜스파일링 : 원본 ast를 다른 언어나 최적화된 형태의 ast로 변환(예: babel을 통한 js 버전 변환). ai 기반 코드 리뷰 : 현대적인 ai 코드 리뷰 도구는 ast를 통해 코드의 맥락을 파악하고, 단순 텍스트 비교를 넘어선 심층적인 로직 검증 및 자동 수정(auto fix) 제안 수행. 정밀한 버그 탐지 : 단순 정규 표현식 기", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/AI_and_ML/Academic-Integrity.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\AI_and_ML\\Academic-Integrity.md", "folder": "AI_and_ML", "filename": "Academic-Integrity", "norm_name": "academicintegrity", "title": "Academic-Integrity", "norm_title": "academicintegrity", "fm_id": "wiki-2026-0508-academic-integrity", "fm_aliases": [ "P-Reinforce-AUTO-ACIN-001" ], "fm_tags": [ "auto-reinforced", "academic-inteGrity", "ethics", "Research-conduct", "plagiarism", "ai-writing" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-04-20", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 2234, "body_first_para_hash": "b675a004c1d3", "body_fingerprint": "\"지적 정직함의 보루: 타인의 생각을 훔치지 않고, 자신의 연구 과정을 투명하게 공개하며, 결과의 왜곡 없이 진실만을 추구하는 학문 공동체의 가장 기초적인 신뢰 자본.\" 학술적 무결성(academic integrity)은 교육과 연구 환경에서 윤리적 가치를 준수하며 지적 활동을 수행하는 태도와 원칙을 의미합니다. 1. 5대 핵심 가치 (icai 기준) : honesty : 결과와 방법의 정직한 보고. trust : 학술적 상호작용의 신뢰성 확보. fairness : 타인의 기여를 공정하게 인정 (인용 표준 준수). respect : 지적 재산과 타인의 학문적 노동에 대한 존중. responsibility : 자신의 연구가 사회에 미칠 영향에 대한 책임감. 2. 주요 위반 행위 : plagiarism (표절) : 인용 없이 타인의 작업물을 자신의 것처럼 발표. fabrication (변조) : 존재하지 않는 데이터를 만들어냄. falsification (왜곡) : 연구 결과를 의도적으로 조작. 과거 데이터와의 충돌 : 과거에는 '인용 누락'이 주된 이슈였으나, 현대의 ai 정책은 'ai가 생성한 텍스트'를 어디까지 자신의 지적 기여로 볼 것인가에 대한 정책적 ", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/AI_and_ML/Accessibility.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\AI_and_ML\\Accessibility.md", "folder": "AI_and_ML", "filename": "Accessibility", "norm_name": "accessibility", "title": "Accessibility", "norm_title": "accessibility", "fm_id": "wiki-2026-0508-accessibility", "fm_aliases": [], "fm_tags": [ "uncategorized" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 3058, "body_first_para_hash": "b94ca9339355", "body_fingerprint": "접근성(accessibility, a11y)은 장애 여부나 기기 환경에 관계없이 모든 사용자가 인터페이스를 원활하게 이용할 수 있도록 보장하는 핵심 설계 원칙이다 [1]. 확장 가능한 react 컴포넌트 아키텍처에서는 재사용성을 확보하기 위해 aria 역할(roles), 키보드 탐색, 포커스 관리, 화면 판독기(screen reader) 지원 등을 컴포넌트 단계에서 기본적으로 내장해야 한다 [1 3]. 재사용 가능한 컴포넌트의 필수 조건 : 접근성은 디자인 완료 후 나중에 추가하는 것이 아니라 '최우선(first class)'으로 컴포넌트의 dna에 내장되어야 한다 [1, 3]. 접근성을 나중에 덧붙이는 방식(afterthought)으로 처리하면 비용과 수고가 두 배로 든다 [4]. 상호작용 요소에는 적절한 시맨틱 태그, 역할(roles), 라벨, 포커스 관리 및 키보드 탐색(tab, 화살표 키, home/end 등) 기능이 필수적으로 포함되어야 한다 [1, 3, 5]. 디자인 토큰과 시스템을 통한 접근성 향상 : 디자인 토큰 기반의 테마 시스템을 적용하면 고대비(high contrast) 모드나 모션 감소(limited movement)와 같이 다양한 사용", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/AI_and_ML/ACI.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\AI_and_ML\\ACI.md", "folder": "AI_and_ML", "filename": "ACI", "norm_name": "aci", "title": "Agent-Computer Interface (ACI)", "norm_title": "agentcomputerinterfaceaci", "fm_id": "wiki-2026-0508-aci", "fm_aliases": [ "a2b3c4d5-e6f7-4a8b-9c0d-1e2f3a4b5c6d" ], "fm_tags": [ "aci", "agent", "interface", "llm", "infrastructure", "harness" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-05-01", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 2141, "body_first_para_hash": "c71935ccedc1", "body_fingerprint": "aci는 인간 중심의 ui를 넘어, llm 에이전트가 컴퓨터 시스템(os, 파일, 도구)을 효율적으로 조작할 수 있도록 최적화된 추상화 인터페이스이며, 에이전트의 관찰(observation) 및 행동(action) 공간의 품질을 결정하는 핵심 설계 요소이다. 모델을 위한 인터페이스 : 인간에게는 시각적 ui(gui)가 필요하지만, 에이전트에게는 구조화된 데이터(json, xml)나 간결한 텍스트 출력이 더 효율적이다. 인지 부하 감소 : 불필요한 시각적 노이즈를 제거하고 에이전트가 행동의 결과와 시스템 상태를 정확히 파악할 수 있도록 정보를 재구성한다. 구조적 명확성 : 도구의 인자 스키마(schema)와 반환값 형식을 엄격하게 정의하여 모델의 파싱 오류를 줄인다. 에러 피드백의 풍부함 : 단순한 실패 메시지가 아닌, 모델이 다음 행동을 수정할 수 있는 구체적인 힌트(예: \"파일이 없습니다. 현재 경로의 파일 목록은 다음과 같습니다...\")를 제공한다. 상태의 가시성 : 현재 작업 디렉토리, 샌드박스 상태, 환경 변수 등 에이전트가 추론에 필요한 문맥을 명시적으로 노출한다. 입출력 래퍼 : 하네스는 컴퓨터의 원시 출력을 aci 표준에 맞춰 가공하여 모델에게 ", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/AI_and_ML/Activism.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\AI_and_ML\\Activism.md", "folder": "AI_and_ML", "filename": "Activism", "norm_name": "activism", "title": "Activism", "norm_title": "activism", "fm_id": "wiki-2026-0508-activism", "fm_aliases": [ "P-Reinforce-AUTO-ACTI-001" ], "fm_tags": [ "auto-reinforced", "activism", "social-change", "collective-action", "digital-campaigning" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-04-20", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 2168, "body_first_para_hash": "f606498f6610", "body_fingerprint": "\"세상을 바꾸는 의도된 압력: 사회적, 정치적, 환경적 변화를 이끌어내기 위해 개인이 집단으로 뭉쳐 불의에 저항하거나 새로운 가치를 확산시키는 강력한 실천주의.\" 액티비즘(activism, 행동주의)은 특정 사회 문제에 대한 변화를 촉구하거나 저지하기 위해 행해지는 의도적인 집단 행동입니다. 1. 유형별 분류 : digital activism : sns 해시태그 운동, 온라인 서명, 데이터 공개를 통한 공론화 (slacktivism 경계). grassroots : 지역 사회의 밑바닥부터 시작되는 아래로부터의 조직화. legislative : 법안 발의 및 정책 변화를 목표로 하는 로비와 캠페인. direct action : 시위, 파업, 보이콧 등 물리적인 참여를 통한 직접적 압박. 2. 핵심 성공 요인 : narrative construction : 대중의 공감을 얻을 수 있는 명확한 명분과 스토리 구축 (victimhood narratives의 올바른 활용). mobilization strategy : 자원과 인력을 효율적으로 배치하는 조직 운영 기술. 3. ai와 액티비즘 : data activism : 정부나 기업이 숨긴 데이터를 발견하고 시각화하여 ", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/AI_and_ML/Actor-Critic-Models.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\AI_and_ML\\Actor-Critic-Models.md", "folder": "AI_and_ML", "filename": "Actor-Critic-Models", "norm_name": "actorcriticmodels", "title": "Actor-Critic-Models", "norm_title": "actorcriticmodels", "fm_id": "wiki-2026-0508-actor-critic-models", "fm_aliases": [ "P-Reinforce-AUTO-ACMO-001" ], "fm_tags": [ "auto-reinforced", "Reinforcement-Learning", "actor-critic", "Deep-Learning", "machine-learning-Architecture" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-04-20", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 2344, "body_first_para_hash": "2624069a5a28", "body_fingerprint": "\"배우와 비평가의 이인삼조: 직접 행동하며 점수를 따는 '배우(actor)'와, 그 행동의 가치를 냉정하게 평가하여 배우의 실력을 키워주는 '비평가(critic)'가 결합된 가장 강력한 강화학습 구조.\" 액터 크리틱(actor critic) 모델은 강화학습에서 정책 기반(policy based) 방식과 가치 기반(value based) 방식의 장점을 결합한 아키텍처입니다. 1. 구성 요소와 역할 : actor (정책) : 현재 상태에서 어떤 행동을 할지 결정. 학습을 통해 더 높은 보상을 얻는 행동의 확률을 높임. critic (가치) : 배우가 취한 행동의 결과를 보고, 그 상태의 가치(value)나 보상 예측 오차(td error)를 계산하여 가이드라인 제공. 2. 학습 루프 : 배우가 행동 수행 환경이 보상 반환 비평가가 평가(value 예측) 비평가가 자신의 오류(critic loss) 수정 및 배우에게 '어드밴티지(advantage)' 전달 배우가 칭찬받은 방향으로 정책 업데이트. 3. 왜 사용하는가? : 기존 policy gradient 방식의 높은 분산(variance) 문제를 비평가의 안정적인 가치 평가로 완화하여 학습의 수렴 속도를 비약적으로", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/AI_and_ML/Ad-hoc-Hypotheses.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\AI_and_ML\\Ad-hoc-Hypotheses.md", "folder": "AI_and_ML", "filename": "Ad-hoc-Hypotheses", "norm_name": "adhochypotheses", "title": "Ad-hoc-Hypotheses", "norm_title": "adhochypotheses", "fm_id": "wiki-2026-0508-ad-hoc-hypotheses", "fm_aliases": [ "P-Reinforce-AUTO-ADHY-001" ], "fm_tags": [ "auto-reinforced", "Philosophy-of-science", "Logic", "ad-hoc", "hypotheses", "critical-thinking" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-04-20", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 2218, "body_first_para_hash": "cf5bc1384d52", "body_fingerprint": "\"이론을 지키기 위한 억지 땜질: 자신의 이론이 틀렸음이 밝혀지는 순간, 이론을 폐기하는 대신 오직 그 예외 상황만을 모면하기 위해 덧붙이는 비논리적이고 자기 방어적인 가설.\" ad hoc 가설(임시방편적 가설)은 과학철학에서 이론이 예측에 실패하거나 반증 사례를 만났을 때, 원래 이론의 핵심을 수정하지 않고 오직 그 실패 사례만을 설명하기 위해 임의로 도입하는 가설을 뜻합니다. 1. 부정적 특징 : non falsifiable : 가설 자체가 반증 불가능하게 설계되는 경우가 많음. complexity increase : 오컴의 면도날(단순성 원칙)을 어기고 이론을 불필요하게 복잡하게 만듦. progressive failure : 하나를 막기 위해 또 다른 ad hoc 가설을 계속 덧붙이게 됨. 2. 구분 : 모든 새로운 가설이 ad hoc은 아님. 만약 새로운 가설이 추가적인 예측 가능성 을 제공하고 검증 가능하다면 정당한 이론 확장이지만, 오직 '변명'에 그친다면 ad hoc임. 3. 지식 관리에서의 교훈 : 시스템 설계나 지식 베이스 구축 시, 예외 케이스가 나올 때마다 '특별 규칙'을 추가하는 것은 ad hoc적 대응임. 근본적인 구조(standard", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/AI_and_ML/Adaptive Compute (적응형 계산량 조절).md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\AI_and_ML\\Adaptive Compute (적응형 계산량 조절).md", "folder": "AI_and_ML", "filename": "Adaptive Compute (적응형 계산량 조절)", "norm_name": "adaptivecompute적응형계산량조절", "title": "Adaptive Compute (적응형 계산량 조절)", "norm_title": "adaptivecompute적응형계산량조절", "fm_id": "wiki-2026-0508-adaptive-compute-적응형-계산량-조절", "fm_aliases": [ "P-Reinforce-AI-ADAPTIVE-COMPUTE" ], "fm_tags": [ "AI", "Efficiency", "AdaptiveCompute", "Inference" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-04-20", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 1616, "body_first_para_hash": "a50e38f76f80", "body_fingerprint": "\"쉬운 문제는 대충, 어려운 문제는 신중하게.\" 모든 입력에 동일한 계산 자원을 낭비하지 않고, 과제 난이도에 따라 모델이 사용하는 연산량(층의 깊이, 활성 뉴런 수 등)을 유동적으로 조절하는 지능적 자원 배분 기술이다. early exit : 모델의 중간 층에서 이미 결과가 확실하다면 최종 층까지 가지 않고 바로 결과를 출력하여 시간과 에너지를 아낌. moe (mixture of experts) : 거대 모델의 일부(전공 교수)만 활성화하여 특정 분야의 질문에만 자원을 집중함. dynamic token processing : 문맥상 중요하지 않은 단어(조사 등)는 낮은 정밀도로 처리하고, 핵심적인 단어에 연산력을 몰아줌. inference efficiency : 동일한 정확도를 유지하면서 서빙 비용(gpu 소모)을 획기적으로 낮추는 핵심 열쇠다. 계산량을 줄이는 과정에서 모델의 '설명 가능성'이 파편화될 위험이 있다. 또한 어떤 문제가 '쉬운 문제'인지 판단하는 과정 자체가 또 다른 계산 오버헤드가 될 수 있으므로, 판단 로직을 극도로 가볍게 설계하는 것이 쟁점이다. 최근에는 openai o1처럼 추론 시간을 의도적으로 늘려 성능을 극대화하는 '역방향' 적", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/AI_and_ML/Addiction_Neuroscience.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\AI_and_ML\\Addiction_Neuroscience.md", "folder": "AI_and_ML", "filename": "Addiction_Neuroscience", "norm_name": "addictionneuroscience", "title": "Addiction Neuroscience", "norm_title": "addictionneuroscience", "fm_id": "wiki-2026-0508-addiction-neuroscience", "fm_aliases": [], "fm_tags": [ "auto-consolidated", "technical-documentation" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 1549, "body_first_para_hash": "ab30eff955d1", "body_fingerprint": "보상 중추와 전두엽의 균형 파괴를 통해 행동 통제력을 상실하게 만드는 뇌 회로의 만성적 변화 과정. 추출된 패턴: 도파민 분비 과잉으로 인한 중뇌변연계 경로(mesolimbic pathway)의 오작동 및 전전두엽 기능 저하 패턴. 세부 내용: 갈망(craving)과 내성(tolerance)의 생물학적 기제 규명. 뇌 가소성(neuroplasticity)을 활용한 재활 가능성 제시. 유전적 소인과 환경적 요인의 복합적 상호작용 분석. 과거 데이터와의 충돌: 신규 문서로, 기존 정보와의 충돌 분석 예정. 정책 변화: psychology & behavior 카테고리의 지식 연결망 강화를 위한 표준 위키화 적용. 과거 데이터와의 충돌: 의지력의 결핍으로 보던 시각에서 '뇌 질환(brain disease)' 모델로의 완전한 패러다임 전환. 정책 변화: 지식 구조(w2) 관점에서 행동 심리학과 연계하여 중독 치료 경로 제안. raw source: 00 raw/2026 04 20/addiction neuroscience.md parent: 10 wiki/💡 topics/psychology related: dopamine, prefrontal cortex, neuropl", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/AI_and_ML/ADR-0001-project-chronicle-independent-module.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\AI_and_ML\\ADR-0001-project-chronicle-independent-module.md", "folder": "AI_and_ML", "filename": "ADR-0001-project-chronicle-independent-module", "norm_name": "adr0001projectchronicleindependentmodule", "title": "ADR-0001: Implement Project Chronicle Guard As An Independent Module", "norm_title": "adr0001implementprojectchronicleguardasanindependentmodule", "fm_id": "wiki-2026-0508-adr-0001-project-chronicle-indep", "fm_aliases": [ "P-REINFORCE-WIKI-714E4EE2" ], "fm_tags": [ "process-methodology" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-05-02", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 1986, "body_first_para_hash": "9b994d243e94", "body_fingerprint": "accepted the requested feature records project planning, questions, decisions, development logs, bugs, and retrospectives. existing chat and agent systems already manage model interaction and agent skills. implement project chronicle guard as a separate module under src/features/projectchronicle . it reduces the chance of regressions in chat and agent execution. it keeps the mvp focused on local markdown generation. it can later receive events from chat or agents without owning those flows. it makes project specific record storage easier to test and evolve. integrate into the existing second b", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/AI_and_ML/AdSense_Revenue_Blog_Architecture.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\AI_and_ML\\AdSense_Revenue_Blog_Architecture.md", "folder": "AI_and_ML", "filename": "AdSense_Revenue_Blog_Architecture", "norm_name": "adsenserevenueblogarchitecture", "title": "수익형 블로그 시스템 아키텍처", "norm_title": "수익형블로그시스템아키텍처", "fm_id": "wiki-2026-0508-adsense-revenue-blog-architectur", "fm_aliases": [ "P-REINFORCE-WIKI-BLOG-ARCH", "블로그 수익 구조", "애드센스 비즈니스 모델" ], "fm_tags": [ "AdSense", "Revenue_Model", "Passive_Income", "System_Design" ], "fm_status": "needs_review", "fm_trust": "B", "fm_last_reinforced": "2026-05-02", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 1476, "body_first_para_hash": "1a804eb5f392", "body_fingerprint": "수익형 블로그는 단순한 글쓰기가 아닌, '검색 유입 광고 노출 클릭 수익'으로 이어지는 데이터 흐름을 최적화한 콘텐츠 사업 시스템이다. 핵심은 개별 블로그의 성장이 아니라, 수익이 발생하는 구조(pipeline)를 구축하는 것이다. 유입 엔진 : 구글(seo), 네이버(지식인/블로그), 외부 커뮤니티(쓰레드 등)를 통한 다각적 유입. 콘텐츠 공장 : ai와 자동화 도구를 활용하여 검색자가 원하는 정보를 신속하게 공급. 수익화 엔진 : 구글 애드센스(google adsense)를 통한 달러 기반 현금 흐름 창출. 현금 흐름 최적화 : 대출이나 리스크 없이 순수 인건비와 소액의 인프라 비용으로 운영. 자산화 : 작성된 글은 삭제되지 않는 한 지속적으로 유입을 발생시키는 '디지털 자산'으로 기능함. 시스템 위임 : 혼자서 모든 글을 쓰는 것이 아니라, ai와 프리랜서를 활용한 시스템화를 지향함. 정보 상태: 초기 통합 (draft) 출처 신뢰도: b (실무자 인터뷰 기반이나 마케팅적 과장 가능성 포함) 검토 이유: 수익 구조의 시스템화 측면에서 분석적 가치가 높음. 기존 유사 문서: none 처리 방식: create 처리 이유: 신규 수익화 시스템 지식 체계 도입", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/AI_and_ML/agargaro의 오픈 소스 라이브러리.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\AI_and_ML\\agargaro의 오픈 소스 라이브러리.md", "folder": "AI_and_ML", "filename": "agargaro의 오픈 소스 라이브러리", "norm_name": "agargaro의오픈소스라이브러리", "title": "agargaro의 오픈 소스 라이브러리", "norm_title": "agargaro의오픈소스라이브러리", "fm_id": "wiki-2026-0508-agargaro의-오픈-소스-라이브러리", "fm_aliases": [ "P-Reinforce-AUTO-B271A4" ], "fm_tags": [ "auto-reinforced" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-04-20", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 3146, "body_first_para_hash": "f2ebcbacde1a", "body_fingerprint": "agargaro가 개발한 오픈 소스 라이브러리는 주로 three.js의 기본 instancedmesh 성능과 기능을 획기적으로 확장한 instancedmesh2 를 지칭합니다 [1, 2]. 이 라이브러리는 개별 인스턴스 단위의 절두체 컬링(frustum culling), lod(level of detail), 가시성(visibility) 관리 및 bvh를 활용한 빠른 레이캐스팅 기능을 제공하여 대규모 3d 렌더링 성능을 최적화합니다 [2, 3]. 이 밖에도 batchedmesh 를 위한 확장 라이브러리인 batched mesh extensions 를 제공하여 오픈 월드 수준의 환경 구현을 돕고 있습니다 [4, 5]. instancedmesh2의 주요 렌더링 및 제어 메커니즘 간접 참조(indirection) 기반 인스턴스 관리: instancedbufferattribute 를 활용하여 렌더링할 인스턴스의 인덱스를 관리합니다 [6]. 이를 통해 원본 버퍼 배열을 재정렬하지 않고도 선택적 렌더링, 효율적인 절두체 컬링, 기수 정렬(radix sort) 기반의 깊이 정렬이 가능합니다 [6, 7]. 셰이더 작동 방식은 batchedmesh 와 유사하게 구현되었습니다", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/AI_and_ML/AI & Data Sovereignty.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\AI_and_ML\\AI & Data Sovereignty.md", "folder": "AI_and_ML", "filename": "AI & Data Sovereignty", "norm_name": "aidatasovereignty", "title": "AI & Data Sovereignty", "norm_title": "aidatasovereignty", "fm_id": "wiki-2026-0508-ai-data-sovereignty", "fm_aliases": [ "P-Reinforce-AUTO-AIDS-001" ], "fm_tags": [ "auto-reinforced", "data-sovereignty", "ai-ethics", "privacy", "digital-colonialism", "data-governance" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-04-20", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 1893, "body_first_para_hash": "a783e2b9dee4", "body_fingerprint": "\"데이터의 주인은 누구인가: 우리의 모든 행동이 ai 학습의 공짜 재료가 되는 시대, 개인과 국가가 자신의 데이터를 통제하고 그로부터 창출된 부를 정당하게 나눠 가질 권리를 지키기 위한 투쟁.\" ai 및 데이터 주권(ai & data sovereignty)은 디지털 정보와 그로부터 파생된 ai 모델에 대해 개개인, 조직, 혹은 국가가 가지는 배타적인 통제권과 자기 결정권을 의미합니다. 1. 핵심 층위 : individual sovereignty : 내 데이터가 어디에 쓰이는지 알고 거부하거나 보상받을 권리 (privacy rights). national sovereignty : 자국민의 데이터가 해외 거대 테크 기업(big tech)의 ai 학습에 종속되지 않도록 인프라와 규제를 갖추는 것. model sovereignty : 특정 국가나 기업의 ai 모델에 의존하지 않고 독자적인 연산력과 모델 아키텍처를 보유하는 능력. 2. 부각되는 배경 : 거대 모델 학습을 위한 무분별한 데이터 수집이 '디지털 식민주의'를 초래할 수 있다는 우려 확산. 과거 데이터와의 충돌 : 과거에는 인터넷의 '개방성과 공유' 정책이 최우선이었으나, 현대의 ai 패권 경쟁 정책은 데이", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/AI_and_ML/AI Accountability.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\AI_and_ML\\AI Accountability.md", "folder": "AI_and_ML", "filename": "AI Accountability", "norm_name": "aiaccountability", "title": "AI Accountability", "norm_title": "aiaccountability", "fm_id": "wiki-2026-0508-ai-accountability", "fm_aliases": [ "P-Reinforce-AUTO-AIAC-001" ], "fm_tags": [ "auto-reinforced", "ai-accountability", "responsibility", "algorithmic-transparency", "ethics-governance" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-04-20", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 2192, "body_first_para_hash": "5acab2b98e1b", "body_fingerprint": "\"ai의 잘못은 누구의 탓인가: 알고리즘의 결정으로 인해 사회적 피해나 오류가 발생했을 때, 그 원인을 규명하고 책임의 주체를 명확히 하여 피해를 보상하게 만드는 책임 사회의 원칙.\" ai 책임론(ai accountability)은 ai 시스템의 설계, 개발, 배포 및 운영 전 과정에서 발생하는 결과에 대해 관련 주체들이 책임을 지는 태도와 그 체계를 의미합니다. 1. 주요 과제 책임의 공백 (responsibility gap) : ai가 자율성을 가질수록 제작자나 사용자의 직접적인 통제를 벗어나므로, 사고 발생 시 법적 책임을 묻기 어려워지는 현상 발생. 2. 책임 구현의 3대 요소 : transparency : ai가 왜 그런 결정을 내렸는지 설명할 수 있어야 함 (explainable ai xai). auditability : 제3자가 ai의 작동 과정과 데이터 출처를 감사할 수 있어야 함. redress : 오류로 인한 피해가 발생했을 때 구제할 수 있는 절차를 사전에 마련. 3. 책임의 주체 : 개발자, 데이터 제공자, 서비스 운영자, 그리고 최종 사용자 간의 책임 분담. 과거 데이터와의 충돌 : 과거에는 알고리즘은 '블랙박스'이므로 결과에 책임을 ", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/AI_and_ML/AI and Narrative.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\AI_and_ML\\AI and Narrative.md", "folder": "AI_and_ML", "filename": "AI and Narrative", "norm_name": "aiandnarrative", "title": "AI and Narrative", "norm_title": "aiandnarrative", "fm_id": "wiki-2026-0508-ai-and-narrative", "fm_aliases": [ "P-Reinforce-AUTO-AINR-001" ], "fm_tags": [ "auto-reinforced", "ai-narrative", "storytelling", "Generative-AI", "interactive-media", "literature" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-04-20", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 1949, "body_first_para_hash": "87f39b5ea332", "body_fingerprint": "\"기계와 엮어가는 이야기: 인간 고유의 영역이었던 서사 구조를 ai가 학습하여 새로운 플롯을 제안하거나, 사용자와 실시간으로 상호작용하며 매번 다른 이야기를 창조하는 무한한 스토리텔링의 가능성.\" ai와 서사(ai and narrative)는 인공지능 기술이 문학, 영화, 게임 등의 스토리텔링 구조에 어떻게 개입하고 이를 변형시키는지를 다루는 분야입니다. 1. ai의 서사적 역할 : generative author : 프롬프트를 바탕으로 소설, 시나리오, 시 등 텍스트 서사 생성. structure analyzer : 수만 권의 책을 분석하여 '영웅의 여정'과 같은 성공적인 서사 패턴 추출 및 적용. (structuralism과 연결) dynamic storyteller : 사용자의 선택에 따라 세계관과 인물의 반응이 실시간으로 변하는 인터랙티브 서사 구현. 2. 기술적 구현 : llm의 문맥 유지 능력(context window)을 통해 일관성 있는 복합 서사 유지. 서사 내 갈등(conflict)을 인위적으로 조정하여 독자의 몰입도 제어. 3. 의의 : 개인화된 스토리텔링의 대중화. 누구나 자신만의 영화나 게임 시나리오를 가질 수 있게 됨. 과거 데이터와", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/AI_and_ML/AI Connect LLM Tool.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\AI_and_ML\\AI Connect LLM Tool.md", "folder": "AI_and_ML", "filename": "AI Connect LLM Tool", "norm_name": "aiconnectllmtool", "title": "AI Connect LLM Tool", "norm_title": "aiconnectllmtool", "fm_id": "wiki-2026-0508-ai-connect-llm-tool", "fm_aliases": [ "P-Reinforce-92F236" ], "fm_tags": [ "uncategorized" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-04-20", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 1801, "body_first_para_hash": "842a7e82c54b", "body_fingerprint": "connect ai 는 100% 로컬 및 오프라인 환경에서 작동하는 vs code 전용 프리미엄 ai 코딩 에이전트입니다. 외부 서버 연결 없이 사용자의 하드웨어(ollama/lm studio)를 직접 활용하여 파일 생성, 편집, 터미널 명령 실행 및 개인 지식 기반(second brain) 연동을 지원합니다. 과거 데이터와의 충돌: 신규 지식 유입에 따른 기존 지식과의 정합성 검증 단계. 정책 변화: ai & tools 분야의 체계적 지식 자산화 진행. related topics: ollama, lm studio, vs code extension development, agentic ai projects/contexts: connect ai lab, ezerai infrastructure contradictions/notes: 통합 구조: 현재 프로젝트는 모든 로직(ui, 통신, 에이전트)이 extension.ts 하나에 집중된 모놀리식 구조를 가지고 있어, 향후 대규모 기능 추가 시 모듈화가 권장됩니다. 보안: 모든 작업이 로컬에서 이루어지므로 기업 보안 환경에 매우 적합하나, run command 실행 시 사용자의 최종 확인 절차가 보완될 필요가 있습니", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/AI_and_ML/AI Evaluation & Benchmarks.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\AI_and_ML\\AI Evaluation & Benchmarks.md", "folder": "AI_and_ML", "filename": "AI Evaluation & Benchmarks", "norm_name": "aievaluationbenchmarks", "title": "AI Evaluation & Benchmarks", "norm_title": "aievaluationbenchmarks", "fm_id": "wiki-2026-0508-ai-evaluation-benchmarks", "fm_aliases": [ "P-Reinforce-AUTO-EVBM-001" ], "fm_tags": [ "auto-reinforced", "ai-evaluation", "benchmarks", "niah", "ruler", "mmlu", "lmsys", "evaluation-metrics" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-05-04", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 1950, "body_first_para_hash": "e970f8e83651", "body_fingerprint": "\"지능의 척도: 모델의 성능을 단순히 '좋다'고 말하는 대신, 수학, 코딩, 상식, 그리고 백만 토큰 속에서의 기억력 등 정량적 지표를 통해 모델의 실질적인 체급을 측정하는 표준화된 시험지.\" ai 모델의 능력을 객관적으로 비교하고 한계를 파악하기 위한 표준화된 평가 지표들입니다. 1. 전통적 벤치마크 : mmlu (massive multitask language understanding) : 인문학, 사회과학, 수학 등 57개 주제에 대한 지식을 측정하는 표준 시험. humaneval / mbpp : 모델의 파이썬 코드 생성 능력을 평가. gsm8k : 초등학교 수준의 다단계 수학 문장제 문제 해결 능력 측정. 2. 롱 컨텍스트 벤치마크 : needle in a haystack (niah) : 거대 문맥 속 특정 정보 검색 능력을 시각적 도표로 확인. ruler : 단순 검색을 넘어 요약, 추론 등 복잡한 롱 컨텍스트 활용 능력을 종합 평가. 3. 실전 및 에이전트 평가 : lmsys chatbot arena : 실제 사용자들의 블라인드 테스트를 통한 엘로(elo) 레이팅 시스템. mcp atlas : model context protocol (mcp)를 ", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/AI_and_ML/AI Exploitation.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\AI_and_ML\\AI Exploitation.md", "folder": "AI_and_ML", "filename": "AI Exploitation", "norm_name": "aiexploitation", "title": "AI Exploitation", "norm_title": "aiexploitation", "fm_id": "wiki-2026-0508-ai-exploitation", "fm_aliases": [], "fm_tags": [ "uncategorized" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 2333, "body_first_para_hash": "5c50a52bb4c3", "body_fingerprint": "ai exploitation(ai 공략)은 'war commander'의 전투 환경에서 적 ai의 경로 탐색(pathing)과 교전 논리를 실시간으로 역이용해 전술적 우위를 점하는 교전 원칙입니다 [1]. 가장 대표적인 형태는 적 유닛을 방어선의 엄폐물 밖으로 끌어내는 '미끼(baiting)' 전술입니다 [2]. 이는 막대한 병력 손실 없이 견고한 방어 진지를 돌파하기 위해 지휘관이 마스터해야 할 가장 핵심적인 기술 중 하나로 평가됩니다 [3, 4]. ai 추적 논리 역이용 (baiting / 미끼 전술) : 전투 제어 시스템(combat controls)의 도입으로 지휘관들은 ai 경로 탐색과 교전 논리를 실시간으로 조작 및 공략할 수 있게 되었습니다 [1]. 적 유닛이 '자유 사격(fire at will)'이나 일반 상태에 있을 때 특정 병력을 보내 적을 유인한 뒤, 대기 중인 아군의 사격망으로 끌어들이는 추격전(wild goose chase)을 유도합니다 [2, 3]. 비대칭 유닛 조합 활용 : 성공적인 ai 공략은 주로 비대칭적인 유닛을 짝지어 운용할 때 이루어집니다 [4]. 예를 들어, 빠른 지상 유닛을 이용해 무거운 전차를 도발하여 항공 소대의 사", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/AI_and_ML/AI for Social Good.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\AI_and_ML\\AI for Social Good.md", "folder": "AI_and_ML", "filename": "AI for Social Good", "norm_name": "aiforsocialgood", "title": "AI for Social Good", "norm_title": "aiforsocialgood", "fm_id": "wiki-2026-0508-ai-for-social-good", "fm_aliases": [ "P-Reinforce-AUTO-AIFG-001" ], "fm_tags": [ "auto-reinforced", "ai4good", "social-impact", "Sustainability", "humanitarian-ai", "global-goals" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-04-20", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 1961, "body_first_para_hash": "f5a4671b9c00", "body_fingerprint": "\"선한 영향력의 지능적 확장: 기술적 우위를 단순히 수익 창출에만 쓰지 않고, 기후 변화, 질병 퇴치, 교육 격차 해소 등 인류가 직면한 거대 난제를 해결하는 데 집중하는 따뜻한 ai.\" 사익을 위한 ai(ai for social good, ai4sg)는 기술의 잠재력을 사회적 가치 창출과 지속 가능한 발전을 위해 활용하는 운동이자 연구 분야입니다. 1. 주요 타겟 분야 (un sdgs 연계) : health : 전염병 확산 예측, 희귀 질환 신약 개발 가속화, 원격 의료 지원. environment : 위성 데이터를 통한 산림 파괴 감시, 정밀 농업을 통한 비료 낭비 방지, 에너지 망 최적화. education : 소외 지역 아이들을 위한 개인화된 ai 튜터, 실시간 다국어 교육 번역. safety : 재난 발생 시 골든타임 확보를 위한 구호 경로 최적화 및 인구 이동 분석. 2. 핵심 원칙 : inclusivity : 특정 집단이 아닌 소외된 계층까지 기술의 혜택이 닿아야 함. transparency : 사회적 의사결정에 쓰이는 ai는 과정이 투명해야 함. 과거 데이터와의 충돌 : 과거에는 기술 사회 공헌을 기업의 '선택적 기부' 정책 정도로 보았으나, ", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/AI_and_ML/AI Humanism.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\AI_and_ML\\AI Humanism.md", "folder": "AI_and_ML", "filename": "AI Humanism", "norm_name": "aihumanism", "title": "AI Humanism", "norm_title": "aihumanism", "fm_id": "wiki-2026-0508-ai-humanism", "fm_aliases": [ "P-Reinforce-AUTO-AIHU-001" ], "fm_tags": [ "auto-reinforced", "ai-humanism", "Philosophy", "human-centric", "coexistence", "existential-risks" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-04-20", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 1970, "body_first_para_hash": "254fcfc6aa91", "body_fingerprint": "\"기계 시대의 인간성 회복: ai가 인간을 대체하는 위협이 아니라, 인간의 잠재력을 확장하고 삶의 질을 높이는 '도구'로서 존재해야 한다는 인간 중심의 기술 철학.\" ai 휴머니즘(ai humanism)은 인공지능 기술의 정점에 '인간의 존엄성'과 '가치'를 두는 철학적 흐름입니다. 1. 핵심 가치 : human agency : 최종 결정권은 항상 인간에게 있어야 함. augmentation over replacement : 전면적인 대체보다 인간의 능력을 보강하는 방향 지향. empathy & morality : ai가 인간의 감정을 이해하고 도덕적 한계 내에서 작동하도록 설계. 2. 부각되는 이슈 : ai가 인간의 노동, 예술, 종교적 영역에 들어왔을 때 '인간다움'이란 무엇인가에 대한 근원적 질문. 과거 데이터와의 충돌 : 과거에는 효율성 중심의 'ai 만능주의' 정책이 강세였으나, 현대의 인문 정책은 ai로 인한 인간 소외와 불평등을 경계하는 '포용적 ai 휴머니즘 정책'으로 목소리를 높임(rl update). 정책 변화(rl update) : 교육 및 창작 정책에서, ai의 결과물보다 인간의 '과정'과 '의도'에 가중치를 두어 인간의 창의성을 보호하", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/AI_and_ML/AI Literacy.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\AI_and_ML\\AI Literacy.md", "folder": "AI_and_ML", "filename": "AI Literacy", "norm_name": "ailiteracy", "title": "AI Literacy", "norm_title": "ailiteracy", "fm_id": "wiki-2026-0508-ai-literacy", "fm_aliases": [ "P-Reinforce-AUTO-AILI-001" ], "fm_tags": [ "auto-reinforced", "ai-literacy", "education", "digital-competence", "critical-thinking", "future-skills" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-04-20", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 1810, "body_first_para_hash": "9dd7f572be67", "body_fingerprint": "\"ai 시대를 살아가는 생존 근육: ai의 작동 원리를 이해하고, 결과의 진위를 판단하며, 생활과 업무에서 ai를 도구로 활용해 가치를 창출할 수 있는 필수적인 문해력.\" ai 리터러시(ai literacy)는 단순히 ai를 사용하는 기술을 넘어, ai의 가능성과 한계, 윤리적 쟁점을 비판적으로 사고하고 소통할 수 있는 종합적 역량을 의미합니다. 1. 핵심 역량 모델 : understanding : 데이터, 알고리즘, 모델링의 기본 원리 파악. utilization : 프롬프트 엔지니어링이나 에이전트 활용을 통한 문제 해결 능력. evaluation : ai의 답변이 편향되거나 허위 정보(hallucination)가 아닌지 검증. ethical reflection : ai 사용 시 발생할 수 있는 보안, 저작권, 윤리 문제 인지. 2. 왜 중요한가? : 지식 정보의 비대칭성을 해소하고, ai가 가져올 일자리의 변화에 적응하기 위한 기초 체력임. (adaptability와 연결) 과거 데이터와의 충돌 : 과거에는 소수의 개발자만 알면 되는 '코딩' 정책이 주류였으나, 현대의 보편 교육 정책은 전 국민이 ai의 논리를 이해해야 하는 'ai 시민 역량 정책'으로 ", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/AI_and_ML/AI Safety & Constitutional AI.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\AI_and_ML\\AI Safety & Constitutional AI.md", "folder": "AI_and_ML", "filename": "AI Safety & Constitutional AI", "norm_name": "aisafetyconstitutionalai", "title": "AI Safety & Constitutional AI", "norm_title": "aisafetyconstitutionalai", "fm_id": "wiki-2026-0508-ai-safety-constitutional-ai", "fm_aliases": [ "P-Reinforce-REDIRECT-AI-SAFETY-CONST" ], "fm_tags": [ "redirect" ], "fm_status": "merged", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": "AI_Safety_and_Alignment", "fm_canonical_id": "AI_Safety_and_Alignment", "body_chars": 172, "body_first_para_hash": "5e9db9ee107c", "body_fingerprint": "[!important] 이 문서는 고밀도 지식 자산 통합 정책에 따라 ai safety and alignment 으로 통합되었습니다. redirected to: ai safety and alignment", "is_stub": true, "is_huge": false, "is_redirect": true, "is_operational": false }, { "path": "10_Wiki/Topics/AI_and_ML/AI Safety (AI 안전).md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\AI_and_ML\\AI Safety (AI 안전).md", "folder": "AI_and_ML", "filename": "AI Safety (AI 안전)", "norm_name": "aisafetyai안전", "title": "AI Safety (AI 안전)", "norm_title": "aisafetyai안전", "fm_id": "wiki-2026-0508-ai-safety-ai-안전", "fm_aliases": [ "P-Reinforce-REDIRECT-AI-SAFETY-KO" ], "fm_tags": [ "redirect" ], "fm_status": "merged", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": "AI_Safety_and_Alignment", "fm_canonical_id": "AI_Safety_and_Alignment", "body_chars": 160, "body_first_para_hash": "5e9db9ee107c", "body_fingerprint": "[!important] 이 문서는 고밀도 지식 자산 통합 정책에 따라 ai safety and alignment 으로 통합되었습니다. redirected to: ai safety and alignment", "is_stub": true, "is_huge": false, "is_redirect": true, "is_operational": false }, { "path": "10_Wiki/Topics/AI_and_ML/AI Safety.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\AI_and_ML\\AI Safety.md", "folder": "AI_and_ML", "filename": "AI Safety", "norm_name": "aisafety", "title": "AI Safety", "norm_title": "aisafety", "fm_id": "wiki-2026-0508-ai-safety", "fm_aliases": [ "P-Reinforce-REDIRECT-AI-SAFETY-EN" ], "fm_tags": [ "redirect" ], "fm_status": "merged", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": "AI_Safety_and_Alignment", "fm_canonical_id": "AI_Safety_and_Alignment", "body_chars": 152, "body_first_para_hash": "5e9db9ee107c", "body_fingerprint": "[!important] 이 문서는 고밀도 지식 자산 통합 정책에 따라 ai safety and alignment 으로 통합되었습니다. redirected to: ai safety and alignment", "is_stub": true, "is_huge": false, "is_redirect": true, "is_operational": false }, { "path": "10_Wiki/Topics/AI_and_ML/AI 거버넌스 정책(AI Usage Policy).md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\AI_and_ML\\AI 거버넌스 정책(AI Usage Policy).md", "folder": "AI_and_ML", "filename": "AI 거버넌스 정책(AI Usage Policy)", "norm_name": "ai거버넌스정책aiusagepolicy", "title": "AI-거버넌스-정책(AI-Usage-Policy)", "norm_title": "ai거버넌스정책aiusagepolicy", "fm_id": "wiki-2026-0508-ai-거버넌스-정책-ai-usage-policy", "fm_aliases": [ "P-Reinforce-AI-GOV-POLICY" ], "fm_tags": [ "AI Governance|[AI Governance", "Policy", "Compliance", "Risk Management" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-04-20", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 1610, "body_first_para_hash": "3a0b54a01cb1", "body_fingerprint": "\"자율에는 책임이 따른다.\" 조직 내 ai 도입이 법적, 윤리적, 보안적으로 안전한 궤도를 유지하도록 규정하는 의사결정 프레임워크이자 규율이다. data privacy & ip protection : 기업의 민감 데이터나 지식 재산권이 외부 ai 서비스의 학습 데이터로 유출되지 않도록 하는 차단 가이드라인. human in the loop : 중요한 비즈니스 의사결정이나 콘텐츠 생성 결과물에 대해 반드시 인간이 최종 검토하고 책임을 지게 하는 원칙. accountability framework : ai 오작동으로 인한 피해 발생 시, 누가 책임을 지고 어떻게 복구할 것인지에 대한 법적 대응 절차. 정책이 너무 경직되면 조직의 혁신 속도가 죽는다. 따라서 '무조건 금지'가 아니라, 승인된 도구 내에서 안전하게 실험할 수 있는 '샌드박스 정책'과 주기적인 'ai 리터러시 교육'이 병행되어야 한다. related: security governance , ai ethics authority: deployment final gate 언제 이 지식을 쓰는가: (todo) 언제 쓰면 안 되는가: (todo) 정보 상태: needs review 출처 신뢰도: a 검토 이유", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/AI_and_ML/AI 기반 코드 분석 도구 (AI-Powered Code Analysis Tools).md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\AI_and_ML\\AI 기반 코드 분석 도구 (AI-Powered Code Analysis Tools).md", "folder": "AI_and_ML", "filename": "AI 기반 코드 분석 도구 (AI-Powered Code Analysis Tools)", "norm_name": "ai기반코드분석도구aipoweredcodeanalysistools", "title": "AI 기반 코드 분석 도구 (AI-Powered Code Analysis Tools)", "norm_title": "ai기반코드분석도구aipoweredcodeanalysistools", "fm_id": "wiki-2026-0508-ai-기반-코드-분석-도구-ai-powered-code-a", "fm_aliases": [ "P-REINFORCE-WIKI-80F4FB21" ], "fm_tags": [ "AI-Powered Code Analysis Tools" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-05-02", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 6250, "body_first_para_hash": "c46415e7f9f6", "body_fingerprint": "ai 기반 코드 분석 도구는 인공지능(대형 언어 모델 및 머신러닝)을 활용하여 소스 코드의 버그, 보안 취약점, 아키텍처 위험, 그리고 품질 문제를 자동으로 스캔하고 분석하는 소프트웨어 솔루션이다 [1 3]. 이러한 도구들은 단순히 구문을 검사하는 것을 넘어 코드베이스 전체의 문맥(context)과 의존성을 이해하고, 자연어 질의응답, 자동 수정(autofix), 문서 및 테스트 생성 등을 지원하여 개발자의 코드 리뷰 및 레거시 시스템 파악에 소요되는 시간을 획기적으로 단축한다 [2, 4 7]. 복잡한 대규모 시스템에서 기술적 부채를 관리하고, 보안성을 높이며, 신규 개발자의 온보딩을 가속화하는 핵심적인 역할을 수행한다 [8 11]. 다계층 및 컨텍스트 기반 분석 (multi layered & contextual analysis) 최신 ai 도구들은 기존의 정적 애플리케이션 보안 테스트(sast), 소프트웨어 구성 분석(sca) 기법과 결합하여 오탐(false positive)을 줄이고 정확도를 높인다 [1, 12 14]. 단일 파일이 아닌 분산 시스템 간의 교차 리포지토리(cross repository) 종속성을 파악하여, 통합 시 발생할 수 있는 아키텍처", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/AI_and_ML/AI 모델 사후 편집 도구 (Post-editing Tools).md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\AI_and_ML\\AI 모델 사후 편집 도구 (Post-editing Tools).md", "folder": "AI_and_ML", "filename": "AI 모델 사후 편집 도구 (Post-editing Tools)", "norm_name": "ai모델사후편집도구posteditingtools", "title": "AI 모델 사후 편집 도구 (Post-editing Tools)", "norm_title": "ai모델사후편집도구posteditingtools", "fm_id": "wiki-2026-0508-ai-모델-사후-편집-도구-post-editing-tool", "fm_aliases": [], "fm_tags": [ "uncategorized" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 3189, "body_first_para_hash": "b3eea2d4e281", "body_fingerprint": "ai 모델 사후 편집 도구는 인공지능을 통해 처음 생성된 이미지의 전체적인 맥락과 화풍을 유지하면서 특정 영역을 수정, 정교화 또는 확장할 수 있게 해주는 기능들입니다 [1, 2]. 대표적으로 인페인팅(vary region), 아웃페인팅(zoom out, pan), 리믹스(remix), 업스케일링(upscale) 등이 포함됩니다 [3 5]. 이러한 도구들은 단발성 프롬프트 입력의 한계를 극복하고, 첫 결과물을 베이스 이미지로 삼아 점진적으로 창작자의 시각적 의도에 맞게 다듬어가는 프롬프트 엔지니어링의 핵심 과정으로 활용됩니다 [2, 5]. 인페인팅 및 영역별 변주 (inpainting / vary region) 생성된 이미지의 특정 부분을 선택하여 해당 영역만 새로운 텍스트 프롬프트를 적용해 재생성하는 기능입니다 [1, 6, 7]. 미드저니(midjourney)의 'vary (region)' 기능이나 스테이블 디퓨전(stable diffusion), dall e의 인페인팅 기능이 이에 해당합니다 [1, 5, 8]. 기존 이미지의 나머지 부분은 손상시키지 않고 작은 오류를 수정하거나 새로운 요소(예: 모자를 왕관으로 변경, 새를 추가 등)를 합성할 때 매우 유", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/AI_and_ML/AI 생성 코드 검증(AI Code Assurance).md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\AI_and_ML\\AI 생성 코드 검증(AI Code Assurance).md", "folder": "AI_and_ML", "filename": "AI 생성 코드 검증(AI Code Assurance)", "norm_name": "ai생성코드검증aicodeassurance", "title": "AI 생성 코드 검증(AI Code Assurance)", "norm_title": "ai생성코드검증aicodeassurance", "fm_id": "wiki-2026-0508-ai-생성-코드-검증-ai-code-assurance", "fm_aliases": [ "P-Reinforce-AUTO-254BE9" ], "fm_tags": [ "auto-reinforced" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-04-20", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 2963, "body_first_para_hash": "9e6de205eb6f", "body_fingerprint": "ai code assurance(ai 생성 코드 검증)는 ai가 생성하거나 지원한 코드로 인해 발생할 수 있는 고유한 품질 및 보안 위험을 해결하기 위해 설계된 워크플로우이자 검증 프로세스입니다 [1]. 이를 통해 조직은 ai가 작성한 코드가 프로덕션 환경에 배포되기 전에 엄격한 보안, 신뢰성 및 품질 표준을 충족하는지 확인할 수 있습니다 [1, 2]. 주로 정적 애플리케이션 보안 테스트(sast)와 자동화된 코드 리뷰를 활용하여 결함과 취약점을 조기에 식별하고 일관된 표준을 강제합니다 [2, 3]. 목적 및 필요성 ai 어시스턴트가 생성한 코드는 스타일과 품질 측면에서 매우 일관성이 없고 변동성이 클 수 있습니다 [4, 5]. ai code assurance의 목적은 전체 소프트웨어 개발 수명 주기(sdlc)에서 ai 생성 코드의 비율이 증가하더라도 인간이 작성한 코드와 동일한 품질 게이트(quality gate) 표준을 적용하여, 유지보수성과 보안에 대한 일관된 규칙을 강제하는 것입니다 [1, 5]. 주요 기능 및 작동 방식 ai 코드 감지 및 추적: 시스템은 프로젝트 내에 ai 생성 코드가 존재함을 자동으로 감지하거나 개발자가 직접 태그를 지정할 수 있", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/AI_and_ML/AI 이미지 생성 (AI Image Generation).md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\AI_and_ML\\AI 이미지 생성 (AI Image Generation).md", "folder": "AI_and_ML", "filename": "AI 이미지 생성 (AI Image Generation)", "norm_name": "ai이미지생성aiimagegeneration", "title": "AI 이미지 생성 (AI Image Generation)", "norm_title": "ai이미지생성aiimagegeneration", "fm_id": "wiki-2026-0508-ai-이미지-생성-ai-image-generation", "fm_aliases": [], "fm_tags": [ "uncategorized" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 3862, "body_first_para_hash": "600d707361e7", "body_fingerprint": "ai 이미지 생성은 텍스트 형태의 프롬프트나 기존 이미지를 기계가 해석 가능한 구체적 좌표로 변환하여 새로운 시각적 결과물을 만들어내는 기술이다 [1, 2]. 효과적인 이미지를 얻기 위해서는 모호한 지시를 피하고 주체, 스타일, 조명, 구도 등을 명확히 규정하는 계층적 구조의 프롬프트를 작성해야 한다 [2 4]. 또한 각 ai 모델(midjourney, dall e 3, stable diffusion 등)이 가진 고유한 매개변수 문법과 부정 프롬프트 활용법을 이해하여 결과물을 세밀하게 통제하는 고도화된 프롬프트 엔지니어링 능력이 필수적이다 [5, 6]. 1. 프롬프트의 기본 구조와 핵심 요소 고품질의 이미지를 생성하는 프롬프트는 일반적으로 주체(subject), 매체 및 스타일(medium/style), 환경 및 구도(environment/composition), 조명(lighting), 기술적 매개변수(parameters)의 층위로 구성된다 [2, 3, 6]. 주체 및 환경: 단순한 명사보다는 구체적인 물리적 특징, 의상, 표정 등 서사적 맥락과 결합된 묘사를 사용할 때 인공지능이 더 명확한 시각적 특징을 추출한다 [7 9]. 조명 및 카메라 연출: '골든", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/AI_and_ML/AI 이미지 생성 및 편집 워크플로우 (AI Image Generation & Editing Workflow).md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\AI_and_ML\\AI 이미지 생성 및 편집 워크플로우 (AI Image Generation & Editing Workflow).md", "folder": "AI_and_ML", "filename": "AI 이미지 생성 및 편집 워크플로우 (AI Image Generation & Editing Workflow)", "norm_name": "ai이미지생성및편집워크플로우aiimagegenerationeditingworkflow", "title": "AI 이미지 생성 및 편집 워크플로우 (AI Image Generation & Editing Workflow)", "norm_title": "ai이미지생성및편집워크플로우aiimagegenerationeditingworkflow", "fm_id": "wiki-2026-0508-ai-이미지-생성-및-편집-워크플로우-ai-image-ge", "fm_aliases": [], "fm_tags": [ "uncategorized" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 3061, "body_first_para_hash": "9fd008a28b4e", "body_fingerprint": "ai 이미지 생성 및 편집 워크플로우는 텍스트 아이디어를 시각적 결과물로 변환한 후, 사후 편집 도구와 반복적인 프롬프트 수정을 통해 결과물을 정교화하는 일련의 과정이다 [1, 2]. 단 한 번의 완벽한 프롬프트로 결과물을 얻기보다는, 초기 베이스 이미지(base image)를 생성하고 점진적으로 수정해 나가는 협업적 접근 방식을 취한다 [2, 3]. 이 과정에는 인페인팅(vary region), 아웃페인팅(zoom out/pan), 업스케일링(upscale), 리믹스(remix) 등의 기술적 제어 도구가 필수적으로 활용된다 [4, 5]. 반복적 정교화(iterative refinement) 전략: 성공적인 ai 이미지 생성은 단발성 행위가 아니라 모델과의 반복적인 대화와 탐색 과정이다 [2, 6]. 창작자들은 단순하고 명확한 프롬프트로 시작하여 다양한 결과물을 확인한 후, 조명, 구도, 네거티브 프롬프트 등을 추가하여 결과물을 세밀하게 조정해 나간다 [7, 8]. 초안 모드(draft mode)를 활용한 파이프라인: 미드저니 v7 등 최신 모델에서는 '드래프트 모드(draft mode)'를 활용해 낮은 비용과 매우 빠른 속도로 다수의 시안을 탐색할 수 있다", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/AI_and_ML/AI 이미지 품질 최적화 및 디버깅 (Image Quality Optimization & Debugging).md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\AI_and_ML\\AI 이미지 품질 최적화 및 디버깅 (Image Quality Optimization & Debugging).md", "folder": "AI_and_ML", "filename": "AI 이미지 품질 최적화 및 디버깅 (Image Quality Optimization & Debugging)", "norm_name": "ai이미지품질최적화및디버깅imagequalityoptimizationdebugging", "title": "AI 이미지 품질 최적화 및 디버깅 (Image Quality Optimization & Debugging)", "norm_title": "ai이미지품질최적화및디버깅imagequalityoptimizationdebugging", "fm_id": "wiki-2026-0508-ai-이미지-품질-최적화-및-디버깅-image-qualit", "fm_aliases": [], "fm_tags": [ "uncategorized" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 3520, "body_first_para_hash": "f80c9b994d31", "body_fingerprint": "ai 이미지 생성에서 품질 최적화 및 디버깅은 프롬프트 매개변수, 가중치 조절, 그리고 후보정 편집 기능을 활용하여 시각적 결과물의 완성도를 높이고 예기치 않은 오류를 수정하는 과정입니다. 고해상도 관련 키워드나 네거티브 프롬프트를 전략적으로 사용하여 원치 않는 시각적 결함을 사전에 차단합니다. 또한, 단 번에 완벽한 결과를 기대하기보다는 인페인팅(inpainting)이나 드래프트 모드(draft mode) 등을 통해 문제 영역을 식별하고 점진적으로 개선해 나가는 반복적인 작업이 필수적입니다. 고품질 키워드 및 파라미터 활용 (quality keywords & parameters) 이미지의 완성도를 높이려면 프롬프트에 \"8k\", \"4k\", \"high resolution\", \"ultra detailed\", \"sharp focus\"와 같은 해상도 및 디테일 관련 품질 수식어를 추가하는 것이 좋습니다 [1]. midjourney의 경우 q (quality) 파라미터를 사용하여 디테일과 렌더링 시간을 조정할 수 있으며, 이 값이 클수록 더 많은 디테일이 부여됩니다 [1 3]. 초기 생성 후에는 업스케일(upscale) 기능을 통해 이미지의 크기를 키우면서 미세한 디", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/AI_and_ML/AI 추적 논리(AI Pursuit Logic).md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\AI_and_ML\\AI 추적 논리(AI Pursuit Logic).md", "folder": "AI_and_ML", "filename": "AI 추적 논리(AI Pursuit Logic)", "norm_name": "ai추적논리aipursuitlogic", "title": "AI 추적 논리(AI Pursuit Logic)", "norm_title": "ai추적논리aipursuitlogic", "fm_id": "wiki-2026-0508-ai-추적-논리-ai-pursuit-logic", "fm_aliases": [], "fm_tags": [ "uncategorized" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 2572, "body_first_para_hash": "5c58b251eaad", "body_fingerprint": "ai 추적 논리는 war commander 의 전투 시스템에서 유닛이 적을 인지하고 추격하는 인공지능 매커니즘을 의미한다 [1]. 이는 유닛에 설정된 전투 태세(stance)에 따라 다르게 작동하며, '자유 사격(fire at will)'이나 '일반(normal)' 태세로 설정된 방어 유닛은 적대적 유닛을 쫓아가는 특성을 보인다 [1 3]. 플레이어들은 이 논리의 맹점을 찌르는 '미끼(baiting)' 전술을 통해 방어벽 뒤에 숨은 적 유닛을 기지 밖으로 유인하여 유리한 위치에서 파괴한다 [1, 2]. ai 추적 메커니즘과 유닛의 전투 태세 ai 추적 논리는 방어 유닛에 부여된 명령 및 태세와 직접적으로 연관되어 작동한다. 과거의 '공격적(aggressive)' 명령을 대체한 '자유 사격(fire at will, 단축키 f)'이나 '일반(normal)' 태세로 설정된 유닛은 매우 넓은 반경 내의 호전적인 적을 끝까지 쫓아가는 ai 로직을 따른다 [1 3]. 반면, '위치 사수(stand ground)'를 대체한 '위치 고정(hold position, 단축키 d)' 명령을 받은 유닛은 제자리에 고정된 채 사거리 내에 들어온 적에게만 사격을 가하므로 이 추적 논", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/AI_and_ML/AI 코드 리뷰 및 보안 취약점 점검(DevSecOps).md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\AI_and_ML\\AI 코드 리뷰 및 보안 취약점 점검(DevSecOps).md", "folder": "AI_and_ML", "filename": "AI 코드 리뷰 및 보안 취약점 점검(DevSecOps)", "norm_name": "ai코드리뷰및보안취약점점검devsecops", "title": "AI 코드 리뷰 및 보안 취약점 점검(DevSecOps)", "norm_title": "ai코드리뷰및보안취약점점검devsecops", "fm_id": "wiki-2026-0508-ai-코드-리뷰-및-보안-취약점-점검-devsecops", "fm_aliases": [ "P-Reinforce-AUTO-4DB2F8" ], "fm_tags": [ "auto-reinforced" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-04-20", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 3856, "body_first_para_hash": "5ecfeeaa658b", "body_fingerprint": "ai 코드 리뷰 및 보안 취약점 점검(devsecops)은 소프트웨어 개발 수명 주기(sdlc)의 초기 단계에 ai 기반의 자동화된 정적 분석(sast)과 인간의 수동 리뷰를 결합하여 코드의 품질과 보안을 선제적으로 확보하는 프로세스입니다 [1, 2]. 개발자는 ide 내부나 ci/cd 파이프라인의 pull request(pr) 단계에서 실시간으로 버그, 로직 결함, 보안 취약점(예: 인젝션, 민감 정보 노출)을 식별하고 수정할 수 있습니다 [3 6]. 결과적으로 기계적이고 반복적인 코드 스타일 검사 및 패턴 기반 취약점 탐지는 ai에 위임하고, 인간은 아키텍처 결정이나 도메인 종속적인 비즈니스 로직을 검토하는 '하이브리드' 방식을 통해 개발 속도와 보안성의 균형을 맞춥니다 [2, 7, 8]. 하이브리드 코드 리뷰 모델의 부상 2025년 기준 가장 이상적이고 안전한 코드 리뷰 방식은 자동화 도구와 인간의 통찰력을 결합한 하이브리드 모델입니다 [2]. 자동화된 리뷰 도구는 수천 줄의 코드를 단 몇 분 만에 스캔하여 문법 오류, 알려진 보안 취약점 패턴, 코드 스타일 위반 등을 일관성 있게 찾아냅니다 [6, 9]. 하지만 이러한 도구들은 시스템의 의도나 비즈니스", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/AI_and_ML/AI 코드 리뷰.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\AI_and_ML\\AI 코드 리뷰.md", "folder": "AI_and_ML", "filename": "AI 코드 리뷰", "norm_name": "ai코드리뷰", "title": "AI 코드 리뷰", "norm_title": "ai코드리뷰", "fm_id": "wiki-20260508-ai--redir", "fm_aliases": [], "fm_tags": [ "redirect" ], "fm_status": "merged", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": "AI_코드_리뷰", "fm_canonical_id": "AI_코드_리뷰", "body_chars": 129, "body_first_para_hash": "5093c97f2bf4", "body_fingerprint": "[!important] 이 문서는 p reinforce phase 2 자동 merge에 의해 ai 코드 리뷰 로 통합되었습니다. redirected to: ai 코드 리뷰", "is_stub": true, "is_huge": false, "is_redirect": true, "is_operational": false }, { "path": "10_Wiki/Topics/AI_and_ML/AI-Alignment.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\AI_and_ML\\AI-Alignment.md", "folder": "AI_and_ML", "filename": "AI-Alignment", "norm_name": "aialignment", "title": "AI-Alignment", "norm_title": "aialignment", "fm_id": "wiki-2026-0508-ai-alignment", "fm_aliases": [ "P-Reinforce-REDIRECT-AI-ALIGNMENT-DASH" ], "fm_tags": [ "redirect" ], "fm_status": "merged", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": "AI_Safety_and_Alignment", "fm_canonical_id": "AI_Safety_and_Alignment", "body_chars": 155, "body_first_para_hash": "5e9db9ee107c", "body_fingerprint": "[!important] 이 문서는 고밀도 지식 자산 통합 정책에 따라 ai safety and alignment 으로 통합되었습니다. redirected to: ai safety and alignment", "is_stub": true, "is_huge": false, "is_redirect": true, "is_operational": false }, { "path": "10_Wiki/Topics/AI_and_ML/AI-Answer-Engine-Optimization.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\AI_and_ML\\AI-Answer-Engine-Optimization.md", "folder": "AI_and_ML", "filename": "AI-Answer-Engine-Optimization", "norm_name": "aianswerengineoptimization", "title": "AI Answer Engine [[Optimization", "norm_title": "aianswerengineoptimization", "fm_id": "wiki-2026-0508-ai-answer-engine-optimization", "fm_aliases": [ "MKT-AEO-001" ], "fm_tags": [ "aeo", "geo", "seo", "Generative-AI", "chatgpt", "Search-generative-experience", "structured-data", "ssr" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-04-26", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 2269, "body_first_para_hash": "dddc3f5cefe2", "body_fingerprint": "\"전통적인 검색창의 '목록'에 머물지 말고, 생성형 ai의 '입(답변)'이 되어 브랜드의 가시성을 인용구(citation)라는 새로운 권력으로 재편하라\" — ai 답변 엔진과 챗봇이 웹 콘텐츠를 신뢰할 수 있는 출처로 채택하도록 최적화하는 차세대 검색 전략. 추출된 패턴: \"crawlable authority and direct answer mapping\" — 대규모 ai 크롤러가 javascript 실행 비용 없이도 콘텐츠를 즉시 합성할 수 있도록 '사전 렌더링된 html'과 '구조화된 데이터'를 제공하는 패턴. aeo 달성 핵심 전략: js execution wall 제거: ai 봇(gptbot 등)은 비용 문제로 js를 실행하지 않는 경우가 많으므로, ssr/ssg를 통해 원본 html에 핵심 콘텐츠를 노출. semantic clarity:
AI", "norm_title": "indextopicsai", "fm_id": "wiki-2026-0508-index", "fm_aliases": [], "fm_tags": [ "uncategorized" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 43108, "body_first_para_hash": "ac9e9d6324fb", "body_fingerprint": "20k skinned instances demo a b testing and data driven ux aba ada website compliance agi ai & data sovereignty ai accountability ai agents ai governance ai humanism ai literacy ai safety (ai 안전) ai safety ai and narrative ai for social good ai 거버넌스 정책(ai usage policy) ai 생성 코드 검증(ai code assurance) ai 에이전트 (ai agent) ai 코드 리뷰 및 보안 취약점 점검(devsecops) ai 코드 리뷰 ai alignment ai answer engine optimization ai overviews and sge ai personalization and adaptive ux ai search optimization ai와 기계에게 검열 맡기기 정적 분석 툴 (eslint prettier)) api 응답 모델링 및 상태 머신(state machine) 설계 api design for ai services api key man", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/AI_and_ML/Index_692.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\AI_and_ML\\Index_692.md", "folder": "AI_and_ML", "filename": "Index_692", "norm_name": "index692", "title": "Index: Topics > AI", "norm_title": "indextopicsai", "fm_id": "wiki-2026-0508-index-692", "fm_aliases": [], "fm_tags": [ "uncategorized" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 76737, "body_first_para_hash": "93ee7f05f3f0", "body_fingerprint": "20k skinned instances demo a b testing and data driven ux aba ada website compliance agi ai & data sovereignty ai accountability ai agents ai governance ai humanism ai literacy ai safety (ai 안전) ai safety ai and narrative ai for social good ai 거버넌스 정책(ai usage policy) ai 생성 코드 검증(ai code assurance) ai 에이전트 (ai agent) ai 코드 리뷰 및 보안 취약점 점검(devsecops) ai 코드 리뷰 ai alignment ai answer engine optimization ai overviews and sge ai personalization and adaptive ux ai search optimization ai와 기계에게 검열 맡기기 정적 분석 툴 (eslint prettier)) ap", "is_stub": false, "is_huge": true, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/AI_and_ML/Inductive-Bias.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\AI_and_ML\\Inductive-Bias.md", "folder": "AI_and_ML", "filename": "Inductive-Bias", "norm_name": "inductivebias", "title": "Inductive Bias (귀납적 편향)", "norm_title": "inductivebias귀납적편향", "fm_id": "wiki-2026-0508-inductive-bias", "fm_aliases": [ "AI-BIAS-001" ], "fm_tags": [ "ai", "machine-learning", "inductive-bias", "neural-networks", "generalization" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-04-26", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 2157, "body_first_para_hash": "a3570a61e558", "body_fingerprint": "\"무엇이든 배울 수 있는 유연함보다, 세상의 규칙을 미리 가정하는 영리함이 더 빠른 지능을 만든다\" — 학습 알고리즘이 훈련 데이터 이외의 새로운 상황에 직면했을 때, 정답을 추론하기 위해 사용하는 일련의 사전 가정(assumptions). 추출된 패턴: \"occam's razor\" — 복잡한 설명보다 단순한 규칙이 더 정답일 확률이 높다는 가정 하에, 모델 아키텍처 자체에 특정 도메인의 물리적/논리적 특성을 내재시키는 설계 패턴. 주요 아키텍처별 귀납적 편향: cnn: 지역성(locality)과 이동 불변성(translation invariance). \"가까운 픽셀은 관계가 깊고, 위치가 바뀌어도 같은 사물이다.\" rnn: 순차적 의존성(sequential dependency). \"현재는 과거의 상태에 영향을 받는다.\" gnn: 위상적 관계(relational bias). \"연결된 노드들 사이에 정보가 흐른다.\" transformer: 매우 낮은 귀납적 편향. 대규모 데이터를 통해 스스로 규칙을 찾도록 설계됨 (전역적 어텐션). 의의: 적절한 귀납적 편향은 데이터가 적을 때 학습 효율을 극대화하고 오버피팅을 방지하지만, 너무 강하면 새로운 패턴 학습을 방해", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/AI_and_ML/Inference-Optimization.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\AI_and_ML\\Inference-Optimization.md", "folder": "AI_and_ML", "filename": "Inference-Optimization", "norm_name": "inferenceoptimization", "title": "Inference-Optimization", "norm_title": "inferenceoptimization", "fm_id": "wiki-2026-0508-inference-optimization", "fm_aliases": [ "P-Reinforce-REDIRECT-INF-OPT-DASH" ], "fm_tags": [ "redirect" ], "fm_status": "merged", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": "LLM_Optimization_and_Deployment_Strategies", "fm_canonical_id": "LLM_Optimization_and_Deployment_Strategies", "body_chars": 203, "body_first_para_hash": "3daa529db817", "body_fingerprint": "[!important] 이 문서는 고밀도 지식 자산 통합 정책에 따라 llm optimization and deployment strategies 으로 통합되었습니다. redirected to: llm optimization and deployment strategies", "is_stub": false, "is_huge": false, "is_redirect": true, "is_operational": false }, { "path": "10_Wiki/Topics/AI_and_ML/Information-Retrieval-IR.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\AI_and_ML\\Information-Retrieval-IR.md", "folder": "AI_and_ML", "filename": "Information-Retrieval-IR", "norm_name": "informationretrievalir", "title": "Information-Retrieval-IR", "norm_title": "informationretrievalir", "fm_id": "wiki-2026-0508-information-retrieval-ir", "fm_aliases": [ "P-Reinforce-REDIRECT-IR-004" ], "fm_tags": [ "uncategorized" ], "fm_status": "merged", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 1274, "body_first_para_hash": "08e58efcdc38", "body_fingerprint": "[!note] 본 문서는 information retrieval 로 통합되었습니다. 🫡🐟 ir은 대규모 코퍼스에서 의미적·어휘적으로 관련 있는 문서를 효율적으로 찾는 시스템으로, rag의 핵심 컴포넌트다. 추출된 패턴: \"recall 우선 retrieval + precision 우선 reranker\"의 2단 구조가 현대 rag의 표준. 세부 내용: 1단(retrieve): bm25 + dense (top k 100~500). 2단(rerank): cross encoder (top k 5~20). 청크 전략: 의미 단위 + 메타데이터. 평가: 라벨 데이터셋(beir, ms marco). 최신 동향: colbert v2, dense+sparse hybrid. 언제 이 지식을 쓰는가: (todo) 언제 쓰면 안 되는가: (todo) 정보 상태: merged 출처 신뢰도: a 검토 이유: (p reinforce phase 1 자동 정규화. 본문 검증 필요.) 기존 유사 문서: (todo: 인덱서 클러스터 리포트 참조) 처리 방식: update (자동 정규화) 처리 이유: phase 1 정규화 — 옛 템플릿/누락 필드 보강. 과거 데이터와의 충돌: 없음 정책 변화: ", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/AI_and_ML/Information-Theory.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\AI_and_ML\\Information-Theory.md", "folder": "AI_and_ML", "filename": "Information-Theory", "norm_name": "informationtheory", "title": "Information Theory", "norm_title": "informationtheory", "fm_id": "wiki-20260508-information-theory-redir", "fm_aliases": [], "fm_tags": [ "redirect" ], "fm_status": "merged", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": "Information_Theory", "fm_canonical_id": "Information_Theory", "body_chars": 159, "body_first_para_hash": "270783d6d4c4", "body_fingerprint": "[!important] 이 문서는 p reinforce phase 2 자동 merge에 의해 information theory 로 통합되었습니다. redirected to: information theory", "is_stub": true, "is_huge": false, "is_redirect": true, "is_operational": false }, { "path": "10_Wiki/Topics/AI_and_ML/Information_Theory.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\AI_and_ML\\Information_Theory.md", "folder": "AI_and_ML", "filename": "Information_Theory", "norm_name": "informationtheory", "title": "Information Theory", "norm_title": "informationtheory", "fm_id": "wiki-2026-0508-information-theory", "fm_aliases": [], "fm_tags": [ "auto-consolidated", "technical-documentation" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 2709, "body_first_para_hash": "73e32831db9b", "body_fingerprint": "정보의 양과 질을 수학적으로 측정하는 학문으로, 불확실성을 감소시키는 정도를 '엔트로피'로 정의하여 데이터 압축, ai 모델의 효율성, 그리고 지식의 전달 과정을 정량화한다. \"불확실성을 측정하고 통신을 수치화하라\" — 클로드 섀넌이 정립한, 정보의 양을 엔트로피(entropy)라는 개념으로 정의하고 데이터 압축 및 전송의 한계를 규명한 수학적 기초. 핵심 개념: 정보는 그 자체로 물리적인 실체가 아니며, 불확실성을 해소하는 과정에서 발생하는 '측정 가능한 엔트로피 감소'로 정의된다. 주요 이론 및 공식: 1. 엔트로피 (entropy): 시스템의 무질서도 또는 평균 정보량을 측정한다. 확률 분포가 균일할수록 엔트로피는 높아진다. 2. 상호 정보량 (mutual information): 두 변수 간에 얼마나 많은 정보를 공유하는지를 측정한다. $i(x; y)$로 표기하며, ai 모델의 특징 추출 과정에서 중요한 개념이다. 응용 분야: 데이터 압축: 데이터 중 엔트로피가 낮은 부분은 예측 가능하여 효율적으로 압축할 수 있다. 머신러닝: 정보 이론 기반 분류기는 입력 특성 간의 독립성을 측정하여 최적의 특징을 선택한다. 추출된 패턴: 메시지가 담고 있는 '놀라움", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/AI_and_ML/Innovative Problem Solving.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\AI_and_ML\\Innovative Problem Solving.md", "folder": "AI_and_ML", "filename": "Innovative Problem Solving", "norm_name": "innovativeproblemsolving", "title": "혁신적 문제 해결(Innovative Problem Solving)", "norm_title": "혁신적문제해결innovativeproblemsolving", "fm_id": "wiki-2026-0508-innovative-problem-solving", "fm_aliases": [], "fm_tags": [ "uncategorized" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 3442, "body_first_para_hash": "7a5c203c8e8e", "body_fingerprint": "혁신적 문제 해결(innovative problem solving)은 표면적인 증상이 아닌 문제의 근본 원인을 식별하고, 비판적 사고와 창의성을 결합하여 기존의 틀을 깨는 대안을 도출 및 실행하는 과정을 의미합니다. 이는 문제 발생 후 대응하는 반응적(reactive) 태도에서 벗어나, 미래를 예측하고 주도적으로 기회를 창출하는 능동적인 사고와 선제적 행동을 핵심 기반으로 합니다. 디자인 사고, 구조화된 분석 프레임워크, 그리고 고정관념에 도전하는 능동적 리더십을 통해 불확실성과 제약을 극복하고 조직의 장기적인 성공을 이끕니다. 문제의 근본 원인 정의와 가정 검증: 혁신적 문제 해결의 출발점은 표면적 증상이 아닌 '진짜 문제(real problem)'를 정의하는 것입니다. 비판적 사고를 통해 정보를 객관적으로 분석하고, 조직 내에 깔려 있는 당연한 가정(assumptions)들에 의문을 제기하며 철저한 압박 테스트를 거쳐야 합니다 [1]. 디자인 사고(design thinking)와 인간 중심적 접근: 전통적인 전략 계획을 넘어서는 도구로써 디자인 사고가 활용됩니다. 공감과 반복적인 프로토타입 제작을 통해 이해관계자의 요구를 파악하고, 기존의 제약에서 벗어나", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/AI_and_ML/InstancedMesh2 library.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\AI_and_ML\\InstancedMesh2 library.md", "folder": "AI_and_ML", "filename": "InstancedMesh2 library", "norm_name": "instancedmesh2library", "title": "InstancedMesh2 library", "norm_title": "instancedmesh2library", "fm_id": "wiki-2026-0508-instancedmesh2-library", "fm_aliases": [ "P-Reinforce-AUTO-F5A361" ], "fm_tags": [ "auto-reinforced" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-04-20", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 3054, "body_first_para_hash": "1be122114d7b", "body_fingerprint": "instancedmesh2는 three.js의 공식 instancedmesh가 가진 한계를 극복하고 대규모 객체 렌더링을 최적화하기 위해 agargaro가 개발한 오픈 소스 확장 라이브러리입니다. 이 라이브러리는 개별 인스턴스 단위의 절두체 컬링(frustum culling), 정렬(sorting), 가시성 관리(visibility management), lod(level of detail), bvh를 활용한 빠른 레이캐스팅 및 스키닝(skinning) 기능을 제공합니다 [1 3]. 특히 수만 개의 스킨드 메시나 개별 애니메이션을 가진 객체들을 최소한의 드로우 콜로 렌더링할 수 있도록 설계되어 높은 프레임 레이트 유지를 돕습니다 [1, 4, 5]. 효율적인 데이터 구조와 참조 방식 (indirection): instancedmesh2는 렌더링할 인스턴스 인덱스를 관리하기 위해 instancedbufferattribute 를 통한 간접 참조(indirection) 방식을 사용합니다 [6]. 이를 통해 gpu로 데이터를 전송하기 전 속성 버퍼 전체를 재정렬할 필요 없이, 선택적 렌더링과 효율적인 컬링 및 정렬을 수행할 수 있습니다 [6]. 데이터 텍스처와 객체 ", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/AI_and_ML/Instruction-Tuning.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\AI_and_ML\\Instruction-Tuning.md", "folder": "AI_and_ML", "filename": "Instruction-Tuning", "norm_name": "instructiontuning", "title": "Instruction-Tuning", "norm_title": "instructiontuning", "fm_id": "wiki-2026-0508-instruction-tuning", "fm_aliases": [ "P-Reinforce-AI-INSTRUCTION-TUNING" ], "fm_tags": [ "AI", "LLM", "InstructionTuning", "FineTuning", "Alignment" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-04-20", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 1505, "body_first_para_hash": "751b74c6eed3", "body_fingerprint": "\"단순히 말을 잘하는 ai를 '말을 잘 듣는' ai로 개조하는 과정.\" 다음 단어 예측만 잘하던 기본 모델(base model)에게 인간의 명령(지시 응답 쌍)을 학습시켜, 질문의 의도를 파악하고 유용한 답변을 내놓게 만드는 정렬의 정수다. base vs chat model : base : 인터넷의 모든 글을 읽었지만, \"질문해봐\"라고 하면 다른 질문을 출력할 수도 있음. instruction tuned : \"질문해봐\"라고 하면 실제로 유용한 답변을 시작함. the dataset : (명령, 컨텍스트, 정답) 형태의 데이터 수십만 건을 지도 학습(supervised fine tuning) 시킴. effect : 전이 학습(transfer learning)을 통해 모델이 한 번도 보지 못한 새로운 유형의 지시 사항도 눈치껏 수행하게 됨 (zero shot performance). 지시어 튜닝은 모델이 '진실'을 말하게 하기보다 '인간이 정답이라고 믿는 말'을 하게 만들 위험(sycophancy)이 있다. 또한 튜닝 과정에서 모델의 창의성이 일부 억제되기도 한다. 이를 극복하기 위해 튜닝 이후 강화학습(rlhf)을 통해 답변의 미세한 품질과 안전성을 조율하는 다", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/AI_and_ML/Integrated-Development-Environment.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\AI_and_ML\\Integrated-Development-Environment.md", "folder": "AI_and_ML", "filename": "Integrated-Development-Environment", "norm_name": "integrateddevelopmentenvironment", "title": "Integrated Development Environment (IDE, 통합 개발 환경)", "norm_title": "integrateddevelopmentenvironmentide통합개발환경", "fm_id": "wiki-2026-0508-integrated-development-environme", "fm_aliases": [ "IDE-001" ], "fm_tags": [ "software-development", "devtools", "productivity", "dx" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-04-26", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 1863, "body_first_para_hash": "e5d78c584d2d", "body_fingerprint": "\"코딩의 생산성을 극대화하는 올인원 워크샵\" — 편집기, 컴파일러, 디버거, 버전 관리 등을 하나의 인터페이스로 통합하여 개발자가 로직에만 집중할 수 있게 돕는 소프트웨어 애플리케이션. 추출된 패턴: 코드 작성부터 실행, 검증까지의 개발 생명주기를 단일 도구 내에서 연동하여 문맥 전환(context switching) 비용을 최소화하는 도구 패턴. 세부 내용: intellisense/auto complete: 코드의 의미를 분석하여 적절한 함수나 변수명을 추천. debugging tools: 중단점(breakpoint) 설정, 변수 추적 등을 통해 런타임 오류를 시각적으로 진단. refactoring support: 변수명 일괄 변경, 함수 추출 등 복잡한 코드 수정을 안전하게 지원. extension ecosystem: 플러그인을 통해 특정 언어나 기술 스택에 최적화된 기능 확장 가능. 과거 데이터와의 충돌: 단순 텍스트 에디터에서, 최근에는 ai가 코드를 직접 제안하고 수천 개의 파일을 동시에 분석하는 '지능형 워크스페이스'로 진화. 정책 변화: antigravity 프로젝트는 vs code를 표준 ide로 채택하며, connectai 와 같은 자체 확장", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/AI_and_ML/Intellectual-Property-in-AI.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\AI_and_ML\\Intellectual-Property-in-AI.md", "folder": "AI_and_ML", "filename": "Intellectual-Property-in-AI", "norm_name": "intellectualpropertyinai", "title": "Intellectual Property in AI (AI와 지식 재산권)", "norm_title": "intellectualpropertyinaiai와지식재산권", "fm_id": "wiki-2026-0508-intellectual-property-in-ai", "fm_aliases": [ "ETH-IP-001" ], "fm_tags": [ "ai", "intellectual-property", "copyright", "ai-ethics", "law", "Generative-AI" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-04-26", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 1767, "body_first_para_hash": "407539231c54", "body_fingerprint": "\"기계의 창작물에 누구의 이름을 새길 것인가, 그리고 거인의 어깨 위에 올라타는 과정에서 타인의 권리를 어떻게 존중할 것인가\" — 인공지능 학습 데이터의 정당한 사용(fair use)과 ai 생성 콘텐츠의 저작권 보호 여부를 둘러싼 법적, 윤리적 논의의 총체. 추출된 패턴: \"ownership paradox\" — 인간의 창의성이 가미되지 않은 기계의 순수 출력물은 현재의 법체계 하에서 저작권을 인정받기 어려우며, 방대한 데이터를 학습하는 행위와 창작자의 권익 보호 사이의 충돌을 해결하려는 권리 조정 패턴. 주요 쟁점: training data: 공개된 데이터를 학습에 사용하는 것이 '공정 이용'에 해당하는가? (opt in vs opt out). ai authorship: ai가 단독으로 생성한 시, 그림, 코드의 저작권자는 누구인가? (인간 프롬프트 작성자 vs 모델 개발사 vs 없음). derivative works: ai 생성물이 특정 작가의 화풍이나 문체를 모방했을 때 발생하는 침해 문제. 의의: ai 산업의 상업적 토대를 결정짓는 핵심 변수이며, 지식의 공유와 창작자의 권리 사이의 새로운 사회적 계약이 필요함을 시사. 과거 데이터와의 충돌: 지식 재", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/AI_and_ML/Intentional_Failure_Induction.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\AI_and_ML\\Intentional_Failure_Induction.md", "folder": "AI_and_ML", "filename": "Intentional_Failure_Induction", "norm_name": "intentionalfailureinduction", "title": "의도적 실패 유도를 통한 동적 분석 기법 (Intentional Failure Induction)", "norm_title": "의도적실패유도를통한동적분석기법intentionalfailureinduction", "fm_id": "wiki-2026-0508-intentional-failure-induction", "fm_aliases": [], "fm_tags": [ "auto-consolidated", "technical-documentation" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 5569, "body_first_para_hash": "31439626ccc3", "body_fingerprint": "의도적 실패 유도란 소프트웨어 시스템에 무작위 입력값 등 잘못된 데이터를 고의로 주입하여 오류를 발생시키는 동적 코드 분석 기법입니다 [1, 2]. 이 기법은 시스템이 실패할 때 출력하는 스택 트레이스(stack trace)와 에러 메시지를 통해 내부 논리와 데이터 처리 구조를 파악하는 데 활용됩니다 [2]. 특히 방대한 대규모 코드베이스에서 검색(grep)을 위한 단서를 찾거나 시스템의 동작 방식을 역추적할 때 매우 유용한 전략입니다 [1]. 오류 유발을 통한 런타임 분석: 새로운 코드베이스를 탐색할 때 정적인 코드 읽기만으로는 한계가 있습니다. 서비스에 무작위 입력(random input)을 전달하는 등 의도적으로 잘못된 입력을 주입하면, 시스템은 이를 정상적으로 파싱하거나 처리하지 못하고 실패하게 됩니다 [1, 2]. 내부 논리 및 구조 노출: 시스템이 실패하면서 뱉어내는 스택 트레이스와 에러 메시지를 분석하는 방식은, 숨겨진 시스템의 내부 논리와 데이터 처리 구조를 명확히 드러내는 강력한 기법으로 작용합니다 [1, 2]. 효과적인 탐색(grep) 단서 획득: 코드베이스 내에서 어떤 키워드를 검색해야 할지 막막할 때, 고의적 실패로 인해 생성된 로그나 ", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/AI_and_ML/Interaction to Next Paint (INP).md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\AI_and_ML\\Interaction to Next Paint (INP).md", "folder": "AI_and_ML", "filename": "Interaction to Next Paint (INP)", "norm_name": "interactiontonextpaintinp", "title": "Interaction to Next Paint (INP)", "norm_title": "interactiontonextpaintinp", "fm_id": "wiki-20260508-interaction-to-next-paint-inp--redir", "fm_aliases": [], "fm_tags": [ "redirect" ], "fm_status": "merged", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": "Interaction-to-Next-Paint-INP", "fm_canonical_id": "Interaction-to-Next-Paint-INP", "body_chars": 194, "body_first_para_hash": "b27d763601ce", "body_fingerprint": "[!important] 이 문서는 p reinforce phase 2 자동 merge에 의해 interaction to next paint inp 로 통합되었습니다. redirected to: interaction to next paint inp", "is_stub": true, "is_huge": false, "is_redirect": true, "is_operational": false }, { "path": "10_Wiki/Topics/AI_and_ML/Interaction-to-Next-Paint-INP.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\AI_and_ML\\Interaction-to-Next-Paint-INP.md", "folder": "AI_and_ML", "filename": "Interaction-to-Next-Paint-INP", "norm_name": "interactiontonextpaintinp", "title": "Interaction to Next Paint (INP)", "norm_title": "interactiontonextpaintinp", "fm_id": "wiki-2026-0508-interaction-to-next-paint-inp", "fm_aliases": [], "fm_tags": [ "auto-consolidated", "technical-documentation" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 5612, "body_first_para_hash": "5cadbcb94041", "body_fingerprint": "inp(interaction to next paint)는 웹 페이지의 전반적인 상호작용성(interactivity)과 응답성(responsiveness)을 측정하기 위해 2024년 google이 공식 도입한 core web vitals 지표입니다 [1 3]. 첫 번째 상호작용만 측정하던 기존의 fid(first input delay)와 달리, 페이지 방문 기간 동안 발생하는 모든 상호작용(클릭, 탭, 키 누름 등)의 전체 지연 시간을 측정하여 실제 사용자 경험을 더 정확하게 반영합니다 [4 6]. 사용자의 작업에 대해 즉각적인 시각적 피드백을 제공하는 것을 목표로 하며, 200밀리초(ms) 이하의 지연 시간을 기록해야 '좋음(good)'으로 평가받을 수 있습니다 [5, 7]. \"단 한 번의 빠른 반응이 아니라, 사용자가 페이지를 떠날 때까지 수행하는 모든 상호작용의 지연을 감시하고, 0.2초 이내의 즉각적인 응답성을 일관되게 보장하라\" — fid를 대체하여 웹사이트의 전체적인 반응성을 측정하는 2024년 이후 core web vitals의 핵심 지표. 도입 배경 및 영향: inp는 2024년에 기존 core web vitals 지표였던 first input ", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/AI_and_ML/Interdisciplinary-Research.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\AI_and_ML\\Interdisciplinary-Research.md", "folder": "AI_and_ML", "filename": "Interdisciplinary-Research", "norm_name": "interdisciplinaryresearch", "title": "Interdisciplinary-Research", "norm_title": "interdisciplinaryresearch", "fm_id": "wiki-2026-0508-interdisciplinary-research", "fm_aliases": [ "P-Reinforce-AUTO-INRE-002" ], "fm_tags": [ "auto-reinforced", "interdisciplinary-Research", "collaboration", "complexity", "holistic-approach", "convergence" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-04-20", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 1846, "body_first_para_hash": "430cbef6d447", "body_fingerprint": "\"지식의 경계를 허무는 융합: 하나의 학문적 틀에 갇히지 않고 수학, 심리학, 공학, 예술 등 서로 다른 분야의 관점과 도구를 결합하여, 개별 학문으로는 해결할 수 없는 복잡한 난제를 돌파하는 통합적 탐제.\" 학제 간 연구(interdisciplinary research)는 두 개 이상의 학문 분야를 통합하여 새로운 관점을 창출하는 활동입니다. 1. 필요성 : 기후 변화, 기아, 인공지능 윤리 등 현대의 거대 난제는 '단일 전공'의 지식으로는 분석 불가능함. (complexity theory와 연결) 서로 다른 성격의 지식이 부딪힐 때 혁신적인 아이디어가 탄생함. (innovation의 근원) 2. 구축 조건 : 서로 다른 언어(용어)를 이해하려는 '공감'과 공동의 목표(alignment)가 필수적임. (empathy in ai와 연결) 과거 데이터와의 충돌 : 과거에는 자기 분야만 깊게 파는 'i자형 인재 정책'이 우대받았으나, 현대 정책은 넓은 이해를 바탕으로 깊이 있는 협업을 주도하는 't자형/pi자형 인재 정책'으로 패러다임이 바뀜(rl update). (ikigai (이키가이)와 연결) 정책 변화(rl update) : 인공지능 개발 자체가 수학, ", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/AI_and_ML/Interop 2026.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\AI_and_ML\\Interop 2026.md", "folder": "AI_and_ML", "filename": "Interop 2026", "norm_name": "interop2026", "title": "Interop 2026", "norm_title": "interop2026", "fm_id": "wiki-2026-0508-interop-2026", "fm_aliases": [ "P-Reinforce-AUTO-36D047" ], "fm_tags": [ "auto-reinforced" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-04-20", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 2159, "body_first_para_hash": "c865523650e7", "body_fingerprint": "interop 2026은 웹 브라우저 간 코어 웹 바이탈(core web vitals) 지원을 표준화하기 위한 후속 프로젝트로 언급된 제안입니다 [1]. 특히 파이어폭스(firefox)나 사파리(safari) 등에서 아직 지원이 계획되지 않은 누적 레이아웃 이동(cumulative layout shift, cls) 지표를 포함하기 위한 목적으로 제안되고 있습니다 [1]. 코어 웹 바이탈의 크로스 브라우저 지원 배경: 2020년 구글이 발표한 코어 웹 바이탈은 오랫동안 크롬(chrome) 전용 지표로 사용되었습니다 [1, 2]. 이 상황은 interop 2025 프로젝트를 통해 파이어폭스와 사파리가 lcp(largest contentful paint) 및 inp(interaction to next paint) 지표 구현 작업을 시작하면서 변화하기 시작했습니다 [1]. interop 2026의 제안 사항: 현재 진행 중인 브라우저 표준화 작업에는 누적 레이아웃 이동(cls) 지표에 대한 지원이 계획되어 있지 않습니다 [1]. 이를 해결하기 위해 cls 지표 지원을 interop 2026에 포함시키자는 제안(proposal)이 나와 있는 상태입니다 [1]. 정보의", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/AI_and_ML/Interpretability-vs-Explainability.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\AI_and_ML\\Interpretability-vs-Explainability.md", "folder": "AI_and_ML", "filename": "Interpretability-vs-Explainability", "norm_name": "interpretabilityvsexplainability", "title": "Interpretability vs Explainability (해석 가능성 vs 설명 가능성)", "norm_title": "interpretabilityvsexplainability해석가능성vs설명가능성", "fm_id": "wiki-2026-0508-interpretability-vs-explainabili", "fm_aliases": [ "AI-INT-EXP-001" ], "fm_tags": [ "ai", "explainable-ai", "xai", "Interpretability", "explainability", "trust" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-04-26", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 2160, "body_first_para_hash": "4c4830d75fb3", "body_fingerprint": "\"모델의 내부 회로를 투명하게 들여다보는 것과, 모델이 왜 그런 행동을 했는지 인간의 언어로 설득하는 것은 별개의 문제다\" — ai 시스템의 투명성을 확보하기 위한 두 가지 접근법으로, 구조적 투명성(interpretability)과 결과에 대한 논리적 서술(explainability) 사이의 관계와 차이. 추출된 패턴: \"white box vs post hoc explanation\" — 모델의 설계 자체가 단순하여 인간이 직관적으로 이해할 수 있게 하거나(interpretability), 복잡한 모델의 결과를 사후적으로 분석하여 인간이 이해할 수 있는 형태로 재해석(explainability)하는 신뢰 구축 패턴. 핵심 차이: interpretability: 모델이 '어떻게' 작동하는지에 대한 정밀한 파악. (예: 작은 의사결정 나무, 선형 회귀). 모델이 작을수록 높음. explainability: 모델이 '왜' 그런 결과를 냈는지에 대한 인간 중심의 설명. (예: lime, shap, 어텐션 맵 시각화). 모델이 복잡해도 사후 설명 가능. 의의: ai가 사회적으로 중요한 결정(대출 승인, 자율주행 사고, 의료 진단)을 내릴 때, 그 근거를 제시함으로써 ", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/AI_and_ML/Introduction-to-Programming.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\AI_and_ML\\Introduction-to-Programming.md", "folder": "AI_and_ML", "filename": "Introduction-to-Programming", "norm_name": "introductiontoprogramming", "title": "Introduction-to-Programming", "norm_title": "introductiontoprogramming", "fm_id": "wiki-2026-0508-introduction-to-programming", "fm_aliases": [ "P-Reinforce-AUTO-INPR-001" ], "fm_tags": [ "auto-reinforced", "programming", "Logic", "software-development", "computer-science", "foundational" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-04-20", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 2206, "body_first_para_hash": "30a495829119", "body_fingerprint": "\"기계와의 대화법: 컴퓨터가 이해할 수 있는 엄격한 논리와 문법을 사용하여, 우리의 복잡한 생각이나 문제를 '실행 가능한 단계적 절차'로 번역하여 위임하는 논리적 창작 활동.\" 프로그래밍 입문(introduction to programming)은 컴퓨터 소프트웨어를 구축하는 기초 기술과 철학을 다룹니다. 1. 3대 기본 요소 : data structures : 정보를 담는 그릇 (변수, 리스트, 객체). control structures : 정보가 흐르는 길 (조건문, 반복문). (iteration와 연결) algorithms : 문제를 해결하는 구체적인 레시피. 2. 왜 중요한가? : 현대 사회에서 프로그래밍은 단순한 기술이 아니라 '디지털 읽고 쓰기(literacy)'이며, 논리적 사고력을 극대화하는 가장 강력한 도구임. (logic와 연결) 과거 데이터와의 충돌 : 과거에는 복잡한 문법 기술을 익히는 '문법 중심 정책'이었으나, 현대 정책은 ai 코파일럿의 도움을 받아 더 상위 수준의 '아키텍처 및 문제 해결 설계 정책'에 집중하는 방향으로 변화함(rl update). (ide (integrated development environment)와 연결) ", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/AI_and_ML/Introspection (자기성찰).md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\AI_and_ML\\Introspection (자기성찰).md", "folder": "AI_and_ML", "filename": "Introspection (자기성찰)", "norm_name": "introspection자기성찰", "title": "Introspection (자기성찰)", "norm_title": "introspection자기성찰", "fm_id": "wiki-2026-0508-introspection-자기성찰", "fm_aliases": [ "P-Reinforce-AUTO-INTR-001" ], "fm_tags": [ "auto-reinforced", "introspection", "self-awareness", "metacognition", "cognitive-science", "Psychology" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-04-20", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 1911, "body_first_para_hash": "265f90a748b6", "body_fingerprint": "\"나를 비추는 거울: 자신의 생각, 감정, 동기, 인지 과정을 스스로 들여다보고 분석함으로써, 행동의 원인을 파악하고 더 나은 의사결정과 성장을 도모하는 내면의 관찰 카메라.\" 자기성찰(introspection)은 자신의 정신적 상태를 직접 들여다보는 의식 활동입니다. 1. 가치 : self correction : 자신의 인지적 편향이나 실수를 조기에 발견하고 수정 가능. (cognitive biases와 연결) emotional intelligence : 감정의 뿌리를 이해하여 타인과의 소통 및 공감 능력 향상. (empathy in ai와 연결) metacognition : \"내가 무엇을 알고 무엇을 모르는가\"를 파악하여 학습 효율을 높임. 2. ai적 해석 (self refine) : ai가 내놓은 답변을 스스로 검토하고 보완하는 'self correction' 루프는 ai 기법의 핵심으로 자리 잡음. (chain of thought와 연결) 과거 데이터와의 충돌 : 과거에는 자기 통찰이 '주관적인 착각 정책'을 줄 수 있다는 비판이 있었으나(행동주의 심리학), 현대 정책은 시스템의 안정성과 도덕적 일관성 정책을 유지하는 필수적인 '내부 제어 정책'으로", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/AI_and_ML/Inverse-Kinematics.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\AI_and_ML\\Inverse-Kinematics.md", "folder": "AI_and_ML", "filename": "Inverse-Kinematics", "norm_name": "inversekinematics", "title": "Inverse-Kinematics", "norm_title": "inversekinematics", "fm_id": "wiki-2026-0508-inverse-kinematics", "fm_aliases": [ "P-Reinforce-AI-INVERSE-KINEMATICS" ], "fm_tags": [ "Robotics|[Robotics", "Kinematics", "Animation", "Mathematics" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-04-20", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 1784, "body_first_para_hash": "9984b21624e6", "body_fingerprint": "\"손의 위치를 결정하면, 팔꿈치와 어깨가 알아서 굽혀지는 마법.\" 로봇이나 캐릭터의 끝단(end effector)의 목표 위치가 주어졌을 때, 그 상태에 도달하기 위한 각 관절의 각도들을 거꾸로 계산해내는 과정이다. forward vs inverse : forward : 관절 각도 $\\to$ 손의 위치 (계산이 쉽고 결과가 하나임). inverse : 손의 위치 $\\to$ 관절 각도 (수학적으로 매우 복잡하며, 해가 여러 개이거나 없을 수 있음). solving methods : analytical : 수식으로 딱 떨어지는 정답을 구함 (속도가 빠르지만 단순한 로봇만 가능). numerical (iterative) : 조금씩 각도를 바꿔보며 정답에 근접함 (자코비안 행렬, fabrik 등 사용). core benefit : 사람이 일일이 관절을 조종하지 않고 \"저 컵을 잡아\"라고 명령만 내릴 수 있게 함. 역운동학은 장애물 충돌이나 관절의 물리적 한계를 고려해야 하므로 갈수록 복잡해진다. 최근에는 신경망 기반의 ik 솔버나 강화학습 에이전트가 물리 시뮬레이션 환경에서 스스로 '가장 자연스러운 포즈'를 학습하여, 고전적인 수치 해석 방식의 한계를 넘어서는 자연", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/AI_and_ML/IoT-and-AI-Integration.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\AI_and_ML\\IoT-and-AI-Integration.md", "folder": "AI_and_ML", "filename": "IoT-and-AI-Integration", "norm_name": "iotandaiintegration", "title": "IoT and AI Integration (IoT와 AI 통합)", "norm_title": "iotandaiintegrationiot와ai통합", "fm_id": "wiki-2026-0508-iot-and-ai-integration", "fm_aliases": [ "IOT-AI-001" ], "fm_tags": [ "iot", "ai", "aiot", "Edge-Computing", "smart-systems", "sensor-networks" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-04-26", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 2050, "body_first_para_hash": "a06edee4d141", "body_fingerprint": "\"사물에 감각(iot)을 달고 지능(ai)을 심어, 현실 세계와 디지털 세계를 유기적으로 연결하라\" — 수많은 센서로부터 유입되는 방대한 시계열 데이터를 ai가 실시간으로 처리하여 자율적 판단과 예측을 수행하는 aiot(ai of things) 아키텍처. 추출된 패턴: \"edge to cloud intelligence\" — 지연 시간(latency)이 중요한 작업은 현장의 엣지 기기에서 즉시 처리하고, 거대 데이터 분석 및 장기 학습은 클라우드에서 수행하는 계층적 지능 연산 패턴. 주요 가치: predictive maintenance: 장비의 미세한 진동/소음 변화를 감지하여 고장 전 사전 정비. context awareness: 사용자의 위치, 조도, 온도 등을 종합하여 최적의 환경 자동 제공. energy efficiency: 전력 소비 패턴을 학습하여 낭비 요소를 실시간 차단. 의의: ai가 모니터 속의 가상 데이터를 넘어 실제 물리 세계의 문제를 해결하고 제어하는 실질적인 힘을 갖게 함. 과거 데이터와의 충돌: 단순히 데이터를 클라우드로 전송(cloud only)하던 방식에서, 보안과 속도를 위해 기기 자체에서 ai를 구동하는 '온디바이스 ai'와 '", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/AI_and_ML/Isaac-Asimovs-Laws-of-Robotics.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\AI_and_ML\\Isaac-Asimovs-Laws-of-Robotics.md", "folder": "AI_and_ML", "filename": "Isaac-Asimovs-Laws-of-Robotics", "norm_name": "isaacasimovslawsofrobotics", "title": "Isaac Asimov's Laws of Robotics (아시모프의 로봇 3원칙)", "norm_title": "isaacasimovslawsofrobotics아시모프의로봇3원칙", "fm_id": "wiki-2026-0508-isaac-asimovs-laws-of-robotics", "fm_aliases": [ "ETH-ASIMOV-001" ], "fm_tags": [ "ai-ethics", "Robotics", "asimov", "Alignment", "safety-guardrails" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-04-26", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 2110, "body_first_para_hash": "926bf7a9a77d", "body_fingerprint": "\"인공적 지능의 가장 높은 우선순위는 기술적 효율성이 아닌 '인간의 생명과 존엄성'에 있음을 명시하라\" — 아이작 아시모프가 정립한 로봇의 행동 윤리 규범으로, 현대 인공지능 정렬(alignment) 문제의 철학적 뿌리가 된 세 가지 핵심 법칙. 추출된 패턴: \"hierarchical constraints\" — 하위 법칙보다 상위 법칙을 우선시하는 계층적 제약 조건을 통해, 지능 시스템이 복잡한 상황에서도 일관된 윤리적 판단을 내리도록 강제하는 안전 장치 패턴. 로봇 3원칙: 제1원칙: 로봇은 인간에게 해를 입혀서는 안 되며, 위험에 처한 인간을 방관해서도 안 된다. 제2원칙: 제1원칙에 위배되지 않는 한, 인간의 명령에 복종해야 한다. 제3원칙: 제1, 2원칙에 위배되지 않는 한, 자신의 존재를 보호해야 한다. 제0원칙 (사후 추가): 로봇은 인류 전체에게 해를 입혀서는 안 된다 (개별 인간보다 인류라는 종의 생존 우선). 의의: ai 에이전트의 목표 함수(objective function)가 인간의 의도 및 보편적 도덕률과 어긋날 때 발생하는 위험을 방지하기 위한 논의의 시발점. 과거 데이터와의 충돌: 아시모프의 원칙은 문학적 장치로서 '법칙 간의 충돌과", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/AI_and_ML/Iterative Prompting.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\AI_and_ML\\Iterative Prompting.md", "folder": "AI_and_ML", "filename": "Iterative Prompting", "norm_name": "iterativeprompting", "title": "Iterative Prompting", "norm_title": "iterativeprompting", "fm_id": "wiki-2026-0508-iterative-prompting", "fm_aliases": [], "fm_tags": [ "uncategorized" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-05-08", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 2561, "body_first_para_hash": "3b0f4a000526", "body_fingerprint": "iterative prompting(반복적 프롬프팅)은 완벽한 프롬프트를 한 번에 작성하는 대신, 단순하고 명확한 프롬프트로 시작하여 생성된 결과를 바탕으로 점진적으로 세부 사항을 수정해 나가는 기법이다 [1, 2]. 이는 단순한 지시어의 입력이 아니라 ai 모델과의 대화나 스케치 밑그림을 그리는 것과 같은 반복적인 협업 과정으로 간주된다 [1, 3, 4]. 창작자는 이 과정을 통해 조명, 구도, 스타일 등의 요소를 하나씩 변경하며 자신이 의도한 최종 시각적 결과물에 도달하게 된다 [1, 5, 6]. 반복적 창작의 원리 ai를 통한 이미지 생성은 단발성 행위가 아니라, 매우 짧은 시간으로 압축된 전통적인 미술 창작과 유사한 반복적 과정이다 [4, 7]. 일반적으로 첫 번째 프롬프트가 사용자의 의도를 약 80% 정도 달성하게 해주며, 이후의 반복을 통해 나머지 세부 사항을 다듬어 나가게 된다 [2]. 원하는 최종 결과물을 얻기 위해 보통 3~5번의 변형(variation) 이미지를 생성하는 것이 정상적이고 필수적인 과정으로 권장된다 [2, 5]. 단계별 실행 워크플로우 1. 단순한 시작 : 명확하지만 단순한 2~3문장의 기본 프롬프트나 다소 열려 있는 지시로 ", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/AI_and_ML/JIT-Compilation-in-AI-Engines.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\AI_and_ML\\JIT-Compilation-in-AI-Engines.md", "folder": "AI_and_ML", "filename": "JIT-Compilation-in-AI-Engines", "norm_name": "jitcompilationinaiengines", "title": "JIT Compilation in AI Engines (AI 엔진의 JIT 컴파일)", "norm_title": "jitcompilationinaienginesai엔진의jit컴파일", "fm_id": "wiki-2026-0508-jit-compilation-in-ai-engines", "fm_aliases": [ "AI-JIT-001" ], "fm_tags": [ "ai", "Deep-Learning", "jit-compilation", "xla", "torchscript", "Optimization" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-04-26", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 2125, "body_first_para_hash": "413cd27e0d49", "body_fingerprint": "\"파이썬의 유연함으로 설계하고, 기계어의 속도로 실행하라\" — 모델 실행 시점에 연산 그래프를 분석하여 하드웨어에 최적화된 바이너리 코드로 즉시 변환함으로써, 인터프리팅 오버헤드를 제거하고 성능을 극대화하는 기술. 추출된 패턴: \"graph capture and fusion\" — 느린 순차 실행 대신 전체 연산 흐름을 하나의 그래프로 캡처하고, 연속된 연산들을 하나로 합쳐(fusion) 메모리 대역폭 낭비를 줄이는 런타임 최적화 패턴. 주요 엔진 및 기술: xla (accelerated linear algebra): tensorflow/jax에서 사용되는 가속 컴파일러. 행렬 연산을 비약적으로 가속. torchscript / torch.compile: pytorch 모델을 파이썬 환경 없이 실행 가능하도록 직렬화 및 최적화. tvm: 다양한 하드웨어 백엔드에 맞춰 모델을 컴파일하는 오픈소스 스택. 의의: 고수준 언어(python)의 생산성을 유지하면서도, c++/cuda 수준의 저수준 실행 성능을 확보하여 ai 연구와 서비스의 간극을 메움. 과거 데이터와의 충돌: 정적 그래프(static graph) 방식의 불편함을 해결하기 위해, 최근에는 동적 그래프의 유", "is_stub": false, "is_huge": false, "is_redirect": false, "is_operational": false }, { "path": "10_Wiki/Topics/AI_and_ML/JSON-LD-Structured-Data.md", "abs_path": "E:\\Wiki\\2nd\\10_Wiki\\Topics\\AI_and_ML\\JSON-LD-Structured-Data.md", "folder": "AI_and_ML", "filename": "JSON-LD-Structured-Data", "norm_name": "jsonldstructureddata", "title": "JSON-LD Structured Data (JSON-LD 구조화된 데이터)", "norm_title": "jsonldstructureddatajsonld구조화된데이터", "fm_id": "wiki-2026-0508-json-ld-structured-data", "fm_aliases": [ "MKT-SEO-JSONLD-001" ], "fm_tags": [ "json-ld", "structured-data", "Schema-markup", "seo", "rich-results", "aeo", "ai-crawling" ], "fm_status": "needs_review", "fm_trust": "A", "fm_last_reinforced": "2026-04-26", "fm_redirect_to": null, "fm_canonical_id": "self", "body_chars": 1820, "body_first_para_hash": "9bd940f1ec64", "body_fingerprint": "\"웹페이지의 콘텐츠를 기계가 읽을 수 있는 명시적인 지식 그래프(knowledge graph)로 기술하고, 검색 결과에서 화려한 리치 스니펫과 ai 엔진의 직접 인용권을 획득하라\" — 구글이 가장 선호하는 시맨틱 마크업 표준 형식. 추출된 패턴: \"linked data and machine readable context\" — 텍스트 사이에 마크업을 섞는 대신, 별도의 json 블록으로 엔티티(product, person, event 등)의 속성과 관계를 선언하는 패턴. 주요 활용 및 효과: rich results: 별점, 가격, 재고 여부, faq 등을 검색 결과 페이지(serp)에 직접 노출하여 클릭률(ctr) 향상. knowledge panel: 인물이나 기관의 정보를 지식 패널에 정확히 연동. ai aeo/geo optimization: ai 크롤러가 콘텐츠의 핵심 실체를 오해 없이 수집하도록 돕는 결정적 신호 제공. 구현 방식: html의