Antigravity Agent
2.2 KiB
2.2 KiB
id: P-Reinforce-AUTO-SEMO-001 category: "10_Wiki/💡 Topics/AI" confidence_score: 0.96 tags: [auto-reinforced, sequence-modeling, rnn, LSTM, transformer, time-series, context] last_reinforced: 2026-04-20
Sequence-Modeling
📌 한 줄 통찰 (The Karpathy Summary)
"흐름의 수학적 포착: 단어나 음성, 주가처럼 시간의 순서가 중요한 '연속적인 데이터' 속에서 앞의 내용이 뒤에 어떤 영향을 주는지 맥락을 파악하고 다음에 올 내용을 예측하는 지능형 시계열 엔진."
📖 구조화된 지식 (Synthesized Content)
시퀀스 모델링(Sequence-Modeling)은 순차적인 데이터를 입력받아 숨겨진 패턴을 학습하고 예측하는 작업입니다.
- 기술적 진화:
- RNN/LSTM: 순서대로 하나씩 처리하며 기억(Hidden State)을 넘김. (장기 기억 실종 문제 발생). (RNN와 연결)
- Transformer: 모든 요소를 동시에 보면서 어텐션(Attention)으로 중요한 관계를 직접 연결. (현대 LLM의 표준).
- 적용 분야:
- 자연어 처리 (번역, 요약), 음성 인식, 시계열 예측 (주가, 날씨).
- 왜 중요한가?:
- 우리가 사는 세상의 거의 모든 유의미한 정보는 순서(Sequence)를 가지고 있으며, 이 맥락을 이해하는 능력이 곧 '지능'의 척도이기 때문임.
⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- 과거 데이터와의 충돌: 과거에는 순차적으로 처리해야 한다는 '물리적 순서 정책(Sequential)'에 집착했으나, 현대 정책은 순서를 위치 인코딩(Positional Encoding)으로 치환해 병렬로 때려 넣는 '병렬적 맥락 처리 정책'으로 패러다임이 전환됨(RL Update). (Parallel-Processing와 연결)
- 정책 변화(RL Update): 이제는 텍스트를 넘어 유전체 서열(DNA)이나 로봇의 관절 움직임 정책까지 시퀀스로 모델링하여 생명과 물리 법칙 정책을 학습하는 단계에 도달함.
🔗 지식 연결 (Graph)
- RNN, Parallel-Processing, Deep Learning (DL), Representation-Learning, Optimization
- Modern Tech/Tools: PyTorch, TensorFlow, Hugging Face, Attention mechanism.