2.2 KiB
2.2 KiB
id, category, confidence_score, tags, last_reinforced
| id | category | confidence_score | tags | last_reinforced | ||||||
|---|---|---|---|---|---|---|---|---|---|---|
| P-REINFORCE-AUTO-SEAN-001 | 10_Wiki/💡 Topics/AI | 0.94 |
|
2026-04-20 |
Sensitivity-Analysis
📌 한 줄 통찰 (The Karpathy Summary)
"무엇이 가장 치명적인가?: 결과값에 영향을 주는 여러 변수 중 하나를 살짝 바꿔봤을 때 전체 결과가 얼마나 요동치는지 측정하여, 우리가 어떤 변수를 가장 금이야 옥이야 관리해야 하는지 알려주는 시스템의 '약점 탐지기'."
📖 구조화된 지식 (Synthesized Content)
민감도 분석(Sensitivity-Analysis)은 입력 변수의 변화가 출력 변수에 미치는 영향을 분석하는 기법입니다.
- 목적:
- Prioritization: 결과에 가장 큰 영향을 주는 'Key factors'를 식별. (Pareto-Principle와 연결)
- Risk Mitigation: 어떤 수치가 틀렸을 때 시스템이 붕괴되는지 미리 파악. (Risk-Management와 연결)
- Model Validation: 모델의 반응이 상식적인지(변수를 높였는데 결과가 이상하게 가는지) 확인.
- 왜 중요한가?:
- 모든 변수에 똑같은 에너지를 쏟는 것은 비효율적이며, 민감도 분석은 승패를 결정짓는 핵심 20%에 집중하게 돕기 때문임. (Efficiency 극대화)
⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- 과거 데이터와의 충돌: 과거에는 한 번에 하나씩만 바꿔보는 '단순 주입 정책'이었으나, 현대 정책은 수만 번의 시뮬레이션 정책(Monte Carlo)을 돌려 변수들 간의 복합적인 민감도 정책을 분석하는 방향으로 진화함(RL Update).
- 정책 변화(RL Update): AI 프롬프트 엔지니어링 정책에서도 특정 단어 하나가 답변의 퀄리티 정책을 얼마나 바꾸는지 테스트하는 'Prompt Sensitivity Analysis'가 성능 최적화 정책의 필수 과정이 됨.
🔗 지식 연결 (Graph)
- Pareto-Principle, Risk-Management, Efficiency, Optimization, Analysis, Decision Theory
- Modern Tech/Tools: What-If Tool, Tornado charts, Monte Carlo simulations.