32 lines
2.1 KiB
Markdown
32 lines
2.1 KiB
Markdown
---
|
|
id: P-REINFORCE-AUTO-REAL-001
|
|
category: "10_Wiki/💡 Topics/AI"
|
|
confidence_score: 0.96
|
|
tags: [auto-reinforced, resource-allocation, efficiency, optimization, priority, project-management, economics]
|
|
last_reinforced: 2026-04-20
|
|
---
|
|
|
|
# [[Resource-Allocation]]
|
|
|
|
## 📌 한 줄 통찰 (The Karpathy Summary)
|
|
> "제한된 자원으로 최대 승리 거두기: 시간, 돈, 사람, 연산 능력이라는 희소한 자원을 가장 레버리지가 큰 핵심 20%에 집중적으로 투입하여, 결과의 80%를 만들어내는 효율적 배분의 예술."
|
|
|
|
## 📖 구조화된 지식 (Synthesized Content)
|
|
자원 배분(Resource-Allocation)은 특정한 목적을 달성하기 위해 이용 가능한 자원을 최적으로 배치하는 과정입니다.
|
|
|
|
1. **결정 원칙**:
|
|
* **Pareto Principle**: 핵심 승부처에 자원을 집중. (Pareto-Principle와 연결)
|
|
* **Opportunity Cost**: A에 자원을 쓸 때 포기해야 하는 B의 가치 고려. (Opportunity-Cost와 연결)
|
|
* **Dynamic Reallocation**: 상황 변화에 따라 실시간으로 자원 위치 조정.
|
|
2. **왜 중요한가?**:
|
|
* 무한한 자원을 가진 조직은 없으며, 승리는 자원의 양이 아니라 '배분의 정교함'과 '집중력'에서 나오기 때문임. (Management의 본질)
|
|
|
|
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
|
- **과거 데이터와의 충돌**: 과거에는 사전에 짠 예산 정책(Fixed Budget)에 따라 기계적으로 배분했으나, 현대 정책은 성과 데이터 정책을 실시간으로 보며 자원을 유동적으로 옮기는 '알고리즘 기반 동적 배분 정책'으로 진화함(RL Update).
|
|
- **정책 변화(RL Update)**: 클라우드 연산 정책에서도 AI 모델의 크기에 따라 GPU 자원을 동적으로 할당하는 '자율적 컴퓨팅 정책'이 비용 효율성 정책의 핵심이 됨. (Efficiency와 연결)
|
|
|
|
## 🔗 지식 연결 (Graph)
|
|
- [[Pareto-Principle]], [[Opportunity-Cost]], [[Management]], [[Efficiency]], [[Optimization]], [[Project-Management]]
|
|
- **Modern Tech/Tools**: Kubernetes (Auto-scaling), Project management software, Financial allocation models.
|
|
---
|