2nd/10_Wiki/Topics/AI_and_ML/Objective-Functions.md

id, title, category, status, canonical_id, aliases, duplicate_of, source_trust_level, confidence_score, tags, raw_sources, last_reinforced, github_commit, inferred_by

id	title	category	status	canonical_id	aliases	duplicate_of	source_trust_level	confidence_score	tags	raw_sources	last_reinforced	github_commit	inferred_by
wiki-2026-0508-objective-functions	Objective Functions	10_Wiki/Topics	needs_review	self	OBJ-FUNC-001	none	A	1.0	machine-learning Optimization loss-function cost-function		2026-04-26	pending	Claude Opus 4.7 (auto-normalize 2026-05-08)

Objective Functions (목적 함수)

📌 한 줄 통찰 (The Karpathy Summary)

"모델이 나아가야 할 북극성을 정의하라" — 머신러닝 모델이 학습을 통해 최소화(비용 함수)하거나 최대화(효용 함수)하고자 하는 수치적 목표.

📖 구조화된 지식 (Synthesized Content)

• 추출된 패턴: 실제 값과 모델의 예측 값 사이의 차이(Error)를 수치화하여, 이를 줄이는 방향으로 가중치를 업데이트하게 만드는 가이드 패턴.
• 세부 내용:
  • Loss Function: 개별 데이터 포인트에 대한 오차 측정 (예: MSE, Cross-Entropy).
  • Cost Function: 전체 학습 데이터셋에 대한 오차의 평균.
  • Regularization Terms: 과적합을 방지하기 위해 목적 함수에 추가되는 페널티 (예: L1, L2 정규화).
  • Optimization: 경사 하강법 등을 통해 목적 함수의 값을 최적화하는 과정을 거침.

⚠️ 모순 및 업데이트 (Contradictions & Updates)

• 과거 데이터와의 충돌: 단순한 오차 계산에서, 최근에는 모델의 윤리성, 편향성, 안전성 등을 목적 함수에 수치화하여 반영하는 연구로 확장됨.
• 정책 변화: Antigravity 프로젝트는 에이전트의 답변 품질 평가 시, 정확도뿐만 아니라 '정보의 구체성'과 '가독성'을 목적 함수의 가중치로 포함하여 학습시킴.

🔗 지식 연결 (Graph)

• Gradient-Descent, Cross-Entropy, Optimization, Machine-Learning-Lifecycle
• Raw Source: 10_Wiki/Topics/AI/Objective-Functions.md

🤖 LLM 활용 힌트 (How to Use This Knowledge)

언제 이 지식을 쓰는가:

• (TODO)

언제 쓰면 안 되는가:

• (TODO)

🧪 검증 상태 (Validation)

• 정보 상태: needs_review
• 출처 신뢰도: A
• 검토 이유: (P-Reinforce Phase 1 자동 정규화. 본문 검증 필요.)

🧬 중복 검사 (Duplicate Check)

• 기존 유사 문서: (TODO: 인덱서 클러스터 리포트 참조)
• 처리 방식: UPDATE (자동 정규화)
• 처리 이유: Phase 1 정규화 — 옛 템플릿/누락 필드 보강.

🕓 변경 이력 (Changelog)

날짜	변경 내용	처리 방식	신뢰도
2026-05-08	P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화)	UPDATE	A