2nd/10_Wiki/Topics/AI_and_ML/Parameter-Efficiency-in-LLMs.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-parameter-efficiency-in-llms	Parameter Efficiency in LLMs	10_Wiki/Topics	needs_review	self	LLM-PARAM-EFF-001	none	A	1.0	ai llm peft lora Parameter-Efficiency Fine-tuning Optimization		2026-04-26	pending	Claude Opus 4.7 (auto-normalize 2026-05-08)

Parameter Efficiency in LLMs (LLM에서의 파라미터 효율성)

📌 한 줄 통찰 (The Karpathy Summary)

"수천억 개의 파라미터를 전부 흔들지 말고, 핵심적인 '작은 레버'들만 조정하여 거대 지능을 내 목적에 맞게 길들여라" — 거대 언어 모델(LLM)을 전체 미세 조정(Full Fine-tuning)하는 대신, 극히 일부의 파라미터만 학습시켜 컴퓨팅 자원을 획기적으로 절약하면서도 높은 성능을 달성하는 기술(PEFT).

📖 구조화된 지식 (Synthesized Content)

• 추출된 패턴: "Low-rank Adaptation and Additive Modules" — 모델의 기존 가중치는 고정(Freeze)해둔 채, 옆에 아주 작은 크기의 행렬을 덧붙이거나(LoRA) 입력 프롬프트 앞에 학습 가능한 벡터를 붙여(prompt Tuning) 변화의 양만을 효율적으로 학습하는 패턴.
• 주요 기법:
  • LoRA (Low-Rank Adaptation): 가중치 업데이트량을 저차원 행렬로 분해하여 학습 파라미터를 10,000배 이상 감소시킴.
  • Adapter Tuning: 모델의 층 사이에 작은 신경망(Adapter)을 삽입하여 학습.
  • Prefix/Prompt Tuning: 입력값에 특수한 임베딩을 추가하여 모델의 출력을 제어.
• 의의: 고가의 GPU 클러스터 없이도 중소기업이나 개인이 자신의 데이터에 특화된 고성능 LLM을 구축할 수 있게 하여, AI의 실용적 커스터마이징 시대를 열었음.

⚠️ 모순 및 업데이트 (Contradictions & Updates)

• 과거 데이터와의 충돌: 파라미터를 적게 학습시키면 성능이 떨어질 것이라는 우려와 달리, 특정 도메인 최적화에서는 오히려 전체 미세 조정보다 과적합이 적고 안정적인 성능을 내는 경우가 많다는 것이 입증됨.
• 정책 변화: Antigravity 프로젝트는 에이전트의 특정 도메인(의료, 법률, 코딩 등) 전문성 강화 시, 전체 모델 재학습 대신 LoRA 기반의 파라미터 효율적 학습 방식을 표준으로 사용함.

🔗 지식 연결 (Graph)

• Low-Rank-Adaptation-LoRA, Transfer-Learning-Foundations, Natural-Language-Processing-NLP]], Hardware-Acceleration-for-AI
• Raw Source: 10_Wiki/Topics/AI/Parameter-Efficiency-in-LLMs.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