4.0 KiB
4.0 KiB
id, title, category, status, canonical_id, aliases, duplicate_of, source_trust_level, confidence_score, tags, raw_sources, last_reinforced, github_commit, inferred_by, tech_stack
| id | title | category | status | canonical_id | aliases | duplicate_of | source_trust_level | confidence_score | tags | raw_sources | last_reinforced | github_commit | inferred_by | tech_stack | |||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| wiki-2026-0508-encoder-decoder-inconsistency | Encoder Decoder Inconsistency | 10_Wiki/Topics | needs_review | self |
|
none | A | 0.95 |
|
2026-05-05 | pending | Claude Opus 4.7 (auto-normalize 2026-05-08) |
|
Encoder-Decoder-Inconsistency
📌 한 줄 통찰 (The Karpathy Summary)
"찾아온 사람(인코더)과 대답하는 사람(디코더)이 서로 다른 언어와 가치관을 가졌을 때 발생하는 인지적 불협화음: RAG 성능 저하의 숨은 주범."
📖 구조화된 지식 (Synthesized Content)
인코더-디코더 불일치는 텍스트를 벡터로 변환하여 검색하는 모델(인코더)과 텍스트를 생성하는 모델(디코더)이 동일한 정보를 서로 다르게 해석할 때 발생합니다.
- 발생 원인:
- 두 모델이 서로 다른 데이터셋으로 훈련되었거나, 학습 목표(검색 vs 생성)가 상이하여 텍스트의 중요도를 판단하는 기준이 다르기 때문.
- 특히 검색 기반의 RAG 아키텍처에서 두 독립적인 모델을 결합할 때 흔히 발생.
- 부작용:
- 인코더가 '중요하다'고 판단하여 가져온 문서가 디코더의 입장에서는 '무의미'하거나 '방해'되는 정보일 수 있으며, 이로 인해 답변의 정확도가 하락함.
- 해결 전략 (Alignment):
- E2LLM 방식: 어댑터를 통해 인코더의 출력을 디코더의 입력 공간과 물리적으로 정렬.
- 상호 훈련: 인코더와 디코더를 공동 학습시켜 동일한 의미론적 해상도를 갖도록 조율.
⚠️ 모순 및 업데이트 (Contradictions & Updates)
- 독립성의 트레이드오프 (RL Update): 모델을 분리해서 쓰면 구축이 빠르고 유연하지만(Plug-and-play), 불일치로 인한 오류 전파를 피하기 어려움. 따라서 고성능 시스템일수록 두 모델 사이의 '의미적 밀착도'를 높이는 정렬 과정이 필수적임.
- Antigravity 정책: 검색 엔진 Astra는 검색 성능만을 보지 않고, 가져온 결과가 에이전트의 생성 품질에 기여하는지를 실시간으로 점수화하는 '하용론적 피드백'을 통해 이 불일치 문제를 해결함.
🔗 지식 연결 (Graph)
- RAG, E2LLM, Context-Integration, AI-Alignment
- Raw Source: Datacollector_MAC/out_wiki/인코더-디코더 불일치 (Encoder-Decoder Inconsistency).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 |
💻 코드 패턴 (Code Patterns)
패턴 1: (TODO: 이 프로젝트 컨벤션 반영한 구조 스켈레톤)
# TODO
🤔 의사결정 기준 (Decision Criteria)
선택 A를 써야 할 때:
- (TODO)
선택 B를 써야 할 때:
- (TODO)
기본값:
(TODO)
❌ 안티패턴 (Anti-Patterns)
- [안티패턴]: (TODO: 무엇을 하면 안 되는가 + 이유 + 대신 무엇을)