koriweb
95cd8bb891
- 코드 그라운딩: 기술 주제 문서의 '적용 사례'에 실제 레포 구현 위치
(file:line)+커밋 자동 주입 (예: 문서 청킹 전략→connectai/src/retrieval/chunker.ts).
멱등 마커(CODE-GROUNDING)로 재실행 시 갱신.
- MOC: 39개 클러스터 폴더에 _MOC.md 학습지도 생성(진입점+통찰 주석).
도구: Datacollect/scripts/{code_grounding,moc_generator}.mjs
Co-Authored-By: Claude Opus 4.8 <noreply@anthropic.com>
193 lines
23 KiB
Markdown
193 lines
23 KiB
Markdown
---
|
|
id: moc-topics
|
|
title: "Topics — 학습 지도 (MOC)"
|
|
category: "MOC"
|
|
status: "active"
|
|
type: "map-of-content"
|
|
tags: ["MOC", "Topics"]
|
|
updated_at: 2026-06-08
|
|
---
|
|
|
|
# 🗺️ Topics — 학습 지도 (MOC)
|
|
|
|
> 이 클러스터의 **132개 문서**에 대한 진입점과 학습 순서. 자동 생성(moc_generator.mjs) — 재실행 시 갱신.
|
|
|
|
## 🚀 여기서 시작 (Start here)
|
|
- [[Reinforcement Learning Fundamentals]] — RL의 토대는 보상 가설·탐색-활용 트레이드오프·벨만 방정식 세 가지로 압축되며, 이 셋의 균형이 알고리즘 설계의 핵심 결정점이 된다.
|
|
|
|
## 📚 전체 문서 (Topics)
|
|
|
|
> ⚠️ 문서가 많은 클러스터(131개) — 첫 글자별로 묶음. 하위 폴더로 재구성 검토 권장.
|
|
|
|
### 0-9
|
|
- [[4X 전략]]
|
|
- [[4X Strategy]]
|
|
|
|
### A
|
|
- [[AI 이미지 생성 및 프롬프트 엔지니어링 워크플로우]]
|
|
- [[AI 이미지 생성 워크플로우]] — AI 이미지 생성은 단판 승부가 아닌, '초기 시안 탐색 -> 반복적 정교화 -> 부분 수정 및 확장'으로 이어지는 점진적이고 계층적인 워크플로우의 결과물이다. 모델마다 다른 언어적 이해도와 기술적 매개변수를 정확히 활용하는 것이 프로페셔널 생성의 핵
|
|
- [[AI 추론 및 맥락 인식 아키텍처]]
|
|
- [[AI Safety and Alignment]]
|
|
- [[AI Sampling Strategies]]
|
|
- [[Alliance (동맹)]]
|
|
- [[Amygdala Hyperactivity]]
|
|
- [[Architecture]]
|
|
- [[Autism Spectrum Disorder]]
|
|
- [[Autonomous Queue Processing Engine]] — 자율 엔진의 생명력은 단순히 코드가 실행되는 것이 아니라, **상태의 영속성(Persistence)**과 **비동기 파이프라인의 격리**를 통해 프로세스가 중단되어도 마지막 지점에서 즉시 재개할 수 있는 능력에서 나온다.
|
|
|
|
### C
|
|
- [[CFG 스케일 제어]]
|
|
- [[Chrome DevTools 및 메모리 프로파일링]]
|
|
- [[CI CD 파이프라인 및 배포 자동화]]
|
|
- [[CIPOMDPs]]
|
|
- [[Cloud Native]]
|
|
- [[Cloud Native and Microservices]]
|
|
- [[CNN (Convolutional Neural Network)]]
|
|
- [[ComfyUI]]
|
|
- [[Computer Vision]]
|
|
- [[Conversational Maxims (Grice)]]
|
|
- [[CSS Architecture and Styling]]
|
|
|
|
### D
|
|
- [[Data Privacy & Local Processing]]
|
|
- [[Data Schema]]
|
|
- [[Data Twins (Digital Twins)]]
|
|
- [[DevOps]]
|
|
|
|
### E
|
|
- [[Edge Computing]]
|
|
- [[Encoder Decoder Inconsistency]]
|
|
- [[Engineering Principles]]
|
|
- [[Executive Dysfunction]]
|
|
|
|
### F
|
|
- [[Fact Based Meeting Minutes Prompt]]
|
|
- [[FDA Clearance (Medical Device Approval)]]
|
|
- [[Flak Tank]]
|
|
- [[Functional Programming]]
|
|
|
|
### G
|
|
- [[G1nation Build Fix Report]]
|
|
- [[Global Neuronal Workspace]]
|
|
- [[Graphics & Performance]]
|
|
- [[Green Check Mark Syndrome]]
|
|
|
|
### H
|
|
- [[Human Computer Interaction]]
|
|
|
|
### I
|
|
- [[Index 13]]
|
|
- [[Index 1490]]
|
|
- [[Index 1528]]
|
|
- [[Index 1530]]
|
|
- [[Index 1532]]
|
|
- [[Index 1534]] — *(TODO: 한 문장으로 핵심 통찰을 작성. "X는 Y 조건에서 Z 효과를 낸다" 구조 권장.)*
|
|
- [[Index 2]] — *(TODO: 한 문장으로 핵심 통찰을 작성. "X는 Y 조건에서 Z 효과를 낸다" 구조 권장.)*
|
|
- [[Index 20]] — *(TODO: 한 문장으로 핵심 통찰을 작성. "X는 Y 조건에서 Z 효과를 낸다" 구조 권장.)*
|
|
- [[Index 25]] — *(TODO: 한 문장으로 핵심 통찰을 작성. "X는 Y 조건에서 Z 효과를 낸다" 구조 권장.)*
|
|
- [[Information Retrieval]]
|
|
- [[Interpretability]] — "AI 블랙박스의 내부를 들여다보는 지적 렌즈" — 머신러닝 모델의 판단 근거와 내부 작동 기제를 인간이 이해할 수 있는 형태로 설명하고 분석하는 능력.
|
|
|
|
### J
|
|
- [[Jamba and Bamba]] — Jamba와 Bamba는 SSM(Mamba)과 Transformer 어텐션을 레이어 단위로 혼합한 하이브리드 모델로, 긴 컨텍스트 효율과 짧은 컨텍스트 표현력을 동시에 노린다.
|
|
|
|
### L
|
|
- [[Liquid Democracy]] — "직접 민주주의의 참여와 대의 민주주의의 효율성을 결합하라" — 투표권을 스스로 행사하거나, 특정 이슈별로 자신이 신뢰하는 대리인에게 실시간으로 위임(Delegation)할 수 있는 유동적인 민주주의 모델.
|
|
- [[LLM Optimization and Deployment Strategies]] — "지능의 밀도는 높이고, 실행의 비용은 낮추라." LLM 최적화는 거대한 모델의 파라미터를 압축(양자화, 증류)하고, 학습 효율을 극대화(PEFT)하며, 추론 엔진(vLLM, PagedAttention)을 통해 처리량을 최대로 끌어올려 실전 서비스가
|
|
|
|
### M
|
|
- [[March 2026 Research Drop]]
|
|
- [[Microservices Architecture]] — 마이크로서비스 아키텍처(MSA)는 대규모 애플리케이션을 비즈니스 도메인(Domain)을 중심으로 독립적으로 배포 및 실행 가능한 작은 서비스들의 집합으로 설계하는 소프트웨어 개발 접근 방식입니다 [1]. 각 서비스는 고유의 프로세스를 실행하며 API와
|
|
- [[Modern Web Rendering and Optimization]] — "언제, 어디서 HTML을 생성할 것인가?" 웹 렌더링 전략은 초기 로드 성능(FCP/LCP), 상호작용성(TTI/INP), 그리고 검색 엔진 최적화(SEO) 사이의 트레이드오프를 관리하는 엔지니어링 의사결정의 집합입니다.
|
|
|
|
### N
|
|
- [[Neural Networks and Deep Learning Foundations]] — 심층 신경망은 미분 가능한 합성 함수의 스택으로, 표현 학습·역전파·확률적 경사하강이라는 세 기둥이 결합되어 비정형 데이터에서 패턴을 추출한다.
|
|
- [[Nodejs and Backend Optimization]] — "메모리는 유실되는 것이 아니라 붙잡혀 있는 것이다." Node.js의 고성능 백엔드 구축은 V8 엔진의 세대별 가비지 컬렉션(GC) 메커니즘을 이해하고, 클로저·이벤트 리스너·캐시 등에서 발생하는 '래칫(Ratchet)' 패턴의 메모리 누수를 힙 스
|
|
|
|
### P
|
|
- [[Pay to win]] — Pay-to-win(P2W)은 게임 내에서 생존과 우위를 점하기 위해 지속적인 금전 지출이 필수적으로 요구되는 게임 디자인 또는 비즈니스 모델을 의미합니다. [1, 2] 이러한 시스템 하에서는 막대한 자금을 지불하는 유저가 일반 유저에 비해 압도적인
|
|
- [[Performance Profiling and Memory]] — "보이지 않는 메모리의 실체를 추적하라." 가비지 컬렉션(GC)의 메커니즘을 이해하고, 크롬 개발자 도구와 힙 스냅샷을 통해 누수 지점(Retaining Path)을 정확히 짚어내는 것이 고성능 애플리케이션의 핵심이다.
|
|
- [[Permanent Loss]]
|
|
- [[PEV Loop]] — PEV 루프는 에이전트가 즉흥적으로 행동하는 것을 방지하기 위해 계획, 제한된 실행, 엄격한 검증의 3단계를 강제하여 자율 시스템의 신뢰성과 아키텍처 일관성을 보장하는 핵심 실행 패턴이다.
|
|
- [[Pragmatics]] — "말해진 것(What is said)과 의미된 것(What is meant) 사이의 간극을 맥락(Context)으로 메우는 해석의 예술."
|
|
- [[Prefrontal Cortex]] — "본능의 파도를 이성의 댐으로 막아세워, 인간을 '계획하고 선택하는 존재'로 만드는 뇌의 CEO이자 지휘 본부."
|
|
- [[Prompt Engineering]] — 프롬프트 엔지니어링은 인공지능 모델(LLM 및 이미지 생성 모델)로부터 최적의 결과물을 도출하기 위해 입력값(Prompt)을 전략적으로 설계, 최적화 및 프로그래밍하는 기술 체계입니다 [1]. 단순히 '말을 잘하는 법'을 넘어, 모델의 추론 성능을 극
|
|
|
|
### R
|
|
- [[Reinforcement Learning and Decision Making]] — 강화학습은 환경과 상호작용하며 누적 보상을 최대화하는 정책을 학습하는 프레임워크로, MDP 가정 위에서 가치 추정과 정책 개선의 두 축으로 발전해 왔다.
|
|
- [[Reward Prediciton Error]]
|
|
- [[Reward Prediction Error (상태 예측 오류)]]
|
|
- [[Runtime Validation]] — "컴파일 타임의 타입 안전성과 런타임의 데이터 무결성 사이의 간극을 메우기 위해, 시스템 경계(Boundary)에서 데이터를 검증하는 대신 신뢰할 수 있는 타입으로 파싱하는 설계 기법."
|
|
|
|
### S
|
|
- [[S2 Attn]] — Shifted Sparse Attention(S²-Attn)은 LongLoRA 등에서 사용된 효율적 어텐션 패턴으로, 긴 컨텍스트 파인튜닝 시 메모리·시간 비용을 줄이면서 글로벌 정보 흐름은 유지한다.
|
|
- [[SDLC and SSDLC]]
|
|
- [[Selective SSM]] — Selective SSM(Mamba)은 입력에 따라 SSM 파라미터(B, C, Δ)를 동적으로 변화시켜, 기존 시간 불변 SSM의 한계를 극복하고 Transformer에 근접한 표현력을 확보한다.
|
|
- [[Self Correction]] — 자기 교정은 LLM이 자신의 출력을 비판·수정하는 능력으로, 외부 피드백 없이도 reasoning 품질을 높일 수 있는 중요 기제이지만 한계도 분명하다.
|
|
- [[Self Correction Mechanisms]] — Self-correction 메커니즘은 LLM 추론 파이프라인 안에 검증·재시도 루프를 명시적으로 구조화한 기법군이다.
|
|
- [[Skybound Asset Purity Sync]] — *(TODO: 한 문장으로 핵심 통찰을 작성. "X는 Y 조건에서 Z 효과를 낸다" 구조 권장.)*
|
|
- [[Sleep Tracking]] — 수면 추적(Sleep Tracking)은 사용자의 수면 상태, 심박변이도(HRV), 호흡률 등 다양한 생체 데이터를 지속적이고 수동적으로 모니터링하는 기술입니다 [1-3]. 과거에는 단순한 수면 단계 기록에 머물렀으나, 최근에는 인공지능(AI)과 결합
|
|
- [[Smart Glasses]] — 스마트 안경(Smart Glasses)은 AI 어시스턴트와 디스플레이 기술이 통합되면서 2026년 기준 전년 대비 110%의 폭발적인 출하량 성장을 기록하고 있는 웨어러블 기술입니다 [1, 2]. 단순한 카메라 기능을 넘어 실시간 번역, 내비게이션,
|
|
- [[Smart Glasses & Spatial Computing]] — *(TODO: 한 문장으로 핵심 통찰을 작성. "X는 Y 조건에서 Z 효과를 낸다" 구조 권장.)*
|
|
- [[Smart Rings]] — 스마트 링(Smart Rings)은 부피가 큰 화면 없이 사용자의 수면, 회복, 준비도 등을 수집하는 데 이상적인 폼팩터를 갖춘 주류 웨어러블 기술입니다 [1, 2]. 최근 이 기기들은 단순한 데이터 수집을 넘어 심박수 변이도(HRV), 체온, 혈중
|
|
- [[Soft Prompt Compression]] — Soft prompt compression은 긴 자연어 컨텍스트를 학습 가능한 가상 토큰(소프트 프롬프트)으로 압축해, 추론 시 토큰 비용을 줄이면서 정보 손실을 최소화하는 기법이다.
|
|
- [[Software Architecture Patterns]]
|
|
- [[SSM]] — State Space Model(SSM)은 연속 시간 선형 동역학을 신경망으로 매개변수화한 시퀀스 모델로, Transformer 대비 선형 복잡도로 긴 컨텍스트를 처리할 수 있는 대안이다.
|
|
- [[Stability]] — AI 시스템의 안정성은 입력 perturbation·분포 변화·파라미터 변동 하에서 출력 일관성을 유지하는 능력으로, 신뢰성·재현성·안전성의 토대가 된다.
|
|
- [[Street Duel Fighter]] — 16비트 아케이드의 CRT 미학과 현대적인 React/Canvas 기술을 결합하여 오감을 자극하는 격투 게임 기획 및 구현 프로토콜.
|
|
- [[System Resilience and Fault Tolerance]] — 분산 시스템과 외부 API 의존도가 높은 현대 소프트웨어에서 안정성은 '완벽한 차단'이 아닌, 지수 백오프(Backoff)와 서킷 브레이커(Circuit Breaker)를 통한 **격리된 실패 제어**와 **자동화된 자가 치유(Self-healing)
|
|
|
|
### T
|
|
- [[Test time computing]] — Test-time compute는 학습 후 추론 단계에서 더 많은 연산을 투입(샘플 증강·체인 오브 사고·반복 증류 등)해 추가 학습 없이 정확도를 높이는 패러다임이다.
|
|
- [[The Grammys]] — *(TODO: 한 문장으로 핵심 통찰을 작성. "X는 Y 조건에서 Z 효과를 낸다" 구조 권장.)*
|
|
- [[Theoretical Foundations]] — AI/ML의 이론적 기반은 확률·통계·정보이론·최적화·계산복잡도가 교차하는 지점이며, 응용 모델 선택의 정당성을 이 층위에서 찾는다.
|
|
- [[Theta Gamma Coupling]]
|
|
- [[Topics]]
|
|
- [[Transformer Architecture and LLM Foundations]] — "데이터 간의 모든 관계를 병렬로 파악하여 시퀀스의 한계를 돌파하라." 트랜스포머는 순차적 처리를 버리고 셀프 어텐션(Self-Attention) 메커니즘을 통해 데이터의 맥락을 전역적으로 파악하며, 현대 대규모 언어 모델(LLM)의 폭발적인 성능 향
|
|
|
|
### V
|
|
- [[Vagus Nerve Stimulation (VNS)]] — 미주신경 자극(VNS)은 신경계를 진정시켜 사용자의 불안과 스트레스를 완화하는 것을 목적으로 하는 기술입니다 [1]. 최근의 비침습적 웨어러블 장치는 가슴에 착용하여 골전도를 통한 초저주파 진동을 몸에 전달하는 방식으로 이 신경을 자극합니다 [1].
|
|
|
|
### W
|
|
- [[Wearable Technology (웨어러블 기기)]] — 웨어러블 기기(Wearable Technology)는 단순한 걸음 수 측정이나 알림 기능을 넘어, 임상 수준의 정확도로 건강 상태를 모니터링하고 예측하는 스마트 전자기기로 진화하고 있습니다 [1]. 2026년 현재 스마트 반지, AI 탑재 스마트 안경
|
|
- [[Wearables 2.0]] — Wearables 2.0은 기존의 단순 피트니스 추적용 기기들이 FDA와 같은 규제 당국의 승인을 받은 임상 등급(Clinical-grade)의 의료 기기로 진화하는 새로운 시대를 의미합니다 [1]. 이 시기의 웨어러블 기기들은 소비자용 제품의 외관을
|
|
- [[Wearables API]] — Wearables API(웨어러블 API)는 스마트워치, 피트니스 트래커, 스마트 링 등 수많은 웨어러블 및 IoT 기기의 데이터를 단일 연결을 통해 애플리케이션에 연동해 주는 인터페이스입니다 [1-3]. 개발자는 이를 통해 각 기기별로 시스템을 별도
|
|
- [[Wearables API IoT Devices]] — Wearables API 및 IoT 기기는 스마트 링, 연속 혈당 측정기(CGM), 무선 이어버드 등 다양한 건강 및 피트니스 트래커에서 발생하는 생체 데이터를 단일 플랫폼으로 통합하는 기술입니다 [1, 2]. 최근 이 기술은 기기 내장형 AI(온디바
|
|
- [[Web Performance Optimization]] — "사용자 경험의 계량화: 단순히 페이지가 빨리 뜨는 것을 넘어, 로딩(LCP), 반응성(INP), 시각적 안정성(CLS)을 측정하여 사용자가 체감하는 '쾌적함'을 숫자로 관리하는 전략."
|
|
|
|
### 가나다
|
|
- [[게임 디자인 및 가상 경제 시스템]] — "게임을 설계하는 것은 재미를 설계하는 것이 아니라, 의미 있는 선택의 연속을 설계하는 것이다." 플레이어의 심리를 자극하는 보상 체계와 시스템적 균형이 잡힌 가상 경제를 통해 지속 가능한 디지털 생태계를 구축하는 핵심 프레임워크.
|
|
- [[그래픽스 및 시뮬레이션 엔지니어링]] — "수학으로 현실을 그리다." 물리적 법칙을 코드로 시뮬레이션하고, 하드웨어 가속(GPU)을 통해 실시간으로 고품질 시각 정보를 렌더링하며, 디지털 세계의 상호작용을 사실적으로 구현하는 시각화 공학.
|
|
- [[데이터 사이언스 및 ML 엔지니어링]] — "데이터로부터 가치를 추출하고 지능을 모델링하는 공학." 단순한 예측을 넘어, 대규모 데이터를 학습하여 새로운 콘텐츠를 생성하고(Generative AI), 복잡한 문제를 인공신경망으로 해결하는 현대 AI 기술의 근간.
|
|
- [[데이터 엔지니어링 표준]] — "데이터의 흐름은 공학이고, 파이프라인은 생명선이다." 원천 데이터의 수집부터 정제, 저장, 그리고 분석에 이르기까지 전 과정의 신뢰성을 확보하고, 데이터 품질 계층(Data Quality Layer)을 통해 AI 에이전트의 판단 근거를 견고히 하는
|
|
- [[도메인 주도 설계(DDD) 및 소프트웨어 아키텍처]] — "기술은 변하지만 도메인은 변하지 않는다." 소프트웨어의 핵심 가치인 비즈니스 로직(Domain)을 외부 프레임워크나 데이터베이스(Infrastructure)로부터 철저히 격리하여, 변화에 유연하고 테스트 가능한 고밀도 지능 시스템을 구축하는 현대 아
|
|
- [[디자인 시스템 및 사용자 경험 표준]] — "디자인은 어떻게 보이는가가 아니라, 어떻게 작동하는가이다." 일관된 시각적 언어(Design System)를 통해 인지 부하를 줄이고, 사용자의 여정을 매끄럽게 설계하여(UX) 제품의 본질적 가치를 전달하는 총체적 경험 설계 표준.
|
|
- [[디지털 치료제 (Digital Therapeutics, DTx)]] — *소스에 '디지털 치료제 (Digital Therapeutics, DTx)'라는 정확한 용어에 대한 정보는 부족합니다. 그러나 소스는 이를 포괄하는 '임상 등급의 웨어러블 기기', '여성 건강(FemTech) 앱', 'AI 기반의 능동적 건강 코칭(P
|
|
- [[디퓨전 모델 작동 원리]] — 디퓨전 모델은 데이터에 노이즈를 섞는 과정을 학습한 뒤, 무작위 노이즈로부터 텍스트 조건에 맞춰 형태를 복원해가는 '역방향 확산'을 통해 고품질 이미지를 생성하는 아키텍처다.
|
|
- [[런타임 유효성 검사 (Runtime Validation)]] — 런타임 유효성 검사는 외부 데이터(API 응답, 폼 입력, 환경변수)가 기대 형태인지 실행 시점에 확인하는 보호 계층으로, TypeScript 타입만으로는 부족한 경계 검증을 보완한다.
|
|
- [[매개변수 (Parameters)]]
|
|
- [[매몰 비용 오류 (Sunk Cost Fallacy)]]
|
|
- [[미드저니 매개변수 제어]] — 미드저니 매개변수는 텍스트로 표현하기 어려운 시각적 비율, 모델 버전, 예술적 개입 및 일관성을 정밀하게 제어하는 기술적 레버다.
|
|
- [[백엔드 엔지니어링 및 데이터베이스 설계]] — "데이터는 흐르고 시스템은 응답한다." 비즈니스 로직의 안정적인 실행 환경을 구축하고, 대규모 데이터의 영속성과 정합성을 보장하며, 고성능 통신 프로토콜을 통해 클라이언트와 에이전트의 요청을 처리하는 시스템의 심장부.
|
|
- [[보안 및 시스템 신뢰성 표준]] — "보안은 사후 처리가 아닌 설계의 일부다." 외부 위협으로부터 시스템을 보호하고, 예기치 않은 오류 상황에서도 핵심 기능을 유지하며, 조직의 정책을 기술적으로 강제하는 신뢰 기반 인프라.
|
|
- [[비즈니스 전략 및 운영 프레임워크]] — "어디서 싸울 것인가보다, 어떻게 이길 것인가를 결정하는 것." 한정된 자원을 집중하여 경쟁 우위를 창출하고, 애자일한 실행 체계와 코드 수준의 품질 관리를 통해 비즈니스 가치를 연속적으로 배달하는 통합 운영 체계.
|
|
- [[빌보드 임포스터(Billboard Impostors)]] — 빌보드 임포스터(Billboard Impostor)는 카메라에서 멀리 떨어진 복잡한 3D 지오메트리를 미리 렌더링된 이미지가 맵핑된 카메라를 향하는 2D 평면(Quad)으로 대체하는 렌더링 최적화 기법입니다 [1]. 모델을 여러 각도(보통 8~16개)
|
|
- [[생성형 AI 및 LLM 엔지니어링 표준]] — "언어는 지능의 운영체제다." 방대한 데이터를 통해 학습된 언어 모델(LLM)을 최적화하고, 외부 지식(RAG)과 결합하며, 추론 성능을 극대화(Test-time computing)하여 자율적으로 사고하고 행동하는 인공지능 시스템의 코어 엔진.
|
|
- [[소프트웨어 개발 수명 주기 (SDLC)]]
|
|
- [[소프트웨어 설계 원칙 및 디자인 패턴]] — "코드는 한 번 작성되지만 수만 번 읽힌다." 인간의 인지 한계를 극복하고 변화의 파동을 국소화하기 위해, 검증된 구조(Design Patterns)와 엄격한 규율(SOLID/Clean Code)을 적용하여 '읽기 쉽고 고치기 쉬운' 생태계를 구축하는
|
|
- [[심리학 및 행동과학 모델링]] — "마음은 정보 처리 시스템이자 동기 부여의 엔진이다." 인간의 사고와 행동을 [입력(지각) -> 처리(인지/감정) -> 출력(행동)]의 아키텍처로 분석하고, 그 이면의 무의식적 편향과 경제적 유인을 모델링하는 학문적 기반.
|
|
- [[얼라이언스 (Alliance)]] — '게임 오브 워(Game of War)'를 비롯한 4X 모바일 게임에서 얼라이언스(동맹)는 최대 100명의 플레이어로 구성되는 복잡한 정치적, 사회적 집단입니다 [1]. 단순한 팀의 개념을 넘어 플레이어 간의 협력, 외교, 배신 등 창발적 게임플레이(
|
|
- [[오사카 엑스포 2025 호쿠사이 인스톨레이션(Hokusai installation)]] — 오사카 엑스포 2025 호쿠사이 인스톨레이션(Hokusai installation)은 인터랙티브 크리에이티브 스튜디오인 [[Utsubo]]가 2025년 오사카 엑스포를 위해 제작한 대규모 유체 시뮬레이션 프로젝트입니다 [1]. 이 인스톨레이션은 Thr
|
|
- [[인지 행동 치료 (CBT)]] — "생각 습관을 교정하여 감정의 감옥에서 탈출하기." 부정적인 자동 사고를 식별하고 이를 합리적인 사고로 재구조화하여 행동의 변화를 끌어내는 가장 과학적으로 실증된 심리 치료 기법이다.
|
|
- [[지능형 헬스케어 및 생체데이터 분석]] — "데이터 기록을 넘어 실천적 지능으로." 단순한 생체 수치 기록(Reactive)에서 벗어나, AI가 데이터를 해석하여 사용자에게 구체적인 행동 지침을 제안하고 특정 인구통계(FemTech 등)에 특화된 예측 통찰력을 제공하는 현대 헬스케어의 핵심.
|
|
- [[창의성]]
|
|
- [[클라우드 인프라 및 IaC 운영 표준]] — "서버를 직접 조립하지 말고 코드로 정의하라." 클라우드 네이티브 환경에서 인프라는 더 이상 물리적 자산이 아닌, 소프트웨어처럼 버전 관리되고 자동 배포되는 가변적 자원(Cattle, not Pets)이다.
|
|
- [[테스트 전략 및 방법론]] — "테스트는 단순히 버그를 찾는 행위가 아니라, 코드의 변경에 대한 용기(Confidence)를 부여하고 설계의 품질을 강제하는 엔지니어링 규율이다."
|
|
- [[파워 크립 (Power Creep)]] — 파워 크립(Power Creep)은 멀티플레이어 게임에서 새롭게 추가된 콘텐츠나 장비가 기존 콘텐츠보다 훨씬 강력하거나 유용하게 출시되어 기존 아이템을 무용지물로 만드는 현상을 의미합니다 [1]. 개발자는 플레이어가 모든 것을 달성하고 게임에 대한 흥
|
|
- [[프론트엔드 및 Nodejs 개발 워크플로우]] — 프론트엔드 및 Node.js 개발 워크플로우는 소스 코드의 품질, 일관성, 그리고 보안을 자동화된 방식으로 유지하기 위해 일련의 도구들을 파이프라인에 결합하는 과정입니다. 주축이 되는 도구로는 코드 에러를 정적으로 분석하는 [[ESLint]]와 코드
|
|
- [[프론트엔드 및 UIUX 표준]] — "복잡한 UI 상태를 예측 가능한 흐름으로 관리하고, 사용자 경험(UX)을 기술적 구조로 구현하라." 단순히 화면을 그리는 것을 넘어, 컴포넌트 기반 설계(CDD)와 디자인 시스템을 통해 일관성을 유지하고 렌더링 최적화로 초저지연 인터랙션을 보장하는
|
|
- [[플랫폼 저항성(Platform Resistance)]]
|
|
- [[현대적 웹 성능 및 사용자 경험 최적화]] — "속도가 곧 경험이다." 데이터 기반의 지표(Core Web Vitals)를 바탕으로 로딩, 상호작용, 시각적 안정성을 최적화하여 사용자의 이탈을 막고 비즈니스 가치를 극대화하는 프론트엔드 공학의 핵심.
|
|
- [[현대적 프론트엔드 아키텍처 및 상태 관리]] — "UI는 상태의 함수다 ($UI = f(State)$)." 단순한 화면 구성을 넘어, 복잡한 상태의 흐름을 예측 가능하게 통제하고(State Management), 비즈니스 로직과 UI를 물리적으로 격리하여(FSD), 사용자에게 초저지연의 지능형 경험
|
|
|
|
_132 docs · 자동 생성 2026-06-08_ |