Antigravity Agent
2.4 KiB
2.4 KiB
id: P-Reinforce-AUTO-POMD-001 category: Dev confidence_score: 0.97 tags: [auto-reinforced, pomdp, Reinforcement-Learning, uncertainty, belief-State, decision-making] last_reinforced: 2026-04-20
POMDP
📌 한 줄 통찰 (The Karpathy Summary)
"안개 속의 의사결정: 환경의 상태(State)가 완벽히 보이지 않는 '불완전한 정보' 상황에서, 현재까지의 관찰 결과들을 모아 '지금 상황이 이럴 확률이 높다'는 믿음(Belief)을 가지고 최선의 행동을 선택하는 가장 현실적인 지능 모델."
📖 구조화된 지식 (Synthesized Content)
부분 관측 마르코프 결정 과정(POMDP)은 환경의 상태를 직접 알 수 없고 노이즈 섞인 관측만 가능한 의사결정 문제입니다.
- MDP와의 차이:
- Observation (O): 상태 자체가 아닌, 눈에 보이는 데이터(힌트). (Noise와 연결)
- Belief State (b): 관측값들을 종합해 현재 상태에 대해 추측한 '확률 분포'.
- 왜 중요한가?:
- 현실 세계(자율주행, 주식, 협상)는 대부분 상태가 완벽히 보이지 않는 POMDP 상황이며, 이를 수학적으로 풀 수 있어야만 진짜 쓸모 있는 인공지능이 탄생하기 때문임. (Reinforcement Learning (RL)의 심화)
⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- 과거 데이터와의 충돌: 과거에는 너무 복잡하여 계산이 불가능한 '이론적 정책'에 가까웠으나, 현대 정책은 신경망(RNN, Transformer) 정책이 과거의 기억을 벡터에 담음으로써 사실상의 비효율적 Belif State 정책 관리를 훌륭히 수행함(RL Update).
- 정책 변화(RL Update): 단순히 명령을 수행하는 정책을 넘어, 인간의 의도(가려진 상태)를 대화를 통해 추론하며 행동하는 '의도 파악형 에이전트 정책'의 기반 이론 정책으로 작동함.
🔗 지식 연결 (Graph)
- Markov-Decision-Processes, Reinforcement Learning (RL), Information-Entropy, Logic, Optimization
- Modern Tech/Tools: Kalman filters, Monte Carlo Localization, Deep Q-Networks with memory.