AI
AI 전반을 정리하는 입구입니다. 여기서는 모델이 무엇을 입력받고, 어떤 구조로 계산하며, 어떤 신호로 학습하고, 어떤 근거로 평가되는지를 정리합니다.
목표는 모델 이름을 많이 나열하는 것이 아니라, AI 문헌과 구현을 읽을 때 반복해서 나오는 축을 안정적으로 분리하는 것입니다. 도메인 객체 자체는 계산생물학에서, 수식과 확률/기하 언어는 수학에서, GPU/HPC 같은 실행 환경은 Infra에서 다룹니다.
먼저 볼 지도
| 영역 | 용도 | 시작점 |
|---|---|---|
| Math | probability, linear algebra, calculus, likelihood, information theory 같은 수학 기반 | Math |
| Machine Learning | prediction problem, feature, loss, optimization, validation | Machine Learning |
| Model Reading Map | 논문 한 편을 input, representation, architecture, objective, evaluation, runtime으로 분해 | Model Reading Map |
| Architectures | MLP, CNN, RNN, Transformer, GNN, SSM/Mamba, MoE 같은 모델 구조 | Architectures |
| Learning Methods | supervised learning, self-supervised learning, contrastive learning, JEPA, fine-tuning, preference/RL objective | Learning Methods |
| Generative Models | autoregressive model, VAE, GAN, diffusion, score model, flow matching, normalizing flow | Generative Models |
| Evaluation | metric, split, leakage, calibration, OOD, uncertainty, failure analysis | Evaluation |
| Systems | training run, inference, serving, environment, artifact, reproducibility | Systems |
| Agents | tool use, memory, planning, verification, orchestration | Agents |
분류 기준
AI note는 아래 질문으로 위치를 정합니다.
| 질문 | 이동할 곳 |
|---|---|
| 필요한 수학 정의인가? | Math, Math foundations |
| 입력과 출력이 무엇인가? | Modalities, Tasks |
| 논문 한 편을 어떻게 분해해서 읽을 것인가? | Model Reading Map |
| 예측 문제와 loss의 기본형인가? | Machine Learning |
| 모델 내부 구조인가? | Architectures |
| supervision, objective, transfer 방식인가? | Learning Methods |
| sample을 만들거나 distribution을 모델링하는가? | Generative Models |
| 성능 claim을 어떻게 검증하는가? | Evaluation |
| 실행, serving, reproducibility 문제인가? | Systems, Infra |
| LLM이 도구를 쓰고 작업을 끝내는 방식인가? | Agents |
영역 경계
| 경계 | AI에서 다루는 것 | 다른 곳에서 다루는 것 |
|---|---|---|
| Math | loss, optimizer, architecture 식을 모델 관점에서 읽기 | derivative, likelihood, entropy, group action 자체는 Math |
| Computational Biology | protein, molecule, structure 데이터를 모델 입력으로 쓰는 법 | protein, ligand, pocket, assay, split 단위 정의는 Computational Biology |
| Infra | training run, inference contract, serving boundary | GPU memory, Slurm, storage, server operation은 Infra |
| Papers | claim type과 방법론을 분류하는 기준 | 개별 논문 요약과 reading status는 Papers |
기본 읽기 경로
- Math에서 vector, probability, likelihood, entropy/KL, calculus를 먼저 잡습니다.
- Machine Learning에서 data, target, loss, optimization, validation의 기본 구조를 봅니다.
- Architectures에서 입력 구조별 inductive bias를 비교합니다.
- Learning Methods에서 label, pretraining signal, transfer, preference objective를 분리합니다.
- Generative Models에서 likelihood, denoising, score, velocity, sampling 관점을 비교합니다.
- Evaluation에서 split, metric, leakage, calibration, failure mode를 확인합니다.
- Systems에서 training run, inference, serving, environment, reproducibility 경계를 봅니다.
우선 채울 층
AI 쪽은 너무 빨리 논문명 중심으로 커지기 쉽습니다. 그래서 먼저 아래 층을 안정적으로 채웁니다.
| 우선순위 | 중요한 이유 | 이동할 곳 |
|---|---|---|
| Basic ML grammar | 모든 모델은 data, target, loss, optimization, evaluation으로 환원됩니다. | Machine Learning |
| Architecture families | 논문 차이는 대부분 어떤 inductive bias를 넣었는지로 설명됩니다. | Architectures |
| Learning signal | SSL, contrastive, JEPA, preference, RL은 architecture보다 objective 차이가 핵심일 때가 많습니다. | Learning Methods |
| Generative process | 생성 모델은 likelihood, denoising, score, velocity, sampler를 구분해야 합니다. | Generative Models |
| Evaluation habit | 모델 주장은 split, metric, selection rule 없이는 안정적인 지식이 아닙니다. | Evaluation |
| System boundary | 좋은 모델도 run, artifact, serving, reproducibility가 없으면 재사용하기 어렵습니다. | Systems |
Note Template
새 AI note는 가능하면 아래 순서를 따릅니다.
| 항목 | 적을 내용 |
|---|---|
| Problem | 입력 , 출력 , task unit |
| Representation | token, graph, coordinate, embedding, feature |
| Model | architecture family와 inductive bias |
| Objective | loss, likelihood, reward, score, velocity, contrast |
| Training | data, split, optimizer, selection rule |
| Evaluation | metric, baseline, uncertainty, failure mode |
| Boundary | Math, Computational Biology, Infra, Agents 중 어디와 연결되는지 |
입력 대상별 경로
| 입력 | 시작점 | 구조 / 방법 |
|---|---|---|
| Text / sequence | Text, Sequence | Transformer, State-space model |
| Image / video | Image, Video | CNN, Vision Transformer |
| Graph / set | Graph | GNN, Deep Sets |
| Graph with learned structure | Representation contract | Graph construction, Graph Transformer |
| 3D / geometry | 3D structure, Geometry | Geometric deep learning, Coordinate modeling contract |
| Molecule / protein | Computational Biology | Molecular modeling, Protein modeling, SBDD concepts |
| Agent workflow | Agents | Core, Tools, Verification, Workflows |
논문과 포스트를 읽을 때
새 AI 논문이나 글감을 넣을 때는 모델 이름보다 아래 항목을 먼저 고정합니다.
| 먼저 볼 것 | 확인할 내용 | 시작점 |
|---|---|---|
| Input object | text, image, graph, set, coordinate, molecule, protein, agent state 중 무엇인가 | Modalities, Tasks |
| Task output | class, scalar, ranking, sequence, graph, coordinate, sample, action 중 무엇인가 | Task specification, Task output space |
| Representation | raw object가 token, graph, coordinate, embedding, conformer로 어떻게 바뀌는가 | Representation contract |
| Architecture | 어떤 inductive bias, parameter sharing, complexity를 쓰는가 | Architectures, Architecture-objective fit |
| Learning signal | label, mask, contrast, preference, reward, denoising, velocity 중 무엇인가 | Learning Methods, Objective taxonomy |
| Objective | loss, likelihood, score, reward, metric이 어떻게 정의되는가 | Machine Learning, Math |
| Selection rule | checkpoint, hyperparameter, threshold, prompt, filter를 어떻게 골랐는가 | Model selection |
| Evaluation claim | 어떤 split, metric, baseline, uncertainty로 주장을 검증하는가 | Evaluation |
| Uncertainty and calibration | 결과 차이와 probability claim을 얼마나 믿을 수 있는가 | Confidence interval, Calibration |
| System boundary | training, inference, serving, reproducibility, tool-use 문제가 있는가 | Systems, Infra, Agents |