글감 로드맵
이 페이지는 한글 post로 풀어낼 만한 글감을 모아두는 지도입니다. 세부 지식은 영어 wiki note로 이미 쌓고, post는 읽는 경로와 관점을 만들어 주는 역할을 합니다.
넓은 지도형 글감은 Topic map contract로 reader question, primary axis, object boundary, method family, evidence boundary, next path를 먼저 확인합니다.
AI 기본기
- Machine learning을 왜 Data, Tasks, Architectures, Evaluation로 나눠 봐야 하는가
- Task specification으로 input, output, validity, loss, metric, split을 먼저 고정하는 법
- Task output space로 class, scalar, ranking, sequence, mask, graph, coordinate, action output을 구분하는 법
- Retrieval, similarity search, reranking을 search pipeline의 서로 다른 단계로 구분하는 법
- Math foundations를 AI 글에서 어느 정도까지 써야 하는가
- Probability distribution, expectation, maximum likelihood, KL를 생성모델과 평가의 공통 언어로 쓰는 법
- Empirical risk minimization, stochastic gradient, gradient descent를 training loop의 기본 수식으로 설명하기
- Cross-entropy loss, mean squared error, negative log-likelihood를 task와 probability model의 연결로 설명하기
- Probability metrics로 NLL, Brier score, calibration, threshold metric을 구분하는 법
- Adam과 AdamW를 bias correction, adaptive step, decoupled weight decay 관점에서 설명하기
- Training stability로 loss, gradient norm, learning rate, batch size, resume 문제를 하나의 학습 안정성 축으로 보는 법
- Gradient accumulation으로 micro-batch, optimizer step, effective batch size를 구분하는 법
- Weight decay와 gradient clipping을 optimizer 설정이 아니라 training stability와 generalization 관점에서 보기
- Statistical estimator와 bias-variance tradeoff를 실험 해석의 기본 언어로 쓰는 법
- Classification metrics, regression metrics, generation evaluation을 task별로 구분하는 법
- Metric selection으로 primary metric과 diagnostic metric을 분리하는 법
- Failure mode taxonomy로 wrong output, invalid output, miscalibration, OOD, system failure를 나누는 법
- Evaluation protocol을 split, metric, model selection, final test의 묶음으로 보는 법
- Confusion matrix와 threshold selection으로 classification 결과를 decision 관점에서 읽는 법
- Bootstrap evaluation, confidence interval, reliability diagram으로 reported metric을 신뢰도 관점에서 해석하기
- Example unit, split unit, preprocessing contract를 data leakage 방지의 기본 단어로 쓰는 법
- Dataset split contract로 train/validation/test split rule, grouping key, leakage audit을 재현 가능하게 남기는 법
- Dataset construction checklist로 모델링 전에 dataset card와 evaluation protocol을 먼저 쓰는 법
- Data distribution, data schema, label semantics, dataset shift를 모델보다 먼저 확인하는 이유
- Experiment lifecycle로 question, hypothesis, design, run, artifact, analysis, claim을 하나의 흐름으로 묶는 법
- Run artifact로 config, log, metric, prediction, checkpoint, environment를 공개 가능한 수준으로 기록하는 법
- Modality representation으로 raw signal, preprocessing, model input, information loss를 분리해서 보는 법
- Modality-task map으로 text, image, video, graph, structure 입력을 output space, loss, metric, split까지 연결하는 법
- Inductive bias, parameter sharing, computational complexity를 architecture 선택 기준으로 쓰는 법
- Linear layer, activation function, feed-forward network, normalization, residual connection을 Transformer/GNN/SSM을 읽기 전 공통 블록으로 정리하기
- Text, image, video, sequence, 3D structure를 modality 관점에서 비교하기
- Modality alignment와 missing modality가 multimodal model 평가에서 왜 중요한가
- Transformer, State-space model, GNN을 입력 구조 관점에서 비교하기
- Coordinate frame, distance geometry, invariant feature, equivariant feature를 3D 모델의 기본 언어로 정리하기
- Latent variable model, conditional generation, sampling, guidance를 생성모델 공통 언어로 정리하기
- Pretraining, fine-tuning, instruction tuning, domain adaptation을 학습 pipeline 관점에서 나누기
- Knowledge distillation을 teacher-student, soft target, temperature, compression 관점에서 설명하기
- Self-supervised learning, Contrastive learning, JEPA를 representation 관점에서 정리하기
- Token budget, context packing, tool calling, prompt injection boundary를 LLM Wiki 운영 관점에서 묶어 설명하기
- Evidence-grounded generation으로 RAG와 hallucination control을 구분하는 법
Computational Biology
- Computational Biology를 구조기반/단백질/분자/유전체 입력으로 나눠 보는 이유
- Target, assay, bioactivity label, dataset을 label이 생기는 context로 정리하기
- Target-assay-label contract로 molecule-target-assay-label 관계를 dataset row와 split rule까지 연결해 보는 법
- Molecular standardization, tautomer, protonation state가 split과 docking을 바꾸는 이유
- Molecular featurization contract가 train/evaluation/inference mismatch를 막는 이유
- Receptor and ligand preparation이 docking 결과를 좌우하는 이유
- Pose generation, pose quality, scoring function을 분리해서 읽는 법
- Protein-ligand interaction을 contact, pose, affinity, ranking으로 분해하는 법
- Protein-ligand docking에서 pose generation, scoring, filtering을 분리해야 하는 이유
- Protein-ligand split으로 scaffold, protein-family, complex, assay, temporal split을 같이 보는 법
- Template leakage가 structure-based benchmark에서 왜 위험한가
- Pocket representation을 ligand-defined pocket과 deployable pocket으로 나눠 보는 법
- Sequence identity clustering을 protein-side split의 기본으로 쓰는 법
- Molecular property prediction에서 scaffold split, label semantics, activity cliff를 같이 봐야 하는 이유
- Pose quality와 Binding affinity를 혼동하면 생기는 문제
- Equivariance와 coordinate frame이 구조 기반 모델링에서 중요한 이유
- Genome modeling은 왜 이 블로그에서 넓은 omics가 아니라 sequence-level boundary topic으로 두는가
Papers
- 논문 후보를 paper triage로 drop/inbox/paper note/concept update/synthesis로 나누는 법
- 논문 하나를 paper note에서 concept note로 분해하는 법
- Claim extraction, evidence table, limitation taxonomy로 논문 주장을 좁히는 법
- Benchmark card와 ablation map으로 benchmark와 component claim을 분리해서 읽는 법
- Reproduction plan과 minimum viable experiment로 논문을 실제 실험으로 줄이는 법
- Artifact availability로 code, data, split, config, weight, log, prediction, environment 공개 여부를 먼저 확인하는 법
- Implementation readiness로 논문을 구현할 가치가 있는 claim 단위로 좁히는 법
- Reproduction result로 성공/실패/불확실한 재현 결과를 공개 가능한 evidence로 남기는 법
- Reproducibility checklist로 논문 구현 가능성을 빠르게 판별하는 법
- Threat to validity를 이용해 paper claim을 좁히는 법
- Literature synthesis로 여러 논문을 하나의 연구 질문으로 묶는 법
- PoseBusters를 pose plausibility 체크리스트로 읽는 법
- Reading status를 써서 raw candidate와 verified note를 구분하는 법
Infra
- Slurm을 연구 workflow 관점에서 이해하기
- Resource scheduling, resource request, job array를 shared HPC 사용의 기본 단어로 정리하기
- GPU memory 문제를 parameters, activations, optimizer state, KV cache로 나눠 보는 법
- GPU bottleneck taxonomy로 utilization, memory, IO, communication 문제를 분리해서 진단하는 법
- Distributed training을 effective batch size, communication, sharding, checkpoint state 관점에서 정리하기
- Checkpoint state와 failure recovery를 긴 training run의 기본 설계로 보는 법
- Preemption and resume를 긴 실험의 reliability 문제로 설명하기
- Job reconciliation으로 오래 도는 job을 중복 실행하지 않고 닫는 법
- Batch and online inference를 throughput/latency 관점에서 나눠 보는 법
- Inference capacity planning으로 context length, concurrency, KV cache, p95 latency를 연결하는 법
- Model card와 inference contract로 모델 artifact를 공개 가능한 사용 경계까지 설명하는 법
- Public incident note로 운영 실패를 공개 가능한 lesson으로 바꾸는 법
- Incident response, backup and restore, access boundary를 서버 운영 글의 기본 runbook으로 쓰는 법
- Reproducible run record를 왜 연구 로그와 연결해야 하는가
- Public log taxonomy와 log promotion rule로 작업 로그를 concept/project/post로 승격하는 법
Agents
- Agent architecture를 model, state, tools, memory, verifier로 나눠 보는 법
- Agent operating contract로 agent에게 goal, action boundary, verification을 명시하는 법
- Agent environment, action space, tool result handling을 agent loop의 기본 단어로 정리하기
- Acceptance criteria로 agent가 “끝났다”고 말하기 전에 무엇을 증명해야 하는지 정리하기
- Evidence ledger와 completion audit로 agent의 완료 보고를 검증 가능한 기록으로 바꾸는 법
- Task decomposition과 agent handoff로 긴 작업을 끊어 넘기는 법
- Agent runbook으로 반복되는 논문/블로그/wiki 작업을 표준화하는 법
- Curation queue와 publishing gate로 agent output을 공개 note로 승격하는 법
- Tool contract가 agent 안정성에 중요한 이유
- Paper brief workflow로 논문 후보를 모으고 검증하는 흐름
- Verification loop가 agent output보다 중요한 이유
- Content promotion workflow로 raw input을 inbox, concept, paper, project, infra, log, post로 승격하는 법
Projects
- Project note format으로 공개 가능한 작업물을 problem, artifact, boundary, design, verification, status로 정리하는 법
- Project lifecycle과 project artifact release로 작업물을 공개할 단계와 공개하지 않을 artifact를 구분하는 법
- LLM Wiki blog를 한글 post와 영어 wiki note가 연결되는 공개 지식베이스로 운영하는 법
- Wiki에서 Post로 승격하는 방식으로 wiki cluster를 한글 post로 바꾸는 법
- Paper brief agent pipeline으로 daily paper candidate를 inbox, paper note, concept update, synthesis post로 승격하는 법
- HPC research workflows를 특정 환경 기록이 아니라 reproducible run workflow로 공개하는 법
- Project milestone format으로 큰 작업 사이의 공개 가능한 변경 단위를 남기는 법
Writing Queue
- 구조 기반 모델링 전체 지도
- Protein representation 입문
- Flow matching과 diffusion의 차이
- GNN과 equivariant GNN 비교
- Negative result를 public research lesson으로 정리하는 방식
- Slurm job lifecycle 공개 버전
- Coding agent를 연구 블로그 운영에 쓰는 방식