docs: 로빙 감정 시스템에 Inside Out 2축 모델 및 예측-평가 루프 통합

- Inside Out 기반 9개 감정 체계 (기본 5 + 사회 4)
- 에크먼 기본정서 축과 켈트너 사회기능 축 병렬 처리
- 예측-평가 피드백 루프 추가 (베이지안 + 엔트로피)
- 불안을 기능적 정서로 재해석 (Inside Out 2 통찰)
- 학술적 근거 및 과학 자문진 명시

ideas/250807_로빙_감정_시스템_설계도.md

@@ -2,7 +2,7 @@
 
 **작성일**: 2025-08-07 (2025-08-08 개정)  
 **작성자**: happybell80 & Claude  
-**상태**: 감정 임베딩 통합, 하드코딩 완전 제거
+**상태**: Inside Out 2축 모델 통합, 예측-평가 피드백 루프 추가
 
 ## 1. 핵심 철학
 
@@ -11,19 +11,29 @@
 - **엔트로피 특이점을 포착한다**: 시간이 흘러도 무질서해지지 않는 감정이 중요한 기억
 - **함수형 프로그래밍 100%**: 순수 함수와 I/O 분리, 불변 데이터 구조
 - **베이지안으로 불확실성 관리**: 모든 파라미터는 확률 분포로 표현되고 학습됨
+- **예측-평가 피드백 루프**: 사용자 반응을 예측하고 실제와 비교하며 진화
 
 ## 2. 감정 상태 구조
 
-### 2.1 기본 구조
+### 2.1 Inside Out 기반 2축 감정 모델
-- **VAD 3차원**: Valence(쾌-불쾌), Arousal(활성화), Dominance(통제감)
+- **기본정서 축 (에크먼, Inside Out 1)**: 
-- **감정 임베딩**: 768차원 벡터 (사전학습 모델 사용)
+  - Joy(기쁨), Sadness(슬픔), Anger(분노), Fear(두려움), Disgust(혐오)
+  - 즉각적 반응, 100ms 내 처리
+  - 진화적 기반의 보편적 정서
+  
+- **사회기능 축 (켈트너/다무어, Inside Out 2)**:
+  - Anxiety(불안), Envy(질투), Embarrassment(당혹), Ennui(권태)
+  - 미래 예측과 사회적 비교, 500ms 처리
+  - 사춘기 및 조직 맥락의 의사결정
+
+- **감정 임베딩**: 768차원 벡터 (기본정서 + 사회기능 통합 표현)
 - **엔트로피 궤적**: 시간에 따른 엔트로피 변화 추적
-- **베이지안 파라미터**: Beta, Gamma, Dirichlet 분포로 학습
+- **베이지안 파라미터**: Dirichlet 분포로 감정 혼합 모델링
 
 ### 2.2 감정 동역학
 - 감정 변화율 = α(흡수율) × 평가 - δ(감쇠율) × 현재감정
 - α와 δ는 Beta 분포에서 Thompson Sampling
-- 사용자 피드백으로 사후분포 업데이트
+- 기본정서는 빠른 α, 사회기능은 느린 α로 차별화
 
 ## 3. 감정 임베딩 활용
 
@@ -50,53 +60,92 @@
 - 사용자별 감정 어트랙터 맵핑
 - 클러스터별 공감 전략 사전 계산
 
-## 4. 수학-임베딩-LLM 통합 파이프라인
+## 4. 예측-평가 피드백 루프
 
-### 4.1 처리 흐름
+### 4.1 예측 시스템
-1. **엔트로피 이상 탐지**: 시공간 엔트로피 변화율 계산
+**예측 대상**:
-2. **임베딩 유사도 계산**: ChromaDB에서 근접 감정 검색
+- 사용자의 감정 변화 (기본정서 → 사회기능 전환)
-3. **LLM 의미 분석**: 불확실성이 높을 때만 호출
+- 응답 길이와 패턴 (짧은 답변 vs 긴 대화)
-4. **베이지안 증거 결합**: 세 가지 신호를 확률적으로 통합
+- 다음 주제 전환 확률
+- 대화 종료 가능성
 
-### 4.2 시퀀스 다이어그램
+**베이지안 예측 모델**:
+```python
+# 기본정서 분포 (에크먼 5개)
+P(basic_emotion_t+1 | history) = Dirichlet([joy, sadness, anger, fear, disgust])
+
+# 사회기능 분포 (켈트너 4개)  
+P(social_emotion_t+1 | context) = Dirichlet([anxiety, envy, embarrassment, ennui])
+
+# Thompson Sampling으로 예측
+predicted_emotion = sample_from_posterior()
+```
+
+### 4.2 평가 시스템
+**시공간 엔트로피 활용**:
+- **시간축**: 예측과 실제의 시간차 엔트로피
+- **공간축**: 768차원 임베딩 공간에서의 예측 오차
+- **특이점**: 예측이 크게 빗나간 순간 = 중요 학습 기회
+
+**오차 계산**:
+```
+예측 오차 = KL_divergence(predicted_distribution, actual_observation)
+엔트로피 증가 = H(t+1) - H(t)
+학습 신호 = 오차 × 엔트로피_증가율
+```
+
+## 5. 수학-임베딩-LLM 통합 파이프라인
+
+### 5.1 처리 흐름
+1. **2축 감정 감지**: 기본정서(100ms) + 사회기능(500ms) 병렬 처리
+2. **엔트로피 이상 탐지**: 시공간 엔트로피 변화율 계산
+3. **임베딩 유사도 계산**: ChromaDB에서 근접 감정 검색
+4. **예측 생성**: 사용자 다음 반응 예측
+5. **LLM 의미 분석**: 불확실성이 높을 때만 호출
+6. **베이지안 증거 결합**: 모든 신호를 확률적으로 통합
+7. **평가 및 학습**: 예측 vs 실제 비교, 사후분포 업데이트
+
+### 5.2 시퀀스 다이어그램
 
 ```mermaid
 sequenceDiagram
     participant User
     participant Pipeline
-    participant Entropy
+    participant Basic as 기본정서<br/>(에크먼)
+    participant Social as 사회기능<br/>(켈트너)
+    participant Predict as 예측 모듈
     participant ChromaDB
     participant LLM
-    participant Bayesian
+    participant Eval as 평가 모듈
-    participant Memory
     
     User->>Pipeline: 텍스트 입력
-    Pipeline->>Entropy: 엔트로피 변화 계산
+    
-    Entropy-->>Pipeline: 특이점 점수 (m)
+    par 2축 병렬 처리
+        Pipeline->>Basic: 즉각 반응 분석
+        Basic-->>Pipeline: Joy/Sadness/Anger/Fear/Disgust
+    and
+        Pipeline->>Social: 맥락 분석
+        Social-->>Pipeline: Anxiety/Envy/Embarrassment/Ennui
+    end
+    
+    Pipeline->>Predict: 현재 감정 상태
+    Predict->>Predict: 베이지안 추론
+    Predict-->>Pipeline: 사용자 반응 예측
     
     Pipeline->>ChromaDB: 감정 임베딩 검색
-    ChromaDB-->>Pipeline: 유사 감정 top-k
+    ChromaDB-->>Pipeline: 유사 감정 사례
-    Pipeline->>Pipeline: 임베딩 거리 계산 (e)
     
     alt 불확실성 높음
         Pipeline->>LLM: 의미 분석 요청
-        LLM-->>Pipeline: 중요도 점수 (l)
+        LLM-->>Pipeline: 감정 해석
-    else 불확실성 낮음
-        Pipeline->>Pipeline: LLM 스킵
     end
     
-    Pipeline->>Bayesian: P(z=1|m,e,l) 계산
+    Pipeline-->>User: 감정 인식 답변
-    Bayesian->>Bayesian: Thompson Sampling
+    User-->>Pipeline: 실제 반응
-    Bayesian-->>Pipeline: 저장 여부 결정
     
-    alt 저장 결정 (z=1)
+    Pipeline->>Eval: 예측 vs 실제
-        Pipeline->>Memory: ChromaDB 저장
+    Eval->>Eval: 엔트로피 오차 계산
-        Memory-->>Pipeline: 저장 완료
+    Eval-->>Predict: 사후분포 업데이트
-    else 무시 결정 (z=0)
-        Pipeline->>Pipeline: 폐기
-    end
-    
-    Pipeline-->>User: 감정 응답
 ```
 
 ### 4.2 중요도 결정 방식
@@ -187,16 +236,25 @@ sequenceDiagram
 
 ## 7. 공감 시스템
 
-### 7.1 전략 선택
+### 7.1 Inside Out 기반 공감 전략
-- 감정 임베딩 거리 계산
+**기본정서 대응**:
-- 전략별 효과성 (Beta 분포)
+- Joy → 함께 기뻐하기, 축하
-- Thompson Sampling으로 전략 선택
+- Sadness → 위로, 경청
-- 사용자 반응으로 업데이트
+- Anger → 이해와 진정
+- Fear → 안심시키기, 지지
+- Disgust → 경계 존중
 
-### 7.2 뉘앙스 감지
+**사회기능 대응**:
-- 표면 텍스트 vs 행동 신호
+- Anxiety → "불안은 준비 신호" (Inside Out 2 통찰)
-- Hidden Markov Model로 잠재 감정 추론
+- Envy → 성장 동기로 전환
-- 신뢰도 기반 결정
+- Embarrassment → 정상화, 수용
+- Ennui → 새로운 자극 제안
+
+### 7.2 예측 기반 선제적 공감
+- 감정 전환 예측 (Sadness → Anger 가능성)
+- 선제적 개입 (전환 전 완화)
+- Thompson Sampling으로 전략 선택
+- 실제 효과로 베이지안 업데이트
 
 ## 8. 성능 지표
 
@@ -213,22 +271,26 @@ sequenceDiagram
 ## 9. 구현 우선순위
 
 ### Phase 1: 기초 구축
+- Inside Out 9개 감정 정의 (기본 5 + 사회 4)
 - 감정 임베딩 모델 선택 및 통합
-- ChromaDB에 임베딩 저장 구조 구현
+- ChromaDB에 2축 감정 저장 구조
 - 기본 엔트로피 계산기
 
-### Phase 2: 통합 파이프라인
+### Phase 2: 예측-평가 시스템
-- 수학-임베딩-LLM 3중 구조
+- 기본정서 예측 모듈 (100ms)
+- 사회기능 예측 모듈 (500ms)
+- 예측 오차 계산 및 로깅
+- 엔트로피 특이점 탐지
+
+### Phase 3: 통합 파이프라인
+- 2축 병렬 처리 구현
 - 베이지안 증거 결합
 - Thompson Sampling 구현
+- 실시간 사후분포 업데이트
 
-### Phase 3: 학습 시스템
+### Phase 4: 학습 및 최적화
-- 온라인 사후분포 업데이트
+- 온라인 학습 시스템
-- 계층적 베이지안 모델
+- 개인화된 감정 모델
-- 사용자별 개인화
-
-### Phase 4: 최적화
-- 임베딩 차원 축소 (필요시)
 - 추론 속도 개선
 - 메모리 효율화
 
@@ -254,6 +316,19 @@ sequenceDiagram
    - 실시간 vs 배치
    - 리소스 vs 반응성
 
+## 12. Inside Out 모델의 학술적 근거
+
+### 과학 자문진
+- **폴 에크먼** (UC San Francisco): 기본정서 이론 창시자
+- **대처 켈트너** (UC Berkeley): 사회기능 감정 이론
+- **리사 다무어** (임상심리학): 청소년 발달과 불안
+
+### 핵심 통찰
+1. **감정은 다층적**: 즉각적 기본정서 + 사회적 메타정서
+2. **불안은 기능적**: 미래 대비 신호로 재해석 (Inside Out 2)
+3. **감정 충돌이 성장**: 예측 오차가 클 때 학습 기회
+4. **개성은 감정 혼합비**: 같은 상황, 다른 감정 조합
+
 ---
 
-*이 설계는 함수형 프로그래밍 원칙을 지키면서 베이지안 추론과 감정 임베딩을 통합한 적응형 시스템입니다. 하드코딩 없이 데이터에서 학습하며, 엔트로피 특이점을 포착해 중요한 감정을 기억합니다.*
+*이 설계는 픽사 Inside Out의 2축 감정 모델을 기반으로, 함수형 프로그래밍과 베이지안 추론을 통합한 예측-평가 적응형 시스템입니다. 로빙이 사용자 반응을 예측하고 평가하며 진화하는 진정한 디지털 동료가 됩니다.*