DOCS/ideas/250807_로빙_감정_시스템_설계도.md

로빙 감정 시스템 설계도 - 함수형 + 베이지안 적응형

작성일: 2025-08-07 (2025-08-08 개정)
작성자: happybell80 & Claude
상태: Inside Out 2축 모델 통합, 예측-평가 피드백 루프 추가

1. 핵심 철학

설계 원칙

• 감정은 시공간의 엔트로피 변화다: 감정 벡터의 엔트로피가 증가하는 방향이 시간, 벡터 차원이 공간
• 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

• 감정 임베딩: 768차원 벡터 (사전학습 모델 사용) - 핵심 표현
• 엔트로피 궤적: 시간에 따른 엔트로피 변화 추적
• 베이지안 파라미터: Beta, Gamma, Dirichlet 분포로 학습

2.2 Inside Out 기반 2축 감정 모델

• 기본정서 축 (에크먼, Inside Out 1):

  • 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

• 통합 방식: 768차원 임베딩에서 9개 감정 레이블 추출

2.3 감정 동역학

• 감정 변화율 = α(흡수율) × 평가 - δ(감쇠율) × 현재감정
• α와 δ는 Beta 분포에서 Thompson Sampling
• 기본정서는 빠른 α, 사회기능은 느린 α로 차별화
• 사용자 피드백으로 사후분포 업데이트

3. 감정 임베딩 활용

3.1 임베딩 획득

• 사전학습 모델: EmoRoBERTa, GoEmotions BERT 등 활용
• 도메인 파인튜닝: 로빙 대화 로그로 continual learning
• 대조학습: 유사 감정은 가깝게, 반대 감정은 멀게

3.2 ChromaDB 통합

• 저장 구조:

  • 감정 임베딩 벡터 (768차원)
  • Inside Out 감정 분포 (9차원: 기본 5 + 사회 4)
  • 엔트로피 점수
  • 타임스탬프와 메타데이터

• 검색 전략:

  1. 현재 감정 임베딩으로 top-k 코사인 유사도 검색
  2. 엔트로피 기반 중요도 필터링
  3. 시간 가중치 적용
  4. 베이지안 결합으로 최종 선택

3.3 임베딩 기반 클러스터링

• DBSCAN으로 감정 클러스터 발견
• 사용자별 감정 어트랙터 맵핑
• 클러스터별 공감 전략 사전 계산

4. 예측-평가 피드백 루프

4.1 예측 시스템

예측 대상:

• 사용자의 감정 변화 (기본정서 → 사회기능 전환)
• 응답 길이와 패턴 (짧은 답변 vs 긴 대화)
• 다음 주제 전환 확률
• 대화 종료 가능성

베이지안 예측 모델:

# 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

sequenceDiagram
    participant User
    participant Pipeline
    participant Basic as 기본정서<br/>(에크먼)
    participant Social as 사회기능<br/>(켈트너)
    participant Predict as 예측 모듈
    participant ChromaDB
    participant LLM
    participant Eval as 평가 모듈
    
    User->>Pipeline: 텍스트 입력
    
    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 사례
    
    alt 불확실성 높음
        Pipeline->>LLM: 의미 분석 요청
        LLM-->>Pipeline: 감정 해석
    end
    
    Pipeline-->>User: 감정 인식 답변
    User-->>Pipeline: 실제 반응
    
    Pipeline->>Eval: 예측 vs 실제
    Eval->>Eval: 엔트로피 오차 계산
    Eval-->>Predict: 사후분포 업데이트

5.3 중요도 결정 방식

• 잠재 중요도 z ∈ {0,1}
• 관측: m(엔트로피), e(임베딩 거리), l(LLM 점수)
• 베이지안 추론으로 P(z=1|m,e,l) 계산
• Thompson Sampling으로 저장/무시 결정

6. 베이지안 학습 시스템

6.1 파라미터 학습

• 윈도우 크기: Poisson 분포, TD-Error 기반 적응
• 가중치: Dirichlet 분포, 사용자 피드백으로 업데이트
• 임계값: Beta 분포, 성능 지표로 조정

6.2 계층적 모델

• 조직 레벨: 글로벌 사전분포
• 팀 레벨: 팀별 특성 학습
• 개인 레벨: 개인화된 사후분포

6.3 온라인 업데이트

• 실시간 사후분포 갱신
• 지연 피드백 처리 (backward update)
• 불확실성 기반 탐색-활용 균형

6.4 학습 플로우

flowchart TD
    A[사용자 피드백] --> B{피드백 타입}
    B -->|명시적| C[즉시 업데이트]
    B -->|암묵적| D[증거 누적]
    
    C --> E[사후분포 계산]
    D --> F[신뢰도 가중치]
    F --> E
    
    E --> G{계층 레벨}
    G -->|개인| H[개인 파라미터 업데이트]
    G -->|팀| I[팀 사전분포 조정]
    G -->|조직| J[글로벌 사전분포 조정]
    
    H --> K[Thompson Sampling]
    I --> K
    J --> K
    
    K --> L[다음 행동 결정]

7. 감정-기억 통합

7.1 저장 결정

• 엔트로피 특이점 검사
• 임베딩 클러스터 거리
• 베이지안 중요도 추론
• Thompson Sampling으로 최종 결정

7.2 회상 메커니즘

• 임베딩 기반 빠른 검색 (ChromaDB)
• 엔트로피 가중 재순위화
• MMR로 다양성 보장
• 시간 감쇠 적용

7.3 기억 회상 시퀀스

sequenceDiagram
    participant Query as 현재 감정
    participant ChromaDB
    participant Filter as 필터링
    participant Ranking as 재순위화
    participant Response
    
    Query->>ChromaDB: 감정 임베딩 벡터
    ChromaDB->>ChromaDB: 코사인 유사도 검색
    ChromaDB-->>Filter: top-100 후보
    
    Filter->>Filter: 엔트로피 점수 확인
    Filter->>Filter: 시간 가중치 적용
    Filter-->>Ranking: 필터링된 후보 (20-30개)
    
    Ranking->>Ranking: MMR 다양성 계산
    Ranking->>Ranking: 베이지안 결합
    Ranking-->>Response: 최종 5-10개 기억
    
    Response-->>Query: 관련 기억 반환

8. 공감 시스템

8.1 Inside Out 기반 공감 전략

기본정서 대응:

• Joy → 함께 기뻐하기, 축하
• Sadness → 위로, 경청
• Anger → 이해와 진정
• Fear → 안심시키기, 지지
• Disgust → 경계 존중

사회기능 대응:

• Anxiety → "불안은 준비 신호" (Inside Out 2 통찰)
• Envy → 성장 동기로 전환
• Embarrassment → 정상화, 수용
• Ennui → 새로운 자극 제안

8.2 예측 기반 선제적 공감

• 감정 전환 예측 (Sadness → Anger 가능성)
• 선제적 개입 (전환 전 완화)
• Thompson Sampling으로 전략 선택
• 실제 효과로 베이지안 업데이트

9. 성능 지표

9.1 임베딩 품질

• Triplet Accuracy: 같은 감정이 임베딩 공간에서 가까운 비율
• Retrieval NDCG@k: 관련 기억 검색 정확도
• 클러스터 순도: 감정 클러스터의 일관성

9.2 예측 정확도

• KL Divergence: 예측 vs 실제 감정 분포
• 시간 예측 오차: 감정 전환 타이밍
• 학습 수렴 속도: 예측 개선 속도

9.3 시스템 성능

• 엔트로피 감소율: 중요 순간 포착 능력
• 베이지안 캘리브레이션: 확률 예측의 정확도
• 적응 속도: 사용자별 수렴 시간

10. 구현 우선순위

Phase 1: 기초 구축

• Inside Out 9개 감정 정의 (기본 5 + 사회 4)
• 감정 임베딩 모델 선택 및 통합
• ChromaDB에 2축 감정 저장 구조
• 기본 엔트로피 계산기

Phase 2: 예측-평가 시스템

• 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 4: 학습 및 최적화

• 온라인 학습 시스템
• 개인화된 감정 모델
• 추론 속도 개선
• 메모리 효율화

11. 기술 스택

• 임베딩 모델: Hugging Face Transformers
• 벡터 DB: ChromaDB (이미 사용 중)
• 베이지안 추론: Pyro (경량) 또는 TFP (대규모)
• 함수형 구조: 순수 함수 + I/O 분리 패턴

12. 주요 결정 사항

1. 임베딩 모델 선택:

   • 한국어 지원 여부
   • 모델 크기 vs 성능
   • 라이선스

2. 임베딩 차원:

   • 768차원 그대로 vs PCA 축소
   • 저장 공간 vs 표현력

3. 업데이트 주기:

   • 실시간 vs 배치
   • 리소스 vs 반응성

13. 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 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.