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**:
```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 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

```mermaid
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

```mermaid
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.*