The Cartography of Understanding - Why Does Knowledge Need a Map?

 A vast luminous map emerges within a dark void, connecting isolated fragments of information into a navigable architecture through which knowledge can become understanding.

The Cartography of Understanding: Why Does Knowledge Need a Map?

Explore how knowledge architecture turns fragmented information into structured understanding.

Why Does Information Need a Map?

Digital networks, libraries, scientific databases, archives, and media systems produce and preserve information at a scale and speed that earlier societies could not technologically sustain. Exact comparisons across all civilizations are impossible, but the expansion of recorded and reproducible material is evident.

Greater access does not automatically produce understanding. A person may retrieve thousands of sources without knowing which are reliable, relevant, independent, or appropriate to the question being asked. Search reduces the difficulty of discovery but does not complete the work of evaluation.

Information can sometimes be useful in isolation, but complex interpretation requires context. A date gains historical significance through chronology and events. A measurement requires a unit, method, uncertainty, and object of measurement. A quotation requires a source and circumstances of use.

A map is an instructive metaphor because it represents selected relationships rather than reproducing an entire territory. Scale, purpose, symbols, boundaries, direction, and projection determine what a map makes visible. Information excluded from one map may be essential to another.

‘Knowledge architecture’ is not one universally defined academic discipline. In this essay, it refers to the deliberate organization of facts, concepts, sources, questions, categories, and relationships so that people can locate information, evaluate its context, and move among connected areas of inquiry.

Such an architecture does not eliminate complexity. It reduces or represents selected dimensions of complexity for particular purposes. A structure designed for elementary education will differ from one designed for legal research, scientific discovery, or archival preservation.

Without contextual relations, information can remain difficult to interpret or reuse. With an appropriate map, separate materials can be compared without being falsely treated as identical. The map supports movement through knowledge, but it remains a representation that must be tested against its sources.

How Does Classification Become Relational?

Human beings have organized recorded knowledge through lists, catalogs, genres, subjects, names, and hierarchies for centuries. Ancient bibliographic systems, encyclopedias, library classifications, academic disciplines, metadata standards, search indexes, ontologies, and knowledge graphs represent different historical solutions to problems of organization.

Classification supports location, retrieval, browsing, comparison, and communication. It may group entities by shared attributes or place them within a hierarchy. These benefits depend on stable definitions and sufficient agreement among the people who create and use the scheme.

The boundary between classification and architecture is not absolute. Classification systems can represent hierarchical and associative relationships, while information architecture includes categorization, labeling, navigation, and search. Architecture is useful here as a broader metaphor for how these components work together.

Disciplines also interact without becoming interchangeable. Historical research can draw upon political philosophy, while scientific developments occur within social institutions. Narratives influence identity, and identities affect preservation. These connections do not remove differences in evidence, method, or explanatory purpose.

Knowledge is therefore neither a row of sealed containers nor one completely unified network. Fields have boundaries that protect specialized methods, while shared problems, concepts, instruments, and data can cross those boundaries. The legitimacy of each crossing must be argued rather than assumed.

A useful architecture preserves distinctions and represents justified relations. If categories become too broad, important differences disappear. If categories become too rigid, relevant materials may remain separated and interdisciplinary questions may become difficult to formulate.

Connection is not valuable merely because it is novel. A relation should specify its type: citation, causation, similarity, sequence, part-whole structure, dependence, disagreement, or common origin. Different relations support different conclusions.

Relational structures can contribute to discovery by revealing missing links, contradictions, clusters, or unexpected comparisons. Knowledge graphs and citation networks can support this work, but a displayed relation remains a representation or hypothesis until evidence establishes what the relation means.

When Does a Map Distort Knowledge?

Knowledge organization is not necessarily designed to deceive, and many systems seek consistent and equitable access. Nevertheless, every scheme makes choices about categories, terms, hierarchy, granularity, and inclusion. These choices reflect purposes, available knowledge, technical limits, and sometimes the assumptions of a particular period or community.

A map can clarify one task while distorting another. A broad category may improve simple retrieval but conceal internal diversity. A fixed hierarchy may make a provisional distinction appear permanent, and a clean visualization may hide uncertainty or disagreement.

Access to organized information should not be confused with understanding. Collecting facts, quotations, and statistics can support inquiry, but conclusions require source criticism, conceptual clarity, appropriate methods, and attention to alternative explanations.

Fragmented information can encourage false connections when chronology, scale, or context is ignored. Coincidence may suggest a hypothesis but does not prove causation. Resemblance may support comparison but does not establish identity or shared origin. Repetition may increase familiarity without establishing truth.

A reliable knowledge map therefore represents boundaries as well as links. It should indicate, where relevant, whether a statement is an observation, interpretation, model, disputed claim, or speculation. It should also identify differences in terminology and evidence standards across fields.

No map can display every uncertainty or perspective at once. Transparency requires documentation of scope, source, version, exclusions, and intended use. Users must be able to recognize where the structure is incomplete or unsuitable for a different question.

The goal is not to force every fact into one final system. It is to create enough order for evidence-based relationships to be distinguished from accidental or invented ones while leaving the structure open to correction.

Who Designs Knowledge Maps in the Age of AI?

AI systems can search, summarize, cluster, compare, and extract candidate relationships from quantities of material that exceed unaided individual reading. These capabilities can support research, but their performance depends on data quality, task definition, model design, evaluation, and the context of use.

Automated systems can identify recurring terms, named entities, citation patterns, chronological sequences, and semantic similarities. Knowledge graphs can represent entities and explicitly labeled relations. These tools can reveal materials or candidate connections that researchers might not otherwise locate.

A generated connection is not automatically a verified relationship. Statistical similarity may reflect common wording rather than common meaning, and extracted relations may contain errors. Important results require validation against original sources, domain knowledge, and appropriate methods.

Whether an AI system possesses understanding in the human sense remains philosophically and scientifically disputed. Operationally, a system can estimate relevance according to defined criteria. It cannot be assumed from fluent output alone that it appreciates historical significance, ethical consequence, or the reasons a distinction matters to affected people.

Designers, librarians, archivists, researchers, institutions, and users all influence a knowledge system. They choose or challenge categories, metadata, interfaces, ranking criteria, access rules, and questions. Authority is therefore distributed, although some participants possess far greater power than others.

Design priorities imply assumptions about use but do not determine one complete theory of the human being. A fast retrieval system may also support inquiry, and an educational system may combine authoritative content with revision. Its effects must be evaluated through actual design, governance, and use.

A knowledge architecture should not present itself as the final map for every mind. New evidence, changing terminology, previously excluded perspectives, and revised purposes may require categories and relationships to change. Versioning and documented revision are therefore part of reliable structure.

A strong architecture is stable enough to support location and comparison but flexible enough to record disagreement and change. Its purpose is not efficiency alone. It should help people identify where a claim came from, how it relates to other claims, how strongly it is supported, and what remains unknown.

Every generation inherits classifications and builds new ones. The decisive question is not whether the next map contains more information. It is whether those who use it can examine its sources, recognize its limits, compare alternative routes, and revise the map when the intellectual territory no longer fits its lines.

References

Bowker, Geoffrey C., and Susan Leigh Star. 1999. ‘Sorting Things Out: Classification and Its Consequences’. MIT Press.

Buckland, Michael K. 1991. ‘Information as Thing’. ‘Journal of the American Society for Information Science’ 42 (5): 351–360. DOI: 10.1002/(SICI)1097-4571(199106)42:5<351::AID-ASI5>3.0.CO;2-3.

Floridi, Luciano. 2011. ‘The Philosophy of Information’. Oxford University Press.

Hjørland, Birger. 2008. ‘What Is Knowledge Organization?’. ‘Knowledge Organization’ 35 (2–3): 86–101. DOI: 10.5771/0943-7444-2008-2-3-86.

Hogan, Aidan, et al. 2021. ‘Knowledge Graphs’. ‘ACM Computing Surveys’ 54 (4): Article 71. DOI: 10.1145/3447772.

Korzybski, Alfred. 1933. ‘Science and Sanity: An Introduction to Non-Aristotelian Systems and General Semantics’. International Non-Aristotelian Library Publishing Company.

Kuhn, Thomas S. 2012. ‘The Structure of Scientific Revolutions’. Fourth edition. University of Chicago Press.

Lakoff, George. 1987. ‘Women, Fire, and Dangerous Things: What Categories Reveal About the Mind’. University of Chicago Press.

Olson, Hope A. 2002. ‘The Power to Name: Locating the Limits of Subject Representation in Libraries’. Kluwer Academic Publishers.

Rosenfeld, Louis, Peter Morville, and Jorge Arango. 2015. ‘Information Architecture: For the Web and Beyond’. Fourth edition. O’Reilly Media.

Wilkinson, Mark D., et al. 2016. ‘The FAIR Guiding Principles for Scientific Data Management and Stewardship’. ‘Scientific Data’ 3: 160018. DOI: 10.1038/sdata.2016.18.

National Institute of Standards and Technology. 2023. ‘Artificial Intelligence Risk Management Framework (AI RMF 1.0)’. NIST AI 100-1. DOI: 10.6028/NIST.AI.100-1.

National Institute of Standards and Technology. 2024. ‘Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile’. NIST AI 600-1. DOI: 10.6028/NIST.AI.600-1.

어두운 공허 속에서 거대한 빛의 지도가 모습을 드러내며, 고립된 정보의 파편들을 인간이 탐색할 수 있는 하나의 아키텍처로 연결하여 지식이 이해로 전환되는 과정을 보여준다.

이해의 지도학: 지식에는 왜 지도가 필요할까?

지식 아키텍처가 파편화된 정보를 구조화된 이해로 바꾸는 방식을 살펴봅니다.

정보에는 왜 지도가 필요할까?

디지털 네트워크, 도서관, 과학 데이터베이스, 기록물과 미디어 시스템은 이전 사회가 기술적으로 유지하기 어려웠던 규모와 속도로 정보를 생산하고 보존합니다. 모든 문명의 정보량을 정확하게 비교할 수는 없지만 기록하고 복제할 수 있는 자료가 크게 증가했다는 사실은 분명합니다.

접근성이 높아진다고 이해가 자동으로 생기는 것은 아닙니다. 사람은 수천 개의 자료를 검색하고도 어떤 자료가 신뢰할 만하고, 관련성이 있으며, 서로 독립적이고, 현재의 질문에 적합한지 판단하지 못할 수 있습니다. 검색은 발견의 어려움을 줄이지만 평가 작업을 완성하지는 않습니다.

정보는 때로 독립된 상태에서도 유용할 수 있지만, 복잡한 해석에는 맥락이 필요합니다. 날짜는 연대와 사건을 통해 역사적 의미를 얻습니다. 측정값에는 단위, 방법, 불확실성과 측정 대상이 필요합니다. 인용문에는 출처와 사용된 상황이 필요합니다.

지도는 영토 전체를 복제하지 않고 선택된 관계를 나타내기 때문에 유용한 비유가 됩니다. 축척, 목적, 기호, 경계, 방향과 투영법은 지도에서 무엇이 보이는지를 결정합니다. 하나의 지도에서 제외된 정보가 다른 지도에서는 핵심적일 수 있습니다.

‘지식 아키텍처’는 보편적으로 정의된 하나의 독립 학문 분야가 아닙니다. 이 글에서는 사람들이 정보를 찾고, 맥락을 평가하고, 서로 연결된 탐구 영역 사이를 이동할 수 있도록 사실, 개념, 출처, 질문, 범주와 관계를 의도적으로 조직하는 일을 뜻합니다.

이러한 아키텍처가 복잡성을 제거하는 것은 아닙니다. 특정한 목적을 위해 복잡성의 선택된 측면을 줄이거나 표현합니다. 초등교육을 위한 구조는 법률 연구, 과학적 발견 또는 기록 보존을 위한 구조와 달라집니다.

맥락적 관계가 없으면 정보를 해석하거나 다시 사용하기 어려울 수 있습니다. 적절한 지도가 있으면 서로 다른 자료를 같은 것으로 잘못 취급하지 않으면서 비교할 수 있습니다. 지도는 지식 안의 이동을 지원하지만 출처를 통해 검증해야 하는 표상으로 남습니다.

분류는 어떻게 관계적 구조가 될까?

인간은 수세기 동안 목록, 서지, 장르, 주제, 이름과 위계를 통해 기록된 지식을 조직해 왔습니다. 고대의 서지체계, 백과사전, 도서관 분류, 학문 분야, 메타데이터 표준, 검색 색인, 온톨로지와 지식 그래프는 조직의 문제에 대한 서로 다른 시대의 해결책입니다.

분류는 위치 파악, 검색, 탐색, 비교와 의사소통을 지원합니다. 공통 속성을 기준으로 대상을 묶거나 위계 안에 배치할 수 있습니다. 이러한 이점은 안정된 정의와 체계를 만들고 사용하는 사람들 사이의 충분한 합의에 의존합니다.

분류와 아키텍처 사이의 경계가 절대적인 것은 아닙니다. 분류체계는 위계관계와 연관관계를 나타낼 수 있으며, 정보 아키텍처에는 범주화, 명명, 탐색과 검색이 포함됩니다. 여기서 아키텍처는 이러한 구성 요소들이 함께 작동하는 방식을 가리키는 더 넓은 비유로 사용됩니다.

학문 분야들은 서로 동일해지지 않으면서도 상호작용합니다. 역사 연구는 정치철학을 이용할 수 있고, 과학적 발전은 사회제도 안에서 일어납니다. 서사는 정체성에 영향을 주며, 정체성은 보존에 영향을 줍니다. 이러한 연결이 증거, 방법이나 설명 목적의 차이를 제거하지는 않습니다.

따라서 지식은 밀폐된 상자들의 행렬도 아니며 완전히 통일된 하나의 연결망도 아닙니다. 분야에는 전문적인 방법을 보호하는 경계가 있지만, 공유된 문제, 개념, 도구와 데이터는 그 경계를 넘을 수 있습니다. 각각의 연결이 정당한지는 가정하지 말고 논증해야 합니다.

유용한 아키텍처는 구분을 보존하면서 근거 있는 관계를 나타냅니다. 범주가 지나치게 넓으면 중요한 차이가 사라집니다. 범주가 지나치게 경직되면 관련 자료가 분리된 채 남고 학제 간 질문을 만들기 어려워질 수 있습니다.

새롭다는 이유만으로 연결에 가치가 생기는 것은 아닙니다. 인용, 인과관계, 유사성, 순서, 부분과 전체, 의존, 불일치 또는 공통 기원처럼 관계의 종류를 명시해야 합니다. 서로 다른 관계는 서로 다른 결론을 뒷받침합니다.

관계적 구조는 누락된 연결, 모순, 집단 또는 예상하지 못한 비교를 드러내어 발견에 기여할 수 있습니다. 지식 그래프와 인용망은 이러한 작업을 지원할 수 있지만, 표시된 관계는 증거를 통해 그 의미가 확립되기 전까지 표상이나 가설로 남습니다.

지도는 언제 지식을 왜곡할까?

지식조직이 반드시 기만을 목적으로 설계되는 것은 아니며, 많은 체계는 일관되고 공정한 접근을 목표로 합니다. 그럼에도 모든 체계는 범주, 용어, 위계, 세분성 수준과 포함 범위에 관한 선택을 합니다. 이러한 선택은 목적, 이용 가능한 지식, 기술적 한계와 때로는 특정 시대나 공동체의 가정을 반영합니다.

하나의 지도는 어떤 과제를 명확하게 하면서 다른 과제를 왜곡할 수 있습니다. 넓은 범주는 단순 검색을 개선하면서 내부의 다양성을 감출 수 있습니다. 고정된 위계는 잠정적인 구분을 영구적인 것으로 보이게 하고, 깔끔한 시각화는 불확실성이나 의견 차이를 숨길 수 있습니다.

정리된 정보에 접근하는 일을 이해와 혼동해서는 안 됩니다. 사실, 인용문과 통계의 수집은 탐구를 지원할 수 있지만, 결론에는 출처 비판, 개념적 명료성, 적절한 방법과 대안적 설명에 대한 검토가 필요합니다.

파편화된 정보는 연대, 규모나 맥락을 무시할 때 거짓 연결을 조장할 수 있습니다. 우연은 가설을 제안할 수 있지만 인과관계를 입증하지는 않습니다. 유사성은 비교를 뒷받침할 수 있지만 동일성이나 공통 기원을 확립하지는 않습니다. 반복은 진실을 입증하지 않고 익숙함만 높일 수 있습니다.

따라서 신뢰할 수 있는 지식 지도는 연결과 함께 경계도 나타냅니다. 필요한 경우 하나의 진술이 관찰, 해석, 모형, 논쟁 중인 주장 또는 추정 가운데 어디에 속하는지 표시해야 합니다. 분야 사이의 용어와 증거 기준의 차이도 밝혀야 합니다.

어떤 지도도 모든 불확실성과 관점을 한 번에 보여 줄 수는 없습니다. 투명성을 확보하려면 범위, 출처, 버전, 제외 사항과 사용 목적을 문서화해야 합니다. 이용자는 구조가 불완전하거나 다른 질문에 적합하지 않은 부분을 알아볼 수 있어야 합니다.

목표는 모든 사실을 하나의 최종 체계에 강제로 넣는 것이 아닙니다. 근거에 기반한 관계를 우연하거나 창작된 관계와 구분할 수 있을 만큼 질서를 제공하면서 구조를 교정에 열어 두는 것입니다.

AI 시대에는 누가 지식 지도를 설계할까?

AI 시스템은 개인이 도움 없이 읽을 수 있는 범위를 넘어서는 자료를 검색하고, 요약하고, 군집화하고, 비교하고, 관계 후보를 추출할 수 있습니다. 이러한 능력은 연구를 지원할 수 있지만 성능은 자료의 품질, 과제 정의, 모델 설계, 평가와 사용 맥락에 의존합니다.

자동화된 시스템은 반복되는 용어, 개체명, 인용 패턴, 시간적 순서와 의미적 유사성을 식별할 수 있습니다. 지식 그래프는 개체와 명시적으로 이름 붙은 관계를 나타낼 수 있습니다. 이러한 도구는 연구자가 다른 방법으로는 발견하지 못했을 자료나 관계 후보를 드러낼 수 있습니다.

생성된 연결이 자동으로 검증된 관계가 되는 것은 아닙니다. 통계적 유사성은 공통된 의미가 아니라 공통된 표현을 반영할 수 있으며, 추출된 관계에도 오류가 포함될 수 있습니다. 중요한 결과는 원자료, 분야 지식과 적절한 방법을 통해 검증해야 합니다.

AI 시스템이 인간과 같은 의미의 이해를 지니는지는 철학적·과학적으로 논쟁 중입니다. 실무적으로 시스템은 정해진 기준에 따라 관련성을 추정할 수 있습니다. 유창한 출력만으로 그것이 역사적 중요성, 윤리적 결과 또는 특정한 구분이 영향을 받는 사람들에게 중요한 이유를 이해한다고 가정할 수는 없습니다.

설계자, 사서, 기록관리자, 연구자, 기관과 이용자가 모두 지식체계에 영향을 줍니다. 이들은 범주, 메타데이터, 인터페이스, 순위 기준, 접근 규칙과 질문을 선택하거나 변경을 요구합니다. 따라서 권한은 분산되어 있지만 일부 참여자는 다른 사람보다 훨씬 강한 권력을 지닙니다.

설계의 우선순위는 이용에 관한 가정을 포함하지만 하나의 완전한 인간관을 결정하지는 않습니다. 빠른 검색 시스템도 탐구를 지원할 수 있으며, 교육 시스템도 권위 있는 내용과 수정 가능성을 함께 제공할 수 있습니다. 실제 효과는 구체적인 설계, 운영과 사용을 통해 평가해야 합니다.

지식 아키텍처는 모든 사람이 따라야 할 최종 지도로 제시되어서는 안 됩니다. 새로운 증거, 변화한 용어, 이전에 배제된 관점과 수정된 목적은 범주와 관계의 변경을 요구할 수 있습니다. 따라서 버전 관리와 문서화된 수정은 신뢰할 수 있는 구조의 일부입니다.

강한 아키텍처는 위치 파악과 비교를 지원할 만큼 안정적이면서 의견 차이와 변화를 기록할 만큼 유연해야 합니다. 그 목적은 효율성에만 있지 않습니다. 주장의 출처, 다른 주장과의 관계, 근거의 강도와 아직 알려지지 않은 것을 사람들이 식별하도록 도와야 합니다.

모든 세대는 기존의 분류를 물려받고 새로운 분류를 만듭니다. 결정적인 질문은 다음 지도가 더 많은 정보를 포함하는가가 아닙니다. 그 지도를 사용하는 사람들이 출처를 검토하고, 한계를 인식하고, 다른 경로를 비교하며, 지적 현실이 지도의 선과 더 이상 일치하지 않을 때 그것을 수정할 수 있는가입니다.

참고문헌

보커, 제프리 C., 수전 리 스타. 1999. ‘분류하기: 분류와 그 결과’. MIT출판부. 

분류체계와 표준이 정보를 조직하는 동시에 사회적 범주와 가시성에 어떤 결과를 만드는지 분석한 연구서입니다.

버클랜드, 마이클 K. 1991. ‘사물로서의 정보’. ‘미국정보과학회지’ 42권 5호, 351–360쪽. DOI: 10.1002/(SICI)1097-4571(199106)42:5<351::AID-ASI5>3.0.CO;2-3. 

정보라는 개념이 지식뿐 아니라 문서와 증거로 기능하는 물리적 대상에도 적용될 수 있음을 분석한 논문입니다.

플로리디, 루치아노. 2011. ‘정보철학’. 옥스퍼드대학교출판부. 

정보의 정의, 의미, 진리, 지식과 윤리의 관계를 체계적으로 검토한 철학서입니다.

효를란, 비르거. 2008. ‘지식조직이란 무엇인가?’. ‘지식조직’ 35권 2–3호, 86–101쪽. DOI: 10.5771/0943-7444-2008-2-3-86. 

지식조직의 개념, 이론적 기반과 분류·색인·정보검색의 관계를 정리한 논문입니다.

호건, 에이던 외. 2021. ‘지식 그래프’. ‘ACM 컴퓨팅 서베이스’ 54권 4호, 논문 71. DOI: 10.1145/3447772. 

개체와 관계를 그래프 구조로 표현하고 다양한 자료를 통합·검색·추론하는 지식 그래프의 개념과 기술을 종합한 논문입니다.

코르지프스키, 앨프리드. 1933. ‘과학과 건전성: 비아리스토텔레스 체계와 일반의미론 입문’. 국제비아리스토텔레스도서출판사. 

지도는 영토와 동일하지 않다는 명제를 통해 표상과 실제 대상의 차이를 강조한 원전입니다.

쿤, 토머스 S. 2012. ‘과학혁명의 구조’. 제4판. 시카고대학교출판부. 

과학적 사실과 문제의 중요성이 패러다임과 학문공동체의 구조 안에서 어떻게 조직되고 변화하는지 분석한 과학사·과학철학의 주요 저작입니다.

레이코프, 조지. 1987. ‘여자, 불, 위험한 것들: 범주는 정신에 관해 무엇을 드러내는가’. 시카고대학교출판부. 

범주가 대상의 고정된 본질을 단순히 반영하는 것이 아니라 인간의 인지와 문화적 경험에 의해 구성될 수 있음을 분석합니다.

올슨, 호프 A. 2002. ‘이름 붙일 권력: 도서관 주제표현의 한계 찾기’. 클루어학술출판사. 

도서관의 명명과 분류체계가 특정 집단과 지식을 중심에 놓거나 주변화할 수 있는 방식을 비판적으로 분석합니다.

로젠펠드, 루이스, 피터 모빌, 호르헤 아랑고. 2015. ‘정보 아키텍처: 웹과 그 너머’. 제4판. 오라일리미디어. 

이용자가 정보를 찾고 이해할 수 있도록 조직, 명명, 탐색과 검색 체계를 설계하는 방법을 설명한 전문서입니다.

윌킨슨, 마크 D. 외. 2016. ‘과학 데이터 관리와 보존을 위한 FAIR 지침 원칙’. ‘사이언티픽 데이터’ 3권, 160018. DOI: 10.1038/sdata.2016.18. 

연구 데이터를 발견 가능하고, 접근 가능하고, 상호운용 가능하며, 재사용 가능하게 만들기 위한 공인 원칙을 제시한 논문입니다.

미국 국립표준기술연구소. 2023. ‘인공지능 위험관리 프레임워크 1.0’. NIST AI 100-1. DOI: 10.6028/NIST.AI.100-1. 

AI 시스템의 타당성, 신뢰성, 투명성, 편향과 책임성을 전체 수명주기에서 관리하기 위한 공인 지침입니다.

미국 국립표준기술연구소. 2024. ‘인공지능 위험관리 프레임워크: 생성형 인공지능 프로파일’. NIST AI 600-1. DOI: 10.6028/NIST.AI.600-1. 

생성형 AI의 허위정보, 정보 무결성, 편향, 검증과 실제 사용 환경의 위험을 다룬 공인 지침입니다.

Previous Episode - Umberto Eco’s Foucault’s Pendulum — Does Every Connection Create Meaning?

Related Label - Knowledge Architecture

Next Episode - How Do We Organize Knowledge About Reality? - Facts, Models, Interpretation, and AI