tau_grid

후보 유사도 임계값 τ 측정

Jira 작업. 결론과 수치는 구현 리포트에 있고, 이 문서는 어떻게 다시 돌리는가만 적는다.

왜 emb_grid 를 그대로 쓰지 않았나

tools/emb_grid 는 조건마다 전량 재시딩한다. 임베딩 모델·차원이 조건이라 벡터를 다시 만들 수밖에 없기 때문이다. τ 는 임베딩을 바꾸지 않는다 — 후보 선정에만 걸린다. 그대로 쓰면 조건마다 AI API 임베딩 42회를 이유 없이 다시 쓴다.

대신 벡터를 한 번 떠서 굳히고 τ 를 오프라인으로 훑는다. 구조(조건 정본·사전 검증·JSON 산출)는 emb_grid 를 따랐다.

파일

matrix.py	DB 에서 42×27 유사도와 현행 판정을 떠서 .tau/matrix.json 으로 굳힌다
sweep.py	분포와 τ 격자. DB 도 AI API 도 부르지 않는다
labels.yaml	현행 판정 83행의 적합성 라벨. 판정 기준이 머리말에 있다
score.py	라벨을 붙여 오분류 감소분과 정상 판정 누락분을 함께 센다
probe_gate.py	무관·짧은정상 본문을 임베딩해 Context 게이트 γ 가 둘을 가르는지 본다
verify_reconstruction.py	오프라인 재구성이 실제 재판정과 얼마나 어긋나는지. 대조군을 함께 돌린다

실행

cd ai
export DATABASE_URL="postgresql://pinlog:pinlog-local@localhost:15432/pinlog"

.venv/Scripts/python.exe tools/tau_grid/matrix.py       # AI API 호출 없음. DB 만 읽는다
.venv/Scripts/python.exe tools/tau_grid/sweep.py        # 파일만 읽는다
.venv/Scripts/python.exe tools/tau_grid/score.py        # 파일만 읽는다

DATABASE_URL 을 반드시 준다. .env 는 07-27 잔재로 :5433 을 가리키는데 그쪽에는 데이터가 없어 재고 「0건」을 결론으로 낸다. matrix.py 가 :15432 가 아니면 멈춘다(T33).

.venv/Scripts/python.exe 를 쓴다. python 은 시스템 Python 을 타고 의존성이 없다(T29).

AI API 를 부르는 둘

.venv/Scripts/python.exe tools/tau_grid/probe_gate.py                      # 임베딩 16회
.venv/Scripts/python.exe tools/tau_grid/verify_reconstruction.py --tau 0.34  # 판정 81회

verify_reconstruction.py 는 DB 를 건드리지 않는다. 재시딩도 서버 기동도 없이 judge 를 직접 부르고 비교만 한다. 대조군(τ=0.30 재판정)이 절반을 차지하는데 그것을 빼면 안 된다 — 같은 τ 로도 Context 26% 가 흔들리므로 대조군 없이는 차이가 τ 때문인지 가릴 수 없다(T39).

데이터가 바뀌면

context_id 는 시딩 시점에 정해진다. 재시딩하면 labels.yaml 의 참조가 어긋나고 score.py 가 재지 않고 멈춘다(라벨과 판정의 대조를 먼저 한다). 그때는 matrix.py 를 다시 돌리고 본문 기준으로 라벨을 다시 맞춘다.

라벨에 이의가 있으면 labels.yaml 의 해당 행만 고치고 score.py 를 다시 돌리면 된다. AI API 는 부르지 않는다.