[Obsidian] Machine Learning Map of content 만들기

Introduction

최근 machine learning을 공부하면서 노트가 점점 쌓이기 시작했고, 보다 효율적인 지식 관리와 빠른 접근성을 위해 Map of Contents (MOC)를 재구성하기로 결정했습니다. MOC는 저의 지식을 체계적으로 탐색하기 위한 일종의 지도 역할을 합니다. 그러나 기존 MOC 체계에는 많은 문제점이 있었습니다. 불필요한 정의, 무의미한 태그, 잘못된 예시들이 포함되어 있어 정보 접근을 오히려 방해하고 있었습니다. 이는 Obsidian 템플릿을 이용해 AI를 통해 대략적으로 MOC를 구성했고, 제가 machine learning에 대한 지식이 부족했던 초기 단계에서 MOC를 구성했기 때문에 현재의 제 지식과 일치하지 않는 부분들이 생길 수 박에 없었습니다.

처음 MOC를 만들었을 때는 단순히 최대한 많은 정보를 포함시키는 데만 초점을 두었습니다. 관련된 노트들이 있다면 연결을 하는데에 집중을 했습니다. 그러나 정보의 양이 증가함에 따라 실제로 중요한 정보에 빠르게 접근하는 것이 어려워졌습니다. 각 노트 간 연결성이 부족하고 전체 구조가 복잡해지면서 효율적인 지식 탐색이 불가능해졌습니다. 이런 문제를 해결하기 위해 MOC를 재구성하기로 했으며, 목표는 지식의 체계적 관리와 빠른 접근성 확보였습니다.

제 지식 사이에서 길을 알려주는 지도인데, 관리가 제대로 되지 않으니, 점점 찾지 않게 되고 점점 의미가 없어지는 것을 보았습니다.

MOC란 무엇인가?

MOC는 유튜버 Nick Milo가 제시한 개념으로, 자신의 지식을 찾고 탐색할 때 사용하는 지도를 의미합니다. MOC는 서로 다른 정보들을 맥락적으로 연결하여 전체적인 그림을 볼 수 있게 도와줍니다. 이를 통해 개별적인 정보들이 어떻게 서로 연결되어 있는지를 파악하고, 필요한 정보를 보다 쉽게 탐색할 수 있습니다.

MOC는 단순히 노트들의 집합이 아니라, 정보들이 맥락적으로 연결되어 있는 구조라고 합니다. 이러한 맥락적 연결은 지식을 체계적으로 확장하고 탐구하는 데 중요한 역할을 합니다. MOC는 여러 개념을 하나의 큰 그림으로 통합하여 정보를 체계적으로 관리하고 필요한 순간에 빠르게 접근할 수 있도록 돕습니다. 즉 미래의 내가 다시 이 노트를 꺼내 쓸 때 빠르게 맥락을 복구 할 수 있고, 결과적으로 과거의 저와 협업하는 듯한 기능을 합니다.

 

MOC를 언제 사용해야 하는가에 대한 질문에 대해, Nick Milo는 프로젝트가 복잡해져서 혼란스럽고 정체되었을 때라고 말을 합니다. 프로젝트 진행 중 여러 개의 관련된 노트가 산발적으로 흩어져 있을 때, 이 노트들을 연결하고 맥락을 부여하고, 체계를 만들어 가는 것입니다. 핵심은 본인이 인지적으로 노트들을 엮는 과정이 수반 되어야 합니다.

 

https://notes.linkingyourthinking.com/Cards/Mental+Squeeze+Point

특히, 프로젝트가 정신적으로 압박 지점(Mental Squeeze Point)에 도달했을 때, MOC를 새로 만들어 이러한 복잡성을 정리합니다. 정신적 압박 지점이란 정리되지 않은 정보의 양이 너무 많아 혼란을 초래하고, 프로젝트를 포기하고 싶어지는 상태를 의미합니다. 이를 극복하기 위해 MOC는 반드시 필요합니다. 이러한 MOC의 활용은 프로젝트를 다시 원활히 진행할 수 있도록 도와주는 핵심적인 방법이라 합니다.

 

저의 경우, 초기에 AI를 사용해 태그를 자유롭게 생성하도록 했던 결과, 태그가 2000개가 넘는 상황이 발생했습니다. 이렇게 많은 태그는 실제로 거의 사용되지 않았으며, 오히려 접근성을 떨어뜨렸습니다.또한, 기존 MOC가 정보의 지도가 아닌, 개념을 단순히 설명하는 긴 노트가 되어버려서 본래 의도했던 '지식 탐색 지도'의 기능을 제대로 수행하지 못했던 이유였습니다. 본질은 정보를 체계적으로 정리하여 필요할 때 신속하게 접근할 수 있도록 하는 것인데 말이죠

진행 과정

먼저 Cursor를 사용해서 초반 MOC를 구성하였습니다. 옵시디언의 노트들은 Markdown이고 로컬에 저장 되기 때문에 cursor에서 바로 그 간의 자료들을 활용 할 수 있습니다. Cursor Composer를 사용해서 작성한 노트들을 분석하여 실제로 존재하는 파일과 링크를 연결할 수 있기 때문에, 대략적인 MOC를 구성하는 데 큰 도움이 되었습니다. 또한 제안한 변경 사항을 바로 Obsidian 노트에 반영할 수 있기 때문에 노트 리팩토링에 유리합니다.

Cursor에게 대략적인 MOC를 제공 받고, Smart Connections10이나 관련 노트들을 검색해서 제가 다시 체계를 세우고 마지막으로 다시 Cursor로부터 피드백을 받았습니다.

제가 고민했던 포인트는 중복 되는 개념을 어떻게 처리해야 할 것인가?였습니다. 도서관에서 책을 정리하듯이 이상적으로 노트를 분류하는 것이 항상 가능하지는 않았기 때문입니다. MECE11하게 분리가 되지 않았던 것입니다. 결론적으로 디지털의 장점을 살려서 여러 개의 책꽂이에 동시에 들어갈 수 있는 개념과 노트들이라면, 양 쪽에 모두 꽂으면 되겠다 생각하여, 중복 되더라도 추후에 제가 맥락을 찾는데 도움이 된다 판단이 되면 노트를 연결하였습니다.

예를 들어, '의사결정 나무'와 같은 machine learning 알고리즘은 데이터 분석, 예측 모델링, 알고리즘 학습 등 여러 맥락에서 참조될 수 있습니다. 이러한 다양한 맥락을 반영하기 위해 해당 개념을 여러 곳에 중복하여 배치하는 것이 필요했습니다. 정보를 중복해서라도 다양한 맥락에서 유용하게 접근할 수 있도록 하는 것이 궁극적으로 더 효율적이라고 결론 내렸습니다.

 

가장 만족스러웠던 순간은 중복된 노트들을 합치는 순간이었습니다. 'Entropy', '엔트로피', 'Entropy(엔트로피)'와 같이 같은 목적을 가진 노트들을 하나로 병합함으로써 흩어져 있던 지식이 통합되고 명확해졌습니다.

 

MOC의 본질은 지식을 빠르게 파악하고, 과거의 저 자신이 기록해 놓은 내용을 효과적으로 복기하는 것입니다. 깔끔한 구조보다는 연결성과 맥락의 흐름이 더 중요했습니다. 따라서 개념을 인위적으로 분리하기보다는 서로 통합하고, 관련성을 명확히 하여 이해도를 높이는 데 중점을 두었습니다. 이러한 접근 방식은 제 지식의 확장과 깊이 있는 복습에 큰 도움을 주었고, 지식을 깊이 탐구할 수 있는 기반을 마련해 주었습니다.

결론

이번 과정을 통해 지식 관리의 본질에 대해 다시 생각해보게 되었습니다. 단순히 깔끔하고 보기 좋은 구조를 추구하는 것이 아니라, 미래의 제가 지식에 쉽게 접근하고, 빠르게 이해하고 활용할 수 있도록 만드는 것이 중요하다는 것을 깨달았습니다.

 

 

이는 AI나 외부 자료가 아닌 저의 인지적 노력이 필요하다는 점에서도 중요합니다. 인터넷에 수많은 자료가 있지만, 그것들을 어떻게 연결하고 유지할지는 결국 저의 몫이었습니다. MOC를 재구성하면서 배운 것은 지식은 단순히 정리하는 것이 아니라, 맥락을 통해 연결하고 유용하게 만드는 것입니다. 앞으로 이 노트를 다시 보게 될 때, 쉽게 이해하고 활용할 수 있도록 맥락을 유지하며 정보를 연결해 놓는 것이 중요합니다.

이러한 방식으로 더욱 효율적이고 의미 있는 지식 체계를 구축할 수 있을 것입니다. machine learning 수업과 인턴 경험을 바탕으로 MOC를 구성하면서, 지식의 체계적 관리와 인지적 부담을 줄이는 방향으로 노트를 구성하는 것이 중요하다는 점을 느꼈습니다.

다가올 최종 시험을 준비하며 공부 할게 많다 싶었는데 MOC를 만들면서 양이 줄어듬을 느꼈습니다. 다음 스텝으로는 현재의 MOC는 초안 단계이기 때문에 개념들 위주로 묶었는데 공부하면서 들었던 궁금증, 질문 등을 기록해둔 노트들도 연결할 계획입니다