Incident Command Decision Intelligence
이 스킬은 어려운 부분이 옵션을 생성하는 것이 아니라, 상황이 실제로 필요한 인식, 분석, 정보 수집 및 조정 규율의 수준을 결정하는 것일 때 사용하세요.
사용 시기
- 시간 압박이 증가함에 따라 다중 에이전트 또는 인간-에이전트 시스템이 더 나쁜 결정을 내립니다.
- 각 구성 요소가 개별적으로는 유능해 보이지만 핸드오프, 명령 전달 또는 교차 팀 조정이 실패합니다.
- 정보가 불완전하고 다음에 무엇을 배워야 할지 아무도 모르기 때문에 시스템이 망설입니다.
- 사후 분석 또는 사례 연구 기반 훈련 세트가 회고적 합리화에 의해 오염되었을 수 있습니다.
- 자동, 규칙 기반 또는 완전 분석과 같은 행동 수준에 따라 작업을 라우팅해야 합니다.
NOT for Boundaries
이 스킬은 다음과 같은 경우 주요 렌즈가 아닙니다:
- 명확한 요구 사항과 의미 있는 불확실성이 없는 일상적인 구현 작업.
- 실행 중에 환경이 변경되지 않는 정적 단일 에이전트 작업.
- 철저한 최적화가 저렴하고 지연에 대한 패널티가 없는 문제.
- 전문가 판단, 조정 또는 압박 하의 행동을 포함하지 않는 순수 확률 추정 작업.
핵심 정신 모델
인식 전 열거
시간 압박 하에서 전문가는 일반적으로 순위가 매겨진 옵션 집합을 비교하지 않습니다. 그들은 상황 유형을 인식하고, 첫 번째 실행 가능한 대응을 표면화하고, 정신적으로 시뮬레이션하며, 시뮬레이션이 실패할 경우에만 검색 범위를 넓힙니다.
행동 수준 라우팅
Rasmussen의 수준을 라우팅 규율로 사용하세요:
- 기술 기반(Skill-based): 안정적이고 잘 훈련된 상황에 대한 자동 또는 컴파일된 응답.
- 규칙 기반(Rule-based): 중간 정도의 적응을 통한 패턴 트리거 규칙 적용.
- 지식 기반(Knowledge-based): 참신함, 모호함 또는 고위험 프레임 브레이크에 대한 명시적 추론.
핵심 위험은 불일치입니다. 기술 수준 작업에 대한 지식 기반 처리는 시간을 낭비합니다. 지식 수준 문제에 대한 기술 수준 자동화는 치명적인 오류입니다.
인식론적 불확실성
위기 상황에서 불확실성은 종종 본질적인 무작위성이 아니라 아직 알려지지 않은 것에 관한 것입니다. 질문은 확실성이 나타날 때까지 지연시키는 방법이 아니라, 어떤 누락된 사실이 행동을 가장 많이 바꿀 것인지가 됩니다.
회고적 왜곡
사례 연구 및 인터뷰는 실제로 일어난 일보다는 일어났어야 할 일을 재구성하는 경우가 많습니다. 관찰 추적은 깔끔한 사후 서사보다 더 많은 가중치를 받을 자격이 있습니다.
개인 우수성 대 시스템 신뢰성
훌륭한 국소적 판단이 시스템 수준의 성공을 보장하지는 않습니다. 경계 실패, 과부하된 채널 및 권한 불일치는 강력한 개인 결정을 압도할 수 있습니다.
의사 결정 포인트
diagrams/01_flowchart_decision-points.md에서 컴팩트한 라우팅 뷰를 참조하세요.
flowchart TD
A[의사 결정 문제] --> B{높은 시간 압박 또는 단편화된 정보?}
B -->|예| C{강력한 패턴 일치?}
B -->|아니오| D[일반적인 규칙 기반 또는 분석적 처리 사용]
C -->|예| E[인식 기반 행동 + 빠른 시뮬레이션]
C -->|아니오| F[지식 기반 추론 + 대상 프로브]
E --> G[업데이트 체크포인트와 함께 행동]
F --> G
1. 행동 레지스터 선택
- 기술 기반 처리는 상황이 진정으로 익숙하고, 시간 압박이 의미 있으며, 자동화가 이미 검증된 경우에만 사용하세요.
- 규칙 기반 처리는 알려진 플레이북이 적용되지만 여전히 상황별 매개변수화가 필요한 경우 사용하세요.
- 지식 기반 추론은 프레임이 논쟁 중이거나, 상황이 새롭거나, 잘못된 단순화가 높은 위험을 초래할 때 사용하세요.
2. 획득할 정보 결정
- 선택한 행동을 변경할 가능성이 가장 높은 하나의 누락된 사실을 식별하세요.
- 광범위한 탐색 검색 전에 그 사실을 획득하세요.
- 예측 가능한 프로브가 행동을 변경하지 않을 경우, 최상의 현재 추정치로 진행하고 명시적인 업데이트 체크포인트를 만드세요.
3. 에피소드로부터 배우는 방법 결정
- 세련된 회상보다 관찰 추적, 타임스탬프, 메시지 기록 및 행동 로그를 선호하세요.
- 의심스러울 정도로 깔끔한 설명은 실제 인지에 대한 근본 진실이 아니라 이상에 대한 교육 자료로 취급하세요.
- 사후 분석이 비난 할당으로 무너지지 않도록 행동 원인과 시스템 원인을 분리하세요.
실패 모드
1. 분석 마비
증상: 옵션 생성은 확장되지만 행동 품질은 향상되지 않습니다. 탐지 규칙: 새로운 대안이 계속 나타나지만 어떤 것도 단기 결정을 실질적으로 변경하지 않습니다. 복구: 첫 번째 실행 가능한 옵션의 인식 기반 시뮬레이션으로 전환하고 추가 검색에 시간 제한을 설정하세요.
2. 행동 수준 불일치
증상: 시스템이 안정적인 작업을 지나치게 추론하거나 참신함을 자동화합니다. 탐지 규칙: 응답 스타일이 상황의 실제 참신함과 모호함과 일치하지 않습니다. 복구: 도구나 모델을 변경하기 전에 작업을 SB, RB 또는 KB로 재분류하세요.
3. 정보 축적
증상: 시스템이 행동 계획을 변경하지 않고 계속 더 많은 데이터를 요청합니다. 탐지 규칙: 획득한 정보는 결정을 변경하기보다는 주로 신뢰도를 높입니다. 복구: 행동 영향에 따라 프로브 순위를 매기고 낮은 레버리지 데이터 수집을 중단하세요.
4. 회고적 과적합
증상: 훈련 또는 사후 분석 결론이 원래 사건보다 더 깔끔하고 합리적으로 변합니다. 탐지 규칙: 설명이 라이브 추적으로 약하게 지지되는 우아한 이야기로 수렴됩니다. 복구: 자기 보고 증거의 가중치를 낮추고 재구성된 단계 주변의 불확실성에 주석을 추가하세요.
5. 조정 블라인드 진단
증상: 모든 구성 요소가 로컬 검토를 통과하지만 전체 시스템은 여전히 실패합니다. 탐지 규칙: 실패가 핸드오프 또는 공유 채널에서 나타나더라도 설명이 개별 수준에 머물러 있습니다. 복구: 개별 행위자를 재훈련하기 전에 전송 지점, 역할 경계 및 정보 흐름을 감사하세요.
실제 예제
예제 1: 긴급 인시던트 라우팅
오케스트레이션 계층이 라이브 중단 중에 경고 버스트를 수신합니다. 순진한 시스템은 모든 가능한 응답자 시퀀스를 열거하고 정지합니다. 이 스킬을 사용하여 문제를 RB/KB 경계 작업으로 분류하고, 첫 번째 신뢰할 수 있는 격리 조치를 선택하고, 다음 세 단계를 시뮬레이션하며, 격리 선택을 뒤집을 수 있는 단일 누락 신호만 요청합니다.
예제 2: 사후 분석 훈련 데이터 트라이지
세련된 인시던트 검토는 지휘관이 행동하기 전에 세 가지 대안을 침착하게 평가했다고 주장합니다. 라이브 채팅 로그는 패턴 인식 점프와 한 번의 빠른 실행 가능성 확인을 보여줍니다. 스킬은 서사를 "교리로서는 유용하지만 행동적 추적으로서는 낮은 가중치"로 라우팅하고 회고적 왜곡으로부터 훈련 세트를 보호합니다.
품질 게이트
- 추론 깊이가 선택되기 전에 작업이 명시적으로 SB, RB 또는 KB로 분류됩니다.
- 정보 요청이 행동을 얼마나 변경할 수 있는지에 따라 순위가 매겨집니다.
- 사후 분석은 개별 결정 품질과 조정 품질을 분리합니다.
- 회고적 설명은 관찰, 자기 보고 또는 혼합으로 표시됩니다.
- 아키텍처에는 구성 요소 수준 점수뿐만 아니라 명시적인 핸드오프 및 명령 전달 감사가 있습니다.
참조 파일
| 파일 | 로드 시기 |
|---|---|
references/recognition-primed-decision-making-for-agents.md | 인식 우선 행동 선택을 설계하거나 옵션 열거 편향을 수정할 때 |
references/three-behavior-levels-for-agent-routing.md | SB/RB/KB 수준별로 작업을 라우팅하거나 인지 레지스터별로 작업을 분해할 때 |
references/epistemic-uncertainty-and-information-triage-in-crisis-systems.md | 시간 압박 하에서 누락된 정보를 트라이지할 때 |
references/crisis-decision-failures-taxonomy-for-agent-systems.md | 의사 결정 병리 및 사전 사망 실패 검사를 검토할 때 |
references/coordination-failure-modes-in-multi-agent-crisis-systems.md | 핸드오프 실패 및 집단 붕괴를 진단할 때 |
references/the-retrospective-distortion-problem-for-agent-learning.md | 사례 연구 증거의 가중치를 부여하고 학습 파이프라인을 보호할 때 |
references/novice-to-expert-progression-in-agent-capability.md | 시스템이 작업 클래스에 대해 충분히 전문적인지 결정할 때 |
references/the-theory-practice-gap-in-crisis-decision-research.md | 연구 모델이 운영 현실에 맞는지 평가할 때 |
안티 패턴
- 모든 위기 결정을 인식 및 시뮬레이션 문제 대신 최적화 문제로 취급합니다.
- 정보가 어떻게 행동을 변경할 수 있는지 먼저 언급하지 않고 더 많은 정보를 요청합니다.
- 실패를 형성한 핸드오프 구조를 무시하면서 개별 행위자에게 점수를 매깁니다.
- 사후 서사를 전문가 인지의 직접적인 기록인 것처럼 사용합니다.