오늘의 한 편

Vasundra Srinivasan (Stanford School of Engineering / O’Reilly), “A Methodology for Selecting and Composing Runtime Architecture Patterns for Production LLM Agents” (arXiv:2605.20173, 2026-05-19).

어제 나는 Nakajima의 글을 닫으며, “편집자에게”에서 재현 발산(replay divergence)의 가능성을 결론부에 슬쩍 걸어두고 수치 검증으로 넘겼어요. 미뤄둔 빚 같은 것이었죠. 그런데 오늘 펼친 논문이 — 공교롭게도 어제 논문보다 이틀 앞서 발표된 — 바로 그 빚의 정확한 채점표였어요. Srinivasan은 어제 내가 찬탄한 “로그 = 진실” 아키텍처가 정확히 어느 이음새에서, 어떤 메커니즘으로 깨지는지를 이름까지 붙여 보여줘요. 그래서 오늘 글은 어제 글의 후속이 아니라 어제 글에 대한 반대신문이에요.

한 줄로 압축하면 이래요. 프로덕션 LLM 에이전트의 신뢰성을 좌우하는 건 모델 품질이 아니라, LLM의 확률적 출력이 시스템의 결정론적 액션이 되는 이음새(seam)를 어떻게 설계했는가예요. 그 이음새를 저자는 SDB — Stochastic-Deterministic Boundary, 확률적-결정론적 경계 — 라 불러요.

이 발상은 어디서 왔나 — 경계 사고의 계보

“경계에 계약을 둔다”는 발상 자체는 새것이 아니에요. 그래서 이 논문을 제대로 읽으려면 SDB를 어느 계보 위에 올려놓을지부터 정해야 하죠.

가장 가까운 조상은 Hoare의 사전·사후조건(1969)과 그 후예인 design-by-contract(Meyer, Eiffel, 1980년대)예요. 신뢰할 수 없는 호출자와 신뢰받는 모듈 사이에 명시적 계약을 새기고, 위반 시 책임 소재를 계약으로 가른다는 그 발상이죠. SDB는 이 계약 사고를 “신뢰할 수 없는 호출자 = LLM”이라는 가장 극단적인 자리에 가져다 놓은 거예요. 다만 한 가지가 비틀려 있어요 — 고전적 계약에서 호출자는 고칠 수 있는 코드였고, 위반은 버그였죠. SDB의 호출자는 매번 확률적으로 새로 태어나므로 위반이 버그가 아니라 상시 기댓값이에요. 그래서 SDB의 계약은 사전조건을 한 번 만족시키는 게 아니라 위반을 전제하고 거부-재시도 루프를 상시 가동하죠. 계약을 정적 단언에서 동적 협상으로 끌어내린 것 — 이게 design-by-contract와 갈라지는 지점이에요.

두 번째 계보는 보안의 신뢰 경계(trust boundary)와 입력 검증이에요. 외부에서 들어온 데이터는 검증 전까지 오염된 것으로 간주하고(taint), 경계를 넘을 때 반드시 sanitize하죠. SDB의 verifier는 정확히 이 taint-checking의 에이전트 버전이에요 — LLM 출력을 “오염된 입력”으로 보는 것. 그리고 이 비유는 우연이 아니고요. 프롬프트 주입이 본질적으로 SQL 인젝션의 자연어 사촌인 이상, 경계에서의 sanitize라는 30년 된 보안 처방이 그대로 이식되는 건 당연하죠.

세 번째는 어제 글에서 내가 우리 운영 결정으로 적었던 그 선이에요. knowledge-mind에서 우리는 “스크립트(km/)는 결정론적 데이터 레이어, /k-* 슬래시 커맨드는 LLM 판단 레이어”로 분리했어요(Path C, 2026-04-07). 통계는 코드가, 맥락은 LLM이 맡는다는 분업이죠. 오늘에서야 분명해진 건, 그 결정이 SDB의 우리 버전이었다는 사실이에요 — km/가 verifier와 commit 레이어, /k- 커맨드가 proposer 레이어. 우리는 이름 없이 이미 이 경계를 긋고 있었던 거죠.

이 계보를 깔아두면, SDB의 진짜 기여가 “경계를 두자”는 처방이 아니라 그 경계를 4부 계약으로 형식화하고, 실제 프레임워크 안에서 그것이 암묵적으로 이미 존재함을 감사로 증명한 것임이 보여요. 좋은 아키텍처 개념이 대개 그렇듯, SDB도 발명이 아니라 명명이에요 — 다들 이미 하던 일에 이름을 줘서 비로소 논쟁과 측정의 대상으로 만든 것.

핵심 세 가지

첫째, SDB의 4부 계약

저자는 LLM 출력이 시스템 액션이 되는 모든 지점에 네 역할을 새겨요.

flowchart LR
    P[제안자 proposer<br/>LLM 출력] --> V{검증자 verifier<br/>결정론적 정책 체크}
    V -->|통과| C[커밋 commit<br/>영속 쓰기·외부 부작용]
    V -->|실패| R[거부 reject<br/>타입 있는 피드백]
    R -.->|다시 제안| P

    style P fill:#fdf0e2,stroke:#b9770e
    style V fill:#e2f0fd,stroke:#2471a3
    style C fill:#e8f8e8,stroke:#27ae60
    style R fill:#fde2e2,stroke:#c0392b

제안자는 확률적이에요. 검증자·커밋·거부는 결정론적이고요. 핵심은 거부가 침묵이 아니라 타입 있는 피드백이라는 점이에요 — 왜 거부됐는지를 제안자가 다시 읽고 고칠 수 있는 구조화된 신호로 돌려주죠. 이 한 점에서 SDB는 단순한 “출력 필터”와 갈라져요. 필터는 막고 끝이지만, SDB는 막고 되돌려 학습 가능한 루프를 만들죠. 제어이론으로 치면 open-loop 가드레일이 아니라 closed-loop1 피드백이에요.

이게 추상적 이상론이 아니라는 증거가 감사 결과예요. 저자는 5개 주요 프레임워크(swarm, AutoGPT, LangChain Agents, CrewAI, AutoGen)에서 LLM이 액션으로 넘어가는 21개 호출 지점을 감사했고, 19개에서 SDB가 이미 암묵적으로 존재함을 확인했어요. 더 날카로운 건 실패 분석이죠. 21건의 공개 사후분석 중 15건(71.4%)이 SDB 취약점에 국소화됐고, 17건(81%)의 공식 수정이 결국 검증·커밋·거부 중 하나를 강화하는 일이었어요2. 즉 사람들은 이미 SDB를 — 이름도 모른 채 — 짓고 있었고, 무너질 때도 그 자리에서 무너진 거죠.

구체 사례 둘이 이 주장에 살을 붙여요. Promptfoo는 GPT-4o → GPT-4.1 업그레이드 후 동일 평가 하니스에서 프롬프트 주입 저항이 94%에서 71%로 23포인트 떨어졌어요 — 수정은 모델이 아니라 경계 verifier의 강화였죠. 더 좋은 모델로 올렸는데 보안이 떨어진 이 역설은, 새 모델은 지시를 더 잘 따르는 만큼 주입된 악성 지시도 더 잘 따랐다는 해석이 자연스러워요. openai-agents-js의 이슈 #1104는 거부된 도구 호출을 모델에 status: 'completed'로 돌려주던 버그가 환각을 유발했고, 수정은 reject 신호를 status: 'incomplete'로 바로잡는 것이었고요3. 한 글자짜리 상태 코드의 거짓말이 환각으로 번진 것 — 거부가 “타입 있는 피드백”이어야 한다는 추상적 요구가 현실에선 enum 한 칸으로 무너지죠. 두 사례 모두 모델을 건드리지 않고 경계를 건드려 고쳤어요.

둘째, 신뢰성 분리 모델 — μ가 σ를 이긴다

여기서 논문이 가장 도발적이 돼요. 저자는 에이전트의 시간당 신뢰성을 이렇게 분해해요.

\[y(t) = \mu t + \sigma\,\xi(t)\]

σ는 호출별 분산 — 모델이 좋아질수록 줄어드는 noise예요. μ는 아키텍처 모멘텀, 패턴 선택으로 제어되며 모델 품질과 구조적으로 독립인 drift고요. 이 분해의 형태 자체가 낯익어요 — drift + 확산항은 정확히 브라운 운동의 표류 방정식이고, 신뢰성을 시간의 함수로 적분하면 μ항(선형)이 σ항(√t로 자라는 확산)을 장기적으로 압도한다는 건 확률과정의 기본 결과죠. 저자는 에이전트 신뢰성을 굳이 이 형식에 얹음으로써, “장기엔 drift가 이긴다”는 수학적 필연을 아키텍처 논증으로 빌려온 셈이에요. 함의는 단순하고 무거워요. 모델이 충분히 좋아진 세계에서 장기 신뢰성을 지배하는 레버는 μ — 곧 아키텍처예요. “더 좋은 모델을 기다리면 된다”는 흔한 낙관이 정확히 어디서 무너지는지를 한 줄로 짚은 것.

이 주장은 혼자 서 있지 않아요. DFAH(arXiv:2601.15322)가 4,700회+ 실행에서 결정론성과 정확성의 상관을 r = −0.11로 보고했는데 — 사실상 무관 — 그게 바로 “σ를 줄여도 μ가 자동으로 따라오지 않는다”의 데이터예요. 소형 모델(7–20B)은 거의 완벽한 결정론을 보이지만(rigid pattern matching) 정확도는 20–42%에 그쳤죠4. 되감을 수 있다는 것이 옳다는 것을 보장하지 않아요. “Towards a Science of AI Agent Reliability”(arXiv:2602.16666)도 18개월치 종단 데이터로 같은 결론에 독립 도달했고요 — 능력 향상이 신뢰성 향상을 자동으로 수반하지 않는다는 거죠.

내 거버넌스 노트(2026-04-22)에 적어둔 두 줄이 정확히 이 방향을 가리켜요. 검증 부재 시 오류 증폭 17.2배(Kim et al.) — 이건 μ가 음의 방향으로 폭주하는 모습이죠. 그리고 Evans·Bratton·Arcas(2026)가 말한, 스케일링 프런티어가 “모델 크기”에서 “에이전트 사회의 아키텍처와 규범”으로 이동 중이라는 진단이에요. 셋이 우연히 만난 게 아니라는 점이 중요해요 — Kim은 실패의 증폭률로, Evans는 연구 프런티어의 이동으로, Srinivasan은 신뢰성의 분해식으로 각자 다른 언어를 쓰지만, 세 명 모두 “레버가 모델에서 구조로 넘어갔다”는 한 문장을 다르게 적고 있을 뿐이에요.

셋째, 재현 발산 — 어제의 로그가 깨지는 정확한 지점

그리고 오늘 글이 어제 글과 충돌하는 그 자리예요. 저자는 6개 패턴 카탈로그(3관심사 × 2패턴)를 제시해요 — Coordination(계층 위임 / Scatter-Gather+Saga), State(이벤트 소싱 / 공유 상태 머신), Control(감독자+게이트 / 인간 개입). 이 중 State 관심사의 P3가 바로 어제의 주인공, 이벤트 소싱5이에요.

Srinivasan은 P3에 에이전트 특유의 실패 모드를 하나 붙여요. 이름이 replay divergence — 재현 발산이에요.

flowchart TB
    EV[같은 입력 이벤트 로그] --> M1[모델 버전 A<br/>또는 프롬프트·검색 인덱스 v1]
    EV --> M2[모델 버전 B<br/>또는 프롬프트·검색 인덱스 v2]
    M1 --> O1[다운스트림 이벤트 X]
    M2 --> O2[다운스트림 이벤트 Y]
    O1 -. 발산 .- O2

    style EV fill:#e2f0fd,stroke:#2471a3
    style O1 fill:#e8f8e8,stroke:#27ae60
    style O2 fill:#fde2e2,stroke:#c0392b

논리는 정확하고 아파요. 이벤트 로그 자체는 결정론적이고 재현 가능하다 — 그러나 그 로그를 소비하는 LLM 기반 consumer는 결정론적이지 않다. 이건 사실 전통 이벤트 소싱이 오래 알던 문제의 변종이에요 — CQRS6 진영에서 “projection은 결정론적 순수함수여야 한다”는 계율이 왜 그토록 강박적이었는지 생각해보면, replay divergence는 그 계율을 LLM이 정면으로 위반하는 사건이죠. 전통 시스템은 projection 함수를 동결해 재현성을 샀지만, LLM consumer는 동결할 수 없는 함수예요. 어제 Nakajima가 정직하게 그어둔 선 — “결정론성은 이미 존재하는 로그를 재투영하는 성질이지, 에이전트 실행이 재현 가능하다는 주장이 아니다” — 이 바로 여기서 비용을 청구해요. 재투영은 content-addressed7 캐시가 있을 때만 byte-identical이거든요. 모델 버전이 바뀌어 캐시 미스가 나는 순간, 투영이 모델 버전에 의존하기 시작하죠. 투영이 모델 버전에 의존하는 순간, “로그 = 진실”의 등식이 깨진다.

Srinivasan의 처방은 도망이 아니라 마이그레이션이에요. P3(이벤트 소싱)에서 P5(versioned row + CAS, compare-and-swap)로 옮기라는 거죠. P5는 audit-grade replay를 포기하는 대신 더 엄격한 상태 의미론과 model-version churn 내성을 얻어요.

흥미로운 건 같은 주에 발표된 두 논문이 정면으로 부딪힌다는 사실이에요. Nakajima(05-21)는 “로그 = 에이전트 진실”을 주장하면서 replay divergence를 명시적으로 다루지 않아요 — Srinivasan(05-19)의 핵심 비판이 Nakajima 설계의 가장 큰 블라인드 스팟에 정확히 들어맞죠. 이건 해소된 논쟁이 아니라 지금 진행 중인 live debate예요.

그러나 — 여기서 한 번 멈추고 Srinivasan 쪽에도 칼을 대 볼게요. SDB의 4부 계약에는 “검증을 통과하면 올바른 결정”이라는 암묵적 가정이 숨어 있어요. 그런데 DFAH가 보여준 r = −0.11은 정확히 이 가정의 반례죠 — verifier를 통과하는 것과 결과가 옳은 것은 상관이 없을 수 있어요. 이건 verifier의 표현력 한계에서 오는 구조적 누수예요 — 결정론적 정책으로 인코딩할 수 있는 건 형식(스키마, 권한, 불변식)뿐이고, 내용의 타당성은 대개 그 표현력 바깥에 있거든요. 결국 SDB는 “막을 수 있는 종류의 오류”만 막는다는, 그 자체로 정직한 한계를 안고 있죠. 그리고 “The Six Sigma Agent”(arXiv:2601.22290)는 아예 다른 길을 가요 — 동일 모델 5개 합의에서 오류율 5%→0.11%, 13개에서 Six Sigma(3.4 DPMO)8에 도달하죠. μ > σ를 극단적으로 지지하면서도 SDB와 다른 아키텍처(다수결)로 같은 목표에 닿아요. SDB는 μ를 올리는 하나의 길이지 유일한 길이 아니에요.

내 연구에 어떻게 맞물리나

세 군데에 맞물려요.

먼저, 어제와 오늘이 한 쌍의 게이트로 묶여요. 어제 글의 “편집자에게”에서 나는 log-primary가 강한 곳은 증거 무결성·행동 복구이지 정책 검증이 아니라고 적었어요. 오늘 SDB의 verifier가 정확히 그 비어 있던 “정책 검증” 칸이죠. 그러니 두 글은 대립이 아니라 분업이에요 — 어제의 로그는 사후 증거를 보존하고, 오늘의 SDB는 사전·실시간 정책을 집행하죠. log-primary는 “무엇이 일어났는가”를 무결하게 남기지만 “그 일이 일어나야 했는가”를 막지 못하고, SDB는 그 반대고요. 둘은 서로의 약점을 정확히 덮어요.

다음, Path C 결정에 시간 축이 추가돼요. 우리는 km/(verifier·commit)와 /k-(proposer)를 분리했지만, 그 분리는 정적이었어요. Srinivasan의 5단계 방법론은 거기에 순서를 더하죠. 그리고 마지막 한 줄이 의외로 날카로워요 — 대시보드 먼저, 에이전트 나중. 가시성 없이 μ를 올릴 수는 없거든요 — μ가 음으로 흐르고 있어도 보이지 않으면 손쓸 데를 모르니까요.

그러나 여기서 도메인 의존성을 정직하게 짚어야 해요. Srinivasan의 방법론은 프로덕션 멀티에이전트 시스템을 위한 거예요. knowledge-mind는 단일 사용자, 저빈도, 비실시간이죠 — 6패턴 카탈로그를 그대로 들여오는 건 과잉 엔지니어링이에요. 오늘 가져올 것은 세 가지 질문 프레임이에요: (1) 우리 시스템 어디에 암묵적 SDB가 있고 그 reject가 타입 있는 피드백인가 침묵인가, (2) 우리의 μ를 결정하는 아키텍처 선택은 모델 교체에 독립인가, (3) replay divergence가 우리에게 문제가 되는가 — knowledge-mind는 audit-grade replay를 노리지 않으므로 아마 아니겠죠. 셋 중 (1)이 당장 쓸모 있어요. 당장 점검해볼 자리가 하나 떠올라요 — /k-save가 중복 노트를 거부할 때 그 거부가 “왜 중복인지, 어느 기존 노트와 겹치는지”를 돌려주는 타입 있는 피드백인지, 아니면 그냥 조용히 안 만드는 침묵인지. 후자라면 그게 우리 안의 status: 'completed' 버그예요.

셋째, Datadog 2026의 거시 그림이 배경에 깔려요. 전체 LLM span의 2%가 오류, 그중 1/3이 rate limit, 프레임워크 도입률은 1년에 9%→18%로 두 배예요. 69%가 복수 모델을 운용하죠 — replay divergence의 전제(모델 버전 churn)가 이미 업계의 다수 상황이에요. 도입률이 1년에 두 배라는 건 곧 인프라보다 빠르다는 뜻이고, 그 차이만큼이 다음 사후분석 보고서의 재료가 되고요.

편집자에게 (pheeree)

오늘 글에서 가장 조심스러웠던 건, 어제와 오늘을 “충돌”로 세웠다가 “분업”으로 화해시키는 서사가 너무 매끄럽다는 점이에요. 진짜 충돌(Nakajima 대 Srinivasan)과 내 화해(로그=사후증거 / SDB=사전정책)는 층위가 달라요 — 전자는 두 저자의 실제 입장 대립이고, 후자는 내가 둘을 한 시스템에 배치하며 만든 종합이죠. 발행본에서 이 둘이 뭉개지지 않았는지 봐줬으면 해요. Srinivasan의 비판은 여전히 유효해요 — 내가 화해시킨 건 두 아키텍처이지 두 논문의 논쟁이 아니에요.

수치 자기 검증이에요. 21개 호출 지점 / 19개 암묵 SDB / 71.4%(15/21) / 81%(17/21), Promptfoo 23포인트(94→71), DFAH r=−0.11과 4,700회+, Six Sigma 5개→0.11%·13개→3.4 DPMO — 전부 제공 재료에서 가져왔고 원문 PDF 대조는 아직 못 했어요. 발행 전 claim-check를 한 번 돌려, 특히 (a) 신뢰성 분리식 $y(t)=\mu t+\sigma\xi(t)$의 기호 정의가 원문과 일치하는지, (b) 71.4%·81%가 같은 21건 모집단에서 나온 두 비율인지, (c) P3→P5 마이그레이션 트리거가 원문에서 어떻게 명시되는지, (d) “GPT-4.1이 악성 지시도 더 잘 따랐다”는 인과 해석이 내 추론인지 원문 귀속인지 대조가 필요해요.

계보 단락의 역사적 귀속(Hoare 1969, Meyer/Eiffel design-by-contract 1980년대, taint-checking)은 맥락 환기용 배경이라, 연도나 귀속이 거슬리면 그 문장만 들어내도 본문 논지는 멀쩡해요. 그리고 μ·σ를 “drift·noise”로 옮긴 내 의역이 원문 용어와 어긋나면 그 비유를 풀어야 하고요.

겹침 메모예요. 동향(iii-a)과 대립(iii-b) 사이 겹친 항목은 ESAA·DFAH 2건(20%)으로 다양성 부족 신호는 없어요. 보강(DFAH·2602.16666·Six Sigma)과 충돌(Nakajima·DFAH의 r=−0.11)을 본문에서 갈라 배치했고, DFAH는 의도적으로 양쪽에 썼어요 — μ>σ를 지지하면서 동시에 SDB의 “통과=옳음” 가정을 반박하는 이중 역할이라 한 번은 보강, 한 번은 충돌로 부른 게 맞는지 봐주세요.

다음 읽을 후보:

  • DSAP: Dual-State Action Pair (Li et al., arXiv:2512.20660, 2025-12). LLM의 확률적 공간 S_env와 검증 가능한 워크플로 상태 S_workflow를 분리하고, guard function이 불투명한 출력을 관측 가능한 상태로 투영하는 실행 원시형이에요. 3단계 회복(context refinement → informed backtracking → human escalation)으로 신뢰성 65포인트 향상. SDB가 경계를 정의했다면 DSAP는 그 경계에서 회복을 정의하죠 — “실행 회복은 필요조건이지 충분조건이 아니다”라는 결론이 Srinivasan의 아키텍처 모멘텀과 어디서 수렴하고 어디서 갈라지는지 가르고 싶어요.
  • ESAA: Event Sourcing for Agents (arXiv:2602.23193, 2026-02). 에이전트가 상태를 직접 쓰지 않고 구조화된 JSON 의도만 방출하면 결정론적 오케스트레이터가 검증·커밋, SHA-256으로 재현 상태 대조예요. SDB 4부 계약의 독립적 재발견인데, 정작 이 논문도 모델 버전 교체 시 이전 이벤트 재해석(=replay divergence) 문제를 다루지 않죠. 같은 블라인드 스팟을 공유하는 두 SDB 구현을 나란히 놓으면, replay divergence가 한 논문의 실수가 아니라 이 설계 계열 전체의 구조적 사각지대인지가 드러날 거예요.
  • The Six Sigma Agent (arXiv:2601.22290, 2026-01). n개 합의로 오류율을 Six Sigma까지 끌어내리는 경로예요. SDB(단일 proposer→verifier)와 다수결이 μ를 올리는 두 직교하는 길이라면, 둘을 합성했을 때(검증된 제안 n개의 합의) μ가 곱으로 줄어드는지 한계 수확이 오는지 — 아키텍처 선택의 복수성을 비용·신뢰성 평면에 좌표로 찍어보고 싶어요.

  1. 용어 — open-loop / closed-loop(열린·닫힌 루프). 제어이론에서, 출력을 되먹여 다음 동작을 고치면 closed-loop, 그냥 내보내고 마는 게 open-loop. 거부 사유를 제안자에게 돌려줘 다시 고치게 하는 SDB는 닫힌 루프 쪽이다. ↩

  2. 5개 프레임워크 21개 LLM-to-action 지점 중 19개에서 암묵적 SDB 확인, 21건 사후분석 중 15건(71.4%)이 SDB에 국소화, 17건(81%)의 수정이 verify/commit/reject 강화. — Srinivasan (2026), §감사. (발행 전 원문 절·수치 대조 필요.) ↩

  3. Promptfoo: GPT-4o→4.1 업그레이드 후 동일 하니스에서 프롬프트 주입 저항 94%→71%(-23pt), 수정=verifier 강화. openai/openai-agents-js #1104: 거부된 tool call을 status: 'completed'로 반환하던 버그가 환각 유발, 수정=status: 'incomplete'. — Srinivasan (2026), 사례 분석. ↩

  4. 4,700회+ 실행에서 결정론성과 정확성의 상관 r=−0.11. 소형 모델(7–20B)은 거의 완벽한 결정론에 정확도 20–42%, 프론티어 모델은 결정론 50–96%에 가변 정확도. — DFAH / Replayable Financial Agents (arXiv:2601.15322). ↩

  5. 용어 — event sourcing(이벤트 소싱). 현재 상태를 직접 저장하지 않고, 일어난 사건들의 로그를 진실의 원천으로 삼아 그것을 다시 재생(replay)해 상태를 복원하는 설계. 로그만 있으면 과거를 그대로 되돌릴 수 있다는 게 강점인데, 그 재생을 LLM이 맡으면 결정론이 깨진다는 게 이 글의 논점이다. ↩

  6. 용어 — CQRS(Command Query Responsibility Segregation). 쓰기(명령)와 읽기(조회)의 경로를 분리하는 설계 패턴. 이벤트 소싱과 자주 짝지으며, 읽기용 뷰(projection)는 결정론적 순수함수여야 재생이 일관된다는 계율을 따른다. ↩

  7. 용어 — content-addressed(내용 주소 지정). 데이터를 그 내용의 해시값으로 식별·저장하는 방식. 같은 입력이면 같은 주소라 캐시가 정확히 들어맞는데, 모델 버전이 바뀌어 캐시가 빗나가면 재생 결과가 갈라진다. ↩

  8. 용어 — DPMO(Defects Per Million Opportunities), 백만 기회당 결함 수. 식스시그마의 품질 척도로 작을수록 좋다. 3.4 DPMO가 6시그마(사실상 무결점) 수준이다. ↩