AI / SIGNALS / KOREA
최신 AI 모델·에이전트 소식을 한국어로 정리하고, 실제 선택에 필요한 맥락까지 함께 전합니다.
counterfactual 설명은 머신 러닝 예측을 설명하기 위해 모델의 결정이 달라질 수 있는 최소한의 입력 변경을 식별하는 것입니다. 많은 기존 방법은 예측 변경을 생성하는 데 성공했지만 도메인 지식과 간섭 제약을 명시적으로 포함하는 기전이 부족하여 불현실적이거나 불가능한 추천을 생산하는 경향이 있습니다. 신경symbolic AI는 데이터 주도 예측 모델과 Symbolic 추론이 도메인
이것은 오늘의 The Download, 우리의 주간 뉴스레터입니다. 이 뉴스레터는 일상생활에서 기술 세계에 무슨 일이 일어나고 있는지 알려주는 데 도움이 됩니다. 대규모 언어 모델(LLM)은 집단의 사고를 반복하는 것처럼 보입니다. 이 스타트업은 그들을 벗어나게 하려고 합니다. 채팅 봇을 선택해 보세요—클로드, ChatGPT, 지니미—and "1에서 100 사이의 랜덤 숫자를 알려주세요"라고
인공 지능은 채팅봇과 이미지 생성기를 통해 일반인들의 상상력을 사로 잡았지만, 소비자와 직면하는 도구와는 달리 가장 중요한 사용 사례는 산업 분야에서 진행되고 있다. 물리적 인프라, 운영 지속성, 그리고 안전성이 최우선인 산업 분야에서 인공 지능은 주요 운영 층이 되어가고 있다. 광활한 산업 시스템과 지속적인 운영...
Lean식 시ックス 시그마와 비즈니스 프로세스 관리(BPM) 같은 프레임워크는 처음에 인기를 얻은 이유는 그들이 혼돈 속에서 명확성을 제공하고, 방대한 운영을 구조화하는 방법을 제공하기 때문입니다. Lean식 시ックス 시그마는 통계적 엄격성과 품질 관리를 강조하였고, BPM은 부서 간에 작업이 어떻게 흐를 수 있는지 끝에서 끝까지의 지도(map)로 만든 것입니다. 두 가지 모두 반복 가능한
미소프트웨어는 아마존, 오픈아이, 앤텠피닉과 함께 새로운 인공지능 배포 그룹을 출범시켰다. 이 새로운 회사에는 2.5조 달러의 투자가 포함되어 있다. 미소프트웨어는 클라우드 컴퓨팅과 인공지능 기술을 결합하여 고객의 인공지능 구현을 지원하도록 설계되었다.
오픈AI CEO 샘 알트먼이 미국 국유 자산 기금에 5%의 지분을 기부할 것을 제안하면서, 인공지능 붐에서 공유하는 재정적 이익에 대한 논의가 다시 활발해졌다. 오픈AI는 대규모 언어 모델(LLM)과 같은 cutting-edge 기술을 개발하고 있다.
캘리포니아의 기후 정책에 누수 있는 것이 있다. 몇 년 전, 캘리포니아는 전국의 가축 농장 주인들을 위해 가축 분뇨에서 발생하는 메탄을 천연 가스로 변환하는 것을 장려하기 위해 메탄을 천연 가스로 변환하는 데 필요한 가축 농장 주인들을 위해 국가 차원에서 지불하는 시스템을 구축했다. 이는 가축 농장 주인들에게 유용한 정책이 되었다.
오픈에이아이가 트럼프 행정부와의 긴장 해소와 AI에 대한 증가하는 공개 반발을 가라앉히기 위해 5%의 지분을 제공하는 방안을 제시했다. CEO 샘 알트만은 이에 대해, 공공의 금융적 이익을 공유하는 가장 좋은 방법이라고 주장했다.
네오(Neo)는 비하빈 투라키아(Bhavin Turakhia)가 시작한 다섯 번째 사업으로, 이번에는 기업 소프트웨어 관련 사업을 시작한다. 이번에는 마이크로소프트 오피스(Microsoft Office), 구글 앱스(Google Apps)와 인공지능(AI) 기술을 통해 경쟁한다.
농업 고문 시스템은 고전적인 농업 지침이 일관성 있는 증거 기반 추천을 제공하지만 계절 중간의 변동성과 동적 불확실성을 무시한다는 기본적 인 긴장감을 겪고 있다. 최근 대규모 언어 모델(LLM)으로 구동되는 고문 시스템은 신뢰할 수 있는 농업 지침을 제시하지만 생리학적으로 설득력이 없다고 판단되는 추천을 생성하는 위험을 부여한다. Agri-SAGE는 위 두 가지 한계를 해결하기 위해 데이터베
과학 소프트웨어와 연결된 대규모 언어 모델(LLM) 에이전트의 신뢰성 향상에 대한 연구 결과를 소개합니다. 연구 결과, 시뮬레이터 접근이 집합적 정확도를 향상시켰지만, 단조적인 향상이 아니며, 에이전트가 구조화된 출력을 신뢰할 수 없는 경우 정확도가 떨어지는 문제를 발견했습니다.
슬라이드 디자인은 데크 테마와 페이지 레이아웃을 모두 개인화해야 하지만, 현재의 인공지능(AI) agent 기반 방법은 미세하게, 페이지 단위로 디자인하기 어렵습니다. 단지 미리 정의된 템플릿이나 사용자 verbose한 지시만으로는, 잠재적인 디자인 의도를 포착하지 못하여, 페이지 단위 슬라이드 개인화(Page-level Slide Personalization, PSP) 문제를 해결하지 못합
자율적 인 agent 들은 연속적인 인간 감독 없이 운영할 때 공통적인 오류 모드에 직면합니다. 이러한 오류 모드는 안전성 위반, 불안정한 동작 및 오류 상태 처리 미흡으로 인해 발생합니다. 우리는 \system{}을 개발하여, 5개의 실행 기어 (\Gobs{}, \Gsug{}, \Gplan{}, \Gexec{}, \Gint{})와 유용성 게이트 및 이벤트 기반 fallback을 결합합니다. 이 기법은 단일 agent 경우의 정적 안정성, 실행 안전성, 최종 안정화, fallback 완전성 및 기어 제한 Markov 결정 프로세스와의 동등성을 증명합니다. 다중 agent 사이버 물리 시스템(CPS)에서, 우리는established \smart{} managed-autonomy lifecycle을 적용하고, runtime 증거를 \Stable{}/\Meta{}/\Assisted{}/\Regulated{}의 네 가지 규제 상태로 맵핑합니다. 이 기법은 분산 안전성 및 안정성 보장을 제공하며, zero-collision 보장을 포함합니다.
대규모 언어 모델(LLM), 해결책, 및 agent 팀들이 점점 더 많은 워크플로우 작업, 수리, 및 계획을 생성하고 있지만 생성된 작업이 문법적으로 유효하지만陈腐, 불가능, 충돌, 또는 증거를 수리한 것이 파괴하는 경우도 있다. 우리는 Agentic Transaction Processing (ATP), 작업을 생성한 것이 불신하는 제안으로 다루는 거래 모델을 소개한다. ATP는 제안이 명확
Seed2.0 모델 시리즈는 복잡한 현실 세계 문제를 해결하는 데 의미 있는 발전을 이루었습니다. Seed2.0 모델은 사용자의 실제 필요를 파악하고, 이러한 필요를 기반으로 하는 현실적이고 복잡한 시나리오를 기반으로 하는 신뢰할 수 있는 평가 시스템을 구축합니다. Seed2.0 모델은 현실 세계의 복잡한 문제를 해결하는 데 필요한 두 가지 持続적인挑战, namely long-tail knowledge와 complex instruction following을 해결하였으며, 이러한 문제를 해결하는 데 있어 높은 신뢰성을 확보하였습니다. Seed2.0 모델은 또한 world-leading reasoning intelligence, visual understanding, and search capabilities를 제공하여, 다양한 사용자들의 일반적인 필요를 충족시키는 데 도움을 줍니다.
연구에서는 대규모 언어 모델(LLM) agent를 사용하여 signal game에서 두 agent가 서로의 상호작용 기록을 바탕으로 공유 언어를 창출하는 방법을 연구했습니다. 연구 결과, 기억 구조가 채널 용량보다 더 중요하다는 것을 발견했습니다.
학생이 인공지능을 사용하여 프로그래밍을 할 때, 지적 목적과 지적 과정은 학습의 중심적 역할을 한다. 연구팀은 Epistemic AI Literacy(EAIL)라는 개념적 프레임워크를 제시하여, 인공지능 문해력은 다양한 영역에서 동적 인공지능-인간 상호작용을 통해 발생하는 프로세스-지향적 지적 phenomenon으로 재구성한다. 연구결과, 학생-인공지능 상호작용에서 78.8%가 비마스터리 목적과 불신뢰할 수 있는 지적 전략을 사용하며, 반면 11.1%만이 고도의 지적 참여를 보여준다.
AI.agent의 런타임 인간 감시를 연구할 때, 개인 정보가 양방향으로 흐른다. 인간은 reward function을 개인적으로 알고 있으면서, AI.agent는 제안한 행동의 품질을 개인적으로 알고 있다. 이 어이 없이는 자율 로봇이나 소프트웨어 agent가 상황을 검토할 때 자연스럽게 발생하는 편견이다. 협력적 역학 학습(CIRL)과 감시 게임을 바탕으로, 두 단계의 비대칭 정보를 갖는
다기성 질병의 차별진단은 치료가 매우 중요하지만도 어려운 임상 과제로, 의사들은 복잡하고 구조화되지 않은 환자 증상에서 정확한 현상 유형을 식별하고 광범위한 검색 공간 내에서 세밀한 논리를 수행해야 합니다. 그러나 기존의 AI 접근 방식은 일반적으로 pipe-line 기반의 현상 유형 추출 또는 검색-augmented 생성에 의존하며, 이는 사전 정의된 개념 체계, 검색 병목 현상 및 진단
기술이 발전함에 따라 공항 교통 관리를 위한 경로 계획 알고리즘들이 많이 제안되었다. 그러나 전술 제어에서 실제로 적용되는 것은 매우 제한적이다. 이는 알고리즘 설계 우선 순위와 항공 교통 제어원들의 요구가 맞지 않는다는 것을 보여준다. 이에 따라 결정 지원 솔루션을 개발해야 하는 필요성이 대두된다. 결정 지원 솔루션은 해석 가능한 솔루션, 계산 효율성, 그리고 인간의 사용을 위해 명시적으로
대규모 언어 모델(LLM)과 agent는 자연어 요구사항으로 웹 스크래퍼를 생성할 수 있지만 직접 생성은 의존성 오류, 깨진 선택자, 스키마 불일치, 그리고 다형성 페이지 구조로 인해 신뢰성이 낮다. 우리는 제약을 가한, 검증 가능한 agent 프레임워크를 제안한다. 이 프레임워크는 대규모 언어 모델의 출력을 자유쓸쓸한 코드에서 형식화된 JSON 수집기 구성으로 옮겨준다. 이 프레임워크는 6
정보 시스템은 문서 중심으로 구축되는데, 문서는 인쇄 생산과 선형적인 읽기 용도로 최적화된 독립된 단위이다. 문서 중심의 조직은 지식 구조, 업데이트, 공유 및 재사용에 제약을 가한다. 공식적인 접근 방식은 일부 제약을 해결하지만, 공식적인 구조보다 다른 시스템 속성인 인간 사용성 및 범위에 우선순위를 두기 때문에 광범위한 CONTRIBUTION 및 ADOPTION을 달성하는 데 어려움을 겪
윤리적 판단은 일반적으로 고정된 윤리 이론(의무 이론, 결과 이론, 도덕적 덕행 이론)에 따라 모델링되었습니다. 이들은 정적 규칙이나 가치 함수로 구현되었습니다. 우리는 Bounded Morality라는 형식적인 프레임워크를 제안합니다. 이 프레임워크는 유한한 agents가 직면하는 윤리적 문제의 계산적 수요를 분석하기 위해 사용됩니다. 허버트 시몬의 한계 합리성 개념을 확장하여, 우리는 윤
인공지능(AI)과 인간의 선호도 조화에 대한 대부분의 접근 방식은 인간의 선호도를 추론하고 최적화하는 고정 목표로 다루어 왔습니다. 그러나 선호도는 상호작용 특히 적응 기술과 함께 생성되며 동적이고 층별로 구성된다는广泛한 실험적 증거와 충돌합니다. 인공지능 시스템이 더 지속적이고 개인화된 사회적으로 고정된 시스템으로 변할수록, 그들은 시간이 지남에 따라 사람들이 주의를 기울이며 가치하고 지지
