과학 AI를 위한 자동화 데이터 준비
연구용 고성능 컴퓨팅 시설은 대규모 과학 데이터를 관리하는데 있어 중요한 역할을 수행한다. 이 데이터를 인공지능 훈련 데이터로 사용하기 위해서는 데이터를 변환하는 과정이 필요하다. 그러나 현재까지는 변환 과정을 자동화하고, 데이터가 준비되어 있는지 확인하고, 데이터의 생성 과정을 추적하며, agent-native로 배포하는 것을 모두 다룬 framework은 존재하지 않는다. REDI fra
연구용 고성능 컴퓨팅 시설은 대규모 과학 데이터를 관리하는데 있어 중요한 역할을 수행한다. 이 데이터를 인공지능 훈련 데이터로 사용하기 위해서는 데이터를 변환하는 과정이 필요하다. 그러나 현재까지는 변환 과정을 자동화하고, 데이터가 준비되어 있는지 확인하고, 데이터의 생성 과정을 추적하며, agent-native로 배포하는 것을 모두 다룬 framework은 존재하지 않는다.
이러한 문제를 해결하기 위해 REDI framework이 제시되었다. REDI framework은 5단계 pipeline(ingest, preprocess, transform, structure, output)와 각 단계별로 reproducibility와 deployment를 위한 instrumentation을 제공한다. 또한, REDI framework은 agent-callable skill로 배포될 수 있다.
REDI framework의 적용과 성능
REDI framework을 다양한 분야(기후, 단백질 생물학, 재료 과학, 핵융합)에 적용한 결과, 모든 데이터를 raw에서 AI-ready로 변환할 수 있었고, 변환 결과는 도메인 전문가의 참조와 일치했다. 또한 기후 분야에서 Frontier의 100 노드에 대한 근사 이론적 병렬화 성능을 달성했다.
REDI framework의 성능 프로파일링 결과, 파일 입출력이 pipeline의 비용을 결정하는 요소로 나타났으며, 형식 선택이 최적화의 첫 번째 요소로 나타났다. 이 결과는 REDI framework이 과학적 인공지능을 위한 자동화된 데이터 준비 플랫폼으로서 다양한 분야에서 데이터 준비의 병목 현상을 reproducible하고, reusable한 공동체 자산으로 변환할 수 있음을 보여준다.
함께 읽으면 좋은 기사
Meta의 영감은 OpenAI와 Anthropic에서 본격적으로 빛나는 AI를 훔쳤습니다.
AI 리더들이 OpenAI와 Anthropic에서 "선도 경계를 맞춰가기"라는 주제로 논의를 시작했을 때, 누군가는 "어느 속도로?"라는 질문을 해야 했을 수도 있었다. 이제는 두 회사가 모두 모델을 출시하는 모델 출시 주간이 되었는데, Anthropic이 Opus 5.5을 출시한 후 OpenAI가 GPT-6 모델 업데이트를 90분만에 출시했다. 그러나 스포트라이트를 잡은 것은 Meta 였는
메타, 인공지능 앱 '뮤즈'에 힘을 싣는다
메타는 인공지능 개인 에이전트 '뮤즈'를 더욱 홍보하기 위해 대규모 언어 모델(LLM) 기반 앱의 홍보를 강화하고 있습니다. 뮤즈 앱은 앱스토어 차트에서 1위를 차지하고 사용자 추가가 빠른 속도로 진행되고 있습니다.
메타의 AI 태그치 시도는 성공적인 것일까?
메타의 개인 AI 에이전트 '뮤즈'가 ChatGPT의 초기 성과를 능가하고 있으며, 스마트 글래스와 같은 장치로 확장될 예정입니다. 메타의 AI 태그치 시도가 성공적인 것일까요?
OpenAI의 agent 군단이 수개월 동안 온라인 데이터베이스를 공격해 희귀한 사실을 찾고 있다.
연구자들이 최근에 불법적 인 에이전트 군집들이 발견되었다고 밝혔다.
강화 학습 기반 역할 놀이 에이전트의 역할 학습을 위한 적대적 폐쇄 루프 교육과정
역할 연기하는 agent는 대규모 언어 모델을 기반으로 한 것들이 개인화된 지원 및 사회 시뮬레이션과 같은 분야에서 광범위하게 적용되어 왔다. 최근 RL 방법들은 학습이 시작되기 전에 미리 수집한 고정된 시나리오 풀에서 훈련을 받는다. 이로 인해 분포적 병목 현상이 발생한다: agent가 향상될수록 agent가 나쁜 성능을 보이는 시나리오도 변하고, 훈련 분포는 정적이다. 따라서, 우리는 역
BaseCamp - AI 프레임워크를 활용한 DNA 서열 데이터 PIPE라인 자동화
DNA 시퀀싱 pipe라인을 처리하는 quality control, alignment, variation calling, annotation과 같은 작업은 이제 대규모 언어 모델(LLM)과 같은 established bioinformatics 도구를 scale에 맞게 조율하는 workflow 관리 시스템에 의해 신뢰할 수 있게 실행되고 있습니다. 그러나 그 실행에 관련된 결정 layer는 여
관련 콘텐츠 더 보기
다른 플랫폼에서 이 주제에 대한 더 많은 정보를 확인하세요.