DeepSlide: artefact에서 발표 전달까지
DeepSlide은 artefact(미리 만들어진 슬라이드)의 최적화를 넘어, delivery process(속도, 이야기, 발표 준비)의 최적화를 지원하는 AI 시스템입니다.
학술 커뮤니케이션의 주요 매체인 발표는 대부분의 AI 슬라이드 생성기는 artefact(미리 만들어진 슬라이드)의 최적화를 하며, delivery process(속도, 이야기, 발표 준비)의 최적화를 하지는 않습니다. DeepSlide은 requirement elicitation(요구 사항 도출)과 time-budgeted narrative planning(시간 예산에 따른 이야기 계획), evidence-grounded slide--script generation(증거 기반 슬라이드-스크립트 생성), attention augmentation(주의 집중 강화), rehearsal support(연습 지원)과 같은 발표 전달 과정을 지원하는 human-in-the-loop multi-agent 시스템입니다.
DeepSlide의 특징
- controllable logical-chain planner(제어 가능한 논리 체인 계획기)와 per-node time budgets(노드당 시간 예산)
- lightweight content-tree retriever(가벼운 콘텐츠 트리 검색기)
- Markov-style sequential rendering(마르코프 스타일 시퀀셜 렌더링)
- sandboxed execution(사andbox 환경에서 실행)
결과
20개의 도메인과 다양한 청중 프로파일에서, DeepSlide은 artefact quality(아티팩트 퀄리티)에 대해 강력한 baseline과 비교했을 때, delivery metrics(전달 지표)에 대해 더 큰 이점을 달성했습니다. narrative flow(이야기 흐름), pacing precision(속도 정밀도), slide--script synergy(슬라이드-스크립트 동기화), clearer attention guidance(더 명확한 주의 집중 지침)과 같은 delivery metrics에 대해 더 큰 이점을 달성했습니다.
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.