956개의 기사
건강 관리는 고위험 의사소통, 전문가의 사고력, 업무 처리를 포함한다. 그러나 이러한 용도를 모두 다룰 수 있는 특화된 대규모 언어 모델(LLM)은 아직 많이 없다. 건강 관리 모델은 환자 상담, 텍스트와 이미지에 대한 임상 사고력, 상호 작용 진단, 전자 의료 기록(EHR) 도구 사용을 처리해야 한다. 이러한 기능은 서로 다른 방식으로 실패하고, 한 업무를 위한 좁은 업데이트는 다른 업무를
아카이브: 2607.15280v1 발표 형식: 새로운 요약: 순차적 진단은 반드시 진단 정확도와 자원 비용을 균형있게 유지하기 위해 반복적인 정보 수집을 통해 달성해야 합니다. 현재 대규모 언어 모델(LLM) 접근 방식은 지식-사고 격차를 보입니다: 광범위한 의학 지식을 인코딩함에도 불구하고, 자원 제약하에 논리적으로 사고하기 어려워 초과 테스트를 자주 하게 됩니다. 우리는 GraphDx라는
Vertu의 고급 접이식 스마트폰의 AI 에이전트는 6880달러를 요구하지만 실제로 어떻게 작동하는지 궁금하죠. 이 블로그에서는 AI 워크플로우부터 배터리 수명까지 보안까지 이 스마트폰의 일상생활을 살펴보겠습니다.
arXiv:2607.14187v1 Announce Type: new Abstract: Embodied cognition requires agents to connect high-level task reasoning with the physical states to be achieved. We introduce Hy-Embodied-RxBrain, an em
최근 대규모 언어 모델(LLM)의 발전은 복잡한 과학적 작업을 수행할 수 있는 자율 AI-agent를 가능하게 하면서도, 아직까지는 경험적으로 지배되는 영역에 초점을 맞춘 자동화된 연구 시스템이 많아, 이론적으로 지배되는 영역, 특히 엄격한 증명과 도메인 지식의 합성을 필요로 하는 수학적으로 기반을 둔 학문 분야는 여전히 많이 탐색되지 않았다. 주요 문제점은 대규모로 이론적 논리를 검증하는
arXiv:2607.14159v1 발표 형식: 새로운 Abstract: agent 하네스(agent harness)는 LLM을 실행 가능한 agent로 변환하는 외부 제어层입니다. 하네스를 설계하는 것은 agent의 행위를 강하게 ảnh hưởng시키지만, 대부분의 자동 개선 방법은 narrower artifact들(예: prompts, pipelines, workflows)만 최적화하고,
이 논문은 주어진 전력망 운영 업체(TSO) 환경에서 행동 기반 인공지능(Agentic AI)과 모델 컨텍스트 프로토콜(Model Context Protocol, MCP)가 전력망 연구를 어떻게 지원할 수 있는지探討합니다. 우리는 대규모 언어 모델(LLM)을 수치 시뮬레이션 도구, 구조화된 워크플로우, 그리고 인간의 감독과 통합하는 것을 주목합니다. 우리는 Agent-assisted grid
작은 언어 모델(SLM)은 대규모 언어 모델(LLM)와 비교하여 환경적으로 친화적이고 비용이 저렴하지만, 복잡한 논리적 이해력을 요구하는 작업에서 오류가 발생합니다. 본 연구에서는 SLM의 논리적 이해력을 높이기 위해 심볼릭 트리플릿 추출과 전문가의 논리적 추론을 위한 관계 그래프卷积 네트워크(RGCN)를 활용하는 방법을 제시합니다.
학습 모델이 장기적인 작업을 잘 수행하지만, 보통 고정된 도구 세트로 훈련된 후에 훈련된다. 작업이 새로운 도구를 요구할 때, 이러한-agent는 효과적으로 그들을 통합하는 데 어려움을 겪고, 다시부터 scratch로 훈련하는 것은 종종 불실천이다. 우리는 도구 세트 확장 문제의 핵심 장애물이 행동의 지구력인지를 식별한다: agent가 새로운 도구와 정립된 논리 패턴에도 불구하고, 친숙한 도
Bayesian 신뢰망(Bayesian Belief Networks, BBNs)은 불확실성 아래서 의사 결정을 위한 강력한 도구입니다. 하지만 구조를 만들고 매개변수를 추정하는 것은 어렵습니다. 현재 연구자들은 전문가 의견에 의존하거나 대규모 데이터를 사용하여 네트워크의 구조와 매개변수를 학습해야 합니다. 우리는 대규모 언어 모델(Large Language Models)을 사용하여 전문가 의
RegNetAgents는 대규모 언어 모델(LLM)과 같은 AI-oriented 다중 agent framework를 제시합니다. 이 시스템은 bulk tumor와 single-cell-derived ARACNe 네트워크를 통합하여 대규모 단일 세포 조절 네트워크를 포함한 TCGA-derived 암 네트워크와 GREmLN 프로젝트의 암 네트워크를 통합합니다. 특정 포커스 유전자에 대한 fram
이 논문은 자율 비행 무인기 무리(autonomous UAV swarms)가 구조 구출 작전(search and rescue operations)을 수행하는 데 사용되는 새로운 3단계 계층적 학습 아키텍처를 제안합니다. 기존 접근 방식은 모든 계층에 동일한 학습 패러다임을 적용하는 반면 제안된 아키텍처는 신경 플라스틱성(Hebbian neuroplasticity)으로 개인 에이전트의 적응,
인간이 AI 에게 더 많은 자율성을 부여하면서, 그에 대한 자율성을 평가하는 데 대한 신뢰를 줄여가고 있다. 157 개 기업을 대상으로 한 연구에 따르면, 절반의 기업은 내부 평가를 통과한 AI agent를 고객에게 배포한 후에 실패한 적이 있다. 현재 1/5 만이 자동 평가에 대한 신뢰를 가졌고, 가장 큰 약점은 평가가 실제 세계 결과와 일치하지 않는다는 것이다. 그러나 2/3 는 자동 평
사업체 101곳에서 AI agent가 사업 환경에 대한 정보를 얻는 데 사용하는 인프라가 빠르게 구축되고 있지만, 그만큼 신뢰할 수 있는지 여부는 아직 보장되지 않았다. retrieval-augmented generation이 이미 기본적인 환경 정보의 출처로 자리 잡았고, provider-native retrieval이 quiet하게 vector databases를 능가하고 있다. 그러나,
인터넷에서 자율적인 AI agent를 사용하는 기업은 107곳에 달한다. 이 중 절반 이상은 AI agent가 시스템과 데이터에 접근할 수 있도록 허용했으며, 제어를 포함하는 제한을 뒤쳐가고 있다. 절반 이상의 기업은 이미 AI agent 보안 사고나 가깝게 접근한 사고를 경험했으며, 3분의 1만이 각 AI agent에 고유한 범위의 식별자를 제공하고 있다. 대부분의 AI agent는 동일한
도어 댈시는 개발자와 AI agent를 위해 설계된 소프트웨어로 나아가기 위해, 명령줄 도구 dd-cli의 제한적 베타 버전을 출시했습니다. 이 도구는 터미널에서 매장 정보를 검색하고 장바구니를 만들 수 있습니다.
NVIDIA Nemotron 3 Embed는 대화식 검색 기술인 Agentic Retrieval에서 1위를 차지했습니다. 이 기술은 대규모 언어 모델(LLM)과 유사한 성능을 제공하며, 사용자와의 대화로 정보를 검색하는 것을 목표로 합니다.
현대 인공지능(AI) agent의 기능은 모델의 기초 뿐만 아니라 그에 대한 조작 장치(harness)에도 의존한다. 조작 장치는 프롬프트를 생성하고 관리하며 도구를 호출하고 실행을 조정한다. 모델, API, 환경 및 요구 사항이 발전함에 따라 조작 장치는 끊임없이 수정되어야 한다. 이 수정을 하기 전에 개발자 또는 코딩 agent는 목표 동작을 implement하는 모든 코드 위치를 식별해
인공지능(AI)이 자율적으로 작동할 수 있게 되면서 새로운 보험 문제들이 발생합니다. 자율적 인공지능 시스템은 결정을 내릴 수 있고, 도구를 호출할 수 있고, 외부 환경을 수정할 수 있고, 세 번째 서비스와 상호 작용할 수 있습니다. 이 논문은 자율적 인공지능(Agentic AI) 배포를 위한 보험 수리, 보험 가격, 계약 설계에 대한 인공지능(AI)-자연적인 수학적 framework을 개발
과학적 문제를 해결하기 위해 연구자와 AI 시스템 간의 네트워크를 확대하는 AI-for-science 시스템을 소개합니다. 이 시스템은 연구자와 AI 시스템 간의 연결을 확대하여 한 맥락에서 생성된 결과 또는 가설을 다른 사람, agent, 장비 또는 로봇이 작동할 수 있는 맥락으로 전달합니다.
안전한 환경에서-agent 정책을 교육하고 안전한 정책을 배포하는 문제를 해결하기 위해, 환경 동적이 알려지지 않고 적합한 보상 함수가 없을 때 문제를 다룹니다. 안전한 환경에서, 우리는 전통적인 강화 학습이 불실용적이라고 생각하고, 인간의 입력을 사용합니다. DROPJ라는 인간 중심의 방법을 제안하여 안전한 교육과 배포를 모두 처리합니다. 우선, 실제 세계의 이전 트래젝토리 데이터 세트에서
장기 기상 에이전트의 메모리는 시스템 문제입니다. 실제 배포에서는 임의의 대화 내에 작업 상태를 유지하고 사용자 고유의 사실과 선호도를 세션 간에 회복하고 이전 결과에서 절차적 지식을 축적해야 합니다. 이러한 요구 사항은 문서 검색을 초과합니다. 메모리 층은 반드시 상호 작용이 지속적인 상태가 되는지, 상태가 범위화되는지, 지연 제한 내에서 상태를 검색하는지, 시간에 따라 상태를 수정하거나 삭제하는지 결정해야 합니다. 이 보고서는 오라클 데이터베이스에 기반한 오라클 에이전트 메모리(Oracle Agent Memory)라는 데이터베이스-네이티브 메모리 서브스트레이트를 연구합니다. 세 가지 주제가 논의를 조직합니다: 메모리가 인식, 추출, 통합, 검색, 요약, 수정 또는 삭제를 포함하는 라이프사이클; 활성 메모리 코어와 사용자, 에이전트 및 스레드 간의 명시적인 범위 제어를 갖는 비활성 메모리 저장소 인터페이스를 분리하는 층별 아키텍처; 다운스트림 작업 정확도와 메모리-중심 측정인 증거 검색, 회상, 지연, 추정 토큰 사용을 포함하는 평가 방법론입니다. 보고서는 LongMemEval 결과를 요약하고, 오라클 에이전트 메모리를 평평한 역사 기준선에 비해 약 10.7배 적은 토큰을 사용하고, 사용 가능한 외부 기준선에 대한 결과를 비교합니다.
SMILES 문자열에서 제로샷 분자 속성 예측을 위한 작은 언어 모델(SLMs)은 약속을 보여주었지만 구조적 눈이 없는 구조를 가지고 있다. 이는 시퀀스 표현이 중요한 그래프-토폴로지적 단서를 명시하지 못하기 때문이다. 우리는 모듈러 콘텍스트-증강된 프롬팅 프레임워크를 제안한다. 이 프레임워크는 추론 시점에 도구 사용을 가능하게 하며, 훈련된 GNN 전문가 모델은 예측 힌트와 자신감을 제공하
자율 시스템의 자기 개선 기술은 연구 모델에서 실제 시스템으로 전환되고 있습니다. 이 기술의 목표는 경험을 통해 최소 또는 hiç human input이 없이 자동으로 개선되는 것입니다. 이 기술을 연구하기 위해, 우리는 modern 자율 시스템을 경험을 capability gain으로 변환하는 적응 시스템으로 프레임합니다.
