AI-World-Story

서론 녹내장은 전 세계적으로 돌이킬 수 없는 실명 원인 1위로 꼽힌다. 만성적으로 시신경이 손상되며, 초기에는 뚜렷한 증상이 없어 조기 발견이 까다롭다. 하지만 안저 사진(fundus photograph) 촬영 장비는 이미 당뇨망막병증 스크리닝 등에서 보편화되어 있어, 녹내장 선별(screening)에도 응용할 수 있는 잠재력이 크다. 최근 딥러닝 기술이 의료 영상 분석 분야에 빠르게 적용되면서, 특히 컨볼루션 신경망(CNN)을 활용한 녹내장 탐지가 주목받고 있다. 본 글에서는 Sukhumal Thanapaisal 외(2025)가 발표한 “Machine learning technology in the classification of glaucoma severity using fundus photographs” 논문을 바탕으로, 인공지능 모델 EfficientNetB7을 활용한 녹내장 단계 분류 연구를 소개하고, 그 의의와 한계, 그리고 향후 발전 방향을 독자 관점에서 깊이 있게 분석했다. 연구 배경과 목적 녹내장 선별의 필요성 녹내장은 2040년까지 전 세계 환자 수가 1억 1,180만 명에 이를 것으로 예측된다. 특히 자원 부족 지역에서는 시야 검사(visual field test)나 OCT 검사 장비를 갖추기 어려워 안저 사진만으로 녹내장 진단·단계를 구분할 수 있는 기술이 절실하다. HPA 기준 기반 단계 분류 기존 연구들은 주로 시야 검사에서 산출되는 평균 결손(mean deviation, MD) 값만으로 녹내장 단계를 분류했지만, Hodapp-Parrish-Anderson(HPA) 기준은 MD 값 외에도 결함 개수와 중심 부위 근접성을 종합한다. 이 논문은 HPA 기준으로 정상(normal), 경증-중등도(mild-moderate), 중증(severe) 녹내장 단계를 안저 사진만으로 분류하는 모델을 개발한 점에서 차별화된다. 연구 방법 데이터셋 구성 및 라벨링 환자 수 1...

현대의 네트워크 환경은 급격한 규모 확장과 복잡성 증가로 인해 예기치 못한 장애가 빈번하다. 본 블로그에서는 Dubey 외(2025)의 논문, "Transformer-Driven Fault Detection in Self-Healing Networks: A Novel Attention-Based Framework for Adaptive Network Recovery" 를 바탕으로 자가 치유 네트워크에서의 고급 장애 탐지 (fault detection) 기법을 살펴보고, 트랜스포머 와 주의 기반 CNN(Attention-Augmented CNN, AACNN) 의 결합이 가져오는 혁신적 성과를 분석한다. 연구 배경 및 목적 자가 치유 네트워크의 필요성 네트워크 트래픽이 기하급수적으로 증가하면서 서비스 중단에 따른 손실도 막대해졌다. 특히 5G, 스마트 시티, 클라우드 서비스 등 고밀도 네트워크에서 장애 발생 시 데이터 손실과 금융적 피해가 크다. 이에 자가 치유 네트워크(self-healing network) 가 주목받는다. 자가 치유 네트워크는 장애를 자동으로 탐지하고 복구해 서비스 연속성을 보장한다. 기존 연구의 한계 과거 연구들은 주로 규칙 기반(rule-based)이나 순차적 딥러닝 모델(VAE, DBN, Markov Random Field 등)을 사용했다. 그러나 이들은 다음과 같은 문제를 지닌다: 데이터 불균형 문제: 장애 클래스가 소수인 경우 과대적합 위험이 높다. 잡음(Noisy Signal) : 센서 신호에 포함된 잡음이 모델 학습을 방해한다. 장기 의존성 학습 한계 : 순차 모델이 장기적 패턴을 포착하기 어렵다. 이러한 한계를 극복하기 위해 본 논문은 주의 메커니즘 과 트랜스포머 를 결합한 하이브리드 프레임워크를 제안했다. 주요 방법론 EE-SMOTE를 통한 불균형 데이터 처리 불균형 데이터는 소수 클래스(장애) 학습을 방해...

 — 철학자 에리크 사뎅, 기술 숭배 시대에 던지는 뼈아픈 질문 인공지능이 어디까지 인간의 일을 대체할 수 있을까? 이 질문은 기술 발전이 빨라질수록 더 자주, 더 깊이 우리를 괴롭힌다. 하지만 프랑스의 철학자 에리크 사뎅(Éric Sadin)은 이보다 더 근본적인 질문을 던진다. “AI가 인간을 대체하는 게 문제라면, 그건 이미 늦은 질문이다. 문제는 기술이 인간의 존엄을 어떻게 지우고 있는가다.” 최근 발표된 「Technocritique and Its Limits: Éric Sadin on Human Dignity in the Face of Artificial Intelligence」라는 논문은 사뎅의 기술 비평 철학을 본격적으로 다룬다. 단순한 기술 불신이나 반(反)과학적 정서가 아닌, 인간의 자율성과 존엄성이라는 가치에 기반한 비판이다. 실리콘밸리, ‘기술’을 권력으로 만들다 사뎅이 비판하는 기술의 핵심은 ‘디지털 권력화’다. 그는 실리콘밸리가 만든 기술 생태계를 단순한 산업혁신으로 보지 않는다. 사뎅의 시각에서 이들은 더 이상 도구를 만드는 존재가 아니다. 오히려 “인간의 행동을 예측하고 조종하는 권력을 갖는 새로운 정치 세력”으로 본다. 예컨대 추천 알고리즘, 행동 예측 모델, AI 기반 의사결정 시스템은 표면적으로는 ‘편리한 서비스’처럼 보인다. 그러나 그 내부에서는 인간의 선택 가능성을 압축하고, 자유 의지를 구조적으로 제약하는 기제가 작동한다. 사뎅은 이 같은 흐름을 “디지털 결정주의(digital determinism)”라 부르며, 인간의 삶에 침투한 권력 기술로 해석한다. 그는 특히 기술이 정치·윤리적 질문 없이 무비판적으로 수용되는 현실을 비판한다. “기술은 정치다. 그런데 사람들은 기술을 가치 중립적인 것으로 착각한다.” 기술이 존엄을 침해할 때 이 논문은 사뎅의 비판 중에서도 ‘인간 존엄성(dignité humaine)’에 대한 강조에 주목한다. 그는 AI가 단지 ...

AI가 공장에 들어온 지는 꽤 됐다. 품질검사, 예지정비, 공급망 최적화까지 AI가 빠진 제조 현장을 상상하기 어렵다. 하지만 AI를 믿을 수 있냐는 질문에는 아직 답이 선뜻 나오지 않는다. 이 논문은 바로 그 물음에 답한다. 제조업에서 AI를 신뢰할 수 있으려면 무엇이 필요한지, 그리고 Industry 5.0 시대에 어떤 도구와 원칙이 필요한지 를 깊이 파헤쳤다. Industry 4.0을 넘어, Industry 5.0으로 Industry 4.0은 센서와 IoT, 빅데이터, 자동화를 무기로 공장을 스마트하게 바꿨다. 그런데 이제는 한 발 더 나아간다. Industry 5.0은 ‘기계 중심’에서 ‘사람 중심’으로 무게 중심을 옮겼다. AI가 전면에 나서되, 인간과 공존하며 더 지속가능하고 윤리적인 산업을 만들자는 것이 핵심이다. AI 신뢰성의 4대 원칙 공장에서 AI가 신뢰받으려면 네 가지가 필수다. 바로 투명성, 공정성, 견고함(robustness), 책임성(accountability) 이다. 투명성: AI가 어떻게 결정을 내렸는지 이해할 수 있어야 한다. 공정성: 데이터 편향과 차별을 막아야 한다. 견고함: 환경이 바뀌거나 공격을 받아도 흔들리지 않아야 한다. 책임성: 문제가 생기면 책임소재가 명확해야 한다. 연구팀은 이 네 가지를 중심으로 기존의 도구들을 정리하고, 어떤 점이 부족한지 분석했다. 블랙박스 AI, 왜 문제인가? AI는 편리하지만 ‘블랙박스’라는 딜레마가 있다. 내부가 어떻게 돌아가는지 알기 어렵다는 뜻이다. 품질검사 로봇이 왜 불량품을 통과시켰는지, 예지정비 시스템이 왜 고장을 못 알아챘는지 알 수 없다면 누구도 AI를 쉽게 믿지 못한다. 이 논문은 IBM의 AIX360, SHAP, LIME 같은 해석 가능성(Explainability) 툴킷을 사례로 들어, 어떻게 하면 블랙박스를...

월드컵, 올림픽, 리그전… 공정해야 할 스포츠 경기에도 ‘은밀한 거래’가 숨겨져 있을 수 있다. 특히 ‘도전자 챔프(Challenge the Champ)’ 같은 단순한 토너먼트에서는 한 번 이긴 선수가 챔프가 되고, 또 다음 도전자를 맞이한다. 그런데 여기서 챔프가 계속 승리하도록 다른 선수들을 몰래 매수한다면? 이번 논문은 바로 이런 ‘챔프 유지 뇌물 문제(CBCCT)’ 를 수학적으로 다뤘다. 누구를 얼마에 매수해야 예산 한도 안에서 원하는 확률로 챔프가 살아남을 수 있을까? 현실 같지만, 사실 복잡한 계산 문제다. 문제는 간단한데 계산은 어렵다 이론적으로는 쉽다. 각 선수는 ‘얼마를 받으면 질 확률이 얼마나 높아진다’는 뇌물 벡터를 갖고 있다. 챔프는 이들을 한 명씩 상대한다. 전체 경기에서 챔프가 이길 확률이 목표치 이상이 되도록 뇌물을 적절히 배분하는 게 문제의 핵심이다. 놀라운 건, 이게 간단한 것 같아도 약한 NP-난해(Weakly NP-hard) 문제라는 사실이다. 게다가 선수 수를 변수로 보면 W[1]-난해(W[1]-hard) 라서 단순한 고속 알고리즘으로는 풀기 어렵다. 그래도 방법은 있다 희망적인 소식도 있다. 연구진은 ‘선수 수’ 대신 ‘뇌물 가격 종류’나 ‘확률 종류’를 변수로 삼으면 문제를 더 쉽게 풀 수 있다 는 걸 증명했다. 실제로 뇌물 가격은 몇 가지로 한정되기 마련이고, 확률도 대략적인 예측치이기 때문에 가능한 얘기다. 이를 위해 연구팀은 혼합 정수 선형계획(MILP) 기법을 활용했다. 변수 일부는 정수로 제한하고 나머지는 연속 값으로 풀어, 깔끔한 최적해를 뽑아내는 것이다. 알고리즘만 쓸모 있나? 선거 캠페인에도! 흥미로운 건 이 연구가 스포츠에만 그치지 않는다는 점이다. 논문에서는 ‘챔프’를 정치 후보로, 도전자들을 유권자로 바꿔 보면 선거 캠프의 전략 모델링에도 활용 가능하다 고 설명한다. 유권자에게 어떤 메시지를 전달하...

  연구 배경 및 목적 인공지능(AI)은 직업 구조와 요구 역량을 빠르게 재편하고 있다. 본 연구는 페루의 한 공립 대학 졸업생 148명을 대상으로 AI 역량 수준과 이들의 취업 현황 및 직무 적합성 간 관계를 분석했다. 설문지는 전문가 평가를 거쳐 15개 항목으로 구성되었으며, 내적 일관성 검사는 Cronbach’s α=0.876으로 높은 신뢰도를 보였다 .  주요 결과  AI 역량 습득 경로와 도구 활용 졸업생들이 AI 지식을 습득하는 경로는 주로 자가 학습(self-directed learning)과 온라인 과정이었다. 공식 교과과정에서 AI를 배운 비율은 상대적으로 낮아, 대학 교육과 시장 수요 간 괴리가 드러났다 . ChatGPT, Google Gemini, Microsoft Copilot 같은 범용 생성형 AI 도구의 사용 빈도가 가장 높았으며, 심층적·전문적 AI 활용은 아직 초기 단계다 .  AI 역량과 취업 현황 AI 도구를 주 2회 이상 활용하는 졸업생은 업무 효율과 생산성 향상을 크게 체감했으며, 전공 분야에 맞는 직무에 배치될 확률이 높았다 . 그러나 세대별 디지털 스킬 차이로 인해 50대 이상 졸업생의 AI 지식 점수는 낮게 나타나, 연령과 AI 친숙도의 음(−0.34) 상관이 확인되었다 .  통계 분석: 성별·고용 상태 차이 성별 간 AI 지식 평균에는 유의미한 차이가 발견되었다(p=0.0393), 여성 졸업생이 남성보다 낮은 기술 자신감을 보고했다 . 반면, 고용 형태(전공 분야 취업, 비전공 분야 취업, 실업, 창업)에 따른 AI 역량과 인식 차이는 통계적으로 유의하지 않았다 .  요인 분석(PCA) 주성분분석 결과, 첫 번째 요인(Dim1, 45%)은 ‘AI의 직무 활용도·취업 기회 인식·생산성 향상 기대’로 구성돼 전략적·실용적 AI 태도를 반영했다. 두 번째 요인(Dim2, 21%)은 ‘자기보고식 AI 지식 수준·준비도 인식’으로 기술 훈련 격차를 드러냈다...

  … “AI가 내 증명을 더 잘 봐준다고?” “수학 증명은 인간만이 이해할 수 있는 언어다.” 수학을 공부해본 사람이라면 누구나 한 번쯤 들어봤을 말이다. 그만큼 수학 증명, 특히 수학적 귀납법은 공식만 안다고 되는 게 아니다. 처음부터 끝까지 논리의 흐름을 말로 풀어내야 하고, 작은 실수 하나로 전체 논리가 무너질 수 있다. 교수나 조교가 직접 일일이 확인해야 하는 까다로운 작업이다. 그런데 이제, 인공지능(AI)이 그 역할을 대신하고 있다. 미국 일리노이대학교 어배너-섐페인 캠퍼스(UIUC)의 연구팀은 AI를 활용해 수학적 귀납법 증명을 자동으로 채점하는 기술을 개발하고, 실제 강의에서 실험까지 진행했다. 더욱 놀라운 사실은, 이 AI 채점기가 “사람 조교보다 더 정확하게” 학생들의 증명을 평가했다는 점이다. 도대체 AI가 어떻게 ‘말로 쓴 수학 논리’를 이해하고 평가한다는 걸까? 말로 쓰는 수학, 기계가 읽다 연구팀이 주목한 건 자연어 처리(NLP) 기술이다. 기존에도 NLP를 활용한 짧은 정답 채점 시스템은 있었지만, 대부분은 문장 몇 줄로 끝나는 과학 개념 설명이나 읽기 이해 문제에 국한됐다. 수학 증명처럼 긴 논리와 수식이 뒤섞인 텍스트를 제대로 평가한 사례는 없었다. 이에 연구팀은 ‘귀납법 증명’이라는 특정 유형에 초점을 맞췄다. 수학적 귀납법은 증명의 구조가 비교적 명확하게 정형화되어 있어 AI가 학습하기에 유리하다. 문제마다 7단계로 구성된 평가 기준(예: 기저 사례 제시, 귀납 가정 서술, 귀납 단계 증명 등)을 마련하고, 실제 학생들이 작성한 증명 데이터를 기반으로 학습시켰다. 그 결과, GPT-3, Llemma(오픈소스 수학 특화 모델), MathBERT 등 대형 언어 모델을 활용해 채점 정확도 90% 이상을 달성했다. 심지어 일부 경우엔 훈련받은 인간 조교보다 더 일관된 평가를 보였다. “AI 피드백 받고 다시 써보니, 점수가 쑥쑥!” 연구팀은 이 기술을...