AI-World-Story

  의료 인공지능은 높은 예측 정확도만으로는 실제 의료현장에서 활용되기 어렵다. 환자의 개인정보를 안전하게 보호하면서도 다양한 의료기관이 협력해 학습할 수 있는 기술이 함께 갖춰져야 한다.  이번 연구는 연합학습(Federated Learning)과 차등 개인정보보호(Differential Privacy), 그리고 최신 시계열 딥러닝을 결합해 이러한 과제를 해결하려는 시도를 보여준다. 비록 아직 실제 임상 적용을 위해서는 다기관 검증이 필요하지만, 의료 AI가 앞으로 나아가야 할 방향을 제시했다는 점에서 의미가 큰 연구이다. 연합학습과 시계열 인공지능을 결합한 NeuroFATE-MS 는 의료 데이터 공유의 한계를 극복하면서도 높은 예측 정확도를 보여주었다. 다만 실제 임상 적용을 위해서는 다기관 검증이 필요하다. 의료 AI가 넘어서야 할 가장 큰 장벽 인공지능은 의료 분야에서 눈부신 발전을 이어가고 있다. 그러나 병원 데이터를 활용하는 순간 가장 먼저 마주하는 문제는 개인정보 보호이다. 환자의 의료기록은 민감정보이기 때문에 여러 의료기관의 데이터를 한곳에 모아 학습시키는 방식은 현실적으로 쉽지 않다. 특히 다발성경화증(Multiple Sclerosis, MS)처럼 장기간 경과를 관찰해야 하는 질환에서는 더욱 어려움이 크다. 환자마다 진료 간격이 일정하지 않고, 증상이 악화되는 시점도 매우 다양하다. 이러한 불규칙한 시계열 데이터를 정확히 분석하는 것은 기존 인공지능 모델에게도 쉽지 않은 과제였다. 최근 발표된 NeuroFATE-MS 연구는 이러한 문제를 해결하기 위해 개인정보 보호 기술과 최신 인공지능 모델을 하나의 프레임워크로 결합했다. 병원은 데이터를 보내지 않고, 모델만 학습한다 연구진이 선택한 방법은 연합학습(Federated Learning)이다. 연합학습에서는 각 병원이 환자 데이터를 외부로 전송하지 않는다. 대신 각 병원에서 자체적으로 모델을 학습한 뒤, 모델의 가중치만 중앙 서...

지속학습(Continual Learning) 분야에서는 지금까지 대부분의 연구가 저장하는 데이터의 개수(Item 수)를 동일하게 맞춘 뒤 성능을 비교해 왔다. 하지만 실제 AI가 동작하는 스마트폰, 자율주행차, 엣지 디바이스는 저장 개수가 아니라 메모리 용량(Byte)을 기준으로 제한을 받는다.  이번 Harrisburg University 연구진은 이러한 문제를 해결하기 위해 동일한 바이트(Byte) 예산에서 AI 모델을 비교하는 새로운 평가 프로토콜(Equal-Byte Non-Inferiority Protocol)을 제안했다. 연구 결과는 새로운 평가 방식 자체는 의미가 있었지만, 실험 대상으로 사용한 2단계 메모리 구조(Two-Tier Consolidation Memory)는 기존 방법보다 우수하다는 근거를 보여주지 못했다. 지속학습 평가 방식의 한계 지속학습은 새로운 데이터를 계속 학습하면서도 이전에 학습한 내용을 잊지 않는 AI 기술이다. 이를 위해 과거 데이터를 일부 저장해 다시 학습하는 Replay 기반 방법이 널리 사용된다. 기존 연구에서는 "200개 저장", "500개 저장"처럼 저장 데이터 개수만 동일하게 맞춰 성능을 비교하는 것이 일반적이었다. 그러나 저장 방식에 따라 실제 메모리 사용량은 크게 달라진다. 예를 들어 Split-CIFAR-100 데이터셋에서는 원본 이미지를 저장하면 약 3,072Byte가 필요하지만, 압축된 특징 벡터는 약 1,024Byte만 사용한다. 반대로 원본 이미지와 로짓(Logit)을 함께 저장하는 방식은 약 3,472Byte가 필요하다. 즉, 같은 200개의 데이터를 저장하더라도 실제 메모리 사용량은 최대 3배 이상 차이가 발생한다. 연구진은 이러한 방식으로는 실제 배포 환경에서 어떤 방법이 더 효율적인지 객관적으로 판단하기 어렵다고 설명했다. Equal-Byte Non-Inferiority Protocol의 핵심 이번 연구의 ...

대학생의 스트레스는 학업 성취도와 정신건강에 큰 영향을 미치는 문제다.  페루 호세 파우스티노 산체스 카리온 국립대학교(Universidad Nacional José Faustino Sánchez Carrión) 연구진은 머신러닝 앙상블 모델을 활용해 학생의 스트레스 수준을 높은 정확도로 예측할 수 있는지 분석했다.  연구 결과, Gradient Boosting 모델은 약 89.5%의 정확도와 98.6%의 ROC-AUC를 기록하며 가장 우수한 성능을 보였고, 수면의 질, 혈압, 사회적 지지, 자존감, 우울 및 불안 수준이 스트레스 예측에 가장 중요한 변수로 확인됐다.  다만 연구진은 여러 알고리즘 간 통계적으로 유의한 차이는 발견되지 않았으며, 실제 대학 상담 시스템에 적용하려면 추가적인 외부 검증이 필요하다고 강조했다. 학생 스트레스 예측에 머신러닝이 주목받는 이유 대학생 스트레스는 단순히 심리적인 불편함에 그치지 않는다. 높은 스트레스는 우울증, 불안장애, 학업 성취도 저하, 학업 중단, 삶의 질 감소와 밀접한 관련이 있다. 최근 대학들은 다양한 정신건강 프로그램과 상담 서비스를 운영하고 있지만, 학생이 직접 도움을 요청해야 하는 경우가 많아 조기 개입에는 한계가 있었다. 이번 연구는 이러한 문제를 해결하기 위해 인공지능 기반 머신러닝 기술을 활용했다.  연구진은 심리적·사회적·생활습관 데이터를 함께 분석하면 학생의 스트레스 위험을 비교적 정확하게 예측할 수 있으며, 이를 대학의 조기 경보 시스템(Early Warning System)에 활용할 가능성이 있다고 설명했다. 연구진이 데이터를 분석한 방법 연구에는 공개 데이터셋인 Student Stress Factors가 사용됐다. 데이터는 네팔의 한 대학 학생 1,100명을 대상으로 수집됐으며 총 20개의 예측 변수와 1개의 목표 변수(스트레스 수준)로 구성됐다. 예측 변수에는 불안 수준, 우울 정도, 자존감, 정신건강 병력, 수면의...

몰입감 높은 가상현실(VR)이 반드시 더 좋은 학습으로 이어지는 것은 아니다. 실제 대학 강의실에서 진행된 연구는 전통적인 인쇄물 학습이 오히려 더 높은 시험 성과를 보였다는 흥미로운 결과를 제시했다. 최신 교육기술이 항상 최고의 학습 효과를 보장하는 것은 아니라는 점에서 이번 연구는 교육 현장에 중요한 시사점을 던진다. VR 교육의 기대와 현실 가상현실(VR)은 교육 분야에서 가장 주목받는 기술 가운데 하나다. 특히 관광·호텔경영 교육은 실제 현장에서의 경험이 중요한 만큼 VR을 활용한 실습의 가치가 크게 기대되고 있다. 학생들은 가상의 레스토랑이나 호텔 공간에서 고객 응대, 테이블 세팅, 객실 관리 등을 반복적으로 연습할 수 있으며, 실제 현장에 가지 않고도 다양한 상황을 경험할 수 있다. 그러나 학생들이 "재미있게 배웠다"는 것과 실제로 "더 많이 배웠다"는 것은 서로 다른 문제다. VR이 높은 몰입감을 제공하는 것은 분명하지만, 그 몰입감이 곧바로 시험 성적 향상으로 이어지는지는 아직 충분히 검증되지 않았다. 슬로베니아 프리모르스카대학교 연구진은 이러한 의문을 해결하기 위해 실제 대학 강의실에서 VR 학습과 전통적인 인쇄물 학습을 직접 비교하는 파일럿 연구를 수행했다. 연구는 실험실이 아닌 실제 수업 환경에서 진행되었다는 점에서 현실적인 교육 효과를 평가했다는 의미를 가진다. 실제 대학 강의실에서 진행된 비교 연구 연구에는 호텔·관광경영을 전공하는 학부생 28명이 참여했다. 학생들은 두 그룹으로 나뉘어 동일한 학습 내용을 서로 다른 방식으로 학습했다. VR 그룹은 Meta Quest 3 헤드셋을 착용하고 가상의 레스토랑 공간을 탐색하면서 식기와 레스토랑 비품을 직접 살펴보고 물체를 선택하며 설명을 확인했다. 또한 VR 안에서 간단한 퀴즈를 수행하며 학습을 진행했다. 반면 전통 학습 그룹은 동일한 내용을 종이 교재를 이용해 학습했다. 학습 전후에는 동일한 1...

이 글의 의미 인공지능이 사람이나 사물의 관계를 학습할 때는 "가까이 연결된 대상은 비슷할 것"이라는 가정을 자주 사용한다. 하지만 현실의 사회관계망, 웹페이지, 생물학적 네트워크는 오히려 서로 다른 대상이 연결되는 경우가 많다. 이번 연구는 이런 현실적인 문제를 해결하기 위해 연결 자체보다 '얼마나 신뢰할 수 있는 연결인가'를 먼저 판단하는 새로운 그래프 신경망 기법을 제안했다. 이는 AI가 복잡한 네트워크를 보다 정확하게 이해하는 방향을 제시했다는 점에서 의미가 있다. 믿을 만한 연결만 골라 활용 방안의 제시 그래프 신경망(GNN)은 연결된 노드가 비슷한 성질을 가진다는 가정 덕분에 뛰어난 성능을 보여왔다. 하지만 현실의 많은 네트워크는 오히려 서로 다른 성질의 노드가 연결되는 경우가 흔하다. 이번 연구는 이런 한계를 해결하기 위해 '믿을 만한 연결만 골라 활용하는' 새로운 방법을 제안했다. 다만 모든 환경에서 만능 해결책은 아니며, 신뢰도 기준과 데이터 특성에 따라 성능이 달라질 수 있다는 점도 함께 강조했다. 가까운 이웃이 항상 좋은 정보는 아니다 논문이 주목한 문제는 의외로 단순하다. 기존 그래프 신경망은 연결된 노드끼리는 비슷한 정보를 공유한다고 가정한다. 논문 추천 네트워크처럼 같은 분야 논문끼리 많이 인용하는 데이터에서는 이 가정이 잘 맞는다. 하지만 위키피디아 페이지나 사회관계망처럼 서로 성격이 다른 대상끼리 연결되는 네트워크에서는 상황이 달라진다. 오히려 이웃의 정보를 그대로 받아들이면 잘못된 정보가 전파되면서 예측 성능이 떨어질 수 있다. 연구진은 "어떤 연결은 도움이 되지만, 어떤 연결은 오히려 방해가 된다"는 점에 주목했다. 왜 기존 그래프 신경망은 어려움을 겪을까 그래프 신경망(GNN)의 핵심은 메시지 전달(Message Passing)이다. 주변 노드의 정보를 모아 자신의 표현을 업데이트하는 방식이다. 이 접근법은 같...

이 연구는 가스 센서의 측정값을 많이 수집하지 않아도 인공지능이 농도를 정확하게 예측할 수 있다는 가능성을 보여준다. 특히 센서 데이터 수집량과 모델 계산량을 함께 줄일 수 있다는 점에서 배터리로 작동하는 IoT 기기, 산업 안전 장비, 환경 모니터링 시스템의 전력 효율을 높이는 데 의미가 있다. 크로아티아 스플리트대학교 연구진은 저가형 가스 센서의 시계열 데이터를 대상으로 ANN, LSTM, 1D-CNN 모델을 동일한 조건에서 비교했다. 연구 결과 LSTM은 RMSE 3.69%와 R² 0.85를 기록해 세 모델 가운데 가장 높은 예측 정확도를 보였다. 1D-CNN은 정확도와 연산 효율의 균형이 우수했고, ANN은 가장 짧은 학습 시간을 기록했다. 입력 데이터를 186개에서 10~20개로 줄여도 RMSE 증가는 약 2~4% 수준에 머물러 저전력 엣지 AI와 임베디드 IoT 시스템에 활용할 가능성이 확인됐다. 저가형 가스 센서에 에너지 효율적인 예측이 필요한 이유 가스 센서는 환경 상태, 산업 현장의 안전, 에너지 시스템을 지속적으로 감시하는 데 사용된다. 그러나 센서가 높은 빈도로 데이터를 계속 수집하면 전력 소비와 저장 공간, 데이터 전송량이 증가한다. 배터리로 작동하는 소형 IoT 기기에서는 이러한 소비가 장치의 운영 시간을 직접 제한한다. 기존 시계열 예측 연구는 주로 예측 정확도를 높이는 데 초점을 맞췄으며, 모델 크기와 학습 시간, 데이터 수집 비용을 동일한 조건에서 함께 비교한 연구는 상대적으로 부족했다. 이번 연구는 ANN, LSTM, 1D-CNN을 같은 데이터와 전처리 방식, 데이터 분할, 평가 기준으로 비교해 정확도와 효율성의 균형을 분석했다. 센서 작동 시간을 줄여 80% 이상의 에너지를 절감한 실험 설계 연구진은 한 개의 센서를 항상 켜두어 기준값을 측정하고, 다른 센서는 일정 시간만 작동시킨 뒤 꺼지는 방식으로 실험했다. 간헐적으로 작동하는 센서는 20초 동안 켜지고 120초 동안 꺼지는 주기를 사용했다. 이 ...

이 글은 AI와 게임 요소를 교육에 결합하는 것만으로 학습 효과가 자동으로 높아지는 것은 아니라는 점을 설명한다. 이번 연구의 핵심 의미는 기술의 존재보다 학생의 학습 동기, 참여, 개인 맞춤형 경험이 실제 성과를 결정한다는 데 있다. 대학과 교육기관이 AI 학습 플랫폼을 도입할 때 무엇을 우선해야 하는지 보여주는 실증적 자료라는 점에서도 의미가 크다. AI가 게임처럼 공부를 재미있게 만든다고 해서 학습 효과가 자동으로 높아지는 것은 아니다 최근 Frontiers in Computer Science 에 게재된 연구에 따르면, AI 기반 게이미피케이션은 학생들의 학습 참여와 동기, 개인 맞춤형 학습 경험을 높일 때 비로소 포용적 학습 성과를 향상시키는 것으로 나타났다. 단순히 AI 기능이나 게임 요소를 도입하는 것만으로는 충분하지 않았으며, 적절한 교육 설계가 뒷받침되지 않으면 부정적인 결과가 나타날 가능성도 확인됐다. 이번 연구는 인도 고등교육기관 학생 303명을 대상으로 진행됐다. 연구진은 AI 기반 또는 게임화된 학습 플랫폼을 사용해 본 학생들을 조사하고, AI 기반 게이미피케이션이 학습 참여, 학습 동기, 개인 맞춤형 경험과 포용적 학습 성과에 어떤 영향을 주는지 구조방정식모형으로 분석했다. :contentReference[oaicite:0]{index=0} 디지털 교육이 확대되면서 대학들은 AI를 적용한 학습관리시스템, 온라인 강좌, 문제 추천 서비스와 자동 피드백 도구를 빠르게 도입하고 있다. 하지만 AI를 활용하면 학습 효과가 실제로 좋아지는지, 모든 학생이 공평하게 혜택을 얻을 수 있는지에 대해서는 충분한 검증이 이뤄지지 않았다. 특히 기존 AI 교육 연구는 성적이나 기술 수용도에 초점을 맞춘 경우가 많았다. 경제적 배경, 학업 수준, 디지털 활용 능력이 서로 다른 학생들이 얼마나 공평하게 참여하고 성취할 수 있는지를 분석한 연구는 상대적으로 적었다. 이번 연구는 이러한 공백을 메우기 위해 AI 기반 게이미피케이션이 포...