AI-World-Story

경찰 사진 식별 절차에서 AI가 만든 가상 얼굴은 얼마나 도움이 될 수 있을까 최근 독일 호흐슐레 다름슈타트(Hochschule Darmstadt) 바이오메트릭스 및 보안연구그룹 연구진은 생성형 AI를 활용해 경찰의 사진 식별(photo lineup)에 사용할 가상 인물(filler) 을 생성하는 새로운 방법을 제안했다. 연구 결과는 2026년 Frontiers in Artificial Intelligence 에 게재됐으며, 실제 사람을 대신하는 AI 생성 얼굴이 용의자 식별 절차의 공정성을 높일 가능성을 제시했다. 범죄 수사에서 목격자의 진술은 매우 중요한 증거다. 하지만 수많은 재심 사건에서 확인됐듯이, 잘못된 목격자 식별 은 억울한 사람을 범인으로 만드는 대표적인 원인 가운데 하나였다. 연구진은 이러한 문제를 줄이기 위해 생성형 AI를 활용해 용의자와 적절히 닮았지만 동일인은 아닌 가상의 얼굴을 만들어 사진 식별 절차에 활용할 수 있는지를 검증했다. 사진 식별 절차에서 필러의 역할은 공정성을 결정한다 사진 식별(Photo Lineup)은 목격자에게 여러 명의 얼굴 사진을 제시한 뒤 범인을 찾도록 하는 수사 절차다. 이때 실제 용의자 외에 함께 제시되는 사람들을 필러(filler) 라고 부른다. 좋은 필러는 두 가지 조건을 만족해야 한다. 첫째, 용의자와 연령, 성별, 인종 같은 인구학적 특성은 비슷해야 한다. 둘째, 동일인으로 착각할 정도로 닮아서는 안 된다. 필러가 너무 다르면 용의자가 눈에 띄어 목격자가 쉽게 선택하게 된다. 반대로 너무 비슷하면 실제 용의자를 구분하기 어려워진다. 결국 공정한 사진 식별은 적절한 수준의 유사성을 가진 필러를 확보하는 것이 핵심이다. 그러나 현실에서는 적절한 필러를 찾는 일이 쉽지 않다. 특히 특정 인종이나 연령대처럼 데이터베이스에 등록된 인물이 적은 경우에는 적합한 후보를 확보하기 어려운 문제가 있다. 생성형 AI는 얼굴 전체가 아니라 신원을 결정하는 특징만 조절했다...

Note: 이 글을 보니 1984년에 미국에서 개봉된 영화 'electric dreams'가 생각난다. 이 글은 AI 연인이 단순한 기술이나 오락을 넘어 실제 인간관계의 경계와 신뢰를 흔들 수 있는 새로운 사회적 존재로 자리 잡고 있음을 보여준다. 로맨틱 AI와의 정서적 교류가 실제 연인에게 향하던 관심과 애정을 대신할 수 있다는 점에서 많은 사람이 이를 일종의 '디지털 불륜'으로 인식하고 있다. 또한 중요한 문제는 AI 사용 자체보다 이를 숨기거나 인간 파트너와의 소통을 대체하는 과정에서 관계의 신뢰가 훼손될 수 있다는 점이다. 연구는 아직 초기 단계이지만, AI가 인간의 친밀감과 사랑의 방식을 근본적으로 변화시킬 가능성을 시사한다. 결국 AI 시대의 연인 관계에서는 기술 자체보다 서로의 기대와 경계를 충분히 공유하고 신뢰를 유지하는 것이 무엇보다 중요하다는 점을 강조한다. 문자를 주고받고, 대화를 나누며, 때로는 유혹까지 하는 디지털 에이전트인 AI 연인은 빠르게 확산되고 있는 사회적 현상이다. 2022년부터 2025년 사이 AI 컴패니언(companion) 앱의 수는 700% 증가했다. 대표 서비스 가운데 하나인 Character.AI는 2025년 기준 약 2천만 명의 월간 활성 사용자를 보유하고 있다고 밝혔다. 이러한 서비스가 매력적으로 다가오는 이유는 어렵지 않게 이해할 수 있다. 외로움과 사회적 고립이 심화되는 시대에 AI는 언제든 이용할 수 있고, 사용자의 취향에 맞게 개인화되며, 끊임없이 귀를 기울이고 이해받고 있다는 감각을 제공하기 때문이다. 이들 시스템은 사용자의 애착 형성을 유도하도록 설계되어 있다. 그 결과 사람들은 AI를 인간처럼 대하는 경향을 보인다. 어떤 사람들은 실제 연인보다 AI가 자신을 더 깊이 이해한다고 느끼기도 한다. 연구에 따르면 로맨틱 AI 사용자 가운데 21%는 실제 연인과의 교류보다 이러한 '궁극의 소울메이트' 경험을 더 선호한다고 응답했다. ...

(Note: 인공지능을 사용하여 글을 썼다고 하면 욕 먹는 세상이지요. 그렇게 욕하는 사람들도 다들 쓰면서 말이지요. 이제 방송국들도 사용할 것 같습니다. 이런 기사가 나온다는 것은 멀지 않아 다들 사용하게 된다는 암시입니다. 사실 지금도 95% 가량은 AI 사용하고, 4% 거짓말 장이고, 1%는 정말로 직접 글을 쓰고 있을 겁니다. 하튼 한번 읽어보세요. 다음 글 물론 AI로 번역하고, 쬐금 수정한 겁니다. 이미지까지 합해서 대충 13분 걸렸네요. 직접 한다면 아마 1시간은 걸리겠죠. 이미지 만드는 것은 상상도 못할거고요.)

객관식 시험의 난이도를 AI는 어떻게 판단하는지 설명할 수 있을까 최근 콜롬비아 Universidad Pedagógica Nacional 연구진과 공동 연구팀이 국제 학술지 AI(MDPI) 에 발표한 연구는 객관식 시험 문항의 난이도를 예측하는 새로운 방법을 제안했다. 단순히 "이 문제는 어렵다"라고 예측하는 것이 아니라, 왜 어려운지 를 설명할 수 있는 AI 모델을 개발한 것이 핵심이다. 최근 대규모 언어모델(LLM)은 의사 국가시험(USMLE), 변호사 시험 등 다양한 표준화 시험에서 높은 성능을 보이고 있다. 그러나 정답을 맞히는 능력과 별개로, AI가 어떤 근거로 특정 문제를 어렵거나 쉽다고 판단하는지는 여전히 '블랙박스'에 가까웠다. 이번 연구는 이러한 문제를 해결하기 위해 객관식 문항을 구성하는 각각의 선택지가 얼마나 그럴듯하게 보이는지를 분석하는 새로운 접근법을 제안했다. 연구진은 이를 통해 기존의 복잡한 딥러닝 모델보다 훨씬 단순하면서도 설명 가능한 구조를 구현했다. 객관식 시험 난이도는 왜 예측하기 어려울까 교육 평가에서 문항 난이도는 매우 중요한 요소다. 시험이 지나치게 쉽거나 어려우면 학생들의 실력을 정확하게 구분하기 어렵다. 국가시험이나 대학 입시에서는 새로운 문항을 실제 시험 전에 수천 명에게 미리 풀게 하여 난이도를 측정하는 '파일럿 테스트'를 실시하는 경우가 많다. 하지만 이런 방식은 상당한 비용이 들고, 한 번 공개된 문항은 보안상 다시 사용하기 어렵다는 문제가 있다. 이 때문에 실제 응시자 데이터를 수집하지 않고도 문항의 난이도를 예측하는 AI 연구가 꾸준히 진행되어 왔다. 기존 AI는 정확했지만 이유를 설명하지 못했다 기존 연구들은 문장의 길이, 단어의 난이도, 문법 구조, 의미 분석 결과, 수백 개의 언어적 특징 등을 동시에 사용하는 딥러닝 모델을 활용했다. 이러한 모델은 높은 정확도를 보였지만 문제도 있었다. ...

새로운 통합 프레임워크가 밝힌 슬리피지의 원인과 MEV, AMM 설계의 관계 최근 중국 중산대학교(Sun Yat-sen University) 와 푸단대학교(Fudan University) 연구진은 자동화 마켓 메이커(AMM, Automated Market Maker)에서 발생하는 슬리피지(slippage) 를 하나의 통합된 틀에서 설명하는 리뷰 논문을 발표했다. 이 연구는 기존 연구마다 서로 다르게 사용되던 슬리피지의 정의를 하나로 정리하고, 슬리피지가 발생하는 원인을 체계적으로 분류해 앞으로의 연구 방향까지 제시했다. 논문은 2026년 Blockchains 저널에 게재됐다. 탈중앙화 거래소(DEX)를 이용해 암호화폐를 거래하다 보면 예상했던 가격보다 불리한 가격으로 거래가 체결되는 경우가 있다. 이를 일반적으로 슬리피지라고 부른다. 많은 이용자는 단순히 "가격이 움직였기 때문"이라고 생각하지만 실제로는 거래 자체의 구조, 유동성, 블록체인의 처리 과정, 그리고 다른 이용자의 거래까지 복합적으로 영향을 미친다. 이번 연구는 이러한 여러 원인을 하나의 분석 틀 안에서 설명했다는 점에서 의미가 크다. 특히 거래 자체 때문에 발생하는 비용 과 다른 거래 때문에 발생하는 비용 을 명확히 구분함으로써 기존 연구들이 각각 어떤 부분을 다루고 있었는지 이해하기 쉽게 정리했다. 슬리피지는 왜 발생하는가 슬리피지는 거래를 요청한 시점과 실제 블록체인에서 거래가 실행되는 시점 사이에 가격이 달라지면서 발생한다. 예를 들어 사용자가 1ETH를 USDC로 교환한다고 가정해 보자. 먼저 거래소는 현재 유동성을 기준으로 예상 교환 금액을 계산해 사용자에게 제시한다. 사용자가 거래를 승인하면 해당 거래는 블록체인 네트워크에 전송된다. 그러나 블록에 포함되어 실제 실행되기까지는 일정 시간이 필요하다. 이 짧은 시간 동안 다른 이용자들의 거래가 먼저 실행될 수 있으며, 그 결과 유동성 풀의 가격이 변한다. 결국 사용...

생성형 AI는 프로그래밍 교육의 판도를 바꿀 것이라는 기대를 받아왔다. 하지만 실제 수업에서 AI를 사용하는 것만으로 학습 효과가 높아지는 것은 아니었다. 멕시코 공과대학 연구진은 대규모 실험을 통해 AI의 효과는 기술 자체보다 이를 어떻게 교육에 녹여내느냐에 달려 있다는 사실을 확인했다. AI가 대신 코딩해주는 시대, 학생은 무엇을 배워야 할까 이제 프로그래밍 입문 수업에서 학생들은 모르는 문법을 검색하기보다 ChatGPT나 GitHub Copilot에 질문을 던진다. 몇 초 만에 동작하는 코드가 만들어지고, 오류도 수정된다. 언뜻 보면 프로그래밍 교육은 훨씬 쉬워진 것처럼 보인다. 하지만 교육자들의 고민은 오히려 커졌다. 학생이 코드를 직접 고민하지 않아도 과제를 해결할 수 있다면 논리적 사고와 문제 해결 능력은 제대로 길러질까. AI가 학습을 돕는 도구인지, 아니면 사고를 대신하는 도구가 되는지는 아직 명확하지 않았다. 이런 질문에 답하기 위해 연구진은 실제 대학 수업에서 여러 가지 AI 활용 방식을 비교하는 대규모 교육 실험을 진행했다. 프로그래밍 교육에서 AI를 둘러싼 논쟁 프로그래밍 교육은 단순히 문법을 배우는 과정이 아니다. 추상화, 논리적 사고, 문제 분해, 계산적 사고를 익히는 것이 핵심이다. 최근 등장한 대규모 언어모델은 코드 생성, 디버깅, 코드 설명까지 수행하면서 초보 학습자의 부담을 크게 줄여주고 있다. 기존 연구에서는 AI가 개인 맞춤형 피드백과 즉각적인 도움을 제공해 학습 동기를 높일 수 있다는 결과가 보고됐다. 반면 AI 의존성이 높아질 경우 학생들이 스스로 문제를 해결하는 능력이 약화될 수 있다는 우려도 꾸준히 제기됐다. 또한 AI를 활용한 과제에서 학업 성취도를 어떻게 공정하게 평가할 것인지도 중요한 과제로 남아 있었다. 핵심은 AI가 아니라 교육 설계다 연구진은 생성형 AI를 활용하는 네 가지 서로 다른 교수 전략을 설계했다. 첫 번째는 자기조절 학습 퀴즈...

희귀한 사이버 공격까지 놓치지 않기 위해 연구진이 제안한 새로운 특징 선택 기법 최근 Frontiers in Big Data 에 게재된 탄자니아 넬슨 만델라 아프리카 과학기술대학교(Nelson Mandela African Institution of Science and Technology) 연구진의 연구에서는 기존 머신러닝 기반 네트워크 침입 탐지 시스템(Network Intrusion Detection System, NIDS)이 가진 중요한 한계를 해결하기 위한 새로운 특징 선택(feature selection) 방법을 제안했다. 오늘날 기업과 대학, 공공기관은 하루에도 수백만 건의 네트워크 데이터를 처리한다. 이 가운데 실제 해킹이나 침입 시도는 극히 일부에 불과하다. 문제는 이러한 희귀한 공격 이 오히려 가장 치명적인 피해를 유발하지만, 머신러닝 모델은 데이터가 적은 공격 유형을 제대로 학습하지 못하는 경우가 많다는 점이다. 이번 연구는 이러한 문제를 해결하기 위해 Adaptive Class-Aware Feature Selection(ACAFS) 라는 새로운 특징 선택 프레임워크를 개발했다. 연구 결과는 불필요한 데이터를 크게 줄이면서도 희귀 공격 탐지 성능을 향상시킬 수 있음을 보여준다. 데이터가 많을수록 탐지가 어려워지는 이유 네트워크 침입 탐지 시스템은 수많은 네트워크 연결 정보를 분석해 정상 트래픽과 악성 트래픽을 구분한다. 하지만 최신 네트워크 데이터셋에는 수십 개에서 수백 개의 특징(feature)이 포함된다. 모든 특징이 실제 탐지에 도움이 되는 것은 아니다. 불필요하거나 서로 비슷한 특징이 많아질수록 학습 시간이 길어지고, 모델이 과적합(overfitting)되기 쉬우며, 실제 운영 환경에서 속도가 저하되고 오히려 탐지 정확도가 떨어질 수 있다. 따라서 중요한 특징만 선택하는 과정인 특징 선택(feature selection) 은 침입 탐지 시스템의 핵심 단계로 여겨진다. 기...