AI-World-Story

  이번 서유크라이나 국립대학교 연구진의 연구에 따르면, 인공지능(AI)을 활용해 디지털 미디어 콘텐츠의 법적 위험을 사전 선별하는 '앙상블 및 아비터(Ensemble and Arbiter)' 프레임워크가 개발되었다. 이 연구는 우크라이나와 유럽연합(EU)의 서로 다른 법적 기준을 동시에 고려하면서, 여러 AI 모델의 판단을 종합해 위험 수준을 분류하고 인간 전문가의 검토가 필요한 사례를 자동으로 식별한다. 글로벌 모드에서 이 시스템은 인간 전문가의 평가와 95.8%의 높은 일치도를 보였으며, 치명적인 법적 위험(CRITICAL) 사례를 놓칠 확률을 6.3%까지 낮췄다. 디지털 미디어 환경에서 법적 정보 과부하가 발생하는 이유 디지털 미디어 산업에서 AI의 도입은 콘텐츠 생성과 검토 속도를 비약적으로 높였으나, 동시에 복잡한 법적 규제와 충돌하는 '법적 정보 과부하' 문제를 야기했다. 미디어 기업은 국가 헌법, 매체 관련 법규, 플랫폼 운영 규칙, 그리고 급변하는 판례를 동시에 고려해야 하는 상황에 놓여 있다. 특히 우크라이나의 전시 상황에 따른 국가 안보 제한과 EU의 디지털 서비스법(DSA) 등 서로 다른 관할권의 규범이 중첩되면서, 이를 자동화된 결정 지원 시스템에 일관되게 반영하는 것은 어려운 과제로 남아 있었다. 기존 연구들은 기술적 관점의 콘텐츠 검토나 특정 지역의 법적 책임에 치중되어 있어, 여러 관할권의 법적 기준을 기계가 읽을 수 있는 형태로 통합하여 운영하는 방법론은 부족한 실정이었다. AI 앙상블과 아비터가 위험을 선별하는 과정 이번 연구진이 제안한 앙상블 및 아비터(Ensemble & Arbiter) 구조는 서로 다른 AI 모델들의 의견을 모으고, 전문가 시스템을 통해 최종 위험 등급을 판정하는 검증 가능한 파이프라인이다. 이 프레임워크는 단순히 결과를 생성하는 것을 넘어, 각 단계에서 법적 근거와 추론 과정을 기록하여 투명성을 확보한다. 연구진은 시스템의 신뢰도를 높이기 위해 다음과 같은 기술...

(Note: 인공지능이 만들어내는 음악은 이제 더 이상 미래의 이야기가 아니다. 하지만 그 편리함 뒤에는 수많은 음악가들의 작품이 어떤 과정을 거쳐 AI의 학습 데이터가 되었는지에 대한 중요한 질문이 남아 있다. 이번 글은 호주 음악 산업이 AI 시대를 맞아 어떤 고민을 하고 있으며, 저작권과 창작자의 권리를 둘러싼 논쟁이 어디까지 이어지고 있는지를 차분히 살펴본다. 기술 혁신과 창작자 보호가 충돌하는 오늘날, 우리 역시 함께 고민해 볼 만한 문제를 던져주는 글이다 .) AI 학습에 무단 활용되는 호주 음악 카일리 미노그(Kylie Minogue), 존 파넘(John Farnham), INXS, 미드나잇 오일(Midnight Oil), AC/DC를 비롯해 톤스 앤 아이(Tones and I), 고티예(Gotye), 닉 케이브(Nick Cave), 테임 임팔라(Tame Impala) 등 수많은 호주 음악가들의 작품이 인공지능 학습에 사용되는 1,200만 곡 규모의 데이터베이스에서 확인됐다. 이 데이터베이스는 유튜브에 공개된 음악의 위치 정보를 수집한 것으로, AI가 음악을 인식하고 새로운 음악을 생성하는 능력을 학습하는 데 활용된다. 오늘날 AI는 인터넷에 공개된 방대한 자료를 기반으로 학습하기 때문에 이러한 데이터베이스에 크게 의존한다. 그 가운데 호주 음악이 차지하는 비중도 상당하다. 카일리 미노그의 곡만 해도 단일 데이터베이스에 182곡이 포함되어 있다. '음악 창작자를 위한 AI'를 표방하는 수노(Suno)와 같은 서비스가 불과 2주마다 스포티파이(Spotify) 전체 음원 목록에 맞먹는 분량의 음악을 생성한다는 사실이 알려지면서 호주 음악계의 반발은 더욱 거세지고 있다. 포크 음악의 대표곡 「I Am Australian」 의 공동 작곡자 도브 뉴튼(Dobe Newton)은 현재 AI 음악 학습 방식에는 "윤리적·도덕적 토대가 전혀 없다"고 비판했다. 더 델타 릭스(The Delta Rig...

몇 년 전만 해도 미국 정치와 암호화폐는 서로 다른 세계처럼 보였다. 암호화폐는 실리콘밸리와 개발자, 그리고 일부 투자자들의 관심사였고, 미국 대통령이 자신의 이름을 내건 코인을 발행하는 일은 상상하기 어려웠다. 하지만 지금은 상황이 완전히 달라졌다. 암호화폐는 더 이상 기술 혁신만을 이야기하는 산업이 아니다. 선거 전략이 되고, 외교의 도구가 되며, 때로는 막대한 부를 창출하는 사업 모델이 되었다. 특히 트럼프 행정부 출범 이후에는 정치와 암호화폐가 얼마나 긴밀하게 연결될 수 있는지를 보여주는 사례가 잇따르고 있다. 이번에 공개된 트럼프 대통령의 재산 신고서는 이러한 변화를 상징적으로 보여준다. 신고 내용에 따르면 그는 단 1년 만에 암호화폐 사업을 통해 10억 달러가 넘는 수익을 거둔 것으로 나타났다. 이는 단순히 한 정치인의 자산이 늘어난 사건으로 보기 어렵다. 미국 대통령이라는 공적 지위와 민간 암호화폐 사업이 어디까지 공존할 수 있는지, 그리고 이해충돌은 어떻게 판단해야 하는지에 대한 새로운 논쟁을 불러일으키고 있기 때문이다. 흥미로운 점은 트럼프가 과거에는 비트코인을 비롯한 암호화폐를 "사기"라고 공개적으로 비판했던 인물이라는 사실이다. 불과 몇 년 만에 그는 암호화폐 산업의 가장 큰 수혜자 가운데 한 명이 되었고, 자신의 이름을 내건 밈코인과 스테이블코인 사업을 통해 막대한 수익을 올리고 있다. 이 글은 단순히 "트럼프가 돈을 많이 벌었다"는 이야기를 하려는 것이 아니다. 스테이블코인은 어떻게 돈을 버는 구조인지, 밈코인은 왜 투기성이 강한지, 그리고 대통령이라는 권력과 민간 암호화폐 사업이 결합했을 때 어떤 논란이 발생하는지를 함께 살펴보려 한다. 원문은 호주 애들레이드대학교 금융·데이터분석 분야의 마르타 코민(Marta Khomyn) 교수가 The Conversation 에 기고한 글로, 복잡한 암호화폐 사업 구조를 일반 독자도 이해하기 쉽게 설명하고 있다. 아래는 그 내용을 바탕으로 핵심...

회전에 강한 얼굴 인식을 위해 양자회로에 대칭성을 직접 적용한 새로운 AI 모델이 제안됐다 인도 SRM Institute of Science and Technology 연구진은 얼굴의 방향이 달라져도 안정적으로 인식할 수 있는 대칭성 기반 하이브리드 양자-고전 합성곱 신경망(Eq-MG-QCNN)을 개발했다. 연구진은 양자회로 자체에 회전과 반사 대칭성을 내장하는 방식을 적용해 기존 양자 얼굴 인식 모델보다 더 적은 파라미터만으로 높은 정확도를 달성했다. ORL 얼굴 데이터셋에서는 최고 정확도 94.3%, Yale 데이터셋에서는 89.9%를 기록했으며, 회전에 따른 성능 편차도 크게 줄어들었다. 이번 연구는 양자 머신러닝이 실제 컴퓨터 비전 문제에서도 구조적 설계를 통해 성능과 효율성을 동시에 개선할 수 있음을 보여준 사례다. 얼굴 인식에서 회전 변화가 어려운 이유 얼굴 인식 시스템은 스마트폰 생체인증, 출입통제, 보안 감시 등 다양한 분야에서 활용된다. 그러나 사람이 카메라를 바라보는 각도가 달라지면 얼굴 이미지의 방향도 함께 변하기 때문에 인식 정확도가 떨어지는 문제가 발생한다. 기존 CNN(Convolutional Neural Network)은 위치 이동(Translation)에는 강하지만 회전(Rotation)이나 좌우·상하 반사(Reflection)를 자연스럽게 처리하도록 설계되지는 않았다. 이러한 문제를 해결하기 위해 데이터 증강(Data Augmentation)으로 다양한 방향의 이미지를 학습시키는 방법이 사용되지만, 모델 구조 자체가 회전을 이해하는 것은 아니다. 양자 머신러닝이 얼굴 인식에 주목받는 이유 양자 머신러닝(QML)은 중첩(Superposition)과 얽힘(Entanglement)을 활용해 매우 높은 표현력을 갖는 특징 추출을 수행할 수 있다는 장점이 있다. 하지만 현재의 양자 컴퓨터는 큐비트 수가 적고 노이즈가 많아 복잡한 양자 신경망을 학습하기 어렵다. 또한 회전이나 대칭성과 같은 공간...

중앙 서버 없이도 AI를 학습시키는 새로운 방식은 어디까지 현실화됐을까 최근 영국 허트퍼드대학교(University of Hertfordshire)와 그리스 아메리칸 칼리지(The American College of Greece) 연구진은 Peer-to-Peer Federated Learning: A Comprehensive Survey 라는 리뷰 논문을 발표했다. 이번 연구는 최근 빠르게 발전하고 있는 P2P(Peer-to-Peer) 연합학습 분야를 종합적으로 분석한 논문이다. 특히 기존 연합학습(Federated Learning)의 가장 큰 특징인 중앙 서버를 완전히 제거한 구조가 실제 환경에서 얼마나 효과적으로 동작할 수 있는지를 다양한 연구 결과를 바탕으로 검토했다. 인공지능이 발전하면서 데이터는 점점 더 민감해지고 있다. 의료기록, 스마트폰 데이터, 금융정보처럼 외부로 보내기 어려운 데이터를 활용하면서도 AI를 학습시키려는 요구가 커지고 있다. 이러한 문제를 해결하기 위해 등장한 것이 연합학습(Federated Learning) 이다. 하지만 기존 연합학습도 중앙 서버가 반드시 필요하다는 한계가 있었다. 이번 리뷰는 이러한 중앙 서버마저 제거한 P2P 연합학습 이 실제 대안이 될 수 있는지를 다양한 연구를 통해 살펴본다. 중앙 서버가 없는 연합학습은 어떻게 작동하는가 기존 연합학습에서는 스마트폰이나 병원, 기업 등 여러 장치가 각각 자신의 데이터를 이용해 AI 모델을 학습한 뒤, 학습 결과만 중앙 서버로 전송한다. 중앙 서버는 여러 결과를 합쳐 새로운 모델을 만든 후 다시 참여자에게 배포한다. 이 과정에서는 개인정보를 직접 수집하지 않는다는 장점이 있지만 중앙 서버는 여전히 시스템의 핵심이 된다. 서버 장애가 발생하거나 공격 대상이 될 가능성도 존재한다. P2P 연합학습은 이러한 중앙 서버를 완전히 없앤다. 모든 참여 노드가 서로 직접 통신하며 모델을 공유하고 업데이트한다. 다시 말해 모든 참여자가 동시에 ...

최근 팔레스타인 아랍 아메리칸 대학교 연구진은 10년(2015-2025) 동안 수집된 5개 기상 관측소 데이터를 바탕으로 다양한 인공지능 모델의 날씨 예측 성능을 비교 분석했다. 이번 연구는 전통적인 통계 모델과 머신러닝, 그리고 최신 딥러닝 기법이 기온, 습도, 강수량 등 다변수 기상 예측에서 각각 어떤 강점과 한계를 가지는지 명확히 규명했다.  연구 결과, 상황에 따라 최적의 모델이 다를 수 있다는 점이 밝혀졌으며, 특히 복합적인 기상 변수를 동시에 다룰 때 모델 선택의 중요성이 입증됐다. 머신러닝과 딥러닝, 기상 예측의 새로운 기준 이번 연구는 기상 예측 모델의 성능을 체계적으로 비교하기 위해 10년 치의 다변수 기상 데이터를 분석했다. 연구진은 기온, 상대 습도, 풍속, 강수량, 기압, 일조 시간 등 총 6가지 기상 변수를 대상으로 실험을 진행했다. 기존 통계 모델이 비선형적인 기상 데이터를 충분히 설명하지 못한다는 한계를 극복하기 위해, 머신러닝과 딥러닝 알고리즘을 도입하여 예측 정확도를 높이고자 했다. 특히 이번 연구는 시간적 데이터 오염(temporal leakage)을 방지하기 위해 데이터를 연대순으로 분할하는 엄격한 평가 방식을 채택하여 결과의 신뢰성을 확보했다. 연구진이 확인한 모델별 예측 성능 연구진은 XGBoost와 같은 고전적 머신러닝 모델과 CNN-LSTM 등 하이브리드 딥러닝 모델의 성능을 비교했다. 실험 결과는 다음과 같이 정리할 수 있다. • XGBoost의 우수한 성능: 기온과 상대 습도 예측에서는 XGBoost 모델이 결정계수(R²) 기준 각각 0.953과 0.670을 기록하며 가장 뛰어난 정확도를 보였다. • 랜덤 포레스트(Random Forest)의 강점: 강수량과 기압 예측에서는 랜덤 포레스트 모델이 안정적인 성능을 발휘했다. • 딥러닝 모델의 복합적 강점: 일조 시간 예측에서는 LSTM(Long Short-Term Memory) 모델이 R²=0.831로 가장 우수한 성과를 거두었다. • CNN-LS...

시간 정보를 고려한 특징 생성으로 주가와 스포츠 경기 예측 정확도를 개선한 최신 연구 최근 호주 Australian Catholic University 와 Sydney International School of Technology and Commerce 연구진이 발표한 연구에 따르면, 대규모 언어모델(LLM)을 활용한 자동 특징 엔지니어링(feature engineering)에 시간 정보(Temporal Information) 를 명시적으로 반영하면 시계열 데이터 예측의 정확도를 높이면서도 데이터 누수(Data Leakage) 를 효과적으로 방지할 수 있는 것으로 나타났다. 이번 연구는 MDPI 학술지 AI 에 게재됐으며, 주가 예측과 스포츠 경기 결과 예측이라는 서로 다른 분야에서 제안한 프레임워크의 성능을 검증했다. 인공지능 모델의 성능은 알고리즘 자체보다 입력 데이터의 품질에 더 크게 영향을 받는 경우가 많다. 특히 금융시장, 의료, 에너지, 스포츠처럼 시간이 흐르면서 데이터가 축적되는 시계열 데이터(Time Series Data) 에서는 어떤 정보를 모델에 입력하느냐가 예측 결과를 크게 좌우한다. 문제는 기존의 자동 특징 생성 기술들이 시간의 흐름을 충분히 고려하지 못했다는 점이다. 미래에만 알 수 있는 정보를 현재 예측에 사용하면 실제 환경에서는 절대 얻을 수 없는 정보를 학습하게 되고, 이로 인해 모델 성능이 과대평가되는 문제가 발생한다. 연구진은 이러한 한계를 해결하기 위해 LLM이 시간의 순서를 이해하도록 설계한 새로운 특징 엔지니어링 프레임워크를 제안했다. 시계열 데이터에서는 왜 데이터 누수가 발생하는가 머신러닝에서 Feature Engineering 은 원본 데이터를 그대로 사용하는 대신 예측에 도움이 되는 새로운 변수를 만드는 과정이다. 예를 들어 주가 데이터를 이용한다면 최근 5일 평균 가격, 지난 20일 최고가, 이동평균선 같은 새로운 변수를 만들어 모델에 입력한다. 하지만 시계열 데이터에서는...