AI-World-Story

클릭 순서보다 중요한 것은 사용자가 무엇을 하려 했는가다 온라인 쇼핑몰의 추천 시스템은 사용자가 다음에 어떤 상품을 클릭할지 예측한다. 지금까지 많은 추천 알고리즘은 사용자의 행동을 시간순으로 나열한 뒤 그 순서를 학습하는 데 집중해 왔다. 하지만 실제 사람의 쇼핑 행동은 생각보다 훨씬 복잡하다. 예를 들어 어떤 사용자가 모니터, 키보드, 마우스를 차례로 살펴봤다고 하자. 또 다른 사용자는 마우스, 모니터, 키보드 순서로 상품을 탐색했다. 기존의 순차 기반 추천 모델은 이 두 행동을 서로 다른 패턴으로 인식할 가능성이 높다. 그러나 사람의 관점에서 보면 두 사용자의 목적은 사실상 동일할 수 있다. 둘 다 홈오피스를 구축하기 위해 필요한 장비를 비교하고 있었을 가능성이 높기 때문이다. 2026년 발표된 MoHyNet(Motif-guided Hypergraph Network) 연구는 바로 이 지점에 주목했다. 연구진은 사용자의 클릭 순서 자체보다 여러 상품이 함께 나타나는 구조와 반복되는 행동 패턴이 사용자의 의도를 더 잘 설명할 수 있다고 보았다. 이를 위해 하이퍼그래프, 하이퍼그래프 모티프, 그리고 대조학습을 결합한 새로운 추천 모델을 제안했다. 기존 추천 시스템이 놓친 것은 '가짜 순차 정보'다 세션 기반 추천 시스템은 일반적으로 사용자의 행동을 하나의 시퀀스로 처리한다. 예를 들어 노트북, 모니터, 키보드, 마우스 순으로 상품을 클릭했다면 모델은 노트북→모니터→키보드→마우스라는 이동 관계를 학습한다. 문제는 실제 쇼핑 행동이 반드시 논리적인 순서를 따르지 않는다는 점이다. 사용자는 광고를 눌러보기도 하고, 화면에 먼저 보이는 상품을 클릭하기도 하며, 단순한 호기심으로 관련 없는 상품을 살펴보기도 한다. 논문은 이러한 현상을 Pseudo-Sequential Noise(가짜 순차 노이즈) 라고 설명한다. 사용자의 실제 목적과는 무관한 클릭 순서가 모델 학습에 포함되면서 추천 정확도를 떨어뜨릴...

  얇은 균열과 포트홀까지 동시에 인식하는 새로운 도로 손상 탐지 AI가 등장했다 도로 균열과 포트홀은 교통 안전과 직접 연결되는 문제다. 하지만 실제 도로를 사람이 일일이 점검하는 방식은 시간이 오래 걸리고 비용도 크다. 특히 야간이나 비 오는 날처럼 시야가 좋지 않은 환경에서는 작은 균열을 놓치기 쉽다. 최근에는 카메라와 AI를 이용해 도로 상태를 자동으로 분석하는 기술이 빠르게 발전하고 있다. 하지만 기존 AI 모델은 얇고 긴 균열을 제대로 인식하지 못하거나, 그림자와 차선 자국을 균열로 잘못 판단하는 문제가 있었다. 카자흐스탄과 말레이시아 연구진은 이런 한계를 해결하기 위해  Transformer 기반 멀티스케일 YOLO 모델 을 개발했다. 이 모델은 단순히 균열 위치만 찾는 것이 아니라, 균열 경계까지 세밀하게 분할할 수 있도록 설계됐다. 연구 결과 해당 모델은 mAP 92.8%, mIoU 89.6%, 실시간 처리 속도인 38FPS를 기록했다. 기존 도로 균열 탐지 AI는 얇은 균열을 자주 놓친다 기존 도로 손상 탐지 시스템 대부분은 CNN 기반 객체 탐지 모델을 사용했다. 대표적으로 YOLO 계열 모델이 널리 사용됐다. 이런 모델은 빠른 속도가 장점이지만 실제 도로 환경에서는 몇 가지 문제가 반복적으로 나타났다. 가장 큰 문제는  얇고 긴 균열 이다. 도로 균열은 머리카락처럼 가늘게 이어지는 경우가 많다. 그런데 일반 CNN 구조는 가까운 영역만 집중적으로 분석하기 때문에, 떨어진 균열 조각을 하나의 손상 구조로 이해하지 못하는 경우가 많다. 예를 들어 긴 균열이 중간 그림자 때문에 끊겨 보이면 기존 모델은 서로 다른 손상으로 인식하거나 일부만 탐지하는 경우가 있었다. 또 다른 문제는 도로 위의 시각적 노이즈다. 실제 도로에는 다음 같은 요소가 계속 등장한다. 차선 표시 맨홀 주변 자국 젖은 노면 반사 그림자 타이어 흔적 패치 보수 흔적 이런 요소들은 균열과 매우 비슷한 형태를 만들기 때문에 AI가 잘못 인...

  연구진은 금속-탄소 결합을 찾는 AI 필터를 만들기 위해 분자 구조 표현 방식 자체를 다시 비교했다  유기금속 화학은 배터리, 신약, 플라스틱, 반도체, 촉매 산업까지 매우 넓게 사용된다. 하지만 실제 연구 현장에서는 새로운 촉매나 반응을 찾기 위해 수많은 실험을 반복해야 한다. 시간이 오래 걸리고 실패 비용도 크다. 최근에는 이런 문제를 해결하기 위해 인공지능과 머신러닝을 활용하는 연구가 빠르게 늘고 있다. 문제는 기존 AI 모델이 유기금속 반응을 잘 구별하지 못한다는 점이다. 일반 유기화학 데이터로 학습한 모델은 금속-탄소 결합의 특수성을 제대로 이해하지 못했다. 연구진은 바로 이 지점을 해결하려 했다. 핵심 목표는 “어떤 반응이 진짜 유기금속 반응인지 자동으로 걸러내는 AI 필터”를 만드는 것이었다.  이번 연구에서는 Random Forest, KNN, SVC, MLP 같은 여러 머신러닝 알고리즘을 비교했고, Morgan fingerprint와 MACCS keys라는 두 가지 분자 표현 방식도 함께 시험했다. 그 결과  MACCS keys 기반 MLP 모델 이 가장 안정적이고 정확한 성능을 보였다. F1 score와 Recall은 각각 0.85였고, AUC-ROC는 0.837에 도달했다.   유기금속 반응은 왜 일반 화학 AI로 잘 구분되지 않는 것인가 유기금속 화학의 핵심은 금속과 탄소가 직접 결합하는 구조다. 일반적인 배위화합물은 금속이 산소나 질소 같은 원자와 연결되지만, 유기금속 화합물은 금속-탄소 결합 자체가 존재한다. 연구진은 이 차이가 머신러닝 모델에서 매우 중요하다고 설명했다. 기존 화학 AI는 대부분 유기화학 데이터에 맞춰 설계됐다. 그러나 유기금속 화합물은 전자 구조와 결합 방식이 매우 다르다. 예를 들어 철, 니켈, 팔라듐 같은 전이금속은 전자의 이동 방식이 복잡하고 반응 메커니즘도 일반 유기반응과 다르다. 그래서 기존 모델이 새로운 유기금속 반응을 만나면 잘못 분류하는 경우가 많았다. 연구...

인공지능과 공존하는 고등교육을 위한 새로운 작문 평가 패러다임과 제도적 과제 인공지능 기술의 급격한 발전은 대학 교육, 그중에서도 학생들의 비판적 사고와 논리력을 평가하는 핵심 수단인 학술적 글쓰기 환경을 근본적으로 뒤흔들고 있다 .  대학 강의실에서 생성형 AI 프로그램의 사용이 일상화되면서 기존의 과제 제출형 평가는 심각한 타격을 받게 되었다 .  인공지능이 몇 초 만에 그럴듯한 에세이를 작성해내는 상황에서, 학생이 제출한 최종 결과물만 보고 그의 실제 작문 실력과 학업 성취도를 정밀하게 측정하는 것은 더 이상 불가능에 가깝다 .  이제 교육 현장은 단순히 인공지능 활용을 금지하거나 표절 검사 프로그램에 의존해 부정행위를 적발하는 수동적 방식에서 벗어나야 한다는 거센 요구에 직면해 있다 . 심리학 및 교육학 학술지 Frontiers in Psychology에 발표된 최신 메타분석 연구인 'AI 시대를 위한 글쓰기 평가의 재구상: AI 지원과 실제 기술 성장 간의 균형에 대한 체계적 문헌고찰'은 이러한 혼란을 해결할 실전적인 대안을 제시한다 .  모하메드 사이드 압델라티프(Mohamed Sayed Abdellatif) 교수 연구진은 2020년부터 2025년 사이에 발표된 19편의 엄격한 실증 연구 데이터를 정밀하게 종합하여 분석했다 .  이 논문은 전 세계 대학생들과 교수진이 실제로 인공지능을 어떻게 활용하고 있는지 구체적인 통계를 보여주는 동시에, 인공지능의 편리함에 가려진 인간 고유의 인지 능력 저하 메커니즘을 과학적으로 분석했다 .  나아가 인공지능을 학습의 방해꾼이 아닌 강력한 교육적 파트너로 바꾸기 위한 대학 평가 체제 개편 방안을 다각도로 다루고 있다 . 연구 결과에 따르면 대학생들은 이미 다양한 인공지능 도구를 작문의 각 단계마다 고도로 전략적인 방식으로 배치하여 사용하고 있다 .  특히 챗지피티(ChatGPT)의 학생 이용률은 무려 88.8%에 달해 생성형 인공지능 ...