AI-World-Story

  베이지안 신경망이 부상하고 있지만 그 신경망을 학습시키는 것은 만만치 않은 것으로 알려져있다. 최근 머신러닝 분야에서는 '정확성'뿐만 아니라 '불확실성'까지 측정할 수 있는 방법이 주목받고 있다. 특히, 의료, 금융, 자율주행처럼 안전이 중요한 분야에서는 단순한 예측값이 아니라, 그 예측이 얼마나 신뢰할 만한지까지 아는 것이 필수적이다. 이런 이유로 '베이지안 신경망(Bayesian Neural Networks, BNN)'이 부상하고 있다. 하지만 베이지안 신경망을 학습시키는 과정은 결코 쉽지 않다. 특히 'Markov Chain Monte Carlo(MCMC)'라는 정교한 샘플링 기법을 사용할 때는 더욱 까다롭다. MCMC는 높은 정확성을 자랑하지만, 계산 비용이 많이 들고 학습이 느리다는 단점이 있었다. 이런 문제를 해결하기 위해 Devesh Jawla와 John Kelleher 연구팀은 한 가지 흥미로운 방법을 제안했다. 바로 "Layer-wise Scaled Gaussian Prior"를 적용하는 것이다. 이름만 보면 복잡해 보이지만, 사실 이 아이디어는 꽤 직관적이다. 신경망 각 층(layer)마다 적절히 조정된 분포를 주자는 것이다. 딥러닝과 베이지안 학습, 그리고 어려운 문제 기존 딥러닝은 가중치(weight)를 한 번만 최적화하는 방식이다. 반면, 베이지안 신경망은 가중치 하나하나를 확률 분포로 다룬다. 이론상으론 더 강력하고 안전한 모델을 만들 수 있지만, 실전에서는 '샘플링' 과정이 너무 느리고 불안정했다. 왜일까? 핵심은 '초기 분포(prior)' 설정이다. 전통적으로는 모든 가중치에 똑같은 분포(예: 평균 0, 분산 1의 정규분포)를 주는 'Isotropic Prior'를 사용해왔다. 그런데 이렇게 하면, 학습 초기에 가중치들이 지나치게 커지거나 작아져버려서 MCMC가 비효율적으로 동작할 수 있다. Jawla와 Kell...

  셀프 슈퍼바이즈드 러닝 요즘 인공지능(AI) 분야에서 가장 뜨거운 키워드 중 하나는 단연 '셀프 슈퍼바이즈드 러닝(Self-Supervised Learning, SSL)'이다. 사람 손으로 라벨링하지 않은 데이터를 활용해 스스로 학습하는 이 기술은, 데이터 라벨링 비용을 줄이고 다양한 응용 가능성을 넓힌다는 점에서 각광받고 있다. 그런데, 여기서 중요한 질문이 나온다. "과연 우리는 SSL 모델을 제대로 평가하고 있을까?" 최근 발표된 논문이 바로 이 문제를 깊이 파고들었다. 제목은 "이미지 분류를 통한 셀프 슈퍼바이즈드 사전학습 벤치마킹 재조명(A Closer Look at Benchmarking Self-supervised Pre-training with Image Classification)"이다. 지금부터 이 논문의 주요 내용을 살펴보자. 셀프 슈퍼바이즈드 러닝, 왜 중요한가? SSL은 데이터 자체에서 학습 신호를 얻는다. 예를 들어, 이미지의 일부를 가리고 나머지를 보고 복원하는 식이다. 이렇게 하면 방대한 비라벨 데이터로도 강력한 표현력을 가진 모델을 만들 수 있다. 최근 컴퓨터 비전, 자연어 처리, 의료 영상 등 다양한 분야에서 SSL이 엄청난 성과를 내고 있다. 특히 컴퓨터 비전에서는 SSL로 사전학습(pre-training)한 후, 특정 태스크에 맞춰 미세조정(fine-tuning)하는 방식이 널리 쓰인다. 그런데, 문제는 여기에 있다. "어떤 SSL 방법이 좋은가?"를 평가하는 기준이 명확하지 않다는 것! 평가 방법, 이래도 되는 걸까? 지금까지 SSL 모델들은 주로 다음 세 가지 방법으로 평가됐다. - 선형 프로빙(Linear probing): 사전학습된 특징 위에 단순한 선형 분류기를 학습시켜 성능을 본다. - k-최근접 이웃(kNN) 프로빙: 학습된 임베딩 공간에서 비슷한 샘플끼리 가까이 있는지를 kNN으로 본다. - 전체 미세조정(Fine-tuning): 모델 전체...

어두운 적외선 배경 속에서 작은 빛 점(소형 표적)이 네트워크 망처럼 얽힌 구조 안에서 선명하게 떠오르는 모습 적외선 영상 속에서 보이지 않을 만큼 작고 희미한 표적을 찾는 일은 마치 어둠 속에서 반짝이는 먼지 하나를 찾아내는 것과 같다. 그러나 이 어려운 과제에 도전장을 내민 연구팀이 있다. 중국과학원의 연구진은 최근, 복잡한 환경과 높은 잡음 속에서도 적외선 소형 표적을 효과적으로 탐지할 수 있는 신기술을 발표했다. 이름하여 FMADNet. 다소 길고 복잡한 이름이지만, 한마디로 요약하면 "미세한 적외선 신호도 놓치지 않는 초정밀 망"이라 할 수 있다. 작은 표적을 놓치지 않기 위해 적외선 소형 표적 탐지는 국경 감시, 야간 정찰, 재난 경보 시스템 등 다양한 분야에서 필수적이다. 하지만 문제는 이 작은 표적들이 대부분 흐릿하고, 주변 배경과 쉽게 섞인다는 데 있다. 게다가 적외선 영상은 해상도가 낮고 잡음이 많아 표적을 뚜렷이 구별하는 것이 쉽지 않다. 전통적인 탐지 방법들은 대부분 배경을 제거하고 표적을 강조하는 식으로 동작했다. 하지만 복잡한 환경에서는 이런 방식이 한계에 부딪혔다. 이에 연구팀은 새로운 접근을 시도했다. 기술의 비밀, 두 가지 핵심 모듈 FMADNet은 기존 U-Net 구조를 기반으로 만들어졌지만, 여기에 두 가지 독창적인 모듈을 추가했다. 1. 잔차 다중 스케일 특징 강화 모듈 (RMFE)    - 다양한 크기에서 정보를 포착해, 크기가 작은 표적도 놓치지 않게 했다.    - 네트워크가 학습 중 손실하기 쉬운 중요한 정보를 끝까지 유지하도록 돕는다. 2. 적응형 특징 동적 융합 모듈 (AFDF)    - 인코더와 디코더 사이의 정보를 똑똑하게 융합해, 표적이 위치한 공간적 특징을 더욱 부각시킨다.    - 업샘플링(해상도 복원) 과정에서도 중요한 정보가 사라지지 않도록 설계했다. 쉽게 말하면, 이 기술은 적외선 이미지 속 작은 표적을 확대경으로 살펴보듯 뚜렷하게...

  위성으로 조류에 의한 지형의 변화를 판별이 가능한 것으로 밝혀졌다. 위성 SWOT, 조간대(Intertidal zone)의 지형을 실시간으로 추적한다! 하루에도 두 번, 바닷물은 밀려오고 밀려간다. 육지와 바다가 맞닿은 그 얇은 경계—조간대(intertidal zone)—는 조류의 리듬에 따라 숨 쉬듯 변한다. 이곳은 생물 다양성의 보고이자, 태풍과 해일을 막아주는 천연 방패다.   그런데 이 변화무쌍한 지형을 정확히, 지속적으로 측정하는 건 결코 쉬운 일이 아니다. 하지만 이제 새로운 무기가 등장했다. NASA와 프랑스 CNES가 공동 개발한 위성 SWOT(Surface Water and Ocean Topography)이 그 주인공이다.   중국 허하이대학(Hohai University)의 연구진은 이 SWOT 위성을 이용해 조간대의 고도(DEM)를 실시간으로 추출하고, 시간에 따라 어떻게 변하는지를 16개월간 분석했다. --- 기존 방식의 한계, 그리고 SWOT의 혁신 그동안 조간대 지형을 측정하려면 항공 LiDAR, 수치 수심(SDB), SAR 간섭계 등 온갖 센서를 조합해야 했다.   - 단점?     - 비용이 비싸고,     - 특정 조건(날씨, 수심, 구름 등)에 민감하며,     - 무엇보다 ‘시간에 따른 변화’를 포착하기 어려웠다. 하지만 SWOT은 다르다.   - 120km 폭의 영역을 한 번에 커버,   - 21일마다 같은 지점을 재방문,   - 해수면과 육지의 높이를 동시에 측정,   - 조위계 없이도 사용 가능! 이제 정적인 지도에서 벗어나, 살아 움직이는 조간대 지형을 그릴 수 있게 된 것이다. --- 어떻게 측정했을까? 슬로프 맵 + 조간 수로 마스킹 연구진은 2023년 7월부터 2024년 12월까지 총 50개의 SWOT...

  AI로 온라인 시험을 감독할 방법이 강구되고 있다. “감정까지 읽는다”  “감정까지 감시한다고?”   이제 온라인 시험에서 머리를 돌리는 것조차 '감시 대상'이 되는 시대가 열렸다.   인도 바나스타리 비디야피트(Banasthali Vidyapith) 대학의 연구팀은 ‘Attentive-Net’이라는 AI 기반 감시 기술을 개발해, 학생의 표정, 시선, 머리 각도, 감정까지 실시간 분석하는 차세대 온라인 감독 시스템을 구현했다. --- 온라인 시험의 고민, AI가 풀어낼 수 있을까? 팬데믹 이후 온라인 시험은 일상이 되었지만, 여전히 부정행위 방지는 큰 숙제로 남아 있다.   전통적인 화상감독은 사람이 직접 모니터링해야 하기에 한계가 있다. 비효율적이고, 수천 명의 응시자를 동시에 관리하기 어렵다. 이 논문에서 제안한 AI 감독 시스템(Attentive Proctoring System)은 바로 그 한계를 해결하기 위한 것이다.   카메라 한 대, AI 한 대면 실시간 감시가 가능하다! --- Attentive-Net의 작동 원리는? 이 시스템은 여러 가지 컴퓨터비전 기술을 조합한 형태다. 구성은 다음과 같다: - YOLOv7-SGCN: 얼굴 탐지를 위한 딥러닝 모델. 작은 움직임도 빠르게 감지할 수 있다.   - Faster R-CNN: 감정 인식을 위한 딥러닝 모델.   - Attentive-Net: 여러 감지 결과를 종합해 ‘어디에 집중할지’ 판단하는 주의집중 네트워크.   - 라이브니스 검출: 사진이나 영상으로 속이지 못하도록 실시간 생체반응 탐지   - 머리 자세 추정(head pose estimation): 응시자의 시선을 감지해, 딴 곳을 보고 있으면 알람! 쉽게 말하면, 학생이 이상 행동을 할 경우, AI가 감지하고 즉시 경고를 보내는 시스템이다. --- “눈빛이 흔들린다?” 감정 분석까...

    AI가 읽고 대답하는 ‘P&ID 도면 질의응답 시스템’ 탄생 엔지니어들은 하루의 20~30%를 도면을 읽고 정보를 찾는 데 쓴다.   그중에서도 'P&ID 도면(Piping and Instrumentation Diagram)'은 배관, 밸브, 계측기 등이 복잡하게 얽힌 설계도로, 도면 해석에 숙련된 전문가조차 시간이 오래 걸린다.  그런데 이제는 이 복잡한 도면을 자연어로 질문하면 AI가 답해주는 시대가 왔다. 미국 애리조나주립대의 연구진이 발표한 ‘PIDQA’ 프레임워크는 P&ID 도면을 질문 가능한 지식베이스로 바꿔주는 획기적인 기술이다. --- 이 기술, 뭐가 그렇게 특별할까? 일반적인 PDF 도면은 단순한 그림일 뿐, 검색이 불가능하다. 그런데 이 프레임워크는 3단계로 그 벽을 깨버린다. 1. 도면 속 객체(기호, 선, 텍스트)를 인식해 엔터티 그래프 생성   2. 그래프에 의미를 부여해 '라벨 속성 그래프(LPG)'로 변환   3. 사용자의 질문을 Cypher 쿼리 언어로 번역하고, LPG에서 답을 추출   질문은 이렇게 가능하다:   - "클래스 1 기호는 몇 개 있어?"   - "ZLO로 시작하는 태그를 가진 클래스 31 기호는 뭐야?"   - "클래스 17이 클래스 21과 25 사이에 연결되어 있어?" 이 시스템은 단순 숫자 세기부터 공간적 연결성, 값 기반 검색까지 다룬다.   무려 64,000개의 질문-답변 데이터셋(PIDQA)도 함께 제공되어 있다. --- 성능도, 실용성도 업계 최고 수준 연구팀은 YOLOv11, KerasOCR, PHT 기반 알고리즘 등을 활용해 기호, 텍스트, 선을 인식했고, 이전 연구 대비 인식률을 눈에 띄게 개선했다. | 항목 | 기존 F1 점수 | 본 연구 F1 점수 | |------|--------------|-----...

  인간과 AI는 동일한 문제를 보고도 전혀 다른 우선순위를 제시했다 인간과 인공지능의 관점 차이를 들여다본 실험 우리가 인공지능을 평가하는 시대는 끝났다.   이제는 인공지능이 사회를 어떻게 평가하는지를 살펴볼 차례다. 세르비아 노비사드대학교의 Bojan Srd̄ević 교수가 발표한 이 연구는 참으로 독특하다.   "AI가 인간 사회에 끼치는 영향을 인간과 AI 본인이 각각 평가하면 어떤 차이가 생길까?"   이 단순하지만 심오한 질문에, 연구자는 수학적 분석 기법인 AHP(Analytic Hierarchy Process)를 활용해 정답을 찾고자 했다. 놀라운 결과가 나왔다.   인간과 AI는 동일한 문제를 보고도 전혀 다른 우선순위를 제시했다. --- 문제는 여섯 가지. 평가자는 인간 38명, AI 4종 연구팀은 먼저 AI 기술이 사회에 미치는 주요 도전 과제 6가지를 도출했다: 1. 데이터 프라이버시와 보안   2. 경제적 불평등 및 일자리 대체   3. 윤리 및 도덕 문제   4. 인프라 및 자원 부족   5. 사회·문화적 저항   6. 규제 및 거버넌스 문제   이 여섯 가지 항목을 인간과 AI가 각각 비교하며 중요도를 판단하게 했다.   인간 평가단은 유럽과 미국의 교수, 연구자, 박사과정생 38명.   AI 측은 ChatGPT, Gemini(Bard), Perplexity, 그리고 DedaAI라는 네 개의 플랫폼이 참여했다. 평가는 ‘A가 B보다 얼마나 중요한가?’를 묻는 쌍대 비교(Pairwise Comparison) 방식으로 진행됐다. --- 결과는? 인간과 AI 모두 1위는 '데이터 보안' 놀랍게도 양측 모두 데이터 프라이버시와 보안(C1)을 최우선으로 꼽았다.   이유는 분명하다.  ...

  내부 고발자가 제로 지식 증명과 프라이빗 블록체인을 통해 익명성을 유지하며 증거를 안전하게 제출하는 장면을 상징적으로 표현했다.  “누가 말했는지는 중요하지 않아, 중요한 건 그 말이 진짜라는 것”   부패, 횡령, 조직 범죄. 이를 폭로하는 내부 고발자의 존재는 사회를 더 투명하게 만든다.   하지만 ‘말한 사람’이 드러나면 어떤 일이 벌어질지는… 모두가 안다.   그래서 많은 내부 고발자들이 진실을 알면서도 침묵한다.   “신원을 들키지 않고 증거만 제출할 수 있다면?” 이 단순한 질문에서 출발한 기술이 있다.   바로 제로 지식 증명(ZKP)과 프라이빗 블록체인을 결합한 디지털 증거 관리 프레임워크다.   호주 머독대학교 연구팀은 이 기술을 바탕으로 내부 고발자를 보호하면서도 법적으로 신뢰할 수 있는 증거를 제출할 수 있는 시스템을 설계했다. --- 블록체인과 ZKP, 이 조합이 필요한 이유 기존 디지털 증거 관리 시스템(DEMS)은 늘 고민에 빠진다.   “정보를 완전히 숨기면 증명은 못 하고, 보여주면 프라이버시가 깨진다.” - 내부 고발자가 문서를 제출하면, 그 진위를 따지기 위해 내용을 공개해야 하는 경우가 많았다.   - 수사 기관은 체인 오브 커스터디(chain of custody, 증거 이동 기록)를 남겨야 하지만, 이 과정에서 고발자의 정체가 드러날 수 있다.   - 중앙 집중형 서버는 해킹이나 내부 유출에 취약하다. 연구팀은 이런 문제를 해결하기 위해 ‘무엇을 알고 있다는 건 증명하되, 그것이 무엇인지는 밝히지 않는’ 기술, 즉 ZKP(Zero-Knowledge Proof)를 도입했다.   그리고 블록체인을 통해 모든 기록을 위조 불가능한 형태로 남기되, 내용은 비공개로 유지하는 방식으로 설계를 완성했다. --- ### 이 시스템은 이렇게 작동...

  인공지능이 실시간으로 살아 있는 세포를 분석하며 나노물성을 시각화하는 미래형 생명과학 연구실을 상징적으로 표현했 다 .    세포 속을 50배 빠르게 들여다보다    세포는 생각보다 ‘말랑말랑’하다. 그런데 이 말랑함이 병의 징후일 수도 있고, 건강의 척도일 수도 있다면?   세포의 물성을 측정하는 대표적인 기술, 원자힘현미경(AFM).   하지만 이 기법은 정밀한 대신 너무 느렸다. 수천 개의 데이터를 일일이 분석하려면 하루 종일이 걸릴 정도.   그래서 연구자들이 손을 들었다. 이걸 기계가 대신 해줄 순 없을까?   2025년, 스페인 마드리드 소재 재료과학연구소(ICMM-CSIC)의 연구팀은   인공지능을 활용해 세포 나노리올로지 분석을 50배나 빠르게 처리하는 방법을 개발했다.   ‘세포 물성 지도’를 몇 시간에서 몇 분 안에 그릴 수 있는 기술.   이제는 살아 있는 세포도 빠르고 정확하게 분석할 수 ...

  계절에 따라 변하는 대기 혼합층 높이를 AI가 예측하는 구조를 시각적으로 담아냈다. “대기 혼합층 높이는 계절 따라 다르다”… 머신러닝으로 기후를 읽다 우리가 숨 쉬는 공기 위에는 보이지 않는 경계선이 있다. 바로 '대기 혼합층(Mixing Layer Height, MLH)'이다. 이 경계선은 지표면에서 올라가는 열과 수증기, 오염물질이 어디까지 퍼질 수 있는지를 결정한다. 즉, 날씨, 기후, 대기오염, 심지어 폭염까지 좌우하는 핵심 요소다. 그런데 이 대기 혼합층의 높이는 매일, 계절마다 달라진다. 그렇다면 어떤 요인이 그 변화를 일으킬까? 그리고 그걸 미리 예측할 수 있다면? 최근 한 연구팀이 이 질문에 대해 인공지능(AI), 특히 머신러닝 알고리즘 'XGBoost'를 이용해 답을 찾아냈다. --- 대기 혼합층이 뭐길래? 대기 혼합층은 말 그대로 지표면의 공기와 상층의 공기가 섞이는 구간이다. 해가 뜨고 지면이 따뜻해지면 이 층은 위로 올라가고, 해가 지면 다시 얇아진다. 이 층의 두께는 도시의 공기질, 기후 변화, 날씨 예측에 결정적인 역할을 한다. 예를 들어, 혼합층이 낮으면 대기오염 물질이 지표면에 머무르고, 혼합층이 높으면 오염이 더 넓게 퍼져 농도는 낮아진다. 기상청이 혼합층 높이를 예측하는 이유도 여기에 있다. --- 머신러닝, 대기를 읽다 전통적인 기상 예측 모델은 너무 복잡하고 계산 비용이 크다. 게다가 혼합층 높이는 수많은 변수에 따라 달라지기 때문에 예측이 쉽지 않다. 이에 따라 연구팀은 간단하면서도 강력한 머신러닝 알고리즘인 'XGBoost'를 활용해 예측 정확도를 높이고자 했다. 연구는 이렇게 진행됐다 : - 데이터: 미국 오클라호마주의 기상 관측소 4곳(C1, E32, E37, E39)에서 4년(2016~2019)간 수집된 풍속, 온도, 복사량, 수증기, 열 플럭스 등 - 주요 변수:   - SHF (감각열 플럭스): 지표면에서 공기로 전달되는 열   - LHF (잠열 플럭스): 수증기 ...

암호화폐는 이제 전세계적인 현상이 되고 말았다. 암호화폐는 한때 기술 애호가들 사이에서만 통용되던 디지털 실험에 불과했지만, 이제는 전 세계 금융 시장에서 중요한 위치를 차지하게 되었습니다. 그러나 이 변화는 모든 지역에서 균일하게 일어난 것이 아니며, 국가별, 지역별, 인구통계적 요인에 따라 암호화폐의 도입률은 크게 달라집니다. 이러한 도입 배경을 다각도로 분석하는 것은 암호화폐 생태계를 이해하고 미래를 준비하는 데 필수적입니다. --- 1. 경제 및 정치적 요인 연구 결과에 따르면 교육 수준, 인간 개발 지수, 민주주의 수준, 규제의 질, 그리고 국내총생산(GDP)이 높은 국가일수록 암호화폐의 도입률이 높습니다. 반면, 경제가 불안정하거나 부패가 만연한 국가는 도입률이 낮은 경향을 보입니다. 이는 제도적 신뢰와 개방성이 디지털 화폐 수용에 중요한 영향을 미친다는 것을 시사합니다. --- 2. 신뢰의 역할 신뢰는 모든 금융 시스템의 핵심입니다. 사회 전반의 신뢰 수준이 높을수록 암호화폐 시장에 대한 참여도 또한 높아지는 것으로 나타났습니다. Jalan 외(2023) 및 Bhimani 외(2022)의 연구에서는 신뢰가 금융 시장 전체, 특히 암호화폐 시장의 성장에 중요한 요소임을 밝혔습니다. 또한 Saeedi와 Al-Fattal(2025)은 여성의 경우 규제에 대한 신뢰가, 노년층의 경우 사회적 신뢰가 도입 결정에 더 큰 영향을 미친다고 설명합니다. --- 3. 디파이(DeFi)와 암호화폐 도입의 차이 암호화폐와 탈중앙화 금융(DeFi)의 도입 패턴은 서로 다릅니다. Nguyen과 Nguyen(2024)의 연구에 따르면, 암호화폐는 인구가 많고 인플레이션이 높은 민주주의 국가에서 많이 도입되며, 사회적 연결성이 낮고 불확실성을 회피하는 성향이 강한 곳일수록 사용률이 높습니다. 반면, DeFi는 고도의 인간 개발 지수를 가진 국가, 인구가 많은 국가, 그리고 발전된 금융 시스템을 가진 국가에서 활발히 도입되고 있습니다. --- 4. 기술 혁신과 접근성 향상 블록...

  증강현실(AR)을 활용해 해부학적 구조를 색상으로 구분했을 때, 학생들은 더 빠르게 정보를 이해하고, 덜 피곤하게 학습을 이어갈 수 있다 🎨 단순한 색깔 구분이 학습 효과를 높인다고? 색깔 하나가 우리의 뇌를 바꾼다고 하면 믿겠는가? 더 놀라운 건, 이 색깔이 실물에 붙어 있지 않고 공중에 떠 있는 ‘홀로그램’일 경우에도 비슷한 효과가 난다는 사실이다.   최근 연구에 따르면, 증강현실(AR)을 활용해 해부학적 구조를 색상으로 구분했을 때, 학생들은 더 빠르게 정보를 이해하고, 덜 피곤하게 학습을 이어갈 수 있다고 한다. 단순히 눈에 보기 좋아서가 아니라, 뇌가 정보를 효율적으로 정리하는 방식과 밀접한 관련이 있다는 것이다. 의료 교육에 혁신을 불러올 수 있는 이 시도.   그 구체적인 실험과 결과가 궁금하다면 지금부터 하나씩 파헤쳐보자.   당신이 알고 있던 '색칠 공부'의 개념이 완전히 바뀔지도 모른다. --- ## 원문 정보 `색상 코딩이 의학 AR 학습에 미치는 영향 (Use of color in visual coding of information for augmented reality environments) 저자: Luis Eduardo Bautista 외 (Universidad Industrial de Santander, 콜롬비아) 출판일: 2025년 3월 26일 저널: Virtual Reality (2025) 29:67 (CC BY 4.0 라이선스) --- 🦵 무릎 모델 위의 가상 색깔들, 그 속에서 배운다는 것 이 연구는 ‘시각적 색상 코딩’이 학습 효과에 어떤 영향을 미치는지 분석하기 위해, 무릎 관절경 수술(arthroscopy) 시나리오를 바탕으로 실험을 진행했다.   총 29명의 보건의료 전공 학생들은 Microsoft HoloLens 2를 착용하고 실제 무릎 모형 위에 증강된 정보를 띄운 채, 학습을 수행했다.   이들은 두 그룹으로...

  우주에서 본 복잡한 도시 풍경 위로 다양한 색의 기후대가 겹쳐진 지도 형태. 중앙에는 SSMMRL 모델 아이콘이 빛나며 배경은 데이터 스트림처럼 보이는 패턴으로 구성. 레이블이 거의 없는 상황에서도 가능한 놀라운 AI 모델이 등장했다   ‘도시는 스스로의 기후를 만든다’는 말, 들어본 적 있는가?   도시의 형태와 재료, 식생의 유무에 따라 미세한 기후 변화가 발생하는데, 이를 지역기후대(Local Climate Zone, LCZ)라고 부른다.     하지만 문제는 여기 있다.   이 LCZ를 정확히 분류하려면 엄청난 양의 라벨링된 위성 이미지가 필요한데, 사람이 일일이 하나씩 데이터에 라벨을 붙이는 작업은 시간도 돈도 많이 든다.   그래서 연구자들은 새로운 접근을 택했다.   “라벨 없이 스스로 학습하는 인공지능(Self-Supervised Learning, SSL)은 가능하지 않을까?”   이제 주목하라.   레이블은 거의 없지만...