AI-World-Story

서론 녹내장은 전 세계적으로 돌이킬 수 없는 실명 원인 1위로 꼽힌다. 만성적으로 시신경이 손상되며, 초기에는 뚜렷한 증상이 없어 조기 발견이 까다롭다. 하지만 안저 사진(fundus photograph) 촬영 장비는 이미 당뇨망막병증 스크리닝 등에서 보편화되어 있어, 녹내장 선별(screening)에도 응용할 수 있는 잠재력이 크다. 최근 딥러닝 기술이 의료 영상 분석 분야에 빠르게 적용되면서, 특히 컨볼루션 신경망(CNN)을 활용한 녹내장 탐지가 주목받고 있다. 본 글에서는 Sukhumal Thanapaisal 외(2025)가 발표한 “Machine learning technology in the classification of glaucoma severity using fundus photographs” 논문을 바탕으로, 인공지능 모델 EfficientNetB7을 활용한 녹내장 단계 분류 연구를 소개하고, 그 의의와 한계, 그리고 향후 발전 방향을 독자 관점에서 깊이 있게 분석했다. 연구 배경과 목적 녹내장 선별의 필요성 녹내장은 2040년까지 전 세계 환자 수가 1억 1,180만 명에 이를 것으로 예측된다. 특히 자원 부족 지역에서는 시야 검사(visual field test)나 OCT 검사 장비를 갖추기 어려워 안저 사진만으로 녹내장 진단·단계를 구분할 수 있는 기술이 절실하다. HPA 기준 기반 단계 분류 기존 연구들은 주로 시야 검사에서 산출되는 평균 결손(mean deviation, MD) 값만으로 녹내장 단계를 분류했지만, Hodapp-Parrish-Anderson(HPA) 기준은 MD 값 외에도 결함 개수와 중심 부위 근접성을 종합한다. 이 논문은 HPA 기준으로 정상(normal), 경증-중등도(mild-moderate), 중증(severe) 녹내장 단계를 안저 사진만으로 분류하는 모델을 개발한 점에서 차별화된다. 연구 방법 데이터셋 구성 및 라벨링 환자 수 1...

현대의 네트워크 환경은 급격한 규모 확장과 복잡성 증가로 인해 예기치 못한 장애가 빈번하다. 본 블로그에서는 Dubey 외(2025)의 논문, "Transformer-Driven Fault Detection in Self-Healing Networks: A Novel Attention-Based Framework for Adaptive Network Recovery" 를 바탕으로 자가 치유 네트워크에서의 고급 장애 탐지 (fault detection) 기법을 살펴보고, 트랜스포머 와 주의 기반 CNN(Attention-Augmented CNN, AACNN) 의 결합이 가져오는 혁신적 성과를 분석한다. 연구 배경 및 목적 자가 치유 네트워크의 필요성 네트워크 트래픽이 기하급수적으로 증가하면서 서비스 중단에 따른 손실도 막대해졌다. 특히 5G, 스마트 시티, 클라우드 서비스 등 고밀도 네트워크에서 장애 발생 시 데이터 손실과 금융적 피해가 크다. 이에 자가 치유 네트워크(self-healing network) 가 주목받는다. 자가 치유 네트워크는 장애를 자동으로 탐지하고 복구해 서비스 연속성을 보장한다. 기존 연구의 한계 과거 연구들은 주로 규칙 기반(rule-based)이나 순차적 딥러닝 모델(VAE, DBN, Markov Random Field 등)을 사용했다. 그러나 이들은 다음과 같은 문제를 지닌다: 데이터 불균형 문제: 장애 클래스가 소수인 경우 과대적합 위험이 높다. 잡음(Noisy Signal) : 센서 신호에 포함된 잡음이 모델 학습을 방해한다. 장기 의존성 학습 한계 : 순차 모델이 장기적 패턴을 포착하기 어렵다. 이러한 한계를 극복하기 위해 본 논문은 주의 메커니즘 과 트랜스포머 를 결합한 하이브리드 프레임워크를 제안했다. 주요 방법론 EE-SMOTE를 통한 불균형 데이터 처리 불균형 데이터는 소수 클래스(장애) 학습을 방해...

 — 철학자 에리크 사뎅, 기술 숭배 시대에 던지는 뼈아픈 질문 인공지능이 어디까지 인간의 일을 대체할 수 있을까? 이 질문은 기술 발전이 빨라질수록 더 자주, 더 깊이 우리를 괴롭힌다. 하지만 프랑스의 철학자 에리크 사뎅(Éric Sadin)은 이보다 더 근본적인 질문을 던진다. “AI가 인간을 대체하는 게 문제라면, 그건 이미 늦은 질문이다. 문제는 기술이 인간의 존엄을 어떻게 지우고 있는가다.” 최근 발표된 「Technocritique and Its Limits: Éric Sadin on Human Dignity in the Face of Artificial Intelligence」라는 논문은 사뎅의 기술 비평 철학을 본격적으로 다룬다. 단순한 기술 불신이나 반(反)과학적 정서가 아닌, 인간의 자율성과 존엄성이라는 가치에 기반한 비판이다. 실리콘밸리, ‘기술’을 권력으로 만들다 사뎅이 비판하는 기술의 핵심은 ‘디지털 권력화’다. 그는 실리콘밸리가 만든 기술 생태계를 단순한 산업혁신으로 보지 않는다. 사뎅의 시각에서 이들은 더 이상 도구를 만드는 존재가 아니다. 오히려 “인간의 행동을 예측하고 조종하는 권력을 갖는 새로운 정치 세력”으로 본다. 예컨대 추천 알고리즘, 행동 예측 모델, AI 기반 의사결정 시스템은 표면적으로는 ‘편리한 서비스’처럼 보인다. 그러나 그 내부에서는 인간의 선택 가능성을 압축하고, 자유 의지를 구조적으로 제약하는 기제가 작동한다. 사뎅은 이 같은 흐름을 “디지털 결정주의(digital determinism)”라 부르며, 인간의 삶에 침투한 권력 기술로 해석한다. 그는 특히 기술이 정치·윤리적 질문 없이 무비판적으로 수용되는 현실을 비판한다. “기술은 정치다. 그런데 사람들은 기술을 가치 중립적인 것으로 착각한다.” 기술이 존엄을 침해할 때 이 논문은 사뎅의 비판 중에서도 ‘인간 존엄성(dignité humaine)’에 대한 강조에 주목한다. 그는 AI가 단지 ...

AI가 공장에 들어온 지는 꽤 됐다. 품질검사, 예지정비, 공급망 최적화까지 AI가 빠진 제조 현장을 상상하기 어렵다. 하지만 AI를 믿을 수 있냐는 질문에는 아직 답이 선뜻 나오지 않는다. 이 논문은 바로 그 물음에 답한다. 제조업에서 AI를 신뢰할 수 있으려면 무엇이 필요한지, 그리고 Industry 5.0 시대에 어떤 도구와 원칙이 필요한지 를 깊이 파헤쳤다. Industry 4.0을 넘어, Industry 5.0으로 Industry 4.0은 센서와 IoT, 빅데이터, 자동화를 무기로 공장을 스마트하게 바꿨다. 그런데 이제는 한 발 더 나아간다. Industry 5.0은 ‘기계 중심’에서 ‘사람 중심’으로 무게 중심을 옮겼다. AI가 전면에 나서되, 인간과 공존하며 더 지속가능하고 윤리적인 산업을 만들자는 것이 핵심이다. AI 신뢰성의 4대 원칙 공장에서 AI가 신뢰받으려면 네 가지가 필수다. 바로 투명성, 공정성, 견고함(robustness), 책임성(accountability) 이다. 투명성: AI가 어떻게 결정을 내렸는지 이해할 수 있어야 한다. 공정성: 데이터 편향과 차별을 막아야 한다. 견고함: 환경이 바뀌거나 공격을 받아도 흔들리지 않아야 한다. 책임성: 문제가 생기면 책임소재가 명확해야 한다. 연구팀은 이 네 가지를 중심으로 기존의 도구들을 정리하고, 어떤 점이 부족한지 분석했다. 블랙박스 AI, 왜 문제인가? AI는 편리하지만 ‘블랙박스’라는 딜레마가 있다. 내부가 어떻게 돌아가는지 알기 어렵다는 뜻이다. 품질검사 로봇이 왜 불량품을 통과시켰는지, 예지정비 시스템이 왜 고장을 못 알아챘는지 알 수 없다면 누구도 AI를 쉽게 믿지 못한다. 이 논문은 IBM의 AIX360, SHAP, LIME 같은 해석 가능성(Explainability) 툴킷을 사례로 들어, 어떻게 하면 블랙박스를...

월드컵, 올림픽, 리그전… 공정해야 할 스포츠 경기에도 ‘은밀한 거래’가 숨겨져 있을 수 있다. 특히 ‘도전자 챔프(Challenge the Champ)’ 같은 단순한 토너먼트에서는 한 번 이긴 선수가 챔프가 되고, 또 다음 도전자를 맞이한다. 그런데 여기서 챔프가 계속 승리하도록 다른 선수들을 몰래 매수한다면? 이번 논문은 바로 이런 ‘챔프 유지 뇌물 문제(CBCCT)’ 를 수학적으로 다뤘다. 누구를 얼마에 매수해야 예산 한도 안에서 원하는 확률로 챔프가 살아남을 수 있을까? 현실 같지만, 사실 복잡한 계산 문제다. 문제는 간단한데 계산은 어렵다 이론적으로는 쉽다. 각 선수는 ‘얼마를 받으면 질 확률이 얼마나 높아진다’는 뇌물 벡터를 갖고 있다. 챔프는 이들을 한 명씩 상대한다. 전체 경기에서 챔프가 이길 확률이 목표치 이상이 되도록 뇌물을 적절히 배분하는 게 문제의 핵심이다. 놀라운 건, 이게 간단한 것 같아도 약한 NP-난해(Weakly NP-hard) 문제라는 사실이다. 게다가 선수 수를 변수로 보면 W[1]-난해(W[1]-hard) 라서 단순한 고속 알고리즘으로는 풀기 어렵다. 그래도 방법은 있다 희망적인 소식도 있다. 연구진은 ‘선수 수’ 대신 ‘뇌물 가격 종류’나 ‘확률 종류’를 변수로 삼으면 문제를 더 쉽게 풀 수 있다 는 걸 증명했다. 실제로 뇌물 가격은 몇 가지로 한정되기 마련이고, 확률도 대략적인 예측치이기 때문에 가능한 얘기다. 이를 위해 연구팀은 혼합 정수 선형계획(MILP) 기법을 활용했다. 변수 일부는 정수로 제한하고 나머지는 연속 값으로 풀어, 깔끔한 최적해를 뽑아내는 것이다. 알고리즘만 쓸모 있나? 선거 캠페인에도! 흥미로운 건 이 연구가 스포츠에만 그치지 않는다는 점이다. 논문에서는 ‘챔프’를 정치 후보로, 도전자들을 유권자로 바꿔 보면 선거 캠프의 전략 모델링에도 활용 가능하다 고 설명한다. 유권자에게 어떤 메시지를 전달하...

  연구 배경 및 목적 인공지능(AI)은 직업 구조와 요구 역량을 빠르게 재편하고 있다. 본 연구는 페루의 한 공립 대학 졸업생 148명을 대상으로 AI 역량 수준과 이들의 취업 현황 및 직무 적합성 간 관계를 분석했다. 설문지는 전문가 평가를 거쳐 15개 항목으로 구성되었으며, 내적 일관성 검사는 Cronbach’s α=0.876으로 높은 신뢰도를 보였다 .  주요 결과  AI 역량 습득 경로와 도구 활용 졸업생들이 AI 지식을 습득하는 경로는 주로 자가 학습(self-directed learning)과 온라인 과정이었다. 공식 교과과정에서 AI를 배운 비율은 상대적으로 낮아, 대학 교육과 시장 수요 간 괴리가 드러났다 . ChatGPT, Google Gemini, Microsoft Copilot 같은 범용 생성형 AI 도구의 사용 빈도가 가장 높았으며, 심층적·전문적 AI 활용은 아직 초기 단계다 .  AI 역량과 취업 현황 AI 도구를 주 2회 이상 활용하는 졸업생은 업무 효율과 생산성 향상을 크게 체감했으며, 전공 분야에 맞는 직무에 배치될 확률이 높았다 . 그러나 세대별 디지털 스킬 차이로 인해 50대 이상 졸업생의 AI 지식 점수는 낮게 나타나, 연령과 AI 친숙도의 음(−0.34) 상관이 확인되었다 .  통계 분석: 성별·고용 상태 차이 성별 간 AI 지식 평균에는 유의미한 차이가 발견되었다(p=0.0393), 여성 졸업생이 남성보다 낮은 기술 자신감을 보고했다 . 반면, 고용 형태(전공 분야 취업, 비전공 분야 취업, 실업, 창업)에 따른 AI 역량과 인식 차이는 통계적으로 유의하지 않았다 .  요인 분석(PCA) 주성분분석 결과, 첫 번째 요인(Dim1, 45%)은 ‘AI의 직무 활용도·취업 기회 인식·생산성 향상 기대’로 구성돼 전략적·실용적 AI 태도를 반영했다. 두 번째 요인(Dim2, 21%)은 ‘자기보고식 AI 지식 수준·준비도 인식’으로 기술 훈련 격차를 드러냈다...

  … “AI가 내 증명을 더 잘 봐준다고?” “수학 증명은 인간만이 이해할 수 있는 언어다.” 수학을 공부해본 사람이라면 누구나 한 번쯤 들어봤을 말이다. 그만큼 수학 증명, 특히 수학적 귀납법은 공식만 안다고 되는 게 아니다. 처음부터 끝까지 논리의 흐름을 말로 풀어내야 하고, 작은 실수 하나로 전체 논리가 무너질 수 있다. 교수나 조교가 직접 일일이 확인해야 하는 까다로운 작업이다. 그런데 이제, 인공지능(AI)이 그 역할을 대신하고 있다. 미국 일리노이대학교 어배너-섐페인 캠퍼스(UIUC)의 연구팀은 AI를 활용해 수학적 귀납법 증명을 자동으로 채점하는 기술을 개발하고, 실제 강의에서 실험까지 진행했다. 더욱 놀라운 사실은, 이 AI 채점기가 “사람 조교보다 더 정확하게” 학생들의 증명을 평가했다는 점이다. 도대체 AI가 어떻게 ‘말로 쓴 수학 논리’를 이해하고 평가한다는 걸까? 말로 쓰는 수학, 기계가 읽다 연구팀이 주목한 건 자연어 처리(NLP) 기술이다. 기존에도 NLP를 활용한 짧은 정답 채점 시스템은 있었지만, 대부분은 문장 몇 줄로 끝나는 과학 개념 설명이나 읽기 이해 문제에 국한됐다. 수학 증명처럼 긴 논리와 수식이 뒤섞인 텍스트를 제대로 평가한 사례는 없었다. 이에 연구팀은 ‘귀납법 증명’이라는 특정 유형에 초점을 맞췄다. 수학적 귀납법은 증명의 구조가 비교적 명확하게 정형화되어 있어 AI가 학습하기에 유리하다. 문제마다 7단계로 구성된 평가 기준(예: 기저 사례 제시, 귀납 가정 서술, 귀납 단계 증명 등)을 마련하고, 실제 학생들이 작성한 증명 데이터를 기반으로 학습시켰다. 그 결과, GPT-3, Llemma(오픈소스 수학 특화 모델), MathBERT 등 대형 언어 모델을 활용해 채점 정확도 90% 이상을 달성했다. 심지어 일부 경우엔 훈련받은 인간 조교보다 더 일관된 평가를 보였다. “AI 피드백 받고 다시 써보니, 점수가 쑥쑥!” 연구팀은 이 기술을...

서론: 불완전한 지식 그래프와 링크 예측의 중요성 지식 그래프(Knowledge Graph, KG)는 노드(개체)와 에지(관계)로 구성된 삼중항(triplet) 구조를 통해 방대한 지식을 표현한다. 하지만 대부분의 대규모 KG는 여전히 빈틈이 많아, 누락된 관계를 추론하지 못하면 추천 시스템·질의응답·의료 진단 등 다양한 응용에서 성능 저하를 겪는다. 링크 예측(link prediction)은 이런 누락된 관계를 자동으로 채워 넣는 핵심 과제다. 기계적으로 모든 가능한 에지를 대입해 확인하는 것은 비효율적이므로, 인접 노드 간 의미적 연관성을 잘 포착할 수 있는 경량화된 모델 설계가 절실하다. 배경: 기존 KGC 방법들의 한계와 PLM의 약속 전통적 임베딩 기법과 한계 초기 KGC는 TransE, TransH, TransD 같은 번역 기반 임베딩 모델을 활용했다. 이들은 삼중항 (h, r, t)에 대해 h + r ≈ t 를 만족하도록 학습해, 단순·빠르게 노드 관계를 모델링했다. 하지만 복잡한 다대다 관계나 위상(topology)을 다루기에는 표현력이 부족했다. PLM 기반 KGC의 부상 최근 PLM(사전 학습된 언어 모델)인 BERT, RoBERTa 등은 텍스트 내 의미론적 맥락을 정교하게 포착할 수 있어 KGC에도 적용되기 시작했다. KG-BERT, KGLM 같은 프레임워크는 KG 삼중항을 텍스트 시퀀스로 변환해 PLM의 강력한 언어 이해 능력을 끌어온다. 그러나 PLM은 방대한 파라미터 수와 연산량으로 인해 리소스 제약 상황에서는 효율적 학습과 실제 적용에 한계를 보인다. 연구 목표: 인간 두뇌에서 착안한 경량화 어텐션 이 논문은 “제한된 핵심 특징만으로도 결론을 유추하는” 인간의 인지 방식을 모방해, KG 링크 예측 전용 Bi-Level Routing Attention (BRA) 모듈을 제안했다. 핵심 아이디어는 다음과 같다: 경량 모듈 설계 : 기존 PLM의 핵심 파라미터는 그대로 ...

2025년 발표된 iScience 논문에 따르면, 세계 여성암 중 여섯 번째로 흔한 자궁내막암과 그 전구병변인 이형성증(AEH)의 조기 진단 정확도를 획기적으로 높일 수 있는 새로운 컴퓨터 보조 진단 시스템이 개발됐다. 전통적인 자궁내시경 검사는 정확도가 높더라도 종종 병변을 놓치거나 오진 위험이 있다. 특히 AEH는 20년간 28%가 암으로 진행되고, 실제로 3분의 1에서는 암이 동반되기 때문에 빠른 진단이 무엇보다 중요하다. 본론:  대규모 영상·대조학습으로 완성된 ECCADx연구진은 ECCADx라는 이름의 심층학습(딥러닝) 모델을 고안했다. 이 시스템은 크게 두 단계로 구성됐다. 먼저 대장내시경 등 외부 내시경 영상을 활용해 대조학습(contrastive learning) 방식으로 사전 학습을 시켜, 기계가 다양한 내시경 환경에서 병변의 미세한 차이점을 포착할 수 있도록 했다. 이후 1204명 환자의 4만9646장 자궁내시경 이미지를 이용해 모델을 미세 조정했다. 검증 과정도 철저했다. 내부 검증(190명·6228장)과 외부 검증(105명·2809장)을 거쳐 성능을 평가했다. 내부 데이터에서는 민감도(양성 발견율) 95.2%, 특이도(음성 확인율) 91.3%를, 외부 데이터에서는 각각 92.1%와 100%를 기록했다. 이는 숙련된 내시경 전문의를 평균 이상으로 뛰어넘는 수준이다. 특히 외부 기관 영상에서도 100%의 특이도를 달성하며, 오진 없이 건강한 환자를 정확히 걸러냈다는 점이 주목된다. 대조학습의 영향사전 학습 단계에서 대조학습을 적용하지 않은 모델과 비교했을 때, 적용 모델의 ROC(수신자 조작 특성) 곡선 아래 면적(AUC)은 내부에서 0.979(비적용 0.969), 외부에서 0.975(비적용 0.891)로 크게 향상됐다. t-SNE 기법으로 시각화한 결과, 대조학습을 거친 모델은 병변(암·이형성)과 정상·양성 병변 군이 명확히 분리된 반면, 비적용 모델은 두 군이 뒤섞여 있었다. 또한 Grad-CAM 열지도 분석을 통해, 대조학습 모델...

  서론 인공지능(AI)은 조직 혁신과 비즈니스 프로세스를 근본적으로 재편하고 있다. 특히 윤리적 고려 없이 AI를 도입할 경우, 편향·프라이버시 침해·책임 회피 등의 위험이 동반된다. 본 논문은 유틸리타리언, 의무론, 덕 윤리 등 전통적 윤리 이론을 바탕으로 AI 윤리 프레임워크를 검토하고, 이를 실제로 적용할 수 있는 거버넌스 모델 및 전략적 구현 방안을 제시한다 . AI 특허 기반 AI 집약도(AI patents per capita)가 10% 증가할 때 GDP가 0.3% 상승한다는 연구는, 윤리적 리스크 관리를 병행한 AI 도입이 경제·사회적 가치를 높일 수 있음을 시사한다 . 또한 기업의 약 70%가 AI 도입 후 가시적 성과를 거두지 못하고, 데이터 과학 프로젝트의 겨우 13%만이 실제 운영에 안착한다는 통계는 윤리·거버넌스 부재가 실질적 성과를 가로막는 주된 요인임을 보여준다 .  이론적 배경: 책임 있는 AI 윤리 프레임워크   1. 윤리 이론(Ethical Theories)의 역할 유틸리타리언(Utilitarianism) : 최대 다수의 최대 행복을 목표로, AI 시스템이 사회 전반에 미칠 편익과 피해를 객관적으로 평가하는 틀을 제공한다. 의무론(Deontology) : 칸트주의 등 의무 중심 관점에서 AI 의사결정 모델이 준수해야 할 절대적 원칙(예: 개인정보 비침해, 투명성 보장)을 정의한다. 덕 윤리(Virtue Ethics) : 시스템 설계자와 운영자가 갖춰야 할 ‘덕목’(정직, 공정성, 책임감)을 강조해, 기술이 사용자·사회에 미치는 장기적 영향을 고려한다 . 이론별 차이가 분명하지만, 상호 보완적 원칙으로 통합 적용할 때 AI 윤리 프레임워크의 견고성이 강화된다는 점이 핵심이다.   2. 거버넌스 모델(Governance Models)의 구성 윤리적 의사결정 모델(Ethical Decision-Making Models) : 조직 내 의사결정 권한과 책임 소재를 구...

사람의 코 대신 냄새를 맡는 기계가 있다면? 농장에서 수확 전 레몬이 썩는 걸 실시간으로 알려준다면? 이번 논문은 IoT 전자코(eNose) 로 이 상상을 현실로 옮겼다. 게다가 웹과 MQTT, VPN까지 더해 스마트 농업의 새로운 길을 보여줬다. 전자코가 뭐길래? 전자코는 이름처럼 사람의 코를 모방한 센서 장치 다. 여러 개의 가스 센서가 공기 중 냄새 성분을 감지해 데이터로 바꾼다. 이 데이터로 와인의 품종을 구분하거나, 고기의 신선도를 판별하거나, 심지어는 사람의 숨결로 질병을 진단하기도 한다. 이번 연구진은 8개의 MQ 센서로 만든 저비용 전자코를 라즈베리 파이에 연결했다. 그리고 이 장치를 인터넷과 연결해 멀리 떨어진 농장에서도 실시간으로 데이터를 모으고 제어할 수 있게 했다. IoT 시대의 전자코 이 시스템의 핵심은 MQTT 와 웹 서비스 다. MQTT는 IoT 기기들이 적은 전력과 대역폭으로 데이터를 주고받을 수 있게 도와주는 메시징 프로토콜이다. 여기에 VPN(가상 사설망)을 덧붙여 데이터를 안전하게 전송했다. 즉, 농장 어디에 있든 인터넷만 있으면 레몬 박스 옆 전자코가 냄새를 맡고 데이터를 서버로 보낸다. 덕분에 사용자는 별도 앱 없이 웹 브라우저로 전자코를 제어하고, 데이터를 시각화해 볼 수 있다. 라즈베리 파이 안에 파이썬 Flask 서버가 돌아가며 실시간으로 데이터가 웹에 뜨는 구조다. 실험: 레몬은 어떻게 변했나? 논문에서는 스페인 농장에서 실제 레몬 박스를 대상으로 실험을 했다. 수확 전에 방부제를 다르게 처리한 레몬들을 한 달간 전자코로 모니터링했다. 데이터는 실시간으로 서버에 쌓이고, 이를 기반으로 PCA(주성분 분석)와 SVM(서포트 벡터 머신)을 활용해 부패 진행 상황을 예측했다. 놀랍게도 SVM은 레몬의 부패 주차를 100% 정확도로 분류해냈다. 사전에 데이터 전처리로 K-means 클러스터링을 쓰면 성능이 다소 떨어졌지만,...

가짜가 진짜를 흉내 내는 세상이다. 정치인도 연예인도 평범한 일반인도, 한 번 찍힌 얼굴은 누군가의 손에서 ‘딥페이크’ 영상으로 둔갑한다. 눈 깜짝할 새 가짜 뉴스가 퍼지고, 신뢰는 무너진다. 점점 더 정교해지는 딥페이크 기술에 맞서 연구진은 새로운 무기를 들고 나왔다. 인도의 벨로르 공대 연구팀은 ‘RLNet’이라는 딥러닝 모델을 만들었다. 이 모델은 ResNet과 LSTM, 두 가지 딥러닝 기법을 결합해 가짜 영상을 찾아낸다. 정교한 눈과 긴 기억력을 가진 AI 탐정이 등장한 셈이다. 가짜를 가려내는 두 개의 눈: ResNet과 LSTM 딥페이크 탐지는 ‘어디가 이상한지’를 찾는 싸움이다. 기존 방법은 주로 이미지 한 장의 픽셀, 즉 공간 정보만 봤다. 하지만 영상은 연속된 장면이 핵심이다. 한 프레임만 보고는 못 잡는 미묘한 이상 징후가 시간 흐름에 숨어있기 때문이다. RLNet은 여기서 두 마리 토끼를 잡았다. 먼저 ResNet은 각 프레임(이미지)에서 미세한 조작 흔적을 찾는다. 빛 번짐, 질감 왜곡, 얼굴 주름의 부자연스러움 같은 디테일을 집어낸다. 이어 LSTM은 프레임 간의 흐름을 본다. 깜박임이 어색하다거나, 입 모양과 소리가 안 맞는다거나, 표정 변화가 비정상적이면 가차 없이 표시한다. 연구진은 어떻게 실험했나? 연구팀은 카글(Kaggle)에서 공개된 딥페이크 데이터셋을 활용해 모델을 훈련시켰다. 진짜 영상과 가짜 영상을 수천 개 프레임으로 잘게 쪼갠 뒤, ResNet이 공간 정보를 뽑고 LSTM이 시간 흐름을 분석한다. 이렇게 학습한 모델은 새로운 영상을 만나면 자동으로 프레임을 분석해 진짜인지 가짜인지 판단한다. 결과는 어땠을까? ResNet50과 LSTM을 결합한 RLNet 모델은 무려 95% 이상의 정확도를 기록했다. 기존에 많이 쓰이던 EfficientNet이나 단일 CNN, RNN 기반 모델보다 최대 4%가량 성능이 높았다. 특히 압축된 영상이나 새로운 제...

  비정상적 관측값(outliers)과 이상(anomalies)은 AI 모델의 정확도와 신뢰성에 치명적 영향을 미친다. 특히 의료 영상에서 장기를 자동으로 측정하는 형태측정(morphometry) AI 개발 과정에서는 데이터셋의 품질 관리가 핵심이다. 이번 글에서는 모스크바 의료 기관에서 수집한 비장 CT 스캔 측정값을 대상으로 수행된 연구를 바탕으로, 이상치 탐지 방법론을 소개하고 독자적인 관점에서 비판적 해석과 실생활 응용 가능성을 제안한다. 서론: AI 형태측정과 데이터 품질의 상관관계 의료 AI 개발에서 ‘데이터셋 표준화’는 단순한 전처리를 넘어 모델 성능의 기본 토대가 된다. 연구팀은 2023년 4월부터 2024년 5월까지 모스크바 공공의료 시스템에서 수집된 총 197명(394개 측정치)의 비장 직경과 두께 데이터를 확보했다. 세 명의 전문 방사선과 의사가 각각 동일 수치를 측정해 라벨링을 수행했다. 하지만 수집 과정에서 측정 오류, 입력 실수, 비정상적 장기 형태 등이 뒤섞여 있었다. 이로 인해 AI 학습과 검증 단계에서 예기치 못한 오차가 발생할 위험이 컸다. 전통적 통계 기법(1.5 IQR, Z-점수, Grubbs 검사 등)과 시각화(boxplot, 히스토그램, 히트맵, 산점도), 고전적 머신러닝(Isolation Forest, DBSCAN, KNN, LOF, OSVM, EllipticEnvelope, 오토인코더)을 병행 적용했다. 그 결과 총 32개의 이상치·이상현상을 식별했다. 본문에서는 주요 탐지 기법별 특징과 한계, 그리고 이를 보완할 독창적 인사이트를 다룬다.   주요 방법론과 특징  1) 전통 통계 및 시각화 기법 박스플롯(Boxplot) : 사분위 범위(IQR)의 1.5배를 넘는 값을 잠재적 이상치로 분류했다. 직경 150mm 이상, 50mm 이하가 주로 표시됐다. 히스토그램(Histogram) : 빈(bin) 설정에 따라 해석 차이가 크다. 연구진은 175mm 이상·50mm 이하를 이상...

  환자가 응급실에 내원했을 때 빠르고 정확한 패혈증 조기 예측은 생존율을 크게 높인다. 그러나 패혈증 진단에는 ‘후향적 정의(retrospective definition)’의 한계와 다양한 임상적 컨펀더(confounder)가 존재한다. 본 글에서는 Siemens Healthineers 및 Duke 대학 연구진이 발표한 논문 “Evaluating the impact of common clinical confounders on performance of deep-learning-based sepsis risk assessment”을 바탕으로, 연구 배경과 방법, 핵심 결과를 살펴보고 독자적인 해석과 시사점을 제시한다. 연구 배경 및 목적 패혈증 조기 예측의 필요성 패혈증은 전신 염증 반응이 과도하게 일어나 주요 장기 부전을 초래하는 질환이다. 응급실(ED) 환경에서는 환자의 과거력 확인이 제한적이기 때문에, 자동화된 예측 모델 개발이 절실하다. 정의(Sepsis-3 vs. ASE)의 한계 Sepsis-3 정의 : SOFA 점수 변동 ≥2와 감염 의심(suspicion of infection)을 근거로 후향적 라벨 지정 . Adult Sepsis Event(ASE) : 48시간 내 배양 검사·4일 이상 항생제 투여, 이후 주요 장기 부전 지표 충족 시 양성 . 두 정의 모두 후향적 감시 목적이며, 전자는 감염 의심 기준이 다소 느슨하고(SOFA 변동만으로도 분류 가능), 후자는 항생제 사용 요건이 엄격하다. 비판적 시각 : Sepsis-3은 기저질환으로 인한 SOFA 상승도 ‘패혈증’으로 오인할 수 있다. 반면 ASE는 실제 감염 사례를 놓칠 위험이 있다.   연구 방법 데이터 및 라벨링 코호트 : MIMIC-IV 데이터베이스에서 ED 내원 성인 148,128명 중 주요 실험실 검사 수치(크레아티닌, 빌리루빈, 혈소판, PaO₂/FiO₂) 확인 가능한 96,992명 선출 . 라벨링 ...

서론: 드론 기술, 어디까지 왔고 어디로 가는가? 드론은 이제 더 이상 군사용 무기로만 인식되지 않는다. 농업, 재난 관리, 의약품 배송, 영화 촬영 등 다양한 분야에서 활용되며 현대 기술의 대표주자로 자리 잡았다. 하지만 기술의 발전은 언제나 새로운 윤리적 고민을 동반한다. 본 글에서는 최근 발표된 논문 "Intricate and Multifaceted Socio-Ethical Dilemmas Facing the Development of Drone Technology: A Qualitative Exploration"을 바탕으로, 드론 기술이 제기하는 사회적 수용성 및 윤리적 문제들을 살펴보고, 이를 통해 우리가 준비해야 할 미래에 대해 고찰해본다. 1. 드론 기술의 빠른 확산과 그 배경 논문에 따르면, 드론은 그 효용성과 접근성 면에서 점점 더 대중화되고 있다. 기기의 소형화, 가격 하락, AI 기술과의 결합 등이 주요한 요인이다. 이러한 기술적 진보는 도시 인프라, 환경 모니터링, 공공안전 등 다양한 영역에 긍정적 영향을 주고 있다. 개인적으로 이 부분에서 특히 주목할 만한 것은 드론이 단순 비행기술을 넘어, '지능형 비행 로봇'으로 진화하고 있다는 점이다. 이는 인간의 개입 없이 자율적으로 판단하고 행동하는 존재로서, 드론의 윤리적 지위에 대한 논의를 촉진시킬 수 있다.   2. 드론에 대한 사회적 인식과 수용성 연구 결과에 따르면, 드론의 활용 목적에 따라 사회적 수용도가 크게 달라진다. 높은 수용도 : 재난 관리(8.87점), 농업(8.78점), 과학 연구(8.70점) 중간 수용도 : 의료 목적, 군사, 소포 배송, 영상 촬영 등 낮은 수용도 : 승객 운송(5.22점), 에너지 공급(6.13점) 흥미롭게도, 드론의 군사적 목적 사용에 대한 수용도(7.91점)가 비교적 높게 나타난 것은 예상 밖이었다. 이는 최근 분쟁에서 드론의 ...

공장 자동화에서 로봇 팔은 똑똑하다. 하지만 완벽하지 않다. 똑같은 경로를 따라 움직여도 외부 방해나 작은 오차가 끼어들면 로봇 팔은 엇나간다. 그럼에도 점점 더 완벽해지는 로봇 팔이 있다. 이번 논문은 ‘같은 실수를 반복하지 않는 로봇 팔’ 을 만드는 새로운 제어 기법을 소개한다. 반복학습제어, 하지만 초기화는 필요 없다? 로봇 팔은 같은 작업을 반복한다. 그래서 ‘반복학습제어(ILC)’라는 기법이 생겼다. 한 번 작업한 데이터를 바탕으로 다음엔 더 잘하게 만든다. 그런데 기존 ILC는 매번 똑같은 초기 상태에서 시작해야 한다는 한계가 있었다. 현실에선 언제나 딱 맞게 시작할 수 없기 때문에 제약이었다. 이번 연구팀은 이 문제를 깼다. 초기화를 안 해도 스스로 오차를 없애는 알고리즘 을 설계했다. 이름하여 NRCILC-FTZNN! 복잡한 이름이지만, 핵심은 로봇 팔이 ‘자동으로 초기값을 찾아내고 스스로 오차를 줄인다’는 데 있다. 핵심은 ‘제로잉 신경망(ZNN)’ 이 기술의 엔진은 ‘제로잉 신경망(ZNN)’이다. ZNN은 특정한 계산 오차를 스스로 0으로 수렴시킨다. 이번 연구에서는 이를 더 강력하게 만든 유한시간 제로잉 신경망(FTZNN) 을 고안했다. 덕분에 로봇 팔은 외부 방해에도 빠르게 정상 궤도로 돌아온다. 시뮬레이션 결과는? 연구팀은 실제 로봇 팔 모델을 만들어 시뮬레이션을 돌렸다. 기존의 강인한 적응형 PD 제어(RAPD)와 비교했더니 NRCILC-FTZNN은 평균 오차를 최대 83%까지 줄였다 . 외부에서 잡음이나 마찰 같은 방해가 있어도 오차는 몇 번의 반복만에 0으로 수렴했다. 파라미터 바꿔도 문제없다 또한 연구진은 ZNN 안에 쓰이는 파라미터를 바꿔가며 실험했다. 파라미터 값이 바뀌어도 알고리즘은 안정적으로 작동했다. 다양한 방해 상황, 센서 노이즈, 무작위 교란이 있어도 오차는 점점 줄어들었다. 실제 로봇에도 쓸 수 있을까? ...

“병원 기록이 너무 복잡해요!” 의사들이 종종 털어놓는 말이다. 수많은 진료 기록, 처방전, 소견서, 검사 결과… 하나하나 꼼꼼히 읽고 중요한 정보를 뽑아내려면 끝없는 시간이 걸린다. 그런데 이 복잡한 의료 텍스트를 대신 읽고, 핵심만 쏙쏙 뽑아주는 인공지능(AI)이 있다면 어떨까? 브라질 연구진은 바로 이 점에 주목했다. ‘의료 텍스트 속 이름표 달기(Named Entity Recognition, 이하 NER)’라는 기술이 그 주인공이다. 이름은 조금 어렵지만, 하는 일은 간단하다. 의학 용어, 질병 이름, 약품 이름 등을 문서 속에서 자동으로 찾아내고 구분하는 기술이다. NER가 뭐길래 이렇게 중요할까? 의료 기록은 방대한데다 사람마다 표현도 제각각이다. 같은 병도 표현하는 단어가 수십 가지가 넘는다. 기존에는 규칙 기반 시스템이나 단어 묶음 기술(Word2Vec, GloVe)을 써왔다. 하지만 이 방식은 사람처럼 문맥을 이해하지 못해 정확도가 낮고, 새로운 표현에는 약했다. 게다가 방대한 데이터에 사람이 직접 라벨을 달아야 해서 시간이 많이 들었다. 그래서 최근엔 ‘트랜스포머(Transformer)’ 기반의 언어 모델이 주목받고 있다. 대표 주자인 BERT는 양쪽 문맥을 모두 고려해 단어의 의미를 파악한다. 사람처럼 문장을 앞뒤로 읽는 셈이다. 이번 연구는 BERT와 그 파생 모델(ClinicalBERT, BioBERT 등)이 의료 텍스트에서 NER을 어떻게 잘 해내는지 꼼꼼히 살폈다. 세계 곳곳에서 뛰어든 AI 연구 연구팀은 SCOPUS, IEEE Xplore, ACM 등 6개의 대형 데이터베이스에서 5,800편이 넘는 논문을 모았다. 이 중 엄격한 기준을 통과한 300여 편의 논문을 분석했다. 흥미로운 점은 연구의 30%가 불과 2023년에 쏟아져 나왔다는 것! 그만큼 의료 텍스트 처리 분야가 급성장하고 있다는 뜻이다. 국가별로는 중국과 미국이 가장 많은 연구를 발표했다....

나무 가지를 하나하나 3D로 복원하려면 어떻게 해야 할까? 비싼 라이다 센서를 들고 숲으로 들어가야 할까? 이제는 그럴 필요가 없다. 이번 연구는 ‘사진만으로 나무의 3D 뼈대(스켈레톤)를 뽑아내는 새로운 기술’ 을 선보였다. 이름하여 Masks-to-Skeleton ! 왜 나무 스켈레톤이 중요한가? 나무의 뼈대는 단순한 그림이 아니다. 나무가 어떻게 자라는지, 가지가 어디로 뻗었는지, 얼마나 건강한지 파악하는 데 필수다. 스마트 농업, 로봇 수확, 자동 가지치기 로봇 같은 미래 농기계의 핵심 데이터가 된다. 지금까지는 주로 3D 포인트 클라우드를 써서 나무 뼈대를 만들었다. 그런데 얇고 복잡한 가지는 잘 찍히지 않는다. 노이즈도 많고, 연결이 끊기는 일도 다반사다. 사진에서 마스크로, 마스크에서 그래프로 연구팀은 포인트 클라우드 대신 사진에서 얻은 ‘마스크(분할된 윤곽선 이미지)’ 를 썼다. 여러 장의 사진으로부터 나무 가지를 마스크로 뽑고, 이를 3D 그래프 형태로 바꿨다. 가지 하나하나를 ‘노드(node)’로, 노드를 잇는 선을 ‘엣지(edge)’로 두어 전체 나무를 그래프로 본 셈이다. 그리고 이 그래프를 3D 가우시안 스플래팅(3D Gaussian Splatting) 이라는 기술로 3D 형태로 그려내며 실제 사진과 최대한 비슷하게 맞췄다. 가우시안 스플래팅? 뭔가 복잡해 보이지만… 쉽게 말해, 가지를 점으로 표현하는 대신 가우시안이라는 수학적 ‘뿌옇게 퍼지는 점’을 쓰는 방식이다. 이 덕분에 가지가 얇거나 일부가 가려져도 자연스럽게 이어질 수 있다. 또한 가지 연결이 제대로 되도록 최소 신장 트리(MST) 알고리즘을 적용해 그래프가 나무처럼 뻗어나가도록 했다. 직접 만든 데이터셋으로 성능 검증 연구팀은 가상의 나무와 실제 도심 가로수 이미지를 직접 찍어 실험했다. 기존 방법인 AdTree, Smart-Tree와 비교했더니 형태 재현...

AI가 어떻게 결론을 내렸는지 설명해 달라는 건 이제 당연한 요구다. 하지만 정작 ‘설명가능성(Explainability)’이라는 단어는 너무 추상적이다. 이 논문은 그 막연함에 칼을 들이댔다. 논리와 수식 길이로 AI의 설명가능성을 정의한 것 이다. 글로벌 설명과 로컬 설명 핵심은 두 가지다. 하나는 글로벌 설명(Global Explanation) . 어떤 논리식이 있다면, 똑같은 의미를 갖되 더 짧은 식으로 바꿔보자는 거다. 예컨대 ¬¬¬¬p는 결국 p다. 똑같으면 굳이 부정을 네 번 쓸 필요가 있나? 다른 하나는 로컬 설명(Local Explanation) 이다. 이는 특정 입력이 왜 그런 결과가 나왔는지, 그 입력에 딱 맞는 최소 수식을 찾는 것이다. 예를 들어 체스판 위에 퀸이 배치됐을 때 왜 이 배치가 가능한지, 왜 불가능한지, 그 이유를 가장 간단한 논리로 뽑아내는 식이다. DNF만으로도 충분하다? 연구팀은 특히 명제 논리(Propositional Logic) 에 집중했다. 흥미로운 점은 이 로컬 설명 문제의 복잡도가 ΣP₂-완전 이라는 것. 이미 잘 알려진 DNF(Disjunctive Normal Form)로도 동일한 복잡도가 나온다는 게 핵심이다. 즉, 복잡한 로직을 풀어내는 데 꼭 거창한 구조가 필요 없다는 얘기다. DNF로도 충분하다! 구현은 어떻게? 이론만 멋지면 소용없다. 저자들은 이 설명 가능성을 실제로 구현했다. 바로 Answer Set Programming(ASP) 이라는 논리 프로그래밍 기법을 썼다. ASP는 복잡한 논리 구조도 다룰 수 있어, 이번처럼 ΣP₂ 수준의 문제에도 잘 맞는다. 연구진은 이를 바탕으로 체스판의 n-Queens 문제나 그래프의 Dominating Set 문제를 실험했다. 복잡한 조합에서 왜 답이 되는지, 왜 답이 안 되는지 짧은 수식으로 설명해냈다. 블랙박스도 깐다 놀라운 건, 이렇게 짧...

코로나19, 정치 선전, 가짜뉴스… 전 세계가 ‘허위 정보와의 전쟁’을 치르고 있다. 특히 온라인 사용자가 많은 중국은 파급력이 더욱 크다. 단순한 기계 번역이나 키워드 필터링으로는 거짓말을 걸러내기엔 역부족이다. 이 논문은 바로 그 문제에 대한 새로운 해답을 내놨다. 중국어 가짜뉴스 탐지를 위해 BERT와 로버타(RoBERTa)를 정교하게 튜닝한 AI 모델 을 만든 것이다. BERT와 로버타, 언어의 맥락을 읽다 BERT는 한 방향이 아닌 양방향으로 문장을 읽는다. 그래서 같은 단어라도 앞뒤 맥락을 반영해 뜻을 파악한다. 연구진은 여기에 그치지 않고 ‘컨텍스트 유닛 가리기(Contextual Unit Obscuration)’ , ‘다중 스팬 은닉(Multi-span Concealment)’ , ‘적응형 은닉(Adaptive Concealment)’ 같은 기법으로 모델의 학습 능력을 더 높였다. 간단히 말해 문장을 토막내서 일부는 가리고 일부는 보여주면서 AI가 스스로 문맥을 복원하도록 하는 방식이다. 이 과정이 반복되면 거짓 정보 특유의 언어 패턴을 더 민감하게 감지할 수 있다. 중국어는 쉽지 않다! 중국어는 단어 경계가 뚜렷하지 않고, 관용구와 신조어가 많아 영어보다 가짜뉴스 탐지가 더 어렵다. 연구팀은 이를 해결하려고 딕셔너리 기반 세그먼트와 CRF(조건부 확률장)를 함께 사용해 단어를 잘라내고, 고유명사도 따로 인식했다. 뉴스 내용 외에도 URL, 이모지 같은 특수 토큰까지 모델이 학습하도록 했다. 덕분에 단어 하나하나가 아니라 문장 흐름 전체를 놓치지 않고 파악할 수 있다. 성능은 어땠을까? 연구진은 MCFEND라는 대규모 중국어 가짜뉴스 데이터셋 으로 성능을 확인했다. 실험 결과는 놀라웠다. 정확도 83.1% 정밀도 74.3% (로버타) 재현율 72.5% (BERT) 기존의 단순한 B...

MRI 영상에서 뇌종양을 찾아내고 경계를 정확히 그리는 건 의사에게도 쉽지 않다. 특히 악성 뇌종양인 교모세포종(GBM) 같은 경우, 경계가 불분명해 수술 범위를 정하는 데 큰 영향을 준다. 그래서 요즘은 딥러닝이 뇌종양을 대신 찾아내는 컴퓨터 보조 진단(CAD) 기술이 발전하고 있다. 문제는 좋은 모델을 만들려면 수천 장의 MRI 사진에 정확한 라벨(정답)을 붙여야 한다는 것. 이 작업은 시간과 돈이 많이 들고, 전문 인력이 꼭 필요하다. 라벨 조금만 줘도 되는 준지도 학습 이런 문제를 해결하기 위해 연구자들은 준지도 학습(SSL) 에 주목했다. 준지도 학습은 일부에만 라벨을 붙이고, 나머지는 AI가 스스로 학습하게 하는 방식이다. 이번 논문은 MRI 뇌종양 분할에 쓰이는 다양한 준지도 학습 방법들을 총정리했다. 핵심은 3가지다. 1️⃣ 의사 라벨(Pseudo-Labeling) : AI가 자기가 본 데이터를 기반으로 가짜 라벨을 만들고 다시 학습한다. 2️⃣ 일관성 규제(Consistency Regularization) : 같은 이미지에 노이즈를 줘도 예측이 비슷해야 한다고 학습시킨다. 3️⃣ 적대적 학습(GAN) : 가짜 이미지와 진짜 이미지를 구별하면서 모델의 분할 성능을 높인다. 의사 라벨, 믿을 만할까? 의사 라벨링은 단순하지만 문제도 있다. AI가 잘못된 라벨을 만들어버리면 오히려 학습이 꼬인다. 이를 해결하기 위해 최근엔 신뢰도 높은 부분만 선별하거나 불확실한 영역은 따로 처리하는 방법들이 쓰이고 있다. 예를 들어, 두 개의 네트워크가 서로 결과를 비교해 신뢰도가 낮은 라벨은 버리는 코트레이닝(Co-Training) , 세 개의 모델을 쓰는 트라이 트레이닝(Tri-Training) 같은 방식이 대표적이다. 일관성 규제와 대조 학습 일관성 규제는 동일한 입력에 조금씩 다른 변형을 주고, 예측이 비슷해야 한다고 학습한다. 노이즈나 회전, 왜...