읽을 가치가 있는 기사만, 짧고 또렷하게.

마이크로소프트가 게임 사업의 지속적인 '재설정'의 일환으로 약 260명의 엑스박스 직원을 해고했습니다. 이는 7월에 이미 1,600명의 엑스박스 직원들이 해고된 데 이어 진행된 조치입니다. 엑스박스 최고경영자 아샤 샤르마는 이번 감원을 "엑스박스 역사상 가장 중대한 구조조정"이라고 언급했습니다.

이번 해고는 마이크로소프트의 2027 회계연도 기간 동안 영향을 받은 총 3,200개 직책 중 일부입니다. 엑스박스 최고 콘텐츠 책임자인 맷 부티는 헤일로 스튜디오 및 기타 퍼스트 파티 스튜디오, 그리고 XGS 관리 및 중앙 기능 레이어에서 총 268개의 역할을 제거했다고 밝혔습니다.

이러한 구조조정은 엑스박스 스튜디오와 운영 체계에 직접적인 영향을 미치며 향후 개발 방향에 변화를 가져올 수 있습니다. 이는 마이크로소프트의 게임 사업 전략이 재편되는 과정에서 발생한 결과로 해석됩니다.

마이크로소프트가 Xbox 스튜디오를 대대적으로 재편하고 있다는 발표를 했습니다. 이는 수개월 전 1,600명의 Xbox 직원 해고와 스튜디오 매각 이후의 변화이며, 이번 개편을 통해 액티비전이 헤일로(Halo), 씨 오브 쓰이브스(Sea of Thieves), 그리고 에이지 오브 엠파이어(Age of Empires) 프랜차이즈를 인수하게 됩니다.

이러한 구조 조정의 일환으로 마이크로소프트는 약 268명의 Xbox 직원들을 해고하며, 닌자 이론(Ninja Theory) 스튜디오를 폐쇄할 가능성이 높다고 밝혔습니다. 헤일로 스튜디오는 이번 변화와 해고로 인해 큰 영향을 받게 되었습니다. 스튜디오는 헤일로 인피니트(Halo Infinite)나 헤일로: 캠페인 이볼브드(Halo: Campaign Evolved)와 같은 기존 타이틀을 계속 지원할 예정입니다.

하지만 헤일로 프랜차이즈의 다음 플래그십 작품은 이제 액티비전에서 개발하게 됩니다. 이는 헤일로 개발팀과 관련하여 향후 게임 개발 방향에 중대한 변화를 의미합니다.

윈도우 스크롤바 단축키의 짧은 역사를 살펴보면, 윈도우는 오랫동안 기본적인 마우스 및 키보드 조작만을 지원했습니다. 초기에는 스크롤바 양 끝 화살표는 한 줄씩 이동하고, 엄지손가락 영역은 페이지 단위로 이동하며, 엄지손가락을 드래그하여 특정 위치를 지정하는 방식이었습니다. 윈도우 7에서는 마우스와 키보드 조작에 대응하는 메뉴 옵션과 함께 'Scroll Here' 기능이 추가되어 긴 거리를 빠르게 이동할 수 있게 되었습니다.

이후 Shift 키를 누른 채 스크롤바를 클릭하면 엄지손가락이 클릭한 위치로 바로 이동하는 기능이 추가되었는데, 이는 사용자가 스크롤바를 직접 드래그하는 것보다 훨씬 편리한 방식이었습니다. 하지만 이러한 기능들이 도입된 이후, 대부분의 사용자는 Win32 스크롤바 대신 Electron이나 Chromium 기반의 웹 애플리케이션 등 자체 스크롤바를 제공하는 프레임워크를 사용하게 되면서 네이티브 기능에 대한 의존도가 크게 줄어들었습니다.

결과적으로 현재 개발 환경에서는 스크롤바 단축키의 구현이 프레임워크별로 매우 파편화되어 있습니다. WPF XAML은 컨텍스트 메뉴와 Shift+클릭 기능을 모두 구현하고 있지만, WinUI XAML은 이 두 기능을 모두 지원하지 않습니다. Qt 프레임워크는 SH_ScrollBar_ContextMenu와 같은 특정 상수를 통해 컨텍스트 메뉴나 위치 이동 기능을 개발자가 직접 활성화할 수 있도록 설정할 수 있습니다. 따라서 개발자는 특정 단축키의 작동 여부를 신뢰하기보다는 각 UI 프레임워크의 구현 방식을 이해하고 적용해야 합니다.

새롭게 출시된 Beats 360 오버이어 헤드폰은 운동 중 땀을 흘리는 환경을 고려하여 설계되었습니다. 이 제품은 내구성이 뛰어나며 방수 기능과 교체 가능한 니트 이어컵을 통해 땀에 견딜 수 있도록 제작되었습니다.

이 헤드폰은 Beats에서 처음으로 IP 인증을 받은 제품으로, 방수 등급을 갖추고 있습니다. 이는 다른 Beats 제품들과 마찬가지로 IPX4 등급을 획득하여 특정 수준의 물로부터 보호됨을 의미합니다.

이는 운동 중 사용되는 기기에서 IP 등급이 다소 특이한 경우에 해당하며, 사용자가 땀이나 습기에 노출되는 환경에서도 안심하고 사용할 수 있도록 설계되었다는 점에서 의미가 있습니다. Beats 360은 운동용 헤드폰에 대한 사용자들의 요구를 충족시키기 위해 내구성과 방수 기능을 강조했습니다.

테크크런치 디스럽 2026에서 참가자들이 얻을 수 있는 통찰력을 중심으로 주목해야 합니다. 이 행사는 OpenAI, Anthropic, Replit 등 주요 기업들이 주도하는 AI, 로보틱스, 인프라 등 여섯 가지 산업 단계에서 이루어지는 심도 있는 논의를 제공합니다. 참가자들은 10,000명 이상의 창업가, 투자자, 운영자, 기술 리더들과 함께 현재의 변화에 대해 다양한 관점에서 접근하는 방식을 배울 수 있습니다.

이번 컨퍼런스는 AI가 제품 개발 방식, 벤처 캐피털의 투자 방향, 물리적 AI의 실세계 적용, 인프라 수요 증가, 새로운 금융 모델 등 광범위한 영역에 미치는 영향을 다룹니다. 개발자와 기업 리더들은 AI가 어떻게 구축되고, 인프라 제약이 어디에서 발생하며, 로보틱스가 어떻게 실제 환경으로 이동하는지에 대한 실질적인 질문에 대한 답을 얻을 수 있습니다.

참가자들은 AI, 인프라, 로보틱스, 소프트웨어 등 다양한 분야의 관점을 통해 자신의 비즈니스와 기술 로드맵을 재정립할 기회를 얻습니다. 이는 투자 유치 전략을 다듬거나 제품 전략을 결정하는 데 필요한 더 넓은 맥락을 제공합니다.

티켓 할인 혜택은 9월 25일 오후 11시 59분(PT)까지 적용되므로, 이 기회를 통해 기술 생태계 전반의 더 큰 그림을 이해하고 다음 단계의 결정을 내릴 수 있습니다.

틱톡의 미국 법인인 TikTok USDS 합작법인이 여러 기술 기업들과 함께하는 교차 플랫폼 아동 안전 이니셔티브인 랜턴(Lantern)에 참여하기로 결정했습니다. 이는 2023년에 시작된 이 프로그램이 플랫폼 간에 유해한 행동 및 콘텐츠 신호를 안전하게 공유하여 악의적인 행위자를 식별하는 것을 목표로 합니다.

랜턴에는 구글, X, 메타, 애플, 마이크로소프트, 앤트로픽 등 다수의 주요 기술 기업들이 참여하고 있으며, 이들의 협력은 아동 성 착취 및 학대를 식별하고 방해하는 데 필수적이라고 강조됩니다. 이 협력을 통해 2025년까지 참여 기업들은 잠재적으로 위반되는 행동에 대한 2백만 건 이상의 신호를 공유했습니다.

이러한 맥락에서 틱톡의 미국 법인은 아동 안전에 대한 조율된 집행을 강화하는 데 기여하며, 아동 안전 관련 보고 시스템을 현대화하기 위해 2백만 달러를 투자했습니다. 이 투자는 미국 실종 및 착취 아동 센터(NCMEC)의 사이버타이플라인(CyberTipline) 시스템을 개선하여 피해를 더 빨리 감지하고 수동 처리 시간을 절반으로 줄이는 데 사용됩니다.

이 프로젝트는 3년 동안 1000만 달러가 소요될 예정이며, AWS, 마이크로소프트, 팔란티어와 같은 파트너사들이 자원을 기여하고 있습니다. 이는 기술 기업들이 협력하여 플랫폼 전반의 안전 문제를 해결하고 선제적인 조치를 취하는 데 중요한 발판이 됩니다.

백악관이 도널드 트럼프 대통령의 연설, 법안 서명 등의 내용을 유튜브 라이브 스트리밍 채널인 '트럼프 TV'를 통해 방송하고 있습니다. 이 채널은 트럼프 대통령이 백악관에서 CNN, MS Now, 폴리티코를 금지한 지 며칠 만에 시작되었습니다.

이러한 방송은 트럼프 행정부가 유튜브를 통해 트럼프의 "가장 위대한 기록들, 필터링되지 않은" 콘텐츠를 공개하겠다는 계획에 따라 진행되고 있습니다. 이는 전통적인 언론 매체를 거치지 않고 대중에게 직접 정보를 전달하려는 시도로 해석됩니다.

백악관 디지털 전략 책임자인 케일런 도어는 언론이 행정부의 성과에 대해 때때로 부정확하거나 아예 보도하지 않았다고 언급하며 이러한 움직임의 배경을 설명했습니다. 이는 공식적인 보도 채널을 우회하여 행정부의 메시지를 직접 전달하려는 의도를 보여줍니다.

Drop은 사용자가 메인 계정에서 외부 프로그램을 설치할 때 발생할 수 있는 보안 위험을 방지하기 위해 설계된 리눅스 샌드박스입니다. 공급망 공격이나 악성 종속성에 의해 설치된 프로그램이 시스템 전체에 피해를 주는 것을 막고, 프로그램들을 격리된 환경에서 실행할 수 있도록 지원합니다.

Drop은 파이썬의 virtualenv에서 영감을 받아 쉽게 사용하고 제거할 수 있는 일회성 환경을 생성하는 데 중점을 둡니다. 이 환경들은 각기 독립적인 홈 디렉토리를 가지며 기존 시스템의 설치된 프로그램들을 그대로 활용할 수 있어 Docker나 Podman과 같은 컨테이너 솔루션보다 로컬 작업 환경에서 생산성을 해치지 않으면서도 강력한 격리 기능을 제공합니다.

Drop은 루트 권한 없이 실행되는 Rootless 방식으로 작동하며, 리눅스 사용자 네임스페이스 내에서 프로세스, 마운트, 네트워크 등의 격리 기능을 수행합니다. 특히 gVisor 통합 옵션을 통해 호스트 커널에 직접 접근하는 것을 차단하여 커널 취약점 악용 가능성을 크게 줄이는 추가적인 격리 계층을 제공합니다.

OpenAI의 GPT–6 Astra가 2005년부터 풀리지 않았던 독일군 암호인 엔이가마 메시지 MVUEH를 해독하는 데 성공했습니다. 이 메시지는 1941년 7월 10일에 발송되었으며, 이 해독은 카터 레퍼(Carter Leffer)의 요청에 따라 검증되었습니다. Astra는 다른 시도들이 실패했던 이 메시지의 정확한 키와 평문을 스스로 찾아냈습니다.

Astra는 엔이가마 시뮬레이터와 봄베를 위한 파이썬 및 C++ 소프트웨어를 개발하고, 반복되는 지명인 'ROSENOW ROSENOW'를 단서로 사용하여 해독을 진행했습니다. 이 과정에서 해독 결과는 2017년 다른 메시지(SIPVX)의 평문과 거의 동일했으며, 이는 두 메시지 길이가 12자 차이 나는 놀라운 발견이었습니다.

이번 해독 과정에서 엔이가마의 왼쪽 휠이 72번째 글자에서 전환되는 특이점이 발견되었는데, 이는 이전의 해독을 복잡하게 만들었던 요인으로 밝혀졌습니다. 또한 Astra는 독일 연방기록보관소(Bundesarchiv)의 라디오 메시지 수집에 대한 기록을 발견하며, 특정 문서들이 존재함을 입증했습니다. 이는 AI가 단순한 해독을 넘어 전문 암호 분석가 및 기록 연구원의 역할을 수행했음을 보여줍니다.

오픈 웨이트 수요가 구형 NVIDIA GPU의 경제적 수명을 연장할 수 있다는 연구 결과가 발표되었습니다. 이 연구는 새로운 세대의 하드웨어가 이전 세대를 즉시 쓸모없게 만든다는 기존의 가설에 반박하며, 오래된 GPU가 적절한 워크로드를 경쟁력 있게 처리하고 운영자가 해당 워크로드를 배포할 수 있다면 여전히 가치를 유지할 수 있음을 제시합니다.

연구에 따르면, 오픈 웨이트 모델은 폐쇄형 모델보다 인공지능 지수에서 더 저렴한 비용으로 작업을 완료할 수 있습니다. 특히 임대된 하드웨어에서 자체 호스팅할 경우, 최대 활용 시 출력 토큰당 컴퓨팅 비용이 100만 토큰당 0.12달러에서 0.35달러로 낮아집니다. 이는 지연 시간에 덜 민감한 컴퓨팅 집약적 워크로드에 대해 비용 효율적인 하드웨어로 수요가 분산됨을 의미합니다.

구체적으로 gpt-oss-120b 모델의 경우, A100 GPU는 H100보다 현물 및 3~5년 만기 가격에서 더 저렴한 비용으로 출력을 생성했습니다. 또한, A100의 5년 임대 가격은 Hopper 및 Blackwell 계열보다 훨씬 높은 80.2%의 월별 가격을 유지하여, 이는 개별 장치의 잔존 가치보다는 가족 수준의 임대 서비스 관점에서 중요한 관찰입니다.

다만, 이 연구는 오픈 웨이트 수요가 A100의 점유율이나 임대 가격 행동을 직접적으로 유발했는지에 대해서는 입증하지 않았습니다. GPU의 수명과 비용 효율성은 장치 교체 외에도 장치 은퇴, 밀집 추론, 비-LLM 작업, 금융 및 희소성 효과 등 다른 요인들에 의해 영향을 받습니다.

신규 무기 재료의 발견은 컴퓨팅 및 에너지 저장과 같은 핵심 분야에서 기술적 돌파구를 이끌고 있습니다. 생성형 AI는 재료 발견 파이프라인을 가속화할 잠재력을 보이지만, 현재의 최첨단 흐름 및 확산 모델들은 후보 재료를 제안하는 비용 때문에 병목 현상을 겪고 있습니다.

이러한 문제를 해결하기 위해 연구진은 무기 결정 구조 예측(CSP) 및 디노보 생성(DNG)을 위한 원자 단위 흐름 맵인 OMatG-flash를 소개합니다. OMatG-flash는 재료를 위한 파레토 최적의 추론 엔진으로, 기존의 흐름 및 확산 모델보다 10배 적은 추론 단계와 더 짧은 실제 시간을 사용하여 후보 재료를 샘플링하면서도 최첨단 수준의 성능을 입증합니다.

또한, OMatG-flash는 학습 후 미세 조정을 가능하게 하기 위해 흐름 맵에 강화 보조 매칭(Reinforce Adjoint Matching)을 적용하여 조건 없는 CSP 작업에서 일치율과 RMSE를 추가로 개선했습니다. 이 기술은 고품질의 후보 무기 재료 생성을 가속화하고 데이터 집약적인 재료 발견 워크플로우에 필요한 샘플 처리량 향상을 보여줍니다.

장면 안전 이해는 다양한 중요 영역에서 상황 인식을 위해 생명과 직결되는 역할을 합니다. 그러나 장면과 안전 수준 간의 직접적인 매핑을 학습하는 전통적인 방법들은 해석 가능성이 부족하여 중요한 응용 분야에서 신뢰성이 제한됩니다. 이 문제를 해결하기 위해서는 인간의 인지 과정을 해석하고 기계 모델에 유사한 인지 능력을 부여하는 것이 효과적인 접근 방식입니다.

본 연구는 장면 안전 인지 과정 모델링과 과정 감독을 통합하는 효과적인 방법을 탐구합니다. 구체적으로, 다단계 추론과 과정 레이블을 기반으로 하는 새로운 고품질 장면 안전 이해 데이터셋을 구축하여 계층적 인지 안전 구조를 설정합니다. 이 데이터셋은 대규모 언어 모델(LLM)의 안전 추론 능력을 향상시키고 중간 추론 단계를 정보 흐름 및 현저성 기반 기법을 통해 세밀하게 분석할 수 있게 합니다.

이러한 기반 위에서, 연구진은 인간 인지의 계층적 특성을 반영하는 모듈식이고 유연한 과정 감독 프레임워크를 도입합니다. 이 프레임워크는 LLM을 핵심 아키텍처로 활용하며, 저랭크 적응(LoRA)과 전문가 혼합(MoE) 전략을 통합하여 전체 추론 체인의 특정 하위 과정을 담당하는 전문가 모듈 간의 전문화와 협업을 가능하게 합니다.

체계적인 실험 평가와 분석 결과, 제안된 프레임워크는 기존 접근 방식보다 우수한 해석 가능성과 성능 특성을 보였습니다. 이는 안전 관련 추론 시스템의 신뢰성과 투명성을 높이는 데 기여합니다.

Git 2.56 버전이 9월 말 출시될 예정이며, 이 버전에서는 이력 편집과 브랜치 관리 등 사용성이 개선되는 내용이 포함됩니다. 개발자들이 일상적으로 사용하는 기능들의 편의성이 향상될 것으로 기대됩니다.

다음 버전은 Git 3.0이 될 수 있지만 아직 확정되지 않았으며, 이 버전에는 여러 호환성 변경 사항이 포함될 가능성이 있습니다. 따라서 사용자는 향후 버전에서 발생할 수 있는 잠재적인 호환성 문제를 염두에 두고 대비해야 합니다.

또한, 실험적인 git history 기능을 통해 특정 커밋을 제거하고 후속 커밋을 다시 적용하는 방식이 논의되고 있습니다. 이러한 실험적인 기능들은 Git의 이력 관리 방식에 새로운 접근 방식을 제공할 수 있습니다.

다이슨의 500달러짜리 전기 칫솔에 문제가 발생하여 매장에서 사라지는 상황이 벌어졌습니다. 다이슨은 이 부품 문제에 대해 인정했지만 정확히 무엇이 고장 났는지에 대해서는 명확히 설명하지 않고 있습니다.

이 사건은 다이슨이 제품을 지나치게 복잡하게 설계하는 경향에 대한 논란을 다시 불러일으킵니다. 과거 NASA가 우주 펜을 제작했던 사례처럼, 다이슨은 칫솔과 같은 제품을 재창조하는 과정에서 복잡성을 높여왔습니다.

다이슨은 스틱 진공청소기나 헤어드라이어와 같은 기존 제품 카테고리에서 성공을 거두었지만, 이번 칫솔 제품은 과도한 엔지니어링의 결과로 비판을 받고 있습니다. 특히 다이슨은 치아 사이로 세정액을 분사하기 위해 카메라를 사용한 499달러짜리 카메라젯을 출시하며 구강 관리 분야에서 다음 단계로 나아가려 했습니다.

이러한 배경을 고려할 때, 다이슨의 제품이 기능적 혁신을 넘어 과도한 복잡성을 지니고 있다는 점이 주목됩니다. 소비자는 제품의 단순함과 실용성을 우선시하며, 다이슨의 디자인 철학에 대한 재고가 필요해 보입니다.

확산 모델(Diffusion Models)에서 과적합이 발생할 때, 기존 딥러닝의 일반적인 가정과 상반되는 현상이 관찰되었습니다. 딥러닝에서는 모델 파라미터 수($p$)가 훈련 샘플 수($n$)보다 많더라도 과적합이 경미하며, 테스트 오차는 이중 하강 곡선을 따르는 것으로 알려져 있습니다. 그러나 확산 모델의 훈련은 회귀 문제로 축소되므로 과적합이 치명적이며 모델이 훈련 데이터를 암기하는 영역으로 진입하는 현상이 나타났습니다.

연구진은 이 역설을 해결하기 위해 U-Net 실험과 랜덤 특징 모델을 결합하여 학습 곡선을 도출했습니다. 이 결과, 노이즈 실현 횟수 $m$이 고정되어 있더라도 보간 피크는 발생하지만, 이는 표준 회귀에서 예상되는 $p \sim n$이 아니라 $p \sim nm$에서 나타납니다. 반면, 테스트 손실이 상승하는 현상, 즉 과적합이 발생하는 시점은 $m$ 값과 무관하게 $p \sim n$에서 훨씬 더 일찍 시작됩니다.

이러한 과적합은 모델이 실제 점(score)보다는 훈련 데이터에 대한 경험적 점을 암기하기 때문에 발생하며, 편향-분산 분해 분석을 통해 그 메커니즘이 밝혀졌습니다. 확산 모델은 $m \gg 1$로 훈련되므로 피크는 매우 큰 모델 크기로 밀려나게 되며, 이미 과적합이 진행되는 상승하는 구간에 위치하게 됩니다. 그럼에도 불구하고, 과적합의 위험이 존재함에도 불구하고 정규화 기법을 결합하면 과적합이 없는 모델보다 더 나은 성능을 보인다는 점은 여전히 유효합니다.

기존 시계열 언어 모델(TSLM)은 정적인 특성을 가지며, 오프라인 처리를 위해 전체 시퀀스를 받거나 스트리밍 입력과 응답 생성을 번갈아 진행하는 방식 때문에 상호작용 중에 새로운 관측치를 처리하지 못하는 한계가 있습니다. 연구진은 이러한 문제를 해결하기 위해 새로운 패러다임인 시계열 상호작용(Time-Series Interaction)을 제안하며, 이는 모델이 들어오는 시계열 관측치와 사용자 의도를 지속적으로 인식하고, 응답 생성 중에도 새로운 관측치를 계속 처리할 수 있도록 합니다.

이를 구현하기 위해 연구진은 세 가지 핵심 설계인 TimeInteract를 개발했습니다. 이는 국소적 변화와 역사적 역학을 포착하는 듀얼 뷰 스트리밍 TS 인코더, 응답을 유발할 시점을 학습하는 응답 제어 메커니즘, 그리고 후속 관측치를 차단하지 않기 위해 제어와 응답 생성을 분리하는 디커플드 스트리밍 추론 메커니즘으로 구성됩니다.

이러한 접근 방식을 바탕으로 합성 및 실제 시계열 데이터에서 단일 및 다중 턴 설정에 걸쳐 34,588개의 에피소드와 77,505개의 응답을 포함하는 대규모 스트리밍 TS 상호작용 데이터셋인 StreamTSI-34K를 구축했습니다. TimeInteract는 모든 상호작용 수준에서 기존의 LLM, VLM, TSLM을 지속적으로 능가하며, 까다로운 작업에서 최대 23.92점의 성능 향상을 보였습니다.

또한 TimeInteract는 응답 유발 능력을 개선하는 동시에 스트림 정지 현상을 거의 제거하고 추론 속도를 최대 2.15배 향상시키는 성과를 달성했습니다. 이는 실시간 시계열 데이터 처리 및 상호작용 기반 AI 시스템 개발에 있어 중요한 진전을 의미합니다.

최근 대규모 언어 모델(LLM)이 코드 관련 작업에 광범위하게 사용되면서, 코드 내 식별자 이름이 통계적으로 유용함에도 불구하고 그 정보가 항상 신뢰할 만하지 않다는 점에 대한 연구가 진행되었습니다. 연구진은 현재 LLM이 프로그램 구조를 보존하는 이름 변경 시 어휘적 단서(lexical cues)에 과도하게 의존하는지 조사했습니다.

연구팀은 의미를 보존하는 식별자 이름 변경 프레임워크인 Face/Off를 도입하여 여러 모델과 코드 이해 작업에 걸쳐 점진적인 명명 조건을 평가했습니다. 그 결과, 평가된 모델과 주요 작업 전반에 걸쳐 어휘적 과도성이 만연하다는 사실이 밝혀졌습니다. 식별자 정보가 제거되거나 오도될 때 성능이 감소하며, 모델의 출력은 종종 오도된 이름이 시사하는 의미로 향하는 경향을 보였습니다.

이러한 패턴은 프롬프트 및 미세 조정 기반의 개입에도 불구하고 지속되어 어휘적 과도성이 고착화된 문제임을 시사합니다. 또한, 타입 추론 제어를 통해 명명 효과가 목표 이름 없이도 지역적으로 복구 가능할 때 더 작다는 경계선이 확인되었습니다. 이는 식별자 이름이 무용하다는 의미가 아니라, 현재 LLM이 어휘적 단서와 프로그램 구조 사이의 균형을 맞추는 방식에 체계적인 취약점이 있음을 드러냅니다.

이 연구 결과는 자연스러운 코드 규칙의 이점을 보존하면서도 결론을 정확하고 형식화된 코드 의미에 기반하도록 하는 평가 및 모델링 방법을 촉진합니다.

의료 영상 해석은 작업량이 많고 시간이 오래 걸리므로 인공지능(AI) 해석이 업무 부담을 줄일 수 있지만, 완전 자율 배포에는 안전 문제와 낮은 특이성으로 인해 오히려 임상의의 업무 부담이 증가할 수 있다는 우려가 있습니다. 이러한 문제를 해결하기 위해 학습된 연기(Learning to Defer, L2D)는 입력 특징, AI 모델, 그리고 인간의 성능을 학습하여 사례를 자율 예측과 인간 전문가에게 선택적으로 라우팅하는 방법을 제시합니다.

L2D에 대한 이론적 보장은 입증되었으나, 실제 인간 판독자의 주석이 포함된 실제 의료 데이터셋에서 성능이 검증된 사례는 부족했습니다. 본 연구는 이러한 한계를 극복하고자 L2D의 예측자-거부자(predictor-rejector) 포뮬레이션을 평가하며, 특히 인간 주석이 포함된 다중 레이블 흉부 X-레이 데이터셋인 Collab-CXR에서 L2D를 실증한 최초의 연구입니다.

연구진은 여기에 AI 가이드를 추가한 L2D with Guidance라는 새로운 설정을 도입하여 의사결정 공간을 세 가지 선택지(자율 예측, 인간 전문가에게 연기, 인간 전문가에게 연기 및 AI 가이드 제공)로 확장했습니다. 이 방법은 VinDr-CXR과 CheXpert라는 더 큰 데이터셋에서 재현되었으며, 기존의 두 단계 L2D, 인간 단독, AI 단독, AI 가이드 인간 기준선보다 우수한 성능을 보였습니다.

특히 이 성능은 현재 문헌에 공식적으로 정의된 L2D 대리 손실 함수보다 더 단순한 손실 함수를 사용하여 달성되었다는 점이 주목됩니다. 이는 의료 영상 분야에서 AI의 역할을 확장하고 안전성을 확보하는 데 있어 실용적이고 효율적인 접근 방식을 제공합니다.

학술 PDF를 기계가 읽을 수 있는 전체 텍스트로 변환하는 것은 대규모 정보 시스템에서 여전히 큰 병목 현상입니다. 최근 비전 기반 파서들이 정확도를 높이고 있지만 GPU를 필요로 하며 텍스트에 노이즈를 발생시킬 수 있다는 한계가 있습니다. 이에 본 연구는 CPU에서 실행되는 모듈형 폰트 스트림 파서인 GROBID에 경량 CPU 검출기를 결합하여 그림, 표, 부가 텍스트 영역을 식별하고 마스크로 인코딩하는 방법을 제안합니다.

이 확장 방법은 Bioinformatics 및 Materials Science PMC 코퍼스에서 JATS 구조 프로토콜을 기준으로 평가했을 때, 기존 GROBID보다 대부분의 측정 항목에서 성능을 개선했습니다. 특히 표 감지에서는 F1 점수가 0.16에서 0.94로 향상되었으며, 표 구조 추적 성능도 크게 개선되었습니다. 본 연구는 네 가지 비전 기반 시스템(Docling, MinerU, olmOCR, dots.ocr)과 비교했을 때, 본 방법이 두 코퍼스 모두에서 최고의 단락 정밀도와 Materials Science에서 최고의 섹션 감지 성능을 달성했습니다.

또한, 본 방법은 최고 GPU 파서의 문자 오류율과 0.004 이내로 근접하며, 엔드투엔드 CPU 비용은 가장 저렴한 GPU 시스템(Docling)보다 2.7~3.2배, 생성형 파서보다 10~14배 더 저렴합니다. 이는 대규모 과학 문서 처리에서 높은 정확도를 유지하면서도 계산 비용을 획기적으로 절감할 수 있음을 의미합니다.

모바일 조작을 성공적으로 수행하려면 정확한 공간 위치를 유지하면서 베이스와 팔의 움직임을 협응시키는 것이 필수적입니다. 그러나 시연을 통해 학습된 정책은 의도된 베이스 움직임을 안정적으로 실현하는 데 어려움을 겪어 공간 불일치와 조작 실패를 초래할 수 있습니다. 이에 본 논문은 MAVP(Map-Aware Visuomotor Policies)라는 프레임워크를 제안하며, 위치 추정 피드백을 사용하여 명시적인 베이스 자세 목표를 예측하고 추적함으로써 실행 신뢰도를 향상시킵니다.

MAVP는 원격 조작 시연으로부터 정적 지도를 재구성하고 시연된 베이스 궤적을 공유 지도 프레임 내에 표현하여 시연 전반에 걸쳐 일관된 공간 감독을 제공합니다. 실행 시점에서는 정책이 RGB 관측, 관절 상태, 로봇의 현재 지도 프레임 베이스 자세를 입력으로 받아 목표 베이스 자세, 팔 동작, 그리퍼 동작을 공동으로 예측합니다. 또한, 저수준 제어기는 예측된 베이스 목표를 피드포워드 운동 및 자세 오차 피드백을 사용하여 추적함으로써 실행 편차를 보정할 수 있습니다.

연구진은 정책의 자세 입력 오류에 대한 강건성을 높이기 위해 훈련 과정에서 자세 노이즈 증강(pose-noise augmentation)을 추가로 사용했습니다. 이 방법은 정책이 입력된 자세 오류에 덜 민감하게 반응하도록 돕습니다.

이러한 MAVP 프레임워크는 여섯 가지 실제 조작 작업과 세 가지 정책 패밀리에 걸쳐, 기존의 앵커되지 않은 속도 제어 방식보다 더 높은 작업 성공률을 달성했습니다. 관련 비디오와 추가 결과는 제공된 링크에서 확인할 수 있습니다.