읽을 가치가 있는 기사만, 짧고 또렷하게.

컨트리 스타이자 배우, 자선가였던 돌리 파튼이 80세의 나이로 세상을 떠났습니다. 그녀는 '졸린과 나는 영원히 사랑할 거야(I Will Always Love You)'와 '조린(Jolene)' 등 20세기 최고의 곡들을 작곡했으며, 수많은 노래와 앨범을 통해 컨트리 음악의 고정관념을 뒤엎는 경력을 보여주었습니다.

파튼은 음악 활동 외에도 광범위한 자선 활동으로 유명합니다. 그녀는 자녀 문해력 향상을 위해 1억 5천만 권 이상의 책을 기부했으며, 코로나19 백신 개발 연구에 100만 달러를 기부하여 모더나 백신 개발의 기반을 마련하는 데 기여했습니다. 또한 환경 보호, HIV/AIDS 자선 활동, 그리고 성소수자 권리 옹호 등 사회적 이슈에도 적극적으로 목소리를 냈습니다.

그녀의 삶은 가난한 환경에서 시작하여 성공을 이룬 이야기로, 자신의 외모에 대한 자신감 있는 태도와 더불어 많은 사람들에게 영감을 주었습니다. 파튼은 2020년 코로나19 연구 기부와 같은 활동을 통해 대중에게 큰 영향을 미쳤습니다.

최근 파튼은 건강 문제로 인해 라스베이거스 리조트 공연을 취소하는 등 건강 관리에 집중하고 있습니다. 그녀는 남편 칼 딘과의 오랜 결혼 생활을 통해 많은 것을 경험했으며, 음악과 자선 활동을 통해 남긴 유산은 계속해서 많은 사람들에게 영감을 주고 있습니다.

생성 모델을 평가하는 데 널리 사용되는 Fréchet Inception Distance(FID)와 Kernel Inception Distance(KID)는 분포 차이를 놓치고 샘플링 변화에 대한 보정 테스트가 되지 못하는 단점들이 있습니다. 특히 FID의 모멘트 제한은 구체적인 결과를 초래하는데, ImageNet에서 참조 Inception 평균과 공분산에만 맞추도록 최적화된 시각적으로 식별 불가능한 이미지들은 실제 이미지에 대해 FID 24.7 대 58.6의 차이를 보였습니다.

또한 FID와 KID는 두 샘플을 교환해도 변하지 않는 스칼라 불일치이므로 분산 변화의 방향, 즉 모드 붕괴로 인한 과소분산(under-dispersion)과 과분산(over-dispersion)을 구분하지 못합니다. 이러한 한계를 극복하기 위해 본 논문에서는 ZID(Z-resolved Integrated Diagnostic)를 제안합니다. ZID는 순위 그래프(RISE)와 가우시안 커널(GPK)에서 파생된 여섯 가지 표준화된 위치 및 분산 민감 영역을 결합하여 진단합니다.

ZID는 단일 스칼라 대신 세 가지 연관된 출력 결과를 제공합니다. 이는 분산 차이의 크기를 순위 지정하는 지표, 분포 동일성 테스트를 위한 순열 $p$-값, 그리고 진단을 위한 부호 있는 분산 판독값으로 구성됩니다. 실험 결과, ZID는 광범위한 불일치를 감지하며 FID가 평탄하거나 역전되는 경우를 포함하여 점수가 증가함에 따라 심각도가 증가하는 것을 추적합니다. 특히 DiT-XL/2 및 SiT-XL/2 가이드 스윕에서 ZID는 실제 데이터로부터의 이탈을 감지하며, 부호 있는 판독값은 높은 가이드 다양성 붕괴를 과소분산으로 명확하게 레이블링합니다.

장기 목표를 가진 에이전트에게 재귀적 자기 개선(RSI)은 성장하는 기록이 작업 상태를 모호하게 만들고 기술 호출을 잘못 정렬하기 때문에 여전히 어렵습니다. 이를 해결하기 위해 연구진은 장기 목표 에이전트 구동을 위한 재귀적 경험-작업 메모리 아키텍처인 Recuris를 제안했습니다. Recuris는 작업 진행 상황을 추적하고 경험 메모리에서 기술 선택을 안내하는 작업 메모리를 통해, 전체 기록이 아닌 현재 필요에 기반하여 기술 사용을 근거화합니다.

이러한 결합은 실행을 구조화된 증거로 전환하여 실패를 특정 메모리 구성 요소로 국소화하며, 고정된 메타 에이전트가 이 증거를 사용하여 기술 메모리에 국소적이고 검증된 업데이트를 수행하게 합니다. 이는 실행을 재구성하고 새로운 증거를 산출하여 경계가 있는 재귀적 메모리 진화 루프를 형성합니다.

이 방법은 네 가지 장기 목표 벤치마크와 열 가지 모델에서 테스트되었으며, Recuris는 37개의 모델-벤치마크 쌍 중 35개에서 작업 성공률을 향상시켰습니다. 특히 GPT-5.6 Sol과 Claude Opus 5에 각각 17.8점과 15.6점을 추가하여 Claude Opus 5의 성공률을 87.9%로 끌어올렸습니다.

상호작용 범위가 확장됨에 따라 이 이점은 더욱 커져 가장 긴 작업에서 32.2점의 이점을 제공하며, 일반적인 장기 목표 실패는 최대 80% 감소했습니다. 이러한 결과는 재귀적으로 진화하는 메모리를 RSI를 위한 확장 가능한 기반으로 위치시키며, 에이전트가 축적된 경험을 점점 더 효과적인 장기 목표 행동으로 지속적으로 변환할 수 있게 합니다.

파이어폭스 157 버전부터 JPEG XL 형식이 모든 플랫폼에서 기본값으로 포함됩니다. 이는 이미지 포맷을 다루는 개발자들에게 중요한 변화를 의미합니다.

이번 업데이트는 사용자가 별도로 설정을 변경하지 않아도 기본적으로 JPEG XL을 사용하게 함으로써, 웹 환경에서 이미지 처리 및 렌더링 방식에 변화를 가져옵니다. 이는 향후 웹 콘텐츠의 효율성과 품질을 개선하는 데 기여할 것으로 예상됩니다.

개발자들은 이 변경 사항을 반영하여 이미지 처리 라이브러리와 렌더링 파이프라인을 업데이트해야 합니다. 특히 이미지 포맷 변환 및 압축에 관련된 작업에서 새로운 표준을 적용해야 하는 기술적 과제가 발생합니다.

그룹 상대 강화 학습은 동일한 프롬프트의 형제 롤아웃을 기다려야 하므로 길고 가변적인 도구 사용 궤적에서는 비용이 많이 듭니다. 단일 스트림 정책 최적화(SPO)는 지속적인 프롬프트 수준의 가치 추정치를 통해 이러한 의존성을 제거하지만, 토큰 평균 액터 손실을 최적화하기 전에 각 궤적당 하나의 이점을 희석시키는 단점이 있습니다.

연구진은 궤적 중심화가 액터가 소비하는 토큰 가중량 수량을 중심화하지 않는다는 것을 보여주며, 이 불일치를 행동-토큰 측정치 하에서 최종 결과 이점을 표준화함으로써 해결합니다. 또한 프롬프트 증거를 학습자 수신 순서가 아닌 해당 증거를 생성한 정책 이벤트에 따라 정리하여 정보의 구조를 개선합니다.

이러한 SPO++ 방법은 ALFWorld와 Math-TIR에서 두 가지 모델 규모에 걸쳐 일치하는 실행에서 SPO보다 온라인 학습 효율성을 개선했습니다. 추가적인 실험을 통해 행동-토큰 측정치 정규화가 가장 강력하게 테스트된 구성 요소임을 확인했습니다.

Anthropic이 Claude의 메모리 시스템을 채팅과 Claude Cowork에서 공유하도록 통합하여 사용자가 AI에게 프로젝트나 선호도에 대해 반복적으로 정보를 제공할 필요가 없도록 변경했습니다. 이 업데이트를 통해 Claude는 한 영역에서 학습한 내용을 다른 영역에서도 항상 기억하게 되어 연구 단계와 실제 행동 단계 사이를 더욱 원활하게 이동할 수 있게 됩니다.

이러한 변경은 사용자가 Claude를 두 개의 분리된 제품이 아닌 하나의 연속적인 비서로 인식하게 만들며, 예를 들어 회의 일정이나 인원 정보와 같은 세부 사항을 Cowork가 자동으로 참조할 수 있게 합니다. 이전에는 프로젝트 아이디어를 채팅으로 개발한 후 실제 실행 단계에서 Cowork에 모든 세부 사항을 다시 입력해야 하는 번거로움이 사라집니다.

또한 Claude는 대화 중에 메모리에 주제를 추가하여 업데이트 속도를 높이고 채팅과 Cowork 간에 메모리를 더 빠르게 공유합니다. 개인 정보 보호를 위해 기본적으로 건강 데이터, 인종, 정치적 견해 등 민감한 정보는 저장되지 않으며, 사용자가 원할 경우 '민감한 주제를 메모리에 포함' 옵션을 통해 이를 설정할 수 있습니다. 민감한 개인 식별 정보나 범죄 기록과 같은 정보는 어떠한 경우에도 저장되지 않습니다.

신경망의 민감도를 측정하는 표준 방법인 리프시츠 상수(Lipschitz constant)를 계산하는 것은 매우 어렵습니다. 본 연구는 비음 출력 가중치를 통해 볼록성을 강제하는 제한된 구조인 두 층 입력 볼록 신경망(ICNN)에 대해 이 문제를 연구합니다. 이 네트워크의 $L_p$-리프시츠 상수를 계산하는 것은 자노토포(zonotope) 위에서 쌍대 노름(dual norm)을 최대화하는 문제와 동치입니다.

$L_1$ 및 $L_\infty$ 노름 최대화에 대해서는 자노토포 위에서 고정 매개변수 및 다항 시간 알고리즘이 존재하지만, 나머지 $L_p$-노름에 대한 매개변수 복잡도는 미해결 상태였습니다. 연구진은 모든 고정된 유리수 $p \in (1, \infty)$에 대해 자노토포 위에서 $L_p$-노름을 최대화하는 것이 차원 $d$에 대해 W[1]-난해함을 증명했습니다.

이 난해성 결과는 지수 시간 가설(ETH) 하에서 무차별 대입 알고리즘이 이 문제에 대해 본질적으로 최적임을 시사합니다. 또한 이 난해성 결과는 두 층 ReLU ICNN의 $L_p$-리프시츠 상수를 계산하는 문제에도 동일하게 적용됩니다. 이는 자노토포 노름 최대화 및 두 층 ICNN 리프시츠 상수에 대한 매개변수 복잡도 상태에 관한 미해결 질문들을 해결합니다.

다중 작업 차량 경로 문제(VRP) 해결 모델은 여러 VRP 변형을 단일 모델 내에서 처리하고자 하지만, 현재 접근 방식은 두 가지 측면에서 한계가 있습니다. 훈련 측면에서는 강화 학습이 보상 규모 불균형과 정책 개선에 따른 이점 신호 감소를 겪으며, 선호도 최적화는 샘플링된 경로가 거의 동일해지면 정체되고 정책 자체의 품질에 의해 제한되어 약한 지도 학습 환경에 놓입니다. 또한, 아키텍처 측면에서는 기존의 완전 공유 인코더가 이질적인 변형들 간의 제약 조건 의존적 표현을 얽히게 하여 일반화 능력을 제한합니다.

이러한 한계를 극복하기 위해 저자들은 두 가지 모델 불가지론적 기여를 제안했습니다. 첫 번째는 선호도 쌍을 형성하기 전에 최적의 경로에 국소 정제(local search refinement) 단계를 적용하여 더 유익한 쌍별 마진을 얻는 새로운 훈련 알고리즘인 선호도 최적화와 국소 증강(POLAR)입니다. 두 번째는 각 인코더 레이어를 공유 전문가와 작업별 전문가 집합을 통해 게이팅 메커니즘으로 라우팅하여 공통 경로 구조와 제약 조건별 인코딩을 점진적으로 분리하는 진행형 계층 추출(PLE) 인코더입니다.

POLAR와 PLE을 함께 적용한 결과, 신경 다중 작업 솔버 분야에서 현재 최고 수준을 달성했습니다. 이들은 16개의 분포 내 변형에서 참조 솔루션과의 평균 격차를 21.3% 감소시켰으며, 32개의 보지 못한 변형 중 27개에서 기존 신경 방법들을 능가했습니다. 추가 실험 결과, 두 기여 모두 여러 백본 모델 아키텍처 전반에 걸쳐 교차 문제 일반화 능력을 향상시키는 것으로 확인되었습니다.

오프라인 강화 학습에서 주변 중요도 가중치(Marginalized Importance Weighting)는 할인 점유 비율을 사용하여 오프라인 상태-행동 샘플을 재가중함으로써 목표 정책을 평가합니다. 그러나 기존의 최소-최대(minimax), 원리-쌍대(primal-dual), 적합 고정점(fitted fixed-point) 추정량들은 함수 클래스 근사, 정규화 또는 불완전한 최적화로 인해 잔여 점유 균형 위반을 남길 수 있습니다. 이러한 위반은 하이퍼파라미터 튜닝이나 조기 중지 등에 대한 직접적인 지도 학습 검증 손실이 부족하여 진단하고 줄이기가 어렵습니다.

본 논문은 이러한 위반을 줄이면서 초기 점유 비율 추정치의 순위 정보를 보존하는 1차원 모델 불가지론적 후처리 방법인 등거리 벨만 보정(isotonic Bellman calibration)을 제안합니다. 이 방법은 적합 점유 비율 평가(Fitted Occupancy-Ratio Evaluation, FORE)를 비감소 변환의 1차원 클래스에 적용하여 추정치의 규모와 형태를 보정합니다.

연구진은 등거리 벨만 보정을 통해 유한 샘플 보정 보증과 초기 추정치의 최적 단조 변환에 대한 KL 오라클 부등식을 확립했습니다. 결과적으로 등거리 벨만 보정은 최적 단조 보정의 통계적 오차 범위 내에서 작은 보정 오차와 KL 위험을 달성하며, 정책-가치 추정치를 포함한 다운스트림 목표 점유 함수에 대한 보장을 제공합니다.

펜실베이니아에서 접종하지 않은 두 사람이 홍역으로 사망한 사실이 주 정부 당국에 의해 확인되었습니다. 이는 35년 만에 펜실베이니아에서 보고된 홍역 사망 사례이며, 2026년 미국에서 보고된 첫 홍역 사망 사례입니다.

이러한 사망은 미국에서 홍역 관련 사망 사례가 2015년 이후 처음으로 발생했다는 점에서 주목받고 있습니다. 지난해 미국에서는 백신 접종을 하지 않은 텍사스주의 학령기 아동 두 명과 뉴멕시코주의 성인 한 명의 홍역 사망 사례가 보고된 바 있습니다.

펜실베이니아 당국은 사망자들의 개인 정보 보호를 이유로 사망자들의 신원을 공개하지 않았으며, 이 사망 사례는 주 내 28개 카운티에서 보고된 총 393건의 확진 사례 중 일부입니다. 이는 홍역의 잠재적 심각성에 대한 대중의 이해 부족과 관련하여 공중 보건 당국의 조치가 필요함을 시사합니다.

보스(Bose)의 가장 작은 블루투스 스피커인 사운드링크 마이크로(SoundLink Micro)가 현재 아마존에서 할인된 가격으로 판매되고 있습니다. 이 제품은 원래 129달러였으나 현재 79.99달러에 판매되어 상당한 할인을 제공하고 있습니다.

사운드링크 마이크로는 크기가 약 4인치 사각으로 매우 작아 가방이나 핸드백에 쉽게 넣을 수 있으며, 무게는 1파운드 미만입니다. 방수 및 방진 등급인 IP67을 지원하여 해변이나 수영장에서도 사용 가능하며, 한 번 충전으로 최대 12시간까지 작동합니다.

이 스피커는 뛰어난 음질과 빌드 품질로 알려진 보스의 다른 제품들과 마찬가지로 휴대성과 내구성을 모두 갖추고 있습니다. 또한 백팩이나 자전거 핸들에 부착할 수 있는 나일론 스트랩이 있어 이동 중 사용에 편리합니다.

웹 에이전트가 렌더링된 픽셀에서 행동하도록 학습하려면 방대한 양의 고품질 상호작용 궤적이 필요하지만, 이러한 데이터를 대규모로 생성하는 것은 여전히 어려운 문제입니다. 기존 공개 데이터셋은 고정되고 좁은 범위의 웹사이트에서 수천 개의 궤적만을 포함하고 있으며, 자동화된 합성 파이프라인조차도 미리 정의된 사이트 목록에 한정되어 있어 에이전트가 접하는 웹사이트의 수는 거의 늘어나지 않았습니다.

이러한 문제를 해결하기 위해 연구진은 BrowserForge라는 프레임워크를 제시했는데, 이는 여러 브라우저 샌드박스를 병렬로 구동하여 공개 웹 전체에서 웹 상호작용 데이터를 대규모로 생성하는 방법입니다. BrowserForge는 수십만 개의 실제 접근 가능한 웹사이트에 에이전트를 노출시키는 공개 웹 소싱 단계, 높은 활용도를 가진 수백 개의 브라우저를 스케줄링하는 샌드박스 클러스터 관리자, 그리고 원시 페이지를 실행 가능한 작업으로 변환하고 검증된 궤적을 수집하는 프로포저-솔버 이중 에이전트 루프 등으로 구성됩니다.

이 프레임워크를 통해 수집된 결과, 203,238개의 궤적이 각기 다른 웹사이트에서 수집되어 이전 데이터셋보다 훨씬 크고 다양해졌습니다. 이 데이터로 컴팩트한 멀티모달 모델을 미세 조정했을 때, 라이브 Online-Mind2Web에서의 성공률은 25.66%에서 33.33%로 향상되었으며, 정적인 Multimodal-Mind2Web에서의 단계 정확도 역시 데이터셋 규모가 커짐에 따라 지속적으로 개선되었습니다.

분석 결과는 공개 웹 소싱과 광범위한 웹사이트 커버리지가 이러한 성능 향상의 핵심 기여 요인임을 확인시켜 줍니다. 이는 웹 에이전트 학습을 위한 데이터 확보가 웹의 광범위한 접근성을 활용하는 데 달려 있음을 시사합니다.

실제 지식 그래프 질문 응답(KGQA)을 위한 데이터는 거버넌스 및 데이터 주권 제약으로 인해 종종 여러 조직에 분산되어 있습니다. 중앙 집중식 시스템이 존재함에도 불구하고, 필요한 사실들이 수직적으로 분할된 사일로(silos)에 나뉘어 있을 경우 다단계 추론 질문에 답할 수 없습니다. 이에 본 논문은 조직들이 개체는 공유하지만 관계는 분리하여 소유하는 지식 그래프에서 다단계 추론을 위한 프레임워크인 FedV-KGQA를 제안합니다.

이 접근 방식은 로컬 그래프 풍부화와 지식 그래프 임베딩을 결합하여 원시 트리플과 관계 매개변수가 각 사일로를 벗어나지 않도록 보장합니다. 이를 통해 중앙 집중식 그래프 접근 없이도 구조적인 데이터 경계를 설정할 수 있습니다. 또한, 주제 개체 앵커링 메커니즘을 도입하여 런타임 사일로 간 통신 없이 질문을 올바른 그래프 이웃으로 구체화합니다.

연구진은 세 가지 벤치마크에 걸쳐 12가지 모델 구성을 평가했으며, FedV-KGQA가 강력한 성능을 보이고 중앙 집중식 성능에 근접하며 3단계 추론으로 일반화되고 임베딩 교란에 강건함을 입증했습니다. 이는 분산된 환경에서 지식 그래프 기반의 복잡한 추론 문제를 해결하는 데 유용한 방법론을 제시합니다.

멀티모달 학습을 위한 대규모 공개 비디오 데이터셋인 LAION-BVD가 연구 커뮤니티에 공개되었습니다. 이 데이터셋은 CommonCrawl에서 수집된 13억 개의 플랫폼별 비디오 URL을 기반으로 하며, 총 1000만 시간 분량의 8000만 개의 비디오를 포함하고 있습니다. 이 데이터셋은 비디오, 오디오, 이미지 세 가지 양식에 걸친 멀티모달 사전 학습을 위해 설계되었습니다.

연구진은 콘텐츠 인식 장면 감지(content-aware scene detection)를 사용하여 클립을 추출하고, 이를 기반으로 비디오 및 오디오 캡션을 합성하여 데이터셋을 구축했습니다. 이러한 데이터를 학습한 모델들은 표준 비디오-텍스트 및 오디오-텍스트 벤치마크에서 경쟁력 있는 성능을 달성했으며, 학습 규모가 증가함에 따라 지속적으로 성능이 향상되었습니다.

또한, 연구진은 장면이 변화하는 프레임을 이미지-텍스트 데이터의 대안적인 소스로 탐색했습니다. 이 프레임들은 일반적인 웹 이미지 코퍼스와는 시각적 분포가 구별되며, 이 데이터셋으로 학습된 모델들은 강력한 이미지-텍스트 검색 성능을 보였습니다. LAION-BVD는 전례 없는 규모로 멀티모달 비디오에 대한 공개 접근성을 크게 확장한다는 점에서 주목받고 있습니다.

웨이모(Waymo) 로보택시가 독일 뮌헨에서 서비스를 시작할 계획입니다. 알파벳 소유의 이 자율주행 차량 회사는 독일에서 법적 틀을 마련한 후 상업적 운영을 위해 규제 당국과 협력하고 있습니다.

웨이모는 상업적인 승차 공유 서비스를 2027년 말까지 대중에게 개방하는 것을 목표로 하고 있습니다. 이를 위해 뮌헨에서 차량을 수동으로 운전하여 지도를 만들고, 이후 인간 안전 운전자의 감독 하에 자율 주행 차량을 테스트하는 과정을 거칠 예정입니다.

독일은 유럽 연합에서 레벨 4 자율 주행을 위한 법적 프레임워크를 최초로 마련하여 자율주행차 테스트의 중심지가 되었습니다. 현재 웨이모는 상업적 운영을 위한 허가를 아직 보유하고 있지 않지만, 독일 연방 자동차 운송 당국(KBA) 및 지방 당국과 협력하며 허가를 추진하고 있습니다.

자율 주행 시스템은 SAE 기준에 따라 레벨 4와 레벨 3으로 구분되며, 레벨 4는 특정 조건에서 인간의 개입 없이 모든 주행을 처리하는 시스템을 의미합니다. 이러한 규제 환경은 웨이모 외에도 영국 런던을 비롯한 여러 지역에서 로보택시 개발 경쟁이 심화되는 배경이 되고 있습니다.

거대 언어 모델(LLM)이 AI 분석가로 활용되어 재무 공시를 처리하고 투자 결정을 지원하고 있지만, 이러한 시스템은 검색된 정보가 판단에 미치는 영향보다는 검색 능력으로 평가되는 한계를 보입니다. 연구진은 장문 컨텍스트 금융 분석에서 검색과 통합 간의 격차, 즉 검색-통합 격차를 발견했습니다.

연구는 특정 기업 정보는 고정하고 관련 없는 컨텍스트만 2,000 토큰에서 128,000 토큰 사이로 변화시키면서, 위험 공시가 투자 판단에 미치는 영향이 직접적인 검색이 정확하더라도 실험적 노이즈 바닥 수준으로 떨어짐을 확인했습니다. 이러한 패턴은 모델 계열과 판단 작업, 실제 10-K 공시에서 실제 공시를 제거하는 실험에서도 동일하게 재현되었습니다.

인과적 메모리 개입 실험 결과, 압축된 요약과 원본 텍스트 검색이 결합될 때 공시 사항이 판단으로 전달됨을 보여줍니다. 그러나 이 정보 전달이 성공하는지는 워크플로우 구조에 따라 달라지는데, 청크-요약 파이프라인은 관련 정보를 제거하는 반면, 결정에 인접한 목표 지향적 구조화된 재진술은 그 영향력을 복원합니다.

결론적으로 AI 분석가의 성능은 모델 능력과 워크플로우 구조에 의해 공동으로 결정됩니다. 따라서 검색 기반 평가를 통해 시스템이 실제로 검색한 정보를 무시하는 투자 판단을 내릴 수 있는 시스템을 인증할 수 있습니다.

AI 기반 의료 플랫폼 클라라(Clara)가 성장 엔지니어 직책을 채용하며 개발자들에게 기회를 제공합니다. 클라라는 인간 의료 제공자가 모든 의료 결정을 검토하고 승인하는 자율적인 의료 시스템을 구축하는 것을 목표로 하며, 이 포지션은 환자들이 클라라를 발견하고 일상적인 주치의 관리에 활용하도록 돕는 데 중점을 둡니다.

이 역할은 랜딩 페이지, 온보딩 퍼널, 실험, 기여도 측정, 생애 주기 메시징 등 전체 성장 퍼널을 책임지는 풀스택 엔지니어의 역할을 요구합니다. 개발자는 React와 TypeScript를 사용하여 고속의 랜딩 페이지와 퍼널을 구축하고, 광고 플랫폼을 통합하며, 환자 획득 및 온보딩을 엔드투엔드로 관리해야 합니다.

또한, 이 직무는 Amplitude와 같은 제품 분석 도구를 활용하여 실험 플랫폼을 구축하고 환자 행동 신호를 개인화된 인앱 프롬프트로 전환하는 데 중요한 역할을 합니다. 임상 및 규정 준수 팀과 긴밀히 협력하여 모든 페이지와 실험이 의학적으로 정확하고 HIPAA 규정을 준수하도록 보장해야 합니다.

클라라는 Y Combinator의 P26 배치에 속하며, 자사의 기술 스택은 React 19, Next.js, Python/Django 백엔드, 그리고 LLM을 포함하고 있습니다. 이 포지션은 단순한 코딩을 넘어, 의료 AI라는 복잡한 도메인에서 실제 환자 건강 결과에 영향을 미치는 시스템을 설계하고 구축하는 데 기여할 수 있는 기회를 제공합니다.

SpaceX가 루이지애나주 해안 지역에 최대 1,000억 달러를 투자하여 스타십 공장과 발사대로서의 대규모 우주항을 개발할 계획입니다. 이 투자는 지난 10년간 텍사스에 건설한 스타베이스 시설을 더 큰 규모로 복제하는 것을 목표로 합니다.

이 계획은 루이지애나주의 만(灣) 해안 지역의 광대한 토지를 활용하여 다수의 발사탑을 건설하고 스타십 로켓에 필요한 메탄 추진제에 접근할 수 있는 기반을 마련하는 데 중점을 둡니다.

스페이스X의 최고 운영 책임자인 그윈 쇼트웰은 이 '스타베이스 루이지애나' 시설이 추진제 생산, 전력 발전, 심해 운송 능력, 차량 처리 시설, 그리고 공항을 갖춘 자급자족형 우주항이 될 것이라고 밝혔습니다. 이는 단순한 발사 시설을 넘어 우주 탐사를 위한 통합적인 인프라를 구축하려는 목표를 보여줍니다.

DigitalOcean에서 OpenBSD를 월 4달러에 운영하는 방법을 소개합니다. 사용자는 OpenBSD miniroot 이미지와 같은 커스텀 이미지를 업로드하여 Droplet을 생성함으로써 저렴하게 BSD 운영체제를 클라우드 환경에서 구축할 수 있습니다. 이 과정은 이미지 다운로드, DigitalOcean에 이미지 업로드, Droplet 생성, 그리고 SSH 키를 이용한 설치로 진행됩니다.

설치 과정에서 사용자는 512MB 메모리, 1vCPU, 10GB 디스크 공간 등의 사양을 선택하며, 커스텀 이미지 호스팅 비용이 발생한다는 점을 인지해야 합니다. 특히 설치 후에는 전체 디스크 암호화(FDE)를 설정하거나 SSH 키를 사용하고 루트 로그인 접속을 비활성화하는 등 보안 강화를 진행해야 합니다.

설치 후에는 웹 콘솔을 통해 시스템을 부팅하고 설정 파일을 조정하며, 최종적으로 SSH 접속을 통해 서버를 관리하는 것이 권장됩니다. 이러한 절차는 소프트웨어 설치와 클라우드 인프라 운영에 대한 실질적인 경험을 제공하며, OpenBSD 핸드북과 FAQ를 참고하여 추가적인 설정에 대한 정보를 얻을 수 있습니다.

게이밍 산업의 주요 발표와 트레일러를 담은 게임스컴 오프닝 나이트 라이브 이벤트가 예정되어 있습니다. 이 이벤트는 화요일 오후 2시(ET)에 시작되며, 사전 시사회는 30분 전에 진행될 예정입니다. 소셜 미디어를 통해 공개된 티저들을 통해 파이널 판타지 VII 리벨레이션, 위쳐 3의 새로운 송 오브 더 패스트 확장팩, 기어스 오브 워: E-Day, 그리고 게임 오브 더 트론스 전략 게임 등 다양한 게임들의 모습이 공개될 예정입니다.

이 행사는 게임 산업에 큰 영향을 미칠 수 있는 중요한 시점에 맞춰 진행됩니다. 그 배경에는 그랜드 테프트 오토 VI(GTA VI)의 출시일이 2026년 11월 19일로 예정되어 있으며, 이로 인해 나머지 게임 산업은 GTA VI 출시를 피하며 다음 몇 주를 다른 주요 출시작들로 채울 계획입니다. 이는 파이어 엠블렘, 마블스, 레메디, 레머디 등 여러 대작들의 출시가 집중될 것으로 예상됨을 의미합니다.

다만 GTA VI는 목요일에 별도의 공개 이벤트를 진행할 예정이므로 오프닝 나이트 라이브에서는 공개되지 않을 가능성이 높습니다. 이 이벤트는 게임 개발자들이 다가오는 출시 일정과 산업의 흐름을 파악하는 데 중요한 정보를 제공할 것입니다.