본문 바로가기

AI

 (261)
기업 AI 혁신의 새 지평: 이벤트 기반 온톨로지 시뮬레이션으로 ‘의사결정 신뢰성과 완전 감사 가능성’ 보장한 LOM-action 아키텍처 안녕하세요 여러분! 오늘은 제가 최근에 접한 아주 흥미로운 논문을 소개해드리고자 합니다. 논문의 제목은 “From Business Events to Auditable Decisions: Ontology-Governed Graph Simulation for Enterprise AI”로, 기업 환경에서 AI가 내리는 ‘결정’의 신뢰성과 투명성을 높이는 혁신적인 아키텍처를 제안하고 있습니다.논문의 핵심은 ‘엔터프라이즈 AI(기업용 AI)’를 일반 범용 LLM(대형 언어 모델)과 차별화하는 “시나리오 기반 온톨로지 시뮬레이션(event-driven ontology simulation)” 아키텍처인데요, 이게 왜 중요한지, 또 기존 기술과 어떻게 차별화되는지, 그리고 실제로 어떤 기술적 가치가 있는지 차근차근 풀..
ART: 역할 분리와 통계 모델로 '진짜 이유' 밝히는 대형언어모델 기반 투명형 주장 검증 혁신 안녕하세요! 오늘은 2026년 최신 논문인 "ART: Adaptive Reasoning Trees for Explainable Claim Verification"을 풀어보겠습니다. 방대한 내용 중에서도 ‘기술적 가치’에 초점을 맞춰, 기존 방법들과의 차별점과 그 의미를 중심으로 살펴볼게요.‘ART’가 보여주는 LLM 기반 자동 주장 검증의 새로운 지평요즘 대세인 대형언어모델(LLM)은 뛰어난 ‘제로샷 추론(zero-shot reasoning)’ 능력 덕분에 복잡한 의사결정·주장검증(claim verification) 분야에서도 각광받고 있죠. 하지만 LLM의 가장 큰 약점은 ‘불투명성’과 ‘환각(hallucination)’ 현상입니다. 즉, 모델의 답변이 왜 그런 판단에 도달했는지 신뢰할 만한 (fait..
LLM에 내장된 ‘작은 프로그래머’—TMK 프롬팅으로 극복한 대형언어모델의 계획 한계와 65.8% 성능 도약 안녕하세요! 오늘은 "Knowledge Model Prompting Increases LLM Performance on Planning Tasks"라는 최신 논문을 리뷰해드리려고 합니다. 제목만 봐도 뭔가 엄청난 ‘지식 모델 프롬팅’이 LLM(대형언어모델)의 계획(planning) 능력을 크게 올려줬다고 하네요. 저도 논문을 읽으면서 놀랐던 점들 많았는데요, 특히 기존 체인 오브 쏘트(CoT) 같은 대표적인 프롬팅 기법들과 견주어 봤을 때 얼마나 차별점이 있고, 앞으로 AI 분야에 주는 시사점이 큰지 재해석해 보겠습니다.큰 그림: LLM은 왜 ‘계획’을 못할까?최근 연구들(예: Valmeekam et al., 2023; Chan, 2024 등)이 지적하듯, 대형언어모델은 사실상 진짜 ‘논리적 계획’ 문제..
LLM과 몬테카를로 트리 탐색의 만남: ‘스킬’ 구조를 이중 최적화해 AI 에이전트 성능 3% 높이다 안녕하세요, 여러분! 오늘은 대형 언어 모델(LLM) 에이전트의 ‘스킬(skill)’을 최적화하는 아주 흥미로운 논문을 소개해드리려고 합니다. 제목은 ‘Bilevel Optimization of Agent Skills via Monte Carlo Tree Search’인데요, 좀 어려운 용어가 많지만 제가 쉽게 풀어서, 특히 ‘기술적 가치’에 집중해 설명드리겠습니다.1. 스킬(skill) 최적화, 왜 중요할까요?최근 LLM 기반 에이전트들이 다양한 복잡한 작업에 투입되고 있죠? 예를 들어, 코드 작성, 데이터 분석, 비즈니스 의사결정까지 아주 넓은 분야에서 활동합니다. 그런데 이런 에이전트가 ‘어떤 방법’을 쓰느냐가 결과 성능에 큰 영향을 줍니다. 여기서 ‘스킬’은 단순한 기능 하나가 아니라, 작업 수행..
ODAR: 난이도 예측과 자유에너지 융합으로 LLM 추론의 효율성과 신뢰성을 혁신하다 안녕하세요! 오늘은 ‘ODAR: PRINCIPLED ADAPTIVE ROUTING FOR LLM REASONING VIA ACTIVE INFERENCE’라는 논문을 기술적 가치 관점에서 살펴보도록 하겠습니다. 이 논문은 대형 언어 모델(LLM)의 추론 과정을 효율적으로 만드는 새로운 ‘적응형 라우팅’ 기법을 제안해, 성능과 계산 비용 면에서 모두 뛰어난 결과를 냈는데요. 복잡한 이론과 구현이 결합된 이번 연구가 기존 방법과 무엇이 다른지, 왜 중요한지 살펴볼게요.기존 LLM 추론과 한계: 무조건적 ‘브루트포스’ 샘플링의 비효율성여러분도 아실 테지만, GPT 시리즈 등 대형 언어 모델들은 문제 해결력을 키우기 위해 체크포인트 모델 크기 증가뿐 아니라, ‘테스트 타임(추론 중)’에 더 많은 연산을 투입하는 ..
WebXSkill: 실행 가능하며 이해하는 자율 웹 에이전트로 12.9% 성공률을 끌어올린 혁신적 스킬 학습 프레임워크 안녕하세요, 여러분! 오늘은 자율 웹 에이전트 분야의 최신 연구 논문인 'WebXSkill: Skill Learning for Autonomous Web Agents'를 해석해보고자 합니다. 기존 연구들과 비교하며 ‘WebXSkill’이 왜 한 단계 진일보한 기술인지, 실제 사용 시 어떤 강점이 있는지 차근차근 살펴볼게요.자율 웹 에이전트, 왜 스킬(Skill)이 중요할까요?먼저 자율 웹 에이전트는 사람이 하던 웹상 작업—상품 검색, 글 작성, 주문하기 등—을 대신 수행하는 AI입니다. 최근 대형 언어 모델(LLM)의 등장으로 웹 브라우저 조작이 가능해졌지만, 멀티 페이지에 걸친 복잡한 작업을 수행할 때는 여전히 ‘오류’나 ‘재계획’을 반복하는 비효율함이 크게 존재합니다. 기존 방법들, 예를 들어 AWM..
사용자 기억을 반영하고 오류를 보정하는 AI 개인 위키 ‘거울-보정’ 메커니즘과 시간 기반 유지보수 설계 안녕하세요! 오늘은 따끈따끈한 논문, "Memory as Metabolism: A Design for Companion Knowledge Systems"를 풀어보려고 합니다. 이번 글에서는 특히 이 논문의 ‘기술적 가치’에 집중하며, 기존 연구들과의 차별점도 예시 중심으로 짚어드릴게요.1. 개인 AI 메모리 시스템, 왜 ‘내장형 위키’인가?첫인상부터 독특하죠. 요즘 대부분 LLM(대형언어모델) 메모리 시스템은 Retrieval-Augmented Generation(RAG) 방식, 즉 쿼리 때마다 외부 문서를 다시 찾아 참고하는 패턴이 대세였는데요. 그런데 이 논문은 팍스 스타일의 ‘개인 위키’처럼 지식을 하나의 상호 연결된 아티팩트로 축적해서 단일 사용자가 장기 활용할 수 있도록 설계하자고 제안합니다. ..
롱호라이즌 AI 에이전트의 필연적 실패 원인과 체계적 진단: 7가지 오류 유형과 LLM-판단자 활용의 혁신적 분석 안녕하세요 여러분! 이번에는 논문, 'THE LONG-HORIZON TASK MIRAGE? DIAGNOSING WHERE AND WHY AGENTIC SYSTEMS BREAK'을 해석해 보겠습니다. LLM(대형 언어 모델) 에이전트들이 길고 복잡한 작업, 즉 '롱호라이즌(장기)' 작업에서 왜, 어떻게 실패하는지 체계적으로 분석한 연구인데요. 기존 논문들에서는 각자 영역별로 단편적으로 실패를 탐구하거나, 성공률 중심의 평가에 머문 경우가 많았다는 점에서 이번 연구가 가진 독창적 가치가 큽니다.논문의 핵심: 롱호라이즌 작업에서 LLM 기반 에이전트 실패 원인과 지점 진단우선 '롱호라이즌(Long-Horizon)' 작업이 뭘 뜻하는지부터 설명드릴게요. 단순히 행동 단계가 많은 작업을 의미하는 것이 아니라, 여..

티스토리툴바