최신 뉴스

전체 뉴스

가장 최근에 발행된 뉴스부터 확인하세요.

주제별로 좁혀보기 · 개발·코딩
일반 기사
AI 심화

Contagion on the Trading Floor: How Adversarial Signals Spread in Multi-Agent Trading Systems

전체 요약

AI 트레이딩 시스템이 위험한 신호를 받아들이는 것을 연구했습니다. AI가 사회 미디어에서 정보를 받으면, 그 정보가 분석가에게 잘못된 영향을 줄 수 있다는 것입니다. 실험에서는 간단한 공격도 AI의 성능을 크게 떨어뜨릴 수 있음을 보여주었습니다.

핵심 보기
원문 보기
AI 심화

From "Who Is This User?" to "What Does This Purchase Mean?": A Deployed Pipeline for Semantic User Profiling at Bank Scale

전체 요약

이번 뉴스는 은행에서 사용자의 특성을 자동으로 분석하는 새로운 방법을 소개합니다. 과거 거래 기록을 바탕으로, AI가 자주 발생하는 거래 패턴을 찾아내고 그 특징을 정리합니다. 이 방식은 한 사람당 비용이 줄어들게 되어 많은 사용자를 처리할 수 있게 됩니다. 실제로 일본의 큰 은행에서 이 방법을 적용해 100만 명 이상의 사용자에 대한 분석을 훨씬 효율적으로 수행했습니다.

핵심 보기
원문 보기
AI 활용

지니젠AI, 오픈라우터 426종 분석 '한국어 AI 품질 리더보드' 공개

전체 요약

지니젠AI는 글로벌 AI 모델 중개 플랫폼 오픈라우터의 한국어 품질 리더보드를 공개했다. 이 리더보드에는 앤트로픽, 구글, 오픈AI 등 다양한 AI 모델이 포함되어 있으며, 지니젠AI는 330종을 평가해 높임말 정확도와 문체 일관성 등을 점수로 매겼다. 이 정보는 한국어를 잘 이해하는 AI 모델을 선택할 때 도움이 될 수 있다.

핵심 보기
원문 보기
AI 활용

AI infrastructure and security tools #132

전체 요약

Emerald AI, Google,과 NVIDIA는 2026년 9월 16일 AI 에너지 관리 연합(AEMA)을 출범했습니다. 이 연합은 데이터 센터의 전력 사용을 신속하게 조정할 수 있게 합니다. 예를 들어 작업량 이동, 저장소 배치, 파트너 발전 및 긴급 대응이 가능합니다. AEMA는 안정성, 지속 시간, 예측 가능성, 긴급 행동 등을 평가하는 기준을 정의합니다. 초기 회원들은 AI 회사, 데이터 센터 운영자, 전기 공급업체, 발전소와 지역 전력망 운영자를 포함합니다.

핵심 보기
원문 보기
AI 활용

We built an open-source GPU profiler you point an AI agent at, instead of reading traces yourself

전체 요약

AI 모델을 훈련시키는 데 필요한 GPU 성능을 측정하는 도구가 개발되었습니다. 이 도구는 오픈소스로 공개되어 AI 에이전트에게 GPU 성능을 자동으로 분석하도록 설계되었습니다. 사용자는 직접 GUI를 열고 조작하지 않아도 됩니다. 대신, 에이전트가 결과를 찾아내도록 지시하면 됩니다.

핵심 보기
원문 보기
AI 심화

The Inference Engineering Pareto Atlas: Which Optimizations Dominate the Cost, Quality, and Latency Frontier?

전체 요약

연구원들은 대형 언어 모델의 추론 최적화 방법을 분석하여 가장 효과적인 설정을 찾았습니다. Qwen2.5-7B-Instruct를 다양한 하드웨어와 조건에서 실험한 결과, 18개의 설정이 최적화 선에 도달했습니다. 이 연구는 AI 모델의 성능과 속도를 균형있게 높이는 방법을 알려줍니다.

핵심 보기
원문 보기
AI 심화

When to Call an LLM: A Confidence-Gated Hybrid for Cost-Effective Emotion Recognition in Conversational AI

전체 요약

이 기사는 대화 맥락 내에서 감정 인식(ERC)의 세 가지 방법을 비교하고, 가장 효과적인 방법을 제안합니다. 저작자는 저렴한 스택 엑스포네스와 오프더셰일 LLM 프롬프팅 사이에 신뢰도 기반 혼합 모델을 도입하여 비용 효율성을 높였습니다. 이 혼합 모델은 IEMOCAP 데이터셋에서 0.595의 F1 점수를 얻었으며, GPT-4o-mini와 같은 LLM만 사용한 경우보다 훨씬 낮은 비용과 초저지연으로 성능을 높였습니다. 이 혼합 모델은 대화 맥락 내에서 감정 변화를 효과적으로 감지하고 처리할 수 있어, 대량의 음성 데이터를 저렴한 방법으로 분석할 수 있게 해줍니다.

핵심 보기
원문 보기