AI 뉴스

GBM 생존 예측을 위한 정확하고 해석 가능한 하이퍼 그래프 신경망

GBM(신경교종) 생존 예측을 위한 모델은 정확성과 해석 가능성을 동시에 요구한다. 기존 접근 방식은 이 두 가지 목표가 상충한다고 보았으나, 그래프 신경망을 활용하여 해석 가능한 표현을 추출하면서도 분류 능력을 저하시키지 않는 방법을 제안한다. 제안된 다중 모달 프레임워크는 세 가지 구성 요소로 이루어져 있다: (1) 방향성 비대칭 메시지 전달을 통한 조직 패치 간의 고차원 관계를 포착하는 시프 하이퍼그래프 신경망, (2) 임상적으로 기반한 개념으로 학습된 표현을 압축하는 개념 병목층, (3) 훈련 중 불신적인 설명을 처벌하는 확장 충분성 테스트 정규화기. 이 프레임워크는 593명의 환자를 대상으로 5겹 교차 검증을 통해 0.643의 일치 지수를 달성하였다.

이 모델은 593명의 환자를 대상으로 한 연구에서 0.643의 일치 지수를 달성하여, 해석 가능한 생존 예측을 위한 첫 번째 통합 접근 방식을 제시한다.

4DGS-JEPA: 동적 가우시안 장면을 위한 예측 아키텍처

4DGS-JEPA는 동적 가우시안 장면에 대한 인과적 다중 수평 예측을 위한 가우시안 기반 공동 임베딩 예측 아키텍처이다. 이 모델은 계층적 장면, 동작 그룹, 가우시안 수준의 표현을 사용하며, 직접 예측과 재귀적 롤아웃을 지원하는 수평 조건 전이 연산자를 포함한다. 또한, 다양한 시간적 전이 경로가 동일한 미래 지점에 도달할 때 호환 가능한 예측 상태를 생성하는 것을 중심 원리로 한다. 이 모델은 예측을 미래 목표 임베딩에 고정시키기 위해 엔드포인트 및 다중 수평 경로 감독을 활용하며, 선택적 기하학 디코더를 통해 일관된 그룹 동작과 가우시안 기하학에 기반한 학습된 동역학을 제공한다.

4DGS-JEPA는 동적 가우시안 장면에 대한 예측을 가능하게 하여, 복잡한 3D 장면의 동적 변화를 효과적으로 모델링할 수 있는 기회를 제공한다.

SynerT 기반의 조기 수술 중 급성 신손상 예측을 위한 다중모달 평가 프레임워크

이 연구에서는 주요 비심장 수술 후 발생하는 급성 신손상(AKI) 예측을 위한 SynerT라는 파형 전용 하이브리드 모델을 제안한다. SynerT는 인과적 확장 합성곱 신경망(TCN)과 확장 순환 계층을 결합하여 초기 생리학적 경과를 인코딩한다. SynerT-MM은 혈역학적 부담 요약 및 수술 전 공변량을 통합하는 다중모달 확장 모델이며, SynerT-Stack은 메타 학습 단계에서 강력한 표 형식 기준과 결합된 누수 안전 스택 앙상블이다. 모든 모델은 VitalDB 데이터베이스에서 엄격한 누수 인식 프레임워크 하에 평가되었으며, SynerT는 강력한 구조적 데이터 기준에 비해 성능이 부족하였고, SynerT-MM은 혈역학적 부담 요약을 포함하여 성능을 회복하였다. SynerT-Stack은 AUROC, AUPRC, F1-max에서 최상의 성능을 달성하였다.

Signal2Symbol: 설명 가능한 생리학적 시계열 이상 탐지를 위한 신경-기호적 시간 추론

Signal2Symbol은 ECG 및 EEG 신호를 기호 시퀀스로 변환하고, 이를 통해 이상 탐지를 수행하는 신경-기호적 프레임워크이다. 이 방법은 VQ-VAE 코드북 또는 SAX를 사용하여 신호를 변환한 후, 이상 징후를 점수화하고, 이상 창을 간격으로 병합하여 Allen 간격 대수를 통해 관계를 설정한다. 마지막으로, Formal Concept Analysis(FCA)를 기반으로 한 희귀 시간 개념 격자를 도입하여 이상 간격을 공유 희귀 기호 증거로 그룹화한다. 이 연구는 MIT-BIH Arrhythmia, PTB-XL, Bonn EEG 데이터셋에서 평가되었다.

Signal2Symbol은 VQ-VAE와 SAX를 활용하여 생리학적 신호의 이상 탐지 성능을 향상시킨다.

Qwen 3.8 모델 사용 경험 공유

사용자는 Qwen 3.8과 Muse Spark 1.3 모델이 개인 프로젝트에 대한 작업을 거부한다고 언급하며, Qwen3.8-27B-Heretic-JP-Roleplay-NSFW-DanbooruTags.i1-Q4_K_M 모델을 사용해 작업을 수행하고 있다고 밝혔다. 이 모델은 역할극을 위해 설계되었지만, 사용자는 성능 저하 없이 요청한 작업을 수행한다고 느끼고 있다.

NV-Reason-CT: 방사선과를 위한 3D CT VLM 소개

방사선 AI는 흉부 X선, 병리 슬라이드 및 2D 스캔에서 이상을 감지하는 데 큰 발전을 이루었으나, 3D 컴퓨터 단층 촬영(CT) 스캔은 현대 비전 언어 모델(VLM)에서 충분히 다루어지지 않고 있다. 일반 목적의 모델은 볼륨 이미징에서 성능이 저조하며, 대부분의 공개 의료 AI 모델은 3D CT에 대한 지원이 부족하다.

3D CT 스캔은 방사선과에서 임상적으로 중요한 데이터 밀집 모달리티로, 이를 위한 VLM의 개발이 필요하다.

Claude Opus 5.5 모델 소개 및 평가

Claude Opus 5.5가 인공지능 분석 및 표준 벤치마크에서 가장 강력한 모델로 소개되었다. Anthropic은 Opus 5.5가 Fable 5.1과 동등하거나 더 나은 성능을 보이며, Opus 5보다 저렴하다고 주장하고 있다. Opus 5.5는 화학 및 생물학 무기 평가에서 Mythos 5.1과 유사한 점수를 기록하며, CB-1 능력을 갖추고 있지만 CB-2 능력은 부족하다고 평가되었다. 새로운 평가 방식으로는 유용한 테스트를 위한 자동화된 평가가 포함된다.

Opus 5.5는 Fable 5.1과 비교하여 더 나은 성능을 보일 것으로 예상되며, 이는 AI 모델 개발 및 평가에 중요한 기준이 될 수 있다.

미국과 중국, AI 안전 리스크 논의 시작

이번 주 미국과 중국은 AI 안전 리스크를 줄이기 위한 논의를 시작했다. 도널드 트럼프와 시진핑의 회의가 신뢰할 수 있는 글로벌 AI 거버넌스 체제로 이어질지는 두 나라의 협력 의지에 달려 있다. 재무장관 스콧 베센트는 양측이 새로운 AI 안전 알림 메커니즘을 설정하는 방안을 논의했다고 발표했다. 이 메커니즘이 중국의 참여를 얻는다면, 양국은 AI 시스템이 위협을 가하거나 예측 불가능하게 행동할 때 경고를 주고받을 수 있는 통로를 마련할 수 있다. 그러나 중국은 미국이 AI 안전 대화를 통해 자국의 능력을 제한하려는 의도가 있다고 믿고 있어 신뢰를 쌓는 데 어려움이 있을 수 있다.

XPRIZE Wildfire 대회, 우주 기반 화재 탐지 기술과 드론 파이널리스트 선정

$11 million XPRIZE Wildfire 대회에서 우주 기반 화재 탐지와 소방 드론이 파이널리스트로 선정되었다. 첫 번째 상은 호주 전역에서 10분 이내에 모든 화재를 정확히 탐지하는 도전이었고, 두 번째 상은 알래스카의 고위험 화재를 자율적으로 탐지하고 진압하는 도전이었다. 두 상 모두 수상자는 없었지만, 이러한 기술은 증가하는 화재 재난 비용 문제 해결에 도움이 될 수 있다.

우주 기반 화재 탐지 기술은 호주 전역에서 10분 이내에 화재를 탐지하는 데 도전하는 기능을 갖추고 있다.

AI 작업 부하를 위한 GPU 클러스터 준비 상태 검증

GPU 클러스터는 모든 건강 검사를 통과하더라도 AI 작업 부하를 실행하지 못할 수 있다. 모든 GPU, 네트워크 링크, 포드가 건강하다고 보고하더라도, 512-GPU 훈련 작업이 저조한 성능을 보이거나 실패할 수 있다. 이는 느린 GPU, 부하에서 저하되는 링크, 또는 느린 경로로 트래픽을 조용히 라우팅하는 구성 때문일 수 있다.

AI 작업 부하를 실행하기 전에 GPU 클러스터의 성능을 철저히 검토해야 한다.

YouTube, 맞춤형 피드 및 GIF 댓글 기능 추가 예정

YouTube는 곧 Custom Feeds 기능을 도입하여 사용자가 원하는 콘텐츠를 담은 새로운 탭을 추가할 수 있게 한다. 사용자는 설명을 입력하고 YouTube가 페이지를 채우도록 하며, 여러 개의 피드를 저장할 수 있다. 또한, 댓글에 GIF를 게시할 수 있는 기능이 추가되며, 이는 일반 비디오와 YouTube Shorts 모두에서 사용할 수 있다. YouTube의 직접 메시징 기능은 그룹 채팅을 지원하게 되지만, 초기에는 미국, 영국, 싱가포르, 브라질 및 일부 유럽 국가에서만 제공된다.

Custom Feeds 기능을 통해 사용자는 개인화된 콘텐츠를 쉽게 관리할 수 있다.

HEMA의 내부 AI 어시스턴트 HAL과 Amazon Bedrock AgentCore 활용

HEMA는 내부 지식의 단절 문제를 해결하기 위해 Amazon Bedrock AgentCore를 기반으로 한 AI 어시스턴트 HAL을 구축했다. HEMA는 750개 이상의 매장을 운영하며, 기술 조직이 디지털 전환을 추진하고 있다. HAL은 HEMA의 기술 환경을 통합하여 지식을 한 곳에 모으고, Model Context Protocol(MCP)을 통해 사용자가 이미 사용하는 도구 내에서 지식을 제공한다. 이로 인해 팀 간의 정보 접근성이 향상되고, 개발자 도구에서 작업 흐름이 개선되었다.

HAL은 HEMA의 분산된 지식을 통합하여 정보 접근성을 높이고, MCP를 통해 이미 사용 중인 도구 내에서 지식을 제공한다.

Jev는 새로운 기술이 아니다

Jev는 새로운 결정 모델로 광고되고 있지만, 실제로는 기존의 분류기 행동을 기반으로 한 것으로 보인다. Jev는 제약된 선택에 대한 확률을 출력하며, 자가 회귀 방식으로 생성하지 않고, 잘못된 클래스를 출력할 수 없다. 기존의 제로샷/NLI 분류기, 임베딩 모델, 크로스 인코더 및 리랭커가 이미 이러한 변형을 수행해왔다. Jev의 성능 비교는 주로 LLM과 이루어지지만, 기존의 강력한 분류기와 비교할 때 그 성능은 덜 인상적이다. 예를 들어, Banking77 실험에서 BGE-small + 로지스틱 회귀가 93.3%의 정확도를 기록한 반면, Jev는 83.2%에 그쳤다.

Jev는 기존의 분류기와 비교할 때 성능이 떨어질 수 있으며, 이는 비용과 속도 측면에서 기존 기술이 여전히 유효함을 나타낸다.

GitHub Copilot 앱에서 대규모 풀 리퀘스트 렌더링 개선

GitHub Copilot 앱은 대규모 풀 리퀘스트의 리뷰 경험을 향상시키기 위해 새로운 풀 리퀘스트 뷰를 재구성했다. 2,200개의 파일과 백만 줄 이상의 변경 사항, 400개 이상의 인라인 리뷰 댓글이 포함된 풀 리퀘스트를 대상으로 성능을 최적화했다. 대규모 변경 사항의 렌더링 속도를 높이기 위해 가상화, DOM 크기 유지, 코드 행의 고정 높이를 활용했으며, 댓글의 높이는 렌더링 시점에 따라 달라지는 문제를 해결하기 위해 새로운 아키텍처를 도입했다.

GitHub Copilot 앱의 개선된 풀 리퀘스트 뷰는 대규모 변경 사항의 리뷰를 더 빠르고 원활하게 진행할 수 있도록 한다.

NodeWright로 Kubernetes 노드 플릿 관리

Kubernetes는 노드에서 실행되는 작업을 관리하지만, 노드 자체의 관리가 도전 과제이다. 이는 커널 설정, 시스템 패키지, 스토리지 레이아웃, 보안 에이전트 및 GPU 작업 부하에 의존하는 호스트 수준 조정 등을 포함한다. 많은 팀은 Ansible 플레이북, 사용자 정의 스크립트 및 수동 런북을 사용하여 이를 관리하지만, 새로운 클러스터가 다른 지역에 생성되거나 커널 업그레이드로 RDMA가 중단되는 경우 문제가 발생할 수 있다.

NodeWright는 Kubernetes 노드 관리를 자동화하여 이러한 문제를 해결할 수 있는 방법을 제공한다.

AWS 기반의 대화형 비디오 인텔리전스 솔루션

AWS의 대화형 비디오 인텔리전스 솔루션은 사용자가 업로드한 비디오에 대해 자연어 질문을 할 수 있으며, 1초 이내에 답변을 제공한다. 이 솔루션은 Amazon Bedrock, Amazon Rekognition, Amazon Transcribe를 활용하여 사용자의 질문에 따라 필요한 서비스를 호출한다. 초기 비디오 분석은 5~10분이 소요되며, 200개 이상의 다중 시간 녹화에 대한 수작업 검토 시간을 약 80% 줄이는 효과를 보였다.

이 솔루션은 비디오 콘텐츠를 자연어로 쿼리 가능하게 하여, 사용자가 90분 회의 녹화에 대해 '이 회의에서 어떤 결정이 내려졌나요?'와 같은 질문을 할 수 있게 한다.

Amazon Bedrock에서 오픈 웨이트 모델을 활용한 AI 코딩 에이전트 사용

AI 코딩 에이전트는 개발자가 소프트웨어를 작성하고 디버깅하며 리팩토링하는 데 핵심적인 역할을 하고 있다. Amazon Bedrock의 오픈 웨이트 모델을 통해 이러한 에이전트를 개인적으로 안전하고 비용 효율적으로 운영할 수 있다. OpenCode는 Go로 구축된 오픈 소스 AI 코딩 에이전트로, 파일을 읽고 수정하며, 셸 명령을 실행하고, 프로젝트 구조를 이해한다. OpenCode는 Amazon Bedrock의 오픈 웨이트 모델과 결합하여 로컬에서 실행되며, AWS 계정 내에서 안전하게 추론이 이루어진다.

OpenCode는 Amazon Bedrock의 오픈 웨이트 모델과 결합하여 개발자가 데이터 거주 요건을 충족하면서도 비용 효율적으로 AI 코딩 에이전트를 운영할 수 있게 한다.

의학과 수학·컴퓨터 과학 중 진로 선택 고민

28세의 한 개인이 의학 MD 과정을 마무리할지, 수학과 컴퓨터 과학 BSc로 전환할지를 고민하고 있다. MD 과정이 2년 남았고, 이후 5년의 PhD 과정이 가능하지만 의학에 대한 흥미가 없다. 수학과 컴퓨터 과학으로의 전환은 3-4년이 소요되며, 이후 ML/AI 연구를 목표로 하고 있다. 현재 AI가 소프트웨어 공학의 가치를 감소시키고 있다는 우려가 있다.

AI가 소프트웨어 공학의 가치를 감소시키고 있다는 우려는 컴퓨터 과학 학위의 중요성에 영향을 미칠 수 있다.

Google Gemini 3.8 TTS 모델 출시

Google이 Gemini 3.8 TTS 모델인 'gemini-3.8-flash-tts'와 'gemini-3.8-flash-lite-tts'를 출시했다. 이 모델은 2,000개 이상의 음성을 제공하며, 30초의 오디오 샘플로 맞춤 음성을 생성할 수 있다. Gemini API를 활용하여 여러 캐릭터 간의 대화를 쉽게 정의할 수 있는 기능도 포함되어 있다.

Gemini 3.8 Flash TTS 모델은 1분 18초의 오디오를 생성하는 데 약 20초가 소요되며, 비용은 2.74센트이다.

Maggie Appleton과의 대화: 디자인 엔지니어링과 AI의 협업

Maggie Appleton은 GitHub Next의 연구 엔지니어로, AI와 소프트웨어 엔지니어 간의 협업 방식을 탐구하는 프로토타입을 개발하고 있다. 그녀는 디자인, 인류학, 웹 개발의 교차점에 위치하며, AI 스타트업 Elicit의 첫 디자이너이자 Normally의 리드 디자인 엔지니어로 활동했다. Appleton은 프로젝트를 시작할 때 손으로 스케치하는 것을 선호하며, 디자인 과정에서의 문제 해결과 공학적 제약 이해의 중요성을 강조한다. 또한, 그녀는 'Jigs'라는 개인 Figma를 구축하여 프로토타입 제작에 활용하고 있다.

Maggie는 AI와의 협업을 통해 소프트웨어 엔지니어링에서의 문제 해결 방식을 개선할 수 있는 방법을 제시한다.

로봇의 물리적 AI 추론을 위한 오프로드 기술

Microsoft Research의 연구에 따르면, 로봇의 물리적 AI 추론을 온보드 GPU에서만 수행하는 것은 성능, 배터리 수명, 확장성에 제한을 줄 수 있으며, 엣지 또는 클라우드 GPU로의 오프로드가 상당한 이점을 제공할 수 있다. 오프로드를 통해 작업 성공률이 향상되고, 더 큰 AI 모델을 사용할 수 있으며, 동적 환경에서 로봇의 반응성이 개선된다. 또한, 전력 소모가 큰 온보드 AI 컴퓨팅을 경량 하드웨어와 원격 추론으로 대체하면 배터리 수명이 크게 향상되어 로봇이 충전 사이에 더 오랜 시간 작동할 수 있다.

오프로드를 통해 로봇의 작업 성능이 향상되고, 배터리 수명이 개선되며, 최신 AI 모델을 실행할 수 있는 가능성이 커진다.

SWE-Serve가 로컬 테스트와 라이브 서빙 간의 격차를 드러내다

AI 코딩 에이전트의 패치는 테스트를 통과할 수 있지만, 서버가 실제 모델을 로드하고 요청을 처리할 때 실패할 수 있다. 따라서 추론 서빙 소프트웨어의 변경 사항을 평가하려면 시스템이 공개 인터페이스를 통해 올바른 결과를 반환하는지 확인하는 전체 서빙 경로를 점검해야 한다. SWE-Serve는 SGLang 팀의 입력을 바탕으로 53개의 작업을 통해 이 격차를 평가한다.

SWE-Serve는 AI 코딩 에이전트의 패치가 실제 환경에서 어떻게 작동하는지를 평가하는 데 중요한 도구이다.

Sakeena Fiza의 NVIDIA 하드웨어 검증 엔지니어 역할

Sakeena Fiza는 NVIDIA에서 검증 엔지니어로 일하며, 시스템이 어떻게 고장날 수 있는지를 탐구하는 일을 한다. 그녀는 NVIDIA Rubin GPU가 시스템 레벨에서 처음으로 작동했을 때의 기쁨을 회상하며, 검증 과정이 대량 생산 전에 물리적 장치가 올바르게 작동하는지를 보장하는 것이라고 설명한다. Fiza는 하드웨어, 소프트웨어, 펌웨어 등 다양한 분야의 엔지니어들과 협력하여 복잡한 AI 시스템의 신뢰성을 높이는 작업을 수행한다.

검증 엔지니어는 고객이 문제를 발견하기 전에 문제를 잡아내는 것을 목표로 하며, 이는 AI 시스템의 신뢰성을 높이는 데 중요하다.

Eric Nguyen, 생물학적 능력 향상과 방어의 균형에 대해 설명

Eric Nguyen은 생물학적 능력을 증가시키는 모델이 방어를 뒤처지지 않게 할 수 있다고 설명했다. 그는 Stanford에서 Genomic Language Models(GLMs)의 개발을 이끌었으며, 이 모델을 통해 전체 박테리아 바이러스 게놈을 생성하고 기능성 바이러스로 합성하는 데 기여했다. GLMs는 DNA, RNA 및 단백질을 이해하고, 환경이 유전자에 남긴 흔적을 학습할 수 있는 가능성을 보여준다.