AI 뉴스
플리토, 자가발전 AI 통역 비서 고도화
플리토는 자체 구축 데이터를 기반으로 맞춤형 AI 통역 에이전트를 강화하고 있다. 핵심 기술은 스스로 학습할 지점을 찾아내는 ‘자가발전 AI’로, 실시간 AI 통역-번역 솔루션 ‘챗 트랜스레이션’에 ‘AI 학습 리포트 기반 추천 용어 기능’을 추가하여 기술 기반을 강화했다. 챗 트랜스레이션은 고품질 데이터와 AI 통역, 번역 기술을 결합한 플리토의 대표 B2C 솔루션이다.
챗 트랜스레이션은 AI 학습 리포트 기반 추천 용어 기능을 통해 사용자 맞춤형 통역 서비스를 제공할 수 있다.
Claude 모델의 텍스트 워터마킹 프로세스 설명
Anthropic은 Claude 모델의 텍스트 출력에 워터마킹을 적용한다고 발표했다. 이와 관련하여, 워터마킹의 작동 원리와 구현 방법을 설명하는 48분 분량의 강의가 제공되었다. 원래 10장의 슬라이드로 계획했으나, 추가적인 세부사항으로 인해 50장이 되었다. 이 강의는 워터마킹 기술이 어떻게 작동하는지, 그리고 그 장단점에 대한 논의를 포함하고 있다.
Claude 모델의 텍스트 출력에 워터마킹이 적용됨으로써, LLM이 생성한 텍스트의 출처를 명확히 할 수 있는 방법이 제공된다.
Martin Casado가 말하는 AI 가치의 변화
Martin Casado는 AI에서 가치가 어디에 축적되고 있는지를 논의하며, 현재의 기술 주기가 이전과 어떻게 다른지를 설명한다. 그는 AI가 벤처 자본을 규모 확장 자본 게임으로 변화시켰으며, 소규모 팀이 막대한 자금을 생산적으로 배치할 수 있는 이유를 설명한다. 또한, 개방형 소스와 전문 모델의 역할, 그리고 애플리케이션이 점점 더 많은 가치를 포착하고 있는 이유에 대해 논의한다.
AI가 벤처 자본을 규모 확장 자본 게임으로 변화시켰다는 점은 자금 조달 방식에 대한 새로운 접근을 시사한다.
LightGBM과 CatBoost의 상호작용 모델링 차이
한 사용자가 LightGBM과 CatBoost를 사용하여 두 개의 설명 변수와 상호작용 변수를 포함한 회귀 모델을 실험했다. LightGBM은 설명 변수 'A'와 'B'만으로 0.5의 예측값을 도출했으나, 상호작용 변수 'AB'를 포함했을 때는 상수 0으로 예측했다. 반면 CatBoost는 'AB' 없이도 데이터를 완벽하게 맞췄다. 사용자는 LightGBM이 'AB'로 완벽한 분할을 할 수 있어야 한다고 생각했지만, 실제로는 그렇지 않았다.
LightGBM은 상호작용 변수를 포함했을 때 기대한 대로 작동하지 않아, 모델링 접근 방식에 대한 재검토가 필요함을 시사한다.
Learn Leap: 개인 자료로 학습하는 AI 튜터
Learn Leap은 사용자가 자신의 자료를 업로드하면 AI 튜터가 이를 바탕으로 가르치는 플랫폼이다. 이 튜터는 사용자의 자료에 대한 전체 맥락을 이해하고 퀴즈, 플래시카드, 시험 등을 만들어 이해도를 테스트할 수 있다. 현재 초기 단계로, 사용자 피드백을 받고 있다.
Learn Leap은 사용자가 직접 업로드한 자료를 기반으로 학습할 수 있는 기능을 제공한다.
모델 기반 시뮬레이션의 발전과 단계별 변화
2022년부터 매년 기계 지능 생산 파이프라인의 한 요소가 인간 제작에서 모델 제작으로 전환되고 있다. 1단계에서는 InstructGPT가 보상 신호를 모델로 대체하며 평가 방법론이 모델 기반으로 변화했다. 2단계에서는 Microsoft의 Phi 시리즈가 LLM 합성 데이터로 훈련된 모델의 성능을 입증했다. 3단계에서는 Stanford의 Alpaca가 GPT 생성 지침으로 모델 행동을 복제하는 데 성공했다. 4단계에서는 모델이 스스로 학습할 내용을 결정하게 되었고, 5단계에서는 DeepMind의 AlphaEvolve가 새로운 알고리즘을 발전시켰다. 6단계에서는 RL 환경의 구축이 필요해졌다.
Microsoft의 Phi 시리즈는 LLM 합성 데이터로 훈련된 모델이 기존 모델보다 높은 성능을 발휘할 수 있음을 보여준다.
에이전트 하네스의 발전과 변화
2025년 크리스마스 즈음, AI 엔지니어들은 에이전트의 변화가 시작되었음을 인지했다. 이는 모델과 하네스의 동시 개선이 이루어졌기 때문으로 보인다. 하네스는 모델의 가중치 외에 에이전트가 작동하는 데 필요한 환경, 도구, 맥락 및 가드레일을 포함한다. 초기 ChatGPT는 다음 토큰 예측과 RLHF만을 사용했으나, 에이전트 하네스는 LLM이 실제 디지털 정보 공간과 상호작용할 수 있도록 한다. AutoGPT/BabyAGI는 모델에 완전한 자율성을 부여했으나, 모델의 신뢰성을 높이지 못했다. 2023-2024년 동안 Cursor/Copilot은 모델의 자율성을 줄이고 인간이 루프를 조정하도록 하여 이 격차를 줄이려 했다.
에이전트 하네스는 모델이 실제 디지털 공간에서 작동할 수 있도록 하며, 이는 AI 모델의 활용 가능성을 확장한다.
250M 파라미터 모델을 30B 토큰으로 학습하여 60MB로 배포한 양자화 LLM
250M 파라미터 모델이 30B 토큰의 데이터로 학습되었으며, 양자화로 인해 전체 배포 크기는 60MB로 줄어들고 실행 시 약 80MB의 RAM이 필요하다. 일반 노트북 CPU에서 초당 약 400 토큰을 처리할 수 있으며, 가장 최근의 2048 토큰은 fp16으로 유지되고, 이전 토큰은 1비트로 압축되어 디스크에 저장된다. 모델의 언어 모델링 품질은 cross entropy 3.15 nats per token, perplexity 23.3으로 측정되었다. 모든 131k 토큰에 대해 고정된 512비트 코드가 사용되며, 훈련된 파라미터는 없다.
모델은 250M 파라미터로 구성되어 있으며, 양자화된 LLM을 통해 메모리 사용량을 최소화하면서도 언어 모델링을 수행할 수 있다.
16 GB VRAM을 활용한 Qwen3.8 모델 설정
Windows에서 사용자는 Qwen3.8-27B-Uncensored-IQ4-XS-MTP-16GB-VRAM-GGUF 모델을 사용하며, MTP를 비활성화하고, q4 k/q4 v mmproj를 CPU/RAM으로 이동시켜 VRAM을 절약한다. Linux 사용자는 VRAM을 더 효율적으로 사용할 수 있다. 설정 예시로는 GPU 오프로드, 배치 크기 조정, 메모리 최적화 플래그 등이 포함된다.
Qwen3.8-27B-Uncensored-IQ4-XS-MTP-16GB-VRAM-GGUF 모델을 통해 VRAM 사용을 최적화할 수 있다.
Simile AI, 20억 달러 시리즈 B 투자 유치 및 인간 행동 모델링
Simile AI는 2024년 여름에 20억 달러 규모의 시리즈 B 투자를 유치했으며, GreenOaks와 Index Ventures의 지원을 받았다. 이들은 CVS와 같은 Fortune 100 고객을 위해 수천만 개의 시뮬레이션을 실행하고 있으며, 인간 포커스 그룹 대비 85~99%의 정확도를 기록하고 있다. Joon Sung Park은 인간 행동의 디지털 쌍둥이를 생성하여 85%의 정확도로 인간의 반응을 재현하는 연구를 진행하고 있다.
Simile AI는 Fortune 100 고객을 위해 수천만 개의 시뮬레이션을 실행하여 85~99%의 정확도를 달성하고 있다.
Qwen 3.8 27B로 비행 시뮬레이터 코딩 시도
LM Studio Bionic과 Qwen 3.8 27B Q3_K_S를 사용하여 비행 시뮬레이터를 코딩하는 데 63시간이 소요되었다. 첫 번째 프롬프트에서 HTML 파일이 생성되었으나, 키 입력이 작동하지 않았다. 두 번째 프롬프트로 15시간 후에 비행이 가능해졌으나, 비행기 모델은 없고 약간의 버그가 있었다. 구글 AI 스튜디오에서는 20분 만에 비행 시뮬레이터를 완성했으며, Qwen 스튜디오에서는 2시간이 걸렸다.
fluent-korean: 클로드의 어색한 한국어를 개선하는 도구
fluent-korean은 클로드가 어색한 한국어를 사용하지 않도록 돕는 도구로, snflkd라는 개발자가 GitHub에 공개했다. 이 도구는 클로드에게 명확한 한국어를 사용하도록 지시하는 출력 스타일을 제공하며, 클로드 코드에 설치하거나 지침 텍스트를 클로드 웹이나 앱에 붙여넣어 사용할 수 있다. 설치 후에는 설정에서 출력 스타일을 고를 수 있으며, 한국어 결과물의 완성도를 높이는 데 기여할 수 있다.
fluent-korean은 클로드에게 명확한 한국어를 쓰라고 지시하여, 어색한 문장으로 인한 의미 손실을 줄일 수 있다.
앤드류 응의 AI 엔지니어링 스킬 맵 공개
앤드류 응이 2023년 8월 14일 공개한 'AI 엔지니어링 스킬 맵'은 1만 건 이상의 채용 공고를 분석하여 도출한 네 가지 주요 스킬을 제시한다. 이 스킬은 AI 애플리케이션 만들기 및 배포, 소프트웨어 엔지니어링 기본기, 코딩 에이전트 사용, 그리고 무엇을 만들지 형태를 잡기이다. 응 교수는 이 스킬이 AI 엔지니어링이라는 넓은 영역을 다룬다고 강조한다.
응 교수의 스킬 맵은 개발자들이 AI 관련 기술을 우선적으로 배워야 할 방향을 제시한다.
클로드 코드 프롬프트 작성법
프롬프트의 품질이 결과물의 완성도에 큰 영향을 미친다. 효과적인 프롬프트 작성법으로는 배경, 목적, 제약을 설명하고, 출력 형식을 구체적으로 명시하며, 예외 케이스와 오류 처리를 미리 정의하는 것이 중요하다. 또한 복잡한 에이전트는 단계별로 요청하는 것이 안정적이다.
클로드 코드가 최적의 설계 과정을 거쳐 사용자의 상황에 맞는 결과물을 만들어내기 위해서는 프롬프트에 배경과 목적을 명확히 담아야 한다.
OzBrain: 에이전트와 팀 간 지식 공유를 위한 중앙 플랫폼
OzBrain은 에이전트가 이유를 기반으로 한 지식을 저장하고, 다양한 앱 및 에이전트와 연결될 수 있도록 설계된 중앙 플랫폼이다. 이 시스템은 팀원 간의 지식 공유를 지원하며, 여러 에이전트가 동일한 자료에서 충돌을 처리할 수 있도록 한다. 또한, 사용자의 데이터를 안전하게 보호하고, 기술 지식이 없는 사용자도 쉽게 사용할 수 있도록 개발되었다.
OzBrain은 에이전트가 지식을 기록하고 업데이트할 수 있는 기능을 제공하여, 팀의 협업 효율성을 높인다.
LinkedIn, AI 슬롭 버튼 사용자가 100만 명 이상
LinkedIn은 7월 30일에 'Seems like AI slop' 버튼을 발표했으며, 사용자가 100만 명을 넘었다고 밝혔다. 이 버튼은 게시물의 세 점 메뉴에서 접근할 수 있다. LinkedIn의 최고 제품 책임자 Hari Srinivasan에 따르면, AI 탐지기 Pangram이 LinkedIn의 장문의 41%가 완전히 AI 생성으로 표시되었다고 보고한 이후 몇 주 만에 이 버튼이 도입되었다.
AI 슬롭 버튼은 LinkedIn 사용자가 AI 생성 콘텐츠를 쉽게 식별하고 신고할 수 있는 기능을 제공한다.
2026년 구직 과정의 변화와 AI의 영향
2026년 구직 과정에서는 로봇과 대화하고 AI에 의해 거절당하며, '유령 직업'과 지원자 수의 증가로 경쟁이 치열해질 것으로 보인다. 채용 과정에서 지원자는 평균 291개의 지원서를 제출해야 하며, 이는 2021년 초의 약 100개에 비해 증가한 수치다. 63%의 미국 지원자가 AI 시스템에 의해 면접을 받았고, 38%는 AI 면접이 포함된 직업을 포기했다고 응답했다. 또한, 46%의 지원자가 채용 과정에 대한 신뢰가 감소했다고 밝혔다. 유령 직업은 게시된 직업의 약 18-22%를 차지하며, AI 기반 이력서 필터는 지원자가 인간에게 도달하기 전에 차단될 수 있다.
2021년 초에 비해 채용 시 평균 291개의 지원서를 처리해야 하며, 이는 지원자와 고용주 모두에게 큰 부담을 주고 있다.
Hermes의 Bot 모드 출시와 Grok Bot 비교
AI 에이전트 도구 Hermes가 Grok Bot의 사용 방식을 반영한 Bot Mode를 정식 출시했다. Grok Bot은 SpaceX 소속의 xAI와 Cursor 팀이 만든 제품으로, 월 $200에서 $300의 유료 구독이 필요하다. 반면 Hermes는 무료 모델을 제공하며, 로컬 모델을 사용할 수 있어 더 저렴한 비용으로 Grok Bot 스타일의 워크플로우를 시도할 수 있다.
Grok Bot은 월 $200에서 $300의 구독료가 필요하지만, Hermes의 Bot Mode는 무료 모델을 제공하여 비용 부담 없이 유사한 기능을 활용할 수 있다.
Scott Aaronson과 Hendrik Kirchner의 AI 텍스트 워터마킹 솔루션
Scott Aaronson과 Hendrik Kirchner는 AI 텍스트 워터마킹 문제를 해결하였다. 이 방법은 AI의 출력이 비결정적이며, 비밀 키에서 파생된 의사 난수 소스를 사용하여 워터마크를 적용한다. 유럽연합의 AI 모델에 대한 코드에 따라 Anthropic은 Claude 출력에 워터마킹을 적용할 예정이다. Google은 Gemini 3.7 Flash에 이 기능을 구현하였다.
유럽연합의 코드에 따라 AI 모델은 워터마킹을 사용해야 하며, Google은 Gemini 3.7 Flash에 이 기능을 이미 적용하였다.
Balaji Ingole, AI 기반 전자상거래 도구 개발
Balaji Ingole는 인도 Udgir에서 성장했으며, 현재 미국 밀워키의 Amla Commerce에서 프로젝트 매니저로 재직 중이다. 그는 AI 기반 디지털 혁신 프로젝트를 이끌어 고객의 매출 증대를 지원하고 있으며, 주말에는 독립 연구자로서 AI 기반 헬스케어 진단 도구와 신체 장애인을 위한 보조 기술을 개발하고 있다. Ingole는 COEP 기술대학교와 Welingkar 경영대학원에서 학위를 취득했으며, 다양한 IT 기업에서 소프트웨어 엔지니어링과 프로젝트 관리 경력을 쌓았다.
Amla Commerce에서 Ingole은 AI 기반 디지털 혁신을 통해 고객의 매출 증대를 지원하고 있다.
Stripe, OpenRouter 인수 계획 발표 - 80억 달러
Stripe는 OpenRouter를 80억 달러에 인수할 계획이다. OpenRouter는 AI 모델의 집계 및 배급업체로, 몇 달 전 13억 달러의 가치로 자금을 조달했다. Stripe는 OpenRouter를 통해 고객 관계에 집중하고, API 호출의 마진을 최대화하기보다는 저렴한 모델을 찾는 데 초점을 맞출 수 있다. Stripe는 API 호출 라우팅 외에도 고객의 수익성을 관리하는 데 도움을 줄 예정이다.
중국의 로봇 게임, 최신 로봇 혁신을 보여주다
중국 베이징에서 열린 세계 휴머노이드 로봇 게임은 로봇의 속도 향상과 가정 및 직장에서의 복잡한 작업 수행 능력을 시험하는 대회이다. 이 대회는 중국의 휴머노이드 산업의 최신 혁신을 공개적으로 평가하는 벤치마크 역할을 한다. 또한, 유니트리 로보틱스의 상하이 IPO에서 주가가 급등하는 등 투자자들의 관심을 받고 있다.
유니트리 로보틱스의 상하이 IPO에서 주가가 급등한 것은 중국 로봇 산업에 대한 투자자들의 신뢰를 나타낸다.
AWS의 Agentic Data Operations Platform (ADOP)으로 데이터 엔지니어링 가속화
Agentic Data Operations Platform (ADOP)은 AWS에서 데이터 엔지니어링 팀이 새로운 데이터 소스를 설정하는 데 걸리는 시간을 단축시키기 위해 설계된 참조 아키텍처이다. ADOP는 Amazon Bedrock을 기반으로 하며, AI 에이전트가 데이터의 Bronze, Silver, Gold 생애 주기를 자동화한다. 엔지니어는 파이프라인 작업에 소요되는 시간을 줄이고 데이터 제품을 배송하는 데 집중할 수 있으며, 규정 준수는 온보딩 시점에서 적용된다.
ADOP는 데이터 엔지니어링 팀이 수작업으로 수행하던 ETL, 품질 검사, 의미적 모델 업데이트를 자동화하여 데이터 처리 속도를 높인다.
Amazon Bedrock AgentCore Gateway를 통한 AI 에이전트 접근 관리
조직에서 AI 에이전트가 내부 도구에 연결할 때 중앙 집중식 거버넌스 없이 접근 위험이 발생할 수 있다. Amazon Bedrock AgentCore는 AI 에이전트를 구축, 연결 및 최적화할 수 있는 플랫폼으로, AgentCore Gateway를 통해 안전한 진입점을 제공한다. 이 시스템은 AgentCore Identity를 통해 인증 및 권한 관리를 수행하며, AgentCore Policy를 사용해 AI 에이전트의 도구 상호작용에 대한 보안 통제를 정의하고 시행할 수 있다.
Amazon Bedrock AgentCore는 AI 에이전트의 안전한 접근 관리를 위한 중앙 집중식 솔루션을 제공한다.