이 논문은 LLM이 출력하는 언어(텍스트)가 모델 내부 계산을 신뢰성 있게 반영하지 못하는 '언어적 불가해성' 문제를 제기합니다. 사고의 흐름(chain-of-thought) 모니터링, 자기 비판, 활성화 탐침 등 모델의 언어적 자기 보고에 의존하는 보안 기법은 완전히 안전할 수 없으며, 대신 테인트 트래킹(taint tracking)과 강력한 가상화 등 모델의 언어 상태를 읽지 않는 샌드박스 격리 기법이 필수적이라고 주장합니다.
미국 리얼리티 쇼 '서바이버(Survivor)'의 방송 데이터를 활용해 로지스틱 회귀 기반 머신러닝 모델을 구축한 사례입니다. 두 개의 모델이 각각 다음 회차 탈락자와 시즌 우승자를 예측하며, '위험에 처한 횟수', '인터뷰(고백) 비중', '나이', '이점(어드밴티지) 보유 여부' 등의 특성이 우승 확률에 영향을 주는 것으로 나타났습니다.
TypeSafe가 설계를 공개하지 않은 상업용 'Jev' 모델과 동일한 입출력 구조를 가진 독립 스타터 모델이 오픈소스로 공개되었습니다. 이 모델은 텍스트와 N개의 선택지를 받아 한 번의 패스로 각 옵션별 확률을 반환하는 구조이며, 옵션-어텐션(option-attention) 헤드가 게임 컨트롤러 버튼 선택(둠, 체스)에도 재사용될 수 있음을 데모로 보여줍니다. 합성 데이터 생성·학습·평가·예측까지 빠르게 실행할 수 있는 CLI 퀵스타트도 포함되어 있습니다.
프라이어 랩스(Prior Labs)가 합성 데이터로만 사전학습된 테이블(tabular) 파운데이션 모델 TabPFN-3.5를 공개했습니다. 이 모델은 기본 설정만으로도 오토(Otto) 캐글 대회 우승 솔루션보다 높은 성능을 기록했습니다. 별도의 하이퍼파라미터 튜닝 없이 표 형태 데이터 예측에서 최고 수준의 성능을 낼 수 있다는 점에서 실무자들에게 중요한 의미를 갖습니다.
Sakana AI 연구진이 레이어 단위 지역 학습 방식인 PC-ALM(Augmented Lagrangian Predictive Coding)을 발표했습니다. 각 층 제약에 라그랑주 승수를 붙여 예측 코딩의 지역적 업데이트를 유지하면서도 선형 신경망에서 정확한 역전파 그래디언트를 복원합니다. 추론 예산 T = 2L에서 폭·깊이 8~128 구간 전반에서 역전파와 동등한 성능을 보이며, MNIST에서 1000층 잔차 MLP를 역전파 대비 약 2포인트 이내 오차로 학습할 수 있습니다.
교과서 이론과 달리 ML 벤치마크를 반복 평가하며 개선해도 과적합(overfitting)이 잘 일어나지 않는 이유를 설명한 연구입니다. 핵심은 성공적인 에이전트의 전략이 압축 가능한 형태로 표현될 수 있어 데이터를 암기할 여지가 없다는 점이며, 압축 테스트가 과적합 여부를 판별하는 진단 도구로 활용될 수 있습니다. 이는 LLM이 방대한 세계 지식을 바탕으로 간결한 지시만으로도 완성된 ML 파이프라인을 재구성하는 강력한 '압축 디코더'라는 관점도 제공합니다.
NVIDIA cuML과 RAPIDS를 활용해 머신러닝 워크플로우를 GPU로 가속하는 실무 튜토리얼입니다. cuml.accel을 이용한 무코드(코드 수정 없는) scikit-learn 가속, 주요 ML 알고리즘 벤치마킹, UMAP·HDBSCAN 기반 매니폴드 학습과 클러스터링, FIL을 통한 트리 모델 추론, GPU 가속 SHAP 기반 모델 설명성까지 전 과정을 다룹니다. 기존 scikit-learn 코드를 거의 그대로 두고 GPU 성능을 얻을 수 있다는 점에서 실무자에게 유용합니다.
Applied Compute가 코딩 에이전트, 모델 학습, 평가, 추론 라우팅까지 아우르는 종단 간(end-to-end) 연구 플랫폼 'AC2(Applied Compute Agent Cloud)'를 공개했습니다. SDK, 런타임, OpenTelemetry 기반 추적(observability) 패키지와 MCP 서버를 제공해 개발자가 하나의 환경에서 모델 개발 전 과정을 처리할 수 있게 한 점이 핵심입니다.
NVIDIA Earth2Studio를 활용해 앙상블 기상 예측 워크플로우를 구축하는 튜토리얼입니다. Colab의 기존 CUDA 지원 PyTorch 환경을 유지하면서 Earth2Studio를 설치하고, FCN 예측 모델을 로드해 GFS에서 대기 초기 조건을 가져옵니다. 나아가 10m 풍속 성분을 풍력 터빈 용량계수로 변환하는 사용자 정의 풍력 발전 진단 기능까지 구현합니다.
30년 경력의 임베디드 엔지니어 데이비드 서치(David Such)가 2026년 9월 출간 예정인 'Embedded AI' 책을 소개합니다. 이 책은 임베디드 기기에 AI를 추가하는 전체 엔지니어링 과정(하드웨어 선택, 데이터 수집, 모델 배포, 시스템 통합)을 25개 이상의 실습 프로젝트로 다룹니다. 웨이크워드 감지기, 실시간 노이즈 제거기, AI MIDI 신디사이저 등을 직접 만들며 리소스가 제한된 디바이스에서 AI를 동작시키는 실무 노하우를 배울 수 있습니다.
외부 의존성 없이 libc만으로 단일 C 파일에 GPT의 순전파, 역전파, Adam 옵티마이저, 샘플링을 모두 구현한 'microGPT-C'가 공개되었습니다. 약 3.2만 개의 이름 데이터를 몇 초 만에 학습해 새로운 이름을 생성하며, 애플 M5 Pro(NEON)에서 초당 약 1,017만 토큰, AMD 라이젠 5 5600H(AVX2)에서 초당 약 693만 토큰의 추론 속도를 기록했습니다. 학습이 아닌 일반화를 통해 파라미터 5배짜리 트라이그램 모델을 능가한다는 점이 인상적입니다.
이 튜토리얼은 고전적인 TF-IDF 모델부터 최신 효율적 파인튜닝 기법인 DistilBERT + LoRA까지 결합하여 강력한 감성 분석 파이프라인을 구축하는 방법을 다룹니다. 데이터가 부족한 상황에서도 모델을 개선할 수 있는 준지도 학습(Semi-Supervised Learning)과 모델의 신뢰성을 높이는 교정(Calibration) 및 해석성 기술까지 실무에 즉시 적용 가능한 전체 과정을 제공합니다. 특히 텍스트 분류 모델을 실제 비즈니스 환경에 도입하려는 AI 엔지니어와 데이터 과학자에게 매우 유용한 가이드입니다.
2026년 초 현재, 주류 LLM이 생성한 텍스트는 강력한 통계적 패턴을 띠고 있어 고전적인 머신러닝 모델로 인간이 쓴 글과 효과적으로 구분할 수 있습니다. 개발자는 Scikit-learn의 기본 모델들을 활용해 단일 문장 기준 약 85%의 정확도를 보이는 AI 텍스트 탐지 데모를 구축했습니다. 이는 기업이나 플랫폼에서 무거운 LLM 모델을 사용하지 않고도 가벼운 분류 모델로 AI 표절을 방지하고 콘텐츠 품질을 관리할 수 있는 실질적인 방안을 제시합니다.
이 튜토리얼에서는 ChEMBL과 RDKit 등의 도구를 활용하여 EGFR C797S 억제제를 탐색하는 자율 AI 공동 연구원(co-scientist) 시스템을 구축합니다. 단순한 예측 모델을 넘어, SHAP을 통한 결과 해석과 BRICS 기법을 활용한 신규 화합물 생성 및 우선순위 평가까지 신약 후보 물질 발굴의 전 과정을 자동화했다는 점이 핵심입니다. 제약 및 AI 신약 개발 실무자에게 매우 유용한 엔드투엔드(End-to-End) 가이드라인을 제공합니다.
스마트폰으로 녹음한 자동차 소리만으로 기계적 고장을 분류하는 엔드투엔드 오디오 머신러닝 파이프라인인 'cardiag'가 공개되었습니다. 이 프로젝트는 YouTube나 TikTok에서 데이터를 수집해 정제한 뒤, 고정된 CLAP(Contrastive Language-Audio Pretraining) 모델로 특징을 추출하고 경량 모델을 학습시켜 고장을 분류합니다. 무엇보다 확신이 없을 때 부정확한 답변 대신 '불확실(UNCERTAIN)'하다고 알려주는 책임감 있는 설계가 돋보이며, 이러한 오디오 전처리 및 정직한 학습 방법론은 다른 오디오 데이터셋에도 재사용할 수 있다는 점에서 가치가 있습니다.
구글 리서치가 기존 복잡한 데이터 전처리와 하이퍼파라미터 튜닝 없이도 새로운 표 데이터를 즉시 예측할 수 있는 제로샷 파운데이션 모델 'TabFM'을 발표했습니다. 이 모델은 대규모 언어 모델(LLM)의 맥락 내 학습(ICL) 방식을 표 형식 데이터에 적용하여, 분류 및 회귀 작업을 단 한 번의 실행으로 처리할 수 있게 만들어 데이터 실무자에게 큰 혁신을 가져올 것으로 기대됩니다.
인텔과 AMD 등이 사용하는 x86 아키텍처를 위해 머신러닝(ML) 작업의 핵심인 행렬 곱셈과 저정밀도 데이터 포맷을 가속하는 확장 명령어 'ACE(AI Compute Extensions)' 사양이 공개되었습니다. 이는 기존 AVX 명령어와 긴밀하게 통합되어 타일(Tile) 기반의 고밀도 연산을 가능하게 하여 AI 모델 학습 및 추론 성능을 크게 높일 수 있는 중요한 기술적 기반입니다.
OpenStreetMap 데이터와 city2graph, PyTorch Geometric 라이브러리를 활용해 도시의 공간 구조를 그래프 형태로 분석하는 엔드투엔드(End-to-End) 학습 파이프라인을 구축한 기술 블로그입니다. 개발자는 도시의 POI(관심 지점)와 도로망 데이터를 수집해 이질적 및 동질적 그래프를 구성하고, GraphSAGE 모델을 학습시켜 공간 구조만으로 POI 카테고리를 예측합니다. 이는 데이터 기반의 스마트시티 분석 및 도시 계획에 있어 실용적인 그래프 AI 구현 방법을 보여준다는 점에서 중요합니다.
본 연구는 LLM 에이전트가 기존 하이퍼파라미터 최적화(HPO) 기법보다 우수한지 평가합니다. 실험 결과, 최첨단 LLM 모델을 활용하더라도 CMA-ES나 TPE 같은 고전적 알고리즘의 성능을 넘지 못했습니다. 대신, 연구진이 기존 알고리즘과 LLM의 장점을 결합한 하이브리드 모델인 Centaur를 제안하여 LLM이 기존 최적화 알고리즘을 완전히 대체하기보다는 보완재로 쓰일 때 가장 효과적임을 입증했습니다.
본 튜토리얼은 ClawHub Security Signals 데이터셋을 활용해 보안 스캐너들이 AI 스킬을 어떻게 평가하는지 분석합니다. VirusTotal, 정적 분석, SkillSpector 간의 일치도를 통계 지표로 측정하고, SKILL.md 텍스트와 스캐너 신호를 결합해 최종 보안 판정을 내리는 로지스틱 회귀 모델을 구축하는 과정을 다룹니다. 이 가이드는 AI 스킬의 잠재적 보안 위협을 체계적으로 탐지하고 분류하는 실무적인 엔드투엔드 데이터 분석 방법을 제공한다는 점에서 중요합니다.
사카나 AI는 기존의 잔차 네트워크(Residual Networks)를 개별적으로 학습 가능한 독립 모듈로 변환하는 새로운 블록 단위 학습 프레임워크인 DiffusionBlocks를 제안했습니다. 이 프레임워크는 네트워크 내 레이어 업데이트를 역방향 확산(Diffusion)의 노이즈 제거(Denoising) 단계로 해석하여 모델을 분할하는 혁신적인 방식을 제공합니다. 이를 통해 대규모 모델의 효율적인 분산 학습 및 최적화가 가능해져 AI 실무자들에게 획기적인 학습 효율 개선을 기대할 수 있습니다.
AI 모델 학습 시 흔히 발생하는 메모리 병목 현상을 해결하기 위해, 개별적으로 처리되던 연산들을 하나의 GPU 커널(GEMM Epilogue)로 통합하여 성능을 극대화하는 새로운 추상화 기법인 CODA를 제안합니다. 이 방식은 데이터 이동을 최소화하면서도 프레임워크 수준의 생산성과 하드웨어 수준의 극적인 효율성을 동시에 달성할 수 있도록 돕습니다.
과학자들이 새로운 머신러닝 알고리즘을 활용해 NASA의 TESS 위성 데이터를 분석, 1만 개 이상의 새로운 외계행성 후보를 발견했습니다. 이는 기존에 확인된 외계행성의 수를 단번에 3배 가까이 늘릴 수 있는 기록적인 성과입니다. 연구팀은 이미 이 중 하나를 실제 망원경 관측을 통해 확인하며 알고리즘의 신뢰성을 입증했습니다.
디퓨전 모델의 샘플링 속도를 획기적으로 높이기 위해 중간의 반복적인 단계를 건너뛰고 적분값을 직접 예측하는 '플로우 맵(Flow Map)' 기술을 소개하는 글입니다. 플로우 맵은 단순히 샘플링 속도만 개선하는 것을 넘어 보상 기반 학습의 효율성과 샘플링 제어 능력을 향상시키는 등 다양한 장점을 제공합니다. 최근 AI 연구 분야에서 매우 주목받고 있으며, 기존 디퓨전 모델의 한계를 극복할 대안으로 떠오르고 있습니다.
클라우드 전송 없이 사용자의 PC 환경에서 완벽하게 구동되는 100% 로컬 기반의 AI 데이터 분석 및 머신러닝 도구입니다. 자연어로 데이터에 질문하면 AI가 파이썬 코드를 생성 및 실행하고, 자동으로 최적의 머신러닝 모델을 탐색하며 그 결과를 노트북으로 저장합니다. 민감한 데이터를 다루는 데이터 분석가와 연구자들이 데이터 유출 걱정 없이 안전하게 AI 기능을 활용할 수 있다는 점이 가장 큰 특징입니다.
구글 번역이 출시 20주년을 맞이하여 AI 기반의 '발음 연습' 기능 등 신규 기능을 대거 선언했습니다. 2006년 통계적 기계 학습(SML)으로 시작해 2016년 신경망(Neural Network) 도입을 거쳐, 현재는 자체 AI 모델인 제미나이(Gemini)와 TPU 하드웨어를 활용해 전 세계 약 250개 언어를 지원하며 매월 10억 명 이상의 사용자와 1조 단어 이상을 번역하는 핵심 소통 플랫폼으로 자리 잡았습니다.
제이미 사이먼(Jamie Simon) 등 14명의 연구진은 딥러닝의 훈련 과정, 가중치, 성능 등을 설명하는 과학적 이론이 등장하고 있음을 주장합니다. 이 논문은 기계 학습 역학(learning mechanics)이라는 새로운 관점을 통해 다섯 가지 주요 연구 흐름을 통합하며, 기존의 '블랙박스'로 여겨지던 신경망의 작동 원리를 수학적, 역학적으로 규명할 수 있는 기반을 마련했다는 점에서 학계와 실무 양쪽에 큰 의의를 갖습니다.
스푸트니크 발사 전 역사적 천문 관측 사진에서 나타났다 사라지는 미지의 일시적 현상(Transient phenomenon)에 대한 연구입니다. 연구진은 머신러닝 모델을 활용해 기존에 기록된 10만여 개의 일시적 천체를 분석한 결과, 이들이 단순한 사진 결함이 아닌 실제 천문학적 현상일 가능성이 매우 높다는 것을 통계적으로 입증했습니다. 이는 AI가 방대한 역사 데이터에서 숨겨진 천문학적 신호를 찾아내는 데 매우 유용하게 쓰일 수 있음을 보여줍니다.
사용자를 대신해 복잡한 업무를 수행하는 자율형 AI 에이전트 시대에 맞춰 새로운 두 가지 TPU 칩이 공개되었습니다. AI 에이전트의 빠른 추론 및 실행을 돕는 'TPU 8i'와 방대한 단일 메모리 풀에서 대규모 모델 학습에 최적화된 'TPU 8t'가 출시되어, 일상 사용자들에게도 반응성이 뛰어난 에이전트 AI 제공이 가능해질 전망입니다.
본 튜토리얼에서는 Hyperopt와 TPE(Tree-structured Parzen Estimator) 알고리즘을 활용하여 고급 베이지안 하이퍼파라미터 최적화 워크플로우를 구현합니다. 서로 다른 모델 패밀리 간에 동적으로 전환하는 조건부 검색 공간을 구축하여 Hyperopt가 계층적이고 구조화된 매개변수 그래프를 어떻게 처리하는지 보여줍니다. 또한 scikit-learn 파이프라인 내부에 교차 검증(Cross-validation)을 적용하여 조기 종료(Early Stopping) 기능을 지원하는 프로덕션급 목적 함수(Objective function)를 구축합니다.