google·2025년 5월 6일원문

신경 연결에 대한 새로운 조명 (새 탭에서 열림)

구글 리서치와 오스트리아 과학기술연구소(ISTA)는 기존의 고가 전자 현미경 대신 일반적인 광학 현미경을 사용하여 뇌의 신경망 지도(커넥토믹스)를 정밀하게 구현하는 'LICONN' 기술을 개발했습니다. 이 방법은 특수한 하이드로젤을 이용해 뇌 조직을 물리적으로 확장함으로써 광학 현미경의 해상도 한계를 극복했으며, 전자 현미경 방식과 대등한 수준의 재구성 성능을 입증했습니다. 이를 통해 더 많은 연구자가 저렴한 비용으로 뇌의 구조와 분자 정보를 동시에 분석할 수 있는 길이 열렸습니다. **전자 현미경의 한계를 넘는 광학 현미경 기반 커넥토믹스** * 신경세포 간의 정밀한 연결을 매핑하는 커넥토믹스는 그간 수백만 달러에 달하는 고가의 전자 현미경(EM) 장비와 고도의 숙련된 인력에 의존해 왔습니다. * LICONN(Light microscopy-based connectomics)은 생명과학 실험실에서 흔히 사용하는 광학 현미경을 활용하여 뇌 조직 내의 모든 뉴런과 그 연결을 포괄적으로 지도화합니다. * 이 기술은 전자 현미경 수준의 정밀도를 유지하면서도 장비 접근성을 획기적으로 높여, 대규모 예산을 보유한 기관뿐만 아니라 일반 연구실에서도 커넥토믹스 연구를 수행할 수 있게 합니다. **LICONN의 핵심: 조직 확장 기술과 단백질 라벨링** * 광학 현미경의 낮은 해상도 문제를 해결하기 위해 '확장 현미경(Expansion Microscopy)' 기술을 적용하여 시료 자체를 물리적으로 부풀리는 방식을 채택했습니다. * 하이드로젤을 이용해 조직을 각 차원당 16배(부피 기준 약 4,000배) 확장함으로써, 빛의 회절 한계를 넘어 나노미터 단위의 미세 구조를 관찰할 수 있는 환경을 조성했습니다. * 모든 단백질을 화학적으로 라벨링하여 이미지 대비를 높였으며, 이를 통해 신경세포의 형태를 추적하고 시냅스와 같은 미세한 구조를 정확히 탐지합니다. **머신러닝을 활용한 신경망 재구성과 성능 검증** * 구글의 고도화된 머신러닝 알고리즘과 이미지 분석 도구를 결합하여 약 100만 입방 마이크론(µm³) 부피의 생쥐 피질 조직을 자동 재구성하는 데 성공했습니다. * 생쥐 해마 조직 내 약 0.5미터에 달하는 신경 돌기(Neurite)를 추적한 결과, 기존 전자 현미경 방식과 비교해도 손색없는 정확도를 보여주었습니다. * 특히 여러 파장의 빛을 사용하는 광학 현미경의 장점을 활용해 단백질, 신경 전달 물질 등의 분자 정보와 신경망의 구조적 정보를 동시에 결합한 다각적 분석이 가능해졌습니다. LICONN 기술은 뇌 지도를 제작하는 비용과 장벽을 크게 낮추는 동시에, 뇌의 구조와 기능을 분자 수준에서 연결하는 새로운 연구 기회를 제공합니다. 이는 향후 인지, 지각, 행동이 뇌에서 어떻게 발생하는지 이해하는 데 중요한 도구가 될 것입니다.

AI머신러닝connectomicsneuroscience+3

google·2025년 5월 5일원문

복잡한 텍스트를 이해하기 쉽게 만들기: 제미니를 통한 최소 손실 텍스트 간소화 (새 탭에서 열림)

구글 리서치는 전문적인 지식을 일반 사용자가 더 쉽게 이해할 수 있도록 정보의 손실을 최소화하면서 텍스트를 단순화하는 Gemini 기반 시스템을 공개했습니다. 이 시스템은 단순히 정보를 생략하는 요약이나 새로운 내용을 덧붙이는 설명과 달리, 원문의 세부 사항과 뉘앙스를 완벽하게 유지하면서 가독성만을 높이는 '고충실도(High-fidelity) 단순화'를 목표로 합니다. 대규모 무작위 대조 실험 결과, 이 기술은 사용자의 정보 이해도를 높이는 동시에 텍스트를 읽을 때 느끼는 인지적 부담을 유의미하게 감소시키는 것으로 나타났습니다. ### 최소 손실 텍스트 단순화의 정의와 목표 * **요약과의 차별화**: 정보를 누락시키는 일반적인 요약과 달리, 원문의 모든 핵심 주장과 세부 사항을 보존하는 '최소 손실(Minimally-lossy)' 방식을 지향합니다. * **정확성 유지**: 의학, 법률, 금융 등 전문 용어가 많고 복잡한 텍스트에서 의미 왜곡 없이 문장 구조와 단어 선택을 최적화하여 명확성을 확보합니다. * **사용자 임파워먼트**: 복잡한 정보 때문에 의사결정에 어려움을 겪는 사용자가 스스로 텍스트를 변환하여 내용을 파악할 수 있도록 돕습니다. ### Gemini를 활용한 자동 평가 및 프롬프트 정제 루프 * **가독성 및 충실도 평가**: 기존의 단순한 가독성 지표(Flesch-Kincaid 등)를 넘어, Gemini가 1~10점 척도로 가독성을 정밀 평가하며 원문과 단순화된 텍스트 간의 정보 일치 여부를 분석합니다. * **LLM 기반 프롬프트 최적화**: Gemini 1.5 Pro가 Gemini 1.5 Flash가 생성한 결과물을 평가하고, 이를 바탕으로 더 나은 결과를 낼 수 있도록 프롬프트를 스스로 수정하는 루프를 구축했습니다. * **반복적인 성능 향상**: 수동 프롬프트 엔지니어링의 한계를 극복하기 위해 총 824회의 자동 반복(Iteration)을 거쳐 최적의 단순화 전략을 발견했습니다. ### 대규모 연구를 통한 실증적 효과 검증 * **연구 설계**: 4,500명 이상의 참가자를 대상으로 의학, 항공우주, 철학 등 복잡도가 높은 31개 분야의 실제 텍스트를 활용하여 무작위 대조 실험을 진행했습니다. * **이해도 측정**: 단순화된 텍스트를 읽은 그룹은 원문을 읽은 그룹보다 객관식 문제(MCQ) 정답률이 높았으며, 텍스트를 참고할 수 없는 상황에서도 더 높은 이해도를 보였습니다. * **인지 부하 감소**: NASA-TLX(작업 부하 지수)를 활용해 측정한 결과, 사용자들은 단순화된 텍스트를 읽을 때 정신적 노력이 덜 들고 더 높은 자신감을 느낀다고 답했습니다. 이러한 기술적 성과는 현재 iOS용 구글 앱의 'Simplify' 기능을 통해 실제 서비스에 적용되었으며, 전문가 수준의 지식 장벽을 낮추어 정보의 민주화를 실현하는 데 기여하고 있습니다. 전문가의 언어를 대중의 언어로 정확하게 번역해야 하는 다양한 도메인에서 Gemini의 이 시스템은 매우 유용한 도구가 될 것입니다.

AI대규모 언어 모델gemini자연어 처리+3

google·2025년 5월 1일원문

앰플리파이 이 (새 탭에서 열림)

구글 리서치가 발표한 ‘엠플리파이 이니셔티브(Amplify Initiative)’는 전 세계의 다양한 언어와 문화를 반영한 데이터를 수집하여 AI의 지역적 한계를 극복하려는 개방형 커뮤니티 기반 데이터 플랫폼입니다. 이 프로젝트는 현지 전문가들과의 협업을 통해 각 지역의 특수한 요구사항과 가치관이 담긴 고품질 데이터를 구축함으로써, 특정 지역에 치우치지 않는 책임감 있는 글로벌 AI 생태계를 조성하는 것을 목표로 합니다. 특히 사하라 이남 아프리카에서의 성공적인 파일럿 사례를 통해 데이터 저자권 인정과 보상을 결합한 지속 가능한 데이터 수집 모델의 가능성을 증명했습니다. **엠플리파이 이니셔티브의 핵심 가치** * **참여형 데이터 공동 생성:** 지역 연구자들과 커뮤니티가 직접 데이터 요구사항을 정의하고, 현지 문제를 해결하는 데 필요한 구조화된 데이터셋을 함께 만듭니다. * **글로벌 사우스(Global South)를 위한 개방형 데이터:** 수집된 다국어 데이터셋은 미세 조정(Fine-tuning) 및 평가용으로 공개되어, 저개발 국가의 연구자들이 현지 맞춤형 AI 도구를 개발할 수 있도록 지원합니다. * **기여자 인식 및 보상:** 데이터 생성에 참여한 전문가들에게 저자권 부여, 전문 자격증 제공, 연구 기여 인정 등의 보상 체계를 운영하여 참여 동기를 강화합니다. **사하라 이남 아프리카 파일럿 프로젝트 성과** * **전문가 협업 네트워크:** 우간다 마케레레 대학교 AI 연구소와 협력하여 가나, 케냐, 말라위, 니제르 등 5개국에서 건강, 교육, 금융 분야의 전문가 259명을 온보딩했습니다. * **대규모 다국어 데이터셋 구축:** 155명의 전문가가 직접 참여하여 7개 언어로 작성된 8,091개의 주석 달린 적대적 쿼리(Adversarial queries) 데이터셋을 생성했습니다. * **현지 맞춤형 콘텐츠:** 스와힐리어 기반의 미분별 정보 벤치마킹 데이터나 인도의 금융 문해력이 낮은 사용자를 위한 용어 단순화 데이터 등 실질적인 지역 난제 해결에 초점을 맞췄습니다. **데이터 수집 및 검증 프로세스** * **도메인 전문가 기반 접근:** 보건 의료 종사자나 교사와 같이 특정 분야의 전문 지식을 갖춘 인력을 선발하여 온라인에 존재하지 않는 심층적인 지식을 캡처합니다. * **전용 안드로이드 앱 활용:** 프라이버시가 보호되는 전용 앱을 통해 교육 자료를 배포하고, 책임감 있는 AI 실천 방안과 편향성 방지 교육을 실시합니다. * **자동화된 품질 관리:** 앱 내 자동 피드백 시스템을 통해 중복되거나 의미론적으로 유사한 쿼리의 생성을 방지하고, 데이터 수집 목표와의 정렬을 실시간으로 확인합니다. * **정교한 주석(Annotation) 작업:** 전문가가 자신의 도메인에 특화된 테마와 주제별로 각 쿼리에 상세한 주석을 달아 데이터의 구조적 완성도를 높입니다. 엠플리파이 이니셔티브는 아프리카에서의 성과를 바탕으로 향후 브라질과 인도 등으로 범위를 확장하여, 온라인에서 접근하기 어려운 현지 지식을 데이터화하는 혁신적인 방법론을 지속적으로 발굴할 계획입니다. AI 모델의 성능만큼이나 데이터의 다양성과 대표성이 중요한 시점에서, 이러한 커뮤니티 중심의 데이터 구축 방식은 진정한 의미의 '글로벌 AI'를 실현하는 필수적인 기반이 될 것입니다.

AI대규모 언어 모델생성형 AIAndroid+5

google·2025년 4월 30일원문

AMIE, 시각을 갖 (새 탭에서 열림)

구글 딥마인드가 텍스트를 넘어 이미지와 문서 등 멀티모달 정보를 통합하여 진단 대화를 수행하는 인공지능 에이전트 '멀티모달 AMIE'를 공개했습니다. 이 시스템은 제미나이 2.0 플래시(Gemini 2.0 Flash)를 기반으로 구축되었으며, 환자의 상태와 진단적 불확실성에 따라 지능적으로 정보를 요청하고 분석하는 능력을 갖췄습니다. 연구 결과, AMIE는 실제 의료 현장의 문진 과정을 효과적으로 모사하며 전문의에 필적하는 수준의 진단 및 관리 계획 수립 능력을 보여주었습니다. **상태 인지 기반의 추론 프레임워크와 문진 과정의 최적화** * AMIE는 실제 의사가 문진을 진행하는 방식과 유사하게 '병력 청취', '진단 및 관리', '사후 관리'의 3단계로 대화 흐름을 관리하는 '상태 인지 단계 전환 프레임워크'를 채택했습니다. * 모델의 내부 상태를 지속적으로 업데이트하여 환자에 대한 지식 격차와 진단적 불확실성을 실시간으로 추적합니다. * 특정 정보가 부족하다고 판단될 경우 피부 사진, 실험실 검사 결과, 심전도(ECG) 등 구체적인 멀티모달 자료를 환자에게 능동적으로 요청하고 이를 해석하여 진단을 정교화합니다. **시뮬레이션 환경 구축 및 전문가 평가를 통한 성능 검증** * SCIN(피부과) 및 PTB-XL(심전도)과 같은 실제 의료 데이터셋을 활용해 멀티모달 시나리오와 환자 에이전트를 생성하여 시스템을 훈련하고 평가할 수 있는 환경을 조성했습니다. * 전 세계 의료 교육에서 표준으로 사용되는 객관적 구조화 진료 시험(OSCE) 형식을 도입하여 1차 진료의(PCP)들과 AMIE의 성능을 비교 분석했습니다. * 평가 결과, AMIE는 다양한 임상 시나리오에서 의사들에 준하는 수준의 진단 정확도와 공감 능력을 보여주었으며, 복합적인 시각 데이터를 논리적으로 통합하는 역량을 입증했습니다. 이번 연구는 AI 에이전트가 단순한 대화 상대를 넘어 시각적 증거를 바탕으로 고도화된 임상적 추론을 수행할 수 있음을 보여줍니다. 향후 제미나이 2.5 플래시 등 최신 모델과의 결합을 통해 성능이 더욱 향상될 것으로 기대되며, 이는 의료진의 의사결정을 보조하고 원격 의료의 정확도를 높이는 혁신적인 도구가 될 것으로 전망됩니다.

AI대규모 언어 모델AI 에이전트멀티모달 AI+5

google·2025년 4월 29일원문

글로벌 보건을 위한 (새 탭에서 열림)

구글 리서치는 전 세계적인 보건 불평등을 해소하고 저개발 지역의 의료 지원을 강화하기 위해, 열대 및 감염성 질환(TRINDs)에 특화된 LLM 벤치마킹 데이터셋과 평가 파이프라인을 개발했습니다. 연구 결과, 기존 의료 시험(USMLE)에서 우수한 성적을 거둔 모델들도 특정 지역의 질병 데이터나 맥락 정보가 부족할 경우 성능이 현저히 저하되는 '분포 변화' 문제를 겪는 것으로 나타났습니다. 이 연구는 LLM이 실제 글로벌 보건 현장에서 진단 보조 도구로 활용되기 위해서는 증상뿐만 아니라 지역, 위험 요인 등 구체적인 컨텍스트를 정밀하게 학습해야 함을 시사합니다. ### TRINDs 데이터셋 구축과 합성 페르소나 기술 * WHO, CDC 등 신뢰할 수 있는 기관의 데이터를 기반으로 50가지 질병에 대한 '시드 페르소나' 템플릿을 생성했습니다. * LLM 프롬프팅을 활용해 증상, 인구통계학적 특성, 임상 및 소비자 관점의 표현, 언어(영어 및 프랑스어) 등을 변주하여 11,000개 이상의 합성 페르소나 데이터셋을 구축했습니다. * 단순한 질병 정의를 넘어 환자의 생활 방식, 위치 정보, 위험 요인 등 실제 의료 현장에서 발생할 수 있는 복합적인 시나리오를 포함했습니다. ### 모델 성능과 컨텍스트의 상관관계 * Gemini 1.5 모델을 대상으로 평가한 결과, 증상 정보만 제공했을 때보다 위치 정보(Location)와 특정 위험 요인(Risk factors)을 결합했을 때 진단 정확도가 가장 높게 나타났습니다. * 일반적인 증상만으로는 정확한 진단에 한계가 있으며, 질병이 발생하는 지역적 맥락이 LLM의 추론 성능을 최적화하는 핵심 요소임을 확인했습니다. * 이는 LLM이 의료 지원 도구로 작동할 때 환자의 거주지나 여행 기록 같은 외부 환경 데이터를 통합하는 것이 필수적임을 뒷받침합니다. ### 편향성 및 언어적 다양성 분석 * 인종이나 성별 언급이 모델 성능에 미치는 통계적으로 유의미한 차이는 발견되지 않았으나, 언어에 따른 차이는 존재했습니다. * 시드 데이터를 프랑스어로 번역하여 테스트했을 때 영어에 비해 성능이 낮게 나타나, 비영어권 지역에서의 활용을 위해 다국어 성능 개선이 필요함을 입증했습니다. * '반사실적 위치(Counterfactual location)' 실험을 통해 질병 발생 지역을 임의로 변경했을 때 모델의 판단이 흔들리는 현상을 확인했으며, 이는 모델이 특정 질병과 지역을 고정관념적으로 연결하고 있을 가능성을 시사합니다. 의료용 AI가 전 세계적으로 공정하게 기여하기 위해서는 표준화된 의료 시험 점수를 넘어, 지역 특화된 데이터셋을 통한 정밀한 검증이 선행되어야 합니다. 특히 저의료 지역의 보건 요원들이 LLM을 신뢰할 수 있는 도구로 쓰기 위해서는 지역적 맥락(Context-aware)을 반영한 모델 튜닝과 벤치마킹이 지속적으로 이루어져야 할 것입니다.

AI대규모 언어 모델gemini프롬프트 엔지니어링+5

google·2025년 4월 23일원문

ZAPBench를 통한 (새 탭에서 열림)

구글 리서치와 HHMI Janelia, 하버드 대학교 연구진은 제브라피쉬 유충의 뇌 전체 활동을 단일 세포 수준에서 기록한 데이터셋이자 벤치마크인 'ZAPBench'를 공개했습니다. 이 프로젝트는 뇌의 구조적 연결망인 커넥토믹스와 실제 신경세포의 동적 활동 데이터를 결합하여, 척추동물의 뇌가 복잡한 행동을 어떻게 생성하는지 정밀하게 모델링하는 것을 목표로 합니다. 연구자들은 ZAPBench의 오픈소스 데이터와 평가 표준을 활용해 신경 활동 예측 모델의 정확도를 객관적으로 비교하고 개선할 수 있습니다. **커넥토믹스와 동적 활동 데이터의 통합** * 기존의 커넥토믹스는 신경세포 간의 정적인 연결 구조를 파악하는 데 집중했으나, 실제 뇌의 작동 원리를 이해하려면 시간 흐름에 따른 동적인 활동 정보가 필수적입니다. * ZAPBench는 약 7만 개의 신경세포로 구성된 제브라피쉬 유충의 뇌 전체 활동을 기록하며, 현재 진행 중인 전체 커넥토미 도표 작성 작업과 결합되어 구조와 기능의 상관관계를 직접 조사할 수 있게 합니다. * 이는 쥐 시각 피질의 극히 일부(0.1% 미만)만을 다루던 기존 벤치마크와 달리, 척추동물 뇌 전체를 포괄한다는 점에서 차별화됩니다. **라이트 시트 현미경과 가상 현실을 이용한 데이터 수집** * 몸 전체가 투명하여 뇌 활동 관찰에 용이한 6일 차 제브라피쉬 유충을 실험 대상으로 선정했습니다. * 신경 세포가 활성화될 때 녹색 빛을 내는 칼슘 지표인 'GCaMP'를 활용하고, 라이트 시트 현미경(Light Sheet Microscope)으로 뇌 전체를 얇은 단면 단위로 스캔하여 3D 이미지를 생성했습니다. * 가상 현실 환경에서 물의 흐름, 명암 변화 등 9가지 시각 자극을 제공함과 동시에, 꼬리에 부착된 전극으로 근육 활동을 기록하여 자극-뇌 활동-행동 사이의 상관관계를 2시간 동안 정밀하게 측정했습니다. **예측 모델 평가를 위한 네 가지 핵심 과제** * **자기회귀(Autoregressive) 예측**: 과거의 신경 활동 데이터를 기반으로 미래의 활동 패턴을 얼마나 잘 예측하는지 평가합니다. * **자극 조건부(Stimulus-conditioned) 예측**: 가상 현실을 통해 제공된 시각적 자극에 대해 뇌가 어떻게 반응할지 모델링합니다. * **행동 조건부(Behavior-conditioned) 예측**: 물고기의 특정 행동(꼬리 움직임 등)과 연관된 뇌 활동의 변화를 예측합니다. * **개체 간(Cross-individual) 예측**: 한 마리의 물고기 데이터로 학습된 모델이 다른 개체의 뇌 활동에도 보편적으로 적용될 수 있는지 테스트합니다. ZAPBench는 뇌 활동 모델링을 위한 표준화된 플랫폼을 제공함으로써 신경과학 분야의 '데이터 기반 혁신'을 가속화할 것으로 기대됩니다. 연구자들은 공개된 데이터셋과 튜토리얼을 통해 자신의 모델을 검증할 수 있으며, 이는 향후 생물학적으로 타당한 인공지능 구조를 설계하거나 복잡한 뇌 질환의 메커니즘을 이해하는 데 중요한 밑거름이 될 것입니다.

AI머신러닝benchmarkingconnectomics+5

google·2025년 4월 22일원문

모빌리티 AI를 소개합니다: (새 탭에서 열림)

구글 리서치는 급격한 도시화와 자율주행, 전자상거래 확산 등 변화하는 교통 환경에 대응하기 위해 AI 기반의 차세대 교통 관리 프로그램인 'Mobility AI'를 발표했습니다. 이 프로그램은 측정, 시뮬레이션, 최적화라는 세 가지 핵심 기둥을 중심으로 도시 교통 시스템의 데이터를 분석하고, 정책 결정자와 엔지니어에게 실질적인 해결책을 제공하는 것을 목표로 합니다. 결과적으로 Mobility AI는 교통 체증 완화, 탄소 배출 감소, 그리고 도로 안전 강화를 통해 지속 가능한 도시 이동성을 실현하고자 합니다. ### 정밀 측정을 통한 교통 현황 및 이동 패턴 분석 - ML 기반의 혼잡 함수(Congestion Functions)를 통해 차량 통행량과 속도의 상관관계를 수학적으로 모델링하며, 전체 데이터가 아닌 일부 부동 차량 데이터(Floating car data)만으로도 도시 전역의 교통 흐름을 정밀하게 유추합니다. - 자기지도 학습(Self-supervised learning)을 활용한 지오스페이셜 임베딩 기술로 데이터가 부족한 지역에서도 지역적 특성과 공간적 관계를 파악하여 이동 패턴을 정교하게 이해합니다. - 인과 추론(Causal inference) 기술을 도입해 날씨나 공휴일 같은 복잡한 변수 속에서도 신호 체계 변경과 같은 특정 개입이 실제 교통 흐름에 미친 순수한 효과를 정확히 측정합니다. ### 고충실도 시뮬레이션을 활용한 디지털 트윈 구축 - 기존의 수동적이고 느린 시뮬레이션의 한계를 극복하기 위해, 머신러닝이 실제 도로 위 운전자들의 행동을 직접 학습하여 반영하는 'Traffic Simulation API'를 개발했습니다. - 고해상도 이동 데이터를 활용한 자동 보정 기술을 통해 도시 전체 규모의 '디지털 트윈'을 신속하게 생성하며, 이를 통해 새로운 교통 정책이나 인프라 변화의 결과를 가상 환경에서 미리 검증할 수 있습니다. - 대규모 이벤트 이후의 교통 흐름을 분석하거나 대중교통 및 보행자 환경 개선을 위한 다양한 시나리오를 고성능 시뮬레이션 환경에서 테스트하여 최적의 대안을 찾습니다. ### 실질적 개선을 위한 지능형 교통 최적화 - '그린 라이트(Green Light)' 프로젝트를 통해 AI가 기존 교차로의 신호 타이밍을 최적화함으로써 불필요한 정차를 줄이고 연료 소비 및 온실가스 배출을 감축하고 있습니다. - 현재 전 세계 3,000개 이상의 교차로에서 운영 중인 이 기술은 별도의 하드웨어 설치 없이 구글 맵의 데이터를 활용해 도시 당국에 효율적인 신호 조절 권장 사항을 제공합니다. - 교통 신호 제어 API(Traffic Signal Control API)를 통해 지자체가 직접 AI 기반의 최적화 제안을 받아 현장에 적용할 수 있도록 지원하며, 향후 연석 공간 관리나 화물 운송 최적화로 서비스 영역을 확장할 계획입니다. Mobility AI는 구글의 방대한 지리정보 데이터와 고도화된 AI 기술을 결합하여 공공 부문의 교통 문제를 해결하려는 혁신적인 시도입니다. 교통 당국은 이 플랫폼을 통해 단순한 현황 파악을 넘어 미래 변화를 과학적으로 예측하고, 데이터에 기반한 정책을 수립함으로써 시민들에게 더 안전하고 효율적인 이동 경험을 제공할 수 있을 것입니다.

AI머신러닝foundation-modelsgeospatial-analysis+4

google·2025년 4월 17일원문

InstructPipe: 인간의 지시 (새 탭에서 열림)

InstructPipe는 사용자의 자연어 명령을 기반으로 머신러닝 워크플로우를 자동 생성하는 AI 비주얼 프로그래밍 어시스턴트입니다. 두 단계의 대규모 언어 모델(LLM) 프로세스와 코드 인터프리터를 활용해 복잡한 노드 선택 및 연결 과정을 자동화하며, 초보자가 백지상태에서 파이프라인을 구축할 때 겪는 진입 장벽을 대폭 낮췄습니다. 이를 통해 기술적 숙련도와 상관없이 누구나 창의적인 아이디어를 시각적인 ML 파이프라인으로 신속하게 구현할 수 있는 환경을 제공합니다. ### 효율적인 파이프라인 표현 방식 * 기존 비주얼 블록 시스템이 사용하는 장황한 JSON 형식을 '의사코드(Pseudocode)' 형태로 압축하여 처리 효율을 극대화했습니다. * 의사코드 방식을 통해 파이프라인 표현에 필요한 토큰 수를 기존 2,800개에서 123개 수준으로 약 95% 이상 절감하여 LLM의 연산 부담을 줄였습니다. * 각 의사코드는 노드의 고유 ID, 유형, 입출력 변수명, 매개변수 정보를 포함하는 간결한 문법으로 정의되어 LLM이 구조를 정확히 파악하도록 돕습니다. ### 2단계 LLM 기반 생성 프로세스 * **노드 선택기(Node Selector):** 수많은 노드 라이브러리 중 사용자의 명령과 관련된 후보 노드들만 1차적으로 필터링합니다. 이는 마치 라이브러리 문서의 요약본을 훑어보는 것과 같아 시스템의 정확도를 높입니다. * **코드 작성기(Code Writer):** 선택된 노드들의 상세 사양(데이터 타입, 입출력 구조, 연결 예시 등)을 바탕으로 실제 작동 가능한 의사코드를 작성합니다. 상세한 컨텍스트를 제공하여 노드 간의 유효한 연결을 보장합니다. * **코드 인터프리터(Code Interpreter):** 최종 생성된 의사코드를 해석하여 비주얼 블록 에디터에서 즉시 수정 및 실행이 가능한 시각적 노드 그래프로 렌더링합니다. ### 사용자 경험 및 기술적 효용 * 초보 사용자가 적절한 노드를 찾고 수동으로 연결하는 데 드는 학습 곡선과 시간을 획기적으로 단축하여 프로토타이핑 속도를 가속화합니다. * 사용자는 단순히 명령어를 입력하는 것만으로 멀티모달 파이프라인을 구축할 수 있으며, 생성된 결과물은 사용자가 직접 세부 조정할 수 있는 유연성을 가집니다. * LLM의 추론 능력과 비주얼 프로그래밍의 직관성을 결합하여, 복잡한 ML 설계를 인간과 AI의 협업 체계로 전환했다는 점에 의의가 있습니다. InstructPipe는 복잡한 AI 모델을 조합하여 서비스 프로토타입을 빠르게 만들어야 하는 기획자나 개발자에게 강력한 도구가 될 수 있습니다. 단순히 결과를 자동 생성하는 것에 그치지 않고, 생성된 결과물을 사용자가 시각적으로 직접 편집할 수 있는 '수정 가능한 자동화' 워크플로우를 채택할 것을 권장합니다.

AI대규모 언어 모델머신러닝프로토타이핑+5

google·2025년 4월 16일원문

생물학의 언어를 기계에 가르치기: 차세대 단일 세포 분석을 위한 대형 언어 모델 확장 (새 탭에서 열림)

예일 대학교와 구글 리서치는 복잡한 단일 세포 RNA 시퀀싱(scRNA-seq) 데이터를 텍스트 형식으로 변환하여 대규모 언어 모델(LLM)이 해석할 수 있도록 하는 'C2S-Scale(Cell2Sentence-Scale)'을 공개했습니다. 이 기술은 유전자 발현 수준에 따라 유전자 이름을 정렬해 '세포 문장(cell sentence)'을 생성함으로써, 고차원의 생물학적 데이터를 자연어처럼 처리하고 분석할 수 있는 혁신적인 접근법을 제시합니다. 이를 통해 연구자들은 전문적인 코드 없이도 세포의 상태나 약물 반응 등을 일상 언어로 질문하고 답변을 얻을 수 있는 대화형 분석 환경을 갖게 되었습니다. ### 세포 데이터를 문장으로 변환하는 메커니즘 * 단일 세포의 유전자 발현 프로필을 수치 데이터가 아닌, 발현량이 높은 순서대로 유전자 이름을 나열한 '세포 문장'으로 변환합니다. * 유전자 이름, 세포 유형, 실험 메타데이터 등 이미 텍스트로 존재하는 생물학적 정보와 결합하여 LLM이 생물학적 문맥을 자연스럽게 학습하도록 설계되었습니다. * 자연어를 인터페이스로 사용함으로써 복잡한 고차원 데이터를 직관적이고 유연하게 해석할 수 있으며, 기존 LLM 인프라를 그대로 활용할 수 있는 확장성을 확보했습니다. ### C2S-Scale 모델 제품군 및 아키텍처 * 구글의 오픈 모델인 '젬마(Gemma)' 아키텍처를 기반으로 구축되었으며, 실제 전사체 데이터와 생물학적 문헌 등 10억 개 이상의 토큰을 포함한 데이터셋으로 학습되었습니다. * 연구자의 컴퓨팅 자원과 목적에 맞게 선택할 수 있도록 4억 1,000만 개(410M)부터 270억 개(27B)의 매개변수를 가진 다양한 크기의 모델 라인업을 제공합니다. * 모든 모델은 오픈 소스로 공개되어 HuggingFace와 GitHub를 통해 누구나 미세 조정(Fine-tuning)하거나 연구에 즉시 활용할 수 있습니다. ### 자연어를 통한 생물학 데이터 해석 및 성능 * **대화형 질의응답:** "이 T 세포가 항암 치료제에 어떻게 반응할까?"와 같은 질문에 대해 모델이 세포 데이터와 사전 학습된 생물학 지식을 결합하여 자연어로 답변합니다. * **자동 데이터 요약:** 단일 세포의 유형 식별부터 조직 전체의 실험 결과 요약까지, 복잡한 데이터를 생물학적 의미가 담긴 텍스트로 자동 생성하여 연구자의 해석을 돕습니다. * **생물학적 스케일링 법칙:** 일반적인 LLM과 마찬가지로 모델의 크기가 커질수록 세포 유형 주석(Annotation) 및 데이터 생성 능력이 예측 가능한 수준으로 정교해지는 '스케일링 법칙'이 적용됨을 입증했습니다. C2S-Scale은 생물학 데이터를 '언어'의 영역으로 통합함으로써 전문가 위주의 단일 세포 분석 문턱을 크게 낮췄습니다. 생물학 연구자들은 공개된 모델을 활용해 자신의 실험 데이터를 시각화하는 수준을 넘어, 세포와 직접 대화하며 가설을 검증하는 새로운 차원의 연구 워크플로우를 구축해 볼 수 있을 것입니다.

AI대규모 언어 모델자연어 처리gemma+5

google·2025년 4월 7일원문

지리공간 추론: 생성 (새 탭에서 열림)

구글 리서치는 생성형 AI와 다중 파운데이션 모델을 결합하여 복잡한 지리 공간 문제를 해결하는 '지형 공간 추론(Geospatial Reasoning)' 연구 프레임워크를 공개했습니다. 이 시스템은 고해상도 원격 탐사 데이터, 인구 역학, 이동 경로 모델을 통합하여 전문 지식 없이도 자연어로 고차원적인 지리적 분석 결과를 도출할 수 있게 지원합니다. 이를 통해 재난 대응, 도시 계획, 기후 회복력 강화 등 다양한 분야에서 데이터 기반의 의사결정 속도를 획기적으로 높일 것으로 기대됩니다. **지형 공간 파운데이션 모델의 기술적 토대** * **원격 탐사 모델의 아키텍처**: Masked Autoencoders, SigLIP, MaMMUT, OWL-ViT 등 검증된 시각-언어 모델 구조를 원격 탐사 영역에 맞게 최적화하여 적용했습니다. * **다양한 데이터 학습**: 텍스트 설명과 바운딩 박스(Bounding Box) 주석이 포함된 고해상도 위성 및 항공 이미지를 대규모로 학습하여, 이미지와 객체에 대한 정교한 임베딩을 생성합니다. * **자연어 기반 제로샷(Zero-shot) 분류**: 별도의 추가 학습 없이 "태양광 패널이 있는 주거용 건물"이나 "통행 불가능한 도로"와 같은 자연어 검색만으로 특정 지형이나 시설을 찾아낼 수 있습니다. * **성능 검증 및 실전 투입**: 분류, 세그멘테이션, 객체 탐지 벤치마크에서 SOTA(최고 수준) 성능을 기록했으며, 구글의 실제 재난 대응 및 도시/농업 경관 매핑 프로젝트에서 그 효용성을 입증했습니다. **데이터 통합과 에이전트 기반 추론 프레임워크** * **다중 모델 결합**: 인구 행동과 환경의 상호작용을 분석하는 '인구 역학 파운데이션 모델(PDFM)'과 궤적 기반의 '모빌리티 모델'을 통합하여 다각적인 분석이 가능합니다. * **LLM 기반 에이전트 워크플로우**: Gemini와 같은 거대언어모델(LLM)이 복잡한 지리 공간 데이터를 관리하고 조율하는 에이전트 역할을 수행하여, 복잡한 분석 과정을 자동화합니다. * **인구 역학 데이터의 글로벌 확장**: 기존 미국 중심의 PDFM 데이터를 영국, 호주, 일본, 캐나다, 말라위 등으로 확장하여 전 세계적인 분석 기반을 마련 중입니다. * **산업 파트너십**: Airbus, Maxar, Planet Labs 등 글로벌 위성 데이터 기업들과 협력하여 실무 환경에서의 테스트를 진행하고 있습니다. 현재 구글은 '신뢰할 수 있는 테스터 프로그램'을 통해 해당 모델들에 대한 접근권을 제공하고 있습니다. 지리 공간 데이터 분석의 높은 진입 장벽을 낮추고자 하는 조직은 구글 리서치가 제공하는 파운데이션 모델 임베딩을 활용해 독자적인 분석 모델을 고도화하거나, 자연어 기반의 지형 추론 워크플로우를 실험적으로 도입해 보는 것을 권장합니다.

AI생성형 AIgeminicomputer-vision+5

google·2025년 4월 2일원문

과학적 문제 해결 능력의 진전 (새 탭에서 열림)

구글 리서치는 대규모 언어 모델(LLM)이 실제 과학 연구 워크플로우에서 복잡한 문제를 해결할 수 있는지를 측정하기 위한 새로운 벤치마크인 'CURIE'를 공개했습니다. 기존의 과학 벤치마크들이 단답형 지식 회상에 치중했던 것과 달리, CURIE는 수 만 단어에 달하는 전문 논문 전체를 읽고 정보를 추출하며 다단계 추론을 수행하는 능력을 평가합니다. 이는 AI가 단순한 지식 검색 도구를 넘어 과학자의 실질적인 연구 보조자로 진화하는 과정에서 필수적인 평가 지표가 될 것입니다. **CURIE: 과학적 추론 및 긴 문맥 이해를 위한 다학제 벤치마크** * 재료 과학, 응집 물질 물리학, 양자 컴퓨팅, 지리 공간 분석, 생물 다양성, 단백질 등 6개 과학 분야의 전문 지식을 다룹니다. * 평균 15,000단어에 달하는 전문 연구 논문을 입력값으로 사용하여, 정보 추출, 개념 추적, 대수적 조작, 다중 모드 이해 등 10가지의 구체적인 태스크를 수행합니다. * 단순한 선택지형 문항이 아닌 실제 연구 과정에서 발생하는 워크플로우를 반영하며, 정답 데이터는 평균 954단어에 달하는 상세한 설명을 포함합니다. * 각 도메인의 전문가들이 과제 정의, 정답 생성, 난이도 등급 부여 등에 직접 참여하여 벤치마크의 정확성과 전문성을 확보했습니다. **SPIQA 및 FEABench를 통한 시각적 데이터와 도구 활용 평가** * SPIQA 데이터셋은 모델이 과학 논문에 포함된 복잡한 그림(Figure)과 표(Table)의 정보를 바탕으로 질의응답을 수행하는 멀티모달 능력을 측정합니다. * FEABench는 LLM 에이전트가 유한요소해석(FEA) 소프트웨어를 사용하여 물리, 수학, 공학적 문제를 시뮬레이션하고 해결할 수 있는지 평가하는 도구 활용 능력을 테스트합니다. * 이러한 추가 벤치마크들은 텍스트 기반 추론을 넘어 실험 데이터 해석과 시뮬레이션 도구 실행이라는 실제 과학적 방법론을 포괄합니다. **프로그래밍 방식과 모델 기반 평가의 결합** * 과학적 답변의 특성상 정답 형식이 JSON, Latex 수식, YAML 등 매우 다양하기 때문에, ROUGE-L이나 IoU(Intersection-over-Union) 같은 전통적인 프로그래밍 방식의 지표를 활용합니다. * 자유 형식의 서술형 답변을 평가하기 위해 'LLM-as-a-judge' 방식을 병행하여, 전문가의 주관적 평가와 높은 상관관계를 가지는 정밀한 채점 시스템을 구축했습니다. * Gemini 1.5 Pro와 같은 최신 모델들에 대한 평가 결과, 복잡한 과학적 워크플로우 처리 능력이 크게 향상되었으나 여전히 심층적인 추론 영역에서는 개선의 여지가 있음이 확인되었습니다. CURIE와 관련 데이터셋은 과학 분야 LLM의 성능을 객관적으로 측정하는 데 중요한 도구가 될 것입니다. 연구자들은 모델이 장문의 전문 텍스트뿐만 아니라 수식과 시각적 데이터를 통합적으로 이해하고 도구를 활용할 수 있도록 개발 방향을 설정해야 하며, CURIE가 제공하는 복합적인 태스크를 통해 모델의 한계를 점검하고 실제 연구 현장에 적용 가능한 AI를 구축할 수 있습니다.

AI대규모 언어 모델멀티모달 AIbenchmarking+4

google·2025년 4월 1일원문

ECLeKTic: LL (새 탭에서 열림)

Google Research가 발표한 ECLeKTic은 대규모 언어 모델(LLM)이 특정 언어로 학습한 지식을 다른 언어로 얼마나 잘 전달하는지 평가하기 위해 설계된 새로운 벤치마크입니다. 이 데이터셋은 특정 언어의 위키피디아에만 존재하는 고유 정보를 활용하여, 모델이 소스 언어에서 습득한 지식을 12개의 대상 언어에서 폐쇄형 질문 답변(Closed-book QA) 형식으로 인출할 수 있는지 측정합니다. 최신 모델인 Gemini 2.5 Pro가 52.6%의 성공률을 기록하며 가장 우수한 성능을 보였으나, 이는 여전히 언어 간 지식 전이 능력을 개선할 여지가 많음을 시사합니다. **언어 간 지식 접근성 격차의 문제** * 인간은 여러 언어를 구사할 때 언어와 상관없이 동일한 지식에 접근할 수 있지만, 현재의 LLM은 특정 언어(예: 인도네시아어)로 질문했을 때만 답변하고 다른 언어(예: 독일어)로 질문하면 답하지 못하는 지식의 파편화 현상을 보입니다. * 이러한 격차는 정보가 적은 언어 사용자들의 지식 접근권을 제한할 뿐만 아니라, 정보가 많은 언어 사용자들 역시 전 세계의 다양한 지식을 활용하지 못하게 만듭니다. * ECLeKTic은 모델의 내부 지식만을 이용하는 블랙박스 평가 방식을 채택하여, 모델의 내부 구조를 알 수 없는 상용 모델(Proprietary models)까지도 쉽게 평가할 수 있도록 설계되었습니다. **데이터셋 구성 및 검증 프로세스** * 한국어, 영어, 인도네시아어, 힌디어 등 총 12개 언어를 포함하며, 특정 언어의 위키피디아에만 단독으로 존재하는 문서를 기반으로 384개의 고유 질문과 4,224개의 번역된 예시를 생성했습니다. * 질문의 타당성을 높이기 위해 원어민 검수자들이 '폐쇄형 질문 답변 가능 여부'와 '특정 문화권의 고유 지식 여부'를 엄격히 필터링했습니다. * '탈맥락화(Decontextualization)' 과정을 통해 질문 내 모호한 대명사나 고유 명사를 구체화(예: "대법원"을 "이스라엘 대법원"으로 수정)하여 번역된 언어에서도 충분히 답변 가능한 형태를 갖추었습니다. * 자동 번역 후 다시 원어민이 번역의 정확성을 검증하고, 원어의 의미가 훼손되어 번역이 불가능한 사례는 데이터셋에서 제외했습니다. **벤치마크 결과 및 성능 지표** * 핵심 지표인 '전체 성공률(Overall success)'은 모델이 소스 언어와 대상 언어 모두에서 질문에 올바르게 답한 비율을 측정합니다. * 8개의 주요 LLM을 테스트한 결과, Gemini 2.0 Pro는 41.6%의 성공률을 보였으며, 최신 버전인 Gemini 2.5 Pro는 52.6%를 달성하여 성능 개선을 입증했습니다. * 결과적으로 최고 수준의 모델조차 절반 수준의 성공률에 머물러 있어, 모든 사용자가 언어 장벽 없이 공평하게 정보에 접근할 수 있는 모델을 만들기 위한 추가적인 연구가 필요함을 보여줍니다. ECLeKTic은 Kaggle을 통해 오픈 소스로 공개되어 있으며, 개발자들은 이를 활용해 자신들의 모델이 가진 다국어 지식 전이 성능을 정밀하게 측정하고 개선하는 지표로 삼을 수 있습니다.

AI대규모 언어 모델머신러닝gemini+4

google·2025년 3월 30일원문

그래프 학습의 진 (새 탭에서 열림)

그래프 학습은 1736년 오일러의 정리부터 시작되어 현대 머신러닝의 핵심 기술로 진화해 왔습니다. 과거에는 페이지랭크(PageRank)와 같은 알고리즘을 통해 그래프 구조를 분석했다면, 최근에는 딥워크(DeepWalk)와 그래프 합성곱 신경망(GCN)의 등장을 통해 복잡한 관계 데이터를 신경망으로 처리하는 '그래프 러닝'의 시대가 열렸습니다. 구글 연구진은 이러한 흐름을 주도하며 교통 예측, 가짜 뉴스 탐지, 분자 분석 등 다양한 실무 영역에 그래프 알고리즘을 성공적으로 적용하고 있습니다. ### 그래프 알고리즘의 기원과 초기 발전 * 1736년 레온하르트 오일러가 '쾨니히스베르크의 다리 문제'를 해결하며 관계와 연결을 수학적으로 모델링하는 현대 그래프 이론의 기초를 마련했습니다. * 초기 연구는 그래프 내의 커뮤니티 구조 파악, 중심성(Centrality) 측정, 최단 경로 계산 및 최대 유량 문제 등 그래프의 구조적 패턴을 찾는 데 집중했습니다. * 1996년 등장한 페이지랭크(PageRank) 알고리즘은 인터넷 웹페이지를 노드로, 하이퍼링크를 엣지로 정의하여 웹 전체를 거대한 그래프로 해석함으로써 검색 엔진의 혁신을 가져왔습니다. ### 딥러닝과 그래프의 결합, DeepWalk * 전통적인 그래프 알고리즘은 불연속적인 특성 때문에 연속적인 수치 연산을 수행하는 신경망 시스템과 직접 통합하기 어려운 한계가 있었습니다. * 2014년에 발표된 딥워크(DeepWalk)는 신경망 인코더를 사용하여 그래프 데이터를 수치적 벡터로 변환하는 '그래프 임베딩' 기법을 최초로 실용화했습니다. * DeepWalk는 노드 간의 유사성을 단순한 특징 기반의 유사도가 아닌, 그래프 구조 내에서의 관계성을 보존하는 방식으로 캡처하여 그래프 학습 연구의 기폭제가 되었습니다. ### 그래프 합성곱 신경망(GCN)과 현대적 접근 * 2016년 토마스 키프(Thomas Kipf) 등이 제안한 그래프 합성곱 신경망(GCN)은 이미지 처리의 합성곱 개념을 그래프 구조에 도입하여 노드의 이웃 정보를 효과적으로 통합했습니다. * 이후 메시지 패싱 신경망(MPNN) 등 노드 간 정보를 교환하며 주변 구조를 학습하는 정교한 모델들이 등장하며 그래프 학습의 표준이 되었습니다. * 이러한 기술적 진보는 현재 교통 흐름 예측, 전염병 확산 모델링, 물리학 시뮬레이션, 냄새를 유발하는 분자 구조 분석 등 광범위한 실제 문제 해결에 활용되고 있습니다. 복잡한 연결 관계를 다루는 비즈니스나 연구 분야라면 TensorFlow나 JAX와 같은 라이브러리에서 제공하는 최신 그래프 신경망 구현체를 활용해 보는 것을 추천합니다. 특히 데이터 간의 관계 자체가 핵심적인 정보를 담고 있는 소셜 네트워크, 사기 탐지, 화학 구조 분석 등의 도메인에서는 단순한 특성 기반 학습보다 그래프 학습 기반의 접근이 훨씬 더 강력한 통찰을 제공할 수 있습니다.

AI머신러닝jaxgraph-learning+4

google·2025년 3월 20일원문

LLM 표현을 통한 인간 뇌 (새 탭에서 열림)

거대 언어 모델(LLM)의 문맥적 임베딩이 실제 대화 중인 인간의 뇌 신경 활동과 선형적으로 정렬된다는 연구 결과가 발표되었습니다. 연구팀은 LLM의 내부 표현이 인간의 언어 이해 및 생성 과정을 설명하는 강력한 프레임워크가 될 수 있음을 증명했습니다. 결과적으로 이는 LLM이 단순히 성능이 뛰어난 도구를 넘어, 인간의 복잡한 언어 처리 메커니즘을 해독하는 핵심적인 열쇠로 작용할 수 있음을 시사합니다. **LLM과 인간 뇌의 언어 처리 유사성** * 기존의 심리언어학 모델은 상징적인 문법 규칙에 의존했으나, LLM은 다음 단어 예측과 강화 학습을 통해 언어의 통계적 구조를 다차원 임베딩 공간에 인코딩합니다. * 구글 리서치와 프린스턴 대학교 등 공동 연구진은 5년간의 연구를 통해 모델의 내부 표현(임베딩)과 자유로운 대화 중 발생하는 뇌 신경 활동 사이의 유사성을 탐구했습니다. * 연구 결과, 모델의 단어 수준 임베딩이 인간의 언어 중추인 브로카 영역(Broca’s area)과 상측두회(STG) 등의 활동 패턴과 긴밀하게 일치함을 확인했습니다. **Whisper 모델을 통한 신경망 분석 및 정렬** * Transformer 기반의 음성-텍스트 변환 모델인 'Whisper'를 활용해 실제 대화 중인 피험자의 뇌 신호와의 상관관계를 분석했습니다. * 분석을 위해 모델의 음성 인코더에서 추출한 '음성(Speech) 임베딩'과 디코더에서 추출한 단어 기반 '언어(Language) 임베딩'을 사용했습니다. * 두개강 내 전극(Intracranial electrodes)으로 측정된 뇌 활동 데이터에 선형 변환을 적용하여, 모델의 임베딩 값으로 뇌의 신경 신호를 예측하는 모델을 구축했습니다. **언어 이해와 생성의 신경학적 시퀀스** * **언어 이해(Comprehension):** 단어가 들릴 때 먼저 상측두회(STG)에서 음성 임베딩이 신경 활동을 예측하고, 수백 밀리초 후 브로카 영역(IFG)에서 언어 임베딩이 의미 해독 과정을 예측하는 순차적 흐름을 보입니다. * **언어 생성(Production):** 단어를 뱉기 약 500밀리초 전, 브로카 영역에서 언어 임베딩이 활동을 예측하며 발화를 계획합니다. 이후 운동 피질(MC)에서 음성 임베딩이 조음 과정을 예측하는 역순의 역동성이 관찰됩니다. * **자기 모니터링:** 발화 직후에는 자신의 목소리를 듣고 모니터링하기 위해 상측두회의 청각 영역에서 다시 한번 음성 임베딩과 신경 활동의 정렬이 나타납니다. 이 연구는 인공지능의 내부 메커니즘이 인간의 생물학적 언어 처리 과정을 모사하고 있음을 보여줍니다. 따라서 향후 뇌 기능 장애의 이해나 더 정교한 뇌-컴퓨터 인터페이스(BCI) 개발에 LLM의 임베딩 구조를 활용하는 것이 매우 효과적인 전략이 될 것입니다.

AI대규모 언어 모델자연어 처리transformer+4

google·2025년 3월 19일원문

구글 픽셀 워 (새 탭에서 열림)

구글 픽셀 워치 3에 도입된 '맥박 소실 감지(Loss of Pulse Detection)' 기능은 심정지 발생 시 이를 자동으로 감지하여 응급 서비스에 연결함으로써 생존율을 획기적으로 높이는 기술입니다. 이 기능은 목격자가 없는 병원 밖 심정지(OHCA) 상황을 '기능적으로 목격된' 상황으로 전환하여, 골든타임 내에 적절한 응급 조치가 이루어질 수 있도록 돕습니다. 네이처(Nature)지에 게재된 연구 결과에 따르면, 이 알고리즘은 높은 정확도와 낮은 오경보율을 동시에 달성하여 일상적인 웨어러블 기기의 새로운 공중보건 활용 가능성을 제시했습니다. **심정지 생존율의 핵심, '목격자'의 역할** - 목격자가 있는 심정지 사건은 그렇지 않은 경우보다 생존율이 약 7.7배 높으며, 이는 즉각적인 응급 신고와 심폐소생술(CPR)이 가능하기 때문입니다. - 심정지 발생 후 매 분마다 생존 확률이 7~10%씩 감소하지만, 무인 상태에서 발생하는 심정지는 구조대가 도착했을 때 이미 소생이 불가능한 경우가 많습니다. - 맥박 소실 감지 기술은 목격자가 없는 심정지 상황을 목격 상황으로 전환함으로써, 산술적으로 6명 감지 시 1명의 생명을 구할 수 있는 수준(NNT=6)의 높은 공중보건 효과를 기대할 수 있습니다. **다중 게이트 방식의 맥박 소실 감지 알고리즘** - **PPG 및 가속도계 데이터 분석:** 광혈류측정(PPG) 센서로 혈류의 박동성 변화를 감지하고, 가속도계로 사용자의 움직임 여부를 동시에 확인합니다. - **1단계(급격한 신호 저하 확인):** 녹색 PPG 신호의 교류(AC) 성분이 급격히 감소하고 사용자의 움직임이 없는 상태가 감지되면 알고리즘이 작동합니다. - **2단계(머신러닝 모델 판단):** 다양한 사용자 데이터로 학습된 머신러닝 알고리즘이 맥박이 있는 상태에서 없는 상태로 전환될 확률을 정밀하게 계산합니다. - **3단계(추가 센서 교차 검증):** 적외선 등 다양한 파장의 LED와 수광 다이오드를 활용하여 매우 미세한 맥박조차 없는지 최종적으로 재확인합니다. **사용자 확인 및 응급 대응 프로세스** - 위 세 가지 단계가 1분 이내에 모두 충족되면 시계는 진동, 소리, 시각적 알림을 통해 사용자의 반응을 확인합니다. - 사용자가 의도적으로 팔을 움직여 반응하면 상황은 즉시 종료되지만, 일정 시간 동안 반응이 없으면 심정지로 간주합니다. - 최종적으로 사용자의 위치 정보와 함께 응급 서비스에 자동으로 전화를 걸어 구조를 요청합니다. **임상 데이터와 실생활 데이터를 통한 검증** - **임상 시험:** 소생 거부(DNR) 환자의 임종 과정과 수술 중 일시적 심정지가 필요한 환자 등을 대상으로 데이터를 수집하여 알고리즘을 최적화했습니다. - **광범위한 실생활 검증:** 150만 명 이상의 사용자로부터 수집된 3,500만 시간 이상의 데이터를 분석하여 일상 활동 중 발생할 수 있는 오경보 가능성을 최소화했습니다. - **성능 수치:** 임상 환경에서 94.4%의 높은 민감도를 기록했으며, 실생활 환경에서의 오경보는 연간 사용자당 약 0.17회(약 6년에 한 번) 수준으로 매우 낮게 유지되었습니다. 이 기술은 웨어러블 기기가 단순히 건강 상태를 모니터링하는 수준을 넘어, 위급 상황에서 직접적인 생명 구조 도구로 진화했음을 보여줍니다. 심혈관 질환 위험이 있는 사용자뿐만 아니라 예기치 못한 사고에 대비하려는 일반 사용자들에게도 실질적인 안전장치가 될 수 있을 것으로 보입니다.

AI머신러닝wearable-technologyphotoplethysmography+5