google·2025년 8월 5일원문

웨어러블 기기 및 일상 (새 탭에서 열림)

구글 리서치(Google Research)는 웨어러블 기기 데이터와 일반적인 혈액 검사 지표를 결합해 제2형 당뇨병의 전조 증상인 인슐린 저항성(IR)을 높은 정확도로 예측하는 머신러닝 모델을 개발했습니다. 이 연구는 침습적이고 비용이 많이 드는 기존 검사 방식을 대체할 수 있는 확장 가능한 조기 선별 도구를 제시하며, 고위험군을 대상으로 한 예방적 치료의 가능성을 열었습니다. 특히 Gemini 모델 기반의 AI 에이전트를 도입하여 사용자가 자신의 상태를 쉽게 이해하고 맞춤형 건강 관리를 실천할 수 있도록 지원하는 통합적인 접근 방식을 제안합니다. **디지털 바이오마커와 혈액 지표의 결합 (WEAR-ME 연구)** * 미국 전역의 1,165명의 참가자를 대상으로 웨어러블 기기(Fitbit, Google Pixel Watch)와 퀘스트 다이아노스틱스(Quest Diagnostics)의 혈액 검사 데이터를 수집하는 WEAR-ME 연구를 진행했습니다. * 데이터는 안정 시 심박수, 걸음 수, 수면 패턴과 같은 웨어러블 지표와 공복 혈당, 지질 패널(Lipid panel) 등 루틴한 혈액 검사 결과, 인구통계학적 정보를 포함합니다. * 심층 신경망(Deep Neural Network)을 활용해 인슐린 저항성의 표준 지표인 HOMA-IR 점수를 예측하도록 모델을 학습시켰습니다. **모델 성능 및 데이터 소스별 기여도** * 단일 데이터 소스보다 여러 스트림을 결합했을 때 예측 정확도(auROC)가 유의미하게 향상되는 결과를 보였습니다. * 웨어러블 데이터와 인구통계 정보만 사용했을 때 0.70이었던 auROC는 공복 혈당 데이터를 추가하자 0.78로 상승했습니다. * 웨어러블, 인구통계, 공복 혈당에 지질 패널을 포함한 전체 혈액 검사 데이터를 모두 결합했을 때 가장 높은 성능인 0.82(독립 검증 코호트에서 0.81)를 달성했습니다. **고위험군 대상의 효용성 및 검증** * 이 모델은 특히 비만이거나 신체 활동량이 적은 정적인 생활 방식을 가진 고위험군에서 강력한 예측 성능을 보였습니다. * 72명의 독립적인 검증 코호트에서도 일관되게 높은 성능을 유지함으로써 모델의 일반화 가능성을 입증했습니다. * 이는 고비용의 특수 인슐린 검사 없이도 일상적인 데이터와 정기 검진 결과만으로 당뇨 위험을 조기에 포착할 수 있음을 의미합니다. **Gemini 기반 인슐린 저항성 교육 에이전트** * 단순한 수치 예측을 넘어, 최신 거대언어모델(LLM)인 Gemini를 활용한 '인슐린 저항성 이해 및 교육 에이전트(IR Agent)' 프로토타입을 구축했습니다. * 이 에이전트는 사용자가 모델의 예측 결과를 쉽게 해석할 수 있도록 돕고, 인슐린 저항성에 대한 문해력을 높여줍니다. * 분석된 데이터를 바탕으로 안전하고 개인화된 건강 관리 권장 사항을 제공하여 실질적인 생활 습관 개선을 유도합니다. 이 기술은 증상이 나타나기 전 단계에서 인슐린 저항성을 발견함으로써 제2형 당뇨병으로의 진행을 늦추거나 예방할 수 있는 강력한 도구가 될 수 있습니다. 현재는 연구 및 정보 제공 목적으로 개발되었으나, 향후 의료 현장에서 데이터 기반의 정밀한 조기 진단 보조 도구로 활용될 것으로 기대됩니다.

AI대규모 언어 모델머신러닝gemini+4

google·2025년 8월 5일원문

DeepPolisher를 이용한 고 (새 탭에서 열림)

구글 리서치와 UC 산타크루즈 게놈 연구소가 공동 개발한 DeepPolisher는 게놈 조립 과정에서 발생하는 염기 서열 오류를 정밀하게 수정하여 유전체 연구의 정확도를 획기적으로 높이는 딥러닝 도구입니다. 트랜스포머(Transformer) 아키텍처를 기반으로 설계된 이 기술은 기존 방식 대비 전체 오류의 50%, 특히 유전자 식별에 치명적인 삽입 및 삭제(indel) 오류를 70%까지 줄이는 성과를 거두었습니다. 이를 통해 연구자들은 질병 진단과 유전적 변이 분석의 신뢰성을 확보하고 보다 완벽에 가까운 참조 게놈(Reference Genome)을 구축할 수 있게 되었습니다. ## 게놈 조립의 과제와 인델 오류의 영향 * 유전체는 약 30억 개의 염기(A, T, G, C)로 구성되어 있어, 아주 낮은 오류율이라도 전체 게놈에서는 방대한 수의 데이터 결함으로 이어집니다. * 특히 염기가 추가되거나 빠지는 삽입 및 삭제(indel) 오류는 단백질 코딩 서열을 왜곡하여 유전자를 정확히 식별하거나 질병의 원인이 되는 변이를 찾는 과정을 방해합니다. * 유전체 지도를 완성하기 위해서는 동일한 게놈을 여러 번 시퀀싱하여 반복적으로 오류를 수정하는 과정이 필요하지만, 기존의 보정 기술로는 완벽한 정확도에 도달하는 데 한계가 있었습니다. ## 시퀀싱 기술의 발전과 DeepPolisher의 등장 배경 * 과거 Illumina의 숏리드(Short-read) 방식은 정확도는 높으나 길이가 짧아 복잡한 게놈 구조를 파악하기 어려웠고, PacBio의 롱리드(Long-read) 방식은 초기 오류율이 높다는 단점이 있었습니다. * 구글과 PacBio는 협력을 통해 오류율을 0.1% 미만으로 낮춘 DeepConsensus 기술을 개발했으나, 참조 게놈급의 고정밀 지도를 만들기 위해서는 여러 DNA 분자 정보를 통합해 남은 오류를 잡아낼 추가 도구가 필요했습니다. * DeepPolisher는 이러한 배경에서 탄생했으며, 다수의 시퀀싱 리드(reads)를 동시에 분석하여 조립된 게놈의 미세한 결함을 찾아내고 수정하는 최종 폴리싱 역할을 수행합니다. ## 트랜스포머 아키텍처와 학습 데이터 * DeepPolisher는 언어 모델에서 성능이 검증된 트랜스포머 신경망 아키텍처를 채택하여 서열 데이터 내의 복잡한 패턴을 학습합니다. * 모델 학습에는 NIST(미국 국립표준기술연구소)와 NHGRI가 정밀하게 분석하여 정확도가 99.99999%에 달하는 인간 세포주 게놈 데이터를 사용했습니다. * 입력 데이터로 시퀀싱된 염기 정보, 데이터의 품질 점수(Quality score), 그리고 각 리드가 조립된 게놈에 정렬된 형태를 활용하여 실제 유전적 변이와 기계적 노이즈를 정확히 구분해냅니다. DeepPolisher는 현재 오픈 소스로 공개되어 있으며, 휴먼 판게놈 참조 게놈(Human Pangenome Reference) 구축과 같은 최첨단 유전체 프로젝트에서 핵심적인 역할을 수행하고 있습니다. 정밀한 유전체 분석이 필요한 연구팀은 이 도구를 통해 데이터의 신뢰성을 극대화할 수 있을 것입니다.

AI딥러닝transformergenomics+4

google·2025년 7월 31일원문

MLE-STAR: 최첨단 머 (새 탭에서 열림)

MLE-STAR는 웹 검색 기능과 정밀한 코드 블록 최적화 메커니즘을 결합한 차세대 머신러닝 엔지니어링 에이전트로, 복잡한 ML 파이프라인 구축 과정을 자동화합니다. 기존 에이전트들이 LLM의 사전 지식에만 의존하거나 코드 전체를 한 번에 수정하려 했던 한계를 극복하기 위해, 성능에 가장 큰 영향을 미치는 특정 구성 요소를 식별하고 이를 집중적으로 개선하는 방식을 채택했습니다. 그 결과 MLE-Bench-Lite의 Kaggle 경진 대회에서 63%의 메달 획득률을 기록하며 기존 기술들을 압도하는 성능을 증명했습니다. **웹 검색을 통한 최신 기법 도입 및 초기 솔루션 구축** * LLM의 내장된 지식에만 의존할 때 발생하는 특정 라이브러리(예: scikit-learn) 편향 문제를 해결하기 위해 실시간 웹 검색 기능을 활용합니다. * 주어진 과제와 데이터 모달리티에 가장 적합한 최신(State-of-the-art) 모델과 방법론을 검색하여 초기 솔루션 코드를 생성하는 기반으로 삼습니다. **어블레이션 연구 기반의 타겟 코드 블록 정제** * 전체 파이프라인 코드를 무작위로 수정하는 대신, '어블레이션 연구(Ablation Study)'를 수행하여 피처 엔지니어링이나 모델 구조 등 성능 기여도가 가장 높은 특정 코드 블록을 찾아냅니다. * 식별된 핵심 블록에 대해 이전 시도의 실행 결과와 피드백을 반영하며 집중적인 반복 실험을 수행함으로써, 특정 파이프라인 단계에서의 최적화를 심도 있게 진행합니다. **지능형 솔루션 앙상블 전략** * 단순한 성능 기반 투표 방식에서 벗어나, 에이전트가 스스로 여러 후보 솔루션을 병합할 수 있는 최적의 앙상블 전략을 직접 설계하고 제안합니다. * 병렬로 생성된 다양한 해결책들을 유기적으로 결합하며, 이 과정 또한 반복적인 피드백 루프를 통해 지속적으로 개선하여 최종 예측 성능을 극대화합니다. **시스템 안정성 및 신뢰성 강화를 위한 모듈** * **디버깅 에이전트:** 파이썬 스크립트 실행 중 발생하는 트레이스백(Traceback) 오류를 분석하고 즉각적으로 코드를 교정합니다. * **데이터 누수(Data Leakage) 체크:** 테스트 데이터의 정보가 학습 과정에 유입되는 위험을 방지하기 위해 실행 전 스크립트의 논리적 무결성을 검증합니다. * **데이터 사용 확인 도구:** 에이전트가 CSV와 같은 단순한 데이터만 사용하고 다른 중요한 데이터 소스를 누락하지 않도록 모든 제공된 데이터를 활용하는지 감시합니다. MLE-STAR는 단순한 코드 생성을 넘어 데이터 분석, 전략 수립, 오류 수정 및 검증에 이르는 머신러닝 엔지니어링의 전 과정을 수행할 수 있음을 보여줍니다. 특히 Kaggle과 같은 실제 경쟁 환경에서 높은 성과를 낸 만큼, 향후 기업 현장에서 복잡한 데이터 파이프라인을 효율적으로 구축하고 실험 비용을 절감하는 데 실질적인 도움을 줄 것으로 기대됩니다.

AI대규모 언어 모델AI 에이전트Python+5

figma·2025년 7월 30일·4분 읽기큐레이션 요약

피그마의 IPO:

Figma의 IPO는 단순한 자금 조달이 아니라, “상상과 현실 사이의 간극을 없앤다”는 창업 비전을 장기적으로 실현하기 위한 전환점이다. 딜런 필드는 디자인이 더 이상 일부 전문가의 영역이 아니라 제품과 기업의 성패를 좌우하는 모두의 업무가 되었다고 강조한다. Figma는 단기 수익성보다 AI와 플랫폼, 인수합병 등에 대한 장기 투자를 우선하며 수십 년 단위의 성장을 추구할 계획이다. ## IPO를 선택한 이유 - 기업 공개의 일반적인 장점으로 다음을 제시한다. - 기업 운영의 투명성과 건전성 강화 - 브랜드 인지도 확대 - 기존 주주와 임직원의 유동성 확보 - 주식이라는 더 강력한 인수·보상 수단 확보 - 자본시장 접근성 확대 - 가장 중요한 이유는 Figma 커뮤니티가 회사의 소유권을 함께 나누도록 하기 위해서다. - 다만 IPO가 주가 상승을 보장하는 것은 아니며, 시장은 변동할 수 있다고 명확히 선을 긋는다. ## 효율성보다 장기 성장에 집중 - Figma의 최우선 목표는 단기적인 운영 효율성이 아니라 디자이너의 변화하는 요구를 지원하며 장기 성장하는 것이다. - 성장 과정에서 플랫폼 투자와 대규모 인수합병에 과감하게 나설 수 있다. - 일부 결정은 단기적으로 비합리적으로 보일 수 있고, 잘못된 판단도 발생할 수 있음을 인정한다. - 분기별 주가 상승보다 수십 년에 걸친 장기적인 복리 성장을 우선하겠다는 투자 철학을 제시한다. ## AI가 바꾸는 디자인과 Figma의 투자 - Figma는 AI에 이미 대규모로 투자하고 있으며 앞으로 투자를 더욱 확대할 예정이다. - AI 관련 지출은 몇 년 동안 효율성을 떨어뜨릴 수 있지만, 향후 디자인 워크플로의 핵심 요소가 될 것으로 본다. - Figma Make와 기존 AI 기능은 시작에 불과하며, AI가 다음과 같은 역할을 할 가능성을 제시한다. - 디자이너의 아이디어 구체화 지원 - 더 많은 사람의 디자인 프로세스 참여 - 디자인 작업의 자동화와 협업 강화 - AI를 단순한 기능 추가가 아니라 Figma 플랫폼의 미래를 결정할 핵심 기반으로 보고 있다. ## 디자인은 모두의 업무가 된다 - 과거에는 최소기능제품(MVP)을 먼저 만들고 디자인을 나중에 보완하는 경우가 많았다. - 이제는 제품을 쉽게 만드는 것보다, 어떤 관점과 완성도로 설계하느냐가 성공을 좌우한다. - 디자인은 단순히 외형이나 기능을 정리하는 작업이 아니라 다음을 결정하는 요소가 된다. - 사용자가 제품을 선택하는 이유 - 기업과 제품의 차별성 - 시장에서의 성공과 실패 - 디자인과 장인정신, 명확한 관점이 핵심 경쟁력이 되면서 디자이너뿐 아니라 다양한 직군과 사용자 페르소나가 디자인 과정에 참여하게 될 것으로 전망한다. ## 접근성과 전문성의 균형 - 새로운 사용자가 디자인 프로세스에 참여하려면 Figma는 접근하기 쉬워야 한다. - 동시에 전문 디자이너와 대규모 조직이 활용할 수 있는 강력한 기능도 유지해야 한다. - 따라서 Figma는 다음 두 목표 사이의 균형을 맞춰야 한다. - 비전문가도 쉽게 아이디어를 표현할 수 있는 접근성 - 전문가와 조직이 복잡한 작업을 수행할 수 있는 확장성과 제어력 - 조직이 함께 협업하고 대규모로 의사결정할 수 있는 포용적인 환경도 중요하다고 강조한다. ## AI 인터페이스의 진화 - 현재의 AI는 프롬프트가 사실상 사용자 인터페이스인 ‘MS-DOS 시대’에 가깝다고 설명한다. - 앞으로는 사용자가 긴 명령어를 직접 입력하지 않아도 AI의 능력을 활용할 수 있는 새로운 디자인 패턴이 등장할 것으로 전망한다. - 컴퓨터의 기능을 대중에게 전달했던 GUI처럼, AI의 복잡한 능력을 직관적으로 보여주는 도메인별 인터페이스가 확산될 수 있다. - 이 과정에서 뛰어난 디자인은 AI의 기능을 이해하고 실제 업무에 적용하게 만드는 핵심 수단이 된다. ## Figma가 지향하는 공간 - 기술 발전이 빠르고 미래가 불확실해지더라도, 변화는 창의적이고 즐거운 가능성을 제공한다고 본다. - 세상을 바꾸는 것은 도구 자체가 아니라 도구를 사용하는 사람이라고 강조한다. - Figma는 개인과 팀이 아이디어를 키우고 협력할 수 있는 ‘평화로운 정원’ 같은 플랫폼이 되기를 희망한다. - 궁극적으로 사용자가 Figma를 활용해 세상을 조금 더 나은 방향으로 바꾸는 것이 회사의 지향점이다. Figma의 전략은 단기 수익 극대화보다 AI와 디자인 생태계의 변화에 선제적으로 투자하는 데 있다. 따라서 이 글은 Figma를 평가할 때 현재의 효율성보다 디자인의 대중화, AI 기반 워크플로, 장기적인 플랫폼 확장 가능성을 중심으로 보아야 한다는 메시지를 전달한다.

원문 읽기(새 탭에서 열림)

AIFigma생성형 AI프로덕트 디자인+2

figma·2025년 7월 29일·3분 읽기큐레이션 요약

피그마, IPO

Figma는 2025년 7월 31일부터 뉴욕증권거래소에서 티커 `FIG`로 거래를 시작할 기업공개(IPO) 공모가를 주당 33달러로 확정했다. 총 3,693만 7,080주의 Class A 보통주가 공모되며, 일부는 Figma가 발행하고 나머지는 기존 주주가 매각한다. 공모는 8월 1일 마감될 예정이며, Figma는 디자인 도구를 넘어 AI 기반의 협업형 제품 개발 플랫폼으로 성장해 왔다고 설명했다. ### IPO 공모가와 거래 일정 - 공모가는 **Class A 보통주 1주당 33달러**로 결정됐다. - 총 공모 주식 수는 **36,937,080주**다. - 뉴욕증권거래소에서 **2025년 7월 31일**, 티커 심볼 `FIG`로 거래를 시작할 예정이다. - 공모 절차는 통상적인 종결 조건을 충족한다는 전제하에 **2025년 8월 1일** 완료될 예정이다. - 미국 증권거래위원회(SEC)는 2025년 7월 30일 관련 등록신고서의 효력을 승인했다. ### Figma와 기존 주주의 주식 매각 - Figma가 직접 공모하는 주식은 **12,472,657주**다. - 기존 주주가 매각하는 주식은 **24,464,423주**로, 전체 공모 물량의 상당 부분을 차지한다. - 일부 매각 주주는 초과배정 물량을 충당하기 위해 30일간 최대 **5,540,561주**를 추가로 매각할 수 있다. - 기존 주주가 매각하는 주식에서 발생하는 대금은 Figma에 귀속되지 않는다. ### IPO 주관사 - 공동 대표 주관사는 다음 네 곳이다. - Morgan Stanley - Goldman Sachs & Co. LLC - Allen & Company LLC - J.P. Morgan - BofA Securities, Wells Fargo Securities, RBC Capital Markets는 공동 주관사로 참여한다. - William Blair와 Wolfe | Nomura Alliance는 공동 매니저를 맡는다. ### Figma의 사업 방향 - Figma는 팀이 디지털 제품과 서비스를 함께 기획하고 설계·개발하는 플랫폼이다. - 2012년 설립 이후 단순한 디자인 도구에서 다음 작업을 연결하는 플랫폼으로 확장했다. - 아이디어 구상 - 제품 디자인 - 개발 협업 - 제품 출시 - AI 기능을 포함해 디자인 및 제품 개발 과정을 더 협업적이고 효율적으로 만드는 것을 목표로 한다. - 회사는 다양한 팀 구성원이 동일한 작업 환경에서 실시간으로 협업할 수 있다는 점을 핵심 가치로 내세운다. ### 투자자에게 제시된 법적 고지 - 이번 공모는 최종 투자설명서(prospectus)를 통해서만 진행된다. - 해당 보도자료 자체는 주식 매도 제안이나 매수 권유가 아니다. - 관련 법률에 따라 등록 또는 자격 요건을 충족하지 않은 지역에서는 주식 매매가 허용되지 않는다. - Figma는 IPO를 통해 직접 발행한 주식에 대해서만 자금을 확보하며, 기존 주주 매각분의 대금은 회사가 받지 않는다. 실질적으로 이번 발표는 Figma가 공모가와 거래소·거래 개시일을 확정하며 IPO 절차의 마지막 단계에 진입했음을 의미한다. 다만 투자 판단에는 공모가뿐 아니라 Figma의 성장성, 수익성, 기존 주주 매각 비중, 상장 후 주가 변동성까지 함께 검토할 필요가 있다.

원문 읽기(새 탭에서 열림)

AIFigmacollaborationproduct-development+1

google·2025년 7월 28일원문

회귀 언어 모델을 활용한 (새 탭에서 열림)

구글 리서치와 딥마인드 팀은 모든 수치 예측 문제를 텍스트-투-텍스트(text-to-text) 방식으로 해결하는 '회귀 언어 모델(Regression Language Model, RLM)'을 제안했습니다. 이 방법론은 복잡하고 구조화되지 않은 대규모 시스템의 데이터를 텍스트로 변환하여 LLM이 직접 수치를 예측하게 함으로써, 기존의 정형 데이터 기반 회귀 모델이 가졌던 한계를 극복합니다. 특히 구글의 클러스터 관리 시스템인 Borg의 효율성 예측에서 기존 모델보다 뛰어난 성능과 유연성을 입증하며 대규모 시스템 시뮬레이션의 새로운 가능성을 제시했습니다. **텍스트 기반 회귀 모델의 메커니즘** * 모든 입력 데이터($x$)와 타깃 수치($y$)를 구조화된 텍스트 스트링(예: YAML, JSON)으로 표현하여 모델에 입력합니다. * 모델은 일반적인 LLM과 마찬가지로 다음 토큰 예측(Next Token Prediction) 방식을 사용하며, 교차 엔트로피 손실 함수를 통해 학습합니다. * 별도의 피처 엔지니어링이나 데이터 정규화 과정이 필요 없으며, 사전 학습된 모델을 활용하거나 처음부터 무작위 초깃값으로 학습시키는 것 모두 가능합니다. * 수치를 텍스트로 처리함으로써 새로운 데이터 유형이나 하드웨어 사양, 워크로드 패턴이 추가되더라도 모델 구조를 변경하지 않고 유연하게 대응할 수 있습니다. **구글 Borg 시스템을 통한 실증 연구** * 구글의 컴퓨팅 인프라인 Borg의 자원 효율성 지표인 'MIPS per GCU'를 예측하는 데 RLMs를 적용했습니다. * 약 6,000만 개의 파라미터를 가진 2레이어 인코더-데코더 구조의 모델을 사용해 대규모 클러스터의 상태를 시뮬레이션했습니다. * 입력 데이터가 최대 100만 토큰에 달하는 경우, 중요도가 높은 피처를 앞쪽에 배치하는 전처리 과정을 통해 모델의 토큰 제한(8,000개) 내에서도 핵심 정보를 보존했습니다. * 퓨샷(few-shot) 그래디언트 업데이트만으로도 새로운 태스크와 데이터 유형에 빠르게 적응하는 성능을 보여주었습니다. **확률 분포 캡처 및 불확실성 모델링** * RLM의 출력 결과를 여러 번 샘플링함으로써 단순한 점 예측을 넘어 출력값 $y$의 확률 밀도(Density)를 정확하게 추정할 수 있습니다. * 이를 통해 시스템 내부의 고유한 무작위성(우연적 불확실성, Aleatoric Uncertainty)과 관측 데이터 부족으로 인한 불확실성(인식적 불확실성, Epistemic Uncertainty)을 동시에 파악합니다. * 실험 결과, RLM은 복잡한 다봉형(multimodal) 분포를 가진 타깃 값도 기존의 MLP(다층 퍼셉트론)나 XGBoost보다 훨씬 정교하게 모사하는 능력을 갖췄음이 확인되었습니다. **성능 비교 및 확장성** * 데이터 양이 적은 상황(Low-data regime)에서 RLM은 전통적인 회귀 모델들보다 월등히 높은 예측 정확도를 기록했습니다. * 복잡한 시스템의 설정값, 로그 정보, 메타데이터 등을 텍스트 형태로 통합 학습함으로써 시스템 전반에 대한 깊은 이해를 바탕으로 한 시뮬레이션이 가능해졌습니다. * 구글은 이 방법론을 누구나 활용할 수 있도록 'regress-lm'이라는 오픈소스 라이브러리를 공개하여 연구 커뮤니티의 참여를 독려하고 있습니다. 복잡하고 변화가 빠른 시스템에서 데이터 스키마를 정의하고 피처를 추출하는 데 드는 비용을 줄이고 싶다면, 입력을 텍스트로 직렬화하여 RLM을 적용해 보는 것을 추천합니다. 특히 시뮬레이션 대상의 불확실성이 크고 데이터가 비정형인 환경일수록 텍스트 기반 회귀 모델이 기존 방식보다 더 강력한 범용 근사 도구가 될 수 있습니다.

AI대규모 언어 모델google-borgregression-language-models+5

google·2025년 7월 27일원문

SensorLM: 웨어 (새 탭에서 열림)

구글 리서치가 발표한 SensorLM은 약 6,000만 시간 분량의 방대한 웨어러블 센서 데이터를 자연어와 연결하여 학습한 새로운 유형의 센서-언어 파운데이션 모델입니다. 이 모델은 스마트워치 등이 수집하는 복잡한 센서 신호를 인간이 이해할 수 있는 정교한 설명으로 변환함으로써, 단순한 수치 기록을 넘어 행동의 맥락과 원인을 파악하는 헬스케어의 새로운 지평을 열었습니다. 대규모 멀티모달 학습을 통해 제로샷 활동 인식 및 텍스트 생성 분야에서 기존 모델을 뛰어넘는 성능을 입증하며 개인 맞춤형 건강 관리의 가능성을 제시합니다. **데이터셋 구축 및 자동화된 캡션 생성** - 127개국 10만 명 이상의 동의를 얻은 익명화된 핏빗(Fitbit) 및 픽셀 워치 데이터를 활용하여 총 5,970만 시간 분량의 역대 최대 규모 센서-언어 데이터셋을 구축했습니다. - 사람이 일일이 데이터를 라벨링하는 비용 문제를 해결하기 위해, 센서 데이터의 통계 정보와 추세, 주요 이벤트를 분석하여 자동으로 상세한 설명을 생성하는 '계층적 파이프라인'을 개발했습니다. - 이를 통해 기존 연구들보다 수십 배 큰 규모의 데이터를 확보함으로써 고차원 센서 신호와 자연어 사이의 미세한 상관관계를 학습할 수 있는 기반을 마련했습니다. **대조 학습과 생성 학습의 통합 아키텍처** - 센서 조각과 텍스트 설명을 매칭하는 '대조 학습(Contrastive Learning)'을 적용하여 수영이나 근력 운동 같은 서로 다른 활동을 정밀하게 구분하는 능력을 갖췄습니다. - 고차원 센서 신호로부터 직접 맥락에 맞는 텍스트 캡션을 생성하는 '생성형 사전 학습(Generative Pre-training)'을 결합하여 데이터의 의미를 능동적으로 해석하도록 설계했습니다. - 두 학습 전략을 단일 프레임워크로 통합함으로써 센서 데이터의 통계적 특성뿐만 아니라 구조적, 의미론적 차원까지 아우르는 깊이 있는 이해가 가능해졌습니다. **활동 인식 및 교차 모달 검색 능력** - 별도의 미세 조정(Fine-tuning) 없이도 20가지 활동을 정확히 분류하는 제로샷(Zero-shot) 성능을 보여주며, 일반적인 거대 언어 모델(LLM)보다 월등히 높은 정확도를 기록했습니다. - 소량의 데이터만으로 새로운 작업에 적응하는 퓨샷(Few-shot) 학습 능력이 뛰어나, 개인별로 다른 활동 패턴이나 특수한 건강 상태에도 유연하게 대응할 수 있습니다. - 텍스트로 특정 센서 패턴을 찾거나 반대로 센서 데이터를 통해 자연어 설명을 추출하는 '교차 모달 검색' 기능을 통해 전문가의 데이터 분석 효율성을 극대화했습니다. **고도화된 상황 인식 캡션 생성** - 웨어러블 기기에서 발생하는 복잡한 신호를 입력받아 계층적이고 문맥에 맞는 자연어 설명을 생성하며, 기존 비전담 LLM 대비 사실 관계가 정확하고 일관성 있는 텍스트를 출력합니다. - 단순한 활동 요약을 넘어 센서 신호에 담긴 통계적 추이와 구조적 변화를 인간의 언어로 번역함으로써 사용자가 자신의 건강 데이터를 훨씬 직관적으로 이해할 수 있도록 돕습니다. SensorLM은 단순히 수치를 기록하는 기기를 넘어 사용자의 상태를 이해하고 설명해 주는 지능형 건강 비서로의 진화를 예고합니다. 이러한 기술은 향후 전문가 수준의 건강 분석 도구나 개인 맞춤형 웰니스 서비스에 핵심 기술로 활용될 것으로 기대됩니다.

AI멀티모달 AIfoundation-modelswearable-technology+5

figma·2025년 7월 27일·2분 읽기큐레이션 요약

피그마, IPO 공모가

Figma는 IPO 로드쇼 이후 공모 희망 가격을 주당 **30~32달러**로 상향한다고 발표했습니다. 뉴욕증권거래소에 클래스 A 보통주를 상장할 예정이며, 회사와 기존 주주가 함께 주식을 공모합니다. 다만 해당 내용은 SEC 등록 절차가 완료되기 전의 예비 발표로, 실제 매각은 등록신고서 효력 발생 이후에만 가능합니다. ## IPO 가격 범위 상향 - Figma는 기존 IPO 계획의 공모 희망 가격 범위를 상향했습니다. - 새로운 예상 공모가는 **주당 30~32달러**입니다. - 상장 예정 거래소는 **뉴욕증권거래소(NYSE)**이며, 티커 심볼은 **“FIG”**입니다. - 가격 인상은 IPO 로드쇼를 시작한 지 약 일주일 뒤 발표되었습니다. ## 공모 주식 구성 - Figma가 직접 공모하는 클래스 A 보통주는 **12,472,657주**입니다. - 기존 주주가 매각하는 주식은 **24,464,423주**입니다. - 기존 주주들은 초과 배정 수요에 대응하기 위해 추가로 **5,540,561주**를 매각할 수 있는 30일 옵션을 인수단에 부여할 예정입니다. - 기존 주주가 매각하는 주식에서 발생하는 대금은 Figma에 귀속되지 않습니다. - 따라서 전체 공모 규모와 회사가 실제로 조달하는 자금은 회사 발행분과 기존 주주 매각분을 구분해 살펴봐야 합니다. ## IPO 주관사 - 공동 대표 주관사는 다음과 같습니다. - Morgan Stanley - Goldman Sachs & Co. LLC - Allen & Company LLC - J.P. Morgan - 장부 작성 주관사는 BofA Securities, Wells Fargo Securities, RBC Capital Markets입니다. - William Blair와 Wolfe | Nomura Alliance는 공동 부관리자로 참여합니다. ## SEC 등록 및 투자 유의사항 - Figma는 미국 증권거래위원회(SEC)에 수정된 **Form S-1 등록신고서**를 제출했습니다. - 등록신고서는 아직 효력이 발생하지 않았으므로, 현재 시점에는 주식을 판매하거나 매수 제안을 받을 수 없습니다. - 실제 공모는 최종 투자설명서를 통해서만 진행됩니다. - 공모 가격과 주식 수량은 시장 상황 및 SEC 심사 결과에 따라 변경될 수 있습니다. ## Figma의 사업 설명 - Figma는 2012년 설립된 협업형 디자인·제품 개발 플랫폼입니다. - 초기 디자인 도구에서 출발해 현재는 아이디어 구상, 디자인, 개발, 출시를 연결하는 플랫폼으로 확장했습니다. - 회사는 AI 기능을 포함한 플랫폼을 통해 제품 개발 과정의 협업 효율성을 높이는 것을 목표로 합니다. 이번 발표는 Figma가 IPO 절차를 본격적으로 진행하면서 시장 수요를 반영해 가격 범위를 높였다는 의미가 있습니다. 다만 투자 판단 시에는 예비 공모가와 실제 확정 공모가, 회사 발행 주식과 기존 주주 매각 주식의 비중, SEC 등록신고서의 최종 내용을 별도로 확인해야 합니다.

원문 읽기(새 탭에서 열림)

AIFigmacollaborationproduct-development+1

google·2025년 7월 21일원문

LSM-2: 불 (새 탭에서 열림)

Google Research는 실제 환경의 웨어러블 센서 데이터에서 빈번하게 발생하는 데이터 공백(missingness) 문제를 해결하기 위해 LSM-2(Large Sensor Model-2)를 공개했습니다. 이 모델은 데이터가 불완전하더라도 이를 억지로 채우거나 삭제하지 않고, '적응형 상속 마스킹(AIM)' 기법을 통해 데이터의 결손 자체를 자연스러운 특징으로 학습합니다. 그 결과, LSM-2는 대규모 데이터셋을 바탕으로 분류, 회귀, 생성 등 다양한 건강 관련 태스크에서 기존의 보간(imputation) 방식보다 뛰어난 성능과 견고함을 입증했습니다. **웨어러블 데이터의 결손 문제와 한계** * 충전, 기기 미착용, 움직임에 의한 노이즈, 배터리 절약 모드 등으로 인해 실제 웨어러블 센서 데이터에는 필연적으로 공백이 발생합니다. * 연구팀이 분석한 160만 개의 일일 데이터 창 중에서 결손율이 0%인 샘플은 단 하나도 없었을 정도로 데이터의 불완전성은 보편적인 문제입니다. * 기존의 자가 지도 학습(SSL)은 완벽한 데이터를 가정하며, 결손이 있을 경우 데이터를 임의로 채우는 보간법을 쓰거나 불완전한 샘플을 삭제해 버리는데, 이는 데이터 편향을 초래하거나 귀중한 정보를 손실하는 결과를 낳습니다. **AIM(Adaptive and Inherited Masking) 프레임워크** * AIM은 결손된 데이터를 오류로 처리하는 대신, 이를 데이터의 고유한 속성으로 간주하고 직접 학습하는 새로운 자가 지도 학습 방식입니다. * 마스킹 방식은 데이터에 원래 존재하는 공백인 '상속된 마스크(Inherited Mask)'와 학습을 위해 의도적으로 가린 '인공적 마스크(Artificial Mask)'를 결합하여 구성됩니다. * **토큰 드롭아웃(Token Drop-out):** 계산 효율성을 위해 고정된 비율의 마스킹된 토큰을 인코더 처리 과정에서 제외합니다. * **어텐션 마스킹(Attention Masking):** 고정된 비율을 초과하여 발생하는 가변적인 데이터 공백은 트랜스포머 블록 내에서 어텐션 마스킹을 통해 유연하게 처리합니다. **LSM-2의 학습 및 성능 지표** * 약 6만 명 이상의 참가자로부터 수집한 4,000만 시간 분량의 익명화된 웨어러블 데이터(Fitbit 및 Pixel Watch)를 사용하여 LSM-2를 사전 학습했습니다. * LSM-2는 심박수 신호, 수면 패턴, 활동량 등 다중 모드(multimodal) 데이터를 통합적으로 이해하며, 이전 모델인 LSM-1보다 향상된 성능을 보여줍니다. * 특히 센서가 일시적으로 작동하지 않거나 특정 시간대 데이터가 통째로 누락된 상황에서도, 보간법을 사용한 모델들에 비해 성능 저하가 훨씬 적고 견고한 예측력을 유지합니다. **실용적인 결론 및 추천** 현실 세계의 웨어러블 기기 데이터를 다루는 개발자나 연구자라면, 불완전한 데이터를 정제하거나 채우는 데 리소스를 쏟기보다 LSM-2와 같이 결손 자체를 학습 프로세스에 통합하는 접근법을 고려해야 합니다. AIM 기법은 데이터의 가변적인 파편화를 자연스럽게 수용하므로, 고혈압 예측과 같은 실제 임상적 다운스트림 태스크에서 더욱 정확하고 일반화된 결과를 도출하는 데 효과적입니다.

AItransformerfoundation-modelswearable-technology+3

figma·2025년 7월 20일·2분 읽기큐레이션 요약

Figma IPO 추진을 위한 로드

Figma가 클래스 A 보통주 IPO를 위한 로드쇼를 시작한다고 발표했다. 회사는 1,247만 주를 직접 발행하고, 기존 주주들은 2,464만 주를 매각할 예정이며 공모 희망가는 주당 25~28달러다. 뉴욕증권거래소에 `FIG`라는 종목명으로 상장 신청했지만, SEC 등록신고서가 아직 효력을 발휘하지 않아 실제 매각은 승인 이후 가능하다. ## IPO 공모 구조 - Figma가 신규 발행하는 주식: **12,472,657주** - 기존 주주가 매각하는 주식: **24,646,423주** - 초기 공모 물량은 총 **37,119,080주** - 기존 주주 매각분에 대해서는 Figma가 대금을 받지 않는다. - 인수단은 초과배정 물량을 충당하기 위해 최대 **5,540,561주**를 추가 매입할 수 있는 30일 옵션을 부여받는다. ## 공모 가격과 상장 계획 - 공모 희망 가격: **주당 25~28달러** - 상장 예정 거래소: **뉴욕증권거래소(NYSE)** - 예정 티커: **FIG** - 희망 가격 기준 Figma가 신규 주식 발행으로 조달할 수 있는 금액은 대략 **3억 1,200만~3억 5,000만 달러** 수준이다. 이는 수수료와 할인 등을 반영하기 전의 단순 추산이다. ## IPO 주관사 - 공동 대표 주관사: - Morgan Stanley - Goldman Sachs - Allen & Company - J.P. Morgan - 대표 주관사: - BofA Securities - Wells Fargo Securities - RBC Capital Markets - 공동 주관사: - William Blair - Wolfe | Nomura Alliance ## SEC 등록과 법적 유의사항 - Figma는 해당 증권에 대한 등록신고서를 SEC에 제출했다. - 그러나 발표 시점에는 등록신고서가 아직 효력을 갖지 않았다. - 따라서 효력 발생 전에는 주식을 판매하거나 매수 제안을 받을 수 없다. - 이번 발표문 자체는 주식 매수 제안이나 매도 권유를 의미하지 않으며, 실제 공모는 최종 투자설명서를 통해 진행된다. ## Figma의 사업 정체성 - 2012년 설립된 Figma는 초기 디자인 도구에서 출발했다. - 현재는 아이디어 구상, 디자인, 개발, 출시를 연결하는 협업 플랫폼으로 확장했다. - AI 기능을 포함한 연결형 플랫폼을 통해 제품 개발 과정 전반의 협업과 효율성을 높이는 것을 목표로 한다. Figma의 IPO는 회사가 비상장 기업에서 공개 기업으로 전환하는 공식적인 단계에 들어섰다는 의미다. 다만 실제 투자 판단을 위해서는 SEC 최종 투자설명서에서 공모 후 지분 구조, 재무 실적, 위험 요인, 주식 희석 및 자금 사용 계획을 확인해야 한다.

원문 읽기(새 탭에서 열림)

AIFigma디자인 시스템프로토타이핑+2

figma·2025년 7월 20일·3분 읽기큐레이션 요약

마이크 크리거와 루이스

2025년 7월 21일, Figma는 Anthropic의 CPO 마이크 크리거와 Duolingo의 공동창업자 겸 CEO 루이스 폰 안을 이사회에 영입했다고 발표했습니다. 두 인물은 대규모 제품 성장, 사용자 중심 디자인, AI 및 교육 서비스 분야에서 풍부한 경험을 갖추고 있습니다. Figma는 이들의 제품 전략과 디자인 전문성이 디자인·개발·AI 플랫폼으로 확장하는 데 도움이 될 것으로 기대합니다. ## 마이크 크리거의 합류 - Anthropic에서 최고제품책임자(CPO)로서 제품 엔지니어링, 제품 관리, 제품 디자인을 총괄합니다. - 2010년 Instagram을 공동창업했으며 CTO로 재직했습니다. - Instagram의 인프라를 수백만 명 규모에서 월간 활성 사용자 10억 명 이상을 지원하는 수준으로 확장했습니다. - 개인화 뉴스 앱 Artifact를 공동창업하고 개발했으며, 이후 Yahoo에 인수되었습니다. - Figma CEO 딜런 필드는 크리거를 큰 비전과 세밀한 제품 완성도를 동시에 갖춘 제품 리더로 평가했습니다. - 크리거는 Figma의 초기 엔젤 투자자이기도 하며, 디자인·제품·AI의 미래에 대한 관점을 이사회에 제공할 예정입니다. ## 루이스 폰 안의 합류 - 2011년 Duolingo를 공동창업했으며 현재 CEO로 서비스를 이끌고 있습니다. - Duolingo는 월간 활성 사용자 1억 명 이상을 보유하고 40개 이상의 언어 학습 과정을 제공합니다. - 게임처럼 재미있고 접근하기 쉬운 디자인을 통해 교육 서비스의 사용자 경험을 차별화했습니다. - CAPTCHA와 reCAPTCHA를 공동개발해 인터넷 보안을 위한 대중 참여형 시스템을 만든 경력도 있습니다. - Figma는 루이스 폰 안이 디자인팀과 긴밀히 협업하고, 컴퓨터 과학 배경에도 불구하고 디자인을 적극적으로 옹호한다고 설명했습니다. - Duolingo는 Figma의 고객으로서 디자인과 제품 완성도 측면에서 Figma에도 영향을 준 사례로 소개되었습니다. ## Figma 이사회의 방향 - 기존 이사회에는 Figma CEO 딜런 필드와 Kleiner Perkins, Greylock, Sequoia, Index Ventures 등의 투자자들이 포함되어 있습니다. - ServiceNow CEO 빌 맥더멋도 2025년 7월 이사회에 합류했습니다. - 이번 인선은 Figma가 단순한 디자인 도구를 넘어 제품 기획부터 개발·출시까지 지원하는 플랫폼으로 확장하려는 방향과 맞닿아 있습니다. - 특히 다음 분야의 전문성이 강화될 것으로 보입니다. - 대규모 글로벌 제품 운영 - AI 기반 제품 개발 - 사용자 중심 디자인 - 디자인과 엔지니어링의 협업 - 교육·소비자 서비스의 높은 사용자 참여도 ## Figma가 제시한 성장 전략 - Figma는 2012년 설립 이후 디자인 도구에서 협업 중심의 AI 플랫폼으로 발전해 왔습니다. - 아이디어 구상, 디자인, 개발, 출시 전 과정을 하나의 연결된 환경에서 지원하는 것을 목표로 합니다. - 새 이사진의 경험은 대규모 사용자 기반 확장과 AI 제품 전략, 디자인 중심 조직 운영에 활용될 수 있습니다. 이번 인선은 Figma가 제품 디자인을 넘어 AI와 전체 디지털 제품 개발 과정으로 사업을 넓히는 과정에서, 글로벌 제품 리더들의 경험을 적극 활용하려는 움직임으로 해석할 수 있습니다.

원문 읽기(새 탭에서 열림)

AIFigma프로덕트 디자인anthropic+4

google·2025년 7월 16일원문

소비자용 초광대 (새 탭에서 열림)

구글 리서치는 스마트폰에 이미 탑재된 초광대역(UWB) 레이더 기술과 전이 학습(Transfer Learning)을 활용해 비접촉식으로 심박수를 측정할 수 있는 새로운 기술을 공개했습니다. 기존의 주파수 변조 연속파(FMCW) 레이더 데이터로 학습된 딥러닝 모델의 지식을 UWB 시스템에 성공적으로 이식함으로써, 별도의 추가 하드웨어 없이도 일상적인 모바일 기기에서 정밀한 건강 모니터링이 가능함을 입증했습니다. 이 기술은 호흡이나 몸의 움직임 속에서도 심장의 미세한 진동을 정확히 포착하여 개인용 헬스케어의 새로운 지평을 열 것으로 기대됩니다. **UWB 레이더를 활용한 생체 신호 감지** * UWB는 현재 스마트폰에서 주로 정밀 위치 찾기나 디지털 키 등에 사용되지만, 고유의 레이더 성능을 활용하면 심박수와 같은 활력 징후 측정이 가능합니다. * 구글은 기존 Nest Hub의 'Soli' 레이더(FMCW 방식)를 통해 축적한 방대한 데이터와 알고리즘을 UWB 환경에 적용하는 연구를 진행했습니다. * UWB는 짧은 펄스를 사용하여 거리를 측정하므로, 연속파를 사용하는 FMCW와 물리적 원리는 다르지만 딥러닝을 통해 학습된 특징(Feature)을 공유할 수 있습니다. **비접촉 측정의 한계와 시공간적 해결책** * 심박으로 인한 흉벽의 미세한 움직임은 호흡이나 일반적인 신체 움직임에 비해 매우 작아 노이즈에 묻히기 쉽습니다. * 이를 해결하기 위해 레이더의 3차원 공간 해상도를 활용하여 신체 주변에 정밀한 '측정 구역'을 설정하고 배경 노이즈를 차단합니다. * 동시에 최대 200Hz의 높은 시간 해상도로 신호를 샘플링하여 심장 박동의 빠르고 미세한 시간적 변화를 포착합니다. **딥러닝 모델 아키텍처 및 전이 학습** * 입력 데이터의 시간과 공간 축을 동시에 분석하기 위해 2D ResNet 구조를 사용하여 미세한 시공간 패턴을 추출합니다. * 이후 평균 풀링(Average Pooling)을 거쳐 공간 차원을 축소하고, 1D ResNet을 통해 시간적 차원에서 심박의 주기적 패턴을 식별합니다. * FMCW 데이터셋(980시간 분량)으로 사전 학습된 이 모델은 평균 절대 오차(MAE) 0.85 bpm을 기록하며 기존 기술 대비 오차율을 절반 수준으로 줄였습니다. * 상대적으로 적은 분량(37.3시간)의 UWB 데이터셋에서도 전이 학습을 통해 스마트폰을 책상이나 무릎에 두는 실제 환경에서 높은 정확도를 보여주었습니다. 이 연구는 추가적인 센서 부착 없이도 우리가 매일 사용하는 스마트폰만으로 고정밀 생체 신호 모니터링이 가능하다는 점을 시사합니다. 향후 웨어러블 기기의 불편함 없이 수면 중이나 명상 시, 혹은 일상적인 스마트폰 사용 중에도 실시간 건강 관리가 가능해지는 기술적 토대가 될 것입니다.

AI머신러닝딥러닝transfer-learning+5

line·2025년 7월 16일원문

LY의 테크 컨퍼런스, 'Tech-Verse 2025' 후기 (새 탭에서 열림)

LY Corporation(이하 LY)은 기술 컨퍼런스 'Tech-Verse 2025'를 통해 합병 이후의 플랫폼 통합 전략과 AI 기업으로의 전환 비전을 제시했습니다. LY는 자체 프라이빗 클라우드 구축을 통해 압도적인 비용 절감과 보안 강화를 실현하고, 모든 서비스에 AI 에이전트를 도입하여 사용자 경험을 혁신할 계획입니다. 특히 생성형 AI를 활용한 개발 프로세스의 전면적인 진화로 엔지니어가 서비스 본질에 집중할 수 있는 환경을 구축하는 것이 핵심입니다. **CatalystOne: 고효율 통합 플랫폼 구축** * **자체 클라우드 기반의 비용 최적화**: 퍼블릭 클라우드 대비 약 4배의 비용 절감 효과를 거두고 있으며, 50만 대의 서버와 3Tbps에 달하는 대규모 트래픽을 효율적으로 관리하고 있습니다. * **플랫폼 통합(CatalystOne)**: 합병 후 중복된 인프라를 'CatalystOne'이라는 이름 아래 통합하여 기술, 엔지니어, 시설 등 핵심 자원의 운영 집중도를 높였습니다. * **보안 및 혁신 가속화**: 통합된 플랫폼을 통해 거버넌스를 강화하고, 폭발적인 데이터 성장과 생성형 AI 수요에 기민하게 대응할 수 있는 차세대 프라이빗 클라우드 'Flava'를 구축했습니다. **전 서비스의 AI 에이전트화와 개발 혁신** * **퍼스널 에이전트 구현**: 현재 44개 서비스에 생성형 AI를 도입했으며, 수천만 개의 에이전트를 연계하여 개별 사용자의 니즈를 정교하게 지원하는 것을 목표로 합니다. * **AI 기반 개발 솔루션 도입**: 2025년 7월부터 모든 엔지니어에게 AI 개발 솔루션을 전면 도입하며, RAG(검색 증강 생성) 기술로 사내 지식을 활용해 코드 품질을 높입니다. * **생산성 지표의 획기적 개선**: PoC 결과 'Code Assist'는 96%의 정답률을 기록했고, 'Auto Test' 도입으로 테스트 시간을 97% 단축하는 등 압도적인 개발 효율성 향상을 확인했습니다. **실용적인 결론** LY의 전략은 대규모 인프라를 운영하는 기업이 단순히 AI를 도입하는 것에 그치지 않고, 인프라 통합을 통한 비용 효율화와 AI를 활용한 개발 문화 혁신이 병행되어야 함을 보여줍니다. 특히 엔지니어링 환경에 AI를 적극적으로 이식하여 확보한 리소스를 사용자 가치 증대에 재투자하는 선순환 구조는 기술 기업들이 참고할 만한 모델입니다.

AIAI 에이전트생성형 AIRAG+4

figma·2025년 7월 14일원문

개발 리더들이 디자인 (새 탭에서 열림)

최근 개발 리더들 사이에서 디자인은 단순한 시각적 요소를 넘어 제품의 성공과 비즈니스 성과를 결정짓는 핵심 전략으로 자리 잡고 있습니다. IDC의 연구에 따르면 디자인을 매우 중요하게 여기는 리더는 프로젝트 목표를 초과 달성할 확률이 5배나 높으며, 디자인과 개발의 긴밀한 협업이 시장 출시 속도를 높이는 결정적인 요인으로 작용하고 있습니다. 특히 AI 기술이 발전함에 따라 AI가 생성한 결과물을 사용자 중심의 완성도 높은 제품으로 다듬기 위한 디자인 전문성의 가치는 더욱 커지고 있습니다. ## 디자인의 비즈니스 가치와 전략적 중요성 현대 소프트웨어 개발 환경에서 디자인은 고객 유치와 유지를 위한 핵심적인 차별화 요소로 인식되고 있습니다. * 조사 대상 개발 리더의 75%가 디자인을 소프트웨어 개발에서 "매우 중요"하거나 "극도로 중요"한 요소로 꼽았습니다. * 디자인에 집중했을 때 얻을 수 있는 주요 비즈니스 이점으로는 고객 유지율 향상, 고객 참여도 증가, 제품 혁신 가속화가 언급되었습니다. * 디자인을 우선순위에 둔 조직은 그렇지 않은 조직보다 프로젝트 기대치를 훨씬 상회하는 성과를 낼 확률이 500% 더 높게 나타났습니다. ## 개발자와 디자이너의 협업을 통한 제품 품질 향상 기존의 분리된 작업 방식에서 벗어나 프로젝트 초기 단계부터 디자인과 개발이 협력하는 구조가 제품의 출시 속도와 품질을 동시에 개선하고 있습니다. * 개발 리더의 54%는 디자인 협업 강화가 혁신 증가로 이어졌다고 답했으며, 43%는 시장 출시 기간(Time to Market)이 단축되었다고 보고했습니다. * 초기 단계부터 범위를 조율하고 실시간으로 피드백을 주고받는 과정은 재작업을 줄이고 팀의 사기를 높이는 효과를 가져옵니다. * 성공적인 협업은 단순한 업무 전달이 아닌 '동기화된 조화'나 '기초부터 탄탄히 쌓아 올리는 구조물'과 같이 긴밀한 파트너십의 형태로 진화하고 있습니다. ## AI 제품의 완성도를 결정짓는 디자인 전문성 AI가 개발 생산성을 높여주는 도구로 부상하면서, 역설적으로 AI의 결과물을 정교하게 다듬는 디자인 기술의 중요성이 더욱 강조되고 있습니다. * 개발 리더의 80%는 2년 전보다 AI 기반 제품의 성공에 디자인이 더 중요한 역할을 하게 되었다고 평가했습니다. * AI가 생성한 초안은 사용성, 브랜드 일관성, 품질 관리 측면에서 인간 디자이너의 세밀한 검토와 조정이 필수적입니다. * AI를 최종 결과물이 아닌 '시작점'으로 활용할 때 최고의 성과가 나오며, 디자인 전문 지식은 AI의 잠재력을 사용자 가치로 변환하는 핵심 매개체가 됩니다. ## 성공적인 제품 개발을 위한 제언 경쟁이 치열한 시장에서 앞서나가기 위해 개발 조직은 디자인을 전략적 우선순위로 삼고 다음과 같은 실천 방향을 고려해야 합니다. * **디자인의 전략적 자산화:** 디자인을 단순한 미적 단계가 아닌 고객 만족과 비즈니스 지표를 견인하는 전략적 투자처로 인식해야 합니다. * **교차 기능적 협업 문화 구축:** 디자이너와 개발자가 사일로(Silo)를 허물고 초기 기획 단계부터 함께 의사결정을 내릴 수 있는 환경을 조성해야 합니다. * **AI 프로세스 내 인간의 개입:** AI 도구를 도입하되, 최종적인 사용자 경험과 품질 보증을 위해 디자인 전문가의 통찰력을 적극적으로 활용해야 합니다.

AI사용자 경험product-developmentsoftware-engineering+3

google·2025년 7월 9일원문

관계형 데이터를 위한 그래프 파운데이션 모델 (새 탭에서 열림)

구글 리서치는 관계형 데이터베이스의 테이블 간 연결 구조를 그래프로 변환하여 처리하는 '그래프 파운데이션 모델(Graph Foundation Models, GFM)'을 제안합니다. 이 모델은 기존의 테이블 기반 머신러닝이나 특정 그래프에 고착된 기존 GNN과 달리, 학습되지 않은 새로운 도메인의 테이블 구조와 기능, 작업에도 추가 학습 없이 일반화할 수 있는 성능을 보여줍니다. 데이터 간의 상호작용과 연결성을 학습함으로써 대규모 관계형 데이터를 보다 정교하게 예측하고 분석할 수 있는 것이 핵심입니다. **관계형 데이터의 그래프 구조화** * 수많은 테이블로 구성된 복잡한 관계형 데이터를 하나의 이종 그래프(Heterogeneous Graph)로 통합하여 데이터 간의 연결성을 보존합니다. * 각 테이블은 고유한 노드 유형이 되고, 테이블의 각 행(Row)은 개별 노드가 되며, 외래 키(Foreign Key) 관계는 노드 사이의 유형화된 엣지(Edge)로 변환됩니다. * 수치형이나 범주형 데이터가 포함된 나머지 열(Column)들은 노드의 특성(Feature)으로 처리되며, 시간 정보 또한 노드나 엣지의 특성으로 반영할 수 있습니다. * 이러한 변환 과정을 통해 단순한 테이블 단위 분석에서는 놓치기 쉬운 행 간의 유기적인 연결 구조를 모델이 학습할 수 있게 됩니다. **범용성을 갖춘 그래프 파운데이션 모델 설계** * 언어 모델의 트랜스포머와 유사하게, 그래프 데이터에서도 도메인에 구애받지 않고 전이 가능한 표현력을 학습하는 고용량 신경망 구조를 채택했습니다. * 그래프 데이터에는 텍스트의 토큰이나 이미지의 패치와 같은 공통된 단위가 없으므로, 임의의 데이터베이스 스키마와 노드/엣지 유형을 처리할 수 있는 전이 가능한 인코딩 방식을 도입했습니다. * 특정 데이터 분포에 고정된 임베딩 테이블을 사용하는 대신, 다양한 작업에서 기능들이 서로 상호작용하는 방식을 캡처함으로써 학습하지 않은 새로운 그래프(예: 인용 그래프에서 학습 후 제품 그래프로 추론)에서도 작동하는 일반화 성능을 확보했습니다. **구글 규모의 실전 적용 및 성능** * JAX 환경과 대규모 TPU 인프라를 활용해 수십억 개의 노드와 엣지를 포함하는 거대 그래프를 효율적으로 처리할 수 있도록 설계되었습니다. * 광고 스팸 탐지와 같이 수십 개의 테이블이 얽혀 있는 구글 내부의 실제 대규모 분류 작업에 적용하여 그 실효성을 검증했습니다. * 기존의 테이블 머신러닝 베이스라인 모델들이 행 간의 연결 관계를 고려하지 못하는 한계를 극복하고, 복잡한 관계형 데이터에서 뛰어난 예측 성능을 입증했습니다. 기업 내부에 산재한 수많은 관계형 테이블을 개별적으로 모델링하는 대신, 이를 하나의 거대한 그래프 생태계로 통합하여 바라보는 접근이 필요합니다. GFM은 데이터 스키마가 변경되거나 새로운 도메인이 추가되어도 다시 처음부터 모델을 학습시킬 필요가 없으므로, 대규모 데이터 인프라를 운영하는 환경에서 유연하고 강력한 분석 도구가 될 것입니다.

AItransformerjaxgraph-learning+5