AI

331 개의 포스트

figma2분 읽기큐레이션 요약

피그마, IPO 추진을

Figma는 미국 증권거래위원회(SEC)에 기업공개(IPO)를 위한 S-1 등록신고서를 공개 제출했다고 발표했다. Class A 보통주는 뉴욕증권거래소에 “FIG”라는 종목代码로 상장 신청했지만, 공모 주식 수와 가격 범위는 아직 정해지지 않았다. 따라서 이번 발표는 IPO 절차의 공식적인 진전을 의미하지만, 실제 상장 여부와 시점·조건은 시장 상황과 SEC 심사에 따라 달라질 수 있다. ## S-1 등록신고서 공개와 IPO 추진 - Figma는 2025년 4월 SEC에 비공개 초안 S-1을 제출한 뒤, 이를 공개 등록신고서로 전환했다. - S-1은 미국 기업이 IPO를 추진할 때 사업 내용, 재무 정보, 위험 요소 등을 SEC에 제출하는 문서다. - Figma는 Class A 보통주를 발행하고 뉴욕증권거래소 상장을 신청했다. - 예상 종목 코드는 **FIG**다. ## 아직 정해지지 않은 공모 조건 - 공모할 주식 수는 발표 시점에 결정되지 않았다. - 주당 공모 가격 범위 역시 공개되지 않았다. - IPO의 규모와 조건은 시장 상황에 따라 변경될 수 있다. - SEC 등록신고서가 효력을 발휘하기 전에는 해당 증권을 판매하거나 매수 청약을 받을 수 없다. - 따라서 이번 발표만으로 실제 상장 일정이나 기업가치를 확정할 수는 없다. ## IPO 주관사 구성 - 공동 대표 주관사: - Morgan Stanley - Goldman Sachs & Co. LLC - Allen & Company LLC - J.P. Morgan - 공동 주관사: - BofA Securities - Wells Fargo Securities - RBC Capital Markets - 공동 관리사: - William Blair - Wolfe | Nomura Alliance 이들 금융기관은 공모 구조 설계, 투자자 수요 조사, 주식 배정과 판매 등 IPO 진행을 지원한다. ## Figma의 사업 정체성 - Figma는 2012년 설립된 협업 중심의 디자인 플랫폼이다. - 초기에는 디자인 도구로 출발했지만, 현재는 아이디어 구상부터 디자인·개발·출시까지 지원하는 제품 개발 플랫폼으로 확장했다. - 회사는 자사 플랫폼을 다음과 같이 설명한다. - 팀 단위의 실시간 협업 - 디지털 제품 및 사용자 경험 설계 - 디자인과 제품 개발 과정의 연결 - AI 기반 기능을 포함한 통합 작업 환경 - 즉, Figma는 단순한 UI 디자인 도구에서 제품 개발 전반을 지원하는 연결형 플랫폼으로의 전환을 강조하고 있다. ## 발표의 법적 의미 - 이번 발표는 주식 매도 제안이나 매수 권유가 아니다. - 실제 공모는 SEC 등록신고서가 효력을 얻은 뒤에만 진행될 수 있다. - 각 주와 관할 지역의 증권법에 따른 등록 또는 자격 요건도 충족해야 한다. - IPO가 언제 완료될지, 실제로 완료될지, 공모 규모와 조건이 어떻게 정해질지는 보장되지 않는다. Figma의 이번 발표는 IPO를 위한 공식 절차가 공개 단계로 진입했다는 의미가 있다. 다만 투자자는 이후 공개될 S-1의 재무 실적, 성장률, 수익성, 주식 보상 비용, 위험 요인과 최종 공모 가격을 확인한 뒤 상장 전망을 판단해야 한다.

원문 읽기(새 탭에서 열림)
figma2분 읽기큐레이션 요약

빌 맥더멋, Figma 이사회

Figma는 ServiceNow의 회장 겸 CEO인 빌 맥더모트를 이사회에 영입했다. 대기업 대상 사업 확장과 글로벌 생태계 구축 경험을 바탕으로, Figma의 지속적인 성장과 엔터프라이즈 전략을 지원할 인물로 평가했다. Figma는 디자인 도구를 넘어 아이디어부터 제품 출시까지 지원하는 협업·AI 플랫폼으로 확장하고 있다. ## 빌 맥더모트의 이사회 합류 - 2025년 7월 1일, ServiceNow의 회장 겸 CEO 빌 맥더모트가 Figma 이사회에 합류했다. - Figma 공동창업자 겸 CEO 딜런 필드는 맥더모트의 다음 역량을 높이 평가했다. - 대규모 기업 운영 경험 - 대기업 대상 영업 및 사업 확장 능력 - 글로벌 비즈니스 생태계 구축 경험 - 겸손함과 진정성, 실무적 통찰력 - 맥더모트는 17세에 델리 매장을 운영한 뒤 Xerox 영업을 거쳐 SAP와 ServiceNow의 CEO를 맡은 경력을 갖고 있다. ## SAP와 ServiceNow에서의 성장 성과 - 맥더모트는 ServiceNow를 기업 혁신을 위한 AI 플랫폼으로 성장시키는 데 기여했다. - SAP CEO 재임 기간에는 글로벌 비즈니스 생태계를 확장했다. - 그의 리더십 아래 SAP와 ServiceNow의 시가총액은 각각 재임 기간 동안 3배 이상 증가했다. - 두 회사 모두 Figma의 고객사이기도 하므로, 엔터프라이즈 고객 관점과 Figma 활용 경험을 이사회에 제공할 수 있다. ## Figma 이사회 구성 - Dylan Field — Figma 공동창업자 겸 CEO, 이사회 의장 - Mamoon Hamid — Kleiner Perkins 매니징 멤버 - Kelly Kramer — 전 Cisco 부사장 겸 CFO - John Lilly — Greylock 제너럴 파트너, 전 Mozilla CEO - Andrew Reed — Sequoia 파트너 - Danny Rimer — Index Ventures 파트너 - Lynn Vojvodich Radakovich — 전 Salesforce 부사장 겸 CMO - 빌 맥더모트의 합류로 기술 기업 운영, 투자, 마케팅, 재무 및 글로벌 엔터프라이즈 전략에 걸친 이사회 역량이 강화됐다. ## 디자인 도구에서 AI 기반 제품 개발 플랫폼으로 - Figma는 2012년 설립된 이후 단순한 디자인 도구에서 협업형 제품 개발 플랫폼으로 발전했다. - 현재는 다음과 같은 전체 과정을 지원하는 것을 목표로 한다. - 아이디어 구상 - 디자인 - 개발 - 제품 출시 - AI 기능과 협업 기능을 결합해 디자이너와 개발자 등 여러 팀이 같은 맥락과 정보를 공유하도록 돕는다. - 이번 이사회 영입은 Figma가 특히 대기업 시장과 글로벌 사업 확장을 더욱 강화하려는 방향과 맞닿아 있다. 맥더모트의 합류는 Figma가 엔터프라이즈 고객 확대와 AI 기반 플랫폼 전환을 추진하는 과정에서 대규모 기술 기업을 성장시킨 경험을 활용하려는 전략으로 볼 수 있다. 기업 고객 대상 사업을 확장하려는 조직이라면, 그의 SAP·ServiceNow 성장 사례와 Figma의 제품 개발 협업 전략을 함께 참고할 만하다.

원문 읽기(새 탭에서 열림)
google원문

구글 지도에 HO (새 탭에서 열림)

구글 맵은 전용 차로(HOV)를 이용하는 운전자들에게 더욱 정확한 도착 예정 시간(ETA)과 최적의 경로를 제공하기 위해 새로운 비지도 학습 기반의 분류 시스템을 도입했습니다. 이 시스템은 속도 분포와 GPS 횡방향 거리 데이터를 분석하여 익명화된 교통 흐름 속에서 HOV 사용자를 정교하게 식별해냅니다. 이를 통해 사용자는 카풀 차로 이용 시의 시간 절약 효과를 미리 확인하고 보다 지속 가능한 이동 결정을 내릴 수 있게 되었습니다. **HOV 트립 분류를 위한 비지도 학습 접근법** * HOV 차로 이용 여부에 대한 별도의 레이블이 없는 상태에서 데이터를 처리하기 위해, 레이블이 필요 없는 비지도 학습(Unsupervised Learning) 방식을 채택했습니다. * 전체 경로를 한꺼번에 분석하는 대신, HOV 차로가 존재하는 개별 도로 세그먼트(Segment) 단위로 약 15분 분량의 짧은 시간 윈도우를 설정하여 데이터를 분류합니다. * 각 세그먼트에서 수집된 익명화된 트립 포인트(속도, 관측 시간, 도로 중앙으로부터의 거리 등)를 종합하여 해당 트립이 HOV 차로를 이용했는지 여부를 판단합니다. **속도 분포와 이봉성(Bimodal) 패턴 분석** * 교통량이 많은 혼잡 시간대에는 일반 차로와 HOV 차로 간의 속도 차이가 뚜렷하게 나타나며, 이때 속도 데이터는 두 개의 정점을 가진 '이봉성 분포'를 보입니다. * 시애틀 I-5 고속도로의 사례처럼 HOV 차로가 일반 차로보다 시속 40마일 이상 빠른 경우(Scenario A)는 물론, 속도 차이가 크지 않은 경우(Scenario B)에도 데이터 패턴을 분석하여 트립을 구분합니다. * 이러한 속도 차이 분석은 과거의 교통 트렌드를 파악하고, 미래의 HOV 전용 ETA를 예측하는 모델을 학습시키는 핵심 지표가 됩니다. **GPS 횡방향 거리 측정과 소프트 클러스터링** * GPS의 내재적인 오차를 보정하기 위해 속도 정보와 함께 '도로 중앙으로부터의 횡방향 거리(Lateral Distance)' 데이터를 결합하여 사용합니다. * 차량이 도로의 왼쪽(일반적인 HOV 차로 위치)에 치우쳐 운행하는지 측정함으로써, 속도가 비슷한 상황에서도 차로 위치에 따른 분류 정확도를 높였습니다. * 데이터를 이분법적으로 나누는 대신 각 포인트가 HOV 클러스터에 속할 확률을 계산하는 '소프트 클러스터링(Soft Clustering)' 기법을 적용해 경계선에 있는 데이터를 정교하게 처리합니다. * 통계적 신뢰성을 확보하기 위해 시간적 요소를 고려한 가중 중앙값(Weighted Median) 방식을 사용하며, 최근 데이터에 더 높은 비중을 두어 실시간 교통 변화를 반영합니다. 이와 같은 기술적 개선을 통해 구글 맵 사용자는 HOV 차로 이용 시의 시간 이득을 명확히 인지하고 경로를 선택할 수 있습니다. 이는 개인의 출퇴근 시간을 단축할 뿐만 아니라, 카풀과 같은 지속 가능한 교통 수단 이용을 장려하여 전체적인 교통 혼잡과 탄소 배출을 줄이는 데 실질적인 도움을 줍니다.

google원문

REGEN: 자연어를 통한 개인 (새 탭에서 열림)

Google Research는 추천 시스템이 단순히 다음 아이템을 예측하는 것을 넘어, 자연어로 사용자와 상호작용하고 추천 이유를 설명할 수 있도록 돕는 새로운 벤치마크 데이터셋 'REGEN(Reviews Enhanced with GEnerative Narratives)'을 공개했습니다. 이 데이터셋은 아마존 상품 리뷰 데이터를 기반으로 Gemini 1.5 Flash를 활용해 합성된 사용자 비평과 개인화된 내러티브를 추가하여 구축되었습니다. 연구 결과, LLM 기반의 모델은 자연어 피드백을 통해 추천의 정확도를 높이는 동시에 사용자 맞춤형 설명을 효과적으로 생성할 수 있음을 입증했습니다. ## REGEN 데이터셋의 구성과 특징 * **기존 데이터의 확장:** 널리 사용되는 아마존 상품 리뷰 데이터셋을 기반으로 하되, 대화형 추천 시스템에 필요한 요소들을 Gemini 1.5 Flash로 합성하여 보완했습니다. * **사용자 비평(Critiques):** "더 많은 저장 용량이 필요해"와 같이 사용자가 현재 추천된 아이템을 수정하거나 선호도를 구체화하는 자연어 피드백 데이터를 포함합니다. * **맥락적 내러티브(Narratives):** 단순한 아이템 노출이 아니라, 구매 이유(Purchase reasons), 제품 홍보(Product endorsements), 사용자 선호도 요약 등을 포함하여 추천의 근거를 풍부하게 제공합니다. ## 추천과 생성을 위한 모델 아키텍처 * **하이브리드 방식 (FLARE + Gemma):** 협업 필터링 기반의 순차적 추천 모델인 FLARE가 아이템을 예측하면, 경량 LLM인 Gemma 2B가 해당 아이템에 대한 설명을 생성하는 이원화된 구조를 테스트했습니다. * **통합 모델 (LUMEN):** 단일 LLM이 비평 이해, 아이템 추천, 내러티브 생성을 모두 수행하는 모델입니다. 어휘집과 임베딩 레이어를 수정하여 아이템 ID와 텍스트 토큰을 하나의 생성 과정에서 처리하도록 설계되었습니다. * **공동 작업 수행:** 모델은 사용자의 과거 이력과 자연어 비평을 동시에 입력받아 적절한 아이템을 추천함과 동시에 그에 걸맞은 자연어 설명을 출력하는 엔드 투 엔드(End-to-End) 학습을 진행합니다. ## 실험 결과 및 성능 향상 * **비평의 효과:** 입력 데이터에 사용자의 자연어 비평을 포함했을 때 추천 성능이 일관되게 향상되었습니다. Office 도메인 데이터 기준, 상위 10개 추천 결과 내에 정답이 포함될 확률(Recall@10)이 0.124에서 0.1402로 크게 개선되었습니다. * **LLM의 다재다능함:** REGEN으로 학습된 모델들은 기존의 전문화된 추천 알고리즘에 필적하는 성능을 보이면서도, 사용자의 요구사항을 반영한 고품질의 개인화된 설명을 생성할 수 있었습니다. 추천 시스템의 미래는 단순히 상품을 나열하는 것이 아니라 사용자와 소통하며 맥락을 이해하는 방향으로 나아가고 있습니다. REGEN 데이터셋은 LLM이 추천 엔진의 핵심 역할을 수행할 수 있음을 보여주며, 개발자들은 이를 활용해 더 설명 가능하고(explainable) 대화에 능숙한 차세대 커머스 AI를 구축할 수 있을 것입니다.

figma4분 읽기큐레이션 요약

AI 시대를 위해 모든 엔지

AI 시대의 엔지니어는 코드를 빠르게 생성하는 사람을 넘어, 사용자 문제를 정의하고 더 나은 해결책을 탐색하는 사람이어야 한다. AI는 단순한 비용 절감이나 자동화 도구가 아니라, 엔지니어의 판단력·창의성·협업 능력을 확장하는 수단으로 활용해야 한다. 이를 위해 문제 탐색, 에이전트 활용, 코드 검토, 맥락 제공과 같은 새로운 업무 방식이 중요해진다. ## 자동화를 넘어 문제 해결에 AI 활용하기 - AI의 가치는 반복 작업을 줄이는 데만 있지 않고, 엔지니어가 더 높은 수준의 문제 정의와 해결에 집중하도록 돕는 데 있다. - 코드 작성 외에도 엔지니어는 다음을 판단해야 한다. - 어떤 문제를 해결할 것인가 - 사용자는 무엇을 필요로 하는가 - 어떤 방식이 가장 적절한가 - 단순하고 지루한 작업을 자동화하면 사용자 공감, 제품의 의미, 동료와의 협업처럼 자동화하기 어려운 영역에 더 많은 시간을 쓸 수 있다. - AI 시대에도 제품에 대한 이해와 세심한 구현 품질은 여전히 핵심 역량이다. ## 바이브 코딩으로 가능성 탐색하기 - 바이브 코딩은 코드를 대충 생성하는 방식이 아니라, 자연어 대화를 통해 문제 공간을 탐색하고 해결책을 실험하는 방법이다. - AI를 사용하면 기존의 한두 가지 접근법에 머무르지 않고 여러 경로를 빠르게 시도할 수 있다. - 생성된 프로토타입이나 시각적 결과물을 공유해 사용자와 동료의 피드백을 일찍 받을 수 있다. - Figma Make처럼 프롬프트로 앱과 고충실도 프로토타입을 만들면 구현에 들어가기 전에 사용자 경험을 검증할 수 있다. - AI는 사용자 경험에 대한 고민을 없애는 것이 아니라, 더 앞단에서 충분히 검토하도록 돕는다. ## 에이전트와 MCP로 더 정확한 결과 만들기 - 에이전트형 AI는 Cursor나 Copilot 같은 도구가 다른 소프트웨어와 상호작용하며 작업하도록 만든다. - MCP(Model Context Protocol)는 AI 도구와 외부 소프트웨어가 정보를 주고받는 표준이다. - Figma MCP 서버는 디자인 구조, 컴포넌트, 관련 맥락을 LLM에 전달해 디자인에 충실한 코드를 생성하도록 돕는다. - 충분한 맥락이 제공되면 다음과 같은 효과를 얻을 수 있다. - 기존 컴포넌트 라이브러리 재사용 - 디자인 시스템 준수 - 접근성 규칙 반영 - 구현 결과와 디자인 간 차이 감소 - AI의 출력 품질은 모델 자체뿐 아니라, 모델에 전달하는 도구·코드베이스·디자인 맥락의 품질에 좌우된다. ## Pull Request를 스스로 사전 점검하기 - LLM을 PR 제출 전 검토자로 활용하면 코드 리뷰 전에 문제를 발견할 수 있다. - 코드베이스를 이해하는 LLM은 다음과 같은 문제를 찾아낼 수 있다. - 이미 존재하는 구현을 다시 작성한 경우 - 중복 로직 - 프로젝트의 기존 패턴과 어긋나는 코드 - 잠재적인 누락이나 개선 지점 - AI 리뷰는 사람의 최종 검토를 대체하기보다, 리뷰 요청 전에 작성자가 코드 품질을 높이는 사전 검증 단계로 유용하다. - 결과적으로 리뷰어와 작성자의 부담을 줄이고 개발 처리량을 높일 수 있다. ## 여러 AI 에이전트를 조율하기 - 복잡한 문제를 작은 작업으로 분해하고, 각각을 여러 AI 에이전트에게 맡기는 능력이 중요해진다. - 엔지니어는 각 에이전트에 명확한 지시와 맥락을 제공해야 한다. - 작업 범위 - 관련 파일과 제약 조건 - 기대하는 출력 형식 - 프로젝트의 코딩 규칙 - 여러 에이전트가 만든 결과를 검토하고 하나의 일관된 해결책으로 통합하는 역할은 여전히 엔지니어의 몫이다. - 마크다운 지침 파일이나 프로젝트 문서를 정리해 LLM에 지속적으로 맥락을 제공하는 것도 새로운 업무 역량으로 부상한다. - 핵심은 AI에게 모든 판단을 위임하는 것이 아니라, 문제를 분해하고 결과를 조율하는 것이다. ## 기술보다 중요한 제품 감각과 협업 - AI가 코드를 빠르게 만들어도 무엇을 만들어야 하는지 결정하는 책임은 엔지니어에게 남는다. - 사용자 관점에서 문제의 의미와 우선순위를 판단해야 하며, 동료와 함께 아이디어를 발전시켜야 한다. - AI가 생성한 결과는 빠른 초안이나 탐색 도구로 활용하고, 최종 품질은 엔지니어의 검증과 제품 이해를 통해 확보해야 한다. - 앞으로의 강한 엔지니어는 코딩 능력뿐 아니라 문제 정의, 맥락 전달, 결과 평가, 협업 능력을 함께 갖춘 사람이다. AI를 도입할 때는 단순히 코드 생성량을 늘리기보다, 프로토타입 탐색과 사전 리뷰처럼 사고의 품질을 높이는 과정에 먼저 적용하는 것이 좋다. 특히 프로젝트 규칙과 디자인 시스템을 문서화하고 AI에 충분한 맥락을 제공하면 생산성과 결과의 정확도를 함께 개선할 수 있다.

원문 읽기(새 탭에서 열림)
line원문

테크 컨퍼런스 Tech-Verse 2025를 개최합니다 (새 탭에서 열림)

LY Corporation은 오는 6월 30일부터 7월 1일까지 양일간 글로벌 테크 컨퍼런스인 'Tech-Verse 2025'를 개최합니다. 이번 행사는 AI와 보안을 메인 테마로 하여 전 세계 그룹사 엔지니어들이 경험한 127개의 기술 세션을 온라인으로 공유할 예정입니다. 누구나 무료 사전 등록을 통해 참여할 수 있으며, 한국어, 영어, 일본어 실시간 통역이 제공되어 글로벌 기술 트렌드를 깊이 있게 파악할 수 있는 기회를 제공합니다. **Tech-Verse 2025 행사 개요 및 참여 방법** * **일정 및 방식**: 2025년 6월 30일(월)부터 7월 1일(화)까지 매일 오전 10시에서 오후 6시 사이에 진행되며, 전 세션 온라인 스트리밍으로 생중계됩니다. * **참여 대상**: 공식 사이트에서 사전 등록만 하면 누구나 무료로 시청할 수 있어 접근성이 높습니다. * **글로벌 협업**: 한국의 LINE Plus를 비롯해 일본, 대만, 베트남 등 LY Corporation 그룹사 전체의 엔지니어, 디자이너, 프로덕트 매니저가 참여하여 폭넓은 기술 생태계를 다룹니다. **12개 분야의 방대한 기술 세션 구성** * **일자별 트랙 구성**: 1일 차에는 AI, 보안, 서버사이드, 프라이빗 클라우드 등 인프라 중심의 세션이 배치되며, 2일 차에는 AI 유즈 케이스, 프론트엔드, 모바일 앱, 디자인 및 제품 관리 등 사용자 접점 기술을 중점적으로 다룹니다. * **다국어 지원**: 총 127개의 세션에 대해 3개 국어(한/영/일) 실시간 통역을 지원하여 언어 장벽 없이 기술적 디테일을 학습할 수 있습니다. * **핵심 테마**: 최근 IT 업계의 화두인 생성형 AI의 실무 적용과 고도화된 보안 전략이 전체 컨퍼런스의 중심축을 이룹니다. **분야별 주목해야 할 주요 기술 사례** * **AI 및 데이터 파이프라인**: 단순한 코드 작성을 넘어 전문적인 AI 코딩 프로세스로의 진화와 생성형 AI를 활용한 데이터 파이프라인 구축 및 분석 자동화 사례가 소개됩니다. * **인프라 및 서버사이드**: 'Central Dogma Control Plane'을 활용해 수천 개의 마이크로서비스를 연결하는 대규모 인프라 관리 기법과 LINE Call의 영상 품질 개선을 위한 서버 기술이 공유됩니다. * **앱 개발 및 사용자 경험**: 배달 서비스 '데마에칸(Demae-can)'의 개발 환경을 React Native에서 Flutter로 전면 교체한 과감한 이행 전략과 데이터 기반의 LINE Talk 사용자 인사이트 도출 과정이 포함되어 있습니다. **참여 권장 및 실용 가이드** 최신 기술 트렌드와 대규모 서비스 운영 노하우를 얻고 싶은 개발자라면 Tech-Verse 2025 공식 사이트를 통해 관심 있는 세션을 미리 타임테이블에 등록해 두는 것이 좋습니다. 특히 현업에서 AI 도입을 고민하거나 대규모 트래픽 처리를 위한 인프라 구조를 연구하는 엔지니어들에게 실질적인 기술적 영감을 줄 것으로 기대됩니다.

google원문

연구에서 기후 회복력 (새 탭에서 열림)

구글 리서치는 인공지능(AI) 기술을 활용해 홍수, 사이클론, 극한 기후 등 기후 위기에 대응하고 전 지구적인 기후 회복 탄력성을 강화하고 있습니다. 과거에는 불가능하다고 여겨졌던 정밀한 기상 예측 모델을 실현함으로써 수억 명의 사람들에게 실무적인 재난 정보를 제공하고 인명 및 재산 피해 예방에 기여하고 있습니다. 연구 성과를 실제 제품과 서비스로 전환하여 데이터가 부족한 취약 지역까지 보호 범위를 확장하는 것이 이 프로젝트의 핵심 결론입니다. **AI 기반 홍수 예측 시스템의 글로벌 확산** * *Nature*지에 게재된 글로벌 수문학 AI 모델을 통해 전 세계 하천 홍수를 최대 7일 전부터 정확하게 예측할 수 있는 기술을 구현했습니다. * 구글의 '플러드 허브(Flood Hub)' 플랫폼을 통해 100개국 이상의 7억 명에게 예측 정보를 제공하며, 정부와 지역사회가 사전에 대비할 수 있도록 돕습니다. * 물리적 측정기가 없는 데이터 취약 지역을 위해 AI가 과거 데이터를 분석해 생성한 '가상 게이지(Virtual gauges)' 기술을 도입하여 150개국으로 서비스 범위를 확장했습니다. * WMO(세계기상기구) 및 주요 국가 기상청과 협력하여 홍수 예측 기술의 글로벌 스케일업을 추진하며 공공 안전을 도모합니다. **사이클론 예측의 정확도 및 리드 타임 개선** * 구글 딥마인드와 협력하여 사이클론의 발생 여부, 이동 경로, 강도, 크기 등을 최대 15일 전부터 예측하며, 50가지 이상의 발생 가능한 시나리오를 생성합니다. * 최신 기상 모델 연구 결과를 전문가와 대중에게 공유하는 인터랙티브 웹사이트 '웨더 랩(Weather Lab)'을 통해 데이터 접근성을 높였습니다. * 미국 국립허리케인센터(NHC)와 파트너십을 맺고 대서양 허리케인 시즌 동안 실험적 모델을 활용하여 더 빠르고 정확한 경보 체계를 구축하고 있습니다. **나우캐스팅을 통한 실시간 국지적 기상 정보 제공** * 지상 레이더 등 전통적 인프라가 부족한 아프리카 지역을 위해 5km 해상도, 15분 간격 업데이트를 제공하는 초단기 강수 예측(Nowcasting) 기술을 구현했습니다. * 최첨단 신경망 기상 모델인 'MetNet-3'와 글로벌 위성 관측 데이터를 결합하여 인프라 격차를 극복하고 구글 검색을 통해 실시간 정보를 제공합니다. * 정밀한 단기 예측은 특히 농업 종사자들이 기상 변화에 능동적으로 대처하게 함으로써 수확량 개선과 운영 비용 절감 등 경제적 회복력을 높이는 데 기여합니다. **글로벌 협업을 통한 기술의 실효성 확보** 기상 위기는 국경을 초월하는 문제인 만큼, 구글 리서치는 학계, 정부, 비영리 단체와의 광범위한 파트너십을 강조합니다. 기술 개발에 그치지 않고 각국의 기상 당국 및 현지 과학 커뮤니티와 모델을 공유함으로써, AI 기술이 실제 현장에서 인명을 구조하고 공동체의 안전을 지키는 실질적인 도구로 활용되도록 하는 것이 중요합니다.

google원문

M-REGLE을 활용한 (새 탭에서 열림)

Google Research에서 발표한 M-REGLE(Multimodal REpresentation learning for Genetic discovery on Low-dimensional Embeddings)은 심전도(ECG)와 광혈류측정(PPG) 등 다양한 건강 데이터를 통합 분석하여 질병의 유전적 원인을 밝혀내는 인공지능 프레임워크입니다. 이 모델은 여러 데이터 스트림을 결합해 하나의 잠재적 '서명'을 학습함으로써 기존 단일 모달리티 분석보다 더 풍부한 생물학적 신호를 포착하고 데이터 노이즈를 효과적으로 줄입니다. 결과적으로 M-REGLE은 유전적 연관성 발견 효율을 극대화하고 심혈관 질환 예측 성능을 획기적으로 향상시켰습니다. ### M-REGLE의 작동 원리와 다중 모달리티 통합 * **통합 학습 구조**: 기존의 U-REGLE이 각 데이터를 개별적으로 분석한 것과 달리, M-REGLE은 12유도 ECG의 각 리드나 ECG와 PPG 데이터를 분석 전 단계에서 결합하여 공동 학습합니다. * **CVAE 및 PCA 활용**: 합성곱 변이형 오토인코더(CVAE)를 사용하여 복잡한 파형 데이터를 저차원의 잠재 인자(latent factors)로 압축하며, 이후 주성분 분석(PCA)을 적용해 각 인자 간의 독립성을 확보합니다. * **GWAS 연계**: 추출된 독립적 인자들을 전장 유전체 연관 분석(GWAS)과 결합하여, 특정 생리적 신호와 연관된 유전적 변이를 통계적으로 정밀하게 찾아냅니다. ### 데이터 표현력 및 해석 가능성 강화 * **재구성 오류 감소**: M-REGLE은 단일 모달리티 모델 대비 데이터 재구성 오류를 대폭 줄였으며, 특히 12유도 ECG 분석에서 오류를 약 72.5% 감소시켜 원본 파형의 핵심 정보를 더 정확하게 보존함을 입증했습니다. * **잠재 임베딩의 시각화**: 생성형 AI의 특성을 활용해 특정 임베딩 좌표를 변경할 때 재구성되는 파형(예: T파의 변화, 심박수 등)이 어떻게 변하는지 확인하여 모델의 판단 근거를 시각적으로 해석할 수 있습니다. * **질병 식별 지표**: 심방세동(AFib) 환자와 정상인을 구분하는 데 결정적인 역할을 하는 특정 임베딩 좌표(4번, 6번, 10번 등)를 식별하여 임상적 유용성을 더했습니다. ### 유전적 발견 성과 및 질병 예측 성능 * **발견 효율 극대화**: M-REGLE은 ECG와 PPG 통합 분석을 통해 총 773개의 고유한 유전적 위치(loci)를 발견했습니다. 이는 단일 유도 ECG 분석보다 4.3배, 개별 분석 후 통합하는 방식(U-REGLE)보다 2.6배 더 많은 수치입니다. * **다유전자 위험 점수(PRS) 개선**: M-REGLE을 통해 도출된 유전적 지표는 기존의 전문가 설계 특징(심박수 등)이나 단일 모달리티 모델보다 질병 예측 성능이 뛰어났습니다. * **임상적 검증**: UK 바이오뱅크 데이터를 활용한 검증 결과, 심방세동 및 심부전과 같은 주요 심혈관 질환의 발병 위험을 예측하는 데 있어 가장 높은 정확도를 기록했습니다. --- M-REGLE은 스마트워치와 같은 웨어러블 기기에서 생성되는 PPG 데이터와 병원의 전문적인 ECG 데이터를 결합함으로써, 일상과 임상을 잇는 강력한 질병 예측 도구가 될 수 있습니다. 향후 다양한 장기 시스템의 멀티모달 데이터에 이 방식을 적용한다면, 복합 질환의 유전적 메커니즘을 규명하고 환자 맞춤형 정밀 의료를 실현하는 데 핵심적인 역할을 할 것으로 기대됩니다.

figma원문

코드 레이어로 사이트를 인터랙티브 (새 탭에서 열림)

피그마(Figma)는 디자인 환경 내에서 커스텀 리액트(React) 코드를 활용해 역동적인 상호작용을 구현할 수 있는 ‘코드 레이어(Code Layers)’ 기능을 출시했습니다. 이 기능을 통해 디자이너는 복잡한 개발 지식 없이도 AI 채팅이나 직접적인 코드 수정을 통해 정적인 디자인을 실제 작동하는 웹 요소로 변환하고 실험할 수 있습니다. 결과적으로 디자인과 실제 제품 구현 사이의 장벽을 허물어, 별도의 개발 전달 과정 없이도 고도화된 애니메이션이나 기능적 컴포넌트를 피그마 사이츠(Figma Sites)에서 즉시 빌드할 수 있게 되었습니다. **코드 레이어를 활용한 인터랙션 구현** * 코드 레이어는 리액트 코드를 기반으로 구동되는 상호작용 요소로, 피그마 사이츠 내에서 기존 컴포넌트를 코드로 변환하거나 새롭게 생성할 수 있습니다. * 피그마 메이크(Figma Make)의 AI 기술을 활용하여 "꽃 이미지를 무한히 복제해서 드래그할 수 있게 해줘"와 같은 자연어 프롬프트만으로 복잡한 로직을 생성합니다. * 캔버스 위에서 바로 코드 레이어를 복제(Cmd + D)하여 여러 버전의 상호작용을 나란히 비교하고 실험하는 유연한 워크플로우를 제공합니다. **기존 디자인의 동적 변환 및 제작 방식** * 작업 중인 요소에 애니메이션(회전, 바운스 등)을 추가하거나, 마우스 호버 시 색상이 변하는 리플 효과 등 정적 이미지에 생명력을 불어넣을 수 있습니다. * 대출 계산기, 가격 추정기, 실시간 통계 카운터와 같이 단순한 프로토타입을 넘어 실제 로직이 작동하는 유틸리티 컴포넌트를 제작할 수 있습니다. * 단축키(E)를 사용하여 캔버스에 즉석에서 코드 레이어를 그려 넣고, AI에게 이모지 파티클 생성이나 이미지 갤러리 구축 등을 요청하여 빠르게 아이디어를 시각화합니다. **개발자 수준의 확장성과 재사용성** * **커스텀 속성 편집:** AI가 코드 기반의 속성(문자열, 숫자 등)을 자동으로 생성하며, 사용자는 코드 수정 없이도 패널에서 직접 값을 조정해 레이어의 동작을 변경할 수 있습니다. * **컴포넌트화:** 일반적인 피그마 프레임처럼 코드 레이어도 재사용 가능한 컴포넌트로 전환하여 여러 페이지나 팀 프로젝트에 공유할 수 있습니다. * **npm 패키지 지원:** `motion`이나 `@react-three/fiber`와 같은 외부 노드 패키지 매니저(npm) 라이브러리를 임포트하여 고난도의 3D 렌더링이나 정교한 모션 그래픽을 구현할 수 있습니다. 웹 디자인의 한계를 넓히고자 하는 디자이너라면 피그마 사이츠에서 제공되는 코드 레이어를 적극적으로 활용해 보시기 바랍니다. 특히 AI 프롬프트를 통해 기초 코드를 생성한 뒤, npm 패키지를 결합해 시중의 템플릿으로는 불가능했던 독창적인 사용자 경험을 직접 구축해 보는 것을 추천합니다.

figma원문

Payload의 Figma 팀 합류를 (새 탭에서 열림)

피그마(Figma)는 오픈소스 헤드리스 CMS이자 애플리케이션 프레임워크인 페이로드(Payload) 팀을 인수하여 디자인과 개발의 경계를 허무는 행보를 가속화합니다. 이번 인수는 최근 발표된 '피그마 사이트(Figma Sites)'와 시너지를 내어 개발자들에게 더욱 강력하고 유연한 도구를 제공하는 데 목적이 있습니다. 피그마는 이를 통해 디자인뿐만 아니라 실제 제품의 빌드와 배포까지 생태계 내에서 직접 수행할 수 있는 중앙 허브로 거듭날 계획입니다. **Figma Sites와 Payload의 기술적 시너지** - Config 2025에서 발표된 '피그마 사이트'와 결합하여, 디자인에서 실제 프로덕션 웹사이트 제작까지의 과정을 비약적으로 단축합니다. - Payload가 제공하는 높은 커스터마이징 자유도와 확장성을 활용해, 개발자들이 기존의 제한적인 CMS 환경에서 벗어나 더 나은 DX(개발자 경험)를 누릴 수 있도록 지원합니다. - 포춘 100대 기업들이 이미 도입하여 신뢰성을 검증받은 Payload의 기술력을 피그마 플랫폼에 이식함으로써 엔터프라이즈급 개발 환경을 구축합니다. **오픈소스 생태계 유지와 커뮤니티 협업** - Payload는 인수 후에도 오픈소스 프로젝트로 유지되며, 기존 사용자들은 현재와 동일하게 서비스를 이용할 수 있도록 독립성을 보장합니다. - 피그마의 협업 중심 철학과 Payload의 오픈소스 커뮤니티 지향점이 결합되어, 사용자 피드백을 기반으로 한 제품 로드맵을 투명하게 공유할 예정입니다. - 피그마는 오픈소스 프로젝트에 지속적으로 투자하여 개발자들이 지식을 공유하고 기술을 발전시킬 수 있는 생태계를 확장하는 데 집중할 계획입니다. **디자인-개발 통합을 통한 제품 제작 가속화** - AI의 발전으로 코드와 콘텐츠 생성이 쉬워진 환경에 발맞추어, 배포 채널을 직접 제어하고 사용자 경험을 세밀하게 튜닝할 수 있는 제어권을 강화합니다. - 단순히 디자인 결과물을 공유하는 단계를 넘어, 피그마 생태계 내에서 직접 디지털 제품을 구축하고 배포할 수 있는 환경을 조성합니다. - 디자인과 개발 사이에 전통적으로 존재해 왔던 간극을 좁힘으로써 제품 제작 팀의 전체적인 생산성을 높이는 것을 최종 목표로 삼고 있습니다. 디자이너와 개발자가 긴밀하게 협업해야 하는 조직이라면 향후 피그마 사이트와 페이로드의 통합 기능을 주목할 필요가 있습니다. 디자인 시스템을 기반으로 실제 웹 서비스를 신속하게 배포하고 관리하려는 팀에게 이번 인수는 매우 강력한 생산성 도구의 탄생을 예고합니다.

line원문

AI와 글쟁이의 동행: 코드 주면 API 레퍼런스 써드려요 (새 탭에서 열림)

기술 문서 부족 문제를 해결하기 위해 엔지니어링 관점에서 접근한 이 글은, 생성형 AI를 활용해 사내 기술 컨텍스트와 스타일 가이드가 반영된 API 레퍼런스를 자동 생성하는 프로젝트 과정을 소개합니다. 일반적인 코딩 어시스턴트의 한계를 극복하기 위해 프롬프트 워크플로를 최적화하고, 특정 IDE에 종속되지 않도록 MCP(Model Context Protocol)를 도입하여 범용성을 확보했습니다. 최종적으로 AI가 생성한 결과물은 높은 품질을 보였으나, 기술 문서의 특성상 정확성을 담보하기 위한 인간의 검토 단계가 필수적임을 강조하며 결론을 맺습니다. ## 기존 AI 도구의 한계와 도큐먼트 엔지니어링의 목표 * 기술 문서는 항상 부족하며, 개발자 교육만으로는 시간과 관심의 부재라는 근본적인 원인을 해결하기 어렵다는 판단하에 자동화 프로세스를 구축했습니다. * GitHub Copilot과 같은 기존 도구는 코드 파악 능력은 뛰어나지만, 사내 전용 기술 용어나 특수한 스타일 가이드, 프로젝트별 컨텍스트를 반영하지 못하는 단점이 있습니다. * '사내 정보를 참고해 스타일 가이드에 맞는 API 주석을 작성하고, 이를 한곳에서 배포하기'를 목표로 테크니컬 라이터의 노하우를 자동화 공정에 이식했습니다. ## 프롬프트 최적화와 단계별 워크플로 구성 * 초기에는 방대한 지시 사항이 담긴 긴 프롬프트를 사용했으나, LLM이 복잡한 지시를 놓치는 문제가 발생하여 실행 단계를 세분화했습니다. * 처리 속도와 정확도 사이의 타협점을 찾기 위해 '프로그래밍 언어 인식', 'API 파악 및 예제 작성', '설명 및 파라미터/응답 값 작성'의 3단계 워크플로로 압축했습니다. * LINE의 고유 식별자인 'MID'를 단순한 약어(Member ID 등)로 오해하지 않고 사내 정의에 맞게 설명하도록 컨텍스트를 주입하여 일반 AI 도구와 차별화된 품질을 구현했습니다. ## 범용성 확보를 위한 MCP(Model Context Protocol) 도입 * 초기 프로토타입은 VS Code 익스텐션으로 제작했으나, IntelliJ 등 다양한 IDE를 사용하는 개발자들의 요구를 수용하기 위해 MCP 기반으로 전환했습니다. * MCP 서버는 클라이언트와의 통신에만 집중하므로, UI 구현에 드는 비용을 줄이고 언어 판별이나 코드 블록 선택 같은 부가 기능을 MCP 호스트(IDE 등)에 위임할 수 있습니다. * 사용자가 AI와 대화하며 파라미터를 입력하는 방식은 현대적인 AI 사용 경험에 부합하며, 특정 도구에 종속되지 않는 범용적인 문서화 솔루션을 제공합니다. ## AI 문서화의 성과와 실질적인 한계 * 자체 평가 결과, 생성된 주석의 88%가 기준을 만족했으며 78%의 사례에서 GitHub Copilot보다 우수한 품질의 설명을 생성하는 성과를 거두었습니다. * 그러나 AI는 확률 기반으로 작동하므로 100%의 정확성을 보장하지 못하며, 단 한 줄의 오류가 문서 전체의 신뢰도를 떨어뜨리는 API 레퍼런스의 특성상 위험 요소가 존재합니다. * 따라서 AI를 '완벽하지 않은 동반자'로 정의하고, AI가 초안을 대량으로 빠르게 생산하되 마지막 단계에서는 반드시 담당 개발자가 내용을 검토하는 '사람 중심의 검증' 프로세스를 권장합니다.

figma3분 읽기큐레이션 요약

요점 정리: 제11호

AI가 작업 방식을 바꾸고 있지만, 좋은 결과물을 만들기 위한 장인정신과 품질 기준의 중요성은 여전히 변하지 않는다는 내용이다. Figma는 AI를 단순 자동화 도구가 아니라 창의성과 감정을 표현하는 협업자로 바라보며, 디자인 맥락·신뢰·안전·연습을 통해 더 인간적인 결과를 만들어야 한다고 강조한다. ## 프롬프트로 구현하는 인터랙티브 프로토타입 - Figma Make는 자연어 프롬프트나 정적 디자인을 바탕으로 인터랙티브 프로토타입을 생성하는 prompt-to-code 도구다. - 아이디어를 코드로 옮기는 초기 단계에서 활용할 수 있으며, 사용 시점이나 제작 범위에 제한이 적다. - 효과적인 활용을 위해서는 적절한 프롬프트 작성법, 반복적인 개선, 팀의 제작 과정에 맞춘 사용 방식이 중요하다. ## 디자인 맥락을 연결하는 Figma MCP 서버 - AI 코딩 도구는 충분한 맥락이 없으면 사용자의 의도와 디자인을 정확히 반영하기 어렵다. - Figma MCP 서버는 Figma 파일의 디자인 정보를 AI 코딩 도구에 전달한다. - LLM이 변수, 컴포넌트, 스타일 등의 정보를 활용해 디자인 의도에 가까운 코드를 생성할 수 있도록 돕는다. - 이를 통해 AI 기반 코드 생성이 단순한 시각적 모방을 넘어 디자인 시스템과 구현 맥락을 반영하도록 한다. ## 효율성보다 중요한 애정과 연결 - Config 2025에서는 AI가 단순한 도구에서 협업자 또는 팀원에 가까운 존재로 발전하고 있다는 논의가 다뤄졌다. - 작업 효율만 극대화하면 결과물에서 배려, 관계, 감정 같은 인간적인 요소가 약화될 수 있다는 문제를 제기한다. - “최소 실행 가능한 결과물”을 만드는 것과 충분한 완성도·의미를 담는 것 사이의 균형이 필요하다. - 효율성은 목표가 아니라 좋은 작업을 돕는 수단이어야 한다는 관점이다. ## 신뢰와 안전을 우선한 AI 정신건강 동반자 - Headspace는 AI 정신건강 동반자 Ebb를 설계하면서 신뢰와 안전을 핵심 기준으로 삼았다. - 캐릭터의 이름과 외형뿐 아니라 대화 방식과 conversational guideline까지 세심하게 설계했다. - AI라는 사실을 숨기지 않으면서도 사용자가 지지받고 있다고 느끼도록 균형을 맞췄다. - 정신건강처럼 민감한 영역에서는 기능 구현보다 투명성, 사용자 보호, 적절한 상호작용 설계가 우선되어야 한다. ## 장인정신은 반복적인 연습에서 나온다 - Figma의 출판물 *Practice*는 디자인과 제작 역량을 키우는 과정을 다룬다. - 숙련에는 인내심, 정밀함, 경계를 넓히려는 태도, 지속적인 연습이 필요하다. - AI가 제작 속도를 높이더라도 결과물의 완성도와 독창성을 판단하고 다듬는 능력은 여전히 사람에게 요구된다. - 좋은 작업은 한 번의 생성으로 완성되는 것이 아니라 반복적인 수정과 실험을 통해 만들어진다. AI 도구를 사용할 때는 속도와 자동화만 추구하기보다 디자인 맥락을 충분히 제공하고, 결과물을 반복해서 검토하며, 신뢰·안전·감정적 경험까지 고려하는 것이 바람직하다. Ultimately, AI가 제작을 돕더라도 품질과 의미를 결정하는 것은 여전히 사람의 관심과 장인정신이다.

원문 읽기(새 탭에서 열림)
google원문

LLM 기반 여행 계획 최적화 (새 탭에서 열림)

대규모 언어 모델(LLM)은 사용자의 주관적인 취향과 정성적인 목표를 이해하는 데 탁월하지만, 개장 시간이나 이동 시간 같은 정량적인 제약 조건을 정밀하게 계산하는 데에는 한계가 있습니다. 이를 해결하기 위해 구글 리서치는 LLM이 초기 계획을 수립하고, 최적화 알고리즘이 실제 데이터를 기반으로 실행 가능성을 검증 및 조정하는 하이브리드 여행 계획 시스템을 개발했습니다. 이 시스템은 사용자의 의도를 최대한 반영하면서도 논리적으로 완벽한 일정을 생성하는 것을 목표로 합니다. **LLM과 최적화 알고리즘의 결합 구조** * 시스템은 먼저 제미나이(Gemini) 모델을 사용하여 사용자의 쿼리에 최적화된 초기 여행 계획을 생성하며, 여기에는 활동 목록, 권장 소요 시간, 중요도 등이 포함됩니다. * 생성된 초기 계획은 검색 백엔드를 통해 확보한 최신 영업시간 및 이동 시간 데이터와 결합되어 '그라운딩(Grounding)' 과정을 거칩니다. * LLM이 제안한 활동이 실행 불가능할 경우를 대비하여, 검색 시스템은 유사한 성격의 대체 활동들을 병렬적으로 추출하여 최적화 알고리즘에 전달합니다. **2단계 최적화 프로세스** * **일일 일정 최적화:** 첫 번째 단계에서는 개별 날짜 내의 활동 순서를 결정합니다. 동적 계획법(Dynamic Programming)을 활용하여 활동의 유사도와 실행 가능성을 점수화하며, 영업시간 미준수나 동선 오류가 있는 일정에는 0점을 부여하여 제외합니다. * **전체 일정 배분:** 두 번째 단계에서는 여러 날에 걸친 활동들이 겹치지 않도록 전체 경로를 구성합니다. 이는 컴퓨터 과학에서 '가중치 세트 패킹(Weighted Set Packing)' 문제로 분류되는 NP-완전(NP-complete) 문제로, 계산 복잡도가 매우 높습니다. * **지역 탐색 휴리스틱:** 복잡한 계산을 효율적으로 처리하기 위해 초기 일정에서 활동 위치를 조금씩 바꾸며 전체 점수를 높여가는 '지역 탐색 휴리스틱(Local search heuristics)'을 적용하여 최종 수렴된 최적의 일정을 도출합니다. **실제 적용 사례 및 효과** * **정성적 요구사항 충족:** "사람이 적고 덜 알려진 박물관"을 찾는 쿼리에서 일반 검색 시스템은 유명 박물관을 포함하는 오류를 범했으나, LLM 기반 시스템은 사용자의 의도를 정확히 파악하여 숨겨진 명소들로만 일정을 구성했습니다. * **물류적 실행 가능성 확보:** LLM이 샌프란시스코 여행 계획 시 도시를 가로지르는 비효율적인 동선을 제안하더라도, 최적화 알고리즘이 지리적 근접성을 고려하여 활동 순서를 재배치함으로써 현실적인 동선을 완성했습니다. 이러한 하이브리드 접근 방식은 AI의 유연한 이해 능력과 알고리즘의 엄격한 논리력을 결합하여 사용자에게 실질적으로 도움이 되는 도구를 제공합니다. 향후 이 기술은 여행 계획뿐만 아니라 복잡한 제약 조건이 얽힌 다양한 스케줄링 및 물류 최적화 분야에 광범위하게 활용될 수 있을 것으로 기대됩니다.

google원문

줌인: 생성형 AI를 활용 (새 탭에서 열림)

구글 리서치(Google Research)는 물리 기반 기후 모델링과 생성형 AI를 결합하여 지역별 환경 위험을 정밀하게 예측하는 ‘동적 생성 다운스케일링(Dynamical-generative downscaling)’ 기술을 발표했습니다. 이 방법은 기존 전 지구 기후 모델의 낮은 해상도(약 100km)와 실제 지역사회에 필요한 고해상도(약 10km) 정보 사이의 간극을 혁신적으로 메워줍니다. 확률적 확산 모델(Probabilistic Diffusion Models)을 활용해 물리적 현실성을 유지하면서도 기존 방식보다 훨씬 적은 비용으로 상세한 환경 위험 평가를 가능하게 한다는 점이 핵심입니다. **기존 기후 모델링의 해상도 한계** * 전 지구 시스템 모델(Earth System Models)은 미래 기후 변화를 예측하는 가장 강력한 도구이지만, 계산 비용 문제로 인해 해상도가 약 100km 단위에 머물러 있습니다. * 도시 단위(약 10km)의 정밀한 예측은 농업 전략, 수자원 관리, 홍수 및 폭염 대비 등에 필수적이지만, 이를 위한 기존의 ‘동적 다운스케일링’ 방식은 엄청난 컴퓨팅 자원을 소모합니다. * 상대적으로 빠른 ‘통계적 다운스케일링’ 방식은 계산은 빠르지만, 복잡한 국지적 기상 패턴이나 극단적인 기상 현상을 정확히 포착하지 못하고 미래 시나리오에 대한 일반화 능력이 떨어진다는 단점이 있습니다. **물리 모델과 생성형 AI의 결합: R2D2 모델** * 연구진은 물리적 사실성과 AI의 패턴 인식 능력을 결합한 2단계 하이브리드 접근법을 제시했습니다. * 1단계(물리 기반 통과): 지역 기후 모델(RCM)을 사용해 전 지구 데이터를 중간 해상도(약 50km)로 변환합니다. 이 과정은 다양한 글로벌 모델의 출력을 공통된 물리적 격자로 정렬하여 AI가 학습하기 좋은 환경을 만듭니다. * 2단계(AI 세부 묘사): 생성형 AI 모델인 ‘R2D2(Regional Residual Diffusion-based Downscaling)’가 중간 해상도 출력에 미세한 지형 효과 등 고해상도 디테일을 추가합니다. * R2D2는 중간 해상도와 고해상도 필드 사이의 차이인 ‘잔차(Residual)’를 학습함으로써 미처 보지 못한 환경 조건에서도 뛰어난 일반화 성능을 보여줍니다. **효율적이고 신뢰할 수 있는 지역 기후 예측** * 미국 서부 지역 데이터셋(WUS-D3)을 통해 평가한 결과, 이 방식은 기존 통계적 방식 대비 미세 규모 오차를 40% 이상 줄였습니다. * 전통적인 동적 다운스케일링 방식에 비해 약 100배 빠른 속도를 자랑하며, 덕분에 수많은 기후 시나리오를 동시에 분석하여 미래의 불확실성을 더욱 포괄적으로 평가할 수 있습니다. * 특히 단 하나의 동적 다운스케일링 모델 데이터로 학습된 R2D2가 서로 다른 여러 전 지구 모델의 결과물까지 성공적으로 처리할 수 있어 학습 비용을 크게 절감했습니다. 이 기술은 기후 변화로 인한 극단적인 기상 현상에 대비해야 하는 도시 계획가와 정책 입안자들에게 매우 실용적인 도구가 될 것입니다. 저비용으로 고해상도 위험 평가가 가능해짐에 따라, 각 지역 사회는 자신의 지역에 특화된 정밀한 기후 적응 전략을 더욱 신속하고 체계적으로 수립할 수 있을 것으로 기대됩니다.

line원문

문의 대응을 효율화하기 위한 RAG 기반 봇 도입하기 (새 탭에서 열림)

LY 주식회사의 SR(Service Reliability) 팀은 반복되는 AWX 플랫폼 관련 문의를 효율적으로 처리하기 위해 RAG(검색 증강 생성) 기반의 지원 봇을 도입했습니다. 이 시스템은 사용자가 방대한 가이드 문서를 읽지 않고 중복된 질문을 던질 때 발생하는 운영 리소스 소모 문제를 해결하기 위해 고안되었습니다. 사내 위키와 과거 상담 이력을 활용해 정확도 높은 답변을 생성함으로써 관리자의 개입 없이도 사용자 문제를 신속하게 해결하는 성과를 거두었습니다. **AWX 지원 봇의 기술 스택 및 구성** - **LLM 및 프레임워크:** OpenAI의 GPT 모델을 메인 엔진으로 사용하며, LangChain 프레임워크를 통해 전체적인 워크플로를 관리합니다. Slack과의 연동은 Bolt for Python을 활용했습니다. - **임베딩 모델:** 다국어 지원 및 문장 비교 성능이 뛰어난 'paraphrase-multilingual-mpnet-base-v2' 모델(SBERT)을 선택하여 글로벌 임직원의 다양한 언어 문의에 대응합니다. - **벡터 데이터베이스:** 사내에서 PaaS 형태로 제공되어 접근성이 높은 OpenSearch를 사용하며, 텍스트 데이터를 고차원 벡터로 변환하여 저장하고 검색합니다. **RAG 및 벡터 검색을 통한 답변 정확도 향상** - **LLM의 한계 극복:** 학습되지 않은 최신 정보 부재나 허위 정보 생성(Hallucination) 문제를 해결하기 위해, 질문과 관련된 신뢰할 수 있는 컨텍스트를 LLM에 함께 전달하는 RAG 기법을 적용했습니다. - **벡터 검색 원리:** 사용자의 질문을 임베딩하여 벡터화한 뒤, 벡터 DB 내에서 의미적으로 유사한 문장들을 k-NN(최근접 이웃) 방식으로 검색하여 최적의 참고 자료를 추출합니다. - **유사도 기반 추출:** 단순 키워드 매칭이 아닌 의미적 유사성을 판단하므로, 'Buy'와 'Purchase'처럼 단어는 달라도 맥락이 같은 정보를 정확히 찾아낼 수 있습니다. **봇 워크플로 및 데이터 활용 전략** - **사용자 상호작용:** 사용자가 Slack으로 문의하면 봇이 사내 위키와 과거 Slack 스레드 데이터를 검색합니다. 추출된 데이터를 바탕으로 LLM이 1차 답변을 제공하며, 해결되지 않을 경우에만 '관리자 호출' 버튼을 통해 담당자를 연결합니다. - **데이터 소스 다각화:** 공식 가이드 문서뿐만 아니라 실제 사용자들이 겪었던 문제와 해결책이 담긴 'Slack 문의 스레드 데이터'를 함께 인덱싱하여 실무적인 답변이 가능하도록 구성했습니다. - **리소스 최적화:** 봇의 자동 응답을 통해 단순 반복 문의에 대한 관리자의 수동 대응 시간을 줄이고, 개발 조직이 서비스 운영 본연의 업무에 더 집중할 수 있는 환경을 조성했습니다. RAG 기반 시스템을 구축할 때 가장 중요한 것은 신뢰할 수 있는 데이터 소스의 확보입니다. LY의 사례처럼 공식 문서와 실제 상담 이력을 병행 활용하면 LLM이 훨씬 구체적이고 실무에 유효한 답변을 생성할 수 있습니다. 운영 중인 서비스의 문의 대응 리소스가 부담된다면, 익숙한 벡터 DB와 오픈소스 임베딩 모델을 조합한 RAG 봇 도입을 적극 추천합니다.