Hang Yu 등 연구팀은 인간 개입을 최소화하고 정확도와 효율성을 높이는 믿음 체계 기반의 협업적 선호도 측정 프레임워크를 제안했습니다. PRA 알고리즘, 믿음 정도 및 편차 정도, 확장 가능한 흥미도 계산 프레임워크, IMCos 및 IMCov 알고리즘 등을 통해 기존 알고리즘보다 우수한 성능을 입증했습니다. 이는 AI 기반 서비스의 개인화 및 맞춤화에 크게 기여할 것으로 기대됩니다.

다니엘 가르세스와 스테파니 길이 개발한 Pro-Routing은 자율주행 로봇의 경로 계획 알고리즘으로, 실시간 수요 변화에 효과적으로 대응하면서도 시스템의 안정성을 유지하는 혁신적인 기술입니다. 하버드 대학의 셔틀 시스템 실험 결과, 기존 알고리즘 대비 서비스 성공률 6% 증가, 승객 대기 시간 33% 감소라는 놀라운 성과를 거두었습니다.

중국 및 미국 연구진이 개발한 SWIFT 프레임워크는 세계 기초 모델(WFM)의 테스트 시간 확장을 통해 모델 재훈련 없이 추론 속도와 성능을 향상시키는 혁신적인 기술입니다. 이 연구는 WFM의 실세계 적용 가능성을 높이는 중요한 발견으로 평가받고 있습니다.

BEATS 프레임워크는 LLM의 편향성, 윤리성, 공정성, 사실성을 29가지 측정 지표로 평가하는 혁신적인 시스템입니다. 실험 결과, 주요 LLM의 상당 부분이 편향성을 가지고 있어 중요 의사결정 시스템에 사용 시 위험성이 높음을 확인했습니다. BEATS는 편향성 진단 및 완화 전략 개발에 도움을 주는 중요한 도구입니다.

LLM을 이용한 정신 건강 텍스트 분석 연구에서 파인튜닝은 높은 정확도를 보였으나 많은 자원을 필요로 했고, 프롬프트 엔지니어링과 RAG는 유연성이 높았지만 정확도가 낮았습니다. 정신 건강 분야 LLM 적용 시 정확도, 자원, 유연성 간의 균형을 고려해야 함을 시사합니다.