Wang 등 (2025)의 연구는 데이터 중심 AI에서 표 형태 데이터 변환의 중요성을 강조하며, 기존 방식과 강화 학습 및 생성적 접근 방식을 결합한 혁신적인 방법론을 제시합니다. 이는 AI 모델 성능 향상과 다양한 산업 분야의 데이터 활용 극대화에 기여할 것으로 기대됩니다.

구글의 새로운 연구는 대규모 머신러닝 인프라의 효율성을 획기적으로 개선하여 116%의 성능 향상과 18%의 비용 절감을 달성했습니다. 공유 입력 생성, 분할 및 파이프라이닝, RPC 병합 등의 소프트웨어 기술이 핵심입니다.

FORLAPS는 데이터 기반 강화 학습을 활용하여 비즈니스 프로세스의 최적 실행 경로를 식별하는 혁신적인 프레임워크입니다. 실제 데이터셋을 통한 실험 결과, 자원 시간 31%, 프로세스 시간 23% 감소를 달성했으며, 데이터 증강 기법을 통해 모델 성능을 44% 향상시켰습니다. 9개 공개 데이터셋을 활용한 벤치마킹으로 기존 최첨단 방식보다 우수한 성능을 입증했습니다.

Asif Mohammed Samir과 Mohammad Masudur Rahman 연구팀은 대규모 언어 모델(LLM) 기반의 혁신적인 버그 위치 확인 기술 BRaIn을 개발했습니다. 기존 기술 대비 월등한 성능을 보이며 소프트웨어 개발의 효율성과 안정성을 크게 향상시킬 것으로 기대됩니다.

정태희 연구원의 4비트 양자화 기반 RAG 시스템 연구는 고차원 벡터 임베딩의 메모리 문제를 효과적으로 해결하여 RAG 기술의 실용성을 크게 높였습니다. 오픈소스 공개를 통해 다른 연구자들의 발전에도 기여할 것으로 기대됩니다.