본 기사는 Bolun Zhang 등 연구진의 논문 "Tinkering Against Scaling"을 바탕으로, 거대 AI 모델 중심의 연구 환경에서 학계 연구자들이 직면하는 어려움과, 이에 대한 해결책으로 제시된 'tinkering' 접근법을 소개합니다. 'tinkering'은 소규모 모델을 활용하여 알고리즘을 직접 다루고 이해하는 방식으로, 계산 사회과학과 비판적 알고리즘 연구에 새로운 가능성을 제시합니다.

SAGAI는 오픈액세스 데이터와 비전-언어 모델을 활용하여 도시 거리 풍경을 분석하는 혁신적인 AI 기반 워크플로우입니다. 니스와 비엔나 사례 연구를 통해 성능이 검증되었으며, 도시 연구의 다양한 분야에 적용될 수 있는 잠재력을 지닙니다.

Hong Ting Tsang, Zihao Wang, Yangqiu Song 연구팀은 지식 하이퍼그래프(KHG) 기반의 새로운 복잡한 질의응답(CQA) 모델 LKHGT를 개발했습니다. 새로운 데이터셋을 사용한 실험 결과, LKHGT는 기존 모델들을 능가하는 성능을 보였으며, 실제 세계 데이터의 복잡성을 효과적으로 처리할 수 있음을 입증했습니다.

본 논문은 Vision-and-Language Navigation(VLN)에서 다중 모달리티 정보의 계층적 융합 및 추론을 통해 성능을 향상시키는 새로운 아키텍처 MFRA를 제안합니다. 저수준 시각적 단서부터 고수준 의미 개념까지 다양한 수준의 특징을 통합하고, 명령어 기반 어텐션과 동적 컨텍스트 통합을 통해 내비게이션 정확도를 향상시켰습니다. 실험 결과, MFRA는 기존 최첨단 방법보다 우수한 성능을 보였습니다.

Abdul Hannaan 등의 연구는 에지 디바이스에서 효율적인 저랭크 원샷 이미지 탐지 모델 학습을 가능하게 하는 LoRa-FL 프레임워크를 제시합니다. MNIST와 CIFAR10 데이터셋 실험 결과는 LoRa-FL의 우수한 성능과 효율성을 입증하며, 에지 AI의 발전에 크게 기여할 것으로 기대됩니다.