Harikrishna Kuttivelil과 Katia Obraczka가 개발한 Chisme은 에지 환경의 제약을 극복하는 혁신적인 분산 학습 프레임워크입니다. 동기식 및 비동기식 변형을 통해 다양한 네트워크 환경에 적용 가능하며, 데이터 유사성 휴리스틱을 활용하여 개인화된 학습과 협업을 동시에 달성합니다. 다양한 실험 결과를 통해 기존 방식보다 뛰어난 성능을 검증했습니다.

거대 언어 모델(LLM)의 분쟁 예측 능력을 평가한 연구 결과가 발표되었습니다. 연구는 LLM이 사전 훈련된 지식만으로 분쟁을 예측하는 능력과 외부 데이터를 활용했을 때의 성능 향상을 비교 분석하였습니다. 외부 데이터 활용의 중요성을 강조하며, AI 기반 분쟁 예측 시스템 개발의 가능성과 한계를 동시에 제시하는 의미있는 연구입니다.

왕 슌 등 연구진이 개발한 ZENN은 이질적인 데이터셋을 효과적으로 통합하는 새로운 AI 프레임워크로, 고차 도함수 예측에서 뛰어난 성능을 보이며 Fe3Pt 합금의 물질 거동 예측에도 성공적으로 적용되었습니다. 젠트로피 이론에 기반한 ZENN은 다양한 과학 문제 해결에 혁신을 가져올 잠재력을 지닙니다.

Liyang Zhao 등의 연구진이 발표한 논문 "Causal Predictive Optimization and Generation for Business AI"는 인과 기계 학습, 제약 조건 최적화, 상황적 밴딧 알고리즘, 생성 AI를 결합한 혁신적인 비즈니스 AI 시스템을 소개합니다. 링크드인에서의 실제 구축 및 배포 사례를 통해 기존 시스템 대비 우수한 성능을 입증하며, 다양한 산업 분야에 적용 가능한 시사점을 제공합니다.

본 기사는 사이버 보안 경고의 자동화된 분류 및 우선 순위 지정 시스템인 AACT에 대해 소개합니다. AACT는 SOC 분석가의 업무 부하를 줄이고 중요한 위협에 집중할 수 있도록 지원하며, 실제 환경에서 6개월 동안 경고를 61% 감소시키는 성과를 달성했습니다.