본 연구는 AI 기반 자동 채점 시스템의 공정성 문제를 영어 학습자(ELLs)를 중심으로 다루며, 대규모 데이터셋의 중요성과 소규모 데이터셋의 한계를 보여줍니다. AI 시스템의 공정성 확보를 위해서는 대규모 균형 데이터셋 확보, 지속적인 모니터링, 그리고 윤리적 고려가 필수적임을 강조합니다.

KDD 2025 튜토리얼에서 발표될 "The Hitchhikers Guide to Production-ready Trustworthy Foundation Model powered Software (FMware)"는 초거대 언어 모델 기반 소프트웨어 개발의 현실적인 어려움과 해결 방안을 제시합니다. 실제 산업 현장의 문제에 초점을 맞춰 모델 선택, 데이터 준비, 프롬프트 엔지니어링 등의 과제와 시스템 테스트, 최적화, 배포 등의 실제적인 문제점을 다루며, 산업계 경험과 최신 연구를 바탕으로 신뢰할 수 있는 FMware 구축을 위한 실행 가능한 전략과 기술 로드맵을 제공합니다.

Liu Ziming 등 연구진이 발표한 '신경 열역학 법칙(NTL)'은 거대 언어 모델(LLM) 훈련의 새로운 이론적 틀을 제시합니다. 열역학적 개념을 도입하여 LLM 훈련을 분석하고, 학습률 조정 등 실용적인 가이드라인을 제공합니다. NTL은 향후 LLM 훈련의 효율성 및 안정성 향상에 크게 기여할 것으로 기대됩니다.

본 기사는 이미지와 코드를 연결하여 수학적 추론 능력을 향상시킨 획기적인 AI 모델 MathCoder-VL에 대한 연구 결과를 소개합니다. 연구진은 이미지-코드 모델 FigCodifier와 대규모 데이터셋 ImgCode-8.6M, MM-MathInstruct-3M을 개발하고, 이를 기반으로 기존 모델을 능가하는 MathCoder-VL을 선보였습니다. 이 연구는 AI 기반 수학 문제 해결의 새로운 지평을 열 것으로 기대됩니다.

합성 훈련 데이터의 현실성(feasibility)이 CLIP 기반 분류기 성능에 미치는 영향을 연구한 결과, 현실성 여부가 성능에 미치는 영향은 미미하며, 현실적/비현실적 이미지를 혼합하여 사용해도 성능 저하가 크지 않다는 사실을 발견했습니다. VariReal이라는 새로운 파이프라인을 통해 배경, 색상, 질감 세 가지 속성에 대한 실험을 진행하였습니다.