Muhammed Golec과 Maha AlabdulJalil의 연구는 LLM을 이용한 신용 위험 평가에 대한 최초의 체계적인 검토이며, 설명 가능성에 초점을 맞춰 모델 아키텍처, 데이터 유형, 설명 가능성 메커니즘, 적용 분야를 분류하여 향후 연구 방향을 제시합니다. AI 기반 신용 평가 시스템의 발전에 중요한 기여를 할 것으로 예상됩니다.

본 기사는 LLM을 활용한 신뢰할 수 있는 BPM 프로세스 혁신에 대한 최신 연구 논문을 소개합니다. 다양한 산업 분야에서의 실제 적용 사례를 통해 LLM의 잠재력과 함께, 투명성, 효율성, 인간-AI 협업의 중요성을 강조합니다. 이 연구는 LLM 기반 BPM 시스템 개발에 대한 귀중한 통찰력을 제공합니다.

양용진, 강신재, 이주용, 이동준, 윤세영, 이기민 연구팀이 개발한 EXIF는 LLM 에이전트의 기술 습득을 위한 자동화된 프레임워크로, 탐색 에이전트와 목표 에이전트의 상호작용과 반복적 피드백을 통해 인간 개입 없이도 의미있는 기술 발견 및 에이전트 성능 향상을 달성했습니다. Webshop과 Crafter 환경에서의 성공적인 실험 결과는 자기 진화 시스템 구축의 가능성을 시사하며, 미래의 AI 발전에 중요한 의미를 가집니다.

Beatrix Nielsen 등의 연구는 심층 신경망에서 학습된 표현의 유사성을 식별 가능성 이론의 관점에서 분석하여, 분포의 근접성이 표현 유사성을 보장하지 않음을 밝히고 새로운 분포 거리를 제안함으로써 DNN 이해에 중요한 기여를 했습니다.

Gu Yifeng 등이 제안한 AhaKV 알고리즘은 LLM 추론 과정에서의 KV 캐시 관리 문제를 해결합니다. 기존 방식의 편향성을 이론적, 실험적으로 증명하고, 어텐션 점수 및 밸류 벡터 정보를 활용하여 적응적으로 캐시를 관리함으로써, 여러 벤치마크에서 SOTA 성능을 달성했습니다.