딥러닝과 데이터 증강 기술을 활용하여 전자 부품 단종 문제를 해결하는 혁신적인 프레임워크가 개발되었습니다. 데이터 부족 문제를 해결하고, 기존 머신러닝 모델의 성능을 향상시켜 산업 현장에 큰 기여를 할 것으로 기대됩니다.

EvalxNLP은 NLP 모델의 설명가능성을 평가하는 새로운 프레임워크로, 8가지 설명 가능성 기법과 LLM 기반 대화형 설명 기능을 통해 사용자 친화적인 환경을 제공합니다. 높은 사용자 만족도와 확장성을 바탕으로 AI의 투명성을 높이는 데 기여할 것으로 기대됩니다.

훈련 데이터 없이도 작동하는 새로운 의미론적 통신 시스템이 개발되었습니다. 생성 확산 모델(GDM)과 DDIM 기반의 인코딩/디코딩 방법을 활용하여 채널 잡음에 강한 시스템을 구축하였고, 코닥 데이터셋 실험을 통해 기존 시스템 대비 우수한 성능을 검증했습니다. 이 연구는 향후 AI 기반 통신 기술 발전에 큰 기여를 할 것으로 예상됩니다.

AI 설명 가능성 연구에서 성별 편향성이 심각하게 드러났습니다. 기존의 설명 방법들이 성별에 따라 성능 차이를 보이며, 이는 공정성 문제로 이어진다는 연구 결과가 발표되었습니다. 편향되지 않은 데이터셋으로 학습된 모델에서도 성별 편향성이 나타났으며, 규제 프레임워크에 설명의 공정성을 포함해야 함을 강조합니다.

설명 가능한 AI(XAI)와 인지 능력의 상관관계를 규명한 연구 결과가 발표되었습니다. 다양한 설명 방식과 AI 신뢰도가 사용자의 의사결정 및 인지 부하에 미치는 영향을 분석하였으며, 사용자 중심의 XAI 인터페이스 디자인의 중요성을 강조합니다.