[2026-04-23 | Data Frontier] 한눈에 보는 AI x 비즈니스 분야 연구 동향

📖 Scientific Data - 4건

A global chronologically standardised database of high-resolution proxy sea-level reconstructions since 1800 CE

연구진은 1800년부터 현재까지의 상대적 해수면(relative sea-level, RSL) 변화를 통합 분석한 '1800년 이후 해수면 데이터베이스(Post-1800 CE Sea Level Database, P-1800SLD)'를 구축했다. 기존 연구들은 방사성 탄소 연대 측정의 기준이 서로 달라 비교가 어려웠으나, 이번 작업은 41개 지역의 해수면 지표점 932개를 베이지안 프레임워크(Bayesian framework)로 재보정해 데이터의 일관성을 확보했다. 실제 조위계(tide-gauge) 기록과 비교한 결과 수위 추정치의 오차 범위가 매우 낮아 높은 정확도를 입증했다. 이 데이터베이스는 현대 해수면 상승 추세를 파악하고 미래 예측 모델을 고도화하는 데 중요한 기초 자료로 활용된다.

바로가기

An EEG-EMG-kinematics dataset from wrist pointing tasks for biomarker research in neurorehabilitation

연구진은 뇌졸중 재활 기술 개발을 돕기 위해 손목 움직임과 관련된 뇌파(electroencephalography, EEG), 근전도(electromyography, EMG), 운동학적 데이터를 통합한 표준 데이터셋을 구축했다. 45명의 건강한 성인이 3자유도 로봇 외골격(exoskeleton)을 착용하고 손목을 움직이는 동안 데이터를 수집했으며 이를 뇌 영상 데이터 구조(Brain Imaging Data Structure, BIDS) 표준에 맞춰 공개했다. 해당 데이터셋은 전력 스펙트럼 밀도(power spectral density, PSD)와 사건 관련 탈동기화/동기화(event related desynchronization/synchronization, ERDS) 분석을 포함해 신뢰성을 검증했다. 이 자료는 향후 뇌-컴퓨터 인터페이스(brain computer interface, BCI)와 신경 조절 치료 연구를 위한 표준 지표로 활용되며 재활 로봇의 성능 개선과 동작 의도 해독 알고리즘 고도화에 기여한다.

바로가기

2,366 new mitochondrial genomes with preliminary identification and phylogeny of >5,500 putative species of beetles

연구진은 파나마와 말레이시아 열대림에서 채집한 딱정벌레 2,366종의 미토콘드리아 게놈(mitochondrial genome)을 새롭게 해독하고 고해상도 사진과 함께 공개했다. 기존 공공 데이터와 통합한 총 5,518종의 게놈 정보를 바탕으로 이진 RY 코딩 방식과 핵 게놈 기반의 골격 제약을 적용해 계통수를 작성했다. 해당 계통수는 기존 딱정벌레의 계통 유전체학 연구 결과와 높은 일치를 보이며 연구가 부족했던 계통의 세부 관계까지 명확히 규명했다. 이번 성과는 딱정벌레의 생명의 나무(tree-of-life)를 구축하는 핵심 토대이자 분류학, 생태학, 보전 생물학 분야의 중요한 참고 자료로 활용된다.

바로가기

The University of Texas Southwestern Glioma Dataset - MRI, Molecular Markers and Segmentations

텍사스 대학교 사우스웨스턴(UTSW) 의료센터 연구진은 625명의 교모세포종 환자 데이터를 담은 고품질 뇌종양 데이터셋을 구축해 공개했다. 해당 데이터셋에는 다중 대조 자기공명영상(magnetic resonance imaging, MRI)과 종양 분할 정보, IDH 돌연변이 상태를 포함한 유전자 정보가 통합돼 있다. 기존에는 조직 검사를 통해서만 확인 가능했던 분자 표지자 정보를 비침습적 방식으로 예측하려는 인공지능 연구가 활발하다. 연구진은 정교하게 분류된 데이터를 제공함으로써 딥러닝(deep learning) 모델의 학습과 검증을 위한 강력한 벤치마크를 마련했다. 이 자원은 MRI 특성과 종양 유전학적 상관관계를 규명하는 연구의 핵심 토대가 된다.

바로가기

📖 Data Mining and Knowledge Discovery - 1건

Multi-hop clustering for reasoning chain extraction in multi-hop question answering

연구진은 사람이 직접 정답 근거를 표시한 데이터 없이도 질문에 대한 추론 과정(reasoning chain)을 자동으로 찾아내는 다중 도약 질문 답변(multi-hop question answering) 모델을 개발했다. 이 모델은 텍스트를 규칙 기반으로 삼중항(triple)으로 변환한 뒤, 질문과 유사한 문서를 선별하고 반복적인 클러스터링(clustering)과 필터링, 마스킹(masking) 과정을 거쳐 핵심 증거 문장을 식별한다. 핫팟QA(HotpotQA) 데이터셋을 활용한 실험 결과, 기존의 지도 학습 방식보다 증거 식별 성능이 뛰어남을 입증했다. 또한 2위키멀티홉QA(2WikiMultiHopQA)에서도 지도 학습 모델과 대등한 성능을 기록했다. 이 방식은 주석이 달린 방대한 데이터가 없어도 질문 답변의 근거를 해석 가능한 형태로 제공할 수 있어, 향후 인공지능의 투명성을 높이는 데 기여할 것으로 평가된다.

바로가기

📖 Machine Learning - 1건

SCI-IDEA: Context-Aware Scientific Ideation Using Token and Sentence Embeddings

연구진은 대규모 언어모델(large language model, LLM)을 활용한 과학적 아이디어 생성 시스템인 사이-아이디어(SCI-IDEA)를 개발했다. 기존 시스템은 방대한 연구 문헌을 처리할 때 문맥 창(context window) 제한과 낮은 아이디어 품질이라는 한계를 보였다. 사이-아이디어는 연구 논문을 목적, 방법론, 평가, 향후 과제라는 핵심 단면(facet)으로 압축해 처리 효율을 높였으며 토큰 단위 임베딩(embedding)을 통해 혁신성과 의외성을 정량적으로 측정하는 아하 모멘트(Aha-Moment) 탐지 모듈을 도입했다. 100명의 컴퓨터 과학 연구자 데이터를 대상으로 실험한 결과, 토큰 단위 임베딩을 적용한 모델은 기존 방식 대비 아이디어의 실현 가능성(feasibility)을 통계적으로 유의미하게 개선했다. 비록 자동 평가와 전문가 평가 간 점수 차이가 존재했으나, 이 프레임워크는 구조화된 문맥 분석과 반복적인 개선 과정을 통해 더욱 실용적이고 창의적인 연구 아이디어를 도출할 수 있음을 증명했다.

바로가기

📖 Neural Computing and Applications - 5건

Educational integrity in the age of generative AI: an interpretable random forest-based detection framework

로지스틱 회귀(logistic regression)와 나이브 베이즈(naive bayes) 같은 고전적 기계학습 모델이 생성형 인공지능(generative AI)으로 작성한 글을 판별하는 데 탁월한 성능과 효율을 보였다. 연구진은 단어 빈도-역문서 빈도(TF-IDF) 특성 추출 기법을 활용해 6개의 분류기를 10겹 층화 교차 검증(10-fold stratified cross-validation)으로 평가했고, 그 결과 서포트 벡터 머신(SVM)과 나이브 베이즈가 0.99 이상의 높은 F1 점수를 기록했다. 특히 로지스틱 회귀와 나이브 베이즈는 딥러닝 모델보다 계산 비용이 현저히 낮아 실무 환경에 즉각 도입하기 적합하다. 또한 샤프(SHAP)와 라임(LIME)을 적용해 판별 근거를 시각화함으로써 모델의 해석 가능성까지 확보했다. 이 결과는 교육 현장에서 학술적 진실성을 지키기 위해 복잡한 딥러닝 모델 대신 가볍고 투명한 고전적 알고리즘을 활용할 수 있다는 실용적 대안을 제시한다.

바로가기

Reading recognition for pointer meters based on SAM and MLLM

산업 현장의 계기판 수동 판독 문제를 해결하기 위해 세그먼트 애니씽 모델(Segment Anything Model, SAM)과 다중모달 대규모 언어모델(multimodal large language model, MLLM)을 결합한 새로운 자동 판독 체계를 개발했다. 연구진은 SAM의 프레임 시퀀스 메커니즘을 적용해 고품질 데이터셋을 자동으로 구축하고 수동 라벨링 작업을 없앴다. 이어 저순위 적응(low-rank adaptation, LoRA)으로 미세 조정된 MLLM을 활용해 빛 반사나 가림 현상이 심한 환경에서도 정확한 문자 인식 성능을 확보했다. 좌표 변환 과정에서 발생하는 이미지 왜곡 보정 기법까지 더한 결과, 0.23%의 낮은 오차율을 기록하며 기존 수동 방식과 대등한 정밀도를 입증했다. 이 기술은 별도의 대규모 수동 데이터 구축 없이도 산업 자동화 현장에 즉시 적용 가능한 효율적인 해결책을 제시했다는 점에서 학술적 가치가 크다.

바로가기

Numerical and ANN optimization analysis for Williamson fluid flow across a porous surface

연구진은 다공성 표면을 지나는 윌리엄슨 유체(Williamson fluid)의 흐름과 열전달 특성을 수치 해석과 인공 신경망(artificial neural network, ANN)을 활용해 최적화했다. 먼저 매트랩(MATLAB)의 BVP4C 솔버를 사용해 유동 방정식의 해를 구하고 물리적 특성을 분석한 뒤, 다중 선형 회귀(multiple linear regression, MLR) 알고리즘으로 물리적 수치를 예측하여 높은 정확도를 입증했다. 특히 ANN 모델은 99%의 정밀도를 기록하며 유체 역학적 변수 최적화에 뛰어난 성능을 보였다. 해당 분석 결과는 암 치료, 약물 전달 시스템, 혈류 분석 등 생물학적 응용 분야에서 에너지 효율적인 기술을 설계하는 데 핵심적인 기여를 한다.

바로가기

Emerging artificial intelligence in thyroid cancer intervention: an overview

인공지능(AI)은 갑상선암 진단과 치료 계획 수립에서 전문 의료진과 대등하거나 더 뛰어난 성능을 보이며 정밀 의료의 핵심 자산으로 자리 잡았다. 연구진은 기계학습(machine learning), 딥러닝(deep learning), 방사선체학(radiomics) 기술을 분석한 결과, AI가 진단 특이도 90.6%와 민감도 91.0%를 기록하며 숙련된 방사선사의 성능을 능가하거나 대등한 수준에 도달했음을 확인했다. 기술은 영상 해석의 정확도를 높이고 임상 의사결정을 지원해 환자의 불필요한 검사를 줄이고 의료 자원을 절감하는 성과를 냈다. 다만 임상 현장 도입을 위해서는 데이터의 한계, 모델의 해석 가능성(interpretability), 규제 문제 등 넘어야 할 과제가 존재한다. 이 연구는 AI가 정밀 종양학 분야에서 갑상선암 치료의 질을 높이는 강력한 도구임을 입증했다는 점에서 의의가 있다.

바로가기

Conditional skip liquid neural networks: an efficient inference framework for large-scale time-series cloud resource prediction

연구진은 액체 신경망(liquid neural network, LNN)의 높은 추론 비용 문제를 해결하기 위해 조건부 건너뛰기(conditional skip) 메커니즘을 도입한 새로운 구조를 개발했다. 기존 LNN은 상미분 방정식(ordinary differential equation, ODE) 솔버를 사용해 계산량이 많았으나, 이번 방식은 데이터 특성에 따라 정밀한 ODE 연산 경로와 근사적인 선형 보간 경로를 동적으로 선택한다. 통계적 지표와 적응형 단계 크기 제어를 활용한 건너뛰기 모듈이 계산 밀도를 실시간으로 조절하며 연산 복잡도를 O(d) 수준으로 낮췄다. 실제 클라우드 작업량 데이터 실험 결과, 정확도를 유지하면서도 추론 속도를 획기적으로 개선했다. 자원이 제한된 환경에서도 고성능 시계열 예측을 가능하게 한다는 점에서 실용적 가치가 크다.

바로가기

📖 AI & Society - 5건

AI can be wrong, but it cannot bear being wrong

안티 코스키넨은 인공지능(artificial intelligence, AI)이 실수를 저지를 수는 있으나 그 무게를 감당할 수는 없다는 도덕적 역설을 지적했다. 인간은 오류를 통해 자신의 세계관을 재구성하고 그 경험을 지혜로 축적하며 행동의 도덕적 신중함을 얻는다. 반면 대규모 언어모델(large language model, LLM)은 생애 연속성과 결과에 대한 책임이라는 필수 조건이 결여되어 있어 판단의 무게를 지지 못한다. 시스템의 성능이 정교해질수록 인간은 이를 도덕적 행위자로 착각하며 책임을 전가하는 오류에 빠진다. AI에 도덕적 무게를 부여하려 하면 시스템이 고통을 느끼는 도덕적 주체가 되어야 한다는 딜레마가 발생한다. 인간은 기술의 편리함 뒤에 숨겨진 이 무게의 공백을 인식하고 중대한 판단을 시스템에 위임할지 여부를 스스로 결정해야 한다.

바로가기

Correction to: Measuring public opinion towards artificial intelligence: development and validation of a general AI attitude short scale

마르쿠스 노보트니(Marcus Novotny) 연구진은 인공지능(artificial intelligence, AI)에 대한 대중의 태도를 측정하는 척도의 통계적 오류를 바로잡았다. 기존 논문 내 표 11과 표 12에서 결정계수(R-squared)와 조정 결정계수(adjusted R-squared) 수치가 잘못 기재된 점을 발견했다. 구체적으로 모델 1의 결정계수 0.590을 0.198로, 조정 결정계수를 0.194로 정정했다. 또한 표 12의 7번째 행에서 누락된 AI 태도 평균 총점 항목을 추가했다. 이번 정정은 데이터 분석의 정확성을 확보하여 연구의 신뢰도를 높였다는 점에서 의의가 있다.

바로가기

Avatar beyond replication: digital human thought twins as co-creators through AI mind design in Eastern and Western thought

인공지능(artificial intelligence, AI) 기반 디지털 휴먼 사고 쌍둥이(digital human thought twin)가 단순한 복제를 넘어 예술적 창작의 동반자로 기능할 수 있음을 확인했다. 연구진은 GPT-4o를 기반으로 분석, 성찰, 턴테이킹(analyzing-reflecting-turn-taking, A.R.T.) 과정을 구현한 사고 쌍둥이 모델 '힉스(Higgs)'를 개발했다. 칸트와 사르트르 등 서양 철학의 주체성 논의와 불교의 공(śūnyatā), 도교의 음양(yin–yang) 개념을 결합해 AI의 창의적 역할을 재정의했다. 사용자 경험 설문조사(user experience questionnaire, UEQ) 평가 결과 힉스는 자율적 학습과 상호작용 측면에서 높은 점수를 기록하며 창작 파트너로서의 가능성을 입증했다. 이번 연구는 기술과 인간의 관계를 재해석함으로써 인공지능 시대의 창작 주체성과 예술적 정체성에 대한 새로운 이론적 토대를 마련했다.

바로가기

Trust in AI: supportive vs. autonomous roles across four domains

사람들은 자율적인 인공지능(artificial intelligence, AI)보다 인간의 의사결정을 보조하는 AI를 훨씬 더 신뢰한다. 연구진은 141명을 대상으로 의료, 금융, 업무, 교육 분야에서 AI의 역할을 비교 조사한 결과, 모든 영역에서 보조적 AI에 대한 선호도가 압도적으로 높음을 확인했다. 자율형 AI에 대한 신뢰는 개인의 성향보다 AI 사용 경험과 변화를 수용하는 가치관에 의해 결정된다. 이번 결과는 기술적 투명성보다 반복적인 노출을 통한 친숙함이 사용자 신뢰 형성에 더 중요하다는 점을 시사한다. 따라서 향후 AI 설계 시 기술적 복잡성을 설명하기보다 인간 중심의 소통을 통해 심리적 안정감을 높이는 전략이 필요하다.

바로가기

Structuring administrative judgment for reasoning-oriented AI: a case of foreign food facility registration

행정 업무의 책임 소재를 명확히 하면서도 인공지능(AI)을 활용할 수 있도록 판단 근거를 구조화하는 '판단 이유 코드(Judgment Reason Code, JRC)' 체계를 제시했다. 연구진은 외국 식품 시설 등록과 같이 해석적 판단이 중요한 영역에서 AI가 결과만 예측하는 방식은 책임 소재를 모호하게 만든다고 보았다. 이에 따라 도메인, 하위 유형, 태그로 구성된 3단계 계층 구조를 도입해 사람이 내린 판단의 논리적 근거를 기계가 해석 가능한 단위로 변환했다. 이 방식은 AI가 결정을 자동화하지 않고 오직 인간의 판단 근거를 추적하고 재사용하게 함으로써 행정적 책임성을 유지한다. 이 연구는 행정 지원 시스템에서 AI와 인간의 협업(human-in-the-loop, HITL)을 강화하고 제도적 지식을 체계적으로 축적할 수 있는 설계 모델을 마련했다는 점에서 의의가 있다.

바로가기

📖 Complex & Intelligent Systems - 1건

Well path lightweight prediction model construction method for rotary steerable system based on composite knowledge distillation

회전 조향 시스템(rotary steerable system, RSS)에서 정밀한 경로 예측과 경량화를 동시에 달성하는 새로운 모델 구축 방식을 개발했다. 연구진은 그래프 표현 학습(graph representation learning)과 시계열 예측(time series forecasting, TSF)을 결합해 고정밀 교사 모델을 구축한 뒤, 중간 계층의 특징을 적응적으로 융합하는 동형 지식 증류(isomorphic knowledge distillation) 기법을 적용했다. 이 방식은 출력 계층과 중간 계층의 지식을 복합적으로 전달하며 학습 과정에서 가중치를 동적으로 최적화한다. 그 결과 학생 모델은 기존 교사 모델 대비 98%의 압축률을 달성하면서도 정확도 손실을 최소화해, 성능 저하 없이 현장 장비 탑재가 가능한 효율적인 경로 예측 환경을 구현했다.

바로가기

📖 Cognitive Computation - 3건

Artificial Intelligence Empowered Traumatic Brain Injury Diagnosis: A Comprehensive Survey of Methods and Applications

인공지능(artificial intelligence, AI)은 외상성 뇌손상(traumatic brain injury, TBI)의 핵심 진단 도구인 컴퓨터 단층촬영(computed tomography, CT) 영상을 분석하여 두개내 출혈(intracranial hematoma, ICH)을 신속하고 정확하게 판독한다. 연구진은 합성곱 신경망(convolutional neural network, CNN)과 같은 최신 딥러닝(deep learning) 기법이 병변의 위치 파악과 유형 분류에서 전문의 수준의 성능을 보임을 확인했다. 또한 뇌의 정중선 이동(midline shift, MLS) 측정이나 두개골 골절(skull fracture) 탐지 등 임상적 난제를 해결하는 데 AI가 기여하고 있음을 밝혔다. 다만 공개 데이터셋의 부족과 데이터 불균형 문제는 모델의 일반화를 저해하는 주요 요소이다. 따라서 본 연구는 의료 현장에서의 신뢰성을 높이기 위해 임상 데이터 공유 플랫폼을 활성화하고, 2차 손상(secondary injury) 예측과 같은 미개척 분야로 연구 범위를 확장해야 한다고 제언한다.

바로가기

A Derived Functional Framework for Cognitive Computational Learning System

연구진은 뇌의 정보 처리 방식을 모방한 인지 학습 시스템인 그리드-에스디투이(Grid-SD2E)를 개발했다. 이 시스템은 해마 데이터에서 발견된 위치 대칭성을 바탕으로 공간을 분할하고, 베이지안 추론(Bayesian inference)을 활용해 외부 환경과의 상호작용 및 내부 자기 강화 과정을 수행한다. 실험 결과, 제안 모델을 적용했을 때 위치 예측 오차는 유의미하게 감소했으며 예측값과 실제 궤적 간의 상관관계가 크게 향상되었다. 이 연구는 뇌의 복잡한 정보 처리를 기하학적 구조로 추상화하여 인공지능 모델의 인지적 추론 능력을 높이고 뇌의 학습 원리를 계산적으로 규명했다는 점에서 학술적 의의가 크다.

바로가기

Dual Memory Matrix Gannet Optimization with Dynamic Weight Adjustment for Robust Feature Selection

연구진은 기존 개가니 최적화 알고리즘(Gannet Optimization Algorithm, GOA)의 탐색 성능 한계를 극복하기 위해 두 개의 메모리 행렬을 도입한 개선된 개가니 최적화 알고리즘(Improved Gannet Optimization Algorithm, IGOA)을 제안했다. 이 방식은 고품질 솔루션을 강화하고 탐색 공간을 효율적으로 확장하여 지역 최적해에 빠지는 문제를 효과적으로 방지한다. 또한 퍼지 추론 시스템(fuzzy inference system)을 적용해 분류 정확도, 특징 비율, 매튜 상관계수(Matthews correlation coefficient, MCC), 코헨의 카파(Cohen’s kappa) 지표에 따른 가중치를 동적으로 조정하는 새로운 적합도 함수를 설계했다. 17개의 데이터셋과 공학 설계 문제를 대상으로 실험한 결과, IGOA는 고차원 데이터에서 기존 GOA 대비 분류 정확도와 재현율을 높였으며 평균 적합도 값을 71% 개선했다. 이 연구는 복잡한 데이터 분석과 자원 제약 환경에서 특징 선택(feature selection)의 효율성과 정확성을 동시에 확보할 수 있는 강력한 최적화 프레임워크를 제시했다는 점에서 학술적 의의가 있다.

바로가기

📖 Journal of Intelligent Information Systems - 1건

Sustainability-aware evaluation metrics for recommender systems

연구진은 추천 시스템이 환경, 사회, 경제에 미치는 영향을 평가하기 위한 새로운 지속가능성 인식 평가지표(sustainability-aware evaluation metrics)를 제안했다. 기존의 정확도나 사용자 만족도 중심 평가는 시스템의 장기적 사회적 영향을 간과한다는 한계가 있다. 이에 따라 연구진은 유엔(United Nations)의 지속가능발전목표(Sustainable Development Goals, SDGs)를 기준으로 탄소 발자국, 친환경 제품 추천 비율, 에너지 소비 효율 등을 측정하는 지표 체계를 구축했다. 실제 아마존(Amazon) 리뷰 데이터를 활용한 사례 연구 결과, 특정 알고리즘이 추천 효율은 높지만 탄소 발자국이 크거나 에너지 소비가 과도하다는 점이 확인되었다. 이번 연구는 추천 시스템 개발 시 성능 최적화와 지속가능성 목표 사이의 균형을 맞출 수 있는 구체적인 평가 프레임워크를 제공한다는 점에서 학술적 의의가 크다.

바로가기

📖 Journal of Cheminformatics - 2건

ProQSAR: A modular and reproducible framework for small-data QSAR modeling with fit-and-use models

연구진은 정량적 구조-활성 관계(quantitative structure-activity relationship, QSAR) 모델링의 재현성 문제를 해결하기 위해 모듈형 작업대인 프로큐사르(ProQSAR)를 개발했다. 이 도구는 표준화부터 모델 학습, 통계적 비교, 적합성 도메인 평가까지 전체 과정을 자동화하여 데이터 처리의 일관성을 높였다. 특히 교차 등각 예측(cross-conformal prediction)을 통합해 예측값의 불확실성을 정량화하고, 분자넷(MoleculeNet) 벤치마크 테스트에서 기존 그래프 방식보다 우수한 예측 성능을 보였다. 해당 프레임워크는 배포 가능한 형태의 결과물과 분석 보고서를 자동으로 생성하여 신약 개발 현장에서의 실무적 활용도를 극대화했다는 점에서 학술적 가치가 크다.

바로가기

Predicting enzyme-compound associations for enzyme-catalysed reactions

연구진은 효소 번호(enzyme commission number, EC)와 화학 화합물 간의 연관성을 예측하는 계층적 다중 라벨 분류기(hierarchical multi-label classifier) 프레임워크를 개발했다. 기존 방식은 효소 정보가 불분명한 환경에서 예측 정확도가 낮았으나, 이번 모델은 스스로 최적의 하이퍼파라미터를 찾는 방식으로 최대 93.2%의 계층적 F1 점수를 기록하며 성능을 개선했다. 특히 생분해 반응 데이터에 적용한 결과 효소 정보를 활용할 때 화학 제품의 생성 예측 정확도가 약 2%포인트 향상되었다. 복잡한 반응 환경에서도 효소 역할을 정확히 추론할 수 있게 함으로써 제약 대사나 환경 화학 물질 분해 과정의 안전성을 평가하는 데 기여한다.

바로가기