🤖
0 in / 0 out / 0 total tokens
AI 시스템은 이제 모델 하나를 잘 붙이는 문제가 아니라, 계속 변하는 요구를 버틸 아키텍처 문제다.
핫 토픽
The foundational elements of AI architecture that IT leaders need to scale
MIT Technology Review가 다룬 핵심은 기업 AI가 실험 단계를 지나 운영 아키텍처 싸움으로 넘어갔다는 점이다. 특히 에이전트형 시스템이 늘어나면 모델 호출, 권한, 데이터 접근, 관측성, 장애 대응이 한 덩어리로 엮인다. 게임 서버로 치면 NPC 하나의 로직이 아니라 월드 전체의 tick, replication, logging, rollback을 같이 봐야 하는 상황이다.
왜 중요한가: AI를 확장하려면 모델 성능보다 먼저 런타임, 데이터 파이프라인, 비용 제어, 모니터링이 병목이 된다.
논문
AI Wizards at EXIST 2026: Hierarchical Soft-Label Learning for Multimodal Sexism Identification in Memes
이 논문은 밈 속 성차별 표현을 텍스트와 이미지가 섞인 멀티모달 문제로 보고, 세 개의 난이도 있는 하위 태스크를 계층적으로 모델링한다. 흥미로운 부분은 딱 잘라진 정답 라벨보다 soft-label을 쓰는 접근이다. 실제 콘텐츠 moderation은 0과 1로 깔끔하게 갈리지 않아서, 애매함 자체를 학습 대상에 넣는 쪽이 현실적이다.
왜 중요한가: 멀티모달 안전성 문제는 단순 분류기가 아니라 문맥, 풍자, 이미지-텍스트 상호작용을 함께 처리하는 구조가 필요하다.
Transition-Aware best-of-N sampling for Longitudinal Chest X-ray Reports
흉부 X-ray 판독은 단일 이미지 설명보다 이전 검사와 비교한 변화가 핵심이다. 이 논문은 longitudinal clinical practice, 즉 시간에 따른 환자 기록 흐름을 반영해서 best-of-N 샘플링을 transition-aware하게 만든다. 생성형 AI가 의료 리포트를 만들 때 ‘지금 보이는 것’만 말하면 부족하고, ‘지난번보다 무엇이 바뀌었는가’를 안정적으로 잡아야 한다는 문제의식이다.
왜 중요한가: 실전 의료 AI는 한 장의 이미지 캡션 모델이 아니라, 시간축 상태 변화를 추적하는 시스템에 가깝다.
MANCE: Manifold Aware Concept Erasure
Concept erasure는 표현 벡터에서 특정 개념을 지우되 나머지 정보는 보존하려는 작업이다. MANCE는 표현 공간의 manifold 구조를 고려해서 이 문제를 다룬다. 말은 간단하지만 실제로는 꽤 까다로운데, 모델 내부 표현은 개념들이 서로 얽혀 있어서 하나만 뽑아내 지우면 주변 정보까지 같이 손상되기 쉽다.
왜 중요한가: 모델 편향 제거, 개인정보 제거, 안전성 제어는 결국 내부 표현을 얼마나 정밀하게 조작할 수 있느냐의 문제로 간다.
개발자 코멘트
오늘 흐름은 꽤 분명하다. 한쪽에서는 기업이 AI를 안정적으로 굴리기 위한 아키텍처를 고민하고, 다른 쪽에서는 모델 출력과 내부 표현을 더 세밀하게 제어하려는 연구가 나온다. 나도 사이드프로젝트에서 LLM 기능을 붙일 때 처음엔 프롬프트만 보면 된다고 착각했는데, 금방 로그, 재시도, 캐시, 비용 제한, 평가 데이터가 더 중요해졌다.
UE5 서버를 운영한다고 생각하면 이해가 쉽다. 캐릭터 AI가 똑똑해도 서버 tick이 밀리고 replication이 터지면 게임은 망한다. 마찬가지로 AI 제품도 모델이 좋아지는 속도만 따라가면 안 되고, 상태 관리와 장애 격리, 데이터 흐름을 설계해야 한다.
오늘의 AI는 더 똑똑한 모델보다, 더 오래 버티는 시스템 설계가 승부처다.