해맑은리트리버

멀티 레이블 분류에서는 일반적으로 각 클래스를 독립적인 이진 분류 문제로 취급하고 Binary Cross Entropy Loss를 사용한다.하지만 이러한 방식은 근본적인 한계를 가진다.BCE는 각 클래스를 서로 독립적으로 다루기 때문에 positive 클래스와 negative 클래스 사이의 상대적인 순위를 직접 학습하지 않는다.즉, 정답 클래스의 점수가 오답 클래스보다 얼마나 높아야 하는지에 대한 정보가 손실 함수에 명시적으로 포함되어 있지 않다.또한 실제 멀티 레이블 데이터는 대부분 positive label보다 negative label이 압도적으로 많기 때문에 심각한 클래스 불균형 문제가 발생한다.이를 해결하기 위해 클래스 빈도에 따라 가중치를 조정하는 Balanced BCE나, positive 샘..

과거 개발은 대부분 아이디어 → 코드 작성 → 디버깅 → 배포와 같았다.하지만 Agentic AI 시대에는 명세 작성 → AI 코드 생성 → 검증 → 배포로 흐름이 완전히 바뀐다. Google의 Spec-Driven Production Grade Development in the Age of Vibe Coding 백서는 이를 Spec-Driven Deveopment(SDD)라고 부른다. AI가 충분히 좋은 명세를 받는다면 코드 자체는 언제든 다시 생성할 수 있다며 코드는 자산이 아니라 산출물이라는 관점이 등장한다. 좋은 AI 개발자는 좋은 프로그래머가 아니라 좋은 스펙 작성자라고 말한다.AI는 매우 똑똑하지만 스펙이 모호하면 추측한다.그리고 기업 환경에서 AI의 추측은 곧 장애가 된다. 좋은 스펙에는 다..

AI 코딩 에이전트의 발전 속도는 상상을 초월하고 있다.이제 우리는 더 이상 코드를 직접 작성하지 않는다.대신 자연어로 의도를 설명한다."대시보드를 만들어줘.""로그인 기능을 추가해줘.""성능을 개선해줘." 그러면 AI가 코드를 작성하고, 실행하고, 수정하고, 배포까지 수행한다.Google의 Vibe Coding Agent Security and Evaluation 백서는 이러한 변화를 다음과 같이 정의한다.소프트웨어 개발은 "코드를 작성하는 행위"에서 "의도를 표현하는 행위"로 이동하고 있다. 하지만 여기서 새로운 문제가 등장한다.AI가 코드를 만드는 것은 쉬워졌다.문제는 그 코드가 안전한지, 그리고 정말 우리가 원한 결과인지 확인하는 것이다.기존 소프트웨어 보안은 비교적 단순했다.코드 리뷰인증권한 관..

5월 4일부터 8일까지 5일간 스페인 바르셀로나 국제 컨벤션 센터에서 개최된 ICASSP 2026에 참가했다.이번 논문을 준비하면서 처음 ICASSP을 알게 되었는데, ICASSP은 International Conference on Acoustics, Speech, and Signal Processing의 약자로 음향, 음성, 신호처리 분야를 대표하는 세계적인 학회이다. 이름에서 알 수 있듯이 오디오와 신호처리 분야가 중심이지만, 실제로는 이미지·비디오 처리부터 IoT(Internet of Things), 원격탐사(Remote Sensing)까지 매우 다양한 연구 분야를 폭넓게 다루고 있다.올해 ICASSP에는 약 1만 편의 논문이 제출되었으며, 이는 지난해 약 6천 편 대비 크게 증가한 수치이다.전체 ..

Oh My Claude Code, 허예찬 멀티 에이전트라고 하면 자연스럽게 "에이전트를 몇 개 돌릴까?", "어떤 모델을 붙일까?" 같은 질문부터 떠올렸다.하지만 발표에서는 시작부터 그런 접근이 본질이 아니라고 이야기했다. 멀티 에이전트의 핵심은 에이전트 수가 아니라 오케스트레이션(Orchestration) 에 있다.즉, 몇 명의 에이전트가 참여하는지가 아니라 어떤 상태에서 누가 무엇을 책임지는지, 그리고 실패했을 때 어떻게 복구되는지를 설계하는 것이 더 중요하다는 것이다. 이 관점에서 보면 나쁜 멀티 에이전트 시스템은 생각보다 단순하다.여러 에이전트에게 같은 질문을 던지고, 나온 결과를 적당히 합치는 수준에 머문다.결과를 평가하는 기준도 없고, 실패했을 때 어디서 문제가 발생했는지도 알 수 없다. 반..

AI 에이전트가 발전하면서 사람들은 점점 더 많은 일을 에이전트에게 맡기기 시작했다.고객 문의 응대, 문서 작성, 코드 생성, 데이터 분석, 보고서 작성까지. 이제 에이전트는 단순한 챗봇이 아니라 실제 업무를 수행하는 시스템으로 진화하고 있다.하지만 에이전트를 실제 환경에 투입해보면 몇 가지 공통적인 문제가 반복적으로 등장한다. Google의 Agent Skills 백서는 이러한 문제를 크게 네 가지로 정리한다.Problem첫째, 지시사항이 많아질수록 성능이 나빠진다.에이전트를 처음 만들 때는 간단하다. "너는 고객 지원 담당자다." 하지만 시간이 지나면서 예외 상황과 업무 규칙이 추가된다.환불 정책배송 정책VIP 고객 처리 규칙보안 규정제품별 예외 사항결국 수천 줄짜리 시스템 프롬프트가 만들어진다.문제..

Active Learning의 목표는 전체 데이터에 라벨을 다는 대신, 모델 학습에 가장 도움이 될 샘플만 골라 라벨링 비용을 줄이는 것이다.라벨 예산이 작을 때는 불확실한 샘플보다, 전체 데이터 분포를 잘 대표하는 샘플을 고르는 것이 더 중요하다.이 관점에서 기존 연구 ProbCover는 매우 자연스러운 아이디어를 제안했다.선택된 라벨 샘플들이 전체 데이터 분포를 얼마나 잘 “덮고 있는지”를 최대화하자는 것이다.하지만 ProbCover는 coverage를 정의할 때 사용하는 반경 ($\delta$)에 성능이 민감하다.이 논문은 이 문제를 해결하기 위해 ProbCover의 coverage 개념을 더 일반적이고 부드러운 형태로 확장한다. 그리고 이를 효율적으로 최대화하는 greedy 알고리즘인 MaxHer..

딥러닝 모델은 많은 라벨 데이터를 필요로 한다. 하지만 실제 현장에서는 라벨링 비용이 크다.의료 영상처럼 전문가가 직접 라벨을 달아야 하는 경우에는 수천, 수만 개의 라벨을 확보하기 어렵다.이때 등장하는 방법이 Active Learning이다. Active Learning의 목표는 간단하다.라벨링 예산이 b개뿐이라면, 어떤 b개의 데이터를 라벨링해야 모델 성능이 가장 좋아질까? 기존 Active Learning은 주로 두 가지 원칙을 따른다.모델이 헷갈려 하는 샘플을 고르는 uncertainty sampling이다.데이터 분포를 다양하게 대표하도록 샘플을 고르는 diversity sampling이다.하지만 문제는 very low-budget regime에서 발생한다. 라벨 예산이 클래스 수와 비슷하거나 ..

최근 AI 에이전트가 단순한 챗봇을 넘어 실제 업무를 수행하는 방향으로 발전하면서 새로운 문제가 등장했다. 각 에이전트가 사용하는 모델도 다르고, 연결해야 하는 도구도 다르며, 서로 다른 회사에서 만든 에이전트끼리 협업해야 하는 상황도 늘어나고 있다. Google의 Agent Tools & Interoperability 백서는 이러한 문제를 해결하기 위한 핵심 표준들을 소개한다.대표적으로:MCP (Model Context Protocol)A2A (Agent-to-Agent)Agent CardA2UI (Agent-to-UI)AP2 (Agent Payments Protocol)UCP (Universal Commerce Protocol)이들은 AI 에이전트 생태계의 공통 언어 역할을 수행한다. 현재 대부분의 ..

“처음 보는 것”을 어떻게 찾을까?Novelty detection은 학습 데이터에는 정상 데이터만 있고, 테스트 시점에 처음 보는 새로운 데이터를 찾아내는 문제다. 예를 들어 여러 종의 새 이미지가 정상 데이터로 주어졌을 때, 학습 중 보지 못한 새로운 새 종을 찾아내는 상황을 생각할 수 있다. 이 문제는 일반적인 분류 문제보다 어렵다. 학습 단계에서 “이것이 novel이다”라는 예시가 없기 때문이다. 더 어려운 경우는 정상 데이터와 novel 데이터가 의미적으로 매우 가까운 fine-grained setting이다. 새와 자동차를 구분하는 것은 상대적으로 쉽지만, 기존 새 종과 새로운 새 종을 구분하는 것은 훨씬 미묘하다. 이 논문은 바로 이 문제를 다룬다. 핵심 질문은 다음과 같다.이미 잘 학습된 p..