반응형 MIT5 MIT 아이스버그 지수, 지금의 AI만으로도 노동력 11.7% 대체 가능…기업은 얼마나 대비되어 있는가 MIT와 오크리지국립연구소(ORNL)가 발표한 ‘아이스버그 지수(Iceberg Index)’는 생성형 AI가 노동시장에 미치는 영향을 정량적으로 제시한 첫 시뮬레이션 기반 분석이다. 특히 이번 분석은 특정 산업의 해고 사례처럼 표면적으로 드러나는 영향만을 측정한 것이 아니라, 미국 전체 노동자 1억5100만명을 디지털 트윈으로 모델링해 AI로 대체 가능한 ‘실제 기술·업무 단위’를 평가했다는 점에서 중요성이 매우 크다. AI 자동화가 기술 기업에서만 일어나는 것이 아니라, 기존에는 저위험군으로 분류되던 인사·사무·재무·물류까지 전방위적으로 확산되고 있다는 점이 드러났다.기술 핵심 분석아이스버그 지수의 핵심은 직무(Job)가 아니라 업무(Task)와 기술(Skill)을 AI 수행 가능성으로 세분화한 점이다.. 2025. 11. 28. "95%가 AI로 돈 못 벌었다?" MIT의 충격 보고서, 현직 개발자가 분석한 AI 도입 실패의 진짜 원인 (feat. 돈 버는 AI 프로젝트 공식) 안녕하세요, 맥크리 코드 랩 독자 여러분.오늘 아침, MIT의 난다(NANDA) 이니셔티브가 발표한 보고서 기사를 접하고 적잖은 충격을 받았습니다. "생성 AI를 도입한 기업 95%가 매출 성장 효과를 못 봤다"는 제목은, 그동안 AI가 모든 문제의 해결책인 것처럼 포장되던 분위기에 찬물을 끼얹는 듯했습니다. AI를 도입하면 무조건 성과가 난다는 긍정적 전망만 가득했던 시장에, 드디어 현실적인 분석이 등장한 것입니다. 그렇다면 왜 대부분의 기업은 AI로 돈을 벌지 못하는 걸까요? 이것은 AI 기술 자체의 한계일까요, 아니면 다른 근본적인 문제가 있는 걸까요? 현직 개발자로서 이 보고서가 던지는 메시지를 심층적으로 분석하고, 우리가 돈 버는 AI 프로젝트를 만들려면 어떻게 해야 하는지 그 공식을 함께 찾아.. 2025. 8. 25. MIT, AI 모델 훈련의 투명성을 높이다! 데이터 출처 탐색기 공개 데이터의 투명성을 확보하여 AI 모델의 신뢰성을 높이다!인공지능(AI) 기술의 발전과 함께 데이터의 중요성이 날로 커지고 있습니다.그러나 대형 언어 모델(LLM) 훈련에 필요한 데이터셋의 출처와 사용 정보가 불명확한 경우가 많아 법적, 윤리적 문제를 야기하고 있습니다.최근 MIT 연구팀이 이 문제를 해결하기 위한 혁신적인 도구를 공개했습니다. 바로 ‘데이터 출처 탐색기(Data Provenance Explorer)’입니다.이 도구는 데이터셋의 제작자, 출처, 라이선스, 허용된 사용법에 대한 요약 정보를 자동으로 생성하여 AI 모델의 훈련 과정에서 발생할 수 있는 문제를 사전에 예방하고, 데이터의 투명성을 확보하는 데 기여하고자 합니다.데이터 출처 탐색기의 혁신적인 기능과 필요성AI 모델 훈련에는 막대한 .. 2024. 9. 17. 의료 이미지 분석 혁신, MIT-하버드-매사추세츠병원 협력으로 탄생한 AI '스크리블프롬프트' 의료 이미지를 빠르고 정확하게 주석 다는 AI 도구, 오픈 소스로 공개의료 이미지 분석의 새로운 시대가 열리고 있습니다. MIT 컴퓨터 과학 및 인공지능 연구소(CSAIL), 매사추세츠 종합병원(MGH), 하버드 의대 연구진이 공동 개발한 AI 모델 ‘스크리블프롬프트(ScribblePrompt)’가 의료 이미지 주석 작업의 혁신을 가져오고 있습니다. 이 모델은 MRI, 초음파, 엑스레이 등 다양한 의료 이미지를 빠르고 정확하게 분석할 수 있도록 지원하며, 현재 오픈 소스로 공개되었습니다.스크리블프롬프트란 무엇인가?스크리블프롬프트는 대화형 AI 프레임워크로, 이미지 주석 작업을 크게 간소화합니다. 사용자는 간단한 클릭이나 낙서를 통해 관심 영역을 강조할 수 있으며, 이로 인해 작업 시간과 비용이 획기적으로.. 2024. 9. 11. MIT, AI 데이터셋 출처 투명성 확보를 위한 '데이터 출처 탐색기' 공개 최근 MIT 연구진이 발표한 ‘데이터 출처 탐색기(Data Provenance Explorer)’ 도구는 AI 모델 훈련에서 데이터셋의 출처와 사용 정보를 자동으로 정리하여 AI 개발자들에게 새로운 가능성을 열어주고 있습니다. 이번 연구는 데이터셋의 라이선스와 출처의 명확성을 확보함으로써 AI 모델의 신뢰성을 높이는 데 중요한 역할을 할 것으로 기대됩니다.데이터셋 투명성의 필요성AI 모델의 성능은 훈련에 사용되는 데이터셋의 품질에 크게 의존합니다. 그러나 대형 언어 모델(LLM) 훈련에는 다양한 웹 소스에서 수집된 대규모 데이터셋이 필요하며, 이 과정에서 데이터 출처와 사용 제한 사항이 자주 혼동되거나 누락되는 문제가 발생합니다. 이러한 정보 부족은 법적 및 윤리적 문제를 일으킬 수 있으며, 모델의 성능.. 2024. 9. 5. 이전 1 다음 반응형
