마이크로소프트 리서치, AI 에이전트 및 예측 모델 개선 연구 공개

AI 에이전트 성능 및 학습 개선

마이크로소프트 리서치는 최신 'Microsoft Research Focus'를 통해 AI 에이전트의 효율성과 학습 능력을 향상하는 여러 연구 성과를 공개했다. 여기에는 복잡한 작업을 처리하는 AI 에이전트의 의사결정 능력을 개선하는 ForkPilot 프레임워크, 코딩 에이전트의 실패 원인을 분석하는 CABRA, 그리고 사용자 활동 로그를 통해 에이전트 기술을 발전시키는 TeleTune 등이 포함된다.

ForkPilot은 AI 에이전트가 잘못된 결정 시점을 파악하고 전략을 조정하도록 학습하는 자체 개선 프레임워크이다. 이 프레임워크는 6개의 벤치마크와 주요 AI 모델에서 테스트되었으며, 기존 최고 방법과 동등한 성능을 보이면서 AI 처리 요구량을 최대 59%까지 줄이는 결과를 나타냈다. 이는 AI 에이전트가 복잡한 문제를 더욱 안정적이고 효율적으로 해결할 수 있음을 시사하며, 대규모 배포 시 실용성과 비용 효율성을 높인다.

CABRA는 코딩 에이전트의 성공과 실패 요인을 이해하기 위한 프레임워크로, 처음부터 코딩 과제를 생성한다. 연구자들은 이 도구를 통해 복잡도를 통제된 방식으로 증가시키고 에이전트에게 가장 어려운 기술을 정확히 찾아낼 수 있었다. 수천 개의 생성된 과제를 분석한 결과, 에이전트들은 도구를 사용하여 코딩 문제를 해결하는 경우가 많았으나, 낯선 코드베이스를 이해하는 데는 여전히 어려움을 겪는 것으로 나타났다. 이는 기존 코드 이해가 효과적인 코딩 에이전트 개발의 주요 장애물임을 시사한다.

TeleTune은 컴퓨터 사용 에이전트가 클릭 및 타이핑과 같은 작업을 수행하는 데 필요한 재사용 가능한 기술과 워크플로우를 사용자 활동 로그에서 학습하는 새로운 프레임워크이다. 이 시스템은 활동 로그에 기록되지 않은 각 작업의 의도를 추론하고, 여러 작업이 결합된 경우에도 작업 목표를 파악한다. 소프트웨어 및 브라우저 작업 평가에서 TeleTune은 기존 접근 방식보다 우수한 성능을 보였다. TeleTune은 기존 활동에서 학습함으로써 AI 에이전트가 낯선 소프트웨어에 적응하고 복잡한 다단계 워크플로우를 수행하도록 돕는 확장 가능한 방법을 제공한다.

AI 활용 패턴 분석 및 교육 현장 적용

마이크로소프트 연구진은 산업 전반에 걸친 AI 활용 방식이 겉으로는 유사해 보이지만, 실제로는 중요한 차이가 있음을 발견했다. 이는 Copilot Chat 활동 데이터를 광범위한 고객 범주에 걸쳐 집계하여 분석한 결과이다.

연구 결과에 따르면, 문서 편집이 분류된 활동 중 20% 이상을 차지하며 가장 흔한 활동으로 나타났다. 그러나 가장 일반적인 20가지 활동을 제외하고 분석했을 때, 고객 카테고리 간의 AI 활용 방식 차이가 훨씬 두드러졌다. 이는 기업 리더들이 산업 내 다른 기업과 동일한 AI 요구사항을 가지고 있다고 가정해서는 안 되며, 사용 통계를 넘어 직원들이 실제로 수행하는 작업과 중요한 결과에 초점을 맞춰야 함을 시사한다.

Shiksha Copilot은 인간 참여형(human-in-the-loop) AI 도구로, 교사들의 업무 흐름을 혁신할 수 있는 잠재력을 보여준다. 인도 저자원 학교에서 진행된 연구에 따르면, 이 도구는 교사들이 이중 언어 수업 계획 및 행정 업무에 소비하는 시간을 줄여주었다. 이를 통해 교사들은 더욱 매력적인 교실 활동을 만드는 데 더 많은 시간을 할애할 수 있었다.

천 명 이상의 교사가 이 연구에 참여했으며, 많은 교사가 스트레스 감소와 AI의 도움에 대한 긍정적인 인상을 보고했다. 이 교사들은 Shiksha Copilot과 적극적으로 상호작용하며, 전문 지식을 활용하여 자료를 자신의 교실에 맞게 조정하고 재활용했다.

장기 기상 예측 및 생체 분자 연구 발전

10일 기상 예측은 상당한 신뢰성을 확보했지만, 그 이후의 몇 주간 예측은 여전히 주요 과제로 남아 있었다. 2주에서 6주 사이의 중장기 예측은 농업, 산불 관리, 극한 기상 대비 등 광범위한 중요한 의사결정에 필수적이다. 마이크로소프트는 이 격차를 해소하기 위한 새로운 머신러닝 프레임워크를 개발했다.

Probabilistic Bias Correction(PBC)이라는 이 머신러닝 프레임워크는 기상 모델의 과거 오류를 학습하고 이를 수정하는 데 도움을 준다. PBC는 장기 예측 개선을 위한 글로벌 대회에서 최고 영예를 얻었으며, 케냐에서는 농부들을 위한 중요한 몬순 예측 개선에 활용되고 있다. 이 기술 발전은 광범위한 응용 분야에서 기상 예측의 유용성을 높일 수 있다.

생체 분자 구조, 역학 및 기능을 이해하기 위한 새로운 기반 모델인 BioEmu2가 공개 프리뷰로 제공된다. 마이크로소프트 리서치 AI for Science 팀이 개발한 BioEmu2는 단백질 작동 방식을 과학자들이 더 잘 이해하도록 돕기 위해 설계된 딥러닝 모델인 Biomolecular Emulator를 기반으로 한다.

단백질 기능에 대한 이해는 의학 분야에 중요한 영향을 미칠 수 있다. 과학자들은 단백질 기능에 대해 더 많이 학습함으로써 유익한 단백질 활동을 강화하거나 단백질이 해를 끼치는 것을 방지하는 더욱 효과적인 약물 개발에 한 걸음 더 다가설 수 있다. BioEmu2 모델은 마이크로소프트 리서치 GitHub 저장소에서 탐색할 수 있다.