프리야 돈티의 기후와 불평등 해결 노력

프리야 돈티는 어린 시절 인도에서의 가족 여행을 통해 불평등과 기후 변화 문제에 대한 해결 의지를 강화하게 되었습니다. MIT 전기공학 및 컴퓨터 과학부의 실버맨 패밀리 경력 개발 교수로 재직 중인 그녀는 지속 가능한 에너지 시스템을 개발하기 위해 인공지능 및 머신러닝을 활용하고 있습니다. 그녀는 기후 변화와 불평등을 해결하는 혁신적인 접근법으로 주목받고 있으며, 그 과정에서 연구와 교육에 힘쓰고 있습니다.

기후 변화와 불평등 인식

프리야 돈티는 어린 시절 가족과 함께한 인도 여행을 통해 심각한 불평등 문제를 처음 직접 경험하게 되었습니다. 그녀는 매사추세츠의 고향에서 자라던 중, 세계의 다른 지역 사람들이 어떻게 살아가는지를 목격했고, 이는 그녀의 인생에 큰 영향을 미쳤습니다. 돈티는 인도에서의 경험을 바탕으로, 세계가 직면한 불평등 해결을 위해 자신의 학문과 연구를 헌신할 결심을 하게 되었습니다. 돈티는 고등학교 시절 생물학 교사에게서 기후 변화와 지속 가능성에 대한 교육을 받았습니다. 이 과정에서 기후 변화가 불평등을 악화시킬 것이라는 사실을 알게 되었고, 이는 그녀에게 큰 자극이 되었습니다. 그녀는 "기후 변화라는 중요한 이슈가 불평등을 더욱 심화시킨다는 것을 알아차리고, 이 문제를 해결하기 위해 노력하겠다는 결심을 하게 되었다"고 자신이 나아가고자 하는 방향을 설명합니다. 프리야는 하비 머드 대학교에 입학하면서 화학이나 재료 과학을 전공하여 차세대 태양광 패널을 개발하겠다고 계획했지만, 결국 컴퓨터 과학에 매료되어 이 분야로 방향을 선회하게 되었습니다. 그녀는 인공지능과 머신러닝이 재생 가능 에너지를 전력망에 통합하는 데 필수적이라고 주장하는 연구자들의 작업에 주목하게 되었고, 이는 그녀의 연구의 기초가 되었습니다.

전력망 최적화를 위한 머신러닝 기술 개발

돈티는 카네기 멜론 대학교에서 박사 과정을 진행하며, 컴퓨터 과학과 공공 정책을 결합한 독창적인 학위 과정을 설계했습니다. 그녀는 재생 가능 에너지를에 의존하는 전력망을 대규모로 관리할 수 있는 기본적인 알고리즘과 도구의 필요성을 탐구했습니다. 그녀의 목표는 머신러닝 기법을 개발하여 에너지 시스템의 실제 요구 사항에 맞춘 효율적인 솔루션을 제공하는 것이었습니다. 그녀의 연구는 전력망 운영자들이 실제 물리적 현실을 반영하여 비용을 최적화할 수 있는 솔루션을 제공하는 데 초점을 맞추고 있습니다. 특히 그녀가 개발한 기술은 기존의 기술보다 10배 더 빠르고 저렴하게 작동할 수 있으며, 이미 많은 전력망 운영자들의 주목을 받고 있습니다. 이러한 기술들은 전력망의 균형을 유지하면서 시간에 따라 변화하는 재생 가능 에너지를 효과적으로 관리하는 데 큰 기여를 할 것으로 기대됩니다. 또한, 돈티는 기계 학습 시스템 훈련에 사용될 수 있는 데이터를 제공하는 기술을 개발하고 있습니다. 많은 관련 데이터들이 보안 또는 소유권 문제로 인해 접근이 어렵지만, 그녀는 합성 데이터를 생성하고 이를 통해 전력 시스템의 효율성을 높이기 위한 체크리스트와 벤치마크를 만드는 작업을 진행하고 있습니다. 이러한 접근은 시스템에 숨겨진 문제를 드러내고, 향후 개선 방향을 제시하는 데 중요한 역할을 합니다.

협업과 사회적 영향의 중요성

프리야 돈티는 박사 과정 중에 기후 변화와 인공지능의 접목을 위한 비영리 단체인 'Climate Change AI'를 공동 설립했습니다. 다양한 분야의 전문가들이 모여 리소스와 교육을 공유하고, 서로의 의견을 교환하여 기후 문제 해결에 기여하는 것을 목표로 하고 있습니다. 그녀는 "기후 문제에 대한 효과적인 해결책을 위해서는 기술, 사회 과학, 정책 분야의 전문가들이 협력해야 한다"고 강조합니다. 2023년 9월 MIT에 합류한 돈티는 사회의 가장 큰 문제들을 해결하기 위해 컴퓨터 과학을 활용하는 다양한 이니셔티브에 참여하게 되어 기뻐하고 있습니다. 그녀는 "기술이 단순히 수익을 추구하는 것이 아니라, 장기적으로 사회에 미치는 영향에 대해 고민하는 생태계가 존재한다"며 MIT에서의 연구 동료들과의 협업을 통해 더 큰 사회적 영향을 창출할 수 있기를 기대하고 있습니다. 그녀가 교수로서 전할 지식과 경험은 새로운 세대의 혁신적인 인재들에게 큰 영감을 줄 것이며, 기후 변화 문제 해결을 위한 큰 발걸음이 될 것입니다. 다음 학기에는 그녀가 AI와 기후 행동에 관한 수업을 공동으로 가르칠 예정으로, 다양한 응용 프로그램과 기술이 어떻게 환경 문제 해결에 기여할 수 있는지를 탐구할 계획입니다.
프리야 돈티의 연구와 기여는 기후 변화와 불평등 문제 해결에 중요한 전환점을 제공하고 있습니다. 앞으로 그녀의 이러한 노력이 더욱 많은 사람들에게 영향을 미치기를 바라며, 함께 협력하고 지식을 나누는 것이 얼마나 중요한지를 인식하는 것이 필요할 것입니다. 기후 행동에 대한 우리 각자의 역할을 생각해보며, 지속 가능한 미래를 향한 다음 단계에 나아가야 할 때입니다.

이 블로그의 인기 게시물

인공지능의 소프트웨어 엔지니어링 도전 과제

MIT 컴퓨터 과학 및 인공지능 연구소(CSAIL)의 최근 연구 논문은 인공지능이 소프트웨어 엔지니어링의 많은 부분을 자동화하여 인간 개발자들이 더 창의적이고 전략적인 문제에 집중할 수 있도록 해야 한다고 주장합니다. 이 논문은 코드 생성을 넘어서는 다양한 소프트웨어 엔지니어링 작업의 현재 bottlenecks를 파악하고 이를 극복하기 위한 연구 방향을 제시합니다. 또한, AI가 해당 분야에서 진정한 파트너가 되기 위해 해결해야 할 여전히 많은 도전 과제를 강조하고 있습니다. AI의 소프트웨어 엔지니어링에 있어 평가 기준의 중요성 AI를 활용한 소프트웨어 엔지니어링에서 가장 큰 도전 과제 중 하나는 효과적인 평가 기준의 부재입니다. 현재 우리가 사용하는 평가 지표는 대개 단기적이고 자율적인 문제 해결에 중점을 두고 있으며, 이는 소프트웨어 엔지니어링의 실제 상황을 반영하지 않습니다. 예를 들어, AI 모델이 GitHub의 특정 문제를 수정하는 데 초점을 맞춘 SWE-Bench와 같은 기준은 AI가 처리해야 할 코드의 범위가 상당히 제한적입니다. AI가 대규모 코드베이스를 최적화하거나 다룰 수 있는 능력을 평가하는 것은 특히 어려운 과제입니다. 오늘날의 메트릭은 짧고 독립적인 문제에 기반해 설계되었으며, 이를 통해 실제 코드 최적화 과정에 대한 신뢰성을 담보하기에는 부족합니다. 따라서 이런 평가 기준의 부족은 AI의 발전 속도를 늦추고 있습니다. AI 주도적인 코드 리팩토링, 인간-AI 협업 프로그래밍, 그리고 대규모 성능 최적화의 시나리오를 반영한 평가 기준이 필요합니다. 이를 통해 AI의 현재 능력을 정확히 측정하고, 실제 성과를 기준으로 발전 방향을 설정할 수 있을 것입니다. 인간과 AI 간의 효과적인 소통 필요성 AI가 소프트웨어 엔지니어링에서 보다 효과적인 도구가 되기 위해서는 인간과 AI 간의 소통 방식의 개선이 필수적입니다. 현재의 AI 시스템은 대개 대량의 비구조적 코드 파일과 단순한 유닛 테스트를 생성하는데 그치고 있습니다. ...
자세한 내용 보기

MIT 연구, 치료 상호작용 최적화 프레임워크 개발

MIT 연구자들이 치료 상호작용을 연구하기 위한 새로운 이론적 프레임워크를 개발하였습니다. 이 접근법은 과학자들이 치료의 조합이 세포와 같은 단위 그룹에 미치는 영향을 효율적으로 추정할 수 있도록 하여, 비용이 많이 드는 실험을 줄이면서도 더 정확한 데이터를 수집할 수 있게 합니다. 이 연구는 향후 질병 메커니즘을 이해하고, 암이나 유전 질환 치료에 새로운 의약품 개발에 기여할 잠재력을 가지고 있습니다. MIT의 혁신적인 연구 MIT의 연구자들은 치료 상호작용을 깊이 있게 분석할 수 있는 새로운 이론적 프레임워크를 개발했습니다. 이 연구는 복잡한 유전자 상호작용과 세포 성장 알고리즘을 보다 정밀하게 이해하는 데 도움이 될 것으로 기대됩니다. 과학자들은 여러 유전자를 동시에 정밀하게 겨냥하는 데 필요한 조합 치료법을 다루기 위해, 여러 실험을 진행해야 합니다. 하지만 무수히 많은 조합 중 최적의 방법을 찾는 것은 큰 도전입니다. 그런 상황에서 MIT 연구팀이 개발한 프레임워크는 매우 중요한 역할을 할 수 있습니다. 이 연구는 사용자가 모든 치료를 동시에 적용할 수 있는 실험을 디자인할 수 있는 방법을 제공합니다. 이론적으로 이 접근법은 최적의 전략을 제안하며, 이를 통해 실험의 오류를 최소화할 수 있습니다. 아울러, 연구팀은 다단계 실험에서 시뮬레이션을 통해 새로운 방법의 유효성을 검증했습니다. 이는 향후 다양한 분야에서 이론적 프레임워크를 적용할 수 있는 가능성을 제시합니다. 효율적인 치료 디자인을 통한 데이터 수집 MIT의 연구자들은 실험에서 치료의 조합을 정의하고 설정하는 과정에서 생길 수 있는 편향을 방지하기 위해, 확률적 프레임워크를 사용했습니다. 이 프레임워크는 각 단위가 치료 조합을 무작위로 받아들이도록 하여 편향된 데이터를 최소화합니다. 사용자는 각 치료의 용량을 설정하는데, 이는 전반적인 실험 목표에 따라 다를 수 있습니다. 예를 들어, 여러 약물을 이용해 세포 성장에 미치는 영향을 연구하고자 할 때, 각 세포는 ...
자세한 내용 보기

테스트 시 학습 방식으로 LLM 성능 향상

최근 MIT 연구진은 LLM(대형 언어 모델)의 성능을 향상시키기 위해 "테스트 시 학습"(test-time training)이라는 새로운 훈련 기법을 도입했습니다. 이 연구는 LLM이 익숙하지 않은 복잡한 문제를 해결하는 능력을 크게 발전시킬 수 있음을 입증하였으며, 이를 통해 다양한 분야에서의 논리적 추론과 문제 해결에 대한 기대감을 높였습니다. 연구 결과는 국제 머신러닝 회의에서 발표될 예정입니다. 테스트 시 학습의 원리 테스트 시 학습은 모델이 배포 중에 그 내부 구조의 일부를 일시적으로 업데이트하여 새로운 문제에 적응할 수 있도록 하는 방법입니다. MIT 연구진은 이 접근법을 사용하여 LLM이 특정 작업에서의 성능을 극대화할 수 있는 방법을 발표했습니다. 이를 통해 모델은 새로운 데이터에 맞춰 스스로 운동을 하며, 정확도는 무려 여섯 배 향상되었습니다. 이러한 학습 방식은 모델이 복잡한 문제나 계획 및 추론을 요하는 작업에 더 유용해질 것을 의미합니다. 연구진은 테스트 시 학습과 인컨텍스트 학습(in-context learning)을 조합하여 적용해 보았습니다. 인컨텍스트 학습 방식은 사용자가 모델에게 새로운 작업의 몇 가지 예시를 제공하여 그 출력 방향을 안내하는 것입니다. 하지만, 이 방법은 논리적 사고와 추론을 요하는 문제에 대해서는 결과가 좋지 않았습니다. 반면, 테스트 시 학습은 실제로 모델의 파라미터를 업데이트하며 정확도를 극대화하는 강력한 방법임을 증명했습니다. 연구진의 실험은 IQ 퍼즐과 같이 복잡한 문제를 해결하기 위해 설계된 두 가지 기준 데이터셋에서 진행되었습니다. 이 실험에서는 새로운 작업에 대한 예제와 함께 입력 데이터의 변형을 통해 데이터셋을 확장했습니다. 이렇게 생성된 추가 데이터는 모델이 최상의 성능을 발휘할 수 있도록 포괄적인 학습을 제공합니다. 지속 가능한 모델 업데이트 테스트 시 학습의 특징은 한 번의 작업별로 적용되며, 사용자마다 별도로 진행해야 한다는 점입니다. 업데이트는...
자세한 내용 보기