MIT 건축학교 새로운 교수진 소개

MIT 건축학교(SA+P)는 이번 가을에 새로운 네 명의 교수진이 합류하면서 교수진의 창의성과 지식, 학문적 기여를 더욱 강화하게 되었습니다. 새로운 교수진들은 다학제적 역할을 통해 MIT 커뮤니티에 중요한 가치를 더할 것으로 기대되고 있습니다. 경험이 풍부한 이들의 연구와 교육이 학교에 미칠 긍정적 영향에 대한 기대감이 나날이 커지고 있습니다.

Karrie G. Karahalios: 소셜 미디어의 혁신적 탐구


Karrie G. Karahalios 교수는 MIT 미디어 연구소(Media Lab)에서 미디어 예술과 과학의 정교한 지식을 제시하며, 새로운 교수진의 한 축을 담당하게 됩니다. 그녀는 알고리즘이 사람들의 의사소통에 미치는 영향과 사회적 상호작용을 탐구하며, 인공지능, 사회학, 디자인 등의 다양한 분야에서 극복할 수 있는 문제 해결의 길을 제시하는 선구자입니다. Karahalios 교수의 연구는 우리가 살아가는 현실의 많은 부분이 소셜 미디어와 알고리즘에 의해 형성되고 있다는 점을 강조합니다. 그녀는 컴퓨터와 사회적 맥락을 아우르는 연구를 통해 인간의 삶을 향상시키기 위한 다양한 방법을 모색하고 있으며, 이러한 연구는 오늘날 사회에서 중요한 의미를 갖습니다. 이렇듯 본인이 가지고 있는 다각적인 전문 지식이 MIT의 학생들에게도 긍정적인 영향을 줄 것으로 기대됩니다. 그녀는 National Science Foundation CAREER Award, Alfred P. Sloan Research Fellowship, ACM Distinguished Member 등 명예로운 수상 경력이 있으며, 이러한 업적들은 그녀의 연구가 미치는 긍정적 영향을 뒷받침합니다. MIT의 건축학교는 그녀의 참여로 학생들이 더욱 창의적이고 비판적인 사고를 키울 수 있도록 도와줄 것입니다.

Pat Pataranutaporn: 인간-인공지능 상호작용의 개척자


새롭게 합류한 Pat Pataranutaporn 교수는 MIT 미디어 연구소에서 조교수로서 인간과 인공지능 간의 상호작용을 탐구하는 혁신적인 기술자이자 과학자로서 재능을 발휘할 예정입니다. 그의 연구는 개인화된 AI 시스템이 인간의 인지능력을 어떻게 증진시킬 수 있는지를 탐색하며, 특히 학습, 의사결정, 자기 개발 및 웰빙을 향상시키는 데 중점을 두고 있습니다. Pataranutaporn 교수는 Advancing Humans with AI Program의 공동 디렉터로서 이 프로그램을 통해 그의 연구를 보다 적용 가능하게 고도화할 예정입니다. 그의 연구 방향은 현재 빠르게 변화하고 있는 기술 환경에서 인간의 삶의 질을 높이는 미래 지향적인 접근법으로, MIT 학생들에게도 많은 영감을 줄 수 있을 것입니다. 그의 뛰어난 연구실적은 이미 여러 분야에서 입증되었으며, 앞으로도 MIT 커뮤니티에 큰 영향을 미칠 것으로 기대됩니다. Pataranutaporn 교수는 AI와 인간의 상호작용을 심도 깊게 탐색함으로써, MIT의 학문 생태계에 긍정적인 변화를 일으킬 수 있는 기반을 마련할 것입니다.

Mariana Popescu 및 Holly Samuelson: 지속 가능한 건축을 향한 노력


Mariana Popescu 교수는 MIT 건축학부에 조교수로 합류하여 전자공학 및 컴퓨터 과학 부서와의 공동 임명을 통해 다학제적 연구를 이어갑니다. 그녀의 전문 분야인 계산 및 파라메트릭 디자인, 디지털 제작은 건축 및 환경 과학의 경계를 넘는 혁신적인 접근법을 제시합니다. Popescu 교수는 지속 가능한 설계를 위한 새로운 접근 방식을 모색하며, 그녀의 연구는 건축에 사용되는 자재와 제작 과정에 대한 혁신적인 통찰력을 제공합니다. 이러한 연구는 미래의 건설 기술 발전을 이끌 것으로 예상되며, 환경적으로 책임 있는 설계 방법론을 확대하는 데 기여할 것입니다. 또한 Holly Samuelson 교수도 MIT 건축학부의 건축 기술 프로그램에서 부교수로 활동하게 됩니다. 그녀는 인간과 환경 건강에 대한 건축 설계 문제를 심층적으로 다루며, 고급 건물 시뮬레이션을 활용하여 온실가스 배출, 열 취약성, 실내 환경 품질 문제를 연구하고 있습니다. 그녀의 연구는 지속 가능한 건축을 위한 핵심 요소를 제시하며, 앞으로의 전력망 변화에 대비한 건물의 미래를 조명합니다.

이번 MIT 건축학교의 새로운 교수진 합류는 전반적으로 다학제적 연구와 교육의 새로운 지평을 여는 계기가 될 것입니다. Karrie G. Karahalios, Pat Pataranutaporn, Mariana Popescu, Holly Samuelson 교수는 각자의 전문 분야에서 독창적인 연구를 통해 학문적 역량을 강화하고 MIT 커뮤니티의 발전에 크게 기여할 것으로 기대됩니다. 새로운 교수진의 연구 및 교육 방침은 향후 건축 및 디자인 분야의 지속 가능성과 혁신을 이끌어내는 중요한 역할을 할 것입니다.

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