"선별·분배가 핵심" 의료·코딩 AI 학습시간 70% 단축 작성일 11-02 21 목록 <div id="layerTranslateNotice" style="display:none;"></div> <div class="article_view" data-translation-body="true" data-tiara-layer="article_body" data-tiara-action-name="본문이미지확대_클릭"> <section dmcf-sid="G2rPzNztk3"> <p contents-hash="07369eb99670c8362bfe9364fb13a235bcdb7c917b8ab3e32e22fb5f6ac30953" dmcf-pid="HVmQqjqFNF" dmcf-ptype="general">의료·코딩 등 특정 분야에서 인공지능(AI)의 추가 학습 시간을 10시간에서 3시간으로 단축할 기술이 개발됐다. 학습 효과가 비슷한 자료를 추려내 다양한 자료를 여러 GPU에 고르게 나누는 게 핵심이다. 이런 과정은 반복 학습을 줄여 AI 성능을 유지하면서, 학습 시간을 최대 69.6% 단축할 수 있게 한다. 기업별 고객 상담, 의료진의 정보 확인을 돕는 AI를 적은 비용으로 보다 빠르게 개발하는 데 기여할 것으로 기대된다.</p> <p contents-hash="e7d390c169f277b0f325fe76c86367c9cf917bbcb58eef289eda9a535c958ac7" dmcf-pid="XfsxBAB3kt" dmcf-ptype="general">KAIST는 전산학부 이재길 교수 연구팀이 학습에 영향을 주는 유사 데이터를 묶어 '선별'한 후 GPU에 '배분'하는 대규모 언어모델(LLM) 미세조정 기술 'CluSTER(클러스터)'를 개발했다고 2일 밝혔다.</p> <figure class="figure_frm origin_fig" contents-hash="7f73b72527b2150954c20986b21d373d486cb16bd1f20663ab67e71ad80f872b" dmcf-pid="Z4OMbcb0j1" dmcf-ptype="figure"> <p class="link_figure"><img alt="AI 생성 이미지. KAIST" class="thumb_g_article" data-org-src="https://t1.daumcdn.net/news/202611/02/akn/20261102082157806lcfr.png" data-org-width="745" dmcf-mid="WkzhAtAiop" dmcf-mtype="image" height="auto" src="https://img2.daumcdn.net/thumb/R658x0.q70/?fname=https://t1.daumcdn.net/news/202611/02/akn/20261102082157806lcfr.png" width="658"></p> <figcaption class="txt_caption default_figure"> AI 생성 이미지. KAIST </figcaption> </figure> <p contents-hash="282d338aaad806f4b2474a2b9adc69594b51367dabb4bbb477f6be6c08426395" dmcf-pid="58IRKkKpc5" dmcf-ptype="general">LLM을 코딩과 의료 등 특정 분야에서 활용하려면 AI에 관련 자료를 추가로 학습시키는 '미세조정'이 필요하다. 이 과정에선 여러 GPU가 데이터를 분담해 수많은 계산을 처리한다.</p> <p contents-hash="3629126aa66791dca4b87df025b3482ae5a8851ccdf2f57e49dc5d31e5ecbdbb" dmcf-pid="16Ce9E9UkZ" dmcf-ptype="general">GPU는 AI 학습에 필요한 계산을 수행하는 반도체다. 대규모 학습 자료를 분담해 처리한 후 결과를 합쳐 하나의 AI 모델을 개선하는 역할을 한다.</p> <p contents-hash="aef3121de3c77fc29ebd0847679b19a26e032c3a7ec2f70db96b11105a469869" dmcf-pid="tPhd2D2uoX" dmcf-ptype="general">이때 무작위로 자료를 나누면 유사 데이터를 여러 GPU가 반복해 처리하게 된다. 문제는 이런 과정이 계산량에 비해 추가로 얻는 학습 효과를 낮출 수 있다는 점이다.</p> <p contents-hash="a171946caa4af8d13e8468b88559b6633ecc2fc02b1693fb19c5851358f1142a" dmcf-pid="F7j9FJFYkH" dmcf-ptype="general">이를 개선하기 위해 연구팀은 많은 자료를 학습시키는 것과 함께 '자료를 선별해 나눠주는 방식'에 주목했다. 반복 학습을 줄이면서 AI가 배워야 할 다양한 정보를 놓치지 않게 하는 방법을 고민한 것이다.</p> <p contents-hash="895d675c2fb3173756023f533bc3d00ce9ad5da3c0e9779051a4148adbe1a490" dmcf-pid="3zA23i3GgG" dmcf-ptype="general">클러스터는 먼저 데이터가 AI 학습에 미치는 영향을 분석해 유사 데이터를 묶는 과정을 수행한다. 겉은 다른 문제라도 'AI에 유사한 풀이 능력을 가르친다'면 같은 묶음으로 분류하는 방식이다.</p> <p contents-hash="02c0294dc54249bb519da9ed042d5e4625438f426d8509e144a4479eca12c2f7" dmcf-pid="0qcV0n0HNY" dmcf-ptype="general">예컨대 학생에게 덧셈을 가르칠 때 '사과 두 개와 세 개를 합치는 문제' 그리고 '연필 두 자루와 세 자루를 합치는 문제'는 이야기는 달라도 익히는 계산 방법은 같다. 연구팀은 이처럼 표현이 달라도 학습에 비슷한 영향을 주는 자료를 찾아 묶었다.</p> <p contents-hash="08717d367d800b27d055afbd27890154b300d98a6fd407225207b08d7e213ddd" dmcf-pid="pBkfpLpXkW" dmcf-ptype="general">또 묶음별로 데이터를 선별하고, 여러 GPU가 다양한 학습 정보를 골고루 처리하도록 배분했다. 문제집에서 비슷한 문제는 줄이되 반드시 익혀야 할 여러 유형의 문제는 빠짐없이 남겨 처리할 수 있도록 한 것이다. 이는 데이터의 양을 줄이는 데 그치지 않고, 선택한 데이터를 여러 GPU가 효율적으로 활용하도록 한다.</p> <figure class="figure_frm origin_fig" contents-hash="82baf61a634c2822df81aec4180020cfe0168c0c9a12498918df808822e3edc4" dmcf-pid="UbE4UoUZNy" dmcf-ptype="figure"> <p class="link_figure"><img alt="(왼쪽부터) KAIST 김현진 박사과정, 이재길 교수. (상단 왼쪽부터) 토론토대 남영은 박사후연구원, KAIST 한재민 석사과정, KAIST 최원혁 석사과정. KAIST" class="thumb_g_article" data-org-src="https://t1.daumcdn.net/news/202611/02/akn/20261102082159229elxb.png" data-org-width="745" dmcf-mid="YWcV0n0Hc0" dmcf-mtype="image" height="auto" src="https://img1.daumcdn.net/thumb/R658x0.q70/?fname=https://t1.daumcdn.net/news/202611/02/akn/20261102082159229elxb.png" width="658"></p> <figcaption class="txt_caption default_figure"> (왼쪽부터) KAIST 김현진 박사과정, 이재길 교수. (상단 왼쪽부터) 토론토대 남영은 박사후연구원, KAIST 한재민 석사과정, KAIST 최원혁 석사과정. KAIST </figcaption> </figure> <p contents-hash="499f5b230726b475cb6e65e8015b6800a7e14fedd3408d2f41d7b311d85094b3" dmcf-pid="uKD8ugu5kT" dmcf-ptype="general">연구팀은 이런 방식으로 의료·코딩 분야의 학습 데이터 3종에서 70억개와 130억개의 매개변수를 가진 LLM을 미세조정하고, 총 8개의 성능 평가시험으로 기술의 효과를 확인했다. 매개변수는 AI가 학습하면서 조정하는 내부 수치로다. 학습한 지식을 답변에 반영하는 데 주로 쓰인다.</p> <p contents-hash="3b11c836fdf6ec349cbb4f80fdfb86708da011c780ad5c45febc212af8f9e681" dmcf-pid="79w67a71gv" dmcf-ptype="general">실험에서는 전체 데이터의 31%가량만 선별해 학습해도 모델 성능은 유지하면서, 학습 시간은 최대 69.6% 단축했다. 최대 10시간 소요되던 학습이 3시간으로 짧아진 셈이다.</p> <p contents-hash="65d6d7be11354a912ade8db5c6819b85b50565f9d03ff7e834e1c49a551659f1" dmcf-pid="z2rPzNztcS" dmcf-ptype="general">이번 연구는 GPU 투입을 늘리지 않고, 학습 자료를 선별해 고르게 배분하는 것만으로도 AI의 학습 효율을 높일 수 있다는 사실을 보여준다.</p> <p contents-hash="2e0371bf072dd3942f8295dc99fd5cb1a4b73f886ad7596fb5e53100dfb16001" dmcf-pid="qVmQqjqFol" dmcf-ptype="general">클러스터를 활용하면 기업과 연구기관이 코딩 지원이나 의료 분야의 질문·답변 등 특정 목적에 맞는 AI를 개발할 때 추가 학습에 드는 시간과 GPU 사용 비용을 줄일 수 있을 것으로 기대된다.</p> <p contents-hash="6b9eb6a863a939043bdc5d173a423e8e67ded8f4e9b02f5b7abc10c74371efe4" dmcf-pid="BfsxBAB3gh" dmcf-ptype="general">이 교수는 "AI의 학습 효율을 높이려면 GPU를 많이 사용하는 것 외에도 어떤 데이터를 학습할지 '선택'하는 것이 중요하다"며 "이번 연구는 GPU 자원을 보다 효율적으로 활용해 대규모 AI 모델의 학습 부담을 줄인다는 점에서 의미를 갖는다"고 말했다.</p> <p contents-hash="e093ab09f4ff4c10f7db47c67306c1ac8d79686d6d525540745a90b606c1008e" dmcf-pid="b4OMbcb0AC" dmcf-ptype="general">한편 이번 연구에는 KAIST 전산학부 김현진 박사과정 학생이 제1 저자, 토론토대 남영은 박사후연구원과 KAIST 데이터사이언스대학원 한재민·최원혁 석사과정 학생이 공동저자, 이재길 교수가 교신저자로 참여했다.</p> <p contents-hash="dd1dab27d0759165ea661bb04a49a7c08d7a29a47b5710a1c4cdb0ddae9ad046" dmcf-pid="K8IRKkKpNI" dmcf-ptype="general">연구 결과는 지난달 열린 자연어처리 분야 국제학술대회 '자연어처리의 경험적 방법론 학술대회(EMNLP 2026)에서 발표됐다.</p> <p contents-hash="76ddc95e40e05681ed3b3000ca15966cc610cf755e3f4743144c0f1714de57ca" dmcf-pid="96Ce9E9UAO" dmcf-ptype="general">대전=정일웅 기자 jiw3061@asiae.co.kr</p> </section> </div> <p class="" data-translation="true">Copyright © 아시아경제. 무단전재 및 재배포 금지.</p> 관련자료 이전 삼성전자, 아프리카 스마트폰 첫 1위…할부 전략 통했다 11-02 다음 삼성전자, 아프리카 첫 올림픽 후원…갤럭시로 선수 경험 연결 11-02 댓글 0 등록된 댓글이 없습니다. 로그인한 회원만 댓글 등록이 가능합니다.
