{ "version": "https://jsonfeed.org/version/1", "title": "99JIK Blog", "home_page_url": "https://til.99jik.com/papers", "description": "99JIK Blog", "items": [ { "id": "https://til.99jik.com/papers/Automated Generation of Test Scenarios for Autonomous Driving Using LLMs", "content_html": "

논문 정보​

\n\n

연구 개요​

\n

자율주행차(AV) 안전성 검증을 위한 Operational Design Domain(ODD) 기반 시뮬레이션 시나리오 자동 생성 연구. 대규모 언어모델(LLM)을 활용하여 텍스트 기반 ODD 설명을 CARLA 시뮬레이터에서 실행 가능한 ScenarioRunner 스크립트로 자동 변환하는 파이프라인을 제안한다.

\n

연구 배경 및 문제점​

\n

Operational Design Domain (ODD)​

\n\n

기존 접근법의 한계​

\n
    \n
  1. 수작업 의존: 시뮬레이션 시나리오 생성이 노동집약적이고 시간 소모적
    2. \n
  2. 유연성 부족: 규칙 기반 시스템은 엣지 케이스(예기치 않은 보행자 행동, 갑작스러운 날씨 변화) 포착에 한계
    3. \n
  3. 확장성 문제: AV 기술 발전에 따라 ODD 범위가 지속 확대되어 지속적인 시나리오 업데이트 필요
    4. \n
\n

제안 방법론​

\n

1. ODD 분해 체계 (BSI PAS 1883 기반)​

\n

ODD를 세 가지 핵심 구성 요소로 분류:

\n
그룹설명예시
Environmental환경 이상으로 AV 성능에 영향폭설, 짙은 안개, 도로 장애물
Scenery공간적으로 고정된 요소 (상태는 변화 가능)차선 구성, 표지판, 공사 구역, 인프라
Dynamic이동 가능한 요소교통 참여자, 자차, 보행자, 자전거
\n

2. LLM 기반 파이프라인 (Tree of Thoughts + Chain-of-Thought)​

\n

4단계 LLM 인스턴스로 구성된 파이프라인:

\n

1) Initial Tree​

\n\n

2) Tree-LLM​

\n\n

3) Red-LLM​

\n\n

4) Augmented-LLM​

\n\n

3. 프롬프트 엔지니어링 전략​

\n\n

실험 설계​

\n\n

실험 결과​

\n

파이프라인 vs. 비파이프라인 비교 (n=8, paired t-test, α=0.05)​

\n
메트릭Baseline (Mean±SD)Pipeline (Mean±SD)개선율p-값
시나리오 정확도30±4%50±5%+66.7%0.004
논리적 일관성 (이벤트 시퀀싱)20±6%50±5%+150%0.002
문법/API 오류 (스크립트당)8±2개5±1.5개-37.5%0.015
실행 성공률 (수동 수정 없이)40±5%60±4%+50%0.008
디버깅 시간10±2분3±1분-70%0.002
차량 행동 정확도5±3%20±4%+300%0.001
\n

→ 모든 메트릭에서 통계적으로 유의미한 개선 (p < 0.05)

\n

자동화 수준​

\n\n

주요 기여도​

\n
    \n
  1. ODD-to-Simulation 자동화 파이프라인: 텍스트 기반 ODD 설명을 CARLA 실행 가능 코드로 변환하는 체계적 프레임워크
    2. \n
  2. ToT + CoT 프롬프팅 전략: 복잡한 시나리오 생성을 구조화된 추론 단계로 분해하여 정확도 향상
    3. \n
  3. Red teaming 기반 정제: LLM 출력 품질을 반복적으로 개선하는 Red-LLM 인스턴스 도입
    4. \n
  4. ODD 3분류 체계 활용: Environmental, Scenery, Dynamic 그룹 분해를 통한 체계적 시나리오 구성
    5. \n
  5. 수작업 감소: 시뮬레이션 시나리오 생성 수동 노력 크게 감소 (디버깅 시간 70% 감소)
    6. \n
\n

한계점​

\n
    \n
  1. 동적 요소의 낮은 정확도: 차량 행동 정확도가 파이프라인 적용 후에도 20%에 불과\n\n
    2. \n
  2. 완전 자동화 미달성: 여전히 10%의 인간 개입 필요 (스폰 포인트 조정, 누락 에셋 보상 등)
    3. \n
  3. 절대적 성능 한계: 파이프라인 적용 후에도 시나리오 정확도 50%, 실행 성공률 60%에 그침
    4. \n
  4. 소규모 실험: 8개 시나리오만 평가 - 일반화 가능성에 대한 추가 검증 필요
    5. \n
  5. CARLA 플랫폼 종속: 특정 버전의 에셋 가용성에 따라 실행 결과가 달라짐
    6. \n
\n

향후 연구 방향​

\n
    \n
  1. 데이터 기반 접근법: 실제 ODD 설명-CARLA 코드 쌍으로 구성된 큐레이션 데이터셋으로 LLM fine-tuning
    2. \n
  2. 프롬프트 엔지니어링 최적화: 생성 스크립트의 일관성과 정확도 향상
    3. \n
  3. 동적 요소 오류의 체계적 해결: 타이밍/동기화 문제의 근본 원인 분석 및 해결
    4. \n
  4. 시뮬레이션 피드백 통합: 시뮬레이션 결과를 fine-tuning 프로세스에 반영하는 반복적 정제 루프
    5. \n
\n

개인적 견해​

\n

LLM을 활용한 자율주행 시뮬레이션 시나리오 자동 생성이라는 실용적 문제에 체계적인 파이프라인을 제안한 의미 있는 연구다. 정적/환경적 요소에 대해서는 효과성을 입증했으나, 동적 요소 처리의 한계가 명확하다. 수작업 감소와 구조화된 생성 프로세스 측면에서 가치가 있으며, fine-tuning 기반 접근법과의 결합을 통한 발전 가능성이 크다.

\n

참고 자료​

\n", "url": "https://til.99jik.com/papers/Automated Generation of Test Scenarios for Autonomous Driving Using LLMs", "title": "Automated Generation of Test Scenarios for Autonomous Driving Using LLMs", "summary": "논문 정보", "date_modified": "2026-03-27T07:23:11.000Z", "author": { "name": "Aaron Agyapong Danso" }, "tags": [ "Large Language Model", "Autonomous Driving", "Test Scenario Generation", "CARLA Simulation", "ScenarioRunner", "Operational Design Domain", "Tree of Thoughts", "Chain-of-Thought", "Prompt Engineering", "Red Teaming" ] }, { "id": "https://til.99jik.com/papers/Behavior Trees and State Machines in Robotics Applications", "content_html": "

논문 정보​

\n\n

연구 개요​

\n

자율 로봇의 미션(mission) 모델링을 위한 행동 트리(Behavior Trees)와 상태 머신(State Machines)의 실제 사용 현황을 체계적으로 비교 분석한 실증 연구. 5개 DSL의 언어 개념, 구현 설계, 오픈소스 ROS 프로젝트에서의 실제 사용 패턴을 소프트웨어 언어 엔지니어링 관점에서 조사했다.

\n

연구 배경​

\n

로봇 행동 모델링의 필요성​

\n\n

전통적 접근법 vs. 신흥 접근법​

\n\n

연구 질문​

\n\n

연구 방법론​

\n

1. DSL 식별 및 분석 (RQ1)​

\n\n

2. 오픈소스 프로젝트 마이닝 (RQ3)​

\n\n

핵심 결과​

\n

1. 언어 개념 비교 (RQ1)​

\n

행동 트리 개념​

\n\n

상태 머신 개념​

\n\n

주요 유사점과 차이점​

\n
측면행동 트리상태 머신
프로그래밍 모델동기/비동기, 시간 기반비동기, 이벤트 기반
점프(goto)미지원 (트리 순회만)지원
개방성사용자 확장 기대사용자 확장 기대
동시성인터리빙, 코루틴인터리빙, Python 스레딩
반응성높은 빈도 실행으로 시뮬레이션FlexBe에서 직접 지원
\n

2. DSL 구현 특성 (RQ2)​

\n

BehaviorTree.CPP​

\n\n

PyTrees_ros​

\n\n

SMACH​

\n\n

FlexBe​

\n\n

핵심 관찰: GUI 지원 DSL에서 내장 언어 구조 활용도가 더 높음

\n

3. 사용 현황 분석 (RQ3)​

\n

인기도 추이​

\n\n

최종 마이닝 데이터​

\n\n

모델 구조 특성​

\n
메트릭행동 트리상태 머신
평균 모델 크기26 노드9 상태
평균 깊이/중첩51
\n

핵심 관찰: 개발자들은 두 모델 모두 얕고 적당한 크기로 유지하는 경향

\n

복합 노드 사용 비율 (행동 트리)​

\n
노드 타입사용 비율
Sequence56%
Selector21%
Decorator16%
Parallel7%
\n

4. 재사용 패턴​

\n

3가지 재사용 패턴 식별:

\n

1) 모델 내 참조 (Intra-model referencing)​

\n\n

2) 복제 후 수정 (Clone-and-own)​

\n\n

3) 모델 간 참조 (Inter-model referencing)​

\n\n

주요 기여​

\n
    \n
  1. 체계적 비교 분석: 5개 DSL의 언어 개념, 구현 설계, 실제 사용을 소프트웨어 언어 엔지니어링 관점에서 최초 비교
    2. \n
  2. 대규모 오픈소스 마이닝: GitHub에서 로봇 프로젝트를 체계적으로 마이닝하여 실제 사용 현황 파악
    3. \n
  3. 재사용 패턴 식별: 3가지 재사용 패턴과 그 사용 방식 분석
    4. \n
  4. GUI 효과 발견: 시각화 도구가 언어 구조 활용도에 미치는 영향 발견
    5. \n
  5. 공개 데이터셋: 150개 행동 모델을 포함한 데이터셋 공개
    6. \n
  6. 트렌드 분석: 행동 트리의 급속한 성장과 ROS 2 Navigation 2의 영향 확인
    7. \n
\n

핵심 관찰사항​

\n

언어 설계 관점​

\n
    \n
  1. 도메인 적응: 두 언어 모두 로봇 공학의 요구에서 비롯된 개념들을 DSL에 반영
    2. \n
  2. 개방성: 모든 DSL이 고정 모델을 강제하지 않고 프로젝트별 확장 허용/기대
    3. \n
\n

GUI vs. 코드 기반 개발​

\n
    \n
  1. 시각화의 중요성: GUI가 있는 DSL에서 모델 구성과 모니터링에 대한 이해도 향상, 코드 재사용 촉진
    2. \n
  2. 구조 누출: 내부 DSL에서는 DSL 구조가 일반 프로그래밍 언어 구조로 우회되는 경향
    3. \n
\n

실제 사용 패턴​

\n
    \n
  1. 단순함 선호: 개발자들이 이해가능성을 위해 얕고 적당한 크기의 모델 선호
    2. \n
  2. 재사용의 이중성: 스킬 재사용은 모델 간 참조, 태스크 재사용은 복제 후 수정이 주류
    3. \n
\n

한계점​

\n
    \n
  1. ROS 생태계 편향: ROS 기반 프로젝트만 분석하여 다른 로봇 플랫폼의 사용 패턴 누락
    2. \n
  2. 언어별 불균형: 상태 머신 프로젝트가 행동 트리보다 4배 많아 비교에 편향 가능성
    3. \n
  3. 품질 평가 부재: 생성된 모델의 품질이나 정확성에 대한 평가 없음
    4. \n
  4. 정적 분석: 런타임 동작이나 성능 특성은 분석하지 않음
    5. \n
  5. 소규모 샘플: 150개 모델(43개 프로젝트)로 일반화에 한계
    6. \n
\n

향후 연구 방향​

\n
    \n
  1. 언어 개선: 각 언어의 장점을 상호 벤치마킹하여 설계 개선
    2. \n
  2. 도구 발전: 모델 기반 설계 개념과 언어 설계 원칙을 더 많은 도구에 적용
    3. \n
  3. 분석 기법: 행동 모델을 위한 분석 기법과 도구 개발
    4. \n
  4. 성능 연구: 런타임 성능과 확장성 비교 연구
    5. \n
\n

개인적 견해​

\n

로봇 공학에서 행동 모델링 언어의 실제 사용 현황을 체계적으로 분석한 최초의 대규모 실증 연구다. 행동 트리의 급속한 성장과 GUI 기반 도구의 효과를 정량적으로 입증했으며, 소프트웨어 언어 엔지니어링과 로봇 공학 커뮤니티 모두에게 유용한 통찰을 제공한다. 특히 실무 개발자들의 실제 사용 패턴을 데이터로 뒷받침한 점에서 학술적 가치가 높다.

\n

참고 자료​

\n", "url": "https://til.99jik.com/papers/Behavior Trees and State Machines in Robotics Applications", "title": "Behavior Trees and State Machines in Robotics Applications", "summary": "논문 정보", "date_modified": "2026-03-27T07:23:11.000Z", "author": { "name": "Razan Ghzouli" }, "tags": [ "Behavior Tree", "State Machine", "Robotics Applications", "Domain-Specific Languages", "Empirical Study", "Software Language Engineering", "Model Driven Engineering", "GitHub Mining", "Code Reuse Patterns" ] }, { "id": "https://til.99jik.com/papers/GenProg-A-Generic-Method-for-Automatic-Software-Repair", "content_html": "

논문 정보​

\n\n

요약​

\n

초록​

\n

이 논문은 공식 명세나 프로그램 주석 없이 기성 레거시 프로그램의 결함을 자동으로 수정하는 방법인 GenProg를 설명한다. GenProg는 확장된 형태의 유전 프로그래밍(GP)을 사용하여 필수 기능은 유지하면서 결함을 제거한 프로그램 변형(Variant)을 진화시킨다. 이때 기존 테스트 스위트를 활용하여 결함과 필수 기능을 인코딩한다. 구조적 차이 알고리즘과 델타 디버깅을 통해 원본 프로그램과 변형 프로그램 간의 차이를 최소화하여 최종 패치를 생성한다. 16개의 C 프로그램에 대해 실험한 결과, 평균 357초 내에 다양한 결함을 성공적으로 수정함을 확인했다.

\n

서론​

\n

소프트웨어 품질 유지는 막대한 비용이 드는 문제이며, 버그 수정은 소프트웨어 유지보수 비용의 큰 비중을 차지한다. 결함 탐지 기술은 발전했으나, 탐지된 버그를 수정하는 것은 여전히 어렵고 수동적인 과정이다. 본 연구는 기존 테스트 케이스를 활용하여 레거시 애플리케이션의 실제 버그를 자동으로 수정하는 GenProg 기술을 제안한다. 이는 공식 명세 없이도 작동하며, 특정 버그 유형에 국한되지 않는 범용적인 접근 방식이다.

\n

배경​

\n

연구는 유전 프로그래밍(GP)을 핵심 알고리즘으로 사용한다. GP는 생물학적 진화에서 영감을 받은 확률적 검색 방법으로, 변형(mutation)과 교차(crossover)를 통해 프로그램 집단을 진화시킨다. GenProg는 프로그램의 문장(Statement) 수준에서 작동하며, 프로그램의 다른 위치에 올바른 동작을 구현하는 코드가 존재할 것이라는 가설(Plastic Surgery Hypothesis)을 바탕으로 한다.

\n

모델 아키텍처 / 방법론​

\n

핵심 구조 및 표현 (Representation)​

\n

GenProg는 프로그램 변형을 **(1) 추상 구문 트리(AST)**와 **(2) 가중치 경로(Weighted Path)**의 쌍으로 표현한다.

\n\n

유전 연산자 (Genetic Operators)​

\n\n

적합도 함수 (Fitness Function)​

\n

적합도 함수는 테스트 케이스 통과 여부로 결정된다.\nfitness(P)=WPosT×∣{t∈PosT∣P passes t}∣+WNegT×∣{t∈NegT∣P passes t}∣fitness(P) = W_{PosT} \\times |\\{t \\in PosT | P \\text{ passes } t\\}| + W_{NegT} \\times |\\{t \\in NegT | P \\text{ passes } t\\}|fitness(P)=WPosT​×∣{t∈PosT∣P passes t}∣+WNegT​×∣{t∈NegT∣P passes t}∣\n여기서 PosTPosTPosT는 긍정적 테스트 셋, NegTNegTNegT는 부정적 테스트 셋이며, WWW는 각 가중치이다. 컴파일되지 않는 변형은 적합도가 0이다.\n\"Figure

\n

수리 최소화 (Repair Minimization)​

\n

GP가 찾은 초기 수리(Primary Repair)는 불필요한 변경을 포함할 수 있다. 논문의 Figure 1에서 보여지듯, 델타 디버깅(Delta Debugging)과 구조적 차이(Structural Differencing) 알고리즘을 사용하여 테스트 통과에 필수적이지 않은 변경 사항을 제거하고 1-minimal 패치를 생성한다.

\n

실험 결과​

\n

주요 데이터셋 및 설정​

\n\n

핵심 성능 지표​

\n\n

수리 품질 및 보안​

\n\n

결론​

\n

GenProg는 유전 프로그래밍을 활용하여 실제 소프트웨어의 버그를 효율적으로 수정할 수 있음을 입증했다. 이 기술은 오류 위치 추정(Fault Localization)을 통해 탐색 공간을 줄이고, 기존 코드를 재사용함으로써 높은 성공률을 달성했다. 생성된 패치는 가독성이 높고 기능 저하가 적으며, 향후 소프트웨어 개발 및 유지보수 프로세스의 자동화를 위한 중요한 발판을 마련했다.

", "url": "https://til.99jik.com/papers/GenProg-A-Generic-Method-for-Automatic-Software-Repair", "title": "GenProg: A Generic Method for Automatic Software Repair", "summary": "공식 명세 없이 기존 테스트 케이스와 유전 프로그래밍을 활용하여 레거시 소프트웨어의 버그를 자동으로 수정하는 GenProg 방법론 제안", "date_modified": "2025-11-22T00:00:00.000Z", "author": { "name": "Claire Le Goues" }, "tags": [ "Automated Software Repair", "Genetic Programming", "Software Engineering", "Legacy Systems" ] }, { "id": "https://til.99jik.com/papers/Information-Retrieval-and-Spectrum-Based-Bug-Localization-Better-Together", "content_html": "

논문 정보​

\n\n

요약​

\n

초록​

\n

디버깅은 많은 노력과 자원을 소모하는 작업이다. 이를 돕기 위해 정보 검색(IR) 기반 기술과 스펙트럼 기반 버그 위치 추정 기술이 제안되어 왔다. IR 기반 기술은 버그 리포트의 텍스트를 분석하고, 스펙트럼 기반 기술은 프로그램 실행 흔적(spectra)을 분석한다. 본 연구에서는 이 두 정보를 모두 활용하는 새로운 멀티모달 기법인 AML을 제안한다. 이 접근법은 특정 버그에 맞춰 적응적으로 모델을 생성하며, 버그와 연관성이 높은 '의심스러운 단어(Suspicious Words)'라는 새로운 개념을 도입한다. 157개의 실제 버그를 대상으로 한 평가에서 AML은 기존 최신 기법들을 크게 능가하는 성능을 입증했다.

\n

서론​

\n

개발자들은 수많은 버그 리포트를 처리해야 하며, 버그 복제 및 원인 파악에 많은 시간을 쓴다. 기존 버그 위치 추정(Fault Localization) 기술은 주로 버그 리포트의 텍스트만 보거나(IR-based), 실패한 테스트 케이스의 실행 경로만 보는(Spectrum-based) 단일 소스 정보에 의존했다. 버그의 힌트는 텍스트와 실행 흔적 모두에 퍼져 있을 수 있으므로, 본 연구에서는 두 가지 모드를 모두 고려하는 멀티모달 접근법을 제시한다. 특히 기존의 고정된 방식(one-size-fits-all)이 아닌, 개별 버그의 특성에 맞춰 파라미터를 튜닝하는 인스턴스별(instance-specific) 솔루션을 제안한다.

\n

배경​

\n\n

모델 아키텍처 / 방법론​

\n

AML은 크게 세 가지 구성 요소와 통합기(Integrator)로 이루어진다.

\n\n

실험 결과​

\n\n

결론​

\n

본 연구는 텍스트 정보와 실행 정보를 결합한 적응형 버그 위치 추정 기법인 AML을 제안했다. 특히 '의심스러운 단어'를 활용하는 새로운 접근법과 버그별 특성에 맞춘 가중치 학습 방식은 기존 방식들의 한계를 효과적으로 극복했다. 실험 결과는 AML이 다양한 프로젝트에서 일관되게 높은 성능을 발휘함을 보여주며, 향후 더 많은 언어와 시스템으로 확장하여 연구할 가치가 있음을 시사한다.

", "url": "https://til.99jik.com/papers/Information-Retrieval-and-Spectrum-Based-Bug-Localization-Better-Together", "title": "Information Retrieval and Spectrum Based Bug Localization: Better Together", "summary": "정보 검색과 스펙트럼 기반 기법을 결합하고, 의심스러운 단어 분석 및 적응형 가중치 조정을 통해 버그 위치 추정 성능을 획기적으로 개선한 AML 기법 제안", "date_modified": "2025-11-22T00:00:00.000Z", "author": { "name": "Tien-Duy B. Le" }, "tags": [ "Bug Localization", "Information Retrieval", "Program Spectra", "Software Engineering", "Debugging" ] }, { "id": "https://til.99jik.com/papers/PAPER2CODE-AUTOMATING-CODE-GENERATION-FROM-SCIENTIFIC-PAPERS-IN-MACHINE-LEARNING", "content_html": "

논문 정보​

\n\n

요약​

\n

초록​

\n

기계 학습(ML) 연구는 빠르게 성장하고 있으나, 연구 결과를 재현하거나 이전 작업을 기반으로 구축하는 데 필요한 코드 구현이 종종 누락되어 있어 연구 속도를 저해함. 최근 LLM(Large Language Models)이 과학 문서를 이해하고 고품질 코드를 생성하는 데 뛰어난 능력을 보이면서, 본 연구는 ML 논문을 기능하는 코드 리포지토리로 변환하는 멀티 에이전트 LLM 프레임워크 'PaperCoder'를 제안한다. PaperCoder는 3단계로 작동함: 1) Planning(계획): 높은 수준의 로드맵 구성, 다이어그램을 포함한 시스템 아키텍처 설계, 파일 종속성 식별, 구성 파일 생성. 2) Analysis(분석): 구현에 특화된 세부 사항 해석. 3) Generation(생성): 모듈화되고 종속성을 인식하는 코드를 생성함. 각 단계는 파이프라인 전반에 걸쳐 효과적으로 협력하도록 설계된 전문 에이전트 세트에 의해 실행됨. PaperCoder는 모델 기반 평가와 논문 저자들의 인적 평가를 통해 검증되었으며, 최근 공개된 PaperBench 벤치마크에서도 강력한 성능을 입증하며 고품질의 충실한 구현을 생성하는 효과를 보임.

\n

서론​

\n

과학적 진보의 핵심은 '재현성'이지만, ML 분야에서는 이것이 큰 도전 과제로 남아있다. 특히 논문에 코드가 첨부되지 않는 경우가 많아(2024년 기준 상위 ML 학회 평균 19.5%만이 코드 제공), 연구자들은 논문만 보고 코드를 '리버스 엔지니어링'하는 데 막대한 시간을 소모한다. 반면, 최근 LLM은 자연어와 코드를 모두 이해하고 생성하는 데 탁월한 능력을 보이며 과학적 워크플로우를 가속화할 잠재력을 보여주었다. 하지만 기존 연구들은 대부분 기존 코드베이스, 코드 스니펫, 또는 잘 정의된 API에 의존한다. 본 연구는 이러한 사전 코드 없이, 오직 논문 텍스트만으로 충실한 구현을 생성할 수 있는지에 대한 질문에 답하고자 한다.

\n

배경​

\n

본 연구는 세 가지 관련 연구 분야를 기반으로 한다:

\n
    \n
  1. 코드를 위한 LLM (Large Language Models for Code): 코드 특화 LLM은 소프트웨어 설계, 개발, 요구사항 도출 등 다양한 엔지니어링 작업에서 강력한 성능을 보여주었다.
    2. \n
  2. 리포지토리 수준 코딩 (Repository-Level Coding): 초기 연구는 단일 파일의 짧은 코드 스니펫 생성에 집중했지만, 최근에는 ChatDev나 MetaGPT처럼 다중 파일 리포지토리 생성을 목표로 하는 멀티 에이전트 프레임워크가 등장했다.
    3. \n
  3. LLM 기반 과학 연구 (LLM-Powered Scientific Research): LLM이 아이디어 도출부터 실험 검증까지 과학 연구 전반을 지원하고 있으나, 많은 자동화 연구가 여전히 원본 코드베이스에 의존한다는 한계가 있다.
    4. \n
\n

모델 아키텍처 / 방법론​

\n

PaperCoder는 논문(R)을 코드 리포지토리(C)로 매핑하는 함수 M(R)=CM(R) = CM(R)=C를 구현하는 것을 목표로 한다. LLM에 논문 전체를 입력해 한 번에 생성하는(M(R):=LLM(T(R))M(R) := LLM(\\mathcal{T}(R))M(R):=LLM(T(R))) 'Naive' 방식은 논문의 복잡성, 긴 컨텍스트, 파일 간 일관성 유지 문제로 인해 비현실적이다.\n\"Figure\n\"Figure

\n

대신 PaperCoder는 작업을 3단계로 분해하는 멀티 에이전트 프레임워크를 제안한다 (논문의 Figure 2와 Figure 4에 전체 개요가 시각화되어 있음).

\n\n

1. Planning (계획)​

\n

논문의 비정형 텍스트를 구현 가능한 추상화된 구조로 변환하는 단계.

\n\n

2. Analysis (분석)​

\n

계획 단계에서 정의된 구조를 바탕으로, 각 파일 내부 모듈의 구체적인 구현 세부 사항을 명세화하는 단계. 각 파일(fif_ifi​)에 대해 기능적 목표, 입출력 동작, 파일 내/외부 의존성, 논문의 알고리즘 사양 등을 포함하는 상세 분석(aia_iai​)을 생성한다.

\n

3. Coding (코딩)​

\n

모든 이전 단계의 산출물(논문 R, 계획 P, 분석 A)을 기반으로 실제 코드를 생성하는 마지막 단계. 'Logic Design'에서 결정된 실행 순서에 따라 파일을 순차적으로 생성한다. iii번째 파일을 생성할 때는 이전에 생성된 코드 파일 {c1,...,ci−1}\\{c_1, ..., c_{i-1}\\}{c1​,...,ci−1​}을 컨텍스트로 함께 제공하여 리포지토리 전체의 일관성을 보장한다.\n\"Table\n\"Table\n\"Table\n\"Table\n\"Figure\n\"Figure\n\"Figure\n\"Figure

\n

실험 결과​

\n\n

결론​

\n

본 연구는 ML 논문에서 코드 리포지토리를 자동으로 생성하는 3단계(계획-분석-코딩) 멀티 에이전트 프레임워크 'PaperCoder'를 제안했다. PaperCoder는 Paper2CodeBench와 PaperBench 두 벤치마크에서 기존 접근 방식들을 압도했으며, 특히 생성된 코드는 평균 0.81%의 라인만 수정하면 실행 가능한 높은 실용성을 보였다. 이는 ML 연구의 재현성을 보조하고 과학적 진보를 가속화하는 중요한 단계이다.

", "url": "https://til.99jik.com/papers/PAPER2CODE-AUTOMATING-CODE-GENERATION-FROM-SCIENTIFIC-PAPERS-IN-MACHINE-LEARNING", "title": "PAPER2CODE: AUTOMATING CODE GENERATION FROM SCIENTIFIC PAPERS IN MACHINE LEARNING", "summary": "기계 학습 논문에서 직접 실행 가능한 코드 리포지토리를 자동 생성하는 멀티 에이전트 LLM 프레임워크 'PaperCoder'를 제안", "date_modified": "2025-10-10T00:00:00.000Z", "author": { "name": "Minju Seo" }, "tags": [ "Machine Learning", "Large Language Model", "Code Generation", "Reproducibility" ] }, { "id": "https://til.99jik.com/papers/CARJAN-Agent-Based-Generation-and-Simulation-of-Traffic-Scenarios-with-AJAN", "content_html": "

논문 정보​

\n\n

요약​

\n

초록​

\n

보행자, 자전거, 자율주행 차량 등 다양한 유형의 상호작용 에이전트가 포함된 도시 교통 시나리오의 사용자 친화적 모델링 및 가상 시뮬레이션은 여전히 어려운 과제이다. 본 논문은 멀티에이전트 엔지니어링 프레임워크 AJAN과 자율주행 시뮬레이터 CARLA를 기반으로 이러한 시나리오를 반자동으로 생성하고 시뮬레이션하는 새로운 도구 CARJAN을 소개한다. CARJAN은 교통 시나리오 레이아웃의 모델링, 저장, 관리를 위한 비주얼 사용자 인터페이스를 제공하며, CARLA에서의 동적 시나리오 시뮬레이션을 위해 SPARQL Behavior Tree 기반 에이전트 의사결정 및 상호작용을 활용한다.

\n

서론​

\n

자율주행 시스템의 안전성 검증을 위해서는 다양한 교통 상황에서의 체계적인 테스트가 필수적이다. 기존의 시나리오 생성 방법은 수동 스크립팅에 의존하여 다양성과 확장성이 부족하다. CARJAN은 시맨틱 웹 기술과 멀티에이전트 시스템을 결합하여 이러한 한계를 극복하고, 지능적 에이전트 기반의 교통 시나리오 생성·시뮬레이션을 가능하게 한다.

\n

모델 아키텍처 / 방법론​

\n

CARJAN의 핵심 구성요소와 기술 스택은 다음과 같다:

\n
    \n
  1. 비주얼 UI 기반 시나리오 모델링: 그리드 기반 레이아웃에서 드래그 앤 드롭으로 교통 시나리오를 설계한다. 엔티티 배치, 시나리오 저장·관리 기능을 제공한다.
    2. \n
  2. SPARQL Behavior Tree 기반 의사결정: 에이전트(보행자, 자전거, AV 등)의 행동을 SPARQL 쿼리 기반 행동 트리로 정의한다. AJAN 에이전트 프레임워크의 선언적 행동 모델링을 활용한다.
    3. \n
  3. Flask 미들웨어: AJAN 프레임워크와 CARLA 시뮬레이터를 연결하는 미들웨어로, 두 시스템 간의 통신을 담당한다.
    4. \n
  4. CARLA 통합: 모델링된 시나리오를 원클릭으로 CARLA 형식으로 변환하여 직접 실행·검증한다.
    5. \n
\n
항목내용
에이전트 프레임워크AJAN (SPARQL 기반)
시뮬레이터CARLA
의사결정SPARQL Behavior Trees
미들웨어Flask
인터페이스비주얼 UI (그리드 기반)
\n

실험 및 결과​

\n

CARJAN은 대화형 지능적 에이전트 기반의 가상 교통 시나리오 생성·시뮬레이션을 통합한 최초의 접근법을 제시한다. 비주얼 UI를 통해 시나리오 레이아웃을 직관적으로 설계하고, SPARQL Behavior Tree로 에이전트 행동을 정의하며, CARLA 환경에서 직접 시뮬레이션을 수행하는 엔드투엔드 워크플로우를 구현하였다. 다만 정량적 실험 결과나 비교 벤치마크는 포함되지 않았으며, 도구의 아키텍처와 기능을 중심으로 기술되었다.

\n

결론​

\n

CARJAN은 BT와 시맨틱 웹 기술(SPARQL)을 결합한 독특한 접근법으로, 에이전트 기반 시나리오 생성과 시뮬레이션을 통합한 최초의 시도 중 하나이다. 사용자 친화적인 비주얼 인터페이스와 지능적 에이전트 행동 모델링을 결합하여, 자율주행 시스템의 안전성 검증을 위한 다양한 교통 시나리오 생성을 지원한다. DFKI(독일 인공지능 연구 센터) 소속 연구팀이 개발하였으며, CC BY 4.0 라이선스로 공개되었다.

", "url": "https://til.99jik.com/papers/CARJAN-Agent-Based-Generation-and-Simulation-of-Traffic-Scenarios-with-AJAN", "title": "CARJAN: Agent-Based Generation and Simulation of Traffic Scenarios with AJAN", "summary": "AJAN 멀티에이전트 프레임워크와 CARLA 시뮬레이터를 결합하여 교통 시나리오를 반자동으로 생성·시뮬레이션하는 도구 CARJAN을 소개하는 논문", "date_modified": "2025-08-29T00:00:00.000Z", "author": { "name": "Leonard Frank Neis" }, "tags": [ "JIK Reference", "Behavior Tree", "Artificial Intelligence", "Test Generation", "Automatic Generation" ] }, { "id": "https://til.99jik.com/papers/Deep-learning-driven-IoT-solution-for-smart-tomato-farming", "content_html": "

논문 정보​

\n\n

요약​

\n

초록​

\n

증가하는 식량 수요와 기후 변화 문제로 인해 정밀 농업(Precision Agriculture)의 중요성이 커지고 있다. 본 연구는 토마토 농업에 특화된 IoT 기반 스마트 온실 플랫폼을 제시하며, 환경 감지 센서와 딥러닝 기술을 통합한다. ESP32 기반 무선 센서가 토양 수분, 온도, 습도 데이터를 실시간으로 수집하여 클라우드 대시보드(ThingsBoard)로 전송해 원격 모니터링을 지원한다. 라즈베리 파이와 Pi 카메라, YOLOv8 모델을 사용하여 실제 온실 이미지로부터 토마토 숙성 단계를 '녹색', '반쯤 익음', '완전히 익음'의 세 단계로 분류한다. 모델 최적화를 통해 추론 속도를 35% 향상시키면서 52.8%의 분류 정확도를 달성했으며, 일일 에너지 소비량은 ESP32 센서가 8.91Wh, 라즈베리 파이가 78Wh로 측정되었다.

\n

서론​

\n

2050년까지 세계 인구가 97억 명에 도달할 것으로 예상됨에 따라 식량 생산량을 약 70% 늘려야 하는 과제에 직면해 있다. 기존 농업 방식은 기후 변화, 노동력 부족 등의 한계가 있어 IoT, WSN, AI와 같은 스마트 기술을 활용하는 정밀 농업이 대두되고 있다. 본 연구는 온실 토마토 농업을 위한 스마트 시스템을 제안하며, 센서 데이터와 이미지 기반 숙성도 감지를 결합하여 농작물 관리 효율성과 생산성 향상을 목표로 한다.

\n

배경​

\n

\"Figure\n정밀 농업(PA)은 데이터 수집, 처리, 분석, 의사 결정, 실행의 순환적 주기를 통해 자원 사용을 최적화하고 환경 영향을 최소화하는 농업 방식이다 (논문의 Figure 1 참조). IoT는 토양 수분, 온도, 습도 등을 측정하는 센서 네트워크를 구성하고, WSN을 통해 데이터를 중앙 컨트롤러로 전송한다. 본 연구는 단순 데이터 수집을 넘어, 센서 값과 카메라 이미지를 함께 사용하여 관개나 조명 조절과 같은 즉각적인 조치를 자동화하는 것을 목표로 한다.

\n

모델 아키텍처 / 방법론​

\n

\"Figure\n\"Figure

\n\n

실험 결과​

\n

\"Figure\n\"Figure

\n\n

결론​

\n

본 연구는 IoT 센서 네트워크와 YOLOv8 딥러닝 모델을 통합하여 온실 토마토 작물을 모니터링하는 스마트 플랫폼을 성공적으로 구현하였다. 이 플랫폼은 농부에게 실시간 환경 데이터와 자동화된 숙성도 분석 정보를 제공하여 수확량 증대 및 손실 최소화에 기여할 수 있다. 다만, 52.8%의 모델 정확도는 소규모 학습 데이터에 기인한 한계점이며, 인터넷 연결에 대한 의존성 또한 단점으로 지적된다. 향후 연구 방향으로는 데이터셋을 대폭 확장하고, Edge TPU와 같은 엣지 컴퓨팅 기술을 도입하여 오프라인 처리 능력을 강화하며, 관개 및 환기 시스템을 자동으로 제어하는 기능을 추가하는 것이 포함된다.

\n
\n

본 논문은 ITEC0401-002 TA 업무를 위해 읽은 논문이다.

\n
", "url": "https://til.99jik.com/papers/Deep-learning-driven-IoT-solution-for-smart-tomato-farming", "title": "Deep learning-driven IoT solution for smart tomato farming", "summary": "딥러닝과 IoT를 결합하여 환경 감지 및 토마토 숙성 단계 분류를 통해 스마트 온실 토마토 농업을 위한 플랫폼을 제안한 논문", "date_modified": "2025-08-24T00:00:00.000Z", "author": { "name": "Akshit Saxena" }, "tags": [ "Deep Learning", "Tomato Production", "Precision Agriculture", "Internet of Things", "Wireless Sensor Networks" ] }, { "id": "https://til.99jik.com/papers/A-Survey-on-Web-Testing-On-the-Rise-of-AI-and-Applications-in-Industry", "content_html": "

논문 정보​

\n\n

요약​

\n

초록​

\n

본 논문은 2014년부터 2025년까지의 웹 테스팅 방법론, 도구, 동향에 초점을 맞춘 체계적인 문헌 연구를 제시한다. 259개의 연구 논문을 분석하여 이 분야의 핵심 동향, 인구 통계, 기여, 도구, 과제 및 혁신을 식별한다. 연구 결과에 따르면 웹 테스팅 연구는 매우 활발했으며, ICST가 선도적인 연구 발표의 장이었다. 대부분의 연구는 새로운 기술에 중점을 두며, 블랙박스 테스팅의 자동화를 강조한다. Selenium이 가장 널리 사용되는 도구이며, 산업계 채택 및 인간 대상 연구는 비교적 제한적이다. 이 연구는 웹 테스팅 연구의 동향, 발전, 과제, 자동화된 테스팅 방법의 진화, 테스트 케이스 생성에서 인공지능의 역할 및 현재 연구의 격차에 대한 상세한 개요를 제공한다.

\n

서론​

\n

웹 애플리케이션의 프론트엔드는 사용자 경험을 좌우하는 핵심 요소로, 그 중요성이 날로 커지고 있다. 따라서 기능성, 사용성, 반응성을 검증하는 프론트엔드 테스팅은 필수적이다. 하지만 현대 웹 애플리케이션의 동적이고 복잡한 특성으로 인해 테스팅은 여러 도전에 직면해 있다. 이 연구는 지난 10년간(2014-2025) 발표된 259개의 논문을 분석하여 웹 테스팅 분야의 주요 동향, 발전, 그리고 남아있는 과제들을 종합적으로 파악하는 것을 목표로 한다.

\n

배경​

\n\n

모델 아키텍처 / 방법론​

\n

이 논문은 특정 모델을 제안하는 것이 아닌, 서베이 연구이므로 연구 방법론을 중심으로 설명한다.\n\"Figure

\n\n

실험 결과​

\n

\"Figure\n\"Figure

\n\n

결론​

\n

웹 테스팅은 지난 10년간 활발하게 연구되어 온 성숙한 분야이다. 자동 테스트 생성과 블랙박스 테스팅이 주된 연구 주제였으며, AI 기술의 도입과 산업계 협력이라는 긍정적인 변화가 관찰된다. 하지만 여전히 해결해야 할 과제들이 남아있다. 연구된 도구들의 오픈소스 공개 비율이 낮고 장기적인 유지보수가 부족하며, Selenium 외의 최신 라이브러리에 대한 연구나 화이트박스 테스팅, 인간 대상 연구가 부족하다. 향후 연구는 이러한 격차를 해소하여 학문적 성과가 산업 현장에 더 효과적으로 이전될 수 있도록 노력해야 한다.

", "url": "https://til.99jik.com/papers/A-Survey-on-Web-Testing-On-the-Rise-of-AI-and-Applications-in-Industry", "title": "A Survey on Web Testing: On the Rise of AI and Applications in Industry", "summary": "2014년부터 2025년까지 발표된 259개의 연구 논문을 분석하여 웹 테스팅 분야의 핵심 동향, 방법론, AI의 역할 및 산업 적용 사례를 체계적으로 정리한 서베이 논문", "date_modified": "2025-08-12T00:00:00.000Z", "author": { "name": "Iva Kertusha" }, "tags": [ "Web Testing", "GUI Testing", "Front-end", "Survey", "Search-Based Software Testing", "Artificial Intelligence", "Fuzzing" ] }, { "id": "https://til.99jik.com/papers/A-machine-learning-intergrated-framework-for-mechanical-property-prediction-of-FDM-printed-PLA", "content_html": "

논문 정보​

\n\n

요약​

\n

초록​

\n

이 연구는 기계 학습, 실험적 검증, 유한 요소 해석을 결합한 통합 프레임워크를 제시하여 FDM 방식으로 프린팅된 PLA 부품의 인장 거동을 예측하고 설명한다. 422개 샘플의 표준화된 데이터셋을 구축하여 10개의 ML 모델을 평가했으며, TabNet이 개별 모델 중 가장 높은 정확도를 보였다. 여러 모델을 결합한 앙상블 전략은 성능을 더욱 향상시켜 결정 계수(R2R^2R2) 99.09%를 달성했다. 309개의 독립적인 외부 샘플을 이용한 검증에서도 모델의 일반화 능력이 확인되었으며, 예측 오차는 10% 미만으로 유지되었다. FEA 시뮬레이션은 인장 시험을 모사하여 응력 경로를 시각화하고 프린트 방향에 따른 파단 모드를 정확하게 예측했다. 이 연구는 적층 제조를 위한 예측 모델링을 발전시켜 항공 우주, 생의학, 자동차 응용 분야에서 재료 성능을 최적화하고 효율적인 설계를 지원하는 검증된 접근법을 제공한다.

\n

서론​

\n

적층 제조(AM), 특히 PLA를 사용하는 FDM 방식은 복잡한 형상을 최소한의 재료 낭비로 제작할 수 있어 널리 사용된다. 그러나 산업적 적용성을 확대하기 위해서는 극한 인장 강도(UTS)와 같은 기계적 특성을 정확하게 예측하는 것이 매우 중요하다. 기존 연구들은 작은 데이터셋, 제한된 수의 ML 알고리즘 사용, 외부 데이터나 실험을 통한 검증 부족 등의 한계를 가지고 있었다. 이 연구는 이러한 한계를 극복하기 위해 대규모 데이터셋, 다양한 ML 모델, 그리고 실험 및 FEA를 포함하는 다단계 검증을 통합한 포괄적인 예측 프레임워크를 제안한다.

\n

모델 아키텍처 / 방법론​

\n\n

실험 결과​

\n\n

결론​

\n

이 연구는 기계 학습, FEA, 실험적 검증을 성공적으로 통합하여 FDM으로 제작된 PLA 부품의 인장 강도를 정확하게 예측하는 프레임워크를 제시했다. 앙상블 ML 모델이 R2R^2R2 99.09%의 높은 예측 정확도를 달성했으며, 래스터 각도와 내부 채움 밀도가 강도를 결정하는 핵심 인자임을 확인했다. 이 검증되고 확장 가능한 하이브리드 예측 프레임워크는 적층 제조 부품의 지능형 설계, 최적화 및 신뢰성 평가를 발전시키는 데 기여한다.

", "url": "https://til.99jik.com/papers/A-machine-learning-intergrated-framework-for-mechanical-property-prediction-of-FDM-printed-PLA", "title": "A machine learning-integrated framework for mechanical property prediction of FDM-printed PLA", "summary": "기계 학습, 실험 검증, 유한 요소 해석을 통합하여 FDM 방식 3D 프린팅 PLA 부품의 인장 강도를 예측하고 설명하는 확장 가능한 프레임워크를 제시한다.", "date_modified": "2025-08-08T00:00:00.000Z", "author": { "name": "Yassmin Seid Ahmed" }, "tags": [ "Fused Deposition Modeling", "Machine Learning", "Tensile Strength Prediction", "Polylactic Acid" ] }, { "id": "https://til.99jik.com/papers/Comparative-Analysis-of-Explainable-AI-Methods-for-Manufacturing-Defect-Prediction-A-Mathematical-Perspective", "content_html": "

논문 정보​

\n\n

요약​

\n

초록​

\n

제조 공정의 복잡성이 증가함에 따라 정확한 결함 예측과 원인에 대한 해석 가능한 통찰력이 중요해졌다. 이 연구는 기계 학습, 클러스터링, 설명가능 AI(XAI)를 통합하여 산업 환경의 결함 분석 및 품질 관리를 지원하는 방법론을 제안한다. 실제 산업 분포 기반 데이터셋을 사용하여 XGBoost 모델로 고/저 결함 시나리오를 분류하고, 5가지 XAI 기법(SHAP, LIME, ELI5, PDP, ICE)으로 결함과 관련된 주요 변수를 식별한다. 동시에 Fuzzy C-Means와 K-means로 생산 데이터를 잠재적 운영 프로파일로 군집화하고, 이 또한 XAI로 해석하여 공정 수준의 패턴을 발견한다. 이 접근법은 예측적 관점과 구조적 관점 모두에서 일관된 변수를 드러내며 전역적, 지역적 해석 가능성을 모두 제공한다.

\n

서론​

\n

산업 생산 공정에서 품질 관리는 제품 안전, 고객 만족, 규제 준수를 위해 필수적이다. 최근 머신러닝 모델이 품질 관리 시스템에 도입되었으나, '블랙박스' 모델의 불투명성은 신뢰와 실제 적용에 걸림돌이 된다. 이 연구는 XAI 기술을 통해 모델을 투명하게 만들고, 지도 학습(결함 예측)과 비지도 학습(프로파일링)을 결합한 통합 프레임워크를 통해 제조 공정의 품질 관리를 위한 일관되고 해석 가능한 방법론을 제공하고자 한다.

\n

배경​

\n

이 연구는 네 가지 핵심 영역을 기반으로 한다: 1) 제조 결함 탐지를 위한 딥러닝, 2) 산업 응용 분야에서의 XAI 통합, 3) 생산 프로파일링을 위한 퍼지 클러스터링, 4) 이러한 기술들을 결합한 통합 프레임워크의 부재. 문헌 검토 결과, 지도 학습, 비지도 클러스터링, XAI를 단일 파이프라인으로 명시적으로 결합한 연구는 없었으며, 이는 본 연구의 독창성을 강조한다.

\n

모델 아키텍처 / 방법론​

\n\n

실험 결과​

\n\n

결론​

\n

지도 학습, 비지도 클러스터링, XAI를 결합한 이중 모델링 프레임워크는 제조 공정 분석을 위한 강력하고 해석 가능한 방법론임을 입증했다. XGBoost는 결함 예측에 높은 성능을 보였고, XAI 기법들은 모델의 결정 과정을 투명하게 만들어 신뢰성을 높였다. K-means 클러스터링은 감독되지 않은 데이터에서 의미 있는 운영 프로파일을 발견했으며, 이는 결함 예측에서 관찰된 패턴과 일관성을 보였다. 이 통합 접근법은 Industry 4.0 원칙에 부합하는 지능적이고 투명한 시스템 개발에 기여한다.

", "url": "https://til.99jik.com/papers/Comparative-Analysis-of-Explainable-AI-Methods-for-Manufacturing-Defect-Prediction-A-Mathematical-Perspective", "title": "Comparative Analysis of Explainable AI Methods for Manufacturing Defect Prediction: A Mathematical Perspective", "summary": "기계 학습, 클러스터링, 설명가능 AI(XAI)를 통합하여 제조 결함을 분석하고 예측함으로써 생산 동역학에 대한 투명하고 데이터 기반의 이해를 제공하는 프레임워크를 제안한 논문", "date_modified": "2025-07-29T00:00:00.000Z", "author": { "name": "Gabriel Marín Díaz" }, "tags": [ "Explainable Artificial Intelligence", "Defect Prediction", "Manufacturing Quality Control", "Machine Learning", "Clustering" ] }, { "id": "https://til.99jik.com/papers/Enhancing-Game-AI-Behaviors-with-LLMs-and-Agentic-AI", "content_html": "

논문 정보​

\n\n

요약​

\n

초록​

\n

고급 AI 행동의 통합은 몰입감 있고 역동적인 비디오 게임 경험을 만드는 데 핵심적이다. 본 논문은 LLM과 에이전트 기반 AI를 활용하여 게임 NPC(Non-Player Character)를 위한 복잡한 행동 트리(BT)를 생성하는 프레임워크를 제안한다. 이 방법은 소스 코드와 게임 엔진의 시각적 도구 사이의 간극을 해소하여, 기술적·비기술적 이해관계자 모두가 NPC 개발에 효과적으로 기여할 수 있도록 한다. 주요 기여점에는 행동 다양성 증대, 게임 테스트 가능성 향상, 다양한 게임 엔진에 적응 가능한 확장성 있는 아키텍처가 포함된다. 표준 개발자 하드웨어에서 외부 서비스 없이 구동되는 소형 모델을 활용하여 접근성을 우선시한다.

\n

서론​

\n

게임 AI에서 NPC의 행동 설계는 게임의 몰입감과 품질을 좌우하는 핵심 요소이다. 전통적으로 BT는 게임 개발자가 수동으로 설계하며, 이 과정은 시간이 많이 소요되고 전문 지식을 요구한다. 최근 LLM의 발전은 코드 생성, 자연어 처리 등에서 뛰어난 성능을 보여주고 있으며, 이를 게임 AI 행동 생성에 활용할 수 있는 가능성이 열리고 있다. 특히 에이전트 기반 AI 접근법을 통해 복잡한 BT 생성을 여러 상호 연결된 에이전트에게 분배할 수 있다.

\n

모델 아키텍처 / 방법론​

\n

프레임워크의 핵심 구성 요소:

\n
    \n
  1. 멀티 에이전트 오케스트레이션: 여러 상호 연결된 에이전트를 조율하여 복잡한 BT를 생성. 각 에이전트는 BT 생성의 특정 측면을 담당
    2. \n
  2. 게임 엔진 시각 도구 통합: 생성된 BT를 게임 엔진의 시각적 편집 도구와 통합하여, 프로그래머뿐 아니라 게임 디자이너 등 비기술 인력도 결과를 확인하고 수정 가능
    3. \n
  3. 로컬 소형 모델 활용: 외부 API 의존 없이 표준 개발자 하드웨어에서 실행되는 소형 LLM을 활용하여 비용 절감 및 보안 확보
    4. \n
  4. 확장 가능한 아키텍처: 다양한 게임 엔진에 적응 가능한 설계로 범용적 활용 지원
    5. \n
\n

실험 및 결과​

\n

산학 협력을 통해 프레임워크의 유효성을 검증하였다. 실험 결과:

\n\n

결론​

\n

본 연구는 LLM과 에이전트 기반 AI를 활용한 게임 NPC 행동 트리 자동 생성의 실용적 프레임워크를 제시한다. 외부 서비스 없이 로컬 소형 모델로 구동 가능하며, 다양한 게임 엔진에 적응 가능한 확장성 있는 아키텍처를 갖추고 있다. Gameloft과 부쿠레슈티 대학교의 산학 협력을 통해 실제 게임 개발 환경에서의 효용성이 검증되었다.

", "url": "https://til.99jik.com/papers/Enhancing-Game-AI-Behaviors-with-LLMs-and-Agentic-AI", "title": "Enhancing Game AI Behaviors with Large Language Models and Agentic AI", "summary": "LLM과 에이전트 기반 AI를 활용하여 게임 NPC의 행동 트리를 자동 생성하는 프레임워크 제안", "date_modified": "2025-06-25T00:00:00.000Z", "author": { "name": "Ciprian Paduraru" }, "tags": [ "Large Language Model", "Behavior Tree", "Game Artificial Intelligence", "Non-Player Character", "Agentic Artificial Intelligence", "JIK Reference" ] }, { "id": "https://til.99jik.com/papers/A-Study-on-the-Capability-of-Generative-AI-to-Understand-and-Utilize-Test-Cases", "content_html": "

논문 정보​

\n\n

요약​

\n

초록​

\n

대규모 언어 모델(LLM)의 코드 생성 능력은 주목받고 있지만, 생성된 코드의 정확성과 신뢰성은 여전히 중요한 과제임. 개발자들이 코드 신뢰도를 높이기 위해 사용하는 테스트케이스(TC)를 LLM에 적용했을 때 코드 생성 정확도를 높일 수 있는지 알아보고자 함. 이 논문은 최신 LLM인 GPT-4.1이 제로샷 프롬프팅으로 경쟁 프로그래밍 문제를 해결하는 과정에서 TC 정보가 결과에 미치는 영향과 GPT-4.1의 TC 생성 및 이해 능력을 분석함.

\n

서론​

\n

LLM은 코드 생성 분야에서 개발 패러다임의 변화를 이끌고 있으나, 생성된 코드의 논리적 결함이나 요구사항 누락과 같은 정확성 문제가 존재함. 소프트웨어 테스팅 분야의 테스트 주도 개발(TDD) 방법론은 코드 작성 전 TC를 먼저 정의하여 요구사항을 명확히 하고 오류를 줄이는 데 도움을 줌. 본 연구는 TDD에서 아이디어를 얻어, LLM에게 코드 생성 시 TC 정보를 제공하면 개발자처럼 TC를 활용해 더 정확한 코드를 생성할 것이라는 가설을 세움. 이를 검증하기 위해 \"LLM은 TC를 활용하여 코드의 정확성과 신뢰성을 얼마나 향상시키는가?\"와 \"LLM은 주어진 TC에 내포된 기능적 요구사항을 정확하게 이해하고 도출할 수 있는가?\"라는 연구 질문을 설정함.

\n

모델 아키텍처 / 방법론​

\n\n

실험 결과​

\n\n

결론​

\n

본 연구는 GPT-4.1의 제로샷 코드 생성 과정에서 TC 정보 제공이 항상 긍정적인 효과를 가져오지 않음을 실험적으로 확인함. 특히 문제 난이도가 높을 경우, TC 정보가 오히려 성능을 저하시키는 경향이 나타남. 이러한 결과는 GPT-4.1이 TC에 담긴 의도나 요구사항을 개발자 수준으로 깊이 있게 추론하고 활용하는 데 한계가 있음을 시사함. 따라서 LLM을 활용해 코드를 생성할 때, 특히 정교한 논리가 요구되는 작업에서는 TC 정보를 포함하는 전략을 신중하게 접근하고 검증할 필요가 있음. 이 연구의 결과는 특정 모델(GPT-4.1), 프롬프팅 방식(Zero-Shot), 도메인(CP)에 한정될 수 있으므로 향후 다양한 모델과 정교한 프롬프팅 기법을 적용한 추가 연구가 필요함.

", "url": "https://til.99jik.com/papers/A-Study-on-the-Capability-of-Generative-AI-to-Understand-and-Utilize-Test-Cases", "title": "A Study on the Capability of Generative AI to Understand and Utilize Test Cases", "summary": "GPT-4.1의 코드 생성 과정에서 테스트케이스(TC) 정보 제공이 항상 성능 향상으로 이어지지 않으며, TC 이해 및 생성 능력에 한계가 있음을 실험적으로 분석한 논문", "date_modified": "2025-06-20T00:00:00.000Z", "author": { "name": "김정인", "url": "https://github.com/99JIK" }, "tags": [ "Large Language Model", "ChatGPT", "Software Testing", "Prompt Engineering" ] }, { "id": "https://til.99jik.com/papers/OpenFace-3.0-A-Lightweight-Multitask-System-for-Comprehensive-Facial-Behavior-Analysis", "content_html": "

논문 정보​

\n\n

요약​

\n

초록​

\n

자동 안면 행동 분석 시스템에 대한 관심이 증가함에 따라, 본 논문은 OPENFACE 3.0을 소개한다. 이는 안면 랜드마크 감지, 안면 표정 단위(AU) 감지, 시선 추정, 안면 감정 인식이 가능한 오픈소스 툴킷이다. OPENFACE 3.0은 다양한 인구, 머리 자세, 조명 조건, 비디오 해상도 및 안면 분석 작업에 걸쳐 다중 작업 아키텍처로 훈련된 경량화된 통합 모델을 제공한다. 통합 모델과 훈련 패러다임을 통해 파라미터 공유의 이점을 활용하여, 유사한 툴킷 대비 예측 성능, 추론 속도, 메모리 효율성에서 개선을 보이며 SOTA 모델과 경쟁한다. OPENFACE 3.0은 한 줄의 코드로 설치 및 실행이 가능하며, 특수 하드웨어 없이 실시간으로 작동한다.

\n

서론​

\n

얼굴 신호를 이해하는 것은 인간의 사회적 상호작용에 매우 중요하다. 미묘한 시선 변화나 머리 기울임도 사회적 의미 전달에 큰 영향을 미친다. 컴퓨터 비전 커뮤니티는 이러한 세밀한 안면 행동을 해석하여 인간 중심 AI 시스템을 설계하는 데 관심이 커지고 있다. OPENFACE 3.0은 이러한 핵심 안면 신호(랜드마크, AU, 시선, 감정)를 공동으로 수행하는 고성능 오픈소스 툴킷을 제공하며, 연구자와 개발자가 이를 쉽게 통합할 수 있도록 설계되었다. 이 툴킷은 이전 버전(OpenFace 2.0)보다 더 정확하고, 빠르며, 메모리 효율적이고, 특히 비정면 얼굴 분석에서 뛰어난 성능을 보인다.

\n

배경​

\n

안면 행동 분석은 전통적으로 개별 작업(랜드마크 감지, AU 감지 등)에 특화된 모델로 각각 발전해왔다. 최근에는 대규모 데이터로 사전 훈련된 비전 트랜스포머(ViT)나 파운데이션 모델이 주목받고 있으며, 다중 작업 학습(MTL)이 강력한 특징 추출 능력으로 인해 안면 분석에 활용되고 있다. OpenFace 3.0은 이러한 MTL 접근 방식을 채택하여, 여러 안면 분석 작업을 위한 일반화된 얼굴 표현을 학습하고, 이를 통해 효율성과 성능을 동시에 달성한다.\n

\n

모델 아키텍처 / 방법론​

\n

OPENFACE 3.0 시스템의 아키텍처는 논문의 Figure 1에 시각화되어 있다.

\n\n

실험 결과​

\n

실험은 AMD Ryzen Threadripper CPU와 NVIDIA GeForce GTX 1080 Ti GPU 환경에서 수행되었다.

\n\n

결론​

\n

본 논문은 4가지 주요 안면 행동 분석 작업을 하나의 경량화된 다중 작업 시스템으로 통합한 OPENFACE 3.0을 제안했다. 이 시스템은 SOTA 모델들과 비슷하거나 더 나은 성능을 보이면서도 추론 속도와 메모리 효율성에서 큰 이점을 가진다. 특히, 다중 작업 학습을 통해 비정면 얼굴과 같은 'in-the-wild' 환경에서의 강인함(robustness)을 확보했다. OPENFACE 3.0은 사용하기 쉬운 Python API와 함께 오픈소스로 제공되어, 멀티모달 상호작용, 로보틱스, 감성 컴퓨팅 등 다양한 분야의 연구를 촉진할 것이다.

", "url": "https://til.99jik.com/papers/OpenFace-3.0-A-Lightweight-Multitask-System-for-Comprehensive-Facial-Behavior-Analysis", "title": "OPENFACE 3.0: A Lightweight Multitask System for Comprehensive Facial Behavior Analysis", "summary": "OpenFace 3.0은 안면 랜드마크, 표정 단위, 시선, 감정 인식을 하나의 경량화된 다중 작업(multi-task) 모델로 통합하여 성능, 속도, 메모리 효율성을 향상시킨 오픈소스 툴킷이다.", "date_modified": "2025-06-03T00:00:00.000Z", "author": { "name": "Jiewen Hu" }, "tags": [ "Facial Behavior Analysis", "Multitask Learning", "Computer Vision", "Affective Computing" ] }, { "id": "https://til.99jik.com/papers/Flow2Code-Evaluating-Large-Language-Models-for-Flowchart-based-Code-Generation-Capability", "content_html": "

논문 정보​

\n\n

\"Table

\n

요약​

\n

초록​

\n

대형 언어 모델(LLM)이 코드 생성에서 유망한 성능을 보이고 있지만, 기존 벤치마크들은 순서도 기반 코드 생성을 다루지 않았다. 이 연구는 순서도 기반 코드 생성 평가를 위한 새로운 벤치마크인 Flow2Code를 제시한다. 이 데이터셋은 15개의 프로그래밍 언어에 걸쳐 5,622개의 코드 세그먼트와 16,866개의 순서도(코드, UML, 의사코드 유형)로 구성된다. 13개의 멀티모달 LLM을 대상으로 한 광범위한 실험 결과, 현재 LLM들은 순서도를 기반으로 코드를 완벽하게 생성하지 못하며, 지도 미세조정(SFT) 기법이 모델 성능에 크게 기여함을 보여준다.

\n

서론​

\n

LLM의 코드 생성 능력 평가를 위한 기존 벤치마크는 주로 텍스트 설명(HumanEval 등)이나 문제 이미지(MMCode 등)에 기반한다. 하지만 프로그램 로직(결정, 루프 등)을 시각화하는 데 더 효과적이고 직관적인 순서도 기반 평가는 누락되어 있었다. 순서도는 코드, UML, 의사코드의 세 가지 주요 유형으로 나뉘며, 이러한 이점에도 불구하고 순서도를 코드로 변환하는 전용 벤치마크가 없는 실정이다. 본 연구는 이 공백을 메우기 위해 15개 언어와 3가지 순서도 유형을 포함하는 포괄적인 벤치마크 Flow2Code를 제안한다.\n\"Figure

\n

모델 아키텍처 / 방법론​

\n

이 연구의 핵심은 모델이 아닌 Flow2Code 벤치마크 구축 방법론에 있다. 데이터셋은 HumanEval-X, MBXP 등 4개의 기존 데이터셋에서 소스 코드를 수집하여 구축되었다.

\n

논문의 Figure 1은 전체 순서도 생성 과정을 보여준다.

\n\n

실험 결과​

\n\n

결론​

\n

이 연구는 순서도 기반 코드 생성을 위한 최초의 포괄적인 벤치마크 Flow2Code를 제안했다. 15개 언어와 3가지 순서도 유형(코드, UML, 의사코드)을 포함하는 이 데이터셋을 통해 13개 MLLM을 평가한 결과, 현재 모델들(특히 소형 모델)은 순서도의 논리를 코드로 변환하는 데 여전히 한계가 있음을 확인했다. 또한, 의사코드 순서도 변환이 가장 어려운 작업임을 밝혔으며, 지도 미세조정(SFT)이 이러한 한계를 극복하는 데 효과적인 전략임을 입증했다.

", "url": "https://til.99jik.com/papers/Flow2Code-Evaluating-Large-Language-Models-for-Flowchart-based-Code-Generation-Capability", "title": "Flow2Code: Evaluating Large Language Models for Flowchart-based Code Generation Capability", "summary": "순서도(Flowchart) 기반 코드 생성 능력을 평가하기 위한 15개 프로그래밍 언어, 3가지 순서도 유형을 포함하는 Flow2Code 벤치마크 제안", "date_modified": "2025-06-02T00:00:00.000Z", "author": { "name": "Mengliang He" }, "tags": [ "Flowchart", "Code Generation", "Large Language Model", "Benchmark", "Multimodal" ] }, { "id": "https://til.99jik.com/papers/Small-Language-Models-are-the-Future-of-Agentic-AI", "content_html": "

논문 정보​

\n\n

요약​

\n

초록​

\n

대규모 언어 모델(LLM)은 인간에 가까운 성능과 범용 대화 능력으로 높은 평가를 받는다. 그러나 에이전트 AI 시스템의 부상은 언어 모델이 소수의 전문화된 작업을 반복적으로 수행하는 수많은 애플리케이션을 만들어내고 있다. 이 논문은 소규모 언어 모델(SLM)이 에이전트 시스템의 많은 호출에 대해 충분히 강력하고, 본질적으로 더 적합하며, 필연적으로 더 경제적이므로 에이전트 AI의 미래라고 주장한다. 이러한 주장은 SLM의 현재 역량 수준, 일반적인 에이전트 시스템 아키텍처, 그리고 LM 배포의 경제성에 기반을 둔다. 범용 대화 능력이 필수적인 상황에서는 여러 다른 모델을 호출하는 이기종 에이전트 시스템이 자연스러운 선택이라고 주장한다.

\n

서론​

\n

에이전트 AI의 도입은 폭발적으로 증가하고 있으며, 현대 경제에서 상당한 역할을 할 것으로 기대된다. 대부분의 현대 AI 에이전트의 핵심 구성 요소는 LLM으로, 전략적 결정, 작업 흐름 제어, 복잡한 작업 분해 등을 수행하는 데 필요한 기본 지능을 제공한다. 현재 산업은 에이전트가 중앙 집중식 클라우드 인프라에서 호스팅되는 단일 범용 LLM의 API를 통해 요청을 처리하는 운영 모델에 깊이 의존하고 있다. 이 논문은 이러한 현 상태에 도전하며, 상대적으로 단순한 에이전트의 요청을 범용 LLM이 처리하는 관행 대신, 작지만 효율적인 SLM이 에이전트 AI의 미래가 되어야 한다고 주장한다.

\n

모델 아키텍처 / 방법론​

\n

이 논문은 새로운 모델을 제안하는 대신, SLM이 에이전트 AI의 미래라는 주장을 뒷받침하는 논리적 근거와 전환 방법론을 제시한다.

\n\n

실험 결과​

\n

이 논문은 자체적인 실험 대신, SLM의 능력을 입증하는 기존 연구 결과와 사례 연구를 제시한다.

\n\n

결론​

\n

에이전트 AI 산업은 혁신적인 변화를 약속하고 있으며, 비용 절감이나 AI 인프라의 지속가능성 개선은 이러한 변화의 촉매제가 될 것이다. 저자들은 LLM 중심의 현재 패러다임에서 벗어나, 성능, 경제성, 유연성 등 여러 장점을 가진 SLM을 적극적으로 채택하는 것이 에이전트 AI의 자연스럽고 필연적인 미래라고 주장한다. 이 논문은 이러한 전환을 촉진하기 위한 논의를 활성화하고, AI 자원의 효과적인 사용과 비용 절감 노력을 발전시키고자 한다.

\n

부록 B​

\n

B LLM-to-SLM Replacement Case Studies​

\n

This appendix assesses the potential extent of replacing large language model invocations with small language models in three popular open-source agents: MetaGPT, Open Operator, and Cradle. Each case study examines the use of LLMs, evaluates where SLMs may be viable replacements, and concludes with an estimated percentage of replaceable queries.

\n
B.1 Case study 1: MetaGPT​
\n
Name.​
\n

MetaGPT

\n
License.​
\n

Apache 2.0

\n
Purpose.​
\n

MetaGPT is a multi-agent framework designed to emulate a software company. It assigns roles such as Product Manager, Architect, Engineer, and QA Engineer to collaboratively handle tasks including requirement drafting, system design, implementation, and testing.

\n
LLM Invocations.​
\n\n
Assessment for SLM Replacement.​
\n

SLMs would be well-suited for routine code generation and boilerplate tasks, as well as for producing structured responses based on predefined templates. However, they would require further fine-tuning data to reliably perform more complex tasks, such as architectural reasoning and adaptive planning or debugging, which would initially benefit from the broader contextual understanding and the generality of LLMs.

\n
Conclusion.​
\n

In the case of MetaGPT, we estimate that about 60% of its LLM queries could be reliably handled by appropriately specialized SLMs.

\n
B.2 Case study 2: Open Operator​
\n
Name.​
\n

Open Operator

\n
License.​
\n

MIT License

\n
Purpose.​
\n

Open Operator is a workflow automation agent enabling users to define behaviours of agents that can perform tasks like API calls, monitoring, and orchestration using tools and services.

\n
LLM Invocations.​
\n\n
Assessment for SLM Replacement.​
\n

SLMs would be well-suited for tasks such as simple command parsing and routing, as well as generating messages based on predefined templates. They could be meeting their limitations when dealing with more complex tasks that would require multi-step reasoning or the ability to maintain conversation flow and context over time—areas where LLMs would continue to offer significant advantages.

\n
Conclusion.​
\n

In the case of Open Operator, we estimate that about 40% of its LLM queries could be reliably handled by appropriately specialized SLMs.

\n
B.3 Case study 3: Cradle​
\n
Name.​
\n

Cradle

\n
License.​
\n

MIT License

\n
Purpose.​
\n

Cradle is designed for General Computer Control (GCC), enabling agents to operate GUI applications via screenshot input and simulated user interaction.

\n
LLM Invocations.​
\n\n
Assessment for SLM Replacement.​
\n

SLMs would be well-suited for handling repetitive GUI interaction workflows and the execution of pre-learned click sequences. However, they would face challenges when it comes to tasks involving dynamic GUI adaptation or unstructured error resolution, which would require a higher degree of contextual understanding typically provided by LLMs.

\n
Conclusion.​
\n

In the case of Cradle, we estimate that about 70% of its LLM queries could be reliably handled by appropriately specialized SLMs.

", "url": "https://til.99jik.com/papers/Small-Language-Models-are-the-Future-of-Agentic-AI", "title": "Small Language Models are the Future of Agentic AI", "summary": "에이전트 AI 시스템에서 대규모 언어 모델(LLM) 대신 소규모 언어 모델(SLM)을 사용하는 것이 성능, 운영, 비용 측면에서 더 효율적이고 필연적인 미래임을 주장하는 논문", "date_modified": "2025-06-02T00:00:00.000Z", "author": { "name": "Peter Belcak" }, "tags": [ "Agentic Artificial Intelligence", "Small Language Models", "Large Language Model", "Artificial Intelligence Agent", "Model Deployment", "AI Economics" ] }, { "id": "https://til.99jik.com/papers/AI-Adoption-for-Collaboration-Factors-Influencing-Inclusive-Learning-Adoption-in-Higher-Education", "content_html": "

논문 정보​

\n\n

요약​

\n

초록​

\n

교육 분야에서 인공지능(AI) 기술 통합은 교수 및 학습 방식을 혁신할 잠재력으로 많은 주목을 받고 있다. 그럼에도 불구하고, 특히 포용적 학습 환경을 지원하기 위한 고등 교육에서의 AI 채택은 충분히 연구되지 않았다. 본 연구는 포용성 증진에 초점을 맞춰 대학생들의 협업을 위한 AI 채택에 영향을 미치는 요인들을 조사한다. King Faisal University 학생 443명으로부터 협력 학습에서의 AI 채택과 관련된 구성 요소를 측정하기 위해 설계된 설문조사를 통해 데이터를 수집했다. 기술 수용 모델(TAM)에 기반한 설문지는 교육용 AI 맥락에 맞게 조정되었으며, 구조 방정식 모델링(SEM)과 가설 검증을 통해 구성 요소 간의 관계를 평가했다. 연구 결과, '인식된 사용 용이성', '인식된 유용성', 'AI 사용 행동 의도'가 학생들의 AI 채택에 대한 중요한 예측 변수인 것으로 나타났다. 또한 AI에 대한 신뢰와 친숙도가 행동 의도의 핵심 동인으로 확인되었다. 그러나 AI 출력의 인식된 품질이 인식된 유용성에 영향을 미친다는 가설은 지지되지 않았는데, 이는 학생들이 AI 출력의 품질을 학문적 맥락에서의 유용성과 강하게 연결하지 않을 수 있음을 시사한다.

\n

서론​

\n

다양한 분야에서 AI의 보급이 확대되면서 교육 분야도 예외는 아니다. AI 기술은 기계 학습과 데이터 분석의 발전을 통해 개인화된 학습 경험을 제공하고 다양한 학습자를 지원하며 교육 절차를 향상시킬 새로운 가능성을 제시한다. 특히 다양한 배경, 능력, 학습 스타일을 가진 학생들을 통합하는 포용적 학습은 현대 교육의 핵심 원칙이 되었으며, AI는 이를 촉진하는 중요한 도구로 주목받고 있다. 하지만 고등 교육 환경에서 협업 및 포용적 학습을 위한 AI 채택에 영향을 미치는 심리적, 맥락적 요인에 대한 실증적 연구는 부족한 실정이다. 본 연구는 이러한 연구 격차를 해소하기 위해 기술 수용 모델(TAM)을 기반으로 한 이론적 모델을 제안하고 검증하고자 한다.

\n

배경​

\n

본 연구는 기술 수용 모델(Technology Acceptance Model, TAM)을 이론적 기반으로 삼는다. TAM은 사용자가 새로운 기술을 수용하는 과정을 설명하는 모델로, '인식된 유용성(Perceived Usefulness, PU)'과 '인식된 사용 용이성(Perceived Ease of Use, PEOU)'이 사용자의 '행동 의도(Behavioral Intention, BI)'에 영향을 미치고, 이는 다시 실제 '기술 사용(Actual Use)'으로 이어진다고 설명한다. 본 연구에서는 이 기본 모델을 교육용 AI 환경에 맞게 확장하여, AI 출력의 품질, 신뢰, 친숙도 등 AI 고유의 특성과 관련된 변수들을 추가로 탐색했다.

\n

모델 아키텍처 / 방법론​

\n

\"Figure

\n\n

실험 결과​

\n\n

결론​

\n

본 연구는 고등 교육 환경에서 협력적이고 포용적인 학습을 위해 AI를 채택하는 데 있어 기술 수용 모델(TAM)의 핵심 요소들이 여전히 중요함을 재확인했다. 특히 학생들의 '참여 효능감'이 AI 기술을 쉽고 유용하게 인식하는 데 결정적인 역할을 한다는 점을 발견했다. 반면, AI 출력의 기술적 품질이 유용성 인식으로 직결되지 않는다는 결과는 교육용 AI 개발 및 도입 시 기술적 성능뿐만 아니라, 실제 학습 맥락과의 연계 및 사용자 경험을 신중하게 고려해야 함을 시사한다. 향후 연구에서는 다양한 교육 환경과 문화권의 학생들을 대상으로 샘플을 확대하고, 실제 AI 사용 데이터를 결합한 혼합 연구 방법론을 통해 보다 심층적인 분석이 필요하다.

", "url": "https://til.99jik.com/papers/AI-Adoption-for-Collaboration-Factors-Influencing-Inclusive-Learning-Adoption-in-Higher-Education", "title": "Al Adoption for Collaboration: Factors Influencing Inclusive Learning Adoption in Higher Education", "summary": "기술 수용 모델(TAM)을 기반으로 고등 교육 환경에서 협력적, 포용적 학습을 위한 AI 기술 채택에 영향을 미치는 요인을 실증적으로 분석한 연구", "date_modified": "2025-05-07T00:00:00.000Z", "author": { "name": "IBRAHIM ALYOUSSEF" }, "tags": [ "Artificial Intelligence in Education", "Technology Acceptance Model", "Inclusive Learning", "Collaboration", "Higher Education" ] }, { "id": "https://til.99jik.com/papers/Test-Intention-Guide-LLM-based-Unit-Test-Generation", "content_html": "

논문 정보​

\n\n

요약​

\n

초록​

\n

LLM(Large Language Models)의 등장은 단위 테스트 생성에 새로운 가능성을 열었으나, 기존 접근법은 낮은 커버리지와 부정확한 Mocking 능력으로 인해 실용성이 떨어지는 한계가 있었다. 본 논문은 명시적인 테스트 의도(테스트 입력, Mock 동작, 기대 결과 등)를 활용하여 LLM이 고품질의 테스트 케이스를 생성하도록 유도하는 새로운 접근법인 IntUT를 제안한다. 3개의 산업용 자바 프로젝트와 라이브 스터디를 통한 실험 결과, IntUT는 분기 커버리지와 라인 커버리지를 획기적으로 개선하였으며 개발자들의 테스트 작성 효율성을 크게 높이는 것으로 나타났다.\n\"Figure\n\"Figure

\n

서론​

\n

단위 테스트는 소프트웨어 품질 보증의 핵심이지만, 고품질의 테스트 케이스를 작성하는 것은 시간 소모적이고 복잡한 작업이다. 최근 LLM을 활용한 자동 생성 연구가 활발하지만, 단순히 코드 문맥만 제공하는 방식은 복잡한 분기 조건을 모두 커버하지 못하거나 외부 의존성(DB, 네트워크 등)에 대한 Mocking 코드를 정확히 생성하지 못하는 문제가 있다.\n논문의 Figure 1과 2에서는 기존 LLM(CodeLLaMA, GPT-4)이 복잡한 제어 흐름을 가진 메소드에 대해 단순하고 유효하지 않은 테스트만 생성하는 실패 사례를 보여주며, 이를 해결하기 위해 개발자의 '의도'를 명시적으로 주입하는 기법의 필요성을 강조한다.

\n

배경​

\n

본 연구를 이해하기 위해 다음과 같은 개념이 전제된다.

\n\n

모델 아키텍처 / 방법론​

\n

IntUT는 크게 테스트 의도 생성(PAINT)과 프롬프트 조립 및 LLM 생성의 두 단계로 구성된다(Figure 4 참조).

\n

1. PAINT: 프로그램 분석 기반 테스트 의도 생성기​

\n

PAINT(Program Analysis-driven test Intention generation)는 정적 분석을 통해 타겟 메소드의 모든 분기를 커버하기 위한 명세서를 작성한다.

\n\n

2. 프롬프트 구성 (Figure 6 참조)​

\n

추출된 테스트 의도는 다음과 같은 템플릿 형태로 변환되어 LLM 프롬프트에 포함된다.

\n\n

실험 결과​

\n

실험은 화웨이의 실제 산업용 자바 프로젝트 3개(Mgmt, Lic, Res)를 대상으로 진행되었으며, CodeLLaMA-34B-SFT 모델을 기반으로 평가했다.

\n\n

결론​

\n

본 논문은 LLM을 활용한 단위 테스트 생성 시, 정적 분석을 통해 추출한 명시적 '테스트 의도'를 가이드로 사용하는 것이 성능 향상에 결정적임을 증명했다. IntUT는 복잡한 비즈니스 로직을 가진 실제 산업 현장의 코드에서도 높은 커버리지와 정확한 Mocking 코드를 생성해냈으며, 이는 LLM과 프로그램 분석 기술의 결합이 소프트웨어 엔지니어링 자동화 도구의 신뢰성을 크게 높일 수 있음을 시사한다.

", "url": "https://til.99jik.com/papers/Test-Intention-Guide-LLM-based-Unit-Test-Generation", "title": "Test Intention Guided LLM-based Unit Test Generation", "summary": "정적 분석을 통해 추출한 테스트 의도(Test Intention)를 사용하여 LLM이 높은 커버리지와 정확한 Mocking을 갖춘 단위 테스트를 생성하도록 유도하는 IntUT 프레임워크 제안", "date_modified": "2025-05-01T00:00:00.000Z", "author": { "name": "Zifan Nan" }, "tags": [ "Software Engineering", "Unit Test Generation", "Large Language Models", "Static Analysis", "Program Analysis", "Mocking" ] }, { "id": "https://til.99jik.com/papers/Real-time-Semantic-Full-Body-Haptic-Feedback-Converted-from-Sound-for-Virtual-Reality-Gameplay", "content_html": "

논문 정보​

\n\n

요약​

\n

초록​

\n

본 논문은 사운드의 의미론적 분류, 사운드-햅틱 변환, 그리고 전신 햅틱 효과를 특징으로 하는 다중감각 가상현실(VR) 시스템을 제시한다. 이 시스템은 Long-Short-Term Memory (LSTM) 모델을 사용하여 총성, 폭발, 피격과 같은 핵심 게임 이벤트를 사운드로부터 감지한다. 감지된 이벤트는 햅틱 슈트를 통해 전신 햅틱 패턴으로 변환되어 사용자에게 현실감 있고 몰입감 높은 경험을 제공한다. 시스템은 낮은 지연 시간으로 작동하여 사운드와 햅틱 피드백 간의 원활한 동기화를 보장하며, 사용자 연구를 통해 기존 방식보다 사용자 경험이 크게 향상됨을 입증했다.

\n

서론​

\n

VR 게임의 즐거움을 유도하기 위해서는 즉각적인 피드백이 필수적이며, 햅틱 피드백은 게임 내 이벤트와 동기화된 자연스러운 물리적 피드백을 제공하여 몰입감을 높일 수 있다. 하지만 기존의 햅틱 효과 제작은 전문가가 수동으로 설계해야 해 비효율적이다. 이에 대한 해결책으로 게임 사운드에서 실시간으로 햅틱 효과를 자동 생성하는 방식이 주목받고 있다. 그러나 단순한 사운드 신호 변환은 신체의 여러 부위에 상황에 맞는 햅틱 피드백을 전달해야 하는 햅틱 슈트에는 부적합하다. 따라서 본 연구에서는 게임 내 사운드 이벤트의 의미를 이해하고, 적절한 전신 햅틱 효과를 실시간으로 제공하는 사운드-햅틱 변환 시스템을 제안한다.

\n

모델 아키텍처 / 방법론​

\n

\"Figure\n시스템은 사운드 분류, 햅틱 패턴 생성, 햅틱 렌더링의 세 가지 모듈이 병렬로 실행되는 구조를 가진다. 논문의 Figure 3에서 제시된 이 구조는 각 모듈의 실행 시간과 관계없이 일관된 햅틱 업데이트 속도를 보장한다.\n\"Figure

\n\n

실험 결과​

\n

\"Figure\n\"Figure

\n\n

결론​

\n

본 연구는 VR 게임 사운드를 실시간으로 의미에 따라 분류하고, 그에 맞는 전신 햅틱 피드백을 생성하는 시스템을 성공적으로 개발하고 그 효과를 입증했다. 이 시스템은 기존의 단순 변환 방식보다 월등히 향상된 사용자 경험을 제공함을 보여주었다. 향후 과제로는 더 다양한 게임에 적용할 수 있도록 사운드 분류기의 성능을 개선하고, 더 정교한 전신 햅틱 패턴을 디자인하며, 실제 VR 게임 플레이 환경에서 장기적인 사용자 평가를 진행하는 것이 있다.

", "url": "https://til.99jik.com/papers/Real-time-Semantic-Full-Body-Haptic-Feedback-Converted-from-Sound-for-Virtual-Reality-Gameplay", "title": "Real-time Semantic Full-Body Haptic Feedback Converted from Sound for Virtual Reality Gameplay", "summary": "VR 게임 사운드를 실시간으로 의미에 따라 분류하고, 그에 맞는 전신 햅틱 피드백을 생성하여 사용자 경험을 향상시키는 시스템", "date_modified": "2025-04-26T00:00:00.000Z", "author": { "name": "Gyeore Yun" }, "tags": [ "Virtual Reality", "Haptics", "Sound Classification", "Long Short-Term Memory", "User Experience" ] }, { "id": "https://til.99jik.com/papers/The-Future-of-Software-Testing-A-Review-of-Trends-Challenges-and-Opportunities", "content_html": "

논문 정보​

\n\n

요약​

\n

초록​

\n

소프트웨어 테스팅은 제품의 품질을 평가하는 핵심 프로세스로, 정확하고 신뢰성 있는 결과, 사용자 만족도 향상, 유지보수 비용 절감에 기여한다. 이 논문은 문헌 조사를 통해 소프트웨어 테스팅의 동향, 과제, 그리고 기회를 검토한다. 결론적으로 AI, IoT, 클라우드, 애자일과 같은 신기술의 통합으로 테스팅 분야는 빠르게 진화하고 있으며, 이에 따라 테스터들은 코딩 기술을 강화하고 변화하는 도구와 프레임워크에 적응해야 한다. 애자일 테스팅, 자동화, TCoE가 QA 관행을 재구성하고 있지만, 성능 테스트나 품질 책임과 같은 과제는 여전히 존재한다. 이러한 문제 해결을 위해서는 전략적 계획과 이해관계자의 참여가 필요하며, SECO 및 MSECO 환경에서의 테스팅, 기능/비기능 검증 등에서 새로운 기회를 찾을 수 있다. 미래의 테스트 엔지니어들이 이러한 산업 요구에 부응하기 위해서는 지속적인 학습과 기술 개발이 필수적이다.

\n

서론​

\n

소프트웨어 테스팅은 소프트웨어 제품의 품질과 신뢰성을 보장하는 근본적인 활동이다. 결함이 있는 소프트웨어를 출시할 경우 발생할 수 있는 금전적 손실이나 사용자 신뢰 하락을 방지하기 위해 소프트웨어 기업들은 엄격한 테스트 절차를 거친다. 테스트를 통해 개발 초기에 문제를 발견하고 해결함으로써 장기적인 유지보수 비용을 절감할 수 있다. 이 분야는 소프트웨어 공학에서 가장 활발한 연구 분야 중 하나이지만, 자동화된 단위 테스트 케이스 생성이나 모바일 GUI 테스트의 의미론적 이해 부족과 같은 수많은 과제가 여전히 남아있다.

\n

주요 동향, 과제 및 기회​

\n

핵심 동향​

\n\n

주요 과제​

\n\n

새로운 기회​

\n\n

문헌 연구 결과​

\n

여러 선행 연구들은 소프트웨어 테스팅의 다양한 측면을 조명한다.

\n\n

결론​

\n

소프트웨어 테스팅의 미래는 AI, IoT, 클라우드와 같은 신기술과 밀접하게 연결되어 있으며, 이로 인해 테스팅 분야는 복잡성이 증가하고 있다. 미래의 테스터들은 강력한 프로그래밍 기술을 보유하고 애자일 방법론과 자동화 프레임워크에 신속하게 적응해야 한다. 품질 보증은 더 이상 테스트팀만의 책임이 아니며, 모든 이해관계자가 공유해야 할 책임이 되고 있다. SECO 및 MSECO 플랫폼에서의 기능/비기능 테스트와 같은 분야에서 새로운 기회가 열리고 있으나, 불충분한 문서화, 사용자 참여 부족, 인력 훈련 등의 과제는 여전히 해결해야 할 숙제이다. 이러한 변화의 흐름에 맞춰 교육 기관과 산업계는 미래의 테스트 엔지니어들이 필요한 기술을 갖출 수 있도록 지속적인 학습과 협력을 도모해야 한다.

", "url": "https://til.99jik.com/papers/The-Future-of-Software-Testing-A-Review-of-Trends-Challenges-and-Opportunities", "title": "The Future of Software Testing: A Review of Trends, Challenges, and Opportunities", "summary": "AI, IoT, 클라우드 등 신기술 통합으로 급변하는 소프트웨어 테스팅의 미래 동향, 과제, 기회를 종합적으로 검토하고 미래 테스트 엔지니어에게 필요한 역량을 제시한다.", "date_modified": "2025-04-15T00:00:00.000Z", "author": { "name": "Elavarasi Kesavan" }, "tags": [ "Software Testing", "Artificial Intelligence", "Internet of Things", "Automation", "Quality Assurance", "Future Trends" ] }, { "id": "https://til.99jik.com/papers/Explainable-Artificial-Intelligence-XAI-for-Material-Design-and-Engineering-Applications-A-Quantitative-Computational-Framework", "content_html": "

논문 정보​

\n\n

요약​

\n

초록​

\n

재료 정보학에서 머신러닝(ML) 기반 예측 모델의 해석 가능성 부족은 실용적 채택에 큰 장벽이 된다. 본 연구는 ML 모델과 설명가능 인공지능(XAI) 기법을 통합하여 재료 특성 예측의 정확성과 해석 가능성을 동시에 향상시키는 새로운 정량적 계산 프레임워크를 제안한다. 이 프레임워크는 데이터 처리, 특징 선택, 모델 학습, 성능 평가, 설명가능성 분석, 실세계 배포를 포함하는 체계적 파이프라인을 구성한다.

\n

서론​

\n

재료과학에서 ML 모델의 활용이 증가하고 있으나, 대부분의 고성능 모델은 블랙박스 특성을 가지고 있어 예측 결과에 대한 신뢰성과 물리적 의미의 해석이 어렵다. 이는 재료 설계 및 엔지니어링 실무에서 ML 모델의 채택을 저해하는 주요 요인이다. 본 연구는 XAI를 체계적으로 통합한 정량적 프레임워크를 제시하여 이 문제를 해결하고자 한다.

\n

모델 아키텍처 / 방법론​

\n

본 프레임워크는 다음의 주요 구성 요소를 포함한다:

\n
    \n
  1. \n

    데이터 전처리 및 특징 분석:

    \n\n
    2. \n
  2. \n

    ML 모델 비교 분석:

    \n\n
    3. \n
  3. \n

    XAI 기법:

    \n\n
    4. \n
  4. \n

    클라우드 배포: 학습된 모델을 클라우드 기반 API로 배포하여 실세계 활용 가능성 확보

    \n
    5. \n
\n

실험 및 결과​

\n

고성능 콘크리트(HPC) 압축 강도 예측을 대표적 사례 연구로 검증하였다:

\n\n

SHAP 분석을 통해 시멘트 함량, 물-시멘트 비, 양생 기간 등이 압축 강도 예측에 가장 큰 영향을 미치는 특징임을 확인하였다. LIME 분석은 개별 예측에 대한 상세한 로컬 수준의 해석을 제공하여, 재료 과학자들이 특정 배합에서의 성분 간 상호작용을 이해할 수 있도록 하였다.

\n

결론​

\n

본 연구는 재료 설계 및 엔지니어링 응용을 위한 체계적인 ML-XAI 통합 프레임워크를 제시하였다. XGBoost 모델의 우수한 예측 성능과 SHAP, LIME을 통한 풍부한 해석 가능성을 입증하였으며, 클라우드 배포를 통한 실세계 활용 가능성을 확인하였다. 이 프레임워크는 재료 정보학에서 ML 모델의 실용적 채택을 촉진하고, 데이터 기반 재료 설계의 신뢰성을 높이는 데 기여할 수 있다.

", "url": "https://til.99jik.com/papers/Explainable-Artificial-Intelligence-XAI-for-Material-Design-and-Engineering-Applications-A-Quantitative-Computational-Framework", "title": "Explainable Artificial Intelligence (XAI) for Material Design and Engineering Applications: A Quantitative Computational Framework", "summary": "기계학습(ML) 모델과 설명가능 인공지능(XAI)을 통합하여 재료 특성 예측의 정확성과 해석 가능성을 모두 높이는 정량적 계산 프레임워크를 제안", "date_modified": "2025-03-27T00:00:00.000Z", "author": { "name": "Bokai Liu" }, "tags": [ "Explainable Artificial Intelligence", "High-Performance Concrete", "Material Informatics", "Predictive Modeling", "Science Cloud Deployment", "FOR_KSC" ] } ] }