▲ 서울공대 컴퓨터공학부 김건희 교수팀, AI 대화 생성 모델 개발(왼쪽부터 서울대학교 컴퓨터공학부 김강욱 연구원(학사과정), 서울대학교 컴퓨터공학부 김건희 교수, 서울대학교 컴퓨터공학부 이세훈 연구원(박사과정)) [출처=서울대학교 공과대학]서울대(총장 유홍림) 공과대(학장 김영오)에 따르면 컴퓨터공학부 김건희 교수팀이 말버릇, 추임새, 끼어들기 등 사람의 대화 행동을 인공지능(AI)이 이해하고 재현하는 음성 대화 생성 기술을 개발했다.김 교수팀은 이번 연구에서 세계 최대 규모 대화 행동 기반 음성 데이터셋인 ‘Behavior-SD’를 구축하고 이를 바탕으로 자연스럽게 음성 대화를 나누는 AI 모델 ‘BeDLM’을 제안했다.연구팀은 2025년 4월29일부터 5월4일까지 미국 뉴멕시코주 앨버커키에서 열린 ‘NAACL 2025(북미 전산언어학회)’에서 해당 연구 논문을 구두 발표해 음성 처리 및 음성 언어 이해(Speech Processing and Spoken Language Understanding) 분야에서 최고 논문상(Senior Area Chair Award)을 수상했다.NAACL은 컴퓨터가 인간의 언어를 이해, 생성할 수 있도록 해주는 AI의 한 분야인 자연어 처리(NLP) 관련 세계 최고 권위 학회 중 하나다.◇ 연구 배경... 실제 사람처럼 자연스러운 대화를 나누는 AI를 구현 고민연구팀은 사람들이 음성 대화를 나눌 때 텍스트 대화에서는 잘 나타나지 않는 대화 행동을 보이는 점에 주목했다.예컨대 우리는 대화할 때 ‘음…’, ‘그니까…’ 같은 말버릇을 쓰고, 적절한 순간에 ‘맞아’, ‘응’ 같은 추임새를 넣거나 때로는 상대의 말을 끊기도 한다.하지만 이런 미묘한 특징들을 반영하지 못한 기존 AI 대화 시스템의 말투는 부자연스럽고 기계적으로 느껴질 수밖에 없었다.

▲ 서울대학교 컴퓨터공학부 강유 교수[출처=서울대학교 컴퓨터공학부]서울대학교(총장 유홍림) 공과대학(학장 김영오)에 따르면 컴퓨터공학부 강유 교수팀이 개인정보 보호나 보안 등의 이유로 학습 데이터 사용이 어려운 상황에서도 딥러닝 모델의 성능 저하를 최소화하며 경량화할 수 있는 혁신적인 인공지능(AI) 기술을 개발했다.이번 연구 논문은 2025년 4월24일부터 닷새간 싱가포르에서 열리는 세계적 AI 학술대회 ‘ICLR 2025’에 채택된 바 있다.올해로 13회를 맞는 ‘ICLR (International Conference on Learning Representations)’은 기계 학습 및 딥러닝 분야에서 세계 최고 권위를 자랑하는 학회다.프라이버시 보호나 보안 문제로 학습 데이터 접근이 어려운 상황은 현실에서 딥러닝 모델을 훈련시킬 때 겪는 큰 어려움 중 하나다.이를 해결하기 위해 개발된 ‘제로샷 양자화(Zero-shot Quantization, 이하 ZSQ)’는 훈련 데이터 없이 모델을 양자화할 수 있는 기술이다.그러나 기존의 ZSQ 기술은 합성 데이터의 노이즈, 부정확한 특징에 기반한 예측, 어려운 데이터의 잘못된 하드 레이블(Hard Lavel, 1가지 정답만 있는 레이블)이 야기하는 오차 발생 등으로 모델 성능 저하를 불러오는 치명적 한계를 보였다.이에 강 교수팀은 훈련 데이터를 사용하지 않고도 딥러닝 모델의 성능을 유지하며 효과적으로 경량화시킬 수 있는 ZSQ 기술인 ‘SynQ (Synthesis-aware Fine-tuning for Zero-shot Quantization)’ 기법을 제안했다.이는 실제 학습 데이터셋이 없는 환경에서도 종전의 ZSQ 기술에 쉽게 적용할 수 있는 중요한 기법으로 평가받고 있다.연구진은 SynQ의 3가지 핵심 기술로 딥러닝 모델의 성능을 향상시켜 기존 ZSQ의 약점을 극복하는 성과를 거뒀다.먼저 저역 통과 필터(low-pass fil

▲ (좌측부터) 강유 서울대 인공지능협동과정/컴퓨터공학부 교수, 김종진 컴퓨터공학부 박사과정생[출처=서울대학교 공과대학]서울대(총장 유홍림) 공과대학(학장 김영오)에 따르면 인공지능(AI) 협동과정/컴퓨터공학부 강유 교수 연구팀이 다양화 추천을 고려한 개인화 순차 추천 기술을 개발했다.연구팀이 개발한 사용자 간 순서를 고려한 다양화 추천 기술 ‘사피드(Sequentially Diversified Recommendation via Popularity Debiasing and Item Distribution, 이하 SAPID)는 상품 추천시 다양성 보장이 어려운 점을 극복했다.‘다양화 추천(Diversified Recommendation)’이란 온라인 쇼핑몰 등의 플랫폼에서 판매하는 상품들을 제외되는 품목 없이 골고루 사용자들에게 추천하는 시스템을 말한다. 전자상거래 플랫폼의 수익을 극대화하는 핵심 요소이기 때문에 최근 관련 연구들이 주목받고 있다.기존 연구들은 플랫폼 사용자 개개인의 선호 상품 정보를 취합한 후 선호도가 비슷한 상품 중 다른 사용자들이 좋아하지 않는 아이템을 추천하는 방식으로 다양화 추천에 접근했다.그러나 이 방식은 미래의 사용자가 어떤 상품을 선호할지에 관한 정보는 사전에 반영시킬 수 없기에 앞으로 이뤄질 상품 추천의 다양성은 보장하기 어려웠다.SAPID는 사용자들의 과거 구매 데이터를 바탕으로 미래의 상품별 수요를 예측해 현재 어떤 상품을 추천해야 다양성이 높아질지 판단하는 원리로 작동된다.연구진은 각 상품의 플랫폼 등장 빈도를 참조해 유명 제품에 편중되지 않게 아이템을 추천하도록 SAPID 모델을 훈련 데이터셋으로 학습시켰다.이 과정을 거친 SAPID는 플랫폼 사용자에게 아직 추천되지 않은 상품이나 인기도가 낮은 상품을 우선적으로 추천함으로써 다양성을 증대시키는 역할을 수행한다.앞으로 개발된 기술은 사용자들에게 순차적으로 상품을 추천해야 하는 여러 이커머스 플랫폼에서 기대 수익을 극