쌓인 기록에서 찾기
무엇을 찾으세요? 날짜를 몰라도 됩니다. 제목·Key Point·요약·태그를 한꺼번에 뒤집니다.
검색 범위 2026년 8월 13일 (목) 부터 2026년 11월 6일 (금)까지 4095건
3건 · "데이터 에이전트"조건 지우기 ×
001 18:11 ▲ 28 · 댓글 3 파일에서 인사이트 찾는 AI, 합성 데이터로 학습시키다 파일을 분석해 인사이트를 도출하는 데이터 에이전트를 대규모로 학습시키기 위해 현실적인 학습 환경 구축이 어려운 문제를 해결했다. AI · 머신러닝 · Data World: Scaling Data Environments from Scratch
Key Point 데이터 분석 AI 학습을 위한 현실적인 대규모 데이터 환경 구축 방식이 제시되며, 합성 환경에서의 강화학습이 실제 벤치마크 성능 향상으로 이어지는 경로를 보여준다.
핵심 요약
파일을 분석해 인사이트를 도출하는 데이터 에이전트를 대규모로 학습시키기 위해 현실적인 학습 환경 구축이 어려운 문제를 해결했다. Data World 엔진은 파일을 먼저 생성하는 대신, 파일 뒤의 세상(데이터 구조·관계)을 명시적으로 정의한 뒤 환경·과제·평가 기준을 합성한다. 독립적인 감사로 관찰된 파일에서 정답을 복구할 수 있는지 검증하며, RL 학습을 위한 보상 함수로도 활용한다. 전체 요약 7문장 읽기 → 002 03:11 ▲ 26 · 댓글 2 엔터프라이즈 데이터 작업 평가 벤치마크 'Argo-Bench' 공개 기존 text-to-SQL 벤치마크는 쿼리 생성만 평가하며 정답 오류도 빈번한데, 실제 엔터프라이즈 데이터 환경은 수십 개 테이블을 넘나들며 통계 분석과 실행 가능한 의사결정을 요구한다. AI · 머신러닝 · Argo-Bench: Evaluating Data Agents on Enterprise-Scale Workflows
Key Point 엔터프라이즈 규모 데이터 시스템에서 AI가 쿼리 작성을 넘어 실제 의사결정까지 할 수 있는지 평가하는 첫 벤치마크이며, 현재 최강 모델도 35% 미만의 성공률로 데이터 에이전트의 현주소를 보여준다.
핵심 요약
기존 text-to-SQL 벤치마크는 쿼리 생성만 평가하며 정답 오류도 빈번한데, 실제 엔터프라이즈 데이터 환경은 수십 개 테이블을 넘나들며 통계 분석과 실행 가능한 의사결정을 요구한다. Argo-Bench는 뉴욕시 음식배달 플랫폼을 원탁 규모(2024년 주문 8,100만 건)로 시뮬레이션하고 Oracle E-Business Suite 스키마를 따른 235개 테이블, 75억 행의 ERP 웨어하우스를 모델링했다. 210개 데이터 과학·분석 작업으로 구성되며, 에이전트는 웨어하우스를 탐색해 사실을 재구성한 뒤 부정행위자 계정 차단, 배송원 인센티브 예산 할당, 소급 급여 지급 같은 실제 액션을 취해야 한다. 전체 요약 6문장 읽기 → 003 16:18 ▲ 145 · 댓글 3 이질적 데이터 다루는 AI 에이전트를 위한 자동 진화형 온톨로지 레이어 테이블, 파일, 데이터베이스 같은 이질적 데이터를 자연어로 다루는 데이터 에이전트는 원본 데이터 탐색과 수동 의미 계층 주입 사이의 간극으로 어려움을 겪고 있다. AI · 머신러닝 · EvoOntology: A Self-Evolving Ontology Layer for Data Agents
Key Point 데이터 에이전트가 복잡한 현실의 다양한 데이터 소스를 다룰 때 마주하는 근본적인 한계를 구조적으로 해결하는 방식을 제시하기 때문이다.
핵심 요약
테이블, 파일, 데이터베이스 같은 이질적 데이터를 자연어로 다루는 데이터 에이전트는 원본 데이터 탐색과 수동 의미 계층 주입 사이의 간극으로 어려움을 겪고 있다. EvoOntology는 스키마·콘텐츠·도구 계층을 MCP 서버로 구성한 자동 진화형 온톨로지 레이어로, 에이전트가 런타임에 온톨로지를 능동적으로 쿼리하고 상호작용할 수 있게 한다. 빌더 에이전트가 자율적으로 온톨로지를 구축하고, 귀속 안내 편집과 조건부 쌍 평가를 통한 자가 진화 루프가 지속적으로 온톨로지를 개선한다. 전체 요약 4문장 읽기 → 
