• AI 의사들의 협진 시대: MDAgent, 복잡한 의료 문제 해결의 열쇠

이 논문은 의료 의사 결정에서 대규모 언어 모델(LLM)의 활용을 향상시키기 위해 고안된 프레임워크인 MDAgent를 소개합니다. 이 프레임워크는 작업의 복잡성에 따라 LLM에 단독 또는 그룹 역할을 동적으로 할당하여 의료 분야의 협업적 의사 결정 프로세스를 모방합니다. 실제 의료 절차를 모방한 이 접근 방식은 10개의 의료 벤치마크 중 7개에서 이전의 단독 및 그룹 방법을 능가하는 성능을 보여줍니다. MDAgent는 작업 복잡성에 따라 LLM 간의 협업 구조를 자동으로 할당하여 단독 또는 그룹 협업 구조가 당면한 의료 작업에 맞춰지도록 합니다. 그 결과, MDAgent는 의료 지식 및 다중 모드 추론에 대한 이해가 필요한 작업에서 10개 벤치마크 중 7개에서 최고의 성능을 달성했으며, 이전 방법의 최고 성능과 비교하여 최대 4.2%의 상당한 개선을 보였으며 절제 연구를 통해 다양한 의료 작업에서 효율성과 정확성을 최적화하기 위해 의료 복잡성을 효과적으로 결정한다는 것을 보여줍니다.

https://openreview.net/forum?id=EKdk4vxKO4

• DeAR: 복잡한 문제 해결의 새로운 지평을 여는 AI

이 논문에서는 복잡한 문제를 해결하기 위해 단일 대규모 언어 모델(LLM) 내에서 추론 트리를 반복적으로 구축하는 프레임워크인 DeAR(Decompose-Analyze-Rethink)을 소개합니다. DeAR은 인간 인지에 내재된 논리적 계획을 모방하여 근거의 구성을 계획하기 위해 트리 기반 질문 분해 방식을 채택하고, 각 추론 단계에서 자연어 피드백을 통해 근거를 전역적으로 업데이트하는 것을 특징으로 합니다. 특히 Decompose 단계에서는 질문을 더 간단한 하위 질문으로 분해하여 새 노드로 저장하고, Analyze 단계에서는 각 노드 수준에서 하위 질문에 대한 근거를 생성하고 자체 검사하며, Rethink 단계에서는 하위 노드의 피드백을 기반으로 상위 노드 근거를 업데이트합니다. DeAR은 보다 포괄적인 관점에서 추론 프로세스를 생성하고 업데이트함으로써 복잡한 문제에 대해 보다 적응력이 뛰어나고 정확한 논리 구조를 구축하여 ToT(Tree-of-Thoughts) 및 GoT(Graph-of-Thoughts)와 같은 근거 확장 및 검색 기반 접근 방식에 비해 적시에 오류를 수정할 수 있습니다.

https://openreview.net/forum?id=NPKZF1WDjZ

[아이펠 12기] 2024 마지막 개강
AI 입문부터 활용까지! 코어과정 & 논문으로 완성하는 리서치과정:
https://bit.ly/40T8YFx
기술은 기본, 지표 중심 프로젝트를 완성하는 데이터 분석가 과정
https://bit.ly/4g1gvGk