Research Data & AI

  AI 시대, 승부는 결국 ‘데이터’에 달려 있다 -  가용성과 품질이 결정하는 AI의 진짜 가치 AI가 세상을 바꾸고 있다는 말은 더 이상 뉴스가 아니다. 기업과 정부, 연구기관 모두가 앞다퉈 AI 전략을 세우고 있지만, 정작 그 성공을 좌우하는 핵심 요소는 소외되기 쉽다. 바로 ‘데이터’다. 정확히 말하면 ‘가용한(highly available) 데이터’와 ‘고품질(high-quality) 데이터’다. 1️⃣ AI의 본질은 ‘데이터를 잘 쓰는 기술’ 많은 이들이 AI를 마치 마법처럼 생각한다. 하지만 아무리 뛰어난 AI 모델이라도 입력 데이터가 부정확하거나 편향되어 있다면 신뢰할 수 없는 결과를 낼 수밖에 없다. AI는 결국 ‘데이터 기반의 추론 시스템’이다. Garbage in, garbage out. 여전히 유효한 진리다. AI 시스템을 도입한 곳에서 ROI(투자수익률)가 낮은 이유 중 하나는 데이터의 준비 부족 때문이다. 구조화되지 않았거나, 중복·결손·노이즈가 많은 데이터로는 AI가 의미 있는 예측을 할 수 없다. 2️⃣ 가용성과 품질: 두 축이 무너지면 AI는 무용지물 가용성(Availability) : AI는 단순히 데이터를 보유 하는 것이 아니라  즉시 활용 가능한 상태 로 관리해야 한다. 기업 내 사일로(silo)로 분산된 데이터는 AI 프로젝트의 병목이 된다. 통합되지 않은 시스템, 실시간 접근이 불가능한 환경, 비표준 포맷은 모두 ‘AI의 먹이’를 차단하는 셈이다. 품질(Quality) : 데이터 품질은 AI가 내리는 판단의 ‘신뢰도’를 좌우한다. 오류, 누락, 비일관성은 예측 정확도를 떨어뜨리고, 결국 AI 도입 효과 자체를 무력화시킨다. 데이터 정제(cleaning)은 기본이고, 표준화, 메타데이터 정비, 데이터 계보 추적 등의 품질관리 체계가 필요하다. 3️⃣ 데이터 준비는 기술이 아니라 ‘조직 전략’이다 AI 프로젝트는 기술 이전에 조직문화의 문제다. “데이터는 특정부서 몫”...

AI 시대 콘텐츠 가공 전략 :  생성이 아닌 ‘정제’, ‘편집’, ‘재해석’의 시대 *  " What AI really means for content production"(CIO.com) 의 내용중 일부를 요약 정리한 것임. “AI는 콘텐츠를  대신 써주는  도구가 아니라  콘텐츠를  다시 바라보게 하는  프리즘이다.” 1. 콘텐츠 생산의 중심축 이동 :  ‘생성(Create)’ → ‘가공(Curate & Compose)’ 과거 : ‘처음부터 끝까지’ 직접 써야 했다면 현재 : 이미 존재하는 자료를 찾고, 요약하고, 연결하고, 새롭게 배열하는 작업 이 중심이 됨. “ 콘텐츠는 쓰는 것이 아니라, 만들고 엮는 것 ”이라 표현함. “1차 생산자보다, 의미를 짜맞추는 2차 창작자 가 중심에 선다.” 2. 콘텐츠 가공의 3대 핵심 전략  (1) 정제 – 콘텐츠의 ‘원석’을 가다듬기 LLM을 활용한 요약, 문체 변화, 독자 수준별 조정 등 중복 콘텐츠, 불필요한 수사 제거 → 핵심만 남기기 AI는 ‘정보를 덜어내는 데’ 탁월함 → 과잉정보 시대의 필터 역할 AI의 요약 및 재구성 능력이 웨비나 → 하이라이트 요약 같은 콘텐츠 정제에 강점을 가진다고 분석  (2) 재구성 – 같은 재료로 다른 의미 만들기 콘텐츠 조각들을 연결하여 새로운 의미 맥락 을 구성 예: 기사 + 연구결과 + SNS 반응 → 트렌드 인사이트 리포트 “ 고유 관점 과 큐레이션의 힘 이 콘텐츠의 희소가치를 결정한다” 기존 콘텐츠에 나만의 시선과 문맥을 입혀야 고부가가치 콘텐츠가 됨  (3) 확장 – 콘텐츠의 멀티채널 재활용 하나의 콘텐츠를 영상, 카드뉴스, 슬라이드, 음성 등 다양한 포맷으로 파생 ‘ 재조합(Recomposition) 전략’으로 언급 핵심은 “1개의 아이디어 → 10개의 변주 콘텐츠” 3. AI 시대, 고부가가치 콘텐츠의 조건 ...

  https://www.choice360.org/ai-literacy-essentials-for-academic-libraries/ 학술 도서관을 위한 AI 리터러시 의 핵심 원칙에 대한 8주 시리즈 -  Clarivate와 LibTech Insights의 AI 마이크로코스 Choice와 Clarivate는 학술도서관 종사자들을 위한 생성적 AI 리터러시에 관한 8주 뉴스레터 기반 과정을 개발  Week 1:  Generative AI literacy for academic libraries  Week 2:  The ethical implications of generative AI  Week 3:  Creating policy around generative AI  Week 4:  Creating and evaluating generative AI content  Week 5:  Evaluating generative AI tools for academic workflows  Week 6:  Communities of practice  Week 7:  Assessing the social and legal impact of generative AI  Week 8:  The future of generative AI in higher education 

Similarweb 의 보고서 “ GenAI and How It’s Impacting US Publishers ” (The Impact of Generative AI on Publishers)의 핵심 내용 요약 정리 1. ChatGPT 뉴스 관련 질의 212% 급증 2024년 1월–2025년 5월 사이 ChatGPT의 뉴스 관련 프롬프트 사용량이 212% 증가 같은 기간 Google 검색에서 뉴스 관련 검색은 약 5% 감소.  뉴스 소비 방식이 점차 AI 기반 챗봇 중심으로 이동 2. 퍼블리셔 사이트의 유기적 트래픽 26% 감소 Google의 AI Overviews (검색결과 요약) 기능 도입 이후, 뉴스 사이트에 대한 검색 유기적 트래픽이 약 26% 줄었음 이는 ‘zero-click’ 검색 (사용자가 검색결과 페이지에서 링크를 클릭하지 않고도 정보를 얻는 경우)의 증가와 밀접한 관련 3. ChatGPT를 통한 퍼블리셔 유입은 증가 ChatGPT에서 뉴스 사이트로의 로열 트래픽(Referrals)은 25배 증가 했으며, 특히 Reuters, NY Post 등이 대표적인 수혜자 이 정도의 증가만으로는 Google 검색 기반 트래픽 손실을 상쇄하기엔 부족 4. Zero‑Click 검색 증가 + 법적 대응 움직임 Google 검색의 클릭 후 비율은 7.3% → 2.6%로 급락했으며, zero‑click 비율은 56% → 69%로 상승 이에 따라 EU 퍼블리셔들은 반독점 혐의로 구글에 공식 항의

AI 도구 활용은 경쟁력의 차이로 이어진다. - 단순히 AI를 아는 것이 아니라 "잘 활용하는 사람"이 진짜 전문가 * 적극 사용을 추천하는 7가지 AI 도구

“ Google’s Data Science Agent: Data Scientists are Doomed? ” Google이 공개한 Data Science Agent는 전통적인 데이터 과학자의 역할을 대체할 수 있을 만큼 강력하며, 데이터 과학자의 미래에 대한 근본적인 질문을 던진다. 1. 배경: Google의 Data Science Agent란? Google DeepMind가 2024년 중반 발표한 실험적 에이전트 자연어로 지시를 내리면, 데이터를 불러오고, 분석하고, 시각화까지 수행하는 자동화 시스템 기존의 코딩, 통계적 추론, 시각화 툴을 별도로 사용하지 않아도 되는 AI 기반 자동 데이터 분석 도우미 2. 주요 기능 아래 작업을 인간 개입 없이 수행 가능    기능         설명 데이터 로딩 사용자가 제공한 CSV, SQL 등의 데이터를 자동으로 불러옴 데이터 전처리 결측값 처리, 이상치 탐지, 변환 등 자동 수행 탐색적 데이터 분석(EDA) 분포, 상관관계, 요약 통계량 도출 모델 구축 간단한 예측 모델(선형 회귀, 분류 등)을 자동으로 구성 시각화 생성 사용자의 요청에 따라 적절한 그래프 자동 작성 보고서 요약 분석 결과를 자연어로 요약하고 해석 제공 3. 실제 사용 예시 프롬프트  : "이 고객 이탈 데이터로 어떤 요소가 이탈을 유발하는지 분석해줘" 에이전트 반응  : 주요 변수의 분포, 상관 분석 로지스틱 회귀 모델 생성 결과 해석 : "월별 결제 금액이 낮고, 최근 로그인 빈도가 낮을수록 이탈 가능성이 높습니다." 시각화 첨부 및 마크다운 보고서 생성 4. 파급력: 왜 ‘데이터 과학자 종말론’이 나왔나? 기술 민주화 :  비전문가도 고급 분석이 가능해짐 → “시민 데이터 과학자” 시대 도래 업무 자동화 :  분석의 많은 부분이 반복적이며, 에이전트가 이 업무를 자동화 가능 비용 및...