Research Data & AI

COAR Annual Conference 2025 COAR 연례 컨퍼런스 : 정책, 발견 및 혁신의 추세 COAR 연례 컨퍼런스 2025는  2025년 5월 12일~14일에 일본 도쿄에서 개최된다. 이 컨퍼런스는 COAR, JPCOAR 및 National Institute of Informatics가 공동으로 주최하며, 국제 및 일본 참가자를 모아 경험을 공유하고, 커뮤니티 전반에서 우선 활동을 파악하고, 리포지토리의 미래에 대한 공유 비전을 개발하는 데 기여한다.  토론은 세 가지 주요 주제로 진행된다. 전 세계의 오픈 액세스 정책 준수를 지원하는 저장소 및 저장소 네트워크의 역할 조사 저장소에서 연구 결과의 가시성과 검색 가능성을 보장하기 위한 효과적인 전략 개발 미래 혁신을 식별, 활용 및 발전 COAR 회의는  오픈 사이언스로의 전환에서 저장소의 변화하는 역할에 대한 글로벌 토론을 진행한다.

  https://www.wiley.com/en-us/ai-study Wiley의 AI 연구보고서 " ExplanAItions AI Study " (2025년 2월) 이 보고서는 Wiley 에서 수행한 연구로, AI가 연구 및 학술 출판에 미치는 영향을 분석한 중요한 자료로, 향후 연구자 및 기관이 AI를 어떻게 활용해야 할지에 대한 구체적인 인사이트를 제공하며,  영향과 활용 사례 를 다루고 있다. 5,000명 이상의 연구자들을 대상으로 설문조사를 실시하여 AI의 현재 사용 현황, 연구에서의 활용 가능성, AI가 인간보다 우수한 작업, 학술 출판사의 역할 등을 분석했다. (1) AI의 현재 연구 분야 활용 및 연구자들의 인식 연구자들의 AI 사용은 아직 제한적이며, 명확한 가이드라인과 훈련 부족 이 주요한 장벽으로 작용 AI 사용이 중요해질 것이라고 생각하는 연구자는 증가하고 있으며, 69%가 향후 2년 내 AI 활용이 중요해질 것 으로 전망 연구자들의 주요 관심사는 윤리적 문제(54%), AI의 불투명성(46%), 정확성(51%), 보안 및 개인정보 보호(47%) (2) AI의 연구 과정별 활용 사 례 연구 과정에서 총 43가지 AI 활용 사례 를 분석하여 연구자들의 관심과 AI의 성능을 비교 AI가 특히 유용한 분야 논문 준비 및 작성 보조 (72% 연구자가 관심, 62%가 AI가 인간보다 우수하다고 평가) 대량 정보 처리 및 데이터 분석 (67% 관심, 60% AI가 우수) 연구 접근성 향상 및 공유 (65% 관심, 58% AI가 우수) 아직 AI보다 인간이 더 우수한 분야 연구 방향 설정 및 트렌드 예측 (64% 관심, 인간이 AI보다 우수하다고 평가) 행정 업무 및 연구비 지원 신청 (58% 관심, 인간이 AI보다 우수) 동료 심사(Peer Review) (대부분 연구자가 인간 심사를 선호) (3) 연구자들이 AI를 신뢰하는 영역과 한계 AI가 유리한 작업  : 속도, 정확성, 대량 데이터 처리 (예: 문서 요약...

Rosenblum Award for Scholarly Publishing Impact 2025년 2월 10일에 발표된 학술 출판 영향력을 위한 로젠블럼 상의 첫 수상자로 학술 출판용 DOI가 선정되었다. 이 상은 DTD 및 XML 표준과 같은 출판 혁신의 선구자인 브루스 로젠블럼(Bruce Rosenblum)을 기리기 위해 만든 것이다. 그가  문서의 정의(DTD) 개발 ,  XML 변환 , 출판 프로세스  최선을 다한 것을 기념하기 위해 ALPSP, AUPresses, NISO, SSP 및 STM이 공동으로 제정한 이니셔티브입니다. 이 상은 학술 출판 생태계를 근본적으로 변화시킨 혁신(기술, 표준 또는 관행)을 목적으로 한다. 개인이나 조직이 아닌 인프라의 필수 구성 요소를 인정하며, 금전적 상은 포함되지 않는다. 학술출판용 DOI가 선정된 이유는? Crossref에서 채택한 이후 지난 30년 동안 DOI는 웹 구조의 변화에 ​​관계없이 학술 산출물을 계속 검색할 수 있도록 하는 데 필수적이 되었다. DOI는 많은 백엔드 시스템(예: 도서관 소장, 참조 관리, 관계형 검색)을 뒷받침하며 DataCite와 같은 이니셔티브를 통해 데이터 세트를 식별하는 데까지 확장되었다.

  * 이 내용은  “직원 62%, AI 없인 일 못한다고 응답”··· 렙솔, MS와 손잡고 일하는 법을 바꾸다 (CIO, 2025.2.19)의 내용을 축약한 것입니다. 1. AI 및 디지털 혁신 가속화 렙솔(Repsol)은 스페인의 에너지 및 석유화학 기업 으로, 디지털 혁신과 생성형 AI 도입을 강화 하며 변화를 주도하고 있음. 2018년부터 디지털 프로그램을 운영하며, 670건 이상의 디지털 프로젝트 진행 중. 이 중 400건 이상이 AI 기술을 활용 하며, 60%는 탄소 감축 목표 에 기여 2. AI 기반 디지털 전략 2018년부터 AI 및 데이터 중심 조직으로 전환 추진 2023년 MS와 협력하여 '생성형 AI 컴피턴스 센터' 설립 해당 센터는 AI 및 데이터 역량 강화 , 새로운 기술 탐색 , 디지털 사례 개발 등의 역할 수행 55건 이상의 생성형 AI 프로젝트 진행 중 3. 생성형 AI 적용 사례  1) 업무 방식 혁신 MS의 코파일럿(MS Copilot) 전사 도입 → 시간 절약 및 품질 향상 직원들이 고부가가치 업무에 집중 할 수 있도록 지원   2) 비즈니스 최적화 AI 기반 디지털 사례 개발 체계 운영 대표적인 AI 솔루션 ‘세이프플레이(SafePlay)’: 사고 데이터를 분석하여 자동으로 안전 교육 및 가이드라인 생성 ‘하비(Harvey)’: 법률 문서 검토 AI. 계약서 및 표준을 비교하여 차이점과 위험 요소를 자동 식별    3) 소프트웨어 개발 혁신 생성형 AI를 활용한 코드 개발 실험 진행 GitHub Copilot 을 이용해 20개 프로그래밍 언어에서 110만 줄 이상의 코드 생성   4) 책임 있는 AI 운영 AI의 법적, 윤리적 문제를 고려한 책임 있는 AI 거버넌스 모델 구축 유럽 AI 법안과 일치하는 AI 가이드라인 수립 4. AI가 직원 및 기업 문화에 미친 영향 ‘비즈니스 및 생산성 영향 사무소’ 설립 → AI의 효과를 측정 및 관리 코파일럿 M36...

지식 노동자의 종말, 사실인가? 연구용 AI가 발전하면서 "지식 노동자의 종말"이 오고 있다는 주장도 있다. 하지만 이는 단순한 소멸이 아니라 변화나 진화로 해석하는 것이 더 적절하다. 연구용 AI가 활성화되면서 변화되는 상황은, 첫째, 단순 반복 업무는 AI로 자동화된다. 연구 논문 검색, 데이터 정리, 기본적인 실험 설계와 같은 반복적이고 기계적인 작업은 AI가 점점 더 수행할 가능성이 크다. 논문 초안 작성, 실험 데이터 분석, 보고서 생성 등의 작업도 AI가 보조할 수 있어 연구자의 시간이 절약된다. 둘째, 인간 연구자의 창의성과 판단력은 여전히 필수적이다. AI가 가설을 생성하고 논문을 작성할 수 있지만, 새로운 연구 방향을 설정하고 창의적인 문제를 제기하는 것은 여전히 인간 연구자의 몫이다. AI가 제공하는 연구 결과가 신뢰할 만한지 검증하는 것은 연구자의 경험과 비판적 사고 능력이 필요하다. AI가 잘못된 가설을 확신하고 주장하는 경우 등 윤리적 문제를 해결하려면 인간의 개입이 필수적이다. 셋째, 지식 노동자는 기획과 평가 부문의 역할이 확대된다. 기존 연구자는 실험과 분석을 수행하는 역할에서 AI를 활용하여 연구 방향을 설정하고 결과를 평가하는 역할로 전환될 가능성이 크다. 연구자는 AI와 협업하는 방식으로 변화할 것이며, AI를 어떻게 활용하느냐에 따라 연구의 수준과 속도가 달라질 것이다. 따라서, AI가 연구자의 대체자가 아닌 협력자가 될 것! 연구용 AI의 발전이 연구자의 완전한 대체로 이어지지는 않을 것이며, 오히려 연구자들이 AI를 활용하여 더 정교하고 혁신적인 연구를 수행하는 방향으로 진화할 가능성이 높다. "지식 노동자의 종말"이 아니라, "지식 노동자의 역할 변화"가 핵심이며, AI를 잘 활용하는 연구자가 더 높은 경쟁력을 갖게 될 것이다. 연구자들은 AI와 협업하는 방식을 익히고, AI의 한계를 이해하면서 인공지능과 인간의 강점을 결합하는 전략을 마련해야 한다. 즉, 연구용 A...

(과학 연구를 보조하거나 수행하는 연구용 AI) 연구용 AI의 등장과 연구 패러다임의 변화 최근 오픈AI, 구글 등 빅테크 기업들이 잇달아 연구용 AI를 출시하면서 과학 연구 분야에 큰 영향을 미치고 된다. 1. "연구용 AI"의 개념 연구용 AI란, 과학 연구를 보조하거나 수행하는 인공지능(AI) 시스템을 의미한다. 일반적인 AI가 텍스트 생성, 이미지 분석, 언어 모델링 등 다양한 작업을 수행하는 것과 달리, 연구용 AI는 과학적 탐구와 연구 과정에서 실질적인 역할을 하는 AI를 말한다. 2. 연구용 AI의 주요 기능  1) 가설 생성 및 검증 AI가 과학적 가설을 스스로 생성하고 검토하여 연구 방향을 제안한다. 구글의 "공동 과학자(co-scientist)"는 연구자의 피드백을 반영해 최적의 실험 전략을 도출한다.    2) 데이터 분석 및 요약 논문, 실험 데이터, 기존 연구 자료를 분석하여 중요한 패턴과 인사이트를 도출한다. 연구자들이 수년에 걸쳐 연구한 내용을 며칠 내로 정리할 수 있다.   3) 실험 설계 및 최적화 AI가 실험 조건을 최적화하여 연구의 효율성을 높인다. 신약 개발 과정에서 약물 후보 물질을 탐색하는 데 활용된다.    4) 논문 작성 및 연구 보고서 자동 생성 연구자가 작성한 초안을 AI가 보완하거나, 연구 결과를 정리하여 논문 형식으로 출력할 수 있다. 일부 연구자들은 AI를 활용해 논문을 완성하고 학술지에 제출하기도 했다. 3. 연구용 AI의 성과   1) 오픈AI ‘딥리서치’(Deep Research) AI가 연구 과정을 지원하는 기술로, 연구 논문 리서치를 수행하며, 기존 연구 방식보다 높은 창의성과 정확도를 기록했다. 박사급 연구원이 몇 주간 수행해야 할 연구를 8분 만에 끝낸 사례가 있다. ‘인류 최후의 시험’(HLE) 벤치마크에서 26.6%의 정답률을 기록하며, 기존보다 두 배 이상 향상된 성과를 보였다.   2) 구글 ‘공동 과학...

마이크로소프트(MS) CEO  사티아 나델라는 한 유튜브 팟캐스트 에 나와서 " AGI 도달을 주장하는 것은 터무니없이 앞서 나가는 것 "이라고 말했다. 이는 오픈AI 등에서 벤치마크 테스트 결과를 바탕으로 AGI 달성을 기정사실화하는 경향을 비판하고 있다. 그가 말하는  AGI 도달의 기준 은, 단순한 AI 성능이 아니라, AI가 실물 경제에 미치는 영향을 기준으로 판단 해야 하고, AGI 도달의 진정한 벤치마크는 " 세계 경제가 10% 성장하는 것 "이라는 주장한다. 이는 AI의 경제적 실효성을 강조하면서, AGI 논의에서 단순한 기술적 성취보다는 경제 성장과 생산성 향상을 핵심 지표로 삼아야 한다는 견해이다.   AI 기술이 발전하면, 이를 개발한 기업보다 다양한 산업에서 AI를 활용하는 쪽이 더 큰 이익을 보게 된다.  증기 기관이 산업혁명을 이끈 것처럼, AI가 경제 성장과 생산성 향상을 가속화한다는 것이다. 세계 경제가 AI를 통해 10% 성장하려면 이를 뒷받침할 충분한 컴퓨팅 자원이 필요 하다.  차세대 AI 모델을 훈련하고 제공할 수 있는 인프라를 선제적으로 구축해야 한다.  AI 개발 경쟁이 아니라 실제로 활용되는 컴퓨팅 자원을 확보하는 경쟁이 더욱 중요한 것이다.