제목, 요약, 본문을 검색해 흩어진 정보를 연결하세요.
AI 에이전트를 생산 환경에 도입하려는 기업들은 모델 선택보다 역할 기반 접근 제어가 그 에이전트를 신뢰할 수 있는지 여부를 결정한다는 사실을 점차 깨닫고 있다. 증가하는 추론 비용, 개인정보 보호 우려, 그리고 주권 요구 등도 더 많은 AI 워크로드를 기업 내 데이터 센터로 다시 이전하도록 만들고 있다. 이러한 변화는 수년간 민감한 데이터를 관리해 온 기업들에게 유리하게 작용한다. 해당 게시물 ‘AI 에이전트를 배치하려는 경쟁, 데이터 접근에서 익숙한 장애물 마주’는 SiliconANGLE에 처음 게재되었다.
arXiv:2610.31702v1 발표 유형: 신규 초록: 실내 무선 지도 추정(RME)은 커버리지 계획, 위치 파악, 네트워크 배치 등 무선 응용 분야에서 필수적입니다. 그러나 기존 방법의 대부분은 비용이 많이 드는 라벨링된 데이터와 작업별 모델 학습을 요구하는 지도학습 패러다임을 따릅니다. 또한 실내 환경에는 건물 구조나 배치와 같은 개인정보에 민감한 정보가 포함되어 있어 이를 중앙 집중화하기 어려운 경우가 많습니다. 이러한 도전 과제를 해결하기 위해 우리는 실내 RME를 협력적 인컨텍스트 학습(ICL) 문제로 처음으로 정식화하고자 합니다. 우리는 다수의 클라이언트가 모델 업데이트 없이 대규모 자동회귀 시각 모델(LAVMs)을 활용해 ICL을 수행하는 프레임워크인 폴리-리플을 제안합니다. 각 클라이언트는 자신의 개인적인 시연 데이터를 통해 프롬프트를 받습니다.
arXiv:2610.31722v1 발표 유형: 신규 초록: 마이크로서비스 시스템은 대규모 클라우드 애플리케이션의 주류 아키텍처로 자리잡아 빠른 배포와 탄력적 확장을 가능하게 합니다. 그러나 마이크로서비스 시스템의 신뢰성과 가용성을 보장하는 데는 효과적인 이상 탐지가 매우 중요하며, 장애나 성능 이상이 서비스 간에 빠르게 전파되어 종단 간 시스템 동작에 심각한 영향을 미칠 수 있습니다. 기존의 마이크로서비스 시스템용 다중모달 이상 탐지 방법들은 두 가지 근본적인 한계로 인해 어려움을 겪습니다: (i) 모달별 특성을 무시하고 교차 모달 융합에 치중하는 점과, (ii) 특징 재구성 과정에 영향을 미치는 ‘정체성 단축’ 문제입니다. 이러한 문제를 해결하기 위해 우리는 자동회귀형
