AI | 정진영의 포트폴리오

네이버, 감정형 AI 비서 ‘NAVER Mate’ 공개 임박…국내 검색 생태계 지각 변동 예고

Mon, 20 Oct 2025 00:00:00 +0000

국내 최대 포털 네이버가 연내 새롭게 선보일 것으로 알려진 감정형 AI 비서 NAVER Mate가 업계의 주목을 받고 있다. 단순 답변형 챗봇을 넘어 사용자의 기분·맥락·패턴을 분석해 능동적으로 제안까지 수행하는 퍼스널 AI 에이전트로, IT 업계에서는 “국내 검색 시장 패러다임을 바꿀 서비스가 될 것”이라는 평가가 나오고 있다.

1. NAVER Mate, 어떤 서비스인가

NAVER Mate는 사용자의 생활 전반에 걸쳐 AI가 능동적으로 정보를 수집·분석하고 행동을 제안하는 하이브리드형 AI 어시스턴트다.
네이버의 캘린더, 메일, 뉴스, 지도, 쇼핑 등과 API 수준에서 연동되며, 사용자는 음성·텍스트 기반 대화만으로 다양한 업무를 처리할 수 있다.

주요 기능

일정 자동 정리 및 리마인드
뉴스/자료 요약 및 근거 출처 제공
사용자 감정 상태 분석 및 대화 톤 조절
관심사 기반 콘텐츠 추천
실시간 자연어 기반 검색·요약

2. 기존 AI 비서와의 차별점

업계가 주목한 지점은 단순 요약형 AI가 아닌 검증 가능한 AI라는 점이다.

비교 항목	기존 챗봇	NAVER Mate
데이터 출처	불분명한 경우 다수	출처 링크 명시
역할	질의응답 중심	요약 + 팩트 검증 + 제안
UX	단순 대화형	탭 전환 없는 하이브리드 UI

AI가 내용을 요약하면, 바로 옆에 근거 출처 링크가 함께 제시되는 방식으로, 사용자가 팩트를 검증하며 신뢰도 높은 정보를 소비할 수 있도록 설계되었다.

3. 전문가 코멘트

AI 업계 관계자는 다음과 같이 전망했다.

“이제 사용자는 링크를 수집하는 것이 아니라 정보를 검증하는 단계로 넘어가고 있다.
NAVER Mate는 ‘검색-요약-팩트체크’라는 3단계를 한 화면에서 해결하는 첫 시도라는 점에서 상징성이 크다.”

하지만 우려도 존재한다. AI가 감정·루틴까지 학습하는 만큼 프라이버시, 데이터 관리, 감정 의존성 문제가 뒤따를 수 있다는 지적이다.

4. 향후 전망

네이버는 조만간 비공개 베타를 진행하고, 사용자 피드백을 바탕으로 정식 버전을 연내 출시할 것으로 예상된다.
업계에서는 이 서비스가 본격적으로 공개될 경우 카카오, 구글, 퍼플렉시티 등과의 차세대 검색 경쟁이 본격화될 것으로 보고 있다.

5. 결론

NAVER Mate는 “대화로 이해하고, 링크로 검증하는” AI 시대를 선언하는 상징적 서비스가 될 전망이다.
AI가 단순히 빠른 답을 주는 존재에서, 책임 있는 정보 파트너로 진화할 수 있을지 관심이 집중된다.

※ 본 기사는 허구의 시나리오를 기반으로 작성된 콘텐츠로, 실제 기업 계획과 무관합니다.

Machine Learning

Mon, 13 Oct 2025 00:00:00 +0000

머신러닝 학습 일지: 데이터로 컴퓨터를 가르치다

3학년 2학기가 되면서 기계학습이라는 교과목을 접하게 되었습니다. 매주 월, 수 16시에 공과대학 7호관 523호실에서 송현제 교수님의 수업을 듣고 있습니다. 위의 첨부되어 있는 링크에서 송현제 교수님 사이트에서 정보를 확인 하실 수 있습니다!

‘머신러닝’이라는 단어, 처음에는 왠지 어렵고 복잡하게만 느껴졌습니다. 하지만 막상 배워보니, 생각보다 우리 삶과 가까운, 흥미로운 기술이라는 것을 알게 되었습니다. 제가 배운 머신러닝의 기초적인 개념들을 쉬운 말로 한번 정리해 보았습니다.

🧐 머신러닝, 그게 뭔데? 제가 이해한 머신러닝은 아주 간단한 아이디어에서 시작합니다. 컴퓨터에게 ‘이건 사과야’, ‘이건 오렌지야’라고 하나하나 모든 규칙을 알려주는 대신, 수많은 데이터를 보여주고 컴퓨터가 스스로 패턴이나 규칙을 배우게 하는 기술입니다.

마치 어린아이가 강아지 사진 수백 장을 보고 ‘아, 귀가 쫑긋하고 털이 북슬한 동물이 강아지구나!’ 하고 스스로 깨닫는 것과 비슷하죠.

📚 내가 배운 학습 방법 두 가지 머신러닝에는 여러 종류가 있지만, 저는 가장 대표적인 두 가지 방법에 대해 배웠습니다.

정답을 알려주며 가르치기: 지도 학습 (Supervised Learning) 지도 학습은 말 그대로 ‘정답(Label)‘이 있는 데이터로 컴퓨터를 학습시키는 방법입니다. ‘문제’와 ‘정답’을 한 세트로 묶어서 계속 보여주는 거죠.

스팸 메일 필터가 대표적인 예입니다. ‘이건 스팸 메일이야(정답)’, ‘이건 중요한 메일이야(정답)‘라고 표시된 수많은 이메일(문제)을 학습시키면, 나중에는 새로운 메일이 왔을 때 스스로 스팸인지 아닌지 구분하게 됩니다.

주택 가격 예측도 마찬가지입니다. ‘A 지역의 30평 아파트는 5억이야(정답)’ 같은 수많은 집값 데이터(문제)를 학습하면, 새로운 아파트 정보를 주었을 때 가격을 예측할 수 있게 됩니다.

정답 없이 스스로 배우게 하기: 비지도 학습 (Unsupervised Learning) 비지도 학습은 정답이 없는, 날것의 데이터를 던져주고 “이 안에서 뭔가 의미 있는 그룹이나 구조를 찾아봐!” 하고 시키는 것과 같습니다. 컴퓨터는 데이터의 특징을 분석해서 비슷한 것들끼리 스스로 묶어줍니다.

고객 관리에 유용하게 쓰일 수 있습니다. 고객들의 구매 패턴 데이터를 주고 그룹으로 묶어보게 하면, ‘알뜰 구매 그룹’, ‘신제품 선호 그룹’처럼 숨겨진 고객 그룹을 찾아낼 수 있습니다.

뉴스 기사 클러스터링도 좋은 예입니다. 수많은 뉴스 기사를 던져주면, 인공지능이 스스로 ‘정치’, ‘경제’, ‘스포츠’ 등 비슷한 주제의 기사들끼리 묶어줍니다.

✨ 마치며 직접 개념을 배우고 나니, 머신러닝이 막연한 기술이 아니라 문제를 해결하기 위한 아주 논리적인 도구라는 생각이 들었습니다. 물론 아직은 정말 기초적인 부분만 알고 있지만, 데이터 속에서 의미를 찾아내는 과정이 정말 매력적이라고 느꼈습니다. 앞으로 더 깊이 공부해 보고, 간단한 프로젝트도 직접 해보고 싶다는 목표가 생겼습니다.

애플, ‘iOS AI’ 전격 발표… “앱 중심에서 에이전트 중심으로” 패러다임 대전환

Fri, 10 Oct 2025 00:00:00 +0000

애플이 차세대 운영체제 iOS AI를 공개하며, 스마트폰의 UX 패러다임을 앱(App)에서 에이전트(Agent) 중심으로 전환하겠다고 선언했다. 애플은 “사용자가 앱을 실행하지 않아도 AI가 자동으로 실행하고 정리하는 시대를 열 것”이라고 발표했으며, 이에 따라 글로벌 IT 업계에 거대한 변화가 예상된다.

1. iOS AI, 무엇이 달라지나

이번 업데이트의 핵심은 에이전트형 OS다. 사용자가 명령하거나 앱을 직접 열지 않아도, AI가 선제적으로 업무를 처리하는 방식이다.

주요 기능

자연어 하나로 멀티 작업 자동 실행
앱 사용 패턴 기반 ‘선(先)추천형’ UI
AI가 메시지·이메일을 자동 요약 및 분류
상황 기반 액션 실행(시간·위치·사용자 상태 반영)

애플은 이를 ‘No-App Surface Era(앱 없는 표면의 시대)’라고 정의했다.

2. UX 변화: ‘실행’에서 ‘위임’으로

기존 스마트폰 UX는 “앱 실행 → 작업 수행” 구조였다.
애플은 이를 아래와 같이 바꾼다.

기존 UX	iOS AI UX
내가 앱을 켬	AI가 필요한 앱을 먼저 염
내가 정보를 찾음	AI가 정보를 요약·정리해 제시
내가 할 일을 계획	AI가 먼저 제안 & 실행

애플은 “사용자는 의지를 표현만 하면 되고, 실행은 OS가 책임지는 환경을 만들겠다”고 강조했다.

3. 우려와 논쟁

전문가들은 기회와 위험을 동시에 지적한다.

“시스템 레벨의 AI 자동화는 생산성을 폭발적으로 올리지만,
개인정보와 알고리즘 편향에 대한 전례 없는 감시와 규제가 필요하다.”

특히 AI가 OS 핵심에 들어가면, 사용자가 ‘왜 이런 추천을 봤는지’ 알 권리가 더 중요해질 것으로 보인다.

4. 향후 전망

iOS AI는 내년 3월 베타, 6월 정식 배포가 예상된다.
업계에서는 이번 발표가 사실상 구글·삼성과의 ‘AI OS 전면전’의 시작이라고 해석하고 있다.

5. 결론

애플은 스마트폰의 다음 시대는 앱이 아니라 에이전트가 주도한다는 메시지를 던졌다.
이제 경쟁의 무대는 앱 스토어가 아니라 생성형 OS의 주도권이 될 전망이다.

※ 본 기사는 창작된 가상의 시나리오이며 실제 기업 발표와 무관합니다.

삼성, ‘Galaxy Glass’ 내년 출시설… 스마트폰 이후 차세대 플랫폼 노리나

Wed, 01 Oct 2025 00:00:00 +0000

삼성이 내년 상반기, AR 기반 웨어러블 기기 **Galaxy Glass(가칭)**를 공개할 것이라는 소식이 전해지며, 글로벌 IT 업계의 관심이 집중되고 있다. 애플의 Vision Pro와 메타의 Quest 라인업이 경쟁 중인 가운데, 스마트폰 제조 강자 삼성까지 AR 풀스택 시장에 본격 뛰어든다면 판도가 크게 바뀔 수 있다는 전망이 나온다.

1. 스마트폰 다음 플랫폼으로 ‘안경형 AR’

업계 관계자들에 따르면 Galaxy Glass는 안경 형태의 초경량 AR 디바이스로, 스마트폰 없이도 핵심 기능을 단독 수행할 수 있도록 설계된 것이 특징이다.

예상 기능

AR 기반 내비게이션 & 실시간 번역
AI 비서(삼성 Gauss) 연동
눈동자/제스처 기반 UI
클라우드 스트리밍 기반 앱 실행
스마트폰+웨어러블 연동 생태계 확장

삼성은 이를 스마트폰 이후의 주력 인터페이스로 설정하고, 플랫폼 전환을 노린다는 평가다.

2. 시장 경쟁 구도

기업	전략 방향	약점
애플	고성능+프리미엄 생태계	진입장벽·고가
메타	대중형 MR 시장 확대	수익성 문제
삼성(예상)	경량·실사용성 중심 AR	콘텐츠 확보 과제

애플이 기술 완성도, 메타가 접근성을 앞세운다면, 삼성은 실사용성과 경량화를 무기로 다른 길을 갈 것이라는 분석이 많다.

3. 전문가 의견

한 AR 연구자는 다음과 같이 말했다.

“삼성은 디스플레이·칩·디바이스 라인업을 모두 가진 몇 안 되는 회사다.
만약 진짜 출시한다면, AR 시장의 균형을 바꿀 변수가 될 수 있다.”

다만 콘텐츠, 앱 생태계, 규제, 개인정보 보호는 여전히 해결해야 할 숙제로 꼽힌다.

4. 전망

Galaxy Glass가 실제로 출시된다면, 스마트폰 이후 차세대 플랫폼 경쟁이 본격적인 3강 구도로 재편될 가능성이 높다.
2026년은 AR 대중화의 원년이 될지 주목된다.

※ 본 기사는 허구의 시나리오로 작성된 가상 콘텐츠이며, 실제 기업 계획과 무관합니다.

팩맨

Sat, 01 Mar 2025 00:00:00 +0000

이 프로젝트는 인공지능 수업의 일환으로 진행한 UC Berkeley Pacman AI 프로젝트입니다. 이 과제의 핵심 목표는 **그래프 탐색(Graph Search)**의 기본이 되는 여러 알고리즘을 직접 구현하고, 이를 팩맨 게임 환경에 적용하여 실제 문제를 해결하는 것이었습니다.

search.py 파일에 범용 탐색 알고리즘들을 구현하고, searchAgents.py 파일에 팩맨의 특정 문제(Problem)들을 정의하고 해결하는 방식으로 진행했습니다.

1. 핵심 탐색 알고리즘 구현 (search.py)

먼저, 어떤 문제에도 적용할 수 있는 4가지 핵심 탐색 알고리즘을 구현했습니다.

DFS (깊이 우선 탐색): Stack(스택) 자료구조를 사용하여 가능한 한 깊은 노드를 먼저 탐색하는 알고리즘입니다. 방문한 노드를 기록(explored)하여 무한 루프를 방지하는 그래프 탐색 방식으로 구현했습니다.
BFS (너비 우선 탐색): Queue(큐) 자료구조를 사용하여 현재 노드에서 가장 가까운(얕은) 노드들을 먼저 탐색합니다. 이 방식은 경로의 비용이 모두 같을 때 최단 경로를 보장합니다.
UCS (균일 비용 탐색): PriorityQueue(우선순위 큐)를 사용합니다. 각 경로의 ‘누적 비용(cost)‘을 우선순위로 하여, 항상 비용이 가장 적게 든 경로를 먼저 탐색합니다. 이를 통해 최단 비용의 경로를 보장합니다.
A* (A-star) 탐색: UCS와 마찬가지로 PriorityQueue를 사용하지만, 우선순위를 ‘현재까지의 누적 비용($g(n)$)‘과 ‘목표까지의 추정 비용(휴리스틱, $h(n)$)‘의 합 ($f(n) = g(n) + h(n)$)으로 설정합니다. 정보에 기반한(informed) 탐색으로, UCS보다 훨씬 효율적으로 최적의 해를 찾아냅니다.

2. 팩맨 문제 정의 및 해결 (searchAgents.py)

단순히 알고리즘을 구현하는 것을 넘어, 팩맨이 직면한 복잡한 문제들을 ‘탐색 문제’로 모델링하고 해결했습니다.

📍 4개의 코너 방문 문제 (CornersProblem)팩맨이 맵의 네 귀퉁이에 있는 모든 점을 방문하는 경로를 찾는 문제입니다.

상태(State) 정의: 이 문제를 풀기 위해 상태 공간을 단순한 (x, y) 좌표가 아닌, (현재 위치, (방문한 코너 튜플))로 정의했습니다. 예를 들어, ((5, 5), (True, False, False, True))와 같이 현재 위치와 4개 코너의 방문 여부를 함께 기록했습니다.
목표(Goal) 정의: state[1]에 해당하는 튜플의 모든 값이 True가 되는 순간을 목표 상태로 설정했습니다. 후계자(Successor) 함수: 팩맨이 이동할 때마다, 새로 도착한 위치가 4개의 코너 중 하나인지 확인하고, 만약 코너라면 튜플의 해당 값을 True로 갱신한 새로운 상태를 생성하도록 구현했습니다.

💡 코너 문제 휴리스틱 (cornersHeuristic)

위의 코너 문제를 A* 탐색으로 풀기 위한 휴리스틱 함수를 직접 설계했습니다.

설계: 휴리스틱은 항상 실제 비용보다 낮거나 같아야 합니다(Admissible).
로직: ‘현재 위치’에서 ‘아직 방문하지 않은 모든 코너’까지의 맨해튼 거리(Manhattan Distance)를 각각 계산한 뒤, 그중 가장 큰(max) 값을 반환하도록 했습니다.
이유: 팩맨은 적어도 남아있는 코너 중 가장 먼 곳까지는 가야 모든 코너를 방문할 수 있으므로, 이 값은 항상 실제 남은 비용의 하한선이 되어 A*의 허용 가능한(admissible) 휴리스틱 조건을 만족합니다.

🍔 모든 음식 찾기 휴리스틱 (foodHeuristic)

맵에 흩어져 있는 모든 음식을 먹는 경로를 찾는 FoodSearchProblem을 위한 휴리스틱입니다.

로직: 코너 휴리스틱과 유사하게, ‘현재 위치’에서 ‘아직 먹지 않은 모든 음식’까지의 실제 미로 거리(mazeDistance)를 계산하고, 그중 가장 큰(max) 값을 반환했습니다.
mazeDistance 활용: 맨해튼 거리와 달리, mazeDistance는 BFS를 기반으로 벽을 모두 고려한 실제 최단 거리를 반환해 주어 더 정확한 추정치를 제공합니다.

🎯 가장 가까운 음식 찾기 (ClosestDotSearchAgent)

모든 음식을 한 번에 찾는 것은 매우 복잡(NP-hard)하므로, ‘가장 가까운 음식을 찾아 먹는’ 과정을 반복하는 탐욕(Greedy) 알고리즘을 구현했습니다.

findPathToClosestDot 구현: AnyFoodSearchProblem(어떤 음식이든 하나만 먹으면 성공)이라는 하위 문제를 정의했습니다.
UCS 활용: 이 문제에 UCS를 적용하여, 현재 위치에서 가장 비용(거리)이 적게 드는 음식의 위치와 경로를 찾아 반환하도록 했습니다. (비용이 1로 동일하므로 BFS도 동일한 결과를 보장합니다.)