
팔란티어의 FDE, 포인랩이 FDE를 찾는 이유
현장에서 문제를 정의하고, 데이터를 분석하고, 개발과 적용을 거쳐 결과까지 확인하는 FDE. 팔란티어가 개척한 역할을 포인랩이 찾는 이유와 함께 만들고 싶은 변화를 이야기합니다.

현장에서 문제를 정의하고, 데이터를 분석하고, 개발과 적용을 거쳐 결과까지 확인하는 FDE. 팔란티어가 개척한 역할을 포인랩이 찾는 이유와 함께 만들고 싶은 변화를 이야기합니다.
구글 GTIG가 공격자의 시험용 서버에서, 보안 패치 전후 코드를 비교해 공격 코드를 쓰고 실행까지 하는 도구를 찾았습니다. 이 과정을 사람 없이 끝까지 돌린 사례는 처음입니다. 무엇이 새롭고 아직 무엇이 모자란지, 보고서와 숫자로 짚어 봅니다.
공장 로봇은 지금도 작업마다 위치를 하나하나 가르쳐야 합니다. 그런데 몇 번 보여 주면 새 일을 하는 로봇 AI가 나오고 있습니다. 로봇 파운데이션 모델이 무엇이고 무엇으로 배우는지, 지금 어디까지 왔는지 살펴봅니다.
아마존은 사내 티켓 분류에서 LLM을 빼고 결정 모델을 넣었습니다. 호출 시간은 78%, 정가 기준 비용은 약 98% 줄었다고 합니다. 무엇을 바꿨고 어떻게 갈아탔는지 살펴보고, LLM이 하던 일이 어디로 옮겨 가고 있는지 짚어 봅니다.
포인랩이 제주에 모였습니다. 그동안 진행한 프로젝트를 돌아보고, 제조 AI 시장에서 맡아야 할 역할과 그 역할을 해낼 회사를 어떻게 만들어갈지 함께 이야기한 워크숍을 전합니다.
AI가 이상을 찾아낸 뒤에도 현장에는 확인하고 결정할 일이 남습니다. OpenBot 1.0을 사례로, 에이전트의 분석이 사람의 판단과 후속 업무로 이어지려면 무엇이 필요한지 살펴봅니다.
AI 에이전트는 이제 답만 하지 않고 코드를 돌리고, 브라우저를 몰고, 사내 시스템에 접근합니다. 그 일은 어디서, 무엇을 쥐고 해야 할까요? 에이전트가 일하는 구조부터 짚고, 구글이 공개한 Agent Compute Engine의 설계를 살펴봅니다.
배포된 LLM은 새로 배운 것을 오래 간직하지 못합니다. 다시 학습하면 예전 것을 잊고, 문맥에만 두면 세션이 끝날 때 사라집니다. 구글 리서치가 내놓은 Sleep 프레임워크가 이 문제를 어떻게 풀려 하는지 살펴봅니다.
정답이 붙은 행을 보여 주기만 하면 새 행의 답을 내는 정형 데이터 파운데이션 모델이, 튜닝한 그래디언트 부스팅을 앞서기 시작했습니다. 이런 모델이 무엇인지부터 짚고, 엔비디아가 공개한 Kumo Tabular를 살펴봅니다.
AI 에이전트에게 데이터베이스 스키마만 주면 SQL은 실행돼도 숫자가 틀릴 수 있습니다. 온톨로지가 무엇인지부터 짚고, 엔비디아가 공개한 Auto Ontology가 이 문제를 어떻게 푸는지 살펴봅니다.
앤트로픽이 증권신고서에 AI가 AI 개발을 크게 앞당기는 기준선에 곧 닿을 수 있다고 적었습니다. 코드와 실험은 이미 AI가 대부분 맡지만, 무엇을 연구할지 고르는 판단은 아직 사람의 몫입니다.
MIT CSAIL 연구진이 GPT-6 Astra에게 다른 모델의 가중치를 학습 없이 직접 고치게 했습니다. 점수는 크게 올랐지만, 들여다보면 새 능력을 더했다기보다 능력을 가로막던 고장을 고친 쪽에 가깝습니다.