독립적으로 학습된 인공지능(AI) 모델들은 동일한 데이터를 처리하더라도 각기 다른 방식으로 정보를 압축하고 표현합니다. 이 과정에서 생성되는 '잠재 공간(latent space)'은 데이터의 숨겨진 특징을 담고 있지만, 모델마다 구조가 달라 직접적으로 호환되지 않는 문제가 있었습니다. 기존에는 이러한 잠재 공간을 정렬하기 위해 '앵커(anchor)'라고 불리는 공유된 샘플 데이터를 활용하는 방식이 일반적이었습니다. 하지만 이는 추가적인 데이터 준비와 감독(supervision)이 필요하다는 한계가 있었습니다.
최근 발표된 HGA(Hyperspherical Gaussian Alignment)는 이러한 한계를 극복하는 새로운 접근 방식을 제시합니다. 이 방법은 두 잠재 공간 사이의 변환을 직접 최적화하여 기하학적 '적합도'를 최대화합니다. 즉, 앵커 데이터 없이 오직 잠재 공간 자체의 기하학적 특징만을 활용하여 정렬을 수행합니다. 연구진에 따르면 HGA는 모델 스티칭(model stitching)과 같은 작업이나 다국어 단어 임베딩(multilingual word embedding) 간의 대응 관계를 찾는 데 있어 최소한의 감독 또는 비감독(unsupervised) 방식으로도 기존의 감독 학습(supervised learning) 결과에 필적하는 성능을 보여주었습니다.
이 기술은 AI 모델의 활용성과 유연성을 크게 높일 수 있습니다. 예를 들어, 서로 다른 목적으로 학습된 여러 AI 모델을 효율적으로 결합하여 새로운 기능을 만들거나, 특정 언어로 학습된 모델의 지식을 다른 언어 모델로 전이하는 것이 더욱 쉬워질 수 있습니다. 이는 데이터 라벨링(data labeling) 비용과 시간을 절감하고, AI 모델 개발 및 배포 과정을 간소화하는 데 기여할 것입니다. 궁극적으로 HGA와 같은 비지도 잠재 공간 정렬 기술은 AI 시스템의 상호 운용성을 개선하고, 더욱 복잡하고 통합적인 AI 솔루션 개발을 가속화할 중요한 기반 기술이 될 것으로 기대됩니다.