KAIST, AI 학습 데이터 69% 줄여도 성능 유지…학습 시간 최대 69.6% 단축↗ (원문, 새 창)

KAIST 이재길 교수 연구팀이 LLM 미세조정 과정에서 학습 데이터 중복을 줄이고 GPU 효율을 높이는 기술 '클러스터(CluSTER)'를 개발했다. 코딩·의료 분야 LLM 실험에서 전체 데이터의 약 31%만 사용해도 기존 성능을 유지하면서 학습 시간을 최대 69.6% 단축하는 성과를 확인했다. 모델 학습에 미치는 영향이 유사한 데이터를 군집화해 대표 데이터만 선별하고 이를 여러 GPU에 균형 배분하는 방식이 핵심이다. 연구 결과는 EMNLP 2026에서 발표됐으며, GPU 추가 없이 대규모 AI 모델의 학습 비용과 시간을 줄일 수 있어 기업의 전문 분야 AI 개발에 활용이 기대된다.

• KAIST 이재길 교수팀, 학습 데이터 중복 줄이는 미세조정 기술 '클러스터(CluSTER)' 개발
• 전체 데이터의 31%만 사용해도 성능 유지하며 학습 시간 최대 69.6% 단축
• 모델에 미치는 영향이 유사한 데이터를 군집화해 대표 데이터 선별, GPU에 균형 배분
• 70억·130억 파라미터 LLM과 코딩·의료 데이터셋 3종으로 검증, EMNLP 2026서 발표