주요 논문 및 저널 정리¶
데이터 분석, ML/AI 관련 핵심 논문과 비즈니스 저널 아티클을 실무 관점에서 정리.
학술 컨퍼런스¶
KDD (ACM SIGKDD Conference on Knowledge Discovery and Data Mining)¶
데이터 마이닝 분야 최상위 컨퍼런스. Research Track과 Applied Data Science Track으로 구분.
KDD 2024 주요 논문¶
| 논문 | 저자/기관 | 핵심 내용 |
|---|---|---|
| Best Student Paper Award | USTC & Huawei | 대규모 데이터에서 효율적인 지식 발견 기법 |
| Test of Time Award: DeepWalk | Brian Perozzi et al. | 그래프 임베딩의 기초, 소셜 네트워크 분석에 광범위 적용 |
| Test of Time (ADS): U-Air | Yu Zheng et al. | 도시 대기질 추론에 빅데이터 활용, Spatio-temporal 분석 |
KDD에서 주목할 연구 방향 (2024-2025)¶
| 주제 | 설명 | 실무 적용 |
|---|---|---|
| LLM + Tabular Data | 정형 데이터에 LLM 적용 | 자동 Feature Engineering, 자연어 데이터 쿼리 |
| Graph Neural Networks | 관계형 데이터 표현 학습 | 추천 시스템, 사기 탐지, 소셜 분석 |
| Causal Discovery | 데이터에서 인과 구조 추론 | 비즈니스 의사결정, 정책 효과 분석 |
| Federated Learning | 분산 데이터에서 프라이버시 보존 학습 | 금융, 헬스케어 협업 분석 |
| Time Series Foundation Models | 시계열 범용 모델 | 수요 예측, 이상 탐지 |
RecSys (ACM Conference on Recommender Systems)¶
추천 시스템 전문 컨퍼런스. 산업계 참여 활발.
RecSys 2024 주요 논문¶
| 논문 | 저자/기관 | 핵심 내용 |
|---|---|---|
| Best Paper: Towards Empathetic Conversational Recommender Systems | Shandong Univ., Tencent, UvA | 대화형 추천에서 공감 능력 통합, 사용자 감정 상태 고려 |
| Revisiting BPR: A Replicability Study | Various | BPR(Bayesian Personalized Ranking) 알고리즘 재현 연구, 구현 디테일의 성능 영향 분석 |
| RecSys Challenge 2024 | EB-NeRD Dataset | 뉴스 추천에서 정확도와 편집 가치 균형, 다양성/공정성 메트릭 |
RecSys 연구 트렌드¶
| 트렌드 | 설명 | 실무 시사점 |
|---|---|---|
| LLM for Recommendation | LLM을 추천 파이프라인에 통합 | 콜드스타트 해소, 설명 가능한 추천 |
| Conversational RecSys | 대화 기반 추천 | 챗봇/AI 어시스턴트 연동 |
| Fairness & Diversity | 편향 완화, 다양성 증대 | 필터 버블 방지, 규제 대응 |
| Session-based Recommendation | 세션 내 행동 기반 실시간 추천 | 익명 사용자 추천, 이커머스 |
| Multi-stakeholder RecSys | 소비자/공급자/플랫폼 이해관계 균형 | 마켓플레이스 최적화 |
NeurIPS, ICML (ML/AI 일반)¶
인과 추론 관련 주요 논문¶
| 논문 | 연도 | 저자 | 핵심 내용 |
|---|---|---|---|
| Double/Debiased Machine Learning | 2018 | Chernozhukov et al. | ML을 인과 추론에 결합, Nuisance parameter 추정 |
| Causal Inference Using Potential Outcomes | 2005 | Rubin | 잠재 결과 프레임워크, 현대 인과 추론 기초 |
| Estimation and Inference of Heterogeneous Treatment Effects | 2017 | Athey & Imbens | Causal Forest, 이질적 처치 효과 추정 |
| Double and Single Descent in Causal Inference | 2023 | Spiess, Imbens, Venugopal | 과모수화 모델의 인과 추론 적용, High-dim Synthetic Control |
| Hyperparameter Tuning for Causal Inference with DML | 2024 | Bach et al. | DML 실무 적용시 하이퍼파라미터 튜닝 가이드 |
비즈니스 저널¶
Harvard Business Review (HBR)¶
데이터 분석 관련 주요 아티클¶
| 아티클 | 연도 | 저자 | 핵심 인사이트 |
|---|---|---|---|
| Where Data-Driven Decision-Making Can Go Wrong | 2024.09 | Michael Luca, Amy Edmondson | 데이터 기반 의사결정의 함정, 연구 오용 방지, 비판적 사고 중요성 |
| The High Cost of Misaligned Business and Analytics Goals | 2024.06 | Sainam et al. | 분석 목표와 비즈니스 목표 정렬 필요성, 불일치 비용 분석 |
| Data Readiness for the AI Revolution | 2025 | HBR Analytic Services | AI 도입 전 데이터 품질/거버넌스 준비도 점검 프레임워크 |
HBR 핵심 메시지 요약¶
데이터 기반 의사결정의 함정 - 통계적 유의성과 실질적 중요성 혼동 - 선택 편향, 생존 편향 간과 - 데이터가 있다고 인과관계 입증 안됨
분석-비즈니스 정렬 - 분석 팀의 KPI가 비즈니스 성과와 연결되어야 함 - "흥미로운 분석"보다 "실행 가능한 인사이트" 우선 - 이해관계자 초기 참여로 분석 방향 설정
MIT Sloan Management Review¶
데이터/AI 관련 주요 아티클¶
| 아티클 | 연도 | 저자 | 핵심 인사이트 |
|---|---|---|---|
| Five Key Trends in AI and Data Science for 2024 | 2024.01 | Davenport, Bean | GenAI 실험 확대, 데이터 품질 투자, AI 거버넌스 강화, 인력 역량 재정의 |
| Five Trends in AI and Data Science for 2025 | 2025.01 | Davenport, Bean | Agentic AI, ROI 측정 압박, 데이터 리터러시 확산, AI 윤리 규제 |
| Generative AI for Data and Analytics | 2024 | MIT SMR Connections | 1,000명 리더 설문: GenAI 분석 활용 얼리어답터 성과, 조직 준비도 |
MIT SMR 2024-2025 트렌드 요약¶
2024년 5대 트렌드 1. Generative AI 본격 실험 단계 진입 2. 데이터 품질/관리에 대한 재투자 3. AI 거버넌스 및 윤리 프레임워크 구축 4. 데이터/AI 인력 역할 재정의 5. 클라우드 데이터 플랫폼 통합
2025년 5대 트렌드 1. Agentic AI의 약속과 과대광고 2. AI ROI 측정 압박 증가 3. 데이터 리터러시 조직 전반 확산 4. AI 규제 대응 본격화 5. 데이터 엔지니어링 중요성 부각
산업 연구 보고서¶
주요 기관별 보고서¶
| 기관 | 보고서 | 핵심 내용 |
|---|---|---|
| McKinsey | State of AI 2024 | GenAI 도입률 72%, 생산성 향상 기업 10% 미만 |
| Gartner | Data & Analytics Trends 2025 | AI-augmented Analytics, Data Fabric, Active Metadata |
| Forrester | Modern Data Stack | 자동화 Ingestion으로 파이프라인 유지보수 40% 감소 |
| NewVantage Partners | Data and AI Leadership Survey | 데이터 중심 조직 자처 24%, 실제 성과 기업 10% 미만 |
실무 적용 가이드¶
논문을 실무에 적용하는 방법¶
1단계: 문제-방법론 매칭
2단계: 구현 가능성 평가 - 데이터 요구사항 확인 - 계산 자원 검토 - 기존 시스템 통합 난이도
3단계: 점진적 적용 - 오프라인 실험으로 검증 - A/B 테스트로 비즈니스 영향 측정 - 점진적 롤아웃
추천 학습 경로¶
| 수준 | 추천 자료 |
|---|---|
| 입문 | HBR/MIT SMR 아티클, 컨퍼런스 튜토리얼 |
| 중급 | Applied Data Science 트랙 논문, 실습 워크샵 |
| 고급 | Research Track 논문, 오픈소스 구현체 분석 |
핵심 논문 읽기 전략¶
- Abstract + Conclusion 먼저: 핵심 기여와 결론 파악
- 실험 섹션: 데이터셋, 베이스라인, 메트릭 확인
- Method: 필요시 상세 기법 이해
- Related Work: 해당 분야 맥락 파악
유용한 리소스¶
논문 검색/추적¶
| 리소스 | 용도 |
|---|---|
| Semantic Scholar | AI 기반 논문 검색, 인용 분석 |
| Paper Digest | 컨퍼런스별 논문 요약, 트렌드 분석 |
| arXiv Sanity | ML/AI 프리프린트 큐레이션 |
| Connected Papers | 관련 논문 시각화 탐색 |
컨퍼런스 일정¶
| 컨퍼런스 | 시기 | 특징 |
|---|---|---|
| KDD | 8월 | Data Mining 최대 규모 |
| RecSys | 10월 | 추천 시스템 전문 |
| NeurIPS | 12월 | ML 전반, 최신 연구 |
| ICML | 7월 | ML 이론 및 방법론 |
| WWW | 4-5월 | 웹/정보검색, 산업 적용 |
| CIKM | 10-11월 | Information Management |
참고¶
- KDD 2024 Proceedings: https://kdd2024.kdd.org/
- RecSys 2024: https://recsys.acm.org/
- HBR Data Analytics: https://hbr.org/topic/subject/analytics-and-data-science
- MIT SMR Data & AI: https://sloanreview.mit.edu/landing_page/data-analytics/
작성일: 2025-01