옥정슬 연구실은 계층적 강화학습(Hierarchical Reinforcement Learning)과 구조적 탐색(Structured Exploration)에 대한 심도 있는 연구를 수행하고 있습니다. 계층적 강화학습은 복잡한 문제를 여러 단계의 하위 문제로 분할하여 효율적으로 해결하는 방법론으로, 에이전트가 다양한 환경에서 장기적인 목표를 달성할 수 있도록 설계됩니다. 이를 통해 기존의 강화학습이 가진 탐색의 한계와 학습 효율성 문제를 극복하고, 실제 환경에서의 적용 가능성을 높이고자 합니다. 구조적 탐색은 에이전트가 환경의 구조를 이해하고, 이를 바탕으로 효율적으로 정보를 수집하며 최적의 행동을 선택하는 전략을 의미합니다. 연구실에서는 이론적 분석과 실제 실험을 통해, 탐색 과정에서 발생하는 불확실성을 줄이고, 학습 속도를 높일 수 있는 다양한 알고리즘을 개발하고 있습니다. 이러한 연구는 로봇 제어, 자율주행, 게임 AI 등 다양한 분야에 적용될 수 있습니다. 특히, 최근에는 대규모 언어모델(LLM) 기반의 플래닝과 결합하여, 복잡한 문제 해결 능력을 갖춘 에이전트 개발에도 주력하고 있습니다. 이와 같은 연구는 차세대 인공지능 시스템의 핵심 기술로 자리매김하고 있으며, 실제 산업 및 사회 문제 해결에 기여할 것으로 기대됩니다.

연구실은 능동 학습(Active Learning)과 기초 데이터셋 구축(Foundational Dataset Construction) 분야에서도 선도적인 연구를 진행하고 있습니다. 능동 학습은 제한된 라벨링 자원 하에서 가장 정보가 많은 데이터를 선택적으로 학습함으로써, 데이터 효율성을 극대화하는 기법입니다. 이를 통해 대규모 데이터셋 구축에 드는 비용과 시간을 줄이고, 더 높은 성능의 인공지능 모델을 개발할 수 있습니다. 옥정슬 연구실에서는 다양한 도메인(컴퓨터 비전, 자연어 처리, 오디오 등)에 특화된 능동 학습 알고리즘을 개발하고, 실제 산업 현장에 적용 가능한 실용적 프레임워크를 제시하고 있습니다. 또한, 데이터의 품질과 다양성을 보장하기 위한 데이터셋 구축 방법론도 함께 연구하고 있으며, 이는 신뢰성 높은 AI 시스템 개발의 기반이 됩니다. 이러한 연구는 의료 영상, 자율주행, 음성 인식 등 고품질 데이터가 필수적인 분야에서 큰 파급 효과를 가지고 있습니다. 연구실은 국내외 다양한 기관 및 기업과 협력하여, 실제 문제 해결에 기여하는 데이터셋과 능동 학습 솔루션을 지속적으로 개발하고 있습니다.

에이전틱 AI(Agentic AI)는 자율적으로 목표를 설정하고, 환경과 상호작용하며, 복잡한 문제를 해결할 수 있는 인공지능 에이전트를 의미합니다. 옥정슬 연구실은 이러한 에이전틱 AI의 핵심 이론과 실제 구현에 중점을 두고 연구를 진행하고 있습니다. 특히, 대규모 언어모델(LLM)을 활용한 플래닝 및 문제 해결 전략 개발에 주력하고 있습니다. 연구실에서는 LLM 기반의 플래닝 기법을 통해, 기존의 강화학습이나 전통적 AI가 해결하기 어려웠던 복잡한 환경에서도 효과적으로 목표를 달성할 수 있는 방법을 모색합니다. 예를 들어, 자연어로 주어진 복잡한 지시를 이해하고, 이를 단계별로 실행 계획으로 변환하는 기술, 또는 다양한 상황에서 적응적으로 행동을 조정하는 능동적 에이전트 개발에 집중하고 있습니다. 이러한 연구는 차세대 인공지능 서비스, 예를 들어 지능형 비서, 자동화된 의사결정 시스템, 복합적 문제 해결이 필요한 산업 현장 등에서 활용될 수 있습니다. 연구실은 이론적 연구와 실제 시스템 개발을 병행하며, 에이전틱 AI의 실용화와 사회적 확산에 기여하고 있습니다.