연구팀은 파라미터 효율적인 미세 조정(PEFT)이 전체 미세 조정의 저렴한 대안이 아닌, 강력한 공유 기반 모델 위에 지속적인 로컬 상태 역할을 할 수 있음을 연구했어요. PEFT를 통해 개인의 선호도, 기술, 도구 사용 습관, 기억과 같은 정보를 담을 수 있어요. 연구는 공유 사전 지식 강화(Scale Up), 작은 어댑터 연구(Scale Down), 다수의 어댑터 공존(Scale Out) 세 가지 축으로 구성돼요.
MinT는 어댑터 관리 인프라의 예시로, 어댑터 식별, 개정, 출처, 평가, 서비스 거주지 등을 관리해요. 연구 결과, PEFT는 전체 미세 조정의 저렴한 대안이 아닌, 개인 맞춤형 모델의 기반이 될 수 있음을 시사해요.
연구팀은 PEFT를 통해 1조 파라미터 규모의 모델을 개인 맞춤형으로 만들 수 있는 가능성을 제시하며, 향후 개인화된 AI 모델 개발에 기여할 것으로 기대돼요.