AI 해커톤 우승작 3가지 공개!

연구 및 정보 수집: 역사적 건축물 데이터, 도시 인구 통계, 로보틱스 훈련 데이터 요구사항 등 방대한 정보를 Claude가 직접 조사하고 분석하여 초기 기획 단계 지원

코드 생성 및 파이프라인 구축: 프론트엔드, 백엔드, 3D 모델 생성 파이프라인 등 핵심 로직 구현에 Claude가 활용되었으며, 특히 RealityKit과 같은 새로운 기술 통합에도 기여

모델 검증 및 최적화: 독립적인 검증 에이전트, 자기 수정 루프, 적대적 에이전트 등을 통해 AI 모델의 정확성과 신뢰성을 확보하는 데 Claude가 핵심적인 역할을 수행

데이터 소싱 및 모델링: Claude는 방대한 역사 자료(도면, 문서, 사진)를 분석하여 3D 모델의 각 구성 요소를 역사적 출처와 연결하는 '증거 사슬(Evidence Chain)'을 구축했다.

점진적 구축 및 검증: 339단계의 점진적 건축 상태를 시뮬레이션하며, 독립적인 검증 에이전트와 자체 수정 루프를 통해 역사 기록과의 일치성을 20개 테스트 항목에서 모두 통과시켰다.

활용 분야: 학술적 검증, 복원 작업, 문화유산 보존 등 실질적인 가치 창출을 목표로 하며, 노트르담 대성당 첨탑 복원 시도 등 구체적인 사례를 제시했다.

데이터 기반 시뮬레이션: 미국 인구 조사 데이터를 기반으로 각 시민의 인구 통계, 개인사, 세계관을 부여하여 현실적인 반응을 모델링했다.

예측 성능: 2023년 10월 지식 마감 시점의 모델을 사용했음에도 불구하고, 2024년 대선 투표율(81.3% 민주당 예측 vs 실제 83.8%) 및 지역 정책 투표(Prop A 70% vs 실제 70.38%)에서 높은 예측 정확도를 보였다.

비용 최적화: 초기 10,000명 개별 추론 방식의 높은 비용 문제를 해결하기 위해 Claude가 진화적 클러스터링 알고리즘을 자체 생성하여 약 300개의 대표 페르소나로 그룹화, 추론 비용을 10~100배 절감했다.

로보틱스 훈련 데이터 생성: 로봇 공학 분야에서 필요한 대량의 합성 데이터(Synthetic Data)를 효율적으로 생성하는 데 초점을 맞췄다. 공장 환경의 기계 등을 스캔하여 로봇 모델 훈련에 활용 가능.

기술 통합 및 파이프라인: Claude는 Apple RealityKit과 같은 새로운 기술을 파이프라인에 통합하고, 웹 앱으로 스캔된 객체를 가져오는 과정을 지원했다.

오픈소스 활용 및 접근성: 오픈소스 모델과 알고리즘을 기반으로 하며, 사용자가 자체 GPU로 실행할 수 있어 접근성이 높다.

Tekton 팀: 프로젝트 시작 전 완전한 PRD(Product Requirements Document)와 Notion 보드를 작성하여 약 50개의 세부 작업 티켓을 정의하고 병렬 워크플로우로 실행했다.

Sim Francisco 팀: 초기 고비용 접근 방식에서 벗어나 Claude가 생성한 진화적 클러스터링 알고리즘을 통해 비용 효율성을 극대화하는 등 반복적인 최적화를 수행했다.

Custom Universe 팀: Claude를 단순히 코드 작성 도구로 넘어 기술 스택 선정 및 연구에 적극 활용하여 개발 속도를 높였다.