BizBuyData의 인공지능 학습용 회계법인 데이터 유료 매입

어카운팅 투데이가 2026-10-16에 BizBuyData의 회계법인 데이터 매입 소식을 전했습니다. 논문 공개 저장소 arXiv에 올라온 인공지능(AI) 최적화와 예측 모형 논문 두 편도 함께 다룹니다.

회계법인 데이터 유료 매입과 감사용 인공지능 신제품

미국 회계 전문 매체 어카운팅 투데이(Accounting Today)가 2026-10-16에 기술 소식 모음을 냈습니다. 첫 번째 소식은 BizBuyData라는 곳이 회계법인에 데이터 대금을 지불하고 사들이겠다는 내용입니다. BizBuyData는 이렇게 사들인 회계법인의 데이터를 인공지능(AI) 모델의 학습에 쓸 계획이라고 합니다.

인공지능 학습이란 방대한 문서와 숫자 자료를 모델에 거듭 입력해 규칙을 스스로 익히게 하는 과정입니다. 원문 요약에는 대금 규모와 데이터의 종류, 거래에 참여하는 회계법인의 수가 모두 적혀 있지 않습니다.

두 번째 소식은 Clark가 Material Intelligence라는 인공지능 제품을 새로 출시했다는 것입니다. 원문은 이 제품이 감사가 진행되는 전 과정에서 쉬지 않고 계속 작동하는 인공지능이라고 소개합니다. 감사란 기업의 재무제표에 중요한 오류가 없는지 독립적인 입장에서 확인하는 절차입니다.

다음 소식에 나오는 모델 컨텍스트 프로토콜(MCP)은 인공지능이 외부 도구와 데이터에 연결되는 방식을 정한 규약입니다. 세 번째로 Digits가 Write MCP를 출시했다고 원문 요약은 전하지만 구체적인 기능은 설명하지 않습니다.

출처: Accounting Today — Tech news: BizBuyData will pay accounting firms for data to train AI (2026-10-16)

선택적 검증을 쓰는 인공지능 설정 최적화 연구

논문 공개 저장소 arXiv에 2026-10-13 올라온 한 논문이 인공지능 시스템의 최적화를 다룹니다. 최적화 대상은 프롬프트(인공지능에 주는 지시문), 검색 시스템, 에이전트 업무 흐름의 여러 설정입니다. 가우시안 과정 밴딧은 비슷한 설정끼리 성과도 비슷하다는 점을 이용해 좋은 설정을 찾아가는 방법입니다.

요약은 값싼 모델 기반 평가가 신뢰할 수 있는 실제 과업 결과와 어긋날 수 있다는 점을 문제로 지적합니다. 선택적 검증이란 일부 평가만 골라 신뢰할 결과로 다시 확인하는 것이며, 논문은 이를 감사라고 부릅니다. 이때 행동은 진단 결과를 보기 전에 고르며, 신뢰할 피드백이 정보를 주는 진단 상태는 알려져 있지 않습니다.

두 가지 불확실성은 유한한 신뢰도 집단과 유한한 재생핵 힐베르트 공간(RKHS) 신호 사전이 각각 나타냅니다. 재생핵 힐베르트 공간은 함수를 다루는 방식을 수학적으로 정리해 둔 틀을 가리키는 용어입니다. 저자들은 신뢰도 범위 확보와 보상 구분을 하나로 합친 고정 감사 설계를 직접 구성했다고 설명합니다. 논문은 엄격한 감사 예산을 반영한 유한 시점 후회 한계, 곧 최선의 선택과 견준 누적 손실의 상한을 증명했습니다.

출처: arXiv — 회계·감사 × AI — Gaussian Process Bandits for AI System Optimization with Selectively Verified Feedback (2026-10-13)

과거 이력의 예측 기여도를 따진 대학 경로 모의실험

같은 저장소에 2026-10-15 올라온 다른 논문은 과거 이력이 예측에 실제로 더하는 가치를 점검했습니다. 분석 환경은 규칙 기반 대학 경로 시뮬레이터이며, 이는 규칙으로 가상 자료를 만들어 내는 프로그램입니다. 저자들은 이 시뮬레이터로 16,750개 경로와 804,000개 월별 기록을 복원했다고 원문은 설명합니다.

17개 능형 회귀 명세와 지속 예측은 현재 계획, 과거 요약, 달력상 이력 길이 지표를 서로 가려냅니다. 능형 회귀는 계수가 지나치게 커지지 않게 벌점을 주는 방법이고, 지속 예측은 현재 값이 그대로 이어진다고 봅니다.

원래의 40개 패밀리 집합에서 6개월 이력은 6단계 앞 예측의 정규화 평균제곱근오차(RMSE)를 낮췄습니다. 그 값은 0.159234에서 0.151522로 내려갔고, 이 오차는 예측과 실제의 차이를 규모에 맞춰 요약한 지표입니다. 하지만 이력의 길이 정보만 넣은 통제 모형과 견준 차이는 -0.000895라고 원문 요약은 적습니다.

짝지어 비교한 이 차이의 95% 구간은 원문에서 기술적 용도로 제시되며 [-0.001957, 0.000248]입니다. 앞선 과제에서 쓰이지 않은 30개 패밀리에 고정 가중치를 적용해도 같은 양상이 재현된다고 원문은 설명합니다.

출처: arXiv — 회계·감사 × AI — What Does History Add? Calendar Controls and Information-Timing Audits for University Trajectory Forecasting (2026-10-15)

정리

새로 알게 된 사실은 6개월 이력의 효과를 이력 길이만 넣은 통제 모형과 견주어 본다는 점입니다. 이 비교 방식은 예산 편성에 쓰는 예측 모형의 성능을 점검하는 업무에 닿습니다.