에이전틱 AI: AI 연구에서 차세대 주요 관심사로 떠오른 4가지 이유

지난 몇 년 동안 생성형 AI는 기술자들 사이에서 가장 핫한 신조어였지만, 최근 인공지능(AI) 개발 커뮤니티에 새로운 용어가 등장했습니다. '에이전틱'이 바로 그 AI의 최신 유행어이며, 이 경우에는 그 유행어를 믿는 것이 적절합니다. 에이전틱 AI는 대규모 언어 모델(LLM)의 다양성과 유연성, 그리고 기존 프로그래밍의 정밀성을 결합합니다.

에이전틱 AI는는 워크플로를 설계하고 사용 가능한 툴을 활용하여 사용자 또는 다른 시스템을 대신하여 자율적으로 작업을 수행할 수 있는 시스템 또는 프로그램을 말합니다. 이 시스템은 머신 러닝(ML) 모델이 학습된 데이터를 넘어 결정을 내리고, 조치를 취하고, 복잡한 문제를 해결하고, 외부 환경과 상호 작용할 수 있는 '주체성'을 갖추고 있습니다.

AI 에이전트는 데이터베이스와 네트워크뿐만 아니라 사용자 행동으로부터도 학습하여 시간이 지남에 따라 개선될 수 있습니다. 에이전트의 적응력 덕분에 기존 AI가 처리할 수 없었던 복잡한 다단계 AI 애플리케이션을 처리할 수 있어 현대 조직의 프로세스 자동화 전략의 핵심 요소로 자리 잡았습니다.

ChatGPT와 같은 범용 LLM 챗봇에게 어떤 아이스크림 메이커를 구매할지 묻는다면, 해당 모델의 자연어 처리(NLP) 기능을 통해 인터넷에서 스크랩한 정보가 포함된 학습 데이터를 기반으로 추천을 제공할 수 있습니다. 하지만 과거의 일반적인 조언이 아니라 실시간 정보를 고려한 조언이 필요합니다.

에이전틱 AI 플랫폼은 다양한 애플리케이션에 배포될 수 있는 여러 에이전트의 동작을 조율하는 LLM으로 구성됩니다. 이러한 에이전트는 더 많은 AI 모델일 수도 있고, 지식 기반이나 온라인에서 정보를 빠르게 조회할 수 있는 간단한 검색 도구일 수도 있습니다. 앞의 예시를 계속 이어나가, GPT와 같은 LLM이 실시간전자 상거래 데이터와 결제 정보에도 액세스할 수 있다고 상상해 보세요.

이와 같은 에이전틱 AI 플랫폼은 사람들이 특정 소매점에서 판매 중인 특정 아이스크림 메이커를 좋아한다는 사실을 알려줄 뿐만 아니라 이론적으로는 사용자를 대신해 구매를 대행할 수도 있습니다. 에이전틱 AI는 복잡한 워크플로, 데이터 기반 의사 결정 및 조치를 취하는 복잡한 작업을 기계가 최소한의 인간 개입으로 완료하는 공상 과학 소설처럼 여겨졌던 사용 사례에 더 가까이 다가갈 수 있게 해줍니다.

에이전틱 AI를 둘러싼 뜨거운 관심이 정당하다고 생각할 만한 충분한 이유가 있습니다. 다음에서 그 4가지 이유를 살펴보세요.

LLM은 인간과 유사한 텍스트를 처리하고 생성하는 데 탁월하므로 사용자가 자연어 명령을 사용하여 AI와 더 쉽게 상호 작용할 수 있습니다. 따라서 명시적인 프로그래밍 지식의 필요성이 줄어듭니다. LLM은 미묘하고 상황에 따른 이해를 바탕으로 응답이나 조치를 생성할 수 있으므로 기존 프로그래밍으로 모든 엣지 케이스를 처리하기 어려운 시나리오에서 유용합니다. 이 외에도 LLM은 콘텐츠 생성, 코드 완성 요약 등의 작업에서 창의력을 발휘합니다. 이러한 생성 능력은 기존의 규칙 기반 프로그래밍으로는 재현하기 어렵습니다.

반면, 기존 프로그래밍은 고도로 구조화되고 결정론적이며 신뢰할 수 있어 정밀성, 반복성 및 검증 가능성이 필요한 작업에 이상적입니다. 기존 프로그래밍 언어는 작업 실행 방식을 세밀하게 제어할 수 있어 복잡한 워크플로, 알고리즘 또는 특정 시스템 요구 사항을 명시적으로 정의하고 최적화할 수 있습니다. 성능 또는 고유한 기능이 필요한 작업에는 기존 프로그래밍이 더 효율적인 경우가 많습니다.

에이전틱 AI 시스템은 LLM을 사용하여 유연성과 동적 응답의 이점을 누릴 수 있는 작업을 처리하는 동시에 이러한 AI 기능을 기존 프로그래밍과 결합하여 엄격한 규칙, 논리 및 성능을 제공한다는 두 가지 장점을 모두 제공합니다. 이러한 하이브리드 접근 방식을 통해 AI는 직관적이면서도 정확할 수 있습니다. 에이전트는 새로운 데이터나 동적 환경에 적응하면서 자율적으로 작업을 수행할 수 있는데, 이는 정적 코드에서는 어려운 일입니다. 동시에 중요한 프로세스(예: 보안 또는 계산)는 결정론적 기존 알고리즘에 의존할 수 있습니다.

에이전틱 AI 기반 시스템에는 한 가지 간단한 작업을 일관되게 잘 수행하는 단순 반사 에이전트가 포함될 수 있습니다. 보다 복잡한 규칙 기반 에이전트는 현재 인식을 사용하고 메모리를 활용하여 새로운 정보를 수신하고 저장할 수 있으므로 더 넓은 범위의 작업을 수행할 수 있습니다. 학습 에이전트는 새로운 데이터를 수집할 수 있으며, 이를 통해 추후 의사 결정에 정보를 제공하여 시간이 지남에 따라 정확도를 향상시킬 수 있습니다. 강력한 에이전틱 AI 플랫폼에는 다양한 능력을 가진 수십 또는 수백 개의 에이전트가 함께 작동할 수 있습니다.

LLM은 일반적으로 특정 시점까지의 정보 스냅샷을 나타내는 정적 데이터 세트에 대해 학습됩니다. LLM은 교육 기간 후에 웹에서 새로운 정보를 적극적으로 수집할 수 없습니다. 이미 '알고 있는' 것을 기반으로만 응답을 생성할 수 있습니다. 외부 소스의 실시간 데이터에 직접 액세스하거나 업데이트할 수는 없습니다.

LLM은 지속적인 작업을 수행하도록 설계되지 않았기 때문에 외부 도구나 데이터 처리 시스템(스프레드시트, 클라우드 플랫폼 또는 분석 소프트웨어 등)과 직접 상호 작용하거나 지속적인 데이터(IoT 센서, 비즈니스 프로세스 또는 시스템 로그 등)를 모니터링 및 수집하도록 시스템을 자율적으로 설정할 수 없습니다.

에이전틱 AI는 애플리케이션 프로그래밍 인터페이스(API)라고 하는 웹을 검색하거나 데이터베이스를 쿼리하도록 설계할 수 있습니다. 에이전트는 실시간 정보를 가져오고, 업데이트를 검색하거나, 의사 결정에 중요한 특정 데이터 포인트를 가져올 수 있습니다. 에이전트는 데이터 로깅, 실시간 모니터링 및 추세 분석과 같은 작업을 시작하고 관리할 수 있습니다. IoT 디바이스, 소셜 미디어 피드 또는 기타 시스템에서 데이터 스트림을 선제적으로 추적하고 수집하여 LLM에게 보다 정보에 입각한 의사 결정과 상황에 맞는 대응을 위한 새로운 정보를 제공할 수 있습니다.

에이전틱 AI는 피드백 루프를 사용하여 모델이나 의사 결정 프로세스를 개선하기 위해 새로운 데이터를 적극적으로 찾아낼 수 있습니다. 여기에는 주기적으로 새로운 소스를 쿼리하거나, 사용자 피드백을 수집하거나, 실제 결과를 분석하여 이해나 전략을 업데이트하고 개선하는 것이 포함될 수 있습니다. 이러한 방식으로 LLM은 시간이 지남에 따라 더 풍부하고 지속적으로 진화하는 데이터에서 최적화를 달성할 수 있습니다.

LLM의 빅 브레인과 에이전트의 표적 기능을 통해 에이전틱 AI는 지속적인 인간의 감독 없이도 독립적으로 작동하여 특정 작업을 자율적으로 수행할 수 있습니다. 이를 통해 인간의 감독이 제한되거나 불필요한 환경에서도 지속적인 작동이 가능합니다. 자율 시스템은 장기 목표를 유지하고, 다단계 작업을 관리하고, 시간 경과에 따른 진행 상황을 추적할 수 있습니다.

예를 들어, 에이전틱 AI는 모든 단계에서 인간의 입력 없이도 마케팅 캠페인을 관리하고, 지속적으로 성과를 모니터링하고, 전략을 조정하고, 피드백에 따라 결과를 최적화하는 작업을 수행할 수 있습니다.

의료 분야에서는 에이전트가 환자 데이터를 모니터링하고, 새로운 검사 결과에 따라 치료 추천을 조정하며, 임상의에게 실시간 피드백을 제공할 수 있습니다.

사이버 보안에서 에이전트는 네트워크 트래픽, 시스템 로그 및 사용자 행동을 지속적으로 모니터링하여 멀웨어, 피싱 공격 또는 무단 액세스 시도와 같은 잠재적인 보안 위협을 나타낼 수 있는 이상 징후를 찾아낼 수 있습니다. 공급망에서 AI는 공급업체에 자율적으로 주문을하거나 생산 일정을 조정하여 최적의 재고 수준을 유지할 수 있습니다.

인사 분야에서 에이전트는 신입 사원의 역할과 배경을 분석하여 개인화된 온보딩 교육 경로를 만들 수 있습니다. 개인의 이전 경험, 역할 요구 사항 및 학습 속도에 따라 콘텐츠와 학습 자료를 조정할 수 있습니다.

현재 서비스형 소프트웨어(SaaS) 제품으로 수행되는 많은 비즈니스 기능이 자연어 입력과 간소화된 사용자 인터페이스를 통해 데이터와 상호 작용하고 작업을 보다 효율적으로 수행할 수 있는 에이전틱 시스템으로 대체되거나 강화되는 것을 상상할 수 있습니다.

예를 들어 소프트웨어 개발자가 프로젝트 진행 상황을 추적하는 데 사용하는 티켓팅 시스템을 상상해 보세요. 이러한 시스템에는 많은 표, 탭, 워크플로가 필요하며 언뜻 보기에 이해하기 쉽지 않은 경우가 많습니다. 유용한 정보를 찾으려면 사용자는 복잡한 메뉴를 탐색하여 필요한 데이터를 찾아 필요한 정보를 얻어야 합니다. 그런 다음 해당 정보를 사용하여 프레젠테이션을 만들어야 할 수 있습니다.

모든 데이터를 표와 탭에 배열하는 대신 사용자가 필요한 정보만 일반 인간 언어로 요청하면 된다면 어떨까요?

예를 들어 복잡한 데이터 세트를 수동으로 정렬하지 않고도 이번 달의 직원당 완료된 모든 티켓을 나타내는 5개의 막대 그래프를 표시하는 프레젠테이션 슬라이드 5개를 생성한다고 상상해 보세요.

데이터를 수동으로 가져오는 데 30분이 걸리고, 깔끔한 프레젠테이션을 위해 깔끔한 형식으로 표시하는 데 또 30분이 걸렸지만, 에이전트는 몇 초 만에 이 모든 것을 한데 모을 수 있습니다.

조직이 생성형 AI의 이점을 확인하는 데 어려움을 겪고 있는 경우, 에이전트는 실질적인 비즈니스 가치를 찾는 열쇠가 될 수 있습니다. 모놀리식 LLM은 인상적이지만 엔터프라이즈 AI 영역에서는 사용 사례가 제한적입니다. 현재 소수의 거대 LLM에 쏟아 붓고 있는 막대한 자금이 실제 사용 사례에서 회수될지는 아직 지켜봐야 하지만, 에이전틱 AI는 LLM을 현실 세계로 가져오는 유망한 프레임워크로서 더 많은 AI 기반 미래로 가는 길을 제시합니다.