에이전트 아키텍처란 무엇인가요?

에이전틱 아키텍처는 에이전트 인공 지능(AI) 프레임워크의 구조와 설계를 의미합니다. 에이전틱 아키텍처는 가상 공간과 워크플로 구조를 형성해서 에이전틱 AI 시스템 안에 있는 AI 모델을 자동화합니다.

에이전틱 AI는 AI 에이전트를 사용해서, 사용자나 다른 시스템을 대신하여 자율적으로 작업을 수행하는 시스템 또는 프로그램입니다.에이전틱 아키텍처는 생성형 AI 시스템 안에서 작동하는 AI 기반 에이전트의 행동을 지원하고 조절하는 역할을 합니다. 에이전틱 AI 시스템은 에이전트가 적응력을 갖추고 동적인 환경을 탐색하여 원하는 결과를 달성할 수 있게 해야 합니다.

이 모델은 인간 심리와 크게 다르지 않으며, 에이전시는 자신의 행동에 따라 의도적으로 무언가를 실현하는 능력을 의미합니다.¹ 원하는 결과를 얻으려면 계획, 행동, 기억, 성찰을 사용해야 합니다. 이 특징들은 단일 및 다중 에이전트 프레임워크에서 모두 사용되는 최신 AI 에이전트의 특징과 일치합니다.
 
머신 러닝(ML) 알고리즘과 대규모 언어 모델(LLM)의 발전으로 AI 에이전트 개발이 촉진되었습니다. 에이전틱 아키텍처의 목표는 LLM이 에이전트를 자동화하여 복잡한 작업을 완료할 수 있는 구조를 제공하는 것입니다.

AI 에이전트의 자율적 행동이나 의사 결정 행동은 그 에이전트를 구현하는 인프라에 따라 달라집니다. 에이전트 아키텍처는 동적 환경에 적응하여 상호 운용성을 향상시키도록 설계되었습니다.

예를 들어 에이전트는 다양한 데이터 소스와 형식, 애플리케이션 프로그래밍 인터페이스(API), 시스템과 인터페이스할 수 있습니다. 이러한 적응형 행동을 통해 에이전트는 정보에 입각한 의사 결정을 내립니다.

에이전틱 AI 아키텍처는 의도성(계획), 선견지명, 자기 반응성, 자기 성찰 등 에이전시의 핵심 요소를 다루는 구성 요소로 이루어져야 합니다.² 이 요소들이 AI 에이전트에게 자율성을 제공하여 목표를 설정하고, 계획을 세우고, 성능을 모니터링하고, 반성하여 특정 목표에 도달하게 합니다.
 
에이전틱 기술은 백엔드 툴 호출을 사용하여 최신 정보를 수집하고, 복잡한 워크플로를 최적화하고, 복잡한 목표를 달성하기 위한 작업을 자동으로 생성합니다.

자율 에이전트는 시간이 지나면 사용자의 취향에 따라 더 개인화된 경험과 자세한 응답을 제공합니다. 이 툴 호출 프로세스는 사람의 인풋 없이 실행할 수 있어 실제 애플리케이션에 적용될 가능성이 더 큽니다.

에이전틱 아키텍처는 AI 에이전트 안에서 에이전트 같은 행동을 지원합니다. AI 에이전트는 외부 환경과 상호 작용하고 도구를 사용하여 특정 목표를 달성할 수 있는 머신 러닝 모델로 구동되는 적응형 시스템입니다. 모든 AI 에이전트가 에이전트로서의 특징을 가지지는 않습니다. 이는 오케스트레이션 프레임워크나 시스템의 복잡성과 기능에 따라 달라집니다.

에이전틱 아키텍처를 통해 AI 에이전트는 사람의 지속적인 인풋 없이도 어느 정도 자율성을 가지고 행동하고, 목표에 따라 결정을 내릴 수 있습니다.³ 자율 AI 에이전트는 사람의 개입 없이도 특정 작업을 완료할 수 있습니다.

비에이전틱 아키텍처에서 LLM은 단일 또는 선형 작업을 수행할 수 있습니다.⁴ 비에이전틱 아키텍처에서 AI 모델의 기능은 인풋과 컨텍스트를 기반으로 아웃풋을 제공하는 것입니다.

명시적인 오케스트레이션이 없으면 LLM은 실시간으로 새로운 정보를 유지할 수 없고, 컨텍스트가 제한되어 복잡한 문제를 해결하는 데 어려움을 겪는 경우가 많습니다. 예를 들어 복잡한 에이전트 워크플로가 필요하지 않은 일반적인 AI 애플리케이션으로는 의미 분석, 챗봇과 텍스트 생성이 있습니다.

이상적인 에이전트 아키텍처는 애플리케이션과 사용 사례의 요구 사항에 따라 다릅니다. 단일 에이전트 시스템은 집중적이고 구체적인 문제를 해결하는 데 탁월하며, 개별 문제 해결사 역할을 담당합니다.

그러나 어떤 문제에는 전문 에이전트 각각의 고유한 전문 지식이 필요한 반면, 또 다른 문제에는 여러 에이전트가 하나의 팀처럼 협력하는게 이득이 되기도 합니다.

AI 에이전트 아키텍처 시스템 유형(수직, 수평, 하이브리드)을 명확하게 비교한 표입니다. 각 유형의 구조, 특징, 강점, 약점, 우수 사용 사례를 보면서 다양한 작업에 가장 적합한 접근 방식을 결정하는 데 참고하세요. 

단일 에이전트 아키텍처

단일 에이전트 아키텍처는 환경 안에서 중앙 집중식 결정을 내리는 단일 자율 개체를 지닙니다.

• 구조
  
  
  • 단일 에이전트 아키텍처는 단일 AI 에이전트가 독립적으로 작동하여 환경을 인식하고, 결정을 내리고, 목표를 달성하기 위한 조치를 취하는 시스템입니다.
    
    
• 주요 기능
  
  
  • 자율성: 에이전트가 다른 에이전트들과의 상호 작용 없이 독립적으로 움직입니다.
     
• 강점
  
  
  • 간결성: 다중 에이전트 시스템보다 설계, 개발, 배포하기 쉽습니다. 여러 에이전트나 통신 프로토콜을 관리할 필요가 없기 때문에 리소스가 덜 필요합니다.
  • 예측 가능성: 에이전트가 독립적으로 작동하기 때문에 디버깅과 모니터링이 더 쉽습니다.
  • 속도: 여러 에이전트 간의 협상이나 합의 구축이 필요하지 않습니다.
  • 비용: 복잡한 다중 에이전트 아키텍처보다 유지 관리 및 업데이트 비용이 저렴합니다. 엔터프라이즈 애플리케이션에 배포하면 통합 문제가 줄어듭니다.
     
• 약점
  
  
  • 확장 한계: 방대하거나 복잡한 작업을 처리할 때 단일 에이전트가 병목 현상을 겪을 수 있습니다.
  • 경직성: 여러 단계의 워크플로나 다양한 도메인 간의 조정이 필요한 작업에 어려움이 있습니다.
  • 좁음: 주로 특정 기능이나 도메인에 맞춰 설계됩니다.
     
• 우수 사용 사례
  
  
  • 간단한 챗봇: 챗봇은 독립적으로 작동할 수 있으며 다른 에이전트와의 협력이 필요하지 않고 자체적으로 구조화된 사용자 상호작용에서 좋은 성과를 보입니다.
  • 추천 시스템: 단일 에이전트 아키텍처에서는 스트리밍 서비스에서와 같은 콘텐츠 추천 개인화를 충분히 간단하게 할 수 있습니다.

다중 에이전트 아키텍처

다중 에이전트 아키텍처에는, 기존 단일 에이전트 설정의 AI 기능을 뛰어넘는 고유의 이점이 많습니다. 에이전트 각각이 성능 분석, 부상 예방, 시장 조사 등 특정 분야를 전문으로 맡고 원활한 협업을 통해 복잡한 문제를 해결합니다.

작업이 발전함에 따라 에이전트들이 역할을 조정하여, 동적 상황에서 유연성과 반응성을 유지하는 데 유용합니다.

다중 에이전트 시스템은 더 유연합니다. 어떤 에이전트는 자연어 처리(NLP)를 사용하고, 다른 에이전트는 컴퓨팅 비전을 전문으로 합니다. 에이전트는 검색 증강 생성(RAG)을 사용해 외부 데이터 세트에서 데이터를 가져올 수 있습니다.

LangChain 상에서 작동하는 Python 기반 다중 에이전트 프레임워크인 crewAI를 비롯해 다중 에이전트 프레임워크 기업은 다양합니다. 또 다른 AI 솔루션으로는, 표준 운영 절차에 따라 구조화된 워크플로를 사용하는 MetaGPT라는 프레임워크를 제공하는 DeepWisdom이 있습니다.

수직 AI 아키텍처

• 구조
  
  
  • 수직 아키텍처에서는 리더 에이전트가 하위 작업과 의사 결정을 감독하고, 다른 에이전트들은 보고를 해서 중앙 집중식 제어를 구현합니다.⁵ 계층 AI 에이전트는 자신의 역할을 알고 그에 따라 다른 에이전트에 보고하거나, 다른 에이전트를 감독합니다.
     
• 주요 기능
  
  
  • 계층 구조 : 역할이 명확하게 정의되어 있습니다.
  • 중앙 집중식 통신: 에이전트들이 리더에게 보고합니다.
     
• 강점
  
  
  • 작업 효율성: 순차적 워크플로에 적합합니다.
  • 명확한 책임: 리더가 목표를 조정합니다.

• 약점

  • 병목 현상: 리더에 의존하느라 진행 속도가 느려질 수 있습니다.

  • 단일 장애 지점: 리더 문제에 취약합니다.

• 우수 사용 사례

  • 워크플로 자동화: 다단계 승인.

  • 문서 생성: 리더가 감독하는 섹션입니다.

수평적 AI 아키텍처

• 구조

  • 피어 협업 모델: 에이전트들이 분산형 시스템에서 동등하게 작업하며 자유롭게 협력하여 작업을 완수합니다.⁶

• 주요 기능

  • 분산 협업: 모든 에이전트가 리소스와 아이디어를 공유합니다.

  • 의사 결정 분산: 서로 협력하며 자율성을 지키기 위해 그룹 중심으로 의사 결정을 합니다.

• 강점

  • 역동적인 문제 해결: 혁신을 촉진합니다.

  • 병렬 처리: 에이전트들이 동시에 작업을 수행합니다.

• 약점

  • 조정 애로 사항: 관리가 부실하면 효율성이 떨어질 수 있습니다.

  • 결정 속도 저하: 너무 숙고합니다.

• 우수 사용 사례

  • 브레인스토밍: 다양한 아이디어를 생성합니다.

  • 복잡한 문제 해결: 여러 분야가 모여 과제를 해결합니다.

하이브리드 AI 아키텍처

• 구조

  • 구조화된 리더십과 유연한 협업 역량을 결합합니다. 작업 요건에 따라 리더십을 전환합니다.

• 주요 기능

  • 동적 리더십: 작업 단계에 따라 리더십을 조정합니다.

  • 협업형 리더십: 리더와 동료가 개방적으로 소통합니다.

• 강점

  • 다양성: 두 모델의 강점을 결합합니다.

  • 적응성: 구조와 창의성이 모두 필요한 작업을 처리합니다.

• 약점

  • 복잡성: 리더십 역할과 협업의 균형을 맞추려면 강력한 메커니즘이 필요합니다.

  • 리소스 관리: 더 까다롭습니다.

• 우수 사용 사례

  • 다양한 작업: 전략적 계획 또는 팀 프로젝트

  • 동적인 프로세스: 구조화의 필요성과 창의력의 필요성 사이에서 균형을 맞춥니다.

에이전틱 프레임워크는 에이전트(인공 또는 자연)가 자율적이고 지능적인 방식으로 작업을 수행하고, 결정을 내리고, 환경과 상호 작용하는 방법을 정의하는 설계 아키텍처 또는 모델을 가리킵니다. 이 프레임워크들은 에이전트가 다양한 환경에서 작동, 추론, 적응하는 방법에 대한 구조와 지침을 제공합니다.

반응형 아키텍처

반응형 아키텍처는 상황을 행동에 직접 매핑합니다에 대응적이며, 기억이나 예측 기능을 활용하기보다는 환경이 주는 즉각적인 자극을 기반으로 결정을 내립니다. 이 아키텍처는 과거에서 배우거나 미래를 계획할 수 없습니다. 

숙고 아키텍처

숙고 아키텍처는 추론, 계획, 세계의 내부 모델을 기반으로 결정을 내리는 AI 시스템입니다. 반응형 에이전트와 달리 숙고 에이전트는 환경을 분석하고 미래 결과를 예측하며, 행동하기 전에 정보에 입각한 선택을 합니다.

인지 아키텍처

인지 에이전틱 아키텍처는 인간과 비슷하게 사고, 추론, 학습, 의사 결정을 모방하는 고급 AI 시스템입니다.

이 에이전트들은 각각 개별 모듈로 표시되는 지각, 기억, 추론, 적응 요소들을 통합하여 복잡하고 불확실한 환경에서 작동하면서 시간이 지남에 따라 개선되게 합니다. 이는 가장 진보된 에이전틱 아키텍처 유형입니다.

BDI 아키텍처(주로 모델 또는 프레임워크라고 칭함)는 지능형 에이전트의 합리적인 의사 결정을 모델링하도록 설계되었으며, 믿음-욕구-의도(belief-desire-intention, BDI) 프레임워크를 기반으로 합니다.

BDI 에이전트의 인간과 유사한 추론 모델링 방식:

• 믿음(Beliefs): 환경, 현재 상황, 감각 데이터에 대한 이해를 비롯해 세계에 대한 에이전트의 지식입니다.

예: "문이 닫혔습니다."

• 욕구(Desires): 에이전트의 목표 또는 목적, 즉 에이전트가 달성하고자 하는 것입니다. 욕구는 행동이 아닌 높은 수준의 목표가 될 수도 있습니다.

예: "방에 들어가고 싶습니다."

• 의도(Intentions): 에이전트가 자신의 욕구를 채우기 위해 수행하는 행동을 말합니다. 의도는 에이전트가 자신의 믿음과 욕구를 고려하여 적극적으로 추진하는 계획된 행동을 나타냅니다.

예: "방으로 들어가기 위해 문을 열겠습니다."