에이전틱 워크플로란 무엇인가요?

에이전틱 워크플로는 자율적인 AI 에이전트가 최소한의 인간 개입으로 결정을 내리고, 조치를 취하고, 작업을 조정하는 AI 기반 프로세스입니다.로 이러한 워크플로는 추론, 계획 및 도구 사용과 같은 지능형 에이전트의 핵심 구성 요소를 활용하여 복잡한 작업을 효율적으로 실행합니다. 로보틱 프로세스 자동화(RPA)와 같은 기존 자동화는 사전 정의된 규칙과 설계 패턴을 따릅니다. 이 방법은 표준 구조를 따르는 반복적인 작업에는 충분할 수 있습니다. 에이전틱 워크플로는 동적이며, 실시간 데이터와 예상치 못한 상황에 적응하여 더 많은 유연성을 제공합니다. AI 에이전틱 워크플로는 복잡한 문제에 다단계의 반복 방식으로 접근하여 AI 에이전트가 비즈니스 프로세스를 세분화하고 동적으로 적응하며 시간이 지남에 따라 작업을 구체화할 수 있도록 합니다.

생성형 AI가 복잡한 워크플로를 처리할 수 있도록 함으로써 조직은 향상된 운영 효율성, 확장성 및 정보에 입각한 의사 결정의 이점을 누릴 수 있습니다. 머신 러닝과 자연어 처리(NLP)의 발전이 계속됨에 따라 AI 기술은 인간의 감독에 대한 의존도를 줄이면서 프로세스를 자동화하고 최적화하려는 산업에서 점점 더 보편화되고 있습니다. 진화하는 AI 모델의 영향은 소프트웨어 개발뿐만 아니라 의료, 금융, 인적 자원 등과 같은 산업에도 영향을 미칩니다.

한 회사에 규칙 기반 자동화 시스템을 따르는 IT 지원 챗봇이 있다고 상상해 보세요. 직원이 문제를 보고하면(예: "내 Wi-Fi가 작동하지 않습니다") 챗봇이 의사결정 트리를 실행하여 미리 정의된 응답을 제공합니다. 문제가 해결되지 않으면 챗봇은 그냥 인간 지원 담당 직원에게 문제를 에스컬레이션합니다. 이 접근 방식은 기본적이고 잘 정의된 문제에는 효율적이지만, 적응력이 필요한 복잡하고 다단계적인 문제 해결에는 효과적이지 않습니다.

에이전틱 워크플로에서는 IT 어시스턴트가 문제 해결을 여러 단계로 이루어진 반복적인 프로세스로 다룹니다. 직원이 Wi-Fi 문제를 보고하면 에이전트는 다음과 같은 동적 단계별 프로세스를 따라 워크플로를 세분화합니다.

1. 문제 이해: AI 에이전트가 직원으로부터 자세한 정보를 수집하여 "다른 장치가 네트워크에 연결되어 있습니까?" 또는 "최근 업데이트 이후에 시작되었습니까?"와 같은 명확한 질문을 합니다.

2. 진단 단계 실행: AI는 사용자의 응답에 따라 다양한 문제 해결 단계를 선택하고 실행합니다. 라우터에 핑을 보내거나 네트워크 로그를 확인하거나 특정 설정 변경 사항을 제안하여 사용자에게 이 정보를 검색하고 요약할 수 있습니다.

3. 적응형 도구 사용: AI가 서버 측 문제를 감지하면 내부 모니터링 툴 API를 호출하여 중단 여부를 확인할 수 있습니다. 문제가 디바이스별로 발생한 경우 드라이버 업데이트 제안을 검색하거나 스크립트를 실행하여 네트워크 설정을 재설정할 수 있습니다.

4. 결과에 따른 반복: 조치가 문제를 해결하지 못하면 AI가 접근 방식을 동적으로 조정합니다. 관련 문제를 교차 확인하거나 진단을 다시 시도하거나 즉시 에스컬레이션하는 대신 다른 해결책을 제안할 수 있습니다.

5. 종결 및 학습: 문제가 해결되면 AI는 향후 사례에 대한 솔루션을 기록하여 시간이 지날수록 문제 해결 효율성을 개선합니다. 해결되지 않은 문제는 상세한 보고서와 함께 에스컬레이션되며, 시도된 수정 사항을 요약하여 IT 직원의 시간을 절약할 수 있습니다.

에이전틱 워크플로의 핵심 구성 요소는 다음과 같습니다.

• AI 에이전트 - 인공 지능(AI)에서 AI 에이전트로 구성되지 않은 워크플로는 에이전틱 워크플로가 아닙니다. AI 에이전트는 사용자 또는 다른 시스템을 대신하여 워크플로를 설계하고 사용 가능한 도구를 활용하여 작업을 자율적으로 수행할 수 있는 시스템 또는 프로그램을 의미합니다.

• 대규모 언어 모델(LLM) - AI 에이전트의 핵심은 대규모 언어 모델입니다. LLM은 자연어 처리 및 생성에 필수적입니다. 온도와 같은 LLM 매개변수를 조정하면 아웃풋 품질도 달라집니다.

• 도구 - LLM이 모델 학습에 사용된 데이터 이외의 정보를 수집하려면 도구를 제공해야 합니다. 일반적으로 사용되는 도구로는 외부 데이터 세트, 웹 검색, 애플리케이션 프로그래밍 인터페이스(API) 등이 있습니다. 도구를 활용하여 AI 에이전트를 일상적인 작업 외의 특정 사용 사례에 맞게 조정할 수 있습니다.

• 피드백 메커니즘 - HITL(human-in-the-loop) 또는 다른 에이전트와 같은 피드백 메커니즘은 AI 에이전트의 의사 결정 프로세스를 촉진하고 에이전트 아웃풋을 조정하는 데 유용할 수 있습니다.

• 프롬프트 엔지니어링 - 에이전틱 워크플로 성능은 제공된 프롬프트의 품질에 크게 좌우됩니다. 프롬프트 엔지니어링은 AI 모델이 단순한 것부터 고도로 기술적인 것까지 광범위한 쿼리를 더 잘 이해하고 응답하는 데 도움이 됩니다. 일반적인 프롬프트 엔지니어링 기술에는 CoT(생각의 연결고리), 원샷, 제로샷 및 자기 성찰이 포함됩니다.

• 다중 에이전트 협업 - 다중 에이전트 시스템(MAS) 내의 통신 및 분산된 문제 해결은 복잡한 사용 사례의 핵심입니다. MAS 내의 각 에이전트에는 일련의 도구, 알고리즘 및 "전문 지식" 영역을 지정할 수 있으므로 에이전트가 모두 동일한 정보를 다시 학습하지 않도록 할 수 있습니다. 대신, 에이전트는 학습한 정보를 나머지 MAS와 공유합니다.

• 통합 - 기존 프로세스를 간소화하려면 에이전틱 워크플로를 기존 인프라와 통합해야 합니다. 이러한 시너지 효과는 에이전틱 워크플로의 요구 사항과 목표에 따라 달라집니다. 많은 경우 첫 단계는 에이전트가 액세스할 수 있도록 데이터를 중앙 데이터베이스로 통합하는 프로세스인 데이터 통합입니다. 다른 형태의 통합에는 LangChain, LangGraph, crewAI 및 IBM의 BeeAI와 같은 에이전트 프레임워크가 포함됩니다. 이러한 에이전트 오케스트레이션 프레임워크는 더 큰 규모와 성능을 달성하기 위한 공급자 역할을 할 수 있습니다. 상황에 맞는 도구의 통합도 관련 아웃풋을 달성하는 데 중요합니다.
  

AI 분야의 리더인 Andrew Ng의 개인적인 일화는 워크플로의 적응성을 강조합니다. Andrew는 수많은 AI 도구 중 하나인 웹 검색 API가 실패했던 AI 에이전트 구축 시연을 회상합니다. AI 시스템은 대신 사용 가능한 Wikipedia 검색 도구를 사용하여 종속성 실패를 신속하게 처리할 수 있었습니다. 시스템은 작업을 완료하고 변화하는 환경에 적응성을 유지했습니다. 인간의 감독에 대한 필요성이 줄어들면서 일상적이고 반복적인 작업보다 인간의 지능이 요구되는 복잡한 작업에 더 많은 노력을 기울일 수 있습니다.

Andrew는 또한 에이전틱 워크플로가 작업 실행뿐만 아니라 차세대 LLM을 학습하는 데에도 의미가 있다고 설명합니다. 기존의 비에이전틱 워크플로에서는 한 LLM의 아웃풋을 다른 LLM을 학습시키는 데 사용하는 것이 효과적인 결과를 가져오는 것으로 밝혀지지 않았습니다. 하지만 고품질 데이터를 생성하는 에이전틱 워크플로를 사용하면 유용한 학습으로 이어집니다.