다중 에이전트 시스템이란 무엇인가요?

MAS 내의 각 에이전트는 개별 속성을 가지지만 모든 에이전트는 원하는 글로벌 속성을 이끌어내기 위해 협업적으로 작동합니다^.1 다중 에이전트 시스템은 수천 명은 아니더라도 수백 명의 에이전트를 포괄하는 대규모의 복잡한 작업을 완료하는 데 유용합니다.²

이 아이디어의 핵심은 인공 지능(AI) 에이전트입니다. AI 에이전트는 워크플로우를 설계하고 사용 가능한 도구를 사용하여 사용자나 다른 시스템을 대신하여 자율적으로 작업을 수행할 수 있는 시스템 또는 프로그램을 말합니다. AI 에이전트의 핵심은 대규모 언어 모델(LLM)입니다. 이러한 지능형 에이전트는 LLM의 고급 자연어 처리 기술을 활용하여 사용자 입력을 이해하고 이에 응답합니다. 에이전트는 문제를 단계별로 해결하고 언제 외부 도구를 호출할지 결정합니다. AI 에이전트가 기존 LLM과 차별화되는 점은 도구 사용과 실행 계획을 설계할 수 있다는 점입니다. 에이전트가 사용할 수 있는 도구에는 외부 데이터 세트, 웹 검색 및 API(애플리케이션 프로그래밍 인터페이스)가 포함될 수 있습니다. 사람의 의사 결정과 마찬가지로 AI 에이전트도 새로운 정보를 습득하면서 메모리를 업데이트할 수 있습니다. 정보 공유, 도구 사용 및 적응형 학습을 통해 AI 에이전트는 기존 LLM보다 더 범용적으로 사용할 수 있습니다.

단일 에이전트 시스템에 대한 자세한 내용은 AI 에이전트 콘텐츠를 참조하세요.

단일 에이전트 지능형 시스템은 환경과 연동하여 자율적으로 계획하고, 도구를 호출하고, 응답을 생성합니다. 에이전트가 사용할 수 있는 도구는 다른 방법으로는 사용할 수 없는 정보를 제공합니다. 앞서 설명한 대로 이 정보는 API나 다른 에이전트를 통해 획득한 데이터베이스일 수 있습니다. 여기에는 단일 에이전트 시스템과 다중 에이전트 시스템의 차이점이 있습니다. 다른 에이전트를 도구로 호출할 때 보조 에이전트는 원래 에이전트의 환경 자극의 일부가 됩니다. 해당 정보만 획득하고 더 이상의 협력은 이루어지지 않습니다. 반면 다중 에이전트 시스템은 환경 내의 모든 에이전트가 참여하여 서로의 목표, 기억, 행동 계획을 모델링한다는 점에서 다릅니다.⁴ 에이전트 간의 커뮤니케이션은 공유 환경을 변경하여 직접 또는 간접적으로 이루어질 수 있습니다.

다중 에이전트 시스템 내의 각 엔터티는 어느 정도 자율적인 에이전트입니다. 이러한 자율성은 일반적으로 에이전트의 계획, 도구 호출 및 일반적인 추론에서 볼 수 있습니다. 다중 에이전트 시스템에서 에이전트는 자율성을 유지하지만 에이전트 구조에서 협력하고 조정합니다.³ 복잡한 문제를 해결하기 위해서는 에이전트 커뮤니케이션과 분산된 문제 해결이 핵심입니다. 이러한 유형의 에이전트 상호 작용은 다중 에이전트 강화 학습으로 설명할 수 있습니다. 이러한 형태의 학습을 통해 공유하는 정보에는 센서나 행동을 통해 획득한 즉각적인 정보가 포함될 수 있습니다. 또한 에이전트의 경험을 에피소드 정보 형태로 공유할 수 있습니다. 이러한 에피소드는 감각, 행동 및 학습된 정책의 순서일 수 있습니다. 마지막으로, 에이전트는 자신의 경험을 실시간으로 공유하여 다른 에이전트가 동일한 정책을 반복적으로 학습하는 것을 방지할 수 있습니다.⁵

개별 에이전트는 그 자체로 강력합니다. 그들은 하위 작업을 만들고, 도구를 사용하고, 상호 작용을 통해 학습할 수 있습니다. 다중 에이전트 시스템의 집단적 행동은 정확성, 적응성 및 확장성의 잠재력을 높입니다. 다중 에이전트 시스템은 공유 리소스 풀, 최적화 및 자동화를 통해 단일 에이전트 시스템보다 성능이 뛰어난 경향이 있습니다. 여러 에이전트가 동일한 정책을 학습하는 대신, 학습한 경험을 공유하여 시간 복잡도와 효율성을 최적화할 수 있습니다.⁵

다중 에이전트 시스템은 다양한 아키텍처에서 작동할 수 있습니다. 중앙 집중식 네트워크에서는 중앙 장치가 글로벌 지식 기반을 포함하고, 에이전트를 연결하며, 에이전트의 정보를 감독합니다. 이 구조의 장점은 에이전트 간의 커뮤니케이션이 용이하고 지식이 통일된다는 점입니다. 중앙 집중식의 약점은 중앙 유닛에 대한 의존성이며, 중앙 유닛이 실패하면 전체 에이전트 시스템이 실패한다는 것입니다.⁶

분산형 네트워크의 에이전트는 글로벌 지식 기반 대신 인접 에이전트와 정보를 공유합니다. 분산형 네트워크의 몇 가지 이점은 견고성과 모듈성입니다. 한 에이전트에 장애가 발생해도 중앙 장치가 없기 때문에 전체 시스템에 장애가 발생하지 않습니다. 분산형 에이전트의 한 가지 과제는 다른 협력 에이전트에게 이익이 되도록 자신의 행동을 조정하는 것입니다.⁷

또한 다중 에이전트 시스템 내에서 에이전트를 구성하는 방법에는 여러 가지가 있습니다.

계층 구조는 트리 구조와 유사하며 다양한 수준의 자율성을 가진 에이전트를 포함합니다. 단순 계층 구조에서는 한 명의 에이전트가 의사 결정 권한을 가질 수 있습니다. 단일 계층 구조에서는 여러 에이전트에게 책임이 분산될 수 있습니다.⁸

이 아키텍처 유형 내에서 에이전트는 홀라키로 그룹화됩니다. 홀론은 구성 요소 없이는 작동할 수 없는 개체입니다. 예를 들어, 인체는 일하는 기관 없이는 기능할 수 없기 때문에 홀론입니다.⁹ 마찬가지로, 홀로닉 다중 에이전트 시스템에서는 선행 에이전트가 단일 개체처럼 보이지만 여러 하위 에이전트를 가질 수 있습니다.⁸ 이 하위 에이전트는 다른 홀론에서도 역할을 할 수 있습니다. 이러한 계층적 구조는 자체 조직화되며 하위 에이전트의 협업을 통해 목표를 달성하기 위해 생성됩니다.

연합은 그룹 내 단일 에이전트의 성능이 저조한 경우에 유용합니다. 이러한 상황에서는 에이전트가 일시적으로 연합하여 활용도나 성능을 높일 수 있습니다. 원하는 성능에 도달하면 연합은 해체됩니다. 역동적인 환경에서는 이러한 연합을 유지하기가 어려울 수 있습니다. 성능을 향상시키기 위해 재그룹화가 필요한 경우가 많습니다.⁹

팀은 연합과 구조가 유사합니다. 팀에서 에이전트들이 협력하여 그룹의 성과를 개선합니다. 팀의 에이전트는 연합과 달리 독립적으로 작업하지 않습니다. 팀의 에이전트는 서로에게 훨씬 더 많이 의존하며 그 구조는 연합보다 더 계층적입니다.⁸

다중 에이전트 시스템 내에서 에이전트의 동작은 종종 자연에서 발생하는 동작을 반영합니다. 다음 에이전트 동작은 다중 소프트웨어 및 다중 로봇 에이전트 모두에 적용될 수 있습니다.

다중 에이전트 시스템에서 볼 수 있는 집단 행동은 새, 물고기, 인간의 행동과 유사할 수 있습니다. 이러한 시스템에서 에이전트는 목표를 공유하며 행동을 조율하기 위해 일부 조직이 필요합니다. 군집은 방향 동기화와 관련이 있으며 이러한 군집의 구조는 다음과 같은 경험적 방법으로 설명할 수 있습니다.¹⁰

• 분리: 근처 에이전트와의 충돌을 피하려고 시도합니다.
• 정렬: 주변 에이전트의 속도를 맞춥니다.
• 응집력: 다른 에이전트들과 안접하게 있으려 시도합니다.

소프트웨어 에이전트의 맥락에서 이러한 조정은 철도 시스템과 같은 운송 네트워크를 관리하는 다중 에이전트 시스템에 매우 중요합니다.

다중 에이전트 시스템에서 에이전트의 공간 위치는 자연에서 발생하는 스워밍(swarming)과 비교할 수 있습니다. 예를 들어, 새들은 이웃 새들에게 적응함으로써 조화를 이루며 날아갑니다. 기술적 관점에서 볼 때, 스워밍(swarming)은 분산형 제어를 가진 소프트웨어 에이전트 간의 창발적인 자기 조직화 및 집계입니다.¹¹ 스워밍의 이점은 한 명의 운영자가 에이전트 스웜을 관리하도록 훈련받을 수 있다는 것입니다. 이 방법은 각 에이전트에 대해 운영자를 훈련시키는 것보다 계산 비용이 적게 들고 더 안정적입니다.¹²

다중 에이전트 시스템은 많은 복잡한 실제 작업을 해결할 수 있습니다. 적용 가능한 도메인의 몇 가지 예는 다음과 같습니다.

다중 에이전트 시스템에는 다음과 같은 이점을 제공하는 몇 가지 특성이 있습니다.

다중 에이전트 시스템은 에이전트를 추가, 제거 또는 조정하여 다양한 환경에 맞게 조정할 수 있습니다.

여러 에이전트가 협력하면 더 많은 정보를 공유할 수 있습니다. 이러한 협업을 통해 다중 에이전트 시스템은 단일 에이전트 시스템보다 더 복잡한 문제와 작업을 해결할 수 있습니다.

단일 에이전트 시스템에서는 다양한 도메인에서 작업을 수행하기 위해 하나의 에이전트가 필요하지만 다중 에이전트 시스템의 각 에이전트는 특정 도메인 전문성을 보유할 수 있습니다.

다중 에이전트 프레임워크는 단일 에이전트보다 성능이 뛰어난 경향이 있습니다.¹⁹ 이는 에이전트가 사용할 수 있는 실행 계획이 많을수록 더 많은 학습과 성찰이 일어나기 때문입니다. 관련 분야의 전문 지식을 가진 다른 AI 에이전트의 지식과 피드백을 통합하는 AI 에이전트는 정보 합성에 유용할 수 있습니다. AI 에이전트의 이러한 백엔드 협업과 정보 격차를 메우는 능력은 에이전트 프레임워크의 고유한 특성으로, 강력한 도구이자 인공 지능의 의미 있는 발전입니다.

다중 에이전트 시스템을 설계하고 구현하는 데에는 다음과 같은 몇 가지 과제가 있습니다.

동일한 파운데이션 모델에 구축된 다중 에이전트 시스템은 공유된 함정을 경험할 수 있습니다. 이러한 약점은 관련된 모든 에이전트의 시스템 전체에 장애를 일으키거나 악의적인 공격에 취약성을 노출시킬 수 있습니다.²⁰ 이는 기반 모델 구축에 있어 데이터 거버넌스의 중요성과 철저한 교육 및 테스트 프로세스의 필요성을 강조합니다.

다중 에이전트 시스템을 구축할 때 가장 큰 어려움 중 하나는 서로 조율하고 협상할 수 있는 에이전트를 개발하는 것입니다. 이러한 협력은 다중 에이전트 시스템이 제대로 작동하기 위해 필수적입니다.

분산형 네트워크에서 자율적이고 독립적으로 활동하는 에이전트는 충돌하거나 예측할 수 없는 행동을 경험할 수 있습니다. 이러한 조건에서는 더 큰 시스템 내에서 문제를 감지하고 관리하는 것이 어려울 수 있습니다.