동영상

에이전트

에이전트란 AI가 특정 목표를 수행할 수 있는 것을 말합니다. 사용자를 대신해서 행동을 할 수 있는 AI 입니다. 기존에 AI가 채팅 창에 갇혀 있었다면 여기에서 벗어나서 목표를 수행하기 위해 액션을 할 수 있습니다.

에이전트의 시작을 알렸던 AutoGPT 와 Reflexion. Reflexion 은 자기 성찰 (self reflection)을 통해 스스로를 개선한다.

에이전트 워크플로우 (Agentic workflow)

One Agent For Many Worlds, Cross-Species Cell Embeddings, and more

앤드류 응 교수님이 이야기한 에이전틱 워크플로우입니다. 한글로 에이전트 워크플로우라고 부르겠습니다. 앤드류 응 교수님은 이것이 AI에 있어 트렌드가 될 것이라고 했습니다. 저는 스타트업들이 경쟁 우위인 해자를 가지기 위해서는 이 에이전트 워크플로우가 필수라고 생각합니다.

에이전트 워크플로우는 하나의 목적을 이루기 위한 워크플로우 안에서 여러 에이전트를 사용하는 것입니다.

예를 들어 에세이를 작성하는 AI가 있다고 생각해 봅시다. 지금은 제로샷으로 처음부터 끝까지 에세이를 작성해 달라고 요청합니다. 이는 마치 누군가에게 처음부터 끝까지 에세이를 작성해 달라고 요청하면서 오타 없이 곧바로 타이핑하고 고품질의 결과물을 기대하는 것과 비슷합니다. 이러한 어려움에도 불구하고 LLM은 이 작업을 놀라울 정도로 잘 해냅니다.

하지만 에이전트 워크플로우를 사용하면 LLM에게 여러 단계에 걸쳐 문서를 작성하도록 요청할 수 있습니다. 예를 들어 다음과 같은 일련의 단계를 거칠 수 있습니다.

• 개요를 계획합니다.

• 더 많은 정보를 수집하기 위해 어떤 웹 검색이 필요한지 결정합니다.

• 초안을 작성합니다.

• 첫 번째 초안을 읽어보고 잘못된 주장이나 불필요한 정보를 찾아냅니다.

• 발견한 약점을 고려하여 초안을 수정합니다.

• 이렇게 반복합니다.

이러한 반복적인 과정은 대부분의 인간 작가가 좋은 글을 쓰기 위해 꼭 필요한 과정입니다. AI를 사용하면 이러한 반복적인 워크플로우를 통해 한 번에 작성하는 것보다 훨씬 더 나은 결과를 얻을 수 있습니다.

추가적인 에이전트 개념

에이전트에는 다음과 같은 방법들을 활용할 수 있습니다.

• 리플렉션: LLM은 자체적으로 작업을 검토하여 개선 방안을 마련합니다.

• 도구 사용: LLM은 웹 검색, 코드 실행 또는 기타 기능을 통해 정보를 수집하고 조치를 취하거나 데이터를 처리하는 데 도움이 되는 도구를 제공받습니다.

• 계획: LLM은 목표를 달성하기 위한 다단계 계획을 세우고 실행합니다(예: 에세이 개요를 작성한 다음 온라인 조사를 하고 초안을 작성하는 등).

• 다중 에이전트 협업: 두 명 이상의 AI 에이전트가 함께 작업하고, 작업을 나누고, 아이디어를 논의하고 토론하여 한 명의 에이전트보다 더 나은 솔루션을 도출할 수 있습니다.

제로샷보다 에이전트 워크플로우를 기반으로 했을 때 더 좋은 결과를 기록함.

코딩 에이전트로 놀라움을 안겨주었던 Devin : Cognition

에이전트 + 워크플로우

하나의 채팅 LLM으로 끝내는 것이 아닙니다. 나의 목적을 수행할 수 있는 에이전트들을 만들고 이를 활용해 워크 플로우를 만드는 것입니다. 여기에서 중요한 것은 어떻게 목적을 이루는가, 어떤 구체적인 문제를 해결하는 가입니다.

이렇게 정교하게 설계된 워크플로우는 다양한 일들을 수행하여 굉장한 가치를 만들어낼 것입니다. 이미 에이전트 시장은 수십 억 달러의 산업으로 평가받고 있습니다.

AI 에이전트 시장은 2023년 약 48억 달러 규모에서 2028년까지 285억 달러로 성장할 것으로 예상되며, 연평균 성장률(CAGR)은 43%에 달할 것으로 전망됩니다.

Autonomous AI and Autonomous Agents Market Share, Forecast | Growth Analysis by 2030

이제 우리는 함께 나의 일을 대체할 수 있는 여러 에이전트들을 만들어 보며 미래 시대를 미리 대비해 보겠습니다.