AI 에이전트란 무엇인가요?

위에서 설명한 것처럼 AI 에이전트의 주요 기능은 추론과 행동이지만(ReAct 프레임워크에서 설명됨) 시간이 지남에 따라 더 많은 기능이 발전했습니다.

• 추론: 이 핵심적인 인지 과정에는 논리와 사용 가능한 정보를 사용해 결론을 도출하고, 추론하고, 문제를 해결하는 과정이 포함됩니다. 강력한 추론 기능을 갖춘 AI 에이전트는 데이터를 분석하고 패턴을 식별하며 증거와 컨텍스트를 기반으로 정보에 입각한 결정을 내릴 수 있습니다.
• 행동: 결정, 계획 또는 외부 입력을 기반으로 조치를 취하거나 태스크를 수행하는 능력은 AI 에이전트가 환경과 상호작용하고 목표를 달성하는 데 매우 중요합니다. 여기에는 내장 AI의 경우 물리적 조치가 포함될 수 있으며, 메시지 전송, 데이터 업데이트, 다른 프로세스 트리거와 같은 디지털 조치가 포함될 수 있습니다.
• 관찰: AI 에이전트가 컨텍스트를 이해하고 정보에 입각한 결정을 내리려면 인식 또는 감지를 통해 환경이나 상황 정보를 수집하는 것이 필수적입니다. 여기에는 컴퓨터 비전, 자연어 처리, 센서 데이터 분석과 같은 다양한 형태의 인식이 포함될 수 있습니다.
• 계획: 목표 달성을 위한 전략적 계획 수립은 지능적인 행동의 핵심 요소입니다. 계획 기능을 갖춘 AI 에이전트는 필요한 단계를 파악하고, 잠재적인 작업을 평가하고, 사용 가능한 정보와 원하는 결과를 바탕으로 최선의 작업 과정을 선택할 수 있습니다. 여기에는 종종 미래 상태를 예측하고 잠재적인 장애물을 고려하는 작업이 포함됩니다.
• 협업: 복잡하고 역동적인 환경에서 공동의 목표를 달성하기 위해 다른 사람(인간 또는 다른 AI 에이전트)과 효과적으로 협업하는 것이 점점 더 중요해지고 있습니다. 협업에는 의사소통, 조정, 타인의 관점을 이해하고 존중하는 능력이 필요합니다.
• 자체 조정: 자체 개선 및 적응 역량은 고급 AI 시스템의 특징입니다. 자체 조정 기능을 갖춘 AI 에이전트는 경험을 통해 학습하고, 피드백에 따라 행동을 조정하며, 시간이 지남에 따라 성능과 기능을 지속적으로 향상할 수 있습니다. 여기에는 머신러닝 기법, 최적화 알고리즘 또는 기타 형태의 자체 수정이 포함될 수 있습니다.

AI 어시스턴트는 사용자와 직접 협업하고 자연어 및 입력을 이해하고 이에 응답하여 태스크를 수행하도록 애플리케이션 또는 제품으로 설계된 AI 에이전트입니다. 감독하에 사용자를 대신해 추론하고 조치를 취할 수 있습니다.

AI 어시스턴트는 사용 중인 제품에 내장되어 있는 경우가 많습니다. 주요 특징은 태스크의 여러 단계를 거치면서 어시스턴트와 사용자가 상호작용한다는 것입니다. 어시스턴트는 사용자의 요청이나 프롬프트에 응답하고 작업을 추천할 수 있지만 결정은 사용자가 내립니다.

• 자율성: AI 에이전트는 가장 높은 수준의 자율성을 갖추고 있어 목표를 달성하기 위해 독립적으로 작동하고 의사 결정을 내릴 수 있습니다. AI 어시스턴트는 자율성이 낮아 사용자의 입력과 지시가 필요합니다. 봇은 자율성이 가장 낮은 유형으로, 일반적으로 사전 프로그래밍된 규칙을 따릅니다.
• 복잡성: AI 에이전트는 복잡한 태스크와 워크플로를 처리하도록 설계된 반면, AI 어시스턴트와 봇은 더 간단한 태스크와 상호작용에 더 적합합니다.
• 학습: AI 에이전트는 시간이 지남에 따라 성능을 조정하고 개선하기 위해 머신러닝을 사용합니다. AI 어시스턴트는 학습 기능을 어느 정도 갖추고 있지만 봇은 일반적으로 학습 기능이 제한적이거나 전혀 없습니다.

모든 에이전트는 자체적으로 역할, 성격, 커뮤니케이션 스타일을 정의하며, 여기에는 사용 가능한 도구에 대한 구체적인 안내 및 설명이 포함됩니다. 

• 캐릭터: 잘 정의된 캐릭터를 통해 에이전트는 일관된 성격을 유지하고 할당된 역할에 적합한 방식으로 행동하며, 경험을 쌓고 환경과 상호작용하면서 발전합니다.
• 메모리: 일반적으로 에이전트는 단기, 장기, 합의, 단편적 메모리를 갖추고 있습니다. 즉각적인 상호작용을 위한 단기 메모리, 과거 데이터 및 대화를 위한 장기 메모리, 과거 상호작용을 위한 단편적 메모리, 에이전트 간의 공유된 정보를 위한 합의 메모리가 있습니다. 에이전트는 컨텍스트를 유지하고, 경험에서 학습하고, 과거 상호작용을 회상하고 새로운 상황에 적응하여 성능을 개선할 수 있습니다.
• 도구: 도구는 에이전트가 환경과 상호작용하고 기능을 향상하는 데 활용할 수 있는 함수 또는 외부 리소스입니다. 에이전트는 도구를 통해 정보에 액세스하거나, 데이터를 조작하거나, 외부 시스템을 제어하여 복잡한 태스크를 수행할 수 있으며, 물리적, 그래픽, 프로그램 기반 인터페이스를 포함한 사용자 인터페이스에 따라 분류할 수 있습니다. 도구 학습은 에이전트에게 도구의 기능과 적용해야 하는 컨텍스트를 이해하여 이러한 도구를 효과적으로 사용하는 방법을 가르치는 것을 의미합니다.
• 모델: 대규모 언어 모델(LLM)은 AI 에이전트를 빌드하기 위한 기반으로서 에이전트가 이해, 추론, 행동을 할 수 있는 능력을 제공합니다. LLM은 에이전트의 '두뇌' 역할을 하여 언어를 처리하고 생성하는 한편 다른 구성요소는 추론과 행동을 촉진합니다.

AI 에이전트는 기능, 역할, 환경에 따라 다양한 방식으로 분류할 수 있습니다. 몇 가지 주요 에이전트 카테고리는 다음과 같습니다.

에이전트 유형과 에이전트 카테고리는 서로 다른 정의가 있습니다. 

에이전트를 분류하는 한 가지 방법은 사용자와 상호작용하는 방식에 따라 분류하는 것입니다. 직접 대화를 나누는 에이전트가 있는가 하면, 백그라운드에서 작동하여 직접적인 사용자 입력 없이 태스크를 수행하는 에이전트도 있습니다. 

• 대화형 파트너(표면형 에이전트라고도 함) - 고객 서비스, 의료, 교육, 과학적 발견과 같은 태스크를 지원하고 지능적인 맞춤형 지원을 제공합니다. 대화형 에이전트에는 Q&A, 잡담, 인간과의 세상의 지식 상호작용이 포함됩니다. 일반적으로 사용자 쿼리로 트리거되며 사용자 쿼리나 트랜잭션을 처리합니다.
• 자율 백그라운드 프로세스(백그라운드 에이전트라고도 함) - 백그라운드에서 작동되어 일상적인 태스크를 자동화하고, 데이터를 분석하여 유용한 정보를 도출하고, 프로세스를 최적화하여 효율성을 높이고, 잠재적인 문제를 선제적으로 식별하고 해결합니다. 여기에는 워크플로 에이전트가 포함됩니다. 인적 상호작용이 제한적이거나 전혀 없으며 일반적으로 이벤트에 의해 구동되며 대기 중인 태스크나 태스크 체인을 완료합니다.

• 단일 에이전트: 특정 목표를 달성하기 위해 독립적으로 작동합니다. 외부 도구와 리소스를 활용하여 태스크를 수행하고 다양한 환경에서 기능을 강화합니다. 다른 AI 에이전트와의 협업이 필요하지 않은 명확한 태스크에 가장 적합합니다. 처리를 위해 하나의 파운데이션 모델만 다룰 수 있습니다.
• 멀티 에이전트: 공동의 목표 또는 개별 목표를 달성하기 위해 협력하거나 경쟁하는 여러 AI 에이전트입니다. 이러한 시스템은 개별 에이전트의 다양한 기능과 역할을 활용하여 복잡한 태스크를 처리합니다. 멀티 에이전트 시스템은 대화형 시나리오에서 대인 커뮤니케이션과 같은 인간의 행동을 시뮬레이션할 수 있습니다. 각 에이전트는 니즈에 가장 적합한 파운데이션 모델을 사용할 수 있습니다.

AI 에이전트는 많은 이점을 제공하지만 사용과 관련된 몇 가지 과제도 있습니다.

심도 있는 공감/감정 지능이 필요하거나 복잡한 인간 상호작용과 사회적 역학이 필요한 태스크 - AI 에이전트는 미묘한 인간의 감정을 이해하는 데 어려움을 겪을 수 있습니다. 상담, 사회복지, 갈등 해결과 같은 태스크에는 현재 AI에 부족한 수준의 정서적 이해와 공감이 필요합니다. 말하지 않은 단서를 이해해야 하는 복잡한 사회적 상황에서는 불안정할 수 있습니다.

윤리적 위험이 높은 상황 - AI 에이전트는 데이터를 기반으로 결정을 내릴 수 있지만 윤리적으로 복잡한 상황에 필요한 도덕적 기준과 판단력이 부족합니다. 여기에는 법 집행, 의료(진단 및 치료), 사법 결정과 같은 영역이 포함됩니다.   

예측할 수 없는 물리적 환경이 있는 영역 - AI 에이전트는 실시간 적응과 복잡한 운동 기술이 필수적인 매우 역동적이고 예측할 수 없는 물리적 환경에서 어려움을 겪을 수 있습니다. 여기에는 수술, 특정 유형의 건설 작업, 재해 대응과 같은 태스크가 포함됩니다.

리소스 집약적인 애플리케이션 - 정교한 AI 에이전트를 개발하고 배포하는 데는 많은 리소스와 컴퓨팅 리소스가 필요하므로 예산이 제한적인 소규모 프로젝트나 조직에는 적합하지 않을 수 있습니다.