멀티 에이전트 시스템과 단일 에이전트 시스템의 근본적인 차이는 문제 해결 접근 방식과 상호작용 범위에 있습니다.

단일 에이전트 시스템은 환경 내에서 독립적으로 작동하여 특정 목표를 달성하는 단일 자율적 개체를 특징으로 하며, 다른 에이전트와 직접 상호작용하지 않습니다. 체스판을 분석하고 사전 정의된 규칙이나 학습된 전략에 따라 의사 결정을 내리는 격리된 체스 게임 AI를 생각해 보세요. 이러한 시스템은 추천 엔진이나 사기 감지처럼 외부 상호작용이 최소화되고 중앙 집중식 제어가 효율적인 잘 정의된 문제에 탁월합니다. 이러한 모델은 개발이 더 간단하고 유지보수 비용이 낮으며 예측 가능한 결과를 제공하는 경우가 많습니다.

반면 멀티 에이전트 시스템은 공유 환경 내에 여러 에이전트가 존재한다는 특징이 있습니다. 이러한 에이전트는 개별 목표 또는 공동의 목표를 달성하기 위해 공동작업, 경쟁 또는 협상에 자주 참여합니다. 각 에이전트가 문제의 일부를 담당하고 다른 에이전트와 통신하여 공유된 목표를 달성하는 고기능 팀과 같습니다. 분산된 워크로드와 전문화된 역할을 통해 MAS는 단일 에이전트가 감당하기 어려운 복잡하고 역동적이거나 대규모의 과제를 처리할 수 있습니다. MAS는 강력한 통신 및 조정 프로토콜이 필요하기 때문에 설계가 더 복잡하지만, 유연성, 견고성, 확장성이 뛰어납니다.

멀티 에이전트 시스템은 개별 에이전트 간에 작업과 커뮤니케이션을 분배하여 작동하며, 각 에이전트는 공유 환경 내에서 목표를 달성하기 위해 협력합니다. 이 프로세스에는 일반적으로 다음이 포함됩니다.

• 인식: 에이전트는 주변을 관찰하고 데이터를 수집합니다. 여기에는 직접적인 신호나 공유 환경의 변화 감지(스티그머지라고도 함)가 포함될 수 있습니다.
• 추론 및 의사 결정: 최신 멀티 에이전트 시스템에서 이 추론은 주로 에이전트의 '두뇌' 역할을 하는 대규모 언어 모델(LLM)에 의해 구동됩니다. LLM은 복잡한 사용자 의도를 이해하고 다단계 추론을 수행하며 목표를 달성하기 위한 계획을 세우는 데 탁월합니다. LLM 기반 에이전트는 인식에서 얻은 데이터를 기반으로 가장 논리적인 행동 방식을 결정합니다.
• 조치: 에이전트는 환경 내에서 계획된 조치를 수행합니다.
• 상호작용: 에이전트는 고립된 상태로 작동하지 않습니다. 서로 통신하고, 조정하고, 협상하고, 협업합니다. 여기에는 채팅 메시지 전달, 정보 공유, 다른 에이전트가 관찰할 수 있는 환경 수정 등이 포함될 수 있습니다.
• 조정: 최신 MAS는 복잡한 작업을 구조화된 에이전트 워크플로로 세분화하는 조정 원칙에 따라 작동합니다. 다양한 에이전트에게 특정 역할과 책임이 할당된 프로젝트 계획이라고 생각하면 됩니다. '조정자' 또는 사전 정의된 그래프 구조는 에이전트가 올바른 순서로 호출되고 에이전트 간에 정보가 흐르며 최종 목표가 달성되도록 보장합니다. 이는 단순한 커뮤니케이션을 넘어 관리되고 목표 지향적인 프로세스로 나아가는 것으로, CrewAI 및 LangGraph와 같은 최신 프레임워크의 중점 사항입니다.

이러한 팀워크를 통해 멀티 에이전트 시스템은 복잡한 문제에 적응하고 해결할 수 있습니다.

멀티 에이전트 시스템은 에이전트, 환경, 상호작용 메커니즘의 세 가지 기본 요소로 구성됩니다.

이들은 시스템 내에서 능동적인 의사 결정 개체입니다. 각 에이전트는 어느 정도의 자율성을 갖추고 있어 독립적으로 작업하고 주변 환경을 인식하며 목표와 사용 가능한 정보를 바탕으로 선택할 수 있습니다. 에이전트는 소프트웨어 프로그램, 봇, 실제 로봇, 드론, 센서, 심지어 인간까지 무엇이든 될 수 있습니다. 특정 역할과 기능을 가진 독립적인 개체입니다.

에이전트가 작업하고, 인식하고, 상호작용하는 공유 공간입니다. 환경은 시뮬레이션된 세계나 네트워크와 같은 가상 환경일 수도 있고, 로봇 에이전트를 위한 공장과 같은 물리적 환경일 수도 있습니다. 리소스를 제공하고 제약 조건을 적용하며 간접 커뮤니케이션을 위한 매개체 역할을 합니다.

에이전트가 함께 작동하려면 서로 통신해야 합니다. 통신 프로토콜은 정보 교환 방식에 대한 규칙입니다. 여기에는 메시지 형식(예: JSON 또는 XML 사용)과 전송 방식(예: HTTP 또는 MQTT 사용)이 포함됩니다. FIPA ACL, KQML과 같은 에이전트 통신 언어(ACL)는 에이전트가 상호작용하고 자세한 정보를 공유할 수 있는 표준 방식을 제공합니다.

• FIPA ACL(Foundation for Intelligent Physical Agents - Agent Communication Language)은 지능형 소프트웨어 에이전트가 서로 통신하는 데 도움이 되는 널리 사용되는 언어입니다. 이는 인간이 소통하는 방식에 기반하며, 특정 '행동'(예: '요청' 또는 '알림')이 명확한 의미를 지닙니다. FIPA ACL 메시지에는 보낸 사람, 받는 사람, 행동, 실제 메시지 콘텐츠에 대한 필드가 있어 커뮤니케이션이 명확합니다.
• 조정 메커니즘은 에이전트가 의견 불일치를 해결하고, 목표를 조정하고, 팀으로서 효과적으로 작업하는 데 사용하는 방법입니다. 예를 들어 에이전트가 작업에 입찰(경매와 유사)하거나 결정에 투표하거나 '계약망'이라는 시스템을 사용할 수 있습니다.

멀티 에이전트 시스템은 복잡한 문제를 해결하기 위해 공동작업, 적응성, 복원력이 필요한 다양한 분야에서 유용할 수 있습니다.

MAS는 복잡한 프로세스를 더 작고 관리 가능한 작업으로 세분화하고, 이를 전문 에이전트에 할당하고, 실행을 조정하는 데 능숙합니다.

• 공급망 관리: 멀티 에이전트 시스템은 제조부터 소비자 구매에 이르기까지 공급망의 다양한 구성요소를 연결할 수 있습니다. 가상 에이전트는 서로 협상하여 재고 수요를 예측하고 리소스를 관리하며 실시간으로 운영을 조정할 수 있습니다.
• 고객 서비스: 고객 지원에서 AI 에이전트는 함께 협력하여 문제를 추적하고, 해결 방법을 추천하고, 솔루션을 에스컬레이션하고, 결제 조정 또는 환불까지 처리할 수 있습니다. 한 에이전트는 초기 문의를 처리하고, 다른 에이전트는 관련 문서를 가져오며, 세 번째 에이전트는 맞춤형 대답을 생성할 수 있습니다.
• 소프트웨어 개발: 에이전트 팀은 버그 요청에 응답하고, 과거 버그를 분석하여 유사성을 파악하고, 새 티켓을 생성하고, 코드 추천을 생성하거나 코드 검토를 구성하여 엔지니어링 지원을 제공하도록 설계할 수 있습니다.

에이전트의 분산된 특성과 자율성 덕분에 멀티 에이전트 시스템은 끊임없이 변화하는 환경에서도 잘 작동합니다.

• 교통 및 운송 관리: MAS는 열차 네트워크, 트럭 배정, 선박 등 복잡한 운송 시스템을 처리할 수 있습니다. 에이전트는 실시간 교통과 경로 정보를 공유하여 교통 흐름을 원활하게 하고 혼잡한 도심 지역에서 교통 체증을 피할 수 있도록 도와줍니다.
• 로봇 공학 및 자율 시스템: 창고에서는 여러 대의 로봇이 서로 충돌하지 않으면서 주문을 처리하기 위해 협업합니다. 마찬가지로 자율주행 배송 로봇 그룹은 실시간 교통 및 경로 정보를 공유하여 효율적으로 물건을 배송할 수 있습니다.
• 방어 시스템: MAS는 사이버 공격이나 해상 시나리오와 같은 잠재적인 위협을 시뮬레이션하여 방어 시스템을 강화하는 데 도움이 되므로 보다 선제적인 계획과 대응이 가능합니다.

MAS는 복잡한 시스템에서 상호작용을 시뮬레이션하고 새로운 행동을 이해하는 데 필요한 강력한 도구입니다.

• 금융 거래: 여러 에이전트가 시장 데이터를 분석하고 위험을 고려하며 다양한 자산 클래스에 걸쳐 거래를 수행할 수 있습니다. 일부 에이전트는 특정 시장에 집중하고 다른 에이전트는 더 광범위한 패턴을 찾습니다. 이를 통해 기업은 대량의 데이터를 실시간으로 처리하고 이에 따라 조치를 취할 수 있습니다.
• 의료 및 공중 보건: 에이전트 기반 시스템은 유전자 분석을 통해 질병 예측 및 예방을 지원하고 병상 배정, 직원 근무 일정, 의료 장비 할당과 같은 병원 리소스를 관리하는 데 도움이 될 수 있습니다.
• 사회적 시뮬레이션: MAS는 시뮬레이션된 인구의 사회적 상호작용과 새로운 행동을 모델링할 수 있으며, 이는 여러 복잡한 사회 현상을 연구하는 데 유용할 수 있습니다.

멀티 에이전트 시스템은 도움이 될 수 있지만 다음과 같은 몇 가지 잠재적인 과제도 수반할 수 있습니다.

• 관리의 어려움: 특히 에이전트가 추가될수록 충돌 없이 많은 독립 에이전트가 함께 작동하도록 하는 것이 어려울 수 있습니다.
• 커뮤니케이션 과부하: 에이전트가 많을수록 메시지가 많아져 속도가 느려질 수 있습니다. 명확하고 신속한 커뮤니케이션이 필수적입니다.
• 예상치 못한 행동: 에이전트가 함께 행동하는 방식은 계획되지 않은 놀라운 결과를 낳을 수 있으며, 가능한 모든 결과를 테스트하기 어려울 수 있습니다.
• 안전 문제: 민감한 정보를 공유하는 시스템에서는 강력한 보안이 필수적입니다. 악의적인 에이전트는 잘못된 정보를 제공하거나, 협력을 거부하거나, 민감한 정보를 공유하여 문제를 일으킬 수 있습니다.
• 복잡한 빌드 및 사용: 이러한 시스템을 만들려면 신중한 계획과 에이전트 간의 대화 방식에 대한 이해가 필요합니다. 팀은 분산 AI와 강력한 커뮤니케이션 규칙에 대해 알아야 합니다.
• 운영 비용: API 호출을 통해 강력한 LLM에 크게 의존하면 상당한 컴퓨팅 비용이 발생할 수 있습니다. 멀티 에이전트 시스템을 신중하게 관리하지 않으면 확장 비용이 엄청나게 많이 들 수 있습니다.
• 사실적 그라운딩 및 할루시네이션: LLM 기반 에이전트는 그럴듯하지만 사실적으로는 잘못된 정보를 생성하는 '할루시네이션'을 일으킬 수 있습니다. 에이전트 출력이 사실적 데이터 소스를 기반으로 안정적으로 그라운딩되도록 하는 것은 주요 기술적 과제입니다.
• 복잡한 디버깅 및 평가: 상호작용하는 에이전트의 비결정론적이고 새로운 행동으로 인해 디버깅이 매우 어렵습니다. 복잡한 다단계 워크플로 내에서 오류의 소스를 추적하려면 정교한 로깅 및 평가 도구가 필요합니다.

개발자가 멀티 에이전트 시스템을 빌드하고 관리할 수 있도록 여러 프레임워크에서 자율 에이전트를 설계, 조정, 배포하는 도구를 제공합니다. 다음은 몇 가지 인기 있는 옵션입니다.

멀티 에이전트 시스템을 구현하려면 설계부터 배포까지 몇 가지 주요 단계를 거쳐야 합니다.

1. 문제와 목표 정의: 시스템이 해결해야 할 문제와 전체 시스템 및 각 개별 에이전트가 달성해야 할 목표를 명확하게 명시합니다.

2. 에이전트 설계 결정:

• 에이전트 역할 파악: 각 유형의 에이전트가 수행할 구체적인 작업을 파악합니다.
• 에이전트 기능 정의: 각 에이전트가 감지할 수 있는 것, 수행할 수 있는 것, 의사 결정을 내리는 방법을 지정합니다.
• 에이전트 독립성 결정: 각 에이전트가 스스로 선택할 수 있는 자유의 정도를 결정합니다.

3. 환경 모델링: 에이전트가 작업할 공유 공간을 만듭니다. 여기에는 기능, 리소스, 규칙이 포함됩니다.

4. 커뮤니케이션 방법 결정:

• 언어 선택: 에이전트가 서로 대화할 때 사용할 언어(예: FIPA ACL)와 메시지 형식을 선택합니다.
• 규칙 설정: 에이전트가 어떻게 소통하고, 협업하고, 의견 차이를 해결할지에 대한 규칙을 설계합니다. 채팅 메시지, 공유 메모리, 환경을 통한 대화 등이 가능합니다.

5. 전략 조정: 에이전트가 원활하게 협업하고 충돌을 해결할 수 있는 방법을 마련합니다. 여기에는 하나의 주요 제어 에이전트, 에이전트가 협상하는 규칙 또는 자연스러운 공동작업이 포함될 수 있습니다.

6. 도구 통합: 에이전트가 데이터베이스, 다른 서비스, 다른 AI 모델 등 작업에 필요한 외부 도구나 프로그램에 액세스할 수 있도록 합니다.

7. 코드: Python 또는 Java와 같은 프로그래밍 언어와 JADE, Mesa, Ray, AutoGen, CrewAI와 같은 멀티 에이전트 프레임워크를 선택하여 에이전트를 빌드하고 상호작용을 설정합니다.

8. 테스트 및 검증: 에이전트가 예상대로 작동하고, 서로 잘 협력하며, 전반적인 목표를 달성하는지 확인하기 위해 시스템을 철저히 테스트합니다. 예상치 못한 동작이 발생할 수 있으므로 이 작업은 특히 어렵습니다.

9. 배포 및 모니터링: 시스템을 적절한 인프라에 배치하고 모니터링을 설정하여 시스템의 성능을 추적하고, 문제를 찾고, 시스템이 계속 잘 작동하는지 확인합니다.

Google Cloud는 멀티 에이전트 시스템을 개발, 배포, 관리하기 위한 이상적인 플랫폼이 될 수 있는 강력하고 확장 가능한 인프라를 제공합니다. 포괄적인 서비스 제품군은 MAS의 다양한 구성요소와 상호작용을 지원합니다.

• 컴퓨팅 리소스: 특히 LLM과 같은 집약적인 AI 모델을 활용하는 수많은 에이전트를 배포하려면 상당한 컴퓨팅 성능이 필요합니다.
• Google Kubernetes Engine(GKE): GKE는 컨테이너화된 애플리케이션을 배포, 확장, 관리하기 위한 관리형 환경을 제공하며, 많은 개별 에이전트를 조정하는 데 적합합니다.
• Compute Engine: 가상 머신(VM)을 보다 세밀하게 제어하기 위해 Compute Engine은 에이전트 프로세스를 호스팅할 수 있는 유연하고 맞춤설정 가능한 VM 인스턴스를 제공합니다.
• 데이터 처리 및 저장: 에이전트는 인식, 학습, 의사 결정을 위해 대량의 데이터를 저장하고 검색해야 하는 경우가 많습니다.
• Cloud Storage: 에이전트 데이터, 로그, 모델을 위한 확장성과 내구성이 뛰어난 객체 스토리지를 제공합니다.
• BigQuery: 대규모 데이터 세트를 저장하고 분석할 수 있는 완전 관리형 서버리스 데이터 웨어하우스로, 데이터 집약적인 작업을 수행하는 에이전트나 집단 에이전트 행동을 분석하는 데 유용합니다.
• Cloud SQL 또는 Cloud Firestore: 각각 관리형 관계형 데이터베이스와 NoSQL 데이터베이스로, 에이전트가 상태, 개별 기술 자료 또는 상호작용 기록을 저장하는 데 적합합니다.
• 에이전트 간 커뮤니케이션: 에이전트가 정보를 공유하고 조정하려면 효율적인 메시징이 중요합니다.
• Pub/Sub: 에이전트 간 비동기식 커뮤니케이션을 지원하는 실시간 메시징 서비스로, 분리된 아키텍처와 이벤트 기반 상호작용에 적합합니다. 에이전트는 주제에 메시지를 게시하고 관련 주제를 구독하여 직접적인 엔드포인트 지식 없이도 커뮤니케이션할 수 있습니다.
• A2A 프로토콜: Google이 처음 개발한 개방형 표준으로, 서로 다른 AI 에이전트 간의 안전한 통신과 협업을 지원합니다. 이 모델은 범용 번역기 역할을 하여 다양한 프레임워크와 공급업체의 에이전트가 서로를 발견하고, 텍스트, 오디오, 동영상 등의 정보를 교환하고, 작업을 조율할 수 있도록 합니다. A2A는 에이전트 간 상호작용에 중점을 두며 에이전트-도구 통신을 처리하는 모델 컨텍스트 프로토콜(MCP)을 보완합니다.
• AI 및 머신러닝 기능: 많은 에이전트가 인텔리전스와 의사 결정을 위해 AI 모델을 통합합니다.
• Vertex AI: Google의 통합 ML 플랫폼은 지능형 에이전트 빌드의 중심에 있습니다. 추론을 위한 Gemini와 같은 강력한 파운데이션 모델에 대한 액세스를 제공하며, 무엇보다도 Vertex AI Agent Builder를 포함합니다. 이 관리형 서비스는 회사 데이터에 에이전트를 그라운딩하고, 외부 API에 연결하고, 목표 지향적인 대화형 환경을 빌드하는 도구를 제공하여 엔터프라이즈급 생성형 AI 에이전트의 개발을 가속화합니다.
• 사전 학습 API: 에이전트는 Google Cloud의 사전 학습 AI API(예: Vision AI, Natural Language API)를 활용하여 다양한 데이터 유형에 대한 인식과 이해를 향상시킬 수 있습니다.
• 네트워킹 및 보안: MAS 내에서 안전하고 효율적인 커뮤니케이션을 보장합니다.
• 가상 프라이빗 클라우드(VPC): 에이전트와 서비스를 위한 격리된 보안 네트워크 환경을 만듭니다.
• Identity and Access Management(IAM): Google Cloud 리소스와 상호작용하는 에이전트에 대한 권한 및 액세스 제어를 관리합니다.

개발자는 이러한 Google Cloud 서비스를 사용하여 강력하고 확장 가능하며 지능적인 멀티 에이전트 시스템을 빌드할 수 있으므로 세계에서 가장 복잡한 과제를 해결하는 정교한 AI 애플리케이션을 구현할 수 있습니다.