에이전트가 AI 워크플로우를 최적화하는 데 도움을 주고 있지만 인간 요소는 ROI에 중요합니다

AI 랜드스케이프는 근본적인 변화를 겪었습니다. 최대 가치를 추출하기 위해 어려움을 겪었던 조직은 에이전트를 사용하여 접근 방식을 더 적극적으로 하고 있습니다. 이전에는 사용자에게 모델을 트리거하도록 의존하는 클라우드 중심의 반응형 모델이 주도적인 상호작용 모델이었습니다. 그러나 기계가 더 지능화됨에 따라 에이전트 모델이 등장하여 지능형 시스템이 사용자 상호작용 없이 복잡한 작업을 프로액티브하게 실행할 수 있습니다.

그러나 에이전트 AI는 전통적인 좁은 범위의 AI 시스템에서 벗어난 것이지만 기회를 최적화하는 것은 작업자를 대체하는 것이 아니라 보완하는 것입니다.

에이전트는 다단계 목표를 이해; 계획 및 액션을 시퀀싱; 및 목표를 달성하기 위해 여러 리소스와 상호작용하는 것을 설계했습니다. 예를 들어, 사용자의 선호도, 재정적 제한 및 우선순위를 학습할 수 있는 AI 에이전트는 독립적으로 구매를 협상할 수 있습니다. 이 시나리오는 현재 진행 중이며 이 발전된 기능은 기업 및 소비자 AI에 대한 우리의 생각을 재정의하고 있습니다.

그러나 실제로 유용하고 안전한 워크플로우를 만들기 위해서는 에이전트의 기반이 되는 하이브리드 AI 아키텍처가 필요합니다. 이 아키텍처는 장치, 에지 및 클라우드에서 워크로드를 전략적으로 분산하고 지식 노동자 팀이 관리합니다.

하이브리드 AI가 반드시 필요한 이유

에이전트 AI는 컨텍스트에서 번창합니다. 이는 종종 개인 또는 조직의 민감한 데이터를 포함하므로 클라우드는 합법적인 개인 정보 보호 위험을 도입합니다. 그러나 하이브리드 AI는 데이터 처리 및 의사 결정이 로컬에서 신뢰할 수 있는 장치 또는 안전한 환경에서 유지되도록 합니다. AI는 데이터가 존재하는 곳에서 작동하여 노출을 줄이고 데이터 주권 규정과 일치합니다.

또한 개인화는 데이터 개인 정보 보호 문제와密接 관련되어 있습니다. 이전의 구매 에이전트 예에서 사용자 선호도 및 제약 조건은 중요합니다. 또한 개인 식별 정보(PII)를 포함하는 경우가 많으므로 이를 로컬에서 저장하고 사용하여 사용자 개인 정보를 보호할 수 있습니다.

에이전트 AI의 성공은 즉각적인 의사 결정도 필요합니다. 즉, 네트워크를 통해 데이터가 전송되기에는 시간이 없습니다. 거래를 협상하고 실시간 센서 데이터에 응답하며 동적 워크플로우를 관리하는 모든 작업에는 즉각성이 필요합니다. 지연 시간이나 중단은重大한 결과를 초래할 수 있습니다. 하이브리드 AI는 저지연의 온디바이스 계산을 가능하게 하여 경험을 원활하고 실시간으로 유지합니다.

하이브리드 AI는 또한 클라우드 처리의 필요성을 제거하여 리소스 집약적이고 비용이 많이 드는 것을 방지합니다. 대신 로컬 컴퓨팅을 사용하여 루틴 작업을 수행하고 클라우드를 더 무거운 데이터 풀 또는 계산에 예약합니다.

마지막으로, 에이전트가 오프라인 또는 낮은 연결성 시나리오에서 부분 작업을 계속 실행할 수 있도록 하여 클라우드 액세스가 재개될 때까지 기능을 유지할 수 있습니다. 로컬 인텔리전스와 클라우드의 확장력의 조합이 에이전트 AI 경험을 가능하게 합니다.

구현 도전 과제 해결

에이전트 AI가 등장하기 전에 조직은 종종 AI 투자에서 명확한 ROI를 도출하기 위해 어려움을 겪었습니다. 에이전트는 즉각적인 해결책은 아니지만 전체 워크플로우에 적용될 때 앞으로 나아가는 강력한 경로를 제공합니다. 에이전트가 관리하는 엔드투엔드 작업은 더 가시적이고 영향력 있는 ROI를 제공합니다.

그러나 의미 있는 ROI는 몇 가지 핵심적인 채택 장벽을 해결할 때만 가능합니다:

• 예측 가능성 및 윤리는 AI 에이전트에 있어 매우 중요하며, 헌법적 AI와 같은 거버넌스 플랫폼 및 기술의 채택 증가를 추동합니다. 이러한 조치는 인간의 가치와 일치하고 감독을 제공합니다.
• 복잡성 감소 및 신뢰성 향상은 성공적인 배포에 중요합니다. 에이전트를 사용하여 다단계 작업을 관리하는 것은 복잡합니다. 그러나 모델 훈련 및 성능의 발전과 함께 성능은 더 일관성이 있습니다. 이러한 개발 프레임워크는 또한 팀이 예측 가능하고 강력한 에이전트 시스템을 구축하여 배포하기 쉽게 합니다.
• 도구 및 API와의 안전한 통합은 또 다른 중요한 고려 사항입니다. 에이전트는 다양한 데이터 소스 및 애플리케이션에 액세스해야 합니다. 산업은 안전한 상호 작용을 위한 프로토콜 및 표준을 구축하고 있으며 기밀 컴퓨팅 기술은 런타임 중에 민감한 데이터를 추가로 보호합니다.

도구는 안전해야 하지만 또한 신뢰할 수 있어야 합니다. 에이전트 AI는 외부 소프트웨어와의 실시간 상호 작용에 의존하기 때문입니다. 기초 모델의 향상된 함수 호출 기능 및 상호 운용성 프레임워크는 이 통합을 단순화합니다. 예를 들어, 모델 컨텍스트 프로토콜(MCP)은 안전하고 다단계 워크플로우를 지원하여 에이전트가 더 능력적이고 예측 가능하며 효과적으로 만듭니다.

실제로 만들기

에이전트 AI는 동적이며 분산된 목표와 리소스 집약적인 작업에서 빛을 발합니다. 팀의 능력을超越할 수 있지만 가장 효과적인 에이전트는 지능을 필요로 합니다.

자율 에이전트는 물류를 관리하여 실시간 재고 및 출하 데이터를 분석하여 물류 중단을 피할 수 있습니다. 에이전트는 에지 디바이스에서 작동하여 중앙 계획 시스템과 조정하고 라우팅 전략을 업데이트하여 데이터를 최신 상태로 유지하고 안전하게 유지합니다.

에이전트는 산업 워크스테이션에 임베딩되어 센서 데이터를 모니터링하고 유지 보수 프로토콜을 트리거하거나 예비 부품을 주문할 수 있습니다. 이는 작동 중단을 줄이고 비용을 줄입니다.

온디바이스 에이전트가 있는 AI PC는 개인 워크플로우를 관리하고 미팅을 요약하고 콘텐츠를 작성하며 엔터프라이즈 시스템과 상호 작용할 수 있지만 개인 정보나 민감한 데이터를 위험에 빠뜨리지 않습니다.

이러한 사용 사례 모두에서 지식 노동자의 감독이 중요합니다. 에이전트에 입력되는 데이터가 정확하고 깨끗한지 확인합니다.

자율적인 미래 구축

현재 에이전트를 구현하고 에이전트를 관리하는 워크포스를 스킬링하는 비즈니스는 경쟁자보다 앞서 나갈 것입니다. 에이전트 AI는 미래에 대한 기초이며 AI 쌍이 등장하고 있지만 하이브리드 AI가 필요합니다. 이는真正 자율적이고 유용하며 안전한 AI 시스템을 제공하는 데 중요한 발전입니다. 이러한 시스템은 실제 상황에서 작동할 수 있습니다.