멀티 에이전트 LLM이 복잡한 작업을 더 효과적으로 해결할 수 있도록 하는 방법

대부분의 조직은 현재 대규모 언어 모델(LLM)과 인공 지능(AI) 에이전트를 구현하여 비즈니스 프로세스 내에서 비용을 최적화하고 새로운 사용자 경험을 제공하고자 합니다. 그러나 이러한 구현의 대부분은 ‘일회성’입니다. 결과적으로, 비즈니스들은 이러한 사용 사례에서 투자 回収을 실현하는 데 어려움을 겪습니다.

제너레이티브 AI(Generative AI, GenAI)는 소프트웨어와 같은 조종사를 넘어설 수 있습니다. 주제 전문가(SME)에 대한 지침과 도움을 제공하는 것 이상으로, 이러한 솔루션은 SME 역할을 수행하여 자동으로 작업을 수행할 수 있습니다. GenAI 솔루션이 이러한 수준에 도달하기 위해서는, 조직은 추가적인 지식과 메모리, 계획 및 재계획의 능력, 그리고 다른 에이전트와 협력하여 작업을 수행하는 능력을 제공해야 합니다.

단일 모델은 일부 시나리오에서 적합하지만, 공동 조종사 역할을 하는 반면, 에이전트 아키텍처는 LLM이 비즈니스 프로세스 자동화의 활성 구성 요소가 될 수 있는 문을 열어줍니다. 따라서, 기업은 복잡한 비즈니스 프로세스를 간소화하고 투자 回収을 개선하기 위해 LLM 기반 멀티 에이전트(LLM-MA) 시스템을 활용해야 합니다.

LLM-MA 시스템이란?

LLM-MA 시스템이란 무엇일까요? 간단히 말해, 이 새로운 AI 기술 패러다임은 복잡한 문제를 해결하기 위해 협력하여 일하는 AI 에이전트의 생태계를 설명합니다.

결정은 다양한 맥락에서 발생해야 합니다. 인간의 신뢰할 수 있는 의사 결정은 전문화를 필요로 하는 것과 마찬가지로, LLM-MA 시스템은 여러 전문 에이전트가 상호 작용하여 공통의 목표를 달성하기 위해 집단 지성을 구축합니다. 즉, 비즈니스에서 다양한 분야의 전문가를 한 문제를 해결하기 위해 모으는 것과 마찬가지로, LLM-MA 시스템도 작동합니다.

비즈니스 요구 사항은 단일 LLM으로는 너무 많습니다. 그러나, 각기 고유한 기술과 지식을 가진 전문 에이전트 간에 능력을 분산하여 한 LLM이 모든 부담을 지지 않는다면, 이러한 에이전트는 작업을 더 효율적이고 효과적으로 완수할 수 있습니다. 멀티 에이전트 LLM은 또한 상호 검증을 통해 ‘환상’을 줄일 수 있습니다.

LLM-MA 시스템의 기회와 사용 사례

LLM-MA 시스템은 구조화된 문서와 비구조화된 문서를 검색하고, 데이터 모델에 대한 코드를 생성하고, 기타 콘텐츠 생성을 수행하여 비즈니스 프로세스를 자동화할 수 있습니다. 기업은 소프트웨어 개발, 하드웨어 시뮬레이션, 게임 개발(특히, 월드 개발), 과학적 및 제약 연구, 자본 관리 프로세스, 금융 및 거래 경제 등 다양한 사용 사례에서 LLM-MA 시스템을 사용할 수 있습니다.

LLM-MA 시스템의 한 가지 주목할 만한 응용 분야는 콜/서비스 센터 자동화입니다. 이 예에서, 사전 정의된 워크플로와 절차를 사용하는 모델과 프로그램 에이전트의 조합은 최종 사용자 상호 작용을 자동화하고, 텍스트, 음성 또는 비디오를 통해 요청 분류를 수행할 수 있습니다. 또한, 이러한 시스템은 절차적 지식과 전문가 지식 및 개인화 데이터를 사용하여 최적의 해결 경로를 찾을 수 있습니다.

단기적으로, 이 시스템은 완전히 자동화되지 않을 것입니다. 오류가 발생할 수 있으며, 인간의 개입이 필요할 것입니다. AI는 인간과 같은 경험을 재현할 수 없습니다. 그러나 AI는 수천 개의 역사적인 지원 티켓과 피드백 루프에서 학습하여 콜/서비스 센터 운영의 상당 부분을 자동화하여 효율성을 높이고, 티켓 해결 시간을 줄이고, 고객 만족도를 높일 수 있습니다.

LLM-MA 시스템의 보안, 책임 있는 AI 및 기타 도전

LLM-MA 시스템의 흥미로운 기회에도 불구하고, 에이전트의 수와 그들의 행동 공간의 크기가 증가함에 따라 몇 가지 도전이 있습니다. 예를 들어, 기업은 단순한 ‘환상’의 문제를 해결해야 할 것입니다. 이는 인간의 개입을 필요로 합니다. 특히, 잠재적으로 중요한 영향을 미치는 에이전트 시스템에 대한 책임이 있는 당사자가 지정되어야 합니다.

또한, 데이터 편향的问题이 발생할 수 있으며, 이는 상호 작용 편향으로 이어질 수 있습니다. tương lai의 LLM-MA 시스템은 더 복잡한 아키텍처를 필요로 할 것입니다. 데이터 및 기계 학습 작업과 다른 LLM의 부족함을 고려해야 합니다.

또한, 기업은 보안 문제와 책임 있는 AI(RAI) 관행을 해결해야 합니다. 더 많은 LLM과 에이전트는 모든 AI 위협에 대한 공격 표면을 증가시킵니다. 기업은 전통적인 LLM 위험, 특히 보안 및 RAI 요소를 포함하여 LLM-MA 시스템의 다양한 부분을 전문 에이전트로 분리하여 더 많은 제어를 제공해야 합니다.

LLM-MA 시스템에서 가치를 추출하기: 데이터 고려 사항

기업이 LLM-MA 시스템에서 가치를 추출하기 위해서는, LLM은 일반적인 도메인 지식만을 갖고 있는 것을 인식해야 합니다. 그러나 LLM은 기업의 도메인 지식, 즉 차별화된 데이터 자산, 기업 문서, 전문가 지식 및 공공 데이터 소스에서 검색된 정보를 사용하여 가치 창조 AI 제품이 될 수 있습니다.

기업은 데이터 중심에서 AI 중심으로 전환해야 합니다. 즉, 데이터가 보고서를 지원하는 것이 아니라, 데이터 소스가 결합하여 기업의 생태계 내에서 AI가 행동자가 되도록 해야 합니다. 따라서, 기업은 높은 품질의 데이터 자산을 구축하고 관리하는 능력을 새로움 데이터 유형으로 확장해야 합니다. 또한, 기업은 데이터 및 통찰력 소비 접근 방식을 현대화하고, 운영 모델을 변경하고, 데이터, AI 및 RAI를 통합하는 거버넌스를 도입해야 합니다.

급변하는 시대에 지속적인 채택

LLM은 독자적으로 가치를 추가하거나 투자 回収을 달성하지 않습니다. 비즈니스 결과 중심의 애플리케이션의 일부로서입니다. 도전은 과거와 달리, LLM의 기술적 능력이 어느 정도 알려져 있었던 반면, 오늘날 새로운 능력들이 주간 또는 일일로 등장하고, 새로운 비즈니스 기회를 지원합니다. 이러한 급변하는 환경에서 적응하는 능력이 성공을 위한 핵심입니다.

새로운 기회를 활용하기 위한 유연성은 기술, 프로세스 및 사람들 간의 최고 수준의 적응성을 촉진하는 마인드 셋의 전환을 필요로 합니다. 또한, 강력한 데이터 관리와 책임 있는 혁신을 구현해야 합니다. 궁극적으로, 이러한 새로운 패러다임을 수용하는 기업이 디지털 변혁의 다음 물결을 이끌 것입니다.