인터뷰

Shane Eleniak, Calix 최고제품책임자 – 인터뷰 시리즈

Antoine Tardif
Unite.AI를 Google의 선호 소스에 추가
핵심 포인트칼릭스는 에이전틱 AI가 등장하기 수년 전부터 특정 페르소나를 위한 실행 가능한 인사이트를 구축했습니다.
더 보기
  • 칼릭스는 에이전틱 AI가 등장하기 수년 전부터 특정 페르소나를 위한 실행 가능한 인사이트를 구축했습니다.
  • 대부분의 기업이 AI에 실패하는 이유는 자율적 의사 결정에 필요한 신뢰 계층을 무시하기 때문입니다.
  • 조직은 사일로에 AI를 추가하는 것뿐만 아니라 지식을 연합 웨어하우스로 재구축해야 합니다.

Shane Eleniak는 Calix의 Chief Product Officer로, 회사의 산업을 선도하는 플랫폼과 SaaS 솔루션의 전략적 비전과 실행을 담당합니다. 통신 서비스 제공업체가 사업을 간소화하고 가입자에게 탁월한 경험을 제공하도록 돕는 데 중점을 두며, Shane은 구상부터 시장을 선도하는 배포에 이르는 제품 수명 주기 전체를 감독합니다.

그의 리더십 아래, Calix는 광대역 산업의 선구자로서 지속적으로 혁신적인 도구를 제공하여 제공업체가 경쟁하고 승리할 수 있도록 했습니다.

Calix는 미국 기반의 기술 회사로, 광대역 및 통신 서비스 제공업체를 위한 클라우드, 소프트웨어 및 관리 서비스 플랫폼을 제공합니다. 핵심 제품은 클라우드 인프라, 데이터 및 네트워크 시스템을 통합하여 제공업체가 운영을 간소화하고 고객 참여를 개선하며 더 개인화된 디지털 경험을 제공할 수 있도록 하는 AI를 사용하는 광대역 플랫폼입니다. 이러한 제공업체를 기본 연결 서비스에서 전체 “경험 제공업체”로 전환하여 수익을 증가시키고 가입자충성도를 높이고 더 발전되고 확장 가능한 광대역 서비스를 통해 커뮤니티의 디지털 변화를 지원하는 데 도움이 됩니다.

귀하의 경력은 30년 이상 엔지니어링, 네트워킹, 클라우드 플랫폼 및 대규모 제품 리더십을 포함합니다. 이러한 경험은 AI가 부수적인 실험에 머무르지 않고 기업 안에서 실제 업무를 수행하려면 무엇이 필요한지에 대한 관점을 어떻게 형성했나요?

전통적인 통신 및 네트워킹에서 시작하여, 데이터 경로와 규모에 따른 신뢰성이 전체 게임이었습니다. 만약 깨끗하고 신뢰할 수 있는 서비스를 제공할 수 없다면, 위에 구축된 모든 것이 중요하지 않습니다. 그 때, 전화기는 주방 벽에 있었고, 내부 배선은 절대 이동하지 않았고, 다이얼 톤이 있는 한 모든 것이 괜찮았습니다.

광대역과 인터넷이 이를 바꿨습니다.갑자기, 그것은 “켜져 있나요?”가 아니었습니다. 그것은 이더넷과 와이파이, 게임 콘솔과 태블릿을 사용하는 아이들, 클라우드 스프레드시트에서 협업하는 줌 콜, 그리고 끊임없는 이동성 – 집 안의 장치, 마당, 축구 경기, 커피숍 – 가입자 경험은 단순한 이진 상태 이상으로 복잡해졌습니다. 그리고 서비스 제공업체의 세계는 매우 동적이게 되었습니다. 이러한 세계에서, 데이터의 후방 관점 – 전통적인 데이터 웨어하우스와 한 달 뒤에 나오는 과거 보고서 -는 충분하지 않습니다.귀하는 데이터를 수집하여 경험을 이해하고 실시간으로 통찰력을 생성해야 합니다. 가입자들은 이제 몇 시간이나 며칠 뒤가 아니라, 선제적으로 문제가 해결되기를 기대합니다.

그것은 내가 AI에 대해 생각하는 방식을 형성했습니다. 대부분의 사람들은 기존 데이터 레이크 위에 비즈니스 인텔리전스나 SaaS를 올리듯이 AI도 그저 위에 얹으려 합니다. 내 경험에 따르면, 더 깊이 생각하고 실시간으로 행동할 수 있는 통찰력과 적절한 조치를 취할 수 있는 능력을 설계해야 합니다.

그러나 가입자들의 기대는 지난 25년 동안 크게 변하지 않았습니다. 그들은 여전히 안전하고 관리되는 연결이 다이얼 톤만큼 간단하게 느껴지기를 원합니다. 그들은 모든 것을 생각하지 않고 모든 것이 “작동”하도록 원합니다. 그리고 그들은 삶의 모든 곳에서 그것을 원합니다. 통신과 클라우드 분야의 경력 덕분에 저는 이 역설에 익숙해졌습니다. 매우 복잡한 시스템을 구축해 그 모든 계층과 복잡성을 사용자에게서 감추고 최종 접점에서는 단순하고 훌륭한 경험을 제공하는 것입니다. 광대역 분야이든 아니든, 어떤 기업에서나 AI가 실제 업무를 수행하는 방식도 저는 똑같이 생각합니다.

Calix에서, 귀하는 종종 운영 AI는 구매하는 것이 아니라 구축하는 것이라고 강조합니다. 조직이 기업 내 업무 흐름을 재검토하지 않은 채 AI를 추가하려 할 때 가장 흔히 저지르는 실수는 무엇입니까?

저에게는 “구축 대 구매”가 아니라 기술 스택을 전체적으로 살펴보는 것입니다. 많은 기업은 몇 가지 API로 LLM에 접근하고 래퍼를 통해 기존 스택에 연결한 뒤 토큰을 구매하면 AI 전략이 생긴다고 생각합니다. 그것은 작동하지 않습니다.

우리는 기술에 너무 매료되어 결과를 생각하지 않습니다. 우리는 이 영화를 전에 본 적이 있습니다. PC가 나타났을 때, 모두 286과 386, 메모리 양, 사용하는 DOS에 대해 논쟁했습니다. 오늘날, 아무도 랩톱이나 휴대폰의 사양을 말할 수 없으며, 기기가 필요한 일을 더 이상 수행하지 못하기 전까지는 아무도 관심을 갖지 않습니다. 중요한 것은 이것이 작업을 더 효과적으로 만드는지 여부입니다. AI도 마찬가지입니다. 기술 사양은 실제 워크플로, 실제 가치, 실제 ROI와 연결되지 않는다면 그냥 노이즈입니다.

또 다른 큰 실수는 기존에 있는 것을 변경하지 않고 AI를 부착하려고 하는 것입니다. 아키텍처, 보안 모델 및 비용에 미치는 영향을 묻지 않고, 기술을 점진적인 기능 업그레이드로 취급합니다. AI는 기본 기술이며, 점진적인 기능 업그레이드가 아닙니다. 기술을 점진적인 것으로 취급하면, 품질이 낮은 데이터, 보안 문제, 환각, 비용이 폭증하거나, 누구의 문제도 해결하지 못하는 많은 활동이 발생합니다.

마지막으로, 컨텍스트와 수직 전문 지식의 중요성을 무시할 수 없습니다. 행동은 컨텍스트에 관한 것입니다. 컨텍스트는 텔레콤, 핀테크, 헬스케어 등에 걸쳐 다릅니다. Calix에서, 우리는 한 산업에서 깊은 경험을 시작하여 그 주변에 수직 플랫폼을 구축했습니다. 우리는 이미 데이터, 통찰력, 워크플로, 컨텍스트를 이해하고 있으므로, 스택은 그 현실을 반영할 수 있었습니다. 대부분의 회사는 자신의 수직 산업을 내부적으로 잘 알고 있습니다. 기회는 지식을 수직 기술 스택으로 인코딩하는 것입니다. 일반적인 AI 모델과 얇은 수평 계층에 의존하는 대신, 그 산업에 대한 지식을 반영하도록 스택을 설계하는 것입니다. 비즈니스는 모델이 아닌 결과에 관한 것입니다. 핵심은 일반 모델과 얇은 수평 계층에 기대어 나중에 모두 이어 붙이려는 방식에서 벗어나는 것입니다. 실제 질문은 이 기술이 업무 흐름에 맞춰 그 결과를 달성하도록 어떻게 돕는가입니다.

귀하는 운영 AI를 위한 5계층 아키텍처를 제시했습니다. 데이터, 지식, 오케스트레이션, 신뢰, 행동을 포함합니다. 이러한 계층을 명시적으로 분리하는 것이 중요한 이유는 무엇이며, 기업이 가장 자주 과소평가하거나 완전히 생략하는 계층은 무엇입니까?

오랫동안 스택은 꽤 단순했습니다. 데이터, 통찰력, 대시보드, 워크플로, 사람들입니다. 데이터 웨어하우스를 구축하고, 위에 BI를 올리고, 워크플로 엔진을 만들고, 어려운 작업을 인간에게 맡겼습니다. 에이전트 세계에서는 그것이 작동하지 않습니다. 데이터, 지식, 오케스트레이션, 신뢰, 행동이 필요합니다. 각 계층은 별도의 기능을 수행합니다.

모두가 이야기하고 싶은 가시적인 부분은 행동 계층입니다. 에이전트입니다. 그것은 빙산의 일각입니다. 에이전트가 실제 시스템에 접촉할 수 있는지 여부를 결정하는 것은 물 아래에 있는 “지루한” 모든 것입니다. 데이터 파이프라인과 깨끗한 데이터, 컨텍스트를 제공하는 지식 계층, 동적 워크플로를 조정하는 오케스트레이션, 그리고 무엇이 허용되어야 하는지 결정하는 신뢰 모델입니다. 타이타닉이 침몰했을 때, 볼 수 있는 작은 부분이 그것을 침몰시키지 않았습니다. 물 아래에 있는 거대한 얼음 덩어리였습니다. 운영 AI도 마찬가지입니다. 표면 아래의 기반 시설이 성공과 실패를 결정합니다.

역사적으로, 우리는 오케스트레이션과 신뢰를 별도의 계층으로 다루지 않았습니다. 인간이 대부분의 작업을 수행했기 때문입니다. 오케스트레이션은 관리자와 티켓 큐를 의미했고, 신뢰는 사용자 이름과 비밀번호를 의미했습니다. 이제 우리는 에이전트를 신뢰해야 하며, 동적 데이터와 실시간으로 여러 에이전트를 조정해야 합니다. 그것은 완전히 다른 설계 문제입니다. 따라서 이러한 계층이 명시적으로 필요합니다.

대부분의 사람들이 과소평가하는 계층은 신뢰입니다. 많은 조직이 이미 신뢰를 다루고 있다고 생각합니다. 접근 제어를 통해 누가 어떤 시스템에 로그인할 수 있는지 관리하기 때문입니다. 그러나 에이전트 세계의 실제 신뢰는 “이 사용자가 접근할 수 있나요?”가 아닙니다. 그것은 “이 특정 행동이 이 에이전트 또는 이 사람에게 현재 시점에 적합한지”입니다. 그것은 거버넌스 질문이며, 접근 제어 질문이 아닙니다. 만약 귀하가 그 계층을 명시적으로 만들지 않으면, 데모 랜드에 갇히게 됩니다. 에이전트가 실제 운영 환경에서 업무를 수행하도록 맡기는 것을 결코 편안하게 느끼지 못할 것이기 때문입니다.

따라서, 신뢰는 명백히 귀하의 AI 전략의 핵심 부분입니다. 시스템을 설계하여 자동화된 결정이 관찰 가능하고 감사 가능하며 되돌릴 수 있으면서도 비즈니스 가치를 제공할 만큼 빠르게 움직이도록 하려면 어떻게 해야 합니까?

제로 트러스트 마음가짐에서 시작해야 합니다. 첫 번째 질문은 “이 에이전트가 기술적으로 이것을 할 수 있나요?”가 아닙니다. 첫 번째 질문은 “이 에이전트가 이 사람을 대신하여 이것을 하도록 해야 합니까?”입니다. 만약 답이 아니면, 진행하지 마십시오.

만약 답이 예라면, 가드레일로 이동합니다. 감사 가능성, 추적 가능성, 루프에 인간이 필요합니다. 우리의 모델은 모든 상호작용의 시작 부분에서 트래픽 경찰처럼 작동하는 신뢰 계층에 의존하고 있습니다. 누가, 무엇을 하고, 왜 그렇게 하는지 확인합니다. 그것은 많은 보안 문제를 제거합니다. 에이전트를 마음대로 행동하게 두고 문제가 생긴 뒤에야 알아차리기를 기대하는 방식이 아니기 때문입니다.

대안은 에이전트를 풀어놓고, 나중에 문제가 발생하면 알람을 울리는 것입니다. 이는 이러한 시스템이 작동하는 속도와 규모에 맞춰 상황을 실시간으로 보고, 이해하고, 식별하고, 중지할 수 있다고 가정합니다. 이는 매우 어려운 문제입니다. 많은 사람이 어려움을 겪는 이유는 부적절한 행동을 사전에 방지하기보다 악의적인 행위자를 실시간으로 찾으려 하기 때문입니다.

또한, 우리는 계층화된 게이트웨이를 추가했습니다. 에이전트가 올바른 사람을 대신하여 행동하더라도, 우리는 세션과 콘텐츠를 살펴봅니다. 모델을 오염시키거나, API를 남용하거나, 정책을 벗어나는 것을 시도하는지 확인합니다. 모든 것이 완전한 관찰 가능성으로 감싸져 있으므로, 무슨 일이 있었는지 감사하고 필요하면 이전 상태로 되돌릴 수 있습니다. 그것이 빠르게 이동하면서도 밤에 잘 수 있는 방법입니다.

많은 회사들이 AI 통찰력을 생성하는 데 성공하지만, 그것을 행동으로 번역하는 데 어려움을 겪습니다. Calix에서 AI를 마케팅, 운영, 고객 지원의 일상적인 워크플로에 직접 밀어넣을 수 있도록 설계한 결정은 무엇입니까?

AI가 나타나기 훨씬 전에, 우리는 이미 하나의 질문에 집착했습니다. 어떤 통찰력이 실제로 작업을 하는 사람에게 행동할 수 있는지? 2018년부터, 우리는 서비스 제공업체와 함께 다양한 페르소나가 어떻게 작업하는지 이해하기 위해 일했습니다. 마케터는 화요일 아침에 무엇을 하는지, 운영 팀은 알람이 발생했을 때 무엇을 하는지, 지원 팀은 가입자가 불평을 전화했을 때 무엇을 하는지 확인했습니다. 그것은 실제로 어떤 통찰력이 누구에게 중요한지, 어떤 컨텍스트에서, 그리고 “좋은 행동”이 무엇인지에 대해 매우 명확하게 만들었습니다.

에이전트 AI가 나타났을 때, 우리는 처음부터 시작하지 않았습니다. 이미 실시간 시스템이 특정 페르소나와 워크플로에 연결된 행동할 수 있는 통찰력을 생성하고 있었습니다. 설계 질문은, 다른 도구 세트와 기술 스택을 사용하여, 모든 것을 처음부터 새로 고안하려 하기보다 같은 워크플로를 에이전트 AI 환경에 맞게 어떻게 재설계할 것인가였습니다.

페르소나에 대한 깊은 지식을 에이전트 AI와 결합하면, 동적 워크플로를 동적 데이터 위에 구축할 수 있습니다. 에이전트는 발생한 상황에 따라 어떤 단계와 어떤 업무 역할이 참여해야 하는지 실시간으로 판단할 수 있습니다. 마이크로서비스에 수백 개의 경직된 흐름을 하드 코딩할 필요가 없습니다. 대부분의 기업이 현재 어려워하는 것은 맥락을 바탕으로 실시간 결정을 내리고 그에 맞는 워크플로를 설계하는 일입니다. 우리에게는 이미 그 부분이 있었습니다. 우리는 이미 실시간, 페르소나 기반, 행동할 수 있는 통찰력을 여러 해 동안 제공하고 있었습니다. 에이전트 AI는 그 기반 위에 더하는 새로운 도구 세트일 뿐입니다.

귀하의 플랫폼 비전에는 에이전트 간(A2A) 상호운용성과 연합 AI 시스템이 포함됩니다. 이러한 접근 방식은 전통적인 점 통합과 비교하여 기업 도구가 협력하는 방식을 어떻게 변경합니까?

과거 20년 동안, 기본 패턴은 “SaaS 도구를 사고, 데이터 레이크 주변에 연결하는 것”이었습니다. 새로운 시스템은 새로운 점 통합, 새로운 데이터 파이프라인, 또 다른 진실을 조정하는 또 다른 장소가 되었습니다. 에이전트 세계에서는 그것이 확장되지 않습니다. 데이터가 속한 곳에 데이터를 유지하고 에이전트가 잘 정의된 인터페이스를 통해 서로에게 말할 수 있도록 하는 것이 필요합니다.

그것이 우리가 두 계층에서 시스템을 터치하는 이유입니다. 지식 계층에서 MCP, 오케스트레이션 및 신뢰 계층에서는 A2A입니다. MCP는 에이전트가 사용자 정의 통합 없이 도구와 데이터를 발견하고 사용하는 방법입니다. A2A는 에이전트가 명확한 가드레일 아래에서 서로와 함께 작업을 조정하는 방법입니다.

한 번에 그것을 가지면, 협력은 취약한 커넥터의축적이 아닌, 실제 작업을 중심으로 동적으로 팀을 구성할 수 있는 전문가 네트워크처럼 보입니다. 여기에서 아이젠하워 매트릭스 아날로그가 들어옵니다. 모든 일이 동등하게 긴급하고 동등하게 중요하지는 않습니다. 일부 작업은진정으로 시간이 중요하며, 일부는 중요하지만 예약할 수 있으며, 일부는 그냥 해야 하는 것이며, 일부는 잡음입니다. 에이전트 간 조정과 신뢰 및 오케스트레이션 계층을 통해, 이러한 범주를 크기에서 다르게 처리할 수 있습니다. 에이전트는 긴급하고 중요한 문제에 힘을 모으고, 중요하지만 긴급하지 않은 일은 대기열에 넣거나 일정을 잡으며, 가치가 낮은 잡무가 다른 업무를 밀어내지 않도록 할 수 있습니다.

그것은 “하나 더 연결기를 추가하고 대기열이 비워지기를 기대하자”하는 세계와 매우 다릅니다. 동적 이벤트와 데이터를 중심으로 신뢰할 수 있고, 조심스럽게 오케스트레이션된 동적 워크플로를 보는 것입니다. 하나의 우선순위를 가진 커넥터의 혼잡한 상황이 아닙니다.

에이전트가 자율적으로 행동할 수 있을 때, 거버넌스는 곧 도전이 됩니다. AI 시스템이 규모에서 결정 또는 실행을 내릴 때, 속도, 책임성, 인간의 감독을 어떻게 균형을 잡습니까?

제가 보는 실수는 기존 시스템에 에이전트 AI를 붙인 뒤에 속도, 책임성, 인간의 감독을 어떻게든 균형 맞출 수 있다고 생각하는 것입니다. 그렇게 할 수는 없습니다. 먼저 이것이 산업별 기술 스택의 문제임을 인정해야 합니다. 신뢰 계층과 오케스트레이션 계층을 의도적으로 구축해야 합니다. 그렇지 않으면, 통제되지 않는 혼란이 됩니다. 먼저 도착한 업무나 가장 크게 소리치는 쪽이 우선권을 얻습니다.

다시 한번, 그것은 아이젠하워 매트릭스입니다. 모든 작업이 동일하게 생성되지 않습니다. 신뢰와 오케스트레이션은 에이전트 세계에서 그것을 구현하는 방법입니다. 에이전트가 모든 작업을 화재 드릴처럼 취급하지 않도록 하려면,진정으로 시간이 중요한지, 예약할 수 있는지, 또는 조용히 처리해야 하는지 결정해야 합니다.

그리고 넓게 펼치기보다 좁게 집중하라는 원칙입니다. 대부분의 회사들은 더 큰 영향을 위해 AI를 광범위게 유지하려고 합니다. 그러나 실제로 좁은 수직 슬라이스를 선택하는 것이 더 좋습니다. 하나의 구체적인 사용 사례와 하나의 워크플로 묶음을 선택하고, 거기에 필요한 신뢰와 오케스트레이션을 구축합니다. 산업별 적용 범위를 좁히고, 제대로 작동하게 만들고, 경계 상황에서는 인간의 참여를 유지한 뒤 확장하는 것입니다. 그렇게 하면 빠르게 움직이면서 책임성을 유지하고 나중에 풀 수 없는 혼란을 피할 수 있습니다.

대규모 글로벌 제품 및 엔지니어링 팀을 이끈 경험에서, AI가 서로 단절된 시범 사업의 집합이 아니라 지속적인 기업 역량이 되려면 어떤 조직적·문화적 변화가 필요합니까?

대부분의 기업은 “AI 문제”가 아니라, 지식과 워크플로 문제를 가지고 있습니다. 첫 번째 변화는 점 솔루션을 중지하고, 데이터 웨어하우스에서 연합형 지식 웨어하우스로 이동하는 것입니다. 모든 사람이 볼 수 있고 행동할 수 있는 곳에서 지식이 살아야 합니다.지식이 사일로에 갇혀 있고 AI가 각 사일로 위의 장식에 불과하다면 시범 사업은 얻어도 혁신은 얻지 못합니다.

그 다음으로, 더 어려운 문제를 특정 순서로 해결해야 합니다. 첫 번째 단계는 과장과 현실을 구분하고 피드에서 가장 시끄러운 것이 아니라 실제로 작동하는 것을 도입하는 것입니다. 두 번째 단계는 지식 계층을 재설계해 데이터를 시스템에 묻힌 또 하나의 보고서가 아니라 공유된 연합형 맥락으로 바꾸는 것입니다. 세 번째 단계는 그 지식과 실제 신뢰 계층을 중심으로 워크플로를 재검토하는 것입니다. 오늘날 대부분의 업무는 사람, 기술, 지역별 지식 사일로를 중심으로 조직되어 있습니다. 만약 귀하가 그것을 변경하지 않으면, 에이전트는 기존의 병목 현상 주변에서 또 다른 도구로만 작동할 것입니다.

그런 다음에야 문화적 변화에 도달하며, 이것이 가장 어려운 경우가 많습니다. 사람들은 일자리, 도구, 정체성을 잃을까 걱정하는 데 주로 머무르지 않고 새로운 역량으로 일할 수 있다는 데 진정으로 기대감을 갖는 문화가 필요합니다. 이는 기술 문제가 아니라 변화 관리 문제입니다. 실제 분산 리더십과 비슷합니다. 최전선의 사람들이 워크플로를 이해하고, 방해 요인을 안전하게 지적하며, 에이전트를 활용해 이를 해결하는 데 의욕을 갖는 것입니다.

광대역과 텔레콤을 넘어서, 어떤 산업이 다음으로 운영, 에이전트 주도 AI를 채택하기 위해 가장 잘 준비되어 있는지 믿으십니까? 그리고 어떤 조건이 그것을 준비하게 합니까?

저는 산업을 레이블로 선택하는 것에 대해 생각하지 않습니다. 패턴에 대해 생각합니다. 거의 모든 수직에는 동일한 기본적인 도전이 있습니다. 데이터 사일로와 기능 사일로을 구축했지, 고객, 직원, 제품의 3가지 수명 주기에 걸쳐 하나의 보기를 구축하지 않았습니다. 준비된 기업은 이 사실을 직시하고 실제 지식 계층이 없다는 것을 인정하며 이를 고치려는 기업입니다.

그다음 조건은 의료, 핀테크, 소매, 핵심 인프라 중 어느 분야든 비슷합니다. 사람들이 역량의 한계에 다다른 복잡한 워크플로, 구체적으로 지목할 수 있는 실제 방해 요인, 에이전트에게 맥락을 제공할 충분한 고품질 데이터가 필요합니다. 현재 워크플로를 매핑하고, 작업이 느려지거나 쌓이는 곳을 볼 수 있고, 핸드오버가 지연을 생성하는 곳을 식별할 수 있다면, 그 기반을 연합형 지식 웨어하우스로 뒷받침하면, 에이전트 AI는 놀라운 도구 세트가 됩니다.

그것은 리더십에 달려 있습니다. 회사의 리더들이 마케팅 도구와 얇은 수평 대시보드를 넘어서, 수직 기술 스택에 투자할 준비가 되어 있는지, 데이터를 지식으로, 지식을 연방화하고, 오케스트레이션과 신뢰 프레임워크를 구축하고, 실제 ROI가 어디에 있는지 솔직한 대화를 하는지입니다. 어떤 회사든지, 어떤 산업이든지, 그 작업을 수행하는 회사는 운영 AI를 위해 잘 준비되어 있습니다. 그렇지 않은 회사들은 도구의 더 큰 소음의 스택에 또 하나의 도구를 추가할 것입니다.

기업 AI가 다중 에이전트 및 다중 클라우드 환경으로 발전함에 따라, 5년 후에 좋은 AI 아키텍처는 무엇입니까? 그리고 리더들은 시스템을 나중에 재구성하지 않도록 하기 위해 오늘날 무엇에 커밋해야 합니까?

5년 후, AI의 흥미로운 부분은 개별 에이전트나 모델이 아닙니다. 에이전트가 가능하게 하는 에이전트 워크플로와 비즈니스 가치가 될 것입니다. 에이전트 자체는 나타났다가 사라집니다. 에이전트 아래의 계층 – 데이터, 지식, 오케스트레이션, 신뢰, 행동 – 계속 진화할 것입니다. 그러나 그 필요는 사라지지 않습니다.

그것이 제가 아키텍처에 더 집중하는 이유입니다. 우리는 데이터 웨어하우스에서 연합형 지식 웨어하우스로, 취약한 점 통합에서 개방형 계층화된 스택으로 이동하고 있습니다. 그 세계에서, 에이전트는 다른 클라우드에서 실행되고, 다른 지식 소스를 터치하고, 잘 정의된 인터페이스를 통해 서로 조정합니다. 지식 계층에서는 MCP를, 오케스트레이션과 신뢰 계층에서는 에이전트 간 프로토콜을 활용합니다. 기술이 개선됨에 따라, 해당 계층의 구성 요소를 더 나은 것으로 교체할 수 있기를 원합니다. 전체를 다시 구축하지 않고.

따라서 리더들에게 원칙은 간단합니다. 모놀리틱하게 구축하지 마십시오. 계층을 설계하여 데이터, 지식, 오케스트레이션, 신뢰, 행동이 각각 독립적으로 진화할 수 있도록 합니다. 기능이 아니라 흐름을 중심으로 설계하여, 중요한 워크플로와 “좋은”이 무엇인지 고객, 직원, 제품 수명 주기에 대해 명확하게 합니다. 그리고 에이전트 수준에서 거버넌스를 설계합니다. 기본적으로 제로 트러스트를 가정하고, 명확한 “에이전트 카드”를 정의하고, 오케스트레이션을 사용하여 무엇이 긴급하고, 무엇이 중요한지, 무엇이 그냥 해야 하는지 결정합니다. 그렇게 하면, 기술이 변경되더라도(언제나 그렇듯), 재구성을 걱정하지 않고 할 수 있습니다.

훌륭한 인터뷰에 감사드립니다. 더 자세히 알고 싶은 독자는 Calix를 방문하십시오.

앙투안은 Unite.AI의 비전 있는 리더이자 창립 파트너로, AI와 로봇공학의 미래를 만들어 가고 발전시키는 데 변함없는 열정을 쏟고 있습니다. 여러 기업을 창업한 그는 AI가 전기만큼 사회를 크게 변화시킬 것이라고 믿으며, 혁신적인 기술과 범용 인공지능(AGI)의 잠재력에 관해 자주 열정적으로 이야기합니다.

미래학자로서 이러한 혁신이 세상을 어떻게 바꿀지 탐구하는 데 전념하고 있습니다. 또한 미래를 새롭게 정의하고 산업 전반을 변화시키는 첨단 기술에 대한 투자에 초점을 맞춘 플랫폼인 Securities.io의 설립자입니다.