🧐 에이전트(Agents)란?
에이전트는 특정 목표를 달성하기 위해 환경을 관찰하고 도구를 활용해 조치를 취하는 AI 시스템.- 인간이 도구(책, 검색엔진, 계산기 등)를 활용하듯, AI 모델도 도구를 활용하여 실시간 정보를 얻고 작업을 수행할 수 있음.
기존 언어 모델(LLM)과 차이점:
- 단순히 질의응답하는 것이 아니라, 목표 지향적 행동을 수행.
- 여러 도구(API, 데이터베이스 등)와 연동하여 실행.
- 추론, 계획, 실행을 반복하며 자율적으로 작업 수행.
🔑 에이전트의 핵심 구성 요소
1. 모델 (Model)
- 언어 모델(LLM)이 에이전트의 중앙 의사결정 역할을 수행.
- 추론 기법 활용
-ReAct: "Reason + Act" (추론 + 행동)
-CoT (Chain-of-Thought): 단계별 사고 과정 사용
-ToT (Tree-of-Thoughts): 여러 사고 경로 탐색
2. 도구 (Tools)
- 에이전트가 외부 시스템과 연결하여 실시간 데이터 및 액션을 수행하도록 함.
- API 요청(GET, POST 등), 데이터 검색, 이메일 전송 등 다양한 기능 수행 가능.
3. 오케스트레이션 레이어 (Orchestration Layer)
- 정보를 받아들이고(
입력), 내부적으로 처리한 후(추론) 실행(출력)하는 역할. - 간단한 의사결정부터 복잡한 머신러닝 알고리즘 적용까지 가능.
- 지속적인 의사결정 루플를 통해 목표 달성.
🛠 에이전트가 활용하는 도구들
1. 확장(Extensions, API 직접 실행)
- 모델이 외부 API를 호출해 실시간 데이터를 얻음.
- 예: 구글 항공 API를 활용한 항공권 검색.
2. 함수(Functions, 클라이언트 측 실행)
- 모델이 API를 직접 호출하지 않고, 실행할 함수를 정의.
- 예:“가족과 스키 여행 추천” 요청 → JSON 형식으로 추천 도시 리스트 반환.
3. 데이터 저장소(Data Stores, 외부 데이터 저장소 연결)
- 미리 저장된 문서, 데이터베이스 등을 검색하여 최신 정보 제공.
- 예: RAG(Retrieval Augmented Generation) 기법을 사용하여 실시간 데이터 검색.
🚀 AI 성능을 향상시키는 방법
In-Context Learning: 실행 시점에서 필요한 도구와 예제를 제공하여 즉석 학습.RAG 기반 학습: 데이터 저장소에서 관련 정보를 검색하여 모델의 답변을 강화.Fine-Tuning 학습: 특정 작업을 수행하도록 사전 훈련된 모델을 최적화.
💡 에이전트 구현 및 응용
- LangChain을 이용한 빠른 에이전트 구축 예제 제공 (Python 코드 포함)
- Vertex AI 에이전트: 구글의 AI 플랫폼을 활용하여 Vertex AI를 활용한 대규모 프로덕션 에이전트 개발
- 사여행 예약, 스마트홈 제어, 금융 거래, 데이터 검색 등 다양한 활용 가능
📝 결론
- AI 모델을 뛰어넘는 행동하는 AI
- 에이전트는 단순한 AI 모델을 넘어, 다양한 도구를 활용하여 자율적으로 문제를 해결하는 시스템임.
- 추론 기법(Chain-of-Thought 등)과 도구(Extensions, Functions, Data Stores)를 조합하여 더 똑똑한 AI 시스템을 만들 수 있음.
- 향후 전망
- 멀티 에이전트 시스템 (Agent Chaining)
- 보다 정교한 도구 기반 학습 방식 발전
- 더 강력한 추론 능력을 갖춘 AI 시스템 등장
PEAK에 도입할 수 있는 부분
현재 PEAK는 기업의 자료를 넣으면 요약, 질문추천, 자료와 관련된 음성을 생성해주고 있다.
여기서 추가로 AI Agent의 기술을 도입하면 좋을 부분들을 정리하면 다음과 같다.
- 실시간 기업 추천: AI가 자율적으로 기업의 데이터를 실시간으로 분석하여 클라이언트와 적합한 기업을 실시간으로 정확하게 타겟팅 해주는 방법 도입.
- 업무의 자동화: 현재 직접적으로 연락을 제시하는 방법으로 진행되고 있으나 점차 주고객층이 넓어지면 서로의 니즈를 파악하여 이메일 작성, 미팅 일정 예약, 더 가서 계약체결까지 AI의 도움을 받을 수 있음.
