Context-Aware Multi-Agent Systems (CA-MAS)
Introduction
Multi-Agent System(MAS)에서 Agent가 생성하는 결과물의 구성 요소
- 기존 지식 (LLM이라면 기존에 학습된 정보 등)
- 관찰된 환경 (프롬프트에 입력된 정보 등)
- 다른 Agent의 결과물
(더 나은 결과물을 위해서 MAS에서 효과적인 의사소통, 조정 또는 경쟁 등이 필요함.)
Context-Aware Systems (CAS)에 대한 연구
- Fundamental Overviews (기본적인 개요): CAS의 기본적인 작동 원리, 컨텍스트 모델링 방법, 그리고 시스템 설계 원칙에 중점을 둡니다.
- Domain-Specific Applications (도메인별 응용): CAS가 실제로 적용되는 구체적인 분야들을 다루며, 추천 시스템, 사물인터넷, 클라우드 및 안개 컴퓨팅, 헬스케어 시스템 등에서 CAS의 실질적인 활용 방법을 설명합니다.
Multi-Agent Systems
Autonomous agent의 지능적 특성
1. Perception : Agent가 정보를 감지하고 현재 상태를 추정
2. Memory : 과거(historical)와 미래 상태를 저장
3. World Model : 지식을 활용하여 누락된 정보를 예측하고 미래 상태를 추정
4. Configurator : 정보를 목표 지향적인 형식으로 변환
5. Actor : 행동 계획을 제시하고 최적의 행동 순서를 식별
6. Cost : 목표를 달성하기 위한 행동을 평가
Multi Agent 모델 유형
| 패러다임 | 주요 특성 | 장점 | 단점 |
|---|---|---|---|
| 계층(Hierarchy) | 분해(decomposition); 다양한 일반적인 도메인에 매핑 가능; 규모 처리에 적합 | 많은 일반적 도메인에 적합; 규모 처리에 강함 | 취약점 존재 가능; 병목현상 또는 지연 발생 가능 |
| 홀라르키(Holarchy) | 자율성을 가진 분해 | 자율적 기능 단위 활용 가능 | 홀론(holon)을 조직해야 함; 예측 가능한 성능 부족 |
| 연합(Coalition) | 동적이고 목표 지향적 | 숫자상의 강점 활용 가능 | 단기적 이익이 조직 비용을 초과하지 않을 수 있음 |
| 팀(Team) | 그룹 단위의 결속력 | 더 큰 문제를 다룸; 작업 중심적 | 커뮤니케이션 증가 필요 |
| 공동체(Congregation) | 장기적이며 유용성 중심적 | 에이전트 발견을 용이하게 함 | 제한 사항이 과도할 수 있음 |
| 사회(Society) | 열린 시스템 | 공공 서비스 제공; 명확한 규칙 존재 | 복잡할 수 있음; 에이전트가 추가적인 사회 관련 기능 필요 |
| 연방(Federation) | 중개, 번역 서비스 제공; 동적 에이전트 풀 조정 | 중개 서비스; 동적 에이전트 활용 가능 | 중개자가 병목현상으로 작용 가능 |
| 시장(Market) | 가격 경쟁을 통한 자원 할당 | 자원 배분에 우수; 공정성 증가 | 담합 가능성; 악의적 행동 가능; 복잡한 의사결정 필요 |
| 매트릭스(Matrix) | 다수의 관리자가 다수의 팀원을 관리 | 자원 공유; 다중으로 영향받는 에이전트 활용 | 충돌 가능성; 에이전트 복잡성 증가 필요 |
| 복합(Compound) | 동시 조직 | 여러 조직 스타일의 장점 활용 | 여러 조직 스타일의 단점 발생 가능 |
Context-Aware Systems
• Stand-alone CAS: 에이전트가 정보를 독립적으로 감지하고 저장 (단일 출처)
• Centralized CAS: 다양한 출처로부터 수집된 정보를 저장 (중앙 집중식 서버)
• Decentralized CAS: 여러 개의 독립형 CAS가 연결된 구성 (중앙 서버 의존 x)
The General Process of CA-MAS
- Sense (감지)
에이전트는 센서를 통해 문맥 정보를 수집, 패턴을 탐지하고, 환경 변화에 적응합니다.
- 데이터를 독립적으로, 중앙 데이터베이스를 통해, 또는 에이전트 간의 상호작용으로 수집.
- 문맥 간 관계를 그래프로 표현하여 상황을 추론.
- 동적 환경에서 문맥 변화 관리를 위해 Network Abstractions 모델 사용.
- Learn (학습)
수집된 문맥 정보를 특정 작업에 맞게 모델링하고 학습합니다.
- 문맥 모델링 기술: Key-value, 객체 지향, 온톨로지 기반.
- 가중치 기반 메커니즘: 통계적 접근, 그래프 기반 접근.
- 딥러닝 활용: RNN, LSTM, GCN-VAE 등으로 고차원 데이터 문제 해결 및 문맥 표현 최적화.
- Reason (추론)
문맥 데이터를 분석하여 계획을 세우고 목표를 달성합니다.
- 추론 방식: 규칙 기반, 사례 기반, 퍼지 논리, 그래프 기반, 목표 지향적 추론.
- 목표 지향 추론: 비용 기반 모델, BDI 모델, 강화 학습(RL)을 통해 목표 달성 최적화.
- Predict (예측)
미래의 시나리오를 예측하여 불확실성에 대비합니다.
- 예측 모델: 가중치, 확률, 보상 기반.
- 오차 최소화: 거리 기반(값 또는 분포 간 거리), 보상 기반(부정적 보상 최소화) 비용 함수 적용.
- Act (행동)
계획한 행동을 실행하고 보상을 받아 다음 활동을 최적화합니다.
- 사전 정의된 규칙이나 정책(결정론적/확률적) 기반으로 행동을 선택하여 목표 달성.
