AI 에이전트란 무엇일까요?

인공 지능 (AI) 에이전트는 환경과 상호 작용하고, 데이터를 수집하고, 해당 데이터를 사용하여 미리 정해진 목표를 충족하는 자기 주도적 작업을 수행할 수 있는 소프트웨어 프로그램입니다. 사람이 목표를 설정하면 AI 에이전트는 목표를 달성하기 위해 필요한 최적의 조치를 독립적으로 선택합니다. 예를 들어 고객 문의를 해결하려는 컨택 센터 AI 상담원을 생각해 보십시오. 상담원은 자동으로 고객에게 여러 질문을 하고, 내부 문서의 정보를 조회하고, 해결책을 찾아 대응합니다. 고객의 대답에 따라 고객 문의 자체를 해결할 수 있는지 아니면 사람에게 전달해야 하는지 결정합니다.

여러 AI 에이전트가 협업하여 복잡한 워크플로를 자동화할 수 있으며 에이전트 AI 시스템에서도 사용할 수 있습니다. 이들은 서로 데이터를 교환하므로 전체 시스템이 함께 작동하여 공통의 목표를 달성할 수 있습니다. 개별 AI 에이전트는 특정 하위 작업을 정확하게 수행하도록 특화할 수 있습니다. 오케스트레이터 에이전트는 여러 전문 상담원의 활동을 조정하여 더 크고 복잡한 작업을 완료합니다.

인공 지능 (AI) 에 대해 자세히 알아보기

모든 소프트웨어는 소프트웨어 개발자가 지정한 다양한 일상 작업을 자율적으로 수행합니다. 그렇다면 AI 에이전트가 특별한 이유는 무엇일까요?

자율성

AI 에이전트는 인간의 지속적인 개입 없이 자율적으로 행동합니다. 기존 소프트웨어는 하드코딩된 명령을 따르는 반면, AI 에이전트는 과거 데이터를 기반으로 적절한 다음 작업을 식별하고 지속적인 사람의 감독 없이 이를 실행합니다.

예를 들어, 회계 담당자가 구매 시 누락된 인보이스 데이터를 자동으로 플래그하여 요청합니다.

목표 지향적 행동

AI 에이전트는 목표에 따라 움직입니다. 이들의 활동은 유틸리티 함수 또는 성능 지표에 정의된 대로 성공을 극대화하는 것을 목표로 합니다. 단순히 작업을 완료하는 기존 프로그램과 달리 지능형 에이전트는 목표를 추구하고 해당 목표와 관련하여 자신의 행동이 미치는 결과를 평가합니다.

예를 들어 AI 물류 시스템은 배송 경로를 최적화하여 속도, 비용, 연료 소비의 균형을 동시에 유지함으로써 여러 목표의 균형을 맞춥니다.

지각

AI 에이전트는 센서 또는 디지털 입력을 통해 데이터를 수집하여 환경과 상호 작용합니다. API를 통해 외부 시스템 및 도구로부터 데이터를 수집할 수 있습니다. 이 데이터를 통해 주변 세계를 인식하고 변화를 인식하며 그에 따라 내부 상태를 업데이트할 수 있습니다.

예를 들어, 사이버 보안 에이전트는 최신 보안 사고를 지속적으로 파악하기 위해 타사 데이터베이스에서 데이터를 수집합니다.

합리성

AI 에이전트는 추론 기능을 갖춘 합리적인 개체입니다. 이들은 환경의 데이터를 도메인 지식 및 과거 컨텍스트와 결합하여 정보에 입각한 결정을 내리고 최적의 성능과 결과를 달성합니다.

예를 들어 로봇 에이전트는 센서 데이터를 수집하고 챗봇은 고객 쿼리를 입력으로 사용합니다. AI 에이전트는 데이터를 적용하여 정보에 입각한 결정을 내립니다. AI 에이전트는 수집된 데이터를 분석하여 사전 결정된 목표를 뒷받침하는 최상의 결과를 예측합니다. 또한 AI 에이전트는 결과를 사용하여 필요한 다음 조치를 구합니다. 예를 들어 자율 주행 자동차는 여러 센서의 데이터를 기반으로 도로 위의 장애물을 피합니다.

능동성

AI 에이전트는 미래 상태의 예측 및 모델을 기반으로 주도권을 잡을 수 있습니다. 이들은 단순히 입력에 반응하는 대신 이벤트를 예측하고 그에 따라 준비합니다.

예를 들어 AI 기반 고객 서비스 상담원은 불만을 암시하는 행동을 하는 사용자에게 연락하여 지원 티켓이 접수되기 전에 도움을 제공할 수 있습니다. 자율 창고 로봇은 향후 교통량이 많은 작업을 예상하여 위치를 변경할 수 있습니다.

지속적인 학습

AI 에이전트는 과거 상호 작용을 통해 학습하여 시간이 지남에 따라 개선됩니다. 패턴, 피드백 및 결과를 식별하여 행동과 의사 결정을 개선합니다. 이는 새 입력에 관계없이 항상 같은 방식으로 동작하는 정적 프로그램과 구별됩니다.

예를 들어, 예측 유지보수 상담원은 과거 장비 고장을 통해 학습하여 향후 문제를 더 잘 예측할 수 있습니다.

적응성

AI 에이전트는 새로운 상황에 대응하여 전략을 조정합니다. 이러한 유연성 덕분에 불확실성, 새로운 상황 및 불완전한 정보를 처리할 수 있습니다.

예를 들어 주식 거래 봇은 시장 붕괴 시 전략을 조정하고 AlphaZero와 같은 게임 플레이 에이전트는 사전 인간 전략 없이도 셀프 플레이를 통해 새로운 전술을 발견합니다.

협업

AI 에이전트는 다른 에이전트 또는 인간 에이전트와 협력하여 공동의 목표를 달성할 수 있습니다. 그들은 함께 작업을 수행하기 위해 의사 소통하고, 조정하고, 협력할 수 있습니다. 그들의 협력 행동에는 종종 협상, 정보 공유, 작업 할당, 다른 사람의 행동에 적응하는 것이 포함됩니다.

예를 들어, 의료 분야의 다중 에이전트 시스템에는 전체적인 환자 치료 자동화를 위해 진단, 예방 치료, 약물 예약 등과 같은 특정 작업을 전문으로 하는 에이전트가 있을 수 있습니다.

AI 에이전트는 비즈니스 운영과 고객 경험을 개선할 수 있습니다.

생산성 향상

비즈니스 팀은 반복 작업을 AI 에이전트에게 위임할 때 생산성이 향상됩니다. 이렇게 하면 업무에 중요한 활동이나 창의적인 활동에 집중하여 조직에 더 많은 가치를 더할 수 있습니다.

간단한 축소 기능을

기업은 지능형 에이전트를 활용하여 프로세스 비효율성, 인적 오류 및 수동 프로세스로 인한 불필요한 비용을 최소화할 수 있습니다. 자율 에이전트는 변화하는 환경에 적응하는 일관된 모델을 따르기 때문에 복잡한 작업을 자신 있게 처리할 수 있습니다. 비즈니스 프로세스를 자동화하는 에이전트 기술은 상당한 비용 절감으로 이어질 수 있습니다.

정보에 입각한 의사 결정

고급 지능형 에이전트는 예측 기능을 갖추고 있으며 대량의 실시간 데이터를 수집하고 처리할 수 있습니다. 이를 통해 비즈니스 관리자는 다음 단계를 전략화할 때 정보에 입각한 예측을 신속하게 수행할 수 있습니다. 예를 들어 광고 캠페인을 실행할 때 AI 에이전트를 사용하여 다양한 시장 세그먼트의 제품 수요를 분석할 수 있습니다.

고객 경험 개선

고객은 기업과 상호 작용할 때 매력적이고 개인화된 경험을 기대합니다. AI 에이전트를 통합하면 기업은 추천 제품을 개인화하고, 즉시 대응하며, 혁신을 통해 고객 참여, 전환율 및 충성도를 높일 수 있습니다. AI 에이전트는 복잡한 고객 질문에 대한 상세한 답변을 제공하고 문제를 보다 효율적으로 해결할 수 있습니다.

AI 에이전트 아키텍처에는 다음과 같은 주요 구성 요소가 포함되어 있습니다.

파운데이션 모델

AI 에이전트의 핵심에는 GPT 또는 Claude와 같은 대규모 언어 모델 (LLM) 또는 토대가 있습니다. 이를 통해 에이전트는 자연어 입력을 해석하고, 사람과 유사한 응답을 생성하고, 복잡한 명령을 추론할 수 있습니다. LLM은 에이전트의 추론 엔진 역할을 하여 프롬프트를 처리하고 이를 다른 구성 요소 (예: 메모리 또는 도구) 에 대한 작업, 결정 또는 쿼리로 변환합니다. 기본적으로 세션 전반에 걸쳐 일부 메모리를 유지하며 외부 시스템과 결합하여 연속성과 컨텍스트 인식을 시뮬레이션할 수 있습니다.

계획 모듈

계획 모듈을 통해 상담원은 목표를 더 작고 관리 가능한 단계로 나누고 논리적으로 순서를 지정할 수 있습니다. 이 모듈에서는 기호 추론, 의사 결정 트리 또는 알고리즘 전략을 사용하여 원하는 결과를 달성하기 위한 가장 효과적인 접근 방식을 결정합니다. 이는 프롬프트 기반 작업 분해 또는 계층적 작업 네트워크 (HTN) 또는 기존 계획 알고리즘과 같은 보다 공식화된 접근 방식으로 구현될 수 있습니다. 계획을 통해 에이전트는 작업 간의 종속성과 우연성을 고려하여 더 긴 시간 동안 업무를 수행할 수 있습니다.

메모리 모듈

메모리 모듈을 통해 에이전트는 상호 작용, 세션 또는 작업 전반에 걸쳐 정보를 유지할 수 있습니다. 여기에는 채팅 기록이나 최근 센서 입력과 같은 단기 기억과 고객 데이터, 이전 조치 또는 축적된 지식을 포함한 장기 기억이 모두 포함됩니다. 기억은 상담원의 개인화, 일관성 및 상황 인식을 향상시킵니다. AI 에이전트를 구축할 때 개발자는 벡터 데이터베이스 또는 지식 그래프를 사용하여 의미상 의미 있는 콘텐츠를 저장하고 검색합니다.

도구 통합

AI 에이전트는 외부 소프트웨어, API 또는 장치에 연결하여 기능을 확장하는 경우가 많습니다. 이를 통해 데이터 검색, 이메일 전송, 코드 실행, 데이터베이스 쿼리 또는 하드웨어 제어와 같은 실제 작업을 수행하면서 자연어를 뛰어 넘는 작업을 수행할 수 있습니다. 에이전트는 작업에 도구가 필요한 시점을 식별한 다음 그에 따라 작업을 위임합니다. 도구 사용은 일반적으로 LLM이 도구 호출을 형식화하고 결과를 해석하는 계획 및 구문 분석 모듈을 통해 안내합니다.

학습 및 반성

반사는 여러 형태로 발생할 수 있습니다.

• 상담원은 자체 출력의 품질을 평가합니다 (예: 문제를 제대로 해결했나요?).
• 인간 사용자 또는 자동화 시스템이 수정을 제공합니다.
• 에이전트는 학습을 개선하기 위해 불확실하거나 유익한 예제를 선택합니다.

강화 학습 (RL) 은 주요 학습 패러다임입니다. 에이전트는 환경과 상호 작용하고 보상 또는 페널티의 형태로 피드백을 받고 최대 누적 보상을 위해 상태를 조치에 매핑하는 정책을 학습합니다. RL은 로보틱스, 게임 또는 금융 거래와 같이 명시적 학습 데이터가 부족한 환경에서 특히 유용합니다. 에이전트는 탐색 (새로운 행동 시도) 과 착취 (알려진 최선의 행동 사용) 의 균형을 유지하여 시간이 지남에 따라 전략을 개선합니다.

AI 에이전트는 복잡한 작업을 단순화하고 자동화하는 방식으로 작동합니다. 대부분의 자율 에이전트는 할당된 작업을 수행할 때 특정 워크플로를 따릅니다.

목표 결정

AI 에이전트는 사용자로부터 구체적인 명령 또는 목표를 받습니다. 이 에이전트는 이 목표를 사용하여 사용자와 관련이 있고 사용자에게 유용한 최종 결과를 만들어 내는 작업을 계획합니다. 그런 다음 상담원은 목표를 몇 가지 작고 실행 가능한 작업으로 나눕니다. 목표를 달성하기 위해 이 에이전트는 특정 순서 또는 조건에 따라 이러한 작업을 수행합니다.

정보 획득

AI 에이전트는 계획한 작업을 성공적으로 실행하기 위해 정보가 필요합니다. 예를 들어 AI 에이전트는 대화 로그를 추출하여 고객 감정을 분석해야 합니다. 따라서 AI 에이전트는 인터넷에 액세스하여 필요한 정보를 검색하고 찾아야 합니다. 일부 애플리케이션에서는 지능형 에이전트가 다른 에이전트 또는 기계 학습 모델과 상호 작용하여 정보에 액세스하거나 정보를 교환할 수 있습니다.

작업 구현

충분한 데이터가 있으면 AI 에이전트는 당면한 작업을 체계적으로 구현합니다. 에이전트는 작업을 마치면 목록에서 해당 작업을 제거하고 다음 작업을 진행합니다. 작업이 완료될 때마다 상담원은 외부 피드백을 구하고 자체 로그를 검사하여 지정된 목표를 달성했는지 평가합니다. 이 과정에서 상담원은 최종 결과를 달성하기 위해 추가 작업을 생성하고 조치를 취할 수 있습니다. 

조직은 다양한 유형과 작업에 걸쳐 AI 에이전트를 생성하고 배포합니다. 다음은 몇 가지 예입니다.

단순 반응 에이전트

단순 반응 에이전트는 사전 정의된 규칙과 즉각적인 데이터에 따라 엄격하게 작동합니다. 주어진 이벤트, 조건 및 조치 규칙을 벗어난 상황에는 반응하지 않습니다. 따라서 이러한 에이전트는 광범위한 학습이 필요 없는 간단한 작업에 적합합니다. 예를 들어 단순 반응 에이전트를 사용하여 사용자의 대화에서 특정 키워드를 감지하면 암호를 초기화할 수 있습니다.

모델 기반 반응 에이전트

모델 기반 에이전트는 고급 의사 결정 메커니즘을 가지고 있다는 점을 제외하면 단순 반사 에이전트와 유사합니다. 모델 기반 에이전트는 단순히 특정 규칙을 따르는 것이 아니라 결정을 내리기 전에 가능한 결과와 결과를 평가합니다. 모델 기반 에이전트는 지원 데이터를 사용하여 자신이 인지하는 세계의 내부 모델을 구축하고 그 모델을 사용하여 의사 결정을 뒷받침합니다.

목표 기반 에이전트

규칙 기반 에이전트라고도 하는 목표 기반 에이전트는 보다 강력한 추론 기능을 갖춘 AI 에이전트입니다. 이 에이전트는 환경 데이터를 평가할 뿐 아니라 원하는 결과를 얻을 수 있도록 다양한 접근 방식을 비교합니다. 목표 기반 에이전트는 항상 가장 효율적인 경로를 선택합니다. 자연어 처리(NLP) 및 로보틱스 애플리케이션과 같은 복잡한 작업을 수행하는 데 적합합니다.

유틸리티 기반 에이전트

유틸리티 기반 에이전트는 복잡한 추론 알고리즘을 사용하여 사용자가 원하는 결과를 극대화할 수 있도록 지원합니다. 이 에이전트는 다양한 시나리오와 각각의 효용 가치 또는 이점을 비교합니다. 그런 다음 사용자에게 가장 많은 보상을 제공하는 것을 선택합니다. 예를 들어 고객은 유틸리티 기반 에이전트를 사용하여 가격에 관계없이 최소 이동 시간으로 항공권을 검색할 수 있습니다.

학습 에이전트

학습 에이전트는 과거 경험을 통해 지속적으로 학습하여 성능을 향상시킵니다. 이 에이전트는 감각 입력 및 피드백 메커니즘을 사용하여 차츰차츰 학습 요소를 특정 표준에 맞게 조정합니다. 또한 문제 생성기를 활용하여 수집된 데이터와 과거 결과를 사용하여 자체적으로 학습하는 새로운 작업을 설계합니다.

계층형 에이전트

계층형 에이전트는 여러 계층으로 구성된 지능형 에이전트를 조직화한 그룹입니다. 상위 상담원은 복잡한 작업을 작은 작업으로 분해하여 하위 상담원에게 배정합니다. 각 에이전트는 독립적으로 실행되며 자신을 감독하는 감독 에이전트에 진행 보고서를 제출합니다. 상위 에이전트는 결과를 수집하고, 하위 에이전트가 공동으로 목표를 달성할 수 있도록 하위 에이전트를 조정합니다.

멀티 에이전트 시스템

다중 에이전트 시스템 (MAS) 은 문제를 해결하거나 공유 목표를 달성하기 위해 서로 상호 작용하는 여러 에이전트로 구성됩니다. 이러한 에이전트는 동종 (설계 측면에서 유사) 또는 이종 (구조 또는 기능이 다름) 일 수 있으며 상황에 따라 협업, 조정 또는 경쟁할 수 있습니다. MAS는 중앙 집중식 제어가 불가능한 복잡한 분산 환경에서 특히 효과적입니다.

예를 들어 자율 주행 차량의 경우 각 차량은 독립적인 에이전트 역할을 하지만 다른 차량과 협력하여 교통 혼잡을 피하고 충돌을 방지하여 교통 흐름을 원활하게 합니다.

AI 에이전트는 비즈니스 워크플로를 자동화하여 더 나은 결과를 달성하는 유용한 소프트웨어 기술입니다. 그런데 조직에서는 비즈니스 사용 사례에 적합한 자율 AI 에이전트를 배포할 때 다음과 같은 문제를 해결해야 합니다.

데이터 프라이버시 문제

고급 AI 에이전트를 개발하고 운영하려면 대량의 데이터를 획득, 저장 및 이동해야 합니다. 조직은 데이터 프라이버시 요구 사항을 인지하고 데이터 보안 태세를 개선하기 위해 필요한 조치를 취해야 합니다.

윤리적 과제

특정 상황에서 AI 모델은 편향되거나 부정확한 결과를 생성할 수 있습니다. 인적 검토와 같은 보호 조치를 적용하면 고객이 배치된 상담원으로부터 유용하고 공정한 답변을 받을 수 있습니다.

기술적 복잡성

고급 AI 에이전트를 구현하려면 기계 학습 기술에 대한 전문적인 경험과 지식이 필요합니다. 개발자는 기계 학습 라이브러리를 소프트웨어 애플리케이션과 통합하고 엔터프라이즈 관련 데이터로 에이전트를 학습시킬 수 있어야 합니다.

제한된 컴퓨팅 리소스

딥 러닝 AI 에이전트를 트레이닝하고 배포하려면 상당한 컴퓨팅 리소스가 필요합니다. 조직에서는 이러한 에이전트를 온프레미스로 구현할 때, 쉽게 확장할 수 없는 비싼 인프라에 투자하고 유지 관리해야 합니다.

Amazon Bedrock은 Claude, Lama 2, Amazon Titan과 같은 업계 최고의 제너레이티브 AI 모델과 함께 제너레이티브 AI 애플리케이션을 구축하는 데 필요한 광범위한 기능에 쉽게 액세스할 수 있는 완전 관리형 서비스입니다.

Amazon Bedrock Agent는 FM, API 및 데이터의 추론을 사용하여 사용자 요청을 분류하고 관련 정보를 수집하며 작업을 효율적으로 완료합니다. 에이전트 구축은 간단하고 빠르며, 몇 단계만 거치면 설정이 완료됩니다. 아마존 베드락은 다음을 지원합니다.

• 원활한 작업 연속성을 위한 메모리 보존
• 수퍼바이저 에이전트의 협업을 통해 여러 전문 에이전트를 구축하기 위한 다중 에이전트 협업
• 내장된 보안 및 안정성을 위한 Amazon 베드락 가드레일.

AWS는 의료 및 생명 과학 사용 사례용으로 구축된 스타터 에이전트 카탈로그가 계속 늘어나고 있는 오픈 소스 도구 키트를 도입했습니다.

AWS Transform은 .NET, 메인프레임, VMware 워크로드 변환을 위한 최초의 에이전틱 AI 서비스입니다. 19년간의 마이그레이션 경험을 기반으로 구축된 이 서비스는 전문 AI 에이전트를 배포하여 평가, 코드 분석, 리팩터링, 분해, 종속성 매핑, 검증, 변환 계획과 같은 복잡한 태스크를 자동화합니다. 이를 통해 조직은 품질과 제어를 유지하는 동시에 수백 개의 애플리케이션을 현대화할 수 있습니다.

Amazon Q Business는 정보를 찾고, 통찰력을 얻고, 직장에서 조치를 취하는 데 도움이 되도록 설계된 생성형 AI 기반 어시스턴트입니다. AI 에이전트 생성의 힘을 모든 직원에게 제공합니다. 누구나 이를 사용하여 일반적인 엔터프라이즈 소프트웨어와 상호 작용하고 반복 태스크를 자동화하는 경량의 에이전트 AI 앱을 만들 수 있습니다.

지금 무료 계정을 만들어 AWS에서 AI 에이전트를 시작하십시오.