로봇들이 온다! 그리고 그들은 인간의 감독 없이 여행을 계획했다.

Agentic AI는 최신입니다 AI의 진화그리고 그것은 전통적인 AI와 생성적 AI라는 사촌뻘 되는 AI의 역량을 훨씬 뛰어넘습니다.

그렇다면 에이전트 AI란 무엇이고, 왜 그렇게 과대평가되고 있을까요? 에이전트 AI에 대한 간단한 설명, 예시, 그리고 에이전트 AI가 직면하는 몇 가지 과제를 살펴보세요.

에이전트 AI에 대한 간단한 설명

에이전트 AI는 능동적이고 자율적인 인공지능입니다. 인간의 감독 없이도 목표를 달성할 때까지 지속적으로 학습하고, 추론하고, 계획하고, 행동합니다.

에이전트 AI는 다음과 같은 이유로 기존 AI보다 더 유연하고 적응력이 뛰어납니다.

• 인간과 독립적으로 작동
• 환경(사업 및 물리적 환경)을 이해합니다.
• 맥락과 뉘앙스를 이해하세요
• 큰 목표를 작은 작업으로 나누세요
• 목표 지향적 행동에 집중하세요

에이전트 AI는 새로운 개념일 수 있지만 이미 영향을 미치고 있습니다.

• 2029년까지 에이전트 AI는 인간의 개입 없이 일반적인 고객 서비스 문제의 80%를 해결할 것으로 예상됩니다. 가트너이를 통해 운영 비용이 30% 절감될 것으로 예상됩니다.
• 다른 가트너 예측에 따르면 33년까지 기업 소프트웨어의 2028%가 에이전트 AI를 통합할 것으로 보입니다. 이는 1년 2024% 미만에서 크게 증가한 수치입니다.

에이전트 AI는 기존 AI와 어떻게 다른가요?

시간과 장소가 있습니다 기존의 AI하지만 유연성이 제한적이어서 간단한 작업 이상의 기능을 수행하기 어렵습니다. 게다가 반응형이라는 단점도 있습니다. 사람이 직접 프롬프트를 만들고 시스템에 무엇을 해야 할지 알려줘야 하기 때문입니다.

에이전트 AI 더욱 발전된 인공지능은 정교한 추론 및 계획 능력을 갖추고 있습니다. 인간의 지시 없이도 작업을 시작하고 기존 AI보다 더 크고 복잡한 목표를 향해 나아갈 수 있습니다.

다음 예는 다음과 같습니다

고객 서비스 챗봇처럼 전통적인 업무용 AI 비서를 생각해 보세요. 챗봇은 반응적이고 규칙 기반이므로, 정해진 지침과 메시지를 사람이 직접 만들어야 합니다. 챗봇을 사용하여 주문 상태나 청구 금액을 확인할 수 있습니다.

한 걸음 더 나아가, 에이전트 AI 시스템의 챗봇은 모든 디지털 채널에서 고객 문의, 불만, 결제 및 반품을 처리할 수 있습니다. 에이전트 AI를 통해 챗봇은 특정 문제를 신속하게 해결하고 다른 문제는 담당자에게 전달할 수 있습니다.

에이전트형 AI는 생성형 AI와 어떻게 다른가요?

가장 큰 차이점 생성 AI와 에이전트 AI 하나는 새로운 콘텐츠를 생성하는 것(생성적)이고 다른 하나는 특정 목표를 달성하기 위해 행동하는 것(행위적)입니다.

생성형 AI

생성형 AI 생성 AI는 에이전트 AI보다 반응적이고 인간에 더 의존적입니다. 생성 AI 시스템이 어떤 작업을 수행하려면 먼저 인간이 이미지 생성이나 제품 설명 작성과 같은 지시를 내려야 합니다.

텍스트, 코드, 이미지, 비디오, 오디오를 생성할 수 있습니다. 하지만 생성 AI는 입력받은 프롬프트, 인간이 정의한 명령, 그리고 AI가 구축된 훈련 데이터에 의해 제약을 받습니다. 따라서 생성 AI는 전달받은 내용이나 이해한 내용을 기반으로만 응답을 생성할 수 있습니다.

에이전트 AI

에이전트 AI는 능동적입니다. 인간의 개입 없이도 목표를 향해 작업을 시작할 수 있습니다.

예를 들어, 자율주행차는 도로 위의 장애물을 피하기 위해 사람이 필요하지 않습니다. 센서와 고급 알고리즘이 탑재되어 상황을 파악하여 시스템이 조치를 취하고 적응할 수 있도록 합니다.

에이전트 AI의 3가지 이점

1. 비용 및 자원 절감

초기 투자 비용이 많이 들긴 하지만, 에이전트 AI는 여러 면에서 장기적으로 비용 절감 효과를 가져옵니다.

• 노동비 절감: 에이전트 AI는 일반적으로 많은 인력이 필요한 작업을 자동화합니다.
• 연중무휴 운영: 인간 보모가 필요 없습니다. 에이전트 AI가 백그라운드에서 자율적으로 실행됩니다.
• 더 정확한 결과를 생성합니다: 에이전트 AI는 종종 인간의 실수가 발생할 수 있는 반복적인 작업을 처리하고, 경험을 통해 지속적으로 학습하여 정확성을 높입니다.

산업별 이점도 있습니다. 예를 들어, 에이전트 AI는 제조업체가 재고 수준을 최적화하고 수요 변동을 예측하여 비용을 절감하고 낭비를 최소화하는 데 도움을 줍니다.

2. 더 빠르고 더 나은 의사결정

에이전트 AI 시스템은 정교한 알고리즘을 사용하여 데이터를 분석하고, 예측하고, 변화에 적응합니다. 주변 환경의 맥락과 미묘한 차이를 이해하고, 새로운 데이터와 작업을 통해 끊임없이 학습합니다.

실시간 데이터가 결과를 알려주므로 의사 결정이 더 쉬워집니다. 에이전트 AI가 더 많이 작동할수록 더 빠르고 정확해지며, 더 나은 의사 결정을 내리는 데 도움이 됩니다.

3. 성장의 어려움 없이 확장 가능

사업이 성장하면 고객도 늘어나고 수익도 늘어납니다. 하지만 저장, 관리, 분석해야 할 데이터의 양처럼 다른 모든 것도 함께 늘어납니다.

에이전트 AI를 사용하면 일반적인 성장통에 대해 걱정할 필요가 없으므로 확장이 훨씬 수월합니다. 인력을 늘리지 않고도 증가된 작업량을 처리하거나 새로운 작업에 집중할 수 있도록 무한한 AI 에이전트를 생성할 수 있습니다. 또한 에이전트 AI는 지루하고 반복적인 여러 작업을 자동화하므로 의사 결정 속도가 빨라지고 운영 효율성이 향상됩니다.

에이전트 AI 대 AI 에이전트

에이전트 AI와 AI 에이전트의 차이점은 무엇인가요? 이 두 용어는 종종 혼용되지만, 다른 개념.

• An AI 에이전트 이메일 받은 편지함에서 스팸을 필터링하는 등 특정 작업을 수행하도록 만들어진 개별 애플리케이션입니다.
• 에이전트 AI 더 넓은 개념입니다. AI 에이전트가 인간과 독립적으로 작동할 수 있도록 자율적인 AI 모델을 개발하는 데 중점을 둔 AI 범주입니다.

생각 AI 에이전트 GPS 내비게이션 시스템처럼 말이죠. 사람이 GPS 기기에 가고 싶은 곳을 말하면 GPS가 운전 경로를 안내해 줍니다.

반면에, 미국에서 체류를 연장하고자 이전의 승인을 갱신하려던 에이전트 AI 자율주행차에 비유할 수 있습니다. 에이전트 AI 시스템은 다른 차량이나 건물처럼 주변 환경을 인식하고 교통 체증이나 사고와 같은 예상치 못한 상황에 어떻게 대처할지 결정합니다.

에이전트형 AI 시스템 내에서는 여러 에이전트가 협력하여 복잡한 문제를 해결합니다. GPS를 담당하는 AI 에이전트는 자율주행차용 에이전트형 AI 네트워크의 여러 에이전트 중 하나일 뿐입니다.

다중 에이전트 시스템(MAS)이란 무엇입니까?

다중 에이전트 시스템은 에이전트 기반 AI의 구성 요소입니다. 시스템의 각 에이전트는 자율적으로 작동하며, 목표 달성을 위해 협업, 소통, 그리고 행동을 조정합니다.

An 애자일 스크럼 팀 구조 다중 에이전트 시스템의 실제 사례입니다. 프로젝트 관리 방법론에는 제품 소유자, 개발자, 사업 담당자 및 기타 전문가를 포함한 여러 역할이 포함됩니다.

각 팀원은 전문 분야를 가지고 있으며, 애플리케이션 구축 및 출시와 같은 공동의 목표를 향해 함께 노력합니다.

에이전트 AI는 어떻게 작동하나요?

에이전트 AI가 자율적으로 작동하려면 다음이 필요합니다.

• 주변 환경을 이해하고 상호 작용합니다.
• 다양한 출처의 정보 처리
• 결정하기
• 목표를 달성하기 위해 적절한 작업을 계획합니다.

이를 실현하는 데에는 에이전트 AI의 5가지 구성 요소가 필요합니다.

1. 지각

에이전트 AI의 첫 번째 구성 요소는 비즈니스 또는 물리적 환경을 인식하고 데이터베이스, 도구, 센서(마이크, 카메라 등)에서 정보를 처리합니다.

예를 들어, 뉴욕에서 런던, 파리까지 여러 곳을 경유하는 출장을 계획하고 있는데 비가 올지 알고 싶다고 가정해 보겠습니다.

에이전트 AI는 더욱 발전되어 미묘한 차이를 이해하므로 "여행할 때 우산을 챙겨야 할까요?"와 같이 모호한 질문을 AI 에이전트에게 물어볼 수 있습니다.

상담원은 맥락을 이해하고 그에 대한 답변을 제공하기 위해 필요한 도구를 식별합니다.

2. 추론

행위적 추론(또는 인지)은 인간의 문제 해결 과정과 유사하게 작동합니다. 정보 처리, 선택지 분석, 그리고 자율적인 의사 결정이 포함됩니다.

추론은 지각과 기억을 바탕으로 다음과 같은 작용을 합니다.

• 인식 구성요소에서 수집된 프로세스 정보
• 지식을 자율적으로 실행으로 전환
• 데이터 분석 및 옵션 평가

출장의 경우, 추론 구성 요소는 문제를 작은 작업으로 나눕니다. 여기에는 출장 정보, 업무 일정, 날씨 예보 확인 등이 포함됩니다.

그런 다음 작업 구성 요소가 실행하는 계획을 개발합니다.

3. 행동

계획이 수립되면 작업 구성 요소를 시작할 수 있습니다.

• 계획과 목표를 행동으로 전환
• API를 통해 외부 시스템 및 데이터와 통합
• 워크플로 생성 및 실행
• 목표를 달성하기 위해 사용 가능한 도구 중 어떤 도구를 사용해야 할지 결정합니다.

액션 구성 요소는 각 도시의 날씨 예보와 여행 세부 정보와 업무 일정을 비교해야 합니다.

업무 캘린더에 접근하여 부재중 설정 시간을 확인하고, 영국항공 계정에 로그인하여 항공편 예약 시간을 확인할 수 있습니다. 그런 다음 weather.com의 정보와 비교합니다.

그러면 AI는 런던에 머무는 동안 90% 확률로 비가 올 것이므로 여행용 우산을 챙기라고 알려줄 것입니다.

4. 기억

에이전트형 AI 시스템은 성능과 의사 결정을 개선하기 위해 지식과 경험을 학습하고 메모리에 저장합니다.

Agentic AI의 메모리는 웹사이트에 대한 로그인 자격 증명을 기억하는 것부터 과거 경험을 회상하는 것까지 모든 것을 포괄합니다.

지난번 런던 여행 때 비가 올까 봐 걱정하셨다면, Agentic AI의 메모리가 다음 런던 여행 계획 시 이 정보를 적용하여 우산을 가져가야 할지 말지 미리 알려드릴 수 있습니다.

5. 학습

학습 구성 요소는 초기 AI와 에이전트 AI를 구분하는 요소입니다.

피드백 루프를 통해 데이터 플라이휠에이전트 AI는 새로운 데이터와 경험을 통해 지속적으로 학습합니다. 최신 지식으로 메모리가 업데이트되어 AI 에이전트가 변화하는 상황과 피드백에 더욱 효과적으로 적응하고 진화할 수 있도록 합니다. 시스템이 더 정확한 결과를 생성함에 따라 시간이 지남에 따라 성능은 향상됩니다.

에이전트 AI의 예

항공우주부터 의료, 소매까지, 에이전트 AI는 전 세계 거의 모든 산업에서 활용되고 있습니다. 이 기술이 어떤 역할을 할 수 있는지 보여주는 몇 가지 에이전트 AI 활용 사례를 소개합니다.

물류 및 공급망

목표: 경로 최적화
바쁜 공급망과 공급업체에게 수동 배송 경로 설정은 시간, 비용, 그리고 비효율을 초래합니다. 만약 교통 체증이 장기화되거나, 갑자기 폭우가 내려 운전이 위험해진다면 어떻게 될까요?

Agentic AI는 다음을 통해 모든 "만약의 상황"을 처리합니다.

• 실시간으로 배송 경로를 계획하고 업데이트합니다.
• 교통량, 날씨, 배달 시간대를 모니터링하세요
• 수요의 중단이나 변화에 적응

공급망은 에이전트 AI를 사용하여 연료 및 노동 비용을 줄이고 정시 배송을 개선하여 기업과 고객 모두를 만족시킵니다.

제조업

목표: 자율 로봇 및 공장 자동화
기존 자동화는 유연성과는 거리가 멉니다. 신제품 출시나 공정 변경 시에는 항상 수동 개입이 필요합니다.

에이전트형 AI의 안내를 받는 작업 현장의 지능형 로봇은 변화하는 생산 수요에 적응하고, 조립 라인을 조정하고, 병목 현상을 관리할 수 있습니다.

AI 에이전트는 인간의 감독 없이 작업을 재할당하고 워크플로를 업데이트하여 운영을 최적화하기 위해 로봇을 사전 예방적이고 동적으로 재프로그래밍합니다.

제조 분야의 에이전트 AI는 계획부터 생산까지 제품 수명 주기 전반에 걸쳐 작동합니다. 처리량을 늘리고, 신속한 확장을 지원하며, 제조업체의 민첩성을 향상시킵니다.

Fintech

목표: 비용 관리 자동화
수동으로 비용을 추적하는 것은 지루한 작업이며 인간의 실수가 발생하기 쉽습니다.

기존 AI는 이러한 작업 중 일부를 자동화할 수 있지만, 에이전트 AI는 지출을 추적, 분류 및 분석하여 더욱 발전시킵니다. 이 시스템은 지출 패턴에 대한 실행 가능한 통찰력을 제공하고 재정 건전성을 개선하기 위한 맞춤형 저축 팁을 제공합니다.

에이전트 AI의 과제

모든 새로운 기술과 마찬가지로, 에이전트 AI를 비즈니스에 도입하기 전에 주의해야 할 몇 가지 사항이 있습니다.

금융 투자

AI 도입 초기 비용은 대부분의 기업에게 걸림돌이 됩니다. 이 기술은 장기적으로 비용 절감 효과를 약속하지만, 초기 투자 비용이 상당합니다.

사내 AI 전문가가 없다면 교육, 리소스, 인프라 구축에 시간과 비용을 투자해야 합니다. 엔터프라이즈 AI 시스템은 특히 복잡할 수 있으며, 개발 단계에서만 예산이 소진되는 경우도 흔합니다.

에이전트 AI의 운영 비용도 예측해야 합니다. AI 에이전트는 몇 대나 실행되고 있나요? 에너지 및 저장 비용은 얼마인가요? 프롬프트당 가격은 얼마인가요? 예상치 못한 비용을 방지하기 위해 사전에 계산해 보세요.

기술 격차

여러 면에서 AI는 우리가 따라잡을 수 있는 것보다 더 빠르게 발전하고 있습니다.

처음에는 예측형 AI, 그다음에는 생성형 AI, 그리고 이제는 에이전트형 AI가 등장했습니다. 몇 달마다 새로운 유형의 AI 기술이 이전 기술보다 더 발전할 것이라는 기대를 받고 있지만, 기업들은 이러한 기술 격차를 해소하는 데 어려움을 겪고 있습니다.

DaVinci에는 회사의 75 % 어떤 형태로든 AI를 도입하고 있지만, 직원의 35%만이 AI 교육을 받았습니다. 이는 기존 AI에 대한 교육 수준일 뿐입니다. 많은 조직이 기술 격차로 인해 에이전트 AI 전략을 구현하는 데 몇 년이 걸릴 것으로 예상됩니다.

Ethics and accountability

에이전트형 AI는 인간의 확인 없이 기계에 데이터를 분석하고 조치를 취할 수 있는 권한을 부여하기 때문에 윤리적 문제가 발생합니다.

전형적인 AI 환각과 오류를 넘어, AI를 훈련하고 사용하는 방식이 큰 차이를 만듭니다.

여기 경고 이야기가 있습니다. Amazon은 AI 도구 채용에 도움이 되려고 했지만, 곧 여성보다 남성에게 유리하다는 사실을 발견했습니다. 이 도구는 "여성"이라고 언급되거나 여자 대학 졸업자가 포함된 이력서의 등급을 자동으로 낮췄습니다.

왜 이런 일이 일어났을까요? AI 도구가 남성에게 유리한 채용 데이터를 기반으로 훈련되었기 때문입니다.

이는 또 다른 우려를 불러일으킵니다. 바로 책임입니다. 이러한 윤리적 문제에 대한 책임은 누구에게 있을까요? 사업주, 기술자, 아니면 프로그래머 중 누구일까요? 모든 기업은 자율 기술을 구현하기 전에 이러한 질문에 답해야 합니다.

보안 위험

민감한 사용자 데이터를 보호하는 것은 기업의 책임이므로, AI에 대한 또 다른 장애물은 보안입니다.

AI는 다양한 시스템에 걸쳐 엄청난 양의 개인 정보를 다루며, 이러한 정보가 노출되면 전 세계적으로 엄청난 문제가 발생할 수 있습니다.

한 가지 우려 사항은 즉각적인 주사대규모 언어 모델(LLM)에 대한 보안 공격입니다. 해커는 개발자의 지시를 무시할 수 있는 악성 프롬프트를 작성하여 AI 모델을 속여 민감한 데이터를 유출하거나 잘못된 정보를 유포하려고 합니다. 이는 에이전트 AI가 초래할 수 있는 여러 보안 위험 중 하나입니다.

에이전트 AI 시작하기

에이전트 AI를 시작할 준비가 되셨나요? 로우코드 플랫폼은 이상적인 방법입니다. 사용자 친화적일 뿐만 아니라, 스타터 애플리케이션 귀하의 첫 번째 AI 에이전트를 구축하는 데 도움이 됩니다.

건설을 시작하려면, 시도 Mendix 무료로.