다중 에이전트 시스템: 자율 기업 구축하기

기업 조직의 맥락에서 기능하는 다중 에이전트 시스템은 지능형 소프트웨어 에이전트, 즉 AI 에이전트가 네트워크 형태로 연결되어 공동의 목표를 위해 협업하는 구조로 정의할 수 있습니다. 다중 에이전트 시스템은 기업의 시스템과 부서 전반에서 작동하여 환경을 인식하고, 관찰한 내용을 바탕으로 추론하며, 특정 목표를 달성하기 위한 조치를 취합니다.

각 에이전트는 데이터 분석, 자연어 처리, 의사 결정, 프로세스 실행과 같은 특화된 기능을 가질 수 있습니다. 하지만 에이전트의 가치는 서로 간의 상호작용에서 비롯됩니다. MAS가 유용한 이유는 바로 기존의 기업 프레임워크 내에서 운영되면서도 소통하고, 조정하며, 적응할 수 있는 능력이 있기 때문입니다.

실질적인 차원에서, 기업 내 다중 에이전트 시스템은 기존 시스템 전반에서 독립적으로, 그리고 협력적으로 실행되는 특화된 AI 서비스로 구성된 네트워크처럼 보일 수 있습니다. 해당 에이전트들은 데이터 베이스에서 데이터를 가져오고, CRM 시스템에서 작업을 트리거하며, ERP 기록을 업데이트하고, 기업 통합 플랫폼을 통해 정보를 교환하는 등의 작업을 실행하면서도 규정된 비즈니스 정책에 부합하는 방식으로 운영됩니다.

이와 같은 관행은 단일 비즈니스 시스템 내에서 고립된 AI 애플리케이션을 벗어난 비약적인 발전입니다. MAS는 통합된 생태계로 작동하면서 정보를 공유하고, 작업을 위임하며, 협력에 기반한 결정을 내리며 이 모든 작업을 설정된 비즈니스 목표를 철저히 중시하면서 진행합니다.

지금은 기본적인 작업 자동화에서 자율 기업으로 도약하는 중요한 전환점입니다. 특정한 반복 작업을 수행하도록 설계된 단일 목적 자동화는 예외 상황이 생기거나 시스템 간에 조정이 필요할 때 사람이 개입해야 하지만, 다중 에이전트 시스템은 상황에 적응할 수 있고 독립적입니다. 다중 에이전트 시스템은 특화된 AI 에이전트를 함께 활용하여 복잡하고 역동적인 프로세스, 즉 다양한 기능과 시스템을 아우르는 프로세스를 사람의 개입을 최소화하여 관리할 수 있습니다.

자동화라고 하면 규칙을 기반으로 실행되는 시스템, 정해진 결정 경로가 있는 시스템으로 인식되었지만, 다중 에이전트 시스템에서 에이전트 AI는 상황을 인식하는 지능형 기능을 활용합니다. 즉, 다중 에이전트 시스템은 변화하는 비즈니스 상황에 대응하고, 다른 에이전트(및 사람)와 소통하고 협력하여 문제를 해결할 수 있습니다.

기준	기존의 자동화	다중 에이전트 시스템
기능	특정한 반복 작업을 수행하도록 설계된 단일 목적 자동화	개별 기능이 있지만 상호 보완적인 역할을 수행하는 협력 기능을 갖춘 특수화된 에이전트
시스템 통합	특정 시스템 또는 애플리케이션 내에서 고립된 운영	여러 시스템과 부서를 아우르는 전체 범위에 걸친 프로세스 오케스트레이션
상황 인식	부서 간 최소한의 협업만 진행하여 상황 인식 능력 제한	변화하는 비즈니스 상황에 맞춰 적응하는 지능형 상황 인식 기능
의사 결정	규칙에 기반한 실행 및 사전 정의된 결정 경로	에이전트 통신 및 협업을 통한 긴급 문제 해결
사람의 개입	예외 상황이 생기거나 시스템 간 조정해야 할 때 사람이 개입해야 함	복잡한 워크플로를 자율적으로 처리하여 사람이 최소한으로 개입

오늘날 자동화의 가장 큰 제약 중 하나는 부서 또는 기능별로 제한된 범위에 머물러 있다는 점입니다. 다중 에이전트 시스템은 이러한 기존의 경계를 혁신적으로 확장하여, 조직 내 다양한 운영 장벽을 매끄럽게 연결합니다.

다중 에이전트 시스템은 현재의 자동화와 사람의 개입 비율을 뒤집을 수 있는 잠재력이 있습니다. 표준 자동화 접근 방식을 사용하면 기업은 프로세스 작업의 20~30%를 자동화할 수 있으며, 나머지 70~80%는 여전히 사람이 개입해야 하는 부분으로 시스템 간의 격차를 좁히거나 복잡한 의사 결정을 처리하는 작업입니다.

MAS의 경우 반대입니다. 다중 에이전트 시스템은 특히 에이전트 프로세스 자동화를 통해 프로세스 작업의 80%를 자동화할 수 있습니다. 이러한 실행 자율화 수준은 다음을 통해 달성할 수 있습니다.

• 시스템 경계 넘나들기: AI 에이전트는 ERP 및 CRM에서 공급망 시스템 및 고객 서비스 플랫폼에 이르기까지 기업 애플리케이션 전반에서 독립적으로 액세스하고 작동할 수 있습니다.
• 데이터 교환하기: AI 에이전트는 정보를 공유하여 상황을 파악함으로써 사용 가능한 데이터를 포괄적으로 보는 관점을 통해 결정이 이루어지도록 돕습니다.
• 복잡한 워크플로 조정: 각기 다른 에이전트들이 프로세스의 전문적인 측면을 처리하면서 전체적인 일관성을 유지하고 비즈니스 목표를 향해 작업을 진행할 수 있습니다.
• 변화에 적응하기: AI 에이전트는 변화하는 상황에 적응할 수 있으며, 마치 숙련된 직원처럼 전략을 조정하여 계속적으로 변하는 비즈니스 요구 사항을 충족할 수 있습니다. 예기치 않은 상황이 발생하면 AI 에이전트는 적절한 대응에 대해 함께 추론할 수 있으며, 필요할 경우 사람에게 이관할 수 있습니다.

단일 애플리케이션에 내장된 AI는 한 시스템 내에서 작동합니다(예: CRM을 위한 Salesforce Einstein). 즉 해당 애플리케이션 내에서 사용할 수 있는 데이터와 기능이 제한되어 있습니다. 그리고 특정 작업을 최적화할 수는 있지만, 부서 간에 이루어지는 프로세스를 조율할 수는 없습니다. 따라서 전통적인 자동화와 마찬가지로 사람이 개입하여 시스템 간에 서로 연결해 워크플로를 완수해야 합니다.

기업용 다중 에이전트 시스템은 에이전트 프로세스 자동화를 통해 조정되어 있으며 분리된 시스템을 연결합니다. 다중 에이전트 시스템은 다양한 출처의 정보에 액세스하고 이를 종합하여 완전히 포괄적인 프로세스 전개 상황을 만들 수 있습니다. 다중 에이전트 시스템은 조정된 방식으로 작동하여, 전체적인 프로세스 맥락에 따라 시스템 간 인계를 자율적으로 관리합니다.

이와 같은 방식으로 다중 에이전트 시스템은 역사적으로 자동화 시도를 제한했던 지속적인 시스템 단편화 문제를 해결하여 진정한 자율 기업 운영을 실현합니다.

AI 에이전트

지능형 AI 에이전트는 다중 에이전트 시스템의 구성 요소입니다. 지능형 AI 에이전트는 데이터를 이해하고 정보에 입각한 결정을 내리기 위해 AI의 추론 기능과 속도를 함께 활용하며, 이러한 결정을 실행하기 위한 도구를 사용할 수 있는 능력을 갖추고 있습니다.

전반적으로 이 프로세스는 인식, 추론 및 동작을 포괄적으로 활용합니다. 현대의 기업 에이전트는 종종 NLP(자연어 처리), 컴퓨터 비전, 예측 분석 등 특화된 AI 기능을 통합하여 해당 에이전트의 전문 분야 내에서 더 복잡한 작업을 처리할 수 있게 합니다.

인식: 에이전트는 API, 이벤트 스트림, 데이터베이스 연결, IoT 센서 등 여러 출처에서 데이터 입력값을 수집합니다. 예를 들어 고객 서비스 에이전트는 수신 지원 티켓, 채팅 메시지, 음성 기록을 모두 동시에 모니터링할 수 있습니다.

추론: AI 모델에 따라 에이전트는 규칙 기반 논리에서 기계 학습 모델에 이르는 기술을 사용하여 정보를 처리하고 결정을 내리게 됩니다. 예를 들어, 금융 사기 탐지 에이전트는 의심스러운 거래를 식별하기 위해 규칙 기반 패턴 인식과 이상 탐지 알고리즘을 함께 활용할 수 있습니다.

작업: AI 에이전트는 에이전트 수준에서 사용할 수 있는 도구와 시스템 연결, 즉 데이터베이스 업데이트, 다른 시스템에서 워크플로 트리거, 알림 생성, 새로운 리소스 생성 등을 통해 내려진 결정에 따라 조치를 취합니다. 조달 에이전트 예시 시나리오를 들어 보자면, 구매 주문을 자동으로 생성하고, 이를 e-조달 시스템을 통해 공급업체에 전송한 후, 재고 예측을 업데이트하는 상황이 있을 수 있습니다.

다중 에이전트 시스템에서 AI 에이전트가 소통하는 방법

효과적인 소통은 다중 에이전트 시스템의 핵심입니다. 정보를 교환하지 않으면 AI 에이전트는 함께 작업하거나, 협력하거나, 문제를 해결할 방법이 없습니다. 다중 에이전트 시스템의 증가하는 기능과 다양한 응용 프로그램을 충족하기 위해 에이전트 통신을 지원하는 아키텍처가 빠르게 발전했습니다.

FIPA-ACL 및 KQML과 같은 확립된 표준이 에이전트 통신을 위한 중요한 기초를 마련했지만, 현대 기업 환경에서는 활용도가 낮습니다. 오늘날, RESTful API 및 GraphQL과 같은 기술을 사용하는 API 기반 통신은 기업 환경을 지배하고 있으며, 에이전트가 HTTP 기반 프로토콜을 통해 서로 간에, 그리고 기존 시스템과 원활하게 상호 작용할 수 있도록 합니다. 이러한 접근 방식은 웹 서비스, 클라우드 플랫폼 및 광범위한 기업 아키텍처와의 통합을 단순화합니다.

현대 MAS는 또한 종종 이벤트 기반 메시징, 즉 Kafka, RabbitMQ 같은 이벤트 스트림 및 메시지 브로커, AWS EventBridge 같은 클라우드 네이티브 서비스를 사용하여 에이전트 간에 비동기적이고 확장 가능한 통신을 지원합니다. 이 패턴은 시스템 변경에 따른 실시간 반응을 지원합니다.

에이전트 간 서로를 이해하도록 에이전트의 통신을 규제하는 기준과 정책도 필요합니다. 개별 메시지를 넘어서 소통한 내용을 살펴보면 에이전트는 협상, 요청, 정보 공유 및 작업 위임을 위한 상호작용의 순서를 정의하는 구조화된 대화 패턴을 따릅니다. 많은 시스템이 JSON-LD 또는 산업별 온톨로지와 같은 시맨틱 표준을 적용합니다. 예를 들어, 금융 서비스 에이전트는 용어를 일관적으로 해석할 수 있도록 FIBO(Financial Industry Business Ontology)를 사용할 수 있습니다.

에이전트 작업 및 워크플로 조정

일관된 시스템 동작은 그냥 이루어지는 것이 아닙니다. 다중 에이전트 시스템은 기업 전반에 걸쳐 에이전트 활동을 조정하기 위해 오케스트레이션 레이어를 활용합니다.

워크플로 관리의 경우 MAS 오케스트레이션은 변화에 적응할 수 있는 동적 워크플로우 엔진과 함께 프로세스 정의(예: BPMN)를 결합합니다. 이에 따라 프로세스는 고정된 사전 결정 경로를 따르기보다는 상황에 따라 발전할 수 있습니다.

에이전트들이 워크플로의 진행 경로에 합의되지 않거나 다음 동작 또는 결정이 충돌하는 경우 어떻게 될까요? 고급 오케스트레이션 시스템은 충돌을 해결할 수 있는 전략을 실행합니다. 이러한 전략은 우선순위를 기반으로 정해질 수 있으며 시장 메커니즘(에이전트가 자원에 대해 '입찰'), 합의 알고리즘 또는 계층적 의사 결정 구조를 사용할 수 있습니다. 기본적인 목표는 조직의 정책과 비즈니스 목표를 반영하는 것입니다.

에이전트의 협력 활동이 이러한 목적에 맞춰 목표를 달성하고 있는지 확인하려면 에이전트 활동을 모니터링하고 추적하는 것이 중요합니다. 이를 위해 다중 에이전트 시스템의 오케스트레이션 계층에는 에이전트 활동, 메시지 볼륨 및 결정 결과를 추적하기 위한 실시간 대시보드와 가시성 도구가 포함됩니다.

이 시스템은 예외 상황에 대해 사람이 감독하고 개입할 수 있도록 합니다. 에이전트 프로세스 자동화 시스템의 일부로서 이 오케스트레이션 레이어는 다중 에이전트 워크플로가 필요시 사람의 승인과 수동 단계를 포함할 수 있도록 합니다.

의사 결정 엔진

팀과 마찬가지로 다중 에이전트 시스템에는 전체 시스템 성능을 최적화하는 것을 염두에 두고 어떤 에이전트가 어떤 작업을 처리할지 결정하는 방법이 필요합니다. 의사 결정 엔진은 MAS에서 주도적인 역할을 합니다.

기본적으로 의사 결정 엔진은 에이전트의 기술을 수행할 작업에 연결해 줍니다. 하지만 기업 프로세스에서는 작업 분배가 더 복잡하며, 수백 또는 수천 개의 작업(및 에이전트)이 관여되어 있을 수 있습니다.

의사 결정 엔진은 시장 기반 접근 방식, 계약 네트 프로토콜 및 강화 학습을 포함한 작업 할당 알고리즘을 사용하여 작업을 효율적으로 분배할 수 있습니다. 또한 작업을 할당할 때 시스템 부하, 시간 민감도, 데이터 가용성 및 비즈니스 우선순위와 같은 환경적 요인을 고려합니다.

기업 수준의 의사 결정 엔진은 SLA(서비스 수준 계약)를 관리하여, 수요가 최고조에 달하는 시기에도 중요한 프로세스가 필요한 에이전트 리소스를 받을 수 있도록 해야 합니다. 여기에는 내결함성이 포함됩니다. 고급 시스템은 에이전트가 사용하지 못하는 상태가 되거나 응답할 수 없게 되는 경우 자동으로 작업을 재분배할 수 있도록 중복성 및 장애 조치 메커니즘을 통합합니다. HITL(Human-In-The-Loop) 감독 또한 중요한 역할을 합니다. 의사 결정 엔진은 신뢰 수준이 정의된 임계값 아래로 떨어지거나 규제 요구 사항으로 인해 사람이 개입해야 할 때 작업을 사람 운영자에게 에스컬레이션할 수 있습니다.

학습

다중 에이전트 시스템의 주요 장점 중 하나는 지속적으로 학습하여 적응하고 스스로 개선할 수 있는 능력입니다. 이는 통합 학습 기능 덕분에 가능한 일이며, 통합 학습 기능은 효율성을 유지하면서도 개인정보 보호 및 운영 한계점도 고려합니다.

학습 시스템은 또한 에이전트가 특정 결정을 내리는 방식과 이유를 사람 이해관계자가 이해할 수 있도록 돕는 투명성 메커니즘을 통합합니다. 이 요소는 신뢰를 구축하고 효과적인 감독을 보장하는 데 중요합니다.

• 분산 학습: 에이전트는 데이터 프라이버시와 운영상의 경계를 유지하면서 인사이트와 모델 개선 사항을 공유합니다.
• 강화 학습: 에이전트는 비즈니스 결과와 KPI에 기반한 보상 신호를 통해 결정 정책을 최적화합니다.
• 협업 필터링: 에이전트는 유사한 작업을 처리하는 다른 에이전트의 경험과 결정을 통해 학습하여 전체적으로 개선을 가속화합니다.
• A/B 테스트 프레임워크: 대안 전략을 체계적으로 테스트함으로써 다중 에이전트 시스템이 경험적 증거에 기반하여 발전하게 됩니다.

보안 및 신뢰

기업의 다중 에이전트 시스템을 위한 보안 명령은 무시할 수 없습니다. AI 에이전트가 단독으로 그리고 종합적으로 작동할 수 있도록 지원하고 이를 둘러싸고 있는 보안 아키텍처는 여러 요소로 구성됩니다.

우선 AI 에이전트는 특정한 권한과 역할을 통해 설정됩니다. AI 에이전트의 디지털 정체성은 기업의 IAM(ID 및 액세스 관리) 시스템과 통합되어야 합니다.

널리 적용되고 있는 제로 트러스트 아키텍처는 다중 에이전트 시스템에도 확장되며, MAS 구현 시스템에서는 구성 요소 간에 암묵적인 신뢰를 가정하지 않고 출처와 관계없이 각 상호작용에 대해 검증을 요구합니다. 평판 시스템은 이러한 검증 프로세스를 지원할 수 있으며, 에이전트는 과거 상호작용을 기반으로 신뢰 점수를 유지하고 이를 미래 협업 결정에 영향을 미치는 요소로 사용합니다.

이전에 언급된 모니터링 및 제어는 감사 추적의 모니터링 및 제어와 동일하지 않습니다. 다중 에이전트 시스템을 안전하게 운영하려면 모든 에이전트 동작과 결정이 규정준수 및 책임성을 위해 기록되어야 합니다.

확장성

장기적으로 실행되는 동적 기업 프로세스는 효율적으로 확장할 수 있어야 하며, 이에 따라 기업 수준의 다중 에이전트 시스템에는 높은 확장성을 갖춘 인프라가 필요합니다. 대규모 시스템에서는 일반적으로 에이전트를 계층 구조로 조직하며, '매니저 에이전트'가 전문 팀을 조정합니다. 동시에, 로드 밸런싱 메커니즘은 단일 에이전트 또는 통신 채널에 병목 현상이 발생하지 않도록 전체 시스템을 모니터링합니다.

컨테이너화는 여기서 유용하며, 에이전트들이 Docker 및 Kubernetes와 같은 기술을 사용하여 컨테이너화된 마이크로서비스로 배포됩니다. 이에 따라 필요시 동적 확장이 가능합니다. 마찬가지로 에이전트 상태 및 공유 지식에 대한 분산 데이터베이스 스토리지는 필요에 따라 효율적으로 데이터에 액세스할 수 있도록 지원합니다. 간헐적이거나 이벤트로 트리거되는 에이전트의 경우, 서버리스 아키텍처가 비용 면에서 가장 효율적인 확장을 제공합니다.

기업 통합

보안과 마찬가지로, 효과적인 다중 에이전트 시스템을 구현하려면 기존 기업 인프라와 반드시 통합해야 합니다.

여기서 API가 핵심적인 역할을 합니다. 중앙식 API 관리를 통해 에이전트와 기업 시스템 간의 상호작용을 통제할 수 있습니다. 레거시 시스템의 경우 특수 커넥터나 커넥터 에이전트가 번역기 역할을 하여 MAS가 기존 인프라와 원활하게 통신하고 작동할 수 있도록 합니다.

통합 맵의 또 다른 핵심 부분은 기업 수준의 데이터 관리입니다. MDM(마스터 데이터 관리) 시스템과 통합하고 가시성을 확보하기 위해 기업 모니터링/분석 플랫폼에 피딩함으로써 에이전트가 비즈니스 전반에서 일관되고 믿을 수 있는 데이터를 운영할 수 있습니다.

에이전트 수준에서 기업 환경에 성공적으로 배포하려면 각 유형의 AI 에이전트를 통합을 염두에 두고 설계하고, 규정 준수, 연결성, 거버넌스 및 변경 관리와 같은 통합과 관련된 여러 요소를 해결해야 합니다.

• 규정 준수: 모든 에이전트는 보안, 데이터 처리 및 상호 운용성에 대한 조직 기준에 따라 작동해야 합니다.
• 연결성: 각 에이전트 유형은 관련 기업 시스템에 올바르게 연결되어야 합니다.
• 거버넌스: 에이전트 동작은 특히 의사 결정에 있어 조직의 정책에 따라야 합니다.
• 변경 관리: 에이전트 설계는 비즈니스 요구가 변화함에 따라 향후 업데이트해야 할 필요성을 고려해야 합니다.

시스템 수준과 에이전트 수준 모두에서 통합 요구 사항을 최우선시하는 것은 복잡한 프로세스를 처리하면서도 보안을 유지하고 변화하는 비즈니스 요구 사항과 기술에 적응하는 다중 에이전트 시스템을 구현하는 데 중요한 토대가 됩니다.

다중 에이전트 시스템은 다양한 유형의 AI 에이전트 간의 전문화와 협업을 통해 발전합니다. 각 에이전트 유형은 특정한 기업 프로세스에 적합한 기능을 갖춰 전체 생태계에서 독자적인 역할을 수행합니다. 에이전트 유형을 이해하면 조직이 자율성과 조정을 균형 있게 맞춘 효과적인 다중 에이전트 아키텍처를 설계하는 데 도움이 됩니다.

작업 특화 에이전트

이름에서 알 수 있듯 작업 특화 에이전트는 좁은 범위에서 정해진 책무가 있는 특정 기능을 수행합니다. 이와 같은 특수화를 통해 실행 효율성과 정확성을 높일 수 있습니다. 작업 특화 에이전트의 아키텍처는 폭넓은 기능을 수행하는 것보다 핵심 기능을 뛰어나게 수행할 수 있는 능력을 우선시합니다. 작업 특화 에이전트는 일반적으로 도메인별 데이터로 학습된 집중 AI 모델과 명시적 도메인 로직을 위한 비즈니스 규칙 엔진을 결합합니다.

작업 특화 에이전트의 주요 특징

특화된 전문성: 특정 도메인 지식으로 훈련된 에이전트는 특정 비즈니스 기능에만 집중된 알고리즘과 AI 기능을 적용합니다.

최적화된 성능: 해당 분야 내에서 효율성을 고려하여 설계되었기 때문에 유사한 대량의 작업을 일관된 결과로 처리할 수 있습니다.

명확한 경계: 작업 특화 에이전트는 명확하게 정의된 입력, 출력 및 운영 매개변수를 가지고 있습니다.

기업 작업 특화 에이전트의 예

• 문서 처리 에이전트는 비정형 문서에서 정보를 추출하고, 분류하며, 검증하는 데 특화되어 있습니다. 예를 들어, 송장 처리 에이전트는 컴퓨터 비전 및 NLP 기술을 사용하여 항목, 세금 정보 및 결제 조건을 매우 정확하게 추출할 수 있습니다.
• 분석 에이전트는 데이터 분석, 패턴 인식 및 인사이트 생성에 중점을 둡니다. 판매 분석 에이전트는 교차 판매 기회를 식별하기 위해 거래 패턴을 모니터링할 수 있으며, 위험 평가 에이전트는 위험 점수를 생성하기 위해 요소의 조합을 평가할 수 있습니다.
• 거래 에이전트는 기업 시스템 전반에 걸쳐 특정 비즈니스 거래를 수행하는 데 특화되어 있습니다. 가격 에이전트는 변수 집합을 기반으로 최적의 가격을 계산할 수 있으며, 주문 처리 에이전트는 주문을 검증하고 적절한 이행 채널로 라우팅할 수 있습니다.
• 모니터링 에이전트는 시스템, 프로세스 또는 데이터 스트림을 특정 조건에 대해 지속적으로 추적합니다. 예시로는 재고가 임계값 아래로 떨어질 때 재주문을 트리거하는 재고 모니터링 에이전트, 잠재적인 규제 문제를 표시하는 규정 준수 모니터링 에이전트가 있습니다.

프로세스 오케스트레이션 에이전트

복잡한 기업 프로세스를 전체적으로 고려했을 때 모든 워크플로 단계가 시작부터 끝까지 정확히 실행되도록 하려면 최고 수준의 관리자가 필요합니다. 이는 바로 프로세스 오케스트레이션 에이전트가 수행하는 역할입니다. 오케스트레이션 에이전트는 여러 작업 특화 에이전트와 시스템 전반에서 활동을 조정하는 역할을 하며, 프로세스 모니터링 기능을 제공하는 가시성 도구를 활용합니다.

프로세스 오케스트레이션 에이전트는 BPM(비즈니스 프로세스 관리) 기술, 이벤트 처리 프레임워크를 활용하여 트리거와 신호를 처리하고, 트랜잭션 관리 시스템을 활용하여 프로세스 무결성을 유지할 수 있습니다. 또한 장기적으로 실행되는 기업 워크플로를 지원하기 위해 상태 지속성 메커니즘을 활용합니다. 이 메커니즘은 에이전트가 시간 경과에 따른 진행 상황을 추적하고 필요에 따라 작업을 재개할 수 있도록 지원합니다.

기업 수준의 배포를 위해 최신 프로세스 오케스트레이션 기술은 지속적인 이벤트 저장소를 갖춘 이벤트 기반 아키텍처를 사용하여 프로세스 복원력, 감사 기능 및 분석을 지원합니다.

프로세스 오케스트레이션 에이전트의 주요 특징

프로세스 지식: 에이전트는 단계, 종속성, 조건 및 예상 결과 등 비즈니스 프로세스를 포괄적으로 표현합니다.

조정 기능: 조정 기능은 각기 다른 에이전트와 시스템 간에 수행되는 작업 순서 지정, 병렬 실행 및 인계 등을 관리합니다.

상태 관리: 오케스트레이션 에이전트는 장기적으로 작동되는 동안에도 연속성을 보장하도록 실행 내내 프로세스의 상태를 추적합니다.

예외 처리: 예외 처리는 예상되는 프로세스 흐름에서 벗어나는 상황을 감지하고 적절한 대응을 시작합니다.

기업 워크플로 내 프로세스 오케스트레이션 에이전트의 예

• O2C(주문에서 현금화) 오케스트레이터는 주문 접수, 신용 확인, 재고 할당, 이행, 배송, 송장 발행, 결제 처리 시스템 및 에이전트 전반에서 작업을 조정하면서 전체적인 고객 주문 주기를 관리합니다.
• 직원 온보딩 오케스트레이터는 HR, IT, 시설, 보안 및 교육 부서를 아우르는 활동을 조정하여 새로운 직원이 조직에 합류하는 복잡한 프로세스를 조정합니다.
• 임상 워크플로 오케스트레이터는 진단 검사, 상담, 치료 및 후속 조치가 적절한 순서로 이루어지도록 하고 단계 간에 필요한 정보가 전달될 수 있도록 하여 부서 간 환자 관리 프로세스를 조정합니다.
• 공급망 오케스트레이터는 조달, 생산, 창고 보관, 유통 프로세스 전반에 걸쳐 자재 및 정보의 흐름을 관리하여, 공급업체, 운송업체 및 고객을 조율합니다.

의사 결정 에이전트

다중 에이전트 시스템에서는 목표를 진전시키기 위해 취해진 모든 동작이 의사 결정을 통해 정해집니다. 정보에 입각하여 효과적으로 내린 결정은 시스템의 성공과 실패, 또는 성공과 기대에 미치지 못한 성과를 결정짓는 핵심 요소입니다.

의사 결정 에이전트는 이 프로세스에서 중심적인 역할을 하며, 다양한 입력, 정의된 규칙 및 최적화 기준에 따라 대안을 평가하고 선택을 내립니다. 의사 결정 에이전트는 복잡한 비즈니스 로직, 예외 및 심지어 판단이 필요한 작업도 관리합니다.

이 에이전트는 종종 명시적인 정책을 시행하기 위한 규칙 엔진과 패턴 인식 및 예측을 지원하는 기계 학습 모델을 결합합니다. 의사 결정 트리와 베이지안 네트워크 같은 구조적 추론 도구는 최적화 알고리즘과 함께 복잡한 상충 관계를 조율하는 데 도움을 줍니다.

기업 환경에서 의사 결정 관리 플랫폼은 중요한 투명성을 제공하여, 위험성이 큰 의사 결정에 대한 거버넌스, 버전 관리 및 감사 가능성을 지원합니다.

의사 결정 에이전트의 주요 특징

규칙 구현: 에이전트는 비즈니스 규칙, 정책 및 의사 결정 기준을 실행 가능한 형태로 인코딩합니다.

다중 요인 분석: 다중 요인 분석은 결정을 내릴 때 여러 입력과 변수를 고려합니다.

불확실성 관리: 의사 결정 에이전트는 불완전한 정보와 확률적 추론으로 작업할 수 있습니다.

최적화 중심: 에이전트는 비즈니스 목표에 따라 특정 결과를 최대화하거나 최소화하는 것을 목표로 합니다.

설명 기능: 결정 에이전트는 결정의 이유를 명확히 설명할 수 있습니다.

기업 프로세스 내 의사 결정 에이전트의 예시

• 보험 및 대출 부문의 언더라이팅 에이전트는 신청서를 위험 기준, 신청자 데이터 및 시장 상황에 대해 평가하여 보장 또는 신용 결정을 내립니다.
• 동적 가격 결정 에이전트는 수요, 경쟁, 재고 수준, 고객 가치 및 기타 요소를 기반으로 제품 또는 서비스의 최적 가격을 결정합니다.
• 자원 할당 에이전트는 우선순위와 제약 조건에 따라 필요성을 비교하여 제한된 자원(인력, 장비, 예산)을 어떻게 분배할지 결정합니다.
• 예외 처리 에이전트는 표준 프로세스 매개변수를 벗어나는 비정상적인 상황을 평가하고 비즈니스 정책에 따라 적절한 대응을 결정합니다.

학습 에이전트

다중 에이전트 시스템은 학습 에이전트를 통해 적응성을 갖추고 지속적으로 개선될 수 있습니다. 학습 에이전트는 결과를 분석하고 패턴을 인식하며 경험을 바탕으로 동작을 조정함으로써 시간이 지남에 따라 시스템 수행 능력을 강화합니다.

이러한 과정이 가능하도록 학습 에이전트는 다양한 AI 기술을 사용합니다. 여기에는 피드백 루프가 포함된 지도 학습, 순차적 의사 결정을 위한 강화 학습, 관련 도메인 전반에 인사이트를 적용하기 위한 전이 학습 등이 있습니다.

데이터 프라이버시가 중요한 환경에서 연합 학습은 민감한 데이터를 중앙 집중화하지 않고 분산된 모델 학습을 지원합니다. 보다 넓은 관점에서 효과적인 학습 에이전트는 견고한 인프라가 있어야 합니다. 즉, 신뢰할 수 있는 데이터 파이프라인, 확장 가능한 기능 저장소, 그리고 운영 안정성을 보장하면서 지속적인 학습을 지원하는 모델 관리 시스템이 필요합니다.

학습 에이전트의 주요 특징

피드백 처리: 학습 에이전트는 프로세스 결과, 사용자 상호작용 및 시스템 성능으로부터 피드백을 수집하고 분석합니다.

모델 개선: 에이전트는 새로운 데이터와 경험을 기반으로 내부 모델을 지속적으로 업데이트합니다.

패턴 인식: 학습 에이전트는 반복되는 패턴과 상관관계를 식별합니다.

지식 공유: 에이전트는 에이전트 네트워크 전반에 걸쳐 인사이트를 배포하여 시스템을 전반적으로 개선합니다.

학습 에이전트의 적용 사례 예시

• 추천 개선 에이전트는 사용자 반응 및 결과 데이터를 기반으로 제품, 콘텐츠 또는 동작 추천을 지속적으로 개선합니다.
• 제조 및 인프라 부문의 예측 유지관리 에이전트는 센서 데이터와 유지관리 기록을 분석하여 점점 더 정확하게 장비 고장을 예측하는 능력을 학습합니다.
• 고객 서비스 최적화 에이전트는 해결 결과 및 고객 만족도 지표를 기반으로 응답 제안 및 라우팅 결정을 개선합니다.
• 수요 예측 에이전트는 예측 오류를 분석하고 이전에 인식되지 않은 패턴을 설명하기 위해 모델을 조정하여 예측 정확성을 향상합니다.

인터페이스 에이전트

다중 에이전트 시스템은 단독으로 작동하지 않습니다. 사람 사용자와 상호 작용하고 실제 비즈니스 운영을 보강하도록 설계되었습니다. 인터페이스 에이전트는 사람 사용자와 다중 에이전트 시스템 간의 상호작용을 관리하여 이 상호작용을 원활하게 조율하는 역할을 수행합니다. 인터페이스 에이전트의 역할은 효과적으로 협업하도록 돕고 적절한 가시성과 통제를 제공하는 것입니다.

인터페이스 에이전트는 사용자의 이해와 컨텍스트 및 커뮤니케이션 모델을 통합적으로 활용하면서 작동하며, 종종 기업 ID 및 액세스 관리 시스템과 통합하여 사용자 역할과 권한에 따라 상호작용을 개인 맞춤화합니다. 이 에이전트는 프로필과 선호도를 유지하는 사용자 모델링, 상호작용 기록을 추적하기 위한 컨텍스트 관리 시스템, 대화형 상호작용을 지원하기 위한 자연어 처리를 포함하여 다양한 접근 방식을 사용할 것입니다.

알림, 경고 및 상태 업데이트는 기본 기능이며, 다중 에이전트 시스템과 사람이 효과적으로 상호 작용하려면 복잡한 정보를 명확하게 전달해야 합니다. 인터페이스 에이전트는 시각화 도구를 통합하여 복잡한 데이터를 쉽게 이해할 수 있는 방식으로 제시하며, 점진적 공개 기법을 함께 사용해 정보의 복잡성을 관리하고 사용자가 혼란스럽지 않도록 방지합니다.

인터페이스 에이전트의 주요 특징

상황 인식: 인터페이스 에이전트는 사용자 역할, 선호도, 기록 및 현재 활동를 지속적으로 인지합니다.

적응형 소통: 에이전트는 사용자 요구와 상황에 따라 정보를 제시하는 방식을 조정합니다.

작업 관리: 인터페이스 에이전트는 사용자가 모니터링하고 개입하며 작업을 에이전트 네트워크에 위임하도록 지원합니다.

피드백 수집: 에이전트는 시스템 성능을 향상하기 위해 사용자로부터 명시적인 피드백과 암묵적인 피드백을 모두 수집합니다.

다중 에이전트 시스템과 사람의 상호 작용을 돕는 인터페이스 에이전트의 예시

• 경영진 대시보드는 전반적인 시스템 성능 지표와 예외 경고를 리더에게 제공하여 필요할 때 세부 정보를 자세히 확인할 수 있도록 합니다.
• 최전방 작업자를 위한 운영 콘솔은 프로세스 실행 상황을 시각적으로 확인할 수 있도록 하고, 예외 상황에 대해 경고를 제공하며, 책임 분야에 개입할 수 있도록 지원합니다.
• 가상 비서는 다중 에이전트 시스템과 상호작용하기 위한 대화형 인터페이스를 제공하여 사용자가 지침을 제공하고, 질문을 하며, 자연어로 응답을 받을 수 있게 지원합니다.
• 증강된 워크플로는 사용자가 작업 프로세스를 진행할 수 있도록 안내하며, 각 단계에서 관련 정보와 에이전트 생성 제안을 제시합니다.