What's next for AI agentic workflows ft. Andrew Ng of AI Fund
페이지 정보
본문
Google Cloud Next 24 에서도 Agent 가 주요 내용으로 다뤄지고 있고, 여기 저기에서 AI Agent 에 대한 얘기가 나오고 있어서 살펴보고 있는데, 마침 Andrew Ng 교수님이 AI Agent 에 대한 본인 관점을 설명한 영상을 보게 되었습니다.
Google Cloud Next 에서는 주로 사용자가 직접 대면해서 동작시키는 비서같은 느낌이었다면, 이 영상에서 Andrew Ng 교수님은 복수의 Agent 들이 서로 상호연동시켜서 최종적으로 더 나은 결과를 내줄 수 있다고 말합니다.
그리고, GPT-5/Claude 4/Gemini 2.0 같은 앞으로 나올 더 진보된 LLM 들에서 한 번의 요청으로 얻을 수 있는 답변의 수준을 이미 지금 이러한 방식으로 얻을 수 있을 것이라고도 하고요.
Agentic workflow 가 AGI 로 가는 방법 중 하나라고 거론했습니다.
Poe 같이 여러 LLM 들을 묶어서 서비스하는 경우, Agentic workflow 를 적용하기가 더 수월하지 않나 하는 생각도 드네요. 인간이 이런 저런 LLM 들을 수동으로 오고 가며 작업하는 것이 아니라 그런 과정들까지 묶어주는 애플리케이션을 만들 수 있다면 사업아이템으로도 괜찮지 않나 싶고요.
서비스구축을 위해 단일 LLM 을 쓰는 것만이 아니라 여러 LLM 들을 묶어서 상승효과를 노리는 전략이라는게 굉장히 효과적이라고 느껴지네요.
다음은 영상내용을 Gemini 1.5 Pro 로 요약한 것입니다.
앤드류 응 교수의 AI 에이전트 워크플로우 요약
앤드류 응 교수는 AI 에이전트 워크플로우가 AI 개발의 중요한 트렌드이며, 생산성을 크게 향상시킬 수 있다고 강조했습니다.
주요 내용:
-
기존 AI 모델 사용 방식의 한계: 현재 대부분의 AI 모델은 사용자가 프롬프트를 입력하면 즉시 답변을 생성하는 방식으로 사용됩니다. 이는 마치 사람에게 백스페이스 키를 사용하지 않고 에세이를 한 번에 작성하도록 요구하는 것과 같습니다.
-
AI 에이전트 워크플로우의 장점: AI 에이전트 워크플로우는 AI 모델이 여러 단계를 거쳐 작업을 수행하도록 합니다. 예를 들어 에세이 작성의 경우, 에이전트는 먼저 개요를 작성하고, 필요한 경우 웹 검색을 수행한 다음 초안을 작성하고, 스스로 초안을 검토하여 수정할 부분을 찾아 수정하는 등의 과정을 거칩니다. 이러한 반복적인 접근 방식은 훨씬 더 나은 결과를 제공합니다.
-
AI 에이전트 디자인 패턴:
-
자기 반성: AI 모델이 스스로 생성한 코드를 검토하고 문제점을 찾아 수정하는 기능.
-
도구 사용: AI 모델이 웹 검색, 코드 실행, 이미지 처리 등 다양한 도구를 사용하여 작업을 수행하는 기능.
-
계획: AI 모델이 복잡한 작업을 수행하기 위해 단계별 계획을 세우고 실행하는 기능.
-
멀티 에이전트 협업: 여러 AI 에이전트가 협력하여 작업을 수행하는 기능. 예를 들어, 한 에이전트는 코드를 작성하고 다른 에이전트는 코드를 검토하는 방식으로 협업할 수 있습니다.
-
-
AI 에이전트 워크플로우의 영향: 앤드류 응 교수는 AI 에이전트 워크플로우가 AI가 수행할 수 있는 작업의 범위를 크게 확장할 것이라고 예측했습니다. 또한, 이러한 워크플로우는 인간과 같은 일반 지능(AGI)을 향한 여정에서 작지만 중요한 진전을 이룰 수 있다고 덧붙였습니다.
AI 에이전트 워크플로우의 성공을 위한 요소:
-
빠른 토큰 생성: AI 모델이 빠르게 토큰을 생성할 수 있어야 에이전트 워크플로우의 반복적인 과정을 효율적으로 수행할 수 있습니다.
-
인내심: AI 에이전트가 작업을 완료하는 데 시간이 걸릴 수 있으므로 사용자는 인내심을 갖고 기다려야 합니다.
결론:
AI 에이전트 워크플로우는 AI 개발의 중요한 트렌드이며, AI가 수행할 수 있는 작업의 범위를 크게 확장할 수 있습니다. 이러한 워크플로우를 효과적으로 사용하기 위해서는 빠른 토큰 생성과 인내심이 필요합니다.
엔뜨님의 댓글