ㅁ 변화와 유형

1. Agentic AI

ㅇ 정의:
스스로 목표를 설정하고 계획을 수립하며 환경과 상호작용하여 작업을 수행하는 인공지능. 단순 응답형 AI와 달리 능동적으로 행동을 결정함.

ㅇ 특징:
– 장기 목표 설정 가능
– 환경 변화에 따른 동적 의사결정
– 외부 도구나 API 호출을 통한 작업 수행

ㅇ 적합한 경우:
– 복합 단계의 문제 해결
– 지속적인 모니터링과 조치가 필요한 업무

ㅇ 시험 함정:
– 단순 질의응답형 AI와 혼동
– 목표 설정 여부를 간과하는 문제

ㅇ 시험 대비 “패턴 보기” 예시:
O: Agentic AI는 스스로 목표를 설정하고 환경과 상호작용한다.
X: Agentic AI는 반드시 사람의 명령을 받아야만 작업을 수행한다.

2. Multi-Agent System

ㅇ 정의:
여러 개의 에이전트가 협력 또는 경쟁하며 문제를 해결하는 시스템.

ㅇ 특징:
– 분산 처리 및 병렬 작업 가능
– 에이전트 간 통신 및 조율 필요

ㅇ 적합한 경우:
– 대규모 시뮬레이션
– 분산 자원 관리

ㅇ 시험 함정:
– 단일 에이전트 시스템과 혼동
– 에이전트 간 독립성 과소평가

ㅇ 시험 대비 “패턴 보기” 예시:
O: Multi-Agent System은 여러 에이전트가 상호작용하며 문제를 해결한다.
X: Multi-Agent System에서는 에이전트 간에 전혀 통신이 없다.

3. Parallel Agents

ㅇ 정의:
여러 에이전트가 동시에 독립적으로 작업을 수행하는 구조.

ㅇ 특징:
– 병렬성 극대화
– 작업 간 간섭 최소화

ㅇ 적합한 경우:
– 대량 데이터 병렬 처리
– 독립적 작업의 동시 수행

ㅇ 시험 함정:
– 협력형 에이전트 시스템과 혼동
– 동기화 필요성을 무시

ㅇ 시험 대비 “패턴 보기” 예시:
O: Parallel Agents는 서로 독립적으로 동시에 작업을 수행한다.
X: Parallel Agents는 반드시 순차적으로 작업을 수행한다.

4. Reflexion

ㅇ 정의:
AI가 자신의 출력 결과를 검토하고 오류를 수정하는 자기 반성 기반 접근.

ㅇ 특징:
– 출력 품질 개선
– 자기 평가 및 피드백 루프 포함

ㅇ 적합한 경우:
– 정답 정확도가 중요한 문제
– 생성 결과의 품질 향상이 필요한 경우

ㅇ 시험 함정:
– 단순 반복 실행과 혼동
– 자기 피드백 과정 누락

ㅇ 시험 대비 “패턴 보기” 예시:
O: Reflexion은 AI가 스스로 결과를 검토하고 개선한다.
X: Reflexion은 외부 검토자만이 결과를 수정하는 방식이다.

5. Self-Refine

ㅇ 정의:
AI가 중간 산출물을 점진적으로 개선하여 최종 결과 품질을 높이는 기법.

ㅇ 특징:
– 단계별 개선
– 이전 결과를 기반으로 수정

ㅇ 적합한 경우:
– 창작물 품질 향상
– 복잡한 문서 작성

ㅇ 시험 함정:
– 최초 결과만 사용하는 방식과 혼동
– 개선 반복의 목적을 잘못 이해

ㅇ 시험 대비 “패턴 보기” 예시:
O: Self-Refine은 중간 결과를 반복 개선한다.
X: Self-Refine은 최초 결과를 그대로 사용하는 방식이다.

6. ReAct

ㅇ 정의:
Reasoning(추론)과 Acting(행동)을 결합하여 문제를 해결하는 AI 접근 방식.

ㅇ 특징:
– 추론과 행동의 반복 사이클
– 상황에 따른 적응적 조치 가능

ㅇ 적합한 경우:
– 환경 변화에 대응해야 하는 작업
– 복합 의사결정 문제

ㅇ 시험 함정:
– 추론과 행동의 순서를 고정된 것으로 오해
– 단일 단계 문제 해결과 혼동

ㅇ 시험 대비 “패턴 보기” 예시:
O: ReAct는 추론과 행동을 결합하여 문제를 해결한다.
X: ReAct는 추론 없이 무작위로 행동한다.

ㅁ 추가 학습 내용

학습 정리

1. Agentic AI vs 전통적 AI(reactive AI)
– Agentic AI: 스스로 목표를 설정하고 환경과 능동적으로 상호작용함. 장기 계획 가능.
– 전통적 AI(reactive AI): 사전에 정의된 규칙과 반응 중심, 목표 설정 기능 없음.
– 사례 비교: Agentic AI는 미션을 달성하기 위해 경로를 수정하며 진행, reactive AI는 입력에 즉각 반응만 함.

2. Multi-Agent System(MAS)에서의 협력과 경쟁
– 협력(cooperative): 에이전트들이 공동 목표 달성을 위해 정보 공유 및 역할 분담.
– 경쟁(competitive): 제한된 자원이나 상충되는 목표로 인해 이익 극대화를 위해 경쟁.
– 조율 프로토콜: KQML, FIPA ACL 등 표준 메시지 언어를 사용하여 의사소통 규칙과 의미를 정의.

3. Parallel Agents vs Multi-Agent System
– Parallel Agents: 여러 에이전트가 독립적으로 병렬 작동, 상호작용 최소.
– Multi-Agent System: 에이전트 간 상호작용이 필수, 협력 또는 경쟁 구조를 가짐.

4. Reflexion vs Self-Refine
– Reflexion: 자기 평가와 오류 수정 중심, 결과를 검토하여 개선.
– Self-Refine: 점진적 품질 개선 중심, 반복적인 개선 사이클로 완성도 향상.

5. ReAct 프레임워크
– 구조: 추론(Reasoning) → 행동(Action) → 관찰(Observation) 루프.
– 예시: LangChain ReAct Agent는 의사결정 과정에서 추론과 행동을 번갈아 수행하며 관찰 결과를 반영.

시험 대비 체크리스트

[ ] Agentic AI와 reactive AI의 정의와 차이점, 목표 설정 여부 숙지
[ ] MAS에서 협력과 경쟁 시나리오의 특징과 예시 구분 가능
[ ] KQML과 FIPA ACL의 목적과 역할 이해
[ ] Parallel Agents와 MAS의 차이점(병렬성 vs 상호작용 중심) 암기
[ ] Reflexion과 Self-Refine의 초점 차이 명확히 구분
[ ] ReAct 프레임워크의 단계와 실제 구현 예시 기억
[ ] 각 개념의 키워드와 특징을 뒤섞은 문장에 속지 않도록 대비