ㅁ 주요 구조

ㅇ 정의:
에이전트 기반 AI의 주요 구조로, 환경과 상호작용하며 목표 지향적인 행동을 수행하는 시스템을 의미한다.

ㅇ 특징:
– 독립적으로 의사결정을 내릴 수 있는 능력을 갖춤.
– 환경에서 데이터를 수집하고 이를 바탕으로 학습 및 행동 조정을 수행.
– 주로 강화학습과 같은 기법을 사용하여 성능을 최적화.

ㅇ 적합한 경우:
– 자율 주행 차량, 로봇 공학, 게임 AI 등 환경과 실시간으로 상호작용이 필요한 경우.
– 복잡한 환경에서 목표를 달성해야 하는 문제를 해결할 때.

ㅇ 시험 함정:
– Agentic AI와 일반적인 머신러닝 모델을 혼동하는 경우.
– 환경과의 상호작용 없이도 작동 가능하다고 오해하는 경우.

ㅇ 시험 대비 “패턴 보기” 예시:
O: Agentic AI는 환경과의 상호작용을 통해 학습하고 행동을 조정한다.
X: Agentic AI는 사전 학습된 모델만을 사용하여 작동한다.

================================

ㅁ 추가 학습 내용

Agentic AI의 주요 기술 요소와 실제 사례에 대해 학습하기 위한 정리:

1. **강화학습**:
– 정의: 강화학습은 에이전트가 환경과 상호작용하며 보상을 극대화하는 행동을 학습하는 기계 학습 방법입니다.
– 특징: 에이전트는 시행착오를 통해 최적의 행동을 학습하며, 보상 신호를 기반으로 의사결정을 개선합니다.
– 예시: 알파고는 강화학습을 활용하여 인간 수준의 바둑 실력을 달성했습니다.

2. **의사결정 트리**:
– 정의: 의사결정 트리는 데이터를 기반으로 가능한 선택지와 결과를 시각적으로 표현하는 구조입니다.
– 특징: 트리의 각 노드는 조건에 따라 분기하며, 최종적으로 결정에 도달합니다.
– 활용: Agentic AI는 의사결정 트리를 사용하여 복잡한 문제를 구조화하고 해결합니다.

3. **상태-행동 맵핑**:
– 정의: 상태-행동 맵핑은 특정 상태에서 수행해야 할 최적의 행동을 정의하는 과정입니다.
– 특징: 환경의 상태를 분석하여 적절한 행동을 선택하는 데 사용됩니다.
– 적용: 자율주행 차량은 상태-행동 맵핑을 통해 도로 상황에 맞는 최적의 경로를 선택합니다.

4. **Agentic AI의 실제 사례**:
– 알파고: 바둑 게임에서 강화학습과 신경망을 활용하여 인간을 능가하는 성능을 보여줌.
– 자율주행 차량: 경로 최적화 알고리즘을 사용하여 실시간 교통 데이터를 분석하고 안전하고 효율적인 이동 경로를 선택.
– 로봇 공학: 물체 이동, 조립 작업 등에서 강화학습을 통해 작업 효율성을 극대화.

이러한 내용을 중심으로 Agentic AI의 기술 요소와 실제 사례를 학습함으로써 시험 대비에 효과적으로 활용할 수 있습니다.