에이전트의 시대

본 게시글은 학부 강의 'AI 데이터 표현과 모델링'을 기반으로 이해하고 학습한 내용을 정리하였습니다.

 

 

현 시점 에이전트 SOTA

 

 

 

 

The Age of Agents

 

 

전통적 AI, 특히 딥러닝 기반 AI가 활용되는 영역에서 한 단계 더 나아가, 작년부터 에이전트(Agent)의 시대가 열리고 있습니다.

모두 Agentic AI 라는 용어를 이제 많이들 알게 된 것 같아요. 이제 "네이버에 검색 해보자"가 아닌 "지피티한테 물어보자"는 말이 더 많이 들리고 있으니까요.

 

 

 

소프트웨어의 목적

 

ENIAC(1945) was the first electronic, Turing-complete device, and performed ballistics trajectory calculations for the United States Army.(Image Source: Wikipedia –Computer)

 

 

근본적 질문을 던져볼께요.

ENIAC(1945)은 세계 최초의 전자식, 튜링 완전(Turing-complete)컴퓨터로 미 육군의 탄도 궤적 계산을 수행했습니다. 당시의 코딩은 물리적 스위치를 조작하는 것이었죠. 방에 4개의 스위치가 있고, 각 버튼으로 2개의 스위치를 on/off 할 수 있다면 16가지 조합이 가능하고, 각 상태에서 무엇을 할지 기술하는 것이 초기의 프로그래밍이었습니다.

 

소프트웨어의 목적은 결국 이 두 가지에요.

컴퓨터가 인간의 작업(human tasks)을 하도록 하는 것

더 본질적으로는, 인간이 자신의 목표(their goals)를 달성하도록 돕는 것

 

지난 70년의 두 가지 접근법

규칙 기반 접근(Rule-based Approach) - 프로그래밍이란 무엇인가?

IEEE 정의에 따르면, 프로그래밍은 프로그래밍 언어에서의 명령어의 설계, 코딩, 테스트, 유지보수를 통해 컴퓨터 프로그램을 생성하고 수정하는 과정 입니다. 

 

 

• Producer, 생산자: 인간
• Consumer, 소비자: 인간 또는 컴퓨터

 

인간과 인간 사이, 그리고 인간과 컴퓨터 사이에 명확한 소통을 보장하기 위해 엄격한 규칙이 필요합니다.

프로그래밍 언어, 데이터 포맷 / 스키마, 통신 프로토콜, 알고리즘 추상화 등등

 

인류는 처음부터 추상화, 일반화 능력, 기호화 능력을 가지고 있었습니다. 하지만 오랫동안 그 결과물은 인간이 소비하는 것이 전부였어요. 컴퓨터가 등장한 이후, 인간도 이해해야 하지만 기계도 이해할 수 있는 형태의 인터페이스를 본격적으로 고민하기 시작했습니다. 그것이 프로그래밍이에요.

 

프로그래밍, 혹은 소프트웨어 엔지니어링의 본질은

• 세계를 효과적으로 모델링하기(Computational Modeling, Formalization)
• 인간 - 컴퓨터 커뮤니케이션을 위한 추상화 구축
• 결정적(deterministic)이고 반복 가능한(repeatable) 실행 보장
• 시스템의 유지보수와 확장
• 다양한 환경에서의 상호운용성(interoperability) 보장

한마디로,

 

프로그래밍 = 정교한 규칙 시스템(RULE system)
을 구축하는 과정

 

파이썬에서 for문을 돌리려면 일정한 문법을 따라야 합니다. 문법을 다르게 쓰면 다르게 실행되거나 오류가 납니다. 프로그래밍 언어는 결국 사람이 실수해도 기계가 오류 없이 작동하도록 강제하는 규칙 시스템인 겁니다.

 

1945년부터 약 2010년까지, 이 규칙 기반 접근법이 컴퓨터를 통한 목표 달성의 주된 방법이었습니다. 60년간 이 방식이 문제 해결의 기본 사고방식이 되면서, "프로그래밍 = 컴퓨터로 달성하기"라는 등식이 성립했어요.

 

현대 문명은 이 규칙 기반 레거시 시스템 위에 세워져 있습니다. 이 부분에는 무서운 면도 있어요.

만약 Window 10 시스템이 전 세계적으로 다운되면 어떻게 될까요?

데이터베이스 같은 기둥 하나가 전 세계적으로 멈춘다면?

KTX도, SRT도 우린 탈 수 없습니다. 과거처럼 그림을 그려서 소통할 수도 없어요. 편리한 것에 너무 의존한 나머지, 프로그래밍 언어 기반 규칙으로 만들어진 인프라 위에 살고 있고, 그 인프라 하나가 무너지면 다른 문명도 무너질 수 있는 취약한 세상이라는 겁니다.

 

과연 미래는 어떻게 될까요?

요즘은 Python, C, Java를 배우면 거의 끝이다. 라고도 말합니다. 앞으로는 언어와 무관하게 구현할 수 있게 될 겁니다. 바이브 코딩(vibe coding)으로도 가능하기 때문이죠. 여러분의 아이디어가 중요합니다. 기계가 다 해줄 건데, 언어를 깊이 배울 필요가 있나?? 이런 말을 해도 되는 지 모르겠네요. 하지만 깊은 수준까지 도움이 되지는 않을 것 같아요.

 

 

데이터 기반 접근(Data-driven Approach) - Machine Learning

2010년 이후 등장한 대안적 접근법입니다.

 

규칙기반이라 함은

1. 인간이 수행 방법을 직접 기술(description)해서 컴퓨터에 전달
2. 결과 데이터 기반 문제를 해결한 데이터르 ㄹ수집
3. 기계가 그 데이터셋에서 문제 해결 패턴(pattern)을 학습
4. 그 패턴으로 새로운 문제를 해결

 

결과는 같아요.

문제를 해결합니다.

하지만 인간이 일일이 지시하느냐, 기계가 데이터에서 스스로 배우느냐의 차이입니다. 이것이 Machine Learning입니다. 

 

 

문제 풀이로 평가받는 시대의 종말

한국의 수능 시험은 제한된 시간, 제한된 공간에서 문제를 잘 푸는지 평가하도록 설계되어 있어요. 하지만 기계가 이미 수학에서 100점을 받고, 그것도 5 - 10분 만에 끝냅니다.

 

이제 문제를 잘 푸는 것 은 더 이상 중요하지 않습니다.  

 

앞으로 중요한 것은 아래에 서술하는 사이클입니다.

1. 현실 세계의 문제를 발견하고 뜯어본다.
2. 이것을 문제화(Problematize)한다.
3. 기계가 그 문제를 풀게 한다.
4. 결과를 현실에 다시 적용한다.

 

이 사이클을 빠르게, 잘 돌리는 조직이 경쟁력을 갖습니다.

 

 

 

의심스러운 햄스터 라는 캐릭터.

회사원으로 추청되는 이 사람은, AI로 동영상을 만들어 유튜브에서 100만 구독자를 달성했습니다. 프롬프트를 잘 넣는 사람이에요. 이것이 바로 그 사이클을 잘 돌린 사례라고 볼 수 있습니다.

 

다른 사례로는

• 주식 프로그램: 전 세계 신문을 다 읽고 판단을 내리는 AI 기반 주식 프로그램, 금융 분야에서 이미 많은 대형 기업들이 만들고 있습니다.
• 앱 / 웹 프로그래밍: 과거에는 컴퓨터 전공개발자가 필요했던 것들을, 지금은 5분 만에 바이브 코딩(vibe coding)으로 만들 수 있습니다.

 

 

Foundation Model

이 사이클을 잘 돌리기 위해서는, 기계가 현실을 잘 이해해야 합니다. 현실 세계를 기계가 최대한 잘 이해할 수 있게 만드는 기술이 바로 Foundation Model, 대규모 언어 모델(LLM)입니다.

 

한국의 독자적 기반 모델은 올해 말까지 하나로 정리될 겁니다. 최소한 한국에 AI 모델 하나는 세상을 우리만큼 잘 이해할 수 있어야 한다는 것이 경쟁의 핵심입니다. 이 모델은 아마 무료로 또는 오픈소스로 제공될 것이고,사람들은 이것을 활용해 좋은 서비스를 만들 수 있지 않을까 싶습니다.

 

 

 

 

---

 

Perception → Intelligence → Application 

 

 

현실 세계의 데이터를 센서를 통해 받아들이고(perception), 컴퓨터 세계에서 문제를 해결한 뒤(Problem Solving), 다시 현실 세계에 적용(application) 과정을 반복적으로 다루게 될 겁니다.