1. 문제 정의 (Problem Statement)

지능형 에이전트와 의사결정 지원 시스템의 진화 과정에서 '개인화'와 '실시간 적응성'은 사용자 경험 (UX) 의 핵심 요소로 부상했습니다. 그러나 기존 접근 방식들은 다음과 같은 한계를 가지고 있습니다:

• 복잡한 의사결정 균형: 스마트 공간에서 사용자 의도 (Intent) 를 이해하고 실행할 때, 속도 (지연 시간), 정확도, 계산 비용 사이의 균형을 실시간으로 유지하는 것이 어렵습니다.
• 자원 제약: 엣지 (Edge) 환경과 클라우드 환경 간의 자원 격차로 인해, 제한된 컴퓨팅 자원을 가진 엣지 디바이스에서 대규모 언어 모델 (LLM) 에이전트를 효율적으로 구동하기 어렵습니다.
• 확장성 및 조정: 에이전트 수가 증가함에 따라 통신 오버헤드와 동기화 비용이 증가하며, 사용자 의도의 긴급성 (Urgency) 에 따라 자원을 동적으로 할당하는 메커니즘이 부족합니다.
• 기억 부족: 에이전트가 과거 상호작용을 학습하고 맥락을 유지하여 더 개인화된 응답을 생성하는 능력이 제한적입니다.

이러한 문제를 해결하기 위해 UserCentrix는 사용자의 의도 긴급성을 인식하고, 메모리 증강 (Memory-Augmented) 및 자율적 의사결정을 통해 스마트 공간의 자원을 최적화하는 하이브리드 에이전트 오케스트레이션 프레임워크를 제안합니다.

2. 방법론 (Methodology)

UserCentrix 는 **사용자 측 (User Side)**과 **빌딩 측 (Smart Building Side)**으로 구성된 듀얼 레이어 아키텍처를 채택합니다.

2.1 핵심 아키텍처 구성 요소

1. 사용자 측 (Personalized LM Agent):

   • 지식 기반 에이전트: 사용자의 개인화된 지식을 유지하며, **CBR (Case-Based Reasoning)**을 기반으로 과거 상호작용을 메모리에 저장하고 재사용합니다.
   • 자기 평가 (Self-evaluation): 생성된 응답이 원래 의도와 일치하는지 검증하여 신뢰성을 높입니다.
   • 의도 처리: 새로운 의도가 들어오면 과거 데이터와 시맨틱 유사도 (Semantic Similarity) 를 비교하여, 유사한 경우 기존 선호도를 자동으로 적용합니다.

2. 빌딩 측 (Smart Building Side):

   • 의사결정 모듈 (Decision-making Module):
     • 분류기 에이전트: 현재 시간과 실행 예정 시간의 차이를 기반으로 의도를 **고급 (High-urgency, 2 시간 이내)**과 **저급 (Low-urgency, 2 시간 이상)**으로 분류합니다.
     • 고급 에이전트 (AHigh): 속도를 최우선으로 하여 경량화된 추론 경로를 생성하고, LM 호출 수를 최소화합니다.
     • 저급 에이전트 (ALow): 정확도를 최우선으로 하여 다양한 추론 경로를 생성하고, Pareto 최적화를 통해 자원 비용과 정확도 사이의 최적 해를 찾습니다.
     • 메모리 증강: 과거의 성공적인 해결책과 평가자 (Evaluator) 의 피드백을 컨텍스트 학습 (In-context Learning) 을 통해 새로운 해결책 생성에 활용합니다.
   • 하위 작업 실행 모듈 (Sub-tasks Execution Module):
     • 선택된 솔루션을 하위 작업으로 분해하고, 병렬로 실행 가능한 저수준 에이전트들을 생성합니다.
     • Rendezvous Points (RPs): 에이전트 간 공유 메모리 역할을 하여 중간 결과를 교환하고 충돌을 해결합니다.
   • 관리 및 분석 모듈 (Management and Analysis Module):
     • 생성된 명령어를 TTL (Time-to-Launch) 설정이 포함된 메시지 큐에 저장하고 정해진 시간에 실행합니다.
     • 환경 에이전트 (Environment Agent): 실시간 센서 데이터를 모니터링하여 사용자 의도와 편차가 발생하면 즉시 수정 명령어를 생성합니다.

2.2 최적화 전략

• Pareto 기반 최적화: 의미적 유사도 (Semantic Similarity), 정밀도 (Precision), LM 호출 비용 (Cost) 을 동시에 고려하여 최적의 솔루션을 선택합니다.
• 동적 자동 확장 (Auto-scaling): 의도의 긴급성에 따라 에이전트 수와 추론 깊이를 동적으로 조절합니다.

3. 주요 기여 (Key Contributions)

1. 개인화된 메모리 증강 에이전트: 확장 가능한 메모리와 자기 평가 메커니즘을 갖춘 지식 기반 AI 에이전트를 개발하여 의사결정 신뢰성과 응답 효율성을 향상시켰습니다.
2. 긴급성 인식 자동 확장 아키텍처: 사용자 의도의 긴급도에 따라 추론 시간 예산과 의사결정 전략을 동적으로 조정하는 프로액티브 (Proactive) 자동 확장 메커니즘을 제안했습니다.
3. 협력적 추론 네트워크: 여러 에이전트가 RPs 를 통해 협력 조건을 협상하고 의도 충돌을 해결하며 다양한 사용자 요구사항을 충족하는 구조를 설계했습니다.
4. TTL 기반 명령어 관리: 메시지 큐를 통한 명령어 스케줄링과 환경 에이전트의 실시간 모니터링을 결합하여 시스템의 내고장성 (Fault Tolerance) 을 보장했습니다.
5. 종합적 성능 평가: 다양한 LLM 과 SLM 을 활용하여 인간-루프 (Human-in-the-Loop) 및 LLM-as-a-Judge 평가를 통해 프레임워크의 효율성과 정확성을 검증했습니다.

4. 실험 결과 (Results)

오울루 대학교 (University of Oulu) 의 스마트 캠퍼스 데이터를 기반으로 한 실험은 클라우드 (Google Colab) 와 엣지 (Intel i5 데스크톱) 환경에서 수행되었습니다.

• 모델별 성능 비교:

  • GPT-4o와 Gemini-1.5 Flash가 가장 우수한 성능을 보였습니다. 특히 GPT-4o는 엣지 환경에서도 가장 짧은 지연 시간 (약 1.38 초, 고긴급성) 과 낮은 CPU 사용률 (약 5.6%) 을 기록하며 높은 정확도 (1.0) 를 달성했습니다.
  • Claude 3.5 Sonnet과 Mistral은 엣지 환경에서 높은 지연 시간 (수백 초) 과 높은 CPU/메모리 사용률을 보여 실시간 적용에 부적합했습니다.
  • Command-r7b와 Granite3.1-MoE는 중간 수준의 성능을 보였으나, GPT-4o 나 Gemini 에 비해 효율성이 낮았습니다.

• 긴급성별 성능:

  • 고급 (High-urgency): 에이전트가 LM 호출 수를 줄이고 경량화된 경로를 선택하여 속도를 극대화했습니다.
  • 저급 (Low-urgency): 더 많은 LM 호출과 깊은 추론 계층을 통해 정확도를 높였으며, Pareto 분석을 통해 자원 효율성과 정확도의 균형을 찾았습니다.

• 학습 효과 (In-context Learning):

  • 학습 전후 비교에서 에이전트는 과거의 성공적인 사례를 메모리에서 재사용하여 유사도 점수를 약 6.1% 향상시켰고, 결정의 일관성과 신뢰도를 높였습니다.

• 환경 에이전트:

  • GPT-4o 와 Gemini-1.5 Flash 는 실시간 센서 데이터 모니터링 및 수정 명령어 생성에서 1.0 의 정확도를 보이며, 인간 개입 없이도 시스템의 안정성을 유지했습니다.

5. 의의 및 결론 (Significance & Conclusion)

• 실용적 가치: UserCentrix 는 제한된 자원을 가진 엣지 환경에서도 실시간으로 개인화된 서비스를 제공할 수 있는 가능성을 입증했습니다. 이는 스마트 빌딩, IoT, 6G 환경 등 미래 지능형 공간의 핵심 인프라가 될 수 있습니다.
• 자원 최적화: 단순히 모델을 큰 것으로 선택하는 것이 아니라, 작업의 긴급성과 맥락에 따라 적절한 모델과 추론 깊이를 동적으로 선택함으로써 계산 비용과 성능 사이의 최적 균형을 달성했습니다.
• 지속적 학습: 에이전트가 과거 경험을 메모리에 저장하고 이를 통해 스스로 진화하는 (Prompt Evolution) 메커니즘은 재학습 없이도 성능을 지속적으로 개선할 수 있음을 보여줍니다.

결론적으로, UserCentrix 는 에이전트 오케스트레이션, 메모리 증강, 그리고 상황 인식형 자동 확장을 통합하여 스마트 공간에서의 AI 의사결정 효율성과 적응성을 혁신적으로 향상시킨 프레임워크입니다.