Position: Beyond Model-Centric Prediction -- Agentic Time Series Forecasting

이 논문은 전통적인 모델 중심의 시계열 예측을 넘어, 지각·계획·행동·성찰·기억을 갖춘 에이전트 워크플로우로 예측을 재정의하는 '에이전트 시계열 예측 (ATSF)' 패러다임을 제안하고 그 구현 방식과 기회 및 과제를 논의합니다.

핵심

📉 기존 방식: "한 번에 찍는 자동 카메라" (Model-Centric)

지금까지의 시계열 예측 (미래를 예측하는 일) 은 마치 자동 카메라와 같았습니다.

• 방식: 과거의 사진 (데이터) 을 카메라에 넣고, 버튼 (모델) 을 누르면 미래의 사진이 딱! 한 장 나옵니다.
• 문제점: 카메라는 한 번 찍으면 끝입니다. 만약 찍힌 사진이 흐릿하거나, 갑자기 날씨가 바뀌거나, 새로운 정보가 들어와도 카메라는 "이미 찍었으니 끝"이라고 생각합니다.
• 현실: 하지만 현실 세계는 너무 복잡합니다. 에너지 관리, 주식 투자, 병원 운영 같은 곳에서는 단순히 "숫자 하나"를 알려주는 것보다, **"왜 그런지 이유를 설명하고, 상황을 보고 계획을 수정하며, 실수를 바로잡는 과정"**이 훨씬 중요합니다.

🤖 새로운 제안: "현명한 예언가 에이전트" (Agentic Time Series Forecasting)

이 논문은 예측을 단순한 '계산'이 아니라, **지능적인 에이전트 **(Agent)로 바꿔야 한다고 말합니다. 마치 유능한 개인 비서나 전문 컨설턴트가 일을 처리하는 방식입니다.

이 '예측 에이전트'는 다음 5 가지 능력을 가지고 일을 합니다:

1. **지각 **(Perception)

   • 비유: 비서가 회의실에 들어와서 "오늘 날씨가 흐리네요, 회의실 창문은 닫아야겠어요"라고 상황을 파악하는 것.
   • 역할: 단순히 데이터를 보는 게 아니라, 어떤 정보가 중요한지, 어떤 노이즈 (잡음) 는 버려야 할지 스스로 판단합니다.

2. **계획 **(Planning)

   • 비유: "오늘 회의는 3 단계로 진행할 거야. 먼저 자료 준비하고, 다음에 발표하고, 마지막에 질문 받자"라고 일정을 짠다.
   • 역할: 예측을 바로 시작하지 않고, "어떤 도구를 쓸지", "어떤 순서로 분석할지" 전략을 세웁니다.

3. **행동 **(Action)

   • 비유: 비서가 직접 컴퓨터로 통계를 내고, 다른 전문가에게 전화를 걸고, 새로운 자료를 찾아오는 것.
   • 역할: 예측 모델 하나만 쓰는 게 아니라, 필요한 통계 도구, 외부 정보, 다른 AI 모델들을 상황에 맞게 골라 사용합니다.

4. **반성 **(Reflection)

   • 비유: "아, 방금 계산한 결과가 너무 이상하네? 혹시 데이터에 오류가 있나? 다시 한번 확인해보자."라고 스스로를 점검합니다.
   • 역할: 예측 결과를 내기 전에 "이게 맞을까?"라고 의심하고, 틀리면 고쳐서 다시 예측합니다.

5. **기억 **(Memory)

   • 비유: "어제 비가 와서 교통 체증이 심했었지. 오늘도 비가 오면 비슷한 패턴이 나올 거야."라고 과거 경험을 기록해 둡니다.
   • 역할: 단순히 데이터를 저장하는 게 아니라, "어떤 상황에서 어떤 전략이 잘 통했는지"를 기억해서 다음에 더 똑똑하게 대응합니다.

---

🚀 왜 이 방식이 더 좋은가요?

이 논문은 이 '에이전트 방식'이 세 가지 주요 장점이 있다고 말합니다.

1. **유연함 **(Flexible)
   • 상황 (날씨, 시장 변동 등) 이 바뀌면, 에이전트는 계획을 수정하고 새로운 도구를 쓸 수 있습니다. 고정된 카메라처럼 한 번에 끝나는 게 아니라, 계속 대화를 나누며 답을 찾습니다.
2. **전문가처럼 생각함 **(Expert-like)
   • 인간 전문가들은 예측할 때 "왜?"라고 묻고, 실수를 고치고, 경험을 쌓습니다. 이 에이전트도 똑같이 생각할 수 있게 설계되었습니다.
3. **협업 **(Collaboration)
   • 인간과 AI 가 함께 일할 수 있습니다. AI 가 초안을 만들고, 인간이 "여기는 좀 더 신중하게"라고 지시하면 AI 가 다시 계획하고 수정합니다.

⚠️ 해결해야 할 과제들

물론 이 방식이 완벽하지는 않습니다. 논문은 다음과 같은 어려움도 지적합니다.

• 기억 관리: 너무 많은 정보를 기억하면 혼란스러워질 수 있습니다. (무엇을 기억하고 무엇을 잊을지 정해야 함)
• 도구 연결: 다양한 도구들을 잘 연결하는 표준이 필요합니다.
• 신뢰성: 에이전트가 스스로 생각하다 보면 실수가 반복될 수도 있습니다. (안전장치 필요)
• 비용: 한 번에 끝내는 것보다 여러 번 생각하고 행동하므로 계산 비용이 더 듭니다.

💡 결론

이 논문은 **"미래를 예측하는 일은 단순히 공식을 적용하는 계산이 아니라, 상황을 읽고, 계획을 세우고, 실수를 고치고, 경험을 쌓아가는 '지능적인 과정'이어야 한다"**고 주장합니다.

앞으로의 예측 시스템은 **단순한 '계산기'가 아니라, 스스로 생각하고 행동하는 '지능형 파트너'**로 진화할 것이라고 제안합니다.

기술 요약

1. 문제 제기 (Problem)

기존의 시계열 예측 (Time Series Forecasting) 연구는 대부분 모델 중심 (Model-Centric) 패러다임에 기반하고 있습니다. 이는 고정된 입력 데이터를 바탕으로 단일 회귀 (Single-pass) 방식으로 미래 값을 매핑하는 지도 학습 문제로 정의됩니다.

그러나 실제 현실 세계의 의사결정 환경에서는 이러한 단일 회귀 방식이 다음과 같은 한계를 보입니다:

• 정적 (Static) 성: 입력, 특징, 예측 구간이 고정되어 있어 동적인 환경 변화나 새로운 정보에 대한 목표 재설정이나 문제 구조 조정이 불가능합니다.
• 폐쇄적 (Closed) 운영: 외부 도구와의 자율적 상호작용이 제한되어 있어, 도메인 지식이나 보조 정보의 통합이 어렵습니다.
• 단회 실행 (Single-pass): 예측이 생성되면 최종 결과로 간주되며, 오차 분석, 가정 검증, 수정을 위한 반복적인 피드백 루프가 부재합니다.
• 경험 축적 부재: 과거의 예측 사례에서 얻은 지식이 모델 파라미터 업데이트를 통해 간접적으로만 흡수될 뿐, 명시적인 메모리나 경험 전이 (Experience Transfer) 메커니즘이 없습니다.

이러한 구조적 불일치는 적응적이고 다중 턴 (Multi-turn) 이 필요한 복잡한 의사결정 시나리오에서 예측 시스템의 효과를 제한합니다.

2. 방법론: 에이전트 기반 시계열 예측 (ATSF)

저자들은 시계열 예측을 단순한 계산이 아닌 **에이전트 과정 (Agentic Process)**으로 재정의하는 **에이전트 기반 시계열 예측 (Agentic Time Series Forecasting, ATSF)**을 제안합니다. ATSF 는 예측을 **지각 (Perception), 계획 (Planning), 행동 (Action), 성찰 (Reflection), 기억 (Memory)**의 5 가지 핵심 요소로 구성된 순환적 의사결정 과정으로 봅니다.

핵심 구성 요소 (Core Components)

1. 지각 (Perception): 노이즈가 섞이고 이질적인 원시 데이터를 필터링하고, 현재 예측 목표에 가장 관련성 높은 정보를 추출하여 의미 있는 내부 표현으로 변환하는 적응형 인지 과정입니다.
2. 계획 (Planning): 구체적인 실행 전에 예측 목표를 수립하고, 복잡한 작업을 하위 작업으로 분해하며, 어떤 가정과 순서로 예측을 수행할지 결정하는 동적 프로세스입니다. 새로운 정보나 피드백에 따라 계획을 재수정 (Replanning) 할 수 있습니다.
3. 행동 (Action): 계획된 결정을 실행하는 단계로, 예측 모델 호출, 통계 분석 수행, 외부 정보 검색 등 다양한 도구를 자율적으로 상호작용하며 실행합니다. 여기서 '예측' 자체는 여러 행동 중 하나로 간주됩니다.
4. 성찰 (Reflection): 예측 결과를 기대치, 가정, 맥락적 증거와 비교하여 평가하고, 불일치를 식별하며, 필요시 예측을 수정하거나 재생성하는 자기 평가 메커니즘입니다.
5. 기억 (Memory): 과거의 예측 사례, 성공/실패 패턴, 도메인 규칙 등을 명시적으로 저장하고, 새로운 상황에 맞춰 검색 및 재사용할 수 있도록 하는 동적 진화 시스템입니다.

구현 패러다임 (Implementation Paradigms)

저자는 ATSF 를 구현하는 세 가지 주요 접근 방식을 제시합니다:

1. 워크플로우 기반 설계 (Workflow-based Design): 예측 과정을 사전 정의된 단계 (계획, 행동, 성찰 등) 로 분해하여 해석 가능하고 안정적인 구조를 제공합니다.
2. 에이전트 강화학습 (Agentic Reinforcement Learning, AgenticRL): 예측을 환경과의 상호작용을 통해 학습하는 문제로 정의하며, 보상 신호를 통해 예측 전략, 행동 선택, 수정 방식을 최적화합니다.
3. 하이브리드 에이전트 워크플로우 (Hybrid Agentic Workflow / AgentFlow): 워크플로우의 구조적 안정성과 강화학습의 적응성을 결합합니다. 전체 워크플로우는 명시적으로 정의하되, 특정 결정 지점 (예: 컨텍스트 선택, 전략 전환) 에만 강화학습을 적용하여 유연성과 신뢰성을 동시에 확보합니다.

3. 주요 기여 (Key Contributions)

• 개념적 재정의: 예측을 '모델 실행'이 아닌 '지식 기반의 순환적 의사결정 과정'으로 재정의하여, 예측 시스템의 설계와 평가 관점을 근본적으로 변화시킵니다.
• ATSF 프레임워크 정립: 지각, 계획, 행동, 성찰, 기억이라는 5 가지 핵심 요소를 정의하고, 이를 통해 인간 전문가의 예측 행동을 체계적으로 모방할 수 있는 이론적 기반을 마련했습니다.
• 구현 패러다임 제시: 워크플로우, 강화학습, 하이브리드 접근법 등 ATSF 를 실제 시스템으로 구현할 수 있는 구체적인 기술적 경로를 제시했습니다.
• 연구 기회와 과제 도출: ATSF 가 가져올 수 있는 5 가지 기회 (시스템 진화, 이질적 학습 통합, 전문가 행동 모델링 등) 와 7 가지 주요 과제 (메모리 설계, 툴킷 표준화, 신뢰성, 효율성 등) 를 체계적으로 분석했습니다.

4. 결과 및 기대 효과 (Results & Significance)

이 논문은 구체적인 수치적 실험 결과보다는 패러다임 전환의 필요성과 방향성을 제시하는 'Position Paper'입니다.

• 의사결정 지원 강화: 예측이 단순한 숫자가 아니라 불확실성 하에서의 의사결정을 지원하는 동적 과정이 됨으로써, 에너지, 의료, 금융 등 고위험 분야에서 더 신뢰할 수 있는 의사결정을 가능하게 합니다.
• 전문가 수준의 예측 모방: 인간 전문가가 수행하는 가설 형성, 반복적 검토, 경험 기반 수정 등의 행동을 시스템에 명시적으로 구현하여 해석 가능성 (Interpretability) 과 신뢰성을 높입니다.
• 유연한 적응성: 고정된 모델이 아닌, 새로운 정보와 환경 변화에 따라 전략을 수정하고 진화하는 시스템 구축을 가능하게 합니다.
• 도구 및 시스템 진화: 모델 아키텍처의 발전뿐만 아니라, 도구 구성, 워크플로우 설계, 의사결정 정책 등 시스템 전체의 진화를 통해 예측 성능을 향상시킬 수 있는 새로운 연구 축을 제시합니다.

5. 결론

이 논문은 시계열 예측 연구가 단순한 예측 정확도 향상을 넘어, 에이전트 (Agent) 의 사고와 행동 과정을 통합하는 방향으로 나아가야 함을 강력히 주장합니다. ATSF 는 예측을 정적인 계산이 아닌, 지각과 기억을 바탕으로 계획을 수립하고 행동을 취하며 성찰을 통해 진화하는 동적인 의사결정 시스템으로 격상시킵니다. 이는 미래의 시계열 예측 연구가 모델 중심에서 과정 중심 (Process-Centric) 으로 전환되어야 함을 의미하며, 복잡한 실세계 환경에서 더욱 견고하고 적응적인 예측 시스템을 구축하기 위한 필수적인 방향성을 제시합니다.