현대 인공지능의 세계에서 기계는 방대한 양의 정보를 읽어 문제를 해결하라는 요구를 점점 더 많이 받고 있습니다. 수백만 권의 책이 있는 도서관에 대해 특정 질문에 답해야 하는 사서를 상상해 보십시오. 한 가지 방법은 질문에 답하기 전에 모든 책을 표지부터 끝까지 전부 읽는 것입니다. 또 다른 방법은 사서에게 간단한 도구 세트—카드 목록을 찾아보고, 특정 선반으로 걸어가서, 관련 페이지들만 읽을 수 있는 방법—를 주는 것입니다. 이 두 번째 방법은 기계가 모든 것을 미리 암기할 필요 없이 복잡한 구조를 탐색하는 법을 배울 수 있다는 아이디어에 의존합니다. 이것이 지식 그래프(데이터, 개념, 데이터 테이블을 연결하는 디지털 지도)를 기반으로 추론할 수 있는 에이전트를 구축하는 핵심 과제입니다. 목표는 거대한 변화하는 데이터 네트워크 속에서 적절한 정보를 찾아내는 시스템을 만드는 것이며, 이는 마치 인간 전문가가 하는 것처럼, 전체 네트워크를 하나의 압도적인 메모리 슬롯에 강제로 밀어 넣는 것이 아니라 말입니다.

Oplit의 연구진은 이 탐색 접근 방식을 전통적인 방식과 비교 테스트하기 위해 GRA(Graph Reasoning Agent, 그래프 추론 에이전트)라는 새로운 시스템을 개발했습니다. 그들은 제품이 어떻게 만들어지는지에 대한 규칙, 주문 데이터, 기계 성능 기록을 포함한 운영의 디지털 트윈이 완비된 시뮬레이션 공장 환경을 구축했습니다. '통합 공장 지식 모델(Unified Factory Knowledge Model)'로 알려진 이 환경에는 서로 다른 정보들을 연결하여 특정 답을 찾아내야 하는 수백 개의 분석적 질문이 포함되어 있습니다. 어떤 질문은 단순한 숫자를 요구하는 반면, 어떤 질문은 현재 공장의 상태를 고려할 때 새로운 생산 계획이 가능한지 여부와 같이 복잡한 규칙을 이해할 것을 요구합니다. 연구진은 몇 가지 일반적인 도구를 사용하여 단계별로 디지털 공장을 탐색하는 에이전트가, 공장의 모든 매뉴얼과 데이터베이스 스키마를 한꺼번에 전달받는 에이전트보다 더 나은 성능을 보일 수 있는지 확인하고자 했습니다.

팀은 이 과업을 처리하는 세 가지 서로 다른 방식을 테스트했습니다. 첫 번째 방법은 그들이 '전체 문맥(full-context) 접근 방식'이라 부르는 것으로, 질문을 시작하기 전에 모든 테이블과 규칙을 포함한 공장의 모든 설명을 인공지능의 메모리에 쏟아붓는 것입니다. 이것은 사서에게 질문을 던지기 전에 도서관의 모든 카탈로그와 건물 안의 모든 책을 건네주는 것과 같습니다. 두 번째 방법은 지도를 완전히 제거하고, 에이전트에게 연결 고리가 없는 텍스트 문서와 테이블의 목록만을 제공하여 검색하게 하는 것입니다. 세 번째 방법인 GRA는 에이전트에게 일곱 가지의 간단한 도구를 제공합니다. 에이전트는 주변 항목을 나열하거나, 특정 항목의 상세 내용을 읽거나, 단어를 검색하거나, 의미를 검색하거나, 데이터베이스 쿼리를 실행하거나, 계획을 구상한 뒤, 최종적으로 답을 낼 수 있습니다. 결정적으로, 에이전트는 사전에 테이블의 이름이나 규칙을 알지 못하며, 이러한 도구들을 사용하여 그래프를 탐색함으로써 그것들을 발견해야 합니다.

결과에 따르면, 그래프를 단계별로 탐색한 에이전트가 한꺼번에 모든 것을 읽으려 했던 에이전트보다 더 정확했습니다. 258개의 테스트 세트에서 탐색형 에이전트는 88.4%의 정답률을 보인 반면, 전체 문맥을 읽은 에이전트는 83.3%의 정답률을 보였습니다. 더 중요한 점은, 탐색형 에이전트가 전체 문맥 에이전트가 처리해야 했던 정보의 3분의 1도 채 읽지 않고도 이 더 높은 정확도를 달성했다는 것입니다. 이는 복잡한 과업을 수행할 때는 적게 보되 더 선택적으로 보는 것이 더 낫다는 것을 시사합니다. 모든 것을 읽었던 에이전트는 텍스트의 엄청난 양에 압도되는 경우가 많았던 반면, 탐색형 에이전트는 당면한 문제를 해결하는 데 필요한 특정 데이터 조각들에만 집중했습니다.

연구진은 또한 이 탐색 방법의 성공 여부가 에이전트가 사용하는 도구의 신뢰성에 크게 의존한다는 것을 발견했습니다. 인공지능 모델이 지침을 잘 따르고 실수 없이 도구를 사용하는 능력이 뛰어날 때, 탐색 방식은 매우 잘 작동했습니다. 그러나 모델이 도구를 올바르게 사용하는 데 어려움을 겪으면 그 이점이 사라졌고, 모든 것을 한꺼번에 읽는 방식이 더 나은 성능을 보였습니다. 이는 그래프를 탐해서 얻는 이점이 정확히 필요한 것을 가져오는 능력에서 오지만, 이는 에이전트가 그것을 정확하게 가져올 수 있다고 신뢰할 수 있을 때만 가능하다는 것을 나타냅니다. 연구는 그래프의 구조 자체가 개선의 주요 원인이 아니라, 정보를 선택적으로 접근하는 행위 자체가 개선의 원인임을 밝혀냈습니다. 그래프가 제거되고 에이전트가 평면적인 텍스트를 검색할 때도 여전히 전체 문맥 방식보다 우수한 성과를 냈는데, 이는 핵심이 그래프 구조가 아니라 정보를 찾는 전략에 있었음을 증명합니다.

이것이 실제 상황에서 어떻게 작동하는지 보여주기 위해, 연구진은 공장 운영자의 요청을 에이전트가 어떻게 처리하는지 보여주었습니다. 운영자는 특정 규칙을 준수할 수 있는지 물었습니다: 알루미늄 프레임은 월요일에 두 개의 특정 스테이션 중 한 곳에서 용접되어야 한다는 규칙입니다. 에이전트는 즉시 답을 알지 못했습니다. 에이전트는 디지털 지도에서 용접 스테이션을 찾아보는 것부터 시작했습니다. 에이전트는 한 스테이션이 실제로 탄소 프레임 전용으로 제한되어 있다는 사실을 발견했는데, 이는 운영자의 요청에서는 드러나지 않았지만 그래프에 저장되어 있던 규칙이었습니다. 이는 즉시 한 가지 옵션을 배제했습니다. 에이전트는 그다음 다른 스테이션을 확인하고, 작업량을 처리할 충분한 시간이 있는지 계산했습니다. 에이전트는 표준 시간 추정치와 실제 과거 데이터를 비교했고, 실제 작업이 예상보다 오래 걸린다는 것을 발견하여 해당 요일에 요청을 이행하는 것이 불가능함을 찾아냈습니다. 에이전트는 규칙을 따를 수 없는 두 가지 구체적인 이유를 설명하며 명확한 거절 답변을 반환했고, 일정을 수정할 수 있는 두 가지 방법까지 제안했습니다.

두 번째 예로, 운영자는 조립 라인의 색상 변경 횟수를 교대 근무당 3회로 제한할 수 있는지 물었습니다. 에이전트는 다시 그래프를 탐색하여 교대 근무의 정의와 과거 생산 기록을 찾아냈습니다. 에이전트는 지난 10개월간의 이력을 재현하여 이 제한이 얼마나 자주 위반되었는지 확인했습니다. 에이전트는 소수의 날에 제한이 초과되기는 했으나, 규칙 도입이 불가능할 정도로 자주 발생하지는 않았다는 것을 발견했습니다. 에이전트는 해당 규칙이 실현 가능하지만 약간의 계절적 위험이 있다고 결론지었습니다. 운영자가 이를 확인하자, 시스템은 자동으로 이 규칙을 컴퓨터 솔버(solver)가 사용할 수 있는 수학적 형식으로 변환했고, 이후 이 새로운 규칙을 미래의 사용을 위해 디지털 지도에 다시 기록했습니다.

이 연구는 인공지능이 수동적인 독자가 아닌 숙련된 조사관처럼 행동함으로써 복잡한 산업 지식을 효과적으로 관리할 수 있음을 보여줍니다. 몇 가지 간단한 도구를 사용하여 구조화된 사실 네트워크를 탐색함으로써, 시스템은 모든 것을 한꺼번에 처리하려고 노력하는 것보다 더 정확하고 효율적으로 어려운 질문에 답할 수 있습니다. 연구는 적게 보되 목적을 가지고 보는 것이 에이전트가 더 나은 답을 내놓게 한다는 것을 보여줍니다. 이러한 접근 방식은 데이터 세트가 커지고 복잡해져 결국 단일 메모리 프롬프트에 담기에는 너무 커지는 상황에서 특히 가치가 있습니다. 이러한 상황에서는 정보를 탐색하고 특정 정보를 추출하는 능력이 지능적인 의사결정을 위한 유일한 실행 가능한 경로가 됩니다. 연구진은 다음 단계가 시스템을 정교화하여, 단순히 규칙이 가능한지 판단하는 것을 넘어, 그 규칙을 집행하는 데 필요한 컴퓨터 코드를 자동으로 작성하여 인간의 지시와 기계의 실행 사이의 루프를 완성하는 것이라고 결결론지었습니다.