PyTorchKR Papers

최신 논문

총 4편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2607.08960v2cs.LG

Eluna: 추론 및 작업 실행을 통한 창고 운영 자동화를 위한 에이전틱 LLM 시스템

Eluna: An Agentic LLM System for Automating Warehouse Operations with Reasoning and Task Execution

창고 운영은 복잡한 다중 시스템 의사결정 로직을 인코딩하는 표준 운영 절차(SOP, Standard Operating Procedures)에 의해 관리되며, 이는 엄격한 시간 제약 하에 신뢰성 있게 실행되어야 한다. 그러나 대규모 언어 모델(LLM) 에이전트는 절차적 준수를 강제하는 메커니즘이 부족하고, 전체 SOP 명세가 유발하는 컨텍스트 과부하로 인해 성능이 저하된다. 우리는 신뢰성 있는 SOP 실행을 위해 프로덕션에 배포된 에이전틱 시스템인 Eluna를 소개한다. Eluna는 그래프 기반의 다중 에이전트 프레임워크로, SOP를 점진적 공개(progressive disclosure) 방식의 방향성 비순환 그래프(DAG)로 인코딩하고, 독립적인 작업을 병렬 서브 에이전트에 위임하며, 각 에이전트는 지속적인 코드 실행과 실시간 데이터 접근을 지원한다. 프로덕션의 지연 시간 및 정확도 요구를 충족하기 위해, 우리는 비대칭 에피소딕 지식 증류(asymmetric episodic distillation)를 활용한다. 이 방식에서는 강력한 교사 모델이 에피소딕 오류 메모리를 통해 개선되고, 더 작은 학생 모델은 메모리가 제거된 수정 궤적(corrected trajectories)으로 파인튜닝되어, 추론 시간 오버헤드 없이 수정 사항을 내재화한다. 13개 작업 벤치마크와 두 가지 프로덕션 애플리케이션에서, 우리의 파인튜닝된 모델은 교사 모델과 동등하거나 이를 초과하고, 더 큰 모든 기성 베이스라인을 능가하며, 티켓 처리 애플리케이션에서 94%의 전문가 합의율에 도달한다.

arXiv:2607.21618v1cs.AI

LeafData: 데이터 마이그레이션을 위한 에이전트 시스템

LeafData: An Agentic System for Data Migration

현대의 데이터 마이그레이션은 데이터 연결, 파이프라인 로직, 오케스트레이션 동작을 정의하기 위해 JSON 구성에 의존한다. 이는 사용자에게 도메인 지식을 요구하며 시간이 많이 소요되고 오류가 발생하기 쉽다. 본 논문에서는 사용자 의도를 데이터 마이그레이션을 위한 검증되고 실행 가능한 JSON 구성으로 변환하는 에이전트 시스템인 LeafData를 제안한다. 구체적으로, LeafData는 프론트엔드 챗봇과 백엔드 서비스로 구성된다. 챗봇은 사용자로부터 필요한 정보를 점진적으로 수집하고 스키마 기반 검증을 수행하며, 백엔드 서비스는 검증된 입력을 처리하고 JSON 구성 산출물을 생성한다. 이러한 산출물은 오케스트레이션 플랫폼에서 직접 사용할 수 있어, 수동 코딩 없이 end-to-end 파이프라인 생성 및 실행을 가능하게 한다. LeafData는 관계형 데이터베이스, 파일 기반 시스템, 문서 지향 데이터베이스, REST API를 포함한 다양한 데이터 소스 및 커넥터에 걸친 이기종 데이터 마이그레이션을 지원한다.

arXiv:2606.19501v2cs.AI

DeXposure-Claw: DeFi 리스크 감독을 위한 에이전트 시스템

DeXposure-Claw: An Agentic System for DeFi Risk Supervision

탈중앙화 금융(DeFi)은 감독자에게 급변하는 네트워크 신용 리스크를 노출시킵니다. 범용 대규모 언어 모델(LLM) 에이전트는 이러한 환경에 부적합합니다. 이들은 약한 증거를 과도하게 해석하여 중대한 개입을 권장하는 반면, 기존 평가 방식은 발생하는 오탐을 측정할 수 있는 규제 기반의 방법을 제공하지 않습니다. 우리는 DeXposure-Claw라는 예측에 기반한 에이전트 감독 시스템을 소개합니다. 이 시스템은 구조화된 증거를 통해 LLM의 결정을 전달합니다: (1) 그래프 시계열 파운데이션 모델(foundation model)인 DeXposure-FM은 미래의 노출 네트워크를 예측합니다; (2) 결정론적 모니터와 스트레스 시나리오는 이러한 예측을 유형별 알림, 귀속 신호, 시나리오 증거로 변환합니다; (3) 데이터 건전성 및 신뢰도 게이트는 DeXposure-Claw가 근거와 함께 감사 가능한 감독 티켓을 생성하기 전에 상향 전달(escalation)을 제한합니다. 또한 우리는 6개 축으로 구성된 평가 하니스인 DeXposure-Bench를 개발했으며, 이 하니스의 의사결정 축은 규제 기반 절대 손실(absolute-loss) 정답과 명시적인 오탐 개입율을 기준으로 티켓에 점수를 부여합니다. 5년간의 주간 실제 데이터를 사용한 실험은 우리 시스템을 완전히 뒷받침합니다. 코드는 https://github.com/EVIEHub/DeXposure-Claw에서 확인할 수 있습니다.

arXiv:2606.31423v1cs.DB

DA-Studio: An Agentic System for End-to-End Data Analysis

DA-Studio는 대규모 언어 모델(LLM) 기반의 엔드-투-엔드 데이터 분석 에이전트 시스템으로, 자연어 요청과 이종(heterogeneous) 파일 입력을 받아 계획, 코드 생성, 샌드박스 실행, 결과 해석 등의 다단계 액션을 자율적으로 수행한다. Docker 기반 샌드박스 환경에서 코드를 실행하고 중간 아티팩트와 액션 트레이스를 브라우저 인터페이스에 실시간으로 노출해 사용자가 분석 과정을 검토·수정·재실행할 수 있도록 지원한다.