PyTorchKR Papers

최신 논문

총 7편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2610.10549v1cs.AI

시뮬레이션을 통한 합성: 확장 가능한 에이전트-시스템 상호작용을 통한 일관된 엔터프라이즈 데이터 생성

Synthesis Through Simulation: Generating Coherent Enterprise Data via Scalable Agent-System Interaction

도구 호출 에이전트(tool-calling agent)는 엔터프라이즈 AI의 핵심이 되었으나, 엔터프라이즈 시스템, 데이터, 데이터베이스 스키마에 대한 비즈니스 및 법적 제약으로 인해 이들을 대규모로 학습(training)하고 평가(evaluation)하는 일은 여전히 극도로 제한되어 있습니다. 정형 데이터 합성은 자연스러운 대안을 제공하지만 그 유효성은 구조적 타당성과 스키마 가용성으로 인해 근본적으로 한계가 있으며, 절차 기반 접근 방식은 도메인별 저작 없이는 전형적으로 분포 충실도(distributional fidelity)가 결여되는 정반대의 약점을 보입니다. 본 논문에서는 시뮬레이션된 엔터프라이즈 환경(environment) 내에서 정책을 강제하는 API에 대해 작업을 실행함으로써 대규모 언어 모델(LLM) 에이전트가 데이터를 생성하는 스키마 없는(schema-free) 데이터 합성 패러다임인 **시뮬레이션을 통한 합성**(Synthesis Through Simulation, STS)을 소개합니다. 유효성을 정의하는 동일한 환경을 통해 데이터가 생성되므로, STS는 구조적 타당성을 본질적으로 보장하는 동시에 유효성 강제와 분포 모델링을 분리하여 각각을 독립적으로 다룰 수 있도록 합니다. STS의 도메인 무관 에이전트인 **Generalist Populator**(GP)는 분포 충실도와 합성 확장성이라는 남은 과제를 해결합니다. GP는 *DB 스키마에 접근하지 않고도* 10개 환경 전체에 걸쳐 평균 한계 충실도 **0.88** 및 **100% 제약 조건 만족**을 달성한 반면, 통계적 합성기는 필수 시드 데이터 요구 사항으로 인해 7개 환경에 적용할 수 없었으며, 스키마 권한을 가진 에이전트는 취약한 태스크 구성으로 인해 항공사 환경의 밀접하게 결합된 워크플로에서 궤적의 82%가 실패했습니다. 전체 프레임워크, 10개 환경 모두, 그리고 생성된 데이터셋은 https://github.com/SAP/synthesis-through-simulation 에 오픈소스로 공개합니다.

arXiv:2607.11019v2cs.AI

QwenPaw-Data: 자율 엔터프라이즈 데이터 분석을 위한 사실, 방법론, 실행의 통합

QwenPaw-Data: Bridging Facts, Methodology, and Execution for Autonomous Enterprise Data Analytics

엔터프라이즈 데이터 분석은 자율 에이전트의 독자적인 새로운 영역으로 부상하고 있다. 범용 인터랙션 및 소프트웨어 엔지니어링과 비교하여, 이 분야는 개방적이고 모호하며 지속적으로 진화하는 환경에서 운용된다. 이러한 특성은 시맨틱, 방법론, 실행, 진화를 시스템의 일급 관심사로 다루는 데이터-에이전트 아키텍처를 필요로 한다. 이를 위해 우리는 엔터프라이즈 지능형 데이터 분석을 위해 설계된 에이전틱 데이터 시스템인 QwenPaw-Data를 소개한다. QwenPaw-Data는 데이터 웨어하우스, 대시보드, 문서, 인터랙션 로그, 과거 태스크로부터 이질적인 자산을 재사용 가능하고 거버넌스 가능하며 진화 가능한 분석 자산으로 통합한 후, 자연어 요청을 데이터 이해, 검색, 분석, 보고서 생성, 의사결정 지원에 걸친 엔드-투-엔드 분석 워크플로우로 전환한다. 그 아키텍처는 세 가지 협력적 서브시스템으로 문제를 분해한다: DataBridge는 상호 연결된 메타데이터, 지식, 추적 그래프를 통해 신뢰할 수 있는 시맨틱 그라운딩을 제공하고, Skill-Hub는 전문가적 분석 방법론을 재사용 가능하고 검증 가능한 스킬로 성문화하며, Host는 이러한 증거 및 방법 자산을 제어 가능한 아티팩트 중심의 런타임 실행으로 구현한다. 이 서브시스템 전반에 걸쳐 시맨틱, 방법, 추적, 피드백이 지속적으로 시스템에 축적되어 자기 진화적 자산 플라이휠을 형성한다. 공개 벤치마크 및 실제 산업용 BI 워크로드에 대한 실험에서 QwenPaw-Data는 검증 가능한 데이터 접근 능력과 고차원 분석 품질 모두를 향상시킴으로써, 신뢰할 수 있고 추적 가능하며 지속적으로 개선되는 엔터프라이즈 데이터 에이전트를 위한 실용적인 기반을 제공함을 보여준다.

arXiv:2607.08028v1cs.AI

프롬프트에서 계약으로: 감사 가능한 엔터프라이즈 LLM 에이전트를 위한 하네스 엔지니어링

From Prompts to Contracts: Harness Engineering for Auditable Enterprise LLM Agents

엔터프라이즈 LLM 에이전트 프로토타입을 감사 가능한 시스템으로 전환하기 위해, 결정론적 동작을 코드·매니페스트·스키마·검증 아티팩트로 이전하는 하네스 엔지니어링(harness engineering) 접근법을 제안한다. 한국 5개 기업집단(상장사 25개) 데이터로 검증한 결과, 코드 소유 강제 계층만이 안전성과 유용성을 동시에 보존하며(120/120), 프롬프트 지시만으로는 재현 불가능한 것으로 나타났다.

arXiv:2607.07721v1cs.AI

능동적 엔터프라이즈 에이전트를 위한 컨텍스트 그래프

Context Graphs for Proactive Enterprise Agents

반응적(reactive) 설계에 머물러 있는 엔터프라이즈 AI 에이전트의 한계를 극복하기 위해, 엔터프라이즈 엔티티의 상태 변화를 실시간으로 추적하는 관계형 데이터 구조인 Context Graph와 이를 기반으로 한 Delta Detection Engine, Proactivity Scorer, LLM 기반 Surfacing Layer로 구성된 능동적(proactive) 서페이싱 시스템을 제안한다. 계약 수명주기 관리, 인시던트 대응, 영업 파이프라인 관리 등 세 가지 엔터프라이즈 사례에서 Precision@5 0.83을 달성하고, 평균 정보 제공 시간을 47분에서 30초 미만으로 단축하는 효과를 보였다.

arXiv:2607.02609v1cs.SE

지식 중심 정보 시스템

Knowledge-Centric Information Systems

수십 년간 데이터 엔지니어링은 조직 데이터의 통합, 거버넌스, 검증, 카탈로그화 및 서빙을 위한 성숙한 아키텍처 원칙을 발전시켜 왔다. 대규모 언어 모델(LLM)의 부상은 이러한 문제들을 제거하는 것이 아니라, 그것의 더 광범위한 형태를 드러낸다. 조직 지식은 실행 가능한 인프라가 되어 가고 있으며, 시스템은 점점 더 이를 검색하고, 조립하고, 그 위에서 추론하며, 이를 기반으로 행동한다. 이 논문은 기업 인공지능(AI) 시스템이 조직 지식을 표현하고, 유지하며, 거버닝하고, 운영적으로 전달하기 위한 아키텍처 규율로의 전환을 시사한다고 주장한다. 우리는 이 규율을 지식 아키텍처(knowledge architecture)라고 부른다. 우리는 관리 단위가 레코드에서 지식 아티팩트로 전환될 때 고전적인 데이터 엔지니어링 보장이 어떻게 재정의되어야 하는지를 보여주는 개념 모델과 분류 체계를 제시한다: 추출·변환·적재(ETL)는 지식 수집(knowledge ingestion)이 되고, 변경 데이터 캡처(CDC)는 지식 변경 감지(knowledge change detection)가 되며, 리니지(lineage)는 출처(provenance)가 되고, 카탈로그는 지식 카탈로그가 되며, 구체화된 뷰(materialized views)는 지식 뷰가 되고, 메달리온 아키텍처는 원시-정제-운영 지식 레이어가 된다. LLM Wiki 및 개방형 지식 포맷(OKF, Open Knowledge Format)과 같은 신흥 형식은 이 전환의 종착점이 아닌 초기 증거로 다루어진다. 핵심 주장은, 조직 지식이 수동적인 정보 자원에서 벗어나 인간, 에이전트(agent), 워크플로우, 모델이 업무를 수행하는 데 활용하는 운영 자산이 될 때 지식 아키텍처가 유용해진다는 것이다.

arXiv:2606.20058v1cs.AI

대규모 엔터프라이즈 AI를 위한 자율 이벤트 기반 멀티 에이전트 오케스트레이션

Autonomous Event-Driven Multi-Agent Orchestration for Enterprise AI at Scale

엔터프라이즈 AI는 전문 에이전트 간의 지속적인 이벤트 모니터링, 감지 및 조치를 지향하지만, 기존 멀티 에이전트 시스템은 대부분 이산적인 요청-응답 워크플로우를 가정하며 엔터프라이즈 규모에서는 여전히 탐색이 부족합니다. 우리는 페르소나(<10개 에이전트), 부서(20-80개), 엔터프라이즈(200개) 규모에 걸친 프로덕션 환경에서 파생된 208개의 엔터프라이즈 시나리오에서 DAG Plan and Execute와 ReAct를 평가하고, 우선순위 추론, 관련 이벤트 병합, 선점(preemption)을 통해 지속적인 운영을 가능하게 하는 태스크 매니저(Task Manager)를 도입합니다. 결과에 따르면 작업 복잡도가 아닌 규모가 오케스트레이션 성능을 지배합니다. 두 아키텍처 모두 소규모에서는 우수한 성능을 보이지만, 에이전트 발견 노이즈가 주요 병목 현상이 되는 엔터프라이즈 규모에서는 성능이 저하되며, 이때 복잡한 작업보다 단순한 작업의 성능 저하가 더 두드러집니다. DAG Plan and Execute는 소규모에서 더 높은 정밀도와 구조화된 병렬화를 제공하지만, 더 높은 오버헤드로 인해 엔터프라이즈 규모에서는 성능이 악화됩니다. 반면 ReAct는 실패를 점진적으로 처리함으로써 더 강건한 성능을 보입니다. 태스크 매니저는 엔터프라이즈 규모에서 고우선순위 큐 대기 시간을 14-75% 감소시키고, 관련 이벤트 정확도를 20%p 이상 향상시킵니다.

arXiv:2606.07119v1cs.ET

삼고리 아키텍처: 온플랫폼 조직 시대의 에이전트 거버넌스

The Three-Ring Architecture: Governing Agents in the Era of On-Platform Organisations

기업 AI 배포의 현재 단계는 구조적 실패에 직면해 있다. 조직들은 이를 통제할 인프라 없이 에이전트(agentic) 역량만 확보하고 있으며, 그 결과는 AI 배포 1세대의 오류를 재현할 것으로 예상된다—연합(federation) 층 없이 분산된 지능이 95%의 프로젝트 실패율로 이어진 것과 같다. 본 논문은 온플랫폼 조직의 거버넌스 인프라로서 삼고리 아키텍처를 공식화한다. 1링(Ring 1)은 기존 프로덕션 아키텍처이고, 2링(Ring 2)은 전략 기반 에이전트 AI(strategies-based agentic AI) 위에 구축된 M2 연합 층이며, 3링(Ring 3)은 LLM 기반 프론티어 지능 층이다. 2링은 기술적으로 정확한 의미에서 에이전트 기업의 운영체제(OS)를 구성한다—조직 수준에서 컴퓨팅 OS가 디바이스 수준에서 수행하는 바를 수행한다: 자원 추상화, 프로세스 조정, 권한 집행, 그리고 복리적으로 축적되는 지능을 위한 안정적 플랫폼. 핵심 기여는 2링과 3링의 리스크 프로파일을 공식적으로 구분하는 것이다. 전략 기반 에이전트는 결정론적 프레임워크 내에서 작동한다: 그 결과는 추적 가능하고, 권한은 집행 가능하며, 편차는 복구 가능하다. LLM 기반 에이전트는 범주적으로 다른 리스크를 도입한다—비결정론적 행위자로서, 그 편차가 복잡한 조직 시스템을 통해 사후 추적 가능성 없이 전파된다. 2링은 유용한 추가가 아니라 통제와 컴플라이언스(compliance)의 필수 조건이다. 또 다른 함의는 LLM 역량이 향상될수록 이 아키텍처에 구조적 순풍(tailwind)이 된다는 점이다. 더 유능한 비결정론적 행위자는 편차할 때 더 큰 결과를 낳으며, 거버넌스 요구는 역량에 비례해 확대된다. 이 아키텍처는 금융 서비스, 정부, 조달, 컴플라이언스 등 다양한 분야에서 10년간의 배포를 통해 검증되었다.