PyTorchKR Papers

최신 논문

총 4편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2607.12619v1cs.AI

에이전틱 서비스 지향 컴퓨팅: 서비스 지향 컴퓨팅의 다음 전선을 위한 선언

Agentic Service-Oriented Computing: A Manifesto for the Next Frontier of Service-Oriented Computing

대규모 언어 모델(LLM) 기반 자율 및 준자율 에이전트의 급격한 등장은 소프트웨어 시스템을 정적 요청-응답 컴포넌트에서 목표 지향적이고 적응적이며 도구를 사용하는 계산 행위자로 재편하고 있다. 이러한 에이전트가 고립된 인지적 프로토타입에서 복잡한 분산 워크플로로 확장됨에 따라, 서비스 지향 컴퓨팅(Service-Oriented Computing) 커뮤니티가 20년 넘게 연구해 온 과제들과 마주하게 된다: 구성, 상호운용성, 서비스 품질(QoS), 생명주기 관리, 거버넌스, 보안, 신뢰. 그러나 오늘날 에이전틱 AI 생태계의 상당 부분은 신뢰할 수 있는 기업 및 사회적 배포에 필요한 공학적 엄격성 없이 이러한 기반을 임시방편적으로 구축하고 있다. 본 논문은 에이전트를 서비스로서 공학화하고, 자율 및 준자율 에이전트를 통해 서비스를 오케스트레이션하며, 신뢰, 사이버보안, 규정 준수, 성능, 책임성의 제약 하에서 에이전트와 서비스 생태계를 거버넌스하는 것을 다루는 새로운 연구 및 실무 영역인 에이전틱 서비스 지향 컴퓨팅(ASOC)을 제안한다. 우리는 ASOC의 여섯 가지 기본 원칙(활용 가능성, 구성 가능성, 생명주기 공학, 설계상 신뢰성, 목표 기반 오케스트레이션, 관측 가능성/책임성)을 명시하고 다음을 아우르는 5차원 연구 의제를 구성한다: (i) 에이전틱 서비스 기반 및 생명주기 공학; (ii) 구성, 오케스트레이션, 상호운용성; (iii) 거버넌스, 관측 가능성, 책임성; (iv) 보안, 신뢰, 위험 관리; (v) 평가, 인증, 에이전틱 QoS. 우리는 서비스 컴퓨팅(Services Computing) 커뮤니티가 이 신흥 분야에 대한 개념적·공학적 중추를 제공하기에 특히 유리한 위치에 있으며, 에이전틱 AI를 파편화된 시연에서 인간과 조직의 신뢰에 부합하는 신뢰할 수 있는 서비스 기반 시스템으로 전환할 수 있다고 주장한다.

arXiv:2606.23983v1cs.CR

Maestro Order: A Model-Agnostic Orchestration Harness

A single forward pass of a capable model is a fast, fluent, and unreliable problem-solver: it is right often enough to be useful and wrong often enough to be dangerous; in language models, such confident errors are known as hallucinations. We present Maestro Order, a model-agnostic orchestration harness that turns unreliable solvers into reliable problem-solving systems by composing them according to four structural primitives (decompose, ensemble, verify, and recurse) and a budget-aware controller that decides where to spend compute. The harness treats any model as a black-box base solver behind a uniform interface, layers a verifier ensemble whose discrimination is measured online, and allocates verification and voting to the stages with the highest marginal reliability per unit cost. We give the architecture, the message and state schema, the controller algorithm, and the engineering that makes it deterministic, observable, and fault-tolerant. We then specify an evaluation methodology (reliability at fixed cost, coverage, calibration, and ablations) and report results from a faithful Monte Carlo simulation of the harness over a parameterized solver/verifier model. The simulation reproduces the predicted laws quantitatively: verification amplifies reliability geometrically (e.g. $0.55\to0.98$ with two gates, $\to0.999$ with four), voting helps only above chance and is limited by shared errors, and a budget-aware controller reaches a target reliability at a small fraction of the cost of voting alone by selecting the cheapest mechanism for each regime. We close with failure modes (verifier gaming, correlated errors, and decomposition error compounding) and concrete guidance: build robust checkers, diversify solvers, and let the controller put compute where the information is.

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:2606.19382v1cs.SE

DynAMO: 위상적 다중 에이전트 스케줄링을 통한 동적 자산 관리 오케스트레이션

DynAMO:Dynamic Asset Management Orchestration via Topological Multi-Agent Scheduling

LLM 기반 에이전트는 산업 자산 수명 주기에 대한 엔드-투-엔드 자동화를 제공하지만, 실제 Industry 4.0 배포는 지연 시간, 동시성 불안정성 및 안전성 위험으로 인해 제약을 받습니다. 우리는 검증 가능한 워크플로우 그래프를 생성하기 위해 계획 후 실행(Plan-then-Execute) 아키텍처를 사용하는 배포 준비가 된 엔진인 DynAMO(Dynamic Asset Management Orchestration)를 제시합니다. DynAMO는 SequentialWorkflow(위상적 실행)와 ParallelWorkflow(의존성 인식 동시성)를 모두 지원합니다. 독립적인 작업을 동적으로 식별함으로써, DynAMO는 구조적 정확성과 안전성을 유지하면서 통제된 추론 중첩을 통해 효율성을 크게 개선합니다. AssetOpsBench 산업 벤치마크에 대한 6가지 통제된 실험에서, DynAMO는 상당한 성능 및 견고성 이득을 보여줍니다. 병렬 실행은 순차적 오케스트레이션 대비 엔드-투-엔드 지연 시간을 중앙값 1.6배 감소시키며, 고도로 병렬화 가능한 워크플로우에서는 1.8배까지 높아집니다. 현실적인 지연 시간으로 외부 도구 호출을 계측한 결과, 지연 시간 분해에서 LLM 추론 및 오케스트레이션이 여전히 실행 시간의 90% 이상을 차지하여 모델 추론이 주요 시스템 병목 현상임을 식별했습니다. 구조화된 컨텍스트 가지치기는 추론 지연 시간을 약 30% 감소시키며, DynAMO는 통제된 결함 주입 하에서 우아한 성능 저하를 보이면서 올바른 기능적 동작(작업 완료, 에이전트 시퀀싱 및 출력 품질)을 유지합니다. 재현성 분석은 반복 실행 시 안정적인 실행을 추가로 확인해주며, 병렬 스케줄링은 지연 시간 분산을 줄여줍니다. 이러한 발견은 DynAMO를 Industry 4.0 자동화 파이프라인에서 확장 가능하고 안전하며 지연 시간 인식 에이전트 배포를 위한 실용적인 청사진으로 확립합니다. 코드는 다음에서 확인할 수 있습니다: https://github.com/kushwaha001/DynAMO