대규모 엔터프라이즈 AI를 위한 자율 이벤트 기반 멀티 에이전트 오케스트레이션
Autonomous Event-Driven Multi-Agent Orchestration for Enterprise AI at Scale
한국어 초록
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.
원문 초록
Enterprise AI aims to move toward continuous event monitoring, detection, and action across specialist agents, yet existing multi-agent systems largely assume discrete request-response workflows and remain underexplored at enterprise scale. We evaluate DAG Plan and Execute and ReAct across 208 production-derived enterprise scenarios spanning Persona (<10 agents), Department (20-80), and Enterprise (200) scales, and introduce a Task Manager for continuous operation via priority inference, related-event merging, and preemption. Results show that scale, not task complexity, dominates orchestration performance: both architectures perform well at small scale but degrade at enterprise scale as agent discovery noise becomes the primary bottleneck, with simple tasks degrading more sharply than complex ones. DAG Plan and Execute offers higher precision and structured parallelization at smaller scales, but its higher overhead worsens at enterprise scale; ReAct is more robust by handling failures incrementally. The Task Manager reduces high-priority queue latency by 14-75% and improves related-event correctness by over 20 percentage points at enterprise scale.
제출 이력
확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.
- arXiv:2606.20058v1제출 시각 미확인
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
스킬 기반 스마트 제조를 위한 LLM 기반 다중 에이전트 제어
LLM-Driven Multi-Agent Control for Skill-Based Smart Manufacturing
공장은 높은 수준의 제품 맞춤화를 갖춘 소량 생산 체제로 전환되고 있으며, 이에 따라 유연하고 재구성 가능한 자동화 시스템의 빈번한 재프로그래밍이 요구됩니다. 대규모 언어 모델(LLM) 기반 에이전트(agent)는 상호보완적인 두 가지 역할로 배치될 수 있습니다. 오프라인에서는 결정론적 생산 시퀀스를 생성하여 프로그래밍 노력을 줄이고, 온라인에서는 실제 기계를 운영하며 정적 프로그램이 예측할 수 없는 런타임 오류를 처리합니다. 본 논문에서는 각 공장 모듈을 전용 LLM 기반 에이전트 및 OPC UA 메서드 호출을 통해 모듈의 스킬을 노출하는 MCP 툴 서버와 결합하고, 에이전트들이 MQTT를 통해 조율하며 공장 상태의 실시간 업데이트를 바탕으로 그라운딩(grounding)되는 솔루션을 제안합니다. 실제 6개 모듈 육각형 공장의 시뮬레이션 환경에서 무음 하드웨어 결함 감지를 포함하여 복잡성이 증가하는 9가지 생산 과제를 대상으로 세 가지 에이전트 아키텍처(오케스트레이터, 피어투피어, 모놀리식)를 비교합니다. 모놀리식 및 피어투피어 아키텍처는 모두 가장 높은 평균 해결률(93%)을 달성한 반면, 오케스트레이터는 차단된 구간 주변으로 플레이트 경로를 자율적으로 재지정함으로써 10회 실행 모두에서 무음 컨베이어 벨트 결함을 유일하게 해결했습니다. 모든 아키텍처는 명시적인 장애 처리 로직 없이도 창발적(emergent) 결함 진단 동작을 보이며, 표준화된 MCP 툴링, MQTT 기반 에이전트 간 통신, 실시간 상태 주입이 LLM으로 프로그래밍되는 스마트 제조를 위한 실용적이고 재현 가능한 기반임을 입증합니다.
집중이 전부다: 다중 에이전트 그래프 시스템을 위한 적응형 목표 인식 어텐션 오케스트레이션
Focus Is All You Need: Adaptive Goal-aware Attention Orchestration for Multi-Agent Graph Systems
대규모 언어 모델(LLM)은 추론, 계획, 도구 사용을 위한 자율 에이전트를 가능하게 한다. 최근 시스템들은 이러한 에이전트를 전문화되고 상호 연결된 노드의 그래프로 점점 더 조직하고 있다. 그래프 기반 오케스트레이션은 유연한 분해와 조정을 지원하지만, 핵심 과제인 어텐션 할당(attention allocation)을 야기한다. 워크플로가 커질수록 기존 접근법은 종종 그래프 구성 요소를 균일하게 실행하여, 관련 없거나 영향이 낮은 작업에 자원을 낭비한다. 우리는 어텐션 오케스트레이션(Attention Orchestration)을 제안한다. 이는 트랜스포머 스타일의 어텐션을 토큰 표현에서 워크플로 수준의 에이전트 조정으로 확장하는 패러다임이다. 우리의 프레임워크인 적응형 목표 인식 어텐션 오케스트레이션(AGAO)은 사용자 목표, 그래프 의존성, 계산 제약을 기반으로 에이전트 중요도를 동적으로 추정한다. AGAO는 세 가지 구성 요소를 결합한다: (1) 목표 인식 어텐션(goal-aware attention), 사용자 목표와 에이전트 역량 간의 의미적 관련성을 측정; (2) 토폴로지 인식 어텐션(topology-aware attention), 에이전트 그래프의 구조적 의존성을 모델링; (3) 자원 인식 어텐션(resource-aware attention), 이종 에이전트 간 예산과 실행 우선순위를 할당. 이러한 메커니즘들이 함께 정적 에이전트 그래프를 목표에 핵심적인 추론 경로에 계산을 집중하는 적응형 시스템으로 변환한다. 다양한 다중 에이전트 워크로드에 걸친 실험은 AGAO가 기존 그래프 기반 실행 전략과 비교하여 불필요한 계산, 지연 시간, 토큰 소비를 줄이면서 작업 효과를 향상시킴을 보여준다. 우리의 연구는 확장 가능하고 지능적인 다중 에이전트 시스템을 위한 방향으로서 어텐션 엔지니어링(Attention Engineering)을 정립한다. Code: https://github.com/MingzhouFan97/AGAO.
자율 산업 시스템을 위한 의도 추상화 층 구축을 향하여
Towards an Intention Abstraction Layer for Autonomous Industrial Systems
현대 산업 환경에서는 스케줄러, 에너지 관리자, 차량 군집 등 많은 자율 하위 시스템이 동시에 운영되며, 각각은 고유한 목표를 추구하면서 동일한 물리적 자원을 공유한다. 상위 수준의 인간 의도가 하위 수준의 제어 로직으로 변환된 뒤 폐기되기 때문에, 실행 중인 어떤 구성 요소도 여전히 실제로 의도된 일을 수행하고 있는지 알 수 없으며, 목표 충돌은 목표 미달이나 셧다운을 초래한 뒤에야 표면화된다. 우리는 의도를 일급(first-class), 지속적(persistent), 설명 가능한(explainable) 런타임 객체로 표현하는 도메인 비의존적(domain-agnostic) 미들웨어인 Intention Abstraction Layer(IAL, 의도 추상화 층)를 제안한다. 형식적 OWL 온톨로지에 그라운딩(grounding)된 대규모 언어 모델(LLM)이 자연어 목표를 구조화된 의도로 파싱하고, 일관성 모니터가 등록 시점과 실행 전에 충돌을 감지하며, 투명성 모듈이 이를 자연어로 설명한다. 두 자율 에이전트(agent)가 상충하는 생산 및 에너지 의도를 등록하고 IAL이 실행 층에 도달하기 전에 충돌을 표시하고 설명하는 첫 개념 증명(proof of concept)을 보고한다. 그 결과, 협력하는 자율 시스템에 대한 행동 보증(behavioral assurance)을 사후 실패 분석에서 실행 전 의도 수준 검사로 전환하는 메커니즘이 된다.
개인적 특이점(Personal Singularity)을 위한 자기 인식 재귀적 자기 개선 에이전트: 목표, 범위, 도구, 벤치마크 기반 다중 에이전트 아키텍처
Self-Aware Recursively Self-Improving Agents for Personal Singularity: A Goal-, Scope-, Tool-, and Benchmark-Driven Multi-Agent Architecture
대규모 언어 모델(LLM) 에이전트는 계획을 수립하고, 도구를 사용하며, 메모리를 유지하고, 장기 지평(long-horizon) 과제를 실행할 수 있다. 본 논문은 자기 인식 재귀적 자기 개선(Self-Aware Recursively Self-Improving, SARSI) 에이전트를 제안한다. 이는 정체성, 목표, 역량, 한계, 불확실성, 관계, 이력, 발달적 변화에 대한 지속적인 자기 모델(self-model)을 유지하고, 그 모델을 사용하여 재귀적 개선을 안내하고 평가하는 거버넌스가 적용된 에이전트이다. 자기 인식(self-awareness)은 기능적으로 정의되며, 주관적 경험이나 현상적 의식(phenomenal consciousness)을 함의하지 않는다. SARSI 에이전트를 개인적 특이점(personal singularity)과 결합한다. 이는 에이전트 생태계가 사용자가 확장되는 사용자 정의 실현 가능 역량 프론티어(feasible capability frontier)에 접근하도록 돕는, 경계가 설정된 인간-AI 공동 개발 목표이다. 각 에이전트는 목표 계약(goal contract), 경계가 설정된 범위(scope), 검증된 도구 레지스트리, 도구 테스트, 종단 간(end-to-end) 벤치마크, 소유자 통제 자율성, 라우팅, 메모리, 자기 모델, 개선 정책을 갖는다. 범위 라우터(scope router)는 수락된 모든 과제를 하나의 책임 있는 주(primary) 에이전트에 할당하고, 범위 밖 작업을 구조화된 핸드오프(handoff)를 통해 이관한다. 사용자 대면 Auto-Index는 외부 권한을 재정의하지 않고 대화형, 하이브리드, 자율, 또는 예약된 동작을 선택한다. 아키텍처는 계획-실행-검증 루프, 증거 게이트가 적용된 개선 루프, 외부 거버넌스 평면(governance plane), 분산 계보(lineages), 소유자 지향 에이전트 파운드리(foundry), 그리고 작업, 계산 영상(computational-imaging), 업무 프로세스 학습, 개인 학습 에이전트를 조율하는 Personal Singularity OS를 결합한다. 기능적 자기 인식, 범위, 라우팅, 개선 수용, 경계가 설정된 목표 진화, 도구 우선 실행, 인간 역량 이전(human capability transfer)을 형식화하고, 안전성 불변식(invariants), 벤치마크 설계, 단계적 구현 로드맵을 제공한다. 이는 입장(position) 및 시스템 설계 논문이며, 의식, 무제한 재귀적 자기 개선, 또는 개인적 특이점이 달성되었다는 증거가 아니다.
AI와 팀 구성: 조율과 협력
Teaming Up with AI: Coordination and Cooperation
노동 현장에서 AI의 성공적인 확산은 AI가 인간의 활동에 가져다주는 경제적 가치에 달려 있다. AI를 노동 현장에 도입하는 것은 강력한 신기술을 배치하는 것 이상으로, 새로운 형태의 협업을 시작하는 것이다. 각 인간 노동자는 이제 AI 에이전트(agent) 팀을 보유하게 되며, 작업을 이 에이전트들에게 위임할 수 있고, 인간의 역할은 관리와 모니터링으로 전환된다. 노동 현장에서 AI와의 협업으로부터 경제적 가치를 극대화하려면 어떻게 해야 하는가? 인간 노동자를 대체하는 것이 아니라 역량을 강화하는 '진정한' 협업을 어떻게 실현할 수 있는가? 우리는 이론 컴퓨터 과학과 경제학을 결합한 접근법을 채택하며, 경제적 원칙에 기반한 알고리즘 도구가 인간-AI 공동 작업의 효과를 향상시킬 수 있는 잠재력을 조명한다. 우리는 두 가지 계층의 도구를 고려한다: (1) 상호 의존성의 알고리즘적 관리를 통해 더 나은 조율을 지원하는 도구; (2) 계약적 인센티브 정렬을 통해 더 나은 협력을 지원하는 도구. 우리는 알고리즘 및 경제학 연구에 기반한 원칙적 접근법이 조율과 협력 모두를 강화함을 보이고, AI 시장을 위한 미래 연구의 경로를 제시한다.
A Systematic Approach to Multi-Agent AI from Advanced Regulatory Control Theory: Safe and Auditable LLM Operator Agents for Process Control
토론
이 논문과 연결된 포럼 글이 아직 없습니다.