이번 주 AI/ML 연구 트렌드: 비용 최적화와 에이전트 자율성

최근 AI 연구는 추론 비용 최적화, 시스템 모듈화, 에이전트 자율성 및 검증이라는 세 가지 핵심 흐름을 중심으로 전개되고 있습니다.

1. 추론 및 운영 비용 최적화 실제 서비스 적용 시 발생하는 막대한 비용을 줄이기 위한 실용적 접근이 돋보입니다.

• LLMRouter: 예산과 질문 난이도에 맞춰 최적의 모델을 동적으로 선택하는 인프라 제안.
• Reason Wide, Not Deep: 성공적인 궤적의 지식을 가벼운 모델의 프롬프트에 주입하여 추론 비용 획기적 절감.
• ReOPD: 기존 데이터를 재사용하여 에이전트 학습 시 환경 탐색 비용 최소화.

2. 모듈화 및 역할 분리 거대 모델 의존에서 벗어나 시스템을 독립적 모듈로 나누어 최적화하는 연구가 많습니다.

• Mixture of Training (MoT): 사전학습을 작은 블록 단위로 나누어 학습 후 재조립하는 모듈형 훈련법.
• RAGU: 정보 추출과 통합 과정을 분리하고 소형 모델을 활용해 효율성 극대화.
• AutoDesign: 모델 가중치 대신 작업을 제어하는 코드(Harness)를 분리하여 시스템 스스로 개선 유도.

3. 에이전트 자율성 및 엄격한 검증 에이전트의 문제 해결 능력과 결과에 대한 결정론적 검증이 강조됩니다.

• Locksmith Loop: 레거시 코드 마이그레이션 시 에이전트가 직접 테스트를 생성하고 결과를 비교 검증.
• How Organizations Use AI: 기업들이 AI를 단순 검색을 넘어 기술 작업 및 지식 업무에 통합하고 있음을 실증.

[Deep Dive] AutoDesign: 메타-하네스 최적화 기존의 고정된 파이프라인 대신, 코딩 에이전트가 피드백을 기반으로 디자인 시스템인 하네스(Harness) 자체의 코드를 반복 수정하여 성능을 끌어올리는 프레임워크입니다. 하네스는 콘텐츠 추출, 레이아웃 설계, 텍스트 렌더링 등 5개 컴포넌트로 구성되며, 에이전트는 내부/외부 피드백 루프를 통해 하네스를 점진적으로 개선하며 장기적인 목표를 달성합니다.