메타 AI, 기억 보조 에이전트 도입을 통한 작업 효율 개선

주장메타 AI는 긴 작업 과정에서 인공지능의 행동 상태가 쇠퇴하는 문제를 해결하기 위해 별도의 기억 보조 에이전트를 활용하는 방식을 제안했습니다. 단순히 문맥 창을 확장하는 것만으로는 인공지능이 과거의 제약 사항이나 실패한 명령을 망각하는 문제를 근본적으로 해결하기 어렵다는 판단입니다.

팩트연구진은 인공지능이 작업 이력이 길어짐에 따라 중요한 정보를 놓치거나 이미 진단한 오류를 반복하는 현상을 행동 상태 쇠퇴라고 정의했습니다. 메타의 시스템은 행동 에이전트와 기억 에이전트를 분리하여, 기억 에이전트가 주기적으로 작업 상태를 검토하고 필요할 때만 개입하도록 설계했습니다.

팩트기억 은행은 비공개 상태 필드, 지식 기억, 절차 기억의 세 부분으로 구성됩니다. 비공개 상태는 진행 상황과 위험 요소를 추적하며, 지식 기억은 요구 사항과 설정을, 절차 기억은 시도했던 작업과 결과를 각각 기록합니다.

팩트터미널 벤치 2.0 테스트에서 기억 보조 에이전트를 도입한 시스템은 46퍼센트의 작업 성공률을 기록했습니다. 이는 기존 시스템의 38퍼센트보다 높은 성과입니다.

팩트타우2 벤치에서도 항공과 소매 분야를 중심으로 작업 가중 평균 성공률이 55퍼센트에서 62퍼센트로 상승했습니다.

교차검증기억 보조 에이전트의 개입 효과는 작업 분야에 따라 차이를 보였습니다. 항공과 소매 분야에서는 약 10퍼센트 포인트의 성능 향상이 있었으나, 통신 분야에서는 3퍼센트 포인트 상승에 그쳐 작업 성격에 따라 개입 빈도를 조절해야 할 필요성이 제기됩니다.

팩트연구진은 클로드 오퍼스 4.6을 기억 에이전트로, 클로드 소넷 4.5를 행동 에이전트로 사용하여 성능을 검증했습니다. 더 강력한 모델을 사용하더라도 기억 시스템의 개입이 성능 향상에 기여한다는 점을 확인하여, 성능 저하가 단순히 모델의 용량 문제만이 아님을 입증했습니다.

주장기억 보조 에이전트는 단순히 정보를 요약하는 단계를 넘어, 저장된 실행 상태가 현재의 행동에 영향을 미쳐야 하는지 판단하는 의사결정 과정을 수행합니다. 이는 고정된 요약 규칙보다 훨씬 유연하게 작업의 맥락을 유지하도록 돕습니다.

팩트메타는 소형 모델인 큐웬 3.5-27B를 기억 에이전트로 학습시켜 성능을 최적화하는 실험도 진행했습니다. 강화 학습을 통해 기억 에이전트가 언제 정보를 상기시켜야 하는지에 대한 정책을 스스로 학습할 수 있음을 확인했습니다.

교차검증기억 보조 에이전트가 잘못된 정보를 제공할 경우 오류가 발생할 가능성도 존재합니다. 연구진은 대부분의 잔여 오류가 기억력 부족보다는 에이전트의 판단 보정 문제에서 기인한다고 설명합니다.

팩트메타는 이번 연구와 관련된 코드를 깃허브에 공개하여 업계의 표준 없는 기억 관리 문제에 대응하고 있습니다. 마스트라 프레임워크나 지에이엠 시스템 등 유사한 연구들과 함께 인공지능의 장기 기억 관리 기술은 지속적으로 발전하는 추세입니다.

출처더 디코더의 보도 내용을 통해 메타 AI의 기억 보조 에이전트 연구 결과를 교차 검증했습니다.