AI 에이전트 구축 방법

선수가 금메달을 따려면 어떻게 해야 할까요? 훈련. 뮤지션이 거장이 되려면 어떻게 해야 할까요? 훈련. 하지만 훈련은 사람에게만 적용되는 것이 아닙니다. 이제 비즈니스는 발전을 지원하는 인공 지능(AI) 훈련의 가치를 깨닫고 있습니다. AI 에이전트를 구축하고 훈련하는 것은 성장을 위해 필수적인 요소가 되고 있으며, AI 에이전트가 인간 언어를 이해하도록 가르치면 이전보다 더 잘 대응하고 보다 유용한 업무를 수행할 수 있습니다.

AI 기술이 발전함에 따라 이러한 에이전트는 더욱 정교해지고 능력이 개선되어 인간 기대치와 AI 성능 사이의 간극을 메울 것입니다. 이제 AI 에이전트가 무엇인지, AI 구축 및 훈련의 기본 사항, 직접 훈련하는 단계에 대해 살펴보세요.

살펴볼 내용:

• AI 에이전트란 무엇인가요?
• AI 에이전트 구축의 기본 사항 이해
• AI 에이전트 구축 및 훈련 6단계
• 나만의 AI 에이전트 구축 및 훈련

AI 에이전트는 업무를 수행하고 질문에 답변함으로써 사람들을 돕기 위해 고안된 컴퓨터 프로그램입니다. 여기서 핵심 용어는 사람들을 돕는다는 것입니다.

인공 지능(AI) 에이전트는 다양한 언어 입력으로부터 학습함으로써 이메일 관리 및 약속 예약과 같은 일상적인 업무를 도와줍니다. 이러한 업무는 알림 설정 및 일정 관리부터 날씨 업데이트나 뉴스와 같은 정보 제공에 이르기까지 다양합니다. AI 에이전트는 인간 언어를 이해하고 반응하도록 프로그래밍되어 있어 더 자연스럽고 사용자 친화적인 상호 작용을 할 수 있습니다.

AI 에이전트에는 보조 에이전트, 자율 에이전트 등 다양한 유형이 있습니다. 보조 에이전트의 예로는 직원 도구에 내장되어 각자의 역할에 맞는 개인화된 업무를 도와주는 에이전트를 들 수 있습니다. 한편, 자율 에이전트는 인간 개입 없이도 고객 문의를 이해하고 응답할 수 있습니다. 이는 Agentforce와 같은 에이전트 빌더를 사용함으로써 사전 정의된 규칙을 따르는 대신 에이전트가 동적으로 작동하고 데이터 및 자동화를 변경하여 트리거되도록 하는 방식으로 수행됩니다.

AI 에이전트를 훈련하려면 효과적이고 효율적으로 작동하도록 하기 위한 몇 가지 핵심 단계가 필요합니다. 여기에는 데이터 수집 및 준비, 모델 훈련, 평가, 정밀 조정 및 배포가 포함됩니다. 또한 에이전트가 목표에 부합하도록 모니터링하고 업데이트하는 것도 포함됩니다. 직접 배울 수 있도록 해당 단계를 자세히 살펴보겠습니다.

AI 에이전트를 구축하고 훈련하려면 유용하고 관련성 있는 방식으로 인간 언어를 이해하고 반응하도록 가르치는 것이 포함됩니다. 생성형 AI(GenAI) 에서 대화형 AI에 이르기까지 모든 것의 중심에는 데이터가 있습니다. 훈련은 인공 지능 분야, 특히 머신 러닝과 자연어 처리(NLP) 의 여러 핵심 개념을 통합합니다. 각각을 검토해 보겠습니다.

머신 러닝(ML)은 시스템에 프로그래밍 없이도 경험을 통해 자동으로 학습하고 개선할 수 있는 기능을 제공하는 AI의 한 유형입니다. AI 에이전트를 훈련할 때 머신 러닝 알고리즘은 과거 데이터(인간 상호 작용의 예)를 사용하여 패턴을 찾고 결정을 내립니다. AI가 처리하는 데이터가 많을수록 사용자 요청을 더 잘 예측하고 대응할 수 있습니다.

자연어 처리(NLP) 는 자연어를 통해 컴퓨터와 인간 간의 상호 작용을 다루는 AI의 한 분야입니다. 컴퓨터가 대량의 자연어 데이터를 처리하고 이해하는 것이 목표입니다. AI 에이전트의 컨텍스트에서 NLP는 시스템이 자연스럽고 의미 있는 방식으로 인간 언어를 이해하고, 해석하고, 생성하게 해줍니다.

데이터 라벨링은 인간이 데이터에 주석을 달아 AI가 이해할 수 있도록 원시 데이터에 의미 있는 태그나 라벨을 추가하는 AI 학습의 핵심 단계입니다. 예를 들어, AI 에이전트를 훈련할 때 데이터 라벨링에는 문장의 품사에 태그를 지정하거나, 텍스트의 감정을 식별하거나, 쿼리를 토픽으로 분류하는 업무가 포함될 수 있습니다. 이렇게 라벨링된 데이터는 AI가 학습할 수 있는 가이드 역할을 하며, 이러한 라벨을 사용하여 사용자 입력의 컨텍스트와 의도를 이해합니다.

AI 에이전트를 구축할 때 가장 먼저 해야 할 일을 명확하게 정의하는 것이 중요합니다. 여기에는 에이전트가 수행할 구체적인 업무와 기능을 결정하는 것이 포함됩니다. 접근 방식은 다음과 같습니다.

먼저 AI 에이전트의 업무와 기능을 결정합니다. AI 에이전트가 해결하기를 원하는 문제나 처리하기를 원하는 업무를 나열합니다. 자율 에이전트를 원하시나요? 고객 쿼리에 답변하거나, 사용자의 온라인 쇼핑을 돕거나, 비즈니스에 대한 정보를 제공하기 위해 자율 에이전트가 필요하신가요? AI 에이전트의 기능은 AI 에이전트가 충족하고자 하는 요구 사항에 부합해야 합니다.

예를 들어, 가상 쇼핑 에이전트가 필요하신가요? 이 에이전트는 사용자의 온라인 스토어 탐색을 도와주며, 사용자 선호도와 과거 쇼핑 행동에 기반한 맞춤 쇼핑 조언을 제공합니다. 선물 아이디어를 제안하거나, 최고의 상품을 찾거나, 패션 선택에 도움을 줄 수도 있습니다.

다음으로 타겟 오디언스를 식별합니다. 사용자마다 기대하는 바가 다르고 기술과 상호 작용하는 방식이 다릅니다. 예를 들어, 의료 전문가를 위해 설계된 AI 에이전트는 의학 용어를 정확하게 이해하고 사용해야 할 수 있습니다.

사용 사례 또는 AI 에이전트가 사용될 특정 상황을 고려합니다. 이를 정의하면 어떤 기능과 역량이 필요한지 명확히 파악하는 데 도움이 될 수 있습니다. 예를 들어, 고객 서비스 챗봇은 문의, 불만 사항, 거래를 처리해야 하는데 가상 쇼핑 에이전트는 제품을 제안하고, 가격을 비교하고, 사용자 선호도를 파악할 수 있어야 합니다.

학생이 교과서를 통해 학습하는 것처럼 AI 에이전트는 데이터를 통해 학습합니다. 데이터가 부정확하거나 품질이 좋지 않으면 AI는 잘못된 것을 학습하고 실수를 하게 됩니다. 고품질 데이터는 AI가 사용자 입력을 정확하게 이해하고 처리할 수 있게 보장합니다.

AI 에이전트를 훈련하려면 사용자와의 상호 작용 유형을 반영하는 데이터를 수집해야 합니다. 여기에는 다음이 포함될 수 있습니다.

• 텍스트 스크립트: 채팅 로그, 지원 티켓 또는 이메일로부터 AI와 예상되는 상호 작용과 유사한 대화 스크립트를 수집합니다.
• 음성 녹음: AI가 음성 명령이나 문의에 응답하려면 다양한 엑센트, 억양, 음성 패턴을 이해하는 데 도움이 되는 음성 녹음이 필수적입니다.
• 상 호작용 로그: 유사한 시스템과의 이전 상호 작용 데이터는 사용자 행동과 일반적인 쿼리 또는 명령에 대한 인사이트를 제공할 수 있습니다.

데이터를 확보한 후에는 데이터를 정리하여 훈련을 위해 준비해야 합니다. 여기에는 관련성이 없거나 잘못된 데이터를 제거하고, 오류를 수정하며, 데이터 세트 전반의 일관성을 보장하는 업무가 포함됩니다. 예를 들어, 텍스트 스크립트의 오타를 수정하거나 음성 녹음에서 배경 소음을 필터링할 수 있습니다.

마지막으로 라벨링합니다. 각 데이터가 나타내는 내용을 설명하는 레이블(예: 태그 또는 메타데이터)을 추가하는 것입니다. 사용자의 의도가 담긴 텍스트(예: "항공편 예약", "영업시간 문의")에 레이블을 지정합니다. 이는 AI가 사용자 입력의 컨텍스트와 목적을 이해하는 데 도움이 됩니다.

이 단계에서는 AI가 데이터로부터 얼마나 잘 학습하고 업무를 수행할 수 있는지를 결정하는 올바른 머신 러닝 모델을 선택하는 것이 중요합니다.

머신 러닝 모델에는 두 가지 유형이 있습니다.

1. 신경망: 신경망은 인간의 두뇌가 작동하는 방식을 모방한 강력한 모델입니다. 특히 대량의 데이터를 처리하고 패턴을 인식하는 데 능숙하여 인간 언어를 이해하고 생성하는 데 이상적입니다.
2. 강화 학습: 이 유형의 모델은 시행착오를 통해 학습하며, 시간이 지남에 따라 개선하기 위해 작업에 대한 피드백을 사용합니다. 사용자 상호 작용에 따라 결정을 내리거나 행동을 최적화해야 하는 AI 에이전트에게 유용합니다.

그렇다면 어떻게 적합한 모델을 선택해야 하나요?

AI 에이전트의 기능과 수행하려는 업무를 고려합니다. 예를 들어, 에이전트가 인간 같은 응답을 이해하고 생성해야 하는 경우, 신경망이 최선의 선택일 수 있습니다.

그리고 수집한 데이터를 고려합니다. 예를 들어, 신경망은 효과적으로 훈련하려면 많은 양의 데이터가 필요하지만 강화 학습은 AI가 사용자와의 지속적인 상호 작용을 통해 학습할 수 있는 시나리오에 적합할 수 있습니다.

사전 훈련된 모델을 사용할 수도 있습니다. 연구자들이 대규모 데이터 세트에 대해 개발하고 훈련한 모델입니다. 이미 언어와 인간 상호 작용에 대한 일반적인 정보를 많이 배웠기 때문에 좋은 출발점이 될 수 있습니다.

다음은 사전 훈련된 모델의 몇 가지 예입니다.

• GPT(사전 훈련된 생성형 트랜스포머): 이 모델은 텍스트 생성에 탁월하며 질문에 대한 답변이나 콘텐츠 작성과 같은 특정 업무를 수행하도록 정밀 조정할 수 있습니다.
• BERT(트랜스포머의 양방향 인코더 표현): 주변 환경에 따라 단어의 컨텍스트를 이해하는 능력으로 알려져 있으며, 언어에 대한 깊은 이해(예: 감정 분석, 언어 번역)가 필요한 업무에 유용합니다.

사전 훈련된 모델은 광범위한 지식을 갖추고 있지만 AI 에이전트가 수행해야 하는 특정 업무에는 특화되어 있지 않을 수 있습니다. 정밀 조정이 필요합니다. 정밀 조정에는 특정 데이터 세트에 대해 사전 훈련된 모델을 계속 학습하여 특정 애플리케이션의 미묘한 차이에 적응하도록 하는 것이 포함됩니다.

이제 준비한 데이터를 사용하여 실제로 머신 러닝 모델을 훈련할 차례입니다. 이 단계에서는 AI가 사용자가 제공한 예를 통해 학습을 시작하여 결국 스스로 업무를 수행할 수 있게 됩니다.

AI 에이전트를 훈련시키는 단계는 다음과 같습니다.

1. 환경 설정: 훈련을 시작하기 전에 머신 러닝 환경을 설정합니다. 여기에는 머신 러닝에 필요한 소프트웨어 라이브러리 및 프레임워크를 설치하는 것이 포함될 수 있습니다.
2. 데이터 로드: 정리되고 라벨링된 데이터를 훈련에 사용할 수 있도록 환경으로 가져옵니다.
3. 데이터 분할: 데이터를 최소 두 세트, 훈련과 테스트로 나눕니다. 훈련 세트는 모델을 가르치는 데 사용하며, 테스트 세트는 모델이 얼마나 잘 학습했는지 평가하는 데 사용됩니다.
4. 모델 선택: 이 결정에 따라 훈련할 머신 러닝 모델을 초기화합니다.
5. 훈련 매개변수 구성: 훈련 프로세스를 안내할 매개변수를 설정합니다. 여기에는 학습 속도, 배치 크기 및 에포크 수가 포함됩니다. 학습 속도는 데이터 처리 중에 관찰된 오류에 대응하여 모델이 매개변수를 얼마나 조정하는지를 결정합니다. 배치 크기는 모델이 내부 매개 변수를 업데이트하기 전에 모델에 표시되는 데이터 샘플의 수입니다. 또한 전체 훈련 데이터 세트의 완전한 통과를 나타내는 에포크 수는 학습 깊이에 영향을 미칩니다. 대부분의 에포크는 모델에 데이터로부터 학습할 수 있는 더 많은 기회를 제공합니다.
6. 모델 훈련: 훈련 프로세스를 시작합니다. 모델은 훈련 데이터를 사용하여 학습하고 내부 파라미터를 조정하여 오류를 최소화합니다.
7. 훈련 프로세스 모니터링: 성과 지표(예: 훈련 중의 정확성 또는 손실)를 추적합니다. 이러한 지표를 통해 모델이 얼마나 잘 학습하고 있는지 알 수 있습니다. 모델이 예상대로 작동하지 않는다면 훈련 매개변수를 조정해야 할 수 있습니다. 예를 들어, 훈련 손실이 줄어들지 않는다면 학습 속도를 낮추는 것을 고려합니다.

AI 에이전트를 개발하려면 시스템이 예상대로 작동하고 설정한 목표를 충족하는지 테스트하고 검증해야 합니다. 이 단계를 통해 AI 에이전트가 완전히 배포되기 전에 문제를 식별하고 수정할 수 있습니다.

먼저 사전 정의된 일련의 업무 또는 쿼리를 통해 AI 에이전트를 실행하여 응답 방식을 확인합니다. 이는 마치 학습한 내용을 제대로 학습했는지 확인하기 위해 미니 시험을 치르는 것과 같습니다.

AI 에이전트가 얼마나 정확하고 효율적으로 업무를 수행하는지 측정합니다. 응답이 정확한지, 응답에 시간은 얼마나 걸리는지, 상호 작용이 원활한지 확인합니다.

다양한 테스트 방법 중에서 선택할 수 있습니다.

• 유닛 테스트: 개별 구성 요소 또는 AI 에이전트의 일부를 테스트하여 각각이 자체적으로 올바르게 작동하는지 확인합니다.
• 사용자 테스트: 실제 사용자를 초대하여 제어된 설정에서 AI 에이전트를 테스트합니다. 이를 통해 실제 시나리오에서 에이전트의 성능과 사용자가 에이전트와 상호 작용하는 방식을 확인할 수 있습니다.
• A/B 테스트: 두 가지 버전의 AI 에이전트를 서로 비교하여 어느 쪽의 성능이 더 좋은지 판단합니다. 예를 들어, 두 가지 서로 다른 응답 스타일이나 상호 작용 플로우를 테스트하여 어느 것이 더 효과적인지 확인할 수 있습니다.

과적합과 성능 저하에 유의합니다. 과적합은 AI 에이전트가 훈련 데이터에서는 잘 작동하지만 보이지 않는 새로운 데이터에서는 제대로 작동하지 않을 때 발생합니다. 과적합 문제를 해결하기 위해 교차 검증과 같은 기술을 사용하여 훈련과 테스트에 사용된 데이터를 순환하여 모델이 잘 일반화되도록 할 수 있습니다.

AI 에이전트의 성능이 기대에 미치지 못한다면 훈련 단계를 다시 방문하여 매개변수를 조정하거나, 데이터를 더 추가하거나, 모델을 재훈련하는 것도 고려합니다.

사용자로부터 피드백(예: 설문조사, 피드백 양식 또는 직접 인터뷰)을 수집하는 메커니즘을 설정합니다. 사용자가 좋아하는 것과 싫어하는 것, 혼란스러워하는 것에 주의를 기울입니다. 피드백을 사용하여 AI 에이전트를 지속적으로 개선합니다. 여기에는 대화 플로우를 정밀 조정하거나, 더 많은 데이터로 모델을 학습시키거나, 사용자 인터페이스를 조정하는 업무가 포함될 수 있습니다.

마지막으로, 이제 실시간 환경에 AI 에이전트를 배포하고 AI가 실제 사용자와 어떻게 상호 작용하는지 알아볼 차례입니다.

웹사이트, 모바일 앱, 음성 인식 플랫폼 중 어디에 AI 에이전트를 배포할지 결정합니다. 그런 다음, AI 에이전트를 선택한 플랫폼에 통합합니다. 여기에는 웹사이트에 코드를 삽입하거나, 모바일 앱에서 에이전트를 구성하거나, 음성 플랫폼의 API로 에이전트를 설정하는 것이 포함될 수 있습니다.

통합이 완료되면 AI 에이전트를 실행하여 사용자와의 상호 작용을 시작합니다. 원활한 시작을 위해 모든 지원 시스템이 준비되어 있는지 확인합니다.

AI 에이전트가 얼마나 잘 수행되고 있는지 정기적으로 확인합니다. 사용자 쿼리를 올바르게 이해하나요? 복잡한 대화를 어떻게 처리하나요? AI 에이전트의 성능에 대한 실시간 인사이트를 제공하는 도구를 사용할 수 있습니다. 이러한 도구는 응답 시간, 성공률 및 사용자 만족도를 보여줄 수 있습니다.

플랫폼을 통해 직접 사용자 피드백을 수집하여 이를 수행할 수 있습니다. 이는 AI 에이전트와 상호 작용한 후 평점, 댓글 또는 직접 설문조사 링크의 형태가 될 수 있습니다. 오류 로깅을 설정하여 문제가 발생했을 때 캡처할 수도 있습니다. 오류가 갑자기 급증하거나 성능이 저하되는 경우, 알림을 받아 신속하게 작업을 취할 수 있습니다.

AI 에이전트를 신중하게 배포하고 모니터링 시스템을 설정하면 시작은 물론 시간이 지나면서 적응하고 개선되어 사용자의 요구 사항과 기대를 지속적으로 충족시킬 수 있습니다.

이것으로 훈련이 완료되었습니다! 자체 AI 에이전트를 구축하고 훈련하는 것이 어렵게 느껴질 수 있지만 Salesforce와 함께라면 비즈니스의 발전을 이끄는 기술 혁신의 최전선에 서시게 됩니다. 훈련 프로세스를 간소화하는 최첨단 도구와 프레임워크에 액세스하여 AI 에이전트의 지능과 효율성을 모두 확보할 수 있습니다. AI의 강력한 기능을 활용하면 새로운 차원의 생산성과 인사이트에 도달하여 데이터를 실행 가능한 성장 전략으로 전환할 수 있습니다.

Salesforce와 함께 에이전트 여정을 도표화하여 지금 바로 미래를 맞이하며, 더 스마트하고 연결된 비즈니스 환경을 위한 발판을 마련하세요.

Caylin White 는 Salesforce의 소규모 기업 부문 편집 책임자 겸 성장 관리자로, WordPress와 BuzzSumo를 포함한 다양한 SaaS 산업 분야에서 15년 이상 콘텐츠를 작성해 왔습니다. SEO 전문가인 동시에 모든 글에 인간 중심적인 관점을 반영하는 것으로 알려져 있습니다.