
추론 엔진은 무엇인가요?
대화형 코파일럿을 최대한 활용하려면 LLM의 세계에 대해 더 자세히 살펴보세요.
Shipra Gupta
대화형 코파일럿을 최대한 활용하려면 LLM의 세계에 대해 더 자세히 살펴보세요.
Shipra Gupta
이메일 초안 작성, 캠페인 개요 생성, 웹 페이지 구축, 경쟁사 조사, 데이터 분석, 통화 요약과 같은 일상적인 비즈니스 업무를 AI가 자동화할 수 있다고 상상해 보세요. 이러한 반복적인 업무를 자동화하면 비즈니스 전략 및 관계 구축과 같은 더 복잡하고 창의적인 활동에 귀중한 시간과 엄청난 수고를 덜 수 있습니다.
이러한 일상적인 비즈니스 업무를 자동화하려면 AI가 추론 엔진으로 작동하도록 하여 인간 지능을 시뮬레이션해야 합니다. 다른 차원의 생성형 AI입니다. 자연어로 소통하는 것 외에도 AI는 문제 해결과 의사 결정에도 도움을 줍니다. 제공된 정보를 통해 학습하고, 장단점을 평가하고, 결과를 예측하고, 논리적인 결정을 내립니다. 최근 기술 발전을 고려할 때 Salesforce는 이러한 AI 기능에 있어서 끝에 서 있으며, 과학계와 비즈니스계의 많은 사람들을 흥분시키고 있습니다.
Salesforce AI는 Salesforce Platform의 패브릭에 기반한 신뢰할 수 있고 확장 가능한 AI를 제공합니다. Salesforce AI를 고객 데이터에 활용하여 모든 비즈니스 요구 사항에 맞는 맞춤형, 예측형, 생성형 AI 경험을 안전하게 생성하세요. Einstein을 통해 모든 워크플로, 사용자, 부서, 산업에 대화형 AI를 도입할 수 있습니다.
추론 엔진은 특정 규칙, 데이터, 논리에 따라 인간 같이 의사 결정을 하고 문제를 해결하는 기능을 모방하는 AI 시스템입니다. 추론 엔진이 모방하는 인간 추론 또는 추론 메커니즘에는 세 가지 유형이 있습니다.
이제 전 세계 사람들은 대규모 언어 모델(LLM)이 훈련받은 데이터로부터 유용하고 새로운 콘텐츠를 생성할 수 있는 특수 머신 러닝 모델이라는 사실을 알고 있습니다. 그 외에도 오늘날의 LLM은 문제를 해결하기 위해 컨텍스트를 이해하고, 데이터로부터 논리적 추론을 이끌어내고, 다양한 정보를 연결할 수 있는 능력도 발휘합니다. 이러한 특성을 통해 LLM은 추론 엔진의 역할을 할 수 있습니다.
그렇다면 LLM은 어떻게 정보를 평가하고, 계획을 생성하고, 일련의 알려진 규칙을 적용하여 일반적인 비즈니스 수학 문제를 풀 수 있나요?
커피숍 주인이 손익분기점을 맞추기 위해 한 달에 몇 잔의 커피를 팔아야 하는지 알고 싶다고 가정해 보겠습니다. 커피숍 주인은 잔당 3.95달러로 값을 매깁니다. 월 고정 비용은 2,500달러, 단위당 가변 비용은 1.40달러입니다.
LLM은 일련의 알려진 수학 규칙을 적용하여 체계적으로 답변을 얻습니다.
관련 값을 식별합니다.
커피당 공헌 이익을 계산합니다. 공헌 이익은 판매 가격에서 가변 비용을 뺀 값입니다.
= $3.95 - $1.40 = $2.55
손익분기점 공식을 적용합니다. 손익분기점은 고정 비용을 공헌 이익으로 나눈 값입니다.
= $2500/$2.55 = 980.39
가장 가까운 정수로 반올림합니다.
손익분기점 = 커피 981잔
대형 언어 모델의 인기는 2022년 가을에 급등했으며, 과학자들은 다양한 프롬프트를 통해 이러한 모델을 실험하는 데 몰두해 왔습니다. "프롬프팅" 또는 프롬프트 엔지니어링은 신중하게 제작된 일련의 입력 명령(프롬프트)을 LLM에 보내 원하는 결과를 생성하는 분야로 현재 빠르게 부상하고 있습니다. 프롬프트를 사용하여 목표를 달성하기 위한 단계의 논리적 계획을 생성하는 경우, 이를 "추론 전략"이라고도 합니다. 아래에서 인기 있는 추론 전략 중 몇 가지에 대해 살펴보세요.
이는 오늘날 가장 유망한 전략 중 일부에 불과합니다. 이러한 전략을 실제 AI 애플리케이션에 적용하는 프로세스는 최적의 성능을 위해 다양한 전략을 결합하고 정밀 조정이 수반되는 반복적인 프로세스입니다.
LLM이 추론 엔진으로 작동하는 것은 매우 흥미로운 일이지만 실제로 어떻게 해야 유용하게 사용할 수 있나요? 인간에 비유하자면 LLM은 추론, 계획, 의사 결정 능력을 갖춘 두뇌와 같습니다. 하지만 작업을 수행하기 위해서는 여전히 손과 다리가 필요합니다. 추론 능력과 작업 수행 능력을 모두 갖춘 AI 시스템인 "AI 에이전트"를 소개합니다. 작업 수행에 널리 사용되는 용어에는 "도구", "플러그인", "작업" 등이 있습니다.
AI 에이전트에는 완전 자율형과 반자율형의 2가지 종류가 있습니다. 완전 자율 에이전트는 인간 개입 없이도 자율적으로 결정을 내리고 그에 따라 작업할 수 있습니다. 이러한 종류의 에이전트는 현재 실험 모드에 있습니다. 반자율 에이전트는 요청을 트리거하기 위해 "휴먼인더루프"가 포함되어 있는 에이전트입니다. 대화형 챗봇(Agentforce Assistant, ChatGPT, Duet AI 등)과 같은 AI 애플리케이션에서는 반자율 에이전트가 주로 채택되기 시작했습니다.
AI 에이전트에는 핵심 구성 요소 4가지가 있습니다.
Agentforce Assistant은 자연어로 기업의 직원 및 고객과 상호 작용하는 Salesforce의 고급 AI 기반 대화형 어시스턴트입니다. 직원은 이를 사용하여 업무 플로우에서 다양한 업무를 달성하여 대규모로 생산성을 개선할 수 있습니다. 또한 소비자는 이를 사용하여 브랜드와 채팅하고 질문에 대한 답변을 즉시 얻어 만족도와 충성도를 높일 수 있습니다. Agentforce Assistant은 이해력 및 콘텐츠 생성과 같은 언어 기술을 위해, 그리고 복잡한 업무를 계획하기 위한 추론 엔진으로 LLM을 사용하여 사용자의 인지 부하를 줄입니다.
작동 방식은 다음과 같습니다.
시각적으로는 다음과 같이 보입니다.
Agentforce Assistant을 통해 기업은 추론 엔진으로 LLM을 활용할 수 있습니다. 이 도구를 통해 기업은 불과 몇 달 전만 해도 현실적으로 불가능했던 여러 업무를 AI를 사용하여 달성할 수 있습니다.
이러한 사용 사례와 이와 유사한 기타 많은 사용 사례에서 Agentforce Assistant은 기본적으로 반자율 에이전트 역할을 수행하여 LLM을 추론 엔진으로 사용하며, 사용자가 요청하면 업무를 수행하기 위한 조치를 취합니다. 이는 단지 시작에 불과합니다. 다음 단계는 Agentforce Assistant을 완전히 자율화하여 보조 역할을 수행할 뿐만 아니라 선제적이고 어디에나 존재하도록 만드는 것입니다. AI의 미래가 흥미진진하긴 하지만 그보다 더 흥미로운 것은 앞으로 다가올 글로벌 효율성이라는 결과입니다.
추론 엔진은 논리적 규칙, 도메인 지식 및 데이터를 적용하여 결론을 추론하고 결정을 내리거나 문제를 해결하는 AI 구성 요소입니다.
입력 데이터를 처리하고, 기술 자료를 쿼리하고, 추론 메커니즘(예: 규칙 기반, 확률적 메커니즘)을 사용하여 쿼리와 관련된 새로운 사실이나 논리적 추론을 도출합니다.
이를 통해 AI 시스템은 단순한 패턴 매칭을 넘어 복잡한 논리적 추론을 수행하고, 작업을 계획하고, 새로운 정보에 효과적으로 적응할 수 있습니다.
AI가 목표를 파악하고, 이를 하위 문제로 세분화하고, 다단계 솔루션을 구축하여 동적인 환경에서 자율적인 의사결정 능력을 강화합니다.
추론 엔진은 사실적인 데이터, 규칙, 제약 조건, 특정 영역 내 관계 등 다양한 형태의 지식을 사용하여 추론을 이끌어냅니다.
이점으로는 정확성 향상, 복잡한 작업의 자동화 향상, 의사 결정 지원 개선, 좀 더 세밀하고 유연한 시나리오를 처리할 수 있는 능력 등이 있습니다.
복잡한 지식을 표현하고, 불확실성을 처리하고, 확장성을 보장하고, 다른 AI 구성 요소 및 데이터 소스와 원활하게 통합하는 것이 과제에 포함됩니다.