랭체인의 공동 창립자이자 CEO인 해리슨 체이스가 전하는 AI 에이전트에 관한 10가지 명언

해리슨 체이스는 다음과 같은 회사의 공동 창립자이자 CEO입니다. LangChain는 개발자가 대규모 언어 모델(LLM)로 구동되는 애플리케이션을 쉽게 구축할 수 있는 오픈소스 프레임워크입니다. 체이스는 머신 러닝 스타트업 Robust Intelligence에서 근무하던 중 2022년 10월 LangChain을 출시했습니다.. 이 프로젝트는 모듈식 추상화와 광범위한 통합으로 LLM 기반 애플리케이션을 만드는 과정을 간소화하여 개발자들 사이에서 빠르게 인기를 얻었습니다..

설립 이전 LangChain체이스는 로버스트 인텔리전스의 ML 팀과 핀테크 스타트업인 켄쇼의 엔티티 연결 팀을 이끌었습니다.. 하버드 대학교에서 통계학과 컴퓨터 공학을 전공했습니다.. 체이스는 CEO로서 2023년 설립 후 불과 몇 달 만에 1조 4천억 원 이상의 가치로 1억 3천만 달러 이상의 자금을 조달하는 등 LangChain의 빠른 성장을 감독했습니다.

AI 분야, 특히 AI 에이전트에 대한 그의 중요한 공헌을 감안하여 이 주제에 대한 해리슨 체이스의 10가지 명언을 살펴보세요:

1. "에이전트 애플리케이션과 상호 작용하는 올바른 방법을 아직 정립하지 못한 것 같습니다. 에이전트 애플리케이션은 신뢰도가 높지 않기 때문에 여전히 사람이 개입하는 것이 필요하다고 생각합니다. 하지만 루프에 너무 많이 들어가면 실제로 그다지 유용한 일을 하지 못합니다. 그래서 거기에는 일종의 이상한 균형이 있습니다."

이 발췌문은 프레젠테이션 에서 체이스는 AI 에이전트와 효과적인 사용자 상호작용을 설계하는 데 따르는 어려움을 강조합니다. 그는 에이전트의 유용성을 극대화하면서 신뢰성을 보장하기 위해 인간의 감독과 에이전트의 자율성 사이에 필요한 섬세한 균형이 필요하다고 강조합니다.

2. "에이전트는 자동으로 웹을 검색하고, 애플리케이션을 사용하여 파일을 탐색하고, 심지어는 우리를 대신하여 기기를 제어할 수 있는 디지털 노동력과 같습니다."

그의 TED 강연에서 체이스는 다음과 같은 디지털 엔티티로서의 AI 에이전트 개념을 소개합니다. 작업을 수행할 수 있습니다.웹 브라우징, 파일 탐색, 기기 제어와 같은 작업을 자율적으로 수행합니다. 그는 이를 일종의 디지털 노동에 비유합니다.

3. "우리는 기본적으로 주어진 작업을 지원하기 위해 다양한 도구를 지속적으로 사용하고 있습니다. 에이전트는 이러한 도구를 사용하는 대신 AI에게 작업의 목적과 최종 목표를 설명한 다음 어떤 도구를 어떻게 사용해야 하는지 계획한 다음 실제로 스스로 작업을 수행합니다."

체이스는 사람이 도구를 사용하여 작업을 완료하는 기존의 접근 방식과 AI 에이전트 접근 방식을 구분합니다. 에이전트를 사용하면 사용자가 작업과 최종 목표를 설명하기만 하면 에이전트가 필요한 도구를 자율적으로 선택하여 사용합니다.

4. "우리보다 훨씬 빠르게 작업을 완료할 수 있을 뿐만 아니라 이론적으로는 애초에 이러한 도구를 사용하는 방법을 알 필요도 없을 것입니다."

체이스는 AI 에이전트의 이점에 대해 설명하면서 사람보다 더 빠르게 작업을 완료할 수 있는 잠재력에 주목합니다. 또한 에이전트를 사용하면 사용자가 작업에 필요한 도구에 대한 사전 지식이 없어도 된다고 제안합니다.

5. "아마도 두 가지 방향으로 나아갈 수 있을 것 같습니다. 하나는 좀 더 일반적인 도구 사용으로, 사람이 도구 세트를 지정한 다음 상담원이 그 도구를 좀 더 개방적인 방식으로 사용하도록 하는 것입니다."

에서 인터뷰에서 체이스는 AI 에이전트의 미래 방향에 대해 이야기합니다. 그는 에이전트가 보다 유연하고 개방적인 방식으로 사용자가 지정한 도구를 사용하는 것을 개발의 한 영역으로 구상하고 있습니다.

6. "장기 기억이라는 개념이 정말 흥미로워서 상담원들이 시간이 지나도 기억하고 지식을 쌓아가는 것 같아요."

체이스는 AI 에이전트 발전을 위한 또 다른 핵심 영역으로 장기 기억을 꼽았습니다. 그는 상담원이 시간이 지남에 따라 지식을 축적하고 이를 활용하여 행동과 결정을 내릴 수 있는 잠재력에 흥미를 느낍니다.

7. "우리는 그것을 정보로 압축하는 것을 좋아하기 때문에 사용자에 대해 더 많이 알고 있는 개인화된 상담원이라는 아이디어에서 정말 흥미로운 단계라고 생각합니다."

체이스는 개인화된 상담원의 개념을 자세히 설명하면서 상담원이 시간이 지남에 따라 사용자의 상호작용과 선호도에서 얻은 정보를 어떻게 압축할 수 있는지 살펴봅니다. 이를 통해 보다 맞춤화되고 개별화된 상담원 경험을 제공할 수 있습니다.

8. "이러한 모든 생성 모델을 평가하기가 정말 어렵다는 큰 문제점을 해결하고 있다고 생각합니다."

체이스는 제너레이티브 모델 평가의 어려움에 대해 이야기합니다. 그는 AI 에이전트가 이 문제를 해결하는 데 잠재적으로 도움이 될 수 있다고 제안합니다.

9. "MSE나 정확도 같은 단일 숫자가 아니라, 최소한 자연어 응답 같은 것을 얻을 수 있게 되었기 때문입니다."

체이스는 생성 모델 평가의 어려움에 대해 자세히 설명하며, 평균 제곱 오차나 정확도처럼 쉽게 정량화할 수 있는 지표가 아닌 자연어 응답이 산출되는 경우가 많다고 지적합니다.

10. "언어 모델 자체를 사용하여 언어 모델 결과물을 평가하는 것은 우리 둘 다 매우 기대하는 분야라고 생각합니다."

체이스는 언어 모델을 사용하여 다른 언어 모델의 결과물을 평가하는 아이디어에 열의를 표하며, 생성 모델 평가의 문제를 해결하는 데 유망한 접근 방식이라고 생각합니다.