인류의 기술 발전의 오랜 역사 속에서 자동화는 항상 주요 원동력이 되어 인간이 복잡하고 위험하며 지루한 노동 환경에서 벗어날 수 있도록 도와주었습니다. 농업시대 초기의 물레방아 관개부터 산업시대의 증기기관까지, 인간은 고된 노동에서 해방되기 위해 더욱 진보된 자동화 기술을 끊임없이 추구해 왔습니다
정보화 시대의 도래와 함께 소프트웨어는 정보처리 수단으로 활용됩니다 , 저장과 통신의 기반은 인간의 생산과 생활에서 떼려야 뗄 수 없는 부분이 되었고, 이는 RPA(Robotic Process Automation) 기술의 탄생으로 이어졌습니다. 수동으로 컴파일된 규칙을 통해 여러 소프트웨어를 하나의 견고한 워크플로(Workflow)로 조정하고 소프트웨어와 상호 작용하여 인간 상호 작용을 시뮬레이션하여 효율적인 실행을 달성합니다.
이 다이어그램에서는 로봇 프로세스 자동화(RPA)와 에이전트 프로세스 자동화(APA)를 비교합니다.
RPA(로봇 프로세스 자동화)는 소프트웨어 로봇 또는 "BOT"를 활용하여 반복적이고 일반적인 작업을 시뮬레이션하고 수행합니다. 인적 자원을 확보하고 업무 효율성을 향상시킵니다. RPA의 적용 범위는 매우 넓습니다. 많은 기업(은행, 보험 회사, 제조, 소매 및 기타 산업 포함)은 일반적으로 RPA 로봇을 사용하여 데이터 입력, 데이터 추출, 데이터 처리와 같은 일상적이고 지루한 작업을 자동화합니다. RPA는 작업을 자동화함으로써 오류율을 크게 줄이고 연중무휴 24시간 작업을 수행할 수 있어 비즈니스 신뢰성과 대응력이 향상됩니다
시장 조사에 따르면 RPA 시장은 빠르게 성장하며 큰 성공을 거두고 있습니다. Gartner는 글로벌 RPA 시장 매출이 2023년까지 17.5%의 성장률로 33억 달러에 이를 것으로 예측합니다. 이는 기업이 RPA에 대한 수요와 인지도가 매우 높다는 것을 보여줍니다
그러나 RPA는 단순하고 기계적인 인간 작업만 대체할 수 있으며 일부 복잡한 프로세스는 여전히 수동 노동에 의존합니다.
그림 2 RPA와 APA의 효율성과 지능 비교
다행히도 최근 대형 언어 모델 에이전트 기술(Large Language Model based Agents, LLM-based Agents)이 분야에 등장하고 있습니다. AI는 자동화 기술을 통해 새로운 가능성을 창출할 수 있습니다. Agent 기술의 유연성을 RPA 분야에 도입하여 인간의 참여를 더욱 줄일 수 있나요?
팀의 연구에서는 대형 모델 에이전트 시대의 새로운 자동화 패러다임인 APA(Agentic Process Automation)를 탐구합니다. 기존 RPA와 비교하여 APA 패러다임에서는 에이전트가 인간의 요구에 따라 워크플로 구성을 독립적으로 완료하는 동시에 동적 의사 결정이 필요한 부분을 식별하고 이를 워크플로에 자동으로 조정할 수 있습니다. 워크플로가 실행되면 워크플로를 완료합니다. 이 부분은 해당하는 복잡한 결정을 완료하기 위해 워크플로 실행을 적극적으로 인수합니다.
본 연구 작업에서는 APA의 가능성을 탐색하기 위해 사람의 지시를 받고 코드를 생성하여 워크플로를 구축할 수 있는 자동화 에이전트 ProAgent를 구현했으며, 워크플로에 DataAgent와 ControlAgent를 도입하여 복잡한 데이터 처리 및 논리 제어를 구현했습니다. . ProAgent의 연구는 대형 모델 에이전트 시대에 APA의 타당성을 입증하고, LLM 시대의 자동화 기술에 대한 새로운 가능성을 제시합니다.
RPA에서 워크플로는 일련의 도구 호출로 구성된 그래프 구조입니다. 노드는 원자적 도구 호출(예: Gmail, Twitter, Google Sheets)을 나타내고 가장자리는 실행 로직 시퀀스( 조인, 분기, 루프). 워크플로우에는 일반적으로 문제 해결 경로 및 예외 처리 논리를 포함하여 작업 또는 작업 유형에 대한 모든 사전 지식이 포함됩니다. 따라서 고정된 작업 흐름을 작성하는 것이 매우 안정적이고 철저하며 효율적인 경우가 많습니다
그림 3 에이전트 워크플로 설명 언어의 예
ProAgent에서는 LLM 자체가 코드 데이터로 사전 교육을 받고 강력한 코드 기능을 학습했기 때문에 본 연구에서는 코드 기반 에이전트 워크플로 설명 언어 Agentic Workflow Description을 사용합니다. 언어. 이 언어는 JSON을 사용하여 워크플로의 데이터를 구성하고 관리하며 Python 구문을 사용하여 워크플로의 논리적 제어를 구현합니다. 동시에 Python 구문을 통해 도구를 직접 표현합니다. 작업 흐름은 호출이 Python 함수로 캡슐화됩니다. 따라서 ProAgent의 경우 워크플로 구축 작업이 코드 생성 작업으로 변환됩니다. 사람의 지시를 받으면 ProAgent는 해당 Agentic Workflow Description Language를 작성하여 자동화된 작업 흐름 구성을 실현합니다.
그림 4 DataAgent와 ControlAgent를 결합한 에이전트 워크플로 설명 언어의 예
복잡한 실제 작업에는 일반적으로 동적 의사 결정, 간단한 Python 스타일의 논리적 제어 규칙 및 JSON 스타일 데이터 구성이 포함됩니다. 유연한 요구에 직면하면 형태는 무력하며 이때 에이전트를 도입해야 합니다. 따라서 이 연구 작업에서는 두 가지 Agent 작업을 추가로 정의합니다.
1. DataAgent: 복잡한 데이터 처리 요구 사항의 경우 워크플로가 구축될 때 자연어를 사용하여 처리 작업을 설명하고 실행 중에 초기화됩니다. 자연어 설명을 기반으로 데이터 처리 작업을 자율적으로 처리하고 완료합니다.
2. ControlAgent: 규칙으로 표현하기 어려운 논리적인 제어 규칙에 대해서는 워크플로우 구축 시 자연어를 사용하여 제어 로직을 기술한 후, 런타임 시 ControlAgent를 초기화하여 기술합니다. 자연어를 기반으로 나중에 워크플로에서 실행해야 하는 분기를 독립적으로 선택합니다.
ProAgent는 ReACT 모드를 사용하여 워크플로를 단계별로 구축합니다. 여기에는 네 가지 워크플로 구축 단계가 포함됩니다.
예제는 ProAgent 워크플로우 구축 프로세스의 그림 5를 보여줍니다
또한 ProAgent의 효과를 최적화하기 위해 몇 가지 최적화 기술이 도입되었습니다.
워크플로의 실행 프로세스는 Python 인터프리터를 기반으로 합니다. 워크플로우가 주어지면 해당 mainWorkflow 함수가 실행 진입점으로 사용되어 전체 실행 프로세스가 시작됩니다. 실행 과정은 Python 코드의 실행 규칙을 따릅니다. 즉, 한 줄씩 순서대로 실행됩니다. mainWorkflow 함수가 반환되면 워크플로 실행이 성공적으로 완료됩니다
본 연구에서는 Agentic Process Automation의 타당성을 검증하기 위해 OpenAI GPT-4를 기본 모델로, 오픈소스 RPA 플랫폼 n8n을 캐리어로 사용하여 위에서 언급한 ProAgent를 구현했습니다. 동시에 유연성과 효율성이 모두 요구되는 작업을 설계했습니다. 이는 Google 스프레드시트에서 다양한 비즈니스 라인의 수익 데이터를 추출하고 해당 비즈니스가 2B인지 2C인지에 따라 후속 조치를 결정해야 하는 일반적인 비즈니스 시나리오입니다. 비즈니스 라인이 2C로 결정되면 Slack 채널로 메시지가 전송됩니다. 2B의 비즈니스 라인의 경우 비즈니스 라인 평가 및 간략한 수익성 개요가 포함된 이메일이 각 관리자에게 전송됩니다.
그림 6 작업 지침 표시
다시 작성해야 하는 내용은 다음과 같습니다. 이 작업의 경우 우선 여러 제품 라인에 대해 동일한 처리 흐름이 이루어져야 합니다. 채택 된 . 둘째, 비즈니스 라인이 2C인지 2B인지 구별하기가 매우 어려우며, 후속 워크플로우를 결정하기 위해서는 Agent의 역동적인 의사결정이 필요합니다. 마지막으로 비즈니스 라인의 평가 이메일을 작성하려면 어느 정도의 지능이 필요하므로 Agent의 개입이 필요합니다
ProAgent 세대에서는 이 작업을 위해 DataAgent와 ControlAgent라는 네 가지 원자 작업을 포함하는 워크플로우가 있습니다. 작성되었습니다. 전체 프로세스는 아래 그림에 대략적으로 나와 있습니다.
그림 7 ProAgent 워크플로 구성 프로세스 표시
ProAgent는 수동 작업 없이 자체 코드를 작성하여 워크플로 구성 프로세스를 자동으로 완료하는 것을 볼 수 있습니다. 간섭. 비즈니스 라인이 2B인지 2C인지 판단해야 할 경우 ProAgent는 ControlAgent를 도입하여 판단을 내립니다. ControlAgent의 프롬프트는 "비즈니스 라인이 toC인지 toB인지 결정"으로 설정됩니다. 비즈니스 라인이 2B인 경우 ProAgent는 "당신의 제안과 함께 수익 비즈니스 라인의 이메일 작성"으로 작업이 설정된 DataAgent도 도입합니다. 따라서 에이전트의 지능을 사용하여 실제 상황을 기반으로 작성합니다. 다른 비즈니스 라인.
워크플로가 작성되고 구체화되면 효율적인 데이터 처리를 위해 워크플로가 다양한 데이터에 따라 다른 로직으로 자동 분기됩니다.
그림 8 ProAgent 워크플로 실행 프로세스 표시
2C 비즈니스 라인 데이터를 처리할 때 ControlAgent는 비즈니스 라인 설명을 기반으로 현재 비즈니스 라인의 유형을 결정하고 해당 작업에 Slack 도구를 사용하도록 선택할 수 있습니다. 의사소통. 2B 비즈니스 라인 데이터 처리 시 DataAgent는 이메일을 작성하여 해당 관리자의 메일함으로 보낼 수 있습니다
본 연구는 대규모 Model 시대에 적합한 새로운 자동화 패러다임인 Agentic Process Automation을 제안합니다. 기존의 로봇 프로세스 자동화 기술과 비교하여 Agentic Process Automation은 워크플로 구성을 자동화하고 워크플로 실행 중 동적 결정의 자동화를 실현할 수 있습니다. 이 연구는 또한 ProAgent를 더욱 발전시켰으며 자동화에서 대형 모델 에이전트의 타당성과 잠재력을 실험적으로 입증했습니다. 앞으로는 대형 모델 에이전트 기술이 인간이 더 높은 수준의 자동화를 달성하고 중노동으로부터 해방될 수 있을 것이라고 믿습니다
현재 연구팀은 포함 사항:
위 내용은 ProAgent: OpenAI가 주도하는 지능형 에이전트, 칭화대학교 및 기타 대학에서 출시의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!