에이전틱 AI 애플리케이션

폴라리스: 멀티 에이전트 아키텍처를 통한 엔터프라이즈용 AI 기반 대화형 데이터 인텔리전스

오늘날의 빠르게 변화하는 환경에서 데이터에 신속하게 접근하고 이해하며 이를 기반으로 행동하는 능력은 더 이상 럭셔리한 것이 아니라 필수적인 요소가 되었습니다. 그러나 많은 조직은 데이터가 풍부하지만, 적시에 실행 가능한 인사이트를 도출하는 것이 여전히 중요한 과제라고 생각합니다. 특히 기업의 경우 비기술적 비즈니스 사용자.

또한 기술 사용자는 데이터를 이해하여 결과 얻을 수 있는 쿼리를 작성해야 합니다. 이는 상당한 시간과 노력을 필요로 하며, 사용자가 간단한 자연어 방식으로 자신의 의도를 쉽게 표현할 수 있도록 하는 단일 클릭 방식이 아닙니다.

게다가 사용자는 시각화 기능을 적용하더라도 여전히 데이터를 이해하는 데 시간을 투자해야 합니다. 데이터를 제시할 때 종종 “왜”에 대한 의문이 제기되는데, 중요한 “왜”가 없는 데이터는 데이터 제시와 진정한 이해 사이의 간극을 남긴다. 본질적으로 셀프 서비스형 비즈니스 분석은 여전히 불가능한 상태다.

폴라리스는 무엇인가?

폴라리스 Polaris는 Couchbase Operational 데이터베이스에서 데이터를 분석하도록 설계된 다중 에이전트 AI 기반 대화형 인터페이스입니다. Polaris는 다중 에이전트 아키텍처를 활용하여 사용자가 직관적인 대화형 인터페이스를 통해 기업 데이터와 상호작용할 수 있도록 하여 복잡한 데이터 분석을 단순한 대화로 변환합니다. 예를 들어, 회사가 다양한 지역 및 제품 라인에 걸쳐 글로벌 기업 매출 데이터를 보유하고 있고 비즈니스 분석가가 해당 데이터를 이해하고 싶어 한다고 가정해 보겠습니다. “제품 X의 경우 2분기 판매가 북동부 지역에서 왜 감소했나요?”, 우리의 애플리케이션은 전체 분석 워크플로를 자동으로 실행할 수 있습니다.

그것은 지역, 제품 및 기간별로 관련 판매 데이터를 검색하고 필터링하며, 비교 가능한 지역 또는 제품 간의 성과 추세를 비교하고, 주요 패턴과 이상 현상을 시각화하며, 감소된 판촉 비용, 재고 부족 문제 또는 고객 행동 변화와 같은 근본 원인을 요약하는 스토리텔링 보고서를 생성합니다. 비즈니스 분석가가 이 보고서의 일부를 더 자세히 이해하기 위해 추가 질문을 하거나, 더 많은 시각화를 요청함으로써 더욱 흥미로운 결과를 얻을 수 있으며, 이를 통해 빠른 데이터 기반 의사결정을 가능하게 합니다.

이제 방치된 객체를 다루어보자 – AI 에이전트.

AI 에이전트는 무엇이며, 그들의 기능은 무엇인가?

AI 에이전트는 인공지능을 기반으로 하는 자율 시스템으로, 일반적으로 대규모 언어 모듈(LLM)을 포함하여 작업 수행, 의사결정, 그리고 실제 환경과 상호작용하는 기능을 수행합니다. 종종 이러한 기능은 지속적인 인간 감독 없이 이루어집니다. 전통적인 챗봇이나 규칙 기반 프로그램과는 달리, AI 에이전트는 경험으로부터 학습합니다. 에이전트의 목표는 인간 운영자가 자율적으로 그리고 자동으로 수행하는 모든 작업을 수행하는 것입니다. 아직은 먼 미래의 목표이지만, AI 산업은 이를 향해 진전하고 있습니다. 이제 AI 에이전트의 기능을 살펴보겠습니다:

What are AI Agents and what are their capabilities?

 

에이전트 플랜: 단계별 문제 해결
AI 에이전트는 복잡한 작업을 명확하고 관리 가능한 단계로 분해합니다. 문제 식별, 각 단계의 실행, 필요 시 조정이 이루어집니다. 다중 에이전트 시스템에서는 각 에이전트가 특정 작업을 소유할 수 있으므로 효율적이고 협업적인 문제 해결이 가능합니다.

연관성 인식: 메모리 관리 및 상태 추적
에이전트는 상호작용 전반에 걸쳐 컨텍스트를 유지하며 과거 입력 내용을 기억하고 지속적인 워크플로우에 적응합니다. 이러한 상태 추적 기능은 보다 자연스럽고 일관성 있고 지능적인 사용자 경험을 제공합니다.

도구 활용: 에이전트 기능 확장
에이전트는 외부 도구(API, 데이터베이스, 스크립트)와 상호작용하여 제안만 제공하는 것에서 그치지 않고 실제 작업을 수행할 수 있습니다. 이를 통해 에이전트는 수동적인 어시스턴트에서 워크플로우 내의 능동적인 실행자로 탈바꿈합니다.

과거 데이터로부터 배우기: 시간의 흐름에 따른 적응
역사적 데이터와 행동을 분석함으로써 에이전트는 시간이 지남에 따라 개선됩니다. 사용자의 요구를 예측하고 대응 방식을 정교하게 조정하며 사용 패턴을 기반으로 워크플로를 최적화합니다.

다중 에이전트 시스템(MAS)이란 무엇인가?

다중 에이전트 아키텍처는 여러 개의 독립적인 에이전트가 문제를 해결하거나 작업을 수행하기 위해 함께 협력하는 시스템 설계입니다. 각 에이전트는 데이터 수집, 정보 분석 또는 의사 결정 등 자신의 역할을 가지고 있습니다. 이러한 에이전트는 서로 소통하고 협력하여 공동 목표를 달성합니다. 이렇게 되면 시스템이 더욱 조직화됩니다. 이는 각 구성원이 특정 업무를 맡는 팀과도 같습니다. 하지만 모두가 같은 목표를 향해 노력합니다! 우리는 폴라리스에 대해 멀티 에이전트 아키텍처를 활용했습니다.

단일 에이전트 아키텍처로의 전환 이유는 무엇인가?

단일 AI 에이전트는 독립적으로 작동하며, 특정 작업을 자율적으로 처리합니다. 이는 검색 증강 생성(RAG) 시스템과 같은 단순한 애플리케이션에 적합합니다. 이 시스템에서는 에이전트가 LLM과 지식에 기반하여 사용자의 질문에 답변합니다. 그러나 실제 애플리케이션에서는 사용자의 대화가 거의 단순하지 않습니다. 사용자의 대화는 종종 복잡한 논리, 다단계 추론, 그리고 동적 데이터 모델과 끊임없이 변화하는 비즈니스 요구사항을 모두 고려해야 하는 요소를 포함합니다. 이 시점에서 단일 에이전트 시스템은 성능과 확장성을 제한받기 시작합니다. 여러 작업을 병렬로 실행하거나 스키마 변경에 대응하거나, 미묘한 워크플로우를 조정하는 데 어려움을 겪을 수 있습니다.

다중 에이전트 아키텍처(MAS)는 왜 작동하나요?

MAS 설계의 특수성으로 인해 발생하는 관심사 분리 덕분에 더욱 강력하고 유지 관리하기 쉬운 시스템이 탄생합니다. 각 에이전트는 특정 업무에 집중함으로써 복잡성을 줄이고 문제를 더 쉽게 파악하고 해결할 수 있게 합니다. 이러한 접근 방식은 자율주행 차량 제어와 같은 시나리오에서 빛을 발합니다. 이 시나리오에서는 별도의 에이전트가 내비게이션, 장애물 감지 및 차량 역학을 처리하여 각 분야에 집중적인 개발과 문제 해결을 가능하게 합니다. 면적.

감독자 vs 네트워크 멀티 에이전트 시스템

Why Does Multi-Agent Architecture (MAS) work?

중앙 관리자는 작업 배정을 관리하고 자율성이 제한된 하위 에이전트를 모니터링합니다. 이를 통해 보다 간편한 관리와 최적화된 의사결정을 가능하게 합니다. 갈등 해결. 그러나 단일 요소 고장이 발생하기 쉽고 확장성 측면에서 어려움을 겪습니다. 동적 또는 급격히 변화하는 환경에서는 유연성이 제한됩니다.

분산형(피어-투-피어) 다중 에이전트 아키텍처

Decentralized (Peer-to-Peer) Multi-Agent Architecture

에이전트는 독립적으로 행동하며, 모든 에이전트는 서로 상호작용할 수 있는 능력을 갖추고 있습니다. 이 시스템은 확장성이 뛰어나고 장애에 강하지만 중앙집중식 관리가 부족합니다. 이러한 점은 복잡한 협업, 더 높은 통신 비용, 분쟁 해결에 어려움을 야기하며, 전 세계적인 일관성을 보장하는 것도 더 어렵습니다.

우리는 다음과 같은 방식을 선택했습니다: 감독 기반 아키텍처

우리의 애플리케이션은 LangGraph 수퍼바이저 에이전트:

  1. 집중적 사고, 일관성 및 일체감
    • 복잡한 추론은 데이터, 사용자 의도 및 컨텍스트에 대한 전반적인 관점을 갖는 것이 유리합니다. 감독자는 여러 단계 간에 일관된 논리를 유지할 수 있습니다.
    • 단일 의사결정 지점은 산출물의 일관성을 보장합니다(예: 차트 설명과 일치하는 내용, 요약은 분석을 반영함).
    • 중앙 제어 기능을 통해 전문화된 하위 에이전트(예: 차트 생성기, 쿼리 에이전트)에 작업이 동적으로 할당됩니다. 노력의 중복 방지 및 자원 활용 최적화가 가능합니다.
  2. 더 쉬운 오류 처리 및 복구 기능과 확장성
    • 오류는 중앙에서 탐지 및 관리할 수 있습니다. 관리자는 작업을 다시 시도하거나 역할 재배정을 수행하거나 대체 응답을 생성할 수 있습니다.
    •  중앙 제어 기능을 통해 전문화된 하위 에이전트(예: 차트 생성기, 쿼리 에이전트)에 작업이 동적으로 할당됩니다. 노력의 중복 방지 및 자원 활용 최적화가 가능합니다.
    • 전체 시스템을 재설계하지 않고도 하위 에이전트를 더 쉽게 추가, 교체 또는 업데이트할 수 있습니다.

폴라리스 코어

Polaris는 핵심적으로 특화된 AI 에이전트 네트워크를 활용합니다. 이 네트워크는 데이터 상호작용 수명주기의 다양한 측면을 위해 최적화되었습니다. 이제 Polaris의 구성 요소와 전체적인 다중 에이전트 아키텍처를 예시를 통해 살펴보겠습니다.

polaris core

인식 및 조율: 슈퍼바이저 에이전트

그 감독 대리 다중 에이전트 시스템의 중앙 컨트롤러이자 지능적인 오케스트레이터 역할을 합니다.

기능:

  • 의도 파싱: 사용자 입력값을 분석하여 작업 관련 의도와 파라미터를 추출합니다.
    • 예: 사용자가 질문합니다. “2024년 1분기에 APAC 지역에서 전자제품 판매 총액이 왜 감소했나요?” 이 담당 상담원은 이를 분석하여 의도를 파악합니다. “판매 감소의 원인 및 이유 분석”, “제품 카테고리”: “전자제품”, “시간 기간”: “2024년 1분기”, “지역”: “APAC”.
  • 에이전트 라우팅 로직: 결정 엔진 또는 규칙 기반 오케스트레이션 계층을 구현하여 작업들을 적절한 에이전트에 라우팅합니다.
    • 예시: 분석된 의도인 “판매 감소에 대한 원인 분석”을 기반으로, 슈퍼바이저 에이전트는 먼저 쿼리 전문가에게 이 작업을 위임하여 판매 데이터를 가져오도록 합니다. 데이터를 기반으로 시각화를 위한 Charting Expert, 그리고 원인관계를 확인하기 위한 Reasoning Agent를 거쳐, 마지막으로 요약하기 위한 Report Expert를 거칩니다.
  • 컨텍스트 관리: 글로벌 대화 컨텍스트와 상태를 유지합니다.
  • 오류 처리 및 복구: 모니터는 작업의 성공/실패를 모니터링하며, 에이전트의 피드백을 기반으로 하위 작업을 재배정하거나 재정의할 수 있습니다.
    • 예시: 쿼리 전문가가 요청된 열이 존재한다고 보고하면, Product_Type, 스키마에 없는 경우, 수퍼바이저 에이전트는 요청을 Reasoning Expert로 재지정하여 대체 관련 열을 제시하거나 누락된 데이터에 대해 사용자에게 알릴 수 있습니다.

관련 데이터 추출: 쿼리 전문가

Query Expert는 자연어 질문을 SQL++로 변환하여 필요한 데이터를 가져옵니다.

 기능:

  • 스키마 추론 및 주석: SQL++ INFER 명령을 사용하여 데이터 스키마를 추론합니다. 이 명령은 열 이름, 열 데이터 형식 및 샘플 문서를 가져오며, 이를 주석의 도움으로 데이터, 테이블 관계, 데이터 형식 및 제약 조건에 대한 이해를 돕습니다.
    • 예제: SQL++ INFER를 컬렉션에서 실행하면 필드를 단순히 다음과 같이 식별할 수 있습니다. “amount”: NUMBER. 더 자세한 설명이 없으면, 쿼리 전문가는 이것이 어떤 의미인지 알 수 없습니다. 판매 금액, 할인 금액, 또는 수량. 하지만 주석을 통해 폴라리스에게 명시적으로 알려진 바는 다음과 같습니다: “금액” ‘필드’에‘enterprise_sales‘수집은 ‘를 나타낸다‘총 판매 금액‘거래에 있어. 이 주석은 매우 중요합니다. 왜냐하면 사용자가 “총 판매량““, 쿼리 전문가가 이제 자신 있게 지도를 작성합니다. 판매 to the 금액 필드, 올바르게 생성 SUM(amount).
  • 입력 표준화: 사용자의 원본 자연어 입력을 보다 상세하고 명확하며 구조화된 형식으로 변환합니다. 이를 통해 IQ 도구가 작업의 이해도를 향상시킬 수 있습니다.
    • 예제: 사용자 입력: “지난달의 판매량.”. 규정식 입력: “현재 날짜로부터 지난 30일 동안 “전자제품” 카테고리의 총 판매액을 검색합니다.“
  • NL-to-SQL++ 번역: NL을 SQL++로 변환하는 IQ 도구 호출
  • 데이터 품질 검사 및 오류 복구: 에이전트는 해석에 영향을 미칠 수 있는 Null 값 및 기타 데이터 무결성 문제를 검사합니다. 데이터 품질이 저하된 경우(예: 열에 Null 값이 모두 포함된 경우), 에이전트는 쿼리를 재구성하거나 사용자의 개입을 요구하는 경고를 반환합니다. 오류 진단에 따라 에이전트는 쿼리를 자동으로 조정(예: 열 이름 수정 또는 결과 크기 제한)하고 지능적으로 다시 실행을 시도합니다.
    • 예제: 만약에 판매 금액 열에 null 값이 포함될 수 있으므로, Query Expert는 자동으로 다음과 같이 추가합니다: AND sale_amount은 NULL이 아닙니다. 생성된 쿼리를 통해 정확한 합계 계산을 보장합니다. 

통찰력 생성: 차트 전문가


구조화된 쿼리 결과를 데이터의 특성과 사용자 쿼리의 성격에 맞게 의미 있는 시각적 표현으로 변환하는 역할을 수행합니다.

 기능:

  • 차트 선택 논리: 데이터 특성(예: 차원, 측정치, 시계열)에 따라 적절한 차트 형식을 선택하기 위해 규칙 기반의 이머시브 알고리즘을 사용합니다.
    • 예시: 질문에 제시된 규칙과 데이터 유형에 따라 전문가가 적절한 차트를 선택합니다. 예를 들어 매출 및 시간대별 데이터가 있는 경우 추세를 파악해야 하는 경우 선형 차트를 선택합니다.
  • 동적 시각화 생성: Plotly 및 Seaborn과 같은 라이브러리를 사용하여 시각화를 생성합니다.

보고 및 요약: Report Expert

통찰력, 시각화 및 컨텍스트를 구조화된 보고서로 축적합니다.

 기능:

  • 콘텐츠 통합: 쿼리 결과를 자동으로 요약하고 시각화를 내장하며 방법론을 포함하고 메타데이터(예: 데이터 소스, 쿼리 파라미터)를 포함합니다.
  • 버전 관리 및 감사 로그: 선택적으로 버전 제어 및 로깅 기능을 통합하여 생성된 보고서의 준수 및 추적성을 보장합니다.

해설 및 근거: 근거 전문가

데이터 분석 결과를 도메인 지식과 논리적 추론의 관점에서 해석하여 원인적 연관성 추론, 추세 분석 및 가설 생성 기능을 제공합니다.

 기능:

  • LLM 기반 추론: LLM을 활용하여 데이터 결과를 분석하고 잠재적인 패턴을 파악하며 설명적인 이야기들을 생성합니다.
  • 관련적 증강: 사용자 데이터베이스에서 추출된 도메인별 전문 지식을 활용하여 근거 있는 설명을 제공합니다.

워크플로우

Polaris 플랫폼은 전문화된 에이전트 팀을 구성하여 자연어 질문을 지능적이고 다중모드 분석으로 전환하도록 설계되었습니다. 여기서는 워크플로우가 어떻게 진행되는지 설명합니다.

  1. 폴라리스 시스템 초기화
    Polaris platform for natural language사용자는 먼저 관련 항목을 선택합니다. 버킷, 스코프, 컬렉션 및 메타데이터 컬렉션. 이러한 맥락에서 폴라리스는 전문화된 에이전트를 초기화하고 스키마, 메타데이터 및 샘플 데이터를 사용하여 LLM을 호출하여 사용자가 탐색을 위한 예시 질문을 생성합니다.
  2. 자연어 상호작용
    Polaris System Initialization사용자는 간단한 채팅 인터페이스를 통해 자연어 기반의 질문을 통해 폴라리스와 상호작용합니다. 이를 통해 수동 쿼리 작성이나 스키마 탐색이 필요하지 않습니다.
  3. 지능형 쿼리 처리
    Natural Language Interaction
    고급 설계 다이어그램

     

     

     

    그 감독 대리 사용자의 요청을 수신하고 전문 상담원에게 업무를 배분합니다:
    • 그 쿼리 전문가 핵심 데이터 액세스 작업을 처리합니다. 스키마 추론, 생성기 도구를 사용하여 자연어 쿼리를 SQL++로 변환하고 쿼리를 실행합니다.
    • 쿼리 전문가를 지원하는 도구에는 스키마 추론 도구, SQL++ 생성기 도구, 그리고 쿼리 실행 도구.
  4. 다각적인 대응 생성
    초기 조회 결과에 따라 감독자는 다음을 조정합니다:
    • 그 차트 전문가, 데이터 시각화를 위한 도구를 제공하는 서비스입니다. 차트 생성기 도구.
    • 그 보고서 전문, 문자 요약을 생성하는 데 책임이 있는 보고서 생성 도구.
    • 그 이해력 전문가, 이는 응답을 풍부하게 하기 위해 맥락, 근거 또는 추가 설명을 추가합니다.
  5. 포괄적인 인사이트 제공
    폴라리스는 구조화된 쿼리 결과, 시각적 출력 및 설명 내용을 통합된 사용자 친화적인 답변으로 종합합니다. 이 다중 모드 인사이트는 채팅 인터페이스를 통해 전달되며, 명료성, 깊이 및 상호작용성을 결합합니다.
  6. 회귀 탐색
    사용자는 추가 질문을 하는 것을 권장합니다. 시스템은 세션 내내 컨텍스트와 상태를 유지하기 때문에 에이전트 네트워크는 이전의 상호작용을 기반으로 심층적이고 반복적인 데이터 탐색을 지원할 수 있습니다.

ReAct 화합물의 사용법

ReAct 에이전트는 무엇인가?

“ReAct 에이전트는 “이해와 행동(ReAct)” 프레임워크를 사용하여 사고망(CoT) 추론과 외부 도구 사용을 결합하는 AI 에이전트입니다. ReAct 프레임워크는 대규모 언어 모델(LLM)이 에이전트 워크플로우에서 복잡한 작업과 의사결정을 처리하는 능력을 향상시킵니다.”데이브 버그만, IBM

Working of a ReAct Agent
ReAct Agent의 작동 방식

전통적인 인공지능(AI) 시스템과는 달리, ReAct 에이전트는 의사결정과 작업 실행을 분리하지 않습니다. 이 프레임워크는 본질적으로 피드백 루프를 생성하여 모델이 이 두 가지를 반복해서 반복함으로써 문제를 해결합니다. 의식-행동-관찰 process. 우리는 인그리드 LangGraph ReAct 우리의 애플리케이션의 프레임워크는 ReAct 에이전트를 기반으로 하며, 각 전문가는 ReAct 에이전트로 모델링됩니다.

보이지 않는 건축가들: AI 기반 데이터 분석에서 효율적인 프롬프트의 힘

데이터 분석 분야에서는 종종 알고리즘, 통계 모델, 시각화 기술에 주목합니다. 하지만 통찰력 있는 차트, 잘 구성된 보고서, 그리고 데이터 기반의 결론 뒤에는 중요한, 눈에 보이지 않는 요소가 있습니다. 바로 'prompt'입니다.

할 일 목록 알림
업무 목록 안내 기능은 모델에 지속적이고 구조화된 작업 목록을 제공하여 각 단계마다 이를 참조합니다. 기억이나 이전 메시지에 의존하는 대신, 전체 계획이 각 프롬프트에 투영됩니다. 따라서 에이전트는 체크해야 할 모든 작업을 명확하게 이해합니다. 이를 통해 흐름이 흐트러지거나 반복되는 일이 없으며 단계가 생략되지 않습니다.

신원 확인 요청
ID 확인 메시지는 모델에게 알려줍니다. 그것이 무엇인지, 그냥 그게 아니라 그것이 해야 할 일은 무엇인가. 이는 모델의 동작과 반응 방식에 영향을 미치는 일관된 역할이나 개성을 설정합니다. “데이터 시각화 작업에 매우 능숙합니다.”와 같은 질문들이 나온다.” 도메인별 특수 동작을 즉시 유발할 수 있습니다. 명확하고 자신감 있고 집중된 반응을 제공합니다.

자아성찰 촉진
자율 반성 유도 기능은 모델이 작업을 완료한 후 자체 출력의 평가를 수행하도록 지시합니다. 이를 통해 모델은 스스로 분석하고 사용자의 목표를 달성했는지 확인하며 필요할 경우 수정할 수 있습니다. 당사의 애플리케이션에서는 자체 반성 유도 기능을 다음과 같이 구현했습니다. 쿼리 전문가 상담원. SQL 쿼리가 생성되고 실행된 후 에이전트는 필요한 모든 데이터 요소가 있는지 확인합니다.

촉진은 과학보다 예술에 더 가깝습니다. 하나의 맞춤형 공식은 없습니다. 그러나 입증된 유추법과 명확한 작업 구조를 적용함으로써, 우리는 모델을 보다 정확하고 유용하며 상황 인식 능력이 뛰어난 결과물로 이끌어낼 수 있습니다. 중요한 것은 실험과 반복이며, 특정 애플리케이션에서 가장 효과적인 것을 찾는 것입니다.

다중 에이전트 대화형 인터페이스인 Polaris의 데모

도전과 향후 작업

Polaris는 조직이 데이터 자산을 활용하는 방식을 혁신하는 데 기여합니다. 특히 자연어 상호작용을 통해 직관적인 데이터 검색 및 분석을 가능하게 합니다. 결정 프로세스를 가속화합니다. 우리의 주요 성과는 상황에 따라 접근 방식을 조정하고 다양한 데이터 세트와 함께 작동할 수 있는 역동적인 다중 에이전트 아키텍처를 개발한 것입니다.

그러나 여러 가지 과제들이 남아 있습니다. 한 가지 주요 과제는 데이터 주석 관리입니다. 다양한 열에 걸쳐 일관되고 의미 있는 주석을 보장하는 것은 AI 에이전트가 생성하는 인사이트의 품질을 유지하는 데 매우 중요합니다. 이를 더 쉽게 하기 위해 글로벌 데이터 카탈로그와 통합하는 방안을 검토할 수 있습니다.  또 다른 중요한 과제는 데이터의 깨끗함입니다. 이러한 문제를 일부는 조건부 문구와 기본적인 데이터 정리를 통해 쿼리 수준에서 완화하고 있습니다. 업스트림 데이터 검증 및 전처리 부분에서는 여전히 개선할 여지가 있습니다.

또한 대규모 데이터 검색을 처리하는 것은 기술적인 난제였습니다. 실제 상황에서 검색된 데이터 세트는 종종 현재 대규모 언어 모델의 컨텍스트 창 제한을 초과합니다. 이를 해결하기 위해 우리는 집계 작업을 수행하고 차트와 같은 시각적 요약을 생성하여 모델을 과도하게 지배하지 않고도 고차원적 통찰력을 제공합니다.

앞으로의 작업은 주석 작성 프로세스의 개선, 데이터 품질 관리 개선, 그리고 더 효율적인 요약 및 다중 턴 에이전트 협업 방식을 모색하여 Polaris의 확장성을 더욱 높이는 데 중점을 둘 것입니다.

결론: 데이터 상호작용의 새로운 시대의 도래

Polaris는 멀티 에이전트 AI 시스템의 강력한 성능과 자연어 대화의 단순성을 결합하여 새로운 도구 그 이상입니다. Polaris는 데이터 접근을 대중화하고 비즈니스 역량을 강화합니다. 사용자들에게 더 나은 경험을 제공하고 데이터에서 결정을 내리는 과정 속도를 높입니다. Polaris가 고객들에게 상당한 가치를 제공하고, 더욱 민첩하고 데이터 기반의 경쟁력 있는 기업을 조성할 것이라 믿습니다.

이 기사 공유하기

작가

댓글 남기기

데이터베이스의 확장성을 과거의 일로 남겨두세요

각 스택 추가마다 추가 비용이 발생하고 관리해야 할 항목도 더 많아집니다. 2분 안에 절약할 수 있는 금액을 추산해 보세요.