Learn-by-interact: 현실 환경에서 자가 적응형 에이전트를 위한 데이터 중심 프레임워크


Learn-by-interact는 인간의 개입 없이 LLM 에이전트를 다양한 환경에 적응시키는 데이터 중심 프레임워크로, 문서 기반 상호작용 경로 합성과 역방향 구성을 통해 고품질 합성 데이터를 생성합니다. 다양한 실험 결과 최대 19.5%의 성능 향상을 보이며, AI 에이전트의 실용성을 크게 향상시킬 것으로 기대됩니다.

related iamge

Learn-by-interact: 현실 환경에서 자가 적응형 에이전트를 위한 혁신적인 접근

최근 대규모 언어 모델(LLM) 기반의 자율 에이전트가 이메일 발송부터 데이터 분석까지 다양한 디지털 작업을 지원하며 인간의 능력을 향상시킬 가능성을 보여주고 있습니다. 하지만 기존 LLM은 에이전트가 상호 작용하는 환경으로부터 얻은 고품질 데이터 부족으로 인해 성능이 제한적이었습니다.

홍진수, 손루오시 등 연구진이 발표한 논문 "Learn-by-interact: A Data-Centric Framework for Self-Adaptive Agents in Realistic Environments"는 이러한 문제에 대한 획기적인 해결책을 제시합니다. Learn-by-interact는 인간의 개입 없이 LLM 에이전트를 어떤 환경에도 적응시키는 데이터 중심 프레임워크입니다. 핵심은 바로 문서를 기반으로 에이전트-환경 상호작용의 경로를 합성하고, 이 상호작용 이력을 요약하거나 추상화하여 지시 사항을 구성하는 역방향 구성(backward construction) 방법입니다.

연구진은 SWE-bench, WebArena, OSWorld, Spider2-V 등 다양한 현실적인 코딩, 웹, 데스크탑 환경에서 광범위한 실험을 진행했습니다. 그 결과, Claude-3.5를 사용한 ICL(맥락 내 학습)에서 최대 12.2%, Codestral-22B를 사용한 훈련에서는 최대 19.5%의 성능 향상을 달성했습니다. 특히 역방향 구성의 중요성을 강조하며, 이 방법이 훈련 과정에서 최대 14%의 성능 향상을 가져왔음을 보여주었습니다.

뿐만 아니라, Learn-by-interact에서 생성된 합성 데이터의 ICL 효율성과 기존의 RAG(Retrieval-Augmented Generation) 방식보다 우수한 검색 파이프라인의 성능을 실험을 통해 증명했습니다. 이 연구는 LLM이 현실 세계 환경에 점점 더 많이 배포됨에 따라, 에이전트 데이터 합성을 위한 기반을 마련할 것으로 기대됩니다. Learn-by-interact는 단순한 기술적 발전을 넘어, 인공지능 에이전트의 실용성과 적용 범위를 획기적으로 확장하는 중요한 이정표가 될 것입니다. 🤖🚀


*이 기사는 AI가 생성한 내용으로, 일부 정보가 실제와 다를 수 있습니다. 정확한 확인을 위해 추가적인 검증을 권장드립니다.

Reference

[arxiv] Learn-by-interact: A Data-Centric Framework for Self-Adaptive Agents in Realistic Environments

Published:  (Updated: )

Author: Hongjin Su, Ruoxi Sun, Jinsung Yoon, Pengcheng Yin, Tao Yu, Sercan Ö. Arık

http://arxiv.org/abs/2501.10893v1