LangGraph

42dot의 Gleo AI 기술 설명회에서 차량용 Agentic AI의 필요성과 조건 논의

42dot이 개최한 ‘Gleo AI 기술 설명회’에서는 차량 환경에서 Agentic AI를 구축할 때의 한계와 기술적 의사결정에 대해 논의했다. Gleo AI는 운전자의 목적을 이해하고 차량의 상황을 고려하여 행동을 수행하는 Vehicle-Native Agentic AI로, 차량 내 AI Companion으로 진화해야 한다고 강조했다. 차량의 Agentic AI는 동적인 상황을 이해하고 안전한 실행을 책임져야 하며, 이를 위해 4가지 필수 조건인 Dynamic Context, Context-Dependent Intent, Multiple Tools & Services, Safe & Verifiable Action을 갖춰야 한다.

Gleo AI는 차량 내에서 운전자의 상황을 이해하고 실질적인 도움을 제공하는 AI Companion으로 설계되어야 한다.

EvolveTrade: 자기 진화하는 LLM 거래 에이전트를 위한 경험 기반 정책 개선

EvolveTrade는 LLM 거래 에이전트의 시스템 프롬프트를 텍스트 매개변수화된 정책으로 취급하는 자기 진화 프레임워크이다. 이 프레임워크는 정책 에이전트가 누적된 결정 추적과 실현된 포트폴리오 피드백을 사용하여 정책을 수정하고, 이를 통해 정보 수집 및 포트폴리오 구성 절차를 개선한다. 실험 결과, EvolveTrade는 고정 정책 LLM 기준선에 비해 샤프 비율과 누적 수익률을 향상시키는 것으로 나타났다.

EvolveTrade는 고정 정책 대신 자기 진화하는 정책을 통해 LLM 거래 에이전트의 성능을 개선할 수 있다.

AI 에이전트를 활용한 3D 씬 준비 및 검증 방법

Agentic AI 워크플로우는 물리적 AI 시스템을 위한 디지털 트윈을 준비하고 검증하는 데 사용될 수 있다. 에이전트는 3D 씬을 검사하고, OpenUSD에서 시뮬레이션 관련 데이터를 작성하며, 물리적 속성을 추가하고, 사전 비행 뷰를 렌더링하며, 결과를 시뮬레이션 준비(SimReady) 요구 사항에 맞게 검증한다. 이 워크플로우는 Blender의 씬에서 NVIDIA를 위한 시뮬레이션 준비 완료된 OpenUSD로의 전환 과정을 따른다.

HCLS 분야의 AI 에이전트 기술 개선을 위한 오픈소스 스킬

AI 에이전트는 헬스케어 및 생명과학(HCLS) 결정 프레임워크를 잘못 적용하는 경우가 많으며, 이는 변이 해석, 청구 심사, 임상 시험 설계 등에 문제를 일으킬 수 있다. 이를 해결하기 위해 11개 HCLS 분야에서 38개의 오픈소스 에이전트 스킬이 제공되며, 이 스킬들은 의사 결정 절차를 구조화된 마크다운 문서 형식으로 인코딩한다. 이 스킬을 활용한 에이전트는 스킬이 없는 에이전트에 비해 70-86%의 승률을 기록하며, 특히 비판적 사고에서 78-85%의 승률을 보인다.

이 스킬들은 HCLS 분야의 의사 결정 절차를 구조화하여 AI 에이전트가 보다 정확한 판단을 내릴 수 있도록 돕는다.