AX 100배의 법칙 - 111 / 61 페이지 - AX(AI Transformation), Digital Transformation

소프트웨어 개발의 새로운 시대: 구글의 AI 코딩 어시스턴트 ‘Jules’

소프트웨어 개발 분야는 빠르게 변화하고 있으며, 그 변화를 이끄는 주역 중 하나가 인공지능(AI) 기술입니다. AI는 이제 단순한 보조 도구의 역할을 넘어 모든 개발 과정을 혁신적으로 바꾸고 있습니다. 이번에 이 분야에 구글이 출사표를 던졌는데요 구글의 AI 코딩 어시스턴트 ‘Jules’입니다. Jules는 소프트웨어 버그 수정부터 코드 변경 자동화까지 수많은 개발 작업을 간소화하며 개발자에게 혁신적인 솔루션을 제공합니다. 이번 글에서는 Google의 새로운 AI 코딩 어시스턴트 ‘Jules’에 대해 살펴보겠습니다.

AI 코딩 Jules란 무엇인가?

Jules는 구글이 최근 발표한 인공지능 코딩 어시스턴트로, GitHub의 워크플로 시스템과 통합되어 개발자가 잠자는 동안에도 자율적으로 소프트웨어 버그를 수정하고 코드 변경을 준비할 수 있습니다. 이는 구글이 AI를 활용하여 코어 프로그래밍 업무를 자동화하려는 중요한 진전이라 할 수 있습니다.

Jules의 등장은 매우 시의적절합니다. 소프트웨어 개발 산업은 지속적인 인재 부족과 기술 부채 증가로 어려움을 겪고 있습니다. 이런 상황에서 자동화된 코딩 어시스턴트는 점점 더 중요한 역할을 하게 될 것입니다. Gartner에 따르면 2028년까지 새로운 애플리케이션 개발의 75%에서 AI 보조 코딩이 사용될 것으로 예상됩니다.

AI 코딩 Jules의 작동 방식

Jules는 전통적 코딩 어시스턴트와 다르게, 단순히 수정 사항을 제안하는 것을 넘어 GitHub의 생태계 내에서 자율적인 에이전트 역할을 합니다. 코드베이스를 분석하고 포괄적인 수리 계획을 수립하며 다양한 파일에 대한 수정 작업을 동시에 진행합니다. 가장 중요한 점은 기존 개발자 워크플로와 원활하게 통합된다는 것입니다.

Google Lab의 제품 관리 이사인 Jaclyn Konzelmann은 기자 회견에서 “개발자들이 과정 전반에서 통제할 수 있다”고 설명했습니다. Jules는 조치를 취하기 전에 제안된 계획을 제시하며, 사용자는 코드 작성 과정을 모니터링할 수 있습니다. 시스템은 변경을 병합하기 전에 명시적인 승인을 요구함으로써 개발 과정의 감독을 유지합니다.

Google의 AI 에이전트 계획 속에서의 Jules

Jules는 단순한 코딩 어시스턴트를 넘어, 자율적인 AI 에이전트에 대한 Google의 더 큰 비전의 일부입니다. Google의 최신 대규모 언어 모델인 Gemini 2.0에 의해 구동되며, 코드 이해 및 생성에서 상당한 개선을 제공합니다.

Konzelmann은 기자 회견에서 “우리는 컴퓨터 사용을 위한 AI 에이전트의 전체적인 기능을 이해하는 초기 단계에 있다”며 신중한 접근이 필요하다고 강조했습니다.

AI 코딩이 개발자 직업에 대한 영향

Jules는 많은 개발자에게 그들의 직업의 미래에 대한 중요한 질문을 제기합니다. 그러나 초기 테스트 결과는 Jules가 인간 개발자를 대체하기보다는 생산성을 향상시키는 데 더 많은 가능성을 보이는 것으로 나타났습니다. Lawrence Berkeley National Laboratory의 연구자들은 Jules와 관련 Google AI 도구를 사용하여 분석 작업의 일부분을 몇 분 만에 완료하였으며, 이를 통해 더 복잡한 도전에 집중할 수 있었다고 합니다.

Jules의 재정적 영향 또한 상당할 수 있습니다. McKinsey에 따르면, 대규모 IT 프로젝트는 보통 예산을 45% 초과하며 예상보다 56% 더 적은 가치를 제공합니다. Jules는 루틴 버그 수정 및 유지 보수 작업을 자동화하여 이러한 비용을 크게 줄이는 동시에 개발 주기를 가속화할 수 있습니다.

AI-지원 개발의 미래

AI 코딩 Jules는 초기에는 신뢰할 수 있는 일부 테스터에게만 제공되며 2025년 초에 더 확대 배포 예정입니다. Google은 이미 Android Studio와 Chrome DevTools와 같은 개발 생태계 전반에 비슷한 기능을 통합할 계획을 발표했습니다.

Jules의 진정한 시험은 점점 더 복잡해지는 프로그래밍 문제를 처리하면서 코드 품질과 보안을 유지하는 능력에 있을 것입니다. 단순히 버그를 빠르게 해결하는 데 그치지 않고, 소프트웨어 개발에 접근하는 방식을 근본적으로 변화시킬 수도 있는 변화입니다.

CISQ에 따르면 코딩 품질이 저하되면 연간 2.84조 달러의 비용이 발생한다고 합니다. 따라서 Jules는 개발자 도구 이상을 나타낼 수도 있습니다. 이 AI와 인간 개발자가 진정한 파트너십을 이루어 소프트웨어 개발의 미래가 새로운 시대에 접어드는 것을 뜻할 수도 있습니다. AI 에이전트 중에서 개인적으로 가장 기대되는 부분이 개발에서의 변화입니다. 기존 마이크로소프트 깃허브 코파일럿이 보여주었던 개발자들의 생산성 향상을 넘어 구글 줄스가 보여줄 미래가 사뭇 기대됩니다.

AI 에이전트 안전하게 개발하기 : 자율성과 안전장치, 그리고 함정들

이번 포스팅에서는 지난 번에 이어 AI 에이전트 개발에 대해 다른 관점을 살펴보겠습니다. 이미 AI의 다양한 응용이 우리 삶에 스며들고 있지만, 여러 가지 주의해야 할 점들이 있습니다. 특히, AI 에이전트가 자율적으로 작동할 때의 안전장치와 그와 관련된 숨은 함정들도 고려해야 하는데요, AI 에이전트 안전하게 개발히기 위해 기업과 개인들이 참고할 사항을 살펴보려합니다.

AI 에이전트의 자율성과 그 중요성

AI 에이전트란 인간의 개입 없이 스스로 학습하고 결정을 내리는 시스템을 의미합니다. 이러한 에이전트는 특히 대규모의 복잡한 데이터 처리와 의사결정에 유용하게 사용됩니다. 예를 들어, 엔터프라이즈 환경에서는 여러 부서 간의 의사소통을 원활히 하면서 생산성과 대응성을 높일 수 있습니다.

그러나 이러한 자율성은 때로는 약점으로 작용할 수 있습니다. 따라서, AI 에이전트 안전한 설계를 위해서는 반드시 적절한 방어 메커니즘을 고려해야 합니다.

AI 에이전트 안전장치

명확한 인간 개입 조건 설정

AI 에이전트가 인간의 확인이 필요한 행동을 수행할 때는, 사전에 정의된 규칙에 따라 행동해야 합니다. 예를 들어, 구매와 관련된 에이전트라면, 모든 구매는 반드시 인간에 의해 확인되고 승인되어야 합니다. 이러한 규칙은 시스템 내에서 명확하게 설정되어야 하며, 필요한 경우 외부 코드로 강제될 수도 있습니다.

AI 에이전트 안전장치와의 통합

AI 에이전트 안전장치는 위험하거나 비윤리적이며 규정을 준수하지 않는 행동을 확인하는 역할을 합니다. 이 에이전트는 모든 행동이나 특정 행동 요소가 안전한지 확인하고, 승인된 경우에만 진행을 허용하는 등의 역할을 합니다.

불확실성 측정

에이전트가 신뢰할 수 있는 출력을 선호하도록 함으로써, 시스템의 안정성을 높일 수 있습니다. 그러나 이러한 불확실성 측정은 시스템의 처리 속도를 느리게 하고 비용을 증가시킬 수 있는 점을 고려해야 합니다.

중지 버튼 제공

때로는 모든 자율 에이전트 기반 프로세스를 중지해야 할 필요가 있습니다. 이는 시스템 내에서 잘못된 행동을 감지했거나 고정할 필요가 있을 때 사용됩니다. 중요한 워크플로우와 프로세스에서는 이 중지가 전체 프로세스를 멈추거나 완전히 수동으로 전환되지 않도록 하는 결정적인 백업 작동 모드를 제공해야 합니다.

에이전트-기반 작업 명령 생성

모든 에이전트를 앱 및 API에 완전히 통합할 필요는 없습니다. 기본적으로 에이전트 네트워크의 일부 에이전트는 수동으로 조치를 위임하는 보고서나 작업 명령을 발행할 수 있습니다. 이는 에이전트 네트워크를 기민하게 운영하는 좋은 방법입니다.

테스트

AI기반의 시스템을 테스트할 때, 전통적인 소프트웨어와는 다른 방식의 테스트가 필요합니다. 각 에이전트가 입력의 중심 역할을 할 수 있기 때문에, 시스템의 일부분부터 테스트를 시작하여 전체 시스템의 신뢰성을 점검해야 합니다. 시스템의 작동과 약점을 드러내기 위해 생성적 AI를 활용해 테스트 케이스를 설정할 수도 있습니다.

세밀한 튜닝의 중요성

많은 사람들은 AI를 많이 사용할수록 더 좋아진다고 오해하지만, AI는 사전 트레이닝된 모델입니다. 하지만 세밀한 튜닝을 통해 특정한 작동 방식을 조정할 수 있습니다. 각 에이전트의 로그를 분석하고, 개선을 위한 선호 사항을 레이블링하여 튜닝 목적으로 사용합니다.

자주 발생하는 함정

무한루프 문제

AI 에이전트 시스템은 간혹 무한히 서로 대화하는 상황에 빠질 수 있습니다. 이를 방지하기 위해 일정 시간 내에 작업이 완료되지 않으면 종료하는 타임아웃 메커니즘을 도입해야 합니다.

에이전트 과부하

하나의 에이전트에 과도한 작업을 기대하는 것은 현재의 LLM 기술로는 한계가 있습니다. 이를 해결하기 위해 에이전트를 여러 개로 쪼개어 역할을 분배하는 ‘세분화’ 전략을 사용하는 것이 좋습니다.

단일 실패 지점

단일 에이전트가 타 에이전트들을 호출하여 작업을 완료하는 시스템은 복잡성을 초래할 수 있습니다. 대신, 파이프라인 형태로 각 에이전트가 할당된 작업을 수행한 후 다음으로 넘기는 것을 고려해야 합니다.

문맥 오버로드

각 에이전트가 자체 문맥을 유지하고, 새로운 요청 발생 시 문맥을 재설정하는 것이 중요합니다. 이는 에이전트의 혼란을 줄이고 효율성을 높이는 방법입니다.

결론적으로, AI 에이전트는 잘 설계되고 적절한 AI 에이전트 안전장치를 갖추었을 때 매우 효과적으로 작동할 수 있습니다. 이를 통해 기업의 프로세스를 자동화하고 개선하는 데 큰 기여를 할 수 있을 것입니다.

참고

AI 에이전트 개발 가이드: 프로세스, 역할 및 연결의 캡처

최근 AI 기술이 급속도로 발전하면서 AI 에이전트의 역할과 필요성이 더욱 강조되고 있습니다. 특히, 기업 내 다양한 업무를 지원하고 업무 효율성을 극대화하기 위해 AI 에이전트를 활용하는 사례가 늘고 있습니다. 그렇다면, AI 에이전트 개발을 효과적으로 수행하고 운영하는 방법은 무엇일까요? 이번 블로그 포스트에서는 AI 에이전트 개발의 기초적인 시작점으로, 프로세스와 역할, 그리고 연결의 중요성을 탐구합니다.

AI 에이전트의 기본 구조

AI 에이전트란 무엇일까요? 기본적으로 AI 에이전트는 특정 업무를 수행하도록 설계된 소프트웨어 프로그램으로, 대형 언어 모델(LLM)을 기반으로 합니다. 이러한 모델은 적절한 도구를 활용해 코드를 생성하고, 생성된 코드를 컨테이너에서 실행하며, 결과를 관찰해 코드의 유용성을 높일 수 있습니다.

생성 AI 모델의 역할

생성 AI 모델은 입력 값을 통해 기대되는 출력을 예측하고 생성하는 과정이 포함됩니다. 예를 들어 코딩 과제를 주면, 모델은 해당 과제를 수행할 수 있는 코드를 생성합니다. 과제의 복잡성에 따라 생성된 코드가 바로 사용할 수 있는 형태로 제공될 수도 있습니다.

다중 에이전트 시스템의 필요성

여러 에이전트가 함께 작업하는 시스템을 다중 에이전트 시스템이라고 합니다. 이러한 시스템은 특정 업무를 효과적으로 수행할 수 있으며, 생산성 향상과 시스템의 강건성을 높일 수 있는 이점이 있습니다. 다중 AI 에이전트 개발을 위해서는 프로세스와 역할, 연결을 잘 설정하는 것이 중요합니다.

조직의 프로세스와 역할 파악하기

조직 내에서는 다양한 역할과 프로세스, 그리고 연결이 존재합니다. 이를 잘 파악하는 것이 AI 에이전트 개발의 첫걸음입니다. 일반적으로 조직도에서 시작할 수 있지만, 워크플로우를 살펴보는 것이 더 좋습니다. 이는 다양한 업무 흐름에 따라 사람들이 다르게 행동할 수 있기 때문입니다.

AI를 활용해 조직의 프로세스를 식별하거나, 자체 AI 모델을 구축할 수도 있습니다. 예를 들어, 특정 도메인 또는 회사 이름을 입력하면 에이전트 네트워크 정의를 생성해 주는 GPT 모델을 만들 수 있습니다. 이 네트워크는 각각의 에이전트의 역할과 책임이 명확하게 나타나게 됩니다.

에이전트 네트워크의 방향성

에이전트 네트워크는 방향성이 있는 비순환 그래프(DAG, Directed Acyclic Graph) 형태여야 합니다. 이는 에이전트가 다른 에이전트에 직접적이거나 간접적으로 영향을 받을 수 없도록 하여 쿼리가 꼬이는 현상을 방지합니다.

에이전트 정의 및 AI 에이전트 개발하기

다양한 에이전트 아키텍처가 존재합니다. 중앙 집중식 통신 포인트를 이용하는 블랙보드 아키텍처와 같은 다양한 접근 방식이 있습니다. 하지만, 각 에이전트가 책임을 존중하며 요청을 받을 때마다 독립적으로 처리할 수 있는 분산된 아키텍처를 선호합니다.

AAOSA(Adaptive Agent Oriented Software Architecture) 아키텍처

각 에이전트는 요청을 받으면 이를 처리할지 여부를 결정하고 필요한 작업을 수행하여 요청을 처리합니다. 필요시 다른 에이전트에게 도움을 요청하고, 그 응답을 종합해 최종 응답을 반환합니다. 이러한 방식은 초기 시리에 사용된 아키텍처로 알려진 AAOSA 아키텍처입니다.

AI 에이전트 개발 실제 적용 사례

이러한 에이전트 시스템은 다양한 분야에서 실제적으로 응용될 수 있습니다. 예를 들어, HR 에이전트 시나리오에서는 사용자가 HR과 관련된 정보를 입력하면, 시스템 내의 여러 에이전트가 협력하여 필요 정보를 제공할 수 있습니다.

HR 에이전트의 시나리오

사용자가 주요 변경 사항을 입력하면, 메인 검색 박스 에이전트가 정보를 수집하여 HR, 법률, 급여 및 복리 후생 에이전트와의 협력을 통해 종합적인 결과를 사용자에게 제공합니다. 이를 통해 사용자는 필요 정보를 한 번에 받을 수 있어 편리합니다.

결론

AI 에이전트를 구축하기 위한 과정은 복잡할 수 있지만, 제대로 구현할 경우 업무 효율성을 크게 향상시킬 수 있습니다. 다음 글에서는 다중 에이전트 시스템에서 필요한 안전장치 및 인간의 개입과 불확실성 검사를 포함한 추가적인 방법에 대해 알아보겠습니다. 그리고 다중 에이전트 시스템 구축 시 직면할 수 있는 과제 및 이를 어떻게 해결할 수 있는지에 관해 심도 있게 논의할 것입니다.

참고