다중 목표 최적화 에이전트 워크플로우 생성 기술 MoFlow
MoFlow: Multi-Objective Agentic Workflow Generation
기존의 에이전트 워크플로우 생성 방식은 정확도 등 단일 목표에만 최적화되어, 사용자가 원하는 다양한 트레이드오프를 반영하기 어려웠습니다.
기존 방식은 목표가 바뀌면 모델을 재학습해야 했지만, MoFlow는 여러 조건을 동시에 고려하여 사용자가 원하는 최적의 워크플로우를 별도의 재학습 없이 바로 찾아낼 수 있게 해줘요.
- MoFlow는 워크플로우 생성을 다중 목표 마르코프 결정 과정으로 모델링하고, 노드마다 도달 가능한 모든 트레이드오프 집합을 저장하여 파레토 전선 전체를 탐색합니다.
- 이 기술 덕분에 사용자가 원하는 비용, 속도 등 어떤 선호 조건이든 별도의 재학습 없이 최적의 워크플로우를 즉시 찾아낼 수 있습니다.
- 평가 결과, MoFlow는 기존 단일 스칼라 기반 모델들보다 높은 평균 하이퍼볼륨을 달성하며 다중 목표 환경에서 뛰어난 성능을 입증했습니다.
기존의 워크플로우 생성 방식은 정확도와 같은 단일 목표나 가중 합산된 목표에만 초점을 맞추어, 특정 고정된 트레이드오프를 따르도록 훈련되었습니다. 이로 인해 사용자의 선호 조건이 변경될 경우 매번 모델을 처음부터 재학습해야 하는 한계가 있었습니다.
MoFlow는 이러한 문제를 해결하기 위해 워크플로우 생성을 다중 목표 마르코프 결정 과정으로 모델링했습니다. 특히, 노드마다 단일 점수 대신 도달 가능한 모든 트레이드오프의 집합을 저장하는 Convex-Hull Monte Carlo Tree Search를 활용합니다.
이러한 구조 덕분에 MoFlow는 단 한 번의 검색만으로 파레토 전선(Pareto front) 전체를 근사적으로 탐색할 수 있습니다. 그 결과, 별도의 재학습 없이 사용자가 원하는 어떤 선호 조건(예: 비용, 속도 등)에 대해서도 최적화된 워크플로우를 찾아낼 수 있으며, 평가 결과에서도 높은 평균 하이퍼볼륨을 달성하며 성능을 입증했습니다.
용어 풀이
- 가중치
- 학습으로 정해진 모델 내부의 숫자 값. 내려받는 모델 파일의 본체예요.
기존 워크플로우 생성 방식의 한계점은 무엇인가요?
기존 방식은 정확도 같은 단일 목표나 가중 합산된 목표에만 초점을 맞추어, 사용자의 선호 조건이 변경될 경우 매번 모델을 처음부터 재학습해야 하는 한계가 있었어요.
MoFlow는 어떻게 다양한 트레이드오프를 탐색하나요?
워크플로우 생성을 다중 목표 마르코프 결정 과정으로 모델링했어요. 특히 노드마다 단일 점수 대신 도달 가능한 모든 트레이드오프의 집합을 저장하는 방식을 활용하여, 단 한 번의 검색만으로 파레토 전선 전체를 근사적으로 탐색할 수 있어요.
MoFlow를 사용하면 어떤 실질적인 이점이 있나요?
별도의 재학습 과정 없이도 비용이나 속도 같은 사용자가 원하는 다양한 선호 조건에 맞춰 최적화된 워크플로우를 즉시 찾아낼 수 있어요. 이는 다중 목표 환경에서 높은 성능을 입증했어요.