컴퓨터 비전은 비전 AI 에이전트의 의사 결정 방식을 주도합니다.

제조업에서 소매업에 이르기까지 모든 산업은 각기 다른 공정상의 과제에 직면해 있으며, 이러한 문제를 해결하기 위한 혁신적인 방법을 찾는 것은 항상 성공적인 비즈니스 운영의 핵심이었습니다. 최근 AI 에이전트는 많은 분야에서 인기 있는 솔루션으로 자리 잡았습니다. 이러한 시스템은 단순한 데이터 분석을 넘어 직접 행동을 취할 수 있습니다.

예를 들어, AI agents in manufacturing은(는) 실시간으로 결함을 감지하고 품질 관리 조치를 자동으로 시작하여 생산이 원활하게 유지되도록 할 수 있습니다. 마찬가지로 logistics 및 소매업에서도 스마트 감시를 사용하여 여러 위치를 모니터링하고 비정상적인 활동을 팀에 즉시 알릴 수 있습니다.

이러한 추세가 확산됨에 따라 AI 에이전트는 전 세계 산업을 적극적으로 변화시키고 있습니다. global AI agents market은(는) 2024년에 51억 달러에 도달했으며 2030년까지 471억 달러로 성장할 것으로 예상됩니다.

Fig 1. 글로벌 AI 에이전트 시장 규모 살펴보기.

이러한 발전을 이끄는 핵심 기술 중 하나는 computer vision입니다. 비전 AI는 기계가 시각적 데이터를 처리하고 해석할 수 있도록 함으로써 AI 에이전트가 실시간 객체 감지, 인스턴스 세분화, 객체 추적과 같은 컴퓨터 비전 작업을 놀라운 정확도로 수행할 수 있게 합니다. 이는 기계가 보는 것과 의사결정을 내리는 방식 사이의 격차를 해소하므로 많은 AI 기반 솔루션의 핵심적인 부분입니다.

이 글에서는 AI 에이전트와 컴퓨터 비전의 관계에 대해 살펴보겠습니다. 또한 다양한 유형의 AI 에이전트와 이들이 비전 기반 애플리케이션에서 어떻게 사용되는지도 논의하겠습니다. 시작해 보겠습니다!

AI 에이전트란 무엇인가요?#

비전 기반 AI 에이전트를 살펴보기 전에, 먼저 AI 에이전트가 전반적으로 무엇인지 이해하고 이러한 시스템이 얼마나 다재다능할 수 있는지 알아보겠습니다.

AI 에이전트는 사람의 도움 없이도 작업을 이해하고 응답할 수 있는 지능형 시스템입니다. 많은 AI 에이전트는 머신러닝과 자연어 처리(NLP)를 사용하여 기본적인 질문에 답하는 것부터 복잡한 프로세스를 관리하는 것까지 광범위한 작업을 처리합니다.

일부 AI 에이전트는 업데이트마다 사람의 입력에 의존하는 기존 AI 시스템과 달리 시간이 지남에 따라 학습하고 개선되는 능력을 갖추고 있습니다. 이것이 바로 AI 에이전트가 빠르게 AI의 필수 요소가 되고 있는 이유입니다. 이들은 지속적인 감독 없이도 작업을 자동화하고, 결정을 내리며, 환경과 상호작용할 수 있습니다. 특히 반복적이고 시간이 많이 걸리는 작업을 관리하는 데 유용합니다.

예를 들어, 고객 서비스나 숙박업과 같은 분야에서 AI 에이전트를 찾을 수 있습니다. 고객 서비스 분야에서는 환불 처리나 개인 맞춤형 제품 추천을 제공하는 데 사용됩니다. 한편 숙박업에서는 호텔 직원이 게스트 요청을 관리하고, 룸서비스를 간소화하며, 주변 명소를 추천하도록 도울 수 있습니다. 이러한 사례들은 AI 에이전트가 일상적인 프로세스를 얼마나 더 빠르고 효율적으로 만드는지 보여줍니다.

비전 AI 에이전트의 작동 원리 이해하기#

다음으로 AI 에이전트가 어떻게 작동하는지 간단히 살펴보겠습니다. 모든 AI 에이전트는 고유하며 특정 작업을 위해 설계되었지만, 모두 인식(Perception), 의사결정(Decision-making), 행동(Action)이라는 동일한 세 가지 주요 단계를 공유합니다.

첫째, 인식 단계에서 AI 에이전트는 다양한 출처로부터 정보를 수집하여 상황을 파악합니다. 다음은 의사결정입니다. 수집한 정보를 바탕으로 알고리즘을 사용하여 상황을 분석하고 최선의 조치를 결정합니다. 마지막으로 행동 단계가 있습니다. 결정을 내린 후에는 질문에 답하거나, 작업을 완료하거나, 사람이 처리할 수 있도록 문제를 표시하는 등 결정을 실행합니다.

단순하게 들릴 수 있지만, AI 에이전트의 유형에 따라 이러한 단계가 작동하기까지 내부적으로 많은 과정이 일어납니다. 복잡한 데이터 분석부터 고급 머신러닝 모델 활용에 이르기까지, 각 AI 에이전트는 고유한 방식으로 특정 작업을 처리하도록 구축됩니다.

예를 들어 많은 AI 에이전트가 NLP를 통한 언어 처리에 중점을 두는 반면, 비전 AI 에이전트로 알려진 다른 에이전트는 컴퓨터 비전을 통합하여 시각적 데이터를 처리합니다. Ultralytics YOLO11과 같은 고급 컴퓨터 비전 모델을 사용하여 비전 AI 에이전트는 더 정밀한 이미지 분석을 수행할 수 있습니다.

Fig 2. YOLO11을 사용하여 이미지의 사과 개수를 세는 예시.

자율주행 자동차의 비전 AI 에이전트#

자율주행 자동차를 예로 들어 비전 AI 에이전트가 위에서 설명한 세 가지 주요 단계를 통해 어떻게 작동하는지 살펴보겠습니다:

• Perception: Vision AI agents in self-driving 차량은 차량에 설치된 카메라와 센서로부터 시각적 데이터를 수집합니다. 이 데이터에는 다른 차량, 보행자, 신호등, 도로 표지판과 같은 주변 환경의 이미지와 비디오가 포함됩니다.
• 의사결정: AI 에이전트는 Ultralytics YOLO11과 같은 모델을 사용하여 이 시각적 데이터를 처리합니다. 자동차와 보행자 같은 객체를 식별하고, 장애물이나 갑작스러운 차선 변경을 감지하며, 교통 흐름 및 신호 상태와 같은 패턴을 인식합니다. 이를 통해 차량은 실시간으로 도로 상황을 파악할 수 있습니다.
• 행동: 분석 결과를 바탕으로 AI 에이전트는 장애물을 피하기 위한 조향, 속도 조절, 정지 신호에서의 정지 등 행동을 취합니다. 이러한 결정은 안전하고 효율적인 주행을 보장하기 위해 빠르게 내려집니다.

Waymo의 자율주행 자동차는 이 기술의 훌륭한 예입니다. 이들은 비전 AI 에이전트를 사용하여 주변 환경을 이해하고, 실시간 의사결정을 내리며, 사람의 입력 없이도 도로를 안전하고 효율적으로 주행합니다.

Fig 3. Waymo의 AI 에이전트 기반 자율주행 택시.

비전 AI 에이전트의 유형#

이제 AI 에이전트의 작동 원리와 컴퓨터 비전 활용 방식을 확인했으니, 다양한 유형의 AI 에이전트를 살펴보겠습니다. 각 유형은 단순한 행동부터 더 복잡한 의사결정 및 학습까지 특정 작업을 위해 설계되었습니다.

단순 반사 에이전트#

단순 반사 에이전트는 가장 기본적인 형태의 AI 에이전트입니다. 이들은 과거 이력이나 미래 결과를 고려하지 않고 오직 현재 상황에 기반하여 사전 정의된 행동으로 특정 입력에 대응합니다. 이러한 에이전트는 일반적으로 동작을 안내하기 위해 단순한 "if-then" 규칙을 사용합니다.

이미지 분석과 관련하여 단순 반사 에이전트는 특정 색상(예: 빨간색)을 감지하고 즉각적인 행동(빨간색 객체를 강조하거나 개수를 세는 등)을 수행하도록 프로그래밍될 수 있습니다. 이는 간단한 작업에는 작동할 수 있지만, 에이전트가 이전 경험으로부터 학습하거나 적응하지 않기 때문에 더 복잡한 환경에서는 한계가 있습니다.

모델 기반 반사 에이전트#

모델 기반 반사 에이전트는 상황을 더 잘 이해하기 위해 환경에 대한 내부 모델을 사용하므로 단순 반사 에이전트보다 더 발전된 형태입니다. 이 모델을 통해 누락되거나 불완전한 정보를 처리하고 더 정보에 입각한 결정을 내릴 수 있습니다.

AI security camera systems을(를) 예로 들어 보겠습니다. 여기에 통합된 비전 AI 에이전트는 컴퓨터 비전을 사용하여 실시간으로 일어나는 일을 분석할 수 있습니다. 이들은 움직임과 행동을 정상적인 행동 모델과 비교하여 소매치기와 같은 비정상적인 활동을 파악하고 잠재적인 보안 위협을 더 정확하게 표시할 수 있습니다.

Fig 4. 컴퓨터 비전을 사용하여 도난을 감지하는 예시.

유틸리티 기반 에이전트#

작물 모니터링에 사용되는 utility-based drone을(를) 생각해 보세요. 이 드론은 더 넓은 지역을 커버하면서 장애물을 피하도록 비행 경로를 조정하고 작업에 가장 적합한 경로를 선택합니다. 즉, 드론은 우선순위를 둘 지역이나 효율적으로 탐색하는 방법 등 여러 잠재적 조치를 평가하고 효과를 극대화하는 것을 선택합니다.

마찬가지로 유틸리티 기반 에이전트는 최고의 이익이나 결과를 달성하기 위해 여러 옵션 중 최선의 행동을 선택하도록 설계되었습니다. 이를 위해 설계된 비전 AI 에이전트는 이미지나 센서 데이터와 같은 다양한 시각적 입력을 처리 및 분석하고 사전 정의된 기준에 따라 가장 유용한 결과를 선택할 수 있습니다.

Fig 5. 유틸리티 기반 드론은 작물 모니터링에 사용할 수 있습니다.

목표 기반 에이전트#

목표 기반 에이전트는 둘 다 특정 목표를 달성하려 한다는 점에서 유틸리티 기반 에이전트와 유사합니다. 그러나 목표 기반 에이전트는 목표에 더 가까워지는 행동에만 순수하게 집중합니다. 이들은 전반적인 가치나 상충 관계와 같은 다른 요소를 고려하지 않고, 목표 달성에 어떻게 도움이 되는지에 따라 각 행동을 평가합니다.

예를 들어, 자율주행 자동차는 목적지에 도달하는 것이 목표일 때 목표 기반 에이전트로 작동합니다. AI cameras 및 센서의 데이터를 처리하여 장애물 피하기, 교통 신호 준수, 경로 유지를 위한 올바른 회전 선택 등의 결정을 내립니다. 이러한 결정은 목적지에 안전하고 효율적으로 도달한다는 목표와 얼마나 잘 일치하는지에 따라 전적으로 안내됩니다. 유틸리티 기반 에이전트와 달리 목표 기반 에이전트는 효율성이나 최적화 같은 추가 기준을 고려하지 않고 목표 달성 마에만 집중합니다.

Fig 6. 주변 객체를 식별하기 위해 컴퓨터 비전을 사용하는 자율주행 자동차.

학습 에이전트#

컴퓨터 비전에 익숙하다면 모델이 새로운 데이터로부터 학습하여 성능을 개선하는 프로세스인 fine-tuning에 대해 들어보셨을 것입니다. 학습 에이전트도 이와 유사한 방식으로 작동하며 경험을 쌓으면서 시간이 지남에 따라 적응하고 개선됩니다. vision-based quality control과 같은 응용 프로그램에서 이러한 에이전트는 검사를 거듭할수록 결함을 감지하는 능력이 향상됩니다. 성능을 개선하는 이러한 능력은 안전과 정밀성이 필수적인 항공과 같은 분야에서 특히 중요합니다.

계층적 에이전트#

계층적 에이전트는 복잡한 작업을 더 작고 관리하기 쉬운 단계로 나누어 단순화합니다. 상위 수준의 에이전트가 전체 프로세스를 감독하여 전략적 결정을 내리고, 하위 수준의 에이전트가 특정 작업을 처리합니다. 여러 단계와 상세한 실행이 포함된 운영에서 더 효율적입니다.

예를 들어 자동화된 창고에서 상위 수준의 로봇은 분류 프로세스를 계획하여 어떤 물품을 어느 구역으로 보낼지 결정할 수 있습니다. 동시에 하위 수준의 로봇은 컴퓨터 비전을 사용하여 물품을 식별하고 크기, 모양, 라벨과 같은 특징을 분석하여 올바른 빈에 정리하는 데 집중합니다. 이러한 역할 분담은 시스템이 원활하게 작동하도록 돕습니다.

Fig 7. 로봇 AI 에이전트가 패키지를 분류하는 예시.

비전 AI 에이전트 구축을 시작하는 방법#

비전 능력을 갖춘 AI 에이전트의 핵심은 컴퓨터 비전 모델입니다. 오늘날 사용 가능한 가장 최신의 신뢰할 수 있는 컴퓨터 비전 모델 중 하나는 Ultralytics YOLO11입니다. YOLO11은 실시간 효율성과 정확성으로 잘 알려져 있어 computer vision tasks에 완벽합니다.

Ultralytics YOLO11의 기능을 활용하여 자신만의 AI 에이전트를 구축하는 데 포함되는 다양한 프로세스는 다음과 같습니다:

• Prepare a dataset: AI 에이전트가 수행할 작업과 관련된 레이블이 지정된 이미지를 수집하고 전처리합니다.

• 커스텀 학습 모델: 고유한 애플리케이션에 대한 정확도와 성능을 향상시키기 위해 사용자 지정 데이터셋으로 Ultralytics YOLO11을 구체적으로 학습시킵니다.

• 의사결정 프레임워크와 통합: 학습된 모델을 AI 에이전트가 시각적 입력을 기반으로 결정을 내릴 수 있게 해주는 시스템에 연결합니다.

• 테스트 및 개선: AI 에이전트를 배포하고 성능을 테스트하며 피드백을 수집하고 모델을 조정하여 정확도와 신뢰성을 향상시킵니다.

핵심 요약#

컴퓨터 비전이 통합된 AI 에이전트, 즉 비전 AI 에이전트는 작업을 자동화하고 프로세스를 더 빠르게 만들며 의사결정을 향상시킴으로써 산업을 변화시키고 있습니다. 교통을 제어하는 스마트 시티부터 얼굴 인식을 사용하는 보안 시스템에 이르기까지, 이러한 에이전트들은 공통적인 문제에 대한 새로운 솔루션을 제시하고 있습니다.

또한 시간이 지남에 따라 지속적으로 학습하고 개선할 수 있어 변화하는 환경에서 유용합니다. Ultralytics YOLO11과 같은 도구를 사용하면 이러한 AI 에이전트를 더 쉽게 생성하고 활용할 수 있으며, 이를 통해 더 스마트하고 효율적인 솔루션을 도출할 수 있습니다.

community에 가입하고 GitHub repository를 확인하여 AI에 대해 알아보세요. 솔루션 페이지에서 computer vision in healthcare 및 AI in agriculture의 다양한 응용 프로그램을 살펴보세요. 시작하려면 사용 가능한 licensing options을 살펴보세요!