Function Calling (Tool Use)

함수 호출과 도구 사용이 AI가 API 및 데이터베이스와 상호작용하도록 지원하는 방법을 살펴보세요. 지금 Ultralytics YOLO26을 에이전트 워크플로에 통합하는 방법을 알아보세요.

도구 사용이라고도 자주 불리는 함수 호출은 최신 인공지능(AI) 분야의 강력한 패러다임으로, 모델이 정적인 텍스트나 이미지 생성을 넘어 기능을 확장할 수 있도록 합니다. 모델은 내부 학습 데이터만을 기반으로 프롬프트에 답하는 대신, 외부 프로그래밍 함수를 트리거하거나 데이터베이스를 조회하거나 REST API와 상호 작용하는 구조화된 명령을 출력할 수 있습니다. 이 접근 방식은 AI가 디지털 환경에서 실질적인 작업을 수행할 수 있도록 합니다.

AI 시스템이 함수 호출을 사용할 때 개발자는 JSON Schema를 사용해 설명한 사용 가능한 도구 목록을 모델에 제공합니다. 사용자의 프롬프트에 실시간 데이터나 특정 작업이 필요한 경우 모델은 일반적인 생성 프로세스를 일시 중지하고, 선택한 도구에 필요한 매개변수와 일치하는 고도로 구조화된 JSON 형식의 페이로드를 출력합니다. OpenAI의 함수 호출 API 및 Anthropic의 도구 사용 프레임워크와 같은 프레임워크는 이 기법을 대중화하여 대화형 에이전트를 유능한 문제 해결 시스템으로 발전시켰습니다.

실제 적용 사례#

워크플로에 도구 사용을 통합하면 소프트웨어 작동 방식이 변화합니다. 이러한 기능은 Berkeley Function Calling Leaderboard와 같은 벤치마크를 통해 평가되며, 고도의 자율 시스템으로 전환하는 움직임을 주도하고 있습니다.

자동화된 소매 및 고객 서비스: 소매업의 AI에서 가상 어시스턴트는 함수 호출을 사용해 실시간 재고를 조회할 수 있습니다. 고객이 "내 주문은 어디에 있나요?"라고 물으면 모델은 데이터베이스 API에 대한 함수 호출을 생성하고, 배송 추적 상태를 검색한 다음 자연어 응답을 반환합니다.
비전 지원 데이터 추출: 시각-언어 모델(VLM)은 Ultralytics YOLO 객체 검출기를 도구로 사용할 수 있습니다. 공장 이미지에서 안전 규정 준수 여부를 확인하라는 요청을 받으면 주 대화형 AI가 Ultralytics YOLO26 모델을 실행하는 스크립트를 호출해 안전모를 검출하고, 객체 검출 결과를 사용자의 대화에 원활하게 반환할 수 있습니다.

컴퓨터 비전을 도구로 통합하기#

컴퓨터 비전 모델을 상위 AI 에이전트를 위한 기능 도구로 노출할 수 있습니다. 이 아키텍처에서는 추론을 수행하는 Python 메서드를 정의하며, 추론 모델은 시각 데이터가 필요할 때 이 메서드를 트리거할 수 있습니다.

from ultralytics import YOLO


# Define a specific tool function for an AI agent to call
def count_objects_in_scene(image_url: str) -> str:
    # Load the highly efficient YOLO26 model
    model = YOLO("yolo26n.pt")

    # Perform inference to analyze the visual data
    results = model(image_url)
    object_count = len(results[0].boxes)

    # Return structured context back to the calling AI system
    return f"Vision Analysis: Detected {object_count} objects in the scene."


# Simulated function call executed by an AI system
print(count_objects_in_scene("https://ultralytics.com/images/bus.jpg"))