Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

MA-RAG: Multi-Agent Retrieval-Augmented Generation via Collaborative Chain-of-Thought Reasoning

Created by
  • Haebom

저자

Thang Nguyen, Peter Chin, Yu-Wing Tai

개요

MA-RAG은 복잡한 정보 탐색 작업에서 발생하는 모호성과 추론 과제를 해결하기 위한 다중 에이전트 기반 검색 증강 생성(RAG) 프레임워크입니다. 기존의 end-to-end 미세 조정 또는 개별 구성 요소 개선에 의존하는 기존 RAG 방법과 달리, MA-RAG는 작업 인식 추론으로 RAG 파이프라인의 각 단계를 처리하기 위해 계획자, 단계 정의자, 추출자 및 QA 에이전트라는 특수화된 AI 에이전트의 협업 세트를 조정합니다. 모호성은 불명확하게 지정된 쿼리, 검색된 문서의 희소하거나 간접적인 증거 또는 여러 소스에 분산된 정보를 통합해야 할 필요성에서 발생할 수 있습니다. MA-RAG는 쿼리 모호성 해소, 증거 추출, 답변 종합과 같은 하위 작업으로 문제를 분해하고, 사고 연쇄 프롬프트를 갖춘 전용 에이전트에 이를 분산하여 이러한 과제를 완화합니다. 이러한 에이전트는 중간 추론을 전달하고 검색 및 종합 프로세스를 점진적으로 개선합니다. 본 설계는 모델 미세 조정 없이 정보 흐름을 세밀하게 제어할 수 있게 해줍니다. 중요한 것은 필요에 따라 에이전트를 호출하여 불필요한 계산을 피하는 동적이고 효율적인 워크플로를 가능하게 한다는 점입니다. 이러한 모듈식이고 추론 중심의 아키텍처를 통해 MA-RAG는 강력하고 해석 가능한 결과를 제공할 수 있습니다. 다단계 및 모호한 QA 벤치마크에 대한 실험은 MA-RAG가 최첨단 훈련 없는 기준선을 능가하고 미세 조정된 시스템과 경쟁한다는 것을 보여주어 RAG에서 협업 에이전트 기반 추론의 효과를 검증합니다.

시사점, 한계점

시사점:
다중 에이전트 기반 접근 방식을 통해 복잡한 정보 탐색 작업에서 RAG의 성능을 향상시킬 수 있음을 보여줌.
모델 미세 조정 없이도 우수한 성능을 달성하여 효율성을 높임.
모듈식 설계로 각 단계의 추론 과정을 해석 가능하게 함.
다단계 및 모호한 질문에 대한 답변 능력 향상.
한계점:
특정 에이전트들의 성능에 전체 시스템의 성능이 의존할 수 있음.
에이전트 간의 효율적인 정보 교환 및 협업 메커니즘에 대한 추가 연구가 필요할 수 있음.
다양한 유형의 복잡한 질문에 대한 일반화 성능 평가가 추가적으로 필요함.
특정 도메인이나 데이터셋에 대한 편향성이 존재할 가능성.
👍