본 논문은 자율적 추론, 협업 및 상호작용이 가능한 생성형 AI(GenAI) 에이전트가 네트워크 인프라에 배치되어 사람들에게 자동으로 서비스를 제공하는 새로운 패러다임인 에이전틱 네트워크(agentic network)의 최적화 문제를 해결하기 위해 LAMeTA라는 새로운 접근 방식을 제시합니다. LAMeTA는 대규모 AI 모델(LAM)을 활용한 2단계 접근 방식으로, 첫 번째 단계인 의도 지향적 지식 증류(IoKD)를 통해 리소스 집약적인 LAM의 의도 이해 능력을 경량화된 에지 LAM(E-LAM)으로 효율적으로 전달합니다. 두 번째 단계인 공생 강화 학습(SRL)에서는 E-LAM을 정책 기반 DRL 프레임워크와 통합하여 자연어 사용자 의도를 구조화된 선호도 벡터로 변환하고, 이를 통해 상태 표현과 보상 설계를 안내합니다. DRL은 실시간 네트워크 상태에 따라 생성 서비스 기능 체인 구성 및 E-LAM 선택을 최적화하여 주관적인 품질 경험(QoE)을 최대화합니다. 81개 에이전트로 구성된 에이전틱 네트워크에서의 광범위한 실험을 통해 IoKD가 의도 예측에서 평균 제곱 오차를 최대 22.5% 감소시키고, SRL이 기존의 일반적인 DRL보다 의도 인식 QoE 극대화에서 최대 23.5% 향상된 성능을 보임을 확인했습니다.
시사점, 한계점
•
시사점:
◦
LAM을 활용한 의도 인식 에이전틱 네트워크 최적화를 위한 효과적인 새로운 접근 방식(LAMeTA) 제시.
◦
IoKD를 통해 LAM의 의도 이해 능력을 경량화된 E-LAM으로 효율적으로 전달하는 기술 개발.
◦
SRL을 통해 사용자 의도를 반영한 주관적 QoE를 극대화하는 정책 최적화 달성.
◦
실험 결과를 통해 IoKD와 SRL의 효과를 정량적으로 입증.
•
한계점:
◦
실험 환경이 특정 에이전틱 네트워크 환경에 국한되어 일반화 가능성에 대한 추가 검증 필요.
