대규모 언어 모델(LLM) 에이전트는 실제 데이터 과학 문제 해결에 잠재력을 보였지만, 실제 효과는 제한적이다. 기존 프레임워크는 경직된 사전 정의된 워크플로우와 유연하지 못한 코딩 전략에 의존하여 복잡한 문제에 어려움을 겪는다. 본 연구에서는 세 가지 주요 개선 사항을 통해 이러한 단점을 극복하는 적응형 지식 기반 LLM 에이전트 프레임워크인 AutoMind를 소개한다. (1) 도메인 전문가 지식에 기반한 엄선된 지식 베이스, (2) 가능한 솔루션을 전략적으로 탐색하는 에이전트 기반 지식 트리 검색 알고리즘, (3) 작업 복잡성에 맞게 동적으로 코드 생성을 조정하는 자가 적응형 코딩 전략을 사용한다. 두 개의 자동화된 데이터 과학 벤치마크에 대한 평가에서 AutoMind는 최첨단 기준선보다 우수한 성능을 보였다.
시사점, 한계점
•
시사점:
◦
AutoMind는 자동화된 데이터 과학 분야에서 효율적이고 강력한 솔루션을 제시한다.
◦
전문가 지식, 전략적 탐색, 자가 적응형 코딩을 통해 복잡한 문제를 해결하는 능력을 향상시켰다.
