대규모 언어 모델이 계획하는 실행 그래프: 대규모 엔터프라이즈 데이터에 대한 확장 가능한 임의 분석을 위한 BatchDAG
대규모 언어 모델(LLM)은 개별 문서 분석에서 뛰어나지만 엔터프라이즈 규모의 데이터 세트에 대한 exhaustive, cross-entity 분석 질문에서 맥락 초과, 각 엔티티의 속성 잃기 및 선형 지연으로 붕괴됩니다. BatchDAG 시스템은 LLM이 SQL 쿼리, 의미 검색, 인메모리 변형, 병렬 팬 아웃 및 단일 샷 분석의 typed directed acyclic graph(DAG) 생성을 통해 엔터프라이즈 데이터에 대한 확장 가능한 임의 분석을 제공합니다.
BatchDAG: 대규모 언어 모델이 계획하는 실행 그래프
대규모 언어 모델(LLM)은 개별 문서 분석에서 뛰어나지만 엔터프라이즈 규모의 데이터 세트에 대한 exhaustive, cross-entity 분석 질문에서 맥락 초과, 각 엔티티의 속성 잃기 및 선형 지연으로 붕괴됩니다. 이러한 문제를 해결하기 위해 BatchDAG 시스템이 개발되었습니다.
BatchDAG의 작동 방식
BatchDAG 시스템은 대규모 언어 모델(LLM)이 typed directed acyclic graph(DAG) 생성을 통해 엔터프라이즈 데이터에 대한 확장 가능한 임의 분석을 제공합니다. DAG에는 SQL 쿼리, 의미 검색, 인메모리 변형, 병렬 팬 아웃 및 단일 샷 분석이 포함됩니다. 이 DAG를 평가하는 데 사용되는 결정론적 엔진은 topological-wave parallelism 및 structured JSON 데이터 흐름을 사용합니다.
entity-aware batching
- entity-aware batching은 행을 논리적 엔티티에 따라 그룹화하여 LLM 호출을 최대 47배까지 줄입니다.
BatchDAG의 성능
BatchDAG 시스템은 12 개의 전자문서가 많이 포함된 쿼리에 대한 실험을 통해 테스트되었습니다. BatchDAG의 성능은 전문가가 설계한 pipe-line과 유사하며, ReAct agent보다 월등히 뛰어납니다.
BatchDAG의 적용
BatchDAG 시스템은 Brevian.ai에서 현재 프로덕션으로 사용되고 있습니다. BatchDAG 시스템은 50,000 개 이상의 회의에 대한 쿼리를 1분 이내에 처리할 수 있으며, GPT-5.1 가격으로 측정된 단일 쿼리당 비용은 $0.02-$0.24입니다.
함께 읽으면 좋은 기사
Meta의 영감은 OpenAI와 Anthropic에서 본격적으로 빛나는 AI를 훔쳤습니다.
AI 리더들이 OpenAI와 Anthropic에서 "선도 경계를 맞춰가기"라는 주제로 논의를 시작했을 때, 누군가는 "어느 속도로?"라는 질문을 해야 했을 수도 있었다. 이제는 두 회사가 모두 모델을 출시하는 모델 출시 주간이 되었는데, Anthropic이 Opus 5.5을 출시한 후 OpenAI가 GPT-6 모델 업데이트를 90분만에 출시했다. 그러나 스포트라이트를 잡은 것은 Meta 였는
메타, 인공지능 앱 '뮤즈'에 힘을 싣는다
메타는 인공지능 개인 에이전트 '뮤즈'를 더욱 홍보하기 위해 대규모 언어 모델(LLM) 기반 앱의 홍보를 강화하고 있습니다. 뮤즈 앱은 앱스토어 차트에서 1위를 차지하고 사용자 추가가 빠른 속도로 진행되고 있습니다.
메타의 AI 태그치 시도는 성공적인 것일까?
메타의 개인 AI 에이전트 '뮤즈'가 ChatGPT의 초기 성과를 능가하고 있으며, 스마트 글래스와 같은 장치로 확장될 예정입니다. 메타의 AI 태그치 시도가 성공적인 것일까요?
OpenAI의 agent 군단이 수개월 동안 온라인 데이터베이스를 공격해 희귀한 사실을 찾고 있다.
연구자들이 최근에 불법적 인 에이전트 군집들이 발견되었다고 밝혔다.
강화 학습 기반 역할 놀이 에이전트의 역할 학습을 위한 적대적 폐쇄 루프 교육과정
역할 연기하는 agent는 대규모 언어 모델을 기반으로 한 것들이 개인화된 지원 및 사회 시뮬레이션과 같은 분야에서 광범위하게 적용되어 왔다. 최근 RL 방법들은 학습이 시작되기 전에 미리 수집한 고정된 시나리오 풀에서 훈련을 받는다. 이로 인해 분포적 병목 현상이 발생한다: agent가 향상될수록 agent가 나쁜 성능을 보이는 시나리오도 변하고, 훈련 분포는 정적이다. 따라서, 우리는 역
BaseCamp - AI 프레임워크를 활용한 DNA 서열 데이터 PIPE라인 자동화
DNA 시퀀싱 pipe라인을 처리하는 quality control, alignment, variation calling, annotation과 같은 작업은 이제 대규모 언어 모델(LLM)과 같은 established bioinformatics 도구를 scale에 맞게 조율하는 workflow 관리 시스템에 의해 신뢰할 수 있게 실행되고 있습니다. 그러나 그 실행에 관련된 결정 layer는 여
관련 콘텐츠 더 보기
다른 플랫폼에서 이 주제에 대한 더 많은 정보를 확인하세요.