인간 지도를 받는 컴퓨터 사용 에이전트의 피해복구
인공지능 에이전트가 실제 컴퓨터 시스템에서 행동을 수행할 수 있을 때, 피해를 막는 방식뿐만 아니라 피해가 발생했을 때 효과적으로 복구하는 방법이 필요합니다. 본 연구에서는 피해 복구의 문제를 formalize하고, 사용자 선호도에 맞게 에이전트를 안전한 상태로 되돌리는 방법을 제안합니다.
인간 지도를 받는 피해 복구
현재, 대규모 언어 모델(LLM) 에이전트가 실제 컴퓨터 시스템에서 행동을 수행할 수 있게 되면서, 피해를 막는 방식뿐만 아니라 피해가 발생했을 때 효과적으로 복구하는 방법이 필요합니다. 본 연구에서는 피해 복구의 문제를 formalize하고, 사용자 선호도에 맞게 에이전트를 안전한 상태로 되돌리는 방법을 제안합니다.
사용자 연구
본 연구에서는 사용자 연구를 통해 valued recovery dimensions(가치 있는 복구 차원)와 natural language rubric(자연어 기반 규칙)을 도출했습니다. 사용자 연구에서 1,150개의 쌍으로 구성된 dataset을 통해 context-dependent shifts(문맥에 의한 변동)가 나타났습니다. 예를 들어, 사용자는 pragmatic(실용적)한 방법보다 comprehensive(전체적인)한 방법을 선호했습니다.
reward model
사용자 연구에서 도출한 결과를 바탕으로 reward model을 operationalize했습니다. reward model은 에이전트 scaffold의 test time에서 multiple candidate recovery plans(다수의 복구 계획)을 re-ranking합니다.
BackBench
본 연구에서는 BackBench라는 benchmark를 도입했습니다. BackBench는 50개의 컴퓨터 사용 태스크를 테스트하여 에이전트의 피해 복구 능력을 평가합니다. human evaluation 결과, reward model scaffold가 base agents와 rubric-based scaffolds보다 높은 퀄리티의 복구 경로를 생성했습니다.
결론
본 연구에서는 피해 복구의 문제를 formalize하고, 사용자 선호도에 맞게 에이전트를 안전한 상태로 되돌리는 방법을 제안했습니다. 이러한 결과는 새로운 에이전트 안전성 방법의 기초를 제공합니다. 에이전트가 피해를 막는 방식뿐만 아니라 피해가 발생했을 때 효과적으로 복구하는 방법을 개발하는 것이 중요합니다.
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.