AI 네이티브 xG 네트워크를 위한 에이전트 협업 강화 NetGPT 프레임워크

초록

본 논문은 차세대 xG 무선망에 AI‑네이티브 아키텍처를 도입해, NetGPT 코어가 자체 추론과 도메인 특화 에이전트 호출을 동적으로 선택하도록 설계한 프레임워크를 제시한다. 부분관측·확률적 환경을 고려한 에이전트 강화학습(Agentic RL) 기법을 통해 협업 시점과 방법을 학습하고, 마스크 손실, 엔트로피 기반 탐색, 다목표 보상 등을 결합해 지속적인 성능 향상을 구현한다.

상세 분석

이 연구는 기존 LLM 기반 네트워크 관리가 “단일 모델 → 단일 응답” 구조에 머무르는 한계를 인식하고, 통신망 전반에 분산된 도메인‑전문 에이전트를 활용하는 멀티‑에이전트 협업 체계를 제안한다. 핵심 아이디어는 NetGPT 코어가 입력된 사용자 의도를 먼저 해석하고, 작업 난이도·시간 민감도·필요 지식 등을 정량화한 뒤, “내부 추론”과 “외부 에이전트 호출” 중 최적의 경로를 선택하도록 하는 것이다. 이를 위해 논문은 다음과 같은 기술적 요소를 도입한다.

1. 에이전트 거버넌스와 프로토콜 어댑터 – A2A, ACP, ANP 등 다양한 에이전트‑에이전트 통신 표준을 추상화한 ‘에이전트 카드’ 구조를 설계해, 에이전트의 기능, 지연, 비용, 부하 등 메타데이터를 통합 관리한다. 이를 통해 새로운 에이전트가 추가되더라도 모델 재학습 없이 자동으로 라우팅 대상이 된다.

2. 의도 평가와 작업 분해 – NetGPT 코어는 LLM 기반의 “생각(think)” 단계에서 작업 복잡성을 추정하고, 필요 시 작업을 서브‑태스크로 분해한다. 이때 서브‑태스크는 사전 정의된 액션 타입(예: NetworkAnalysis, DataRetrieval 등)과 매핑되어, 에이전트 카드 검색을 통해 후보 에이전트를 선정한다.

3. 적응형 오케스트레이션 – 라우팅 방식으로 규칙 기반, 머신러닝 기반, LLM 기반을 혼합한다. 규칙 기반은 안전·신뢰성이 요구되는 서비스에, ML 기반은 과거 라우팅 로그를 활용한 예측에, LLM 기반은 복합적인 컨텍스트 이해가 필요할 때 사용한다. 라우팅 시 네트워크 상태(대역폭, 지연), 에이전트 비용, SLA 등을 다중 목표로 고려한다.

4. Agentic Reinforcement Learning – 기존 SFT → RLHF → RLVR 흐름을 확장해, 에이전트 호출 자체를 행동(action)으로 정의하고, 부분관측(partially observable) 마코프 결정 과정(POMDP)으로 모델링한다. 주요 학습 기법은:

   • 마스크 손실: 외부 에이전트의 불확실성을 추정해, 해당 에이전트가 제공한 정보가 부족하거나 오류일 경우 손실을 가중한다.
   • 엔트로피‑가이드 탐색: 고불확실성 단계에서 토큰 선택 엔트로피를 높여 탐색 폭을 확대하고, 안정적인 단계에서는 엔트로피를 억제해 수렴을 가속한다.
   • 다목표 보상: (i) 작업 정확도, (ii) 응답 지연, (iii) 자원 사용(연산·통신 비용) 등을 가중합으로 정의해, NetGPT가 정확도와 효율성 사이의 트레이드오프를 스스로 학습하도록 한다.

5. 지속적 진화 메커니즘 – 에이전트 실행 후 반환된 메트릭(성공률, 지연, 비용)과 사용자 피드백(QoE 등)을 보상 신호로 활용해, 정책 네트워크를 주기적으로 업데이트한다. 이렇게 하면 환경 변화(예: 네트워크 토폴로지 변동, 신규 에이전트 등장)에도 모델이 빠르게 적응한다.

실험적 검증은 네트워크 루트 원인 분석 시나리오를 중심으로 진행되었다. NetGPT는 복잡한 드라이브 테스트 데이터와 셀 파라미터를 자동으로 수집·전달하고, 전문 분석 에이전트에게 위임함으로써 기존 단일 LLM 대비 30% 이상의 지연 감소와 15% 이상의 정확도 향상을 달성했다. 또한, 자원 비용(연산·통신)도 평균 20% 절감되었다.

전체적으로 이 논문은 “LLM + 도메인‑전문 에이전트”라는 새로운 협업 패러다임을 제시하고, 부분관측·확률적 환경에 맞는 강화학습 설계까지 제공함으로써, 차세대 xG 네트워크에서 AI‑네이티브 운영을 실현할 수 있는 실용적 로드맵을 제시한다.