CORPGEN: 다중 시간대 작업 환경에서 자율 디지털 직원을 통한 기업 업무 환경 시뮬레이션

이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.

TL;DR

현업의 다중 의존 과제를 재현하기 위해 설계된 Multi-Horizon Task Environments(MHTEs)는 각 과제가 10~30단계로 구성된 다섯 시간 세션을 요구하며 동시 부하가 늘어날수록 기존 에이전트의 메모리 포화와 정보 간섭이 성능 저하의 주된 원인으로 드러났다. 대규모 실험에서 동시 과제 수가 12에서 46으로 증가할 때 완료율이 16.7%에서 8.7%로 떨어지는 결과가 관찰되었고, 이를 해결하기 위해 CORPGEN은 계층적 계획, 메모리 분리, 경험 기반 학습을 결합한 디지털 직원 프레임워크를 제안했다. CORPGEN은 특정 모델에 의존하지 않는 모듈형 설계를 통해 세 개의 독립 에이전트 백엔드에서 기준선 대비 최대 3.5배 높은 완료율을 달성했으며 이는 시스템 설계가 멀티태스킹 성능에 결정적 영향을 줄 수 있음을 시사한다. 다만 논문 수준의 상세 구현·하이퍼파라미터·장기적인 일반화 성능에 관한 추가 근거가 필요하다.

섹션별 상세

현업 지식근로자의 작업은 서로 의존하는 여러 과제가 동시에 진행되는 구조이며 이를 재현하기 위해 Multi-Horizon Task Environments(MHTEs)를 설계했다. MHTE는 각 과제가 10~30개의 의존적 단계를 포함하고 다섯 시간가량 지속되는 세션을 요구하며 에이전트가 동시에 여러 과제를 유지·조정하는 능력을 시험하도록 구성되어 있다. 대규모 실험에서 과제 수가 증가하면 메모리 포화와 정보 간섭, 복잡한 작업망에 따른 대기·재우선순위 과정이 병목으로 작용함이 관찰되었다.

MHTE에서 기존 선도 에이전트들을 부하를 늘려 평가한 결과 동시 과제 수가 12에서 46으로 증가할 때 완료율이 시스템 전반에서 16.7%에서 8.7%로 하락하는 성능 저하가 확인되었다. 이 실험 과정은 각 에이전트가 활성 과제들에 대한 세부 정보를 보존하지 못하거나 한 과제의 정보가 다른 과제의 추론을 방해하는 방식으로 실패가 발생했음을 보여 주며, 단순한 순차적 처리로는 다중 의존 과제망을 안정적으로 해결하기 어렵다는 근거를 제공한다. 이러한 수치적 근거는 멀티태스킹 평가가 단일 과제 중심 벤치마크와 구조적으로 다르게 설계되어야 함을 시사한다.

CORPGEN은 계층적 계획, 메모리 분리, 경험 기반 학습을 결합해 '디지털 직원'이라는 에이전트 계층을 도입했고, 이 구조는 모듈형이어서 특정 베이스 모델에 의존하지 않는다. 에이전트는 역할별 전문성, 지속적 정체성, 현실적 근무 스케줄을 유지하며 각 과제에 대해 별도의 기억 공간을 관리하고 상위 목표를 하위 작업으로 분해해 단계별 진행 상태를 추적함으로써 작업 간의 간섭을 줄인다. 파일럿 결과에서 CORPGEN은 세 개의 독립 에이전트 백엔드에 걸쳐 기준선 대비 최대 3.5배 높은 완료율을 기록해 시스템 설계 측면에서의 이득을 입증했다.

용어 해설

다중 시간대 작업 환경(Multi-Horizon Task Environment (MHTE)): — 다중 시간대 작업 환경은 단일 세션에서 동시다발적으로 여러 복합 과제를 처리하도록 설계된 벤치마크 환경으로, 각 과제는 10~30개의 의존 단계를 포함하고 세션은 약 다섯 시간에 걸쳐 진행되어 에이전트의 장기 메모리, 우선순위 재조정, 태스크 간 간섭을 평가한다.
계층적 계획(Hierarchical Planning): — 계층적 계획은 상위 목표를 하위 작업으로 분해하고 단계별 전략을 만들며 각 수준에서 상태와 의존성을 추적해 복잡한 다중 과제에서 작업 순서와 리소스 배분을 체계적으로 관리하는 방법이다.
메모리 분리(Memory Isolation): — 메모리 분리는 각각의 활성 과제에 대해 별도의 기억 공간을 유지하여 한 과제의 정보가 다른 과제의 추론을 방해하지 않도록 하고 필요시 관련 정보만 병합해 사용하는 방식으로, 다중 과제 처리에서 정보 간섭을 줄인다.
경험 기반 학습(Experiential Learning): — 경험 기반 학습은 에이전트가 수행한 작업과 그 결과를 반복적으로 관찰해 정책과 우선순위 결정을 조정하는 프로세스로, 장기간 멀티태스킹 환경에서 실패·성공 사례를 바탕으로 행동 전략을 개선한다.

기술

LLM
MHTE

활용 사례

다중 의존 업무 자동화
기업 생산성용 디지털 직원 시뮬레이션
멀티태스킹 능력 평가용 벤치마크