입자 물리학에서 AI 에이전트까지: 내 발견의 한 주
Source: Dev.to
무엇을 놓치고 있었는지 몰랐던 박사과정 학생
저는 VUB에서 CMS 실험을 위한 H + c 분석을 하고 있는 박사과정 학생입니다. 제 하루는 ROOT 히스토그램, 제트 태깅을 위한 머신러닝 모델, 끝없는 디버깅, 그리고 Gemini, ChatGPT, 기타 AI 모델과의 대화로 가득합니다. 신경망과 트랜스포머를 훈련시켜 보았고, AI를 안다고 생각했습니다.
그런데 5일 AI 에이전트 집중 코스를 수강하고 나니, AI 시스템을 이해하지 못한 채 AI 도구만 사용하고 있었다는 것을 깨달았습니다. 이것이 제 첫 번째 진짜 AI 코스였고, 모든 것을 바꾸어 놓았습니다.
1일차: 머리를 뒤흔든 질문
“LLM과 에이전트의 차이는 무엇인가요?”
솔직히 처음 생각한 답: “같은 거 아니에요?”
코스에서는 아키텍처를 보여주었습니다: Planner, Executor, Memory, Evaluator. 저는 그 루프 안에 제 자신을 보았습니다:
- 오늘의 분석 전략을 계획한다
- 코드를 실행한다
- 어제 실패한 것을 기억한다
- 내가 진전을 이루고 있는지 평가한다
저는 매일 이 에이전트 루프를 수동으로 수행하고 있었습니다.
깨달음: 시스템이 이 추론을 스스로 할 수 있다면 어떨까?
4일차: 검증 파트
4일차에 코스에서는 에이전트의 결정을 어떻게 검증하는지 시연했습니다. 실험 물리학자 입장에서는 익숙한 느낌이었습니다—우리는 모든 것을 여러 체크와 교차 검증으로 검증하니까요.
통찰: 에이전트도 우리가 검출기 데이터에 적용하는 것과 같은 엄격함이 필요합니다. 맹목적인 신뢰가 아니라 체계적인 검증이죠.
5일차: 나만의 자문 패널 구축
캡스톤 프로젝트를 위해 AI Advisory Panel을 만들었습니다: 전문화된 에이전트들이 협업해 문제를 해결하는 다중 에이전트 시스템입니다. 하나의 에이전트가 모든 일을 하려는 대신, 전문가 패널을 구성했습니다:
- 한 에이전트가 문제를 분석한다
- 다른 에이전트가 해결책을 제시한다
- 또 다른 에이전트가 트레이드‑오프를 평가한다
그들은 토론하고 합의를 도출합니다. 이는 우리 연구 그룹 회의와 닮았습니다—다양한 사람, 다양한 전문성, 최선의 답을 향해 협력하죠.
이렇게 만든 이유: 분야에 관계없이 누구에게나 도움이 될 수 있는, 폭넓게 활용 가능한 시스템을 만들고 싶었기 때문입니다. 여러 관점이 모두에게 이득이 됩니다.
데모는 여기에서 확인할 수 있습니다: https://youtu.be/hKYb8bk01AI
실제로 바뀐 점
전: AI를 내 명령을 기다리는 수동적인 도구로 보았다.
후: AI를 스스로 추론하고, 협업하며, 자율적으로 행동하도록 설계할 수 있는 시스템으로 보게 되었다.
실질적인 차이점: 이제는 전체 연구 파트너 에이전트를 구축하는 것을 고민합니다—단순히 작업을 실행하는 것이 아니라 물리학에 실제로 협업하는 에이전트 말이죠. 그것은 다음을 할 수 있습니다:
- 내가 생각하지 못한 대안 분석 접근법을 제안한다
- 문제가 되기 전에 잠재적인 시스템 오류를 지적한다
- 막혔을 때 아이디어를 브레인스토밍한다
- 내 사고 패턴을 학습하고 내 생각을 보완한다
내가 대체되는 것이 아니라, 나와 파트너가 되는 것입니다.
앞으로 가져갈 것
범용적인 것을 만들면서, 이제는 내 분석에 깊이 통합된 전문 연구 파트너 에이전트를 만들고 싶습니다—파일을 알고, CMS 검출기를 이해하며, 실제 과학적 토론을 할 수 있는 에이전트 말이죠. 아직 배우고 만들고 있는 중입니다.
감사 인사
Google과 Kaggle에: 접근성을 높이고 강도 높은 학습을 가능하게 해줘서 감사합니다. 일일 구조가 완벽히 맞아떨어졌습니다.
Discord 커뮤니티에: 디버깅 도움과 우리 모두가 함께 이 길을 찾아가고 있다는 상기감을 주셔서 감사합니다.