Agent Bricks Supervisor Agent 정식 출시: 엔터프라이즈 에이전트 오케스트레이션

기업들은 재무 분석 코파일럿, 고객 서비스 어시스턴트, 내부 지식 검색을 위한 에이전트 개발을 빠르게 늘리고 있습니다. 하지만 이러한 빠른 성장은 이 모든 것을 어떻게 찾고 관리할 것인가라는 새로운 과제를 야기합니다. 팀들은 마치 에이전트 룰렛을 돌리는 것처럼, 수십 개의 특정 봇 사이를 전환하며 '출장 정책'이 HR 에이전트에 있는지 재무 에이전트에 있는지 기억해 내려고 애씁니다. 이러한 인지 부하는 생산성을 저하시키고, 팀이 목적 없이 검색하거나, 이미 구축된 에이전트를 다시 만들거나, 오래된 정보를 참조하게 만듭니다. 기업에는 의도를 추론하고, 특화된 에이전트를 조정하며, 사용자를 대신하여 안전하게 작동할 수 있는 단일 진입점이 필요합니다.

이제 정식 출시(GA)된 Agent Bricks Supervisor Agent는 Unity Catalog가 완벽하게 제어하는 관리형 오케스트레이션 레이어로, 에이전트와 도구를 함께 연결할 수 있습니다. 이 시스템은 동적 감독자 패턴을 사용하여 사용자의 질문을 분석하고 정형 데이터를 위한 Genie Spaces, 비정형 데이터를 위한 Knowledge Assistant 에이전트, 복잡한 질문에 답하고 심층 분석을 제공하는 도구를 위한 MCP 서버 간의 오케스트레이션을 수행합니다. 이를 통해 팀은 에이전트의 품질을 독립적으로 소유하고 반복적으로 개선할 수 있으며, 사용자는 한 곳에서 작업을 완료할 수 있습니다.

설계 기반 거버넌스: Unity Catalog를 통한 보안

IT 및 보안 팀의 경우, 에이전트 AI는 종종 엔터프라이즈 보안 체계 밖에서 운영됩니다. 대부분의 도구는 권한을 복제하거나 광범위한 서비스 계정을 사용해야 하므로, 에이전트가 최종 사용자가 볼 권한이 없는 데이터에 액세스할 수 있는 규정 준수 격차가 발생합니다.

Agent Bricks는 모델, 데이터, 도구와 함께 Unity Catalog를 에이전트를 위한 제어 및 거버넌스 레이어로 사용합니다. Supervisor Agent는 기본적으로 On-Behalf-Of(OBO) 인증을 지원하며, 인간 사용자를 위한 투명한 프록시 역할을 합니다. 모든 데이터 가져오기 또는 도구 실행은 사용자가 테이블을 query할 수 있는지, 또는 MCP Catalog를 통해 특정 도구에 액세스할 수 있는지 등 Unity Catalog에 있는 사용자의 기존 권한에 따라 검증됩니다. 이를 통해 에이전트는 추가 작업 없이 거버넌스 정책과 동기화된 상태를 유지할 수 있습니다.

프랭클린 템플턴에게 AI 확장이란 규정 준수를 저해하지 않으면서 규제 대상 펀드 문서를 활용 가능하게 만드는 것을 의미합니다. 팀은 Unity Catalog를 통해 거버넌스가 내장된 Agent Bricks를 사용하여 공개 펀드 문서를 성과 데이터와 결합하고, 승인된 기업 소스에 기반한 거버넌스 적용 펀드 분석 에이전트를 구동했습니다.

"Agent Bricks를 사용하면 신뢰할 수 있고 규정을 준수하는 펀드 분석을 확장할 수 있습니다. 며칠이 걸리던 일이 이제 몇 초밖에 걸리지 않으며, 모든 인사이트가 당사의 데이터와 비즈니스 로직에 기반하고 있다는 것을 신뢰합니다." — 콜린 짐머만, CFA, 프랭클린 템플턴 수석 데이터 사이언티스트

연구 기반 학습을 통한 지속적인 개선

생산 등급 에이전트는 결코 “완성”되지 않으며, 실제 성능에 기반하여 진화해야 합니다. 에이전트가 유용성을 유지하려면 그 반응을 평가하고, 새로운 정보를 통합하며, 지속적으로 개선해야 합니다.

Supervisor Agent에는 인간 피드백 기반 에이전트 학습(Agent Learning on Human Feedback, ALHF) 이라는 내장된 품질 루프가 있습니다. Supervisor가 답변을 개선하고, 하위 에이전트 간 라우팅 방식을 개선하며, 시스템에 컨텍스트를 제공하는 데 통합할 수 있는 질문과 가이드라인을 추가하세요. 이는 주제 전문가(SME)와의 협업도 더 쉽게 만듭니다. 예를 들어 마케팅팀이 에이전트 응답의 브랜드와 스타일에 대한 가이드라인을 제공하면 Supervisor가 이를 직접 학습할 수 있습니다. 내장된 MLflow 실험 및 통합을 통해 모든 상호 작용을 추적하고 측정할 수 있으므로 격차를 신속하게 파악하고 해결할 수 있습니다.

Zapier와 같은 고객사들은 인간 피드백 기반 에이전트 학습을 활용해 에이전트를 신속하게 반복 개선해 왔습니다. Zapier는 데이터 접근을 민주화하기 위해 Supervisor Agent를 활용하고 있으며, ALHF를 통해 서로 다른 Genie 공간과 도구 간에 Supervisor의 오케스트레이션을 개선했습니다.

“Agent Bricks Supervisor Agent는 단일 시스템에서 여러 데이터 인텔리전스 엔드포인트를 조정할 수 있는 구조화된 방법을 제공합니다. 라우팅 로직을 하드코딩하는 대신, 명확한 지침을 통해 에이전트가 Genie와 Unity Catalog의 거버넌스 적용 데이터에 대한 우선순위를 정하도록 안내할 수 있습니다. 이를 통해 발전함에 따라 유연하고 신뢰할 수 있는 내부 '데이터에 질문하기' 환경을 훨씬 쉽게 구축할 수 있습니다.” — Alvaro Martin, Sr. 데이터 엔지니어, Zapier 

슈퍼바이저 에이전트를 지금 바로 사용하세요

정식 출시(GA)된 Supervisor Agent는 엔터프라이즈 규모로 AI 에이전트를 오케스트레이션하기 위한 관리형 기반을 제공합니다. 이제 팀은 단일 제어 평면에서 의도를 라우팅하고, Unity Catalog를 통해 액세스를 관리하며, 에이전트 품질을 지속적으로 개선할 수 있습니다.

지금 바로 첫 번째 에이전트를 만들고 기존 에이전트 및 도구에 연결하여 Supervisor Agent를 시작해 보세요. 설명서를 살펴보고 Supervisor Agent가 프로덕션 워크플로에 어떻게 적용되는지 확인하세요.

지금 바로 첫 Supervisor Agent 빌드하기 →

(이 글은 AI의 도움을 받아 번역되었습니다. 원문이 궁금하시다면 여기를 클릭해 주세요)