WEBVTT

00:00:00.000 --> 00:00:02.240
당신의 AI 보조 시스템은 똑똑하지 않습니다.

00:00:02.380 --> 00:00:08.460
마이크로소프트 배지를 단 말끔하게 차려입은 자동완성 기능과 카페인을 과다 섭취한 인턴이 자신감 넘치는 말투로 말하지만 실제로는 완전히 길을 잃은 상태일 뿐입니다.

00:00:08.620 --> 00:00:14.820
일반적인 관리자는 이 시스템을 설치하고 지난 분기 지역별 매출 요약과 같은 다소 야심찬 질문 하나를 던진 다음

00:00:14.820 --> 00:00:18.740
제한된 컨텍스트 창에 맞는 아무거나 대답하는 것을 보고 놀라워합니다.

00:00:19.000 --> 00:00:22.620
그건 통찰력이 아니라 친절한 어조로 전달되는 통계적 추측일 뿐입니다.

00:00:22.820 --> 00:00:27.780
대부분의 소위 AI 보조 시스템은 RAG, Retrieval Argumented Generation라는 기술을 사용합니다.

00:00:27.780 --> 00:00:35.080
이론상으로는 훌륭합니다. 질문을 하면 지식 기반을 검색하고 관련 정보를 가져와 질문에 붙여 마치 지식이 있는 것처럼 보이게 합니다.

00:00:35.280 --> 00:00:38.700
하지만 실제로는 사서 한 명에게 인류의 모든 지식을 묻는 것과 같습니다.

00:00:39.040 --> 00:00:42.940
사서는 한쪽 통로를 전력질주하여 무작위로 책 3권을 집어들고 돌아오면서 답을 외칩니다.

00:00:43.140 --> 00:00:48.580
한 번이 질의, 한 번이 검색, 그리고 틀릴 가능성. 이제 실제 기업 의사 결정 방식과 비교해보세요.

00:00:48.840 --> 00:00:51.400
데이터가 단 하나만 필요한 경우가 있나요? 없습니다.

00:00:51.400 --> 00:00:59.220
재무 부서의 스프레드 시트, 시어포인트 위 연구 보고서, 마이크로소프트 패브릭 위 매트릭 웨어하우스, 그리고 테넌트에 없는 외부 시장 데이터까지 필요합니다.

00:00:59.360 --> 00:01:03.960
핵심 정보가 여러 곳에 흩어져 있는 순간, 기존의 RAG, 리서치, 어세스먼트, 엔드그래디언트 방식은 무너집니다.

00:01:04.100 --> 00:01:11.160
여러 검색을 동시에 계획할 수도 없고, 모순을 검증할 수도 없으며, 분기별 실적이 마케팅 부서와 제조 부서에 각각 다른 의미를 갖는다는 것을 이해할 수도 없습니다.

00:01:11.400 --> 00:01:13.960
그런데도 사람들은 이런 시스템을 똑똑하다고 부릅니다.

00:01:13.960 --> 00:01:14.840
틀린 말입니다.

00:01:15.080 --> 00:01:17.180
이런 시스템은 컨텍스트를 둘러보는 관광객에 불과합니다.

00:01:17.320 --> 00:01:20.900
데이터 환경을 잠깐 방문해서 PDF 파일 몇 장을 찍고는 마치 도시를 다 아는 것처럼 행동합니다.

00:01:21.040 --> 00:01:25.520
게다가 일반 관리자는 코파일럿 이 모든 시어포인트 폴더에 전지전능한 접근 권한을 가지고 있다고 착각합니다.

00:01:25.720 --> 00:01:26.780
하지만 그렇지 않습니다.

00:01:27.000 --> 00:01:30.760
명시적인 커넥터와 추론기를 구축하지 않는 한, 코파일럿은 눈을 가리고 작동하는 것과 같습니다.

00:01:31.020 --> 00:01:32.960
이는 비효율적 일뿐만 아니라 위험합니다.

00:01:33.180 --> 00:01:36.400
에이전트 기반 검색이 없다면, 기업은 컨텍스트 파편화에 허덕이게 됩니다.

00:01:36.400 --> 00:01:40.560
불완전한 데이터에 기반한 의사결정이 이루어지고, 규정 준수 위험은 간과됩니다.

00:01:40.680 --> 00:01:44.700
팀들은 제대로 검증조차 하지 않은 모델이 만들어낸 허황된 통찰력을 쫓고 있습니다.

00:01:45.140 --> 00:01:47.060
아이러니하게도 해결책은 이미 존재합니다.

00:01:47.300 --> 00:01:48.840
바로 에이전트형 RAG입니다.

00:01:49.060 --> 00:01:54.780
RAG는 단순히 정보를 가져오는데 그치지 않고, 정보를 분석하고 계획하며 교차 검증을 거쳐 마치 디지털 연구팀처럼 추론합니다.

00:01:54.960 --> 00:02:00.600
이번 에피소드를 마치면 여러분의 보조 시스템이 앵무새처럼 흉내만 내는 것을 멈추고 과학자처럼 행동하게 만드는 방법을 정확히 알게 될 것입니다.

00:02:00.600 --> 00:02:02.460
네, 단 4단계만 거치면 됩니다.

00:02:02.680 --> 00:02:05.400
4가지 정확한 단계로 여러분의 멍청한 보조 시스템을 고쳐드리겠습니다.

00:02:05.680 --> 00:02:07.880
RAG 위 허점, 선형 지능이 실패하는 이유.

00:02:08.080 --> 00:02:09.800
자, 이제 그 허점을 파헤쳐 보겠습니다.

00:02:10.060 --> 00:02:14.180
검색 증강 생성, RAG은 정교해 보이지만 실제로는 매우 선형적인 방식입니다.

00:02:14.380 --> 00:02:17.340
1단계, 벡터 유사도를 기반으로 텍스트 조각들을 검색합니다.

00:02:17.540 --> 00:02:20.200
2단계, 검색된 텍스트 조각들을 프롬프트에 채워 넣습니다.

00:02:20.480 --> 00:02:22.940
3단계, 답을 생성하고 성공을 선언합니다.

00:02:23.160 --> 00:02:24.000
이게 전부입니다.

00:02:24.280 --> 00:02:28.800
이전 검색 기록도 없고, 모순에 대한 추론도 없고, 사용자 맥락도 인식하지 못합니다.

00:02:28.800 --> 00:02:33.480
질의에서 답변까지 직선으로 이어지는, 마치 영어로 작성된 고급 SQL 조인과 같은 시스템입니다.

00:02:33.640 --> 00:02:35.780
문제는 현실이 복잡해지는 순간 발생합니다.

00:02:35.980 --> 00:02:39.660
예를 들어, 경쟁사 제품과 우리 제품의 신뢰도를 비교해주세요, 라고 질문한다고 가정해보겠습니다.

00:02:39.960 --> 00:02:45.580
기본적인 시스템은 하나의 인덱스에 접근하여 신뢰도를 언급하는 문서를 아무거나 가져와 요약본을 출력합니다.

00:02:45.760 --> 00:02:47.140
제조 로그를 확인했을까요?

00:02:47.380 --> 00:02:49.940
셰어포인트에 숨겨진 최신 테스트 보고서를 읽어둘까요?

00:02:50.140 --> 00:02:52.080
웹에서 가져온 외부 데이터를 검증했을까요?

00:02:52.280 --> 00:02:53.120
당연히 아닙니다.

00:02:53.340 --> 00:02:55.180
그런 자료들이 존재한다는 사실조차 모릅니다.

00:02:55.180 --> 00:02:57.660
그저 불확실성을 그럴듯한 말로 덮어버릴 뿐입니다.

00:02:57.780 --> 00:03:00.260
도서관에서 벌어지는 비극적인 상황을 생각해보세요.

00:03:00.440 --> 00:03:03.460
도서관에 들어가 사서에게 세계 경제에 대해 질문합니다.

00:03:03.700 --> 00:03:09.720
사서는 경제학 책꼬지로 달려가 2012년에 출판된 환율 관련 책을 건네주며 질문에 대한 답이 나왔다고 선언합니다.

00:03:09.920 --> 00:03:12.760
고객 서비스는 훌륭하지만 학문적 역량은 형편없습니다.

00:03:12.940 --> 00:03:18.380
진정한 지능이라면 금융, 역사, 정책 분야별로 여러 명이 사서를 고용하여 그들의 연구 결과를 종합할 것입니다.

00:03:18.580 --> 00:03:20.560
이것이 바로 정보 검색과 추론의 차이입니다.

00:03:20.560 --> 00:03:23.140
기업 환경에서는 이러한 실패가 더욱 빈번하게 발생합니다.

00:03:23.260 --> 00:03:26.220
경영진의 질문 하나가 수십 개의 시스템에 영향을 미치는 경우가 많습니다.

00:03:26.380 --> 00:03:30.660
티어포인트 문서, 파워 BI 데이터 세트, 에이저 SQL 테이블, 이메일 스레드 등 말이죠.

00:03:30.820 --> 00:03:34.000
기존의 레그, 레그 방식은 이러한 복잡성을 모두 단일 단계로 단순화합니다.

00:03:34.180 --> 00:03:35.340
그 결과는 무엇일까요?

00:03:35.540 --> 00:03:40.520
일관성 없는 출력, 피상적인 요약, 자신감 넘치는 어조로 포장된 왜곡된 데이터입니다.

00:03:40.740 --> 00:03:41.640
규정 준수요.

00:03:41.800 --> 00:03:42.820
꿈도 꾸지 마세요.

00:03:43.060 --> 00:03:46.460
모델이 벡터 일치에 따라 아무 텍스트 나가져 오면 출처를 알 수 없게 됩니다.

00:03:46.460 --> 00:03:48.880
감사위원회에 이런 상황을 설명할 수 있을까요?

00:03:49.040 --> 00:03:51.480
그런데도 코파일럿 마케팅은 마치 전지전능한 것처럼 포장합니다.

00:03:51.620 --> 00:03:53.000
브로시어에는 무엇이든 물어보세요.

00:03:53.180 --> 00:03:54.660
코파일럿이 당신의 비즈니스를 알고 있습니다.

00:03:54.840 --> 00:03:55.520
라고 속삭입니다.

00:03:55.780 --> 00:03:56.700
하지만 그렇지 않습니다.

00:03:56.900 --> 00:03:58.940
코파일럿은 기억상실 상태로 텍스트를 검색할 뿐입니다.

00:03:59.100 --> 00:04:00.920
계획, 숙보, 검증은 불가능합니다.

00:04:01.120 --> 00:04:05.560
어떤 시어포인트 사이트에 올바른 문서가 있는지, 데이터 저장소가 동기화되었는지 조차 알지 못합니다.

00:04:05.740 --> 00:04:10.120
하지만 매끄러운 표현 덕분에 경영진은 상관관계만 있을 뿐인데도 이해하고 있다고 착각합니다.

00:04:10.120 --> 00:04:13.260
기업들이 구매하는 것은 바로 이러한 지능의 환상입니다.

00:04:13.440 --> 00:04:16.400
확률분포로 짜여진 값 비싼 안락담료 인셈이죠.

00:04:16.620 --> 00:04:22.160
그들은 코파일럿이 이메일을 정확하게 작성했을 때 원본 데이터를 완전히 잘못 이해했다는 사실을 무시한 채 환호합니다.

00:04:22.360 --> 00:04:28.280
AI 기반 인사이트를 자랑하지만, 그 인사이트가 서로 일치하지 않는 맥락과 부분적인 스냅샷에서 도출된 것임을 깨닫지 못합니다.

00:04:28.480 --> 00:04:30.660
이러한 상황은 경제의 심각한 결과를 초래합니다.

00:04:30.900 --> 00:04:34.820
잘못 요약된 보고서, 허구적인 KPI는 모두 잘못된 의사결정으로 이어집니다.

00:04:34.820 --> 00:04:38.840
프로젝트는 허구에 기반하여 방향을 바꾸고, 규정 준수팀은 허황된 목표를 쫓습니다.

00:04:39.000 --> 00:04:42.920
그리고 현실이 드러나고, 조작된 인사이트가 실제 운영 환경에서 실패할 때,

00:04:43.340 --> 00:04:47.180
그 책임은 실패를 초래한 허술한 아키텍처가 아니라 AI 위 한계에 돌아갑니다.

00:04:47.360 --> 00:04:51.060
사실, 선형적인 지능이 실패하는 이유는 기업의 구조가 선형적이지 않기 때문입니다.

00:04:51.220 --> 00:04:54.260
데이터는 분산되어 있고 맥락적이며 종종 모순됩니다.

00:04:54.460 --> 00:04:59.000
고정된 단일 커리 파이프라인은 단일 뉴런이 생각할 수 없는 것처럼 이러한 환경에 적응할 수 없습니다.

00:04:59.000 --> 00:05:02.620
필요한 것은 더 나은 프롬프트가 아니라 계획을 세울 수 있는 시스템입니다.

00:05:02.800 --> 00:05:06.920
어떤 서비스를 어떤 순서로 사용하고, 결과를 어떻게 검증할지 결정할 수 있는 시스템 말입니다.

00:05:07.120 --> 00:05:11.260
그렇다면 코파일럿이 앵무새처럼 따라가는 것이 아니라 연구팀처럼 작동하도록 어떻게 가르칠 수 있을까요?

00:05:11.420 --> 00:05:13.660
바로 이 지점에서 에이전틱 아레이지가 등장합니다.

00:05:13.880 --> 00:05:16.780
반응형 검색에서 능동형 추론으로의 진화적 도약이 있죠.

00:05:16.980 --> 00:05:20.900
에이전틱 아레이지는 계획, 전문 검색 에이전트, 검증 루프 등의 계층을 추가합니다.

00:05:21.100 --> 00:05:24.880
다시 말해, 똑똑한 척하는 것을 멈추고 마침내 생각하는 법을 배우게 되는 것입니다.

00:05:24.880 --> 00:05:27.640
에이전틱 아레이지는 검색에서 추론으로 나아갑니다.

00:05:27.780 --> 00:05:30.240
여기서 단순한 유행어가 아닌 진정한 지능으로 거듭납니다.

00:05:30.440 --> 00:05:35.500
에이전틱 아레이지는 단순한 유행어가 아니라 여러분의 코파일럿이 선천적으로 갖지 못했던 핵심 기능, 즉 실행 기능입니다.

00:05:35.660 --> 00:05:38.400
마치 전두엽 피질이 발달 하나 아레이지라고 생각하면 됩니다.

00:05:38.680 --> 00:05:43.260
단순히 하나의 쿼리를 실행하고 결과를 기다리는 대신 문제를 여러 부분으로 나누고,

00:05:43.320 --> 00:05:48.380
각기 다른 전문 에이전트의 작업을 할당하고, 그들의 작업을 검증한 후 최종 결과를 종합합니다.

00:05:48.600 --> 00:05:52.420
간단히 말해, 언어모델을 앵무새처럼 따라하는 존재에서 계획자로 바꾸는 것입니다.

00:05:52.420 --> 00:05:57.600
에이전틱 아레이지는 에이저 AI 에이전트 서비스 기반의 다중 에이전트 오케스트레이션을 통해 작동합니다.

00:05:57.740 --> 00:05:59.820
세 가지 역할이 작동하는 모습을 상상해보세요.

00:06:00.060 --> 00:06:02.720
첫째, 일종의 디지털 프로젝트 관리자인 계획자입니다.

00:06:02.940 --> 00:06:06.900
계획자는 사용자의 쿼리를 읽고, 어떤 도구나 데이터 소스가 관련성이 있는지 결정합니다.

00:06:07.100 --> 00:06:12.220
다음으로는 구조화된 데이터든 비구조화된 데이터든 접근하도록 훈련된 도메인 전문가인 검색 에이전트가 투입됩니다.

00:06:12.420 --> 00:06:16.760
마지막으로, 편집장 역할을 하는 검증자 또는 추론 에이전트가 일관성을 확인하고,

00:06:17.180 --> 00:06:19.320
인용을 검증하고, 최종 답변을 작성합니다.

00:06:19.320 --> 00:06:22.540
이들은 함께 적응형 추론 루프라고 부르는 과정을 실행합니다.

00:06:22.720 --> 00:06:26.060
질의, 검색, 검증, 개선, 그리고 실행의 단계입니다.

00:06:26.220 --> 00:06:27.580
핵심 단어는 적응형입니다.

00:06:27.740 --> 00:06:32.380
표준 아레이지, 검색, 검색, 검증, 개선, 실행, 와달리, 이 루프는 첫 번째 출력에서 종료되지 않습니다.

00:06:32.540 --> 00:06:34.200
모순이 발생하면 경로를 재설정합니다.

00:06:34.400 --> 00:06:36.380
이러한 정교한 과정을 뉴스룸에 비유해보겠습니다.

00:06:36.740 --> 00:06:39.020
기획자는 담당 분야를 지정하는 편집장입니다.

00:06:39.440 --> 00:06:41.200
시어포인트에서 내부 보고서를 확인하고,

00:06:41.600 --> 00:06:43.140
패브릭에서 센서 지표를 가져오고,

00:06:43.440 --> 00:06:45.000
웹에서 경쟁사 데이터를 검색합니다.

00:06:45.000 --> 00:06:47.540
각 검색 에이전트는 자신의 역할을 수행합니다.

00:06:47.700 --> 00:06:49.820
검증자는 종합된 초안의 사실을 검증하고,

00:06:50.200 --> 00:06:53.400
인용이 충돌하는 경우 질의를 다시 실행한 후에야 요약본을 개시합니다.

00:06:53.600 --> 00:06:56.380
그 결과는 단순히 그럴듯하게 들리는 텍스트 덩어리가 아닙니다.

00:06:56.580 --> 00:06:58.540
증거에 기반한 일관성 있는 통찰력입니다.

00:06:58.780 --> 00:07:00.840
여기서의 도약은 단순히 더 큰 모델을 만드는 것이 아니라,

00:07:01.120 --> 00:07:01.900
구조화된 추론에 있습니다.

00:07:02.180 --> 00:07:04.060
플래너의 작동 방식을 좀 더 자세히 살펴보겠습니다.

00:07:04.380 --> 00:07:07.000
플래너는 사용자의 평범한 질문을 해석하여 작업 맵을 생성합니다.

00:07:07.200 --> 00:07:09.320
어떤 리트리버를 사용할지, 어떤 순서로 실행할지,

00:07:09.320 --> 00:07:11.280
그리고 그 결과를 어떻게 통합할지 결정합니다.

00:07:11.400 --> 00:07:14.720
바로 이 부분에서 에이저 AI 에이전트 서비스의 존재 이유가 드러납니다.

00:07:14.940 --> 00:07:19.160
에이저 AI 에이전트 서비스는 이러한 에이전트들이 서로 통신할 수 있도록 오케스트레이션 계층을 제공합니다.

00:07:19.380 --> 00:07:20.880
마이크로 서비스들은 추측이 아닌,

00:07:21.100 --> 00:07:24.780
마이크로소프트 엔트라 인증으로 관리되는 API를 통해 통신합니다.

00:07:25.040 --> 00:07:26.580
이제 보안에 대해 이야기해보겠습니다.

00:07:26.980 --> 00:07:29.880
대부분의 규정 준수 담당자는 이미 패닉 상태에 빠질 수 있기 때문입니다.

00:07:30.080 --> 00:07:32.200
마그네틱 RAG는 보안을 소홀히 하지 않습니다.

00:07:32.200 --> 00:07:36.240
사용자의 신원이 요청과 함께 전달되는 논 디멘드 인증을 기반으로 구축되었습니다.

00:07:36.520 --> 00:07:38.420
시스템은 사용자를 사칭하지 않습니다.

00:07:38.620 --> 00:07:42.080
검증된 토큰을 사용하여 사용자가 볼 수 있는 권한만 있는 데이터를 가져옵니다.

00:07:42.260 --> 00:07:46.420
행수준보안, RLS과 열수준보안, CLS이 기본적으로 제공됩니다.

00:07:46.620 --> 00:07:49.660
AI는 실수로 CFO의 예측 정보를 인터넷에 공개할 수 없습니다.

00:07:49.940 --> 00:07:52.900
모든 리트리빙 구출은 로그로 기록되고, 감사 가능하며 되돌릴 수 있습니다.

00:07:53.100 --> 00:07:56.200
이는 정적 RAG가 사용자 컨텍스트를 인식하지 못하기 때문에 매우 중요합니다.

00:07:56.400 --> 00:07:58.940
기존 방식은 검색 레이어에서 허용하는 모든 데이터를 가져오며,

00:07:58.940 --> 00:08:03.120
종종 기업의 권한 구조를 완전히 무시합니다. 에이젠틱 레그는 이러한 제약을 바로 잡습니다.

00:08:03.320 --> 00:08:05.260
패브릭 검색기가 레이크하우스 테이블을 커리할 때,

00:08:05.600 --> 00:08:09.040
BI-BOD에서 준수하는 것과 동일한 RLS, 행수준보안, 규칙을 적용합니다.

00:08:09.200 --> 00:08:15.180
SharePoint 에이전트가 문서 라이브러리를 검색할 때는 사이트 수준 권한과 마이크로소프트 퍼뷰 레이블을 존중합니다.

00:08:15.420 --> 00:08:19.540
즉, 사람 사용자를 보호하는 것과 동일한 정책이 이제 AI 사용자도 보호합니다.

00:08:19.760 --> 00:08:21.380
이를 워크플로우에 적용해보겠습니다.

00:08:21.840 --> 00:08:24.880
제품 A, 가제품 B에 비해 어떤 혈당 범위에서 성능이 떨어지며,

00:08:24.880 --> 00:08:28.400
임상적 영향은 무엇인가? 라는 질문이 있다고 가정해봅시다.

00:08:28.540 --> 00:08:32.380
기존 레그는 제품 A와 혈당을 언급하는 모든 스니팻을 출력합니다.

00:08:32.560 --> 00:08:35.780
하지만 에이저 AI 에이전트 서비스 기반의 에이전틱 레그는

00:08:35.780 --> 00:08:39.460
먼저 플래너가 센서 데이터용 패브릭, 임상기록용 시어포인트,

00:08:39.900 --> 00:08:43.000
외부 간행물용 빙이라는 세 가지 검색 경로를 식별하도록 합니다.

00:08:43.200 --> 00:08:45.740
각 검색 에이전트는 관련 증거를 가져옵니다.

00:08:45.960 --> 00:08:47.840
검증기는 데이터 세트를 비교하고,

00:08:48.260 --> 00:08:49.300
불일치를 표시하며,

00:08:49.640 --> 00:08:52.700
이상치가 나타나면 원래 패브릭 커리를 개선할 수도 있습니다.

00:08:52.700 --> 00:08:56.880
검증을 거친 후에야 인용 정보를 그대로 유지한 채 최종 인사이트를 도출합니다.

00:08:57.060 --> 00:08:59.340
이것이 바로 반복적 추론의 실제 적용입니다.

00:08:59.520 --> 00:09:01.660
반응형 에이전트는 1단계에서 멈추지만,

00:09:02.120 --> 00:09:04.240
에이전트는 대화 도중 학습하고 조정합니다.

00:09:04.420 --> 00:09:06.500
후속 질문을 자동으로 분석할 수 있습니다.

00:09:06.760 --> 00:09:10.140
최근 연구를 활용하여 정확도를 높일 수 있을까요? 라고 질문하면,

00:09:10.460 --> 00:09:14.080
동일한 에이전트가 맥락을 잃지 않고 새로운 자료를 검색하도록 방향을 전환합니다.

00:09:14.280 --> 00:09:16.900
이는 단편적인 기억 상실이 아닌 지속적인 이해입니다.

00:09:17.100 --> 00:09:19.280
규정 준수 측면에서도 엄청난 이점을 제공합니다.

00:09:19.280 --> 00:09:24.000
모든 에이전트의 활동은 감사 로그에 기록되고, 모든 토큰은 인증되며, 모든 문서 접근 내역이 기록됩니다.

00:09:24.160 --> 00:09:27.320
철저한 문서 작업을 통해 마치 모든 것을 알고 있는 듯한 느낌을 받을 수 있습니다.

00:09:27.540 --> 00:09:29.400
감사 담당자들이 매우 선호하는 부분입니다.

00:09:29.580 --> 00:09:31.400
따라서 핵심적인 철학적 변화는 다음과 같습니다.

00:09:31.700 --> 00:09:33.780
단순히 정보를 검색하는 것만으로는 충분하지 않습니다.

00:09:33.980 --> 00:09:35.900
에이전트는 그 정보를 프로세스로 변환합니다.

00:09:36.700 --> 00:09:41.280
에이저 에이전트 서비스는 계획, 전문화 및 검증을 도입하여 무작위 데이터 풀을 책임감 있는 추론체인으로 전환합니다.

00:09:44.810 --> 00:09:48.290
기업 환경에서 이는 신뢰할 수 있는 어시스턴트와 조용히 비활성화하고 싶은 어시스턴트의 차이를 만들어냅니다.

00:09:48.450 --> 00:09:52.030
이제 우리 코파일럿이 제대로 작동하는 두뇌를 갖게 되었으니, 이제 제대로 된 기억장치를 만들어줄 차례입니다.

00:09:52.210 --> 00:09:54.870
다시 말해, 코파일럿이 참고할 만한 의미 있는 자료를 제공해줄 때입니다.

00:09:55.030 --> 00:09:57.450
그 시작은 바로 셰어포인트 위 무질서한 혼돈입니다.

00:09:57.750 --> 00:10:00.290
셰어포인트를 통합하여 혼돈을 지식으로 바꾸는 것입니다.

00:10:00.690 --> 00:10:02.910
셰어포인트는 기업의 지식이 숨겨져 있는 곳입니다.

00:10:02.910 --> 00:10:10.490
모든 기업에는 파워포인트 프레젠테이션, 회의로, 오래된 사양서, 그리고 최종 V12라고 이름 붙여진 문서들이 뒤섞인 고고학 발굴 현장과 같은 셰어포인트가 있습니다.

00:10:10.730 --> 00:10:12.390
사람에게는 그저 혼돈일 뿐입니다.

00:10:12.570 --> 00:10:15.170
단순한 시스템에게는 읽을 수 없는 혼돈일 뿐입니다.

00:10:15.330 --> 00:10:20.910
키워드 검색을 하면 수천 개의 결과가 나오지만 대부분 관련성이 없고, 일반 사용자는 지쳐서 스크롤을 반복합니다.

00:10:21.670 --> 00:10:25.750
그러다 코파일럿에게 도움을 요청하면 코파일럿은 엉뚱한 시대를 요약해서 말해줍니다.

00:10:26.010 --> 00:10:28.390
에이전틱은 셰어포인트를 다르게 취급합니다.

00:10:28.390 --> 00:10:31.430
단순한 라이브러리가 아니라 지식의 기반으로 생각합니다.

00:10:31.650 --> 00:10:40.250
에이전틱은 그 폴더들 속에 구조화된 테이블로는 절대 포착할 수 없는 질적 통찰력, 맥락, 위사결정, 근거가 숨겨져 있다는 것을 알고 있습니다.

00:10:40.510 --> 00:10:48.190
따라서 셰어포인트 검색 에이전트는 단일 키워드 검색 대신 의미론적 인베딩과 벡터 검색을 사용하여 텍스트뿐 아니라 의미까지 파악합니다.

00:10:48.430 --> 00:10:53.830
예를 들어 습한 환경에서의 제품 신뢰성에 대해 질문하면 에이전트는 해당 단어에만 집중하지 않습니다.

00:10:53.830 --> 00:10:58.770
고장 모델, 결로 방지, 접착 성능 등을 다루는 문서를 찾아 냅니다.

00:10:59.150 --> 00:11:00.610
위도를 인식하는 것이죠.

00:11:00.850 --> 00:11:03.990
바로 이 부분에서 권한 인식이 핵심적인 역할을 합니다.

00:11:04.250 --> 00:11:09.810
모든 셰어포인트 사이트는 복잡하게 얽힌 권한, 팀, 하위 사이트, 기밀 폴더로 구성되어 있습니다.

00:11:10.110 --> 00:11:15.050
단순한 크롤러는 이를 무시하고 마케팅 보고서에서 인사 관련 문제를 실수로 찾아낼 수 있습니다.

00:11:15.310 --> 00:11:20.230
하지만 에이전틱 모델은 사용자를 대신하여 인증하고 사용자의 정확한 보안 컨텍스트를 상속받습니다.

00:11:20.230 --> 00:11:24.610
사용자가 볼 수 있도록 승인된 내용만 읽을 수 있으며, 출력은 정책에 따라 자동으로 다듬어집니다.

00:11:24.770 --> 00:11:28.010
이러한 보안 다듬기는 마이크로소프트 엔트라 및 퍼뷰 레이블 덕분입니다.

00:11:28.190 --> 00:11:31.170
따라서 AI 위 지능은 권한을 절대 앞지르지 않습니다.

00:11:31.390 --> 00:11:32.930
실제 시나리오를 살펴보겠습니다.

00:11:33.330 --> 00:11:37.810
R&D 관리자가 해안 기후에서 제품의 위 성능 차이를 요약해달라고 입력합니다.

00:11:38.050 --> 00:11:40.230
담당자는 이를 하위 질문으로 나눕니다.

00:11:40.430 --> 00:11:43.530
패브릭 검색기가 수치 센서 데이터를 분석할 준비를 하는 동안,

00:11:43.530 --> 00:11:49.530
시어포인트 에이전트는 습도 관련 용어로 태그된 내부 연구 문서, 유지관리 로그 및 엔지니어링 노트를 검색합니다.

00:11:50.290 --> 00:11:57.790
그 결과 2023년 현장 테스트 보고서, 재료 부식에 대한 토론 스레드, 신뢰성 팀의 요약 결과 문서를 찾아 냅니다.

00:11:58.030 --> 00:12:03.790
각 문서는 의미론적 관련성을 기준으로 벡터 점수가 매겨지고 검색되어 검증 에이전트로 전달됩니다.

00:12:04.010 --> 00:12:07.850
검증 에이전트는 이러한 정성적 결과를 패브릭 수치와 교차 검증합니다.

00:12:07.850 --> 00:12:11.950
만약 모순이 발견되면, 예를 들어 오래된 문서에서 부식이 거의 없다고 주장하는 경우,

00:12:12.430 --> 00:12:15.250
검증 에이전트는 불일치를 표시하고 최신 데이터를 요청합니다.

00:12:15.390 --> 00:12:22.150
최종적으로 종합된 답변은 R&D 관리자에게 고습도 환경에서 어떤 어셈블리가 열화되는지 정확하게 알려주고 검증된 출처를 제시합니다.

00:12:22.370 --> 00:12:27.170
이전에는 수시간이 걸리던 수동 검색 작업이 이제는 하나의 연속적인 추론 주기로 통합됩니다.

00:12:27.410 --> 00:12:31.650
셰어포인트는 수동적인 저장소에서 능동적으로 참여하는 기업 인텔리전스,

00:12:32.050 --> 00:12:34.770
즉 기업 의사 결정에 대한 신경 기억 장치로 변모합니다.

00:12:34.770 --> 00:12:44.370
아젠틱 레그 레이어는 단순히 문서를 읽는데 그치지 않고 문서 간의 관계, 프로젝트 개보, 작성자 동향, 맥락적 클러스터를 학습하여 이를 일관성 있는 논리로 엮어낼 수 있습니다.

00:12:44.570 --> 00:12:48.530
자율 검색이라는 용어에 규제 담당자들이 여전히 우려할 수도 있겠지만 걱정하지 마세요.

00:12:48.730 --> 00:12:52.450
모든 커리와 문서 접근 내역은 기록되고 감사 추적 기록도 완벽하게 보존됩니다.

00:12:52.650 --> 00:12:59.290
ISO 27001 및 GDPR과 같은 규제 프레임워크는 책임성을 요구하며, 이 시스템은 이를 자동으로 제공합니다.

00:12:59.290 --> 00:13:04.750
에이전트는 생성된 모든 문구에 문서 경로와 접근 타임 스탬프를 포함한 메타 데이터를 첨부할 수도 있습니다.

00:13:04.970 --> 00:13:10.550
즉 AI가 제시하는 모든 주장은 특정 파일 버전으로 추적 가능함으로 로봇에 대한 부인 방지 기능을 제공합니다.

00:13:10.750 --> 00:13:16.290
간단히 말해 아젠틱 레그의 쉐어 포인트를 통합하면 콘텐츠의 혼란이 지식의 체계적인 정리로 바뀝니다.

00:13:16.470 --> 00:13:22.210
구조화되지 않은 과거 데이터는 의미 기반 검색이 가능해지고, 정책에 따라 보호되며 상호 참조를 통해 검증됩니다.

00:13:22.370 --> 00:13:25.910
쉐어 포인트는 더 이상 디지털 창고가 아닌 인지 인프라로 거듭납니다.

00:13:25.910 --> 00:13:28.590
하지만 질적 맥락은 두뇌의 절반에 불과합니다.

00:13:28.770 --> 00:13:33.810
나머지 절반, 즉 수치 구조의 진실은 마이크로소프트 패브릭에 있으며, 바로 그곳으로 다음 단계로 넘어갑니다.

00:13:33.950 --> 00:13:39.990
구조화된 측면의 마이크로소프트 패브릭, 기업 두뇌의 또 다른 반구, 구조화된 영역에 오신 것을 환영합니다.

00:13:40.230 --> 00:13:45.350
쉐어 포인트가 안목적인 지식을 저장한다면, 마이크로소프트 패브릭은 경험적 진실을 저장합니다.

00:13:45.590 --> 00:13:50.770
숫자, 모델, 이벤트 스트림이 통합되어 일관성을 갖는 통합 분석의 핵심 기반입니다.

00:13:50.770 --> 00:13:56.530
대부분의 조직은 이를 데이터 웨어하우스로 취급합니다. 에이전틱 내그 환경에서는 추론 기반이 됩니다.

00:13:56.770 --> 00:14:02.910
패브릭 위 역할은 바로 정확성입니다. 패브릭은 일화에 의존하지 않고 원격 측정 데이터, 트랜잭션, 시계열 데이터를 다룹니다.

00:14:03.070 --> 00:14:08.190
패브릭 내부에는 네이크 하우스, 웨어하우스, 시멘틱 모델이 존재하며, 각각 다른 구조적 방원을 사용합니다.

00:14:08.390 --> 00:14:15.650
에이저 AI 에이전트 서비스를 기반으로 구축된 패브릭 데이터 에이전트는 자연어를 이러한 계층을 안전하게 탐색하는 구조화된 커리로 변환합니다.

00:14:15.650 --> 00:14:24.070
예를 들어, 제품 A 위 지역별 분기 별 수익률 변동을 보여주세요 라고 요청하면, 적절한 테이블과 파티션을 대상으로 하는 최적화된 SQL과 유사한 커리를 조용히 생성합니다.

00:14:24.250 --> 00:14:30.490
이 커리는 인증된 컨텍스트에서 실행됩니다. 프롬프트도 파워 BID 도구도 필요 없이 직접적인 관리형 인텔리전스가 제공됩니다.

00:14:30.670 --> 00:14:36.330
보호 없이는 데이터에 대한 접근 자체가 무의미하기 때문에 패브릭 위 아시아 보안은 선택사항이 아니라 아키텍처 그 자체입니다.

00:14:36.530 --> 00:14:43.110
모든 상호작용은 마이크로소프트 엔트라 아이디를 통해 암호화 및 인증됨으로, 에이전트는 검증된 사용자 토큰으로 작동합니다.

00:14:43.110 --> 00:14:49.050
행수증 보안을 무시하는 서비스 주체 바로 가기 때문에 발생했던 혼란을 기억하시나요? 이제 그런 방식은 금지됩니다.

00:14:49.250 --> 00:14:55.250
대신 흐름은 사용자의 아이디를 엔드투엔드로 전달하여 행수증 보안, RLS 및 열수증 보안을 자동으로 적용합니다.

00:14:55.450 --> 00:15:04.170
재무부서에서 특정열을 기밀로 표시하더라도 AI는 해당열을 볼 수 없으며, 모든 실행내역은 패브릭 위 감사 로그에 기록되어 감사 담당자의 요구사항을 충족합니다.

00:15:04.390 --> 00:15:06.310
여기에 퍼뷰 거버넌스가 더해집니다.

00:15:06.510 --> 00:15:11.410
기밀, 내부 전용, 수출 제한과 같은 민감도 레이블이 데이터와 함께 전송됩니다.

00:15:11.410 --> 00:15:16.130
패브릭 데이터 에이전트가 이러한 필드를 사용하여 쿼리를 구성하면 정책이 즉시 적용됩니다.

00:15:16.270 --> 00:15:19.790
데이터 유출 시도가 발생하면 단 한 바이트도 유출되기 전에 DLP가 적용됩니다.

00:15:19.970 --> 00:15:22.350
이는 기업 수준의 AI 안전장치라고 할 수 있습니다.

00:15:22.590 --> 00:15:25.150
모델은 탐색은 할 수 있지만 스스로에게 해를 끼치지는 않습니다.

00:15:25.330 --> 00:15:29.270
그렇다면 이러한 체계적인 규율과 시어포인트 위 직관적인 사고 방식을 결합하면 어떻게 될까요?

00:15:29.450 --> 00:15:31.910
에이저 AI 에이전트 서비스가 이를 조율합니다.

00:15:32.110 --> 00:15:33.190
법정을 떠올려 보세요.

00:15:33.470 --> 00:15:38.050
패브릭 에이전트는 차트, 수치, 센서 평균값과 같은 구체적인 증거를 제공하고,

00:15:38.050 --> 00:15:40.810
시어포인트 에이전트는 증인의 증언을 전달합니다.

00:15:40.970 --> 00:15:44.470
검증 에이전트는 이들을 심문하여 수치와 설명이 일치하는지 확인한 후,

00:15:44.890 --> 00:15:47.970
풍부한 인용 자료를 포함한 통합된 결론으로 최종 판결을 내립니다.

00:15:48.190 --> 00:15:48.990
예를 들어보겠습니다.

00:15:49.430 --> 00:15:53.550
운영 책임자가 포장 결함 때문에 효율성이 떨어지고 있나요? 라고 질문합니다.

00:15:53.770 --> 00:15:58.230
계획 담당자는 패브릭 에이전트를 실행하여 창고에서 생산라인 별수율 데이터를 가져옵니다.

00:15:58.410 --> 00:16:02.570
동시에 시어포인트 에이전트를 실행하여 유지관리 로그와 공급업체 서신을 조사합니다.

00:16:02.570 --> 00:16:07.730
패브릭 에이전트는 습도 급증과 상관관계가 있는 미미한 생산량 감소를 보여주는 데이터 세트를 반환합니다.

00:16:07.910 --> 00:16:12.250
셰어포인트 에이전트는 같은 기간 동안 포장제 변형에 대한 이메일 기록을 보여줍니다.

00:16:12.450 --> 00:16:16.190
검증 에이전트는 두 가지 정보를 모두 확인하고 상관관계가 신뢰할 만하다고 판단하면,

00:16:16.670 --> 00:16:19.870
시스템은 정량적 그래프와 참조 문서를 포함한 간결한 결론을 작성합니다.

00:16:20.050 --> 00:16:23.350
밤샘 분석가 없이도 즉각적인 6시그마 진단이 가능합니다.

00:16:23.550 --> 00:16:26.670
에이저 AI 에이전트 서비스는 내부적으로 동시성을 처리하고,

00:16:26.670 --> 00:16:30.090
효과적인 마이크로 서비스 메시를 통해 검색을 일괄 처리합니다.

00:16:30.290 --> 00:16:34.770
각 에이전트는 패브릭 스키마, 셰어포인트 메타데이터 또는 빈위 개방형 웹컨텍스트와 같이

00:16:34.770 --> 00:16:36.990
액세스 가능한 항목을 설명하는 스키마를 게시합니다.

00:16:37.190 --> 00:16:39.970
플래너는 이 레지스트리를 API 디렉터리처럼 활용합니다.

00:16:40.170 --> 00:16:42.310
그 결과 모듈식 인텔리전스가 구현됩니다.

00:16:42.530 --> 00:16:46.930
새로운 데이터 도메인이 등장하면 전체 코파일럿을 다시 작성하지 않고도 에이전트를 교체하거나 확장할 수 있습니다.

00:16:47.170 --> 00:16:49.350
성능 측면에서 혁신은 모델 규모를 키우는 것이 아니라,

00:16:49.350 --> 00:16:51.530
검색 순서를 더욱 스마트하게 조정하는 데 있습니다.

00:16:51.750 --> 00:16:54.370
플래너는 먼저 패브릭에 커리하여 수치적 경계를 정의한 다음,

00:16:54.730 --> 00:16:56.890
이를 사용하여 셰어포인트 탐색 범위를 좁힐 수 있습니다.

00:16:57.090 --> 00:16:59.490
이렇게 하면 노이즈가 줄어들고 수렴 속도가 빨라집니다.

00:16:59.690 --> 00:17:02.210
마치 논리적인 방식으로 데이터를 가지치기 하는 것과 같습니다.

00:17:02.530 --> 00:17:03.810
만 개의 문서에 파묻히는 대신,

00:17:04.150 --> 00:17:07.630
시스템은 이미 정의된 수치를 기반으로 어떤 10개의 문서가 중요한지 파악합니다.

00:17:07.830 --> 00:17:11.810
규정 준수 담당자는 거버넌스가 인텔리전스에 따라 확장되기 때문에 이러한 구성을 매우 선호합니다.

00:17:11.810 --> 00:17:14.630
모든 에이전트 후출은 기록되고 모든 변화는 추적 가능합니다.

00:17:14.750 --> 00:17:17.470
최고 재무책임자 cfo가 이 수치는 어디서 나온 겁니까?

00:17:17.610 --> 00:17:22.390
라고 물으면 패브릭 테이블, 타임스탬프, 그리고 실행 사용자 토큰을 직접 가리킬 수 있습니다.

00:17:22.610 --> 00:17:24.850
이러한 투명성은 불안감을 신뢰로 바꿔주며,

00:17:25.290 --> 00:17:28.270
금융이나 의료와 같은 규제 산업에서 매우 중요한 자산입니다.

00:17:28.510 --> 00:17:35.090
이러한 속성들을 결합하면 패브릭 위 구조화된 정확성과 시어포인트 위 맥락적 이해가 조화롭게 어우러진 분석의 향연을 구축할 수 있습니다.

00:17:35.310 --> 00:17:37.670
기업은 검색과 희망에 의존하는 방식에서 벗어나 정보를 검색하고,

00:17:37.670 --> 00:17:41.350
검증하고, 결정하는 방식으로 전환합니다. 그리고 그 속도는 놀라울 정도입니다.

00:17:41.570 --> 00:17:45.850
이제 이러한 다단계 정보 검색 기능에 추론 기능을 더하면 엄청난 속도 향상을 경험할 수 있습니다.

00:17:46.070 --> 00:17:51.030
한때 수많은 분석가들이 필요했던 연구의사 결정 주기가 이제 몇 시간으로 단축됩니다.

00:17:51.270 --> 00:17:53.930
이는 마지막 단계인 영향력으로 직결됩니다.

00:17:54.170 --> 00:17:57.070
기업에 미치는 영향이 몇 달에서 몇 분으로 줄어듭니다.

00:17:57.270 --> 00:17:58.850
긍정적인 측면에서 말입니다.

00:17:59.090 --> 00:18:04.590
패브릭과 시어포인트를 통해 수동적인 데이터 분석에서 능동적인 데이터 분석으로 전환하면 기업의 평균적인 타임라인이 크게 단축됩니다.

00:18:04.590 --> 00:18:08.090
몇 달이 걸리던 보고 작업이 몇 분 만에 검증된 정보 종합으로 이어집니다.

00:18:08.270 --> 00:18:12.050
AI는 더 이상 사람이 질문을 데이터 쿼리로 변환하기를 기다리지 않습니다.

00:18:12.270 --> 00:18:15.510
이 시스템은 번역, 유효성 검사 및 요약 작업을 자동으로 수행합니다.

00:18:15.690 --> 00:18:17.650
연구개발, R&D, 분야를 예로 들어보겠습니다.

00:18:17.990 --> 00:18:20.950
이전에는 데이터 조율을 위해 여러 부서가 참여하는 위원회를 구성해야 했습니다.

00:18:21.230 --> 00:18:22.590
엔지니어는 테스트 지표를 내보내고,

00:18:22.890 --> 00:18:23.790
분석가는 이를 정리하고,

00:18:24.090 --> 00:18:25.030
규정 준수 여부를 확인하고,

00:18:25.390 --> 00:18:27.970
누군가는 파일 이름을 최종적으로 변경하는 등의 작업이 반복되었습니다.

00:18:27.970 --> 00:18:30.930
하지만 에이전트 기반 솔루션은 이러한 과정을 완전히 바꿔놓습니다.

00:18:31.090 --> 00:18:33.570
기획자는 에이전트를 조율하여 패브릭 성능 테이블과

00:18:33.570 --> 00:18:35.490
시어포인트 설계 노트를 동시에 검색하고,

00:18:35.970 --> 00:18:39.890
병합하고, 인용 및 보안 레이블이 포함된 검증된 요약 보고서를 자동으로 생성합니다.

00:18:40.090 --> 00:18:42.390
위사결정 지연 시간은 거의 영에 가깝습니다.

00:18:42.610 --> 00:18:45.410
규정 준수 및 감사 분야에서도 비슷한 혁신을 경험할 수 있습니다.

00:18:45.650 --> 00:18:48.550
기존 감사 방식은 증거 자료를 이메일로 몇 주 동안 주고받는 것이 없습니다.

00:18:48.890 --> 00:18:51.430
하지만 이제 보고서를 작성한 동일한 AI가 필요에 따라

00:18:51.430 --> 00:18:52.930
추론 과정을 재구성할 수 있습니다.

00:18:52.930 --> 00:18:56.770
모든 검색 호출, 커리 문자열, 파일 경로 및 타임 스탬프가 기록되므로

00:18:56.770 --> 00:18:59.390
감사자는 결론에 이르는 정확한 단계를 재현할 수 있습니다.

00:18:59.570 --> 00:19:02.950
이를 통해 실사 작업은 단순한 자료 수집에서 간단한 확인 절차로 바뀝니다.

00:19:03.110 --> 00:19:05.830
기존의 위험 요소가 거버넌스의 핵심 자산으로 거듭납니다.

00:19:06.050 --> 00:19:08.210
제조 분야에서는 예측 능력을 확보할 수 있습니다.

00:19:08.450 --> 00:19:11.330
패브릭 위 정량적 데이터는 공정 편차를 명확하게 보여줍니다.

00:19:11.530 --> 00:19:14.170
쉐어포인트 위 정성적 분석 노트는 원인을 설명합니다.

00:19:14.370 --> 00:19:17.110
아젠틴급는 경고가 발생하기 전에 이러한 원인들을 연관시켜

00:19:17.110 --> 00:19:20.310
6시그마 컨설턴트 없이도 효과적으로 지속적인 개선을 수행합니다.

00:19:20.470 --> 00:19:23.610
과로에 시달리는 인턴들을 잠도 자지 않고 맥락을 절대 잊지 않으며

00:19:23.610 --> 00:19:26.830
예산을 초과하지 않는 전문가 컨설턴트들로 대체한다고 상상해보세요.

00:19:27.110 --> 00:19:30.010
이것이 바로 지능을 누적시키는 것과 같은 운영상의 이점입니다.

00:19:30.210 --> 00:19:32.970
물론 자동화는 책임성이 확보될 때 비로소 의미가 있습니다.

00:19:33.250 --> 00:19:37.010
아젠틱 아레이지는 기업의 모든 상속계층, 권한, 민감도 레이블,

00:19:37.350 --> 00:19:41.030
감사 로그를 보존함으로 CIO는 위험을 늘리지 않고도 지능을 확장할 수 있습니다.

00:19:41.030 --> 00:19:45.830
모든 인사이트는 해당 인사이트를 생성한 사용자 자격증명과 관리되는 저장소로 추적 가능합니다.

00:19:45.970 --> 00:19:51.110
이 시스템은 사고를 위한 재무장부처럼 투명하고 되돌릴 수 있으며 변조방지 기능을 갖추고 있습니다.

00:19:51.390 --> 00:19:52.910
그렇다면 인적 비용은 어떨까요?

00:19:53.110 --> 00:19:54.190
지루함이 줄어듭니다.

00:19:54.390 --> 00:19:58.490
전문가들은 내보내기에서 복사 붙여 넣기를 하는 대신 합성된 진실을 해석하기 시작합니다.

00:19:58.690 --> 00:20:02.170
AI가 사전 검증된 증거를 제공하기 때문에 회의 시간이 단축됩니다.

00:20:02.390 --> 00:20:05.490
데이터와 스토리가 즉시 융합됨으로 프로젝트 속도가 빨라집니다.

00:20:05.650 --> 00:20:07.850
대부분의 경영진이 간과하는 부분이 바로 이 점입니다.

00:20:07.850 --> 00:20:11.070
논리적 근거가 문서화되어 있다면 빠르게 움직이는 것 자체가 무모한 행동은 아닙니다.

00:20:11.210 --> 00:20:16.210
진정한 무모함은 전략가로 의장한 맥락을 고려하지 않고 단 한 번만 정보를 전달하는 멍청한 보조조종사를 계속 만드는 데 있습니다.

00:20:16.450 --> 00:20:19.910
그런 것들은 클리피, 클리피처럼 초기 AI 박물관에 진기한 전심을 에나 어울립니다.

00:20:20.130 --> 00:20:23.670
만약 여러분의 기업이 여전히 단순히 정보만 검색하는 보조조종사를 자랑스럽게 여긴다면 축하합니다.

00:20:23.870 --> 00:20:26.130
여러분은 그저 멋진 자동완성 기능에 돈을 쓰고 있는 셈입니다.

00:20:26.310 --> 00:20:29.530
이미 진지한 기업들은 계획, 검증, 실행 기능을 갖춘 에이전트를 사용하고 있습니다.

00:20:29.530 --> 00:20:32.470
몇 달 걸리던 작업이 몇 분으로 단축된 것은 표면적인 이점일 뿐입니다.

00:20:32.610 --> 00:20:34.610
더 근본적인 이점은 인식론적 진실성입니다.

00:20:34.790 --> 00:20:38.930
위사결정을 내리는데 투입된 지능에 책임을 묻기 때문에 실제로 현실을 반영하는 결정을 내릴 수 있다는 것입니다.

00:20:39.110 --> 00:20:43.230
이것이 바로 멍청한 보조조종사를 계속 만드는 것이 비효율적일 뿐만 아니라 무모한 이유입니다.

00:20:43.410 --> 00:20:48.390
미래의 기업 AI는 더 큰 프롬프트가 아니라 더 나은 메모리와 관리 기능을 갖춘 더 작은 피드백 루프에 있습니다.

00:20:48.690 --> 00:20:50.950
아젠틱 RA 지능이 두 가지를 모두 제공합니다.

00:20:51.170 --> 00:20:53.830
이제 지능은 단순한 쇼가 아닌 시스템처럼 작동합니다.

00:20:54.070 --> 00:20:56.110
이제 만들기를 멈추고 생각하기 시작하십시오.

00:20:56.110 --> 00:20:58.210
주체성이 없는 RA 지능 시대에 뒤떨어집니다.

00:20:58.370 --> 00:21:01.430
이는 과거의 아키텍처가 미래의 문제를 해결하는 척하는 것에 불과합니다.

00:21:01.590 --> 00:21:07.470
현대 기업에는 책봇이 아니라 인지 인프라, 즉 사용자의 신원을 기반으로 계획, 검증, 실행을 수행할 수 있는 시스템이 필요합니다.

00:21:07.630 --> 00:21:10.090
이것이 바로 에그네틱 레그, 아그네틱 레그입니다.

00:21:10.290 --> 00:21:13.210
에그네틱 레그는 레이저 AI 에이전트 서비스를 기반으로 구축된,

00:21:13.570 --> 00:21:15.750
마치 하나의 인증된 두뇌를 공유하는 전문가팀처럼

00:21:15.750 --> 00:21:19.810
시어포인트 및 마이크로소프트 패브릭과 안전하게 통신하는 고의적인 추론 생태계입니다.

00:21:20.010 --> 00:21:22.550
만약 보조 AI가 여전히 자체적으로 데이터 검색 일정을 예약하거나,

00:21:22.830 --> 00:21:24.730
참조를 검증하거나, 추론 과정을 설명할 수 없다면,

00:21:24.990 --> 00:21:26.570
더 이상 그것을 지능적이라고 부르지 마십시오.

00:21:26.950 --> 00:21:27.850
그저 장식용 일뿐입니다.

00:21:28.010 --> 00:21:30.870
지능은 의도, 검증, 그리고 결과를 의미합니다.

00:21:31.130 --> 00:21:33.030
장식용 AI는 독백을 늘어놓지만,

00:21:33.510 --> 00:21:35.330
에그네틱 AI는 실험을 수행합니다.

00:21:35.550 --> 00:21:36.890
그 차이는 책임감에 있습니다.

00:21:36.890 --> 00:21:40.190
하나는 결과물을 만들어내고, 다른 하나는 이해를 만들어냅니다.

00:21:40.370 --> 00:21:42.910
이러한 아키텍처 전환은 더 이상 선택사항이 아닙니다.

00:21:43.050 --> 00:21:46.230
위사결정이 구조화된 데이터와 비구조화된 데이터를 모두 아우르는 순간,

00:21:46.650 --> 00:21:47.750
정적인 레그는 무너집니다.

00:21:47.890 --> 00:21:49.450
규정 준수 담당자는 이미 이를 알고 있고,

00:21:49.770 --> 00:21:50.890
분석가들은 이미 느끼고 있으며,

00:21:51.230 --> 00:21:54.130
경영진은 머지않아 어조의 확신뿐 아니라 추론에 대한 증거를 요구할 것입니다.

00:21:54.330 --> 00:21:56.790
이제 마이크로소프트 스택이 그 기반을 제공합니다.

00:21:57.010 --> 00:21:59.090
에이저 AI 에이전트 서비스는 오케스트레이션을,

00:21:59.090 --> 00:22:01.090
패브릭 데이터 에이전트는 정량적 진실을,

00:22:01.390 --> 00:22:02.770
시어포인트 검색은 컨텍스트를,

00:22:02.770 --> 00:22:05.030
퍼뷰 거버넌스는 전체 신경계를 경고하게 합니다.

00:22:05.190 --> 00:22:07.030
자, 이제 여러분의 과제는 이것입니다.

00:22:07.230 --> 00:22:09.270
보여주기 시계에이전트 배포는 그만두세요.

00:22:09.470 --> 00:22:12.550
진실에 동의할 때까지 스스로 논쟁하는 에이전트를 구축하세요.

00:22:12.770 --> 00:22:14.250
다중 에이전트 계획을 실험하고,

00:22:14.610 --> 00:22:16.070
인증을 위한 테스트를 진행하세요.

00:22:16.310 --> 00:22:18.310
AI가 실제로 답변을 방어할 수 있을 때까지,

00:22:18.450 --> 00:22:19.910
패브릭과 시어포인트를 연결하세요.

00:22:20.110 --> 00:22:22.510
행동이 없는 지능은 진정한 지능이 아니기 때문입니다.

00:22:22.510 --> 00:22:25.890
이 설명이 여러분의 공급업체 설명보다 더 명확했다면 구독하세요.

00:22:26.050 --> 00:22:27.070
다음 심층 분석에서는

00:22:27.070 --> 00:22:30.990
마이크로소프트 365 AI 위 다중 에이전트 설계를 자세히 살펴봅니다.

00:22:31.190 --> 00:22:33.490
정책 내에서 단순히 주의를 기울이는 것을 넘어

00:22:33.490 --> 00:22:35.790
지각 있는 AI를 만드는 방법을 알아보겠습니다.

00:22:36.030 --> 00:22:38.130
효율성은 마법이 아니라 아키텍처입니다.

00:22:38.410 --> 00:22:41.190
업그레이드 경로를 확정하고, 구독하고, 알림을 활성화하고,

00:22:41.490 --> 00:22:43.210
새로운 인사이트가 자동으로 배포되도록 하세요.

00:22:43.390 --> 00:22:44.210
계속 진행하세요.
