엣지 AI를 위한 프런티어 에이전틱 모델
Session Overview
요즘 스마트폰이나 노트북처럼 우리 주변의 기기에서 직접 실행할 수 있는 '작은 AI 모델'이 등장하고 있다. 크기는 작지만 스스로 도구를 활용하고 복잡한 작업을 처리하는 '에이전틱' 능력을 갖춘 모델들이다. 이 발표에서는 Liquid AI의 LFM2.5 모델을 사례로, 이러한 소형 에이전틱 모델을 어떻게 학습시키는지 구체적인 방법을 살펴본다. 모델이 더 나은 판단을 내릴 수 있도록 선호도를 학습시키는 방법, 강화학습을 통해 에이전틱 능력을 키우는 방법, 그리고 단계적으로 능력을 쌓아가는 커리큘럼 트레이닝 전략이 핵심이다.
또한 10억 개(1B) 파라미터 규모의 소형 모델에서 자주 발생하는 문제들도 다룬다. 예를 들어 모델이 같은 행동을 끝없이 반복하는 '둠 루프' 현상, 여러 능력을 동시에 학습할 때 서로 방해가 되는 '능력 간섭' 문제와 그 해결책을 소개한다. 이 세션을 통해 구조화된 데이터 추출부터 여러 단계에 걸친 도구 사용까지, 자신의 상황에 맞게 소형 AI 모델을 직접 학습시키고 배포할 수 있는 실용적인 방법을 가져갈 수 있다.
- 스마트폰·노트북에서 실행 가능한 소형 에이전틱 모델의 등장 배경과 특징
- 선호도 학습, 에이전틱 강화학습, 커리큘럼 트레이닝을 통한 모델 학습 방법
- 둠 루프·능력 간섭 등 소형 모델 학습 시 발생하는 고유한 문제와 해결책
- 구조화된 데이터 추출부터 멀티턴 도구 사용까지, 실제 사용 사례별 파인튜닝 전략
Speaker
Maxime Labonne은 Liquid AI에서 AI 모델의 학습 후처리(Post Training) 전 과정을 총괄하는 헤드다. 프랑스 파리 폴리테크닉 인스티튜트에서 머신러닝 박사 학위를 취득했으며, Google이 AI·ML 분야의 뛰어난 전문가에게 수여하는 'Google Developer Expert' 자격도 보유하고 있다.
LFM2/2.5와 같은 고성능 소형 언어 모델 개발과 누구나 쉽게 배울 수 있는 LLM 강좌 제작으로 오픈소스 커뮤니티에 널리 알려져 있다. 베스트셀러 『LLM Engineer's Handbook』과 『Hands-On Graph Neural Networks Using Python』의 저자로, 복잡한 AI 기술을 실무자가 이해하고 직접 활용할 수 있도록 안내해온 전문가다.