AI 에이전트, 잘 되는 것처럼 보이는 것과 실제로 되는 것 사이: 로봇과 칩 설계의 경험
Session Overview
AI 에이전트는 데모 환경에서는 놀라운 성능을 보여주지만, 실제 업무와 물리적 환경에 투입되는 순간 전혀 다른 문제와 마주한다. 로봇은 예측하기 어려운 현실 세계에서 안정적으로 행동해야 하고, 칩 설계 에이전트는 정확성과 검증 가능성을 확보해야 하며, 기업은 불완전한 데이터와 복잡한 기존 시스템 속에서 AI를 지속적으로 운영해야 한다.
이번 패널에서는 로봇 학습, AI 기반 칩 설계, 글로벌 기업의 데이터·AI 운영을 이끌어온 세 명의 전문가가 ‘작동하는 것처럼 보이는 AI’와 ‘실제로 신뢰하고 사용할 수 있는 AI’의 차이를 논의한다. 모델 성능을 넘어 데이터 품질, 평가 체계, 인간의 개입, 시스템 통합, 실패 복구와 책임성 등 에이전트를 현실에 배포하기 위해 필요한 조건을 각 분야의 경험을 통해 살펴본다.
특히 로봇과 반도체 설계처럼 오류 비용이 높은 영역에서는 에이전트의 자율성을 어디까지 허용할 수 있는지, 멀티 에이전트 시스템이 실제로 복잡한 문제 해결에 도움이 되는지, 그리고 기업이 파일럿을 넘어 프로덕션 단계로 이동하기 위해 무엇을 먼저 준비해야 하는지를 집중적으로 다룬다. 이를 통해 AI 에이전트의 가능성을 과장하거나 축소하기보다, 현재 가능한 수준과 아직 해결되지 않은 과제를 현실적으로 조망한다.
Speakers
Pannag Sanketi 박사는 초기 단계 로보틱스·AI 스타트업 Avolla의 창업자이며, 최근까지 Google DeepMind에서 로보틱스 리드로 활동했다. DeepMind 재직 시절, 역대 최대 규모의 협력적 로봇 학습 프로젝트 중 하나인 Open X-Embodiment(RT-X)를 공동 창설하고 이끌었으며, RT-2 개발에도 기여했다.
또한 탁구에서 아마추어 인간 수준의 경쟁력에 도달한 세계 최초의 민첩한 로봇을 포함해 다양한 로봇 시스템을 직접 구축했다. 대규모 로봇 학습부터 실세계 자율 시스템까지 Physical AI의 최전선에서 연구를 이어오고 있다. UC Berkeley에서 박사 학위를, IIT Madras에서 학사 학위를 취득했다.
Michael Albada는 NVIDIA의 Platform Architect로, 에이전틱 AI를 활용한 하드웨어 및 칩 설계 가속화에 집중하고 있다. AI 에이전트와 멀티 에이전트 시스템의 설계, 평가, 프로덕션 배포를 전문으로 하며, 대규모 언어모델(LLM), 강화학습, 오케스트레이션, AI 평가 전반에 전문성을 갖추고 있다.
이전에는 Microsoft의 Principal Applied Scientist로 재직하며 Microsoft Security Copilot의 플래닝, 오케스트레이션, 스킬 선택 시스템 개발에 참여했다. Uber, ServiceNow 및 여러 스타트업에서도 대규모 머신러닝 시스템을 구축한 경험이 있다. O'Reilly Media에서 출간한 《Building Applications with AI Agents》의 저자이며, Georgia Tech에서 컴퓨터공학 석사 학위를, 케임브리지대학교에서 공공정책 MPhil 학위를 받았다.
Prerit Mishra는 DHL의 데이터·AI 리더다. 데이터 품질 디렉터로서 대규모 글로벌 운영 환경 전반에서 AI가 안정적으로 임팩트를 발휘할 수 있도록 신뢰할 수 있는 데이터 기반을 구축하고 있다. 이전에는 DHL 아시아태평양 데이터 및 AI 헤드로서 지역 데이터·분석 역량을 구축하고 확장하며 AI를 실제 비즈니스 운영에 내재화했다.
Micron과 DHL에서 제조 및 공급망 분야를 포함해 데이터·분석·AI 분야에서 15년 이상의 경력을 쌓으며, 기업 AI를 파일럿에서 실제 운영 현실로 전환하는 작업을 이끌어왔다. 아시아태평양 지역에서 활발히 강연하며 기업 AI 도입, 인간-AI 협업, 비즈니스 운영에 미치는 AI의 실제 영향에 대한 현장 관점을 공유하고 있다. 싱가포르 국립대학교(NUS)에서 자동화 석사 학위를 취득했다.