LLM 에이전트는 사용자 요청을 파악하고, 이를 수행하기 위한 계획을 수립하며, 필요한 도구를 활용하여 작업을 세분화하고 최종 응답을 생성하는 역할을 한다.12 예를 들어, 마케팅 분야에서 LLM이 카피 작성, 이미지 생성, 웹 레이아웃 생성 등을 담당한다면, LAM(대규모 행동 모델)은 이 과정을 자동화하여 사용자의 요청에 맞는 결과물을 제공할 수 있다.3 또한 다수의 LLM 에이전트가 서로 협력하여 더 나은 결과를 도출하는 멀티 에이전트 시스템도 가능하다.4

LangChain은 LLM 기반 에이전트 구축을 위한 강력한 프레임워크로, 다양한 구성 요소를 연결하여 복잡한 애플리케이션을 만들 수 있다.12 다음은 LangChain을 활용한 LLM 에이전트 구축의 주요 개념을 정리한 표이다:

LangChain은 거의 모든 LLM을 위한 일반적인 인터페이스를 제공하여 개발자가 쉽게 LLM 애플리케이션을 구축하고 통합할 수 있도록 한다.1 또한 에이전트 구축 시 사용 가능한 도구 목록, 프롬프트, 사용자 입력 등을 활용하여 강력한 에이전트를 만들 수 있다.3

의료 분야에서 LLM 에이전트는 환자와의 대화를 통해 개인화된 의료 서비스를 제공하는 데 활용될 수 있다. 최근 연구에서는 LLM 기반 에이전트를 활용하여 환자와 상호작용하고 의료 추론을 수행하는 다양한 사례가 제시되었다.

MedAgents는 의료 분야에서 LLM 기반 에이전트를 활용한 새로운 협업 프레임워크이다.1 이 프레임워크에서는 여러 분야의 전문가 에이전트가 역할 분담을 통해 협력하여 의료 추론을 수행한다. 각 에이전트는 개별 분석을 제안하고, 이를 종합하여 보고서를 작성하며, 합의에 도달할 때까지 토론을 반복하고 최종 결정을 내린다.1 이러한 접근 방식은 LLM의 의료 전문성을 활용하고 추론 능력을 확장하는 데 효과적이다.

PharmacyGPT는 AI 약사 에이전트로, 환자와의 대화를 통해 약물 상담 및 관리 서비스를 제공한다.2 이 에이전트는 환자의 질문에 답변하고, 약물 정보를 제공하며, 복약 지도 및 모니터링을 수행한다. AD-AutoGPT는 알츠하이머병 정보학을 위한 자율 GPT 에이전트로, 질병 관련 정보를 수집, 분석하고 환자 및 보호자와 소통한다.2

ImpressionGPT는 ChatGPT를 활용하여 방사선학 보고서를 요약하는 반복 최적화 프레임워크이다.2 이 시스템은 환자의 영상 검사 결과를 분석하고, 주요 소견을 추출하여 간결한 보고서를 생성한다. GeneGPT는 생물의학 정보에 대한 접근성을 개선하기 위해 도메인 도구로 LLM을 확장한 시스템이다.2 이를 통해 환자와 의료진은 유전학 관련 정보를 보다 쉽게 이해하고 활용할 수 있다.

이러한 사례들은 LLM 에이전트가 의료 분야, 특히 환자와의 대화를 통한 개인화된 서비스 제공에 큰 잠재력을 가지고 있음을 보여준다. 다양한 전문 지식을 활용하고, 환자의 요구에 맞춤화된 정보를 제공하며, 의사 결정을 지원하는 LLM 에이전트는 의료 서비스의 질을 향상시키고 환자 경험을 개선하는 데 기여할 것으로 기대된다.

LLM 에이전트의 메모리 모듈은 환경으로부터 인지한 정보를 저장하고 관리하는 중요한 역할을 한다. 에이전트 메모리의 주요 작업에는 읽기(Reading), 쓰기(Writing), 자기 반성(Self-reflection) 등이 포함된다.1 메모리는 에이전트가 장기 및 단기 지식을 유지하고, 맥락을 이해하며, 이전 상호작용을 기억하는 데 도움을 준다. 예를 들어, 에이전트는 대화 내역을 메모리에 저장하여 사용자의 선호도나 대화 흐름을 파악할 수 있다. 또한 외부 데이터베이스나 지식 그래프와 연결하여 방대한 양의 정보에 접근할 수도 있다.23 효과적인 메모리 관리는 에이전트의 성능과 사용자 경험 향상에 필수적이다.

의료 분야에서 LLM의 메모리 활용은 개인화된 의료 보조를 제공하는 데 중요한 역할을 한다. 최근 연구에서는 사전 기반 메모리(dictionary-based memory)보다 유연하고 강력한 새로운 메모리 메커니즘인 이중 프로세스 강화 메모리(Dual-Process Enhanced Memory, DPeM)를 제안했다.1 DPeM은 작업 메모리(working memory), 단기 메모리(short-term memory), 장기 메모리(long-term memory)의 세 가지 유형으로 구성되며, 실제 기억 과정과 유사하게 설계되었다.1

DPeM과 함께 파라미터 효율적 미세 조정(Parameter-Efficient Fine-Tuning, PEFT) 기법을 활용하면 의료 보조 LLM의 개인화 성능을 높일 수 있다. GPT-3.5를 기반 LLM으로 사용할 때 DPeM은 사전 기반 메모리 설정 대비 프로필 QA에서 13.16%, 지식 QA에서 3.24%의 ROUGE-L 점수 향상을 보였다.1 또한 DPeM은 사용자별 지원에서 14.35%의 분류 정확도 향상을 달성했다.1

LLM 기반 프로그램의 의료 분야 활용 가능성과 관련하여, 1차 진료 의사는 AI가 행정 부담을 줄이고 환자 치료의 질을 개선할 수 있는 기회를 환영해야 한다.2 그러나 동시에 LLM의 한계와 결점도 인식하고, 의사 결정 과정에서 AI 활용에 대한 환자의 선호도를 존중해야 한다.2

의료 분야에서 LLM을 성공적으로 활용하기 위해서는 모든 경력 단계의 임상의가 이러한 도구를 안전하고 효과적으로 사용할 수 있는 기술, 태도, 지식을 갖추어야 한다.2 AI 역량을 기존 의학 및 전문성 개발 커리큘럼에 통합하는 것이 AI 준비된 인력을 양성하는 데 필수적이다.2

요약하면, 의료 분야에서 LLM의 메모리 활용은 개인화된 의료 보조를 제공하는 데 중요하며, DPeM과 PEFT 기법을 통해 성능을 높일 수 있다. 임상의는 LLM의 기회와 한계를 모두 인식하고, AI 역량 개발에 힘써야 한다. 환자의 선호도를 존중하면서 LLM을 효과적으로 활용하는 것이 의료 서비스 전달 향상에 기여할 것이다.