최근 대규모 언어모델(LLM) 기반 AI 에이전트의 발전은 합성 데이터(synthetic data)의 역할이 점점 더 중요해지고 있습니다. 하지만 상호작용하는 에이전트(interactive agent)를 위한 효과적인 데이터 합성은 단순히 실행 가능하고 검증 가능한 경로를 넘어, 현재 에이전트에게 실질적인 학습 가치를 제공하는 상호작용을 필요로 합니다. 기존 방식들은 환경 피드백, 데이터 검증, 학습 실패 등을 일부 반영했지만, 관찰된 약점이 미래의 데이터 합성을 어떻게 변화시켜야 할지, 또는 현재의 합성 공간으로 표현 가능한지에 대한 직접적인 연결 고리가 부족했습니다.
이러한 '피드백-결정 간극(feedback-to-decision gap)'을 해소하기 위해 제안된 'EvoSyn'은 학습 피드백 기반의 다중 에이전트 프레임워크입니다. EvoSyn은 합성(synthesis) 과정을 '수정 가능한 상태(revisable state)'를 중심으로 조직합니다. 이 상태는 어떤 상호작용 요소를 의도적으로 생성할 수 있는지, 그리고 합성 노력을 어디에 할당해야 하는지를 명시합니다. 역할이 특화된 다중 에이전트 시스템은 학습자의 피드백을 합성 수정 사항으로 변환하며, '디자이너(Designer)'는 합성 방향을 할당하고 '플래너(Planner)'는 이를 실행 가능한 경험으로 구체화합니다. 이 과정을 통해 EvoSyn은 에이전트의 약점이나 잘 다뤄지지 않은 영역(under-covered regions)에 맞춰 내부적으로 적응하고, 새로운 요소를 명시적인 생성 제어(generation controls)로 승격시켜 합성 공간을 확장할 수 있습니다.
EvoSyn은 기존의 가장 강력한 합성 기준선(synthesis baseline) 대비 평균 작업 성공률을 13.3% 포인트 향상시키는 결과를 보여주었습니다. 이는 더 높은 품질과 구조적으로 더 넓은 합성 경험을 생성하며, 학습자 피드백 없이는 놓쳤을 제어 가능한 요소들을 발견했음을 의미합니다. 이러한 접근 방식은 AI 에이전트가 스스로 '무엇을 모르는지(Know What You Don't Know)'를 파악하고, 그 부족한 부분을 채울 맞춤형 학습 데이터를 능동적으로 생성함으로써, AI의 자율 학습 능력과 문제 해결 역량을 한 단계 끌어올릴 잠재력을 가지고 있습니다.