Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
개인의 변화하는 루틴과 건강 데이터를 반영하여 스스로 진화하는 오픈 소스 에이전트 아키텍처 HealthClaw를 소개합니다. 장기 기억과 안전 규칙을 분리하여 답변 정확도를 획기적으로 높이고 프롬프트 컨텍스트 노출을 줄였습니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.AI의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기개인 건강 관리는 반복되는 만남을 통해 전개되지만, 대부분의 건강 AI 시스템은 각 요청을 개별적으로 처리합니다. 우리는 개인의 루틴, 선호도, 측정값 및 위험 요소가 변화함에 따라 지원 내용을 업데이트하는 오픈 소스 에이전트 아키텍처인 HealthClaw를 개발했습니다. 이 시스템은 공유된 안전 규칙 및 의학 지식을 프로필 사실, 재사용 가능한 절차 및 에피소드 흔적(episodic traces)을 포함하는 개인적인 장기 기억(longitudinal memory)과 분리합니다. 각 에피소드 이후에는 귀납법(induction)을 통해 무엇을 프로필에 업데이트할지, 절차를 수정할지, 에피소드로 남길지 또는 제외할지를 결정합니다. 우리는 합성된 1년 단위 벤치마크와 9개의 200개 사례 생물 의학(biomedical) 태스크를 통해 HealthClaw를 평가했습니다. 900개의 장기 지원 프로브(longitudinal support probes)를 통해 테스트한 결과, 답변 정확도는 현재 쿼리 프롬프팅(current-query prompting) 방식의 0.2%에서 HealthClaw 사용 시 45.7%로 증가했으며, 프롬프트 측면의 컨텍스트 노출(context exposure)은 전체 이력 프롬프팅(full-history prompting) 방식보다 71.7% 낮았습니다. 100개의 개인정보 보호 프로브(privacy probes)에서 HealthClaw는 두 베이스라인(baselines)보다 더 높은 개인정보 보호 인식 답변 품질을 생성했으며, 안전하지 않은 정보 공개도 더 적었습니다. 생물 의학 태스크 전반에 걸쳐 태스크별 주요 지표의 평균 절대 이득(mean absolute gain)은 27.0 퍼센트 포인트였으며, 7개의 이득은 허위 발견율(false-discovery-rate) 보정 후에도 유의미하게 유지되었습니다. 이러한 오프라인 벤치마크는 장기적 개인 건강 에이전트를 위한 통제된 자기 진화형 메모리를 지지하지만, 임상적 효과를 위해서는 전향적 평가(prospective evaluation)가 필요합니다. HealthClaw는 https://github.com/HC-Guo/HealthClaw 에서 공개적으로 사용할 수 있습니다.