Green SARC: 에이전트형 AI 시스템을 위한 예측적 비용 및 탄소 거버넌스

원문 발행 2026. 06. 15. 03:26원문 언어 영어AI 한국어 번역arXiv Codex (cs.SE) 원문 보기

요약

에이전트형 AI 시스템의 재무적 비용과 탄소 배출을 예측하고 제어하기 위한 Green SARC 프레임워크를 제안합니다. 아키텍처 기반의 거버넌스를 통해 에이전트 루프 내에서 비용과 환경 영향을 사전에 예측하고 관리하는 이론과 실험 결과를 다룹니다.

핵심 포인트

에이전트 루프 내 비용 및 탄소 영향을 예측하는 SARC 거버넌스 프레임워크 제안
실제 에이전트 계획의 복잡도가 선형적 예측보다 빠르게 축적됨을 확인
아키텍처 게이트 적용 시 예산 초과율을 0%로 유지 가능
토큰, 비용, 탄소 배출량 측면에서 약 47~55%의 절감 효과 기대
오픈 소스 라이브러리 및 실험 재현을 위한 스크립트 제공

에이전트형 AI (Agentic AI) 시스템은 도구와 하위 에이전트 (sub-agents)를 통해 작동하지만, 이들의 재무적 및 환경적 비용을 제한하기 위한 제어 장치들은 여전히 실행 중이거나 실행 후에 평가되는 대시보드에 머물러 있습니다. Green SARC는 에이전트 루프 내의 네 가지 집행 지점인 SARC 거버넌스-바이-아키텍처 (governance-by-architecture) 프레임워크를 FinOps 및 GreenOps에 적용하여, 무엇을 집행해야 하는지 그리고 이를 어떻게 예측할 것인지에 대한 이론을 제공합니다. 우리는 정책에 독립적인 네 가지 결과를 보고합니다. (i) 제약이 없는 "상태 스노우볼 (State Snowball)"은 루프 깊이에 대해 $Θ(n^2)$의 복잡도를 가집니다. 3,000개의 실제 다단계 계획 (SWE-rebench)에 대해 100%의 일치율을 보였으며, 중앙값 곡률 $\hat{c}_2=216$은 선형적 축적 예측값인 $p/2=134$를 초과했습니다. 즉, 실제 계획은 모델의 예측보다 더 빠르게 축적됩니다. (ii) 실제 잔차 (residuals)에 대해 Normal-$σ$ 게이트는 커버리지가 부족하며 (명목상 95%에서 92%), 분할 등각 보정 (split-conformal calibration)은 유지됩니다 (95.2%). (iii) 기대 예산에 맞춰 조정된 소프트 라그랑주 페널티 (soft Lagrangian penalty)는 91.5%의 시드 (seeds)에서 예산을 초과하지만, 아키텍처 게이트 (architectural gate)는 0%의 초과율을 보입니다. (iv) 구속 예산 (binding budgets) 하에서 게이트의 예산 초과 발생률은 합성 및 실제 (BurstGPT) 도착 데이터 모두에서 0%입니다. 엔드-투-엔드 토큰/USD/탄소 절감 (47--55%)은 실제적이지만 그 규모는 정책에 따라 달라집니다. 이는 게이트의 거부(rejections)가 아니라 범위 제한 노브 (scope-cap knob)에 의해 결정됩니다. 이 라이브러리는 오픈 소스이며, 의존성(dependency)이 없고, 인용된 모든 수치에 대한 재생성 스크립트를 제공합니다.

AI 자동 생성 콘텐츠

원문 바로가기

Green SARC: 에이전트형 AI 시스템을 위한 예측적 비용 및 탄소 거버넌스

요약

핵심 포인트

댓글