VADAOrchestra: 적응형 추론 워크플로우의 뉴로심볼릭 오케스트레이션 (Neurosymbolic Orchestration)

실제 환경에서의 의사결정은 고정된 스크립트를 따르는 경우가 드뭅니다. 대신, 새로운 문맥과 데이터가 가용해짐에 따라 적절한 행동 경로가 진화하는 동적인 추론 과정으로 전개됩니다. 전통적인 비즈니스 프로세스 관리 (Business Process Management) 시스템은 엄격함, 결정론 (determinism), 그리고 감사 가능성 (auditability)을 제공하지만, 일반적으로 런타임 (runtime) 중에 실행을 조정하는 데 어려움을 겪습니다. 반대로, 대규모 언어 모델 (LLMs) 기반의 에이전트 시스템은 의사결정에 유연성을 가져다주지만, 본질적으로 불투명하고 종종 신뢰할 수 없으며, 대규모 데이터셋 위에서 작동할 때 상당한 확장성 (scalability) 제약을 겪습니다. 이러한 상호 보완적인 패러다임을 결합하기 위해, 우리는 복잡한 워크플로우를 진화하는 추론 과정으로 모델링하는 뉴로심볼릭 (neurosymbolic) 프레임워크인 VADAOrchestra를 소개합니다. 이 프레임워크는 하이브리드 접근 방식을 채택합니다. 사용자 질의와 데이터 소스 모음이 주어지면, LLM 기반의 오케스트레이터 (orchestrator)가 워크플로우를 점진적으로 계획하고 조정합니다. 이는 Datalog+/-의 파편 내 논리 프로그램 (logic program)으로 인코딩되며, 여기서 술어 (predicates)는 도구 호출 (tool invocations)에 대응하고 규칙 (rules)은 사전 정의된 도메인 의존성과 중간 결과물을 조작하기 위해 필요에 따라 합성된 논리 구조 (logic constructs)를 모두 나타냅니다. 모든 논리적 추론 작업은 최첨단 Datalog+/- 심볼릭 엔진 (symbolic engine)에 의해 실행됩니다. 이 접근 방식은 검증 가능한 추론 흔적 (reasoning trace)을 제공하여 전체 프로세스의 감사 가능성과 재현성을 지원합니다. 또한, 상위 수준의 오케스트레이션을 심볼릭 추론 (symbolic inference)으로부터 분리함으로써 확장성 문제를 해결하고, 타겟팅된 데이터 쿼리를 통해 대규모 데이터셋에 대한 복잡한 추론을 가능하게 합니다. 우리는 실제 금융 사용 사례에서 VADAOrchestra를 평가하여, 표준 에이전트 아키텍처와 비교했을 때 충실도 (faithfulness), 확장성 (scalability), 그리고 설명 가능성 (explainability)을 입증했습니다.