인공지능 (AI) 시스템은 일반적으로 정확도 (accuracy), 지연 시간 (latency), 비용 (cost)을 포함한 서비스 수준 목표 (SLO, service-level objectives)를 충족해야 합니다. 기존의 모델 중심 (model-centric) 접근 방식은 설계 시점에 단일 모델 (monolithic model)을 선택하고 입력 난이도와 관계없이 동일한 연산을 적용하며, 전문화된 구성 요소 간에 작업을 분해할 수 없고, 학습 시점에 고정된 지식을 가집니다. 실행 시간 (runtime) 동안 이는 성능 저하와 비용 증가로 이어질 수 있습니다. 모델이 주요 설계 변수이기 때문에 시스템 동작의 대부분을 결정하며, 운영 목표를 단일 설계 시점의 선택에 결합시킵니다. 이러한 한계를 해결하려면 모델 중심에서 시스템 중심 (system-centric) 설계로 전환해야 합니다. 복합 AI (Compound AI) 시스템은 명시적인 제어 로직을 통해 여러 모델, 알고리즘 및 도구를 분산 AI (distributed AI) 시스템으로 오케스트레이션함으로써 이러한 전환을 실현합니다. 이러한 시스템의 성능은 워크플로 토폴로지 (workflow topology), 각 작업에 할당된 모델, 그리고 실행 시간 동작을 제어하는 파라미터 (parameters)에 따라 달라집니다. 우리는 이 공간을 워크플로 토폴로지와 구성 선택 (configuration selection)이라는 두 가지 차원에 따라 정리하는 설계 방법론을 제시하며, 단일 모델 배포의 특정 한계를 해결하기 위한 기술들을 통합한 8가지 설계 패턴을 식별합니다. 우리는 세 가지 사례 연구를 통해 우리의 방법론을 검증합니다. 사례 연구 전반에 걸쳐, 복합 AI 구성은 단일 모델의 정확도에 2.5~4%포인트 이내로 근접하면서도 지연 시간은 최대 60%, 비용은 최대 71%까지 절감합니다. 우리는 모델 선택과 파라미터 구성이 시스템 성능을 공동으로 결정하지만, 워크플로가 더 많은 패턴과 구성 요소를 결합함에 따라 결과적인 설계 공간이 조합론적으로(combinatorially) 증가함을 보여줍니다. 따라서 우리는 수동으로 구성된 프로토타입에서 복합 및 분산 AI 시스템에서 SLO 준수를 자동으로 발견하고 유지하는 시스템으로 나아가기 위한 로드맵을 정의하는 5가지 미결 과제를 식별합니다.