실시간 이상 탐지를 위한 LLM 및 LangGr aph 기반 AI 에이전트

Q: 이 논문에서 정의한 AI 에이전트란 무엇인가?

AI 에이전트는 자연어 명령을 통해 복잡한 도구나 모델을 제어할 수 있는 시스템이다. 이는 AI 비전문가도 직관적으로 시스템을 운용할 수 있도록 하며, 본 연구에서는 LangGraph 기반으로 서로 다른 특성을 가진 두 개의 이상 탐지 모델을 LLM과 연동하여 텍스트 명령에 따라 자율적으로 제어한다.

Q: LangGraph 기반 AI 에이전트가 단일 모델 대비 향상된 성능을 보이는 핵심 요인은 무엇인가?

연구 결과, LangGraph 기반 AI 에이전트는 두 개의 상호보완적인 이상 탐지 모델을 통합하고 LLM을 통해 제어함으로써 단일 모델의 취약점을 효과적으로 보완한다. 특히, 두 모델의 탐지 결과를 종합적으로 분석하고 교차 검증하여 더 신뢰도 높은 이상 탐지 성능과 설명을 제공한다.

이진우; 박경진; 김태완; 이주경; 권오설

doi:10.9717/kmms.2025.28.8.980

추천

검색

질문

자료유형: 학술저널

저자정보: 이진우 (국립창원대학교) 박경진 (국립창원대학교) 김태완 (한국전기연구원) 이주경 (한국전기연구원) 권오설 (국립창원대학교)

저널정보: 한국멀티미디어학회 멀티미디어학회논문지 멀티미디어학회논문지 제28권 제8호

발행연도: 2025.8

수록면: 980 - 991 (12page)

DOI: 10.9717/kmms.2025.28.8.980

이용수

📌

연구주제

📖

연구배경

🔬

연구방법: 이 논문의 연구방법이 궁금하신가요?

🏆

연구결과: 이 논문의 연구결과가 궁금하신가요?

초록· 키워드

Recent advancements in Large Language Models (LLM) have drawn significant attention to agent technologies capable of autonomously controlling AI models. However, practical methods for applying such technologies to real-time anomaly detection in manufacturing environments remain limited. This paper presents a LangGraph-based real-time anomaly detection agent that controls two anomaly detection models through natural language. To achieve this, we constructed a custom dataset reflecting real-world environmental conditions and applied training optimization techniques for fine-tuning. The two models were then integrated as nodes within LangGraph and connected to an LLM-based framework, enabling model selection or multi-step reasoning based on text commands. Experimental results demonstrate that both models maintained stable detection performance even in noisy environments, while the LLM provided detailed explanations of the detection results. This AI Agent framework is expected to accelerate AI adoption in manufacturing and contribute to enhanced product quality and productivity.

#Anomaly Detection #LLM #LangGraph #Agent #Real-Time

참고문헌

참고문헌 신청

최근 본 자료

전체보기

UCI(KEPA) : I410-151-25-02-094042546

배경 및 목적
대상 및 방법론
분석 및 수행
결과 및 의의

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

초록· 키워드

AI가 분석한 연구 핵심

이 논문의 한줄 요약

이 논문의 연구방법

목차

참고문헌

함께 읽어보면 좋을 논문

이 논문의 저자 정보

이 논문과 함께 이용한 논문

최근 본 자료

댓글(0)