엔비디아, 기업 지식·예측 기반 추가하며 Agent Toolkit 확대

엔비디아는 10월 21일 기업 에이전트를 회사 정보와 연결하도록 설계한 모델 및 라이브러리 모음인 Agent Knowledge Foundation을 추가하며 Agent Toolkit을 확대했다. 이번 발표는 모델의 일반 지식에서 특정 의사결정에 필요한 문서, 표, 업무 관계로 초점을 옮긴다. 엔비디아는 새 기반을 OpenShell 런타임, NemoClaw 블루프린트, 전문 에이전트 구축 및 개선 도구와 나란히 배치한다.

회사는 단일한 새 애플리케이션보다 여러 데이터 플랫폼에 걸친 도입 사례를 설명했다. 엔비디아의 공급망 조직은 Palantir의 Foundry, Ontology, AIP를 활용하고 있으며, Snowflake는 Kumo 기능을 노트북 환경에 통합하고 있다. 다른 파트너들은 Nemotron Retriever 모델을 검색과 문서 이해에 적용한다. 이는 서로 다른 통합 지점을 보여주는 사례이며, 각 플랫폼의 모든 고객이 모든 구성 요소를 자동으로 사용할 수 있다는 의미는 아니다.

개발자 자료는 이 기반을 모듈형으로 소개한다. Nemotron Retriever는 문서 처리, 임베딩, 재순위 지정을 제공하고, CUDA-X 라이브러리는 데이터 준비, 유사도 검색, 그래프 분석, 머신러닝, 최적화를 지원한다. 기존 데이터베이스, 온톨로지, 에이전트 프레임워크도 작업 흐름의 일부로 유지할 수 있다. 개별 구성 요소를 따로 도입할 수 있으므로 애플리케이션은 전체 기업 데이터 환경을 교체하지 않고도 정보 처리 과정의 한 단계를 개선할 수 있다.

Auto Ontology는 정보 이면의 관계를 다룬다. 기업 데이터와 문서에서 업무 개념의 초기 표현을 생성하면 업무 전문가가 이를 시험하고 수정하며 인증할 수 있다. 이로써 원시 기록과 에이전트 응답 사이에 계층이 추가된다. 고객, 주문, 제품을 다른 기록과의 연결을 통해 이해할 수 있게 되는 것이다. 생성된 출발점에는 여전히 업무 검증이 필요하며, 기본적으로 권위 있는 설명으로 받아들여서는 안 된다.

Kumo는 구조화 데이터에 대한 예측을 추가한다. 엔비디아는 표, 표 사이의 관계, 시계열 신호를 처리하는 개방형 모델과 라이브러리, 도구 제품군으로 설명한다. 예상 용도는 결과 예측, 위험 평가, 이상 활동 감지, 행동 권고 등이다. 이러한 작업은 문서에서 특정 문단을 찾는 일과 다르다. 출력은 기존 문장을 단순히 검색하는 것이 아니라 미래에 가능한 결과나 기록 속 패턴을 다룬다.

이 접근법은 사전 훈련된 모델을 활용해 기존 예측 머신러닝 프로젝트에서 반복되는 작업을 줄이려 한다. 이런 프로젝트는 각 과제마다 데이터 준비, 특성 공학, 훈련, 조정, 배포를 별도로 수행해야 하는 경우가 많다. Kumo는 더 많은 기능을 여러 구조화 데이터 문제에 재사용할 수 있도록 하는 것을 목표로 한다. 따라서 개발자 설명은 기업 에이전트의 역할을 언어 생성 너머로 확장하지만, 예측이 유용한지를 결정하는 데에는 여전히 애플리케이션의 데이터와 질문, 평가가 핵심이다.

실행 환경 제어는 스택의 또 다른 부분이다. OpenShell 문서는 읽기 및 쓰기가 가능한 경로, 프로세스의 실행 주체, 프로그램이 연결할 수 있는 네트워크 목적지를 규정하는 정책을 설명한다. 정책에서 허용하지 않은 접근은 거부된다. 일부 제어는 샌드박스가 시작할 때 고정되지만 네트워크 규칙은 작동 중에 바꿀 수 있다. 이 장치들은 에이전트 소프트웨어가 무엇을 하도록 허용되는지에 관한 것이며, 검색한 근거나 예측이 정확한지와는 별개의 문제다.

예측을 실제 운영 의사결정으로 전환하는 단계에서 엔비디아는 이 구성 요소들을 cuOpt와 결합한다. 이 최적화 라이브러리는 목적과 제약을 바탕으로 경로, 일정, 자원 배분을 만든다. cuGraph는 연결된 기록의 분석을 제공하고, cuML은 맞춤형 머신러닝 처리 과정을 지원한다. 개발자 자료는 이들을 독립적으로 사용할 수 있는 구성 요소로 다루며, 팀이 새 모델을 기존 분석 시스템에 연결할 수 있는 여러 방법을 제시한다.