[논문 리뷰] ProAgent: From Robotic Process Automation to Agentic Process Automation

Yining Ye, Xin Cong외 10명|arXiv (Cornell University)|2023. 11. 02.

Robotic Process Automation Applications인용 수 9

한 줄 요약

본 논문은 Agentic Process Automation(APA)을 소개하고, 협력하는 특화된 에이전트를 조정해 워크플로를 구성·실행하는 LLM 기반 에이전트 시스템인 ProAgent를 실현한다. 이는 기존 RPA를 넘어선다.

ABSTRACT

From ancient water wheels to robotic process automation (RPA), automation technology has evolved throughout history to liberate human beings from arduous tasks. Yet, RPA struggles with tasks needing human-like intelligence, especially in elaborate design of workflow construction and dynamic decision-making in workflow execution. As Large Language Models (LLMs) have emerged human-like intelligence, this paper introduces Agentic Process Automation (APA), a groundbreaking automation paradigm using LLM-based agents for advanced automation by offloading the human labor to agents associated with construction and execution. We then instantiate ProAgent, an LLM-based agent designed to craft workflows from human instructions and make intricate decisions by coordinating specialized agents. Empirical experiments are conducted to detail its construction and execution procedure of workflow, showcasing the feasibility of APA, unveiling the possibility of a new paradigm of automation driven by agents. Our code is public at https://github.com/OpenBMB/ProAgent.

연구 동기 및 목표

• 인간과 유사한 지능과 동적 의사결정이 필요한 작업을 처리하는 데 있어 RPA의 한계를 극복하도록 동기를 부여한다.
• 워크플로 구성과 실행 모두에서 지능적 노동을 LLM 기반 에이전트로 오프로드하는 패러다임으로서의 APA를 제안한다.
• 에이전트적 워크플로 구성 및 에이전트적 워크플로 실행을 시연하기 위해 ProAgent를 구현한다.
• LLM 이해를 위한 데이터 흐름과 제어 흐름을 형식화하기 위한 Agentic Workflow Description Language를 정의한다.
• 상용 시나리오에서 개념 입증 실험을 통해 타당성을 보여준다.

제안 방법

• 데이터 흐름에 JSON을, 제어 흐름에 Python 코드를 사용하여 Agentic Workflow Description Language를 설계한다.
• 실행 중 데이터 처리와 동적 의사결정을 처리하기 위해 DataAgent와 ControlAgent를 도입한다.
• 네 가지 반복 단계로 워크플로 구성에 GPT-4를 사용한다: action_define, action_implement, workflow_implement, task_submit.
• 주 워크플로(mainWorkflow)를 순차적으로 실행하는 Python 인터프리터를 통해 워크플로 실행을 구현한다.
• n8n 기반 워크플로 플랫폼에서 개념 입증 실험을 수행하여 Google Sheets–Slack/Email 시나리오에서 구성 및 실행을 시연한다.

실험 결과

연구 질문

• RQ1 LLM 기반 에이전트가 인간의 지시에 따라 워크플로를 자율적으로 구성하고, 동적 의사결정을 위한 특화 에이전트를 조정할 수 있는가?
• RQ2 자동화된 워크플로 내에서 복잡한 데이터 처리와 제어 흐름 의사결정을 처리할 수 있는가?
• RQ3 실제 워크플로 플랫폼에서 Agentic Process Automation의 타당성과 실용성은 무엇인가?
• RQ4 Agentic Workflow Description Language가 LLM이 일관되고 실행 가능한 워크플로를 생성하도록 어떻게 가능하게 하는가?

주요 결과

• ProAgent는 사람의 입력으로부터 자율적인 워크플로 구성을 시연하기 위해 워크플로 언어와 Python 기반 제어 로직을 생성한다.
• DataAgent와 ControlAgent는 워크플로 내에서 동적 데이터 처리와 조건부 분기를 가능하게 하여 유연성을 향상시킨다.
• 개념 입증 실험은 오픈 플랫폼(n8n)에서 에이전트 주도 워크플로를 구성하고 실행하는 APA의 가능성을 보여준다.
• Agentic Workflow Description Language는 LLM 사전학습에 적합한 구조적이고 코드 친화적인 형식(데이터에는 JSON, 제어에는 Python)을 제공한다.
• 이 접근법은 도구 학습, 프로세스 마이닝 및 안전 고려사항과의 통합을 논의하며, 에이전트 기반 자동화의 잠재적 이점과 위험을 강조한다.