728x90

2026 US Open 서브 퀄리티 지표: 카메라가 추적한 21개 관절과 10억 개의 데이터 포인트

테니스 경기장에서 한 관중이 스마트폰의 토너먼트 앱을 열어 오늘 페굴라 선수의 서브 상태가 어떤지 질문하는 장면을 떠올려 보세요. 일반적인 인공지능에게 이 질문을 던지면 과거의 학습 데이터나 표면적인 경기 결과만 나열하기 때문에 지금 코트에서 벌어지는 상황을 정확히 반영하지 못합니다. 영상 시연에서는 모델이 경기 영상의 단편적인 화면 몇 장만 보고 선수가 공을 던지는 높이나 무릎의 구부림 정도를 어설프게 판단하는 제약 조건을 분명히 보여줍니다. 이같이 특화되지 않은 모델이 지닌 한계를 극복하려면, 현장의 세밀한 정보를 실시간으로 측정하는 시스템과 인공지능을 맞물려주는 호출 도구가 필요합니다. 이 통로가 마련되면 모델은 맥락 잃은 낡은 지식 대신 방금 측정된 정확한 데이터를 바탕으로 질문에 맞는 답을 엮어낼 수 있습니다.

실제로 2026년 대회 단식 254경기 전체에 도입된 서브 퀄리티 지표는 방대한 실시간 측정값이 어떻게 활용되는지 그 작동 방식을 잘 보여줍니다. 코트 주변에 배치된 카메라들은 선수가 서브를 넣는 순간 공과 라켓의 궤적은 물론, 선수 몸에 있는 스물한 개의 관절 움직임까지 빠짐없이 추적합니다. 대회 기간 내내 쌓이는 십억 개의 거대한 데이터 포인트는 호출 시스템을 거쳐 에이전트가 분석할 수 있는 형태로 넘어갑니다. 이후 에이전트는 숫자로 가득한 측정값들을 읽어내어 "이번 세트에서 토스가 일정해져서 서브 품질이 올라갔습니다"처럼 사람이 즉시 이해할 수 있는 문장으로 바꾸는 작업을 마무리합니다. 마침내 토너먼트 애플리케이션을 실행해 질문을 보냈던 팬은 코트 위에서 수집된 어마어마한 실시간 데이터가 일상적인 언어로 자연스럽게 가공된 답변을 읽게 됩니다.

 

측정값에 실시간 문맥을 부여하는 APIs와 이를 문장으로 변환하는 LLMs의 역할

테니스 팬이 스마트폰으로 대회 공식 앱을 열어 오늘 페굴라 선수의 서브가 어떤지 질문을 입력합니다. 언어 모델이 자체적으로 가진 일반 지식만으로는 현재 진행 중인 경기의 흐름을 대답하기 어렵고, 컨텍스트 윈도우에 입력된 통계는 이미 벌어진 결과만을 보여주는 한계가 있습니다. 영상 시연에서는 코트 주변의 카메라가 공과 라켓, 그리고 선수의 관절 스물한 곳을 추적하여 대회 기간 동안 십억 개의 데이터 포인트를 만들어내는 과정을 보여줍니다. 방대한 측정값에 실시간 문맥을 부여하기 위해 에이전트는 외부 시스템과 연결되는 애플리케이션 프로그래밍 인터페이스를 호출합니다. 사용자의 질문 내용과 도구의 설명을 바탕으로 에이전트가 언제 외부 도구를 사용할지 스스로 결정하는 원리입니다.

모델이 도구 사용을 결정하더라도 직접 애플리케이션을 실행하거나 시스템의 코드를 동작시키는 것은 아닙니다. 모델은 약속된 형태의 구조화된 호출값을 반환하며, 실제 코드를 실행하여 서브 품질 데이터를 가져오는 작업은 클라이언트나 서버의 애플리케이션이 수행하도록 권한의 경계가 나뉘어 있습니다. 도구를 통해 수집한 복잡한 관절 추적 측정값들은 다시 언어 모델을 거치면서 사용자의 질문에 답하는 자연스러운 문장으로 바뀝니다. 토스가 일정해져서 서브 품질이 올라갔다는 식의 구체적인 행동 제안이나 분석을 생성하는 과정을 거칩니다. 끝으로 에이전트는 반환된 결괏값을 바탕으로 작업을 완수하고, 여러 단계에 걸쳐 문맥을 유지하며 사용자가 요청한 내용을 최종적으로 화면에서 확인할 수 있게 해줍니다.

 

팬의 질문을 해석하는 ai agent: 앱 요청 접수부터 서브 데이터 호출과 답변 생성까지의 흐름

US 오픈 테니스 대회 현장에서 한 팬이 토너먼트 앱을 열고 오늘 페굴라 선수의 서브는 어떤지 묻는 질문을 입력합니다. 앱 뒤에서 작동하는 인공지능 에이전트는 이 요청을 접수하고 답변에 필요한 작업 단계를 계획합니다. 대규모 언어 모델이 학습한 기존 지식은 실시간 경기 상황을 반영하지 못해 금방 낡은 정보가 되고, 중계 영상을 분석하는 것만으로는 선수의 동작을 정밀하게 측정하는 데 한계가 있습니다. 따라서 에이전트는 사용자의 질문과 기능 설명을 바탕으로 언제 외부 시스템을 호출할지 결정합니다. 모델이 구조화된 형태를 반환하면 애플리케이션 실행 과정을 거쳐 실제 데이터를 가져옵니다. 영상 시연에서는 코트 주변의 카메라가 공과 라켓, 선수의 관절 스물한 곳을 추적해 만든 십억 개의 서브 측정값을 인터페이스로 불러오는 작업 순서를 보여줍니다.

필요한 실시간 서브 수치를 확보한 에이전트는 여러 단계에 걸쳐 작업 문맥을 유지하며 최종 답변을 생성합니다. 방대한 측정값을 문맥 창 안에 모은 뒤, 모델은 숫자로 이루어진 기록을 질문에 맞는 자연스러운 문장으로 변환하는 역할을 맡습니다. 예를 들어 공을 던져 올리는 동작이 일정해지면서 이번 세트의 서브 품질이 올라갔다는 식으로 구체적인 이유를 풀어냅니다. 이렇게 에이전트가 기능을 활용해 답변을 완성하는 흐름이 예상대로 작동하는지 점검하려면, 평가 과정을 통해 모델의 출력물이 지정한 문체와 내용 기준을 충족하는지 테스트하는 방식을 씁니다. 프로그램 코드로 이 평가 단계를 구성하면, 새로운 모델을 적용할 때 팬들에게 낡거나 틀린 정보가 나가지 않도록 신뢰성을 미리 확인할 수 있습니다.

 

범용 모델의 도구 호출을 검증하는 Evals: 환각 위험 통제와 정량적·정성적 성공 기준 세우기

새로운 에이전트를 애플리케이션에 연결해 실행하기 전에는 반드시 실제 서비스와 분리된 격리 환경을 만들어 도구 호출의 안전성을 점검해야 합니다. 범용 언어 모델인 클로드는 사용자의 요청과 미리 제공된 도구 설명을 바탕으로 기능 호출 시점을 스스로 결정한 뒤 구조화된 결과값을 반환합니다. 이 반환값을 넘겨받아 최종 명령을 수행하는 주체는 클라이언트 측이므로 원치 않는 동작을 막기 위한 경계 설정이 요구됩니다. 유에스 오픈 영상 시연에서는 팬이 토너먼트 앱에 특정 선수의 서브 상태를 질문할 때 에이전트가 관련 에이피아이를 호출하여 답변하는 흐름을 보여줍니다. 외부 데이터를 다루는 서비스에서는 모델이 신뢰할 수 없는 페이지의 잘못된 입력값에 영향을 받아 엉뚱한 도구를 실행하지 않도록 사전에 차단하는 과정이 뒷받침되어야 합니다.

운영 환경 배포에 앞서 환각 위험을 통제하려면 이벌스를 활용해 구체적인 성공 기준을 세우고 평가를 진행해야 합니다. 오픈에이아이 기술 문서에 따르면, 이벌스 에이피아이를 사용해 모델의 출력 결과가 사전에 지정한 스타일과 콘텐츠 기준을 제대로 충족하는지 프로그래밍 방식으로 구성하고 점검할 수 있습니다. 새로운 언어 모델로 업그레이드하거나 다중 에이전트의 작업 런타임을 변경할 때 이 평가는 신뢰성 높은 확인 방법이 됩니다. 모든 처리 권한을 에이전트에 넘기기보다는 민감한 정보를 다루는 호출의 경우 최종 단계에서 사람 승인을 거치도록 설계하는 것이 안전합니다. 이를 통해 평가 기준을 통과하지 못한 예측 불가능한 출력이 실제 데이터베이스나 시스템에 반영되는 결함을 미리 방지합니다.

 

다중 에이전트 도입 전 필수 점검: 오케스트레이션 런타임과 상태 관리 주체 결정

사용자가 애플리케이션에 접속해 질문을 던지는 순간, 에이전트를 연결하기 위해 가장 먼저 짚어야 할 부분은 애플리케이션 실행 위치와 상태 관리 주체를 정하는 일입니다. 앤스로픽(Anthropic) 공식 문서의 도구 호출 방식을 보면, 모델은 들어온 요청과 미리 정의된 도구 설명을 비교해 언제 외부 기능을 쓸지 판단합니다. 판단이 끝나면 모델은 곧바로 작업을 수행하지 않고 구조화된 호출 데이터만 반환합니다. 이때 반환된 결괏값을 우리가 구축한 시스템 안에서 직접 처리할지, 아니면 모델 제공자 환경에 맡길지를 선택해야 합니다. 오픈에이아이(OpenAI) 에이전트 소프트웨어 개발 키트(SDK) 또한 여러 단계의 작업을 이어가는 동안 이전 기록을 누가 유지할지, 그리고 다중 에이전트를 지휘하는 오케스트레이션이 어디서 작동할지에 맞춰 적절한 런타임을 고르도록 안내합니다.

오케스트레이션 환경을 결정했다면, 실제 데이터를 엮어내기 전 작은 단위의 검증 기준을 세워야 합니다. 영상 시연에서는 테니스 대회 앱을 쓰는 팬이 선수의 당일 서브 상태를 물어보면 에이전트가 그 질문을 받아 처리하는 작업 순서를 보여줍니다. 모델이 가진 과거 지식만으로는 경기장의 실시간 맥락을 파악할 수 없어 대답에 한계가 생깁니다. 이를 해결하고자 코트 위 카메라가 추적한 움직임 등 실측 정보를 모은 시스템과 모델을 애플리케이션 프로그래밍 인터페이스(API)로 묶어 사람이 읽기 편한 문장으로 답을 만듭니다. 외부 연동이 끝난 뒤에는 오픈에이아이 평가(Evals) 기능을 써서 미리 설정한 문체와 내용 기준을 결괏값이 맞추는지 점검합니다. 코드로 평가 기준을 마련해두면, 새 버전을 시도할 때마다 애플리케이션이 예상대로 답을 내는지 미리 파악할 수 있습니다.

 

바로 써볼 체크리스트

 

시작 전에 확인할 것

도입 전후로 아래 항목만 확인해도, 자동화가 예상 밖으로 움직일 가능성을 크게 줄일 수 있습니다.

  • 팬들이 토너먼트 앱을 통해 실시간 질문을 입력할 때 모델이 정상적으로 처리할 수 있는 형태인지 사전에 입력 검증을 수행하고 예상치 못한 형태의 텍스트가 들어올 경우를 대비한 방어 로직이 구현되어 있는지 확인한다.
  • 언어 모델이 서브 품질과 같은 실시간 경기 측정 데이터를 호출하는 API에 접근할 때 클라이언트나 서버 측에서 적절한 접근 권한 경계가 엄격하게 설정되어 사전에 인가된 정상적인 시스템 요청만 처리되는지 확인한다.
  • 에이전트가 데이터 측정 시스템과 연결되어 사용자 질문에 맞는 문장을 생성할 때 지정된 스타일과 내용 기준을 충족하는지 Evals API를 활용하여 시스템의 응답 결과를 꼼꼼하게 평가하는 테스트를 거쳤는지 점검한다.
  • 다중 에이전트 환경에서 에이전트 간의 상태 관리와 자동 컨텍스트 압축 과정, 그리고 언어 모델이 외부 도구를 호출하여 데이터를 주고받는 모든 통신 과정이 시스템 내부에 빠짐없이 로그로 남고 추적되고 있는지 확인한다.
  • 토너먼트 앱에서 언어 모델이 실시간 데이터 API와의 연결에 실패하거나 구조화된 호출 결과를 반환하지 못하는 상황이 발생할 경우, 에이전트의 작업을 즉시 중단하고 시스템을 이전 상태로 안전하게 되돌리는지 테스트한다.
  • 에이전트가 카메라 트래킹을 통한 선수들의 관절 및 서브 데이터를 분석하여 사용자에게 최종적인 답변을 제공하기 전에, 잘못된 추론 배포를 방지하기 위해 지정된 검수자의 직접적인 사람 승인 단계를 거치도록 환경을 구성한다.

참고 자료

728x90
반응형
저작자표시 비영리 변경금지 (새창열림)

+ Recent posts

티스토리툴바