Research at DailyFit
Self-accelerating Agentic AI.
우리가 풀 다음 문제.
과학은 가설과 실험의 반복으로 전진합니다.
이제 AI가 그 사이클을 스스로 돌리기 시작했습니다.
Self-acceleration · 스스로 배우고, 스스로 개선하는 Agent
Why this, why now
진보의 속도를 정하는 것은 더 이상 기계가 아닙니다. 이제는 인간이 Bottleneck입니다. DailyFit은 그 다음을 연구합니다.
Chapter 01 · AI-native company
Agent-as-a-Service 회사이자,
AI Research Lab입니다.
다음 시대의 소프트웨어는 스스로 일하는 Agent입니다.
DailyFit은 그 원리를 실제 서비스에서 검증합니다.
리서치가 제품을 밀고, 제품이 리서치를 증명합니다.
스스로 진화하는 Agent는 강력합니다. 그래서 더 엄격해야 합니다.
우리가 만드는 모든 학습 루프는 네 개의 게이트를 통과해야만 세상에 나갑니다.
실전에서만 검증합니다
개선의 가치는 논문 속 벤치마크가 아니라 실제 성과로 증명됩니다.
사용자의 하루에서 통하지 않는 개선은 개선이 아닙니다.
가치를 스스로 증명해야 합니다
모든 학습이 더 나은 결과로 이어지는 건 아닙니다.
실질적인 가치를 만들지 못하는 개선은 스스로 멈춥니다.
마지막 결정은 사용자의 것
Agent의 자율성이 아무리 높아져도, 실행의 Go/No-go는 언제나 사용자에게 있습니다.
기술 한계가 아니라 설계 원칙입니다.
실패해도 안전해야 합니다
모든 개입은 기록되고, 즉시 되돌릴 수 있습니다.
안전하게 실패할 수 있는 구조여야 과감하게 실험할 수 있습니다.
Chapter 02 · Core research theme
지시받기 전에,
이미 진화해 있는 Agent.
루프가 사람의 손을 떠나는 순간을, 세 단계로 따라가 봅니다.
Stage 0 · directed
사람이 루프를 돌리던 시대
문제를 발견하는 것도, 고치라고 지시하는 것도 사람의 일이었습니다.
루프를 돌리는 손이 언제나 필요했습니다.
Stage 1 · self-learning
결과가 다음 실행을 바꿉니다
장애물의 패턴은 전략이 되고, 그 학습은 다음 반복에 스스로 적용됩니다.
쓸수록 빨라지는 이유입니다.
Stage 2 · self-accelerating
지시받기 전에,
이미 진화해 있는 Agent
개선은 Agent의 일이 되고, 속도는 반복이 만듭니다.
우리가 연구하는 지점이 여기입니다.
목표는 하나입니다.
사람이 개선을 지시하기 전에, Agent가 이미 더 나아져 있는 것.
여느 자동화
Self-accelerating Agent
결과가 다음 실행을 바꿉니다.
쓸수록 빨라지는 이유입니다.
우리가 만들려는 곡선 · 지시 없이 꺾여 올라가는 역량
Chapter 03 · The method
가속은 다섯 단계로 만들어집니다.
막연한 자기개선이 아니라, 계량 가능한 파이프라인입니다.
모든 단계가 기록되고, 측정되고, 게이트를 통과해야 합니다.
Step 01 · observe
모든 실행을 기록합니다
무엇을 시도했고, 어디서 막혔는지가 전부 데이터가 됩니다.
Step 02 · hypothesize
Agent가 스스로 가설을 세웁니다
“다음엔 이렇게 하면 통과한다”는 문장을 사람이 아니라 Agent가 씁니다.
Step 03 · intervene
가드레일 안에서 전략을 바꿉니다
범위 밖의 개입은 애초에 실행되지 않습니다.
Step 04 · measure
나아졌는지 숫자로 확인합니다
나아졌다는 느낌이 아니라, 측정된 차이만 인정합니다.
Step 05 · consolidate
검증된 학습만 남깁니다
다음 반복은 더 높은 지점에서 시작합니다.
이 루프는 개념도가 아닙니다. 매일, 실제 서비스에서 돌아갑니다.
Chapter 04 · Proven in production
매일 돌아가는 실전이
가장 정직한 검증입니다.
신청대행 Agent는 매일 실제 포털과 양식, 절차에 부딪힙니다.
그 반복과 실패가 곧 학습 데이터가 됩니다.
검증 무대는 논문 속 벤치마크가 아닙니다.
살아있는 서비스입니다.
run #847 · 신청대행 · 커뮤니티 포털
obstacle장애물신청 양식 변경 감지 · 1차 시도 실패
learn패턴 저장라벨 매칭 > 위치 매칭 · 전략 업데이트
apply자가 적용사람의 지시 없이 다음 실행에 반영
run #848같은 포털 · 재시도 없이 통과
- 처리 시간 Δ -14s
- 사람 개입 0
Chapter 05 · Open questions
우리가 아직 풀지 못한 질문들
Agent는 언제 배워야 하는가
상시 학습인가, 정해진 주기의 체크인인가.
학습의 타이밍 자체가 설계의 대상입니다.
얼마나 배워야 하는가
과한 학습은 흐름을 교란하고 잘못된 방향을 강화합니다.
최적의 빈도가 존재한다고 가정하고,
그 지점이 어디인지를 찾습니다.
가속의 값은 얼마인가
무한한 토큰을 태우는 자기가속은 개선 가치가 비용을 넘지 못할 수 있습니다.
ROI가 모든 학습 루프의 게이트입니다.
이 질문들을 함께 풀 사람을 찾고 있습니다.
Chapter 06 · Research frontier
하나의 원리가,
모든 영역으로 확장됩니다.
Self-acceleration은 시작일 뿐입니다.
같은 원리가 취미를 넘어 일자리로, 개인의 삶을 넘어 직업의 삶으로 확장됩니다.
기회를 찾아주는 것을 넘어, 만들어내는 단계로 나아갑니다.
그리고 제안을 넘어, 매일의 대화로 깊어집니다.
취미에서 일자리까지
하루를 설계하던 원리가 일자리 기회를 찾는 데 그대로 적용됩니다.
개인의 삶부터 직업의 삶까지,
같은 Agent가 지원합니다.
찾아주기에서 창출까지
기회를 찾아주는 데서 멈추지 않습니다.
활동과 일자리를 Agent가 스스로 만들어내는 단계를 연구합니다.
대행에서 대화까지
“어제 잠을 설쳤어” 한마디를 기억해 먼저 안부를 묻고,
그날의 하루를 함께 다시 설계합니다.
제안과 대행을 넘어, 매일을 잇는 대화형 동반자를 연구합니다.
다음 주제들을 준비하고 있습니다
장기 로드맵 위에 다음 리서치들이 이미 줄 서 있습니다.