지식 기반 예측을 위한 추적 가능한 다중 에이전트 시스템

Traceable Multi-Agent System for Knowledge-Based Forecasting

기업 예측은 점점 더 자율적인 에이전트에 의존하여 문서를 해석하고, 데이터를 검색하며, 코드를 생성하고, 모델을 수정합니다. 이러한 자율성은 적응형 예측 파이프라인 구축에 도움이 되지만, 예측 변경의 이유, 변경을 뒷받침하는 증거, 그리고 데이터 및 모델링 선택이 어떻게 수정되었는지 검토하기 어렵게 만듭니다. 본 논문에서는 추적 가능한 다중 에이전트 예측 시스템인 TraceMAS를 소개합니다. TraceMAS는 에이전트 출력을 두 가지 인과 루프 표현 방식으로 구성합니다. 첫째, 도메인 문서에서 추출한 주요 요인과 그들의 인과 관계를 나타내는 이상적인 인과 루프 다이어그램(Ideal CLD)입니다. 둘째, 이러한 요인을 내부 변수, 외부 데이터 또는 문서화된 대리 변수에 연결하는 데이터 기반 인과 루프 다이어그램(Data-Grounded CLD)입니다. 데이터 기반 인과 루프 다이어그램은 특징 생성 및 모델 설계를 안내하면서 텍스트 증거, 데이터 선택 및 모델 수정 간의 연관성을 유지합니다. 우리는 TraceMAS를 원유 가격 예측에 적용하여 시연합니다. 데모 인터페이스는 사용자가 예측 반복을 비교하고, 에이전트 수준의 수정을 검사하며, 인과 지도를 탐색하고, 특징-데이터 매핑 및 모델 아키텍처를 검토하고, 시나리오 예측을 시장 분석으로 연결할 수 있도록 합니다. 이 데모는 자율적인 예측 에이전트가 유연성을 유지하면서도 증거에서 예측까지의 과정을 검사 가능하게 만드는 방법을 보여줍니다.

Enterprise forecasting increasingly relies on autonomous agents that interpret documents, search for data, generate code, and revise models. While this autonomy helps build adaptive forecasting pipelines, it also makes it difficult for practitioners to inspect why a forecast changed, which evidence supported the change, and how data and modeling choices were revised. We present TraceMAS, an interactive demo system for traceable multi-agent forecasting. TraceMAS organizes agent outputs around two causal-loop representations: an Ideal Causal Loop Diagram (Ideal CLD), which captures key factors and their causal relations extracted from domain documents, and a Data-Grounded Causal Loop Diagram (Data-Grounded CLD), which links those factors to internal variables, external data, or documented proxies. The Data-Grounded CLD guides feature construction and model design while preserving the connection between textual evidence, data choices, and model revisions. We demonstrate TraceMAS on crude oil price forecasting. The demo interface allows users to compare forecasting iterations, inspect agent-level revisions, explore causal maps, review feature-data mappings and model architecture, and connect scenario forecasts to market narratives. This demonstration shows how autonomous forecasting agents can retain flexibility while making the evidence-to-forecast process inspectable.