야스민 오므리

🏷️ 인물 LLM

개요

야스민 오므리(Yasmine Omri)는 스탠퍼드대학교 소속 연구자로, 긴 시간축(long-horizon) 작업을 수행하는 LLM 에이전트의 시스템 동작을 연구합니다. 특히 에이전트가 세션을 가로질러 자기 기억을 저장·검색·갱신할 때 발생하는 연산 비용, 에너지 소비, 지연 문제에 초점을 둡니다.

2026년 6월 arXiv에 공개된 "Agent Memory: Characterization and System Implications of Stateful Long-Horizon Workloads"의 공동 1저자(equal contribution)이자 교신저자로, 에이전트 메모리를 정확도 벤치마크 문제가 아닌 시스템 워크로드 문제로 처음 체계화한 연구를 이끌었습니다.

생애

스탠퍼드대학교에서 연구 활동을 이어오고 있으며, 공개된 학위 및 경력 정보는 제한적입니다. LLM 에이전트 메모리 연구라는 특정 영역에서 시스템 설계와 LLM 응용을 연결하는 방향으로 연구를 집중해 왔습니다.

Agent Memory 논문에는 공동 1저자 Ziyu Gan, 시니어 저자 티에리 탐베(Thierry Tambe)를 비롯해 알렉스 펜틀런드(Alex Pentland), 차치 바이스만, 마리안 페르헐스트(Marian Verhelst)가 함께 참여했습니다. 여러 연구자가 협력하는 이 프로젝트에서 오므리는 공동 1저자이자 교신저자로 연구의 중심 역할을 맡았습니다.

에이전트 메모리 연구가 2025~2026년 사이 급격히 증가하는 추세 속에서, 오므리의 연구는 이 분야를 시스템 관점으로 접근한 초기 작업 중 하나로 자리 잡았습니다.

업적

핵심 기여는 에이전트 메모리를 정확도 중심의 평가 문제가 아닌 시스템 워크로드로 재정의한 것입니다. 에이전트 메모리를 네 가지 축으로 분류하는 taxonomy를 처음 제시했으며, 단계별 비용 프로파일링 도구도 함께 개발했습니다.

논문은 LLM 에이전트가 긴 시간에 걸쳐 수행해야 하는 작업 유형들을 체계화합니다. 개인 비서가 수주에 걸친 사용자 선호도를 추적하는 경우, 코드 에이전트가 여러 편집 세션에 걸쳐 프로젝트 맥락을 유지하는 경우, 딥 리서치 에이전트가 긴 조사 기간 동안 증거를 종합하는 경우, 기업 시스템이 구조화된 비즈니스 데이터와 지속적인 대화 이력을 통합하는 경우 등이 대표 사례입니다.

이처럼 다양한 에이전트 사용 패턴을 단일 시스템 워크로드 프레임으로 묶어 분석한 덕분에, 메모리 시스템 설계자들이 참조할 수 있는 구체적인 비용 프로파일 데이터를 처음으로 제공하는 연구가 되었습니다. 2026년 공개 이후 에이전트 메모리 분야의 기준 참고 문헌으로 자주 인용됩니다.

여담

야스민 오므리는 공개 프로필이 적은 신진 연구자입니다. Agent Memory 논문(arXiv:2606.06448)이 현재까지 공개 트랙에서 확인되는 대표 성과입니다.

에이전트 메모리 연구는 2025~2026년을 기점으로 독립적인 하위 연구 분야로 부상했습니다. mem0.ai 블로그가 발행한 "State of AI Agent Memory 2026" 보고서가 이 분야의 급성장을 보여주는 단면이며, 오므리의 연구는 이 흐름에서 시스템 관점의 빈자리를 메운 것으로 평가됩니다.

공동 저자 티에리 탐베의 시스템 설계 배경과 알렉스 펜틀런드의 사회·기술 시스템 연구 경험이 결합된 점도 이 논문의 독특한 배경입니다.

주요 논문