Yusuff Adeniyi Giwa의 Agentic MARL(Multi-Agent RL) 프레임워크 설계 해설 — 분산 클라우드·엣지·포그 컴퓨팅 환경의 태스크 오케스트레이션을 자율 에이전트 협력으로 해결한다. 전통적 중앙집중 스케줄러의 한계(동적·이질·확장성 부족)를 MDP 기반 다중 에이전트 학습으로 극복. 토폴로지 3종(계층형, P2P, 그래프 GNN 기반), 보상 함수 다목적(지연 패널티·활용률·에너지·SLA 위반), CTDE(Centralized Training Decentralized Execution) + 연합학습으로 노드 간 협업. 실증 효과: 서버리스 cold-start 25.6%↓·처리량 8.8%↑·자원 낭비 37%↓; Murakkab 프레임으로 GPU 사용 2.8x↓·비용 4.3x↓. 미래 방향은 LLM이 '매니저 에이전트'로 고수준 전략 추론 제공 + MARL이 원자적 실행.

• •분산 클라우드·엣지·포그 오케스트레이션은 전통 중앙집중 방식 한계 → 자율 다중 에이전트 RL 필요.
• •토폴로지 3종: 계층형, P2P, 그래프 GNN 기반 — 환경별 선택.
• •보상 함수 다목적: 지연·활용률·에너지·SLA 위반 가중 합산.
• •CTDE + 연합학습으로 데이터 프라이버시 유지하며 모델 공유.
• •서버리스 cold-start 25.6%↓, Murakkab GPU 2.8x 절감 등 실증 효과 큼.