PhenoAssistant: A Conversational Multi-Agent AI System for Automated Plant Phenotyping

과학자들이 단순히 실험실에서 식물을 연구하는 것을 넘어, "잎이 얼마나 크니?" 또는 "왜 노랗게 변하고 있니?"와 같은 질문을 던지며 대화하듯 식물을 분석할 수 있는 세상을 상상해 보십시오. 이것은 작물의 물리적 특성을 측정하여 굶주린 지구를 위해 더 나은 식량을 재배하는 데 전념하는 분야인 **식물 표현형 분석(plant phenotyping)**의 꿈입니다. 하지만 여기에는 함정이 있습니다. 이를 정확하게 수행하려면 보통 슈퍼컴퓨터급의 두뇌가 필요합니다. 과학자들은 잎의 개수를 세거나 줄기 높이를 측정하기 위해 복잡한 코드를 작성하고, 인공지능 모델을 훈련시키며, 수십 개의 소프트웨어 도구를 하나로 엮어야 합니다. 이는 마치 케이크를 굽고 싶은데, 먼저 오븐을 만들고, 밀가루를 발명하고, 레시피 북을 직접 써야 하는 것과 같습니다. 대부분의 식물 연구자들은 뛰어난 생물학자이지 컴퓨터 마법사가 아니기에, 이러한 기술적 장벽은 그들이 정말 흥미로운 발견에 몰두하는 것을 가로막습니다.

여기, 식물 과학자들을 위한 궁극의 주방 보조가 되도록 설계된 새로운 AI 시스템인 PhenoAssistant가 등장했습니다. 이 시스템을 당신의 언어로 말하는 매우 똑똑하고 수다스러운 로봇 집사라고 생각하십시오. 코드를 작성하는 대신, 그저 로봇에게 "이 밀 사진들을 보고 키가 얼마나 큰지 알려줘"라거나 "이 토마토가 얼마나 빨리 자라는지 그래프로 보여줘"라고 말하기만 하면 됩니다. PhenoAssistant는 단순히 채팅만 하는 것이 아니라, 앞치마 속에 숨겨진 전문적인 도구 세트를 가지고 있습니다. 이미지를 분석하여 사물을 측정하고, 숫자를 계산하여 패턴을 찾아내며, 다채로운 차트를 그리고, 심지어 한 번도 본 적 없는 식물을 마주했을 때 스스로 새로운 기술을 배울 수도 있습니다. 이 논문은 이 시스템이 과거에는 코딩에 며칠이 걸렸던 복잡한 작업들을 단순한 대화로 바꾸어 놓았음을 보여줍니다. 이는 기술적 장벽을 낮춤으로써 더 많은 과학자가 버튼을 누르는 법 대신 생물학 자체에 집중할 수 있게 하여, 극한의 날씨에서도 살아남아 늘어나는 세계 인구를 먹여 살릴 수 있는 작물을 개발하는 속도를 높일 수 있음을 시사합니다합니다.

말하는 정원사의 마법

식물 과학의 세계에서 연구자들은 유전과 환경이 어떻게 섞여 우리가 보는 식물을 만들어내는지 알아내기 위해 끊임없이 노력하고 있습니다. 그들은 더 나은 작물을 육종하기 위해 잎의 크기, 줄기 두께, 성장 속도와 같은 것들을 측정해야 합니다. 하지만 지금까지 이를 자동화하는 것은 기술적 장애물의 악몽이었습니다. 프로그래밍을 할 줄 알아야 했고, AI 모델을 훈련시켜야 했으며, 서로 다른 소프트웨어 도구들을 연결하는 방법도 알아야 했습니다. 그것은 마치 면허도 지도도 없이 포뮬러 원(F1) 자동차를 운전하려는 것과 같았습니다.

이 논문의 저자들인 영국 전역의 대학에서 온 엔지니어와 생물학자 팀은 이 문제를 해결하기 위해 PhenoAssistant를 만들었습니다. 그들은 "멀티 에이전트(multi-agent)" 시스템을 구축했습니다. 주방에서 일하는 전문가 팀을 상상해 보십시오. 한 명은 매니저(헤드 셰프)이고, 나머지는 도구(수셰프)입니다. 사용자가 영어(평이한 언어)로 "감자 식물의 잎 면적을 측정해줘"와 같은 과업을 매니저에게 주면, 매니저는 그 일을 혼자서 다 하려고 하지 않습니다. 대신 업무를 분해합니다. 매니저는 "비전 전문가"에게 "이 사진들을 보고 잎의 개수를 세어라"라고 말하고, 그다음 "수학 천재"에게 "그 숫자들을 가져가서 그래프를 그려라"라고 지시할 것입니다.

논문은 이 시스템이 실제로 어떻게 작동하는지 보여주는 세 가지 흥징적인 이야기, 즉 "사례 연구"를 통해 이를 입증합니다.

이야기 1: 속독하는 식물
연구팀은 실험실에서 자주 쓰이는 작은 잡초인 *애기장대(Arabidopsis)*를 대상으로 PhenoAssistant를 테스트했습니다. 그들은 시스템에 26일 동안 자라는 이 식물들의 사진 1,248장을 주었습니다. 사용자는 단순히 "이 서로 다른 종류의 식물들이 어떻게 자라는지 보여줘"라고 요청했습니다. 특정 연구나 식물에 대한 사전 지식 없이도, PhenoAssistant는 배경에서 잎을 잘라내기 위해 특수한 "비전 모델"(형태를 인식하는 유형의 AI)을 사용해야 한다는 것을 스스로 파악했습니다. 그런 다음 잎의 면적을 계산하고, 잎의 개수를 세고, 데이터를 저장했습니다. 다음으로, 사용자가 성장 속도를 보여주는 그래프를 요청하자, 시스템은 차트를 그리고, 어떤 식물이 가장 빠르게 자라는지 분석했으며, 심지어 그 차이가 실제인지 증명하기 위해 복잡한 통계 검정까지 수행했습니다. 마지막으로, 시스템은 내부의 과학 논문 라이브러리를 확인하여 자신의 발견이 이전에 다른 과학자들이 발견한 내용과 일치하는지 확인했습니다. 이 모든 과정을 단지 텍스트 대화만으로 수행했습니다.

이야기 2: 감자 탐정
다음으로, 그들은 다른 실험을 시도했습니다. 바로 감자입니다. 목표는 컴퓨터의 잎 크기 측정값이 실제 건조된 잎의 무게와 일치하는지 확인하는 것이었습니다. 시스템에는 "상관관계(correlation)"(두 대상이 얼마나 밀접하게 연관되어 있는지)를 계산하라는 요청이 들어갔습니다. 이 특정 수학 계산은 표준 도구 상자에 내장되어 있지 않았기 때문에, PhenoAssistant의 "코드 작성(Code Writer)" 에이전트가 투입되었습니다. 이 에이전트는 즉석에서 수학 계산을 수행하기 위한 새로운 코드를 작성했습니다. 결과는 어떠했을까요? 시스템은 컴퓨터의 측정값이 꽤 훌륭하긴 하지만, 전통적인 방식의 무게 측정과 완벽하게 일치하지는 않는다는 것을 찾아냈습니다. 이는 시스템이 단순히 명령을 따르는 것을 넘어, 데이터에 대해 비판적으로 사고하고 그 한계를 설명할 수 있는 능력을 갖추었음을 보여주었습니다.

이야기 3: 자기 주도 학습 튜터
가장 인상적인 기술은 겨울 밀의 영양 결핍을 식별하라는 요청이 왔을 때 나타났습니다. 문제는 PhenoAssistant의 도구 상자에 이 특정 작업을 위한 도구가 없었다는 점입니다. 하지만 시스템은 포기하는 대신, 도움이 되는 튜터처럼 행동했습니다. 시스템은 사용자에게 "아직 이 모델을 가지고 있지 않지만, 라벨이 붙은 사진 폴더를 업로드해주시면 스스로 학습할 수 있습니다"라고 말했습니다. 사용자가 데이터를 업로드하자, PhenoAssistant는 자동으로 이미지를 준비하고, 새로운 AI 모델을 훈련시키고, 테스트한 뒤, 향후 사용을 위해 새 모델을 저장했습니다. 이 시스템은 밀의 영양 결핍에 대해 아무것도 모르던 상태에서, 대화만으로 작동하는 전문가 모델을 갖춘 전문가가 되었습니다.

얼마나 잘 작동하는가?

저자들은 단순히 멋진 데모를 보여주는 데 그치지 않고, PhenoAssistant를 엄격한 테스트에 통과시켰습니다. 그들은 적절한 도구를 선택하는 것부터 데이터 분석에 이르기까지 70가지의 서로 다른 과업을 부여했습니다.

• 도구 선택: 적절한 도구를 고르라는 요청에 대해 시스템은 **70%**의 성공률을 보였습니다. 실패했을 때는 주로 잎을 측정하기 위한 자를 밀 이삭 측정에 사용하려 하는 것처럼, 도구의 설명을 오해했을 때였습니다.
• 비전 모델 선택: 어떤 종류의 AI 비전 모델(예: "분류기(classifier)가 필요한가, 세그멘터(segmenter)가 필요한가?")이 필요한지 추측하라는 요청에 대해, 시스템은 **98%**의 정확도를 보였습니다. 이는 매우 중요한데, 시스템이 AI에 대해 잘 모르는 사용자들을 안내할 수 있음을 의미하기 때문입니다.
• 데이터 분석: 그래프 작성이나 통계 계산과 같은 작업에서는 **100%**의 성공률을 기록했습니다.

논문은 이 시스템이 모든 것을 즉시 해결해 주는 마법 지팡이는 아니라는 점을 분명히 밝히고 있습니다. 시스템은 때때로 사용자가 크고 복잡한 요청을 더 작은 단계로 나누어 주기를 필요로 하며, 대화의 핵심인 거대 언어 모델(LLM)의 현재 능력에 의존합니다. 그러나 결과는 우리가 식물의 '왜'와 '어떻게'라는 생물학적 측면에 집중할 수 있도록, 코딩이라는 '방법'에 갇히지 않는 미래로 나아가고 있음을 시사합니다. 복잡한 데이터 분석을 단순한 대화로 바꿈으로써, PhenoAssistant는 고급 AI를 컴퓨터 전문가뿐만 아니라 모두가 접근할 수 있도록 만드는 데 큰 발걸음을 내디뎠습니다.