기술 요약: 에이전트 기반 농업 수확량 예측 사후 수정

문제 정의

정확한 작물 수확량 예측은 상업 농업의 운영 계획 (예: 인력 배분, 냉장 보관, 소매 계약) 에 필수적입니다. 그러나 최첨단 예측 접근법은 대부분 상업 재배자가 접근할 수 없는 데이터 모달리티에 의존합니다. 예를 들어, 고밀도 센서 네트워크, 위성 이미지, 또는 고해상도 기상 입력 데이터 등이 그렇습니다. 95% 의 딸기가 폴리터널에서 재배되는 영국의 연질 과일 산업의 경우, 위성 및 무인 항공기 (UAV) 기반 데이터 수집은 비실용적입니다. 결과적으로 재배자들은 보통 제한된 기록만 보유하고 있습니다: 주간 수확량 수치, 기본 구역 메타데이터, 그리고 외부에서 조달된 기상 데이터입니다.

이러한 제한된 입력 데이터로 훈련된 기존 예측 모델들은 종종 생물학적 현실과 모순되는 체계적인 오류를 보입니다. 예를 들어, 모델들은 작물의 계절적 생장 주기에 대한 명시적 표현이 부족하여 개화 전 수확량 급증을 예측하거나 수확 정리 후에도 생산이 지속된다고 예측할 수 있습니다. 본 논문이 다루는 핵심 문제는 추가 데이터 수집이나 모델 재훈련 없이 기존 모델의 이러한 체계적이고 문맥 인식형 오류를 어떻게 수정할 수 있는지에 관한 것입니다.

방법론

저자들은 기존 예측 모델 위에 **사후 수정 (post-hoc correction)**을 수행하는 구조화된 대규모 언어 모델 (LLM) 에이전트 프레임워크를 제안합니다. 에이전트는 기본 모델을 대체하는 것이 아니라, 고정된 도구 세트에 인코딩된 농업 도메인 지식을 활용하여 예측을 정제하는 추론 계층으로 작용합니다.

시스템 아키텍처

이 시스템은 예측당 최대 10 회까지 반복하여 출력을 정제하는 ReAct(추론 + 행동) 루프를 통해 작동합니다. 파이프라인은 두 가지 주요 단계로 구성됩니다:

1. 지식 그래프 구축: 역사적 훈련 구역 (plots) 은 메타데이터와 "곡선 형태 특징 (예: 변동성, 피크 위치, 생장 패턴)"을 포함하는 노드로 인코딩됩니다. 이를 통해 에이전트는 동적 시간 왜곡 (DTW) 유사성 검색을 통해 유사한 역사적 시즌을 검색할 수 있습니다.
2. 예측 루프: 각 테스트 구역과 시간 단계에서 에이전트는 원시 예측, 최근 실제 값, 그리고 역사적 문맥을 포함하는 상태 벡터를 받습니다. 그런 다음 도구 라이브러리를 반복적으로 사용하여 예측을 진단하고 수정합니다.

에이전트 도구 세트

에이전트는 예측을 진단하고 수정하기 위해 전문가가 고안한 도구 세트를 활용합니다:

• 유사성 검색: 유사한 곡선 기하학을 가진 역사적 구역을 검색하여 비유적 문맥을 제공합니다.
• 편향 학습: 지연된 실제 값과 최근 예측을 비교하여 방향성 편향을 계산하며, 수확 후 기간에 대해서는 감쇠 인자를 적용하여 환각된 수확량을 방지합니다.
• 단계 감지: 수확량 곡선을 운영 단계 (비시즌, 상승기, 피크, 하강기, 종료) 로 분할합니다. 비시즌 중에는 수확량을 0 으로 설정하거나 하강기 중에는 감쇠율을 적용하는 것과 같은 제약을 강제합니다.
• 범위 검증: 경험적 경계를 위반하는 예측 (예: 역사적 백분위수를 초과하는 주간 성장률) 을 제한합니다.
• 수정 적용: 물리적 한계 > 단계 제약 > 통계적 미세 조정의 우선순위 캐스케이드를 사용하여 위 도구들의 출력을 종합합니다.
• 안전 검증자 및 궤적 평가: 수정이 치명적인 편차를 초래하지 않고 최근 추세와 일치하는지 확인하는 건전성 검사 역할을 합니다.

지속적 메모리

시스템에는 **구역 간 지속적 메모리 (Cross-Plot Persistent Memory)**가 포함되어 있어, 에이전트가 특정 달력 이정표에서의 오류를 기록하는 "위치 편향 테이블"과 "구역 기록" 아카이브를 유지합니다. 이를 통해 에이전트는 데이터셋 전반의 체계적인 오류를 학습하고 시즌 기간 동안 휴리스틱 (메타 전략 반성) 을 정제할 수 있습니다.

실험 설정

본 프레임워크는 두 가지 데이터셋에서 평가되었습니다:

1. 애너거스 소프트 프루트 (Angus Soft Fruits): 영국에서 재배된 123 개 구역 (폴리터널 재배) 의 딸기 수확량에 대한 독점 데이터셋.
2. USDA 옥수수 수확: 미국 38 개 주에 걸친 주간 옥수수 수확 진행 상황에 대한 공개 데이터셋.

세 가지 기본 예측 모델이 테스트되었습니다: XGBoost, 랜덤 포레스트, 그리고 Moirai2(제로샷 파운데이션 모델). 추론 엔진으로 세 가지 LLM 이 평가되었습니다: Llama 3.1 8B, Qwen 2.5 7B, 그리고 LLaVA 13B(모델 선택에 대한 민감도를 테스트하기 위해 포함된 비전 - 언어 모델).

주요 결과

에이전트 기반 정제는 모든 기본 모델과 데이터셋에서 예측 정확도를 일관되게 향상시켰으며, 개선의 크기는 기준 오차와 상관관계를 보였습니다.

• 딸기 데이터셋 (애너거스):
  • XGBoost: Llama 3.1 8B 는 평균 절대 오차 (MAE) 를 20% (0.0131 에서 0.0105 로) 줄였고, 평균 절대 스케일 오차 (MASE) 를 56% (3.93 에서 1.75 로) 줄였습니다.
  • 랜덤 포레스트: 가장 극적인 개선을 보였으며, MAE 는 28% 감소하고 MASE 는 66% (5.90 에서 2.03 으로) 감소했습니다. 이는 비시즌 중 0 이 아닌 수확량을 예측하는 모델의 경향을 크게 수정한 결과입니다.
  • Moirai2: MAE 는 24% 감소하고 MASE 는 22% 감소했습니다.
• 옥수수 데이터셋 (USDA):
  • 기본 모델의 기준 오차가 낮아 개선폭은 더 작았으나 일관성을 유지했습니다. XGBoost 의 MAE 는 약 4-5% 감소했고, MASE 는 2.5% 감소했습니다.
• 모델 민감도: Llama 3.1 8B는 모든 구성에서 가장 강력하고 일관된 수정을 생성했습니다. Qwen 2.5 7B는 moderate 한 개선을 보이며 그 뒤를 이었습니다. LLaVA 13B는 일관되지 않은 성능을 보였으며, 종종 결과를 악화시켰습니다 (예: 옥수수 오차 증가). 이는 정제 모델의 선택이 중요하며, 비전 - 언어 사전 훈련이 반드시 구조화된 수치 추론에 도움이 되는 것은 아님을 강조합니다.

제거 실험 (Ablation Study)

제거 실험은 **단계 감지 (Phase Detection)**가 파이프라인의 핵심 구성 요소임을 확인했습니다. 이를 제거하면 딸기 데이터셋에서 MAE 가 72% 증가하여 수정이 신뢰할 수 없게 되었습니다. 다른 도구들 (편향 학습, 범위 검증) 은 점진적으로 기여했으나 계절적 단계를 인식하는 능력만큼 중요하지는 않았습니다.

의의 및 주장

본 논문은 이 연구가 데이터 제약이 있는 농업 예측을 위한 실용적 솔루션으로서 LLM 기반 사후 수정의 타당성을 입증한다고 주장합니다. 주요 기여점은 다음과 같습니다:

1. 새로운 패러다임: 더 나은 예측을 위해서는 더 많은 데이터나 더 복잡한 기본 모델이 필요하다는 가정을 넘어섭니다. 대신, 기존에 존재하는 "불규칙한" 데이터를 더 효과적으로 추론하는 접근법을 제시합니다.
2. 도메인 지식 인코딩: LLM 의 매개변수 지식에만 의존하는 대신, 계절적 단계나 생장 한계와 같은 농업 휴리스틱을 LLM 이 실행할 수 있는 구조화된 도구 세트로 성공적으로 변환했습니다.
3. 일반화 가능성: 프레임워크는 데이터셋에 구애받지 않습니다. 도구나 프롬프트를 수정하지 않고도 동일한 에이전트가 영국의 딸기와 미국의 옥수수 예측을 모두 개선하여 서로 다른 작물, 규모, 지리적 지역을 처리할 수 있음을 입증했습니다.
4. 재훈련 불필요: 이 방법은 플러그인 계층으로 작동하여 기본 예측 모델의 재훈련이나 추가 데이터 수집이 필요하지 않습니다.

저자들은 이 접근법이 ReAct 루프와 LLM 호출로 인해 계산 오버헤드를 도입하지만, 기존 예측 파이프라인에 배포 가능하고 설명 가능하며 효과적인 보완책을 제공한다고 결론지었습니다. 특히 기본 모델이 계절적 생물학적 제약을 포착하지 못하는 경우에 유용합니다.