에이전트 기반 농작물 수확량 예측의 사후 보정

요약

본 논문은 상업용 과일 농장의 제한적인 데이터로 인해 발생하는 작물 수확량 예측의 한계를 극복하기 위해, 구조화된 LLM 에이전트 프레임워크를 제안합니다. 이 프레임워크는 단계 감지, 편향 학습, 범위 검증 등 농업 도메인 지식을 여러 도구에 통합하여 기존 모델의 예측값을 사후 보정(post-hoc correction)하는 방식으로 작동합니다. 독점 딸기 및 공개 옥수수 데이터셋 평가 결과, LLM 에이전트가 XGBoost를 정제했을 때 MAE와 MASE 등 주요 오차 지표에서 상당한 개선을 보여주었습니다.

핵심 포인트

• 작물 수확량 예측은 기존 농장 기록의 센서/위성 이미지 등의 데이터 부족으로 어려움을 겪는다.
• 제안된 LLM 에이전트 프레임워크는 단계 감지, 편향 학습, 범위 검증 등 도메인 지식을 활용하여 모델 예측값을 사후 보정한다.
• LLaMA 3.1 8B를 사용한 에이전트는 모든 구성에서 가장 강력하고 일관된 수확량 예측 개선을 보여주었다.
• 에이전트 기반 정제는 XGBoost의 MAE를 20%, MASE를 56% 감소시키는 등 통계적으로 유의미한 성능 향상을 입증했다.