조화 관세율표(HTS) 코드 분류를 위한 합의 기반 에이전트형 거대 언어 모델(LLM) 프레임워크

정확한 조화 관세율표(Harmonized Tariff Schedule, HTS) 코드 분류는 해상 물류에서의 통관, 관세 평가, 무역 통계 및 규제 준수를 위해 필수적입니다. 그러나 제품 설명이 짧거나 불완전하고 모호한 경우가 많고, 정확한 분류가 계층적 관세 구조, 법적 주석 및 관할 구역별 규칙에 의존하기 때문에 정확한 HTS 분류는 여전히 어려운 과제로 남아 있습니다. 본 논문은 스마트 항만 및 해상 물류 환경에서 캐나다 10자리 HTS 코드 분류를 위한 에이전트형 거대 언어 모델 (Large Language Model, LLM) 프레임워크를 제안합니다. 이 프레임워크는 멀티 에이전트 정보 검색 (Multi-agent information retrieval), 공식 관세 문서에 대한 의미론적 검색 (Semantic retrieval), 증거 기반 추론 (Evidence-grounded reasoning), 합의 기반 검증 (Consensus-based validation), 계층적 코드 구성 요소 간의 요소별 투표 (Element-wise voting), 신뢰도 추정 (Confidence estimation), 그리고 인간 참여형 에스컬레이션 (Human-in-the-loop escalation)을 통합합니다. 우리는 물류 및 배송 맥락에서 수집된 도메인 전문가가 라벨링한 3,300개의 제품 기록으로 구성된 비공개 데이터셋을 통해 프레임워크를 평가합니다. 실험 결과, 고급 LLM에게도 정확한 10자리 분류는 여전히 어려운 것으로 나타났으며, 성능은 거친 챕터 수준 예측에서 미세한 관세 및 통계적 접미사 할당으로 갈수록 저하되었습니다. 이러한 결과는 완전히 자율적인 단일 단계 예측보다는 증거 기반의, 불확실성을 인지하며, 인간 중심적인 분류 워크플로우의 필요성을 입증합니다. 제안된 프레임워크는 해상 물류 및 스마트 항만 운영을 위해 더 해석 가능하고, 책임감 있으며, 규제 준수 지향적인 HTS 분류를 지원합니다. 우리의 코드는 https://github.com/Analytics-Everywhere-Lab/hts 에서 확인할 수 있습니다.