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.
상업용 소프트 과일 생산에서의 정확한 작물 수확량 예측은 일반적인 상업 농장 기록에 존재하는 데이터로 인해 제약을 받습니다. 이러한 기록에는 대부분의 최신 접근 방식들이 가정하는 센서 네트워크, 위성 이미지 및 고해상도 기상학적 입력값이 부족합니다. 본 논문에서는 기존 모델 예측값에 대한 사후 보정(post-hoc correction)을 수행하는 구조화된 LLM 에이전트 프레임워크를 제안하며, 이 프레임워크는 단계 감지(phase detection), 편향 학습(bias learning), 범위 검증(range validation)을 위해 농업 도메인 지식을 여러 도구에 인코딩합니다. 독점적인 딸기 수확량 데이터셋과 공개 USDA 옥수수 수확량 데이터셋으로 평가한 결과, XGBoost를 에이전트가 정제하자 딸기의 경우 MAE(평균 절대 오차)가 20%, MASE(평균 스케일 오차)가 56% 감소했습니다. 또한 Moirai2 (MAE 24%, MASE 22%) 및 Random Forest (MAE 28%, MASE 66%) 기준선 대비 일관된 개선을 보였습니다. 에이전트로 Llama 3.1 8B를 사용했을 때 모든 구성에서 가장 강력한 보정을 생성했으며, LLaVA 13B는 일관성 없는 이득을 보여 정제 모델 선택에 대한 민감성을 강조했습니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.AI의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기