소규모 언어 모델(SLLM)의 농업 도메인 적용 가능성 검토

개요

대형 언어 모델(LLM)은 농업 분야 질의응답, 병해충 진단, 재배 일지 분석 등 다양한 용도로 활용 가능성이 있습니다. 그러나 클라우드 API 의존, 높은 운영 비용, 인터넷 연결이 불안정한 농촌 환경 등의 제약을 고려하면, 소규모 언어 모델(SLLM)의 온디바이스 배포가 현실적인 대안이 될 수 있습니다.

비교 실험 설계

대상 모델

| 모델 | 파라미터 | 배포 방식 | |------|----------|-----------| | GPT-4o | ~200B (추정) | API | | Llama 3.2 3B | 3B | 로컬 | | Qwen2.5 1.5B | 1.5B | 로컬 | | 농업 파인튜닝 Llama 3.2 | 3B | 로컬 |

평가 데이터셋

농업기술실용화재단 병해충 Q&A 데이터 500건, 작물 재배력 질의 300건을 수동으로 레이블링하여 평가에 사용하였습니다.

주요 결과

정확도 비교

• •GPT-4o: 병해충 진단 정확도 91.2%, 재배 질의 87.4%
• •파인튜닝 Llama 3.2 3B: 병해충 83.7%, 재배 질의 81.2%
• •기본 Llama 3.2 3B: 병해충 61.3%, 재배 질의 58.9%

파인튜닝을 통해 농업 도메인 성능이 기본 모델 대비 약 22%p 향상되었으며, GPT-4o와의 격차는 약 8%p 수준으로 좁혀졌습니다.

비용 비교 (월 1만 건 기준)

• •GPT-4o API: 약 ₩180,000
• •로컬 SLLM (Raspberry Pi 5 기준): 초기 하드웨어 ₩120,000, 전기료 ₩3,000/월

결론

농업 특화 파인튜닝을 거친 3B 규모 모델은 GPT-4o 대비 8–10%p 낮은 정확도를 보이지만, 온디바이스 배포로 인터넷 불필요, 데이터 보안, 장기 운영 비용 절감 등의 실질적 이점을 제공합니다. 정밀도보다 응답 속도·비용이 중요한 현장 적용 시나리오에서는 SLLM이 충분한 경쟁력을 가집니다.