인공지능 모델 통합 제어를 위한 LLM 기반 지능형 스마트팜 에이전트 시스템 구현

LLM-based Agent System for Integrated AI Model Control in Smart Farms

스마트팜은 센서 모니터링을 넘어 인공지능(AI)과 대형 언어 모델(LLM)을 활용한 자율 제어로 진화하고 있다. 그러나 기존 시스템은 임계값 기반의 정적 제어에 의존하여, 실시간 환경 변화와 작물 생육 상태에 유연하게 대응하지 못하는 한계가 있다. 본 연구는 자연어 명령과 질의를 해석해 관련 제어 함수를 동적으로 선택·실행하고, 설명 가능한 자연어 응답을 생성하는 LLM 기반 함수 호출(Function Calling) 에이전트를 제안한다. LangChain과 Ollama를 이용해 센서 정보 조회, 생육 예측, 장비 제어 등의 기능을 통합했으며, RAG(Retrieval-Augmented Generation)의 환각(hallucination)을 줄이고자 도구 중심의 Agentic RAG 구조를 적용했다. 제안 시스템의 성능을 자체 데이터셋으로 평가한 결과 Macro F1-score 0.82를 달성하여, 질의 의도를 함수로 변환하는 능력의 실효성을 실험적으로 검증했다. 본 연구는 음성 인식 등 멀티모달 인터페이스를 통해 자율 제어의 실용성을 확인했으며, 향후 작물 맞춤형 제어 및 보안 강화로의 발전 가능성을 제시한다.

Smart farms are evolving beyond sensor monitoring toward autonomous control using artificial intelligence (AI) and large language models (LLMs). However, conventional systems relying on threshold-based static control lack the flexibility to adapt to real-time environmental changes and crop growth stages. This study proposes an LLM-based agent with Function Calling that interprets natural language commands to dynamically execute control functions and generate explainable responses. Using LangChain and Ollama, it integrates functions like sensor retrieval, growth prediction, and equipment control. To mitigate the hallucination issues of Retrieval-Augmented Generation (RAG), a tool-centric Agentic RAG architecture was applied. The system's performance was experimentally validated on a custom dataset, achieving a Macro F1-score of 0.82 and confirming its effectiveness in translating user intent into appropriate functions. The practicality of this approach was further demonstrated through a multimodal interface, including voice recognition. This research suggests future potential for crop-specific control and enhanced security.