거대 언어 모델(LLM)이 생물 분류학의 혁신을 이끌까? - 자동 분류의 가능성과 과제

본 연구는 거대 언어 모델(LLM)을 이용한 생물 학명 자동 라벨링의 가능성과 한계를 탐구했습니다. 프롬프트 엔지니어링을 통해 특정 범주에서는 높은 정확도를 달성했지만, 생태 및 문화적 맥락 해석에는 어려움이 있었습니다. 향후 연구는 소수 샷 학습과 검색 증강 생성 기법을 통해 정확도 향상과 적용 범위 확장에 초점을 맞출 것입니다.

생물의 학명은 속명과 종소명으로 구성되며, 종소명에는 형태, 생태, 분포, 문화적 배경 등이 반영됩니다. 기존에는 연구자들이 방대한 시간과 노력을 들여 분류학적 설명을 세심하게 검토하여 종 이름에 수동으로 라벨을 붙였습니다. 하지만 이노시타 케이토, 노지리 코타, 스게노 하루토, 타가 타쿠미 등의 연구진은 최근 연구에서 거대 언어 모델(LLM) 을 활용하여 이러한 과정을 자동화할 수 있는 가능성을 제시했습니다.

그들은 마몰라 등이 편찬한 거미 이름 데이터셋을 사용하여, 프롬프트 엔지니어링을 통해 개선된 LLM 기반 라벨링 결과를 사람의 주석과 비교했습니다. 결과는 놀라웠습니다. LLM 기반 분류는 형태, 지리, 사람 범주에서 높은 정확도를 달성했습니다. 하지만 생태 및 행동, 현대 및 과거 문화 범주에서는 정확도가 낮았습니다. 이는 동물의 행동과 문화적 맥락을 해석하는 데 어려움이 있음을 보여줍니다.

연구진은 향상된 소수 샷 학습(few-shot learning) 과 검색 증강 생성(retrieval-augmented generation) 기법을 통해 정확도를 높이는 데 집중할 것이라고 밝혔습니다. 또한 다양한 생물 분류군으로 LLM 기반 라벨링의 적용 범위를 확장할 계획입니다.

이 연구는 LLM이 생물 분류학 분야에서 시간과 노력을 절약할 수 있는 잠재력을 보여주는 동시에, 동물 행동과 문화적 맥락과 같은 복잡한 정보 해석의 어려움을 드러냅니다. 앞으로의 연구가 LLM의 한계를 극복하고 생물 분류학의 효율성을 획기적으로 높일 수 있을지 기대됩니다. 이는 단순한 자동화를 넘어, 생물 다양성 연구의 새로운 지평을 열 수 있는 가능성을 제시합니다.

주요 용어:

• LLM (Large Language Model): 거대 언어 모델
• 프롬프트 엔지니어링: LLM의 성능을 최적화하기 위한 프롬프트(질문) 설계 기법
• 소수 샷 학습 (few-shot learning): 적은 양의 학습 데이터로 모델을 학습시키는 기법
• 검색 증강 생성 (retrieval-augmented generation): 외부 지식을 활용하여 LLM의 생성 성능을 향상시키는 기법