옥수수(Zea mays L.)의 수확량 구성 형질 변이를 정량화하는 것은 식물 유전학 연구, 품종 개량 및 농업 기술 발전에 매우 중요합니다. 에이커당 곡물 수확량은 에이커당 식물 수, 식물당 이삭 수, 이삭당 알곡 수, 평균 알곡 무게의 함수입니다. 이삭당 알곡 수는 이삭당 알곡 줄 수와 줄당 알곡 수의 곱으로 결정됩니다.
기존의 수동 측정 방식은 시간이 많이 소요되어 데이터 수집 규모를 제한하며, 최근 이미지 처리 및 딥러닝을 활용한 자동화 노력은 높은 주석 비용과 다양한 유전자원에 대한 일반화의 어려움에 직면해 있습니다. 본 연구는 이러한 한계를 극복하기 위해 대규모 비전 모델을 활용한 제로샷(zero-shot), 무주석 옥수수 알곡 분할 방법을 탐색했습니다.
오픈 소스 대규모 비전 모델인 Segment Anything Model(SAM)을 사용하여 옥수수 이삭 이미지에서 개별 알곡을 분할하고, 그래프 기반 알고리즘을 구현하여 줄당 알곡 수를 계산했습니다. 이 접근 방식은 다양한 옥수수 이삭에서 줄당 알곡 수를 효과적으로 식별했습니다.
본 연구는 제로샷 기반 비전 모델과 이미지 처리 루틴의 결합이 농업 데이터 수집의 자동화를 향상하고 주관성을 줄일 수 있는 잠재력을 보여줍니다. 모든 코드는 오픈 소스로 공개되어 이러한 효율적인 표현형 분석 방법의 보급에 기여할 것입니다.
오늘날 세계화된 경제에서 효과적인 위험 관리를 위해 포괄적인 공급망 가시성은 필수적이지만, 파트너 간 제한된 정보 공유로 인해 이를 달성하기 어렵습니다. 본 논문은 이해관계자 정보 공유에 직접 의존하지 않고 지식 그래프(KG)와 대규모 언어 모델(LLM)을 활용하여 공급망 가시성을 향상시키는 새로운 프레임워크를 제안합니다.
제안하는 제로샷(zero-shot) LLM 기반 프레임워크는 공개된 소스에서 다양하고 도메인 특화된 공급망 정보를 자동으로 추출합니다. 이를 통해 공급망 주체, 지리적 위치, 소유 구조, 제품 흐름 전반에 걸쳐 복잡한 다단계 상호 의존성을 포착하는 구조화된 지식 그래프를 구축합니다. 특히, 명명 엔티티 인식(NER) 및 관계 추출(RE) 작업에 제로샷 프롬프팅을 사용하여 광범위한 도메인 특화 학습의 필요성을 없압니다.
정량적 평가와 전기차 공급망(배터리 제조 핵심 광물 추적) 사례 연구를 통해 프레임워크의 유효성을 검증했습니다. 이 프레임워크는 2단계 공급업체 이상으로 가시성을 확장하며 공급망 매핑에 효과적임을 입증했습니다. 또한, 핵심 의존성과 대체 소싱 옵션을 밝혀내어 공급망 중단 시 위험 관리 및 전략적 계획 수립을 강화합니다.
NER 및 RE 작업에서 높은 정밀도를 보여 복잡한 다단계 공급망 네트워크를 이해하는 효과적인 도구를 제공합니다. 이 연구는 도메인 특화 공급망 지식 그래프를 구축하는 새로운 프레임워크를 제시하며, 가시성 분야의 오랜 과제를 해결하고 디지털 공급망 감시 발전을 위한 길을 열어줍니다.
