Agentic Numeric Optimization for Nutrition Planning

Motivation

• Known: 기존에는 CoT, ReAct, ReWOO 같은 LLM 기반 planning 기법과 NL4Opt 대회처럼 자연어를 최적화 문제로 변환하는 auto-formulation 연구가 있었고, Stigler의 cost-of-subsistence 문제 이래 선형계획법 기반 식단 최적화 연구도 오랜 전통을 가지고 있다. 또한 최근 LLM 기반 영양 추천 시스템이 등장했으나 칼로리·매크로영양소 계산에서 지속적인 수치 오류가 보고되고 있다.
• Gap: LLM만으로 식단을 계획하면 자연어 추론은 유연하지만 엄격한 수치 제약(칼로리, 매크로영양소 목표)을 만족시키지 못하는 한계가 있으며, 기존 연구들은 LLM이 최적화의 search space 자체를 구성하도록 하고 이를 명시적 수치 목표를 가진 영양 계획 과제에서 평가한 적이 없다.
• Why: 개인화된 다중 영양소 제약(칼로리, 단백질, 탄수화물, 지방, 식이섬유)을 만족하는 식단 계획은 장기적인 체중 관리와 건강에 직결되는 문제이며, LLM의 자연어 이해력과 solver의 수치 정확성을 결합하는 방식은 scheduling, travel planning 등 다른 agentic 수치 최적화 과제에도 일반화될 수 있는 잠재력을 가진다.
• Approach: ANO는 LLM orchestrator가 사용자 프로필을 해석해 영양 목표를 계산하고 OpenNutrition 데이터셋에서 후보 식재료를 검색하여 구조화된 diet specification을 만든 뒤, MILP solver를 호출해 식재료 수량을 할당하고 실패 시 재시도하는 방식으로 동작한다.

Achievement

Figure 2. Example conversations comparing BA, ANO, and No-LLM heuristics on the same user query.

1. 칼로리 준수율 대폭 개선: BA 대비 ANO는 DRI 기준 10 kcal 이내 준수 비율을 9.0%에서 79.5%로, MFP 기준 3.1%에서 78.0%로 향상시켰다.
2. 큰 오차 비율 감소: 100 kcal 이상 오차를 보이는 프로필 비율이 DRI에서 74.8%→6.8%, MFP에서 79.7%→6.8%로 크게 감소했다.
3. 세 가지 planner의 체계적 비교: ANO, BA, No-LLM 세 접근법을 동일한 target 계산 및 검색 도구를 공유하는 조건에서 비교해 solver 결합의 순효과를 분리해서 측정했다.
4. 정성적 사례 분석: 대표 사용자 질의에 대한 예시 대화(Figure 2)를 통해 BA는 목표 미달성, ANO는 목표 충족, No-LLM은 목표는 충족하나 cuisine 정합성과 palatability가 약함을 보였다.

How

Figure 1. Sequence diagram comparing all the approaches.

• 동일한 시스템 프롬프트를 공유하는 LLM orchestrator를 사용하되, ANO 프롬프트에는 구조화된 diet specification 구축 및 optimizer 호출 지침을, BA 프롬프트에는 nutrient calculator를 반복 호출하는 지침을 추가함.
• No-LLM orchestrator는 LLM 없이 사용자 프로필을 파싱하고, 동일한 target calculator와 ingredient retrieval 도구를 사용하되 고정 meal 템플릿과 수기 휴리스틱으로 optimizer의 search space를 구성함.
• DRI 목표는 나이, 성별, 체격, 활동 수준, 임신/수유 여부를 입력받아 EER, 식이섬유, 단백질/탄수화물/지방 범위를 산출하는 Target Calculator Tool을 사용하고, MFP 목표는 fitness goal, 주간 체중 변화율, 탄수화물/지방 선호도를 반영해 산출.
• 구조화된 diet specification을 Mixed-Integer Linear Program(MILP) solver에 전달하여 지정된 범위 내에서 식재료 수량을 할당하고, 실현 가능한 계획을 찾지 못하면 최대 세 번까지 재시도.
• Canada Health DRI와 MyFitnessPal(MFP) 스타일 영양 목표를 기반으로 합성 벤치마크를 생성하여 세 planner를 평가.

Originality

• LLM을 이용해 numeric optimizer의 search space 자체를 구성하도록 하는 최초의 접근으로, 기존 auto-formulation 연구(NL4Opt 등)와 달리 최적화 문제 자체가 아니라 탐색 공간을 LLM이 생성하도록 함.
• 동일한 도구(target 계산, ingredient retrieval)를 공유하는 ANO, BA, No-LLM 세 조건을 통제된 비교로 설계하여 solver 결합의 순효과(LLM-generated search space의 이점)를 분리 측정.
• 영양 계획이라는 명시적 수치 목표·제약이 있는 실용적 과제에 agentic LLM과 MILP solver를 결합한 최초의 평가 사례로 제시됨.

Limitation & Further Study

• 비타민, 미네랄 등 데이터셋에 일관되게 존재하지 않는 영양소는 목표에서 제외되어, 실제 임상적으로 중요한 영양 요소들이 누락됨.
• 사용자의 cuisine 선호나 재료 기피 등은 명시적 제약으로 모델링되지 않아 개인화의 폭이 제한적임.
• 평가가 합성 생성 벤치마크(DRI, MFP 스타일)에 기반하고 있어 실제 사용자와의 상호작용이나 실제 만족도에 대한 검증이 부족함.
• No-LLM 베이스라인이 일부 bin에서 수치적으로 더 우수하고 BA가 palatability에서 더 우수한 등 ANO가 모든 지표에서 우월한 것은 아니므로, 향후 연구에서는 cuisine 정합성과 palatability를 동시에 satisfy하는 통합 목적함수 설계가 필요함.
• MILP solver의 확장성(재료 수, 일수 증가 시 계산 비용) 및 재시도 로직의 견고성에 대한 심층 분석이 부족함.

Evaluation

총평: LLM이 optimizer의 search space를 구성하도록 하는 아이디어는 참신하고 영양 계획이라는 실용적 문제에 잘 적용되었으나, 평가가 합성 벤치마크에 국한되고 palatability/cuisine 정합성 등 정성적 측면에서 트레이드오프가 남아있어 추가 검증이 필요한 초기 단계의 연구로 판단된다.