15. Knowledge Graph + RAG 통합 추론 구조

반응형

제조공정의 문서와 데이터 간 관계를 체계적으로 관리하기 위해
Knowledge Graph (KG) 와 RAG 를 결합한 지식 기반 Agentic AI를 구축하려 한다.

두 시스템의 역할을 비교하고,
KG 기반 RAG Retrieval 구조 및 추론 흐름을 설계하여 설명하시오.

 

 

 

① 개념 비교

항목RAGKnowledge Graph

목적	문서 기반 의미 검색	엔티티 간 관계 추론
단위	문장/문단	노드/엣지(엔티티 관계)
장점	빠른 검색·요약	논리적 관계 기반 추론
한계	문맥 단절	대규모 구축 비용

→ 결합 시 “검색 + 추론”이 동시에 가능.

---

② 통합 구조 개요

 

[문서/DB] → [Chunking + Embedding] → RAG Index(OpenSearch + pgvector)
[지식맵] → [Entity/Relation 추출] → Knowledge Graph (Neo4j)
       ↓
   KG-RAG Fusion Retriever
       ↓
  Reasoning LLM (LangGraph Agent)
       ↓
  인용 + 관계기반 보고서 생성

---

③ Fusion Retrieval 원리

1. Query를 Entity 및 Relation으로 파싱 (예: “온도 편차가 수율에 미치는 영향”)
2. KG에서 연결된 엔티티 탐색:
   MATCH (p:Parameter)-[:AFFECTS]->(k:KPI {name:'Yield'}) RETURN p.name, p.importance
3. 연관 엔티티 키워드를 RAG 검색어에 추가:
   query_terms = ["temperature deviation", "yield loss", "oven parameter"]
4. 하이브리드 검색(BM25+Vector) 수행 → 근거 문단 수집.
5. LLM이 KG 관계 + 문서 근거를 함께 인용하여 답변 생성.

---

④ 예시 응답 구조

질문: 오븐 온도 편차가 수율에 미치는 영향은?
RAG 인용: “SOP-HT-221 §3.2: ±5℃ 초과 시 품질 저하 발생.”
KG 관계: (TemperatureDeviation)–AFFECTS–(YieldLoss) weight=0.86
AI 답변: “온도 편차는 수율 저하의 주요 원인(상관도 0.86)으로 SOP-HT-221에서 허용범위를 ±5℃로 제한하고 있다.”

---

⑤ 기술 구성요소

모듈기술설명

Entity Extractor	spaCy, Llama3 NER	KPI·Parameter·Equipment 추출
Graph DB	Neo4j, ArangoDB	관계 저장·탐색
KG-RAG Fusion	Custom Retriever	KG 기반 Query Expansion
Agent	LangGraph	RAG + KG 병합 추론
Visualization	NeoDash, Grafana	관계 시각화

---

⑥ 실무효과

항목기존 RAGKG+RAG

인용 품질	문장 기반	관계 기반 근거 보강
도메인 이해	약함	엔티티 관계 기반 심화
재현성	중간	높음
확장성	문서 증가 영향 큼	엔티티 관계만 추가로 확장 용이

---

⑦ 평가 포인트

• RAG와 KG의 차이를 명확히 설명했는가
• KG 기반 Query Expansion 구조를 구체화했는가
• Fusion Retriever의 추론 절차를 단계별로 제시했는가