Microsoft GraphRAG가 왜 화제인가

2024년 4월, Microsoft Research가 발표한 GraphRAG 논문은 **"Vector RAG가 답하지 못하는 글로벌 질문에 KG를 활용하자"**는 아이디어를 제시했다.

그리고 곧바로 오픈소스(github.com/microsoft/graphrag)로 공개. 제조 도메인에도 큰 시사점을 준다.

---

기존 Vector RAG의 한계

[질문] "우리 공장에서 작년 한 해 가장 많이 발생한 고장 패턴은?"

Vector RAG:
  → "고장 패턴" 임베딩 → 유사 문서 Top-5 가져옴
  → 5개 문서만으로는 "전체 패턴" 답변 불가
  → 답변: 그럴듯하지만 부분적, 부정확

근본 원인: Vector RAG는 국소적(local) 검색에 강하지만 전체 데이터셋의 글로벌 요약은 못함.

---

Microsoft GraphRAG의 해법

[Indexing 단계 - 데이터 수집 시점에 1회 수행]

1. 문서 → LLM으로 엔티티 추출 (Equipment, Fault, Cause...)
2. 엔티티 간 관계 추출 → KG 구축
3. Louvain 알고리즘으로 "커뮤니티(Community)" 검출
   → 강하게 연결된 노드 그룹 (예: 스핀들 관련 모든 부품/고장)
4. 각 커뮤니티의 LLM 요약 생성 (Community Summary)
5. 계층적 커뮤니티 구조 (Level 0, 1, 2...)

[Query 단계 - 사용자 질문 시점]

2가지 모드:
  - Local Search: 특정 엔티티 중심 질문
  - Global Search: 전체 패턴/요약 질문

---

Local Search

[질문] "3호기 스핀들 알람이 자주 떠요. 원인이 뭘까요?"

Local Search:
  1. 질문에서 "3호기" 엔티티 추출
  2. 해당 엔티티의 이웃 + 관계 추출
  3. 이웃 노드의 텍스트 chunk + 커뮤니티 요약 결합
  4. LLM이 종합 답변

제조 활용: 특정 설비/부품/알람에 대한 진단 질문 → 모두 Local Search.

---

Global Search

[질문] "우리 공장에서 가장 큰 정비 리스크 3가지는?"

Global Search:
  1. 모든 커뮤니티 요약을 LLM에 분산 전달
  2. 각 커뮤니티별 부분 답변 생성
  3. 부분 답변들을 통합하여 최종 답변
  4. 맵-리듀스(Map-Reduce) 패턴

제조 활용:

• "올해 가장 많이 발생한 알람 카테고리?"
• "라인별 정비 시간이 가장 긴 설비 유형?"
• "우리 공장의 주요 리스크 영역?"

---

제조 도메인 적용 시 고려사항

항목	Microsoft GraphRAG	제조 도메인 맞춤화
엔티티 추출	LLM 프롬프팅	제조 온톨로지 스키마 명시
관계 추출	LLM 자유 추출	표준 관계만 허용 (CAUSED_BY 등)
커뮤니티 검출	Louvain	라인/공정 단위 그룹화
비용	인덱싱 시 LLM 호출 多	정적 데이터는 1회 인덱싱으로 충분

---

우리 프로젝트는?

Microsoft GraphRAG 전체 적용 ❌ (인덱싱 비용 高)
핵심 아이디어만 차용 ✅
  - Local Search 패턴: 엔티티 → 이웃 + 관계
  - Community Summary 패턴: 라인별/공정별 요약 사전 생성

이번 주에는 Local Search 위주로 구현하고, Global Search는 Week 8 통합 프로젝트에서 다룬다.