지식 그래프와 LLM 기반 공급망 가시성 강화

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.