FMEA 지식 그래프 RAG 시스템

신제품 출시 단계에서 잠재적 고장을 완화하는 데 필수적인 FMEA(고장 모드 및 영향 분석)는 기존 도구의 제한된 추론 능력으로 인해 효과가 저해됩니다. 대규모 언어 모델(LLM)은 자연어 처리에서 새로운 가능성을 제시하지만, 사실적 지식 요구 사항에서 약점을 보입니다. 이를 보완하기 위해 비모수적 데이터 저장소에서 정보를 검색하여 응답을 생성하는 RAG(검색 증강 생성) 접근 방식이 주목받고 있습니다. 본 연구는 RAG 프레임워크의 비모수적 데이터 저장소를 지식 그래프(KG)로 강화하는 방법을 제안합니다. FMEA 데이터를 위한 집합론적 표준화 및 스키마를 제시하고, FMEA-KG로부터 벡터 임베딩을 생성하는 알고리즘을 개발했습니다. 이 KG-강화 RAG 프레임워크는 FMEA 데이터에 대한 분석적, 의미론적 질의응답 능력을 향상시키는 것을 목표로 합니다. 제안된 접근 방식은 사용자 경험 설계 연구를 통해 검증되었으며, 컨텍스트 검색의 정밀도와 성능을 측정했습니다. 초기 결과에 따르면, 쿼리 검색 방식은 수치 정보 검색 시 벡터 검색에만 의존하는 기존 RAG 방식보다 우수한 성능을 보였습니다. 이 연구는 FMEA 데이터를 KG로 변환하고 활용하는 새로운 방법론을 제시하여, 복잡한 산업 정보 시스템에서 LLM의 사실적 정확성과 추론 능력을 강화하는 데 기여합니다. 이는 FMEA의 효율성을 높이고, 궁극적으로 제품 개발 및 품질 관리 프로세스를 개선하는 데 활용될 수 있습니다.