작은 AI 모델의 원인 분석을 돕는 그래프형 RAG 실험
작은 AI 모델은 여러 조각의 자료를 받아 긴 원인과 결과 흐름을 스스로 찾아내는 일을 잘 못할 수 있다. 이 방식은 자료를 넣을 때 원인과 결과 관계를 먼저 뽑아 로 저장한다. 질문이 들어오면 단순한 문서 조각 대신, 이미 이어진 원인 흐름을 찾아 모델에 넘긴다.
그래서 모델은 처음부터 추론을 만들기보다, 제시된 흐름이 맞는지 확인하고 쉽게 풀어 설명하는 역할을 한다. 54개 질문 실험에서 로 답을 만들었고, 여러 단계를 거치는 질문은 기존 평면 RAG 방식의 0.41에서 0.74로 올랐다. 근본 원인 질문은 0.37에서 0.59로 올랐고, 단순 사실 찾기는 거의 차이가 없었다.
질문할 때 추가 을 쓰지 않고 알고리즘으로만 찾기 때문에 도 낮게 유지된다는 점이 핵심이다. /rootcause와 /impact 같은 도 제공된다.
핵심 포인트
- 자료 저장 단계에서 원인과 결과 관계를 미리 뽑아 로 만든다.
- 질문 단계에서는 문서 조각 대신 이어진 원인 흐름을 모델에 넘긴다.
- 여러 단계 추론 질문 점수는 0.41에서 0.74로 올랐다.
- 근본 원인 질문 점수는 0.37에서 0.59로 올랐다.
- 질문할 때 추가 이 없어 토큰과 을 아낄 수 있다.