본 논문은 기업 환경에서 Graph-based Retrieval Augmented Generation (GraphRAG)을 확장 가능하고 비용 효율적으로 배포하기 위한 프레임워크를 제안합니다. 기존 GraphRAG는 높은 계산 비용과 지연 시간으로 인해 채택에 제한이 있었는데, 본 논문에서는 (1) 대규모 언어 모델(LLM)에 의존하지 않고 산업 수준의 NLP 라이브러리를 활용하여 비정형 텍스트에서 엔티티와 관계를 추출하는 의존성 기반 지식 그래프 구축 파이프라인과 (2) 하이브리드 쿼리 노드 식별 및 효율적인 1단계 트래버셜을 결합하여 높은 재현율과 낮은 지연 시간으로 부분 그래프를 추출하는 경량화된 그래프 검색 전략이라는 두 가지 핵심 혁신을 제시합니다. SAP 데이터셋을 사용한 실험 결과, 기존 RAG 기준 모델보다 최대 15% (LLM-as-Judge) 및 4.35% (RAGAS) 향상된 성능을 보였으며, LLM 기반 지식 그래프의 94% 수준의 성능(61.87% vs. 65.83%)을 달성하면서 비용을 크게 절감하고 확장성을 향상시켰습니다. 이를 통해 실용적이고 설명 가능하며 도메인에 적응 가능한 Retrieval-Augmented Reasoning 시스템의 실현 가능성을 입증합니다.
