본 논문은 기업 환경에서 Graph-based Retrieval Augmented Generation (GraphRAG)을 확장 가능하고 비용 효율적으로 배포하기 위한 프레임워크를 제안합니다. 기존 GraphRAG의 높은 계산 비용과 지연 시간 문제를 해결하기 위해, (1) 대규모 언어 모델(LLM)에 의존하지 않고 산업 수준의 NLP 라이브러리를 활용하여 비정형 텍스트에서 엔티티와 관계를 추출하는 종속성 기반 지식 그래프 구축 파이프라인과 (2) 하이브리드 쿼리 노드 식별과 효율적인 1단계 탐색을 결합하여 높은 재현율과 낮은 지연 시간으로 서브그래프를 추출하는 경량화된 그래프 검색 전략을 제시합니다. SAP 데이터셋을 사용한 실험 결과, 기존 RAG 기반 시스템보다 최대 15% (LLM-as-Judge 기준) 와 4.35% (RAGAS 기준) 성능 향상을 보였으며, 종속성 기반 구축 방식은 LLM 기반 지식 그래프의 94% 성능을 달성하면서 비용과 확장성을 크게 개선했습니다.
