AI 모델 탐색 방식: 벡터 스캔 vs 지식망 추론

단순 키워드 매칭과 복합 인과관계 추적의 동작 방식 및 결론의 깊이 차이

RAG (Vector Search)
"보조금 15% 삭감 기사와 3분기 매출 2.5억 달러 데이터를 취합하여 요약합니다. 표면적으로 큰 하락은 없습니다."
GraphRAG (Multi-hop)
"보조금 삭감 ➔ 구매 보류 ➔ HEV 수요 급증으로 이어지는 인과관계를 통해, HEV가 전체 매출을 방어했음을 도출합니다."
🔥 복합 시나리오 분석: "유럽 전기차(EV) 보조금 축소가 3분기 전체 자동차 시장 판도에 미친 영향은?"

RAG (분업형 팩트 수집) Vector Space

문제의 키워드를 쪼개어 가장 유사도가 높은 문서 조각(Chunk)들을 레이더처럼 스캔하여 모아오는 방식입니다.

  • 1단계 (키워드 스캔): 질문에서 '보조금 축소', '3분기 매출' 키워드를 추출하여 방대한 DB에 레이더를 쏩니다.
  • 2단계 (Top-K 추출): 거리가 가장 가까운 조각인 "EV 보조금 15% 삭감 발표"와 "3분기 총매출 2.5억 달러" 데이터를 낚아챕니다.
  • 3단계 (LLM 결합): 가져온 팩트들을 단순히 이어 붙여 대답을 생성합니다.
도출 한계: 각각의 팩트는 정확하지만, "보조금이 깎였는데 왜 전체 매출은 방어되었는지" 그 이면의 연결고리는 스스로 유추하지 못합니다.

GraphRAG (수사관형 맥락 추론) Multi-hop

거대한 지식 거미줄 위에서 사건의 '원인과 결과(나비효과)'를 꼬리에 꼬리를 물고 추적하는 방식입니다.

  • 1단계 (진입점 설정): '보조금 삭감'이라는 노드(점)에서 탐색을 시작합니다.
  • 2단계 (다중 경로 추적): 선(Edge)을 따라 논리를 전개합니다.
    [경로A] 보조금 삭감 ➔ 소비자 부담 증가 ➔ EV 구매 보류
    [경로B] 대체재 탐색 ➔ 하이브리드(HEV) 차량 수요 급증
  • 3단계 (교차점 통찰): 표면적인 수치 이면에 숨겨진 '수요 이동(풍선 효과)'을 찾아냅니다.
도출 성과: 숫자를 계산하는 데는 약할 수 있지만, "소비자가 HEV로 이동하며 시장 판도가 바뀌었다"는 거시적 통찰을 제공합니다.
비교 항목 RAG 기반 (검색+계산) GraphRAG 기반 (관계망)
탐색의 기준 단어와 문맥의 유사도 (거리 계산) 개체 간의 인과관계 (논리적 연결망)
가장 강력한 장점 숫자 팩트 체크 및 속도
(매출이 정확히 얼마인가?)		 숨겨진 맥락과 풍선효과 파악
(왜 수치가 그렇게 나왔는가?)
치명적인 단점 (한계) 파편화된 정보의 행간을 잇는 이면적 유추 능력이 부족함 정밀한 통계 연산이나 DB 쿼리(SQL) 작업에는 취약하고 비용이 높음