SSKG Hub: An Expert-Guided Platform for LLM-Empowered Sustainability Standards Knowledge Graphs

이 논문은 지속가능성 보고 표준의 복잡성을 해결하기 위해 대규모 언어 모델 (LLM) 과 전문가의 협업을 통해 감사 가능한 지식 그래프를 생성하고 관리하는 'SSKG Hub'라는 웹 플랫폼을 제안하며, 이를 통해 표준의 구조화, 검증, 그리고 활용성을 향상시키는 방법을 제시합니다.

핵심

🌍 1. 문제: "너무 두꺼운 규칙 책"

기업이 환경을 보호하고 윤리적으로 운영하려면 GRI, SASB, IFRS 같은 거대한 '규칙 책 (표준 문서)'을 따라야 합니다. 하지만 이 책들은 다음과 같은 문제가 있습니다.

• 너무 두껍고 길다: 읽는 것만으로도 지칩니다.
• 용어가 어렵다: 전문가가 아니면 무슨 뜻인지 알기 힘듭니다.
• 서로 얽혀 있다: A 페이지의 내용이 B 페이지의 C 조항과 연결되어 있어, 한 줄을 읽으려면 책 전체를 뒤져야 합니다.

기존에는 이 책을 PDF 로 검색하거나 사람이 일일이 읽어야 했지만, 이렇게 하면 빠르고 정확하게 분석하기 어렵습니다.

🤖 2. 해결책: "AI 비서와 전문가의 팀워크"

이 논문은 SSKG Hub라는 웹사이트를 만들어 이 문제를 해결했습니다. 이 시스템은 **AI(대규모 언어 모델)**와 현장 전문가가 함께 일하는 '팀'처럼 작동합니다.

📚 비유: "거대한 도서관을 '지도'로 만드는 프로젝트"

이 과정을 도서관에 비유해 볼까요?

1. AI 가 책을 읽고 초안 지도를 그립니다 (Draft KG):

   • AI 비서 (Qwen-Max) 가 두꺼운 규칙 책을 빠르게 읽습니다.
   • 책의 내용을 "A 는 B 를 의미한다", "C 는 D 와 연결된다" 같은 **작은 정보 조각 (삼중항)**으로 잘게 쪼개서 정리합니다.
   • 이때 중요한 점은, 어느 페이지의 어떤 문장에서 이 정보를 가져왔는지 '출처 (증거)'를 꼭 붙여둔다는 것입니다. (이걸 'Provenance'라고 합니다.)
   • 이렇게 만들어진 것을 **'초안 지도 (Draft KG)'**라고 부릅니다.

2. 전문가들이 지도를 검토하고 수정합니다 (Expert Review):

   • AI 가 만든 초안은 완벽하지 않을 수 있습니다. 그래서 **현장 전문가 (ESG 전문가, 감사원 등)**들이 이 초안 지도를 꼼꼼히 봅니다.
   • 전문가들은 AI 가 잘못 해석한 부분을 고치고, 빠진 내용을 채워 넣습니다.
   • 이때 역할에 따라 권한이 나뉩니다:
     • 일반인 (게스트): 지도만 구경하고 검색할 수 있습니다.
     • 전문가 (Review): 지도를 수정하고 검증할 수 있습니다.
     • 수석 전문가 (Meta-expert): 모든 수정이 끝난 후 최종 확인을 하고, 이 지도가 '공식 인증 (Certified)'을 받을 자격이 있는지 최종 결정을 내립니다.

3. 공식 인증된 지도가 완성됩니다 (Certified KG):

   • 전문가들의 검증을 통과한 정보만 **'공식 지식 그래프 (Certified KG)'**로 확정됩니다.
   • 이제 이 지도는 기업이나 연구자들이 신뢰하고 사용할 수 있는 '진짜' 데이터가 됩니다.

🛠️ 3. 이 플랫폼의 특별한 기능들

• 🔍 출처 추적 (Evidence Tracing):
  • 지도의 어떤 점 (정보) 을 클릭하면, 원래 책의 어느 페이지, 몇 번째 줄에서 나온 정보인지 바로 보여줍니다. "AI 가 헛소리를 한 게 아니라, 책에 진짜 적혀 있었다"는 것을 증명해 줍니다.
• 🔗 지도 연결 (Fusion):
  • 서로 다른 규칙 책 (예: IFRS 와 GRI) 을 만든 지도들을 붙여서 비교할 수 있습니다. "이 두 규칙은 서로 충돌하는가?"를 쉽게 찾아낼 수 있습니다.
• ❓ 질문하기 (KGQA):
  • "이 기업이 탄소 배출 목표를 어떻게 설정해야 해?"라고 질문하면, 지도에서 관련 정보를 찾아서 답을 줍니다.

🎯 4. 왜 이것이 중요한가요?

• 녹색세탁 (Greenwashing) 방지: 기업이 "우리는 환경을 잘 지키고 있어요"라고 말만 할 때, 이 지도를 통해 실제 규칙에 맞는지 검증할 수 있습니다.
• 신뢰성: AI 가 혼자 하는 게 아니라, 사람이 최종 확인하고 출처를 남기기 때문에 금융이나 규제 분야에서 신뢰할 수 있습니다.
• 접근성: 복잡한 규칙 책을 읽지 않아도, 이 지도를 통해 누구나 쉽게 지속 가능성 정보를 이해할 수 있습니다.

💡 요약

SSKG Hub는 "AI 가 두꺼운 규칙 책을 빠르게 요약하고, 전문가가 그 내용을 꼼꼼히 검증하여, 출처가 명확한 신뢰할 수 있는 지식 지도를 만들어주는 시스템"입니다.

이 시스템은 더 이상 복잡한 문서에 매몰되지 않고, 데이터로 명확하게 환경을 관리하고 검증할 수 있는 길을 열어줍니다.

기술 요약

1. 문제 정의 (Problem)

지속가능성 공개 표준 (GRI, SASB, TCFD, IFRS S2 등) 은 규제 준수, 위험 관리, 기업 거버넌스의 핵심이지만, 다음과 같은 특성으로 인해 대규모 분석과 실용화에 어려움이 있습니다.

• 복잡성: 문서가 방대하고 전문 용어가 밀집되어 있으며, 문서 내 교차 참조 (cross-referential) 가 매우 빈번합니다.
• 비구조화: 기존 PDF 기반 검색이나 단순 텍스트 검색 (RAG) 만으로는 표준 간의 관계 (개념, 요구사항, 의존성) 를 명시적으로 파악하거나, 거버넌스부터 지표까지의 체인을 추적하는 등 기계가 실행 가능한 (machine-actionable) 형태로 변환하기 어렵습니다.
• 신뢰성 부족: 고위험 (high-stakes) 인 지속가능성 보고 분야에서는 LLM 의 자동 추출만으로는 환각 (hallucination) 과 편향의 위험이 있어, 전문가의 검증과 투명한 출처 (provenance) 추적이 필수적입니다.

2. 방법론 (Methodology)

논문은 SSKG Hub라는 연구 프로토타입 웹 플랫폼을 제안하며, 지속가능성 표준을 감사 가능한 지식 그래프 (Knowledge Graph, KG) 로 변환하는 LLM 중심의 전문가 주도 파이프라인을 구현했습니다.

A. 시스템 아키텍처 및 파이프라인

1. 표준 인식형 NLP 파이프라인:

   • 입력 및 식별: PDF 를 PyMuPDF 로 텍스트 추출 후, LLM 분류기를 통해 표준 유형 (예: SASB, IFRS S2 등) 을 자동 식별합니다.
   • 구체적 프롬프팅 및 청킹: 표준별 특성에 맞춘 시스템 프롬프트를 적용하고, 교차 참조를 고려한 가변적 청킹 (기본 4000 자, 200 자 오버랩) 을 수행하여 문맥 단절을 방지합니다.
   • LLM 추출: Qwen-Max API 를 사용하여 텍스트 청크에서 (주어, 술어, 목적어) 형태의 삼중항 (triples) 을 추출합니다.
   • 출처 인식형 저장: 추출된 삼중항은 Neo4j 에 저장되며, 각 관계는 원본 문서 ID, 페이지 번호, 인용 문장 등 출처 (provenance) 정보와 함께 저장되어 감사 (audit) 가 가능합니다.

2. 역할 기반 거버넌스 워크플로우 (Role-Based Governance):

   • Draft KG (초안): LLM 추출로 생성된 초기 그래프는 '초안' 상태로 저장됩니다.
   • 전문가 검토 (Expert Review): 도메인 전문가들이 독립적으로 삼중항을 수정 (CRUD), 삭제, 또는 LLM 검증 도구를 활용하여 품질을 점검합니다.
   • 메타 전문가 인증 (Meta-Expert Certification): 최종적으로 메타 전문가가 검토 결과를 종합하고 분쟁을 조정하여, 검증된 삼중항을 Certified KG (인증된 그래프) 로 승격시킵니다.
   • 접근 권한: 게스트 (읽기 전용), 전문가 (편집/검토), 메타 전문가 (최종 승인), 관리자 등 역할에 따라 권한이 세분화되어 있습니다.

3. 인터랙티브 기능:

   • 그래프 탐색 및 증거 추적: 노드 - 링크 시각화를 통해 그래프를 탐색하며, 특정 삼중항을 클릭하면 원본 PDF 의 해당 문장과 페이지를 즉시 확인 (Evidence Tracing) 할 수 있습니다.
   • KG 퓨전 및 태스크: 서로 다른 표준 (예: IFRS S2 vs TCFD) 간의 엔티티 정합성 확인, KGQA(지식 그래프 기반 질문 응답), 다단계 추론 (multi-hop reasoning) 등의 하위 태스크를 지원합니다.

3. 주요 기여 (Key Contributions)

1. 통합 플랫폼 개발: 지속가능성 표준을 감사 가능한 KG 로 변환하고, 탐색, 정합성 분석, 하위 태스크 실행을 지원하는 최초의 웹 플랫폼을 제시했습니다.
2. 표준 특화 추출 파이프라인: 도메인 특유의 제약 (교차 참조, 전문 용어) 을 해결하기 위한 표준 인식형 프롬프팅, 견고한 삼중항 파싱, 출처 우선 (provenance-first) 저장 방식을 고안했습니다.
3. 전문가 주도 거버넌스 모델: 독립적인 다중 전문가 검토와 메타 전문가의 최종 인증을 포함하는 역할 기반 워크플로우를 구현하여, 자동화의 위험을 인간 검증으로 보완했습니다.
4. 크로스-KG 퓨전 및 태스크 라이브러리: 표준 간 융합 테스트베드와 KGQA, 추론 경로 탐색 등 다양한 KG 기반 태스크를 제공합니다.
5. 실증 사례 및 평가: IFRS S2 표준을 대상으로 한 엔드 - 투 - 엔드 사례 연구를 통해 플랫폼의 유효성과 품질 보증 프로세스를 입증했습니다.

4. 결과 (Results)

• 사례 연구 (IFRS S2): 73 개의 LLM 추출 초안 삼중항을 대상으로 12 명의 전문가가 검토를 수행했습니다.
• 검토 결과:
  • 삭제: 73 개 중 24 개 (32.88%) 는 지원되지 않거나 품질이 낮다는 이유로 제거되었습니다 (중복 연결, 부정확한 추출, 불필요한 정보 등).
  • 인증: 나머지 49 개 (67.12%) 는 수정 여부와 관계없이 인증된 KG 로 승격되었습니다.
• 품질 및 감사성: 모든 검토 작업 (수정, 삭제, 승인) 이 타임스탬프와 함께 기록되어 초안에서 인증된 상태까지의 완전한 감사 추적 (audit trail) 을 확보했습니다.
• 시스템 성능: LLM 추출 단계의 최적화보다는 LLM-전문가 협업 워크플로우의 효과성을 입증하며, 생성된 그래프가 일관성 있고 의미 있음을 보였습니다.

5. 의의 및 중요성 (Significance)

• 실용적 가치: ESG 보고팀, 감사인, 연구자들이 복잡한 지속가능성 표준을 기계가 실행 가능한 형태로 변환하고, 이를 통해 규제 준수와 위험 관리를 효율화할 수 있게 합니다.
• 신뢰성 확보: '인간-인-더-루프 (Human-in-the-loop)' 거버넌스와 투명한 출처 추적 메커니즘을 통해 LLM 의 환각 문제를 완화하고, 고위험 금융/규제 분야에서 신뢰할 수 있는 AI 활용의 기준을 제시합니다.
• 녹색세탁 (Greenwashing) 방지: 구조화된 ESG 지식에 대한 접근성을 민주화하여 기업의 책임성을 높이고, 허위 지속가능성 보고를 식별하는 데 기여합니다.
• 오픈 소스 및 확장성: 코드베이스는 Apache-2.0 라이선스로 공개될 예정이며, 다양한 표준과 도메인으로 확장 가능한 아키텍처를 제공합니다.

이 논문은 LLM 의 강력한 추출 능력과 도메인 전문가의 엄격한 검증 프로세스를 결합하여, 지속가능성 표준이라는 복잡한 데이터를 신뢰할 수 있는 지식 인프라로 전환하는 새로운 패러다임을 제시합니다.