기술 요약: RISC-V 공급망 탐색을 위한 GenAI 기반 접근법

1. 문제 제기

자동차 분야에서 RISC-V 의 급속한 채택은 공급망 관리에 상당한 복잡성을 도입합니다. 수직 계열화된 독점 생태계와 달리, RISC-V 환경은 IP 코어 설계사, EDA 도구 제공업체, 파운드리, 시스템 통합업체 등 이해관계자로 구성된 분산형 네트워크입니다. 이러한 분열로 인해 중요한 공급망 데이터는 기술 백서, 표준 명세서, 시각적 산물 (다이어그램, 블록 선도, 스캔된 문서) 과 같은 이질적이고 비정형 및 준정형 소스에 걸쳐 분산되어 있습니다.

정형 데이터베이스와 수동 큐레이션에 의존하는 전통적인 분석 방법은 이러한 다중 모달 정보의 규모와 풍부함을 포착하기에 부족합니다. furthermore, 자동차 분야는 추적 가능성과 검증을 위해 엄격한 규제 요구사항 (예: ISO 26262) 을 부과하여, 상호의존성을 매핑하고 위험을 모니터링하기 위한 강력한 메커니즘이 필요합니다. 본 논문이 다루는 핵심 과제는 RISC-V 공급망 의존성에 대한 공식적이고 기계 해석 가능한 모델을 생성하기 위해 텍스트 및 시각 데이터를 종합할 수 있는 자동화 도구의 부재입니다.

2. 방법론

본 논문은 원시 데이터를 구조화된 지식과 공식 프로세스 모델로 변환하기 위해 대규모 언어 모델 (LLM), 비전 - 언어 모델 (VLM), 모델 주도 엔지니어링 (MDE) 을 통합하는 GenAI 기반 워크플로우를 제안합니다. 워크플로우는 다음 단계를 통해 작동합니다:

2.1 다중 모달 데이터 수집 및 추출

시스템은 기술 문서, 벤더 보고서, 시각적 산물을 포함한 이질적인 입력을 수집합니다.

• 텍스트 처리: LLM 은 비정형 텍스트에서 엔티티 (이해관계자, 구성 요소, IP 블록) 와 관계를 추출하는 데 사용됩니다.
• 시각 처리: VLM 은 다이어그램, 흐름도, 표를 해석하여 텍스트 전용 모델이 놓칠 수 있는 구조적 정보를 추출합니다.
• 프롬프트 전략: 추출은 특정 프롬프트에 의해 안내됩니다. 예를 들어, 지식 그래프를 생성하기 위해 시스템은 불필요한 설명 없이 Neo4j 호환 노드 및 관계 정의를 출력하도록 모델을 지시하는 프롬프트를 사용합니다. 마찬가지로 프로세스 추출의 경우, 프롬프트는 행위자 상호작용을 나타내는 여러 수영로 (swimlanes) 를 가진 PlantUML 활동 다이어그램 생성을 지시합니다.

2.2 지식 그래프 구축

추출된 엔티티와 관계는 Neo4j 를 사용하여 지식 그래프 (KG) 로 구성됩니다.

• 스키마: 그래프는 참여자 (예: 반도체 회사), 제품 (프로세서, IP 코어), 그리고 상호의존성 (라이선싱, 공급 관계) 을 포착합니다.
• 쿼리: 분석가는 Cypher 쿼리 언어를 사용하여 멀티홉 의존성을 탐색하고 병목 현상을 식별할 수 있습니다. 이 프레임워크에는 인간 분석가가 제공하는 자연어 지침에 기반하여 Cypher 쿼리 작성을 LLM 이 지원하는 추론 계층이 포함되어 있습니다.

2.3 프로세스 추출 및 공식 모델링

워크플로우 분석을 해결하기 위해 시스템은 PlantUML 활동 다이어그램을 사용하여 공식 프로세스 모델을 생성합니다.

• 중간 표현: 추출된 프로세스 의미론은 PlantUML 텍스트로 변환된 후 기계 처리를 위해 JSON 형식으로 변환됩니다.
• 규칙 기반 유효성 검사: 활동의 순서와 조정을 검증하기 위한 규칙 기반 프레임워크가 도입됩니다. before, after, after-true, after-false 와 같은 연산자를 사용하여 조건부 실행 경로 (예: 검증 체크) 를 모델링하는 제약 조건이 정의됩니다. 역할이 주석된 규칙 (예: Role: Action) 은 설계자, 벤더, 파운드리와 같은 특정 행위자에게 책임을 할당하는 데 사용됩니다.
• Human-in-the-Loop: 워크플로우에는 추출된 모델을 정제하고, 규칙을 조정하며, 가정을 검증할 수 있는 인간 분석가가 포함되어 있어 도메인 전문성이 자동화된 지능과 통합되도록 보장합니다.

2.4 구현

워크플로우는 입력 처리, GenAI 모델 프롬프트, MDE 분석을 연결하는 오픈소스 오케스트레이션 도구인 n8n을 사용하여 구현됩니다.

• 모델: 시스템은 민감한 자동차 도메인과 관련하여 특히 중요한 데이터 프라이버시를 보장하기 위해 로컬에 배포된 모델을 활용합니다. 평가는 텍스트용 openai/gpt-oss-120b 와 시각 작업용 Qwen/Qwen3.5-122B-A10B 를 사용하며, 세 개의 H200 NVL GPU 가 장착된 클러스터에서 실행됩니다.
• 상호작용: 사용자는 대화형 채팅 인터페이스를 통해 상호작용하거나 다이어그램, 문서와 같은 파일 업로드를 받아 워크플로우 실행을 트리거하는 웹훅을 통해 상호작용할 수 있습니다.

3. 주요 기여

• 다중 모달 통합: 본 논문은 텍스트 중심 공급망 분석 도구의 한계를 해결하기 위해 텍스트 의미 이해를 위한 LLM 과 시각적 구조 추출을 위한 VLM 을 결합한 통합 프레임워크를 제시합니다.
• MDE 를 통한 공식 모델링: 모델 주도 엔지니어링을 통합함으로써, 비정형 데이터를 제약 기반 분석 및 위험 감지를 지원하는 공식 표현 (지식 그래프 및 PlantUML 다이어그램) 으로 변환합니다.
• 규칙 기반 프로세스 검증: 활동 순서 및 역할 할당을 검증하기 위한 규칙 기반 계층의 도입은 설계 시점에 안전하지 않거나 일관성 없는 공급망 행동을 체계적으로 감지할 수 있게 합니다.
• 로컬 배포 전략: 오픈소스 도구와 로컬 호스팅 모델을 사용한 로컬 배포 가능 파이프라인의 시연은 데이터 프라이버시 보호 대안을 제공하며, 이는 데이터 프라이버시 및 규제 준수가 최우선인 자동차 산업에 있어 클라우드 기반 GenAI 서비스에 대한 중요한 대안입니다.

4. 실험 결과

이 접근법은 대표적인 RISC-V 공급망 설명과 해당 다이어그램을 사용하여 평가되었습니다. 기준 데이터는 GPT-5.3 의 도움을 받아 확립되었습니다.

• 지식 그래프 추출:

  • LLM 성능: 개념 추출에서 88% (22/25), 관계에서 83% (19/23), 속성에서 75% (6/8) 의 정확도를 달성했습니다.
  • VLM 성능: 개념에서 72%, 관계에서 65%, 속성에서 63% 의 정확도를 달성했습니다.
  • 쿼리 생성: 시스템은 75% 의 엔드투엔드 정확도 (20 개 쿼리 중 15 개가 완전히 정확) 로 Cypher 쿼리를 생성했습니다.

• 프로세스 분석:

  • LLM 성능: 활동의 91% (10/11), 참여자의 100%, 관계의 82%, 산물의 78% 를 식별했습니다. 검증 규칙의 80% 를 성공적으로 생성했습니다.
  • VLM 성능: 활동의 73%, 참여자의 75%, 관계의 64% 를 식별했습니다. 추상적 추론의 한계로 인해 VLM 은 규칙 생성에 사용되지 않았습니다.

• 성능 지표: 평균 응답 시간은 LLM 의 경우 약 11.5 초, VLM 의 경우 14 초였습니다.

결과에 따르면 LLM 은 의미론적 추론과 규칙 생성에서 뛰어나지만, VLM 은 시각적 입력에서 구조적 요소를 추출하는 데 보완적인 가치를 제공합니다. 두 모달리티의 결합은 단일 모달리티만 사용할 때보다 더 포괄적인 분석을 제공합니다.

5. 중요성 및 주장

본 논문은 이 GenAI 기반 접근법이 분산되고 이질적인 RISC-V 공급망 분석의 과제를 효과적으로 해결한다고 주장합니다. 다중 모달 데이터를 공식 모델로 종합함으로써, 이 프레임워크는 투명성을 향상시키고 의사결정을 지원하며 복잡한 반도체 공급망의 회복력을 개선합니다.

저자들은 로컬 배포 가능 모델의 사용과 반복적 검증 및 중간 표현의 결합이 데이터 주권을 유지하면서 최첨단 상용 모델에 가까운 성능을 가져온다고 강조합니다. 이는 데이터 프라이버시와 규제 준수가 최우선인 자동차와 같은 민감한 도메인에 있어 중요한 이점으로 제시됩니다. 이 연구는 RISC-V 생태계에서 공급망 개발을 모니터링하고, 새로운 행위자를 식별하며, 시스템적 위험을 평가하기 위한 확장 가능한 기반을 제공하는 방법론으로 결론지었습니다.