[논문 리뷰] Enhancing Supply Chain Visibility with Knowledge Graphs and Large Language Models

Sara AlMahri, Liming Xu외 1명|arXiv (Cornell University)|2024. 08. 05.

Data Quality and ManagementDecision Sciences인용 수 3

한 줄 요약

이 논문은 직접적인 정보 공유에 의존하지 않고 공개 웹 자료에서 공급망 지식 그래프를 구성함으로써 가시성을 향상시키는 제로샷, LLM 기반 프레임워크를 제안한다. 명칭 엔티티 인식과 관계 추출에 제로샷 프롬프팅을 활용함으로써 다이어그램적 공급망을 고정밀도로 매핑하며, 전기자동차 배터리 광물에 대한 사례 연구를 통해 2단계 이하의 공급자 이외의 숨겨진 의존성과 대체 공급원을 드러낸다.

ABSTRACT

In today's globalized economy, comprehensive supply chain visibility is crucial for effective risk management. Achieving visibility remains a significant challenge due to limited information sharing among supply chain partners. This paper presents a novel framework leveraging Knowledge Graphs (KGs) and Large Language Models (LLMs) to enhance supply chain visibility without relying on direct stakeholder information sharing. Our zero-shot, LLM-driven approach automates the extraction of supply chain information from diverse public sources and constructs KGs to capture complex interdependencies between supply chain entities. We employ zero-shot prompting for Named Entity Recognition (NER) and Relation Extraction (RE) tasks, eliminating the need for extensive domain-specific training. We validate the framework with a case study on electric vehicle supply chains, focusing on tracking critical minerals for battery manufacturing. Results show significant improvements in supply chain mapping, extending visibility beyond tier-2 suppliers. The framework reveals critical dependencies and alternative sourcing options, enhancing risk management and strategic planning. With high accuracy in NER and RE tasks, it provides an effective tool for understanding complex, multi-tiered supply networks. This research offers a scalable, flexible method for constructing domain-specific supply chain KGs, addressing longstanding challenges in visibility and paving the way for advancements in digital supply chain surveillance.

연구 동기 및 목표

• 파트너 간 정보 공유의 제한으로 인해 지속적으로 발생하는 공급망 가시성 부족 문제를 해결하기 위해.
• 직접 협업이나 전용 데이터 공유에 의존하는 전통적 가시성 방법의 한계를 극복하기 위해.
• 공개 가능하고 비정형적인 자료에서부터 공급망 정보를 자동으로 추출하고 구조화하는 확장 가능한 자동화 프레임워크를 개발하기 위해.
• 특히 전기자동차 배터리에 쓰이는 핵심 자재를 포함한 복잡한 다단계 공급망을 종단 간 매핑하기 위해.
• 숨겨진 의존성과 대체 공급 옵션을 드러내어 리스크 관리 및 전략적 의사결정을 향상시키기 위해.

제안 방법

• 비정형 텍스트에서 공급자, 자재, 관계를 식별하기 위해 대규모 언어 모델(Large Language Models, LLMs)의 제로샷 프롬프팅을 활용해 명칭 엔티티 인식(Named Entity Recognition, NER)과 관계 추출(Relation Extraction, RE)을 수행한다.
• 위키피디아, 뉴스, 보고서 등 다양한 공개 자료에서 구조화된 트리플릿(주어, 관계, 목적어)을 추출하여 도메인 특화 지식 그래프(Knowledge Graphs, KGs)를 구성한다.
• 도메인 특화 데이터셋에 대한 미세조정 없이 LLM을 통합하여 엔티티 간 관계를 유추함으로써 제로샷 일반화를 가능하게 한다.
• 다양한 자료에서 추출한 엔티티를 통합하고 정규화하여 통합된 다단계 공급망 네트워크 표현을 구축한다.
• 프롬프트 엔지니어링을 적용하여 LLM이 다단계 간 복잡한 의존성, 예를 들어 자재 유동성과 공급자-고객 체인을 식별하도록 이끈다.
• 전기자동차 공급망 사례 연구를 통해 지식 그래프를 검증하며, 특히 배터리 제조에 쓰이는 핵심 광물에 초점을 맞춘다.

실험 결과

연구 질문

• RQ1 LLM은 도메인 특화 훈련 없이도 비정형 공개 텍스트에서 공급망 엔티티와 관계를 효과적으로 추출할 수 있는가?
• RQ2 제로샷 LLM 기반 접근법은 1단계 및 2단계 공급자 이외의 공급망 가시성을 어느 정도까지 확장할 수 있는가?
• RQ3 이러한 프레임워크는 복잡한 공급망에서 핵심 자재에 대한 중요한 의존성과 대체 공급 옵션을 얼마나 정확하게 식별할 수 있는가?
• RQ4 공개 가능한 자료 자원을 사용할 경우, 생성된 지식 그래프의 완전성과 신뢰성에 어떤 영향을 미치는가?
• RQ5 LLM을 통해 구축된 지식 그래프가 공급망 네트워크에서 전략적 리스크 관리 및 의사결정 지원에 어떻게 기여할 수 있는가?

주요 결과

• 제로샷 LLM 접근법은 명칭 엔티티 인식 및 관계 추출 작업에서 높은 정확도를 달성하여 비정형 공개 텍스트에서 신뢰할 만한 추출을 가능하게 했다.
• 이 프레임워크는 2단계 공급자 이외의 영역까지 확장된 공급망 네트워크를 성공적으로 매핑하였으며, 전기자동차 배터리 자재 유동성에서 이전에 알려지지 않은 상호의존성을 드러냈다.
• 구축된 지식 그래프에서는 리튬과 코발트와 같은 핵심 광물에 대해 특정 공급자에 대한 중요한 의존성을 식별하여 사전 리스크 평가를 가능하게 했다.
• 대체 공급 옵션이 발견되어 공급망의 회복력 강화 및 다양화 전략 수립에 전략적 통찰을 제공했다.
• 이 프레임워크는 약물, 반도체, 소비재 등 다양한 공급망 도메인에 걸쳐 확장성과 적응성을 입증하였으며, 응용 가능성이 높았다.
• 지식 그래프는 의사결정자에게 실행 가능한 통찰을 제공하여 투명성을 향상시키고 윤리적·지속 가능한 자원 확보 전략을 지원했다.