LLM 그래프 추론의 한계 돌파! EEDP 기술로 정답률 92% 달성하기
LLM은 텍스트 세상의 천재지만, ‘관계’의 그물망인 그래프(Graph) 데이터 앞에만 서면 유독 작아집니다. 소셜 네트워크, 분자 구조, 추천 시스템처럼 복잡하게 얽힌 데이터를 주면 갑자기 길을 잃고 헤매기 일쑤죠.
오늘은 이 똑똑한 AI가 그래프라는 미로를 인간처럼 영리하게 빠져나갈 수 있도록 돕는 기술, EEDP(End-to-End DAG-Path prompting)를 핵심만 콕 짚어 설명해 드리겠습니다.
❌ 기존 방식의 한계: 나무만 보고 숲을 못 본다
보통 LLM에게 그래프를 설명할 때, 우리는 ‘A는 B와 연결됨, B는 C와 연결됨…’ 식의 인접 리스트(Adjacency list) 방식을 씁니다. 이를 ‘그래프 평탄화’라고 부르죠. 하지만 여기엔 치명적인 문제가 있습니다.
모든 골목길 정보를 텍스트로 쭉 나열합니다. 1~2단계(hop) 거리는 겨우 맞히지만, 5단계 이상 멀어지면 LLM은 긴 텍스트의 늪에 빠져버립니다. 정답률이 동전 던지기보다 낮아지는 굴욕을 맛보기도 하죠.
전체 구조의 ‘뼈대’가 되는 고속도로를 먼저 보여주고, 세부 정보를 덧붙입니다. 낯선 도시에서 모든 골목길 주소 대신 “이 큰 대로를 따라가다가 저 건물에서 꺾으세요”라고 주요 경로를 알려주는 방식입니다.
💡 EEDP의 핵심 메커니즘 3단계
중국 과학기술대학교(USTC) 연구진이 제안한 이 방법은 인간의 인지 습관을 그대로 본떴습니다. 복잡한 데이터를 LLM이 소화하기 가장 편한 ‘영양식’으로 가공하는 과정입니다.
1단계. 그래프 다이어트 (G → DAG)
가장 먼저 순환(Cycle)이 있는 복잡한 그래프를 방향성 비순환 그래프(DAG)로 변환합니다. 꼬리에 꼬리를 무는 복잡한 연결 고리를 끊어내고, 흐름이 명확한 구조로 만드는 전처리 과정입니다.
2단계. 핵심 ‘간선 도로’ 추출
정리된 DAG에서 시작점과 끝점을 잇는 메인 뼈대 경로(PathEEDP)를 찾아냅니다.
여기에 단거리 추론을 위한 최소한의 인접 리스트를 결합합니다.
“큰길은 이거고, 주변 골목은 이 정도 있어”라고 친절하게 요약해 주는 셈입니다.
3단계. 프롬프트 압축 (가성비 챙기기)
그래프가 너무 크면 AI에게 입력할 토큰 양이 폭발합니다. EEDP는 중복된 경로를 합치는 기술로 토큰 길이를 57% 이상 줄였습니다. 정보는 지키면서 용량만 다이어트한 거죠.
📊 숫자가 증명하는 압도적 성능
연구진이 GPT-4-turbo로 테스트한 결과는 직설적입니다. 5홉(hop) 이상의 장거리 추론 테스트에서 기존 방식이 무너질 때, EEDP는 압도적인 정답률을 유지했습니다.
| 테스트 조건 | 기존 방식 (인접 리스트) | EEDP |
|---|---|---|
| 5홉(hop) 이상 장거리 추론 | 55.53% | 92.15% |
단순히 텍스트만 나열했을 때보다 훨씬 더 ‘논리적인 지도’를 받았기 때문에 가능한 결과입니다. LLM에게 필요한 건 방대한 데이터가 아니라, ‘이해할 수 있는 구조’입니다.
🛠️ 개발자를 위한 실전 인사이트
지식 그래프 기반의 QA 시스템이나 경로 탐색 AI를 만들고 계신가요? 그렇다면 무작정 데이터를 텍스트로 때려 넣지 마세요.
- 단순화: 전체 그래프에서 불필요한 순환을 제거해 DAG로 바꾸세요. 흐름이 명확한 구조가 LLM의 출발점입니다.
- 강조: LLM에게 ‘핵심 경로’가 무엇인지 명시적으로 짚어주세요. 골목길보다 대로를 먼저 보여주는 것이 핵심입니다.
- 결합: 뼈대 정보(DAG 경로)와 세부 정보(인접 리스트)를 적절히 섞을 때 가장 똑똑한 답변이 나옵니다.
결국 LLM에게 필요한 건 방대한 데이터가 아니라, ‘이해할 수 있는 구조’입니다. EEDP는 그 구조를 만드는 아주 영리한 설계도라고 할 수 있겠네요.
