SOPRAG: 산업 표준 운영 절차를 위한 다중 뷰 그래프 전문가 검색

SOPRAG: Multi-view Graph Experts Retrieval for Industrial Standard Operating Procedures

표준 운영 절차(SOP)는 산업 환경에서 운영 안전성과 일관성을 보장하는 데 필수적입니다. 그러나 이러한 절차를 검색하고 준수하는 과정은 경직된 고유 구조, 상황에 따른 조건부 관련성, 실행 가능한 수행 요구 사항과 같은 독특한 과제들을 수반하며, 이는 일반적인 의미 기반 검색 증강 생성(RAG) 패러다임으로는 해결하기 어려운 문제입니다. 본 연구에서는 전문가 혼합(MoE) 패러다임에서 영감을 받아, SOP 검색의 이러한 문제점들을 해결하기 위해 특별히 설계된 새로운 프레임워크인 SOPRAG를 제안합니다. SOPRAG는 산업적 구조와 논리적 복잡성을 해결하기 위해 기존의 단순 청킹 방식을 전문화된 개체(Entity), 인과(Causal), 흐름(Flow) 그래프 전문가로 대체합니다. 이러한 전문가들을 최적화하고 조정하기 위해, 우리는 검색 공간을 축소하여 계산 노이즈를 제거하는 '절차 카드(Procedure Card)' 계층과, 검색 결과를 운영자의 의도에 맞추기 위해 전문가들에게 동적으로 가중치를 부여하는 'LLM 유도 게이팅 메커니즘'을 제안합니다. 또한 도메인 특화 데이터의 부족 문제를 해결하기 위해 벤치마크 구축을 위한 자동화된 멀티 에이전트 워크플로우를 도입했습니다. 4가지 산업 도메인에 걸친 광범위한 실험 결과, SOPRAG는 검색 정확도와 응답 유용성 모두에서 강력한 어휘적, 밀집적, 그래프 기반 RAG 베이스라인 모델들을 크게 능가하였으며, 실제 중요 작업에서 완벽한 실행 점수를 달성함을 입증했습니다.

Standard Operating Procedures (SOPs) are essential for ensuring operational safety and consistency in industrial environments. However, retrieving and following these procedures presents unique challenges, such as rigid proprietary structures, condition-dependent relevance, and actionable execution requirement, which standard semantic-driven Retrieval-Augmented Generation (RAG) paradigms fail to address. Inspired by the Mixture-of-Experts (MoE) paradigm, we propose SOPRAG, a novel framework specifically designed to address the above pain points in SOP retrieval. SOPRAG replaces flat chunking with specialized Entity, Causal, and Flow graph experts to resolve industrial structural and logical complexities. To optimize and coordinate these experts, we propose a Procedure Card layer that prunes the search space to eliminate computational noise, and an LLM-Guided gating mechanism that dynamically weights these experts to align retrieval with operator intent. To address the scarcity of domain-specific data, we also introduce an automated, multi-agent workflow for benchmark construction. Extensive experiments across four industrial domains demonstrate that SOPRAG significantly outperforms strong lexical, dense, and graph-based RAG baselines in both retrieval accuracy and response utility, achieving perfect execution scores in real-world critical tasks.