GNN으로 읽는 글로벌 AI 공급망 (3) 어떤 GNN이 맞는가
Menu: Market & Industry Sub: Ecosystem Status: Draft Date: 2026-08-13 Series: GNN으로 읽는 글로벌 AI 공급망 (3/3)
Executive Summary
SupplyGraph 벤치마크가 공급망 과제별로 어떤 GNN(Graph Neural Network, 그래프 신경망) 모델이 가장 잘 작동하는지를 실험으로 증명했다. 수요예측에서 GNN은 기존 시계열 모델보다 RMSE(Root Mean Square Error, 평균 제곱근 오차)를 15% 낮췄다. 관계 분류에서는 정확도가 14.8%p 높았다. 이 글은 실험 결과를 바탕으로, 공급망의 어떤 과제에 어떤 GNN 아키텍처가 적합한지를 정리한다.
1. SupplyGraph가 증명한 것
SupplyGraph는 2024년 AAAI 워크숍에서 공개된 벤치마크 데이터셋이다[1]. 방글라데시의 한 소비재(FMCG) 기업의 실제 운영 데이터를 사용했다. 41개 제품, 684개 고유 엣지, 25개 생산 공장, 13개 물류 거점이 포함된다[1]. 제품은 5개 그룹, 19개 하위 그룹으로 나뉜다[1]. 데이터 기간은 2023년 1월 1일부터 8월 9일까지로, 생산·판매 주문·대리점 배송·공장 이슈를 담았다[1].
이 데이터를 그래프로 만들었다. 제품이 점(노드)이고, 거래 관계가 선(엣지)이다. 62가지 유형의 관계가 있다[1]. 같은 공장에서 생산되는 관계, 같은 창고에 보관되는 관계, 같은 원료를 쓰는 관계 등이다.
여기서 구분해야 할 것이 있다. 2024년 1월의 데이터셋 논문은 데이터와 6가지 과제를 제안한 자원 논문이다. 실험 결과표는 담고 있지 않다[1]. 실제로 모델을 돌려 성능을 비교한 것은 같은 연구진이 2024년 11월에 낸 후속 논문이다[3]. 아래 수치는 모두 후속 논문의 벤치마크다.
과제는 여섯 가지다. 수요예측, 생산예측, 제품 분류, 제품 관계 탐지, 제품 관계 분류, 이상 탐지. 각 과제에 기존 머신러닝 모델과 GNN 모델을 모두 돌려 동종 그래프와 이종 그래프에서 성능을 비교했다[3].
2. 과제별 실험 결과
수요예측에서는 이종 TGCN(Temporal Graph Convolutional Network, 시간 정보를 반영하는 그래프 합성곱 네트워크)이 가장 좋았다[3]. RMSE 26.24를 기록했다. 기존 시계열 모델인 LSTM(Long Short-Term Memory, 장기 기억이 가능한 순환 신경망)은 30.78이었다. 전통 통계 모델 ARMA는 37.99였다. GNN이 LSTM 대비 약 15%, ARMA 대비 약 31% 낮은 오차를 보였다.
제품 분류에서는 이종 GAT(Graph Attention Network, 그래프 주의 네트워크)가 82.24%의 정확도를 기록했다[3]. 기존 로지스틱 회귀(Logistic Regression)와 ANN(Artificial Neural Network, 인공 신경망)은 66.67%에 머물렀다. 15.6%p 차이다. GAT는 연결된 노드 중 어떤 것이 더 중요한지를 가중치로 판단한다. 이 "주의(attention)" 메커니즘이 제품 간 관계를 파악하는 데 유리했다.
제품 관계 탐지에서는 동종 GAT가 91.45%의 정확도를 보였다[3]. 기존 ANN은 78.74%였다. "이 두 제품이 관련이 있는가"라는 질문에 GNN이 12.7%p 더 정확하게 답한 것이다.
제품 관계 분류에서는 GCN(Graph Convolutional Network, 그래프 합성곱 네트워크)이 91.36%로 가장 높았다[3]. ANN의 76.58%보다 14.8%p 높았다. "관련이 있다면 어떤 종류의 관계인가"를 분류하는 과제다.
이상 탐지에서는 GDN(Graph Deviation Network, 그래프 편차 네트워크)이 94.15%의 정밀도를 기록했다[3]. LSTM-VAE(LSTM Variational Autoencoder, LSTM 변이형 오토인코더)의 91.87%보다 높았다. "평소와 다른 패턴이 나타났는가"를 잡아내는 과제다.
별도의 후속 연구에서 같은 SupplyGraph 데이터에 GCN을 적용한 결과, 41개 제품 중 대부분에서 MSE(Mean Squared Error, 평균 제곱 오차)가 0에 가까웠다[2]. 반면 기존 MLP(Multi-Layer Perceptron, 다층 퍼셉트론)는 MSE가 17~380 범위로 편차가 컸다.
3. 동종 GNN과 이종 GNN의 차이
실험 결과에서 반복적으로 나타나는 패턴이 있다. 이종(Heterogeneous) GNN이 동종(Homogeneous) GNN보다 대체로 성능이 높다는 것이다.
동종 GNN은 모든 점과 선을 같은 유형으로 취급한다. 공급업체든 제품이든, 거래 관계든 생산 관계든 구분 없이 하나의 그래프로 처리한다.
이종 GNN은 다르다. "이 점은 제품이고, 저 점은 공급업체다", "이 선은 거래 관계이고, 저 선은 생산 관계다"를 구분한다. 현실 세계의 공급망에서는 참여자의 유형과 관계의 성격이 모두 다르기 때문에, 이 구분이 예측 정확도를 높인다.
수요예측에서 이종 TGCN(26.24 RMSE)이 동종 DCRNN(27.98 RMSE)보다 6% 낮은 오차를 보인 것이 대표적 사례다[3]. 제품 분류에서도 이종 GAT(82.24%)가 동종 GAT(75.68%)보다 6.6%p 높았다.
같은 논문은 개별 수치를 넘어 전체 경향도 정리했다. GNN 기반 모델이 통계적 기계학습 및 여타 딥러닝 모델 대비 회귀 과제에서 1030%, 분류·탐지 과제에서 1030%, 이상 탐지에서 15~40%의 성능 향상을 보인다는 것이다[3].
4. GNN + 시계열 모델의 결합
공급망 예측에서 GNN만으로는 부족한 부분이 있다. GNN은 관계를 잘 읽지만, 시간의 흐름을 반영하는 데는 한계가 있다. 이를 보완하기 위해 GNN과 시계열 모델을 결합하는 연구가 활발하다.
이미 SupplyGraph 벤치마크에 포함된 DCRNN(Diffusion Convolutional Recurrent Neural Network)이 대표적이다. 그래프 확산과 RNN(Recurrent Neural Network, 순환 신경망)을 결합한 모델이다. TGCN도 GCN과 GRU(Gated Recurrent Unit, 게이트 순환 유닛)를 합친 구조다[1].
2025년에 발표된 GAT-TCN 모델은 여기서 한 단계 더 나아갔다[4]. GAT(그래프 주의 네트워크)와 TCN(Temporal Convolutional Network, 시간 합성곱 네트워크)을 결합했다. 기존 최고 성능인 DCRNN 대비 MAPE(Mean Absolute Percentage Error, 평균 절대 백분율 오차)를 15.3% 줄였다. 특히 7단계 앞을 예측하는 장기 예측에서는 18.7%를 줄였다. 수요가 불규칙하게 발생하는 품목에서 효과가 컸다.
2026년에는 Mamba SSM(State Space Model, 상태 공간 모델) 백본을 활용한 다규모 글로벌 공급망 시공간 수요예측 모델도 발표되었다[5]. 기존 GNN+RNN 구조보다 긴 시계열을 효율적으로 처리할 수 있다는 것이 핵심이다.
5. 아직 남은 과제
SupplyGraph의 한계도 분명하다.
첫째, 규모가 작다. 41개 제품, 단일 기업, 2023년 1월부터 8월까지 약 7개월치 데이터다[1]. NVIDIA-TSMC-SK하이닉스로 이어지는 글로벌 다계층 공급망과는 규모가 다르다. 이 벤치마크의 결과가 대규모 공급망에서도 그대로 적용될지는 아직 검증되지 않았다.
둘째, 실제 운영 환경에서의 성과 보고가 없다. Siemens, Walmart, JPMorgan 모두 특허를 출원했지만, "GNN을 적용해서 물류비를 몇 퍼센트 줄였다"는 공개된 실측 데이터는 아직 없다.
셋째, 하드웨어 최적화가 초기 단계다. GNN은 그래프 구조 때문에 일반 GPU에서 효율이 낮다. 엣지 환경에서 실시간으로 돌리려면 NPU(Neural Processing Unit, 신경망 처리 장치)나 전용 가속기가 필요한데, GNN 전용 하드웨어 연구는 아직 초기 단계다[6].
JK's Take
SupplyGraph가 보여준 것은 명확하다. 공급망의 6가지 핵심 과제에서 GNN이 기존 방식을 일관되게 이긴다. 특히 "관계"를 읽는 과제, 즉 제품 간 연관성 탐지나 관계 분류에서 10%p 이상의 정확도 차이를 보였다. 이것은 통계적으로 의미 있는 격차다.
그러나 냉정하게 볼 것이 있다. 41개 노드의 소규모 벤치마크와 수만 개 노드의 글로벌 공급망은 차원이 다른 문제다. 이 간극을 메우는 것이 앞으로 2~3년의 과제다.
실무적으로 가장 빠르게 적용 가능한 영역은 이상 탐지다. 94%의 정밀도로 "평소와 다른 패턴"을 잡아내는 것은 당장 공급망 모니터링에 쓸 수 있다. 수요예측의 15% 오차 개선도 재고 관리 비용에 직접적인 영향을 준다.
What to Watch
— SupplyGraph의 대규모 확장 버전이 나오는지 주목하라. 41개 노드에서 수천 개 노드로 확장되었을 때도 같은 성능 우위가 유지되는지가 핵심이다.
— GAT-TCN이나 Mamba SSM 같은 차세대 하이브리드 모델의 실전 적용 사례를 추적하라. 벤치마크 성능과 실전 성능 사이의 간극이 이 기술의 실용성을 결정한다.
— GNN 전용 하드웨어 가속기의 발전 속도를 주시하라. 공급망 GNN이 실시간으로 돌아가려면 추론 속도와 전력 효율이 10배 이상 개선되어야 한다.
References
[1] Wasi et al., "SupplyGraph: A Benchmark Dataset for Supply Chain Planning using Graph Neural Networks", AAAI Workshop, arXiv:2401.15299, 2024. https://arxiv.org/abs/2401.15299 — 데이터셋 논문이다. 총 제품(노드) 41개, 엣지 유형 62종, 고유 엣지 684개, 공장 25개, 창고 13개, 제품 그룹 5개·하위 그룹 19개. 데이터 기간은 2023년 1월 1일~8월 9일이며 생산·판매 주문·대리점 배송·공장 이슈를 담는다. 6가지 과제를 제안하지만 실험 결과표는 포함하지 않는다. GitHub(https://github.com/ciol-researchlab/SupplyGraph)에서 코드와 데이터를 공개한다.
[2] "Optimizing Supply Chain Networks with the Power of Graph Neural Networks", arXiv:2501.06221, 2025. https://arxiv.org/abs/2501.06221 — SupplyGraph 데이터에 GCN과 MLP를 적용해 비교한 독립 연구다.
[3] Wasi et al., "Graph Neural Networks in Supply Chain Analytics and Optimization: Concepts, Perspectives, Dataset and Benchmarks", arXiv:2411.08550, 2024-11. https://arxiv.org/abs/2411.08550 — 이 글 2장과 3장의 과제별 수치는 모두 이 논문의 벤치마크다. 동종·이종 그래프에서 최신 모델들을 벤치마킹했으며, GNN 기반 모델이 통계적 기계학습 및 여타 딥러닝 모델 대비 회귀 1030%, 분류·탐지 1030%, 이상 탐지 15~40%의 향상을 보인다고 보고한다.
[4] ACM, "GAT-TCN: Graph Attention Network with Temporal Convolutional Network for Supply Chain Forecasting", 2025. https://dl.acm.org/doi/full/10.1145/3789297.3789408 — GAT와 TCN(Temporal Convolutional Network, 시간 합성곱 네트워크)을 결합한 하이브리드 모델이다.
[5] Springer, "Mamba SSM backbone for multi-scale global supply chain spatiotemporal demand forecasting", 2026. https://link.springer.com/article/10.1007/s44163-026-01053-1 — Mamba SSM(State Space Model, 상태 공간 모델)은 긴 시계열을 효율적으로 처리하는 새로운 아키텍처다.
[6] BUAA CI-LAB, "Literatures on GNN Acceleration", 2024. https://github.com/BUAA-CI-LAB/Literatures-on-GNN-Acceleration — GNN 하드웨어 가속 연구의 종합 목록이다.
— 2026-09-07 업데이트: 인용 귀속을 바로잡았다. 2장·3장의 과제별 벤치마크 수치(TGCN RMSE 26.24, GAT 82.24%, GDN 94.15% 등)를 데이터셋 논문[1]의 결과로 표기했으나, 해당 논문은 데이터와 과제를 제안한 자원 논문으로 실험 결과표를 담고 있지 않다. 이 수치들은 같은 연구진이 2024년 11월에 낸 벤치마크 논문[3]의 결과이므로 각주 6곳을 옮겼다. 수치 자체는 원문과 일치한다. 데이터 기간도 "8개월"에서 확인된 2023년 1월 1일~8월 9일(약 7개월)로 수정하고, 데이터셋 통계(엣지 유형 62종, 고유 엣지 684개, 공장 25개, 창고 13개, 제품 그룹 5개·하위 그룹 19개)를 원문 기준으로 보강했다.
