1. SupplyGraph가 증명한 것

SupplyGraph는 벤치마크 데이터셋이다. 2024년 AAAI 워크숍에서 공개됐다[1]. AAAI는 미국 인공지능학회다. 방글라데시의 한 소비재(FMCG) 기업의 실제 운영 데이터를 썼다.

제품이 41개, 고유 엣지가 684개다. 생산 공장은 25개, 물류 거점은 13개다[1]. 제품은 5개 그룹, 19개 하위 그룹으로 나뉜다[1]. 데이터 기간은 2023년 1월 1일부터 8월 9일까지다. 생산과 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 관계가 있다. 같은 창고에 보관되는 관계도 있고, 같은 원료를 쓰는 관계도 있다.

여기서 구분해야 할 것이 있다. 2024년 1월 논문은 데이터와 과제 여섯 가지를 제안했다. 자원 논문이다. 실험 결과표는 담고 있지 않다[1]. 모델을 돌려 성능을 비교한 것은 후속 논문이다. 같은 연구진이 2024년 11월에 냈다[3]. 아래 수치는 모두 후속 논문의 벤치마크다.

과제는 여섯 가지다. 수요예측, 생산예측, 제품 분류가 셋이다. 제품 관계 탐지, 제품 관계 분류, 이상 탐지가 나머지다. 각 과제에 기존 머신러닝 모델과 GNN 모델을 모두 돌렸다. 동종 그래프와 이종 그래프에서 성능을 비교했다[3]. GNN은 그래프 신경망(Graph Neural Network)이다. 점과 선으로 이뤄진 관계 구조를 그대로 학습한다.

2. 과제별 실험 결과

수요예측에서는 이종 TGCN이 가장 좋았다[3]. TGCN은 시간 정보를 반영하는 그래프 합성곱 네트워크다. RMSE 26.24를 기록했다. RMSE는 평균 제곱근 오차다.

기존 시계열 모델 LSTM은 30.78이었다. LSTM은 장기 기억이 가능한 순환 신경망(Long Short-Term Memory)이다. 전통 통계 모델 ARMA는 37.99였다. ARMA는 자기회귀 이동평균(AutoRegressive Moving Average) 모델이다. GNN의 오차는 LSTM보다 약 15% 낮다. ARMA보다는 약 31% 낮다.

제품 분류에서는 이종 GAT가 82.24%의 정확도를 기록했다[3]. GAT는 그래프 주의 네트워크(Graph Attention Network)다. 기존 로지스틱 회귀(Logistic Regression)와 ANN은 66.67%에 머물렀다. ANN은 인공 신경망(Artificial Neural Network)이다. 15.6%p 차이다. GAT는 연결된 노드 중 어떤 것이 더 중요한지를 가중치로 판단한다. 이 "주의(attention)" 메커니즘이 제품 간 관계 파악에 유리했다.

제품 관계 탐지에서는 동종 GAT가 91.45%의 정확도를 보였다[3]. 기존 ANN은 78.74%였다. "이 두 제품이 관련이 있는가"를 묻는 과제다. GNN이 12.7%p 더 정확했다.

제품 관계 분류에서는 GCN이 91.36%로 가장 높았다[3]. GCN은 그래프 합성곱 네트워크(Graph Convolutional Network)다. ANN의 76.58%보다 14.8%p 높았다. "관련이 있다면 어떤 종류의 관계인가"를 분류하는 과제다.

이상 탐지에서는 GDN이 94.15%의 정밀도를 기록했다[3]. GDN은 그래프 편차 네트워크(Graph Deviation Network)다. LSTM-VAE의 91.87%보다 높았다. LSTM-VAE는 LSTM 변이형 오토인코더(LSTM Variational Autoencoder)다. "평소와 다른 패턴이 나타났는가"를 잡아내는 과제다.

별도의 후속 연구도 있다. 같은 SupplyGraph 데이터에 GCN을 적용했다. 41개 제품 중 대부분에서 MSE가 0에 가까웠다[2]. MSE는 평균 제곱 오차(Mean Squared Error)다. 반면 기존 MLP는 MSE가 17~380 범위로 편차가 컸다. MLP는 다층 퍼셉트론(Multi-Layer Perceptron)이다.

3. 동종 GNN과 이종 GNN의 차이

실험 결과에서 반복적으로 나타나는 패턴이 있다. 이종 GNN이 동종 GNN보다 대체로 성능이 높다. 이종은 heterogeneous, 동종은 homogeneous다.

동종 GNN은 모든 점과 선을 같은 유형으로 취급한다. 공급업체든 제품이든 구분하지 않는다. 거래 관계든 생산 관계든 하나의 그래프로 처리한다.

이종 GNN은 다르다. "이 점은 제품이고 저 점은 공급업체다"를 구분한다. 선도 마찬가지다. "이 선은 거래 관계이고 저 선은 생산 관계다"를 가른다. 현실의 공급망에서는 참여자의 유형과 관계의 성격이 모두 다르다. 그래서 이 구분이 예측 정확도를 높인다.

수요예측이 대표적이다. 이종 TGCN은 RMSE 26.24다. 동종 DCRNN은 27.98이다. DCRNN은 확산 합성곱 순환 신경망이다. 6% 차이다[3]. 제품 분류에서도 이종 GAT가 82.24%, 동종 GAT가 75.68%다. 6.6%p 차이다.

같은 논문은 개별 수치를 넘어 전체 경향도 정리했다. GNN 기반 모델이 기존 모델보다 일관되게 낫다는 것이다[3]. 회귀 과제에서 10~30% 향상됐다. 분류·탐지 과제도 10~30%다. 이상 탐지는 15~40%다. 비교 대상은 통계적 기계학습과 여타 딥러닝 모델이다.

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.

SupplyGraph 벤치마크에 이미 포함된 DCRNN이 대표적이다. 영어로는 Diffusion Convolutional Recurrent Neural Network다. 그래프 확산과 RNN을 결합한 모델이다. RNN은 순환 신경망(Recurrent Neural Network)이다. TGCN도 GCN과 GRU를 합친 구조다[1]. GRU는 게이트 순환 유닛(Gated Recurrent Unit)이다.

2025년에 발표된 GAT-TCN 모델은 여기서 한 단계 더 나아갔다[4]. GAT와 TCN을 결합했다. TCN은 시간 합성곱 네트워크(Temporal Convolutional Network)다. 기존 최고 성능인 DCRNN보다 MAPE를 15.3% 줄였다. MAPE는 평균 절대 백분율 오차(Mean Absolute Percentage Error)다. 특히 7단계 앞을 예측하는 장기 예측에서는 18.7%를 줄였다. 수요가 불규칙하게 발생하는 품목에서 효과가 컸다.

2026년에는 Mamba SSM 백본을 쓴 모델도 나왔다[5]. 다규모 글로벌 공급망의 시공간 수요예측 모델이다. SSM은 상태 공간 모델(State Space Model)이다. 긴 시계열을 더 효율적으로 처리한다. 기존 GNN+RNN 구조보다 낫다는 것이 핵심이다.

5. 아직 남은 과제

SupplyGraph의 한계도 분명하다.

첫째, 규모가 작다. 제품 41개, 단일 기업이다. 2023년 1월부터 8월까지 약 7개월치다[1]. NVIDIA-TSMC-SK하이닉스로 이어지는 공급망과는 규모가 다르다. 대규모 공급망에서도 그대로 적용될지는 검증되지 않았다.

둘째, 실제 운영 환경에서의 성과 보고가 없다. Siemens, Walmart, JPMorgan 모두 특허를 출원했다. 그러나 공개된 실측 데이터는 아직 없다. "물류비를 몇 퍼센트 줄였다"는 숫자가 없다.

셋째, 하드웨어 최적화가 초기 단계다. GNN은 그래프 구조 때문에 일반 GPU에서 효율이 낮다. 엣지 환경에서 실시간으로 돌리려면 NPU나 전용 가속기가 필요하다. NPU는 신경망 처리 장치(Neural Processing Unit)다. 그런데 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 과제에서 차이가 컸다. 연관성 탐지와 관계 분류에서 10%p 이상이다. 이것은 통계적으로 의미 있는 격차다.

그러나 냉정하게 볼 것이 있다. 41개 노드의 벤치마크와 수만 개 노드의 공급망은 다른 문제다. 이 간극을 메우는 것이 앞으로 2~3년의 과제다.

실무적으로 가장 빠르게 적용 가능한 영역은 이상 탐지다. 94% 정밀도로 "평소와 다른 패턴"을 잡아낸다. 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 개로 늘려도 성능 우위가 유지되는지가 핵심이다.

— 차세대 하이브리드 모델의 실전 적용 사례를 추적하라. GAT-TCN과 Mamba SSM이다. 벤치마크 성능과 실전 성능 사이의 간극이 이 기술의 실용성을 결정한다.

— GNN 전용 하드웨어 가속기의 발전 속도를 주시하라. 실시간으로 돌리려면 추론 속도와 전력 효율이 10배 이상 좋아져야 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 10~30%, 분류·탐지 10~30%, 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.