RT-T9까지는 LLM이 단일 요청 맥락에서 배차 의도를 해석했지만, 물류 운영에서는 공급망 네트워크 전체 구조를 이해해야 "부산항 파업 시 서울 DC 납기 대안은?"과 같은 연쇄 영향(cascade impact) 질의에 응답할 수 있다. RT-T10은 거점·경로·운송사·규제를 Neo4j 그래프로 모델링하고, Graph RAG(그래프 서브그래프 탐색 + LLM 자연어 요약)를 결합해 연쇄 영향 분석을 자동화한다.

핵심 아이디어는 LLM에게 모든 데이터를 삽입하지 않는 것이다. 이벤트 발생 시 Cypher 쿼리로 관련 서브그래프만 추출하고, 그 결과만 LLM 프롬프트에 컨텍스트로 주입하여 자연어 보고서를 생성한다. 2025.05 목표는 평균 응답 3.8초(기존 수작업 30분 이상 대비 473배 단축), 경로 대안 커버리지 92%(2홉 이내)이다.

// Node 타입
(Node:Depot)         // 창고·항만·배송센터
(Node:Vehicle)       // 차량 (트럭·컨테이너)
(Node:Carrier)       // 운송사
(Node:Customer)      // 고객사

// Edge 타입
(Node:Depot)-[:CONNECTED_BY]->(Edge:Route)
(Edge:Route)-[:OPERATED_BY]->(Node:Carrier)
(Node:Depot)-[:REGULATED_BY]->(Rule:Restriction)
(Node:Depot)-[:HAS_CAPACITY]->(Constraint:Capacity)

# 사용자 질의 (자연어)
Q: "부산항 파업 영향 시 서울 DC 납기 대안은?"

# Step 1 — 부산항 의존 경로 추출
MATCH (d:Depot {name:"부산항"})-[:CONNECTED_BY]->(r:Route)
RETURN r.id, r.lead_time, r.cost

# Step 2 — 2홉 이내 대안 경유지 탐색
MATCH p=(src:Depot {name:"서울DC"})-[*1..2]-(alt:Depot)
WHERE alt.name IN ["인천항", "광양항"]
RETURN p, alt

# Step 3 — 추가 비용·리드타임 스코어링
alt_cost = score(alt, detour_penalty=0.15)

# Step 4 — LLM이 자연어 보고서 생성
llm.generate(context=subgraph, scores=alt_cost)

coverage는 대안 경로가 원래 ShipTo 집합을 얼마나 커버하는지 (0~1), cost_ratio는 기본 경로 대비 비용 증가율, risk_penalty는 Restriction 노드 위반 여부 가중치다. 5월 실험에서 3개 축 결합으로 Top-3 대안 커버리지 92%를 확보했다.