품질 문서를 위한 RAG: SOP, CAPA, 일탈(Deviation)을 위한 GxP 규제 준수 파이프라인 구축법

품질 관리자(Quality Manager)가 시스템에 다음과 같이 질문합니다: “무균 충전 및 마감(sterile fill-finish) 제조 공정의 일탈에 대한 CAPA 절차는 무엇인가요?”

단순한 RAG 파이프라인은 벡터 검색을 수행하여 의미적으로 가장 유사한 청크를 찾은 뒤 이를 LLM에 전달합니다. 답변은 그럴듯하게 들립니다. 관련 문서를 인용하고 정확한 전문 용어를 사용합니다.

하지만 참조한 SOP는 6개월 전 규제 당국의 지적 사항(regulatory finding)에 따라 새로운 근본 원인 분석 단계가 추가된 3.0 버전으로 대체된 구버전(2.1 버전)이었습니다. LLM은 이 사실을 알지 못합니다. 벡터 데이터베이스 역시 알지 못합니다. 결국 CAPA 조사는 이미 폐기된 구식 절차를 따르게 됩니다.

이것이 바로 품질 문서를 다루는 RAG가 블로그 글이나 위키 문서를 다루는 RAG와 근본적으로 다른 엔지니어링 문제인 이유입니다. 품질 문서는 버전 관리(version-controlled)가 엄격하고, 상호 참조(cross-referenced)되며, 구조적으로 복잡하고, 정확성이 극도로 중요합니다. 오류가 발생하면 단순히 잘못된 답변을 내놓는 데 그치지 않고, 심각한 규제 위반(compliance violation)으로 이어집니다.

수많은 아키텍처 분석, 계층적 검색(hierarchical retrieval), 레이아웃 인식 파싱(layout-aware parsing), 지식 그래프(knowledge graph)에 관한 최신 연구, 그리고 제약 바이오 분야의 실제 구현 사례를 종합하여, 규제 산업 환경에서 실제로 작동하는 검증된 아키텍처를 소개합니다.

표준 RAG가 품질 문서에서 실패하는 이유

실패 패턴은 구체적이며 예측 가능합니다:

고정 크기 청킹(Fixed-size chunking)은 절차의 맥락을 파괴합니다. SOP의 ‘절차(Procedure)’ 섹션은 1,500토큰에 달할 수 있습니다. 512토큰 단위의 청크 분할기는 4단계 중간을 잘라내어, “시약 X를 추가하십시오”라는 지시와 “경고: 4단계 진행 시 PPE(개인보호장구)를 착용하십시오”라는 주의사항을 서로 다른 청크로 분리해 버립니다. LLM은 안전 경고가 누락된 지침만을 전달받게 됩니다.

벡터 검색은 버전 관리를 무시합니다. 임베딩 벡터에는 “이 문서는 폐기되었습니다”라는 정보가 인코딩되지 않습니다. SOP 2.1 버전과 3.0 버전이 모두 벡터 데이터베이스에 존재한다면, 현재 유효한(effective) 최신 버전이 아니라 단순히 의미적 유사도가 더 높은 버전이 선택되고 맙니다.

문서 ID와 부품 번호는 벡터 임베딩에 적합하지 않습니다. 벡터 임베딩 관점에서 “CAPA-2024-045”와 “CAPA-2024-054”는 의미적으로 거의 동일합니다. 키워드 검색(BM25)만이 이 둘을 정확히 구분할 수 있습니다.

교차 참조(Cross-references)가 끊어집니다. CAPA는 일탈을 참조하고, 일탈은 SOP를 참조하며, SOP는 USP(미국 약전) 장을 참조합니다. 단층형(flat) 벡터 데이터베이스에는 이러한 관계에 대한 개념이 없습니다. 사용자가 “배치 실패(batch failure) 이후 어떤 조치가 취해졌나요?“라고 질문할 때, 시스템은 일탈 → CAPA → 연계된 SOP로 이어지는 연결 고리를 추적하지 못합니다.

표(Table) 데이터가 왜곡됩니다. SOP에는 장비 목록, 책임 매트릭스, 의사결정 트리 등 다양한 표가 포함되어 있습니다. 일반적인 텍스트 추출 방식은 이를 평탄화하여 읽을 수 없는 문자열로 뭉개버립니다. ’누가 무엇을 수행하는가’를 정의한 업무 분장 표가 단순한 노이즈로 전락하게 됩니다.

4개 계층 아키텍처

1계층: 거버넌스 (단일 진실 공급원, Source of Truth)

RAG 시스템은 절대로 최종 권한을 가진 원천이 되어서는 안 됩니다. 신뢰할 수 있는 단일 진실 공급원(Source of Truth)은 Veeva QualityDocs, MasterControl, TrackWise와 같이 컴퓨터화 시스템 밸리데이션(CSV)을 거친 전자 문서 관리 시스템(DMS) 또는 eQMS입니다. 이 시스템은 다음을 담당합니다:

버전 관리 및 전자서명
역할 기반 접근 제어(RBAC)
승인 워크플로우 및 감사 추적(Audit Trail)
문서 생애주기 관리(초안 → 검토 중 → 승인 완료 → 폐기)

RAG 시스템은 이러한 거버넌스 계층의 *소비자(consumer)*일 뿐이며, 이를 대체하는 시스템이 아닙니다. 이러한 분리는 미국 FDA 21 CFR Part 11 규정 준수를 위해 절대적으로 필요합니다. FDA의 Purolea 경고 서한(Warning Letter, 2026년 4월)에서도 명시되었듯, GxP 프로세스에 사용되는 AI 시스템은 품질 관리 시스템(QMS) 외부에서 독립적으로 운영되어서는 안 되며, 반드시 QMS 내부 통제 하에서 작동해야 합니다.

2계층: 데이터 수집 파이프라인 (Ingestion Pipeline)

품질 문서를 다루는 RAG 시스템의 성패가 갈리는 곳이 바로 이 단계입니다. 데이터 수집 파이프라인은 5단계로 구성됩니다:

1단계: 레이아웃 인식 파싱 (Layout-aware parsing)

단순 텍스트 추출 도구(PyPDF2, 기본 OCR 등)를 절대 사용해서는 안 됩니다. 품질 문서는 머리글, 바닥글, 표, 서명란, 개정 이력 등 레이아웃 의존성이 매우 높습니다. 문서 구조를 깊이 이해하는 레이아웃 인식 파서를 사용해야 합니다:

도구	강점	최적의 사용처
LlamaParse	에이전틱 OCR, 동적 파싱 모드(표 중심 등), 빠른 처리 속도	프로덕션 환경의 PDF 파이프라인
Azure Document Intelligence	클라우드 네이티브, 레이아웃 분석 API, Azure 생태계와의 통합	Azure 기반 인프라 환경
Unstructured.io	오픈소스, 다양한 추출 전략 지원	자체 호스팅(Self-hosted), 비용 효율성 중시
Docling	오픈소스, 뛰어난 표 추출 성능	연구 목적, 오픈소스 선호 환경

핵심 목표는 ‘목적(Purpose)’ 섹션, 단계별 ‘절차(Procedure)’, 그리고 ‘개정 이력(Revision History)’ 표를 정확하게 구분하는 것입니다. 2025년 Procycons 벤치마크 연구는 Docling, Unstructured, LlamaParse의 정확도, 속도, 복잡한 표 추출 성능을 비교 분석했으며, 문서 복잡성에 따라 적절한 트레이드오프를 선택해야 함을 보여주었습니다.

2단계: 문서 품질 트리아지 (Document quality triage)

모든 품질 문서의 상태가 동일하지는 않습니다. 최근 디지털로 작성된 전자 SOP와 2008년에 스캔된 노후(legacy) CAPA 문서는 문서 상태가 완전히 다릅니다. 문서를 사전에 평가하여 품질 점수를 매기고 적절한 처리 경로로 라우팅해야 합니다:

텍스트 추출이 깔끔한 디지털 문서: 전체 구조화 처리 파이프라인 적용
경미한 OCR 오류가 있는 문서: 기본 청킹 + 텍스트 정제(cleanup)
스캔 품질이 불량하여 인식이 어려운 레거시 문서: 고정 크기 청킹 + 인적 검토(human review) 필수 플래그 지정

실제 산업 현장 배포 사례에 따르면, 이 트리아지 단계만으로도 검색 오류율을 최대 60%까지 줄일 수 있었습니다.

3단계: 메타데이터 추출 (가장 중요한 핵심 단계)

텍스트를 한 조각이라도 청킹하기 전에, 문서 수준에서 메타데이터를 추출하여 저장해야 합니다. 분할된 모든 청크는 이 메타데이터를 그대로 상속받습니다. 필수 메타데이터 필드는 다음과 같습니다:

문서 유형(Document Type): SOP, CAPA, 일탈(Deviation), 작업 지침서(Work Instruction), 변경 관리(Change Control)
문서 ID 및 제목(Document ID & Title): 예: SOP-QA-042
버전 및 발효일자(Version & Effective Date): 매우 중요. LLM이 현재 승인된 유효 버전만을 검색하도록 보장해야 함
상태(Status): 초안(Draft), 검토 중(Under Review), 승인 완료(Approved), 폐기(Obsolete)
부서/기능(Department/Function): 제조(Manufacturing), QA, QC, 시험실(Lab)
연관 엔티티(Associated Entities): 예: 해당 CAPA는 일탈 DEV-992와 연계됨
규제 인용(Regulatory Citations): FDA 21 CFR Part 11, EU GMP Annex 11 등

특히 CAPA 문서의 경우, 청킹 시점에 근본 원인(Root Cause), 시정 조치(Corrective Action), 예방 조치(Preventive Action), 기한(Due Date), 유효성 평가(Effectiveness Check) 등의 구조화된 필드를 별도로 추출해야 합니다.

4단계: 구조 인식 기반 청킹 (Structure-aware chunking)

SOP에 대해 고정 크기 문자나 토큰 분할기를 절대 사용하지 마십시오. 문서의 논리적 계층 구조를 반드시 준수해야 합니다.

섹션 기반 청킹(Section-based chunking): 제목(1.0 목적, 2.0 적용 범위, 3.0 절차 등)을 기준으로 분할합니다. 절차 섹션이 1,500토큰에 달하더라도 청크를 쪼개지 않고 온전하게 유지해야 합니다. 작업 절차는 하나의 덩어리로 보존되어야 합니다.

부모-자식 청킹(Parent-child chunking, 권장): 품질 문서를 다룰 때 가장 강력하고 효과적인 청킹 전략입니다. 이 방식은 2단계 계층 구조를 생성합니다:

자식 청크(Child chunks): 작고 구체적인 단위(단일 작업 단계, 단락, 글머리 기호 항목). 정밀한 의미적 매칭을 위해 벡터 데이터베이스에 인덱싱됩니다.
부모 청크(Parent chunks): 더 큰 맥락을 담은 단위(전체 섹션, 전체 SOP 문서). 자식 청크가 매칭되었을 때 함께 검색되어 LLM에 완전한 절차적 맥락을 제공합니다.

작동 원리: 벡터 검색이 특정 자식 청크(“4단계: 50 PSI 압력으로 시약 X 투입”)를 찾아내면, 시스템은 LLM에 전달할 컨텍스트로 해당 부모 청크(전체 ‘장비 설정’ 섹션)를 함께 조회합니다. 이를 통해 LLM이 4단계의 안전한 수행을 위해 필요한 5단계의 안전 경고 등 전체 작업 절차의 맥락을 잃어버리는 문제를 방지할 수 있습니다.

2026년 SemEval 논문(H-RAG, arXiv:2605.00631)에서는 검색 단위의 세분성과 생성 컨텍스트 재구성 단위를 분리하는 계층적 부모-자식 표현 방식이 기존의 단순 단층형(flat) 청킹 방식보다 월등히 뛰어난 성능을 보임을 입증했습니다.

표 데이터 보존(Table preservation): 표 형태의 데이터(장비 목록, 원료 규격, 책임 매트릭스 등)는 분할되지 않는 단일 원자적(atomic) 청크로 유지해야 합니다. 임베딩 전에 이를 구조화된 마크다운(Markdown)이나 HTML로 변환하여 LLM이 행과 열의 관계를 명확히 이해할 수 있도록 합니다.

청크 내 메타데이터 주입(Metadata injection into chunks): 각 청크를 임베딩하기 전에 컨텍스트 정보를 접두어로 추가합니다. 단순히 “밸브를 50 PSI로 돌리십시오”만 임베딩하는 것이 아니라, “SOP-QA-001, 섹션 4.2: 장비 설정 → 밸브를 50 PSI로 돌리십시오” 형태로 구성합니다. 이렇게 하면 임베딩 벡터가 본래의 소스 맥락에 단단히 고정됩니다.

5단계: 지식 그래프 구축 (Knowledge graph construction)

품질 문서는 단순한 텍스트 묶음이 아니라, 평면적인 벡터 데이터베이스로는 표현할 수 없는 복잡한 관계망으로 얽혀 있습니다:

Batch Failure → triggers → Deviation DEV-992
Deviation DEV-992 → triggers → CAPA-2024-045
CAPA-2024-045 → modifies → SOP-QA-042 (v2.1 → v3.0)
SOP-QA-042 → references → Form F-112, USP <797>

벡터 데이터베이스와 함께 그래프 데이터베이스(업계 표준으로 Neo4j가 주로 사용됨)를 구성하면 이러한 관계망을 따라 질의를 순회(traverse)할 수 있습니다. 사용자가 “배치 실패 후 취해진 조치는 무엇인가요?“라고 질문하면, 시스템은 먼저 그래프를 탐색하여 배치 실패 → 일탈 → CAPA → 연계된 SOP 경로를 추적한 뒤, 벡터 DB에서 해당 특정 문서들을 정확히 가져옵니다.

2025년 MDPI의 Document GraphRAG 논문에서는 문서의 내재적 구조를 기반으로 구축된 지식 그래프를 RAG 파이프라인에 결합했을 때 검색 견고성(retrieval robustness)이 대폭 향상됨을 입증했습니다. GitHub에 공개된 Neo4j의 제약 파이프라인 지식 그래프 구축 프로젝트는 비전 LLM(Vision LLM)과 GraphRAG를 결합하여 비정형 제약 문서를 검색 가능한 지식 그래프로 변환하는 실전 구현법을 잘 보여줍니다.

3계층: 검색 (Retrieval)

벡터 검색 전 메타데이터 사전 필터링

품질 문서 RAG에서 가장 투자 대비 효과(ROI)가 높은 검색 최적화 기법입니다. 벡터 유사도 검색이 실행되기 전에 엄격한 하드 필터(hard filter)를 먼저 적용합니다:

WHERE Status = 'Approved'
  AND Effective_Date <= CURRENT_DATE
  AND Department IN (user's accessible departments)

이를 통해 LLM은 오직 현재 유효한 승인 문서만을 참조하게 됩니다. 폐기되거나 개정 전인 구버전 SOP를 검색 결과로 제공하는 것은 단순한 오답이 아니라 심각한 규제 위반입니다.

하이브리드 검색 (벡터 + 키워드)

품질 문서에는 벡터 임베딩이 구분하기 힘든 매우 구체적인 영숫자 식별자(alphanumeric identifier)가 가득합니다:

“CAPA-2024-045” 대 “CAPA-2024-054” — 의미적으로는 동일하지만 텍스트상으로는 완전히 다른 문서
“21 CFR Part 11” 대 “21 CFR Part 211” — 규제 내용이 완전히 다르지만 임베딩 벡터가 매우 유사함
“OOS”(규격 일탈, Out of Specification) 대 “OOT”(경향 일탈, Out of Trend) — 도메인 특화 약어

의미적 맥락을 파악하는 조밀 벡터(dense vector) 검색(“누출 사고 발생 시 대처법”)과 정확한 텍스트 매칭을 위한 희소/BM25(sparse) 키워드 검색을 결합해야 합니다. 최신 벡터 데이터베이스(Qdrant, Weaviate, Pinecone, Elasticsearch 벡터 검색 등)는 대부분 하이브리드 검색을 기본적으로 지원합니다.

또한 도메인 고유 용어의 경우 약어 용어집(OOS, OOT, NCR, USP, ICH 등)을 사전에 구축하여 임베딩 전에 모호성을 해소하는 작업이 필요합니다.

크로스 인코더 기반 리랭킹 (Cross-encoder re-ranking)

벡터 데이터베이스는 규제 컴플라이언스 연관성이 아니라 단순한 수학적 거리를 기준으로 청크를 반환합니다. 초기 검색에서 가져온 상위 1520개의 청크를 크로스 인코더 모델(Cohere Rerank, BGE-Reranker, 또는 cross-encoder/ms-marco-MiniLM-L-6-v2)에 통과시켜 실제 심층적 의미 일치도를 기준으로 재순위화(re-ranking)합니다. 이를 통해 LLM에 전달되는 컨텍스트를 가장 관련성이 높은 핵심 35개 청크로 압축할 수 있습니다.

리랭킹은 연산 비용 대비 효과가 매우 뛰어나며, 1차 검색에서 의미상 유사하지만 실제 맥락상 부적절한 결과가 포함된 오류를 확실하게 걸러냅니다.

쿼리 변환 (Query transformation)

품질 실무자들은 동일한 질문이라도 다양한 방식으로 표현합니다. 예를 들어 “OOS 조사 절차가 어떻게 되나요?“와 “규격 일탈 결과는 어떻게 처리해야 합니까?“처럼 표현이 다를 수 있습니다. 검색 전에 LLM을 활용하여 질의를 재작성하거나 확장해야 합니다. 가상 문서 임베딩(HyDE, Hypothetical Document Embeddings) 기술, 즉 가상의 답변을 먼저 생성한 후 이를 임베딩하여 검색하는 방식은 품질 문서 질의에서 매우 뛰어난 성능을 보입니다.

4계층: 생성 및 안전장치 (Generation and guardrails)

엄격한 시스템 프롬프트

LLM은 창의적인 글작성자가 아니라 엄격한 QA 감사관처럼 행동해야 합니다:

“당신은 GxP 품질 어시스턴트입니다. 오직 제공된 컨텍스트만을 사용하여 답변하십시오. 추론하거나 가정하거나 외부 지식을 덧붙이지 마십시오. 제공된 컨텍스트에 답변이 없는 경우 ’제공된 문서에는 해당 정보가 포함되어 있지 않습니다’라고 명시하십시오. 절차적 단계를 임의로 재작성하지 마십시오.”

Temperature = 0 설정

사실 기반 정보 검색을 위해 temperature=0으로 설정하십시오. CAPA 조사나 SOP 질의응답에서는 창의적인 변주나 임의성이 절대 개입되어서는 안 됩니다.

필수적인 본문 내 인용 (Mandatory inline citations)

LLM이 답변하는 모든 주장에 문서 ID, 버전, 섹션 번호, 발효일자를 반드시 첨부하도록 강제해야 합니다: “반응기를 개방하기 전에 보안경을 착용하십시오 (SOP-MFG-012, v3.2, 섹션 4.1, 발효일자 2025-09-15).”

LLM의 답변을 특정 문서 ID, 버전 번호, 섹션 제목으로 완벽하게 역추적할 수 없다면, 해당 RAG 시스템은 아직 프로덕션 환경에 배포할 준비가 되지 않은 것입니다.

신뢰도 점수화 및 답변 거부 (Confidence scoring and abstention)

검색 점수를 기반으로 시스템이 자체적인 신뢰도를 평가하는 메커니즘을 구현하십시오. 검색된 컨텍스트와 사용자의 질의 간 유사도가 기준치에 미치지 못하는 경우, 시스템은 억지로 답변을 지어내지 않고 자동으로 답변을 거부(abstain)한 뒤 전문 품질 담당자(Quality SME)의 검토 대상으로 플래그를 지정해야 합니다. 시스템은 “신뢰할 수 있는 답변을 찾지 못했습니다”라는 안내와 함께 사람이 검토할 수 있는 추천 문서 목록을 반환해야 합니다.

청크 수준의 역할 기반 접근 제어 (RBAC)

초급 작업자가 RAG 시스템에 질의하여 인사 관련 CAPA나 임원진 전용 기밀 일탈 보고서의 내용을 열람할 수 있어서는 안 됩니다. 질의 시점에 사용자의 Active Directory/SSO 권한을 확인하고, 백그라운드에서 숨겨진 메타데이터 필터(AND Department IN ["Manufacturing", "General"])를 자동으로 추가하여 권한 통제를 철저히 강제해야 합니다.

CAPA 대 SOP: 문서 유형에 따른 차별화 전략

모든 품질 문서 유형에 동일한 방식을 일괄 적용할 수는 없습니다:

문서 유형	특성	RAG 전략
SOP / 작업 지침서	정적 참조 문서	버전 관리, 발효일자 필터링, 섹션 기반 청킹에 집중. 절차의 온전성 유지.
CAPA / 일탈(Deviation)	사례 중심, 서사 위주, 강한 관계성	2단계 RAG: 구조화된 DB를 먼저 조회(CAPA ID, 근본 원인 분류, 연계된 일탈 기준)한 후 관련 서사 텍스트 검색. 상호 참조를 위한 지식 그래프 활용.
배치 제조 기록서 / 로그북	스캔본 또는 수기 작성이 빈번함	임베딩 전 고도화된 OCR 및 필기체 인식이 필수. 문서 품질 트리아지 중요.
변경 관리(Change Control)	교차 참조 중심 문서	지식 그래프 순회: 변경 관리 → 영향받는 SOP → 영향받는 배치 기록서 추적

특히 CAPA 문서는 세심한 주의가 필요합니다. 사용자가 “이전에 동일한 근본 원인이 발생한 적이 있는가?“라고 질문할 때 필요한 것은 단순한 의미적 검색이 아니라 모든 CAPA에 걸친 근본 원인 카테고리를 조회하는 구조화된 메타데이터 검색입니다. 따라서 검색 계층은 먼저 정형 CAPA 데이터베이스를 조회한 후, 상세 맥락 파악을 위해 벡터 DB에서 관련 서사 텍스트를 가져오는 2단계 방식을 취해야 합니다.

평가 체계: 측정 없이는 배포하지 마십시오

품질 문서를 다루는 RAG 시스템에는 지속적인 성능 평가가 필수적입니다. 2026년 기준 핵심적으로 활용되는 3가지 평가 프레임워크는 다음과 같습니다:

도구	접근 방식	주요 측정 지표
RAGAS	오픈소스, 정답 레이블(Ground Truth) 불필요, 가장 빠른 구축 가능	충실도(Faithfulness), 답변 관련성(Answer Relevancy), 문맥 정밀도(Context Precision), 문맥 재현율(Context Recall)
TruLens	실시간 관측 가능성(Observability), 실험 대시보드 제공	RAG 삼원칙(RAG Triad): 문맥 관련성, 근거성(Groundedness), 답변 관련성
DeepEval	CI/CD 파이프라인 게이트, 테스트 러너 통합	환각률(Hallucination rate), 답변 정확도, 문맥 정밀도

RAGAS의 충실도와 문맥 정밀도 지표에서 0.8점 이상을 기록하면 프로덕션 배포가 가능한 검색 품질 수준으로 평가할 수 있습니다. 연구 결과에 따르면 RAG를 올바르게 구현하고 정량적으로 측정할 경우 환각 발생률을 최대 71%까지 줄일 수 있습니다. 하지만 이는 지속적인 측정이 수반될 때만 가능합니다.

특히 품질 문서의 경우 다음과 같은 커스텀 지표를 반드시 추가해야 합니다:

검색 정확도(Retrieval accuracy): 상위 3개 검색 결과 내에 정확한 SOP 섹션이 포함되어 있는가?
버전 정확도(Version accuracy): 검색된 문서가 현재 유효한(effective) 최신 버전인가?
인용 정확도(Citation accuracy): 인용된 문서 및 버전이 해당 진술 내용을 실제로 포함하고 있는가?
교차 참조 완전성(Cross-reference completeness): CAPA가 특정 SOP를 참조할 때 시스템이 두 문서를 모두 검색해 내는가?

현실적인 제언

품질 문서를 위한 RAG는 단순히 PDF 파일 위에 얹은 챗봇이 아닙니다. 이는 품질 관리 시스템(QMS)의 직접적인 확장판입니다. 거버넌스 계층(eQMS)이 두뇌 역할을 하고, RAG 시스템은 신속한 검색을 담당하는 팔 역할을 수행합니다. 거버넌스 계층에서 엄격하게 통제하지 않는 문서는 RAG 시스템 역시 절대로 사용자에게 제공해서는 안 됩니다.

이러한 아키텍처를 올바르게 구현한 조직은 QA 전문가들이 적절한 SOP 섹션을 찾고, CAPA를 교차 대조하며, 일탈의 근본 원인을 추적하는 데 쏟는 수천 시간의 업무를 절감할 수 있을 것입니다. 반면 이를 소홀히 다룬 조직은 규제 당국의 지적과 컴플라이언스 위반이라는 매우 비싼 대가를 치르게 될 것입니다.

출처: IntuitionLabs (2026); SandGarden (2026); H-RAG SemEval-2026 (arXiv:2605.00631); TreeRAG ACL 2025; Document GraphRAG MDPI 2025; Neo4j Pharma KG (GitHub); RAGAS/TruLens/DeepEval 문서; Veeva QualityDocs Copilot (Microsoft Learn 2025); Veeva AI Agents (2025년 10월); Procycons PDF Extraction Benchmark 2025; FDA Purolea 경고 서한 (2026년 4월); ISPE QMS SOP Templates (2025).

GxPChat