머신러닝 (Machine Learning) 모델 재사용의 급격한 확산은 AI 생태계를 매우 상호 연결된 공급망으로 변화시켰습니다. 기존의 컴플라이언스 (Compliance) 도구와 정적 보고서는 이러한 거대하고 다단계(multi-hop)인 의존성 네트워크를 탐색하는 데 어려움을 겪고 있습니다. 이를 해결하기 위해, 우리는 모델의 출처 (Provenance) 및 컴플라이언스 감사 (Compliance Auditing)를 위한 대화형 3D 시각적 분석 시스템인 AI Supply Chain Galaxy (AISCG)를 제시합니다. AISCG는 모델을 3D 공간 레이아웃으로 매핑하며, 명시적인 구조적 의존성을 규칙 기반 컴플라이언스 엔진 (Rule-based compliance engine)과 통합합니다. 이 시스템은 전역적인 커뮤니티 탐지 (Community detection)부터 국지적이고 경로 인식적인 계보 추적 (Path-aware lineage tracing)에 이르기까지 다중 규모 탐색을 지원합니다. 우리는 Hugging Face의 908,449개 모델에 대한 생태계 규모의 실증적 분석을 통해 그 효능을 입증합니다. 우리의 연구 결과는 우려스러운 상황을 보여줍니다: 모델의 55.46%가 컴플라이언스 리스크 또는 메타데이터 충돌/누락을 나타냅니다. 또한 우리는 어댑터 파생 (Adapter derivations)에서의 56.67% 라이선스 누락률과 파인튜닝 (Fine-tuning)에서의 8.05% "라이선스 드리프트 (License drift)"율을 포함한 뚜렷한 리스크 패턴을 식별했습니다. 복잡한 Llama 모델 제품군에 대한 사례 연구를 통해, 우리는 AISCG가 분석가들이 상속된 제한적 조항을 직관적으로 추적하고 깊은 위상 네트워크 (Topological networks) 전반에서 근본 원인을 식별할 수 있도록 지원하여, 컴플라이언스 감사의 인지적 부하를 크게 줄여줌을 보여줍니다.