생성형 AI 시대의 OCR: 비즈니스에 어떤 변화가 오는가?

생성형 AI는 기업이 비정형 정보와 상호작용하는 방식을 변화시켰습니다. 시스템은 이제 문서를 요약하고, 내용에 대한 질문에 답하며, 추출된 텍스트를 구조화된 출력물로 변환할 수 있습니다.

하지만 광학 문자 인식(OCR)은 이러한 변화 속에서 어떤 위치에 있을까요?

광학 문자 인식(OCR)은 여전히 중요합니다. 왜냐하면 많은 비즈니스 정보가 스캔된 PDF, 사진, 양식 및 이미지 기반 문서 형태로 도착하기 때문입니다. 생성형 AI는 결과 콘텐츠를 해석하는 데 도움을 줄 수 있지만, 신뢰할 수 있는 텍스트 인식, 데이터 검증 또는 출처 추적의 필요성을 자동으로 대체하지는 못합니다.

문서 처리 시스템을 구축하는 개발자에게 중요한 질문은 정확도를 희생하지 않으면서 이러한 기능들을 어떻게 결합하느냐입니다.

전통적인 OCR과 생성형 AI가 해결하는 문제의 차이점

전통적인 OCR은 이미지 속 텍스트를 기계가 읽을 수 있는 문자로 변환합니다. 엔진에 따라 단어 위치, 읽기 순서 및 신뢰도 점수를 제공할 수도 있습니다.

[생성형 AI 모델]은 요약, 분류, 정보 추출 및 질문 답변과 같은 작업을 수행할 수 있습니다. 적절한 문서 콘텐츠가 주어지면, 관계를 해석하고 비즈니스 요구 사항에 맞춘 출력을 생성할 수 있습니다.

이러한 기능들은 일부 현대 시스템에서 중복되지만, 서로 대체 가능한 것은 아닙니다.

예를 들어, OCR은 송장(invoice)의 텍스트를 인식할 수 있지만, [](https://www.websynergies.com/en/services/ai-and-machine-learning/our-offerings/solutions/large-language-models
angle 언어 모델은 어떤 값이 청구서 번호(invoice number), 지불 기한(due date) 및 총액(total)을 나타내는지 식별합니다. 이후 검증 계층(validation layer)이 이러한 값들을 회계 기록과 비교할 수 있습니다.</p><p>모델이 그럴듯한 답변을 생성하는 능력이 해당 답변이 정확하다는 것을 보장하지는 않습니다.</p><h2><a name=)생성형 AI가 OCR을 보완하는 세 가지 방법</h2><h3>1. 가변적인 문서 레이아웃에서 필드 추출</h3>템플릿 기반 추출은 문서가 예측 가능한 형식을 따를 때 잘 작동합니다. 하지만 공급업체 양식, 계약서 및 보고서는 종종 레이아웃과 용어가 다양하게 변합니다.<br><br>생성형 AI 모델은 원본 문서가 생소한 라벨을 사용하더라도 인식된 텍스트를 정의된 스키마(schema)에 매핑하는 데 도움을 줄 수 있습니다.<br><br>예를 들어, 시스템에 공급업체 이름, 송장 날짜 및 총액을 미리 정의된 JSON 구조로 반환하도록 요청할 수 있습니다. 애플리케이션은 반환된 구조를 검증하고, 필수 필드를 확인하며, 값을 원본 문서와 비교하여 검증해야 합니다.<br><br>스키마 준수(Schema compliance)는 유용하지만, 유효한 JSON이 정확한 추출을 보장하지는 않습니다.<h3>2. 문서 컬렉션 요약 및 질의응답</h3>OCR은 스캔된 문서를 검색 가능하게 만들어 검색 시스템의 기반을 마련합니다.<br><br>검색 증강 생성(Retrieval-Augmented Generation, RAG) 파이프라인은 인덱싱된 문서에서 관련 구절을 검색하여 언어 모델에 제공할 수 있습니다. 이는 계약 조건, 유지보수 보고서, 정책 또는 과거 서신에 대한 질문을 지원할 수 있습니다.<br><br>예를 들어, 직원이 특정 장비 식별자(equipment identifier)가 언급된 유지보수 보고서를 문의할 수 있습니다. 시스템은 일치하는 구절을 검색하고 출처 문서의 참조와 함께 발견 사항을 요약할 수 있습니다.

청킹(Chunking), 메타데이터(metadata), 문서 식별자(document identifiers) 및 페이지 참조(page references)는 추적성(traceability)을 유지하는 데 도움을 줍니다. 결과의 품질은 여전히 검색 범위(retrieval coverage)와 모델이 검색된 증거를 올바르게 해석하는 능력에 달려 있습니다.

3. 비정형 콘텐츠 정규화(Normalising unstructured content)

비즈니스 문서는 종종 유사한 정보를 다른 방식으로 표현합니다. 한 보고서에서는 약어를 사용할 수 있고, 다른 보고서에서는 같은 용어를 풀어서 쓸 수도 있습니다.

생성형 AI는 추출된 설명을 표준화하고, 기록을 분류하며, 자유 텍스트 콘텐츠를 합의된 분류 체계(taxonomy)에 매핑하는 데 도움을 줄 수 있습니다.

이러한 변환은 원본 텍스트를 보존해야 하며, 모든 정규화 규칙을 명시적으로 만들어야 합니다. 중요한 식별자, 수량 및 재무 값은 암묵적으로 다시 작성되어서는 안 됩니다.

AI 지원 문서 처리를 위한 실용적인 아키텍처(A Practical Architecture for AI-Assisted Document Processing)

운영 파이프라인(production pipeline)은 다음과 같은 단계를 사용할 수 있습니다:

1. 수집(Ingestion): 업로드, 이메일 또는 스토리지 시스템으로부터 문서를 받습니다.
2. 전처리(Preprocessing): 회전 보정, 이미지 품질 개선 및 필요 시 페이지 분할을 수행합니다.
3. OCR: 텍스트, 위치 및 관련 인식 메타데이터를 추출합니다.
4. 추출(Extraction): 필요한 필드를 식별하기 위해 결정론적 규칙(deterministic rules), 전문 모델 또는 언어 모델을 사용합니다.
5. 검증(Validation): 유형, 필수 필드, 산술 계산, 참조 기록 및 비즈니스 제약 조건(business constraints)을 확인합니다.
6. 저장 및 검색(Storage and retrieval): 원본 문서, 추출된 데이터 및 유용한 출처 참조를 보존합니다.
7. 워크플로우 통합(Workflow integration): 검증된 정보를 다운스트림 애플리케이션에 전송하거나 예외 사항을 검토를 위해 라우팅합니다.

모든 애플리케이션이 생성형 모델을 필요로 하는 것은 아닙니다. 단순하고 일관되게 형식화된 문서는 OCR과 결정론적 규칙만으로도 더 효율적으로 처리될 수 있습니다.

더 광범위한 통합 요구 사항을 고려하는 조직은 Web Synergies의 엔터프라이즈 기술 서비스(enterprise technology services)를 참조하여 디지털 역량이 기존 비즈니스 시스템에 어떻게 적합되는지 평가할 수 있습니다.

신뢰성: 개발자가 테스트해야 할 것(Reliability: What Developers Need to Test)

흔한 실수는 전체 시스템을 단순히 문자 인식 정확도나 몇 가지 성공적인 시연만으로 평가하는 것입니다.

더 강력한 평가 전략은 서로 다른 실패 지점들을 분리하여 측정합니다.

• 인식 품질 (Recognition quality): 대표 문서에서 문자 또는 단어 오류를 측정합니다.
• 필드 추출 품질 (Field extraction quality): 날짜, 금액, 식별자 등 추출된 값을 검증된 정답(ground truth)과 비교합니다.
• 구조적 정확도 (Structural accuracy): 표, 항목 목록, 필드 관계가 보존되었는지 확인합니다.
• 근거 제시 (Grounding): 요약 및 답변이 원본 문서나 검색된 구절에 의해 뒷받침되는지 검증합니다.
• 워크플로우 신뢰성 (Workflow reliability): 예외율, 처리 시간, 중복 기록, 부정확한 다운스트림 조치 등을 측정합니다.

테스트 세트에는 품질이 낮은 스캔본, 특이한 레이아웃, 누락된 필드, 상충되는 값, 그리고 예상 범위를 벗어난 문서가 포함되어야 합니다. 결과를 전체 평균에만 의존하기보다는 관련 문서 유형 전반에 걸쳐 검토해야 합니다.

보안 및 데이터 거버넌스 (Security and Data Governance)

문서 처리 파이프라인은 개인적, 재정적, 법률적 또는 상업적으로 민감한 정보를 다룰 수 있습니다. 문서를 외부 모델로 전송하는 것은 추가적인 프라이버시, 보존, 규정 준수 고려 사항을 야기할 수 있습니다.

개발자는 모델 제공업체의 데이터 처리 약관을 평가하고, 접근 제어(access controls)를 적용하며, 불필요한 데이터 전송을 최소화하고, 민감한 필드를 포함하는 로그를 보호해야 합니다.

프롬프트 주입 (Prompt injection) 또한 고려 사항입니다. 문서에는 AI 시스템의 동작에 영향을 미치려는 텍스트가 포함될 수 있습니다. 따라서 추출된 문서 내용은 애플리케이션 정책을 무효화하는 지침이 아니라 신뢰할 수 없는 입력(untrusted input)으로 취급되어야 합니다.

도구 접근은 제한되어야 하며, 영향력이 큰 조치는 명시적인 승인이나 인간의 승인이 필요해야 합니다.

결론 (Conclusion)

생성형 AI는 변동하는 문서 구조를 해석하고, 콘텐츠를 요약하며, 다운스트림 시스템을 위한 정보를 준비하는 것을 도움으로써 OCR로 얻은 결과물을 비즈니스가 활용할 수 있는 범위를 확장합니다.

신뢰할 수 있는 구현은 여전히 견고한 텍스트 인식, 구조화된 검증, 추적 가능한 출처 및 통제된 통합에 의존합니다. 개발자에게 가장 효과적인 아키텍처는 반드시 가장 큰 모델을 가진 것이 아닙니다. 그것은 각 작업을 적절한 구성 요소에 할당하고 비즈니스 운영에 영향을 미치기 전에 결과를 검증하는 것입니다.