Show HN: ML 학습용 OCR 파이프라인 (표, 다이어그램, 수학, 다국어)

이 OCR 프로젝트는 시작에 불과합니다.
한 달도 채 안 되어 강력한 새로운 시스템이 출시될 예정입니다. 이는 사용자의 분야에 맞춰진 메모리(memory)를 갖춘 커스터마이징 가능한 AI 파이프라인입니다.

학생, 연구원 또는 개발자 등 누구나 깊은 AI 지식 없이 자신만의 스마트하고 메모리가 강화된 AI를 구축할 수 있게 될 것입니다.

우선 이 프로젝트에 관심을 가져주신 모든 분들께 진심으로 감사드립니다. 원래는 6월 이전에 AI 파이프라인의 첫 버전을 출시할 계획이었습니다. 하지만 솔직히 말씀드리자면, 저는 주요 학업 일정(6월 15일 중요 시험)과 개발을 동시에 진행하고 있었는데 예상보다 훨씬 힘들었습니다.

불완전한 것을 서둘러 내놓기보다는, 진정으로 유용하고 안정적이며 시간을 들여 사용할 가치가 있는 제품이 되도록 조금 더 시간을 갖기로 결정했습니다. 이 전체 시스템—다중 모드 OCR(multi-modal OCR)을 포함하여—사실은 저 자신의 학업에 도움을 주기 위한 도구로 시작되었습니다. 이렇게 많은 관심을 받게 될 줄은 몰랐기에 감사드립니다.

제가 첫 사용자이므로, 출시하기 전에 제가 실제로 사용하고 싶어 할 만한 것이 되도록 만들고 싶습니다. 개발은 시험 후에 재개될 예정이며, 시스템이 진정으로 준비되면 공개적으로 출시할 것입니다. 인내심을 가져주셔서 다시 한번 감사드리며, 정말 감사합니다.

시스템 개요 (System Overview)

이 OCR 시스템은 기계 학습(ML) 훈련에 최적화된 형식으로 복잡한 교육 자료—예: 시험지—에서 구조화된 데이터를 추출하도록 특별히 설계되었습니다. 다국어 텍스트, 수학 공식(mathematical formulas), 표(tables), 다이어그램(diagrams), 차트(charts)를 지원하여 고품질의 학습 데이터셋을 만드는 데 이상적입니다.

• ML 학습에 최적화: 다이어그램, 표, 그림과 같은 추출된 요소들은 맥락적 설명(contextual explanations)으로 의미론적으로 주석 처리됩니다. 여기에는 시각적 콘텐츠(예: “이 그림은 유사분열 과정의 네 단계를 보여줍니다”)에 대한 자연어 설명 자동 생성도 포함되어 다운스트림 모델 훈련을 향상시킵니다.
• 다국어 지원: 일본어, 한국어, 영어와 작동하며 추가 언어로 쉽게 맞춤 설정할 수 있습니다.
• 구조화된 출력 (Structured Output): 수학 표현에 대한 사람이 읽기 쉬운 설명, 표 요약, 그림 캡션 등을 포함하여 JSON 또는 Markdown 형식의 AI 준비가 된 출력을 생성합니다.
• 높은 정확도: EJU 생물학 및 UTokyo 수학과 같은 실제 학술 데이터셋에서 90~95% 이상의 정확도를 달성했습니다.
• 복잡한 레이아웃 지원: 시험 스타일 PDF를 정확하게 처리합니다. (원문이 여기서 잘림)