Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
비정형 문서에서 JSON 구조를 추출하기 위한 새로운 데이터 생성 파이프라인인 STAGE를 제안합니다. 스프레드시트를 기반으로 정답 값을 검증하여 신뢰할 수 있는 학습 데이터를 합성하며, 기존 방식 대비 모델의 추출 성능을 대폭 향상시켰습니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.CL (NLP)의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기금융 보고서부터 임상 기록에 이르기까지, 기존 산업들은 고가치 정보를 저장하기 위해 길고 비정형적인 문서(unstructured documents)에 크게 의존하고 있습니다. 이러한 정보를 구조화되고 기계가 읽을 수 있는 표현(machine-readable representations)으로 안정적으로 추출하는 것은 콘텐츠를 자동화된 시스템에서 활용할 수 있도록 만드는 핵심 전제 조건입니다. JSON은 이러한 구조적 추출을 위한 자연스러운 대상이지만, 신뢰할 수 있고 확장 가능한 Text-to-JSON 학습 데이터를 구축하는 것은 여전히 어려운 과제로 남아 있습니다. 이러한 격차를 해소하기 위해, 우리는 STAGE (Spreadsheet-grounded Text-to-JSON Artifact GEneration)를 제안합니다. STAGE는 확장 가능한 합성을 위해 LLM을 사용하여 보고서와 JSON 스키마(schema)를 구축하는 동시에, 기반이 되는 스프레드시트(spreadsheet)를 통해 정답 값(ground-truth values)을 검증하는 소스 기반(source-grounded) 데이터 생성 파이프라인입니다. 851개의 예제로 구성된 소스 기반 벤치마크인 STAGE-Eval을 통한 평가 결과, STAGE는 기존 방식보다 더 강력한 학습 데이터를 생성함을 보여주었습니다. 이는 Qwen3-4B의 정확한 일치(exact match) 성능을 31.37%에서 74.27%로, 값 정확도(value accuracy)를 45.46%에서 90.69%로 향상시켰습니다.