본문으로 건너뛰기
인터페이스 언어: 한국어
감사 / Signal

AI 분석 전 OCR: 모델이 올바른 데이터를 읽는지 확인하기

AI 분석 전에 OCR의 숫자, 부정 표현, 표, 페이지 누락과 원본 연결을 확인하는 방법을 알아봅니다.

본문 언어: 한국어

돌계단과 벽의 균열을 비추는 금빛 랜턴 일러스트.
목차

양식 항목에 '미수행'이라고 적혀 있다고 가정해 보겠습니다. 인식 과정에서 '미'가 사라져 '수행'이 되면 분석 방향은 정반대로 바뀝니다. AI가 스캔 문서를 분석한다면 먼저 인식된 텍스트와 문서의 구조를 확인하세요. 숫자와 부정 표현, 열 제목이 올바른 열에 연결됐는지 원본과 비교해야 합니다. 중요한 필드와 자료를 다음 단계로 넘길 조건도 정하세요. 그렇지 않으면 모델이 문서에 없던 내용에 관해 답변을 능숙하게 작성할 수 있습니다.

OCR은 광학 문자 인식, 즉 이미지에서 글자를 읽는 기술입니다. 기업 업무에서는 별도의 검수 기준이 있는 독립 단계로 다루는 것이 좋습니다. 이후 모델이 읽기 쉬운 문단을 만들었다고 해서 앞선 인식이 정확했다는 뜻은 아닙니다. AI는 잘못 읽은 자료도 유창하게 설명할 수 있습니다. 유창한 문장은 스캔 결과의 교정이 아닙니다.

혼동하면 업무가 달라지는 정보를 정합니다

먼저 분석 목적부터 확인하세요. 가상의 서비스 회사에서 AI가 제출된 양식을 바탕으로 접수 초안을 작성한다고 해 보겠습니다. 장비 식별자와 증상 설명, 작업을 이미 수행했는지가 중요합니다. 장식용 제목의 오류는 번호가 바뀌거나 설명에서 부정 표현이 빠지는 오류와 결과가 다릅니다.

이 과정에 중요한 필드 목록을 만드세요. 문서의 모든 글자를 포함할 필요는 없습니다. 정확히 읽어야 하는 정보, 다른 말로 표현해도 되는 정보, 추측으로 채워서는 안 되는 빈자리를 구분할 수 있어야 합니다. 이렇게 구분하면 모든 부분을 같은 노력으로 확인하는 대신 적절한 검수 방법을 선택할 수 있습니다.

자료를 보내기 전에 허용된 범위도 정하세요. AI 사용 전 데이터 최소화는 OCR 도구가 별도 서비스로 작동할 때 그 도구에도 적용됩니다. 모델의 답변에서만 불필요한 정보를 지워도 이미 인식을 위해 전달한 내용은 바뀌지 않습니다. 이 과정은 폴란드어 안내 글인 AI 사용 전 데이터 최소화 (폴란드어)에서도 살펴봅니다.

AI 감사 자료에는 문서 종류, 읽기 방식의 버전, 시험에 사용하도록 허용된 예시를 남기세요. 결과를 올바른 원본과 연결할 수 있어야 합니다. 그렇지 않으면 OCR, 이후 분석, 파일을 선택한 사람 중 어디에서 오류가 났는지 판단하기 어렵습니다.

오탈자를 고치기 전에 완전성을 확인합니다

페이지 수와 순서, 눈에 보이는 잘림을 확인하세요. 조건이 적힌 마지막 페이지가 빠진 영향은 글자 몇 개가 틀린 영향보다 클 수 있습니다. 여러 파일을 합친 문서, 양면 스캔과 첨부파일에도 주의하세요. 도구가 받은 내용을 모두 정확히 읽었더라도 업무에 쓰는 자료 자체는 불완전할 수 있습니다.

휴대전화로 촬영한 문서라면 모서리와 빛 반사, 접힌 부분 근처를 살펴보세요. 사람이 대체로 읽을 수 있다는 이유만으로 자동 인식도 똑같이 정확하다고 가정하지 마세요. 반대로 화질이 나쁘다고 모든 정보가 쓸 수 없게 되는 것도 아닙니다. 해당 부분의 중요성과 확인 가능성을 기준으로 판단하세요.

Google은 Enterprise Document OCR의 이미지 품질 지표를 설명합니다 (영어). 흐림, 작은 글자, 빛 반사 등이 여기에 포함됩니다. 이 지표는 설명된 한계 안에서 자료를 다음 처리 단계로 보내는 판단을 돕습니다. 중요한 필드를 원본과 비교하는 일을 대신하지 않으며, 전체 인식 결과가 정확하다는 보편적인 증명도 아닙니다.

페이지가 없거나 중요한 부분이 잘렸다면 올바른 자료를 요청하거나 해당 범위의 분석을 중단하세요. 비슷한 양식에 보통 들어가는 내용을 근거로 모델이 빠진 조건을 재구성하게 해서는 안 됩니다. 정보가 없다는 사실은 그대로 드러나야 합니다.

문자 인식과 의미 관계를 따로 비교합니다

첫 번째 검사는 글자 자체에 관한 것입니다. 이름과 숫자, 부정 표현이 제대로 기록됐나요? 두 번째는 관계에 관한 것입니다. 값이 무엇에 속하는지, 조건이 어느 항목에 적용되는지, 설명이 옆 열과 합쳐지지 않았는지 확인합니다. 단어가 정확히 인식되더라도 원래 위치와의 연결이 사라지면 잘못된 분석 근거가 될 수 있습니다.

가상의 장비 표에서 '105'라는 값이 옆에 읽힌 이름이 아니라 다른 행에 속할 수 있습니다. 글자만 확인해서는 이를 알 수 없습니다. 비슷한 이름과 서로 다른 값이 있는 사례를 준비하고 각 답변의 출처를 표시해 달라고 요청하세요. 텍스트와 구조 안에서의 위치를 함께 평가합니다.

다음 페이지에 반복되는 제목, 각주, 체크박스는 특히 주의해야 합니다. 정해진 규칙 없이 빈칸을 부정 답변으로 해석하지 마세요. 선택하지 않은 상태, 알아볼 수 없는 표시, 명확하게 선택한 답변은 서로 다릅니다. 다음 과정에서도 이 차이를 유지해야 합니다.

텍스트가 기업용 AI 검색 도구에 들어간다면 오류가 이후 여러 질문에서 반복될 수 있습니다. 따라서 소스 모음에 추가하기 전에 대표 결과를 확인하세요. 답변을 계속 고쳐도 시스템이 사용하는 잘못된 자료 자체는 사라지지 않습니다. 폴란드어 글 기업용 AI 검색 도구 점검 (폴란드어)에서 관련 내용을 더 확인할 수 있습니다.

신뢰도 점수는 판단을 돕는 자료로 씁니다

일부 도구는 인식한 단어, 필드 또는 부분에 신뢰도 점수를 제공합니다. Microsoft는 Document Intelligence의 점수를 설명하면서 (영어) 결과의 수준을 구분하고 사람의 검토 가능성을 안내합니다. 사용하는 모델과 서비스 버전에서 점수의 제공 여부와 의미를 확인해야 합니다.

모든 문서에 같은 기준값을 복사해 쓰지 마세요. 필드 옆 숫자만으로 업무상 오류의 결과가 결정되지는 않습니다. 중요하지 않은 설명과 후속 조치를 일으키는 식별자는 다른 경로로 처리할 수 있습니다. 자체 사례를 바탕으로 규칙을 정하고 적용 범위를 기록하세요.

인식 결과가 확인된 자료로 시험하세요. 도구가 검토 대상으로 보낸 사례와 자동으로 통과시킨 사례의 표본을 모두 살펴보세요. 거부된 결과만 평가하면 다른 경로로도 오류가 통과하는지 알 수 없습니다. 점수는 문제를 찾는 데 도움을 주어야지 문제를 보고서 밖으로 옮겨 놓는 수단이 되어서는 안 됩니다.

검토자가 무엇을 보는지도 정하세요. 필드, 원본의 대응 부분, 수정이나 불확실성을 기록할 방법이 필요합니다. 매번 해당 페이지를 찾아야 한다면 별도 창의 전체 문서는 사용하기 불편할 수 있습니다. 비교 화면을 잘 설계하면 검수의 목적을 지키면서 비용을 줄일 수 있습니다.

중요한 오류를 중심으로 시험을 구성합니다

정상 스캔, 빛이 반사된 사진, 표, 긴 이름, 페이지가 빠진 문서 등 서로 다른 자료를 소량 준비하세요. 가상 데이터나 이 시험에 사용하도록 허용된 데이터를 사용합니다. 완성된 분석 대신 새 자료 요청으로 끝나야 하는 경우를 포함해 예상 결과를 기록하세요.

Aeneia 콘셉트 사진

구분자가 있는 숫자, 비슷한 문자, 부정 표현도 시험에 넣으세요. 예를 들어 문서에서 쉼표를 소수점 구분자로 쓴다면 '10,5'와 '105'는 구분되어야 하고 '미수행'이 '수행'으로 바뀌어서는 안 됩니다. 이는 확인을 위한 예시일 뿐 모든 엔진이 이 오류를 낸다는 주장은 아닙니다. 목적은 해당 업무에서 중요한 정보를 점검하는 것입니다.

그다음 결과를 후속 AI 단계로 넘기세요. 모델이 누락을 그대로 유지하고 근거를 표시할 수 있는지 평가합니다. 별도 화면에서 읽기가 정확하더라도 애플리케이션이 다른 파일이나 결과의 일부만 분석에 보낸다면 충분하지 않습니다. 데이터 흐름 기록은 자료가 이동하는 전체 경로를 살피는 데 도움이 됩니다. AI 데이터 흐름 기록 (폴란드어)에 관한 폴란드어 안내 글도 참고하세요.

도구나 설정을 바꾼 뒤에는 같은 중요 사례를 다시 확인하세요. AI 프로세스 회귀 테스트는 한 형식의 개선이 다른 형식을 악화시키지 않았는지 확인하는 데 도움이 됩니다. 검수에는 결과 형식과 원본 연결도 포함되어야 합니다. 이와 관련된 점검은 폴란드어 글 AI 회귀 테스트 (폴란드어)에서 다룹니다.

수정, 책임자와 후속 처리를 정합니다

사람이 수정한 내용은 수정임을 알아볼 수 있어야 하고 출처와 연결되어야 합니다. 나중에 오류 원인을 설명해야 한다면 원래 인식 결과를 알리지 않고 덮어쓰지 마세요. 보관할 버전의 범위는 업무에 맞게 정합니다. 모든 시험을 무기한 보관할 필요는 없습니다.

새 스캔이 필요한 문서와 명확하게 읽을 수 없는 사례를 담당할 사람을 지정하세요. '품질 낮음'이라는 메시지만으로 처리가 끝나지는 않습니다. 자료를 반환하고 대기 상태를 표시하며 문제가 해결될 때까지 후속 자동 분석에서 제외할 방법이 필요합니다.

인식 결과가 기록이나 전송으로 이어진다면 AI 작업 승인과 연결하세요. 결정권자는 중요한 데이터와 그 불확실성을 볼 수 있어야 합니다. 보기 좋은 요약을 승인하는 것과 작업의 근거가 되는 번호를 확인하는 것은 다릅니다. 자세한 내용은 폴란드어 글 사람의 AI 작업 승인 (폴란드어)에서 확인할 수 있습니다.

AI 프로세스 비용에는 재스캔, 검토와 수정을 포함하세요. 보존 계획에는 이미지, 인식된 텍스트와 진단용 사본을 포함합니다. 하나의 문서에 관한 것이더라도 서로 다른 자료입니다.

디지털 파일, 스캔과 혼합 문서를 구분합니다

PDF 확장자만으로 내용의 출처를 알 수는 없습니다. 한 파일에 편집기에서 만든 텍스트, 서명한 페이지의 사진, 이전에 인식된 텍스트 레이어가 함께 있을 수 있습니다. 감사할 때 프로세스가 무엇을 사용하는지 확인하세요. 올바른 텍스트를 이미 사용할 수 있다면 이미지를 다시 읽을 필요는 없지만, 눈에 보이는 자료와 일치하는지는 확인해야 합니다.

시험할 때 선택한 부분을 복사해 페이지에 보이는 내용과 비교하세요. 그다음 실제로 분석에 전달되는 부분을 추적합니다. 애플리케이션이 사람이 확인하는 것과 다른 레이어를 사용한다면 같은 파일 이름 아래 서로 다른 자료를 보고 있을 수 있습니다. 이 차이를 구체적인 검수 조건으로 기록하세요.

혼합 문서는 여러 종류의 페이지가 든 예시를 선택하세요. 결과가 순서와 출처 정보를 보존하는지 확인합니다. 첫 페이지를 정확히 읽었다고 해서 사진으로 된 부분도 제대로 처리된다는 뜻은 아닙니다. 전체를 하나의 일반적인 품질 상태로 통과시키기보다 별도 경로가 필요한 페이지를 표시하세요.

인식된 필드를 내보낸 뒤도 확인합니다

화면에서는 정확했던 인식 결과가 스프레드시트나 접수 시스템으로 옮겨진 뒤 바뀔 수 있습니다. 앞에 0이 있는 식별자, 소수점 구분자, 날짜는 적절한 처리가 필요합니다. 문자 인식과는 다른 오류지만 받는 사람에게는 비슷하게 보입니다. 이후 작업에 다른 값이 나타나기 때문입니다.

이런 특성을 가진 가상 필드를 준비해 전체 내보내기 과정을 따라가세요. 원본과 OCR 결과, 도착한 곳의 값을 비교합니다. 어느 전환 단계에서 의미가 바뀌는지 기록하세요. 그러면 인식 설정만 계속 고치는 대신 올바른 단계에서 수정할 수 있습니다. 다음 단계가 데이터 구조로 된 모델 답변이라면 원본 문서와의 비교를 유지하면서 AI가 만든 JSON 필드의 의미도 확인하세요.

규칙 없이 표기를 자동으로 통일하지 마세요. 공백은 단순한 표시일 수도 있지만 식별자의 부분을 나누기도 합니다. 날짜 표기 역시 문서의 맥락이 필요합니다. 프로세스 책임자는 어떤 변환이 허용되는지, 이전 값을 어떻게 확인할 수 있게 남길지 확인해야 합니다.

문서 종류가 바뀌면 검수 범위를 다시 정합니다

새 양식, 다른 언어, 바뀐 표 구조가 들어오면 기존 시험이 여전히 적합한지 평가해야 합니다. 모든 시각적 수정을 새 배포처럼 다룰 필요는 없지만 중요한 필드의 표시 방식이 바뀌면 기존 가정이 무너질 수 있습니다. 검토가 필요한 신호를 유지관리 지침에 기록하세요. 이는 운영 중인 AI 솔루션에 들어가는 자료의 변화라는 더 넓은 문제의 한 예이며, 모델이나 설정의 변화와 구분해야 합니다.

팀이 스캔 대신 사진을 받기 시작하면 자동 처리 경로를 확대하기 전에 대표 사례를 모으세요. 같은 중요 정보를 확인하고 불확실한 사례를 사람에게 보내는 방식도 점검합니다. 이전 형식의 결과는 여전히 유용하지만 새 형식의 근거가 자동으로 되지는 않습니다.

책임자에게는 어떤 자료를 확인했는지, 어떤 필드를 검수했는지, 무엇이 아직 알려지지 않았는지를 짧게 전달하세요. 그러면 운영자가 특이한 문서가 검수된 범위에 드는지 추측하지 않아도 됩니다. 명확한 경계는 모든 문서를 인식할 수 있다고 가장하지 않으면서 솔루션을 안전하게 활용하는 데 도움이 됩니다.

답변의 유창함을 평가하기 전에 원본을 검수합니다

마지막으로 문서에서 직접 답을 확인할 수 있는 질문 몇 개를 고르세요. 설정 작업에 참여하지 않은 사람에게 결과에서 원본의 해당 부분까지 따라가 보도록 요청합니다. 오류, 누락된 페이지, 해결되지 않은 상황을 기록하세요. 한계는 기술 부록에 묻히지 않고 사용 결정에 반영되어야 합니다.

특이한 자료를 접수하는 사람을 위한 지침도 검수에 포함하세요. 문서가 확인된 범위에 드는지, 불확실한 필드를 어디에서 보는지, 누락을 누구에게 전달하는지 알 수 있어야 합니다. 그런 다음 설정 작성자의 도움 없이 한 건을 처리해 보게 하세요. 인식 상태를 추측하거나 설명이 담긴 개인 메시지를 찾아야 한다면 결과 전달 방식을 개선하세요. 이 작은 시험은 기술적 품질을 일상 업무와 연결하고, 절차가 작성자의 자리 밖에서도 작동하는지 확인합니다.

업무의 이 단계를 살펴보고 싶다면 Aeneia Audit 서비스 범위를 확인하세요.

Aeneia / Aeneia 편집부

편집부의 글입니다. 본문에 출처 링크가 있습니다.

Aeneia 소개

함께한 브랜드

  • L’Oréal
  • Garnier
  • Netflix
  • Carrefour
  • Warner Bros. Discovery
  • Biedronka
  • HBO Max
  • Wolt
  • Żabka
  • COSRX
  • 주폴란드 중국대사관
  • Mixa
Aeneia / Initium

지식에서 결정으로

정리하고 싶은 과제를 알려 주세요. 어디서 시작할지 함께 정합니다.

Aeneia에 문의하기

파트너의 솔루션을 활용합니다

  • Google
  • OpenAI
  • Microsoft
  • Stripe
  • Anthropic
  • Linear