AI로 문서 이해 혁신: 속도와 정확성 가속화

문서 데이터를 빠르고 정확하게 처리하는 것은 변화하는 디지털 시대에서 경쟁하기 위해 필수적입니다. 오늘날 기업의 성공은 문서 데이터를 쉽게 찾고, 접근하고, 이해하는 능력에 달려 있습니다. 문서 처리는 기업의 규모, 산업, 초점에 관계없이 모든 기업의 생산성에 영향을 미치는 비즈니스 크리티컬한 사용 사례입니다.

이 블로그에서는 문서 처리의 진화를 다룹니다. 디지털화와 광학 문자 인식(OCR)부터 시작해 기업이 어떻게 AI 기반 문서 인식을 사용해 OCR을 확장하고 더 나은 문서 이해 기능을 통해 가치를 창출할 수 있는지 논의합니다.

바로 시작해 보겠습니다.

1단계: OCR로 오프라인 데이터를 온라인 데이터로 전환

전통적인 문서 처리 관행은 고통스럽습니다. 많은 기업이 여전히 비디지털화된 문서 처리로 인해 잘못된 라벨링, 수동 데이터 추출로 인한 시간 손실 같은 문제에 직면해 있습니다.

기업들은 이러한 문제에 대응하기 위해 디지털화로 눈을 돌리고 있습니다. 2019년 M-Files 설문조사에 따르면 응답자의 41%가 종이 양식을 전자 양식으로 대체하는 데 집중할 계획이라고 답했습니다. 70%의 응답자는 본 디지털(born-digital) 문서로 문서 처리를 확장할 계획이라고 답했는데, 이는 2018년의 39%와 비교됩니다.

문서 처리 전문 기업들은 기업이 물리적 문서를 디지털 형식으로 변환하도록 돕기 위해 디지털화를 수용했습니다. 이 프로세스의 핵심은 OCR입니다. OCR 기술은 물리적 자료와 이미지 내의 텍스트를 인식합니다. OCR은 텍스트를 PDF 같은 디지털 파일로 변환합니다.

OCR을 사용하는 솔루션은 문서 처리 고민을 완화하는 데 중요합니다. 하지만 전통적인 OCR 기술에는 한계가 있습니다.

2단계: 온라인 데이터를 넘어 '지능형 OCR'로

문서를 사진으로 찍거나 선택한 시스템에 스캔한다고 가정해 봅시다. 이제 데이터 분류와 추출은 스캔한 이미지의 품질에 달려 있습니다. 왜 이게 OCR을 사용하는 문서 처리 솔루션에 중요할까요?

OCR 솔루션은 처리되는 기본 문서의 품질만큼만 효과적입니다. OCR 소프트웨어가 '3'과 '8', 'O'와 'D' 같은 문자를 구별하지 못할 때 문제가 발생합니다. OCR 소프트웨어를 사용해 피하고 싶었던 바로 그 오류가, OCR 기술이 문서의 품질이나 원본 형태에 기반한 뉘앙스를 분석할 수 없을 때 새로운 골칫거리가 될 수 있습니다.

이 지점에서 AI 기반 문서 인식이 나섭니다.

AI 기능이 발전함에 따라 기업들은 OCR을 적용하기 위해 머신러닝(ML) 모델을 생성하고 훈련하기 시작했습니다. 모델 기반 OCR 엔진, 즉 우리가 '지능형 OCR'이라고 부르는 것들은 문서와 텍스트를 대규모로 디지털화하는 데 상당한 개선을 가져오며 오류를 줄입니다.

지능형 OCR은 기존 OCR 시스템이 어려워했던 필기체, 체크박스, 취소선 같은 문서와 이미지를 디지털화하는 데 도움을 줍니다.

우리는 AI로 OCR을 확장했을 때 가능한 것의 표면만 긁고 있습니다. 모델 기반 솔루션을 디지털화와 문서 처리에 사용하기 시작하면서 실현할 수 있는 몇 가지 가능성과 결과를 살펴보겠습니다.

3단계: AI로 더 나은 데이터 추출과 문서 분류

문서를 디지털 형식으로 가져오는 것은 문서 자체에서 가치를 파생하기 위한 많은 단계 중 첫 번째입니다. 일단 디지털화되면 OCR 소프트웨어는 자신이 어떤 종류의 문서를 다루고 있는지, 무엇이 관련 있는지 이해해야 합니다.

전통적인 OCR 소프트웨어를 사용하는 기업은 문서 분류 노력을 확장하는 데 어려움을 겪을 수 있습니다. 전통적인 OCR 엔진은 헤더 식별 같은 단순한 접근법을 사용해 문서 유형을 분류합니다. 이러한 접근법은 기업이 문서를 세분화해 분류하는 능력을 제한할 수 있습니다.

문서가 전통적인 OCR 솔루션으로 분류되면 기업은 종종 문서 템플릿이나, 디지털화된 텍스트에 대한 사전 정의된 '레시피(recipe)'로 관련 필드를 지정하고, 문서에서 해당 필드를 찾기 위한 '규칙'에 갇히게 됩니다. 데이터에서 반복되는 패턴, 문서 내 위치, 문서에서 찾기 쉬운 것(로고 등)과 상대적인 위치를 기반으로 규칙을 만들 수 있습니다. 템플릿은 자연스러운 시작점이지만 정적입니다.

문서 처리 노력이 확장됨에 따라 기업은 초기 구현에서 관련이 없던 문서 변형을 다루기 위해 템플릿 관리와 새로운 템플릿 생성에 투자하게 됩니다.

문서 분류와 데이터 추출에 AI를 활용하면 이 역학을 바꿔 프로세스를 더 쉽게 만듭니다.

데이터를 디지털 형식으로 확보하면 훈련된 모델을 사용해 문서를 더 깊이 들여다보며 문서 유형을 분류하고 관련 정보를 구조화된 방식으로 추출할 수 있습니다.

모델 기반 OCR 솔루션은 문서 유형을 식별하고 비즈니스에서 사용하는 알려진 문서 유형과 매칭할 수 있습니다. 또한 비정형 문서의 텍스트 블록을 구문 분석하고 이해할 수 있습니다. 솔루션이 문서 자체에 대해 더 많이 알면 의도와 의미를 기반으로 관련 정보를 추출하기 시작할 수 있습니다. 그리고 문서의 변경과 변형을 다룰 수 있습니다.

템플릿을 만드는 대신 원하는 필드(문서의 분류 체계)를 정의하고 ML 모델이 이 필드들을 찾는 방법을 가르칠 수 있습니다. 모델은 들어오는 문서를 기반으로 스스로 조정하고 처리된 문서에 대한 인간 검증을 통해 학습할 수 있습니다.

이러한 기능은 문서 처리 솔루션에 더 큰 유연성과 확장성을 만듭니다. 출력 결과는 데이터 자체로 할 수 있는 일의 새로운 문을 엽니다.

4단계: AI로 새로운 인사이트와 행동 강화

문서 분류와 데이터 추출에 AI를 사용하는 것은 조직에 자동화되고 정확한 문서 처리 기능을 부여하는 여정에서 거대한 한 걸음입니다. 장기적으로 볼 때 AI 기능을 활용해 추출한 텍스트로 더 많은 일을 할 수 있는 로드맵을 구축할 수 있습니다.

AI를 사용하면 여러 문서나 다양한 백엔드 시스템의 데이터를 참조해 오류를 검증할 수 있습니다. 예를 들어 송장 금액이 틀렸지만 OCR 프로세스의 오류가 아니라고 해봅시다. 문제의 근본 원인을 찾기 위해 로봇 조합을 사용해 여러 문서 유형과 시스템에서 데이터를 추출할 수 있습니다. 이는 OCR 프로세스 자체의 영역을 일반적으로 벗어난 예외와 오류를 교차 검증하고 표면화하는 데 도움이 됩니다.

또한 시간 경과에 따른 데이터 세트와 역사적 문맥에 AI 기능을 적용해 예측을 하고 잠재적 이상 징후를 식별해 사기를 나타낼 수 있습니다. 보험 청구 처리 예시를 통해 살펴보겠습니다. 첫 단계는 들어오는 청구를 디지털화하는 것입니다. 그런 다음 청구에서 관련 정보(청구일, 성격, 금액 등)를 추출합니다. 다음으로 이 데이터 포인트들을 보고 ML 모델을 사용해 재발, 의심스러운 금액 같은 변수를 고려해 사기일 수 있는 특정 청구를 식별할 수 있습니다.

AI는 이러한 유형의 작업 실행을 가능하게 합니다.

문서 처리 행복을 향한 다음 단계 밟기

문서 처리가 고통스러울 필요는 없습니다. OCR로 시작해 AI로 OCR을 확장하면 문서 처리를 프로세스의 더 가치 있고 덜 지루한 부분으로 만들 수 있습니다.

우리는 고객이 AI를 사용해 프로세스를 단순화하고 삶을 더 쉽게 만드는 것을 돕는 것에 열정적입니다.

우리가 어떻게 귀사의 문서 처리 관행을 단순화하고 강화하며 AI로 문서 이해를 최적화할 수 있는지 더 알고 싶으신가요?

백서 Document Understanding으로 운영 효율성 높이고 위험 완화하기 무료 사본을 신청하세요.

이 기능들을 실제로 보고 싶으신가요? 엔터프라이즈용 Automation Cloud™ 무료 체험을 시작하세요.