tags, type, status, research_target
| tags |
type |
status |
research_target |
| research |
| rag |
| robeing |
| ocr |
| policy |
| cost |
|
research |
open |
OCR 전수 대신 선별 적용 기준과 비용-품질 정책 정리 |
OCR 선별 적용 정책 리서치
상태
작성일: 2026-03-20
목적: OCR을 모든 파일에 전수 적용하지 않고, 가치가 높은 파일에 선별 적용하는 기준을 정리한다.
1. 결론
- OCR은 필요하지만 전수 OCR은 비효율적이다.
- 먼저 기본 메타를 뽑고, 그 메타를 바탕으로 OCR 필요 대상을 고르는 것이 맞다.
- OCR은 "문서를 이해하기 위한 기본값"이 아니라 "텍스트 추출이 부족한 파일을 보강하는 수단"으로 둬야 한다.
2. 왜 전수 OCR이 비효율적인가
- 이미지가 많은 파일은 시간이 오래 걸린다.
- 로고, 장식 이미지, 단순 사진까지 OCR하면 비용과 시간이 급증한다.
- 실제 검색에 도움이 되는 파일과 그렇지 않은 파일을 구분하지 못한다.
3. OCR 우선 대상 조건 제안
text_length가 매우 낮다.image_count가 높다.- 파일 타입이 JPG/PNG/PDF 스캔본이다.
- 계약서, 제안서, 보고서처럼 문맥 가치가 높다.
- 사람이 "텍스트가 안 잡힌다"고 피드백한 파일이다.
4. 예시 규칙
| 조건 |
해석 |
추천 액션 |
text_length < 1000 and image_count >= 3 |
스캔 PDF 가능성 높음 |
OCR 후보 |
file_type in (jpg, png) |
텍스트 원문 없음 |
OCR 후보 |
file_type = pdf and table_count = 0 and image_count > 5 |
그래프/이미지 중심 PDF 가능성 |
OCR 또는 이미지 설명 후보 |
file_type in (docx, hwp) and text_length 충분 |
이미 본문 확보 |
OCR 불필요 |
5. OCR 후 MD에 추가할 내용
- OCR 텍스트 원문
- OCR 수행 시각
- OCR 엔진
- OCR 신뢰도
- OCR 대상 이미지/페이지 정보
6. 내가 추천하는 처리 전략
6.1 1단계
- 모든 파일에 대해 최소 MD와 기본 메타를 만든다.
6.2 2단계
6.3 3단계
- OCR 결과를 기존 MD에 섹션으로 추가한다.
6.4 4단계
- OCR 전/후 검색 품질 차이가 큰 유형만 정책화한다.
7. LLM과 OCR의 역할 분리
- OCR은 문자 인식이다.
- LLM은 요약, 태그, 설명, 캡션 보강이다.
- OCR을 먼저 하고, LLM은 OCR 결과가 붙은 문서를 후속 해석하는 편이 맞다.
8. 운영 상태 필드 제안
ocr_status: pending | completed | skipped | failedocr_reasonocr_engineocr_confidence
9. 추천 보류
- 초기 단계부터 이미지 캡션 생성까지 모두 전수 적용
- OCR과 LLM 해석을 한 배치에 섞는 것
- OCR 실패 파일을 즉시 수동 처리 대상으로 돌리는 것
10. 관련 문서
