DOCS/troubleshooting/251022_claude_OCR_파이프라인_개선_테스트.md

OCR 파이프라인 개선 테스트 (ko+eng PDF)

• 일시(KST): 2025-10-22 22:30–23:00
• 작성자: Claude (51124)
• 대상: rb8001 + skill-rag-file (RAG 파일 서비스)

---

배경/문제

• NAVER WORKS에서 수신된 이미지 위주 IR PDF가 텍스트 추출 품질이 낮아, RAG 질의(사업분야/매출/팀규모 등) 결과가 미검출(0건)로 이어짐.
• 예시 파일: WORKVISA_IR(2025.10.14).pdf → document_id=611938b0-0cbf-4f32-8765-ffabb90a85b0

환경/사전 조건

• 저장 위치: /mnt/51123data/documents/<team_id>/YYYY-MM/<doc_id>.pdf
  • 실제 경로: /mnt/51123data/documents/79441171-3951-4870-beb8-916d07fe8be5/2025-10/611938b0-0cbf-4f32-8765-ffabb90a85b0.pdf
• 스토리지/임베딩: skill-rag-file 컨테이너(8508) + ChromaDB(내부)

재현 절차 및 결과

1. 텍스트 확인(API)

   • GET http://localhost:8508/api/text/611938b0-...
   • 결과: chunk_count=4, length≈3226, unique_chars=103, garbage_ratio=0.009, ocr_used: 초기 False → 재색인 후 True
   • 본문은 난독 텍스트가 다수(스캔 이미지/비표준 폰트 추정)

2. 재색인(OCR 강제)

   • POST /api/reindex {"document_id": "611938b0-...", "force_ocr": true}
   • 결과: ocr_used: true, 청크 수 4 그대로(품질 지표 유사)

3. OCRmyPDF 사이드카 비교 테스트

   • 스크립트: rb8001/tests/test_ocr_pipeline_sidecar.py
   • 시나리오: Docker 이미지(ocrmypdf)로 kor+eng 시도→언어팩 미탑재로 실패, eng로 재시도 성공
   • 메트릭 비교(서비스 baseline vs OCRmyPDF-eng):
     • length: 3226 → 2752 (-474)
     • unique_chars: 103 → 98 (-5)
     • korean_ratio: 0.000 → 0.000 (변화 없음)
   • 결론: 한글 언어팩 없이 OCR 시 품질 개선 불가(오히려 악화)

4. RAG 질의 테스트

   • IR 지표 질의(사업 분야/성장률/팀 구성 등): 대부분 0건(문장 구조/키워드 부재)
   • 식별 키워드 질의(예: "workvisa", "Team Building"): 해당 문서 포함해 검색됨(단, 의미 문장 근거는 빈약)

분석

• 파일은 PDF 내부에 텍스트 레이어가 거의 없고 이미지(XObject) 위주.
• 현재 강제 OCR(추출 품질 휴리스틱 기반) 수행해도 의미 문장 수준으로 복원되지 않아 IR 질의가 실패.
• 인덱싱 타이밍: 09:06:02 청킹/임베딩 완료 직후 09:06:03 검색 수행(로그 근거) → “인덱싱/OCR 전 검색”은 아님.

권장 개선(코드 변경은 별도 PR)

1. OCR 엔진/옵션 고도화

   • ocrmypdf+Tesseract(ko+eng)로 강제 OCR, 데스큐/회전/해상도(300–600DPI) 표준화(한글 언어팩 설치 필수).
   • PaddleOCR(PP-OCRv4) angle classifier 적용(표/도형/한글 자모 분리·잡음 보정 강화).

2. 품질 휴리스틱 상향 및 폴백

   • garbage_ratio/unique_chars/length 임계 재조정, OCR 우선 적용 범위 확대.
   • RAG 미검출 시 /api/text 요약 폴백(질의→요약→추출)로 최소 정보 확보.

3. 클라우드 OCR 조건부 폴백(선택)

   • Google Vision/NAVER CLOVA/AWS Textract를 저품질 페이지에만 호출(캐시/레이트리밋/비용 상한 포함).

검증 포인트(배포 후)

• 동일 문서 재업로드/재색인 시 IR 질의 최소 2개 항목 이상 근거 텍스트 반환.
• /api/text 품질 메타(garbage_ratio↓, unique_chars↑) 개선 확인.
• 검색 스니펫이 숫자/표만이 아닌 자연어 문장 포함.

교훈 ✍️

• 스캔 기반 한국어 PDF는 단일 OCR로 품질 확보가 어려워, 다단계 하이브리드(OCR 옵션→딥러닝 OCR→클라우드 폴백) 설계가 필요.
• RAG 미검출 시 요약 폴백 경로를 두어 사용자 응답 공백을 줄여야 함.
• 업로드→인덱싱→검색 파이프라인은 상태 확인(청크 수/컬렉션 존재) 후 검색 실행이 안정적.

---

문서 규칙: DOCS/300_architecture/312_문서_작성_원칙.md 준수