ivada-infra/DOCS
3
0
Fork 0
Code Issues 1 Pull Requests 5 Actions Packages Projects Releases Wiki Activity
DOCS/journey/ideas/250909_ocr_skill_implementation_plan.md
Claude-51124 22557e7132 docs: 오래된 트러블슈팅 아카이브 및 구조 정리 
- 7-8월 초기 구축 문서 12개를 _archive/troubleshooting/2025_07-08_initial_setup/로 이동
- book/300_architecture/390_human_in_the_loop_intent_learning.md를 journey/research/intent_classification/로 이동 (개발 여정 문서)
- 빈 폴더 제거 (journey/assets/*)
2025-11-17 14:06:05 +09:00

6.3 KiB
Raw Blame History

RO-BEING OCR 스킬 구현 제안 (무료·로컬 → 자체 호스팅 → 상용)

  • 작성일: 2025-09-09
  • 목적: 비용/효율 최적화 관점에서 RO-BEING에 맞는 OCR 스킬을 단계적으로 설계·배포
  • 원칙: 무료·로컬 우선 → 자체 호스팅 → 최고 성능 상용 API, HTTP API만 사용(직접 import 금지), 스킬은 독립 컨테이너(포트 8501–8599)

0) 목표와 기준

  • 정확도: 문서 OCR CER/WER 낮춤, 표/키밸류 구조 복원 정확도↑
  • 지연/처리량: A4 300–400DPI 기준 실사용 가능 지연(ms/페이지) 확보
  • 비용: 로컬 무료 우선, 필요 시 온프레미스/상용 단계적 도입
  • 보안/데이터경계: 업로드는 사내 스토리지(/mnt/hdd/uploads/), PII 외부 반출 금지
  • 운영 표준: /healthz 헬스체크 일관화(main.py/Dockerfile/compose/workflows), 로그 30일 롤링(/mnt/hdd/logs/)

1) 아키텍처 개요

  • 흐름(현재 적용 상태): 업로드 → (PDF/이미지 분기)
    1. skill-rag-file 내장 추출(PyPDF2 등) 시도 → 품질 휴리스틱 검사(len, garbage_ratio, unique_chars)
    2. 품질이 낮으면 강제 OCR(pytesseract+pdf2image) 재추출 → RAG(ChromaDB) 저장 → 응답
    3. LangGraph: 업로드 실패/저품질 감지 시 안전 파일명 재시도 및 스니펫 주입
  • 컴포넌트
    • rb*: 클라이언트 요청 처리, 파일 유형 판별, skill-ocr 호출만 담당
    • skill-ocr(8506): OCR 파이프라인 수행(PDF: OCRmyPDF, 이미지: PaddleOCR 등)
    • Storage: /mnt/hdd/uploads/{user_id}/, 로그 /mnt/hdd/logs/skill-ocr/
    • Vector DB: ChromaDB(텍스트 조각) + PostgreSQL(메타)

2) 1단계 — MVP(즉시)

  • PDF: OCRmyPDF + Tesseract 5(kor+eng) (로드맵)
    • 현재: skill-rag-file 내장 pytesseract OCR 폴백 + 품질 휴리스틱으로 강제 전환 적용
    • 장점: 자동 전처리(회전/디스큐/노이즈), 검색가능 PDF 생성, 안정/단순
    • 권장 옵션: --rotate-pages --deskew --optimize 3 --jobs N
  • 이미지/모바일: PaddleOCR(PP-OCR 계열, det+cls+rec_korean)
    • 장점: CPU에서도 빠름, 한글 정확도 우수, 다국어·경량 모델 제공
  • API 스펙(초안)
    • POST /ocr/pdf → req: { path, langs:["kor","eng"], optimize:3, rotate:true, deskew:true }
      • resp: { pdf_path_searchable, full_text, pages:[{text,conf}], conf_stats, meta{engine,version,latency_ms} }
    • POST /ocr/image → req: { path, langs, det:"DB", rec:"PP-OCRv4", use_cls:true }
      • resp: { blocks:[{bbox,text,conf}], full_text, meta{engine,version,latency_ms} }
    • GET /healthz → { status:"ok", version, models }
  • rb 연동(rag.py)
    • 파일 확장자로 분기(PDF/이미지) → skill-ocr HTTP 호출 → 결과 텍스트/블록/메타를 RAG 파이프라인에 전달
    • 실패 시 재시도 및 폴백 규칙: PDF 파서 실패→OCR 모드, 저신뢰(conf<阈值) 경고 로그
  • 운영
    • 로그 표준: DEBUG(사전처리/모델) / WARN(저신뢰) / ERROR(폴백) 예시 메시지 규격화
    • 저장: 생성된 검색가능 PDF는 원본과 함께 사용자 폴더에 보관

3) 2단계 — 고도화(1–2개월)

  • Donut(문서 파싱, OCR-free)
    • 대상: 영수증/인보이스/계약서 등 정형 문서 → JSON 직접 추출
    • 데이터: 도메인별 1–2k 샘플 파인튜닝, 지표 CER/WER + 필드 정확도(F1)
    • API: POST /parse/donut → { path, schema } → { fields... , meta }
  • TrOCR small(텍스트 라인 고정밀)
    • 대상: 서명란/단일행/중요 구획의 라인 인식 정밀도 향상
    • API: POST /recognize/line → { image_crops:[...], lang } → { lines:[{text,conf}], meta }
  • 구조
    • skill-ocr 내 모듈 확장 혹은 skill-ocr-parse로 분리(부하/배포 단위 고려)

4) 3단계 — 선택적 확장

  • 복잡 레이아웃/표: MMOCR 풀스택(table/layout) 또는 table-transformers/pdfplumber 병행
  • 상용 API(정확도 최우선)
    • Google Document AI / Azure Document Intelligence / AWS Textract 비교 후 선택
    • 의사결정 기준: 표/키밸류 정밀도, 손글씨, 지연·비용, 보안요구
    • 가격은 최신 공식 가격표 기준으로 산정(시점에 따라 변동)

5) 평가·모니터링

  • 데이터셋: 사내 샘플
    • 스캔 문서 200–500쪽(ko/en 혼합), 모바일 영수증 200장, 필기 메모 100장
  • 지표
    • 문자: CER/WER
    • 필드: 필드 정확도/재현/정밀(F1)
    • 표: 셀 매핑/구조 F1
    • 운영: 페이지당 지연(ms), 처리량(pages/min), 실패율, 저신뢰 비율, 리소스(GPU/메모리)
  • 관측/로그
    • /healthz 응답에 로드/모델 버전 포함
    • 로그는 /mnt/hdd/logs/skill-ocr/ 30일 롤링, 샘플: Fallback to OCR, OCR quality low: confidence=0.72

6) 배포 가이드(요약)

  • 컨테이너: skill-ocr(8506)
    • 볼륨: -v /mnt/hdd/uploads:/mnt/hdd/uploads:ro, -v /mnt/hdd/logs/skill-ocr:/logs
    • 환경: LANGS=kor,eng, THREADS=N, USE_GPU=false|true
    • 헬스체크: GET /healthz (main.py/Dockerfile/compose/workflows 동기화)
  • rb 연동: rb10508_micro에서 선검증 → rb8001 반영, Nginx 프록시 규칙 준수(proxy_pass 끝에 /)

7) 리스크 & 폴백

  • Tesseract 품질 한계: 저해상도/왜곡/필기체에서 오류↑ → PaddleOCR/TrOCR/Donut로 보완
  • 긴 PDF 처리시간: 페이지 병렬화(--jobs N), 타임아웃/재시도 정책 설정
  • 다국어 혼합: kor+eng 모델, 도메인 사전 기반 후처리(기업명/약어 교정)
  • GPU 리소스: 배치 사이즈/혼잡 제어, CPU 폴백 경로 확보

8) 단계별 To-Do(요약)

  • 1단계(MVP)
    • skill-ocr API /ocr/pdf, /ocr/image, /healthz 스펙 고정
    • rb10508_micro 연동(파일 분기, 폴백/에러 처리, 로그 규격)
    • 지표 수집(CER/WER, 지연) 대시보드 기초
  • 2단계(고도화)
    • Donut 파인튜닝 데이터셋 구성/평가 루프
    • TrOCR 라인 인식기 통합(세그먼트 추출 포함)
  • 3단계(확장)
    • MMOCR/표 복원 실험
    • 상용 API PoC 및 비용/정확도 비교

9) 참고(근거 자료)

  • OCRmyPDF + Tesseract: ocrmypdf.readthedocs.io
  • PaddleOCR 비교/리뷰: koncile.ai, modal.com 블로그
  • 프레임워크 비교: Medium 리뷰(docTR/MMOCR/EasyOCR 등)
  • TrOCR: Hugging Face 문서, AAAI 논문
  • Donut: GitHub, arXiv, 산업 적용 리뷰
  • Kraken/Calamari: GitHub, 공식 문서