13만 장 스캔본 앞에서, 결국 갈아탄 쪽은 Unlimited-OCR이었다
밤 9시 16분, 에이전트코리아 방에 링크 하나가 조용히 올라왔다. 바이두가 공개한 문서 인식 모델, Unlimited-OCR의 허깅페이스 페이지였다.
곧이어 주의를 당부하는 목소리가 나왔다. "근데 표에서 환각이 많은 케이스입니다"라는 지적이었다. OCR(광학 문자 인식, 이미지 속 글자를 텍스트로 변환하는 기술)에서 환각이란, 모델이 실제 이미지에 없는 내용을 그럴듯하게 지어내 출력하는 현상을 말한다. 특히 표처럼 칸과 줄이 복잡하게 얽힌 구조에서 이런 오류가 잦다는 게 지적의 요지였다.
이 대화가 실전으로 이어진 건 밤 11시가 넘어서였다. 대량의 스캔 문서를 처리 중이던 한 참여자가 자신의 상황을 상세히 풀어놓았다.
🔸 "엇 저 이거 오늘 처음 쓰고 있습니다. 2048개 pdf 제각각 스타일의 13만장 스캔본 다 돌리는데 예상시간 3일~몇주 걸린다고 해서 유형 분류하고 다시 돌리는 중입니다. 맥에서 안되고 엔비디아 그래픽 카드에서만 된다고 해서 돌리는데 제대로 되는지 검증은 안되어서 다른 컴퓨터로 PaddleOCR + korean 모델, Unlimited-OCR 를 비교해서 해보는 중입니다. 과연 결과가 어떻게 나올지 ㅎㅎ"
2048개 파일, 13만 장이라는 규모부터 이 작업의 무게를 짐작하게 한다. 눈에 띄는 대목은 Unlimited-OCR이 맥(애플 실리콘 컴퓨터)에서는 구동되지 않고 엔비디아 그래픽카드에서만 작동한다는 실측이었다. 개방 가중치 모델이라도 실행 환경을 가리는 경우가 드물지 않다는 걸 보여주는 사례다. 이 참여자는 결국 같은 문서를 두고 PaddleOCR(바이두의 또 다른 OCR 오픈소스 라이브러리)에 한국어 인식 모델을 얹은 조합과 Unlimited-OCR을 나란히 돌려 직접 비교하는 실측에 나섰다.
다른 참여자는 한 걸음 더 나아간 조언을 보탰다. "근데 문서 이해는 전체 파이프라인 돌려야 나와서 한번 고려해보셔요"라는 말이었다. 글자만 뽑아내는 OCR과, 그 글자들의 맥락과 구조까지 해석하는 문서 이해(document understanding)는 다른 단계이며, 파이프라인(입력부터 결과물까지 이어지는 처리 과정 전체)을 통째로 돌려봐야 진짜 실전 품질을 알 수 있다는 지적이었다.
결론은 다음 날 새벽에 나왔다. 새벽 2시 39분, 앞서 실측에 나섰던 참여자가 결과를 전했다.
🔸 "카톡을 늦게 봤네요 여러번 삽질 끝에 Unlimited-OCR 이 품질이 월등해서 다시 바꿨습니다 ㅎㅎ"
표에서 환각이 잦다는 초기 우려에도 불구하고, 실측 결과는 반대 방향을 가리켰다. 13만 장이라는 방대한 스캔본을 앞에 두고 하루 남짓 만에 도구를 갈아탄 이 결정은, 벤치마크 점수나 첫인상보다 실전 데이터로 직접 돌려본 결과가 결국 선택을 좌우한다는 걸 보여준다. 대량 문서 처리를 앞둔 이들에게는, 어떤 OCR 도구든 자신의 데이터 유형으로 먼저 소규모 비교 테스트를 해보라는 실용적인 교훈이 남는 대화였다.