한자 섞인 70~80년대 공문서 10만 장, OCR 상담에 등판한 paddle과 minerU

8월 29일 낮 12시 17분, 에이전트코리아방에 한 공공기관 참가자가 실무 고민을 올렸다. 70 ~ 80년대에 작성된 한자와 한국어가 섞인 문서 10만 장을 OCR로 처리해야 하는데, paddle OCR로 충분할지 판단이 서지 않는다는 것이었다.

무슨 일

질문을 받은 건 이 방에서 여러 차례 기술 상담을 해온 한 스타트업 대표였다. 그 직전인 11시 58분에는 별개 맥락에서 "OCR 학습 데이터 시간당 2만장씩 되네"라는 처리량 이야기도 오간 뒤였다. 공공기관 참가자의 질문은 그 흐름 위에 얹혔다.

"대표님 하나 여쭈어보고싶은데 과거 70 ~ 80년대 한자 ocr을 대량(10만장( 해야할것이 있는데 paddle ocr로 충분할까요?"

대표는 12시 20분 "한자 OCR이면 paddle이나 minerU 잘하긴 할텐데"라고 답하면서도 곧바로 조건을 하나 더 붙였다. "한자가 아니라 간체가 나올수도 있습니다"라며, 시대가 시대인 만큼 정자체 한자 대신 간체가 섞여 나올 가능성까지 짚은 것이다. 확답 대신 실물 확인을 제안한 것도 눈에 띄었다. 12시 21분 "몇개 샘플 보내주시면 돌려보겠습니다"라며 연락받을 창구를 함께 남겨, 텍스트 설명만으로 판단하지 않고 직접 테스트해보겠다는 태도를 보였다.

왜 중요한가

이 짧은 문답은 대량 문서 OCR 상담이 실제로 어떻게 진행되는지를 압축해서 보여준다. 툴 이름 하나를 묻는 질문에도 곧바로 정답을 내놓기보다, 문서가 만들어진 시대적 특성(한자·간체 혼용 가능성)까지 짚어야 한다는 인식이 답변 안에 깔려 있었다. 시간당 2만 장이라는 처리량 이야기가 바로 앞에 놓여 있었던 것도, 10만 장이라는 물량을 마냥 부담스러운 숫자로만 보지 않게 하는 맥락으로 작용했을 가능성이 있다.

모델 성능표만으로는 판단할 수 없고 실물 샘플을 봐야 한다는 태도 역시, 이 방에서 오가는 기술 상담이 이론보다 실측 중심으로 이뤄지고 있음을 시사한다. 대표가 연락 창구를 열어 개별 검증까지 자처한 것은, 이 방이 단순한 정보 교환을 넘어 실무 협업의 창구로도 쓰이고 있다는 점을 보여준다.

시사점

공공기관이 보유한 수십 년 전 한자 혼용 문서를 디지털화하려는 수요는 이번이 처음이 아닐 가능성이 크다. 이런 상담이 반복된다면, '어떤 OCR 엔진이 더 정확한가'라는 질문 못지않게 '문자 체계가 시대에 따라 달라질 수 있다'는 점을 먼저 확인하는 절차가 이 방의 암묵적인 매뉴얼로 자리 잡아가는 것으로 보인다. 간체 혼입 가능성을 미리 짚어 둔 것도, 정확도만큼이나 예외 케이스를 먼저 걸러내는 태도가 이런 대량 처리 프로젝트에서 얼마나 중요한지를 보여주는 사례로 남을 만하다.