OCR 벤치 공유 요청과 손글씨 인식 논의
OCR 벤치 공유 요청에서 시작해 손글씨 인식, 학습 데이터, 모델 크기와 속도까지 오간 공공AX 네트워크의 오후 대화
20일 오후 2시 19분, 공공AX 네트워크에서 OCR(이미지 속 글자를 읽는 기술) 이야기가 시작됐다. 한 참가자가 다른 참가자를 부르며 OCR 벤치마크의 코드나 데이터를 HF(허깅페이스를 줄인 말로 보인다)로 공유받을 수 있는지 물었다. 이 대화에는 여러 참가자가 이어 말했다.
혹시 그 ocr 벤치 코드나 데이터 HF 쉐어 가능하신가여
부탁한 이유도 바로 밝혔다. 5M 크기의 ppOCR보다 나은 모델을 올리는 PR(코드 수정 제안)을 넣으려는데, 올리기 전에 성능 평가를 해 보고 싶다는 것이다. 요청받은 참가자의 답은 짧았다.
물어볼게요
이 요청은 같은 날 오후 2시 58분, 벤치가 허깅페이스에 올라왔다는 글이 방에 공유되면서 이어졌고, 요청한 참가자는 곧 감사를 표했다. 아래의 공개 어렵다는 말은 이 벤치가 아니라 학습 코드를 두고 나온 것으로 읽힌다.
학습 코드 공개는 어렵다는 답
이어 다른 참가자가 학습 코드도 공개할 수 있는지 물었고, 먼저 질문을 올린 OCR 모델 쪽 참가자는 곧 거절의 뜻을 밝혔다. 이 말이 학습 코드를 가리킨 것으로 읽히지만, 지시 대상이 글로 명시된 것은 아니다. 이유는 사업과 닿아 있었다. OCR이 본업이라 학습 코드는 공개하기 어렵다는 입장이었다.
이 참가자는 이어 공개는 어렵다고 적었다. 한쪽이 묻고 다른 쪽이 공개 어려움을 말한 장면은 공개와 사업 사이의 긴장을 보여 준다. 다만 학습 코드를 요청한 참가자는 초등학생 수준의 손글씨를 처리하는 중이라 참고가 될까 해서였다고 했다.
초등학생 수준 손글씨 처리중이어서 혹시 참고가 될까..
손글씨는 왜 어려운가
화제는 손글씨로 옮겨 갔다. 또 다른 참가자는 요즘의 컴퓨팅과 AI를 활용해 Tesseract라는 기존 OCR 도구를 파인튜닝하면 손글씨도 꽤 잡을 수 있지 않겠느냐고 했다. 하지만 벼르기만 하고 못 하고 있다는 말을 덧붙였다.
손글씨도 꽤 잡지 않을까용
다른 참가자는 악필인 사람들의 손글씨를 이 방에서 모아 보면 어떻겠느냐고 제안했다. 이에 점선을 긴 줄로 판정해 버릴 것이라는 우려가 나왔고, 또 다른 참가자는 이미 다양한 손글씨 판독 AI가 있다고 했다.
점선을 ㅡ로 판정해 버릴거에여 그러면 ..
OCR 모델을 만드는 참가자는 실무 경험을 풀었다. 자신들은 그 일이 업인데 쓰는 데이터가 자기들 것이 아니라는 것이다. 그래서 증강 생성으로 데이터를 만들고 그 결과를 다시 OCR에 읽히는 작업을 한다고 했다.
데이터가 없다면 만든다
악필 데이터에 대한 경고도 같은 참가자에게서 나왔다. 악필 데이터가 2퍼센트만 들어가도 모델이 갈 길을 잃는다는 것이다. 그래서 사전으로 가둬야 한다고 했다. 다른 참가자는 다른 언어와 혼동되는 문제도 있다고 거들었다.
데이터 2% 만 들어가도
이어 같은 참가자는 OCR이 본업인 큰 회사로 네이버와 업스테이지를 꼽으면서, 다른 언어 성능이 좋아지면서 한국어가 조금씩 애매해지더라고 적었다. 이 관찰은 한 참가자의 인상이며 비교 수치는 제시되지 않았다.
서류를 읽는 AI와 OCR의 자리
대화 중간에는 서류 검토 경험도 끼어들었다. OCR이 중요하다고 말한 참가자가 서류를 보는데 AI가 불분명을 분명으로 써 놓았더라고 한 것이다. 제미나이·챗GPT·클로드를 구독제로 각각 3개씩 검토시켰다고 했다.
서류 보는데 불분명을 분명으로 써놨더라구요 AI가
이 말이 OCR 오인식 때문인지 문서 요약 과정의 오류인지는 대화에서 가려지지 않았다. 몇 분 뒤에는 스캔한 PDF를 읽는 일이 PDF 읽기 알고리즘보다 더 까다롭다는 한탄이 오갔다.
속도 7배라는 말
오후 4시 58분 같은 참가자가 이런 말을 남겼다.
속도는 암튼 7배 더 빠른데 정확도는 비슷
이 문장에는 무엇보다 7배 빠르다는 것인지 밝힌 비교 대상이 없다. 앞서 5M 크기의 ppOCR가 언급되었고 직후에 3M짜리 모델과 12MB, 쪽당 0.5초라는 말이 이어졌지만, 이 숫자들이 7배의 근거인지 연결하는 말은 없었다. 이 글은 7배와 정확도 비슷함을 확인된 결과로 쓰지 않는다.
해석
벤치 공유를 부탁하는 한 줄에서 손글씨 이야기가 나오며 화제가 학습 데이터 쪽으로 옮겨 갔다. 공개를 꺼리는 이유와 데이터를 만들어 쓴다는 접근이 같은 참가자의 입에서 나온 점도 눈에 띈다.
다만 이는 여러 참가자의 대화이며, 개별 발언의 성능 수치를 독립적으로 검증한 것은 아니다. 대화에서 확인된 것은 벤치가 허깅페이스에 공유됐다는 글과 학습 코드 공개는 어렵다는 입장, 악필 데이터와 사전 제한에 대한 경험담까지다.