비전·음성·추천

DOMAIN / 50번째 글

깊이 추정 — 그림 한 장에서 앞뒤를 읽어 내는 일

사진 한 장에서 거리 지도를 얻는 단안 깊이 추정을 정리합니다. 왜 크기와 거리가 함께 정해지지 않는지, 순서·배율 미상·미터 단위 세 종류의 출력이 어떻게 다른지, 시차와 깊이의 역수 관계, 미터로 올리는 방법, 그리고 자주 무너지는 자리를 다룹니다.

PALDYN Team30 MIN READ

지난 글 끝에서 「카메라 한 대의 그림에는 깊이가 없다」고 적었다. 그런데 사람은 사진 한 장만 보고도 무엇이 앞이고 무엇이 뒤인지 안다. 원근으로 좁아지는 선, 앞의 것이 뒤의 것을 가리는 모양, 익숙한 물건의 크기, 멀수록 흐려지는 대기 — 이런 단서들을 평생 봐 왔기 때문이다.

단안 깊이 추정(monocular depth estimation)은 그 단서 읽기를 모델에게 시키는 일이다. 「단안」은 눈 하나, 곧 카메라 한 대라는 뜻이다. 그림 한 장을 넣으면 픽셀마다 카메라에서 그 지점까지의 거리 값이 들어찬 지도가 나오는데, 이것을 깊이 지도라고 부른다. 최근 몇 해 사이 이 분야의 모델들이 크게 좋아져서, 이제는 특별한 준비 없이 그냥 갖다 써도 쓸 만한 지도가 나온다.

문제는 그 지도의 숫자가 무엇인지다. 같은 「깊이 지도」라는 이름 아래 뜻이 다른 숫자 세 종류가 섞여 있고, 여기를 오해한 채로 갖다 쓰면 오류 메시지 하나 없이 조용히 틀린다. 이 글은 그 숫자의 정체를 밝히는 데서 시작해, 그것을 실제 거리로 바꾸는 방법과 바꾼 뒤에도 무너지는 자리까지 차례로 본다.

크기와 거리의 얽힘

스케일 모호성

먼저 원리적인 한계를 짚고 가야 한다. 카메라는 3차원을 2차원 평면에 눌러 담는데, 이 과정에서 잃는 것은 「거리」 하나가 아니라 거리와 크기의 조합이다.

스케일 모호성 — 같은 그림을 만드는 두 배치

높이 10센티미터짜리 장난감 집이 1미터 앞에 있는 것과 높이 10미터짜리 진짜 집이 100미터 앞에 있는 것은 카메라에 정확히 같은 그림을 만든다. 그림에 찍히는 크기는 「실제 크기 ÷ 거리」에 비례하므로, 둘을 같은 배수로 키우면 그림은 바뀌지 않는다. 그림 안에는 둘을 가릴 단서가 원리적으로 없다. 이것을 스케일 모호성이라고 부른다. 모델이 아무리 좋아져도 사라지지 않는 한계이고, 모델이 할 수 있는 것은 이 모호함을 다른 지식으로 메우는 것뿐이다.

크기 단서

사람이 이 모호함을 넘어가는 방법은 아는 것을 끌어오는 것이다. 사진에 사람이 서 있으면 「사람 키는 대략 1.7미터」를 알고 있으므로, 그 사람이 그림에서 차지하는 높이로 거리가 정해지고, 거리가 정해지면 옆에 있는 다른 것들의 크기도 따라 정해진다. 문틀, 자동차, 책상, 계단 한 칸처럼 크기가 대체로 고정된 물건은 전부 이런 자 노릇을 한다.

모델도 같은 일을 한다. 수백만 장의 사진에서 「이런 모양의 물건은 대개 이 정도 크기」를 배워 두었다가, 장면 안의 익숙한 물건으로 배율을 짐작한다. 그래서 익숙한 물건이 많은 실내 사진이나 거리 사진에서는 곧잘 맞힌다. 여기서 중요한 점은 모델이 거리를 「잰」 것이 아니라 크기에 대한 사전 지식으로 「짐작한」 것이라는 사실이다. 짐작의 근거가 장면에 있을 때만 짐작이 맞는다.

처음 보는 물체

반대로 처음 보는 크기의 물체만 있는 장면에서는 크게 틀린다. 정밀하게 만든 축소 모형, 현미경 사진, 항공 사진, 행성 표면 사진이 대표적이다. 모형 기차 세트를 찍은 사진을 넣으면 모델은 진짜 기차역의 거리를 내놓는다 — 크기 단서가 「진짜 기차」를 가리키기 때문이다. 공장 설비나 의료 영상처럼 일반 사진 데이터에 거의 없는 장면도 같은 이유로 배율이 흔들린다.

이 실패는 지도를 눈으로 봐서는 안 보인다. 앞뒤 순서와 굴곡은 멀쩡하게 나오고 숫자만 통째로 몇 배 어긋나 있기 때문이다. 자기 데이터가 「모델이 크기를 아는 물건으로 가득한 장면」인지부터 따져 보는 것이 첫 단계다.

세 등급의 출력

등급별 쓰임

이 모호함 때문에 모델이 내는 값에 세 등급이 생긴다. 무엇을 받았는지 모르면 쓸 수 없다.

깊이 출력의 세 종류

종류 담긴 정보 쓸 수 있는 일 못 하는 일
순서 A가 B보다 앞이라는 것만 앞뒤 가리기, 층 나누기 얼마나 앞인지
배율·치우침 미상 값의 모양은 맞지만 곱할 수와 더할 수가 미정 배경 흐림, 상대 비교, 3D 사진 거리 재기
미터 단위 실제 거리 로봇 회피, 측정, 실물 크기 합성 —

가운데 줄의 두 낱말을 먼저 정해 두자. 모델 출력에 어떤 수를 곱해야 실제 값이 되는지 모를 때 그 곱할 수를 배율(scale)이라 하고, 곱한 뒤에도 전체가 한쪽으로 밀려 있어 더해 줘야 하는 수를 치우침(shift)이라 한다. 「배율·치우침 미상」은 이 둘을 모르는 채로, 값들 사이의 비례 관계만 맞게 나온다는 뜻이다.

쓰임을 보면 생각보다 많은 일이 가운데 등급으로 충분하다. 휴대폰의 인물 사진 모드는 「사람보다 뒤에 있는 것」을 흐리면 되므로 실제 거리가 필요 없다. 사진 한 장을 살짝 움직여 입체처럼 보이게 하는 효과도, 그림 위에 글자나 물체를 앞뒤 순서에 맞게 끼워 넣는 합성도 같다. 거리가 필요한 것은 무언가를 재거나, 실제 크기의 물체를 장면에 놓거나, 기계가 그 거리만큼 움직여야 할 때다. 그래서 위 등급은 아래 등급에서 공짜로 얻어진다 — 미터 단위 값이 있으면 순서는 그냥 크기를 견주면 되고, 배율·치우침 미상 값도 마찬가지다.

배율 미상이 기본인 까닭

범용 단안 모델이 기본으로 내는 것은 가운데 등급이다. 이유는 학습 데이터에 있다. 깊이 정답이 붙은 사진을 모으면 출처가 제각각이다 — 실내 거리 센서로 찍은 것, 자율주행 차의 라이다로 찍은 것, 스테레오 영화에서 뽑은 것, 3D 게임 엔진에서 렌더한 것. 이것들은 카메라도 단위도 달라 미터 단위로 한데 묶을 수가 없다. 그런데 각 장면 안에서 배율과 치우침을 맞추고 나서 손실을 재면, 출처가 다른 데이터를 전부 한 모델에 먹일 수 있다.

그렇게 데이터 양을 얻는 대신 출력의 단위를 내준 것이 가운데 등급이다. 값을 나란히 놓고 보면 순서와 굴곡은 맞는데 「2.4가 2.4미터인가」에는 답할 수 없다. 아래 등급, 곧 미터 단위는 이 맞바꿈을 거꾸로 해야 얻어지므로 공짜가 아니다.

조용한 오용

등급을 모른 채 값을 쓰면 오류 없이 조용히 틀린다. 가장 흔한 것은 배율 미상 값에 미터 단위 이름을 붙이는 일이다. 출력이 0에서 10 사이로 나오니 미터처럼 보이고, 그대로 「장애물까지 2.4미터」라고 띄우면 실제로는 60센티미터일 수도 7미터일 수도 있다.

두 번째는 서로 다른 사진의 값을 견주는 일이다. 배율과 치우침은 사진마다 따로 정해지므로, 사진 A의 3.0과 사진 B의 3.0은 같은 거리가 아니다. 같은 사진 안에서는 「이쪽이 저쪽보다 두 배 멀다」 같은 비교가 어느 정도 되지만, 치우침이 끼어 있으면 그 비율조차 정확하지 않다. 모델 문서에서 출력이 어느 등급인지 먼저 확인하고, 문서에 없으면 거리를 아는 장면 하나를 찍어 넣어 보는 것이 가장 빠른 확인법이다.

시차와 깊이의 역수

시차 표현

한 가지 더 있다. 많은 모델이 내는 것은 깊이가 아니라 시차(disparity)에 해당하는 값이다. 시차는 원래 두 눈, 혹은 나란히 놓인 카메라 두 대가 같은 점을 볼 때 그 점이 두 그림에서 옆으로 어긋나는 거리를 말한다. 손가락을 코앞에 세우고 한쪽 눈씩 번갈아 감으면 손가락이 크게 뛰고, 멀리 있는 건물은 거의 안 움직인다. 이 어긋남이 시차이고, 깊이의 역수에 비례한다 — 가까울수록 크고 멀수록 0에 가까워진다.

단안 모델의 출력도 이 역수 꼴을 따르는 경우가 많다. 그 관계를 식으로 쓰면 이렇다.

d=1s⋅p+td = \frac{1}{s \cdot p + t}

여기서 pp 가 모델이 낸 값이고 ss 와 tt 가 앞에서 본 배율과 치우침, dd 가 실제 깊이다. 모델이 시차 쪽을 내는 데는 이유가 있다. 가까운 곳의 분해능을 촘촘히 가져가면서 아주 먼 곳도 유한한 값으로 담을 수 있기 때문이다 — 깊이로 쓰면 무한대가 되어야 할 하늘이 시차로는 그냥 0에 가까운 값이 된다. 학습이 안정되고, 사람이 주로 신경 쓰는 가까운 영역의 정밀도가 높아진다.

먼 곳의 오차

대가는 뒤집을 때 나온다. 역수를 취하는 순간 먼 곳의 오차가 폭발한다. 숫자로 따라가 보자. 가까운 점의 시차가 0.5이고 모델이 0.005만큼 틀렸다고 하면, 깊이는 2미터와 약 2.02미터 사이로 1퍼센트 어긋난다. 같은 0.005의 오차가 먼 점에 붙으면 이야기가 다르다. 실제 시차가 0.01인데 0.005로 나왔다면 깊이는 100미터가 200미터가 된다. 시차 쪽에서는 똑같이 0.005 틀렸는데 깊이 쪽에서는 한쪽이 2센티미터, 다른 쪽이 100미터 틀린 것이다.

같은 시차 오차가 가까운 곳과 먼 곳에서 만드는 깊이 오차

이것은 모델이 나빠서가 아니라 역수라는 함수의 모양에서 나온다. 시차가 0에 가까운 구간에서는 곡선이 거의 수직으로 서 있어서, 가로로 조금만 움직여도 세로가 크게 뛴다.

믿을 범위

그래서 이 계열의 값으로 먼 거리를 재는 것은 원리적으로 무리다. 가까운 곳은 값으로 믿고, 먼 곳은 순서 정도만 믿는 것이 맞는 태도다. 실무에서는 쓸 거리의 상한을 정해 두고 그 너머는 「멀다」 하나로 묶는다. 실내 로봇이면 5~10미터, 차량 보조 기능이면 그보다 길게 잡되, 어느 쪽이든 상한 근처의 값은 이미 오차 폭이 크다는 것을 알고 쓴다. 평가할 때도 거리 구간별로 오차를 따로 재야 이 모양이 보인다 — 전체 평균 하나로 뭉치면 가까운 곳의 좋은 성적이 먼 곳의 큰 오차를 덮는다.

미터 단위 변환

기준점

가운데 등급의 값을 실제 거리로 바꾸려면 위 식의 ss 와 tt 를 정해야 한다. 미지수가 둘이므로 실제 거리를 아는 점이 최소 둘 필요하다. 점 하나로는 배율과 치우침을 동시에 정할 수 없다 — 한 점을 맞추는 ss, tt 의 짝이 무수히 많기 때문이다. 실무에서 쓰는 기준은 대개 이런 것들이다.

  • 바닥면에 놓인 것들 — 카메라 높이와 각도를 알면 바닥 픽셀의 거리가 계산된다
  • 크기를 아는 물체 — A4 용지, 표준 규격의 표지판, 사람 키
  • 다른 센서가 재 준 몇 점 — 거리계 한 대만 있어도 충분하다

셋 중 무엇을 고를지는 장면이 정한다. 카메라가 고정된 설비라면 바닥면이 가장 값싸다 — 한 번 재 두면 매 프레임 그대로 쓴다. 들고 다니는 카메라라면 장면마다 바닥이 다르므로 규격 물체나 거리계가 낫다. 기준점은 가능한 한 서로 거리가 다른 곳에서 고른다. 두 점이 비슷한 거리에 있으면 배율과 치우침이 잘 갈리지 않아, 두 점은 정확히 맞는데 그 바깥에서 크게 틀리는 답이 나온다.

최소제곱 정렬

점이 여럿이면 최소제곱으로 맞추는 것이 안정적이다. 최소제곱은 모든 기준점에서의 어긋남을 제곱해 더한 값이 가장 작아지는 ss, tt 를 고르는 방법으로, 기준점 하나하나의 측정 잡음이 평균에 묻히게 해 준다.

import numpy as np

def fit_scale_shift(pred, known):
    """모델 출력 pred(시차 계열)와 실측 깊이 known으로 s, t를 맞춘다.
    known은 일부 픽셀에만 있어도 된다 — NaN은 빼고 푼다."""
    m = ~np.isnan(known)
    x = pred[m].ravel()
    y = 1.0 / known[m].ravel()      # 깊이를 시차 쪽으로 옮긴다
    A = np.stack([x, np.ones_like(x)], axis=1)
    s, t = np.linalg.lstsq(A, y, rcond=None)[0]
    return s, t

def to_metric(pred, s, t, eps=1e-6):
    return 1.0 / np.maximum(s * pred + t, eps)

맞추는 일을 시차 쪽에서 한다는 점을 눈여겨볼 만하다. 실측 깊이를 역수로 바꿔 모델 출력과 같은 공간에 놓고 직선을 맞추는 것이다. 깊이 쪽에서 곧바로 맞추면 식이 비선형이 되고, 먼 기준점의 큰 값이 결과를 끌고 간다.

eps 로 막아 둔 자리가 실제로 문제가 되는 지점이다. 하늘이나 아주 먼 배경에서 분모가 0에 가까워지면 깊이가 수천 미터로 튀어 나오고, 분모가 음수로 넘어가면 음의 거리가 나온다. 앞 절에서 정한 상한으로 잘라 두지 않으면 이 몇 픽셀이 이후 평균·최댓값 계산을 통째로 망가뜨린다.

초점거리와 역투영

깊이 지도를 3차원 점의 모음, 곧 점구름으로 바꾸려면 한 가지가 더 필요하다. 픽셀 (u,v)(u, v) 와 깊이 dd 에서 3차원 좌표를 얻는 계산은 이렇다.

X=(u−cx) df,Y=(v−cy) df,Z=dX = \frac{(u - c_x)\, d}{f}, \quad Y = \frac{(v - c_y)\, d}{f}, \quad Z = d

여기서 ff 는 초점거리를 픽셀 단위로 적은 값이고, (cx,cy)(c_x, c_y) 는 그림의 중심이다. 초점거리는 렌즈가 얼마나 넓게 보느냐를 정하는 값으로, 작을수록 광각이다. 이렇게 그림 위의 점을 다시 3차원으로 되돌리는 계산을 역투영이라 한다.

초점거리를 틀리게 넣으면 장면이 옆으로 늘어나거나 눌린다. 실제보다 크게 넣으면 방이 좁고 깊은 복도처럼, 작게 넣으면 넓고 얕은 무대처럼 보인다. 깊이 값은 맞는데 가로세로가 틀어지는 것이다. 카메라 정보를 함께 넣어 처음부터 미터 단위를 내도록 학습된 모델도 같은 값을 조건으로 받는데, 그 값이 틀리면 결과도 그만큼 틀린다. 휴대폰 사진의 메타데이터에 적힌 초점거리는 대체로 믿을 만하지만, 잘라 낸 사진이나 화면 캡처에는 그 값이 없거나 실제와 맞지 않는다 — 잘라 내면 중심이 옮겨 가고, 크기를 바꾸면 픽셀 단위 초점거리도 같은 배수로 바뀐다.

다른 수단과 견주기

센서별 강약

단안 추정은 거리를 얻는 여러 수단 가운데 하나다. 나란히 놓으면 무엇을 포기하고 무엇을 얻는지가 보인다.

방식 얻는 것 강한 곳 약한 곳
단안 배율 미상 지도 아무 사진에나 된다 절대 거리, 처음 보는 크기의 물체
스테레오 미터 단위 카메라 둘 사이 간격이 기준이 된다 무늬 없는 벽, 두 눈 간격보다 먼 거리
구조광·비행시간 미터 단위 어두워도 되고 정확하다 실외 햇빛, 원거리, 검은 물체
라이다 미터 단위, 희소 원거리까지 정확하다 값이 비싸고 점이 성기다
다시점 복원 미터 미상 지도 정밀하다 카메라가 움직여야 하고 느리다

스테레오는 앞 절의 시차를 실제로 재는 방식이다. 두 카메라 사이의 간격이라는 실제 길이가 있으므로 미터 단위가 나오지만, 두 그림에서 같은 점을 짝지어야 하므로 무늬 없는 흰 벽에서는 짝을 못 찾는다. 구조광·비행시간 방식은 빛을 쏘아 돌아오는 모양이나 시간을 재는데, 햇빛이 그 빛을 덮어 버리는 실외에서 약하다.

라이다와 단안의 결합

실제 시스템은 자주 이 둘을 겹친다. 라이다는 거리가 정확하지만 점이 성겨서, 한 바퀴에 얻는 점이 그림 픽셀 수의 몇 퍼센트에 그친다. 단안 지도는 픽셀마다 값이 있지만 배율을 모른다. 라이다 점 몇백 개를 기준점으로 삼아 앞 절의 최소제곱으로 단안 지도의 배율과 치우침을 맞추면, 촘촘하면서 미터 단위인 지도가 나온다. 서로의 약점이 정확히 반대라서 잘 맞는 조합이다. 값싼 거리계 한 점과 단안 모델을 묶는 휴대 기기도 같은 생각이다.

실내와 실외

어느 수단이 맞는지는 거리 대역이 가장 크게 가른다. 실내 근거리, 대략 5미터 안쪽은 구조광이나 비행시간 센서가 싸고 정확해서 단안이 낄 자리가 좁다 — 단안은 센서가 놓친 검은 물체나 반사면을 메우는 보조로 쓴다. 실외 원거리는 반대다. 햇빛 때문에 능동 센서가 약해지고, 스테레오는 거리가 멀어질수록 시차가 작아져 앞 절과 같은 오차 폭발을 겪는다. 여기서는 라이다가 뼈대를 잡고 단안이 빈칸을 채우는 구성이 흔하다. 센서를 붙일 수 없는 경우 — 이미 찍힌 사진, 휴대폰 앱, 오래된 영상 자료 — 에는 단안이 유일한 선택이고, 그때는 앞의 기준점 방법으로 배율을 메운다.

자주 무너지는 자리

정의되지 않는 표면

하늘·거울·유리는 따로 다뤄야 한다. 하늘은 거리라는 개념이 없고, 거울은 비친 상의 거리를 내고, 투명한 유리는 뒤의 것을 낸다. 거울 속 방을 실제 방의 연장으로 그려 벽 너머에 방이 하나 더 있는 점구름이 나오는 것이 흔한 모습이다. 셋 다 「틀렸다」기보다 정의되지 않은 것에 가깝다. 하늘 분할이나 반사면 검출로 마스크를 만들어 이 영역을 빼고 다루는 편이 낫다. 로봇 회피처럼 안전이 걸린 쓰임이라면 이 영역을 「모름」으로 표시해 다른 센서에 넘긴다.

경계와 이음매

경계가 번진다. 깊이 지도는 대개 원본보다 작은 격자에서 나와 확대된다. 그래서 물체 가장자리에서 앞과 뒤의 값이 섞인다. 이 지도를 점구름으로 바꾸면 물체 윤곽을 따라 아무 데도 속하지 않는 점들이 떠 있는 모양이 되는데, 이걸 날아다니는 픽셀이라 부른다. 의자 등받이 뒤로 벽까지 이어지는 얇은 커튼 같은 점들이 그것이다. 이웃 픽셀과 깊이 차이가 큰 픽셀을 지우는 후처리가 흔한 대응이다.

타일 이음매도 있다. 고해상도 사진을 조각으로 나눠 각각 추정한 뒤 붙이면 조각마다 배율이 달라 경계에 계단이 생긴다. 앞에서 본 대로 배율은 그림마다 따로 정해지므로, 조각 하나하나가 각자의 그림이 되어 버린 것이다. 겹치게 자르고 겹친 영역에서 배율을 맞춘 뒤 이어야 한다.

영상과 평가

영상에서는 배율이 흔들린다. 프레임마다 따로 추정하면 같은 벽의 깊이가 매 프레임 조금씩 달라진다. 카메라가 조금 움직인 것뿐인데 장면 전체가 앞뒤로 출렁이는 것처럼 보인다. 기준이 되는 영역을 정해 프레임 간 배율을 맞추거나, 앞뒤 프레임을 함께 보도록 만든 영상 전용 모델을 쓴다.

평가할 때는 정렬을 잊지 않는다. 배율 미상 모델을 실측값과 그냥 비교하면 당연히 나쁘게 나온다. 이 계열은 평가 전에 사진마다 배율과 치우침을 최소제곱으로 맞추고 재는 것이 규칙이고, 그 사실을 안 밝힌 비교 수치는 신뢰할 수 없다. 반대로 미터 단위를 낸다고 주장하는 모델을 정렬한 뒤에 재면 정작 그 모델의 핵심 능력인 배율 맞히기를 빼고 재는 셈이 된다. 무엇을 정렬했는지가 수치의 뜻을 정한다.

정리

  • 카메라 한 대의 그림은 크기와 거리를 함께 잃는다. 작은 것이 가까운 것과 큰 것이 먼 것이 같은 그림을 만든다
  • 모델은 익숙한 물건의 크기로 배율을 짐작한다. 처음 보는 크기의 물체만 있는 장면에서는 숫자가 통째로 어긋난다
  • 출력은 세 등급이다 — 순서만, 배율·치우침 미상, 미터 단위. 범용 모델의 기본은 가운데다
  • 많은 모델이 내는 값은 깊이가 아니라 깊이의 역수 쪽이다. 뒤집는 순간 먼 곳의 오차가 폭발한다
  • 미터로 올리려면 실제 거리를 아는 점이 최소 둘 필요하다. 점구름으로 바꿀 때는 초점거리까지 맞아야 한다
  • 성긴 거리 센서로 촘촘한 단안 지도의 배율을 맞추는 조합이 실무에서 가장 값이 좋다
  • 하늘·거울·유리는 마스크로 빼고, 경계의 날아다니는 픽셀은 지우고, 영상은 프레임 간 배율을 맞춘다
  • 배율 미상 모델은 정렬한 뒤에 평가한다. 무엇을 정렬했는지 안 밝힌 수치는 의미가 없다

읽어주셔서 감사합니다. 😊

LATEST

비전·음성·추천의 최신 글

비전·음성·추천2026.09.07

오프라인 강화학습 — 쌓인 로그만으로 정책을 배우기

실제 서비스에서 탐색은 곧 사용자에게 나쁜 행동을 해 보는 일입니다. 이미 쌓인 로그만으로 정책을 배우려 할 때 왜 Q값이 혼자 부풀어 오르는지, 그 부풀음을 누르는 세 갈래 대응, 행동 복제라는 기준선의 무게, 그리고 배포 전에 성능을 재는 일이 왜 가장 어려운지를 정리합니다.

30 MIN
비전·음성·추천2026.09.07

다국어 전이 — 라벨 없는 언어에서 모델이 동작하는 이유

영어 라벨만으로 학습한 분류기가 한국어 문장을 그대로 처리하는 일이 실제로 일어납니다. 여러 언어가 한 표현 공간에 겹쳐 놓이는 원리, 그 겹침이 무너지는 조건, 번역해서 학습할지 번역해서 추론할지 고르는 기준, 그리고 언어별로 나눠 재야 하는 이유를 정리합니다.

29 MIN
비전·음성·추천2026.09.07

정보 추출 — 글 한 덩이를 표 한 줄로 바꾸는 일

계약서와 이메일을 데이터베이스에 넣으려면 글에서 값을 뽑아 칸에 채워야 합니다. 개체명·관계·사건의 세 층위, 값을 정규화하는 일이 왜 절반인지, 근거 위치를 함께 남겨야 하는 이유, 규칙·전용 모델·언어 모델의 갈림길, 그리고 필드별로 재는 평가법을 정리합니다.

31 MIN