비전·음성·추천

DOMAIN / 42번째 글

비디오 이해 — 프레임을 몇 장 뽑느냐가 답을 정한다

영상을 모델에 넣을 때 실제로 정하는 것은 프레임 샘플링과 토큰 예산입니다. 균등 샘플링이 놓치는 것, 시간 정보를 어떻게 남기는지, 긴 영상을 두 번에 나눠 보는 구조, 오디오 트랙을 함께 쓰는 법, 그리고 근거 시각까지 내는 평가를 정리합니다.

PALDYN Team31 MIN READ

지난 글에서 그림 하나에서 값을 뽑는 이야기를 했다. 영상은 그림이 수만 장 이어진 것이니 같은 문제가 수만 배로 늘어난 것처럼 보이지만, 실제로 부딪히는 문제는 다르다. 모델에 넣을 수 있는 그림은 몇 장뿐이고, 그 몇 장을 어디서 뽑느냐가 답을 정한다.

30fps로 찍은 10분짜리 영상은 프레임이 18,000장이다. 프레임 한 장이 이미지 토큰 수백 개를 먹으니 전부 넣는 것은 어떤 모델로도 불가능하다. 그러니 비디오 이해를 붙인다는 것은 대부분 어떤 열여섯 장을 고를 것인가를 정하는 일이다.

토큰 예산과 시간 해상도

프레임 한 장의 값

먼저 숫자를 세어 보자. 그림을 받는 언어 모델, 곧 VLM은 그림을 작은 조각으로 잘라 조각마다 토큰을 만든다. 그래서 그림 한 장이 텍스트로 치면 수백 단어 분량의 자리를 먹는다. 모델과 해상도 설정마다 다르지만 이미지 한 장이 대략 250800 토큰쯤 된다고 잡으면, 프레임 32장은 8,00025,000 토큰이다. 컨텍스트가 128K라도 대화 기록과 지시문을 빼고 나면 영상에 쓸 수 있는 것은 그 안쪽이고, 토큰마다 돈과 지연이 붙는다.

해상도를 낮추면 장수를 늘릴 수 있다. 많은 API가 그림을 작게 줄여 넣는 저해상도 모드를 두고 있고, 그 모드에서는 한 장이 수십~100 토큰 남짓으로 준다. 다만 화면 속 작은 글자, 멀리 있는 사람의 손동작 같은 세부가 함께 사라진다. 프레임 수와 프레임당 해상도는 같은 예산을 나눠 쓰는 두 손잡이이고, 무엇을 찾느냐가 어느 쪽에 더 줄지를 정한다. 장면의 흐름을 따라가는 일이면 장수를, 화면의 글자를 읽는 일이면 해상도를 택한다.

프레임 간격

여기서 나오는 결론이 하나 있다. 프레임 수를 정하면 시간 해상도가 자동으로 정해진다.

프레임 간격=영상 길이프레임 수\text{프레임 간격} = \frac{\text{영상 길이}}{\text{프레임 수}}

10분 영상에 32장이면 간격이 18.75초다. 이 간격이 그 설정에서 모델이 볼 수 있는 시간의 눈금이다. 18.75초마다 한 장씩 셔터를 누른 사진첩을 받는 것과 같다. 그 사이에 일어난 일은 사진첩에 없다. 30분 영상이면 같은 32장으로 간격이 56초가 되고, 2시간 영화면 3분 45초가 된다. 영상이 길어질수록 같은 예산이 더 성긴 눈금이 된다.

이 간격은 「몇 장이면 충분한가」를 거꾸로 계산하게 해 준다. 놓치면 안 되는 가장 짧은 사건이 10초라면 간격을 10초 아래로 잡아야 하고, 10분 영상이면 60장 이상이 필요하다. 그 60장이 예산 안에 드는지가 다음 질문이다.

사건 길이

간격보다 짧은 사건은 존재 자체가 확률에 맡겨진다. 3초짜리 사건이 간격 18.75초의 프레임 중 하나에 걸릴 확률은 대략 3/18.75≈16%3 / 18.75 \approx 16\% 다. 「영상에서 누가 넘어지는 장면 찾아 줘」 같은 요청이 자꾸 실패하는 이유가 여기 있다. 모델이 못 본 것이 아니라 그 프레임을 아예 안 준 것이다. 그리고 운 좋게 한 장에 걸려도, 넘어지는 도중의 한 장면만 보고는 넘어지는지 앉는지 구별하기 어렵다. 사건을 알아보려면 그 사건 안에 프레임이 두세 장은 들어야 한다.

그러므로 설계의 첫 질문은 모델 선택이 아니라 이것이다. 찾아야 하는 사건이 몇 초짜리인가. 몇 분 단위의 주제 파악 — 「이 강의는 무엇을 다루나」 — 이면 균등 샘플링으로 충분하고, 몇 초짜리 사건 탐지 — 「언제 상자가 떨어졌나」 — 면 다른 구조가 필요하다. 이 글의 나머지가 그 다른 구조들이다.

샘플링 방식

균등 샘플링

가장 흔한 방식은 영상 길이를 프레임 수로 나눠 같은 간격으로 뽑는 균등 샘플링이다. 구현이 쉽고 편향이 없어서 기본값으로 좋다. 영상의 어느 구간도 차별하지 않으므로, 무엇을 찾을지 모르는 상태에서 전체를 개관하는 데 맞다.

다만 무엇을 놓치는지는 알고 써야 한다. 앞에서 계산한 대로 간격보다 짧은 사건은 운에 맡겨지고, 내용이 바뀌는 자리와 프레임을 뽑는 자리가 아무 관계가 없다. 15초짜리 장면 셋이 이어지는 구간에서 간격이 18.75초면 장면 하나는 통째로 빠질 수 있다. 같은 영상을 프레임 수만 바꿔 돌렸는데 답이 달라진다면 대개 이 때문이다.

균등 샘플링과 장면 전환 기반 샘플링이 같은 사건을 다르게 다루는 모습

장면 전환 기반

대안은 장면 전환 지점을 먼저 찾아 그 앞뒤로 뽑는 것이다. 인접한 두 프레임의 색 히스토그램 차이가 임계값을 넘으면 장면이 바뀐 것으로 보는 방식이 오래 쓰였고, PySceneDetect 같은 도구가 이걸 그대로 해 준다. 전환을 찾았으면 장면마다 가운데 한 장, 긴 장면은 몇 장을 더 뽑는다. 이렇게 하면 짧은 장면도 빠지지 않고 최소 한 장씩 들어간다.

편집된 영상 — 유튜브 콘텐츠, 강의, 뉴스 — 에서는 이 방식이 균등보다 확실히 낫다. 편집자가 컷을 바꾸는 자리가 곧 내용이 바뀌는 자리이기 때문이다. 뉴스에서 앵커 화면이 현장 화면으로 바뀌는 순간, 강의에서 슬라이드가 넘어가는 순간이 전부 전환으로 잡힌다. 사람이 이미 영상을 의미 단위로 잘라 둔 것을 그대로 빌려 쓰는 셈이다.

움직임 가중과 후보 좁히기

반대로 고정 카메라로 찍은 CCTV나 회의 녹화에서는 장면 전환이 거의 없다. 한 시간 내내 같은 각도의 같은 방이다. 여기서 전환 기반 샘플링을 쓰면 한 구간에 프레임이 몰리거나 아예 아무 데서도 안 뽑힌다. 이런 영상에는 균등 샘플링에 움직임 크기(프레임 간 차이의 총량)를 얹어 움직임이 많은 구간에 더 촘촘히 뽑는 방식이 맞다. 아무도 없는 복도 30분은 몇 장이면 되고, 사람이 지나간 10초에는 여러 장을 준다.

영상 성격 맞는 샘플링
편집된 콘텐츠·강의·뉴스 장면 전환 기반
고정 카메라·CCTV·회의 녹화 균등 + 움직임 가중
화면 녹화·튜토리얼 화면 변화 감지(픽셀 차이) 기반
무엇을 찾을지 미리 아는 경우 값싼 탐지기로 후보를 먼저 좁힌 뒤 그 구간만

마지막 줄이 실무에서 가장 자주 쓰인다. 「안전모 미착용」을 찾는다면 값싼 사람 검출기를 전 프레임에 돌려 사람이 있는 구간만 남기고, 그 구간에서만 VLM을 부른다. 사람 검출기는 프레임 한 장에 몇 밀리초면 돌고 비용도 거의 없지만, VLM 호출은 한 번에 수백 밀리초와 토큰 값이 든다. 공장 CCTV 하루치에서 사람이 찍힌 시간이 5% 남짓이라면 무거운 모델을 부르는 횟수가 수십 분의 일로 준다. 싼 모델이 「어디를 볼지」를, 비싼 모델이 「무엇이 일어났는지」를 맡는 분업이다.

프레임 시각 표기

시각 텍스트

프레임 열여섯 장을 순서대로 넣으면 모델이 순서를 안다고 생각하기 쉽지만, 실제로는 어느 프레임이 몇 초 지점인지를 모른다. 모델이 받는 것은 그림 열여섯 장의 나열뿐이다. 1번과 2번 사이가 1초인지 1분인지 알 길이 없다. 그래서 「몇 분에 그 장면이 나오나요」라고 물으면 그럴듯한 시각을 지어낸다. 영상의 길이를 알면 그 길이 안에서 그럴듯한 값을, 모르면 아무 값이나 낸다.

방법은 단순하다. 프레임마다 그 시각을 텍스트로 함께 넣는다.

parts = []
for t, frame in sampled_frames:              # t는 초 단위
    parts.append({"type": "text", "text": f"[{int(t // 60):02d}:{t % 60:05.2f}]"})
    parts.append({"type": "image", "source": encode(frame)})
parts.append({"type": "text", "text": "각 장면에 무슨 일이 있었는지 시각과 함께 적어 주세요."})

이렇게 하면 모델이 답에 시각을 적을 근거가 생긴다. 「[03:45.00] 다음의 그림에서 상자가 떨어지고 있다」를 보면 답에 「3분 45초쯤」이라고 쓸 수 있다. 영상을 직접 받는 API 가운데는 내부에서 시각 정보를 붙여 주는 것도 있지만, 어떤 간격으로 몇 장을 뽑는지가 감춰져 있어 시간 해상도를 알 수 없다. 프레임을 직접 뽑아 넣으면 그 눈금을 내가 정하고 알고 있다는 이점이 있다.

타임코드 그리기

프레임 위에 타임코드를 글자로 그려 넣는 방법도 쓰인다. 장점은 시각이 그림과 떨어질 일이 없다는 것이다. 프레임을 잘라 다른 단계로 넘기거나 순서를 섞어도 시각이 그림 안에 남는다. 사람이 결과를 검토할 때도 그림만 보고 시각을 알 수 있다.

단점은 모델이 그 글자를 읽어야 한다는 것이다. 그림 속 글자 읽기는 대체로 잘하지만 완벽하지 않다. 저해상도 모드에서는 작은 숫자가 뭉개지고, 「03:45」를 「08:45」로 읽는 실수가 생긴다. 그리고 타임코드가 화면의 일부를 가리므로 그 자리에 있던 내용이 사라진다. 그래서 모델에 줄 때는 텍스트로 주는 편이 안전하고, 그림 위의 타임코드는 사람이 보는 검토 화면에 둔다.

샘플링 간격 고지

시각과 함께 샘플링 간격도 알려 준다. 「이 프레임들은 18.75초 간격으로 뽑은 것이며 그 사이는 보지 못했습니다」라는 한 줄을 넣으면, 모델이 사이에 일어난 일을 단정하지 않고 「확인할 수 없다」고 답하는 비율이 올라간다.

이 한 줄이 필요한 이유는 모델이 빈 곳을 메우려는 성향 때문이다. 1번 프레임에서 사람이 서 있고 2번 프레임에서 바닥에 누워 있으면, 모델은 「넘어졌다」고 쓰고 싶어 한다. 실제로는 앉았다가 누운 것일 수도 있다. 간격을 알려 주면 모델이 「두 프레임 사이 18초 동안 자세가 바뀌었다」고 관찰과 추측을 갈라 적을 여지가 생긴다. 사건의 원인을 묻는 질문에서 특히 차이가 크다.

자막 활용

말과 프레임의 값

영상 이해를 시각 문제로만 잡으면 절반을 버리는 것이다. 강의·회의·인터뷰·리뷰 영상에서 정보의 대부분은 말에 있다. 프레임 열여섯 장으로는 못 담는 내용이 자막 한 페이지에 다 들어 있는 경우가 흔하다. 강의 영상의 프레임은 대부분 같은 슬라이드 앞에 선 같은 사람이고, 내용은 그 사람의 말에 있다.

실무 구성은 대개 이렇다. 오디오를 먼저 음성 인식에 넣어 시각이 붙은 텍스트를 얻고, 그 텍스트와 샘플링한 프레임을 함께 모델에 준다. 텍스트는 이미지보다 압도적으로 싸다. 1분 분량 말이 대략 150 토큰이고 프레임 한 장이 400 토큰이니, 10분 강의의 자막 전체가 프레임 네 장 값이다. 자막을 통째로 넣어도 프레임 몇 장 값이 안 된다는 뜻이다. 예산이 같다면 자막을 먼저 넣고 남은 자리를 프레임에 쓰는 순서가 맞다.

자막으로 구간 좁히기

그리고 자막에는 시각이 이미 붙어 있다. 음성 인식은 문장마다 시작과 끝 시각을 함께 내 주므로, 자막은 그 자체로 시간 색인이다. 자막에서 관심 구간을 먼저 찾고 그 구간의 프레임만 뽑는 방식이 값싸고 정확하다.

「발표자가 가격표를 보여 준 부분」을 찾는다면, 자막에서 「가격」이 나온 시각을 찾아 그 앞뒤 10초만 프레임으로 뽑으면 된다. 말과 화면이 정확히 맞물리지 않으므로 앞뒤 여유를 두는 것이 중요하다. 발표자는 슬라이드를 넘긴 뒤 몇 초 있다가 그 이야기를 시작하기도 하고, 말로 먼저 예고한 뒤 화면을 보여 주기도 한다. 낱말 검색 대신 자막을 문장 임베딩으로 색인해 두면 「가격」이라는 낱말이 안 나오고 「얼마예요」로 말한 구간도 잡힌다.

말이 없는 영상

이 경로가 아예 없는 영상이 있다. CCTV, 화면 녹화, 스포츠 경기의 원본 영상, 배경 음악만 깔린 홍보 영상이 그렇다. 음성 인식을 돌려도 빈 결과나 잡음을 받아 적은 엉뚱한 문장이 나온다. 후자가 더 위험하다. 음악 가사나 소음이 자막으로 들어가면 모델이 그 자막을 근거로 엉뚱한 답을 지어낸다.

그래서 자막 경로를 쓰기 전에 그 영상에 말이 있는지부터 확인한다. 음성 구간 검출로 말이 있는 시간의 비율을 재고, 그 비율이 낮으면 자막 경로를 끄고 앞 절의 시각 샘플링에만 기댄다. 말이 없는 영상에서는 화면의 글자가 대신 구실을 하기도 한다. 화면 녹화라면 프레임마다 글자 인식을 돌려 화면에 뜬 글자를 시각과 함께 색인하면, 자막과 같은 방식으로 구간을 좁힐 수 있다.

두 번 훑는 구조

토막 요약 색인

한 시간이 넘어가면 프레임을 아무리 잘 골라도 한 번에 안 들어간다. 이때 쓰는 구조가 얕게 한 번, 깊게 한 번이다.

긴 영상을 토막으로 나눠 얕게 훑은 뒤, 고른 토막만 촘촘히 다시 읽는 두 번의 흐름

1차에서 영상을 3060초 토막으로 자르고 토막마다 프레임 몇 장과 그 구간의 자막으로 한 줄 요약을 만든다. 이 요약에는 시작·끝 시각이 붙는다. 「[12:30–13:00] 발표자가 2분기 매출 표를 띄우고 전년 대비 증가를 설명함」 같은 줄이다. 한 시간짜리 영상이면 요약 60120줄이 되고, 이건 텍스트라 전부 컨텍스트에 들어간다.

이 요약 목록이 영상의 목차 구실을 한다. 1차 작업은 질문과 무관하므로 영상이 올라왔을 때 한 번만 돌려 저장해 두면 된다. 같은 영상에 질문이 여러 번 들어오면 1차 비용은 한 번만 낸다.

후보 토막 다시 읽기

2차에서는 질문을 받아 요약만 보고 후보 토막을 두세 개로 좁힌 뒤, 그 토막만 초당 두 장 정도로 촘촘히 뽑아 다시 읽는다. 1차의 시간 해상도로는 못 봤던 짧은 사건이 여기서 보인다. 「상자가 언제 떨어졌나」라는 질문에 요약에서 「창고 선반 정리」 토막 둘을 고르고, 그 60초를 120장으로 다시 보는 식이다.

이 구조는 멀티모달 RAG와 뼈대가 같다. 요약이 색인이고 원본 프레임이 본문이다. 다른 점은 색인 단위가 문서가 아니라 시간 구간이라는 것뿐이다. 그래서 RAG에서 배운 실패도 그대로 온다. 요약에 안 적힌 사건은 2차에서 찾을 길이 없다. 1차 요약이 「사람들이 대화함」으로 뭉뚱그렸다면 그 안에서 일어난 작은 사건은 검색에 안 걸린다. 1차 요약을 만들 때 「등장 인물, 물체, 행동, 화면의 글자」처럼 적을 항목을 정해 두면 이 구멍이 줄어든다.

비용 차이가 크다. 한 시간 영상을 초당 두 장으로 전부 읽으면 프레임 7,200장이다. 요약 파이프라인은 30초 토막 120개에 네 장씩 1차 480장, 2차에 토막 둘을 초당 두 장으로 120장이다. 합쳐 600장으로 열 배 넘게 싸고, 무엇보다 7,200장과 달리 한 번에 들어간다.

토막 경계

토막을 기계적으로 30초마다 자르면 사건이 경계에 걸쳐 잘린다. 29초에 시작해 35초에 끝나는 사건은 앞 토막에 1초, 뒤 토막에 5초가 들어가고, 어느 토막의 요약에도 제대로 안 적힌다. 대응은 토막을 겹치게 자르는 것이다. 30초 토막을 20초마다 시작하면 10초씩 겹치고, 10초보다 짧은 사건은 적어도 한 토막에 통째로 들어간다. 대신 토막 수가 1.5배로 는다. 장면 전환이나 자막의 문장 경계에 맞춰 자르는 방법도 있다. 이렇게 하면 내용의 경계와 토막의 경계가 가까워진다.

겹치지 않게 자른 토막과 10초씩 겹치게 자른 토막이 같은 사건을 담는 모습

다른 문제는 맥락이다. 토막마다 따로 요약하면 앞 토막의 맥락을 모른다. 앞 토막에서 「이건 잘못된 방법의 예입니다」라고 말하고 이 토막에서 그 방법을 시연하면, 이 토막만 본 요약은 「올바른 절차를 시연함」으로 뜻이 뒤집힌다. 앞 토막의 요약 한두 줄을 다음 토막을 요약할 때 함께 넘겨주면 대부분 막힌다. 요약을 순서대로 만들어야 해서 병렬로 못 돌리는 대가가 있다.

토막 길이

토막 길이는 맞바꿈이다. 30초 토막이면 한 시간에 요약 120줄, 60초면 60줄이다. 짧을수록 요약이 세밀해져 2차에서 고를 범위가 좁고 정확하지만, 색인이 길어져 1차 비용이 늘고 질문에 맞는 토막을 고를 때 후보가 많아진다. 길수록 색인은 짧지만 한 줄 요약에 1분 분량을 뭉뚱그려야 해서 작은 사건이 요약에서 빠진다.

정답은 영상의 밀도가 정한다. 사건이 촘촘한 스포츠·조리 영상은 짧게, 한 주제가 오래 이어지는 강의·회의는 길게 잡는다. 질문 몇십 개로 두 길이를 모두 돌려 보고, 2차까지 거친 최종 정확도와 비용을 함께 비교해 고른다.

평가

근거 시각

비디오 질의응답을 평가할 때 답의 내용만 채점하면 두 가지를 놓친다. 첫째가 근거 시각의 정확도다. 「언제 상자가 떨어졌나요」에 「00:22쯤」이라고 답했다면 그 시각이 맞았는지를 따로 재야 한다. 보통 정답 구간과 예측 구간의 겹침 비율, 곧 temporal IoU를 쓴다. 두 구간이 겹친 길이를 두 구간을 합친 길이로 나눈 값이다. 정답이 2025초이고 예측이 2228초면 겹침 3초, 합집합 8초로 0.375다. 임계값 0.5 정도에서 맞았다/틀렸다를 가르면 이 예측은 틀린 것이다.

근거 시각을 안 내는 파이프라인은 이 평가를 아예 못 한다. 앞에서 시각을 함께 넣으라고 한 이유가 여기서 한 번 더 나온다. 답의 내용이 맞아도 시각이 틀렸다면, 모델이 실제로 그 장면을 보고 답한 것이 아니라 다른 단서로 맞힌 것일 가능성이 크다.

프레임 수 곡선

둘째는 샘플링을 바꿨을 때의 변화다. 같은 질문·같은 모델로 프레임 8장·16장·32장을 각각 돌려 정확도를 재 보면, 어느 지점에서 곡선이 평평해지는지 보인다. 그 지점이 그 영상 종류에 필요한 시간 해상도이고, 그보다 더 넣는 것은 돈만 쓰는 것이다.

모델을 바꿔 보기 전에 이 곡선부터 그린다. 정확도가 프레임 수에 따라 계속 올라가고 있다면 문제는 모델이 아니라 샘플링이다. 더 비싼 모델로 바꿔도 같은 16장을 주면 같은 사건을 놓친다. 반대로 8장에서 이미 평평하다면 프레임을 줄여 비용을 아낄 여지가 있다. 이 곡선은 영상 종류마다 다르게 나오므로, 강의·CCTV·스포츠처럼 성격이 다른 영상을 섞어 쓴다면 종류별로 따로 그린다.

자막만 준 점수

여기에 멀티모달 평가에서 다룬 것과 같은 주의가 그대로 적용된다. 자막만으로도 맞힐 수 있는 문제가 섞여 있으면 시각 능력을 재는 게 아니다. 「발표자가 추천한 책 제목은?」은 말로 다 나오는 질문이라 프레임이 하나도 없어도 맞힌다.

프레임을 다 빼고 자막만 줬을 때의 점수를 함께 재 보면, 그 차이가 실제로 영상을 봐서 얻은 몫이다. 자막만으로 80%, 프레임까지 넣어 85%라면 영상을 보는 데 쓴 비용이 5%p를 산 것이다. 그 5%p가 어떤 질문에서 나왔는지 들여다보면, 프레임을 더 쓸 가치가 있는 질문 유형이 드러난다. 반대로 자막도 프레임도 다 빼고 질문만 줬을 때의 점수를 재면, 모델이 상식만으로 맞히는 몫이 보인다.

정리

  • 비디오 이해의 실제 설계 변수는 모델이 아니라 몇 장을 어디서 뽑을 것인가다
  • 프레임 수가 시간 해상도를 정한다. 간격보다 짧은 사건은 존재 자체가 확률에 맡겨진다
  • 균등 샘플링은 기본값이고, 편집된 영상은 장면 전환 기반, 고정 카메라는 움직임 가중이 낫다
  • 프레임마다 시각을 텍스트로 함께 넣는다. 안 그러면 모델이 시각을 지어낸다
  • 오디오 자막은 싸고 시각이 붙어 있다. 자막에서 구간을 먼저 좁히고 그 구간만 프레임으로 뽑는다
  • 한 시간이 넘는 영상은 토막 요약으로 색인을 만들고, 고른 토막만 촘촘히 다시 읽는다. 토막은 겹치게 자르고 앞 토막의 요약을 함께 넘긴다
  • 평가는 답과 함께 근거 시각을 재고, 프레임 수에 따른 정확도 곡선을 먼저 그린다

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