비전·음성·추천

DOMAIN / 53번째 글

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.

PALDYN Team31 MIN READ

회사 안에 쌓인 자료의 대부분은 표가 아니라 글이다. 계약서, 발주 메일, 상담 기록, 진료 노트, 사고 보고서. 사람은 읽으면 되지만 시스템은 못 읽는다. 금액으로 정렬하려면 금액이 숫자 칸에 들어 있어야 하고, 만기 30일 전에 알림을 보내려면 만기일이 날짜 칸에 있어야 한다.

정보 추출(information extraction)은 그 간극을 메우는 일이다. 자유롭게 쓰인 글에서 미리 정한 칸에 들어갈 값을 찾아내 채운다. 요약이나 분류와 달리 결과가 사람이 읽는 문장이 아니라 기계가 쓰는 자료라는 점이 이 일의 성격을 전부 정한다.

원문에서 값을 뽑아 스키마의 칸을 채우고 근거 위치를 남긴다

세 층위와 스키마

개체명·관계·사건

이 분야는 난이도 순으로 세 층이 있고, 실무에서 필요한 것은 대개 맨 위층이다.

  1. 개체명 인식. 글 안에서 사람 · 회사 · 날짜 · 금액에 해당하는 조각을 찾아 표시한다. 개체명 인식에서 다룬 그 문제다. "㈜누리테크"가 회사라는 것까지가 이 층의 일이다
  2. 관계 추출. 찾아낸 조각들 사이의 관계를 붙인다. 팔딘㈜과 ㈜누리테크가 둘 다 회사인 것까지는 1층이 알려 주는데, 누가 발주했고 누가 수주했는지는 관계다
  3. 사건 추출. "계약 체결"이라는 사건 하나를 잡고 그에 딸린 칸을 전부 채운다. 발주사 · 수주사 · 계약일 · 금액 · 기간이 한 줄로 묶여야 쓸모가 있다

세 층은 따로 노는 세 가지 일이 아니라 위층이 아래층의 결과를 재료로 쓰는 관계다. 관계는 개체명 둘을 잇는 선이고, 사건은 그 선 여러 개를 하나의 틀에 모은 것이다. 그래서 1층에서 회사 하나를 놓치면 2층과 3층에서 그 회사가 들어갈 자리가 통째로 빈다.

사건 단위의 목표

1층만 해 놓고 멈추면 쓸 데가 거의 없다. 발주 메일 한 통에 회사 이름이 다섯 번 나온다고 해 보자. 우리 회사, 상대 회사, 참조로 들어간 협력사, 서명란의 대표 법인, 그리고 지난 계약에서 언급된 옛 거래처다. 1층은 다섯 개 모두에 「회사」라는 표시를 붙여 줄 뿐이다. 그중 무엇이 이번 계약의 수주사인지를 모르면 사람이 메일을 다시 읽어야 하고, 그러면 자동화한 것이 없다.

목표는 언제나 3층이다. 데이터베이스의 한 행은 사건 하나에 대응하고, 사건을 정의하지 않은 채 개체명만 모으면 행을 만들 수가 없다. 이 사실이 작업 순서를 뒤집는다 — 모델을 고르기 전에 표의 모양부터 정한다.

스키마 설계

여기서 스키마는 추출 결과가 들어갈 표의 설계도다. 칸 이름만 적어서는 안 되고, 칸마다 네 가지를 못 박는다.

  • 자료형 — 문자열인가, 정수인가, 날짜인가, 정해진 코드값 중 하나인가
  • 필수 여부 — 이 칸이 비면 그 행을 받을 수 있는가
  • 다중값 — 수주사가 컨소시엄이라 셋일 수 있는가
  • 기본 단위 — 금액은 원인가 천 원인가, 부가세 포함인가 별도인가

넷 중 가장 자주 빠뜨리는 것이 단위다. 「금액」이라는 칸 하나에 어떤 문서는 부가세 포함 총액을, 어떤 문서는 공급가액을 넣으면 합계를 낼 때 10%씩 어긋나고 아무도 모른다. 칸을 「공급가액(원, 부가세 별도)」처럼 단위까지 이름에 담아 두면 뽑는 쪽도 검수하는 쪽도 같은 것을 본다. 다중값도 미리 정하지 않으면 모델이 셋 중 첫째만 넣거나 쉼표로 이어 붙인 문자열 하나를 넣는다.

값의 정규화

수와 통화

원문에서 "4,800만 원"이라는 글자를 찾는 것은 어렵지 않다. 어려운 것은 그것을 48000000이라는 정수로 바꾸는 일이다. 찾아낸 표현을 스키마의 자료형과 단위에 맞추는 이 단계를 정규화라 부르고, 실무 작업량의 절반쯤을 차지한다.

수 하나를 따라가 보자. 한 계약서에 「계약 금액: 금 사천팔백만 원정(VAT 별도)」이 있고, 다른 계약서에는 「월 400만 원, 12개월」만 있고, 세 번째는 「USD 36,000」이다. 첫째는 한글 숫자를 풀어 48,000,000이 되고 부가세 별도이니 공급가액 칸에 그대로 들어간다. 둘째는 총액이 원문에 없다. 400만 × 12 = 4,800만으로 계산할 수는 있지만, 그 계산은 뽑기가 아니라 추론이므로 「월 단가」 칸과 「기간」 칸을 따로 채우고 총액은 코드가 곱한다. 셋째는 환율이 필요한데, 어느 날의 환율인지는 문서가 정하지 않는다. 원 통화와 금액을 그대로 두는 칸을 따로 만드는 편이 안전하다.

날짜

날짜는 상대 표현이 문제다. "다음 주 화요일", "익월 말일", "계약일로부터 30일 이내"는 기준일이 있어야 풀린다. 그 기준일이 문서 안에 있을 때도 있고 메일 발신 시각일 때도 있다.

2026년 3월 14일에 체결한 계약에서 「잔금은 익월 말일」이면 4월 30일이다. 그런데 같은 문장이 3월 31일 밤에 보낸 메일에 있고 계약일이 따로 적혀 있지 않다면 기준은 발신일이 된다. 「계약일로부터 30일 이내」는 3월 14일 기준으로 4월 13일인데, 첫날을 세는지 안 세는지에 따라 하루가 흔들린다. 이런 규칙은 모델에게 맡기지 말고 원문 표현과 기준일을 각각 뽑은 뒤 코드에서 정해진 규칙으로 계산한다. 규칙이 코드에 있으면 법무팀이 「첫날 불산입」이라고 정정했을 때 한 줄만 고치면 된다.

개체 연결

"㈜누리테크", "누리테크", "누리테크 주식회사", "NuriTech Co., Ltd."는 같은 회사다. 이것들을 사내 거래처 대장의 한 행에 붙이는 일을 개체 연결이라 부른다. 개체명 인식이 글에서 이름을 찾는 일이라면, 개체 연결은 찾은 이름이 우리가 이미 아는 무엇인지를 정하는 일이다.

후보를 좁히는 순서는 대개 이렇다. 먼저 법인 표기(㈜, 주식회사, Co., Ltd.)와 공백을 지운 표준형끼리 견준다. 그래도 둘 이상 남으면 사업자등록번호나 주소처럼 문서 안의 다른 칸을 함께 본다. 끝까지 하나로 안 좁혀지면 억지로 붙이지 않고 「후보 둘」로 검수에 넘긴다. 잘못 붙인 연결은 그 회사의 거래 내역에 남의 계약을 섞어 넣으므로, 비워 두는 것보다 비싸다.

뽑기와 다듬기의 분리

여기서 흔한 실수가 뽑기와 다듬기를 한 단계로 시키는 것이다. 모델에게 "금액을 정수로 뽑아 줘"라고 하면 원문에 없는 계산을 하다가 조용히 틀린다. 「4,800만」을 4,800,000으로 적는 자릿수 실수는 사람 눈에도 잘 안 띈다.

원문 표현을 그대로 뽑는 단계와 그것을 자료형으로 바꾸는 단계를 나누면, 뒷단계는 대부분 코드로 확정적으로 처리할 수 있고 틀렸을 때 어디가 틀렸는지도 보인다. 원문 표현이 「4,800만 원」으로 맞게 뽑혔는데 정수가 틀렸다면 변환 코드의 버그이고, 원문 표현부터 「480만 원」이면 뽑기의 문제다. 한 단계로 묶어 두면 이 둘이 같은 「틀린 값」으로 뭉친다.

근거 스팬

스팬의 세 쓰임

값만 내는 추출기는 실무에 쓰기 어렵다. 계약 금액이 48000000으로 채워져 있을 때, 그것이 맞는지 확인하려면 사람이 문서를 처음부터 다시 읽어야 하기 때문이다.

그래서 칸마다 근거 스팬을 함께 낸다 — 그 값이 원문의 몇 번째 글자에서 몇 번째 글자까지에서 나왔는지다. 이것 하나로 세 가지가 생긴다.

  • 검수 화면 — 값을 누르면 원문의 그 자리가 강조된다. 확인 시간이 문서당 몇 분에서 몇 초로 준다
  • 자동 검증 — 뽑았다는 글자가 원문의 그 위치에 실제로 있는지 코드로 확인할 수 있다
  • 감사 기록 — 나중에 값이 틀렸다는 문의가 오면 왜 그렇게 뽑혔는지를 되짚을 수 있다

검수 시간이 얼마나 달라지는지 숫자로 세어 보자. 하루 300건, 건당 다섯 칸을 사람이 확인한다고 하자. 스팬 없이 문서를 열어 찾으면 칸마다 30초쯤 걸려 건당 2분 30초, 하루 12시간 반이다. 스팬으로 그 자리를 바로 띄우면 칸마다 5초, 건당 25초로 하루 두 시간 남짓이다. 모델의 정확도를 한 점도 안 올렸는데 검수 인력이 여섯 분의 일로 준다.

인용문 검사

언어 모델로 추출할 때는 스팬 대신 원문 인용문을 함께 받는 편이 다루기 쉽다. 위치 숫자를 정확히 세는 것은 모델이 잘 못하지만, 원문 문구를 그대로 옮기는 것은 잘한다. 받은 인용문을 원문에서 검색해 위치를 코드가 찾으면 된다.

이 검색이 곧 검증이다. 인용문이 원문에 없으면 모델이 그 값을 지어냈거나 다른 문서에서 끌어왔다는 뜻이므로 그 칸을 버리고 미확인으로 표시한다. 모델이 원문에 없는 내용을 사실처럼 내놓는 것을 환각이라 부르는데, 이 검사 하나가 추출에서 환각을 막는 가장 값싼 방어다. 모델을 하나 더 부르지도 않고, 문자열 검색 한 번으로 끝난다.

허용 범위

문제는 「그대로」의 기준이다. 모델은 인용하면서 공백을 하나 줄이거나, 줄바꿈을 공백으로 바꾸거나, 전각 괄호를 반각으로 바꾸기도 한다. 완전 일치만 받으면 멀쩡한 값이 꽤 많이 버려진다.

그래서 검색 전에 양쪽을 같은 방식으로 다듬는다. 공백과 줄바꿈을 하나로 접고, 유니코드 정규화로 전각·반각을 맞추고, 따옴표 종류를 통일한다. 여기까지는 뜻이 안 바뀌는 차이다. 반면 조사나 숫자가 다르면 허용하지 않는다. 「4,800만」과 「4,300만」은 글자 하나 차이지만 다른 값이고, 「팔딘㈜이」와 「팔딘㈜은」 정도의 조사 차이를 허용할지는 그 칸이 회사명처럼 조사가 붙기 쉬운 자리인지로 정한다. 허용 규칙을 넓힐수록 버리는 칸은 줄고 놓치는 지어낸 값은 는다는 교환을 기억해 두자.

추출 방법

세 방법의 비교

규칙 · 정규식 전용 모델 파인튜닝 언어 모델 + 스키마
시작 비용 낮다 라벨 수천 건이 필요 거의 없다
양식이 고정된 문서 아주 잘 맞는다 잘 맞는다 잘 맞는다
처음 보는 양식 무너진다 성능이 떨어진다 그런대로 버틴다
칸을 하나 추가 규칙을 새로 쓴다 라벨을 다시 모아 재학습 스키마 한 줄 추가
건당 비용 무시할 수준 낮다 높다
틀린 이유 명확하다 안 보인다 안 보인다
없는 값 처리 확실하다 대체로 확실하다 지어낼 수 있다

일곱 줄이 다 중요해 보이지만 실제 결정은 두 줄이 정한다. 하나는 마지막 줄, 없는 값을 지어내는가다. 비어야 할 칸이 그럴듯한 값으로 차면 사람 눈에도 맞아 보여서 검수에서 가장 늦게 잡힌다. 다른 하나는 칸 추가 비용이다. 업무 쪽 요구는 반드시 바뀌고, 석 달 뒤 「해지 위약금」 칸이 하나 더 필요해졌을 때 무엇을 다시 해야 하는지가 운영 비용의 대부분이다.

정규식의 자리

셋 중 하나를 고르는 문제가 아니라 어디에 무엇을 쓸지의 문제다. 사업자등록번호는 열 자리이고 마지막 자리가 앞의 아홉 자리로 계산되는 검증 숫자다. 계좌번호는 은행마다 자릿수 패턴이 있고, 날짜는 몇 가지 형식으로 수렴한다. 이렇게 형식이 정해진 것은 정규식으로 잡는다. 언어 모델에 맡길 이유가 없고, 검증식까지 통과시키면 더 정확하다.

정규식은 틀린 이유가 명확하다는 것도 장점이다. 놓친 사업자번호가 있으면 그 문서를 열어 보고 「하이픈 대신 공백을 썼다」는 원인을 바로 찾아 패턴을 고친다. 문서 종류를 가르는 일도 값싼 분류기에 맡긴다.

언어 모델의 자리

문맥을 읽어야 하는 칸만 언어 모델에 보낸다. "이 금액이 총액인가 월 단가인가", "이 날짜가 계약일인가 착수일인가" 같은 것이다. 같은 숫자가 문장 속 위치와 주변 낱말에 따라 다른 칸으로 가는 자리이고, 정규식으로는 그 구분을 끝없이 예외로 덧대야 한다.

가장 흔한 출발점이 이 방식이므로 실패하는 자리를 적어 둔다.

  • 스키마를 먼저 강제한다. 자유 형식 JSON을 받아 파싱하면 필드 이름이 흔들리고 자료형이 매번 달라진다. 구조화 출력의 스키마 강제를 쓰면 모양이 어긋나는 문제는 대부분 사라진다
  • 모든 칸을 null 허용으로 둔다. 스키마에 있는 칸은 채워야 한다고 모델이 판단하면 그럴듯한 값을 지어낸다. "원문에 없으면 반드시 null"이라고 명시하는 한 줄이 없어서 생기는 오류가 실전에서 가장 많다
  • 칸을 묶어 나눠 부른다. 칸이 서른 개인 스키마를 한 번에 채우게 하면 뒤쪽 칸의 품질이 눈에 띄게 떨어진다. 성격이 비슷한 칸끼리 묶어 서너 번에 나눠 부르는 편이 정확도도 비용도 낫다
  • 칸 묶음마다 관련 구간만 넣는다. 계약 금액은 대개 앞쪽에, 특약은 뒤쪽에 있다. 스캔본이나 표가 섞인 문서라면 그 앞에 문서 파싱 단계가 먼저 필요하다
{
  "type": "object",
  "properties": {
    "contract_date": { "type": ["string", "null"], "format": "date" },
    "buyer":         { "type": ["string", "null"] },
    "supplier":      { "type": ["string", "null"] },
    "amount_krw":    { "type": ["integer", "null"] },
    "term_months":   { "type": ["integer", "null"] },
    "evidence": {
      "type": "object",
      "description": "필드명마다 원문에서 그대로 옮긴 인용문",
      "additionalProperties": { "type": "string" }
    }
  },
  "required": ["contract_date", "buyer", "supplier", "amount_krw",
               "term_months", "evidence"],
  "additionalProperties": false
}

전용 모델로의 이관

물량이 크고 양식이 안정되면 언어 모델이 만든 결과로 작은 전용 모델을 학습시켜 옮겨 태운다. 큰 모델의 출력을 정답 삼아 작은 모델을 가르치는 이 방법을 증류라 부른다.

언제 옮길지는 산수로 정한다. 숫자는 설명을 위한 가정이다. 언어 모델 호출이 건당 30원이고 하루 1만 건이면 한 달에 900만 원이다. 전용 모델을 만드는 데 라벨 검수와 학습에 한 번 1,500만 원, 서빙에 한 달 100만 원이 든다고 하면, 한 달에 800만 원씩 아껴 두 달이면 본전이다. 하루 500건이면 한 달 45만 원이라 서빙비도 안 나오므로 옮길 이유가 없다. 그리고 옮긴 뒤에도 처음 보는 양식이나 신뢰도가 낮은 건은 언어 모델로 되돌려 보내는 길을 남겨 둔다. 전용 모델은 본 적 있는 양식에서만 싸고 정확하다.

칸 단위 평가

칸별 정밀도와 재현율

문서 하나가 통째로 맞았는지를 세면 숫자가 너무 비관적이고, 어디를 고쳐야 할지도 안 보인다. 칸마다 따로 재는 것이 기본이다.

정밀도는 뽑은 값 중 맞은 비율이고 재현율은 있어야 할 값 중 뽑아낸 비율이다. 둘을 칸마다 낸다. 칸마다 무게가 다르기 때문이다. 금액은 틀린 값이 들어가면 송금이 틀리므로 정밀도가 중요하고, 비우더라도 사람이 채우면 된다. 특약 조항은 놓치면 위험을 모른 채 지나가므로 재현율이 중요하고, 엉뚱한 조항이 몇 개 딸려 와도 사람이 지우면 된다. 그래서 같은 추출기라도 칸마다 임계값을 다르게 둔다.

완전 일치와 부분 일치

회사명에서 "㈜"가 빠진 것과 다른 회사를 뽑은 것은 전혀 다른 오류다. 앞의 것은 정규화 한 줄로 고쳐지고, 뒤의 것은 모델이 문맥을 잘못 읽은 것이다. 둘을 같은 「틀림」으로 세면 고칠 자리가 안 보인다.

비교는 정규화 후의 값으로 한다. 표준형끼리 같으면 맞음, 원문 표현은 겹치는데 표준형이 다르면 부분 일치, 겹치지도 않으면 틀림으로 센다. 부분 일치가 많은 칸은 정규화 규칙을, 틀림이 많은 칸은 프롬프트나 구간 선택을 고친다.

빈 칸의 평가

없는 값을 null로 잘 두는지가 이 일의 핵심 지표 중 하나인데, 보통의 정밀도·재현율 계산에서는 잘 안 드러난다. 정답이 비어 있는 칸은 재현율의 분모에 안 들어가고, 모델이 거기에 값을 지어내도 정밀도에서 틀린 값 하나로 섞여 버린다.

숫자로 보자. 「해지 위약금」 칸이 정답 기준으로 100건 중 30건에만 있다. 모델이 그 30건을 다 맞히고, 위약금이 없는 70건 중 14건에도 그럴듯한 금액을 채웠다. 재현율은 30/30 = 100%이고 정밀도는 30/44 ≈ 68%다. 정밀도 68%만 보면 맞은 값의 품질 문제처럼 읽히는데, 실제로는 맞혀야 할 것은 다 맞히고 비어야 할 70건 중 20%에 값을 지어낸 것이다. 그래서 정답이 빈 칸만 따로 모아 「빈 칸을 비운 비율」을 내 둔다. 이 비율이 떨어지면 원인은 거의 늘 「없으면 null」 지시가 빠졌거나 구간 선택이 다른 문단을 끌어온 것이다.

칸 하나를 여섯 결과로 가르면 고칠 자리가 갈린다

자동 통과율

실제 운영 지표는 몇 퍼센트가 검수 없이 통과했는가다. 모델이 낸 신뢰도로 정렬해 위험한 것만 사람에게 보내는 구조라면, 그 정렬이 잘 되는지가 정확도만큼 중요하다. 정확도 95%인 추출기라도 틀린 5%가 신뢰도 상위에 섞여 있으면 전부 검수해야 하고, 정확도 90%라도 틀린 10%가 하위에 몰려 있으면 상위 80%를 그냥 통과시킬 수 있다.

정답 자료는 골든 데이터셋으로 따로 관리한다. 양식이 새로 들어올 때마다 몇 건씩 보태 두면, 스키마를 고칠 때 어디가 망가졌는지 바로 보인다.

한국어 문서

조사와 스팬 경계

"팔딘㈜은"에서 회사명은 "팔딘㈜"까지다. 모델이 인용문을 「팔딘㈜은」으로 내면 스팬 경계가 한 글자 길어지고, 개체 연결에서 거래처 대장의 「팔딘㈜」과 안 맞는다. 이런 오류는 꾸준히 나온다.

정규화 단계에서 끝의 조사를 떼는 후처리를 두는 편이 낫다. 은·는·이·가·과·와·의·에서처럼 자주 붙는 조사 목록을 두고, 떼어 낸 형태가 대장에 있을 때만 뗀다. 무조건 떼면 「한가」나 「대한」처럼 원래 그 글자로 끝나는 이름이 잘린다. 한국어 처리의 형태소 분석기를 앞에 두면 조사 문제는 상당 부분 정리되지만, 언어 모델을 쓰는 구성에서는 형태소 분석 없이도 대체로 맞고 틀리는 것은 이 후처리로 잡는 편이 단순하다.

표기의 흔들림

같은 회사명이 문서마다 붙었다 떨어졌다 한다. 「누리 테크」와 「누리테크」, 「팔딘 주식회사」와 「팔딘㈜」이다. 개체 연결에서 공백을 지우고 법인 표기를 통일해 비교하는 정도의 정리는 기본으로 깐다.

한자와 영문 표기도 섞인다. 사명이 본문에서는 한글로, 서명란에서는 영문으로, 등기 사항에서는 한자로 나오는 계약서가 드물지 않다. 대장에 별칭 칸을 두고 한 번 연결된 표기를 쌓아 가면 같은 거래처의 두 번째 문서부터는 바로 붙는다.

기관별 서식

공공 문서의 별지 서식은 같은 이름의 칸이 기관마다 위치와 표현을 바꿔 가며 존재한다. 「계약 금액」이 어떤 기관에서는 표의 셋째 줄에, 어떤 기관에서는 본문 문단 속에 「금 ○○원」으로 들어간다. 정규식이나 좌표로 칸을 잡는 방식이 여기서 가장 먼저 무너진다.

대응은 두 가지다. 서식이 몇 종류로 수렴한다면 문서 종류 분류기로 서식을 먼저 가르고 서식마다 규칙을 둔다. 수십 종이 넘으면 서식 판정을 포기하고 언어 모델에 구간 선택을 맡기는 편이 유지 비용이 낮다. 어느 쪽이든 새 기관의 문서가 처음 들어온 날 몇 건을 골든 데이터셋에 보태 두는 습관이 같은 오류를 두 번 겪지 않게 한다.

정리

  • 정보 추출은 글에서 값을 뽑아 정해진 칸에 채우는 일이다. 결과가 사람이 읽는 문장이 아니라 기계가 쓰는 자료라는 점이 다른 모든 것을 정한다
  • 개체명 · 관계 · 사건의 세 층 중 실무에 필요한 것은 언제나 맨 위층이다. 칸마다 자료형 · 필수 여부 · 다중값 · 단위를 정한 스키마에서 시작한다
  • 값을 찾는 것보다 자료형으로 다듬는 일이 절반이다. 뽑기와 다듬기를 한 단계로 시키지 않는다
  • 칸마다 근거를 함께 남긴다. 검수 화면 · 자동 검증 · 감사 기록이 여기서 나오고, 인용문이 원문에 있는지 확인하는 검사가 환각을 막는 가장 값싼 방어다
  • 형식이 정해진 것은 정규식, 문맥이 필요한 칸만 언어 모델. 물량이 커지면 비용을 계산해 전용 모델로 옮겨 태운다
  • 평가는 칸 단위로 정밀도와 재현율을 낸다. 정답이 빈 칸을 따로 세는 것을 빠뜨리지 않는다
  • 한국어에서는 조사 경계와 표기 흔들림이 꾸준한 오류원이다. 정규화 후처리에서 잡는다

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

화자 분리 — 누가 언제 말했는가를 시간축에 적는 일

회의 녹음을 글로 옮기면 누가 한 말인지가 사라집니다. 화자 분리가 푸는 문제와 네 걸음짜리 처리 과정, 겹쳐 말한 구간이 왜 가장 어려운지, DER이라는 지표가 무엇을 세는지, 그리고 음성 인식과 붙일 때 실제로 부딪히는 자리를 정리합니다.

31 MIN
비전·음성·추천2026.09.06

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.

30 MIN