로민 공식 블로그 | The Data for AI

작업지시서·정비보고서·설비점검표는 종이·스캔본·사진으로 들어와 설비번호와 조치 내용을 담당자가 다시 확인·입력합니다. 로민은 핵심 항목을 추출하고, 신뢰도가 낮은 값만 담당자가 원문 위치와 함께 검수하게 합니다.

원산지증명서·검역증명서·위험물 신고서는 발급기관마다 양식이 달라 통관 전마다 유효기간과 인증번호를 원본에서 다시 확인합니다. 로민은 핵심 항목을 추출하고, 신뢰도가 낮은 값만 담당자가 원문 위치와 함께 검수하게 합니다.

수출입면장의 신고번호·HS Code·관세·VAT는 통관 후에도 정산과 통계에 다시 활용되지만, 담당자가 매번 PDF를 열어 직접 입력합니다. 로민은 면장 데이터를 추출하고, 신뢰도가 낮은 값만 담당자가 원문 위치와 함께 검수하게 합니다.

3-way match 전 담당자는 송장·구매주문서·입고확인서를 번갈아 열어 PO 번호, 수량, 금액을 대조합니다. 로민은 핵심 항목을 추출하고, 신뢰도가 낮은 값만 담당자가 원문 위치와 함께 검수하게 합니다.

문서 업무 자동화율은 사람이 검수하지 않고 바로 처리한 문서의 비율입니다. 정확도가 99%여도 오류 문서를 특정하지 못하면 자동화율은 0%가 됩니다. 로민이 KCCV 2026에서 제시한 문서 AI 기준과 자동화율을 높이는 그라운딩·신뢰도 예측·데이터 플라이휠을 정리했습니다.

제약 QA/QC 담당자가 CoA, BMR, BPR, 시험분석 결과서에서 배치번호, 시험항목, 규격, 결과값, 제조 공정 정보, 이탈·변경관리 문장을 구조화하는 방법을 설명합니다. 로민은 품질문서를 분류하고 QMS/LIMS/MES 입력 전 검수 가능한 데이터로 정리합니다.

거래처마다 양식이 다른 Commercial Invoice(C/I)·Packing List(P/L)·Bill of Lading(B/L), 파일을 열지 않고 자동 분류할 수 있습니다. 문서 내부 구조와 핵심 항목을 기준으로 유형을 식별하고 다음 업무로 자동 연결하는 방법을 정리했습니다.

공공기관 Document AI는 OCR 정확도만으로 평가할 수 없습니다. 민원 신청서, 공문, 기록물, 증빙서류 등 실제 업무 문서를 처리하고, 변화하는 문서 환경에 대응하며, 운영할수록 성능이 개선되는 플랫폼인지 확인해야 합니다. 도입 전 반드시 검토해야 할 핵심 기준을 정리했습니다.

메일·공유폴더로 들어오는 Commercial Invoice(C/I), Packing List(P/L), B/L 문서를 아직도 직접 열어보고 입력하고 있나요? 로민 API를 활용해 무역 문서를 자동 분류하고, 필요한 데이터를 추출해 ERP·DB·운영 시스템으로 연결하는 자동화 흐름을 소개합니다.

거래처마다 양식이 다른 거래명세서·세금계산서에서 필요한 데이터를 추출하고, 로민 API와 n8n을 활용해 시트·ERP·사내 시스템으로 연동하는 자동화 방법을 소개합니다.

액티브 러닝의 개념과 Document AI Agent 정확도 개선 방식을 설명합니다. 검수 결과를 학습에 반영해 문서 자동화 품질을 높이는 방법을 확인하세요.

SK, LG, NAVER, 당근의 LLM 기반 AI 에이전트 활용 사례를 통해 HR, 금융, 데이터 분석, 고객 문의, 부동산 서비스에서 나타난 도입 성과와 실무 적용 인사이트를 정리합니다.

OCR 벤치마크를 선택할 때 accuracy만 보면 안 되는 이유와 General, Layout, VQA, Table, Equation 기준의 평가 방식, 주요 metric, 실무 운영 포인트를 정리합니다.

Enterprise 환경의 On-Premise Document AI에서 필요한 관리자 권한 통제, RBAC, 데이터 암호화, 감사 로그, 감사 보고서 기능과 구현 방향을 살펴봅니다.

우리는 LLM으로 코드를 짜고, VLM으로 문서를 처리합니다. AI가 개발의 중심이 된 만큼, AI 자체가 공격 경로가 됩니다. 이 글은 우리 팀이 마주한 위협을 정직하게 분석하고, "보안을 내재화한 AI 개발 가이드"를 어떻게 만들었는지 공유합니다.

RAG 정확도가 기대에 못 미친다면 모델보다 문서 데이터부터 점검해야 합니다. 문서 파서, 구조화, 검증 가능성의 핵심을 설명합니다.

수천 건의 라벨링 없이 문서 한 장이면 충분합니다. VLM의 제로샷(Zero-Shot) 기술과, 운영할수록 똑똑해지는 액티브 러닝으로 자동화 비용을 줄이는 방법을 확인하세요.

자연어처리 연구부터 멀티모달 VLM 개발까지! 문서를 이해하는 AI를 만드는 로민 ML팀의 일과 성장 이야기, 그리고 엔지니어로서의 매력을 함께 들어보세요.

로민 ML팀 엔지니어 Edgar가 전하는 문서 파싱과 RAG 기술 이야기. AI가 문서를 이해하도록 만드는 핵심 역할과 로민에서 함께 성장할 동료를 찾는 이유를 들어보세요.

고객과 내부의 다양한 팀 사이에서 균형을 맞추는 중요한 역할을 하는 로민 PMO팀의 PM의 인터뷰를 들어볼까요?

훌륭한 심성을 가지신 분들로 구성되어 대인관계의 스트레스가 없다는 로민! 로민 제품의 프론트엔드 개발을 담당하는 Ella의 인터뷰를 들어볼까요?

강지홍 대표님의 안목과 비전 제시가 입사하는 데 크게 작용했다는 Justin! 멀티모달 모델 개발을 담당하는 Justin님의 인터뷰를 들어볼까요?

개발 이외의 것들에 대해 걱정할 필요 없도록 배려해 준다는데, Eden의 인터뷰를 통해 상세 내용 들어볼까요?

Document AI는 문서 처리 자동화를 통해 업무 효율성을 극대화하는 기술입니다. 금융, 공공, 제조 등 다양한 산업에서의 활용 사례와 도입 효과를 확인해보세요.

로민의 제품과 서비스 기획을 책임지고 있는 로민의 Product Owner Jun! Jun에게 프로덕트팀의 업무와 프로덕트팀의 일하는 방식에 대해 들어볼까요?

프로젝트의 시작에서 가장 먼저 나서야 하는 로민의 데이터 매니저 Skye! Skye에게 데이터 매니저의 업무와 로민의 데이터 매니저에게 꼭 필요한 역량에 대해 들어볼까요?

로켓을 바라보기만 할 게 아니라, 로켓을 만들고 탑승해서 달까지 날아가자는 멋진 Evan! Evan에게 백엔드팀의 업무와 일하는 방식에 대해 들어볼까요?

생성형 AI 모델 선택을 위한 가이드. RAG, CAG, TAG 기술의 차이점을 비교하고, 우리 기업의 데이터에 맞는 최적의 조합을 찾아보세요.

생성형 AI 성공의 핵심은 문서 파싱(Parsing), 즉 문서 구조화입니다. RAG/LLM 구축을 위한 AI-Native 데이터 전략과 로민 Doc Parser의 실제 활용 사례를 확인하세요.

문서 파싱 솔루션 도입 전 확인해야 할 5가지 핵심 기준을 상세히 분석, AI-Native 문서 생성부터 RAG 연계까지, AI 시대 문서 처리 완벽 가이드

DEER(Detection-agnostic End-to-End Recognizer)는 텍스트 스팟팅의 새로운 접근 방식으로, 기존의 텍스트 탐지와 인식 시스템에서 벗어나 텍스트 탐지 오류에 덜 의존하는 인식 구조를 제안합니다. 이를 통해 다양한 형태와 크기의 텍스트를 효과적으로 인식할 수 있으며, 복잡한 탐지 메커니즘 없이도 성능을 유지합니다.

OCR 없는 문서 이해를 위한 혁신적 AI 모델. 고해상도 이미지 처리, 토큰 최적화, 텍스트 스팟팅 기능 탑재. 12개 벤치마크에서 우수한 성능 입증. 문서 이해 AI의 새 지평을 열다

SliceGPT는 Transformer 기반 언어 모델의 효율성을 극대화하기 위해 Structured Pruning 방식을 제안합니다. 주성분 분석(PCA)으로 weight matrix를 최적화하여 최대 64%의 연산 비용을 줄이면서 성능을 유지합니다.

quantization에서의 두 접근 방식 QAT(Quantization Aware Training)와 PTQ(Post Training Quantization) 중에서 PTQ 방식에서의 성능 하락을 완화하기 위한 DetPTQ라는 새로운 방식을 제시

DetPTQ와 ODOL을 활용해 Document AI 모델의 PTQ 성능을 혁신적으로 개선하고, 성능 저하 없이 효율적 양자화를 실현합니다.

LLaMa, PaLM, Mistral 등 최신 LLM 모델들의 학습 데이터와 최적화 기법을 비교 분석합니다. 각 모델의 특성과 최신 기술 트렌드를 한눈에 확인해보세요.

DINO 모델을 Open-set 및 Referring Object Detection으로 확장한 Grounding DINO를 소개합니다. 자연어 쿼리를 활용한 객체 탐지 성능을 강화합니다.

LLM의 quality와 factuality를 향상시키 위해 Self-RAG를 제안, LM을 on-demand로 조건에 따라 passage retrieve를 하도록 학습한다. Retrieved passage를 reflection token 이라는 special token을 이용해 self-check를 하여 generation의 quality와 factuality를 향상시킨다.

외부 지식 결합으로 LLM의 Hallucination 문제를 개선하고 성능을 높이는 RAG 모델의 효과를 분석합니다.

GLAM(Graph-based Layout Analysis Model)은 PDF 문서의 레이아웃 분석을 위한 경량 그래프 신경망 모델로, 텍스트 박스를 노드로 구성하여 노드와 엣지 분류를 통해 레이아웃을 추론합니다. DocLayNet과 PubLayNet 데이터셋에서 기존 CV 모델보다 효율적인 성능을 보여주며, 작은 모델 사이즈와 빠른 추론 속도가 강점입니다.

ICL-D3IE는 문서 정보 추출(DIE)을 위한 In-Context Learning 프레임워크로, 다양한 예시를 사용해 LLM의 정확성과 성능을 향상시킵니다. FUNSD, CORD, SROIE 등의 벤치마크에서 기존 방법 대비 우수한 성능을 보입니다.

HTS(Hierarchical Text Spotter)는 텍스트 스포팅과 레이아웃 분석을 통합한 모델로, 텍스트 라인의 정확한 폴리곤 예측과 문서 내 텍스트 레이아웃을 효과적으로 분석합니다. 다양한 벤치마크에서 최고 성능을 기록하며, 텍스트와 레이아웃을 동시에 처리하는 첫 사례로 주목받고 있습니다.

CoOp, CoCoOp, KgCoOp는 비전-언어 모델의 프롬프트 최적화와 일반화 성능을 개선해, 제로샷 전이와 unseen 클래스 대응력을 높이는 프레임워크입니다.