추출 스키마란 무엇인가: 문서에서 무엇을 어떤 형식으로 뽑을지 정한 규격 완전 정리

추출 스키마란, 문서에서 어떤 항목을 어떤 이름과 형식, 조건으로 뽑을지 정한 규격으로, 추출 결과를 업무 시스템과 후속 자동화가 바로 쓸 수 있는 데이터 구조로 맞추는 기준입니다.

추출 스키마가 필요해진 배경

같은 값을 부서마다 다르게 부르고 있었습니다.

문서에서 값을 뽑는 기술이 좋아져도 결과를 그대로 쓰지 못하는 경우가 많습니다. 한 부서는 대표자명, 다른 부서는 대표자 성명이라고 부르고, 날짜는 점과 하이픈이 섞여 있으며, 금액은 원 단위와 천 원 단위가 뒤섞여 들어옵니다. 업무 시스템에 넣기 전에 사람이 형식을 다시 맞춰야 한다면 자동화의 효과는 줄어듭니다.

문서마다 뽑을 항목이 다르다는 점도 문제입니다. 사업자등록증에서는 등록번호와 개업일이, 법인등기부등본에서는 임원 성명과 변경일이 필요합니다. 어떤 서식에서 무엇을 뽑는지가 담당자의 경험에만 남아 있으면 결과를 검증할 기준도 없습니다.

추출 스키마는 이 약속을 문서로 고정합니다. 정의된 필드에 따라 필요한 항목만 뽑아 항목과 값의 쌍으로 정규화하면, 그 결과가 후속 처리와 자동화의 기반이 됩니다.

추출 스키마의 정확한 정의: 좌표 템플릿과 무엇이 다른가

좌표 템플릿과 추출 스키마, 세 가지 축의 차이

첫째, 기준이 되는 것이 다릅니다. 좌표 템플릿은 서식의 어느 위치에 어떤 값이 있는지를 정합니다. 추출 스키마는 위치가 아니라 어떤 의미의 값을 어떤 형식으로 받을지를 정합니다.

둘째, 서식이 바뀔 때의 영향이 다릅니다. 좌표 템플릿은 칸의 위치가 조금만 달라져도 다시 만들어야 합니다. 추출 스키마는 항목의 의미가 같다면 서식이 개정되어도 그대로 쓸 수 있습니다.

셋째, 담는 정보의 범위가 다릅니다. 좌표 템플릿은 값을 찾는 방법만 담습니다. 추출 스키마는 항목 이름과 값 형식, 필수 여부, 검증 조건까지 함께 담아 결과를 확인하는 기준이 됩니다.

시각언어모델 기반 추출이 널리 쓰이면서 위치를 지정하지 않아도 의미로 값을 찾을 수 있게 되었습니다. 그만큼 무엇을 어떤 형식으로 받을지를 정한 스키마의 비중이 커졌습니다. 값을 찾는 일은 모델이 더 잘하게 되었지만, 찾은 값을 업무에서 어떻게 받을지는 여전히 조직이 정해야 합니다.

추출 스키마를 이루는 5가지 요소

한 항목을 정의할 때 적는 5가지 요소

첫째, 항목 이름입니다. 업무 시스템의 필드명과 맞추고, 부서마다 다르게 부르던 이름을 하나로 통일합니다. 같은 항목이 서식에 따라 상호, 법인명, 회사명으로 적혀 있어도 결과에서는 하나의 이름으로 받습니다.

둘째, 값 형식입니다. 날짜는 연월일 순서와 구분자, 금액은 단위와 쉼표 여부, 번호는 하이픈 포함 여부처럼 결과가 따라야 할 형식을 정합니다.

셋째, 필수 여부입니다. 값이 없으면 예외로 보낼 항목과 비어 있어도 되는 항목을 구분합니다. 필수 항목이 비었을 때 보완을 요청할지, 다른 서류에서 찾을지도 함께 적어 둡니다.

넷째, 정규화 규칙입니다. 한글 금액 표기를 숫자로 바꾸거나 상호 앞뒤의 법인 표기를 떼는 것처럼 원문 표기를 표준 형식으로 바꾸는 규칙을 적습니다.

다섯째, 검증 조건입니다. 사업자등록번호의 자릿수, 날짜의 선후 관계, 다른 서류와 일치해야 하는 항목처럼 값이 맞는지 확인하는 조건을 함께 둡니다.

다섯 요소를 표 한 장으로 정리한 문서가 흔히 필드정의서라고 부르는 산출물입니다. 이 문서가 개발자와 업무 담당자가 같은 기준으로 결과를 보는 출발점이 됩니다.

추출 스키마의 실제 적용 방법

업무 시스템의 입력 항목에서 거꾸로 정합니다

문서에 보이는 항목을 모두 뽑기보다, 결과가 들어갈 업무 시스템에 어떤 필드가 있는지부터 확인합니다. 시스템이 받지 않는 항목까지 뽑으면 검증할 대상만 늘어납니다.

반대로 시스템에는 없지만 판단에 필요한 항목은 따로 표시해 두어야 뒤의 조건 판단 단계에서 빠뜨리지 않습니다. 시스템 필드와 스키마 항목을 한 줄씩 대응시킨 표를 만들어 두면 연계 단계에서 형식 오류를 미리 찾을 수 있습니다.

서식별로 나누고 공통 항목은 묶습니다

서식마다 스키마를 만들되, 여러 서식에 공통으로 나오는 사업자등록번호나 대표자 같은 항목은 같은 정의를 공유합니다. 공통 정의가 있어야 서류 간 대조를 규칙으로 만들 수 있습니다.

공통 항목의 정의를 바꾸면 그 항목을 쓰는 모든 서식에 영향이 가므로 변경 전에 범위를 확인합니다.

버전으로 관리합니다

법령 개정이나 업무 기준 변경으로 항목이 추가되거나 형식이 바뀌면 스키마도 바뀝니다. 언제 무엇이 바뀌었는지 버전으로 남기고, 바꾼 스키마를 기존과 같은 평가 문서로 비교한 뒤 운영에 반영합니다. 변경을 누가 요청했고 누가 승인했는지도 버전과 함께 기록합니다.

버전이 남아 있어야 과거에 처리된 결과가 어떤 기준으로 만들어졌는지 설명할 수 있습니다.

국내 환경에서의 추출 스키마

국내 문서에는 주민등록번호와 사업자등록번호, 법인등록번호처럼 형식이 정해진 번호와 한글 금액 표기, 점으로 구분한 날짜 표기가 자주 나옵니다. 이런 항목은 정규화와 검증 규칙을 스키마에 명시해 두어야 결과가 일관됩니다.

주민등록번호처럼 개인정보에 해당하는 항목은 추출과 동시에 비식별화할지, 원문을 보관할지를 스키마 단계에서 정해 두어야 저장과 권한 관리가 흔들리지 않습니다.