실습 개요
이미지 난이도 설계
합성 문서에 흐림, 기울어짐, 그림자, 해상도 저하, 도장 겹침, 표 경계선 누락, 영수증 구김을 넣어 OCR 난이도별 세트를 작성합니다.
난이도 A/B/C 데이터셋, 이미지 변환 로그, OCR 실패 예상 케이스, 재처리 기준을 작성합니다.
07. OCR 이미지 합성과 노이즈 생성
깨끗한 합성 문서를 실제 스캔 문서처럼 흐림·기울어짐·그림자·부분 잘림을 넣어 테스트합니다.
업무 시나리오
- 회계팀은 AI OCR 회계 자동화 시스템을 구축하기 전에 세금계산서, 법인카드 영수증, 거래명세서, 입금증 샘플이 필요합니다.
- 다만 실제 고객사 증빙을 그대로 교육에 활용할 경우 개인정보, 거래처 비밀, 내부 단가, 결제정보가 외부로 유출될 수 있습니다.
- 학습자는 실무 유사성을 유지하면서도 특정 개인이나 실제 회사를 식별할 수 없도록 데이터셋 구축 방식을 설계합니다.
- 이 과정은 내부회계관리에서 배운 통제 조서와 AI OCR 시스템 구축 과정 사이를 연결하는 데이터 준비 단계입니다.
데이터 구축 방식 비교
| 방식 | 적합한 상황 | 주요 위험 | 검증 기준 |
|---|---|---|---|
| 완전 합성 | 교육 공개용, 교육 산출물 활용 목적, 반복 테스트용 | 데이터가 과도하게 정제되어 실무 난이도가 낮아질 수 있음 | 가상값이지만 회계 논리와 문서 분포가 실무 현실성을 확보하였는지 검토 |
| 템플릿 참조 | 실제 문서 레이아웃과 유사한 OCR 테스트가 필요한 경우 | 원본 값이나 로고, QR, 메타데이터가 혼입될 수 있음 | 레이아웃만 참고하고 값은 모두 새로 생성했는지 검토 |
| 마스킹·가명처리 | 내부 폐쇄망에서 허가받은 검증을 수행할 때 | 마스킹 잔존정보, 재식별, 원본 반출 위험 | 접근권한·보관기간·재식별 점검표가 있는지 검토 |
| 태깅 최소화 | 원본 이미지를 보관하지 않고 회계 판단 로직을 검증할 때 | OCR 이미지 학습에는 부족할 수 있음 | 필요 필드만 남기고 금액대·거래처 유형 등으로 일반화했는지 검토 |
실제 실습 절차
- 대상 문서 유형을 수립합니다. 세금계산서, 카드영수증, 거래명세서, 입금증, 간이영수증 중 어떤 문서를 포함할지 결수립합니다.
- 문서별 민감정보 목록을 작성합니다. 이름, 전화번호, 주소, 사업자번호, 계좌번호, 카드번호, 승인번호, 실제 거래처명, 내부 품목 단가를 분리합니다.
- 데이터 구축 방식을 선택합니다. 공개 교육용이면 완전 합성 또는 템플릿 참조를 우선하고, 내부 검증용이면 제한된 마스킹·가명처리 방식을 검토합니다.
- 샘플 데이터를 생성하거나 태깅합니다. 각 문서에는 OCR 이미지, OCR 예상 텍스트, 정답 라벨 JSON, 전표 기대값을 연결합니다.
- 개인정보 잔존 여부와 회계 논리 타당성을 검토합니다. 공급가액+부가세=합계금액, 증빙유형과 계정과목 매핑, 결산기간 귀속을 검토합니다.
- 검토 결과를 데이터셋 구축 조서로 남깁니다. 데이터셋 버전, 생성자, 검토자, 배포 가능 범위, 폐기 기준을 기록합니다.
실습 데이터 예시
| 항목 | 예시 | 검증 포인트 |
|---|---|---|
| 문서유형 | 세금계산서, 법인카드 영수증, 거래명세서 | 문서별 필수 필드가 다르게 설계되었는지 검토 |
| 거래처 | 가상 거래처 또는 업종 코드 | 실제 거래처명이 섞이지 않았는지 검토 |
| 금액 | 공급가액, 부가세, 합계금액 | 계산 관계와 소수점·원단위 처리가 맞는지 검토 |
| 라벨 | document_type, vendor, amount, vat, account | Gemma 출력 JSON과 자동 비교 가능한지 검토 |
| 예외 | 중복 증빙, 금액 불일치, 승인 누락 | 정상 데이터만 있는지, 감사 실습용 오류가 포함되었는지 검토 |
Gemma 기반 AI OCR과의 연결
이 과정에서 작성한 데이터셋은 다음 단계인 AI OCR 회계 자동화 과정의 입력값이 됩니다. 문서 이미지는 OCR 엔진에 들어가고, OCR 텍스트는 Gemma 프롬프트에 들어가며, 정답 라벨 JSON은 Gemma 결과를 평가하는 기준이 됩니다.
input_image: 합성 또는 안전 처리된 증빙 이미지ocr_text: OCR 엔진이 읽어야 할 예상 텍스트answer_label: 학습자가 비교할 정답 JSONexpected_journal: 전표 자동 생성 결과의 기대값risk_flag: 중복, 금액오류, 기간귀속, 승인누락 같은 감사위험 태그
실무 유사성 검증 기준
- 문서유형 분포가 한쪽으로 쏠리지 않았는지 검토합니다. 세금계산서만 100건인 데이터셋은 회계 자동화 실습에 부족합니다.
- 금액대가 모두 반듯하지 않은지 검토합니다. 10만 원, 20만 원처럼 깔끔한 금액만 있으면 OCR과 회계 검증 난이도가 낮습니다.
- 부가세 과세·면세·불공제 거래가 섞여 있는지 검토합니다.
- 정상 문서뿐 아니라 흐림, 기울어짐, 합계 잘림, 숫자 오인식, 중복 파일, 승인 누락 같은 예외를 포함합니다.
- 실제 개인정보나 실제 회사 정보가 남지 않았는지 데이터셋 최종 반출 전 점검합니다.
교육 진행 흐름
- 강사가 실제 회계 증빙에서 발생하는 개인정보·영업비밀 위험과 AI OCR 실습 요구사항을 설명합니다.
- 학습자는 데이터셋 구축 방식을 완전 합성, 템플릿 참조, 마스킹·가명처리, 태깅 최소화 중에서 선택하고 선택 사유를 조서에 남깁니다.
- 선택한 방식에 따라 샘플 문서 20건, 정답 라벨 20건, 예외 케이스 5건을 구축거나 검토합니다.
- Gemma 기반 AI OCR 프로그램에 넣을 수 있도록 문서 이미지, OCR 예상 텍스트, JSON 라벨, 전표 기대값을 연결합니다.
- 마지막으로 개인정보 잔존 여부, 회계 논리 타당성, 실무 유사성, 감사증적 완전성을 평가합니다.
최종 산출물
- 데이터셋 구축 방식 선정 조서
- 민감정보·영업비밀 점검표
- 가상 마스터 데이터 또는 태깅 기준서
- 샘플 증빙 이미지 세트와 OCR 예상 텍스트
- 정답 라벨 JSON과 전표 기대값 CSV
- 실무 유사성 검증 리포트
- 데이터셋 배포·보관·폐기 기준서
이 산출물은 AI OCR 회계 자동화 개발 실습의 입력 자료이자, 전산감사 관점에서는 데이터 준비 통제가 제대로 설계되었는지 보여주는 감사증거가 됩니다.