PDF 신용 신청서에서 데이터 추출 — 구조화된 필드와 서술형 레퍼런스를 한 번에

신용 신청서의 상단은 표준 양식입니다 — "회사명: ___", "Tax ID: ___", "연간 매출: ___". 라벨 매칭을 사용하는 기존 OCR 도구는 이 부분을 처리할 수 있습니다. 하지만 하단은 양식이 아니라 서술형입니다: "거래처 레퍼런스 1: ABC Supply Corp, 담당자: Mike Chen, 전화번호: 415-555-0198, 신청 신용 한도: $75,000." OCR은 이를 단일 텍스트 블록으로 덤프합니다 — 라벨이 지정된 상자가 없고, 인간 신용 분석가가 읽고 정신적으로 열로 파싱하는 문단뿐이기 때문입니다.

한 은행의 양식은 "연방 세금 ID"라고 표기하고, 공급업체의 내부 양식은 "고용주 ID 번호(EIN)"라고 부릅니다. 거래처 레퍼런스는 번호 목록, 불릿 포인트, 또는 세미콜론으로만 구분된 연속 문단으로 작성될 수 있습니다. 은행 레퍼런스는 서술형 또는 미니 테이블로 나타날 수 있습니다. 좌표 기반 템플릿은 모든 양식 변형에서 실패합니다. 의미론적 이해는 모두 처리합니다.

OCR이 서술 섹션에서 실패하면, 신용 분석가는 거래처 레퍼런스, 은행 정보, 서명 날짜를 여신 심사 스프레드시트에 수동으로 다시 입력합니다. 단일 신청서에 5-10분이 소요됩니다. 신규 공급업체 온보딩의 50건은 며칠이 걸립니다. 신용 조회에 가장 중요한 필드인 Tax ID와 D&B 번호의 전위 오류는 수동 입력 실수 중 가장 흔하고 가장 비용이 많이 드는 유형입니다.

맞춤 열 추출 — ImageToTable.ai의 핵심 메커니즘 — 을 사용하면 두 계층 모두에 대한 열 이름을 하나의 목록에 입력할 수 있습니다. "Applicant Company Name"과 "Tax ID/EIN"은 양식 섹션에서 추출됩니다. "Trade Reference 1 Name", "TR1 Phone", "TR1 Credit Limit"은 서술 섹션에서 추출됩니다. AI는 전체 문서를 읽고 각 값을 올바른 열로 라우팅합니다 — 레이블이 있는 필드에서 왔는지, 산문 단락에서 왔는지와 관계없이 말이죠. 하나의 열 정의로 모든 양식을 처리합니다.

AI가 "Trade Reference 1: ABC Supply Corp, Contact: Mike Chen, Phone: 415-555-0198, Credit Limit: $75,000"을 읽을 때, 단순히 텍스트를 OCR하는 것이 아니라 서술 구조를 이해합니다. "Trade Reference 1"이 섹션 헤더이고, "ABC Supply Corp"이 회사명이며, "415-555-0198"이 담당자와 연결된 전화번호이고, "$75,000"이 신용 한도 금액임을 인식합니다. 인간 신용 분석가가 하는 것과 똑같이 산문을 하위 필드로 파싱합니다 — 하지만 몇 초 만에, 키 입력 없이 말이죠.

AI는 전체 페이지를 읽고 의미를 기준으로 값을 찾습니다. "Tax ID/EIN"이라는 열을 정의하면, AI는 양식이 실제로 사용하는 레이블 — "Federal Tax ID", "Employer ID Number", "FEIN", 또는 "TIN" — 과 매칭합니다. 이들이 모두 동일한 개념을 가리킨다는 것을 이해하기 때문입니다. "Annual Revenue"("Gross Annual Sales", "Revenue (Last FY)", 또는 "Annual Turnover"와 매칭) 및 다른 모든 필드에도 동일하게 적용됩니다. 레이블 정규화도, 양식별 매핑 테이블도 필요 없습니다.