키 정보 추출(KIE)이란 무엇인가요?

키 정보 추출(KIE)은 OCR이 아니며 문서 분류도 아닙니다. OCR은 "페이지에 어떤 문자가 있는가"에 답하고, 분류는 "이것이 어떤 종류의 문서인가"에 답하며, KIE는 그 사이의 질문에 답합니다: 이 문서에는 어떤 특정 정보 조각들이 포함되어 있으며, 그것들은 무엇인가?

키 정보 추출(KIE)은 문서 이미지와 PDF에서 인보이스 번호, 날짜, 합계 등 특정 데이터 필드를 자동으로 식별하고 추출하여 구조화된 기계 판독 가능 레코드로 변환하는 프로세스입니다.

키 정보 추출의 작동 방식

KIE는 입력/출력 계약에 따라 작동합니다: 비정형 또는 반정형 문서 이미지를 입력받아 구조화된 키-값 쌍과 엔티티를 출력합니다. 인보이스, 영수증, 구매 주문서, 청구서와 같은 미수금 문서는 예측할 수 없는 레이아웃에 콘텐츠가 흩어져 있지만, 다운스트림 시스템이 필요로 하는 정보는 유한한 필드 집합입니다: 인보이스 번호, 날짜, 벤더 ID, 금액, 명세행 집합. KIE는 시각적 페이지를 정확히 이러한 필드로 변환하는 계층입니다(Rombach & Fettke, 2025).

고전적 파이프라인에서는 네 단계로 이루어집니다. 첫째, 문자 인식이 콘텐츠를 기계 판독 가능하게 만듭니다 — OCR이 스캔된 픽셀을 텍스트로 변환하거나 디지털 PDF에서 직접 텍스트에 접근합니다(이 입력 계층에 대한 자세한 설명은 OCR 레퍼런스를 참조하십시오). 둘째, 레이아웃 이해가 읽기 순서와 영역 구조를 재구성하여 엔진이 "Total: $1,249.99"가 하단에 있고 "Invoice #1234"가 상단에 있다는 것을 알 수 있게 합니다. 셋째, 의미론적 필드 분류가 각 텍스트 영역을 위치가 아닌 의미로 읽습니다 — "1234"를 인보이스 번호로, "$1,249.99"를 합계로 인식하며, 이 두 필드가 벤더마다 레이아웃에서 이동하더라도 마찬가지입니다. 마지막으로, 그룹화 및 키-값 조립이 관련 값을 구조화된 단위로 연결합니다 — CORD와 같은 벤치마크의 고전적 예시는 명세행(이름, 단가, 수량)을 세 개의 고립된 문자열이 아닌 하나의 레코드로 이해하는 것입니다. 이 마지막 단계가 추출을 단순 인식과 구별합니다: 엔티티를 식별하지만 그룹화는 하지 않는 모델은 사용 가능한 레코드 없이 키만 생성합니다(Khang et al., 2025).

OCR과의 결정적 차이는 의미론적 수준입니다. OCR은 모든 문자가 정확할 때 올바릅니다. KIE는 모든 필드가 정확할 때 올바릅니다 — 그리고 9자리 인보이스 번호에서 단 하나의 잘못된 문자도 전체 필드를 잘못되게 만듭니다. 이것이 KIE 정확도가 문자 수준이 아닌 필드 수준으로 측정되는 이유이며, 이 차이는 필드 대 문자 정확도 레퍼런스에서 자세히 다룹니다.

최신 시스템은 OCR 단계를 점점 더 완전히 건너뜁니다. 독자는 고정 템플릿의 쇠퇴에서 이미 이 흐름을 본 적이 있습니다. 필드를 좌표에 매핑하는 규칙은 벤더가 레이아웃을 바꾸는 순간 깨집니다. 오늘날의 비전 기반 모델은 레이아웃과 의미를 함께 읽어, 한 번도 본 적 없는 문서 유형에서도 필드를 추출합니다. 이는 AI가 문서를 읽는 방법 가이드에서 설명하는 의미 기반(위치 기반이 아닌) 접근법입니다. 그러나 메커니즘과 무관하게 참조 작업 정의는 동일합니다. 중요한 필드를 식별하고 이를 구조화된 형태로 재현하는 것입니다. 이 작업에 대한 대표적인 학술 정의는 ICDAR 2019 SROIE 대회로, 영수증당 정확히 네 개의 필드 — 회사, 날짜, 주소, 합계 — 에 대해 KIE를 평가했습니다(Huang et al., 2019).

키 정보 추출이 중요한 이유

KIE가 중요한 이유는 그것이 생성하는 데이터를 다운스트림 시스템 — ERP 전표, 지급 실행, 청구 심사 — 이 실제로 소비하며, 대안은 사람이 필드를 직접 입력하는 것이기 때문입니다. 이 수동 단계의 오류율은 무시할 수 없습니다. 독립적인 인적 요인 연구에 따르면 숙련된 직원도 전사 중 1–4%의 필드를 잘못 입력하며(Panko, 2008–2015), 미지급금 벤치마크는 약 2%에 이릅니다(IOFM, 수동 데이터 입력 오류율 참조).

이 1–4%라는 수치는 오류가 필드 전반에 걸쳐 누적되기 때문에 실제 문제를 과소평가합니다. 필드당 1%의 오류율이라면, 20개 필드로 구성된 인보이스 하나도 최소 하나의 잘못된 값을 포함할 확률이 ~18%에 달합니다. 그래서 AP 부서는 수동 처리된 인보이스의 약 3분의 1에서 오류가 발생한다고 보고합니다. 그 모든 오류는 다운스트림 마찰입니다. 잘못 전기된 지급, 거부된 청구, 일치하지만 잘못된 계약 날짜 등입니다. KIE는 입력 단계를 추출로 대체하여, 수동 프로세스가 오류를 누적하는 지점에서 필드 오류율을 낮춥니다. 이는 공개된 오류율 벤치마크에서 정량화된 바로 그 워크플로입니다.

KIE는 또한 취약한 추출을 드러내는 수치를 제공합니다. SROIE 벤치마크에서 24개 중 7개의 단어 수준 OCR 방법이 90% Hmean을 초과했지만, 필드 수준 KIE 방법은 18개 중 1개만이 그렇게 했습니다(90.49%). 절반 이상이 80% 미만을 기록했습니다(Huang et al., 2019). 동일한 문서, 두 개의 매우 다른 점수: 텍스트를 인식하는 것이 올바른 필드를 추출하는 것보다 훨씬 쉽습니다. 벤더가 "99% 정확도"를 제시할 때, KIE가 요구하는 질문은 어떤 수준이 측정되었는가입니다. 이는 필드 수준 정확도 페이지의 반복되는 평가 주제입니다. 이 분야가 처음인 독자는 문서 추출 입문 가이드로 시작할 수 있으며, KIE는 그 가이드가 계속 되돌아오는 핵심 역량입니다.

키 정보 추출이 사용되는 분야

KIE는 안정적이고 반복 가능한 캡처 대상 필드 집합을 갖춘 문서가 대량으로 유입되는 모든 곳에 배포됩니다. 가장 영향력이 큰 다섯 가지 응용 분야는 다음과 같습니다.

• 미지급금 / 재무: 공급업체 인보이스에서 벤더, 인보이스 번호, 인보이스 날짜, 납기일, 명세행 합계를 추출한 뒤 구매 주문서와 대조 검증하고 ERP에 전기합니다. 이는 해당 분야를 이끄는 인보이스 처리 벤치마크 내부의 추출 단계입니다(Rombach & Fettke, 2025).
• 의료: 보험 청구 양식 필드(청구인 ID, 제공자, 진단 및 시술 코드, 청구 금액)를 청구 첨부 서류, EOB, 접수 양식에서 추출합니다. 종종 수기로 작성되어 KIE 상위 단계에서 ICR급 인식으로 작업이 이어집니다.
• 뱅킹: 은행 및 신용카드 명세서, 대출 신청서, 계좌 개설 양식을 고객 온보딩 및 대사 워크플로로 추출합니다. 암호로 보호된 PDF와 다중 페이지 명세서는 추출 위에 수집 복잡성을 더합니다.
• 법무: 계약 조건(당사자, 발효일, 갱신 조항, 책임 한도)을 계약서와 임대차 계약에서 추출하여 의무 추적 시스템에 입력함으로써 조항이 묻힌 문장이 아닌 조회 가능한 레코드가 됩니다.
• 화물 및 물류: 운송장, 포장 명세서, 통관 신고서에는 선적, 수하인, 신고 가액 필드가 있어 추적 및 인보이싱 시스템에 공급됩니다.

다섯 분야 모두 패턴은 동일합니다. 거의 동일한 문서의 흐름에서 변동성은 필드 집합이 아니라 레이아웃이며, 레이아웃 변동을 처리하는 도구가 워크플로를 무인으로 실행할지 아니면 모든 것을 검토 대기열로 보낼지를 결정합니다. 이것이 더 넓은 질문인 "데이터 추출 소프트웨어란 무엇인가"와 KIE가 서로 다른 추상화 수준에서 같은 질문인 이유입니다(ABBYY glossary, key-value pair extraction).

흔한 오해

• 오해: "KIE는 그냥 더 발전된 OCR이다."
• 실제: OCR은 KIE의 입력 계층일 뿐, KIE 자체가 아닙니다. OCR은 픽셀을 문자로 변환하고, KIE는 그 문자 중 어떤 것이 특정 필드를 구성하는지 식별하여 구조화된 데이터로 재현합니다. 클라우드 제공업체들도 정확히 이 선을 긋습니다. AWS는 KIE를 핵심 데이터 포인트를 식별하고 추출하는 IDP의 "근본적인 구성 요소"로 설명하며, 이는 인식 계층 위에 위치합니다(AWS, 2025). 시스템이 모든 문자를 완벽하게 읽더라도 올바른 값을 잘못된 필드에 넣으면 KIE는 실패합니다. 이는 문자 정확도로는 측정조차 할 수 없는 구조적 오류입니다.
• 오해: "KIE와 개체명 인식(NER)은 같은 것이다."
• 실제: NER은 토큰 범위를 사람, 조직, 장소, 날짜, 금액과 같은 사전 정의된 범주로 레이블링하는 텍스트 수준의 NLP 기법입니다(IBM). KIE는 입력이 이미지이고 출력이 구조화된 키-값 쌍(경우에 따라 레코드로 그룹화됨)인 문서 수준의 작업입니다. 학술적 정의는 명확합니다. KIE는 "문서 이미지의 정보를 구조화된 데이터로 변환"하며, 레이아웃 이해와 개체 분류, 그룹 조립을 모두 요구합니다. NER은 개체 레이블링 부분만 처리하며, 시각적 페이지가 아닌 일반 텍스트 내에서 실행됩니다(Khang et al., 2025). NER은 KIE 파이프라인의 구성 요소가 될 수 있지만, KIE 자체는 아닙니다.
• 오해: "KIE는 문서 유형별로 템플릿이나 고정 레이아웃이 필요하다."
• 실제: 템플릿 기반 캡처는 2020년 이전의 접근 방식이며, 벤더가 레이아웃을 변경하면 작동하지 않습니다. SROIE 데이터는 그 심각성을 수치로 보여줍니다. 단일 영수증 레이아웃 계열에서도 전체 필드 수준 제출의 절반 이상이 80% F1 미만을 기록했습니다(Huang et al., 2019). 현대의 비전 기반 KIE는 위치가 아닌 의미로 추출하므로 한 번도 본 적 없는 레이아웃에도 일반화됩니다. 위치 기반에서 의미 기반 추출로의 전환은 AI가 문서를 읽는 방법 가이드의 주제입니다.
• 오해: "KIE와 IDP는 같은 것이다."
• 실제: KIE는 더 넓은 IDP 범주 안의 추출 하위 작업입니다. IDP는 수집, 분류, 추출, 검증, 다운스트림 시스템 통합을 아우르는 플랫폼 우산이고, KIE는 구체적으로 식별 및 추출 단계입니다. 시스템이 뛰어난 KIE를 실행하더라도 결과를 검증하거나 예외를 사람에게 라우팅하는 것이 없다면 IDP로서는 실패합니다. 클라우드 제공업체들도 동일한 중첩 관계를 명시합니다. "IDP 환경 내에서 KIE는 근본적인 구성 요소 역할을 합니다"(AWS, 2025).

자주 묻는 질문

키 정보 추출(KIE)이란 무엇인가요?

키 정보 추출(KIE)은 문서 이미지와 PDF에서 인보이스 번호, 날짜, 합계 등 특정 데이터 필드를 식별하여 구조화된 기계 판독 가능 레코드로 추출하는 자동화 프로세스입니다. 비정형 또는 반정형 문서를 키-값 쌍과 엔터티로 변환하여 다운스트림 시스템이 직접 활용할 수 있게 합니다. 클라우드 제공업체 분류 체계에서 KIE는 더 넓은 IDP 스택 내 Document AI 서비스의 추출 구성 요소입니다(AWS, 2025).

KIE와 OCR의 차이점은 무엇인가요?

OCR은 문자를 읽고, KIE는 정보를 추출합니다. OCR은 의미를 이해하지 않고 텍스트 이미지를 기계 판독 가능한 문자로 변환합니다. 즉 "페이지에 무엇이 쓰여 있는가?"에 답합니다. KIE는 더 나아가 어떤 텍스트가 특정 필드(인보이스 번호, 합계)를 구성하는지 식별하고 구조화합니다. 즉 "이 문서에 어떤 정보가 있으며 어디에 속하는가?"에 답합니다. OCR은 일반적으로 KIE 파이프라인의 선행 단계이며, 그 대체물이 아닙니다(Rombach & Fettke, 2025).

KIE와 개체명 인식의 차이점은 무엇인가요?

NER은 텍스트 수준 레이블링 기법이고, KIE는 문서 이미지 수준 추출 작업입니다. NER은 텍스트 범위를 사전 정의된 범주(사람, 조직, 날짜, 금액)로 태그하며 일반 텍스트에서 작동합니다(IBM). KIE는 문서 이미지에서 작동하며, 그 출력은 구조화된 키-값 쌍으로, 때로는 명세행과 같은 레코드로 그룹화되므로 텍스트 전용 NER에는 없는 레이아웃 이해가 필요합니다. NER은 KIE 파이프라인 내 하나의 구성 요소로 등장할 수 있지만, 둘은 상호 교환 가능하지 않습니다(Khang et al., 2025).

KIE는 지능형 문서 처리(IDP)와 같은 것인가요?

아닙니다 — KIE는 추출 하위 작업이고, IDP는 전체 플랫폼입니다. IDP는 문서 수집, 분류, 추출(KIE 단계), 비즈니스 규칙에 대한 검증, ERP 또는 청구 시스템으로의 통합까지 아우릅니다. KIE는 그 사슬의 중간에 있는 식별 및 추출을 담당합니다. KIE가 강력하더라도 IDP로 기능하려면 분류, 검증, 라우팅이 필요합니다. 그래서 직행 처리 같은 자동화 지표는 추출만이 아니라 전체 스택을 측정합니다(AWS, 2025).

KIE 정확도는 어떻게 측정하나요?

필드 수준에서 측정합니다 — 필드는 올바르게 추출되거나 실패하며, 한 글자만 틀려도 필드 전체가 실패합니다. 표준 지표는 대상 필드에 대한 필드 수준 F1입니다. 대표적인 SROIE 벤치마크에서 18개 필드 수준 방법 중 90% F1을 초과한 것은 단 1개뿐이었고, 절반 이상은 80% 미만을 기록했습니다. 이는 추출이 텍스트 인식보다 어렵다는 것을 보여줍니다. 따라서 KIE를 평가한다는 것은 문자나 단어 정확도 수치가 아니라 자체 문서에 대한 필드 수준 정확도를 요구하는 것입니다(Huang et al., 2019; 필드 수준 대 문자 수준 정확도 참조).

KIE는 어떤 유형의 문서를 처리하나요?

반정형 및 비정형 문서 — 영수증, 인보이스, 구매 주문서, 계약서, 은행 명세서, 청구서 — 를 스캔, 사진 촬영 또는 디지털 PDF 형태로 처리합니다. 반정형 문서는 다양한 레이아웃에서도 인식 가능한 필드 집합을 공유합니다(모든 인보이스에는 인보이스 번호가 있습니다). 비정형 문서(계약서, 편지, 손글씨 메모)는 고정된 레이아웃이 전혀 없습니다. KIE는 둘 다 처리합니다. 레이아웃 편차가 클수록 추출은 위치보다 의미 이해에 더 의존해야 합니다(Ding & Han, 2025).

출처

1. Rombach, A.M. & Fettke, P. — "Deep Learning Based Key Information Extraction from Business Documents: A Systematic Literature Review," ACM Computing Surveys 58(2) (2025). KIE 분야에 대한 동료 심사 체계적 문헌 고찰로, 정의, 방법 계열(그래프 기반, 시퀀스 기반, 그리드 기반, 생성 기반), 그리고 인보이스/영수증 업무 문서 맥락을 다룹니다. 정의 및 업무 워크로드에서의 KIE 주장에 대한 주요 출처입니다.
2. Huang, Z., et al. — "ICDAR2019 Competition on Scanned Receipt OCR and Information Extraction," IEEE ICDAR (2019). SROIE benchmark로, task 3은 네 가지 대상 필드(회사, 날짜, 주소, 합계)로 KIE를 정의하며, 24개 OCR 방법 중 7개가 Hmean >90%인 반면 18개 KIE 방법 중 1개만 F1 >90%를 기록한 필드 수준 채점 방식을 사용합니다. 필드 수준 정확도 근거 및 표준 KIE 작업 정의에 대한 주요 출처입니다.
3. Khang, D., et al. — "KIEval: Evaluation Metric for Document Key Information Extraction" (2025). Document Understanding 분야 내에서 문서 이미지로부터 구조화된 키-값 쌍(및 그룹화된 레코드 구조)을 추출하는 것으로 Document KIE를 공식 정의합니다. 그룹화/엔터티 계약 및 이미지 입력 정의에 대한 주요 출처입니다.
4. AWS — "Document intelligence evolved: Building and evaluating KIE solutions that scale" (2025). 금융, 의료, 법률, 공급망 전반의 IDP 환경에서 KIE를 추출 구성 요소("핵심 구성 요소")로 위치시키는 클라우드 제공업체 기술 문서입니다. IDP 내 KIE 프레이밍에 대한 주요 출처입니다.
5. IBM — "What is named entity recognition?". NER에 대한 독립적인 업계 정의로, MUC-6 이후 텍스트에서 사전 정의된 엔터티 범주에 레이블을 지정하는 NLP 기법입니다. KIE와 NER의 경계에 대한 출처입니다.
6. ABBYY — Document AI Glossary ("Key-value pair extraction"). 키(예: "Date")와 그에 대응하는 값(예: 11/1/2024)을 인식하는 것으로 키-값 쌍 추출을 정의하는 업계 용어집입니다. 입력/출력 계약을 뒷받침합니다.
7. Panko, R.R. — Human Error Research, University of Hawaii (2008–2015). 인간 전사 오류율에 대한 동료 심사 편집물로, 단순 인지 작업의 경우 1–5%, 기계적 정확도 99.5–99.8% 대 복잡한 전사의 경우 95–98%를 제시합니다. 수동 필드 오류 기준선 및 누적 산정에 대한 출처입니다.
8. Ding, Y. & Han, S.C. — "Deep Learning Based Visually Rich Document Content Understanding: A Survey," Artificial Intelligence Review (2025). KIE 접근법과 benchmark 발전을 다루는 시각적으로 풍부한 문서 이해에 대한 동료 심사 설문 조사입니다. 문서 유형 범위 주장에 대한 출처입니다.

관련 용어

• 지능형 문서 처리(IDP)란 무엇인가요?: KIE가 속한 상위 플랫폼 범주로, KIE는 캡처, 분류, 추출, 검증, 통합이라는 더 넓은 IDP 범주 안의 추출 하위 작업입니다.
• 광학 문자 인식(OCR)이란 무엇인가요?: KIE 아래에 있는 문자 판독 입력 계층으로, OCR은 문자를 인식하고 KIE는 한 단계 더 높은 의미 수준에서 정보를 추출합니다.
• 지능형 문자 인식(ICR)이란 무엇인가요?: OCR의 자필 판독 형제 격으로, OCR과 마찬가지로 문자만 인식하고 정보는 인식하지 않으므로 자필은 인식이 성공한 후에만 KIE로 전달됩니다.
• 문자 단위가 아닌 필드 단위로 추출 점수 매기기: KIE 정확도가 어떻게 측정되는지를 정의하는 지표 체계로, 추출은 문자 단위가 아닌 필드 단위로 점수가 매겨집니다.
• 정규식 vs LLM 필드 추출: 필드 추출이 실제로 어떻게 작동하는지에 대한 근거의 핵심으로, 규칙 기반 KIE가 복원하는 것과 LLM 기반 추출을 정량화합니다.

관련 읽을거리: AI 문서 추출: 초보자 가이드 · AI가 템플릿 없이 문서를 읽는 방법 · 데이터 추출 소프트웨어란 무엇인가요?