PDF와 표 작업 구매자가 실제로 요구하는 것: 유료 공고 495건 실측

대부분의 도구 페이지는 도구에서 바깥으로 설계됩니다. 여기 기능이 있고, 여기 원할 만한 사람이 있다는 식입니다. 더 유용한 방향은 반대이므로, 요구 자체를 측정했습니다.

코퍼스는 이 프로젝트가 수집한 프리랜서 공고 집합입니다. 실제 필요가 있고 지불 의사가 있으며 제품화 가능한 내용으로 거르면 PDF·스캔·표 관련 글이 495건 남습니다. 아래 수치는 모두 명시한 단어 목록에 의한 495건 대상 키워드 적중률이며, 다시 실행해 검증할 수 있습니다.

숫자

• 56%가 정확성이나 축자성을 명시 — "보이는 그대로", "100% 정확", "원본과 일치해야".
• 54%가 구조나 서식 유지를 요구 — 레이아웃, 줄바꿈, 제목, 스타일, 행 순서.
• 30%가 읽을 수 없는 부분을 추측하지 말고 표시하라고 요구.
• 17%가 수작업 재입력의 대안으로 명확히 규정.

이 네 줄을 함께 읽으면 수요의 형태가 분명해집니다. "내 표를 추출해줘"가 아니라 "이 문서를 그대로 재현하고, 구조를 유지하고, 못 한 곳을 알려줘"입니다.

거의 모든 글에 등장하는 요구

이 코퍼스에서 가장 흔한 문장은 "속도보다 정확성"의 변형입니다. 소프트웨어로서 드문 우선순위이고 문자 그대로 받아들일 가치가 있습니다. 빠르고 틀린 출력은 느리고 맞는 출력보다 나쁩니다. 구매자가 먼저 오류를 찾아야 어떤 부분이든 쓸 수 있기 때문입니다.

……각 PDF 페이지의 모든 텍스트를 Word나 Google 문서에 직접 입력하여 100% 정확성을 확보할 것…… 읽을 수 없는 단어나 불명확한 부분은 모두 표시해 빠르게 확인할 수 있게 할 것.

이 글이 동시에 요구하는 것에 주목하세요. 완벽한 충실성과, 완벽한 충실성이 달성되지 않은 곳의 목록입니다. 이 둘이 모순이 되는 것은 도구가 자신의 불확실성에 침묵해야 한다고 가정할 때뿐입니다. 나란히 놓으면 신뢰할 수 있는 추출기가 가져야 할 동작을 그대로 서술합니다.

"읽을 수 없는 부분 표시"가 중요한 이유

구매자 열 명 중 세 명이 이를 명시합니다. 유용한 도구와 위험한 도구를 가르는 요구입니다. 표 안의 자신감 있는 잘못된 값은 눈에 보이는 빈칸보다 훨씬 다루기 어렵기 때문입니다.

……읽을 수 없거나 불명확한 부분을 표시한 짧은 메모를 첨부할 것. 수용 기준: 모든 텍스트 요소가 존재하고 원본과 축자 일치할 것. 불필요한 문자, 빈 행, 서식 이탈이 없을 것.

구매자는 자신이 어딘가를 확인하게 되리라는 것을 이미 알고 있습니다. 원하는 것은 묶음 전체를 다시 읽는 대신 어느 행을 볼지 알려주는 것입니다. 이는 "100% 정확"보다 작고, 싸고, 정직한 약속이며 기계가 지킬 수 있는 약속입니다.

구조란 모양이 아니라 구조

이 글들이 "서식을 유지"라고 할 때 의미하는 것은 기계 판독 가능한 구조입니다. 어느 셀이 어느 열에 속하는지, 병합 셀이 병합대로인지, 행 순서가 유지되는지, 한 행에 한 레코드인지. "서식"은 글꼴과 굵기도 포함하지만, 같은 글의 수용 기준은 거의 항상 구조와 완전성에 관한 것입니다.

……Excel 또는 Google 스프레드시트로 완전히 채워진 파일…… 보고서 한 건당 한 행…… 날짜·통화·숫자 서식 통일…… 최종 시트는 무작위 표본으로 대조합니다.

그럴듯해 보여도 병합 셀이 잘못된 열로 눌린 시트는 이 표본 검사에서 떨어집니다. 미확인 값을 한 행에 담았더라도 그 값이 표시되어 있으면 통과합니다.

이것이 우리 구현을 어떻게 바꿨나

이 사이트의 두 결정은 기능 목록이 아니라 이 글들을 읽은 데서 직접 나왔습니다.

첫째, 원문에 대한 셀 단위 대조. 미확인 셀은 개별 보고하고 납품 전체를 경고 포함으로 표시합니다. 코퍼스의 30%가 이것을 요구했지만, 결정적이었던 것은 모델이 循環貸款을 循環貸款等으로 조용히 바꾼 사례였습니다.

둘째, 감지된 표마다 시트 하나에 행 순서 유지. 평탄화된 한 장으로 만들지 않습니다. 이 글들의 54%가 구조의 생존을 중요하게 여기며, 평탄화가 바로 그들이 도구 불만으로 묘사하는 구체적 고장입니다.

이 코퍼스가 말해주지 않는 것

프리랜서 공고 표본이라 이미 사람에게 돈을 주기로 결정한 구매자 쪽으로 치우칩니다. 규모, 가격 민감도, 이런 구매자가 소프트웨어를 받아들일지에 대해서는 아무 말도 하지 않습니다. 키워드 방식은 과대 집계도 합니다. "OCR 도구는 필요 없음"이라고 쓴 글은 OCR을 언급한 것으로, "표는 없음"이라고 쓴 글은 표를 언급한 것으로 계산됩니다. 비율은 시장 규모가 아니라 무엇이 요구되는지의 스케치로 다루세요.

확실히 보여주는 것은 요구의 순서입니다. 정확성과 구조가 최상위, 불확실성 표시가 세 번째, 그 셋에 속하지 않는 기능은 대부분의 글에 아예 나타나지 않습니다.