추출 성능보다 중요한 데이터 분류, Triage 레이어로 해결하는 문서 파이프라인 최적화

Context

단일 문서 가정 기반의 추출 파이프라인 설계. 혼합 문서 팩 유입 시 페이지 역할 구분 실패로 인한 데이터 해석 오류 발생. 스키마 로직의 복잡도 증가 및 운영 검토 비용 상승.

Technical Solution

• 심층 추출 전 단계에 문서 및 페이지 유형을 조기 분류하는 Triage 레이어 추가
• 페이지 그룹화를 통해 패킷 구조를 보존하고 워크플로우별 앵커 페이지 지정
• 주 문서와 보조 문서를 분리하여 다운스트림 추출 단계로 페이지 역할 정보 전달
• 분류가 불분명한 패킷을 전체 스키마 매핑 전 가벼운 검토 단계로 라우팅
• 모든 페이지에 동일 로직을 적용하는 대신 문서 역할별로 해석 범위를 제한하는 설계
• 패킷 수준 그룹화와 역할 라벨링을 우선 구현한 뒤 복잡한 추출 로직을 고도화하는 단계적 접근

Key Takeaway

추출 모델의 성능 향상보다 데이터 인입 경로의 규율을 세우는 것이 시스템 전체의 신뢰성과 유지보수성을 결정함.