이전 글에서는 Azure AI Document Intelligence가 무엇인지 개념 중심으로 살펴봤습니다.
Document Intelligence는 PDF, 이미지, 스캔 문서에서 텍스트와 구조를 추출하고, 필요한 정보를 JSON 같은 구조화된 데이터로 바꿔주는 Azure의 문서 AI 서비스입니다.
이번 글에서는 실제로 Document Intelligence Studio에서 문서를 분석하는 흐름을 정리해보겠습니다.
다만 이번에는 Document Intelligence 리소스를 단독으로 만드는 방식만 설명하지 않고, Azure AI Services 리소스를 먼저 만든 뒤, 그 리소스를 기반으로 Studio 실습을 진행하는 방식으로 정리하겠습니다.
이 방식이 더 자연스러운 이유는 간단합니다. Azure AI Services를 공부하다 보면 문서 분석뿐 아니라 언어, 음성, 비전 기능도 함께 실습하게 됩니다. 그때마다 리소스를 따로 만들면 흐름이 복잡해집니다. 그래서 시리즈 전체를 생각하면 Azure AI Services 리소스 하나를 중심으로 실습을 이어가는 방식이 더 깔끔합니다.
이번 글의 핵심 질문
Document Intelligence와 Document Intelligence Studio는 무엇이 다르고, Azure AI Services 리소스를 만든 뒤 Studio에서 어떻게 문서를 업로드하고 분석할 수 있을까요?
이번 글에서는 Read, Layout, Prebuilt Model을 사용해 텍스트, 문서 구조, 필드 추출 결과를 확인해보겠습니다.
목차
1. 이번 실습에서 할 일
이번 실습의 목표는 복잡한 코드를 작성하는 것이 아닙니다.
먼저 웹 화면에서 문서를 업로드하고, Document Intelligence가 문서를 어떻게 읽고 분석하는지 눈으로 확인하는 것이 목표입니다.
처음부터 REST API나 SDK로 들어가면 결과가 긴 JSON 형태로 나오기 때문에 어렵게 느껴질 수 있습니다.
반면 Studio에서는 문서 위에 인식된 텍스트 위치가 표시되고, 오른쪽 패널에서 분석 결과를 바로 확인할 수 있습니다.
즉, Studio는 API 실습으로 가기 전에 문서 AI가 어떤 결과를 반환하는지 눈으로 확인하는 예행연습이라고 보면 됩니다.
이번 글의 실습 흐름
Azure AI Services 리소스 생성
→ Document Intelligence Studio로 이동
→ 시작 화면에서 Document Intelligence 선택
→ 사용할 리소스 확인
→ 모델 선택
→ 문서 업로드
→ Run analysis 실행
→ 텍스트, 위치, 신뢰도, JSON 결과 확인
이번 글은 Studio 화면 기반 실습에 집중합니다. REST API 호출, Python SDK 사용, Gradio 앱 구현은 다음 글에서 따로 다루겠습니다.
2. Document Intelligence와 Studio의 차이
먼저 두 용어를 구분해야 합니다. Document Intelligence는 Azure에서 제공하는 문서 분석 서비스 자체입니다.
PDF, 이미지, 스캔 문서, 양식 문서에서 텍스트, 표, 키-값 쌍, 문서 구조를 추출하는 기능을 제공합니다.
반면 Document Intelligence Studio는 이 기능을 웹 화면에서 테스트하고 확인할 수 있는 도구입니다.
코드를 작성하지 않아도 문서를 업로드하고, 모델을 선택하고, 분석 결과를 시각적으로 확인할 수 있습니다.
| 구분 | 의미 | 역할 |
|---|---|---|
| Document Intelligence | 문서 분석 서비스 | 문서에서 텍스트, 표, 필드, 구조를 추출 |
| Document Intelligence Studio | 웹 기반 실습 도구 | 코드 없이 문서를 업로드하고 결과를 확인 |
비유하자면 Document Intelligence는 실제로 문서를 읽는 엔진이고, Studio는 그 엔진을 쉽게 조작할 수 있게 만든 대시보드입니다. 자동차로 보면 엔진이 Document Intelligence이고, 운전석 화면이 Studio에 가깝습니다.
3. 리소스 생성 방식 비교
Document Intelligence를 사용하려면 Azure에 리소스를 만들어야 합니다.
여기서 리소스는 실제 Azure 기능을 사용할 수 있게 해주는 사용 단위입니다.
전기를 쓰려면 전기 계약이 필요하듯이, Azure AI 서비스를 쓰려면 해당 서비스를 사용할 리소스가 필요합니다.
문서 분석 실습에서는 리소스를 만드는 방식이 크게 두 가지입니다.
하나는 Document Intelligence 단독 리소스를 만드는 방식이고, 다른 하나는 Azure AI Services 리소스를 만드는 방식입니다.
| 방식 | 설명 | 추천 상황 |
|---|---|---|
| Document Intelligence 단독 리소스 | 문서 분석 기능만 따로 사용하는 리소스 | 문서 분석만 독립적으로 실습할 때 |
| Azure AI Services 리소스 | 여러 Azure AI 서비스를 함께 관리하는 리소스 | 언어, 음성, 비전, 문서 분석을 함께 실습할 때 |
이번 글에서는 Azure AI Services 리소스를 만드는 방식을 기준으로 설명하겠습니다.
이 방식은 시리즈 전체를 이어갈 때 더 편합니다. 문서 분석뿐 아니라 Language, Speech, Vision 실습으로 이어져도 기본 리소스 관리 흐름을 하나로 묶을 수 있기 때문입니다.
주의할 점
Azure AI Services 리소스를 만든다고 해서 모든 기능이 모든 지역에서 완전히 동일하게 보이는 것은 아닙니다. 리소스를 만든 Region에 따라 Studio 화면, API 버전, 사용할 수 있는 기능이 조금씩 다를 수 있습니다. 실습 화면이 자료와 다르면 먼저 Region과 API Version을 확인해야 합니다.
4. Azure AI Services 리소스 만들기
Azure Portal에 접속한 뒤 리소스를 생성합니다. 검색창에서 Azure AI Services를 검색하고 새 리소스를 만듭니다. 실습용이라면 리소스 그룹도 따로 만들어두는 것이 좋습니다. 나중에 실습이 끝났을 때 관련 리소스를 한 번에 정리하기 쉽기 때문입니다.
| 항목 | 의미 | 확인할 점 |
|---|---|---|
| Subscription | Azure 서비스를 사용할 구독 | 실습용 구독이 맞는지 확인 |
| Resource Group | 관련 리소스를 묶어 관리하는 단위 | 실습용 리소스 그룹을 새로 만들거나 기존 그룹 선택 |
| Region | 리소스가 배포될 지역 | 지원 기능과 API 버전에 영향을 줌 |
| Name | 리소스 이름 | 나중에 Studio에서 찾기 쉬운 이름으로 설정 |
| Pricing Tier | 요금제 | 실습 목적이면 무료 또는 낮은 요금제 확인 |
설정을 마친 뒤 검토 및 만들기를 진행하면 Azure AI Services 리소스가 생성됩니다. 배포가 완료되면 리소스로 이동을 눌러 생성된 리소스 화면으로 이동합니다.
5. Document Intelligence Studio로 이동하기
Azure AI Services 리소스 또는 Document Intelligence 관련 화면에서는 문서 인텔리전스 스튜디오로 이동 버튼을 확인할 수 있습니다. 이 버튼을 누르면 Document Intelligence Studio로 이동할 수 있습니다.
여기서 중요한 점은 Studio가 완전히 별개의 서비스처럼 혼자 동작하는 것이 아니라는 점입니다.
Studio는 내가 Azure에서 만든 리소스를 사용해서 문서 분석을 실행합니다. 즉, Studio는 실습 화면이고 실제 분석은 연결된 Azure 리소스를 통해 수행됩니다.
이 부분은 이렇게 이해하면 됩니다.
Azure Portal에서 리소스를 만든다 → 리소스 화면에서 Document Intelligence Studio로 이동한다 → Studio에서 사용할 리소스를 확인한다 → 문서를 업로드하고 분석을 실행한다.
시작 화면에서 Document Intelligence 선택하기
두 카드는 비슷해 보이지만 목적이 다릅니다. 이번 실습에서는 문서 분석이 목표이므로 왼쪽의 Document Intelligence를 선택하면 됩니다.
| 구분 | Document Intelligence | Content Understanding |
|---|---|---|
| 주요 목적 | 문서에서 구조화된 정보를 정확하게 추출 | 문서, 이미지, 오디오, 비디오 등 다양한 콘텐츠에서 정보를 추출 |
| 분석 대상 | 영수증, 청구서, 신분증, 세금 문서, 고정 양식 문서 | 문서, 이미지, 음성, 영상처럼 형태가 다양한 멀티모달 콘텐츠 |
| 강점 | 정해진 문서 유형에서 텍스트, 표, 키-값 쌍, 필드를 안정적으로 추출 | 비정형 콘텐츠를 LLM 기반으로 해석하고 원하는 스키마에 맞춰 결과 생성 |
| 결과 형태 | 텍스트, 테이블, 필드, Bounding Box, Confidence Score, JSON | 스키마 기반 JSON, 근거 정보, RAG나 Agent에 연결하기 좋은 구조화 결과 |
| 적합한 상황 | 문서 양식이 비교적 명확하고, 특정 필드를 정확히 뽑아야 할 때 | 자료 형태가 다양하고, 문서 외 콘텐츠까지 함께 이해해야 할 때 |
6. Studio에서 리소스 확인하기
Document Intelligence Studio에 들어가면 현재 선택된 Azure 계정, 구독, 리소스 정보를 확인할 수 있습니다. 실습을 시작하기 전에 이 부분을 먼저 확인해야 합니다. 다른 리소스가 선택된 상태에서 분석을 실행하면 예상과 다른 결과가 나오거나, 요금이 다른 리소스에 부과될 수 있기 때문입니다.
원하는 리소스가 보이지 않는다면 다음 항목을 확인합니다.
- Azure Portal에서 사용한 계정과 Studio에 로그인한 계정이 같은지 확인
- 올바른 Subscription을 선택했는지 확인
- 리소스 그룹이 맞는지 확인
- Azure AI Services 또는 Document Intelligence 리소스가 정상적으로 생성되었는지 확인
- 리소스를 만든 Region이 해당 기능을 지원하는지 확인
Studio 화면에서 리소스를 변경할 수 있는 경우도 있으므로, 실습 전에 현재 어떤 리소스를 사용하고 있는지 확인하는 습관을 들이는 것이 좋습니다.
7. API 버전 확인하기
Document Intelligence Studio에서 분석을 진행할 때 API 버전을 선택하거나 확인해야 하는 경우가 있습니다. API 버전은 쉽게 말해 어떤 버전의 Document Intelligence 기능을 사용할 것인지를 정하는 설정입니다.
이 설정이 중요한 이유는 기능이 버전에 따라 달라질 수 있기 때문입니다. 어떤 버전에서는 최신 기능이 보이지만, 다른 버전에서는 안정화된 기본 기능만 제공될 수 있습니다. 또한 리소스를 만든 지역에 따라 선택 가능한 API 버전이 달라질 수도 있습니다.
| 구분 | 의미 | 주의할 점 |
|---|---|---|
| GA | Generally Available, 정식 제공 버전 | 상대적으로 안정적으로 사용 가능 |
| Preview | 미리보기 버전 | 새 기능을 쓸 수 있지만 변경될 수 있음 |
| Region | 리소스가 배포된 Azure 지역 | 지원 기능과 API 버전에 영향 |
실습 화면이 다를 때 바로 오류라고 생각하지 않아도 됩니다.
Azure 서비스는 지역과 API 버전에 따라 화면이나 기능이 조금씩 다르게 보일 수 있습니다. 이럴 때는 먼저 Region과 API Version을 확인하는 것이 좋습니다.
8. Read 모델로 텍스트 추출하기
Read 모델은 문서에서 텍스트를 추출하는 데 초점을 둔 모델입니다. OCR에 가장 가까운 역할을 한다고 보면 됩니다. OCR은 이미지나 스캔 문서 안에 있는 글자를 컴퓨터가 읽을 수 있는 텍스트로 바꾸는 기술입니다.
Studio에서 Read 모델을 선택한 뒤 문서를 업로드하고 Run analysis를 실행하면, 문서 안의 텍스트가 인식됩니다. 분석 결과 화면에서는 문서 이미지와 함께 인식된 텍스트 위치가 표시됩니다.
Read 모델에서 확인할 수 있는 것
문서에서 추출된 텍스트, 텍스트가 위치한 영역, 문장 또는 단어 단위의 인식 결과, JSON 형태의 분석 결과를 확인할 수 있습니다.
예를 들어 영수증을 Read 모델로 분석하면 상호명, 날짜, 품목명, 가격, 총액 같은 글자들이 텍스트로 추출됩니다. 다만 Read 모델은 “이 값이 총액이다”처럼 문서 유형에 맞춰 의미를 정리하는 데 초점을 두지는 않습니다. 주로 문서 안의 글자를 정확히 읽는 것이 핵심입니다.
9. Layout 모델로 문서 구조 분석하기
Layout 모델은 텍스트뿐만 아니라 문서의 구조를 함께 분석합니다. 여기서 구조란 문단, 표, 행과 열, 선택 표시, 텍스트 영역의 배치 같은 정보를 의미합니다.
Read 모델이 “무슨 글자가 적혀 있는가?”에 가깝다면, Layout 모델은 “이 글자들이 문서 안에서 어떻게 배치되어 있는가?”를 함께 봅니다. 그래서 표가 있는 문서나 신청서처럼 일정한 양식이 있는 문서를 분석할 때 더 유용합니다.
| 구분 | Read 모델 | Layout 모델 |
|---|---|---|
| 주요 목적 | 텍스트 추출 | 문서 구조 분석 |
| 중점 | 글자 인식 | 배치, 표, 행과 열 |
| 적합한 문서 | 텍스트 중심 문서 | 표나 양식이 있는 문서 |
| 활용 예시 | 스캔 문서에서 본문 추출 | 신청서나 보고서의 표 구조 추출 |
같은 문서를 Read 모델과 Layout 모델로 각각 분석해보면 차이가 훨씬 잘 보입니다. Read는 텍스트 자체를 읽는 데 집중하고, Layout은 텍스트가 놓인 위치와 구조를 함께 이해하려고 합니다.
10. Prebuilt Model로 필드 추출하기
Prebuilt Model은 Azure에서 미리 만들어 제공하는 문서 유형별 모델입니다.
영수증, 청구서, 신분증, 명함처럼 자주 사용되는 문서 유형은 이미 학습된 모델을 사용할 수 있습니다.
Read와 Layout 모델은 비교적 일반적인 문서 분석 모델입니다.
반면 Prebuilt Model은 특정 문서 유형에 맞춰 필요한 필드를 추출하는 데 초점이 있습니다.
여기서 필드는 문서에서 의미 있는 항목을 말합니다. 예를 들어 영수증에서는 상호명, 거래일, 총액, 품목 같은 값이 필드가 됩니다.
| 모델 | 분석 대상 | 추출 예시 |
|---|---|---|
| Receipt | 영수증 | 상호명, 결제일, 총액, 품목 |
| Invoice | 청구서 | 공급자, 청구 금액, 세금, 결제 기한 |
| Identity Document | 신분증 | 이름, 생년월일, 문서 번호 |
| Business Card | 명함 | 이름, 회사명, 전화번호, 이메일 |
예를 들어 영수증 모델을 사용하면 전체 텍스트만 나오는 것이 아니라, 상호명, 거래일, 총액, 세금, 품목 같은 필드가 따로 추출될 수 있습니다. 이것이 일반 OCR과 문서 인텔리전스의 중요한 차이입니다.
모델 선택 기준
글자만 읽고 싶다면 Read, 표와 배치까지 보고 싶다면 Layout, 영수증이나 청구서처럼 문서 유형이 명확하다면 Prebuilt Model을 선택하는 것이 좋습니다.
11. 분석 옵션 설정하기
Studio에서 문서를 분석할 때는 분석 옵션을 설정할 수 있습니다. 분석 옵션은 문서를 어느 범위까지, 어떤 추가 기능을 사용해서 분석할 것인지 정하는 설정입니다.
실습에서는 처음부터 모든 옵션을 켜기보다는 기본 옵션으로 먼저 실행해보는 것이 좋습니다. 이후 문서 품질이 낮거나, 특정 항목을 추가로 감지해야 하는 경우 필요한 옵션을 선택하면 됩니다.
| 옵션 | 의미 | 사용 상황 |
|---|---|---|
| 페이지 범위 | 분석할 페이지를 지정 | 긴 문서에서 필요한 페이지만 분석할 때 |
| 바코드 감지 | 문서 안의 바코드 정보 감지 | 물류, 영수증, 라벨 문서 분석 |
| 고해상도 문서 | 작은 글자나 복잡한 문서 분석 보조 | 작은 글자가 많거나 스캔 품질이 낮을 때 |
분석 옵션은 많이 켠다고 항상 좋은 것이 아닙니다.
필요 없는 옵션을 켜면 처리 시간이 늘어나거나 비용이 증가할 수 있습니다. 실습에서는 기본 옵션으로 먼저 결과를 확인하고, 필요한 경우에만 추가 옵션을 켜는 흐름이 좋습니다.
12. 분석 결과 확인하기
Run analysis를 실행하면 Studio에서 분석 결과를 확인할 수 있습니다. 결과는 보통 문서 화면과 상세 정보 패널로 나뉘어 표시됩니다. 문서 화면에서는 인식된 텍스트 위치를 확인할 수 있고, 오른쪽 패널에서는 상세 분석 결과나 JSON 결과를 볼 수 있습니다.
텍스트 결과
텍스트 결과는 문서에서 인식된 글자입니다. Read 모델에서는 이 텍스트 결과가 가장 중요합니다. OCR처럼 문서 안의 문장을 추출해주기 때문에 문서 내용이 제대로 읽혔는지 확인할 수 있습니다.
Bounding Box
Bounding Box는 인식된 텍스트나 영역이 문서 안의 어디에 있는지를 표시하는 좌표 정보입니다. 쉽게 말해 문서 위에 그려지는 사각형 영역입니다.
이 정보는 단순히 보기 좋은 표시가 아닙니다. 문서 자동화에서는 “어떤 값이 어디에서 나왔는가”가 중요합니다. 예를 들어 총액이 영수증 오른쪽 아래에서 나왔다는 위치 정보는 검수 화면을 만들거나 후처리 로직을 설계할 때 도움이 됩니다.
Confidence Score
Confidence Score는 모델이 결과에 대해 얼마나 확신하는지를 나타내는 값입니다. 일반적으로 값이 높을수록 모델이 해당 인식 결과를 더 신뢰한다는 뜻입니다.
다만 Confidence Score가 높다고 해서 항상 정답이라는 의미는 아닙니다. 문서 품질이 좋지 않거나, 글자가 흐리거나, 문서 양식이 특이하면 모델이 틀릴 수도 있습니다. 중요한 업무에서는 Confidence Score가 낮은 결과를 사람이 검수하도록 설계하는 것이 좋습니다.
JSON 결과
JSON 결과는 프로그램에서 활용하기 쉬운 형태의 분석 결과입니다. Studio 화면에서 보기에는 조금 길고 복잡해 보일 수 있지만, 실제 개발에서는 이 JSON 결과가 매우 중요합니다.
예를 들어 영수증에서 총액을 추출했다면 JSON 안에는 필드 이름, 값, 위치, 신뢰도 등이 포함될 수 있습니다. 개발자는 이 JSON에서 필요한 값만 꺼내 데이터베이스에 저장하거나, 화면에 표시하거나, 자동화 로직에 연결할 수 있습니다.
{
"content": "Total 18000",
"boundingRegions": [
{
"pageNumber": 1,
"polygon": [ ... ]
}
],
"confidence": 0.98
}위 예시는 실제 응답 구조를 단순화한 형태입니다. 핵심은 분석 결과에 텍스트 값만 들어 있는 것이 아니라, 위치 정보와 신뢰도 정보까지 함께 포함될 수 있다는 점입니다.
| 결과 요소 | 의미 | 활용 방법 |
|---|---|---|
| Text | 문서에서 인식된 글자 | 검색, 저장, 요약, 후처리 |
| Bounding Box | 텍스트나 필드가 문서에서 위치한 영역 | 검수 화면, 위치 기반 후처리 |
| Confidence Score | 모델이 결과를 얼마나 신뢰하는지 나타내는 값 | 검수 기준, 자동 승인 기준 |
| JSON Result | 프로그램에서 활용할 수 있는 구조화된 분석 결과 | DB 저장, API 연동, 자동화 |
13. 실습 중 주의할 점
Document Intelligence Studio 실습은 비교적 간단하지만, 처음 실습할 때는 오류가 코드 때문인지, 리소스 설정 때문인지 헷갈릴 수 있습니다. 아래 항목들을 먼저 확인하면 대부분의 문제를 빠르게 좁힐 수 있습니다.
Region과 API 버전을 먼저 확인하기
가장 흔한 문제는 실습 자료와 내 화면이 다른 경우입니다. 이때는 내가 잘못한 것이 아니라 Region이나 API 버전 차이일 수 있습니다. 리소스를 만든 지역에서 해당 기능을 지원하는지 먼저 확인해야 합니다.
문서 품질 확인하기
스캔이 흐리거나, 글자가 너무 작거나, 문서가 기울어져 있으면 분석 품질이 떨어질 수 있습니다. 문서 AI도 결국 입력 품질에 영향을 받습니다.
모델을 문서 유형에 맞게 선택하기
영수증을 분석하면서 Layout 모델만 사용하면 필드 추출 결과가 기대와 다를 수 있습니다. 영수증처럼 특정 문서 유형이 있는 경우에는 Receipt 같은 Prebuilt Model을 고려하는 것이 좋습니다.
개인정보가 포함된 문서 캡처 주의하기
실습 결과를 블로그에 정리할 때는 문서 이미지나 JSON 결과에 이름, 전화번호, 주소, 결제 정보 같은 개인정보가 포함될 수 있습니다. 블로그에 캡처를 올릴 때는 민감한 정보를 반드시 가리거나 샘플 문서를 사용하는 것이 좋습니다.
실무에서는 자동화와 검수를 함께 생각해야 합니다.
문서 AI가 결과를 잘 추출하더라도 모든 결과를 무조건 정답으로 처리하면 위험합니다. 중요한 문서라면 신뢰도가 낮은 결과를 사람이 확인하는 단계를 함께 설계하는 것이 좋습니다.
14. 정리
이번 글에서는 Azure AI Services 리소스를 만든 뒤, Document Intelligence Studio에서 문서를 분석하는 기본 흐름을 정리했습니다.
Document Intelligence는 문서에서 텍스트, 표, 키-값 쌍, 필드 정보를 추출하는 문서 AI 서비스입니다. Document Intelligence Studio는 이 기능을 코드 없이 웹 화면에서 테스트할 수 있는 도구입니다.
Read 모델은 문서에서 텍스트를 추출하는 데 초점을 둡니다. Layout 모델은 텍스트뿐만 아니라 표, 문단, 행과 열 같은 구조를 함께 분석합니다. Prebuilt Model은 영수증, 청구서, 신분증, 명함처럼 특정 문서 유형에 맞춰 의미 있는 필드를 추출하는 데 사용됩니다.
Studio에서 결과를 확인할 때는 텍스트만 보는 것이 아니라 Bounding Box, Confidence Score, JSON 결과까지 함께 보는 것이 중요합니다. 이 정보들이 있어야 나중에 REST API나 SDK로 문서 분석 기능을 자동화할 때 전체 구조를 이해할 수 있습니다.
15. 전체 흐름 한 번에 정리
Azure AI Services 리소스 생성
→ Document Intelligence Studio로 이동
→ 사용할 리소스 확인
→ API Version 확인
→ 분석할 모델 선택
→ 문서 업로드
→ Analyze Options 설정
→ Run analysis 실행
→ 텍스트, Bounding Box, Confidence Score 확인
→ JSON Result 확인
→ 다음 단계에서 REST API 또는 SDK로 활용
Studio 실습의 핵심은 문서 AI가 어떤 결과를 반환하는지 먼저 눈으로 확인하는 것입니다. 이 과정을 이해하고 나면 REST API나 SDK로 같은 분석을 자동화하는 흐름도 훨씬 자연스럽게 연결됩니다.
16. 핵심 키워드 정리
| 키워드 | 의미 |
|---|---|
| Azure AI Services | 여러 Azure AI 서비스를 함께 사용할 수 있는 통합 리소스 |
| Document Intelligence | 문서에서 텍스트, 표, 필드, 구조를 추출하는 Azure 문서 AI 서비스 |
| Document Intelligence Studio | Document Intelligence 기능을 웹 화면에서 테스트하고 결과를 확인하는 도구 |
| Read | 문서에서 텍스트를 추출하는 모델 |
| Layout | 문서의 배치, 표, 문단 구조를 분석하는 모델 |
| Prebuilt Model | 특정 문서 유형에 맞게 미리 만들어진 분석 모델 |
| API Version | 사용할 Document Intelligence API의 버전 |
| Analyze Options | 분석 범위나 추가 감지 기능을 설정하는 옵션 |
| Bounding Box | 인식된 텍스트나 필드가 문서에서 위치한 영역 정보 |
| Confidence Score | 모델이 분석 결과에 대해 얼마나 확신하는지 나타내는 값 |
| JSON Result | 프로그램에서 활용할 수 있는 구조화된 분석 결과 |
17. 다음 글 예고
이번 글에서는 Document Intelligence Studio에서 Read, Layout, Prebuilt Model을 사용해 문서를 분석하는 흐름을 살펴봤습니다. 다음 글에서는 Document Intelligence REST API와 Gradio를 활용해 문서 분석 앱을 직접 만드는 과정을 알아보겠습니다.
Studio에서 확인한 분석 흐름을 코드로 옮기고, 사용자가 파일을 업로드하면 Document Intelligence API로 분석한 뒤 결과를 웹 화면에 보여주는 구조를 정리해보겠습니다.
'Azure AI Services Engineering > Document' 카테고리의 다른 글
| [ Azure AI Services #5 ] [실습] Document Intelligence REST API와 Gradio로 문서 분석 앱 만들기 (0) | 2026.06.19 |
|---|---|
| [ Azure AI Services #3 ] Azure AI Document Intelligence란? 문서를 데이터로 바꾸는 AI (0) | 2026.06.18 |
