.svg)
AI 솔루션 문의하기
차트에서 데이터를 꺼내는 방법은 여러 가지입니다. 수치를 텍스트로 서술할 수도 있고, 이미지에 주석을 달 수도 있습니다. 그런데 왜 테이블인가 하는 질문이 먼저 필요합니다. 테이블, 즉 행과 열로 구성된 표는 데이터가 취할 수 있는 가장 범용적인 형식입니다. 어떤 분석 도구에든 바로 입력될 수 있고, 데이터베이스에 적재할 수 있으며, 수식 계산과 정렬과 필터가 즉시 가능합니다. 텍스트로 서술된 수치는 사람이 읽기에는 편하지만 기계가 처리하기 어렵습니다. 테이블은 사람과 기계 모두 처리할 수 있는 공통 형식입니다. 차트 이미지를 데이터 테이블 형식, 즉 표 형태의 텍스트로 해석하는 방식이 차트 이미지 구조화의 목표로 연구되고 있으며, 이미지에 경계 상자를 표기하는 기존 방식과 달리 경계 상자 없이 차트 이미지를 직접 테이블 형식으로 변환하는 접근이 발전하고 있습니다. 차트 데이터 테이블 변환은 단순한 형식 변환이 아닙니다. 시각화된 정보를 처리 가능한 데이터로 전환하는 경로에서 테이블이 가장 실용적인 도착점이기 때문에 이루어지는 작업입니다.
차트 이미지에서 테이블을 만드는 과정은 단순히 픽셀을 숫자로 바꾸는 것이 아닙니다. 변환 결과물인 테이블의 형태는 변환 과정에서 내려지는 여러 결정에 따라 달라집니다. 첫 번째는 열 구성입니다. 선형 차트라면 x축 값과 y축 값이 각각 열이 됩니다. 여러 계열이 있는 경우 계열별로 열이 추가됩니다. 두 번째는 행 구성입니다. 각 데이터 포인트가 하나의 행이 되며, 데이터 포인트의 수가 테이블의 행 수를 결정합니다. 세 번째는 헤더 정의입니다. 열 이름이 무엇인지, 단위 정보를 헤더에 포함할지 별도 행으로 분리할지, 계열명을 어떻게 표기할지가 결정됩니다. 이 세 가지 결정이 잘못되면 테이블은 완성되지만 그 안의 내용이 원본 차트와 달라집니다. 변환 정확도는 수치의 정밀도만이 아니라 이 구조적 결정의 정확성에서도 영향을 받습니다.
인공지능 기반 차트 데이터 테이블 변환은 이미지를 입력받아 텍스트 형태의 테이블을 출력하는 방식으로 작동합니다. 구글 브레인에서 공개한 모델은 차트 이미지 구조화에 특화되어 학습된 방식으로, 막대형, 선형, 점선형, 원형의 네 가지 차트 유형에 대해 이미지를 직접 데이터 테이블 형식으로 변환하는 성능을 보입니다. 이 방식에서 모델은 차트 유형을 먼저 분류한 뒤, 해당 유형에 맞는 방식으로 축과 데이터 계열과 수치를 인식하고, 결과를 행과 열로 정렬된 텍스트 형태로 출력합니다. 이미지를 텍스트로 변환하는 과정 전체가 하나의 모델 안에서 처리되기 때문에, 기존의 단계별 파이프라인 방식보다 오류 누적이 적습니다. 그러나 모델이 학습한 차트 유형 범위를 벗어나거나 이미지 품질이 낮은 경우 출력 결과의 신뢰성이 떨어질 수 있어, 결과 검증 단계가 함께 설계되어야 합니다.
차트 유형에 따라 테이블 변환의 방식과 난이도가 다릅니다.
차트에서 테이블로 변환할 때 수치의 정밀도에 대한 현실적인 이해가 필요합니다. 원본 차트가 정수 레이블을 명시하고 있다면 그 값은 정확히 추출됩니다. 그러나 눈금 사이의 중간 값, 즉 레이블로 표시되지 않은 값은 픽셀 위치를 기준으로 보간하여 추정됩니다. 이 경우 추출된 수치는 원본과 근사값이며, 작성자가 사용한 실제 데이터 값과 미세하게 다를 수 있습니다. 이 근사값의 오차 범위는 차트의 해상도와 축 눈금 밀도에 따라 달라집니다. 추출된 테이블을 정밀한 수치 계산에 활용하려면 이 근사값 특성을 전제로 결과를 해석해야 하며, 원본 데이터 출처가 확인 가능한 경우에는 추출값과 대조하는 검증 절차가 필요합니다.
멀티모달 언어 모델은 차트 데이터 테이블 변환의 방식을 실질적으로 바꾸고 있습니다. 기존 방식에서는 차트 유형 분류, 축 인식, 데이터 추출, 테이블 조립을 각각의 처리 단계로 나누어 설계해야 했습니다. 멀티모달 모델에서는 차트 이미지를 입력하고 테이블 형식으로 출력해달라는 지시를 주면, 모델이 유형 분류부터 테이블 생성까지를 한 번의 처리로 수행합니다. 이 방식의 강점은 처리 구조가 단순하고 다양한 차트 유형에 유연하게 대응한다는 점입니다. 반면 모델이 어떤 근거로 특정 값을 테이블에 기록했는지 확인하기 어렵다는 점은 검증을 어렵게 만드는 요소입니다. 중요한 분석에 활용되는 경우에는 모델 출력 결과를 원본 차트와 시각적으로 대조하는 검증 단계를 반드시 포함해야 합니다.
차트에서 생성된 테이블은 그 자체로 분석 재료가 됩니다. 서로 다른 문서의 차트에서 같은 지표를 추출하여 하나의 테이블로 합치면, 여러 출처에 분산된 수치를 한자리에서 비교할 수 있습니다. 시계열 차트에서 추출된 테이블은 추세 분석과 예측 모델의 입력 데이터로 활용됩니다. 연구 보고서의 실험 결과 차트를 테이블로 변환하면 메타 분석에 필요한 데이터 수집 작업의 속도가 크게 높아집니다. 기업 내부 문서에 흩어진 실적 차트를 테이블로 일괄 변환하면 수동 데이터 입력 작업이 줄어듭니다. 테이블로 변환된 순간 차트 안에 잠겨 있던 수치는 검색되고 계산되고 연결될 수 있는 데이터가 됩니다.
차트 데이터 테이블 변환이 완료되는 순간은 이미지가 사라지는 것이 아니라 이미지와 테이블이 나란히 존재하게 되는 순간입니다. 테이블은 수치 분석의 재료가 되고, 이미지는 맥락 확인의 참조가 됩니다. 두 가지가 연결된 상태로 보존될 때, 변환된 데이터는 신뢰성을 유지합니다. 차트 데이터 테이블 변환은 기술의 문제이기도 하지만, 결국 원본 시각 정보를 잃지 않으면서 그것을 분석 가능한 형태로 확장하는 작업입니다. 테이블이 차트를 대체하는 것이 아니라 차트가 가진 정보의 활용 반경을 넓히는 것, 그것이 이 변환의 목적입니다.
.svg)
.svg)
