.svg)
AI 솔루션 문의하기
법률문서 검토를 보조하는 인공지능은 깔끔하게 정리된 전자문서는 물론 스캔된 종이 문서나 손으로 표시가 더해진 문서까지 마주하게 됩니다. 문서의 형식이 다양할수록 동일한 조항이라도 표현되는 방식이 달라질 수 있어 학습데이터를 구축할 때부터 여러 형식의 문서를 폭넓게 반영하지 않으면 실제 현장에서 인식 오류가 반복될 수 있습니다. 정돈된 문서만으로 학습된 인공지능은 실제 업무에서 접하게 되는 다양한 형태의 문서 앞에서 예상보다 낮은 정확도를 보이는 경우가 많습니다.
이러한 이유로 법률문서 검토용 데이터는 문서의 내용은 물론 형식의 다양성까지 함께 고려하여 구축되어야 실제 업무 환경에서 안정적으로 활용될 수 있습니다.
종이로 보관되던 계약서를 스캔하여 전자화하는 과정에서는 인쇄 상태나 스캔 품질에 따라 문자가 흐릿하게 나타나는 경우가 있어 이러한 상태의 문서에서도 조항의 경계와 내용을 정확히 표시하는 작업이 라벨링의 중요한 과제로 다루어집니다. 문서 여백에 손으로 적힌 메모나 밑줄이 함께 포함된 경우도 있어 이러한 표시가 실제 조항 내용과 혼동되지 않도록 구분하는 작업도 함께 이루어져야 합니다.
오래된 문서일수록 사용된 용지나 인쇄 방식이 최근 문서와 달라 인식 난이도가 높아지는 경향이 있어 시기별로 다양한 문서를 고르게 확보하는 작업도 함께 요구됩니다.
계약서나 약관은 시간이 지나며 여러 차례 개정되는 경우가 많아 같은 문서라도 시점에 따라 조항의 내용이 달라질 수 있습니다. 어느 시점의 조항이 유효한지를 정확히 표시하지 않으면 검토 결과가 실제와 어긋나는 상황이 발생할 수 있습니다.
이력 데이터가 갖추어져 있어야 인공지능이 검토 대상 문서의 체결 시점에 맞는 조항을 정확히 참조할 수 있게 됩니다.
같은 내용을 담고 있어도 작성 기관이나 업종에 따라 조항의 배열 순서와 번호 체계가 크게 달라지는 경우가 많습니다. 이러한 서식 차이 속에서도 동일한 성격의 조항을 정확히 연결해 인식할 수 있도록 하는 매칭 작업이 필요합니다.
이러한 매칭 작업을 거치면 인공지능이 문서의 겉모습에 흔들리지 않고 조항의 실질적인 의미를 기준으로 검토를 수행할 수 있게 됩니다.
실제 검토 과정에서 인공지능이 조항을 잘못 분류하거나 위험 표시를 놓치는 사례가 발견되면 이를 다시 학습데이터로 되돌려 보완하는 순환 구조가 정확도를 꾸준히 높이는 데 중요한 역할을 합니다. 초기 구축 단계에서 모든 문서 형태와 표현 방식을 완벽히 담아내기는 어렵기 때문에 실제 운영 과정에서 드러나는 오류를 지속적으로 수집하고 원인을 분석하는 작업이 함께 이루어져야 합니다.
오류가 반복적으로 나타나는 조항 유형이 확인되면 관련된 유사 조항까지 함께 점검하여 같은 문제가 다른 문서에서도 발생하지 않도록 예방하는 작업도 병행되고 있습니다.
법률문서 검토 인공지능이 실제 업무에서 신뢰를 얻기 위해서는 잘 정리된 문서는 물론 스캔본이나 개정을 거친 문서 그리고 서식이 제각각인 문서까지 폭넓게 아우르는 학습데이터가 뒷받침되어야 합니다. 다양한 문서 형태 속에서도 조항의 실질적인 의미를 정확히 짚어내는 데이터가 꾸준히 쌓이고 실제 검토 과정에서 발견된 오류가 지속적으로 반영될 때 인공지능은 문서의 겉모습을 넘어 그 안에 담긴 의미를 정확히 검토할 수 있게 됩니다.
.svg)
.svg)
