PDF 차트가 JSON이 됐다. 그런데 그 숫자는 원본과 같은가?

MKTRC · 데이터 검증 노트 | 2026년 10월 5일 Databricks 공식 기능 변경을 바탕으로 작성. 아래 수치와 결과는 의도적으로 만든 교육용 예시이며, Databricks에서 실제 추출한 결과나 우리 연구 엔진의 측정값이 아닙니다.

PDF 안에 그래프가 있으면 숫자를 복사하기 어렵습니다. 이제 Databricks의 ai_parse_document는 읽을 수 있는 차트를 JSON 데이터로 추출하고, 시리즈·범례·축 정보를 설명할 수 있다고 공식 문서에 나옵니다. 편해진 건 맞습니다. 하지만 읽기 쉬워진 데이터가 곧 정확한 데이터는 아닙니다.

공식적으로 무엇이 바뀌었나

Databricks는 2026년 10월 5일 제품 릴리스 노트에서 차트 데이터의 JSON 추출을 안내했습니다. 문서 내 차트는 figure 요소로 반환되며, 인식할 수 있는 경우 content에 시리즈 값·범례·가능한 축 정보가 JSON 문자열로 들어갑니다. 읽을 수 없는 figure의 content는 비어 있을 수 있습니다. 결과는 버전이 있는 구조화 출력이며, 실제 사용 가능한 클라우드·지역·런타임·권한 요건을 확인해야 합니다.

12, 15, 16: 한 자리 차이로 결론이 달라진다

아래는 실제 제품 실행이 아닌 설명용 가상 데이터입니다. 원본 PDF 차트를 사람이 읽었을 때 Q1=12, Q2=15로 가정합니다. 그런데 모델 추출 예시가 Q2=16을 반환했다고 가정하면 어떨까요?

시각 자료의 막대 위치, 눈금, 범례를 잘못 연결하거나 숫자 한 자리를 잘못 읽으면 이후 보고서나 검색 답변은 틀린 수치를 정교한 JSON 형태로 재사용할 수 있습니다.

자동화 전에 필요한 검증 게이트

1. 원본 보존 — PDF 파일 해시, 파일명, 문서 버전, 수집 시점과 페이지를 남깁니다.
2. 위치 연결 — 차트가 있는 페이지와 figure의 bounding box 또는 그림 참조를 기록합니다.
3. 필드 검사 — 축 단위, 범례, 데이터 시리즈 순서, 누락·NULL, 정수/소수 표기를 확인합니다.
4. 원본 대조 — 결과에 영향을 주는 핵심 숫자는 원본 차트 이미지와 독립적으로 비교합니다. 모델 confidence만으로 원본 일치라고 선언하지 않습니다.
5. 승격 분리 — 수치 불일치·이미지 가독성 부족·지원 조건 미충족은 REVIEW_REQUIRED로 보류하고 검색 인덱스나 분석 테이블에 확정값으로 자동 반영하지 않습니다.

SOURCE_PDF → FIGURE + PAGE/BBOX → PARSED_JSON
                            ↓
                   MANUAL / RULE CHECK
                    ↙             ↘
             MATCHED          REVIEW_REQUIRED

MATCHED는 우리의 검증 절차 예시 상태명일 뿐, Databricks API가 자동으로 반환하는 판정 필드가 아닙니다.

사용할 때 구분할 범위

이 기능은 Databricks 관리형 ai_parse_document에 관한 내용입니다. 제품 문서에는 지원 지역, SQL/Python 환경 및 런타임 조건이 있고, 모델이 내용을 무시하거나 잘못 추출할 수 있는 한계가 명시돼 있습니다. SQL 함수 문서의 페이지 제한과 다른 REST API 경로의 제한은 서로 다를 수 있으므로 혼동하면 안 됩니다. PDF 차트 OCR에 대한 일반적인 정확도나 우리 연구 데이터의 무결성은 여기서 검증하지 않았습니다.

결론

차트를 JSON으로 바꾸는 것은 파싱 단계입니다. 숫자를 믿어도 되는지 결정하는 것은 검증 단계입니다. 둘을 분리해야 값이 그럴듯하다는 이유로 잘못된 데이터를 연구와 콘텐츠에 재사용하지 않습니다.

공식 출처: Databricks 2026년 10월 릴리스 노트 · ai_parse_document SQL 함수