대규모 언어 모델(LLM) 애플리케이션에서 PDF 파일을 다루는 것은 매우 어려운 과제일 수 있습니다. PDF는 본질적으로 '깨진' 형식이며, 다양한 데이터 유형의 중첩된 요소를 가지고 있고 표준 레이아웃이 없어 데이터를 추출하기 어렵습니다.

주요 과제에는 다음과 같은 것들이 포함됩니다:

• 복잡한 구조: PDF는 텍스트, 표, 이미지, 수식 등 다양한 데이터 유형의 중첩된 구조를 가지고 있어 관련 정보를 구문 분석하고 추출하기 어렵습니다.

• 표준화 부족: PDF에는 표준 레이아웃이 없어 데이터가 다양한 방식으로 구성될 수 있어 일괄적인 데이터 추출 솔루션을 개발하기 어렵습니다.

• 인코딩 및 형식 문제: PDF는 다양한 인코딩과 형식(글꼴, 레이아웃 등)을 가질 수 있어 데이터 추출 과정을 더욱 복잡하게 만듭니다.

• 표와 이미지: PDF 내의 표와 이미지에서 데이터를 추출하는 것은 특히 어려운데, 이러한 요소의 레이아웃과 형식이 크게 다를 수 있기 때문입니다.

• 오류와 부정확성: PDF에서 데이터를 추출하는 과정은 오류와 부정확성에 취약할 수 있으며, 이는 LLM 애플리케이션의 성능에 부정적인 영향을 미칠 수 있습니다.