문서 구조화 추출 API 비교 — Azure, Google, AWS 각각 뭘 제공하나

3사 비교: "단순 OCR" vs "문서 이해" 모델

3사 모두 두 종류의 API를 제공한다:

단순 OCR:   이미지 → 텍스트 (구조화 없음)
문서 이해:  이미지 → 필드별 JSON (구조화 추출)

Azure Document Intelligence — 전용 모델 최다

15개 이상의 문서 타입별 전용 모델:

커스텀 모델: Azure Portal에서 5장만 라벨링하면 내 양식 전용 모델 훈련 가능.

# 모델명만 바꾸면 다른 구조화 결과
client.begin_analyze_document("prebuilt-receipt", body=f)    # 영수증
client.begin_analyze_document("prebuilt-contract", body=f)   # 계약서
client.begin_analyze_document("my-custom-model", body=f)     # 내 양식

Google Document AI — 커스텀 프로세서 강함

전용 프로세서 (Processor):

강점: Custom Document Extractor

Google은 커스텀 프로세서 훈련이 강하다. 웹 UI에서 라벨링하고, foundation model 기반으로 적은 데이터로도 높은 정확도.

from google.cloud import documentai

client = documentai.DocumentProcessorServiceClient()
result = client.process_document(request={
    "name": "projects/my-project/locations/us/processors/invoice-processor-id",
    "raw_document": {"content": file_bytes, "mime_type": "application/pdf"}
})

for entity in result.document.entities:
    print(f"{entity.type_}: {entity.mention_text}")
# → supplier_name: スターバックス
# → total_amount: ¥550

AWS Textract — 표 추출 특화

전용 API:

Azure/Google처럼 "계약서 전용"은 없다. 대신 표 추출이 3사 중 가장 강하다.

import boto3

client = boto3.client("textract")

# 표 추출
response = client.analyze_document(
    Document={"Bytes": file_bytes},
    FeatureTypes=["TABLES", "FORMS"]
)

# 영수증 구조화
response = client.analyze_expense(
    Document={"Bytes": file_bytes}
)
for doc in response["ExpenseDocuments"]:
    for field in doc["SummaryFields"]:
        print(f"{field['Type']['Text']}: {field['ValueDetection']['Text']}")
# → VENDOR_NAME: スターバックス
# → TOTAL: ¥550

3사 종합 비교

일본어 계약서라면?

3사 모두 일본어 "계약서 전용" 모델은 없다. 영수증과 신분증은 일본어 지원이 있지만, 계약서 구조화는 영어만.

현실적인 선택지:

방법 1: prebuilt-layout/read ($1.50/1K) → LLM으로 구조화 ($$$)
        → 현재 tokium이 쓰는 방식. 유연하지만 LLM 비용 발생

방법 2: Azure 커스텀 모델 → 5장 라벨링으로 내 양식 훈련 ($10/1K)
        → 반복되는 양식이면 효율적. LLM 불필요

방법 3: Google Custom Document Extractor → foundation model 기반 ($$$)
        → 적은 데이터로 높은 정확도. 근데 비쌈

방법 4: PaddleOCR/Sarashina2.2 (셀프호스팅) → LLM으로 구조화
        → OCR 비용 $0. 기밀 문서 OK. GPU 필요

선택 가이드