이파피루스, ‘PyMuPDF Office’로 제품명 변경…한글·오피스 문서 AI 데이터 변환 강화

기업의 인공지능(AI) 도입이 확대되면서 내부에 축적된 문서를 AI가 활용할 수 있는 데이터로 전환하는 기술의 중요성이 커지고 있다. 특히 기업과 공공기관의 업무 자료는 PDF뿐 아니라 아래한글과 워드, 엑셀, 파워포인트 등 다양한 파일 형식으로 분산돼 있어 이를 일관된 구조로 추출하고 가공하는 과정이 필요하다. 검색증강생성(RAG)이나 대규모언어모델(LLM) 기반 서비스를 구축하려면 문서 속 텍스트는 물론 표와 이미지, 문단의 읽기 순서까지 정확하게 인식해야 한다. 이러한 가운데 문서 AI 전문기업 이파피루스가 기존 문서 데이터 추출 제품의 명칭을 변경하고 한글·오피스 문서 처리에 특화된 제품 정체성을 강화했다.

이파피루스(대표 김정희)는 문서 데이터 추출 엔진 ‘PyMuPDF Pro’의 제품명을 ‘PyMuPDF Office’로 변경했다. 이번 명칭 변경은 PDF를 넘어 아래한글과 MS 오피스 등 기업과 공공기관에서 사용하는 다양한 업무 문서를 처리한다는 제품의 역할을 명확히 하기 위한 것이다. PyMuPDF Office는 오픈소스 문서 데이터 추출 라이브러리 ‘PyMuPDF’에 아래한글(HWP·HWPX)과 MS 오피스(Word·Excel·PowerPoint) 문서 처리 기능을 추가한 상용 제품이다.

기반 기술인 PyMuPDF는 이파피루스에 따르면 글로벌 누적 다운로드 12억 건을 넘어선 오픈소스 라이브러리다. PDF 문서에서 텍스트와 이미지 등 데이터를 추출하는 데 활용되며, 최근 2.0 버전 업데이트를 통해 LLM용 데이터 변환 도구 ‘PyMuPDF4LLM’과 문서 레이아웃 분석 엔진 ‘PyMuPDF Layout’을 기본 패키지에 통합했다. 이에 따라 PDF 중심의 문서 처리 기능은 오픈소스 PyMuPDF가 담당하고, 아래한글과 MS 오피스 문서까지 처리하는 상용 기능은 PyMuPDF Office로 구분된다.

제품의 핵심 기능은 서로 다른 형식의 업무 문서를 AI가 활용할 수 있는 구조화된 데이터로 변환하는 것이다. PyMuPDF Office는 PDF와 아래한글, MS 오피스 문서에 포함된 텍스트와 이미지, 표, 목록 등을 분석하고 사람이 문서를 읽는 순서(Reading Order)에 맞춰 데이터를 추출한다.

추출한 정보는 마크다운(Markdown)과 JSON 등 LLM 활용에 적합한 형식으로 변환할 수 있다. 이를 통해 기업은 기존 업무 문서를 AI 학습 데이터나 RAG 시스템의 검색 데이터로 활용할 수 있다.

GPU 없이 문서 데이터 추출…공공기관 폐쇄망 AI 환경에도 적용

PyMuPDF Office는 별도의 오피스 프로그램 설치나 전용 서버 구축 없이 파이썬 패키지 형태로 사용할 수 있도록 설계됐다.

개발자는 경량 패키지를 기존 애플리케이션에 추가해 문서 데이터 추출 기능을 구현할 수 있다. 특히 GPU 없이 일반 CPU 환경에서 문서를 처리할 수 있어 별도의 고성능 연산 장비를 마련하지 않고도 기존 인프라를 활용할 수 있다는 것이 회사 측 설명이다.

데이터 보안이 중요한 환경에서도 활용할 수 있도록 구성됐다. 문서를 외부 클라우드 서비스로 전송하지 않고 내부 서버나 사내 PC에서 처리할 수 있어 온프레미스(On-premises)와 폐쇄망 환경에 적용할 수 있다. 이는 공공기관과 금융기관 등 외부 데이터 전송에 제약이 있는 조직에서 AI 서비스를 구축할 때 고려할 수 있는 특징이다. 문서 데이터가 조직 내부에 남아 있는 상태에서 AI 활용에 필요한 정보를 추출할 수 있기 때문이다.

국내 공공 부문에서 활용도가 높은 아래한글 문서를 별도의 파일 형식 변환 없이 처리할 수 있다는 점도 주요 기능이다.