생성형 AI를 활용한 개체명 인식(NER)

병원의 모든 문구를 무작정 추출하지 않고 질환·검사·해부학적 위치와 임상 상태 등 활용 목적에 필요한 label을 의료진과 정의한다. 기록 종류마다 표현 방식과 중요도가 다르므로 대상 document와 annotation guideline을 합의하고, 실제 의사결정에 의미 있는 entity인지 검증한다.

사람이 정규식과 사전을 만들면 알려진 표현에는 정확하지만 병원·작성자별 abbreviation, typo, 문맥 차이를 모두 열거하기 어렵다. 담당자가 바뀔 때 rule의 해석과 유지보수도 흔들린다. 문장 의미와 전문 지식을 함께 반영하는 생성 model을 도입하되 rule의 높은 precision과 결합할 지점을 찾는다.

Model 학습보다 기록 선정, 개인정보 비식별화, encoding·line break·오탈자 정리와 label mapping에 더 많은 작업이 필요했다. 정상 표현이 다수를 차지하는 검사 기록을 그대로 sampling하면 model이 ‘이상 없음’만 예측하므로 희귀 entity와 positive 사례를 충분히 포함하는 data split을 설계한다.

Model 종류, prompt, few-shot example과 fine-tuning parameter 조합이 많고 결과만 보고 다음 실험을 정하기 어렵다. Entity별 precision·recall과 실제 활용 error를 기록해 우선순위를 정하고, 수작업 기록의 예외와 hallucination을 분석해 전처리와 guideline을 다시 개선한다. 제한된 GPU·시간 안에서 재현 가능한 실험 체계를 만든다.