Question 1

로민(Lomin)은 어떤 회사인가요?

Accepted Answer

로민은 VLM(비전언어모델) 기반 Document AI 에이전트를 개발하는 문서 업무 특화 AI 기업입니다. 비정형 문서를 읽고 이해해 업무에 바로 쓰는 데이터로 전환하고, 파싱·분류·추출·비교·마스킹부터 기존 시스템 연계까지 문서 업무 자동화를 지원합니다.

Question 2

AI OCR과 로민의 Document AI는 무엇이 다른가요?

Accepted Answer

기존 AI OCR은 문서의 텍스트를 읽는 데 초점을 둡니다. 로민의 Document AI는 VLM(비전언어모델)로 텍스트뿐 아니라 표·서식·도장 등 시각 정보와 문서 구조·문맥까지 이해하고, 분류·추출·비교·마스킹을 거쳐 다음 업무까지 자동 수행하는 에이전트 형태로 문서 업무를 완성한다는 점이 다릅니다.

Question 3

새로운 문서 양식도 학습 없이 적용할 수 있나요?

Accepted Answer

네. 로민은 Zero-shot 기반으로 새로운 문서가 추가되거나 항목이 바뀌어도 별도의 학습이나 추가 설정 없이 바로 적용할 수 있으며, Auto-Create로 추출 항목을 자동 생성해 양식 변경 대응 시간을 단축합니다.

Question 4

로민의 문서 인식 정확도와 검증된 성능은 어느 정도인가요?

Accepted Answer

로민은 한국정보통신기술협회(TTA)의 시험 인증에서 필기체 인식 정밀도 97.8%·재현율 97.8%, 공행정문서 인식 정밀도 99%, 인식이 까다로운 필기체 98%의 성능을 검증받았습니다. 이와 함께 문서 분류 정확도는 98% 수준이며, 필드별 신뢰도(Confidence Score) 자동 산출과 검수 결과를 반영하는 Active Learning으로 운영할수록 성능이 개선됩니다. 실제 구축 사례에서는 우정사업본부의 문서 인식률 약 95%, 교보생명의 문서 처리 시간 약 50% 단축 등의 성과를 기록했습니다.

Question 5

로민은 어떤 산업과 업무에서 활용되나요?

Accepted Answer

로민은 금융·공공·제조·헬스케어·무역 등 다양한 산업에서 80여 개 기업이 문서 업무 자동화에 도입했습니다. 교보생명의 보험 청구·심사 문서 처리, 우정사업본부의 필기체 우편 정보 인식, 현대자동차의 설계 도면 구조화, 케이엘넷의 무역서류 자동 분류·추출 등 기술 난도가 높은 현장에서 구축 레퍼런스를 보유하고 있습니다.

Question 6

로민은 어떤 방식으로 도입할 수 있나요?

Accepted Answer

로민은 SaaS(클라우드 구독형), Private Cloud(전용 클라우드형), On-Premise(폐쇄망 설치형) 세 가지 배포 방식을 제공합니다. 기업의 보안 정책과 인프라 환경에 맞춰 유연하게 선택할 수 있습니다.

Question 7

폐쇄망(망분리) 환경이나 온프레미스에서도 로민을 사용할 수 있나요?

Accepted Answer

네. 로민은 외부 인터넷망과 분리된 사내 서버나 데이터센터에 직접 설치하는 On-Premise 방식을 제공하며, 망분리와 높은 수준의 데이터 보안이 요구되는 금융·공공 기관에서 활용됩니다. 현대자동차 사례에서는 도면을 외부로 반출하지 않는 사내 구축(On-Premise) 방식으로 운영되었습니다.

Question 8

로민은 어떤 보안 인증을 보유하고 있나요?

Accepted Answer

로민은 KACI 인증(클라우드 서비스 확인), KPaaS 인증(호환성 인증)을 취득했으며 CSAP 인증(SaaS 표준 등급)을 진행 중입니다. 사용자 권한 관리, 문서 접근 제어, 전송·저장 데이터 암호화, 감사 로그 등 문서 처리 전 과정의 보안을 지원합니다.

Question 9

기존 업무 시스템과 연동이 가능한가요?

Accepted Answer

네. 로민은 API 연동을 통해 ERP·CRM 등 기존 업무 시스템과 연결됩니다. 문서 입력·분류·추출·결과 전달을 하나의 워크플로우로 연결해 업로드만으로 자동 실행되도록 구성할 수 있습니다.

테크 블로그

DEER: Detection-agnostic End-to-End Recognizer for Scene Text Spotting

DEER: Detection-agnostic End-to-End Recognizer for Scene Text Spotting

TextMonkey: An OCR-Free Large Multimodal Model for Understanding Document

TextMonkey: An OCR-Free Large Multimodal Model for Understanding Document

SliceGPT: Compress Large Language Models by Deleting Rows and Columns

SliceGPT: Compress Large Language Models by Deleting Rows and Columns

Improving Post-Training Quantization on Object Detection with Task Loss-Guided Lp Metric

Improving Post-Training Quantization on Object Detection with Task Loss-Guided Lp Metric

Mamba: Linear-Time Sequence Modeling with Selective State Spaces

Mamba: Linear-Time Sequence Modeling with Selective State Spaces

LLMs

LLMs

Grounding DINO

Grounding DINO

Self-RAG: Learning to Retrieve, Generate, and Critique through Self-Reflection

Self-RAG: Learning to Retrieve, Generate, and Critique through Self-Reflection

Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks

Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks

A Graphical Approach to Document Layout Analysis

A Graphical Approach to Document Layout Analysis

Product

Prescreen (예정)

Solutions

Resources

테크 블로그

Company

Textscope®