H2O Document AI v2.0.3은 H2O.ai가 2026년 7월 16일 공개한 생성형 문서 정보 추출 플랫폼이다. PDF나 스캔 문서처럼 구조와 표현이 일정하지 않은 자료에서 필요한 값을 찾아 정형 데이터로 변환하는 작업을 대상으로 하며, h2oGPTe 기반의 생성형 추출 파이프라인을 중심으로 시각적 JSON 스키마 빌더, 대규모 언어 모델(Large Language Model, LLM) 및 프롬프트 관리, 사용자 정의 전처리·후처리를 하나의 운영 흐름으로 묶는다. 사람이 문서를 읽고 정해진 양식에 값을 옮겨 적듯이, 이 플랫폼은 문서를 입력받아 사용자가 정의한 스키마에 맞는 정보를 추출하고 후속 시스템이 소비할 수 있는 구조로 정리하는 역할을 한다. 공식 Python 클라이언트도 제공되므로 웹 인터페이스에서 설계한 처리 과정을 애플리케이션이나 자동화 파이프라인과 연결할 수 있다. 기존의 예측형 Document AI는 미리 정의된 문서 유형이나 고정된 필드에 강하지만, 문서 형식이 바뀌거나 자유 서술 문장에서 의미를 해석해야 할 때 별도의 모델 학습과 규칙 수정이 필요할 수 있다. H2O Document AI v2.0.3의 차별점은 LLM 기반 추출, 시각적 스키마 정의, 프롬프트 관리, 사용자 코드를 이용한 데이터 가공을 단일 파이프라인 안에 통합했다는 데 있다. 이는 광학 문자 인식(Optical Character Recognition, OCR) 결과를 별도 스크립트와 API 사이에서 반복적으로 전달하는 방식보다 구성 요소 간 연결을 단순화할 수 있다. 특히 사용자 정의 코드는 격리된 샌드박스에서 실행되므로, 날짜나 단위 표준화 같은 전처리와 추출 결과 검증 같은 후처리를 플랫폼의 문서 처리 단계에 포함할 수 있다. 다만 샌드박스의 구체적인 자원 한도, 지원 라이브러리, 네트워크 접근 정책 및 데이터 보존 조건은 제공된 Discovery 정보만으로 확인되지 않아 도입 전에 공식 문서와 계약 조건을 검토해야 한다. 생명과학 연구 환경에서는 논문 부록, 시험성적서, 임상·전임상 보고서와 같이 레이아웃이 서로 다른 문서에서 반복적으로 메타데이터를 수집하는 데 활용할 수 있다. 예를 들어 연구자는 JSON 스키마에 화합물명, 투여량, 단위, 실험군, 측정 시점과 결과값을 정의한 뒤 LLM 프롬프트로 문서별 표현 차이를 해석하고, 후처리 코드로 mg·µg 단위를 통일하거나 필수 필드 누락을 검사할 수 있다. 또 장비 점검 기록이나 품질 문서에서 로트 번호, 시험 일자, 허용 범위와 판정 결과를 추출해 검토 대기열이나 데이터베이스로 전달하는 파이프라인을 구성할 수 있다. 공식 Python 클라이언트를 이용하면 다수 문서의 제출과 결과 회수를 자동화할 수 있지만, 처리 속도, 정확도, 지원 파일 형식, 최대 문서 크기와 같은 정량 성능은 입력 자료에서 확인되지 않았으므로 실제 표본 문서로 별도 검증해야 한다.

H2O Document AI v2.0.3은 H2O.ai가 2026년 7월 16일 공개한 생성형 문서 정보 추출 플랫폼이다. PDF나 스캔 문서처럼 구조와 표현이 일정하지 않은 자료에서 필요한 값을 찾아 정형 데이터로 변환하는 작업을 대상으로 하며, h2oGPTe 기반의 생성형 추출 파이프라인을 중심으로 시각적 JSON 스키마 빌더, 대규모 언어 모델(Large Language Model, LLM) 및 프롬프트 관리, 사용자 정의 전처리·후처리를 하나의 운영 흐름으로 묶는다. 사람이 문서를 읽고 정해진 양식에 값을 옮겨 적듯이,