정예팀 4곳은 검증 통과분 전량 공개
[더팩트｜우지수 기자] 과학기술정보통신부와 한국지능정보사회진흥원(NIA)은 독자 인공지능(AI) 파운데이션 모델 프로젝트 정예팀 5곳이 구축한 AI 학습용 데이터 29종을 AI허브에 개방한다고 27일 밝혔다.
이날 풀리는 데이터는 약 3544만건이다. AI가 문장을 처리하는 최소 단위인 토큰으로 환산하면 1조5600억개 규모로, 매개변수 700억~800억개(70~80B)급 대형 모델을 학습시킬 수 있는 분량이다. 참여팀은 네이버클라우드·업스테이지·SK텔레콤·엔씨에이아이(NC AI)·LG AI연구원이다.
개방 데이터는 5개 팀이 지난해 정부 예산 150억원을 지원받아 직접 기획·가공한 자산이다. AI의 기초 지식을 쌓는 사전학습 데이터부터 영상·음성을 아우르는 멀티모달 데이터, 유해 답변을 걸러내기 위한 보안·안전성(레드티밍) 데이터까지 포함됐다.
팀별로 보면 △네이버클라우드는 공개 영상 234만건과 방송 영상 52만건, 영상클립 기반 텍스트 1550만건, 음성 질의응답 1200만건 △업스테이지는 1조 토큰 규모 사전학습 데이터와 사후학습 데이터 50만건 △SK텔레콤은 수학·과학·법률 등 전문 도메인 다단계 추론 데이터와 한국형 레드티밍 데이터 1만건 △엔씨에이아이는 제조 기술문서와 민원 상담 음성을 활용한 거대언어모델(LLM) 핵심 역량 데이터 7종 △LG AI연구원은 국내 50개 가정에서 50종 이상 가사 활동을 촬영한 영상 클립 17만개 이상을 각각 구축했다.
네이버클라우드 데이터에는 장면을 문장 단위로 옮긴 캡션이 담겨 영상 이해와 이미지 생성 모델 학습에 쓸 수 있다. 업스테이지 사후학습 데이터는 추론·판단·실행을 수행하는 AI 에이전트 개발에, LG AI연구원 데이터는 객체·분할·자세·맥락 정보를 다층 라벨링해 비전·시각언어모델(VLM) 연구와 상용 서비스 개발에 활용 가능하다.
NIA와 한국정보통신기술협회(TTA)는 1차 단계평가가 끝난 뒤 각 팀이 데이터 구축·가공 예산으로 확보한 데이터를 전량 넘겨받았다. 이후 품질검증과 개인정보·유해성 검증을 거쳐 라이선스 제약이 걸린 데이터는 공개 대상에서 뺐다.
사업 공고상 해당 예산으로 만든 데이터는 50% 이상을 개방해야 한다. 네이버클라우드·업스테이지·SK텔레콤·엔씨에이아이는 검증을 통과한 데이터를 모두 열기로 했고, LG AI연구원은 공개 대상을 통계적으로 선별해 의무 개방량을 채웠다.
29종 데이터는 국내 기업과 연구자, 학생 등 누구나 AI허브에서 무료로 내려받을 수 있다. '독자AI모델 데이터' 항목에서 팀별·종류별 검색이 가능하며 일부는 별도 신청 절차를 거쳐야 한다. 과기정통부는 2차 단계평가 과정에서 확보한 데이터도 검증을 마치는 대로 개방할 방침이다.
김경만 과기정통부 인공지능정책실장은 "오늘 개방된 데이터는 정예팀의 AI 학습 전략이 담긴 귀중한 자산"이라며 "AI 생태계의 성장과 자생력 강화를 이끄는 밑거름이 될 것"이라고 말했다.
index@tf.co.kr
- 발로 뛰는 <더팩트>는 24시간 여러분의 제보를 기다립니다.
- · 카카오톡: '더팩트제보' 검색
- · 이메일: jebo@tf.co.kr
- · 뉴스 홈페이지: https://talk.tf.co.kr/bbs/report/write
- · 네이버 메인 더팩트 구독하고 [특종보자→]
- · 그곳이 알고싶냐? [영상보기→]
