정부가 '독자 인공지능(AI) 파운데이션 모델' 프로젝트로 확보한 29종의 AI 학습용 데이터 3544만 건을 무료 개방한다.

과학기술정보통신부와 한국지능정보사회진흥원(NIA)은 이번 프로젝트 5개 정예팀이 1차 단계평가 과정에서 구축한 데이터를 AI허브 누리집(aihub.or.kr)에 공개한다고 27일 밝혔다.

이번 개방 데이터는 정예팀이 각자의 개발 전략에 맞춰 기획해 지난해 데이터 구축·가공 예산 150억 원을 통해 확보한 데이터로 사전학습에 필요한 대규모 데이터셋부터 영상·음성 등 멀티모달, 안전성 확보를 위한 레드티밍 데이터 등으로 구성돼 있다.

토큰으로 환산하면 약 1조 5600억 토큰에 달하며 이론적으로 70~80B 수준의 대형AI모델 학습에 사용될 수 있는 규모다.

먼저, 네이버클라우드는 공개 영상 234만 건과 방송 영상 52만 건, 해당 영상클립 기반의 텍스트 1550만 건과 음성 질의응답 1200만 건을 함께 구축했다.

텍스트는 장면을 문장 단위로 기술한 캡션 등으로 구성되어 AI모델의 영상 이해능력 학습과 이미지 생성 모델 학습에 활용될 수 있다.

업스테이지는 1조 토큰 규모의 대규모 사전학습 데이터와 50만 건의 사후 학습 데이터를 구축했다.

사전학습 데이터셋은 대규모 AI모델을 새로학습(from scratch)하는 데 쓰일 수 있으며, 사후학습 데이터는 단순 질의 응답을 넘어 추론, 판단, 실행 등 AI에이전트 개발을 위해 활용될 수 있다.

에스케이텔레콤(SK telecom)은 수학·과학·법률 등 전문 도메인 영역의 고난도 다단계 추론데이터, 음성·이미지 등 사후학습용 데이터와 국내 법령과 한국 사회의 보편적 가치관을 반영한 한국형 레드티밍 데이터 약 1만 건을 구축했다.

AI모델의 실무 해결역량 강화와 안전성·신뢰성 향상 등에 활용될 수 있다.

엔씨에이아이(NC AI)는 제조 분야 기술문서, 민원 상담 음성 등 현장의 실제 데이터를 기반으로 긴 문맥 이해, 단계별 추론, 멀티턴 대화, 질의 응답, 멀티 모달리티 등 LLM 핵심 역량 데이터 7종을 구축했다.

사후학습 성능 고도화와 산업 현장에 필요한 텍스트-이미지-음성 통합학습에 활용될 수 있다.

엘지(LG) AI연구원은 한국 가정환경에 최적화된 피지컬AI 멀티모달 데이터셋을 구축했다.

국내 50개 실제 가정환경에서 50종 이상의 가사 활동을 촬영해 17만 개 이상의 영상 클립 등을 구축하고, 객체·분할·자세·맥락 정보 등을 다층 라벨링했으며 비전·VLM 학습, 연구·상용서비스 개발 등에 활용될 수 있다.

이번 데이터 개방을 위해 NIA·한국정보통신기술협회(TTA)는 1차 단계평가 완료 후 데이터 전체를 각 정예팀으로부터 제공받았고 이후 데이터 품질검증, 개인정보·유해성 검증, 라이선스 제약 데이터 제외 등 조치를 진행했다.

'독자 AI 파운데이션 모델' 사업 공고상 참여조건에 따라 데이터 구축·가공 예산을 통해 확보한 데이터 중 50% 이상 개방이 필요한 상황에서 네이버클라우드, 업스테이지, 에스케이텔레콤, 엔씨에이아이는 품질검증 등을 거친 데이터 전체를 개방하기로 했다. 

엘지 AI연구원은 의무개방량인 50% 이상을 준수해 공개 대상 데이터를 통계적으로 선별·개방하기로 했다.

이번에 공개된 29종 AI학습용 데이터는 국내 기업, 연구자, 학생 등 대한민국 국민이라면 누구나 AI허브를 통해 무료로 다운로드 받아 활용할 수 있다.

김경만 과기정통부 인공지능정책실장은 "독자 AI 파운데이션 모델 프로젝트는 단순히 AI모델 개발을 넘어 개발과정에서 축적된 경험과 노하우를 통해 AI생태계 전반의 질적 성장에 기여한다는 점에서 큰 의미"라고 설명했다.

이어 "개방된 데이터는 정예팀의 AI학습 전략이 담긴 귀중한 자산인 만큼 AI생태계 성장과 자생력 강화를 이끄는 밑거름이 될 것"이라고 말했다.