세종은 3일 공개한 뉴스레터에서 과학기술정보통신부와 한국지능정보사회진흥원이 지난 8월 27일 「독자 AI 파운데이션 모델」 프로젝트에 참여한 5개 정예팀이 1차 단계평가 과정에서 구축한 총 29종의 AI 학습용 데이터를 AI 허브에 개방한다고 소개했다. 개방 규모는 약 3,544만 건, 약 1.56조 토큰 규모다.
이번에 공개된 데이터는 사전학습용 대규모 데이터셋부터 영상·음성 등 멀티모달 데이터, 안전성 확보를 위한 레드티밍 데이터 등으로 구성됐다. 1차 평가단계 데이터 구축에는 정부의 데이터 구축·가공 예산('25년, 150억 원)이 투입됐다고 세종은 전했다.
정예팀별로는 네이버클라우드팀이 공개 영상·방송 영상과 이를 기반으로 한 텍스트·음성 질의응답 데이터를, 업스테이지팀이 1조 토큰 규모의 사전학습 데이터와 사후학습 데이터를 구축했다. 에스케이텔레콤팀은 수학·과학·법률 등 전문 도메인의 고난도 다단계 추론데이터와 한국형 레드티밍 데이터를, 엔씨에이아이팀은 긴 문맥 이해·단계별 추론·멀티턴 대화·질의응답·멀티모달리티 등 LLM 핵심 역량 데이터 7종을 마련했다. 엘지AI연구원팀은 국내 50개 실제 가정환경에서 50종 이상 가사활동을 촬영한 피지컬 AI 멀티모달 데이터셋을 구축했다.
세종은 한국지능정보사회진흥원과 한국정보통신기술협회가 데이터 품질검증과 개인정보·유해성 검증, 라이선스 제약 데이터 제외 등의 절차를 진행했다고 설명했다. 사업 공고상 참여조건에 따라 확보 데이터 중 50% 이상을 개방해야 하며, 네이버클라우드·업스테이지·에스케이텔레콤·엔씨에이아이는 품질검증 등을 거친 데이터 전체를 개방했고 엘지AI연구원은 의무개방량을 준수하는 범위에서 공개 대상을 선별했다는 내용도 담겼다.
국내 기업·연구자·학생 등 대한민국 국민은 AI 허브의 '독자AI모델 데이터' 항목에서 팀별·데이터 종류별로 검색해 무료로 내려받아 활용할 수 있다. 다만 일부 데이터는 보안이 보장된 온라인 개발 환경인 '안심존'을 통한 별도 신청 절차가 필요하다.
세종은 이번 개방이 스타트업·중소기업 등에 양질의 AI 학습데이터를 무상으로 확보할 기회가 될 수 있다고 봤다. 동시에 실제 활용 단계에서는 AI 허브 이용약관과 각 데이터셋별 이용조건, 상업적 이용 가능 여부, 재배포·2차적 활용의 허용 범위, 이용 방식을 사전에 점검할 필요가 있다고 덧붙였다.
※ 이 기사는 공개된 자료를 바탕으로 AI 기술을 활용해 분석·정리한 기사입니다.
