[이데일리 김현아 기자] 정부가 독자 AI 파운데이션 모델(독파모) 사업에 참여한 5개 정예팀이 구축한 AI 학습데이터 3544만건을 민간에 개방한다. 대규모 학습데이터 확보에 어려움을 겪는 국내 AI 스타트업과 중소기업, 연구자 등이 AI허브에서 무료로 내려받아 AI 모델 개발과 서비스 구축에 활용할 수 있게 된다.

과학기술정보통신부와 한국지능정보사회진흥원(NIA)은 네이버클라우드, 업스테이지, SK텔레콤(017670), NC AI, LG(003550) AI연구원이 1차 단계평가 과정에서 구축한 AI 학습데이터 29종을 AI허브에 공개한다고 밝혔다.

공개 규모는 약 3544만건, 1.56조 토큰(추정)에 달한다. 대규모 사전학습 데이터뿐 아니라 추론·에이전트·멀티모달·AI 안전성 데이터 등이 포함돼 있어 AI 모델을 새로 개발하거나 기존 모델의 성능을 높이는 데 활용할 수 있다.

특히 업스테이지가 구축한 1조 토큰 규모의 사전학습 데이터가 눈에 띈다. 대규모 AI 모델을 처음부터 학습하는 데 사용할 수 있으며, 지식·지능 데이터와 사용자 선호 데이터, 에이전트 행위 능력 데이터 등 사후학습 데이터도 함께 공개된다.

네이버클라우드는 공개 영상 234만건과 방송 영상 52만건을 비롯해 영상 기반 텍스트와 음성 데이터를 제공한다. 영상 이해와 이미지 생성 등 멀티모달 AI 개발에 활용할 수 있다.

SK텔레콤은 수학·과학·법률 등 전문 분야의 고난도 추론 데이터와 음성·이미지 데이터, 한국형 레드티밍 데이터 1만건 등을 공개한다. 전문 AI 모델의 추론 능력과 안전성을 높이는 데 활용할 수 있다.

NC AI는 제조 기술문서와 민원 상담 음성 등 실제 산업 현장을 기반으로 한 데이터를 제공한다. 긴 문맥 이해와 단계별 추론, 멀티턴 대화, 멀티모달 AI 개발 등에 활용할 수 있으며 의료 AI 관련 이미지 데이터도 포함됐다.

LG AI연구원은 휴머노이드 로봇을 위한 ‘장면 이해(Scene Understanding)’ 데이터셋을 공개한다. 국내 가정환경을 기반으로 구축한 이미지·텍스트 데이터로 피지컬AI와 비전·VLM 모델 개발 등에 활용할 수 있다.

◇AI허브에서 무료 이용…일부 데이터는 ‘안심존’에서 제공

이번에 공개되는 데이터는 AI허브의 ‘독자AI모델 데이터’ 메뉴에서 팀별·데이터 종류별로 검색해 확인할 수 있다. 국내 기업과 연구자, 학생 등은 무료로 다운로드해 활용할 수 있다. 일부 데이터는 개인정보 보호 등을 위해 별도 신청을 거쳐 AI허브 ‘안심존’에서 이용할 수 있다.

정부는 공개에 앞서 NIA와 한국정보통신기술협회(TTA)를 통해 데이터 품질과 개인정보·유해성 등을 검증하고 라이선스 제약이 있는 데이터는 제외했다.

이번 개방은 자체적으로 대규모 데이터를 확보하기 어려운 AI 스타트업과 중소기업이 모델 개발에 필요한 데이터를 확보할 수 있는 기회가 될 것으로 보인다. 사전학습부터 추론, 에이전트, 멀티모달, 안전성까지 다양한 용도의 데이터를 활용할 수 있어 연구·개발 기간과 비용을 줄이는 데도 도움이 될 전망이다.

과기정통부는 2차 단계평가 과정에서 구축되는 데이터도 품질검증을 거쳐 추가 개방할 계획이다. 김경만 과기정통부 인공지능정책실장은 “독자 AI 파운데이션 모델 프로젝트는 단순히 AI 모델 개발을 넘어, 개발 과정에서 축적된 경험과 노하우를 통해 AI 생태계 전반의 질적 성장에 기여한다는 점에서 큰 의미가 있다”며 “오늘 개방된 데이터는 정예팀의 AI 학습 전략이 담긴 귀중한 자산인 만큼 AI 생태계의 성장과 자생력 강화를 이끄는 밑거름이 될 것”이라고 말했다.