과학기술정보통신부와 한국지능정보사회진흥원(NIA)은 27일 독파모 5개 정예팀이 1차 단계평가 과정에서 구축한 데이터를 AI허브(aihub.or.kr)에 공개한다고 밝혔다. 개방 데이터는 지난해 데이터 구축·가공 예산 150억원을 통해 확보한 것으로, 토큰 기준 약 1조5600억 토큰 규모다. 이는 이론적으로 70~80B 수준의 대형 AI 모델 학습에 사용될 수 있는 양이다.

참여 기업별로 데이터 구성이 다르다. 네이버클라우드는 공개 영상 234만건, 방송 영상 52만건, 영상 기반 텍스트 1550만건, 음성 질의응답 1200만건을 구축했다. 업스테이지는 1조 토큰 규모의 사전학습 데이터와 50만건의 사후학습 데이터를 확보했다. SK텔레콤은 수학·과학·법률 등 전문 도메인의 고난도 추론데이터와 한국형 레드티밍 데이터 약 1만건을 구축했다.

엔씨AI는 제조 기술문서, 민원 상담 음성 등 현장 데이터를 기반으로 긴 문맥 이해, 단계별 추론, 멀티턴 대화 등 LLM 핵심 역량 데이터 7종을 구축했다. LG AI연구원은 국내 50개 실제 가정환경에서 50종 이상의 가사 활동을 촬영한 17만개 이상의 영상 클립을 구축하고 객체·분할·자세·맥락 정보를 다층 라벨링했다.

NIA와 한국정보통신기술협회(TTA)는 데이터 품질검증, 개인정보·유해성 검증, 라이선스 제약 데이터 제외 등 조치를 완료했다. 사업 공고상 참여조건에 따라 데이터 구축 예산으로 확보한 데이터 중 50% 이상을 개방해야 하는 가운데, 네이버클라우드·업스테이지·SK텔레콤·엔씨AI는 전체 데이터를 개방하기로 했다. LG AI연구원은 의무개방량 50% 이상을 준수해 통계적으로 선별해 공개한다.

개방 데이터는 대한민국 국민 누구나 AI허브에서 무료로 다운로드받아 활용할 수 있다. 과기정통부는 이번 개방이 AI 생태계 성장과 자생력 강화의 밑거름이 될 것이라고 밝혔다.