콘텐츠로 건너뛰기 메뉴로 건너뛰기 푸터로 건너뛰기
데이터를 불러오고 있습니다
데이터를 저장하고 있습니다
#챗봇 # 스마트 스피커 # AI # 인공지능 대규모 한국어 학습용 데이터 # 데이터 생태계 # 크라우드소싱 # 문자인식 # 웹기반 한국어 데이터

대규모 웹데이터 기반 한국어 말뭉치 데이터

대규모 웹데이터 기반 한국어 말뭉치
  • 분야한국어
  • 유형 텍스트
구축년도 : 2021 갱신년월 : 2022-07 조회수 : 25,703 다운로드 : 1,805 용량 :
샘플 데이터 ?

샘플데이터는 데이터의 이해를 돕기 위해 별도로 가공하여 제공하는 정보로써 원본 데이터와 차이가 있을 수 있으며,
데이터에 따라서 민감한 정보는 일부 마스킹(*) 처리가 되어 있을 수 있습니다.

※ 내국인만 데이터 신청이 가능합니다.

  • 데이터 변경이력

    데이터 변경이력
    버전 일자 변경내용 비고
    1.0 2022-07-12 데이터 최초 개방

    데이터 히스토리

    데이터 히스토리
    일자 변경내용 비고
    2024-06-21 산출물 추가 등록 저작도구
    2023-12-04 AI 모델 등록
    2022-07-12 콘텐츠 최초 등록

    소개

    웹사이트 기반 (메가뉴스) 대용량의 텍스트 데이터를 수집 후 전사 도구를 활용하여 타이틀, 단락 제목, 본문 텍스트가 구조화된 10억 어절의 말뭉치 요소별(범용용어 및 고유명사) AI 학습 데이터셋

    구축목적

    AI 학습용 데이터로서의 대용량 텍스트 데이터가 필요하나, 현재 웹 기반의 다양한 한국어 말뭉치 데이터가 부족하여 10억 어절 이상의 웹 데이터 기반 한국어 말뭉치 데이터를 구축
  • 1. 데이터 구축 규모

    • 원천 데이터
      – 원시데이터(웹데이터)로부터 비문, 비속어, 편향성, 비식별화 등 정제된 JSON 구조의 텍스트 데이터 10억 어절 이상
    • 라벨링 데이터
      – 원천데이터로부터 JSON구조의 구문에 맞게 개체명과 신조어에 대하여 태깅된 텍스트 데이터 10억 어절 이상

    2. 데이터 분포

    • 출처별 분포
      2. 데이터 분포 출처별 분포
      No. 항목명 비율
      1 뉴스1 34.8%
      2 뉴시스 24.3%
      3 머니투데이뉴스 18.6%
      4 머니S 9.8%
      5 스타뉴스 8.7%
      6 지디넷 1.9%
      7 더리더 1.3%
      8 코스모폴리탄 0.2%
      9 엘르 0.2%
      10 디스이즈게임 0.2%
      11 하퍼스 바자 0.1%
      합계 100.0%
      대규모 웹데이터 기반 한국어 말뭉치-데이터 분포_1_출처별 분포 그래프

      [출처별 분포 그래프]
       
    • 카테고리별 분포
      2. 데이터 분포 카테고리별 분포
      No. 분류코드 분류명 파일수 어절 수 비율
      1 SC IT/과학                        1,535                 41,970,255 3.6%
      2 CU 문화/패션/뷰티                        2,280                 44,853,911 3.8%
      3 IN 국제                        2,752                 49,390,134 4.2%
      4 WO 여성복지                        3,420                 49,970,850 4.3%
      5 ED 교육                        3,371                 57,060,422 4.9%
      6 LC 지역                        3,962                 57,954,012 4.9%
      7 LI 라이프스타일                        3,732                 62,600,032 5.3%
      8 SP 스포츠                        3,178                 62,942,643 5.4%
      9 AC 사건사고                        3,562                 65,350,073 5.6%
      10 HE 건강                        4,403                 68,648,804 5.8%
      11 HB 취미                        3,672                 70,524,485 6.0%
      12 SG 사회일반                        4,501                 74,946,093 6.4%
      13 TL 여행레저                        4,063                 79,220,922 6.7%
      14 PO 정치                        4,153                 93,955,104 8.0%
      15 EC 경제                        6,140                 97,426,330 8.3%
      16 EN 연예                        5,996                 98,190,180 8.4%
      17 ID 산업                        5,031                100,459,770 8.5%
      합계                     65,751           1,175,464,020 100.0%
      대규모 웹데이터 기반 한국어 말뭉치-데이터 분포_2_카테고리별 어절 분포 그래프
      [카테고리별 어절 분포 그래프]
  • 저작도구 설명서 및 저작도구 다운로드

    저작도구 설명서 다운로드 저작도구 다운로드
  • AI 모델 상세 설명서 다운로드

    AI 모델 다운로드

    1. 모델학습

    • 한국어 언어모델 생성 AI 모델링
      • ELECTRA 언어모델 학습 방법을 이용한 언어모델 구축
      • Masked Language Model(MLM)과 Replaced Token Prediction(RTP)을 학습 목표를 향한 언어 모델 학습

    대규모 웹데이터 기반 한국어 말뭉치-모델학습_1_한국어 언어모델 생성 AI 모델링

    • 한국어 파인튜닝 모델 생성 AI 모델링
      • 생성된 언어모델을 활용한 한국어 Downstream Task에 대한 파인튜닝학습 모델 생성 
      • 한국어 파인튜닝학습모델을 만들기 위해서 KLUEBenchmark의 NER, NLI, RE, STS와 KorQuad1.0에서 테스트

    대규모 웹데이터 기반 한국어 말뭉치-모델학습_2_한국어 파인튜닝 모델 생성 AI 모델링
     

    2. 서비스 시나리오

    • 학습을 완료한 모델은 기계 독해, 문장 분류, 감성 분석, 개체명 인식, 자연어 추론 등의 다양한 자연어 이해 문제를 해결할 수 있음.
    • 이에 따라서 텍스트로 구성된 데이터가 주어진다면, 텍스트를 이용한 다양한 종류의 자연어 처리 서비스 만들 수 있음.
  • 데이터 성능 점수

    측정값 (%)
    기준값 (%)

    데이터 성능 지표

    데이터 성능 지표
    번호 측정항목 AI TASK 학습모델 지표명 기준값 점수 측정값 점수
    1 의미적 유사성 (KLUE-STS) Estimation Transformer 기반 (BERT, ELECTRA 등) F1-Score 0.8117
    2 자연어 추론 (KLUE-NLI) Estimation Transformer 기반 (BERT, ELECTRA 등) F1-Score 0.7598
    3 개체명 인식 (KLUE-NER) Text Classfication Transformer 기반 (BERT, ELECTRA 등) F1-Score 0.8985
    4 관계 추출 (KLUE-RE) Information Extraction Transformer 기반 (BERT, ELECTRA 등) F1-Score 0.6258
    5 기계 독해 (KoQuAD 1.0) Machine Translation Transformer 기반 (BERT, ELECTRA 등) F1-Score 0.8972
    6 주제 분류 (KLUE-TC) Text Classification Transformer 기반 (BERT, ELECTRA 등) F1-Score 0.8254

    ※ 데이터 성능 지표가 여러 개일 경우 각 항목을 클릭하면 해당 지표의 값이 그래프에 표기됩니다.

    ※ AI모델 평가 지표에 따라 측정값의 범위, 판단 기준이 달라질 수 있습니다. (ex. 오류율의 경우, 낮을수록 좋은 성능을 내는 것으로 평가됩니다)

  • 설명서 및 활용가이드 다운로드

    데이터 설명서 다운로드 구축활용가이드 다운로드

    1. 데이터 포맷

    대규모 웹데이터 기반 한국어 말뭉치-데이터 포맷_1

     

    2. 데이터 구성 및 어노테이션 포맷

    대규모 웹데이터 기반 한국어 말뭉치-데이터 구성 및 어노테이션 포맷_1

     

    3. 실제 예시

    대규모 웹데이터 기반 한국어 말뭉치-실제 예시_1대규모 웹데이터 기반 한국어 말뭉치-실제 예시_2

  • 데이터셋 구축 담당자

    수행기관(주관) : 솔트룩스
    수행기관(주관)
    책임자명 전화번호 대표이메일 담당업무
    방재준 02-2193-1682 jjbang@saltlux.com · 컨소시엄 총괄 및 관리 · 데이터셋 설계 · 데이터 정제(비식별화) 및 검수 · 저작도구 개발 및 학습모델 구현 · 경진대회 개최
    수행기관(참여)
    수행기관(참여)
    기관명 담당업무
    알토비전 · 데이터 수집 및 정제
    · 데이터 저작권 계약, 데이터 수집 및 표준 설계
    · 비속어, 비방글, 비문 등 삭제, 원천데이터 파일 생성
    비플라이소프트 · 1차 데이터 검수
    이노그루 · 데이터 가공
    · 크라우드 워커 모집
    · 저작도구 활용 데이터 가공
    오픈큐비트 · 데이터 가공
    · 크라우드 워커 모집
    · 저작도구 활용 데이터 가공
    알체라 · 데이터 교차 검수
    소리자바 · 데이터 교차 검수
    데이터 관련 문의처
    데이터 관련 문의처
    담당자명 전화번호 이메일
    방재준 02-2193-1682 jjbang@saltlux.com
보건의료 데이터 개방 안내

보건의료 데이터는 온라인 및 오프라인 안심존을 통해 개방됩니다.

안심존이란 안심존 이용메뉴얼 안심존 이용신청
  • 인터넷과 물리적으로 분리된 온라인·오프라인 공간으로 의료 데이터를 포함하여 보안 조치가 요구되는 데이터를 다운로드 없이 접근하고 분석 가능
    * 온라인 안심존 : 보안이 보장된 온라인 네트워크를 통해 집, 연구실, 사무실 등 어디서나 접속하여 데이터에 접근하고 분석
    * 오프라인 안심존 : 추가적인 보안이 필요한 데이터를 대상으로 지정된 물리적 공간에서만 접속하여 데이터에 접근하고 분석

    1. AI 허브 접속
      신청자
    2. 안심존
      사용신청
      신청자신청서류 제출*
    3. 심사구축기관
    4. 승인구축기관
    5. 데이터 분석 활용신청자
    6. 분석모델반출신청자
  • 1. 기관생명윤리위원회(IRB) 심의 결과 통지서 [IRB 알아보기] [공용IRB 심의신청 가이드라인]
    2. 기관생명윤리위원회(IRB) 승인된 연구계획서
    3. 신청자 소속 증빙 서류 (재직증명서, 재학증명서, 근로계약서 등 택1)
    4. 안심존 이용 신청서 [다운로드]
    5. 보안서약서 [다운로드]
    ※ 상기 신청서 및 첨부 서류를 완비한 후 신청을 진행하셔야 정상적으로 절차가 이루어집니다.

  • 신청 및 이용관련 문의는 safezone1@aihub.kr 또는 02-525-7708, 7709로 문의

데이터셋 다운로드 승인이 완료 된 후 API 다운로드 서비스를 이용하실 수 있습니다.

API 다운로드 파일은 분할 압축되어 다운로드 됩니다. 분할 압축 해제를 위해서는 분할 압축 파일들의 병합이 필요하며 리눅스 명령어 사용이 필요합니다.

리눅스 OS 계열에서 다운로드 받으시길 권장하며 윈도우에서 파일 다운로드 시 wsl(리눅스용 윈도우 하위 시스템) 설치가 필요합니다.

※ 파일 병합 리눅스 명령어

find "폴더경로" -name "파일명.zip.part*" -print0 | sort -zt'.' -k2V | xargs -0 cat > "파일명.zip"

- 해당 명령어 실행 시, 실행 경로 위치에 병합 압축 파일이 생성됩니다.

- 병합된 파일 용량이 0일 경우, 제대로 병합이 되지 않은 상태이니 "폴더경로"가 제대로 입력되었는지 확인 부탁드립니다.

※ 데이터셋 소개 페이지에서 다운로드 버튼 클릭하여 승인이 필요합니다.