AI-Hub

베트남·말레이시아 콜센터 데이터

원천데이터는 매뉴얼 데이터(MAN),콜센터 데이터(CAL)로 이루어져 있음 매뉴얼 데이터(MAN)는 원천데이터로만 제공함 콜센터 데이터(CAL)은 라벨링 하여 대화의도 문맥데이터(CCL) 과 이중번역 QA셋(CQA) 2가지 형태로 가공 함

동남아시아 고품질 OCR 데이터

태국어와 캄보디아어(크메르어)의 복잡한 문자 구조를 정밀하게 인식할 수 있도록 구축된 고품질 OCR 데이터는 저자원 언어 환경에서 문서 디지털화와 병기 번역, LLM 학습까지 가능한 핵심적인 역할을 하도록 구축함.

이상 판별을 위한 금융거래 정보 및 사용자 패턴 합성데이터

- 민감정보 없이 이상거래 탐지 AI 모델 학습·검증이 가능한 고품질 합성 금융 거래 데이터 - 실제 금융거래 패턴을 반영한 시계열 기반 정상·이상거래 합성데이터로, 전자금융공동망 합성데이터 4,926,785건(이상거래 19,084건 포함), 카드거래 합성데이터 2,169,857건(이상거래 80,009건 포함) 총 7,096,642건 구축

산불 확산 위험 대응방안 추론 데이터

산불 확산 위험에 대한 대응방안 추론을 위한 고품질 ToT(Tree of Thought) 학습용 데이터 구축

동아시아 고전 스토리 데이터

LLM을 위한 동아시아 고전 스토리 데이터 LLM이 스토리를 생성할 때 동아시아 고전의 내용을 반영한 결과물을 생성할 수 있도록 학습시키기 위한 용도의 데이터

2026년형 금융사기 대응 중심 한국 모바일 스미싱·피싱 탐지 훈련·평가용 합성 데이터셋

기존 스미싱 탐지 데이터셋은 대부분 SMS 텍스트 분류에 한정되어, 리디렉트 체인·폼 탈취·MFA 피로 공격 같은 다단계(킬체인) 공격을 SIEM 환경에서 탐지·평가할 수 없었습니다. 본 데이터셋은 한국의 SMS 기반 모바일 스미싱 킬체인을 SIEM 로그 형태로 재현한 합성 데이터셋입니다. 스미싱 문자 수신부터 악성 도메인 접속, 민감정보 입력, MFA 피로 공격, 금융 이체 차단(FDS)까지의 전 과정을 시간순 이벤트 스트림으로 구성하였으며, 각 이벤트에는 정답 라벨이 부여되어 있습니다. 데이터는 malicious(공격 완성), benign_lookalike(공격 존재하나 킬체인 미완성), benign(정상 활동) 3종으로 구성되어, 탐지율(TPR)과 오탐율(FPR)을 동시에 측정할 수 있습니다. 또한 5개 상관분석 탐지 규칙에 대한 발동 여부·경로·근거를 정답지로 포함하여, 이용자가 자체 탐지 규칙의 정확도를 정량 검증할 수 있습니다.

K-MIND Dyadic 한국어 멀티모달 상호작용 1대1 대화 데이터셋

본 데이터셋은 한국어 화자 간 1:1 대화 상황을 기반으로 수집된 멀티모달 데이터로, 영상, 음성, 텍스트 정보를 포함함. 특히 대화 데이터를 verbal, paraverbal, nonverbal 수준으로 계층화하여 annotation한 것이 주요 특징으로, 발화 내용뿐만 아니라 음성적 특성(억양, 속도 등)과 비언어적 신호(표정, 제스처 등)를 통합적으로 분석할 수 있도록 설계됨. 이를 통해 백채널링, 감정 표현, 상호작용 흐름 등 인간 중심 대화 특성을 정밀하게 모델링할 수 있으며, 멀티모달 기반 대화 이해, 감정 인식, 공감형 AI 및 사회적 상호작용 분석 연구에 활용 가능함

멀티 모달 대화 모델을 위한 패션 지식 대화 데이터 셋

텍스트 뿐만 아니라 이미지까지 처리하여 대화할 수 있는 언어 모델 학습을 위한 데이터셋. - 도메인 : 이미지와 텍스트 모두에 대한 이해가 있어야 대화가 가능한 패션으로 도메인을 설정. - 대화 내용 : 패션 주제를 정해 놓고 이에대해 system과 user가 서로 대화를 나누는 내용으로 구성. 주로 user가 패션에 대한 지식이나 이미지를 요청하고 system이 그에대한 답변으로 관련 지식이나 이미지를 찾아주는 형태를 가짐. - 의도 및 감정 라벨링 : user 및 system의 발화와 함께 발화가 가지는 의도 (intent), 감정 (sentiment)을 함께 라벨링함. - 패션 속성 리스트 라벨링 : user가 어떤 종류의 패션 이미지를 원하는지 패션 속성 리스트 (state)를 라벨링함. 대화 도중 요구하는 패션 이미지가 달라지면 state 또한 초기화 됨. - 모달 간 상호참조 정보 라벨링 : 대화 내 모달 간 상호참조 정보 (coreference)를 라벨링하여 모델이 텍스트가 어느 이미지의 어떤 부분을 가리키는지 학습할 수 있도록 함. - 한글로 구축 된 데이터 셋

감정 음성 데이터셋

감정음성합성 연구용 전문성우 8인(화자별 약 18960문장, 총 206시간) 및 일반인 501인(호자별 160문장, 총 127시간)의 감정음성 녹음 데이터 및 발성전사문, 감정태깅 결과물

노년층 대상 감성 분류 모델

노인이 포함된 화자 간의 대화 내용을 보고, 노인의 감정 상태를 분류하는 과제

한국적 감정 인물 생성 데이터

K-콘텐츠의 컨텍스트 기반 한국인의 표정과 감정이 담긴 한국형 인물 생성 데이터셋

K-콘텐츠 인물 페르소나 생성 데이터

방송영상에 등장하는 인물의 성격, 말투, 관계 등 정체성 정보를 상세하게 묘사한 AI 학습용 데이터셋

AI Safety Alignment 데이터

텍스트와 멀티모달 각 10만 건의 원천 데이터와 추론 데이터로 구성된 인공지능모델의 AI Safety용 학습 데이터

사전 학습 데이터

Solar Pro 2 기반 독자 합성 데이터 생성 파이프라인과 3단계 필터링 시스템을 구축하여 총 19.7T 토큰 규모의 고품질 데이터셋을 구성한 뒤 NER·PII 검출기·패턴 매칭 및 평가 모델·정규식을 활용한 정제·비식별화를 거친 1T 토큰 규모의 사전 학습 데이터

지식/지능 데이터

고차원 추론(reasoning) 문제 해결 능력 향상을 위해 설계된 다국어(한·영·일) 질의응답(QA) 기반 사후학습 데이터셋

LMM(speech, text) 학습용 데이터

음성 발화를 구간 단위로 분할하고 발화 시간 정보와 발화 특성(캐릭터, 감정 등)을 태깅한 음성-텍스트 정렬 데이터셋