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

K-스톡 콘텐츠 데이터

한국적 분위기를 담고 있으면서도 활용도가 높은 스톡 콘텐츠 (Stock Contents) 발굴을 위해 시각적·맥락적으로 재구성된 멀티모달(이미지-텍스트) 데이터

판결서 익명처리 데이터

단순 삭제 위주의 비식별 처리를 넘어 문맥 보존과 의미 추적이 가능한 학습용 데이터셋을 구축하고 가상 판결문 작성 등 실무 활용도가 높은 정제 데이터를 제공하여 리걸테크 산업 활성화를 지원

글로벌 다인종 피부색 데이터

본 데이터셋은 글로벌 시장 진출을 위한 현지화 메이크업 전략 수립을 목적으로 구축되었으며, 인종·지역·연령·환경 정보를 포함한 다인종 전안 이미지와 피부색 컬러값 데이터를 기반으로 한다. 전안 이미지 10,100장과 피부색 측색값 2,525건(xlsx 1건) 활용해 피부톤별 맞춤형 메이크업 방법을 제시하는 질의응답쌍 10,245쌍의 가공데이터를 포함한다.

분자독성 추론 데이터

인체 세포에 대한 독성 정보와 LLM 기반 CoT 문장을 결합해 분자 정보 입력에 대해 타당한 구조 분석과 독성 여부 추론을 학습할 수 있는 데이터 구축

과정 중심 평가 데이터

본 데이터셋은 초·중·고등학교 서술형·논술형 평가에서 AI 자동채점 모델의 학습 및 성능 평가를 위해 구축된 과정중심평가 데이터입니다.

한국어 다중 문맥 이해 벤치마크

한국어 장문 이해능력 (Long-Context) 평가를 위한 벤치마크 테스트셋

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

베트남어 비자상담 말뭉치 데이터

초거대AI에 적합한 베트남어 비자상담 서비스 구축 과제로 - 베트남어 말뭉치 비자상담 학습데이터 1만 어절 이상

한국콘텐츠 VLM 데이터

영상과 텍스트 정보가 결합된 JSON 기반 메타데이터를 통해 인공지능이 영상의 맥락을 보다 정밀하고 사실적으로 이해하도록 설계된 데이터셋이다. 또한 영상 내 개인정보에 대한 철저한 비식별화 처리와 전문가 집단의 다단계 검수를 통해 높은 신뢰도를 확보하였으며, 한국어 중심의 영상 이해 학습에 최적화되어 한국형 VLM 모델을 구축하는데 차별화된 경쟁력을 지닌다.

Synthetic & Instruction 데이터 집합

Hugging Face 공개 데이터셋 기반 AI 모델 합성 다국어(EN/KO/JA/ZH) 지시-응답 대화 데이터 집합. 858,960건, 6개 카테고리(Math, Code, General_Chat, Culture, General_Reasoning, RAG).

고품질 멀티턴 데이터 집합

한국어, 영어, 일본어, 중국어의 4개국어로 이러우진 다국어 질의응답 기반 언어별 다중 턴으로 구성된 멀티턴 사후학습 데이터

홈 휴머노이드 로봇용 Scene Understanding 데이터셋(VQA)

한국 가정환경에 최적화된 Scene Understanding 데이터셋 구축으로 독자 AI 파운데이션 모델의 실 환경 적용 능력 향상 * Visual Question Answering (VQA): 컴퓨터 비전과 자연어 처리 기술을 결합하여 이미지의 내용에 대한 질문에 답변하는 AI 기술로 본 데이터의 경우 한국 가정환경에 최적화된 Scene Understanding 데이터셋 영상에 대해 사용자가 임의의 질문을 하였을 때, 인공지능이 그에 대한 답변을 하는 것을 목적으로 함 ※ VQA 데이터 별도 개방

행동 생성형 AI 학습 데이터

PC/Mac 환경에서의 GUI 스크린샷과 UI 요소에 대한 VQA(Visual Question Answering) 라벨링 데이터셋. 문서(doc), 메신저(messenger), 스케줄(schedule), 기타(etc) 4개 카테고리로 구성.

민원분야 대화 음성 데이터

상담사/민원인 음성이 분리되어 녹음된 대화 음성 인공지능 학습 데이터