한국어 AI 데이터셋,
라이선스와 출처까지 한눈에

교과서 기반 에듀케이션 한국어 말뭉치

초중고 주요 교과과정 서적과 학습 보조 교재의 핵심 내용을 LLM 학습에 용이하도록 질의응답 및 설명글 형태로 재구성하여 분류한 데이터셋입니다.

네이버 쇼핑 상품 리뷰 감성 분석 데이터셋

인공지능 모델이 고객 리뷰의 어조를 정밀 분석할 수 있도록, 다양한 카테고리의 실제 네이버 쇼핑 평점(1~5점) 기반 긍·부정 텍스트 데이터셋입니다.

다양한 문체 변환 한국어 인스트럭션

동일한 정보나 내용을 고전 시가풍, 비즈니스 이메일 톤, 일상 대화체, 문학 소설 등 여러 가지 문체(Writing Style)로 다채롭게 변환할 수 있도록 구축된 합성 데이터셋입니다.

서울대 Ko-WinoGrande 한국어 대명사 지시 추론 데이터셋

한국어 텍스트 문맥 속에 모호하게 삽입된 대명사(그것, 그, 그녀 등)가 앞서 언급된 명사 중 물리적/사회적 상식 법칙에 의거하여 어떤 대상을 가리키는지 논리 판단을 검증하는 벤치마크입니다.

서울대 Thunder-KoNUBench 한국어 부정문 이해 데이터셋

한국어의 특유 부정 표지('안', '못', '-지 않-', '-지 못하-', '말다')가 포함된 문장에서 대형 언어 모델이 부정의 맥락을 얼마나 올바르게 인지하는지 문장 수준으로 평가하는 벤치마크입니다.

송영숙 한국어 챗봇 문답 데이터셋

한국어 챗봇 개발의 고전적이고 대표적인 오픈소스 자원으로, 일상다반사와 사랑, 이별 등 섬세한 감정 상태에 맞는 카운셀링 및 대화 데이터로 이뤄져 있습니다.

수능 영어 지문 한글 초고밀 번역 데이터셋

외국 수능 지문 분석 모델을 평가하기 위해, 영어 수능 모의고사 및 본수능 문항들의 난해한 영어 구조를 지극히 한국어 맥락에 맞도록 정밀 정합하고 직역 및 의역 해설을 수록한 고난도 번역 코퍼스입니다.

스마일게이트 Smilegate UnSmile 데이터셋

건전한 소셜 인공지능 윤리를 수립하기 위해 여성/가족, 성소수자, 인종/국적, 연령 등 총 10가지 차원의 악성 혐오 표현 여부를 레이블링한 데이터셋입니다.

스팀 한국어 게임 리뷰 감성 코퍼스

게임 플랫폼 스팀(Steam)의 한국어 유저 리뷰를 기반으로 유용함 및 추천 여부(긍정 1, 부정 0)를 가공하여 구성한 서브컬처/구어체 특화 분류 데이터셋입니다.

엔비디아 Nemotron 한국어 가상 페르소나 데이터셋

엔비디아(Nvidia)의 주도로 구축된 소버린 AI(Sovereign AI) 및 가상 데이터 증강용 데이터셋으로, 한국의 실제 다양한 연령, 성별, 직업별 사회문화적 성향을 다각도로 모사하는 가상 페르소나 인스트럭션 데이터셋입니다.

엘리스 한국어 FineWeb-Edu 데모 데이터셋

HuggingFace의 대표 교육용 데이터셋인 FineWeb-Edu의 정제 규칙을 벤치마킹하여 고품질 한국어 웹 자료만을 엄선해 구성한 고정제 사전학습 데이터셋입니다.

오픈 한국어 인스트럭션 데이터셋

인터넷에 공개된 양질의 한국어 SFT(Supervised Fine-Tuning)용 질문-대답 데이터들을 표준 포맷으로 통합 수집한 데이터셋입니다.

청와대 국민청원 데이터셋

국민청원 게시판에 게재되었던 청원 내용을 정제하여 자연어 처리 모델의 요약, 분류, 감성 분석 학습을 돕는 데이터셋입니다.

카카오브레인 KorNLI 자연어 추론 데이터셋

미국 스탠포드대학의 SNLI 및 MultiNLI 데이터를 한국어 정서에 부합하도록 전문 번역 및 검수를 진행한 한국어 대표 자연어 추론(NLI) 데이터셋입니다.

카카오브레인 KorSTS 문장 유사도 데이터셋

다양한 분야의 문장 쌍에 대해 미세한 의미 차이(Similarity)를 0점에서 5점까지 점수화하여 다면적인 문장 표상 임베딩 성능을 평가하는 데이터셋입니다.

카카오엔터프라이즈 한국어 멀티턴 적대적 대화 데이터셋

챗봇이 다자간 대화나 긴 맥락의 대화 도중 일부러 오답을 유도하는 꼬임성(Adversarial) 질문에 넘어가지 않도록 정밀 대응력을 테스트하는 데이터셋입니다.

캐럿AI 한국어 지시어 데이터셋

일반 상식과 일상적인 대화, 간단한 코딩 및 문서 수정 등 일상 비서 에이전트 성능을 보정하기 위한 고품질 데이터셋입니다.

한국 문화 맥락 이해 벤치마크 데이터셋

한국의 독특한 사회적 분위기, 관습, 예절 등 문화적 맥락을 LLM이 제대로 인지하고 있는지 현실적인 시나리오로 평가하는 벤치마크 데이터셋입니다.

한국 선거 여론 및 미디어 오피니언 분석 데이터셋

2025년 한국 정계 개편 및 지지율 추이에 관한 국내 주요 언론 사설, 온라인 포럼 의견, 대중 여론조사 예측 결과의 미묘한 시각 차이와 극성을 수집 분석한 선거 오피니언 아카이브입니다.

한국어 교육용 필터링 웹텍스트 데이터셋

웹의 방대한 데이터 중 교육적 가치(Educational Score)가 높은 고품질 텍스트만 머신러닝 분류기로 판별하여 선별한 사전학습용 말뭉치입니다.

한국어 금융 특화 지시어 데이터셋

부동산, 주식 시장, 기초 거시 경제 용어 등 금융 비즈니스 전문 도메인 질문과 답변을 정밀 학습하기 위한 Alpaca 스타일의 데이터셋입니다.

한국어 다단계 논리 추론 데이터셋

간단한 사실 매칭을 넘어, 참/거짓 판단을 유도하기 위해 다단계의 배경 지식 추론(Multi-hop Reasoning) 과정을 거치는 추론 검증 데이터셋입니다.

한국어 사전학습 위키 코퍼스

한국어 Foundation Model 학습을 위해 한국어 위키피디아 덤프 및 공개 데이터를 결합하여 정제 및 토큰화한 필수 코퍼스 데이터입니다.

한국어 상업용 지시어 데이터셋

기업 및 스타트업이 라이선스 제약 없이 완전한 상업용 제품 개발에 투입할 수 있도록 MIT 라이선스로 선배포된 전천후 지시어 데이터셋입니다.

한국어 수학 문장형 문제 풀이 데이터셋

수학적 지능(Mathematical Reasoning)을 기르기 위해, 복잡한 실생활 서사형 질문에서 추론하여 직접 논리적 수식을 세우고 풀이하는 코퍼스입니다.

한국어 온라인 댓글 욕설 탐지 데이터셋

인터넷 주요 커뮤니티의 다양한 댓글을 전처리하여 욕설, 공격성, 인신공격 여부를 이진 분류용으로 수동 라벨링한 인공지능 윤리 가드레일 데이터셋입니다.

한국어 위키백과 정제 말뭉치

한국어 위키백과 정기 덤프 파일에서 마크다운 및 불필요한 문장 부호들을 완전 제거하고, 어휘 구조가 바른 순수 자연어 문장으로 필터링한 학습용 기본 코퍼스입니다.

한국어 이미지 정밀 묘사 데이터셋

멀티모달 Vision-Language 모델(VLM) 학습을 위해 사물, 인물, 배경이 혼재된 복잡한 이미지의 시각 정보를 한국어로 정밀 묘사해 놓은 데이터셋입니다.

한국어 인공 교과서 코퍼스 데이터셋

기본적인 교양 과학, 역사, 문학 등 지식 습득 능력을 극대화하기 위해 초·중·고교 교육과정 수준의 지식 구조를 인공 합성하여 전처리한 텍스트 말뭉치입니다.

한국어 일상 구어체 대화 데이터셋

인공지능 대화형 에이전트가 지나치게 딱딱한 어조를 탈피하고, 일반 사용자처럼 친근한 구어체 및 대화의 맥락(Context)을 이해할 수 있도록 설계된 데이터셋입니다.

한국어 Function Calling 도구 사용 데이터셋

인공지능 에이전트가 외부 API나 DB 함수를 호출하는 능력(Tool Use / Function Calling)을 기를 수 있도록 대화 흐름을 한국어화한 데이터셋입니다.

BEEP! Korean Hate Speech

국내 온라인 포털 뉴스의 댓글 자원을 고정밀 분석하여 혐오 및 성희롱 편향을 수작업 감수한 리소스입니다.

ClovaCall

전화 통화 환경에서 발생하는 하드웨어 통화 채널 노이즈와 목적 대화를 정밀하게 담아낸 데이터입니다.

COYO-700M (카카오브레인)

카카오브레인이 글로벌 학술용으로 공개한 7억 장 규모의 초대형 웹 alt-text 이미지-텍스트 얼라인먼트입니다.

CSAT-KOREAN-2025 대학수학능력시험 국어 데이터셋

2025학년도 대학수학능력시험 국어 영역(비문학, 문학, 화법과 작문, 언어와 매체) 전체 지문과 객관식 문항을 LLM의 종합 독해 및 논리 도메인 지식 성능 평가용으로 수록한 고도화된 시험 벤치마크입니다.

DKTC (Dataset of Korean Threat Dialogue)

금전 갈취, 신체적 무력 협박, 심리적 가스라이팅 지배 대화를 차단하기 위한 분류 주석 데이터입니다.

GovOn Legal Response Dataset

법률 해석과 근거 인용을 위한 한국어 instruction-tuning 데이터셋입니다.

HateScore 한국어 다중 차원 혐오 감지 데이터셋

단순한 욕설 차원을 넘어 성별, 종교, 연령, 지역 등 현대 사회의 미묘하고 비정형적인 혐오 카테고리를 세분화하여 탐지하는 가드레일 데이터셋입니다.

K-BrowseComp 한국어 웹 브라우징 에이전트 벤치마크

인공지능 웹 에이전트 모델이 한국의 사회 문화적 맥락(쇼핑, 행정, 뷰티 등)이 담긴 실제 한국어 웹사이트들을 복합적으로 탐색하고 정답을 정확하게 가져오는지 수동 검증하기 위해 구축된 에이전트 평가셋입니다.

KLUE Benchmark

한국어 언어 이해를 평가하는 8개 과제(분류·NER·관계 추출·QA 등) 벤치마크입니다.

KMMLU

인문·사회부터 STEM까지 45개 분야의 한국어 객관식 LLM 평가 데이터셋입니다.

KMMLU-Pro 전문 지식 평가 데이터셋

공인노무사, 변리사, 회계사, 세무사, 한의사, 치과의사 등 한국의 전문직 자격시험 및 학술 문항들을 수집하여 LLM의 고도화된 한국어 논리 및 지식 추론 능력을 평가하는 최신 벤치마크 데이터셋입니다.

KoAlpaca-v1.1a

네이버 지식인 정제 데이터 기반의 실생활 맥락 및 가이드라인 학습용 지시어 데이터셋입니다.

KoELECTRA 보캡 최적화 원시 텍스트 말뭉치

한국어 ELECTRA 모델 학습 및 어휘 사전(Vocabulary) 구성을 위해 나무위키, 위키백과, 뉴스 기사 등을 골고루 배합하고 신뢰성 높은 토큰들만 정밀 샘플링한 데이터셋입니다.

KoelLabs 다국어 화자 한국어 악센트 음성 데이터셋

한국어가 모국어가 아닌 외국인 화자(미국, 중국, 베트남 등)가 발화한 한국어 녹음 자료를 바탕으로 악센트 및 잘못된 발음 형태를 ASR이 올바르게 보정 인식하게 돕는 ASR 벤치마크입니다.

KoIn 한국 인플루언서 인물 인식 이미지 데이터셋

한국의 유명 연예인, 셀러브리티, K-POP 아이돌, 인플루언서의 실제 무대 역광 조명, 복잡한 군중 전경, SNS 일상 전경 등 비정형적이고 역동적인 환경에서의 이미지와 인물 라벨 정보를 결합한 컴퓨터 비전 데이터셋입니다.

KoInFoBench 한국어 지시어 이행 평가 데이터셋

한국어 대형 언어 모델(LLM)이 사람이 내린 다양한 제약 조건과 복잡한 지시 사항을 얼마나 정확히 이행하는지 평가하기 위한 벤치마크 데이터셋입니다.

KOpen 고품질 에르메스 한국어 데이터셋

고도화된 코딩, 복잡한 논리 추론, 시스템 프롬프트 이행 등을 완수할 수 있도록 해외 우수 자원인 OpenHermes를 한국어로 번역 및 조정한 고품질 데이터셋입니다.

Korean SAT Math 수능 수학 논리 추론 데이터셋

한국의 대학수학능력시험(수능) 및 평가원 모의고사 수학 4점짜리 고난도 기하, 미적분, 확률과 통계 문항의 수식 및 정밀 풀이 단계를 정형 수록한 AI 수리 추론 벤치마크입니다.

Korean Tourist Spot Dataset (풍경 이미지)

한국의 전국 명소, 맛집, 전통 한옥 등 실제 여행 소셜 이미지를 바탕으로 주석한 풍경 태그 데이터셋입니다.

Korean-Light-OCR (야외 간판 및 표지판)

실제 한국 도시 한복판의 야외 교통 표지판, 광고물, 세로형 식당 간판 등의 자연 전경 글자 해독 데이터셋입니다.

KoSBi 한국어 편향성 완화 데이터셋

한국 사회 내에 존재하는 나이, 성별, 직업 등에 대한 고정관념이나 차별적인 왜곡 문장을 정중하고 건전한 문장으로 대체한 완화 데이터셋입니다.

KoSum 한국어 유튜브 멀티모달 요약 데이터셋

2024년에서 2026년 사이에 업로드된 인기 한국어 유튜브 비디오 700개를 활용하여, 영상 시각 정보, 오디오 파형, 자막 텍스트 특징을 모두 결합한 한국어 멀티모달 비디오 요약 및 하이라이트 감지용 데이터셋입니다.

KREW 한국어 페르소나 역할극(Role-Playing) 데이터셋

가상의 성격, 연령, 구체적인 직업군 또는 역사적 인물 페르소나를 모델에 이식하고, 해당 캐릭터 설정과 고유한 어투를 끝까지 유지하며 자연스럽게 대화를 이어가도록 설계된 SFT 데이터셋입니다.

KsponSpeech (대규모 자유발화)

대한민국 공식 표준 1,000시간 분량의 자유 발화 정합 및 자소 단위 표기 학습용 음성 표준 데이터셋입니다.

KULLM-v2 (한국어 지시문)

GPT4ALL, Dolly, Vicuna 데이터를 한국어로 번역한 지시문 학습 데이터셋입니다.

LIMA 한국어 고품질 극소정예 데이터셋

적은 부피로도 뛰어난 성능 향상을 꾀할 수 있도록 고품질의 영어 LIMA 가이드라인을 완전 한국어 정서에 맞춰 재번역 및 수정한 데이터셋입니다.

MeloTTS 한국어 실시간 음성합성 데이터셋

고성능 하드웨어뿐만 아니라 CPU급 로컬 기기에서도 빠르게 대화체를 음성 합성할 수 있도록 전처리된 고품질 TTS 매칭 데이터셋입니다.

Orca 한국어 DPO 선호도 데이터셋

인간 피드백 반영 모델 정렬(Alignment)을 위한 DPO(Direct Preference Optimization) 학습용 한국어 선호도(Preferred/Rejected) 데이터셋입니다.

PAWS-X (ko) (문장 유사성 분류)

적대적으로 교묘히 배치된 다국어 유사 뉘앙스 문장 속에서 미세 의미 일치 여부를 파악하는 한국어 파트셋입니다.

QARV 한국어 인스트럭션 데이터셋

해래(HAE-RAE) 허브에서 구축한 지시어 학습 데이터셋으로, 한국어 상식과 자연어 이해력을 강화하기 위한 고품질 SFT 데이터입니다.

skt/KVQA (시각장애 보조)

시각장애인이 모바일 카메라로 직접 실물 객체를 촬영한 사진과 이에 대해 물어본 실제 한국어 질문 및 검수 답변셋입니다.

SmileStyle 한국어 다채로운 문체 변환 코퍼스

스마일게이트 AI 팀이 한국어 문체 다양성 연구를 위해 공개한 데이터셋으로, 일상적인 베이스 대화를 정중체, 격식체, 아재체, 소설체 등 총 10가지 이상의 컨셉과 말투로 일치시킨 대규모 어미 변환 병렬 데이터셋입니다.

SNU Ko-MuSR 한국어 다단계 추론 데이터셋

서울대학교 연구팀에서 제작한 데이터셋으로, 살인 사건 수사, 물건 배치, 팀 배정 등 긴 문맥 속에서 여러 단계의 논리적 단서를 조합해야 풀 수 있는 고난도 추론 데이터셋입니다.

SQuARe 한국어 민감 주제 안전성 데이터셋

AI가 정치, 젠더, 종교 등 편파적이기 쉬운 민감 주제에 대해 중립적이고 안전하게 우회하여 대답할 수 있도록 훈련하는 가드레일 데이터셋입니다.

TinyStories 한국어 번역 데이터셋

어린이용 짧은 영어 동화 모음인 TinyStories를 한국어로 정밀 번역하고 정제한 초경량 언어 모델 사전학습 및 지시어 학습용 데이터셋입니다.

TyDi-QA (ko) (구글 다국어 질의응답)

구글이 설계한 11개 복합 문자 체계 중 한글 위키백과 기반의 정합 질의응답 지식 모델용 데이터셋입니다.

WanJuanSiLu 한국어 고품질 웹 텍스트 코퍼스

저자원 언어 및 한국어 Foundation Model의 사전학습 성능을 상향 평준화하기 위해 수집된 대규모 텍스트 데이터셋으로, 정밀 휴리스틱 및 인공지능 클린 필터링 공정을 통과한 고신뢰도 웹 말뭉치입니다.

Zeroth 한국어 음성 인식 오픈소스 데이터셋

국내 대표 음성인식(ASR) 프레임워크인 Kaldi의 빌드를 지원하고, 자유로운 비즈니스 음성 합성을 촉진하기 위해 배포된 대규모 음성 전사 데이터셋입니다.

모두의 말뭉치: 뉴스

문체 및 공적 어법 준수, 시사 지식 확충을 위한 대한민국 최대의 정제 신문 말뭉치 자원입니다.

모두의 말뭉치: 메신저

현실 실생활 줄임말, 자음 위주의 구어 표현을 구조적으로 학습하기 위한 모바일 메신저 전사 말뭉치입니다.

한국어 대화 요약 데이터셋

대화 원문과 한 문장 요약문으로 구성된 한국어 대화 요약 학습 데이터입니다.

한국어 질의응답 데이터셋 1.0 (KorQuAD)

한국어 기계 독해(MRC) 연구를 위한 Wikipedia 기반의 대규모 질의응답 데이터셋으로, 문맥을 읽고 질문의 답을 본문에서 정확히 찾아내는 모델을 만듭니다.

CLIcK (Cultural & Legal Knowledge)

한국의 고유 풍습, 명절, 일상 행정 규율 등을 LLM이 얼마나 정확하게 아는지 검정하는 시험 데이터셋입니다.

GSM8K 한국어 번역 수학 데이터셋

초등 수학 문장형 문제를 해결하기 위한 GSM8K 데이터셋의 한국어 정밀 번역 코퍼스입니다.

KLUE 연합뉴스 기사 제목 분류 데이터셋

신문 헤드라인을 보고 정치, 경제, 사회, 생활문화, IT과학, 세계 등 어느 뉴스 주제에 해당하는지 정확히 분류해 내는 다중 클래스 분류 데이터셋입니다.

KLUE 한국어 관계 추출 데이터셋

문장 속에 등장하는 두 개체(주체와 대상) 간의 시맨틱적 관계(예: 부모 자식 관계, 소속 기관 관계 등)를 규명하는 자연어 정보 추출 데이터셋입니다.

KLUE 한국어 기계독해 벤치마크

질문의 유형을 단순 사실 확인형뿐만 아니라 추론형, 부정형(질문에 대한 답이 본문에 없는 경우)까지 확장하여 모델의 독해력을 정교하게 판단하는 MRC 데이터셋입니다.

KLUE 한국어 유사도 측정 데이터셋

서로 다른 문장 두 개가 의미상으로 얼마나 유사한지를 0점에서 5점 사이의 실수값으로 세밀하게 채점해 둔 시맨틱 문장 유사도(Semantic Textual Similarity) 데이터셋입니다.

KLUE 한국어 자연어 추론 데이터셋

두 문장(전제와 가설) 사이의 논리적 관계가 참(Entailment), 모순(Contradiction), 중립(Neutral) 중 어느 것에 부합하는지 가려내는 고급 한국어 추론용 벤치마크입니다.

KoBEST 언어 추론 벤치마크

한국어 LLM의 상식 추론, 인과 관계 판단 등을 다차원 검정하기 위해 특별 제작된 데이터셋입니다.

Korean Receipts (금융 영수증 OCR)

카드 영수증, 간이 영수증 내부의 매장명, 일시, 부가세액, 품목 리스트를 구조화하여 추출하는 정산용 데이터셋입니다.

KRETA (Korean Rich Text Visual QA)

포스터, 표식, 복잡한 실외 간판 레이아웃 내부의 디자인 텍스트를 기민하게 해독하는 이미지 데이터입니다.

KSS Dataset (성우 음성 합성)

전문 여성 성우의 맑은 낭독음과 정확한 발음 정렬로 유명한 베스트셀러 음성 합성(TTS) 데이터셋입니다.

Open Subtitles (ko-en) (자막 번역)

실제 영화, 해외 드라마 자막 대사 데이터로 이루어져 인물 간 핑퐁 대화 구어체 학습에 안성맞춤인 대형 한영 병렬셋입니다.

Speech Emotion Dataset (ko)

표준 문장 뒤에 숨겨진 인간의 분노, 짜증, 설렘 등 미묘한 감정 극성을 탐색하여 레이블링한 음성 분류셋입니다.

Table-VQA-ko (스캔문서 표 판독)

스캔 문서 내부의 복잡한 그리드 격자 수치와 정산 수치를 정확하게 산출하는 표 판독 전용 시각 QA 데이터입니다.

Tatoeba (ko-en)

전 세계 다국어 사용 자발적 참여 집단지성 번역 프로젝트 기반의 일상 표현 위주 정합 한영 병렬 자원입니다.

강원 영동 건조기 산림 화재 및 연기

초기 진압 드론의 산불 오탐 방지를 위해 구름과 연기, 안개를 예리하게 구분 정합한 훈련 이미지입니다.

건설 철골 토목 공사 현장 인부 보호구 착용

현장 CCTV 속 안전모 미착용자, 턱끈 불량자를 신속히 가려내 경고해 주는 AI 탐지용 이미지셋입니다.

고객 콜센터 대화 녹취 및 음성

현업 통화 녹음 자료에서 유해한 신상을 완전히 제거하고, 상담 대화를 텍스트와 정합한 ASR 리소스입니다.

공공 행정문서 대상 기계독해

국정 자료, 보도자료 등 행정 문서 속에서 정확한 지식 정답 위치를 검출하는 MRC 데이터셋입니다.

공공기관 배포 행정문서 요약본

각 부처에서 정기 발행하는 주요 정책 보고서와 실증 자료를 일목요연하게 텍스트 요약한 리소스입니다.

공인중개사 부동산 매물 설명 텍스트

국내 아파트, 상가, 오피스텔 분양 및 매매 카탈로그 상의 설명 정보를 정형 임베딩하기 위한 데이터입니다.

공장 모터 고장 진단 진동 및 음향

산업 기계 노후화에 따라 변형되는 비정상 미세 마찰음을 소리로 자동 검사하는 AI 솔루션 훈련셋입니다.

국내 실제 아파트 평형별 가구 배치 인테리어

한국 가옥의 공간 구조와 홈 스타일링 메디컬 배치를 3D 평면 맵과 가구 사진으로 기록한 자원입니다.

국내 인기 웹툰 캐릭터 다채 색선화 페이스

애니메이션 자동 채색 봇 학습을 위한 웹툰 작화 얼굴, 머리 스타일 바운딩 태그 데이터셋입니다.

국산 SUV/세단 자동차 사용자 매뉴얼 QA

정비 주기, 대시보드 경고등 의미, 조작 매뉴얼 텍스트를 인공지능이 즉시 검색 답변토록 정합한 데이터입니다.

국제 특허 출원용 첨단 기계 기술 한영/한중

원격 사물인터넷, 반도체 적외선 노광 특허를 글로벌 규격 문체에 정형화한 번역 훈련셋입니다.

귀농 농업 기술 및 병해충 자가 상담

작물 재배법, 제철 원예 방제, 농업 보조금 신청 절차를 총체적으로 매핑한 원스톱 Q&A 텍스트입니다.

금융 금융보고서 기계독해 데이터

기업 공시, 증권사 리포트 등 까다로운 도표 지표 정보를 포함한 전문 기계독해 학습 데이터셋입니다.

기업 경제 뉴스 기사 감성 극성 사전

경제 속보의 뉘앙스를 '호재', '악재', '중립'으로 주석하여 주가 분석 모델을 훈련하는 사전식 텍스트입니다.

네이버 영화 리뷰 감성 코퍼스 (NSMC)

한국어 자연어 처리 연구에서 가장 널리 쓰이는 기본 데이터셋으로, 영화 포털 사이트의 140자 평점을 긍정(1)과 부정(0)으로 분류해 둔 감성 텍스트 데이터셋입니다.

네이버 NLP 챌린지 한국어 개체명 인식 데이터

2018년에 개최된 챌린지에서 공개된 데이터로, 텍스트 안에 내포된 각종 특수 태그(기관, 고유명사, 지명 등)들을 정밀 식별해 둔 대표 개체명 인식 데이터셋입니다.

노후 콘크리트 및 철골 다리 균열 결함

안전 등급 진단을 위해 국내 고가 차도 터널 천장의 미세 콘크리트 균열 사진과 크랙 치수 데이터입니다.

뉴스 기사 요약 및 분류 통합 데이터

정치, 사회, IT 등 분야별 신문 기사를 세 문장 이하로 요약 정렬한 데이터셋입니다.

뉴스 아나운서 및 표준어 낭독 음향

정확한 딕션과 정형적인 호흡을 준수하는 낭독 녹음물로 고품질 TTS 성우 베이스로 많이 기용됩니다.

다문화 실생활 한-베트남어 병렬 코퍼스

국내 체류 다문화 가정을 위한 관공서 양식, 보건 안내문 한글-베트남어 수동 번역 데이터셋입니다.

다중 화자 고품질 TTS 빌더 코퍼스

서로 다른 성별, 연령대의 일반인 화자 200명이 일정한 스크립트를 깔끔히 낭독한 합성 훈련용 리소스입니다.

대학교 전공 강의 및 프레젠테이션 발화

칠판 판서 중 나오는 목소리 울림, 전문 공학 용어 구어 발화를 인공 인식하게 하는 고난도 데이터셋입니다.

대형 마트 및 유통사 고객 서비스 QA

유통 매장에서 자주 접수되는 환불, 배송, 상품 교환 관련 업무 매뉴얼 및 가상의 질문/답변 셋입니다.

대형 지하 주차장 코너 장애물 및 차량 바퀴

자율 주행 발레 파킹 로봇의 충돌 방지를 위해 설계된 실내 로우 라이트 주차 구역 이미지셋입니다.

도시 로드 야외 주행 전경 및 3D 바운딩

국내 교차로, 어린이 보호 구역을 주행하며 촬영한 다각도 블랙박스 전경 및 장애물 3D 입체 좌표 세트입니다.

도시 생활 소음 및 환경 오디오 분류

차량 경적소리, 사이렌, 공사장 소음, 발걸음 등을 정형 수집하여 마이크 이상 감지를 학습합니다.

드라마 및 방송 연극 시나리오 대본

정형 극본 속 대화 구조, 감정 연출 지시어, 인물 성격 지정을 이해하도록 튜닝하는 데이터셋입니다.

모두의 말뭉치: 구어

방송 프로그램, 일상 토론 등 실제 발화된 구어 텍스트를 고화질 전사 처리한 데이터셋입니다.

모두의 말뭉치: 도서 문장

저작권 협의가 완료된 현대 도서 텍스트 본문 문장 데이터로, 문어체 표준 문맥 학습에 용이합니다.

모두의 말뭉치: 소셜 미디어

X(트위터), 인스타그램 등 공공 소셜 미디어 피드를 기반으로 구축된 최신 유행어 및 구어체 데이터셋입니다.

모두의 말뭉치: 웹 문서

블로그, 커뮤니티 등 인터넷 상의 다양한 웹 텍스트 자료를 정제하여 수집한 말뭉치입니다.

모두의 말뭉치: 일상 대화

다양한 주제에 대한 일반 대중의 일상 대화를 정제한 말뭉치 데이터셋입니다.

모바일 게임 안내 및 퀘스트 가이드 QA

게임 약관, 무기 아이템 설명서, 인게임 퀘스트 완료 조건을 즉시 질의 가능한 기계독해 코퍼스입니다.

물류창고 컨베이어 박스 바코드 및 문구

택배 상자 구겨진 바코드, 훼손된 송장 내부의 한국 주소 영문 수하물 정보를 추출하는 리소스입니다.

반려동물 울음소리 및 감정 오디오

개와 고양이의 고통, 불안, 행복, 요구 소리를 마이크로 확보해 동물 의사소통 AI를 훈련합니다.

반려동물 피부 및 안구 안과 질환 식별

수의사 협진을 통해 수집한 반려견/반려묘 피부 발진, 백내장 등 초진 안심 촬영 이미지입니다.

병원 임상 의학 가상 진료 차트 텍스트

실제 의료 정보를 대체하여 비식별 합성 생성한 인공 의학 상담 및 진단서 텍스트 데이터셋입니다.

사과/배/배추 주요 원예 노지 병해충

벼나 배추 잎사귀 표면에 핀 갈색 점 무늬병 등 해충 손상 잎사귀 병리학 이미지 데이터셋입니다.

산업별 전문 도메인 텍스트 말뭉치

자동차, 조선, 의료, 항공 등 10대 전략 산업 전문 논문 및 기술 가이드 문서 통합 사전학습 데이터셋입니다.

생활 법률 및 세무 행정 Q&A 데이터

상속세, 연말정산, 생활 분쟁 조율 등 시민 밀착형 법적 질의사항에 대한 전문가의 모범 답변 텍스트입니다.

서해안/남해안 해안 폐스티로폼 드론

드론 상공 비행을 통해 해수욕장 모래사장에 파묻힌 폐어구, 쓰레기를 식별 진단하는 시각 데이터셋입니다.

소상공인 1:1 고객상담 데이터

요식업, 소매업 등 오프라인 소상공인들이 접수받은 현실적 Q&A를 카테고리별 정형화한 데이터셋입니다.

소셜 미디어 한국어 악성 텍스트 필터링 데이터

인스타그램, 엑스(X), 유튜브 등 글로벌 사회관계망서비스(SNS)에서 포착되는 신종 비하 단어, 문맥 왜곡형 인격 모독 문장들을 실시간성 높게 수집해 정제한 필터링용 데이터셋입니다.

소셜 인플루언서 가상 멀티턴 메신저 대화

젊은 세대 팬덤 비즈니스를 겨냥한 대화체 챗봇을 학습시키기 위해 구축한 역동적 감성 텍스트입니다.

소아 및 어린이 구어 음성 인식

발음이 불완전한 5~13세 아동의 목소리를 정교하게 인식하기 위해 특별 학습된 ASR용 데이터입니다.

속삭이는 저조도 비밀 소형 음성 인식

보안이 중요한 구역이나 스마트 안경에 작게 귀속말로 발화된 특수한 속삭임 신호를 인식하는 리소스입니다.

쇼핑 리뷰 어스펙트 기반 감정 분석 데이터

단순히 물건이 좋다 나쁘다가 아니라 '배송', '성능', '디자인', '가격' 등 소비자가 후기에서 거론하는 여러 특성(Aspect)별 속성 평점을 세분화한 데이터셋입니다.

스마트 가전 및 사물인터넷 음성 명령

'불 꺼줘', '채널 올려줘'와 같은 짧고 직관적인 IoT 작동 원격 제어 발화셋입니다.

스마트 음성 비서 전용 하이브리드 TTS

친근하고 상호작용력이 극대화된 AI 대화형 비서용 성우 감정별 오디오 리소스입니다.

스포츠 중계 리얼 캐스터 흥분 구어

축구, 야구 등 동적인 경기 상황 캐스터들의 가속되고 격앙된 빠른 구어 음성 자소 전사셋입니다.

실버 세대 장노년층 구어 음성

목소리가 다소 잠기거나 발화 속도가 느린 65세 이상 노년층의 음성 인식을 지원하는 오디오 데이터셋입니다.

실생활 한국어 비유 표현 수집 코퍼스

외국인 학습자나 번역 AI가 오역하기 쉬운 실생활 비유어(예: '발이 넓다', '바가지를 씌우다')를 문맥 내에서 올바르게 이해하고 번역하도록 정립한 코퍼스입니다.

실제 보이스피싱 가해자 범죄 음성

금융 사기 수사에서 추출한 사기범 통화 패턴을 모아, 금융사기 원스톱 사전 예방 봇을 훈련시키는 소중한 음성입니다.

심장 소리 및 폐부 미세 음향 청진 기록

실제 의료용 고정밀 청진기로 청각 수집한 심잡음 및 폐 염증 오디오와 전문의 라벨링 데이터셋입니다.

야외 원격 조종 드론 프로펠러 소음

드론 침입을 소리로만 예리하게 탐지하도록 주변 드론 로터 소리와 생활 백색 소음을 융합한 오디오셋입니다.

여성 자궁경부 암 조기 선별 정밀 현미경 이미지

고정밀 암 세포 현미경 슬라이드와 형태학적 세포 이상 여부를 표시한 산부인과 정형 암 검진 데이터입니다.

영문 정관 및 대외 투자 지분 인수 계약서

기업 M&A 시 수반되는 최고 부하의 영문 계약 조약 및 한글 법리 대칭 전문 병렬셋입니다.

오디오북 제작용 문학 성우 목소리

소설의 인물별 성격 묘사, 감정이 충만한 낭독 오디오와 오디오북 챕터별 대칭 텍스트 자원입니다.

웹 기반 심층 뉴스 말뭉치

인터넷 신문 및 심층 기획 보도 기사를 고품질 맞춤법 필터링 후 가공한 대형 사전학습 텍스트입니다.

유네스코 전통 탑 및 궁궐 전경 3D 매시

정밀 라이다 및 드론으로 스캔한 한국 불교 미술탑, 가옥 서까래 고해상도 점구름 및 3D 메타데이터입니다.

유리병, 페트병 등 쓰레기 고속 분류 OCR

재활용 컨베이어 벨트에 투하된 플라스틱, 캔, 라벨 유무 여부를 지각하는 이미지 데이터셋입니다.

유튜브 브이로그 구어체 자막 한영 다각 번역

전형적인 문어가 아닌 1020 신조어, 리얼 줄임말 감정이 담긴 오리지널 유행 번역 데이터셋입니다.

의약품 복약 설명서 및 글로벌 임상 가이드

화학 의약 명칭, 금기 효능 설명서의 어투를 완벽히 통제하여 정형화한 한영 제약 번역 리소스입니다.

이커머스 상품 카피라이팅 광고 텍스트

주요 패션, 전자기기 카테고리 상품의 명세서 정보를 기반으로 인공 카피를 자동 생성하는 데이터셋입니다.

일반 도서 및 인프라 요약 데이터

일반 문학/학술 도서의 텍스트 주요 요점을 추출하여 추상 요약 모델 학습용으로 주석한 리소스입니다.

전국 주요 랜드마크 및 고궁 문화 경관

N타워, 제2롯데, 광화문 등 대표 지리학적 구조물 사진과 GPS, 텍스트 상세 명세 매핑 리소스입니다.

전기 전자 분야 기술 특허 상세 명세

하이테크 디바이스 특허의 청구 단락 및 도면 설명의 상세 핵심 원리를 정제한 텍스트 코퍼스입니다.

전문 학술지 및 도서 요약 데이터

공학, 의학, 사회과학 등 전문 학술 도서의 고부하 단락을 전문 요약가가 직접 정제한 학습 데이터셋입니다.

전통 악기 연주 및 음정 오디오셋

가야금, 거문고, 대금 등 전통 국악기 개별 음정 사운드를 고음질 채널로 추출하여 국악 AI 정합에 활용합니다.

정부 부처 및 국회 토론 회의 록 음성

의원 발화, 배석자 발언 등 동시 다발적 핑퐁이 있는 회의록 오디오 및 발언자 자동 레이블링 셋입니다.

정신건강 웰니스 챗봇 상담 질의응답

우울증, 심리상담 가이드 등 웰니스 분야에 대한 전문가 검수 Q&A 매칭 텍스트 데이터셋입니다.

조선왕조실록 및 고전 한문 번역 병렬 데이터

한국 전통 한문 원서의 구절을 현대적이고 유려한 표준 한국어 문맥으로 일대일 정렬한 대칭셋입니다.

주요 영자 신문 및 연합뉴스 한영 병렬 뉴스

대한민국의 주요 정치 논점 및 북한 안보 동향 보도 기사의 신문 정제 한영 대칭 말뭉치입니다.

중소기업 기술 애로 상담 및 전문가 문답

생산 공정 불량 원인 분석, 경영 안정 지원 신청 등에 관한 현실 해결책 매칭 텍스트입니다.

지역별 방언 음성 코퍼스

전국 5개 도의 사투리를 생생하게 담은 녹음 음성 데이터와 자막 전사 파일 세트입니다.

지역별 한국어 방언 표준어 매치

경상, 전라, 충청, 강원, 제주 방언의 구어체를 정밀하게 표준어 본문과 병렬 구성한 데이터셋입니다.

지자체 대표 관광 마케팅 카드뉴스 요약

전국 대표 자연 명소, 맛집 투어 정보를 SNS 마케팅에 요긴한 핵심 3선으로 가공한 데이터셋입니다.

차량 소음 융합 하이테크 음성 제어

엔진 구동 및 타이어 마찰 소음이 가득한 주행 환경 속 내비게이션 조작 음성 주석 데이터입니다.

초중고 국어 및 교육용 지문 데이터셋

국어 교과서, 청소년 추천 도서에서 수집한 이해도 평가용 교육용 지문 및 문항 데이터셋입니다.

통합 상담사-고객 대화 분류 및 요약

전화 상담에서 도출된 이질적인 상담 이력을 유형별로 완벽 자동 분류 및 텍스트 요약한 데이터셋입니다.

특허 명세서 분석 및 자동 Q&A

복잡한 특허 기술 설명서로부터 청구 범위 및 핵심 원리를 자동 질문 답변화한 리소스입니다.

판례 및 법률 조문 임베딩 데이터

대법원 판례 및 하급심 판결서 원문을 인공지능 의미 검색에 적합하도록 정형화한 데이터셋입니다.

피부과 탈모 및 여드름 아토피 접사

피부 임상 접사 사진을 수확하고 전문의가 염증 지수를 중증도 단계별로 세심 주석한 헬스케어 리소스입니다.

한-영 IT 시스템 엔지니어링 기술 설명서 번역

서버 구축, 데이터베이스 매뉴얼, API 가이드라인의 특수 엔지니어링 용어 한영 매칭 말뭉치입니다.

한-일 관광 가이드 및 지하철 노선 안내 번역

일본인 관광객을 위한 쇼핑 메뉴, 맛집 소개, 지리 안내를 한-일 대칭 정렬한 구어 리소스입니다.

한-중 무역 계약서 및 공식 비즈니스 번역

특허 계약, 무역 조항, 법인 인가 서류의 난해한 조항을 대칭 정합한 한-중 전문 번역 데이터입니다.

한국 거리 전경 고정밀 OCR 자료

실제 간판의 기괴하거나 필기체에 가까운 폰트 변주를 인식하기 위해 수집한 한국 지리학적 OCR 데이터입니다.

한국 근현대 시 문학 말뭉치

한국의 대표 시인들의 퍼블릭 도메인 및 오픈소스 대상 시 작품을 정제하여, 인공지능이 문학적인 비유와 리듬감을 학습하고 창작할 수 있게 돕는 아카이브입니다.

한국 방언 및 팔도 사투리 전사 메타데이터

제주도, 경상도, 전라도 등 고유한 억양과 고유 어휘를 사용하는 지방 방언 음성을 녹음하여 이에 대응하는 현대 표준 한글 자막과 대칭화한 전사 데이터셋입니다.

한국 보컬 가창 음원 및 분리 코퍼스

가요, 발라드 트랙 속 반주 사운드와 리얼 싱어 보컬 오디오를 멀티트랙 분리 추출한 오디오셋입니다.

한국 수어 카메라 캡처 영상 및 주석

청각장애인을 위한 수어 모션을 비디오 프레임으로 기록하고, 매칭되는 한국어 자막을 텍스트화한 셋입니다.

한국 전통 요리법 및 조리 순서 데이터셋

다채로운 한식 요리들의 정량적인 식재료 구성과 1단계부터 마지막 조리까지의 흐름을 가독성 높게 규정화한 레시피 아카이브 데이터셋입니다.

한국 특허 정보 다국어 번역 병렬 데이터

기계 기계 번역 및 정밀 크로스보더 데이터 인덱싱을 지원하도록 설계된 과학, 물리, 화학 등 지식재산 특허청 명세서의 한-영 정렬 병렬 코퍼스입니다.

한국어 7대 감정 음성 전사 데이터셋

슬픔, 기쁨, 분노, 당황, 상처, 불안, 중립의 7가지 감정을 인지하고 표현할 수 있도록, 연기 전문가들이 일상 대본을 기반으로 다른 톤으로 연기한 감정 가공 음향 아카이브입니다.

한국어 금융 뉴스 감성 분석 데이터셋

경제 및 금융 기사 제목과 본문 요약을 바탕으로, 해당 이벤트가 특정 주가나 시장 경제에 긍정(Bullish), 부정(Bearish), 혹은 중립(Neutral) 영향을 미치는지 분별하기 위해 고안되었습니다.

한국어 금표준(Gold Standard) 개체명 인식 데이터

수동 전처리 오차율을 극도로 줄여 AI 모델의 정밀 성능 검증용(Test Set)으로 사용할 수 있게 고안된 가장 공신력 높은 한국어 NER 골드 데이터셋입니다.

한국어 기초 간호 기록지 익명 명세 코퍼스

개인 인적 사항과 민감 인공 정보를 완전 마스킹(De-identification) 처리한 뒤, 임상 및 간호 일지 속의 주요 전문 임상 어휘를 토큰화하고 계통별로 맵핑한 전문 의학 정보 데이터셋입니다.

한국어 단문 및 장문 SMS 스팸 분류 데이터셋

불법 도박, 허위 광고, 금융 사기(피싱) 등 일상적으로 유포되는 불량 SMS/MMS 문자를 수집하여 정상(Ham)과 악성 스팸(Spam)으로 이진화한 데이터셋입니다.

한국어 대규모 기계독해 데이터셋 2.0 (KorQuAD)

위키피디아 전체 문서를 대상으로 HTML 표(Table)나 복잡한 서식을 해석하고 구조화된 장문 속에서 정보를 탐색해 내는 고차원 엔지니어링용 독해 데이터셋입니다.

한국어 말투 및 종결어미 스타일 변환 데이터셋

동일한 전달 문장을 평어(반말), 극존칭, 문어체, 해요체, 인터넷 유행어 등 수용하는 상황과 대화 상대에 어울리는 최적의 말투로 유기적 변환을 돕는 패러프레이즈 데이터셋입니다.

한국어 문법성 판단 및 비문 교정 데이터셋