ai 모델 학습 데이터 활용과 법적 쟁점

이러한 판결은 우리나라 저작권법 제35조의 5에서 규정하는 저작물 이용에 대한 공정이용 판단 시 고려 요소들이 사실상 미국 연방저작권법 제107조의 공정이용 판단 요소를 수용한 것으로 볼 수 있어 [1], 향후 국내 법원에서 생성형 AI 모델 학습을 위한 저작물 복제를 다루는 저작권 분쟁에 참고가 될 수 있습니다.

실제로 데이터셋 구축 및 활용에 필요한 다양한 형태의 데이터가 존재하며, 이와 관련하여 여러 유형의 데이터가 학습에 활용되고 있습니다. 예를 들어, 이미지, 텍스트, 음성 등 다양한 형태의 데이터가 학습 자료로 사용되고 있으며, 이는 저작권법적 이슈와 연결될 수 있습니다.

또한, 공공기관 및 기업 등에서 다양한 데이터를 수집하고 가공하는 과정에서 데이터의 저작권 귀속 및 이용 범위에 대한 법적 검토가 필수적입니다. 데이터의 출처 명확화와 이용 목적에 따른 권리 침해 여부 판단이 중요하게 다루어지고 있습니다.

#다양한 형태의 AI 학습 데이터 구축 사례

국가대표 AI 5개팀은 AI 학습용 데이터를 공개하였으며, 이 데이터는 총 29종에 달하고 약 3544만 건 규모로 추정됩니다 [2]. 이 데이터는 과학기술정보통신부와 한국지능정보사회진흥원(NIA)이 AI허브를 통해 공개합니다 [2].

구축된 데이터는 AI의 기초 지식을 쌓는 사전학습 데이터 외에도, 영상과 음성을 포함하는 멀티모달 데이터, 그리고 AI의 유해 답변을 막기 위한 보안·안전성(레드티밍) 데이터 등 다양한 유형을 갖추고 있습니다 [2].

구체적인 구축 사례는 다음과 같습니다:

• 네이버클라우드는 공개 영상 234만 건과 방송 영상 52만 건을 구축하였으며, 해당 영상 클립 기반 텍스트 1550만 건과 음성 질의응답 1200만 건을 마련했습니다. 텍스트에는 장면을 문장 단위로 기술한 캡션 등이 포함되어 AI 모델의 영상 이해 능력 및 이미지 생성 모델 학습에 활용될 수 있습니다 [2].
• 업스테이지는 1조 토큰 규모의 대규모 사전학습 데이터와 50만 건의 사후학습 데이터를 구축했습니다. 사전학습 데이터셋은 대규모 AI 모델을 학습하는 데 사용되며, 사후 학습은 특정 목적에 맞게 모델을 개선하는 데 쓰입니다.
• 엔지니어링 데이터의 경우, 학교생활과 관련된 데이터를 포함하여 다양한 형태의 학습 자료가 활용되고 있습니다.
• AI 모델 학습용 데이터로는 대화형 데이터나 특정 전문 분야의 텍스트 데이터 등이 활용됩니다.

이러한 데이터들은 AI 기술의 성능 향상에 기여하며, 학습 목적에 따라 다양한 형태로 가공되어 사용됩니다.

관련 글: ai 이미지 학습 데이터셋 구축 현황

#데이터셋 공개 및 활용을 위한 플랫폼 이용

국가대표 AI 5개 팀이 확보한 인공지능 학습용 데이터가 AI허브를 통해 무료로 공개되었습니다 [2]. 과학기술정보통신부와 한국지능정보사회진흥원(NIA)은 이 데이터를 AI허브에서 이용할 수 있도록 공개한다고 밝혔습니다 [2]. 이번에 공개되는 데이터는 총 29종에 달하며, 약 3544만 건 규모입니다 [2]. 토큰으로 환산하면 약 1조 5600억 개 규모로 추정됩니다 [2].

공개된 데이터는 국내 기업, 연구자, 학생 등 대한민국 국민 누구나 AI허브에서 무료로 내려받아 활용할 수 있습니다 [2]. AI허브의 '독자AI모델 데이터' 항목에서 팀별 또는 데이터 종류별로 검색이 가능하며, 일부 데이터는 별도 신청을 거쳐 이용할 수 있습니다 [3].

데이터 공개와 관련하여 몇 가지 특징이 있습니다.

• 데이터 개방 방식:
  • 네이버클라우드, 업스테이지, SK텔레콤, 엔씨에이아이(NC AI)는 품질검증 등을 거친 데이터 전체를 개방하기로 했습니다 [2].
  • LG AI연구원은 의무 개방량인 50% 이상을 준수하여 통계적으로 선별하여 공개하기로 했습니다 [2].
• 데이터 유형: 공개되는 데이터에는 텍스트 외에도 다양한 형태가 포함되어 있습니다. 예를 들어, 'AI 학습용 데이터'와 같이 다양한 목적에 맞게 분류된 데이터가 존재합니다.
• 활용 목적: 이러한 공개 데이터는 연구 및 개발 목적으로 활용될 수 있으며, 관련 기관 및 연구원들이 접근하여 AI 모델 개발에 활용할 수 있습니다.

이러한 공개 노력은 AI 산업 전반의 발전을 촉진하는 기반이 되고 있습니다.

#사전학습과 사후학습에 필요한 데이터 구분

AI 모델 학습에 필요한 데이터는 그 활용 목적에 따라 사전학습 데이터와 사후학습 데이터 등으로 구분하여 활용될 수 있습니다. 사전학습 데이터는 AI 모델이 기초 지식을 쌓는 데 사용되는 데이터입니다 [2]. 예를 들어, 대규모 AI 모델을 처음부터 학습하는 데 사용되는 것이 사전학습 데이터셋입니다 [2]. 또한, 한국어 다국어 사전학습 데이터도 존재하는 것으로 확인됩니다 [3].

반면, 사후학습 데이터는 AI 모델이 특정 기능을 수행하거나 추론하고 판단하는 능력 등 에이전트 개발에 활용될 수 있습니다 [2]. 사후학습 데이터는 다음과 같은 다양한 형태로 구축되고 있습니다.

• 추론 및 판단 데이터: 수학, 과학, 법률 등 전문 도메인 영역의 고난도 다단계 추론 데이터가 구축될 수 있습니다 [2].
• 대화 및 상호작용 데이터: 민원 상담 음성 등 현장의 실제 데이터를 기반으로 하는 것이 포함됩니다 [2]. 영상과 음성을 아우르는 멀티모달 데이터도 학습에 활용됩니다 [2].
• 특정 기능 학습 데이터: AI 모델의 유해 답변을 막는 보안 및 안전성(레드티밍) 데이터나, 기업 현장에서 필요한 텍스트-이미지-음성 통합 학습에 활용될 수 있는 데이터가 구축됩니다 [2].

구체적인 데이터셋으로는 다음과 같은 예시들이 있습니다:

• 다국어 및 범용 데이터: '사전'이나 일반적인 텍스트 기반의 대규모 데이터셋이 활용될 수 있습니다.
• 특화된 시나리오 데이터: 특정 산업이나 서비스에 특화된 시나리오 기반의 데이터가 학습에 사용될 수 있습니다.

이러한 데이터들은 모델의 성능을 특정 영역으로 끌어올리거나, 모델이 실제 사용 환경에서 더 정교하게 작동하도록 미세 조정하는 데 중요한 역할을 합니다.

#한눈에 보는 비교

비교 대상	학습 데이터 이용	공정이용 판단 고려 요소	데이터 개방 주체
미국 캘리포니아 북부연방지방법	저작물 복제	원저작물의 잠재적 시장 영향 [1]	-
국가대표 AI 5개팀 데이터 공개	학습용 데이터 방출	-	과기정통부·NIA [2]
AI허브 독자 AI모델 데이터	다양한 학습 데이터	-	AI허브 [3]

#정리

생성형 인공지능(AI) 모델의 학습에 사용되는 대규모 학습 데이터 이용은 저작권 침해 문제와 관련하여 법적 쟁점이 되고 있습니다 [1]. 이와 관련하여, 2025년 6월 미국 캘리포니아 북부연방지방법은 AI 모델 학습을 위한 저작물 복제를 기술적 가치 창출을 위한 변형적 이용으로 인정하는 판시를 했습니다 [1]. 이 판결에서는 특히 '원저작물의 잠재적 시장 또는 가치에 미치는 영향'을 공정이용 성립 여부를 판단하는 중요한 요소로 강조했습니다 [1]. 국내에서는 국가대표 AI 5개 팀이 확보한 학습 데이터 일부를 AI허브를 통해 무료로 공개한 사례가 있습니다 [2].

이러한 법적 논의와 실제 데이터 개방 사례를 참고하여, AI 학습에 필요한 데이터의 활용과 저작권 관련 사항에 대해서는 관련 법규와 공식적인 데이터 개방 플랫폼을 확인하는 것이 필요합니다. 독자께서는 AI허브 웹사이트에서 '독자 AI모델 데이터' 항목을 통해 다양한 종류의 학습 데이터를 검색하고 다운로드할 수 있습니다 [3].

#참고 자료

1. 해외IP재판실무 생성형 인공지능( AI ) 모델 의 저작물 학습 과 공정이용에 관한 판단기준 - 국제지식.... — patent.scourt.go.kr
2. 국가대표 AI 5개팀, AI 학습 데이터 방출…'1.5조 토큰' 데이터 무료 개방 — 뉴시스 (2026-08-27)
3. 독자 AI모델 데이터 - AI 데이터 찾기 — aihub.or.kr

이 글은 위 참고 자료를 바탕으로 정리했습니다. 제품 사양·서비스 정책은 바뀔 수 있으니 최신 내용은 공식 안내에서 확인해 주세요.