Le ministère des Sciences et des TIC (MSIT) et l’Agence nationale pour la société de l’information (NIA) ont ouvert le 27, sur le site « AI Hub », 29 jeux de données d’entraînement pour l’IA constitués par les cinq équipes d’élite du projet « Modèle de fondation d’IA souverain ». D’un volume d’environ 35,44 millions d’éléments et 1,56 billion de tokens (estimation), ces données peuvent être téléchargées et utilisées gratuitement par tous — entreprises nationales, chercheurs, étudiants et l’ensemble des citoyens.
 [코리안투데이] Le ministère des Sciences et des TIC ouvre 29 jeux de données d’entraînement du projet « Modèle de fondation d’IA souverain » © 장형임 기자 |
Le ministère des Sciences et des TIC (vice-Premier ministre et ministre des Sciences et des TIC, Bae Kyung-hoon) et l’Agence nationale pour la société de l’information (NIA, dirigée par Kim Hyung-chul) ont annoncé le 27 la publication, sur le site AI Hub (aihub.or.kr), de 29 jeux de données au total, constitués par les cinq équipes d’élite du projet « Modèle de fondation d’IA souverain » lors de la première évaluation d’étape.
Le volume ouvert atteint environ 35,44 millions d’éléments, soit, converti en tokens, environ 1,56 billion de tokens (estimation). Théoriquement, cela représente une quantité suffisante pour entraîner un grand modèle d’IA de l’ordre de 70 à 80 milliards de paramètres (70~80B). Les équipes d’élite participantes sont, selon les organismes chefs de file de leurs consortiums, au nombre de cinq : Naver Cloud, Upstage, SK Telecom, NC AI et l’Institut de recherche en IA de LG (LG AI Research, rattaché au LG Management Development Institute).
Ces données ont été planifiées par chaque équipe d’élite en fonction de sa stratégie de développement et constituées grâce à un budget de constitution et de traitement des données de 15 milliards de wons en 2025. Elles couvrent un large éventail, allant de jeux de données à grande échelle pour le pré-entraînement aux données multimodales (vidéo, audio, etc.), en passant par des données de red teaming destinées à garantir la sécurité.
Dans le détail, Naver Cloud a constitué 2,34 millions de vidéos publiques et 520 000 vidéos de diffusion, ainsi que 15,5 millions de textes fondés sur des clips vidéo et 12 millions de questions-réponses vocales. Ces textes, composés notamment de légendes décrivant les scènes phrase par phrase, peuvent servir à entraîner la capacité des modèles d’IA à comprendre la vidéo ainsi que les modèles de génération d’images.
Upstage a constitué un vaste jeu de données de pré-entraînement d’un volume de 1 billion de tokens et 500 000 données de post-entraînement. Le jeu de pré-entraînement peut servir à entraîner un grand modèle d’IA à partir de zéro (from scratch), tandis que les données de post-entraînement peuvent être utilisées pour développer des agents d’IA capables de raisonner, de juger et d’exécuter.
SK Telecom a constitué des données de raisonnement multi-étapes de haute difficulté dans des domaines spécialisés tels que les mathématiques, les sciences et le droit, des données de post-entraînement audio et image, ainsi qu’environ 10 000 données de red teaming de type coréen reflétant la législation nationale et les valeurs communément partagées par la société coréenne. Elles peuvent servir à renforcer la capacité des modèles d’IA à résoudre des problèmes concrets et à améliorer leur sécurité et leur fiabilité.
NC AI a constitué, à partir de données réelles issues du terrain telles que des documents techniques du secteur manufacturier et des enregistrements vocaux de conseil aux usagers, sept jeux de données portant sur les compétences essentielles des LLM : compréhension de contextes longs, raisonnement par étapes, dialogue multi-tours, questions-réponses et multimodalité. L’Institut de recherche en IA de LG a filmé plus de 50 types d’activités ménagères dans 50 foyers réels du pays pour recueillir plus de 170 000 clips vidéo, puis a constitué un jeu de données multimodal d’IA physique optimisé pour l’environnement domestique coréen, doté d’un étiquetage multicouche des informations d’objet, de segmentation, de posture et de contexte.
Avant l’ouverture des données, la NIA et l’Association coréenne des technologies de l’information et de la communication (TTA, présidée par Son Seung-hyun) ont, à l’issue de la première évaluation d’étape, reçu l’intégralité des données de chaque équipe d’élite et procédé à des mesures telles que la vérification de la qualité, le contrôle des données personnelles et des contenus nuisibles, ainsi que l’exclusion des données soumises à des restrictions de licence. Alors que les conditions de participation fixées par l’appel à projets imposent d’ouvrir au moins 50 % des données recueillies, Naver Cloud, Upstage, SK Telecom et NC AI ont décidé d’ouvrir l’intégralité de leurs données ayant passé la vérification de qualité, tandis que l’Institut de recherche en IA de LG a choisi de sélectionner et d’ouvrir statistiquement les données concernées en respectant le volume d’ouverture obligatoire.
Les 29 jeux de données publiés peuvent être recherchés par équipe et par type dans la rubrique « Données de modèle d’IA souverain » d’AI Hub et téléchargés gratuitement par tout citoyen de la République de Corée. Certaines données sont accessibles, sur demande distincte, dans la « zone sécurisée » (Safe Zone), un environnement en ligne à sécurité garantie. Ces données devraient constituer une base de développement concrète pour les PME, les chercheurs et les étudiants qui peinaient jusqu’ici à se procurer des données d’entraînement à grande échelle.
Le MSIT prévoit d’ouvrir également, après vérification de la qualité, les données qui seront constituées lors de la seconde évaluation d’étape. Kim Kyung-man, directeur du Bureau des politiques d’intelligence artificielle, a déclaré : « Le projet ‘Modèle de fondation d’IA souverain’ ne se limite pas au développement de modèles d’IA ; il revêt une grande signification en ce qu’il contribue, grâce à l’expérience et au savoir-faire accumulés au cours du développement, à la croissance qualitative de l’ensemble de l’écosystème de l’IA. » Il a ajouté : « Les données ouvertes aujourd’hui constituent un actif précieux, porteur des stratégies d’entraînement de l’IA des équipes d’élite ; elles serviront de terreau pour stimuler la croissance et renforcer l’autonomie de l’écosystème de l’IA. »
지역 홍보대사 신청 기자양성과정 신청 코리안투데이 지부장 신청 코리안투데이 인천강화
THE KOREAN TODAY × WIA CODE
이 기사의 WIA Code
WIA Code 스캐너로 비추면 인터넷 없이 발행 사실과 위·변조 여부를 확인할 수 있습니다.
휴대폰 기본 카메라로 찍으면 스캐너 안내 페이지가 열립니다 — 기사 바로 열기
움직이는 코드(스트림) 한 장에 기사 전문(사진 포함)이 담겨 있습니다 — WIA Code 스캐너로 약 24초 비추면 폰에 저장되어 인터넷 없이도 읽을 수 있습니다. Stream.mp4 도 여기서 받습니다.
WIA Code · 코리안투데이
Leave a Reply