한국어-영어 번역 말뭉치(기술과학)
- 분야한국어
- 유형 텍스트
-
데이터 변경이력
데이터 변경이력 버전 일자 변경내용 비고 1.3 2022-01-24 데이터 추가 개방 1.2 2021-08-02 데이터 추가 개방 1.1 2021-07-20 데이터 추가 개방 1.0 2021-06-18 데이터 최초 개방 데이터 히스토리
데이터 히스토리 일자 변경내용 비고 2024-07-01 산출물 추가 공개 AI모델 2023-10-10 저작도구 소스코드, AI모델 소스코드 등록 소개
기술과학(인공지능, 빅데이터, IT, SNS, 의학, 특허 등) 분야 등 한-영 번역 정확도가 상대적으로 낮은 분야의 데이터 구축을 통해 AI 기반 번역 기술 개발에 활용할 수 있는 학습 데이터셋을 구축하여 보다 원활한 기술과학 분야 관련 정보 소통 도모
구축목적
기술 과학 분야 (ICT, 전기/전자/기계, 의학) 한-영 말뭉치 150만 문장 구축. 인공지능 번역 학습에 활용되기 위한 데이터셋
-
메타데이터 구조표 데이터 영역 한국어 데이터 유형 텍스트 데이터 형식 데이터 출처 라벨링 유형 라벨링 형식 데이터 활용 서비스 데이터 구축년도/
데이터 구축량2020년/150만건 -
구축 내용 및 제공 데이터량
- 특허정보원, 한국학술정보등의 분야별 원천 데이터를 확보한 후 기술과학(ICT, 전기/전가/기계, 의학) 150만개 한-영 말뭉치 구축
구축 내용 및 제공 데이터량 데이터셋 대분야 소분야 목표수량 기술과학 ICT(35만) 통신 195,000 빅데이터 65,000 컴퓨터 90,000 전기(15만) 에너지 53,000 배터리 51,000 설비 46,000 전자(15만) 반도체 52,000 디스플레이 43,000 무선통신 55,000 기계(35만) 재료공학 87,000 열처리 47,000 의공학 101,000 동력기관 115,000 의학(50만) 가정의학 125,000 병리학 130,000 간호학 60,000 내과학 140,000 외과학 45,000 구축 내용 및 제공 데이터량 데이터셋 대분야 소분야 목표수량 사회과학 법률(50만) 법률연구 250,000 세법 80,000 민법 40,000 형법 60,000 판례 70,000 교육(40만) 초중고등교육 200,000 에듀테크 18,000 평생교육 55,000 대학교육 58,000 교육공학 69,000 경제(30만) 경제/경영 190,000 금융 68,000 조세/재정 42,000 문화(9만) 출판 10,000 공연 74,000 공예 6,000 관광(10만) 관광학 60,000 여행 20,000 호텔관광 20,000 예술(11만) 음악 45,000 미술 30,000 무용 35,000 -
저작도구 설명서 및 저작도구 다운로드
저작도구 다운로드 -
AI 모델 상세 설명서 다운로드
AI 모델 다운로드 -
데이터 성능 점수
측정값 (%)기준값 (%)데이터 성능 지표
데이터 성능 지표 번호 측정항목 AI TASK 학습모델 지표명 기준값 점수 측정값 점수 1 기계 번역과 reference 유사도 (ICT 분야 번역기 모델 성능) Machine Translation Transformer BLEU 0.6 점 0.626 점
※ 데이터 성능 지표가 여러 개일 경우 각 항목을 클릭하면 해당 지표의 값이 그래프에 표기됩니다.
※ AI모델 평가 지표에 따라 측정값의 범위, 판단 기준이 달라질 수 있습니다. (ex. 오류율의 경우, 낮을수록 좋은 성능을 내는 것으로 평가됩니다)
-
설명서 및 활용가이드 다운로드
데이터 설명서 다운로드 구축활용가이드 다운로드데이터 변경이력
데이터 변경이력 버전 일자 변경내용 비고 1.3 2022.01.24 데이터 추가 개방 1.2 2021.08.02 데이터 추가 개방 1.1 2021.07.20 데이터 추가 개방 1.0 2021.06.18 데이터 최초 개방 구축 목적
- 기술 과학 분야 (ICT, 전기/전자/기계, 의학) 한-영 말뭉치 150만 문장 구축. 인공지능 번역 학습에 활용되기 위한 데이터셋
활용 분야
- ICT 기업의 기술문서 번역 지원, 수출 기업의 제품 현지화 업무 지원
주요 키워드
- 말뭉치, 한-영말뭉치, 기계번역 데이터셋
소개
- 특허정보원, 한국학술정보 등의 분야별 원천 데이터를 확보한 후 정제된 텍스트 추출하여 전문 번역가가 번역하고, ICT 전문가, 통번역대학원 교수진의 전문 감수를 통해 기술과학 150만개 한-영말뭉치 구축
구축 내용 및 제공 데이터량
- 특허정보원, 한국학술정보등의 분야별 원천 데이터를 확보한 후 기술과학(ICT, 전기/전가/기계, 의학) 150만개 한-영 말뭉치 구축
구축 내용 및 제공 데이터량 데이터셋 대분야 소분야 목표수량 기술과학 ICT(35만) 통신 195,000 빅데이터 65,000 컴퓨터 90,000 전기(15만) 에너지 53,000 배터리 51,000 설비 46,000 전자(15만) 반도체 52,000 디스플레이 43,000 무선통신 55,000 기계(35만) 재료공학 87,000 열처리 47,000 의공학 101,000 동력기관 115,000 의학(50만) 가정의학 125,000 병리학 130,000 간호학 60,000 내과학 140,000 외과학 45,000 구축 내용 및 제공 데이터량 데이터셋 대분야 소분야 목표수량 사회과학 법률(50만) 법률연구 250,000 세법 80,000 민법 40,000 형법 60,000 판례 70,000 교육(40만) 초중고등교육 200,000 에듀테크 18,000 평생교육 55,000 대학교육 58,000 교육공학 69,000 경제(30만) 경제/경영 190,000 금융 68,000 조세/재정 42,000 문화(9만) 출판 10,000 공연 74,000 공예 6,000 관광(10만) 관광학 60,000 여행 20,000 호텔관광 20,000 예술(11만) 음악 45,000 미술 30,000 무용 35,000 대표도면
필요성
- 기계번역 서비스와 전문 번역인력을 연계할 수 있도록 응용 서비스를 제공하여 번역가 영역과 기술 영역간의 벨류 체인 형성 및 가치 극대화
- 기술적으로 중요한 위치를 차지하는 기술문서, 학술논문, 법률 문서, 관광 안내 홍보물 등을 빠르게 접근할 수 있는 번역 서비스를 제공함으로써 국내 지식 산업 발전에 기여
- 전문 분야별 한영, 영한 말뭉치를 구축함으로써 기계학습을 위한 방대한 데이터 구축 및 인공지능 기반의
- 전문 분야 기계번역 성능 향상 전문 분야별 기계 번역 결과를 학습 목적으로도 활용함으로써 일반 번역가의 역량 강화에 기여
데이터 구조
- 데이터 구성
데이터 구조 데이터 구성표 Key Description Type sn 데이터 번호 String file_name 정제된 원본 문서명 String data_set 기술과학/사회과학 구분 String domain 데이터 대분야 String subdomain 데이터 소분야 String source 원문 출처 String ko 한국어 문장 String mt 기계번역 문장 String en 영어 문장 String source_language 원문 언어 코드 String target_language 번역문 언어 코드 String license 라이선스 String style 문체 String - 어노테이션 포맷
데이터 구조 어노테이션 포맷표 No 항목 타입 필수여부 한글명 영문명 1 데이터 data JsonArray Y 1-1 데이터 번호 sn String Y 1-2 정제된 원본 문서명 file_name String Y 1-3 기술과학/사회과학 구분 data_set String Y 1-4 데이터 대분야 domain String Y 1-5 데이터 소분야 subdomain String Y 1-6 원문 출처 source String Y 1-7 한국어 문장 ko String Y 1-8 기계번역 문장 mt String Y 1-9 영어 문장 en String Y 1-10 원문 언어 코드 source_language String Y 1-11 번역문 언어 코드 target_language String Y 1-12 라이선스 license String Y 1-13 문체 style String Y
-
데이터셋 구축 담당자
수행기관(주관) : 트위그팜
수행기관(주관) 책임자명 전화번호 대표이메일 담당업무 백선호 02-1833-5926 [email protected] · 데이터 구축, 정제 및 운영 총괄 · 응용 서비스 개발 수행기관(참여)
수행기관(참여) 기관명 담당업무 렉스코드 · 원천 데이터 정제
· 번역 및 기술 감수
· 말뭉치 데이터 구축TTA · ICT 분야 기술 감수
· 저작도구 및 서비스 품질 검증네이버 · 말뭉치 데이터 품질 검증 에프앤제이 · 원천 데이터 정제
· 장애우 인력 교육데이터 관련 문의처
데이터 관련 문의처 담당자명 전화번호 이메일 백선호(트위그팜) 02-1833-5926 [email protected]
-
인터넷과 물리적으로 분리된 온라인·오프라인 공간으로 의료 데이터를 포함하여 보안 조치가 요구되는 데이터를 다운로드 없이 접근하고 분석 가능
* 온라인 안심존 : 보안이 보장된 온라인 네트워크를 통해 집, 연구실, 사무실 등 어디서나 접속하여 데이터에 접근하고 분석
* 오프라인 안심존 : 추가적인 보안이 필요한 데이터를 대상으로 지정된 물리적 공간에서만 접속하여 데이터에 접근하고 분석 -
- AI 허브 접속
신청자 - 안심존
사용신청신청자신청서류 제출* - 심사구축기관
- 승인구축기관
- 데이터 분석 활용신청자
- 분석모델반출신청자
- AI 허브 접속
-
1. 기관생명윤리위원회(IRB) 심의 결과 통지서 [IRB 알아보기] [공용IRB 심의신청 가이드라인]
2. 기관생명윤리위원회(IRB) 승인된 연구계획서
3. 신청자 소속 증빙 서류 (재직증명서, 재학증명서, 근로계약서 등 택1)
4. 안심존 이용 신청서 [다운로드]
5. 보안서약서 [다운로드]
※ 상기 신청서 및 첨부 서류를 완비한 후 신청을 진행하셔야 정상적으로 절차가 이루어집니다. -
신청 및 이용관련 문의는 [email protected] 또는 02-525-7708, 7709로 문의
데이터셋 다운로드 승인이 완료 된 후 API 다운로드 서비스를 이용하실 수 있습니다.
API 다운로드 파일은 분할 압축되어 다운로드 됩니다. 분할 압축 해제를 위해서는 분할 압축 파일들의 병합이 필요하며 리눅스 명령어 사용이 필요합니다.
리눅스 OS 계열에서 다운로드 받으시길 권장하며 윈도우에서 파일 다운로드 시 wsl(리눅스용 윈도우 하위 시스템) 설치가 필요합니다.
※ 파일 병합 리눅스 명령어
find "폴더경로" -name "파일명.zip.part*" -print0 | sort -zt'.' -k2V | xargs -0 cat > "파일명.zip"
- 해당 명령어 실행 시, 실행 경로 위치에 병합 압축 파일이 생성됩니다.
- 병합된 파일 용량이 0일 경우, 제대로 병합이 되지 않은 상태이니 "폴더경로"가 제대로 입력되었는지 확인 부탁드립니다.
※ 데이터셋 소개 페이지에서 다운로드 버튼 클릭하여 승인이 필요합니다.