기계독해
- 분야한국어
- 유형 텍스트
-
데이터 변경이력
데이터 변경이력 버전 일자 변경내용 비고 1.0 2019-05-15 데이터 최초 개방 소개
기계독해 개발에 활용될 수 있는 뉴스 본문 기반 학습 데이터셋 45만 건을 구축한 지식베이스 제공
-
메타데이터 구조표 데이터 영역 한국어 데이터 유형 텍스트 데이터 형식 데이터 출처 라벨링 유형 라벨링 형식 데이터 활용 서비스 데이터 구축년도/
데이터 구축량2018년/45만 -
구축내용
- 기계독해 개발에 활용될 수 있는 뉴스 본문 기반 학습 데이터셋 45만 건 구축
※ 기계독해(Machine Reading Comprehension, MRC) : 제시된 본문 안에서 질의에 대한 정답을 추론하는 딥러닝 기반 기술 - 데이터의 종류 및 포함 내용
특허 데이터 구축내용 표 (데이터 종류, 포함 내용, 제공방식) 데이터 종류 포함 내용 제공 방식 표준 데이터셋 질문과 답(25만 건) 파일 정답 없는 데이터셋 본문에서 답을 찾을 수 없는 질문(10만 건) 파일 설명 가능 데이터셋 질문과 답과 그 답을 선택한 단서(10만 건) 파일 
<기계 독해 분야 구축 내용 설명 이미지 예시>
- 기계독해 개발에 활용될 수 있는 뉴스 본문 기반 학습 데이터셋 45만 건 구축
-
설명서 및 활용가이드 다운로드
데이터 설명서 다운로드데이터 변경이력
데이터 변경이력 버전 일자 변경내용 비고 1.0 2019.05.15 데이터 최초 개방 필요성
- 기존 AI질의응답 서비스의 기반이 되어온 지식베이스(Knowledge Base)가 가진 한계 및 비효율성 등을 극복하기 위해 딥러닝 기반의 정답 추론 기술 대두
- SQuAD 등 영문 데이터 셋은 다양하게 공개 되었지만 한국어 데이터 셋은 부족한 상황
구축내용
- 기계독해 개발에 활용될 수 있는 뉴스 본문 기반 학습 데이터셋 45만 건 구축
※ 기계독해(Machine Reading Comprehension, MRC) : 제시된 본문 안에서 질의에 대한 정답을 추론하는 딥러닝 기반 기술 - 데이터의 종류 및 포함 내용
특허 데이터 구축내용 표 (데이터 종류, 포함 내용, 제공방식) 데이터 종류 포함 내용 제공 방식 표준 데이터셋 질문과 답(25만 건) 파일 정답 없는 데이터셋 본문에서 답을 찾을 수 없는 질문(10만 건) 파일 설명 가능 데이터셋 질문과 답과 그 답을 선택한 단서(10만 건) 파일 <기계 독해 분야 구축 내용 설명 이미지 예시>
데이터 구조
-
표준 데이터셋
제목(title)
본문의 카테고리(source)
본문(context)
질문 번호(id)
육하원칙(classtype)
질문(question)
정답의 시작위치(answer_start)
정답(text)
-
정답 없는 데이터셋
제목(title)
본문의 카테고리(source)
본문(context)
질문 번호(id)
육하원칙(classtype)
질문(question)
-
설명 가능 데이터셋
제목(title)
본문의 카테고리(source)
본문(context)
질문 번호(id)
육하원칙(classtype)
질문(question)
정답의 시작위치(answer_start)
정답(text)
단서의 시작위치(clue_start)
단서(clue)
- 예시
{"data": [{ "source": 6, "paragraphs": [{ "qas": [{ "question": "쎈 마이웨이 관련 기자간담회 누가 했어", "id": "m4_278529-1", "answers":[{ "answer_start": 0, "text": "박영선" }], "clue":[{ "clue_start": 4, "clue_text": "PD" }], "classtype": "work_who" }], "context": "박영선 PD는 18일 오후 서울 양천구 목동 SBS에서 모비딕의 토크 콘텐츠 쎈 마이웨이 관련 기자간담회를 열고 출연진에 신뢰를 드러냈다." }], "title": “1" }※한 본문에 대해 qas(질문 - 답)가 여러 개일 수 있음
※질문 번호(id) 생성규칙: [제작자]-[질문번호]_[고유질문일 경우 (1), 유사질문일 경우(2)]
- 본문 카테고리(source)의 기입형태 및 설명
본문 카테고리(source)의 기입형태 및 설명 기입형태 해당 본문 카테고리 1 정치 2 경제 3 사회 4 생활 5 IT/과학 6 연예 7 스포츠 8 문화 9 미용/건강 - 육하원칙(classtype)의 기입 형태 및 설명
육하원칙(classtype)의 기입 형태 및 설명 기입형태 해당 본문 카테고리 work_where 어디서 work_who 누가 work_what 무엇을 work_how 어떻게 work_why 왜 work_when 언제 활용예시
- 지식 베이스 QA엔진에서 답하지 못한 질문에 답하는 QA 엔진 개발
- 문서를 읽지 않아도 특정 질문에 대한 답을 알 수 있게 해주는 서비스 개발
-
데이터셋 구축 담당자
수행기관(주관) : 마인즈랩
수행기관(주관) 책임자명 전화번호 대표이메일 담당업무 안준환(마인즈랩) 031-625-4349 데이터 관련 문의처
데이터 관련 문의처 담당자명 전화번호 이메일 안준환(마인즈랩) 031-625-4349 [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.