데이터바우처는 정부가 데이터 구축·가공 비용을 대주고 수요기업과 공급기업을 이어주는 사업이다. 과학기술정보통신부와 한국데이터산업진흥원이 운영하며, 기업은 데이터 기획부터 수집·가공·분석까지 드는 비용을 지원받는다. 번역 분야에서 나오는 결과물은 원문과 번역문을 문장 단위로 짝지은 병렬 데이터셋이다. 이 데이터가 곧바로 기업의 번역·현지화 AI를 가르치는 재료가 된다. 닐리리아는 데이터바우처 공급기업으로 세 차례(2022·2024·2026) 선정됐고, 그 현지화 실무는 닐리리아가 운영하는 B2B 플랫폼 컨텐츠플라이S가 담당한다.
공급기업으로 뽑혔다는 건 수요기업이 정부 예산으로 번역 데이터셋 구축을 맡길 통로가 열렸다는 뜻이다. 그렇게 만든 데이터는 기업 AI 학습의 원재료로 곧장 이어진다.
공급기업 선정은 무엇을 뜻하나
공급기업 선정은 아무 회사에나 열리지 않는다. 번역·언어 데이터라면 원문과 번역문을 정확히 짝짓고 오류를 걸러내는 능력이 심사의 핵심이다. 이런 역량은 실제 번역 프로젝트를 오래 다뤄본 경험, 그리고 그 과정에서 쌓인 문장 단위 데이터 없이는 갖추기 어렵다.
병렬 데이터셋은 어떻게 만들어지나
- 원문과 번역문 원시 자료 수집
- 문장·단락 단위 정렬(얼라인먼트)
- 중복 제거와 오류 정제
- 사람 검수를 거친 품질 라벨링
- 학습용 포맷으로 표준화해 납품
다섯 단계 중 하나만 건너뛰어도 데이터셋의 값어치는 떨어진다. 특히 정렬과 검수는 기계에만 맡기기 어렵다. 문장 수가 맞지 않거나 길이가 어긋난 짝, 의미가 빈 문장을 걸러내려면 결국 사람이 문맥을 보며 하나하나 맞춰야 한다.
왜 기업 AI 학습의 재료가 되나
범용 번역 모델은 평범한 문장은 잘 옮기지만, 특정 업종의 용어와 문체가 섞이면 정확도가 흔들린다. 그래서 기업이 자체 번역·현지화 AI를 키우려면 그 업종에 맞게 정제된 병렬 데이터가 따로 필요하다. AI 허브 같은 공개 말뭉치도 방송이나 기술과학처럼 분야를 나눠 데이터를 구축하는데, 같은 이유에서다. 오랜 번역 실무에서 다져온 정렬·검수 역량은 이런 도메인 데이터셋을 안정적으로 공급하는 바탕이 된다.