학습 데이터 입문: 보들리언 도서관 사례로 이해하기

이 강좌를 끝까지 읽으면 학습 데이터의 뜻을 한 문장으로 말할 수 있고, 보들리언 도서관 사례에서 자료가 디지털화되어 학습 데이터에 포함된 흐름을 설명할 수 있으며, 대학이 밝힌 이용 조건과 내부에서 제기된 우려를 구분할 수 있습니다. 사전지식은 거의 필요하지 않습니다. 챗봇을 한 번 써 본 경험과, 종이 문서를 컴퓨터 파일로 만드는 작업을 ‘스캔’이라 부른다는 정도면 충분합니다.

한 문장으로 이해하기

학습 데이터(training data, 학습 자료)는 AI 모델이 패턴을 익히도록 넣어 주는 자료를 말합니다. 가디언 보도는 AI 모델이 많은 자료에서 단어의 패턴을 인식하도록 훈련되며, 이를 바탕으로 문장을 작성하는 등의 작업을 한다고 설명합니다. 그래서 어떤 자료가 학습에 쓰였는지 확인하는 일이 모델을 이해하는 출발점이 됩니다.

왜 필요한가

어떤 자료가 들어갔는지를 알면 모델이 무엇을 보고 배웠는지 짐작할 근거가 생깁니다. 자료를 구하는 사정도 달라지고 있습니다. 가디언은 웹에서 수집한 문서에 AI가 만든 글이 늘면서 학습 자료로서의 유용성이 낮아지고 있고, 개발사들이 실물 책과 역사 자료로 눈을 돌리고 있다고 보도했습니다. 지금부터 볼 보들리언 도서관 사례가 그런 흐름 위에 있습니다.

어떻게 이루어지는가

아래 단계는 모든 AI 학습의 일반 절차가 아니라, 보들리언 사례에서 보도로 확인되는 자료 제공 흐름입니다.

1. 자료를 가진 쪽과 모델을 만드는 쪽이 협력을 발표합니다.
2. 종이 자료를 스캔해 디지털 이미지로 만듭니다. 이 작업을 디지털화라고 부릅니다.
3. 만들어진 자료를 모델을 만드는 쪽에 전달합니다.
4. 전달된 자료가 모델의 학습 데이터에 포함됩니다.

하나의 예시로 따라가기

위 단계를 옥스퍼드대 보들리언 도서관 사례로 따라가 보겠습니다. 가디언 보도에 따르면 옥스퍼드대는 2025년 3월 오픈AI와의 협력을 발표하면서 도서관 자료의 디지털화와 접근성 확대를 설명했습니다(1·2단계). 2025년 6월까지 보들리언 소장 박사학위 논문을 스캔한 이미지 12만 5천 장이 오픈AI에 전달됐습니다(3단계). 여기에는 19세기와 20세기 유럽·미국 대학의 논문이 포함됐습니다. 그리고 내부 문서 내용을 근거로, 이렇게 디지털화된 자료가 오픈AI의 학습 데이터에 포함됐다는 보도가 나왔습니다(4단계). 보도가 확인하는 사실은 여기까지입니다. 이 자료가 모델의 답변을 어떻게 바꿨는지는 확인된 내용이 아닙니다.

언제 쓰고 언제 쓰지 않는가

먼저 흔한 오해를 정리하겠습니다. 자료를 디지털화하는 일과 그 자료가 모델 학습에 쓰이는 일은 같은 일이 아닙니다. 2025년 3월 발표에는 자료가 모델 학습에 이용된다는 내용이 없었습니다. 이 점을 두고 설명은 엇갈립니다. 옥스퍼드대 측은 기계학습 용도를 숨겼다는 지적을 부인하면서, 디지털화가 주된 목적이지만 자료가 모델 학습에도 기여한다는 사실을 직원들이 공개적으로 밝혀 왔다고 설명했습니다.

이 사례에서 대학이 밝힌 이용 조건은 세 가지입니다. 옥스퍼드대 대변인에 따르면 디지털화 대상은 비교적 작은 규모의 저작권 만료 자료이고, 오픈AI의 이용은 독점적이지 않으며, 보들리언 도서관이 스캔 자료의 권리를 유지합니다. 이는 이 협력에서 확인된 조건이며, 다른 사례에 그대로 적용되는 일반 규칙은 아닙니다.

조건과 별개로 제기된 우려도 있습니다. 정보공개 청구로 확보된 회의록에는 오픈AI와의 협력에 따르는 평판 위험, 그리고 에너지 집약적 기술이 대학의 환경 약속에 미칠 영향에 관한 직원들의 우려가 기록됐습니다. 이는 공식 이용 조건이 아니라 내부에서 나온 의견입니다. 한편 보도에 따르면 보들리언 자료는 이 협력 과정에서 원형을 유지했습니다.

핵심 정리와 확인문제

학습 데이터는 모델이 패턴을 익히도록 제공되는 자료이고, 어떤 자료가 쓰였는지 확인하면 모델이 무엇을 보고 배웠는지 이해하는 데 도움이 됩니다. 보들리언 사례는 협력 발표, 디지털화, 전달, 학습 데이터 포함이라는 흐름과 함께, 대학이 밝힌 이용 조건과 내부 우려를 함께 보여 줍니다.

확인문제

1. 학습 데이터를 한 문장으로 설명해 보세요.
2. 보들리언 사례에서 확인된 자료 제공 흐름 네 단계를 순서대로 쓰세요.
3. 옥스퍼드대가 밝힌 자료 이용 조건 세 가지는 무엇인가요?

정답과 해설

1. 정답: 모델이 패턴을 익히도록 제공되는 자료입니다. 해설: 모델은 많은 자료에서 단어의 패턴을 인식하도록 훈련되므로 들어간 자료가 이해의 단서가 됩니다.
2. 정답: 협력 발표 → 스캔을 통한 디지털화 → 자료 전달 → 학습 데이터 포함. 해설: 본문 예시의 1~4단계 순서입니다.
3. 정답: 저작권 만료 자료만 대상, 비독점 이용, 도서관의 권리 유지입니다. 해설: 모두 대학 대변인의 공식 설명이며, 회의록에 기록된 평판 위험과 환경 관련 우려는 조건이 아닌 내부 의견이라는 점에서 구분됩니다.

참고자료

• 학습 데이터 입문 참고자료
• 학습 데이터 입문 참고자료