허깅페이스, 공공 연구 데이터를 AI가 쓸 수 있게 여는 프로젝트 프로토스타 출범

허깅페이스가 지적한 문제는 공개됐지만 쓰기 어려운 연구 자료다. 자료가 서로 호환되지 않는 시스템에 흩어져 있거나, 오래된 파일 형식으로 저장돼 있거나, 설명과 출처 기록이 빠져 있는 경우가 많다는 것이다. 발표는 연구를 공개하는 것만으로 쓸 수 있게 되지는 않는다고 정리했다.

참여 기관은 카네기멜런대, 퍼듀대, 조지아공대, 애리조나주립대, 조지워싱턴대다. 대학 연합은 오픈 포럼 포 AI(Open Forum for AI)를 통해 참여한다. 아스테라 연구소가 함께하고, 허깅페이스는 자료를 올려 두는 기반을, 오픈 리서치 커뮤니티 액셀러레이터(ORCA)는 연구자 공동체 운영을 맡는다.

발표는 배경 수치도 제시했다. 미국 연방정부는 연구개발에 해마다 약 1,900억 달러를 쓴다. 허깅페이스에는 주요 과학 분야의 공개 데이터셋이 1만 7천 개 넘게 있고, 의학과 수학까지 넣으면 약 2만 9천 개다. 2026년 1~9월에 새로 올라온 과학 데이터셋은 전년 같은 기간의 세 배를 넘었다.

공공기관의 이용 사례도 소개됐다. 미국 국립보건원 산하 생물정보센터(NCBI)는 18개 공개 저장소에서 1,100만 회 넘는 내려받기를 기록했고, 미국 항공우주국의 데이터 조직은 27개 저장소에서 약 77만 회를 기록했다. 모두 10월 26일 기준이다. 허깅페이스는 데이터셋 내려받기의 90%가 설명이 충실한 데이터셋에서 나온다고 밝혔다. 정리 상태가 실제 이용으로 이어진다는 근거로 든 수치다.

첫 경진대회는 카네기멜런대가 주최하는 기후 위험 예측이다. 참가자는 미국 210개 도시의 2018년까지 기후 기록으로 2019~2026년의 실제 연평균 기온, 연 강수량, 가장 더운 날, 냉방 수요 지표를 예측한다. 예측은 과거 평균이나 단순 추세선과 비교해 공개 순위표에 오르고, 짧은 기후 적응 정책 제안은 따로 평가한다.

개인 연구자, 학생, 독립 개발자, 기업은 경진대회에 참여할 수 있다. 결과물은 허깅페이스 데이터셋 형태로 제출해야 한다. 대학과 연방기관, 국립연구소, 비영리기관은 업무 협약을 맺고 자기 연구 자료를 AI가 쓰기 좋은 형태로 공개하는 방식으로 참여한다. 다른 기관의 후속 경진대회는 프로젝트 페이지에서 순차 발표된다.

국내 연구기관에도 시사점이 있다. 공공 연구 데이터를 공개 포털에 올리는 데서 끝내지 않고, 설명과 출처를 붙여 AI 학습과 분석에 바로 쓰이게 하는 작업이 이용량을 좌우한다는 점이다. 다만 이번 발표는 미국 기관을 중심으로 설명했고, 해외 기관의 참여 방법은 따로 안내하지 않았다. 관심 있는 기관은 공개된 이메일로 문의하도록 돼 있다.