구글의 WAXAL, 1만 1,000시간 분량의 AI 데이터 관리권을 아프리카 파트너에게 맡기다

AI 시스템은 종종 아프리카 언어를 이해하지 못했고, 고품질이면서 허용적 라이선스가 적용된 음성 코퍼스가 주요 병목이었다. 구글과 아프리카 파트너들은 방언 차이, 정서법 표준, 고르지 않은 녹음 환경도 함께 다루어야 했다.

파트너들은 현지 소유권을 설계 결정으로 삼았다. 3년간의 작업 끝에 구글은 21개 아프리카 언어를 아우르는 데이터셋 WAXAL을 출시했으며, 데이터를 수집한 아프리카 조직들이 소유권을 유지했다. 허용적 라이선스는 데이터셋을 상업적 배포에도 개방된 상태로 유지했고, 대학 언어학과와 휴대용 녹음 장비가 기술적 문제 해결에 도움을 주었다.

이번 출시로 약 200만 건의 녹음에서 1만 1,000시간이 넘는 음성이 확보되었으며, 여기에는 약 1,250시간의 전사된 음성과 20시간이 넘는 스튜디오 오디오가 포함된다. 가나 대학은 이미 이를 모성 건강 연구에 활용하고 있었고, 이로써 현지 기관들은 데이터 수집자에서 AI 인프라 허브로 전환되었다.

WAXAL은 약 200만 건의 녹음에서 확보한 1만 1,000시간 이상의 데이터로 출시되었으며, 아프리카 기관들이 데이터를 소유하고 이미 모성 건강 연구에 활용하고 있다.

아프리카 언어 시스템은 학습 데이터가 부족하고 라이선스를 확보하기 어려워 오류가 잦았다.

현지 소유권은 주권과 신뢰 문제를 해결하면서 데이터를 수집한 사람들이 데이터를 계속 통제할 수 있게 했다.

허용적 라이선스는 아프리카 기업가들이 실리콘밸리 중개자 없이 제품을 만들고 상업화할 수 있게 했다.

대학 언어학자들과 현지에서 설계된 녹음 장비는 방언에 민감한 깨끗한 음성 수집을 가능하게 했다.

생태계에 신뢰할 수 있는 현지 데이터가 없을 때는 기여자에게 소유권과 허용적 라이선스를 부여하라. 거버넌스는 인프라, 상업적 이용, 채택을 동시에 열어줄 수 있다.

구글은 이미 6개 언어가 추가로 준비 중이며 계획된 총 언어 수는 27개에 이를 것이라고 밝혔으나, 방언 범위와 요루바어 성조 부호 누락은 해결되지 않은 품질 문제로 남아 있었다. 마이크로소프트의 Paza 프로젝트는 공동체 주도의 아프리카 언어 인프라가 경쟁 분야가 되고 있음을 보여주었지만, WAXAL의 즉각적인 성과는 이미 연구와 향후 제품을 지원하고 있는 현지 소유 데이터셋이었다.