01 인간과 AI가 결합된 라벨링 워크플로우가 완전 수동 주석 작업을 대체합니다. 데이터 수집 및 라벨링 시장은 완전 수동 주석 방식에서 1차 라벨링 및 품질 검사를 자동화하는 인간과 AI 협업 워크플로로 전환되고 있습니다. 이제 머신러닝 모델은 이미지, 텍스트, 오디오 및 기타 데이터에 사전 라벨링을 수행할 수 있으며, 인간 검토자는 불확실하거나 복잡하거나 가치가 높은 사례에 집중할 수 있습니다. 이는 반복적인 작업을 줄이고 주석 팀을 같은 속도로 확장하지 않고도 더 큰 데이터 세트를 처리할 수 있도록 합니다. 또한 이러한 변화는 품질 관리를 상류 단계로 이동시켜 자동화된 검토자가 데이터가 모델 학습에 도달하기 전에 일관성을 검사하도록 합니다. 2025년 7월, Scale AI는 자사의 다중 에이전트 자동 평가 시스템이 전문가 수준의 잘못된 답변을 82% 감지한 반면, 단일 모델을 사용했을 때는 23%만 감지했다고 발표했습니다. 또한 참여 전문가의 87%가 AI 피드백을 받은 후 처음에 잘못 알고 있던 답변을 수정했습니다.
01 다중 모드 생성형 AI의 발전으로 특수 훈련 데이터에 대한 수요가 증가하고 있습니다. 생성형 및 멀티모달 AI의 급속한 발전으로 더욱 방대하고 다양하며 전문화된 학습 데이터 세트에 대한 수요가 증가하고 있습니다. 최신 모델은 텍스트, 이미지, 음성, 비디오, 코드, 지역 언어, 그리고 인간의 선호도를 이해해야 하므로 단순한 이미지 상자나 텍스트 범주를 넘어선 결과물을 만들어내야 합니다. 개발자는 모델 미세 조정 및 테스트를 위해 프롬프트-응답 쌍, 선호도 순위, 추론 평가, 안전 라벨, 전사, 그리고 문화적으로 정확한 다국어 데이터가 필요합니다. 이는 대규모로 도메인 전문가와 원어민을 확보할 수 있는 데이터 수집 및 라벨링 제공업체에 대한 지속적인 수요를 창출합니다. 핵심 모델이 기업 및 소비자 애플리케이션에 적용됨에 따라 지속적인 평가와 학습 후 데이터는 AI 개발 주기의 중요한 요소가 되고 있습니다.
01 개인정보 보호 요건으로 인해 실제 훈련 데이터에 대한 접근이 제한됩니다. 개인정보 보호 및 데이터 보호 요건은 기업이 AI 학습을 위한 데이터를 수집하고 준비하는 속도를 제한할 수 있습니다. 이미지, 음성 녹음, 온라인 텍스트, 위치 정보 및 사용자 상호 작용에는 개인 정보 또는 민감한 정보가 포함될 수 있으므로 적법한 근거, 명확한 처리 제어, 최소화 및 안전한 저장이 필요합니다. 웹 스크래핑 데이터는 공개적으로 이용 가능하다고 해서 개인정보 보호 의무가 자동으로 면제되는 것은 아니므로 추가적인 문제를 야기할 수 있습니다. 기업은 라벨링 작업을 시작하기 전에 데이터 세트를 필터링하고, 식별자를 제거하고, 데이터 출처를 기록하고, 주석 작성자의 접근을 제한하고, 동의 또는 정당한 이익 주장을 검증해야 할 수 있습니다. 이러한 단계는 규정 준수 및 운영 비용을 증가시키고, 특히 의료, 금융, 생체 인식 및 기타 민감한 응용 분야에서 사용 가능한 실제 데이터의 양을 감소시킬 수 있습니다.
01 물리적 인공지능, 센서 및 로봇 데이터에 대한 새로운 수요 창출 로봇공학과 물리적 인공지능은 기계가 인터넷상의 텍스트로는 수집할 수 없는 움직임, 사물, 환경, 인간 행동에 대한 데이터를 필요로 하기 때문에 새로운 기회를 창출하고 있습니다. 자율 주행 차량, 창고 로봇, 휴머노이드 로봇, 산업 시스템은 다양한 실제 상황을 포괄하는 동기화된 카메라, LiDAR, 레이더, 비디오 및 궤적 데이터를 필요로 합니다. 이러한 데이터 세트에는 사물, 행동, 의도, 작업 단계 및 오류 조건에 대한 상세한 레이블도 필요합니다. 이는 맞춤형 데이터 수집 시설, 원격 조작, 센서 주석, 시뮬레이션 및 합성 데이터 파이프라인에 대한 수요를 창출합니다. 실제 환경 시뮬레이션과 확장 가능한 합성 데이터를 결합할 수 있는 공급업체는 물리적 환경을 이해하고 안전하게 작동하도록 설계된 기반 모델을 지원할 수 있는 유리한 위치에 있습니다.
01 전문가 수준의 주석으로 인해 일관된 데이터 품질 유지가 더욱 어려워집니다. 레이블 품질 일관성을 유지하는 것은 어노테이션 작업이 단순 분류에서 전문가 추론, 멀티모달 평가, 주관적인 인간 선호도 판단으로 진화함에 따라 점점 더 어려워지고 있습니다. 어노테이션 담당자마다 동일한 지침을 다르게 해석할 수 있으며, 부실한 가이드라인이나 검토자 간의 불일치는 학습 데이터 세트에 노이즈와 편향을 유발할 수 있습니다. 낮은 품질의 레이블은 모델 정확도를 직접적으로 저하시키므로, 서비스 제공업체는 여러 단계의 검토, 기여자 자격 검증, 불일치 분석, 데이터 세트 수준의 품질 측정 등을 필요로 합니다.
2026년 6월:Scale AI는 고급 AI 개발을 위한 고품질 학습 데이터, 모델 평가 및 데이터 라벨링 솔루션에 중점을 둔 새로운 기업 파트너십을 통해 AI 데이터 인프라 플랫폼을 확장했습니다.
2026년 5월:Appen은 기업의 생성형 AI 개발을 지원하기 위해 향상된 데이터 주석, 모델 평가 및 다국어 학습 데이터 솔루션을 포함하여 AI 데이터 서비스 포트폴리오를 확장했습니다.
2026년 3월:TELUS Digital은 새로운 데이터 수집 및 라벨링 기능을 통해 AI 데이터 솔루션 사업을 확장했으며, 이를 통해 컴퓨터 비전, 자연어 처리 및 AI 모델 학습 프로젝트를 지원합니다.
2026년 1월:Labelbox는 기업의 머신러닝 개발 가속화를 지원하기 위해 향상된 주석 워크플로, 자동화 도구 및 모델 지원 라벨링 기능을 통해 AI 데이터 플랫폼을 확장했습니다.