챕터별 상세
Common Crawl 소개 및 미션
Common Crawl은 2007년부터 웹 데이터를 누구나 접근 가능하게 제공해 온 비영리 단체이다. 현재까지 3,000억 개 이상의 웹 페이지를 수집했으며 매달 약 25억 개의 페이지를 추가하고 있다. 이들의 미션은 대형 검색 엔진만 보유하던 고품질 웹 데이터를 공개하여 연구자와 개발자들이 데이터 기반의 의사결정을 내리고 혁신을 이룰 수 있도록 지원하는 것이다.
웹 데이터 수집 및 대표성 문제
데이터 다운로드 위치를 분석한 결과 북미와 유럽에 집중되어 있으며, 이는 데이터의 지리적 편향성을 나타낸다. Common Crawl은 웹의 전체 복사본이 아닌 대표적인 샘플을 지향하지만, 도메인 범위와 언어적 다양성 측면에서 여전히 서구권 중심의 불균형이 존재한다. 이를 해결하기 위해 하모닉 센트럴리티(Harmonic Centrality) 알고리즘을 도입하여 페이지의 중요도를 평가하고 재방문 정책을 결정한다.
하모닉 센트럴리티는 그래프 이론에서 노드의 중요도를 측정하는 지표로, 웹 그래프 내에서 페이지의 영향력을 평가하는 데 사용된다.
LLM 학습에서 웹 데이터의 비중과 한계
Llama 1과 같은 주요 모델의 학습 데이터 중 약 82%가 웹 데이터에서 기인할 정도로 비중이 높다. 그러나 웹 데이터는 편향성, 혐오 표현, 선전 문구 등 원치 않는 콘텐츠를 포함하고 있어 정제 과정이 필수적이다. 특히 다국어 데이터의 경우 고품질 텍스트를 확보하기가 더 어려우며, 이는 모델의 언어별 성능 격차로 이어진다.
데이터 전처리 파이프라인의 구조
웹 데이터를 정제하기 위해 메타데이터 필터링, 텍스트 추출, 휴리스틱 필터링, 언어 식별(LangID), 중복 제거, 품질 필터링의 단계를 거친다. 비용 효율성을 위해 가장 저렴한 필터링부터 비싼 품질 모델 순으로 적용하며, 각 단계는 최대한 병렬화하여 처리한다. 현재 많은 오픈소스 프로젝트들이 이 파이프라인을 기반으로 각자의 정제된 데이터셋을 구축하고 있다.
다국어 데이터 처리의 어려움: 언어 식별 오류
현재 Common Crawl 데이터의 약 43%가 영어이며, 상위 7개 언어가 전체의 75%를 차지하는 심각한 불균형을 보인다. 기존의 언어 식별(LID) 모델들은 위키피디아와 같은 깨끗한 텍스트로 학습되어 실제 노이즈가 많은 웹 텍스트에서는 정확도가 떨어진다. 실제로 인간이 검수한 결과, 특정 데이터셋의 저자원 언어 중 50% 이상이 잘못 식별된 사례가 확인되었다.
CLD2 모델의 특징과 한계
Common Crawl은 현재 속도가 매우 빠른 CLD2(Compact Language Detector 2) 모델을 사용하고 있다. CLD2는 나이브 베이즈(Naive Bayes) 분류기를 기반으로 하며 약 160개 언어를 지원하지만, 10년 이상 업데이트되지 않은 노후된 모델이다. 학습 데이터가 비공개라 재학습이 불가능하며, 저자원 언어에 대한 식별 성능을 개선하는 데 한계가 있다.
웹 언어 프로젝트(Web-Languages Project)
저자원 언어의 커버리지를 높이기 위해 커뮤니티로부터 직접 웹 사이트 시드(Seed)를 기부받는 프로젝트를 시작했다. 특정 언어 공동체가 자신들의 언어로 된 고품질 웹 사이트 링크를 제공하면, 크롤러가 이를 기반으로 더 깊게 탐색할 수 있다. 이는 알고리즘만으로는 찾기 힘든 언어적, 문화적 자산을 확보하는 크라우드소싱 전략이다.
CommonLID: 새로운 언어 식별 벤치마크
웹 도메인에 특화된 언어 식별 성능을 평가하기 위해 CommonLID 데이터셋을 구축했다. 마사카네(Masakhane) 및 SEA Crowd와 같은 지역 커뮤니티와 협력하여 109개 언어, 37만 개 이상의 라인을 인간이 직접 어노테이션했다. 이를 통해 단순한 텍스트뿐만 아니라 코드 스위칭(혼용)이나 노이즈가 포함된 실제 웹 환경에서의 모델 성능을 정확히 측정할 수 있게 되었다.
코드 스위칭은 한 대화나 문장 내에서 두 개 이상의 언어를 섞어 사용하는 현상을 말한다.
LID 모델 성능 비교 결과
CommonLID를 통해 기존 모델들을 평가한 결과, GlotLID 모델이 가장 넓은 언어 커버리지와 높은 정확도를 보였다. 반면 CLD2는 속도는 가장 빠르지만 정확도 면에서는 최신 모델들에 뒤처지는 것으로 나타났다. 특히 GPT-4o와 같은 거대 모델보다 특정 언어 식별에 특화된 GlotLID가 더 우수한 성능을 보인다는 점이 확인되었다.
향후 과제 및 요약
다국어 데이터 품질 개선은 여전히 해결되지 않은 어려운 과제이며, 더 많은 커뮤니티의 참여가 필요하다. Common Crawl은 수집된 데이터를 바탕으로 더 나은 언어 식별 아키텍처를 개발하고 장기적인 유지보수 체계를 구축할 계획이다. 궁극적으로는 모든 언어가 AI 기술의 혜택을 공평하게 누릴 수 있는 데이터 기반을 만드는 것이 목표이다.
용어 해설
- 커먼 크롤(Common Crawl)
- — 2007년부터 웹을 크롤링하여 누구나 사용할 수 있도록 공개하는 비영리 단체이자 그 데이터셋이다. 수십억 개의 웹 페이지 데이터를 제공하여 LLM 학습 및 다양한 데이터 과학 연구의 핵심 기초 자료로 활용된다.
- 언어 식별(Language Identification)
- — 주어진 텍스트가 어떤 언어로 작성되었는지 자동으로 판별하는 기술이다. 대규모 웹 데이터 정제 과정에서 특정 언어의 데이터를 추출하거나 품질을 필터링하는 첫 번째 단계로 매우 중요하다.
- 저자원 언어(Low-resource Language)
- — 디지털 데이터나 학습용 텍스트 자원이 부족한 언어를 의미한다. 영어와 같은 고자원 언어에 비해 AI 모델의 성능이 낮게 나타나며, 이를 해결하기 위한 데이터 수집 및 식별 기술 개선이 연구의 핵심 과제이다.
- 말뭉치(Corpus)
- — 언어 연구나 모델 학습을 위해 수집된 대규모 텍스트 데이터의 집합이다. 웹 페이지, 책, 뉴스 등 다양한 출처에서 수집되며 AI 모델이 언어의 구조와 지식을 학습하는 원천이 된다.
언급된 리소스
AI 분석 전체 내용 보기
AI 요약 · 북마크 · 개인 피드 설정 — 무료
출처 · 인용 안내
원문 발행 2026. 05. 01.수집 2026. 05. 01.출처 타입 YOUTUBE
인용 시 "요약 출처: AI Trends (aitrends.kr)"를 표기하고, 사실 확인은 원문 보기 기준으로 진행해 주세요. 자세한 기준은 운영 정책을 참고해 주세요.
