모델 성능은 데이터 품질에 달려 있다. 그런데 AI 엔지니어와 도메인 전문가가 협력해 레이블링·검토·큐레이션 작업을 체계적으로 진행하는 도구는 많지 않다. Argilla는 그 공백을 채우는 오픈소스 협업 플랫폼이다.

Argilla는 AI 엔지니어와 도메인 전문가가 고품질 학습 데이터셋을 함께 구축하는 도구다. 텍스트 분류, 명명 개체 인식(NER), 요약, RLHF용 피드백 수집 등 다양한 태스크의 어노테이션 워크플로를 지원한다. Hugging Face와 긴밀하게 통합되어 있어 데이터셋을 Hub에 바로 게시하거나 distilabel과 연결해 AI 피드백을 자동화할 수 있다.

왜 Argilla인가

커뮤니티 활용 사례

Argilla로 구축된 오픈소스 데이터셋과 모델들이 실제 성과를 보여준다:

• Cleaned UltraFeedback — Argilla UI 필터로 원본 데이터 생성 코드 버그를 발견해 정제. 이를 바탕으로 파인튜닝한 Notus 모델이 여러 벤치마크에서 Zephyr를 능가
• distilabel Intel Orca DPO — Argilla 사람 큐레이션 + distilabel AI 피드백을 결합해 개선된 OpenHermes 모델 학습. 원본 데이터셋 대비 성능 향상

빠른 시작

pip install argilla

import argilla as rg

client = rg.Argilla(api_url="<ARGILLA_API_URL>", api_key="<ARGILLA_API_KEY>")

settings = rg.Settings(
    guidelines="리뷰를 긍정 또는 부정으로 분류하세요.",
    fields=[rg.TextField(name="review", title="리뷰 텍스트")],
    questions=[
        rg.LabelQuestion(
            name="my_label",
            title="이 리뷰의 감성은?",
            labels=["positive", "negative"],
        )
    ],
)

dataset = rg.Dataset(name="my_first_dataset", settings=settings, client=client)
dataset.create()

이후 Hugging Face datasets로 데이터를 불러와 레코드를 추가하면 Argilla UI에서 바로 레이블링을 시작할 수 있다.

배포

Hugging Face Spaces에서 원클릭으로 Argilla를 배포하거나 자체 서버에 호스팅할 수 있다:

# Docker로 로컬 실행
docker run -d --name argilla -p 6900:6900 argilla/argilla-quickstart:latest

누가 쓰면 좋은가

• LLM 파인튜닝을 위한 맞춤 데이터셋을 구축해야 하는 AI 팀
• 도메인 전문가와 협력해 전문 분야 데이터를 레이블링해야 하는 프로젝트
• Hugging Face Hub 기반으로 오픈소스 데이터셋을 공개하려는 연구자
• RLHF·DPO 학습을 위한 인간 피드백 데이터를 수집하려는 팀

라이선스

Apache 2.0

참고 자료

• argilla-io/argilla — GitHub 공식 저장소