ML-For-Beginners/translations/ko/1-Introduction/3-fairness

책임 있는 AI로 머신 러닝 솔루션 구축하기

스케치노트 작성: Tomomi Imura

강의 전 퀴즈

소개

이 커리큘럼에서는 머신 러닝이 우리의 일상 생활에 어떻게 영향을 미치는지 알아보게 됩니다. 현재도 시스템과 모델은 의료 진단, 대출 승인, 사기 탐지 등 일상적인 의사 결정 작업에 관여하고 있습니다. 따라서 이러한 모델이 신뢰할 수 있는 결과를 제공하기 위해 잘 작동하는 것이 중요합니다. 모든 소프트웨어 애플리케이션과 마찬가지로, AI 시스템도 기대에 미치지 못하거나 바람직하지 않은 결과를 낼 수 있습니다. 그렇기 때문에 AI 모델의 동작을 이해하고 설명할 수 있는 것이 필수적입니다.

여러분이 이러한 모델을 구축하는 데 사용하는 데이터에 인종, 성별, 정치적 견해, 종교 등의 특정 인구 통계가 부족하거나 불균형하게 대표되는 경우 어떤 일이 발생할 수 있을지 상상해보세요. 모델의 출력이 특정 인구 통계를 선호하도록 해석되는 경우는 어떨까요? 애플리케이션에 어떤 영향을 미칠까요? 또한 모델이 바람직하지 않은 결과를 내고 사람들에게 해를 끼치는 경우는 어떨까요? AI 시스템의 행동에 대한 책임은 누구에게 있을까요? 이 커리큘럼에서 이러한 질문들을 탐구할 것입니다.

이번 강의에서는 다음을 배우게 됩니다:

• 머신 러닝에서 공정성의 중요성과 공정성 관련 피해에 대한 인식을 높입니다.
• 신뢰성과 안전성을 보장하기 위해 이상치와 비정상적인 시나리오를 탐구하는 실습을 익힙니다.
• 모두를 포용하는 시스템을 설계하는 필요성을 이해합니다.
• 데이터와 사람들의 프라이버시와 보안을 보호하는 것이 얼마나 중요한지 탐구합니다.
• AI 모델의 동작을 설명하기 위한 투명성 접근의 중요성을 봅니다.
• AI 시스템에 대한 신뢰를 구축하기 위해 책임이 얼마나 중요한지 인식합니다.

사전 요구 사항

사전 요구 사항으로 "책임 있는 AI 원칙" 학습 경로를 수강하고 아래 비디오를 시청하세요:

책임 있는 AI에 대해 자세히 알아보려면 이 학습 경로를 따르세요.

🎥 위 이미지를 클릭하면 비디오를 볼 수 있습니다: Microsoft의 책임 있는 AI 접근

공정성

AI 시스템은 모든 사람을 공정하게 대우하고 유사한 그룹의 사람들에게 다른 방식으로 영향을 미치는 것을 피해야 합니다. 예를 들어, AI 시스템이 의료 치료, 대출 신청 또는 고용에 대한 지침을 제공할 때 유사한 증상, 재정 상황 또는 전문 자격을 가진 모든 사람에게 동일한 권장 사항을 제공해야 합니다. 우리 각자는 의사 결정과 행동에 영향을 미치는 유전된 편견을 가지고 있습니다. 이러한 편견은 우리가 AI 시스템을 훈련시키는 데이터에서 나타날 수 있습니다. 이러한 조작은 때로는 의도치 않게 발생할 수 있습니다. 데이터를 편향되게 만드는 시점을 의식적으로 아는 것은 종종 어렵습니다.

**“불공정성”**은 인종, 성별, 연령 또는 장애 상태 등으로 정의된 사람들 그룹에 대한 부정적인 영향 또는 “피해”를 포함합니다. 주요 공정성 관련 피해는 다음과 같이 분류할 수 있습니다:

• 할당: 예를 들어 성별 또는 민족이 다른 성별이나 민족보다 우대되는 경우.
• 서비스 품질: 특정 시나리오에 대한 데이터를 훈련시키지만 현실은 훨씬 더 복잡한 경우, 이는 성능이 저하된 서비스를 초래합니다. 예를 들어, 어두운 피부를 가진 사람들을 인식하지 못하는 손 세정기. 참조
• 비방: 불공정하게 비판하고 라벨링하는 것. 예를 들어, 이미지 라벨링 기술이 어두운 피부를 가진 사람들의 이미지를 고릴라로 잘못 라벨링한 경우.
• 과소 또는 과대 대표: 특정 직업에서 특정 그룹이 보이지 않는다는 아이디어와 그러한 서비스를 계속 홍보하는 모든 서비스 또는 기능이 피해를 초래합니다.
• 고정관념: 특정 그룹을 사전에 할당된 속성과 연관시키는 것. 예를 들어, 영어와 터키어 간의 언어 번역 시스템이 성별에 대한 고정관념 연관성으로 인해 부정확할 수 있습니다.

터키어로 번역

영어로 다시 번역

AI 시스템을 설계하고 테스트할 때, AI가 공정하고 편향되거나 차별적인 결정을 내리지 않도록 프로그래밍되지 않도록 해야 합니다. AI와 머신 러닝에서 공정성을 보장하는 것은 여전히 복잡한 사회 기술적 과제입니다.

신뢰성과 안전성

신뢰를 구축하려면 AI 시스템이 정상적이거나 예상치 못한 조건에서도 신뢰할 수 있고 안전하며 일관되게 작동해야 합니다. 특히 이상치 상황에서 AI 시스템이 어떻게 동작할지 아는 것이 중요합니다. AI 솔루션을 구축할 때, AI 솔루션이 직면할 다양한 상황을 처리하는 방법에 상당한 주의를 기울여야 합니다. 예를 들어, 자율 주행차는 사람들의 안전을 최우선으로 고려해야 합니다. 따라서 자동차를 구동하는 AI는 밤, 뇌우, 눈보라, 도로를 가로지르는 아이들, 애완동물, 도로 공사 등 자동차가 마주칠 수 있는 모든 가능한 시나리오를 고려해야 합니다. AI 시스템이 다양한 조건을 얼마나 신뢰할 수 있고 안전하게 처리할 수 있는지는 데이터 과학자나 AI 개발자가 시스템 설계나 테스트 중에 고려한 예상 수준을 반영합니다.

🎥 여기에서 비디오를 클릭하세요:

포용성

AI 시스템은 모두를 참여시키고 권한을 부여하도록 설계되어야 합니다. AI 시스템을 설계하고 구현할 때 데이터 과학자와 AI 개발자는 시스템에서 사람들을 의도치 않게 배제할 수 있는 잠재적 장벽을 식별하고 해결합니다. 예를 들어, 전 세계적으로 10억 명의 장애인이 있습니다. AI의 발전으로 인해 그들은 일상 생활에서 더 쉽게 다양한 정보와 기회에 접근할 수 있습니다. 장벽을 해결함으로써 더 나은 경험을 제공하는 AI 제품을 혁신하고 개발할 수 있는 기회를 창출합니다.

🎥 여기에서 비디오를 클릭하세요: AI에서의 포용성

보안 및 프라이버시

AI 시스템은 안전하고 사람들의 프라이버시를 존중해야 합니다. 프라이버시, 정보 또는 생명을 위험에 빠뜨리는 시스템에 대한 신뢰는 낮아집니다. 머신 러닝 모델을 훈련할 때, 최고의 결과를 도출하기 위해 데이터에 의존합니다. 이 과정에서 데이터의 출처와 무결성을 고려해야 합니다. 예를 들어, 데이터가 사용자 제출 데이터인지 공공 데이터인지 확인해야 합니다. 다음으로, 데이터를 다룰 때 기밀 정보를 보호하고 공격에 저항할 수 있는 AI 시스템을 개발하는 것이 중요합니다. AI가 점점 더 보편화됨에 따라 프라이버시 보호와 중요한 개인 및 비즈니스 정보 보안이 더욱 중요하고 복잡해지고 있습니다. 프라이버시 및 데이터 보안 문제는 AI에서 특히 주의가 필요합니다. 데이터에 접근하는 것이 AI 시스템이 사람들에 대한 정확하고 정보에 입각한 예측과 결정을 내리는 데 필수적이기 때문입니다.

🎥 여기에서 비디오를 클릭하세요: AI에서의 보안

• 산업계에서는 GDPR(일반 데이터 보호 규정)과 같은 규정에 의해 크게 발전한 프라이버시 및 보안에서 상당한 진전을 이루었습니다.
• 그러나 AI 시스템에서는 시스템을 더 개인화하고 효과적으로 만들기 위해 더 많은 개인 데이터가 필요하다는 점과 프라이버시 사이의 긴장을 인정해야 합니다.
• 인터넷 연결된 컴퓨터의 탄생과 마찬가지로 AI와 관련된 보안 문제의 수가 급증하고 있습니다.
• 동시에 AI가 보안을 개선하는 데 사용되고 있습니다. 예를 들어, 대부분의 최신 안티바이러스 스캐너는 오늘날 AI 휴리스틱에 의해 구동됩니다.
• 데이터 과학 프로세스가 최신 프라이버시 및 보안 관행과 조화롭게 융합되도록 해야 합니다.

투명성

AI 시스템은 이해할 수 있어야 합니다. 투명성의 중요한 부분은 AI 시스템과 그 구성 요소의 동작을 설명하는 것입니다. AI 시스템의 이해를 개선하려면 이해 관계자가 시스템이 어떻게 작동하고 왜 그렇게 작동하는지 이해해야 잠재적인 성능 문제, 안전 및 프라이버시 문제, 편향, 배제 관행 또는 의도치 않은 결과를 식별할 수 있습니다. 또한 AI 시스템을 사용하는 사람들은 시스템을 언제, 왜, 어떻게 배포하기로 결정했는지에 대해 정직하고 솔직해야 한다고 믿습니다. 또한 사용 중인 시스템의 한계에 대해서도 정직해야 합니다. 예를 들어, 은행이 소비자 대출 결정을 지원하기 위해 AI 시스템을 사용하는 경우, 결과를 조사하고 어떤 데이터가 시스템의 권장 사항에 영향을 미치는지 이해하는 것이 중요합니다. 정부는 산업 전반에 걸쳐 AI를 규제하기 시작하고 있으므로 데이터 과학자와 조직은 AI 시스템이 규제 요구 사항을 충족하는지, 특히 바람직하지 않은 결과가 발생했을 때 설명해야 합니다.

🎥 여기에서 비디오를 클릭하세요: AI에서의 투명성

• AI 시스템이 매우 복잡하기 때문에 그 작동 방식과 결과를 해석하는 것이 어렵습니다.
• 이러한 이해 부족은 시스템이 관리되고 운영되며 문서화되는 방식에 영향을 미칩니다.
• 이러한 이해 부족은 더 중요한 것은 시스템이 생성한 결과를 사용하여 내리는 결정에 영향을 미칩니다.

책임성

AI 시스템을 설계하고 배포하는 사람들은 시스템의 작동 방식에 대해 책임을 져야 합니다. 책임의 필요성은 특히 얼굴 인식과 같은 민감한 기술에서 매우 중요합니다. 최근에는 실종 아동 찾기와 같은 용도로 기술의 잠재력을 인식한 법 집행 기관에서 얼굴 인식 기술에 대한 수요가 증가하고 있습니다. 그러나 이러한 기술은 특정 개인에 대한 지속적인 감시를 가능하게 하여 정부가 시민의 기본 자유를 위협하는 데 사용할 수 있습니다. 따라서 데이터 과학자와 조직은 AI 시스템이 개인이나 사회에 미치는 영향에 대해 책임을 져야 합니다.

🎥 위 이미지를 클릭하면 비디오를 볼 수 있습니다: 얼굴 인식을 통한 대규모 감시에 대한 경고

궁극적으로, AI를 사회에 도입하는 첫 세대로서 우리 세대의 가장 큰 질문 중 하나는 컴퓨터가 사람들에게 계속 책임을 지게 할 방법과 컴퓨터를 설계하는 사람들이 다른 모든 사람들에게 계속 책임을 지게 할 방법을 찾는 것입니다.

영향 평가

머신 러닝 모델을 훈련하기 전에 AI 시스템의 목적, 의도된 사용, 배포 위치 및 시스템과 상호 작용할 사람들을 이해하기 위해 영향 평가를 수행하는 것이 중요합니다. 이는 시스템을 평가하는 리뷰어 또는 테스터에게 잠재적 위험과 예상 결과를 식별할 때 고려해야 할 요소를 알려줍니다.

영향 평가를 수행할 때 집중해야 할 영역은 다음과 같습니다:

• 개인에 대한 부정적인 영향: 시스템 성능을 저해하는 제한 사항, 요구 사항, 지원되지 않는 사용 또는 알려진 제한 사항을 인식하는 것이 중요합니다. 이는 시스템이 개인에게 해를 끼칠 수 있는 방식으로 사용되지 않도록 보장합니다.
• 데이터 요구 사항: 시스템이 데이터를 사용하는 방법과 위치를 이해하면 리뷰어가 고려해야 할 데이터 요구 사항(GDPR 또는 HIPPA 데이터 규정 등)을 탐색할 수 있습니다. 또한, 훈련을 위한 데이터의 출처나 양이 충분한지 확인합니다.
• 영향 요약: 시스템 사용으로 인해 발생할 수 있는 잠재적 피해 목록을 수집합니다. ML 수명 주기 전반에 걸쳐 식별된 문제가 완화되었는지 또는 해결되었는지 검토합니다.
• 핵심 원칙별 적용 목표: 각 원칙의 목표가 충족되는지 평가하고 격차가 있는지 확인합니다.

책임 있는 AI로 디버깅하기

소프트웨어 애플리케이션 디버깅과 마찬가지로 AI 시스템 디버깅은 시스템의 문제를 식별하고 해결하는 필수 과정입니다. 모델이 예상대로 또는 책임 있게 작동하지 않는 데 영향을 미치는 많은 요인이 있습니다. 대부분의 전통적인 모델 성능 지표는 모델 성능의 정량적 집계로, 책임 있는 AI 원칙을 위반하는 모델을 분석하기에는 충분하지 않습니다. 또한, 머신 러닝 모델은 결과를 이해하거나 실수를 설명하기 어렵게 만드는 블랙 박스입니다. 이 과정에서 우리는 AI 시스템 디버깅을 돕는 책임 있는 AI 대시보드를 사용하는 방법을 배울 것입니다. 대시보드는 데이터 과학자와 AI 개발자가 다음을 수행할 수 있는 포괄적인 도구를 제공합니다:

• 오류 분석: 시스템의 공정성 또는 신뢰성에 영향을 미칠 수 있는 모델의 오류 분포를 식별합니다.
• 모델 개요: 데이터 코호트 전반에서 모델 성능의 차이를 발견합니다.
• 데이터 분석: 데이터 분포를 이해하고 공정성, 포용성 및 신뢰성 문제를 초래할 수 있는 데이터의 잠재적 편향을 식별합니다.
• 모델 해석 가능성: 모델의 예측에 영향을 미치는 요소를 이해합니다. 이는 모델의 동작을 설명하는 데 도움이 되며, 이는 투명성과 책임에 중요합니다.

🚀 도전

피해가 처음부터 도입되지 않도록 하기 위해 우리는 다음을 수행해야 합니다:

• 시스템 작업에 참여하는 사람들의 배경과 관점을 다양화합니다.
• 사회의 다양성을 반영하는 데이터 세트에 투자합니다.
• 머신 러닝 수명 주기 전반에 걸쳐 책임 있는 AI를 감지하고 수정하는 더 나은 방법을 개발합니다.

모델 구축 및 사용에서 모델의 신뢰할 수 없음이 명백한 실제 시나리오를 생각해보세요. 무엇을 더 고려해야 할까요?

강의 후 퀴즈

복습 및 자습

이번 강의에서는 머신 러닝에서 공정성과 불공정성의 개념에 대해 기본적인 내용을 배웠습니다.

다음 워크숍을 시청하여 주제에 대해 더 깊이 알아보세요:

• 책임 있는 AI를 추구하며: 원칙을 실천으로 옮기기 - Besmira Nushi, Mehrnoosh Sameki, Amit Sharma

🎥 위 이미지를 클릭하면 비디오를 볼 수 있습니다: 책임 있는 AI 도구 상자: 책임 있는 AI를 구축하기 위한 오픈 소스 프레임워크 - Besmira Nushi, Mehrnoosh Sameki, Amit Sharma

또한 읽어보세요:

• Microsoft의 책임 있는 AI 리소스 센터: 책임 있는 AI 리소스 – Microsoft AI

• Microsoft의 FATE 연구 그룹: FATE: 공정성, 책임성, 투명성 및 윤리 - Microsoft Research

책임 있는 AI 도구 상자:

• 책임 있는 AI 도구 상자 GitHub 저장소

공정성을 보장하기 위한 Azure Machine Learning 도구에 대해 읽어보세요:

• Azure Machine Learning

과제

책임 있는 AI 도구 상자 탐색하기

면책 조항: 이 문서는 기계 기반 AI 번역 서비스를 사용하여 번역되었습니다. 정확성을 위해 노력하고 있지만, 자동 번역에는 오류나 부정확성이 포함될 수 있습니다. 원본 문서의 모국어 버전이 권위 있는 출처로 간주되어야 합니다. 중요한 정보에 대해서는 전문 인간 번역을 권장합니다. 이 번역 사용으로 인해 발생하는 오해나 오역에 대해 우리는 책임을 지지 않습니다.