[G1-Sync] Manual knowledge update
This commit is contained in:
Antigravity Agent
@@ -2,94 +2,152 @@
|
||||
id: wiki-2026-0508-automated-decision-making
|
||||
title: Automated Decision Making
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [P-Reinforce-AUTO-ADM-001]
|
||||
aliases: [ADM, Algorithmic Decision-Making, Automated Decisions]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.96
|
||||
tags: [auto-reinforced, automated-decision-making, adm, algorithm, Efficiency, ethics-governance]
|
||||
confidence_score: 0.93
|
||||
verification_status: applied
|
||||
tags: [decision-systems, ml, governance, fairness, eu-ai-act]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-04-20
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
tech_stack:
|
||||
language: unspecified
|
||||
framework: unspecified
|
||||
language: Python
|
||||
framework: scikit-learn/PyTorch/Aequitas
|
||||
---
|
||||
|
||||
# [[Automated-Decision-Making|Automated-Decision-Making]]
|
||||
# Automated Decision Making (ADM)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "알고리즘이 내리는 판결: 인간의 개입 없이 사전에 설정된 논리나 AI 모델이 데이터를 분석하여 대출 승인, 채용 합격, 혹은 형량 판단과 같은 중요한 의사결정을 실시간으로 수행하는 체계."
|
||||
## 매 한 줄
|
||||
> **"매 algorithm 의 decision authority — 매 human approval 의 X 또는 minimal."**. ADM 의 system 의 input 의 받는 → 매 ML / rule / hybrid 의 통한 decision (loan, hiring, sentencing, content mod, dispatch) 의 output. 매 2026 의 EU AI Act (high-risk category) + GDPR Art.22 + Colorado SB205 의 governed.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
자동화된 의사결정(Automated-Decision-Making, ADM)은 데이터를 입력받아 알고리즘이 자동으로 결론을 도출하고 이를 집행하는 시스템을 의미합니다.
|
||||
## 매 핵심
|
||||
|
||||
1. **유형**:
|
||||
* **Decision [[Support|Support]]**: AI가 분석 결과를 제공하고 최종 결정은 인간이 함. (Human-in-the-loop)
|
||||
* **Fully Automated**: 인간의 개입 없이 시스템이 즉시 행동 수행. (예: 주식 알고리즘 매매, 광고 입찰)
|
||||
2. **이점**:
|
||||
* **Scale & Speed**: 수백만 건의 요청을 1초 이내에 처리 가능.
|
||||
* **Consistency**: 감정이나 피로도에 좌우되지 않는 일관된 기준 적용.
|
||||
3. **위점**:
|
||||
* **Lack of Context**: 숫자로 표현되지 않는 미묘한 인간적 상황 무시.
|
||||
* **Embedded Bias**: 알고리즘 내에 숨어있는 차별적 요소가 대량 집행됨.
|
||||
### 매 Categories
|
||||
- **Rule-based**: explicit if/then (DMN, decision tables).
|
||||
- **ML scoring**: classifier / regressor → threshold.
|
||||
- **LLM agentic**: tool-use + reasoning loop (Claude / GPT-5).
|
||||
- **Human-in-the-loop (HITL)**: ML proposes, human approves.
|
||||
- **Human-on-the-loop**: ML acts, human monitors / can override.
|
||||
- **Fully automated**: no human in critical path.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- **과거 데이터와의 충돌**: 과거에는 효율성만을 위해 ADM 도입을 권장하는 정책이었으나, 현대의 인권 정책은 이에 대해 '설명 요구권'과 '인간에 의한 재검토권'을 법적으로 보장하는 정책으로 강화됨(RL Update, 예: GDPR 제22조).
|
||||
- **정책 변화(RL Update)**: 공공 수사 및 복지 정책에서 ADM을 쓸 경우, 반드시 알고리즘의 소스코드와 학습 데이터를 감사받아야 하는 'ADM 투명성 및 책임성 의무화 정책'이 글로벌 표준이 됨.
|
||||
### 매 Regulation (2026)
|
||||
- **EU AI Act** (entered force 2025): high-risk systems (biometric, hiring, credit, law enforcement) → conformity assessment, transparency, human oversight.
|
||||
- **GDPR Art.22**: right to not be subject to solely automated decision with legal effect; right to explanation.
|
||||
- **Colorado AI Act (SB205)**: 2026 effective — algorithmic discrimination duty for high-risk AI.
|
||||
- **NYC Local Law 144**: AEDT bias audit.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Algorithmic Fairness|Algorithmic Fairness]], [[AI Accountability|AI Accountability]], [[Decision Theory|Decision Theory]], [[Algorithmic Transparency|Algorithmic Transparency]], [[AI Governance|AI Governance]]
|
||||
- **Modern Tech/Tools**: Credit scoring AI, Resume screening tools, Automated trading[[_system|system]]s.
|
||||
---
|
||||
### 매 Components
|
||||
- Input validation + preprocessing.
|
||||
- Feature engineering / embedding.
|
||||
- Model + threshold + calibration.
|
||||
- Decision policy (action mapping).
|
||||
- Logging + audit trail.
|
||||
- Override / appeal channel.
|
||||
|
||||
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
|
||||
### 매 응용
|
||||
1. Credit underwriting (FICO, Upstart).
|
||||
2. Hiring screening (with caution post-NYC LL 144).
|
||||
3. Content moderation (Hive, Perspective API).
|
||||
4. Insurance claims triage.
|
||||
5. Dispatching (Uber, DoorDash).
|
||||
|
||||
**언제 이 지식을 쓰는가:**
|
||||
- *(TODO)*
|
||||
## 💻 패턴
|
||||
|
||||
**언제 쓰면 안 되는가:**
|
||||
- *(TODO)*
|
||||
### Pattern 1 — Decision policy with audit
|
||||
|
||||
## 🧪 검증 상태 (Validation)
|
||||
```python
|
||||
import logging, hashlib, json, time
|
||||
|
||||
- **정보 상태:** needs_review
|
||||
- **출처 신뢰도:** A
|
||||
- **검토 이유:** *(P-Reinforce Phase 1 자동 정규화. 본문 검증 필요.)*
|
||||
|
||||
## 🧬 중복 검사 (Duplicate Check)
|
||||
|
||||
- **기존 유사 문서:** *(TODO: 인덱서 클러스터 리포트 참조)*
|
||||
- **처리 방식:** UPDATE (자동 정규화)
|
||||
- **처리 이유:** Phase 1 정규화 — 옛 템플릿/누락 필드 보강.
|
||||
|
||||
## 🕓 변경 이력 (Changelog)
|
||||
|
||||
| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|
||||
|------|-----------|-----------|--------|
|
||||
| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A |
|
||||
|
||||
## 💻 코드 패턴 (Code Patterns)
|
||||
|
||||
**패턴 1:** *(TODO: 이 프로젝트 컨벤션 반영한 구조 스켈레톤)*
|
||||
|
||||
```text
|
||||
# TODO
|
||||
def decide(applicant, model, threshold=0.6):
|
||||
score = model.predict_proba([applicant])[0, 1]
|
||||
decision = "approve" if score >= threshold else "review"
|
||||
audit = {
|
||||
"ts": time.time(), "id": applicant["id"],
|
||||
"score": float(score), "threshold": threshold,
|
||||
"decision": decision, "model_v": model.version,
|
||||
"input_hash": hashlib.sha256(json.dumps(applicant, sort_keys=True).encode()).hexdigest(),
|
||||
}
|
||||
logging.info(json.dumps(audit))
|
||||
return decision, audit
|
||||
```
|
||||
|
||||
## 🤔 의사결정 기준 (Decision Criteria)
|
||||
### Pattern 2 — Bias audit (Aequitas)
|
||||
|
||||
**선택 A를 써야 할 때:**
|
||||
- *(TODO)*
|
||||
```python
|
||||
from aequitas.group import Group
|
||||
g = Group()
|
||||
xtab, _ = g.get_crosstabs(df_with_predictions, attr_cols=["race", "gender"])
|
||||
print(xtab[["attribute_name", "fpr", "fnr", "tpr"]])
|
||||
```
|
||||
|
||||
**선택 B를 써야 할 때:**
|
||||
- *(TODO)*
|
||||
### Pattern 3 — Calibration check
|
||||
|
||||
**기본값:**
|
||||
> *(TODO)*
|
||||
```python
|
||||
from sklearn.calibration import calibration_curve
|
||||
prob_true, prob_pred = calibration_curve(y_test, y_score, n_bins=10)
|
||||
# expect diagonal — deviation = miscalibration
|
||||
```
|
||||
|
||||
## ❌ 안티패턴 (Anti-Patterns)
|
||||
### Pattern 4 — HITL queue (low-confidence routing)
|
||||
|
||||
- **[안티패턴]:** *(TODO: 무엇을 하면 안 되는가 + 이유 + 대신 무엇을)*
|
||||
```python
|
||||
def route(score, low=0.4, high=0.7):
|
||||
if score >= high: return "auto-approve"
|
||||
if score < low: return "auto-deny"
|
||||
return "human-review"
|
||||
```
|
||||
|
||||
### Pattern 5 — EU AI Act conformity log
|
||||
|
||||
```python
|
||||
@dataclass
|
||||
class ConformityRecord:
|
||||
system_id: str
|
||||
risk_class: str # "high" | "limited" | "minimal"
|
||||
intended_purpose: str
|
||||
training_data_summary: str
|
||||
bias_test_results: dict
|
||||
human_oversight_design: str
|
||||
last_audit: str
|
||||
```
|
||||
|
||||
## 매 결정 기준
|
||||
|
||||
| 상황 | Approach |
|
||||
|---|---|
|
||||
| High-stakes (credit, hire, health) | HITL + bias audit + appeal |
|
||||
| Reversible low-stakes | full auto + sample review |
|
||||
| Real-time (dispatch) | full auto + monitoring |
|
||||
| Regulated (EU high-risk) | conformity assessment + transparency |
|
||||
| Novel domain | shadow mode → HITL → automation |
|
||||
|
||||
**기본값**: HITL + audit log + bias monitoring + appeal channel.
|
||||
|
||||
## 🔗 Graph
|
||||
- 부모: [[Decision-Theory]] · [[ML-Systems]]
|
||||
- 변형: [[Rule-Based-System]] · [[Agentic-AI]] · [[HITL]]
|
||||
- 응용: [[Credit-Scoring]] · [[Content-Moderation]] · [[Hiring-Screening]]
|
||||
- Adjacent: [[Algorithmic-Fairness]] · [[Model-Calibration]] · [[Audit-Logging]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
**언제**: drafting decision policy, reviewing audit logs for anomalies, generating explanation text (Art.22), bias test fixture generation.
|
||||
**언제 X**: autonomous high-stakes decision without human in loop, opaque LLM-only path for regulated domain.
|
||||
|
||||
## ❌ 안티패턴
|
||||
- **Black box high-stakes**: no explanation = GDPR/AI-Act violation risk.
|
||||
- **No appeal channel**: legitimacy collapse.
|
||||
- **Drift unmonitored**: production model 의 silent degrade.
|
||||
- **Proxy discrimination**: ZIP code → race proxy unlawful.
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
- Verified (EU AI Act final text, NIST AI RMF, Aequitas docs).
|
||||
- 신뢰도 A.
|
||||
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-05-08 | Phase 1 |
|
||||
| 2026-05-10 | Manual cleanup — FULL content (EU AI Act, HITL, bias audit) |
|
||||
|
||||
Reference in New Issue
Block a user