docs(10_Wiki): 위키 전체 재구성 — Topic_* 폴더를 4개 카테고리로 통합 + 대규모 중복 제거
Topic_Agent/Topic_Blog/Topics/Topics_Biz/Topics_Meeting/Topics_Rag의 마크다운 지식 문서를 Topic_General/Topic_Programming/Topic_Graphic/Topic_Business 4개 카테고리로 재분류. - 중복 제거: frontmatter의 status:duplicate/merged + duplicate_of/redirect_to 필드로 자기 자신을 중복으로 선언한 리다이렉트 stub 1032개 제거, 완전 동일 내용 파일 472개 제거, 동일 파일명·다른 내용 충돌 시 더 큰(완전한) 버전만 유지(162개 제거) — 총 1639개 중복 제거. - 분류: 폴더 단위로 명확한 항목(AI_and_ML/Coding/Architecture 등 → Programming, Comfyui/Visual_Effects → Graphic, Topics_Biz/Topics_Meeting/사업 등 → Business, Poetic_Blog_Writing/창의성/Game_Design 등 → General)은 폴더 우선순위로, 나머지 혼재 폴더(Topic_Agent/Topic_Blog/Topics 루트/Thinking & Reasoning/Other/UI_UX_Assets)는 title/tags 키워드 스코어링으로 파일 단위 분류(불명확한 경우 General로 폴백). 원본 폴더명은 "From_*" 서브폴더로 보존해 추적 가능성 유지. - 최종 배치: Programming 2784 / General 1608 / Graphic 285 / Business 249 = 4926개 문서. - 에이전트 운영 상태(.astra/.agent/.obsidian/sessions/memory/_company/docs/lessons/_shared/src)는 지식 콘텐츠가 아니므로 재분류 대상에서 제외하고 원위치 유지. - Topics/Topic_email(상위 보호 폴더 Topic_email과 파일명 100% 중복) 삭제 — 보호 폴더 자체는 미변경. - 완전히 비게 된 Topic_Agent/Topic_Blog/Topics_Biz/Topics_Rag 폴더 제거.
This commit is contained in:
Antigravity Agent
@@ -0,0 +1,191 @@
|
||||
---
|
||||
id: wiki-2026-0508-trustworthy-ai
|
||||
title: Trustworthy AI
|
||||
category: 10_Wiki/Topics
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [Responsible AI, Ethical AI]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.92
|
||||
verification_status: applied
|
||||
tags: [ai-ethics, governance, safety, regulation, NIST, EU-AI-Act]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
tech_stack:
|
||||
language: any
|
||||
framework: NIST-AI-RMF
|
||||
---
|
||||
|
||||
# Trustworthy AI
|
||||
|
||||
## 매 한 줄
|
||||
> **"매 AI system 이 매 reliable · safe · fair · transparent · accountable · privacy-preserving 의 6 axes 동시 만족."** NIST AI RMF (2023) 와 EU AI Act (2024 enacted, 2026 fully applicable) 의 통합 frame. 매 single property 가 아닌 매 multi-dim balance — 매 trade-off 의 명시 가 매 핵심.
|
||||
|
||||
## 매 핵심
|
||||
|
||||
### 매 6 Pillars (NIST AI RMF)
|
||||
- **Valid & Reliable**: 매 intended task 에서 매 정확 + 매 deployment 환경 에서 매 stable.
|
||||
- **Safe**: 매 physical · psychological · environmental harm 의 회피.
|
||||
- **Secure & Resilient**: 매 adversarial attack · data poisoning · prompt injection 의 방어.
|
||||
- **Accountable & Transparent**: 매 누가 책임 + 매 어떻게 결정 의 명시.
|
||||
- **Explainable & Interpretable**: 매 stakeholder level 에 맞는 매 reasoning 공개.
|
||||
- **Privacy-Enhanced**: 매 data minimization · DP · federated learning.
|
||||
- **Fair, Bias 의 management**: 매 disparate impact 의 측정 + mitigation.
|
||||
|
||||
### 매 EU AI Act risk tiers (2026 fully applicable)
|
||||
- **Unacceptable**: social scoring, real-time biometric ID (대체로 ban).
|
||||
- **High-risk**: medical, hiring, credit, education — 매 conformity assessment + 매 CE marking 필수.
|
||||
- **Limited risk**: chatbots, deepfakes — 매 transparency obligation (AI 라고 명시).
|
||||
- **Minimal risk**: spam filter, video game AI — 매 voluntary code.
|
||||
|
||||
### 매 governance lifecycle
|
||||
1. **Map**: context, stakeholder, risk identification.
|
||||
2. **Measure**: 매 quantitative + 매 qualitative metric.
|
||||
3. **Manage**: 매 mitigation, monitoring, incident response.
|
||||
4. **Govern**: 매 policy, role, accountability.
|
||||
|
||||
### 매 응용
|
||||
1. **High-risk deployment**: 매 healthcare diagnosis AI 매 FDA + EU AI Act dual conformity.
|
||||
2. **LLM production**: 매 prompt injection defense + 매 PII redaction + 매 output filter.
|
||||
3. **Hiring algorithm**: 매 NYC Local Law 144 (bias audit) + 매 EEOC compliance.
|
||||
|
||||
## 💻 패턴
|
||||
|
||||
### 매 Bias measurement (group fairness)
|
||||
```python
|
||||
from fairlearn.metrics import (
|
||||
MetricFrame, demographic_parity_difference, equalized_odds_difference
|
||||
)
|
||||
from sklearn.metrics import accuracy_score
|
||||
|
||||
mf = MetricFrame(
|
||||
metrics={"accuracy": accuracy_score},
|
||||
y_true=y_test,
|
||||
y_pred=y_pred,
|
||||
sensitive_features=df_test["gender"],
|
||||
)
|
||||
print(mf.by_group)
|
||||
|
||||
dpd = demographic_parity_difference(y_test, y_pred, sensitive_features=df_test["gender"])
|
||||
eod = equalized_odds_difference(y_test, y_pred, sensitive_features=df_test["gender"])
|
||||
print(f"DP diff: {dpd:.3f}, EO diff: {eod:.3f}")
|
||||
# 매 |DP| > 0.1 → 매 disparate impact 의심
|
||||
```
|
||||
|
||||
### 매 LLM output guardrail (Llama Guard 3)
|
||||
```python
|
||||
from transformers import AutoTokenizer, AutoModelForCausalLM
|
||||
|
||||
guard = AutoModelForCausalLM.from_pretrained("meta-llama/Llama-Guard-3-8B")
|
||||
tok = AutoTokenizer.from_pretrained("meta-llama/Llama-Guard-3-8B")
|
||||
|
||||
def is_safe(user_msg: str, assistant_msg: str) -> tuple[bool, str]:
|
||||
prompt = tok.apply_chat_template(
|
||||
[{"role": "user", "content": user_msg},
|
||||
{"role": "assistant", "content": assistant_msg}],
|
||||
tokenize=False,
|
||||
)
|
||||
out = guard.generate(tok(prompt, return_tensors="pt").input_ids, max_new_tokens=20)
|
||||
verdict = tok.decode(out[0], skip_special_tokens=True).strip().split("\n")[-1]
|
||||
return verdict.startswith("safe"), verdict
|
||||
```
|
||||
|
||||
### 매 Differential privacy (Opacus)
|
||||
```python
|
||||
from opacus import PrivacyEngine
|
||||
import torch
|
||||
|
||||
model = MyModel()
|
||||
optimizer = torch.optim.SGD(model.parameters(), lr=0.05)
|
||||
engine = PrivacyEngine()
|
||||
model, optimizer, loader = engine.make_private_with_epsilon(
|
||||
module=model, optimizer=optimizer, data_loader=loader,
|
||||
target_epsilon=3.0, target_delta=1e-5, epochs=10, max_grad_norm=1.0,
|
||||
)
|
||||
# 매 ε=3 의 strong privacy guarantee
|
||||
```
|
||||
|
||||
### 매 Model card (Hugging Face)
|
||||
```yaml
|
||||
# README.md frontmatter
|
||||
language: en
|
||||
license: apache-2.0
|
||||
intended_use:
|
||||
primary: "English sentiment classification (product reviews)"
|
||||
out_of_scope: ["clinical text", "non-English", "financial advice"]
|
||||
training_data:
|
||||
source: "Amazon reviews 2018-2024 (50M samples)"
|
||||
known_biases: ["English-skewed", "tech product overrepresented"]
|
||||
metrics:
|
||||
accuracy: 0.92
|
||||
demographic_parity_diff: 0.04
|
||||
limitations:
|
||||
- "Sarcasm detection 약함 (F1 0.61)"
|
||||
- "Long reviews (>1000 tokens) 의 truncation"
|
||||
ethical_considerations:
|
||||
- "매 hiring · loan 결정 의 사용 X"
|
||||
```
|
||||
|
||||
### 매 Explainability (SHAP for tabular)
|
||||
```python
|
||||
import shap
|
||||
|
||||
explainer = shap.TreeExplainer(model)
|
||||
shap_values = explainer.shap_values(X_test)
|
||||
|
||||
# 매 individual explanation
|
||||
shap.force_plot(explainer.expected_value, shap_values[0], X_test.iloc[0])
|
||||
|
||||
# 매 global feature importance
|
||||
shap.summary_plot(shap_values, X_test)
|
||||
```
|
||||
|
||||
### 매 Adversarial robustness test
|
||||
```python
|
||||
from textattack.attack_recipes import TextFoolerJin2019
|
||||
from textattack.models.wrappers import HuggingFaceModelWrapper
|
||||
|
||||
wrapped = HuggingFaceModelWrapper(model, tokenizer)
|
||||
attack = TextFoolerJin2019.build(wrapped)
|
||||
results = [attack.attack(text, label) for text, label in test_samples]
|
||||
robust_acc = sum(r.perturbed_result.score == r.original_result.score for r in results) / len(results)
|
||||
print(f"Robust accuracy: {robust_acc:.2f}")
|
||||
```
|
||||
|
||||
## 매 결정 기준
|
||||
| 상황 | Approach |
|
||||
|---|---|
|
||||
| 매 EU 시장 high-risk | 매 AI Act conformity assessment 필수 |
|
||||
| 매 internal-only LLM | 매 model card + 매 basic guardrail (Llama Guard) |
|
||||
| 매 medical · hiring · credit | 매 6 pillar full + 매 third-party audit |
|
||||
| 매 generative content | 매 watermark (C2PA) + 매 deepfake disclosure |
|
||||
|
||||
**기본값**: 매 production AI 는 매 model card + 매 bias measurement + 매 output filter 최소.
|
||||
|
||||
## 🔗 Graph
|
||||
- 부모: [[AI Ethics]] · [[AI 거버넌스 정책(AI Usage Policy)|AI Governance]]
|
||||
- 변형: [[Responsible AI]] · [[Ethical AI]]
|
||||
- 응용: [[NIST AI RMF]] · [[EU AI Act]] · [[ISO 42001]]
|
||||
- Adjacent: [[Model Card]] · [[Differential Privacy]] · [[Adversarial Robustness]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
**언제**: 매 production LLM 의 매 prompt injection · PII leak · biased output 의 multi-layer defense.
|
||||
**언제 X**: 매 prototype, 매 internal demo — 매 over-engineering.
|
||||
|
||||
## ❌ 안티패턴
|
||||
- **매 Checkbox compliance**: 매 model card 작성하고 매 끝 — 매 ongoing monitoring 의 X.
|
||||
- **매 Single-axis focus**: 매 fairness 만 chasing → 매 accuracy 의 sacrifice — 매 trade-off 의 unacknowledged.
|
||||
- **매 Privacy theater**: 매 "anonymized" 라 부르고 매 re-identification 의 vulnerable.
|
||||
- **매 Explainability 의 hallucination**: 매 LLM-generated explanation 의 매 actual reasoning 과 매 mismatch.
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
- Verified (NIST AI RMF 1.0, 2023; EU AI Act, OJ L 2024/1689; ISO/IEC 42001:2023).
|
||||
- 신뢰도 A.
|
||||
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-05-08 | Phase 1 |
|
||||
| 2026-05-10 | Manual cleanup — NIST RMF + EU AI Act 2026 enforcement, Llama Guard 3 패턴 추가 |
|
||||
Reference in New Issue
Block a user