---
id: P-REINFORCE-AUTO-ALFA-001
category: Art
confidence_score: 0.96
tags: [auto-reinforced, algorithmic-fairness, bias, equality, machine-learning-ethics, data-governance]
last_reinforced: 2026-04-20
---

# [[Algorithmic Fairness|Algorithmic Fairness]]

## 📌 한 줄 통찰 (The Karpathy Summary)
> "데이터에 깃든 차별 걷어내기: AI가 성별, 인종, 계층에 대한 편향을 학습하여 누군가에게 불이익을 주지 않도록, 학습 데이터부터 결과 도출까지 모든 과정의 공정성을 확보하는 엔지니어링 윤리."

## 📖 구조화된 지식 (Synthesized Content)
알고리즘 공정성(Algorithmic Fairness)은 AI 모델의 예측 결과가 특정 집단에 대해 체계적으로 유리하거나 불리하지 않도록 관리하는 머신러닝의 하위 분야입니다.

1.  **편향의 출처**:
    *   **Data Bias**: 학습 데이터 자체가 기존 사회의 편견이나 불평등을 반영하고 있는 경우.
    *   **Metric Bias**: 성과를 측정하는 지표(예: 클릭률) 자체가 특정 집단에 유리하게 설계된 경우.
2.  **공정성 메트릭**:
    *   **Demographic Parity**: 모든 집단에 대해 긍정적인 예측 결과 비율이 같아야 함.
    *   **Equalized Odds**: 오답률(FP, FN)이 집단별로 균등해야 함.
3.  **대응 기법**:
    *   **Pre-processing**: 학습 전 데이터를 재가공하여 균형 맞춤.
    *   **In-processing**: 학습 과정에서 공정성 제약 조건(Penalty) 추가.
    *   **Post-processing**: 결과 도출 후 편향이 감지되면 보정.

## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거에는 알고리즘의 '수학적 객관성' 정책만 믿었으나, 현대 정책은 '객관적인 데이터가 곧 공정한 결과는 아니다'라는 인식을 바탕으로 '적극적 불평등 시정 정책'을 모델에 주입함(RL Update).
- **정책 변화(RL Update)**: 채용, 대출 심사, 형량 예측 등 민감한 공공 서비스 정책에서 사용되는 알고리즘은 의무적으로 '공정성 영향 평가(Fairness Audit)'를 통과해야 하는 정책이 수립됨.

## 🔗 지식 연결 (Graph)
- [[Toxicity-and-Bias-Mitigation|Toxicity-and-Bias-Mitigation]], [[AI Accountability|AI Accountability]], [[AI Governance|AI Governance]], [[Ethics & AI|Ethics & AI]], [[Sociology of Knowledge|Sociology of Knowledge]]
- **Modern Tech/Tools**: IBM AI Fairness 360, Google What-If Tool, Fairlearn.
---