2nd/10_Wiki/Topics_GD/Interpretability-vs-Explainability.md

id, category, confidence_score, tags, last_reinforced

id	category	confidence_score	tags	last_reinforced
AI-INT-EXP-001	10_Wiki/💡 Topics/AI	1.0	ai explainable-ai xai Interpretability|Interpretability explainability trust	2026-04-26

Interpretability vs Explainability (해석 가능성 vs 설명 가능성)

📌 한 줄 통찰 (The Karpathy Summary)

"모델의 내부 회로를 투명하게 들여다보는 것과, 모델이 왜 그런 행동을 했는지 인간의 언어로 설득하는 것은 별개의 문제다" — AI 시스템의 투명성을 확보하기 위한 두 가지 접근법으로, 구조적 투명성(Interpretability)과 결과에 대한 논리적 서술(Explainability) 사이의 관계와 차이.

📖 구조화된 지식 (Synthesized Content)

• 추출된 패턴: "White-box vs Post-hoc Explanation" — 모델의 설계 자체가 단순하여 인간이 직관적으로 이해할 수 있게 하거나(Interpretability), 복잡한 모델의 결과를 사후적으로 분석하여 인간이 이해할 수 있는 형태로 재해석(Explainability)하는 신뢰 구축 패턴.
• 핵심 차이:
  • Interpretability: 모델이 '어떻게' 작동하는지에 대한 정밀한 파악. (예: 작은 의사결정 나무, 선형 회귀). 모델이 작을수록 높음.
  • Explainability: 모델이 '왜' 그런 결과를 냈는지에 대한 인간 중심의 설명. (예: LIME, SHAP, 어텐션 맵 시각화). 모델이 복잡해도 사후 설명 가능.
• 의의: AI가 사회적으로 중요한 결정(대출 승인, 자율주행 사고, 의료 진단)을 내릴 때, 그 근거를 제시함으로써 책임 소재를 명확히 하고 사용자의 신뢰를 얻는 핵심 수단.

⚠️ 모순 및 업데이트 (Contradictions & RL Update)

• 과거 데이터와의 충돌: 성능과 투명성은 반비례한다는 믿음(Trade-off)을 극복하기 위해, 최근에는 거대 모델의 내부 활성화 패턴을 분석하여 개념 단위의 해석을 시도하는 기법(Mechanistic Interpretability)이 발전 중.
• 정책 변화: Antigravity 프로젝트는 에이전트의 답변에 항상 Rationale 섹션을 포함시켜 '설명 가능성'을 확보하며, 복잡한 추론 과정은 지식 그래프 상의 연결 경로로 '해석 가능성'을 보조함.

🔗 지식 연결 (Graph)

• Explainable-AI-XAI, Trustworthy-AI, AI-Ethics, Decision-Trees-and-Random-Forests
• Raw Source: 10_Wiki/Topics/AI/Interpretability-vs-Explainability.md