2nd/10_Wiki/Topics/AI_and_ML/Algorithmic Fairness.md

id, title, category, status, canonical_id, aliases, duplicate_of, source_trust_level, confidence_score, tags, raw_sources, last_reinforced, github_commit, inferred_by, tech_stack

id	title	category	status	canonical_id	aliases	duplicate_of	source_trust_level	confidence_score	tags	raw_sources	last_reinforced	github_commit	inferred_by	tech_stack
wiki-2026-0508-algorithmic-fairness	Algorithmic Fairness	10_Wiki/Topics	needs_review	self	P-Reinforce-AUTO-ALFA-001	none	A	0.96	auto-reinforced algorithmic-fairness bias Equality machine-learning-ethics data-governance		2026-04-20	pending	Claude Opus 4.7 (auto-normalize 2026-05-08)	language framework unspecified unspecified

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 & Updates)

• 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, AI Accountability, AI Governance, Ethics & AI, Sociology of Knowledge
• Modern Tech/Tools: IBM AI Fairness 360, Google What-If Tool, Fairlearn.

---

🤖 LLM 활용 힌트 (How to Use This Knowledge)

언제 이 지식을 쓰는가:

• (TODO)

언제 쓰면 안 되는가:

• (TODO)

🧪 검증 상태 (Validation)

• 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)

# TODO

🤔 의사결정 기준 (Decision Criteria)

선택 A를 써야 할 때:

• (TODO)

선택 B를 써야 할 때:

• (TODO)

기본값:

(TODO)

❌ 안티패턴 (Anti-Patterns)

• [안티패턴]: (TODO: 무엇을 하면 안 되는가 + 이유 + 대신 무엇을)