Files

T

koriweb 5ba5a55c78 feat: Wiki 지식 자산 업데이트 - UX Scenarios, Frontend, Game Design, Topics 추가 [2026-05-08]

2026-05-08 19:52:07 +09:00

5.5 KiB

Raw Blame History

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

title

Explainable-AI (XAI)

📌 한 줄 통찰 (The Karpathy Summary)

"블랙박스의 뚜껑을 열다: AI가 복잡한 신경망 속에서 내린 결론의 근거를 인간이 이해할 수 있는 언어와 시각 자료로 설명함으로써, 기계에 대한 신뢰를 구축하고 오류를 검증 가능하게 만드는 투명성의 기술."

"모델이 '왜' 그런 판단을 내렸는지 인간의 언어로 증명하라" — 결과뿐만 아니라 그 결과에 도출된 과정과 근거를 인간이 이해할 수 있도록 제공하여, AI의 블랙박스 문제를 해결하고 신뢰성을 확보하는 기술.

📖 구조화된 지식 (Synthesized Content)

설명 가능한 AI(XAI, Explainable-AI)는 AI 모델의 결과물에 대해 인간이 이해할 수 있는 설명을 제공하는 것을 목표로 합니다.

왜 필요한가?:
- Trust: 의료, 금융 등 생명/자산과 직결된 분야에서는 "왜"라는 질문에 답할 수 있어야 함. (Ethics & AI와 연결)
- Debugging: 모델이 엉뚱한 곳을 보고 학습하는지(예: 배경을 보고 늑대를 분류) 확인.
- Regulatory Compliance: AI의 결정에 대해 사용자가 '설명받을 권리'를 법적으로 보장받는 추세.
주요 기법:
- LIME/SHAP: 입력값의 변화가 결과에 미치는 영향을 측정하여 중요도 표시.
- Attention Maps: 모델이 이미지의 어느 부분이나 텍스트의 어느 단어에 집중했는지 가시화.

추출된 패턴: 모델 내부의 복잡한 연산 과정을 중요도 맵(Heatmap), 특징 기여도(Feature Attribution), 혹은 자연어 설명으로 변환하여 사용자에게 투명성을 제공하는 해석 패턴.
주요 기법:
- LIME / SHAP: 모델의 종류와 상관없이 특정 입력에 대한 예측 근거를 분석 (Post-hoc).
- Attention Visualization: 트랜스포머 모델이 어떤 단어나 이미지 영역에 집중했는지 시각화.
- CAM (Class Activation Map): 이미지 분류 시 어떤 픽셀 영역이 결정에 결정적이었는지 노출.
- Rule-based SurroGates: 복잡한 모델을 단순한 의사결정 나무 등으로 근사하여 설명.
의의: 의료, 금융, 법률 등 고위험 의사결정 분야에서 AI 도입을 가능하게 하는 필수 조건.

⚠️ 모순 및 업데이트 (Contradictions & Updates)

과거 데이터와의 충돌: 과거에는 성능(Accuracy)과 설명력(Interpretability)이 반비례 관계라는 정책이 주류였으나, 현대 정책은 지능이 높으면서도 스스로의 논리 구조를 브리핑하는 '내재적 설명 정책'을 추구함(RL Update).
정책 변화(RL Update): 단순 가시화를 넘어, AI가 자신의 사고 과정을 단계별로 풀어서 설명하는 CoT(Chain-of-Thought) 정책이 LLM 시대의 핵심 XAI 방법론으로 부상함. (Chain-of-Thought와 연결)

과거 데이터와의 충돌: 단순히 성능(Accuracy)만 높으면 된다는 관점에서, 성능을 조금 희생하더라도 '설명 가능성(Interpretability)'이 담보되어야 한다는 신뢰 중심 관점으로 전환.
정책 변화: Antigravity 프로젝트는 에이전트가 제안한 코드나 지식 보강 내용에 대해, 참고한 소스 문서와 추론 과정을 'Rationale' 세션으로 명시하여 사용자 검증을 돕도록 설계함.

🔗 지식 연결 (Graph)

Ethics & AI, Chain-of-Thought (CoT 사고 사슬), Trust and Perspective, Transparency, Bias-Variance Tradeoff
Modern Tech/Tools: SHAP, LIME, Captum (PyTorch), Integrated Gradients.

Trustworthy-AI, AI-Ethics, Decision-Making, Feature-Engineering
Raw Source: 10_Wiki/Topics/AI/Explainable-AI-XAI.md

🤖 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)

5.5 KiB Raw Blame History