2nd/10_Wiki/Topics_Art/Algorithmic Fairness.md

id, category, confidence_score, tags, last_reinforced

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

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

---