KAIST, 인공지능 편향성 문제 개선 기술 개발

(대전=뉴스1) 김태진 기자 = 국내 연구진이 인공지능(AI)의 심각한 편향성 문제에 대해 공정한 판단을 내리도록 돕는 기술을 개발했다.

한국과학기술원(KAIST)은 전기및전자공학부 황의종 교수 연구팀이 학습 상황과 달라진 새로운 분포의 테스트 데이터에 대해 편향되지 않은 판단을 내리도록 돕는 새로운 모델 훈련 기술을 개발했다고 30일 밝혔다.

인공지능 기술이 사회 전반에 걸쳐 광범위하게 활용되며 인간의 삶에 많은 영향을 미치고 있다.

최근 인공지능의 긍정적인 효과 이면에 범죄자의 재범 예측을 위해 머신러닝 학습에 사용되는 콤파스(COMPAS) 시스템을 기반으로 학습된 모델이 인종 별로 서로 다른 재범 확률을 부여할 수 있다는 심각한 편향성이 관찰됐다.

이 밖에도 채용, 대출 시스템 등 사회의 중요 영역에서 인공지능의 다양한 편향성 문제가 밝혀지며, 공정성을 고려한 머신러닝 학습의 필요성이 커지고 있다.

전 세계의 연구자들이 인공지능의 공정성을 높이기 위한 다양한 학습 방법론을 제안하고 있으나, 대부분의 연구는 인공지능 모델을 훈련시킬 때 사용되는 데이터와 실제 테스트 상황에서 사용될 데이터가 같은 분포를 갖는다고 가정한다.

반면 실제 상황에서는 이러한 가정이 대체로 성립하지 않으며, 최근 다양한 애플리케이션에서 학습 데이터와 테스트 데이터 내의 편향 패턴이 크게 변화할 수 있음이 관측되고 있다.

이때 테스트 환경에서 데이터의 정답 레이블과 특정 그룹 정보 간의 편향 패턴이 변경되면 사전에 공정하게 학습됐던 인공지능 모델의 공정성이 직접적인 영향을 받고 다시 악화된 편향성을 가질 수 있다.

과거에 특정 인종 위주로 채용하던 기관이 지금은 인종에 관계 없이 채용한다고 예를 들면, 과거의 데이터를 기반으로 공정하게 학습된 인공지능 채용 모델이 현재의 데이터에는 오히려 불공정한 판단을 내릴 수 있다는 것이다.

연구팀은 이러한 문제를 해결하기 위해 우선 '상관관계 변화' 개념을 도입해 기존의 공정성을 위한 학습 알고리즘들이 가지는 정확성과 공정성 성능에 대한 근본적인 한계를 이론적으로 분석했다.

이 기법은 데이터 전처리만 하기에 기존에 제안된 알고리즘 기반 공정한 학습 기법을 그대로 활용하면서 개선할 수 있다. 이미 사용되고 있는 공정한 학습 알고리즘이 위에서 설명한 상관관계 변화에 취약하다면 제안된 기법을 함께 사용해서 해결할 수 있다는 것이다.

노유지 KAIST 전기및전자공학부 박사과정 학생(제1 저자)은 "이번 연구를 통해 인공지능 기술의 실제 적용 환경에서 모델이 더욱 신뢰할 수 있고 공정한 판단을 하도록 도울 것으로 기대한다ˮ고 말했다.

연구팀을 지도한 황의종 교수(교신저자)는 "기존 인공지능이 변화하는 데이터에 대해서도 공정성이 저하되지 않도록 하는 데 도움이 되길 기대한다"고 했다.

서창호 KAIST 교수와 이강욱 위스콘신-매디슨 대학 교수가 공동 저자로 참여한 이번 연구는 한국연구재단 지원으로 수행됐다.

연구 성과는 머신러닝 최고권위 국제학술 대회인 `국제 머신러닝 학회(ICML)에서 발표됐다.

memory4444444@news1.kr