32 KiB

Raw Blame History

데이터 윤리 소개


데이터 과학 윤리 - Sketchnote by [@nitya](https://twitter.com/nitya)

우리는 모두 데이터화된 세계(datafied world)에 살고 있는 데이터 시민(data citizens)입니다.

시장 동향에 따르면 2022년까지 3분의 1 규모의 대규모 조직이 온라인 마켓플레이스 및 거래소를 통해 데이터를 사고 팔 것입니다. 앱 개발자로서 우리는 데이터를 기반으로 한 인사이트(data-driven insight)와 알고리즘 기반 자동화(algorithm-driven automation)를 일상적인 사용자 경험에 통합하는 것이 더 쉽고, 더 저렴하다는 것을 알게 될 것입니다. 그러나 AI가 보편화 됨에 따라, 그러한 알고리즘이 규모적으로 무기화로 인한 잠재적 위험을 지니고 있음을 이해해야 합니다.

또한 트렌드에 따르면 우리가 2025년까지 180 제타 바이트 이상의 데이터를 생성하고 사용할 것을 알려줍니다. 데이터 과학자로서, 이러한 트렌드는 개인 데이터에 대한 전례 없는 수준의 접근을 제공합니다. 이는 사용자의 행동 프로파일(behavioral profiles)을 구축하고, 우리가 선호하는 결과로 사용자를 유도하는 자유 선택의 환상을 만들어내므로 의사결정 과정에 영향을 미칩니다.

데이터 윤리는 이제 데이터 과학 및 데이터 엔지니어링에 필수적인 가드레일 이 되어 데이터 기반 작업으로 인한 잠재적 피해와 의도하지 않은 결과를 최소화하는 데 도움이 됩니다. 가트너(Gartner)의 AI 하이프사이클(Hype Cycle)은 AI의 민주화(democratization) 와 산업화(industrialization) 에 대한 더 큰 메가트렌드의 핵심 요인으로 디지털 윤리와 관련된 트렌드, 책임감 있는 AI(responsible AI), AI 거버넌스를 가리킵니다.

가트너(Gartner)의 AI 하이프사이클(Hype Cycle) - 2020

이 강의에서는 핵심 개념 및 과제부터 사례 연구 및 거버넌스와 같은 응용 AI 개념에 이르기까지, 데이터와 AI를 사용하여 작업하는 팀과 조직에서 윤리 문화를 확립하는 데 도움이 되는 데이터 윤리의 멋진 영역을 살펴볼 것입니다.

강의 전 퀴즈 🎯

기본 정의

기본 용어를 이해하는 것부터 시작해보겠습니다.

윤리라는 단어는 성격 또는 본성 을 의미하는 (그 어원은 “ethos”인) 그리스어 “ethikos”에서 유래했습니다.

윤리는 사회에서 우리의 행동을 지배하는 공유된 가치와 도덕적 원칙에 관한 것입니다. 윤리는 법에 근거한 것이 아니라 무엇이 “옳고 그른지”에 대해 널리 받아들여지는 규범에 근거합니다. 그러나 윤리적인 고려 사항은 규정 준수에 대한 더 많은 인센티브를 생성하는 기업 거버넌스 이니셔티브 및 정부 규정에 영향을 미칠 수 있습니다.

데이터 윤리는 “데이터, 알고리즘, 그에 해당하는 실행(practice) 과 연관된 도덕적 문제를 측정하고 연구”하는 윤리의 새로운 분과(branch)입니다. 여기서 “데이터” 는 생성, 기록, 큐레이션, 처리 보급, 공유 및 사용과 관련된 작업에 중점을 두고, “알고리즘” 은 AI, 에이전트, 머신러닝 및 로봇에 중점을 둡니다. “실행(practice)” 은 책임 있는 혁신, 프로그래밍, 해킹 및 윤리 강령과 같은 주제에 중점을 둡니다.

응용 윤리는 도덕적 고려사항의 실제적인 적용을 말합니다. 이는 실제 행동, 제품 및 프로세스 의 맥락에서 윤리적 문제를 적극적으로 조사하고 우리가 정의한 윤리적 가치와 일치하도록 수정하는 조치를 취하는 과정입니다.

윤리 문화는 우리의 윤리 원칙과 관행이 다음과 같이 채택되도록 운영화 응용 윤리에 관한 것입니다. 조직 전체에 걸쳐 일관되고 확장 가능한 방식. 성공적인 윤리 문화는 조직 전체의 윤리 원칙을 정의하고 준수를 위한 의미 있는 인센티브를 제공하며 조직의 모든 수준에서 바람직한 행동을 장려하고 증폭함으로써 윤리 규범을 강화합니다.

윤리적 개념

이 섹션에서는 데이터 윤리에 대한 공유 가치(원칙) 및 윤리적 과제(문제)와 같은 개념을 논의하고 이러한 개념을 이해하는 데 도움이 되는 케이스 스터디를 살펴볼 것입니다.

1. 윤리 원칙

모든 데이터 윤리에 대한 전략은 윤리 원칙-데이터 및 AI 프로젝트에서, 허용되는 행동을 설명하고 규정 준수 조치에 대해 설명하는 “공유된 가치”-이 무엇인지 정의하는 것으로부터 시작됩니다. 개인 또는 팀 단위로 정의할 수 있습니다. 그러나 대부분의 대규모 조직은 이런 윤리적인 AI 의 Mission 선언문이나 프레임워크를 회사 차원에서 정의하고, 모든 팀에 일관되게 시행하므로 간략하게 정의합니다.

예시: 마이크로소프트의 책임있는 AI Mission 선언문은 다음과 같습니다: “우리는 사람을 최우선으로 하는 융리 원칙에 따라 AI 기반의 발전에 전념합니다.” - 아래 프레임워크에서 6가지 윤리 원칙을 식별합니다.

이러한 원칙을 간략하게 살펴보겠습니다. 투명성 과 책임성 은 다른 원칙들의 기반이 되는 기본적인 가치입니다. 여기에서부터 시작하겠습니다.

책임은 실무자가 데이터 및 AI 운영과 이러한 윤리적 원칙 준수에 대해 책임 을 지도록 합니다.
투명성은 데이터 및 AI 작업이 사용자에게 이해 가능(해석 가능)하도록 보장하여 결정의 배경과 이유를 설명합니다.
공평성 - AI가 모든 사람 을 공정하게 대하도록 하는 데 중점을 두고, 데이터 및 시스템의 모든 시스템적 또는 암묵적 사회∙기술적 편견을 해결합니다.
신뢰성 & 안전은 AI가 정의된 값으로 일관되게 동작하도록 하여 잠재적인 피해나 의도하지 않은 결과를 최소화합니다.
프라이버시 & 보안는 데이터 계보(Data Lineage)를 이해하고, 사용자에게 데이터 개인 정보 보호 및 관련 보호 기능 을 제공하는 것입니다.
포용은 AI 솔루션을 의도적으로 설계하고 광범위한 인간의 요구 와 기능을 충족하도록 조정하는 것 입니다.

🚨 데이터 윤리 Mission 선언문이 무엇인지 생각해보십시오. 다른 조직의 윤리적 AI 프레임워크를 탐색해보세요. - 다음과 같은 예시가 있습니다. IBM, Google ,and Facebook. 이들의 공통점은 무엇입니까? 이러한 원칙은 그들이 운영하는 AI 제품 또는 산업과 어떤 관련이 있습니까?

2. 윤리적 과제

윤리적 원칙이 정의되면 다음 단계는 데이터와 AI 작업을 평가하여 이러한 공유 가치와 일치하는지 확인하는 것입니다. 데이터 수집 과 알고리즘 디자인, 이 두 가지 범주에서 당신의 행동(Action)을 생각해 보십시오.

데이터 수집을 통해, 그 행동에는 식별 가능한(idenitifiable) 살아있는 개인에 대한 개인 데이터 또는 개인 식별 정보(PII, Personally Identifiable Information)이 포함될 수 있습니다. 여기에는 종합적으로 개인을 식별할 수 있는 비개인 데이터의 다양한 항목도 포함됩니다. 윤리적인 문제는 데이터 프라이버시(개인 정보 보호), 데이터 소유권(ownership), 그리고 사용자의 정보 제공 동의 와 지적 재산권 과 같은 관련된 주제와 연관될 수 있습니다.

알고리즘 설계(design)을 사용하면, 데이터 셋을 수집 및 선별란 다음 이를 사용하여 결과를 예측하거나 실제 상황에서 의사결정을 자동화하는 데이터 모델을 교육 및 배포하는 작업이 포함됩니다. 윤리적인 문제는 본질적으로 시스템적인 일부 문제를 포함하여 알고리즘의 데이터 셋 편향, 데이터 품질 문제, 불공정 및 잘못된 표현 으로 인해 발생할 수 있습니다.

두 경우 모두 윤리 문제는 우리의 행동이 공유 가치와 충돌할 수 있는 영역을 강조합니다. 이러한 우려를 감지, 완화, 최소화 또는 제거하려면 우리의 행동과 관련된 도덕적 “예/아니오” 질문을 하고 필요에 따라 수정 조치를 취하십시오. 몇 가지 윤리적 챌린지와 그것이 제기하는 도덕적 질문을 살펴보겠습니다.

2.1 데이터 소유권

데이터 수집에는 종종 데이터 주체를 식별할 수 있는 개인 데이터가 포함됩니다. 데이터 소유권은 데이터의 생성, 처리 및 보급과 관련된 제어(control) 와 사용자 권한에 관한 것입니다.

우리가 물어야 할 도덕적 질문은 다음과 같습니다.: * 누가 데이터를 소유합니까? (사용자 또는 조직) * 데이터 주체(data subjects)는 어떤 권리를 가지고 있나요? (예: 접근, 삭제, 이동성) * 조직은 어떤 권리를 가지고 있습니까? (예: 악의적인 사용자 리뷰 수정)

2.2 정보 제공 동의

정보 제공 동의는 목적, 잠재적 위험 및 대안을 포함한 관련 사실을 완전히 이해 한 사용자가 데이터 수집과 같은 조치에 동의하는 행위를 말합니다.

여기에서 탐색할 질문은 다음과 같습니다.: * 사용자(데이터 주체)가 데이터 캡처 및 사용에 대한 권한을 부여했습니까? * 사용자가 해당 데이터가 수집된 목적을 이해했습니까? * 사용자가 참여로 인한 잠재적 위험을 이해했습니까?

2.3 지적 재산권

지적 재산권은 인간의 주도(human initiative)로 인해 생긴 개인이나 기업에 경제적 가치가 있을 수 있는 무형의 창조물을 말합니다.

여기에서 탐색할 질문은 다음과 같습니다: * 수집된 데이터가 사용자나 비즈니스에 경제적 가치가 있었습니까? * 사용자가 여기에 지적 재산권을 가지고 있습니까? * 조직에 지적 재산권이 있습니까? * 이러한 권리가 존재한다면, 어떻게 보호가 됩니까?

2.4 데이터 프라이버시

데이터 프라이버시 또는 정보 프라이버시는 개인 식별 정보에 대한 사용자 개인 정보 보호 및 사용자 신원 보호를 의미합니다.

여기서 살펴볼 질문은 다음과 같습니다: * 사용자(개인) 데이터는 해킹 및 유출로부터 안전하게 보호되고 있습니까? * 승인된 사용자 및 컨텍스트만 사용자 데이터에 액세스할 수 있습니까? * 데이터를 공유하거나 유포할 때 사용자의 익명성이 유지됩니까? * 익명화된 데이터 세트에서 사용자를 익명화할 수 있습니까?

2.5 잊혀질 권리

잊혀질 권리 또는 삭제할 권리는 사용자에 대한 추가적인 개인 데이터 보호를 제공합니다. 특히, 사용자에게 특정 상황에서 인터넷 검색 및 기타 위치에서 개인 데이터 삭제 또는 제거를 요청할 수 있는 권리를 부여하여, 사용자가 과거 조치(action)를 취하지 않고 온라인에서 새로운 출발을 할 수 있게 합니다.

여기서는 다음 질문들을 살펴볼 것입니다: * 시스템에서 데이터 주체(Data Subject)가 삭제를 요청할 수 있습니까? * 사용자 동의 철회 시 자동으로 데이터를 삭제해야 하나요? * 데이터가 동의 없이 또는 불법적인 방법으로 수집되었나요? * 우리는 데이터 개인 정보 보호에 대한 정부 규정을 준수합니까?

2.6 데이터셋 편향(Bias)

데이터셋 또는 데이터 콜렉션 편향은 알고리즘 개발을 위해 대표적이지 않은(non-representative) 데이터 하위 집합을 선택하여, 다양한 그룹의 결과에서 잠재적인 불공정이 발생하는 것에 관한 것입니다. 편향의 유형에는 선택 또는 샘플링 편향, 자원자 편향, 도구 편향이 있습니다.

여기서는 다음 질문들을 살펴볼 것입니다: * 데이터 주체의 대표적인 데이터들을 모집했는가? * 다양한 편향에 대해 수집되거나 선별된 데이터 셋을 테스트 했습니까? * 발견된 편향을 완화하거나 제거할 수 있습니까?

2.7 데이터 품질

데이터 품질은 알고리즘을 개발하는 데 사용된 선별된 데이터 셋의 유효성을 살펴보고, 기능과 레코드가 우리의 AI 목적에 필요한 정확성 및 일관성 수준에 대한 요구사항을 충족하는 지 확인합니다.

여기서는 다음 질문들을 살펴볼 것입니다: * 유스케이스(use case)에 대한 유효한 기능 을 캡처했습니까? * 다양한 데이터 소스에서 데이터가 일관되게 캡처되었습니까? * 데이터셋은 다양한 조건 또는 시나리오에 대해 완전 합니까? * 포착된 정보가 현실을 정확하게 반영합니까?

2.8 알고리즘 공정성

알고리즘 공정성은, 할당(해당 그룹에서 리소스가 거부되거나 보류되는 경우) 및 서비스 품질(일부 하위 그룹의 경우 AI가 다른 그룹의 경우만큼 정확하지 않음) 에서, 알고리즘 설계가 잠재적인 피해로 이어지는 데이터 주체의 특정 하위 그룹을 체계적으로 구별하는지 확인합니다.

여기서는 다음 질문들을 살펴볼 것입니다: * 다양한 하위 그룹 및 조건에 대해 모델 정확도를 평가했습니까? * 잠재적인 피해(예: 고정 관념)에 대해 시스템을 면밀히 조사했습니까? * 식별된 피해를 완화하기 위해 데이터를 수정하거나 모델을 다시 학습시킬 수 있습니까?

더 알아보고 싶다면, 다음 자료를 살펴보세요: AI 공정성 체크리스트

2.9 와전(Misrepresentation)

데이터 와전(Misrepresentation)은 정직하게 보고된 데이터의 통찰력을, 원하는 내러티브(Narrative)에 맞춰 기만적인 방식으로 전달하고 있는지 묻는 것입니다.

여기서는 다음 질문들을 살펴볼 것입니다: * 불완전하거나 부정확한 데이터를 보고하고 있습니까? * 오해의 소지가 있는 결론을 도출하는 방식으로 데이터를 시각화하고 있습니까? * 결과를 조작하기 위해 선택적 통계 기법을 사용하고 있습니까? * 다른 결론을 제시할 수 있는 대안적인 설명이 있습니까?

2.10 자유로운 선택

자유롭게 선택하고 있다는 환상은 시스템 ’선택 아키텍처’가 의사결정 알고리즘을 사용하여 사람들에게 선택권과 통제권을 주는 것처럼 하면서 시스템이 선호하는 결과를 선택하도록 유도할 때 발생합니다. 이런 다크 패턴(dark pattern)은 사용자에게 사회적, 경제적 피해를 줄 수 있습니다. 사용자 결정은 행동 프로파일에 영향을 미치기 때문에, 이러한 행동은 잠재적으로 이러한 피해의 영향을 증폭하거나 확장할 수 있는 향후의 선택을 유도합니다.

여기서는 다음 질문들을 살펴볼 것입니다: * 사용자는 그 선택의 의미를 이해했습니까? * 사용자는 (대안이 되는) 선택과 각각의 장단점을 알고 있습니까? * 사용자가 나중에 자동화되거나 영향을 받은 선택을 되돌릴 수 있습니까?

3. 케이스 스터디

이러한 윤리적 문제를 실제 상황에 적용하려면, 그러한 윤리 위반이 간과 되었을 때 개인과 사회에 미칠 잠재적인 피해와 결과를 강조하는 케이스 스터디를 살펴보는 것이 도움이 됩니다.

다음은 몇 가지 예입니다.

윤리적 과제	Case Study
통보 동의	1972 - Tuskegee 매독 연구 - 피험자로 연구에 참여한 아프리카계 미국인 남성은 피험자에게 진단이나 정보를 알려주지 않은 연구원들에게 무료 의료 서비스를 약속받았지만, 약속은 지켜지지 않았다. 많은 피험자가 사망하고 배우자와 자녀들이 영향을 받았습니다. 연구는 40년 동안 지속되었습니다.
데이터 프라이버시(Privacy)	2007 - 넷플릭스 Data Prize 는 추천 알고리즘을 개선하기 위해 연구원들에게 _5만명 고객으로부터 수집한 1천만개의 비식별화된(anonymized) 영화 순위_를 제공했습니다. 그러나 연구원들은 비식별화된(anonymized) 데이터를 외부 데이터셋 (예를 들어, IMDb 댓글)에 있는 개인식별 데이터(personally-identifiable data)와 연관시킴으로, 효과적으로 일부 Netflix 가입자를 ‘비익명화(de-anonymizing)’ 할 수 있었습니다.
편향 수집	2013 - 보스턴 시는 시민들이 움푹 들어간 곳을 보고할 수 있는 앱인 Street Bump를 개발하여 시에서 문제를 찾고 수정할 수 있는 더 나은 도로 데이터를 제공합니다. 그러나 저소득층의 사람들은 자동차와 전화에 대한 접근성이 낮기 때문에 이 앱에서 도로 문제를 볼 수 없었습니다. 개발자들은 학계와 협력하여 공정성을 위한 공평한 접근 및 디지털 격차 문제를 해결했습니다.
알고리즘 공정성	2018 - MIT 성별 유색인종 연구에서 성별 분류 AI 제품의 정확도를 평가하여 여성과 유색인의 정확도 격차를 드러냈습니다. 2019년도 Apple Card는 남성보다 여성에게 신용을 덜 제공하는 것으로 보입니다. 둘 다 사회 경제적 피해로 이어지는 알고리즘 편향의 문제를 나타냅니다.
데이터 허위 진술	2020년 - 조지아 보건부 코로나19 차트 발표의 x축이 시간순이 아닌 순서로 표시된 확인된 사례의 추세에 대해 시민들을 잘못된 방향으로 이끄는 것으로 나타났습니다. 이 발표 시각화 트릭을 통해 잘못된 표현을 나타냈습니다.
자유 선택의 환상	2020 - 학습 앱인 ABCmouse는 부모들이 취소할 수 없는 구독료에 빠지게 되는 FTC 불만 해결을 위해 1천만 달러 지불 했습니다. 이는 사용자가 잠재적으로 해로운 선택을 하도록 유도하는 선택 아키텍처의 어두운 패턴을 보여줍니다.
데이터 개인정보 보호 및 사용자 권한	2021 - Facebook 의 데이터 침해 는 5억 3천만 명의 사용자의 데이터를 노출하여 FTC에 50억 달러의 합의금을 냈습니다. 그러나 데이터 투명성 및 액세스에 대한 사용자 권한을 위반하는 위반 사항을 사용자에게 알리는 것을 거부했습니다.

더 많은 사례 연구를 살펴보고 싶으십니까? 다음 리소스를 확인하세요.: * 윤리를 풀다(ethic unwrapped) - 다양한 산업 분야의 윤리 딜레마 * 데이터 과학 윤리 과정 - 획기적인 사례 연구 탐구 * 문제가 발생한 곳 - 사례와 함께 살펴보는 데온(deon)의 체크리스트

🚨 당신이 본 사례 연구에 대해 생각해보십시오. 당신은 당신의 삶에서 유사한 윤리적 도전을 경험했거나 영향을 받은 적이 있습니까? 이 섹션에서 논의한 윤리적 문제 중 하나에 대한 다른 사례 연구를 하나 이상 생각할 수 있습니까?

응용 윤리(Applied Ethics)

우리는 실제 상황에서 윤리 개념, 도전 과제 및 사례 연구에 대해 이야기했습니다. 그러나 프로젝트에서 윤리적 원칙과 관행을 적용 하기 시작하려면 어떻게 해야 합니까? 그리고 더 나은 거버넌스를 위해 이러한 관행을 어떻게 운영 할 수 있습니까? 몇 가지 실제 솔루션을 살펴보겠습니다:

1. 전문 코드(Professional Codes)

전문 강령(Professional Codes)은 조직이 구성원의 윤리 원칙과 사명 선언문을 지지하도록 “인센티브”를 제공하는 하나의 옵션을 제공합니다. 강령은 직원이나 구성원이 조직의 원칙에 부합하는 결정을 내리는 데 도움이 되는 직업적 행동에 대한 도덕적 지침 입니다. 이는 회원들의 자발적인 준수에 달려 있습니다. 그러나 많은 조직에서 구성원의 규정 준수를 유도하기 위해 추가 보상과 처벌을 제공합니다.

다음과 같은 사례가 있습니다:

Oxford Munich 윤리강령
데이터 과학 협회 행동강령 (2013년 제정)
ACM 윤리 및 직업 행동 강령 (1993년 이후)

🚨 전문 엔지니어링 또는 데이터 과학 조직에 속해 있습니까? 그들의 사이트를 탐색하여 그들이 직업적 윤리 강령을 정의하는지 확인하십시오. 이것은 그들의 윤리적 원칙에 대해 무엇을 말합니까? 구성원들이 코드를 따르도록 “인센티브”를 제공하는 방법은 무엇입니까?

2. 윤리 체크리스트

전문 강령은 실무자에게 필요한 윤리적 행동 을 정의하지만 특히 대규모 프로젝트 시행에서 자주 사용되는 제한 사항이 있습니다. 이로 인해 많은 데이터 과학 전문가들이 체크리스트를 따름으로 보다 결정적이고 실행 가능한 방식으로 원칙과 사례를 연결 할 수 있습니다.

체크리스트는 질문을 운영 가능한 “예/아니오” 작업으로 변환하여 표준 제품 릴리스 워크플로의 일부로 추적할 수 있도록 합니다.

다음과 같은 사례가 있습니다: * Deon - 쉬운 통합을 위한 Command Line Tool 형태의 범용적인 윤리 체크리스트 (업계 권고사항에서 만들어짐) * 개인정보 감사 체크리스트 - 법적 및 사회적 노출 관점에서 정보 처리 관행에 대한 일반적인 지침을 제공합니다. * AI 공정성 체크리스트 - 공정성 검사의 채택 및 AI 개발 주기 통합을 지원하기 위해 AI 실무자가 작성. * 데이터 및 AI의 윤리에 대한 22가지 질문 - 디자인, 구현 및 조직적 맥락에서 윤리적 문제의 초기 탐색을 위한, 보다 개방적인 프레임워크, 구조화.

3. 윤리 규정

윤리는 공유 가치를 정의하고 옳은 일을 자발적으로 하는 것입니다. 규정 준수는 정의된 경우 법률 준수 에 관한 것입니다. 거버넌스는 조직이 윤리 원칙을 시행하고 확립된 법률을 준수하기 위해 운영하는 모든 방식을 광범위하게 포함합니다.

오늘날 거버넌스는 조직 내에서 두 가지 형태를 취합니다. 첫째, 윤리적 AI 원칙을 정의하고 조직의 모든 AI 관련 프로젝트에서 채택을 운영하기 위한 관행을 수립하는 것입니다. 둘째, 사업을 영위하는 지역에 대해 정부에서 의무화한 모든 데이터 보호 규정을 준수하는 것입니다.

데이터 보호 및 개인 정보 보호 규정 사례:

1974, 미국 개인 정보 보호법 - 연방 정부 의 개인 정보 수집, 사용 및 공개를 규제합니다.
1996, 미국 HIPAA(Health Insurance Portability & Accountability Act) - 개인 건강 데이터를 보호합니다.
1998, 미국 아동 온라인 개인정보 보호법(COPPA) - 13세 미만 어린이의 데이터 프라이버시를 보호합니다.
2018, GDPR(일반 데이터 보호 규정) - 사용자 권한, 데이터 보호 및 개인 정보 보호를 제공합니다.
2018, 캘리포니아 소비자 개인정보 보호법(CCPA) 소비자에게 자신의 (개인) 데이터에 대해 더 많은 권리 를 부여합니다.
2021, 중국의 개인정보보호법 막 통과되어 전 세계적으로 가장 강력한 온라인 데이터 개인 정보 보호 규정 중 하나를 만들었습니다.

🚨 유럽 연합에서 정의한 GDPR(일반 데이터 보호 규정)은 오늘날 가장 영향력 있는 데이터 개인 정보 보호 규정 중 하나입니다. 시민의 디지털 프라이버시와 개인 데이터를 보호하기 위헌 8가지 사용자 권한도 정의하고 있다는 사실을 알고 계셨습니까? 이것이 무엇이며 왜 중요한지 알아보십시오.

4. 윤리 문화

준수 (“법규”를 충족하기 위해 충분히 노력함)와 (골화, 정보 비대칭 및 분배 불공정과 같은) AI의 무기화를 가속화할 수 있는 시스템 문제 해결 사이에는 무형의 격차가 있습니다.

후자는 산업에서 조직 전체적으로 정서적 연결과 일관된 공유 가치를 구축하는 윤리 문화를 정의하기 위한 협력적 접근 방식이 필요합니다. 이것은 조직에서 더 많은 공식화된 데이터 윤리 문화를 요구합니다. 이런 문화는 누구나 (프로세스 초기에 윤리 문제 제기를 위해) Andon 강령을 사용하고 윤리적 평가 (예: 고용 시)를 AI 프로젝트의 핵심 기준 팀 구성으로 만듭니다.

강의 후 퀴즈 🎯

복습 & 독학

과정과 책은 핵심 윤리 개념과 과제를 이해하는 데 도움이 되며, Case Study와 도구는 실제 상황에서 윤리 사항들을 적용하는 데 도움이 됩니다. 다음은 시작을 할 때 도움이 되는 몇가지 자료들입니다.

초보자를 위한 기계 학습 - 공정성(fairness)에 대한 강의, from Microsoft.
책임있는 AI 원칙 - 무료 학습 경로, from Microsoft Learn.
윤리와 데이터 과학 - O’Reilly EBook (M. Loukides, H. Mason et. al)
데이터 과학 윤리 - 미시간 대학의 온라인 학습 과정.
Ethics Unwrapped - 텍사스 대의 Case Study.

과제

데이터 윤리 Case Study 작성

32 KiB Raw Blame History Unescape Escape