본문 바로가기
[Day19] AI 서비스 개발 특강 3. AI Ethics AI & Individuals Bias : 편향 편향을 가진 AI가 있다면 어디서 그 편향이 오게 되었을까 데이터에 기반하기 때문에 사회적으로 가지고 있는 편향이 들어갈 가능성이 높다. 하지만 정확이 어디에서 온 문제인지 알기 어렵다. Labeling을 어떻게 정의하는지에 따라서 어떤 class 분류할지 ex) 근무시간이 많다고 일을 잘한다고 말할 수 있을까 Labeling을 하는 사람이 어떤 생각을 가졌느냐에 따라 Data를 누가 어떻게 어디에서 수집했냐에 따라서 데이터가 지협적으로 모아질 수 있다. Overrepresentation Feture selection Redlining : 일반적인 기준으로 보려는 것 의도하지 않은 차별 패턴속에서 나오는 차별 의도적 차별 만들 때부터 의도를 가지고 차별하는..
[Day17] AI 서비스 개발 2. 머신러닝 프로젝트 라이프 사이클 머신러닝 프로젝트 Flow 현상을 파악하고 문제를 정의를 하는데, 문제를 잘 풀기 위해서는 정의를 구체적이고 명확하게 해야한다. 문제를 해결하면 무엇이 좋을까? 왜 해결해야 하나 어떻게 해결하면 좋을까? '어떻게' 보다는 '왜'에 집중해서 1. 현상 파악 현재 어떤 일이 발생하고 있는지 현상을 파악 해결하면 좋은 것은 무엇인지 가설을 만들고 그 가설을 풀기 위해서 어떤 데이터가 필요할지 2. 구체적인 문제 정의 앞에서 파악했던 현상을 더 구체적이고 명확한 용어로 정리 무엇을 해결하고 싶은가? = 무슨 문제를 해결하고 싶은가 데이터 확인, 없다면 인터뷰를 해서 문제를 파악한다. 문제를 쪼개서 파악한다. 문제를 일으키는 원인과 해결방안 고민 해결 방안이 데이터로 할 수 있는 일이 아닐 수 있다. rule b..

티스토리툴바