|
Research on Fair, Accountable, and Transparent ML systems
( Explaining what learned models predict: In which cases can we trust machine learning models and when is caution required )
Introduction
Our lives are becoming more dependent on the presence of machine learning(ML). But as data, the fue
|
|
|
Explainable AI)도 병행 연구하여, 이상 탐지 결과에 대한 신뢰성과 설득력을 확보할 것입니다. 마지막으로 고려대 정보보호대학원의 산업 협력 프로그램을 통해 실제 보안 환경에서 테스트 및 피드백을 수집하고, 이를 바탕으로 알고리즘과 자동
|
|
 |
기반 신약 개발, 미생물 대사 최적화, 단백질 구조 예측 등의 분야가 더욱 발전할 것으로 예상됩니다. 특히, Explainable AI(XAI) 기술을 활용하여 AI 모델의 예측 결과를 해석하는 것이 중요해질 것입니다.
4) 연구 경험 중 가장 도전적이었던 과제
|
|
 |
AI(Explainable AI)에 도전하고 싶습니다.”
AI가 금융 산업에 적용될 때 가장 중요한 과제 중 하나는 ‘투명성’이라고 생각합니다. 단순히 높은 정확도를 가진 모델보다, 결정 근거를 명확히 설명할 수 있는 AI 시스템이 고객과 기업 양쪽에 신뢰
|
|
 |
.
2) AI 기반 신용평가 모델의 투명성 강화
설명 가능한 AI(eXplainable AI, XAI)를 적용하여 신용평가 결과의 해석 가능성을 높이고, 평가 결과에 대한 신뢰도를 확보해야 한다.
3) 하이브리드 신용평가 모델 도입
기존 신용평가 모델과 AI 기반 모
|
|
 |
AI 기술의 윤리성 및 신뢰성 확보입니다. 공공행정에서 AI가 제대로 기능하기 위해서는 알고리즘의 편향성, 투명성, 개인정보보호 문제가 충분히 고려되어야 합니다. 이를 위해 알고리즘 설명가능성(Explainable AI)을 확보하고, 민감정보 처리 시
|
|
 |
AI 기술 공유 활동을 통해 조직 전체의 AI 역량을 강화하는 역할을 수행하고자 합니다.
마지막으로, AI 윤리성과 신뢰성을 고려한 AI 모델 개발에 기여하겠습니다. AI가 공정하고 책임감 있게 사용되도록 하기 위해 Explainable AI(XAI) 기법을 활용하
|
|
메뉴펼치기
