[LG Aimers] AI 윤리

1. 데이터 분석과 AI 학습에서 유의할 점

데이터 처리 및 수집에서 윤리 이슈

• 데이터 해석과 관련된 오류 주의: 상관관계 ≠ 인과관계
• 상관관계: 두 대상이 관련성이 있다고 추측
• 인과관계: 한 사건이 다른 사건의 원인이 되는 관계
• 예) 초콜릿 소비량과 노벨상 수상자 수

데이터 분석의 핵심 요소

• 데이터 전처리
• Error bar 추가
• 아웃라이어 제거 및 데이터 표준화
• 적합한 통계 테스트 선택

• EDA: 충분한 시간 할애

• 학습 데이터 품질:
• Underfitting, Overfitting 방지
• 학습 데이터 ≠ 테스트 데이터

AI 모델의 성능 및 설명력

• 블랙박스 알고리즘의 한계:
• 설명력 부족 문제
• Saliency map, SHAP 등 설명 가능한 AI 기술 활용

• 노이즈 민감성:
• 예) One pixel attack

웹 데이터 활용의 한계와 주의점

• 데이터의 대표성 부족:
• Spiral of silence 현상
• 인포데믹(Infodemic) 주의

• 사용자 중심 서비스 필요:
• 원치 않는 광고, 유해 콘텐츠 노출 등 배제
• 개인정보 보호 강화 (GDPR 등)

2. AI 윤리 (AI Ethics)

창의성과 저작권

• AI와 예술:
• GAN을 이용한 창작물의 저작권 이슈
• AI 작품은 창작성을 가질 수 있는가?

• 법적 제도:
• 학습 데이터 제공자에게 혜택 돌아가지 않음
• NFT, 저작권 문제 등

AI의 사회적 영향

• 로봇과 윤리:
• 아시모프의 로봇 3원칙
• 자율주행차 사고 시 책임 문제

• 로봇 인격화:
• 로봇 학대는 인간성에 부정적 영향

3. 세계적인 데이터 과학자가 되는 방법

데이터 과학자 인사이트

• 이종 데이터의 결합이 혁신을 가져옴:
• 예) 통신사 데이터를 활용한 대중교통 최적화
• 소셜 네트워크 데이터를 통한 정치 성향 분석

• 빅데이터와 AI 기반 계산과학의 발전

목표 달성과 성장

• 일상 속 데이터 관심: 꾸준한 학습과 결과 창출

• 실행력: 계획한 것을 바로 실행
• "What gets scheduled, gets done."

• 도전적 목표 설정:
• 50% 성공 확률의 목표 설정
• 지속적인 목표 조정과 실패를 두려워하지 않기

레이 달리오의 성공 원칙

1. 목표 설정

2. 문제 발견

3. 근본 원인 분석

4. 해결 계획 수립

5. 실행