의사결정 프레임워크 및 AI 모델 알아보기

학습 목표

이 유닛을 완료하면 다음을 수행할 수 있습니다.

의사결정 모델 세 가지를 나열할 수 있습니다.
현실에서 데이터 기반 의사결정 프레임워크를 적용하는 방법을 설명할 수 있습니다.
세 가지 기본 AI 모델과 적용 사례를 설명할 수 있습니다.
데이터 및 AI 모델의 편향성을 인식하고 공정성을 보장할 수 있습니다.

이제 의사결정 모델, 데이터 기반 프레임워크, AI 모델에 대해 알아본 다음, 이 모든 것에서의 편향성과 공정성 과제에 대해 살펴보겠습니다.

의사결정 모델

의사결정 모델과 이론은 다양하게 존재합니다. 조직과 개인이 경험적 증거를 바탕으로 보다 정보에 입각한 객관적이고 효과적인 의사결정을 내릴 수 있도록 하기 위함입니다.

다음은 몇 가지 주요 모델입니다.

합리적 의사결정 모델: 이 모델은 개인이 가능한 모든 대안을 검토하고 효용이 가장 높은 대안을 선택함으로써 논리적이고 일관된 의사결정을 내린다고 가정합니다. 합리성이 이 모델의 초석이며, 최적의 선택을 내리는 것을 목표로 합니다.

제한적 합리성 모델: 제한적 합리성 모델은 현실의 의사결정권자에게 인지적 제약이 있고 얻을 수 있는 정보에도 제한이 있다는 점을 고려합니다. 따라서 이 모델은 최적의 선택을 추구하기보다 '적당히 좋은' 결정을 내리는 데 초점을 맞춥니다.

직관적 의사결정: 직관적인 의사결정은 직감과 개인적인 경험에 의존합니다. 빠른 결정이 필요하거나 정보가 충분하지 않을 때 자주 사용됩니다.

데이터 기반 의사결정 프레임워크

데이터 기반 의사결정 프레임워크는 데이터를 주요 동인으로 사용하여 의사결정에 대한 구조화된 접근법을 제공합니다. 다음은 업계에서 사용되는 두 가지 주요 의사결정 프레임워크입니다.

도구	설명
의사결정 트리	이러한 그래픽 표현은 의사결정, 결과 및 가능성을 시각화하고 평가하는 데 도움이 됩니다.
퓨 매트릭스	이 결정 매트릭스는 기준을 정량화하고 그 영향을 평가하여 여러 대안을 비교하는 데 도움이 됩니다.

의사결정 트리

의사결정 트리는 일련의 기준에 따라 선택이나 결정을 내릴 수 있는 체계적인 접근 방식을 제공합니다. 다양한 옵션과 잠재적 결과를 평가할 수 있는 구조화된 방법을 제공하여 가장 적합한 조치를 선택할 수 있도록 도와줍니다. 의사결정 트리는 노드와 브랜치로 구성되며, 노드는 의사결정 또는 선택을 나타내고 브랜치는 그에 따른 결과 또는 영향을 나타냅니다.

예를 들면, 날씨 조건에 따라 스포츠 경기의 진행 여부(예/아니요)를 결정하는 데 의사결정 트리를 사용할 수 있습니다. 날씨가 맑으면 습도를 확인하고, 습도가 높은 경우, '경기를 진행하지 마세요', 낮은 경우, '경기를 진행하세요'라고 표시합니다. 이 외에도 날씨가 흐리면 '경기를 진행하세요'라고 하는 등 다양한 기상 조건에 맞게 표시할 수 있습니다.

이 프레임워크는 일반적으로 비즈니스, 금융, 의료, 머신 러닝 분야에서 의사결정 프로세스를 모델링하고 데이터와 논리를 기반으로 선택을 최적화하는 데 사용됩니다.

스포츠 게임 플레이 여부를 결정하는 의사결정 트리의 예시

퓨 매트릭스

퓨 매트릭스는 의사결정 도구로, 퓨 방법 또는 의사결정 매트릭스라고도 합니다. 일련의 기준에 따라 여러 대안이나 옵션을 평가하고 비교하는 데 사용됩니다. 다양한 옵션을 정량화하고 순위를 매김으로써 체계적인 접근 방식을 제공하여 정보에 입각한 의사결정을 내릴 수 있도록 합니다. 이 방법은 영국의 엔지니어이자 설계 이론가인 Stuart Pugh가 개발했습니다.

퓨 매트릭스는 여러 요소와 그 상대적 중요성을 구조화된 방식으로 표현하기 때문에 합리적인 의사결정을 내리는 데 도움이 됩니다. 아래의 퓨 매트릭스 예시에서는 기준선 0에서 시작해 양(+), 음(-) 또는 같음(0)으로 대안이 표시되었습니다. 이렇게 비교한 값을 합산하여 솔루션의 순위를 매기고 최적화할 수 있습니다. 이 방법은 엔지니어링, 제품 디자인, 비즈니스 관리와 같은 분야에서 유용하게 사용됩니다.

퓨 매트릭스 예시

이러한 데이터 기반 의사결정 프레임워크는 객관적이고 증거에 기반한 선택을 할 수 있도록 도와줍니다.

물류 및 공급망 관리에서는 데이터 기반 의사결정 프레임워크를 적용해 상품의 이동을 최적화할 수 있습니다. 기업은 재고 수준, 수요 예측, 운송 비용, 리드 타임 등에 대한 데이터를 활용하여 비용 효율이 높은 배송 경로, 보관 위치, 재주문 지점을 찾을 수 있습니다. 이를 통해 비용을 최소화하고, 품절을 예방하며, 고객에게 효율적으로 제품을 전달할 수 있습니다.

AI 모델 소개

이제 AI 모델을 살펴보겠습니다. 지금까지 살펴본 바와 같이 인공 지능과 머신 러닝(AI/ML)은 의사결정 과정을 지원할 수 있는 강력한 도구입니다.

AI 모델 유형

AI 모델에는 지도 학습, 비지도 학습, 강화 학습의 세 가지 주요 유형이 있습니다.

지도 학습 모델은 레이블이 지정된 데이터 세트를 사용해 학습하며, 시간이 지남에 따라 학습한 내용이 축적되며 정확도가 향상됩니다. 예를 들어, 알고리즘을 인간이 라벨링한 개와 기타 사물의 사진으로 학습시키면 나중에 해당 머신은 스스로 개 사진을 식별할 수 있게 되는 것입니다. 지도 학습은 오늘날 가장 일반적으로 사용되는 유형입니다.

비지도 학습에서는 머신이 라벨링되지 않은 데이터에서 패턴을 찾습니다. 비지도 학습을 사용하면 인간이 명시적으로 찾지 않는 패턴이나 트렌드를 찾아낼 수 있습니다. 예를 들어, 온라인 판매 데이터를 살펴보고 다양한 유형의 구매 클라이언트를 식별할 수 있습니다.

강화 학습에서는 리워드 시스템을 구축하여 시행착오를 통해 머신이 최선의 동작을 하도록 훈련시킵니다. 머신이 올바른 결정을 내릴 때 알려주어 시간이 지남에 따라 어떤 행동을 취해야 하는지 학습하게 합니다. 게임을 플레이하도록 모델을 훈련시키거나 자율 주행 차량을 운전하도록 훈련시킬 수 있습니다.

생성형 AI 모델은 신경망을 사용하여 기존 데이터 내의 패턴과 구조를 식별하여 새롭고 독창적인 컨텐츠를 생성합니다. 생성형 AI의 혁신적인 기능 중 하나는 비지도 학습, 반지도 학습 등 다양한 학습 접근법을 훈련에 적용할 수 있다는 점입니다. 생성형 AI의 경우 세 가지 기술을 모두 함께 사용합니다.

사용 사례 탭을 클릭하여 다양한 업계에서 이러한 AI 모델을 의사결정 프로세스에 어떻게 활용하는지 확인하세요. (다음 유닛에서 활용 사례에 대해 자세히 살펴보겠습니다.)

AI의 편향성과 공정성

인공 지능이 다양한 영역의 의사결정 프로세스에 도입되면서 효율성과 정확성이 비약적으로 향상되었습니다. 하지만 AI가 점점 더 생활에서 필수적인 요소로 자리 잡음에 따라, AI 시스템의 편향성과 공정성 문제 해결의 필요성이 커지고 있습니다. 공정성을 보장하고 윤리 지침을 준수하는 것의 중요성은 아무리 강조해도 지나치지 않습니다. AI 시스템을 책임감 있게 개발하고 사용하지 않으면 편향성이나 차별, 윤리적 딜레마가 발생할 수 있습니다.

데이터 및 AI 모델의 편향성 인식 및 공정성 보장

편향성이란 차별적인 결과를 초래할 수 있는 체계적이고 불공정한 구분이나 선호를 말합니다. 편향성을 인식하는 것은 이를 해결하고 영향력을 완화하는 첫 번째 단계로, 편향성이 발견되면 개발자, 데이터 과학자, 비즈니스 사용자는 즉시 수정 조치를 취해야 합니다. 각 탭을 클릭하여 조직에서 데이터 및 AI 모델의 편향성을 인식하고 공정성을 높이기 위해 취할 수 있는 조치를 알아보세요.

이 유닛에서는 다양한 의사결정 모델, 데이터 기반 프레임워크 및 AI 모델과 편향성을 완화하고 공정성을 추구해야 하는 윤리적 책임에 대해 알아보았습니다. 다음 유닛에서는 다양한 상황에서 AI의 실제 적용 사례를 살펴보겠습니다.