한빛출판네트워크

<p><strong>[1부_ 인공지능 위험관리의 이론과 실제 적용 사례]</strong></p><p> </p><p><strong>1장 현대의 머신러닝 위험관리</strong><br>_1.1 법률 및 규제 환경 개요<br>_1.2 권위 있는 모범사례<br>_1.3 AI 사고 <br>_1.4 머신러닝 위험관리를 위한 문화적 역량<br>_1.5 머신러닝 위험관리를 위한 조직 프로세스<br>_1.6 사례 연구: 질로우 아이바잉 사업의 흥망성쇠 <br>_1.7 참고 자료</p><p> </p><p><strong>2장 해석 및 설명 가능한 머신러닝</strong><br>_2.1 해석 가능성 및 설명 가능성에 관한 중요 아이디어<br>_2.2 설명 가능한 모델<br>_2.3 사후 설명<br>_2.4 실무에서 사후 설명의 고질적 문제<br>_2.5 설명 가능한 모델과 사후 설명의 결합<br>_2.6 사례 연구: 알고리즘 채점<br>_2.7 참고 자료</p><p> </p><p><strong>3장 안전성과 성능을 높이는 머신러닝 시스템 디버깅</strong><br>_3.1 훈련<br>_3.2 모델 디버깅<br>_3.3 배포<br>_3.4 사례 연구: 자율주행차 사망 사고<br>_3.5 참고 자료</p><p> </p><p><strong>4장 머신러닝 편향관리</strong><br>_4.1 ISO 및 NIST의 편향 정의<br>_4.2 미국의 머신러닝 편향에 대한 법적 개념 <br>_4.3 머신러닝 시스템의 편향을 경험하는 경향이 있는 사람<br>_4.4 사람들이 경험하는 피해<br>_4.5 편향 테스트<br>_4.6 편향 완화<br>_4.7 사례연구: 편향 버그 바운티<br>_4.8 참고 자료</p><p> </p><p><strong>5장 머신러닝 보안</strong><br>_5.1 보안 기초<br>_5.2 머신러닝 공격<br>_5.3 일반적인 머신러닝 보안 문제<br>_5.4 대응책<br>_5.5 사례 연구: 실제 우회 공격<br>_5.6 참고 자료</p><p> </p><p><strong>[2부_ 인공지능 위험관리 실행하기]</strong></p><p> </p><p><strong>6장 설명 가능한 부스팅 머신과 XGBoost 설명</strong><br>_6.1 개념 복습: 머신러닝 투명성<br>_6.2 일반화가법모형 계열의 설명 가능한 모델<br>_6.3 제약조건과 사후 설명이 있는 XGBoost<br>_6.4 참고 자료</p><p> </p><p><strong>7장 파이토치 이미지 분류기</strong><br>_7.1 흉부 엑스레이 분류 설명<br>_7.2 개념 복습: 설명 가능한 모델과 사후 설명 기법<br>_7.3 설명 가능한 모델<br>_7.4 파이토치 이미지 분류기 훈련 및 설명 <br>_7.5 결론<br>_7.6 참고 자료</p><p> </p><p><strong>8장 XGBoost 모델 선택 및 디버깅</strong><br>_8.1 개념 복습: 머신러닝 디버깅<br>_8.2 더 좋은 XGBoost 모델 선택하기<br>_8.3 XGBoost 민감도 분석<br>_8.4 XGBoost 잔차 분석<br>_8.5 선택한 모델 개선하기<br>_8.6 결론<br>_8.7 참고 자료</p><p> </p><p><strong>9장 파이토치 이미지 분류기 디버깅</strong><br>_9.1 개념 복습: 딥러닝 디버깅<br>_9.2 파이토치 이미지 분류기 디버깅하기<br>_9.3 결론 <br>_9.4 참고 자료</p><p> </p><p><strong>10장 XGBoost를 사용한 편향 테스트 및 개선</strong><br>_10.1 개념 복습: 편향관리<br>_10.2 모델 훈련 <br>_10.3 모델의 편향 평가<br>_10.4 편향 개선<br>_10.5 결론<br>_10.6 참고 자료</p><p> </p><p><strong>11장 레드 팀 XGBoost</strong><br>_11.1 개념 복습<br>_11.2 모델 훈련<br>_11.3 레드 팀 공격<br>_11.4 결론<br>_11.5 참고 자료</p><p> </p><p><strong>[3부_ 결론]</strong></p><p> </p><p><strong>12장 고위험 머신러닝에서 성공하는 방법</strong><br>_12.1 프로젝트 참여 대상<br>_12.2 과학 대 공학 <br>_12.3 발표된 결과와 주장에 대한 평가 <br>_12.4 외부 표준 적용하기<br>_12.5 상식적인 위험완화<br>_12.6 결론<br>_12.7 참고 자료</p><p> </p><p><strong>부록 </strong><br><strong>찾아보기</strong></p>

<p><strong>AI 규제법안 시대, 고위험 애플리케이션에서 ML 기술을 책임감 있게 활용하는 방법</strong></p><p> </p><p>유럽연합 의회는 인공지능 기술을 안전하고 윤리적으로 사용할 수 있도록 하는 규제법안인 인공지능법(AI Act)을 최근 승인했습니다. 이 법안은 인공지능 시스템의 개발, 배포, 사용에 대한 엄격한 규제를 마련해 인공지능 기술의 잠재적 위험성을 관리하고, 사람 중심의 인공지능 기술 발전을 촉진할 목적으로 제정되었습니다. 이 법안은  인공지능 기술을 ‘허용할 수 없는’ 기술부터 고위험, 중위험, 저위험으로 분류하며 ‘허용할 수 없는’ 기술은 금지합니다.</p><p> </p><p>이 책은 저자들이 경험한 실제 사례와 연구 결과를 통해 머신러닝 기술을 고위험 애플리케이션에 성공적으로 적용하는 방법을 보여줍니다. 또한, 유럽연합의 인공지능 규제법안의 주요 내용과 미국 위험관리 프레임워크 관련성을 분석하고 법안 준수를 위한 구체적인 방안을 제시합니다. 주로 다루는 내용은 다음과 같습니다.</p><p> </p><ul><li>편향 및 윤리 문제: 모델 개발 과정에서 발생할 수 있는 편향과 윤리 문제 해결 및 완화 방법</li><li>모델 설명 및 책임감: 고위험 애플리케이션에서 머신러닝 모델의 설명 가능성과 책임감 확보 방법</li><li>모델 평가 및 검증: 고위험 애플리케이션에서 머신러닝 모델의 성능과 신뢰성 평가 및 검증 방법</li><li>모델 배포 및 관리: 고위험 애플리케이션에서 머신러닝 모델을 안전하고 효율적으로 배포 및 관리하는 방법</li></ul>