AI 투명성: 거버넌스, 설명 가능성 및 데이터 관리 방식

AI 투명성은 인공지능 시스템의 데이터, 모델 동작 및 의사 결정 과정을 해당 시스템의 영향을 받는 사람들이 명확하게 보고 이해할 수 있도록 만드는 실천 방식입니다. 투명한 AI 시스템은 학습 데이터가 어떻게 수집되었는지, 모델이 어떻게 결과물을 도출하는지, 그리고 그 결과물이 피해를 입혔을 때 누구에게 책임이 있는지를 기록합니다. AI 투명성은 모델이 특정 예측에 도달하는 과정을 다루는 설명 가능성(explainability), 그리고 인간이 모델의 내부 논리를 얼마나 직접 추적할 수 있는지를 설명하는 해석 가능성(interpretability)과는 구별됩니다. 이 가이드는 개발자, 감사인, 정책 입안자 및 제품 팀이 신뢰할 수 있는 AI를 구축하고 투명한 AI 시스템을 관리하는 데 실질적인 참고 자료를 제공합니다.

인공지능 시스템에서 AI 투명성이란 무엇인가요?

AI 투명성이란 이해관계자에게 AI 시스템이 어떻게 구축되었는지, 어떤 데이터로 학습되었는지, 그리고 어떻게 결과물을 생성하는지에 대한 유의미한 정보를 제공하는 것을 의미합니다. 투명한 AI 시스템은 AI 모델, AI 알고리즘 및 AI 프로세스를 기록하여 개발자, 규제 기관 및 최종 사용자가 시스템이 주장하는 대로 작동하는지 평가할 수 있도록 합니다.

AI의 투명성은 기반 데이터, 이에 적용된 머신러닝 알고리즘, 성능 검증에 사용된 평가 지표, 배포를 감독하는 거버넌스 구조 등 전체 AI 에코시스템을 아우릅니다. 투명한 AI 시스템이 반드시 단순해야 하는 것은 아닙니다. 조직이 학습 데이터를 기록하고, 한계를 공개하며, 인간의 감독을 위한 채널을 제공한다면 복잡한 신경망과 파운데이션 모델도 투명해질 수 있습니다.

이러한 구분은 운영 측면에서 중요합니다. 모델 자체가 검사를 거부하는 블랙박스 모델인 경우, 팀이 상세한 모델 카드를 게시하더라도 설명 가능성을 확보하지 못할 수 있습니다.

의사 결정에서 AI 투명성이 중요한 이유

의사 결정에서 AI 투명성이 중요한 이유는 이해관계자가 그 이면의 의사 결정 과정을 이해할 때 AI를 신뢰하기 때문입니다. AI 모델이 블랙박스로 작동하면 비즈니스 리더, 규제 기관 및 고객은 그 결과물이 공정하고 정확하며 안심하고 조치를 취할 수 있는지 평가할 기준이 없게 됩니다. 투명한 AI 시스템은 AI가 생성한 의사 결정의 이면에 있는 논리, 데이터 입력 및 신뢰 수준을 공개함으로써 이러한 격차를 해소합니다.

비즈니스적 효과는 수치로 증명됩니다. 기업의 75%는 투명성 부족이 고객 이탈을 증가시킬까 우려하고 있으며, CX 리더의 65%는 AI 투명성을 신뢰 향상을 위한 핵심 요소이자 단순한 규제 준수 체크박스가 아닌 전략적 필수 과제로 보고 있습니다.

규제 압박도 이를 뒷받침합니다. EU AI Act는 최초의 포괄적인 AI 규제 프레임워크로, 유럽연합(EU)에 배포되는 AI 시스템의 법적 준수 여부를 투명성 요구 사항과 연계하고 있습니다. 신용 승인, 채용 추천, 의료 분류를 포함하여 중대한 영향을 미치는 AI 의사 결정은 이러한 리스크를 증폭시킵니다. 설명되지 않은 오류의 비용은 투명성을 확보하기 가장 어려운 곳에서 가장 높기 때문입니다.

핵심 구성 요소: AI 모델, 알고리즘 및 설명 가능성

투명한 AI 프로그램은 기반 AI 기술과 이를 생성한 AI 개발 프로세스 모두를 아우르며 모든 프로덕션 모델에 대해 네 가지 아티팩트를 기록합니다. 이는 AI 모델의 아키텍처 및 버전 기록, 학습 및 추론에 사용된 AI 알고리즘, 학습 데이터 및 그 출처, 결과물을 해석하는 데 사용된 설명 가능성 도구입니다. 각 아티팩트는 프로덕션 데이터에 적용되는 것과 동일한 데이터 거버넌스 원칙에 따라 관리되는 중앙 레지스트리의 모델과 함께 보관되어야 하므로, 시스템을 감사하는 사람은 누구나 시스템이 어떻게 구축되었는지 재구성할 수 있습니다.

알고리즘 제품군, 하이퍼파라미터 및 후처리 로직을 기록해 두면 동일한 AI 생성 의사 결정을 디버깅하는 두 팀이 근본 원인에 대해 합의하지 못할 때 발생할 수 있는 분쟁을 예방할 수 있습니다.

설계 요구 사항으로서의 설명 가능성

설명 가능성은 사후에 추가하는 것이 아니라 설계 요구 사항이어야 합니다. 배포 후에 설명 레이어를 추가하는 대신 모델 아키텍처 선택 단계부터 설명 가능성을 고려하여 구축하면 더 안정적이고 일관된 설명을 얻을 수 있습니다.

AI 설명 가능성 방법론

설명 가능한 AI(XAI)는 모델 내부의 계산 과정을 인간이 읽을 수 있는 추론 과정으로 변환하여 사용자가 AI 의사 결정 과정을 이해하도록 도우며, 이는 기존 분류 모델뿐만 아니라 생성형 AI 시스템에도 동일하게 적용됩니다. AI 설명 가능성은 사용자가 AI 결과물을 명확하게 이해할 수 있도록 하며, 이는 개인의 재정, 건강 또는 법적 지위에 영향을 미치는 모든 AI 생성 의사 결정을 신뢰하기 위한 전제 조건입니다.

모델 독립적(model-agnostic) 설명 기법은 모델을 블랙박스로 취급하고 다양한 입력값으로 테스트하여 결정 경계를 유추하므로 여러 모델 제품군에 걸쳐 작동합니다. 이는 조직이 API를 통해 사용하는 서드파티 파운데이션 모델을 직접 수정할 수 없을 때 유용합니다.

로컬(local) 설명 가능성 기법은 특정 대출 신청이 거부된 이유와 같이 단일 예측을 설명하는 반면, 글로벌(global) 기법은 전체 학습 데이터 세트에 걸친 전반적인 모델 동작을 설명합니다. 둘 다 중요합니다. 로컬 설명은 개별 사용자를 만족시키고, 글로벌 설명은 시스템적 편향을 평가하는 감사인을 만족시킵니다.

시각화는 비기술 분야의 사람들도 설명 가능성에 쉽게 접근할 수 있도록 하고 AI 시스템의 작동 방식에 대한 인간의 이해를 높여줍니다. 특성 중요도 차트와 신뢰 구간 표시는 통계적 결과물을 준법 감시인이 해석할 수 있는 형식으로 변환해 줍니다. 설명 가능성은 데이터 과학자가 아닌 사람들도 편향을 볼 수 있게 함으로써 AI 모델의 편향을 줄이고 공정성을 촉진하며, 조직 전체에서 AI가 생성한 의사 결정의 윤리적 활용을 지원합니다.

모델 해석 가능성과 AI 모델

AI 해석 가능성은 사후 설명 레이어를 통하는 대신 AI 알고리즘의 내부 작동 방식을 직접 노출하여 사용자가 모델의 의사 결정 방식을 이해하도록 돕습니다. 이 점이 AI 시스템의 설명 가능성과 구별되는 부분입니다. 설명 가능성은 "왜 이러한 결과가 나왔는가"에 답하는 반면, 해석 가능성은 특정 AI 모델이 내부적으로 어떻게 작동하는지, 그리고 제품 라인 전반에서 유사한 모델들이 어떻게 작동하는지에 답합니다.

AI 해석 가능성은 AI의 예측과 의사 결정이 프로덕션에 도달하기 전에 이를 평가하는 데 매우 중요하며, 개발자가 오류를 특정 레이어나 특성까지 역추적할 수 있도록 하고 디버깅과 규제 문서화 모두를 지원하는 모델 논리에 대한 유의미한 정보를 제공합니다.

모든 모델 버전에 대한 문서화

모든 모델 버전에는 아키텍처, AI 학습 컴퓨팅 자원, 평가 지표 및 프로덕션 배포일에 대한 기록이 포함되어야 합니다. 버전 관리된 문서가 없으면 팀은 시간이 지남에 따라 AI 생성 의사 결정이 달라지는 이유를 설명할 수 없게 되며, 이는 AI 투명성을 일회성 출시 행사가 아닌 지속 가능한 프로그램으로 만드는 데 큰 장애물이 됩니다. 전체 합계뿐만 아니라 인구통계학적 하위 그룹별로 성능 지표를 기록하는 것은 전반적인 정확도 점수 뒤에 숨겨질 수 있는 편향을 식별하는 데 필수적입니다.

데이터 세트를 위한 데이터 실무 및 문서화

편향을 식별하려면 학습 데이터에 대해 투명해야 합니다. 즉, AI 모델을 학습시키거나 미세 조정하는 데 사용되는 모든 데이터 세트에는 데이터의 출처, 샘플링 방법, 적용된 전처리 단계 등 출처를 기록한 데이터 시트가 있어야 합니다. 모델 문서화에 적용되는 것과 동일한 원칙이 데이터 문서화에도 적용됩니다. 문서화되지 않은 아티팩트는 감사할 수 없습니다.

학습 데이터를 준비하는 데이터 과학자는 알려진 제외 사항과 공백을 명시적으로 기록해야 합니다. 특정 인구통계학적 그룹을 과소 대표하는 데이터 세트는 나중에 일관되지 않은 모델 성능을 통해 발견되기보다 데이터 시트에 해당 공백을 미리 드러내야 하기 때문입니다. 데이터 소스를 명확하게 커뮤니케이션하면 감사인이 예기치 않은 AI 의사 결정을 조사할 때 출발점을 확보할 수 있습니다.

데이터 시트에 포함되어야 하는 내용

완성된 데이터 시트에는 위의 출처 세부 정보 외에도 수집 기간, 라이선스 제한 사항 및 알려진 모집단 편향이 추가됩니다. 조직은 규제 기관이 요청할 때만 수행하는 일회성 작업이 아니라 상시적인 실무로서 데이터 수집 및 처리 방법을 문서화해야 합니다.

의사 결정 과정 및 감사 가능성

투명성을 통해 책임 소재 파악을 위한 AI 결과 추적이 가능해지며, 이를 위해서는 각 AI 의사 결정을 해당 결정이 반영되는 인간의 워크플로우에 매핑해야 합니다. 대출 신청 점수를 매기는 AI 모델에는 어떤 결과가 자동 승인을 트리거하고, 어떤 결과가 인간의 검토를 트리거하며, 해당 단계를 누가 담당하는지 보여주는 문서화된 경로가 있어야 합니다.

감사 로그는 이러한 매핑의 기계적 중추 역할을 합니다. 중대한 영향을 미치는 모든 AI 의사 결정은 모델 버전, 입력 특성, 출력 점수 및 신뢰 수준을 기록하는 로그 항목을 생성해야 검토자가 신뢰도가 높은 예측과 경계선에 있는 예측을 구분할 수 있습니다.

감사 가능성을 통해 AI의 편향을 식별하고 공정성을 보장할 수 있지만, 이는 지정된 인간 검토자가 개입에 필요한 권한과 해석 가능성 도구를 모두 갖춘 경우에만 가능합니다.

AI 거버넌스, 책임성 및 리스크 관리

AI 거버넌스는 기술 문서화를 규제 준수 및 데이터 보호 의무와 연결하여, 더 광범위한 AI 리스크 관리 프로그램의 일환으로 투명성 원칙을 실행 가능한 실무로 전환하는 조직적 구조입니다. 엔지니어링, 법률, 보안 및 비즈니스 부서로 구성된 AI 거버넌스 위원회는 고위험으로 분류된 모든 모델의 승인 워크플로우를 담당하여 프로덕션 배포 전에 모델 카드, 데이터 시트 및 평가 결과를 검토해야 합니다.

책임 있는 AI 실천은 이 거버넌스 레이어에 의존합니다. 기술적 투명성만으로는 윤리적인 AI 사용을 보장할 수 없기 때문입니다. 사용 사례가 적절한지 평가하는 거버넌스 프로세스가 없다면, 문서화가 잘된 모델이라도 무책임하게 배포될 수 있습니다. 정기적으로 실행되는 주기적인 위험 평가는 모델 드리프트가 피해를 입히기 전에 이를 감지합니다.

EU AI 법안 요구사항

EU AI 법안은 범용 AI 모델에 대한 문서화 의무를 도입하여 개발자가 학습 방법론과 알려진 한계를 공개하도록 요구합니다. 제13조는 고위험 AI 시스템에 대한 투명성을 의무화하여 사용자가 시스템의 출력을 적절하게 해석하고 사용할 수 있도록 충분한 정보를 제공받아야 한다고 규정합니다. 제50조는 사람이 인간이 아닌 AI 시스템과 상호작용할 때 이를 공개하도록 요구합니다. 투명성은 진화하는 AI 규정을 준수하는 데 필수적이며, 이번 규정은 유럽 연합을 넘어 AI 거버넌스 프레임워크에 큰 영향을 미칠 가능성이 높습니다.

파운데이션 모델 및 API를 위한 벤더 관리

대규모 언어 모델을 포함하여 서드파티 파운데이션 모델을 기반으로 구축하는 조직은 벤더가 제공하는 모델 카드와 학습 요약본이 호의가 아닌 계약상 필수 요구사항이 되지 않는 한 투명성 격차를 겪게 됩니다. 파운데이션 모델 제공업체는 API를 통해 모델을 사용하는 조직이 제어할 수 없는 다른 동작을 보이는 새로운 모델 버전을 자주 출시합니다. 계약상의 투명성 의무에는 벤더가 실질적으로 다른 버전을 배포하기 전에 고객에게 알리고, 중요한 AI 보안 발견 사항을 공개하도록 요구하여 다운스트림 팀이 평가 메트릭을 다시 실행할 수 있는 시간을 확보해주어야 합니다.

사용자 대상 공개 및 커뮤니케이션

사용자는 상호작용하는 대상이 챗봇이든, 현재 소비자 AI 애플리케이션에 내장된 수많은 가상 비서 중 하나이든, 자동화된 의사결정 엔진이든 간에 AI 시스템과 상호작용하고 있음을 알아야 합니다. 서비스 약관에 숨겨져 있는 대신 상호작용 시점에 전달되는 간결한 공개 고지는 윤리적 지침과 EU AI 법안에 따른 법적 요구사항을 모두 충족합니다. 독자가 인간이 작성했다고 합리적으로 가정할 수 있는 모든 곳에 합성 및 AI 생성 콘텐츠를 명확하게 표시해야 하며, AI가 생성한 결정에 이의를 제기하는 사용자는 결정이 전달되는 순간에 확인할 수 있는 인간 검토로의 명확한 에스컬레이션 경로가 필요합니다.

프로덕션 시스템에서 투명성 운영화하기

정책 문서에만 존재하는 투명성은 빠르게 진행되는 릴리스 주기를 견뎌내지 못합니다. AI 투명성을 위한 모범 사례는 기술적 AI 도구와 거버넌스를 결합하는 것입니다. 모델 카드는 모델 레지스트리 엔트리에 직접 첨부되어야 하며, 모델 카드, 평가 메트릭 및 데이터 시트가 CI/CD 및 릴리스 워크플로와 연계된 자동화된 완료 여부 검사를 통과하지 못하면 모델을 프로덕션으로 승격해서는 안 됩니다.

그럴듯하게 들리는 출력이라도 잘못 검색된 소스에 기반한 경우 오류가 발생할 수 있으므로, 프롬프트, 검색 및 도구 호출 추적을 로깅하는 것은 이제 검색 증강 생성 또는 에이전트 아키텍처를 기반으로 구축된 모든 시스템의 핵심입니다.

투명성 측정 및 효과 모니터링

투명성 프로그램에는 측정 가능한 핵심 성과 지표가 필요합니다. 그렇지 않으면 강제력이 없는 희망 사항에 불과한 선언문으로 전락하게 됩니다. 최신 모델 카드와 데이터 시트가 있는 프로덕션 모델의 비율로 측정되는 문서 완료도는 자동화하기 가장 간단한 KPI입니다.

편향 모니터링은 AI 투명성에 필수적이므로, 정기적인 투명성 감사 및 격차 분석은 고정된 주기로 실행되어야 하며 대출, 채용 또는 의료와 같이 위험성이 높은 도메인에서 작동하는 모든 모델에 대해 더욱 엄격하게 적용되어야 합니다.

이해관계자의 피드백은 프로세스를 완성합니다. 투명성 결과물을 소비하는 감사자와 최종 사용자로부터 의견을 수집하면 모델 카드가 의미 있는 정보를 제공하는지 아니면 단순히 체크리스트를 만족시키는 데 그치는지 파악할 수 있습니다.

일반적인 과제 및 트레이드오프

특히 학습 데이터 큐레이션과 모델 아키텍처를 경쟁 우위로 여기는 조직의 경우, 투명성과 지적 재산 보호 사이에 트레이드오프가 존재합니다. 독점 방법론을 완전히 공개하면 영업 비밀이 노출될 수 있으므로, 많은 투명성 프레임워크는 모든 구현 세부 정보를 대중에게 공개하지 않고도 감사자를 만족시킬 수 있는 문서화를 요구합니다.

대규모 신경망 및 파운데이션 모델을 포함한 복잡한 AI 모델은 간단하게 설명하기 어려울 수 있으며, 많은 모델이 이를 구축한 팀에게조차 블랙박스 모델로 작동합니다. 로지스틱 회귀 모델은 한 문장으로 설명할 수 있는 반면, 수십억 개의 파라미터를 가진 트랜스포머는 최첨단 설명 가능성 도구를 사용하더라도 그렇게 할 수 없습니다.

규제 기관과 연구 논문마다 서로 다른 문서화 형식을 제안하기 때문에, 표준화된 관행의 부재는 여러 산업에 걸쳐 AI 투명성 확보 노력을 복잡하게 만듭니다. AI 모델은 계속 진화하므로 일관된 투명성을 유지하기가 어렵습니다. 버전 1을 위해 작성된 모델 카드는 여러 차례의 미세 조정을 거친 버전 4를 설명하지 못할 수 있으며, 문서화되지 않은 드리프트는 시스템이 광범위하게 배포된 후에야 나타나는 의도치 않은 결과를 초래할 수 있습니다. 이러한 제약 조건과 진정한 윤리적 고려 사항 및 광범위한 사회적 우려 사이에서 투명성의 균형을 맞추려면 모든 모델이 충족해야 하는 최소한의 문서화 기준을 설정해야 합니다.

AI 투명성을 위한 모범 사례 체크리스트

규제 준수를 위한 사후 고려 사항이 아니라 투명성을 핵심 가치로 받아들이는 조직은 다음 사항을 투명한 AI 이니셔티브의 희망 목표가 아닌 최소한의 기준으로 취급합니다. 이러한 결과물과 함께 정기적인 투명성 보고서를 발행하면 투명한 AI 실천이 여러 팀으로 확장되는 데 도움이 됩니다.

• 모든 프로덕션 모델에 대해 최소 기능 모델 카드를 제작합니다: 의도된 용도, 알려진 한계, 평가 메트릭.
• 알려진 격차를 포함하여 대중에게 공개되거나 범용으로 사용되는 모든 모델에 대한 학습 데이터 요약본을 게시합니다.
• 영향력이 큰 모든 AI 결정에 대해 연결된 감사 로그를 유지합니다: 모델 버전, 입력값, 신뢰 수준.
• 임시 감사에 의존하기보다 AI 거버넌스 위원회와 정기적인 투명성 검토 일정을 예약합니다.
• 데이터 수집 및 처리 방법은 사후가 아니라 수집 시점에 문서화합니다.
• AI가 프로덕션에 도달하기 전에 편향을 식별하고 제거하기 위해 정기적인 평가를 실행합니다.

사고 대응, 해결 및 지속적인 개선

AI 시스템을 배포하는 모든 조직은 사고가 발생하기 전에 정의된 AI 실패에 대한 사고 플레이북이 필요합니다. 플레이북에는 누구에게 알릴지, 어떤 로그를 가져올지, 감사를 통해 편향되거나 안전하지 않은 AI 생성 결정을 내리는 것으로 밝혀질 경우 모델을 얼마나 빨리 롤백할 수 있는지를 명시해야 합니다.

모든 사고에 대해 해결 단계와 결과 메트릭을 기록하여 내부 사례 이력을 생성해야 하며, 알려진 한계에 대한 수정 사항이 다음 예정된 검토를 기다리지 않고 즉시 전파되도록 문서도 업데이트해야 합니다.

사례 연구 및 예시 포함

중요한 의사결정 예시: 금융 서비스 조직이 고려된 요인의 공개 요약본과 인구통계학적 하위 그룹 전반의 평가 메트릭을 자세히 설명하는 내부 모델 카드를 결합하여 신용 평가 AI 모델을 문서화합니다.

생성형 AI 공개 예시: 고객 지원 배포 시 모든 AI 생성 답변을 눈에 띄게 표시하고 각 답변 뒤에 검색 소스를 로깅하여, 이의가 제기된 답변의 출처를 추적할 수 있도록 합니다. 벤더 규제 준수 변형의 경우, 모델 제공업체가 모델 카드를 제공하고 버전 업데이트 30일 전에 통지하도록 계약서에 명시하도록 요구합니다.

참고 자료, 템플릿 및 시작 결과물

AI 투명성 프로그램을 구축하는 팀은 문서 형식을 처음부터 만드는 대신 모델 카드 템플릿, 데이터 시트 템플릿, 샘플 공개 문구의 세 가지 템플릿으로 시작하는 것이 유리합니다. 여러 팀에서 이러한 템플릿을 표준화하면 문서화가 단일 모델 개발 노력에 얽매인 일회성 서류 작업이 아니라 지식 공유로 전환됩니다.

모델 카드에는 감사자가 가장 자주 묻는 질문에 답할 수 있도록 최소한 의도된 용도와 알려진 한계가 포함되어야 합니다. 데이터 시트 템플릿은 앞서 다룬 출처 및 전처리 필드를 반영합니다. 샘플 공개 문구는 사람이 AI 시스템과 상호작용하고 있음을 명확히 밝히고, 비기술적 사용자도 이해할 수 있는 언어로 인간 검토로 이어지는 직접적인 경로를 제공해야 합니다.

자주 묻는 질문

AI 투명성이란 무엇인가요?

AI 투명성은 개발자, 규제 기관 및 사용자가 출력을 평가하고 신뢰할 수 있도록 AI 시스템의 데이터, 모델 및 의사결정 프로세스가 작동하는 방식을 문서화하고 공개하는 실천 방식입니다. 여기에는 학습 데이터 출처, 모델 문서화 및 거버넌스 감독이 포함됩니다.

AI 투명성은 설명 가능성과 어떻게 다른가요?

AI 투명성은 AI 시스템의 데이터와 거버넌스를 문서화하는 더 광범위한 실천 방식인 반면, 설명 가능성은 모델이 개별 출력에 도달하는 방식을 다룹니다. 시스템이 데이터에 대해 투명할 수 있지만, 특정 예측을 위해서는 여전히 전용 설명 가능성 도구가 필요할 수 있습니다.

EU AI 법안이 AI 투명성에 중요한 이유는 무엇인가요?

EU AI Act는 고위험 AI 시스템과 범용 AI 모델에 대해 구속력 있는 투명성 요구사항을 설정하는 최초의 포괄적인 AI 규제 프레임워크입니다. 제13조는 적절한 사용을 위해 충분한 정보를 제공할 것을 요구하며, 제50조는 사람이 인간이 아닌 AI 시스템과 상호작용할 때마다 이를 공개하도록 요구합니다.

모델 카드에는 어떤 내용이 포함되어야 하나요?

모델 카드에는 모델의 의도된 용도, 학습 데이터 요약, 관련 하위 그룹별 평가 지표, 알려진 한계점 및 버전 기록이 포함되어야 합니다.

AI 투명성은 편향을 어떻게 줄이나요?

AI 투명성은 정기적인 감사가 가능할 정도로 학습 데이터, 평가 지표, 머신러닝 모델의 동작을 투명하게 공개함으로써 편향을 줄입니다. 편향을 식별하려면 학습 데이터를 투명하게 공개해야 하며, 정기적인 모니터링을 통해 출시 시점의 단 한 번의 평가로는 놓칠 수 있는 격차를 포착할 수 있습니다.

조직 내에서 AI 거버넌스는 누가 담당하나요?

일반적으로 엔지니어링, 법률, 보안 및 비즈니스 이해관계자를 아우르는 다기능 AI 거버넌스 위원회가 책임을 맡으며, 고위험 모델을 승인하기 전에 모델 카드와 위험 평가를 검토합니다.

(이 글은 AI의 도움을 받아 번역되었습니다. 원문이 궁금하시다면 여기를 클릭해 주세요)