알고리즘적 혼란

애자일 프로젝트 관리는 프로젝트 수명 주기 전반에 걸쳐 반복적인 방식으로 프로젝트를 수행하는 접근법입니다. 대규모 프로젝트를 더 작고 관리하기 쉬운 작업으로 나누어 짧은 기간(스프린트) 동안 완료합니다. 이를 통해 빈번한 재평가, 계획 조정, 그리고 변화에 대한 유연한 대응이 가능합니다. 애자일 프로젝트 관리는 포괄적인 문서화와 경직된 계획보다는 고객 협업, 작동하는 소프트웨어, 그리고 변화에 대한 대응을 우선시합니다.

알고리즘 편향 완화 기법은 모델 학습 과정의 단계에 따라 크게 세 가지로 분류됩니다. 전처리 단계에서는 학습 데이터 자체를 수정합니다(예: 가중치 재조정, 재샘플링). 처리 단계에서는 공정성 제약 조건을 모델의 학습 알고리즘에 직접 통합합니다. 후처리 단계에서는 모델의 예측 결과를 조정하여 공정성을 향상시킵니다.

UI 및 웹 디자인 분야에서 저명한 사용성 컨설턴트인 야콥 닐슨은 사용성을 다섯 가지 품질 구성 요소로 정의했습니다. 학습 용이성(사용자가 기본 작업을 처음 수행할 때 얼마나 쉬운가?), 효율성(학습 후 작업을 얼마나 빠르게 수행할 수 있는가?), 기억 용이성(사용자가 일정 기간 사용하지 않은 후에도 숙련도를 회복할 수 있는가?), 오류(사용자가 얼마나 많은 오류를 범하는가?), 만족도(사용하는 것이 얼마나 즐거운가?)가 그것입니다.

국제 표준 ISO 9241-11은 사용성을 "특정한 사용자가 특정 사용 환경에서 특정 목표를 효과적이고 효율적이며 만족스럽게 달성하기 위해 제품을 사용할 수 있는 정도"로 정의합니다. 이 정의는 사용성을 세 가지 명확하고 정량화 가능한 구성 요소로 나누어 측정하는 프레임워크를 제공함으로써, 순전히 주관적인 평가를 넘어섭니다.

공정한 머신러닝에서 불가능성 정리는 아주 사소한 경우를 제외하고는 알고리즘이 여러 가지 직관적으로 보이는 공정성 기준을 동시에 만족시키는 것이 수학적으로 불가능하다는 것을 보여줍니다. 예를 들어, 집단 간 기본 비율이 다른 경우 알고리즘은 일반적으로 인구통계학적 균형(집단 간 양성률 동일)과 균등화된 확률(집단 간 참양성률 및 거짓양성률 동일)을 동시에 만족시킬 수 없습니다.