인공지능(특히 딥러닝)에서 데이터의 문제점 또는 한계

 

항목	세부 내용	비고
데이터 편향	ü성별 편향(남성 이력서만 학습), 인종 편향(백인 위주 학습), 지역 편향(미국 도로 학습), 언어 편향(영어권 주로 학습) ü나머지 데이터에 대한 정확도 저하 또는 차별(면접 등)적인 의사결정 우려	•
데이터 부족	ü특정 도메인(예, 희귀 질병 의료 데이터) ü충분한 학습이 이뤄지지 않아 정화도 저하 또는 과적합 위험 증대	•
데이터 품질 문제	ü오류, 불일치, 누락, 중복, 부정확한 레이블링 등 ü오작동 또는 부정확한 결과	•
비표준 데이터	ü일관되지 않는 형식이나 단위, 구조를 가진 데이터 집합 ü동일한 내용이 다른 형식으로 제출된 경우 ü데이터 전처리에 시간/비용 과다, 오류 발생 가능성 증대	•
개인정보 및 보안	ü프라이버시 침해 : 개인식별정보가 포함된 데이터를 무단 사용 또는 유출 ü정보 유출 위험 : 학습된 모델 자체를 역분석하여 학습데이터에 포함된 민감 정보 추출 ü데이터 조작 : 악의적인 공격자가 학습 데이터를 고의로 오염	•
데이터 업데이트 및 유지보수	ü시간 또는 환경 변화에 따른 업데이트 및 유지보수 필요 ü즉, 지속적인 시간 및 비용 투입 필요	•
데이터의 해석(설명) 가능성 부족	ü데이터 자체가 복잡하거나 비정형적인 경우, AI 모델이 도달한 결론을 사람이 이해하기 어려운 경우가 발생함.	•