본 논문은 기계 학습 시스템이 의료 접근성, 금융 기회, 채용, 공공 서비스 등 사회적으로 중요한 결정에 활용됨에 따라 정확성 외에도 공정성, 개인 정보 보호, 책임성을 모두 갖추어야 하는 필요성을 제기합니다. 이를 위해 FAIRPLAI (Fair and Private Learning with Active Human Influence)라는 실용적인 프레임워크를 제안합니다. 이 프레임워크는 인간의 감독을 기계 학습 시스템 설계 및 배포에 통합하여, 정확성, 개인 정보 보호, 그룹 결과 간의 상충 관계를 투명하게 제시하고, 이해 관계자의 상호 작용을 통해 공정성 기준을 선택하며, 차등적 프라이버시 감사를 통해 개인 데이터 보안을 유지하면서 설명과 엣지 케이스를 검토할 수 있도록 합니다. 벤치마크 데이터셋에 적용한 결과, FAIRPLAI는 자동화된 baseline 대비 강력한 프라이버시 보호를 유지하면서 공정성 불평등을 줄이는 동시에 실용적이고 해석 가능한 프로세스를 제공하여 실무자가 사회적으로 중요한 응용 분야에서 정확성, 개인 정보 보호, 공정성 간의 경쟁적 요구 사항을 관리할 수 있도록 합니다.
