AI › 신뢰할 수 있는 AI › 설명 가능성

모델 카드Model Card

학습된 머신러닝 모델과 함께 내놓는 짧은 문서로, 모델의 용도 · 범위 밖 사용 · 평가 조건과 조건별로 나눈 성능 · 한계를 적는다. 2019년 Mitchell 등이 아홉 절 형식으로 제안했다.

1요약

  1. 모델 카드는 학습된 모델에 붙여 내놓는 1 ~ 2쪽 문서로, Mitchell 등이 2019년 FAT* 학회에서 아홉 절(모델 세부 · 사용 목적 · 요인 · 지표 · 평가 데이터 · 학습 데이터 · 정량 분석 · 윤리 고려 · 주의와 권고)로 제안했고(Mitchell 2019 4절) 모델 공개 저장소의 설명 페이지 · 사내 모델 등록부 · 조달 검토 서류가 이 형식 위에서 돈다.
  2. 평균 하나만 적으면 특정 조건의 실패가 숨는다 — 상용 성별 분류기 셋을 피부색 × 성별 교차 집단으로 나눠 재자 어두운 피부 여성 오류율이 최대 34.7%, 밝은 피부 남성은 최대 0.8%였다(Buolamwini 2018 초록).
  3. 「카드 수치와 현장 성능이 다르다」는 현장 입력이 카드의 평가 조건 안에 드는가로 가른다 — 밖이면 범위 밖 사용, 안인데 다르면 평가 데이터의 대표성 · 조건별 표본 수 문제, 조건도 표본도 맞으면 카드가 배포 모델의 판과 다른 것이다.

2등장 배경

2010년대 중반부터 얼굴 인식 · 댓글 독성 판별 · 재범 위험 평가 모델이 공개 API 와 행정 서비스에 쓰였지만, 함께 나오는 문서는 전체 정확도 한 줄이 대부분이었다. 체계적 오류는 배포 뒤 피해를 본 사용자가 알리고 나서야 드러났다(Mitchell 2019 1절). 2018년 2월 Buolamwini · Gebru 가 교차 집단 평가로 이 틈을 수치로 보였다.

같은 해 3월 Gebru 등이 데이터셋마다 수집 · 구성 · 권장 용도를 적는 데이터시트를 제안했고(Gebru 2021), 10월 Mitchell 등이 모델 쪽 짝으로 모델 카드를 arXiv 에 올려 2019년 1월 FAT* 에서 발표했다. 그 사이 2018년 8월에는 AI 서비스 공급자가 목적 · 성능 · 안전 · 출처를 선언하는 FactSheets 가 나왔다(Arnold 2019). 모델 카드는 1998년 미국 FDA 가 임상시험 결과를 나이 · 인종 · 성별로 나눠 보고하게 한 관행을 근거로 들었다(Mitchell 2019 2절).

지금은 규범이 문서를 요구한다. NIST AI RMF 1.0(2023-01)은 지식 한계 · 사람 감독 방식의 문서화(MAP 2.2)와 시험 데이터 · 지표 · 도구의 기록(MEASURE 2.1)을 두었고, EU AI법은 고위험 AI 의 기술 문서(11조)와 범용 AI 모델의 문서(53조)를 의무로 했다 — 법 조문 전체는 EU AI법이 맡는다.

3쉽게 이해하기 — 약 상자 속 첨부 문서

제약사는 새 약을 여러 나이대 환자에게 시험한 뒤, 약 상자에 효능 · 용법 · 나이대별 시험 결과 · 복용 금지 대상을 적은 첨부 문서를 넣어 내보낸다. 약사는 그 문서를 읽고 처방전의 환자가 시험한 범위 안에 드는지 본 뒤에만 약을 건넨다. 검사관은 첨부 문서의 수치가 실제 시험과 맞는지 확인하고, 부작용 신고가 쌓이면 제약사가 첨부 문서를 고쳐 새 판으로 바꾼다.

제약사 시험하고 만든 쪽 나이대별 시험 모델 개발자 결과를 첨부 문서에 적음 약 상자 모델 모델 카드 약 + 첨부 문서 약사 읽고 고르는 쪽 효능 · 금지 확인 통합 개발자 모델을 제품에 넣는 사람 1 2 3 범위 안 환자에게만 수치 대조 환자 약의 영향을 받음 영향받는 사람 검사관 문서와 시험 대조 규제 · 감사 개정판 새 판 첨부 문서 카드 갱신 부작용 신고 4 5 고쳐 냄

그림 1 · 약(모델)에 첨부 문서(모델 카드)를 붙여 내보내면 약사(통합 개발자)가 범위 안의 환자에게만 쓰고, 부작용 신고가 새 판을 만든다.

나이대별 시험여러 환자 무리에 따로
첨부 문서효능 · 결과 · 금지 대상
함께 출하약과 문서를 한 상자에
약사 확인이 환자가 범위 안인가
부작용 신고시험에 없던 환자
새 판첨부 문서를 고쳐 다시
비유 — 첨부 문서 실제 — 모델 카드 효능 · 효과 — 고혈압 치료 시험 결과(혈압이 내려간 비율) 전체 90% 70세 미만 94% 70세 이상 62% 복용 금지 대상 — 70세 이상 신장 질환자 개정 — 새 판(부작용 신고 반영) 사용 목적 — 무엇에 · 누가 쓰는가 정량 분석 — 요인별로 나눈 지표 전체 지표 한 줄 단일 요인 결과(카메라 · 조명 등) 교차 요인 결과(카메라 × 조명) 범위 밖 사용 · 주의와 권고 모델 세부 — 판 번호 · 날짜 90 · 94 · 62% = 설명용 가정 값 · 점선 = 같은 뜻의 줄 · 굵은 테두리 = 평균이 가린 줄

그림 2 · 첨부 문서의 「전체 효과 90%」 아래에 숨은 「70세 이상 62%」 줄이 모델 카드의 요인별 정량 분석이고, 「복용 금지 대상」 줄이 범위 밖 사용이다.

비유 속 역할실제 이름실제로 하는 일
제약사모델 개발자모델을 만들고 평가한 뒤 카드를 쓴다
약학습된 모델특정 판(v1.0 등)으로 배포되는 산출물
첨부 문서모델 카드용도 · 평가 조건 · 요인별 성능 · 한계를 1 ~ 2쪽에 적는다
나이대별 시험분리 평가 · 교차 분석요인별로, 요인 둘 이상을 겹친 조건마다 지표를 낸다
복용 금지 대상범위 밖 사용쓰면 안 되는 입력 · 상황을 미리 적는다
약사통합 개발자 · 도입 조직자기 사용 조건이 카드의 평가 조건 안에 드는지 본다
검사관감사 · 규제 기관카드 수치가 재현되는지, 요구 항목이 있는지 본다
개정판카드 갱신모델 판이 바뀌면 정량 분석을 다시 해 새 판을 낸다

⚠ 비유가 맞지 않는 곳: 첨부 문서는 허가 기관이 형식과 기재를 강제하지만, 모델 카드는 형식이 권고이고 내용의 정확성은 쓰는 사람의 성실성에 달려 있다(Mitchell 2019 6절). 카드가 있다는 사실만으로 수치가 검증된 것은 아니다.

4구조 — 아홉 절과 짝 문서

카드의 아홉 절은 «이 모델은 무엇인가 → 어떤 조건에서 어떻게 쟀나 → 결과와 한계» 순서로 읽힌다(Mitchell 2019 그림 1). 절 목록은 완결 목록이 아니라 모델 · 맥락에 맞춰 줄이거나 더하는 출발점이다(같은 논문 4절).

무엇인가 어떻게 쟀나 결과와 한계 4.1 모델 세부 — 판 · 종류 · 라이선스 4.2 사용 목적 — 주 용도 · 범위 밖 사용 4.3 요인 — 집단 · 계측 장비 · 환경 4.4 지표 — 성능 척도 · 임계 · 불확실성 4.5 평가 데이터 — 출처 · 선택 이유 · 전처리 4.6 학습 데이터 — 못 밝히면 요인 분포만 4.7 정량 분석 — 단일 요인 · 교차 요인 4.8 윤리 고려 — 민감 데이터 · 위험 · 완화 4.9 주의와 권고 — 빠진 집단 · 추가 시험 읽는 사람 개발자 · 통합 개발자 정책 담당 · 도입 조직 영향받는 사람(구제 근거) 데이터시트 수집 · 구성 · 권장 용도 데이터 쪽 짝 문서(Gebru 2021) 모델 판과 함께 갱신 v1 → v2 마다 정량 분석을 다시 냄 모델 · 용도 데이터 · 측정 조건 평가 결과 · 한계 굵은 테두리 = 카드의 중심 절 · 점선 = 짝 문서

그림 3 · 아홉 절은 «무엇인가 · 어떻게 쟀나 · 결과와 한계» 세 갈래이고, 데이터 쪽 상세는 데이터시트에 넘기며 판이 바뀌면 정량 분석부터 다시 쓴다.

절적는 값왜 필요한가근거
모델 세부개발 주체 · 날짜 · 판 · 종류 · 라이선스 · 문의처알려진 결함을 정확한 판에 잇는다Mitchell 2019 4.1절
사용 목적주 용도 · 주 사용자 · 범위 밖 사용혼동하기 쉬운 용도를 먼저 막는다4.2절
요인관련 요인 · 평가 요인(다르면 그 이유)성능이 갈릴 조건(집단 · 계측 장비 · 환경)을 고른다4.3절
지표성능 척도 · 결정 임계 · 신뢰 구간 계산법FNR · FPR 중 무엇을 우선했는지 밝힌다4.4절
평가 · 학습 데이터데이터셋 · 선택 이유 · 전처리 · 요인 분포대표 입력 + 어려운 입력이 들었는지 보인다4.5 · 4.6절
정량 분석단일 요인 · 교차 요인별 지표 + 구간평균이 가린 실패를 드러낸다4.7절
윤리 고려 · 주의와 권고민감 데이터 · 위험 · 완화 · 빠진 집단 · 추가 시험숫자로 못 보인 한계를 적는다4.8 · 4.9절

학습 데이터를 계약상 밝힐 수 없으면 집단 · 요인별 분포만이라도 적는다(4.6절). 사람 대상 모델에서 성별 · 인종 같은 민감 범주로 집단을 나눌 때는 자기 신고 레이블인지 지각 레이블인지를 밝히고, 개인정보 · 법무 검토를 함께 한다(같은 논문 2절 · 4.3.1절).

🔑 모델 카드의 중심은 형식 아홉 절이 아니라 정량 분석 한 절이다 — 요인별로 나누지 않은 카드는 정확도 한 줄을 긴 문서로 바꾼 것에 그친다.

5동작 — 외관 불량 판정 모델의 카드 한 장

합성 데이터로 직접 실행한 사례다 — 실행 환경은 NumPy 2.4.3(Python 3.14.0) · 난수 시드 default_rng(0) 이다. 모델 이름 · 조건별 표본 수 · 불량 비율 10% 는 설명용 가정 값이며, 점수는 조건마다 불량 · 정상 분리 정도를 다르게 둔 로지스틱 점수로 만들었다.

  1. 모델 세부 · 사용 목적 — 「외관 불량 판정 이진 분류기 v1.0」 · 주 용도 = 사람이 다시 보는 것을 전제로 한 1차 선별 · 주 사용자 = 검사 공정 담당.
  2. 요인 — 관련 요인과 평가 요인을 같게 카메라(A · B) × 조명(정상 · 저조도)으로 정한다(Mitchell 2019 4.3.2 계측 장비 · 4.3.3 환경).
  3. 평가 데이터 — 4,000장(A 정상 1,600 · A 저조도 400 · B 정상 1,600 · B 저조도 400) · 그중 불량 418장.
  4. 지표 · 임계 — 놓침률(FNR) · 오경보율(FPR) · 결정 임계 0.5 · 95% 신뢰 구간 = 부트스트랩 재표본 1,000회(같은 논문 4.4절).
  5. 전체 결과 — 정확도 0.935 · FNR 0.120(구간 0.089 ~ 0.152) · FPR 0.059 — 카드가 여기서 끝나면 「쓸 만한 모델」로 읽힌다.
  6. 단일 요인 — 카메라 B 의 FNR 0.167 · 저조도 0.209 로 전체보다 높지만, 둘 다 1.4 ~ 1.7배라 한 요인만 보면 「조금 나쁜 조건」에 머문다.
  7. 교차 요인 — B × 저조도의 FNR 은 0.390(불량 41장 중 16장 놓침 · 구간 0.250 ~ 0.546)이고, 나머지 셋은 0.044 ~ 0.113 이다. 이 조건의 정확도는 0.907 이라 정확도만 보면 차이가 3%p 도 안 된다.
  8. 카드 기록 — 범위 밖 사용에 「카메라 B 저조도 라인의 단독 판정」을, 주의와 권고에 「B × 저조도 불량 표본 41장 · 구간 폭 0.30 — 불량 표본 추가 수집 뒤 재평가」를 적고 v1.0 카드로 낸다.
카드 절 사례 값(직접 실행 · 합성 데이터) 1 모델 세부 외관 불량 이진 분류기 v1.0 · 사람 재검 전제 1차 선별 2 요인 카메라 A · B × 조명 정상 · 저조도(관련 = 평가 요인) 3 평가 데이터 4,000장(1,600 · 400 · 1,600 · 400) · 불량 418장 4 지표 · 임계 FNR · FPR · 임계 0.5 · 부트스트랩 1,000회 95% 구간 5 전체 결과 정확도 0.935 · FNR 0.120(0.089 ~ 0.152) · FPR 0.059 6 단일 요인 카메라 B FNR 0.167 · 저조도 FNR 0.209(전체의 1.4 ~ 1.7배) 7 교차 요인 B × 저조도 FNR 0.390(41장 중 16장) · 구간 0.250 ~ 0.546 8 카드 기록 범위 밖 사용 = B × 저조도 단독 판정 · 권고 = 불량 표본 추가 모델 · 규칙 데이터 · 요인 평가 결과 평균이 가린 실패(굵은 테두리)

그림 4 · 전체 · 단일 요인 단계까지는 «조금 나쁜 조건»으로 보이던 모델이 교차 요인 단계에서 B × 저조도의 놓침률 0.390 을 드러내고, 그 값이 범위 밖 사용 줄이 된다.

임계를 0.3 으로 낮추면 B × 저조도의 FNR 은 0.268 로 내려가지만 여전히 네 조건 중 가장 높고, 전체 FPR 은 0.059 에서 0.144 로 두 배 넘게 오른다. 그래서 이 카드는 임계 조정이 아니라 범위 밖 사용 · 추가 수집으로 B × 저조도를 다룬다.

놓침률(FNR) — 평균 · 단일 요인 · 교차 요인(임계 0.5) 평균 단일 요인 교차 요인 전체 0.120 카메라 B 0.167 저조도 0.209 A × 정상 0.079 A × 저조도 0.044 B × 정상 0.113 B × 저조도 0.390 0 0.2 0.4 0.6 임계 0.5 → 0.3: B × 저조도 FNR 0.390 → 0.268 · 전체 FPR 0.059 → 0.144 임계만 낮추면 모든 조건의 오경보가 늘고, B × 저조도는 여전히 가장 높다 평균 · 단일 요인 교차 요인 95% 구간(부트스트랩 1,000회) 굵은 테두리 = 평균이 가린 조건

그림 5 · 평균 놓침률 0.120 은 B × 저조도의 0.390 을 가리고, 그 조건은 불량 41장뿐이라 구간이 0.250 ~ 0.546 으로 넓다 — 교차 조건은 값과 구간을 함께 적어야 판단이 된다.

🔑 요인 하나씩 나눈 표는 교차 조건의 실패를 평균한다 — 카메라 B 와 저조도가 각각 «조금 나쁜» 값이어도 둘이 겹친 조건은 세 배 넘게 나쁠 수 있다.

6비교 — 모델 카드와 다른 AI 문서

기준모델 카드데이터시트FactSheets고위험 AI 기술 문서(EU AI법)국소 설명(LIME · SHAP)
대상학습된 모델 하나의 판데이터셋 하나AI 서비스(모델 + 운영)시장에 내놓는 AI 시스템판정 하나
핵심 내용용도 · 요인별 성능 · 한계동기 · 구성 · 수집 · 권장 용도 · 유지목적 · 성능 · 안전 · 보안 · 출처 선언설계 · 데이터 · 시험 · 위험 관리 기록특성별 기여 값
읽는 사람통합 개발자 · 도입 조직 · 정책 담당모델 개발자 · 데이터 이용자서비스 소비자시장 감시 기관 · 인증 기관개발자 · 판정을 받은 사람
강제성권고 형식(Mitchell 2019)권고 형식(Gebru 2021)공급자 자율 선언(Arnold 2019)법적 의무(11조)없음 · 도구
갱신 시점모델 판마다데이터 판마다서비스 변경마다시스템 수명 동안 최신 유지판정마다 새로 계산

분석모델을 남에게 넘기거나 공개하면 모델 카드를 기본으로 두고, 데이터 상세는 데이터시트로 떼어 링크하며, 법 적용 대상이면 카드 내용을 기술 문서의 시험 · 성능 항목에 옮겨 쓴다. 근거는 표의 대상 · 읽는 사람 행 — 세 문서는 대상이 달라 하나가 다른 하나를 대신하지 못하고, 판정 하나의 설명(LIME · SHAP)은 카드의 정량 분석에 들어갈 값이 아니라 개별 판정의 보조 자료다.

7실무 진단 — 카드와 현장이 어긋날 때

분석현장 입력이 카드의 평가 조건 안에 드는지부터 보고, 그다음 그 조건의 표본 수 · 구간, 마지막으로 카드와 배포 모델의 판 번호를 대조한다. 범위 밖 입력이면 뒤의 수치 대조가 모두 의미를 잃기 때문이다(Mitchell 2019 4.2 · 4.5절).

#증상의심 원인카드 절확인 자료판정 기준(근거)
1현장 놓침이 카드 수치보다 훨씬 많음현장 조건이 평가 조건 밖사용 목적 · 요인현장 입력의 카메라 · 조명 분포 ↔ 카드 평가 요인조건 밖이면 범위 밖 사용 · 재평가(Mitchell 2019 4.2 · 4.3절)
2조건 안인데도 성능이 다름평가 데이터가 현장을 대표하지 못함평가 데이터평가 데이터 수집 시기 · 전처리 ↔ 현장 입력대표 입력과 어려운 입력을 함께 담아야 함(4.5절)
3조건별 차이로 결론을 못 냄조건별 표본 수가 작음지표 · 정량 분석조건별 양성 수 · 신뢰 구간구간이 겹치면 차이 결론 보류 · 표본 추가(4.4.3 · 4.7절)
4운영 임계를 바꾼 뒤 카드 수치와 다름카드가 한 임계 값만 기록지표카드 임계 ↔ 운영 설정 임계임계와 그 이유를 적고 임계별 값을 보임(4.4절)
5새 판 배포 뒤 특정 조건 악화카드가 옛 판 그대로모델 세부카드 판 번호 ↔ 배포 모델 판 번호판마다 정량 분석을 다시(5.2절 · NIST AI 100-1 MANAGE 3.2 · MEASURE 2.4)

외부에서 받은 사전 학습 모델은 카드의 평가 요인과 내 사용 조건을 먼저 표로 맞춰 보고, 겹치지 않는 조건은 내 데이터로 정량 분석을 다시 낸다(NIST AI 100-1 MAP 2.2 · MEASURE 2.3).

8시험 대비

시험에서는 모델 카드의 개념 · 구성 항목을 묻는 정의 · 특징형, AI 투명성 · 문서화 요구의 흐름을 묻는 동향 · 발전형이 나올 수 있다. 정의형은 아홉 절을 세 갈래(그림 3)로 보이고 정량 분석의 분리 · 교차 평가를 중심에 두며, 동향형은 데이터시트 · FactSheets 와의 관계와 NIST AI RMF · EU AI법의 문서 요구로 마무리한다. XAI 와 함께 물으면 «판정 하나의 설명(LIME · SHAP)»과 «모델 전체의 보고(모델 카드)»로 경계를 긋는다.

답안 목차
  1. 개요 — 정의 · 필요성(평균이 가리는 실패 · 범위 밖 사용) · 교차 집단 오류 34.7% ↔ 0.8%
  2. 구성 — 그림 3 아홉 절 세 갈래 + 절별 적는 값 표
  3. 핵심 원리 — 그림 5 분리 · 교차 평가(전체 0.120 ↔ B × 저조도 0.390 · 구간)
  4. 작성 절차 — 그림 4 사례 순서(요인 → 지표 · 임계 → 정량 분석 → 범위 밖 사용 기록)
  5. 관련 문서 비교 — 비교표(모델 카드 · 데이터시트 · FactSheets · 기술 문서 · 국소 설명)
  6. 한계와 발전 — 작성자 성실성 의존 · 제3자 감사 병행 · 판마다 갱신 · NIST MAP 2.2 · EU AI법 11 · 53조

꼭 쓸 키워드
사용 목적범위 밖 사용평가 요인분리 평가교차 분석결정 임계신뢰 구간데이터시트FactSheets판 관리

다른 답안과 차이를 내는 한 가지 — 그림 5 처럼 «요인 하나씩은 1.4 ~ 1.7배인데 교차 결과는 3.3배»라는 숫자를 보이면, 분리 평가를 교차까지 해야 하는 이유를 한 줄로 증명할 수 있다.

9오해와 사실

  • 오해모델 카드는 정해진 표준 양식이라 항목만 채우면 된다.
    사실원 논문은 아홉 절을 완결 목록이 아닌 출발점으로 두고 모델 · 맥락에 맞춰 바꾸라고 했다(Mitchell 2019 4절).
  • 오해학습 데이터를 공개할 수 없으면 카드를 쓸 수 없다.
    사실학습 데이터 절은 실무상 어려울 수 있다고 적고, 그때는 요인별 분포 같은 최소 정보만 두게 했다(Mitchell 2019 4.6절).
  • 오해카드에 적힌 수치는 검증된 값이다.
    사실카드의 정확성은 작성자의 성실성에 달려 있어 제3자 감사 · 적대적 시험과 함께 써야 한다고 원 논문이 밝혔다(Mitchell 2019 6절).

10핵심 정리

카드 절답하는 질문적는 값사례 값빠뜨리면
모델 세부어느 판의 무엇인가판 · 종류 · 날짜 · 라이선스v1.0 이진 분류기결함을 엉뚱한 판에 잇는다
사용 목적어디에 쓰고 어디에 안 쓰나주 용도 · 사용자 · 범위 밖 사용1차 선별 · B × 저조도 단독 판정 제외범위 밖 입력에 그대로 쓴다
요인성능이 어디서 갈리나관련 · 평가 요인카메라 × 조명실패 조건을 아예 재지 않는다
지표무엇을 어떤 임계로 쟀나척도 · 임계 · 구간 계산법FNR · FPR · 0.5 · 부트스트랩 1,000회운영 임계와 수치가 어긋난다
정량 분석조건마다 얼마인가단일 · 교차 결과 + 구간0.120 ↔ 0.390(0.250 ~ 0.546)평균이 실패를 가린다
주의와 권고아직 모르는 것은빠진 집단 · 추가 시험불량 41장 → 추가 수집좁은 근거를 확정 값으로 읽는다
카드 갱신지금 판과 맞나판마다 다시 낸 분석v1.0 → 다음 판 재평가옛 카드로 새 모델을 판단한다

11참고 문헌

  1. 먼저 볼 문헌
  2. ★ Model Cards for Model Reporting (Mitchell · Wu · Zaldivar · Barnes · Vasserman · Hutchinson · Spitzer · Raji · Gebru · FAT* 2019) — 아홉 절의 항목 · 분리 평가 · 교차 분석 · 예시 카드 둘을 원문으로 볼 때
    arXiv · 2019-01 · arxiv.org/abs/1810.03993 · 확인 2026-11-12
  3. ★ Datasheets for Datasets (Gebru · Morgenstern · Vecchione · Wortman Vaughan · Wallach · Daumé III · Crawford · CACM 64(12)) — 모델 카드와 짝이 되는 데이터 문서의 질문 목록을 볼 때
    arXiv · 2021-12 · arxiv.org/abs/1803.09010 · 확인 2026-11-12
  4. ★ NIST AI 100-1 Artificial Intelligence Risk Management Framework (AI RMF 1.0) — MAP · MEASURE · MANAGE 하위 항목 가운데 문서화를 요구하는 항목을 볼 때
    NIST · 2023-01 · doi.org/10.6028/NIST.AI.100-1 · 확인 2026-11-12
  5. ★ Gender Shades: Intersectional Accuracy Disparities in Commercial Gender Classification (Buolamwini · Gebru · PMLR 81) — 평균 정확도가 교차 집단의 오류를 가린 사례를 볼 때
    PMLR · 2018-02 · proceedings.mlr.press/v81/buolamwini18a.html · 확인 2026-11-12
  6. 본문 근거
  7. FactSheets: Increasing Trust in AI Services through Supplier's Declarations of Conformity (Arnold · Bellamy 외 11명) — arXiv · 2019-02 · arxiv.org/abs/1808.07261 · 확인 2026-11-12
  8. Regulation (EU) 2024/1689 (Artificial Intelligence Act) · OJ L 2024/1689 — European Parliament · Council of the EU · 2024-07 · eur-lex.europa.eu/eli/reg/2024/1689/oj · 확인 2026-11-12
  9. NumPy 2.4 Reference numpy.random.Generator — NumPy developers · 2026-11 · numpy.org/doc/stable/reference/random/generator.html · 확인 2026-11-12