설명 가능한 인공지능(XAI)을 활용한 금융 기회 불평등의 진단: 교차성(Intersectionality) 공정성을 중심으로

초록

본 연구는 금융 분야의 AI 도입 확산에 따른 알고리즘 편향 문제를 해결하기 위해, 기존의 리스크(Risk) 관리 중심에서 벗어나 '금융 기회(Opportunity) 제공' 관점에서 AI 모델의 공정성을 진단하였다. 이를 위해 신용카드 사용자 행동 데이터를 기반으로 VIP 예측 모델(Random Forest)을 구축하고, 설명 가능한 인공지능(XAI) 기법인 SHAP과 본 연구가 제안한 '교차성 스트레스 테스트(Intersectional Stress Testing)'를 적용하여 잠재된 편향을 분석하였다. 실험 결과, 단일 변수(성별) 기준 분석에서는 모델이 합리적인 것으로 나타났으나, 성별·연령·신용이력이 결합된 교차성 분석 에서는 소외 계층과 우대 계층 간 VIP 승인 확률 격차가 약 75.5배에 달하는 심각한 시스템적 배제(Systemic Exclusion) 현상이 확인되었다. 본 연구는 제한된 정보 환경에서 AI가 복합적인 차별을 증폭시킬 수 있음을 실증하고, 공정성 검증이 단일 속성을 넘어 다변수 교차성 진단으로 확장되어야 함을 시사한다.

키워드