이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
AI 관련 법률을 처음 접한 건 학부 수업에서 GDPR 사례를 다룰 때였습니다. 당시 저는 "데이터를 수집하면 뭐든 할 수 있는 거 아닌가" 라고 막연히 생각했는데, 개인정보 처리 목적을 명확히 고지해야 한다는 원칙을 배우면서 생각이 바뀌었습니다. 가장 중요하게 생각하는 원칙은 목적 제한입니다. 수집 당시 동의받은 목적 외로 데이터를 쓰면 아무리 기술적으로 가능해도 위법이 될 수 있다는 점이 AI 개발에서 특히 중요하다고 봅니다. 팀 프로젝트로 간단한 추천 모델을 만들 때, 학습 데이터 출처를 문서화하지 않았다가 나중에 데이터 사용 근거를 소명하지 못하는 상황을 경험했습니다. 그 이후로 데이터를 쓸 때는 출처·목적·보존 기간을 3가지 기준으로 먼저 정리하는 습관이 생겼습니다. 다만 AI 법률은 아직 빠르게 변하고 있어 지금 아는 것이 내년에는 달라질 수 있다는 점도 늘 염두에 두고 있습니다.
AI 관련 법률에서 가장 자주 보이는 긴장 지점은 '기술적으로 할 수 있는 것'과 '법적으로 해도 되는 것' 사이의 간극입니다. 머신러닝 모델이 학습 과정에서 특정 개인을 식별할 수 있는 패턴을 추론할 수 있다 해도, 그것이 처음 수집 목적에 포함되지 않았다면 사용이 제한됩니다. 이 간극을 이해하지 못하면 기술 개발 단계에서 설계한 것들이 나중에 법적 리스크가 되는 경우가 생깁니다. 수업 사례에서 추론에 의한 개인정보 생성이 직접 수집과 같은 규제를 받는 방향으로 해석이 확장되고 있다는 내용을 다뤘습니다.
AI가 데이터를 처리하면서 새로운 정보를 만들어내는 특성이 기존 법률 체계를 계속 시험한다는 것을 이해했습니다. 그렇기 때문에 법률 원칙을 처음부터 설계에 반영하는 것이 중요합니다.
AI 관련 법률 원칙 중 최근 주목받는 것 중 하나가 설명 가능성 요건입니다. 자동화된 의사결정이 개인에게 중요한 영향을 미치는 경우, 그 결정의 근거를 당사자에게 설명할 수 있어야 한다는 방향입니다. 학부 수업에서 신용평가나 채용 필터링처럼 결과가 개인에게 직접 영향을 주는 AI 시스템에 이 원칙이 적용되는 사례를 다뤘습니다. 정확도가 높은 모델이라도 왜 그 결과가 나왔는지를 설명하지 못하면 법적 요건을 충족하지 못할 수 있습니다.
기술 성능과 투명성 요건이 함께 설계에 반영되어야 한다는 것을 그 사례에서 이해했습니다. AI 법률이 빠르게 변하고 있지만, 설명 가능성과 목적 제한은 방향이 수렴하고 있는 원칙이라고 생각합니다.
답변에서 흔히 빠지는 것들 — 빠져 있으면 꼬리질문이 깊어집니다.
이 질문에 이어 고려대학교의료원 사내 법무 면접관이 던질 가능성이 높은 후속 질문.
이 페이지의 질문·답변·꼬리질문은 유사 직군 채용 시장의 공개된 면접 후기·커뮤니티 게시물을 분석해 구성한 학습 자료입니다. 특정 회사가 실제로 이 질문을 출제했다는 것을 보장하지 않으며, 모든 예시는 우문현답이 직접 작성한 창작물입니다. 해당 회사의 공식 입장과는 무관합니다. 회사 측의 정정 요청이 있을 경우 24시간 이내에 응답·수정합니다.