Conscious infrastructure for fairness aware detection of household water insecurity in Hyderabad informal settlements

기술 요약: 하이데라바드 비공식 거주지의 공정성 인지형 가구 수자원 불안정성 탐지를 위한 의식적 인프라(Conscious Infrastructure)

문제 제기
도시 수자원 거버넌스에 적용되는 현재의 인공지능(AI) 및 머신러닝 활용은 주로 유틸리티(공공 서비스 제공자)의 운영 관점에 조직되어 있으며, 네트워크 자산, 흐름, 압력, 그리고 인프라 가시성에 초점을 맞추고 있다. 이러한 지향점은 비공식 거주지(informal settlements)를 분석하는 데 있어 불완전하다. 왜냐나 이곳에서의 수자원 불안정성은 인프라의 완전한 부재가 아니라, 신뢰할 수 없거나 안전하지 않은 서비스를 사용 가능한 상태로 만들기 위해 가구가 짊어져야 하는 부담의 관점에서 경험되기 때문이다. 본 논문은 "인프라 가시성 격차(infrastructural visibility gap)"를 식별한다. 이는 가구가 경험하는 부담(시간 손실, 소득 압박, 건강 위험, 대응 비용)과 공공 의사결정 시스템이 실행 가능한 증거로 인식하는 것 사이의 괴리를 의미한다. AI 모델이 유틸리티 측에서 가시적인 변수(예: 수원 유형, 공급 일정)만을 기반으로 학습될 경우, 제도적 판독 가능성(institutional legibility)을 최적화하는 데 치중하여, 노동과 경제적 중단이라는 형태로 불안정성을 표출하는 가구들을 놓칠 위험이 있다. 이는 단순한 기술적 알고리즘 편향이라기보다 "문제 정식화 편향(problem-formulation bias)"에 해당한다.

방법론
본 연구는 **의식적 인프라 신경 시스템(Conscious Infrastructure Neural Networks, CINS)**이라 명명된 의사결정 지원 아키텍처를 구체화한다. 여기서 "신경(neural)"은 신경망 알고리즘의 사용을 의미하는 것이 아니라, 가구 데이터, 예측 분류, 하위 그룹 공정성 감사, 그리고 제도적 대응 프로토콜을 연결하는 연계된 의사결정 구조를 의미한다.

• 데이터 소스: 본 분석은 인도 하이데라바드의 34개 비공식 거주지에서 수집된 1,700개의 가구 설문 기록과 34개의 수질 샘플 기록을 포함하는 원시 데이터셋을 활용한다. 데이터는 음용수 접근성 및 의사결정에 관한 박사 학위 연구에서 기원하였다.
• 결과 변수: 주요 결과 변수는 가구의 작업 일정이 음용수 공급 또는 가용성 타이밍에 의해 방해받았는지 여부를 나타내는 이진 지표(binary indicator)이다. 이는 주관적 인지가 아닌, 직접적인 경제적·시간적 결과를 포착하기 위해 "구속적(binding)" 수자원 불안정성의 대리 지표로 활용된다.
• 모델 비교: 두 가지 로지스틱 회귀 모델을 추정하고, 층화된 홀드아웃 테스트 세트(30% 데이터)에서 비교하였다:
  1. 유틸리티 가시적 모델(Utility-Visible Model): 전통적인 인프라 지식에 가까운 변수들(수원 사용, 공급 시기, 저장 기간, 거주지 ID, 연계된 미생물학적 위험)을 포함한다.
  2. 가구 부담 모델(Household-Burden Model): 위 유틸리티 가시적 변수들에 더해 가구 부담 변수들(소득/지출 중간값, 지출 비율, 인지된 품질/양 등급, 질병/치료 지표, 물 길어오기 부담, 다중 수원 의존도)을 포함한다.
• 평가 지표: 성능은 정확도(accuracy), 정밀도(precision), 재현율(recall), F1-score, AUC, 그리고 특히 **미검출률(False Negative Rate, FNR)**을 통해 평가되었다. 본 연구는 집계된 정확도보다 취약 계층(최저 소득 사분위, 다중 수원 이용 가구, 탱크로리 의존 가구, 미생물학적 위험 거주지 거주자)의 미검출률을 줄이는 것을 우선시한다.
• 공정성 감사: 하위 그룹 분석을 통해 부담 변수의 포함이 특정 취약 계층에 대한 과소 탐지를 감소시키는지 확인하였다. 보충적인 해석 가능성 검토를 위해 랜덤 포레스트(Random Forest) 변수 중요도 분석을 사용하였다.

주요 결과

• 모델 성능: 가구 부담 모델이 홀드아웃 테스트 세트에서 유틸리티 가시적 모델보다 우수한 성능을 보였다.
  • 정확도: 0.669에서 0.731로 증가.
  • 재현율: 0.636에서 0.714로 증가.
  • F1-Score: 0.513에서 0.593으로 증가.
  • AUC: 0.731에서 0.818로 증가.
  • 미검출률(FNR): 0.364에서 0.286으로 감소.
• 혼동 행렬(Confusion Matrix): 가구 부담 모델은 유틸리티 가시적 모델(89건) 대비 100건의 진양성(true positives, 실제 방해받은 가구)을 정확히 식별하여, 놓친 방해 가구를 51건에서 40건으로 줄였다.
• 하위 그룹 공정성:
  • 개선 사항: 최저 소득 사분위(32.1% $\rightarrow$ 25.0%)와 다중 수원 이용 가구(40.5% $\rightarrow$ 31.6%)에서 FNR이 유의미하게 감소하였다.
  • 이상 현상: 탱크로리 의존 가구의 FNR은 8.8%에서 12.5%로 약간 증가하였다. 저자들은 이를 탱크로리 사용이 이미 유틸리티 가시적 모델에서 강력한 예측 변수였기 때문으로 해석하며, 부담 변수를 추가함으로써 모델 가중치가 재분배되어 이미 가시성이 높은 특정 하위 그룹에 대한 성능이 다소 약화된 결과라고 설명한다.
• 변수 중요도: 가구 부담 모델에서 경제적 압박(지출, 소득 여력), 인지된 서비스 품질, 물 길어오기 부담이 인프라 변수와 함께 높은 순위의 예측 변수로 나타났으며, 이는 가구의 경험이 의사결정에 유의미한 정보를 더한다는 것을 확인시켜 준다.

주요 기여

1. 개념적 프레임워크: 본 논문은 가구의 수자원 불안정성, 데이터 정의(data justice), 도시 거버넌스를 잇는 가교로서 인프라 가시성 격차를 도입한다. 저자들은 이 격차를 가구가 경험하는 부담과 의사결정 시스템이 인식하는 증거 사이의 차이로 정의한다.
2. 실증적 증거: 가구 부담 변수를 통합하는 것이 고위험 가구의 탐지 능력을 향상시키고 취약한 하위 그룹의 미검출률을 낮춘다는 점을 입증하는 재현 가능한 비교를 제공함으로써, 인프라 중심 데이터의 충분성에 도전한다.
3. 거버넌스 아키텍처 (CINS): 본 논문은 CINS를 단순한 예측 도구가 아니라 제도적 대응 프로토콜과 연결된 거버넌스 아키텍처로 제안한다. 저자들은 공정성을 고려한 AI가 단순히 예측 분류를 수행하는 데 그치지 않고, 특정 행동(예: 재검사, 공급 교정, 부담 능력 평가)을 촉발하도록 설계되어야 한다고 주장한다.
4. 공정성의 재정의: 본 연구는 인프라 AI의 공정성 평가를 집계된 정확도에서 취약한 하위 그룹 간의 미검출 분포로 전환하며, 공정성이란 사후적 모델 조정이 아니라 데이터의 포함과 문제 정식화의 속성임을 주장한다.

의의 및 주장
본 논문은 인프라 AI의 공정성이 단순히 모델 출력을 수정하는 것이 아니라, 가구의 부담을 포함하도록 데이터 아키텍처를 근본적으로 변경함으로써 달성된다고 주장한다. 핵심 논지는 어떤 가구가 "형식적으로는 가시적(네트워크에 연결됨)"일지라도, 그들이 짊어지는 노동과 경제적 부담에 있어서는 "분석적으로는 보이지 않을(invisible)" 수 있다는 것이다.

저자들은 본 분석이 투명한 기준 명세 하에서 가구 부담 변수가 탐지 능력을 개선함을 보여주는 진단적 성격의 연구임을 겸허히 밝힌다. 이들은 최적의 최종 모델을 식별했거나 CINS를 운영적으로 완전히 배포했다고 주장하지 않는다. 대신, 이 논문은 모델 비교를 통해 가구 부담이 제외되었을 때 무엇이 누락되는지를 보여주는 제도적 가시성을 위한 진단 도구로 위치시킨다. 본 연구의 의의는 AI가 공정성을 갖추기 위해서는 인프라 가시성에만 의존하는 것이 아니라, 비공식 거주지의 삶의 실상(특히 서비스 파편화와 그에 따른 부담)을 인식하도록 설계되어야 한다는 주장에 있다. 결론적으로, 가구 부담 데이터를 통합하고 예측을 대응 프로토콜과 연결하지 않는다면, AI는 수자원 거버넌스를 더 효율적으로 만들 수는 있으나, 불안정한 접근으로 인해 가장 큰 영향을 받는 이들의 보이지 않는 상태를 지속시키는 결과를 초래할 것이라고 경고한다.