연구진이 예측 성능과 공정성 저하를 막는 AURORA-AI 프레임워크를 발표했어요. 이 프레임워크는 변화하는 환경에서도 AI 모델의 자원을 재분배하여 예측 성능, 공정성, 비용, 지연 시간, 안정성, 설명 가능성을 최대화해요.
AURORA-AI는 Hamilton-Jacobi-Bellman 피드백 제어, Lyapunov 안정성 모니터링, 공정성 기반 복합 효용성을 결합한 폐루프 정책을 사용해요. 시뮬레이션 결과, AURORA-AI는 갑작스러운 오류 발생 시 즉시 복구하며, 기존 방식 대비 성능을 크게 향상시켰어요.
연구 결과, 안정성 이론 기반의 공정성 고려 자원 관리 방식이 인간 중심 AI 배포에 실용적인 방법임을 보여줘요. AURORA-AI는 alpha-quantile과 super-quantile을 각각 29%와 25% 향상시켰어요.