People Research Data Scientist, AI Fairness & Bias

AI-assisted People 프로세스와 모델에 대한 fairness/bias testing 전략 수립 및 리드. 알고리즘 감사, validation study, adverse-impact analysis, subgroup/intersectional evaluation, error-rate analysis, calibration, sensitivity testing 수행. 인간-AI 의사결정 시스템의 end-to-end 평가. 생성형/agentic AI 평가 방법 개발. 격차 원인 분석 및 완화책 제안. 재사용 가능한 데이터셋, 자동화 검증 파이프라인, regression test, monitoring system, self-service tool 등 공정성 평가 인프라 구축. fairness test plan, dataset/model documentation, validation report, monitoring plan, decision record 등 연구·문서화 표준 수립. 분석 결과를 리더십이 이해할 수 있는 의사결정용 내러티브로 전달.

필수: 알고리즘 공정성, 편향 측정, Responsible AI, psychometrics, applied statistics, 고위험 의사결정 시스템 평가에 대한 깊은 전문성. 연구 설계, 측정, 실험, 인과추론, 통계모델링 역량. subgroup/intersectional analysis, adverse-impact testing, equalized odds, equal opportunity, demographic parity, calibration, counterfactual testing, measurement invariance, reliability/validation studies 경험. Python 또는 R과 SQL 숙련, 복잡하고 민감한 데이터 처리 경험. 재현 가능한 평가 파이프라인/자동화 테스트/모니터링 시스템 구축 경험. 정량적·정성적 근거를 바탕으로 통계적 격차와 원인을 구분해 설명하는 능력. 기술·운영·법무·프라이버시·임원 이해관계자와 협업하는 역량. 우대: 고용/인재평가/psychometrics/조직연구 경험, Fairlearn·AI Fairness 360·responsible AI 프레임워크 경험, LLM/생성형 AI/agentic workflow 평가 경험, model cards·dataset documentation·audit reports 작성 경험, 관련 석사/박사 학위.