Freight-rate forecasting in the VLCC TD3C market remains challenged by abrupt regime shifts, pronounced volatility, and heterogeneity in real-time signals from oil prices, seaborne trade, vessel operations, and macroeconomic factors; these directly impact freight planning and chartering. This study presents a daily multivariate dataset with 4,267 samples covering 2014-02-01 to 2025-10-08, integrating crude benchmarks, fuel spreads, refinery margins, port congestion, inventory levels by region, plus detailed AIS-derived VLCC activity, speed, and operation states, scaled and split 80/10/10 for training, validation, and testing. The proposed framework combines a PyTorch Transformer—optimized using Optuna for d_model=128, 9 layers, 8 heads, a 14-day input window, and 5-day output—with Monte Carlo Dropout for uncertainty quantification. Diagnosis uses differential entropy and coefficient-of-variation to verify convergence with 90 separate runs, while a Kalman filter (Q=0.001, R=0.01) smooths the forecast trajectory and enhances temporal reliability. Experimental results show baseline Transformer achieves average MAE 5,259.4, MAPE 13.10%, and R²=0.74 across 1-5 day horizons, with volatility quality metrics declining at longer leads. Applying the Kalman filter reduces errors to MAE 4,326.1, MAPE 10.6%, and raises R² to 0.83; timing and extremity components of volatility quality scores are strengthened, providing a more robust basis for operational decisions. Monte Carlo backtesting for 82 Korean VLCCs over 598 trades finds the Kalman-smoothed strategy earns $108.5M (88.9% win rate, Sharpe ratio 0.83), substantially outperforming raw Transformer ($32.9M, 60.5%, 0.24) and random selection (near zero, 49.3%, 0.005). These results highlight the clear economic value added by calibrating uncertainty and post-processing forecasts, transforming predictive reliability into real-world freight portfolio improvement in the tanker market.

악성 게시글 및 댓글의 위험성에 대한 사회적 경각심이 높아지고 있는 상황 속에서, 인터넷 포 털 사이트와 SNS 등은 악성 게시글 및 댓글 등 을 AI를 통하여 필터링하는 기능을 도입하고 있 다. 그 과정 속에서 AI가 어떠한 기준에 따라 필 터링을 하는지 구체적인 내용이 공개되지 않아 이용자들의 반발이 계속되고 있다. AI 필터링의 확산은 불가피하게 이용자의 표 현의 자유, 알 권리를 제약하는 결과로 이어진다. 특히 AI 필터링은 인간에 의한 필터링과 달리 필 터링 결과에 이른 근거가 무엇인지 인간이 이해 할 수 있는 방법으로 인간에게 전달하는 것이 어 렵다는 점에 특징이 있다. 설명가능 인공지능(XAI)은 이용자에게 시스 템의 개별 의사결정에 대한 설명을 제공하고, 이 용자가 AI 시스템의 전반적인 강점 및 약점을 이 해하도록 도와주는 기술이며, 미국 방위고등연구 계획국(DARPA)의 주도하에 연구가 진행되고 있다. XAI는 다양한 분야에서 이용자로부터 신뢰 를 얻고 사회적 수용을 위한 공감대를 형성하는 수단이 될 것으로 예상된다. EU의 일반개인정보보호규정(GDPR)은 정보 주체들이 인공지능 알고리듬이 어떻게 결과를 도 출하는지에 대한 설명을 요구하는 근거규범을 포 함하고 있다. 설명요구권과 자동화된 의사결정을 제한할 권리를 규정함으로써 정보주체의 기본 권 리를 보장하기 위한 규제 메카니즘을 구축하였다. 이로써 XAI 개발과 설계를 위한 노력이 긴요한 과제가 되었다. GDPR의 AI 규제 메카니즘 구축이 기술 발전 을 저해하는 효과를 낳을 수 있다는 부정론도 제 기되고 있다. 하지만 AI 알고리듬의 오류 발생 가 능성이 상존하므로, AI 필터링의 신뢰도를 확보 하기 위한 근거 설명의 필요성이 크다는 점에서 AI의 알고리듬 도출 결과의 근거를 요구할 수 있 는 입법이 긴요하다고 볼 수 있다.