이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
AI를 활용한 서비스 개발에서 가장 중요한 건 AI 기능 자체보다 그것이 사용자에게 어떤 가치를 주는지라고 생각합니다. AI를 쓴다는 것이 목적이 되면 기술은 그럴듯하지만 쓸모없는 서비스가 되기 쉽습니다. 프로젝트에서 텍스트 분류 모델을 서비스에 붙였을 때, 모델 정확도보다 사용자가 결과를 신뢰할 수 있는지가 더 중요한 문제였습니다. 모델이 틀렸을 때 사용자가 어떻게 수정할 수 있는지를 설계하지 않으면 신뢰성 문제로 이탈이 생겼습니다. AI 서비스에서는 예측 결과와 함께 왜 그런 결과가 나왔는지 설명할 수 있는 것이 사용자 신뢰를 높이는 방향이라고 봅니다. 또 모델이 잘못된 방향으로 편향되는지를 지속적으로 모니터링하는 것도 중요합니다. 좋은 AI 서비스는 모델 성능보다 사용자 경험 설계가 먼저입니다.
AI 서비스 개발에서 혼자 판단하기 어려운 자리에서 도움이 기준이 됐습니다. 모델 출력이 편향됐는지를 판단하는 기준을 스스로 만들기 어려웠습니다. 팀원이 평가 파이프라인(Eval Pipeline) 설계 경험을 갖고 있어서, 어떤 기준으로 출력 품질을 측정하는지를 배울 수 있었습니다.
RAG 파이프라인에서 검색된 문서가 LLM 응답에 어떻게 영향을 주는지를 분석하는 방법도 혼자 설계하기 어려운 자리였습니다. 가드레일(Guardrail) 설정 기준도 어디까지를 차단하는지를 결정하는 것이 경험 없이는 어렵습니다. AI 서비스에서 출력 품질 평가 체계를 만드는 것은 혼자 정하기 어렵고, 경험 있는 팀원과 함께 설계하는 것이 중요하다는 것을 알고 있습니다.
AI 서비스 개발 경험이 이후 AI를 다시 쓸 때 먼저 설계하는 것으로 남았습니다. 기능 구현 전에 어떻게 출력 품질을 측정할지를 먼저 정하는 것이 그 절차입니다. 측정 기준 없이 만들면 나중에 '잘 되고 있는지'를 판단할 수 없습니다.
프롬프트를 바꾸거나 모델을 교체할 때도 이전과 비교할 기준이 있어야 개선이 됐는지를 확인할 수 있습니다. AI 특유의 비결정성은 한 번 테스트로 검증이 안 된다는 것을 경험으로 알고 있어서, 지속적인 모니터링 체계를 만드는 것을 먼저 생각하게 됐습니다.
AI 기능을 추가하는 것보다 AI 출력을 지속적으로 측정하고 개선하는 운영 체계를 갖추는 것이 더 중요한 역량이라는 것을 알고 있습니다.
답변에서 흔히 빠지는 것들 — 빠져 있으면 꼬리질문이 깊어집니다.
이 질문에 이어 111퍼센트 공통직무·미지정 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.