이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
졸업 프로젝트에서 센서 데이터의 이상값 탐지 문제를 규칙 기반으로 처리하다 한계를 느꼈습니다. 패턴이 너무 다양해서 규칙을 계속 추가해도 놓치는 케이스가 생겼습니다. 그래서 Isolation Forest 모델을 적용했는데, 기존 로직보다 탐지율이 크게 올랐고 규칙 유지 부담도 줄었습니다. 가장 어려웠던 건 레이블이 없는 데이터로 비지도 학습을 세팅하는 과정이었습니다.
임계값 튜닝이 모델 성능에 크게 영향을 미쳐서, 실제 현장 데이터로 반복 검증하면서 조정했습니다. AI를 쓰는 것보다 언제 쓰고 언제 쓰지 않을지 판단하는 것이 더 중요하다는 걸 그 경험에서 배웠습니다.
AI 모델을 쓴 경험에서 제가 직접 담당한 부분을 구체적으로 말씀드리겠습니다. 자연어 처리 과제에서 팀 전체가 사전 학습 모델을 파인튜닝하는 방향으로 결정했고, 저는 그중에서 데이터 전처리와 학습 데이터 정제를 맡았습니다. 처음에는 텍스트 그대로를 넣었는데, 특수문자와 불필요한 공백이 포함된 상태에서 성능이 낮게 나왔습니다. 전처리 단계를 추가하고 나서 검증 세트 정확도가 7%포인트 올라갔고, 그 결과를 팀에 공유하니 전처리 품질이 모델 성능에 직접 연결된다는 걸 팀 전체가 인식하게 됐습니다.
AI 모델 자체보다 데이터 품질이 성능을 더 크게 좌우한다는 걸 그 경험에서 배웠습니다. 아직 복잡한 모델 구조를 직접 설계한 경험은 없지만, 내가 맡은 전처리 단계에서 수치로 기여를 보여준 것은 의미 있었습니다.
AI 모델 활용에서 솔직히 말할 수 있는 건, 모델이 잘못된 결과를 낼 때 원인을 찾기 어렵다는 점입니다. 분류 모델을 만들었는데, 특정 클래스에서 정확도가 유독 낮은 이유를 파악하는 데 시간이 많이 걸렸습니다. 학습 데이터가 그 클래스에서 불균형했는데, 불균형 자체를 인식하지 못한 채 모델을 학습시켰기 때문이었습니다. 오버샘플링으로 일부 해결했지만, 왜 그 클래스에서만 낮았는지 완전히 설명하지는 못했습니다. 그 경험에서 AI 모델의 결과를 해석하는 것이 모델을 만드는 것만큼 어렵다는 걸 배웠습니다.
모델의 동작을 블랙박스로 받아들이지 않고 설명하려는 시도를 해야 한다는 것도 그때 생긴 인식입니다. 아직 설명 가능한 AI 기법을 깊이 다뤄본 경험은 없지만, 내 모델이 왜 그런 결과를 냈는지 묻는 습관은 생겼습니다.
답변에서 흔히 빠지는 것들 — 빠져 있으면 꼬리질문이 깊어집니다.
이 질문에 이어 HD현대마린솔루션 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.