예시 답변 1
약 90초
레이블 부족 문제 — 합성 데이터 창안
이상 탐지 모델 학습에 필요한 불량 샘플이 50개뿐인 상황에서 일반적인 증강만으로는 부족했습니다. 저는 생성 모델(DCGAN)을 활용해 불량 이미지를 합성하는 아이디어를 제안했습니다. 처음에는 생성된 이미지 품질이 낮았지만, 도메인 전문가 피드백으로 생성 조건을 세분화해 3회 반복 후 실제 불량과 구별이 어려운 수준의 합성 데이터를 얻었습니다. 합성 데이터 1,500장을 추가한 결과 모델 재현율이 0.61에서 0.87로 크게 향상됐습니다. 해결 과정에서 문제를 '데이터 부족'이 아닌 '어떻게 부족함을 채울 수 있는가'로 재정의한 것이 핵심이었습니다. 이 경험으로 창의적 문제 해결은 제약 조건 자체를 다시 보는 데서 시작한다는 점을 배웠습니다.
이 결의 특징
불량 샘플이 50개뿐인 제약에서 일반 증강의 한계를 인정하고 DCGAN으로 불량 이미지를 합성한 발상이 또렷합니다. 초기 품질이 낮았지만 도메인 전문가 피드백으로 생성 조건을 세분화해 3회 반복한 대목이, 창의성을 번뜩임이 아닌 반복 개선으로 읽히게 하는 결이 보입니다.
이 결이 통하는 자리
합성 1,500장으로 재현율 0.61→0.87을 만든 결과가, 문제를 '데이터 부족'이 아닌 '어떻게 부족을 채우나'로 재정의한 관점과 묶일 때 통합합니다. '창의는 제약 조건 자체를 다시 보는 데서 시작한다'는 배운 점이 또렷한 자리에서 면접관의 꼬리질문이 줄어드는 결이 보입니다.