예시 답변 1
약 100초
ML 모델 품질 개선 실험 방식·경험 중심으로 푸는 결
머신러닝 모델 품질을 개선할 때 제가 주로 거치는 실험 흐름은 데이터 → 피처 → 모델 구조 → 하이퍼파라미터 순으로 원인을 좁히는 것입니다.
감정 분류 프로젝트에서 처음에 성능이 낮게 나왔을 때, 먼저 데이터 레이블 분포를 확인했습니다. 특정 레이블이 전체의 60% 이상을 차지하는 불균형이 있었고, 이것을 해소하지 않으면 모델이 다수 레이블에 편향됩니다. 언더샘플링을 적용한 뒤 F1-score가 의미 있게 올랐습니다.
이후 피처 측면에서는 형태소 분리와 불용어 제거를 추가했고, 모델은 LSTM에서 BERT 파인튜닝으로 전환했습니다. 각 변경을 하나씩 적용하면서 어느 변경이 성능 향상에 실제로 기여했는지를 추적했습니다. 변수를 한 번에 여러 개 바꾸면 원인 파악이 어렵다는 것을 이 과정에서 배웠습니다.
이 결의 특징
ML 모델 성능 저조라는 문제에서 원인을 체계적으로 좁혀나가는 방법론이 선명합니다. 데이터 → 피처 → 모델 구조 → 하이퍼파라미터 순서로 각 단계를 분리해, 레이블 불균형(60% 초과) 발견과 언더샘플링 적용으로 F1-score 상승을 추적했습니다. '변수를 한 번에 여러 개 바꾸면 원인 파악이 어렵다'는 배움이 체계적 사고를 보여줍니다.
이 결이 통하는 자리
복잡한 시스템에서 한 가지 변수씩 고립해 영향을 검증하는 실험 설계가 값어치 있는 자리에서 통합니다. 형태소 분리·불용어 제거·BERT 전환 같은 개별 변경의 기여도를 추적하려는 태도가, 기술 의사결정을 데이터 기반으로 만드는 문화를 선호하는 팀에서 신뢰를 쌓습니다.