A
약 60초
오류 분석으로 데이터 품질 개선이 모델 성능을 높인 경험
캡스톤 프로젝트에서 초기 텍스트 분류 모델을 반복 고도화하면서 모델 개선 과정을 처음 체계화했습니다. 처음엔 모델 구조를 바꾸는 것이 성능 개선의 핵심이라고 생각했는데, 오류 사례를 직접 살펴보니 데이터 품질 문제가 더 큰 원인이었습니다. 라벨 오류와 클래스 불균형을 수정하고 나니 동일한 모델 구조에서 F1 점수가 약 7%포인트 올랐습니다.
오류 분석(Error Analysis)을 체계화해서 어떤 유형에서 오분류가 집중되는지를 파악하고, 그 유형에 해당하는 데이터를 보강하는 방향으로 접근했습니다. AI 모델 고도화는 모델 자체보다 데이터와 평가 지표를 올바르게 설정하는 것이 훨씬 중요하다는 걸 이 경험에서 배웠습니다. 지금도 성능 개선 전에 오류 패턴 분석을 먼저 수행하는 방향을 따릅니다.
이 결의 특징
AI 모델 고도화를 모델 구조가 아니라 데이터 품질 문제라는 실제 발견으로 풀어낸 흔적이 있습니다.
이 결이 통하는 자리
성능 개선 전에 오류 패턴 분석을 먼저 수행한다는 관점이 답에 담겨 있을 때 면접관의 신뢰가 쌓이는 자리를 자주 봅니다.