이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
딥러닝·강화학습 기반 플래닝에 관심을 갖게 된 계기는 전통 알고리즘의 한계를 직접 경험하면서입니다. 미리 정의된 규칙만으로는 처리하기 어려운 복잡한 환경에서 데이터 기반 접근이 더 유연할 수 있다는 것을 논문을 통해 알게 됐습니다.
강화학습 플래닝 논문 리뷰를 통해 PPO나 SAC 같은 알고리즘이 로봇 제어에 적용된 사례를 공부했습니다. 시뮬레이터에서 학습한 정책이 실제 환경에서 성능이 떨어지는 sim-to-real 갭 문제가 반복되는 것을 봤고, 도메인 무작위화 기법으로 이를 완화하는 접근에 흥미를 느꼈습니다.
직접 실습은 Isaac Gym 환경에서 간단한 이동 정책을 학습시키는 것까지 진행했습니다. 이론과 구현의 차이가 예상보다 컸지만, 실제로 에이전트가 학습하는 과정을 보면서 다음에 더 복잡한 환경으로 확장하고 싶다는 방향이 생겼습니다.
학부 졸업 논문에서 강화학습 기반 경로 계획 에이전트를 구현했는데, 학습 초기에는 잘 되는 것 같다가 1,000 에피소드 이후 성능이 오히려 떨어지는 현상이 반복됐습니다. 처음에는 보상 함수 설계가 잘못됐다고 생각했는데, 학습률을 고정값으로 쓴 게 문제였습니다.
학습률 스케줄링을 적용해 초반에는 빠르게, 이후에는 느리게 업데이트되도록 바꿨더니 학습 곡선이 안정됐습니다. 처음에는 어떤 하이퍼파라미터가 영향을 주는지 몰라 한 번에 여러 개를 바꿨다가 원인 파악이 어려웠습니다. 이후 한 번에 하나씩 바꾸며 실험 결과를 기록하자 원인을 특정할 수 있었습니다. 강화학습은 하이퍼파라미터에 민감하고 실험 기록 없이는 원인을 찾기 어렵다는 걸 이 경험으로 배웠습니다.
학부 연구실에서 딥러닝 기반 충돌 예측 모델을 직접 구현해봤는데, 수집한 데이터셋이 500개에 불과해 모델이 학습 데이터에는 잘 맞지만 새로운 시나리오에서는 예측이 크게 빗나가는 문제가 있었습니다. 논문에서는 수십만 개의 데이터를 쓴다는 걸 알고 있었는데, 직접 해보기 전까지는 데이터 부족이 이 정도의 차이를 만드는지 몰랐습니다. 데이터 증강 기법을 적용해 2,000개로 늘렸는데 개선 폭이 제한적이었습니다. 결국 딥러닝 방식 대신 규칙 기반 방식과 앙상블로 접근하는 게 현재 데이터 규모에 더 적합하다는 결론을 냈습니다. 새 기법을 적용할 때 전제 조건, 특히 데이터 규모를 먼저 확인하지 않으면 실패를 반복한다는 걸 이 경험으로 배웠습니다.
답변에서 흔히 빠지는 것들 — 빠져 있으면 꼬리질문이 깊어집니다.
이 질문에 이어 배달의민족(우아한형제들) ML 엔지니어 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.