이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
GPT 기반 앱을 실제 서비스로 구현한 경험은 수업 프로젝트에서 사용자 입력을 받아 GPT API를 호출하고 결과를 가공해 보여주는 서비스를 만든 것입니다. 구현에서 가장 도전적인 부분은 프롬프트 설계였습니다. 같은 입력이라도 프롬프트 구조에 따라 출력 품질이 크게 달라졌습니다. 프롬프트를 반복적으로 수정하면서 어떤 지시가 일관된 결과를 만드는지를 실험하는 과정이 필요했습니다. 평가 체계도 중요합니다.
AI 출력의 품질을 어떤 기준으로 판단할 것인지를 정의하지 않으면 개선 방향을 잡기 어렵습니다. 사용자에게 보여주는 인터페이스 설계도 AI 경험의 일부입니다. 불확실한 응답이 나왔을 때 사용자가 어떻게 받아들이는지를 고려한 UX가 필요합니다. GPT 기반 서비스는 기술 연결보다 어떤 경험을 만들 것인지의 설계가 핵심입니다.
GPT 기반 서비스를 만들며 제가 가장 어렵게 느낀 것은 결과가 좋아졌는지를 무엇으로 판단하느냐였습니다. AI 출력은 정답이 하나가 아니라, 잘됐다는 기준을 정하지 않으면 개선 방향을 잡을 수 없었습니다. 그래서 저는 어떤 출력이 사용자에게 쓸모 있는지를 몇 가지 기준으로 정의하고, 프롬프트를 바꿔가며 결과를 비교했습니다. 같은 입력에 여러 버전의 프롬프트를 넣어 어느 쪽이 더 일관된 결과를 내는지 실험한 것입니다. 막연히 '더 좋은 답'을 찾기보다, 기준을 정해두고 비교하니 개선이 눈에 보였습니다. AI 서비스는 평가 기준 없이 프롬프트만 만지면 좋아졌는지조차 알 수 없다는 것을 그 과정에서 배웠습니다. 그래서 저는 만들기 전에 무엇이 좋은 결과인지부터 정합니다.
GPT 기반 서비스에서 제가 의식한 한계는 AI가 늘 정확한 답을 주지는 않는다는 점이었습니다. 그럴듯하지만 틀린 답이 나올 수 있어, 그것을 사용자가 그대로 믿으면 문제가 됩니다. 그래서 저는 불확실한 응답일 때 사용자가 맹신하지 않게, 출처나 확인이 필요하다는 것을 함께 보여주는 UX가 필요하다고 봤습니다. AI 결과를 단정적으로 내놓는 것과, 참고용임을 알리는 것은 사용자 신뢰에 큰 차이가 있었습니다. 또 자주 틀리는 유형을 모아두고 그 경우의 처리를 따로 정해, 같은 문제가 반복되지 않게 했습니다. AI 서비스는 기술을 연결하는 것보다 불완전한 답을 사용자가 어떻게 받아들이게 할지를 설계하는 것이 더 중요하다고 생각합니다.
답변에서 흔히 빠지는 것들 — 빠져 있으면 꼬리질문이 깊어집니다.
이 질문에 이어 CJ올리브영 프로덕트 매니저 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.