이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
ML 기반 검색 알고리즘을 직접 구현한 경험은 없지만, 개인 프로젝트에서 검색 품질 지표(CTR, 클릭률, 검색 후 전환율)를 기준으로 개선 방향을 정의하는 실습을 했습니다. PM이 ML 검색 기획에서 핵심적으로 해야 하는 것은 모델이 최적화해야 하는 목표 지표를 명확히 정의하는 것이라고 이해합니다. 같은 검색 결과라도 클릭 수를 최적화할 때와 구매 전환을 최적화할 때 모델 설계가 달라집니다. 또한 검색어가 없는 탐색 페이지와 의도가 명확한 검색 페이지에서 ML 활용 방식이 다릅니다.
기획 단계에서 사용자 의도를 유형화하는 것이 ML 팀과 협업하는 출발점이라고 생각합니다.
ML 검색을 직접 만든 경험은 없지만, 제가 PM으로서 중요하다고 본 것은 모델이 잘 작동하는지를 어떻게 평가할지를 먼저 정하는 것입니다. 개인 프로젝트에서 검색 결과를 개선하려 할 때, '좋은 결과'가 무엇인지를 정의하지 않으니 잘됐는지 판단할 수 없었습니다. 그래서 클릭률이나 검색 후 전환처럼 측정 가능한 지표로 좋은 결과를 정의하는 것이 출발점이라는 것을 배웠습니다. 또 모델은 입력되는 데이터의 질에 크게 좌우되어, 검색 기록에 편향이나 오류가 있으면 결과도 그대로 흔들렸습니다. 그래서 저는 ML 기획에서 무엇을 목표로 할지와 어떤 데이터로 학습할지를 명확히 하는 것이 모델 자체보다 먼저라고 생각합니다. 평가 기준 없이 만든 모델은 좋아졌는지조차 알 수 없기 때문입니다.
ML 검색을 기획할 때 제가 의식하는 거래는 정확도와 속도 사이의 균형입니다. 검색은 결과가 아무리 정확해도 느리면 사용자가 떠나기 때문입니다. 더 많은 요소를 따져 정교하게 순위를 매길수록 계산이 무거워져 응답이 느려진다는 것을, 자료를 보며 이해했습니다. 그래서 모든 검색에 최고 수준의 정교함을 적용하기보다, 빠른 1차 결과를 주고 필요한 경우에만 더 정밀하게 처리하는 방식이 현실적이라고 봤습니다. PM으로서는 이 거래를 사용자 입장에서 판단해야 한다고 생각합니다. 정보를 깊이 찾는 검색이라면 정확도를, 빠른 탐색이라면 속도를 우선하는 식입니다. 어느 쪽이 사용자 경험에 더 중요한지를 먼저 정하고, 그에 맞춰 모델 설계를 엔지니어와 조율하는 것이 PM의 역할이라고 봅니다.
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.