경험 중심
약 90초
직접 경험 또는 학습 기반 답변
컴퓨터비전 수업 프로젝트에서 불량 이미지 분류 모델을 만들어봤습니다. 파이프라인은 데이터 수집 → 라벨링 → 전처리 → 모델 학습 → 검증 → 배포로 진행했습니다. 데이터는 직접 캡처한 샘플에 정상/불량 라벨을 붙이는 과정이 가장 시간이 많이 걸렸고, 클래스 불균형 문제가 있어 오버샘플링을 적용했습니다. 모델은 사전 학습된 ResNet을 파인튜닝해서 학습 시간을 줄였고, 배포는 Flask API로 간단히 래핑해 테스트 환경에 올렸습니다. 실제 운영 환경에서는 재학습 주기 설계와 드리프트 감지가 중요하다는 걸 배웠고, 모니터링 없이 배포만 하면 성능이 조용히 하락한다는 것도 이해했습니다. 이 경험으로 배포 이후 모니터링 설계가 모델 개발만큼 중요하다는 걸 배웠고, 드리프트 감지와 재학습 주기를 처음부터 고려하는 습관이 생겼습니다.
이 결의 특징
데이터 수집부터 배포까지 전 과정을 순서대로 짚고, 클래스 불균형 해결과 드리프트 감지까지 실무적 세부사항을 포함하는 결입니다. 모니터링 없는 배포의 위험성을 명확히 짚습니다.
이 결이 통하는 자리
MLOps 파이프라인 설계 능력을 확인하는 자리에서 통하는 결입니다. 단계만 나열하고 배포 후 관리 방안이 없으면 학습 프로젝트 수준에 그칠 위험이 있습니다.