예시 답변 1
약 90초
프로덕션 ML 배포 모니터링 파이프라인 결
프로덕션 수준에 가까운 머신러닝 솔루션을 개발한 경험은 캡스톤 프로젝트에서 실제 데이터를 받아 분류 모델을 서비스로 배포하면서 쌓았습니다. 학교에서의 ML과 가장 달랐던 점은, 정확도만 높이면 끝이 아니라 배포 후에도 지속적으로 관리해야 한다는 것이었습니다.
데이터 드리프트를 경험했는데, 학습 데이터와 실제 입력 분포가 달라지면서 모델 성능이 점점 낮아지는 것을 모니터링 지표로 발견했습니다. FastAPI로 모델을 REST API로 감싸 배포했고, 예측 요청과 결과를 로깅해 이후 재학습 데이터로 활용하는 파이프라인을 만들었습니다.
모델 버전 관리도 중요했는데, 새 버전을 배포할 때 이전 버전으로 롤백할 수 있어야 성능 저하 시 빠르게 대응할 수 있었습니다. ML은 모델 학습이 끝이 아니라 배포 후 관리가 실제 업무의 더 큰 부분이라는 결을 얻었습니다.
이 결의 특징
처음 접한 경험부터 습득까지의 발전 과정이 구체적으로 보이는 흔적입니다.
이 결이 통하는 자리
이론이 아닌 실제 손에 잡은 기술 경험이 담길 때 면접관이 후속 질문을 던지는 자리입니다.