예시 답변 1
약 104초
딥러닝 모델 설계·프로젝트 경험 중심으로 푸는 결
학부 졸업 프로젝트에서 텍스트 감정 분류 모델을 설계하고 학습시킨 경험이 있습니다.
뉴스 댓글 데이터를 긍정·부정·중립으로 분류하는 것이 목표였습니다. 처음에는 LSTM 기반으로 시작했는데, 한국어 특성상 형태소 분석 없이 단순 토크나이징을 하면 성능이 낮게 나왔습니다. KoNLPy로 형태소를 분리한 뒤 임베딩을 다시 학습하니 유의미하게 개선됐습니다.
이후 KoBERT를 파인튜닝하는 방식으로 전환했고, 사전 학습 모델의 힘을 실감했습니다. 학습 데이터 규모가 작아도 LSTM보다 정확도가 높았고, 특히 중립 레이블 예측이 개선됐습니다. 학습 과정에서 레이블 불균형이 성능에 미치는 영향을 확인하고, 언더샘플링과 손실 함수 가중치 조정을 시도했습니다. 최종 모델은 F1-score 기준으로 약 0.82를 달성했습니다.
이 결의 특징
LSTM에서 형태소 분석 없이 토크나이징했을 때 성능이 낮았던 문제를 짚고, KoNLPy로 형태소를 분리한 뒤 KoBERT 파인튜닝으로 전환해 F1 0.82를 달성한 과정을 순서대로 담은 흔적이 있습니다.
이 결이 통하는 자리
모델 전환의 구체 이유와 수치 결과가 짝을 이룰 때 통합니다. 레이블 불균형을 언더샘플링과 손실 함수 가중치 조정으로 대응했다는 세부가 살아 있을 때 면접관이 문제 해결 과정을 읽는 결이 보입니다.