이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
직접 경영진에게 메트릭을 방어해 본 경험은 없지만, 학교 머신러닝 프로젝트에서 이 지표들을 직접 다뤄봤습니다.
졸업 프로젝트에서 스팸 메일 분류 모델을 만들 때 정확도만 높이면 된다고 생각했다가, 정상 메일을 스팸으로 잘못 분류하는 경우가 많아졌다는 것을 나중에 발견했습니다. 팀원이 재현율 수치를 확인하고 나서야 문제가 드러났고, 저는 정확도 수치만 봤기 때문에 문제를 놓쳤었습니다. 그 경험으로 어떤 실수를 더 허용할 수 없는지에 따라 어떤 지표를 우선해야 하는지가 달라진다는 것을 배웠습니다.
경영진에게 설명한다면, 수치 자체보다 그 수치가 잘못됐을 때 비즈니스에 어떤 영향이 생기는지를 연결해서 말하는 방식이 중요하다고 생각합니다. 입사 후 실무에서 이 접근 방식을 더 다듬고 싶습니다.
정확도, 재현율, F1 점수의 차이는 머신러닝 수업에서 배웠고, 개인 프로젝트에서 직접 계산해 본 경험이 있습니다.
제가 참여한 캡스톤 프로젝트에서 의료 이미지 이상 탐지 모델을 만들었는데, 정확도는 98%였지만 실제로 이상이 있는 케이스를 탐지하는 재현율이 40%에 불과했습니다. 이상 없는 케이스가 압도적으로 많은 데이터 특성 때문에 발생한 문제였습니다. 지도 교수님께 발표할 때 정확도만 말했다가 재현율을 왜 확인하지 않았냐는 질문을 받고 제대로 설명하지 못했었습니다.
경영진에게는 정확도보다 실수가 사업에 미치는 비용을 연결해서 설명하는 방식이 유효하다고 생각합니다. 이상을 탐지 못했을 때의 비용 vs. 정상을 이상으로 잘못 분류했을 때의 비용을 비교해서 어떤 지표를 우선해야 하는지를 보여주는 것이 핵심이라고 생각합니다.
경영진에게 기술 지표를 설명할 때 수식보다 영향을 먼저 말하는 것이 중요하다고 배웠습니다.
수업에서 케이스 스터디로 다룬 내용 중에 높은 재현율이 중요한 사기 탐지 모델과, 높은 정밀도가 중요한 추천 시스템의 차이가 인상적이었습니다. 제가 개인 프로젝트로 영화 추천 모델을 만들 때 F1 점수를 높이려다가 사용자가 원하지 않는 영화를 너무 많이 추천하는 방향으로 잘못 최적화했던 실패가 있었습니다. 그때 어떤 실수가 더 나쁜지를 먼저 정의해야 한다는 것을 깨달았습니다.
경영진 앞이라면 지표 이름보다 이 모델이 틀렸을 때 발생하는 구체적인 상황을 먼저 보여주고, 그 상황을 줄이기 위해 어떤 지표를 선택했는지를 설명하는 순서가 설득력이 있다고 생각합니다.
답변에서 흔히 빠지는 것들 — 빠져 있으면 꼬리질문이 깊어집니다.
이 질문에 이어 D&O 공통직무·미지정 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.