이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
비학습 객체 인식 기능을 개발할 때 활용한 방법은 텍스트-이미지 임베딩 모델의 유사도 비교였습니다. 학습 데이터 없이도 자연어로 객체 카테고리를 기술하면 이미지 패치와의 유사도를 계산할 수 있어, 새로운 카테고리 추가 시 재학습 없이 대응할 수 있었습니다.
프롬프트 설계가 성능에 큰 영향을 줬습니다. 이미지에 X가 있다는 식으로 컨텍스트를 담은 프롬프트가 단순 카테고리 이름보다 유사도 분포를 더 명확히 만들었고, 클래스 간 경계가 뚜렷해졌습니다.
실서비스 적용 단계에서는 몇 개의 앵커 이미지를 사용해 탐지 기준을 조정하는 방식을 병행했습니다. 순수 제로샷으로는 불확실한 경우에 앵커 기반 유사도 필터링을 추가해 오탐률을 줄였고, 이 방식이 실용적인 수준의 정확도를 확보하는 데 효과적이었습니다.
비학습 방식으로 색상 기반 객체 탐지를 구현할 때 HSV 색공간 변환이 RGB보다 조명 변화에 강하다는 것을 실험으로 확인했습니다. 처음에는 RGB 값으로 임계값을 잡았는데, 같은 조건에서 찍어도 빛 방향이 달라지면 인식이 들쭉날쭉했습니다. HSV로 바꾸고 채도와 명도 범위를 따로 조절하니 동일 물체의 탐지 일관성이 크게 높아졌습니다. 이후 Contour 분석을 추가해 색상으로 마스킹된 영역의 면적·종횡비로 오탐을 걸러냈는데, 배경 노이즈와 타깃이 비슷한 색상일 때 면적 기반 필터가 결정적으로 작동했습니다. 임계값은 환경마다 달라서 조명과 카메라 설정이 바뀔 때마다 재튜닝이 필요하다는 한계도 직접 경험했습니다.
비학습 기반 객체 인식의 한계를 가장 명확하게 느낀 것은 야외 환경에서 빛이 달라질 때 탐지율이 급격히 떨어지는 상황이었습니다. 실내 환경에서 98%였던 정확도가 야외 직사광선 아래에서 60% 아래로 내려가는 것을 확인하고, 단일 기법으로 커버하는 데 한계가 있다는 것을 깨달았습니다. 이후 전처리 단계는 Canny 엣지 검출과 모폴로지 연산으로 노이즈를 줄이는 전통 기법을 유지하고, 최종 판단 단계에만 학습 데이터 50장으로 훈련한 경량 분류 모델을 붙이는 구조로 바꿨습니다. 처리 속도는 유지하면서 야외 환경에서의 정확도가 82%로 회복됐습니다. 비학습 기법은 빠르고 가볍지만 변화하는 환경에서 단독으로 쓰기에는 취약한 자리가 있다는 것을 그때 배웠습니다.
답변에서 흔히 빠지는 것들 — 빠져 있으면 꼬리질문이 깊어집니다.
이 질문에 이어 에이로봇 ML 엔지니어 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.