예시 답변 1
약 75초
데이터 품질 문제 극복과 타 직군 연계 중심
AI 가상 스크리닝 시스템 구축 직접 경험은 없지만, 학부 과제에서 공개 화합물 데이터베이스를 활용한 분류 모델 구축을 시도한 자리가 있습니다. 가장 어려운 자리는 데이터 품질이었습니다. 출처마다 표기 방식과 결측 비율이 달라서 통합 전처리 기준을 먼저 잡는 데 시간이 많이 쓰인 결이 있었습니다. 원인이 기술 자체가 아닌 데이터 정합성이라는 걸 파악하는 데 시간이 걸렸습니다. 타 직군과의 연계도 경험했습니다. 화학 전공 동료와 함께 프로젝트를 진행하면서 머신러닝 결과를 화학 맥락으로 설명하는 자리가 필요하다는 걸 배웠습니다. 숫자만 전달하면 실험 설계 우선순위 결정에 쓰기 어려운 결이 나왔습니다. 결과로는 처음 대비 예측 정확도를 일정 수준 이상 높이는 결을 확인했습니다.
이 결의 특징
'가장 어려운 자리는 데이터 품질이었다'고 원인을 표면이 아닌 정합성 문제로 짚은 흐름입니다. 기술 자체가 아닌 데이터에서 원인을 찾는 데 시간이 걸렸다는 솔직한 인정이 도전의 본질(01축) 응답으로 작동합니다. 머신러닝 결과를 화학 맥락으로 설명해야 했다는 협업 경험이 03축을 자연스럽게 닫습니다.
면접관이 다음에 할 행동
'데이터 정합성 문제를 실제로 어떻게 풀었는가'로 후속 질문이 들어올 가능성이 높습니다. 전처리 기준을 잡는 데 시간이 걸렸다고 했으나 구체 방법(어떤 기준, 어떤 도구)이 빠져 있어 면접관이 그 자리를 채우려는 흐름이 생깁니다.