이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
ML과 AI를 활용한 연구 경험은 수업 머신러닝 프로젝트에서였습니다. 의료 이미지 분류 과제에서 CNN 기반 모델을 설계하고 학습·평가 파이프라인을 구성했습니다. 처음에는 표준 아키텍처를 그대로 써서 기준 성능을 확인했고, 이후 데이터 증강·드롭아웃·학습률 스케줄러 조정 등의 방법으로 성능을 개선하는 실험을 반복했습니다. 데이터가 제한된 상황에서 전이 학습(transfer learning)이 처음부터 학습하는 것보다 수렴 속도와 최종 성능 모두에서 유리하다는 걸 직접 확인했습니다. 평가 단계에서는 정확도 외에 클래스 불균형을 고려한 F1-score와 혼동 행렬도 함께 분석했습니다. 임상 맥락에서는 위양성과 위음성의 비용이 다르기 때문에 단일 지표만 보는 것이 위험합니다. 이 프로젝트를 통해 모델 선택보다 데이터 품질과 평가 기준 설계가 더 중요할 수 있다는 것을 배웠습니다.
ML 연구에서 제가 가장 부딪힌 건 데이터가 제한된 상황입니다. 의료 이미지 분류에서, 데이터가 적어 처음부터 학습하면 성능이 안 났습니다. 그래서 전이 학습(transfer learning)을 썼습니다 — 처음부터 학습하는 것보다, 수렴 속도와 최종 성능 모두에서 유리했습니다. 또 데이터 증강·드롭아웃·학습률 스케줄러 조정으로 성능을 개선했습니다. 막연히 '모델을 돌렸다'가 아니라, 데이터가 적을 때 어떤 순서로 풀었는지를 짚었습니다.
표준 모델을 그대로 쓰면, 적은 데이터에 과적합됐습니다. 그래서 전이 학습과 정규화로 데이터 한계를 메운 게 제 절차였습니다. 데이터가 모델 선택보다 먼저였습니다.
ML 연구에서 제가 절차로 남긴 건 평가 기준을 신중히 설계한 것입니다. 정확도 외에, 클래스 불균형을 고려한 F1-score와 혼동 행렬도 함께 분석했습니다. 임상 맥락에서는 위양성과 위음성의 비용이 달라, 단일 지표만 보면 위험했습니다. 한 번은 정확도만 보고 좋다고 봤다, 위음성이 많은 걸 놓칠 뻔한 적이 있습니다. 그래서 여러 지표를 함께 보는 습관을 들였습니다. 이 프로젝트에서, 모델 선택보다 데이터 품질과 평가 기준 설계가 더 중요할 수 있다는 걸 배웠습니다.
하나의 숫자만 좇으면, 진짜 성능을 놓쳤습니다. 그래서 평가 기준 설계를 절차로 남긴 게 핵심이었습니다.
답변에서 흔히 빠지는 것들 — 빠져 있으면 꼬리질문이 깊어집니다.
이 질문에 이어 고려대학교의료원 바이오·제약 연구 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.