예시 답변 1
약 90초
게임 환경에서 RL 에이전트 학습
강화학습(RL)을 게임 시뮬레이션 환경에 적용해 에이전트를 학습시킨 경험이 있습니다. 전략 게임의 최적 행동 패턴을 규칙 기반으로 코딩하기가 너무 복잡해, RL로 에이전트 스스로 전략을 학습하게 했습니다. OpenAI Gym 호환 환경을 커스텀으로 구현하고, PPO 알고리즘으로 정책을 학습했습니다.
상태 공간은 게임 맵 정보와 유닛 상태를 인코딩했고, 보상 함수는 단순 승패 외에 자원 효율, 전투 손실률을 포함한 복합 보상으로 설계했습니다. 초기에 보상 희소성(sparse reward)으로 학습이 수렴하지 않는 문제가 있었는데, Reward Shaping으로 중간 단계 보상을 추가해 해결했습니다. 결과적으로 규칙 기반 AI를 80% 이상 승률로 이기는 에이전트를 만들었습니다. 이 경험으로 RL 환경 설계와 보상 함수 엔지니어링의 중요성을 배웠습니다.
이 결의 특징
Reward Shaping으로 중간 단계 보상을 추가해 sparse reward 수렴 문제를 해결했다는 흐름이 이 결의 핵심입니다. 복합 보상 설계(승패 + 자원 효율 + 전투 손실률)와 이후 80% 승률이 보상 함수 엔지니어링을 실전 검증한 결로 읽힙니다.
면접관이 다음에 할 행동
'Reward Shaping 항목을 어떻게 결정했나요? 잘못된 쉐이핑이 에이전트 행동을 왜곡한 경험은 없었나요?'를 이어받을 가능성이 높습니다. 보상 설계를 구체적으로 설명했기 때문에 설계 실패 사례나 반복 수정 과정으로 심화 탐색이 이어지는 결이 자주 보입니다.