이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
졸업논문으로 의료 이미지 분류 주제를 다뤘습니다. CNN 기반 모델로 피부 병변 이미지를 분류하는 과제였는데, 데이터 수가 적어 data augmentation과 transfer learning을 조합하였습니다. 처음에는 ResNet-50을 그대로 사용하였으나 과적합이 심했고, fine-tuning 범위를 마지막 두 레이어로 제한하였더니 검증 정확도가 12%p 올랐습니다. 결과물은 학과 발표회에서 공유하였고, 지도교수님께서는 '데이터 부족 상황에서의 접근법이 실용적'이라는 피드백을 주셨습니다. 논문 자체보다 제약 조건 안에서 문제를 푸는 경험이 더 남았고, 이후 프로젝트에서도 같은 방식으로 접근하게 되었습니다.
정식 논문을 출판한 경험은 없습니다. 다만 학부 수업에서 소규모 연구 보고서 형태로 딥러닝 실험을 정리한 적은 있어요. 주제는 LSTM으로 주가 데이터를 예측하는 것이었는데, 결과적으로 예측 정확도가 낮았고, 왜 그런지 분석하는 과정이 더 배움이 많았습니다.
금융 시계열 데이터의 노이즈가 크다는 것, look-ahead bias를 조심해야 한다는 것을 직접 실수하면서 알았어요. 논문 수준의 기여는 아니었지만, 실패를 분석하고 문서화하는 과정 자체가 연구의 흐름을 이해하는 데 도움이 됐습니다. 이 경험이 지금도 실험 기록 방식에 영향을 주고, 결과보다 과정을 기록하는 습관이 생겼어요.
학부 캡스톤 프로젝트에서 자연어 처리 기반 감성 분석을 주제로 팀 연구를 진행했습니다. 제가 맡은 부분은 데이터 전처리 파이프라인과 BERT 모델 fine-tuning이었어요. 팀원 네 명 중 PyTorch 경험이 있는 사람이 저와 한 명뿐이라, 코드 리뷰를 주도하면서 다른 팀원이 실험할 수 있는 환경 설정 가이드를 문서로 만들었습니다. 최종 성능은 F1 score 0.81로 베이스라인 대비 유의미한 개선이 있었고, 결과를 학과 내부 발표로 공유했어요. 논문 투고까지는 이어지지 않았지만, 팀 연구에서 기술 리더 역할을 처음 경험한 프로젝트였고, 그 경험이 협업하는 방식을 바꿔줬습니다.
답변에서 흔히 빠지는 것들 — 빠져 있으면 꼬리질문이 깊어집니다.
이 질문에 이어 GS리테일 데이터 사이언티스트 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.