A
약 75초
경험 중심 1인칭 답변
GenAI 기반 자가 학습 시스템 구축에서 가장 먼저 한 일은 학습 루프의 단위를 정하는 것이었습니다. 언제 재학습이 필요한지, 어떤 데이터를 피드백으로 쓸 것인지를 먼저 정의하지 않으면 시스템이 방향 없이 돌아갑니다. 저는 사용자 피드백 신호(클릭, 수정, 무시)를 기반으로 약 300~500개 샘플이 쌓일 때마다 파인튜닝 파이프라인이 트리거되도록 설계했습니다. 기술 선택 기준은 재학습 비용과 추론 레이턴시의 트레이드오프였고, 소형 모델을 자주 갱신하는 방식이 대형 모델을 간헐적으로 업데이트하는 것보다 우리 케이스에 맞는다고 판단했습니다. 실제로 초기에 라벨링 기준이 모호해 피드백 데이터 품질이 나빠지는 문제가 있었는데, 라벨 가이드라인을 문서화하고 샘플 리뷰 단계를 추가해 해결했습니다. 이 경험에서 자가 학습 시스템은 모델 아키텍처보다 데이터 품질 관리 파이프라인이 더 많은 시간을 차지한다는 것을 배웠습니다.
이 결의 특징
학습 루프 단위를 정의하고 사용자 피드백 신호 기반으로 파인튜닝 트리거를 설계한 구체적 흔적이 있습니다. 라벨링 기준 모호성 문제를 가이드라인 문서화로 해결한 결이 담겨 있습니다.
이 결이 통하는 자리
모델 아키텍처보다 데이터 품질 관리 파이프라인이 더 많은 시간을 차지한다는 결론이 구체 문제 뒤에 있을 때 통합니다. 재학습 비용과 레이턴시 트레이드오프가 짚일 때 면접관이 멈추는 자리가 보입니다.