이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
시뮬레이터에서 학습한 정책이 실환경에 그대로 적용되지 않는 sim-to-real gap 문제를 프로젝트에서 직접 겪었습니다. 마찰 계수, 조명, 물체 질감을 매 에피소드마다 무작위로 바꾸는 도메인 랜덤화를 적용하니 정책이 더 다양한 조건을 경험하게 됐습니다. 핵심은 정책이 특정 파라미터에 과적합되지 않고 환경의 변동성 자체를 학습하도록 만드는 것입니다. 랜덤화 범위를 너무 넓게 잡으면 학습 난이도가 지나치게 올라가서 수렴이 안 되는 문제도 경험했고, 적절한 범위를 찾는 게 핵심 튜닝 포인트였습니다. 도메인 랜덤화만으로 부족할 때는 도메인 적응 기법과 병행하는 게 효과적이라고 알게 됐습니다.
도메인 랜덤화를 처음 적용했을 때 랜덤화 범위를 넓게 잡으면 더 일반화가 잘 될 것이라고 생각했습니다. 마찰 계수, 조명 강도, 물체 크기를 모두 넓은 범위로 무작위 설정하니 에이전트가 어떤 환경에서도 동작해야 해서 학습이 수렴하지 않는 문제가 생겼습니다. 환경이 너무 다양하면 정책이 일관된 행동을 학습하기 어렵다는 것을 직접 경험했습니다. 범위를 단계적으로 좁혀가면서 수렴하는 범위를 찾는 방식으로 바꿨는데, 처음부터 좁은 범위에서 시작해서 학습이 안정되면 범위를 넓히는 커리큘럼 방식이 더 안정적이었습니다. 도메인 랜덤화는 적용한다고 바로 효과가 나는 것이 아니라, 어느 파라미터를 얼마나 변동시킬 것인지를 실험으로 확인하는 튜닝 과정이 필요하다는 것을 이 경험에서 배웠습니다.
시뮬레이터에서 도메인 랜덤화를 적용해 학습한 정책이 실환경에서 기대보다 성능이 낮았던 경험이 있습니다. 랜덤화 범위 안에 실환경의 파라미터가 포함되도록 설정했는데도, 시뮬레이터가 모사하지 못하는 실환경의 특성이 있었습니다. 조명 변화는 랜덤화로 어느 정도 커버됐는데, 실제 물체의 표면 반사 특성은 시뮬레이터에서 완전히 재현하기 어려워 시각 기반 정책이 혼동하는 케이스가 남았습니다. 실환경 데이터를 소량 수집해서 정책을 미세조정하는 도메인 적응을 추가하니 나머지 갭을 줄이는 데 효과적이었습니다. 도메인 랜덤화는 sim-to-real 갭을 줄이는 유효한 방법이지만, 시뮬레이터가 현실을 얼마나 잘 모사하는지에 따라 한계가 있고 다른 방법과 함께 사용하는 것이 현실적이라는 것을 이 경험에서 배웠습니다.
답변에서 흔히 빠지는 것들 — 빠져 있으면 꼬리질문이 깊어집니다.
이 질문에 이어 현대자동차 MLOps 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.