이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
프롬프트 설계에서 맥락 이해와 의도 파악을 위해 가장 중요하게 생각하는 것은 모델에게 판단 기준을 명시적으로 주는 것입니다. 모호한 요청일수록 모델이 임의로 해석하는 범위가 넓어져 원하지 않는 응답이 나올 가능성이 커집니다. 프롬프트 실험에서 역할과 제약을 System 레벨에 두고, 구체적인 맥락 정보와 예시를 User 레벨에 분리해 넣자 응답 일관성이 높아졌습니다.
Few-shot 예시를 넣을 때는 원하는 응답 패턴과 피하고 싶은 패턴을 함께 보여주는 것이 효과적이었는데, 좋은 예시만 넣었을 때보다 오답 예시를 함께 주었을 때 경계가 더 명확해졌습니다. 의도 파악이 중요한 이유는 사용자 발화가 동일해도 이전 대화 흐름에 따라 의미가 달라지기 때문인데, 이전 턴 요약을 압축해서 프롬프트에 넣는 방식으로 맥락 손실을 줄였습니다. 프롬프트 설계는 모델이 틀리기 쉬운 지점을 먼저 찾는 것이 결임을 배웠습니다.
고객 문의 분류 프롬프트에서 비슷한 표현을 다른 카테고리로 분류하는 오류가 빈번했습니다. 오류 로그를 분석하니 역할 정의와 분류 기준이 모호해서 LLM이 경계 사례를 임의로 판단하는 패턴이 원인이었습니다. 역할-제약-예시(Role-Constraint-Example) 구조로 프롬프트를 재설계하고, 특히 경계 사례 예시를 충분히 포함하는 것을 원칙으로 삼았습니다. 개선 후 분류 정확도가 82%에서 94%로 향상됐고, 엣지 케이스 오류율은 절반 이하로 줄었습니다. 프롬프트 품질은 핵심 지시보다 경계 사례 처리 방식이 좌우한다는 걸 체감했고, 이것이 맥락 이해 프롬프트에서 가장 중요한 설계 포인트라고 생각합니다.
챗봇 사용자들은 배경 설명 없이 짧고 함축적인 발화를 자주 입력합니다. 대명사와 지시어만 있는 발화에서 의도를 파악하려면 대화 이력 컨텍스트가 필수였습니다. 저는 프롬프트에 시스템 컨텍스트 + 직전 발화 요약 + 현재 입력을 계층적으로 구성하고, 의도가 불명확할 때 LLM이 가능한 의도 후보 2~3개를 열거하고 신뢰 점수를 함께 반환하도록 설계했습니다. 이 구조를 적용한 뒤 명확화 질문 생성 정확도가 크게 향상됐고, 사용자 이탈이 줄었습니다. 한계로는 컨텍스트 창 제한 때문에 이력을 무한정 늘릴 수 없어, 요약 압축 품질이 의도 파악 정확도에 직접 영향을 미친다는 점이 남아 있습니다. 의도 파악 설계에서 가장 중요한 것은 컨텍스트 선택 전략이라고 생각합니다.
답변에서 흔히 빠지는 것들 — 빠져 있으면 꼬리질문이 깊어집니다.
이 질문에 이어 이스트소프트 ML 엔지니어 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.