이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
AI 기술에 대한 이해도를 쌓을 때 단순히 도구를 써보는 것과 원리를 이해하는 것을 구분해서 접근했습니다. 수업에서 머신러닝 기초 과목을 들으며 모델이 어떤 데이터로 학습하고 어떻게 평가되는지를 직접 실습했습니다. 캐글(Kaggle) 데이터셋으로 간단한 분류 모델을 만들어보면서 데이터 전처리가 모델 성능에 얼마나 영향을 주는지를 실감했습니다. PM 관점에서 AI 기술을 이해하는 것의 의미는 어떤 문제에 AI가 적합하고 어떤 문제에는 아닌지를 판단하는 것이라고 생각합니다. 이 이해가 없으면 과도한 AI 의존이나 과소한 활용으로 이어질 수 있습니다.
AI가 잘 못하는 영역을 알면 사람이 개입해야 하는 지점을 제품에서 설계할 수 있다는 것을 배웠습니다.
AI 이해를 쌓을 때 제가 감으로 하지 않은 건 직접 모델을 만들어 본 것입니다. 캐글 데이터셋으로 간단한 분류 모델을 만들어보며, 데이터 전처리가 모델 성능에 얼마나 영향을 주는지를 실감했습니다. 한 실습에서, 모델을 바꾸기보다 데이터를 정리했을 때 성능이 더 오른 것을 봤습니다. 그래서 AI는 모델보다 데이터가 좌우한다는 걸 책이 아니라 손으로 알았습니다. 막연히 'AI를 안다'가 아니라, 어떤 데이터로 학습하고 어떻게 평가하는지를 실습으로 짚었습니다.
써보기만 한 이해와, 만들어 본 이해는 깊이가 달랐습니다. 그래서 직접 돌려본 경험이 근거가 됐습니다.
AI 이해가 제 직무에 닿는 지점은 AI가 적합한 문제와 아닌 문제를 가르는 것입니다. AI가 잘 못하는 영역을 알면, 사람이 개입해야 하는 지점을 제품에서 설계할 수 있었습니다. 이해가 없으면, 과도하게 AI에 의존하거나, 쓸 수 있는데 안 쓰는 두 실수가 났습니다. 한 번은 AI로 풀려던 문제가, 데이터가 부족해 안 되는 걸 미리 가린 적이 있습니다. 그래서 PM 관점의 AI 이해는 기술을 자랑하는 게 아니라, 어디에 쓸지 판단하는 것이었습니다.
잘하는 것과 못하는 것을 알아야, 제품에서 사람과 AI의 역할을 나눌 수 있었습니다. 그 판단이 직무에 직접 닿았습니다.
답변에서 흔히 빠지는 것들 — 빠져 있으면 꼬리질문이 깊어집니다.
이 질문에 이어 이스트소프트 프로덕트 매니저 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.