AI 관련 프로젝트 경험의 구체적 내용을 통해 기술 역량과 실제 구현 능력을 파악합니다. 프로젝트의 역할과 성과를 논리적으로 설명하는 능력을 평가합니다.
이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
학부 졸업 프로젝트로 영수증 이미지에서 품목과 금액을 추출하는 모델을 만들었습니다. OCR 기반 전처리와 BERT 계열 모델을 써서 텍스트를 구조화하는 방식이었습니다. 처음에는 인식 정확도가 60% 초반에 머물렀는데, 분석해보니 영수증 폰트와 배경 노이즈가 다양해서 전처리 단계의 품질이 낮았던 게 주 원인이었습니다. 이미지 이진화 파라미터를 조정하고 훈련 데이터를 3배 증강했더니 정확도가 82%까지 올라갔습니다. 프로젝트를 마치면서 느낀 건, AI 모델보다 데이터 품질과 전처리 설계가 성능을 더 크게 좌우한다는 점이었습니다. 모델 성능보다 데이터 품질과 전처리 설계가 결과를 더 많이 좌우한다는 걸 그 프로젝트에서 처음 실감했습니다. 좋은 모델보다 좋은 데이터가 먼저라고 지금도 생각합니다.
팀 프로젝트로 온라인 쇼핑몰 리뷰 데이터를 주제별로 분류하는 텍스트 분류 모델을 만들었습니다. 라벨이 없는 데이터가 수만 건이었기 때문에 소수의 라벨 데이터로 효율적으로 학습하는 방법을 고민해야 했습니다. BERT 기반 사전학습 모델을 불러와 도메인 특화 데이터로 추가 학습을 진행했고, 초기 대비 F1 스코어가 0.61에서 0.79로 개선됐습니다. 분류 오류를 분석하다 보니 동일 주제가 다른 표현으로 자주 작성된다는 점이 가장 큰 변수였고, 유사 표현 사전을 별도로 구성해 전처리에 추가하는 방식으로 오류를 줄였습니다. 모델 구조를 바꾸는 것보다 학습 데이터의 라벨 품질을 올리는 게 성능에 더 직접적인 영향을 준다는 걸 그때 처음 실감했습니다. 지금도 AI 프로젝트를 접할 때 데이터를 먼저 들여다보는 습관이 그 경험에서 생긴 것 같습니다.
개인 포트폴리오 프로젝트로 공개 영화 평점 데이터셋을 활용한 추천 시스템을 개발했습니다. 처음에는 협업 필터링만 써서 구현했는데, 신규 사용자에게 아무 추천도 못 하는 콜드 스타트 문제가 그대로 남았습니다. 이를 해결하기 위해 콘텐츠 기반 필터링을 병합해 하이브리드 구조로 전환했고, 신규 사용자에게도 장르·감독 기반으로 초기 추천을 줄 수 있게 됐습니다. 오프라인 평가에서 NDCG@10 기준으로 단일 협업 필터링 대비 14%포인트 향상을 확인했습니다. 프로젝트에서 가장 어려웠던 부분은 알고리즘 선택보다 어떤 기준으로 추천 품질을 측정할지를 먼저 정의하는 작업이었습니다. 지표를 먼저 확정하지 않으면 개선 방향 자체가 흔들린다는 걸 이 과정을 통해 배웠습니다.
답변에서 흔히 빠지는 것들 — 빠져 있으면 꼬리질문이 깊어집니다.
이 질문에 이어 마이다스IT 기타 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.