이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
졸업 논문에서 VLA(Vision-Language-Action) 기반 자율주행 연구를 처음 접했습니다. 언어 지시문을 따라 행동을 생성하는 구조라서 인지·계획·제어 파이프라인을 하나의 모델로 통합할 수 있다는 점이 흥미로웠습니다. 저는 경로 계획 모듈의 출력을 평가하는 부분을 맡았고, 같은 입력에 대해 모델이 일관된 행동을 내는지 확인하는 반복 실험을 했습니다. 지표로는 목표 도달률과 평균 이탈 거리를 사용했고, 베이스라인 대비 도달률이 12%포인트 올랐습니다. 어려웠던 점은 모델이 왜 특정 행동을 선택했는지 해석하기 어렵다는 것이었고, 시뮬레이터에 시각화 도구를 붙여 실패 케이스를 직접 확인하며 원인을 추적했습니다.
정확도 수치보다 실패 케이스 분석이 모델 개선에 더 직접 연결됐습니다.
VLA 자율주행 경험에서 지표가 분명해진 경험은 언어 지시문을 따르는 행동 정확도를 측정 기준으로 정한 케이스였습니다. VLA 모델이 언어 지시를 얼마나 정확하게 따르는지를 평가하기 위해 특정 시나리오에서 의도한 행동과 실제 행동이 일치하는 비율을 측정했습니다.
수치를 기준으로 설정하자 어떤 조건에서 성능이 낮아지는지를 파악하기 쉬워졌습니다. VLA 연구에서 모델 성능은 정성적 관찰만으로 평가하면 개선 방향이 불명확해지고, 명확한 지표가 있을 때 개선 목표가 구체화된다는 결이 생겼습니다.
VLA 자율주행 경험에서 안전을 의식하게 된 경험은 모델 출력이 예상치 못한 행동으로 이어질 수 있다는 걸 인식한 케이스였습니다. 시뮬레이션 환경에서 언어 지시를 따르는 테스트를 하던 중 특정 입력에서 모델이 예상치 못한 행동을 생성하는 경우가 있었습니다.
자율주행에서 모델 출력을 그대로 행동으로 연결하는 것의 위험성을 이해했습니다. 안전 장치 없이 VLA 출력을 실제 제어에 쓰는 것은 시뮬레이션에서도 신중해야 한다는 결이 생겼습니다. 자율주행 AI에서 모델 성능만큼 예외 상황에서 어떻게 제어되는지가 안전의 핵심이라는 결이 남아 있습니다.
답변에서 흔히 빠지는 것들 — 빠져 있으면 꼬리질문이 깊어집니다.
이 질문에 이어 카카오모빌리티 AI 리서처 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.