이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
딥러닝 연구에서 가장 어려웠던 건 같은 코드를 돌려도 결과가 달라지는 재현성 문제였다. 랜덤 시드를 고정했는데도 GPU 연산의 비결정성 때문에 Loss 값이 매 실험마다 미세하게 달라졌다. 처음에는 하이퍼파라미터 문제인 줄 알고 튜닝을 반복했는데, 원인을 잘못 짚어서 시간을 많이 낭비했다. 이후 실험 환경 전체를 로깅하는 방식으로 접근했다.
torch.backends.cudnn.deterministic = True 옵션을 추가하고, Python·PyTorch·CUDA 버전까지 기록했다. 실험마다 설정·결과·타임스탬프를 자동으로 저장하는 스크립트를 만들었더니 비교가 가능해졌다. 지도 교수님과의 미팅에서 이 문제를 공유했더니 정기 코드 리뷰로 이어졌고, 그 덕분에 로직 오류 하나도 추가로 발견했다. 이 경험에서 결과보다 실험 과정 자체를 추적 가능하게 만드는 것이 연구 효율을 높이는 핵심이라는 걸 배웠다.
딥러닝 연구에서 실험이 많아질수록 어떤 설정에서 어떤 결과가 나왔는지를 추적하는 것이 점점 어려워졌습니다. 처음에는 폴더와 파일명으로 버전을 관리했는데, 실험 수가 수십 개를 넘어가면서 어떤 결과가 어떤 조건에서 나온 것인지 찾기 어려워졌습니다. MLflow를 도입해 하이퍼파라미터, 메트릭, 모델 파일을 실험마다 자동 기록하는 방식으로 바꿨더니 비교와 재현이 훨씬 쉬워졌습니다. 실험 관리 체계 없이 모델 성능을 올리는 것은 어떤 변화가 성능을 바꿨는지 알 수 없어서 결국 비효율적입니다.
실험 관리가 연구 속도를 결정합니다. MLflow가 실험 추적을 자동화합니다. 기록 없는 실험은 재현이 불가능합니다.
딥러닝 연구에서 가장 뒤늦게 발견한 문제가 데이터 누수였습니다. 검증 세트 정확도가 비정상적으로 높아서 좋은 모델이라고 생각했는데, 나중에 전처리 단계에서 검증 데이터의 통계값이 학습 데이터 정규화에 영향을 준 것을 발견했습니다. 정규화를 학습 세트 통계만으로 계산하고, 검증·테스트 세트에는 그 값을 그대로 적용하는 방식으로 수정했더니 성능이 현실적인 수준으로 내려왔습니다. 처음부터 파이프라인을 꼼꼼하게 설계했다면 피할 수 있는 문제였습니다.
데이터 누수가 성능을 부풀립니다. 학습 세트 통계로만 정규화해야 합니다. 파이프라인 설계가 실험 신뢰성을 결정합니다.
답변에서 흔히 빠지는 것들 — 빠져 있으면 꼬리질문이 깊어집니다.
이 질문에 이어 크래프톤 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.