이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
머신러닝 수업 프로젝트에서 불균형 데이터 문제를 경험했습니다. 분류 모델을 학습시켰는데 다수 클래스만 예측하는 패턴이 반복됐습니다. 처음에는 모델 구조를 바꾸려 했는데, 근본 원인은 학습 데이터의 클래스 비율이 심각하게 불균형한 것이었습니다. 오버샘플링(SMOTE)과 클래스 가중치 조정을 각각 적용해 비교했고, 해당 데이터셋에서는 가중치 조정 방식이 더 안정적인 결과를 냈습니다. 이 경험에서 모델을 수정하기 전에 데이터 구조를 먼저 점검하는 순서가 중요하다는 원칙을 갖게 됐습니다.
데이터 구조를 먼저 점검하는 습관이 모델 튜닝보다 더 효과적인 경우가 많다는 걸 배웠고, ML 프로젝트에서 그 순서를 지키겠습니다. 데이터 품질이 모델 성능의 출발점이라는 걸 이 경험에서 확인했고, ML 프로젝트에서 항상 데이터부터 점검하는 습관을 유지하겠습니다.
데이터 설계에서 레이블 오류가 모델 성능에 생각보다 큰 영향을 준다는 것을 경험으로 배웠습니다. 텍스트 분류 프로젝트에서 검증 성능이 기대에 못 미쳤는데, 처음에는 모델 구조 문제라고 생각했습니다. 학습 데이터를 무작위로 100건 샘플링해서 직접 확인했더니 레이블이 일관되지 않게 붙어 있는 케이스가 꽤 있었습니다. 레이블 기준을 다시 정의하고 재검토한 뒤 성능이 올라갔습니다. 모델 디버깅보다 데이터 디버깅이 먼저라는 것을 그때 실감했습니다.
데이터 품질이 모델 성능의 전제입니다. 레이블 오류는 모델 구조로 해결되지 않습니다. 데이터 샘플 검토가 첫 번째 디버깅 단계입니다.
학습 과정에서 검증 성능이 비정상적으로 높게 나오는 문제를 경험했습니다. 처음에는 모델이 잘 학습된 것이라고 생각했는데, 실제 테스트 데이터에서 성능이 급격히 떨어졌습니다. 원인을 파악해보니 학습 데이터와 검증 데이터가 같은 시점의 정보를 공유하는 데이터 누수가 있었습니다. 시계열 데이터에서 무작위 분리를 했던 것이 문제였습니다. 시간 기준으로 분리하는 방식으로 바꾸자 검증 성능이 현실적인 수준으로 낮아졌고, 이후 성능 개선 방향이 더 명확해졌습니다.
데이터 누수가 성능 착각을 만듭니다. 검증 방식이 성능 해석의 신뢰도를 결정합니다. 분리 기준 수정이 실제 성능을 드러냈습니다.
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.