예시 답변 1
약 90초
이상 거래 탐지 ML — 정밀도 개선으로 운영 비용 절감 임팩트
AI 기술로 복잡한 문제를 해결한 사례로 이상 거래 탐지 모델의 정밀도를 높여 운영 비용을 절감한 경험이 있습니다. 기존 Rule 기반 탐지는 오탐율이 높아 수동 검토 업무량이 컸고, 오탐 중 80% 이상이 실제로는 정상 거래였습니다. ML 기반 앙상블 모델로 전환해 거래 행동 패턴의 시계열 특성을 반영했고, 정밀도를 30%p 향상시켰습니다. 구체적 적용 방법으로는 LightGBM + 시퀀스 기반 피처를 결합하고, 클래스 불균형을 처리하기 위해 SMOTE와 Class Weight 조정을 병행했습니다.
비즈니스 임팩트는 수동 검토 건수가 60% 감소하면서 운영팀의 실제 이상 거래 대응에 집중할 수 있는 구조가 만들어졌습니다. 이 경험에서 모델 성능 지표보다 실제 운영에서 어떤 변화를 만드는가를 기준으로 AI 적용 성과를 정의하는 방식을 배웠습니다.
이 결의 특징
Rule 기반 오탐 80% → LightGBM + 시퀀스 기반 피처로 정밀도 30%p 향상 → 수동 검토 60% 감소라는 수치 체인이 명확합니다. "모델 성능 지표보다 실제 운영 변화를 기준으로"라는 결론이 비즈니스 맥락 이해를 드러내는 결이 자주 보이는 자리입니다.
면접관이 다음에 할 행동
"SMOTE와 Class Weight를 동시에 쓴 이유가 있나요?"를 이어 묻는 흐름이 자주 보입니다. 두 방법의 차이와 선택 근거를 설명할 수 있으면 클래스 불균형 처리 기술 깊이 검증으로 이어집니다.