홈›회사별›KT›AI 리서처›질문 상세

問KT · AI 리서처 · 직무 역량 · 2026년

LLM이나 멀티모달 학습에 대한 이해를 바탕으로, 어떤 연구 방향이 필요하다고 생각하나요?

Q: 최근 본 논문이 있다면 짚어주실까요?

면접관이 답변에 이어 던질 수 있는 후속 질문입니다.

Q: 운영 적용 결은 어떠셨나요?

면접관이 답변에 이어 던질 수 있는 후속 질문입니다.

Q: 본인이 모르는 결은 어디라고 보시나요?

면접관이 답변에 이어 던질 수 있는 후속 질문입니다.

예상 답변

60~90초

예상 꼬리질문

3회

난이도

난이도 중상

출제 빈도

높음

이 질문으로 모의면접 한 번 해보기

INTENT

면접관이 진짜로 보는 건 답이 아닙니다.

이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.

어떤 결의 방향을 보시나요?

추론 비용·평가·정렬·안전 중 어디에 무게를 둔 결인지를 보는 자리입니다. 한 결만의 답이 아닌 흔적이 통합니다.

왜 그 결이 무거우신가요?

본인이 그 결을 무게 있게 본 사유를 본인 언어로 짚는 답이 보이는 축입니다. 단순 인기 추종이 아닌 결이 평가됩니다.

본인의 결을 두시나요?

관찰만이 아닌 본인이 직접 한 결이 있는 답이 보이는 자리입니다. 외부 관찰만이 아닌 흔적이 통합니다.

한계도 솔직히 보시나요?

본인이 닿지 않는 결을 인정한 답이 보이는 결입니다. 단정 짓지 않은 자리가 자리잡습니다.

읽기만 해도 충분하지만, 한 번 말로 해보면 다릅니다.

이 질문 그대로 음성 면접으로 받아볼 수 있어요. 첫 면접은 무료입니다.

이 질문으로 면접 시작

추론 효율화 방향에 관심, 프롬프트 캐싱으로 비용 체감약 120초 LLM 파인튜닝 연구 방향 오설정으로 리소스 낭비한 경험약 120초 LLM 연구 결과를 처음으로 실무 서비스에 적용 시도약 150초

약 120초

추론 효율화 방향에 관심, 프롬프트 캐싱으로 비용 체감

LLM과 멀티모달 학습에서 제가 관심 있는 연구 방향은 효율적 추론입니다. 현재 LLM은 성능은 높지만 추론 비용이 커서 실제 서비스에서 쓰기 어렵습니다. 이 방향이 무거운 이유는 아무리 좋은 모델도 비용이 맞지 않으면 배포되지 않는다는 현실적 이유에서입니다. 구체적으로는 KV 캐시 최적화나 Speculative Decoding처럼 추론 속도를 높이는 방향에 관심이 있습니다. 수업 프로젝트에서 API 호출 비용을 줄이기 위해 짧은 프롬프트 설계와 응답 캐싱을 같이 쓴 적 있는데, 작은 스케일에서도 비용이 3배 차이 나는 걸 직접 봤습니다. 한계는 실제 모델 학습이나 파인튜닝을 해본 경험은 없어서, 연구 방향은 읽고 이해하는 수준에 머물러 있습니다.

이 결의 특징

추론 비용이 맞지 않으면 배포되지 않는다는 현실에서 효율적 추론 방향에 관심을 둔 흔적이 있습니다. 프롬프트 캐싱으로 비용이 3배 차이 나는 것을 직접 체감한 결이 보입니다.

이 결이 통하는 자리

성능이 높아도 비용이 맞지 않아 배포가 어려운 자리에서, 효율화 방향이 먼저 있어야 할 때 통합니다.

예시 답변 2

약 120초

LLM 파인튜닝 연구 방향 오설정으로 리소스 낭비한 경험

LLM 관련 연구를 처음 시작하면서 논문에서 본 파인튜닝 방식을 그대로 적용해 실험을 2주간 진행했는데, 나중에 알고 보니 그 방법은 이미 더 효율적인 방식으로 대체된 접근이었고, GPU 비용과 시간을 상당히 낭비한 셈이었습니다. LLM 연구는 논문 발표 주기가 빠르기 때문에 어떤 방향을 시작하기 전에 최신 서베이 논문과 코드 레포를 먼저 확인해야 한다는 걸 그때 배웠어요. 6개월 전 방법론이 이미 구버전일 수 있는 분야이기 때문에, 기술 동향 파악이 실험 설계보다 먼저입니다. 이후엔 새 LLM 기법을 시작하기 전에 arXiv 최신 논문 검색과 Papers With Code 랭킹을 먼저 확인하는 루틴을 씁니다. 빠른 분야일수록 시작 전 환경 파악이 실험 효율을 좌우한다*는 원칙이 그 경험에서 생겼어요.

이 결의 특징

이미 대체된 파인튜닝 방식으로 2주를 진행한 흔적이 있습니다. arXiv 최신 논문과 Papers With Code 랭킹을 먼저 확인하는 루틴이 생긴 결이 보입니다.

이 결이 통하는 자리

LLM 연구에서 6개월 전 방법론이 이미 구버전일 수 있는 자리에서, 시작 전 환경 파악이 실험 효율을 좌우할 때 통합니다.

예시 답변 3

약 150초

LLM 연구 결과를 처음으로 실무 서비스에 적용 시도

대학원에서 LLM 관련 연구를 하다가 인턴십에서 처음으로 그 연구 결과를 실무 서비스에 적용하는 작업을 맡게 됐어요. 논문 수준의 성능이 실제 서비스 환경에서도 나올 거라고 기대했는데, 레이턴시·비용·오류 케이스가 연구 환경과 완전히 다르다는 걸 처음 알았습니다.

연구에서의 정확도와 서비스에서의 신뢰도는 다른 개념이라는 걸 그때 배웠어요. 연구는 평균 성능을 최대화하지만, 서비스는 최악의 케이스를 통제하는 데 더 집중해야 한다는 걸 실제 배포를 시도하면서 체득했습니다.

그 경험 이후 LLM 모델을 서비스에 적용할 때 평균 성능보다 실패 케이스와 엣지 케이스를 먼저 정리하는 습관을 씁니다. 연구와 서비스 사이의 간극을 인식하는 것이 실무 ML 엔지니어링의 출발점이라는 원칙을 그 경험에서 가져왔어요.

이 결의 특징

논문 수준 성능이 실서비스 환경에서는 레이턴시·비용·오류 케이스가 달라진다는 것을 배포 시도에서 처음 알게 된 흔적이 있습니다. 평균 성능보다 실패 케이스를 먼저 정리하는 결이 보입니다.

이 결이 통하는 자리

연구 정확도와 서비스 신뢰도가 다른 개념인 자리에서, 엣지 케이스를 먼저 통제해야 하는 결이 자주 보입니다.

위 답변은 여러 풀이 중 한 가지 예시입니다. 정답이 아니며, 외워서 그대로 말하면 면접관이 다음 질문을 그 자리에서 시작하는 경우가 많습니다. 본인의 프로젝트·기준·숫자로 다시 짜는 자리로만 쓰세요.

WHAT OFTEN MISSES

이 질문에서 자주 빠지는 자리.

답변에서 흔히 빠지는 것들 — 빠져 있으면 꼬리질문이 깊어집니다.

떨어뜨린 옵션이 1개라도 있는가? "이게 답이었어요"만으로는 의사결정이 아니라 그냥 선택입니다.

선택 기준이 그 프로젝트에 한정되는가? "성능이 좋아서"는 일반론, "우리 트래픽이 X 패턴이라서"가 본인의 답입니다.

결과 숫자 1개를 정확히 말할 수 있는가? P95·QPS·적중률 — 무엇이든 1개. 숫자가 없으면 직감으로 한 일처럼 들리기 쉽습니다.

지금 다시 한다면 어떻게 할지 답할 수 있는가? "잘했다"보다 "이건 다르게 했을 것 같다"가 더 깊은 인상을 남깁니다.

FOLLOW-UPS

진짜 면접은 두 번째 질문부터입니다.

이 질문에 이어 KT AI 리서처 면접관이 던질 가능성이 높은 후속 질문.

壹

예상 꼬리질문 1

최근 본 논문이 있다면 짚어주실까요?

貳

예상 꼬리질문 2

운영 적용 결은 어떠셨나요?

參

예상 꼬리질문 3

본인이 모르는 결은 어디라고 보시나요?

읽으셨다면, 한 번 말로 해보세요.

같은 질문으로 음성 면접을 받아보면 어디서 막히는지 바로 보입니다. 첫 면접은 무료입니다.

이 질문으로 면접 시작

3 크레딧 차감 · 첫 회 무료 · 음성 데이터는 종료 즉시 폐기됩니다

DISCLAIMER

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.

상호 우문현답대표 이성인사업자등록번호 330-15-03033통신판매업 신고번호 준비중주소 인천광역시 부평구 동수로120번길 11, 한국아파트 104동 210호이메일 devlsi1228@gmail.com전화 010-7395-5311

홈›회사별›KT›AI 리서처›질문 상세

問KT · AI 리서처 · 직무 역량 · 2026년

LLM이나 멀티모달 학습에 대한 이해를 바탕으로, 어떤 연구 방향이 필요하다고 생각하나요?

예상 답변

60~90초

예상 꼬리질문

3회

난이도

난이도 중상

출제 빈도

높음

이 질문으로 모의면접 한 번 해보기

INTENT

면접관이 진짜로 보는 건 답이 아닙니다.

이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.

어떤 결의 방향을 보시나요?

추론 비용·평가·정렬·안전 중 어디에 무게를 둔 결인지를 보는 자리입니다. 한 결만의 답이 아닌 흔적이 통합니다.

왜 그 결이 무거우신가요?

본인이 그 결을 무게 있게 본 사유를 본인 언어로 짚는 답이 보이는 축입니다. 단순 인기 추종이 아닌 결이 평가됩니다.

본인의 결을 두시나요?

관찰만이 아닌 본인이 직접 한 결이 있는 답이 보이는 자리입니다. 외부 관찰만이 아닌 흔적이 통합니다.

한계도 솔직히 보시나요?

본인이 닿지 않는 결을 인정한 답이 보이는 결입니다. 단정 짓지 않은 자리가 자리잡습니다.

읽기만 해도 충분하지만, 한 번 말로 해보면 다릅니다.

이 질문 그대로 음성 면접으로 받아볼 수 있어요. 첫 면접은 무료입니다.

이 질문으로 면접 시작

약 120초

추론 효율화 방향에 관심, 프롬프트 캐싱으로 비용 체감

이 결의 특징

이 결이 통하는 자리

성능이 높아도 비용이 맞지 않아 배포가 어려운 자리에서, 효율화 방향이 먼저 있어야 할 때 통합니다.

예시 답변 2

약 120초

LLM 파인튜닝 연구 방향 오설정으로 리소스 낭비한 경험

이 결의 특징

이미 대체된 파인튜닝 방식으로 2주를 진행한 흔적이 있습니다. arXiv 최신 논문과 Papers With Code 랭킹을 먼저 확인하는 루틴이 생긴 결이 보입니다.

이 결이 통하는 자리

LLM 연구에서 6개월 전 방법론이 이미 구버전일 수 있는 자리에서, 시작 전 환경 파악이 실험 효율을 좌우할 때 통합니다.

예시 답변 3

약 150초

LLM 연구 결과를 처음으로 실무 서비스에 적용 시도

이 결의 특징

이 결이 통하는 자리

연구 정확도와 서비스 신뢰도가 다른 개념인 자리에서, 엣지 케이스를 먼저 통제해야 하는 결이 자주 보입니다.

WHAT OFTEN MISSES

이 질문에서 자주 빠지는 자리.

답변에서 흔히 빠지는 것들 — 빠져 있으면 꼬리질문이 깊어집니다.

떨어뜨린 옵션이 1개라도 있는가? "이게 답이었어요"만으로는 의사결정이 아니라 그냥 선택입니다.

선택 기준이 그 프로젝트에 한정되는가? "성능이 좋아서"는 일반론, "우리 트래픽이 X 패턴이라서"가 본인의 답입니다.

결과 숫자 1개를 정확히 말할 수 있는가? P95·QPS·적중률 — 무엇이든 1개. 숫자가 없으면 직감으로 한 일처럼 들리기 쉽습니다.

지금 다시 한다면 어떻게 할지 답할 수 있는가? "잘했다"보다 "이건 다르게 했을 것 같다"가 더 깊은 인상을 남깁니다.

FOLLOW-UPS

진짜 면접은 두 번째 질문부터입니다.

이 질문에 이어 KT AI 리서처 면접관이 던질 가능성이 높은 후속 질문.

壹

예상 꼬리질문 1

최근 본 논문이 있다면 짚어주실까요?

貳

예상 꼬리질문 2

운영 적용 결은 어떠셨나요?

參

예상 꼬리질문 3

본인이 모르는 결은 어디라고 보시나요?

읽으셨다면, 한 번 말로 해보세요.

같은 질문으로 음성 면접을 받아보면 어디서 막히는지 바로 보입니다. 첫 면접은 무료입니다.

이 질문으로 면접 시작

3 크레딧 차감 · 첫 회 무료 · 음성 데이터는 종료 즉시 폐기됩니다

DISCLAIMER