이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
팀 내부 AI 툴을 처음부터 만들어 본 경험이 있다. 당시 팀원들이 매주 회의록을 수동으로 요약하는 데 시간을 꽤 쓰고 있었고, GPT API를 붙여서 회의록 자동 요약 도구를 만들어 보자는 아이디어를 냈다. 처음엔 단순히 텍스트를 붙여 넣어 요약만 하는 수준이었는데, 막상 써보니 회의마다 컨텍스트가 달라 프롬프트가 매번 달라져야 했다. 프롬프트 인젝션 방지와 출력 포맷 고정이 예상보다 어려운 문제였다. 반복 실험을 통해 역할 프롬프트와 출력 형식 지정을 조합하는 방식을 정착시켰고, 최종적으로 Notion에 자동 업로드되는 파이프라인까지 만들었다. 팀원 5명이 2개월 사용하면서 회의 후처리 시간이 체감상 절반 수준으로 줄었다. 이 경험에서 GenAI 제품은 모델 선택보다 프롬프트와 출력 파이프라인 설계가 훨씬 많은 시간을 잡아먹는다는 것을 직접 배웠다.
또 다른 GenAI 제품 구축 경험은 사내 문서를 검색해서 답변을 생성하는 RAG 기반 도구를 개인 프로젝트로 만든 것입니다. 팀 회의 요약과 달리 이번에는 특정 문서 집합을 컨텍스트로 활용해 질문에 답하는 구조가 필요했습니다. 구현 방식은 문서를 청크로 나눠 임베딩한 뒤 벡터 DB에 저장하고, 질문과 가장 유사한 청크를 찾아 LLM에 컨텍스트로 제공하는 것이었습니다. 가장 어려웠던 부분은 청크 크기를 어떻게 나눠야 검색 품질이 좋아지는지였는데, 너무 작으면 컨텍스트가 부족하고 너무 크면 관련 없는 내용이 섞였습니다. 여러 크기로 실험하면서 이 도메인의 문서 특성에 맞는 청크 크기를 찾았고, 이 과정에서 RAG 품질은 모델보다 데이터 전처리에서 결정된다는 것을 배웠습니다.
GenAI 제품에서 모델을 고르는 것보다 데이터를 어떻게 준비하는지가 결과를 더 많이 결정합니다.
GenAI 제품을 만들 때 예상보다 오래 걸린 부분은 출력이 매번 일관되지 않는 문제였습니다. 같은 입력에도 출력이 달라지는 것이 생성 모델의 특성이지만, 실제 서비스에서는 포맷과 내용이 어느 정도 예측 가능해야 한다는 것을 처음엔 과소평가했습니다. 환각 문제도 있었는데, 회의 내용에 없는 결론이 요약에 나타나는 경우가 간헐적으로 발생했습니다. 이 문제를 줄이기 위해 프롬프트에 '원문에 없는 내용은 포함하지 않는다'는 지시를 추가하고, 출력 형식을 구조화된 포맷으로 고정하는 방식을 적용했습니다. 완전히 없어지지는 않았지만 팀원들이 직접 검토하는 단계를 마지막에 유지하는 것으로 타협했습니다. 이 경험에서 배운 것은 GenAI 제품에서 품질을 100% 모델에 맡기는 것은 위험하고, 인간 검토 단계가 설계에 포함돼야 한다는 것입니다.
자동화가 가능한 것과 인간이 책임져야 하는 것을 구분하는 설계가 필요합니다.
답변에서 흔히 빠지는 것들 — 빠져 있으면 꼬리질문이 깊어집니다.
이 질문에 이어 쿠팡 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.