이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
졸업 프로젝트에서 30만 행 이상의 유저 행동 로그 데이터를 다뤘습니다. 먼저 pandas로 결측값과 이상치를 제거하는 전처리를 했고, 상관관계 행렬과 SHAP 값을 써서 어떤 특징이 예측에 실제로 기여하는지를 확인했습니다. 처음엔 40개 특징을 전부 넣었는데 모델 성능이 오히려 낮아서, 중요도 하위 20개를 제거하고 나니 F1 스코어가 0.71에서 0.79로 올랐습니다.
특징이 많을수록 좋다는 생각이 실제 실험에서 틀렸다는 걸 그때 확인했습니다. 결과 분석은 단일 지표보다 정밀도와 재현율을 함께 보는 방식을 택했고, 어떤 오분류 패턴이 반복되는지 혼동 행렬로 따로 분석했습니다.
수업 과제로 뉴스 기사 20만 건을 8개 카테고리로 분류하는 모델을 구축한 경험이 있습니다. 텍스트 데이터는 수치 데이터와 달리 전처리 단계에서 어떤 특징을 정의하느냐가 성능을 거의 결정한다는 걸 처음 실감했습니다. 처음엔 TF-IDF로 상위 빈도 단어를 특징으로 사용했는데, 카테고리 간 공통 단어가 많아 정확도가 낮았습니다. 단순 빈도 대신 카테고리별 고유 키워드에 집중하는 방향으로 특징 선택 기준을 바꾸니 정확도가 0.74에서 0.88로 올랐습니다. 이후 BERT 임베딩으로 전환했을 때는 맥락 정보를 특징으로 활용하는 효과를 수치로 직접 확인했고, 두 방법의 성능 차이가 모델 크기가 아니라 어떤 정보를 특징으로 보느냐의 차이에서 나온다는 것을 이해했습니다.
모델 구축보다 특징 설계가 먼저라는 원칙이 그 과제에서 생겼습니다.
인턴에서 공장 센서 데이터 약 50만 건으로 장비 고장 예측 모델을 만드는 작업을 맡았습니다. 시계열 데이터는 과거 패턴과 현재 상태를 연결하는 특징을 어떻게 추출하느냐가 핵심이었습니다. 슬라이딩 윈도우를 적용해 30분 구간별 평균, 표준편차, 최대값을 특징으로 만들었고, 순간값이 아닌 추세 변화량을 함께 넣었을 때 모델 정밀도가 눈에 띄게 올라갔습니다. 클래스 불균형 문제도 있었습니다.
고장 사례가 전체의 2% 미만이어서 오버샘플링을 적용했고, 정확도 대신 재현율과 F1 점수를 기준 지표로 설정했습니다. 모델 배포 후 현장 엔지니어가 사전 점검에 들어가는 흐름이 만들어졌고, 실제 예방 조치가 이루어졌다는 피드백을 받았을 때 가장 보람이 컸습니다.
예측 모델의 가치는 숫자가 아니라 사람이 행동을 바꿀 때 생긴다는 걸 그 프로젝트에서 배웠습니다.
답변에서 흔히 빠지는 것들 — 빠져 있으면 꼬리질문이 깊어집니다.
이 질문에 이어 쿠팡 데이터 사이언티스트 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.