이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
트랜스포머 기반 모델의 가장 큰 장점은 문맥 전체를 한 번에 처리할 수 있다는 점이라고 생각합니다. RNN 계열은 앞에서 뒤로 순서대로 처리하다 보니 긴 문장에서 앞 정보가 희석되는 문제가 있었는데, Attention 구조는 어느 위치든 직접 참조할 수 있습니다. 저는 감정 분류 과제에서 BERT 기반 모델을 fine-tuning해본 경험이 있으며, 같은 데이터로 TF-IDF+SVM 조합과 비교했을 때 정확도가 8%p 높았습니다. 대형 언어 모델은 이 구조를 더 크게 키운 것이므로, 다양한 태스크에 적응하는 범용성이 강점이라고 이해하고 있습니다. 직접 대규모 모델을 학습시켜본 경험은 없지만, 이 구조를 이해한 것이 이후 실험 설계에도 영향을 주었습니다.
팀 프로젝트에서 FAQ 자동 답변 시스템을 만들 때 대형 언어 모델 API를 처음 써봤습니다. 장점으로 느낀 건 별도 학습 없이도 질문 유형을 꽤 잘 구분한다는 점이었어요. 규칙 기반으로 만들었을 땐 열 개 패턴을 하나씩 정의해야 했는데, 프롬프트만 조정하니 훨씬 유연하게 대응했습니다. 다만 hallucination 문제가 실제로 체감됐어요. 존재하지 않는 정책을 사실처럼 답하는 경우가 있어서, 출력 후 검증 단계를 추가했습니다. 장점이 분명한 만큼 어디에 쓰는지와 어떻게 검증하는지가 함께 중요하다고 생각합니다. 이 경험이 모델 선택보다 검증 설계를 먼저 고민하는 습관의 출발이었어요.
공부하면서 트랜스포머의 장점으로 가장 인상 깊었던 건 Self-Attention이 어떤 단어가 어떤 단어와 연관됐는지 학습한다는 점이었습니다. '그가 뛰어난 이유는 노력 때문이다'에서 '그'와 '노력'의 연결을 위치와 관계없이 포착할 수 있어요. 대형 언어 모델은 이 구조를 수백억 파라미터 규모로 확장해서, 다국어·다분야를 한 모델로 처리하는 범용성이 생겼다고 이해하고 있습니다. 제가 직접 대규모 모델을 학습시켜본 적은 없고, 주로 fine-tuning이나 API 수준의 활용이에요. 아직 배울 게 많다는 걸 알고 있고, 실무에서 이 구조가 어떻게 실제 서비스에 연결되는지 가까이서 보고 싶습니다.
답변에서 흔히 빠지는 것들 — 빠져 있으면 꼬리질문이 깊어집니다.
이 질문에 이어 쿠팡 ML 엔지니어 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.