이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
머신러닝 모델의 성과 지표는 문제의 성격에 따라 달라집니다. 분류 모델이라면 정확도(Accuracy)보다 정밀도(Precision)와 재현율(Recall)을 함께 봐야 합니다. 클래스 불균형이 있는 경우 정확도는 오해를 줄 수 있기 때문입니다. F1 Score는 두 지표를 균형 있게 반영하여 실무에서 자주 사용됩니다. 회귀 모델이라면 RMSE나 MAE를 보고, 모델이 어떤 오류를 더 크게 내는지도 확인합니다.
지표 선택 자체가 모델 방향을 결정하기 때문에, 비즈니스 목적에서 역으로 지표를 정하는 것이 중요합니다. 목적 없이 지표를 고르면 모델이 엉뚱한 방향으로 최적화될 수 있습니다.
모델을 배포한 뒤에도 성과 추적은 계속돼야 해요. 트레이닝 데이터가 잘 맞던 모델도 실제 사용자 데이터가 달라지면 성능이 떨어지는 드리프트가 발생하거든요. 저는 모니터링 파이프라인에서 예측값 분포와 실제값 분포를 주기적으로 비교했어요. 분포 차이가 임계값을 넘으면 알림을 받고 재학습을 검토하는 구조를 만들었어요. 모델은 한 번 만들면 끝나는 게 아니라, 지속적으로 관찰해야 하는 시스템이에요.
배포 이후가 진짜 운영의 시작이에요. 모니터링 없는 모델은 서비스에 위험을 만들어요. 보이지 않는 곳에서 문제가 자라요. 모니터링은 사전 대응의 유일한 방법이에요. 터지기 전에 신호를 읽는 것이 더 저렴해요.
ML 지표를 개선하는 게 항상 비즈니스 지표 개선으로 이어지진 않아요. 지표와 실제 효과의 연결이 중요해요. 저는 모델 정밀도를 올렸는데도 클릭률이 개선되지 않은 경험이 있었어요. 원인을 분석하니 랭킹 지표는 좋아졌지만 노출 위치가 달라진 것이 문제였어요.
ML 지표 → 비즈니스 KPI로 이어지는 흐름을 명확히 설계하지 않으면 이런 단절이 생겨요. 그 이후로는 실험 설계 초반에 측정하려는 비즈니스 지표와 ML 지표를 함께 정의하는 습관이 생겼어요. 지표는 수단이지 목적이 아니에요. 비즈니스 성과가 목적이고, ML 지표는 그걸 측정하는 도구예요.
도구에 집착하면 목적을 잃어요.
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.