이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
팀 프로젝트에서 이커머스 상품 텍스트를 입력받아 카테고리와 속성을 자동 분류하는 모델을 설계했습니다. 데이터 수집 단계에서 상품명·설명·이미지 alt text를 통합해 특성을 구성했고, 초기에는 BERT 기반 텍스트 분류 모델을 썼습니다. 성능 평가에서 카테고리 깊이가 깊어질수록 정확도가 급락하는 문제가 생겼는데, 상위 카테고리와 하위 카테고리를 독립 모델로 분리해 계층적으로 분류하는 구조로 전환했습니다. 속성 추론은 분류 후 해당 카테고리의 전형 속성을 룰 기반과 NER을 혼합해 추출했습니다. 가장 배운 건 처음부터 복잡한 모델보다 단순한 베이스라인을 먼저 만들고 병목을 찾는 것이 더 빠른 개선 경로라는 것입니다.
베이스라인을 먼저 만들고 병목을 찾는 방식이 ML 시스템 개발에서 가장 빠른 경로였습니다.
상품 분류 ML 시스템에서 모델 품질보다 먼저 해결해야 하는 것이 입력 데이터의 품질이라는 걸 경험으로 배웠습니다. 상품 데이터는 카테고리 라벨이 불일치하거나, 상품명에 오탈자·약어·브랜드 변형이 섞여서 전처리 없이는 학습 데이터로 쓰기 어려운 경우가 많습니다.
텍스트 정규화(Text Normalization)와 카테고리 레이블 클리닝이 전처리의 핵심 단계였고, 이 단계에서 투자한 시간이 모델 정확도에 직접 영향을 줬습니다. 학습 데이터에 노이즈가 많으면 모델이 노이즈 패턴을 학습해서 실제 데이터에서 성능이 떨어지는 문제가 생깁니다. 전처리 파이프라인을 재사용 가능하게 구성해두면 새로운 카테고리가 추가될 때도 빠르게 적용할 수 있었습니다.
데이터 품질이 모델 성능의 상한선을 결정합니다. 텍스트 정규화 단계가 상품 분류 학습 품질의 기반입니다.
상품 분류 시스템을 평가할 때 단순 정확도(Accuracy)만 보면 카테고리 불균형으로 인해 실제 성능을 오해하기 쉽다는 것을 배웠습니다. 인기 카테고리 상품이 압도적으로 많은 구조에서는 드문 카테고리의 분류 정확도가 낮아도 전체 Accuracy는 높게 유지되어서, 지표가 오해를 줄 수 있습니다.
Macro F1-Score를 사용하면 카테고리별 성능을 균등하게 반영하기 때문에 불균형 데이터셋에서 더 신뢰할 수 있는 지표가 됩니다. 카테고리별 혼동 행렬(Confusion Matrix)을 분석하면 어떤 카테고리 쌍이 자주 혼동되는지를 파악할 수 있어서 개선 방향이 명확해집니다. 이후 오버샘플링이나 가중 손실 함수 적용으로 드문 카테고리 성능을 끌어올렸습니다.
지표 선택이 모델 개선 방향을 결정합니다. Macro F1-Score가 상품 분류 불균형 환경에서 핵심 평가 지표였습니다.
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.