이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
졸업 프로젝트에서 이미지 분류 모델을 만들 때, 하이퍼파라미터를 바꿀 때마다 처음부터 학습을 돌리는 구조였습니다. 한 번 실험에 2시간이 걸렸고, 설정을 3개만 바꿔도 6시간이 걸렸습니다.
그래서 체크포인트를 중간에 저장하도록 바꿨습니다. 특정 에폭까지 학습된 가중치를 저장해두고, 그 이후 구간만 다시 실험할 수 있게 하니 반복 실험 시간이 크게 줄었습니다. 추가로 실험 설정과 결과를 csv로 자동 기록하게 했더니, 어떤 설정이 어떤 결과를 냈는지를 나중에 찾기 쉬워졌습니다.
전문 도구는 쓰지 못했지만, 파이프라인에서 반복되는 구간을 줄이는 것이 최적화의 핵심이라는 걸 그때 배웠습니다. 나중에 MLflow 같은 실험 관리 도구가 이런 문제를 구조적으로 해결한다는 걸 알게 됐고, 다음 프로젝트에 써보고 싶다는 생각이 생겼습니다.
학부 머신러닝 수업 프로젝트에서 모델 학습이 느린 이유를 찾아보니, 학습 루프마다 전처리를 새로 실행하는 구조가 문제였습니다. 같은 데이터를 매 에폭마다 다시 전처리하고 있었습니다.
전처리 결과를 미리 파일로 저장해두고 학습 시 불러오는 방식으로 바꿨더니 에폭당 시간이 약 30% 줄었습니다. 처음에는 디스크 공간이 더 필요하다는 단점이 있었는데, 반복 실험이 많은 상황에서는 시간 절약이 더 중요했습니다.
ML 파이프라인을 최적화할 때 어디서 시간이 가장 많이 걸리는지를 먼저 측정하는 것이 중요하다는 걸 배웠습니다. 느리다고 느끼는 곳과 실제로 느린 곳이 다른 경우가 있었고, 측정하고 나서야 맞는 지점을 개선할 수 있었습니다.
팀 프로젝트에서 고객 이탈 예측 모델을 만들 때, 이탈 데이터가 전체의 5%밖에 없어서 모델이 항상 "이탈 안 함"만 예측하는 문제가 있었습니다. 정확도는 높게 나왔지만 실제로 이탈을 잡지 못하는 상황이었습니다.
데이터 전처리 단계에서 오버샘플링 기법을 파이프라인에 넣었습니다. 처음에는 학습 데이터 전체에 적용했는데, 나중에 보니 검증 데이터에도 같은 처리가 들어가서 평가가 과장되는 실수를 했습니다. 학습 단계에만 적용하고 검증 데이터는 원본 그대로 유지하는 방식으로 수정했습니다.
파이프라인에서 어느 단계에 무엇을 적용하는지를 명확히 설계해야 한다는 걸 그때 배웠습니다. 처리 위치가 잘못되면 모델 성능 평가 자체가 의미 없어질 수 있습니다.
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.