예시 답변 1
약 75초
경험 중심 1인칭 답변
AI 모델 성능을 개선할 때 가장 먼저 보는 건 데이터 품질과 피처 엔지니어링입니다. 모델을 바꾸기 전에 데이터에서 개선할 여지가 없는지를 먼저 확인하는 게 효율적입니다. 학부 프로젝트에서 불균형 데이터에 SMOTE를 적용하거나 클래스 가중치를 조정해서 성능을 높인 경험이 있습니다. 또 교차 검증으로 과적합 여부를 먼저 확인하고, 하이퍼파라미터 튜닝은 그 이후에 진행했습니다.
모델 구조 변경이나 앙상블은 기본 실험을 충분히 한 뒤에 고려하는 편입니다. 성능 개선의 80%는 좋은 데이터와 명확한 평가 지표에서 온다는 것을 반복 경험으로 알게 됐습니다. 앞으로도 데이터 품질과 평가 지표를 먼저 확인하고 모델을 개선하는 방식을 유지하겠습니다.
성능 개선의 80%는 좋은 데이터와 명확한 평가 지표에서 온다는 것을 반복 경험으로 알게 됐습니다. 모델 구조 변경은 기본 실험을 충분히 한 뒤에 고려하는 것이 효율적인 개발 순서입니다.
이 결의 특징
AI 모델 성능을 개선할 때 가장 먼저 보는 건 데이터 품질과 피처 엔지니어링입니다. 모델을 바꾸기 전에 데이터에서 개선할 여지가 없는지를 먼저 확인하는 게 효율적입니다
이 결이 통하는 자리
기술 역량을 직접 활용하고 평가받는 직무 환경에서 역량을 발휘할 수 있다