이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
AI 프로젝트 수업에서 사용자 행동 데이터로 추천 모델을 만들 때, 어떤 데이터까지 사용해도 되는지를 팀 내에서 논의했습니다. 저는 먼저 개인 식별 가능 데이터를 최소화하는 방향을 제안했고, 행동 패턴만 남기고 사용자 ID는 해시 처리하는 방식으로 설계했습니다. 윤리 기준은 규정 준수가 아니라 설계 단계에서 고려해야 한다는 생각이 이때 생겼습니다. AI가 내린 결정이 특정 집단에 불리하게 작용하는지를 검증하는 공정성 체크 단계도 포함시켰습니다. 개인정보 보호와 모델 성능은 트레이드오프 관계인 경우가 많아서, 어느 선에서 균형을 잡는지를 명확히 하는 것이 중요하다고 생각합니다. 윤리 기준을 사후 검토가 아닌 설계 단계에서 내재화하는 것이 AI 개발의 출발점이라고 생각합니다.
기술적 선택과 윤리적 판단을 함께 다루는 역량이 앞으로 더 중요해질 것이라 봅니다.
개인정보 보호 법률에서 AI 시스템에 가장 직접적으로 연결되는 원칙은 목적 제한과 최소 수집 원칙이라고 생각합니다. 수집한 데이터는 처음 명시한 목적으로만 써야 하고, 그 목적에 필요한 최소한의 데이터만 수집해야 한다는 것입니다. 수업 프로젝트에서 추천 모델을 만들 때 어떤 데이터가 모델에 실제로 필요한지를 먼저 정의하고 그 범위 안에서만 수집하는 방식으로 설계했습니다. 처음에는 가능한 많은 데이터를 모으면 더 좋은 모델이 된다고 생각했는데, 불필요한 데이터를 갖고 있는 것 자체가 리스크라는 것을 배웠습니다. 데이터가 유출됐을 때 수집하지 않은 것은 유출될 수 없기 때문입니다.
최소 수집이 프라이버시 보호의 가장 기본적인 실천이고, 이것이 법적 요구사항이기도 하지만 설계 원칙으로도 옳다고 생각합니다.
AI 시스템에서 고객 신뢰를 구축하는 방법 중 하나는 AI가 내린 결정에 대해 설명을 제공하고 이의를 제기할 수 있는 경로를 만드는 것입니다. 추천이나 분류 결과가 왜 나왔는지를 사용자에게 설명하지 않으면, 결과를 신뢰할 수 없는 블랙박스로 경험하게 됩니다. 수업 프로젝트에서 추천 결과 옆에 '이 이유로 추천됐습니다'라는 간단한 설명을 붙이는 것이 사용자 만족도에 영향을 준다는 논문을 다뤘는데, 설명 가능성이 단순한 투명성 요건이 아니라 실제 신뢰에 영향을 준다는 것이 인상 깊었습니다. 이의 제기 경로는 AI 결정이 틀렸을 때 사람이 개입할 수 있는 채널을 만드는 것입니다. 자동화된 시스템일수록 예외 처리와 인간 개입 경로가 신뢰의 핵심 요소가 됩니다.
답변에서 흔히 빠지는 것들 — 빠져 있으면 꼬리질문이 깊어집니다.
이 질문에 이어 쿠팡 프로덕트 매니저 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.