이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
캡스톤 프로젝트에서 사전학습 모델을 우리 도메인 데이터에 맞게 파인튜닝해본 경험이 있습니다. 처음에는 BERT 기반 모델을 그대로 가져와 전체 레이어를 다 훈련시켰는데, 학습 데이터가 부족해 과적합이 심하게 나왔습니다. 상위 2개 레이어만 열고 나머지는 동결시키는 방식으로 바꾸자 검증 손실이 안정됐습니다. 훈련 중에는 학습률 스케줄러를 워밍업 구간과 함께 설정하는 것이 수렴 속도에 차이가 있다는 걸 직접 비교해봤습니다. 최종적으로 F1이 베이스라인 대비 11포인트 올랐고, 팀에서 그 결과를 최종 발표에 써줬습니다. 아직 대규모 GPU 환경에서 훈련한 경험은 없지만, 레이어 동결·학습률 설정·데이터 규모에 따른 전략 차이를 실험으로 직접 확인했습니다. 그 과정이 이론보다 훨씬 빠르게 이해를 쌓아줬습니다.
학부 졸업 프로젝트에서 감성 분석 모델을 직접 파인튜닝해봤습니다. 사용한 모델은 klue/roberta-base였고, 도메인 특화 데이터가 1,200건밖에 없어서 전체 파라미터를 열기보다 LoRA 기법으로 파라미터 효율적 훈련을 시도했습니다. 처음에는 기대한 만큼 성능이 올라오지 않아서 데이터 레이블 품질을 다시 검토했고, 모순된 레이블 약 80건을 수작업으로 수정한 후 F1이 0.73에서 0.81로 올랐습니다. 이 경험을 통해 모델 선택보다 데이터 품질이 성능 상한선을 결정한다는 걸 체감했습니다. 실무에서는 신규 도메인 데이터가 제한적인 상황에서 효율적인 파인튜닝 전략을 설계하는 데 바로 적용할 수 있다고 생각합니다. 특히 학습 데이터 구성 단계에서 노이즈를 잡는 일이 결과를 얼마나 바꾸는지 직접 확인했기 때문에, 그 경험을 가장 먼저 살리고 싶습니다.
사이드 프로젝트에서 이미지 캡션 생성 모델을 실험한 적이 있습니다. 사전학습된 비전-언어 모델을 가져와 소수의 도메인 이미지(약 500장)에 맞게 추가 학습을 시켰는데, 전체 파라미터를 열어 학습시켰다가 생성 출력이 오히려 일반화 성능을 잃는 현상을 겪었습니다. 이후 비전 인코더는 동결하고 텍스트 디코더 일부만 학습시키는 방향으로 바꾸자 도메인 적응과 일반화가 동시에 유지됐습니다. 미세 조정에서 배운 가장 큰 교훈은 어떤 레이어를 열고 어떤 레이어를 닫을지가 핵심 설계 판단이라는 점입니다. 이 판단은 데이터 규모와 목표 태스크에 따라 매번 달라지기 때문에, 매 실험마다 로그를 남기며 판단 근거를 명확히 해두는 습관을 들였습니다. 실무에서도 그 방식을 유지하겠습니다.
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.