예시 답변 1
약 90초
경험 중심 1인칭 답변
금융 데이터 분석 팀 프로젝트에서 신용 리스크 예측 모델을 만드는 작업을 담당했습니다. 저는 피처 엔지니어링과 모델 평가 파트를 맡았고, 금융 데이터 특성상 결측치와 이상값 처리가 까다로웠습니다. 클래스 불균형 문제를 SMOTE와 class_weight 조정으로 처리했고, 최종적으로 XGBoost 모델이 AUC-ROC 0.87로 가장 좋은 성능을 보였습니다. 발표 때 가장 많이 받은 질문이 '이 모델이 실제 대출 심사에 쓰이면 어떤 리스크가 있냐'였는데, 모델 편향 문제와 설명 가능성(Explainability) 이슈를 함께 준비해서 답했습니다. 이 경험으로 금융 ML에서 성능과 해석 가능성을 함께 고려해야 한다는 걸 배웠습니다. 앞으로도 금융 ML을 다룰 때 성능과 해석 가능성을 함께 고려하는 방식을 유지하겠습니다.
모델이 실제 의사결정에 쓰이면 설명할 수 있어야 신뢰를 얻습니다. AUC보다 어떤 특성이 예측을 이끄는지를 함께 물어봅니다.
이 결의 특징
'리가 까다로웠습니다. 클래스 불균형 문제를 SMOTE와 class_weight 조정으로 처리했고, 최종적으로' 같은 구체적 장애물을 인식한 후, 단순한 회피가 아니라 원인 분석을 거친 개선 과정이 구체적으로 담겨 있습니다.
이 결이 통하는 자리
0 → 87처럼 구체적인 수치 변화가 있을 때 통합니다. 주장이 아닌 근거로 뒷받침할 때 면접관의 신뢰가 형성됩니다.