면접관이 이 한 문장으로 확인하려는 것들. 각 갈래를 알면 답의 뼈대가 잡혀요.
졸업 프로젝트에서 `BERT` 기반 텍스트 분류 모델을 설계하고 적용했습니다. 고객 리뷰를 카테고리별로 자동 분류하는 파이프라인을 만들었고, 기존 키워드 기반 분류 대비 정확도를 72%에서 89%로 개선했습니다. 데이터 전처리 단계에서 노이즈 비율이 높아 모델이 불안정했는데, 토큰 정제 로직을 추가하면서 안정됐습니다. 아키텍처 자체보다 데이터 품질이 결과에 더 직접적인 영향을 준다는 걸 그 경험에서 배웠습니다.
제가 참여한 프로젝트에서는 협업 필터링 기반 추천 시스템을 설계했습니다. 사용자 행동 로그를 기반으로 유사 사용자를 찾고 추천을 생성하는 구조였는데, 초기에는 콜드 스타트 문제가 심각했습니다. 신규 사용자 데이터가 없어 추천 자체를 생성할 수 없었고, 이를 해결하기 위해 콘텐츠 기반 필터링과 하이브리드로 연결했습니다. 사용자 프로필에서 명시적 선호도를 수집해 초기 추천에 반영하는 방식으로 전환하자 신규 사용자의 첫 추천 클릭률이 두 배 가까이 올랐습니다. 이 과정에서 AI 기술 선택은 데이터 현실과 맞아야 효과가 나온다는 것을 확인했습니다. 아키텍트로서 모델 성능보다 데이터 파이프라인과 피드백 루프가 전체 품질을 결정한다는 걸 가장 크게 배웠습니다.
프로젝트에서 AI 모델을 개발하는 것보다 배포하고 운영하는 단계가 더 많은 설계를 요구했습니다. 학습 환경과 운영 환경의 데이터 분포가 달라 모델 정확도가 실환경에서 급격히 떨어지는 현상이 발생했고, 이를 잡기 위해 모니터링 파이프라인을 별도로 구축했습니다. 예측 결과와 실제 레이블의 차이를 주기적으로 수집해 드리프트를 자동 감지하고, 일정 기준을 넘으면 재학습이 트리거되는 구조로 만들었습니다. AI 아키텍트로서 모델 정확도만큼이나 운영 안정성을 위한 인프라 설계가 중요하다는 것을 이 프로젝트에서 실감했습니다.
모델 버저닝과 롤백 계획 없이 배포하면 장애 대응이 어려워진다는 것도 직접 경험했습니다.
같은 실수가 반복돼요. 이것만 피해도 절반은 갑니다.
진짜 면접은 두 번째 질문부터예요. 이 답 뒤에 따라올 법한 것들.