이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
저는 하이브리드 검색을 선택했습니다. 사용자 쿼리가 짧고 키워드 의존도가 높은 서비스였기 때문에, 벡터 검색만으로는 정확한 텍스트 매칭이 약하다는 한계가 있었습니다. BM25와 ANN을 결합해서 RRF(Reciprocal Rank Fusion)으로 최종 순위를 합산하는 방식을 썼고, 단순 벡터 검색 대비 MRR이 0.07 향상됐습니다. 재랭킹은 모델 추가 비용이 있고, 쿼리당 레이턴시가 늘어나는 게 해당 서비스에선 허용 범위를 벗어났습니다.
정확도와 응답 속도 균형을 고려했을 때 하이브리드가 더 맞는 선택이었습니다. 레이턴시 제약이 있는 환경에서는 정확도만 볼 수 없습니다. 속도와 정확도의 균형이 결국 사용자 경험을 결정하고, 그 균형점을 데이터로 잡는 게 실무의 핵심입니다.
하이브리드가 아닌 재랭킹(Re-ranking) 방식을 선택하는 상황도 있다고 생각합니다. 벡터 검색으로 후보를 먼저 뽑고, 더 복잡한 모델로 최종 순위를 재조정하는 방식은 벡터 검색의 속도를 유지하면서 정확도를 높이는 방향입니다. Cross-encoder처럼 쿼리와 문서를 같이 보는 모델이 재랭킹에 자주 쓰이는데, bi-encoder 방식보다 맥락을 더 잘 이해하지만 처리 속도가 느리다는 트레이드오프가 있습니다.
검색 결과의 다양성보다 최상위 결과의 정확도가 더 중요한 경우에 재랭킹이 잘 맞는 접근이라고 생각합니다. 후보 수를 줄인 후 비싼 모델을 쓰는 방식이 전체 속도를 유지하면서 품질을 높이는 실용적인 방법입니다. 두 접근 모두 상황에 따라 합리적이고, 어떤 문제를 해결하려는지가 선택의 기준이 됩니다.
Cross-encoder가 재랭킹 레이어의 대표적인 선택지입니다.
검색 시스템 개선에서 어떻게 효과를 측정하느냐가 방향을 결정한다고 생각합니다. "검색 결과가 더 좋아졌다"는 주관적 판단보다 클릭률(CTR)이나 관련 결과 최상위 노출 비율 같은 지표로 개선 여부를 확인할 수 있습니다. 평가 레이블셋을 먼저 구축해서 오프라인으로 성능을 측정한 뒤 온라인 A/B 테스트로 검증하는 방식이 검색 개선의 일반적인 흐름입니다.
오프라인에서는 좋아도 온라인에서 사용자 반응이 다른 경우가 있어서, 두 단계를 분리해서 보는 것이 중요합니다. 하이브리드든 재랭킹이든, 선택한 방식이 실제로 나은지를 확인하는 평가 체계가 갖춰지지 않으면 개선 방향을 잡기 어렵습니다. 측정 없이는 개선도 없다는 것이 검색 고도화에서도 마찬가지입니다.
평가 레이블셋 구축이 검색 개선의 선행 과제입니다.
답변에서 흔히 빠지는 것들 — 빠져 있으면 꼬리질문이 깊어집니다.
이 질문에 이어 넥스트증권 백엔드 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.