면접관이 이 한 문장으로 확인하려는 것들. 각 갈래를 알면 답의 뼈대가 잡혀요.
AI 에이전트를 개발할 때 저는 모델이 잘못된 판단을 내릴 수 있다는 전제하에 검증 단계를 두는 것이 가장 중요하다고 생각합니다. 학부 프로젝트에서 자연어 명령을 해석해 작업을 수행하는 에이전트를 만들었을 때, 모델이 의도를 잘못 해석해 엉뚱한 동작을 실행하는 경우가 종종 있었습니다.
이후 저는 에이전트가 특정 동작을 수행하기 전에 해석한 의도를 사용자에게 다시 확인받는 단계를 추가했습니다. 이 장치를 넣은 뒤 오작동으로 인한 문제가 크게 줄었습니다.
이 경험으로 AI 시스템은 정확도를 높이는 것만큼이나 오판을 사용자가 되돌릴 수 있는 구조를 만드는 것이 중요하다는 것을 배웠습니다.
AI 시스템 서비스를 개발할 때 저는 모든 요청에 가장 큰 모델을 쓰는 것이 항상 정답은 아니라는 것을 고려합니다. 학회 프로젝트에서 챗봇을 만들 때 모든 응답에 고성능 모델을 사용했더니 응답 속도가 느려 사용성이 떨어졌습니다.
이후 간단한 질문은 작은 모델로 먼저 처리하고, 복잡한 질문만 큰 모델로 넘기는 방식으로 구조를 바꿨습니다. 평균 응답 시간이 절반 가까이 줄었고, 비용도 함께 줄었습니다.
이 경험으로 AI 시스템 설계는 성능 하나만 보는 것이 아니라 비용·속도까지 함께 고려한 균형이 필요하다는 것을 배웠습니다.
AI 로드맵을 수립할 때 저는 처음부터 완벽한 자동화를 목표로 하지 않고, 검증 가능한 작은 단위부터 단계적으로 확장하는 것이 중요하다고 생각합니다. 동아리 프로젝트에서 추천 시스템을 기획했을 때, 처음에는 전체 개인화 추천을 목표로 세웠지만 데이터가 부족해 신뢰도 있는 결과를 내기 어려웠습니다.
저는 목표를 낮춰 우선 인기순 기반 추천으로 시작하고, 사용자 데이터가 쌓이면 개인화 요소를 단계적으로 추가하는 로드맵으로 재설계했습니다. 이 방식으로 초기 서비스 품질을 안정적으로 유지하면서 점진적으로 고도화할 수 있었습니다.
이 경험으로 AI 로드맵은 이상적인 최종 형태보다 각 단계에서 검증 가능한 목표를 두는 것이 중요하다는 것을 배웠습니다.
같은 실수가 반복돼요. 이것만 피해도 절반은 갑니다.
진짜 면접은 두 번째 질문부터예요. 이 답 뒤에 따라올 법한 것들.