반복 작업이나 비효율을 개선한 경험이 있다면, 그 과정과 결과를 공유해 주세요.

모델 아키텍처를 바꿔도 성능이 오르지 않는 상황에서 데이터 레이블 품질 감사를 진행했습니다. 전체 학습 데이터의 12%가 레이블 오류임을 발견했고, 이를 클린랩(cleanlab)으로 자동 탐지해 정제했습니다. 동시에 데이터 수집 가이드라인을 어노테이터와 함께 재작성했습니다. 레이블 정제만으로 정확도가 5%p 상승했고, 아키텍처 개선까지 합산하면 총 +9%p 개선됐습니다. 이 경험은 팀 내 '데이터 first, 모델 second' 원칙의 근거가 됐고, 이후 모든 프로젝트에서 레이블 감사를 초기 단계에 포함시키는 관행이 정착됐습니다.

데이터 품질 개선은 모델 아키텍처 개선보다 투자 대비 효과가 크다는 점을 수치로 보여준 사례로, 팀 발표에도 여러 차례 활용됐습니다.