이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
졸업 프로젝트에서 고객 리뷰 감성 분석 시스템을 만들며 AI 분석을 처음 실무에 적용했습니다. 사전 학습된 KoBERT를 파인튜닝해 긍정·중립·부정 3분류기를 구현했고, 학습 데이터를 직접 크롤링·정제하는 과정에서 레이블 불균형 문제를 만났습니다. 오버샘플링과 클래스 가중치 조정을 병행했더니 F1 스코어가 0.71에서 0.84로 개선됐습니다. 배포 후 실시간 리뷰 5,000건을 분석했을 때 부정 리뷰 급증 알림이 정확히 발동되는 것을 확인했습니다. 이 경험으로 AI 분석에서 모델 선택보다 데이터 품질 관리와 레이블링 일관성이 성능에 더 큰 영향을 미친다는 것을 몸으로 익혔습니다.
AI 분석 활용에서 모델 구조보다 데이터를 어떻게 준비하느냐가 성능을 가른다는 걸 또 다른 프로젝트에서 경험했습니다. 이미지 분류 모델을 만들 때 수집한 데이터가 특정 각도 이미지에 편중돼 있어 테스트 셋에서 다른 각도의 이미지 정확도가 훨씬 낮았습니다.
albumentations 라이브러리로 회전·좌우 반전·색상 변화 같은 데이터 증강(Augmentation) 기법을 적용했더니, 같은 모델에서 테스트 정확도가 72%에서 84%로 올랐습니다. 이후엔 새 모델을 적용하기 전에 데이터 분포를 먼저 시각화하는 것을 루틴으로 만들었습니다. AI 분석에서 모델을 바꾸는 것보다 데이터를 더 잘 만드는 것이 더 빠른 개선 경로인 경우가 많다는 걸 배웠습니다.
최근엔 직접 모델을 학습시키지 않고 LLM API로 비정형 데이터를 분류하는 방식도 활용해봤습니다. 고객 문의 텍스트를 카테고리별로 분류하는 작업에서 파인튜닝 모델 대신 API를 써서 프롬프트로 분류 기준을 설명하는 방식으로 시도했습니다. 처음엔 분류 정확도가 71%였는데, 분류 예시를 2~3개 포함하는 few-shot 방식으로 바꾸니 같은 테스트 데이터에서 정확도가 87%로 올랐습니다. 모델 학습 없이 프롬프트 변경만으로 16%p 개선을 얻은 셈이어서, 소규모 분류 작업에서 LLM API가 빠른 프로토타이핑 경로가 됩니다. 이 경험으로 AI 분석 스킬은 모델 학습만이 아니라 기존 모델을 어떻게 활용하느냐를 포함한다는 걸 배웠습니다.
답변에서 흔히 빠지는 것들 — 빠져 있으면 꼬리질문이 깊어집니다.
이 질문에 이어 넷마블 정보보안 담당 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.