이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
졸업 프로젝트로 식물 잎 이미지를 분류해서 병충해 여부를 알려주는 웹앱을 만들었습니다. 모델 학습보다는 기존 모델을 가져다가 실제 서비스에 연결하는 경험에 집중하였습니다.
사전학습된 ResNet 모델을 파인튜닝해서 5종 병충해를 분류하도록 추가 학습을 하였습니다. 데이터는 공개 데이터셋 3,200장을 사용하였습니다. 분류 정확도가 첫 시도에서 62%였다가 데이터 증강을 적용하고 나서 81%로 올랐습니다. 실패는 처음에 검증 데이터와 학습 데이터 분리를 제대로 하지 않아서 과적합인지 아닌지 판단을 못 한 것이었는데, 분리 후 실제로 과적합이 있었다는 것을 확인하고 드롭아웃을 추가하였습니다.
기존 모델을 재사용하는 것도 데이터 준비와 평가 설계를 잘 해야 의미 있는 결과를 만든다는 것을 그 프로젝트에서 배웠습니다.
팀 프로젝트에서 온라인 쇼핑몰 리뷰를 긍정·부정·중립으로 분류하는 도구를 만들었습니다. 처음부터 모델을 학습시키기보다 언어 모델 API를 활용해서 빠르게 만들어보는 방향을 택했어요.
프롬프트에 리뷰 텍스트와 분류 기준을 넣고 응답을 파싱하는 방식으로 구현했는데, 처음에는 분류 결과가 들쑥날쑥했습니다. 프롬프트에 예시를 3개씩 넣는 퓨샷 방식으로 바꿨더니 일관성이 크게 높아졌어요. 400개 리뷰로 테스트했을 때 수동 라벨과 일치율이 88%였습니다. 실패는 중립 리뷰가 긍정 또는 부정으로 자주 잘못 분류되는 패턴이 있었는데, 중립의 기준을 프롬프트에 더 명확하게 넣고 나서야 개선됐어요.
API로 빠르게 만들어보는 방식이 좋았던 건, 실제 결과를 보면서 프롬프트를 개선하는 반복 속도가 빠르다는 점이었습니다.
개인 프로젝트에서 독서 기록 앱에 '비슷한 책 추천' 기능을 붙였습니다. 복잡한 추천 시스템 대신 텍스트 유사도를 계산하는 간단한 방식을 택했어요.
책 소개 텍스트를 임베딩으로 변환하고, 코사인 유사도로 입력한 책과 가장 가까운 책 5권을 추출하는 방식이었습니다. 초반에는 제목만 임베딩했더니 비슷한 단어가 들어간 책이 묶이는 문제가 있었고, 소개 전체 텍스트로 바꿨더니 장르·주제 기반으로 더 의미 있는 유사도가 나왔어요. 실패는 모든 책을 매번 실시간으로 계산하다 보니 응답 속도가 느려진 것이었는데, 사전에 임베딩을 계산해두고 캐시하는 방식으로 바꿨습니다.
단순한 방법이라도 데이터를 어떻게 입력하느냐에 따라 결과가 크게 달라진다는 걸 그 프로젝트에서 느꼈어요.
답변에서 흔히 빠지는 것들 — 빠져 있으면 꼬리질문이 깊어집니다.
이 질문에 이어 누아 프론트엔드 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.