이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
자연어 처리 기반 챗봇 개발 프로젝트에서 가장 먼저 설계한 것은 의도 분류(intent classification) 구조였습니다. 사용자 입력을 카테고리로 분류한 뒤 각 의도에 맞는 응답 로직을 연결하는 방식이 전체 흐름의 뼈대가 됐습니다.
대화 흐름 설계에서는 멀티 턴 대화 상태 관리가 핵심 과제였습니다. 이전 발화 맥락을 유지해야 자연스러운 대화가 이어지는데, 세션 단위로 상태를 저장하고 일정 시간 후 자동 만료되는 구조를 적용했습니다.
폴백 처리도 중요했습니다. 어떤 의도에도 해당하지 않는 입력이 오면 자연스럽게 재질문하거나 인간 상담사로 전환하는 경로를 미리 설계해야 했습니다. 불명확한 입력 처리가 사용자 경험의 상당 부분을 차지한다는 것을 직접 경험했습니다.
NLP 챗봇을 운영하면서 의도 분류 모델이 틀리는 경우를 줄이는 것이 생각보다 어렵다는 것을 경험했습니다. 학습 데이터에 없는 표현 방식으로 질문이 들어오면 엉뚱한 의도로 분류되는 경우가 생겼습니다. 틀린 분류를 발견했을 때 해당 케이스를 학습 데이터에 추가해서 다시 학습시키는 피드백 루프가 필요하다는 것을 알게 됐는데, 이 작업이 꾸준히 이뤄지지 않으면 챗봇 성능이 점점 기대에 못 미치게 됩니다. 도메인 밖의 질문도 문제였는데, 챗봇의 범위를 벗어난 질문을 받았을 때 어떻게 응답할지 정해두지 않으면 이상한 답변이 나오거나 아무 응답이 없는 상태가 됩니다. 이런 케이스를 위해 이 질문은 제가 답하기 어렵습니다라는 식으로 명확하게 한계를 인정하는 폴백 응답이 오히려 사용자 신뢰를 유지한다는 것을 배웠습니다. 챗봇의 품질은 정확도뿐 아니라 틀렸을 때 어떻게 대응하는지가 사용자 경험을 결정한다는 것을 이 경험에서 배웠습니다.
NLP 챗봇에서 사용자가 원하는 것을 파악하는 데 의도 분류만큼이나 어떤 정보를 담았는지 추출하는 것도 중요했습니다. 날짜·시간·장소가 포함된 요청에서 각각을 분리해 추출해야 예약 흐름을 이어갈 수 있었는데, 추출이 실패하면 챗봇이 필요한 정보를 다시 물어봐야 하는 상황이 됩니다. 이 과정이 자연스럽지 않으면 사용자가 불편해했습니다. 대화 상태 관리도 중요했는데, 사용자가 중간에 다른 주제로 넘어갔다가 돌아오는 경우 이전 맥락을 얼마나 유지할지 결정이 필요했습니다. 너무 오래 상태를 유지하면 이전 대화 정보가 새 의도에 간섭했고, 너무 빨리 초기화하면 사용자가 반복해서 정보를 입력해야 했습니다. 세션 만료 시간을 적절히 설정하고 주제가 바뀌는 것을 감지했을 때 의도적으로 초기화하는 방식이 균형점이었습니다. 챗봇 설계는 단순 질답 연결이 아니라 대화 흐름의 상태를 어떻게 관리할지가 품질을 결정한다는 것을 이 경험에서 배웠습니다.
답변에서 흔히 빠지는 것들 — 빠져 있으면 꼬리질문이 깊어집니다.
이 질문에 이어 누아 ML 엔지니어 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.