이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
AI 서비스를 직접 기획한 경험은 없지만, 인턴 기간에 AI 기반 도구를 업무에 적용해 보는 실험을 팀에서 진행할 때 참여한 적이 있습니다. 당시 팀에서 반복적인 데이터 정리 업무에 LLM 기반 자동 분류 기능을 시범 도입하는 시도를 했고, 저는 테스트 케이스를 정리하고 결과를 검증하는 역할을 맡았습니다. 처음에는 분류 정확도가 기대보다 낮았는데, 입력 데이터 형식 통일이 핵심 원인임을 파악해 팀에 공유했습니다. 입력이 정리되자 정확도가 눈에 띄게 올라갔습니다. AI 도구는 성능보다 데이터 품질과 입력 구조가 결과를 결정한다는 것을 그 경험에서 배웠습니다. 지금도 AI 도구를 도입할 때 입력 데이터 전처리를 먼저 점검합니다.
학과 프로젝트에서 AI 기반 텍스트 요약 도구를 기획하는 과제를 팀과 함께 진행했습니다. 처음에는 모델 정확도에 집중했는데, 실제로 써보니 출력 형식이 사용자가 원하는 방식과 달라서 아무도 쓰지 않았습니다. 사용자가 어떤 형태로 요약 결과를 받기를 원하는지를 먼저 확인하지 않았던 것이 원인이었습니다. 이후 팀원들에게 먼저 '어떤 형식으로 나오면 쓰겠는가'를 물어보고 출력 형식을 바꿨더니 활용도가 달라졌습니다. AI 툴 기획에서 모델 성능보다 사용자가 실제로 쓸 수 있는 출력 형식을 먼저 설계해야 한다는 걸, 그때 배웠습니다. 아무리 정확한 모델이라도 사용자가 결과를 어떻게 쓸 것인지를 먼저 정의하지 않으면 활용이 안 된다는 걸 직접 확인했습니다.
AI 툴을 직접 만들어보려고 오픈소스 LLM API를 활용한 간단한 챗봇을 제작한 적이 있습니다. 예상보다 결과가 일관되지 않았고, 같은 질문을 여러 번 했을 때 답이 달라지는 문제가 있었습니다. 원인을 찾다 보니 프롬프트 설계가 출력 안정성에 직접 영향을 준다는 걸 알게 됐습니다. 모델 자체보다 어떻게 질문을 구성하는가가 결과 품질을 결정한다는 걸, 그때 처음 이해했습니다. 그 경험을 통해 AI 서비스를 사용할 때도 프롬프트 설계가 단순한 사용 방법이 아니라 제품 품질과 연결된다는 걸 이해하게 됐습니다. 직접 만들어봐야 보이는 한계가 있다는 걸, 그때 배웠습니다.
답변에서 흔히 빠지는 것들 — 빠져 있으면 꼬리질문이 깊어집니다.
이 질문에 이어 올거나이즈 기술영업 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.