이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
NLP 기술을 검색에 통합한 경험에서 첫 번째로 시도한 것은 의도 분류였습니다. 사용자 검색어를 카테고리로 분류하는 모델을 추가하니 질문형 쿼리와 키워드형 쿼리를 다르게 처리할 수 있었고, 각각에 맞는 결과를 보여주는 구조가 됐습니다.
두 번째로 적용한 것은 임베딩 기반 유사도 검색이었습니다. 정확한 키워드가 없어도 의미적으로 유사한 문서를 찾을 수 있어 사용자 검색 만족도가 올랐습니다. 벡터 인덱스를 직접 구축하지 않고 벡터 DB를 활용해 초기 구현 시간을 줄였습니다.
다만 NLP 모델 통합 후 레이턴시가 늘어나는 문제가 생겼습니다. 이를 해결하기 위해 자주 검색되는 쿼리 결과를 캐싱하는 레이어를 추가했고, 처음 요청 이후에는 모델 추론 없이 빠르게 응답할 수 있었습니다.
NLP 기반 검색을 운용하면서 임베딩 모델을 업데이트했을 때 발생하는 비용을 과소평가했다는 것을 알게 됐습니다. 더 나은 임베딩 모델이 나와서 교체를 시도했는데, 문서 전체를 새 모델로 다시 임베딩해 인덱스를 재빌드해야 했습니다. 수백만 건의 문서를 다시 처리하는 데 걸리는 시간과 비용이 예상보다 컸습니다. 이 경험에서 모델 교체 전에 nDCG 같은 검색 품질 평가 지표로 개선 효과를 먼저 측정하고, 효과가 충분할 때만 교체하는 전략이 중요하다는 것을 배웠습니다.
임베딩 모델은 한번 선택하면 교체 비용이 크기 때문에 초기 선택을 신중하게 해야 하는 결이 있다는 것을 이 경험에서 배웠습니다.
NLP 기반 검색을 개선하면서 키워드 검색과 의미 기반 검색 중 어느 것이 더 나은지 고민했습니다. 키워드 검색(BM25)은 정확한 단어가 있을 때 강하지만, 비슷한 의미의 다른 단어는 찾지 못하는 결이 있었습니다. 반대로 임베딩 기반 검색은 의미는 잘 찾지만, 정확한 고유명사나 코드 이름 검색에서 키워드 검색보다 떨어지는 경우가 있었습니다. 두 방식을 결합하는 하이브리드 검색을 적용했더니, 둘 중 어느 방식도 단독으로는 못 잡던 케이스들을 함께 커버할 수 있게 됐습니다.
단일 방식에 의존하기보다 결합이 더 나은 결과를 만드는 경우가 있다는 것을 이 경험에서 배웠습니다. 가중치 조정은 품질 평가 지표로 확인했습니다.
답변에서 흔히 빠지는 것들 — 빠져 있으면 꼬리질문이 깊어집니다.
이 질문에 이어 라인 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.