예시 답변 1
약 90초
PyTorch로 이미지 분류 모델 학습
PyTorch를 활용해 의료 이미지 분류 모델을 학습한 경험이 있습니다. ResNet-50을 베이스로 Transfer Learning을 적용했고, 마지막 FC 레이어만 도메인 데이터로 파인튜닝하는 방식을 선택했습니다. 학습 코드는 Dataset, DataLoader, Custom Loss 세 모듈로 분리해 팀원들이 각각 독립적으로 수정할 수 있게 설계했습니다.
성능 평가는 단순 정확도 외에 Precision·Recall·AUC-ROC를 함께 측정했고, 클래스 불균형을 감안해 Weighted F1을 주요 지표로 삼았습니다. 팀원과 역할을 나눠 나는 모델 아키텍처와 학습 루프를, 파트너는 데이터 전처리를 담당했습니다. 결과적으로 AUC가 0.91로 베이스라인 대비 12% 향상됐고, 임상의 검토를 통해 실제 진단 보조 도구로 채택됐습니다. 이 경험으로 의료 도메인 특화 모델 학습의 전 과정을 직접 설계할 수 있었습니다.
이 결의 특징
Dataset·DataLoader·Custom Loss를 세 모듈로 분리해 팀원이 독립적으로 수정할 수 있게 설계했다는 서술이 협업 의식의 흔적으로 남습니다. AUC·Precision·Recall·Weighted F1을 함께 측정한 이유가 클래스 불균형이라는 도메인 특성과 연결돼 있어 지표 선택의 이유가 드러납니다. 임상의 검토를 거쳐 진단 보조 도구로 채택됐다는 결말이 실용적 맥락을 채웁니다.
면접관이 다음에 할 행동
마지막 FC 레이어만 파인튜닝했다는 선택이 언급됐을 때 면접관이 '더 많은 레이어를 파인튜닝했을 때와 비교 실험을 했는가'를 물을 가능성이 있습니다. 레이어 동결 범위를 조절하는 실험과 도메인 데이터 양에 따른 판단 기준이 준비돼 있으면 설계 근거가 명확해지는 흐름이 나타납니다.