이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
수업 프로젝트에서 타이밍 클로저 예측 모델을 간단히 만들어본 적이 있습니다. 합성 후 수집한 슬랙 히스토그램을 피처로 써서 플로어플랜 변경 전후 타이밍 변화를 회귀 모델로 예측하는 시도였습니다. 데이터가 100개 미만이라 오버피팅이 문제였고, 피처 수를 줄이고 교차 검증을 추가해 일반화 성능을 높였습니다. 예측 오차가 실제 합성 결과와 5% 이내로 맞아 탐색 비용을 줄이는 데 도움이 됐고, 실험 횟수를 절반 이하로 줄이는 데 기여했습니다.
ML 활용은 데이터 품질과 피처 해석 가능성이 함께 갖춰져야 설계 흐름에서 믿고 쓸 수 있는 도구가 된다는 결을 얻었습니다.
학부 수업에서 불량 예측 분류 모델을 만들어 테스트했는데, 검증 데이터에서 정확도가 95%로 높게 나왔습니다. 그런데 실제 테스트 케이스에 적용했더니 불량을 절반 이상 놓치는 결과가 나왔습니다. 검증 데이터를 훈련 데이터와 같은 조건에서 수집했기 때문에 분포 차이가 없었던 것이 원인이었습니다. 실제 환경의 샘플을 별도로 모아 다시 검증했더니 정확도가 72%로 떨어졌습니다.
모델 정확도는 어떤 데이터로 측정했느냐에 따라 완전히 다른 수치가 나올 수 있습니다. ML 활용에서 검증 데이터의 대표성이 성능 수치만큼 중요합니다. 이 경험에서 ML 결과를 신뢰하기 전에 검증 데이터가 실제 상황을 제대로 반영했는지 먼저 점검하는 습관이 생겼습니다.
수업 프로젝트에서 시뮬레이션 출력값을 예측하는 ML 모델을 만들려고 할 때, 처음에는 측정 가능한 변수를 전부 피처로 넣었습니다. 변수가 20개가 넘었고 모델은 훈련에서는 잘 맞았지만 새 데이터에서 예측이 불안정했습니다. 피처 간 상관 분석을 해보니 상관이 높은 변수들이 많아 같은 정보를 중복으로 넣고 있었습니다. 상관이 낮으면서 타겟 변수와 관계가 있는 8개만 남겼더니 모델이 더 안정적이 됐습니다.
피처가 많다고 좋은 모델이 되지 않습니다. ML에서 무엇을 입력으로 쓸지 고르는 것이 모델 성능을 결정하는 핵심 단계입니다. 이 경험에서 ML 모델 개발은 알고리즘 선택보다 피처 선별에서 더 많은 시간을 써야 한다는 걸 배웠습니다.
답변에서 흔히 빠지는 것들 — 빠져 있으면 꼬리질문이 깊어집니다.
이 질문에 이어 삼성전자 반도체 공정설계 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.