이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
IoT 관련 졸업 논문에서 온습도 센서 데이터를 수집하고 분석하는 시스템을 만들었습니다. 5초마다 데이터가 들어오는 구조라서 저장소는 InfluxDB를 써봤는데, 시계열 데이터에 맞는 저장 구조가 쿼리 성능에서 차이를 만들었습니다. 전처리 단계에서는 센서 오작동으로 튀는 값이 들어오는 경우가 있어서, 이전 5개 값과 비교해 임계치 초과 시 이상치로 표시하는 로직을 추가했습니다. 분석 쪽에서는 이동 평균으로 단기 트렌드를 추출했고, 온도가 일정 기준을 넘으면 알림을 보내는 임계값 알림을 구현했습니다. 데이터가 시간 순서로 쌓이는 특성상 파티션 설계와 보존 정책을 처음부터 생각해야 한다는 걸 배웠습니다.
시계열 데이터는 쌓이는 속도보다 쓸모 있는 패턴을 뽑는 설계가 먼저라는 걸 그 프로젝트에서 배웠습니다.
수업 프로젝트에서 스마트워치 가속도 센서 데이터로 걸음 수를 검출하는 알고리즘을 구현했습니다. 센서가 0.02초마다 3축(X/Y/Z) 가속도 값을 보내는 구조라 초당 150개의 데이터 포인트가 쌓였습니다. 저장은 SQLite에서 시작했는데, 윈도우 슬라이딩 연산에서 성능이 부족해 Pandas와 NumPy로 인메모리 처리 방식으로 전환했습니다. 전처리에서 가장 까다로웠던 것은 노이즈 처리였습니다. 손을 가볍게 흔들어도 걸음으로 오인식하는 케이스가 많아, 로우패스 필터를 적용하고 피크 감지 임계값을 튜닝했습니다. 최종 걸음 수 오차율이 5% 이하로 줄었는데, 가장 효과적이었던 것은 튜닝 방향을 실제 보행과 대조하는 것이었습니다. 시계열 데이터는 도메인 지식 없이 숫자만 보면 패턴 해석이 어렵다는 것을 배웠습니다.
졸업 프로젝트에서 공장 IoT 센서 로그를 실시간으로 수집해 이상 가동 여부를 감지하는 파이프라인을 만들었습니다. 기계마다 다른 주기로 데이터를 보내 시간 정렬(Time Alignment) 전처리가 먼저 필요했습니다. 각 센서 타임스탬프를 기준으로 1분 단위 윈도우에 집계한 뒤 이상치 감지를 적용했습니다. 특성 중 가장 까다로웠던 것은 가동 시간대의 계절성이었습니다. 주간·야간 교대 근무에 따라 센서 값의 정상 범위가 달라졌고, 글로벌 임계값으로는 야간 오탐이 많았습니다. 시간대별 기준값을 분리해 적용하자 오탐률이 절반 이하로 줄었습니다. 지표로는 탐지 정밀도와 재현율 모두 추적했는데, 정밀도만 보면 기준을 높여 놓치는 케이스가 늘어나는 트레이드오프를 실감했습니다. 시계열의 맥락을 먼저 이해해야 의미 있는 임계값이 나온다는 것을 배웠습니다.
답변에서 흔히 빠지는 것들 — 빠져 있으면 꼬리질문이 깊어집니다.
이 질문에 이어 삼성전자 SW·IT 일반 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.