이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
AI 프로젝트에서 사용한 모델은 분류 문제에서 랜덤 포레스트와 XGBoost입니다. 데이터 불균형이 있었고 특성 중요도를 빠르게 파악해야 했기 때문에, 앙상블 기반 모델이 초기 탐색에 적합했습니다. 선형 모델로 먼저 베이스라인을 만들고, 이후 트리 기반 모델로 성능을 높이는 순서로 진행했습니다. 회귀 문제에서는 LASSO를 사용해 불필요한 특성을 자동으로 제거했고, 과적합을 줄이는 데 효과적이었습니다. 모델 선택 기준은 성능 지표뿐 아니라 해석 가능성도 함께 고려했습니다. 의사결정자에게 모델 결과를 설명해야 하는 상황에서는 블랙박스보다 해석 가능한 모델이 더 유용합니다.
AI 프로젝트에서 모델 선택은 성능보다 설명 가능성이 중요한 경우가 있다는 걸 배웠습니다.
불량 예측 시스템을 구축할 때, 딥러닝 모델이 XGBoost보다 정확도가 3% 높았습니다. 하지만 현장 엔지니어들이 '왜 이 제품이 불량으로 예측됐는지' 이해할 수 없다면 모델을 신뢰하지 않는다는 문제가 있었습니다. 결국 XGBoost를 선택했고, 변수 중요도를 시각화해 엔지니어들이 이해할 수 있게 했습니다.
이후 정확도가 높은 모델과 설명이 가능한 모델 중 무엇이 더 가치 있는지는 사용자가 누구인지에 달려 있다는 원칙을 가지게 됐습니다. 모델보다 모델을 쓸 사람을 먼저 이해하는 것이 선택의 핵심입니다.
모델을 선택하고 배포한 뒤가 진짜 시작이라는 걸 처음 배포 경험에서 배웠습니다.
분류 모델을 프로덕션에 올렸는데, 처음 2주는 정상이었지만 한 달 뒤부터 성능이 서서히 떨어졌습니다. 데이터 드리프트였습니다. 학습 시점의 데이터 분포와 실제 서비스 데이터가 달라지고 있었습니다. 모니터링 없이 배포만 한 것이 문제였습니다.
이후 저는 모델 배포 시 주요 입력 변수 분포와 예측 신뢰도를 주 단위로 추적하는 모니터링 대시보드를 함께 구축하는 방식을 기본으로 삼았습니다. 모델은 배포 후에도 살아있는 시스템처럼 관리돼야 한다는 게 그 경험이 남긴 가장 큰 교훈입니다.
답변에서 흔히 빠지는 것들 — 빠져 있으면 꼬리질문이 깊어집니다.
이 질문에 이어 삼성증권 공통직무·미지정 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.