이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
AI 프로젝트에서 데이터 준비가 전체 시간의 절반 이상을 차지한다는 걸 처음엔 실감하지 못했습니다. 실제로 해보니 수집된 데이터가 그대로 쓸 수 있는 형태인 경우는 거의 없었습니다. 먼저 결측치·이상치·중복 여부를 확인하고, 도메인 지식을 바탕으로 어떤 데이터를 제거하고 보정할지 판단하는 단계가 제일 공수가 많이 들었습니다.
훈련/검증/테스트 세트를 분리할 때 시간 순서를 고려하지 않고 무작위로 나눠 시간 누수(data leakage)가 생겼고, 그 오류를 뒤늦게 발견해 처음부터 다시 한 경험이 있습니다. 분리 기준이 잘못되면 모델 성능이 과대평가된다는 것을 그때 배웠습니다. 이후엔 전처리 코드를 파이프라인으로 묶어 재현 가능하게 유지하는 방향을 잡았습니다.
데이터 품질이 모델 성능의 상한선을 결정한다는 게 실제로 맞는 말이었습니다.
AI 프로젝트에서 데이터 품질 문제는 대부분 모델 학습 후에 발견된다는 걸 초반에 경험했습니다.
이미지 분류 프로젝트에서 학습 정확도가 높았는데 현장 테스트에서 성능이 급락했습니다. 원인을 파보니 학습 데이터의 조명 조건이 현장과 달랐고, 라벨러마다 경계 케이스 처리 기준이 달랐습니다. 데이터 준비 단계에서 이 두 가지를 확인하는 체크리스트가 없었던 게 문제였습니다.
이후 저는 데이터 준비 착수 전 수집 환경 조건 명세와 라벨링 가이드 작성을 선행 절차로 두었습니다. 귀찮은 사전 작업처럼 보이지만, 데이터가 쌓인 뒤 이걸 고치려면 전체를 다시 시작해야 한다는 걸 알게 된 뒤로는 빠지지 않게 됐습니다.
데이터 준비에서 제가 가장 솔직하게 인정하는 한계는 '완벽한 데이터'는 없다는 것입니다.
프로젝트 초기엔 데이터를 충분히 정제한 뒤 모델을 만들자는 방향이었지만, 정제 기준을 높일수록 사용 가능한 데이터 수가 줄어드는 딜레마가 생겼습니다. 결국 80% 기준으로 타협하고 나머지는 모델 운영 중 피드백으로 보완하는 방식을 택했습니다.
그 결정 이후 모델 예측이 틀린 케이스를 지속 수집해 재학습 데이터로 활용하는 루프를 구축했고, 3개월 운영 후 정확도가 오히려 올라갔습니다. 데이터 준비는 한 번에 끝내는 게 아니라 운영 중에도 계속된다는 관점으로 전환한 것이 실질적인 개선을 가능하게 했습니다.
답변에서 흔히 빠지는 것들 — 빠져 있으면 꼬리질문이 깊어집니다.
이 질문에 이어 삼성SDI 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.