데이터 한계를 짚은 답변
약 92초
AI 설계자동화 연구의 기술적 도전으로 데이터 부족·품질 문제를 1인칭 관점으로 설명한다.
제가 AI 기반 설계자동화를 공부하며 가장 큰 도전이라고 본 건, 학습할 데이터 자체가 부족하다는 점이었습니다. 학부 때 작은 설계 추천 모델을 만들어 봤는데, 쓸 만한 도면 데이터를 모으는 데만 한 학기가 걸렸습니다.
건설 도면은 회사마다 표기 방식이 다르고, 같은 구조라도 그리는 습관이 제각각이었습니다. 그래서 모델이 패턴을 배우기 전에, 저는 데이터를 통일된 형식으로 정리하는 데 시간을 다 썼습니다. 한 번은 정제를 대충 했다가, 모델이 엉뚱한 설계를 추천한 실패도 있었습니다.
그 경험으로 저는, 설계자동화의 어려움이 알고리즘보다 데이터를 어떻게 모으고 다듬느냐에 있다고 느꼈습니다. 건설은 사례마다 조건이 너무 달라, 한 현장에서 배운 걸 다른 현장에 그대로 옮기기 어렵다는 점도 큰 벽이라고 봅니다.
이 결의 특징
데이터 정제에 한 학기를 쓴 실제 경험을 통해 '알고리즘보다 데이터 다듬기가 더 어렵다'는 결론을 도출한 흔적이 보입니다. 정제 부실로 인한 엉뚱한 설계 추천 실패가 구체적으로 언급되어 이론 답변과 구분되는 결로 읽힙니다.
면접관이 다음에 할 행동
'한 현장에서 배운 걸 다른 현장에 옮기기 어렵다는 것을 어떻게 해결하려고 생각하나요?'로 도전 인식에서 해결 방향 탐색 질문이 자주 이어지는 자리입니다. 문제 정의가 명확해 다음은 해법 쪽으로 꼬리가 붙습니다.