모델 서빙을 위한 API 개발 경험
머신러닝 모델을 서비스에 연결하기 위해 Spring Boot로 간단한 예측 결과 제공 API를 직접 만든 경험이 있습니다. 모델 학습과 별개로, 결과를 실제 서비스에서 쓸 수 있는 형태로 응답하는 계층이 필요하다는 것을 알게 되어 학습했습니다. API를 만들면서 요청 검증과 예외 처리를 직접 다뤄보니, 모델 성능뿐 아니라 안정적으로 서비스되는 것까지 고려하는 시야를 갖게 됐습니다.
면접관이 이 한 문장으로 확인하려는 것들. 각 갈래를 알면 답의 뼈대가 잡혀요.
머신러닝 모델을 서비스에 연결하기 위해 Spring Boot로 간단한 예측 결과 제공 API를 직접 만든 경험이 있습니다. 모델 학습과 별개로, 결과를 실제 서비스에서 쓸 수 있는 형태로 응답하는 계층이 필요하다는 것을 알게 되어 학습했습니다. API를 만들면서 요청 검증과 예외 처리를 직접 다뤄보니, 모델 성능뿐 아니라 안정적으로 서비스되는 것까지 고려하는 시야를 갖게 됐습니다.
동아리 활동에서 팀 내부용으로 간단한 취약점 점검 결과를 확인할 수 있는 대시보드를 JavaScript로 만들었습니다. 점검 결과를 표로만 공유하니 우선순위 파악이 어려워, 심각도별로 색상을 구분해 시각화했습니다. 개발 자체가 본업은 아니었지만, 필요한 도구를 직접 만들 수 있다는 것이 업무 효율에 큰 도움이 된다는 것을 그때 느꼈습니다.
프로젝트에서 데이터 파이프라인을 담당하며, 결과를 시각화하는 화면이 필요해 백엔드 개발자와 함께 Spring Boot API 설계에 참여한 적이 있습니다. 어떤 데이터를 어떤 형태로 내려줘야 프론트엔드에서 다루기 편한지 함께 논의하며 API 명세를 정했습니다. 직접 코드를 많이 작성하지는 않았지만, 이 경험으로 다른 직군과 소통할 때 필요한 최소한의 기술적 언어를 갖추게 됐습니다.
같은 실수가 반복돼요. 이것만 피해도 절반은 갑니다.
진짜 면접은 두 번째 질문부터예요. 이 답 뒤에 따라올 법한 것들.