이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
AI/DT 과제를 고객에게 제공한 경험은 없지만, 졸업 프로젝트에서 감성 분석 모델을 서비스에 붙여서 리뷰 분류를 자동화한 경험이 있습니다.
처음에는 정확도 숫자에만 집중했지만, 실제 사용자가 써보고 '수동으로 하던 분류 작업 시간이 반으로 줄었다'는 피드백을 주었을 때 달라졌습니다. 기술 지표보다 실제 시간 절감이 사용자에게 의미 있는 가치라는 것을 그때 실감했습니다. 정확도 90%짜리 모델보다 사용자가 믿고 쓰는 모델이 더 가치 있다는 것도 깨달았습니다.
AI/DT 과제에서 고객 가치는 정확도 몇 %가 아니라 기존 대비 업무가 얼마나 바뀌었는지로 말해야 한다고 생각합니다. 기술이 아니라 결과로 대화하는 것이 핵심이라고 느꼈습니다. 이 관점을 실무에서도 유지하고 싶습니다.
인턴 때 팀에서 매주 수동으로 보고서를 만드는 작업이 있었어요. 담당자가 매주 금요일 오후 2시간을 여기 쏟고 있었습니다.
파이썬으로 DB에서 데이터를 뽑아 엑셀을 자동 생성하는 스크립트를 만들었어요. 처음엔 출력 형식이 조금 달라서 담당자가 추가로 손봐야 하는 부분이 있었는데, 피드백을 반영하면서 3주 만에 완전히 자동화됐습니다. 첫 번째 버전이 실패했을 때 포기하고 싶었지만 끝까지 잡은 게 잘됐어요.
담당자가 '이제 이 작업에서 해방됐다'고 했어요. AI/DT 과제의 가치는 사람이 더 중요한 일에 집중할 수 있게 해주는 것이라고 생각합니다. 작은 자동화라도 반복 작업에서 사람을 빼내는 것이 실질적인 가치가 돼요.
AI/DT 과제를 통해 고객에게 가치를 제공한 실무 경험은 없지만, 관련 사례를 공부하면서 AI 가치를 어떻게 측정하는지가 핵심이라는 걸 배웠어요.
가장 와닿았던 건 모델 정확도와 비즈니스 임팩트가 꼭 일치하지는 않는다는 점이에요. 정확도가 95%인 모델도 고객이 신뢰하지 않으면 실제로 안 쓰인다는 사례를 읽었을 때 그게 느껴졌습니다.
그래서 AI/DT 가치는 기술 지표가 아니라 고객의 업무가 얼마나 바뀌었는지로 봐야 한다고 생각해요. '시간이 얼마나 줄었는지', '오류가 얼마나 감소했는지' 같은 구체적인 업무 변화로 가치를 이야기하는 것이 고객에게 더 의미 있다고 생각합니다.
답변에서 흔히 빠지는 것들 — 빠져 있으면 꼬리질문이 깊어집니다.
이 질문에 이어 SK inc.(AX) MLOps 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.