A
약 75초
경험 중심 1인칭 답변
졸업 프로젝트로 음악 추천 시스템을 구현하면서 음악 메타데이터를 처음 깊게 다뤘습니다. 여러 공개 API에서 곡 정보를 수집했는데, 동일한 곡임에도 아티스트명 표기가 제각각이고, 장르 분류가 플랫폼마다 다른 문제가 있었습니다.
가장 많이 투자한 작업은 메타데이터 정규화였습니다. 아티스트명 이표기를 제거하는 규칙 세트를 만들었고, 장르 태그는 공개 데이터셋과 교차 매핑해 일관된 분류 체계를 만들었습니다. 이 과정에서 데이터 품질이 추천 정확도에 직결된다는 걸 실감했습니다. 정규화 전후로 협업 필터링 모델의 정밀도가 약 8%p 올랐습니다.
역할 면에서는 데이터 수집·전처리를 주로 맡았고, 팀원 2명과 역할을 분담해 모델 학습과 UI는 나눠 진행했습니다. 주간 리뷰 때마다 데이터 이슈를 시각화해 공유했고, 덕분에 팀 전체가 같은 데이터 상태를 보며 의사결정할 수 있었습니다.
이 경험을 통해 음악처럼 창작물 메타데이터는 구조화가 까다롭지만 그만큼 잘 정리됐을 때 서비스 품질에 미치는 영향이 크다는 걸 배웠습니다. 이후 데이터 파이프라인을 설계할 때 항상 입력 데이터 품질 검증을 첫 단계로 넣습니다.