이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
상용 프로덕션 AI/ML 실무는 없습니다. 학부 캡스톤에서 작은 분류 모델을 8주 동안 학습·평가·시연한 자리가 가장 가까운 경험입니다.
데이터 12만 건·5개 피처·간단 CNN으로 정확도 88%까지 올린 자리가 있었습니다. 그 88%가 중복 1,200건으로 부풀려진 자리였고, 중복 제거 후 73%로 떨어졌지만 그 숫자가 진짜였습니다. 모델 서빙은 FastAPI로 감싸고 Docker 컨테이너에 올린 자리까지 갔습니다.
첫 자리에 데이터 점검을 빠뜨린 실패가 있었고, 그 일이 데이터 → 모델 → 서빙이라는 순서를 만들었습니다. 실무에서도 사수의 양식과 순서를 첫 자리에서 손에 익히고, 그 흐름이 매일의 자세로 굳어지게 만드는 자리부터 들어가고 싶습니다.
AI/ML 프로덕션 적용에서 챙겨야 한다고 본 자리는 네 곳입니다.
첫째, 데이터 정합성·중복 점검. 학습·검증 분리. 둘째, 모델 학습·평가의 재현 가능성. 시드·환경 잠금. 셋째, 모델 서빙·API. FastAPI·gRPC로 호출 가능한 자리. 넷째, 드리프트 감시와 재학습 정책. 시간이 지나면 성능이 떨어지는 자리.
캡스톤에서 4단계 드리프트를 안 본 실패가 있었고, 시간이 지난 데이터로 성능이 떨어진 자리가 있었습니다. 그 일이 배포 후 모니터링까지라는 자세를 만들었습니다. 실무에서도 사수의 양식과 순서를 첫 자리에서 손에 익히고, 그 흐름이 매일의 자세로 굳어지게 만드는 자리부터 들어가고 싶습니다. 그 자세는 어떤 자리에서도 같은 결을 만든다고 봤고, 새 직무에서도 첫 한 달의 작은 자리에서부터 그 결을 그대로 가져가는 자세로 들어가고 싶습니다.
프로덕션 ML의 본체는 모델 학습이 아니라 운영이라는 걸 캡스톤에서 봤습니다.
학습은 8주 중 2주·운영 코드는 6주가 걸린 자리였습니다. 서빙·로깅·모니터링·재학습 파이프라인이 프로덕션 ML의 본체였습니다.
첫 자리에 학습만 본 실패가 있었고, 서빙 단계에서 다시 한 자리가 있었습니다. 그 일이 프로덕션은 학습 이후가 더 길다는 자세를 만들었습니다. 실무에서도 사수의 서빙·MLOps 양식부터 익히고 싶습니다. 실무에서도 사수의 양식과 순서를 첫 자리에서 손에 익히고, 그 흐름이 매일의 자세로 굳어지게 만드는 자리부터 들어가고 싶습니다. 그 자세는 어떤 자리에서도 같은 결을 만든다고 봤고, 새 직무에서도 첫 한 달의 작은 자리에서부터 그 결을 그대로 가져가는 자세로 들어가고 싶습니다.
답변에서 흔히 빠지는 것들 — 빠져 있으면 꼬리질문이 깊어집니다.
이 질문에 이어 토스 백엔드 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.