이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
인턴에서 상품 추천 모델을 개발하는 프로젝트에 참여하였습니다. 사용자 클릭 로그를 기반으로 협업 필터링과 콘텐츠 기반 필터링을 결합한 하이브리드 모델을 만들었습니다. 초기에는 정확도 지표만 보았으나, 실제 클릭률은 오히려 떨어졌습니다. 분석해보니 인기 상품에 편향된 추천이 문제였고, 다양성 지표를 추가하여 결과를 보정하였습니다.
CTR과 다양성 지수를 함께 보는 방식으로 평가 기준을 변경하였습니다. 이커머스에서 AI 모델은 정확도뿐 아니라 비즈니스 지표를 함께 봐야 한다는 것을 배웠으며, 이후 어떤 모델이든 사업 지표와 연결하는 습관이 생겼습니다. 좋은 모델이 좋은 추천이 아닐 수도 있습니다.
금융 데이터 분석 수업 프로젝트에서 연체 예측 모델을 만들었어요. 변수 선택부터 시작해서 LightGBM 기반 분류기를 구성했고, 교차 검증으로 과적합을 줄였습니다. 테스트셋 AUC는 0.87이 나왔는데, 교수님이 실제 금융 환경에선 이 정도 검증으로는 부족하다고 지적했어요. 클래스 불균형 처리와 시간 순서를 고려한 분할이 필요하다는 걸 그때 알게 됐습니다.
모델 성능과 도메인 신뢰성은 다르다는 걸 배웠어요. 금융 같은 고위험 도메인에서는 모델 정확도뿐 아니라 설명 가능성이 함께 요구되고, 그 기준이 다르다는 걸 공부하게 됐습니다. 숫자가 좋아도 맥락이 중요하고, 어떤 도메인에 쓰이는 모델인지가 평가 기준을 결정해요.
이커머스 관련 프로젝트에서 검색 쿼리 의도 분류 모델을 만들었어요. 제품 카테고리와 쿼리를 매핑하는 분류기를 BERT 기반으로 구성했는데, 학습 데이터가 적은 카테고리에서 성능이 크게 떨어졌습니다. 데이터 수집 전략을 바꿔 데이터 증강 기법을 적용했고, 부족한 카테고리는 퓨샷 학습으로 보완했어요. 최종 성능보다 도메인별 성능 분포를 먼저 보는 습관이 그 프로젝트에서 생겼습니다. 평균 지표에 가려진 약점 카테고리를 찾아내는 게 실서비스 품질에 더 중요하다는 걸 배웠어요. 이커머스는 롱테일 카테고리가 많아서 평균보다 하위 성능이 더 중요하다는 것도 그때 처음 이해했습니다.
답변에서 흔히 빠지는 것들 — 빠져 있으면 꼬리질문이 깊어집니다.
이 질문에 이어 토스 AI 리서처 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.