예시 답변 1
약 90초
이미지 라벨링 도구 활용과 품질 관리 학습
AI/ML 데이터셋 라벨링 경험으로 객체 탐지 모델 학습용 이미지 데이터셋 구축에 참여했습니다. Label Studio를 활용해 바운딩 박스 어노테이션을 진행했고, 라벨러 5명이 병렬로 작업하는 환경에서 품질을 관리했습니다. 다룬 데이터셋은 산업 현장 이미지 약 20,000장으로, 조명·각도 다양성이 크고 소형 객체 탐지가 까다로운 특성이 있었습니다. 이 경험에서 배운 가장 큰 점은 라벨러 간 경계 기준이 다를 때 모델 성능이 크게 흔들린다는 것입니다. 이후에는 라벨러 캘리브레이션 세션을 도구 시작 전에 운영하고, 일치율을 주기적으로 측정하는 것이 품질의 기반임을 체득했습니다.
이 결의 특징
Label Studio로 바운딩 박스 작업을 5명 병렬로 돌린 환경이 구체적이고, 산업 현장 이미지 2만 장의 조명·각도 다양성과 소형 객체 난점을 짚은 점이 또렷합니다. 라벨러 간 경계 기준이 다르면 모델 성능이 흔들린다는 배운 점이, 도구 자랑이 아닌 품질 관리 학습으로 읽히게 하는 결이 보입니다.
이 결이 통하는 자리
작업 시작 전 캘리브레이션 세션을 운영하고 일치율을 주기적으로 측정한 흐름이 살아 있을 때 통합니다. 도구를 무엇 때문에 골랐고 무엇을 배웠는지가 또렷한 자리에서 면접관의 꼬리질문이 줄어드는 결이 보입니다.