이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
저는 모델보다 불량맵의 성질부터 봅니다. 웨이퍼 불량은 낱개 점이 아니라, 가장자리에 몰리거나 원형·긁힌 줄 같은 공간 패턴으로 나타납니다. 즉 어디에 어떤 모양으로 모이는지가 핵심이라, 이미지의 공간 구조를 보는 합성곱 기반 분류가 출발점으로 맞다고 봅니다. 다만 진짜 어려움은 모델이 아니라 데이터 불균형입니다. 정상 웨이퍼는 넘치고 특정 불량 유형은 매우 드물어, 그냥 학습하면 드문 불량을 다 정상이라 찍어도 정확도가 높게 나옵니다. 그래서 증강을 그 패턴 성질에 맞춰 씁니다. 불량 패턴은 웨이퍼를 돌리거나 뒤집어도 같은 불량이므로 회전·반전 증강이 의미를 해치지 않아 드문 유형을 늘리는 데 적합합니다. 평가도 정확도가 아니라 드문 불량을 놓친 비율을 따로 봅니다. 못 잡는 신규 패턴은 사람 검수로 모아 다시 학습하는 고리를 둡니다.
저는 이 문제의 승부처를 드문 불량 데이터를 어떻게 채우느냐로 봅니다. 모델 구조는 공간 패턴을 보는 합성곱 분류면 출발로 충분하고, 진짜 어려움은 유형별로 데이터 양이 크게 차이 난다는 점입니다. 어떤 불량은 수천 장, 어떤 건 수십 장뿐입니다. 그대로 학습하면 적은 유형은 사실상 못 배웁니다. 그래서 증강을 부족한 유형에 집중합니다. 회전·반전처럼 물리적으로 같은 불량을 보존하는 변형으로 드문 유형을 늘리고, 그래도 부족하면 비슷한 패턴을 합성해 보태되 사람이 그게 진짜 같은 유형인지 검수합니다. 무작정 늘리면 현실에 없는 패턴을 배우는 위험이 있어서입니다. 평가는 전체 정확도가 아니라 유형별로 얼마나 놓치는지를 봅니다. 핵심은 모델보다, 드문 유형을 의미를 안 해치고 채우는 것이라고 봅니다.
설계 전에 저는 어떤 실수가 더 비싼지부터 정합니다. 불량맵 분류는 불량을 정상이라 흘려보내는 것과 정상을 불량이라 잡는 것의 비용이 다릅니다. 보통 놓침이 훨씬 비싸 그쪽을 줄이는 방향으로 모델과 평가를 잡습니다. 모델은 공간 패턴을 보는 합성곱 분류에서 시작하되, 드문 불량 유형을 못 배우는 불균형이 핵심 난점이라 거기에 증강을 씁니다. 회전·반전 같은 불량의 의미를 보존하는 변형만 쓰고, 현실에 없는 모양을 만들 수 있는 과한 변형은 피합니다. 평가도 전체 정확도가 아니라 비싼 실수인 놓침 비율을 핵심 지표로 둡니다. 잘 된다고 단정하지 않고, 못 잡는 새 패턴이 나올 것을 전제로 사람 검수와 재학습 고리를 같이 둡니다. 핵심은 비싼 실수를 기준으로 모델·증강·평가를 한 방향으로 맞추는 것입니다.
답변에서 흔히 빠지는 것들 — 빠져 있으면 꼬리질문이 깊어집니다.
이 질문에 이어 토스 프론트엔드 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.