이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
저는 모델보다 불량의 특성부터 봅니다. 불량 검출의 핵심 어려움은 정상은 넘치고 불량은 드물다는 것입니다. 그래서 데이터 수집 단계에서 드문 불량을 어떻게 충분히 모으느냐가 1순위입니다. 그냥 쌓으면 정상만 잔뜩 모입니다. 그래서 불량이 났을 때를 따로 표시해 모으고, 종류별로 너무 적은 불량은 별도로 더 확보하는 흐름을 둡니다. 모델은 그다음입니다. 데이터가 한쪽으로 쏠려 있으니, 정확도 하나로 보면 다 정상이라 찍어도 높게 나오는 함정이 있어 불량을 놓친 비율을 따로 봐야 합니다. 배포 후가 더 중요합니다. 현장은 조명·각도가 바뀌면 멀쩡한 걸 불량으로 보거나 그 반대가 생기므로, 현장 판정을 다시 모아 주기적으로 재학습하는 고리를 둡니다. 다만 모델이 애매하다고 한 건 사람이 마지막에 보게 남겨, 놓침의 비용이 큰 불량은 자동에만 맡기지 않습니다.
저는 처음부터 크게 만들지 않습니다. 불량 검출은 현장에 붙여 보기 전엔 진짜 성능을 모릅니다. 그래서 데이터는 가장 자주 나고 비용이 큰 불량 한두 종류부터 모아 시작합니다. 전 종류를 한 번에 다루려 하면 어느 것도 충분히 못 모읍니다. 모델은 그 좁힌 범위로 먼저 만들되, 정상을 불량이라 한 비율과 불량을 놓친 비율을 나눠 봅니다. 둘의 비용이 다르기 때문입니다. 보통 놓침이 더 비싸 그쪽을 줄이는 방향으로 잡습니다. 배포는 바로 자동 판정에 맡기지 않고, 한동안 사람 판정과 나란히 돌려 차이를 본 뒤 신뢰가 쌓이면 넘깁니다. 다만 현장 조건이 바뀌면 성능이 떨어지므로, 떨어지는 신호를 감지해 재학습하는 장치를 같이 둡니다. 핵심은 좁게 시작해 검증하며 넓히는 것이라고 봅니다.
설계 전에 저는 어떤 실수가 더 비싼지부터 정합니다. 불량 검출은 두 실수가 있습니다. 불량을 정상이라 흘려보내는 것과 정상을 불량이라 잡아 멈추는 것입니다. 보통 놓침이 훨씬 비싸지만, 과검출이 잦으면 현장이 경보를 안 믿게 되는 비용도 큽니다. 이 둘의 균형이 설계 전체를 좌우합니다. 데이터는 놓치면 안 되는 불량부터 충분히 모으고, 모델은 정확도가 아니라 그 두 실수 비율로 평가합니다. 배포는 놓침 비용이 큰 라인은 사람 검수를 끼우고, 과검출만 문제인 라인은 자동 비중을 높이는 식으로 라인별로 다르게 갑니다. 운영에서는 현장 조건이 바뀌어 두 실수 비율이 흔들리는지를 보고 재학습합니다. 잘 된다고 단정하지 않고, 못 잡는 경우를 전제로 그 비용을 어디서 흡수할지까지가 설계라고 봅니다.
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.