이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
취업 준비를 하면서 AI 관련 직무에 관심이 생겨, 국내 인공지능 기본법 제정 논의가 진행 중이라는 뉴스를 접했습니다. 저는 법안 원문을 직접 찾아봤는데, 처음엔 조문이 너무 추상적이어서 뭘 말하는지 잘 몰랐습니다. 그래서 EU AI Act의 위험도 분류 체계(금지·고위험·저위험)와 비교하면서 국내 법안이 어디를 참고했는지를 맥락으로 파악했습니다. 정리하다 보니 국내 법안에서 고위험 AI의 정의 범위가 어디까지인지 아직 불분명하다는 게 느껴졌고, 그 부분을 스터디 자료에 질문으로 남겼습니다. 완전히 이해한 것은 아니지만, 법안을 원문에서 읽어 외부 설명에 의존하지 않는 게 맞는 방향이라고 생각해서 계속 그렇게 하고 있습니다.
학교 데이터 분석 동아리에서 AI 윤리 스터디를 4주 동안 진행한 적이 있는데, 저는 그 모임에서 발표 자료를 한 번 맡았습니다. 제가 맡은 주제는 AI 채용 시스템의 편향 사례였는데, 찾아보니 해외 대형 IT 기업이 이력서 자동 평가 시스템을 운영하다 여성 지원자에게 불리한 패턴이 발견돼 폐기한 사례가 있었습니다. 저는 그 사례를 국내 AI 가이드라인의 공정성 항목과 연결해 발표했는데, 준비하면서 가이드라인의 "공정성" 정의가 얼마나 모호한지를 처음 실감했습니다. 스터디 이후 다른 멤버들이 "이런 사례가 있는 줄 몰랐다"고 한 게 기억에 남고, 저도 그때부터 AI 정책 관련 뉴스가 뜨면 한 번씩 원문을 찾아보는 편이 됐습니다.
졸업 논문 주제로 AI 모델의 신뢰성을 다루면서, 국내 과학기술정보통신부의 AI 신뢰성 가이드라인을 참고했습니다. 처음엔 가이드라인을 참고 문헌 정도로만 봤는데, 실제로 제 모델 설계에 투명성·설명 가능성·안전성 세 가지 항목을 대입해보니 제 모델이 설명 가능성 항목에서 약하다는 걸 발견했습니다. 저는 이 항목을 보완하기 위해 모델 출력에 예측 근거를 텍스트로 출력하는 기능을 추가했고, 지도 교수님이 "이 부분이 논문의 강점"이라고 하셨습니다. 처음엔 가이드라인이 규정집처럼만 보였는데, 실제로 제 작업에 대입해보니 체크리스트보다 훨씬 쓸모가 있었습니다. 이후로 새 기술 가이드라인을 보면 내 작업에 대입했을 때 어디가 약한지를 먼저 보는 게 습관이 됐습니다.
답변에서 흔히 빠지는 것들 — 빠져 있으면 꼬리질문이 깊어집니다.
이 질문에 이어 토스 정보보안 담당 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.