이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
대학원 연구 프로젝트로 금융 거래 내역에서 이상 거래를 탐지하는 모델을 만드는 과제에 참여했습니다. 처음에는 도메인 규칙 기반으로 접근하려 했는데, 규칙이 수백 개로 늘어나면서 유지보수가 어렵다는 한계가 분명해졌습니다. 교수님 제안으로 이상 여부를 이진 분류 문제로 바꾸는 방향을 검토했습니다. 가장 어려운 부분은 정상 거래가 압도적으로 많고 이상 거래 레이블이 희소한 상황이었습니다. 이상 케이스 비율이 전체의 약 0.3%에 불과해서 일반 학습으로는 모델이 전부 정상으로 분류해버렸습니다. 오버샘플링 기법을 써봤는데 처음엔 검증 세트가 학습에 영향을 받는 실수를 저질렀습니다. 세트를 분리하고 다시 실험했더니 재현율이 크게 올랐습니다. 금융 도메인에서 모델을 쓰려면 도메인 전문가의 검토를 꼭 거쳐야 한다는 것을 함께 일한 금융 전공 팀원에게서 배웠습니다.
학부 졸업 프로젝트에서 금융 뉴스 텍스트로 주가 방향을 예측하는 실험을 했습니다. 처음엔 긍정·부정 분류만 잘 하면 될 것 같았는데, 막상 해보니 금융 뉴스의 긍정 표현이 일반 감정 분석 모델과 완전히 달랐습니다. 예를 들어 '실적이 예상치를 소폭 하회'라는 문장을 일반 모델은 부정으로 봤지만 시장에선 긍정 신호가 되기도 했습니다. 저는 금융 전문 용어 사전을 만들어 전처리에 추가했고, 도메인 특화 방식으로 사전학습된 공개 모델을 파인튜닝했습니다. 예측 정확도가 기존 대비 약 12포인트 올랐습니다. 다만 뉴스와 주가 사이의 시간 지연을 어떻게 처리할지가 끝까지 불분명했고, 결국 이 부분을 해결하지 못한 채 마무리했습니다. 금융 도메인에서 단어 하나의 의미가 완전히 다를 수 있다는 걸 직접 데이터를 보며 배웠습니다.
개인 사이드 프로젝트로 증권사 공시 문서를 검색하는 도구를 만드는 실험을 했습니다. 처음엔 단순 키워드 검색으로 시작했는데, 사용자가 자연어로 질문했을 때 원하는 문서를 찾지 못하는 경우가 많았습니다. 자연어 질의를 벡터로 변환해 문서와 유사도를 비교하는 방식으로 바꿨는데, 공시 문서의 전문 용어를 일반 모델이 잘 표현하지 못하는 문제가 있었습니다. 공시 문서 약 500건을 직접 임베딩해 벡터 저장소를 만들고, 검색 결과를 언어 모델이 요약해주는 구조로 연결했습니다. 처음엔 요약 결과에 환각이 섞이는 문제가 생겼습니다. 원문 발췌를 함께 보여주는 방식으로 보완했지만 완전한 해결은 아니었습니다. 금융 문서는 숫자와 날짜가 정확해야 해서 환각이 치명적인 도메인이라는 걸 이 실험에서 실감했습니다.
답변에서 흔히 빠지는 것들 — 빠져 있으면 꼬리질문이 깊어집니다.
이 질문에 이어 토스 ML 엔지니어 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.