예시 답변 1
약 90초
한국어 불균형 데이터로 NLP 모델 성능 한계 돌파
한국어 감성 분석 프로젝트에서 클래스 불균형 데이터 문제를 해결한 경험이 있습니다. 부정 리뷰가 전체의 8%에 불과해 모델이 항상 긍정으로 예측해도 정확도가 92%인 상황이었습니다. 먼저 평가 지표를 정확도에서 F1-macro로 변경해 문제를 올바르게 정의했습니다.
기술 활용으로 SMOTE 오버샘플링과 클래스 가중치 조정을 실험했고, 최종적으로 FocalLoss로 어려운 샘플에 더 많은 패널티를 부여하는 방식이 가장 효과적이었습니다. 팀원과 함께 데이터 증강을 분담해 나는 역번역(Back-translation)을, 파트너는 동의어 치환을 담당했습니다. 결과 평가로 부정 클래스 F1이 0.31에서 0.78로 향상됐고, 서비스에 투입 가능한 수준이 됐습니다. 이 경험으로 지표 선택이 문제 해결의 출발점임을 체득했습니다.
이 결의 특징
불균형 자체보다 '정확도 92%가 함정'이라는 지표 오해를 먼저 짚고 F1-macro로 문제를 재정의한 흔적이 또렷합니다. FocalLoss로 안착하기까지 SMOTE·가중치를 실패로 거쳐 본 과정이 드러나, 결과만 좋았다는 인상 없이 0.31→0.78이라는 변화가 설득력을 얻는 결이 보입니다.
이 결이 통하는 자리
'왜 정확도가 아니라 F1이었나'를 한 줄로 설명할 수 있고, 역번역 분담처럼 역할이 구체적으로 살아 있을 때 통합니다. 지표 선택이 출발점이었다는 마무리가 추상 교훈이 아니라 실제 분기점으로 읽힐 때, 면접관의 꼬리질문이 줄어드는 결이 보입니다.