이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
모델 학습 프로젝트에서 개인정보가 포함된 데이터를 다룰 때 가장 먼저 한 건 식별 정보 제거였습니다. 이름·이메일·전화번호 같은 직접 식별자는 학습 전 전처리 단계에서 마스킹 또는 삭제했고, 모델이 개인을 역추적할 수 있는 패턴을 학습하지 않도록 데이터 샘플링 방식도 조정했습니다. 규정 측면에서는 수업에서 배운 GDPR의 데이터 최소화 원칙을 기준으로 삼았고, 학습에 꼭 필요한 특성만 포함하는 방향으로 설계했습니다. 또 모델 가중치를 외부에 공유할 때는 모델 역변환으로 학습 데이터가 복원될 가능성을 고려해 접근 권한을 제한했습니다. 보안은 모델이 완성된 후가 아니라 데이터 수집 시점부터 설계에 포함되어야 한다고 생각합니다.
보안은 데이터 수집 시점부터 설계에 포함되어야 완성 후 패치하는 비용을 줄입니다.
ML 모델 학습에서 데이터 거버넌스의 첫 단계는 학습 데이터에 누가 접근할 수 있는지를 명확히 통제하는 것입니다. 개인정보나 민감 데이터가 포함된 학습셋에는 역할 기반 접근 제어(RBAC)를 적용해서 데이터 엔지니어·ML 엔지니어·감사자의 권한을 분리합니다.
RBAC(Role-Based Access Control) 가 데이터 노출 범위를 최소화하는 기본 보안 설계입니다. 학습 파이프라인 자동화 과정에서 서비스 계정에 과도한 권한이 부여되는 경우가 생기는데, 이를 방지하기 위해 최소 권한 원칙을 파이프라인 구성 단계부터 적용합니다. 접근 이력 로그를 저장해 두면 나중에 감사나 컴플라이언스 점검 시에도 학습 과정 전체를 추적할 수 있습니다.
보안은 모델이 배포된 이후가 아니라 데이터 수집 단계부터 시작됩니다. RBAC 적용이 학습 데이터 보안 준수의 실질적인 출발점입니다.
모델 보안에서 학습 단계만큼 중요한 것이 배포 이후에 어떤 데이터가 어떻게 추론에 사용됐는지를 추적하는 것입니다. 모델 감사 로그(Audit Log) 는 추론 요청의 입출력 이력을 기록해 나중에 이상 탐지나 컴플라이언스 검토에 활용됩니다. 개인정보 관련 규정(GDPR, 개인정보보호법 등)이 적용되는 서비스에서는 처리 내역을 추적 가능한 형태로 보존하는 것이 규정 준수의 기본입니다.
설명 불가 상태에서는 규정 위반이 발생해도 원인 파악이 어렵습니다. 추론 로그를 구조화된 형식으로 저장하고, 주기적으로 이상 패턴을 모니터링하면 보안 사고를 사후에 추적할 수 있습니다. 배포 후 모델은 블랙박스가 아니라 감사 가능한 시스템이어야 합니다. 모델 감사 로그 구축이 배포 단계의 보안 준수를 완성합니다.
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.