이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
졸업 작품으로 식물 병해 이미지를 분류하는 모델을 만들었습니다. 사전 학습된 ResNet을 파인튜닝하는 방식을 썼는데, 처음엔 검증 정확도가 40%에서 오르지 않았습니다.
원인을 분석하니 훈련 데이터와 검증 데이터의 분포가 달랐습니다. 훈련 데이터는 실험실 환경 사진, 검증 데이터는 실제 농장 사진이어서 조명·배경 차이가 컸습니다. 데이터 증강으로 조명 변화와 배경 다양성을 추가하니 검증 정확도가 78%로 올랐습니다.
모델이 아니라 데이터에 문제가 있었다는 걸 처음 배웠습니다. 이후엔 모델을 튜닝하기 전 훈련/검증 데이터의 분포 차이를 먼저 확인하는 습관이 생겼습니다. 딥러닝에서 데이터 품질이 모델 구조보다 더 중요하다는 것이 지금도 제 기준입니다.
개인 스터디로 강화학습으로 간단한 격자 게임 에이전트를 만들어 봤습니다. Q-러닝을 구현했는데, 에이전트가 목표에 도달하지 않고 가만히 있거나 제자리를 맴도는 행동만 학습했습니다.
보상 함수를 분석하니 이동할 때마다 -1 페널티만 주고 목표 달성 시 보상이 없었습니다. 에이전트 입장에서는 이동하지 않는 게 최적 전략이었습니다. 목표 도달 시 +100, 각 이동 -0.1로 바꾸니 정상적으로 학습됐습니다.
강화학습에서 의도하지 않은 전략을 에이전트가 찾는 것이 흔한 문제라는 걸 그때 배웠습니다. 보상 함수 설계가 에이전트의 행동을 결정한다는 것이 강화학습의 가장 중요한 부분이라는 걸 이 경험으로 처음 이해했습니다.
사이드 프로젝트에서 쇼핑몰 리뷰 감성 분석 기능을 붙였습니다. 공개 데이터셋으로 학습된 모델을 그대로 가져다 썼는데, 쇼핑몰 도메인 특유의 표현에서 정확도가 낮았습니다.
'배송이 느려서 별로'를 긍정으로 분류하는 경우가 많았는데, 학습 데이터가 영화 리뷰 기반이라 상품 리뷰 맥락을 모르는 것이 원인이었습니다. 도메인 특화 데이터 200건을 직접 수집해 파인튜닝하니 정확도가 65%에서 84%로 올랐습니다.
사전 학습 모델이 좋아도 도메인이 다르면 성능이 떨어진다는 걸 그때 배웠습니다. 이후 모델을 도입할 때 공개 벤치마크보다 내 도메인 데이터로 직접 평가하는 것을 먼저 하는 습관이 생겼습니다.
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.