|
|
|
|
|
 |
재현성입니다.
예방은 데이터 딕 셔너리와 샘플 검증입니다.
데이터가 틀리면 그 뒤는 전부 시간 낭비입니다.
결국 의사결정 기준은 "누가 이 결과를 가지고 무엇을 하느냐"입니다.
끝까지 완성한 프로젝트입니다.
협업 능력입니다.
지저분한 데이터는 변명이 아니라 '현실'입니다.
설명 가능한 결과입니다.
|
|
|
 |
팀 프로젝트에서 갈등이 생겼을 때 본인의 조율 방식과 실제 사례를 말해주세요
본인의 강점2가지와 약점 1가지를 AI/데이터 관점에서 말해주세요
압박 질문 : 데이터가 지저분해서 모델이 안나옵니다.
압박 질문 : 팀원이 일을 안 합니다.
어떻게 처리하겠습니까
압박 질문 : 본인이 만든 지표가 경영판단을 잘못 이끌었습니다.
모델 성능이 조금 높아도 문제를 잘못 정의하면 결과는 쓸모가 없습니다.
저는 프로젝트 킥 오프에서 반드시 1) 목표지표의 정의2) 데이터의 범위(기간, 채널, 제외조건) 3) 성공 기준(예: 개선폭, 신뢰수준, 재현조건 을 문서로 고정하겠습니다.
이 흐름에서 제가 특히 강조하는 지점은 3) 데이터 점검과 7) 전달/적용입니다.
누락과 중복입니다.
예측시점 이후의 정보를 피처에 담으면 성능이 잘 나와도 실제에서는 망합니다.
더 중요한 건 '임계값(th res hold)'입니다.
모델 점수는 확률일 뿐이고, 실제 운영은 임계값을 선택하는 순간부터 시작됩니다.
저는 임계값에 따른 이익/손실 시뮬레이션을 포함해, "이 모델을 쓰면 무엇이 달라지는지"까지 설명하겠습니다.
데이터 누수 점검2) 피 처수/복잡도 줄이기 3) 규제(regul ari zation) 적용 4) 모델 단순화 5 데이터 확장 또는 표본 전략 개선입니다.
저는 특히 데이터 누수를 먼저 봅니다.
누수는 과적합이 아니라 '사기성능'입니다.
클래스가 중치, 언더/오버샘플링, SMOTE 등은 상황에 따라 쓰되, 저는 먼저 가중치와 임계 값 조정으로 접근하고, 그 다음 샘플링을 검토합니다.
의사결정자가 설명을 요구하면, 저는 성능을 약간 포기하더라도 납득 가능한 모델을 제시하겠습니다.
코호트/리텐션: 첫 사용일 기준으로 7일 /30일 재방문율을 계산하는 쿼리
문제를 바로 모델로 뛰어들지 않고, 정의-가설-데이터 점검-검증 기준을 먼저 세워 프로젝트가 흔들리지 않게 만듭니다.
예를 들어 1~2일 내 베이스 라인 모델을 먼저 만들고, 그 다음 개선을 반복하는 방식으로 속도와 품질을 동시에 잡겠습니다.
교육과정에서 요구되는 것은 완벽함이 아니라, 일정 안에 끝까지 완성하는 능력입니다.
끝까지 완성한 프로젝트입니다.
그래서 결과를 내는 방식은 1) 베이스 라인 확보 2) 데이터 품질 개선 우선순위 설정 3 리스크 통제의 순서입니다.
먼저 단순한 모델로라도 베이스 라인을 만들어 "현재 데이터로 가능한 수준"을 숫자로 확보합니다.
하지만 실무에서 중요한 것은 '틀리지 않는 것'이 아니라 '틀렸을 때 빨리 감지하고 빨리 고치는 체계'입니다.
AI캠프는 낭만이 아니라 노동입니다.
AI는 그 강점을 가장 극단적으로 요구하는 분야입니다.
저는 협업과 문서화, 재현성을 중시하는 스타일이라 실무형 AI 인재로 성장할 수 있다고 판단했습니다. |
 |
데이터, 이다, 모델, 정의, 결과, 검증, 어떻다, 만들다, 성능, 먼저, 실험, 오류, 캠프, 프로젝트, 성, 가능하다, 기준, 가장, 재현, 지표 |
|
|
|
|
|
|
 |
|
|
|
|
|
|
|
|
|
|
|
| |
|
|
|
2026.02.10
9페이지
