연구는 실패가 기본입니다.
연구에서 가장 큰 낭비는 동일 실험을 다시 하는 것입니다.
저는 실패를 데이터로 기록해 다음 연구의 자산으로 만들겠습니다.
이유는 모델은 데이터를 이길 수 없기 때문입니다.
재현성과 비교 가능성은 연구의 신뢰를 결정합니다.
운영지표로 바꾸는 것입니다.
6개월 목표는 연구 방향 확정과 기반 구축입니다.
그 평가는 연구가 팀의 문제와 연결되지 않았다는 신호입니다.

KT2026년도 가을학기 AI석사과정 신입생(코어 AI 연구개발) 면접 질문 기출, 2025면접족보
논문을 읽고 재현한 경험이 있다면, 재현이 실패했을 때 어떻게 디버깅했는지 말해주세요.
모델이 현장에서 실패하는 대표 원인과, 이를 연구로 어떻게 줄일지 말해주세요.
저는 AI를 단발성 모델 성능 경쟁이 아니라, 산업현장에서 반복적으로 성과를 내는 코어 기술로 만들고 싶습니다.
KT는 통신, 미디어, B2B, 고객 접점 등 대규모 실제 데이터와 운영환경을 가지고 있어, 코어 AI 연구를 현실 문제와 연결해 검증할 수 있는 드문 조직입니다.
저는 KT의 실데이터와 현장과 제 기반으로 코어 AI 연구를 수행하며, 연구가 논문으로 끝나지 않고 서비스 품질과 비용구조를 바꾸는 형태로 이어지게 만들고 싶습니다.
코어 AI 연구개발은 특정 서비스의 트릭이 아니라, 다양한 도메인과 환경에서 재사용 가능한 학습, 추론, 최적화, 신뢰성 기술을 만들어 AI 성능의 상한선을 끌어올리는 일입니다.
월요일에는 지난주 실험 결과를 요약하고 다음 실험의 가설을 1개로 제한해 설정합니다.
데이터 품질 문제인지, 모델 용량 문제인지, 추론 단계의 후처리 문제인지로 분 리했습니다.
데이터 전 처리 차이, 학습 스케줄 차이, 초기화와 랜덤 시드 통제 실패, 그리고 구현디테일 누락입니다.
예를 들어 전처리만 동일하게 맞춘 모델에서 결과가 달라지면 전처리를 먼저 의심합니다.
이유는 모델은 데이터를 이길 수 없기 때문입니다.
데이터 품질이 충분하고, 모델이 명백히 용량 부족이거나 표현력이 부족한 경우는 모델 개선이 먼저입니다.
연구로 줄이는 방법은 "탐지, 대응, 예방"의 3단계로 접근하는 것입니다.
해결 방향은 근거기반 생성, 검증 단계 추가, 그리고 불확실성 기반의 답변 거부나 에스컬레이션 체계입니다.
해결 방향은 지식증류, 캐싱, 라우팅, 모델 압축, 그리고 업무 난이도에 따라 모델을 선택하는 다단계 추론 구조입니다.
비용은 단위 비용 지표를 만들고, 업무별로 최적 모델을 선택해 운영해야 합니다.
평가는 지표와 시나리오가 핵심입니다.
정확도뿐 아니라 근거일치율, 사실성 평가, 불확실성 캘리브레이션, 금지 출력률 같은 지표가 필요합니다.
저는 신뢰성을 "평가 가능한 대상"으로 만들고, 그 평가가 개선으로 연결되게 설계하겠습니다.
예를 들어 성능을 더 올리자와 일정이 급하다는 갈등이 있으면, 목표를 "서비스의 최악구간 안정화"로 통일하고, 기준을 "최악구간 성능과 비용"으로 정합니다.
6개월 목표는 연구 방향 확정과 기반 구축입니다.
1년 목표는 첫 번째 연구결과를 논문화 가능한 수준으로 만드는 것입니다.
산출물은 논문 제출, 내부기술 적용 또는 PoC, 재현 가능한 오픈 리포지토리 수준의 코드 정리입니다.
저는 단순히 모델을 만드는 사람이 아니라, 연구를 운영 가능한 형태로 만들고 성과를 재현 가능한 시스템으로 남기는 사람입니다.
저는 사업가치를 "성능점수"가 아니라 "운영비용과 리스크 감소"로 설명하겠습니다.
예를 들어 환각 억제연구라면 클레임과 재검증 비용을 줄이고, 비용 최적화 연구라면 단위 비용을 낮춰 적용 범위를 넓힙니다.
그 평가는 연구가 팀의 문제와 연결되지 않았다는 신호입니다.
저는 즉시 팀의 병목을 파악하고, 연구를 "바로 쓰이는 도구"로 전환하겠습니다.
예를 들어 실험자동화, 데이터 검증, 평가 세트 구축, 베이스 라인 제공처럼 팀이 당장 시간을 아끼는 산출물을 먼저 내겠습니다.

[hwp/pdf]KT 2026년도 가을학기 AI석사과정 신입생(코어 AI 연구개발) 면접질문기출, 2025면접족보