미들 ML / 알고리즘 엔지니어 면접 질문

미들 레벨에서 기대되는 것

엔드투엔드 모델링, 엄격한 평가, 독립적인 실험 설계가 요구됩니다.

ML / 알고리즘 엔지니어 면접 질문 예시

• 기술 면접편향-분산 트레이드오프와 정규화가 거기에 어떻게 영향을 주는지 설명하세요.
  좋은 답변이 다루는 것

  • 편향-분산 분해
  • 과대적합과 과소적합
  • L1/L2 정규화
  • 모델 복잡도 조절
  • 트레이드오프 이해

  샘플 답변 보기

  편향-분산 트레이드오프는 모델의 예측 오차를 편향과 분산으로 분해하여 설명합니다. 편향은 모델의 단순함으로 인한 오차, 분산은 데이터의 변동에 대한 민감도로 인한 오차입니다. 복잡한 모델(예: 깊은 트리)은 낮은 편향과 높은 분산을 가지며, 단순한 모델(예: 선형 회귀)은 높은 편향과 낮은 분산을 가집니다. 정규화는 모델 복잡도에 패널티를 부여하여 분산을 줄이고 편향을 높입니다. L2 정규화는 가중치를 0에 가깝게 축소하여 모든 특성을 완만하게 사용하고, L1 정규화는 가중치를 정확히 0으로 만들어 특성 선택 효과를 냅니다. 적절한 정규화 강도는 교차 검증으로 결정하며, 너무 강한 정규화는 과소적합(높은 편향)을 초래합니다. 일반적인 실수는 정규화 후에도 모델이 여전히 과대적합될 수 있다는 점을 간과하는 것입니다. 따라서 정규화는 편향과 분산 사이의 균형을 맞추는 도구로 사용됩니다.

• 기술 면접학습 파이프라인에서 데이터 누수를 어떻게 탐지하고 방지하나요?
  좋은 답변이 다루는 것

  • 데이터 누수 유형
  • 학습-테스트 오염
  • 시계열 분할
  • 특성 엔지니어링 시점
  • 파이프라인 설계

  샘플 답변 보기

  데이터 누수는 모델이 학습 시 미래 정보나 타겟 정보를 우회적으로 접근하여 성능을 과대평가하는 현상입니다. 주요 유형으로 타겟 누수(예: 환자의 입원 여부를 예측할 때 진단 코드 사용)와 학습-테스트 오염(예: 정규화를 전체 데이터에 적용)이 있습니다. 탐지 방법으로는 특성과 타겟 간의 비정상적인 강한 상관관계를 확인하거나, 테스트 세트 성능이 학습 세트보다 비현실적으로 높은 경우 의심합니다. 방지 전략으로는 전처리, 특성 선택, 스케일링 등을 반드시 학습 데이터에만 적용하고, 시계열 데이터는 시간 순서로 분할하며, 교차 검증 시에도 데이터 누수가 없도록 파이프라인을 구성합니다. 일반적인 실수는 결측치 대체를 전체 데이터로 수행하거나, 타겟 인코딩 시 학습 세트의 통계를 사용하지 않는 것입니다. 도구로는 sklearn의 Pipeline을 사용하면 누수를 체계적으로 방지할 수 있습니다.

• 기술 면접불균형 분류 문제에서 어떤 지표를 최적화하며 왜 그런가요?
  좋은 답변이 다루는 것

  • 정확도의 한계
  • 정밀도-재현율
  • F1-점수
  • AUC-PR
  • 비용 민감 학습

  샘플 답변 보기

  불균형 분류에서는 정확도가 다수 클래스에 의해 편향되므로 적절한 지표가 아닙니다. 대신 소수 클래스(관심 대상)의 성능에 초점을 맞춘 지표를 최적화합니다. F1-점수는 정밀도와 재현율의 조화 평균으로, 소수 클래스 탐지의 정확성과 완전성을 모두 고려합니다. AUC-PR(정밀도-재현율 곡선 아래 면적)은 임계값 변화에 따른 소수 클래스 성능을 요약하며, 특히 극심한 불균형에서 ROC-AUC보다 유용합니다. 또한 비용 민감 학습을 통해 오분류 비용을 반영할 수도 있습니다. 최적화 시 데이터 리샘플링(오버샘플링, 언더샘플링)이나 가중치 조정을 병행하며, 최종 임계값은 비즈니스 목표(예: 허용 가능한 위양성률)에 따라 조정합니다. 일반적인 실수는 기본 임계값 0.5를 그대로 사용하는 것으로, 불균형 데이터에서는 확률 보정 후 임계값을 낮추는 것이 효과적입니다.

• 코딩k-평균 클러스터링을 처음부터 구현하세요.
  좋은 답변이 다루는 것

  • 초기화 방법
  • 할당 단계
  • 업데이트 단계
  • 수렴 조건
  • 복잡도 분석

  샘플 답변 보기

  k-평균은 주어진 데이터를 k개의 클러스터로 나누는 비지도 학습 알고리즘입니다. 초기화는 무작위로 k개의 데이터 포인트를 초기 중심점으로 선택합니다. 각 반복은 할당 단계(각 포인트를 가장 가까운 중심점에 할당)와 업데이트 단계(각 클러스터의 평균으로 중심점 재계산)로 구성됩니다. 수렴은 중심점 변화가 임계값 이하일 때 또는 최대 반복 횟수에 도달하면 종료됩니다. 시간 복잡도는 O(iter * k * n * d)이며, 여기서 iter는 반복 횟수, k는 클러스터 수, n은 데이터 수, d는 차원입니다. 일반적인 실수는 초기화가 좋지 않아 지역 최적해에 빠지는 것인데, k-평균++ 초기화를 사용하면 완화됩니다. 또한 k를 사전에 정해야 하며, 실루엣 계수나 엘보우 방법으로 최적 k를 선택합니다.

  import numpy as np
  
  def k_means(X, k, max_iters=100, tol=1e-4):
      # X: (n_samples, n_features)
      n, d = X.shape
      # 무작위 초기화 (k-평균++ 대신 단순)
      idx = np.random.choice(n, k, replace=False)
      centroids = X[idx]
      
      for _ in range(max_iters):
          # 할당 단계: 각 점에 가장 가까운 중심 인덱스
          distances = np.linalg.norm(X[:, np.newaxis] - centroids, axis=2)  # (n, k)
          labels = np.argmin(distances, axis=1)
          
          # 업데이트 단계: 새 중심 계산
          new_centroids = np.array([X[labels == i].mean(axis=0) for i in range(k)])
          
          # 수렴 검사 (중심 변화량)
          shift = np.linalg.norm(new_centroids - centroids)
          centroids = new_centroids
          if shift < tol:
              break
      
      return centroids, labels

• 코딩동적 계획법 문제를 풀고 그 복잡도를 분석하세요.
  좋은 답변이 다루는 것

  • DP 상태 정의
  • 점화식
  • 기저 조건
  • 시간 복잡도
  • 공간 최적화

  샘플 답변 보기

  0/1 배낭 문제는 각 물건을 한 번만 선택 가능한 최대 가치를 찾는 문제입니다. 상태 DP[i][w]를 i번째 물건까지 고려하고 무게 w일 때의 최대 가치로 정의합니다. 점화식은 DP[i][w] = max(DP[i-1][w], DP[i-1][w-wi] + vi)이며, wi와 vi는 각각 i번째 물건의 무게와 가치입니다. 기저 조건은 DP[0][w] = 0입니다. 시간 복잡도는 O(n*W), 공간 복잡도는 O(W)로 줄일 수 있습니다(1차원 배열 사용). 일반적인 실수는 물건을 중복 선택하는 것으로, 이 문제는 배낭이 0/1이므로 반드시 한 번만 사용해야 합니다.

  def knapsack_01(weights, values, capacity):
      """
      weights: 물건 무게 리스트
      values: 물건 가치 리스트
      capacity: 배낭 용량
      반환: 최대 가치
      """
      n = len(weights)
      dp = [0] * (capacity + 1)  # 1차원 DP
      
      for i in range(n):
          # 무게가 큰 것부터 작은 순으로 업데이트 (중복 방지)
          for w in range(capacity, weights[i] - 1, -1):
              dp[w] = max(dp[w], dp[w - weights[i]] + values[i])
      
      return dp[capacity]
  
  # 예시 사용
  weights = [2, 3, 4, 5]
  values = [3, 4, 5, 6]
  capacity = 5
  print(knapsack_01(weights, values, capacity))  # 출력: 7

• 시스템 설계동영상 플랫폼을 위한 추천 시스템을 설계하세요.
  좋은 답변이 다루는 것

  • 콜드 스타트 문제
  • 협업 필터링
  • 콘텐츠 기반
  • 하이브리드
  • 확장성과 실시간

  샘플 답변 보기

  동영상 추천 시스템은 사용자 기록, 동영상 메타데이터, 컨텍스트를 기반으로 개인화된 추천을 제공합니다. 핵심 요구사항은 낮은 지연시간(수백 ms), 높은 처리량(수백만 사용자), 신규 사용자/동영상 처리(콜드 스타트)입니다. 아키텍처는 오프라인 학습 레이어(Spark, TensorFlow)와 온라인 서빙 레이어(Redis, Faiss)로 구성됩니다. 협업 필터링(행렬 분해)은 사용자-아이템 상호작용을 학습하고, 콘텐츠 기반 필터링은 동영상 특징(장르, 태그)을 활용합니다. 하이브리드는 두 결과를 결합하거나 순차적으로 적용합니다. 확장성을 위해 아이템 임베딩을 미리 계산하고, 최근접 이웃 검색(ANN)으로 상위 K개 후보를 빠르게 추출합니다. 콜드 스타트는 인기 기반 추천이나 메타데이터 유사도로 대응합니다. 일반적인 병목은 사용자-아이템 행렬의 희소성이며, 이를 위해 SVD나 ALS 같은 행렬 분해 기법을 사용합니다.

• 행동 면접프로덕션에서 실패한 모델과 거기서 배운 점을 말해 주세요.
  좋은 답변이 다루는 것

  • 상황 설명
  • 행동
  • 결과
  • 배운 점
  • 모니터링 중요성

  샘플 답변 보기

  저는 이전 회사에서 시계열 예측 모델을 프로덕션에 배포했지만, 예측이 실제보다 훨씬 높게 나오는 문제가 발생했습니다. 상황은 매출 예측 모델로, 오프라인 테스트에서 RMSE가 낮아 자신 있게 배포했습니다. 그러나 배포 후 2주 동안 실제 매출과의 오차가 30% 이상 벌어졌습니다. 원인은 학습 데이터에 포함된 계절성 패턴이 배포 후 갑자기 변했기 때문입니다(코로나19 영향). 행동으로는 즉시 모델을 롤백하고, 시계열 분할 교차 검증을 도입했으며, 특성에 외부 지표(봉쇄 지수)를 추가했습니다. 결과적으로 재학습 후 오차가 10% 이내로 줄었습니다. 배운 점은 오프라인 성능만으로 판단하지 말고, 프로덕션 환경에서의 데이터 분포 변화를 지속적으로 모니터링해야 한다는 것입니다. 이후에는 데이터 드리프트 감지 시스템을 구축하고, 정기적인 재학습 파이프라인을 도입했습니다.

• 행동 면접모델이 출시하기에 충분히 좋다고 어떻게 판단하나요?
  좋은 답변이 다루는 것

  • 비즈니스 지표
  • 오프라인 평가
  • A/B 테스트
  • 통계적 유의성
  • 리스크 평가

  샘플 답변 보기

  모델 출시 판단은 비즈니스 목표와 연결된 지표를 기준으로 합니다. 먼저 오프라인에서 교차 검증과 황금 데이터셋으로 기준 모델 대비 성능 향상(예: 정확도 5% 향상)을 확인합니다. 그러나 오프라인 지표는 온라인과 차이가 있을 수 있으므로, 소규모 A/B 테스트(트래픽 1~5%)를 진행합니다. 핵심 비즈니스 지표(예: 클릭률, 체류 시간)와 모델 지표(예: AUC, F1)를 함께 모니터링하며, 통계적 유의성(p값 < 0.05)과 실질적 유의성(최소 효과 크기)을 확인합니다. 또한 엣지 케이스(예: 드문 입력)와 시스템 안정성(지연시간, 리소스 사용량)도 평가합니다. 일반적인 실수는 오프라인 성능만 믿고 배포하는 것입니다. 저는 추가로 그림자 배포(shadow deployment)를 통해 실제 트래픽에서 모델 출력을 로깅하고 분석한 후, 출시 결정을 내립니다.

면접관이 평가하는 것

준비 방법

• 모든 모델링 선택을 지표와 비즈니스 목표에 연결하세요.
• 장애 모드를 논의할 준비를 하세요: 누수, 드리프트, 오프라인/온라인 불일치.
• 코딩을 날카롭게 유지하세요 — 알고리즘 라운드는 여전히 흔한 필터입니다.

자주 묻는 질문