AI · ML 엔지니어 기술면접, 내가 쓴 커밋으로 대비하기

AI·ML 엔지니어 기술면접은 모델을 돌려 봤는지가 아니라, 그 숫자를 믿을 수 있는지를 봅니다. 학습·검증 분리를 어디서 했는지, 지표를 왜 그걸로 골랐는지, 같은 코드로 같은 결과가 다시 나오는지가 질문거리입니다. 이 페이지는 AI·ML 직군 면접의 조준점을 정리하고, 데브핏(DevFit)이 이용자 본인의 깃허브 커밋에서 그 질문을 어떻게 만들어 내는지 설명합니다.

AI · ML 면접에서 면접관이 파고드는 지점

데이터 누수를 막았는가

스케일러를 전체 데이터에 먼저 fit했는지, 시계열을 무작위로 나눴는지. 전처리 커밋은 «이 변환을 split 전에 하셨나요, 후에 하셨나요»로 바로 이어집니다.

지표를 고른 이유를 말할 수 있는가

클래스가 불균형한데 accuracy를 봤는지, 임계값을 어떻게 정했는지. 평가 코드는 «이 지표가 실제 문제와 어떻게 연결되나요»를 부릅니다.

재현이 되는가

시드 고정, 의존성 버전 고정, 데이터 버전. 실험 스크립트가 있으면 «이 결과를 지금 다시 뽑으면 같은 숫자가 나오나요»가 나옵니다.

서빙까지 생각했는가

학습 때의 전처리와 서빙 때의 전처리가 같은지, 배치와 실시간의 지연 차이. 추론 코드는 «학습·서빙 불일치»를 묻기 좋은 자리입니다.

내 커밋에서 나올 수 있는 질문

아래는 AI · ML 코드에서 자주 만들어지는 형태의 질문입니다. 데브핏(DevFit)은 레포지토리 전체가 아니라 이용자 본인이 작성한 커밋과 diff만 조준해, 질문마다 근거가 되는 커밋·파일 경로를 함께 붙입니다.

“이 정규화를 학습·검증 분리 전에 하셨는데, 검증 점수에 영향이 없나요?”
“이 지표를 고르신 이유가 뭔가요? 클래스 비율이 어떻게 되나요?”
“이 실험을 지금 다시 돌리면 같은 숫자가 나오나요? 시드는 어디서 고정하셨어요?”
“서빙할 때 전처리는 학습 코드와 같은 걸 쓰나요?”

코드에 “없는 것”도 질문이 됩니다

면접에서는 짠 것만큼 안 짠 것도 물어봅니다. 데브핏은 아래 같은 부재 신호를 결정론적으로 찾아 질문으로 만듭니다.

시드 고정이 없는 학습 스크립트 → «결과가 실행마다 얼마나 흔들리나요?»
의존성 버전 고정이 없는 환경 파일 → «다른 사람이 같은 결과를 낼 수 있나요?»
베이스라인 비교가 없는 실험 → «이 모델이 단순한 기준선보다 낫다는 근거는요?»

자주 다루는 기술

PyTorch
scikit-learn
Hugging Face
MLflow
FastAPI
ONNX

다만 질문은 기술 이름에서 나오지 않습니다. 같은 PyTorch를 써도 커밋마다 고른 선택이 다르고, 면접관이 파고드는 건 그 선택입니다. 그래서 데브핏은 기술 스택별 표준 질문지가 아니라, 겨냥한 채용공고 1건과 내 깃허브(GitHub) 커밋을 함께 읽어서 질문을 만듭니다.

AI · ML 공고 하나로 시작해 보세요

채용공고 URL을 붙여 넣으면 포지션과 요구 사항을 정리하고, 연결한 레포지토리에서 내가 쓴 커밋을 찾아 예상 질문과 어필 포인트를 만듭니다. 공고 1개가 준비 1회분입니다. 하루 10회까지 무료입니다. 합불 판정이나 지원자 랭킹은 만들지 않고, 최종 판단은 사람이 합니다.

공고 넣고 시작하기

AI · ML 면접에서 함께 나오는 CS 개념

커밋에서 나온 질문은 대부분 개념 질문으로 이어집니다. 아래 문서는 AI · ML 면접에서 그 다음 질문으로 자주 넘어가는 주제입니다.

CS 지식백과 전체 보기 →