1. LG CNS에 지원한 동기와 입사 이후 꿈꾸는 것은 무엇인가요?
학부에서는 산업 전반에 걸쳐 데이터를 분석하고 해결책을 제시하는 다양한 프로젝트를 수행했고,
석사 과정에서는 AI 기술 자체에 관한 연구를 진행했습니다.
이러한 과정을 거치며 저는 단순히 연구하는 것보다 사용자에게 필요한 기술을 만드는 것에 흥미를 느꼈습니다.
LG CNS는 단순 히 기술적인 발전을 추구하는 것이 아닌 고객의 관점에서 필요한 기술을 만들고,
이를 통해 투자자와 사회를 설득하는 회사라고 느꼈습니다.
이러한 LG CNS가 추구하는 가치는 제가 일에서 추구하는 가치와 매우 닮아있다고 느꼈습니다.
입사 후에도 이러한 가치를 잊지 않고, 사람들의 불편 이나 필요를 충분히 이해하는 엔지니어가 되고 싶습니다.
또한 현업에서의 요구를 정확히 파악하고, 데이터와 AI를 활용하여 실제로 가치 있는 서 비스를 만드는 경험을 쌓고 싶습니다.
뛰어난 동료, 선배들과 함께 뒤따르는 기업이 아닌 시장을 선도하는 기업에서 일하고 싶습니다.
2. 지원 분야와 관련된 구체적인 지식이나 경험을 기술해 주십시오.
산업경영공학과 인공지능을 전공하며 데이터 분석부터 멀티모달 AI 연구까지 다양한 경험을 쌓았습니다.
학부에서는 의료, 금융, 스포츠 등 다양한 도메인의 데이터를 다루며 데이터를 수집 및 전처리하고,
문제에 맞는 변수를 정해 모델 결과를 해석하는 경험을 했습니다.
단순히 데이터를 분석하는 것뿐만 아니라 인사이트를 도출하고 문제를 정의하는 역량 또한 쌓았습니다.
학부 연구실에서는 Pose Estimation을 활용한 재활 환자 자세 분석 및 운동 코칭 연구에 참여하며
실제 사용자에게 필요한 기술에 대해 고민했습니다.
석사 과정에서는 자연어로 원하는 장면을 찾는 Video Moment Retrieval을 연구했습니다.
다양한 관련 논문과 코드를 분석하고 직접 실험했습니다. 이 중 기존 모델이 하나의 질의에 정답 구간이 여러 개이거나
비슷한 장면이 반복될 때 경계를 정확히 찾지 못하는 원인을 분석하고, 정답 구간 간 관계와 경계 정보를 함께 학습하는 방법을 제안했습니다.
Python·PyTorch·Docker를 사용해 모델을 구현했고,
문제 정의부터 모델 설계, 실험 및 검증 모든 과정을 직접 수행했습니다.
학부와 석사 과정을 거치며 단순히 성능을 개선하는 것에 집중하기보다는,
사용자에게 효율적인 방법을 제안하기 위해 고민했습니다.
학부에서 다양한 데이터 분석 프로젝트를 하며 광범위하게 수집되고 공개되어 있는 데이터를 단순 분석에서 그치지 않고
사용자에게 가치 있는 서비스를 만들 수 없을지 고민했습니다.
또한 석사 과정 연구를 하며 모델의 정량적인 성능 개선뿐만 아니라 사용자가 체감할 수 있는 개선을 이루고자 목표했고,
실제로 정량적인 분석에서도 개선된 결과를 볼 수 있었습니다.
이처럼 저는 새로운 것에 도전하는 것을 두려워하지 않았고,
또한 쉬운 방식보다는 어렵더라도 사람에게 가치 있고 유의미한 기술을 만들기 위해 노력해왔습니다.
이러한 경험을 통해 낯선 산업이나 데이터에서도 핵심 문제를 찾고,
기술을 실제 조건에 맞게 발전시킬 수 있는 역량을 쌓았습니다.
3. 모집분야와 관련된 전공 과목 및 해당 전공과목에서 달성한 성취도(학점)를 구체적으로 기술해 주십시오.
산업경영알고리즘 / 취득 학점(3학점): A- / 문제를 구조화하고, 상황과 조건에 맞는 알고리즘을 구현하는 과정을 배웠습니다.
머신러닝 / 취득 학점(3학점): A- / 머신러닝의 기본이 되는 개념들과 모델을 배우며 기본기를 쌓았습니다.
딥러닝 / 취득 학점(3학점): A / 신경망의 학습 원리와 대표적인 모델들의 구조를 이해하고, 간단한 프로젝트를 통해 실제 구현까지 경험했습니다.
기계학습 / 취득 학점(3학점): A+ / 주요 학습 방법의 수학적 원리와 모델별 가정을 심화해 학습하였고, 간단한 프로젝트를 통해 실제 구현까지 경험했습니다.
신경망응용및실습 / 취득 학점(3학점): A+ / 신경망 모델을 직접 적용한 프로젝트를 제안하고, 다른 학생이 제안한 프로젝트를 분석하고 개선하는 경험을 했습니다.
고급빅데이터분석 / 취득 학점(3학점): A+ / 데이터분석 및 모델을 활용한 프로젝트를 제안하고, 다른 학생이 제안한 프로젝트를 분석하고 개선하는 경험을 했습니다.
4. 최근 3년 이내 수행한 개발 프로젝트 중, 본인이 핵심적으로 기여한 사례를 1개 선택하여 사용 언어 및 기술, 본인의 역할, 문제 해결 과정, 최종 성과를 중심으로 구체적으로 작성해 주세요.
(개발 경험이 없는 경우, 지원 직무 관련 프로젝트 참여 경험에 대해 상세히 작성해 주세요.)
석사 과정에서 영상 내에서 자연어 질의에 해당하는 구간을 찾는 Video Moment Retrieval 연구를 진행했습니다.
아이디어 도출부터 문제 정의, 손실 함수 설계, 구현, 실험, 결과 분석, 논문 작성까지 전 과정을 주도했습니다.
Python, PyTorch, Docker를 활용해 실험을 진행했습니다.
연구는 기존 방법론들의 정량적인 수치에서 보이지 않는 문제를 찾아 해결하고자 했습니다.
대부분의 연구에서는 가장 정확하게 예측된 하나의 구간을 기준으로 성능을 평가하는데,
정답 구간이 여러 개 존재할 때는 정량적인 수치로 보이는 것만큼 예측이 잘 되는지 의문이 들었습니다.
이를 확인하기 위해 기존 모델 코드를 직접 실행해 보았고, 예측 구간들을 시각화했습니다.
그 결과 정답 구간이 여러 개 존재할 때는 채택되지 않은 하나의 구간을 제외한 구간에서는 제대로 예측이 이루어지지 않았습니다.
문제를 정의한 후, '정답 구간 간의 관계를 고려한다'라는 아이디어를 생각했지만 이를 실제 학습 구조에 어떻게 반영할지는 어려웠습니다. 단순한 방식은 기존 모델과 차별화될 수 없었고, 복잡한 방식은 계산 비용 등의 문제가 있었습니다.
관련 논문을 읽고 고민한 결과, 정답 구간 내부 clip pair의 의미적 관계를 학습하는 clip similarity loss, 경계 안팎을 구분하는 boundary loss, 경계 회귀를 안정화하는 auxiliary boundary loss를 설계했습니다.
제안 방법을 여러 모델과 두 가지 데이터셋에 적용해 특정 구조에만 의존하지 않는 범용성을 검증했습니다.
처음 목표했던 대로 정성적인 결과에서 여러 정답 구간이 존재할 때도 여러 개의 구간을 모두 기존 모델보다 정확히 예측하게 되었고, 이를 통해 정량적인 성능 또한 모두 개선되는 결과를 보였습니다.
연구 결과는 ICPR 2026에 게재 승인되었으며 국내 특허로도 출원했습니다.
이를 통해 추상적 아이디어를 구현할 수 있는 구조로 구체화하고, 반복 실험으로 검증하는 역량을 길렀습니다.