잡코리아 신입공채

앱개발자

2021 상반기 신입 네이버

[필수] *** 작성해주시는 답변 모두 개발자가 검토할 거예요. 소스로, 코드로, 마음껏 자유롭게 작성해 주세요. *** 다음 중 자신 있는 분야를 우선순위 별로 작성해 주세요. ■ FE 개발 ■ iOS 개발 ■ Android 개발 ■ BE 개발 * 최대 3순위까지 작성 가능합니다. * 작성예시 : 1) FE 개발 2) iOS 개발 3) BE 개발 (← 꼭 예시와 같이 작성해 주세요) #채용전형 진행에 참고할게요 #잘 어필할 수 있는 분야로 작성해 주세요

1) BE 개발
2) FE 개발
3) Android 개발
[필수] 가장 자신 있는 또는 좋아하는 컴퓨터공학 관련 이수 과목명과 성적, 그리고 해당 과목을 택한 이유를 각각 기재해 주세요. * 최대 6개까지 작성해 주세요. * 비전공자여서 학교에서 이수한 과목이 없을 경우, 개발자가 되기 위해 별도로 공부했던 컴퓨터공학 관련 학습내용을 작성해 주세요. * 작성예시 : 컴퓨터구조 / A / 컴퓨터 구조 전반에 대한 기본기를 탄탄한 갖출 수 있는 수업이었습니다. #관심분야와의 연관성 #기본에 대한 관심 #탄탄한 기본기

컴퓨터비전 / A+ / 실제 영상처리에 필요한 여러 이미지프로세싱 함수들을 배우고 실습해보는 유용한 수업이었습니다.

데이터시각화 / A+ / 딥러닝 학습에 필요한 데이터 전처리나 시각화기술를 통한 분석기술을 배울 수 있었습니다

패턴인식개론 / A+ / 비지도학습 기반 패턴인식 기법인 클러스터링, PCA 등 기본개념을 배울수 있었습니다.

알고리즘분석 / A+ / 프로그래머라면 기본적으로 알아야 할 정렬알고리즘이나 BFS,DFS 탐색법 등 기본기를 탄탄하게 갖출 수 있었습니다.

최적화문제연구 / A+ / 기계학습 Optimization에 대한 이론적 개념을 정리할 수 있었고 경량화에 대한 기술을 배울 수 있었습니다.

기계학습과딥러닝 / A / 딥러닝에 대한 역사부터 시작하여 CNN, RNN 등 전반적인 개념을 이해하는데 도움이 됐습니다.
[필수] 기술적으로 어려운 문제를 해결한 경험을 상세히 작성해 주세요. (학교수업/프로젝트/경진대회/대외활동 등) 맞닥뜨렸던 문제를 '구체적'으로 기술하고, 본인의 접근 방법과 해결 과정, 그리고 실제 결과를 '상세히' 기술해 주세요. 문제를 잘 해결하셨다면 그 경험에서 아쉬운 점 혹은 더 나은 방법은 없었을지에 대한 고민 과정을 함께 작성해 주세요. 해결하지 못한 경험이더라도 해결을 위해 얼마나 깊이 있게 고민을 했는지 그 과정에 대해 이야기해 주세요. * 코드로 설명해 주셔도 좋습니다. #해결 못한 경험도 좋아요 #과정을 보고 싶어요

"Imperfect dataset 문제 해결"

"접근방법과 해결 과정"
AI 모델링 능력을 키우기 위해 실시간 랭킹보드에 딥러닝 모델을 올리며 순위를 경쟁하는 NAVER AI RUSH 2020에 참가했습니다. 2라운드 네이버 쇼핑 리뷰이미지 자동분류 부문에 도전하며 Imperfect dataset 문제를 처음 경험했습니다.

주어진 데이터셋에 불균형라벨과 노이즈가 섞여 있지만, 데이터에 직접 접근할 수 없는 형태로 주어졌기 때문에 알고리즘적으로만 접근 가능했습니다. 이를 해결하기 위해 Imbalance dataset, Noise robustness에 대한 논문과 Bag of tricks 자료 등을 모으고 쉽게 사용할 수 있는 기술부터 단계적으로 적용해나갔습니다.

불균형으로 인해 부족한 데이터셋 비율을 Oversampling을 이용한 Augmentation data로 채우고, Label smoothing loss 계산으로 노이즈 데이터 일반화를 억제했습니다. 해당 기법을 적용했을 때 최초 F1-score 0.46에서 0.67까지 상승하는 결과를 확인했습니다. 하지만 그 이후 여러 파라미터 튜닝을 거쳤지만 더는 성능이 좋아지지 않아 난관에 부딪혔습니다.

그러던 중 Self-training을 이용하여 일정 Confidence score를 넘는 데이터만 Pseudo labeling 하는 노이즈 정제 방법을 적용하기로 계획했습니다. F1-score 0.67의 모델을 Teacher 모델로 삼아 정제한 데이터셋으로 더 나은 Student 모델을 생성하고, 생성된 Student 모델을 다시 Teacher로 삼아 데이터를 정제시키는 순환 구조를 반복했습니다. F1-score를 0.81까지 상승하는 효과를 얻을 수 있었습니다. 이후 정제된 데이터 라벨을 이용하여 여러 네트워크 구조의 모델을 학습하고 Ensemble로 성능을 끌어올려 F1-score 0.879의 최종 모델을 만들었습니다.

"결과"
대회에서 2위를 차지했습니다. 진심으로 즐기며 몰두했기 때문에 문제를 해결하고 높은 순위까지 도달할 수 있었다는 생각이 들었습니다. 원인 분석과 체계적인 구현을 통해 Imperfect dataset 문제를 해결하는 접근법을 배웠고 Image classification의 기본지식을 충실히 익히며 한 층 더 성장하는 값진 경험이 됐습니다.

"아쉬운 점"
대회가 끝난 후, 모델 성능 향상에 관한 자료나 세미나를 찾아보며 K-fold 교차검증, Image mixup augmentation 그리고 작은 배치사이즈가 Flat 한 모양으로 학습되기 때문에 Generalization에서 더 유리하다는 점 등을 알게 됐습니다. 쉽게 적용할 수 있는 간단한 기법이지만 대회 당시에 적용하지 못한 것이 아쉬움으로 남았습니다. 만약 유사한 대회에 또 나가게 된다면 1등을 목표로 더욱 성장한 실력을 드러내야겠다고 결심했습니다.