[Tip] AI/ML & Computer Vision 직군 실제 면접 질문 모음집!

 

안녕하세요!! 

AI & Computer Vision Engineer로 있는 뭅즤입니다.

 

저도 취준생 시절이 있었는데요...🤗

오늘은 AI/ML, computer vision 직무로 정말 다양한 기업의 면접을 보면서 받은 질문들을 공유해 보려고 해요!

 

면접에서 실제로 받은 질문과 물어볼 가능성이 큰 질문들을 섞어서 알려드릴게요. 이거 정말 꿀팁인거 아시죠?

 

📣 그리고 조만간 면접 질문 리스트를 카테고리별로 조금 더 상세하게 업데이트하려고 하니 많은 관심 부탁드려요 🔥

 

 

*참고 사항

기업, 산업, 세부 직무 마다 다르지만 굉장히 기본적인 것 위주로 물어보는 곳도 있고, 아주 딥하고 어려운 질문(정답이 없는)을 하거나 당해 발표된 논문이나 기술에 대해 물어보는 곳도 있어요.

 

사실 석사 이상은 개인 연구와 기업 프로젝트에 대한 질문이 가장 많은 것 같으니, 이 점도 참고해 주세요.

 

---

 

1. 머신러닝 / 딥러닝 기본 

• Backpropagation
• Regression vs. Classification
• Supervised / Unsupervised / Semi-supervised Learning
• Regularziation & Generalization
• Discrimitive model vs. Generative model
• Bias, Variance of Network
• Overfitting vs Underfitting
• Feature space에서 feature 간의 distance 측정 방법
• CNN, RNN, LSTM
• Gradient Descent
• Loss Surface
• Confidence Score Calibration
• PCA
• SVM
• Feature Reduction
• Recptive Field

 

2. 확률통계 / 선형대수 기본

• Entropy, Cross-Entropy Loss
• Gaussian Distribution
• Rank of matrix
• Null space
• SVD / Essential matrix에서 SVD 로 camera pose 구하는 방법
• Vector 내적, 외적
• 두 벡터의 내각을 구하는 방법

 

3. Conventional Computer Vision

• Conventional Vision Feature descriptor - e.g. SIFT, Corner Detector, Edge Detector
• Feature Matching
• Image Filter
• Image Frequency

 

4. Deep Learning & Computer Vision

• Image 색상 표현 방법 - RGB, HSV, YUV
• Inception module
• ResNet, Residual Learning
• Deformable Convolution, Depth-wise separable Convolution, Graph Convolution
• Self-supervised Learning, Contrastive Learning (SimCLR)
• Triplet Loss
• Attention
• LSTM, GRU, Transformer, Vision Transformer
• Transformer -> detection, segmentation에 적용 방법?
• Transformer 연산량 해결 방법
• Positional Encoding
• Non-local operation
• CLIP Model
• RCNN, Fast RCNN, Mask RCNN, YOLO
• Region of Proposal Network
• Object Detection - Dynamic Head
• Long Tail Problem(Class Imbalance)
• Few shot, Zero shot Learning
• Sham Network
• Object Tracking
• Image Retrieval
• 딥러닝 모델 사이즈 vs 작업 복잡성
• Continual Learning 
• Multi-task Learning
• 6 DoF pose Estimation
• Knowledge Distillation
• Mixup
• Augmentation
• Denosing
• Super Resolution
• Auto Encoder , VAE(Variational Auto Encoder)
• GAN
• AutoML
• MLOps
• 시계열 문제를 해결하는 방법. 거의 continuous한 시계열 데이터와 sparse한 데이터를 어떻게 다르게 취급할 것인지?

 

5. 3D Computer Vision / Graphics

• Camera Parameter
• Camera Calibration
• Image Transform
• Epipolar Geometry
• Essential matrix, Fundamental matrix 
• Essential matrix에서 camera pose 구하는 방법?
• Neural Rendering (NeRF)
• Point cloud
• ICP Algorithm
• SLAM / SFM 
• Monocular VO(Visual Odometry), multi-camera VO
• Phong Model
• PBR 
• Ambient Occlusion
• BRDF
• 3D Reconstruction
• Texture Mapping
• COLMAP / SFM (Structure From Motion)
• Bundle adjustment
• Triangulation

 

7. 프로그래밍

• C++ STL 
• 리눅스
• 자료구조
• Overloading, Overriding
• CUDA
• 임베디드 포팅
• Rendering code
• Call by value, Call by reference
• Pointer, Smart pointer
• Github 등의 협업 툴 
• 코드리뷰

 

8. 기타

• Image Compression(JPEG, MPEG)
• GIS
• GPS
• 가장 최근에 본 논문을 설명해주세요

---

혹시 AI & ML 직군 취업을 준비 중이신가요?!

 

AI & ML 직군 취업을 준비 중이시라면, 과제 전형과 면접을 준비하시겠죠!? 저는 네이버, 카카오, 현대자동차 등 약 30곳 가량의 기업에 서류를 제출하고 그 중 20개 이상의 기업의 코딩테스트, 과제 전형, 면접 경험이 있어요. 그 때 경험한 면접을 바탕으로 전자책으로 만들었답니다 🤗

 

✅ AI & ML 분야는 그 영역이 매우 넓어 모든 세부 분야를 다룰 수는 없지만, 이 책은 가장 중요한 기초 영역인 AI & ML 기초, 수학 & 통계, Computer Vision, NLP & LLM 등의 질문들을 중심으로 구성되었습니다. 또한 질문의 중요도를 ⭐ 1~3개로 표시하여 효과적인 면접 준비를 할 수 있도록 마련했습니다.

✅ 질문들은 저와 AI/ML 도메인에서 일하고 있는 주변 지인들이 실제 면접에서 경험한 질문들을 바탕으로, 각 도메인 전문가들이 중요하다고 생각하는 핵심 주제들을 중심으로 추가된 예상 질문들입니다.

 

AI & ML 직군 면접 질문 모음집 전자책에 관심이 있으시다면 아래 링크를 방문해 주세요!

 

AI /ML 직군 면접 질문 모음집 - 크몽