자소서 항목 질답

• 질문동화에 관심을 갖게 된 계기와 지원하신 이유와 지원하신 직무를 맡아 앞으로 동화에서 어떻게 성장하고 싶은지 작성해주시길 바랍니다. 보기

  "실패하더라도 최선을 다해 도전하라"
  
  제 성장 과정에 가장 큰 영향을 끼친 아버지의 가르침은 ‘실패하더라도 최선을 다해 도전하라’입니다. 아버지께서는 제게 무언가를 잘하라고 다그치지 않으셨습니다. 다만 어떤 일을 하더라도 최선을 다함으로써 후회가 남지 않도록 하라고 말씀하셨습니다. 이 가르침은 선천적으로 타고난 재능이 많지 않았던 저에게 큰 버팀목이 되었고, 끈질기게 도전해서 반드시 성과를 만들어 내는 사람으로 성장할 수 있었습니다.
  
  중학교 때 반장 선거에 떨어졌으나 고등학교 때 다시 도전하여 부반장으로 당선될 수 있었고, 대학교 동아리 활동 당시에는 감소하는 신입 부원 문제를 버스킹 홍보 활동을 기획하여 해결해냈습니다. 또한, 스타트업 인턴으로 근무할 때는 매일 1시간씩 일찍 출근하고 2시간씩 늦게 퇴근하며, 성능 개선이 이루어지지 않던 모델을 약 7％ 향상시켰습니다. 동화그룹 안에서도 주어진 문제를 반드시 해결하는 신입사원으로 거듭나겠습니다.
  
  "업계 최초, 자체 개발한 스마트팩토리 플랫폼"
  
  보드 업계 최초로 자체 스마트팩토리 플랫폼을 개발한 동화그룹에서 데이터 역량을 발휘하고자 지원하였습니다. 저는 3가지 역량을 개발하여 국내 최고 데이터 엔지니어로 거듭나는 것이 목표입니다. 첫째, 대규모 데이터를 수집할 수 있는 안정적인 데이터 파이프라인을 구축하겠습니다. 스마트팩토리로부터 유입되는 다양한 데이터를 유실 없이 적재하겠습니다. 둘째, 수집한 데이터를 처리할 수 있는 전처리 능력을 키우겠습니다. 데이터가 커질수록 전처리하는 데 시간이 많이 소요되는 것을 알고 있습니다. 따라서 대규모 데이터를 분산 처리할 수 있는 역량을 키우겠습니다. 셋째, 대규모 데이터를 효율적으로 저장할 수 있는 역량을 개발하겠습니다. 클라우드 공간에 데이터 규모와 용도에 맞게 데이터를 저장할 수 있는 능력을 배양하겠습니다. 위 역량을 바탕으로 동화그룹 안에서 업계 최초이자, 최고의 스마트팩토리 플랫폼을 구축해나가겠습니다.

• 질문지원하신 직무를 잘 수행하기 위해 본인이 노력한 경험 (학업, 인턴 경험, 대외활동 경험, 개인적인 노력 등)에 대해서 작성해주시길 바랍니다. 보기

  "4차례 SW 교육 이수"
  
  4차례 SW 교육을 통해 데이터와 서버 개발 역량을 키웠습니다. 데이터를 활용해 AI 모델을 학습시키고 개발한 모델을 서버 위에서 동작하도록 배포해보았습니다. 이 과정에서 양질의 데이터를 안정적으로 수집하고 효율적으로 저장하는 것이 어려우면서 중요한 업무라는 것을 알았습니다. 따라서 현직자 실무 강의와 해외 강의를 활용하여 데이터 엔지니어링 역량을 개발하고 있으며, 데이터 인프라를 구축하고 ETL 프로세스를 운영하는 방법에 대해 학습해나가고 있습니다.
  
  "8회 개발 프로젝트/2회 자격증 취득/스타트업 인턴 경험"
  
  IT 전문가로 거듭나기 위해 데이터분석/AI 모델링/서버개발/알고리즘 분야 프로젝트를 8회 진행했습니다. 프로젝트가 끝날 때마다 깃과 블로그에 결과물을 정리하며 부족했던 점을 파악하고 개선해왔습니다. 데이터 프로젝트 후 전처리 역량을 기르기 위해 SQLD 자격증을 취득했고, 서버개발 프로젝트 후 CS 지식을 넓히기 위해 정보처리기사 자격증을 취득했습니다. 또한, 학습한 지식을 실제 현업에서 적용해보고자 AI 스타트업 인턴에 지원하여 실무 경험을 쌓았습니다.

• 질문동화의 주요가치(자율, 협업, 변혁, 윤리, 안전)를 실천한 경험을 설명해주십시오. [자율] 어려움 속에서도 현실과 타협하지 않고, 본인이 주도적으로 목표를 수립하고 이를 달성하기 위해 노력했던 경험에 대해 서술해주십시오. (*목표 수립 당시의 어려움, 본인 스스로 목표를 수립한 과정, 자기 힘으로 목표를 달성한 과정과 결과로 구분) 보기

  "더 높은 목표 설정으로 AI 모델 성능 7% 개선"
  
  AI 스타트업에서 인턴으로 근무하며 맡은 통계 분석 외에, 모델 성능 개선이라는 추가 목표를 달성한 경험이 있습니다. 기존 모델은 더는 성능 개선이 이루어지지 않는 문제가 있었고, 모델 구조 분석을 통해 성능을 개선하겠다는 목표를 세웠습니다.
  
  일과 중에는 분석 업무를 수행하면서, 매일 1시간씩 일찍 출근해서 딥러닝 모델 구조를 분석하기 시작했습니다. 그 결과, 층을 여러 개 사용했지만 활성함수로 선형함수를 적용하여 사실상 단층 신경망 모델을 사용하고 있다는 것을 알게 되었습니다. 또한 딥러닝 모델을 학습하기 위한 데이터의 수가 8만 개 정도로 부족했습니다. 개인 프로젝트 당시 앙상블 모델 성능이 우수했던 기억을 떠올려, 새로운 머신러닝 모델 개발을 건의하였습니다.
  
  이후 제 역할은 머신러닝 모델의 성능을 개선하는 것이었습니다. 그러나 성능을 높이려고 하면 과적합이 함께 발생하는 문제가 있었습니다. 해결책을 찾기 위해 논문과 AI 공모전 사례를 분석했고, 스태킹 기법을 사용하면 성능 향상과 과적합 억제를 동시에 해결하는 데 효과가 있다는 것을 발견했습니다. 이를 사내 데이터에 맞게 변형시켜 적용한 결과, 예상 오차 범위를 벗어나는 비율을 7%가량 감소시킬 수 있었습니다. 인턴 경험을 통해 목표를 설정하고 도달하기 위해 노력하며 도전 정신을 배웠고, 성취감을 느꼈습니다.

• 질문동화의 주요가치(자율, 협업, 변혁, 윤리, 안전)를 실천한 경험을 설명해주십시오. 보기

  "협업"
  공동의 목표를 위해 다른 사람과 협업했던 경험 중에서, (나와 성격, 가치관 등이) 다른 사람과의 마찰을 피하지 않고
  불일치하는 의견을 이야기하고 갈등 상황을 극복하여 공동의 목표를 달성한 경험을 서술해주십시오.
  (공동의 목표, 팀의 구성원, 구성원 간 의견 차이의 원인과 구체적 내용, 갈등의 해결 과정 및 결과로 구분)
  
  "데이터 기반 의사소통으로 신입생 참여율 약 10% 증가 달성"
  
  마술 동아리 활동 당시, 대립하고 있던 두 의견을 조율한 경험이 있습니다. 동아리는 신입생의 저조한 참여율을 높이는 것이 목표였습니다. 문제는 ‘마술’과 ‘친목’ 중 어느 것에 초점을 맞출 것 인지였습니다. 신입생의 빠른 적응과 동아리 정체성 유지라는 두 의견이 대립했습니다.
  
  이를 해결하기 위해 첫째, 당사자인 신입생의 수요를 먼저 설문 조사했습니다. 선후배 간 교류, 타 학교 동아리와의 교류가 높은 비중을 차지했습니다. 둘째, 마술과 친목 활동을 모두 반영한 대안을 제시했고 설문조사 결과를 바탕으로 설득했습니다. ‘선배와 함께하는 타 학교 마술 공연 투어’라는 활동을 기획했고, 공연을 관람하고 뒤풀이를 함께함으로써 두 가지 의견을 모두 만족시켰습니다. 친목 활동을 위한 ‘한강 피크닉’을 제안하되, 버스킹 공연 일정을 넣어 마술이라는 정체성을 살렸습니다. 셋째, 제안한 활동을 직접 추진했습니다. 연합동아리라는 네트워크를 이용해 타 학교 공연 일정을 미리 파악했고, 신입생을 인솔하여 방문하였습니다.
  
  그 결과 ‘마술’과 ‘친목’이라는 두 가지 의견을 모두 만족시켰고, 신입생의 니즈를 반영한 활동으로 참여율까지 높일 수 있었습니다. 이 과정에서 양측 의견을 조율할 때, 데이터를 기반으로 설득하는 것이 효과적이라는 것을 배웠습니다. 또한, 제안만 하는 것이 아니라 직접 기획하고 추진할 때 구성원들의 지지를 이끌어 낼 수 있음을 느꼈습니다.

• 질문동화의 주요가치(자율, 협업, 변혁, 윤리, 안전)를 실천한 경험을 설명해주십시오. [변혁] 고객 중심적 관점에서 대담한 목표를 설정하고, 새로운 관점과 방식으로 접근하여 문제를 해결하였거나, 의미 있는 실패를 통해 학습 하였던 경험을 서술해주십시오. (기존의 관점과 다른 새로운 관점, 문제해결 방식, 실패 경험으로부터 무엇을 배웠는지 구체적으로 설명) 보기

  "발상의 전환으로 알고리즘 성능 약 10% 개선"
  
  100개의 동전 중 n개의 불량 동전을 양팔 저울을 사용하여 찾아내는 프로젝트에서 참신한 아이디어 능력을 인정 받았습니다. 알고리즘 설계 시 가장 어려웠던 점은 랜덤한 확률로 불량이 발생하므로 불량 동전의 총개수를 알 수 없다는 것이었습니다. 초기 아이디어는 1개씩 비교하되, 같은 동전이 나오면 포켓에 누적하는 방식을 채택했으나 만족스러운 비교 횟수는 80회 정도로 성능이 나오지 않았습니다.
  
  저는 기존 방식 대신, 1개의 불량 동전을 먼저 탐색하는 방식을 제안했습니다. 정상과 불량 동전을 먼저 찾으면 포켓에 넣는 횟수를 줄일 수 있으리라 생각했습니다. 1개씩 비교하며 불량 동전을 발견하지 못한다면 그룹으로 묶고, 발견한다면 (불량, 정상) 그룹으로 2개씩 비교해나가는 방식으로 최적화했습니다. (불량, 불량) 그룹은 항상 가볍고 (정상, 정상) 그룹은 무거웠으므로 복잡도를 더 낮출 수 있었습니다. 최종적으로 평균 비교 횟수를 70회까지 낮출 수 있었고, 문제를 다양한 관점으로 접근할 때, 더 좋은 해답을 찾을 수 있다는 것을 배웠습니다.